Landscape indicators of groundwater nitrate concentrations: an approach for trans‐border aquifer monitoring
Notice bibliographique
Résumé
Abstract Groundwater is the primary source of nearly half the freshwater used in drinking and cooking worldwide. Excess nitrate contamination of groundwater is a growing health concern, particularly in regions of intensive agriculture. Monitoring the world's nearly 500 transboundary aquifer bodies is complicated by the complexities associated with multi‐jurisdictional governance, disparities in data collection, and inconsistencies in geospatial data among countries. In a region where elevated groundwater nitrate concentrations are linked to overlying land use practices and land cover, we develop landscape indicators characterizing likely sources and examine their correspondence with groundwater nitrate concentrations. We evaluate an aquifer spanning the United States and Canada (the Abbotsford–Sumas aquifer) and ask two primary questions: Are nitrate concentrations in the aquifer changing over time? How well do landscape indicators help explain patterns of groundwater nitrate concentrations? To answer our first question, a time series (2005–2013) of groundwater nitrate concentrations was examined for 15 shallow wells using Mann–Kendall trend analysis tests. Nitrate concentrations in nine of the fifteen monitoring wells decreased while two increased over time. To answer our second question, a seamless harmonized cross‐border land cover mosaic was created using available U.S. and Canadian land use and land cover data. Landscape indicators such as crop type (proportion of raspberries, forage, and pasture, etc.) were measured in terrestrial zones of influence (of varying sized radii which incorporated groundwater flow direction) surrounding each well. Backward stepwise regression was used to identify parsimonious models of landscape indicators which explain nitrate concentrations in the United States and Canada. The proportions of different berry types (e.g., blueberries and raspberries, and mixed berries), forage/pasture, and area of renovations explained 21–72% of the variance in groundwater nitrate concentrations, depending on zonal scale, direction, and/or jurisdiction. As very few studies have quantitatively linked groundwater nitrate concentrations to land use, land cover, or land use practices, our work provides an important transportable approach that is highly relevant to other regions facing similar management challenges.
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) | 0,002 | 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 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 ».