A novel statistical model for flood prediction in the Eel River watershed, New Brunswick, Canada
Notice bibliographique
Résumé
A strong correlation between the effect of climate change and the increase in flooding frequency and magnitude has been reported in Canada. Consequently, there is a crucial need to examine the effects of future climate change scenarios on flooding conditions. The main objective of this research is to better understand the destructive effects of flood events under historical and future climate change conditions for a small watershed (Eel River watershed) in New Brunswick (NB), Eastern Canada. A practical model had been developed using the modified Artificial Neural Network (ANN) in MATLAB by the authors of this study. The architecture and data structure of ANN is characterized by a back propagation with the Levenberg–Marquardt method. The observed daily total precipitation, daily maximum and minimum air temperatures, daily discharge for the period 1967 to 1983, the simulated monthly maximum and minimum air temperatures, and monthly total precipitation for the period of 1996–2099 from the CanESM2, the second-generation Canadian Earth System Model (CGCM), were used as input of the model. The Representative Concentration Pathways (RCP 4.5 and 8.5), as suitable climate change scenarios, were selected based on the Intergovernmental Panel on Climate Change (IPCC) recommendations for flood studies. Daily values of temperatures, precipitations, and discharges were converted to monthly mean values for better prediction of the output results. In addition, two series of observed discharges were prepared using mean monthly (Qavg) and daily maximum discharges (Qd) as the Target of the model. For more accurate analysis, the time frames of 1996–2012 (for the historical) and 2022–2038, 2039–2055, 2056–2072, 2073–2089, and 2083–2099 (for the future) were considered with a duration of 16 years for each time frame. The output results of ANN were predicted daily maximum (Qd) and mean (Qavg) discharges under the impact of climate change scenarios. As a part of the developed model, Flood Frequency Analysis (FFA) was undertaken using the generalized extreme value (GEV) and the three-parameter lognormal (LN3) distributions based on the predicted and observed discharges. The performance of FFA and ANN were demonstrated using the Anderson–Darling (AD), the Chi-square (CS) tests and coefficient of correlation (R) and mean squared error (MSE), respectively. In conclusion, the three most critical time frames with the highest values of predicted discharges were 2022–2038, 2056–2072, and 2073–2089 for RCP4.5 and 2039–2055, 2073–2089, and 2083–2099 for RCP8.5. Also, based on the FFA, the magnitudes of flood recurrence for the future time period of 100 years will dramatically increase according to the most critical time frames of 2056–2072 and 2039–2055 for RCP 4.5 and 8.5, respectively. Findings indicated that the Eel River watershed will encounter severe floods, and about a 50% increase in mean discharge, especially for the critical time frames. Finally, flood occurrences show increasing trends due to climate change effects in the most critical time frames.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».