Flood Peak Equations Based on Partial Duration Series (PDS) Approach of Rainfall Data Selection in Lack-Data Agricultural Catchment
Notice bibliographique
Résumé
The present work aims to develop a flood peak equation because of data limitations due to the impact of damage to the streamflow measuring instrument as a result of the 2015 floods at an agricultural catchment in Sulawesi, Indonesia. Hydrologic data for the period 2002-2014 obtained from two hydrologic stations and one hydrometric station were applied to establish the research variables. Three variables were determined using the frequency analysis approach: design rainfall generated from partial duration series (RDP) and annual maximum series (RDA) of daily rainfall data, and design streamflow predicted from annual maximum series of daily streamflow data (QDA). Four types of frequency distributions are tested to determine those variables, consisting of Normal, Log Normal, Log Pearson Type III and Gumbel distributions. The third distribution was selected for determining all the variables with the largest difference in c2 and D values based on Chi-squared and Kolmogorov–Smirnov tests respectively. The design streamflow equation that represents the peak of the flood was formulated by substituting the QDA with an equation generated from the regression analysis of those three variables. A streamflow peak equation was successfully developed as a function of RDP in the form of a power equation with excellent performance measured using Mean Absolute Error (MAE) and Correlation Coefficient (r). This equation could be applied in all of the catchments by accommodating the area's weighting factor of the sub-catchments.
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 | 0,000 |
| 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) | 0,000 | 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 ».