An ensemble groundwater prediction (EGP) system to forecast groundwater levels in alluvial aquifers in Switzerland
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract. Groundwater is a key source of freshwater for drinking water supply and agricultural irrigation on a global scale. Groundwater in Switzerland (and beyond) is traditionally regarded as a reliable source of freshwater. Recent extreme drought events (i.e., in 2018, 2020, and 2022) have shown, however, that groundwater does respond to these events and can cause problems in water supply and groundwater availability. With hydrological extremes becoming more frequent, there is a growing need for early warning systems and improved forecasting. This study develops and tests a scalable ensemble groundwater prediction (EGP) system with a 32-day lead time. The system combines extended-range precipitation and temperature forecasts from the European Centre for Medium-Range Weather Forecasts (ECMWF) with the lumped-parameter groundwater model Pastas. Forecasts were evaluated at six monitoring wells across Switzerland, representing diverse hydrogeological settings, and compared against naive persistence and climatology benchmarks. Results indicate that the EGP system produces skillful forecasts up to one month ahead, with Spearman correlations exceeding 0.77 for most wells. However, the required model–data complexity varies: in long-memory aquifers, forecasts driven by recent meteorology and climatology are sufficient, while in short-memory systems, meteorological forecast data adds clear value. Forecast skill in mountainous regions (e.g., Davos) remains limited due to difficulties in predicting local meteorology. These findings highlight both the potential and the limitations of short-term groundwater forecasting. Future work should explore larger lead times, particularly in slow-responding aquifers, and investigate methods to improve forecasts in alpine environments.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découle