GROW: A Global Time Series Dataset for Large-Sample Groundwater Studies
Notice bibliographique
Résumé
Groundwater is a central component of social-ecological systems. However, our understanding of how it is dynamically interlinked with the atmosphere, hydrosphere, cryosphere, biosphere, geosphere, and anthroposphere is limited. Existing datasets lack features that enable us to better understand groundwater functions and how they are affected by anthropogenic change. Specifically, there remains no large-scale groundwater dataset that provides analysis-ready groundwater time series alongside groundwater-associated variables and attributes. In the pursuit of understanding the planet's groundwater dynamics, we present GROW (global GROundWater analysis package). This user-friendly, quality-controlled dataset combines groundwater depth and level time series from around the world with associated social-ecological variables. GROW is designed to enable large-sample spatio-temporal groundwater analysis without much further preprocessing. The dataset contains more than 180,000 time series from 41 countries – whereby over 90 % of the time series are from either North America, Australia or Europe - in a daily, monthly, or yearly temporal resolution. Most of them are between 10 and 20 years long, from 01/1888 to 04/2024, and have a median depth to the water table of 8 metres. Groundwater data is paired with a total of 37 time series or attributes of meteorological, hydrological, geophysical, botanical, and anthropogenic variables (e.g., precipitation, ground elevation, aquifer type, NDVI, land use). More than 20 data flags about well features (e.g., location coordinates and license), as well as time series characteristics (e.g., gap fraction or length), simplify a quick data filtering tailored to specific needs. GROW provides an essential foundation understanding large-scale groundwater processes and provides a robust resource for calibrating and validating models that address groundwater dynamics in social-ecological systems. Gaining an enhanced insight in these processes is essential for managing groundwater resources and ensuring their long-term sustainability.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,007 |
| 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 ».