A regional examination of the footprint of agriculture and urban cover on stream water quality
Notice bibliographique
Résumé
Freshwater systems in cold regions, including the Laurentian Great Lakes, are threatened by both eutrophication and salinization, due to excess nitrogen (N), phosphorus (P) and chloride (Cl−) delivered in agricultural and urban runoff. However, identifying the relative contribution of urban vs. agricultural development to water quality impairment is challenging in watersheds with mixed land cover, which typify most developed regions. In this study, a self-organizing map (SOM) analysis was used to evaluate the contributions of various forms of land cover to water quality impairment in southern Ontario, a population-dense, yet highly agricultural region in the Laurentian Great Lakes basin where urban expansion and agricultural intensification have been associated with continued water quality impairment. Watersheds were classified into eight spatial clusters, representing four categories of agriculture, one urban, one natural, and two mixed land use clusters. All four agricultural clusters had high nitrate-N concentrations, but levels were especially high in watersheds with extensive corn and soybean cultivation, where exceedances of the 3 mg L−1 water quality objective dramatically increased above a threshold of ∼30 % watershed row crop cover. Maximum P concentrations also occurred in the most heavily tile-drained cash crop watersheds, but associations between P and land use were not as clear as for N. The most urbanized watersheds had the highest Cl− concentrations and expansions in urban area were mostly at the expense of surrounding agricultural land cover, which may drive intensification of remaining agricultural lands. Expansions in tile-drained corn and soybean area, often at the expense of mixed, lower intensity agriculture are not unique to this area and suggest that river nitrate-N levels will continue to increase in the future. The SOM approach provides a powerful means of simplifying heterogeneous land cover characteristics that can be associated with water quality patterns and identify problem areas to target management.
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 | 0,000 | 0,002 |
| 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 ».