Using a multiple variogram approach to improve the accuracy of subsurface geological models
Notice bibliographique
Résumé
Subsurface geological models are often used to visualize and analyze the nature, geometry, and variability of geologic and hydrogeologic units in the context of groundwater resource studies. The development of three-dimensional (3D) subsurface geological models covering increasingly larger model domains has steadily increased in recent years, in step with the rapid development of computing technology and software, and the increasing need to understand and manage groundwater resources at the regional scale. The models are then used by decision makers to guide activities and policies related to source water protection, well field development, and industrial or agricultural water use. It is important to ensure that the modelling techniques and procedures are able to accurately delineate and characterize the heterogeneity of the various geological environments included within the regional model domain. The purpose of this study is to examine if 3D stratigraphic models covering complex Quaternary deposits can be improved by splitting the regional model into multiple submodels based on the degree of variability observed between surrounding data points and informed by expert geological knowledge of the geological–depositional framework. This is demonstrated using subsurface data from the Paris Moraine area near Guelph in southern Ontario. The variogram models produced for each submodel region were able to better characterize the data variability, resulting in a more geologically realistic interpolation of the entire model domain as demonstrated by the comparison of the model output with preexisting maps of surficial geology and bedrock topography as well as depositional models for these complex glacial environments. Importantly, comparison between model outputs reveals significant differences in the resulting subsurface stratigraphy, complexity, and variability, which would in turn impact groundwater flow model predictions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».