Determination of flood seasonality from hydrological records
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
L'identification de la saisonnalite des crues est une procedure dont les applications sont nombreuses en hydrologie et en gestion des ressources en eau. Plusieurs methodes statistiques pour caracteriser la saisonnalite des crues ont emerge lors de la derniere decennie. Neanmoins, jusqu'a present, l'attention a ete faiblement portee sur l'incertitude impliquee par l'utilisation de ces methodes, et sur la confiance de leurs estimations. Cet article compare les performances des modeles d'echantillonnage de maximum annuel (MA) et de depassement (D) pour l'estimation de la saisonnalite des crues. La saisonnalite est determinee par deux methodes frequemment utilisees, l'une basee sur les statistiques directionnelles (SD) et l'autre sur la distribution des frequences relatives mensuelles des occurrences de crues (FR). La performance est evaluee pour le modele MA et pour trois modeles D courants selon la methode d'estimation, le type de saisonnalite et la longueur de l'echantillon enregistre. Les resultats montrent que les modeles D surpassent le modele MA dans la plupart des scenarios analyses. L'echantillonnage D fournit une information sur la saisonnalite significativement plus importante que l'echantillonnage MA. Pour certains types de saisonnalite, les echantillons D peuvent engendrer une incertitude sur l'estimation jusqu'a dix fois plus longue que les echantillons MA. La performance de la methode FR ne depend pas autant de la saisonnalite que celle de la methode SD, qui presente de mauvaises performances lorsque l'on considere des echantillons generes avec des distributions de saisonnalite complexes.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 découle