Analytical and Residual Bootstrap Methods for Parameter Uncertainty Assessment in Tidal Analysis with Temporally Correlated Noise
Notice bibliographique
Résumé
Abstract Reconstructing tidal signals is indispensable for verifying altimetry products, forecasting water levels, and evaluating long-term trends. Uncertainties in the estimated tidal parameters must be carefully assessed to adequately select the relevant tidal constituents and evaluate the accuracy of the reconstructed water levels. Customary harmonic analysis uses ordinary least squares (OLS) regressions for their simplicity. However, the OLS may lead to incorrect estimations of the regression coefficient uncertainty due to the neglect of the residual autocorrelation. This study introduces two residual resamplings (moving-block and semiparametric bootstraps) for estimating the variability of tidal regression parameters and shows that they are powerful methods to assess the effects of regression errors with nontrivial autocorrelation structures. A Monte Carlo experiment compares their performance to four analytical procedures selected from those provided by the RT_Tide, UTide, and NS_Tide packages and the robustfit.m MATLAB function. In the Monte Carlo experiment, an iteratively reweighted least squares (IRLS) regression is used to estimate the tidal parameters for hourly simulations of one-dimensional water levels. Generally, robustfit.m and the considered RT_Tide method overestimate the tidal amplitude variability, while the selected UTide and NS_Tide approaches underestimate it. After some substantial methodological corrections the selected NS_Tide method shows adequate performance. As a result, estimating the regression variance–covariance with the considered RT_Tide, UTide, and NS_Tide methods may lead to the erroneous selection of constituents and underestimation of water level uncertainty, compromising the validity of their results in some applications. Significance Statement At many locations, the production of reliable water level predictions for marine navigation, emergency response, and adaptation to extreme weather relies on the precise modeling of tides. However, the complicated interaction between tides, weather, and other climatological processes may generate large uncertainties in tidal predictions. In this study, we investigate how different statistical methods may lead to different quantification of tidal model uncertainty when using data with completely known properties (e.g., knowing the tidal signal, as well as the amount and structure of noise). The main finding is that most commonly used statistical methods may estimate incorrectly the uncertainty in tidal parameters and predictions. This inconsistency is due to some specific simplifying assumptions underlying the analysis and may be reduced using statistical techniques based on data resampling.
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 | 0,010 | 0,043 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».