Physiographical space‐based kriging for regional flood frequency estimation at ungauged sites
Notice bibliographique
Résumé
A physiographical space‐based kriging method is proposed for regional flood frequency estimation. The methodology relies on the construction of a continuous physiographical space using physiographical and meteorological characteristics of gauging stations and the use of multivariate analysis techniques. Two multivariate analysis methods were tested: canonical correlation analysis (CCA) and principal components analysis. Ordinary kriging, a geostatistical technique, was then used to interpolate flow quantiles through the physiographical space. Data from 151 gauging stations across the southern part of the province of Quebec, Canada, were used to illustrate this approach. In order to evaluate the performance of the proposed method, two validation techniques, cross validation and split‐sample validation, were applied to estimate flood quantiles corresponding to the 10, 50, and 100 year return periods. Results of the proposed method were compared to those produced by a traditional regional estimation method using the canonical correlation analysis. The proposed method yielded satisfactory results. It allowed, for instance, for estimating the 10 year return period specific flow with a coefficient of determination of up to 0.78. However, this performance decreases with the increase in the quantile return period. Results also showed that the proposed method works better when the physiographical space is defined using canonical correlation analysis. It is shown that kriging in the CCA physiographical space yields results as precise as the traditional estimation method, with a fraction of the effort and the computation time.
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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».