Factors controlling specific sediment yield in the upper Indus River basin, northern Pakistan
Notice bibliographique
Résumé
Abstract Estimates of sediment yield are essential in water resources analysis, modelling and engineering, in investigations of continental denudation rates, and in studies of drainage basin response to changes in climate and land use. The availability of high resolution, global environmental datasets offers an opportunity to examine the relationships between specific sediment yield ( SY sp ) and drainage basin attributes in a geographical information system (GIS) environment. This study examines SY sp at 14 long‐term gauging stations within the upper Indus River basin. Twenty‐nine environmental variables were derived from global datasets, the majority with a 1 × 1 km resolution. The SY sp ranges from 194 to 1302 t km −2 yr −1 for sub‐basins ranging from 567 to 212 447 km 2 . The high degree of scatter in SY sp is greatly reduced when the stations are divided into three groups: upper, glacierized sub‐basins; lower, monsoon sub‐basins; and the main Indus River. Percentage snow/ice cover ( LC s ) emerges as the single major land cover control for SY sp in the high mountainous upper Indus River basin. A regression model with percentage snow/ice cover ( LC s ) as the single independent variable explains 73·4% of the variance in SY sp for the whole Indus basin. A combination of percentage snow/ice cover ( LC s ), relief and climate variables explains 98·5% of the variance for the upper, glacierized sub‐basins. For the lower monsoon region, a regression model with only mean annual precipitation ( P ) explains 99·4% of the variance. Along the main Indus River, a regression model including just basin relief ( R ) explains 92·4% of the variance in SY sp . Based on the R 2 adj and P ‐value statistics, the variables used are capable of explaining the majority of variance in the upper Indus River basin. Copyright © 2007 John Wiley & Sons, Ltd.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 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 ».