Multi-model ensemble machine learning-based downscaling and projection of GRACE data reveals groundwater decline in Saudi Arabia throughout the 21st century
Notice bibliographique
Résumé
Study region Saudi Arabia. Study focus The major goal of this study is to downscale GRACE (Gravity Recovery and Climate Experiment) groundwater storage (GWS) anomalies to assess the local-scale vulnerabilities of groundwater changes across western regions of Saudi Arabia (Al Jumum, Makkah, Jeddah, and Bahrah). This was accomplished by using multi-model ensemble machine learning (ML) approach leveraging Random Forest, CART, and Gradient Tree Boosting algorithms within Google Earth Engine (GEE). Additionally, we used the downscaled GWS and CMIP6 climate data with the Generalized Additive Model (GAM) to project the future GWS changes under climate change. New hydrological insights for the region The ensemble results demonstrated robust performance (R² = 0.92 and RMSE = 20 mm) compared to the individual model (R² = 0.84–0.88 and RMSE = 25–28 mm). The areas of higher groundwater depletion were predominantly observed in Jeddah and Makkah, with average annual rates of − 165 mm/year and − 150 mm/year, respectively, from 2002 to 2023. The total volumetric losses range from 11.38 km³ to 15.31 km³ across different sub-regions. Seasonally, the peak GWS drop (-90 to − 125 mm) was detected during the summer months (April–July), aligning with periods of maximum water demand. Several key drivers that control the GWS changes were also identified, including anthropogenic effects, local climate anomalies, and large-scale climate oscillations. Projections for GWS reveal an irreversible decline throughout the 21st Century with potential reductions surpassing − 216 mm/year in high-emission scenarios (SSP5-8.5). The developed approach is transferable to other regions for quantitative assessment of local groundwater changes.
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 | 0,000 |
| 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 ».