Predicting atrazine concentrations in waterbodies across the contiguous United States: The importance of land use, hydrology, and water physicochemistry
Notice bibliographique
Résumé
Abstract Atrazine contamination is ubiquitous in North American surface waters, but the dependency of the herbicide's distribution on landscape and within‐lake processes is currently poorly known. We sought to identify novel predictors of atrazine and to build a coherent framework to model its concentration in waterbodies through the development of binomial‐gamma hurdle models and LASSO regression models. We constructed models for over 900 waterbodies in the contiguous United States using data from the 2012 U.S. EPA National Lake Assessment, the 2012 U.S. Department of Agriculture CropScape and the Global HydroLAB HydroLAKES databases. Atrazine was detected in 32% of U.S. waterbodies, with a mean concentration of 0.17 μ g L −1 when detected. The two‐part hurdle model explained as much as 75% of the variance in atrazine across a spatially and temporally heterogeneous landscape. Three predictors explained 31% of the variability in atrazine detection in U.S. waterbodies, where the proportion of corn + soy cultures in the watershed was the most important variable. Once atrazine was detected, our models explained an additional 29% of the variability in atrazine concentrations, where the estimated areal weight of atrazine application (kg atrazine km 2 ) in the watershed was the most important predictor. Spatially, water quality variables associated with eutrophication were linked to increased levels of atrazine contamination while cooler water temperatures and natural lakes and landscapes were associated with decreased levels of contamination. Our results suggest that changes in land‐use practices may be the most effective way to mitigate atrazine contamination in waterbodies.
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 | 0,001 |
| 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 ».