Planform‐asymmetry and backwater effects on river‐cutoff kinematics and clustering
Notice bibliographique
Résumé
Abstract River bends occasionally meander to the point of cutoff, whereby a river shortcuts itself and isolates a portion of its course. This fundamental process fingerprints a river's long‐term planform geometry, its stratigraphic record, and biogeochemical fluxes in the floodplain. Although meander cutoffs are common in fast‐migrating channels, timelapse imagery of the Earth surface typically does not offer a long enough baseline for statistically robust analyses of these processes. We seek to bridge this gap by quantifying cutoff kinematics along the Humboldt River (Nevada) – a stream that, from 1994 to 2019, hosted an exceptionally high number of cutoffs (specifically, 174 of the chute type and 53 of the neck type). A coincidence between major floods and cutoff incidence is first suggestive of hydrographic modulation. Moreover, not just higher sinuosity but also upstream planform skewness is associated with higher cutoff incidence and channel widening for a sub‐population of chute cutoffs. We propose a conceptual model to explain our results in terms of channel‐flow structure and then examine the distances between adjacent cutoffs to understand the mechanisms governing their clustering. We find that both local and nonlocal perturbations together trigger the clustering of new cutoffs, over distances capped by the backwater length and over yearly to decadal timescales. Our research suggests that planform geometry and backwater controls might sway the occurrence of cutoff clusters – both local and nonlocal – thereby offering new testable hypotheses to explore the evolution of meandering‐river landscapes that have significant implications for river engineering and stratigraphic modelling. © 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 ».