MARC

 008260126s2025        us                              c    eng  d
■001000017358008
■00520260202103630
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315793113
■035    ▼a(MiAaPQ)AAI32046775
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551
■1001  ▼aLiu,  Yuan.
■24510▼aClimate-Informed  Probabilistic  Modeling  of  Precipitation  and  Flood  Hazard  Assessment  in  Large  River  Basins
■260    ▼a[Sl]▼bThe  University  of  Wisconsin  -  Madison▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a336  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Wright,  Daniel.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Wisconsin  -  Madison,  2025.
■520    ▼aFloods  in  large  watersheds  such  as  the  Mississippi  River  Basin  (MRB)  cause  significant  infrastructure  damage,  economic  losses,  and  social  disruption.  These  floods  result  from  complex  interactions  between  large-scale  storm  systems  and  basin-specific  physical  characteristics.  Traditional  probable  maximum  precipitation  (PMP)  or  precipitation  frequency  analysis  (PFA)  methods  struggle  to  extrapolate  beyond  historical  records  and  to  capture  the  complex  space-time  structures  of  storm  systems,  limiting  their  effectiveness  for  current  and  future  hazard  assessment  in  large  river  basins. This  dissertation  presents  probabilistic  methods  to  enhance  precipitation  and  flood  hazard  assessment  in  large  river  basins  under  a  changing  climate.  This  work  first  develops  a  storm  tracking  method  to  identify  large-scale  storm  systems  from  reanalysis  and  global  climate  model  (GCM)  simulations.  It  then  introduces  the  Space-Time  Nonstationary  Rainfall  Model  for  Large  Area  Basins  (StormLab),  a  stochastic  rainfall  generator  that  produces  thousands  of  years  of  high-resolution  (6-hour,  0.03°)  synthetic  precipitation  scenarios  for  the  MRB,  conditioned  on  GCM  large  ensembles.  StormLab  explicitly  models  storm  spatiotemporal  patterns  and  integrates  climate  change  impacts  by  leveraging  GCM  projections.  These  synthetic  precipitation  scenarios  are  integrated  with  hydrologic  modeling  and  extreme  value  analysis  to  investigate  flood-generating  mechanisms  and  their  frequencies  in  the  MRB.  Validation  against  observational  data  confirms  that  StormLab,  combined  with  hydrologic  modeling,  reproduces  annual  maximum  precipitation  and  flood  peaks  in  the  MRB.  The analysis  reveals  an  increasing  trend  in  Lower  Mississippi  flood  hazards  under  future  climate  scenarios,  which  is  not  only  caused  by  intensified  individual  storms,  but  by  the  combined  effects  of  extreme  storm  clustering.  The  proposed  methods  are  further  adapted  to  estimate  probabilistic  PMP  and  its  changes  under  future  climate  conditions  for  a  critical  dam  in  the  MRB.  This  work  demonstrates  the  value  of  leveraging  GCM  large  ensembles  to  extend  limited  historical  records,  reduce  uncertainties,  and  enhance  understanding  of  flood  hazard  processes,  providing  a  robust  framework  for  future  hazard  and  risk  assessments. 
■590    ▼aSchool  code:  0262.
■650  4▼aHydrologic  sciences
■650  4▼aComputer  science
■650  4▼aMeteorology
■650  4▼aClimate  change
■653    ▼aExtreme  event
■653    ▼aFlood
■653    ▼aHazard  assessment
■653    ▼aPrecipitation
■653    ▼aPrecipitation  frequency  analysis  
■690    ▼a0388
■690    ▼a0984
■690    ▼a0404
■690    ▼a0557
■71020▼aThe  University  of  Wisconsin  -  Madison▼bCivil  &  Environmental  Engr.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0262
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358008▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서