Channel Migration in Experimental River Networks Mapped by Particle Image Velocimetry
Notice bibliographique
Résumé
Abstract Deltaic river networks naturally reorganize as interconnected channels move to redistribute water, sediment, and nutrients across the delta plain. Network change is documented in decades of satellite imagery and laboratory experiments, but our ability to measure and understand channel movements is limited: existing methods are difficult to employ efficiently and struggle to distinguish between gradual movements (channel migration) and abrupt shifts in river course (channel avulsions). Here, we present a method to extract channel migration from plan‐view imagery using particle image velocimetry (PIV). Although originally designed to track particles moving in a fluid, PIV can be adapted to track channels moving on the delta surface, based on input estimates of channel width, migration timescale, and maps of the wet‐dry interface. Results for a delta experiment show that PIV‐derived vector fields accurately capture channel‐bank movements, as compared to manually drawn maps and an independent image‐registration technique. Unlike other methods, PIV targets the process of channel migration, excluding changes associated with channel avulsions and overbank flow. PIV‐derived migration rates from the experiment span an order of magnitude and are reduced under lower sediment supply and during sea‐level rise, supporting recent models. Together, results indicate that PIV offers a fast and reliable way to measure channel migration in river networks, that channel migration rates under non‐cohesive conditions can displace channels a distance comparable to their width in the time needed to aggrade ∼10% of the channel depth, and that migration direction is ∼60% orthogonal to mean flow direction and ∼40% flow‐parallel overall.
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 | 0,001 |
| 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 ».