Visual characterization technique for gravel-cobble river bed surface sediments; validation and environmental applications Contribution to the programme of CIRSA (Centre Interuniversitaire de Recherche sur le Saumon Atlantique)
Notice bibliographique
Résumé
This paper presents an evaluation of the feasibility and the reliability of a visual characterization technique for gravel–cobble river bed surface substrate. Based on principal axis regressions, using phi scale (ϕ), comparisons of visual estimation and grid sampling techniques show that useful predictive relations (R2 = 0·78–0·88) exist between visual estimates of the surface d16, d50 and d84 and estimates obtained for the same percentiles with the grid sampling technique. Comparisons of visual estimation and the surface-bulk sampling technique also indicate a predictive relation (R2 = 0·70) between the d50 of the two methods. Trained operators can visually estimate gravel–cobble bed surface d16 to uncertainties of 41 per cent, d50 to 15 per cent and d84 to 11 per cent (for example, there is a 5·5 mm error on a d84 size of 50 mm). Furthermore, evidence shows that if operators are properly trained, a calibration relation for each percentile can be applied independently of operators. This visual characterization allows effective detailed mapping of spatial patterns in substrate size distribution along extensive reaches of gravel-bed rivers. The technique can be very useful in creating terrain models for various geomorphological, hydrological and biological applications such as the determination of entrainment thresholds, hydraulic roughness and substrate suitability for benthic insects or salmonid habitat. Copyright © 2001 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 | 0,000 | 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 | 0,000 |
| 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 ».