Non-stationary stochastic modelling of precipitation extremes in the changing climate
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The increasing frequency and intensity of extreme weather events, driven by climate change, pose significant challenges to infrastructure reliability and safety. Although, the non-stationary (NS) versions of the extreme value models such as the NS generalized extreme value (GEV) models are being used to account for the non-stationarity in weather data over the past few decades in several regions, these models being high level models do not provide any specificity in terms of changes in frequency and intensity, and in addition the definition of the return period in the non-stationary context is derived in a heuristic way for such models and could be misleading for engineering design. To address this limitation, this study presents a stochastic process model for accounting for non-stationary changes in weather extremes affecting the reliability of structures. Since extreme precipitation events disrupt the operation of infrastructure systems and result in high economic losses, the effect of climate change is investigated using a non-homogeneous Poisson process (NHPP) model. First, some of the underlying issues of the non-stationary GEV models were assessed through stylized simulation studies. Then, the NHPP model was applied to the Coupled Model Inter-comparison Project (phase 6) precipitation data to demonstrate its application and analyze the projections of future extreme precipitation. The analytical results are compared with the non-stationary EV models. Upon analysis, for the SSP5-8.5 emission scenario, it was found that the median frequency of precipitation events will increase by 60% by 2100 and the mean precipitation magnitude by 5% over the same period, resulting in significant changes in the tail quantiles of the annual maximum value distribution, of the order of 20%–25% . The comparison based on the simulation studies and the analysis of precipitation data indicates that although in some cases, the quantiles predicted by the traditional EVDs, and that by NHPP can be close depending upon the underlying intensity distribution, but the waiting times and return periods in the non-stationary context are grossly over-estimated for the GEV-based models which fails to present the actual scenario and may affect the preparedness related to climate action.
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.
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 découle