Dinamika Kontribusi Nutrisi Nasional di Sungai-sungai Selandia Baru

ABSTRAK
Degradasi kualitas air sungai menimbulkan tantangan yang signifikan bagi pengelolaan nutrisi daerah tangkapan air. Pengelolaan nutrisi skala daerah tangkapan air yang efektif memerlukan pemahaman yang jelas tentang bagaimana berbagai kontaminan diangkut sepanjang jalur aliran yang berbeda. Di sini kami menyelidiki jalur pengangkutan nutrisi dan kontribusi relatifnya untuk dua kontaminan yang lazim (total fosfor: TP; dan nitrogen nitrat-nitrit: NNN) di 58 lokasi kualitas air sungai di seluruh Selandia Baru, dengan menerapkan pendekatan pemisahan hidrograf berbantuan kimia Bayesian, di mana aliran sungai dibagi menjadi tiga komponen: aliran kejadian dekat permukaan (aliran cepat), pembuangan air tanah dangkal musiman (aliran sedang) dan pembuangan air tanah jangka panjang (aliran lambat). Setelah mengecualikan 15 lokasi yang terkena dampak aliran keluar bendungan/danau atau konvergensi model, hasil dari 43 lokasi mengungkapkan bahwa setiap tahun, aliran sedang berkontribusi lebih dari 50% dari aliran sungai tahunan di 19 lokasi dan kontribusi aliran cepat melebihi 50% di 9 lokasi. Mengenai beban TP, TP terutama diangkut melalui aliran cepat (26 lokasi), diikuti oleh aliran sedang (14 lokasi). Mengenai beban NNN, sebagian besar NNN berasal dari aliran sedang (25 lokasi). Analisis korelasi dengan karakteristik daerah tangkapan air di hulu menunjukkan bahwa aliran tahunan paling berkorelasi dengan presipitasi dan potensi evapotranspirasi, diikuti oleh faktor geomorfologi (misalnya, lereng) dan kepadatan ternak, sedangkan beban TP paling kuat berkorelasi dengan jumlah hari dengan curah hujan tinggi, elevasi daerah tangkapan air dan kepadatan sapi perah, dan beban NNN paling berkorelasi dengan suhu tahunan, faktor geomorfologi dan geologi (misalnya, lereng), serta tutupan lahan (misalnya, pastoral) dan kepadatan ternak yang berfungsi sebagai sumber NNN. Temuan-temuan ini memberikan wawasan berharga untuk jalur transportasi permukaan dan bawah permukaan di Selandia Baru. Pendekatan ini menawarkan kerangka kerja praktis untuk penilaian serupa di wilayah lain, untuk mengurangi degradasi kualitas air.

1 Pendahuluan
Selama beberapa dekade terakhir, telah terjadi tren penurunan kualitas air secara global (du Plessis 2022 ; Lin et al. 2022 ; Shemer et al. 2023 ), yang timbul dari peningkatan air limbah industri dan domestik yang tidak diolah, limpasan pertanian, penggunaan bahan kimia rumah tangga, dan kontaminan yang muncul (Connor 2017 ; Bayabil et al. 2022 ; Stefanakis and Becker, 2016 ). Penurunan kualitas air telah menjadi ‘perhatian global seiring dengan pertumbuhan populasi manusia, perluasan aktivitas industri dan pertanian, dan ancaman perubahan iklim terhadap perubahan besar pada siklus hidrologi’ (PBB, https://www.un.org/waterforlifedecade/quality.shtml ), yang mengancam kesehatan manusia, produksi pangan, fungsi ekosistem, dan pertumbuhan ekonomi (UNESCO 2022 ; Lin et al. 2022 ; Myers et al. 2013 ). Ancaman-ancaman semacam itu menciptakan urgensi yang kuat untuk penelitian kualitas air, mulai dari pemantauan, pemodelan, peramalan, dan dukungan keputusan pengelolaan air di berbagai skala (misalnya, skala global, nasional, regional, dan cekungan) dan pertimbangan ketidakpastian yang terlibat dalam semua proses ini (UNESCO 2022 ; Hofstra et al. 2019 ).

Ada dua jenis polusi air, sumber titik dan sumber non-titik. Sumber titik terutama berasal dari kegiatan industri dan pengolahan air limbah, sedangkan sumber non-titik terutama berasal dari praktik pertanian berbasis lahan. Limpasan pertanian dianggap sebagai ‘salah satu tantangan kualitas air yang paling luas dan kontributor tunggal terbesar dari polusi sumber non-titik’ (du Plessis 2022 ; Sharpley dan Wang, 2014 ; Liu et al. 2023 ). Karena kontaminan dari limpasan pertanian dapat memasuki sistem sungai melalui jalur aliran yang berbeda (misalnya, limpasan permukaan, air tanah), penting untuk memahami mekanisme jalur ini dan kontribusinya terhadap aliran sungai dan bagaimana nutrisi bergerak bersama air melalui jalur ini (Yu et al. 2024 ; Bieroza et al. 2020 ). Ini sering dipelajari dengan pemodelan berbasis proses atau pemodelan statistik. Pemodelan berbasis proses, misalnya, menggunakan Soil and Water Assessment Tool (Neitsch et al. 2011 ), tampaknya diinginkan karena dapat mensimulasikan berbagai proses nutrisi dan interaksi dengan tanah dan air. Namun, model berbasis proses sering kali memerlukan data terperinci untuk mendorong model (misalnya, data aplikasi pupuk) dan memvalidasi model (misalnya, kualitas air sungai yang diamati), yang dapat menjadi mahal untuk diperoleh pada skala yang sesuai (Palmer, 2001 ). Secara komparatif, pemodelan statistik, misalnya, Bayesian, pendekatan pemisahan hidrograf berbantuan kimia (BACH; Woodward dan Stenger 2018 ) memerlukan lebih sedikit data daripada pemodelan berbasis proses, dan sangat cocok untuk menginformasikan keputusan kebijakan lingkungan (Stenger et al. 2024 ).

Selandia Baru adalah negara kepulauan di Pasifik Selatan. Pertanian adalah sektor ekonomi terbesar yang dapat diperdagangkan tetapi juga merupakan sumber utama polusi non-titik pada badan air permukaan Selandia Baru (Selandia Baru 2013 ; Kementerian Lingkungan Hidup dan Statistik Selandia Baru 2020 ; Monaghan et al. 2007 ; Duncan, 2014 ; Cullen et al. 2006 ). Selama beberapa dekade terakhir, telah terjadi tren penurunan kualitas sungai yang terkait dengan intensifikasi kegiatan pertanian (Howard-Williams, Davies-Colley, Rutherford, Wilcock, 2011 ; Kementerian Lingkungan Hidup dan Statistik Selandia Baru 2019 ; Larned et al. 2016 ; Snelder et al. 2021 ; McDowell et al. 2011 ) yang mengakibatkan penurunan kesehatan ekosistem air permukaan. Untuk periode 2016–2020, ’64 persen dari panjang sungai Selandia Baru telah memodelkan konsentrasi fosfor yang menunjukkan risiko kerusakan lingkungan berdasarkan perbandingan dengan kondisi referensi’ dan ’69 persen dari panjang sungai Selandia Baru telah memodelkan konsentrasi nitrogen yang menunjukkan risiko kerusakan lingkungan berdasarkan perbandingan dengan kondisi referensi’ (Statistik NZ 2022 ). Whitehead dkk. ( 2021 ) menemukan bahwa mayoritas lokasi pemantauan air permukaan (66%) ‘dinilai di bawah garis bawah nasional untuk Pernyataan Kebijakan Nasional untuk Pengelolaan Air Tawar (NPSFM) E. coli menggabungkan status atribut numerik’. Untuk meningkatkan kualitas air sungai, penting untuk memahami jalur aliran air dan bagaimana nutrisi dan kontaminan bergerak di sepanjang jalur yang berbeda ke jaringan sungai dari lahan pertanian.

Dalam studi ini, kami menggunakan pendekatan BACH, yang menggunakan data aliran dan kualitas air untuk membagi beban nutrisi ke dalam berbagai komponen aliran dengan mengaitkan konsentrasi nutrisi nominal dengan setiap komponen aliran. Dibandingkan dengan pendekatan lain (misalnya, End Member Mixing Analysis oleh Christophersen dan Hooper 1992 ), kami menggunakan BACH terutama karena sebelumnya telah diterapkan dengan hasil yang menjanjikan di daerah tangkapan air di Waikato, Selandia Baru (Woodward dan Stenger 2018 ) dan baru-baru ini di berbagai daerah tangkapan air Pulau Utara, juga di Selandia Baru (Stenger et al. 2024 ). Dalam studi ini kami menerapkan BACH ke 58 lokasi National River Water Quality Network (NRWQN; Ballantine dan Davies-Colley 2014 ) di seluruh Selandia Baru untuk memperkirakan kontribusi jalur aliran pada rangkaian waktu total fosfor (TP) dan nitrat-nitrit nitrogen (NNN) yang diamati dari sampel air bulanan. Karakteristik spasial komponen aliran sungai dan beban nutrisi dari berbagai jalur juga diselidiki. Fokus studi ini adalah distribusi nasional volume aliran, beban TP dan NNN yang memasuki aliran sungai melalui komponen aliran cepat, sedang, dan lambat di seluruh Selandia Baru, sementara naskah sedang dipersiapkan yang berfokus pada parameter model dan kontribusi air tanah terhadap laju aliran sesaat daripada volume di lokasi yang sama, untuk menginformasikan pengelolaan pemompaan air tanah dan dampaknya pada aliran sungai selama kekeringan ekstrem dan banjir.

2 Data dan Metode
2.1 Data
Data aliran sungai dan kualitas air dari tahun 1999 hingga 2020 diperoleh dari Jaringan Kualitas Air Sungai Nasional (NRWQN) milik Institut Nasional untuk Penelitian Air dan Atmosfer (NIWA), yang berisi informasi tentang banyak karakteristik fisik, kimia, dan biologis penting untuk pilihan lokasi air sungai di seluruh Selandia Baru ( niwa.co.nz /freshwater/water-quality-monitoring-and-advice/national-river-water-quality-network-nrwqn). Set data menyediakan tiga belas kualitas air dan dua variabel biomonitoring bulanan (melalui pengukuran in situ dan sampel grab) di 58 lokasi aktif (Gambar 1 dan Tabel 1 ). Ada banyak periode data aliran yang hilang di lokasi TK3, yang karenanya tidak dipertimbangkan untuk pemodelan. Kesenjangan data di 57 lokasi lainnya diisi menggunakan metode interpolasi linier.

 

TABEL 1. Informasi lokasi untuk 58 lokasi Jaringan Kualitas Air Sungai Nasional (NRWQN), Selandia Baru yang digunakan dalam penelitian ini.

Karakteristik daerah tangkapan air di hulu (tercantum dalam Tabel 2 ) termasuk iklim, geomorfologi, geologi, tutupan lahan, dan distribusi ternak, digunakan untuk menginterpretasikan karakteristik model aliran, TP, dan dinamika NNN di seluruh lokasi. Data iklim, geomorfologi, geologi, dan tutupan lahan diperoleh dari River Environmental Classification (REC; Snelder, Biggs, & Woods, 2005 ) dan basis data Freshwater Ecosystems of New Zealand (FENZ; Leathwick et al., 2010 ); distribusi ternak bersumber dari Snelder et al. ( 2021 ), dan informasi pupuk berasal dari Stat New Zealand ( www.stats.govt.nz/ ).

TABEL 2. Korelasi spasial antara estimasi aliran tahunan per daerah tangkapan air (mm/thn) dan estimasi beban tahunan NNN dan TP (kg/ha/thn) terhadap karakteristik daerah tangkapan air di hulu (‘*’ menunjukkan korelasi signifikan pada nilai- p 0,05 atau lebih rendah).

2.2 BACH
Model BACH (Woodward dan Stenger 2018 ; Woodward dan Stenger 2020 ) menggabungkan filter digital rekursif untuk pemisahan aliran dinamis dengan model pencampuran untuk mensimulasikan perubahan dalam konsentrasi aliran yang diamati. Seperti yang diuraikan dalam (Woodward dan Stenger 2018 ), tiga sumber utama aliran sungai dipertimbangkan:

• Cepat: Aliran kejadian di dekat permukaan, yang berasal dari kejadian badai. Ini termasuk aliran di atas permukaan tanah, aliran drainase, dan aliran dangkal di antara permukaan tanah.
• Sedang: Pelepasan air tanah dangkal musiman sebagai respons terhadap pengisian ulang hujan pada skala waktu beberapa minggu.
• Lambat: Pembuangan air tanah regional jangka panjang, terdiri dari air lama yang mengalir pada jalur aliran yang lebih panjang melalui sedimen yang lebih dalam.
  

2.3 Prosedur Aplikasi
2.3.1 Pemilihan Pelacak
Dalam studi BACH kami, kami menggunakan konsentrasi TP dan NNN sebagai pelacak. Kontaminan ini terkait dengan praktik pertanian dan umumnya ditemukan dalam kumpulan data kualitas air. Kami memilih TP dan NNN karena jalur transpornya berbeda dan saling melengkapi saat menerapkan BACH untuk mengukur komponen aliran: TP biasanya mengikat partikel sedimen dan lebih erat kaitannya dengan aliran cepat, sementara NNN larut dan diangkut melalui ketiga jalur tersebut.

Masalah konvergensi dapat terjadi pada BACH saat konsentrasi pelacak rendah (lihat di bawah). Meskipun ada keterbatasan tersebut, penerapan BACH dengan dua bahan kimia yang umum dipantau, TP dan NNN, daripada menyertakan pelacak lain, memungkinkan penerapan metode secara konsisten di tingkat nasional.

2.3.2 Penerapan BACH
BACH dijalankan secara independen untuk setiap lokasi, dengan konvergensi dipantau menggunakan statistik Gelman–Rubin (yaitu, konvergensi diasumsikan ketika statistik Gelman–Rubin kurang dari 1,1; Gelman dan Rubin 1992 ). Lokasi yang aplikasi BACH-nya tidak konvergen dihilangkan dari analisis lebih lanjut. Lokasi ini biasanya dikaitkan dengan tingkat nutrisi yang sangat rendah atau tempat dinamika nutrisi tidak berkorelasi kuat dengan aliran (misalnya, lokasi yang terdampak oleh pelepasan sumber titik yang signifikan).

Seperti yang direkomendasikan oleh Woodward dan Stenger ( 2018 ), kinerja model dinilai dengan statistik kesesuaian Generalised Root Mean Square Error (GRMSE) dengan asumsi deviasi standar TP dan NNN masing-masing sebesar 0,02 dan 0,2 mg/L. Lokasi dengan GRMSE yang buruk juga dihilangkan dari analisis lebih lanjut. Hal ini dapat mengindikasikan bahwa asumsi model BACH tidak berlaku di lokasi tersebut atau bahwa datanya tidak akurat.

2.3.3 Analisis Hasil
Karena ini merupakan studi nasional, analisis difokuskan pada penentuan pola spasial kontribusi komponen aliran, beban TP dan NNN tahunan, dan kontribusi beban median dari berbagai jalur aliran (yaitu, aliran cepat, sedang, dan lambat). Nilai median setiap keluaran dihitung di seluruh distribusi parameter posterior. Ketidakpastian nilai-nilai ini tidak dibahas dalam makalah saat ini. Jalur aliran dianggap mendominasi aliran, beban TP, atau beban NNN ketika kontribusinya melebihi 50%.

Kami mengusulkan agar perbedaan daerah tangkapan air dalam aliran, hasil TP dan NNN dapat dijelaskan berdasarkan proses hidrologi daerah tangkapan air dan siklus nutrisi di hulu lokasi. Oleh karena itu, kami menganalisis korelasi antara aliran, hasil TP dan NNN dan karakteristik hulu (atau faktor-faktor) ini karena iklim, geomorfologi, geologi, tutupan lahan dan distribusi ternak.

3 Hasil dan Pembahasan
3.1 Distribusi Spasial Konsentrasi TP dan NNN
Konsentrasi TP dan NNN dari sampel bulanan berkisar dari 0 hingga 0,046 mg/L dan 0 hingga 3,6 mg/L, masing-masing, di 58 lokasi NRWQN selama periode pengumpulan data, di mana 0 menunjukkan konsentrasi di bawah batas deteksi. Gambar 2 menunjukkan distribusi spasial median konsentrasi TP dan NNN di seluruh lokasi. Konsentrasi median TP bervariasi dari 0 hingga 0,11 mg/L dan konsentrasi median NNN bervariasi dari 0 hingga 1,2 mg/L di seluruh lokasi. Untuk TP dan NNN, konsentrasi median yang lebih tinggi ditemukan di Waikato, Bay of Plenty, Hawkes Bay, Canterbury, dan Southland. Sebaliknya, konsentrasi median yang lebih rendah diamati di Greater Wellington, Nelson, West Coast, dan Otago.

3.2 Aplikasi Model BACH
Lokasi TK3 yang terletak di Canterbury selatan tidak dimasukkan dalam analisis BACH karena banyaknya celah dalam catatan aliran lokasi. Setelah menerapkan BACH, 13 lokasi lainnya tidak dimasukkan, berdasarkan kriteria konvergensi dan kesesuaian penerapan BACH sebagaimana dijelaskan di atas. Dari 13 lokasi ini, enam lokasi terletak di bawah waduk hidroelektrik besar atau danau alami, yaitu AX1, AX2, dan AX4 (Danau Wakatipu; Bendungan Clyde dan Bendungan Roxburgh di Sungai Clutha), serta TK4 dan TK6 (Bendungan Benmore dan Bendungan Waitaki di Sungai Waitaki) dan RO6 (Danau Taupo di Sungai Waikato). Modifikasi aliran utama yang terjadi dalam operasi bendungan tidak dapat disimulasikan dalam BACH, dan oleh karena itu lokasi ini tidak sesuai untuk penilaian menggunakan BACH. Empat lokasi lebih lanjut (WN2, RO1, NN2 dan DN2) memiliki konsentrasi nutrisi yang sangat rendah, dan satu lokasi (TK5) memiliki konsentrasi NNN yang sangat bervariasi, yang membahayakan rasio signal-to-noise dalam rangkaian waktu data ini dan oleh karena itu juga tidak cocok untuk aplikasi BACH, dan akibatnya dikeluarkan dari analisis. Untuk 44 lokasi yang tersisa, kinerja model dinilai dengan statistik kebaikan-kesesuaian (GRMSE) seperti yang dijelaskan sebelumnya (Gambar 3 ). GRMSE dari prediksi model yang dikalibrasi untuk TP dan NNN memiliki urutan yang sama dengan standar deviasi yang diasumsikan sebesar 0,02 mg/L dan 0,2 mg/L di sebagian besar lokasi seperti pada Woodward dan Stenger ( 2018 ). Ini menunjukkan bahwa BACH tidak melakukan overfitting maupun underfitting data.

Gambar 4 memberikan contoh data deret waktu TP dan NNN serta simulasi di lokasi HV2 di Pulau Utara dan TK1 di Pulau Selatan. Di HV2, sementara beberapa pengamatan TP (titik hitam) berada di luar interval kredibel 95% (area abu-abu), mayoritas berada dalam rentang ini, dan median simulasi (garis merah) secara efektif menangkap dinamika musiman TP. Simulasi NNN di lokasi ini juga mewakili dengan baik variasi musiman yang diamati. Di TK2, variasi TP musiman kurang jelas, meskipun nilai konsentrasi tinggi (misalnya, 0,704 mg/L) hadir. Simulasi TP di lokasi ini menunjukkan frekuensi variasi yang tinggi, berhasil menangkap puncak rendah dan tinggi. Mirip dengan HV2, dinamika musiman NNN di TK2 ditangkap dengan baik oleh simulasi model.

3.3 Komponen Aliran
Gambar 5 menunjukkan distribusi spasial aliran tahunan dan kontribusi sumber dari tiga jalur berbeda (aliran cepat, sedang, dan lambat) yang diprediksi oleh model untuk 44 lokasi NRWQN di Pulau Utara dan Pulau Selatan. Nilai yang dilaporkan adalah persentil ke-50 (median) dari hasil posterior model BACH.

Variasi spasial dari estimasi aliran tahunan di Pulau Utara (plot kiri atas pada Gambar 5 , diskalakan berdasarkan daerah tangkapan air) berkisar secara signifikan dari 185 mm/tahun (lokasi AK2) hingga 1960 mm/tahun (lokasi WN5), yang mencerminkan rentang respons hidrologi yang luas terhadap beragam kondisi hidroklimat (misalnya, dengan rentang presipitasi dari 1400 mm/tahun di AK2 hingga 3500 mm/tahun di WN5).

Kontribusi yang diperkirakan terhadap aliran sungai dari jalur aliran yang berbeda (plot kanan atas pada Gambar 5 ) juga menunjukkan variasi yang cukup besar di seluruh Pulau Utara. Aliran cepat adalah kontributor dominan (dengan kontribusi aliran lebih besar dari 50%) di 6 dari 28 lokasi, sementara aliran sedang mendominasi di 15 lokasi. Aliran lambat dominan hanya di 2 lokasi (RO2 dan TU2), keduanya terletak di Dataran Tinggi Vulkanik Pulau Utara Tengah, yang sejalan dengan temuan dari (Stenger et al. 2024 ). Di 5 lokasi yang tersisa, tidak ada jalur aliran tunggal yang dominan. Secara keseluruhan, aliran sedang adalah sumber utama aliran sungai untuk sebagian besar lokasi (15 dari 28) di Pulau Utara.

Variasi spasial dari estimasi aliran tahunan di Pulau Selatan juga cukup besar (plot kiri bawah pada Gambar 5 ), berkisar dari 116 mm/thn (lokasi TK1) hingga 2000 mm/thn, yang diakibatkan oleh respons hidrologi yang berbeda di berbagai iklim (misalnya, curah hujan berkisar dari 850 mm/thn pada TK1 hingga lebih dari 3000 mm/thn pada GY2). Kontribusi relatif terhadap aliran sungai (plot kanan bawah pada Gambar 5 ) dari jalur aliran yang berbeda juga bervariasi. Aliran cepat mendominasi di 3 dari 15 lokasi Pulau Selatan yang dinilai, aliran sedang mendominasi di 4 lokasi, dan aliran lambat mendominasi di 2 lokasi (AX3 dan DN3). Tidak ada jalur aliran yang mendominasi di 6 lokasi yang tersisa. Mirip dengan lokasi Pulau Utara, aliran lambat adalah jalur aliran yang berkontribusi terkecil untuk sungai-sungai Pulau Selatan yang dinilai.

3.4 TP Dari Komponen Aliran
Selain pemisahan jalur aliran, manfaat lain dari BACH adalah dapat memberikan perkiraan beban nutrisi dan kontribusi persentase beban dari jalur aliran yang berbeda.

Gambar 6 mengilustrasikan distribusi spasial dari estimasi beban TP tahunan dan estimasi kontribusi dari tiga jalur berbeda di Pulau Utara dan Pulau Selatan. Beban TP pada basis areal berkisar dari 0,02 kg/ha/thn hingga 1,69 kg/ha/thn. Seperti yang ditunjukkan oleh sebagian besar area merah di Pulau Utara pada Gambar 6 , mayoritas TP diangkut dengan aliran cepat yang dominan di 15 lokasi (GS1, GS2, HM6, HV2, RO2, RO3, RO4, RO5, TU1, WA1, WA2, WA4, WA7, WH4 dan WN5), diikuti oleh aliran sedang yang dominan di 11 lokasi (AK1, AK2, GS4, HM1, HM2, HV3, HV4, WA5, WH1, WH2 dan WH3). Kontribusi aliran lambat hanya dominan di lokasi WA2, meskipun kontribusinya di RO2 (34%) dan TU2 (44%) tidak dapat diabaikan.

Di Pulau Selatan, mayoritas muatan TP kembali diangkut dengan aliran cepat yang dominan di 11 lokasi (AX3, CH2, CH3, CH4, DN9, GY1, GY2, GY3, NN1, TK1 dan TK2), diikuti oleh aliran sedang yang dominan di 3 lokasi (DN4, NN3 dan NN5), dan kontribusi dari aliran lambat relatif kecil tanpa lokasi yang dominan.

3.5 NNN Dari Komponen Aliran
Gambar 7 menunjukkan distribusi spasial dari estimasi beban NNN tahunan dan estimasi kontribusi dari tiga jalur aliran di Pulau Utara dan Pulau Selatan. Beban NNN pada basis areal berkisar dari dekat 0 kg/ha/thn hingga 9,6 kg/ha/thn. Dari plot kiri atas Gambar 7 , lokasi Pulau Utara dengan beban NNN tertinggi terletak di Waikato dan Bay of Plenty. Seperti yang ditunjukkan oleh sebagian besar warna biru di plot kanan atas Gambar 7 , mayoritas NNN diangkut dengan aliran sedang secara dominan di 25 lokasi (dari 28 lokasi) di Pulau Utara; kontribusi aliran cepat hanya dominan di RO5 dan WH4, dan kontribusi aliran lambat hanya dominan di RO2.

Demikian pula di Pulau Selatan, sebagian besar beban NNN diangkut melalui jalur aliran sedang, dengan kontribusi aliran sedang dominan di 10 lokasi (dari 15 lokasi); kontribusi aliran cepat maupun kontribusi aliran lambat tidak melebihi 50% dari keseluruhan kontribusi.

3.6 Korelasi Dengan Karakteristik Daerah Aliran Sungai (DAS) Hulu
Untuk mengidentifikasi faktor-faktor pendorong spasial beban nutrisi, kami menyelidiki korelasi antara beban nutrisi dan karakteristik daerah aliran sungai di hulu, sebagaimana dianalisis dalam penelitian sebelumnya (misalnya, McGroddy et al. 2008 ; Casquin et al. 2021 ). Karakteristik daerah aliran sungai di hulu ini, termasuk iklim, geomorfologi, geologi, dan tutupan lahan, serta korelasinya dengan aliran tahunan dan beban tahunan NNN dan TP, tercantum dalam Tabel 2 .

3.6.1 Iklim
Seperti dilaporkan dalam Tabel 2 , aliran berkorelasi positif dengan Hujan dan berkorelasi negatif dengan PET karena variabel iklim ini memiliki dampak langsung pada neraca air daerah tangkapan air. Aliran juga berkorelasi positif dengan hari hujan (HariHujan10), karena intensitas curah hujan memengaruhi distribusi spasiotemporal air di daerah tangkapan air (yaitu, curah hujan intensitas rendah meningkatkan waktu tinggal air di daerah tangkapan air, yang meningkatkan penguapan). PET dan suhu (AvgT) berkorelasi positif dengan total beban NNN dan beban TP, yang dapat dikaitkan dengan peningkatan penggunaan lahan pertanian di wilayah yang lebih hangat. Analisis peta Sistem Analisis Karbon Penggunaan Lahan (LUCAS) (Newsome et al. 2018 ) bersama data iklim (Tait et al. 2006 ) di Selandia Baru mendukung hubungan ini. Namun, mengevaluasi PET atau suhu secara terpisah mengenai lahan pertanian dapat menyesatkan, karena beberapa area pertanian di wilayah yang lebih hangat bergantung pada irigasi tambahan untuk mempertahankan aktivitas pertanian. Studi global (Moore et al. 2021 ; Agnolucci et al. 2020 ; Gourdji et al. 2013 ) telah menunjukkan bahwa hubungan antara suhu dan produktivitas pertanian bervariasi di berbagai tanaman dan wilayah, yang menunjukkan heterogenitas signifikan dalam korelasi ini. Oleh karena itu, penilaian terperinci dengan atribusi yang tepat diperlukan untuk memahami dinamika ini secara akurat. Total beban TP berkorelasi dengan intensitas hujan (‘RainDays10’), yang menyoroti pentingnya aliran badai cepat sebagai jalur untuk total transportasi TP, sedangkan total beban NNN relatif tidak berkorelasi dengan intensitas hujan, yang mencerminkan preferensinya untuk jalur bawah permukaan dengan waktu respons yang lebih lambat.

3.6.2 Geomorfologi dan Geologi
Angka Strahler daerah tangkapan air berkorelasi negatif dengan aliran tahunan (bila dinyatakan berdasarkan areal) dan tidak berkorelasi dengan beban TP dan NNN, yang menunjukkan adanya korelasi antara ukuran daerah tangkapan air dan penyimpanan daerah tangkapan air. Kemiringan yang curam (‘AveSlope’ dan ‘Steep’) berkorelasi dengan drainase air yang lebih cepat keluar dari daerah tangkapan air, tetapi dikaitkan dengan beban TP dan TN yang lebih rendah karena kemungkinan penggunaan lahan pertanian di daerah tersebut lebih sedikit. Di Selandia Baru, aktivitas pertanian cenderung terkonsentrasi di dataran rendah (seperti yang ditunjukkan oleh korelasi negatif antara ‘CatElev’ dan beban TP dan NNN, masing-masing sebesar -0,35 dan -0,58). Sebaliknya, curah hujan yang lebih besar di daerah dengan ketinggian tinggi sering kali menyediakan air bagi dataran rendah (korelasi ‘CatElev’ 0,32 dengan aliran). Jenis tanah (‘Alluvium’ dan ‘Peat’) dan kekerasan (‘Keras’) memiliki korelasi yang lemah dengan aliran, tetapi ‘Peat’ dan ‘Keras’ sangat memengaruhi beban TP dan NNN karena lahan dengan ‘Peat’ tinggi dan ‘Keras’ rendah lebih cocok ditanami (Eudoxie et al. 2012 ). Menurut Garrett ( 2023 ), 73% lahan ‘Peat’ di Selandia Baru ‘telah dikeringkan secara ekstensif dan/atau terdegradasi untuk pengembangan pertanian’, dan ‘dikaitkan dengan praktik penggunaan lahan intensif seperti kepadatan stok tinggi dan penggunaan pupuk’. Oleh karena itu, meskipun ukuran lahan ‘Peat’ relatif kecil, lahan ini memiliki kontribusi tertentu terhadap TP dan NNN karena praktik pertanian intensif.

3.6.3 Penutup Lahan
Faktor penutup lahan menggambarkan intensitas aktivitas manusia (Snelder et al. 2018 ), dan korelasinya dengan aliran, TP, dan NNN tidak hanya mencerminkan distribusi spasial berbagai kategori penggunaan lahan tetapi juga interaksi dengan faktor iklim, geomorfologi, dan geologi.

Untuk aliran, ditemukan berkorelasi negatif dengan ‘Pastoral’ tetapi berkorelasi positif dengan hutan asli. Ini kemungkinan karena penggunaan lahan ‘Pastoral’ terletak di dataran rendah tempat penyimpanan lebih besar dan PET lebih besar. Daerah irigasi di Selandia Baru sebagian besar terkonsentrasi di sepanjang pantai timur yang lebih kering, tempat mereka mencakup sebagian besar total daerah tangkapan air (Kementerian Lingkungan Hidup, 2017 ). Irigasi juga merupakan komponen utama penggunaan air konsumtif, terutama selama musim irigasi. Menurut Kementerian Lingkungan Hidup ( 2007 ), irigasi merupakan hampir 80% dari total penggunaan air yang dialokasikan mingguan. Dampak pertanian irigasi pada aliran sungai signifikan di banyak wilayah, seperti yang dilaporkan dalam berbagai penelitian (misalnya, Kienzle & Schmidt, 2008 ; Srinivasan & Duncan, 2012 ). Efek ini sangat terasa di daerah dengan pengembangan irigasi yang luas, tempat ekstraksi air mengurangi aliran sungai, terutama selama musim kemarau. Korelasi positif antara aliran dan hutan asli dapat mencerminkan korelasi dengan curah hujan (0,53) dan kemiringan daerah tangkapan ‘AveSlope’ (0,46), karena hutan asli paling sering ditemukan di lanskap yang lebih tinggi dan curam dengan curah hujan tinggi, penyimpanan rendah, dan PET rendah. Meskipun tidak signifikan secara statistik, hutan eksotis (‘ExoForest’) memiliki korelasi negatif dengan aliran: hutan tersebut cenderung terletak di area dengan PET yang relatif tinggi dan kemiringan rendah (korelasi 0,43 dengan PET dan – 0,43 dengan ‘AveSlope’) untuk memudahkan pemeliharaan dan pemanenan.

Mengenai beban nutrisi, penggunaan lahan ‘Telanjang’ dan ‘Tussock’ dan ‘Pastoral’ berkorelasi negatif dan positif dengan beban TP dan NNN, masing-masing, sementara tutupan lahan lainnya hanya berkorelasi lemah dengan beban nutrisi. Karakteristik ini dijelaskan karena lahan ‘Pastoral’ umumnya dikaitkan dengan penggunaan lahan pertanian (misalnya, penggembalaan, aplikasi pupuk) di dataran rendah dan daerah yang umumnya datar. Ini sejalan dengan korelasi positif antara penggunaan lahan ‘Pastoral’ dan jumlah ternak, yang keduanya diharapkan berkontribusi pada beban TP dan NNN. Sebaliknya, korelasi negatif antara penggunaan lahan ‘Telanjang’ dan ‘Tussock’ dan beban nutrisi mungkin mencerminkan intensitas penggunaan lahan yang relatif lebih rendah di daerah tangkapan air ini, karena mereka umumnya terletak di dataran tinggi atau daerah perbukitan dengan aktivitas pertanian yang kurang intensif.

3.6.4 Distribusi Ternak
Kepadatan ternak berhubungan langsung dengan intensitas pertanian (Zakrzewska dan Nowak, 2022 ; McSherry dan Ritchie, 2013 ).

Untuk aliran sungai, ketiga kelas ternak yang dimodelkan—ternak sapi perah, sapi pedaging, dan domba—dikaitkan dengan pengurangan aliran, dengan ‘ternak sapi perah’ memiliki korelasi negatif yang tidak signifikan (−0,19), dan ‘sapi pedaging’ dan ‘domba’ menunjukkan korelasi negatif yang signifikan masing-masing sebesar -0,44 dan -0,47. Korelasi negatif ini berpotensi terjadi karena peningkatan konsumsi air oleh ternak dan kegiatan pertanian, berkurangnya infiltrasi yang disebabkan oleh perubahan tutupan lahan, dan perubahan evapotranspirasi (Schilling et al. 2008 ; Tasgara dan Kumar, 2023 ).

Mengenai beban nutrisi, korelasi antara kepadatan ternak dan beban TP lebih kecil daripada beban NNN. Ini mungkin mencerminkan bahwa jumlah fosfor dalam aplikasi pupuk lebih kecil daripada nitrogen. Gambar S1 dengan jelas menunjukkan bahwa fosfor dalam pupuk yang dijual lebih kecil daripada nitrogen, dan ada peningkatan besar dalam nitrogen sementara penurunan fosfor setelah tahun 2000. Korelasi antara kepadatan ternak dan beban NNN menurun dari ‘Susu’, ‘Daging Sapi’ ke ‘Domba’ yang mencerminkan penurunan jumlah siklus nutrisi (dari pakan impor, pupuk, limbah yang diterapkan dan fiksasi biologis) dalam sistem Susu, Daging Sapi dan Domba, masing-masing (Hoogendoorn et al. 2011 ; WRC 2025 ; Manderson, 2015 ). Misalnya, di Selandia Baru, 62% pupuk nitrogen diterapkan di lahan ‘Susu’, dibandingkan dengan 27% di lahan ‘Daging Sapi’ dan ‘Domba’. Demikian pula, 49% pupuk fosfor diaplikasikan pada lahan ‘Susu’ dibandingkan dengan 43% pada ‘Sapi’ dan ‘Domba’ (Fertiliser Associator New Zealand 2024 ).

4 Kesimpulan
Pemisahan hidrograf berbantuan kimia Bayesian (BACH) dilakukan pada 58 lokasi Jaringan Kualitas Air Sungai Nasional (NRWQN) aktif di Selandia Baru menggunakan data aliran sungai harian beserta konsentrasi NNN dan TP bulanan sebagai pelacak.

Pendekatan BACH tidak dapat mencakup dampak pencairan salju, irigasi atau pembuangan titik, maupun modifikasi aliran akibat bendungan hidroelektrik yang beroperasi dan/atau danau besar. Secara keseluruhan, BACH tidak cocok untuk diterapkan di 15 lokasi karena ketidakkonvergensian, ketidaksesuaian yang buruk dan/atau ketersediaan data yang tidak memadai, termasuk 6 lokasi yang terdampak oleh bendungan hidroelektrik yang beroperasi dan/atau danau besar.

Di tiap lokasi, aliran sungai dibagi menjadi tiga komponen (cepat, sedang, dan lambat) berdasarkan ciri hidrodinamik dan kimianya: Di antara ketiga komponen aliran ini, aliran sedang menyumbang lebih dari 50% aliran tahunan di 19 dari 43 lokasi, diikuti oleh aliran cepat yang mendominasi di 9 lokasi dan aliran lambat yang mendominasi di 4 lokasi, yang menunjukkan pentingnya aliran sedang untuk transportasi nutrisi.

Analisis beban nutrisi yang dimodelkan menunjukkan bahwa: (1) di sebagian besar lokasi di Selandia Baru, sebagian besar TP diangkut ke sungai melalui aliran cepat, karena TP sering diserap oleh partikel sedimen, diikuti oleh aliran sedang, sementara kontribusi aliran lambat dapat diabaikan kecuali di 1 lokasi, yang mengalami pelapukan fosfor geogenik yang relatif tinggi; (2) kontribusi NNN terbesar berasal dari aliran sedang, diikuti oleh aliran cepat, sementara aliran lambat diperkirakan memiliki kontribusi besar hanya di 1 lokasi.

Analisis korelasi dengan karakteristik daerah aliran sungai di hulu menunjukkan bahwa: (1) aliran tahunan (mm/thn, diskalakan berdasarkan daerah aliran sungai) paling berkorelasi dengan faktor iklim (hujan tahunan, PET tahunan, dan Hari Hujan10), diikuti oleh faktor geomorfologi dan geologi (urutan Strahler sungai, dan Lereng), kepadatan ternak (‘Daging Sapi’ dan ‘Domba’) dan beberapa penutup lahan (‘Pastoral’ dan ‘Hutan Nila’), tetapi relatif tidak berkorelasi dengan kategori penutup lahan lainnya; (2) beban TP tahunan (kg/ha/thn) terutama berkorelasi dengan faktor-faktor yang berkontribusi terhadap aliran cepat (PET, Hari Hujan10, elevasi daerah aliran sungai, dan kekerasan daerah aliran sungai), dan fraksi penutup lahan untuk ‘Tussock’ (negatif) dan ‘Susu’ (positif); dan (3) beban NNN tahunan (kg/ha/th) berkorelasi dengan berbagai faktor yang lebih luas dibandingkan TP, termasuk PET, suhu rata-rata, kemiringan daerah tangkapan air, ketinggian, komponen geologi (‘Gambut’ dan ‘Keras’), penutup lahan dan kepadatan ternak.

Temuan-temuan ini memberikan wawasan berharga untuk pengelolaan unsur hara di Selandia Baru dengan mengidentifikasi jalur aliran utama yang memengaruhi pengangkutan unsur hara. Memahami peran dominan aliran sedang untuk nitrogen dan aliran cepat untuk fosfor, serta variasinya di berbagai lingkungan fisik, dapat membantu memandu strategi pengelolaan yang ditargetkan. Ini termasuk meningkatkan kualitas air tanah dangkal, menerapkan praktik penggunaan dan pengelolaan lahan untuk mengurangi pencucian unsur hara, mengoptimalkan zona penyangga tepi sungai, meningkatkan upaya pemulihan lahan basah, dan mempromosikan pertanian presisi untuk meminimalkan aplikasi pupuk berlebih. Pendekatan yang digunakan dalam studi ini juga menyediakan kerangka kerja praktis untuk menilai pengangkutan unsur hara di wilayah lain, yang mendukung intervensi skala daerah tangkapan air yang lebih efektif untuk mengurangi penurunan kualitas air.