کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5771067 1629907 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Capacity of semi-parametric regression models to predict extreme-event water quality in the Northeastern US
ترجمه فارسی عنوان
ظرفیت مدل های رگرسیون نیمه پارامتری برای پیش بینی کیفیت آب و هوایی ویژه در شمال شرقی ایالات متحده
کلمات کلیدی
رویدادهای شدید، اعتبار مدل، برآورد بار، عدم قطعیت،
ترجمه چکیده
این مطالعه ظرفیت مدل های رگرسیون نیمه پارامتری را برای پیش بینی غلظت محلول در رودخانه در حوادث شدید جریان های هیدرولوژیکی، زمانی که چنین رویدادهایی از داده های کالیبراسیون مدل ها وجود ندارد، مورد بررسی قرار داد. با استفاده از مجموعه داده های بزرگ از 459 ایستگاه نظارتی در شمال شرقی ایالات متحده، مدل ها تمایل به پیش بینی غلظت های شدید حادثه، با افزایش تعصب و واریانس برای شرایط شدید هیدرولوژیکی شد. چارچوب اعتبار سنجی در این مطالعه به طور مؤثر عملکرد مدل را در رژیم ها و اجزاء مختلف هیدرولوژیکی مقایسه می کند، با این حال می توان آن را برای برآورد عملکرد مدل فردی تحت شرایط غیر منتظره جریان شدید، صرف نظر از اینکه آیا داده های جریان شدید برای این مدل در دسترس است. روش اعتبارسنجی می تواند به منظور بررسی عملکرد مدل در حالت افراطی تعریف شده برای طیف وسیعی از انواع مدل، تعمیم داده شود. علیرغم افزایش کلی عدم اطمینان برای برآورد غلظت حوادث شدید، برآورد شده در شرایط آب و هوایی شدید می تواند با در نظر گرفتن تعصبات مشاهده شده در پایگاه داده منطقه ای جمع آوری شده بهبود یابد.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات فرآیندهای سطح زمین
پیش نمایش مقاله
ظرفیت مدل های رگرسیون نیمه پارامتری برای پیش بینی کیفیت آب و هوایی ویژه در شمال شرقی ایالات متحده
چکیده انگلیسی
This study assessed the capacity of semi-parametric regression models to predict riverine solute concentrations during extreme high-flow hydrologic events, when such events are absent from the models' calibration data. Using a large dataset from 459 monitoring stations across the US Northeast, the models showed a tendency to overpredict extreme-event concentrations, with increasing bias and variance for increasingly extreme hydrologic conditions. The validation framework in this study effectively compared model performance across disparate hydrologic regimes and constituents, yet can be used to estimate individual model performance under an unobserved extreme-flow condition, regardless of whether any extreme-flow data are available for that model. The validation procedure can further be generalized to explore model performance in an arbitrarily defined extreme condition for a broad range of model types. Despite an overall increase in uncertainty for extreme-event concentration estimates, estimates under extreme hydrologic conditions could be improved by taking into account the observed bias in the aggregated regional database.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Hydrology - Volume 547, April 2017, Pages 575-584
نویسندگان
, ,