Rough Correlations: Meta‐Analysis of Roughness Measures in Gravel Bed Rivers
Notice bibliographique
Résumé
Abstract Bed roughness height (k) is a key parameter for velocity prediction in open‐channel flows. There is not yet a firm consensus about whether characteristic particle size D84 or (standard deviation of the channel thalweg) better describes k in gravel bed streams. A data set of 1,788 flume and 713 field measurements with a wide range of channel morphologies and flow conditions were compiled to test whether D84 or is a better descriptor of k and to explore the influence of several controls on flow resistance variation. Tests were performed using four well‐known flow resistance equations. The results consistently show that outperforms D84 in predicting velocity and the Smart and Jäggi equation, with as k, outperforms other equations. The data set was grouped based on R/k (R is the hydraulic radius), channel morphologies, and study sites. performs better than D84 as a measure of k in all morphologies and much better for channels with large instream wood. The analysis shows R/k is a major control on resistance variation as contains more site‐specific information like bed structure. The topography measurements for step‐pool channels should at least contain measurements on key roughness elements like steps. For gravel‐dune or plane‐bed channels, the proper resolution should be higher than 1/2 dune wavelength and 2D84, respectively. The choice of proper reach length relates to both R/k and roughness type. Further, hydraulic geometry functions with either D84 or as k are proposed, and the relation between the two metrics is discussed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,014 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».