Risques hydrologiques en présence de non stationnarité dans un cadre multivarié
Bibliographic record
Abstract
L'importance cruciale des événements hydrologiques extrêmes est soulignée en raison de leurs impacts socio-économiques significatifs. L'analyse Fréquentielle Hydrologique (AFH) est la technique la plus couramment utilisée pour évaluer les risques liés aux événements hydrologiques extrêmes. L’AFH présente des limites lorsqu'elle traite séparément des variables dépendantes telles que le volume (V), la pointe (Q) et la durée (D) des crues. Cette façon peut conduire à des évaluations incomplètes ou à des estimations erronées des risques. L'analyse Fréquentielle Hydrologique Multivariée (AFHM) est proposée comme une solution, capable de prendre en compte simultanément plusieurs variables hydrologiques. La vérification de l’hypothèse de stationnarité est une étape nécessaire dans l'AFHM. La présence de non stationnarité, en particulier des tendances, est mise en évidence dans plusieurs études hydrométéorologiques, notamment sur les crues. Cela rend les méthodes existantes dans la littérature inadaptée pour un contexte multivarié non stationnaire (NS). L’objectif général de cette thèse est d’étudier les risques hydrologiques en présence de non stationnarité dans un cadre multivarié de manière approfondie et rigoureuse. D’abord, elle propose deux nouveaux tests pour détecter les tendances multivariées: le premier test identifie les tendances dans l'ensemble de la distribution multivariée (y compris les marges et la structure de dépendance) et le deuxième test se concentre spécifiquement sur la détection des tendances dans la structure de dépendance. Les résultats des simulations montrent des performances très prometteuses. Ensuite, l'objectif est d'étudier les tendances spatiales des variables hydrologiques multivariées. Dans le cadre de cette thèse, le Canada est choisi comme domaine d'étude. L’étude a permis d’identifier la présence de tendances simultanément dans les deux marges (pointe et volume) ainsi que dans leur structure de dépendance, ce qui met en évidence la complexité des dynamiques de tendance. Ces résultats n'ont pas été détectés auparavant dans la littérature, ce qui est attribué à l'utilisation pour la première fois de tests statistiques multivariés appropriés. À une étape plus avancée, une méthode novatrice pour la sélection des modèles dans un contexte multivarié, qu’il soit stationnaire (S) ou NS, est présentée. La méthode s’appuie sur des critères tels que le critère d’information d’Akaike (AIC) et divers outils statistiques, notamment des graphiques et des tests de tendances, afin d’orienter le choix du modèle optimal. Enfin, cette thèse établit les meilleures distributions multivariées (marges et copule) pour le Canada. En conclusion, cette recherche contribue significativement à l'amélioration des méthodologies d'analyse et de modélisation des risques hydrologiques, offrant des outils avancés pour mieux comprendre et gérer les effets du changement climatique sur les ressources en eau.
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 | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".