Statistical properties of water level extremes along the St. Lawrence fluvial estuary
Notice bibliographique
Résumé
The governmental Flood Hazard Identification and Mapping Program (FHIMP) seeks to update standards for flood mapping and risk area definition in Canada. Within this initiative, Environment and Climate Change Canada (ECCC) has been mandated to provide 2D simulations of water levels in the St. Lawrence fluvial estuary to estimate return periods of extreme water levels under historical and future conditions. Long-term fine-scale hydrodynamic simulations are necessary to reproduce accurately the complex interplay of hydrological, meteorological and tidal processes responsible for extreme water levels in this system. However, the substantial computational resources and time needed to run the hydrodynamic numerical models constrain the feasibility of producing numerous long-term simulations with a wide range of potential flood-generating conditions. Consequently, this study considers a complementary statistical framework to assess the extreme characteristics and drivers from historical data to prepare input scenarios for climatic projections. Event-based analyses of water level records are conducted at 18 stations across the St. Lawrence system using univariate and multivariate techniques to characterize the observed extreme dynamics and flood events. Specifically, univariate frequency analysis is applied at each station to quantify local flood risk based on approximately 400 extreme events observed in the Estuary between 1972 and 2022. Multivariate investigations based on a non-stationary tidal harmonic regression tool (NS Tide) are then used to study the system dynamics involved in major observed events and reconstruct the extreme water level series using a set of hydrological, meteorological, and astronomical covariates. Finally, multivariate spatial analyses are performed on the identified extreme events and NS Tide continuous reconstructions. The goal is to assess the characteristics of high water-level events (e.g., duration, seasonality, and probability distribution) and extreme drivers at the local and regional scales.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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 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 ».