Beyond the Mass Balance: Watershed Phosphorus Legacies and the Evolution of the Current Water Quality Policy Challenge
Notice bibliographique
Résumé
Abstract Increased use of phosphorus (P) fertilizers and detergents and intensified livestock production have more than doubled P inputs to human‐impacted watersheds over pre‐industrial levels. While P fertilizer use and manure application help to maximize crop yields, excess P is lost to runoff, leading to eutrophication of downstream waters. Excess P also accumulates across the landscape, leading to legacies that serve as long‐term sources of P to surface waters, even after inputs to the watershed are reduced. Here, we have developed, for the first time, a process‐based model, Exploration of Long‐tErM Nutrient Trajectories‐Phosphorus, designed to capture legacy P accumulation and depletion trajectories along the land‐aquatic continuum. To drive the model, we have developed a more than 100‐year trajectory of watershed P inputs to the Grand River Watershed (GRW), Canada’s largest watershed draining directly to Lake Erie. Our results first show that net P inputs to the watershed approximately tripled between 1900 and the late‐1970s, when P surplus magnitudes peaked at approximately 15 kg ha −1 y −1 . During this same period, stream P loads have increased more than fourfold, from 0.11 kg ha −1 y −1 in 1900 to 0.80 kg ha −1 y −1 in the 1970s. Since 1900, the GRW has served as a net P sink, with approximately 96% of net P inputs having been retained within the basin. Future simulations suggest that while 40% reductions in P loading in Lake Erie watersheds are possible under aggressive management scenarios, legacy P will continue to elevate P loads to Lake Erie for many decades to come.
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 | 0,009 | 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 | 0,003 | 0,006 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; 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 ».