Bibliographic record
Abstract
L'objectif de ce travail est d'améliorer l'estimation du taux de récurrence et la distribution de la sévérité des tempêtes de verglas dans la région de Montréal ; deux quantités requises pour déterminer les critères de conception de certaines structures, telles que les lignes de transmission, pour ce type d'événement. Certaines des faiblesses des méthodes actuelles pour étudier les événements de pluies verglaçantes sont liées à la disponibilité limitée de données. Cela se traduit par des observations variables et un faible nombre d'événements importants. Les méthodes développées dans ce travail adressent ces problèmes. En premier lieu, une analyse désagrégée est employée afin d'obtenir de meilleures tendances statistiques en regroupant les tempêtes en fonction de différentes caractéristiques physiques qui sont reliées aux événements de verglas. Une deuxième procédure pour diminuer l'incertitude reliée à l'estimation de la période de récurrence des événements extrêmes est basée sur la solution du modèle d'accumulation CRREL à l'aide de méthodes d'analyse fiabilistes. Les données de réanalyse du NCEP ont été utilisées pour compiler les relations spatiales entre les paramètres météorologiques pour les tempêtes identifiées et classifiées par Rauber et al. (2001). Plusieurs analyses statistiques à variables multiples ont été utilisées afin d'évaluer l'efficacité de le pression au niveau de la mer, de l'épaisseur de la couche atmosphérique entre 1000 et 500 hPa et de l'épaisseur de la couche atmosphérique entre 1000 et 925 hPa à regrouper les tempêtes. Les résultats indiquent que l'algorithme k-means couplé avec une représentation par composantes principales des tempêtes produit les meilleurs résultats. Les tempêtes avec des précipitations plus élevées sont associées à un groupe où les systèmes de haute pression sont ralentis ou stoppés momentanément par les Appalaches. Les observations d'environnement Canada ont été utilisées pour identifier les tempêtes de verglas qui ont affecté Ottawa, Montréal et Québec et obtenir un échantillon de la vitesse des vents et des précipitations. Les précipitations totales et l'accumulation de verglas pour chaque groupe sont représentées par les distributions General Pareto et Generalized Extreme Value, en combinaison avec une approche Peaks over Treshold. Les distributions obtenues diffèrent de façon importante pour les différents regroupements. L'approche par désagrégation améliore la performance des modèles et est moins sensible au choix des précipitations minimales (le treshold). La seconde approche pour l'estimation de la période de retour des événements de verglas extrêmes considère la précipitation totale, la proportion du gel et la vitesse du vent comme des variables aléatoires dans le modèle d'accumulation de verglas. La combinaison la plus probable des variables associée à des accumulations de verglas importantes correspond à une précipitation totale et une proportion de gel élevées, mais une vitesse du vent seulement légèrement plus haute que la moyenne. Cette information est utile à l'identification des cas de combinaison des charges (vitesse de vent et accumulation de verglas) pour les critères de conception. Finalement, la méthode des super-stations (Jones and white 2002a) a été analysée pour un échantillon regroupant les villes d'Ottawa, Québec et Montréal. Des simulations Monte Carlo ont été effectuées sur les données régionales et cette approche fiabiliste, appliquée au modèle empirique d'accumulation, donne des résultats similaires à ceux de Jones et White (2002a) pour une période de retour de 50 ans, mais les divergences sont plus importantes pour des périodes de retour plus élevées. Les périodes de retour correspondant à une accumulation de verglas de 45mm pour Montréal, Ottawa et Québec sont de 160, 210 et 85 ans, respectivement.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".