Characterization of peak flow events with local singularity method
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle