MétaCan
Menu
Retour à la cohorte
Enregistrement W4283070561 · doi:10.3390/hydrology9060109

A Procedure for Estimating Drought Duration and Magnitude at the Uniform Cutoff Level of Streamflow: A Case of the Weekly Flows of Canadian Rivers

2022· article· en· W4283070561 sur OpenAlexafffundabout
T.C. Sharma, U.S. Panu

Notice bibliographique

RevueHydrology · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Drought Analysis
Établissements canadiensLakehead University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMagnitude (astronomy)CutoffStreamflowReturn periodHydrology (agriculture)MathematicsEnvironmental scienceTruncation (statistics)StatisticsFlow (mathematics)GeographyDrainage basinGeologyFlood myth

Résumé

récupéré en direct d'OpenAlex

At times, hydrological drought is defined using Q90 or Q95 (90% or 95% flows equaling or exceeding) or even at higher levels, such as Q75 as the cutoff level regardless of their seasonal variation (i.e., truncation at the uniform flow level). In the past, the estimation of drought length and magnitude at the aforesaid uniform cutoff levels of flow has been a challenging issue. A procedure is presented to first estimate the drought magnitude (M), which then forms the basis for estimating the drought duration or length (L). The drought magnitude (M) and the length of the critical period (Lcr) are estimated using the concept of behavior analysis prevalent in the hydrologic design of reservoirs. This information is used for estimating the drought length (LT-e′, the estimated value of drought length for the return period of T weeks) involving a Markov chain model on the standardized weekly flow sequences. A weighted average of Lcr and LT-e′ (=0.60 Lcr + 0.40 LT-e′) results in the estimate of drought length, which is compatible to the observed counterpart. The performance of the procedure to estimate drought length was found to be satisfactory up to the truncation level of Q75, whereas the estimation of drought magnitude was rated as good.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,522
Score d'incertitude au seuil0,926

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,231
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHydrologyMême sujetHydrology and Drought AnalysisTravaux en français237 207