MétaCan
Menu
Retour à la cohorte
Enregistrement W2888611605 · doi:10.1029/2018wr022732

A Diagnostic Framework for Understanding Climatology of Tails of Hourly Precipitation Extremes in the United States

2018· article· en· W2888611605 sur OpenAlexaff
Simon Michael Papalexiou, Amir AghaKouchak, Efi Foufoula‐Georgiou

Notice bibliographique

RevueWater Resources Research · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueClimate variability and models
Établissements canadiensGlobal Institute for Water SecurityUniversity of SaskatchewanGeological Survey of Canada
Organismes subventionnairesDivision of Civil, Mechanical and Manufacturing InnovationCalifornia Energy CommissionNational Aeronautics and Space AdministrationNational Oceanic and Atmospheric AdministrationNational Science Foundation
Mots-clésDownscalingPrecipitationClimatologyProbabilistic logicEnvironmental scienceBayesian probabilityParametric statisticsClimate extremesMeteorologyEconometricsStatisticsMathematicsGeographyGeology

Résumé

récupéré en direct d'OpenAlex

Abstract Hourly precipitation extremes are crucial in hydrological design. Their frequency and magnitude is encapsulated in the probability distribution tail. Traditional extreme‐analysis methods rely on theorems, like the Pickands‐Balkema‐de Haan, indicating specific type of tails assuming asymptotic convergence—a questionable assumption for real‐world samples. Moreover, popular stochastic models for hourly precipitation presume light‐tailed distributions to facilitate their mathematical formulation. In practice, limited information on hourly precipitation extremes makes identifying and quantifying their tail highly uncertain, especially on a station‐by‐station basis. Yet no comprehensive regional analysis of tails has been undertaken to quantify a climatology of tails for diagnostic and prognostic purposes. Here we undertake such an analysis for the conterminous United States. We introduce a novel Bayesian‐adjustment approach to assess the best model between power‐type and stretched‐exponential tails showing that the latter performs better. We present climatology of the tail and quantify its heaviness in over 4,000 hourly precipitation records across the United States and present three main conclusions. First, we show that hourly precipitation tails are heavier than those commonly used with important implications including underestimation of extremes. Second, we provide spatial maps of the tail behavior which reveal some strikingly coherent spatial patterns that can be used for inference in the absence of local observations. Third, we find a nonlinear increase in the tail heaviness with elevation and we formulate parametric functions to describe this law . These results can improve the accuracy of frequency analysis, probabilistic prediction, rainfall‐runoff modeling, and downscaling of historical observations and climate model projections.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,853
Score d'incertitude au seuil0,363

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,167
Tête enseignante GPT0,378
Écart entre enseignants0,211 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations77
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetClimate variability and modelsTravaux en français237 207