Notice bibliographique
Résumé
Abstract. Groundwater recharge is a key hydrogeological variable that informs the renewability of groundwater resources. Long-term average (LTA) groundwater recharge provides a measure of replenishment under the prevailing climatic and landuse conditions and is therefore of considerable interest in assessing the sustainability of groundwater withdrawals globally. This study builds on the modelling results of MacDonald et al. (2021) who produced the first LTA groundwater recharge map across Africa using a linear mixed model (LMM) rooted in 134 ground-based studies. Here, continent-wide predictions of groundwater recharge were generated using Random Forest (RF) regression employing five variables (precipitation, potential evapotranspiration, soil moisture, NDVI and aridity index) at a higher spatial resolution (0.1° resolution) to explore whether an improved model might be achieved through machine learning. Through the development of a series of RF models, we confirm that a RF model is able to generate maps of higher spatial variability than LMM; the performance of final RF models in terms of the goodness of fit (R2 = 0.83, 0.88 with residual kriging) is comparable to the LMM (R2 = 0.86). The higher spatial scale of the predictor data (0.1°) in RF models better preserves small-scale variability from predictor data, than the values provided via interpolated LMM; these may provide useful in testing global-to-local scale models. The RF model remains, nevertheless, constrained by its representation of focused recharge and by the limited range of recharge studies in tropical Africa, especially in the areas of high precipitation. This confers substantial uncertainty in model estimates.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,026 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,145 | 0,115 |
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 source (Gemma direct ou Codex distillé), 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 ».