Influence of sediment settling velocity on mechanistic soil erosion modeling
Notice bibliographique
Résumé
We report on a series of soil erosion experiments performed on the 2‐m × 6‐m EPFL erosion flume. Total sediment concentrations and the concentrations of seven size fractions (<2, 2–20, 20–50, 50–100, 100–315, 315–1000, and >1000 μ m) were measured during 14 high‐intensity (47.5–52.5 mm/h) rainfall experiments on three different slopes (2.2–12.4%). The short‐time and long‐time analytical solutions for the Hairsine‐Rose erosion model were rewritten to account for infiltration. The newly collected data were used to test the model under conditions that had not been explored before (steeper slopes, infiltration, more realistic soil composition). The analytical solutions could predict the observed total sediment concentration well. However, the observed sediment concentrations for the individual size classes could be predicted only when adjusted settling velocities were used. The adjusted settling velocities were estimated through manual optimization. The optimized settling velocities for the smallest and midsize particles (<100 μ m) were larger than calculated from Stokes' law or measured in a 0.47‐m tube, while the optimized settling velocities for the largest particles (>315 μ m) were smaller than measured. The effective settling velocities could also be calculated from the calculated amount of material in the shield of each size class at the end of the experiments. This calculated settling velocity distribution agreed very well with the optimized settling velocities. This study moves the Hairsine‐Rose model another step closer to an operational soil erosion model for field applications.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».