Attribuzione e forza trainante delle perdite di azoto dal bacino del lago Taihu da parte dei modelli InVEST e GeoDetector

Rapporti scientifici volume 13, numero articolo: 7440 (2023) Citare questo articolo

334 accessi

1 Altmetrico

Dettagli sulle metriche

Quantificare i cambiamenti temporali e spaziali nelle perdite di azoto reattivo (Nr) da un bacino idrografico ed esplorarne i principali fattori è la chiave per il miglioramento della qualità dell’acqua del bacino. Enormi perdite di Nr continuano a minacciare la sicurezza dell’ambiente acquatico nel bacino del lago Taihu (TLB). Qui, i modelli InVEST e GeoDetector sono stati combinati per stimare le perdite di Nr nel TLB dal 1990 al 2020 ed esplorare le forze trainanti. Sono stati confrontati diversi scenari per le perdite di Nr, mostrando che la perdita di Nr ha raggiunto il picco a 181,66 × 103 t nel 2000. I fattori chiave che influenzano la perdita di Nr sono l’uso del suolo, seguito da fattori di elevazione, suolo e pendenza, e i loro valori q medi erano 0,82, 0,52, 0,51 e 0,48, rispettivamente. L’analisi dello scenario ha rivelato che le perdite di Nr sono aumentate negli scenari business-as-usual e di sviluppo economico, mentre la conservazione ecologica, l’aumento dell’efficienza nell’uso dei nutrienti e la ridotta applicazione di nutrienti contribuiscono tutti a una riduzione delle perdite di Nr. I risultati forniscono un riferimento scientifico per il controllo delle perdite di Nr e la pianificazione futura nel TLB.

L’eccessiva perdita di azoto reattivo (Nr) rappresenta una delle maggiori minacce per gli ecosistemi acquatici a livello globale1,2,3. Le attività antropiche, come la fertilizzazione agricola, la produzione industriale e lo scarico delle acque reflue, hanno accelerato il trasporto di Nr terrestre verso gli ecosistemi acquatici, ovvero fiumi e laghi, provocando eutrofizzazione4,5,6, proliferazione algale7, emissioni di gas serra e così via. su3,8. Questi fenomeni minacciano gravemente la sicurezza idrica domestica e l’approvvigionamento idrico produttivo. Secondo il rapporto sullo sviluppo mondiale dell’acqua, entro il 2050 quasi sei miliardi di persone in tutto il mondo soffriranno di una crisi di scarsità di acqua pulita9. In particolare, la scarsità d’acqua è aggravata dall’inadeguata qualità dell’acqua in Cina, e un elevato carico di Nr rappresenta una delle minacce più gravi alla qualità dell'acqua10. C’è un urgente bisogno di ridurre e controllare le perdite di Nr.

Negli ultimi decenni, molti studi sulla perdita di Nr si sono concentrati su misurazioni sul campo11,12,13,14,15,16. Tuttavia, il monitoraggio e la ricerca a lungo termine sulla qualità delle acque dei bacini idrografici richiedono molto tempo e non sono adatti a valutare l’impatto dei futuri cambiamenti nell’uso del territorio14. Con lo sviluppo dei sistemi di informazione geografica (GIS) e del telerilevamento, molti modelli per valutare la qualità dell'acqua e i servizi ecosistemici idrologici, come lo strumento di valutazione del suolo e dell'acqua (SWAT), il programma di simulazione idrologica FORTRAN (HSPF), il programma di simulazione agricola annuale non Point Source (AnnAGNPS) e Integrated Valuation of Ecosystem Services and Trade-offs (InVEST) sono stati sviluppati e sono ampiamente utilizzati14,15,16,17,18,19,20,21. I modelli basati sui processi di trasporto dei nutrienti come SWAT, HSPF e AnnAGNPS possono simulare bene i processi idrologici e fornire risultati accurati. Tuttavia, questi modelli richiedono grandi quantità di dati idrologici per la calibrazione18,22, che spesso non è applicabile in aree in cui i dati sono scarsi, e sono complessi da utilizzare e richiedono una formazione specifica per gli operatori19,23. Il modello InVEST contiene meno algoritmi integrati rispetto agli altri modelli ed è, quindi, più facile da usare, consentendo la modellazione e l’analisi in aree in cui i dati sono scarsi, con tempi di esecuzione bassi e una forte rappresentazione spaziale24. Il modulo del rapporto di distribuzione dei nutrienti (NDR) nel modello InVEST utilizza un approccio più diretto al bilancio di massa per descrivere il movimento spaziale stabile e a lungo termine dei nutrienti, che può non solo riflettere l’esportazione di nutrienti in diversi climi e scenari di cambiamento dell’uso del suolo, ma anche aiutare valutare l’impatto dei fattori naturali e delle attività umane sull’inquinamento a livello di sottobacino o di unità idrologica25.

La fertilizzazione agricola e lo scarico delle acque reflue urbane espongono direttamente Nr all'ambiente26; il clima e la topografia contribuiscono alla perdita di Nr determinando il trasporto di Nr11; i cambiamenti nella composizione e nella struttura dell’uso del suolo possono anche influenzare la perdita di Nr alterando il contenuto di nutrienti superficiali e il trasporto dei nutrienti27. La ricerca ha dimostrato che la perdita di Nr è aumentata di 3,5 volte a causa dell’intensificazione dell’agricoltura28, e anche l’aumento delle superfici impermeabili ha esacerbato le perdite di Nr29. Inoltre, lo spostamento dalle foreste ai terreni disboscati aumenta la capacità di denitrificazione28; e l’aumento dei bordi delle praterie può ridurre l’inquinamento da Nr30. Tuttavia, gli strumenti e i metodi di ricerca tradizionali come la regressione lineare multipla, l'analisi delle correlazioni, i modelli dei minimi quadrati ordinari, i modelli di ritardo spaziale e i modelli di errore spaziale sono difficili da gestire con la variabilità spaziale dei fattori determinanti. Si limitano all’analisi continua dei dati, rendendo difficile l’utilizzo dei dati sull’uso del suolo per analizzare i loro effetti diretti sulla perdita di Nr. Il modello GeoDetector che utilizza dati continui e tipologici è un metodo statistico emergente in grado di rivelare i fattori determinanti dell'eterogeneità spaziale. Si basa sul principio che se una variabile indipendente influenza in modo significativo una variabile dipendente, allora la distribuzione spaziale delle variabili indipendenti e dipendenti dovrebbe avere somiglianza31,32. Il modello GeoDetector è stato applicato a varie discipline della natura e della società31. Ad esempio, Chen et al. ha utilizzato il modello GeoDetector per esplorare il ruolo trainante di fattori come l’uso del suolo sulla divergenza spaziale e temporale delle risorse idriche nell’agglomerato urbano Pechino-Tianjin-Hebei33. Liu et al.34 hanno esplorato gli effetti della natura, dell'economia e dei trasporti sull'espansione urbana sulla base del modello GeoDetector.