Investigation of Attributes for Identifying Homogeneous Flood Regions for Regional Flood Frequency Analysis in Canada
Notice bibliographique
Résumé
The identification of homogeneous flood regions is essential for regional flood frequency analysis. Despite the type of regionalization framework considered (e.g., region of influence or hierarchical clustering), selecting flood-related attributes to reflect flood generating mechanisms is required to discriminate flood regimes among catchments. To understand how different attributes perform across Canada for identifying homogeneous regions, this study examines five distinctive attributes (i.e., geographical proximity, flood seasonality, physiographic variables, monthly precipitation pattern, and monthly temperature pattern) for their ability to identify homogeneous regions at 186 gauging sites. We add an automatic component to enhance identification of homogeneous regions is proposed as an addition to the region of influence framework. Results are presented spatially for Canada to assess patterning of homogeneous regions. Memberships of two selected regions are investigated to provide insight into membership characteristics. Sites in eastern Canada are highly likely to identify homogeneous flood regions, while the western prairie and mountainous regions are not. Overall, it is revealed that the success of identifying homogeneous region is relevant to local hydrological complexities, to whether considered attribute reflects primary flooding mechanism, and to whether catchment sites are clustered in small geographic region. Formation of effective pooling groups affords the extension of record lengths across the Canadian domain (where gauges typically have <50 years of record), facilitating more comprehensive analysis of higher return periods floods need for climate change assessment.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».