Characterizing Offshore Freshened Groundwater Salinity Patterns Using Trans‐Dimensional Bayesian Inversion of Controlled Source Electromagnetic Data: A Case Study From the Canterbury Bight, New Zealand
Notice bibliographique
Résumé
Abstract The study of offshore freshened groundwater (OFG) is gaining importance due to population growth and environmental pressure on coastal water resources. Marine controlled source electromagnetic (CSEM) methods can effectively map the spatial extent of OFG systems using electrical resistivity as a proxy. Integrating these resistivity models with sub‐surface properties, such as host‐rock porosity, allows for estimates of pore‐water salinity. However, evaluating the uncertainty in pore‐water salinity using resistivity models obtained from deterministic inversion approaches presents challenges, as they provide only one best‐fit model, with no associated estimate of uncertainty. To address this limitation, we employ trans‐dimensional Markov‐Chain Monte‐Carlo inversion on marine time‐domain CSEM data, acquired in the Canterbury Bight, New Zealand. We integrate resistivity posterior probability distributions with borehole and seismic reflection data to estimate pore‐water salinity with corresponding uncertainty estimates. The results highlight a low‐salinity groundwater body in the center of the survey area, hosted by consecutive silty‐ and fine‐sand layers approximately 20–60 km from the coast. The posterior probability distribution of resistivity models indicates freshening of the OFG body toward the shoreline within a permeable, coarse‐sand layer 40–150 m beneath the seafloor, suggesting an active connection between the OFG body and the terrestrial groundwater system. The approach demonstrates how Bayesian inversion constrains the uncertainties in resistivity models and subsequently in pore‐water salinity estimates. Our findings highlight the potential of Bayesian inversion to enhance our understanding of OFG systems and provide uncertainty constraints for hydrogeological modeling, thereby contributing to sustainable water resource development.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».