Bedload Transport Velocity: Finding the Signal Amidst the Noise
Notice bibliographique
Résumé
A method is presented to estimate the probability density function of bedload velocity from noisy stationary data. We have been developing a new technique to measure bedload transport velocity in the field using the bottom tracking feature of acoustic Doppler current profilers (aDcps). This paper describes a deconvolution procedure to estimate the probability density functions for the actual signal and the noise. The procedure involves the optimization of a brute-force computational summation of random variables for the acoustic noise (assumed Gaussian with zero mean) and the spatially averaged bedload velocity within the insonified area of each acoustic beam (V). Two possible distributions for V were evaluated; a semi-theoretical compound Poisson-gamma (cPg) distribution, and an empirical gamma distribution. We tested this procedure on two aDcp time series, measured in two different gravel-bed rivers (Fraser River and Norrish Creek). Models generated using both the cPg and gamma distributions for V fit both data sets very well: the modeled convolution distribution did not differ significantly from the distribution of the original data. The gamma distribution fit slightly better than the cPg. Optimized bedload speed distributions (fV) were highly left skewed indicating that the bedload speed averaged within a beam area tended to be mostly near zero with a few high values, as was expected for partial bedload transport of gravel, where most of the particles remain at rest most of the time. The acoustic noise was comparable to acoustic noise for aDcp water velocity measurements, which is an order of magnitude greater than typical bottom tracking noise.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».