Debris-Flow Channel Headwater Dynamics: Examining Channel Recharge Cycles With Terrestrial Laser Scanning
Notice bibliographique
Résumé
Debris-flows present a natural hazard to the safe operation of linear infrastructure in mountainous environments. The most significant contributor to debris-flow occurrence is a supply of readily erodible material, often created by rockfalls and other shallow landslides. The spatial distribution and total volume of storage are also critical factors, controlling the initiation location, predominant flow type, and termination location of debris-flow surges. Therefore, there is a need to be able to systematically incorporate debris recharge processes and timeframes into the monitoring and characterization of debris-flow hazards. In this work, the authors present the results of 7 years of terrestrial laser scanning (TLS) captured at the White Canyon. The White Canyon represents an analog to large scale, steep catchments to investigate the role of sediment supply on debris-flow processes. The TLS dataset was collected at monthly to quarterly intervals, providing a basis for analysis of debris transfer processes occurring on the study slope. A rockfall database of over 72,000 events was generated from 52 change detection analyses and is linked to catchment recharge and transfer processes. The results indicate that the 17 channels analyzed in the White Canyon do not directly match the conceptual models proposed from the supply theory. The channels display a variety of behaviors when exposed to the same climate signature. The temporal data acquisition rate was found to have a significant influence on the dynamics of movement that can be interpreted from TLS change detection analysis. The work highlights the need for higher frequency monitoring and the integration of climate data into the analysis, in order to better understand these dynamic processes.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».