Atribución y fuerza impulsora de las pérdidas de nitrógeno de la cuenca del lago Taihu por los modelos InVEST y GeoDetector

Scientific Reports volumen 13, Número de artículo: 7440 (2023) Citar este artículo

334 Accesos

1 Altmetric

Detalles de métricas

Cuantificar los cambios temporales y espaciales en las pérdidas de nitrógeno reactivo (Nr) de una cuenca y explorar sus principales impulsores son la clave para mejorar la calidad del agua de la cuenca. Las enormes pérdidas de Nr continúan amenazando la seguridad del entorno acuático en la cuenca del lago Taihu (TLB). Aquí, los modelos InVEST y GeoDetector se combinaron para estimar las pérdidas de Nr en el TLB de 1990 a 2020 y explorar las fuerzas impulsoras. Se compararon diferentes escenarios para las pérdidas de Nr, mostrando que la pérdida de Nr alcanzó un máximo de 181,66 × 103 t en 2000. Los factores clave que afectan la pérdida de Nr son el uso de la tierra, seguido de la elevación, el suelo y los factores de pendiente, y sus valores q medios fueron 0,82, 0,52, 0,51 y 0,48, respectivamente. El análisis de escenarios reveló que las pérdidas de Nr aumentaron en los escenarios de desarrollo económico y negocios habituales, mientras que la conservación ecológica, el aumento de la eficiencia en el uso de nutrientes y la reducción de la aplicación de nutrientes contribuyen a una reducción de las pérdidas de Nr. Los hallazgos proporcionan una referencia científica para el control de pérdidas de Nr y la planificación futura en la TLB.

La pérdida excesiva de nitrógeno reactivo (Nr) es una de las mayores amenazas para los ecosistemas acuáticos a nivel mundial1,2,3. Las actividades antropogénicas, como la fertilización agrícola, la producción industrial y la descarga de aguas residuales, han acelerado el transporte de Nr terrestre a los ecosistemas acuáticos, es decir, ríos y lagos, lo que resulta en eutrofización4,5,6, proliferación de algas7, emisión de gases de efecto invernadero, etc. en3,8. Estos fenómenos amenazan severamente la seguridad hídrica doméstica y el suministro productivo de agua. Según el informe sobre el desarrollo mundial del agua, casi seis mil millones de personas en todo el mundo sufrirán una crisis de escasez de agua limpia para 20509. En particular, la escasez de agua se ve exacerbada por la calidad inadecuada del agua en China, y una alta carga de Nr es una de las amenazas más graves. a la calidad del agua10. Existe una necesidad urgente de reducir y controlar las pérdidas de Nr.

En las últimas décadas, muchos estudios sobre la pérdida de Nr se centraron en mediciones de campo11,12,13,14,15,16. Sin embargo, el monitoreo y la investigación a largo plazo de la calidad del agua de las cuencas hidrográficas requieren mucho tiempo y no son adecuados para evaluar el impacto del futuro cambio en el uso de la tierra14. Con el desarrollo de los sistemas de información geográfica (SIG) y la teledetección, muchos modelos para evaluar la calidad del agua y los servicios ecosistémicos hidrológicos, como la Herramienta de evaluación de suelos y agua (SWAT), el Programa de simulación hidrológica-FORTRAN (HSPF), el Programa anualizado agrícola no agrícola La fuente puntual (AnnAGNPS) y la valoración integrada de los servicios y compensaciones de los ecosistemas (InVEST) se han desarrollado y se utilizan ampliamente14,15,16,17,18,19,20,21. Los modelos basados en procesos de transporte de nutrientes como SWAT, HSPF y AnnAGNPS pueden simular bien los procesos hidrológicos y proporcionar resultados precisos. Sin embargo, estos modelos requieren grandes cantidades de datos hidrológicos para la calibración18,22, lo que muchas veces no es aplicable en áreas donde los datos son escasos, y son complejos de operar y requieren capacitación específica para los operadores19,23. El modelo InVEST contiene menos algoritmos integrados que los otros modelos y, por lo tanto, es más fácil de usar, lo que permite el modelado y el análisis en áreas donde los datos son escasos, con tiempos de ejecución cortos y una fuerte representación espacial24. El módulo de proporción de entrega de nutrientes (NDR) en el modelo InVEST utiliza un enfoque de balance de masa más sencillo para describir el movimiento espacial estable y a largo plazo de los nutrientes, que no solo puede reflejar la exportación de nutrientes en diferentes climas y escenarios de cambio de uso de la tierra, sino que también ayuda evaluar el impacto de los factores naturales y las actividades humanas sobre la contaminación a escala de subcuenca o unidad hidrológica25.

La fertilización agrícola y la descarga de aguas residuales urbanas exponen directamente el Nr al medio ambiente26; el clima y la topografía contribuyen a la pérdida de Nr al impulsar el transporte de Nr11; los cambios en la composición y estructura del uso de la tierra también pueden afectar la pérdida de Nr al alterar el contenido de nutrientes en la superficie y el transporte de nutrientes27. La investigación ha demostrado que la pérdida de Nr se ha multiplicado por 3,5 debido a la intensificación agrícola28, y el aumento de las superficies impermeables también ha exacerbado las pérdidas de Nr29. Además, el paso de bosque a terreno despejado aumenta la capacidad de desnitrificación28; y aumentar los bordes de los parches de los pastizales puede reducir la contaminación por Nr30. Sin embargo, las herramientas y métodos de investigación tradicionales, como la regresión lineal múltiple, el análisis de correlación, los modelos de mínimos cuadrados ordinarios, los modelos de retraso espacial y los modelos de error espacial, son un desafío para lidiar con la variabilidad espacial de los controladores. Se limitan al análisis continuo de datos, lo que dificulta el uso de datos de uso de la tierra para analizar sus efectos directos en la pérdida de Nr. El modelo GeoDetector que utiliza datos tipológicos y continuos es un método estadístico emergente que puede revelar los impulsores de la heterogeneidad espacial. Se basa en el principio de que si una variable independiente afecta significativamente a una variable dependiente, entonces la distribución espacial de las variables independiente y dependiente debe tener similitud31,32. El modelo GeoDetector se ha aplicado a diversas disciplinas en la naturaleza y la sociedad31. Por ejemplo, Chen et al. utilizó el modelo GeoDetector para explorar el papel determinante de factores como el uso del suelo en la divergencia espacial y temporal de los recursos hídricos en la aglomeración urbana Beijing-Tianjin-Hebei33. Liu et al.34 exploraron los efectos de la naturaleza, la economía y el transporte en la expansión urbana con base en el modelo GeoDetector.

Ubicada en la región oriental más desarrollada de China, la cuenca del lago Taihu (TLB) cubre solo el 0,4 % de la tierra de China, pero sustenta al 4,4 % de su población y aporta el 9,7 % de su PIB35. Las altas tasas de desarrollo económico y las actividades agrícolas intensivas han acelerado el deterioro de la calidad del agua en la zona36,37,38. Como la parte más baja de la cuenca, el lago Taihu recibe una gran cantidad de Nr. Alrededor de 70.000 toneladas de Nr fluvial ingresaron al lago Taihu en 2009. Entre 1998 y 2007, grandes cantidades de cianobacterias estuvieron presentes en el lago durante todo el año, excepto en enero y febrero39. Una proliferación masiva de algas condujo a una crisis de agua potable en Wuxi en mayo de 200740, donde casi la mitad del lago Taihu quedó cubierto por una proliferación de cianobacterias, cubriendo un área de más de 1000 km2, lo que provocó que más de dos millones de personas se quedaran sin agua potable durante una semana. en ese momento41. En los últimos años, la calidad del agua del lago Taihu ha mejorado debido a la acción del gobierno y la implementación del Programa General sobre la Regulación Integrada del Lago Taihu; sin embargo, sigue siendo moderadamente nutritivo42. Según los informes, en 2018 se importaron 39 500 toneladas de Nr al lago Taihu a través de los ríos, y 20 de los 22 ríos principales que rodean el lago tenían concentraciones de Nr superiores a 2 mg L−1. Solo el 29,09% de los sitios de muestreo de calidad del agua evaluados para la calidad del agua potable cumplieron con los estándares requeridos43. Las pérdidas significativas de Nr aún amenazan la seguridad del medio ambiente acuático regional. Sin embargo, los estudios actuales sobre la pérdida de Nr en la cuenca del lago Taihu están más limitados a escalas pequeñas, como campos12,13, y se han realizado menos estudios para investigar la variación espacial y temporal de la pérdida de Nr en toda la escala de la cuenca y para investigar los factores. de pérdida de Nr. Por lo tanto, en base a todos los problemas mencionados anteriormente, primero integramos el módulo NDR del modelo InVEST con el modelo GeoDetector para explorar los principales impulsores de la pérdida de Nr en el TLB. Además, diseñamos siete escenarios para investigar la variación de la pérdida de Nr en TLB bajo diferentes escenarios. El estudio tiene como objetivo: (1) comparar los cambios de pérdida de Nr en la TLB durante 1990-2020, (2) explorar los puntos críticos de pérdida de Nr y sus variaciones espacio-temporales en la cuenca, (3) identificar los principales factores impulsores de la Cascada de Nr, y (4) predecir las características de cambio futuro de las pérdidas de Nr en la cuenca bajo diferentes escenarios.

La TLB se encuentra en el este de China (118°–121° E, 30°–33° N), dentro del área central del delta del río Yangtze (Fig. 1). La cuenca cubre porciones de dos provincias, a saber, Jiangsu y Zhejiang, así como una ciudad a nivel de prefectura, Shanghai, abarca varias áreas urbanas, incluidas Suzhou, Wuxi, Changzhou, Zhangjiagang y Zhenjiang. Es una de las regiones más industrializadas y urbanizadas de China, con una superficie total de unos 36.900 km2. Tiene una zona de clima subtropical norte húmedo con una precipitación media anual de 1177 mm y una temperatura media de 16,2 °C. La cuenca tiene muchos ríos y una densa red de cursos de agua, y es conocida como la tierra del pescado y el arroz6. De acuerdo con las características topográficas y las características hidrológicas, la TLB se puede dividir en ocho subcuencas (Fig. 1b), denominadas Hu Xi (HX), Wu Cheng Xi Yu (WC), Yang Cheng Dian Liu (YC), Tai Hu (HQ), Zhe Xi (ZX), Hang Jia Hu (HJ), Pu Xi (PX) y Pu Dong (PD)12.

Ubicación de la cuenca del lago Taihu en China; (a) la ubicación específica; (b) límites de las ocho subcuencas de la cuenca; (c) tipo de uso del suelo y ubicación de las principales ciudades de la cuenca en 2020.

El módulo NDR en el modelo InVEST se utilizó para simular las pérdidas de Nr del TLB, cuyas fórmulas se muestran en las ecuaciones. (1, 2). Sobre la base de una extracción DEM del río, se utilizó la red fluvial real para modificar los datos DEM originales para mejorar aún más la precisión de la simulación del modelo (S1 y Fig. S1 en el Supl. Mat.).

donde \(Load_{surf,i}\) y \(Load_{subs,i}\) representan las cargas de nutrientes superficiales y subterráneas, respectivamente, \(Load_{i}\) representa la carga de Nr de la unidad de cuadrícula, \ (\Pr op_{subs,i}\) se refiere a la proporción de escorrentía de nutrientes subterráneos, e i es la unidad de cuadrícula.

Las tasas de transporte de nutrientes superficiales y subterráneos se calcularon mediante las Ecs. (3, 4), respectivamente.

donde \(NDR_{surf,i}\) es la tasa de movilidad de los nutrientes superficiales, \(IC_{0}\) es el índice del terreno, \(IC_{i}\) y k son el parámetro de calibración, \(NDR_ {o,i}\) es la proporción de nutrientes no reservados en píxeles aguas abajo, \(NDR_{subs,i}\) es la tasa de migración de nutrientes subterráneos, \(eff_{subs}\) es la máxima eficiencia de retención de nutrientes que se puede lograr a través del flujo subterráneo, \(l_{subs}\) es la distancia a la que la retención de nutrientes del suelo alcanza su capacidad máxima, y \(l\) es la distancia desde la unidad de rejilla hasta el flujo. Se utilizaron las ecuaciones (5) y (6) para calcular la carga de nutrientes.

donde \(x_{\exp ,i}\) representa la carga de nutrientes de la celda i de la cuadrícula, y \(x_{{\exp_{tot} }}\) se refiere a la carga total de nutrientes en la cuenca.

Además de los datos espaciales de la Tabla 1, el módulo NDR también debe proporcionar datos sobre la carga de Nr para cada tipo de uso del suelo (S2 y Tabla S1 en el Mat. Suplementario), la eficiencia de retención de Nr para cada tipo de suelo, y la distancia máxima de transporte Nr para cada tipo de terreno, así como la configuración del parámetro K. Con referencia a la guía del usuario de InVEST, la carga de Nr de las tierras de cultivo en este estudio se derivó de la fertilización de Nr de las tierras de cultivo en la región, que se obtuvo del Anuario Estadístico.

La carga de Nr de los terrenos para la construcción, incluidos los industriales y los domésticos, se obtuvo del Programa General de Regulación Integrada del Medio Ambiente Hídrico de la Cuenca del Lago Taihu35. La carga de Nr de otros tipos de uso del suelo y la eficiencia de eliminación de todos los tipos de suelo se obtuvieron de la guía del usuario de InVEST y los detalles en la Tabla 244. La distancia máxima de transporte de Nr se estableció con un valor predeterminado de 150 m. El modelo InVEST es sensible al parámetro K45, que es el principal parámetro utilizado para la calibración. Así que calibramos el modelo ajustando el parámetro K en función de la pérdida de Nr observada. Finalmente, el valor de K se fijó en 12,5.

La estadística Getis-Ord Gi* se utiliza para identificar los clústeres de bajo valor (puntos fríos) y los clústeres de alto valor (puntos calientes) de las regiones30,46,47. En el presente estudio, la pérdida de Nr en cada cuadrícula se extrajo creando una cuadrícula de 1500 × 1500 m que cubría el área de estudio, y los datos extraídos se analizaron en busca de puntos fríos y calientes.

El sistema modelo GeoDetector consta de cuatro componentes principales: Detector de riesgo, Detector de factor, Detector ecológico y Detector de interacción. En este artículo, utilizamos principalmente el detector Factor para explorar las principales fuerzas impulsoras de la pérdida de Nr.

Se aplicó el Factor Detector para detectar el grado de influencia de los diferentes factores sobre las pérdidas de Nr, medido por valores q con un rango de [0,1]. Cuanto mayor sea el valor q, mayor será el poder explicativo. Las fórmulas son las siguientes:

donde h = 1, … L, L es la clasificación de diferentes factores; \(N_{h}\) y \(N\) se refieren al número de unidades de la capa h en cada factor y la estratificación de ese factor, respectivamente; \(\sigma_{h}^{2}\) y \(\sigma^{2}\) representan la varianza de la capa h en cada factor y la varianza de las pérdidas regionales generales de Nr, respectivamente, y SSW y SST son la suma de las variaciones dentro de las capas y la variación total general, respectivamente.

Sintetizamos estudios previos20,48,49 y agrupamos los impulsores en cuatro categorías naturales, socioeconómicas, de uso y composición de la tierra y configuración del paisaje, con 17 indicadores elegidos para explorar los principales impulsores de las pérdidas de Nr (Tabla 3). Calculamos todos los índices de configuración y composición del paisaje usando la función de 'ventana móvil' en Fragstats 4.2, que es una herramienta de estadísticas espaciales diseñada específicamente para analizar y evaluar los patrones del paisaje, y se puede obtener información más detallada en su sitio web oficial (https:// fragstats.org/). Todos los métodos para la discretización espacial óptima de los controladores y el número de discretizaciones se basan en el paquete 'GD' del software R 4.2.2.

Se aplicó el modelo de Simulación de uso de la tierra generadora de parches (PLUS) para simular el uso futuro de la tierra/cambio de cobertura terrestre (LUCC) en la TLB (S3 en el Mat. Suplementario). En el protocolo modelo, se analizó el LUCC durante dos períodos diferentes. Luego, se extrajo y muestreó la fracción de expansión de LUCC para cada tipo de uso de la tierra y la fracción correspondiente para cada impulsor. El algoritmo de bosque aleatorio se utilizó para cuantificar las influencias y la contribución de cada impulsor a la expansión de cada tipo de uso del suelo y para obtener la probabilidad de desarrollo52. Finalmente, el modelo combinó un modelo de autómatas celulares (CA) con semillas aleatorias y un mecanismo de umbral decreciente para simular los cambios de cada tipo de LUCC con una alta precisión de simulación53,54,55.

Se calculó y evaluó la probabilidad de desarrollo para cada tipo de LUCC en función de su cambio de 2015 a 2020 y 14 factores impulsores. El de 2015 se eligió como base para simular y predecir el de 2020. El LUCC observado en 2020 se utilizó para verificar los resultados de la simulación, y el coeficiente kappa se seleccionó para evaluar la precisión de los resultados de la simulación. Generalmente, un coeficiente kappa superior a 0,7 muestra una alta precisión del modelo25,56.

De acuerdo con la tendencia de desarrollo de la TLB, en este estudio se establecieron tres escenarios de uso del suelo de negocios habituales (BAU), conservación ecológica (EC) y desarrollo económico (ED) para simular la demanda de uso del suelo en 2035. El desarrollo las probabilidades de cada tipo de LUCC en los tres escenarios de uso de la tierra fueron las mismas que en 2015-2020. El LUCC en 2020 se usa como base para simular y predecir 2035. Las probabilidades de desarrollo de cada tipo de LUCC en los tres escenarios de uso de la tierra son las mismas que en 2015-2020. Se agregaron dos escenarios de restricción para explorar los efectos de la reducción de la aplicación de fertilizantes Nr (RNA) y el aumento de la eficiencia del uso de Nr (INUE) en las pérdidas de Nr. Por lo tanto, se consideró una combinación de escenarios de restricciones vinculantes y escenarios de uso de la tierra. Los escenarios se establecieron de la siguiente manera.

BAU: Este escenario mantuvo la tendencia histórica basada en una proyección de la cadena de Markov de la demanda de suelo BAU en 2035.

ED: En este escenario, el desarrollo de la economía en la TLB tiene prioridad. Se alentó la recuperación de tierras de cultivo y una mayor expansión urbana. Calculamos la demanda de suelo de 2035 en este escenario modificando la matriz de transferencia y las probabilidades de transferencia de cada categoría (Tabla S2). Específicamente, la probabilidad de transferir áreas de agua, pastizales estériles y tierras forestales a tierras de cultivo se incrementó en un 60 %. La probabilidad de conversión de áreas de agua, yermos, pastizales, bosques y tierras de cultivo a suelo urbano se incrementó en un 100%.

EC: En este escenario, el desarrollo futuro de la TLB da prioridad a la protección ecológica, con el gobierno implementando las políticas, es decir, protección forestal, forestación y restauración de humedales, mientras que la construcción urbana está prohibida en los bosques y cuerpos de agua. Calculamos la demanda de tierras de 2035 en este escenario modificando cada matriz de transferencia y probabilidad de tipos de uso de la tierra, incluida la duplicación de la probabilidad de convertir tierras de cultivo en tierras forestales y cuerpos de agua (Tabla S3). La probabilidad de conversión de árido a terreno forestal y área de agua aumentó en un 80%. Mientras tanto, ajustamos a cero la probabilidad de convertir áreas de bosques y agua en terrenos edificables y redujimos la probabilidad de convertir áreas de bosques y agua a otros tipos de uso de la tierra en un 40 %.

RNA: Este escenario siguió el patrón de uso de la tierra de 2020. Se simuló una reducción del 30% en la aplicación de fertilizantes Nr en 2020.

INUA: Este escenario siguió el patrón de uso de suelo de 2020. La tasa de retención de nutrientes Nr en las tierras de cultivo aumentó del 30 al 40 % en la simulación.

BAU + INUA: En este escenario, combinamos los escenarios UBA e INUA para explorar el impacto del uso habitual de la tierra en 2035, con una mayor eficiencia en el uso de N en la pérdida de N.

ED + INUA: En este escenario, combinamos los escenarios ED e INUA para explorar el impacto del desarrollo económico del uso de la tierra en 2035, con una mayor eficiencia en el uso de N sobre la pérdida de N.

El módulo NDR, el modelo PLUS y el modelo GeoDetector requerían datos de cuadrícula espacial, es decir, un modelo de elevación digital (DEM) y datos LUCC. Las fuentes de datos y el proceso de preparación se muestran en la Tabla 1.

El procesamiento de datos y el análisis estadístico se realizaron con Origin 2021 (OriginLab, Palo Alto, CA) y Excel 2019 (Microsoft Corp., Redmond, WA). La visibilidad espacial de geodatos y los cálculos de puntos fríos se completaron con ArcGIS 10.08 (ESRI, Redlands, CA). Los cálculos de GeoDetector se realizaron utilizando el paquete 'GD'57 de R versión 4.2.2 (R Core Team, https://www.R-project.org/).

La estructura de uso de la tierra de la TLB ha cambiado drásticamente en las últimas tres décadas, con una reducción de las tierras de cultivo y la expansión de las tierras de construcción (Fig. 2). El diagrama de cuerdas de la proporción de transferencia muestra que la tasa de conversión de tierras de cultivo a tierras edificables mostró una tendencia creciente y luego decreciente, que en los períodos 1990-2000, 2000-2010 y 2010-2020 fue del 6,39 %, 12,83 % y 11,57 %, respectivamente. (Fig. 3). Y alrededor del 85% de las tierras de cultivo transferidas se convirtieron en terrenos edificables, lo que resultó en una clara tendencia opuesta en el área de ambos tipos de uso del suelo (Fig. 3, Tabla S4). La superficie de tierras de cultivo disminuyó sustancialmente del 70,53 % en 1990 al 52,45 % en 2020, pero la superficie de tierras edificables aumentó del 5,30 % en 1990 al 23,71 % en 2020 (Cuadro 4).

Cambios en el uso del suelo y la cobertura del suelo de la TLB de 1990 a 2020.

El diagrama de cuerdas de proporción de transferencia del uso de la tierra y la cobertura de la tierra para diferentes períodos de (a) 1990–2000, (b) 2000–2010, (c) 2010–2020, (d) 1990–2020. El ancho del vínculo entre las diferentes clases de tierras representa la fuerza del intercambio entre las dos clases de tierras durante el período.

Las tierras forestales disminuyeron ligeramente, principalmente debido a la recuperación de tierras de cultivo, con aproximadamente el 18 % de las tierras forestales convertidas en tierras de cultivo entre 1990 y 2020 (Fig. 3d). Aunque solo el 2,28 % de las tierras forestales se convirtió directamente en tierra edificable, la proporción de tierras forestales convertidas en tierras de cultivo también aumentó del 3,89 % en 1990–2000 al 7,87 % en 2000–2010 y al 10,12 % en 2010–2020 (Fig. 3). Se consideró que la urbanización acelerada condujo indirectamente a una reducción de las tierras forestales (Fig. S2). Los cuerpos de agua y otros tipos de uso del suelo también tenían el estatus de ser transferidos entre sí.

Espacialmente, los cambios en el uso del suelo fueron más evidentes en las partes este y norte de la cuenca que en el sur y el oeste (Fig. 2). La expansión de la tierra edificable y la reducción de la tierra de cultivo se produjeron principalmente en las ciudades del este y del norte, es decir, Shanghai, Suzhou, Wuxi, Changzhou y Zhangjiagang, que se han convertido en una de las principales aglomeraciones urbanas de China en las últimas tres décadas (Figs. 1, 2). Hubo una disminución de las tierras forestales, principalmente en el suroeste, y el área de los cuerpos de agua aumentó ligeramente en el sur y el oeste.

De acuerdo con los datos publicados en el Programa general sobre regulación integrada del entorno hídrico de la cuenca del lago Taihu35, la cantidad de Nr que ingresa a los cuerpos de agua en el área de gestión fue de 1,42 × 105 t en 2005 y 1,35 × 105 t en 2010. Los resultados de la simulación de este estudio proyectó una pérdida de Nr en el área de manejo de 1.48 × 105 t y 1.24 × 105 t, respectivamente, comparable a los errores relativos para los valores observados de 5.65% y 7.02%. Un informe sobre la salud del lago Taihu proporcionado por la Oficina de la cuenca del lago Taihu encontró que las zonas HX y HJ de la cuenca tenían un alto nivel de pérdida de Nr, lo que concordaba con nuestros resultados (Fig. S3). Los resultados del modelado de la distribución espacial de la pérdida de Nr en este estudio fueron igualmente precisos.

El uso de suelo simulado de 2020 se basó en 2015 y validó su lectura precisa utilizando el uso de suelo observado de 2020 (Fig. S4). Los resultados muestran que la precisión general es 0,89 y el coeficiente Kappa es 0,84, lo que indica que los resultados de la simulación son muy precisos y pueden satisfacer las simulaciones de escenarios de uso de la tierra posteriores.

Los resultados de la estimación de pérdidas de Nr basados en el modelo InVEST mostraron que de 1990 a 2000, las pérdidas de Nr en el TLB aumentaron de 1,60 × 105 a 1,82 × 105 t. Se observó una tendencia decreciente durante 2000–2020, con un total de 1,34 × 105 toneladas de pérdida de Nr en 2020, lo que indica un control efectivo de Nr. Entre las subcuencas, las zonas HJ y HX tuvieron las mayores pérdidas de Nr, representando el 23–26 % y el 21–23 % de las pérdidas totales de cada período, respectivamente (Fig. S5). Los cambios en las pérdidas de Nr de cada subcuenca fueron aproximadamente los mismos que la pérdida total de Nr de la cuenca.

Durante el período de estudio, los puntos fríos de pérdida de Nr se distribuyeron en áreas con grupos de cuerpos de agua y bosques. Fue consistente con estudios previos que encontraron que los cuerpos de agua y los bosques tendían a ser las regiones con la menor pérdida de Nr3. Sin embargo, los puntos calientes fueron más variables y convergieron gradualmente desde el sur y el este hacia el norte (Fig. 4). La mayor parte del área de TLB era un punto crítico en 1990, excepto por el norte de HX, el oeste de YC y las regiones con grupos de masas de agua y bosques (Fig. 4a). De 2000 a 2005, los puntos críticos en el norte (HX y WC) aumentaron gradualmente, mientras que los puntos críticos en el este (YC, PX y PD) y el sur (HJ) disminuyeron gradualmente (Fig. 4b, c). Durante 2010–2020, los puntos críticos en el sur se redujeron aún más, mientras que YC, WC y PX mostraron un efecto de agrupación notable, con ciudades importantes como Changshu, Suzhou, Wuxi y Shanghái ubicadas en esta área (Fig. 4d–f). La expansión urbana puede convertirse gradualmente en un contribuyente significativo a la pérdida de Nr en la TLB.

Distribución de los puntos fríos y calientes para la pérdida de Nr de 1990 a 2020. *, ** y *** representan la pérdida de Nr con intervalos de confianza del 90 %, 95 % y 99 %, respectivamente; WC, HX, ZX, HQ, YC, PX, PD y HJ representan ocho subcuencas.

El poder explicativo de los posibles impulsores de la pérdida de Nr se calculó utilizando GeoDetector para determinar los principales impulsores y cómo estos principales impulsores cambian con el tiempo (Tabla 5). Los resultados muestran que todos los indicadores seleccionados pasaron la prueba de significancia del 5% (p < 0.05) y encontramos que el uso y la composición de la tierra fueron los principales impulsores de las pérdidas de Nr en el TLB (Fig. S6, Tabla 5), lo cual fue consistente con trabajo de investigación previo20,58,59,60. El LUCC tuvo el poder explicativo más importante para la pérdida de Nr, con valores de q superiores a 0,8 y un valor medio de 0,82 durante el período de estudio (Tabla 5). Entre sus principales componentes (tierras de cultivo, tierras forestales, superficie de agua y terrenos edificables), los valores q de los porcentajes de tierras forestales (FLP) y masas de agua (WAP) variaron levemente. Los valores q disminuyeron de 0,38 a 0,29 en el FLP y aumentaron de 0,30 a 0,32 en el WAP durante 1990-2020. Sin embargo, es interesante notar que los valores q de los porcentajes de tierras de cultivo (CLP) y de suelo edificable (BLP) cambiaron considerablemente y mostraron tendencias opuestas, lo cual es consistente con la tendencia del cambio de uso de suelo urbano y de suelo de cultivo. Los valores q de CLP disminuyeron de 0,69 a 0,25 y BLP aumentó de 0,18 a 0,54.

En los factores naturales, los valores q para DEM, tipo de suelo (SUELO) y PENDIENTE mostraron una tendencia decreciente en sus efectos sobre las pérdidas de Nr durante el período. Sin embargo, permanecieron en el rango de 0,4 a 0,6. Los valores medios de q para DEM, SUELO y PENDIENTE fueron 0,52, 0,51 y 0,48, solo superados por LUCC, lo que sugiere que el suelo y el entorno geológico aún tenían una influencia crucial en las pérdidas de Nr en el área. Sin embargo, otros factores naturales como la precipitación (PRE), la densidad de la red fluvial (RND) y la fracción de cobertura vegetal (FVC) tienen valores q más bajos (< 0,3) y se mantuvieron estables o disminuyeron ligeramente (Cuadro 5), lo que indica que la precipitación, la densidad de la red fluvial y la cubierta vegetal no afectan significativamente la pérdida de Nr. Entre los factores socioeconómicos, los valores q del producto interno bruto (PIB) cambiaron de manera estable y el factor población (POP) aumentó levemente. Vale la pena señalar que, aunque los índices que caracterizan la estructura del uso del suelo, como MESH, CONTAG, AI y SHDI, tuvieron valores q pequeños durante el período de estudio, tendieron a aumentar, contrariamente a la tendencia de la mayoría de los factores a tener valores progresivamente más bajos. valores q. Los efectos de la estructura del uso del suelo sobre las pérdidas de Nr en la TLB aumentaron gradualmente a medida que los cambios en el uso del suelo se hicieron más pronunciados durante el período de estudio (Fig. 2, Tabla 4, Tabla 5).

Hubo diferencias en los cambios de uso del suelo para 2035 entre los tres escenarios diferentes de uso del suelo (Fig. 5). En el escenario BAU, la proporción de tierras de cultivo, bosques y cuerpos de agua disminuyó, mientras que la edificable aumentó al 28,24%. En el escenario de la CE, el área de bosques y agua aumentó (Cuadro 6). En el escenario ED, la proporción de tierras de cultivo, bosques y cuerpos de agua disminuyó a 45,46%, 10,12% y 7,12%, respectivamente, y la edificabilidad aumentó a 37,30%.

El uso del suelo y la distribución de la cobertura del suelo para diferentes escenarios; BAU, negocios como de costumbre; CE, conservación ecológica; DE, desarrollo económico.

Espacialmente, en los escenarios BAU y ED, el suelo edificable se expande a través de la ocupación de tierras de cultivo, dando como resultado la aglomeración urbana más significativa en el norte y el oeste. La reducción de las tierras forestales se produjo principalmente en el suroeste, y la mayoría de ellas se convirtieron en tierras de cultivo. La disminución en el área de agua ocurre principalmente en las regiones occidental y suroeste. Por el contrario, en el escenario de la CE, el aumento de las tierras forestales se da principalmente en el suroeste, mientras que el aumento de la superficie de agua se da principalmente en el suroeste y el oeste (Figs. 2f, 5b). Debido a las restricciones en la ocupación de superficie forestal y agua, la expansión de suelo edificable en este escenario se da principalmente en suelo de cultivo (Cuadro 6).

Las pérdidas de Nr bajo los diferentes escenarios se evaluaron utilizando el modelo InVEST. Los datos espaciales, como el DEM, la precipitación y los parámetros del modelo utilizados en la simulación de los diferentes escenarios, fueron los mismos que en 2020, lo que permitió resaltar los efectos de los escenarios y comparar los resultados con los de 2020. Una comparación de las pérdidas de Nr en 2020 entre los diferentes escenarios (Fig. 6) mostró que las pérdidas de Nr en los escenarios BAU y ED aumentaron un 5,73 % y un 13,77 %, alcanzando los totales 1,41 × 105 t y 1,52 × 105 t, respectivamente (Cuadro 6). Las pérdidas de Nr en tres escenarios, es decir, RNA, INUA y EC, disminuyeron en un 18,25 %, 12,12 % y 0,50 %, respectivamente. La combinación de varios escenarios, es decir, BAU, ED e INUA, fue más conducente a las mejoras económicas y tecnológicas que el escenario único de cambio de uso del suelo y el escenario de limitaciones. La pérdida de Nr se redujo en un 6,75 % en el escenario INUE combinado con BAU y aumentó en un 1,57 % en el escenario INUE combinado con ED, lo que demuestra que tanto el escenario BAU + INUA como el ED + INUE reducen significativamente la pérdida de Nr (Fig. 6)

La pérdida de Nr cambia bajo diferentes escenarios. Todos los cambios de pérdida de Nr del escenario se comparan con 2020; BAU, negocios como de costumbre; CE, conservación ecológica; DE, desarrollo económico; INUE, mayor eficiencia en el uso de Nr; RNA, aplicación de fertilizante Nr reducido; ED + INUA, combinando los escenarios ED e INUA; BAU + INUE, combina los escenarios UBA e INUA.

Estudios previos indicaron que la precipitación húmeda aumentó la pérdida de Nr a través de mecanismos de lixiviación y escorrentía, por lo que se consideró que era el factor principal que impulsaba la pérdida de Nr en las tierras agrícolas11. Sin embargo, el valor q de la precipitación observado en este estudio fue relativamente bajo, lo que puede atribuirse a la ligera variación de la precipitación en esta región. Contrariamente a la creencia convencional, se creía que la topografía tenía menos impacto en la pérdida de Nr en áreas planas debido a las menores diferencias en el terrenon3. Sin embargo, nuestro estudio demuestra que la topografía, según lo descrito por el DEM y la pendiente, ejerce el segundo mayor grado de influencia en la pérdida de Nr en el TLB, después de LUCC (Tabla 5). Esto podría estar relacionado con las prácticas agrícolas en elevaciones más altas y pendientes más pronunciadas, donde las aplicaciones intensas de fertilizante Nr exacerbaron la pérdida de Nr bajo la influencia de la topografía (Figs. 2, S2a,b). Nuestro análisis de puntos críticos y los resultados estadísticos también muestran que las regiones ZX y HX, que tienen variaciones significativas en la topografía, contribuyen con una cantidad sustancial de puntos críticos de exportación de Nr y pérdida persistente de Nr (Figs. 4, S5). Por lo tanto, para mitigar el impacto del alto relieve topográfico en la pérdida de Nr, es esencial implementar estrategias de manejo de la tierra que transfieran y manejen efectivamente las tierras agrícolas en estas áreas.

Nuestra investigación demuestra el papel crucial del uso y la composición de la tierra en la pérdida de Nr. A pesar de una disminución en la pérdida de Nr en la TLB durante las últimas tres décadas, como resultado potencial de la implementación del Programa General para la Gestión Integral del Medio Hídrico en la TLB y la disminución del uso de fertilizantes con Nr, los niveles actuales de pérdida de Nr en la cuenca son todavía elevado, con una estructura de uso de la tierra inadecuada dominada por tierras de cultivo y áreas urbanas. El Plan de Desarrollo de la Aglomeración Urbana del Delta del Río Yangtze anticipa la expansión urbana en curso en toda la cuenca. El desarrollo urbano y las actividades agrícolas intensivas elevan la salida de nutrientes, lo que hace que las tierras de cultivo y las áreas urbanas contribuyan de manera esencial a las pérdidas de Nr27. La expansión de las áreas de construcción generará superficies más impermeables, aumentando la escorrentía urbana y aumentando el riesgo de pérdida de Nr60,61,62. Nuestra simulación de escenarios de uso de la tierra en BUA y ED también revela que el desarrollo urbano conduce a la deforestación y a una mayor pérdida de Nr. Varios estudios han demostrado que la mala calidad del agua es una de las principales causas de la pobreza rural en China63, y que los altos niveles de pérdida de Nr se suman a los costos de la gestión ambiental con inversiones adicionales previstas. Por lo tanto, es imperativo desarrollar estrategias apropiadas de uso de la tierra y medidas de gestión para equilibrar el crecimiento económico con la preservación del medio ambiente. Los bosques y los humedales pueden reducir la exportación de Nr a través de la retención de sedimentos y nutrientes64,65, como lo respaldan nuestros hallazgos de la CE, que demuestran que la mayor parte de la restauración de estas áreas se logró mediante la conversión de tierras de cultivo.

Nuestras recomendaciones para la planificación de tierras de cultivo, bosques y agua basadas en nuestros análisis anteriores son las siguientes: (1) fortalecer las políticas de protección para las tierras de cultivo con pendientes pronunciadas, como la construcción de campos en terrazas para minimizar la pérdida de Nr del suelo; (2) otorgar subsidios agrícolas para incentivar a los agricultores a reducir el uso de fertilizantes o restaurar tierras forestales en tierras agrícolas con pendientes pronunciadas; (3) la implementación exitosa de medidas de protección de las zonas de amortiguamiento ribereñas en otros casos sugiere su efectividad potencial para reducir la pérdida de Nr66. El TLB presenta numerosos ríos, lo que hace que las medidas de protección de las zonas de amortiguamiento ribereñas, como aumentar la proporción de vegetación dentro de las zonas de amortiguamiento e incorporar estanques que consumen Nr durante la migración, reduzcan efectivamente la pérdida de Nr. Para las zonas urbanas, este estudio muestra que el valor q de BLP aumentó a 0,54 y el de POP aumentó a 0,34 en 2020, lo que indica que la expansión urbana y el crecimiento de la población tienen un impacto creciente en la pérdida de Nr dentro de la región, y las áreas urbanas se reducen gradualmente. convirtiéndose en puntos críticos para la pérdida de Nr. Nuestra investigación reciente que utiliza isótopos de Nr y oxígeno para rastrear el nitrato de los cuerpos de agua en la red del río TLB indica que el estiércol y las aguas residuales son los que más contribuyen al contenido de nitrato del cuerpo de agua37. Varios estudios de ríos o ciudades dentro de la TLB también han demostrado que las aguas residuales domésticas e industriales hicieron contribuciones sustanciales como fuentes de Nr37,48,67. Sin embargo, a pesar de que TLB es pionera en el avance del tratamiento de aguas residuales en China, su progreso está siendo superado por la urbanización y la expansión socioeconómica en curso. Sus estándares actuales de tratamiento de aguas residuales son inadecuados para satisfacer la capacidad ambiental de la cuenca68. Por lo tanto, se deben mejorar los estándares de tratamiento de aguas residuales urbanas en la región; al mismo tiempo, el tamaño y la población deben controlarse de manera efectiva para acomodar las tasas de recuperación de aguas residuales y los estándares de descarga relativamente bajos.

Todavía hay algunas limitaciones en los métodos y datos utilizados. En primer lugar, debido a problemas con la disponibilidad de datos, al usar el modelo InVEST para simular la pérdida de Nr en los últimos 30 años, la carga de Nr de las tierras de cultivo varió con los diferentes años, mientras que la de otras coberturas de la tierra fue fija. Aunque este enfoque se usa ampliamente en el modelo y obtuvimos resultados de simulación confiables22,45,68, puede introducir cierto sesgo e incertidumbre. Por lo tanto, los estudios futuros deberían mejorar la carga de Nr para diferentes períodos para simular la pérdida de Nr con mayor precisión. En segundo lugar, al predecir escenarios futuros de pérdida de Nr, para explorar mejor el impacto del uso de la tierra en la pérdida de Nr, solo cambiamos el uso de la tierra en diferentes escenarios en la configuración del modelo sin considerar la influencia de los factores meteorológicos en la pérdida de Nr. Sin embargo, la pérdida de Nr se ve afectada por varios factores y la situación real puede ser más compleja. Los estudios futuros deberían mejorar la configuración de estos factores. Finalmente, este estudio simuló y predijo la pérdida de Nr y sus factores impulsores a escala de cuenca. Sin embargo, la pérdida de Nr varía y es compleja a diferentes escalas. Por lo tanto, en el futuro, consideraremos analizar y explicar la pérdida y atribución de Nr desde múltiples escalas, como subcuencas, condados, gradientes de altitud, etc.

En este estudio, combinamos los modelos InVEST y GeoDetector para simular y estudiar la pérdida de Nr y los factores que influyen en el TLB y simulamos siete escenarios posibles. Se aclararon los cambios en los puntos críticos de pérdida de Nr en el TLB y las fuerzas impulsoras en los últimos 30 años y, posteriormente, se pronosticaron las pérdidas futuras de Nr en varios escenarios. Los resultados muestran que desde 1990 hasta 2020, la mayor pérdida de Nr de la TLB fue de 1,82 × 105 t N en 2000, y la ciudad se convirtió gradualmente en un punto crítico para la pérdida de Nr. La implementación de protección ecológica, el aumento del uso de nutrientes y la reducción de la aplicación de fertilizantes pueden reducir la pérdida de N. El porcentaje de uso de la tierra (BLP) sobre la pérdida de Nr aumenta gradualmente, alcanzando un valor q de 0,54 para 2020. La pérdida de Nr también está limitada por la topografía y el suelo, con valores q promedio de 0,52, 0,51 y 0,48 para la elevación, el suelo y el suelo. pendiente. La influencia de los factores de población en la pérdida de N también aumenta cada año. Con base en las conclusiones anteriores, sugerimos que los administradores de cuencas fortalezcan la implementación de medidas de conservación del suelo y el agua en las tierras de cultivo en áreas de pendientes altas y empinadas, implementen una política alentadora de devolver las tierras de cultivo al bosque y reducir la pérdida de Nr mediante el establecimiento de zonas de amortiguamiento en los ríos, mientras es necesario controlar el tamaño de las ciudades y la población y mejorar el nivel de tratamiento de las aguas residuales. Nuestro estudio puede proporcionar una referencia científica para la gestión de cuencas hidrográficas. Se realizarán más estudios para diferentes subcuencas a fin de brindar soluciones más precisas para la gestión de la contaminación del agua.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Rockström, J. et al. Un espacio operativo seguro para la humanidad. Naturaleza 461, 472–475. https://doi.org/10.1038/461472a (2009).

Artículo ADS CAS PubMed Google Scholar

Yan, XY, Xia, LL & Ti, CP Variaciones temporales y espaciales en la eficiencia del uso de nitrógeno en la producción de cultivos en China. Reinar. contaminar 293, 118496. https://doi.org/10.1016/j.envpol.2021.118496 (2022).

Artículo CAS PubMed Google Académico

Wang, YH, Cai, ZC, Lang, XL, Yan, XY y Xu, KQ Cascada de nitrógeno en el sistema agrícola-alimentario-ambiental del delta del Yangtze, 1998–2018. ciencia Entorno Total. 787, 147442. https://doi.org/10.1016/j.scitotenv.2021.147442 (2021).

Artículo ADS CAS PubMed Google Scholar

Smith, VH, Tilman, GD & Nekola, JC Eutrofización: Impactos del aporte excesivo de nutrientes en los ecosistemas terrestres, marinos y de agua dulce. Reinar. contaminar 100, 179–196. https://doi.org/10.1016/S0269-7491(99)00091-3 (1999).

Artículo CAS PubMed Google Académico

Liu, XC et al. Exploración de los cambios espaciotemporales de las fuentes de nitrógeno y fósforo del río Yangtze (Changjiang), retención y exportación al Mar de China Oriental y al Mar Amarillo. Agua Res. 142, 246–255. https://doi.org/10.1016/j.watres.2018.06.006 (2018).

Artículo CAS PubMed Google Académico

Zhao, ZH et al. Trazabilidad de puntos críticos contaminados con nitratos en redes fluviales planas del delta del río Yangtze mediante isótopos de nitrógeno y oxígeno que acoplan el modelo bayesiano. Contaminación ambiental. 315, 120438. https://doi.org/10.1016/j.envpol.2022.120438 (2022).

Artículo CAS PubMed Google Académico

Mooneya, RJ et al. Aportes descomunales de nutrientes de pequeños afluentes a un Gran Lago. proc. nacional Academia ciencia 117, 28175–28182. https://doi.org/10.1073/pnas.2001376117 (2020).

Artículo ADS CAS Google Académico

Sinha, E., Michalak, AM, Calvin, KV y Lawrence, PJ Las decisiones sociales sobre la mitigación climática tendrán un impacto dramático en la eutrofización en el siglo XXI. Nat. común 10, 939. https://doi.org/10.1038/s41467-019-08884-w (2019).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Boretti, A. & Rosa, L. Reevaluación de las proyecciones del informe sobre el desarrollo mundial de los recursos hídricos. Agua limpia. 2, 15. https://doi.org/10.1038/s41545-019-0039-9 (2019).

Artículo Google Académico

Ma, T. et al. La contaminación exacerba la escasez de agua de China y su desigualdad regional. Nat. común 11, 650. https://doi.org/10.1038/s41467-020-14532-5 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Liu, LY, Zheng, XQ, Peng, CF, Li, JY y Xu, Y. Fuerzas impulsoras y tendencias futuras sobre la pérdida total de plantación en China. Reinar. contaminar 267, 115660. https://doi.org/10.1016/j.envpol.2020.115660 (2020).

Artículo CAS Google Académico

Shan, LN, He, YF, Chen, J., Huang, Q. & Wang, HC Volatilización de amoníaco de un campo de repollo chino bajo diferentes tratamientos en la cuenca del lago Taihu, China. J. Medio Ambiente. ciencia 38, 14–23. https://doi.org/10.1016/j.jes.2015.04.028 (2015).

Artículo CAS Google Académico

Liang, XQ et al. Nrintercepción en el agua de inundación de un campo de arroz en la región de Taihu de China. J. Medio Ambiente. ciencia 19(12), 1474–1481. https://doi.org/10.1016/S1001-0742(07)60240-X (2007).

Artículo CAS Google Académico

Wu, YP & Chen, J. Investigación de los efectos de la contaminación de fuentes puntuales y difusas en la calidad del agua del East River (Dongjiang) en el sur de China. Ecol. Indicar 32, 294–304. https://doi.org/10.1016/j.ecolind.2013.04.002 (2013).

Artículo CAS Google Académico

Panagopoulos, Y. et al. Impactos del cambio climático en la hidrología, la calidad del agua y la productividad de los cultivos en la cuenca del río Ohio-Tennessee. En t. J. Agric. Biol. Ing. 8(3), 36–53. https://doi.org/10.3965/j.ijabe.20150803.1497 (2015).

Artículo Google Académico

Canción, Y. et al. Características espaciotemporales de las cargas contaminantes en la cuenca del río Yan, una cuenca típica de colinas y barrancos de loess en la meseta china de loess. Geosci. Letón. 9, 10. https://doi.org/10.1186/s40562-022-00220-3 (2022).

Artículo ANUNCIOS Google Académico

Pfannerstill, M., Guse, B. & Fohrer, N. Un concepto de agua subterránea de almacenamiento múltiple para el modelo SWAT para enfatizar la dinámica no lineal del agua subterránea en las cuencas de las tierras bajas. Hidrol. Proceso. 28, 5599–5612. https://doi.org/10.1002/hyp.10062 (2014).

Artículo ANUNCIOS Google Académico

Dennedy-Frank, PJ, Muenich, RL, Chaubey, I. & Ziv, G. Comparación de dos herramientas para la evaluación de servicios ecosistémicos con respecto a las decisiones sobre recursos hídricos. J. Medio Ambiente. Administrar 177, 331–340. https://doi.org/10.1016/j.jenvman.2016.03.012 (2016).

Artículo Google Académico

Yazdi, MN, Ketabchy, M., Sample, DJ, Scott, D. & Liao, HH Una evaluación de HSPF y SWMM para simular regímenes de caudal en una cuenca urbana. Reinar. Modelo. suave 18, 211–225. https://doi.org/10.1016/j.envsoft.2019.05.008 (2019).

Artículo Google Académico

Bai, Y., Chen, YY, Alatalo, JM, Yang, ZQ y Jiang, B. Efectos de escala en las relaciones entre las características de la tierra y los servicios ecosistémicos: un estudio de caso en la cuenca del lago Taihu, China. ciencia Entorno Total. 716, 137083. https://doi.org/10.1016/j.scitotenv.2020.137083 (2020).

Artículo ADS CAS PubMed Google Scholar

Zhao, FB, Wu, YP, Yin, XW, Georgii, A. y Qiu, LJ Hacia la revegetación sostenible en la meseta de loess mediante la gestión combinada de agua y carbono. Ingeniería 15, 143–153. https://doi.org/10.1016/j.eng.2020.12.017 (2022).

Artículo CAS Google Académico

Cong, WC, Sun, XY, Guo, HW y Shan, RF Comparación de los modelos SWAT e InVEST para determinar los patrones espaciales, las prioridades y las compensaciones de los servicios ecosistémicos hidrológicos en una cuenca compleja. Ecol. Indicar 112, 106089. https://doi.org/10.1016/j.ecolind.2020.106089 (2020).

Artículo Google Académico

Chen, CZ, Gan, R., Feng, DM, Yang, F. y Zuo, Q. Cuantificación de la contribución del modelado SWAT y la entrada de CMIP6 a la incertidumbre de la predicción del caudal bajo el cambio climático. J. Limpio. Pinchar. 364, 132675. https://doi.org/10.1016/j.jclepro.2022.132675 (2022).

Artículo Google Académico

Vigerstol, KL & Aukema, JE Una comparación de herramientas para modelar servicios de ecosistemas de agua dulce. J. Medio Ambiente. Administrar 92, 2403–2409. https://doi.org/10.1016/j.jenvman.2011.06.040 (2011).

Artículo Google Académico

Huang, DQ, Huang, J. y Liu, T. Delimitación de los límites del crecimiento urbano utilizando el modelo CLUE-S con los límites administrativos de las aldeas. Política de uso de la tierra 82, 422–435. https://doi.org/10.1016/j.landusepol.2018.12.028 (2019).

Artículo Google Académico

van Puijenbroek, PJTM, Beusen, AHW & Bouwman, AF Global Nrand fósforo en aguas residuales urbanas basado en las rutas socioeconómicas compartidas. J. Medio Ambiente. Administrar 231, 446–456. https://doi.org/10.1016/j.jenvman.2018.10.048 (2019).

Artículo CAS Google Académico

Foley, JA et al. Consecuencias globales del uso de la tierra. Ciencia 84, 570–574. https://doi.org/10.1126/science.1111772 (2005).

Artículo ADS CAS Google Académico

Hajati, M.-C., White, S., Moosdorf, N. & Santos, IR Modelado de pérdidas de nitrógeno a escala de captación a través de un gradiente de uso de la tierra en los subtrópicos. Frente. Tierra. ciencia 8, 347. https://doi.org/10.3389/feart.2020.00347 (2020).

Artículo ANUNCIOS Google Académico

Huang, JC y col. Caracterización de la calidad del agua del río en China: avances recientes y desafíos actuales. Agua Res. 201, 117309. https://doi.org/10.1016/j.watres.2021.117309 (2021).

Artículo CAS PubMed Google Académico

Li, YY et al. Cómo el cambio climático y la evolución del uso de la tierra se relacionan con la contaminación de fuentes difusas en una cuenca típica de China. ciencia Entorno Total. 839, 156375. https://doi.org/10.1016/j.scitotenv.2022.156375 (2022).

Artículo ADS CAS PubMed Google Scholar

Wang, JF y col. Evaluación de riesgos para la salud basada en detectores geográficos y su aplicación en el estudio de defectos del tubo neural de la región de Heshun, China. En t. J. Geografía. información ciencia 24, 107–127. https://doi.org/10.1080/13658810802443457 (2010).

Artículo CAS Google Académico

Wang, JF y Xu, CD Geodetector: principio y prospectivo. Acta. Geográfica. Sínica. 72 (1), 116–134. https://doi.org/10.11821/dlxb201701010 (2017).

Chen, J. et al. Análisis de heterogeneidad espacial y temporal de la conservación del agua en la aglomeración urbana de Beijing-Tianjin-Hebei basado en el geodetector y modelos de trayectoria de coeficiente elástico espacial. GeoSalud 4, e2020GH000248. https://doi.org/10.1029/2020GH000248 (2020).

Artículo PubMed PubMed Central Google Académico

Liu, J., Xu, QL, Yi, JH & Huang, X. Análisis de la heterogeneidad de los patrones de paisaje de expansión urbana y factores impulsores basados en un índice de adyacencia multiorden combinado y un modelo de geodetector. Ecol. Indicar 136, 108655. https://doi.org/10.1016/j.ecolind.2022.108655 (2022).

Artículo Google Académico

TBAMWR. Informe sobre la salud del lago Taihu. http://www.tba.gov.cn/slbthlyglj/thjkzkbg/content. Consultado el 10 de noviembre de 2022.

Lang, XL et al. La ocurrencia espacial y las fuentes de HAP en los sedimentos impulsan el riesgo ecológico y para la salud del lago Taihu en China. ciencia Rep. 12, 3668. https://doi.org/10.1038/s41598-022-07507-7 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Zhao, ZH et al. Trazabilidad de puntos críticos contaminados con nitratos en redes fluviales planas del delta del río Yangtze mediante isótopos de nitrógeno y oxígeno que acoplan el modelo bayesiano. Reinar. contaminar 315, 120438. https://doi.org/10.1016/j.envpol.2022.120438 (2022).

Artículo CAS PubMed Google Académico

Zhao, ZH et al. Ocurrencia y fuerzas impulsoras de diferentes formas de nitrógeno en los sedimentos de las zonas de pasto y algas del lago Taihu. Reinar. ciencia contaminar Res. 29, 30114–30125. https://doi.org/10.1007/s11356-021-17784-w (2022).

Artículo CAS Google Académico

Yan, L. et al. Función de peligro de proliferación de cianobacterias y aplicación preliminar en el lago Taihu, China. Chemosphere 307, 136122. https://doi.org/10.1016/j.chemosphere.2022.136122 (2022).

Artículo ADS CAS PubMed Google Scholar

Qin, BQ et al. Dinámica de la variabilidad y mecanismo de proliferación de cianobacterias dañinas en el lago Taihu, China. Mentón. ciencia Toro. 61, 759–770. https://doi.org/10.1360/N972015-00400 (2016).

Artículo Google Académico

Stone, R. China tiene como objetivo cambiar el rumbo de la contaminación tóxica de los lagos. Ciencia 333, 1210–1211. https://doi.org/10.1126/science.333.6047.1210 (2011).

Artículo ADS PubMed Google Scholar

Comisión Nacional de Desarrollo y Reforma, República Popular China. https://www.ndrc.gov.cn/xxgk/zcfb/ghwb/201606/t20160603_962187_ext.html. Consultado el 10 de noviembre de 2022.

Zhang, J. et al. Información sobre las variaciones espaciotemporales de la calidad del agua en la cuenca del lago Taihu, China. Reinar. Monitorear Evaluar. 193, 757. https://doi.org/10.1007/s10661-021-09554-5 (2021).

Artículo CAS PubMed Google Académico

Wang, SL et al. Evaluación del estado trófico de las aguas continentales globales utilizando un índice Forel-Ule derivado de MODIS. Sensores Remotos Entorno. 217, 444–460. https://doi.org/10.1016/j.rse.2018.08.026 (2018).

Artículo ANUNCIOS Google Académico

Pelirroja, JW et al. Evaluación a escala nacional del modelo de retención de nutrientes InVEST en el Reino Unido. ciencia Entorno Total. 610–611, 666–667. https://doi.org/10.1016/j.scitotenv.2017.08.092 (2018).

Artículo ADS CAS PubMed Google Scholar

Getis, A. & Ord, JK El análisis de la asociación espacial mediante el uso de estadísticas de distancia. Geogr. Anal. 24, 189–206. https://doi.org/10.1007/978-3-642-01976-0_10 (1992).

Artículo Google Académico

Ord, JK & Getis, A. Estadísticas de autocorrelación espacial local: problemas de distribución y una aplicación. Geogr. Anal. 27, 286–306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x (1995).

Artículo Google Académico

Liu, LL et al. Información sobre las tendencias de contaminación a largo plazo y las contribuciones de las fuentes en el lago Taihu, China, utilizando modelos de análisis multiestadísticos. Chemosphere 242, 125272. https://doi.org/10.1016/j.chemosphere.2019.125272 (2020).

Artículo ADS CAS PubMed Google Scholar

Petersen, RJ, Blicher-Mathiesen, G., Rolighed, J., Andersen, HE y Kronvang, B. Tres décadas de regulación de las pérdidas de nitrógeno agrícola: Experiencias del programa danés de monitoreo agrícola. ciencia Entorno Total. 787, 147619. https://doi.org/10.1016/j.scitotenv.2021.147619 (2021).

Artículo ADS CAS PubMed Google Scholar

Zhao, F. et al. Analizando la influencia del cambio en el patrón del paisaje sobre los requerimientos ecológicos de agua en una región árida/semiárida de China. J. Hydrol. 578, 124098. https://doi.org/10.1016/j.jhydrol.2019.124098 (2019).

Artículo Google Académico

Jia, YQ, Tang, LN, Xu, M. y Yang, XY Índices de patrones de paisaje para evaluar la morfología espacial urbana: un estudio de caso de ciudades chinas. Ecol. Ind. 99, 27–37. https://doi.org/10.1016/j.ecolind.2018.12.007 (2019).

Artículo Google Académico

Liang, X. et al. Comprensión de los impulsores de la expansión sostenible de la tierra utilizando un modelo de simulación de uso de la tierra (PLUS) generador de parches: un estudio de caso en Wuhan, China. computar Reinar. Sistema Urbano 85, 101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569 (2021).

Artículo Google Académico

Wang, Z. et al. Simulación dinámica del cambio de uso del suelo y evaluación del almacenamiento de carbono basado en escenarios de cambio climático a nivel de ciudad: un estudio de caso de Bortala, China. Ecol. Indicar 134, 108499. https://doi.org/10.1016/j.ecolind.2021.108499 (2022).

Artículo CAS Google Académico

Wang, ZY, Gao, Y., Wang, XR, Lin, Q. & Li, L. Un nuevo enfoque para la optimización y simulación del uso del suelo considerando la sostenibilidad del desarrollo urbano: un estudio de caso de Bortala, China. Sostener. Ciudades Soc. 87, 104135. https://doi.org/10.1016/j.scs.2022.104135 (2022).

Artículo Google Académico

Zhang, SQ et al. Predicción y análisis del uso de la tierra/cobertura de la tierra del curso medio del río Yangtze bajo diferentes escenarios. ciencia Entorno Total. 833, 155238. https://doi.org/10.1016/j.scitotenv.2022.155238 (2022).

Artículo ADS CAS PubMed Google Scholar

Cicchetti, DV & Feinstein, AR Alto acuerdo pero bajo kappa: II—Resolviendo las paradojas. J. Clin. Epidemiol. 43, 551–558. https://doi.org/10.1016/0895-4356(90)90159-M (1990).

Artículo CAS PubMed Google Académico

Song, YZ, Wang, JF, Ge, Y. & Xu, CD Un modelo de detector geográfico basado en parámetros óptimos mejora las características geográficas de las variables explicativas para el análisis de heterogeneidad espacial: casos con diferentes tipos de datos espaciales. GISci. Remoto. Sens. 57, 593–610. https://doi.org/10.1080/15481603.2020.1760434 (2020).

Artículo Google Académico

Lacher, IL y col. Impactos dependientes de la escala del uso de tierras urbanas y de cultivo en nutrientes, sedimentos y escorrentía. ciencia Total. Reinar. 652, 611–622. https://doi.org/10.1016/j.scitotenv.2018.09.370 (2019).

Artículo ADS CAS PubMed Google Scholar

De Wit, HA et al. El uso de la tierra domina los controles climáticos sobre la exportación de nitrógeno y fósforo de las cuencas de cabecera nórdicas gestionadas y naturales. Hidrol. Proceso 34, 4831–4850. https://doi.org/10.1002/hyp.13939 (2020).

Artículo ADS CAS Google Académico

Alamdari, N., Claggett, P., Sample, DJ, Easton, ZM y Yazdi, MN Evaluación de los efectos conjuntos del cambio climático y del uso de la tierra sobre la escorrentía y la carga de contaminantes en una cuenca en rápido desarrollo. J. Limpio. Pinchar. 330, 129953. https://doi.org/10.1016/j.jclepro.2021.129953 (2022).

Artículo CAS Google Académico

Bian, GD et al. Un procedimiento para cuantificar la respuesta de la escorrentía a los cambios espaciales y temporales de la superficie impermeable en la cuenca del río Qinhuai en el sureste de China. CATENA 157, 268–278. https://doi.org/10.1016/j.catena.2017.05.023 (2017).

Artículo Google Académico

Van der Salm, C., van den Toorn, A., Chardon, WJ & Koopmans, GF Transporte de agua y nutrientes en un suelo arcilloso pesado en una llanura fluvial en los Países Bajos. J. Medio Ambiente. Cal. 41, 229–241. https://doi.org/10.2134/jeq2011.0292 (2012).

Artículo CAS PubMed Google Académico

Cohen, A. & Sullivan, CA Agua y pobreza en la China rural: desarrollo de un instrumento para evaluar las múltiples dimensiones del agua y la pobreza. Ecol. economía 69, 999–1009. https://doi.org/10.1016/j.ecolecon.2010.01.004 (2010).

Artículo Google Académico

Hunter, R. et al. Análisis de la tasa de eliminación y carga de nutrientes de los humedales boscosos de Luisiana que asimilan efluentes municipales tratados. Reinar. Administrar 44, 865–873. https://doi.org/10.1007/s00267-009-9348-y (2009).

Artículo ANUNCIOS Google Académico

Shi, P. et al. Respuesta de la contaminación por nitrógeno en aguas superficiales al uso de la tierra y factores socioeconómicos en la cuenca del río Weihe, noroeste de China. Sostener. Ciudades Soc. 50, 101658. https://doi.org/10.1016/j.scs.2019.101658 (2019).

Artículo Google Académico

Huang, L. et al. La conservación de la tierra puede mitigar la degradación de los servicios ecosistémicos de agua dulce debido al cambio climático en una cuenca semiárida: el caso de la cuenca del río Portneuf, Idaho, EE. UU. ciencia Entorno Total. 651, 1796–1809. https://doi.org/10.1016/j.scitotenv.2018.09.260 (2019).

Artículo ADS CAS PubMed Google Scholar

Ti, CP, Xia, YQ, Pan, JJ & Yan, XY Balance de nitrógeno y carga de nitrógeno en aguas superficiales en Changshu: un estudio de caso en la región del lago Taihu de China. Nutrición cicl. Agroecosistema. 91, 55. https://doi.org/10.1007/s10705-011-9443-3 (2011).

Artículo CAS Google Académico

Berg, CE, Mineau, MM y Rogers, SH Examen del servicio ecosistémico de eliminación de nutrientes en una cuenca costera. ecosistema serv. 20, 104–112. https://doi.org/10.1016/j.ecoser.2016.06.007 (2016).

Artículo Google Académico

Descargar referencias

Este trabajo fue apoyado por el Programa Nacional de Investigación y Desarrollo Clave de China (2021YFC3201500), la Fundación Nacional de Ciencias Naturales de China (No. 41673107) y el Proyecto Principal del Departamento Provincial de Educación de Jiangsu (No. 20KJA170001).

Escuela de Geografía, Universidad Normal de Nanjing, 1 Wenyuan Road, Qixia, Nanjing, 210023, China

Xinghua He, Jiaming Tian, Yanqin Zhang, Zihan Zhao, Zucong Cai y Yanhua Wang

Centro de Jiangsu para la Innovación Colaborativa en el Desarrollo y la Aplicación de Recursos de Información Geográfica, Nanjing, 210023, China

Zucong Cai y Yanhua Wang

Laboratorio clave de entorno geográfico virtual, Ministerio de Educación, Universidad Normal de Nanjing, Nanjing, 210023, China

Zucong Cai y Yanhua Wang

También puede buscar este autor en PubMed Google Scholar

Todos los autores contribuyeron al trabajo. XHH: Redacción-revisión y edición, metodología. JMT: Investigación, curación de datos, visualización. YQZ: Visualización, software. ZHZ: Investigación, metodología. ZCC: Recursos, revisión, supervisión. YHW: Redacción-revisión y edición, administración de proyectos, supervisión.

Correspondencia a Yanhua Wang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Él, X., Tian, J., Zhang, Y. et al. Atribución y fuerza impulsora de las pérdidas de nitrógeno de la cuenca del lago Taihu por los modelos InVEST y GeoDetector. Informe científico 13, 7440 (2023). https://doi.org/10.1038/s41598-023-34184-x

Descargar cita

Recibido: 26 enero 2023

Aceptado: 25 de abril de 2023

Publicado: 08 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-34184-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Blog

Atribución y fuerza impulsora de las pérdidas de nitrógeno de la cuenca del lago Taihu por los modelos InVEST y GeoDetector