Traçage minéralogique de l’origine des sédiments aux confluents de cours d’eau
Bibliographic record
Abstract
Traçage minéralogique de l'origine des sédiments aux confluents de cours d'eau. La dynamique sédimentaire des confluents de cours d'eau peut s'étudier par l'intermédiaire de traceurs marquant l'origine des particules. La connaissance de la source sédimentaire est essentielle pour comprendre les processus de mélange des sédiments du lit et établir des relations causales entre les sources de contamination et la dynamique des sites contaminés liés à l'arrivée d'un tributaire. On a examiné les particules du lit d'un confluent naturel sablonneux où la minéralogie des sédiments composant les bassins-versants est différenciée. En raison de leurs forme et densité, les feldspaths K s'avèrent des traceurs efficaces et indiquent qu'à la jonction étudiée le mélange des apports sédimentaires est presque complété à une distance de mélange de 2,1 (distance à partir de l'apex/largeur du confluent). Par contre, les micas et le pourcentage de minéraux lourds, sensibles au tri hydraulique, ne révèlent pas la provenance des particules. La méthode a aussi été employée pour déterminer le patron de dispersion des particules à un confluent du Saint-Laurent. Ici la minéralogie des particules diffère peu entre les bassins-versants. Toutefois, les variations spatiales du pourcentage de minéraux lourds sont directement liées à la morphologie du lit caractérisée par un banc d'accumulation se terminant par un abrupt à l'entrée du tributaire. Les faibles teneurs en minéraux lourds sur la pente de l'abrupt démontrent que le fluide est peu compétent à l'abri de la construction sédimentaire. Par contre, à son pied et à son sommet, le fluide effectue un tri hydraulique efficace, ce qui entraîne une concentration des particules lourdes. Ces variations des teneurs en minéraux lourds sont indicatrices du tri hydraulique plutôt que de la source sédimentaire.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".