Spatial and temporal geochemical variability in lacustrine sedimentation in the East African Rift System: Evidence from the Kenya Rift and regional analyses
Notice bibliographique
Résumé
Abstract Many previous studies on lacustrine basins in the East African Rift System have directed their attention to climatic controls on contemporary sedimentation or climate change as part of palaeoenvironmental reconstruction. In contrast, this research focuses on the impact of tectonism and volcanism on rift deposition and develops models that help to explain their roles and relative importance. The study focuses on the spatial and temporal variability in bulk sediment geochemistry from a diverse range of modern and ancient rift sediments through an analysis of 519 samples and 50 major and trace elements. The basins examined variously include, or have contained, wetlands and/or shallow to deep, fresh to hypersaline lakes. Substantial spatial variability is documented for Holocene to modern deposits in lakes Turkana, Baringo, Bogoria, Magadi and Malawi. Mio‐Pleistocene sediments in the Central Kenya Rift and Quaternary deposits of the southern Kenya Rift illustrate temporal variability. Tectonic and volcanic controls on geochemical variability are explained in terms of: (i) primary controlling factors (faulting, subsidence, uplift, volcanism, magma evolution and antecedent lithologies and landscapes); (ii) secondary controls (bedrock types, rift shoulder and axis elevations, accommodation space, meteoric and hydrothermal fluids and mantle CO 2 ); and (iii) response factors (catchment area size, orographic rains, rain shadows, vegetation densities, erosion and weathering rates, and spring/runoff ratios). The models developed have, in turn, important implications for palaeoenvironmental interpretation in other depositional basins.
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 | 0,002 | 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) | 0,000 | 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 ».