Rising summer river water temperature across Canada: spatial patterns and hydroclimatic controls
Notice bibliographique
Résumé
Abstract Understanding the spatio-temporal variability of climate-induced river water temperature change is critical for identifying hotspots and assessing the impacts on ecological and socioeconomic systems. Here, we employ the air2stream model reconstructed river temperature records for 106 stations in Canada (Nash Sutcliffe coefficient goodness-of-fit: minimum = 0.79; median = 0.93; maximum = 0.97) to analyze summer temperature changes over the years 1980–2018. Results reveal widespread river temperature increases from June to September, with significantly increasing trends for about 40%–60% of stations. Additionally, we find significantly rising 7-day maximum temperature and increasing occurrences over the critical 18 and 20 °C thresholds for about 30%–65% of stations. Furthermore, by employing the Ward’s agglomerative hierarchical clustering machine learning (ML) method, we identify eight regions of spatially coherent variability and change. We find that the south-east, coast and northern prairies are the regions of high vulnerability because of the likely impacts of rising summer water temperatures on cold-water aquatic species. Additionally, by using the random forests ML method, we demonstrate that mean air temperature and its trends are the primary drivers of mean water temperature and trends, respectively. Thus, with the projected enhanced air temperature increase across Canada, an amplified future summer river warming can be expected, which could have severe consequences, particularly in already thermally-stressed river systems.
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 | 0,001 | 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) | 0,002 | 0,001 |
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 ».