The Impact of Soil Moisture on Groundwater Level Forecasting Using Deep Neural Networks: Evidence from Brandenburg, Germany
Notice bibliographique
Résumé
One major challenge in reliable groundwater level forecasting is to correctly account for the amount and rate of precipitation percolating through the unsaturated zone prior to reaching the aquifer. Especially under a changing climate already impacting weather and climate extremes globally, increased frequency of heatwaves, heavy precipitation, and drought periods will have significant impact on recharge patterns through soil hydraulic properties and unsaturated zone dynamics. However, as soon as groundwater predictions concern long-term environmental changes, extrapolations beyond the short-term often lack to fully account for increased frequency of extreme events under climate change. Consequently, estimates and forecasts overlook the actual impacts of weather extremes, particularly imprinting themselves in changes in the hydraulic connection between groundwater and soil surface.We used weekly groundwater level data (1990 – 2024) from over a hundred measuring wells, well distributed over the federal state of Brandenburg, Germany, to train a deep neural network, that is able to predict groundwater level development under the impacts of climate change. To account for the soil hydraulic properties, we included soil moisture from different depths as a proxy for the amount and timing of water percolating through the vadose zone.We show that purely climatic inputs, such as air temperature and precipitation are not sufficient to explain regional groundwater level development, as suggested by previous studies. Instead, including soil moisture turns out be the factor with the highest impact (feature importance) on the entire regional model, increasing the explained variance for most sites, while being able to reduce the model error constantly (RSME). Our findings demonstrate that future predictions of groundwater level can be enhanced by integrating the effects of climate on soil moisture into predictive models.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».