MétaCan
Menu
Retour à la cohorte
Enregistrement W2330443211 · doi:10.2166/wst.2010.295

Optimal rainfall temporal patterns for urban drainage design in the context of climate change

2010· article· en· W2330443211 sur OpenAlexaffabout
Van‐Thanh‐Van Nguyen, Nicolas Desramaut, T.-D. Nguyen

Notice bibliographique

RevueWater Science & Technology · 2010
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Drought Analysis
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésDownscalingStormEnvironmental scienceSurface runoffContext (archaeology)Climate changeDrainageRunoff modelClimatologyStormwaterHydrology (agriculture)Drainage basinMeteorologyGeographyGeologyCartography

Résumé

récupéré en direct d'OpenAlex

The main objective of the present study is to propose a method for estimating an optimal temporal storm pattern for urban drainage design in southern Quebec (Canada) in the context of climate change. Following a systematic evaluation of the performance of eight popular design storm models for different typical urban basins, it was found that the Canadian Atmospheric Environment Service (AES) storm pattern and the Desbordes model (with a peak intensity duration of 30 min) were the most accurate for estimating runoff peak flows while the Watt model gave the best estimation of runoff volumes. Based on these analyses, an optimal storm pattern was derived for southern Quebec region. The proposed storm pattern was found to be the most suitable for urban drainage design in southern Quebec since it could provide accurate estimation of both runoff peak flow and volume. Finally, a spatial-temporal downscaling method, based on a combination of the spatial statistical downscaling SDSM technique and the temporal scaling General Extreme Value distribution, was used to assess the climate change impacts on the proposed optimal design storm pattern and the resulting runoff 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,061
Score d'incertitude au seuil0,122

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,242
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetHydrology and Drought AnalysisTravaux en français237 207