Depth-based regional index-flood model
Notice bibliographique
Résumé
[1] Regional flood frequency analysis aims to estimate flood risk at sites where little or no hydrological data are available. The index-flood model is one of the commonly employed models for this purpose. In this model, the predicted value depends on the growth curve and its regional parameters. The latter are estimated as weighted averages of the at-site parameters. Traditional approaches are mainly based on site record lengths or region size to define these weights. Hence, they are not representative of the hydrological similarity between sites within a region. In addition, they are not defined to reach optimality in terms of model performance. To overcome these limitations, the present paper aims to propose a new optimal iterative weighting scheme to the index-flood model. The proposed approach is based on a number of elements: a statistical depth function to introduce similarity between sites, a weight function to amplify and control the depth values, an iterative procedure to improve estimation accuracy, and an optimization algorithm to objectively automate the choice of the weight function. A data set from the Island of Sicily (Italy) is used to compare the proposed approach with traditional ones. On the basis of the L-moments and using cluster analysis techniques, the studied region is subdivided into three homogeneous subregions. The results indicate that the proposed approach performs significantly better than traditional ones both in terms of relative bias and relative root mean squares error. The proposed approach allows identification of cross correlation in the region and provides a significant performance improvement.
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 | 0,000 | 0,001 |
| 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) | 0,012 | 0,014 |
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 ».