Quantifying groundwater sensitivity and resilience over peninsular India
Notice bibliographique
Résumé
Abstract Groundwater in India plays an important role to support livelihoods and maintain ecosystems and the present rate of depletion of groundwater resources poses a serious threat to water security. Yet, the sensitivity of the hydrological processes governing groundwater recharge to climate variability remains unclear in the region. Here we assess the groundwater sensitivity (precipitation–recharge relationship) and its potential resilience towards climatic variability over peninsular India using a conceptual water balance model and a convex model, respectively in 54 catchments over peninsular India. Based on the model performance using a comprehensive approach (Nash Sutcliffe Efficiency [NSE], bias and variability), 24 out of 54 catchments are selected for assessment of groundwater sensitivity and its resilience. Further, a systematic approach is used to understand the changes in resilience on a temporal scale based upon the convex model and principle of critical slowing down theory. The results of the study indicate that the catchments with higher mean groundwater sensitivity (GWS) encompass high variability in GWS over the period (1988–2011), thus indicating the associated vulnerability towards hydroclimatic disturbances. Moreover, it was found that the catchments pertaining to a lower magnitude of mean resilience index incorporates a high variability in resilience index over the period (1993–2007), clearly illustrating the inherent vulnerability of these catchments. The resilience of groundwater towards climatic variability and hydroclimatic disturbances that is revealed by groundwater sensitivity is essential to understand the future impacts of changing climate on groundwater and can further facilitate effective adaptation strategies.
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 | 0,000 | 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) | 0,001 | 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 ».