An Attempt to Take Into Account Natural Variability in 1D Bedload Prediction
Notice bibliographique
Résumé
Abstract Bedload transport can fluctuate considerably over relatively short periods of time and for a given quasi‐constant flow rate. What are the implications of replacing the fluctuating signal with a smoothed signal when calculating bedload transport using averaged values, as is common practice? This question was investigated with the BedloadR code, which allows 1D bedload calculation as well as Monte Carlo simulations using a new data set collected in the Severaisse River (French Ecrins massif). Four bedload equations (Camenen & Larson, 2005, https://doi.org/10.1016/j.ecss.2004.10.019 ; Meyer‐Peter & Mueller, 1948; Parker, 1990, https://doi.org/10.1080/00221689009499058 ; Recking, 2013a, https://doi.org/10.1061/(asce)hy.1943‐7900.0000653 ) were selected for their performance relative to the measured bedload (except for and Meyer‐Peter and Mueller) and because each equation has a different mathematical form and degree of nonlinearity. They were used in a Monte Carlo approach, with input probability distributions fitted to the measured river width, slope, bed grain‐size distribution, and to the associated (computed) Shields stress. The results show that accounting for natural variability in the calculation reproduces bedload fluctuations well. But overall, when calculating the bedload volume transported by a flow event, accounting for variability systematically leads to higher estimated volumes (of the order of 20%) than those obtained with a deterministic approach using average input parameters. This is a direct consequence of the nonlinearity of the equations.
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 | 0,004 | 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 | 0,001 |
| 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 ».