MétaCan
Menu
Retour à la cohorte
Enregistrement W6991112733

Evaluation of Techniques for Flood Quantile Estimation in Canada

2019· dissertation· en· W6991112733 sur OpenAlexaboutno aff

Notice bibliographique

RevueUWSpace (University of Waterloo) · 2019
Typedissertation
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Drought Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFlood mythQuantileDamagesEstimation100-year floodEvent (particle physics)Natural disaster
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

As one of the most destructive natural hazards, floods have a strong and devastating influence on various aspects of human society and the environment. Damages from floods can include property loss, destruction of infrastructure, loss of life, social and economic disruption from evacuations, and environmental degradation. Floods are inevitable natural events but their impacts on people and the environment can be reduced by putting mitigation measures in place. Underestimation of flood discharges will lead to increase flood risk, while overestimation will lead to unnecessary increased construction costs. \nEffective mitigation measures require a solid understanding of the frequency of floods. How frequently a flood event of a given magnitude may be expected to occur, known as frequency analysis, is of great importance. However, estimation of these frequencies is difficult since extreme events are by definition rare and the length of the recorded data for these events is often short. Thus, flood frequency analysis is essentially a problem of information scarcity. Methods of incorporating related samples of data to reach more accurate conclusions, known as regional (or pooled) frequency analysis, are well established and documented in the literature. In Canada, there has been limited research into a standard and formalized procedure for flood frequency analysis. There are no national guidelines for flood frequency analysis in Canada, unlike in other jurisdictions such as USA, UK, and Australia, and there is thus a lack of a standardized approach for flood quantile estimation. \nThe research in this thesis investigates different approaches in flood frequency analysis to improve flood quantile estimation. This research develops and applies a standardized approach to estimate extreme flood quantiles in Canada. In the context of pooled flood frequency analysis, this work investigates different approaches for flood quantile estimation that consider annual maximum flow series and also peaks-over-threshold series, including techniques to extract events exceeding the threshold. Changes in extreme flow magnitude and frequency over time are also explored in a multi-temporal and multi-faceted approach. \nA pooling technique in the context of super regions was developed that improved quantile estimation in comparison to more traditional grouping methods. This work has led to the development of a semi-automated threshold selection method instrumental in extracting peaks-over-threshold series for a large dataset of gauging stations. The semi-automated threshold selection method was employed in developing an effective pooling method that promotes using peaks-over-threshold series in flood frequency analysis. The proposed method generally provided better quantile estimates than those obtained by using annual maximum series. The thesis also investigates the nature of changes in flooding events in Canada and studies the characteristics of the observed temporal trends in the flow series.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,035
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,191

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,035
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,222
Écart entre enseignants0,212 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUWSpace (University of Waterloo)Même sujetHydrology and Drought AnalysisTravaux en français237 207