2021, Vol. 42
2. Signal Processing in Earth Observation (SiPEO), Technical University of Munich (TUM), 80333 Munich, Germany;
3. 江苏省水文水资源勘测局宿迁分局, 宿迁 223800;
4. 南京大学地理与海洋科学学院, 南京 210093;
5. 南京市江宁区水务局, 南京 211100
2. Signal Processing in Earth Observation(SiPEO), Technical University of Munich(TUM), 80333 Munich, Germany;
3. Suqian Hydrological and Water Resources Management Bureau of Jiangsu Province, Suqian 223800, China;
4. School of Geographic and Oceanographic Sciences, Nanjing University, Nanjing 210093, China;
5. Water Affairs Bureau of Jiangning District, Nanjing City, Nainjing 211100, China
厘清地表水体污染物的时空分布模式是建立高效合理的水环境管理方案的前提.但湖泊、河流和水库等面临的主要水污染问题却随着经济的发展而发生变化.中国环境状况公报显示1990年我国河流的主要污染物为氨氮、挥发性酚和好氧有机物, 2000年主要为有机污染, 2010年主要污染指标为高锰酸盐指数、BOD和氨氮, 2015年主要为COD、BOD和总磷[1].同时, 污染源的地域差异性也导致了水问题的地域差异性.“三产”废水、农业面源污染和污水处理厂尾水排放等造成浑河沈阳段COD、氨氮和TP严重超标[2], 城区生活污水、管内沉积物、工业园区废水和地表径流导致武汉市湖溪河流域水体黑臭[3], 饲料厂、家具和制药厂及畜禽粪便造成天津独流减河营养盐污染[4], 含氮肥料、土壤有机氮、人畜排泄物和城市生活污水输入造成松花江流域氮污染[5].因而, 及时了解区域水体污染特征和来源特征对探索水质的时空分布模式和实现有针对性的污染源治理具有重要意义.
聚类分析(CA)、主成分分析(PCA)和因子分析(FA)等多元统计方法与单因子污染指数、内梅罗污染指数和水质标识指数(WQI)等水质评价方法的结合使从不同时空尺度探索水污染的分布规律成为可能[6].溯源技术的发展使污染物溯源分析从定性发展到定量, 其中正定矩阵因子分解模型(PMF)和主成分/因子分析-多元线性回归(PCA/FA-MLR)等受体模型因不需输入确切的污染源排放信息就可鉴别水、土和气环境中的潜在污染源和贡献率而得到较广的应用[7~9].而PCA/FA-MLR方法因存在未考虑水质参数的不确定性、计算过程繁琐和对污染源的认定存在主观性等缺点[7, 8]而稍逊于PMF模型.PMF因对源谱信息的依赖性较低、分担率非负、可处理不确定的数据等优点而具有更好的性能[8, 9].对于典型氮高污染的区域, 稳定同位素技术在解析氮污染来源方面表现出较强的优越性, 只需监测与氮相关的水质因子, 再根据相应的同位素源解析模型(SIAR)和同位素混合模型(IMM)等就可识别流域氮来源并估算特定污染源贡献[10, 11].
秦淮河是长江下游右岸的一条重要支流, 流域包含南京市江宁区、溧水区、主城区一部分和镇江的句容市.不同行政区划经济发展定位和城市化发展程度的差异性, 使流域内的污染源构成日趋复杂.为此, 本文选取水温、DO、pH、高锰酸盐指数、COD、BOD5、NH4+-N、Zn、氟化物、TN和TP等11项水质因子为研究对象, 利用WQI和CA法分析2015~2019年流域水污染的时空变化特征, 利用CA和PMF模型分析流域内不同研究区域的水质污染来源及贡献, 同时利用SIAR模型分析流域内典型区域的氮污染来源及贡献, 以期为南京城市化进程中的水污染治理提供指导, 也为长江下游类似区域的水生态保护决策提供科学依据.
1 材料与方法 1.1 研究区概况秦淮河流域在江苏省西南部, 流域总面积2 635 km2, 全长110 km(图 1).流域地处北亚热带向暖温带过渡的季风区, 年均温15~16℃, 多年平均年降雨量1 034~1 276 mm, 其中4~9月(汛期)降雨量占全年雨量的70.6%[6].流域上游有南北两源, 北源的句容河源自句容市的茅山和宝华山, 长约41 km, 集水面积1 260 km2; 南源的溧水河发源于溧水区的东庐山, 集水面积681 km2, 长约35 km, 两源在江宁区汇合后逶迤北流.流域内各行政区所占面积比例、城市化水平和不透水面增长率都存在差异性.流域内的南京市主城区、江宁区、溧水区和镇江句容市分别占流域总面积的8.8%、40.1%、33.4%和17.7%, 且区域内部城市化水平存在差异性, 2019年南京市主城区的城市化率在95%以上, 江宁区、溧水区和句容区的城市化率分别为74.32%、62.35%和59.27%. 2011~2015年秦淮河流域的不透水面增加2.78%, 其中南京城区、江宁、溧水和句容分别增加0.14%、3.95%、2.71%和1.87%, 此期间江宁的不透水面增加最多.2014~2019年江宁、溧水和句容城市人口增加19万、1.8万和3.55万人, 其中江宁是南京市城镇化进程最快的区域, 2019年江宁成为南京市常住人口最多的区域.
|
图 1 秦淮河流域采样点分布示意 Fig. 1 Distribution of sampling sites in Qinhuai River catchment |
云台山河子流域位于南京市城市化快速发展的江宁开发区境内, 隶属于秦淮河流域, 全长9.4 km, 总面积为183.26 km2.受江宁区开发建设的影响, 云台山河子流域内城市化进程较快, 流域内越靠近江宁主城的区域, 城市化水平越高.目前流域内农业用地、城镇用地、待建设用地、林地和水体分别占比37.9%、22%、19%、18%和2.56%.云台山河子流域目前被划定为农业和渔业用水功能区, 水质控制目标为Ⅳ类水, 但是氨氮常年处于Ⅴ类水, 总氮含量常年处于劣Ⅴ类水, 氮污染严重.
1.2 数据来源 1.2.1 秦淮河流域水质数据来源2015~2019年秦淮河流域的水质数据来源于江苏省水文水资源勘测局南京分局, 共有29个水质监测站点.监测站点主要分布在秦淮河干流与支流、句容河干流与支流、秦淮新河、溧水河干流与支流(图 1).河流水系原始图来源于江苏省水利厅, 然后依据2019年的5、9和12月哨兵数据中的水体分布修正原始河流水系数据.水质监测频次随监测手段的不断完善逐渐过渡为一月一次, 其中湖熟大桥、前垾村、殷巷大桥、施家庄闸、横溪河大桥、葛桥、龙都大桥和梁台桥在2015年和2016年的水质监测频次为2月一次, 其后年份为一月一次; 珍珠桥和陈家坝桥在2015年只监测了1、2和12月这3个月, 其后年份为一月一次; 剩余站点的监测频次为一月一次.在已有的水质监测数据中挑选尽可能每个站点都有值的监测指标, 从中确定了水温、DO、高锰酸盐指数、pH、COD、BOD5、NH4+-N、Zn、氟化物、TN和TP等11项水质评价指标.
1.2.2 云台山河子流域氮磷样品收集及测试参照采样方案设计标准[12], 结合云台山河流域河网特征、土地利用类型以及流域子片区的划分情况等布设8个采样点(图 1).本课题组成员于2019年3月至2020年1月的每月中旬在距水面20 cm处用无菌采水器进行定点采样, 采集的水样贮存于预先清洗过的聚乙烯样品瓶中, 随即放入冷藏箱内暂时保存.采集的样品在24 h内送至实验室分析, 其中氨氮、硝氮、亚硝氮、总氮、磷酸根及总磷等采用连续注射分析仪(Skalar San++, 荷兰)测定, 而氮氧同位素值(δ15N-NO3-和δ18O-NO3-)由南京土壤研究所分析测试中心采用稳定同位素比例质谱仪(IsoPrime100)测定得到.
1.3 研究方法 1.3.1 水质标识指数法综合水质标识指数(WQI)由单因子水质标识指数发展而来, 可对河流综合水质信息进行定性和定量评价, 最早由同济大学徐祖信[13]提出.WQI可依据地表水环境标准、水环境功能区水质达标数量等对水质进行归类, 还可对劣Ⅴ类水质进行定性和定量描述[6].
具体计算公式：
|
(1) |
其中:
|
(2) |
而:
|
(3) |
式中, Pi为单因子水质标识指数, XiYi为单因子水质标识指数法总和的平均值, m为参加水质评价因子个数, Xi和Si(整数位)代表了水质类别, Yi和Fi(第一位小数)代表了同一水质类别中的排序, Zi(第二位小数)代表了参评的水质参数类别劣于水环境功能区规定类别的个数.具体计算过程可参见文献[13~15].依据XiYi值可判定水质的级别(表 1), 本研究结合地表水环境质量标准五类水的划分依据以及参阅大量已有研究给出了不同综合水质指标值相应的定性描述[15].为简化计算过程, 本文所使用的单因子水质标识指数和综合水质标识指数只计算了前两位.
|
表 1 水质级别的判定 Table 1 Comprehensive water quality grades |
1.3.2 聚类方法
聚类分析(CA)是把个案按其相似性大小或对象间的距离远近程度等特征聚在一起的一种多元统计方法.系统聚类(Hierarchical Cluster-HCA)是CA中最常用的一种方法, 常被用于探索水质数据在不同月份或空间模式间的相似关系.HCA首先视各变量各自为一类, 然后将最相似的或距离最近的对象聚类在一起, 在新的类别下再根据距离或相似程度进行合并, 直到所有的相似模式聚成一类[4, 16].依此, 研究首先求取2015~2019年各监测点各水质指标的平均值, 后续聚类分析在IBM SPSS Statistics 23中完成, 其中聚类方法选择Ward's method, 区间度量标准选择Squared Euclidean distance.
1.3.3 PMF正定矩阵因子分解算法(positive matrix factorization, PMF)是被美国环保署(EPA)认可且改进的多变量因子源解析模型[17], 其基于最小二乘法进行迭代运算以求解组分浓度和污染源之间的化学质量平衡[18], 原始实测数据(Xij)看作是一个由源贡献矩阵(Gik)和污染源成分谱矩阵(Fki)组成的数据矩阵.
|
(4) |
式中, i为样品数, j为污染物种类, p为污染源数量, Eij为残差.
污染源的解析及其贡献率的计算主要在EPA PMF5.0软件模型进行, 模型主要输入水质实测浓度和不确定度两个文件.不确定度(Unc)的计算方法分两种情况计算.
若实测浓度小于等于方法检出限(MDL), 则：
|
(5) |
若实测浓度大于方法检出限(MDL), 则：
|
(6) |
式中, Urel为误差系数, c为实测浓度, MDL为检测各水质指标所采用的具体方法的检出限.EPA PMF5.0具体原理和操作步骤可参见文献[17~19].当PMF输出数据中的Q值最小(即Qrobust与Qtrue差值)所对应的因子数是PMF的最佳因子数, 最终确定不同污染组的因子数为5时模型拟合条件最优.
1.3.4 同位素解析模型(SIAR)稳定同位素混合模型(SIAR)是由Parnell等[20]开发的基于R统计软件的模型.SIAR混合模型是在贝叶斯框架下, 利用Dirichlet作为污染源贡献率的先验逻辑分布, 待同位素信息输入后, 最新的信息即可包含在后验分布信息中, 进而基于贝叶斯方程得到各个污染源的后验分布特征和各个污染源贡献率的概率分布, 最后依据概率分布结果生成各个污染源对污染物的贡献率范围.具体的原理和方法可参见文献[8, 20~22].氮同位素的数据处理和分析使用R3.0.2统计软件(R Core Team, 2013)的稳定同位素分析软件包(Stable Isotope Analysis in R, SIAR V4).不同污染源的同位素丰度是模型的主要输入参数, 该污染源包括粪肥和污水(MS)、化肥中的NH4+(NP)、降雨中的NO3-(AP)和土壤有机氮(SN).AP中δ15N-NO3和δ18O-NO3为本研究通过实测获得, 其他污染来源的δ15N-NO3和δ18O-NO3值均参考文献[10, 23], 具体数值和相关研究如表 2所示.
|
|
表 2 硝酸盐不同来源δ15N-NO3和δ18O-NO3值1) Table 2 The δ15N-NO3 and δ18O-NO3 values of nitrate in different pollution sources |
2 结果与分析 2.1 水质特征描述
空间聚类将研究区29个监测站点分为高、中和低污染区这3个不同组.其中, 高污染区主要位于人口密集、餐饮服务业和旅游点较多的九龙湖和百家湖片区(GP1)、秦淮河下游南京主城的外秦淮河(GP2)、江宁大学城内的河道(GP3)和溧水主城(GP4)(图 2), 主要为沙河桥、珍珠桥、葛桥、殷巷大桥、赵家村桥和上坊门桥等监测站点; 中污染区位于正在迅速城市化的秦淮河下游的江宁开发区、秣陵街道和中游的禄口街道内河道(MP)及溧水区的一干河(图 2), 其最大特征在于经济迅速发展、人口迅速增加导致污水厂处理能力与城市发展需求不匹配, 主要为彩虹桥、曹村桥、东山大桥、横溪河大桥、洪蓝桥、庞家桥、前垾村、青田村、天生桥、乌刹桥、新河翻水站、新河桥和洋桥等监测站点; 低污染区位于句容河的江宁区湖熟街道段(LP1和LP2)和溧水区的二干、三干河(图 2), 此区主要为城乡过渡区和农业区, 河道沿线存在大量分散的农村居民点, 主要为陈家坝桥、湖熟大桥、开泰桥、梁台桥、龙都大桥、施家庄闸、石港桥、水门桥和长乐桥等监测站点.
|
图 2 水质采样点空间聚类对应的典型区域影像 Fig. 2 Image map of typical regions corresponding to spatial clustering of water quality sampling points |
2015~2019年秦淮河流域高锰酸盐指数、COD、BOD5和TP质量浓度均值为5.54、20.66、3.37和0.18 mg·L-1, 为地表水环境质量标准(GB 3838-2002)中的Ⅲ~Ⅳ类水, 而TN和NH4+-N质量浓度均值为3.35 mg·L-1和1.59 mg·L-1, 为劣Ⅴ类和Ⅴ类.高污染区各水质指标平均浓度要高于中低污染区的各水质指标平均浓度, 其中TN和NH4+-N在3组的平均监测浓度值都高于地表水环境质量标准中Ⅴ类水的标准值(2mg·L-1), 为劣Ⅴ类(表 3).研究期内高、中和低污染区中部分样品的NH4+-N浓度在Ⅴ类及其以上的占比分别为53.7%、32%和8.8%, 而TN浓度在Ⅴ类及其以上的占比分别为85.6%、85.2%和63.9%, 且NH4+-N和TN在高、中和低污染区的最高监测值是Ⅲ类水的23、13和9倍(表 3).可推断秦淮河流域受到严重的氮素污染, 其中TN污染最为严重.
|
|
表 3 秦淮河流域不同污染类别的水质指标统计描述1) Table 3 Statistical data of water quality indexes in the Qinhuai River catchment |
为反映秦淮河流域水质的时空变化特点, 按照公式(3)计算了高、中和低污染组的DO、高锰酸盐指数、COD、BOD5、NH4+-N、TN和TP这7项水质因子的Pi值, 然后按照公式(1)计算了高、中和低污染组的WQI值.秦淮河流域的WQI在3.2~4.8之间, 依据表 1可判断综合水质类别为Ⅲ~Ⅳ类, 定性描述为轻污染和中污染.2015~2019年高、中和低污染区的WQI值呈现下降趋势(图 3), 这说明秦淮河流域水质在逐渐改善, 高污染区的水质改善程度要弱于中低污染区, 中低污染区的水质类别从中度污染(Ⅳ类)逐渐改善为轻度污染(Ⅲ类).从各指标Pi值的年际变化来看, 高污染区NH4+-N和TN的Pi值在2015~2018年呈现逐渐下降的趋势, 在2019年有所回升, 总体呈下降趋势; 中污染区各指标的年际变化趋势具有波动性, 无明显的规律性, 但2019年各指标的Pi值较2015年各指标的Pi值有所降低; 低污染区DO、NH4+-N和TP的Pi值在2015~2019年呈现下降趋势, 而其余指标呈现先上升后下降的趋势.从季节性分布来看, 冬春季各水质因子的Pi值要高于夏秋季的Pi值, 也就是流域内各水质指标Pi值具有季节性分布特征.
|
图 3 秦淮河流域不同污染区的WQI值的年际变化 Fig. 3 Interannual variation in WQI in different polluted regions of the Qinhuai River catchment |
PMF模型解析出高污染区5种污染因子成分谱及贡献率(图 4), 其中DO、高锰酸盐指数、COD、BOD5和氟化物在因子1(G1)上有较高的贡献率, 分别为54.1%、31.2%、36.2%、26.4%和42%.BOD、COD和DO被认为是有机污染因子的重要指标[24], 并主要归因于人为活动引起的生活污水和工业废水排放[25~27].高污染区主要位于城市化水平较高的区域, 区域人口密集, 商业服务业也较发达, 产生的市政污水中含有较高的有机物[8].日常生活中含氟牙膏、含氟塑料以及空调制冷剂和灭火剂中氟的使用增加了生活污水中的氟含量.综合衡量, G1为城市市政污水排放的有机污染, 其对高污染区的源贡献率为28.88%(表 4).
|
图 4 基于PMF的高污染区源解析贡献 Fig. 4 Source contributions of different water quality indexes at HP based on PMF |
|
|
表 4 秦淮河流域污染源贡献率 Table 4 Source appointment of water pollution in the Qinhuai River catchment |
NH4+-N、TN和TP在因子2(G2)上的贡献率较高, 分别为65.8%、42.5%和40.9%, 可认为氨氮是G2的重要标识元素.Mir等[25]的研究认为氨氮代表来自城市垃圾和废水的营养盐污染. Boyacioglu等[28]的研究认为氮磷既可来源于工业废水、生活污水和污水处理厂等点源污染, 也可能来源于受降雨淋洗产生的农业和城市等面源污染.流域氨氮污染主要来自于化工、石油和化学纤维制造业(化纤企业)等的工业废水、城镇居民生活污水以及农业污染源[6].由于高污染区主要位于秦淮河下游城市化程度较高的区域、溧水主城及江宁大学城内, 且BOD和COD的贡献率较小, 这降低了农业面源和生活污水污染的可能性.因而, G2为工业废水排放的营养盐污染, 其对高污染区的源贡献率为27.43%(表 4).
因子3(G3)对TP和BOD5有较大的贡献.杨德敏等[29]对厦门和衡水不同功能区的降雨径流污染的研究发现, 商业区、居住区和文教区的磷污染要大于工业区.考虑到高污染区主要集中在秦淮河下游城市化程度较高的区域、溧水主城和江宁大学城内, 以商业区、居住区和文教区为主.加之老城区截污截沟不彻底, 造成雨季城镇生活及三产污水外溢直接入河.因此, G3可归为非点源污染, 其对高污染区的源贡献率为15.74%(表 4).
因子4(G4)对Zn的贡献率高达56%, 而对其他元素的影响较小, 具有明显的重金属污染特征.秦淮河流域中下游的老城区、新城区和城乡过渡区受化工、建材和机械等企业生产过程中产生的含Cr、Cu、Ni和Zn的“三废”污染物影响, 河流沉积物和土壤中Zn含量都较高[30, 31].经实际调查发现流域下游的汽车厂和钢桶封闭器厂等都有不同程度的Zn排放.因而, G4为重金属企业排放的重金属污染, 其对高污染区的源贡献率为15.57%(表 4).
水温在因子5(G5)的成分谱和贡献率明显高于其他几个因子, 这代表了温度的理化影响.其次为pH、高锰酸盐指数、COD和BOD5, 贡献率在14%~17.7%间.秦淮河下游河道底泥有机污染严重, 存在内源释放, 河道沿线管网存在污水渗流[32, 33].水温和pH的变化会影响河道底泥中污染物的释放和水体的物理化学变量, 例较高的水温会降低水中溶解氧的溶解度, 有机物的厌氧发酵就会产生氨和有机酸导致水体pH值降低, 水温的高低还会影响生活在水中的微生物在分解可生物降解有机物时的耗氧量[34~37].因此, G5为内源污染, 其对高污染区的源贡献率为12.37%(表 4).
2.2.1.2 中污染区的污染源解析PMF模型解析出中污染区5种污染因子成分谱及贡献率(图 5)：①因子1(M1)在DO的贡献高达58%, 其余因子的贡献率从大到小依次为氟化物、COD、高锰酸盐指数、BOD5和TN, 且贡献率均超过30%.该因子可解释为来自城乡生活污水、餐饮服务业和工业废水排放的有机污染, 其对中污染区的源贡献率为31.62%(表 4).②因子2(M2)NH4+-N和TN的贡献率分别为74.1%和44.56%, 可解释为工业废水排放的营养盐污染, 其对中污染区的源贡献率为27.25%(表 4).③水温在因子3(M3)的贡献率为52%, pH、BOD5、高锰酸盐指数和COD的贡献率为30%左右.此因子特点与G5特点相似, 但M3对中污染区的pH、BOD5、高锰酸盐指数和COD的贡献率要明显高于G5对高污染区相应水质变量的贡献率.受城市化迅速发展的影响, 经济开发区和秣陵街道内人口和工业迅速集聚, 但污水厂处理污水能力不够, 污水被迫排入雨水管道, 同时雨水管道中的杂物、泥土也会随之进入河流, 加重底泥中的污染物含量[38].已有研究也表明秦淮河底泥释放对水质有一定影响[39, 40].因而, M3为内源污染, 其对中污染区的源贡献率为24.7%(表 4).④TP在因子4(M4)的贡献率明显高于其他几个因子, 邱雨等[41]和陈诗文等[42]的研究发现畜禽粪便和养殖废水对水体磷污染具有较大的贡献.M4对Zn也有一定的贡献, 付传城等[30]和李冬林等[43]的研究发现研究区内部分Zn污染与渔业发展有关, 且中污染区内存在部分水产养殖区(例如云台山河子流域等).M4可解释为畜禽粪便和养殖废水污染, 其对中污染区的源贡献率为8.73%(表 4).⑤因子5(M5)对Zn贡献率最高, 而对其他元素影响较小.中污染区主要集中在秦淮河中下游的经济开发区、城乡过渡区, 区内化工、建材和机械等企业生产过程中会产生重金属污染[30].M5为重金属工业废水排放的重金属污染, 其对中污染区的源贡献率为7.75%(表 4).
|
图 5 基于PMF的中污染区源解析贡献 Fig. 5 Source contributions of different water quality indexes at MP based on PMF |
PMF模型解析出低污染区5种污染因子成分谱及贡献率(图 6)：①DO、COD、高锰酸盐指数、TN、BOD5和氟化物在因子1(L1)的贡献率较高, 可解释为有机污染.低污染区主要位于句容河的江宁区湖熟街道段, 区内主要为城乡过渡区和农业区.由于农村居民点分散和基础建设薄弱, 大量厨房用水、淋浴和洗涤用水、冲厕所用水等农村生活污水会产生分散源, 未经处理直排入河, 其携带大量的氮、COD等污染物, 导致此区域水体水质恶化[44, 45].此外, 句容河湖熟街道范围内的河流沿线和二干河沿线河滨带零星分布有垃圾站(点), 垃圾渗滤液或雨水淋溶直排入河[45].②因子2(L2)对TP的贡献率为53.8%, 对BOD5、NH4+-N和TN的贡献率在32%左右, 可解释为农药、化肥、畜禽养殖和水产养殖废水等农业面源污染, 其对低污染区的源贡献率为24.3%(表 4).低污染区的河流沿线农田面积广, 且以水稻田为主, 生产方式较粗放, 农药、化肥、水产养殖废水和畜禽粪便等农业面源污染会随降雨径流经由泵站排入句容河主河道和三干河, 从而对水质造成影响[44].有研究指出句容河流域内畜禽养殖点普遍存在粪便露天堆放、养殖废水直接排放等问题[46, 47].邱雨[41]的研究发现畜禽粪便是造成句容河水体磷含量偏高的主要原因.③水温在因子3(L3)的贡献率为54%, pH、BOD5、高锰酸盐指数和COD的贡献率为25%左右, 可解释为内源污染, 其对低污染区的源贡献率为20.94%(表 4).④Zn在因子4(L4)的贡献率较高, 贡献率为44.5%, 可解释为重金属工业废水排放的重金属污染, 其对低污染区的源贡献率为14.95%(表 4).⑤因子5(L5)对NH4+-N和TN的贡献率均高于其他参数, 可解释为低污染区内工业园区废水排放的营养盐污染, 其对低污染区的源贡献率为10.99%(表 4).
|
图 6 基于PMF的低污染区源解析贡献 Fig. 6 Source contributions of different water quality indexes at LP based on PMF |
通过分析可知, 云台山河子流域内TN污染严重, 为地表水环境质量的劣Ⅴ类水(GB 3838-2002, 表 5).且非汛期NO3--N、NH4+-N和NO2--N占TN的比值分别为68.6%、22.1%和1%, 而汛期三者的比值分别为58.9%、17.1%和2.4%(表 5).虽然地表水环境质量标准(GB 3838-2002)基本项目标准限值中并未规定NO3--N, 但上述分析可知NO3--N是氮污染在子流域受纳水体中的主要存在形式, 识别NO3--N污染来源对云台山河氮污染的治理和控制至关重要.氮、氧稳定同位素分析结果表明, 非汛期云台山河水体中δ15N-NO3变化范围为3.0‰~20.5‰, 平均值为13.2‰, δ18O-NO3变化范围为-5.8‰~27.6‰, 平均值为3.0‰; 汛期云台山河水体中δ15N-NO3变化范围为0.8‰~21.7‰, 平均值为13.1‰, δ18O-NO3变化范围为-3.9‰~10.7‰, 平均值为3.5‰.统计分析结果表明, 非汛期和汛期云台山河水体中δ15N-NO3和δ18O-NO3值均无显著性差异(P>0.05).氮、氧同位素图显示非汛期和汛期样品的δ15N-NO3和δ18O-NO3的散点主要落在动物粪便与污水范围内, 初步推断河流中NO3--N主要来源于动物粪便和生活污水(图 7).由于研究区内无规模化畜禽养殖, 动物粪便来源稀少, 且Xue等[48]的研究发现生活污水中的δ15N-NO3值低于动物粪便为4‰~19‰, 因而可推断云台山河水体中NO3--N主要来源于生活污水.部分样品的δ15N-NO3和δ18O-NO3的散点还分布在土壤有机氮范围内(图 7), 表明土壤有机氮也是云台山河水体中硝酸盐的重要来源.δ15N-NO3和δ18O-NO3的散点几乎未落在农业化肥和降雨范围内, 说明云台山河水体中的氮受农业化肥和降雨的影响较小.利用贝叶斯同位素混合模型估算汛期和非汛期不同污染来源对研究区河流水体中NO3--N的贡献率, 结果显示河流水体中有61%和34%的NO3--N分别来源于生活污染源和土壤有机氮, 其中非汛期河流中61%、32%和6%的NO3--N分别来源于生活污染源、土壤有机氮和化肥中的NH4+, 汛期河流中61%、36%和4%的NO3--N分别来源于生活污染源、土壤有机氮和化肥中的NH4+.
|
|
表 5 云台山河子流域水体中氮磷质量浓度均值/mg·L-1 Table 5 Nitrogen and phosphorous concentration in Yuntaishan River sub-catchment/mg·L-1 |
|
图 7 云台山河非汛期和汛期硝酸盐来源识别 Fig. 7 Distribution of δ15N-NO3 values from different sources in dry and wet seasons |
秦淮河流域水污染的年际和季节分布特征具有不平衡性.2015~2019年秦淮河流域高锰酸盐指数、COD、BOD5、TP和NH4+-N等水质指标的浓度均值、最高值较1995~2014年[6]的相应值都有所降低, 而TN浓度均值却较1995~2014年的浓度均值要高[6], 但相较于2010~2011年流域TN浓度均值却有所降低[49].水质改善的原因在于南京市不但实施“省控入江支流水质提升领导挂钩负责制”和“断面长”制[50], 全面推进涵盖工农业、生活、船舶水污染治理、水环境综合整治和水生态保护等政策措施[50], 同时还适时采取流域调水改善水质措施[51].季节变化上, 冬春季WQI值和PTN值偏高的结果也与李跃飞等[49]和Zhao等[52]的研究结果类似.冬春季降水稀少, 加之下游的秦淮新河闸和三汊河口闸在冬春季长期处于关闸状态, 水体流动性差等原因造成流域冬春季水质较差.因而, 未来秦淮河流域水污染治理的重点在冬春季的氮污染控制, 未来研究可借助同位素和分布式水文模型等手段研究氮素的来源和不同形态氮的迁移转化.
城市化水平的高低影响污染源类型和贡献率.城市化水平较高的高污染区的主要污染源为城市市政污水排放的有机污染(28.88%)和工业废水排放的氮磷污染(27.43%).中污染区正在经历迅速的城市化过程, 随着江宁开发区和秣陵街道内上市企业和世界500强企业的不断入驻及禄口街道内航空港的建设和发展, 产业集群正在形成, 人口迅速集聚, 同时城乡生活污水、餐饮服务业和工业废水排放的有机污染(31.62%)和氮磷污染(27.25%)等也迅速增加.但区内污水处理能力并未跟上经济发展步伐, 污水面临无处可去的问题, 被迫进入雨水管道[38, 53, 54].江宁开发区、东山街道和禄口街道内都存在黑臭河道, 雨污合流加重了河道黑臭现象[38, 53, 54].目前, 中污染区水污染治理的首要任务在于污水处理厂的新建和扩建以尽快解决污水的排放去处, 推进雨污分流工程建设.而低污染区主要位于城乡过渡带和农村地区, 其污染源主要为城乡生活污水和农村生活垃圾(28.79%)、农业面源污染(24.3%), 这与湖熟街道人工委的水环境污染治理工作的调研报告结果一致[45].随着湖熟街道内工业园区的发展, 此区域也面临污水处理力不足和雨污合流的困境.未来几年低污染区的治理重点应在农村面源污染, 应加快集中式污水收集处理系统的建设和运行管理.总体而言, 在后续污染物溯源研究中应考虑不同的经济发展水平带来的影响, 在制订流域水环境治理对策时应考虑区域污染特征.
秦淮河流域的污染源类型与其他流域的污染源既有相似性又有差异性.秦淮河流域与浙江省温瑞塘河、广东省深圳河的高氮污染特征和污染源类型相似, 温瑞塘河TN污染也最为严重, 主要的污染源有工业污染源、城乡生活污染源、降雨径流污染、市政污染和农业非点源等[8, 56], 71%的深圳河断面水体中氨氮和总氮浓度超出地表水质Ⅴ类标准, 生活和工业废水及河道底泥是水体污染的主要来源[57].而太湖的补给水系西苕溪的污染源仅有农田径流、养殖废水和生活污水等3类[42].另外, 在云台山河子流域氮污染溯源中得出生活污水是其主要来源.可发现城乡生活污水、工业废水、农业面源是大多数区域水污染的主要污染来源, 但区域间的污染贡献率存在差异, 这种差异性可能与城市化发展水平和城市发展定位相关.
4 结论(1) 基于WQI值评价秦淮河水质总体为中等污染, TN是主要污染因子.空间聚类将秦淮河流域分为高、中和低这3个污染区, 其WQI值排序为：WQI高污染区>WQI中污染区>WQI低污染区. 2015~2019年秦淮河流域的WQI值呈现下降趋势, 中低污染区的水质类别从中度污染(Ⅳ类)逐渐改善为轻度污染(Ⅲ类).高锰酸盐指数、COD、BOD5、TN、NH4+-N和TP等水质指标的Pi值在冬春季要高于夏秋季.
(2) 不同城市化水平地区的污染源类型及贡献率不尽相同.城市化水平较高的高污染区主要受生活污水、商服业废水(28.88%)和工业废水(27.43%)的影响, 此区控制重点在生活污水、商服业污水和工业废水的收集和处理.城市化进程较快的中污染区主要受城乡生活废水、商服污水(31.62%)、工业废水(27.25%)和内源污染(24.76%)的影响, 此区应新建和扩建污水处理厂以解决污水出路问题.城市化水平较低的低污染区主要受农村生活污水及生活垃圾(28.79%)和农业非点源污染(24.3%)的影响, 此区控制的重点在农村面源污染和集中式污水收集处理系统的建设.
(3) 云台山河子流域水体中TN、NH4+-N和NO3--N的浓度变化区间为0.53~18.0, 0.01~15.4和0.06~9.3 mg·L-1.硝氮是氮污染在典型子流域受纳水体中的主要存在形式, 且主要来自生活污水(61%)和土壤有机氮(34%).
致谢: 感谢江苏省水文水资源勘测局南京分局和慕尼黑工业大学(Technical University of Munich)Xiaoxiang Zhu教授及其团队给予的帮助和对本研究的支持, 在此一并致谢！
| [1] | 中华人民共和国生态环境部. 中国生态环境状况公报(1990-2015)[EB/OL]. http://www.mee.gov.cn/hjzl/zghjzkgb/lnzghjzkgb/, 2019-05-29. |
| [2] |
刘博, 张展, 许增贵, 等. 河流水体污染空间分布及污染源解析——以浑河沈阳段为例[J]. 环境保护科学, 2020, 46(3): 56-61. Liu B, Zhang Z, Xu Z G, et al. Spatial distribution and pollution source apportionment of river pollutants-A case study of Hun River in Shenyang[J]. Environmental Protection Science, 2020, 46(3): 56-61. |
| [3] |
涂茜, 黄浩, 陆谢娟, 等. 基于PMF模型的城市黑臭水体污染源解析-以武汉市湖溪河为例[J]. 环境保护科学, 2019, 45(6): 59-63. Tu X, Huang H, Lu X J, et al. Analysis of pollution sources of urban black-odor water based on PMF model-A case study of the Huxi River in Wuhan[J]. Environmental Protection Science, 2019, 45(6): 59-63. |
| [4] | Sun X W, Zhang H Y, Zhong M F, et al. Analyses on the temporal and spatial characteristics of water quality in a Seagoing River using multivariate statistical techniques: a case study in the Duliujian River, China[J]. International Journal of Environmental Research and Public Health, 2019, 16(6). DOI:10.3390/ijerph16061020 |
| [5] |
叶匡旻, 孟凡生, 张铃松, 等. 松花江流域氮时空分布特征及源解析研究[J]. 环境科学研究, 2020, 33(4): 901-910. Ye K M, Meng F S, Zhang S L, et al. Spatial-Temporal variation characteristics and source analysis of nitrogen pollution in the Songhua River Basin[J]. Research of Environmental Sciences, 2020, 33(4): 901-910. |
| [6] | Ma X X, Wang L C, Yang H, et al. Spatiotemporal analysis of water quality using multivariate statistical techniques and the water quality identification index for the Qinhuai River Basin, East China[J]. Water, 2020, 12(10). DOI:10.3390/w12102764 |
| [7] |
杜展鹏, 王明净, 严长安, 等. 基于绝对主成分-多元线性回归的滇池污染源解析[J]. 环境科学学报, 2020, 40(3): 1130-1137. Du Z P, Wnag M Z, Yang C A, et al. Pollution source apportionment of Lake Dianchi based on absolute principal component score-multiple linear regression[J]. Acta Scientiae Circumstantiae, 2020, 40(3): 1130-1137. |
| [8] |
杨丽萍. 浙江省两个典型流域水体污染特征及污染源解析研究[D]. 杭州: 浙江大学, 2015. Yang L P. Water pollution characteristics and source apportionment in two representative watersheds in Zhejiang Province[D]. Hangzhou: Zhejiang University, 2015. |
| [9] | Salim I, Sajjad R U, Paule-Mercado M C, et al. Comparison of two receptor models PCA-MLR and PMF for source identification and apportionment of pollution carried by runoff from catchment and sub-watershed areas with mixed land cover in South Korea[J]. Science of the Total Environment, 2019, 663: 764-775. DOI:10.1016/j.scitotenv.2019.01.377 |
| [10] | Yang Y Y, Toor G S. δ15N and δ18O reveal the sources of nitrate-nitrogen in urban residential stormwater runoff[J]. Environmental Science & Technology, 2016, 50(6): 2881-2889. |
| [11] | Ji X L, Xie R T, Hao Y, et al. Quantitative identification of nitrate pollution sources and uncertainty analysis based on dual isotope approach in an agricultural watershed[J]. Environmental Pollution, 2017, 229: 586-594. DOI:10.1016/j.envpol.2017.06.100 |
| [12] | HJ 495-2009, 水质采样方案设计技术规定[S]. |
| [13] |
徐祖信. 我国河流综合水质标识指数评价方法研究[J]. 同济大学学报(自然科学版), 2005, 33(4): 482-488. Xu Z X. Comprehensive water quality identification index for environmental quality assessment of surface water[J]. Journal of Tongji University (Natural Science), 2005, 33(4): 482-488. DOI:10.3321/j.issn:0253-374X.2005.04.012 |
| [14] |
徐祖信. 我国河流单因子水质标识指数评价方法研究[J]. 同济大学学报(自然科学版), 2005, 33(3): 321-325. Xu Z X. Single Factor water quality identification index for environmental quality assessment of surface water[J]. Journal of Tongji University (Natural Science), 2005, 33(3): 321-325. DOI:10.3321/j.issn:0253-374X.2005.03.008 |
| [15] | Ma X X, Shang X, Wang L C, et al. Innovative approach for the development of a water quality identification index-a case study from the Wen-Rui Tang River watershed, China[J]. Desalination and Water Treatment, 2015, 55(5): 1400-1410. |
| [16] | Mena-Rivera L, Salgado-Silva V, Benavides-Benavides C, et al. Spatial and seasonal surface water quality assessment in a tropical urban catchment: Burío River, Costa Rica[J]. Water, 2017, 9(8). DOI:10.3390/w9080558 |
| [17] | Taghvaee S, Sowlat M H, Mousavi A, et al. Source apportionment of ambient PM2.5 in two locations in central Tehran using the Positive Matrix Factorization (PMF) model[J]. Science of the Total Environment, 2018, 628(629): 672-686. |
| [18] | Paatero P, Tapper U. Positive matrix factorization: a non-negative factor model with optimal utilization of error estimates of data values[J]. Environmetrics, 1994, 5(2): 111-126. DOI:10.1002/env.3170050203 |
| [19] |
李振. 沈阳市某典型区域空气质量分析及污染源解析[D]. 沈阳: 辽宁大学, 2019. Li Z. Air quality analysis and pollution source analysis of a typical region in Shenyang[D]. Shenyang: Liaoning University, 2019. |
| [20] | Parnell A C, Phillips D L, Bearhop S, et al. Bayesian stable isotope mixing models[J]. Environmetrics, 2013, 24(6): 387-399. |
| [21] |
顾梦娜, 潘月鹏, 何月欣, 等. 稳定同位素模型解析大气氨来源的参数敏感性[J]. 环境科学, 2020, 41(7): 3095-3101. Gu M N, Pan Y P, He Y X, et al. Source apportionment of atmospheric ammonia: sensitivity test based on stable isotope analysis in R language[J]. Environmental Science, 2020, 41(7): 3095-3101. |
| [22] |
康萍萍. 滨海地下水氮的同位素溯源及其源贡献率研究[D]. 大连: 大连理工大学, 2016. Kang P P. Identifying nitrogen sources and quantifying the contributions of nitrate source in Coastal zone[D]. Dalian: Dalian University of Technology, 2016. |
| [23] | Zhang Y, Shi P, Li F D, et al. Quantification of nitrate sources and fates in rivers in an irrigated agricultural area using environmental isotopes and a Bayesian isotope mixing model[J]. Chemosphere, 2018, 208: 493-501. DOI:10.1016/j.chemosphere.2018.05.164 |
| [24] | Kazi T G, Arain M B, Jamali M K, et al. Assessment of water quality of polluted lake using multivariate statistical techniques: a case study[J]. Ecotoxicology and Environmental Safety, 2009, 72(2): 301-309. DOI:10.1016/j.ecoenv.2008.02.024 |
| [25] | Mir R A, Gani K M. Water quality evaluation of the upper stretch of the river Jhelum using multivariate statistical techniques[J]. Arabian Journal of Geosciences, 2019, 12(14). DOI:10.1007/s12517-019-4578-7 |
| [26] | Singh H, Singh D, Singh S K, et al. Assessment of river water quality and ecological diversity through multivariate statistical techniques, and earth observation dataset of rivers Ghaghara and Gandak, India[J]. International Journal of River Basin Management, 2017, 15(3): 347-360. DOI:10.1080/15715124.2017.1300159 |
| [27] | Isiyaka H A, Mustapha A, Juahir H, et al. Water quality modelling using artificial neural network and multivariate statistical techniques[J]. Modeling Earth Systems and Environment, 2019, 5(2): 583-593. DOI:10.1007/s40808-018-0551-9 |
| [28] | Boyacioglu H, Boyacioglu H. Water pollution sources assessment by multivariate statistical methods in the Tahtali Basin, Turkey[J]. Environmental Geology, 2008, 54(2): 275-282. DOI:10.1007/s00254-007-0815-6 |
| [29] |
杨德敏, 曹文志, 陈能汪, 等. 厦门城市降雨径流氮、磷污染特征[J]. 生态学杂志, 2006, 25(6): 625-628. Yang D M, Cao W Z, Chen N W, et al. Nitrogen and phosphorus pollution from urban stormwater runoff in Xiamen City[J]. Chinese Journal of Ecology, 2006, 25(6): 625-628. DOI:10.3321/j.issn:1000-4890.2006.06.007 |
| [30] |
付传城, 王文勇, 潘剑君, 等. 城乡结合带土壤重金属时空变异特征与源解析——以南京市柘塘镇为例[J]. 土壤学报, 2014, 51(5): 1066-1077. Fu C C, Wang W Y, Pan J J, et al. Spatial-temporal variation and source apportionment of soil heavy metals in Peri-Urban Area-A case study of Zhetang Town, Nanjing[J]. Acta Pedologica Sinica, 2014, 51(5): 1066-1077. |
| [31] |
尹爱经, 高超, 刘勇华, 等. 秦淮河表层沉积物毒害微量元素分布特征及污染评价[J]. 环境化学, 2011, 30(11): 1912-1918. Yin A J, Gao C, Liu Y H, et al. Distribution and contamination evaluation of toxic trace elements in surface sediments of Qinhuai River in eastern China's Jiangsu province[J]. Environmental Chemistry, 2011, 30(11): 1912-1918. |
| [32] |
马俊. 外秦淮河水生植物生态修复研究[D]. 南京: 河海大学, 2007. Ma J. Study on aquatic plant in ecological rehabilitation of Waiqinhuai River[D]. Nanjing: Hohai University, 2007. |
| [33] | 南京市建邺区人民政府. 南河赛虹桥断面水体达标整治方案[EB/OL]. https://max.book118.com/html/2018/1114/8006034024001133.shtm, 2018-11-14. |
| [34] | Alves D D, Riegel R P, De Quevedo D M, et al. Seasonal assessment and apportionment of surface water pollution using multivariate statistical methods: Sinos River, southern Brazil[J]. Environmental Monitoring and Assessment, 2018, 190(7). DOI:10.1007/s10661-018-6759-3 |
| [35] | Jha R, Ojha C S P, Bhatia K K S. Development of refined BOD and DO models for highly polluted Kali river in India[J]. Journal of Environmental Engineering, 2007, 133(8): 839-852. DOI:10.1061/(ASCE)0733-9372(2007)133:8(839) |
| [36] | Vega M, Pardo R, Barrado E, et al. Assessment of seasonal and polluting effects on the quality of river water by exploratory data analysis[J]. Water Research, 1998, 32(12): 3581-3592. DOI:10.1016/S0043-1354(98)00138-9 |
| [37] | Dutta S, Dwivedi A, Kumar M S. Use of water quality index and multivariate statistical techniques for the assessment of spatial variations in water quality of a small river[J]. Environmental Monitoring and Assessment, 2018, 190(12). DOI:10.1007/s10661-018-7100-x |
| [38] | 江宁开发区人大工委. 关于江宁开发区水环境污染治理情况的调研报告[EB/OL]. http://www.njjnrd.gov.cn/gzyj/280828.htm, 2018-10-27. |
| [39] |
周灵辉. 外秦淮河底泥释放对上覆水水质的影响[J]. 环境监测管理与技术, 2003, 15(5): 41-42. Zhou L H. Effect of boottom studge releasing in the Waiqinhuai River to the quality of upper water[J]. The Administration and Technique of Environmental Monitoring, 2003, 15(5): 41-42. DOI:10.3969/j.issn.1006-2009.2003.05.019 |
| [40] |
高俊, 汤莉莉, 徐建强, 等. 施用秦淮河底泥对田间土壤及小麦生长的影响[J]. 安徽农业科学, 2008, 36(15): 6402-6403, 6411. Gao J, Tang L L, Xu J Q, et al. Effects of applying the sediments of Qinhuai River on the soil and wheat growth in the field[J]. Journal of Anhui Agricultural Sciences, 2008, 36(15): 6402-6403, 6411. DOI:10.3969/j.issn.0517-6611.2008.15.110 |
| [41] | 邱雨. 句容小流域污染物分布特征及其风险评价[D]. 南京: 南京师范大学, 2019. |
| [42] |
陈诗文, 袁旭音, 金晶, 等. 西苕溪支流河口水体营养盐的特征及源贡献分析[J]. 环境科学, 2016, 37(11): 4179-4186. Chen S W, Yuan X Y, Jin J, et al. Characteristics and pollution source analysis of nutrients in tributary outlets of Xitiaoxi watershed[J]. Environmental Science, 2016, 37(11): 4179-4186. |
| [43] |
李冬林, 金雅琴, 张纪林, 等. 秦淮河河岸带典型区域土壤重金属污染分析与评价[J]. 浙江林学院学报, 2008, 25(2): 228-234. Li D L, Jin Y Q, Zhang J L, et al. Heavy metal soil pollution in the Qinhuai River riparian zone[J]. Journal of Zhejiang Forestry College, 2008, 25(2): 228-234. |
| [44] | 许见梅, 周飞. 务实推进一体化, 宁镇扬这么做[N]. 南京日报, 2020-07-09(A08). |
| [45] | 湖熟街道人大工委. 关于湖熟街道水环境污染治理工作的调研报告[EB/OL]. http://www.njjnrd.gov.cn/gzyj/281101.htm, 2018-12-03. |
| [46] | 句容市人民政府办公室. 句容市2019-2020年突出环境问题清单[EB/OL]. http://www.jurong.gov.cn/jurong/tzgg/201901/9925bc64bfbe4552af084112a9027b38.shtml, 2019-01-30. |
| [47] | 镇江市人民政府. 关于《2019-2020年镇江市突出环境问题清单》的公示[EB/OL]. https://kuaibao.qq.com/s/20190111A0IOS700?refer=spider, 2019-01-10. |
| [48] | Xue D M, Botte J, De Baets B, et al. Present limitations and future prospects of stable isotope methods for nitrate source identification in surface-and groundwater[J]. Water Research, 2009, 43(5): 1159-1170. DOI:10.1016/j.watres.2008.12.048 |
| [49] |
李跃飞, 夏永秋, 李晓波, 等. 秦淮河典型河段总氮总磷时空变异特征[J]. 环境科学, 2013, 34(1): 91-97. Li Y F, Xia Y Q, Li X B, et al. Temporal and spatial variations of total Nitrogen and total Phosphorus in the typical reaches of Qinhuai River[J]. Environmental Science, 2013, 34(1): 91-97. |
| [50] | 南京市生态环境局. 南京市环境状况公报(2015-2019)[EB/OL]. http://hbj.nanjing.gov.cn/njshjbhj/202006/t20200603_1903785.html, 2020-06-03. |
| [51] | Yang H H, Lu G H, Yan Z H, et al. Occurrence, spatial-temporal distribution and ecological risks of pharmaceuticals and personal care products response to water diversion across the rivers in Nanjing, China[J]. Environmental Pollution, 2019, 255. DOI:10.1016/j.envpol.2019.113132 |
| [52] | Zhao Z H, Mi T F, Xia L L, et al. Understanding the patterns and mechanisms of urban water ecosystem degradation: phytoplankton community structure and water quality in the Qinhuai River, Nanjing City, China[J]. Environmental Science and Pollution Research, 2013, 20(7): 5003-5012. DOI:10.1007/s11356-013-1464-9 |
| [53] | 秣陵街道人大工委. 关于秣陵街道水环境污染治理情况的调研报告[EB/OL]. http://www.njjnrd.gov.cn/gzyj/281106.htm, 2018-12-03. |
| [54] | 禄口街道人大工委. 关于禄口街道水环境污染治理情况的调研报告[EB/OL]. http://www.njjnrd.gov.cn/gzyj/280970.htm, 2018-11-13. |
| [55] | 东山街道人大工委. 关于东山街道水环境污染治理情况的调研报告[EB/OL]. http://www.njjnrd.gov.cn/gzyj/281105.htm, 2018-12-03. |
| [56] |
马小雪, 王腊春, 廖玲玲. 温瑞塘河流域水体污染时空分异特征及污染源识别[J]. 环境科学, 2015, 36(1): 64-71. Ma X X, Wang L C, Liao L L. Spatio-temporal characteristics and source identification of water pollutants in Wenruitang River watershed[J]. Environmental Science, 2015, 36(1): 64-71. |
| [57] |
仝晓辉, 汪银龙, 刘晓宁, 等. 深圳河水体污染特征分析及整治措施[J]. 中国给水排水, 2020, 507(7): 52-59. Tong X H, Wang Y L, Liu X N, et al. Pollution characteristics analysis and control measures of Shenzhen River[J]. China Water & Wasterwater, 2020, 507(7): 60-67. |