Nonlinear response of precipitation to climate indices using a non‐stationary Poisson‐generalized Pareto model: case study of southeastern Canada
Notice bibliographique
Résumé
ABSTRACT Quantile estimates are generally interpreted in association with the return period concept in practical engineering. To do so with the peaks‐over‐threshold (POT) approach, combined Poisson‐generalized Pareto distributions (referred to as PD‐GPD model) must be considered. In this article, we evaluate the incorporation of non‐stationarity in the generalized Pareto distribution (GPD) and the Poisson distribution (PD) using, respectively, the smoothing‐based B‐spline functions and the logarithmic link function. Two models are proposed, a stationary PD combined to a non‐stationary GPD (referred to as PD0‐GPD1) and a combined non‐stationary PD and GPD (referred to as PD1‐GPD1). The teleconnections between hydro‐climatological variables and a number of large‐scale climate patterns allow using these climate indices as covariates in the development of non‐stationary extreme value models. The case study is made with daily precipitation amount time series from southeastern Canada and two climatic covariates, the Arctic Oscillation (AO) and the Pacific North American (PNA) indices. A comparison of PD0‐GPD1 and PD1‐GPD1 models showed that the incorporation of non‐stationarity in both POT models instead of solely in the GPD has an effect on the estimated quantiles. The use of the B‐spline function as link function between the GPD parameters and the considered climatic covariates provided flexible non‐stationary PD‐GPD models. Indeed, linear and nonlinear conditional quantiles are observed at various stations in the case study, opening an interesting perspective for further research on the physical mechanism behind these simple and complex interactions.
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 | 0,000 |
| 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 ».