Comparison of automatic procedures for selecting flood peaks over threshold based on goodness‐of‐fit tests
Notice bibliographique
Résumé
Abstract In comparison with the traditional analysis of annual maximums, the peaks over threshold method provides many advantages when performing flood frequency analysis and trend analysis. However, the choice of the threshold remains an important question without definite answers and common visual diagnostic tools are difficult to reproduce on a large scale. This study investigates the behaviour of some automatic methods for threshold selection based on the generalized Pareto model for flood peak exceedances of the threshold and the Anderson–Darling test for fitting this model. In particular, the choice of a critical significance level to define an interval of acceptable values is addressed. First, automatic methods are investigated using a simulation study to assess fitting and prediction performance in a controlled environment. It is shown that P values approximated by an existing table of critical values can speed up computation without affecting the quality of the outcomes. Second, a case study compares automatically and manually selected thresholds for 285 sites across Canada by flood regime and super regions based on site characteristics. Correspondences are examined in terms of prediction of flood quantiles and trend analysis. Results show that trend detection is sensitive to the threshold selection method when studying the evolution of the number of peaks per year. Finally, a hybrid method is developed to combine automatic methods and is calibrated on the basis of super regions. The outcomes of the hybrid method are shown to more closely reproduce the estimates of the manually selected thresholds while reducing the model uncertainty.
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 | 0,001 |
| 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 | 0,001 |
| 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) | 0,001 | 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 ».