Non-point source pollution and long-term effects of best management measures simulated in the Qifeng River Basin in the karst area of Southwest China
Notice bibliographique
Résumé
Abstract Non-point source (NPS) pollution has caused serious threats to water quality on a global scale. However, the investigation using a single measure with multi-scenarios for the long-term simulation in karst agricultural watershed is still lacking. In this study, the Annualized Agricultural Non-Point Source Pollution (AnnAGNPS) model was developed to verify the applicability in a karst agricultural watershed. Then, the model was used to determine the best management measures (BMPs) and the reduction rate characteristics under long-term effects (about 10 years) in the watershed. The AnnAGNPS model perform well in simulating in NPS pollution with R2 (0.95 for runoff, 0.93 for TN, and 0.93 for TP, respectively) and NSE (0.95 for runoff, 0.53 for TN, and 0.57 for TP, respectively). The output of total nitrogen (TN) and total phosphorus (TP) primarily occurred in the rainy season (up to 80%). The loss of mass of TN and TP were mainly observed in orchards and woodlands in the upstream of each sub-basin. The results from AnnAGNPS model demonstrated that different BMPs had significant impacts on the reduction of NPS pollution. Furthermore, a same BMPs measure showed it was closely related to land use in the watershed. In the Qifeng River watershed, stubble tillage (ST) showed to be useful with relatively good reduction rates (16.64% for sediment, 17.85% for TN, and 17.80% for TP, respectively). The simulation results indicated that AnnAGNPS was a valuable tool after validation for the planning and management of the watershed in karst areas.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| 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 ».