Preferential Flow Revealed by Hydrologic Modeling Based on Predicted Hydraulic Properties
Notice bibliographique
Résumé
Pedotransfer functions have shown a reasonable reliability and accuracy for predicting soil hydraulic properties. However, the contribution of the range of macroscopic features leading to preferential water flow is not readily taken into account. We modified and used the hydrological component of the reactive transport model MIN3P and the neural network‐based code ROSETTA in an attempt to simulate 4 yr of daily measurements of the soil water content in a forest soil covered by Douglas‐fir ( Pseudotsuga menziessii Franco). A good fit of the mean measured water contents was obtained during periods of low soil moisture, while the model tended to overpredict water contents during periods of high soil moisture. This behavior is typical for the presence of significant preferential flow. Slightly better results were obtained by using predicted values of the saturated hydraulic conductivity, while the assumption of a water table located at shallow depth increased discrepancies. A good match was obtained by calibration of a simple preferential flow scheme, which was based on the assumption that the retention properties of the porous network control preferential flow. Accordingly, preferential flow seemed to initiate within the capillary pore domain. This causes a much greater sensitivity of the results to the position of the water table than with other schemes that consider pure gravity‐driven flow in large macropores. Knowledge of the functional pore size is needed to ascertain the type of preferential flow scheme to be used.
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 | 0,000 | 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 | 0,001 |
| 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) | 0,000 | 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 ».