A copula-based multivariate flood frequency analysis under climate change effects
Notice bibliographique
Résumé
Floods are among the most severe natural hazards, causing substantial damage and affecting millions of lives. These events are inherently multi-dimensional, requiring analysis across multiple factors. Traditional research often uses a bivariate framework relying on historical data, but climate change is expected to influence flood frequency analysis and flood system design in the future. This study assesses the projected changes in flood characteristics based on eight downscaled and bias-corrected General Circulation Models (GCMs) that participated in the Coupled Model Intercomparison Project Phase 6. The analysis considers two emission scenarios, including SSP2-4.5 and SSP5-8.5 for far-future (2070-2100), mid-term future (2040-2070), and historical (1982-2012) periods. Downscaled GCM outputs are utilized as predictors of the machine learning model to simulate daily streamflow. Then, a trivariate copula-based framework assesses flood events in terms of duration, volume, and flood peak in the Kan River basin, Iran. These analyses are carried out using the hierarchical Archimedean copula in three structures, and their accuracy in estimating the flood frequencies is ultimately compared. The results show that a heterogeneous asymmetric copula offers more flexibility to capture varying degrees of asymmetry across different parts of the distribution, leading to more accurate modeling results compared to homogeneous asymmetric and symmetric copulas. Also it has been found that climate change can influence the trivariate joint return periods, particularly in the far future. In other words, flood frequency may increase by approximately 50% in some cases in the far future compared to the mid-term future and historical period. This demonstrates that flood characteristics are expected to show nonstationary behavior in the future as a result of climate change. The results provide insightful information for managing and accessing flood risk in a dynamic environment.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».