How shallow and deep groundwater impact environmental parameters correlated with global heatwaves
Notice bibliographique
Résumé
Heatwaves present serious challenges to ecosystems, human health, and a wide range of socioeconomic activities. As the frequency and intensity of heatwaves increase, understanding the mechanisms driving their dynamics and interactions with land surface processes become more important. While extensive research has investigated the influence of various land and atmospheric parameters on heatwaves, less is known about how groundwater depth influences heatwave dynamics through their effects on soil moisture and surface evaporative fluxes (Vogelbacher et al., 2024, Sadeghi et al., 2012). To address this knowledge gap, we investigated how the groundwater depth affects the key parameters controlling heatwave dynamics on a global scale. Specifically, we developed more than 200,000 localized Artificial Intelligence (AI) models to represent the spatial distribution of heatwave frequency over the past 21 years across the world. For each model, a radius of 1.5 degrees (approximately 149 neighboring pixels) is considered in the computation to identify key parameters contributing to heatwaves in that region. We analyzed surface fluxes, as well as atmospheric, hydrological, and local environmental variables, to understand their correlation to heatwaves. Our findings suggest that geopotential height representing atmospheric drivers, is the key predictor of heatwave events in regions with deep groundwater tables (>100 m). In contrast, in areas with shallow groundwater (
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».