Thermal Imagery of Groundwater Seeps: Possibilities and Limitations
Notice bibliographique
Résumé
Quantifying groundwater flow at seepage faces is crucial because seepage faces influence the hydroecology and water budgets of watersheds, lakes, rivers and oceans, and because measuring groundwater fluxes directly in aquifers is extremely difficult. Seepage faces provide a direct and measurable groundwater flux but there is no existing method to quantitatively image groundwater processes at this boundary. Our objective is to determine the possibilities and limitations of thermal imagery in quantifying groundwater discharge from discrete seeps. We developed a conceptual model of temperature below discrete seeps, observed 20 seeps spectacularly exposed in three dimensions at an unused limestone quarry and conducted field experiments to examine the role of diurnal changes and rock face heterogeneity on thermal imagery. The conceptual model suggests that convective air-water heat exchange driven by temperature differences is the dominant heat transfer mechanism. Thermal imagery is effective at locating and characterizing the flux of groundwater seeps. Areas of active groundwater flow and ice growth can be identified from thermal images in the winter, and seepage rates can be differentiated in the summer. However, the application of thermal imagery is limited by diverse factors including technical issues of image acquisition, diurnal changes in radiation and temperature, and rock face heterogeneity. Groundwater discharge rates could not be directly quantified from thermal imagery using our observations but our conceptual model and experiments suggest that thermal imagery could quantify groundwater discharge when there are large temperature differences, simple cliff faces, non-freezing conditions, and no solar radiation.
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) | 0,001 | 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 ».