Linking the Surface and Subsurface in River Deltas—Part 1: Relating Surface and Subsurface Geometries
Notice bibliographique
Résumé
Abstract River deltas are densely populated regions of the world with vulnerable groundwater reserves. Contamination of these groundwater aquifers via saline water intrusion and pollutant transport is a growing threat due to both anthropogenic and climate changes. The arrangement and composition of subsurface sediment is known to have a significant impact on aquifer contamination; however, developing accurate depictions of the subsurface is challenging. In this work, we explore the relationship between surface and subsurface properties and identify the metrics most sensitive to different forcing conditions. To do so, we simulate river delta evolution with the rule‐based numerical model, DeltaRCM, and test the influence of input sand fraction and steady sea level rise (SLR) on delta evolution. From the model outputs, we measure a variety of surface and subsurface metrics chosen based on their applicability to imagery and modeling results. The Kullback‐Leibler (KL) divergence is then used to quantitatively gauge which metrics are most indicative of the imposed forcings. Both qualitative observations and the KL divergence analysis suggest that estimates of subsurface connectivity can be constrained using surface information. In particular, more variable shoreline roughness values and higher surface wetted fraction values correspond to increased subsurface connectivity. These findings complement traditional methods of estimating subsurface structure in river‐dominated delta systems and represent a step toward the identification of a direct link between surface observations and subsurface form.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».