An Evaluation of Block-Maximum-Based Estimation of Very Long Return Period Precipitation Extremes with a Large Ensemble Climate Simulation
Notice bibliographique
Résumé
Abstract The recurring devastation caused by extreme events underscores the need for reliable estimates of their intensity and frequency. Operational frequency and intensity estimates are very often obtained from generalized extreme value (GEV) distributions fitted to samples of annual maxima. GEV distributed random variables are “max-stable,” meaning that the maximum of a sample of several values drawn from a given GEV distribution is again GEV distributed with the same shape parameter. Long-period return value estimation relies on this property of the distribution. The data to which the models are fitted may not, however, be max-stable. Observational records are generally too short to assess whether max-stability holds in the upper tail of the observations. Large ensemble climate simulations, from which we can obtain very large samples of annual extremes, provide an opportunity to assess whether max-stability holds in a model-simulated climate and to quantify the impact of the lack of max-stability on very long period return-level estimates. We use a recent large ensemble simulation of the North American climate for this purpose. We find that the annual maxima of short-duration precipitation extremes tend not to be max-stable in the simulated climate, as indicated by systematic variation in the estimated shape parameter as block length is increased from 1 to 20 years. We explore how the lack of max-stability affects the estimation of very long period return levels and discuss reasons why short-duration precipitation extremes may not be max-stable.
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 | 0,002 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».