Notice bibliographique
Résumé
<strong class="journal-contentHeaderColor">Abstract.</strong> In coastal zones, a major objective of groundwater management is often to determine sustainable pumping rates avoiding well salinization. Understanding how model and climate uncertainties affect optimal management solutions is essential to provide groundwater managers information about salinization risk, and is facilitated by the use of optimization under uncertainty (OUU) methods. However, guidelines are missing for the widespread implementation of OUU in real-world coastal aquifers, and for the incorporation of climate uncertainty into OUU approaches. An ensemble-based OUU approach was developed, considering parameter, observation and climate uncertainty, and was implemented in a real-world island aquifer in the Magdalen Islands (Quebec, Canada). A sharp-interface seawater intrusion model was developed using MODFLOW-SWI2 and a prior parameter ensemble was generated, containing multiple equally plausible realizations. Ensemble-based history matching was conducted using an iterative ensemble smoother and yielded a posterior parameter ensemble conveying both parameter and observation uncertainty. 2050 sea level and recharge ensembles were generated and incorporated to generate a predictive parameter ensemble conveying parameter, observation and climate uncertainty. Multi-objective OUU was then conducted, aiming to both maximize pumping rates and minimize probability of well salinization. As a result, the optimal tradeoff between pumping and probability of salinization was quantified, considering parameter, historical observation and future climate uncertainty simultaneously. The multi-objective, ensemble-based OUU led to optimal pumping rates that were very different from a previous deterministic OUU, and close to the current and projected water demand for risk-averse stances. Incorporating climate uncertainty in the OUU was also critical since it reduced the maximum allowable pumping rates for users with a risk-averse stance. The workflow used tools adapted to very high-dimensional, nonlinear models and optimization problems, to facilitate its implementation in a wide range of real-world settings.
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) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».