Challenges in measuring fine sediment ingress in gravel‐bed rivers using retrievable sediment trap samplers
Notice bibliographique
Résumé
Abstract “Excess” interstitial fine sediment (<2 mm) is known to cause deleterious impacts on streambed ecosystems. Current methodologies available to assess ingress and its vertical and horizontal components still lack standardization, and the accuracy of commonly used assessments is still debatable. Here, we evaluate three fine sediment trap designs that measure only vertical (V), only horizontal (H), and both vertical and horizontal (HV) ingress mechanisms. Sediment traps were deployed in triplicates to: (i) evaluate measurement variability within traps of the same type; (ii) evaluate the effects of trap design on particle size distributions of infiltrated fine sediment and; (iii) assess methodologies used to calculate vertical and horizontal ingress mechanisms. Ingress rates were recorded for each sediment trap during seven deployment periods (lasting from 2 to 10 days) at a range of flow conditions at four sites. A total of 252 traps were deployed. Results from the triplicate assessment of traps with the same design showed that most measurements presented high variability and that particle size distributions were significantly affected by trap design. Here, different sediment traps were able to estimate directional ingress mechanisms. However, direct comparison between HV with either H or V traps led to an overestimation of horizontal or vertical ingress mechanisms, respectively. Better estimations were found when comparing HV observations to half the accumulation in either H or V, due to the proportional trap volume available for each accumulation mechanism according to trap design.
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 | 0,000 |
| 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 ».