Estimation de l’aire des refuges thermiques potentiels en rivière par \nl’utilisation du Modèle additif généralisé (GAM) et le Modèle de régression \nmultivariée par splines adaptatifs (MARS): Étude de cas de la rivière Ste-Marguerite (Québec, Canada).
Bibliographic record
Abstract
La température élevée de l’eau peut être mortelle pour de nombreuses espèces de poissons \net plus particulièrement le saumon atlantique (Salmo salar) qui peut rechercher des refuges \nthermiques pour se protéger lors d’événements thermiques stressants. Dans cette étude, la \nsuperficie de chaque refuge thermique a été interpolée au pas de temps journaliers dans quatre \nstations différentes situées à la confluence de tributaires froids avec la rivière Ste-Marguerite \n(Québec, Canada). Deux approches de modélisation statistique ont été utilisées dans le but \nd’estimer la superficie des refuges thermiques potentiels, à savoir le modèle additif généralisé \n(MAG) et le modèle de régression multivariée par splines adaptatifs (MARS). Les modèles MAG \net MARS ont été ajustés indépendamment pour chaque station d’étude. Les performances des deux \nmodèles ont été évaluées à l’aide de la validation croisée (CV) afin de mettre en évidence des \nproblèmes tels que le surajustement ou le biais de sélection et de donner un aperçu de la manière \ndont le modèle devrait se généraliser à un ensemble de données indépendants. Plusieurs critères \nont été utilisées pour comparer les performances du MAG et du MARS, tels que la racine de \nl’erreur quadratique moyenne (RMSE), le coefficient de NASH, le critère d’information d’Aikaike \n(AIC) et finalement le biais (BIAS). Les résultats montrent que les aires modélisées sont proches \ndes aires estimées avec un RMSE relatif variant entre 6,93 % et 38,39 %. En outre, les résultats \nattestent que le modèle MARS offre une meilleure performance dans la prévision et l’estimation \nde la variabilité de l’aire de refuge thermique que le MAG dans toutes les stations d’études. \nCependant, compte tenu de ces résultats, les deux modèles présentent un grand potentiel.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".