Using Heat to Trace Vertical Water Fluxes in Sediment Experiencing Concurrent Tidal Pumping and Groundwater Discharge
Notice bibliographique
Résumé
Abstract Heat has been widely applied to trace groundwater‐surface water exchanges in inland environments, but it is infrequently applied in coastal sediment where head oscillations induce periodicity in water flux magnitude/direction and heat advection. This complicates interpretation of temperatures to estimate water fluxes. We investigate the convolution of thermal and hydraulic signals to assess the viability of using heat as a tracer in environments with tidal head oscillations superimposed on submarine groundwater discharge. We first generate sediment temperature and head time series for conditions ranging from no tide to mega‐tidal using a numerical model (SUTRA) forced with periodic temperature and tidal head signals. We then analyze these synthetic temperature time series using heat tracing software (VFLUX2 and 1DTempPro) to evaluate if conventional terrestrial approaches to infer fluxes from temperatures are applicable for coastal settings. We consider high‐frequency water flux variability within a tidal signal and averaged over tidal signals. Results show that VFLUX2 analytical methods reasonably estimated the mean discharge fluxes in most cases but could not reproduce the flux variability within tidal cycles. The model results further reveal that high‐frequency time series of water fluxes varying in magnitude and direction can be accurately estimated if paired temperatures and hydraulic heads are analyzed using numerical models (e.g., 1DTempPro) that consider both dynamic hydraulic gradients and thermal signals. These results point to the opportunity to incorporate pressure sensors within heat tracing instrumentation to better assess sub‐daily flux oscillations and associated reactive processes.
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 | 0,001 | 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 | 0,001 | 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) | 0,002 | 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 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 ».