Estimating Non-Stationary Extreme-Value Probability Distribution Shifts and Their Parameters Under Climate Change Using L-Moments and L-Moment Ratio Diagrams: A Case Study of Hydrologic Drought in the Goat River Near Creston, British Columbia
Notice bibliographique
Résumé
Here, we investigate the use of rolling-windowed L-moments (RWLMs) and L-moment ratio diagrams (LMRDs) combined with a Multiple Linear Regression (MLR) machine learning algorithm to model non-stationary low-flow hydrological extremes with the potential to simultaneously understand time-variant shape, scale, location, and probability distribution (PD) shifts under climate change. By employing LMRDs, we analyse changes in PDs and their parameters over time, identifying key environmental predictors such as lagged precipitation for September 5-day low-flows. Our findings indicate a significant relationship between total August precipitation L-moment ratios (LMRs) and September 5-day low-flow LMRs (τ2-Precipitation and τ2-Discharge: R2 = 0.675, p-values < 0.001; τ3-Precipitation and τ3-Discharge: R2 = 0.925, p-value for slope < 0.001, intercept not significant with p = 0.451, assuming α = 0.05 and a 31-year RWLM), which we later refine and use for prediction within our MLR algorithm. The methodology, applied to the Goat River near Creston, British Columbia, aids in understanding the implications of climate change on water resources, particularly for the yaqan nuʔkiy First Nation. We find that future low-flows under climate change will be outside the Natural Range of Variability (NROV) simulated from historical records (assuming a constant PD). This study provides insights that may help in adaptive water management strategies necessary to help preserve Indigenous cultural rights and practices and to help sustain fish and fish habitat into the future.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 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 ».