On the Value of River Network Information in Regional Frequency Analysis
Notice bibliographique
Résumé
Abstract Regional frequency analysis (RFA) is widely used in the design of hydraulic structures at locations where streamflow records are not available. RFA estimates depend on the precise delineation of homogenous regions for accurate information transfer. This study proposes new physiographical variables based on river network features and tests their potential to improve the accuracy of hydrological feature estimates. Information about river network types is used both in the definition of homogenous regions and in the estimation process. Data from 105 river basins in arid and semiarid regions of the United States were used in our analysis. Artificial neural network ensemble models and canonical correlation analysis were used to produce flood quantile estimates, which were validated through tenfold cross and jackknife validations. We conducted analysis for model performance based on statistical indices, such as the Nash–Sutcliffe efficiency, root-mean-square error, relative root-mean-square error, mean absolute error, and relative mean bias. Among various combinations of variables, a model with 10 variables produced the best performance. Further, 49, 36, and 20 river networks in the 105 basins were classified as dendritic, pinnate, and trellis networks, respectively. The model with river network classification for the homogenous regions appeared to provide a superior performance compared with a model without such classification. The results indicated that including our proposed combination of variables could improve the accuracy of RFA flood estimates with the classification of the network types. This finding has considerable implications for hydraulic structure design.
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 | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».