Statistical modeling of extreme rainfall processes in the context of climate change
Bibliographic record
Abstract
La fréquence des tempêtes extrêmes est un facteur critique dans la conception et gestion d'un grand nombre de projets de ressources en eau. Dans la pratique courante, l'estimation des pluies extrêmes est réalisée en se basant sur l'analyse de fréquence statistique des données de précipitations maximales. L'objectif de cette analyse de la fréquence est donc d'estimer le montant maximal de précipitations qui tombent à un moment donné pendant une durée déterminée, ainsi que la période de retour. Les résultats de l'analyse de la fréquence des précipitations sont souvent résumés par les relations Intensité-Durée-Fréquence (IDF) pour un site donné. Toutefois, les méthodes traditionnelles dans le développement des relations IDF ont deux limites majeures. Tout d'abord, ces méthodes n'ont pas été en mesure de tenir compte des caratéristiques des précipitations extrêmes sur des différentes échelles de temps. Deuxièmement, ces méthodes traditionnelles ne tiennent pas compte des impacts potentiels de la variabilité climatique et du changement climatique. Par conséquent, l'objectif principal de cette présente étude est de proposer une méthode d'estimation des précipitations extrêmes améliorée qui pourrait surmonter ces limitations. La méthode proposée a été basée sur l'échelle d'invariance de distribution GEV et la procédure de réduction d'échelle statistique pour construire des relations IDF dans le contexte du changement climatique. La méthode des moments non-centraux a été utilisée pour l'estimation des trois paramètres de la GEV. Les résultats obtenus par une application numérique des données de Précipitations Maximales Annuelles (PMA) à partir d'un réseau de 14 stations pluviométriques en Corée de Sud ont démontré la faisabilité et la précision de la méthode proposée. La série de PMA observée a particulièrement affiché une propriété d'échelle simple. En outre, les liens entre les variables climatiques globaux donnés par les deux Modèles Climatiques Globaux (MCGs) (un en provenance d'Environnement Canada et l'autre du Centre Hadley du Royaume-Uni) et les caractéristiques des précipitations locaux extrêmes ont été établis avec succès pour prédire les changements qui résultent des relations IDF selon des différents scénarios climatiques - A2, A1B, et B2. Il a été constaté que des relations IDF pour les périodes futures (les années 2020, 2050, et 2080) ont démontré des tendances qui augmentent ou diminuent dépendemment des MCG utilisés et du scénario climatique à l'étude.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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".