Caractéristiques multifractales et extrêmes de la précipitation à haute résolution, application à la détection du changement climatique
Bibliographic record
Abstract
La qualité des statistiques des précipitations, notamment les courbes Intensité-Durée-Fréquence, dépend étroitement de la fiabilité des données disponibles. Or, il a été montré que la plupart des séries temporelles provenant de pluviomètres à augets basculants ont une fréquence effective de mesure inférieure à celle assumée. Cette question est particulièrement importante pour l'hydrologie urbaine qui doit prendre en compte les fluctuations hautes fréquences des précipitations. Des études préliminaires ont montré que le nombre d'inondations estimé à l’aide de données à basse fréquence temporelle était plus faible que celui obtenu à l’aide des données à haute fréquence temporelle. Le déficit en données à haute fréquence peut conduire à d’apparentes ruptures des lois d’échelle, ce qui complique inutilement et notoirement la modélisation des précipitations. Il est donc indispensable de quantifier la qualité des données avant de les utiliser. Nous présentons une procédure SERQUAL qui permet de répondre à cette question et nous utilisons cette procédure SERQUAL pour sélectionner les sous-séries ayant les qualités requises pour des analyses à haute résolution. L’approche multifractale est alors appliquée sur les données sélectionnées pour caractériser la structure temporelle et le comportement extrême de la pluie. Cet article présente ainsi une estimation fiable des paramètres multifractaux de la pluie à haute résolution de cinq minutes pour les départements français de l’Isère (38), des Yvelines (78), du Var (83) et du Val-de-Marne (94). Ces paramètres peuvent être utilisés pour caler ou valider des modèles statistiques ou stochastiques. D’autre part, l’évolution des caractéristiques multifractales peut être aussi utilisée pour évaluer des conséquences hydrologiques du changement climatique. Les résultats obtenus montrent que l’influence du changement climatique n’est pas perceptible sur les précipitations pour les périodes étudiées en région Ile-de-France.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".