Zuordnung und treibende Kraft der Stickstoffverluste aus dem Taihu-Seebecken durch die Modelle InVEST und GeoDetector

Scientific Reports Band 13, Artikelnummer: 7440 (2023) Diesen Artikel zitieren

307 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die Quantifizierung zeitlicher und räumlicher Änderungen der Verluste an reaktivem Stickstoff (Nr) aus einem Wassereinzugsgebiet und die Erforschung seiner Haupttreiber sind der Schlüssel zur Verbesserung der Wasserqualität von Wassereinzugsgebieten. Riesige Nr-Verluste gefährden weiterhin die Sicherheit der Wasserumgebung im Taihu Lake Basin (TLB). Hier wurden die InVEST- und GeoDetector-Modelle kombiniert, um Nr-Verluste im TLB von 1990 bis 2020 abzuschätzen und die treibenden Kräfte zu untersuchen. Es wurden verschiedene Szenarien für Nr-Verluste verglichen. Dabei zeigte sich, dass der Nr-Verlust im Jahr 2000 mit 181,66 × 103 t seinen Höhepunkt erreichte. Die Schlüsselfaktoren, die den Nr-Verlust beeinflussen, sind die Landnutzung, gefolgt von Höhen-, Boden- und Neigungsfaktoren, und ihre mittleren q-Werte betrugen 0,82. 0,52, 0,51 bzw. 0,48. Die Szenarioanalyse ergab, dass die Nr-Verluste unter den Szenarios „Business-as-usual“ und „wirtschaftlicher Entwicklung“ zunahmen, während der Umweltschutz, eine erhöhte Nährstoffnutzungseffizienz und eine verringerte Nährstoffanwendung alle zu einer Verringerung der Nr-Verluste beitrugen. Die Ergebnisse liefern eine wissenschaftliche Referenz für die Nr-Verlustkontrolle und die Zukunftsplanung im TLB.

Übermäßiger Verlust von reaktivem Stickstoff (Nr) ist eine der größten Bedrohungen für aquatische Ökosysteme weltweit1,2,3. Anthropogene Aktivitäten wie landwirtschaftliche Düngung, industrielle Produktion und Abwassereinleitung haben den Transport von terrestrischem Stickstoff in die aquatischen Ökosysteme, d. h. Flüsse und Seen, beschleunigt, was zu Eutrophierung4,5,6, Algenblüte7, Treibhausgasemissionen usw. geführt hat am3,8. Diese Phänomene bedrohen die häusliche Wassersicherheit und die produktive Wasserversorgung erheblich. Laut dem World Water Development Report werden bis 2050 fast sechs Milliarden Menschen weltweit unter einer Krise der Wasserknappheit leiden9. Insbesondere die Wasserknappheit wird durch die unzureichende Wasserqualität in China verschärft, und eine hohe Nr-Belastung ist eine der größten Bedrohungen zur Wasserqualität10. Es besteht ein dringender Bedarf, Nr-Verluste zu reduzieren und zu kontrollieren.

In den letzten Jahrzehnten konzentrierten sich viele Studien zum Nr-Verlust auf Feldmessungen11,12,13,14,15,16. Die langfristige Überwachung und Erforschung der Wasserqualität von Einzugsgebietsgewässern ist jedoch zeitaufwändig und nicht für die Bewertung der Auswirkungen künftiger Landnutzungsänderungen geeignet14. Mit der Entwicklung geografischer Informationssysteme (GIS) und Fernerkundung wurden viele Modelle zur Bewertung der Wasserqualität und hydrologischen Ökosystemleistungen entwickelt, wie das Soil and Water Assessment Tool (SWAT), das Hydrological Simulation Program-FORTRAN (HSPF), das Annualized Agricultural Non-Program. Point Source (AnnAGNPS) und Integrated Valuation of Ecosystem Services and Trade-offs (InVEST) wurden entwickelt und sind weit verbreitet14,15,16,17,18,19,20,21. Auf Nährstofftransportprozessen basierende Modelle wie SWAT, HSPF und AnnAGNPS können hydrologische Prozesse gut simulieren und genaue Ergebnisse liefern. Diese Modelle erfordern jedoch große Mengen an hydrologischen Daten für die Kalibrierung18,22, was in Gebieten mit knappen Daten oft nicht anwendbar ist, außerdem sind sie komplex in der Bedienung und erfordern eine spezielle Schulung der Bediener19,23. Das InVEST-Modell enthält weniger integrierte Algorithmen als die anderen Modelle und ist daher einfacher zu verwenden, was die Modellierung und Analyse in Bereichen ermöglicht, in denen Daten knapp sind, mit kurzen Laufzeiten und einer starken räumlichen Darstellung24. Das NDR-Modul (Nährstoffabgabeverhältnis) im InVEST-Modell verwendet einen einfacheren Massenbilanzansatz, um die langfristige und stabile räumliche Bewegung von Nährstoffen zu beschreiben, die nicht nur den Nährstoffexport unter verschiedenen Klimazonen und Landnutzungsänderungsszenarien widerspiegeln, sondern auch hilfreich sein kann die Auswirkungen natürlicher Faktoren und menschlicher Aktivitäten auf die Verschmutzung auf der Ebene eines Teileinzugsgebiets oder einer hydrologischen Einheit bewerten25.

Durch landwirtschaftliche Düngung und städtische Abwassereinleitung wird Nr direkt der Umwelt ausgesetzt26; Klima und Topographie tragen zum Nr-Verlust bei, indem sie den Nr-Transport vorantreiben11; Veränderungen in der Zusammensetzung und Struktur der Landnutzung können sich auch auf den Nr-Verlust auswirken, indem sie den Nährstoffgehalt an der Oberfläche und den Nährstofftransport verändern27. Untersuchungen haben gezeigt, dass der Nr-Verlust aufgrund der Intensivierung der Landwirtschaft um das 3,5-Fache zugenommen hat28 und dass eine zunehmende Versiegelung der Flächen auch die Nr-Verluste verschärft hat29. Darüber hinaus erhöht die Verlagerung von Wald auf gerodetes Land die Denitrifikationskapazität28; und die Vergrößerung der Grünlandränder kann die Nr-Verschmutzung verringern30. Traditionelle Forschungsinstrumente und -methoden wie multiple lineare Regression, Korrelationsanalyse, gewöhnliche Modelle der kleinsten Quadrate, räumliche Verzögerungsmodelle und räumliche Fehlermodelle stellen jedoch eine Herausforderung dar, mit der räumlichen Variabilität der Treiber umzugehen. Sie beschränken sich auf eine kontinuierliche Datenanalyse, was es schwierig macht, Landnutzungsdaten zur Analyse ihrer direkten Auswirkungen auf den Nr-Verlust zu verwenden. Das GeoDetector-Modell, das kontinuierliche und typologische Daten verwendet, ist eine neue statistische Methode, die die Treiber räumlicher Heterogenität aufdecken kann. Es basiert auf dem Prinzip, dass, wenn eine unabhängige Variable eine abhängige Variable erheblich beeinflusst, die räumliche Verteilung der unabhängigen und abhängigen Variablen ähnlich sein sollte31,32. Das GeoDetector-Modell wurde auf verschiedene Disziplinen in Natur und Gesellschaft angewendet31. Beispielsweise haben Chen et al. verwendeten das GeoDetector-Modell, um die treibende Rolle von Faktoren wie der Landnutzung auf die räumliche und zeitliche Divergenz der Wasserressourcen im städtischen Ballungsraum Peking-Tianjin-Hebei zu untersuchen33. Liu et al.34 untersuchten die Auswirkungen von Natur, Wirtschaft und Verkehr auf die Stadterweiterung auf der Grundlage des GeoDetector-Modells.

Das Taihu-Seebecken (TLB) liegt in der am weitesten entwickelten östlichen Region Chinas und bedeckt nur 0,4 % der Landfläche Chinas, beherbergt aber 4,4 % der Bevölkerung und trägt 9,7 % zum BIP bei35. Die hohe wirtschaftliche Entwicklung und die intensive landwirtschaftliche Tätigkeit haben die Verschlechterung der Wasserqualität in der Region beschleunigt36,37,38. Als unterster Teil des Beckens erhält der Taihu-See eine große Menge an Wasser. Etwa 70.000 Tonnen Flusswasser gelangten 2009 in den Taihu-See. Zwischen 1998 und 2007 waren das ganze Jahr über, außer im Januar und Februar, große Mengen an Cyanobakterien im See vorhanden39. Eine massive Algenblüte führte im Mai 2007 zu einer Trinkwasserkrise in Wuxi40, wobei fast die Hälfte des Taihu-Sees von einer Cyanobakterienblüte bedeckt war, die eine Fläche von über 1000 km2 bedeckte, was dazu führte, dass über zwei Millionen Menschen eine Woche lang kein Trinkwasser hatten damals41. In den letzten Jahren hat sich die Wasserqualität des Taihu-Sees aufgrund der Maßnahmen der Regierung und der Umsetzung des Gesamtprogramms zur integrierten Regulierung des Taihu-Sees verbessert; es ist jedoch immer noch mäßig nahrhaft42. Den Berichten zufolge wurden im Jahr 2018 39.500 Tonnen Nr über Flüsse in den Taihu-See importiert, und 20 der 22 großen Flüsse rund um den See wiesen Nr-Konzentrationen über 2 mg L−1 auf. Nur 29,09 % der auf Trinkwasserqualität untersuchten Wasserqualitätsprobestellen erfüllten die erforderlichen Standards43. Erhebliche Nr-Verluste gefährden immer noch die Sicherheit der regionalen Wasserumwelt. Die aktuellen Studien zum Nr-Verlust im Taihu-Seebecken beschränken sich jedoch eher auf kleine Maßstäbe wie Felder12,13, und es wurden weniger Studien durchgeführt, um die räumliche und zeitliche Variation des Nr-Verlusts im gesamten Beckenmaßstab zu untersuchen und die Faktoren zu untersuchen des Nr-Verlusts. Basierend auf allen oben genannten Problemen integrieren wir daher zunächst das NDR-Modul des InVEST-Modells in das GeoDetector-Modell, um die Haupttreiber des Nr-Verlusts im TLB zu untersuchen. Darüber hinaus haben wir sieben Szenarien entworfen, um die Variation des Nr-Verlusts im TLB unter verschiedenen Szenarien zu untersuchen. Die Studie zielt darauf ab, (1) die Nr-Verluständerungen im TLB im Zeitraum 1990–2020 zu vergleichen, (2) die Hotspots des Nr-Verlusts und ihre räumlich-zeitlichen Variationen im Einzugsgebiet zu untersuchen, (3) die wichtigsten treibenden Faktoren für die zu identifizieren Nr-Kaskade und (4) Vorhersage zukünftiger Änderungsmerkmale von Nr-Verlusten im Einzugsgebiet unter verschiedenen Szenarien.

Der TLB liegt im Osten Chinas (118°–121° E, 30°–33° N), im Kerngebiet des Jangtse-Deltas (Abb. 1). Das Becken umfasst Teile von zwei Provinzen, nämlich Jiangsu und Zhejiang, sowie eine Stadt auf Präfekturebene, Shanghai, und umfasst mehrere städtische Gebiete, darunter Suzhou, Wuxi, Changzhou, Zhangjiagang und Zhenjiang. Mit einer Gesamtfläche von etwa 36.900 km2 ist es eine der am stärksten industrialisierten und urbanisierten Regionen Chinas. Es hat eine feuchte nördliche subtropische Klimazone mit einer durchschnittlichen jährlichen Niederschlagsmenge von 1177 mm und einer Durchschnittstemperatur von 16,2 °C. Das Becken verfügt über viele Flüsse und ein dichtes Wasserstraßennetz und ist als Land der Fische und des Reis6 bekannt. Entsprechend den topografischen Merkmalen und hydrologischen Eigenschaften kann der TLB in acht Unterbecken unterteilt werden (Abb. 1b) mit den Namen Hu Xi (HX), Wu Cheng Xi Yu (WC), Yang Cheng Dian Liu (YC) und Tai Hu (HQ), Zhe Xi (ZX), Hang Jia Hu (HJ), Pu Xi (PX) und Pu Dong (PD)12.

Lage des Taihu-Seebeckens in China; (a) der konkrete Standort; (b) Grenzen der acht Unterbecken des Beckens; (c) Art der Landnutzung und Lage der Großstädte im Einzugsgebiet im Jahr 2020.

Das NDR-Modul im InVEST-Modell wurde verwendet, um die Nr-Verluste aus dem TLB zu simulieren, deren Formeln in den Gleichungen dargestellt sind. (1, 2). Basierend auf einer DEM-Extraktion des Flusses wurde das reale Flussnetz verwendet, um die ursprünglichen DEM-Daten zu modifizieren, um die Genauigkeit der Modellsimulation weiter zu verbessern (S1 und Abb. S1 im Suppl. Mat.).

wobei \(Load_{surf,i}\) und \(Load_{subs,i}\) die oberflächliche bzw. unterirdische Nährstoffbelastung darstellen, \(Load_{i}\) die Nr-Belastung der Gittereinheit darstellt, \ (\Pr op_{subs,i}\) bezieht sich auf das Verhältnis des unterirdischen Nährstoffabflusses und i ist die Gittereinheit.

Die oberflächlichen und unterirdischen Nährstofftransportraten wurden nach den Gleichungen berechnet. (3, 4).

Dabei ist \(NDR_{surf,i}\) die Mobilitätsrate von Oberflächennährstoffen, \(IC_{0}\) der Geländeindex, \(IC_{i}\) und k der Kalibrierungsparameter, \(NDR_ {o,i}\) ist der Anteil nicht reservierter Nährstoffe in nachgeschalteten Pixeln, \(NDR_{subs,i}\) ist die Migrationsrate unterirdischer Nährstoffe, \(eff_{subs}\) ist die maximale Nährstoffretentionseffizienz durch unterirdische Strömung erreicht werden kann, ist \(l_{subs}\) der Abstand, bei dem die Nährstoffretention im Boden ihre maximale Kapazität erreicht, und \(l\) ist der Abstand von der Gittereinheit zur Strömung. Zur Berechnung der Nährstoffbelastung wurden die Gleichungen (5) und (6) verwendet.

wobei \(x_{\exp ,i}\) die Nährstoffbelastung der Gitterzelle i darstellt und \(x_{{\exp_{tot} }}\) sich auf die gesamte Nährstoffbelastung im Becken bezieht.

Zusätzlich zu den räumlichen Daten in Tabelle 1 muss das NDR-Modul auch Daten zur Nr-Belastung für jeden Landnutzungstyp (S2 und Tabelle S1 im Suppl. Mat.), zur Rückhalteeffizienz von Nr für jeden Landtyp, und die maximale Nr-Transportentfernung für jeden Landtyp sowie Einstellungen für den K-Parameter. Gemäß dem InVEST-Benutzerhandbuch wurde die Nr-Belastung des Ackerlandes in dieser Studie aus der Nr-Düngung des Ackerlandes in der Region abgeleitet, die dem Statistischen Jahrbuch entnommen wurde.

Die Nr-Belastung von Bauland, einschließlich Industrie- und Haushaltsland, wurde aus dem Gesamtprogramm zur integrierten Regulierung der Wasserumwelt des Taihu-Seebeckens35 ermittelt. Die Nr-Belastung anderer Landnutzungstypen und die Entfernungseffizienz aller Landtypen wurden dem InVEST-Benutzerhandbuch und den Einzelheiten in Tabelle 244 entnommen. Die maximale Nr-Transportentfernung wurde mit einem Standardwert von 150 m festgelegt. Das InVEST-Modell reagiert empfindlich auf den K-Parameter45, der der Hauptparameter für die Kalibrierung ist. Daher haben wir das Modell kalibriert, indem wir den K-Parameter basierend auf dem beobachteten Nr-Verlust angepasst haben. Schließlich wurde der Wert von K auf 12,5 festgelegt.

Die Getis-Ord Gi*-Statistik wird verwendet, um die Cluster mit niedrigem Wert (Cold Spots) und Cluster mit hohem Wert (Hot Spots) von Regionen zu identifizieren30,46,47. In der vorliegenden Studie wurde der Nr-Verlust in jedem Gitter extrahiert, indem ein 1500 × 1500 m großes Gitter erstellt wurde, das das Untersuchungsgebiet abdeckte, und die extrahierten Daten wurden auf kalte und heiße Stellen analysiert.

Das GeoDetector-Modellsystem besteht aus vier Hauptkomponenten: Risikodetektor, Faktordetektor, ökologischer Detektor und Interaktionsdetektor. In diesem Artikel verwenden wir hauptsächlich den Faktordetektor, um die Hauptantriebskräfte des Nr-Verlusts zu untersuchen.

Der Faktordetektor wurde eingesetzt, um den Grad des Einflusses der verschiedenen Faktoren auf die Nr-Verluste zu ermitteln, gemessen durch q-Werte mit einem Bereich von [0,1]. Je größer der q-Wert, desto stärker ist die Erklärungskraft. Die Formeln lauten wie folgt:

wobei h = 1, … L, L die Klassifizierung verschiedener Faktoren ist; \(N_{h}\) und \(N\) beziehen sich auf die Anzahl der Einheiten der Schicht h in jedem Faktor bzw. auf die Schichtung dieses Faktors; \(\sigma_{h}^{2}\) und \(\sigma^{2}\) repräsentieren die Varianz der Schicht h in jedem Faktor bzw. die Varianz der gesamten regionalen Nr-Verluste, und SSW und SST sind die Summe der Varianzen innerhalb der Schichten bzw. die Gesamtgesamtvarianz.

Wir haben frühere Studien zusammengestellt20,48,49 und die Treiber in vier Kategorien eingeteilt: natürliche, sozioökonomische, Landnutzung und -zusammensetzung sowie Landschaftskonfiguration, wobei 17 Indikatoren ausgewählt wurden, um die Haupttreiber der Nr-Verluste zu untersuchen (Tabelle 3). Wir haben alle Landschaftszusammensetzungs- und Konfigurationsindizes mithilfe der Funktion „Moving Window“ in Fragstats 4.2 berechnet, einem räumlichen Statistiktool, das speziell für die Analyse und Bewertung von Landschaftsmustern entwickelt wurde. Detailliertere Informationen finden Sie auf der offiziellen Website (https:// fragstats.org/). Alle Methoden zur optimalen räumlichen Diskretisierung der Treiber und der Anzahl der Diskretisierungen basieren auf dem „GD“-Paket in der Software R 4.2.2.

Das Patch-generating Land Use Simulation (PLUS)-Modell wurde angewendet, um zukünftige Landnutzungs-/Landbedeckungsänderungen (LUCC) im TLB zu simulieren (S3 im Suppl. Mat.). Im Modellprotokoll wurde der LUCC über zwei verschiedene Zeiträume analysiert. Anschließend wurde der LUCC-Erweiterungsanteil für jeden Landnutzungstyp und der entsprechende Anteil für jeden Treiber extrahiert und beprobt. Der Zufallswaldalgorithmus wurde verwendet, um die Einflüsse und den Beitrag jedes Treibers zur Ausweitung jedes Landnutzungstyps zu quantifizieren und die Entwicklungswahrscheinlichkeit zu ermitteln52. Schließlich kombinierte das Modell ein zelluläres Automatenmodell (CA) mit Zufallsstartwerten und einem Mechanismus mit abnehmendem Schwellenwert, um die Änderungen jedes LUCC-Typs mit einer hohen Simulationsgenauigkeit zu simulieren53,54,55.

Für jeden LUCC-Typ wurde die Entwicklungswahrscheinlichkeit basierend auf seiner Veränderung von 2015 bis 2020 und 14 treibenden Faktoren berechnet und bewertet. Der Wert von 2015 wurde als Grundlage für die Simulation und Vorhersage des Werts von 2020 gewählt. Der beobachtete LUCC von 2020 wurde zur Verifizierung der Simulationsergebnisse verwendet, und der Kappa-Koeffizient wurde ausgewählt, um die Genauigkeit der Simulationsergebnisse zu bewerten. Im Allgemeinen weist ein Kappa-Koeffizient von mehr als 0,7 auf eine hohe Modellgenauigkeit25,56 hin.

Gemäß dem Entwicklungstrend des TLB wurden in dieser Studie drei Landnutzungsszenarien „Business-as-usual“ (BAU), „ökologische Erhaltung“ (EC) und „wirtschaftliche Entwicklung“ (ED) erstellt, um den Landnutzungsbedarf im Jahr 2035 zu simulieren. Die Entwicklung Die Wahrscheinlichkeiten jedes LUCC-Typs in den drei Landnutzungsszenarien waren dieselben wie im Zeitraum 2015–2020. Der LUCC im Jahr 2020 wird als Grundlage für die Simulation und Vorhersage des Jahres 2035 verwendet. Die Entwicklungswahrscheinlichkeiten jedes LUCC-Typs in den drei Landnutzungsszenarien sind dieselben wie im Jahr 2015–2020. Es wurden zwei Einschränkungsszenarien hinzugefügt, um die Auswirkungen einer verringerten Nr-Düngemittelanwendung (RNA) und einer erhöhten Nr-Nutzungseffizienz (INUE) auf die Nr-Verluste zu untersuchen. Daher wurde eine Kombination aus verbindlichen Einschränkungsszenarien und Landnutzungsszenarien betrachtet. Die Szenarien wurden wie folgt aufgebaut.

BAU: Dieses Szenario behielt den historischen Trend bei, der auf einer Markov-Kettenprojektion des BAU-Landbedarfs im Jahr 2035 basiert.

ED: In diesem Szenario steht die Entwicklung der Wirtschaft im TLB im Vordergrund. Die Rückgewinnung von Ackerland und die weitere Stadterweiterung wurden gefördert. Wir berechnen den Landbedarf von 2035 in diesem Szenario, indem wir die Transfermatrix und Transferwahrscheinlichkeiten jeder Kategorie modifizieren (Tabelle S2). Insbesondere wurde die Wahrscheinlichkeit der Übertragung von Wasserflächen, Brachwiesen und Waldflächen in Ackerland um 60 % erhöht. Die Umwandlungswahrscheinlichkeit von Wasserflächen, Ödland, Grünland, Waldland und Ackerland in städtisches Land wurde um 100 % erhöht.

EC: In diesem Szenario räumt die zukünftige Entwicklung des TLB dem Umweltschutz Priorität ein, wobei die Regierung die Richtlinien umsetzt, dh Waldschutz, Aufforstung und Wiederherstellung von Feuchtgebieten, während städtischer Bau auf Waldflächen und Gewässern verboten ist. Wir berechnen den Landbedarf von 2035 in diesem Szenario, indem wir die Übertragungsmatrix und die Wahrscheinlichkeit jedes Landnutzungstyps modifizieren, einschließlich der Verdoppelung der Wahrscheinlichkeit der Umwandlung von Ackerland in Waldland und Gewässer (Tabelle S3). Die Wahrscheinlichkeit der Umwandlung von Ödland in Wald- und Wasserfläche stieg um 80 %. In der Zwischenzeit haben wir die Wahrscheinlichkeit der Umwandlung von Wald- und Wasserflächen in Bauland auf Null gesetzt und die Wahrscheinlichkeit der Umwandlung von Wald- und Wasserflächen in andere Landnutzungsarten um 40 % reduziert.

RNA: Dieses Szenario folgte dem Landnutzungsmuster von 2020. Es wurde eine Reduzierung der Nr-Düngemittelausbringung im Jahr 2020 um 30 % simuliert.

INUA: Dieses Szenario folgte dem Landnutzungsmuster von 2020. Die Retentionsrate von Nr-Nährstoffen im Ackerland stieg in der Simulation von 30 auf 40 %.

BAU + INUA: In diesem Szenario kombinieren wir die UBA- und INUA-Szenarien, um die Auswirkungen einer normalen Landnutzung im Jahr 2035 mit erhöhter N-Nutzungseffizienz auf den N-Verlust zu untersuchen.

ED + INUA: In diesem Szenario kombinieren wir die Szenarien ED und INUA, um die Auswirkungen der wirtschaftlichen Entwicklung der Landnutzung im Jahr 2035 mit einer erhöhten N-Nutzungseffizienz auf den N-Verlust zu untersuchen.

Das NDR-Modul, das PLUS-Modell und das GeoDetector-Modell erforderten räumliche Gitterdaten, also ein digitales Höhenmodell (DEM) und LUCC-Daten. Die Datenquellen und der Vorbereitungsprozess sind in Tabelle 1 dargestellt.

Die Datenverarbeitung und statistische Analyse wurde mit Origin 2021 (OriginLab, Palo Alto, CA) und Excel 2019 (Microsoft Corp., Redmond, WA) durchgeführt. Die räumlichen Sichtbarkeits- und Cold-Spot-Berechnungen der Geodaten wurden mit ArcGIS 10.08 (ESRI, Redlands, CA) durchgeführt. Die GeoDetector-Berechnungen wurden mit dem „GD“-Paket57 der R-Version 4.2.2 (R Core Team, https://www.R-project.org/) durchgeführt.

Die Landnutzungsstruktur des TLB hat sich in den letzten drei Jahrzehnten dramatisch verändert, mit einer Reduzierung der Ackerflächen und einer Ausweitung der Bauflächen (Abb. 2). Das Transferverhältnis-Akkorddiagramm zeigt, dass die Umwandlungsrate von Ackerland in Bauland einen Anstiegs- und dann einen Rückgangstrend aufwies, der in den Zeiträumen 1990–2000, 2000–2010 und 2010–2020 6,39 %, 12,83 % bzw. 11,57 % betrug (Abb. 3). Und etwa 85 % der übertragenen Ackerflächen wurden in Bauland umgewandelt, was zu einem deutlich gegenläufigen Trend im Bereich beider Landnutzungstypen führt (Abb. 3, Tabelle S4). Die Ackerlandfläche ging erheblich von 70,53 % im Jahr 1990 auf 52,45 % im Jahr 2020 zurück, die Baulandfläche stieg jedoch von 5,30 % im Jahr 1990 auf 23,71 % im Jahr 2020 (Tabelle 4).

Veränderungen der Landnutzung und Landbedeckung des TLB von 1990 bis 2020.

Das Transferverhältnis-Akkorddiagramm der Landnutzung und Landbedeckung für verschiedene Zeiträume von (a) 1990–2000, (b) 2000–2010, (c) 2010–2020, (d) 1990–2020. Die Breite der Verbindung zwischen den verschiedenen Landklassen stellt die Stärke des Austauschs zwischen den beiden Landklassen während des Zeitraums dar.

Die Waldfläche ging vor allem aufgrund der Ackerlandgewinnung leicht zurück, wobei von 1990 bis 2020 etwa 18 % der Waldfläche in Ackerland umgewandelt wurden (Abb. 3d). Obwohl nur 2,28 % der Waldfläche direkt in Bauland umgewandelt wurden, stieg auch der Anteil der in Ackerland umgewandelten Waldfläche von 3,89 % in den Jahren 1990–2000 auf 7,87 % in den Jahren 2000–2010 und 10,12 % in den Jahren 2010–2020 (Abb. 3). Es wurde angenommen, dass die beschleunigte Urbanisierung indirekt zu einer Verringerung der Waldfläche führte (Abb. S2). Auch die Gewässer und sonstigen Landnutzungsarten hatten den Status der gegenseitigen Übertragung.

Räumlich waren die Landnutzungsänderungen im östlichen und nördlichen Teil des Beckens am deutlichsten zu erkennen als im Süden und Westen (Abb. 2). Die Ausweitung des Baulandes und die Reduzierung der Ackerfläche erfolgte hauptsächlich in den östlichen und nördlichen Städten, also Shanghai, Suzhou, Wuxi, Changzhou und Zhangjiagang, die sich in den letzten drei Jahrzehnten zu einem der größten städtischen Ballungsräume Chinas entwickelt haben (Abb. 1, 2). Vor allem im Südwesten kam es zu einem Rückgang der Waldflächen, im Süden und Westen nahm die Fläche der Gewässer leicht zu.

Gemäß den im Gesamtprogramm zur integrierten Regulierung der Wasserumgebung des Taihu-Seebeckens veröffentlichten Daten35 betrug die Menge an Nr, die in die Gewässer im Bewirtschaftungsgebiet gelangte, im Jahr 2005 1,42 × 105 t und im Jahr 2010 1,35 × 105 t. Die Simulationsergebnisse von Diese Studie prognostizierte einen Nr-Verlust im Bewirtschaftungsgebiet von 1,48 × 105 t bzw. 1,24 × 105 t, vergleichbar mit den relativen Fehlern für die beobachteten Werte von 5,65 % und 7,02 %. Ein vom Taihu Lake Basin Bureau erstellter Bericht über den Zustand des Taihu-Sees ergab, dass die HX- und HJ-Zonen des Beckens einen hohen Nr-Verlust aufwiesen, was mit unseren Ergebnissen übereinstimmte (Abb. S3). Die Ergebnisse der Modellierung der räumlichen Verteilung des Nr-Verlusts in dieser Studie waren gleichermaßen genau.

Die simulierte Landnutzung im Jahr 2020 basierte auf dem Jahr 2015 und validierte ihre genaue Ablesung anhand der beobachteten Landnutzung im Jahr 2020 (Abb. S4). Die Ergebnisse zeigen, dass die Gesamtgenauigkeit 0,89 und der Kappa-Koeffizient 0,84 beträgt, was darauf hinweist, dass die Simulationsergebnisse sehr genau sind und nachfolgende Simulationen von Landnutzungsszenarien erfüllen können.

Die Ergebnisse der Nr-Verlustschätzung auf Basis des InVEST-Modells zeigten, dass die Nr-Verluste im TLB von 1990 bis 2000 von 1,60 × 105 auf 1,82 × 105 t anstiegen. Im Zeitraum 2000–2020 war ein rückläufiger Trend zu beobachten, mit einem Gesamtverlust von 1,34 × 105 Tonnen Nr. im Jahr 2020, was auf eine wirksame Nr-Kontrolle hinweist. Unter den Teilbecken wiesen die HJ- und HX-Zonen die höchsten Nr-Verluste auf, die jeweils 23–26 % bzw. 21–23 % der Gesamtverluste ausmachten (Abb. S5). Die Änderungen der Nr-Verluste aus jedem Unterbecken entsprachen in etwa dem gesamten Nr-Verlust aus dem Becken.

Während des Untersuchungszeitraums waren die Nr-Verlust-Kältestellen in Gebieten mit Ansammlungen von Gewässern und Waldgebieten verteilt. Es stimmt mit früheren Studien überein, dass Gewässer und Wälder tendenziell die Regionen mit dem geringsten Nr-Verlust waren3. Die Hotspots waren jedoch variabler und konvergierten allmählich von Süden und Osten nach Norden (Abb. 4). Der größte Teil des TLB-Gebiets war 1990 ein Hotspot, mit Ausnahme des nördlichen HX, des westlichen YC und Regionen mit Ansammlungen von Gewässern und Waldgebieten (Abb. 4a). Von 2000 bis 2005 nahmen die Hotspots im Norden (HX und WC) allmählich zu, während die Hotspots im Osten (YC, PX und PD) und Süden (HJ) allmählich abnahmen (Abb. 4b, c). Im Zeitraum 2010–2020 gingen die Hotspots im Süden weiter zurück, während YC, WC und PX einen spürbaren Clustereffekt zeigten, wobei sich Großstädte wie Changshu, Suzhou, Wuxi und Shanghai in diesem Gebiet befanden (Abb. 4d–f). Die Stadterweiterung könnte nach und nach zu einem erheblichen Faktor für den Nr-Verlust im TLB werden.

Verteilung der Cold-Hot-Spots für den Nr-Verlust von 1990 bis 2020. *, ** und *** stellen den Nr-Verlust bei 90 %, 95 % bzw. 99 % Konfidenzintervallen dar; WC, HX, ZX, HQ, YC, PX, PD und HJ repräsentieren acht Unterbecken.

Die Erklärungskraft potenzieller Treiber für den Nr-Verlust wurde mit GeoDetector berechnet, um die Haupttreiber zu bestimmen und zu ermitteln, wie sich diese Haupttreiber im Laufe der Zeit ändern (Tabelle 5). Die Ergebnisse zeigen, dass alle ausgewählten Indikatoren den 5 %-Signifikanztest bestanden haben (p < 0,05) und wir fanden heraus, dass Landnutzung und -zusammensetzung die Haupttreiber für die Nr-Verluste im TLB waren (Abb. S6, Tabelle 5), was mit übereinstimmt frühere Forschungsarbeiten20,58,59,60. Der LUCC hatte mit Q-Werten über 0,8 und einem Mittelwert von 0,82 über den Untersuchungszeitraum die größte Erklärungskraft für den Nr-Verlust (Tabelle 5). Unter den Hauptkomponenten (Ackerland, Waldland, Wasserfläche und Bauland) variierten die q-Werte der Anteile von Waldland (FLP) und Wasserkörpern (WAP) leicht. Die q-Werte sanken im FLP von 0,38–0,29 und stiegen im WAP von 0,30 auf 0,32 im Zeitraum 1990–2020. Es ist jedoch interessant festzustellen, dass sich die q-Werte der Anteile von Ackerland (CLP) und Bauland (BLP) erheblich veränderten und gegensätzliche Trends zeigten, was mit dem Trend der Änderung der Ackerland- und städtischen Landnutzung übereinstimmt. Die q-Werte von CLP sanken von 0,69 auf 0,25 und BLP stiegen von 0,18 auf 0,54.

Bei den natürlichen Faktoren zeigten die q-Werte für DEM, Bodentyp (SOIL) und SLOPE einen abnehmenden Trend in ihren Auswirkungen auf die Nr-Verluste über den Zeitraum. Sie blieben jedoch im Bereich von 0,4–0,6. Die mittleren q-Werte für DEM, SOIL und SLOPE betrugen 0,52, 0,51 und 0,48 und übertrafen damit nur LUCC, was darauf hindeutet, dass der Boden und die geologische Umgebung immer noch einen entscheidenden Einfluss auf die Nr-Verluste in der Region hatten. Andere natürliche Faktoren wie Niederschlag (PRE), Flussnetzdichte (RND) und Vegetationsbedeckungsanteil (FVC) weisen jedoch niedrigere q-Werte (< 0,3) auf und blieben stabil oder nahmen leicht ab (Tabelle 5), was darauf hindeutet, dass Niederschlag, Die Dichte des Flussnetzes und die Vegetationsbedeckung haben keinen wesentlichen Einfluss auf den Nr-Verlust. Unter den sozioökonomischen Faktoren veränderten sich die q-Werte des Bruttoinlandsprodukts (BIP) stabil und der Bevölkerungsfaktor (POP) stieg leicht an. Es ist erwähnenswert, dass die Indizes, die die Landnutzungsstruktur charakterisieren, wie MESH, CONTAG, AI und SHDI, während des gesamten Untersuchungszeitraums zwar kleine q-Werte aufwiesen, diese jedoch tendenziell anstiegen, im Gegensatz zur Tendenz der meisten Fahrer, zunehmend niedrigere q-Werte zu haben q-Werte. Die Auswirkungen der Landnutzungsstruktur auf die Nr-Verluste im TLB verstärkten sich allmählich, da die Landnutzungsänderungen während des Untersuchungszeitraums ausgeprägter wurden (Abb. 2, Tabelle 4, Tabelle 5).

Es gab Unterschiede in den Landnutzungsänderungen bis 2035 zwischen den drei verschiedenen Landnutzungsszenarien (Abb. 5). Im BAU-Szenario verringerte sich der Anteil der Acker-, Wald- und Gewässerflächen, während der Baulandanteil auf 28,24 % stieg. Im EG-Szenario nahm die Wald- und Wasserfläche zu (Tabelle 6). Im ED-Szenario verringerte sich der Anteil von Ackerland, Waldland und Gewässern auf 45,46 %, 10,12 % bzw. 7,12 % und der Baulandanteil stieg auf 37,30 %.

Die Landnutzung und Landbedeckungsverteilung für verschiedene Szenarien; BAU, Business-as-usual; EG, Umweltschutz; ED, wirtschaftliche Entwicklung.

Räumlich weitet sich in den BAU- und ED-Szenarien das Bauland durch die Besetzung von Ackerflächen aus, was zu einer stärkeren städtischen Agglomeration im Norden und Westen führt. Der Rückgang der Waldflächen erfolgte hauptsächlich im Südwesten und die meisten davon wurden in Ackerland umgewandelt. Der Rückgang der Wasserfläche erfolgt vor allem in den westlichen und südwestlichen Regionen. Im Gegensatz dazu findet im EG-Szenario die Zunahme der Waldfläche hauptsächlich im Südwesten statt, während die Zunahme der Wasserfläche hauptsächlich im Südwesten und Westen stattfindet (Abb. 2f, 5b). Aufgrund der Nutzungsbeschränkungen für Wald- und Wasserflächen erfolgt die Ausweitung von Bauland in diesem Szenario überwiegend auf Ackerland (Tabelle 6).

Die Nr.-Verluste in den verschiedenen Szenarien wurden mithilfe des InVEST-Modells bewertet. Die räumlichen Daten wie DEM, Niederschlag und die bei der Simulation der verschiedenen Szenarien verwendeten Modellparameter waren dieselben wie im Jahr 2020, was eine Hervorhebung der Auswirkungen der Szenarien und einen Vergleich der Ergebnisse mit denen von ermöglichte 2020. Ein Vergleich der Nr-Verluste im Jahr 2020 zwischen den verschiedenen Szenarien (Abb. 6) zeigte, dass die Nr-Verluste in den BAU- und ED-Szenarien um 5,73 % bzw. 13,77 % anstiegen, wobei die Gesamtwerte 1,41 × 105 t und 1,52 × 105 erreichten t (Tabelle 6). Die Nr-Verluste in drei Szenarien, nämlich RNA, INUA und EC, verringerten sich um 18,25 %, 12,12 % bzw. 0,50 %. Die Kombination mehrerer Szenarien, dh BAU, ED und INUA, war förderlicher für wirtschaftliche und technologische Verbesserungen als das Szenario mit einer einzelnen Landnutzungsänderung und das Einschränkungsszenario. Der Nr-Verlust wurde im BAU-kombinierten INUE-Szenario um 6,75 % reduziert und im ED-kombinierten INUE-Szenario um 1,57 % erhöht, was zeigt, dass sowohl das BAU + INUA- als auch das ED + INUE-Szenario den Nr-Verlust deutlich reduzieren (Abb. 6).

Nr. Verluständerungen unter verschiedenen Szenarien. Alle Verluständerungen im Szenario Nr. werden mit 2020 verglichen; BAU, Business-as-usual; EG, Umweltschutz; ED, wirtschaftliche Entwicklung; INUE, erhöhte Nr-Nutzungseffizienz; RNA, reduzierte Nr-Düngemittelanwendung; ED + INUA, Kombination der Szenarios ED und INUA; BAU + INUE, kombinieren Sie die Szenarien UBA und INUA.

Frühere Studien zeigten, dass nasse Niederschläge den Nr-Verlust durch Auswaschungs- und Abflussmechanismen erhöhten und daher als Hauptfaktor für den Nr-Verlust in landwirtschaftlichen Flächen angesehen wurden11. Der in dieser Studie beobachtete q-Wert des Niederschlags war jedoch relativ niedrig, was auf die leichte Variation des Niederschlags in dieser Region zurückzuführen ist. Entgegen der herkömmlichen Annahme ging man davon aus, dass die Topographie aufgrund geringerer Geländeunterschiede einen geringeren Einfluss auf den Nr-Verlust in flachen Gebieten hat3. Unsere Studie zeigt jedoch, dass die Topographie, wie sie durch DEM und Neigung beschrieben wird, nach LUCC den zweithöchsten Einfluss auf den Nr-Verlust im TLB hat (Tabelle 5). Dies könnte mit landwirtschaftlichen Praktiken in höheren Lagen und steileren Hängen zusammenhängen, wo eine starke Anwendung von Nr-Dünger den Nr-Verlust unter dem Einfluss der Topographie verstärkt (Abb. 2, S2a, b). Unsere Hotspot-Analyse und statistischen Ergebnisse zeigen auch, dass die ZX- und HX-Regionen, die erhebliche Unterschiede in der Topographie aufweisen, einen erheblichen Anteil an Nr-Export- und dauerhaften Nr-Verlust-Hotspots ausmachen (Abb. 4, S5). Um die Auswirkungen des hohen topografischen Reliefs auf den Nr-Verlust abzumildern, ist es daher wichtig, Landbewirtschaftungsstrategien umzusetzen, die Ackerland in diesen Gebieten effektiv übertragen und bewirtschaften.

Unsere Forschung zeigt die entscheidende Rolle der Landnutzung und -zusammensetzung beim Nr-Verlust. Trotz eines Rückgangs des Nr-Verlusts im TLB in den letzten drei Jahrzehnten, der möglicherweise auf die Umsetzung des Gesamtprogramms für die umfassende Bewirtschaftung der Wasserumwelt im TLB und den geringeren Nr-Düngemittelverbrauch zurückzuführen ist, ist der Nr-Verlust im Einzugsgebiet derzeit auf einem niedrigen Niveau immer noch erhöht, mit einer ungeeigneten Landnutzungsstruktur, die von Ackerland und städtischen Gebieten dominiert wird. Der städtische Agglomerationsentwicklungsplan für das Jangtse-Delta sieht eine weitere Stadterweiterung im gesamten Becken vor. Stadtentwicklung und intensive landwirtschaftliche Aktivitäten erhöhen den Nährstoffabfluss, wodurch Ackerland und städtische Gebiete wesentlich zu Nr-Verlusten beitragen27. Durch die Ausweitung der Bauflächen entstehen mehr undurchlässige Flächen, was den städtischen Abfluss erhöht und das Risiko eines Nr-Verlusts erhöht60,61,62. Unsere Simulation von Landnutzungsszenarien in BUA und ED zeigt auch, dass Stadtentwicklung zu Entwaldung und erhöhtem Nr-Verlust führt. Mehrere Studien haben gezeigt, dass schlechte Wasserqualität eine der Hauptursachen für ländliche Armut in China ist63 und dass ein hoher Wasserverlust die Kosten für das Umweltmanagement erhöht und zusätzliche Investitionen erwartet. Daher ist es unerlässlich, geeignete Landnutzungsstrategien und Managementmaßnahmen zu entwickeln, um Wirtschaftswachstum und Umweltschutz in Einklang zu bringen. Wald- und Feuchtgebiete können den Nr-Export durch Sediment- und Nährstoffretention64,65 verringern, was durch unsere EC-Ergebnisse gestützt wird, die zeigen, dass der größte Teil der Wiederherstellung dieser Gebiete durch die Umwandlung von Ackerland erreicht wurde.

Unsere Empfehlungen für die Planung von Acker-, Wald- und Wasserflächen auf der Grundlage unserer früheren Analysen lauten wie folgt: (1) Stärkung der Schutzmaßnahmen für Ackerland mit steilem Hang, wie z. B. der Bau von Terrassenfeldern, um den Verlust von Nr. aus dem Boden zu minimieren; (2) Bereitstellung von Agrarsubventionen, um Landwirten Anreize zu geben, den Düngemittelverbrauch zu reduzieren oder Waldflächen auf steilen Ackerflächen wiederherzustellen; (3) Die erfolgreiche Umsetzung von Uferpufferschutzmaßnahmen in anderen Fällen deutet auf deren potenzielle Wirksamkeit bei der Reduzierung des Nr-Verlusts hin66. Der TLB verfügt über zahlreiche Flüsse, die Uferschutzmaßnahmen wie die Erhöhung des Vegetationsanteils innerhalb der Pufferzonen und die Einbeziehung von Teichen, die während der Migration Nr. verbrauchen, ermöglichen, wodurch der Nr-Verlust wirksam verringert wird. Für städtische Gebiete zeigt diese Studie, dass der q-Wert von BLP auf 0,54 und der von POP auf 0,34 im Jahr 2020 anstieg, was darauf hindeutet, dass die Stadterweiterung und das Bevölkerungswachstum einen zunehmenden Einfluss auf den Nr-Verlust innerhalb der Region haben und städtische Gebiete allmählich abnehmen werden zu Hotspots für Nr-Verluste. Unsere jüngsten Untersuchungen unter Verwendung von Nr- und Sauerstoffisotopen zur Verfolgung des Nitratgehalts von Gewässern im TLB-Flussnetz zeigen, dass Gülle und Abwasser am meisten zum Nitratgehalt des Gewässers beitragen37. Mehrere Studien an Flüssen oder Städten innerhalb des TLB haben auch gezeigt, dass häusliches und industrielles Abwasser als Nr.-Quellen einen wesentlichen Beitrag leistet37,48,67. Doch obwohl das TLB bei der Weiterentwicklung der Abwasseraufbereitung in China Vorreiter war, werden seine Fortschritte durch die Urbanisierung und die anhaltende sozioökonomische Expansion überholt. Die derzeitigen Abwasserbehandlungsstandards reichen nicht aus, um die Umweltkapazität des Wassereinzugsgebiets zu erfüllen68. Daher müssen die Standards für die städtische Abwasserbehandlung in der Region verbessert werden. Gleichzeitig müssen Größe und Bevölkerung effektiv kontrolliert werden, um den relativ schlechten Abwasserrückgewinnungsraten und Einleitungsstandards Rechnung zu tragen.

Es gibt noch einige Einschränkungen bei den verwendeten Methoden und Daten. Erstens variierte aufgrund von Problemen mit der Datenverfügbarkeit bei der Verwendung des InVEST-Modells zur Simulation des Nr-Verlusts in den letzten 30 Jahren die Nr-Belastung von Ackerland von Jahr zu Jahr, während diejenige für andere Landbedeckungen festgelegt wurde. Obwohl dieser Ansatz im Modell weit verbreitet ist und wir zuverlässige Simulationsergebnisse erhalten haben22,45,68, kann er zu einer gewissen Verzerrung und Unsicherheit führen. Daher sollten zukünftige Studien die Nr-Belastung für verschiedene Zeiträume verbessern, um den Nr-Verlust genauer zu simulieren. Zweitens haben wir bei der Vorhersage zukünftiger Szenarien des Nr-Verlusts, um die Auswirkungen der Landnutzung auf den Nr-Verlust besser zu untersuchen, die Landnutzung nur in verschiedenen Szenarien in den Modelleinstellungen geändert, ohne den Einfluss meteorologischer Faktoren auf den Nr-Verlust zu berücksichtigen. Der Nr-Verlust wird jedoch von verschiedenen Faktoren beeinflusst und die tatsächliche Situation kann komplexer sein. Zukünftige Studien sollten die Einstellungen für diese Faktoren verbessern. Schließlich simulierte und prognostizierte diese Studie den Nr-Verlust und seine treibenden Faktoren im Wassereinzugsgebietsmaßstab. Der Nr-Verlust variiert jedoch und ist auf verschiedenen Skalen komplex. Daher werden wir in Zukunft darüber nachdenken, den Verlust und die Zuordnung von Nr. auf mehreren Skalen wie Unterwassereinzugsgebieten, Landkreisen, Höhengradienten usw. zu analysieren und zu erklären.

In dieser Studie haben wir InVEST- und GeoDetector-Modelle kombiniert, um den Nr-Verlust und die Einflussfaktoren im TLB zu simulieren und zu untersuchen, und sieben mögliche Szenarien simuliert. Veränderungen der Nr-Verlust-Hotspots im TLB und der treibenden Kräfte in den letzten 30 Jahren wurden geklärt und anschließend wurden die zukünftigen Nr-Verluste unter verschiedenen Szenarien vorhergesagt. Die Ergebnisse zeigen, dass zwischen 1990 und 2020 der höchste Nr-Verlust aus dem TLB im Jahr 2000 bei 1,82 × 105 t N lag und die Stadt nach und nach zu einem Brennpunkt für Nr-Verluste wurde. Durch die Umsetzung von Umweltschutzmaßnahmen, die Erhöhung des Nährstoffverbrauchs und die Reduzierung des Düngemitteleinsatzes kann der N-Verlust verringert werden. Der Landnutzungsprozentsatz (BLP) beim Nr-Verlust steigt allmählich an und erreicht bis 2020 einen q-Wert von 0,54. Der Nr-Verlust wird auch durch Topographie und Boden eingeschränkt, mit durchschnittlichen q-Werten von 0,52, 0,51 und 0,48 für Höhe, Boden und Neigung. Auch der Einfluss von Bevölkerungsfaktoren auf den N-Verlust nimmt jährlich zu. Basierend auf den oben genannten Schlussfolgerungen schlagen wir vor, dass Wassereinzugsgebietsverwalter die Umsetzung von Boden- und Wasserschutzmaßnahmen auf Ackerland in Gebieten mit hohem und steilem Gefälle verstärken, eine ermutigende Politik zur Rückführung von Ackerland in Wälder umsetzen und den Nr-Verlust durch die Einrichtung von Flusspufferzonen reduzieren sollten Die Größe der Städte und die Bevölkerung müssen kontrolliert und der Grad der Abwasserbehandlung verbessert werden. Unsere Studie kann eine wissenschaftliche Referenz für das Wassereinzugsgebietsmanagement liefern. Weitere Studien werden für verschiedene Teileinzugsgebiete durchgeführt, um präzisere Lösungen für das Wasserverschmutzungsmanagement bereitzustellen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Rockström, J. et al. Ein sicherer Operationsraum für die Menschheit. Natur 461, 472–475. https://doi.org/10.1038/461472a (2009).

Artikel ADS CAS PubMed Google Scholar

Yan, XY, Xia, LL & Ti, CP Zeitliche und räumliche Variationen der Stickstoffnutzungseffizienz der Pflanzenproduktion in China. Umgebung. Umweltverschmutzung. 293, 118496. https://doi.org/10.1016/j.envpol.2021.118496 (2022).

Artikel CAS PubMed Google Scholar

Wang, YH, Cai, ZC, Lang, XL, Yan, XY & Xu, KQ Stickstoffkaskade im Landwirtschaft-Ernährungs-Umwelt-System des Jangtse-Deltas, 1998–2018. Wissenschaft. Gesamtumgebung. 787, 147442. https://doi.org/10.1016/j.scitotenv.2021.147442 (2021).

Artikel ADS CAS PubMed Google Scholar

Smith, VH, Tilman, GD & Nekola, JC Eutrophierung: Auswirkungen übermäßiger Nährstoffeinträge auf Süßwasser-, Meeres- und Landökosysteme. Umgebung. Umweltverschmutzung. 100, 179–196. https://doi.org/10.1016/S0269-7491(99)00091-3 (1999).

Artikel CAS PubMed Google Scholar

Liu, XC et al. Erforschung räumlich-zeitlicher Veränderungen der Stickstoff- und Phosphorquellen, der Speicherung und des Exports des Jangtsekiang (Changjiang) in das Ostchinesische Meer und das Gelbe Meer. Wasserres. 142, 246–255. https://doi.org/10.1016/j.watres.2018.06.006 (2018).

Artikel CAS PubMed Google Scholar

Zhao, ZH et al. Rückverfolgbarkeit nitratverschmutzter Hotspots in flachen Flussnetzen des Jangtse-Flussdeltas durch Stickstoff- und Sauerstoffisotopenkopplungs-Bayesian-Modell. Umweltverschmutzung. 315, 120438. https://doi.org/10.1016/j.envpol.2022.120438 (2022).

Artikel CAS PubMed Google Scholar

Mooneya, RJ et al. Übergroße Nährstoffbeiträge kleiner Zuflüsse zu einem Großen See. Proz. Natl. Acad. Wissenschaft. 117, 28175–28182. https://doi.org/10.1073/pnas.2001376117 (2020).

Artikel ADS CAS Google Scholar

Sinha, E., Michalak, AM, Calvin, KV & Lawrence, PJ Gesellschaftliche Entscheidungen zum Klimaschutz werden dramatische Auswirkungen auf die Eutrophierung im 21. Jahrhundert haben. Nat. Komm. 10, 939. https://doi.org/10.1038/s41467-019-08884-w (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Boretti, A. & Rosa, L. Neubewertung der Prognosen des Weltwasserentwicklungsberichts. Sauberes Wasser. 2, 15. https://doi.org/10.1038/s41545-019-0039-9 (2019).

Artikel Google Scholar

Ma, T. et al. Umweltverschmutzung verschärft Chinas Wasserknappheit und seine regionale Ungleichheit. Nat. Komm. 11, 650. https://doi.org/10.1038/s41467-020-14532-5 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Liu, LY, Zheng, XQ, Peng, CF, Li, JY & Xu, Y. Treibende Kräfte und zukünftige Trends beim Gesamtanbauverlust in China. Umgebung. Umweltverschmutzung. 267, 115660. https://doi.org/10.1016/j.envpol.2020.115660 (2020).

Artikel CAS Google Scholar

Shan, LN, He, YF, Chen, J., Huang, Q. & Wang, HC Ammoniakverflüchtigung aus einem Chinakohlfeld unter verschiedenen Behandlungen im Taihu-Seebecken, China. J. Umgebung. Wissenschaft. 38, 14–23. https://doi.org/10.1016/j.jes.2015.04.028 (2015).

Artikel CAS Google Scholar

Liang, XQ et al. Kein Abfangen im Überschwemmungswasser eines Reisfeldes in der Region Taihu in China. J. Umgebung. Wissenschaft. 19(12), 1474–1481. https://doi.org/10.1016/S1001-0742(07)60240-X (2007).

Artikel CAS Google Scholar

Wu, YP & Chen, J. Untersuchung der Auswirkungen der Verschmutzung durch Punktquellen und Nichtpunktquellen auf die Wasserqualität des East River (Dongjiang) in Südchina. Ökologisch. Anzeige. 32, 294–304. https://doi.org/10.1016/j.ecolind.2013.04.002 (2013).

Artikel CAS Google Scholar

Panagopoulos, Y. et al. Auswirkungen des Klimawandels auf Hydrologie, Wasserqualität und Pflanzenproduktivität im Ohio-Tennessee River Basin. Int. J. Agrar. Biol. Ing. 8(3), 36–53. https://doi.org/10.3965/j.ijabe.20150803.1497 (2015).

Artikel Google Scholar

Song, Y. et al. Raumzeitliche Merkmale der Schadstofffrachten im Yan-Flussbecken, einem typischen Löss-Wassereinzugsgebiet mit Hügeln und Schluchten im chinesischen Löss-Plateau. Geosci. Lette. 9, 10. https://doi.org/10.1186/s40562-022-00220-3 (2022).

Artikel ADS Google Scholar

Pfannerstill, M., Guse, B. & Fohrer, N. Ein Grundwasserkonzept mit mehreren Speichern für das SWAT-Modell zur Betonung der nichtlinearen Grundwasserdynamik in Tieflandeinzugsgebieten. Hydrol. Verfahren. 28, 5599–5612. https://doi.org/10.1002/hyp.10062 (2014).

Artikel ADS Google Scholar

Dennedy-Frank, PJ, Muenich, RL, Chaubey, I. & Ziv, G. Vergleich zweier Tools zur Bewertung von Ökosystemleistungen im Hinblick auf Entscheidungen über Wasserressourcen. J. Umgebung. Geschäftsführer 177, 331–340. https://doi.org/10.1016/j.jenvman.2016.03.012 (2016).

Artikel Google Scholar

Yazdi, MN, Ketabchy, M., Sample, DJ, Scott, D. & Liao, HH Eine Bewertung von HSPF und SWMM zur Simulation von Abflussregimen in einem städtischen Wassereinzugsgebiet. Umgebung. Modell. Softw. 18, 211–225. https://doi.org/10.1016/j.envsoft.2019.05.008 (2019).

Artikel Google Scholar

Bai, Y., Chen, YY, Alatalo, JM, Yang, ZQ & Jiang, B. Skaleneffekte auf die Beziehungen zwischen Landeigenschaften und Ökosystemleistungen: Eine Fallstudie im Taihu-Seebecken, China. Wissenschaft. Gesamtumgebung. 716, 137083. https://doi.org/10.1016/j.scitotenv.2020.137083 (2020).

Artikel ADS CAS PubMed Google Scholar

Zhao, FB, Wu, YP, Yin, XW, Georgii, A. & Qiu, LJ Auf dem Weg zu einer nachhaltigen Begrünung des Lössplateaus durch gekoppeltes Wasser- und Kohlenstoffmanagement. Ingenieurwesen 15, 143–153. https://doi.org/10.1016/j.eng.2020.12.017 (2022).

Artikel CAS Google Scholar

Cong, WC, Sun, XY, Guo, HW & Shan, RF Vergleich der SWAT- und InVEST-Modelle zur Bestimmung der räumlichen Muster, Prioritäten und Kompromisse hydrologischer Ökosystemleistungen in einem komplexen Becken. Ökologisch. Anzeige. 112, 106089. https://doi.org/10.1016/j.ecolind.2020.106089 (2020).

Artikel Google Scholar

Chen, CZ, Gan, R., Feng, DM, Yang, F. & Zuo, Q. Quantifizierung des Beitrags der SWAT-Modellierung und CMIP6-Eingabe zur Unsicherheit der Stromflussvorhersage unter dem Klimawandel. J. Sauber. Prod. 364, 132675. https://doi.org/10.1016/j.jclepro.2022.132675 (2022).

Artikel Google Scholar

Vigerstol, KL & Aukema, JE Ein Vergleich von Werkzeugen zur Modellierung von Süßwasser-Ökosystemdienstleistungen. J. Umgebung. Geschäftsführer 92, 2403–2409. https://doi.org/10.1016/j.jenvman.2011.06.040 (2011).

Artikel Google Scholar

Huang, DQ, Huang, J. & Liu, T. Abgrenzung städtischer Wachstumsgrenzen mithilfe des CLUE-S-Modells mit dörflichen Verwaltungsgrenzen. Landnutzungspolitik 82, 422–435. https://doi.org/10.1016/j.landusepol.2018.12.028 (2019).

Artikel Google Scholar

van Puijenbroek, PJTM, Beusen, AHW & Bouwman, AF Global Nrand Phosphor in städtischem Abwasser basierend auf den gemeinsamen sozioökonomischen Pfaden. J. Umgebung. Geschäftsführer 231, 446–456. https://doi.org/10.1016/j.jenvman.2018.10.048 (2019).

Artikel CAS Google Scholar

Foley, JA et al. Globale Folgen der Landnutzung. Wissenschaft 84, 570–574. https://doi.org/10.1126/science.1111772 (2005).

Artikel ADS CAS Google Scholar

Hajati, M.-C., White, S., Moosdorf, N. & Santos, IR Modellierung von Stickstoffverlusten im Einzugsgebietsmaßstab über einen Landnutzungsgradienten in den Subtropen. Vorderseite. Erde. Wissenschaft. 8, 347. https://doi.org/10.3389/feart.2020.00347 (2020).

Artikel ADS Google Scholar

Huang, JC et al. Charakterisierung der Flusswasserqualität in China: Jüngste Fortschritte und laufende Herausforderungen. Wasserres. 201, 117309. https://doi.org/10.1016/j.watres.2021.117309 (2021).

Artikel CAS PubMed Google Scholar

Li, YY et al. Wie Klimawandel und Landnutzungsentwicklung mit der nicht punktuellen Verschmutzung in einem typischen Wassereinzugsgebiet Chinas zusammenhängen. Wissenschaft. Gesamtumgebung. 839, 156375. https://doi.org/10.1016/j.scitotenv.2022.156375 (2022).

Artikel ADS CAS PubMed Google Scholar

Wang, JF et al. Auf geografischen Detektoren basierende Gesundheitsrisikobewertung und ihre Anwendung in der Studie zu Neuralrohrdefekten in der Region Heshun, China. Int. J. Geograph. Inf. Wissenschaft. 24, 107–127. https://doi.org/10.1080/13658810802443457 (2010).

Artikel CAS Google Scholar

Wang, JF, & Xu, CD Geodetektor: Prinzip und Perspektive. Acta. Geographica. Sinica. 72 (1), 116–134. https://doi.org/10.11821/dlxb201701010 (2017).

Chen, J. et al. Räumliche und zeitliche Heterogenitätsanalyse des Wasserschutzes in der städtischen Agglomeration Peking-Tianjin-Hebei basierend auf Geodetektor- und räumlichen Elastizitätskoeffizienten-Trajektorienmodellen. GeoHealth 4, e2020GH000248. https://doi.org/10.1029/2020GH000248 (2020).

Artikel PubMed PubMed Central Google Scholar

Liu, J., Ökologisch. Anzeige. 136, 108655. https://doi.org/10.1016/j.ecolind.2022.108655 (2022).

Artikel Google Scholar

TBAMWR. Bericht über die Gesundheit des Taihu-Sees. http://www.tba.gov.cn/slbthlyglj/thjkzkbg/content. Zugriff am 10. November 2022.

Lang, XL et al. Das räumliche Vorkommen und die Quellen von PAK in Sedimenten bestimmen das ökologische und gesundheitliche Risiko des Taihu-Sees in China. Wissenschaft. Rep. 12, 3668. https://doi.org/10.1038/s41598-022-07507-7 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Zhao, ZH et al. Rückverfolgbarkeit nitratverschmutzter Hotspots in flachen Flussnetzen des Jangtse-Flussdeltas durch Stickstoff- und Sauerstoffisotopenkopplungs-Bayesian-Modell. Umgebung. Umweltverschmutzung. 315, 120438. https://doi.org/10.1016/j.envpol.2022.120438 (2022).

Artikel CAS PubMed Google Scholar

Zhao, ZH et al. Vorkommen und treibende Kräfte verschiedener Stickstoffformen in den Sedimenten der Gras- und Algenzonen des Taihu-Sees. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 29, 30114–30125. https://doi.org/10.1007/s11356-021-17784-w (2022).

Artikel CAS Google Scholar

Yan, L. et al. Gefährdungsfunktion der Cyanobakterienblüte und vorläufige Anwendung im Taihu-See, China. Chemosphere 307, 136122. https://doi.org/10.1016/j.chemosphere.2022.136122 (2022).

Artikel ADS CAS PubMed Google Scholar

Qin, BQ et al. Dynamik der Variabilität und Mechanismus der Blüte schädlicher Cyanobakterien im Taihu-See, China. Kinn. Wissenschaft. Stier. 61, 759–770. https://doi.org/10.1360/N972015-00400 (2016).

Artikel Google Scholar

Stone, R. China will das Blatt gegen die giftige Seeverschmutzung wenden. Wissenschaft 333, 1210–1211. https://doi.org/10.1126/science.333.6047.1210 (2011).

Artikel ADS PubMed Google Scholar

Nationale Entwicklungs- und Reformkommission, VR China. https://www.ndrc.gov.cn/xxgk/zcfb/ghwb/201606/t20160603_962187_ext.html. Zugriff am 10. November 2022.

Zhang, J. et al. Einblicke in räumlich-zeitliche Schwankungen der Wasserqualität im Taihu-Seebecken, China. Umgebung. Überwachen. Bewerten. 193, 757. https://doi.org/10.1007/s10661-021-09554-5 (2021).

Artikel CAS PubMed Google Scholar

Wang, SL et al. Bewertung des trophischen Zustands globaler Binnengewässer mithilfe eines von MODIS abgeleiteten Forel-Ule-Index. Fernerkundung. Umwelt. 217, 444–460. https://doi.org/10.1016/j.rse.2018.08.026 (2018).

Artikel ADS Google Scholar

Redhead, JW et al. Nationale Evaluierung des InVEST-Nährstoffrückhaltemodells im Vereinigten Königreich. Wissenschaft. Gesamtumgebung. 610–611, 666–667. https://doi.org/10.1016/j.scitotenv.2017.08.092 (2018).

Artikel ADS CAS PubMed Google Scholar

Getis, A. & Ord, JK Die Analyse räumlicher Assoziationen mithilfe von Distanzstatistiken. Geogr. Anal. 24, 189–206. https://doi.org/10.1007/978-3-642-01976-0_10 (1992).

Artikel Google Scholar

Ord, JK & Getis, A. Lokale räumliche Autokorrelationsstatistik: Verteilungsprobleme und eine Anwendung. Geogr. Anal. 27, 286–306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x (1995).

Artikel Google Scholar

Liu, LL et al. Einblicke in die langfristigen Verschmutzungstrends und Quellenbeiträge im Taihu-See, China, mithilfe multistatistischer Analysemodelle. Chemosphere 242, 125272. https://doi.org/10.1016/j.chemosphere.2019.125272 (2020).

Artikel ADS CAS PubMed Google Scholar

Petersen, RJ, Blicher-Mathiesen, G., Rolighed, J., Andersen, HE & Kronvang, B. Drei Jahrzehnte Regulierung landwirtschaftlicher Stickstoffverluste: Erfahrungen aus dem dänischen Agrarüberwachungsprogramm. Wissenschaft. Gesamtumgebung. 787, 147619. https://doi.org/10.1016/j.scitotenv.2021.147619 (2021).

Artikel ADS CAS PubMed Google Scholar

Zhao, F. et al. Analyse des Einflusses von Landschaftsmusteränderungen auf den ökologischen Wasserbedarf in einer ariden/semiariden Region Chinas. J. Hydrol. 578, 124098. https://doi.org/10.1016/j.jhydrol.2019.124098 (2019).

Artikel Google Scholar

Jia, YQ, Tang, LN, Xu, M. & Yang, XY Landschaftsmusterindizes zur Bewertung der städtischen Raummorphologie: Eine Fallstudie chinesischer Städte. Ökologisch. Ind. 99, 27–37. https://doi.org/10.1016/j.ecolind.2018.12.007 (2019).

Artikel Google Scholar

Liang, X. et al. Verständnis der Treiber einer nachhaltigen Landausweitung mithilfe eines Patch-Generating Land Use Simulation (PLUS)-Modells: Eine Fallstudie in Wuhan, China. Berechnen. Umgebung. Städtisches System. 85, 101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569 (2021).

Artikel Google Scholar

Wang, Z. et al. Dynamische Simulation von Landnutzungsänderungen und Bewertung der Kohlenstoffspeicherung basierend auf Klimawandelszenarien auf Stadtebene: Eine Fallstudie aus Bortala, China. Ökologisch. Anzeige. 134, 108499. https://doi.org/10.1016/j.ecolind.2021.108499 (2022).

Artikel CAS Google Scholar

Wang, ZY, Gao, Y., Wang, XR, Lin, Q. & Li, L. Ein neuer Ansatz zur Landnutzungsoptimierung und -simulation unter Berücksichtigung der Nachhaltigkeit der Stadtentwicklung: Eine Fallstudie aus Bortala, China. Aufrechterhalten. Städte Soc. 87, 104135. https://doi.org/10.1016/j.scs.2022.104135 (2022).

Artikel Google Scholar

Zhang, SQ et al. Vorhersage und Analyse der Landnutzung/Landbedeckung des Mittellaufs des Jangtsekiang unter verschiedenen Szenarien. Wissenschaft. Gesamtumgebung. 833, 155238. https://doi.org/10.1016/j.scitotenv.2022.155238 (2022).

Artikel ADS CAS PubMed Google Scholar

Cicchetti, DV & Feinstein, AR Hohe Übereinstimmung, aber niedriges Kappa: II – Auflösung der Paradoxien. J. Clin. Epidemiol. 43, 551–558. https://doi.org/10.1016/0895-4356(90)90159-M (1990).

Artikel CAS PubMed Google Scholar

Song, YZ, Wang, JF, Ge, Y. & Xu, CD Ein auf optimalen Parametern basierendes geografisches Detektormodell verbessert geografische Eigenschaften erklärender Variablen für die räumliche Heterogenitätsanalyse: Fälle mit verschiedenen Arten von räumlichen Daten. GISci. Fernbedienung. Sens. 57, 593–610. https://doi.org/10.1080/15481603.2020.1760434 (2020).

Artikel Google Scholar

Lacher, IL et al. Skalenabhängige Auswirkungen der Stadt- und Ackerlandnutzung auf Nährstoffe, Sedimente und Abfluss. Wissenschaft. Gesamt. Umgebung. 652, 611–622. https://doi.org/10.1016/j.scitotenv.2018.09.370 (2019).

Artikel ADS CAS PubMed Google Scholar

De Wit, HA et al. Die Landnutzung dominiert die Klimakontrolle des Stickstoff- und Phosphorexports aus bewirtschafteten und natürlichen nordischen Quellwassereinzugsgebieten. Hydrol. Prozess 34, 4831–4850. https://doi.org/10.1002/hyp.13939 (2020).

Artikel ADS CAS Google Scholar

Alamdari, N., Claggett, P., Sample, DJ, Easton, ZM & Yazdi, MN Bewertung der gemeinsamen Auswirkungen von Klima- und Landnutzungsänderungen auf Abfluss und Schadstoffbelastung in einem sich schnell entwickelnden Wassereinzugsgebiet. J. Sauber. Prod. 330, 129953. https://doi.org/10.1016/j.jclepro.2021.129953 (2022).

Artikel CAS Google Scholar

Bian, GD et al. Ein Verfahren zur Quantifizierung der Abflussreaktion auf räumliche und zeitliche Veränderungen der undurchlässigen Oberfläche im Einzugsgebiet des Qinhuai-Flusses im Südosten Chinas. CATENA 157, 268–278. https://doi.org/10.1016/j.catena.2017.05.023 (2017).

Artikel Google Scholar

Van der Salm, C., van den Toorn, A., Chardon, WJ & Koopmans, GF Wasser- und Nährstofftransport auf schwerem Lehmboden in einer Flussebene in den Niederlanden. J. Umgebung. Qual. 41, 229–241. https://doi.org/10.2134/jeq2011.0292 (2012).

Artikel CAS PubMed Google Scholar

Cohen, A. & Sullivan, CA Wasser und Armut im ländlichen China: Entwicklung eines Instruments zur Bewertung der vielfältigen Dimensionen von Wasser und Armut. Ökologisch. Wirtschaft. 69, 999–1009. https://doi.org/10.1016/j.ecolecon.2010.01.004 (2010).

Artikel Google Scholar

Hunter, R. et al. Analyse der Nährstoffentfernung und Beladungsrate von bewaldeten Feuchtgebieten in Louisiana, die behandeltes kommunales Abwasser aufnehmen. Umgebung. Geschäftsführer 44, 865–873. https://doi.org/10.1007/s00267-009-9348-y (2009).

Artikel ADS Google Scholar

Shi, P. et al. Reaktion der Stickstoffverschmutzung im Oberflächenwasser auf Landnutzung und sozioökonomische Faktoren im Wassereinzugsgebiet des Weihe-Flusses im Nordwesten Chinas. Aufrechterhalten. Städte Soc. 50, 101658. https://doi.org/10.1016/j.scs.2019.101658 (2019).

Artikel Google Scholar

Huang, L. et al. Landschutz kann die Verschlechterung der Ökosystemleistungen von Süßwasser aufgrund des Klimawandels in einem semiariden Einzugsgebiet abmildern: Der Fall des Einzugsgebiets des Portneuf River, Idaho, USA. Wissenschaft. Gesamtumgebung. 651, 1796–1809. https://doi.org/10.1016/j.scitotenv.2018.09.260 (2019).

Artikel ADS CAS PubMed Google Scholar

Ti, CP, Xia, YQ, Pan, JJ & Yan, XY Stickstoffhaushalt und Stickstoffbelastung des Oberflächenwassers in Changshu: Eine Fallstudie in der Region des Taihu-Sees in China. Nutr. Zykl. Agrarökosyst. 91, 55. https://doi.org/10.1007/s10705-011-9443-3 (2011).

Artikel CAS Google Scholar

Berg, CE, Mineau, MM & Rogers, SH Untersuchung der Ökosystemleistung der Nährstoffentfernung in einem Küstenwassereinzugsgebiet. Ökosystem. Serv. 20, 104–112. https://doi.org/10.1016/j.ecoser.2016.06.007 (2016).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde vom National Key Research and Development Program of China (2021YFC3201500), der National Natural Science Foundation of China (Nr. 41673107) und dem Großprojekt des Bildungsministeriums der Provinz Jiangsu (Nr. 20KJA170001) unterstützt.

School of Geography, Nanjing Normal University, 1 Wenyuan Road, Qixia, Nanjing, 210023, China

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

Jiangsu-Zentrum für kollaborative Innovation in der Entwicklung und Anwendung geografischer Informationsressourcen, Nanjing, 210023, China

Zucong Cai & Yanhua Wang

Schlüssellabor für virtuelle geografische Umgebung, Bildungsministerium, Nanjing Normal University, Nanjing, 210023, China

Zucong Cai & Yanhua Wang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben an der Arbeit mitgewirkt. XHH: Schreiben, Überprüfen und Bearbeiten, Methodik. JMT: Untersuchung, Datenkuration, Visualisierung. YQZ: Visualisierung, Software. ZHZ: Untersuchung, Methodik. ZCC: Ressourcen, Überprüfung, Aufsicht. YHW: Schreiben, Überprüfen und Redigieren, Projektverwaltung, Supervision.

Korrespondenz mit Yanhua Wang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

He, X., Tian, ​​J., Zhang, Y. et al. Zuordnung und treibende Kraft der Stickstoffverluste aus dem Taihu-Seebecken durch die Modelle InVEST und GeoDetector. Sci Rep 13, 7440 (2023). https://doi.org/10.1038/s41598-023-34184-x

Zitat herunterladen

Eingegangen: 26. Januar 2023

Angenommen: 25. April 2023

Veröffentlicht: 08. Mai 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.