MétaCan
Menu
Retour à la cohorte
Enregistrement W2081441959 · doi:10.2166/wst.2006.314

Tracing nitrates and sulphates in river basins using isotope techniques

2006· article· en· W2081441959 sur OpenAlexafffundabout
Luc Rock, Bernhard Mayer

Notice bibliographique

RevueWater Science & Technology · 2006
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSoil and Water Nutrient Dynamics
Établissements canadiensUniversity of CalgaryAgriculture and Agri-Food Canada
Organismes subventionnairesUniversity of CalgaryAlberta Water Research Institute
Mots-clésTributaryNitrateδ34SHydrology (agriculture)WatershedDrainage basinStructural basinEnvironmental scienceStable isotope ratioSurface waterIsotope analysisEnvironmental chemistryGeologyOceanographyChemistryEnvironmental engineeringGeomorphology

Résumé

récupéré en direct d'OpenAlex

The objective of this paper is to outline how stable isotope techniques can contribute to the elucidation of the sources and the fate of riverine nitrate and sulphate in watershed studies. The example used is the Oldman River Basin (OMRB), located in southern Alberta (Canada). Increasing sulphate concentrations and decreasing delta(34)S values along the flowpath of the Oldman River indicate that oxidation of pyrite in tills is a major source of riverine sulphate in the agriculturally used portion of the OMRB. Chemical and isotopic data showed that manure-derived nitrogen contributes significantly to the increase in nitrate concentrations in the Oldman River and its tributaries draining agricultural land. It is suggested that hydrological conditions control agricultural return flows to the surface water bodies in southern Alberta and impart significant seasonal variations on concentrations and isotopic compositions of riverine nitrate. Combining isotopic, chemical, and hydrometric data permitted us to estimate the relative contribution of major sources to the total solute fluxes. Hence, we submit that isotopic measurements can make an important contribution to the identification of nutrient and pollutant sources and to river basin 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,823
Score d'incertitude au seuil0,931

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,003
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,209
Écart entre enseignants0,203 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2006
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetSoil and Water Nutrient DynamicsTravaux en français237 207