Integrating Geophysics and Soil Sampling for Site Characterization: A Kernel Approach
Notice bibliographique
Résumé
ABSTRACT Reconstructing the variation of contaminant concentration with a limited number of soil samples is more or less the norm, even though it fails more often than not for problems of even moderate complexity. To overcome the limits inherent to discrete measurements, we propose to integrate soil sampling with continuous surface geophysical measurements in a geostatistical framework. We present this integrated analysis for a PAH contaminated site in France. For the study site, two 3D surveys were acquired: an electrical resistivity tomography survey and a seismic travel time tomography survey. Those two surveys permitted us to infer two spatially continuous physical properties on the whole volume, namely the electrical resistivity and P-wave velocity. The probability density function relating the velocity-resistivity pairs with each of the 75 lab measurements of PAH concentration was modeled using a Gaussian kernel. This probability density function combined with the 3D volumes of resistivity and P-wave velocity provided a means to translate the latter into a 3D map of PAH concentration. This 3D map of concentration was then used as a secondary variable in a cokriging simulation of the 75 lab samples, thus reintroducing the spatial correlation of the initial dataset. Comparing this final 3D PAH concentration model with the simple kriging of the PAH samples, the geophysical integrated model reproduce much better the distribution of measured concentration, shows a much more realistic spatial pattern of the contamination, and lowers the estimated contaminated volume.
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 ».