Modeling Sediment Yield in Land Surface and Earth System Models: Model Comparison, Development, and Evaluation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Sediment yield (SY) plays an important role in the global carbon cycle for carrying particulate carbon into rivers and oceans, but it is rarely represented in Earth system models (ESMs). Existing SY models have mostly been tested over a few small catchments in specific regions or in large river basins globally. By comparing the performance of eight well‐known SY models in 454 small catchments with various land covers and uses across the United States, Canada, Puerto Rico, U.S. Virgin Islands, and Guam, we identified the simple Morgan model for its better performance in representing the spatial variability of continental scale SY at spatial scales relevant to ESMs (several to hundreds of square kilometers) than other models because of a more realistic representation of runoff‐driven erosion and sediment transport capacity in the context of current data availability. The results also indicated that runoff‐driven erosion should be formulated using a power function of runoff, shear stress, or stream power to better represent the total effect of concentrated flow if gully erosion and channel erosion are not explicitly modeled. We also demonstrated that the Morgan model can be further improved by removing snowmelt‐driven runoff in modeling runoff‐driven erosion and to a minor degree by integrating a landslide model. The improved Morgan model explains 57% of the spatial variability of the measured SY. The new model also demonstrated the capability to simulate SY in cross‐validation catchments at fine temporal scales, which is important for coupling SY with other biogeochemistry processes in ESMs.
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.
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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle