Assessing the applicability of six precipitation probability distribution models on the Loess Plateau of China
Notice bibliographique
Résumé
ABSTRACT Stochastic modelling of daily precipitation is useful for many hydrological and agricultural applications; however, the ability of the precipitation generator should be assessed to ensure accurate precipitation simulation. In particular, the appropriate choice of a precipitation probability distribution is of utmost importance. The Loess Plateau in China has a semi‐arid climate with strong monsoon influence and contains some of the most erodible soils in the world. The large annual variability in precipitation and the common occurrence of very large rainfall events makes this region very challenging for stochastic generation of precipitation. Accordingly, the objective of this study is to compare the performances of six precipitation probability distributions (exponential, gamma, Weibull, skewed normal, mixed exponential and hybrid exponential/generalized Pareto distributions) on the Loess Plateau of China based on daily precipitation data of 47 stations during 1961–2009. Results indicate that using increasingly more complex precipitation distributions contribute to more accurate precipitation simulation. However, none of the tested distributions is able to simulate all the observed statistical characteristics of precipitation. The three‐parameter models are superior to simulating the observed mean and variance. The hybrid exponential/generalized Pareto distribution is the best at simulating the frequency distributions and interannual variations of precipitation while the skewed normal distribution performs the best in reproducing extreme precipitation events. Overall, as erosion on the Loess Plateau is highly dependent on extreme precipitation, the skewed normal distribution may be the best candidate and therefore is recommended on the Loess Plateau.
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 | 0,000 |
| 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 ».