Meteorological conditions and snow-avalanche occurrence over three snow seasons (2017–2020) in Tasiapik Valley, Umiujaq, Nunavik
Notice bibliographique
Résumé
In this article, we study snow avalanche activity during the snow seasons of 2017–2020 using four automatic time-lapse cameras strategically positioned along the southwestern slope of Tasiapik Valley, near the village of Umiujaq, in Nunavik (northern Québec, Canada). Over the three snow seasons, cameras helped to detect evidence of 130 avalanche events, scattered over seventy-eight distinct avalanche days. The evolution of weather conditions prior to each avalanche release was detailed according to data from a nearby weather station. Moreover, the time of release, the release type, the surface texture, and whether rocky material was present in the deposits were documented from the photographs. To explore relationships between weather data and avalanche releases, conditional inference tree (CIT) analysis was conducted. Results of the CIT analysis showed that there are different weather patterns associated with avalanche releases depending on the season, and significant thresholds values were defined. In winter, the avalanche probability was greater when three-day snowfall total exceeded 10 cm. In spring, the avalanche probability was greater when cumulative melting degree-days were less than forty-six and when daily minimum air temperature was greater than 2°C. Moreover, cornice failures were found to be a major component of the avalanche dynamic in Tasiapik Valley, mainly because of the slope’s morphology. They have also been the cause of the three largest volume and longest runout avalanches observed by cameras in this study, highlighting potential risks for local communities. The probability of observing cornice failures is enhanced on days when maximum air temperature is greater than −8°C in winter conditions, whereas in spring conditions it is enhanced by daily maximum air temperature greater than 2.5°C. This study represents a necessary first step toward avalanche forecasting based on weather data in Nunavik. Efforts should be continued given the expected higher frequency of natural hazards in northern regions as a consequence of recent climate changes.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».