Examining the operational use of avalanche problems with decision trees and model-generated weather and snowpack variables
Notice bibliographique
Résumé
Abstract. Avalanche problems are used in avalanche forecasting to describe snowpack, weather, and terrain factors that require distinct risk management techniques. Although they have become an effective tool for assessing and communicating avalanche hazard, their definitions leave room for interpretation and inconsistencies. This study uses conditional inference trees to explore the application of avalanche problems over eight winters in Glacier National Park, Canada. The influences of weather and snowpack variables on each avalanche problem type were explored by analysing a continuous set of weather and snowpack variables produced with a numerical weather prediction model and a physical snow cover model. The decision trees suggest forecasters' assessments are based on not only a physical analysis of weather and snowpack conditions but also contextual information about the time of season, the location, and interactions with other avalanche problems. The decision trees showed clearer patterns when new avalanche problems were added to hazard assessments compared to when problems were removed. Despite discrepancies between modelled variables and field observations, the model-generated variables produced intuitive explanations for conditions influencing most avalanche problem types. For example, snowfall in the past 72 h was the most significant variable for storm slab avalanche problems, skier penetration depth was the most significant variable for dry loose avalanche problems, and slab density was the most significant variable for persistent-slab avalanche problems. The explanations for wind slab and cornice avalanche problems were less intuitive, suggesting potential inconsistencies in their application as well as shortcomings of the model-generated data. The decision trees illustrate how forecasters apply avalanche problems and can inform discussions about improved operational practices and the development of data-driven decision aids.
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 | 0,000 | 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 | 0,000 |
| 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 ».