Estimation of the area of potential thermal refuges using generalized additive models and multivariate adaptive regression splines: A case study from the Ste‐Marguerite River
Notice bibliographique
Résumé
Abstract Thermal refuges in rivers are becoming a critical habitat for ectotherm fish, including Atlantic salmon ( Salmo salar ). In this study, two statistical modelling approaches were used to estimate the areas of potential thermal refuges: generalized additive models (GAM) and multivariate adaptive regression splines (MARS). This allowed for the first development of a reliable statistical model that uses a few relevant predictors (air temperature, river discharge, main river, and tributary temperatures) to estimate tributary plume thermal refuge surface areas. GAM and MARS models were fitted independently for four sites on the Ste‐Marguerite River, (Quebec, Canada). Model performances were evaluated using the leave‐one‐out cross validation (LOOCV) approach and the following criteria: the Akaike information criterion (AIC), root‐mean‐square error (RMSE), relative root‐mean‐square error (rRMSE), Nash‐Sutcliffe efficiency coefficient (NASH), and finally the bias (BIAS). Using an array of thermographs deployed at the confluence of a cold tributary and the warmer main river stem, refuges were delineated at a daily time step. Model results indicate that the estimated areas are similar to the refuge surfaces interpolated using temperature measurements, with both models and for all sites. Results suggest that MARS performs better than GAM in terms of forecasting and estimating the variability of the area of thermal refuges at all study‐stations. This relatively simple approach will be of use to water resources managers faced with the challenge of protecting thermal refuges for fish.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».