Chesapeake legacies: the importance of legacy nitrogen to improving Chesapeake Bay water quality
Notice bibliographique
Résumé
Abstract In the Chesapeake Bay, excess nitrogen (N) from both landscape and atmospheric sources has for decades fueled algal growth, disrupted aquatic ecosystems, and negatively impacted coastal economies. Since the 1980s, Chesapeake Bay Program partners have worked to implement a wide range of measures across the region—from the upgrading of wastewater treatment plants to implementation of farm-level best management practices—to reduce N fluxes to the Bay. Despite widespread implementation of such measures and notable reductions in N inputs, water quality across the region has been slow to improve. Such lack of response has in some cases been attributed to N legacies—accumulations of surplus N in soils and groundwater—that can contribute to time lags between implementation of conservation measures and improvements in water quality. Here, we use the ELEMeNT-N modeling framework to explore the role of legacy N in slowing reductions in N loading to the Bay, and to provide estimates of the time required to meet water quality goals in nine major tributary watersheds. Our results first show that recent improvements in water quality can be attributed to decreases in N surplus magnitudes that began to occur in the 1970s and 1980s, and that such improvements will continue in the coming decades. Future simulations suggest that, even with no additional changes in current management practices, goals to reduce N loads across the region by 25% can nearly be met within the next two decades. The present results also suggest that time lags to achieving water quality may vary considerably in the individual study watersheds, with the longest lag times being found in the highly agricultural Choptank watershed, where N surplus magnitudes remain high and where legacy N remains a major control on 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 | 0,002 | 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».