Observation and Parameterization of Bottom Shear Stress and Sediment Resuspension in a Large Shallow Lake
Notice bibliographique
Résumé
Abstract Parameterizations for bottom shear stress are required to predict sediment resuspension from field observations and within numerical models that do not resolve flow within the viscous sublayer. This study assessed three observation‐based bottom shear stress ( τ b ) parameterizations, including (a) the sum of surface wave stress and mean current (quadratic) stress ( ); (b) the log‐law ( τ b = τ L ); and (c) the turbulent kinetic energy ( τ b = τ TKE ); using 2 years of observations from a large shallow lake. For this system, the parameterization τ b = τ w + τ c was sufficient to qualitatively predict resuspension, since bottom currents and surface wave orbitals were the two major processes found to resuspend bottom sediments. However, the τ L and τ TKE parameterizations also captured the development of a nepheloid layer within the hypolimnion associated with high‐frequency internal waves. Reynolds‐averaged Navier‐Stokes (RANS) equation models parameterize τ b as the summation of modeled current‐induced bottom stress ( τ c , m ) and modeled surface wave‐induced bottom stress ( τ w , m ). The performance of different parameterizations for τ w , m and τ c , m in RANS models was assessed against the observations. The optimal parameterizations yielded root‐mean‐square errors of 0.031 and 0.025 Pa, respectively, when τ w , m , and τ c , m were set using a constant canonical drag coefficient. A RANS‐based τ L parameterization was developed; however, the grid‐averaged modeled dissipation did not always match local observations, leading to O (10) errors in prediction of bottom stress. Turbulence‐based parameterizations should be further developed for application to flows with mean shear‐free boundary turbulence.
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 | 0,001 |
| 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 ».