Reducing the computational cost of process-based flood frequency estimation by extracting precipitation events from a large-ensemble climate dataset
Notice bibliographique
Résumé
• Proposed a method to reduce computations while using large climate ensembles. • Estimated discharge quantiles for every 150-m river grid. • Achieved high accuracy in discharge peaks and quantiles. • Contributed to large-scale high-resolution future flood hazard assessments. The generation of flood projection ensembles for large areas and at a high resolution has been a long-standing computational challenge. Previous studies focused on improving model efficiency and hardware acceleration. An intriguing question arises; is it possible to reduce the computational demand for obtaining specific flood characteristics (e.g., flood frequency curves, FFCs) through precipitation data preprocessing, while maintaining high accuracy? In this study, we developed an aggregating grid event (AGE) method based on hydrological concepts to extract essential precipitation events from large-ensemble climate-change dataset. A total of 2,966 events were extracted from dynamically downscaled 720-year precipitation data covering all over Japan with the 5-km spatial resolution. By inputting the precipitation data into the Rainfall–Runoff–Inundation model at a 150 m resolution, we computed hourly discharges across all river grids in the study area, Shikoku Island, Japan. Based on the simulated peak discharges, we computed FFCs for return periods exceeding 10 years at each river grid using the peak-over-threshold method. The results demonstrated the effectiveness of the AGE method, with a relative bias (BIAS) of −1.38 % and a root mean square error (RMSE) of 36.45 m 3 /s for flood peaks across locations. Furthermore, the BIAS of quantiles at 100-year return period was −1.04 % compared to the references, which were estimated from all the valid 25,700 precipitation events. By using 2,966 events instead of 25,700 events, the AGE method significantly reduces the computational burden in estimating FFCs at all river grids while maintaining accuracy. This approach is applicable for any grid-based precipitation dataset, marking a crucial advancement in regional hyper-resolution flood studies based on climate projection ensembles.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».