2025, Vol. 46
2. 中国科学院生态环境研究中心环境水质学国家重点实验室, 北京 100085;
3. 上海市政工程设计研究总院（集团）有限公司, 上海 200092;
4. 中国科学院大学, 北京 100049;
5. 长江水资源保护科学研究所, 武汉 430051
, CHEN Qian1,3 , XU Yan1
, ZHANG Mei-yi2,4 , XIN Xiao-kang5 , TANG Wen-zhong2,4 , ZHANG Hong2,4
2. State Key Laboratory of Environmental Aquatic Chemistry, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085, China;
3. Shanghai Municipal Engineering Design Institute (Group) Co., Ltd., Shanghai 200092, China;
4. University of Chinese Academy of Sciences, Beijing 100049, China;
5. Changjiang Water Resources Protection Institute, Wuhan 430051, China
近年来, 洞庭湖区面临着日益严重的面源污染问题[1 ~ 3], 其中磷污染是主要关注的环境污染问题之一[4].磷在农业和城市活动中被广泛使用, 但过量的磷排放到水体中会导致水体富营养化等一系列环境问题[4, 5].磷通量的准确估算可以为控制总磷负荷提供基础信息[6].在过去半个世纪, 大量分布式水文模型：SWAT（soil and water assessment tool）、HSPF（hydrological simulation program fortran）和AnnAGNPS（annualized agricultural non-point source pollutant loading model）等[7]被成功开发, 其中, SWAT模型因其强大的分析能力已经在不同规模和土地特征的流域中被广泛应用于营养盐负荷的预测[8].近20 a来, 陈铁等[9]应用SWAT模型量化广东省观澜河流域城市面源污染负荷；翟玥等[10]通过整合物理过程模拟及排污系数法计算, 构建了SWAT模型模拟云南洱海流域总氮负荷, 并分析了农业面源污染结构；焦锋等[11]耦合SWAT模型与马尔科夫链模型, 研究社会经济发展对江苏省小流域（西涧河）面源污染的影响.
机器学习, 特别是深度学习, 在环境科学领域近年来得到越来越多的应用.深度学习利用人工神经网络较好地处理非线性特征与复杂数据, 在保证准确性的同时降低了模型驱动数据的要求[12].其中, 长短期记忆（long short term memory, LSTM）网络作为一种时间序列模型由Hochreiter等[13]在1997年第一次提出, 该模型能够捕捉时间序列数据中的长期依赖关系, 且不会产生梯度爆炸或消失问题, 是当前水文建模领域最流行的神经网络模型[14]. Xiong等[14]建立了中国东南部沿海流域溶解性无机氮通量与浓度的LSTM模型, 且在多流域的应用中均保持了较高的准确性；Zhi等[15]通过美国地质调查局的CAMELS-Chem数据集探索了LSTM模型在河流溶解氧预测中的潜力；Ai等[16]利用LSTM回归模型预测伊利湖流域氮、太阳辐射、水位等时间变化趋势, 并结合随机森林分类模型短期预测赤藻.
然而, LSTM模型作为“黑箱模型”在可解释性方面备受争议.在数据模型泛化且其合理性、有效性难以理解的背景下, Karpatne等[17]提出理论指导与数据科学结合的混合模型, 旨在利用理论知识去增加数据模型的可解释性.本研究选取总磷（TP）为定类因子的洞庭湖区为研究对象, 综合应用SWAT模型和LSTM模型, 模拟洞庭湖区的磷输入通量, 并就农业控制、畜禽减排和水土保持措施这3种削减情景进行模拟预测, 这种综合应用策略可以提高磷输入过程模拟的准确性和高效性, 以期为了解磷输入通量时空格局、制定有效的磷减排措施和湖泊综合管理方案提供科学依据, 有助于洞庭湖区的水质提升和生态环境保护.
1 材料与方法 1.1 研究区域概况洞庭湖湖区（北纬28°30'~30°20', 东经110°40'~113°10'）位于长江中游荆江段以南, 是中国第二大淡水湖, 如图 1所示.由于泥沙淤积和水利设施等自然与人为作用, 湖区分为东、南、西这3个部分[18, 19].整个湖区属于亚热带季风气候, 季节特征交替明显, 年平均降水量为1 429 mm, 年平均气温约为15.6~17.5℃[20, 21].洞庭湖区水系包括四水水系（湘水、资水、沅水、澧水）、三口水系（松滋口、太平口、藕池口）和其他小型水系, 如汨罗江和新墙河等[22].洞庭湖区的土地利用以农田、林地和水体为主, 其中农田占地面积最大[23].洞庭湖地理条件优越, 生物资源丰富, 农业、林业和渔业蓬勃发展, 使其成为中国重要的商品粮食生产基地[24].不合理的开发和利用导致了洞庭湖近年来环境严重退化, 对长江流域的生态安全构成了重要威胁[25].“十三五”期间, 洞庭湖地表水水质始终处于Ⅳ类水标准, 定类因子为TP, 营养状态相对稳定, 保持在中营养状态[26], 农业面源和城镇生活污染是洞庭湖区氮磷污染的主要来源[27].
|
图 1 洞庭湖区区位概况 Fig. 1 Dongting Lake area location overview |
DEM数据来自地理空间数据云的ASTGTM_DEM 30 m分辨率数据；河网矢量数据通过Google earth添加路径功能制作；土地利用栅格数据来源于中国科学院资源环境科学与数据中心（http://www.resdc.cn）, 空间分辨率为1 000 m；土壤类型栅格数据来源于联合国粮食与农业组织（HWSD）提供的全球土壤数据库；水文数据（流量和输沙量）来源于《长江流域水文年鉴》；水质数据来源于国家地表水水质监测实时发布平台的逐日水质数据（https://szzdjc.cnemc.cn:8070/GJZ/Business/Publish/Main.html）；天气发生器使用CFSR世界天气库数据生成对应参数, 子流域的气象数据输入由距离该流域形心最近的气象站点提供.经济社会发展数据来自2008~2021年的《湖南省统计年鉴》《益阳市统计年鉴》《岳阳市统计年鉴》《常德市国民经济和社会发展统计公报》等, 包括人口密度、主要畜禽养殖量、化肥施用量和耕地面积等；农业生活污染源和畜禽养殖等TP排放量数据通过经验公式估算.
1.3 数据处理 1.3.1 磷输入过程的SWAT模型构建SWAT模型是一个过程水文模型, 可用于模拟流域内水文循环以及营养物质通量[28].磷输入过程的模拟基于SWAT模型中水文循环的陆地阶段[29], 即子流域内水流、泥沙和营养物等负荷输入到主河道的阶段[30]. SWAT模型利用数字河网矢量数据和DEM高程数据对子流域进行划分, 并在划分前设置入水口、出水口和点源.以水文响应单元为基本计算单元, 每个单元都是土地利用、土壤类型和坡度这3个变量的独特组合构成[31]. SWAT模拟基于水量平衡方程进行水文循环计算, 地表径流量Qsurf由修正的SCS（soil conservation service）曲线数法计算[32], 入河泥沙量sed通过MUSLE（modified universal soil loss equation）进行估测[33], 通过计算径流量和可溶性磷含量确定径流中的可溶性磷负荷量；通过计算泥沙侵蚀量、表层土有机磷含量（新生有机磷含量与腐殖质有机磷含量）和表层土无机磷含量（活性无机磷含量与稳定无机磷含量）确定入河泥沙挟带的有机磷和无机磷含量.其中, 径流中的可溶性磷含量、入河泥沙挟带的有机磷和入河泥沙挟带的无机磷含量可由公式（1）~（3）进行计算.
|
(1) |
|
(2) |
|
(3) |
式中, Psurf为随地表径流迁移的的可溶性磷量, kg·hm-2；Psolution，surf为表层土壤中的可溶性磷量, kg·hm-2；Qsurf为日地表径流量, mm；ρb为表层土壤的容重, g·m-3；dsurf为表层土壤厚度（默认10 mm）；kd, surf为磷的土壤分配系数, m3·g-1, 定义为表层土壤中可溶性P含量与地表径流中可溶性P含量的比值；sedPsurf为入河泥沙挟带的磷含量, kg·hm-2；concsedP为表层土壤中吸附的磷量, g·t-1；εP为磷的富集比, 定义为随泥沙迁移的P含量与土壤表层中P含量的比值；Ahru为水文响应单元的面积；sed为日产沙量, t；minPact, surf为表层土壤活性无机库中的磷含量, kg·hm-2；minPsta, surf为表层土壤稳定无机库中的磷含量, kg·hm-2；orgPhum, surf为表层土壤腐殖质有机库中的磷含量, kg·hm-2；orgPfrsh, surf为表层土壤新生有机库中的磷含量, kg·hm-2.
在本研究中, 湘潭、桃江、桃源、石门、新江口、沙道观、弥陀寺和藕池共8个水文站的径流量和泥沙量数据作为本模型的水和泥沙输入, 其数据概况如表 1所示.城镇污水处理厂的生活污水排放被视为点源输入, 根据城镇人口数和人均生活污水排放定额估算, 排放口设置在子流域的主河道上.子流域划分结果如图 1（b）所示.基于上述操作, 导入土地利用栅格与土壤数据栅格, 根据SWAT指定的字段进行土地利用与土壤类型的重分类.重分类后的土地利用形式和土壤类型分别有12种与10种, 具体结果如图 1（c）和图 1（d）以及表 2和表 3所示.
|
表 1 各水文站点的数据概况1） Table 1 Overview of data at hydrological stations |
|
|
表 2 洞庭湖区土地利用类型重分类结果 Table 2 Results of land use type reclassification in Dongting Lake area |
|
|
表 3 洞庭湖区土壤类型重分类结果 Table 3 Results of soil type reclassification in Dongting Lake area |
为了模拟洞庭湖区的磷输入过程, 使用率定后的SWAT模型, 并以2012~2021年的月平均数据作为时间步长进行模拟.模型的率定过程详见1.3.4节.读取SWAT模型输出文件中的output.sub文件和output.hru文件, 并提取子流域内的径流入河量、泥沙入河负荷和TP入河负荷作为计算磷输入过程相关因素的基础数据.其中, TP输入负荷包括溶解态磷、有机磷和吸附态磷负荷.通过皮尔逊相关性分析和统计方法, 对洞庭湖区内非点源磷通量的时间变化和空间分布特征进行描述和分析, 以探究磷通量输入过程的规律及其驱动因素.
1.3.2 磷输入过程的LSTM模型构建LSTM模型通过门单元实现对时间序列数据中长期依赖关系的搭建[35], 每个LSTM记忆单元内部包含3个Sigmoid激活函数与两个tanh激活函数, 其基本结构如图 2（a）所示.其中, 3个Sigmiod函数对应3个门单元：输入门（it）、遗忘门（ft）和输出门（ot）, 其返回值在0~1区间, 用以控制信息流出的比例；tanh函数返回值在-1~1区间, 用以控制信息的增减反向.LSTM记忆单元的处理过程如公式（4）~（11）.与简单RNN（recurrent neural network）模型相比, LSTM模型引入记忆状态c这一元素.本期记忆状态值ct由上期保留记忆状态值ct-1与本期新增记忆状态值
|
图 2 LSTM与混合模型过程原理 Fig. 2 Principles of LSTM and hybrid modeling process |
|
(4) |
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
|
(10) |
|
(11) |
本研究利用MATLAB 20201b中的深度网络设计器构建了磷输入过程的LSTM模型.为了模拟子流域
的磷输入过程, 尝试两种输入特征组合, 第一种采用多特征（降雨量、径流量、产沙量和化肥施加量）输入, 第二种采用单特征（降雨量）输入, 数据输入之前都经过Min-Max归一化处理.由于输入数据集为时间序列特征, 采用分层时间序列交叉验证确定模型超参数组合, 以提高模型的训练效果与泛化能力.
1.3.3 磷输入过程的混合模型构建及削减预测基于混合模型, 对水系区间尺度上的磷输入过程进行模拟, 模拟过程如图 2（b）所示.由于三口区间对洞庭湖区的TP贡献量较大, 在本研究中以三口区间为例构建混合模型.混合模型的构建方法如下：首先, 利用降雨量数据集与SWAT模型模拟产生的径流量、泥沙产量数据集训练LSTM模型, 以期LSTM网络能够学习到SWAT模型中关于径流产生的SCS曲线法和有关泥沙产生的MUSLE等过程, 以及子流域水文响应单元的相关信息.之后, 使用降雨量、化肥施加量、产流和产沙过程得到的模拟值预测区间内的TP入河负荷.
在磷削减情景模拟中, 利用训练好的混合模型评估NPS污染控制（限制施肥、畜禽减排和水土保持实施措施）对TP入河负荷的影响.农业化肥是NPS污染的重要来源, 降雨-径流事件会将施用在田间地表的化肥冲刷入水体造成污染[36].畜禽养殖造成的污染与有机肥过量投入有关, 主要是畜禽粪尿未经处理或简单处理排放到农田和水体中, 且其有效利用率低, 成为NPS污染的重要来源[37].裸地的产流率和产沙率较高, 导致土壤中的磷素损失量增加, 水土流失更容易导致磷素进入水体, 导致污染[38].水土保持的目的是保护和改善土壤和水资源, 防止土壤侵蚀等问题.常用的治理措施包括坡面治理、流域综合治理和区域协调[39].本研究假设施加到农业用地的化肥是折纯量的无机磷肥；假设对畜禽养殖污染的减排措施直接反映到有机肥的施加量上；假设水土保持措施实施会直接导致泥沙入河负荷减少.
1.3.4 模型评价标准及率定为评价模型的准确性和预测能力, 采用纳什系数（NSE）和决定系数（R2）、均方根误差（RMSE）和相对误差百分比（RPE）作为评价标准, 计算如公式（12）~（15）.
对于LSTM模型使用RMSE、NSE和RPE进行评价[15, 40]；对于SWAT的模型使用NSE和R2进行评价[30].
|
(12) |
|
(13) |
|
(14) |
|
(15) |
公式中, Qobst为t时刻的观测值；Qsimt为t时刻的模拟值；Qobs为观测值的平均值；Qsim为模拟值的平均值.
SWAT模型的率定使用SWAT-CUP软件中的SUFI-2算法进行.流量和泥沙量的率定使用伍市、南县、南咀、小河咀和七里山这5个站点的月平均观测数据进行, 其数据特征如表 1所示, 模拟时段为2008~2020年, 其中2008~2011年为率定期, 2012~2020年为验证期.对于TP负荷的率定, 由于实测数据的限制, 选取上游干流小河咀和下游支流八仙桥断面的2022年月平均观测数据进行率定.结果显示, 模拟月平均径流的NSE值> 0.65, R2均 > 0.80, 模拟月输沙量的结果除七里山站点外, NSE值> 0.55, R2均 > 0.60, 模拟月TP输出负荷的NSE值> 0.55, R2均 > 0.80.
2 结果与讨论 2.1 基于SWAT模型的磷输入过程的时空格局 2.1.1 洞庭湖区磷输入过程的时间格局在年际尺度上, 洞庭湖区的磷输入过程的变化及其驱动因素如图 3所示.根据SWAT模型模拟的结果, 洞庭湖区2012~2021的年TP入河总量平均值为3.9×104 t·a-1, 平均TP入河负荷约为14.4 kg·（hm2·a）-1.其中有机磷输入负荷为1.3 kg·（hm2·a）-1, 溶解态磷输入负荷为6.3 kg·（hm2·a）-1, 吸附态磷输入负荷为6.8 kg·（hm2·a）-1, 吸附态磷在TP中的占比为47.4%.相关性分析显示, TP入河负荷与洞庭湖产流、产沙负荷变化规律一致, TP入河负荷和径流入河量呈显著相关性（P < 0.05）, TP入河负荷与泥沙入河负荷呈极显著相关性（P < 0.01）, 结果表明了径流挟带和土壤侵蚀是磷输入的主要途径.
|
（a）径流入河量和TP入河负荷年际变化, （b）磷组分输入负荷, （c）径流入河量和TP入河负荷回归分析, （d）泥沙入河负荷和TP入河负荷回归分析 图 3 2012~2021年磷输入过程年际变化及其驱动因素分析 Fig. 3 Analysis of inter-annual variability in phosphorus inflow processes and their drivers from 2012 to 2021 |
在年内尺度上, 洞庭湖区的磷输入过程及磷组分的变化如图 4所示, 多年平均呈现明显的季节变化趋势, 即汛期负荷高, 非汛期负荷低. 4~8月的TP入河负荷占全年负荷的75.8%, 因此可认为汛期的TP入河负荷是全年TP入河负荷的主要贡献.降雨量和径流入河量的均值线变化态势与溶解态磷的变化态势相符, 泥沙入河负荷的均值线变化态势与吸附态磷和有机磷的变化态势相符.最终, TP入河负荷年内变化态势也与泥沙入河负荷的变化态势高度相符, 这与SWAT模型的计算原理一致.汛期出现较高的TP入河负荷, 不仅因为汛期径流量与泥沙量增加, 还可能是与汛期的季节特点有关, 即气温较高, 生物活动最活跃[41], 有机磷的矿化速度因植物生产需要加快[42], 导致溶解态磷和有机态磷的输入负荷增加.
|
（a）降雨量年内变化, （b）径流入河量年内变化, （c）泥沙入河负荷年内变化, （d）TP入河负荷年内变化, （e）吸附态和溶解态输入负荷年内变化, （f）有机态磷输入负荷年内变化 图 4 磷输入过程及磷组分年内变化 Fig. 4 Intra-annual variability of phosphorus inflow processes and phosphorus fractions |
洞庭湖区的多年平均TP入河负荷的空间分布及其驱动因素如图 5和表 4所示, TP入河量的空间分布如表 4所示.由于人类活动强度高, 流域的整体TP负荷处于较高水平, 多年平均产磷负荷 > 15 kg·hm-2的子流域所占面积为30.2%, > 9 kg·hm-2的子流域所占面积为72.3%, < 6 kg·hm-2的子流域所占面积为13.1%.根据相关性分析, 在子流域区间TP入河负荷与农业用地占比和径流入河量均呈极显著相关性（P < 0.01）.农业用地占比高, 植被覆盖减少, 将增加流域内产流产沙过程的发生[43], 不利于面源污染的控制[44].结果也说明农业用地是洞庭湖区贡献磷输入的主要土地利用类型.不同水系区间之中, TP入河负荷按大小排列为：湘江区间 > 三口区间 > 资水区间 > 澧水区间 > 新墙河流域 > 沅江区间 > 汨罗江流域 > 洞庭湖区间. TP入河量按大小排列为：三口区间 > 汨罗江流域 > 资水区间 > 新墙河流域 > 沅江区间 > 洞庭湖区间 > 澧水区间 > 湘江区间.其中三口区间占洞庭湖区内农用地面积的44.6%, 由于区间内TP入河负荷高再加上面积广大的特征, 贡献了洞庭湖区内48.1%的TP入河量, 是流域内NPS污染贡献最大的水系区间.此外, 虽然汨罗江流域和新墙河流域的TP入河负荷在洞庭湖区的水系区间中处于较低的水平, 但因为这两个流域的面积较大, 其TP入河量在洞庭湖区内的排序前置, 流域面积是TP入河量的不可忽略的因素.
|
（a）磷输入负荷空间分布, （b）磷输入负荷与农用地占比回归分析（c）磷输入负荷与径流入河量回归分析 图 5 磷输入负荷空间分布及其驱动因素分析 Fig. 5 Analysis of spatial distribution of phosphorus inflow load and its driving factors |
|
|
表 4 洞庭湖区各水系区间陆域磷输入负荷与质量信息 Table 4 Terrestrial phosphorus inflow loads and mass of river systems in the Dongting Lake area |
为更好地了解洞庭湖区磷输入通量的情况, 本文选择中国主要湖泊, 比较流域之间的入湖磷通量与本研究磷输入通量的关系, 如表 5所示.从年均磷通量和年均单位面积负荷的角度上分析, 洞庭湖区的磷输入通量及其输入负荷都最大, 表明了洞庭湖区受当地农业和畜禽业等人类活动影响较大, 单位面积土地对湖泊磷的贡献程度高, 磷污染较为严重；明确了洞庭湖区具有更好的产流产泥条件, 使陆域的磷进入水体, 从而对水生生物与生态系统造成严重危害, 洞庭湖区作为磷通量的研究对象具有实际意义.值得注意的是, 赵子豪等[45]估算的洞庭湖入湖磷通量为2.02×104 t·a-1, 这与本研究的结果相差较大, 主要原因在于研究对象的差异, 陆域磷输入通量是指地表径流对各入湖支流的磷输入通量, 而入湖磷通量是指入湖支流对湖区的磷输入通量, 且模型和数据集的选择上不同, 其研究选取经验公式进行计算, 数据来源于“四水”、“三口”的水文站点流量和的磷浓度数据, 除此之外, 本研究的时间与空间的尺度都更广泛, 本研究考虑了2012~2021年的时间跨度且包含了除“四水”、“三口”外汨罗江和新墙河等其他水系.但是, 与本研究相同, 赵子豪等[45]的研究也发现2013~2017年TP输入量呈先增长后降低的趋势, 且都强调了三口区间对洞庭湖磷输入的贡献率.
|
|
表 5 洞庭湖区磷输入通量与中国主要湖泊比较1） Table 5 Comparison of inflow phosphorus fluxes in Dongting Lake area with major lakes in China |
2.2 基于混合过程数据模型的磷输入过程研究 2.2.1 磷输入过程的LSTM模型模拟
使用搭建好的LSTM神经网络模型对磷输入过程进行模拟, 以三口区间、新墙河流域和汨罗河流域的无支流汇入的源头子流域为研究对象, 分别为4号、27号和68号子流域, 尽可能减少人为干扰和其他流域输入的影响, 使模型更专注于流域内部的自然过程和变化.根据两种输入特征组合, 以2012~2019年月均值作为时间步长, 前96个月作为训练集, 后24个月作为测试集.为评估训练效果, 每种方案进行了10次训练, 并取平均值计算RMSE和NSE值.各子流域TP输入过程测试集预测结果如图 6所示.在4号子流域, 单特征训练和多特征训练的效果几乎相同, 单特征训练在验证集上的表现甚至优于多特征训练.这表明4号子流域的TP输入过程对降雨的响应更为敏感, 而多特征训练反而导致了过拟合现象.在27号和60号子流域上, 多特征训练方案在训练集上表现更好, 具体体现在其较小的RMSE值和较高的NSE值.总的来说, LSTM模型在两种训练方案上的训练效果和预测性能都令人满意, 但是在多特征输入的条件下, LSTM网络能够建立较为准确地输入输出关系.
|
（a1）4号子流域单特征方案预测结果, （a2）4号子流域多特征方案预测结果, （b1）27号子流域单特征方案预测结果, （b2）27号子流域多特征方案预测结果, （c1）60号子流域单特征方案预测结果, （c2）60号子流域多特征方案预测结果 图 6 LSTM模型对各子流域TP输入过程测试集预测结果 Fig. 6 LSTM model prediction results for the test set of the TP inflow process in each sub-basin |
基于混合模型的模拟过程, 综合使用搭建完成的LSTM模型与SWAT模型对各水系区间进行模拟, 模拟结果如图 7所示.以TP入河量贡献最大的三口区间为例, 使用降雨量和SWAT模型输出的径流入河量与泥沙入河量进行训练, 预测结果显示预测值与目标值具有较高的吻合度, 图像偏差很小, 如图7（a）和7（b）所示.这体现在接近1的NSE值和较小的RMSE值.在使用上一步模型预测值（径流量-预测和泥沙量-预测）和观测值（降雨量和化肥施加量）共同作为输入特征的情况下, 模型对于TP入河负荷目标值的预测误差较小：RMSE值处于较低水平, 且RPE值均 < 10%, NSE值在各区间上的表现均 > 0.8, 甚至超过0.9.这表明在预测结果与目标值保持较高的一致性的同时, 也将误差控制在低水平.进一步说明了LSTM网络在研究区域内的适用性和较强的泛化能力, 使用降雨量对TP入河负荷的二级预测达到了比较精确的预测结果.
|
图 7 混合模型对三口区间磷过程的模拟预测结果 Fig. 7 Simulated prediction results of the hybrid model for the phosphorus process in the Sankou interval |
基于模拟预设的梯度, 以三口区间为例, 分别对农业控制、畜禽养殖和水土流失进行削减模拟, 结果如图 8所示.控制农业用肥使化肥削减量分别为20%、40%和60%时, 多年TP入河负荷平均削减比例分别为6.6%、9.9%和13.4%；畜禽减排达到有机肥削减量分别为20%、40%和60%时, 多年TP入河负荷平均削减比例分别为10.6%、19.2%和28.2%；由水土保持措施达到的泥沙削减量分别为20%、40%和60%时, 多年TP入河负荷平均削减比例分别为9.6%、21.1%和32.7%.在这3种模拟情景下, 通过水土保持措施实现的入河泥沙量削减对磷输入过程的削减相对更为有效.研究表明, 采取源头控制-过程拦截的生态修复措施对TP的削减高达53%[52]；在高降雨强度地区, 合理设置植被过滤带可将泥沙和磷的拦截率最高分别达到70%和49%[53].基于磷输入削减模拟结果, 并综合性考虑三口区间流域特点、控制成本等因素, 以水土保持措施为主, 减缓泥沙侵蚀, 同时重点关注畜禽养殖的NPS污染排放, 实施有机肥和化肥的减量措施, 尽可能避免雨前施肥.
|
图 8 基于混合模型的各削减情景对磷输入的影响 Fig. 8 Impact of each reduction scenario on phosphorus inflow based on hybrid modeling |
（1）洞庭湖区的磷输入过程与径流挟带、土壤侵蚀和肥料施用密切相关.在时间上, 洞庭湖区的TP入河总量平均值为3.9×104 t·a-1, 平均TP入河负荷约为14.4 kg·（hm2·a）-1, 呈现明显的季节变化, 汛期高, 非汛期低.在空间上, 洞庭湖区整体TP负荷较高, 其中三口区间的磷输入量最大, 每年平均为1.87×104 t.水系面积和农业用地面积是该区域磷输入的主要决定因素.
（2）在子流域尺度上, 多特征输入组合的LSTM模型对于磷输入过程的模拟效果好, NSE均 > 0.6.在水系区间尺度上, 基于磷输入过程的混合模型在三口区间表现出令人满意的结果, 模拟准确性高且误差低, NSE值均 > 0.8, RMSE值的RPE值均 < 10%.混合模型在理解磷输入过程方面具有可靠性, 同时降低了对数据特征的要求.
（3）在控制洞庭湖区磷输入过程时, 以三口区间为例, 入河泥沙量削减是最有效的磷减排方式.泥沙作为磷的主要载体是面源污染控制的主要目标, 同时还应着重实施畜禽减排措施, 三口区间作为磷输入量最大的水系区间应该着重警惕其磷风险.
| [1] |
杨芳, 杨盼, 卢路, 等. 基于主成分分析法的洞庭湖水质评价[J]. 人民长江, 2019, 50(S2): 42-45, 58. Yang F, Yang P, Lu L, et al. Water quality assessment of Dongting Lake based on principal component analysis[J]. Yangtze River, 2019, 50(S2): 42-45, 58. |
| [2] |
胡光伟, 冯海丽, 马逸岚, 等. 洞庭湖流域氮磷污染风险评价与时空分布特征[J]. 长江流域资源与环境, 2023, 32(1): 162-171. Hu G W, Feng H L, Ma Y L, et al. Risk assessment and spatial-temporal distribution characteristics of nitrogen and phosphorus pollution in Dongting Lake basin[J]. Resources and Environment in the Yangtze Basin, 2023, 32(1): 162-171. |
| [3] | Geng M M, Wang K L, Yang N, et al. Spatiotemporal water quality variations and their relationship with hydrological conditions in Dongting Lake after the operation of the Three Gorges Dam, China[J]. Journal of Cleaner Production, 2021, 283. DOI:10.1016/j.jclepro.2020.124644 |
| [4] |
李莹杰, 王丽婧, 李虹, 等. 不同水期洞庭湖水体中磷分布特征及影响因素[J]. 环境科学, 2019, 40(5): 2170-2177. Li Y J, Wang L J, Li H, et al. Distribution characteristics and influencing factors of phosphorus in the Dongting Lake at different water periods[J]. Environmental Science, 2019, 40(5): 2170-2177. DOI:10.3969/j.issn.1000-6923.2019.05.046 |
| [5] | Cheng Y X, Jiao L X, Cheng Q L, et al. The evolution of a typical plateau lake from macrophyte to algae leads to the imbalance of nutrient retention[J]. Water Research, 2023, 236. DOI:10.1016/j.watres.2023.119937 |
| [6] |
娄保锋, 邱光胜. 嘉陵江总磷通量变化及空间来源解析(2002~2019)[J/OL]. 中国环境科学, 1-11. https://doi.org/10.19674/j.cnki.issn1000-6923.20231127.018. Lou B F, Qiu G S. Variation of TP flux in Jialingjiang River and spatial source apportionment[J/OL]. China Environmental Science, 1-11. https://doi.org/10.19674/j.cnki.issn1000-6923.20231127.018. |
| [7] | Dao T H. Modeling phosphorus in the environment: edited by D. E. Radcliffe and M. L. Cabrera[J]. Soil Science Society of America Journal, 2008, 72(1): 278. DOI:10.2136/sssaj2007.0025br |
| [8] |
欧阳威, 蔡冠清, 黄浩波, 等. 小流域农业面源氮污染时空特征及与土壤呼吸硝化关系分析[J]. 环境科学, 2014, 35(6): 2411-2418. Ouyang W, Cai G Q, Huang H B, et al. Temporal-spatial distribution of agricultural diffuse nitrogen pollution and relationship with soil respiration and nitrification[J]. Environmental Science, 2014, 35(6): 2411-2418. DOI:10.13227/j.hjkx.2014.06.050 |
| [9] |
陈铁, 孙飞云, 杨淑芳, 等. 基于SWAT模型的观澜河流域城市面源污染负荷量化及影响效应评估[J]. 环境工程学报, 2020, 14(10): 2866-2875. Chen T, Sun F Y, Yang S F, et al. Load quantification and effect evaluation of urban non-point source pollution in the Guanlan River basin based on SWAT model[J]. Chinese Journal of Environmental Engineering, 2020, 14(10): 2866-2875. DOI:10.12030/j.cjee.201911108 |
| [10] |
翟玥, 尚晓, 沈剑, 等. SWAT模型在洱海流域面源污染评价中的应用[J]. 环境科学研究, 2012, 25(6): 666-671. Zhai Y, Shang X, Shen J, et al. Application of SWAT model in agricultural non-point source pollution investigation in Lake Erhai watershed[J]. Research of Environmental Sciences, 2012, 25(6): 666-671. |
| [11] |
焦锋, 秦伯强, 黄文钰. 小流域水环境管理——以宜兴湖滏镇为例[J]. 中国环境科学, 2003, 23(2): 220-224. Jiao F, Qin B Q, Huang W Y. Management of water environment in small watershed with Hufu town of Yixing city as example[J]. China Environmental Science, 2003, 23(2): 220-224. DOI:10.3321/j.issn:1000-6923.2003.02.025 |
| [12] | Shen C P. A transdisciplinary Review of deep learning research and its relevance for water resources scientists[J]. Water Resources Research, 2018, 54(11): 8558-8593. DOI:10.1029/2018WR022643 |
| [13] | Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780. DOI:10.1162/neco.1997.9.8.1735 |
| [14] | Xiong R, Zheng Y, Chen N W, et al. Predicting dynamic riverine nitrogen export in unmonitored watersheds: leveraging insights of AI from data-rich regions[J]. Environmental Science & Technology, 2022, 56(14): 10530-10542. |
| [15] | Zhi W, Feng D P, Tsai W P, et al. From hydrometeorology to river water quality: can a deep learning model predict dissolved oxygen at the continental scale?[J]. Environmental Science & Technology, 2021, 55(4): 2357-2368. |
| [16] | Ai H P, Zhang K, Sun J C, et al. Short-term Lake Erie algal bloom prediction by classification and regression models[J]. Water Research, 2023, 232. DOI:10.1016/j.watres.2023.119710 |
| [17] | Karpatne A, Atluri G, Faghmous J H, et al. Theory-guided data science: a new paradigm for scientific discovery from data[J]. IEEE Transactions on Knowledge and Data Engineering, 2017, 29(10): 2318-2331. DOI:10.1109/TKDE.2017.2720168 |
| [18] |
卢宏玮, 曾光明, 谢更新, 等. 洞庭湖流域区域生态风险评价[J]. 生态学报, 2003, 23(12): 2520-2530. Lu H W, Zeng G M, Xie G X, et al. The regional ecological risk assessment of the Dongting Lake watershed[J]. Acta Ecologica Sinica, 2003, 23(12): 2520-2530. DOI:10.3321/j.issn:1000-0933.2003.12.003 |
| [19] |
祝云龙, 姜加虎, 孙占东, 等. 洞庭湖沉积物中重金属污染特征与评价[J]. 湖泊科学, 2008, 20(4): 477-485. Zhu Y L, Jiang J H, Sun Z D, et al. Character and assessment of heavy metals in the sediments from Lake Dongting[J]. Journal of Lake Sciences, 2008, 20(4): 477-485. DOI:10.3321/j.issn:1003-5427.2008.04.011 |
| [20] | Yuan B D, Fu L N, Zou Y A, et al. Spatiotemporal change detection of ecological quality and the associated affecting factors in Dongting Lake basin, based on RSEI[J]. Journal of Cleaner Production, 2021, 302. DOI:10.1016/j.jclepro.2021.126995 |
| [21] |
黎鹏, 李辉. 基于多源卫星测高数据的洞庭湖流域2003—2017年湖泊水位变化监测[J]. 地球科学, 2020, 45(6): 1956-1966. Li P, Li H. Monitoring lake level variations in Dongting Lake basin over 2003-2017 using multi-mission satellite altimetry data[J]. Earth Science, 2020, 45(6): 1956-1966. |
| [22] |
黄草, 陈叶华, 李志威, 等. 洞庭湖区水系格局及连通性优化[J]. 水科学进展, 2019, 30(5): 661-672. Huang C, Chen Y H, Li Z W, et al. Optimization of water system pattern and connectivity in the Dongting Lake area[J]. Advances in Water Science, 2019, 30(5): 661-672. |
| [23] |
邓楚雄, 钟小龙, 谢炳庚, 等. 洞庭湖区土地生态系统的服务价值时空变化[J]. 地理研究, 2019, 38(4): 844-855. Deng C X, Zhong X L, Xie B G, et al. Spatial and temporal changes of land ecosystem service value in Dongting Lake area in 1995-2015[J]. Geographical Research, 2019, 38(4): 844-855. |
| [24] | Li J H, Xie B G, Gao C, et al. Impacts of natural and human factors on water-related ecosystem services in the Dongting Lake basin[J]. Journal of Cleaner Production, 2022, 370. DOI:10.1016/j.jclepro.2022.133400 |
| [25] | Wang L X, Li Z W, Wang D Y, et al. Unbalanced social-ecological development within the Dongting Lake basin: inspiration from evaluation of ecological restoration projects[J]. Journal of Cleaner Production, 2021, 315. DOI:10.1016/j.jclepro.2021.128161 |
| [26] |
赵晏慧, 李韬, 黄波, 等. 2016—2020年长江中游典型湖泊水质和富营养化演变特征及其驱动因素[J]. 湖泊科学, 2022, 34(5): 1441-1451. Zhao Y H, Li T, Huang B, et al. Evolution characteristics and driving factors of water quality and eutrophication of typical lakes in the middle reaches of the Yangtze River from 2016 to 2020[J]. Journal of Lake Sciences, 2022, 34(5): 1441-1451. |
| [27] |
秦迪岚, 罗岳平, 黄哲, 等. 洞庭湖水环境污染状况与来源分析[J]. 环境科学与技术, 2012, 35(8): 193-198. Qin D L, Luo Y P, Huang Z, et al. Pollution status and source analysis of water environment in Dongting Lake[J]. Environmental Science & Technology, 2012, 35(8): 193-198. |
| [28] | Arnold J G, Srinivasan R, Muttiah R S, et al. Large area hydrologic modeling and assessment part Ⅰ: model development[J]. Journal of the American Water Resources Association, 1998, 34(1): 73-89. DOI:10.1111/j.1752-1688.1998.tb05961.x |
| [29] | Yuan Y P, Chiang L C. Sensitivity analysis of SWAT nitrogen simulations with and without in-stream processes[J]. Archives of Agronomy and Soil Science, 2015, 61(7): 969-987. DOI:10.1080/03650340.2014.965694 |
| [30] |
李文超, 翟丽梅, 刘宏斌, 等. 流域磷素面源污染产生与输移空间分异特征[J]. 中国环境科学, 2017, 37(2): 711-719. Li W C, Zhai L M, Liu H B, et al. Contrasting spatial distribution of the emission and export of phosphorus loss from a typical watershed in Yunnan Plateau Lakes Area[J]. China Environmental Science, 2017, 37(2): 711-719. |
| [31] |
高晓曦, 左德鹏, 马广文, 等. 降水空间异质性对非点源关键源区识别面积变化的影响[J]. 环境科学, 2020, 41(10): 4564-4571. Gao X X, Zuo D P, Ma G W, et al. Impact of spatial heterogeneity of precipitation on the area change in critical source area of non-point sources pollution[J]. Environmental Science, 2020, 41(10): 4564-4571. DOI:10.13227/j.hjkx.202002036 |
| [32] | United States Soil Conservation Service. SCS national engineering handbook. Section4. Hydrology[M]. Washington: U.S. Dept. of Agriculture, Soil Conservation Service, 1972. |
| [33] | Williams J R. Sediment routing for agricultural watersheds[J]. Journal of the American Water Resources Association, 1975, 11(5): 965-974. DOI:10.1111/j.1752-1688.1975.tb01817.x |
| [34] |
李景保, 钟一苇, 周永强, 等. 三峡水库运行对洞庭湖北部地区水资源开发利用的影响[J]. 自然资源学报, 2013, 28(9): 1583-1593. Li J B, Zhong Y W, Zhou Y Q, et al. Impacts of the operation of Three Gorges Reservoir on the development and utilization of water resources of northern Dongting Lake area[J]. Journal of Natural Resources, 2013, 28(9): 1583-1593. |
| [35] | Yu Y, Si X S, Hu C H, et al. A review of recurrent neural networks: LSTM cells and network architectures[J]. Neural Computation, 2019, 31(7): 1235-1270. DOI:10.1162/neco_a_01199 |
| [36] |
孙铖, 周华真, 陈磊, 等. 农田化肥氮磷地表径流污染风险评估[J]. 农业环境科学学报, 2017, 36(7): 1266-1273. Sun C, Zhou H Z, Chen L, et al. The pollution risk assessment of nitrogen and phosphorus loss in surface runoff from farmland fertilizer[J]. Journal of Agro-Environment Science, 2017, 36(7): 1266-1273. |
| [37] |
武淑霞, 刘宏斌, 黄宏坤, 等. 我国畜禽养殖粪污产生量及其资源化分析[J]. 中国工程科学, 2018, 20(5): 103-111. Wu S X, Liu H B, Huang H K, et al. Analysis on the amount and utilization of manure in livestock and poultry breeding in China[J]. Strategic Study of Chinese Academy of Engineering, 2018, 20(5): 103-111. |
| [38] |
王帅兵, 王克勤, 李秋芳, 等. 植草带对红壤坡耕地面源污染物输出的削减效果[J]. 水土保持通报, 2013, 33(1): 1-7. Wang S B, Wang K Q, Li Q F, et al. Reduction effects of grass planting belt on non-point source pollutants from cropland in red soil sloping area[J]. Bulletin of Soil and Water Conservation, 2013, 33(1): 1-7. |
| [39] |
史志华, 王玲, 刘前进, 等. 土壤侵蚀: 从综合治理到生态调控[J]. 中国科学院院刊, 2018, 33(2): 198-205. Shi Z H, Wang L, Liu Q J, et al. Soil erosion: from comprehensive control to ecological regulation[J]. Bulletin of Chinese Academy of Sciences, 2018, 33(2): 198-205. |
| [40] | Om K, Boukoros S, Nugaliyadde A, et al. Modelling email traffic workloads with RNN and LSTM models[J]. Human-Centric Computing and Information Sciences, 2020, 10(1). DOI:10.1186/s13673-020-00242-w |
| [41] |
金相灿, 姜霞, 徐玉慧, 等. 太湖东北部沉积物可溶性氮、磷的季节性变化[J]. 中国环境科学, 2006, 26(4): 409-413. Jin X C, Jiang X, Xu Y H, et al. Seansonal variation of dissolved nitrogen and phosphorus in sediments in Northeast part of Lake Taihu[J]. China Environmental Science, 2006, 26(4): 409-413. |
| [42] |
秦胜金, 刘景双, 王国平, 等. 三江平原湿地土壤磷形态转化动态[J]. 生态学报, 2007, 27(9): 3844-3851. Qin S J, Liu J S, Wang G P, et al. Seasonal changes of soil phosphorus fractions under Calamagrostis angustifolia wetlands in Sanjiang Plain, China[J]. Acta Ecologica Sinica, 2007, 27(9): 3844-3851. |
| [43] |
赵清贺, 冀晓玉, 徐珊珊, 等. 河岸植被对坡面径流侵蚀产沙的阻控效果[J]. 农业工程学报, 2018, 34(13): 170-178. Zhao Q H, Ji X Y, Xu S S, et al. Inhibiting effect of riparian vegetation on erosion and sediment yield of slope runoff[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 170-178. |
| [44] |
苏孟白, 王克勤, 宋娅丽, 等. 退耕还林措施对滇中尖山河坡地氮磷流失的削减效应[J]. 水土保持研究, 2023, 30(3): 154-162. Su M B, Wang K Q, Song Y L, et al. Reduction effect of returning farmland to forest on the losses of nitrogen and phosphorus on the slope of the Jianshan River in Central Yunnan[J]. Research of Soil and Water Conservation, 2023, 30(3): 154-162. |
| [45] |
赵子豪, 袁静, 田泽斌, 等. 洞庭湖出入湖氮磷通量特征及滞留效应研究[J]. 水资源与水工程学报, 2023, 34(3): 74-82. Zhao Z H, Yuan J, Tian Z B, et al. Characteristics analysis and retention effect of phosphorus and nitrogen fluxes in Dongting Lake[J]. Journal of Water Resources and Water Engineering, 2023, 34(3): 74-82. |
| [46] |
吴东少, 曹敏, 段仲昭, 等. 2001—2018年滇池总磷出入湖通量变化与源汇效应[J]. 湖泊科学, 2023, 35(4): 1306-1319. Wu D S, Cao M, Duan Z Z, et al. The variation and source-sink effect of total phosphorus flux input and output of Lake Dianchi during 2001-2018[J]. Journal of Lake Sciences, 2023, 35(4): 1306-1319. |
| [47] |
贾娟娟. 鄱阳湖流域主要河道入湖污染物通量研究[D]. 南昌: 南昌大学, 2017. Jia J J. The study on the pollutant of flux of lake inflow in Poyang Lake basin[D]. Nanchang: Nanchang University, 2017. |
| [48] |
朱伟, 吕艺, 薛宗璞, 等. 2020年太湖流域洪水及太湖总磷变化趋势分析[J]. 水资源保护, 2023, 39(6): 16-22. Zhu W, Lyu Y, Xue Z P, et al. Analysis of Taihu Lake basin flood in 2020 and total phosphorus change trend in Taihu Lake[J]. Water Resources Protection, 2023, 39(6): 16-22. |
| [49] |
李卫平, 陈阿辉, 于玲红, 等. 呼伦湖主要入湖河流克鲁伦河丰水期污染物通量(2010—2014)[J]. 湖泊科学, 2016, 28(2): 281-286. Li W P, Chen A H, Yu L H, et al. Pollutant influx from the main river (Kherlen River) of Lake Hulun in Wet Seasons, 2010-2014[J]. Journal of Lake Sciences, 2016, 28(2): 281-286. |
| [50] |
金潇. 基于土地利用变化的巢湖流域(合肥市)非点源磷污染负荷研究[D]. 合肥: 合肥工业大学, 2012. Jin X. Study on non-point source phosphorus pollution based on land use change in Chaohu watershed (Hefei)[D]. Hefei: Hefei University of Technology, 2012. |
| [51] |
杨超. 阳澄西湖外源污染通量及污染物渔业利用技术研究[D]. 苏州: 苏州大学, 2013. Yang C. Study on exogenous pollutants flux in West Yangcheng Lake and pollutants fisheries utilization technology[D]. Suzhou: Soochow University, 2013. |
| [52] |
张耀方, 常国梁, 叶芝菡, 等. 基于磷负荷削减的沙河水库流域生态修复措施配置研究[J]. 水土保持学报, 2021, 35(6): 302-309. Zhang Y F, Chang G L, Ye Z H, et al. Study on ecological management measures of reducing phosphorus load in Shahe Reservoir basin[J]. Journal of Soil and Water Conservation, 2021, 35(6): 302-309. |
| [53] |
陈旭飞, 刘通, 程炯, 等. 华南地区草被过滤带对菜地径流、泥沙和磷阻控效果及影响因素[J]. 水土保持研究, 2019, 26(2): 377-383. Chen X F, Liu T, Cheng J, et al. Effect of grass filter strips on runoff, sediment and phosphorus from vegetable field and influence factors under simulated experiment in southern China[J]. Research of Soil and Water Conservation, 2019, 26(2): 377-383. |