AI-driven morphoclimatic regional frequency modelling of sub-daily rainfall-extremes
Notice bibliographique
Résumé
Common main limitations affect standard approaches to regional frequency analysis (RFA) of rainfall extremes. Our study focuses on three of them that are rather frequent: regional models address (a) a single duration, or (b) a single exceedance probability at a time, and/or (c) hold a small-to-medium homogeneous region only. We use unsupervised ensembles of artificial neural networks (ANNs) to set up four alternative RFA models of sub-daily rainfall extremes. These are fed with annual maximum series of rainfall depth of any length collected at 2238 raingauges in a large and climatically and morphologically heterogeneous region. Our models can predict parameters of a Gumbel distribution for any location within the study area and any duration in the 1–24 h range. Prediction is based on mean annual precipitation (MAP), or on twenty morphoclimatic covariates. Validation is performed over an independent set of 100 gauges, where locally fitted Gumbel distributions are used as reference. A common literature approach where Gumbel parameters are functions of MAP is used as benchmark. Our results show that multivariate ANNs remarkably improve the estimation of percentiles relative to the benchmark approach. Finally, we show that the very nature of the proposed ANN models makes them suitable for interpolating predicted sub-daily rainfall quantiles across time-aggregation intervals and space and can be adapted for considering more flexible target frequency distributions (e.g. 3-parameter models).
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».