Optimization of pumping rates in an island freshwater lens considering parameter, observation, and climate uncertainty
Notice bibliographique
Résumé
<p>Numerical models and optimization algorithms can be valuable tools for decision-making in coastal and island aquifers, where pumping wells are threatened by salinization. Yet, the implementation of pumping optimization under uncertainty remains limited in practice, because of long simulation times and challenges associated with uncertainty propagation through series of models. A method was developed to optimize pumping rates in an island freshwater lens considering parameter, observation, and climate uncertainty. It was implemented in an island aquifer in the Magdalen Islands (Québec, Canada). A seawater intrusion model with rapid simulation times was developed using MODFLOW-SWI2. The iterative ensemble smoother algorithm implemented by PESTPP-IES allowed for history matching and nonlinear uncertainty quantification. The model predictive uncertainties were coupled with climate uncertainties, including recharge uncertainty (derived from various global circulation models and emission scenarios) and sea-level rise uncertainty. Using PESTPP-OPT, the pumping rates in the freshwater lens were then maximized while avoiding the risk of well salinization and considering parameter, observation, and climate uncertainty. Results of the pumping optimization were compared with estimates of water demand uncertainty. This study used widely available, model-independent software and could be used to support groundwater management decision-making in other insular or coastal areas.</p>
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 | 0,000 | 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) | 0,000 | 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 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 ».