环境科学  2022, Vol. 43 Issue (3): 1332-1345   PDF    
引用本文
刘彦龙, 郑易安. 黄河干流水质评价与时空变化分析[J]. 环境科学, 2022, 43(3): 1332-1345.
LIU Yan-long, ZHENG Yi-an. Water Quality Assessment and Spatial-temporal Variation Analysis in Yellow River Basin[J]. Environmental Science, 2022, 43(3): 1332-1345.
黄河干流水质评价与时空变化分析
刘彦龙, 郑易安     
兰州大学资源环境学院, 甘肃省环境污染预警与控制重点实验室, 兰州 730000
收稿日期: 2021-06-15; 修订日期: 2021-08-17
基金项目: 国家自然科学基金项目(22178156);甘肃省自然科学基金重点项目(21JR7RA441);兰州大学中央高校基本科研业务费专项-学科交叉创新团队建设项目(lzujbky-2021-ct12)
作者简介: 刘彦龙(1997~), 男, 硕士研究生, 主要研究方向为水质污染评价, E-mail: liuyanlong20@lzu.edu.cn
通信作者: 郑易安, E-mail: zhengya@lzu.edu.cn
摘要: 在黄河流域生态保护的实施中，分析流域的水质污染状况以及时空变化规律，成为保证流域水安全的首要任务.为了全面了解黄河流域近年来的水环境状况，基于流域8个监测断面2004~2018年的水质数据，使用Mann-Kendall（M-K）趋势检验、层次聚类分析和主成分分析等多元数据分析方法，结合改进的综合水质标识指数（WQI），探究了黄河流域水质的时空变化特征.结果表明，在时间变化方面，依据水质进行的时间聚类分析显示黄河流域水质可分为丰水期、平水期和枯水期，与水文时期基本对应.结合M-K趋势检验和WQI水质评价发现，黄河流域水质逐年改善，以2010年为关键时间节点.汛期水质优于非汛期，汛期和非汛期主要污染指标均为NH4+-N和高锰酸盐指数.在空间变化方面，各研究断面水质均为显著改善的趋势.空间聚类显示S6断面（山西运城河津大桥）明显异于其它断面，经过对比发现S6断面常年污染严重.S7断面（河南济源小浪底水库）在汛期和非汛期呈现不同特点.各断面普遍存在的主要污染指标为NH4+-N，其中S6断面NH4+-N、高锰酸盐指数和DO污染均较为严重.NH4+-N和高锰酸盐指数在不同水文时期呈现不同特点，这与前者主要来源于生活和工业源，后者主要来源于农业源有关.改进的WQI评价方法克服了单因子水质评价的缺点，研究结果可为黄河流域的水污染防治及水质综合管理提供科学依据.
关键词: 水质评价      综合水质标识指数      时空变化      层次聚类分析      主成分分析      黄河流域     
Water Quality Assessment and Spatial-temporal Variation Analysis in Yellow River Basin
LIU Yan-long , ZHENG Yi-an     
Gansu Key Laboratory for Environmental Pollution Prediction and Control, College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China
Abstract: During the implementation of ecological protection in the Yellow River basin, understanding the water pollution status and spatio-temporal variation of water quality has become the most important thing for water safety in the basin. To analyze the water quality in recent years, the water quality data in the Yellow River basin from 2004 to 2018 were firstly collected from eight typical monitoring stations. Using a combination of multivariate data analysis methods including the Mann-Kendall (M-K) trend test, hierarchical clustering analysis (HCA), principal component analysis (PCA), and modified comprehensive water quality identification index (WQI), the spatio-temporal variation characteristics of the water quality were then explored in the Yellow River basin. The results indicated that in terms of time variation, the HCA from the water quality time series showed that the water quality of the Yellow River basin could be divided into the wet season, normal season, and dry season, being basically consistent with the hydrological period. Combined with the M-K trend test and WQI-based water quality assessment, the water quality of the Yellow River basin was improving gradually, with 2010 as the critical year. The water quality in the wet season was superior to that in the dry season. The pollution indicator NH4+-N and permanganate index were dominant in both the wet season and dry season. According to the spatial variation analysis, the water quality for all the studied stations improved significantly. Spatial clustering showed that the S6 (Shanxi Yuncheng Hejin Bridge) was obviously different from others, and further comparative study demonstrated that S6 was constantly seriously polluted. The S7 (Henan Jiyuan Xiaolangdi) exhibited different characteristics in the wet and dry season. In all stations, NH4+-N was considered to be the most common pollution indicator, whereas the permanganate index and DO were also relatively serious for S6. In different hydrological seasons, NH4+-N and the permanganate index showed different characteristics, and their variety was related to the fact that the former mainly came from domestic and industrial sources, whereas the latter was mainly derived from agricultural sources. The modified WQI showed obvious advantages over single-factor water quality assessment, and the findings from this study can provide scientific evidence for water pollution control and comprehensive water quality management in the Yellow River basin.
Key words: water quality assessment      comprehensive water quality identification index      spatio-temporal variation      hierarchical clustering analysis      principal component analysis      Yellow River basin     

流域的水环境状况以及时空变化特征的科学评估是进行流域水环境防治及管理的基础[1].作为我国的第二大流域, 黄河流域在我国经济社会发展和生态安全方面具有十分重要的地位.黄河是许多地区的重要水源, 其水质关系到沿途省份饮用水和工业灌溉用水的安全问题.

水质评价是使用特定方法定量描述水质状况的分析手段[1], 主要方法包括单因子评价法、污染指数评价法[2~5]、模糊数学评价法[6, 7]和人工神经网络评价法[8, 9]等.上述评价方法都有各自的优点, 但同时也存在不足.例如, 单因子指数评价过程简单易操作, 但通过选择最差的指标来确定水质状况, 无法反映综合的水质情况; 污染指数法评价过程中取不同的标准会得到不同的评价数据, 且权重的确定伴随着很强的主观性; 模糊数学以及人工神经网络计算过程比较复杂[10].徐祖信[10]的研究提出了综合水质标识指数(WQI)对水质进行综合评价, 张龙玲等[11~13]的研究针对上述方法进行了改进, 使其能够更具代表性地描述水体水质的综合情况.

本研究使用改进的WQI计算方法对黄河流域水质进行分析与评价.基于黄河流域8个监测断面2004~2018年的水质周报数据, 使用基于Mann-Kendall (M-K)趋势检验的改进方法以及季节性M-K趋势检验, 探究了黄河流域水质时间变化趋势.使用主成分分析(PCA)和层次聚类分析(HCA)结合地理信息系统(GIS), 揭示了黄河流域水质的时空变化特征, 旨在对黄河流域水污染防治、水资源风险防范与监控和水质综合管理提供理论支持.

1 材料与方法 1.1 研究区域及数据来源 1.1.1 研究区域

黄河发源于青海省的巴颜喀拉山脉, 前后流经青海和四川等9个省(区), 最终在山东流入渤海, 干流河长约5 464 km, 流域面积约为79.5万km2, 地理位置介于北纬32°~42°, 东经96°~119°之间.内蒙古河口村以上为上游、河口至河南郑州桃花峪为中游、桃花峪以下为下游, 如图 1所示.黄河流域现有国控断面213个, 共监测94条河流(湖泊).针对黄河流域的汛期有多种不同的选择, 文献[14~16]提到黄河流域汛期为6~9月, 也有学者选择7~10月作为汛期[17].

图 1 黄河流域及所选监测断面示意 Fig. 1 Selected sites and Yellow River basin

1.1.2 数据来源

本研究数据包括水质数据和GIS数据.水质数据包括pH、溶解氧(DO)、高锰酸盐指数和氨氮(NH4+-N)的周数据, 一部分来源于中国环境监测总站官方网站发布的地表水环境质量周报, 另一部分来源于北京大学城市与环境学院地理数据平台(http://geodata.pku.edu.cn).本研究中选择数据系列较全的8个断面, 分别为甘肃兰州新城桥(S1)、宁夏中卫新墩(S2)、内蒙古乌海海勃湾(S3)、内蒙古包头画匠营子(S4)、山西忻州万家寨水库(S5)、山西运城河津大桥(S6)、河南济源小浪底水库(S7)和山东济南泺口(S8), 其分布见图 1, 断面选择涵盖黄河流域上、中、下游.

数字高程模型(DEM)数据来源于地理空间数据云(http://www.gscloud.cn)的SRTMDEM 90m分辨率数据, 主要流域片矢量数据来源于中国科学院地理科学与资源研究所资源环境科学与数据中心(http://www.resdc.cn), 水系数据来源于国家冰川冻土沙漠科学数据中心(http://www.ncdc.ac.cn).

1.2 季节性M-K趋势检验

趋势分析可以了解水体的水质变化情况, 进而指导水体治理与保护[18].作为非参数检验的一种, M-K趋势检验在缺失数据和异常数据的情况下仍然可以使用, 且不受序列长度的影响.M-K趋势检验的前提是假设数据相互独立, 若数据有正自相关性, 则会将检验趋势放大, 反之亦然[19].基于上述问题, Hamed等[20]的研究对M-K检验进行了修正, 使得M-K检验也能够应用于自相关的时间序列, Yue等[19]的研究提出预白化的M-K检验方法消除序列的自相关性, 增强了M-K检验的适用范围, Hirsch等[18]的研究考虑到了季节性变化对时间序列的影响, 改进了M-K检验, 使其能够计算时间序列的季节性变化.本研究基于Hamed修正的M-K趋势检验及季节性M-K检验对水质变化趋势进行分析.

1.3 层次聚类分析

聚类分析是将目标分为不同的类别, 同一类别的目标相对其它类别而言更具有相似性[21].聚类分析常用于非监督学习, 而与之相似的分类任务则常用于监督学习, 聚类的目标是描述性的, 分类的目标是预测性的[22].HCA是聚类分析的一种, 分为凝聚层次聚类(“自底向上”)与分裂层次聚类(“自顶向下”)两种方式, 前者始于小类, 不断合并小类成为大类, 后者始于一个大类并不断将大类划分为小类[23].凝聚层次聚类基于某个准则不断选择两个最相近的小类合并, 直到达到某个终止的条件, 因此小类之间的相似度衡量十分重要[24].本研究基于凝聚层次聚类, 使用全连接基于欧式距离计算两个组合数据点的距离.

1.4 主成分分析

PCA使用线性变换的方法探索多元变量的结构, 从诸多相关的变量之间找到主要的变量, 以实现降维的目的[25].高维的变量集往往难以可视化分析, Ringnér等[26]的研究介绍了PCA在生命科学领域的应用, 即使用PCA来分析DNA中与癌症有关的大量mRNA和蛋白质哪些起着主要影响.Kaiser-Meyer-Olkin (KMO)检验是一种对方差进行度量的抽样适合性检验[27], 其值在0至1之间, 文献[28, 29]指出, 对于因子分析(FA), KMO值应在0.5以上.Bartlett球度检验代表变量之间的相关性强度, 当样本量增大时, Bartlett球度检验的敏感性会显著增加[29].对于PCA, 可以参考KMO与Bartlett球度检验决定是否适合使用PCA.文献[30]建议在使用PCA或者FA时, 应先进行上述检验.

1.5 综合水质标识指数

WQI由徐祖信在2005年提出[10], 主要由两部分构成: 单因子水质标识指数(Q)计算与WQI计算.

单因子水质标识指数Q=X1. X2X3, 在其原始计算方法中, 水质指标为Ⅰ类时难以确定标准上限, 虽然张璇等[31]的研究在针对海河流域的水质分析中使用了监测的最值作为上限, 但不同河流和湖泊的具体情况差异较大, 难以相互比较, 因此针对Ⅰ类水的情况进行改进, 使用优于Ⅰ类水标准的百分比作为X2.同时, 原始计算方法中由于X2的精度较低, 可能导致与标准差异较小的水质指标被错误地计算X1, 进而导致Q与实际情况不符.针对这一问题, 参考李名升等[32]的研究之后, 本研究取X2为两位有效数字并向下取整.

综合水质标识指数WQI=X1. X2X3X4, 在X1. X2的计算中, 徐祖信[10]的研究提出取Q的均值作为X1.X2, 张旋等[31]的研究使用分别对均值以及最大值赋予系数的方法, 即Q=θQi+(1-θ)Qmax, 后者考虑到了严重污染指标的作用.张龙玲等[11, 12]的研究使用不同方法为各指标赋权来计算WQI.综合相关研究, 本研究使用以下计算综合水质标识指数X1. X2的方法:

式中, m为水质单项指标的数目, Qi为第i个水质指标单因子指数的整数位及小数点后两位, 即QX1.X2, wi为权重, f为水质目标, ni的实际意义为单项水质超标程度.

上述方法中, 对于Q的改进增强了在不同河流和湖泊之间横向比较的适用性, 同时在保留较高精度的条件下能够准确表示水体水质类别, 而不会因为进位导致水质类别发生变化或丢失过多信息.对于WQI的计算使用加权平均的方式量化不同污染程度的水质指标对于WQI的贡献, wi实际上是针对超标指标施加“惩罚”, 相对算术平均与仅考虑最大值的计算方式而言更合理地考虑到超标指标的影响, 更能够代表水体的综合水质情况.WQI和对应水质级别参考表 1[10].

表 1 WQI和对应水质级别 Table 1 WQI and corresponding water quality level

本研究使用Python进行计算, 用到的开源科学计算库包括Numpy[33]、Pandas、Scikit-learn[34]、Matplotlib[35]和Scipy[36]等.地理信息可视化使用ArcGIS 10.6.

2 结果与讨论 2.1 统计量及相关性分析

Shapiro-Wilk正态检验由Shapiro在1965年提出[37], 其原假设为被检验数据来源于正态分布.在显著性水平为0.05的条件下, 对所选8个断面中各断面的pH、DO、高锰酸盐指数和NH4+-N这4项指标使用Shapiro-Wilk正态检验.结果显示, 除S3的pH数据(统计量为0.997, P值为0.220)无法拒绝其服从正态分布外, 其余断面的各项水质指标均不服从正态分布.

时间尺度上, 对整个黄河流域计算各水质指标年均值, 基于中国地表水质量标准(GB 3838-2002), 黄河流域年际水质变化如图 2所示.整体上, 黄河流域pH年际变化较小, 研究期内均保持在8左右, 呈弱碱性, 在显著性水平为0.05的条件下无明显变化趋势.本研究期内, DO均值保持在较高的含量, 除2004、2005、2007和2008年之外, 其余年份均为Ⅰ类水标准, M-K检验显示DO有显著增加的趋势.在2010年及之前, 黄河流域平均高锰酸盐指数指标均为Ⅳ或Ⅴ类水, 且2004和2008年接近劣Ⅴ类水, 2016和2017年高锰酸盐指数指标较好, 为Ⅱ类水.M-K检验显示, 黄河流域高锰酸盐指数有显著减小的趋势.相较于前3个指标, NH4+-N污染较为严重, 在2004、2008和2010年, NH4+-N指标均为劣Ⅴ类水标准, 在2014年之前, 黄河流域NH4+-N均为Ⅳ至劣Ⅴ类, 2016年为Ⅱ类水标准.

(a) pH, (b) DO, (c) 高锰酸盐指数, (d) NH4+-N (α=0.05); Z和P分别表示M-K检验统计量和假设检验P值 图 2 各指标年均值变化和M-K趋势检验 Fig. 2 Annual mean and M-K trend test

整体来看, 2010年之后水质明显改善, 其中NH4+-N在2011年仍为Ⅴ类, 2012年降至Ⅳ类, 2016年水质指标最好.查询生态环境部发布的环境年报可知, 2004、2008、2010和2011年黄河流域接纳NH4+-N (工业和生活)分别约16、14、17和19万t, 工业废水处理投资均在20亿元以上, 虽然NH4+-N排放有所增加但整体上处理能力也大幅增加.同时, 根据水利部发布的水资源公报, 虽然2011年全国降水量较2010年少, 但黄河流域降水量增加, 2016年黄河流域降水量为482.4 mm, 较2015年约增加17%, 较多年平均降水量(取1960~2010年[38])增加7.2%.污染治理能力的提高与稀释作用可能是导致2011年NH4+-N指标好转的原因, 也是2016年水质较好的原因.对比来看, 2004、2008和2010年接纳NH4+-N并不算多, 但NH4+-N指标较差, 可能是因为上述年份农业NH4+-N排放较多, 而农业源并未统计进环境年报.DO与高锰酸盐指数、NH4+-N是负相关且相互制约的关系, 通过趋势分析可以看出DO增加, 高锰酸盐指数和NH4+-N减小, 黄河流域水质在逐渐改善.根据生态环境部2004~2018年中国环境状况公报, 2010年及之前黄河流域整体污染程度为中度, 之后为轻度, 与上述结论相同.值得注意的是, 虽然黄河流域整体水质逐渐好转, 但自2017年水质状况有所反弹, 张宝锋等[39, 40]的研究也提到了这一点.

空间上, 对各断面的水质指标统计量进行分析, 结果见表 2.各断面平均pH均呈弱碱性, 符合中国地表水环境质量标准(GB 3838-2002), S6断面最大pH为9.06, 已超出国家标准.各断面DO均值在3.46~9.46 mg ·L-1之间, 平均DO浓度最高的断面为S8, 最低的断面为S6, 各断面DO最小值最低为S6, 仅为0.01 mg ·L-1.高锰酸盐指数的均值差异较大, 其中最大为55.91 mg ·L-1 (S6), 其余断面均在3 mg ·L-1左右, 各断面高锰酸盐指数最大值中, 最高为241.0 mg ·L-1 (S6), 超过国家Ⅴ类水标准的16倍.NH4+-N的均值特征与高锰酸盐指数相似, 最大断面为S6, 最大值为13.70 mg ·L-1, 最小断面为S1.各断面NH4+-N最大值中, 最高为60.7 mg ·L-1 (S6), 超过国家Ⅴ类水标准30倍.

表 2 各断面水质指标统计量 Table 2 Statistics of water quality for S1-S8

计算各水质指标之间的Pearson相关系数, 相关性矩阵见表 3. 从Pearson相关系数来看, pH与DO有极弱的正相关性, 与高锰酸盐指数和NH4+-N无相关性, DO与高锰酸盐指数、NH4+-N有中等程度负相关性, 高锰酸盐指数与NH4+-N具有强正相关性.

表 3 各水质指标Pearson相关性分析 Table 3 Pearson correlation analysis

2.2 HCA分析

对水质数据应用层次聚类分析, 时间尺度聚类分析见图 3(a).从中可以看出, 水质数据可分为3大类, 其中4、5、6和10月为一类, 7~9月为一类, 11月~次年3月为一类, 3类大体上代表平水期、丰水期与枯水期.综合水质时间聚类结果与前人研究, 选择6~9月为汛期, 其余月份为非汛期.pH在全年基本一致, DO在12、1、2和3月浓度较高, 高锰酸盐指数在11、12、1和6月浓度较高, NH4+-N在1月和2月浓度较高.总体来看, 非汛期DO含量较高, 但高锰酸盐指数和NH4+-N污染较为严重.基于时间聚类结果, 选择6月~次年5月为水文年, 空间聚类见图 3(b), 其中S4和S8断面为一类, S2和S5为一类, S3和S7为一类, S1和S6分别为一类.总体上又分为两类, S6为一类, 其余断面为一类.结合S6断面污染严重, 因此按照水质进行的空间聚类结果是合理的.

图 3 以水质为基础的层次聚类分析 Fig. 3 HCA based on water quality

2.3 黄河流域水质时间变化

针对整个黄河流域, 以Ⅲ类水为水质目标, 使用年均值进行水质评价, 结果见表 4.使用M-K检验对WQI进行趋势检验(取显著性水平α为0.05), 结果见图 4.从水质评价结果来看, 本研究期内, 黄河流域水质最差的年份为2004、2008和2010年, 其中2004年和2008年WQI评价结果为Ⅴ类, 劣于水质目标2个类别, 2010年WQI评价结果为Ⅳ类.自2010年以后, 水质逐渐改善, 2014~2018年WQI评价结果达到Ⅱ类水.从WQI的M-K趋势检验结果来看, WQI有显著地下降趋势, 可见在时间尺度上, 黄河流域水质整体上在逐渐改善.

表 4 年际水质评价结果1) Table 4 Results of annual water quality assessment

(a) DO, (b) 高锰酸盐指数, (c) NH4+-N, (d) WQI (α=0.05); Z表示M-K检验统计量, 纵坐标为水质评价结果(无量纲) 图 4 单因子水质评价结果及WQI趋势检验 Fig. 4 Results of water quality assessment and M-K trend test of WQI

选择6~9月为汛期, 其余月份为非汛期, 分别对二者水质进行综合评价, 各指标单因子水质评价结果和WQI结果见图 5.对于单因子水质标识指数, 汛期DO指标差于非汛期, 这可能是因为气温对水体中DO有很大的影响, 温度较高时水体中的氧气更容易饱和[41], 而汛期对应夏、秋两季, 期间气温较非汛期高, 因此DO含量较低, 这与李春晖等[42]的研究结论相同.在2010年以前, 整体上汛期高锰酸盐指数优于非汛期, 之后汛期与非汛期高锰酸盐指数的差异较小.这可能是因为在“十五”和“十一五”期间, 我国越来越重视环境保护.根据2010年环境年报, “十一五”期间COD减排12.45%, 查处并关闭了多家高污染高能耗企业, 因此工业点源污染减少, 农业面源污染源占比增加.在面源污染为主的地区, 水量大时可能污染越大, 而在点源污染为主的地区大水量的稀释作用明显[42], 导致高锰酸盐指数在汛期和非汛期的差异减小.对于NH4+-N, 汛期优于非汛期, 这可能是因为汛期稀释作用是主要影响因素.上述指标的评价结果与图 3(a)的时间聚类分析结果对比可以相互印证.从WQI水质评价结果来看, 汛期的水质优于非汛期.韩谞等[43]的研究发现, 黄河秋季(9~10月)水质优于春季(4~5月), 其所研究的秋季时间接近汛期, 春季接近非汛期, 因此上述结论与其研究结论相似.

纵坐标为水质评价结果(无量纲) 图 5 年际汛期和非汛期水质评价结果 Fig. 5 Results of annual water quality assessment in the wet and dry season

汛期和非汛期KMO检验值分别为0.67和0.68, Bartlett球度检验汛期与非汛期P值均为0.000.分别对汛期和非汛期应用PCA, 载荷图见图 6.汛期和非汛期载荷分析结果相似, 在汛期, PC1和PC2共解释了82.54%的方差, 在非汛期, PC1和PC2共解释了80.16%的方差.根据载荷分析, PC1主要影响因子为高锰酸盐指数和NH4+-N, PC2主要影响因子为pH.汛期和非汛期对比来看, 各指标载荷非常接近.从汛期和非汛期分别来看, 汛期NH4+-N载荷略高于高锰酸盐指数, 而非汛期则相反, 这与前文分析结论有所差异, 可能是因为汛期(6~9月)仅4个月, 而非汛期为8个月, 数据分布差异较大, 而数据集对PCA有很大影响.除此以外, PCA自身也有许多局限性, 例如其所探索的仅为线性关系, 不能有效处理非线性关系[44, 45], 而水环境质量与水文条件、水质指标、人类活动和治理投资等因素存在非线性关系[46], 导致分析结论略有差异.从解释方差占比最大的PC1来看, 汛期和非汛期均为NH4+-N与高锰酸盐指数影响最大.因此, 在上述4个指标中, 黄河流域主要污染指标为NH4+-N和高锰酸盐指数.

图 6 汛期和非汛期PCA载荷图 Fig. 6 Loadings plot of PCA in the wet and dry season

2.4 黄河流域水质空间变化

取各断面水质指标的月均值, 在显著性水平为0.05的条件下, 使用季节性M-K检验, 对各断面水质数据进行趋势检验, 整体趋势结果见图 7和表 5.使用各断面水质指标的均值计算WQI, 结果见表 6.选择6~9月为汛期, 1~5月和10~12月为非汛期, 其M-K趋势检验和WQI计算结果分别如表 7和表 8所示.

图 7 各断面多年平均趋势 Fig. 7 Multi-year average seasonal M-K trend for S1-S8

表 5 季节性M-K趋势检验结果1) Table 5 Result of seasonal M-K trend test

表 6 WQI计算结果 Table 6 Result of WQI

表 7 汛期和非汛期季节性M-K趋势检验结果1) Table 7 Results of seasonal M-K trend test in wet and dry season

表 8 汛期和非汛期WQI计算结果 Table 8 Results of WQI in the wet and dry season

从DO变化趋势来看, 除S2断面无明显趋势外, 其余断面DO均为增加趋势.单因子水质标识指数Q显示, S6断面DO评价结果为Ⅳ类, S7为Ⅱ类, 其余断面均为Ⅰ类.对于高锰酸盐指数, S2和S5断面为增加趋势, 其余断面为减小趋势.从Q值来看, 除S6断面污染严重外, 其余断面均为Ⅱ类, 虽然S2和S5断面高锰酸盐指数较好, 但长期来看二者有高锰酸盐指数变差的趋势.在NH4+-N方面, 除S1断面为增加趋势外, 其余断面均为减小趋势.从Q值来看, 除S6断面严重污染外, 其余断面均为Ⅱ类或Ⅲ类, 其中位于上游的S1和S2断面, 位于下游的S7和S8断面NH4+-N指标较好.整体上, 研究期内S1和S2断面多年平均WQI为Ⅰ类, S6断面为劣Ⅴ类, 其余断面为Ⅱ类, 除S6断面污染严重外, 其余断面水质均能够达到水质目标.S6断面是运城河津大桥断面, 为汾河入黄河的省界断面.汾河是黄河第二大支流, 也是山西省的重要化工能源基地[47], 汾河流域的矿产、重工业以及农业发达, Chai等[48]和Meng等[49]的研究中提到, 汾河流域由于采矿业导致硫化物污染严重, 降水以及农业导致氮污染严重.查询2004~2018年山西省环境状况公报, 汾河流域内忻州、临汾、运城等城市多年废水、COD和NH4+-N排放量均位于全省前五, 其主要来源为化工、煤炭采选、焦化和冶金等高污染工业, 这是S6断面常年水质较差的重要原因.

各断面汛期和非汛期各指标变化趋势与整体相似.从表 8可知, DO指标均为非汛期优于汛期(Q值为Ⅰ类时越大越好), 其中S7断面汛期DO指标为Ⅳ类, 已经接近S6断面, 表明S7断面汛期有严重影响DO的污染物.这可能是因为: ① S7断面为小浪底水库库体, 水库需要拦洪和调节径流, 在汛期时上游来水污染以及水库周边降雨形成的面源污染不能及时排往下游.②水体自净是一个综合结果, 虽然汛期水量大、水流流速快, 可以稀释污染物并增加复氧速率, 但同时河南夏季风活跃, 汛期降雨也会带来大量污染物[50], 且由于上游S6断面污染过于严重, 水流进入水库后流速快速减小, 污染物难以及时降解, 导致汛期水质较差.除S7断面外, 高锰酸盐指数整体表现为上游汛期较差, 中下游汛期较好, 而NH4+-N指标表现为汛期优于非汛期, 与前述图 5所得结论相似.

黄河流域社会经济活动重心均在中下游, 中下游工业比重较高且承载了黄河流域70%以上的人口, 而黄河流域NH4+-N的主要来源为生活源, 占比达到65.54%[51], 因此黄河流域全年NH4+-N排放量相对稳定, 而汛期相较于非汛期水量大、流速快、水温高, 大水量的稀释作用明显, 较高的流速和水温有助于促进NH4+-N降解[52, 53], 这可能是导致黄河流域汛期NH4+-N指标较好的原因之一.但与NH4+-N变化不同, 各断面高锰酸盐指数汛期和非汛期变化与NH4+-N并不同步, 这可能与抗生素在汛期和非汛期的变化原因相似[54], 即与汛期的农业特点有关.黄河流域上游农牧业比重较大, 以面源污染为主, 而在以面源污染为主的地区, 水量越大则可能污染越严重[42].黄河流域COD主要来自农业源(占比达到62.93%)[51], 且汛期降水充沛, 水量大, 是农业耕作的关键时期, 因此肥料和农药使用量大, 农业灌溉回水使黄河有机污染负荷增加.例如, 侯凯等[55]的研究显示, 宁夏灌区施加的氮肥有大约20% ~65%流进黄河.同时, 河南农业发达, 这可能是S7断面在汛期和非汛期高锰酸盐指数变化与黄河上游断面相似的原因之一.

基于WQI绘制黄河流域时空整体变化情况如图 8所示.从空间变化来看, 黄河流域中游污染较为严重, 其中以S6断面最为严重; 从时间变化来看, 黄河流域各站点水质在逐渐改善, 本研究期末除S6断面外, 其余站点水质综合评价达到Ⅱ类水及以上.

图 8 黄河流域各断面水质年际变化 Fig. 8 Annual changes in water quality for S1-S8 in Yellow River basin

计算各断面的KMO值与Bartlett检验统计量(χ2)和P值, 结果见表 9.除S1断面和S5断面KMO值略低于0.5外, 各站KMO值均在0.5以上, 因此可以使用FA.取显著性水平为0.001, 各断面Bartlett检验P值均小于0.001, 表示可以使用FA.综合KMO与Bartlett检验结果, 进行PCA分析是可行的.

表 9 各断面KMO与Bartlett球度检验 Table 9 KMO and Bartlett sphericity test

使用PCA对各断面进行分析, 各水质指标对主成分(PC1~PC4)的方差贡献以及累计方差贡献见表 10, PC1和PC2载荷见图 9.各断面PC1和PC2解释了60%以上的方差.从解释方差最大的PC1来看, S1、S3、S4和S8均为高锰酸盐指数和NH4+-N贡献较大, S2和S5均为DO和NH4+-N贡献较大, S6和S7为DO和高锰酸盐指数贡献较大, 且S6断面NH4+-N贡献也较大.综合来看, 各断面普遍的污染指标为NH4+-N.因此, 在研究的4个指标中, 整体上黄河流域最主要的污染指标为NH4+-N, 这与孙艺珂[13]和刘鸿志等[40]的研究结论一致.S6断面DO、高锰酸盐指数和NH4+-N这3个指标载荷均较大, 表明S6断面存在多种高负荷污染物.

表 10 各断面解释方差及累计解释方差 Table 10 Explained variance and accumulative explained variance for S1-S8

图 9 各断面载荷 Fig. 9 Loadings plot of S1-S8

2.5 黄河流域时空变化特征

从时间变化来看, 2010年是关键的一年, 2010年之前黄河流域水质整体上较差, 之后水质改善明显, 污染治理与污水处理能力的提升可能是水质改善的原因.但2017年水质状况有所反弹, 应引起注意.黄河流域汛期较高的气温可能导致了DO指标较差, 汛期NH4+-N优于非汛期, 可能是因为汛期的大水量对其有很强的稀释作用, 而高锰酸盐指数在2010年以前汛期优于非汛期, 之后差异较小.WQI评价结果显示黄河流域汛期水质优于非汛期, 上述结论与时间聚类分析结果可相互印证.PCA结果显示, 汛期和非汛期各指标载荷接近, 黄河流域主要污染指标为NH4+-N和高锰酸盐指数.

从空间变化来看, 各断面水质均为好转的趋势, 但S6断面常年污染严重, 这与汾河流域的人类活动密切相关.S7断面汛期DO指标较差, 可能与其特殊的断面设置以及周边地理条件和人类活动相关.各断面NH4+-N指标均为汛期优于非汛期, 与全流域时间变化规律相似.高锰酸盐指数在汛期表现为上游较差, 中下游较好, 这可能与黄河流域面源污染分布相关.PCA结果显示各站点普遍存在的污染指标为NH4+-N, 其中S6断面NH4+-N、高锰酸盐指数和DO指标均较差, 水体污染严重.在研究期末, 除S6断面外, 其余断面综合水质评价达到Ⅱ类及以上.

3 结论

(1) 根据水质进行的聚类分析显示, 时间上可分为丰水期、平水期和枯水期, 与水文时期对应.空间上可分为S6断面和其它断面, 与水质评价结果可对比印证.

(2) 时间上, 基于改进WQI的水质评价结果显示, 黄河流域整体水质逐渐改善, 汛期和非汛期主要污染指标均为高锰酸盐指数和NH4+-N.以2010年为节点, 高锰酸盐指数在汛期和非汛期呈现不同特点, 2010年之后的水质明显优于之前, 这与我国的节能减排、污染治理密切相关, 也说明我国的生态文明建设在黄河流域卓显成效.

(3) 空间上, 黄河流域上游的S1和S2断面WQI评价结果为Ⅰ类, 水质较好.中游S6断面常年污染严重, WQI评价为劣Ⅴ类, S7断面受其影响在汛期水质较差.下游S8断面在研究期内水质较好, WQI评价结果为Ⅰ~Ⅱ类.各断面普遍的主要污染指标为NH4+-N, 同时S6断面存在多种高负荷污染.

(4) 改进的WQI评价计算方法既克服了单因子水质评价的缺点, 又更合理地考虑到超标水质指标的影响, 将其应用于黄河流域水质评价, 取得了良好的应用效果.

参考文献
[1] 景朝霞, 夏军, 张翔, 等. 汉江中下游干流水质状况时空分布特征及变化规律[J]. 环境科学研究, 2019, 32(1): 104-115.
Jing Z X, Xia J, Zhang X, et al. Spatial and temporal distribution and variation of water quality in the middle and downstream of Hanjiang River[J]. Research of Environmental Sciences, 2019, 32(1): 104-115.
[2] 张婷, 刘静玲, 王雪梅. 白洋淀水质时空变化及影响因子评价与分析[J]. 环境科学学报, 2010, 30(2): 261-267.
Zhang T, Liu J L, Wang X M. Causal analysis of the spatial-temporal variation of water quality in Baiyangdian Lake[J]. Acta Scientiae Circumstantiae, 2010, 30(2): 261-267.
[3] Horton R K. An index-number system for rating water quality[J]. Journal of Water Pollution Control Federation, 1965, 37(3): 300-306.
[4] Bora M, Goswami D C. Water quality assessment in terms of water quality index (WQI): case study of the Kolong River, Assam, India[J]. Applied Water Science, 2017, 7(6): 3125-3135. DOI:10.1007/s13201-016-0451-y
[5] Fadel A, Kanj M, Slim K. Water quality index variations in a mediterranean reservoir: a multivariate statistical analysis relating it to different variables over 8 years[J]. Environmental Earth Sciences, 2021, 80(2). DOI:10.1007/s12665-020-09364-x
[6] Li R R, Zou Z H, An Y. Water quality assessment in Qu River based on fuzzy water pollution index method[J]. Journal of Environmental Sciences, 2016, 50: 87-92. DOI:10.1016/j.jes.2016.03.030
[7] 韩晓刚, 黄廷林, 陈秀珍. 改进的模糊综合评价法及在给水厂原水水质评价中的应用[J]. 环境科学学报, 2013, 33(5): 1513-1518.
Han X G, Huang T L, Chen X Z. Improved fuzzy synthetic evaluation method and its application in raw water quality evaluation of water supply plant[J]. Acta Scientiae Circumstantiae, 2013, 33(5): 1513-1518.
[8] 向娜. 基于神经网络和人工蜂群算法的水质评价和预测研究[D]. 广州: 华南理工大学, 2012.
Xiang N. Exploration for water quality assessment and prediction based on neural networks and artificial bee colony algorithm[D]. Guangzhou: South China University of Technology, 2012.
[9] 孔刚, 王全九, 黄强. 基于BP神经网络的北京昌平山前平原地下水水质评价[J]. 农业工程学报, 2017, 33(S1): 150-156.
Kong G, Wang Q J, Huang Q. Evaluation of groundwater quality in Changping piedmont plain of Beijing based on BP neural network[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(S1): 150-156.
[10] 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
[11] 张龙玲, 徐慧, 管桂玲, 等. 改进的综合水质标识指数法在上海市长宁区水质评价中的应用[J]. 水资源保护, 2014, 30(3): 81-84, 94.
Zhang L L, Xu H, Guan G L, et al. Application of improved comprehensive water quality identification index method to evaluation of water quality in Changning district, Shanghai city[J]. Water Resources Protection, 2014, 30(3): 81-84, 94.
[12] 程卫国, 李亚斌, 苏燕, 等. 不同赋权方法的综合水质标识指数法对比分析[J]. 灌溉排水学报, 2019, 38(11): 93-99.
Cheng W G, Li Y B, Su Y, et al. Comparative analysis of comprehensive water quality identification index method based on different weighting method[J]. Journal of Irrigation and Drainage, 2019, 38(11): 93-99.
[13] 孙艺珂, 王琳, 祁峰. 基于改进综合水质标识指数法的山东省水库水质特征分析[J]. 兰州大学学报(自然科学版), 2019, 55(6): 726-732.
Sun Y K, Wang L, Qi F. Analysis of water quality evolution of the reservoirs in Shandong province based on improved water quality identification index[J]. Journal of Lanzhou University (Natural Sciences), 2019, 55(6): 726-732.
[14] 罗琳, 王忠静, 刘晓燕, 等. 黄河流域中游典型支流汛期降雨特性变化分析[J]. 水利学报, 2013, 44(7): 848-855.
Luo L, Wang Z J, Liu X Y, et al. Changes in characteristics of precipitation in flood season over five typical basins of middle reaches of the Yellow River in China[J]. Journal of Hydraulic Engineering, 2013, 44(7): 848-855.
[15] 马雪宁, 张明军, 马潜, 等. 黄河流域汛期降水非均匀性变化规律研究[J]. 自然灾害学报, 2013, 22(4): 92-100.
Ma X N, Zhang M J, Ma Q, et al. Nonuniform change of precipitation in Yellow River basin during flood period[J]. Journal of Natural Disasters, 2013, 22(4): 92-100.
[16] 韩作强, 张献志, 芦璐, 等. 厄尔尼诺现象对黄河流域汛期降水的影响分析[J]. 气象与环境科学, 2019, 42(1): 73-78.
Han Z Q, Zhang X Z, Lu L, et al. Influence analysis of El Niño on precipitation in main flood season of the Yellow River basin[J]. Meteorological and Environmental Sciences, 2019, 42(1): 73-78.
[17] 李文文, 傅旭东, 吴保生, 等. 黄河下游非汛期来水来沙对平滩流量的影响[J]. 水力发电学报, 2013, 32(1): 132-138.
Li W W, Fu X D, Wu B S, et al. Influences of non-flood-season flow and sediment load on bankfull discharge in lower Yellow River[J]. Journal of Hydroelectric Engineering, 2013, 32(1): 132-138.
[18] Hirsch R M, Slack J R, Smith R A. Techniques of trend analysis for monthly water quality data[J]. Water Resources Research, 1982, 18(1): 107-121. DOI:10.1029/WR018i001p00107
[19] Yue S, Wang C Y. Applicability of prewhitening to eliminate the influence of serial correlation on the Mann-Kendall test[J]. Water Resources Research, 2002, 38(6). DOI:10.1029/2001WR000861
[20] Hamed K H, Rao A R. A modified Mann-Kendall trend test for autocorrelated data[J]. Journal of Hydrology, 1998, 204(1-4): 182-196. DOI:10.1016/S0022-1694(97)00125-X
[21] Ishizaka A, Lokman B, Tasiou M. A Stochastic Multi-criteria divisive hierarchical clustering algorithm[J]. Omega, 2021, 103. DOI:10.1016/j.omega.2020.102370
[22] Rokach L, Maimon O. Clustering methods[A]. In: Maimon O, Rokach L (Eds. ). Data mining and Knowledge Discovery Handbook[M]. Boston: Springer, 2005. 321-352.
[23] Chen Y, Billard L. A study of divisive clustering with Hausdorff distances for interval data[J]. Pattern Recognition, 2019, 96. DOI:10.1016/j.patcog.2019.106969
[24] Zhang W, Zhao D L, Wang X G. Agglomerative clustering via maximum incremental path integral[J]. Pattern Recognition, 2013, 46(11): 3056-3065. DOI:10.1016/j.patcog.2013.04.013
[25] Jackson J E. A user's guide to principal components[M]. New York: John Wiley & Sons, 2005.
[26] Ringnér M. What is principal component analysis?[J]. Nature Biotechnology, 2008, 26(3): 303-304. DOI:10.1038/nbt0308-303
[27] Yurtseven I, Randhir T O. Multivariate assessment of spatial and temporal variations in irrigation water quality in Lake Uluabat watershed of Turkey[J]. Environmental Monitoring and Assessment, 2020, 192(12). DOI:10.1007/s10661-020-08723-2
[28] Kaiser H F. An index of factorial simplicity[J]. Psychometrika, 1974, 39(1): 31-36. DOI:10.1007/BF02291575
[29] Hair J F, Black W C, Babin B J, et al. Multivariate data analysis[M]. (7th ed). Beijing: China Machine Press, 2011.
[30] Budaev S V. Using principal components and factor analysis in animal behaviour research: caveats and guidelines[J]. Ethology, 2010, 116(5): 472-480. DOI:10.1111/j.1439-0310.2010.01758.x
[31] 张旋, 王启山, 于淼, 等. 基于聚类分析和水质标识指数的水质评价方法[J]. 环境工程学报, 2010, 4(2): 476-480.
Zhang X, Wang Q S, Yu M, et al. An approach for water quality assessment based on hierarchical cluster analysis and comprehensive water quality identification index[J]. Chinese Journal of Environmental Engineering, 2010, 4(2): 476-480.
[32] 李名升, 张建辉, 梁念, 等. 常用水环境质量评价方法分析与比较[J]. 地理科学进展, 2012, 31(5): 617-624.
Li M S, Zhang J H, Liang N, et al. Comparisons of some common methods for water environmental quality assessment[J]. Progress in Geography, 2012, 31(5): 617-624.
[33] Harris C R, Millman K J, Van Der Walt S J, et al. Array programming with NumPy[J]. Nature, 2020, 585(7825): 357-362. DOI:10.1038/s41586-020-2649-2
[34] Pedregosa F, Varoquaux G, Gramfort A, et al. Scikit-learn: Machine learning in Python[J]. Journal of Machine Learning Research, 2011, 12: 2825-2830.
[35] Hunter J D. Matplotlib: a 2D graphics environment[J]. Computing in Science and Engineering, 2007, 9(3): 90-95. DOI:10.1109/MCSE.2007.55
[36] Virtanen P, Gommers R, Oliphant T E, et al. SciPy 1.0:fundamental algorithms for scientific computing in Python[J]. Nature Methods, 2020, 17(3): 261-272. DOI:10.1038/s41592-019-0686-2
[37] Shapiro S S, Wilk M B. An analysis of variance test for normality (complete samples)[J]. Biometrika, 1965, 52(3-4): 591-611. DOI:10.1093/biomet/52.3-4.591
[38] 周帅, 王义民, 畅建霞, 等. 黄河流域干旱时空演变的空间格局研究[J]. 水利学报, 2019, 50(10): 1231-1241.
Zhou S, Wang Y M, Chang J X, et al. Research on spatio-temporal evolution of drought patterns in the Yellow River basin[J]. Journal of Hydraulic Engineering, 2019, 50(10): 1231-1241.
[39] 张宝锋, 陈峰, 田晓庆, 等. 2005~2017年中国七大水系水质变化趋势分析[J]. 人民长江, 2020, 51(7): 33-39.
Zhang B F, Chen F, Tian X Q, et al. Research on water quality variation of seven major water systems in China from 2005 to 2017[J]. Yangtze River, 2020, 51(7): 33-39.
[40] 刘鸿志, 王光镇, 马军, 等. 黄河流域水质和工业污染源研究[J]. 中国环境监测, 2021, 37(3): 18-27.
Liu H Z, Wang G Z, Ma J, et al. Water quality status and industrial pollution sources in the Yellow River basin[J]. Environmental Monitoring in China, 2021, 37(3): 18-27.
[41] 冉桂花, 葛继稳, 苗文杰, 等. 三峡库区古夫河水质时空分异特征[J]. 生态学报, 2013, 33(17): 5385-5396.
Ran G H, Ge J W, Miao W J, et al. Spatial-temporal differentiation of water quality in Gufu River of Three Gorges Reservoir[J]. Acta Ecologica Sinica, 2013, 33(17): 5385-5396.
[42] 李春晖, 杨志峰. 黄河干流水体污染时空变化特征[J]. 水资源与水工程学报, 2004, 15(2): 10-14, 20.
Li C H, Yang Z F. Changes of water pollution in the main channels of the Yellow river[J]. Journal of Water Resources & Water Engineering, 2004, 15(2): 10-14, 20. DOI:10.3969/j.issn.1672-643X.2004.02.003
[43] 韩谞, 潘保柱, 陈越, 等. 黄河水环境特征与氮磷负荷时空分布[J]. 环境科学, 2021, 42(12): 5786-5795.
Han X, Pan B Z, Chen Y, et al. Characteristics of water environment and spatial-temporal distribution of nitrogen and phosphorus load in the Yellow River[J]. Environmental Science, 2021, 42(12): 5786-5795.
[44] Deng X G, Tian X M, Chen S, et al. Nonlinear process fault diagnosis based on serial principal component analysis[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(3): 560-572. DOI:10.1109/TNNLS.2016.2635111
[45] Jolliffe I T, Cadima J. Principal component analysis: a review and recent developments[J]. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 2016, 374(2065). DOI:10.1098/rsta.2015.0202
[46] 郝韶楠, 李叙勇, 江燕, 等. 水污染负荷优化分配模型研究进展[J]. 环境科学与技术, 2016, 39(1): 1-6, 52.
Hao S N, Li X Y, Jiang Y, et al. Review of waterwaste loads allocation model[J]. Environmental Science & Technology, 2016, 39(1): 1-6, 52.
[47] 刘鑫, 向伟, 司炳成. 汾河流域浅层地下水水化学和氢氧稳定同位素特征及其指示意义[J]. 环境科学, 2021, 42(4): 1739-1749.
Liu X, Xiang W, Si B C. Hydrochemical and isotopic characteristics in the shallow groundwater of the Fenhe River basin and indicative significance[J]. Environmental Science, 2021, 42(4): 1739-1749.
[48] Chai N P, Yi X, Xiao J, et al. Spatiotemporal variations, sources, water quality and health risk assessment of trace elements in the Fen River[J]. Science of the Total Environment, 2021, 757. DOI:10.1016/j.scitotenv.2020.143882
[49] Meng Z L, Yang Y G, Qin Z D, et al. Evaluating temporal and spatial variation in nitrogen sources along the lower reach of Fenhe River (Shanxi province, China) using stable isotope and hydrochemical tracers[J]. Water, 2018, 10(2). DOI:10.3390/w10020231
[50] 冯精兰, 席楠楠, 张飞, 等. 黄河河南段水体中正构烷烃的分布特征与来源解析[J]. 环境科学, 2016, 37(3): 893-899.
Feng J L, Xi N N, Zhang F, et al. Distribution characteristics and source apportionment of n-alkanes in water from Yellow River in Henan section[J]. Environmental Science, 2016, 37(3): 893-899.
[51] 白璐, 孙园园, 赵学涛, 等. 黄河流域水污染排放特征及污染集聚格局分析[J]. 环境科学研究, 2020, 33(12): 2683-2694.
Bai L, Sun Y Y, Zhao X T, et al. Discharge characteristics and pollution aggregation pattern of water pollution in Yellow River basin[J]. Research of Environmental Sciences, 2020, 33(12): 2683-2694.
[52] 宋天伟, 盛晓琳, 王家德, 等. 夏季高温下污水处理厂生物处理系统的硝化性能及强化方法[J]. 环境科学, 2019, 40(2): 768-773.
Song T W, Sheng X L, Wang J D, et al. Nitrification and bioaugmentation of biological treatment system of sewage treatment plant at high temperature in summer[J]. Environmental Science, 2019, 40(2): 768-773. DOI:10.3969/j.issn.1000-6923.2019.02.040
[53] 张学青, 夏星辉, 杨志峰. 黄河水体氨氮超标原因探讨[J]. 环境科学, 2007, 28(7): 1435-1441.
Zhang X Q, Xia X H, Yang Z F. Reasons of high concentration ammonium in Yellow River, China[J]. Environmental Science, 2007, 28(7): 1435-1441. DOI:10.3321/j.issn:0250-3301.2007.07.005
[54] 刘昔, 王智, 王学雷, 等. 我国典型区域地表水环境中抗生素污染现状及其生态风险评价[J]. 环境科学, 2019, 40(5): 2094-2100.
Liu X, Wang Z, Wang X L, et al. Status of antibiotic contamination and ecological risks assessment of several typical Chinese surface-water environments[J]. Environmental Science, 2019, 40(5): 2094-2100.
[55] 侯凯, 杨咪, 钱会, 等. 黄河宁夏段氨氮、总磷及化学需氧量环境背景值研究[J]. 灌溉排水学报, 2017, 36(8): 65-71.
Hou K, Yang M, Qian H, et al. The background values of ammonia-nitrogen, total phosphorus and COD of the mainstream of Yellow River within Ningxia province[J]. Journal of Irrigation and Drainage, 2017, 36(8): 65-71.