How successful are the restoration efforts of China's lakes and reservoirs?
Notice bibliographique
Résumé
China has made considerable efforts to mitigate the pollution of lakes over the past decade, but the success rate of these restoration actions at a national scale remains unclear. The present study compiled a 13-year (2005-2017) comprehensive dataset consisting of 24,319 records from China's 142 lakes and reservoirs. We developed a novel Water Quality Index (WQI-DET), customized to China's water quality classification scheme, to investigate the spatio-temporal pollution patterns. The likelihood of regime shifts during our study period is examined with a sequential algorithm. Our analysis suggests that China's lake water quality has improved and is also characterized by two WQI-DET abrupt shifts in 2007 and 2010. However, we also found that the eutrophication problems have not been eradicated and heavy metal (HM) pollution displayed an increasing trend. Our study suggests that the control of Cr, Cd and As should receive particular attention in an effort to alleviate the severity of HM pollution. Priority strategies to control HM pollution include the reduction of the contribution from mining activities and implementation of soil remediation in highly polluted areas. The mitigation efforts of lake eutrophication are more complicated due to the increasing importance of internal nutrient loading that can profoundly modulate the magnitude and timing of system response to external nutrient loading reduction strategies. We also contend that the development of a rigorous framework to quantify the socioeconomic benefits from well-functioning lake and reservoir ecosystems is critically important to gain leeway and keep the investments to the environment going, especially if the water quality improvements in many Chinese lakes and reservoirs are not realized in a timely manner.
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) | 0,001 | 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 ».