Assessing the probability of skier triggering from snow layer properties
Notice bibliographique
Résumé
ABSTRACT: Snow profile interpretation has developed in the last few years from being based on experience into a semi-quantitative scientific method. Emphasizing structural rather than mechanical instability, threshold values were developed for key parameters such as weak layer grain size and hardness, and differences in grain size and hardness between layers. Despite promising attempts so far it has not been shown that this method works to quantitatively interpret snow profiles, in particular if the principal weakness is unknown. Our aim was to provide an easy and robust method based on the threshold sum approach to assess snowpack stability based on layer properties. Second, we investigated whether that method is also suited to find the principal weakness (in case it is unknown) and assess the probability for a skier-triggered avalanche on this weakness. Our data set consists of 500 manual snow profiles observed over 16 years on skier tested and skier triggered avalanche slopes from both Western Canada and Switzerland. A weighted threshold sum with the failure layer depth as independent variable scored highest (77 % for the learning data set, 65 % for the test data set). Detection of potential critical layers proved to be less successful, in particular for the Swiss profiles. If the principal weakness was unknown, the stability classification for the potentially critical layers agreed with the observed stability for the Swiss profiles in about 53 % and for the Canadian profiles in about 62 % of the cases. The results
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».