Long-term groundwater recharge rates across India by in situ measurements
Notice bibliographique
Résumé
Abstract. Groundwater recharge sustains groundwater discharge, including natural discharge through springs and the base flow to surface water as well as anthropogenic discharge through pumping wells. Here, for the first time, we compute long-term (1996–2015) groundwater recharge rates using data retrieved from several groundwater-level monitoring locations across India (3.3 million km2 area), the most groundwater-stressed region globally. Spatial variations in groundwater recharge rates (basin-wide mean: 17 to 960 mm yr−1) were estimated in the 22 major river basins across India. The extensive plains of the Indus–Ganges–Brahmaputra (IGB) river basins are subjected to prevalence of comparatively higher recharge. This is mainly attributed to occurrence of coarse sediments, higher rainfall, and intensive irrigation-linked groundwater-abstraction inducing recharge by increasing available groundwater storage and return flows. Lower recharge rates (<200 mm yr−1) in most of the central and southern study areas occur in cratonic, crystalline fractured aquifers. Estimated recharge rates have been compared favorably with field-scale recharge estimates (n=52) based on tracer (tritium) injection tests. Results show that precipitation rates do not significantly influence groundwater recharge in most of the river basins across India, indicating human influence in prevailing recharge rates. The spatial variability in recharge rates could provide critical input for policymakers to develop more sustainable groundwater management in India.
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 | 0,001 | 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) | 0,001 | 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 ».