Integration of Deep Learning and Information Theory for Designing Monitoring Networks in Heterogeneous Aquifer Systems
Notice bibliographique
Résumé
Abstract Groundwater monitoring networks are direct sources of information for revealing subsurface system dynamic processes. However, designing such networks is difficult due to uncertainties in the spatial heterogeneity of aquifer parameters such as permeability ( k ). This study combines deep learning and information theory with an optimization framework to address network design problems in heterogeneous aquifer systems. The framework first employs a generative adversarial network to parameterize heterogeneous k distribution using a low‐dimensional latent representation. Then, surrogate models are developed based on the deep neural networks to perform uncertainty quantification of pressure heads and solute concentrations at locations of pre‐designed candidate monitoring stations. The monitoring stations are then ranked using the greedy search algorithm based on the maximum information minimum redundancy (MIMR) criterion. In order to depict the importance of each candidate monitoring location, the hotspot maps of the selection probability ( P s ) are derived from MIMR repetition results. Comprehensive monitoring networks derived from the hotspot maps are then conducted as the final monitoring stations to improve monitoring information compared to MIMR results. Additionally, nine entropy quantization strategies are compared to evaluate their effects on monitoring network optimization results. Results indicate that caution should be taken when selecting entropy quantization strategies to achieve the accuracy required for model calibration and to improve the efficiency of monitoring optimization. Considering high‐dimensional uncertainties associated with aquifer parameters, the developed framework can provide important insights for monitoring network designs in various earth observational projects.
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 | 0,002 | 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 ».