River flow modelling using nonparametric functional data analysis
利用非参数函数型数据分析建模河流流量AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦水文函数型数据预测与极值分析，未明确对应宏观预测或金融风险等所列细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用非参数函数型数据分析建模河流流量
- 研究问题
- 如何利用河流流量数据的函数型结构，同时预测月均流量并估计极端流量分位数，以支持洪水风险研究？
- 方法与思路
- 作者使用非参数函数型数据方法，在美国两条河流的样本上开展月均流量预测和极值分析，并与传统方法比较。
- 材料陈述的贡献
- 摘要称，所用函数型方法在两类任务中表现良好，通常优于比较的参数和非参数估计方法，但未报告具体改善幅度。
- 阅读关注点
- 应核对流量曲线的构造、非参数估计及极端分位数的定义，以及训练测试划分、比较基准和极端事件评价标准。
- 阅读边界
- 这是预印本，同行评审或接收未经核实。摘要未说明样本长度、预测期限或尾部分布条件，不能据此确认普遍优越性。
原文摘要
Time series and extreme value analyses are two statistical approaches usually applied to study hydrological data. Classical techniques, such as ARIMA models (in the case of mean flow predictions), and parametric generalised extreme value (GEV) fits and nonparametric extreme value methods (in the case of extreme value theory) have been usually employed in this context. In this paper, nonparametric functional data methods are used to perform mean monthly flow predictions and extreme value analysis, which are important for flood risk management. These are powerful tools that take advantage of both, the functional nature of the data under consideration and the flexibility of nonparametric methods, providing more reliable results. Therefore, they can be useful to prevent damage caused by floods and to reduce the likelihood and/or the impact of floods in a specific location. The nonparametric functional approaches are applied to flow samples of two rivers in the U.S. In this way, monthly mean flow is predicted and flow quantiles in the extreme value framework are estimated using the proposed methods. Results show that the nonparametric functional techniques work satisfactorily, generally outperforming the behaviour of classical parametric and nonparametric estimators in both settings.