The need to integrate legacy nitrogen storage dynamics and time lags into policy and practice
Notice bibliographique
Résumé
Increased fluxes of reactive nitrogen (Nr), often associated with N fertilizer use in agriculture, have resulted in negative environmental consequences, including eutrophication, which cost billions of dollars per year globally. To address this, best management practices (BMPs) to reduce Nr loading to the environment have been introduced in many locations. However, improvements in water quality associated with BMP implementation have not always been realised over expected timescales. There is a now a significant body of scientific evidence showing that the dynamics of legacy Nr storage and associated time lags invalidate the assumptions of many models used by policymakers for decision making regarding Nr BMPs. Building on this evidence, we believe that the concepts of legacy Nr storage dynamics and time lags need to be included in these models. We believe the biogeochemical research community could play a more proactive role in advocating for this change through both awareness raising and direct collaboration with policymakers to develop improved datasets and models. We anticipate that this will result in more realistic expectations of timescales for water quality improvements associated with BMPs. Given the need for multi-nutrient policy responses to tackle challenges such as eutrophication, integration of N stores will have the further benefit of aligning both researchers and policymakers in the N community with the phosphorus and carbon communities, where estimation of stores is more widespread. Ultimately, we anticipate that integrating legacy Nr storage dynamics and time lags into policy frameworks will better meet the needs of human and environmental health.
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 | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».