Blog

Jan 17, 2024

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

npj agua limpia volumen 6,

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

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 de 2050 basado en un conjunto de datos de monitoreo de 16 años (2003–2018) utilizando los modelos de aprendizaje automático de apilamiento. Los resultados mostraron que la calidad del agua mejoró notablemente, excepto por la concentración de NT, que probablemente se debió a la falta de un objetivo de control y un sistema de evaluación de NT. El análisis cuantitativo indicó que los factores antropogénicos eran los principales controles 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 del agua 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, irrigación, 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 (para el año 2000) vive en áreas con una alta incidencia de amenaza (>75%) para 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 un amplio rango de escalas de tiempo y espacio, 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 graves daños 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 40 000 millones de metros cúbicos en China por año8. El aporte elevado de nutrientes antropogénicos es una causa crítica de la reducción de la calidad del agua en los ríos chinos. De acuerdo con estimaciones de modelos multiescala, la entrada de nitrógeno disuelto total (TDN) y fósforo disuelto total (TDP) a los ríos en China en 2012 fue de 28 Tg y 3 Tg, respectivamente9. Además, el exceso de nutrientes de los ríos se transportaba a los lagos y al océano, lo que provocaba frecuentes episodios de floraciones y mareas rojas, lo que ponía en peligro la salud humana y acuática y los servicios de los ecosistemas10. Afortunadamente, la calidad del agua continental en toda China mejoró notablemente o se mantuvo en niveles favorables en todo el país entre 2003 y 2017, lo que se atribuye a reducciones en la descarga de nutrientes11,12. En 2022, una investigación nacional de 3641 sitios de muestreo en ríos, lagos y embalses en China mostró que el 12,1 % de los sitios de muestreo tenían una calidad del agua inferior a la Clase III según el Estándar de calidad ambiental del agua superficial de China (GB3838-2002), mientras que el 0,7 % de los sitios tenían una condición más severa o peor que la Clase V13. Durante las últimas cuatro décadas desde la Reforma y Apertura, bajo el trasfondo 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 del río en países en desarrollo7.

Se han dedicado varios estudios a los patrones de la 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 en múltiples escalas9, el ciclo de nutrientes en los sistemas fluviales, incluidas las fuentes, la transformación y flux14,15, y los patrones espaciales de calidad del agua y las covariables críticas del deterioro del río12,16,17,18. Sin embargo, aún 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 nacional de frecuencia regular a largo plazo es el principal cuello de botella en el estudio de los impactos en la calidad del agua del río, porque los datos de monitoreo trazables 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 los modelos factoriales y las variables explicativas (incluidas las características geográficas naturales, los indicadores socioeconómicos, los datos sobre el uso del suelo y los 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 del río y los mecanismos impulsores para la gestión futura de la calidad del agua y el logro de los objetivos de desarrollo sostenible (ODS)7,10.

El estudio reunió datos mensuales de 16 años (2003–2018) de 613 sitios de monitoreo de la calidad del agua fluvial, así como características de la cuenca (p. ej., longitud, latitud, patrones de uso de la tierra, aportes antropógenos netos de N/P y propiedades del suelo) y las condiciones climáticas a escala nacional para construir un conjunto de modelos de aprendizaje automático apilables. Los modelos de aprendizaje automático apilados integraron los resultados de los diferentes modelos básicos, lo que podría reducir la varianza y mejorar la estabilidad del modelo final20. Se seleccionaron tres modelos base por su gran popularidad y rendimiento en función de 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 de la calidad del agua del río durante el período de 1980 a 2018 (Fig. 1). Luego usamos 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 fluvial, NH3-N y TP, así como el CODMn. Sobre la base de las relaciones de los ODS con la calidad del agua, se propusieron políticas de gestión sostenible 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 de diez veces y la aplicación del modelo. Los datos de monitoreo 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 interdecadales 2020-2050 en dos escenarios futuros (SSP2-RCP4.5 y SSP5- RCP8.5).

La comparación entre los valores medidos y predichos en las 10 grandes cuencas fluviales mostró que nuestros modelos de aprendizaje automático generalmente podían recrear las concentraciones de TN, TP, NH3-N y CODMn a un nivel significativo 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 complementaria 1, Tabla complementaria 1). 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 2–5). Aunque este modelo de apilamiento de aprendizaje automático basado en datos tenía una interpretabilidad y deducibilidad limitadas, se mostró prometedor con su solidez y estabilidad en la capacidad de inducción del aprendizaje automático de conjunto educado19,20.

Las tendencias de concentración de TN, TP, NH3-N y CODMN fueron diferentes en todo el país desde 1980 hasta 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 el río en el Estándar de Calidad Ambiental de Agua Superficial de China (es decir, 1 mg L−1 para Clase III), no ha sido incluido en el sistema de evaluación por parte de la gestión ambiental del agua21. Las concentraciones de NH3-N aumentaron de 1980 a 2010 y luego disminuyeron de 2010 a 2018. La CODMn aumentó de 1980 a 2000 y luego disminuyó de 2000 a 2018 (Fig. 2). Este resultado generalmente es consistente con los hallazgos de un estudio anterior, que encontró que las concentraciones de NH3-N y DQO ​​en general disminuyeron de 2003 a 2017 según los datos de monitoreo mensuales 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 el año 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 los 12 principales contaminantes, y se han logrado resultados notables7,22. La Ley de la República Popular China sobre la Prevención y el 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 se elevó a estrategia nacional en 2012, y se establecieron una serie de objetivos de reducción de descargas para TP, DQO y NH3-N durante el 13.° Plan de Trabajo Integral de 5 años 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, aún se necesita la implementación fluida de estas políticas y planes de acción para desvincular gradualmente el crecimiento económico de sus impactos ambientales7,10.

Los paneles a–d muestran las proporciones acumulativas de la concentración media 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 durante 1980 a 2018.

Debido a las diferencias en las condiciones geográficas entre las cuencas hidrográficas, los cambios en las concentraciones de nutrientes difirieron entre las cuencas durante el período 1980–2018 (Figuras complementarias 3–6). Excepto por el río Huaihe (n = 48, p < 0,05, r = −0,21), las concentraciones promedio de TN aumentaron, especialmente dentro del 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 (Fig. 3 complementaria). 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) (Fig. . 4). Sin embargo, las concentraciones de NH3-N y CODMn mostraron varios cambios de fase 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 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). Bajo el escenario SSP2-RCP4.5, las proporciones de observaciones simuladas donde la concentración de TN es mayor a 1.5 mg L−1, la concentración de TP es mayor a 0.2 mg L−1, la concentración de NH3-N es mayor 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. Bajo el escenario SSP5-RCP8.5, la proporción del total de observaciones simuladas donde la concentración de TN, TP, NH3-N y CODMn fue superior 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 en los ríos Amarillo, Huaihe y Haihe (p < 0,01).

Las covariables relacionadas con la concentración de nutrientes se dividieron en tres categorías, incluidos factores antropogénicos, climáticos y geográficos. Las proporciones de contribución de estos factores antropogénicos, climáticos y geográficos para 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 mayor contribución (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 usando los datos para cada una de las 10 cuencas fluviales (Fig. 3a–d). Sin embargo, el patrón de las tasas de contribución de los factores antropogénicos, climáticos y geográficos para la CODMn difería entre las cuencas fluviales. En general, los impulsores geográficos tuvieron una mayor contribución (41,60 %) que los impulsores climáticos (25,55 %) y los predictores antropogénicos (32,83 %) en el Río Interior del Noroeste. 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 Sudoeste y el río Sudeste. 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 % de la entrada de TDP y las fuentes no puntuales agrícolas representaron el 72 % de la entrada de TDN en los ríos chinos en 20129. Sin embargo, las posibles fuentes de DQO pueden estar más relacionadas con las fuentes naturales, incluidas fuentes endógenas a partir de la degradación de algas y plantas acuáticas y liberación de sedimentos, y fuentes exógenas a partir de la sedimentación atmosférica y la importación de vegetación terrestre y materia orgánica del suelo28,29. El aumento de la 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 de los ecosistemas terrestres a las aguas superficiales2,29.

a–d Contribuciones porcentuales de factores antropogénicos, climáticos y geográficos utilizando 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 factores antropogénicos fueron más altos que los de los factores naturales y geográficos (Fig. 3e-h). Entre los impulsores geográficos seleccionados, la elevación, la pendiente, el nitrógeno total del suelo (STN), el fósforo total del suelo (STP) y la materia orgánica del suelo (SOM) mostraron una contribución perceptible a la variabilidad de los 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 de nutrientes en los ríos (Fig. 3e-h). La extensión del área urbana y las tierras de cultivo dentro de cualquier cuenca mostró una relación positiva constante con las concentraciones de nutrientes. Por el contrario, los bosques y los pastizales mostraron una relación negativa con las concentraciones de nutrientes. La población tuvo una firma distinta 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 usó la intensidad de la luz nocturna para caracterizar la población y concluyó que la intensidad de la luz nocturna tenía una firma distinta (contribución > 35 %) en los dos niveles de nutrientes (TP y NH3-N) en las cuencas de los ríos Yellow y Pearl17, que es diferente de 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, Southwest y Northwest Inland, donde se registró una contribución algo mayor con el coeficiente de regresión >1 (Fig. 3e– h). Los resultados sugirieron que con el crecimiento socioeconómico, los ríos en las regiones occidental e interior de China (excepto las regiones orientales) han registrado graves deterioros en la calidad del agua, a los que se les debe 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 la 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 mostraron niveles más bajos de nutrientes. En general, las actividades antropogénicas aumentan con la disminución de la altitud, y las llanuras y las tierras bajas son susceptibles de cultivos agrícolas intensivos, ganadería y avicultura, desarrollo urbano y agregación de población30. La pendiente de la cuenca determina la velocidad del flujo de agua y la severidad 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 más cortos para el agua y una capacidad de autopurificación del río más débil2. 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 se vio contrarrestado por otras actividades humanas, como el embalse 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 interna de nutrientes y la transformación 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, el pH del agua, la salinidad, la solubilidad, la viscosidad y las tasas de difusión), afectando aún más los procesos bioquímicos como la nitrificación, la desnitrificación, la mineralización de sedimentos y relanzamiento14,33,34. El papel de la precipitación o la 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 no puntual 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 los Estados Unidos continentales 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 la 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 mayoría de los 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 pronosticadas utilizadas después de la detección de las variaciones en las concentraciones de CODMn, NH3-N, TN y TP en las 10 cuencas de los ríos fueron 52,92%, 35,74%, 72,15% y 31,97%, respectivamente. (Cuadro complementario 7). Las medidas de control de la contaminación, según lo indicado por 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 deben tenerse en cuenta en estudios posteriores debido a sus impactos en la entrada y migración de nutrientes del río, 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 de los ríos. 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 descarga recibió gradualmente atención, la política de gestión ambiental del agua se transfirió para apuntar a la descarga de DQO desde 2000. Por lo tanto, las concentraciones de DQOm 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 por la agricultura han disminuido 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 del agua en los últimos años (Fig. 4, Fig. 9 complementaria). Sin embargo, el TN no se incluyó en los objetivos de control de la 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 para 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 de la cantidad 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.

Si bien las disminuciones recientes 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, se debe tener 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 de calidad ambiental del agua unificados para todas las regiones, separación de la gestión de la cantidad y la calidad del agua, y 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 carga de nutrientes a las aguas dulces. La revisión en curso de la Ley de Control y Prevención de la Contaminación del Agua de China debería proponer cambios significativos en la estructura actual de gobernanza del agua y reflejar su flexibilidad entre las 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 de TN, TP y NH3-N en los ríos, así como de la DMOD 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, la reducción de la contaminación por nutrientes en las aguas subterráneas poco profundas y los recursos hídricos superficiales podría ayudar a lograr un acceso universal y equitativo a 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 hacer frente a la escasez de agua para 2023 (ODS 6.4) podría reducir la contaminación por nutrientes en los sistemas de agua mediante la mejora de la eficiencia del uso del agua en la agricultura y la mejora de los sistemas domésticos. 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 lograr el objetivo de prevenir y reducir significativamente la contaminación marina de todo tipo (en particular la contaminación debida a actividades terrestres), e incluir 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 del agua deben considerarse juntos para lograr un buen estado ecológico en los ríos de China. Al formular políticas futuras, se debe prestar especial atención a la descarga de 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 en el que los resultados generados por modelos base individuales se introducen 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 los pesos para N observaciones. Primero, se entrena un modelo base m utilizando el conjunto de datos con la i-ésima observación eliminada. \({\hat{f}}_{m}^{-i}({{x}_{i}})\) representa la predicción del modelo m para la i-ésima observación. La estimación de los pesos se obtiene a partir de la regresión lineal de mínimos cuadrados de yi (valor observado de la i-ésima 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 i-ésima observación compuesta por todas las variables ambientales. Las dos restricciones anteriores son razonables si interpretamos los pesos como probabilidades posteriores del modelo. 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 apoyo.

El rendimiento predictivo de los conjuntos de datos de entrenamiento y prueba proporcionó información complementaria para la validación del modelo. El entrenamiento exhibió principalmente la solidez del modelo, es decir, la estabilidad y el equilibrio de la previsibilidad del modelo en presencia de la combinación aleatoria de datos. Las pruebas miden el rendimiento del modelo en los datos no vistos y abordan la aptitud del modelo. En este contexto, utilizamos el coeficiente de correlación de Pearson (R2) como la métrica estadística para cuantificar el rendimiento predictivo de los modelos (Tablas complementarias 1–5). Para complementar el coeficiente de correlación de Pearson y brindar una evaluación detallada 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 brindan información sobre las relaciones entre las variables de respuesta y múltiples variables explicativas. La influencia de cada variable explicativa sobre la variable respuesta se determina a partir de la relación de los coeficientes de normalización de las distintas variables explicativas entre la suma de los valores absolutos de los coeficientes de normalización 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 y para identificar los factores impulsores 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 de 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 usó 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 los 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 las variables de respuesta y las 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 cambió durante el período de tiempo informado. Las 10 cuencas fluviales incluían los ríos Songhua, Liaohe, Haihe, Yellow, Huaihe, Yangtze, sureste, perla, suroeste y noroeste del interior. 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 Resource and Environment Science and Data Center (http://www.resdc.cn/Default.aspx ). Las condiciones meteorológicas locales (p. ej., temperatura, precipitación, velocidad del viento e índice de clima extremo) sobre 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 construyó 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, Academia de Ciencias de China (http://www.issas.cas.cn/). La escala del mapa digital de propiedades del suelo utilizado es de 1:1.000.000. El conjunto de datos de uso del suelo de China (con una resolución de 30 × 30 m) se obtuvo del Instituto de Ciencias Geográficas e Investigación de Recursos Naturales (IGSNRR, Academia de Ciencias de China) (http://www.resdc.cn/Default. aspx). Las entradas netas de N y fósforo (P) antropógenos (NANI y NAPI) se estimaron con base en los datos de actividad de descarga informados y el coeficiente de descarga50,51. Los datos de 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 importantes indicadores socioeconómicos 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 de PIB y POP se obtuvieron de China Statistical Yearbooks (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 integran datos AVHRR, MODIS y Landsat utilizando el algoritmo BFAST. Los datos de 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 de inmediato del autor correspondiente a pedido 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 la traducción del sitio web (https://translate.google.com/? sl=zh-CN&tl=en&op=sitios web).

Grill, G. et al. Mapeo de los ríos de flujo libre del mundo. Naturaleza 569, 215–221 (2019).

Artículo CAS Google Académico

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

Artículo CAS Google Académico

Sinha, E., Michalak, A. & 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 Académico

Strokal, M. et al. Modelado global de múltiples contaminantes de la calidad del agua: desafíos científicos y direcciones futuras. actual Opinión Reinar. Sostener. 36, 116–125 (2019).

Artículo Google Académico

Vorosmarty, C. et al. Amenazas globales para la seguridad humana del agua y la biodiversidad fluvial. Naturaleza 467, 555–561 (2010).

Artículo CAS Google Académico

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

Lu, Y. et al. Cuarenta años de reforma y apertura: el progreso de China hacia un camino sostenible. ciencia Adv. 5, eaau9413 (2019).

Artículo Google Académico

Tao, T. & Xin, K. Un plan sostenible para el agua potable de China: abordar la contaminación y usar 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 Académico

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

Artículo CAS Google Académico

Wang, M. et al. La contabilidad de las interacciones entre los Objetivos de Desarrollo Sostenible es esencial para el control de la contaminación del agua en China. Nat. común 13, 730 (2022).

Artículo CAS Google Académico

Huang, J. et al. ¿Qué tan exitosos son los esfuerzos de restauración de los lagos y embalses de China? Reinar. En t. 123, 96–103 (2019).

Artículo CAS Google Académico

Ma, T. et al. Mejora de la calidad del agua superficial interior de China desde 2003. Sci. Adv. 6, eaau3798 (2020).

Artículo CAS Google Académico

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

Xia, X. et al. 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. et al. Reducción del transporte de sedimentos en el río amarillo debido a cambios antropogénicos. Nat. Geosci. 9, 38–42 (2016).

Artículo CAS Google Académico

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

Artículo CAS Google Académico

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

Artículo CAS Google Académico

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

Artículo CAS Google Académico

Ma, C. et al. Mejorar la estimación de las concentraciones de nitrógeno y fósforo en lagos y embalses utilizando un enfoque apilado. Futuro de la Tierra 11, e2022EF003013 (2023).

Artículo CAS Google Académico

Chen, K. et al. Análisis comparativo del rendimiento de 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 Académico

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

Artículo CAS Google Académico

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

Artículo CAS Google Académico

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

Artículo CAS Google Académico

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

Artículo Google Académico

Ongley, ED, Zhang, X. & Yu, T. Estado actual de la evaluación de la contaminación de fuentes no puntuales agrícolas y rurales en China. Reinar. contaminar 158, 1159–1168 (2010).

Artículo CAS Google Académico

Shen, Z., Liao, Q., Hong, Q. & Gong, Y. Una descripción general de la investigación sobre modelos de contaminación de fuentes no puntuales agrícolas en China. Sep. Purif. Tecnología 84, 104–111 (2012).

Artículo CAS Google Académico

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

Artículo CAS Google Académico

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

Artículo Google Académico

Credo, IF et al. Efectos impulsados ​​por el cambio global en la composición de la materia orgánica disuelta: implicaciones para las redes alimentarias de los lagos del norte. globo Cambio Biol. 24, 3692–3714 (2018).

Artículo Google Académico

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

Artículo CAS Google Académico

Maavara, T. et al. Retención global de fósforo por represamiento de ríos. proc. Academia Nacional. ciencia 112, 15603–15608 (2015).

Artículo CAS Google Académico

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

Artículo CAS Google Académico

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

Artículo Google Académico

Yang, C., Yang, P., Geng, J., Yin, H. & Chen, K. Carga de nutrientes internos 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. contaminar 262, 114292 (2020).

Artículo CAS Google Académico

Raymond, C. et al. Comprensión y gestión de eventos extremos conectados. Nat. Clima Chang 10, 611–621 (2020).

Artículo Google Académico

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

Artículo Google Académico

Stockwell, J. et al. Impactos de las tormentas en la dinámica de la comunidad de fitoplancton en los lagos. globo Cambio Biol. 26, 2756–2784 (2020).

Artículo Google Académico

Ministerio de Ecología y Medio Ambiente, Segundo Boletín Nacional del Censo de Fuentes 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 Entorno Total. 635, 644–658 (2018).

Artículo CAS Google Académico

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

Artículo Google Académico

Li, W. et al. Estimación de la concentración de oxígeno disuelto en la cuenca del río Pearl utilizando técnicas de selección de variables de entrada y aprendizaje automático. ciencia Entorno Total. 731, 139099 (2020).

Artículo CAS Google Académico

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

Artículo CAS Google Académico

Visser, H. et al. ¿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 Académico

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 de la conciencia del sistema de inteligencia artificial sobre el conocimiento de las geociencias: integración simbiótica de enfoques físicos y aprendizaje profundo. Geofísico. Res. Letón. 47, 1–11 (2020).

Artículo Google Académico

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

Artículo Google Académico

eurodiputado PCR. Métodos de monitoreo 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 diarios sobre China y su aplicación en la validación de una simulación RCM. Adv. atmósfera ciencia 26, 763–772 (2009).

Artículo CAS Google Académico

Wu, J. & Gao, X. Un conjunto de datos de observación diaria cuadriculada sobre la región de China y comparación con los 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 St. Lawrence durante 110 años e impactos en la exportación fluvial. globo Biogeoquímica. Ciclos 30, 1000–1014 (2016).

Artículo CAS Google Académico

Hu, M. et al. Cambios a largo plazo (1980–2015) en las entradas netas de fósforo antropogénico y la exportación fluvial de fósforo en la cuenca del río Yangtze. Agua Res. 177, 115779 (2020).

Artículo CAS Google Académico

Xia, X. et al. Analizar la contribución del cambio climático a las variaciones a largo plazo en las fuentes de nitrógeno de sedimentos para embalses/lagos. ciencia Entorno Total. 523, 64–73 (2015).

Artículo CAS Google Académico

Descargar referencias

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

Estos autores contribuyeron por igual: 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 Monitoreo Ambiental Geológico 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 Sedimentos Ministerio de Educación, Facultad de Ciencias e Ingeniería Ambientales, Universidad de Pekín, Beijing, 100871, China

yong liu

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

Ying-dong Tong

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede 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 los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar 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 regulación legal o excede el uso permitido, deberá obtener el 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 febrero 2023

Aceptado: 23 de mayo de 2023

Publicado: 06 junio 2023

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

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

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

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt