Tributary‐junction fans as buffers in the sediment cascade: a multi‐decadal study
Notice bibliographique
Résumé
Abstract Alluvial fans at tributary junctions modulate sediment flux through river networks, by buffering the mainstem channel from disturbance in the tributaries. Buffering occurs through the storage (and release) of sediment in fans. Here, we use an extensive historic dataset to characterise the ways in which fan buffering can change as sediment supply varies. In New Zealand's East Coast region, sediment supply and fluvial transport are prolific by global standards. We reconstruct how tributary‐junction fans in this region have responded to sediment generated by deforestation and extreme storms. The dynamics of five fans along the Tapuaeroa River are examined for the period 1939–2015. In response to major sediment loading, fans aggraded by up to 12 m and prograded by up to 170 m. Net sediment accumulation ranged from near zero to 1.5×10 6 m 3 . Fan size, gradient, sediment storage and buffering were influenced by both upstream and downstream controls. Key upstream (tributary) influences were sediment supply and stream power; downstream (mainstem) influences included distal confinement and, importantly, the nature of fan interaction with the mainstem, which aggraded by up to 6 m. The fans' ability to buffer the Tapuaeroa River from change in the tributaries was largely governed by this downstream interaction: as the mainstem aggraded, it increasingly curtailed fan progradation, thus limiting buffering. Previous studies of tributary‐junction fans have related fan morphometry to basin characteristics. However, we find that fan slope and area can vary considerably at decadal, annual or even monthly timescales. Consequently, we suggest that such studies could benefit by examining regional histories of disturbance. © 2019 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 | 0,001 | 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 | 0,000 |
| 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) | 0,001 | 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 ».