On Selection of Probability Distributions for Representing Annual Extreme Rainfall Series
Notice bibliographique
Résumé
This paper presents an assessment procedure for evaluating systematically the performance of various probability models in order to identify the most suitable distribution that could provide accurate extreme rainfall estimates. More specifically, nine popular probability distributions, Beta-K, Beta-P, Generalized Extreme Value (GEV), Generalized Normal (GNO), Generalized Pareto, Gumbel, Log-Pearson Type III, Pearson Type III, and Wakeby, were examined and compared for their descriptive and predictive abilities in the estimation of annual maximum precipitations. The suggested procedure was applied to 5-minute and 1-hour annual maximum precipitation data from a network of 20 raingages located in the southern Quebec region in Canada. The methods of maximum likelihood and L-moments were used to estimate the parameters of these distributions. Results based on numerical and graphical goodness-of-fit criteria have indicated that the Wakeby, GEV, and GNO models were the best models for describing the distribution of annual maximum precipitations in the southern Quebec region in Canada. Furthermore, it was found that no single distribution ranked best at every station for both rainfall durations. Additional bootstrap method was performed to evaluate the model ability at predicting extreme right-tail behaviour. The results are similar to the outcome of the goodness-of-fit tests. The GEV distribution, however, was preferred to the Wakeby and GNO because it requires a simpler parameter estimation method and it was based on a more solid theoretical basis for representing the distribution of extreme random variables. Therefore, among the nine candidate distributions considered, the GEV could be recommended as the most suitable model for describing the distribution of annual maximum precipitations in southern Quebec.
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) | 0,006 | 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 ».