banner

Nachricht

May 26, 2024

Veränderungen in der Flusswasserqualität Chinas seit 1980: Managementauswirkungen einer nachhaltigen Entwicklung

npj Clean Water Band 6, Artikelnummer: 45 (2023) Diesen Artikel zitieren

863 Zugriffe

Details zu den Metriken

Menschliche Aktivitäten und der Klimawandel bedrohen die Wasserqualität in Chinas Flüssen. Wir haben die monatlichen Konzentrationen von Gesamtstickstoff (TN), Ammoniak-Stickstoff (NH3-N), Gesamtphosphor (TP) und chemischem Sauerstoffbedarf (CODMn) in 613 Unterwassereinzugsgebieten der 10 größten Flusseinzugsgebiete des Landes im Jahr 1980 simuliert –2050-Zeitraum basierend auf einem 16-jährigen (2003–2018) Überwachungsdatensatz unter Verwendung der Stapelmodelle für maschinelles Lernen. Die Ergebnisse zeigten, dass sich die Wasserqualität deutlich verbesserte, mit Ausnahme der TN-Konzentration, was wahrscheinlich auf das Fehlen eines TN-Kontrollziels und eines Bewertungssystems zurückzuführen war. Die quantitative Analyse ergab, dass anthropogene Faktoren im Vergleich zu klimatischen und geografischen Faktoren für die TN-, TP- und NH3-N-Konzentrationen die primären Einflussfaktoren waren. Auf der Grundlage aller 17 Ziele für nachhaltige Entwicklung (SDGs), die für die Wasserqualität in China relevant sind, sollten die Wasserressourcen, die Wasserumwelt, die Gewässerökologie und die Wassersicherheit gemeinsam betrachtet werden, um Verbesserungen im ökologischen Zustand der Flüsse Chinas zu erreichen.

Flüsse sind wichtige Kanäle für die Migration und den Transport von Stoffen zwischen Land und Seen oder Ozeanen und bieten reichlich Süßwasserressourcen für Trinkwasser, Bewässerung, Aquakultur, Schifffahrt und Stromerzeugung1,2. Flussökosysteme erleben jedoch eine weitreichende Verschlechterung und sind weltweit durch anthropogene Aktivitäten und den Klimawandel bedroht3,4. Eine globale Studie ergab, dass fast 80 % (4,8 Milliarden) der Weltbevölkerung (Stand 2000) in Gebieten leben, in denen die menschliche Wassersicherheit stark gefährdet ist (>75 %). Noch schlimmer ist, dass ein Drittel der Weltbevölkerung keinen Zugang zu sauberem Trinkwasser hat6. Angesichts der aktuellen Herausforderungen ist es dringend erforderlich, die Bedrohungen der Flusswasserqualität über einen breiten Zeit- und Raumbereich hinweg zu diagnostizieren, die zugrunde liegenden Ursachen zu beheben und die Bedrohungen von der Quelle her zu begrenzen, um die Süßwasserressourcen der Flüsse zu schützen5.

Chinas Flüsse haben seit der Reform und Öffnung Chinas im Jahr 1978 aufgrund des unbestreitbaren Drucks der wirtschaftlichen Entwicklung auf die Umwelt erhebliche Beeinträchtigungen der Wasserqualität erlitten. Die Wasserverschmutzung in China ist nachweislich eine der Hauptursachen für den Wassermangel von 40 Milliarden Kubikmetern China pro Jahr8. Der erhöhte Eintrag anthropogener Nährstoffe ist eine entscheidende Ursache für die verminderte Wasserqualität in chinesischen Flüssen. Schätzungen aus Multiskalenmodellen zufolge betrug der gesamte Eintrag von gelöstem Stickstoff (TDN) und insgesamt gelöstem Phosphor (TDP) in Flüsse in China im Jahr 2012 28 Tg bzw. 3 Tg9. Darüber hinaus wurden überschüssige Nährstoffe aus Flüssen in Seen und ins Meer transportiert, was zu häufigen Blüte- und Flutereignissen führte und die Gesundheit von Mensch und Wasser sowie die Ökosystemleistungen gefährdete10. Glücklicherweise verbesserte sich die Binnenwasserqualität in ganz China von 2003 bis 2017 deutlich oder blieb landesweit auf einem günstigen Niveau, was auf einen Rückgang der Nährstoffeinträge zurückzuführen ist11,12. Im Jahr 2022 ergab eine landesweite Untersuchung von 3641 Probenahmestellen in Flüssen, Seen und Stauseen in ganz China, dass 12,1 % der Probenahmestellen eine Wasserqualität hatten, die niedriger als Klasse III gemäß dem China Surface Water Environmental Quality Standard (GB3838-2002) war, während 0,7 % der Probenahmestellen eine niedrigere Wasserqualität als Klasse III aufwiesen % der Standorte hatten einen schwerwiegenderen Zustand, der sogar schlimmer als Klasse V13 war. In den letzten vier Jahrzehnten seit der Reform und Öffnung ist es vor dem Hintergrund des Gleichgewichts zwischen wirtschaftlicher Entwicklung und Umweltschutz wichtig, die Wasserqualitätsmuster und zugrunde liegenden Mechanismen in Chinas Flüssen zu identifizieren, um Referenzen und Informationen für den Schutz der Flusswasserqualität bereitzustellen Entwicklungsländer7.

Mehrere Studien haben sich den Mustern der Wasserqualität in Chinas Flüssen und den damit verbundenen Einflussfaktoren gewidmet, beispielsweise der Quantifizierung der Einträge von N und P in chinesische Flüsse aus verschiedenen Quellen auf mehreren Skalen9, dem Nährstoffkreislauf in Flusssystemen einschließlich Quellen, Transformation usw Wasserfluss14,15 und die räumlichen Wasserqualitätsmuster und kritischen Kovariaten der Flussbeeinträchtigung12,16,17,18. Es bestehen jedoch immer noch Lücken im Verständnis der räumlich-zeitlichen Variation und des zugrunde liegenden Mechanismus der Wasserqualität der chinesischen Flüsse in den letzten vier Jahrzehnten. Erstens ist das Fehlen langfristiger landesweiter Überwachungsdaten mit regelmäßiger Häufigkeit der größte Engpass bei der Untersuchung der Auswirkungen auf die Flusswasserqualität, da die nachvollziehbaren und verfügbaren Überwachungsdaten erst ab dem Jahr 200312,19 reichen. Zweitens unterliegt die Identifizierung der treibenden Mechanismen der Variation der Flusswasserqualität der zeitlichen und räumlichen Skalenauflösung von Faktormodellen und erklärenden Variablen (einschließlich natürlicher geografischer Merkmale, sozioökonomischer Indikatoren, Landnutzungsdaten und meteorologischer Faktoren)12,17. Schließlich ist es eine Herausforderung, die Hindernisse für wissenschaftliche Forschung und Managementanwendungen zu überwinden und das Verständnis der historischen Schwankungen der Flusswasserqualität und der Antriebsmechanismen auf das zukünftige Wasserqualitätsmanagement und die Erreichung der Ziele für nachhaltige Entwicklung (SDGs)7,10 anzuwenden.

In der Studie wurden monatliche 16-Jahres-Daten (2003–2018) von 613 Standorten zur Überwachung der Flusswasserqualität sowie Wassereinzugsgebietsmerkmale (z. B. Längengrad, Breitengrad, Landnutzungsmuster, anthropogene Netto-N/P-Einträge und Bodeneigenschaften) zusammengestellt. und Klimabedingungen auf nationaler Ebene, um eine Reihe stapelbarer Modelle für maschinelles Lernen zu erstellen. Die Stapelmodelle für maschinelles Lernen integrierten die Ergebnisse der verschiedenen Basismodelle, was die Varianz verringern und die Stabilität des endgültigen Modells verbessern könnte20. Basierend auf früheren Studien wurden drei Basismodelle aufgrund ihrer hohen Beliebtheit und Leistung ausgewählt, darunter Random Forest (RF), Support Vector Machine (SVM) und k-Nearest Neighbors (KNN)19,20. Das Stapelmodell wurde verwendet, um die jährlichen und monatlichen Schwankungen der Flusswasserqualität im Zeitraum 1980 bis 2018 zu simulieren und vorherzusagen (Abb. 1). Anschließend verwenden wir zwei Zukunftsszenarien (SSP2-RCP4.5 und SSP5-RCP8.5), um die dekadischen Trends der Wasserqualität zwischen 2020 und 2050 vorherzusagen. Mehrere lineare Regressionsmodelle (MLR) und Korrelationsanalysen wurden verwendet, um die relativen Beiträge anthropogener, klimatischer und geografischer Faktoren zu Veränderungen der Fluss-TN, NH3-N und TP sowie des CODMn zu quantifizieren. Auf der Grundlage der Beziehungen der SDGs zur Wasserqualität wurden nachhaltige Strategien für das Wasserqualitätsmanagement vorgeschlagen, um eine bessere aquatische Umwelt für Chinas Flüsse und andere Entwicklungsländer zu erreichen.

Details zum Modellstapelprozess, einschließlich Datenverarbeitung, Stapelmodell, zehnfacher Kreuzvalidierung und Modellanwendung. Überwachungsdaten der TN-, TP-, NH3-N- und CODMn-Konzentration von 2003 bis 2018 werden verwendet, um die monatlichen Daten von 1980 bis 2018 und die interdekadischen Daten 2020–2050 in zwei Zukunftsszenarien (SSP2-RCP4.5 und SSP5-) zu stimulieren. RCP8.5).

Der Vergleich zwischen gemessenen und vorhergesagten Werten in den 10 großen Flusseinzugsgebieten zeigte, dass unsere maschinellen Lernmodelle im Allgemeinen in der Lage waren, TN-, TP-, NH3-N- und CODMn-Konzentrationen mit einem Signifikanzniveau von p < 0,01 und mit einer geschätzten geringen Vorhersageverzerrung nachzubilden unter Verwendung des R2, des quadratischen Mittelfehlers (RMSE), der Nash-Sutcliffe-Effizienz (NSE) und des mittleren absoluten Fehlers (MAE) (ergänzende Abbildung 1, ergänzende Tabelle 1). Die Genauigkeitsstatistiken der 10-fachen Kreuzvalidierung von Test- und Validierungsdatensätzen zeigten auch die Güte der Anpassung und Vorhersagekraft des Stapelmodells für TN-, TP-, NH3-N- und CODMn-Konzentrationen (Ergänzungstabellen 2–5). Obwohl dieses datengesteuerte Stapelmodell für maschinelles Lernen eine begrenzte Interpretierbarkeit und Ableitbarkeit aufwies, erwies es sich aufgrund seiner Robustheit und Stabilität in der Induktionsfähigkeit des gebildeten Ensembles für maschinelles Lernen als vielversprechend19,20.

Die Konzentrationstrends von TN, TP, NH3-N und CODMn waren von 1980 bis 2018 landesweit unterschiedlich (Abb. 2a–d). Der Anteil der Probenahmestellen mit simulierten TN-Konzentrationen von weniger als 1,5 mg L-1 betrug in den Jahren 1980, 1990, 2000, 2010, 2015 und 2018 19,83 %, 20,25 %, 19,60 %, 18,65 %, 17,41 % bzw. 18,12 % . Diese Trends deuten darauf hin, dass die TN-Belastung während des Beobachtungszeitraums zugenommen hat. Derzeit gibt es zwar einen Schwellenwert für Fluss-TN-Konzentrationen im China Surface Water Environmental Quality Standard (d. h. 1 mg L−1 für Klasse III), dieser wurde jedoch vom Wasserumweltmanagement nicht in das Bewertungssystem einbezogen21. Die NH3-N-Konzentrationen stiegen von 1980 bis 2010 und gingen dann von 2010 bis 2018 zurück. CODMn stieg von 1980 bis 2000 an und sank dann von 2000 bis 2018 (Abb. 2). Dieses Ergebnis stimmt im Allgemeinen mit den Ergebnissen einer früheren Studie überein, in der festgestellt wurde, dass die NH3-N- und CSB-Konzentrationen von 2003 bis 2017 insgesamt zurückgegangen sind, basierend auf monatlichen Überwachungsdaten aus Binnengewässern (einschließlich Flüssen und Seen) in China12. Die TP-Konzentrationen stiegen von 1980 bis 2015 und gingen dann von 2015 bis 2018 zurück (Abb. 2). Im Jahr 2000 schlug die chinesische Regierung den Plan zur Kontrolle der Gesamtmenge an Schadstoffen vor, der den COD als einen der Kontrollindizes von 12 Hauptschadstoffen berücksichtigte, und es wurden bemerkenswerte Ergebnisse erzielt7,22. Das 2008 erlassene Gesetz der Volksrepublik China zur Verhütung und Kontrolle der Wasserverschmutzung hat die Vorschriften zum Gewässerumweltschutz streng verschärft23. Dann wurde der Aufbau einer ökologischen Zivilisation im Jahr 2012 zu einer nationalen Strategie erhoben, und im 13. 5-Jahres-Umfassenden Arbeitsplan von 2016 bis 202024 wurden eine Reihe von Emissionsreduktionszielen für TP, COD und NH3-N festgelegt Es ist nicht zu erwarten, dass die Nährstoffkonzentrationen unter dem Einfluss zukünftiger menschlicher Aktivitäten und des Klimawandels abnehmen (ergänzende Abbildung 2). Daher ist die reibungslose Umsetzung dieser Richtlinien und Aktionspläne weiterhin erforderlich, um das Wirtschaftswachstum schrittweise von seinen Umweltauswirkungen zu entkoppeln7,10.

Die Tafeln a–d zeigen die kumulativen Anteile der stimulierten jährlichen Durchschnittskonzentration von TN, TP, NH3-N und CODMn in Chinas Flüssen. e–h Durchschnittliche Nährstoffkonzentrationen in 613 Flüssen Chinas von 1980 bis 2018 (mg L−1). Die Größe des blauen Kreises stellt die durchschnittlichen Nährstoffkonzentrationen für die 10 großen Einzugsgebiete im Zeitraum 1980 bis 2018 dar.

Aufgrund der unterschiedlichen geografischen Bedingungen zwischen den Wassereinzugsgebieten unterschieden sich die Änderungen der Nährstoffkonzentrationen zwischen den Einzugsgebieten im Zeitraum 1980–2018 (Ergänzende Abbildungen 3–6). Mit Ausnahme des Huaihe River (n = 48, p < 0,05, r = −0,21) stiegen die durchschnittlichen TN-Konzentrationen an, insbesondere im Southeast River (n = 41, p < 0,05, r = 0,86) und im Pear River (n =). 66, p <0,01, r = 0,97), wobei die zeitlichen Trends statistisch signifikant waren (ergänzende Abbildung 3). Die durchschnittlichen TP-Konzentrationen gingen in den meisten Einzugsgebieten Chinas zurück, insbesondere im Songhua-Fluss (n = 45, p < 0,05, r = –0,75) und im Gelben Fluss (n = 67, p < 0,01, r = –0,76) (Ergänzende Abbildung). . 4). Allerdings zeigten die NH3-N-Konzentrationen und CODMn in einigen Becken mehrere phasenweise Veränderungen. Die NH3-N- und CODMn-Konzentrationen stiegen zu Beginn des Beobachtungszeitraums an, wohingegen die NH3-N- und CODMn-Konzentrationen in den letzten Jahren in den meisten Regionen Chinas abnahmen (Ergänzende Abbildungen 5, 6).

Unsere Ergebnisse zeigen, dass die TN-Konzentrationen zwischen 1980 und 2018 in Ostchina erhebliche räumliche Schwankungen mit schlechterer Wasserqualität aufwiesen (p <0,01; Abb. 2e). Die TP-, NH3-N- und CODMn-Konzentrationen variierten nicht signifikant zwischen den Becken (Abb. 2f – h). Der Anteil der Probenahmestellen mit einer TN-Konzentration von mehr als 1,5 mg L−1 betrug 62,3 %, was darauf hindeutet, dass TN unter den aktuellen Wasserqualitätsstandards in den meisten Regionen Chinas ein relativ ernstes Verschmutzungsproblem darstellt. Der Anteil der Probenahmestellen mit simulierten Beobachtungen, an denen die TP-Konzentration mehr als 0,2 mg L-1, die NH3-N-Konzentration mehr als 1,0 mg L-1 und der Anteil der CODMn-Konzentration mehr als 6,0 mg L-1 betrug, betrug 13,3 %. 16,3 % und 13,7 %. Im Vergleich zur historischen Nährstoffverteilung ist der Anteil mit höheren Konzentrationen im Zeitraum 2020–2050 gestiegen (ergänzende Abbildung 7). Unter dem SSP2-RCP4.5-Szenario sind die Anteile der simulierten Beobachtungen, bei denen die TN-Konzentration größer als 1,5 mg L-1 ist, die TP-Konzentration größer als 0,2 mg L-1 ist, die NH3-N-Konzentration größer als 1,0 mg L-1 ist und Der Anteil der CODMn-Konzentration beträgt mehr als 6,0 mg L−1 und beträgt 75,8 %, 18,2 %, 40,2 % bzw. 17,6 %. Im SSP5-RCP8.5-Szenario der Anteil der gesamten simulierten Beobachtungen, bei denen die TN-, TP-, NH3-N- und CODMn-Konzentration größer als 1,5 mg L−1, 0,2 mg L−1, 1,0 mg L−1 und 6,0 ​​mg L war −1 sind 75,2 %, 19,6 %, 43,2 % bzw. 17,5 %. Die Ergebnisse machen deutlich, dass menschliche Aktivitäten und der Klimawandel die Nährstoffkonzentrationen in den Flüssen erheblich beeinflussen werden, insbesondere in den Flüssen Gelb, Huaihe und Haihe (p < 0,01).

Die mit der Nährstoffkonzentration verbundenen Kovariaten wurden in drei Kategorien unterteilt, darunter anthropogene, klimatische und geografische Faktoren. Die Beitragsverhältnisse dieser anthropogenen, klimatischen und geografischen Faktoren für die Nährstoffkonzentrationen werden quantifiziert, indem Daten aus jedem der 10 Flusseinzugsgebiete separat in das MLR-Modell eingegeben werden (Abb. 3a–d). Unter den berücksichtigten Kovariaten hatten die anthropogenen Prädiktoren einen größeren Beitrag (24,93–71,29 % für TN, 22,43–77,10 % für TP und 52,37–91,06 % für NH3-N) im Vergleich zu klimatischen Faktoren (21,51–58,83 % für TN, 17,73). –73,86 % für TP und 5,16–37,79 % für NH3-N) und geografische Faktoren (4,25–16,23 % für TN, 3,70–25,61 % für TP und 6,90–18,21 % für NH3-N) bei der Eingabe von Daten in das MLR Modell unter Verwendung der Daten für jedes der 10 Flusseinzugsgebiete (Abb. 3a–d). Das Muster der Beitragsverhältnisse für die anthropogenen, klimatischen und geografischen Faktoren für CODMn unterschied sich jedoch zwischen den Flusseinzugsgebieten. Im Allgemeinen hatten die geografischen Faktoren einen größeren Beitrag (41,60 %) als die klimatischen Faktoren (25,55 %) und anthropogenen Prädiktoren (32,83 %) im Nordwestinlandfluss. Die klimatischen Faktoren hatten einen größeren Beitrag zur CODMn-Konzentration im Vergleich zu geografischen Faktoren und anthropogenen Prädiktoren im Songhua River, Yellow River, Huaihe River, Southwest River und Southeast River. Dieser Befund kann auf die Tatsache zurückzuführen sein, dass Flussstickstoff und Phosphor hauptsächlich aus anthropogenen Quellen stammen und daher in hohem Maße mit menschlichen Aktivitäten korrelieren25,26,27. Eine frühere Studie ergab, dass Punktquellen 75 % des TDP-Eintrags und landwirtschaftliche Nichtpunktquellen 72 % des TDN-Eintrags in chinesischen Flüssen im Jahr 2012 ausmachten9. Die möglichen CSB-Quellen stehen jedoch möglicherweise eher im Zusammenhang mit natürlichen Quellen, einschließlich endogene Quellen aus dem Abbau von Algen und Wasserpflanzen und der Freisetzung von Sedimenten sowie exogene Quellen aus der atmosphärischen Sedimentation und dem Import von Landvegetation und organischem Bodenmaterial28,29. Der durch den Klimawandel verursachte Temperaturanstieg, die hydrologische Intensivierung und extreme Wetterbedingungen beeinflussen den Zeitpunkt und das Ausmaß der Abgabe gelöster organischer Stoffe aus terrestrischen Ökosystemen in das Oberflächenwasser2,29.

a–d Prozentuale Beiträge anthropogener, klimatischer und geografischer Faktoren unter Verwendung einer multiplen linearen Regression. e–h Regressionskoeffizienten für jeden Prädiktor.

Darüber hinaus waren die Regressionskoeffizienten zwischen TN-, TP- und NH3-N-Konzentrationen und anthropogenen Treibern höher als die für natürliche Treiber und geografische Treiber (Abb. 3e – h). Unter den ausgewählten geografischen Faktoren trugen Höhe, Neigung, Gesamtstickstoff (STN) des Bodens, Gesamtphosphor (STP) und organische Substanz (SOM) des Bodens in den meisten Flusseinzugsgebieten deutlich zur Nährstoffvariabilität bei. Niederschlagsfaktoren (Pre und PRCPTOT) waren starke Prädiktoren für die Konzentrationen von TN, TP und CODMn in den 10 untersuchten Becken, mit Ausnahme von NH3-N. Im Gegensatz dazu war die Lufttemperatur (Atmr10) ein schwacher Prädiktor für die Nährstoffkonzentrationen in den 10 untersuchten Becken (Ergänzungstabelle 6).

In Bezug auf die ausgewählten anthropogenen Treiber zeigt unsere Analyse, dass der Prozentsatz von Ackerland, Waldland, Grünland, Stadtgebiet, Bevölkerung und anthropogenen N- und P-Einträgen kritische Kovariaten für den Nährstoffgehalt der Flüsse waren (Abb. 3e – h). Die Ausdehnung des städtischen Gebiets und des Ackerlandes innerhalb eines bestimmten Wassereinzugsgebiets zeigte einen durchweg positiven Zusammenhang mit den Nährstoffkonzentrationen. Im Gegensatz dazu zeigten Wald- und Grünlandflächen einen negativen Zusammenhang mit den Nährstoffkonzentrationen. Die Bevölkerung hatte eine deutliche Signatur hinsichtlich der Nährstoffgehalte in den Flüssen Songhua (NH3-N, TN, TP und CODMn), Huaihe (NH3-N und CODMn), Southwest (TP) und Northwest Inland (NH3-N und TP). Eine relevante, zuvor durchgeführte Studie nutzte die Intensität des nächtlichen Lichts zur Charakterisierung der Bevölkerung und kam zu dem Schluss, dass die Intensität des nächtlichen Lichts eine deutliche Signatur (Beitrag > 35 %) für die beiden Nährstoffgehalte (TP und NH3-N) im Gelben Flussbecken und im Perlflussbecken aufweist17. was sich von unserer Studie unterscheidet. Anthropogene N- und P-Einträge hatten höhere Beiträge zur Variabilität beider Nährstoffe in den Flüssen Songhua, Haihe, Huaihe, Yangtze, Südwest- und Nordwestbinnenland, wo ein etwas höherer Beitrag mit dem Regressionskoeffizienten von >1 registriert wurde (Abb. 3e– H). Die Ergebnisse deuten darauf hin, dass mit dem sozioökonomischen Wachstum die Flüsse in den westlichen und Binnenregionen Chinas (mit Ausnahme der östlichen Regionen) schwerwiegende Beeinträchtigungen der Wasserqualität verzeichneten, denen in Zukunft mehr Aufmerksamkeit geschenkt werden sollte.

Unser Versuch, die Signatur anthropogener Aktivitäten zu charakterisieren, erforderte eine Bewertung der Rolle natürlicher Faktoren wie meteorologische Bedingungen und geografische Merkmale bei der Gestaltung der Flusswasserqualität. Bei der Betrachtung aller 613 Unterwassereinzugsgebiete in ganz China konnte unsere Analyse einen schwachen negativen Zusammenhang zwischen Höhe und/oder Gefälle und Nährstoffkonzentrationen erkennen (Abb. 3e – h), was darauf hindeutet, dass Standorte in höheren Lagen und/oder steilere Gefälle aufwiesen wiesen geringere Nährstoffwerte auf. Im Allgemeinen nehmen anthropogene Aktivitäten mit abnehmender Höhe zu, und Ebenen und Tieflandgebiete sind anfällig für intensiven landwirtschaftlichen Anbau, Vieh- und Geflügelzucht, Stadtentwicklung und Bevölkerungszusammenballung30. Die Neigung des Wassereinzugsgebiets bestimmt die Geschwindigkeit des Wasserflusses und die Stärke der Bodenerosion. Im Vergleich zu Tieflandflüssen ist bei Gebirgsflüssen mit höherem Gefälle mit höheren Fließgeschwindigkeiten und stärkerer Erosion zu rechnen, was zu kürzeren Verweilzeiten des Wassers und einer geringeren Selbstreinigungskapazität der Flüsse führt2. Unsere Ergebnisse bestätigten die negative Korrelation zwischen der Höhe und der Nährstoffkonzentration der Flüsse Chinas und stellten fest, dass der theoretische positive Effekt des Gefälles auf die Nährstoffkonzentration durch andere menschliche Aktivitäten wie Aufstauungen zur Regulierung der Wasser- und Nährstoffretention ausgeglichen wurde17,31.

Der Zeitpunkt und das Ausmaß exogener Nährstoffeinträge sowie die Faktoren, die die interne Nährstoffmigration und -umwandlung in Flüssen fördern, können durch langfristige meteorologische Einflüsse beeinflusst werden32. Eine steigende Lufttemperatur beeinflusst das thermische Regime des Flusses sowie die physikalischen und chemischen Eigenschaften des Wassers (z. B. pH-Wert des Wassers, Salzgehalt, Löslichkeit, Viskosität und Diffusionsraten) und beeinflusst darüber hinaus biochemische Prozesse wie Nitrifikation, Denitrifikation, Sedimentmineralisierung usw Neuveröffentlichung14,33,34. Die Rolle von Niederschlägen oder extremen Niederschlägen ist auch ein entscheidender Faktor, der sich auf hydrologische Systeme auswirkt, einschließlich hydraulischer Eigenschaften, Wasserstand, Durchflussrate, Überschwemmungsmuster und Wasserkreisläufe3,35. Darüber hinaus werden Änderungen in der Menge, Häufigkeit und Intensität der Niederschläge Nährstoffe an Land durch Prozesse an der Oberfläche und unter der Oberfläche mobilisieren, um nicht punktuelle Verschmutzungen anzusammeln, und durch Erosion und Resuspension höhere Sedimentkonzentrationen freisetzen36,37. Eine frühere Studie legte nahe, dass der Niederschlag die zwischenjährliche Variabilität der Fluss-N-Belastung auf dem gesamten Festland der Vereinigten Staaten im Zeitraum 1987–2007 dominierte3. Unsere Ergebnisse zeigen, dass die Beziehung zwischen Nährstoffkonzentrationen in Flüssen und mittleren und extremen meteorologischen Faktoren je nach geografischer Region und Wasserqualitätsindikatoren variiert (Abb. 3), möglicherweise aufgrund der Kovarianz zwischen meteorologischen Faktoren und anderen natürlichen und menschlichen Aktivitätsvariablen14,33.

Im Vergleich zu den relativ geringen Auswirkungen der berücksichtigten klimatischen und geografischen Faktoren erwiesen sich die Bevölkerung, NANI/NAPI und der Prozentsatz bestimmter Landnutzungstypen als die stärkeren Prädiktoren für die Nährstoffgehalte in Flüssen (mit Ausnahme von CODMn) und erklärten die meisten davon Nährstoffvariation insgesamt (Abb. 3). Es wurde bestätigt, dass die kontinuierliche Urbanisierung und die intensive landwirtschaftliche Entwicklung tiefgreifende Auswirkungen auf die Nährstoffeinträge vom Land in die Flüsse hatten25,26. Es ist bemerkenswert, dass die durchschnittlichen Erklärungsraten der vorhergesagten Variablen, die nach dem Screening auf die Variationen der CODMn-, NH3-N-, TN- und TP-Konzentrationen in den 10 Flusseinzugsgebieten verwendet wurden, 52,92 %, 35,74 %, 72,15 % bzw. 31,97 % betrugen (Ergänzungstabelle 7). Maßnahmen zur Verschmutzungsbekämpfung, wie sie sich aus dem Anteil der Flächen mit Entwässerungssystemen und der Kapazität von Kläranlagen ergeben, sowie der Bau von Wasserschutzanlagen sollten aufgrund ihrer Auswirkungen auf den Nährstoffeintrag und die Migration von Flüssen in weiteren Studien berücksichtigt werden, obwohl dies der Fall ist Es ist in China seit 1980 schwierig, diese Daten mit hoher Auflösung und Genauigkeit zu sammeln17.

Unsere Analyse ergab, dass anthropogene Aktivitäten und natürliche Faktoren einen erheblichen Einfluss auf den Nährstoffgehalt der Flüsse haben. Darüber hinaus haben Änderungen in der Wasserumweltmanagementpolitik eine wichtige Rolle bei der Verbesserung der Wasserqualität gespielt. Als der Standard zur Einleitungskontrolle nach und nach Beachtung fand, wurde die Wasserumweltmanagementpolitik seit dem Jahr 2000 auf die Einleitung von COD übertragen. Daher sind die CODMn-Konzentrationen seitdem zurückgegangen, insbesondere im Gelben Fluss und im Huaihe-Fluss (ergänzende Abbildung 8). Der Aktionsplan zur Prävention und Kontrolle der Wasserverschmutzung in China wurde 2015 formuliert, um die Prävention und Kontrolle der Wasserverschmutzung zu stärken. Alle Wasserfunktionsbereiche müssen die Anforderungen an die Wasserqualität erfüllen. Im Zeitraum 2007–2017 sind die aus der Landwirtschaft exportierten N- und P-Frachten deutlich zurückgegangen, von 1,598 × 109 auf 7,195 × 108 kg bzw. 1,087 × 108 auf 7,62 × 107 kg38. Mit der Änderung der Wasserpolitik in den letzten Jahren sind auch die TP- und NH3-N-Konzentrationen zurückgegangen (Abb. 4, ergänzende Abb. 9). Allerdings wurde TN in den letzten Jahren nicht in die Qualitätskontrollziele Chinas für Oberflächengewässer einbezogen, und daher sind die TN-Konzentrationen nicht wesentlich zurückgegangen (ergänzende Abbildungen 3 und 10), was möglicherweise zu einer Beeinträchtigung der aquatischen Ökosysteme führen wird. Daher sollten einige Abhilfemaßnahmen ergriffen werden, um N zu verwalten und die Wasserqualität in China wiederherzustellen21.

I stellt die zwischen 1980 und 2005 verwendete Standard-Abflusskontrolle dar; II stellt den zwischen 2005 und 2015 verwendeten Ziel-Gesamtbetrag-Kontrollansatz dar; und III stellt die Verbesserung der Wasserumweltqualität zwischen 2015 und 2018 dar. ein Songhua-Fluss; b Gelber Fluss; c Huaihe-Fluss; und d Jangtsekiang.

Obwohl der jüngste Rückgang der TP-, NH3-N- und CODMn-Konzentrationen in den meisten Flüssen darauf hindeutet, dass Chinas Maßnahmen zur Nährstoffkontrolle wirksam waren, muss beachtet werden, dass das Erreichen eines guten ökologischen Zustands erhebliche Zeit in Anspruch nehmen wird (ergänzende Abbildung 2). Derzeit gibt es Probleme innerhalb des chinesischen Wasserumweltmanagementsystems, wie etwa einheitliche Wasserumweltqualitätsstandards für alle Regionen, die Trennung von Wassermengenmanagement und Wasserqualitätsmanagement sowie die Koordination zwischen verschiedenen Managementorganisationen. Die Ergebnisse dieser Studie deuten darauf hin, dass China nun flexiblere regionale Wasserstrategien benötigt, um mit den unterschiedlichen regionalen Trends und Quellen der Nährstoffbelastung von Süßwasser umzugehen. Die laufende Überarbeitung des chinesischen Gesetzes zur Verhütung und Kontrolle der Wasserverschmutzung sollte wesentliche Änderungen der aktuellen Wasserverwaltungsstruktur vorschlagen und deren Flexibilität zwischen den Regionen widerspiegeln, um die Schadstoffbelastung und Nährstoffkonzentrationen in Flüssen weiter zu reduzieren.

Ein nachhaltiger Weg ist unerlässlich, um in naher Zukunft eine Reduzierung der TN-, TP- und NH3-N-Konzentrationen im Fluss sowie des CODMn zu erreichen. Alle 17 SDGs haben Ziele, die für die Wasserqualität in Flüssen in China relevant sind10. Zwei SDGs, nämlich SDG 6 „Sauberes Wasser und Sanitärversorgung“ und SDG14 „Leben unter Wasser“, sind für die Wasserqualität besonders relevant. Beispielsweise könnte die Verringerung der Nährstoffverschmutzung in oberflächennahen Grundwasser- und Oberflächenwasserressourcen dazu beitragen, bis 2030 einen universellen und gleichberechtigten Zugang zu sicherem und erschwinglichem Trinkwasser zu erreichen (SDG 6.1)8. Durch die Erzielung einer erheblichen Steigerung der Wassernutzungseffizienz in allen Sektoren und die Sicherstellung nachhaltiger Entnahmen und einer nachhaltigen Süßwasserversorgung zur Bewältigung der Wasserknappheit bis 2023 (SDG 6.4) könnte die Nährstoffverschmutzung in Wassersystemen durch eine Verbesserung der Wassernutzungseffizienz in der Landwirtschaft und die Modernisierung der Haushalte verringert werden Abwasserrohrnetze, um die Auswaschung und den Abfluss von Nährstoffen in Gewässer zu reduzieren. Die Reduzierung des Nährstoffexports über Flüsse könnte dazu beitragen, das Ziel der Vermeidung und deutlichen Reduzierung von Meeresverschmutzung aller Art (insbesondere Verschmutzung durch landgestützte Aktivitäten), einschließlich Meeresschutt und Nährstoffverschmutzung, bis 2025 zu erreichen (SDG 14.1)10 . Auf der Grundlage nachhaltiger Entwicklungsziele sollten die Wasserressourcen, die Wasserumwelt, die Gewässerökologie und das Wasserrisiko gemeinsam betrachtet werden, um einen guten ökologischen Zustand in Chinas Flüssen zu erreichen. Bei der Formulierung zukünftiger politischer Maßnahmen muss besonderes Augenmerk auf Schadstoffeinleitungen, Abwassersysteme und den Klimawandel im Hinblick auf ihre wirtschaftliche, gesellschaftliche, institutionelle und technische Durchführbarkeit gelegt werden, um die Wirksamkeit der politischen Maßnahmen zur Verschmutzungskontrolle sicherzustellen.

Die gesammelten variablen Daten wurden mithilfe eines maximalen Informationskoeffizienten (MIC) gescreent. Tatsächlich basierte der Prozess auf drei Schritten: (1) MIC > 0,25; (2) Löschung der Vorhersagevariablen mit Kollinearität (Spearman-Korrelationsanalyse, R > 0,8); (3) Beibehaltung des Vorhersageindex, der eine hohe Korrelation mit einem Antwortindex aufweist (Spearman-Korrelationsanalyse, R > 0,4). Die den Modellen inhärenten allgemeinen Prozesse sind in Abb. 1 dargestellt. Wir verwendeten die Modellstapelmethode, die eine zusammengesetzte Vorhersage basierend auf den Ergebnissen mehrerer Basismodelle (d. h. RF, SVM und KNN) lieferte20. Der Modellstapelalgorithmus verwendet einen zweischichtigen Lernrahmen, bei dem die von einzelnen Basismodellen generierten Ausgaben in ein anderes Modell eingegeben werden, um endgültige Vorhersagen zu generieren39,40. Der Lernprozess des Stapelmodells ist in drei Schritte unterteilt: Stapelgenerierung, Stapelbereinigung und Stapelintegration. Die Phase der Stapelgenerierung bezieht sich hauptsächlich auf die Generierung von Basismodellen, während die letzten beiden Schritte die Basismodellvorhersagen optimal kombinieren, um mithilfe eines Algorithmus der zweiten Ebene einen endgültigen Satz von Vorhersagen zu bilden.

Zur Kombination der Basismodelle können verschiedene Methoden verwendet werden, wobei die Linearkombination am weitesten verbreitet ist41,42,43. Ein lineares Stapelmodell hat eine Vorhersagefunktion, ausgedrückt als:

wobei y das Stapelziel darstellt; f1, f2, ⋯, fM bezeichnen die Basismodellvorhersagen von M einzelnen Algorithmen (M = 3 in dieser Studie); und wm (m = 1,⋯, M) ist das jedem Basismodell zugewiesene Gewicht. Das Hauptproblem bei diesem Ansatz liegt darin, wie man den optimalen Satz an Gewichten erhält (Abb. 1). Zur Schätzung der Gewichtungen wurde ein auf quadratischer Programmierung basierender Algorithmus mithilfe des R-Softwarepakets übernommen. Wir haben dann angenommen, dass der Datensatz, dessen Gewichte wir für N Beobachtungen schätzen wollen, der Fall ist. Zunächst wird ein Basismodell m unter Verwendung des Datensatzes trainiert, wobei die i-te Beobachtung entfernt wurde. \({\hat{f}}_{m}^{-i}({{x}_{i}})\) stellt die Vorhersage des Modells m für die i-te Beobachtung dar. Die Schätzung der Gewichte wird aus der kleinsten quadratischen linearen Regression von yi (beobachteter Wert der i-ten Beobachtung) auf der linearen Kombination von \({\hat{f}}_{m}^{-i}({{x }_{i}})\), m = 1,⋯, M. Der optimale Satz von Stapelgewichten wird durch Minimierung der folgenden Zielfunktion unter zwei Einschränkungen geschätzt:

Dabei ist \({\hat{\omega }}^{{st}}\) die Zielfunktion und xi bezieht sich auf die i-te Beobachtung, die aus allen Umgebungsvariablen besteht. Die beiden oben genannten Einschränkungen sind sinnvoll, wenn wir die Gewichte als Wahrscheinlichkeiten des hinteren Modells interpretieren. Es ist erwähnenswert, dass die i-te Beobachtung aus den Trainingsdaten entfernt wird, wenn Modell m trainiert wird, um zu vermeiden, dass Modellen mit höherer Komplexität ungerechtfertigt hohe Gewichtungen zugewiesen werden44. Detailliertere Informationen zum Ansatz finden Sie in den Hintergrundinformationen.

Die Vorhersageleistung der Trainings- und Testdatensätze lieferte ergänzende Informationen für die Modellvalidierung. Das Training zeigte in erster Linie Modellrobustheit, d. h. Stabilität und Ausgewogenheit der Modellvorhersagbarkeit bei vorhandener Datenverschiebung. Beim Testen wird die Leistung des Modells anhand der unsichtbaren Daten gemessen und die Modellfitness untersucht. In diesem Zusammenhang verwendeten wir den Pearson-Korrelationskoeffizienten (R2) als statistische Metrik zur Quantifizierung der Vorhersageleistung der Modelle (Ergänzungstabellen 1–5). Um den Pearson-Korrelationskoeffizienten zu ergänzen und eine detaillierte Bewertung der Modellgenauigkeit zu ermöglichen, haben wir RMSE, NSE und MAE berechnet. NSE schätzt die Übereinstimmung zwischen beobachteten und vorhergesagten Werten45.

In dieser Studie wurde ein MLR-Modell eingesetzt, um die Faktoren zu bewerten, die den Nährstoffgehalt in den Gewässern steuern. MLR-Modelle bieten Einblicke in die Beziehungen zwischen den Antwortvariablen und mehreren erklärenden Variablen. Der Einfluss jeder erklärenden Variablen auf die Antwortvariable wird anhand des Verhältnisses der Standardisierungskoeffizienten verschiedener erklärender Variablen zur Summe der Absolutwerte der gesamten Standardisierungskoeffizienten46 bestimmt. Die berücksichtigten Antwort- und Erklärungsvariablen sind in der Ergänzungstabelle 6 aufgeführt. Dieser Ansatz wurde häufig angewendet, um die Wasserqualität zu simulieren und die wichtigsten Antriebsfaktoren zu identifizieren3,32. Das in dieser Studie verwendete MLR-Modell verwendete eine Verbindungsfunktion, um die Beziehung zwischen den Antwortvariablen (Nährstoffkonzentrationen) und erklärenden Variablen (Umweltfaktoren) herzustellen. Betrachtet man eine Antwortvariable Y und p erklärende Variablen X1,…,Xp und n Beobachtungen für MLR, das heißt:

wobei \({\varepsilon }_{i} \sim N(0,{\delta }^{2})\) für i = 1, …, n. Nachdem die Kollinearität der Vorhersagevariablen getestet wurde, nutzte diese Studie die Jahresmitteldaten der 613 Teilwassereinzugsgebiete von 1980 bis 2018, um die Daten von 10 großen Flusseinzugsgebieten separat in das Modell einzugeben. Die gewöhnliche Methode der kleinsten Quadrate erhält die beste Funktion, indem sie die Summe der Fehlerquadrate minimiert, um den Standardisierungskoeffizienten zu schätzen. Die Signifikanz standardisierter Koeffizienten und Anpassungsgleichungen wurde mithilfe von t-Tests bzw. F-Tests getestet46. Der standardisierte Koeffizient (r) zwischen Antwortvariablen und erklärenden Variablen wurde verwendet, um den Einfluss jeder Variablen auf die Nährstoffvariabilität zu vergleichen. Der Einfluss wird in diesem Fall als Beitragsprozentsatz jeder Variablen wie folgt dargestellt:

Dabei stellt Ci den Beitragsprozentsatz der Variablen i dar, i = 1, 2, 3, ···, p und ri den standardisierten Koeffizienten zwischen Antwortvariablen und der erklärenden Variablen i.

In dieser Studie wurden vier ausgewählte Wasserqualitätsparameter, darunter CODMn, TN, NH3-N und TP, ausgewählt, um die Wasserqualität in China zu beschreiben. Zwischen 2003 und 2018 wurden vom China National Environmental Monitoring Center (http://www.mee.gov.cn/hjzl/shj/dbszdczb//) monatliche Daten von 613 Standorten zur Überwachung der Flusswasserqualität in den zehn größten Flusseinzugsgebieten des Landes gesammelt. . Die CODMn-, TN-, NH3-N- und TP-Konzentrationen wurden in einem Labor unter Verwendung der vom chinesischen Ministerium für Umweltschutz47 empfohlenen Standardtestverfahren analysiert, die sich im Berichtszeitraum nicht änderten. Zu den zehn Flusseinzugsgebieten gehörten die Flüsse Songhua, Liaohe, Haihe, Yellow, Huaihe, Yangtze, Southeast, Pearl, Southwest und Northwest Inland. Aus den Becken wurden auch räumliche Daten gesammelt, einschließlich der geografischen Bedingungen, der physikalisch-chemischen Bodeneigenschaften, der klimatischen Bedingungen, der Landnutzung, der anthropogenen Einleitungen und der sozioökonomischen Entwicklung (Ergänzungstabelle 6). Die Höhen und Neigungen jeder Wasserüberwachungsstation wurden auf der Grundlage eines digitalen Höhenmodells (Auflösung 1 × 1 km) des Resource and Environment Science and Data Center (http://www.resdc.cn/Default.aspx) bestimmt ). Die lokalen meteorologischen Bedingungen (z. B. Temperatur, Niederschlag, Windgeschwindigkeit und Extremklimaindex) über den vom nationalen Netzwerk abgedeckten räumlichen Bereich wurden aus dem CN05.1-Datensatz ermittelt, der von der China Meteorological Administration erhalten und von „ Anomalie-Ansatz“. Die Dateninterpolation zwischen Standorten basierte auf vielen Stationsbeobachtungen (–2400) in China48,49. Der Datensatz hat eine räumliche Auflösung von 0,25° × 0,25°. Die Bodeneigenschaften jedes Unterbeckens wurden aus einer digitalen Karte der Bodeneigenschaften extrahiert, die vom Institut für Bodenkunde der Chinesischen Akademie der Wissenschaften (http://www.issas.cas.cn/) bezogen wurde. Der Maßstab der verwendeten digitalen Bodenkarte beträgt 1:1.000.000. Der Landnutzungsdatensatz aus China (mit einer Auflösung von 30 × 30 m) wurde vom Institute of Geographic Sciences and Natural Resources Research (IGSNRR, Chinese Academy of Sciences) (http://www.resdc.cn/Default) bezogen. aspx). Die anthropogenen Nettoeinträge von N und Phosphor (P) (NANI und NAPI) wurden auf der Grundlage der gemeldeten Abflussaktivitätsdaten und des Abflusskoeffizienten geschätzt50,51. Die Daten zur Entladungsaktivität wurden dem chinesischen statistischen Jahrbuch (https://data.cnki.net/Yearbook/Navi?type=type&code=A) entnommen. Das Bruttoinlandsprodukt (BIP) und die Bevölkerungsdichte (POP) stellen zwei wichtige sozioökonomische Indikatoren dar, die sich auf Verschmutzungsquellen und den Eintrag von Schadstoffen in Gewässer auswirken können52. Die räumliche Verteilung sozioökonomischer Daten (Auflösung 1 × 1 km) wurde vom Resource and Environment Science and Data Center im Institute of Geographic Sciences and Natural Resources Research der Chinese Academy of Sciences (https://www.resdc) bezogen. cn/).

Die historischen BIP- und POP-Daten stammen aus den China Statistical Yearbooks (1980–2018) (http://www.stats.gov.cn/english/Statisticaldata/). Jährliche Landnutzungsdaten für das COAC mit einer Auflösung von 30 × 30 m wurden vom National Earth System Science Data Center für einen Zeitraum von 39 Jahren (1980–2018) erhalten, das AVHRR-, MODIS- und Landsat-Daten mithilfe des BFAST-Algorithmus integriert. Daten zur Wasserqualität wurden vom China National Environmental Monitoring Center (https://szzdjc.cnemc.cn:8070/GJZ/Business/Publish/Main.html) bezogen. Alle Daten sind auf begründete Anfrage auch sofort beim entsprechenden Autor erhältlich. Die Websites des National Earth System Science Data Center of China und des China National Environmental Monitoring Center können mit dem Google Translate-Plugin in Chrome oder der Google Translate-Website für Website-Übersetzungen (https://translate.google.com/?) ins Englische übersetzt werden. sl=zh-CN&tl=en&op=websites).

Grill, G. et al. Kartierung der frei fließenden Flüsse der Welt. Natur 569, 215–221 (2019).

Artikel CAS Google Scholar

Palmer, M. & Ruhi, A. Zusammenhänge zwischen Strömungsregime, Biota und Ökosystemprozessen: Auswirkungen auf die Flusssanierung. Science 365, eaaw2087 (2019).

Artikel CAS Google Scholar

Sinha, E., Michalak, A. & Balaji, V. Die Eutrophierung wird im 21. Jahrhundert aufgrund von Niederschlagsänderungen zunehmen. Wissenschaft 357, 405–408 (2017).

Artikel CAS Google Scholar

Strokal, M. et al. Globale Multischadstoffmodellierung der Wasserqualität: wissenschaftliche Herausforderungen und zukünftige Richtungen. Curr. Meinung. Umgebung. Aufrechterhalten. 36, 116–125 (2019).

Artikel Google Scholar

Vorosmarty, C. et al. Globale Bedrohungen für die menschliche Wassersicherheit und die Artenvielfalt der Flüsse. Natur 467, 555–561 (2010).

Artikel CAS Google Scholar

Vereinte Nationen. Nachhaltige Entwicklungsziele. https://www.un.org/sustainabledevelopment/water-and-sanitation/ (2020)

Lu, Y. et al. Vierzig Jahre Reform und Öffnung: Chinas Fortschritte auf dem Weg zur Nachhaltigkeit. Wissenschaft. Adv. 5, eaau9413 (2019).

Artikel Google Scholar

Tao, T. & Natur 511, 527–529 (2014).

Artikel CAS Google Scholar

Chen, X. et al. Mehrskalige Modellierung der Nährstoffverschmutzung in den Flüssen Chinas. Umgebung. Wissenschaft. Technol. 53, 9614–9625 (2019).

Artikel CAS Google Scholar

Wang, M. et al. Die Berücksichtigung der Wechselwirkungen zwischen den Zielen für nachhaltige Entwicklung ist für die Wasserverschmutzungskontrolle in China von entscheidender Bedeutung. Nat. Komm. 13, 730 (2022).

Artikel CAS Google Scholar

Huang, J. et al. Wie erfolgreich sind die Bemühungen zur Wiederherstellung der Seen und Stauseen Chinas? Umgebung. Int. 123, 96–103 (2019).

Artikel CAS Google Scholar

Ma, T. et al. Chinas Verbesserung der Binnenwasserqualität seit 2003. Sci. Adv. 6, eaau3798 (2020).

Artikel CAS Google Scholar

Das Ministerium für Ökologie und Umwelt, PRC Annual Bulletin of China's Ecology and Environment. https://www.mee.gov.cn/hjzl/shj/qgdbszlzk/ (2022).

Xia, X. et al. Der Stickstoffkreislauf in Flusssystemen: Quellen, Umwandlung und Fluss. Umgebung. Wissenschaft. -Proz. Kobold. 20, 863–891 (2018).

CAS Google Scholar

Wang, S. et al. Reduzierter Sedimenttransport im Gelben Fluss aufgrund anthropogener Veränderungen. Nat. Geosci. 9, 38–42 (2016).

Artikel CAS Google Scholar

Huang, F., Wang, X., Lou, L., Zhou, Z. & Wu, J. Räumliche Variation und Quellenverteilung der Wasserverschmutzung im Qiantang-Fluss (China) unter Verwendung statistischer Techniken. Wasserres. 44, 1562–1572 (2010).

Artikel CAS Google Scholar

Huang, J. et al. Charakterisierung der Flusswasserqualität in China: jüngste Fortschritte und aktuelle Herausforderungen. Wasserres. 201, 117309 (2021).

Artikel CAS Google Scholar

Zhou, Y. et al. Verbesserung der Wasserqualität in China: Umweltinvestitionen zahlen sich aus. Wasserres. 118, 152–159 (2017).

Artikel CAS Google Scholar

Ma, C. et al. Verbesserung der Schätzung der Stickstoff- und Phosphorkonzentrationen in Seen und Stauseen mithilfe eines gestapelten Ansatzes. Earths Future 11, e2022EF003013 (2023).

Artikel CAS Google Scholar

Chen, K. et al. Vergleichende Analyse der Vorhersageleistung der Oberflächenwasserqualität und Identifizierung wichtiger Wasserparameter mithilfe verschiedener Modelle des maschinellen Lernens auf der Grundlage von Big Data. Wasserres. 171, 115454 (2020).

Artikel CAS Google Scholar

Yu, C. et al. Stickstoffmanagement zur Wiederherstellung der Wasserqualität in China. Natur 567, 516–520 (2019).

Artikel CAS Google Scholar

Tong, Y. et al. Rückgang der Phosphorkonzentration in chinesischen Seen, begleitet von einer Verschiebung der Quellen seit 2006. Nat. Geosci. 10, 507–511 (2017).

Artikel CAS Google Scholar

He, GZ, Zhang, L., Mol, APJ, Lu, Y. & Liu, J. Überarbeitung des chinesischen Umweltgesetzes. Wissenschaft 341, 133 (2013).

Artikel CAS Google Scholar

Zhang, B. Fünfjahresplan: Überwachung der chinesischen Umweltpolitik. Natur 534, 179 (2015).

Artikel Google Scholar

Ongley, ED, Zhang, X. & Yu, T. Aktueller Stand der Bewertung der landwirtschaftlichen und ländlichen Verschmutzung durch nicht punktuelle Quellen in China. Umgebung. Umweltverschmutzung. 158, 1159–1168 (2010).

Artikel CAS Google Scholar

Shen, Z., Liao, Q., Hong, Q. & Gong, Y. Ein Überblick über die Forschung zur Modellierung der landwirtschaftlichen Verschmutzung durch nichtpunktuelle Quellen in China. Sep. Purif. Technol. 84, 104–111 (2012).

Artikel CAS Google Scholar

Huo, S. et al. Raumzeitliche Unterschiede in den Flussstickstoff- und Phosphorflüssen und den damit verbundenen Treibern in ganz China von 1980 bis 2018. Chemosphere 310, 136827 (2023).

Artikel CAS Google Scholar

Lapierre, JF, Guillemette, F., Berggren, M. & Giorgio, PD Ein Anstieg des terrestrisch gewonnenen Kohlenstoffs stimuliert die Verarbeitung von organischem Kohlenstoff und die CO2-Emissionen in borealen aquatischen Ökosystemen. Nat. Komm. 4, 2972 ​​(2013).

Artikel Google Scholar

Creed, IF et al. Durch globale Veränderungen bedingte Auswirkungen auf die Zusammensetzung gelöster organischer Stoffe: Auswirkungen auf die Nahrungsnetze nördlicher Seen. Globus. Biol. ändern 24, 3692–3714 (2018).

Artikel Google Scholar

Zhou, J., Leavitt, PR, Zhang, Y. & Qin, B. Anthropogene Eutrophierung flacher Seen: Tritt sie gelegentlich auf? Wasserres. 221, 118728 (2022).

Artikel CAS Google Scholar

Maavara, T. et al. Globale Phosphorrückhaltung durch Flussstauungen. Proz. Natl Acad. Wissenschaft. 112, 15603–15608 (2015).

Artikel CAS Google Scholar

Isles, PDF, Xu, Y., Stockwell, JD & Schroth, AW Klimabedingte Veränderungen des Energie- und Masseneintrags verändern systematisch die Nährstoffkonzentration und Stöchiometrie in tiefen und flachen Regionen des Lake Champlain. Biogeochemistry 133, 201–217 (2017).

Artikel CAS Google Scholar

van Vliet, M. et al. Globaler Flussabfluss und Wassertemperatur im Klimawandel. Globus. Umgebung. Änderung 23, 450–464 (2013).

Artikel Google Scholar

Yang, C., Yang, P., Geng, J., Yin, H. & Chen, K. Interne Sedimentnährstoffbelastung im am stärksten verschmutzten Bereich eines flachen eutrophischen Sees (Chaohu-See, China) und ihr Beitrag zur Eutrophierung des Sees . Umgebung. Umweltverschmutzung. 262, 114292 (2020).

Artikel CAS Google Scholar

Raymond, C. et al. Verstehen und Bewältigen verbundener Extremereignisse. Nat. Aufstieg. Chang 10, 611–621 (2020).

Artikel Google Scholar

Green, MB, Nieber, JL, Johnson, G., Magner, J. & Schaefer, B. Einfluss des Fließwegs auf ein N:P-Verhältnis in zwei Quellflüssen: eine gepaarte Wassereinzugsgebietsstudie. J. Geophys. Res. Biogeosci. 112, G03015 (2007).

Artikel Google Scholar

Stockwell, J. et al. Auswirkungen des Sturms auf die Dynamik der Phytoplanktongemeinschaft in Seen. Globus. Biol. ändern 26, 2756–2784 (2020).

Artikel Google Scholar

Das Ministerium für Ökologie und Umwelt, Zweites Bulletin zur nationalen Schadstoffquellenzählung der Volksrepublik China. http://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/t20200610_783547.html. (2020)

Zhai, B. & Chen, J. Entwicklung eines gestapelten Ensemblemodells zur Vorhersage und Analyse täglicher durchschnittlicher PM 2,5-Konzentrationen in Peking, China. Wissenschaft. Gesamtumgebung. 635, 644–658 (2018).

Artikel CAS Google Scholar

Rice, JS & Emanuel, RE Wie werden die Strömungsreaktionen auf die El-Nino-Südschwingung durch die Eigenschaften des Wassereinzugsgebiets beeinflusst? Wasserressource. Res. 53, 4393–4406 (2017).

Artikel Google Scholar

Li, W. et al. Konzentrationsschätzung von gelöstem Sauerstoff im Perlflussbecken mithilfe der Auswahl von Eingabevariablen und Techniken des maschinellen Lernens. Wissenschaft. Gesamtumgebung. 731, 139099 (2020).

Artikel CAS Google Scholar

Shen, LQ, Amatulli, G., Sethi, T., Raymond, P. & Domisch, S. Schätzung der Stickstoff- und Phosphorkonzentrationen in Bächen und Flüssen innerhalb eines maschinellen Lernrahmens. Wissenschaft. Daten 7, 161 (2020).

Artikel CAS Google Scholar

Visser, H. et al. Was bestimmt die ökologische Qualität von Oberflächengewässern? Ein Überblick über 11 prädiktive Modellierungstools. Water Res 208, 117851 (2022).

Artikel CAS Google Scholar

Friedman, J., Hastie, T., Tibshirani, R. Die Elemente des statistischen Lernens. Bd. 1. Springer-Reihe in Statistik, New York, NY, USA. https://doi.org/10.1007/978-0-387-84858-7 (2001).

Jiang, S., Zheng, Y. & Solomatine, D. Verbesserung des KI-Systembewusstseins für geowissenschaftliches Wissen: symbiotische Integration physikalischer Ansätze und Deep Learning. Geophys. Res. Lette. 47, 1–11 (2020).

Artikel Google Scholar

Korkmaz, M. Eine Studie über die allgemeine Formel der Regressionsquadratsumme in der multiplen linearen Regression. Zahl. Methodenteil. DE 37, 406–421 (2020).

Artikel Google Scholar

PCR-Abgeordneter. Überwachungs- und Analysemethoden für Wasser und Abwasser. China Environmental Science Press, Peking (2002).

Xu, Y. et al. Ein täglicher Temperaturdatensatz über China und seine Anwendung bei der Validierung einer RCM-Simulation. Adv. Atmosphäre. Wissenschaft. 26, 763–772 (2009).

Artikel CAS Google Scholar

Wu, J. & Gao, X. Ein gerasterter täglicher Beobachtungsdatensatz über die Region China und Vergleich mit den anderen Datensätzen. Kinn. J. Geophys. 56, 1102–1111 (2013).

Google Scholar

Goyette, JO, Bennett, EM, Howarth, RW & Maranger, R. Veränderungen der anthropogenen Stickstoff- und Phosphoreinträge in das St. Lawrence-Teilbecken über 110 Jahre und Auswirkungen auf den Flussexport. Globus. Biogeochem. Zyklen 30, 1000–1014 (2016).

Artikel CAS Google Scholar

Hu, M. et al. Langfristige (1980–2015) Veränderungen der anthropogenen Netto-Phosphoreinträge und des Fluss-Phosphorexports im Jangtse-Einzugsgebiet. Wasserres. 177, 115779 (2020).

Artikel CAS Google Scholar

Xia, X. et al. Analyse des Beitrags des Klimawandels zu langfristigen Schwankungen der Sedimentstickstoffquellen für Stauseen/Seen. Wissenschaft. Gesamtumgebung. 523, 64–73 (2015).

Artikel CAS Google Scholar

Referenzen herunterladen

Die National Natural Science Foundation of China (Nr. 52225903, U2243209) und das National Key Research and Development Program of China (2022YFC3201900) unterstützten diese Studie.

Diese Autoren trugen gleichermaßen bei: Hanxiao Zhang, Xianghui Cao.

Staatliches Schlüssellabor für Umweltkriterien und Risikobewertung, Chinesische Forschungsakademie für Umweltwissenschaften, Peking, 100012, China

Hanxiao Zhang, Shouliang Huo, Chunzi Ma und Fengchang Wu

China Institute of Geological Environmental Monitoring, Peking, 100081, China

Xianghui Cao

Wasseramt, China National Environmental Monitoring Centre, Peking, 100012, China

Wenpan Li

Schlüssellabor für Wasser- und Sedimentwissenschaften, Ministerium für Bildung, Hochschule für Umweltwissenschaften und -technik, Peking-Universität, Peking, 100871, China

Yong Liu

Hochschule für Umweltwissenschaften und -technik, Tianjin-Universität, Tianjin, 300072, China

Yingdong Tong

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

HZ und XC sammelten und analysierten zusätzlich zur Erstellung des Manuskripts Daten. SH konzipierte die Idee und das Studiendesign. CM, YL, YT und FW haben das Manuskript überarbeitet.

Korrespondenz mit Shouliang Huo.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

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

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

Nachdrucke und Genehmigungen

Zhang, H., Cao, X., Huo, S. et al. Veränderungen in der Flusswasserqualität Chinas seit 1980: Managementauswirkungen einer nachhaltigen Entwicklung. npj Clean Water 6, 45 (2023). https://doi.org/10.1038/s41545-023-00260-y

Zitat herunterladen

Eingegangen: 06. Februar 2023

Angenommen: 23. Mai 2023

Veröffentlicht: 06. Juni 2023

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

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

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

AKTIE