Comparison of the annual minimum flow and the deficit below threshold approaches: case study for the province of New Brunswick, Canada
Notice bibliographique
Résumé
A low-flow frequency analysis using the annual minimum flow (AMF) and the deficit below threshold (DBT) approaches was carried out for 30 hydrometric stations across the province of New Brunswick. The AMF method considers only the annual minimum events, and the DBT method considers all low flows below a certain threshold (or truncation level). In the present study, the DBT method characterizes low flow in terms of deficit intensity, which is becoming increasingly important in both water and aquatic resources management. The annual minimum series were fitted using the three-parameter Weibull distribution (AMF–WEI3), and the intensity data series were fitted using the two-parameter Weibull distribution (DBT–WEI2) and the generalized Pareto distribution (DBT–GP). All parameter estimates were obtained using the maximum likelihood method. The AMF–WEI3 and DBT–GP approaches provided a good fit to at-site data in terms of annual minimum flow and deficit intensity, respectively. However, the present study showed that the DBT–WEI2 approach underestimated the right tail of low-flow intensity. The Anderson–Darling statistic was also calculated for the data series and can provide insight into which distribution may adequately model the low-flow characteristics. A regionalization study was also performed using the AMF–WEI3 and DBT–GP methods.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».