Machine‐learning modeling of hourly potential thermal refuge area: A case study from the Sainte‐Marguerite River (Quebec, Canada)
Notice bibliographique
Résumé
Abstract To understand the temporal and spatial variability of thermal refuges, this study focused on modeling potential thermal refuge area (PTRA) at a sub‐daily time‐step in two tributary confluences of the Sainte‐Marguerite River (Canada) during the summers of 2020 and 2021. Aquatic ectotherm species, such as Atlantic salmon (Salmo salar), seek these refuges to avoid heat stress during high summer river temperatures. To investigate the temporal variability of these PTRA, we employed inverse weighted distance interpolation to delineate the hourly area available at both confluences. We then analyzed the impact of the atypical low flow conditions of summer 2021 on the diel cycle of PTRA extremes using the coefficient of variation and the generalized additive model (GAM). Finally, we used four supervised machine‐learning regression models and three to five hydrometeorological predictors to estimate hourly PTRA availability: multivariate adaptive splines regression (MARS), GAM, support vector machine regression (SVM), and random forest regression (RF). The results showed that tree‐based and kernel‐based regression models, RF and SVM, outperformed GAM and MARS. RF had the highest accuracy at both sites, with a relative root mean square error and Nash–Sutcliffe efficiency coefficient (Nash) of 13% and 93%, respectively. Our study discovered that under warm conditions in August 2021, small perennial tributary inflows in combination with low mainstem discharge could create high and constant PTRA at confluences, potentially providing vital thermal refuges for cold‐water taxa. These refuges may be especially important at the local level, within a specific stretch or section of the river. Given the decreasing availability of thermal refuges for salmonids, it is crucial to monitor stream temperatures at small spatial and temporal scales using data‐driven techniques in order to understand stream temperature heterogeneity at tributary confluences.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».