Long‐Term Shifts in U.S. Nitrogen Sources and Sinks Revealed by the New TREND‐Nitrogen Data Set (1930–2017)
Notice bibliographique
Résumé
Abstract Reactive nitrogen (N) fluxes have increased tenfold over the last century, driven by increases in population, shifting diets, and increased use of commercial N fertilizers. Runoff of excess N from intensively managed landscapes threatens drinking water quality and disrupts aquatic ecosystems. Excess N is also a major source of greenhouse gas emissions from agricultural soils. While N emissions from agricultural landscapes are known to originate from not only current‐year N input but also legacy N accumulation in soils and groundwater, there has been limited access to fine‐scale, long‐term data regarding N inputs and outputs over decades of intensive agricultural land use. In the present work, we synthesize population, agricultural, and atmospheric deposition data to develop a comprehensive, 88‐year (1930–2017) data set of county‐scale components of the N mass balance across the contiguous United States (Trajectories Nutrient Dataset for nitrogen [TREND‐nitrogen]). Using a machine‐learning algorithm, we also develop spatially explicit typologies for components of the N mass balance. Our results indicate a large range of N trajectory behaviors across the United States due to differences in land use and management and particularly due to the very different drivers of N dynamics in densely populated urban areas compared with intensively managed agricultural zones. Our analysis of N trajectories also demonstrates a widespread functional homogenization of agricultural landscapes. This newly developed typology of N trajectories improves our understanding of long‐term N dynamics, and the underlying data set provides a powerful tool for modeling the impacts of legacy N on past, present, and future water quality.
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 | 0,001 | 0,001 |
| 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 ».