Comparison of Estimation Methods for a Nonstationary Index‐Flood Model in Flood Frequency Analysis Using Peaks Over Threshold
Notice bibliographique
Résumé
Abstract Accurate estimation of flood frequency is crucial for designing safe infrastructures. To reduce model uncertainty, threshold modeling techniques are often useful in bringing more valuable flood information into the analysis than traditional models based on annual maximum discharges. Due to climatic or anthropogenic causes, changes in flood magnitudes in many parts of the world have been observed and are expected to continue in the future. To characterize such changes, nonstationary models have focused on the modeling of stations with long records, but in practice such models may be needed to improve the evaluation of flood risk for stations having shorter records. In this study, a nonstationary index‐flood model for peaks over threshold is investigated to reduce model uncertainty. The assumption of an index‐flood model is used to define a probability structure that is stable in time. This allows to extend existing (stationary) procedures to automatically calibrate the proposed model in an at‐site and regional context. As part of this procedure, four estimators are investigated in a simulation study to determine which perform best in different situations. Two methods are based on the combination of regression techniques and L‐moments, while the other two methods employ likelihood‐based techniques. A case study of 425 stations in Canada is considered to verify if a nonstationary index‐flood model using pooling groups that combine stationary and nonstationary stations can reduce the uncertainty of design levels associated with a finite reference period.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».