Statistical-based model development with surrogate rainfall fields and its use to assess typhoon rain hazard for coastal region of mainland China
Notice bibliographique
Résumé
Tropical cyclones (TCs) could cause intense rainfall along the coastal region of mainland China. The modeling of rainfall intensity could be carried out using snapshots of the rainfall intensity field obtained from satellite data such as those from the Tropical Rainfall Measuring Mission (TRMM) satellite data. In the present study, both the precipitation radar TRMM (PR-TRMM) data and the Microwave Imager (TMI) TRMM (TMI-TRMM) data that affect onshore sites in mainland China are considered to develop rainfall intensity models. To augment the database for the model development, surrogates of the snapshots are generated using an efficient iterative simulation algorithm and applying the discrete orthogonal S-transform. The simulated surrogates for the seed snapshots follow the same marginal distribution and power spectral density distribution. Empirical models of the rainfall intensity are developed using the surrogates so to increase the sample size. For the development, the TC rainfall intensity field is represented as a superposition of the axisymmetric, asymmetric, and topographic components. This consideration is guided by the parametric hurricane rain model (PHRaM) available in the literature. It is shown that the rainfall intensity inferred from the snapshots from PR-TRMM is greater than that from the snapshots from TMI-TRMM. The developed models are used in a simulation framework to map TC rain hazard (in terms of the return period value of the annual maximum accumulated rain per day).
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».