MétaCan
Menu
Back to cohort
Record W44698024

Modèle géospatial de prédisposition des rivières aux embâcles.

2013· article· fr· W44698024 on OpenAlexaboutno aff
Stéphane Munck

Bibliographic record

VenueEspaceINRS (National Institute for Scientific Research (Canada)) · 2013
Typearticle
Languagefr
FieldEarth and Planetary Sciences
TopicCryospheric studies and observations
Canadian institutionsnot available
Fundersnot available
KeywordsGeographyForestryHumanitiesArt
DOInot available

Abstract

fetched live from OpenAlex

Les embâcles sont les événements les plus dramatiques provoqués par le dégel et \nl'accumulation rapide de glace. Lorsqu'une rupture dynamique du couvert de glace se produit \ndans une rivière, la glace mise en mouvement risque de se stopper là où les conditions \nmorphologiques du chenal créent un obstacle naturel, c'est-à-dire lorsque le volume de glace se \ndéplaçant excède la capacité de transport de la rivière (USACE, 1994). Les conséquences \ndévastatrices des inondations dues aux embâcles rendent leur étude primordiale afin de fournir \nune alerte rapide à ces populations, et permettre la mise en place de mesures de réduction \nd'embâcles (White, 2002). En cherchant à déterminer la combinaison de variables \nhydrologiques et morphologiques décrivant le mieux le processus d'embâcle, il est alors \npossible de caractériser le lieu et la fréquence de celui-ci (White, 2002). \nDe nombreuses études ont été menées dans cette direction, les scientifiques favorisant \nhistoriquement des approches empiriques et statistiques. Mais ces modèles restent limités car \nsouvent restreints au site étudié et difficilement exportables ailleurs (White, 2002). Ainsi, cette \nétude vise à développer un modèle géospatial simplifié estimant la prédisposition d'une rivière \naux embâcles, quelle que soit sa position géographique. La question n'est pas ici de déterminer \nquand le couvert de glace brisera mais bien de savoir où la glace en mouvement est \nsusceptible de s'agglomérer. \nDans cette optique, un certain nombre de paramètres physiques ont été identifiés dans la \nlittérature comme ayant un rôle majeur dans le processus de formation et de développement \ndes embâcles : la présence d'îles, les rétrécissements du chenal, les fortes sinuosités, la \nprésence de ponts, les confluences de rivières, et enfin les ruptures de pente. Ces six \ncaractéristiques morphologiques du chenal ont ensuite été représentées spatialement, en deux \ndimensions, à l'aide des outils de l'interface SIG FRAZIL (Gauthier et al., 2008). \nA partir de cette géospatialisation nous avons développé les trois indices suivants : l'indice de \nrétrécissement, l'indice de sinuosité et l'indice de rupture de pente. Nous avons attribué à \nchacun de ces trois indices des valeurs seuils afin de diviser leurs plages de valeurs en quatre \nparties: 0 allant à celle ayant le moins d'influence sur la formation d'un embâcle, et 3 allant à la \ncelle en ayant le plus. Ces seuils ont été calculés à partir des données historiques d'embâcles \ncollectées en partenariat avec le Ministère de la Sécurité Publique du Québec. À ce niveau, il \nnous est apparu impossible de déterminer les seuils de l'indice de rupture de pente, les valeurs \ntrouvées étant souvent trouvées égales à zéro. Cette particularité a découlé de l'utilisation de \ndonnées altimétriques issues de la BDTQ, qui ne se sont pas avérées pertinentes pour une \nanalyse fine de la pente des cours d'eau. Faute de pouvoir se procurer des données \naltimétriques plus précises, nous avons décidé de plus tenir compte de l'indice de rupture de \npente pour la suite de l'étude. \nEn dernier lieu nous avons établi la pondération des deux indices restant, afin de rendre compte \nde leurs influences réciproques. Cela a été effectué en regardant, pour chaque embâcle \nrépertorié, les paramètres morphologiques responsables de leur formation. Nous avons ainsi pu \nmettre en évidence que l'indice de rétrécissement possédait trois fois plus d'importance dans la \npondération que l'indice de sinuosité. Afin de normaliser ces poids nous avons utilisé une \nméthode d'analyse hiérarchique multicritères développée par Saaty (1990). L'indice final de \nprédisposition des rivières aux embâcles a été obtenu en multipliant pour chaque tronçon de la \nrivière et pour chaque indice la valeur de la classe par son poids, puis en faisant la somme de \nces deux valeurs pondérées (numérateur), divisée par la somme pondérée correspondant aux \nvaleurs maximales possibles (dénominateur). Le résultat a été divisé afin d'obtenir un indice \nnormalisé. \nCette méthodologie a été appliquée à trois rivières québécoises (Chaudière, Saint-François, et \nl'Assomption). Les cartes en résultant ont été validées grâce aux observations historiques \nd'embâcles déjà utilisées pour la pondération des indices. Au total 22 sites d'embâcles ont été \nclassés comme ayant une prédisposition majeure, 9 comme ayant une prédisposition modérée \net 16 comme ayant une prédisposition faible. Le taux d'erreurs positives général des trois \nrivières a été trouvé égal à 5.1 % (embâcle prédit à tort par le modèle), ce qui correspond à 94 \nsegments sur 1813. Ce taux est légèrement inférieur pour la rivière Chaudière (4.5 %), ce qui \nest peut être dû à un nombre d'observations historiques d'embâcles plus élevé. À terme, ce \nmodèle conceptuel pourrait devenir un entrant dans des modélisations qui tiendraient aussi en \ncompte des conditions hydrologiques et météorologiques. Cependant un travail supplémentaire \npourrait auparavant être accordé à son automatisation, ainsi qu'à une nouvelle calibration des \nseuils et des pondérations des indices, si possible à partir de données historiques différentes. \n

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.002
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: none
Teacher disagreement score0.882
Threshold uncertainty score0.235

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0010.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.002
Bibliometrics0.0010.002
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0020.001
Research integrity0.0030.002
Insufficient payload (model declined to judge)0.0290.004

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.099
GPT teacher head0.301
Teacher spread0.202 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2013
Admission routes1
Has abstractyes

Explore more

Same venueEspaceINRS (National Institute for Scientific Research (Canada))Same topicCryospheric studies and observationsFrench-language works237,207