Notice bibliographique
Résumé
Abstract. Potential avalanche release area (PRA) modeling is critical for generating automated avalanche terrain maps which provide low-cost, large-scale spatial representations of snow avalanche hazard for both infrastructure planning and recreational applications. Current methods are not applicable in mountainous terrain where high-resolution (≤5 m) elevation models are unavailable and do not include an efficient method to account for avalanche release in forested terrain. This research focuses on expanding an existing PRA model to better incorporate forested terrain using satellite imagery and presents a novel approach for validating the model using local expertise, thereby broadening its application to numerous mountain ranges worldwide. The study area of this research is a remote portion of the Columbia Mountains in southeastern British Columbia, Canada, which has no pre-existing high-resolution spatial datasets. Our research documents an open-source workflow to generate high-resolution digital elevation models (DEMs) and forest land cover datasets using optical satellite data processing. We validate the PRA model by collecting a polygon dataset of observed potential release areas from local guides, using a method which accounts for the uncertainty in human recollection and variability in avalanche release. The validation dataset allows us to perform a quantitative analysis of the PRA model accuracy and optimize the PRA model input parameters to the snowpack and terrain characteristics of our study area. Compared to the original PRA model our implementation of forested terrain and local optimization improved the percentage of validation polygons accurately modeled by 11.7 percentage points and reduced the number of validation polygons that were underestimated by 14.8 percentage points. Our methods demonstrate substantial improvement in the performance of the PRA model in forested terrain and provide means to generate the requisite input datasets and validation data to apply and evaluate the PRA model in vastly more mountainous regions worldwide than was previously possible.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,015 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,498 | 0,425 |
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 source (Gemma direct ou Codex distillé), 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 ».