Characterization of peak flow events with local singularity method
Notice bibliographique
Résumé
Abstract. Three methods, return period, power-law frequency plot (concentration-area) and local singularity index, are introduced in the paper for characterizing peak flow events from river flow data for the past 100 years from 1900 to 2000 recorded at 25 selected gauging stations on rivers in the Oak Ridges Moraine (ORM) area, Canada. First a traditional method, return period, was applied to the maximum annual river flow data. Whereas the Pearson III distribution generally fits the values, a power-law frequency plot (C-A) on the basis of self-similarity principle provides an effective mean for distinguishing "extremely" large flow events from the regular flow events. While the latter show a power-law distribution, about 10 large flow events manifest departure from the power-law distribution and these flow events can be classified into a separate group most of which are related to flood events. It is shown that the relation between the average water releases over a time period after flow peak and the time duration may follow a power-law distribution. The exponent of the power-law or singularity index estimated from this power-law relation may be used to characterize non-linearity of peak flow recessions. Viewing large peak flow events or floods as singular processes can anticipate the application of power-law models not only for characterizing the frequency distribution of peak flow events, for example, power-law relation between the number and size of floods, but also for describing local singularity of processes such as power-law relation between the amount of water released versus releasing time. With the introduction and validation of singularity of peak flow events, alternative power-law models can be used to depict the recession property as well as other types of non-linear properties.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».