Lost and found: Maximizing the information from a series of bedload tracer surveys
Notice bibliographique
Résumé
Abstract Bedload particle tracking is a technique used to better understand sediment dynamics in rivers. Despite technical advances, tracers may be missed in field surveys. The missed tracers may bias the study results even where recovery rates are high, for example if they are preferentially buried close to the seeding site or transported downstream of the surveyed reach. The goal of the current study is to demonstrate that more information can be extracted from a series of bedload tracer surveys by carefully considering the fate of missing and found tracers and implementing a set of strategies to include the (incomplete) information on sediment displacement metrics. A set of open‐source Matlab algorithms collectively called PITtrack are described that perform the calculations. Results from two tracer datasets show that commonly used sediment displacement metrics are sensitive to the inclusion of the missing tracers, even for cases with high recovery rates. Metrics that describe the variance and skewness of the tracers as they disperse are particularly sensitive. The recommended strategy is to include (a) inferred positions of tracers that are missing but unmoved, (b) likely positions of tracers that are missing, moved, and movement can be attributed to a survey period within the uncertain period that meets a dominant flood criterion, and (c) last known positions of tracers considered lost because they go missing and are never found again. Overall the results offer a method to include all available information on missing tracers to better understand sediment dispersion. Future work should be done to assess the classification system for a wider range of field sites and further refine classification based on spatial or other information.
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 | 0,001 |
| 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 ».