A Geometric Algorithm to Identify River Meander Bends: 2. Test for Characteristic Shapes
Notice bibliographique
Résumé
Abstract River meander bends are widely considered to have recurring shapes. Formal classifications of meander bends have provided an important framework for basic research and practical applications in river engineering and restoration. However, the central role of expert interpretation in both mapping and classifying meander bends leaves persistent uncertainty for whether their shapes do form patterns or instead represent a continuum of forms. This study analyzes meander bend shapes derived in a companion paper about the Beatton River, Canada, to test whether meander bends show repeating shapes without the prior assumption that such patterns exist. Meander bends are compared using Fréchet distance, a curve similarity measure, and evaluated for common shapes using agglomerative hierarchical clustering. The case study indicates that normalizing meander bend coordinates by wavelength and amplitude yields clusters of meander bends with internally consistent shapes. Characteristic meander bends for each cluster are derived by averaging the normalized coordinates and rescaling by the mean amplitude and wavelength for the source meander bends. Whereas automatically mapped meander bends vary in number and extent with a dimensionless amplitude threshold ( A st *), the characteristic meander bends are generally robust against variation in this parameter within its effective range (0.1 A st * 1). By establishing a test for characteristic shapes among populations of multifarious meander bends, the analysis enables new tests for environmental controls on channel form, a standard for assessing the fidelity of numerical models for planform evolution, and a method to design nature‐based templates for river restoration and engineering.
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 ».