Improved Estimates of Sub‐Regional Groundwater Storage Anomaly Using Coordinated Forward Modeling
Notice bibliographique
Résumé
Abstract Groundwater storage anomaly (GWSA) can be estimated either at the large scale from the Gravity Recovery and Climate Experiment (GRACE) or at the local scale based on in situ observed groundwater level (GWL) and aquifer storage parameters. Yet, the accuracy of GRACE‐based estimate is affected by leakage errors, while that of local GWL‐based estimate requires the reliable specific yield (Sy) data that are usually not available. Here, we developed a novel approach, the coordinated forward modeling (CoFM), based on the iterative forward modeling to improve GWSA estimation at the sub‐regional scale smaller than the typical GRACE footprint. It is achieved by solving Sy through iterative comparisons between GRACE‐based and observation‐based GWSA at 0.5° grid scale, and then re‐calculating GWSA using the updated Sy and observed GWL. The utility of CoFM is explored by using the hypothetical experiments and a real case study in the Piedmont Plain (PP, ∼54,000 km 2 ) and East‐central Plain (ECP, ∼86,000 km 2 ) of North China Plain. Results show that CoFM can detect GWSA at 0.5° grid scale in the hypothetical experiments given the large spatial variability of GWL. While in the real case study, the CoFM distinguishes between the divergent unconfined GWSA trends (2005–2016) in PP (−41.80 ± 0.55 mm/yr) and ECP (−7.57 ± 0.60 mm/yr) caused by the differences in hydrogeological conditions and groundwater use. The improvement made by CoFM can be attributed to the use of the distributed GWL information to constrain GRACE leakage errors. This study highlights a practical important solution for improving sub‐regional GWSA estimation through the joint use of large‐scale GRACE data and local‐scale well observations.
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 | 0,000 |
| 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 ».