Debris Flow Hazard Mapping Along Linear Infrastructure: An Agent Based Model and GIS Approach
Notice bibliographique
Résumé
Often linear infrastructure, including rail, highways, and pipelines, span large geographic areas intersecting a variety of terrain, predisposing infrastructure to a higher likelihood of geohazard interaction. Debris flow models can be particularly advantageous in remote hazard and risk mapping along linear infrastructure as runout from susceptible slopes may extend considerable distance downslope to a receptor. In this sentiment, a method is developed using an agent-based model, DebrisFlow Predictor, in combination with geographic information software (GIS), to produce regional debris flow hazard and risk profiles along widespread corridors. Thousands of debris flows upslope of a receptor(s) are simulated in the model environment (i.e., model scenarios). Outputs of the modelled scenarios provide probabilistic spatial attributes of debris flow runout and depth across a digital elevation model at a 5m resolution. The outputs of multiple scenarios are mosaiced and corrected to in-situ temporal and spatial debris flow initiation conditions in GIS. The corrected scenario outputs provide a comprehensive hazard profile along the infrastructure alignment, that in turn can facilitate quantified vulnerability and risk calculations. Thousands of modelled debris flows throughout several physiographic regions of Canada and the United States of America, calibrated to local conditions, provide substantive support for a novel methodology to identify key hazard and risk locations to major linear infrastructure.
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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».