Inversion of low-induction number conductivity meter data to predict seasonal saturation variation
Notice bibliographique
Résumé
ABSTRACT Our research introduced a method to monitor saturation in the near surface. In agricultural settings, methods measuring electrical conductivity can provide useful information about soil type, moisture content, and salinity extent. Electrical conductivity meters have been used in a number of studies to determine soil properties in a qualitative sense. We examined the range of structures in which the use of low-induction number instruments can be used successfully to determine layered-earth electrical conductivity. We used an inversion routine which employs a Bayesian modification to the ridge-regression technique with a priori conductivity assumptions typical of agricultural areas. We performed joint inversion of horizontal and vertical dipole configurations at two coil separations for layer over half-space models with electrical properties of silt, loam, clay, and saline waters. Generally, the inversion code resolved layer thickness to better than 25% and electrical conductivity to better than 20% if the layer is less than 3-m thick. We then inverted field measurements acquired in salt-scalded areas in the Yass River Valley, New South Wales, Australia, to determine a layer over a half-space. With Kennedy’s formulation concerning the relationship between porosity, water saturation and electrical conductivity, we used the field results to predict autumn water saturation for the top layer to be 13% and the bottom layer to be 15%. In the spring, we used the field results to predict saturation of 50% for the top layer and 51% for the bottom layer, leading to a seasonal variation in soil saturation of approximately 36%. Predicted saturation was spatially consistent across the traverse line, suggesting that the developed methodology was successful.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».