A framework to estimate sediment loads using distributions with covariates: Beaurivage River watershed (Québec, Canada)
Notice bibliographique
Résumé
Abstract A framework to estimate sediment loads based on the statistical distribution of sediment concentrations and various functional forms relating distribution characteristics (e.g. mean and variance) to covariates is developed. The covariates are used as surrogates to represent the main processes involved in sediment generation and transport. Statistical models of increasing complexity are built and compared to assess their relative performance using available sediment concentration and covariate data. Application to the Beaurivage River watershed (Québec, Canada) is conducted using data for the 1989–2004 period. The covariates considered in this application are streamflow and calendar day. A comparison of different statistical models shows that, in this case, the log‐normal distribution with a mean value depending on streamflow (power law with an additive term) and calendar day (sinusoidal), a constant coefficient of variation for streamflow dependence and a constant standard deviation for calendar day dependence provide the best result. Model parameters are estimated using the maximum likelihood estimation technique. The selected model is then used to estimate the distribution of annual sediment loads for the Beaurivage River watershed for a selected period. A bootstrap parametric method is implemented to account for uncertainties in parameter values and to build the distributions of annual loads. Comparison of model results with estimates obtained using the empirical ratio estimator shows that the latter were rarely within the 0·1–0·9 quantile interval of the distributions obtained with the proposed approach. Copyright © 2008 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 | 0,001 | 0,001 |
| 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 ».