Pooled frequency analysis for intensity–duration–frequency curve estimation
Notice bibliographique
Résumé
Abstract Rainfall intensity–duration–frequency (IDF) curves are used in the design of urban infrastructure. Their estimation is based on rainfall frequency analysis, usually performed on rainfall records from a single gauged station. However, available at‐site record length is often too short to provide accurate estimates for long return periods. In the present study, a general framework for pooled rainfall frequency analysis based on the index‐event model is proposed for IDF estimation at gauged stations. Pooling group formation is defined by the region of influence approach on the basis of the geographical distance similarity measure. Several pooled approaches are defined and evaluated by a procedure through which quantile estimation and uncertainty are assessed. Alternate approaches for the definition of a pooling group are based on different criteria regarding initial pooling group size (and the relationship between size and return period), approaches for assessing pooling group homogeneity, and the use of macroregions in pooling group formation. The proposed framework is applied to identify the preferred approach for pooled rainfall intensity frequency analysis in Canada. Pooled approaches are found to provide more precise estimates than the at‐site approach, especially for long return periods. Pooled parent distribution selection supported the use of the generalized extreme value distribution across the country. Recommendations for pooling group formation include increasing the pooling group size with increases in return period and identifying an appropriate trade‐off between pooling group homogeneity and size for long return periods.
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 | 0,000 |
| 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) | 0,005 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».