Effects of Damming on River Nitrogen Fluxes: A Global Analysis
Notice bibliographique
Résumé
Abstract Damming creates biogeochemical hotspots along rivers that modify the riverine flow of nutrients, including nitrogen (N). Here, we quantify the impact of dams on global riverine N fluxes using a reservoir N mass balance model. In‐reservoir processes represented in the model include primary production, mineralization of organic N, denitrification, and sedimentary burial. In addition, we explicitly account for N fixation as a source of N, assuming that the N to phosphorus (P) ratio of the inflow regulates the magnitude of N fixation in reservoirs. The model is scaled up via a Monte Carlo analysis that yields global relationships between N elimination in reservoirs, either by denitrification or burial, and the hydraulic residence time. These relationships are then combined with N loads to the world's dam reservoirs generated by the Global‐NEWS model and the estimated N fixation fluxes. According to the results, in year 2000, worldwide N fixation in reservoirs was on the order of 70 Gmol yr −1 , while denitrification and burial in reservoirs eliminated around 270 Gmol yr −1 , equal to 7% of N loading to the global river network. The latter is predicted to double to 14% by 2030, mainly as a result of the current boom in dam building. The results further imply that, largely due to N fixation in reservoirs, damming causes a global upward shift in riverine N:P ratios, thus lessening N limitation in receiving water bodies.
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 | 0,001 |
| 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 | 0,001 |
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 ».