Multi-Output Parameter Estimation of the Generalized Extreme Value Distribution for Flood Risk in Northeast Thailand
Notice bibliographique
Résumé
This study proposes the improvement of an adaptive parameter estimation approach for the GEVD using multi-output machine learning for the non-stationary models and comparing it to maximum likelihood estimation for the stationary models. This method effectively estimates GEVD parameters, improving extreme value analysis. In order to forecast the return level of extreme rainfall in Northeast Thailand, which is a risk of flooding due to the huge amount of rainfall, the initial step is to identify the key variables that are used to estimate the three GEVD parameters: location, scale, and shape parameters ( $$\mu$$ , $$\sigma$$ , and $$\xi$$ ). All features can be accomplished by estimating the correlation coefficients and using them to calculate the parameters. The information was gathered from meteorological and satellite data in Northeast Thailand between 2012 and 2023. It includes various variables such as rainfall, climate, Normalized difference vegetation index (NDVI), and runoff. The data was compiled from the Meteorological Department of Thailand and 322 meteorological stations. The evaluation performance and accuracy of the model are compared. Finally, two-dimensional maps depicting return levels for various return periods (2, 5, 10, 20, 50, and 100 years) are being made available for future use. This study enhances parameter estimation for flood risk mitigation and water resource management.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».