Cambios en la calidad del agua de los ríos de China desde 1980: implicaciones para la gestión del desarrollo sostenible

npj Clean Water volumen 6, Número de artículo: 45 (2023) Citar este artículo

863 Accesos

Detalles de métricas

Las actividades humanas y el cambio climático amenazan la calidad del agua en los ríos de China. Simulamos las concentraciones mensuales de nitrógeno total fluvial (TN), nitrógeno amoniacal (NH3-N), fósforo total (TP) y demanda química de oxígeno (CODMn) en 613 subcuencas de las 10 principales cuencas fluviales del país durante la década de 1980. –Período 2050 basado en un conjunto de datos de seguimiento de 16 años (2003-2018) utilizando modelos de aprendizaje automático apilables. Los resultados mostraron que la calidad del agua mejoró notablemente, a excepción de la concentración de TN, lo que probablemente se debió a la falta de un objetivo de control y un sistema de evaluación de TN. El análisis cuantitativo indicó que los factores antropogénicos fueron los controles principales en comparación con los factores climáticos y geográficos para las concentraciones de TN, TP y NH3-N. Sobre la base de los 17 objetivos de desarrollo sostenible (ODS) relevantes para la calidad del agua en China, los recursos hídricos, el medio ambiente acuático, la ecología acuática y la seguridad hídrica deben considerarse colectivamente para lograr mejoras en el estado ecológico de los ríos de China.

Los ríos son canales importantes para la migración y el transporte de materia entre la tierra y los lagos u océanos, proporcionando abundantes recursos de agua dulce para agua potable, riego, acuicultura, navegación y generación de energía1,2. Sin embargo, los ecosistemas fluviales están experimentando un deterioro generalizado y están globalmente amenazados por las actividades antropogénicas y el cambio climático3,4. Un estudio global reveló que casi el 80% (4.800 millones) de la población mundial (en 2000) vive en áreas con una alta incidencia de amenazas (>75%) a la seguridad humana del agua5. Peor aún, un tercio de la población mundial carece de acceso a agua potable segura6. Ante los desafíos actuales, es urgente diagnosticar las amenazas a la calidad del agua de los ríos en una amplia gama de escalas temporales y espaciales, remediar sus causas subyacentes y limitar las amenazas desde la fuente para proteger los recursos de agua dulce de los ríos5.

Los ríos de China han sufrido profundos deterioros en la calidad del agua debido a la innegable presión del desarrollo económico sobre el medio ambiente desde la Reforma y Apertura de China en 19787. Se ha confirmado que la contaminación del agua en China es una de las principales causas de la escasez de agua de 40 mil millones de metros cúbicos en China por año8. El elevado aporte de nutrientes antropogénicos es una causa crítica de la reducción de la calidad del agua en los ríos chinos. Según estimaciones de modelos multiescala, el aporte total de nitrógeno disuelto (TDN) y fósforo total disuelto (TDP) a los ríos de China en 2012 fue de 28 Tg y 3 Tg, respectivamente9. Además, el exceso de nutrientes de los ríos fue transportado a los lagos y al océano, lo que provocó frecuentes episodios de floraciones y mareas rojas, poniendo en peligro la salud humana y acuática y los servicios ecosistémicos10. Afortunadamente, la calidad del agua continental en China mostró una marcada mejora o se mantuvo en niveles favorables en todo el país entre 2003 y 2017, lo que se atribuye a las reducciones en la descarga de nutrientes11,12. En 2022, una investigación nacional de 3641 sitios de muestreo en ríos, lagos y embalses en toda China mostró que el 12,1% de los sitios de muestreo tenían una calidad de agua inferior a la Clase III según el Estándar de Calidad Ambiental del Agua Superficial de China (GB3838-2002), mientras que el 0,7 El % de los sitios tenía una condición más grave o peor que la Clase V13. Durante las últimas cuatro décadas desde la Reforma y Apertura, en el contexto de equilibrar el desarrollo económico y la protección ambiental, es esencial identificar los patrones de calidad del agua y los mecanismos subyacentes en los ríos de China para proporcionar referencias e información para la protección de la calidad del agua de los ríos en Países en desarrollo7.

Se han dedicado varios estudios a los patrones de calidad del agua en los ríos de China y sus impulsores asociados, como la cuantificación de los aportes de N y P a los ríos chinos desde diferentes fuentes a múltiples escalas9, el ciclo de nutrientes en los sistemas fluviales, incluidas las fuentes, la transformación y flujo14,15, y los patrones espaciales de calidad del agua y las covariables críticas del deterioro del río12,16,17,18. Sin embargo, todavía existen lagunas en la comprensión de la variación espaciotemporal y el mecanismo subyacente de la calidad del agua de los ríos de China durante las últimas cuatro décadas. En primer lugar, la falta de datos de monitoreo a largo plazo con frecuencia regular a nivel nacional es el principal obstáculo en el estudio de los impactos en la calidad del agua de los ríos, porque los datos de monitoreo rastreables y disponibles solo se extienden desde 200312,19. En segundo lugar, la identificación de los mecanismos impulsores de la variación de la calidad del agua de los ríos está sujeta a la resolución a escala temporal y espacial de modelos factoriales y variables explicativas (incluidas las características geográficas naturales, indicadores socioeconómicos, datos de uso de la tierra y factores meteorológicos)12,17. Finalmente, es un desafío superar las barreras a la investigación científica y las aplicaciones de gestión, y aplicar la comprensión de la variación histórica de la calidad del agua de los ríos y los mecanismos impulsores a la futura gestión de la calidad del agua y el logro de los objetivos de desarrollo sostenible (ODS)7,10.

El estudio recopiló datos mensuales de 16 años (2003-2018) de 613 sitios de monitoreo de la calidad del agua ribereña, así como de las características de las cuencas (por ejemplo, longitud, latitud, patrones de uso de la tierra, aportes antropogénicos netos de N/P y propiedades del suelo). y las condiciones climáticas a escala nacional para construir un conjunto de modelos apilables de aprendizaje automático. Los modelos apilados de aprendizaje automático integraron los resultados de los diferentes modelos base, lo que podría reducir la varianza y mejorar la estabilidad del modelo final20. Se seleccionaron tres modelos base por su gran popularidad y rendimiento basándose en estudios previos, incluido el bosque aleatorio (RF), la máquina de vectores de soporte (SVM) y los k vecinos más cercanos (KNN)19,20. El modelo de apilamiento se utilizó para simular y predecir las variaciones anuales y mensuales en la calidad del agua del río durante el período de 1980 a 2018 (Fig. 1). Luego utilizamos dos escenarios futuros (SSP2-RCP4.5 y SSP5-RCP8.5) para predecir las tendencias decenales en la calidad del agua entre 2020 y 2050. Se emplearon modelos de regresión lineal múltiple (MLR) y análisis de correlación para cuantificar las contribuciones relativas de los factores antropogénicos, climáticos y geográficos a los cambios en el TN, NH3-N y TP fluviales, así como la CODMn. Sobre la base de las relaciones de los ODS con la calidad del agua, se propusieron políticas sostenibles de gestión de la calidad del agua para lograr un mejor entorno acuático para los ríos de China, así como para otros países en desarrollo.

Detalles del proceso de apilamiento de modelos, incluido el procesamiento de datos, el modelo de apilamiento, la validación cruzada diez veces y la aplicación del modelo. Los datos de seguimiento de la concentración de TN, TP, NH3-N y CODMn de 2003 a 2018 se utilizan para estimular los datos mensuales de 1980 a 2018 y los datos interdecenales de 2020 a 2050 en dos escenarios futuros (SSP2-RCP4.5 y SSP5- RCP8.5).

La comparación entre los valores medidos y pronosticados en las 10 grandes cuencas fluviales mostró que nuestros modelos de aprendizaje automático generalmente fueron capaces de recrear concentraciones de TN, TP, NH3-N y CODMn a un nivel de significancia de p < 0,01 y con un sesgo predictivo bajo estimado. utilizando el R2, el error cuadrático medio (RMSE), la eficiencia de Nash-Sutcliffe (NSE) y el error absoluto medio (MAE) (Figura 1 complementaria, Tabla 1 complementaria). Las estadísticas de precisión de la validación cruzada de 10 veces en los conjuntos de datos de prueba y validación también indicaron la bondad del ajuste y el poder predictivo del modelo de apilamiento para las concentraciones de TN, TP, NH3-N y CODMn (Tablas complementarias 2 a 5). Aunque este modelo de apilamiento de aprendizaje automático basado en datos tenía una interpretabilidad y deducibilidad limitadas, se mostró prometedor por su robustez y estabilidad en la capacidad de inducción del aprendizaje automático conjunto educado19,20.

Las tendencias de concentración de TN, TP, NH3-N y CODMn fueron diferentes en todo el país entre 1980 y 2018 (Fig. 2a-d). La proporción de sitios de muestreo con concentraciones simuladas de TN inferiores a 1,5 mg L-1 en 1980, 1990, 2000, 2010, 2015 y 2018 fue del 19,83 %, 20,25 %, 19,60 %, 18,65 %, 17,41 % y 18,12 %, respectivamente . Estas tendencias sugieren que la contaminación por TN aumentó durante el período de observación. En la actualidad, aunque existe un umbral de concentraciones de TN en los ríos en el Estándar de Calidad Ambiental de las Aguas Superficiales de China (es decir, 1 mg L-1 para la Clase III), la gestión del medio ambiente acuático no lo ha incluido en el sistema de evaluación21. Las concentraciones de NH3-N aumentaron de 1980 a 2010 y luego disminuyeron de 2010 a 2018. CODMn aumentó de 1980 a 2000 y luego disminuyó de 2000 a 2018 (Fig. 2). Este resultado es generalmente consistente con los hallazgos de un estudio anterior, que encontró que las concentraciones generales de NH3-N y DQO disminuyeron de 2003 a 2017 según los datos de monitoreo mensual obtenidos de cuerpos de agua continentales (incluidos ríos y lagos) en China12. Las concentraciones de TP aumentaron de 1980 a 2015 y luego disminuyeron de 2015 a 2018 (Fig. 2). En 2000, el gobierno chino propuso el Plan de Control de la Cantidad Total de Contaminantes, tomando la DQO como uno de los índices de control de 12 contaminantes principales, y se han logrado resultados notables7,22. La Ley de la República Popular China sobre Prevención y Control de la Contaminación del Agua promulgada en 2008 ha endurecido estrictamente la regulación de la protección ambiental del agua23. Luego, la construcción de una civilización ecológica fue elevada a la categoría de estrategia nacional en 2012, y se establecieron una serie de objetivos de reducción de vertidos de TP, DQO y NH3-N durante el 13.º Plan Quinquenal de Trabajo Integral de 2016 a 202024. Sin embargo, , no se espera que las concentraciones de nutrientes disminuyan bajo la influencia de futuras actividades humanas y el cambio climático (Figura complementaria 2). Por lo tanto, todavía es necesaria la implementación fluida de estas políticas y planes de acción para desacoplar gradualmente el crecimiento económico de sus impactos ambientales7,10.

Los paneles a-d muestran las proporciones acumuladas de la concentración promedio anual estimulada de TN, TP, NH3-N y CODMn en los ríos de China. e – h Concentraciones promedio de nutrientes en 613 ríos de China de 1980 a 2018 (mg L-1). El tamaño del círculo azul representa las concentraciones promedio de nutrientes para las 10 cuencas principales entre 1980 y 2018.

Debido a las diferencias en las condiciones geográficas entre las cuencas, los cambios en las concentraciones de nutrientes difirieron entre las cuencas durante el período 1980-2018 (Figuras complementarias 3 a 6). Excepto en el río Huaihe (n = 48, p < 0,05, r = −0,21), las concentraciones promedio de TN aumentaron, especialmente en el río Sudeste (n = 41, p < 0,05, r = 0,86) y el río Pear (n = 66, p <0,01, r = 0,97), donde las tendencias temporales fueron estadísticamente significativas (Figura complementaria 3). Las concentraciones promedio de TP disminuyeron en la mayoría de las cuencas de China, especialmente en el río Songhua (n = 45, p <0,05, r = −0,75) y el río Amarillo (n = 67, p <0,01, r = −0,76) (Figura complementaria .4). Sin embargo, las concentraciones de NH3-N y CODMn mostraron varios cambios graduales en algunas cuencas. Las concentraciones de NH3-N y CODMn aumentaron durante la primera parte del período de observación, mientras que las concentraciones de NH3-N y CODMn disminuyeron en la mayoría de las regiones de China en los últimos años (Figuras complementarias 5, 6).

Nuestros resultados muestran que las concentraciones de TN exhibieron variaciones espaciales significativas con una peor calidad del agua en el este de China entre 1980 y 2018 (p <0,01; Fig. 2e). Las concentraciones de TP, NH3-N y CODMn no variaron significativamente entre cuencas (Fig. 2f-h). La proporción de sitios de muestreo con una concentración de TN superior a 1,5 mg L-1 fue del 62,3%, lo que sugiere que el TN representa un problema de contaminación relativamente grave en la mayoría de las regiones de China según los estándares actuales de calidad del agua. La proporción de sitios de muestreo con observaciones simuladas donde la concentración de TP fue mayor a 0.2 mg L-1, la concentración de NH3-N fue mayor a 1.0 mg L-1 y la proporción de concentración de CODMn fue mayor a 6.0 mg L-1 fue del 13.3%. 16,3% y 13,7%. En comparación con la distribución histórica de nutrientes, la proporción con concentraciones más altas aumentó entre el período 2020-2050 (Figura complementaria 7). En el escenario SSP2-RCP4.5, las proporciones de observaciones simuladas en las que la concentración de TN es superior a 1,5 mg L-1, la concentración de TP es superior a 0,2 mg L-1, la concentración de NH3-N es superior a 1,0 mg L-1 y la proporción de concentración de CODMn es superior a 6,0 mg L-1 son 75,8%, 18,2%, 40,2% y 17,6%, respectivamente. En el escenario SSP5-RCP8.5, la proporción del total de observaciones simuladas donde las concentraciones de TN, TP, NH3-N y CODMn fueron superiores a 1,5 mg L-1, 0,2 mg L-1, 1,0 mg L-1 y 6,0 mg L −1 son 75,2%, 19,6%, 43,2% y 17,5%, respectivamente. Los resultados dejan claro que las actividades humanas y el cambio climático influirán significativamente en las concentraciones de nutrientes fluviales, especialmente dentro de los ríos Amarillo, Huaihe y Haihe (p <0,01).

Las covariables relacionadas con la concentración de nutrientes se dividieron en tres categorías que incluyen factores antropogénicos, climáticos y geográficos. Las proporciones de contribución de estos factores antropogénicos, climáticos y geográficos a las concentraciones de nutrientes se cuantifican ingresando datos de cada una de las 10 cuencas fluviales en el modelo MLR por separado (Fig. 3a-d). Entre las covariables consideradas, los predictores antropogénicos tuvieron una contribución mayor (24,93–71,29 % para TN, 22,43–77,10 % para TP y 52,37–91,06 % para NH3-N) en comparación con los factores climáticos (21,51–58,83 % para TN, 17,73 –73,86% para TP y 5,16–37,79% para NH3-N) y factores geográficos (4,25–16,23% para TN, 3,70–25,61% para TP y 6,90–18,21% para NH3-N) al ingresar datos en el MLR modelo utilizando los datos de cada una de las 10 cuencas fluviales (Fig. 3a-d). Sin embargo, el patrón de las proporciones de contribución de los factores antropogénicos, climáticos y geográficos a la CODMn difirió entre las cuencas fluviales. En general, los factores geográficos tuvieron una contribución mayor (41,60%) que los factores climáticos (25,55%) y los predictores antropogénicos (32,83%) en el noroeste del río Inland. Los impulsores climáticos tuvieron una mayor contribución a la concentración de CODMn en comparación con los impulsores geográficos y los predictores antropogénicos en el río Songhua, el río Amarillo, el río Huaihe, el río Southwest y el río Southeast. Este hallazgo puede deberse al hecho de que el nitrógeno y el fósforo de los ríos se derivan principalmente de fuentes antropogénicas y, por lo tanto, están altamente correlacionados con las actividades humanas25,26,27. Un estudio anterior encontró que las fuentes puntuales representaron el 75% del ingreso de TDP y las fuentes agrícolas difusas representaron el 72% del ingreso de TDN en los ríos chinos en 20129. Sin embargo, las posibles fuentes de DQO pueden estar más relacionadas con fuentes naturales, incluidas fuentes endógenas provenientes de la degradación de algas y plantas acuáticas y la liberación de sedimentos, y fuentes exógenas provenientes de la sedimentación atmosférica y la importación de vegetación terrestre y materia orgánica del suelo28,29. El aumento de temperatura inducido por el cambio climático, la intensificación hidrológica y el clima extremo afectan el momento y la magnitud de la entrega de materia orgánica disuelta desde los ecosistemas terrestres al agua superficial2,29.

a–d Las contribuciones porcentuales de los factores antropogénicos, climáticos y geográficos utilizaron regresión lineal múltiple. e–h Coeficientes de regresión para cada predictor.

Además, los coeficientes de regresión entre las concentraciones de TN, TP y NH3-N y los impulsores antropogénicos fueron más altos que los de los impulsores naturales y geográficos (Fig. 3e-h). Entre los factores geográficos seleccionados, la elevación, la pendiente, el nitrógeno total del suelo (STN), el fósforo total del suelo (STP) y la materia orgánica del suelo (MOS) mostraron una contribución discernible a la variabilidad de nutrientes en la mayoría de las cuencas fluviales. Los factores de precipitación (Pre y PRCPTOT) fueron fuertes predictores de las concentraciones de TN, TP y CODMn en las 10 cuencas estudiadas, con la excepción de NH3-N. Por el contrario, la temperatura del aire (Atmr10) fue un predictor débil de las concentraciones de nutrientes en las 10 cuencas estudiadas (Tabla complementaria 6).

Con respecto a los impulsores antropogénicos seleccionados, nuestro análisis muestra que el porcentaje de tierras agrícolas, bosques, pastizales, áreas urbanas, población y aportes antropogénicos de N y P fueron covariables críticas para los niveles fluviales de nutrientes (Fig. 3e-h). La extensión del área urbana y las tierras de cultivo dentro de una cuenca determinada mostró una relación consistentemente positiva con las concentraciones de nutrientes. Por el contrario, los bosques y pastizales mostraron una relación negativa con las concentraciones de nutrientes. La población tenía una firma distintiva en los niveles de nutrientes en los ríos Songhua (NH3-N, TN, TP y CODMn), Huaihe (NH3-N y CODMn), suroeste (TP) y noroeste interior (NH3-N y TP). Un estudio relevante realizado previamente utilizó la intensidad de la luz nocturna para caracterizar a la población y concluyó que la intensidad de la luz nocturna tenía una firma distintiva (contribución > 35%) en los dos niveles de nutrientes (TP y NH3-N) en las cuencas de los ríos Amarillo y Perla17. lo cual es diferente a nuestro estudio. Los aportes antropogénicos de N y P tuvieron mayores contribuciones a la variabilidad de ambos nutrientes en los ríos Songhua, Haihe, Huaihe, Yangtze, Suroeste y Noroeste, donde se registró una contribución algo mayor con un coeficiente de regresión de> 1 (Fig. 3e– h). Los resultados sugirieron que con el crecimiento socioeconómico, los ríos en las regiones occidentales e interiores de China (excepto las regiones orientales) han registrado graves deterioros en la calidad del agua, a los que se debería prestar más atención en el futuro.

Nuestro intento de caracterizar la firma de las actividades antropogénicas requirió una evaluación del papel de los factores naturales, como las condiciones meteorológicas y las características geográficas, en la configuración de la calidad del agua fluvial. Al considerar las 613 subcuencas de China, nuestro análisis pudo discernir una relación negativa débil entre la elevación y/o pendiente y las concentraciones de nutrientes (Fig. 3e-h), lo que sugiere que los sitios en elevaciones más altas y/o que poseían pendientes más pronunciadas exhibieron niveles más bajos de nutrientes. En general, las actividades antropogénicas aumentan con la disminución de la altitud, y las llanuras y las zonas bajas son susceptibles al cultivo agrícola intensivo, la ganadería y la avicultura, el desarrollo urbano y la agregación demográfica30. La pendiente de la cuenca determina la velocidad del flujo del agua y la gravedad de la erosión del suelo. En comparación con los ríos de tierras bajas, se espera que los ríos montañosos con pendientes más altas experimenten caudales más rápidos y una erosión más severa, lo que resulta en tiempos de retención de agua más cortos y una capacidad de autopurificación más débil del río2. Nuestros resultados confirmaron la correlación negativa entre la altitud y la concentración de nutrientes de los ríos de China, y encontraron que el efecto positivo teórico de la pendiente sobre la concentración de nutrientes fue compensado por otras actividades humanas, como los embalses para regular la retención hidráulica y de nutrientes17,31.

El momento y la magnitud de los aportes de nutrientes exógenos y los factores que promueven la migración y transformación interna de nutrientes en los ríos pueden verse afectados por el forzamiento meteorológico a largo plazo32. El aumento de la temperatura del aire influirá en los regímenes térmicos fluviales, así como en las propiedades físicas y químicas del agua (es decir, pH del agua, salinidad, solubilidad, viscosidad y tasas de difusión), afectando aún más los procesos bioquímicos como la nitrificación, desnitrificación, mineralización de sedimentos y relanzamiento14,33,34. El papel de la precipitación o precipitación extrema también es un factor dominante que afecta los regímenes hidrológicos, incluidas las características hidráulicas, el nivel del agua, el caudal, el patrón de inundación y los ciclos del agua3,35. Además, los cambios en la cantidad, frecuencia e intensidad de las precipitaciones movilizarán nutrientes en la tierra a través de procesos superficiales y subterráneos para recolectar contaminación difusa y liberarán mayores concentraciones de sedimentos a través de la erosión y la resuspensión36,37. Un estudio anterior sugirió que la precipitación dominó la variabilidad interanual de la carga de N fluvial en todo el territorio continental de los Estados Unidos durante el período 1987-20073. Nuestros resultados muestran que la relación entre las concentraciones de nutrientes en los ríos y los factores meteorológicos medios y extremos varía según la región geográfica y los indicadores de calidad del agua (Fig. 3), posiblemente debido a la covarianza entre los factores meteorológicos y otras variables naturales y de actividad humana14,33.

En comparación con los efectos relativamente menores de los factores climáticos y geográficos considerados, se encontró que la población, NANI/NAPI y el porcentaje de tipos específicos de uso de la tierra eran los predictores más fuertes de los niveles de nutrientes fluviales (excepto para CODMn) y explicaban la mayor parte de los efectos de los factores climáticos y geográficos considerados. variación de nutrientes colectivamente (Fig. 3). Se ha confirmado que la urbanización continua y el desarrollo agrícola intensivo han tenido un profundo impacto en los aportes de nutrientes de la tierra a los ríos25,26. Es de destacar que las tasas explicativas promedio de las variables predichas utilizadas después de detectar las variaciones en las concentraciones de CODMn, NH3-N, TN y TP en las 10 cuencas fluviales fueron 52,92%, 35,74%, 72,15% y 31,97%, respectivamente. (Tabla complementaria 7). Las medidas de control de la contaminación, como lo indican la proporción de tierra con sistemas de drenaje y la capacidad de las plantas de tratamiento de aguas residuales, y la construcción de instalaciones de conservación de agua deberían tenerse en cuenta en futuros estudios debido a sus impactos en el aporte y la migración de nutrientes de los ríos, aunque Es difícil recopilar estos datos con alta resolución y precisión en China desde 198017.

Nuestro análisis sugirió que las actividades antropogénicas y los factores naturales tienen un impacto significativo en los niveles de nutrientes ribereños. Además, los cambios en las políticas de gestión ambiental del agua han jugado un papel importante en la mejora de la calidad del agua. A medida que el estándar de control de descargas recibió atención gradualmente, la política de gestión ambiental del agua se transfirió para apuntar a la descarga de DQO desde 2000. Por lo tanto, las concentraciones de CODMn han disminuido desde entonces, especialmente en el río Amarillo y el río Huaihe (Figura complementaria 8). El Plan de Acción para la Prevención y el Control de la Contaminación del Agua en China se formuló en 2015 para fortalecer la prevención y el control de la contaminación del agua, y todas las áreas funcionales del agua deben cumplir con los requisitos de calidad del agua. Durante el período 2007-2017, las cargas de N y P exportadas desde la agricultura disminuyeron significativamente de 1.598 × 109 a 7.195 × 108 kg y de 1.087 × 108 a 7.62 × 107 kg, respectivamente38. Las concentraciones de TP y NH3-N también han disminuido con el cambio en la política hídrica en los últimos años (Fig. 4, Fig. 9 complementaria). Sin embargo, el TN no se incluyó en los objetivos de control de calidad del agua superficial de China en los últimos años y, por lo tanto, las concentraciones de TN no han disminuido significativamente (Figuras complementarias 3 y 10), lo que resultará en un posible perjuicio para los ecosistemas acuáticos. Por lo tanto, se deben tomar algunas medidas de mitigación para gestionar el N y restaurar la calidad del agua en China21.

I representa el control de descarga estándar utilizado entre 1980 y 2005; II representa el enfoque de control del monto total objetivo utilizado entre 2005 y 2015; y III representa la mejora de la calidad ambiental del agua entre 2015 y 2018. a Río Songhua; b Río Amarillo; c Río Huaihe; yd Río Yangtze.

Aunque las recientes disminuciones en las concentraciones de TP, NH3-N y CODMn en la mayoría de los ríos indican que las medidas de control de nutrientes de China han sido efectivas, debe tenerse en cuenta que alcanzar un buen estado ecológico requerirá un tiempo considerable (Figura complementaria 2). Actualmente, existen problemas dentro del sistema de gestión ambiental del agua de China, como estándares unificados de calidad ambiental del agua para todas las regiones, separación de la gestión de la cantidad de agua y la gestión de la calidad del agua, y la coordinación entre diferentes organizaciones de gestión. Los hallazgos de este estudio indican que China ahora necesita estrategias regionales de agua más flexibles para hacer frente a las diferentes tendencias regionales y fuentes de cargas de nutrientes en el agua dulce. La revisión en curso de la Ley de Control y Prevención de la Contaminación del Agua de China debería proponer cambios significativos a la actual estructura de gobernanza del agua y reflejar su flexibilidad entre regiones para reducir aún más las cargas de contaminantes y las concentraciones de nutrientes en los ríos.

Una vía sostenible es esencial para lograr una reducción de las concentraciones fluviales de TN, TP y NH3-N, así como de CODMn en un futuro próximo. Los 17 ODS tienen metas que son relevantes para la calidad del agua en los ríos de China10. Dos ODS, a saber, el ODS 6 “Agua limpia y saneamiento” y el ODS 14 “Vida bajo el agua”, son particularmente relevantes para la calidad del agua. Por ejemplo, reducir la contaminación por nutrientes en las aguas subterráneas poco profundas y en los recursos hídricos superficiales podría ayudar a lograr el acceso universal y equitativo al agua potable segura y asequible para 2030 (ODS 6.1)8. Lograr un aumento sustancial de la eficiencia en el uso del agua en todos los sectores y garantizar extracciones sostenibles y un suministro sostenible de agua dulce para abordar la escasez de agua para 2023 (ODS 6.4) podría reducir la contaminación por nutrientes en los sistemas hídricos mejorando la eficiencia en el uso del agua en la agricultura y modernizando el sistema doméstico. Redes de tuberías de aguas residuales para reducir la lixiviación de nutrientes y la escorrentía a las aguas. Reducir la exportación fluvial de nutrientes podría ayudar a alcanzar el objetivo de prevenir y reducir significativamente la contaminación marina de todo tipo (en particular la contaminación debida a actividades terrestres), incluida la contaminación por desechos marinos y nutrientes para 2025 (ODS 14.1)10 . Sobre la base de los objetivos de desarrollo sostenible, los recursos hídricos, el medio ambiente acuático, la ecología acuática y el riesgo hídrico deben considerarse juntos para lograr un buen estado ecológico en los ríos de China. Al formular políticas futuras, es necesario prestar especial atención a las descargas contaminantes, los sistemas de alcantarillado y el cambio climático en cuanto a su viabilidad económica, social, institucional y técnica para garantizar la eficacia de las políticas de control de la contaminación.

Los datos variables recopilados se examinaron utilizando un coeficiente de información máximo (MIC). En realidad, el proceso se basó en tres pasos: (1) MIC > 0,25; (2) eliminación de las variables de predicción con colinealidad (análisis de correlación de Spearman, R > 0,8); (3) retención del índice de predicción que tiene una alta correlación con un índice de respuesta (análisis de correlación de Spearman, R > 0,4). Los procesos generales inherentes a los modelos se representan en la Fig. 1. Utilizamos el método de apilamiento de modelos, que proporcionó una predicción compuesta basada en los resultados de múltiples modelos base (es decir, RF, SVM y KNN)20. El algoritmo de apilamiento de modelos utiliza un marco de aprendizaje de dos capas donde los resultados generados por los modelos base individuales se ingresan en otro modelo para generar predicciones finales39,40. El proceso de aprendizaje del modelo de apilamiento se clasifica en tres pasos: generación de apilamiento, poda de apilamiento e integración de apilamiento. La fase de generación de apilamiento se refiere principalmente a la generación de modelos base, mientras que los dos últimos pasos combinan de manera óptima las predicciones del modelo base para formar un conjunto final de predicciones utilizando un algoritmo de segundo nivel.

Se pueden utilizar diferentes métodos para combinar los modelos base, entre los cuales la combinación lineal es la más utilizada41,42,43. Un modelo de apilamiento lineal tiene una función de predicción expresada como:

donde y representa el objetivo de apilamiento; f1, f2, ⋯, fM denotan las predicciones del modelo base de M algoritmos individuales (M = 3 en este estudio); y wm (m = 1,⋯, M) es el peso asignado para cada modelo base. El problema clave con este enfoque radica en cómo obtener el conjunto óptimo de pesos (Fig. 1). Se adoptó un algoritmo basado en programación cuadrática para estimar el conjunto de pesos utilizando el paquete de software R. Luego asumimos que el conjunto de datos que pretendemos estimar son los pesos para N observaciones. Primero, se entrena un modelo base m utilizando el conjunto de datos sin la iésima observación. \({\hat{f}}_{m}^{-i}({{x}_{i}})\) representa la predicción del modelo m para la iésima observación. La estimación de los pesos se obtiene a partir de la regresión lineal de mínimos cuadrados de yi (valor observado de la iésima observación) sobre la combinación lineal de \({\hat{f}}_{m}^{-i}({{x }_{i}})\), m = 1,⋯, M. El conjunto óptimo de pesos de apilamiento se estima minimizando la siguiente función objetivo bajo dos restricciones:

donde \({\hat{\omega }}^{{st}}\) es la función objetivo, y xi se refiere a la iésima observación compuesta por todas las variables ambientales. Las dos restricciones anteriores son razonables si interpretamos las ponderaciones como probabilidades del modelo posterior. Vale la pena señalar que la i-ésima observación se elimina de los datos de entrenamiento cuando se entrena el modelo m para evitar asignar pesos injustamente altos a modelos con mayor complejidad44. Se puede ver información más detallada sobre el enfoque en la Información de respaldo.

El rendimiento de predicción de los conjuntos de datos de entrenamiento y prueba proporcionó información complementaria para la validación del modelo. El entrenamiento mostró principalmente robustez del modelo, es decir, estabilidad y equilibrio de la previsibilidad del modelo en presencia de mezcla de datos. Las pruebas miden el rendimiento del modelo con los datos invisibles y abordan la aptitud del modelo. En este contexto, utilizamos el coeficiente de correlación de Pearson (R2) como métrica estadística para cuantificar el rendimiento predictivo de los modelos (Tablas complementarias 1 a 5). Para complementar el coeficiente de correlación de Pearson y proporcionar una evaluación en profundidad de la precisión del modelo, calculamos el RMSE, NSE y MAE. NSE estima la correspondencia entre los valores observados y predichos45.

En este estudio, se empleó un modelo MLR para evaluar los factores que controlan los niveles de nutrientes en los cuerpos de agua. Los modelos MLR proporcionan información sobre las relaciones entre las variables de respuesta y múltiples variables explicativas. La influencia de cada variable explicativa sobre la variable de respuesta se determina en función de la relación entre los coeficientes de estandarización de diferentes variables explicativas y la suma de los valores absolutos de los coeficientes de estandarización totales46. La respuesta considerada y las variables explicativas se muestran en la Tabla complementaria 6. Este enfoque se ha aplicado ampliamente para simular la calidad del agua e identificar los factores determinantes clave3,32. El modelo MLR aplicado en este estudio utilizó una función de conexión para establecer la relación entre las variables de respuesta (concentraciones de nutrientes) y las variables explicativas (factores ambientales). Considerando una variable respuesta Y y p variables explicativas X1,…,Xp, y n observaciones para MLR, es decir:

donde \({\varepsilon }_{i} \sim N(0,{\delta }^{2})\) para i = 1, …, n. Después de probar la colinealidad de las variables predictivas, este estudio utilizó los datos medios anuales de las 613 subcuencas de 1980 a 2018 para ingresar los datos de 10 cuencas fluviales principales en el modelo por separado. El método de mínimos cuadrados ordinarios obtiene la mejor función minimizando la suma de cuadrados de los errores para estimar el coeficiente de estandarización. La importancia de los coeficientes estandarizados y las ecuaciones de ajuste se probaron mediante pruebas t y pruebas F, respectivamente46. Se utilizó el coeficiente estandarizado (r) entre variables de respuesta y variables explicativas para comparar la influencia de cada variable en la variabilidad de los nutrientes. La influencia, en este caso, se presenta como un porcentaje de contribución de cada variable de la siguiente manera:

donde Ci representa el porcentaje de contribución de la variable i, i = 1, 2, 3, ···, p, y ri representa el coeficiente estandarizado entre las variables de respuesta y la variable explicativa i.

En este estudio, se seleccionaron cuatro parámetros de calidad del agua, incluidos CODMn, TN, NH3-N y TP, para describir la calidad del agua en China. Se recopilaron datos mensuales entre 2003 y 2018 de 613 sitios de monitoreo de la calidad del agua de los ríos en las 10 principales cuencas fluviales del país del Centro Nacional de Monitoreo Ambiental de China (http://www.mee.gov.cn/hjzl/shj/dbszdczb//) . Las concentraciones de CODMn, TN, NH3-N y TP se analizaron en un laboratorio utilizando los procedimientos de prueba estándar recomendados por el Ministerio de Protección Ambiental de China47, que no cambiaron durante el período informado. Las diez cuencas fluviales incluían los ríos Songhua, Liaohe, Haihe, Amarillo, Huaihe, Yangtze, Sureste, Perla, Suroeste y Noroeste. También se recopilaron datos espaciales de las cuencas, incluidas las condiciones geográficas, las propiedades fisicoquímicas del suelo, las condiciones climáticas, el uso de la tierra, las descargas antropogénicas y el desarrollo socioeconómico (Tabla complementaria 6). Las elevaciones y pendientes de cada estación de monitoreo de agua se determinaron sobre la base de un modelo de elevación digital (resolución de 1 × 1 km) del Centro de Datos y Ciencia de Recursos y Medio Ambiente (http://www.resdc.cn/Default.aspx ). Las condiciones meteorológicas locales (por ejemplo, temperatura, precipitación, velocidad del viento e índice climático extremo) en el dominio espacial cubierto por la red nacional se obtuvieron del conjunto de datos CN05.1, que se obtuvo de la Administración Meteorológica de China y fue construido por el “ enfoque de anomalía”. La interpolación de datos entre sitios se basó en muchas observaciones de estaciones (–2400) en China48,49. El conjunto de datos tiene una resolución espacial de 0,25° × 0,25°. Las propiedades del suelo de cada subcuenca se extrajeron de un mapa digital de propiedades del suelo obtenido del Instituto de Ciencias del Suelo de la Academia de Ciencias de China (http://www.issas.cas.cn/). La escala del mapa digital de propiedades del suelo utilizado es 1:1.000.000. El conjunto de datos de uso de la tierra de China (con una resolución de 30 × 30 m) se obtuvo del Instituto de Ciencias Geográficas e Investigación de Recursos Naturales (IGSNRR, Academia China de Ciencias) (http://www.resdc.cn/Default. aspx). Los aportes antropogénicos netos de N y fósforo (P) (NANI y NAPI) se estimaron con base en los datos de actividad de descarga reportados y el coeficiente de descarga50,51. Los datos de la actividad de descarga se obtuvieron del Anuario estadístico chino (https://data.cnki.net/Yearbook/Navi?type=type&code=A). El producto interno bruto (PIB) y la densidad de población (POP) representan dos indicadores socioeconómicos importantes que pueden afectar las fuentes de contaminación y la entrada de contaminantes a los cuerpos de agua52. La distribución espacial de los datos socioeconómicos (resolución de 1 × 1 km) se obtuvo del Centro de Datos y Ciencias de Recursos y Medio Ambiente del Instituto de Ciencias Geográficas e Investigación de Recursos Naturales de la Academia de Ciencias de China (https://www.resdc. cn/).

Los datos históricos del PIB y el POP se obtuvieron de los Anuarios estadísticos de China (1980-2018) (http://www.stats.gov.cn/english/Statisticaldata/). Los datos anuales de uso de la tierra para el COAC con una resolución de 30 × 30 m se obtuvieron del Centro Nacional de Datos Científicos del Sistema Terrestre durante un período de 39 años (1980-2018), que integra datos AVHRR, MODIS y Landsat utilizando el algoritmo BFAST. Los datos sobre la calidad del agua se obtuvieron del Centro Nacional de Monitoreo Ambiental de China (https://szzdjc.cnemc.cn:8070/GJZ/Business/Publish/Main.html). Todos los datos también están disponibles inmediatamente del autor correspondiente previa solicitud razonable. Los sitios del Centro Nacional de Datos Científicos del Sistema Terrestre de China y el Centro Nacional de Monitoreo Ambiental de China se pueden traducir al inglés mediante el complemento Google Translate en Chrome o el sitio Google Translate para traducción de sitios web (https://translate.google.com/? sl=zh-CN&tl=en&op=sitios web).

Grill, G. y col. Mapeo de los ríos que fluyen libremente del mundo. Naturaleza 569, 215–221 (2019).

Artículo CAS Google Scholar

Palmer, M. & Ruhi, A. Vínculos entre el régimen de flujo, la biota y los procesos ecosistémicos: implicaciones para la restauración de los ríos. Ciencia 365, eaaw2087 (2019).

Artículo CAS Google Scholar

Sinha, E., Michalak, A. y Balaji, V. La eutrofización aumentará durante el siglo XXI como resultado de los cambios en las precipitaciones. Ciencia 357, 405–408 (2017).

Artículo CAS Google Scholar

Strokal, M. y col. Modelización global de la calidad del agua con múltiples contaminantes: desafíos científicos y direcciones futuras. actual. Opinión. Reinar. Sostener. 36, 116-125 (2019).

Artículo de Google Scholar

Vorosmarty, C. y col. Amenazas globales a la seguridad hídrica humana y la biodiversidad fluvial. Naturaleza 467, 555–561 (2010).

Artículo CAS Google Scholar

Naciones Unidas. Metas de desarrollo sostenible. https://www.un.org/sustainabledevelopment/water-and-sanitation/ (2020)

Lu, Y. y col. Cuarenta años de reforma y apertura: el progreso de China hacia un camino sostenible. Ciencia. Adv. 5, eau9413 (2019).

Artículo de Google Scholar

Tao, T. & Xin, K. Un plan sostenible para el agua potable de China: abordar la contaminación y utilizar diferentes grados de agua para diferentes tareas es más eficiente que hacer que toda el agua sea potable. Naturaleza 511, 527–529 (2014).

Artículo CAS Google Scholar

Chen, X. et al. Modelado a múltiples escalas de la contaminación por nutrientes en los ríos de China. Reinar. Ciencia. Tecnología. 53, 9614–9625 (2019).

Artículo CAS Google Scholar

Wang, M. y col. Tener en cuenta las interacciones entre los Objetivos de Desarrollo Sostenible es esencial para el control de la contaminación del agua en China. Nat. Comunitario. 13, 730 (2022).

Artículo CAS Google Scholar

Huang, J. y col. ¿Cuán exitosos son los esfuerzos de restauración de los lagos y embalses de China? Reinar. En t. 123, 96-103 (2019).

Artículo CAS Google Scholar

Ma, T. y col. Mejora de la calidad de las aguas superficiales continentales de China desde 2003. Sci. Adv. 6, eau3798 (2020).

Artículo CAS Google Scholar

Ministerio de Ecología y Medio Ambiente, Boletín Anual de Ecología y Medio Ambiente de China de la República Popular China. https://www.mee.gov.cn/hjzl/shj/qgdbszlzk/ (2022).

Xia, X. y col. El ciclo del nitrógeno en los sistemas fluviales: fuentes, transformación y flujo. Reinar. Ciencia. -proc. Diablillo. 20, 863–891 (2018).

CAS Google Académico

Wang, S. y col. Reducción del transporte de sedimentos en el río amarillo debido a cambios antropogénicos. Nat. Geociencias. 9, 38–42 (2016).

Artículo CAS Google Scholar

Huang, F., Wang, X., Lou, L., Zhou, Z. y Wu, J. Variación espacial y reparto de fuentes de contaminación del agua en el río Qiantang (China) utilizando técnicas estadísticas. Agua Res. 44, 1562-1572 (2010).

Artículo CAS Google Scholar

Huang, J. y col. Caracterización de la calidad del agua de los ríos en China: avances recientes y desafíos actuales. Agua Res. 201, 117309 (2021).

Artículo CAS Google Scholar

Zhou, Y. et al. Mejorar la calidad del agua en China: la inversión ambiental da dividendos. Agua Res. 118, 152-159 (2017).

Artículo CAS Google Scholar

Ma, C. y col. Mejorar la estimación de las concentraciones de nitrógeno y fósforo en lagos y embalses mediante un enfoque apilado. El futuro de la Tierra 11, e2022EF003013 (2023).

Artículo CAS Google Scholar

Chen, K. y col. Análisis comparativo del rendimiento de la predicción de la calidad del agua superficial e identificación de parámetros clave del agua utilizando diferentes modelos de aprendizaje automático basados en big data. Agua Res. 171, 115454 (2020).

Artículo CAS Google Scholar

Yu, C. y col. Gestión del nitrógeno para restaurar la calidad del agua en China. Naturaleza 567, 516–520 (2019).

Artículo CAS Google Scholar

Tong, Y. y col. Disminución de la concentración de fósforo en los lagos chinos acompañada de un cambio en las fuentes desde 2006. Nat. Geociencias. 10, 507–511 (2017).

Artículo CAS Google Scholar

He, GZ, Zhang, L., Mol, APJ, Lu, Y. & Liu, J. Revisión de la ley ambiental de China. Ciencia 341, 133 (2013).

Artículo CAS Google Scholar

Zhang, B. Plan quinquenal: supervisar la política medioambiental china. Naturaleza 534, 179 (2015).

Artículo de Google Scholar

Ongley, ED, Zhang, X. & Yu, T. Estado actual de la evaluación de la contaminación de fuentes difusas agrícolas y rurales en China. Reinar. Contaminación. 158, 1159-1168 (2010).

Artículo CAS Google Scholar

Shen, Z., Liao, Q., Hong, Q. y Gong, Y. Una descripción general de la investigación sobre modelos de contaminación agrícola de fuentes difusas en China. Sep. Purif. Tecnología. 84, 104-111 (2012).

Artículo CAS Google Scholar

Huo, S. y col. Diferencias espaciotemporales en los flujos fluviales de nitrógeno y fósforo y factores asociados en China de 1980 a 2018. Chemosphere 310, 136827 (2023).

Artículo CAS Google Scholar

Lapierre, JF, Guillemette, F., Berggren, M. & Giorgio, PD Los aumentos del carbono derivado terrestre estimulan el procesamiento del carbono orgánico y las emisiones de CO2 en los ecosistemas acuáticos boreales. Nat. Comunitario. 4, 2972 (2013).

Artículo de Google Scholar

Creed, IF et al. Efectos impulsados por el cambio global sobre la composición de la materia orgánica disuelta: implicaciones para las redes alimentarias de los lagos del norte. Globo. Cambiar Biol. 24, 3692–3714 (2018).

Artículo de Google Scholar

Zhou, J., Leavitt, PR, Zhang, Y. & Qin, B. Eutrofización antropogénica de lagos poco profundos: ¿es ocasional? Agua Res. 221, 118728 (2022).

Artículo CAS Google Scholar

Maavara, T. y col. Retención global de fósforo por represas de ríos. Proc. Acad. Nacional. Ciencia. 112, 15603–15608 (2015).

Artículo CAS Google Scholar

Isles, PDF, Xu, Y., Stockwell, JD y Schroth, AW Los cambios impulsados por el clima en los aportes de energía y masa alteran sistemáticamente la concentración de nutrientes y la estequiometría en regiones profundas y poco profundas del lago Champlain. Biogeoquímica 133, 201–217 (2017).

Artículo CAS Google Scholar

van Vliet, M. y col. Descarga global de ríos y temperatura del agua bajo el cambio climático. Globo. Reinar. Cambio 23, 450–464 (2013).

Artículo de Google Scholar

Yang, C., Yang, P., Geng, J., Yin, H. & Chen, K. Carga interna de nutrientes de sedimentos en el área más contaminada de un lago eutrófico poco profundo (lago Chaohu, China) y su contribución a la eutrofización del lago . Reinar. Contaminación. 262, 114292 (2020).

Artículo CAS Google Scholar

Raymond, C. y otros. Comprender y gestionar eventos extremos conectados. Nat. Subir. Chang 10, 611–621 (2020).

Artículo de Google Scholar

Green, MB, Nieber, JL, Johnson, G., Magner, J. & Schaefer, B. Influencia de la trayectoria del flujo en una relación N: P en dos cabeceras de corriente: un estudio de cuencas hidrográficas pareadas. J. Geophys. Res. Biogeoscos. 112, G03015 (2007).

Artículo de Google Scholar

Stockwell, J. y col. Impactos de las tormentas en la dinámica de la comunidad de fitoplancton en los lagos. Globo. Cambiar Biol. 26, 2756–2784 (2020).

Artículo de Google Scholar

Ministerio de Ecología y Medio Ambiente, Segundo Boletín del Censo Nacional de Fuentes de Contaminantes de la República Popular China. http://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/t20200610_783547.html. (2020)

Zhai, B. & Chen, J. Desarrollo de un modelo de conjunto apilado para pronosticar y analizar concentraciones promedio diarias de pm 2,5 en Beijing, China. Ciencia. Medio ambiente total. 635, 644–658 (2018).

Artículo CAS Google Scholar

Rice, JS y Emanuel, RE ¿Cómo se ven afectadas las respuestas de los caudales a la oscilación sur de El Niño por las características de la cuenca? Recurso Acuático. Res. 53, 4393–4406 (2017).

Artículo de Google Scholar

Li, W. y col. Estimación de la concentración de oxígeno disuelto en la cuenca del río Perla mediante selección de variables de entrada y técnicas de aprendizaje automático. Ciencia. Medio ambiente total. 731, 139099 (2020).

Artículo CAS Google Scholar

Shen, LQ, Amatulli, G., Sethi, T., Raymond, P. y Domisch, S. Estimación de concentraciones de nitrógeno y fósforo en arroyos y ríos, dentro de un marco de aprendizaje automático. Ciencia. Datos 7, 161 (2020).

Artículo CAS Google Scholar

Visser, H. y col. ¿Qué impulsa la calidad ecológica de las aguas superficiales? Una revisión de 11 herramientas de modelado predictivo. Agua Res 208, 117851 (2022).

Artículo CAS Google Scholar

Friedman, J., Hastie, T., Tibshirani, R. Los elementos del aprendizaje estadístico. vol. 1. Springer Series in Statistics, Nueva York, NY, EE. UU. https://doi.org/10.1007/978-0-387-84858-7 (2001).

Jiang, S., Zheng, Y. y Solomatine, D. Mejora del conocimiento del conocimiento de las geociencias por parte del sistema de IA: integración simbiótica de enfoques físicos y aprendizaje profundo. Geofís. Res. Letón. 47, 1-11 (2020).

Artículo de Google Scholar

Korkmaz, M. Un estudio sobre la fórmula general de regresión suma de cuadrados en regresión lineal múltiple. Número. Parte de métodos. DE 37, 406–421 (2020).

Artículo de Google Scholar

Eurodiputado por la PCR. Métodos de seguimiento y análisis de agua y aguas residuales. Prensa de Ciencias Ambientales de China, Beijing (2002).

Xu, Y. et al. Un conjunto de datos de temperatura diaria en China y su aplicación para validar una simulación RCM. Adv. Atmos. Ciencia. 26, 763–772 (2009).

Artículo CAS Google Scholar

Wu, J. & Gao, X. Un conjunto de datos de observación diaria cuadriculados sobre la región de China y comparación con otros conjuntos de datos. Mentón. J. Geophys. 56, 1102-1111 (2013).

Google Académico

Goyette, JO, Bennett, EM, Howarth, RW y Maranger, R. Cambios en los aportes antropogénicos de nitrógeno y fósforo a la subcuenca del St. Lawrence durante 110 años e impactos en la exportación fluvial. Globo. Biogeoquímica. Ciclos 30, 1000-1014 (2016).

Artículo CAS Google Scholar

Hu, M. y col. Cambios a largo plazo (1980-2015) en los aportes netos de fósforo antropogénico y en la exportación fluvial de fósforo en la cuenca del río Yangtze. Agua Res. 177, 115779 (2020).

Artículo CAS Google Scholar

Xia, X. y col. Analizar la contribución del cambio climático a las variaciones a largo plazo en las fuentes de nitrógeno de los sedimentos para embalses/lagos. Ciencia. Medio ambiente total. 523, 64–73 (2015).

Artículo CAS Google Scholar

Descargar referencias

La Fundación Nacional de Ciencias Naturales de China (No. 52225903, U2243209) y el Programa Nacional Clave de Investigación y Desarrollo de China (2022YFC3201900) apoyaron este estudio.

Estos autores contribuyeron igualmente: Hanxiao Zhang, Xianghui Cao.

Laboratorio Estatal Clave de Criterios Ambientales y Evaluación de Riesgos, Academia China de Investigación de Ciencias Ambientales, Beijing, 100012, China

Hanxiao Zhang, Shouliang Huo, Chunzi Ma y Fengchang Wu

Instituto de Vigilancia Ambiental Geológica de China, Beijing, 100081, China

Xianghui Cao

Oficina del Agua, Centro Nacional de Monitoreo Ambiental de China, Beijing, 100012, China

Wenpan Li

Laboratorio Clave de Ciencias del Agua y los Sedimentos Ministerio de Educación, Facultad de Ingeniería y Ciencias Ambientales, Universidad de Pekín, Beijing, 100871, China

Yong Liu

Facultad de Ingeniería y Ciencias Ambientales, Universidad de Tianjin, Tianjin, 300072, China

Ying Dong Tong

También puedes buscar este autor en PubMed Google Scholar.

HZ y XC recopilaron y analizaron datos además de redactar el manuscrito. SH concibió la idea y el diseño del estudio. CM, YL, YT y FW revisaron el manuscrito.

Correspondencia a Shouliang Huo.

Los autores declaran no tener conflictos de intereses.

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

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

Reimpresiones y permisos

Zhang, H., Cao, X., Huo, S. et al. Cambios en la calidad del agua de los ríos de China desde 1980: implicaciones de gestión del desarrollo sostenible. npj Agua Limpia 6, 45 (2023). https://doi.org/10.1038/s41545-023-00260-y

Descargar cita

Recibido: 06 de febrero de 2023

Aceptado: 23 de mayo de 2023

Publicado: 06 de junio de 2023

DOI: https://doi.org/10.1038/s41545-023-00260-y

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

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

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Noticias