Integrating Gravimetry Data With Thermal Infra‐Red Data From Satellites to Improve Efficiency of Operational Irrigation Advisory in South Asia
Notice bibliographique
Résumé
Abstract The rapid decline of groundwater resources in South Asia due to excessive irrigation during dry season requires awareness of optimal on‐field water requirements. Such information is currently provided on farmer cellphones through an operational Irrigation Advisory System (IAS). To minimize the cost of sending such irrigation advisory texts to farmers while maximizing impact of IAS on groundwater sustainability, we integrated Gravity Recovery and Climate Experiment (GRACE) data with Landsat Thermal Infrared (TIR) Imagery to target regions in greater need of the IAS service. We demonstrated the concept of an improved IAS over eight irrigation districts of the Ganges and Indus basins. The Surface Energy Balance Algorithm for Land (SEBAL) was used to monitor on‐field water consumption (evapotranspiration‐ET) over cropped areas using Landsat TIR data at plot‐scale spatial resolution. Comparison of SEBAL ET with crop water demand from Penman‐Monteith (FAO56) technique quantified the extent of overirrigation at the plot scale and provided a tangible pathway to microtarget the IAS service only to farmers with the largest groundwater use footprint, thereby improving the impact of the IAS service further. Our results suggested that an operational IAS that integrates GRACE and Landsat TIR data on average can save about 85% (80 million m 3 ) of groundwater per dry season for irrigation districts of Northern India and 87% (or 150 million m 3 ) per year for irrigation districts of Eastern Pakistan.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».