Improved spatial delineation of streambed properties and water fluxes using distributed temperature sensing
Notice bibliographique
Résumé
Abstract A new method was developed for analysing and delineating streambed water fluxes, flow conditions and hydraulic properties using coiled fibre‐optic distributed temperature sensing or closely spaced discrete temperature sensors. This method allows for a thorough treatment of the spatial information embedded in temperature data by creating a matrix visualization of all possible sensor pairs. Application of the method to a 5‐day field dataset reveals the complexity of shallow streambed thermal regimes. To understand how velocity estimates are affected by violations of assumptions of one‐dimensional, saturated, homogeneous flow and to aid in the interpretation of field observations, the method was also applied to temperature data generated by numerical models of common field conditions: horizontal layering, presence of lateral flow and variable streambed saturation. The results show that each condition creates a distinct signature visible in the triangular matrices. The matrices are used to perform a comparison of the behaviour of one‐dimensional analytical heat‐tracing models. The results show that the amplitude ratio‐based method of velocity calculation leads to the most reliable estimates. The minimum sensor spacing required to obtain reliable velocity estimates with discrete sensors is also investigated using field data. The developed method will aid future heat‐tracing studies by providing a technique for visualizing and comparing results from fibre‐optic distributed temperature sensing installations and testing the robustness of analytical heat‐tracing models. Copyright © 2016 John Wiley & Sons, Ltd.
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 | 0,000 |
| 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 ».