Harnessing the Power of Geophysical Imaging to Recharge California's Groundwater
Notice bibliographique
Résumé
Abstract Motivated by the availability of 20,000 line‐km of airborne electromagnetic (AEM) data covering the Central Valley of California, we developed a workflow that uses resistivity profiles from electromagnetic (EM) data to assess the suitability of areas for groundwater recharge. We defined a suitable area as one where “fastpaths” of coarse‐grained material could efficiently move water from the ground surface to the water table. We defined recharge metrics and generated the corresponding maps by integrating resistivity profiles from AEM data, sediment type (from driller's logs), water level measurements, and water quality measurements. The workflow is publicly available through a web‐based application, fastpath ( https://fastpath.stanford.edu ). We produced maps displaying recharge metrics on a 400 m × 400 m grid covering the Central Valley, with 80% of the cells sufficiently close to an AEM resistivity profile (within ∼3 km) to be assessed for recharge. Various decisions are made in the workflow that result in a range of values for determined metrics at any given location. The maps summarizing all metrics show that between 19% (2,000,000 acres) and 56% (7,000,000 acres) of the total area in the valley is land suitable for recharge. The landcover with the largest total area of land classified as suitable is cultivated crops. We estimated the total space available for recharge water to be ∼170 km 3 which is two orders of magnitude greater than an estimate of the total volume of water likely to be available for recharge.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».