Bibliographic record
Abstract
L'objectif du présent travail est de présenter les résultats de l'analyse fréquentielle \nlocale aux stations sélectionnées des débits de crues, s'effectue dans le cadre d'un \nprojet de cartographie des crues au Québec qui vise à disposer d'un modèle permettant \nd'estimer les débits de crues à n'importe quelle cours d'eau dans le Québec habité. \nTrois critères ont été utilisés pour le choix des stations à étudier : leur localisation \ngéographique (se situant dans les zones habitées du Québec), leur niveau de contrôle \n(qui doit être le plus proche possible d'un régime naturel), et la taille de la série des \ndonnées (15 années minimum). La base de données sélectionnée tenant compte de ces \ntrois critères compte 183 stations hydrométriques pour les données de débit maximum \nde printemps et annuel et 179 stations pour l'été/automne: quatre (4) séries de \ndonnées de crues d'été ont moins de 15 années de données. Ces stations drainent des \nbassins versants dont les superficies varient entre 1 et 100000 km². Les variables \nétudiées sont: le débit de crue d'été/automne, de printemps et annuel ainsi que le \nvolume généré par les crues et le débit spécifique. Les étapes suivantes de l'analyse \nfréquentielle sont considérées : \nréalisation des tests d'hypothèses (IID): les observations doivent être \nIndépendantes et Identiquement Distribuées; \najustement des distributions statistiques et sélection de la loi la plus \nadaptée; et \ndétermination des quantiles des variables étudiées. \nLes données de base (débits de crues) utilisées sont généralement de bonne qualité \net ne présentent pas d'irrégularités majeures: le coefficient de variation des crues \nmaximales étudiées est faible (il n'y a pas une variation importante de la crue \nmaximale d'une année à l'autre). \nNous avons ajusté les données de base colligées avec l'ensemble des lois \nusuellement utilisées en hydrologie. Pour le choix des meilleures distributions, nous \navons utilisé les tests d'adéquation Bayésien et d'Akaike. À partir de ces tests, nous \navons constaté que les lois de probabilité qui représentent le mieux les données \nétudiées sont celles à deux paramètres comme les lois Gamma, Gamma inverse et log- \nnormale. Nous n'avons pas pu mettre en évidence de relation entre les distributions de \nprobabilités retenues et les régions hydrologiques ou l'aire des bassins versants. \nNous avons remarqué que les débits spécifiques issus des crues de printemps sont \ngénéralement plus importants que ceux générés par les crues d'été/automne. La \nmoyenne de ces débits saisonniers s'élève respectivement à 162 l/s/km² et 90 l/s/km². \nL'écart entre ces deux débits se trouve réduit lorsque la superficie des bassins versants \naugmente. \n
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".