Atribuição e força motriz das perdas de nitrogênio da Bacia do Lago Taihu pelos modelos InVEST e GeoDetector

Scientific Reports volume 13, Número do artigo: 7440 (2023) Citar este artigo

334 acessos

1 Altmétrica

Detalhes das métricas

Quantificar as mudanças temporais e espaciais nas perdas de nitrogênio reativo (Nr) de uma bacia hidrográfica e explorar seus principais fatores são a chave para melhorias na qualidade da água da bacia hidrográfica. Enormes perdas de Nr continuam a ameaçar a segurança do ambiente aquático na Bacia do Lago Taihu (TLB). Aqui, os modelos InVEST e GeoDetector foram combinados para estimar as perdas de Nr no TLB de 1990 a 2020 e explorar as forças motrizes. Diferentes cenários para perdas de Nr foram comparados, mostrando que a perda de Nr atingiu um pico de 181,66 × 103 t em 2000. Os principais fatores que afetam a perda de Nr são o uso da terra, seguido por fatores de elevação, solo e inclinação, e seus valores q médios foram 0,82, 0,52, 0,51 e 0,48, respectivamente. A análise do cenário revelou que as perdas de Nr aumentaram nos cenários de desenvolvimento econômico e de negócios, enquanto a conservação ecológica, o aumento da eficiência no uso de nutrientes e a redução da aplicação de nutrientes contribuem para uma redução nas perdas de Nr. As descobertas fornecem uma referência científica para controle de perda de Nr e planejamento futuro no TLB.

A perda excessiva de nitrogênio reativo (Nr) é uma das maiores ameaças aos ecossistemas aquáticos globalmente1,2,3. Atividades antrópicas, como fertilização agrícola, produção industrial e descarga de esgoto, aceleraram o transporte de Nr terrestre para os ecossistemas aquáticos, ou seja, rios e lagos, resultando em eutrofização4,5,6, proliferação de algas7, emissão de gases de efeito estufa e assim por diante. em3,8. Esses fenômenos ameaçam gravemente a segurança doméstica da água e o abastecimento produtivo de água. De acordo com o relatório mundial de desenvolvimento da água, quase seis bilhões de pessoas em todo o mundo sofrerão com uma crise de escassez de água potável até 20509. Em particular, a escassez de água é exacerbada pela qualidade inadequada da água na China, e uma alta carga de Nr é uma das ameaças mais graves à qualidade da água10. Há uma necessidade urgente de reduzir e controlar as perdas de Nr.

Nas últimas décadas, muitos estudos sobre a perda de Nr focaram em medições de campo11,12,13,14,15,16. No entanto, o monitoramento e a pesquisa de longo prazo da qualidade da água nas bacias hidrográficas são demorados e não são adequados para avaliar o impacto de futuras mudanças no uso da terra14. Com o desenvolvimento dos sistemas de informação geográfica (SIG) e sensoriamento remoto, muitos modelos para avaliar a qualidade da água e os serviços hidrológicos dos ecossistemas, como a Ferramenta de Avaliação de Solo e Água (SWAT), Programa de Simulação Hidrológica-FORTRAN (HSPF), Point Source (AnnAGNPS) e Avaliação Integrada de Serviços Ecossistêmicos e Compensações (InVEST) foram desenvolvidos e são amplamente utilizados14,15,16,17,18,19,20,21. Modelos baseados em processos de transporte de nutrientes, como SWAT, HSPF e AnnAGNPS, podem simular bem os processos hidrológicos e fornecer resultados precisos. No entanto, esses modelos requerem grandes quantidades de dados hidrológicos para calibração18,22, o que muitas vezes não é aplicável em áreas onde os dados são escassos, são complexos de operar e requerem treinamento específico dos operadores19,23. O modelo InVEST contém menos algoritmos integrados do que os outros modelos e é, portanto, mais fácil de usar, permitindo modelagem e análise em áreas onde os dados são escassos, com baixo tempo de execução e forte representação espacial24. O módulo de taxa de entrega de nutrientes (NDR) no modelo InVEST usa uma abordagem de balanço de massa mais direta para descrever o movimento espacial estável e de longo prazo de nutrientes, que pode não apenas refletir a exportação de nutrientes sob diferentes climas e cenários de mudança de uso da terra, mas também ajudar avaliar o impacto de fatores naturais e atividades humanas na poluição na escala da sub-bacia ou unidade hidrológica25.

A fertilização agrícola e a descarga de águas residuais urbanas expõem diretamente o Nr ao meio ambiente26; o clima e a topografia contribuem para a perda de Nr ao conduzir o transporte de Nr11; mudanças na composição e estrutura do uso da terra também podem afetar a perda de Nr, alterando o teor de nutrientes na superfície e o transporte de nutrientes27. A pesquisa mostrou que a perda de Nr aumentou 3,5 vezes devido à intensificação agrícola28, e o aumento das superfícies impermeáveis ​​também exacerbou as perdas de Nr29. Além disso, a mudança de floresta para terra desmatada aumenta a capacidade de desnitrificação28; e aumentar as bordas das pastagens pode reduzir a poluição por Nr30. No entanto, ferramentas e métodos de pesquisa tradicionais, como regressão linear múltipla, análise de correlação, modelos de mínimos quadrados ordinários, modelos de defasagem espacial e modelos de erro espacial são desafiadores para lidar com a variabilidade espacial dos motoristas. Eles são limitados à análise contínua de dados, dificultando que os dados de uso da terra sejam usados ​​para analisar seus efeitos diretos na perda de Nr. O modelo GeoDetector usando dados contínuos e tipológicos é um método estatístico emergente que pode revelar os drivers da heterogeneidade espacial. Baseia-se no princípio de que se uma variável independente afeta significativamente uma variável dependente, então a distribuição espacial das variáveis ​​independentes e dependentes deve ter similaridade31,32. O modelo GeoDetector tem sido aplicado a várias disciplinas na natureza e na sociedade31. Por exemplo, Chen et al. usou o modelo GeoDetector para explorar o papel determinante de fatores como o uso da terra na divergência espacial e temporal dos recursos hídricos na aglomeração urbana Beijing-Tianjin-Hebei33. Liu et al.34 exploraram os efeitos da natureza, economia e transporte na expansão urbana com base no modelo GeoDetector.