作者:Halil Dertli, Daniel Hayes, Troy Zorn

许多流温度动态模型是可用的，但最佳方法的指导意见不同的文献来源。在我们对文献的回顾中，我们发现一个挑战是建模者经常使用不同级别的数据聚合或温度收集间隔。更具体地说，现代温度记录仪可以设置为每隔很短的时间间隔(例如，每15分钟一次)收集数据，但有些模型是根据每天甚至每周间隔收集的数据进行操作的。因此，我们试图确定一组模型如何在相同的数据上执行，但在不同的时间间隔内聚合。我们评估的模型套件从相对简单的由空气温度与水温差异驱动的两个监测站之间的温度变化模型，到更复杂的模型，包括额外的驱动因素，如白昼长度、太阳角度、流量和监测站之间的流量变化。总的来说，所有模型对于每周或每天时间间隔聚合的数据表现更好(通过观测到的和预测的温度变化之间的R^2来衡量)，而不是小时或次每日时间间隔。然而，我们注意到，预测能力的增长速度在不同的模型中有所不同，导致在不同的时间聚合中具有最高R^2的模型存在差异。对于每小时的时间间隔，相对复杂的模型在AIC和模型权重方面表现最好。对于较宽的时间间隔，该模型通常仍然是最佳选择，但较简单的模型往往比小时数据获得更高的权重。对于最佳模型，参数估计在时间聚合级别上有所不同，这表明在一个时间尺度上开发的模型不能直接应用于另一个时间尺度。 We recommend that investigator pay more attention to the temporal scaling of data collection and aggregation before comparing results across studies.