Estimating Groundwater Pumping for Irrigation: A Method Comparison
Notice bibliographique
Résumé
Effective groundwater management is critical to future environmental, ecological, and social sustainability and requires accurate estimates of groundwater withdrawals. Unfortunately, these estimates are not readily available in most areas due to physical, regulatory, and social challenges. Here, we compare four different approaches for estimating groundwater withdrawals for agricultural irrigation. We apply these methods in a groundwater-irrigated region in the state of Kansas, USA, where high-quality groundwater withdrawal data are available for evaluation. The four methods represent a broad spectrum of approaches: (1) the hydrologically-based Water Table Fluctuation method (WTFM); (2) the demand-based SALUS crop model; (3) estimates based on satellite-derived evapotranspiration (ET) data from OpenET; and (4) a landscape hydrology model which integrates hydrologic- and demand-based approaches. The applicability of each approach varies based on data availability, spatial and temporal resolution, and accuracy of predictions. In general, our results indicate that all approaches reasonably estimate groundwater withdrawals in our region, however, the type and amount of data required for accurate estimates and the computational requirements vary among approaches. For example, WTFM requires accurate groundwater levels, specific yield, and recharge data, whereas the SALUS crop model requires adequate information about crop type, land use, and weather. This variability highlights the difficulty in identifying what data, and how much, are necessary for a reasonable groundwater withdrawal estimate, and suggests that data availability should drive the choice of approach. Overall, our findings will help practitioners evaluate the strengths and weaknesses of different approaches and select the appropriate approach for their application.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».