Quantile Regression in Regional Frequency Analysis: A Better Exploitation of the Available Information
Notice bibliographique
Résumé
Abstract Classical regression models are widely used in hydrological regional frequency analysis (RFA) in order to provide quantile estimates at ungauged sites given physio-meteorological information. Since classical regression-based methods only provide the conditional mean of the response variable, estimated at-site quantiles at gauged sites are commonly used to calibrate the regression models in RFA. Generally, only at-site quantiles estimated with long data records are retained for the calibration and the evaluation steps, whereas hydrological information from stations with few data is ignored. In addition, even if the at-site quantiles are estimated with long data series, they are always subject to model selection and parameter estimation. Hence, their use for the calibration of the RFA models may induce significant uncertainties in the modeled relationships. The aim of this paper is to propose a quantile regression (QR) model that gives directly the conditional quantile for RFA and avoids using at-site estimated quantiles in the calibration step. The proposed model presents another advantage where all the available hydrological information can be used in the calibration step including stations with very short data records. An evaluation criterion using observed data is also proposed in a cross-validation procedure. The proposed QR model is applied on a dataset representing 151 hydrometric stations from the province of Quebec and compared with a classical regression model. According to the proposed evaluation criterion, the QR is shown to be a viable model for regional estimations. Indeed, the proposed model proved to be robust and flexible, allowing for consideration of all the region’s sites, even those with extremely short flood records.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».