A Bayesian mixing model framework for quantifying temporal variation in source of sediment to lakes across broad hydrological gradients of floodplains
Notice bibliographique
Résumé
Abstract Paleolimnological reconstructions provide insights into hydrological variability of dynamic floodplain lakes. However, spatial and temporal integration of multiple reconstructions often remains underdeveloped because the efficacy of different paleolimnological measurements varies among lakes due to gradients in energy of floodwaters and sediment composition. Here, we use linear discriminant analysis to identify 10 significant elemental concentrations in sediment obtained from multiple sampling campaigns that distinguish among three end‐member allochthonous sources for lakes in the Peace‐Athabasca Delta (PAD; Canada): Athabasca River, Peace River, and local catchment runoff. Over 90% of sediment samples were correctly classified into original groups after cross‐validation due to the distinctiveness of the three end‐members, which permitted development of a robust Bayesian mixing model to discern the relative contributions of sediment from the three sources. We evaluate performance of the mixing model via application to sediment cores from two adjacent lakes in the Athabasca sector of the PAD and demonstrate its effectiveness to discriminate three known hydrological phases during the past 300 years. Notably, model results indicated that ~ 60% of the sediment originated from the Peace River during the largest ice‐jam flood event on record (1974), which was unrecognized by other methods. The approach provides a new, universal method that can be applied across the full range of sediment composition to quantify changes in source, frequency, and magnitude of sediment delivery by river floodwaters to lakes and is transferable to other dynamic floodplain landscapes where broad range of sediment composition challenges application of other approaches.
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 | 0,001 |
| 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 ».