Changes in anthropogenic nitrogen and phosphorus inputs to the St. Lawrence sub‐basin over 110 years and impacts on riverine export
Notice bibliographique
Résumé
Abstract Human activities have increased the flow of nitrogen (N) and phosphorus (P) over much of the Earth, leading to increased agricultural production, but also the degradation of air, soil, and water quality. Here we quantify the sources of anthropogenic N and P inputs to 76 watersheds of the St. Lawrence Basin (SLB) throughout the 20th century using NANI/NAPI (net anthropogenic N/P input to watersheds), a mass balance modeling approach, and estimate the fraction of these inputs exported to adjacent rivers. Our results show that since 1901, NANI and NAPI increased 4.5‐fold and 3.8‐fold, respectively, with a peak in 1991 mainly due to high atmospheric N deposition and P fertilizer application. However, the relative increase over the course of the last century was much higher in certain watersheds, particularly those where there was greater urbanization. Ranges in NANI and NAPI vary greatly among watersheds (110 to 9351 kg N km −2 yr −1 and 0.16 to 1938 kg P km −2 yr −1 , respectively in 2011) and are strongly related to riverine fluxes ( R 2 = 0.87 and 0.71 for N and P, respectively). Our results suggest that 22% of NANI (ranging from 11% to 68% across watersheds) and 17% of NAPI (ranging from 3% to 173%) are exported to rivers. Predominant sources of inputs vary spatially and through time largely due to changes in farming practices. By tracking the main sources of inputs to specific watersheds and through time, our work provides insights for N and P management. Reduction strategies will likely need to be watershed specific, although through time, our results clearly show the large‐scale impact of targeted legislation.
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 ».