Combining temporal 3-D remote sensing data with spatial rockfall simulations for improved understanding of hazardous slopes within rail corridors
Notice bibliographique
Résumé
Abstract. Remote sensing techniques can be used to gain a more detailed understanding of hazardous rock slopes along railway corridors that would otherwise be inaccessible. Multiple datasets can be used to identify changes over time, creating an inventory of events to produce magnitude–frequency relationships for rockfalls sourced on the slope. This study presents a method for using the remotely sensed data to develop inputs to rockfall simulations, including rockfall source locations and slope material parameters, which can be used to determine the likelihood of a rockfall impacting the railway tracks given its source zone location and volume. The results of the simulations can be related to the rockfall inventory to develop modified magnitude–frequency curves presenting a more realistic estimate of the hazard. These methods were developed using the RockyFor3D software and lidar and photogrammetry data collected over several years at White Canyon, British Columbia, Canada, where the Canadian National (CN) Rail main line runs along the base of the slope. Rockfalls sourced closer to the tracks were more likely to be deposited on the track or in the ditch, and of these, rockfalls between 0.1 and 10 m3 were the most likely to be deposited. Smaller blocks did not travel far enough to reach the bottom of the slope and larger blocks were deposited past the tracks. Applying the results of the simulations to a database of over 2000 rockfall events, a modified magnitude–frequency can be created, allowing the frequency of rockfalls deposited on the railway tracks or in ditches to be determined. Suggestions are made for future development of the methods including refinement of input parameters and extension to other modelling packages.
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 ».