Assessing the performance of daily to subdaily temporal disaggregation methods for the IDF curve generation under climate change
Notice bibliographique
Résumé
Abstract Given the short concentration time in urban watersheds, the design of municipal water infrastructures often requires knowledge of sub-daily precipitation intensity. Sub-daily time series can be directly used in a rainfall–runoff model or to derive intensity–duration–frequency (IDF) curves and calculate the design precipitation. Given that precipitation projections are typically at a daily time scale, temporal disaggregation using techniques of variable complexity is often needed to evaluate the risk/performance of urban infrastructure in the future. This paper proposes a simple steady-state stochastic disaggregation model that generates wet/dry day occurrence using a binomial distribution and precipitation intensity using an exponential distribution. Daily precipitation data from four regional climate models (RCMs) forced with the high-emission scenario representative concentration pathway (RCP 8.5) were downscaled using the quantile mapping (QM) method. The performance of the developed method is compared to widely used temporal disaggregation methods, namely, the multiplicative random cascade model (MRC), the Hurst–Kolmogorov process (HKP), and three versions of the K-nearest neighbour (KNN) model, using the Kolmogorov–Smirnov (KS) test. The six disaggregation techniques were assessed at four stations in the South Nation River Watershed in Eastern Ontario, Canada. Results indicate that, despite its simplicity, the proposed method performed well compared to other temporal disaggregation methods when resampling the observed extreme precipitation.
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 | 0,003 | 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 | 0,001 |
| 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 ».