A Geometric Algorithm to Identify River Meander Bends:1. Effect of Perspective
Notice bibliographique
Résumé
Abstract Channels form meander bends, whether in rivers or on glaciers, volcanoes, coastlines, or the seafloor. Therefore, isolating meander bends is instrumental in characterizing channel shape and its relationship to the surrounding environment. The common approach of delimiting meander bends using inflection points yields isolated arcs that differ from traditional depictions. This study develops a geometric algorithm for mapping meander bends to bridge this gap. The approach accounts for two perceptual factors: observer viewpoint and the scale of significant deviations in the river path. The channel centerline is divided into three elements: arcs of positive/negative curvature, and effectively straight reaches with dimensionless amplitude ( A st *) below a threshold. Meander bends are formed by connecting reaches between arcs of similar curvature and trimming to where the openness, or viewshed, falls below the value for a straight line (180°). A case study for the Beatton River, Canada, shows the method captures the full extents of meander bends and reproduces a common classification (simple vs. compound) and scaling between wavelength and channel width ( 12 w c ) from visual interpretation. The number and extents of meander bends change with A st *; 0.1 < A st * < 1 prevents over‐segmentation without lumping adjacent meander bends. The approach further indicates two mapping solutions that correspond to viewpoints on opposite sides of the river. By harmonizing the geometric definition of a meander bend with its traditional depiction, this approach advances the quantitative analysis of channels across geologic environments. A companion study tests whether the mapped meander bends have characteristic shapes.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».