Predictions of GIS-based intrinsic and specific groundwater vulnerability indicators: A comparative study
Notice bibliographique
Résumé
<!--!introduction!--><b></b> Determining the aquifer vulnerability to pollution is of paramount importance for devising precautionary groundwater protection measures and for land use planning. In this study, we aim to draw a comparison between the intrinsic vulnerability reflected in the hydrogeological conditions and specific vulnerability addressing the vulnerability of an aquifer to a specific contaminant. In consequence, we would be able to quantify their prediction accuracy. To that end, we quantified the groundwater vulnerability for an overexploited aquifer in southern India by means of three indicators including DRASTIC (Depth to water, net Recharge, Aquifer media, Soil media, Topography, Impact of vadose zone, and hydraulic Conductivity), modified DRASTIC, and Susceptibility Index (SI). The accuracy of the methods was evaluated using a GIS-based index-overlay approach. Temporal variations in climatic conditions influence the fluctuations in groundwater levels during various seasons which has been rarely considered in aquifer vulnerability studies. This study incorporated, therefore, the spatio-temporal variation in groundwater level in predicting intrinsic and specific vulnerability. Sensitivity and uncertainty analyses were conducted to assess the relative importance of input parameters required for the indicators. Results showed that the lithology of the aquifer was found to be the most sensitive input. A comparison of the three indicators demonstrated that the vulnerability maps from DRASTIC and SI showed the greatest difference. In contrast, modified DRASTIC and SI indicated the greatest similarity, which should be ascribed to the inclusion of the land use factor.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 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 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 ».