Development and evaluation of a new innovative method for simulating preferential flow in subsurface drained fields
Notice bibliographique
Résumé
Macropore flow plays a key role in the rapid movement of water through agricultural soils, especially in subsurface-drained fields where preferential flow paths transport water and pollutants quickly to groundwater and surface water bodies.Traditional drainage models often overlook macropore flow, leading to inaccurate predictions of water movement and contaminant transport.To address this, a new stochastic approach has been developed and incorporated into the DRAINMOD model.The new approach simulates macropore flow probabilistically by incorporating macropore/crack morphology and distributions, offering a more realistic representation of macropore networks.The model simulates flow in both continuous and deadend macropores.In addition, laminar and turbulent flow in macropores and soil cracks were considered, as per the Reynolds number.Hagen-Poiseuille's law is used for laminar flow, while turbulent macropore flow is simulated using the Manning equation.Two agricultural sites were selected to evaluate the model, one in Iowa and another in Ohio.The Iowa site was used to simulate flow in cylindrical pores, and the Ohio site was used for testing water flow in soil cracks.Two calibration approaches were applied.In the first approach, DRAINMOD was calibrated using observed drain outflow, while in the second approach, DRAINMOD was calibrated using only the slow-response component of observed drain outflows, representing soil matrix flow.A hydrograph separation using a digital filter technique was applied to divide subsurface drain outflow into slow and fast-response flows, with fast-response representing preferential flow.At the Iowa site in Nashua, six years of field data (1990)(1991)(1992)(1993)(1994)(1995) were used.The soil is moderately well to poorly drained with significant rainfall during the growing season.Results showed that DRAINMOD/Macropore accurately simulated subsurface drainage.Preferential flow contributed an average of 9% to annual subsurface drainage using the first calibration, with monthly NSE values of 0.88 and 0.83 for calibration (1990-1992) and validation (1993-1995) periods, respectively.With the second approach, the average preferential flow increased to 18%, and the monthly NSE values were 0.68 and 0.71.Hydrograph separation estimated fast-response flow at 21%, closely aligning with the model's 18%, validating its performance.At the Ohio site, located in the Western Lake Erie Basin watershed, four years of data (2017-2020) from a field with Blount silt loam soil, a somewhat poorly drained soil, were used.Preferential flow accounted for 15% of total drainage using the first approach.The model performed well, with monthly NSE values of 0. 76 for calibration (2017-2018) and 0.81 for validation (2019-2020) periods.Using the second calibration approach, the crack flow contribution increased to 22%, matching the fast-response component estimated from hydrograph separation.In conclusion, the new stochastic macropore flow component in DRAINMOD effectively simulates both matrix and preferential water movement in subsurface-drained fields.Future studies will focus on incorporating chemical transport modules to better understand the environmental implications of preferential flow on water quality.iiiRésumé Le flux dans les macropores joue un rôle clé dans le déplacement rapide de l'eau à travers les sols agricoles, en particulier dans les champs drainés en profondeur, où les chemins d'écoulement préférentiel transportent rapidement l'eau et les polluants vers les nappes phréatiques et les eaux de surface.Les modèles de drainage traditionnels négligent souvent l'écoulement par macropores, ce qui entraîne des prédictions inexactes des mouvements de l'eau et du transport des contaminants.Pour y remédier, une nouvelle approche stochastique a été développée et intégrée au modèle DRAINMOD.Cette nouvelle approche simule l'écoulement par macropores de manière probabiliste en intégrant la morphologie et la distribution des macropores/fissures, offrant ainsi une représentation plus réaliste des réseaux de macropores.Le modèle simule l'écoulement à la fois dans les macropores continus et à extrémité fermée.De plus, les régimes d'écoulement laminaire et turbulent dans les macropores et les fissures du sol ont été pris en compte en fonction du nombre de Reynolds.La loi de Hagen-Poiseuille est utilisée pour l'écoulement laminaire, tandis que l'écoulement turbulent est simulé à l'aide de l'équation de Manning.Deux sites agricoles ont été sélectionnés pour évaluer le modèle : un en Iowa et un autre en Ohio.Le site de l'Iowa a été utilisé pour simuler l'écoulement dans des pores cylindriques, tandis que celui de l'Ohio a servi à tester l'écoulement dans les fissures du sol.Deux méthodes d'étalonnage ont été appliquées.Dans la première, DRAINMOD a été étalonné à partir des débits de drainage observés.Dans la seconde, le modèle a été étalonné uniquement en utilisant la composante à réponse lente du drainage observé, représentant l'écoulement dans la matrice du sol.Une séparation de l'hydrogramme utilisant une méthode de filtrage numérique a été appliquée pour diviser les écoulements de drainage souterrain en composantes à réponse lente et rapide, cette dernière correspondant à l'écoulement préférentiel.Au site de Nashua, en Iowa, six années de données de terrain (1990)(1991)(1992)(1993)(1994)(1995) ont été utilisées.Le sol, modérément à mal drainé, reçoit des précipitations importantes durant la saison de croissance.Les résultats ont montré que DRAINMOD/Macropore simulait avec précision le drainage souterrain.L'écoulement préférentiel représentait en moyenne 9% du drainage annuel selon le premier étalonnage, avec des valeurs mensuelles de NSE de 0,88 pour la période d'étalonnage (1990)(1991)(1992) et de 0,83 pour la validation (1993)(1994)(1995).Avec la seconde approche, l'écoulement préférentiel moyen atteignait 18%, avec des NSE mensuels de 0,68 et 0,71.La séparation de l'hydrogramme a estimé un écoulement à réponse rapide de 21%, proche des 18% simulés, validant la performance du modèle.Au site de l'Ohio, situé dans le bassin versant occidental du lac Érié, quatre années de données (2017-2020) provenant d'un champ avec un sol limoneux de type Blount, modérément mal drainé, ont été utilisées.L'écoulement préférentiel représentait 15% du drainage total selon la première approche.Le modèle a bien performé, avec des valeurs mensuelles de NSE de 0,76 pour l'étalonnage ( 2017-2018) et de 0,81 pour la validation (2019-2020).Avec la seconde approche, la contribution de l'écoulement dans les fissures a atteint 22%, correspondant exactement à la composante à réponse rapide estimée par la séparation de l'hydrogramme.En conclusion, le nouveau composant stochastique d'écoulement par macropores intégré dans DRAINMOD simule efficacement le mouvement de l'eau, tant dans la matrice que via les flux préférentiels, dans les champs agricoles drainés.Les futures études viseront à intégrer des modules de transport de contaminants pour mieux comprendre les implications environnementales de l'écoulement préférentiel sur la qualité de l'eau.v Dedication This thesis is dedicated to the loving memory of my mother, Mrs. Nasrin Mostafavi, who taught me the value of perseverance and kindness.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».