Bias of stormwater infiltration measurement methods evaluated using numerical experiments
Notice bibliographique
Résumé
Abstract Infiltration stormwater control measures (SCMs) have the potential to contribute towards mitigating the effects of urbanization on downstream receiving waters. Infiltration SCMs are most often successful when the in‐situ saturated hydraulic conductivity ( K sat ) is well characterized. In this paper numerical solutions of the Richards’ equation are used to quantify the bias of seven infiltration measurement methods, removing natural variability and random error from the analysis. The methods evaluated in this study include the double ring infiltrometer, Saturo infiltrometer, modified Philip–Dunne infiltrometer, Turf‐Tec IN2‐W infiltrometer, USBR 7300‐89 well permeameter, Philip–Dunne permeameter, and the Guelph permeameter. Seven homogenous, isotropic soil textures were simulated at four initial soil moistures for the seven methods, resulting in a total of 196 simulations. The dimensionless bias is defined as the “measured” K sat determined by a given method divided by the K sat input to the numerical experiments. The “measured” K sat is in quotations to identify the measurement occurs in a numeric experiment rather than in a physical experiment. In sand through silt loam soils that are typical of infiltration SCMs, the simulated methods have a bias in the range of 0.7–6.2. The Turf‐Tec was the only infiltrometer that produced a bias >2.5 for these soils. Initial effective saturation had a minimal contribution to bias for most methods. Methods that rely on a one‐dimensional (1D) flow assumption consistently overestimated the K sat . Borehole methods produced results with bias similar to surface methods. Long duration methods did not consistently produce more accurate results than short duration methods.
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) | 0,001 | 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 ».