Analysis of fragmented piezometric levels records: the ARTE (Antecedent Recharge Temporal Effectiveness) approach
Notice bibliographique
Résumé
In contrast to climatic data, piezometric records are often fragmented both in time and space continuity, despite their crucial importance in groundwater studies. This work presents a new method for analysis of groundwater level vs. recharge processes relation from fragmented piezometric data, called Antecedent Recharge Temporal Effectiveness (ARTE). The ARTE method was tested on 5 year-long (2016-2020) water table level datasets measured by three automatic piezometers located in the Lucca plain (Tuscany, Italy). For each piezometric level time series, measurements were extracted every 30, 60, and 120 days, and randomly, obtaining fragmented records inlcuding less than 3% of the complete time series. As for recharge processes of the monitored aquifer, rainfall and riverbed infiltration were selected. Hence, daily rainfall and daily mean river stage time series were acquired from different automatic raingauges and hydrometers respectively. The relationship between these recharge processes and the variation of the piezometric level from the artificially fragmented datasets were evaluated with the ARTE method. The ARTE method was potentially able to identify maximum correlation time intervals, for which the recharge processes are most likely to influence the groundwater level. Based on the analysis conducted on the fragmented piezometric datasets, the reconstruction of each piezometric time series was attempted for the study period. The simulated daily groundwater level records have RMSE values between 0.21 m and 0.73 m and NRMSE values between 0.08 and 0.16, which are satisfactory results when compared with other more complex simulation procedures, in which the training datasets are increasingly larger.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».