A comparison of index flood estimation procedures for ungauged catchments
Notice bibliographique
Résumé
Flood frequency analysis is used by water resources professionals to estimate the probability of exceedence associated with a flood of a given magnitude. The estimation of flood frequencies is important because they are used in the planning and design of hydraulic structures, in flood-plain management, and in reservoir operation. The index flood method is commonly used to develop a flood frequency curve that relates flood magnitude to flood rarity. This method involves scaling a dimensionless flood frequency curve by the index flood. The index flood is a middle-sized flood for which the mean or median of the flood data series is typically used. When the catchment of interest is ungauged, statistical models, such as multiple regression, are often used to relate the index flood to catchment descriptors. In this study six different parameter estimation techniques and three regionalization techniques are compared in terms of ability to predict the index flood for an ungauged catchment. A case study employing a split-sample experiment with data from catchments in Ontario, Canada, was used to evaluate the approaches. The models were assessed using three performance indices to evaluate the capability to predict the index flood for 20 stations. The dimensionless nonlinear model outperformed all of the other parameter estimation techniques for each of the three indices selected. The performance was improved through the use of geostatistical residual mapping, however, the improvement was small. The residual mapping was found to greatly improve the estimates obtained using ordinary least-squares regression.Key words: index flood, flood frequency analysis, regression, residual mapping, geostatistics.
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 | 0,000 | 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 ».