Anthropogenic sediment traps and network dislocation in a lowland UK river
Notice bibliographique
Résumé
Abstract Farm ponds, reservoirs and in‐stream weirs exist in most lowland UK river catchments and often dominate natural features such as lakes, wetlands, floodplains and debris dams. Artificial structures have served multiple purposes, including provision of power for historic flour milling and iron ore crushing and provision of water for medieval fishponds, canals, crop irrigation and potable supply. Although unintentional, they can significantly affect longitudinal connectivity, including sediment delivery pathways, through river catchments. We report results from three spatially nested case studies that were undertaken in the Rother catchment, ranging in scale from small farm ponds of a few square metres in area, to larger in‐stream weirs and reservoirs (locally called ponds). Reservoirs typically trap sediment, decreasing sediment availability downstream, while inducing valley sediment accumulation upstream. We focus on the quantity and particle size characteristics of sediment trapped behind these structures compared to catchment soils and to sediments that are transported through, and deposited in, ‘natural’ gravel‐bed reaches. At all scales our results demonstrate that sediment trapping and release are particle size specific. Fine to coarse sands (125 μm to 2 mm diameter) and coarser sediments are retained behind structures at all scales, while silts and clays (<63 μm diameter) and organic matter are generally depleted in the stored sediment. Even though 75% of the surveyed reservoirs have very low estimated trap efficiencies (<5%), they slowly fill over time with sediment. An important management question relates to the likely benefits of impoundment, structure or sediment removal, and whether fine (here defined as <63 μm) or coarser (>63 μm) sediment is a priority for management.
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) | 0,001 | 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 ».