Changements dans la qualité de l'eau des rivières chinoises depuis 1980 : implications de gestion du développement durable

npj Clean Water volume 6, Numéro d'article : 45 (2023) Citer cet article

Détails des métriques

Les activités humaines et le changement climatique menacent la qualité de l'eau des rivières chinoises. Nous avons simulé les concentrations mensuelles d'azote total fluvial (TN), d'azote ammoniacal (NH3-N), de phosphore total (TP) et de demande chimique en oxygène (CODMn) dans 613 sous-bassins versants des 10 principaux bassins fluviaux du pays au cours de la période 1980-2050 sur la base d'un ensemble de données de surveillance de 16 ans (2003-2018) à l'aide des modèles d'apprentissage automatique superposés. Les résultats ont montré que la qualité de l'eau s'est nettement améliorée, à l'exception de la concentration en TN, probablement due à l'absence d'un objectif de contrôle et d'un système d'évaluation du TN. L'analyse quantitative a indiqué que les facteurs anthropiques étaient les principaux contrôles par rapport aux facteurs climatiques et géographiques pour les concentrations de TN, TP et NH3-N. Sur la base des 17 objectifs de développement durable (ODD) relatifs à la qualité de l'eau en Chine, les ressources en eau, l'environnement aquatique, l'écologie aquatique et la sécurité de l'eau doivent être pris en compte collectivement pour améliorer l'état écologique des rivières chinoises.

Les rivières sont des canaux importants pour la migration et le transport de la matière entre la terre et les lacs ou les océans, fournissant d'abondantes ressources en eau douce pour l'eau potable, l'irrigation, l'aquaculture, la navigation et la production d'électricité1,2. Cependant, les écosystèmes fluviaux connaissent une détérioration généralisée et sont globalement menacés par les activités anthropiques et le changement climatique3,4. Une étude mondiale a révélé que près de 80 % (4,8 milliards) de la population mondiale (en 2000) vit dans des zones à forte incidence de menace (> 75 %) pour la sécurité humaine de l'eau5. Pire encore, un tiers de la population mondiale n'a pas accès à l'eau potable6. Face aux défis actuels, il est urgent de diagnostiquer les menaces pesant sur la qualité de l'eau des rivières sur une large gamme d'échelles temporelles et spatiales, de remédier à leurs causes profondes et de limiter les menaces à la source pour protéger les ressources en eau douce des rivières5.

Les rivières chinoises ont subi de profondes dégradations de la qualité de l'eau en raison de la pression indéniable du développement économique sur l'environnement depuis la réforme et l'ouverture de la Chine en 19787. Il a été confirmé que la pollution de l'eau en Chine est une cause majeure de 40 milliards de mètres cubes de pénurie d'eau en Chine par an8. L'apport élevé de nutriments anthropiques est une cause critique de la réduction de la qualité de l'eau dans les rivières chinoises. Selon les estimations des modèles multi-échelles, les apports totaux d'azote dissous (TDN) et de phosphore total dissous (TDP) dans les rivières en Chine en 2012 étaient de 28 Tg et 3 Tg, respectivement9. De plus, les nutriments excédentaires des rivières ont été transportés vers les lacs et l'océan, entraînant de fréquents épisodes d'efflorescences et de marées rouges, mettant en danger la santé humaine et aquatique et les services écosystémiques10. Heureusement, la qualité des eaux intérieures à travers la Chine a affiché une nette amélioration ou s'est maintenue à des niveaux favorables à l'échelle nationale de 2003 à 2017, ce qui est attribué à la réduction des rejets de nutriments11,12. En 2022, une enquête nationale sur 3641 sites d'échantillonnage dans des rivières, des lacs et des réservoirs à travers la Chine a montré que 12,1 % des sites d'échantillonnage avaient une qualité de l'eau inférieure à la classe III selon la norme chinoise de qualité environnementale des eaux de surface (GB3838-2002), tandis que 0,7 % des sites avaient un état plus grave, pire que la classe V13. Au cours des quatre dernières décennies depuis la Réforme et l'Ouverture, dans le contexte de l'équilibre entre le développement économique et la protection de l'environnement, il est essentiel d'identifier les modèles de qualité de l'eau et les mécanismes sous-jacents dans les rivières chinoises afin de fournir des références et des informations pour la protection de la qualité de l'eau des rivières dans les pays en développement7.

Plusieurs études ont été consacrées aux modèles de qualité de l'eau dans les rivières chinoises et à leurs facteurs associés, tels que la quantification des apports de N et de P aux rivières chinoises à partir de différentes sources à plusieurs échelles9, le cycle des nutriments dans les systèmes fluviaux, y compris les sources, la transformation et le flux14,15, et les modèles spatiaux de qualité de l'eau et les covariables critiques de la dégradation des rivières12,16,17,18. Cependant, il existe encore des lacunes dans la compréhension de la variation spatio-temporelle et du mécanisme sous-jacent de la qualité de l'eau des rivières chinoises au cours des quatre dernières décennies. Premièrement, le manque de données de surveillance nationale à fréquence régulière et à long terme est le principal goulot d'étranglement dans l'étude des impacts sur la qualité de l'eau des rivières, car les données de surveillance traçables et disponibles ne s'étendent qu'à partir de 200312,19. Deuxièmement, l'identification des mécanismes moteurs de la variation de la qualité de l'eau des rivières est soumise à la résolution à l'échelle temporelle et spatiale des modèles factoriels et des variables explicatives (y compris les caractéristiques géographiques naturelles, les indicateurs socio-économiques, les données sur l'utilisation des terres et les facteurs météorologiques)12,17. Enfin, il est difficile de surmonter les obstacles à la recherche scientifique et aux applications de gestion, et d'appliquer la compréhension de la variation historique de la qualité de l'eau des rivières et des mécanismes moteurs à la gestion future de la qualité de l'eau et à la réalisation des objectifs de développement durable (ODD)7,10.

L'étude a rassemblé des données mensuelles sur 16 ans (2003-2018) provenant de 613 sites de surveillance de la qualité de l'eau fluviale ainsi que des caractéristiques des bassins versants (par exemple, longitude, latitude, schémas d'utilisation des terres, apports anthropiques nets de N/P et propriétés du sol) et les conditions climatiques à l'échelle nationale pour construire un ensemble de modèles d'apprentissage automatique empilés. Les modèles d'apprentissage automatique par empilement ont intégré les résultats des différents modèles de base, ce qui pourrait réduire la variance et améliorer la stabilité du modèle final20. Trois modèles de base ont été sélectionnés pour leur grande popularité et leurs performances sur la base d'études antérieures, notamment la forêt aléatoire (RF), la machine à vecteurs de support (SVM) et les k plus proches voisins (KNN)19,20. Le modèle d'empilement a été utilisé pour simuler et prédire les variations annuelles et mensuelles de la qualité de l'eau des rivières au cours de la période de 1980 à 2018 (Fig. 1). Nous utilisons ensuite deux scénarios futurs (SSP2-RCP4.5 et SSP5-RCP8.5) pour prédire les tendances décennales de la qualité de l'eau entre 2020 et 2050. Des modèles de régression linéaire multiple (MLR) et des analyses de corrélation ont été utilisés pour quantifier les contributions relatives des facteurs anthropiques, climatiques et géographiques aux changements dans le TN, le NH3-N et le TP fluviaux ainsi que le CODMn. Sur la base des relations entre les ODD et la qualité de l'eau, des politiques de gestion durable de la qualité de l'eau ont été proposées pour parvenir à un meilleur environnement aquatique pour les rivières chinoises, ainsi que pour d'autres pays en développement.

Détails du processus d'empilement de modèles, y compris le traitement des données, le modèle d'empilement, la validation croisée en dix volets et l'application du modèle. Les données de surveillance des concentrations de TN, TP, NH3-N et CODMn de 2003 à 2018 sont utilisées pour stimuler les données mensuelles de 1980 à 2018 et les données interdécennales 2020-2050 selon deux scénarios futurs (SSP2-RCP4.5 et SSP5-RCP8.5).

La comparaison entre les valeurs mesurées et prédites dans les 10 grands bassins fluviaux a montré que nos modèles d'apprentissage automatique étaient généralement capables de recréer les concentrations de TN, TP, NH3-N et CODMn à un niveau de signification de p <0,01 et avec un faible biais prédictif estimé à l'aide du R2, de l'erreur quadratique moyenne (RMSE), de l'efficacité de Nash-Sutcliffe (NSE) et de l'erreur absolue moyenne (MAE) (Fig. 1 supplémentaire, tableau supplémentaire 1). Les statistiques de précision de la validation croisée de 10 fois sur les ensembles de données de test et de validation ont également indiqué la qualité de l'ajustement et le pouvoir prédictif du modèle d'empilement pour les concentrations de TN, TP, NH3-N et CODMn (tableaux supplémentaires 2 à 5). Bien que ce modèle d'empilement d'apprentissage automatique basé sur les données ait une interprétabilité et une déductibilité limitées, il s'est avéré prometteur avec sa robustesse et sa stabilité dans la capacité d'induction de l'apprentissage automatique d'ensemble instruit19,20.

Les tendances de concentration de TN, TP, NH3-N et CODMn étaient différentes dans tout le pays de 1980 à 2018 (Fig. 2a–d). La proportion de sites d'échantillonnage avec des concentrations simulées de TN inférieures à 1,5 mg L−1 en 1980, 1990, 2000, 2010, 2015 et 2018 était de 19,83 %, 20,25 %, 19,60 %, 18,65 %, 17,41 % et 18,12 %, respectivement. Ces tendances suggèrent que la pollution TN a augmenté au cours de la période d'observation. À l'heure actuelle, bien qu'il existe un seuil de concentrations de TN fluviaux dans la norme de qualité environnementale des eaux de surface de Chine (c'est-à-dire 1 mg L−1 pour la classe III), il n'a pas été inclus dans le système d'évaluation par la gestion de l'environnement aquatique21. Les concentrations de NH3-N ont augmenté de 1980 à 2010, puis ont diminué de 2010 à 2018. CODMn a augmenté de 1980 à 2000, puis a diminué de 2000 à 2018 (Fig. 2). Ce résultat est généralement cohérent avec les conclusions d'une étude précédente, qui a révélé que les concentrations de NH3-N et de DCO ont globalement diminué de 2003 à 2017 sur la base des données de surveillance mensuelles obtenues à partir des plans d'eau intérieurs (y compris les rivières et les lacs) en Chine12. Les concentrations de TP ont augmenté de 1980 à 2015, puis ont diminué de 2015 à 2018 (Fig. 2). En 2000, le gouvernement chinois a proposé le plan de contrôle de la quantité totale de polluants, prenant la DCO comme l'un des indices de contrôle de 12 polluants majeurs, et des résultats remarquables ont été obtenus7,22. La loi de la République populaire de Chine sur la prévention et le contrôle de la pollution de l'eau promulguée en 2008 a strictement renforcé la réglementation de la protection de l'environnement de l'eau23. Ensuite, la construction d'une civilisation écologique a été élevée au rang de stratégie nationale en 2012, et une série d'objectifs de réduction des rejets de TP, de DCO et de NH3-N ont été fixés lors du 13e plan de travail global quinquennal de 2016 à 202024. Cependant, les concentrations de nutriments ne devraient pas diminuer sous l'influence des activités humaines futures et du changement climatique (Fig. 2 supplémentaire). Ainsi, la mise en œuvre harmonieuse de ces politiques et plans d'action reste nécessaire pour découpler progressivement la croissance économique de ses impacts environnementaux7,10.

Les panneaux a à d affichent les proportions cumulées de la concentration moyenne annuelle stimulée de TN, TP, NH3-N et CODMn dans les rivières chinoises. e–h Concentrations moyennes de nutriments dans 613 rivières de Chine de 1980 à 2018 (mg L−1). La taille du cercle bleu représente les concentrations moyennes de nutriments pour les 10 principaux bassins de 1980 à 2018.

En raison des différences de conditions géographiques entre les bassins versants, les changements dans les concentrations de nutriments ont différé entre les bassins au cours de la période 1980-2018 (Figures supplémentaires 3-6). À l'exception de la rivière Huaihe (n = 48, p <0,05, r = −0,21), les concentrations moyennes de TN ont augmenté, en particulier dans la rivière Southeast (n = 41, p <0,05, r = 0,86) et la rivière Pear (n = 66, p <0,01, r = 0,97), où les tendances temporelles étaient statistiquement significatives (Fig. 3 supplémentaire). Les concentrations moyennes de TP ont diminué dans la plupart des bassins de Chine, en particulier dans la rivière Songhua (n = 45, p <0,05, r = −0,75) et le fleuve Jaune (n = 67, p <0,01, r = −0,76) (Fig. 4 supplémentaire). Cependant, les concentrations de NH3-N et de CODMn ont affiché plusieurs changements de phase dans certains bassins. Les concentrations de NH3-N et de CODMn ont augmenté au début de la période d'observation, tandis que les concentrations de NH3-N et de CODMn ont diminué dans la plupart des régions de Chine ces dernières années (Figs. 5, 6 supplémentaires).

Nos résultats montrent que les concentrations de TN présentaient des variations spatiales significatives avec une moins bonne qualité de l'eau dans l'est de la Chine entre 1980 et 2018 (p <0, 01; Fig. 2e). Les concentrations de TP, NH3-N et CODMn ne variaient pas significativement entre les bassins (Fig. 2f – h). Les proportions de sites d'échantillonnage avec une concentration de TN supérieure à 1,5 mg L−1 étaient de 62,3 %, ce qui suggère que le TN représente un problème de pollution relativement grave dans la plupart des régions de Chine selon les normes actuelles de qualité de l'eau. La proportion de sites d'échantillonnage avec des observations simulées où la concentration de TP était supérieure à 0,2 mg L-1, la concentration de NH3-N était supérieure à 1,0 mg L-1 et la proportion de concentration de CODMn était supérieure à 6,0 mg L-1 était de 13,3 %, 16,3 % et 13,7 %. Par rapport à la distribution historique des nutriments, la proportion avec des concentrations plus élevées a augmenté entre 2020 et 2050 (Fig. 7 supplémentaire). Dans le scénario SSP2-RCP4.5, les proportions d'observations simulées où la concentration de TN est supérieure à 1,5 mg L-1, la concentration de TP est supérieure à 0,2 mg L-1, la concentration de NH3-N est supérieure à 1,0 mg L-1 et la proportion de concentration de CODMn est supérieure à 6,0 mg L-1 sont respectivement de 75,8 %, 18,2 %, 40,2 % et 17,6 %. Dans le scénario SSP5-RCP8.5, la proportion d'observations simulées totales où les concentrations de TN, TP, NH3-N et CODMn étaient supérieures à 1,5 mg L-1, 0,2 mg L-1, 1,0 mg L-1 et 6,0 mg L-1 sont respectivement de 75,2 %, 19,6 %, 43,2 % et 17,5 %. Les résultats montrent clairement que les activités humaines et le changement climatique influenceront de manière significative les concentrations de nutriments fluviaux, en particulier dans les fleuves Jaune, Huaihe et Haihe (p < 0,01).

Les covariables liées à la concentration en éléments nutritifs ont été divisées en trois catégories, y compris les facteurs anthropiques, climatiques et géographiques. Les ratios de contribution de ces facteurs anthropiques, climatiques et géographiques pour les concentrations de nutriments sont quantifiés en saisissant séparément les données de chacun des 10 bassins fluviaux dans le modèle MLR (Fig. 3a–d). Parmi les covariables considérées, les prédicteurs anthropiques avaient une contribution plus importante (24,93–71,29 % pour TN, 22,43–77,10 % pour TP et 52,37–91,06 % pour NH3-N) par rapport aux facteurs climatiques (21,51–58,83 % pour TN, 17,73–73,86 % pour TP et 5,16–37,79). % pour NH3-N) et les facteurs géographiques (4,25–16,23 % pour TN, 3,70–25,61 % pour TP et 6,90–18,21 % pour NH3-N) lors de la saisie des données dans le modèle MLR en utilisant les données pour chacun des 10 bassins fluviaux (Fig. 3a–d). Cependant, le schéma des ratios de contribution pour les facteurs anthropiques, climatiques et géographiques pour CODMn différait entre les bassins fluviaux. En général, les facteurs géographiques ont eu une contribution plus importante (41,60 %) que les facteurs climatiques (25,55 %) et les prédicteurs anthropiques (32,83 %) dans la rivière intérieure du Nord-Ouest. Les facteurs climatiques ont eu une contribution plus importante à la concentration de CODMn par rapport aux facteurs géographiques et aux prédicteurs anthropiques dans la rivière Songhua, la rivière Jaune, la rivière Huaihe, la rivière Southwest et la rivière Southeast. Cette constatation peut être due au fait que l'azote et le phosphore des rivières proviennent principalement de sources anthropiques et sont donc fortement corrélés aux activités humaines25,26,27. Une étude précédente a révélé que les sources ponctuelles représentaient 75 % de l'apport de TDP et que les sources agricoles non ponctuelles représentaient 72 % de l'apport de TDN dans les rivières chinoises en 20129. Cependant, les sources possibles de DCO pourraient être davantage liées à des sources naturelles, y compris des sources endogènes provenant de la dégradation des algues et des plantes aquatiques et de la libération de sédiments, et des sources exogènes provenant de la sédimentation atmosphérique et de l'importation de végétation terrestre et de matière organique du sol28,29. L'augmentation de la température induite par le changement climatique, l'intensification hydrologique et les conditions météorologiques extrêmes affectent le moment et l'ampleur de l'apport de matière organique dissoute des écosystèmes terrestres aux eaux de surface2,29.

a–d Les contributions en pourcentage des facteurs anthropiques, climatiques et géographiques ont utilisé la régression linéaire multiple. e–h Coefficients de régression pour chaque prédicteur.

De plus, les coefficients de régression entre les concentrations de TN, TP et NH3-N et les facteurs anthropiques étaient plus élevés que ceux des facteurs naturels et géographiques (Fig. 3e – h). Parmi les facteurs géographiques sélectionnés, l'altitude, la pente, l'azote total du sol (STN), le phosphore total du sol (STP) et la matière organique du sol (SOM) ont affiché une contribution perceptible à la variabilité des éléments nutritifs dans la plupart des bassins fluviaux. Les facteurs de précipitation (Pre et PRCPTOT) étaient de bons prédicteurs des concentrations de TN, TP et CODMn dans les 10 bassins étudiés, à l'exception de NH3-N. En revanche, la température de l'air (Atmr10) était un faible prédicteur des concentrations de nutriments dans les 10 bassins étudiés (tableau supplémentaire 6).

En ce qui concerne les facteurs anthropiques sélectionnés, notre analyse montre que le pourcentage de terres agricoles, de terres forestières, de prairies, de zones urbaines, de population et d'apports anthropiques de N et P étaient des covariables critiques pour les niveaux de nutriments fluviaux (Fig. 3e – h). L'étendue de la zone urbaine et des terres agricoles dans un bassin versant donné a montré une relation positive constante avec les concentrations de nutriments. En revanche, les terres forestières et les prairies affichaient une relation négative avec les concentrations de nutriments. La population avait une signature distincte sur les niveaux de nutriments dans les rivières Songhua (NH3-N, TN, TP et CODMn), Huaihe (NH3-N et CODMn), Southwest (TP) et Northwest Inland (NH3-N et TP). Une étude pertinente menée précédemment a utilisé l'intensité lumineuse nocturne pour caractériser la population et a conclu que l'intensité lumineuse nocturne avait une signature distincte (contribution> 35%) sur les deux niveaux de nutriments (TP et NH3-N) dans les bassins de Yellow et Pearl River17, ce qui est différent de notre étude. Les apports anthropiques de N et de P avaient des contributions plus élevées à la variabilité des deux nutriments dans les fleuves Songhua, Haihe, Huaihe, Yangtze, Sud-Ouest et Nord-Ouest Intérieurs, où une contribution un peu plus élevée a été enregistrée avec un coefficient de régression > 1 (Fig. 3e – h). Les résultats suggèrent qu'avec la croissance socio-économique, les rivières des régions occidentales et intérieures de la Chine (à l'exception des régions orientales) ont enregistré de graves dégradations de la qualité de l'eau, qui devraient faire l'objet d'une plus grande attention à l'avenir.

Notre tentative de caractériser la signature des activités anthropiques a nécessité une évaluation du rôle des facteurs naturels, tels que les conditions météorologiques et les caractéristiques géographiques, dans la formation de la qualité de l'eau fluviale. Lors de l'examen des 613 sous-bassins versants à travers la Chine, notre analyse a pu discerner une faible relation négative entre l'élévation et / ou la pente et les concentrations de nutriments (Fig. 3e – h), suggérant que les sites à des altitudes plus élevées et / ou qui possédaient des pentes plus raides présentaient des niveaux de nutriments inférieurs. En général, les activités anthropiques augmentent avec la diminution de l'altitude, et les plaines et les zones basses sont sensibles à la culture agricole intensive, à l'élevage de bétail et de volaille, au développement urbain et à l'agrégation de la population30. La pente du bassin versant détermine la vitesse d'écoulement de l'eau et la sévérité de l'érosion du sol. Par rapport aux rivières de plaine, les rivières de montagne avec des pentes plus élevées devraient connaître des débits plus rapides et une érosion plus sévère, entraînant des temps de rétention plus courts pour l'eau et une capacité d'auto-épuration plus faible2. Nos résultats ont confirmé la corrélation négative entre l'altitude et la concentration en nutriments des rivières chinoises et ont constaté que l'effet positif théorique de la pente sur la concentration en nutriments était compensé par d'autres activités humaines, telles que la retenue pour réguler la rétention hydraulique et en nutriments17,31.

Le moment et l'ampleur des apports de nutriments exogènes et les facteurs favorisant la migration et la transformation internes des nutriments dans les cours d'eau peuvent être affectés par le forçage météorologique à long terme32. L'augmentation de la température de l'air influencera les régimes thermiques fluviaux, ainsi que les propriétés physiques et chimiques de l'eau (c'est-à-dire le pH de l'eau, la salinité, la solubilité, la viscosité et les taux de diffusion), affectant davantage les processus biochimiques tels que la nitrification, la dénitrification, la minéralisation des sédiments et la relibération14,33,34. Le rôle des précipitations ou des précipitations extrêmes est également un facteur dominant affectant les régimes hydrologiques, y compris les caractéristiques hydrauliques, le niveau d'eau, le débit, le régime des inondations et les cycles de l'eau3,35. De plus, les changements dans la quantité, la fréquence et l'intensité des précipitations mobiliseront les nutriments sur la terre par des processus de surface et souterrains pour collecter la pollution diffuse et libéreront des concentrations plus élevées de sédiments par érosion et remise en suspension36,37. Une étude précédente a suggéré que les précipitations dominaient la variabilité interannuelle de la charge de N fluvial à travers les États-Unis continentaux au cours de la période 1987-20073. Nos résultats montrent que la relation entre les concentrations de nutriments dans les rivières et les facteurs météorologiques moyens et extrêmes varie selon la région géographique et les indicateurs de qualité de l'eau (Fig. 3), probablement en raison de la covariance entre les facteurs météorologiques et d'autres variables d'activité naturelle et humaine14,33.

Par rapport aux effets relativement mineurs des facteurs climatiques et géographiques pris en compte, la population, le NANI/NAPI et le pourcentage de types spécifiques d'utilisation des terres se sont révélés être les meilleurs prédicteurs des niveaux de nutriments fluviaux (à l'exception de CODMn) et ont expliqué la plupart de la variation des nutriments collectivement (Fig. 3). Il a été confirmé que l'urbanisation continue et le développement agricole intensif ont eu un impact profond sur les apports de nutriments des terres aux rivières25,26. Il convient de noter que les taux explicatifs moyens des variables prédites utilisées après dépistage des variations des concentrations de CODMn, NH3-N, TN et TP dans les 10 bassins fluviaux étaient de 52,92 %, 35,74 %, 72,15 % et 31,97 %, respectivement (tableau supplémentaire 7). Les mesures de lutte contre la pollution, telles qu'indiquées par la proportion de terres dotées de systèmes de drainage et la capacité des stations d'épuration, et la construction d'installations de conservation de l'eau devraient être prises en compte dans les études ultérieures en raison de leurs impacts sur l'apport et la migration des nutriments fluviaux, bien qu'il soit difficile de collecter ces données avec une résolution et une précision élevées en Chine depuis 198017.

Notre analyse a suggéré que les activités anthropiques et les facteurs naturels ont un impact significatif sur les niveaux de nutriments fluviaux. De plus, les changements dans les politiques de gestion de l'environnement de l'eau ont joué un rôle important dans l'amélioration de la qualité de l'eau. Au fur et à mesure que la norme de contrôle des rejets a progressivement retenu l'attention, la politique de gestion de l'environnement de l'eau a été transférée pour cibler les rejets de DCO depuis 2000. Par conséquent, les concentrations de CODMn ont diminué depuis lors, en particulier dans le fleuve Jaune et le fleuve Huaihe (Fig. 8 supplémentaire). Le Plan d'action pour la prévention et le contrôle de la pollution de l'eau en Chine a été formulé en 2015 pour renforcer la prévention et le contrôle de la pollution de l'eau, et tous les domaines fonctionnels de l'eau doivent répondre aux exigences de qualité de l'eau. Au cours de la période 2007-2017, les charges de N et de P exportées par l'agriculture ont considérablement diminué, passant respectivement de 1,598 × 109 à 7,195 × 108 kg et de 1,087 × 108 à 7,62 × 107 kg38. Les concentrations de TP et de NH3-N ont également diminué avec le changement de politique de l'eau ces dernières années (Fig. 4, Fig. 9 supplémentaire). Cependant, le TN n'a pas été inclus dans les objectifs de contrôle de la qualité des eaux de surface de la Chine au cours des dernières années et, par conséquent, les concentrations de TN n'ont pas diminué de manière significative (Figs. 3 et 10 supplémentaires), ce qui entraînera un préjudice potentiel pour les écosystèmes aquatiques. Par conséquent, certaines mesures d'atténuation doivent être prises pour gérer l'azote afin de restaurer la qualité de l'eau en Chine21.

I représente le contrôle de rejet standard utilisé entre 1980 et 2005 ; II représente l'approche de contrôle du montant total cible utilisée entre 2005 et 2015 ; et III représente l'amélioration de la qualité de l'environnement de l'eau entre 2015 et 2018. a Rivière Songhua ; b Fleuve Jaune; c Rivière Huaihe; et d Fleuve Yangtze.

Bien que les récentes diminutions des concentrations de TP, de NH3-N et de CODMn dans la plupart des rivières indiquent que les mesures de contrôle des nutriments de la Chine ont été efficaces, il convient de noter que l'atteinte d'un bon état écologique prendra beaucoup de temps (Fig. 2 supplémentaire). Actuellement, des problèmes existent au sein du système chinois de gestion de l'environnement de l'eau, tels que des normes unifiées de qualité de l'environnement de l'eau pour toutes les régions, la séparation de la gestion de la quantité d'eau et de la gestion de la qualité de l'eau, et la coordination entre les différentes organisations de gestion. Les résultats de cette étude indiquent que la Chine a maintenant besoin de stratégies régionales plus flexibles pour faire face aux différentes tendances régionales et sources de charges de nutriments dans les eaux douces. La révision en cours de la loi chinoise sur la prévention et le contrôle de la pollution de l'eau devrait proposer des changements importants à la structure actuelle de gouvernance de l'eau et refléter sa flexibilité entre les régions afin de réduire davantage les charges de polluants et les concentrations de nutriments dans les rivières.

Une voie durable est essentielle pour parvenir à une réduction des concentrations fluviales de TN, de TP et de NH3-N ainsi que de CODMn dans un proche avenir. Les 17 ODD ont tous des cibles pertinentes pour la qualité de l'eau des rivières en Chine10. Deux ODD, à savoir l'ODD 6 "Eau propre et assainissement" et l'ODD 14 "Vie sous l'eau", sont particulièrement pertinents pour la qualité de l'eau. Par exemple, la réduction de la pollution par les nutriments dans les eaux souterraines peu profondes et les eaux de surface pourrait contribuer à assurer un accès universel et équitable à une eau potable sûre et abordable d'ici 2030 (ODD 6.1)8. La réalisation d'une augmentation substantielle de l'efficacité de l'utilisation de l'eau dans tous les secteurs et la garantie de prélèvements durables et d'un approvisionnement durable en eau douce pour faire face à la pénurie d'eau d'ici 2023 (ODD 6.4) pourraient réduire la pollution par les nutriments dans les systèmes d'eau en améliorant l'efficacité de l'utilisation de l'eau dans l'agriculture et en modernisant les réseaux de canalisations d'eaux usées domestiques afin de réduire le lessivage et le ruissellement des nutriments dans les eaux. La réduction des exportations fluviales de nutriments pourrait contribuer à atteindre l'objectif de prévention et de réduction significative de la pollution marine de toutes sortes (en particulier la pollution due aux activités terrestres), y compris les débris marins et la pollution par les nutriments d'ici 2025 (ODD 14.1)10. Sur la base des objectifs de développement durable, les ressources en eau, l'environnement aquatique, l'écologie aquatique et les risques liés à l'eau doivent être considérés ensemble pour atteindre un bon état écologique des rivières chinoises. Lors de la formulation des politiques futures, une attention particulière doit être accordée aux rejets polluants, aux systèmes d'égouts et au changement climatique en ce qui concerne leur faisabilité économique, sociétale, institutionnelle et technique pour garantir l'efficacité des politiques de lutte contre la pollution.

Les données variables collectées ont été filtrées à l'aide d'un coefficient d'information maximal (MIC). En fait, le processus était basé sur trois étapes : (1) MIC > 0,25 ; (2) suppression des variables de prédiction avec colinéarité (analyse de corrélation de Spearman, R > 0,8) ; (3) rétention de l'indice de prédiction qui a une forte corrélation avec un indice de réponse (analyse de corrélation de Spearman, R > 0,4). Les processus généraux inhérents aux modèles sont illustrés à la Fig. 1. Nous avons utilisé la méthode d'empilement de modèles, qui a fourni une prédiction composite basée sur les résultats de plusieurs modèles de base (c'est-à-dire RF, SVM et KNN)20. L'algorithme d'empilement de modèles utilise un cadre d'apprentissage à deux niveaux dans lequel les sorties générées par des modèles de base individuels sont entrées dans un autre modèle pour générer des prédictions finales39,40. Le processus d'apprentissage du modèle d'empilement est divisé en trois étapes : génération d'empilement, élagage d'empilement et intégration d'empilement. La phase de génération d'empilement fait principalement référence à la génération de modèles de base, tandis que les deux dernières étapes combinent de manière optimale les prédictions du modèle de base pour former un ensemble final de prédictions à l'aide d'un algorithme de second niveau.

Différentes méthodes peuvent être utilisées pour combiner les modèles de base, parmi lesquelles la combinaison linéaire est la plus utilisée41,42,43. Un modèle d'empilement linéaire a une fonction de prédiction exprimée comme suit :

où y représente la cible d'empilement ; f1, f2, ⋯, fM désignent les prédictions du modèle de base à partir de M algorithmes individuels (M = 3 dans cette étude) ; et wm (m = 1,⋯, M) est le poids attribué à chaque modèle de base. Le problème clé de cette approche réside dans la façon d'obtenir l'ensemble optimal de poids (Fig. 1). Un algorithme basé sur la programmation quadratique a été adopté pour estimer l'ensemble de poids à l'aide du progiciel R. Nous avons ensuite supposé que l'ensemble de données dont nous avons l'intention d'estimer les poids pour N observations. Tout d'abord, un modèle de base m est formé à l'aide de l'ensemble de données avec la ième observation supprimée. \({\hat{f}}_{m}^{-i}({{x}_{i}})\) représente la prédiction du modèle m pour la ième observation. L'estimation des poids est obtenue à partir de la régression linéaire des moindres carrés de yi (valeur observée de la ième observation) sur la combinaison linéaire de \({\hat{f}}_{m}^{-i}({{x}_{i}})\), m = 1,⋯, M. L'ensemble optimal de poids d'empilement est estimé en minimisant la fonction objectif suivante sous deux contraintes :

où \({\hat{\omega }}^{{st}}\) est la fonction objectif, et xi fait référence à la ième observation composée de toutes les variables environnementales. Les deux contraintes ci-dessus sont raisonnables si nous interprétons les poids comme des probabilités de modèle a posteriori. Il convient de noter que la ième observation est supprimée des données d'apprentissage lors de l'apprentissage du modèle m pour éviter d'attribuer des poids injustement élevés aux modèles plus complexes44. Des informations plus détaillées sur l'approche peuvent être consultées dans les informations complémentaires.

Les performances de prédiction des ensembles de données de formation et de test ont fourni des informations complémentaires pour la validation du modèle. La formation a principalement montré la robustesse du modèle, c'est-à-dire la stabilité et l'équilibre de la prévisibilité du modèle en présence d'un brassage des données. Les tests mesurent les performances du modèle sur les données invisibles et traitent de l'adéquation du modèle. Dans ce contexte, nous avons utilisé le coefficient de corrélation de Pearson (R2) comme métrique statistique pour quantifier les performances prédictives des modèles (tableaux supplémentaires 1 à 5). Pour compléter le coefficient de corrélation de Pearson et fournir une évaluation approfondie de la précision du modèle, nous avons calculé la RMSE, la NSE et la MAE. NSE estime la correspondance entre les valeurs observées et prédites45.

Dans cette étude, un modèle MLR a été utilisé pour évaluer les facteurs contrôlant les niveaux de nutriments dans les plans d'eau. Les modèles MLR donnent un aperçu des relations entre les variables de réponse et plusieurs variables explicatives. L'influence de chaque variable explicative sur la variable réponse est déterminée à partir du rapport des coefficients de normalisation des différentes variables explicatives à la somme des valeurs absolues des coefficients de normalisation totaux46. La réponse considérée et les variables explicatives sont présentées dans le tableau supplémentaire 6. Cette approche a été largement appliquée pour simuler la qualité de l'eau et identifier les principaux facteurs déterminants3,32. Le modèle MLR appliqué dans cette étude utilise une fonction de connexion pour établir la relation entre les variables de réponse (concentrations en nutriments) et les variables explicatives (facteurs environnementaux). En considérant une variable réponse Y et p variables explicatives X1,…,Xp, et n observations pour MLR, soit :

où \({\varepsilon }_{i} \sim N(0,{\delta }^{2})\) pour i = 1, …, n. Après avoir testé la colinéarité des variables prédictives, cette étude a utilisé les données moyennes annuelles des 613 sous-bassins versants de 1980 à 2018 pour saisir séparément les données de 10 grands bassins fluviaux dans le modèle. La méthode des moindres carrés ordinaires obtient la meilleure fonction en minimisant la somme des carrés des erreurs pour estimer le coefficient de normalisation. La signification des coefficients standardisés et des équations d'ajustement a été testée à l'aide de tests t et de tests F, respectivement46. Le coefficient standardisé (r) entre les variables de réponse et les variables explicatives a été utilisé pour comparer l'influence de chaque variable sur la variabilité des nutriments. L'influence, dans ce cas, est présentée sous la forme d'un pourcentage de contribution de chaque variable comme suit :

où Ci représente le pourcentage de contribution de la variable i, i = 1, 2, 3, ···, p, et ri représente le coefficient standardisé entre les variables de réponse et la variable explicative i.

Dans cette étude, quatre paramètres de qualité de l'eau sélectionnés, y compris CODMn, TN, NH3-N et TP ont été sélectionnés pour décrire la qualité de l'eau en Chine. Des données mensuelles ont été recueillies entre 2003 et 2018 à partir de 613 sites de surveillance de la qualité de l'eau fluviale dans les 10 principaux bassins fluviaux du pays auprès du Centre national de surveillance de l'environnement de Chine (http://www.mee.gov.cn/hjzl/shj/dbszdczb//). Les concentrations de CODMn, TN, NH3-N et TP ont été analysées en laboratoire à l'aide des procédures d'essai standard recommandées par le ministère de la protection de l'environnement de Chine47, qui n'ont pas changé au cours de la période indiquée. Les 10 bassins fluviaux comprenaient les fleuves Songhua, Liaohe, Haihe, Yellow, Huaihe, Yangtze, Southeast, Pearl, Southwest et Northwest Inland. Des données spatiales ont également été recueillies dans les bassins, y compris les conditions géographiques, les propriétés physico-chimiques du sol, les conditions climatiques, l'utilisation des terres, les rejets anthropiques et le développement socio-économique (tableau supplémentaire 6). Les élévations et les pentes de chaque station de surveillance de l'eau ont été déterminées sur la base d'un modèle numérique d'élévation (résolution de 1 × 1 km) du Resource and Environment Science and Data Center (http://www.resdc.cn/Default.aspx). Les conditions météorologiques locales (par exemple, la température, les précipitations, la vitesse du vent et l'indice climatique extrême) sur le domaine spatial couvert par le réseau national ont été obtenues à partir de l'ensemble de données CN05.1, qui a été obtenu auprès de l'Administration météorologique chinoise et construit par "l'approche des anomalies". L'interpolation des données entre les sites était basée sur de nombreuses observations de stations (–2400) en Chine48,49. Le jeu de données a une résolution spatiale de 0,25° × 0,25°. Les propriétés du sol de chaque sous-bassin ont été extraites d'une carte numérique des propriétés du sol obtenue auprès de l'Institut des sciences du sol de l'Académie chinoise des sciences (http://www.issas.cas.cn/). L'échelle de la carte numérique des propriétés du sol utilisée est de 1:1 000 000. L'ensemble de données sur l'utilisation des terres de Chine (avec une résolution de 30 × 30 m) a été obtenu auprès de l'Institut des sciences géographiques et de recherche sur les ressources naturelles (IGSNRR, Académie chinoise des sciences) (http://www.resdc.cn/Default.aspx). Les apports anthropiques nets de N et de phosphore (P) (NANI et NAPI) ont été estimés sur la base des données d'activité de rejet déclarées et du coefficient de rejet50,51. Les données d'activité de décharge ont été obtenues à partir de l'Annuaire statistique chinois (https://data.cnki.net/Yearbook/Navi?type=type&code=A). Le produit intérieur brut (PIB) et la densité de population (POP) représentent deux indicateurs socio-économiques importants qui peuvent affecter les sources de pollution et l'apport de polluants dans les masses d'eau52. La distribution spatiale des données socio-économiques (résolution de 1 × 1 km) a été obtenue auprès du Resource and Environment Science and Data Center de l'Institut des sciences géographiques et de la recherche sur les ressources naturelles de l'Académie chinoise des sciences (https://www.resdc.cn/).

Les données historiques sur le PIB et la POP ont été obtenues à partir des annuaires statistiques chinois (1980-2018) (http://www.stats.gov.cn/english/Statisticaldata/). Les données annuelles d'utilisation des terres pour le COAC à une résolution de 30 × 30 m ont été obtenues du National Earth System Science Data Center pour une période de 39 ans (1980-2018), qui intègrent les données AVHRR, MODIS et Landsat à l'aide de l'algorithme BFAST. Les données sur la qualité de l'eau ont été obtenues auprès du Centre national chinois de surveillance de l'environnement (https://szzdjc.cnemc.cn:8070/GJZ/Business/Publish/Main.html). Toutes les données sont également disponibles immédiatement auprès de l'auteur correspondant sur demande raisonnable. Les sites du National Earth System Science Data Center of China et du China National Environmental Monitoring Center peuvent être traduits en anglais par le plugin Google Translate dans Chrome ou le site Google Translate pour la traduction de sites Web (https://translate.google.com/?sl=zh-CN&tl=en&op=websites).

Grill, G. et al. Cartographier les rivières à écoulement libre du monde. Nature 569, 215-221 (2019).

CAS Google Scholar

Palmer, M. & Ruhi, A. Liens entre le régime d'écoulement, le biote et les processus écosystémiques : implications pour la restauration des rivières. Sciences 365, eaaw2087 (2019).

CAS Google Scholar

Sinha, E., Michalak, A. & Balaji, V. L'eutrophisation augmentera au cours du 21e siècle en raison des changements de précipitations. Sciences 357, 405-408 (2017).

CAS Google Scholar

Strokal, M. et al. Modélisation globale multi-polluants de la qualité de l'eau : défis scientifiques et orientations futures. Courant. Avis. Environ. Soutenir. 36, 116-125 (2019).

Google Scholar

Vorosmarty, C. et al. Menaces mondiales pour la sécurité humaine de l'eau et la biodiversité des rivières. Nature 467, 555-561 (2010).

CAS Google Scholar

Les Nations Unies. Objectifs de développement durable. https://www.un.org/sustainabledevelopment/water-and-sanitation/ (2020)

Lu, Y. et al. Quarante ans de réforme et d'ouverture : les progrès de la Chine vers une voie durable. Sci. Adv. 5, eaau9413 (2019).

Google Scholar

Tao, T. & Xin, K. Un plan durable pour l'eau potable en Chine : lutter contre la pollution et utiliser différentes qualités d'eau pour différentes tâches est plus efficace que de rendre toute l'eau potable. Nature 511, 527-529 (2014).

CAS Google Scholar

Chen, X. et al. Modélisation multi-échelle de la pollution par les nutriments dans les rivières de Chine. Environ. Sci. Technol. 53, 9614–9625 (2019).

CAS Google Scholar

Wang, M. et al. La prise en compte des interactions entre les objectifs de développement durable est essentielle pour le contrôle de la pollution de l'eau en Chine. Nat. Commun. 13, 730 (2022).

CAS Google Scholar

Huang, J. et al. Quel est le succès des efforts de restauration des lacs et réservoirs chinois ? Environ. Int. 123, 96-103 (2019).

CAS Google Scholar

Ma, T. et al. La Chine améliore la qualité des eaux de surface intérieures depuis 2003. Sci. Adv. 6, eaau3798 (2020).

CAS Google Scholar

Ministère de l'écologie et de l'environnement, Bulletin annuel de la RPC sur l'écologie et l'environnement de la Chine. https://www.mee.gov.cn/hjzl/shj/qgdbszlzk/ (2022).

Xia, X. et al. Le cycle de l'azote dans les systèmes fluviaux : sources, transformation et flux. Environ. Sci. -Proc. Lutin. 20, 863–891 (2018).

CAS Google Scholar

Wang, S. et al. Réduction du transport des sédiments dans le fleuve jaune en raison de changements anthropiques. Nat. Géosci. 9, 38–42 (2016).

CAS Google Scholar

Huang, F., Wang, X., Lou, L., Zhou, Z. & Wu, J. Variation spatiale et répartition des sources de pollution de l'eau dans la rivière Qiantang (Chine) à l'aide de techniques statistiques. Eau Rés. 44, 1562-1572 (2010).

CAS Google Scholar

Huang, J. et al. Caractériser la qualité des eaux fluviales en Chine : progrès récents et défis actuels. Eau Rés. 201, 117309 (2021).

CAS Google Scholar

Zhou, Y. et al. Améliorer la qualité de l'eau en Chine : l'investissement environnemental porte ses fruits. Eau Rés. 118, 152-159 (2017).

CAS Google Scholar

Ma, C. et al. Améliorer l'estimation des concentrations d'azote et de phosphore dans les lacs et les réservoirs à l'aide d'une approche empilée. Earths Future 11, e2022EF003013 (2023).

CAS Google Scholar

Chen, K. et al. Analyse comparative des performances de prédiction de la qualité des eaux de surface et identification des paramètres clés de l'eau à l'aide de différents modèles d'apprentissage automatique basés sur des mégadonnées. Eau Rés. 171, 115454 (2020).

CAS Google Scholar

Yu, C. et al. Gérer l'azote pour restaurer la qualité de l'eau en Chine. Nature 567, 516–520 (2019).

CAS Google Scholar

Tong, Y. et al. Diminution de la concentration de phosphore dans les lacs chinois accompagnée d'un changement dans les sources depuis 2006. Nat. Géosci. 10, 507–511 (2017).

CAS Google Scholar

He, GZ, Zhang, L., Mol, APJ, Lu, Y. & Liu, J. Révision de la législation environnementale chinoise. Sciences 341, 133 (2013).

CAS Google Scholar

Zhang, B. Plan quinquennal : superviser la politique environnementale chinoise. Nature 534, 179 (2015).

Google Scholar

Ongley, ED, Zhang, X. & Yu, T. État actuel de l'évaluation de la pollution agricole et rurale non ponctuelle en Chine. Environ. Pollution. 158, 1159-1168 (2010).

CAS Google Scholar

Shen, Z., Liao, Q., Hong, Q. & Gong, Y. Un aperçu de la recherche sur la modélisation de la pollution agricole diffuse en Chine. Sept. Purif. Technol. 84, 104–111 (2012).

CAS Google Scholar

Huo, S. et al. Différences spatio-temporelles des flux fluviaux d'azote et de phosphore et facteurs associés à travers la Chine de 1980 à 2018. Chemosphere 310, 136827 (2023).

CAS Google Scholar

Lapierre, JF, Guillemette, F., Berggren, M. & Giorgio, PD L'augmentation du carbone d'origine terrestre stimule le traitement du carbone organique et les émissions de CO2 dans les écosystèmes aquatiques boréaux. Nat. Commun. 4, 2972 (2013).

Google Scholar

Credo, IF et al. Effets induits par le changement global sur la composition de la matière organique dissoute : implications pour les réseaux trophiques des lacs du Nord. Glob. Changer Biol. 24, 3692–3714 (2018).

Google Scholar

Zhou, J., Leavitt, PR, Zhang, Y. & Qin, B. Eutrophisation anthropique des lacs peu profonds : est-elle occasionnelle. Eau Rés. 221, 118728 (2022).

CAS Google Scholar

Maavara, T. et al. Rétention globale du phosphore par les barrages fluviaux. Proc. Natl Acad. Sci. 112, 15603–15608 (2015).

CAS Google Scholar

Isles, PDF, Xu, Y., Stockwell, JD & Schroth, AW Les changements induits par le climat dans les apports d'énergie et de masse modifient systématiquement la concentration en nutriments et la stoechiométrie dans les régions profondes et peu profondes du lac Champlain. Biogéochimie 133, 201–217 (2017).

CAS Google Scholar

van Vliet, M. et al. Débit fluvial mondial et température de l'eau dans le cadre du changement climatique. Glob. Environ. Modification 23, 450–464 (2013).

Google Scholar

Yang, C., Yang, P., Geng, J., Yin, H. & Chen, K. Charge interne en nutriments des sédiments dans la zone la plus polluée d'un lac eutrophe peu profond (lac Chaohu, Chine) et sa contribution à l'eutrophisation du lac. Environ. Pollution. 262, 114292 (2020).

CAS Google Scholar

Raymond, C. et al. Comprendre et gérer les événements extrêmes connectés. Nat. Clim. Chang 10, 611–621 (2020).

Google Scholar

Green, MB, Nieber, JL, Johnson, G., Magner, J. & Schaefer, B. Influence du chemin d'écoulement sur un rapport N: P dans deux cours d'eau d'amont: une étude de bassin versant apparié. J. Geophys. Rés. Biogeosci. 112, G03015 (2007).

Google Scholar

Stockwell, J. et al. Impacts des tempêtes sur la dynamique des communautés de phytoplancton dans les lacs. Glob. Changer Biol. 26, 2756–2784 (2020).

Google Scholar

Ministère de l'écologie et de l'environnement, PRC Second National Pollutant Source Census Bulletin. http://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/t20200610_783547.html. (2020)

Zhai, B. & Chen, J. Développement d'un modèle d'ensemble empilé pour la prévision et l'analyse des concentrations quotidiennes moyennes de pm 2,5 à Pékin, en Chine. Sci. Environ. 635, 644–658 (2018).

CAS Google Scholar

Rice, JS & Emanuel, RE Comment les réponses des débits fluviaux à l'oscillation sud d'El Niño sont-elles affectées par les caractéristiques des bassins versants ? Ressource en eau. Rés. 53, 4393–4406 (2017).

Google Scholar

Li, W. et al. Estimation de la concentration d'oxygène dissous dans le bassin de la rivière des Perles à l'aide de techniques de sélection de variables d'entrée et d'apprentissage automatique. Sci. Environ. 731, 139099 (2020).

CAS Google Scholar

Shen, LQ, Amatulli, G., Sethi, T., Raymond, P. & Domisch, S. Estimation des concentrations d'azote et de phosphore dans les ruisseaux et les rivières, dans un cadre d'apprentissage automatique. Sci. Données 7, 161 (2020).

CAS Google Scholar

Visser, H. et al. Qu'est-ce qui détermine la qualité écologique des eaux de surface ? Une revue de 11 outils de modélisation prédictive. Water Res 208, 117851 (2022).

CAS Google Scholar

Friedman, J., Hastie, T., Tibshirani, R. Les éléments de l'apprentissage statistique. vol. 1. Springer Series in Statistics, New York, NY, États-Unis. https://doi.org/10.1007/978-0-387-84858-7 (2001).

Jiang, S., Zheng, Y. & Solomatine, D. Améliorer la sensibilisation du système d'IA aux connaissances géoscientifiques : intégration symbiotique des approches physiques et de l'apprentissage en profondeur. Géophys. Rés. Lett. 47, 1–11 (2020).

Google Scholar

Korkmaz, M. Une étude sur la formule générale de la somme des carrés de régression dans la régression linéaire multiple. Numéro. Partie Méthodes. DE 37, 406–421 (2020).

Google Scholar

PCR MEP. Méthodes de surveillance et d'analyse de l'eau et des eaux usées. China Environmental Science Press, Pékin (2002).

Xu, Y. et al. Un ensemble de données de température quotidienne sur la Chine et son application à la validation d'une simulation RCM. Adv. Atmos. Sci. 26, 763–772 (2009).

CAS Google Scholar

Wu, J. & Gao, X. Un ensemble de données d'observation quotidienne maillée sur la région de la Chine et une comparaison avec les autres ensembles de données. Menton. J. Geophys. 56, 1102-1111 (2013).

Google Scholar

Goyette, JO, Bennett, EM, Howarth, RW & Maranger, R. Évolution des apports anthropiques d'azote et de phosphore dans le sous-bassin du Saint-Laurent sur 110 ans et impacts sur les exportations fluviales. Glob. Biogéochimie. Cycles 30, 1000–1014 (2016).

CAS Google Scholar

Hu, M. et al. Changements à long terme (1980-2015) des apports anthropiques nets de phosphore et des exportations fluviales de phosphore dans le bassin du fleuve Yangtze. Eau Rés. 177, 115779 (2020).

CAS Google Scholar

Xia, X. et al. Analyser la contribution du changement climatique aux variations à long terme des sources d'azote des sédiments pour les réservoirs/lacs. Sci. Environ. 523, 64-73 (2015).

CAS Google Scholar

Télécharger les références

La Fondation nationale des sciences naturelles de Chine (n° 52225903, U2243209) et le programme national clé de recherche et de développement de Chine (2022YFC3201900) ont soutenu cette étude.

Ces auteurs ont contribué à parts égales : Hanxiao Zhang, Xianghui Cao.

State Key Laboratory of Environmental Criteria and Risk Assessment, Chinese Research Academy of Environmental Sciences, Beijing, 100012, Chine

Hanxiao Zhang, Shouliang Huo, Chunzi Ma et Fengchang Wu

Institut chinois de surveillance géologique de l'environnement, Pékin, 100081, Chine

Xianghui Cao

Bureau de l'eau, Centre national chinois de surveillance de l'environnement, Pékin, 100012, Chine

Wenpan Li

Key Laboratory of Water and Sediment Sciences Ministry of Education, College of Environmental Science and Engineering, Peking University, Beijing, 100871, Chine

Yong Liu

Collège des sciences et de l'ingénierie de l'environnement, Université de Tianjin, Tianjin, 300072, Chine

Yingdong Tong

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

HZ et XC ont recueilli et analysé des données en plus de rédiger le manuscrit. SH a conçu l'idée et la conception de l'étude. CM, YL, YT et FW ont révisé le manuscrit.

Correspondance à Shouliang Huo.

Les auteurs ne déclarent aucun intérêt concurrent.

Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International License, qui permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur n'importe quel support ou format, tant que vous donnez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Zhang, H., Cao, X., Huo, S. et al. Changements dans la qualité de l'eau des rivières chinoises depuis 1980 : implications de gestion du développement durable. npj Clean Water 6, 45 (2023). https://doi.org/10.1038/s41545-023-00260-y

Télécharger la citation

Reçu : 06 février 2023

Accepté : 23 mai 2023

Publié: 06 juin 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt