On inclusion of water resource management in Earth system models – Part 2: Representation of water supply and allocation and opportunities for improved modeling
Notice bibliographique
Résumé
Abstract. Human water use has significantly increased during the recent past. Water withdrawals from surface and groundwater sources have altered terrestrial discharge and storage, with large variability in time and space. These withdrawals are driven by sectoral demands for water, but are commonly subject to supply constraints, which determine water allocation. Water supply and allocation, therefore, should be considered together with water demand and appropriately included in Earth system models to address various large-scale effects with or without considering possible climate interactions. In a companion paper, we review the modeling of demand in large-scale models. Here, we review the algorithms developed to represent the elements of water supply and allocation in land surface and global hydrologic models. We note that some potentially important online implications, such as the effects of large reservoirs on land–atmospheric feedbacks, have not yet been fully investigated. Regarding offline implications, we find that there are important elements, such as groundwater availability and withdrawals, and the representation of large reservoirs, which should be improved. We identify major sources of uncertainty in current simulations due to limitations in data support, water allocation algorithms, host large-scale models as well as propagation of various biases across the integrated modeling system. Considering these findings with those highlighted in our companion paper, we note that advancements in computation and coupling techniques as well as improvements in natural and anthropogenic process representation and parameterization in host large-scale models, in conjunction with remote sensing and data assimilation can facilitate inclusion of water resource management at larger scales. Nonetheless, various modeling options should be carefully considered, diagnosed and intercompared. We propose a modular framework to develop integrated models based on multiple hypotheses for data support, water resource management algorithms and host models in a unified uncertainty assessment framework. A key to this development is the availability of regional-scale data for model development, diagnosis and validation. We argue that the time is right for a global initiative, based on regional case studies, to move this agenda forward.
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 | 0,000 |
| 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 | 0,000 |
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 ».