Introducing uncertainty in hazard analysis in a simple way: example of rockfalls
Notice bibliographique
Résumé
One of the main problems of risk assessment is to evaluate the uncertainty of the results. One relevant solution is to provide exceedance curves based on simulations of the risk calculation (Macciotta et al., 2016; Jaboyedoff et al. 2021), as can be done with CAT models. Instead of performing a single calculation, up to 106 are performed with imputed viability based on different approaches such as observed distributions, standard probabilistic laws such as Poisson or uniform distribution, expert knowledge based on triangular distributions, etc. This can be done on the basis of a "deterministic calculation" of the risk, which allows a better assessment of the uncertainty of the risk.Drawing upon a precedent risk calculation study within a road corridor, a novel risk calculation methodology is suggested, employing stochastic simulations to introduce variability across the parameters in the risk equation. The outcome manifests as an exceedance curve akin to those generated by catastrophe models. This approach systematically introduces uncertainty into the risk calculation, providing a simplistic means to address inadequately documented cases with limited data. This approach tends to minimise risk or call risk calculations into question. References:Jaboyedoff, M., Choanji, T., Derron, M.-H., Fei, L., Gutierrez, A., Loiotine, L., Noel, F., Sun, C., Wyser, E. & Wolff, C. 2021. Introducing Uncertainty in Risk Calculation along Roads Using a Simple Stochastic Approach. Geosciences, 11, doi: 10.3390/geosciences11030143.Macciotta, R., Martin, C.D., Morgenstern, N.R. & Cruden, D.M. 2016. Quantitative risk assessment of slope hazards along a section of railway in the Canadian Cordillera—a methodology considering the uncertainty in the results. Landslides, 13, 115-127, doi: 10.1007/s10346-014-0551-4.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».