Beyond Classical Observations in Hydrogeology: The Advantages of Including Exchange Flux, Temperature, Tracer Concentration, Residence Time, and Soil Moisture Observations in Groundwater Model Calibration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Traditionally, groundwater and surface water flow models have been calibrated against two observation types: hydraulic heads and surface water discharge. It has repeatedly been demonstrated, however, that these classical observations do not contain sufficient information to calibrate flow models. To reduce the predictive uncertainty of flow models, the consideration of other observation types constitutes a promising way forward. Despite the ever‐increasing availability of other observation types, however, they are still unconventional when it comes to flow model calibration. By reviewing studies that included nonclassical observations in flow model calibration, benefits and challenges associated with their integration in flow model calibration were identified, and their information content was analyzed. While explicit simulation of mass transport processes in flow models poses challenges, even simplified approaches to integrate tracer concentrations yield significantly better calibration results than using only classical observations. For a majority of calibrated flow models, observations of tracer concentrations and of exchange fluxes were beneficial. Temperature observations improved the simulation of heat transport but often worsened all other model outcomes. Only when temperature observations were made within 2 m of the surface water‐groundwater interface did they have the potential to also improve flow and mass transport simulations. Surprisingly, many models were calibrated manually rather than with the widely available, mathematically robust and automated tools. There is a clear need for more systematic implementation of unconventional observations and automated flow model calibration as well as for more systematic quantification of the information content of unconventional observations.
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.
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) | 0,000 | 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 découle