Weighted risk assessment of critical source areas for soil phosphorus losses through surface runoff mechanisms
Notice bibliographique
Résumé
• Traditional bulked W soil sampling misses nutrient deficiencies and hotspots. • Gridded soil sampling reveals field-scale variability in soil phosphorus content. • Modelling surface runoff pathways analyses the risk of potential phosphorus losses. In intensive livestock areas, soils commonly contain elevated nutrients above the agronomic optimum which increases the risk of nutrient losses and contributing to poor ecological status waterbodies. Large within-field variability in soil nutrient content exists, and at-risk phosphorus (P) hotspots are rarely quantified due to sub-optimal soil sampling regimes. This study aims to address this issue by developing and evaluating an improved classification of P transfer risk at a sub-field scale through a weighted risk assessment model that combines gridded soil sampling data with modelled in-field surface runoff pathways. Within-field soil P variability was quantified at six field-scale sites in Northern Ireland using two different sampling techniques; traditional bulked field soil sampling (i.e. bulk analysis of W pattern sampling) and gridded sampling (at 35 m resolution) alongside interpolation. Results show that traditional bulked sampling failed to account for the sub-field scale spatial variability in soil P content. This may contribute to the poor chemical and ecological status of surface waters by frequently under-predicting soil nutrient content, and failing to identify potential contributing sources of soil P losses. In contrast, higher intensity gridded sampling and interpolation revealed wide in-field spatial variability in soil P content, facilitating the identification of contributing sources of P losses to poor water quality and aiding in the characterisation of risk for nutrient losses to waterways. Hydrological modelling of in-field runoff pathways indicated several P sources potentially contributing to runoff-based P losses. Our weighted risk assessment model was successful in identifying P hotspots and transfer potential to water courses, illustrating that a similar approach could be applied anywhere in the world where excess P poses a problem for water quality. Model validation took place using instream water quality sampling data, which showed that higher risk weighting model results correlated to poorer water quality conditions. This methodology could be a useful management tool to help countries meet their national water quality targets.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».