Why is the Arkavathy River drying? A multiple-hypothesis approach in a data-scarce region
Notice bibliographique
Résumé
Abstract. Water planning decisions are only as good as our ability to explain historical trends and make reasonable predictions of future water availability. But predicting water availability can be a challenge in rapidly growing regions, where human modifications of land and waterscapes are changing the hydrologic system. Yet, many regions of the world lack the long-term hydrologic monitoring records needed to understand past changes and predict future trends. We investigated this "predictions under change" problem in the data-scarce Thippagondanahalli (TG Halli) catchment of the Arkavathy sub-basin in southern India. Inflows into TG Halli reservoir have declined sharply since the 1970s. The causes of the drying are poorly understood, resulting in misdirected or counter-productive management responses. Five plausible hypotheses that could explain the decline were tested using data from field surveys and secondary sources: (1) changes in rainfall amount, seasonality and intensity; (2) increases in temperature; (3) groundwater extraction; (4) expansion of eucalyptus plantations; and (5) fragmentation of the river channel. Our results suggest that groundwater pumping, expansion of eucalyptus plantations and, to a lesser extent, channel fragmentation are much more likely to have caused the decline in surface flows in the TG Halli catchment than changing climate. The multiple-hypothesis approach presents a systematic way to quantify the relative contributions of proximate anthropogenic and climate drivers to hydrological change. The approach not only makes a meaningful contribution to the policy debate but also helps prioritize and design future research. The approach is a first step to conducting use-inspired socio-hydrologic research in a watershed.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».