Application of L‐moments and Bayesian inference for low‐flow regionalization in Sefidroud basin, Iran
Notice bibliographique
Résumé
Abstract Reliable estimation of low flows at ungauged catchments is one of the major challenges in water‐resources planning and management. This study aims at providing at‐site and ungauged sites low‐flow frequency analysis using regionalization approach. A two‐stage delineating homogeneous region is proposed in this study. Clustering sites with similar low‐flow L‐moment ratios is initially conducted, and L‐moment‐based discordancy and heterogeneity measures are then used to detect unusual sites. Based on the goodness‐of‐fit test statistic, the best‐fit regional model is identified in each hydrologically homogeneous region. The relationship between mean annual 7‐day minimum flow and hydro‐geomorphic characteristics is also constructed in each homogeneous region associated with the derived regional model for estimating various low‐flow quantiles at ungauged sites. Uncertainty analysis of model parameters and low‐flow estimations is carried out using the Bayesian inference. Applied in Sefidroud basin located in northwestern Iran, two hydrologically homogeneous regions are identified, i.e. the east and west regions. The best‐fit regional model for the east and west regions are generalized logistic and Pearson type III distributions, respectively. The results show that the proposed approach provides reasonably good accuracy for at‐site as well as ungauged‐site frequency analysis. Besides, interval estimations for model parameters and low flows provide uncertainty information, and the results indicate that Bayesian confidence intervals are significantly reduced when comparing with the outcomes of conventional t ‐distribution method. Copyright © 2013 John Wiley & Sons, Ltd.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».