Residual bootstraps for the uncertainty analysis of tidal models with temporally correlated noise 
Notice bibliographique
Résumé
The accurate characterization of the uncertainty associated with the estimation of tidal constituents is critical to provide accurate water level reconstructions and predictions. However, this represents a challenge in applications since the sparse sampling and finite series length prevent sharply distinguishing between the deterministic tidal signal and the stochastic fluctuations present in the ob- served records. Specifically, the presence of various unresolved sources of vari- ability (e.g., the tide-surge, tide-tide, and tide-river flow interactions, as well as errors and in-homogeneities associated with data measurements) results in sig- nificant broad-spectrum variability of the recorded signals, as well as harmonic analysis parameter modulations from sub-daily to decadal temporal scales. As a result, the residuals obtained after performing regression harmonic analysis are temporally correlated. Conventional methods for assessing the harmonic model uncertainty typically ignore this autocorrelation. A Monte Carlo exper- iment is used to evaluate the effect of neglecting the residual autocorrelation in the estimation of tidal constituent uncertainty. The estimation of regression parameter variability from three commonly used analytical techniques (from the UTide and NS Tide packages, and the IRLS method) and two residual resam- pling (moving-block and semi-parametric bootstrap) are compared. We show that conventional methods (e.g., UTide and the IRLS) may largely underesti- mate the parameter uncertainty when relying on simplified assumptions, such as normality and independence of the regression residuals. This may lead to in- correct assessments about the significance of one or more predictors. We showed improved performance by using the two bootstrap strategies and NS Tide, as a result of a better representation of the autocorrelation structure of residuals. The moving-block bootstrap approach provides a simple alternative that can be easily applied to a large range of (unknown) autocorrelation structures of the observed residuals.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».