Considering Uncertainty of Historical Ice Jam Flood Records in a Bayesian Frequency Analysis for the Peace‐Athabasca Delta
Notice bibliographique
Résumé
Abstract The Peace‐Athabasca Delta in Alberta, Canada has numerous perched basins that are primarily recharged after large ice jams cause floods (an ecological benefit). Previous studies have estimated that such large floods are likely to decrease in frequency under various climate projections. However, there is a sizable uncertainty range in these predicted flood probabilities, in part due to the short 60‐year systematic record that contained few large ice jam floods. An additional 50 years of historical data are available from various sources, with expert‐interpreted flood categories; however, these categorizations are uncertain in magnitude and occurrence. We developed a Bayesian framework that considers magnitude and occurrence uncertainties within a logistic regression model that predicts the annual probability of a large flood. The Bayesian regression estimates the joint distribution of parameters describing the effects of climatic factors and parameters that describe the probability that historical flood magnitudes were recorded as large (or not) when a truly large (or not) flood occurred. We compare four models for hindcasting and projecting large ice jam flood probabilities in future climates. The models consider: (a) historical data uncertainty, (b) no historical data uncertainty, (c) only the systematic record, and (d) the systematic record with a different model. Neglecting historical data uncertainty provides inaccurate estimates, while using only the systematic record provides wider prediction intervals than considering the full record with uncertain historical data. Thus, we demonstrate that including uncertain historical information can effectively extend the record length and make flood frequency analyses more accurate and precise.
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 | 0,005 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».