A Statistical-Based Model for Typhoon Rain Hazard Assessment
Notice bibliographique
Résumé
Extreme typhoon rainfall can lead to damaging floods near the coastal region in mainland China. In the present study, we calibrate the parameters for a parametric hurricane rain model by using the precipitation radar (PR) data from the Tropical Rainfall Measuring Mission (TRMM) (i.e., PR-TRMM) and the TRMM microwave imager (TMI) data (i.e., TMI-TRMM). To show the applicability of the model for the tropical cyclone (TC) rain hazard assessment, we combine the developed rainfall intensity model with historical and synthetic TC tracks to estimate the T-year return period value of the accumulated rainfall in 24 h, QA24-T. We map QA24-100 for part of the coastal region in mainland China, showing that the spatial variation of QA24-100 is relatively smooth. It was found that the estimated QA24-100 using the model developed, based on the snapshots from PR-TRMM, is about 60% of that obtained using the model developed based on the snapshots from TMI-TRMM. This reflects the differences in the rainfall intensities reported in TMI-TRMM and PR-TRMM. As part of verification, we compare the estimated return period value to that obtained by using the record from surface meteorological stations at a few locations. The comparison indicates that, on average, QA24-100 based on gauge data is about 1.4 and 2.3 times that obtained using the model developed based on the snapshots from PR-TRMM and TRM-TRMM, respectively. This suggests that, for TC rain hazard estimation, one may consider the empirical scaling factor of 1.4 and 2.4 for the rainfall intensity models developed based on snapshots from PR-TRMM and TMI-TRMM, respectively.
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 | 0,000 | 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) | 0,015 | 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 ».