The Advances in Understanding Erodibility of Soils in Unpaved Roads
Notice bibliographique
Résumé
More than 90% of the road network in rural areas of the developing countries is unpaved and comprises of either gravel or earth roads. Such roads are prone to erosion leading to the formation of potholes, rills and gullies. Many studies have been undertaken on soil erosion, but only a few are focussed on earth roads. A systematic analysis of research on erosion of soils in earth roads was undertaken to draw out lessons that can be learnt. 564 studies were assessed. Of these only 85 were relevant to earth roads. Most significant erosion driver was total rain, rainfall duration and intensity. Further findings were that the key factors that affected soil erosion in earth roads were soil type, clay content, soil plasticity, and particle size distribution; degree of the surface layer compaction, and traffic loading and speed. To challenge and validate the findings of the literature, the main factors affecting erosion were controlled during laboratory erodibility tests of a sand soil mixed with its 0%, 5%, 10%, 15% and 20% china clay and of a granular subbase material. The soils were compacted at their maximum dry densities and subjected to a simulated rainfall intensity of 30mm/hr for 30 minutes, and at 0% and 6% slopes. Interestingly, laboratory results agreed with the literature. Erodibility increased with increase in rainfall duration and slope gradient. In sand -china clay mixes, erodibility reduced with increased clay content. An increment of 5% china clay corresponded to a reduction of eroded sediment of about 8% to 12%. The subbase soil material was very less erodible due to its robust particle size that resisted detachment due to rain drops. Moreover, it was observed that most soils were detached and eroded within the first 15 minutes of the rainfall after which detachment reduces.
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 | 0,000 | 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) | 0,000 | 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 ».