An empirical equation for sediment transport capacity of overland flow: Integrating slope, discharge, and particle size
Notice bibliographique
Résumé
Abstract Accurate estimation of sediment transport capacity is crucial for effective soil erosion modeling and management. While empirical methods offer a practical approach for calculating sediment transport capacity using limited data, existing equations often lack reliability and applicability across a broad range of scenarios. This study addresses this gap by developing an empirical equation based on extensive datasets encompassing a wide spectrum of hydraulic and physical conditions ranging from slopes (1%–45%), unit flow discharges (0–15 × 10 −2 m 2 s −1 ), and median particle sizes from (0.021–10.5 mm). The proposed equation integrates slope, discharge, and particle size to predict sediment transport capacity, leveraging advanced machine learning techniques. It was rigorously tested against other empirical equations, demonstrating superior performance with a coefficient of determination ( R 2 ) of 0.99 and a Nash‐Sutcliffe efficiency of 0.99. The equation's strong alignment with physical sediment transport principles, particularly its similarity to stream power equations, underscores its theoretical robustness and practical relevance. Findings indicate that sediment transport capacity increases with discharge and slope while decreasing with particle size. Notably, rainfall intensity and flow depth did not significantly impact sediment transport capacity, emphasizing the equation's focus on the most influential variables. This research presents a significant advancement in sediment transport modeling, providing a reliable and accurate tool for a wide range of conditions and contributing valuable insights for soil erosion and sediment management. Future work should involve further validation with additional datasets to enhance the equation's applicability and robustness.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».