Considerable gaps in our global knowledge of potential groundwater accessibility
Notice bibliographique
Résumé
At what depth groundwater can be found below the land surface is key to understanding whether it ispotentially accessible to ecosystems and humans, or what role it plays in the water cycle. Knowledge ofground-water table depth (WTD) exists at regional scales in many places, but a bottom-up knowledgeaggregation to obtain a coherent global picture is exceptionally challenging. Uncertainty in global-scaleWTD knowledge severely affects our ability to assess groundwater’s future role in a water cycle altered bychanges in climate, land use, and human water use. Global groundwater models offer a top-down pathwayto gain this knowledge. However, we find them highly uncertain: four models investigated show WTDdisagreements of more than 100 m for one-third of the global land area. Averaged across the models, weestimate that 23% [most deviating model: 71%] of the land area contains shallow groundwater potentiallyaccessible to ecosystems and humans, <10m depth, 57% [29%] is potentially accessible to humans throughpumping, 10-100m, while 20% [0.01%] is potentially too costly to access or inaccessible, >100m.Depending on the model, +-63% of global forest coverage and +-54% of irrigated land is inside areas ofpotentially ecosystem-accessible water, and +-33% of the global population lives in areas with potentiallyhuman-accessible groundwater. These results add significant uncertainties to any global-scale analysis,which will not significantly reduce without dedicated efforts. We outline three pathways to reduce thisuncertainty through better global datasets, alternative strategies for model evaluation, and greatercooperation with experts.
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) | 0,001 | 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 | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».