Phosphorus and Nitrogen Transport in the Binational Great Lakes Basin Estimated Using SPARROW Watershed Models
Notice bibliographique
Résumé
Abstract Eutrophication problems in the Great Lakes are caused by excessive nutrient inputs (primarily phosphorus, P, and nitrogen, N) from various sources throughout its basin. In developing protection and restoration plans, it is important to know where and from what sources the nutrients originate. As part of a binational effort, Midcontinent SPARROW (SPAtially Referenced Regression On Watershed attributes) models were developed and used to estimate P and N loading from throughout the entire basin based on nutrient inputs similar to 2002; previous SPARROW models only estimated U.S. contributions. The new models have a higher resolution (~2‐km 2 catchments) enabling improved descriptions of where nutrients originate and the sources at various spatial scales. The models were developed using harmonized geospatial datasets describing the stream network, nutrient sources, and environmental characteristics affecting P and N delivery. The models were calibrated using loads from sites estimated with ratio estimator and regression techniques and additional statistical approaches to reduce spatial correlation in the residuals and have all monitoring sites equally influence model development. SPARROW results, along with interlake transfers and direct atmospheric inputs, were used to quantify the entire P and N input to each lake and describe the importance of each nutrient source. Model results can be used to compare loading and yields from various tributaries and jurisdictions.
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 | 0,001 | 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 ».