MétaCan
Menu
Retour à la cohorte
Enregistrement W4283716368 · doi:10.1016/j.dib.2022.108425

Sub-hourly water temperature data collected across the Nechako Watershed, 2019-2021

2022· article· en· W4283716368 sur OpenAlexafffund
Derek Gilbert, Jeremy Morris, Anna Kaveney, Stephen J. Déry

Notice bibliographique

RevueData in Brief · 2022
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueMarine and environmental studies
Établissements canadiensUniversity of Northern British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaRio TintoUniversity of Northern British Columbia
Mots-clésWatershedResearch articleEnvironmental scienceHydrology (agriculture)Remote sensingGeographyComputer scienceLibrary scienceGeology

Résumé

récupéré en direct d'OpenAlex

Water temperature is actively being monitored along the regulated Nechako River and some of its unregulated tributaries in northern British Columbia (BC) to determine how climate variability, climate change and flow regulation influence water temperatures. The Nechako Watershed, located mainly in the sub-boreal spruce biogeoclimatic zone, spans 47,200 km2 in area [1]. The regional climate experiences a prominent seasonal cycle in air temperature and precipitation, with subfreezing temperatures and snow accumulating during winter. Waterways therefore experience extended near 0°C water/ice temperatures during the winter season. The accumulation of snow yields snowmelt-generated peaks in discharge during the spring freshet period in unregulated tributaries [2]. Regional studies on climate reveal recent warming trends that are anticipated to persist through the 21st century, with a projected mean air temperature increase of ∼2°C by the 2050’s [3]. In response to warming air temperatures, regional water temperatures are also on the rise, with an average warming trend of 0.7°C from 1950 to 2015 [4]. Changing water temperatures are important in understanding ecological and environmental impacts on riverine systems, including aquatic species such as fish (e.g., sockeye salmon (Oncorhynchus nerka), rainbow trout (Oncorhynchus mykiss) and white sturgeon (Acipenser transmontanus), all endemic species to the Nechako Watershed), invertebrates, and micro-organisms. Managing water temperatures during the fish spawning season is crucial as elevated temperatures induce stress and affect reproduction success [5]. Starting with a pilot project in summer of 2019, we expanded in situ monitoring of water temperature to 29 sites; however, for the purposes of this paper, only data from 24 sites are included (some sites have limited data samples or loggers could not be retrieved in the field). Currently, 25 sites are fully operational and collecting data, all deployed to sample and record data at 15-minute intervals starting at the top of the hour. Site data collection occurs at minimum once annually (typically during summer/early fall), along with site and logger maintenance. Field notes are taken to identify any potential issues with data collection, such as loggers dewatering during low flows, duration of logger removal for data collection, and any other environmental concerns that should later be considered during data analysis. The assembled data are useful to build long-term time series of observed water temperatures within the Nechako Watershed and as a baseline for future projects. The data are also used to determine the effectiveness of the Summer Temperature Management Program at the Nechako Reservoir and Skins Lake Spillway [1]. Therefore, these data can be used in the future to better identify the optimal discharge from the reservoir to minimize ecological effects on the watershed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0020,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,222
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueData in BriefMême sujetMarine and environmental studiesTravaux en français237 207