Regional flood frequency analysis in North Africa
Notice bibliographique
Résumé
The Maghreb countries located in North Africa are strongly impacted by floods, causing extended damage and numerous deaths. Until now, the lack of accessibility of river discharge data prevented regional studies on potential changes in flood hazards or the development of regional flood frequency estimation methods. A new database of daily river discharge data for 98 river basins located in Algeria, Morocco, and Tunisia, has been compiled, with an average of 36 years of complete records over the time period 1960–2018. A peaks-over-threshold sampling of flood events is considered first to detect trends in the annual frequency and the magnitude of floods. The trend analysis results revealed no significant changes in flood frequency or magnitude at the regional level, with only a few spurious trends due to isolated extreme or clustered events. An envelope curve relating maximum floods for a range of catchment areas in North Africa has been developed, for the first time in this region with such a large database. Then, regional estimation methods for flood quantiles were compared. The regional estimation from multiple catchment characteristics (including soil types, land use, elevation, and geology) was performed by comparing two multiple linear regression methods, Stepwise regression and Lasso regression, and a machine learning algorithm, Random Forests. Results indicate a better performance of the Lasso regression to estimate flood quantiles at ungauged locations, with mean absolute relative errors close to 50 % and relative bias close to 20 %. The most relevant catchment predictors identified by the regression models are the topographic wetness index, which provides better estimates than catchment area, but also altitude, mean annual rainfall, and soil bulk density. The results of this study could be useful to improve operational procedures for sizing hydraulic structures at ungauged sites.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,003 | 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 ».