MétaCan
Menu
Retour à la cohorte
Enregistrement W4283123382 · doi:10.1029/2022gl098487

Amplification of Plunging Flows in Bedrock Canyons

2022· article· en· W4283123382 sur OpenAlexafffund
Max Hurson, Jeremy G. Venditti, Colin D. Rennie, Eva Kwoll, Kirsti Fairweather, Dan R. W. Haught, Kyle M. Kusack, Michael Church

Notice bibliographique

RevueGeophysical Research Letters · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Sediment Transport Processes
Établissements canadiensUniversity of British ColumbiaCanadian Hydrographic ServiceUniversity of OttawaUniversity of VictoriaSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Geographic Society
Mots-clésBedrockGeologyErosionCanyonRiver morphologyFlood mythHydraulicsHydrology (agriculture)GeomorphologySediment transportDischargeFloodplainBed loadSedimentHydraulic jumpOverbankFlow (mathematics)FluvialMechanicsGeotechnical engineeringDrainage basin

Résumé

récupéré en direct d'OpenAlex

Abstract Bedrock river erosion is driven by channel hydraulics, which are not well understood for complex morphologies. Many bedrock rivers exhibit a constriction‐pool‐widening (CPW) morphology associated with submerged plunging flows. These flows cause velocity profile inversions resulting in high velocities near the bed and low velocities on the water surface. The first observations documenting plunging flows were from relatively low discharge, and it is unclear whether they persist during floods. Here we show that plunging flows persist and get stronger at flood discharge, increasing bedrock erosion potential by particle impacts. Flood‐discharge plunging flows contact the bed and maintain high velocities farther through the CPW structure, and evacuate large volumes of sediment from the pools. These reach‐scale processes are not represented in large‐scale landscape evolution models, yet these erosion mechanisms set the pace of landscape evolution, begging for a re‐evaluation of process representation in landscape evolution models.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,294
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeophysical Research LettersMême sujetHydrology and Sediment Transport ProcessesTravaux en français237 207