Autoregressive Noise, Deserialization, and Trend Detection and Quantification in Annual River Discharge Time Series
Notice bibliographique
Résumé
The evaluation of long-term trends in yearly discharge records, such as annual peak daily flow or total annual runoff, is important to a variety of issues including water resource planning, flood hazard studies, and the assessment of historical data for evidence of anthropogenic climate change effects. Prewhitening or deserialization procedures have recently been developed and applied to adjust statistical tests of monotonic trend, and the nonparametric Mann-Kendall test in particular, for sensitivity to serial dependence. Deserialization attributes much or all of the observed serial correlation in a time series to an autoregressive process; however, deterministic processes can also lead to a large lag-1 serial correlation coefficient, and the physical basis for autoregressive noise may be weaker for annual rather than more finely-discretized (e.g., daily) streamflow records. In this paper, the potential consequences of using such procedures are investigated through a suite of Monte Carlo simulations. We find that prewhitening can substantially and inappropriately reduce the power of trend significance tests and increase slope estimate errors. The choice of whether deserialization is applied is to some degree left to the judgement and conservatism of the individual practitioner. We suggest that such procedures not be applied to a given annual hydrologic time series unless there is a strong site-specific physical basis for the assumption of AR(1) noise and that if deserialization is performed, very recently-developed multi-stage techniques appear preferable. We also present a number of useful ancillary results regarding trend identification in streamflow-derived data.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».