Water storage paradox of reservoir expansion and evaporative losses in the MENA region
Notice bibliographique
Résumé
Abstract Prolonged droughts and population growth have increased the demand for efficient water storage globally. Small agricultural reservoirs support local water demands, but high evaporation rates particularly in dry regions undermine their storage effectiveness. Integrating fine-resolution Sentinel-2 imagery and physical modeling, we created an annual dataset of small agricultural reservoirs (< 0.1 km2) in the Middle East and North Africa (MENA) and quantified their associated evaporative losses from 2016 to 2023. We identified over 133,700 reservoirs, peaking in 2020, providing a combined surface area of 1,408 km2. The largest cumulative areas are located in Türkiye (309 km2), Pakistan (234 km2), Iran (168 km2), Iraq (108 km2), and Egypt (64 km2). Small agricultural reservoirs offer a storage capacity of 1,243 million cubic meters, accounting for up to 16% of irrigation and livestock water use in most MENA countries. Annual evaporative losses from these reservoirs may potentially exceed 2,400 million cubic meters with hotspots of cumulative evaporation corresponding to regions with the highest reservoir surface area, including southern Pakistan, southwestern Iran, and southeastern Iraq. Our analysis suggests strong climatic and anthropogenic influences on the expansion of reservoirs and their storage efficiency emphasizing the need for mitigation strategies to improve agricultural water security in water-stressed regions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».