A Framework for Untangling Transient Groundwater Mixing and Travel Times
Notice bibliographique
Résumé
Abstract Understanding the mixing between surface water and groundwater as well as groundwater travel times in vulnerable aquifers is crucial to sustaining a safe water supply. Age dating tracers used to infer apparent travel times typically refer to the entire groundwater sample. A groundwater sample, however, consists of a mixture of waters with a distribution of travel times. Age dating tracers only reflect the proportion of the water that is under the dating range of the used tracer, thus their interpretation is typically biased. Additionally, end‐member mixing models are subject to various sources of uncertainties, which are typically neglected. In this study, we introduce a new framework that untangles groundwater mixing ratios and travel times using a novel combination of in‐situ noble gas analyses. We applied this approach during a groundwater pumping test carried out in a pre‐alpine Swiss valley. First, we calculated transient mixing ratios between recently infiltrated river water and regional groundwater present in a wellfield, using helium‐4 concentrations combined with a Bayesian end‐member mixing model. Having identified the groundwater fraction of recently infiltrated river water ( F rw ) consequently allowed us to infer the travel times from the river to the wellfield, estimated based on radon‐222 activities of F rw . Furthermore, we compared tracer‐based estimates of F rw with results from a calibrated numerical model. We demonstrate (i) that partitioning of major water sources enables a meaningful interpretation of an age dating tracer of the water fraction of interest and (ii) that the streambed has a major control on the estimated travel times.
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 | 0,001 | 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) | 0,002 | 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 ».