Stochastic Modeling of Extreme Dry Spells in Southeast Iran: Patterns, Trends, and Return Periods
Notice bibliographique
Résumé
Southeast Iran, an arid and highly vulnerable region, faces significant challenges from recurrent droughts. Understanding the behavior of extreme dry spells is critical for effective water resource management and drought risk assessment. This study provides a comprehensive stochastic analysis of the Longest Annual Dry Spell (LADS) across this region. Daily precipitation data was utilized from eight meteorological stations spanning 38 years (1985–2022). LADS series were extracted using a precipitation threshold of ≥ 1 mm/day. Long-term trends in LADS were assessed using Sen’s slope estimator and the Mann–Kendall test for statistical significance. To model the probability of extreme events, five probability distributions—Generalized Extreme Value (GEV), Generalized Pareto (GP), Pearson Type III (PE3), three-parameter log-normal (Lnorm3), and generalized logistic (Glogis)—were fitted to the LADS data, with parameters estimated via the robust L‑moments method. The best-fit distribution was identified using Kolmogorov–Smirnov, Anderson–Darling, and Chi-squared goodness-of-fit tests. Subsequently, LADS return periods (2, 5, 10, 25, 50, and 100 years) were calculated. Results indicate a generally non-significant increasing trend in LADS duration across the study area. The PE3 distribution emerged as the most suitable model for LADS frequency analysis in Southeast Iran. Notably, spatial variations exist: Zabol station (north) exhibits the highest LADS risk for shorter return periods (e.g., 185 days for T = 10 years), whereas Iranshahr station (center) shows the highest risk for longer return periods (e.g., 372 days for T = 100 years). These findings offer crucial quantitative insights into extreme dry spell hazards, supporting targeted drought preparedness and adaptation strategies in this climate-sensitive region.
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 | 0,000 |
| 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 ».