Stochastic modeling of rainfall processes: a Markov chain - mixed exponential model for rainfalls in different climatic conditions
Notice bibliographique
Résumé
Watershed models simulating the physical process of runoff usually require daily or sub-daily rainfall time series data as input. However, even when rainfall records are available, they contain only limited and finite information regarding the historical rainfall pattern to adequately assess the response and reliability of a water resource system. This study is therefore concerned with the development of a stochastic rainfall model that can reliably generate many sequences of synthetic rainfall time series' that have similar properties to those of the observed data. The 'MCME' model developed is based on a combination of the rainfall occurrence (described using a Markov Chain process) and the distribution of rainfall amounts on wet days (represented by the Mixed-Exponential probability function). Various optimization methods were tested to best calibrate the model's parameters and the model was then applied to daily rainfall data from 3 different regions across the globe (Dorval, Quebec, Sooke Reservoir in British Columbia and Roxas City in the Philippines) to assess the accuracy and suitability of the model for daily rainfall simulation. The feasibility of the MCME model was also assessed using hourly rainfall data available at Dorval Airport in Quebec (Canada). In general, it was found that the proposed MCME model was able to adequately describe various statistical and physical properties of the daily and hourly rainfall processes considered. In addition, an innovative approach was proposed to combine the estimation of daily annual maximum precipitations (AMPs) by the MCME with those by the downscaled Global Circulation Models (GCMs). The combined model was found to able to provide AMP estimates that were comparable to the observed values at a local site. In particular, the suggested linkage between the MCME and downscaled-GCM outputs would be useful for various climate change impact studies involving rainfall extremes.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».