Follow-Up of Social Impacts in Senegal Watershed After Manantali and Diama Dams Building
Notice bibliographique
Résumé
ISEE-624 Abstract: The Senegal river was, together with the Niger river, the center of most West African medieval kingdoms. In this area, we have a millenary farming civilization based on the harmonious exploitation of the rise and drop in water level by farmers, cattle farmers, and fishermen. Since French colonization, a lot of management has been done in the Senegal watershed. But in the 1970s, Mali, Mauritania, and Senegal states combined their efforts in a regional organization named OMVS to face drought and climate change in the Sahel. Senegal river, which is a transboundary resource known in this decade had the lowest hydraulicity in the 19th century. The OMVS Program proposed to build 2 large dams, one (Manantali Dam) in high Senegal basin and another (Diama Dam) in the delta to stop penetration of sea water. Objectives of watershed management are, among others, to produce hydroelectricity and to develop irrigate farming in Senegal river. After achieving this program, social impacts remain major after mitigation measures application. Local populations do not have tradition of irrigation and all their farming civilizations are based on exploitation of rich lands after drop in water level. Otherwise, we have the propagation of bilharzias and malaria with prevalence rates never reached before the building of the dams, particularly in Richard-Toll health district where we have the largest irragated farming. This paper presents current stakes of Senegal watershed management (human health, traditional farming, etc.), the risk perception by local populations, and health programs driven by OMVS; it also proposes some tools to improve mitigation measures and explains how to achieve local development among watershed integrated management.
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 | 0,002 | 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 ».