Frequency Analysis of Droughts Using Stochastic and Soft Computing Techniques
Notice bibliographique
Résumé
In the Canadian Prairies recurring droughts are one of the realities which can \nhave significant economical, environmental, and social impacts. For example, \ndroughts in 1997 and 2001 cost over $100 million on different sectors. Drought frequency \nanalysis is a technique for analyzing how frequently a drought event of a given \nmagnitude may be expected to occur. In this study the state of the science related \nto frequency analysis of droughts is reviewed and studied. The main contributions \nof this thesis include development of a model in Matlab which uses the qualities of \nFuzzy C-Means (FCMs) clustering and corrects the formed regions to meet the criteria \nof effective hydrological regions. In FCM each site has a degree of membership in \neach of the clusters. The algorithm developed is flexible to get number of regions and \nreturn period as inputs and show the final corrected clusters as output for most case \nscenarios. While drought is considered a bivariate phenomena with two statistical \nvariables of duration and severity to be analyzed simultaneously, an important step \nin this study is increasing the complexity of the initial model in Matlab to correct \nregions based on L-comoments statistics (as apposed to L-moments). Implementing \na reasonably straightforward approach for bivariate drought frequency analysis using \nbivariate L-comoments and copula is another contribution of this study. Quantile estimation at ungauged sites for return periods of interest is studied by introducing two \nnew classes of neural network and machine learning: Radial Basis Function (RBF) \nand Support Vector Machine Regression (SVM-R). These two techniques are selected \nbased on their good reviews in literature in function estimation and nonparametric \nregression. The functionalities of RBF and SVM-R are compared with traditional \nnonlinear regression (NLR) method. As well, a nonlinear regression with regionalization \nmethod in which catchments are first regionalized using FCMs is applied and \nits results are compared with the other three models. Drought data from 36 natural \ncatchments in the Canadian Prairies are used in this study. This study provides a \nmethodology for bivariate drought frequency analysis that can be practiced in any \npart of the world.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».