Probabilistic Estimates of Extreme Snow Avalanche Runout Distance
Notice bibliographique
Résumé
The estimation of runout distances for long return period avalanches is vital in zoning schemes for mountainous countries. There are two broad methods to estimate snow avalanche runout distance. One involves the use of a physical model to calculate speeds along the incline, with runout distance determined when the speed drops to zero. The second method, which is used here, is based on empirical or statistical models from databases of extreme runout for a given mountain range or area. The second method has been used for more than 40 years with diverse datasets collected from North America and Europe. The primary reason for choosing the method used here is that it is independent of physical models such as avalanche dynamics, which allows comparisons between methods. In this paper, data from diverse datasets are analyzed to explain the relation between them to give an overall view of the meaning of the data. Runout is formulated from nine different datasets and 738 values of extreme runout, mostly with average return periods of about 100 years. Each dataset was initially fit to 65 probability density functions (pdf) using five goodness-of-fit tests. Detailed discussion and analysis are presented for a set of extreme value distributions (Gumbel, Frechet, Weibull). Two distributions had exemplary results in terms of goodness of fit: the generalized logistic (GLO) and the generalized extreme value (GEV) distributions. Considerations included both the goodness-of-fit and the heaviness of the tail, of which the latter is important in engineering decisions. The results showed that, generally, the GLO has a heavier tail. Our paper is the first to compare median extreme runout distances, the first to compare exceedance probability of extreme runout, and the first to analyze many probability distributions for a diverse set of datasets rigorously using five goodness-of-fit tests. Previous papers contained analysis mostly for the Gumbel distribution using only one goodness-of-fit test. Given that climate change is in effect, consideration of stationarity of the distributions is considered. Based on studies of climate change and avalanches, thus far, it has been suggested that stationarity should be a reasonable assumption for the extreme avalanche data considered.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».