The Effects of Salinity on the Accuracy and Uncertainty of Water Content Measurement
Notice bibliographique
Résumé
We used an automatic network analyzer (ANA) operated in both time and frequency domain modes to investigate the measurement accuracy of metallic time domain reflectometry (TDR) probes operated in sands saturated with NaCl solutions of varying electrical conductivity (EC). We chose to use time domain transmission (TDT) measurements for this investigation to separate the effect of the bulk soil‐probe interaction from the effect of the large reflection typically found at the air–soil boundary for a TDR configuration. Pulse travel times and their variability increase with increasing pore‐water EC. The source of travel time variability arises from the extreme variability in pulse shape, thereby introducing a high degree of uncertainty to curve fitting routines used to determine travel times. Pulse shape distortion is due primarily to attenuation of high frequency components through conductive loss rather than by dispersion. There is generally good correspondence between pulse rise time and the average water content measurement error over a 0‐ to 40‐dS m −1 EC range. For rise times <6 ns, measurement errors are <0.1 m 3 m −3 Given that rise times can be determined easily, we recommend that they be reported routinely as indicators of data quality. Because the variability of travel time measurements at a given EC is on the same order as the average difference between the travel time measured at that EC and that measured at zero salinity, pulse rise times cannot be used to correct for individual travel time measurements at high salinity. Similarly, knowledge of the EC of the medium may allow for identification of erroneous water content measurements, but does not allow for error correction.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| 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) | 0,000 | 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 ».