The influence of channel morphology on bedload path lengths: Insights from a survival process model
Notice bibliographique
Résumé
Summary Tracer studies are a commonly used tool to develop and test Einstein‐type stochastic bedload transport models. The movements of these tracers are controlled by many factors including grain characteristics, hydrologic forcing, and channel morphology. Although the influence of these sediment storage zones related to morphological features (e.g., bars, pools, riffles) have long been observed to “trap” bedload particles in transport, this influence has not been adequately quantified. In this paper we explore the influence of channel morphology on particle travel distances through the development of a Bayesian survival process model. This model simulates particle path length distributions using a location‐specific “trapping probability” parameter ( p i ), which is estimated using the starting and ending locations of bedload tracers. We test this model using a field tracer study from Halfmoon Creek, Colorado. We find that (1) the model is able to adequately recreate the observed multi‐modal path length distributions, (2) particles tend to accumulate in trapping zones, especially during large floods, and (3) particles entrained near a trapping zone will travel a shorter distance than one that is further away. Particle starting positions can affect path lengths by as much as a factor of two, which we confirm by modelling “starting‐location‐specific” path length probability distributions. This study highlights the importance of considering both tracer locations and channel topography in examinations of field tracer studies. © 2020 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 | 0,000 | 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 ».