A Sequentially Coupled Catchment‐Scale Numerical Model for Snowmelt‐Induced Soil Slope Instabilities
Notice bibliographique
Résumé
Abstract The frequency of snowmelt‐induced soil slope instabilities is increasing in some seasonally cold regions because of climate change. Reliable hazard assessment and risk mitigation of snowmelt‐induced landslides require physically‐based prediction models. However, existing models either apply only at the slope scale or assume precipitation as the sole landslide trigger. In doing so, they neglect the complexity and coupled nature of the thermo‐hydro‐mechanical processes leading to slope instability in seasonally cold regions (such as snow accumulation and melting, infiltration and surface runoff, soil saturation, pore water pressure buildup and dissipation). Here, we present a spatially distributed and sequentially coupled numerical model to simulate snowmelt‐induced slope instabilities at the catchment scale. The model accounts for temperature‐dependent changes in the soil hydraulic behavior related to changes in water state by means of a routine implemented in a geographic information system. We verified the performance of the model using a case study of spring snowmelt‐induced soil slope failures that occurred after the 2004 Mid‐Niigata earthquake in Japan. Considering limitations and simplifications, the model was able to predict the triggering condition, magnitude, and spatial distribution of the snowmelt‐induced landslides with a satisfactory degree of accuracy. We believe that the robustness and simplicity of our numerical approach make it suitable for implementation in early warning systems.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».