Rock slope dynamics in flysch formation under cold climate (part 3) : rockfall forecasting
Notice bibliographique
Résumé
Rockfalls are major natural hazards for road users and infrastructures in northern Gaspésie (Eastern Canada) where nearly 15 kilometers of road runs along 10 to 100 m high flysch rockwall. The Ministère des Transports du Québec (MTQ) has recorded more than 17 500 rockfalls that have reached the roadway since 1987, which represents a nearly permanent danger for users. In the late 90s, protective berms were erected to reduce the number of rocks reaching the roadway. Despite the efficiency of these infrastructures, more than a hundred events are still recorded each year. Based on previous studies showing that rock instabilities in this type of geology is strongly correlated with meteorological events, we used different machine learning methods (logistic regression, classification tree, random forest, neural network) to design the best operational rockfall prediction model. Three event variables based on different rock fall frequency and magnitude thresholds were created. Nearly one hundred weather variables were used to explain and predict events. Preliminary results show that thawing degree-days is one of the most effective variables explaining the occurrence of winter and spring rockfall events. In summer, rainfall intensity is the most potential explanatory variable. Finally, fall events appear to be more responsive to rain events and freeze-thaw cycles. In order to optimize the percentage of predicted events and reduce the false alarm ratio, it remains important to evaluate the impact of each parameter on the performance of the models. These models can be used operationally as decision support tools to predict days with high event probability.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».