CN112893427B - 一种重金属污染耕地修复治理的智能化决策方法 - Google Patents

一种重金属污染耕地修复治理的智能化决策方法 Download PDF

Info

Publication number
CN112893427B
CN112893427B CN202110046203.4A CN202110046203A CN112893427B CN 112893427 B CN112893427 B CN 112893427B CN 202110046203 A CN202110046203 A CN 202110046203A CN 112893427 B CN112893427 B CN 112893427B
Authority
CN
China
Prior art keywords
soil
repair
content
heavy metal
restoration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110046203.4A
Other languages
English (en)
Other versions
CN112893427A (zh
Inventor
安毅
林大松
武丽娜
霍莉莉
杜兆林
秦莉
丁健
姚彦坡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Agro Environmental Protection Institute Ministry of Agriculture
Original Assignee
Agro Environmental Protection Institute Ministry of Agriculture
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Agro Environmental Protection Institute Ministry of Agriculture filed Critical Agro Environmental Protection Institute Ministry of Agriculture
Priority to CN202110046203.4A priority Critical patent/CN112893427B/zh
Publication of CN112893427A publication Critical patent/CN112893427A/zh
Application granted granted Critical
Publication of CN112893427B publication Critical patent/CN112893427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
    • B09C—RECLAMATION OF CONTAMINATED SOIL
    • B09C1/00—Reclamation of contaminated soil
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Soil Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本申请涉及一种重金属污染耕地修复治理的智能化决策方法，将已有重金属污染耕地修复治理信息整合分析，通过计算各个不同案例得出每个修复措施对应的待决策指标修复指数，以计算出的待决策指标修复指数作为输入，构建对应修复措施的适宜概率计算模型，通过不同案例给出的数据，得到对应修复技术的模型，然后根据待处理土壤的待决策指标的输入，获取最优修复措施；这样可以防止人为决策的盲目性，极大地提高了决策准确度；同时可以有效利用历史数据为后期相关修复工作提供数据支撑。

Description

一种重金属污染耕地修复治理的智能化决策方法
技术领域
本发明属于农业环境技术领域，具体涉及一种重金属污染耕地修复治理的智能化决策方法。
背景技术
耕地土壤重金属污染具有危害面广、危害程度大、危害时间久等特点，直接影响农产品质量安全、人居环境、人体健康、生态环境等，因此重金属污染耕地的修复治理势在必行。我国区域发展不均衡，土壤类型多样，污染类型复杂且修复治理技术研究起步较晚，目前相关研究多为区域性研究，且主要为采用物理、化学修复技术。
上述技术方法存在的主要问题有：(1)修复治理技术方法多针对局部地区开展，缺乏适用性研究；(2)针对待修复区域，历史修复治理技术方法参考性较小，资源浪费；(3)历史性数据仅仅提供对应修复方式的基础数据，并不能量化，难以作为参考依据。
发明内容
本发明利用已有耕地、区域背景信息、产量信息、修复信息等构建案例库，计算修复案例的修复指数并构建相关模型，结合研究区域特征及进行采样分析，通过拟合模型筛选修复技术，并将研究区域耕地修复信息纳入案例库进行模型更新，提高模型精度。
为了解决上述技术问题，本发明公开了一种重金属污染耕地修复治理的智能化决策方法，所述方法包括：
(1)修复案例库构建：
获取相关信息，构建修复案例库；
(2)修复指数计算：
计算每个修复案例的重金属M的修复指数Iq，具体公式如下：
Iq＝(Mq*N)/C (1)
其中，Mq为重金属M在q技术下的污染修复目标完成率，包含但不限于土壤重金属全量降低率，土壤重金属有效态降低率、农产品重金属含量降低率等；N为修复组农产品产量与对照组农产品产量的比值，C为年均每亩修复成本与当季种植成本之和与正常年份种植成本的比值；
(3)修复技术模型参数确定：
以修复案例的修复指数Iq和数据库中对应的土壤指标和气象指标为输入(x)，构建QDA模型，确定各类修复技术模型对应参数，具体如下：
Figure BDA0002897280950000021
其中，当修复案例的修复指数Iq值≤1时，取i＝0；当修复案例的修复指数Iq值>1时，取i＝1；两种情况带入模型获取两组QDA模型，分别为QDA0模型、QDA1模型；πi的取值范围为0-1；μ为所有指标均向量；∑为所有指标协方差矩阵；
(4)修复技术及措施推荐：
(4.1)计算待修复区域的修复技术适宜性
在待修复区域进行采样监测，所述采样监测的监测指标包括输入QDA模型中的土壤指标和气象指标，结合上步获取的各类修复技术对应的QDA0模型、QDA1模型参数，计算各类修复技术的正负修复概率Py；
Figure BDA0002897280950000022
所述正负修复概率>1时记为P(1)，正负修复概率≤1时记为P(0)，依据正负修复概率计算修复概率P(M，q)，具体公式如下：
Figure BDA0002897280950000023
(4.2)按修复技术类别，根据对应的修复措施修复指数Iq，以物种敏感性分布法建立拟合曲线，筛选出大于85％适用概率下适用于待修复区域的修复技术对应的各修复措施的最大修复值，修复值大小即可表示待修复区域的修复措施推荐程度；
(4.3)选取施用相应修复措施。
进一步地，所述土壤指标包括：土壤碱解N含量、土壤速效P含量、土壤速效K含量、土壤重金属M有效态含量、土壤有机质含量、土壤pH值、土壤有效硅含量、土壤交换性钙含量、土壤交换性镁含量、土壤有效铜含量、土壤有效锌含量、土壤有效铁含量、土壤有效锰含量；
所述气象指标如下：生长季降水量、生长季平均气温、生长季日照时长；
进一步地，获取待修复区域对应的上述修复案例库所有指标；指标数据纳入案例库，更新对应修复技术类别的模型参数，不断提高相应类别的修复模型精度；
进一步地，所述拟合曲线以同一修复措施所对应的所有修复案例的修复指数Iq为横坐标，以适用概率L为纵坐标，具体公式如下：
Figure BDA0002897280950000031
其中，x为所有修复案例的修复指数Iq进行升序排列后，第x个案例；X为总案例数量；
进一步地，所述一类修复技术包括多种修复措施；
进一步地，所述修复技术包括：添加钝化剂、添加调理剂、农艺调控、品种调整、叶面调控、深翻耕等；
进一步地，所述修复措施包括：添加海泡石、添加生物炭、添加石灰、添加黏土矿物、添加蒙脱土、添加调理剂、调节土壤pH值、调节土壤Eh值、植物富集等；
进一步地，所述采样监测的采样点位数量不低于30个；
进一步地，所述案例库含有信息包含但不限于修复区域土壤碱解N含量、土壤速效P含量、土壤速效K含量、土壤pH、土壤重金属全量、土壤重金属有效态含量、土壤有机质含量、土壤粘粒含量、土壤有效硅含量、土壤交换性钙含量、土壤交换性镁含量、土壤有效铜含量、土壤有效锌含量、土壤有效铁含量、土壤有效锰含量、农产品种类、农产品常年产量、农产品可食部位重金属含量、农产品地上部重金属含量、生长季降水量、生长季平均气温、生长季日照时长、修复技术类别、修复材料年均每亩用量、修复材料年均每亩成本等；
进一步地，针对某修复措施获取实施后所有数据，输入数据库，更新模型参数；
进一步地，所述重金属污染修复目标完成率包含但不限于土壤重金属全量降低率，土壤重金属有效态降低率、农产品重金属含量降低率等；
本发明的一种重金属污染耕地修复治理的智能化决策方法，具有以下优点：
1.本发明建立案例库，将已有重金属污染耕地修复治理信息整合分析，通过计算各个不同案例得出每个修复措施对应的待决策指标修复指数，以计算出的待决策指标修复指数作为输出，构建对应修复技术的适宜概率计算模型，通过不同案例给出的数据，得到对应修复措施的模型，然后根据待处理土壤的待决策指标的输入，获取最优修复措施；这样可以防止人为决策的盲目性，极大地提高了决策准确度；同时可以有效利用历史数据为后期相关修复工作提供数据支撑；
2.本发明通过模型直接计算，针对待修复区域提供合适的修复治理技术，降低了前期背景调查造成的人力物资等资源浪费，更高效利用历史数据，为修复措施的选择提供了数据支撑；
3.通过模型计算，可以选择更优修复措施，降低不恰当修复措施的选用造成的环境风险；
4.获取修复措施实施后的数据，不断优化模型参数，使得模型不断迭代优化，能够优化模型预测精度；
附图说明
图1为一种重金属污染耕地修复治理的智能化决策方法技术流程图；
图2为各类修复措施修复指数图；
图3为添加生物炭的适用概率图；
图4为添加海泡石的适用概率图；
图5为添加黏土矿物的适用概率图；
图6为三类修复措施85％适用概率下的修复值图；
具体实施方式
下面通过实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”，“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
1.修复案例库构建
(1)通过查阅文献资料和地区年鉴、下载政府官网数据等方式获取4类重金属污染耕地修复治理案例的背景信息，包括土壤全量、农产品类型及产量、修复材料类型及成本等；每类案例均包括10个具体案例；
(2)4类案例均为Cd污染，依据区域特征进行土壤修复治理实施的修复技术包括两种，分别为添加钝化剂(生物炭、海泡石、黏土矿物)和添加调理剂；
2.修复指数计算
以重金属Cd含量降低量为污染修复目标完成率，分别计算4个区域的修复指数，见图2；
3.模型构建
(1)将收集到的4类案例的土壤全量数据(Cd、Hg、As、Pb、Cr、Cu、Zn、Ni)和气象指标(年均气温、年均降水、年均太阳照射强度)数据以及上步计算出的修复指数带入QDA模型，计算获得两类修复技术(添加钝化剂、调理剂)的模型参数；
(2)确定A村为研究区域，布设采样点位55个，检测Cd、Hg、As、Pb、Cr、Cu、Zn、Ni等8项指标数据，同时收集研究区域背景信息，包括年均产量、气象指标等；
(3)将A村检测结果及气象指标分别输入2类修复技术对应的QDA模型，分别计算2类修复技术的正负修复概率，并计算出添加钝化剂和调理剂的修复概率分别为0.75和0.62，结果显示添加钝化剂更适用于A村土壤的修复治理。
4.修复技术推荐施用
(1)通过origin软件，分别绘制添加钝化剂对应的三类修复措施的拟合曲线，获取各类修复措施的适用概率(图3-5)，对比三类修复措施在85％适用概率下的修复值(最大修复值，见图6)，确定添加黏土矿物和添加生物炭为A村最适宜的修复措施；
(2)综合考虑A村土壤特性、气候条件、经济情况等，确定添加生物炭为最佳修复措施，依据数据库信息获取添加生物炭的相关数据信息，并开展完成修复工作；
(3)获取A村实施生物炭后的所有结果数据(与数据库信息一致)，上传数据库，更新实施添加钝化剂修复技术的QDA模型对应参数。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。

Claims (10)

1.一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述方法包括：
(1)修复案例库构建：
获取相关信息，构建修复案例库；
(2)修复指数计算：
计算每个修复案例的重金属M的修复指数Iq，具体公式如下：
Iq＝(Mq*N)/C (1)
其中，Mq为重金属M在q技术下的污染修复目标完成率，包含土壤重金属全量降低率、土壤重金属有效态降低率、农产品重金属含量降低率；N为修复组农产品产量与对照组农产品产量的比值，C为年均每亩修复成本与当季种植成本之和与正常年份种植成本的比值；
(3)修复技术模型参数确定：
以修复案例的修复指数Iq和数据库中对应的土壤指标和气象指标为输入(x)，构建QDA模型，确定各类修复技术模型对应参数，具体如下：
Figure FDA0003515888050000011
其中，当修复案例的修复指数Iq值≤1时，取i＝0；当修复案例的修复指数Iq值>1时，取i＝1；两种情况带入模型获取两组QDA模型，分别为QDA0模型、QDA1模型；πi的取值范围为0-1；μ为所有指标均向量；∑为所有指标协方差矩阵；
(4)修复技术及措施推荐：
(4.1)计算待修复区域的修复技术适宜性
在待修复区域进行采样监测，所述采样监测的监测指标包括输入QDA模型中的土壤指标和气象指标，结合上步获取的各类修复技术对应的QDA0模型、QDA1模型参数，计算各类修复技术的正负修复概率Py；
Figure FDA0003515888050000021
所述正负修复概率>1时记为P(1)，正负修复概率≤1时记为P(0)，依据正负修复概率计算修复概率P(M，q)，具体公式如下：
Figure FDA0003515888050000022
(4.2)按修复技术类别，根据对应的修复措施修复指数Iq，以物种敏感性分布法建立拟合曲线，筛选出大于85％适用概率下适用于待修复区域的修复技术对应的各修复措施的最大修复值，修复值大小即可表示待修复区域的修复措施推荐程度；
(4.3)选取施用相应修复措施。
2.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，获取待修复区域对应的上述修复案例库所有指标；指标数据纳入案例库，更新对应修复技术类别的模型参数，不断提高相应类别的修复模型精度。
3.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述拟合曲线以同一修复措施所对应的所有修复案例的修复指数Iq为横坐标，以适用概率L为纵坐标，具体公式如下：
Figure FDA0003515888050000031
其中，x为所有修复案例的修复指数Iq进行升序排列后，第x个案例；X为总案例数量。
4.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，同一类所述修复技术包括多种修复措施。
5.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述采样监测的采样点位数量不低于30个；所述土壤指标包括：土壤碱解N含量、土壤速效P含量、土壤速效K含量、土壤重金属M有效态含量、土壤有机质含量、土壤pH值、土壤有效硅含量、土壤交换性钙含量、土壤交换性镁含量、土壤有效铜含量、土壤有效锌含量、土壤有效铁含量、土壤有效锰含量。
6.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述案例库含有信息包含修复区域土壤碱解N含量、土壤速效P含量、土壤速效K含量、土壤pH、土壤重金属全量、土壤重金属有效态含量、土壤有机质含量、土壤粘粒含量、土壤有效硅含量、土壤交换性钙含量、土壤交换性镁含量、土壤有效铜含量、土壤有效锌含量、土壤有效铁含量、土壤有效锰含量、农产品种类、农产品常年产量、农产品可食部位重金属含量、农产品地上部重金属含量、生长季降水量、生长季平均气温、生长季日照时长、修复技术类别、修复材料年均每亩用量、修复材料年均每亩成本。
7.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，针对某修复案例获取实施后所有数据，输入数据库，更新模型参数。
8.如权利要求1所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述重金属污染修复目标完成率包含土壤重金属全量降低率，土壤重金属有效态降低率、农产品重金属含量降低率。
9.如权利要求4所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述修复技术包括：添加钝化剂、添加调理剂、农艺调控、品种调整、叶面调控、深翻耕。
10.如权利要求4所述的一种重金属污染耕地修复治理的智能化决策方法，其特征在于，所述修复措施包括：添加海泡石、添加生物炭、添加石灰、添加黏土矿物、添加蒙脱土、添加调理剂、调节土壤pH值、调节土壤Eh值、植物富集。
CN202110046203.4A 2021-01-14 2021-01-14 一种重金属污染耕地修复治理的智能化决策方法 Active CN112893427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110046203.4A CN112893427B (zh) 2021-01-14 2021-01-14 一种重金属污染耕地修复治理的智能化决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110046203.4A CN112893427B (zh) 2021-01-14 2021-01-14 一种重金属污染耕地修复治理的智能化决策方法

Publications (2)

Publication Number Publication Date
CN112893427A CN112893427A (zh) 2021-06-04
CN112893427B true CN112893427B (zh) 2022-04-12

Family

ID=76113146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110046203.4A Active CN112893427B (zh) 2021-01-14 2021-01-14 一种重金属污染耕地修复治理的智能化决策方法

Country Status (1)

Country Link
CN (1) CN112893427B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113578956B (zh) * 2021-08-02 2022-07-12 中国科学院地理科学与资源研究所 一种土壤治理植物的确定方法及装置
CN114210718B (zh) * 2021-12-09 2023-03-24 农业农村部环境保护科研监测所 一种农产品污染治理修复方法
CN114522972B (zh) * 2022-03-08 2023-05-02 广东工业大学 一种土壤热脱附流化床调节系统及调节方法
CN114819880B (zh) * 2022-03-30 2023-06-13 杭州利环环境集团有限公司 一种用于土壤修复和数字化管理的方法和系统
CN114904899B (zh) * 2022-05-09 2023-01-20 深圳市森斯环境艺术工程有限公司 一种受污染土壤治理方法及系统
CN114904901B (zh) * 2022-06-09 2024-01-12 清华大学 稳定化材料选择方法、装置、计算机设备、介质和产品
CN115156286B (zh) * 2022-07-01 2024-05-10 贵州师范大学 一种用于重金属低积累型生态修复植物/农作物高效筛选的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201173390Y (zh) * 2008-04-03 2008-12-31 东南大学 分布式光纤扰动传感系统限定式信号处理识别模块
EP2732437A1 (en) * 2011-07-13 2014-05-21 Rayvis GmbH Transmission image reconstruction and imaging using poissonian detector data
CN107185951A (zh) * 2016-12-20 2017-09-22 四川农业大学 一种在镉胁迫下不同密度的牛膝菊与叶菜类生菜混作方法
CN110014029A (zh) * 2019-04-24 2019-07-16 广西博世科环保科技股份有限公司 多金属复合污染农田联合修复的方法
CN110573066A (zh) * 2017-03-02 2019-12-13 光谱Md公司 用于多光谱截肢部位分析的机器学习系统和技术
CN111751513A (zh) * 2020-06-04 2020-10-09 农业农村部环境保护科研监测所 一种稻田剖面土壤重金属累积及形态特征解析重金属主要污染源的分析方法
CN112213468A (zh) * 2020-10-27 2021-01-12 浙江省农业科学院 一种污染土壤安全利用技术效果评价方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201173390Y (zh) * 2008-04-03 2008-12-31 东南大学 分布式光纤扰动传感系统限定式信号处理识别模块
EP2732437A1 (en) * 2011-07-13 2014-05-21 Rayvis GmbH Transmission image reconstruction and imaging using poissonian detector data
CN107185951A (zh) * 2016-12-20 2017-09-22 四川农业大学 一种在镉胁迫下不同密度的牛膝菊与叶菜类生菜混作方法
CN110573066A (zh) * 2017-03-02 2019-12-13 光谱Md公司 用于多光谱截肢部位分析的机器学习系统和技术
CN110014029A (zh) * 2019-04-24 2019-07-16 广西博世科环保科技股份有限公司 多金属复合污染农田联合修复的方法
CN111751513A (zh) * 2020-06-04 2020-10-09 农业农村部环境保护科研监测所 一种稻田剖面土壤重金属累积及形态特征解析重金属主要污染源的分析方法
CN112213468A (zh) * 2020-10-27 2021-01-12 浙江省农业科学院 一种污染土壤安全利用技术效果评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
套损井最佳修井时机和修井策略研究;刘合等;《石油钻采工艺》;20041025(第05期);全文 *

Also Published As

Publication number Publication date
CN112893427A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112893427B (zh) 一种重金属污染耕地修复治理的智能化决策方法
CN107561242B (zh) 一种复合污染农田土壤质量的评价方法
Mostaghimi et al. Assessment of management alternatives on a small agricultural watershed
Li et al. Regional simulation of nitrate leaching potential from winter wheat-summer maize rotation croplands on the North China Plain using the NLEAP-GIS model
CN113785676B (zh) 一种盐碱地土壤改良体系及其构建方法
CN113020232B (zh) 一种受污染耕地综合治理及动态调控方法
Niedbała et al. Application of artificial neural networks for multi-criteria yield prediction of winter wheat
Knisel et al. CREAMS/GLEAMS: Model use, calibration, and validation
Getahun et al. Integrated modeling system for evaluating water quality benefits of agricultural watershed management practices: Case study in the Midwest
Duan et al. Nitrogen leaching losses from a wastewater land application system
CN115271500A (zh) 一种重金属污染农田土壤修复效果的综合评估方法
Hu et al. Impacts of extreme climate on nitrogen loss in different forms and pollution risk with the copula model
Qiu et al. PHYSICAL DETERMINANTS OF ECONOMIC VALUE OF RIPARIAN BUFFERS IN AN AGRICULTURAL WATERSHED 1
Harmel et al. Conservation effects assessment project research in the Leon River and Riesel watersheds
Dey et al. Soil fertility loss and heavy metal accumulation in and around functional brick kilns in Cachar District, Assam, India: A multivariate analysis
Wang et al. Development of a coupled water quality model
Regh et al. Scenario-based simulations of the impacts of rainfall variability and management options on maize production in Benin
Rasolomanana et al. Single-objective vs. multi-objective autocalibration in modelling total suspended solids and phosphorus in a small agricultural watershed with SWAT
CN116341898B (zh) 农业面源污染风险分期-分区-分源协同识别方法
CN116070931B (zh) 一种基于野外生态数据的土壤污染生态效应定量评价方法
Canchig et al. Developing an empirical model for assessment of total nitrogen inflow to rivers and lakes in the Biebrza river watershed, Poland
Zhang et al. Analysis of riverine sediment and nutrient exports in Missouri River Basin by application of SWAT model
Adeniyi et al. Development of a composite soil degradation assessment index for cocoa agroforests under tropical conditions of southwest Nigeria
Boedeltje et al. Source effects determine hydrochorous seed dispersal of ancient forest plants
Mumford et al. Predictive models incorporating environmental covariates for genotype× environment× management (G× E× M) interactions applied to sorghum agronomy trials

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant