The Use of Wavelet Analysis to Derive Infiltration Rates from Time‐Lapse One‐Dimensional Resistivity Records
Notice bibliographique
Résumé
As part of a study to understand factors impacting the efficiency of an artificial recharge pond in Watsonville, CA, a time series of resistivity measurements was made using a permanently installed one‐dimensional resistivity probe. Measurements were made in the top 2 m of sediment with data acquired every 30 min. There was an observed diurnal signal in these data due to daily temperature fluctuations in the pond water. By viewing this signal as a thermal tracer, we used the movement of the associated thermal front to estimate infiltration rates from the resistivity data. We developed a wavelet‐based method for calculating lag times of the thermal front between measurement locations. As part of this algorithm, we tested the statistical significance of a given signal and automatically rejected calculated lag times that were associated with signals below a given confidence interval. We included a linear inversion routine for calculating the velocity of the thermal front from the calculated lag times. Using the thermal velocity, we estimated an infiltration rate at the resistivity probe that decreased from approximately 3.5 to 1 m d −1 during a period of 18 d. Resistivity data have a distinct advantage over direct temperature measurements: a resistivity measurement is sensitive to changes outside the region disturbed by instrument emplacement. While our processing approach was demonstrated on the presented resistivity data, it is equally valid for use with direct temperature measurements.
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 | 0,001 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».