A Novel Scale-Invariance Generalized Extreme Value Model Based on Probability Weighted Moments for Estimating Extreme Design Rainfalls in the Context of Climate Change
Notice bibliographique
Résumé
The estimation of extreme design rainfalls in the context of possible climate change impacts (CCIs) has become essential in current engineering practices due to recent recognition of climate variability. This estimation requires hence a new rainfall modelling approach that could establish an accurate linkage between climate projections from global or regional climate models and observed extreme rainfall processes at a local site. Furthermore, outputs from these climate models are mostly available at the daily timestep because of current limitations on detailed physical modelling and computational capability. Hence, rainfall data of high temporal resolutions are often limited or unavailable at the location of interest while those of daily scale are widely available. Recently, statistical models based on the scale-invariance (or scaling) concept has increasingly become a new modeling tool since these scaling models could be used to derive short-duration extreme rainfalls based on those of longer durations. Therefore, the main objective of the present study is to propose a novel scaling GEV/PWM model for modeling extreme rainfall process over a wide range of time scales (e.g., several minutes to one day). The feasibility and accuracy of the GEV/PWM model was assessed and compared with the three existing popular models using IDF data from a network of 21 raingages located in Ontario, Canada. Results based on different statistical criteria have indicated the superior performance of the proposed GEV/PWM as compared to these existing models. The proposed model was used for constructing IDF relations for Ontario using climate projections from different climate models.
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 | 0,001 |
| 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 ».