A Nonlinear Approach to Regional Flood Frequency Analysis Using Projection Pursuit Regression
Notice bibliographique
Résumé
Abstract This paper presents an approach for regional flood frequency analysis (RFFA) in the presence of nonlinearity and problematic stations, which require adapted methodologies. To this end, the projection pursuit regression (PPR) is proposed. The PPR is a family of regression models that applies smooth functions on intermediate predictors to fit complex patterns. The PPR approach can be seen as a hybrid method between the generalized additive model (GAM) and the artificial neural network (ANN), which combines the advantages of both methods. Indeed, the PPR approach has the structure of a GAM to describe nonlinear relations between hydrological variables and other basin characteristics. On the other hand, PPR can consider interactions between basin characteristics to improve the predictive capabilities in a similar way to ANN, but simpler. The methodology developed in the present study is applied to a case study represented by hydrometric stations from southern Québec, Canada. It is shown that flood quantiles are mostly associated with a dominant intermediate predictor, which provides a parsimonious representation of the nonlinearity in the flood-generating processes. The model performance is compared to eight other methods available in the literature for the same dataset, including GAM and ANN. When using the same basin characteristics, the results indicate that the simpler structure of PPR does not affect the global performance and that PPR is competitive with the best existing methods in RFFA. Particular attention is also given to the performance resulting from the choice of the basin characteristics and the presence of problematic stations.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».