MétaCan
Menu
Retour à la cohorte
Enregistrement W2969940692 · doi:10.1029/2018wr024618

Global GRACE Data Assimilation for Groundwater and Drought Monitoring: Advances and Challenges

2019· article· en· W2969940692 sur OpenAlexaff
Bailing Li, Matthew Rodell, Sujay V. Kumar, H. K. Beaudoing, Augusto Getirana, Benjamin F. Zaitchik, L. G. de Goncalves, Camila Cossetin, Soumendra N. Bhanja, Abhijit Mukherjee, Siyuan Tian, Natthachet Tangdamrongsub, Di Long, J. Nanteza, Jejung Lee, F. Policelli, Ibrahim Baba Goni, D. Djoret, Mohammed Bila, Gabriëlle De Lannoy, David M. Mocko, Susan Steele‐Dunne, Himanshu Save, Srinivas Bettadpur

Notice bibliographique

RevueWater Resources Research · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueGeophysics and Gravity Measurements
Établissements canadiensAthabasca University
Organismes subventionnairesNational Aeronautics and Space Administration
Mots-clésGroundwaterData assimilationEnvironmental sciencePrecipitationHydrology (agriculture)Assimilation (phonology)Groundwater flowStreamflowProxy (statistics)Drainage basinClimatologyMeteorologyGeologyAquiferGeography

Résumé

récupéré en direct d'OpenAlex

Abstract The scarcity of groundwater storage change data at the global scale hinders our ability to monitor groundwater resources effectively. In this study, we assimilate a state‐of‐the‐art terrestrial water storage product derived from Gravity Recovery and Climate Experiment (GRACE) satellite observations into NASA's Catchment land surface model (CLSM) at the global scale, with the goal of generating groundwater storage time series that are useful for drought monitoring and other applications. Evaluation using in situ data from nearly 4,000 wells shows that GRACE data assimilation improves the simulation of groundwater, with estimation errors reduced by 36% and 10% and correlation improved by 16% and 22% at the regional and point scales, respectively. The biggest improvements are observed in regions with large interannual variability in precipitation, where simulated groundwater responds too strongly to changes in atmospheric forcing. The positive impacts of GRACE data assimilation are further demonstrated using observed low‐flow data. CLSM and GRACE data assimilation performance is also examined across different permeability categories. The evaluation reveals that GRACE data assimilation fails to compensate for the lack of a groundwater withdrawal scheme in CLSM when it comes to simulating realistic groundwater variations in regions with intensive groundwater abstraction. CLSM‐simulated groundwater correlates strongly with 12‐month precipitation anomalies in low‐latitude and midlatitude areas. A groundwater drought indicator based on GRACE data assimilation generally agrees with other regional‐scale drought indicators, with discrepancies mainly in their estimated drought severity.

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)0,003
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 enseignants0,018
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
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 Opus0,171
Tête enseignante GPT0,341
Écart entre enseignants0,170 · 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

Citations615
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Resources ResearchMême sujetGeophysics and Gravity MeasurementsTravaux en français237 207