Land use interactions drive southwestern Ontario stream nutrient concentrations
Notice bibliographique
Résumé
Human activities have transformed the landscape and altered natural habitats through intensive land uses including agriculture and urbanization. Identifying land use drivers of tributary nutrient concentrations and describing the magnitude and direction of their relationship are critical activities to improvement management of water quality in basins draining into the Great Lakes. The overarching goal of my thesis was to quantify the cumulative influence of spatial patterns in land use and land cover on variation of nutrient concentrations in tributaries of the Great Lakes. Biweekly water chemistry samples were collected in 29 streams located in southern Ontario between May and November, 2012. Agriculture, urbanization and the population served per km2 by a municipal sewage treatment plant were quantified for each stream at multiple spatial scales. Ordinary least squares regression analysis models identified relationships between nutrient parameters (NO3-+NO2-, NH3, TKN, TN, SRP, TDP, and TP) and land use descriptors. Significant associations were identified for all nutrient parameters with the exception of TDP. NO3-+NO2- was driven by a combination of urban and agriculture land use in the catchment. NH3, TKN, and SRP were related to agriculture and sewage treatment plants (STPs). TN and TP were only associated with STP population served per km2. Model predictive performance was evaluated under three scenarios; data comparability, spatial robustness and temporal robustness (dry, moderate and wet climate scenarios). Overall, assessment of model performance indicated that data sampling and collection protocol may limit prediction accuracy. My results show that human activities are significant drivers of stream nutrient concentrations and that nitrogen forms can be predicted, on average, in70% of evaluation streams under most scenarios. My findings demonstrate the utility of land use as a predictive tool for managing stream nutrient concentrations. The nitrogen models generated in my study could be used to enable planners and managers to better understand the potential implications of future land management decisions on water quality.
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 | 0,000 | 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 ».