Snowpack Stability Prediction with Machine Learning
Notice bibliographique
Résumé
Snow avalanches are destructive hazards, impacting life and infrastructure in snow-covered mountain regions around the world. Avalanche warning and management are essential in those regions and involve a diversity of tasks, ranging from numerical modeling of regional avalanche danger, search and rescue of avalanche victims, to artificially triggering avalanches with explosives in a controlled way. Avalanche warning systems rely on in-situ point measurements of snowpack stability in conjunction with numerical models, to predict the avalanche risk at different exposition and height levels. Avalanche teams are performing those in-situ measurements involving various time-intensive tests, such as Rutschblock tests (RB) and manual snow profiles. There are faster measurement approaches, such as using the Snow Micro Pen (SMP), but snowpack stability scores cannot directly be derived from an SMP profile. Machine learning (ML) has supported and improved numerical modeling and forecasting of regional avalanche danger in multiple ways. However, the question if ML can assist in-situ assessments of snowpack stability, remains, to our knowledge, unanswered. In order to retrieve faster and more intuitive assessments, we are proposing to use ML to directly predict snowpack stability scores from SMP profiles. Our ML pipeline 1) is flexible and can be adapted for other measurement devices, 2) allows training to retrieve further physical parameters, and 3) allows the integration of explainability methods. Furthermore, we outline criteria relevant to collecting the data needed for training the ML model. For safe operational use, training on large datasets, uncertainty estimates, and explainability must be addressed. We believe that our approach represents a significant step towards assisting SMP practitioners in the analysis of snowpack stability. We also see the potential for coupling regional avalanche forecasting systems with in-situ snowpack stability estimates further down the line. If done correctly, we believe that ML can be a useful tool to assist in managing in-situ avalanche risk.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».