Assessment of the Combined Effects of Threshold Selection and Parameter Estimation of Generalized Pareto Distribution with Applications to Flood Frequency Analysis
Notice bibliographique
Résumé
Floods are costly natural disasters that are projected to increase in severity and frequency into the future. Exceedances over a high threshold and analysis of their distributions, as determined through the Peak Over Threshold (POT) method and approximated by a Generalized Pareto Distribution (GPD), respectively, are widely used for flood frequency analysis. This study investigates the combined effects of threshold selection and GPD parameter estimation on the accuracy of flood quantile estimates, and develops a new, widely-applicable framework that significantly improves the accuracy of flood quantile estimations. First, the performance of several parameter estimators (i.e., Maximum Likelihood; Probability Weighted Moments; Maximum Goodness of Fit; Likelihood Moment; Modified Likelihood Moment; and Nonlinear Weighted Least Square Error) for the GPD was compared through Monte Carlo simulation. Then, a calibrated Soil and Water Assessment Tool (SWAT) model for the province of Alberta, Canada, was used to reproduce daily streamflow series for 47 watersheds distributed across the province, and the POT was applied to each. The Goodness of Fit for the resulting flood frequency models was measured by the upper tail Anderson-Darling (AD) test and the root-mean-square error (RMSE) and demonstrated improvements for more than one-third of stations by averages of 65% (AD) and 47% (RMSE), respectively.
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) | 0,000 | 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 ».