Application and Limitations of Dynamic Models for Snow Avalanche Hazard Mapping
Notice bibliographique
Résumé
ABSTRACT: Dynamic models, initially based on fluid flow, have been used since the 1950s for modelling the motion and runout of extreme snow avalanches. The friction coefficients cannot be directly measured. They can, however, be calibrated to reproduce an extreme runout that was observed or statistically estimated in a particular path, and the resulting modelled velocity can be used to calculate impact pressures in the runout zone. Alternatively, the friction coefficients can be obtained from extreme avalanches in similar nearby paths and used, often with estimates of available snow mass, to estimate extreme runout in a path that threatens proposed development. This method is controversial because with average values of the friction coefficients, runout estimates from dynamic models are more variable than estimates from statistical runout models. However, uncertainty in the release mass and friction coefficients can be simulated with dynamic models, improving confidence in the runout, impact pressures and return intervals, all of which are required for risk-based zoning. Also, various scenarios can be modelled to see which yields reliable impact pressures for a given position in the runout zone. We argue that dynamic runout estimates can complement estimates from statistical models, historical records and vegetation damage, and be especially useful where some of these estimates are not available or are of low confidence. Limitations of dynamic models involving friction coefficients, snow mass estimates, number of variables and dimensions, entrainment and deposition as well as flow laws are reviewed from a practical perspective.
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 | 0,000 |
| 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 ».