Determination of flood seasonality from hydrological records
Bibliographic record
Abstract
L'identification de la saisonnalite des crues est une procedure dont les applications sont nombreuses en hydrologie et en gestion des ressources en eau. Plusieurs methodes statistiques pour caracteriser la saisonnalite des crues ont emerge lors de la derniere decennie. Neanmoins, jusqu'a present, l'attention a ete faiblement portee sur l'incertitude impliquee par l'utilisation de ces methodes, et sur la confiance de leurs estimations. Cet article compare les performances des modeles d'echantillonnage de maximum annuel (MA) et de depassement (D) pour l'estimation de la saisonnalite des crues. La saisonnalite est determinee par deux methodes frequemment utilisees, l'une basee sur les statistiques directionnelles (SD) et l'autre sur la distribution des frequences relatives mensuelles des occurrences de crues (FR). La performance est evaluee pour le modele MA et pour trois modeles D courants selon la methode d'estimation, le type de saisonnalite et la longueur de l'echantillon enregistre. Les resultats montrent que les modeles D surpassent le modele MA dans la plupart des scenarios analyses. L'echantillonnage D fournit une information sur la saisonnalite significativement plus importante que l'echantillonnage MA. Pour certains types de saisonnalite, les echantillons D peuvent engendrer une incertitude sur l'estimation jusqu'a dix fois plus longue que les echantillons MA. La performance de la methode FR ne depend pas autant de la saisonnalite que celle de la methode SD, qui presente de mauvaises performances lorsque l'on considere des echantillons generes avec des distributions de saisonnalite complexes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".