Mapping sediment type at a recharge site with a towed electromagnetic system
Notice bibliographique
Résumé
With the goal of balancing demand for groundwater supply and demand, many water managers are intentionally recharging water into aquifers for later use by flooding agricultural fields, a practice called Ag-MAR. A major challenge with Ag-MAR implementation is understanding subsurface properties which may influence the quantity and quality of water recharged. We acquired data across a 138-acre orchard near Modesto, California, with a towed electromagnetic system, tTEM, from which we derived images of subsurface electrical resistivity to a depth of 42 m. We built on a previously developed workflow to that uses collocated resistivity values and sediment-type logs to obtain a subsurface model representing variation in the fraction of coarse-grained material (coarse fraction). We modified the workflow to reduce the uncertainty in resistivity and sediment type by averaging both of these values over larger depth intervals in determining the resistivity distribution that corresponded to each sediment type. We selected resistivity values to represent each sediment type to reduce the bias caused by the differences in sampled volumes in the input data. We compared our coarse-fraction model to sediment-type logs and observations of water table fluctuations during flooding experiments. Using the coarse-fraction model, we estimated the length of the potential recharge pathway from each 20 m x 20 m grid point at the ground surface to the water table, and the depth to the shallowest barrier to flow. We conclude that tTEM data captures the spatial variation in coarse fraction at a scale relevant to Ag-MAR.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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 ».