Future Surface Water Resources Sensitivity to Climate Changes Impacts
Notice bibliographique
Résumé
Abstract — Due to water resources limitation in most parts of Iran, it is essential to give especial attention on evaluating and managing water resources. Climate changes would significantly affect water resources in future. In this study clime change impacts on water resources has been evaluated. "Karun " as the most watery river in Iran with an annual discharge of 4927.4 MCM at the site of Karun4 dam, is selected as case study. For this purpose 28 scenarios for precipitation and temperature, by using 11 models of AOGCM (Atmosphere-Ocean Global Circulation Model) models from CCCSN (Canadian Climate Change Scenario Network) are established and downloaded for next 90 years. Scenarios are downscaled for being usable for the study region. Evapotranspiration scenarios are generated by models which are provided for the case study region. The precipitation and temperature scenarios are used as input data by the mentioned models to generate future evapotranspiration scenarios. Multivariable empirical regression models based on 30 years monthly historical recorded data are generated to predict future monthly discharge scenarios. All of the models are tested with historical data. The precipitation, temperature, evapotranspiration and discharge scenarios are taken into account to estimate future surface water resources. The study shows that there would be a reduction of 17.20 % (38.63 mm/year) in precipitation and 31.51 % (58 m3/s) reduction in annual discharge by the end of 2100. Also annual temperature would have a raise about 22.65 % (3.82 ° C). River runoff would have 27.8 % reduction and would cause more than 25 % reduction in water surface resources.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».