Bayesian Nonstationary Frequency Analysis of Hydrological Variables1
Notice bibliographique
Résumé
Ouarda, T.B.M.J. and S. El-Adlouni, 2011. Bayesian Nonstationary Frequency Analysis of Hydrological Variables. Journal of the American Water Resources Association (JAWRA) 47(3):496-505. DOI: 10.1111/j.1752-1688.2011.00544.x Abstract: The present paper provides a discussion of nonstationary frequency analysis models in hydrology with a focus on the Bayesian approach. The Bayesian model provides an efficient estimation framework of hydrological quantiles in the presence of nonstationarity. In nonstationary frequency analysis models, the parameters are functions of covariates, allowing for dependent parameters and trends. The use of the nonstationary Generalized Maximum Likelihood Estimation method in hydrologic frequency analysis is discussed. This model allows using prior information concerning the variables under study and considering a number of models (linear, quadratic, etc.) of the dependence of the parameters on covariates. A discussion is also provided concerning the use of the reversible jump Monte Carlo Markov Chain procedure which allows carrying out the estimation of the posterior distributions of the parameters and the selection of the Bayesian model at the same time. An application to a case study is presented to illustrate the potential of the model.
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 | 0,001 |
| 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 ».