A Race Against Time: Modeling Time Lags in Watershed Response
Notice bibliographique
Résumé
Abstract Land use change and agricultural intensification have increased food production but at the cost of polluting surface and groundwater. Best management practices implemented to improve water quality have met with limited success. Such lack of success is increasingly attributed to legacy nutrient stores in the subsurface that may act as sources after reduction of external inputs. However, current water‐quality models lack a framework to capture these legacy effects. Here we have modified the SWAT (Soil Water Assessment Tool) model to capture the effects of nitrogen (N) legacies on water quality under multiple land‐management scenarios. Our new SWAT‐LAG model includes (1) a modified carbon‐nitrogen cycling module to capture the dynamics of soil N accumulation, and (2) a groundwater travel time distribution module to capture a range of subsurface travel times. Using a 502‐km 2 Iowa watershed as a case study, we found that between 1950 and 2016, 25% of the total watershed N surplus (N Deposition + Fertilizer + Manure + N Fixation − Crop N uptake) had accumulated within the root zone, 14% had accumulated in groundwater, while 27% was lost as riverine output, and 34% was denitrified. In future scenarios, a 100% reduction in fertilizer application led to a 79% reduction in stream N load, but the SWAT‐LAG results suggest that it would take 84 years to achieve this reduction, in contrast to the 2 years predicted in the original SWAT model. The framework proposed here constitutes a first step toward modifying a widely used modeling approach to assess the effects of legacy N on the time required to achieve water‐quality goals.
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 | 0,005 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,064 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».