Checkered landscapes: hydrologic and biogeochemical nitrogen legacies along the river continuum
Notice bibliographique
Résumé
Abstract Decades of agricultural intensification have led to elevated stream nitrogen (N) concentrations and eutrophication of inland and coastal waters. Despite widespread implementation of a range of strategies to reduce N export, expected improvements in water quality have not been observed. This lack of success has often been attributed to the existence of legacy N stores within the landscape. Here, we use the ELEMeNT-N model to quantify legacy accumulation and depletion dynamics over the last century (1930–2016) across 14 nested basins within the Grand River Watershed, a 6800 km 2 agricultural watershed in the Lake Erie Basin. Model results reveal significant legacy N accumulation across the basin, ranging from 705 to 1071 kg ha −1 , creating a checkered landscape of N legacies. The largest proportion (82%–96%) of this accumulated N is stored in soil organic N reservoirs, as biogeochemical legacy, and the remaining in groundwater, as hydrologic legacy. The fraction of N surplus accumulated in soil and groundwater is most strongly correlated with the calibrated watershed mean travel time µ , with the accumulation increasing with increases in µ . The mean travel time ranges from 5 to 34 years across the watersheds studied, and increases with increase in tile drainage, highlighting the strong control of anthropogenic management on legacy accumulation. Water quality improvement timescales were found to be heterogeneous across the watersheds, with greater legacies contributing to slower recovery.
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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; 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 ».