The compounding effects of agricultural expansion and snow drought on lake urmia’s drying crisis
Notice bibliographique
Résumé
Lake Urmia, one of the world's largest hypersaline lakes, has experienced severe drought in recent decades. This study investigates the combined impacts of agricultural expansion and climate variability on river inflows from 1985 to 2020. A hybrid framework incorporating statistical models and Convolutional Neural Networks was employed to estimate river discharge and disentangle the effects of hydroclimatic and anthropogenic drivers. Results indicate a persistent snow drought beginning in the late 1990s, concurrent with exceeding fourfold increase in irrigated lands. Scenario-based analysis, restoring key parameters to pre-1999 levels revealed that reverting agricultural water use was the dominant factor driving changes in river inflows, accounting for approximately 66% (95% CI: 56%-76%) of the total impact. In contrast, restoring precipitation and evaporation contributed 25% (95% CI: 18%-33%) and 9% (95% CI: 7%-12%), respectively, while restoring both simultaneously explained 34% (95% CI: 26%-43%) of the change. These results underscore the primary role of agricultural water demand amplified by declining snowpack and climatic shifts in altering basin hydrology. The findings highlight the urgent need for integrated water resource management, with a focus on climate adaptation, snowpack monitoring, and sustainable agricultural practices to address ongoing environmental degradation and ensure long-term water security.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 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 ».