Beyond Regime: A Stochastic Model of Floods, Bank Erosion, and Channel Migration
Notice bibliographique
Résumé
Abstract Equilibrium or regime models based on a single formative (channel‐forming) discharge have been instrumental in developing a quantitative understanding of river channel dynamics. However, alternative paradigms can be used to ask fundamentally different questions about river channel behavior. In this paper, we present the Stochastic Channel Simulator (STOCHASIM), a simple biogeomorphic model that models the interplay between erosion and vegetation encroachment through changes in channel geometry. Results for a range of flood distributions are compared to predictions from a similar model based upon a traditional regime approach. Flood variability strongly influences the mean channel geometry and channel stability; the regime model and the stochastic model predict the same channel width when flow variability is low but diverge as flow variability increases. The return period of the formative flow required to match the geometry generated by a traditional regime approach increases systematically, from about 2 years for flow regimes in humid regions to nearly 8 years for more variable flow regimes, like those typical of arid regions. While the traditional regime approach provides a reasonable simplification for streams with little variability in the flood distribution, stochastic modeling may provide more realistic estimates of channel size as flood variability increases (e.g., in arid streams or small watersheds). The success of STOCHASIM in replicating realistic patterns of erosion, as well as the historical contingency often observed in natural streams, suggests that adopting a stochastic dynamics paradigm could advance geomorphology, just as it has done in hydrology, ecology, and other natural sciences.
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 ».