MétaCan
Menu
Retour à la cohorte
Enregistrement W2803495721 · doi:10.1029/2018wr022707

Groundwater Pumping Impacts on Real Stream Networks: Testing the Performance of Simple Management Tools

2018· article· en· W2803495721 sur OpenAlexafffund
Samuel C. Zipper, Tom Dallemagne, Tom Gleeson, Thomas C. Boerman, Andreas Hartmann

Notice bibliographique

RevueWater Resources Research · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueHydrology and Watershed Management Studies
Établissements canadiensMcGill UniversityUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaDeutsche ForschungsgemeinschaftUniversity of VictoriaCalifornia Department of Fish and Game
Mots-clésApportionmentGroundwater rechargeStreamflowGroundwaterEnvironmental scienceAquiferHydrology (agriculture)Range (aeronautics)Soil scienceDrainage basinGeologyGeographyGeotechnical engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Abstract Quantifying reductions in streamflow due to groundwater pumping (“streamflow depletion”) is essential for conjunctive management of groundwater and surface water resources. Analytical models are widely used to estimate streamflow depletion but include potentially problematic assumptions such as simplified stream‐aquifer geometry and rely on largely untested depletion apportionment equations to distribute depletion from a well among different stream reaches. Here, we use archetypal numerical models to evaluate the sensitivity of five depletion apportionment equations to stream networks with varying drainage densities, topographic relief, and groundwater recharge rates; and statistically evaluate the sources of error for each equation. We introduce a new depletion apportionment equation called web squared which considers stream network geometry, and find that it performs the best under most conditions tested. For all depletion apportionment equations, performance decreases with increases in drainage density, relief, or recharge rates, and all equations struggle to estimate depletion in short stream reaches. Poorly performing apportionment equations tend to underestimate streamflow depletion relative to numerical model results, leading to a negative bias and underpredicted variability, while error in the best performing apportionment equations tends to be due to imperfect correlation. From a management perspective, apportionment equations with error due to bias and variability are preferable as they correctly identify which reaches will be affected and can be statistically corrected. Overall, these results indicate that the web squared method introduced here, which explicitly considers stream geometry, performs the best over a range of real‐world conditions, and will be most accurate in flatter and drier environments.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,307
Écart entre enseignants0,242 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetHydrology and Watershed Management StudiesTravaux en français237 207