Development of a Joint Probabilistic Rainfall‐Runoff Model for High‐to‐Extreme Flow Projections Under Changing Climatic Conditions
Notice bibliographique
Résumé
Abstract Machine learning (ML) models have been widely used for hydrological simulation. Previous studies have reported that conventional ML models fail to accurately simulate extreme flows which are crucial for design flood estimation and associated risk analysis in the context of climate change. Therefore, this study proposes a joint probabilistic rainfall‐runoff model (JPRR) for improving high‐to‐extreme flow projection. With the aid of paired copula constructions, bootstrap aggregation, and multi‐model ensemble approaches, the proposed model is able to effectively characterize the dependence relationships of predictors (i.e., precipitation time series with different moving sums) with various probability distributions. JPRR has been applied to four pristine basins in China, representing different climate zones and landscapes. The results reveal that JPRR significantly outperforms three well‐known ML models (i.e., random forest, artificial neural networks, and long short‐term memory) in high‐to‐extreme flow simulations. In JPRR, the copulas exhibiting the right tail dependence play a more important role in streamflow simulations at mountainous basins. Moreover, a significant difference in streamflow projections (from 2030 to 2099) derived from JPRR and benchmark models imply that flood risks from conventional ML models may be underestimated under changing climatic conditions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».