Variabilité des caractéristiques statistiques des pluies extrêmes dans les Alpes francaises
Bibliographic record
Abstract
Le but de cet article est la recherche de liaisons entre les précipitations extrêmes de pas de temps de 1 à 24 heures dans les Alpes Françaises. En particulier, il semble important de pouvoir déduire les valeurs pour de faibles pas de temps (1h, 2h... ) de celles de forts pas de temps, 24h en particulier. En effet, nous disposons actuellement de peu d'enregistrements historiques à pas de temps fin. En fait, le réseau de pluviographes utilisé est constitué de seulement 65 stations. Par contre, l'existence d'un réseau très dense de pluviomètres permet de déterminer les caractéristiques de pas de temps 24h. Pour ce faire, nous définissons une variable traduisant l'évolution des précipitations en fonction du temps de retour pour chaque pas de temps et chaque station : le gradex. Nous avons testé plusieurs types de relations pour lier les gradex des différents pas de temps entre eux : relation linéaire, puissance, exponentielle, logarithmique ; c'est la relation linéaire qui est la meilleure dans les Alpes Françaises. L'étude des relations entre les gradex des différents pas de temps montre que les pas de temps voisins sont bien corrélés entre eux, ce qui n'est plus le cas lorsque les pas de temps deviennent très distincts. Ces résultats sont confirmés par la définition de 4 régions homogènes par rapport aux précipitations extrêmes sur lesquelles nous testons l'éventualité de relations linéaires entre les gradex des différents pas de temps. Finalement, nous avons mis en évidence l'absence de relations simples permettant de passer de pas de temps longs à des pas de temps faibles. Par contre, on peut passer sans trop d'erreur d'un pas de temps de 24 heures à celui de 12 heures ou 6 heures, résultat déjà fort intéressant.
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 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 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".