2017, Vol. 38
2. 北京工业大学水质科学与水环境恢复工程北京市重点实验室, 北京 100124
2. Key Laboratory of Beijing for Water Quality Science and Water Environment Recovery Engineering, Beijing University of Technology, Beijing 100124, China
近几十年来, 随着地下水污染的加重, 有关地下水脆弱性评价的研究陆续出现[1~3].由美国环保署于1987年提出的DRASTIC模型[4]是国内外应用最广泛的评价方法.随着研究的深入, 国内外学者相继认识到地下水的污染风险应考虑人类活动的影响.多元化的评价方法使评价结果更加科学合理, 但地下水系统较为复杂[5], 尤其是在人类活动密集的地区, 影响地下水脆弱性的相关人为因素不断发生变化[6], 致使地下水脆弱性在时空演变各时期具有不同的特点.国内外诸多学者[7~10]对地下水脆弱性评价时, 虽然考虑了人为因素, 但是没有考虑影响因素的时空变化.故研究地下水脆弱性的时空格局转变, 分析其各时期分布的特点, 预测其发展的趋势, 对于合理制定发展规划, 针对性地降低地下水污染的风险有着重要的意义.
鉴于此, 本研究选取北京市朝阳区为研究区, 探讨2004、2010及2016年朝阳区地下水脆弱性的时空格局演变.在DRASTIC模型的基础上, 结合朝阳区近年来污染源变化的具体情况, 建立了考虑土地利用类型等特殊脆弱性指标的地下水脆弱性综合评价模型.利用Global Moran's Ⅰ指数、Getis-Ord Gi*指数(G指数)定量表征了评价结果在全局、局部上的聚集特性.通过计算热点分布的质心和标准差椭圆, 定量分析了地下水脆弱性热点格局的变化.本研究成果可以对朝阳区地下水污染治理的可行性分析提供有利的理论依据, 有利于提高科学性, 减少盲目性, 降低地下水污染修复风险和防治成本, 对合理防治朝阳区地下水污染具有一定指导意义.
1 研究区域概况朝阳区地处北京市的东北面, 地理坐标界于东经116°21′~116°42′, 北纬39°48′~40°09′.全区土地面积470.8 km2, 具体地理位置如图 1所示.全区地势低平, 平均海拔34 m, 西北高、东南低, 由西北向东南缓慢下降, 地面坡降平均在1/2 000左右.该区地下水呈自西北向东南的流向, 含水层主要由数层第四系砂、砂砾石组成, 厚度由西向东逐渐加厚, 东部的来广营、酒仙桥、高碑店以东地区第四系厚度达300 m以上, 到金盏一带大于450 m.
|
图 1 研究区地理位置示意 Fig. 1 Location of the study area |
该区地下水资源受各污染源长期影响, 使得各地下水水质指标出现了不同程度的超标.从前人的研究[11~13]中能看出, 朝阳区的地下水脆弱性较高, 应加以保护.且近年来, 随着朝阳区产业结构的优化, 土地利用类型分布格局的变化, 使得地下水脆弱性的分布较多年前有了很大的变化.
2 地下水脆弱性评价 2.1 评价模型的构建针对朝阳区诸多自然、人为因素对地下水污染的影响, 本研究首先基于DRASTIC模型对地下水脆弱性进行评价. DRASTIC模型主要考虑7项影响地下水水质的水文地质参数, 根据各参数对地下水脆弱性的影响程度, 分别赋予不同的固定权重值, 以此评价地下水受污染的相对难易程度.考虑研究区地形平坦、大面积土地已硬化的特点, 本研究舍去土壤介质类型(S)、地形坡度(T)两项, 选取传统DRASTIC模型中地下水埋深(D)、净补给量(R)、含水层介质类型(A)、渗流区主要介质类型(I)、含水层水力传导系数(C)5项本质脆弱性影响指标进行研究区地下水本质脆弱性评价.各指标分类标准及评分根据文献[3]并结合朝阳区实际情况得到, 详见表 1.
|
表 1 研究区本质脆弱性D、R、C、A、I指标评分标准 Table 1 Standards for essential vulnerability indicators: D, R, C, A, I |
结合研究区近年来发展变化的特点, 本研究增加土地利用类型(L)[14, 15]、地表水水质(Q)[16]、人口密度(P)[17]、施肥强度(E)[16]、工业废水排放量(G)[6]这5项特殊脆弱性影响指标进行研究区地下水特殊脆弱性评价, 各指标权重值结合实际情况及专家建议赋值, 详见表 2.考虑到研究区人类活动较多, 对地下水水质影响更大, 分别赋予本质脆弱性与特殊脆弱性0.4和0.6的权重[18], 将各影响因素的评分计算加权平均值后即可得到研究区地下水脆弱性综合评价指数Ⅵ, 具体公式如下：
|
|
表 2 研究区特殊脆弱性L、Q、G、E、P指标评分标准 Table 2 Standards for special vulnerability indicators: L, Q, G, E, P |
|
(1) |
式中, D、R、A、I、C、L、Q、G、E、P表示评价指标, 意义同上, 下标w表示各评价指标对应的权重; r表示各评价指标对应的得分.
2.2 数据来源与处理研究区地下水脆弱性评价所需的水文地质数据均来自全区37眼钻孔资料; 地下水水质数据来源于多年朝阳区72眼监测井的39项指标(GB/T 14848-93) 的监测值; 地表水水质来源于北京市水务局公布的北京市地表水水质月报; 其余各项人为影响数据均来自北京市水资源公报、北京市朝阳区统计年鉴.
由于研究区地下水脆弱性评价的各影响指标数据来源包括点(钻孔资料等)、线(河流等)、面(土地等), 为实现评价结果的综合可视化表达, 本研究首先将各项影响因素栅格化处理后得到各自评分栅格图, 然后通过各指标加权叠加得到地下水脆弱性综合评分.具体处理过程如下：① 将研究区剖分为1 km×1 km的460个网格.对于由钻孔数据得到的水文地质资料, 评分后以点要素的形式导入, 并进行插值后得到各因素评分栅格; 对于地表河流、湖泊的水质数据, 分别以线、面要素的形式导入后, 综合考虑距离的影响[19], 得到评分栅格; 对于工业废水排放、化肥使用、人口密度等由统计公报得到的数据, 分别以乡为单位评分导入后统一栅格化; 对于土地利用类型, 以各栅格中最大面积利用类型确定评分. 图 2为2004年各单指标评价结果. ② 将各影响指标图层按[式(1)]加权叠加每个网格可得到一个地下水脆弱性指数, 将该值作为单元格中心值进行计算分析, 从而得到整个研究区地下水脆弱性综合评分.
|
图 2 2004年研究区地下水脆弱性单指标评分 Fig. 2 Results of single index evaluation of groundwater vulnerability in 2004 |
通过计算得到研究区2004年、2010年和2016年的地下水脆弱性指数Ⅵ, 将Ⅵ值由低到高分为5类：低脆弱性区(30~60)、较低脆弱性区(60~80)、一般脆弱性区(80~100)、较高脆弱性区(100~120)、高脆弱性区(120~150).经过进一步加密, 平滑处理后得到各年度地下水脆弱性分区图(图 3), 各年度地下水脆弱性等级分区面积占全区总面积比例见表 3.
|
图 3 研究区2004年、2010年和2016年的地下水脆弱性评价结果 Fig. 3 Distribution of groundwater vulnerability in 2004, 2010 and 2016 |
|
|
表 3 北京市朝阳区各等级地下水脆弱性分区面积占全区总面积比例/% Table 3 Percentage of different ranks of groundwater vulnerability/% |
由图 3可以看出, 研究区地下水脆弱性整体上逐年降低, 高脆弱性地区面积逐渐减少. 2004年研究区地下水脆弱性分布较为平均, 其中脆弱性较高和高地区分别占全区面积的14.85%和16.47%, 主要分布在东北部的黄港、孙河、楼梓庄及西南部分的小红门地区; 2010年研究区地下水脆弱性较上一年相比有了明显的好转, 脆弱性类型为较高及高的面积分别为23.81%和6.55%;到2016年, 研究区大部分区域脆弱性为低和较低, 分别占全区面积的27.78%和32.21%, 但仍有少部分地区的脆弱性高, 主要分布在西南角的小红门地区, 总体上全区的脆弱性与2010年相比又有了明显的改善.这与研究区近年来的发展变化有关, 历史上朝阳区分布着较多的工、农业污染源, 但随着社会经济的发展和产业结构的调整, 污染源逐渐减少.据统计资料显示, 2004年, 朝阳区的第一、二产业分别占生产总值的0.3%和23.6%, 随着大量污染企业搬迁, 农田耕地被开发利用, 到2010年, 分别减少为0.05%和11.44%, 而2014年分别为0.03%和7.99%.
为进一步分析造成评价结果变化的原因, 采用单参数敏感性分析法(SPSA)[20]对随时间变化的5项特殊脆弱性评价指标分别进行敏感性分析, 利用每个网格中心点值计算各指标的敏感性有效权重, 将其平均值列于表 4.
|
|
表 4 单指标敏感性有效权重 Table 4 Single index sensitivity effective weight |
各参数的敏感性有效权重反映了各指标对评价结果的实际贡献程度, 由表 4可以看出, 各项指标对评价结果的实际贡献各不相同, 且发生了不同程度的变化.其中, 土地利用对脆弱性的贡献逐渐降低, 这是由于随着城市的发展, 大量土地被硬化利用, 使得评分随之降低.地表水水质各年贡献持平, 数值较大, 这是由于流经研究区的主要有温榆河、坝河、通惠河和凉水河等, 均为北京市的排污大河, 水质常年低于地表水Ⅴ类, 且影响范围较大.研究区的工业企业的分布较集中, 主要在南部的南磨房、高碑店等乡, 由于近年来北京市开展了污染企业搬迁工作, 至2008年奥运会之前, 约200家污染企业全部完成调整搬迁工作, 使得工业废水排放的贡献较小, 且逐年减小.化肥使用的贡献2004年较高, 但由于近年来研究区大面积的耕地被占用, 且化肥使用逐渐规范化、科学化, 使得有效权重很快降低.人口密度的权重逐渐增大, 但对地下水脆弱性的贡献相对较小.
2.4 评价结果的验证为验证地下水脆弱性评价结果的准确性, 将研究区2004、2010和2016的地下水脆弱性评价结果与水质综合评价F值比较.基于72口监测井对研究区地下水39项指标的实测值, 采用文献[21](GB/T 14848-93) 中规定的方法计算得到水质综合评价F值, 在空间上插值得到各年的地下水水质分布(图 4).
|
图 4 研究区2004年、2010年和2016年的地下水水质分区 Fig. 4 Distribution of groundwater quality in 2004, 2010 and 2016 |
从图 4可以看出, 研究区地下水水质整体上逐渐好转, 且呈现以东北-西南一线水质较差, 西北-东南部分水质较好的格局, 与地下水脆弱性评价结果基本一致.为进一步验证地下水脆弱性大小与地下水水质综合评价指数之间的相关关系, 将各年地下水脆弱性和地下水水质评价结果置于XY坐标系(图 5), 利用SPSS软件对其进行相关性与显著性检验.结果显示Pearson相关系数分别为0.841、0.786和0.717, 在0.01水平上显著性正相关.综上, 本次研究采用的地下水脆弱性评价方法合理, 具有一定科学应用性.
|
图 5 地下水水质综合评价指数对应脆弱性综合评价指数散点图 Fig. 5 Scatterplot of the comprehensive evaluation index of groundwater quality and the corresponding vulnerability index |
本文采用空间自相关分析来研究各时期地下水脆弱性的聚集性及其时空演变特征.空间自相关分析是研究邻近位置的属性相关性的空间统计学方法, 可以分析同一变量在不同位置上的相关性, 常用于度量变量在空间域的聚集程度、分析时空演变特点[22].空间自相关可分为全局空间自相关和局部空间自相关, 全局空间自相关利用单一值来反映区域自相关的程度, 局部空间自相关揭示每一个单元与临近单元就某一属性的相关程度.
3.1.1 全局空间自相关全局空间自相关常用Global Moran's Ⅰ系数[23]来度量, 通过对Global Moran's Ⅰ的估计可以判断研究区地下水脆弱性在总体空间上是否存在聚集现象. 表 5给出了3个年份地下水脆弱性综合评价结果的Global Moran's Ⅰ值与检验.
|
|
表 5 各年度地下水脆弱性的Moran's Ⅰ值 Table 5 Moran's Ⅰ value of the groundwater vulnerability in 2004, 2010 and 2016 |
从表 5可以看出, 各年度的地下水Moran's Ⅰ指数接近于1, 且检验结果显著, 表明地下水脆弱性分布具有较强的空间聚集性, Moran's Ⅰ指数逐年降低, 表明聚集区域面积逐渐缩小.
3.1.2 局部空间自相关局部空间自相关的表示指标和计算方法有很多, 其中最常用的有Local Moran's Ⅰ(局部Moran指数)、Getis-Ord Gi*[24]等.本研究采用G指数来识别研究区地下水脆弱性的高值簇(热点区)的空间分布.
利用ArcGIS中的空间统计分析模块计算研究区地下水脆弱性的Getis-Ord Gi*值, 经过进一步可视化处理, 得到研究区地下水脆弱性的G指数分布(热点分布, 图 6), 用自然间断点分级法将数值由低到高划分为：冷点区、次冷区、温点区、次热区和热点区5类.用同样的方法将各年度地下水水质数据进行处理可得到地下水水质热点分布(图 7), 将地下水脆弱性和地下水水质热点分布图进行对比分析.
|
图 6 2004年、2010年与2016年地下水脆弱性热点分布 Fig. 6 Distribution of groundwater vulnerability hot spots in 2004, 2010 and 2016 |
|
图 7 2004年、2010年与2016年地下水水质综合评价指数热点分布 Fig. 7 Distribution of groundwater quality hot spots in 2004, 2010 and 2016 |
对比图 6和图 7可发现, 研究区地下水水质热点分布与脆弱性热点分布相似.位于研究区西南侧的小红门地区, 各年度均为热点区, 该地区位于北京市排污大河凉水河沿岸, 且该地区硬化土地较少, 污染物容易随地表径流下渗, 使得该区域一直都是地下水脆弱性的高值聚集区, 水质较差.研究区东北侧的金盏乡、孙河乡等地区, 2004年为次热区, 地下水脆弱性较高、水质较差, 近年来, 这些地区大面积的耕地被占用, 施肥量逐年减少, 减少了“三氮”的污染, 导致这些地区的脆弱性明显降低、水质逐渐好转, 到2016年已变为次冷区.总体上, 地下水脆弱性热点区面积逐渐缩小, 与全局脆弱性指数变化趋势一致.
3.2 演化趋势及方向分析为了定量分析研究区地下水脆弱性热点分布整体变化趋势的方向及大小, 运用ArcGIS分别计算得到各年地下水脆弱性评价指数和水质综合评价指数的热点区的质心与标准差椭圆(图 8、图 9), 将热点质心及标准差椭圆的变化列于表 6.
|
图 8 地下水脆弱性热点质心及标准差椭圆 Fig. 8 Groundwater vulnerability hotspots centroid and standard deviation ellipse |
|
图 9 地下水水质热点质心及标准差椭圆 Fig. 9 Groundwater quality hotspots centroid and standard deviation ellipse |
|
|
表 6 热点质心及标准差椭圆变化表 Table 6 Change in hotspots centroid and standard deviation ellipse |
对比图 8和图 9可知：整体上, 研究区地下水脆弱性高值区的质心由中部逐渐向西南部移动. 2004年, 热点质心在朝阳区中部, 标准差椭圆几乎覆盖了西南-东北一线, 这个时期的地下水脆弱性分布呈现较强的方向性, 且分布较广.由表 6可知, 2010年, 热点质心向西南方向转移了5.27 km, 范围缩小了很多, 说明这个时期地下水脆弱性的高值区仍然主要在西南、东北地区, 而东北地区得到了很大的缓解. 2016年，热点质心继续向西南移动3.13 km, 范围进一步缩小, 说明这个时期地下水脆弱性高值区主要在研究区的西南角.地下水水质综合评价F值的演化趋势与地下水脆弱性类似, 热点质心分别向西南移动了2.26 km和6.56 km.
4 结论(1) 地下水脆弱性评价结果表明：朝阳区2004年、2010年和2016年高脆弱性地区面积逐渐减少, 分别占全区面积的16.47%、6.55%和2.15%, 呈逐年递减趋势.利用单参数敏感性分析法发现这主要是由于大面积土地利用类型的改变和化肥使用的减少.通过与地下水水质评价F值比较, 验证了结果的合理性.
(2) 研究区地下水脆弱性综合评价结果的全局Moran's Ⅰ估计表明研究区地下水脆弱性分布存在较强的聚集性.利用Getis-Ord Gi*指数识别了研究区地下水脆弱性和地下水水质综合评价F值的高值区, 结果显示高值聚集区主要分布在东北和西南地区, 东北地区高值区的面积逐渐缩小, 而西南部的小红门地区一直都是高值区, 应把该区域作为重点防治区.
(3) 地下水脆弱性分布呈现沿东北-西南分布的方向性, 由于东北区域的地下水脆弱性逐渐降低, 而西南地区一直都是高值区, 质心逐渐向西南转移.地下水水质的热点质心和标准差椭圆的结果与脆弱性较为相似, 进一步说明了这些地区为地下水污染防治重心.
| [1] |
申利娜, 李广贺. 地下水污染风险区划方法研究[J]. 环境科学, 2010, 31(4): 918-923. Shen L N, Li G H. Groundwater pollution risk mapping method[J]. Environmental Science, 2010, 31(4): 918-923. |
| [2] |
王红娜, 何江涛, 马文洁, 等. 两种不同的地下水污染风险评价体系对比分析:以北京市平原区为例[J]. 环境科学, 2015, 36(1): 186-193. Wang H N, He J T, Ma W J, et al. Comparative analysis of two different methods for risk assessment of groundwater pollution: a case study in Beijing Plain[J]. Environmental Science, 2015, 36(1): 186-193. |
| [3] | Martínez-Bastida J J, Arauzo M, Valladolid M. Intrinsic and specific vulnerability of groundwater in central Spain: the risk of nitrate pollution[J]. Hydrogeology Journal, 2010, 18(3): 681-698. DOI:10.1007/s10040-009-0549-5 |
| [4] | Aller L, Bennet T, Lehr J H, et al. DRASTIC: a standardized system for evaluating ground water pollution potential using hydrogeological settings[R]. U.S. EPA Report, 1987. |
| [5] |
王俊杰, 何江涛, 陆燕, 等. 地下水污染风险评价中特征污染物量化方法探讨[J]. 环境科学, 2012, 33(3): 771-776. Wang J J, He J T, Lu Y, et al. Quantitative method of representative contaminants in groundwater pollution risk assessment[J]. Environmental Science, 2012, 33(3): 771-776. |
| [6] |
奚旭, 孙才志, 吴彤, 等. 下辽河平原地下水脆弱性的时空演变[J]. 生态学报, 2016, 36(10): 3074-3083. Xi X, Sun C Z, Wu T, Z, et al. Spatial-temporal evolution of groundwater vulnerability in the lower reaches of the Liaohe River Plain[J]. Acta Ecologica Sinica, 2016, 36(10): 3074-3083. |
| [7] |
郝静, 张永祥, 丁飞, 等. 改进的DRASTIC模型在地下水易污染性模糊评价中的应用[J]. 水文地质工程地质, 2013, 40(5): 34-39. Hao J, Zhang Y X, Ding F, et al. Improved DRASTIC model and its applying for the Fuzzy evaluation of groundwater vulnerability[J]. Hydrogeology and Engineering Geology, 2013, 40(5): 34-39. |
| [8] |
孙法圣, 程品, 张博. 基于物理过程的矿区地下水污染风险评价[J]. 环境科学, 2014, 35(4): 1285-1289. Sun F S, Cheng P, Zhang B. Physical process based risk assessment of groundwater pollution in the mining area[J]. Environmental Science, 2014, 35(4): 1285-1289. |
| [9] | Li R P, Merchant J W. Modeling vulnerability of groundwater to pollution under future scenarios of climate change and biofuels-related land use change: a case study in North Dakota, USA[J]. Science of the Total Environment, 2013, 447: 32-45. DOI:10.1016/j.scitotenv.2013.01.011 |
| [10] | Ducci D, Sellerino M. Vulnerability mapping of groundwater contamination based on 3D lithostratigraphical models of porous aquifers[J]. Science of the Total Environment, 2013, 447: 315-322. DOI:10.1016/j.scitotenv.2012.12.090 |
| [11] |
陆燕, 何江涛, 王俊杰, 等. 北京市平原区地下水污染防控区划不确定性分析[J]. 环境科学, 2012, 33(9): 3117-3123. Lu Y, He J T, Wang J J, et al. Uncertainty analysis of groundwater protection and control zoning in Beijing Plain[J]. Environmental Science, 2012, 33(9): 3117-3123. |
| [12] |
陆燕, 何江涛, 王俊杰, 等. 北京平原区地下水污染源识别与危害性分级[J]. 环境科学, 2012, 33(5): 1526-1531. Lu Y, He J T, Wang J J, et al. Groundwater pollution sources identification and grading in Beijing Plain[J]. Environmental Science, 2012, 33(5): 1526-1531. |
| [13] |
郭高轩, 李宇, 许亮, 等. 北京平原区第四系地下水污染风险评价[J]. 环境科学, 2014, 35(2): 562-568. Guo G X, Li Y, Xu X, et al. Risk assessment of quaternary groundwater contamination in Beijing Plain[J]. Environmental Science, 2014, 35(2): 562-568. |
| [14] | Kattaa B, Al-Fares W, Al Charideh A R. Groundwater vulnerability assessment for the Banyas Catchment of the Syrian coastal area using GIS and the RISKE method[J]. Journal of Environmental Management, 2010, 91(5): 1103-1110. DOI:10.1016/j.jenvman.2009.12.008 |
| [15] |
闫佰忠, 肖长来, 刘泓志, 等. 吉林市城区土地利用对地下水污染空间分布的影响[J]. 中国环境科学, 2015, 35(3): 934-942. Yan B Z, Xiao C L, Liu H Z, et al. Effect of urban land use on the spatial distribution of groundwater pollution in the Jilin City[J]. China Environmental Science, 2015, 35(3): 934-942. |
| [16] |
周超哲, 许仕荣, 张伟, 等. 村镇浅层地下水脆弱性评价及其验证[J]. 中国农村水利水电, 2016(10): 15-19, 25. Zhou C Z, Xu S R, Zhang W, et al. An assessment and verification of shallow groundwater vulnerability[J]. China Rural Water and Hydropower, 2016(10): 15-19, 25. DOI:10.3969/j.issn.1007-2284.2016.10.004 |
| [17] |
刘仁涛, 付强, 张艳梅, 等. 三江平原地下水脆弱性评价的熵权系数法模型[J]. 水土保持研究, 2007, 14(6): 21-23. Liu R T, Fu Q, Zhang Y M, et al. Entropy Weight Coefficient Model of Evaluation in Groundwater Vulnerability of the Sanjiang Plain[J]. Research of Soil and Water Conservation, 2007, 14(6): 21-23. |
| [18] |
马建锋, 李彦武, 史聆聆, 等. 中原经济区平原区地下水脆弱性评价[J]. 环境工程, 2016, 34(8): 149-153, 148. Ma J F, Li Y W, Shi L L, et al. Groundwater vulnerability assessment in central plains economic region[J]. Environmental Engineering, 2016, 34(8): 149-153, 148. |
| [19] |
刘姝媛, 王红旗. 某地下水水源地污染风险评价指标体系研究[J]. 中国环境科学, 2016, 36(10): 3166-3174. Liu S Y, Wang H Q. Establishment of a groundwater pollution risk assessment index system and its application at a groundwater sources[J]. China Environmental Science, 2016, 36(10): 3166-3174. DOI:10.3969/j.issn.1000-6923.2016.10.048 |
| [20] | Babiker I S, Mohamed M A A, Hiyama T, et al. A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara Heights, Gifu Prefecture, central Japan[J]. Science of the Total Environment, 2005, 345(1-3): 127-140. DOI:10.1016/j.scitotenv.2004.11.005 |
| [21] | GB/T 14848-93, 地下水质量标准[S]. |
| [22] |
赵小风, 黄贤金, 张兴榆, 等. 区域COD、SO2及TSP排放的空间自相关分析:以江苏省为例[J]. 环境科学, 2009, 30(6): 1580-1587. Zhao X F, Huang X J, Zhang X Y, et al. Application of spatial autocorrelation analysis to the COD, SO2 and TSP emission in Jiangsu Province[J]. Environmental Science, 2009, 30(6): 1580-1587. |
| [23] |
操信春, 邵光成, 王小军, 等. 中国农业广义水资源利用系数及时空格局分析[J]. 水科学进展, 2017, 28(1): 14-21. Cao X C, Shao G C, Wang X J, et al. Generalized water efficiency and strategic implications for food security and water management: a case study of grain production in China[J]. Advances in Water Science, 2017, 28(1): 14-21. |
| [24] | Ord J K, Getis A. Local spatial autocorrelation statistics: distributional issues and an application[J]. Geographical Analysis, 1995, 27(4): 286-306. |