Comparison of a deterministic model, a stochastic multifractal model and radar rainfall data
Notice bibliographique
Résumé
Two primary approaches to model rainfall are the stochastic approaches, which aim at mimicking the rain phenomenology, and the deterministic approaches. The latter mainly rely on geophysical fluid dynamics equations, in particular the Navier-Stokes equations. Solving these equations require simplifying assumptions such as parameterization and scale truncations. In the present case, we used Meso-NH model, which is a meteorological non-hydrostatic mesoscale model developed by Meteo-France/CNRM and Laboratoire d'Aérologie (Toulouse, France). Multiplicative cascade models, which are physically based models involving huge ratios of scales and intensities, allow to bridge the gap between the two previously mentioned methods. In this study, we considered a multifractal space-time cascade model, whose space-time anisotropy is defined with the help of a unique scaling exponent. We worked in the framework of universal multifractals in which the scaling variability and the extremes of the rain are quantified with the help of three parameters. The rainfall outputs of the Meso-NH model and the radar data were analyzed in the framework of the stochastic model. We selected a case study corresponding to a heavy rainfall event in the south of France. Both data sets exhibit a similar qualitative multifractal behavior in accordance with the framework of a unified space-time scaling model. Quantitatively, the estimates of the multifractal parameters suggest that the deterministic model under-represent the natural variability of the rainfall field.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».