Atribuição Dinâmica de Fontes de Poluição por Nitrato em Rios Usando Isótopos Estáveis Duplos e Algoritmos de Aprendizado de Máquina

Este estudo integrou um conjunto de dados de 10 anos de isótopos de nitrato (15N-NO3–/18O-NO3–) e qualidade da água incluindo precipitação, solo, água subterrânea e água do rio na bacia hidrográfica de Yongan. Desenvolvemos uma estrutura dinâmica MixSIAR baseada em janela que considera explicitamente variações temporais nas características dos isótopos da fonte. Comparado com o MixSIAR de fonte fixa, a estrutura dinâmica reduziu significativamente a incerteza dos resultados de atribuição de fontes (o coeficiente de variação diminuiu de 1,21 para 0,55) e identificou eficazmente as fontes primárias de poluição por N e suas variações temporais em diferentes tipos de bacias hidrográficas. As contribuições foram 41,1 ± 13,3% do solo em toda a bacia, 38,5 ± 12,4% do solo em uma bacia agrícola típica, 58,8 ± 17,9% de águas residuais em uma bacia residencial típica, e 45,9 ± 16,1% e 42,4 ± 17,1% do solo e água subterrânea em uma bacia florestal típica, respectivamente. Baseando-se nos resultados de atribuição dinâmica, modelos de aprendizado de máquina (ML) foram desenvolvidos utilizando dados de qualidade da água para prever contribuições de fontes. Entre esses modelos, XGBoost, random forest e SVM alcançaram as maiores performances preditivas para calcular as contribuições do solo (R2 = 0,83, coeficiente de eficiência de Nash–Sutcliffe (NSE) = 0,83 e erro quadrático médio (RMSE) = 0,07), água subterrânea (R2 = 0,76, NSE = 0,73 e RMSE = 0,10) e águas residuais (R2 = 0,71, NSE = 0,68 e RMSE = 0,14). Como um estudo exploratório integrando dados isotópicos de longo prazo com ML, este estudo oferece uma abordagem abrangente para atribuir fontes de N em rios em bacias hidrográficas com dados isotópicos limitados mundialmente.