MétaCan
Menu
Retour à la cohorte
Enregistrement W2912391045

Infrasound detection of avalanches: operational experience from 28 combined winter seasons and future developments

2018· article· en· W2912391045 sur OpenAlexaboutno aff
Walter Steinkogler, G. Ulivieri, Sandro Vezzosi, Jordy Hendrikx, Alec van Herwijnen, Tore Humstad

Notice bibliographique

RevueDORA WSL (Swiss Federal Institute for Forest, Snow and Landscape Research) · 2018
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueCryospheric studies and observations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInfrasoundMeteorologyGeologyEnvironmental scienceRemote sensingGeographyAcoustics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We present an overview of multiple verification campaigns performed to evaluate the performance of and experience with IDA<sup>®</sup> (Infrasound Detection of Avalanches) operational systems in Austria, Switzerland, Canada, Norway and the USA. This work focuses on operationally relevant facts and recommendations for the design of infrasound systems. The comprehensive dataset consists of 28 combined operational winter seasons at 10 different locations, covering a wide range of avalanche sizes and types, snow climates (stratigraphy and snow depth), topographies and site-specific characteristics. The IDA<sup>®</sup> systems automatically detected natural avalanches, artillery gun shots and detonations as well as explosions from different remote avalanche control systems. Results show that the operational reliability of IDA<sup>®</sup> is limited to avalanches of size class > 2.5 (corresponding to ~ 500 m of run-out distance and 5 ha), both dry and wet, within a distance of 3-4 km from the array, with a probability of detection (POD) between 40 and 90% and a false alert ratio (FAR) between 0 and 20%. The POD increases with size and decreases with distance. Differences in performance are mainly related to site-specific characteristics. Site-specific calibration of the automatic algorithm as well as tuning of the thresholds is a key factor for the performance optimization. The presence of local terrain features and complex topography can limit the monitoring of certain avalanche paths. Preliminary results suggest the use of multiple arrays and adapted algorithms can be an effective solution to mitigate this limitation. Wind noise, ice layers or a dense snowpack can significantly reduce the detection capability and in extreme cases render the system inoperative. However, a detailed design study, optimized site selection, properly installation solutions, hardware robustness improvements and a clear definition of the operational requirements of the local avalanche control team can help minimizee these limitations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,140
Score d'incertitude au seuil0,990

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,043
Tête enseignante GPT0,293
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDORA WSL (Swiss Federal Institute for Forest, Snow and Landscape Research)Même sujetCryospheric studies and observationsTravaux en français237 207