Spatiotemporal groundwater modeling for hazard analyses in the San Francisco Bay region
Notice bibliographique
Résumé
Many hazards, including precipitation-induced landslides and coseismic liquefaction, are strongly influenced by the variability of groundwater levels. Simplified or coarse-resolution groundwater models are available for regional-scale studies of infrastructure networks; however, these models often do not consider spatial and temporal variations observed within wells and may not provide sufficient local resolution for critical hazard studies. We extend a conventional, physics-based groundwater model to include spatial and temporal variability based on Gaussian process (GP) interpolation to better understand the local and temporal variation of groundwater between well observations. In this probabilistic model, the physics-based groundwater elevation model serves as an ergodic function and the GP interpolation serves as a model of the well observation residuals. We demonstrate the applicability and accuracy of the model by developing phreatic groundwater estimates for an approximately 10,000 km2 area surrounding San Francisco Bay, California, USA. The resulting model accurately estimates the seasonally variable groundwater depth in a blind holdout dataset within 1.11 m with 90% confidence. The model is well constrained with a standard deviation of approximately 1.1 m near wells, but the uncertainty increases dramatically in mountainous terrain where well observations are limited. The model results also indicate that the average seasonal variability is typically modest relative to non-seasonal events, but nonetheless could have significant impacts on hazard evaluations such as earthquake-induced liquefaction or shallow slope instability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».