Decision-support modeling in island aquifers using sharp-interface seawater intrusion models
Notice bibliographique
Résumé
Les modèles hydrogéologiques permettent de décrire la réponse des systèmes aquifères soumis à différents forçages naturels et anthropiques, et peuvent donc être utilisés pour évaluer les éventuels effets néfastes associés à différentes stratégies de gestion de l'eau souterraine. Les variables simulées par les modèles sont intrinsèquement incertaines, et des analyses telles que l'estimation des paramètres, l'analyse quantitative des incertitudes et l'optimisation de gestion sous incertitude sont essentielles pour fournir des informations quantitatives robustes pour appuyer la prise de décision des gestionnaires de l'eau souterraine. Cependant, ces analyses sont rarement effectuées dans les modèles d'écoulement d'eau souterraine simulant l'intrusion saline, à cause des temps de calculs très longs des modèles simulant le transport advectif-dispersif. L'objectif de cette recherche était de fournir des cadres méthodologiques pour la mise en place de ces analyses dans les modèles opérationnels régionaux simulant l'intrusion saline. Des méthodologies reproductibles ont ainsi été développées pour l'estimation des paramètres, l'analyse quantitative des incertitudes et l'optimisation des pompages sous incertitude à l'aide de modèles d'intrusion saline dits à « interface abrupte », qui ne simulent pas explicitement les phénomènes de dispersion hydrodynamique. Des approches déterministes puis stochastiques ont été développées, prenant en compte l'incertitude dans les paramètres du modèle, l'incertitude dans les observations utilisées pour contraindre l'estimation des paramètres, et finalement l'incertitude climatique. Des méthodes ont été développées pour extraire des observations de charge d'eau douce équivalente et d'interface eau douce-eau salée de différents types de puits et de la géophysique, et pour estimer leurs incertitudes. Une analyse a posteriori a déterminé quels types d'observations étaient essentiels pour réduire les incertitudes prédictives du modèle, pour guider de futures collectes de données dans les aquifères insulaires ou côtiers. Une méthodologie a également été développée pour optimiser les pompages dans une lentille d'eau douce insulaire avec un modèle à interface abrupte, en corrigeant l'interface par une solution analytique pour estimer de manière simplifiée la dispersion d'eau salée liée au pompage. Toutes les méthodologies développées ont utilisé des logiciels d'écoulement de l'eau souterraine (MODLOW-SWI2) et des outils d'aide à la décision (PEST_HP, PEST++, PyEMU) libres et facilement accessibles. Ces méthodes ont été intégralement développées sous la forme de scripts Python pour faciliter leur reprise dans d'autres projets de modélisation hydrogéologique. Les résultats démontrent les avantages liés à la mise en place d'outils d'aide à la décision dans les modèles numériques d'écoulement de l'eau souterraine. L'optimisation des pompages sous incertitude permet d'obtenir le débit de pompage maximal en fonction du risque de salinisation (à comparer à la demande en eau); cette approche permet aux gestionnaires de l'eau souterraine de choisir le scénario souhaité en fonction de leur degré de tolérance au risque. L'estimation des paramètres permet de réduire les incertitudes prédictives du modèle, ce qui influence directement les débits de pompage optimaux. La prise en compte de l'incertitude climatique augmente l'incertitude prédictive du modèle et réduit les débits de pompages optimaux pour les gestionnaires ayant une attitude conservatrice face au risque. Cette recherche était motivée par des problématiques concrètes de gestion de l'eau souterraine aux Iles de la Madeleine (Québec, Canada), et les méthodologies mises en place pourraient être utilisées pour appuyer la prise de décision des gestionnaires de l'eau souterraine dans d'autres milieux côtiers ou insulaires.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 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 ».