A Regionalized Stochastic Rainfall Model for the Generation of High Resolution Data in Peninsular Malaysia
Notice bibliographique
Résumé
<p>High resolution rainfall data is an important input for studies on hydrological systems. Often time synthetic data has to be generated in the absence of historical data. The stochastic Neyman Scott Rectangular Pulse (NSRP) model has been developed to produce synthetic data of high resolution. To take into account the spatial and temporal nature of rainfall, an extra domain had been added producing the Spatial Temporal NSRP (ST-NSRP) model. However these models require the repeat estimation of all the model parameters for each location. This work develops the Regionalized ST-NSRP model which produces a single model for a region. The regionalization approach is carried out by the station-year method using ten years (2001-2010) of records from sixteen stations. The statistical characteristics used in estimating the model’s parameters are hourly and daily coefficient of variation, hourly and daily lag one auto correlation, hourly cross correlation between sites and hourly skewness of rainfall series. Simulation process is conducted at two independent stations with distinctly different rainfall profile. The Regionalized ST-NSRP model produced statistical characteristics of the ungauged sites which matched those of the observed series fairly well even though there is a tendency to underestimate hourly covariance and lag one autocorrelation. Considering that spatial variability of rainfall is high within the studied region, this model is sufficiently robust in producing reasonable synthetic hourly rainfall series which captured the characteristics and pattern of observed rainfall series. Therefore the model has shown a promising potential in generating high resolution synthetic data for any ungauged site within the region.</p>
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».