Rapid and Accurate Estimates of Streamflow Depletion Caused by Groundwater Pumping Using Analytical Depletion Functions
Notice bibliographique
Résumé
Abstract Reductions in streamflow due to groundwater pumping (“streamflow depletion”) can negatively impact water users and aquatic ecosystems but are challenging to estimate due to the time and expertise required to develop numerical models often used for water management. Here we develop analytical depletion functions , which are simpler approaches consisting of (i) stream proximity criteria, which determine the stream segments impacted by a well; (ii) a depletion apportionment equation, which distributes depletion among impacted stream segments; and (iii) an analytical model to estimate streamflow depletion in each segment. We evaluate 50 analytical depletion functions via comparison to an archetypal numerical model and find that analytical depletion functions predict streamflow depletion more accurately than analytical models alone. The choice of a depletion apportionment equation has the largest impact on analytical depletion function performance and equations that consider stream network geometry perform best. The best‐performing analytical depletion function combines stream proximity criteria which expand through time to account for the increasing size of the capture zone; a web squared depletion apportionment equation, which considers stream geometry; and the Hunt analytical model, which includes streambed resistance to flow. This analytical depletion function correctly identifies the stream segment most affected by a well > 70% of the time with mean absolute error < 15% of predicted depletion and performs best for wells in relatively flat settings within ~3 km of streams. Our results indicate that analytical depletion functions may be useful water management decision support tools in locations where calibrated numerical models are not available.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».