Attribution et force motrice des pertes d'azote du bassin du lac Taihu par les modèles InVEST et GeoDetector

Rapports scientifiques volume 13, Numéro d'article : 7440 (2023) Citer cet article

334 accès

1 Altmétrique

Détails des métriques

La quantification des changements temporels et spatiaux des pertes d'azote réactif (Nr) d'un bassin versant et l'exploration de ses principaux moteurs sont la clé de l'amélioration de la qualité de l'eau du bassin versant. D'énormes pertes de Nr continuent de menacer la sécurité de l'environnement aquatique dans le bassin du lac Taihu (TLB). Ici, les modèles InVEST et GeoDetector ont été combinés pour estimer les pertes de Nr dans le TLB de 1990 à 2020 et explorer les forces motrices. Différents scénarios de pertes de Nr ont été comparés, montrant que la perte de Nr a culminé à 181,66 × 103 t en 2000. Les principaux facteurs affectant la perte de Nr sont l'utilisation des terres, suivis des facteurs d'altitude, de sol et de pente, et leurs valeurs q moyennes étaient de 0,82, 0,52, 0,51 et 0,48, respectivement. L'analyse des scénarios a révélé que les pertes de Nr ont augmenté dans les scénarios de maintien du statu quo et de développement économique, tandis que la conservation écologique, l'efficacité accrue de l'utilisation des nutriments et la réduction de l'application des nutriments contribuent toutes à une réduction des pertes de Nr. Les résultats fournissent une référence scientifique pour le contrôle des pertes de Nr et la planification future dans le TLB.

La perte excessive d'azote réactif (Nr) est l'une des plus grandes menaces pour les écosystèmes aquatiques à l'échelle mondiale1,2,3. Les activités anthropiques, telles que la fertilisation agricole, la production industrielle et le rejet des eaux usées, ont accéléré le transport du Nr terrestre vers les écosystèmes aquatiques, c'est-à-dire les rivières et les lacs, entraînant l'eutrophisation4,5,6, la prolifération d'algues7, l'émission de gaz à effet de serre, etc.3,8. Ces phénomènes menacent gravement la sécurité de l'eau domestique et l'approvisionnement productif en eau. Selon le rapport mondial sur le développement de l'eau, près de six milliards de personnes dans le monde souffriront d'une crise de pénurie d'eau potable d'ici 20509. En particulier, les pénuries d'eau sont exacerbées par une qualité de l'eau inadéquate en Chine, et une charge élevée en Nr est l'une des menaces les plus graves pour la qualité de l'eau10. Il est urgent de réduire et de contrôler les pertes de Nr.

Au cours des dernières décennies, de nombreuses études sur la perte de Nr se sont concentrées sur les mesures sur le terrain11,12,13,14,15,16. Cependant, la surveillance et la recherche à long terme de la qualité de l'eau des bassins versants prennent du temps et ne conviennent pas pour évaluer l'impact des futurs changements d'utilisation des terres14. Avec le développement des systèmes d'information géographique (SIG) et de la télédétection, de nombreux modèles d'évaluation de la qualité de l'eau et des services écosystémiques hydrologiques, tels que l'outil d'évaluation des sols et des eaux (SWAT), le programme de simulation hydrologique-FORTRAN (HSPF), la source non ponctuelle agricole annualisée (AnnAGNPS) et l'évaluation intégrée des services écosystémiques et des compromis (InVEST) ont été développés et sont largement utilisés14,15,16,17,18,19,20,21. Les modèles basés sur les processus de transport des éléments nutritifs tels que SWAT, HSPF et AnnAGNPS peuvent bien simuler les processus hydrologiques et fournir des résultats précis. Cependant, ces modèles nécessitent de grandes quantités de données hydrologiques pour l'étalonnage18,22, ce qui n'est souvent pas applicable dans les zones où les données sont rares, et ils sont complexes à exploiter et nécessitent une formation spécifique pour les opérateurs19,23. Le modèle InVEST contient moins d'algorithmes intégrés que les autres modèles et est donc plus facile à utiliser, permettant la modélisation et l'analyse dans des domaines où les données sont rares, avec de faibles temps d'exécution et une forte représentation spatiale24. Le module du taux d'apport de nutriments (NDR) du modèle InVEST utilise une approche plus simple du bilan massique pour décrire le mouvement spatial stable et à long terme des nutriments, qui peut non seulement refléter l'exportation de nutriments sous différents climats et scénarios de changement d'utilisation des terres, mais également aider à évaluer l'impact des facteurs naturels et des activités humaines sur la pollution à l'échelle du sous-bassin ou de l'unité hydrologique25.

La fertilisation agricole et les rejets d'eaux usées urbaines exposent directement le Nr à l'environnement26 ; le climat et la topographie contribuent à la perte de Nr en favorisant le transport de Nr11 ; les changements dans la composition et la structure de l'utilisation des terres peuvent également affecter la perte de Nr en modifiant la teneur en éléments nutritifs de surface et le transport des éléments nutritifs27. La recherche a montré que la perte de Nr a été multipliée par 3,5 en raison de l'intensification agricole28, et l'augmentation des surfaces imperméables a également exacerbé les pertes de Nr29. De plus, le passage de la forêt aux terres défrichées augmente la capacité de dénitrification28 ; et l'augmentation des bordures de parcelles de prairies peut réduire la pollution au Nr30. Cependant, les outils et méthodes de recherche traditionnels tels que la régression linéaire multiple, l'analyse de corrélation, les modèles des moindres carrés ordinaires, les modèles de décalage spatial et les modèles d'erreur spatiale sont difficiles à gérer la variabilité spatiale des facteurs. Ils sont limités à une analyse continue des données, ce qui rend difficile l'utilisation des données sur l'utilisation des terres pour analyser leurs effets directs sur la perte de Nr. Le modèle GeoDetector utilisant des données continues et typologiques est une méthode statistique émergente qui peut révéler les moteurs de l'hétérogénéité spatiale. Il est basé sur le principe que si une variable indépendante affecte de manière significative une variable dépendante, alors la distribution spatiale des variables indépendantes et dépendantes doit avoir une similarité31,32. Le modèle GeoDetector a été appliqué à diverses disciplines de la nature et de la société31. Par exemple, Chen et al. ont utilisé le modèle GeoDetector pour explorer le rôle moteur de facteurs tels que l'occupation des sols sur la divergence spatiale et temporelle des ressources en eau dans l'agglomération urbaine Pékin-Tianjin-Hebei33. Liu et al.34 ont exploré les effets de la nature, de l'économie et des transports sur l'expansion urbaine sur la base du modèle GeoDetector.

Situé dans la région orientale la plus développée de la Chine, le bassin du lac Taihu (TLB) ne couvre que 0,4 % des terres de la Chine, mais abrite 4,4 % de sa population et contribue à 9,7 % de son PIB35. Les taux élevés de développement économique et les activités agricoles intensives ont accéléré la détérioration de la qualité de l'eau dans la région36,37,38. En tant que partie la plus basse du bassin, le lac Taihu reçoit une grande quantité de Nr. Environ 70 000 tonnes de Nr fluvial sont entrées dans le lac Taihu en 2009. Entre 1998 et 2007, de grandes quantités de cyanobactéries étaient présentes dans le lac tout au long de l'année, sauf en janvier et février39. Une efflorescence algale massive a conduit à une crise de l'eau potable à Wuxi en mai 200740, où près de la moitié du lac Taihu était recouverte d'une efflorescence cyanobactérienne, couvrant une superficie de plus de 1000 km2, ce qui a privé plus de deux millions de personnes d'eau potable pendant une semaine à l'époque41. Ces dernières années, la qualité de l'eau du lac Taihu s'est améliorée grâce à l'action du gouvernement et à la mise en œuvre du programme global de régulation intégrée du lac Taihu ; cependant, il est encore modérément nutritif42. Selon les rapports, 39 500 tonnes de Nr ont été importées dans le lac Taihu par les rivières en 2018, et 20 des 22 principales rivières entourant le lac avaient des concentrations de Nr supérieures à 2 mg L−1. Seuls 29,09 % des sites d'échantillonnage de la qualité de l'eau évalués pour la qualité de l'eau potable respectaient les normes requises43. Des pertes importantes de Nr menacent toujours la sécurité de l'environnement aquatique régional. Cependant, les études actuelles sur la perte de Nr dans le bassin du lac Taihu sont plus limitées à de petites échelles telles que les champs12,13, et moins d'études ont été menées pour étudier la variation spatiale et temporelle de la perte de Nr à l'échelle du bassin entier et pour étudier les facteurs de perte de Nr. Par conséquent, sur la base de tous les problèmes mentionnés ci-dessus, nous intégrons d'abord le module NDR du modèle InVEST au modèle GeoDetector pour explorer les principaux moteurs de la perte de Nr dans le TLB. De plus, nous avons conçu sept scénarios pour étudier la variation de la perte de Nr dans le TLB selon différents scénarios. L'étude vise à : (1) comparer les changements de perte de Nr dans le TLB au cours de la période 1990-2020, (2) explorer les points chauds de la perte de Nr et leurs variations spatio-temporelles dans le bassin, (3) identifier les principaux facteurs moteurs de la cascade de Nr, et (4) prédire les futures caractéristiques de changement des pertes de Nr dans le bassin selon différents scénarios.

Le TLB est situé dans l'est de la Chine (118°–121° E, 30°–33° N), dans la zone centrale du delta du fleuve Yangtze (Fig. 1). Le bassin couvre des parties de deux provinces, à savoir Jiangsu et Zhejiang, ainsi qu'une ville de niveau préfectoral, Shanghai, englobe plusieurs zones urbaines, dont Suzhou, Wuxi, Changzhou, Zhangjiagang et Zhenjiang. C'est l'une des régions les plus industrialisées et urbanisées de Chine, avec une superficie totale d'environ 36 900 km2. Il a une zone climatique subtropicale nord humide avec une pluviométrie annuelle moyenne de 1177 mm et une température moyenne de 16,2 ° C. Le bassin compte de nombreuses rivières et un réseau dense de voies navigables, et il est bien connu comme le pays du poisson et du riz6. Selon les caractéristiques topographiques et les caractéristiques hydrologiques, le TLB peut être divisé en huit sous-bassins (Fig. 1b), nommés 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) et Pu Dong (PD)12.

Localisation du bassin du lac Taihu en Chine ; (a) l'emplacement spécifique; (b) les limites des huit sous-bassins du bassin ; (c) type d'utilisation des sols et localisation des principales villes du bassin en 2020.

Le module NDR du modèle InVEST a été utilisé pour simuler les pertes de Nr du TLB, dont les formules sont présentées dans les équations. (1, 2). Sur la base d'une extraction DEM de la rivière, le réseau fluvial réel a été utilisé pour modifier les données originales du DEM afin d'améliorer encore la précision de la simulation du modèle (S1 et Fig. S1 dans le Suppl. Mat.).

où \(Load_{surf,i}\) et \(Load_{subs,i}\) représentent respectivement les charges de nutriments de surface et souterraines, \(Load_{i}\) représente la charge Nr de l'unité de grille, \(\Pr op_{subs,i}\) fait référence au rapport de ruissellement souterrain des nutriments et i est l'unité de grille.

Les taux de transport des nutriments de surface et souterrains ont été calculés par les équations. (3, 4), respectivement.

où \(NDR_{surf,i}\) est le taux de mobilité des éléments nutritifs de surface, \(IC_{0}\) est l'indice de terrain, \(IC_{i}\) et k sont le paramètre d'étalonnage, \(NDR_{o,i}\) est la proportion d'éléments nutritifs non réservés dans les pixels en aval, \(NDR_{subs,i}\) est le taux de migration des éléments nutritifs souterrains, \(eff_{subs}\) est l'efficacité maximale de rétention des éléments nutritifs qui peut être obtenue grâce à l'écoulement souterrain, \( l_{subs}\) est la distance à laquelle la rétention des éléments nutritifs du sol atteint sa capacité maximale, et \(l\) est la distance entre l'unité de grille et le débit. Les équations (5) et (6) ont été utilisées pour calculer la charge en éléments nutritifs.

où \(x_{\exp ,i}\) représente la charge en éléments nutritifs de la cellule de grille i, et \(x_{{\exp_{tot} }}\) fait référence à la charge totale en éléments nutritifs dans le bassin.

En plus des données spatiales du tableau 1, le module NDR doit également fournir des données sur la charge de Nr pour chaque type d'utilisation des terres (S2 et tableau S1 dans le Suppl. Mat.), l'efficacité de rétention de Nr pour chaque type de terre et la distance de transport maximale de Nr pour chaque type de terre, ainsi que les paramètres du paramètre K. En se référant au guide de l'utilisateur InVEST, la charge en Nr des terres cultivées dans cette étude a été dérivée de la fertilisation en Nr des terres agricoles de la région, qui a été obtenue à partir de l'Annuaire statistique.

La charge en Nr des terrains à bâtir, y compris industriels et domestiques, a été obtenue à partir du Programme global de régulation intégrée de l'environnement aquatique du bassin du lac Taihu35. La charge de Nr des autres types d'utilisation des terres et l'efficacité d'élimination de tous les types de terres ont été obtenues à partir du guide de l'utilisateur InVEST et des détails du tableau 244. La distance de transport maximale de Nr a été fixée avec une valeur par défaut de 150 m. Le modèle InVEST est sensible au paramètre K45, qui est le principal paramètre utilisé pour l'étalonnage. Nous avons donc calibré le modèle en ajustant le paramètre K en fonction de la perte de Nr observée. Enfin, la valeur de K a été fixée à 12,5.

La statistique Getis-Ord Gi* est utilisée pour identifier les clusters de faible valeur (points froids) et les clusters de valeur élevée (points chauds) des régions30,46,47. Dans la présente étude, la perte de Nr dans chaque grille a été extraite en créant une grille de 1500 × 1500 m couvrant la zone d'étude, et les données extraites ont été analysées pour les points froids-chauds.

Le système de modèle GeoDetector se compose de quatre composants principaux : détecteur de risque, détecteur de facteur, détecteur écologique et détecteur d'interaction. Dans cet article, nous utilisons principalement le détecteur Factor pour explorer les principales forces motrices de la perte de Nr.

Le détecteur de facteur a été appliqué pour détecter le degré d'influence des différents facteurs sur les pertes de Nr, mesurées par des valeurs q avec une plage de [0,1]. Plus la valeur q est grande, plus le pouvoir explicatif est fort. Les formules sont les suivantes :

où h = 1, … L, L est la classification des différents facteurs ; \(N_{h}\) et \(N\) font référence au nombre d'unités de la couche h dans chaque facteur et à la stratification de ce facteur, respectivement ; \(\sigma_{h}^{2}\) et \(\sigma^{2}\) représentent la variance de la couche h dans chaque facteur et la variance des pertes régionales globales de Nr, respectivement, et SSW et SST sont la somme des variances au sein des couches et la variance totale globale, respectivement.

Nous avons synthétisé des études antérieures20,48,49 et regroupé les facteurs en quatre catégories naturelles, socioéconomiques, utilisation et composition des terres et configuration du paysage, avec 17 indicateurs choisis pour explorer les principaux facteurs des pertes de Nr (tableau 3). Nous avons calculé tous les indices de composition et de configuration du paysage à l'aide de la fonction "fenêtre mobile" de Fragstats 4.2, un outil de statistiques spatiales spécialement conçu pour analyser et évaluer les modèles de paysage. Des informations plus détaillées peuvent être obtenues sur son site Web officiel (https://fragstats.org/). Toutes les méthodes de discrétisation spatiale optimale des drivers et du nombre de discrétisations sont basées sur le package 'GD' du logiciel R 4.2.2.

Le modèle Patch-generating Land Use Simulation (PLUS) a été appliqué pour simuler les futurs changements d'utilisation des terres/de couverture des terres (LUCC) dans le TLB (S3 dans le Suppl. Mat.). Dans le protocole modèle, le LUCC sur deux périodes différentes a été analysé. Ensuite, la fraction d'expansion du LUCC pour chaque type d'utilisation des terres et la fraction correspondante pour chaque facteur ont été extraites et échantillonnées. L'algorithme de forêt aléatoire a été utilisé pour quantifier les influences et la contribution de chaque facteur à l'expansion de chaque type d'utilisation des terres et pour obtenir la probabilité de développement52. Enfin, le modèle a combiné un modèle d'automates cellulaires (CA) avec des graines aléatoires et un mécanisme de seuil décroissant pour simuler les changements de chaque type de LUCC avec une précision de simulation élevée53,54,55.

La probabilité de développement pour chaque type de LUCC en fonction de son évolution de 2015 à 2020 et de 14 facteurs déterminants a été calculée et évaluée. Celui de 2015 a été choisi comme base pour simuler et prédire celui de 2020. Le LUCC observé en 2020 a été utilisé pour vérifier les résultats de la simulation, et le coefficient kappa a été sélectionné pour évaluer la précision des résultats de la simulation. Généralement, un coefficient kappa supérieur à 0,7 indique une grande précision du modèle25,56.

Selon la tendance de développement du TLB, trois scénarios d'utilisation des terres de business-as-usual (BAU), de conservation écologique (EC) et de développement économique (ED) ont été établis dans cette étude pour simuler la demande d'utilisation des terres en 2035. Les probabilités de développement de chaque type de LUCC dans les trois scénarios d'utilisation des terres étaient les mêmes qu'en 2015-2020. Le LUCC en 2020 sert de base pour simuler et prédire 2035. Les probabilités de développement de chaque type de LUCC dans les trois scénarios d'occupation des sols sont les mêmes qu'en 2015-2020. Deux scénarios de contrainte ont été ajoutés pour explorer les effets d'une application réduite d'engrais Nr (ARN) et d'une efficacité d'utilisation accrue de Nr (INUE) sur les pertes de Nr. Ainsi, une combinaison de scénarios de contraintes contraignantes et de scénarios d'utilisation des terres a été envisagée. Les scénarios ont été mis en place comme suit.

BAU : Ce scénario a maintenu la tendance historique basée sur une projection en chaîne de Markov de la demande foncière BAU en 2035.

ED : Dans ce scénario, le développement de l'économie du TLB est prioritaire. La remise en état des terres agricoles et la poursuite de l'expansion urbaine ont été encouragées. Nous calculons la demande foncière de 2035 dans ce scénario en modifiant la matrice de transfert et les probabilités de transfert de chaque catégorie (tableau S2). Plus précisément, la probabilité de transférer des zones d'eau, des prairies stériles et des terres forestières vers des terres cultivées a augmenté de 60 %. La probabilité de conversion des zones d'eau, des terres arides, des prairies, des terres forestières et des terres cultivées en terres urbaines a été augmentée de 100 %.

CE : Dans ce scénario, le développement futur du TLB donne la priorité à la protection écologique, le gouvernement mettant en œuvre les politiques, c'est-à-dire la protection des forêts, le reboisement et la restauration des zones humides, tandis que la construction urbaine est interdite sur les terres forestières et les plans d'eau. Nous calculons la demande en terres de 2035 dans ce scénario en modifiant chaque matrice et probabilité de transfert des types d'utilisation des terres, notamment en doublant la probabilité de conversion des terres cultivées en terres forestières et en plans d'eau (tableau S3). La probabilité de conversion de terres stériles en terres forestières et en zones aquatiques a augmenté de 80 %. Pendant ce temps, nous avons ajusté à zéro la probabilité de convertir les terres forestières et les zones aquatiques en terrains à bâtir et avons réduit de 40 % la probabilité de convertir les terres forestières et les zones aquatiques en d'autres types d'utilisation des terres.

RNA : Ce scénario a suivi le modèle d'utilisation des terres de 2020. Une réduction de 30% de l'application d'engrais Nr en 2020 a été simulée.

INUA : Ce scénario a suivi le modèle d'utilisation des terres de 2020. Le taux de rétention des nutriments Nr dans les terres cultivées est passé de 30 à 40 % dans la simulation.

BAU + INUA : Dans ce scénario, nous combinons les scénarios UBA et INUA pour explorer l'impact de l'utilisation des terres comme d'habitude en 2035, avec une efficacité accrue de l'utilisation de N sur la perte de N.

ED + INUA : Dans ce scénario, nous combinons les scénarios ED et INUA pour explorer l'impact de l'utilisation des terres pour le développement économique en 2035, avec une efficacité accrue de l'utilisation de N sur la perte de N.

Le module NDR, le modèle PLUS et le modèle GeoDetector nécessitaient des données de grille spatiales, c'est-à-dire un modèle numérique d'élévation (DEM) et des données LUCC. Les sources de données et le processus de préparation sont présentés dans le tableau 1.

Le traitement des données et l'analyse statistique ont été effectués à l'aide d'Origin 2021 (OriginLab, Palo Alto, CA) et d'Excel 2019 (Microsoft Corp., Redmond, WA). La visibilité spatiale des géodonnées et les calculs des points froids ont été réalisés avec ArcGIS 10.08 (ESRI, Redlands, CA). Les calculs de GeoDetector ont été effectués à l'aide du package R version 4.2.2 (R Core Team, https://www.R-project.org/) 'GD'57.

La structure d'utilisation des sols du TLB a considérablement changé au cours des trois dernières décennies, avec une réduction des terres cultivées et une expansion des terrains à bâtir (Fig. 2). Le diagramme d'accord de proportion de transfert montre que le taux de conversion des terres cultivées en terrains à bâtir a montré une tendance à la hausse puis à la baisse, qui dans les périodes 1990-2000, 2000-2010 et 2010-2020 était de 6,39%, 12,83% et 11,57%, respectivement (Fig. 3). Et environ 85% des terres cultivées transférées ont été converties en terrains à bâtir, ce qui a entraîné une tendance clairement opposée dans la superficie des deux types d'utilisation des terres (Fig. 3, Tableau S4). La superficie des terres cultivées a considérablement diminué, passant de 70,53 % en 1990 à 52,45 % en 2020, mais la superficie des terres à bâtir est passée de 5,30 % en 1990 à 23,71 % en 2020 (tableau 4).

Changements dans l'utilisation des terres et l'occupation des sols du TLB de 1990 à 2020.

Le diagramme d'accord de proportion de transfert de l'utilisation des terres et de la couverture des terres pour différentes périodes de (a) 1990–2000, (b) 2000–2010, (c) 2010–2020, (d) 1990–2020. La largeur du lien entre les différentes classes de terres représente la force de l'échange entre les deux classes de terres au cours de la période.

Les terres forestières ont légèrement diminué, principalement en raison de la remise en état des terres cultivées, avec environ 18 % des terres forestières converties en terres cultivées de 1990 à 2020 (Fig. 3d). Bien que seulement 2,28 % des terres forestières aient été directement converties en terres à bâtir, la proportion de terres forestières converties en terres cultivées a également augmenté, passant de 3,89 % en 1990-2000 à 7,87 % en 2000-2010 et 10,12 % en 2010-2020 (Fig. 3). Il a été considéré que l'urbanisation accélérée entraînait indirectement une réduction des terres forestières (Fig. S2). Les masses d'eau et les autres types d'utilisation des terres avaient également le statut d'être transférés les uns aux autres.

Sur le plan spatial, les changements d'utilisation des terres étaient plus apparents dans les parties est et nord du bassin que dans le sud et l'ouest (Fig. 2). L'expansion des terrains à bâtir et la réduction des terres cultivées se sont produites principalement dans les villes de l'est et du nord, c'est-à-dire Shanghai, Suzhou, Wuxi, Changzhou et Zhangjiagang, qui sont devenues l'une des principales agglomérations urbaines de Chine au cours des trois dernières décennies (Figs. 1, 2). Il y a eu une diminution des terres forestières, principalement dans le sud-ouest, et la superficie des plans d'eau a légèrement augmenté dans le sud et l'ouest.

Selon les données publiées dans le programme global sur la régulation intégrée de l'environnement aquatique du bassin du lac Taihu35, la quantité de Nr pénétrant dans les masses d'eau de la zone de gestion était de 1,42 × 105 t en 2005 et de 1,35 × 105 t en 2010. Les résultats de simulation de cette étude prévoyaient une perte de Nr dans la zone de gestion de 1,48 × 105 t et 1,24 × 105 t, respectivement, comparable à la erreurs relatives pour les valeurs observées de 5,65 % et 7,02 %. Un rapport sur la santé du lac Taihu fourni par le Bureau du bassin du lac Taihu a révélé que les zones HX et HJ du bassin avaient un niveau élevé de perte de Nr, ce qui était cohérent avec nos résultats (Fig. S3). Les résultats de la modélisation de la distribution spatiale de la perte de Nr dans cette étude étaient tout aussi précis.

L'utilisation des terres simulée en 2020 était basée sur 2015 et a validé sa lecture précise en utilisant l'utilisation des terres observée en 2020 (Fig. S4). Les résultats montrent que la précision globale est de 0,89 et que le coefficient Kappa est de 0,84, ce qui indique que les résultats de la simulation sont très précis et peuvent satisfaire les simulations de scénarios d'utilisation des terres ultérieures.

Les résultats de l'estimation des pertes de Nr basées sur le modèle InVEST ont montré que de 1990 à 2000, les pertes de Nr dans le TLB sont passées de 1,60 × 105 à 1,82 × 105 t. Une tendance à la baisse a été observée entre 2000 et 2020, avec un total de 1,34 × 105 tonnes de perte de Nr en 2020, indiquant un contrôle efficace du Nr. Parmi les sous-bassins, les zones HJ et HX ont enregistré les pertes de Nr les plus élevées, représentant respectivement 23 à 26 % et 21 à 23 % des pertes totales à chaque période (Fig. S5). Les changements dans les pertes de Nr de chaque sous-bassin étaient à peu près les mêmes que la perte globale de Nr du bassin.

Au cours de la période d'étude, les points froids de perte de Nr ont été répartis dans des zones avec des groupes de masses d'eau et de forêts. Cela concorde avec les études précédentes qui ont révélé que les plans d'eau et les terres forestières avaient tendance à être les régions où la perte de Nr était la plus faible3. Cependant, les points chauds étaient plus variables et ont progressivement convergé du sud et de l'est vers le nord (Fig. 4). La majeure partie de la zone TLB était un point chaud en 1990, à l'exception du nord de HX, de l'ouest de YC et des régions avec des groupes de plans d'eau et de forêts (Fig. 4a). De 2000 à 2005, les points chauds du nord (HX et WC) ont progressivement augmenté, tandis que les points chauds de l'est (YC, PX et PD) et du sud (HJ) ont progressivement diminué (Fig. 4b, c). De 2010 à 2020, les points chauds du sud se sont encore réduits, tandis que YC, WC et PX ont affiché un effet de regroupement notable, les grandes villes telles que Changshu, Suzhou, Wuxi et Shanghai étant situées dans cette zone (Fig. 4d – f). L'expansion urbaine peut progressivement devenir un contributeur significatif à la perte de Nr dans le TLB.

Répartition des points froids-chauds pour la perte de Nr de 1990 à 2020. *, ** et *** représentent la perte de Nr à des intervalles de confiance de 90 %, 95 % et 99 % respectivement ; WC, HX, ZX, HQ, YC, PX, PD et HJ représentent huit sous-bassins.

Le pouvoir explicatif des facteurs potentiels de perte de Nr a été calculé à l'aide de GeoDetector pour déterminer les principaux facteurs et la manière dont ces principaux facteurs évoluent au fil du temps (tableau 5). Les résultats montrent que tous les indicateurs sélectionnés ont passé le test de signification de 5 % (p < 0,05) et nous avons constaté que l'utilisation et la composition des terres étaient les principaux moteurs des pertes de Nr dans le TLB (Fig. S6, Tableau 5), ce qui était cohérent avec les travaux de recherche antérieurs20,58,59,60. Le LUCC avait le pouvoir explicatif le plus substantiel pour la perte de Nr, avec des valeurs de q supérieures à 0,8 et une valeur moyenne de 0,82 sur la période d'étude (tableau 5). Parmi ses principales composantes (terres cultivées, terres forestières, étendues d'eau et terrains à bâtir), les valeurs q des pourcentages de terres forestières (FLP) et de masses d'eau (WAP) variaient légèrement. Les valeurs q sont passées de 0,38 à 0,29 dans le FLP et ont augmenté de 0,30 à 0,32 dans le WAP entre 1990 et 2020. Cependant, il est intéressant de noter que les valeurs q des pourcentages de terres cultivées (CLP) et de terres à bâtir (BLP) ont considérablement changé et affiché des tendances opposées, ce qui est cohérent avec la tendance des terres cultivées et du changement d'utilisation des terres urbaines. Les valeurs q de CLP ont diminué de 0,69 à 0,25 et BLP a augmenté de 0,18 à 0,54.

Dans les facteurs naturels, les valeurs q pour DEM, le type de sol (SOL) et la PENTE ont montré une tendance décroissante dans leurs effets sur les pertes de Nr au cours de la période. Mais, ils sont restés dans la fourchette de 0,4 à 0,6. Les valeurs q moyennes pour DEM, SOIL et SLOPE étaient de 0,52, 0,51 et 0,48, juste derrière LUCC, suggérant que le sol et l'environnement géologique avaient encore une influence cruciale sur les pertes de Nr dans la région. Cependant, d'autres facteurs naturels tels que les précipitations (PRE), la densité du réseau fluvial (RND) et la fraction de couverture végétale (FVC) ont des valeurs q inférieures (<0,3) et sont restés stables ou ont légèrement diminué (tableau 5), ce qui indique que les précipitations, la densité du réseau fluvial et la couverture végétale n'affectent pas de manière significative la perte de Nr. Parmi les facteurs socio-économiques, les valeurs q du produit intérieur brut (PIB) ont changé de manière stable et le facteur population (POP) a légèrement augmenté. Il convient de noter que bien que les indices caractérisant la structure de l'utilisation des terres, tels que MESH, CONTAG, AI et SHDI, aient eu de petites valeurs q tout au long de la période d'étude, ils ont eu tendance à augmenter, contrairement à la tendance de la plupart des facteurs à avoir des valeurs q progressivement inférieures. Les effets de la structure d'utilisation des terres sur les pertes de Nr dans le TLB ont été progressivement renforcés à mesure que les changements d'utilisation des terres devenaient plus prononcés au cours de la période d'étude (Fig. 2, Tableau 4, Tableau 5).

Il y avait des différences dans les changements d'utilisation des terres d'ici 2035 entre les trois différents scénarios d'utilisation des terres (Fig. 5). Dans le scénario BAU, la proportion de terres cultivées, de terres forestières et de masses d'eau a diminué, tandis que les terrains à bâtir ont augmenté à 28,24 %. Dans le scénario CE, la superficie de terres forestières et d'eau a augmenté (tableau 6). Dans le scénario ED, la proportion de terres cultivées, de terres forestières et de plans d'eau a diminué à 45,46 %, 10,12 % et 7,12 %, respectivement, et les terrains à bâtir ont augmenté à 37,30 %.

L'utilisation des terres et la répartition de la couverture terrestre pour différents scénarios ; BAU, business-as-usual ; EC, conservation écologique; ED, développement économique.

Spatialement, dans les scénarios BAU et ED, les terrains à bâtir s'étendent à travers l'occupation des terres cultivées, ce qui entraîne une agglomération urbaine plus importante dans le nord et l'ouest. La réduction des terres forestières s'est produite principalement dans le sud-ouest, et la plupart d'entre elles ont été converties en terres cultivées. La diminution de la superficie de l'eau se produit principalement dans les régions de l'ouest et du sud-ouest. Au contraire, dans le scénario CE, l'augmentation des terres forestières se situe principalement dans le sud-ouest, tandis que l'augmentation de la superficie en eau se situe principalement dans le sud-ouest et l'ouest (Figs. 2f, 5b). En raison des restrictions d'occupation des terres forestières et des plans d'eau, l'expansion des terrains à bâtir dans ce scénario s'effectue principalement sur les terres cultivées (tableau 6).

Les pertes de Nr selon les différents scénarios ont été évaluées à l'aide du modèle InVEST. Les données spatiales, telles que le DEM, les précipitations et les paramètres du modèle utilisés dans la simulation des différents scénarios, étaient les mêmes qu'en 2020, ce qui a permis de mettre en évidence les effets des scénarios et de comparer les résultats avec ceux de 2020. Une comparaison des pertes de Nr en 2020 entre les différents scénarios (Fig. 6) a montré que les pertes de Nr dans les scénarios BAU et ED ont augmenté de 5,73 % et 13,77 %, les totaux atteignant 1 0,41 × 105 t et 1,52 × 105 t, respectivement (tableau 6). Les pertes de Nr dans trois scénarios, c'est-à-dire ARN, INUA et EC, ont diminué de 18,25 %, 12,12 % et 0,50 %, respectivement. La combinaison de plusieurs scénarios, c'est-à-dire BAU, ED et INUA, était plus propice aux améliorations économiques et technologiques que le scénario unique de changement d'affectation des terres et le scénario de contraintes. La perte de Nr a été réduite de 6,75 % dans le scénario INUE combiné BAU et augmentée de 1,57 % dans le scénario INUE combiné ED, ce qui montre que les scénarios BAU + INUA et ED + INUE réduisent considérablement la perte de Nr (Fig. 6)

La perte de Nr change selon différents scénarios. Tous les changements de perte de Nr du scénario sont comparés à 2020 ; BAU, business-as-usual ; EC, conservation écologique; DE, développement économique; INUE, augmentation de l'efficacité d'utilisation du Nr ; ARN, application réduite d'engrais Nr ; ED + INUA, combinant les scénarios ED et INUA ; BAU + INUE, combinent les scénarios UBA et INUA.

Des études antérieures ont indiqué que les précipitations humides augmentaient la perte de Nr par les mécanismes de lessivage et de ruissellement, et étaient donc considérées comme le principal facteur entraînant la perte de Nr dans les terres agricoles11. Cependant, la valeur q des précipitations observée dans cette étude était relativement faible, ce qui peut être attribué à la légère variation des précipitations dans cette région. Contrairement à la croyance conventionnelle, on croyait que la topographie avait moins d'impact sur la perte de Nr dans les zones plates en raison de moins de différences de terrainn3. Cependant, notre étude démontre que la topographie, telle que décrite par le DEM et la pente, exerce le deuxième degré d'influence le plus élevé sur la perte de Nr dans le TLB, après le LUCC (tableau 5). Cela pourrait être lié aux pratiques agricoles à des altitudes plus élevées et des pentes plus abruptes, où de fortes applications d'engrais Nr ont exacerbé la perte de Nr sous l'influence de la topographie (Figs. 2, S2a,b). Notre analyse des points chauds et nos résultats statistiques montrent également que les régions ZX et HX, qui présentent des variations importantes de topographie, contribuent à une quantité substantielle d'exportation de Nr et de points chauds de perte de Nr persistants (Fig. 4, S5). Par conséquent, pour atténuer l'impact du relief topographique élevé sur la perte de Nr, il est essentiel de mettre en œuvre des stratégies de gestion des terres qui transfèrent et gèrent efficacement les terres agricoles dans ces zones.

Notre recherche démontre le rôle crucial de l'utilisation et de la composition des terres dans la perte de Nr. Malgré une diminution de la perte de Nr dans le TLB au cours des trois dernières décennies, résultant potentiellement de la mise en œuvre du Programme global pour la gestion intégrale de l'environnement aquatique dans le TLB et de la diminution de l'utilisation d'engrais Nr, les niveaux actuels de perte de Nr dans le bassin sont toujours élevés, avec une structure d'utilisation des terres inadaptée dominée par les terres cultivées et les zones urbaines. Le plan de développement de l'agglomération urbaine du delta du Yangtsé prévoit une expansion urbaine continue dans tout le bassin. Le développement urbain et les activités agricoles intensives augmentent les sorties de nutriments, faisant des terres cultivées et des zones urbaines des contributeurs essentiels aux pertes de Nr27. L'expansion des zones de construction générera des surfaces plus imperméables, augmentant le ruissellement urbain et augmentant le risque de perte de Nr60,61,62. Notre simulation des scénarios d'utilisation des terres dans la BUA et l'ED révèle également que le développement urbain entraîne la déforestation et une augmentation de la perte de Nr. Plusieurs études ont montré que la mauvaise qualité de l'eau est une cause majeure de la pauvreté rurale en Chine63, et que des niveaux élevés de perte de Nr augmentent les coûts de la gestion de l'environnement avec des investissements supplémentaires prévus. Il est donc impératif d'élaborer des stratégies d'utilisation des terres et des mesures de gestion appropriées pour équilibrer la croissance économique et la préservation de l'environnement. Les terres forestières et les zones humides peuvent réduire l'exportation de Nr par la rétention des sédiments et des nutriments64,65, comme le confirment nos conclusions de la CE, qui démontrent que la majeure partie de la restauration de ces zones a été réalisée en convertissant les terres cultivées.

Nos recommandations pour la planification des terres agricoles, des terres forestières et de l'eau sur la base de nos analyses précédentes sont les suivantes : (1) renforcer les politiques de protection des terres agricoles à forte pente, telles que la construction de champs en terrasses pour minimiser la perte de Nr du sol ; (2) fournir des subventions agricoles pour inciter les agriculteurs à réduire l'utilisation d'engrais ou à restaurer les terres forestières sur les terres agricoles à forte pente ; (3) la mise en œuvre réussie des mesures de protection des tampons riverains dans d'autres cas suggère leur efficacité potentielle dans la réduction de la perte de Nr66. Le TLB comprend de nombreuses rivières, ce qui rend les mesures de protection des tampons riverains telles que l'augmentation de la proportion de végétation dans les zones tampons et l'incorporation d'étangs qui consomment du Nr pendant la migration, réduisant ainsi efficacement la perte de Nr. Pour les zones urbaines, cette étude montre que la valeur q du BLP est passée à 0,54 et celle du POP à 0,34 en 2020, ce qui indique que l'expansion urbaine et la croissance démographique ont un impact croissant sur la perte de Nr dans la région, et que les zones urbaines deviennent progressivement des points chauds pour la perte de Nr. Nos recherches récentes utilisant des isotopes de Nr et d'oxygène pour suivre le nitrate des masses d'eau dans le réseau fluvial du TLB indiquent que le fumier et les eaux usées contribuent le plus à la teneur en nitrate des masses d'eau37. Plusieurs études de rivières ou de villes au sein du TLB ont également montré que les eaux usées domestiques et industrielles apportaient des contributions substantielles en tant que sources de Nr37,48,67. Cependant, bien que le TLB ait été le pionnier de l'avancement du traitement des eaux usées en Chine, ses progrès sont dépassés par l'urbanisation et l'expansion socio-économique en cours. Ses normes actuelles de traitement des eaux usées sont insuffisantes pour satisfaire la capacité environnementale du bassin versant68. Par conséquent, les normes de traitement des eaux usées urbaines dans la région doivent être mises à niveau ; dans le même temps, la taille et la population doivent être contrôlées efficacement pour s'adapter aux taux de récupération des eaux usées et aux normes de rejet relativement faibles.

Il existe encore des limites dans les méthodes et les données utilisées. Premièrement, en raison de problèmes de disponibilité des données, lors de l'utilisation du modèle InVEST pour simuler la perte de Nr au cours des 30 dernières années, la charge de Nr des terres cultivées variait selon les années, tandis que celle des autres couvertures terrestres était fixe. Bien que cette approche soit largement utilisée dans le modèle et que nous ayons obtenu des résultats de simulation fiables22,45,68, elle peut introduire des biais et des incertitudes. Par conséquent, les études futures devraient améliorer la charge de Nr pour différentes périodes afin de simuler plus précisément la perte de Nr. Deuxièmement, lors de la prévision de futurs scénarios de perte de Nr, afin de mieux explorer l'impact de l'utilisation des terres sur la perte de Nr, nous avons uniquement modifié l'utilisation des terres selon différents scénarios dans les paramètres du modèle sans tenir compte de l'influence des facteurs météorologiques sur la perte de Nr. Cependant, la perte de Nr est affectée par divers facteurs et la situation réelle peut être plus complexe. Des études futures devraient améliorer les paramètres de ces facteurs. Enfin, cette étude a simulé et prédit la perte de Nr et ses facteurs déterminants à l'échelle du bassin versant. Cependant, la perte de Nr varie et est complexe à différentes échelles. Par conséquent, à l'avenir, nous envisagerons d'analyser et d'expliquer la perte et l'attribution de Nr à partir de plusieurs échelles telles que les sous-bassins versants, les comtés, les gradients d'altitude, etc.

Dans cette étude, nous avons combiné les modèles InVEST et GeoDetector pour simuler et étudier la perte de Nr et les facteurs d'influence dans le TLB et simulé sept scénarios possibles. Les changements dans les points chauds de perte de Nr dans le TLB et les forces motrices au cours des 30 dernières années ont été clarifiés et, par la suite, les futures pertes de Nr selon divers scénarios ont été prédites. Les résultats montrent que de 1990 à 2020, la perte de Nr la plus élevée du TLB s'est avérée être de 1,82 × 105 t N en 2000, et la ville est progressivement devenue un point chaud pour la perte de Nr. La mise en œuvre d'une protection écologique, l'augmentation de l'utilisation des éléments nutritifs et la réduction de l'application d'engrais peuvent réduire la perte d'azote. Le pourcentage d'utilisation des terres (BLP) sur la perte de Nr augmente progressivement, atteignant une valeur q de 0,54 d'ici 2020. La perte de Nr est également limitée par la topographie et le sol, avec des valeurs q moyennes de 0,52, 0,51 et 0,48 pour l'altitude, le sol et la pente. L'influence des facteurs démographiques sur la perte de N augmente également chaque année. Sur la base des conclusions ci-dessus, nous suggérons que les gestionnaires des bassins versants renforcent la mise en œuvre des mesures de conservation des sols et de l'eau sur les terres cultivées dans les zones à forte et forte pente, mettent en œuvre une politique encourageante de retour des terres agricoles à la forêt et réduisent les pertes de Nr en établissant des zones tampons fluviales, tandis que la taille des villes et de la population doit être contrôlée et le niveau de traitement des eaux usées doit être amélioré. Notre étude peut fournir une référence scientifique pour la gestion des bassins versants. D'autres études seront menées pour différents sous-bassins afin de fournir des solutions plus précises pour la gestion de la pollution de l'eau.

Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Rockstrom, J. et al. Un espace d'exploitation sûr pour l'humanité. Nature 461, 472–475. https://doi.org/10.1038/461472a (2009).

Article ADS CAS PubMed Google Scholar

Yan, XY, Xia, LL & Ti, CP Variations temporelles et spatiales de l'efficacité de l'utilisation de l'azote dans la production agricole en Chine. Environ. Pollution. 293, 118496. https://doi.org/10.1016/j.envpol.2021.118496 (2022).

Article CAS PubMed Google Scholar

Wang, YH, Cai, ZC, Lang, XL, Yan, XY & Xu, KQ Cascade d'azote dans le système agriculture-alimentation-environnement du delta du Yangtze, 1998-2018. Sci. Environ. 787, 147442. https://doi.org/10.1016/j.scitotenv.2021.147442 (2021).

Article ADS CAS PubMed Google Scholar

Smith, VH, Tilman, GD et Nekola, JC Eutrophisation : impacts des apports excessifs de nutriments sur les écosystèmes d'eau douce, marins et terrestres. Environ. Pollution. 100, 179–196. https://doi.org/10.1016/S0269-7491(99)00091-3 (1999).

Article CAS PubMed Google Scholar

Liu, XC et al. Exploration des changements spatio-temporels des sources d'azote et de phosphore du fleuve Yangtze (Changjiang), rétention et exportation vers la mer de Chine orientale et la mer Jaune. Eau Rés. 142, 246–255. https://doi.org/10.1016/j.watres.2018.06.006 (2018).

Article CAS PubMed Google Scholar

Zhao, ZH et al. Traçabilité des points chauds pollués par les nitrates dans les réseaux fluviaux de plaine du delta du Yangtsé par les isotopes de l'azote et de l'oxygène couplant le modèle bayésien. Environ Pollution. 315, 120438. https://doi.org/10.1016/j.envpol.2022.120438 (2022).

Article CAS PubMed Google Scholar

Mooneya, RJ et al. Contributions démesurées en éléments nutritifs des petits affluents à un Grand Lac. Proc. Natl. Acad. Sci. 117, 28175–28182. https://doi.org/10.1073/pnas.2001376117 (2020).

Article ADS CAS Google Scholar

Sinha, E., Michalak, AM, Calvin, KV et Lawrence, PJ Les décisions sociétales sur l'atténuation du climat auront des impacts dramatiques sur l'eutrophisation au 21 siècle. Nat. Commun. 10, 939. https://doi.org/10.1038/s41467-019-08884-w (2019).

Article ADS CAS PubMed PubMed Central Google Scholar

Boretti, A. & Rosa, L. Réévaluer les projections du rapport mondial sur la mise en valeur des ressources en eau. Eau propre. 2, 15. https://doi.org/10.1038/s41545-019-0039-9 (2019).

Article Google Scholar

Ma, T. et al. La pollution exacerbe la rareté de l'eau en Chine et ses inégalités régionales. Nat. Commun. 11, 650. https://doi.org/10.1038/s41467-020-14532-5 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Liu, LY, Zheng, XQ, Peng, CF, Li, JY & Xu, Y. Forces motrices et tendances futures de la perte totale de plantations en Chine. Environ. Pollution. 267, 115660. https://doi.org/10.1016/j.envpol.2020.115660 (2020).

Article CAS Google Scholar

Shan, LN, He, YF, Chen, J., Huang, Q. & Wang, HC Volatilisation de l'ammoniac d'un champ de choux chinois sous différents traitements Nr dans le bassin du lac Taihu, en Chine. J. Environ. Sci. 38, 14–23. https://doi.org/10.1016/j.jes.2015.04.028 (2015).

Article CAS Google Scholar

Liang, XQ et al. Nrinterception dans les eaux de crue d'une rizière dans la région de Taihu en Chine. J. Environ. Sci. 19(12), 1474–1481. https://doi.org/10.1016/S1001-0742(07)60240-X (2007).

Article CAS Google Scholar

Wu, YP & Chen, J. Enquête sur les effets de la pollution ponctuelle et non ponctuelle sur la qualité de l'eau de l'East River (Dongjiang) dans le sud de la Chine. Écol. Indiquer. 32, 294–304. https://doi.org/10.1016/j.ecolind.2013.04.002 (2013).

Article CAS Google Scholar

Panagopoulos, Y. et al. Impacts du changement climatique sur l'hydrologie, la qualité de l'eau et la productivité des cultures dans le bassin de la rivière Ohio-Tennessee. Int. J. Agric. Biol. Ing. 8(3), 36–53. https://doi.org/10.3965/j.ijabe.20150803.1497 (2015).

Article Google Scholar

Song, Y. et al. Caractéristiques spatio-temporelles des charges polluantes dans le bassin de la rivière Yan, un bassin versant typique de collines et de ravins de loess dans le plateau de loess chinois. Géosci. Lett. 9, 10. https://doi.org/10.1186/s40562-022-00220-3 (2022).

Annonces d'article Google Scholar

Pfannerstill, M., Guse, B. & Fohrer, N. Un concept d'eaux souterraines à plusieurs réservoirs pour le modèle SWAT afin de mettre l'accent sur la dynamique non linéaire des eaux souterraines dans les bassins versants des basses terres. Hydrol. Processus. 28, 5599–5612. https://doi.org/10.1002/hyp.10062 (2014).

Annonces d'article Google Scholar

Dennedy-Frank, PJ, Muenich, RL, Chaubey, I. & Ziv, G. Comparaison de deux outils d'évaluation des services écosystémiques concernant les décisions relatives aux ressources en eau. J. Environ. Géré. 177, 331–340. https://doi.org/10.1016/j.jenvman.2016.03.012 (2016).

Article Google Scholar

Yazdi, MN, Ketabchy, M., Sample, DJ, Scott, D. & Liao, HH Une évaluation de HSPF et SWMM pour simuler les régimes d'écoulement dans un bassin versant urbain. Environ. Modèle. Logiciel 18, 211–225. https://doi.org/10.1016/j.envsoft.2019.05.008 (2019).

Article Google Scholar

Bai, Y., Chen, YY, Alatalo, JM, Yang, ZQ et Jiang, B. Effets d'échelle sur les relations entre les caractéristiques des terres et les services écosystémiques : une étude de cas dans le bassin du lac Taihu, en Chine. Sci. Environ. 716, 137083. https://doi.org/10.1016/j.scitotenv.2020.137083 (2020).

Article ADS CAS PubMed Google Scholar

Zhao, FB, Wu, YP, Yin, XW, Georgii, A. & Qiu, LJ Vers une revégétalisation durable sur le plateau de loess en utilisant la gestion couplée de l'eau et du carbone. Ingénierie 15, 143–153. https://doi.org/10.1016/j.eng.2020.12.017 (2022).

Article CAS Google Scholar

Cong, WC, Sun, XY, Guo, HW & Shan, RF Comparaison des modèles SWAT et InVEST pour déterminer les schémas spatiaux, les priorités et les compromis des services écosystémiques hydrologiques dans un bassin complexe. Écol. Indiquer. 112, 106089. https://doi.org/10.1016/j.ecolind.2020.106089 (2020).

Article Google Scholar

Chen, CZ, Gan, R., Feng, DM, Yang, F. & Zuo, Q. Quantification de la contribution de la modélisation SWAT et de la saisie CMIP6 à l'incertitude des prévisions de débit sous le changement climatique. J. Propre. Prod. 364, 132675. https://doi.org/10.1016/j.jclepro.2022.132675 (2022).

Article Google Scholar

Vigerstol, KL & Aukema, JE Comparaison d'outils de modélisation des services écosystémiques d'eau douce. J. Environ. Géré. 92, 2403–2409. https://doi.org/10.1016/j.jenvman.2011.06.040 (2011).

Article Google Scholar

Huang, DQ, Huang, J. & Liu, T. Délimitation des limites de la croissance urbaine à l'aide du modèle CLUE-S avec les limites administratives des villages. Politique d'utilisation des terres 82, 422–435. https://doi.org/10.1016/j.landusepol.2018.12.028 (2019).

Article Google Scholar

van Puijenbroek, PJTM, Beusen, AHW & Bouwman, AF Global Nrand phosphore dans les eaux usées urbaines basé sur les voies socio-économiques partagées. J. Environ. Géré. 231, 446–456. https://doi.org/10.1016/j.jenvman.2018.10.048 (2019).

Article CAS Google Scholar

Foley, JA et al. Conséquences mondiales de l'utilisation des terres. Sciences 84, 570–574. https://doi.org/10.1126/science.1111772 (2005).

Article ADS CAS Google Scholar

Hajati, M.-C., White, S., Moosdorf, N. & Santos, IR Modélisation des pertes d'azote à l'échelle du bassin versant à travers un gradient d'utilisation des terres dans les régions subtropicales. Devant. Terre. Sci. 8, 347. https://doi.org/10.3389/feart.2020.00347 (2020).

Annonces d'article Google Scholar

Huang, JC et al. Caractériser la qualité des eaux fluviales en Chine : Progrès récents et défis actuels. Eau Rés. 201, 117309. https://doi.org/10.1016/j.watres.2021.117309 (2021).

Article CAS PubMed Google Scholar

Li, YY et al. Comment le changement climatique et l'évolution de l'utilisation des terres sont liés à la pollution diffuse dans un bassin versant typique de la Chine. Sci. Environ. 839, 156375. https://doi.org/10.1016/j.scitotenv.2022.156375 (2022).

Article ADS CAS PubMed Google Scholar

Wang, JF et al. Évaluation des risques pour la santé basée sur des détecteurs géographiques et son application dans l'étude des anomalies du tube neural de la région de Heshun, en Chine. Int. J. Géographe. Inf. Sci. 24, 107–127. https://doi.org/10.1080/13658810802443457 (2010).

Article CAS Google Scholar

Wang, JF, & Xu, CD Géodétecteur : Principe et prospective. Acte. Géographique. Sinica. 72 (1) , 116–134. https://doi.org/10.11821/dlxb201701010 (2017).

Chen, J. et al. Analyse de l'hétérogénéité spatiale et temporelle de la conservation de l'eau dans l'agglomération urbaine de Pékin-Tianjin-Hebei basée sur les modèles de trajectoire géodétecteur et coefficient élastique spatial. GéoSanté 4, e2020GH000248. https://doi.org/10.1029/2020GH000248 (2020).

Article PubMed PubMed Central Google Scholar

Liu, J., Xu, QL, Yi, JH & Huang, X. Analyse de l'hétérogénéité des modèles de paysage d'expansion urbaine et des facteurs moteurs basée sur un indice de contiguïté multi-ordre combiné et un modèle de géodétecteur. Écol. Indiquer. 136, 108655. https://doi.org/10.1016/j.ecolind.2022.108655 (2022).

Article Google Scholar

TBAMWR. Rapport sur la santé du lac Taihu. http://www.tba.gov.cn/slbthlyglj/thjkzkbg/content. Consulté le 10 novembre 2022.

Lang, XL et al. La présence spatiale et les sources de HAP dans les sédiments sont à l'origine du risque écologique et sanitaire du lac Taihu en Chine. Sci. Rep. 12, 3668. https://doi.org/10.1038/s41598-022-07507-7 (2022).

Article ADS CAS PubMed PubMed Central Google Scholar

Zhao, ZH et al. Traçabilité des points chauds pollués par les nitrates dans les réseaux fluviaux de plaine du delta du Yangtsé par les isotopes de l'azote et de l'oxygène couplant le modèle bayésien. Environ. Pollution. 315, 120438. https://doi.org/10.1016/j.envpol.2022.120438 (2022).

Article CAS PubMed Google Scholar

Zhao, ZH et al. Présence et forces motrices de différentes formes d'azote dans les sédiments des zones de type graminées et algales du lac Taihu. Environ. Sci. Pollution. Rés. 29, 30114–30125. https://doi.org/10.1007/s11356-021-17784-w (2022).

Article CAS Google Scholar

Yan, L. et al. Fonction de risque de prolifération de cyanobactéries et application préliminaire dans le lac Taihu, Chine. Chemosphere 307, 136122. https://doi.org/10.1016/j.chemosphere.2022.136122 (2022).

Article ADS CAS PubMed Google Scholar

Qin, BQ et al. Dynamique de la variabilité et mécanisme de la prolifération de cyanobactéries nuisibles dans le lac Taihu, Chine. Menton. Sci. Taureau. 61, 759–770. https://doi.org/10.1360/N972015-00400 (2016).

Article Google Scholar

Stone, R. China vise à inverser la tendance contre la pollution toxique des lacs. Sciences 333, 1210-1211. https://doi.org/10.1126/science.333.6047.1210 (2011).

Article ADS PubMed Google Scholar

Commission nationale du développement et de la réforme, PRC. https://www.ndrc.gov.cn/xxgk/zcfb/ghwb/201606/t20160603_962187_ext.html. Consulté le 10 novembre 2022.

Zhang, J. et al. Aperçu des variations spatio-temporelles de la qualité de l'eau dans le bassin du lac Taihu, Chine. Environ. Monit. Évaluer. 193, 757. https://doi.org/10.1007/s10661-021-09554-5 (2021).

Article CAS PubMed Google Scholar

Wang, SL et al. Évaluation de l'état trophique des eaux intérieures mondiales à l'aide d'un indice Forel-Ule dérivé de MODIS. Télédétection Environ. 217, 444–460. https://doi.org/10.1016/j.rse.2018.08.026 (2018).

Annonces d'article Google Scholar

Rousse, JW et al. Évaluation à l'échelle nationale du modèle de rétention des nutriments InVEST au Royaume-Uni. Sci. Environ. 610–611, 666–667. https://doi.org/10.1016/j.scitotenv.2017.08.092 (2018).

Article ADS CAS PubMed Google Scholar

Getis, A. & Ord, JK L'analyse de l'association spatiale par l'utilisation des statistiques de distance. Géogr. Anal. 24, 189–206. https://doi.org/10.1007/978-3-642-01976-0_10 (1992).

Article Google Scholar

Ord, JK & Getis, A. Statistiques d'autocorrélation spatiale locale : problèmes de distribution et application. Géogr. Anal. 27, 286–306. https://doi.org/10.1111/j.1538-4632.1995.tb00912.x (1995).

Article Google Scholar

Liu, LL et al. Aperçu des tendances de la pollution à long terme et des contributions des sources dans le lac Taihu, en Chine, à l'aide de modèles d'analyses multistatistiques. Chemosphere 242, 125272. https://doi.org/10.1016/j.chemosphere.2019.125272 (2020).

Article ADS CAS PubMed Google Scholar

Petersen, RJ, Blicher-Mathiesen, G., Rolighed, J., Andersen, HE & Kronvang, B. Trois décennies de régulation des pertes d'azote agricole : expériences du programme danois de surveillance agricole. Sci. Environ. 787, 147619. https://doi.org/10.1016/j.scitotenv.2021.147619 (2021).

Article ADS CAS PubMed Google Scholar

Zhao, F. et al. Analyse de l'influence du changement de modèle de paysage sur les besoins écologiques en eau dans une région aride/semi-aride de Chine. J. Hydrol. 578, 124098. https://doi.org/10.1016/j.jhydrol.2019.124098 (2019).

Article Google Scholar

Jia, YQ, Tang, LN, Xu, M. & Yang, XY Indices de modèle de paysage pour évaluer la morphologie spatiale urbaine : Une étude de cas des villes chinoises. Écol. Ind. 99, 27–37. https://doi.org/10.1016/j.ecolind.2018.12.007 (2019).

Article Google Scholar

Liang, X. et al. Comprendre les moteurs de l'expansion durable des terres à l'aide d'un modèle de simulation d'utilisation des terres (PLUS) générant des parcelles : une étude de cas à Wuhan, en Chine. Calcul. Environ. Système urbain. 85, 101569. https://doi.org/10.1016/j.compenvurbsys.2020.101569 (2021).

Article Google Scholar

Wang, Z. et al. Simulation dynamique du changement d'affectation des terres et évaluation du stockage du carbone sur la base de scénarios de changement climatique au niveau de la ville : une étude de cas de Bortala, Chine. Écol. Indiquer. 134, 108499. https://doi.org/10.1016/j.ecolind.2021.108499 (2022).

Article CAS Google Scholar

Wang, ZY, Gao, Y., Wang, XR, Lin, Q. & Li, L. Une nouvelle approche de l'optimisation et de la simulation de l'utilisation des terres tenant compte de la durabilité du développement urbain : une étude de cas de Bortala, en Chine. Soutenir. Soc. 87, 104135. https://doi.org/10.1016/j.scs.2022.104135 (2022).

Article Google Scholar

Zhang, SQ et al. Prévision de l'utilisation des terres/de la couverture des terres et analyse du cours moyen du fleuve Yangtze selon différents scénarios. Sci. Environ. 833, 155238. https://doi.org/10.1016/j.scitotenv.2022.155238 (2022).

Article ADS CAS PubMed Google Scholar

Cicchetti, DV & Feinstein, AR Concordance élevée mais faible kappa : II—Résoudre les paradoxes. J.Clin. Épidémiol. 43, 551–558. https://doi.org/10.1016/0895-4356(90)90159-M (1990).

Article CAS PubMed Google Scholar

Song, YZ, Wang, JF, Ge, Y. & Xu, CD Un modèle de détecteur géographique basé sur des paramètres optimaux améliore les caractéristiques géographiques des variables explicatives pour l'analyse de l'hétérogénéité spatiale : cas avec différents types de données spatiales. GISci. Télécommande. Sens. 57, 593–610. https://doi.org/10.1080/15481603.2020.1760434 (2020).

Article Google Scholar

Lacher, IL et al. Impacts dépendant de l'échelle de l'utilisation des terres urbaines et cultivées sur les nutriments, les sédiments et le ruissellement. Sci. Total. Environ. 652, 611–622. https://doi.org/10.1016/j.scitotenv.2018.09.370 (2019).

Article ADS CAS PubMed Google Scholar

De Wit, HA et al. L'utilisation des terres domine les contrôles climatiques sur l'exportation d'azote et de phosphore à partir des bassins versants d'amont nordiques gérés et naturels. Hydrol. Processus 34, 4831–4850. https://doi.org/10.1002/hyp.13939 (2020).

Article ADS CAS Google Scholar

Alamdari, N., Claggett, P., Sample, DJ, Easton, ZM & Yazdi, MN Évaluation des effets conjoints du changement climatique et de l'utilisation des terres sur le ruissellement et la charge de polluants dans un bassin versant en développement rapide. J. Propre. Prod. 330, 129953. https://doi.org/10.1016/j.jclepro.2021.129953 (2022).

Article CAS Google Scholar

Bian, GD et al. Une procédure pour quantifier la réponse du ruissellement aux changements spatiaux et temporels de la surface imperméable dans le bassin de la rivière Qinhuai du sud-est de la Chine. CATENA 157, 268–278. https://doi.org/10.1016/j.catena.2017.05.023 (2017).

Article Google Scholar

Van der Salm, C., van den Toorn, A., Chardon, WJ & Koopmans, GF Transport de l'eau et des nutriments sur un sol argileux lourd dans une plaine fluviale aux Pays-Bas. J. Environ. Qual. 41, 229–241. https://doi.org/10.2134/jeq2011.0292 (2012).

Article CAS PubMed Google Scholar

Cohen, A. & Sullivan, CA L'eau et la pauvreté en Chine rurale : Développer un instrument pour évaluer les multiples dimensions de l'eau et de la pauvreté. Écol. Écon. 69, 999–1009. https://doi.org/10.1016/j.ecolecon.2010.01.004 (2010).

Article Google Scholar

Hunter, R. et al. Analyse de l'élimination des éléments nutritifs et du taux de charge des zones humides boisées de la Louisiane assimilant les effluents municipaux traités. Environ. Géré. 44, 865–873. https://doi.org/10.1007/s00267-009-9348-y (2009).

Annonces d'article Google Scholar

Shi, P. et al. Réponse de la pollution azotée des eaux de surface à l'utilisation des terres et aux facteurs socio-économiques dans le bassin versant de la rivière Weihe, au nord-ouest de la Chine. Soutenir. Soc. 50, 101658. https://doi.org/10.1016/j.scs.2019.101658 (2019).

Article Google Scholar

Huang, L. et al. La conservation des terres peut atténuer la dégradation des services écosystémiques d'eau douce due au changement climatique dans un bassin versant semi-aride : le cas du bassin versant de la rivière Portneuf, Idaho, États-Unis. Sci. Environ. 651, 1796–1809. https://doi.org/10.1016/j.scitotenv.2018.09.260 (2019).

Article ADS CAS PubMed Google Scholar

Ti, CP, Xia, YQ, Pan, JJ & Yan, XY Bilan d'azote et charge d'azote des eaux de surface à Changshu : une étude de cas dans la région du lac Taihu en Chine. Nutr. Cycl. Agroécosystème. 91, 55. https://doi.org/10.1007/s10705-011-9443-3 (2011).

Article CAS Google Scholar

Berg, CE, Mineau, MM & Rogers, SH Examen du service écosystémique de l'élimination des éléments nutritifs dans un bassin versant côtier. Écosystème. Servir. 20, 104–112. https://doi.org/10.1016/j.ecoser.2016.06.007 (2016).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par le National Key Research and Development Program of China (2021YFC3201500), la National Natural Science Foundation of China (No. 41673107) et le Major Project of Jiangsu Provincial Department of Education (No. 20KJA170001).

École de géographie, Université normale de Nanjing, 1 Wenyuan Road, Qixia, Nanjing, 210023, Chine

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

Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing, 210023, Chine

Zucong Cai et Yanhua Wang

Key Laboratory of Virtual Geographic Environment, Ministry of Education, Nanjing Normal University, Nanjing, 210023, Chine

Zucong Cai et Yanhua Wang

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs ont contribué au travail. XHH : Rédaction-revue et édition, méthodologie. JMT : Investigation, curation de données, visualisation. YQZ : Visualisation, logiciel. ZHZ : Enquête, méthodologie. ZCC : Ressources, revue, supervision. YHW : Rédaction-révision et édition, administration de projet, supervision.

Correspondance à Yanhua Wang.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

He, X., Tian, J., Zhang, Y. et al. Attribution et force motrice des pertes d'azote du bassin du lac Taihu par les modèles InVEST et GeoDetector. Sci Rep 13, 7440 (2023). https://doi.org/10.1038/s41598-023-34184-x

Télécharger la citation

Reçu : 26 janvier 2023

Accepté : 25 avril 2023

Publié: 08 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.

Blog

Attribution et force motrice des pertes d'azote du bassin du lac Taihu par les modèles InVEST et GeoDetector