Exploring new methods to analyse spatial impact distributions on debris‐flow fans using data from south‐western British Columbia
Notice bibliographique
Résumé
Abstract Predicting the spatial impact of debris flows on fans is challenging due to complex runout behaviour. Debris flow mobility is highly variable and flows can sporadically avulse the channel. For hazard and risk assessments, practitioners typically base the probability of spatial impact or avulsion on their experience and expert judgement. To support decision‐making with empirical observations, we studied spatial impact distributions on 30 active debris‐flow fans in south‐western British Columbia, Canada. We mapped 146 debris‐flow impact areas over an average observation period of 74 years using orthorectified airphotos, satellite imagery, topographic base maps, LiDAR data, orthophotos, and field observations. We devised a graphical method to convert our geospatial mapping into spatial impact heat maps normalized by fan boundaries, enabling comparison of runout distributions across different fans. About 90% of the mapped debris flows reached beyond the mid‐points of fans, while less than 10% avulsed more than half‐way across the fan relative to the previous flow path. Most avulsions initiated at distances of 20% to 40% of the maximum fan length from the fan apex and upstream of the fan intersection point. Large volume events tend to be more mobile in the down‐fan direction, but the relation between volume and cross‐fan runout (e.g., avulsions) is more complex. Differences in spatial impact distributions can be explained, in part, by the degree of fan incision and whether a fan is truncated at its toe by a river or lake. There were no significant differences in spatial impact distributions based on the geology of the source area, sediment supply condition, or hydrogeomorphic process classification.
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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».