2025, Vol. 46
2. 北京市水科学技术研究院, 北京 100048;
3. 中国建筑股份有限公司, 北京 100029;
4. 中国水利水电科学研究院, 北京 100048
, HUA Zheng-shi3 , LIU Hui-bo4 , XUE Wan-lai2 , LI Wen-zhong2 , LIU Xiao-dan2 , WANG Dong-mei1
2. Beijing Water Science and Technology Institute, Beijing 100048, China;
3. China State Construction Engineering Corporation Limited, Beijing 100029, China;
4. China Institute of Water Resources and Hydropower Research, Beijing 100048, China
水是生命之源, 土是生存之本, 水土资源是人类赖以生存和发展的基础性资源. 近年来, 随着社会和经济的发展, 河流水污染和水环境问题愈发凸显[1], 水污染作为全球性问题, 引起广泛关注. 景观类型组成、空间结构将直接影响流域生态-水文循环过程, 间接影响污染物迁移转化的过程[2]. 随着工业化和城市化的快速发展, 日益严重的水污染问题对人类的健康、生态环境以及经济的可持续发展构成了严重威胁[3].
密云水库水生态状况持续保持健康水平, 水质稳定在地表水Ⅱ类标准（总氮不参评）, 水源保护工作成效显著, 但入境总氮浓度呈波动上升趋势, 引起各级领导和相关部门的重视, 土地利用在自然演替过程中, 原有的景观格局呈现出分散、多元化的趋势[4], 对流域生态安全构成了严重威胁[5], 进而引发一系列环境问题. 近年来, 国内外学者对密云水库流域相关研究主要体现在通过模型模拟手段和统计分析方法对径流和污染物负荷进行研究. Xu等[6]以密云水库上游区域为例, 提出了基于土地利用数量与强度的综合方法, 构建了新的土地利用指标, 并检验了其对水质的解释力. Gao等[7]研究了南水北调工程来水前后密云水库河岸土壤金属污染对水质的潜在生态风险. Zhang等[8]选取密云水库周边4个流域作为研究区, 采用综合水系统模型（hydrological, ecological, and water quality model, HEQM）获得了扩散组分, 开展了营养物质的弥漫性营养损失研究. Bao等[9]考虑气候变化和人类活动的影响, 利用NCAR-CCSM3输出的可变渗透能力模型（variable infiltration capacity, VIC）估算了2010~2099年密云水库流域在不同情景下的水文特征. Liang等[10]采用环境流体动力学规范（environmental fluid dynamics code, EFDC）建立计算平台, 通过污染物和水质的相关计算, 得到了允许污染物负荷范围. Wang等[11]通过分析密云水库两条入库河流的流量和TN、TP浓度的联合分布, 确定了流量和TN、TP浓度的优先管理区间, 提出以定量管理间隔为基础结合分析法是水库来水综合风险管理的一种直观有效的方法. 林青慧[12]分析了近年来流域的水文气象和土地利用等数据, 全面构建流域基础信息数据库并结合分布式模型对流域非点源污染时间变化和空间分布情况进行了深入分析. 张微微等[13]基于密云水库上游北京境内白河段9个监测断面的水质数据, 利用多元统计分析方法分析不同空间尺度（100、200、300、500和1 000 m）河岸带缓冲区土地利用景观格局特征与水质TN和TP的关联性, 识别水质对景观特征响应的最佳缓冲区尺度. 郭军庭[14]等采用情景法与SWAT模型分析了密云水库流域土地利用和气候变化等对流域径流变化的影响. Tang等[15]基于地貌学的非点源污染（geomorphology-based nonpoint source pollution model, GBNP）模型, 将降雨径流、土壤侵蚀、沉积物路径和污染物运输过程联系起来计算污染源时空变化. 以上研究均为密云水库流域水源保护提供了科学依据, 但仍需进一步挖掘水化学影响因素主要成分以及各类影响因子对河流水质的空间分异[16]影响, 因此系统开展水化学分析评价, 探析水污染驱动因子[17]并提出治理对策, 是开展水质调控和流域治理重要前提和依据, 也是保障北京市饮水源安全和流域可持续发展的重要前提.
1 材料与方法 1.1 研究区域概况研究区域属潮白河流域, 位于华北平原北部, 总面积1.58万km2, 其中78%面积在河北省、22%面积在北京市, 涉及8个区县, 流域内主要有潮河、白河、汤河、天河、安达木河和黑河等河流, 其中潮河和白河为主要河流. 根据水文地形等特点, 可将流域进一步细化分为潮河流域和白河流域. 潮河干流长253 km, 源头位于丰宁满族自治县黄旗镇潮河源村, 经过丰宁县、滦平县部分地区汇入北京市密云水库. 潮河流域占地5 548.6 km2, 其中北京境内占地813 km2, 河北省则占地4 735.6 km2. 白河干流长226.9 km, 起源于沽源县的九龙泉, 穿越赤城县、北京市延庆区、怀柔区和密云区, 最终汇入密云水库. 白河流域占地9 906.4 km2, 其中北京占地2 699 km2, 河北省占地7 207.4 km2. 密云水库流域总人口183.5万人, 其中北京市涉及延庆、怀柔和密云这3个区、22个乡镇, 总人口25万人, 河北省涉及张家口市沽源和赤城县, 承德市丰宁、兴隆和滦平这5个县共计99个乡镇, 总人口158.5万人. 密云水库流域作为生态涵养区, 依托其独特的生态资源, 积极发展生态旅游和绿色产业, 带动了当地经济的持续增长. 地理区位详见图 1.
|
图 1 研究区位置示意 Fig. 1 Location of the study area |
北方河流在受到气候、地形以及人类活动等多重因素的影响下, 在旱季面临水量大幅减少的情况下容易出现断流现象. 研究区域部分河段也呈现季节性有水的现状, 汛期降雨量充足能够有效保障河流的持续有水状态, 更能真实体现其自然状态, 也便于开展实验研究. 为研究密云水库流域地表水和地下水的离子成分及其污染源, 于2021年7月和8月汛期共采集了55个样品, 其中地表水（S1~S39）样品39个, 地下水（G1~G16）样品16个. 地表水样本采集自主要河流和支流, 地下水样本采集自河流周围1 km范围内的家庭水井, 采样点的布设主要考虑研究区域汇水关系、水文节律特征、行政边界完整性和采样点可达性等有关因素. 为避免收集到积水影响分析结果, 采样前从井中抽取地下水5 min后再取样测试, 以确保数据准确性. 使用预先校准的手持式多参数计（YSI ProDSS）直接在野外现场测定pH、溶解氧（DO）、氧化还原电位（ORP）、总溶解固体（TDS）、温度（T）和电导率（EC）等参数, 待EC值稳定后, 将所有样品装入1 000 mL聚乙烯塑料瓶中. 收集后, 用0.45 μm过滤器过滤样品, 4℃保存, 进行水化学分析. 使用离子色谱仪（ICS-2100）进行精准测定, 获取样品中阴离子（NO3-、SO42-和Cl-）含量, 借助电感耦合等离子体发射光谱仪（iCAP6300）测定样品中阳离子（Na+、K+、Ca2+和Mg2+）含量, 水质指标（NH4+-N、NO3--N、TN和TP）采用紫外分光光度计（UV1900）测定, HCO3-采用酸碱指示剂滴定法测定[18]. 上述样品均在北京市科学技术研究院分析测试研究所的实验室中完成了全面的分析测试工作.
1.3 研究方法 1.3.1 水质评价方法（1）单因子评价法 单因子评价法[19]是我国水质评价领域广泛采取的方法之一, 也是水环境质量标准中指定的评判手段, 具有广泛的应用和较高的认可度. 其判断方法为将实际所测水质参数浓度与评价标准浓度进行对比, 来判断所测水质的类别, 在所测指标中, 以最差的水质类别作为整体水质评价的结果. 单因子评价易于操作, 但往往评价结果较为严格和片面, 易因一些指标超标而整体判定水质较差. 我国采用的判断标准为《地表水环境质量标准》（GB 338-2002）, 水质参数标准限值见表 1.
|
表 1 地表水环境质量标准限值/mg·L-1 Table 1 Surface water environmental quality standard/mg·L-1 |
（2）内梅罗污染指数法 内梅罗指数[20]是一种计权型多因子环境质量指数, 兼顾单因子污染指数的平均值和最高值, 可以突出污染较重的污染物的作用. 根据相应计算, 对水质污染程度进行分级, 以此反映水质整体污染状况, 分级标准见表 2, 计算公式及如下：
|
(1) |
|
(2) |
|
(3) |
|
|
表 2 内梅罗污染指数分级标准 Table 2 Classification standard of Nemerow pollution index |
式中, Ci表示第i类水质指标的实际测量浓度；Si表示第i类水质指标的标准限值；P表示Pi的平均值；Pimax表示第i类水质指标单项评价值Pi的最大值；其中N表示第i个水质指标采样个数, n表示水质指标总数, DO指标因其值越小反映水质越差, 参照金士博[21]提出的方法进行修正.
1.3.2 地理探测器地理探测器是一种专用于探测空间分异性并揭示其深层驱动力的统计方法, 基于如果某一自变量对因变量产生显著影响[22], 则其空间分布模式应当呈现一定的相似性的假设[23]. 地理探测器功能丰富, 可以完成4个方面的探测：因子探测、交互探测、生态探测和风险探测[24], 在本研究中, 选择因子探测器和交互探测器来确定流域层面对河流水质影响的主导因素[25], 探测因子选择详见表 3.
|
|
表 3 因子探测器指标类型 Table 3 Factor detector indicator type |
（1）因子探测器 因子探测器用于检测因变量因子的空间异质性以及自变量如何解释因变量的空间格局[26]. q值用来表示自变量因子对因变量因子的解释力, 计算公式如下：
|
(4) |
式中, h表示1, 2, …, L表示自变量和因变量的分层, 在本研究中可以理解为河流水质和所选取的探测因子指标的分类分级, Nh和N分别表示分层h和全流域的单元数, σh2和σ2分别表示层h和全流域水质因子的方差. q的变化范围为0~1, q值越大说明因子解释力越强, 河流水质的空间分异性也越明显[27].
（2）交互探测器 交互探测器是检测两个不同因素之间的交互作用, 通过比较单一q值和组合q值识别两种因子的作用方向和作用程度[28], 交互作用结果包括非线性减弱、单因子非线性减弱、双因子增强、独立和非线性增强, 判断依据详见表 4.
|
|
表 4 交互探测作用判断 Table 4 Interactive detection judgment |
1.4 数据获取与统计分析
本研究使用IBM SPSS Statistics 19软件, 通过Kolmogorov-Smirnov和Shapiro-Wilk方法, 对各项数据进行正态性检验, 选择Pearson相关系数进行显著性检验[29], 采用主成分分析（PCA）方法, 从水化学离子数据中提取关键信息识别主要的影响因子；借助ArcGIS 10.7软件, 将全流域划分成3 km×3 km渔网, 通过Kriging插值将水质数据均匀空间离散化值[30], 按照自然断点法将降雨、蒸散发、高程、坡度、GDP和到河流距离等驱动因子进行重分类, 分为0~9共计10类, 使用空间统计分析计算每个渔网的水质数值和驱动因子的重分类值；采用GeoDetector进行地理探测分析, 计算各驱动因子对水质的解释力；研究利用Excel 2016和Origin 2022软件完成数据的可视化工作, 通过图、表直观地展示研究分析成果. 驱动因子空间分布见图 2, 数据来源见表 5.
|
图 2 驱动因子空间分布 Fig. 2 Spatial distribution of driving factors |
|
|
表 5 数据来源 Table 5 Data source |
2 结果与分析 2.1 水化学特征 2.1.1 地表水化学特征
地表水水化学成分统计见表 6. 地表水pH值在7.19~8.44之间波动, 平均值为7.88, 表明研究区地表水总体呈弱碱性[31]. 地表水温度（T）在10.50~27.40℃之间波动, 平均温度为20.37℃. DO是衡量水质的重要指标, 当ρ（DO） > 2.00 mg·L-1时不利于硝化反应发生, 同时DO值与水温密切相关, 可作为有机污染和自净化程度的间接指标, 地表水ρ（DO）在2.08~9.77 mg·L-1之间波动, 平均值为7.66 mg·L-1, 均大于2.00 mg·L-1, 说明地表水中不易发生硝化反应. EC值反映了水体中总溶解离子含量, 地表水EC值变化范围为144.9~777.00 μS·cm-1, 平均值为421.94 μS·cm-1. TDS值反映水中溶解固体的含量, 地表水的ρ（TDS）为118~585 mg·L-1, 平均值为299.05 mg·L-1, 因采样时间为汛期, 频繁降雨导致地表水中溶解固体相对较多. 地表水中主要离子含量丰富, 其中ρ（K+）在1.11~12.70 mg·L-1之间波动, 平均值为3.35 mg·L-1, ρ（Na+）在4.47~67.80 mg·L-1之间波动, 平均值为14.20 mg·L-1, ρ（Ca2+）在4.47~67.80 mg·L-1之间波动, 平均值为14.20 mg·L-1, ρ（Mg2+）在3.23~22.80 mg·L-1之间波动, 平均值为10.73 mg·L-1, ρ（Cl-）在4.45~78.80 mg·L-1L之间波动, 平均值为16.78 mg·L-1, ρ（SO42-）在6.58~99.10 mg·L-1之间波动, 平均值为54.44 mg·L-1, ρ（HCO3-）在47.30~232.00 mg·L-1之间波动, 平均值为160.42 mg·L-1, ρ（NO3-）在7.00~47.83 mg·L-1之间波动, 平均值为21.95 mg·L-1. 不同采样点离子浓度变化较大, 特别是Cl-、Na+和K+变异系数最大, 分别为79.13%、76.37%和66.19%, 浓度变化最为明显, 说明空间分布不均, 受人类活动影响较大[32].
|
|
表 6 地表水水化学指标描述性统计 Table 6 Descriptive statistics of water chemical indices of surface water |
2.1.2 地下水化学特征
地下水水化学成分统计见表 7. 地下水pH值在7.05~8.00之间波动, 平均值为7.62, 表明研究区水总体呈弱碱性. 地下水温度（T）在6.50~16.10℃之间波动, 平均温度为11.89℃, 低于地表水温度. 地下水ρ（DO）在4.47~10.03 mg·L-1之间波动, 平均值为7.73 mg·L-1, 说明地下水含氧量良好, 不易发生因缺氧导致的反硝化反应. 地下水EC值变化范围为302.6~1 227 μS·cm-1, 平均值为607.57 μS·cm-1, 均高于地表水, 表明地下水中离子含量高于地表水. 地下水的ρ（TDS）为290~1 075 mg·L-1, 平均值为530.81 mg·L-1, 说明地下水的固体溶质高于地表水. 地下水中主要离子含量同样丰富, 其中ρ（K+）在0.81~7.26 mg·L-1之间波动, 平均值为3.04 mg·L-1, ρ（Na+）在11.50~75.20 mg·L-1之间波动, 平均值为26.24 mg·L-1, ρ（Ca2+）在60.80~204.00 mg·L-1之间波动, 平均值为26.24 mg·L-1, ρ（Mg2+）在8.78~31.40 mg·L-1之间波动, 平均值为18.19 mg·L-1, ρ（Cl-）在11.10~126.00 mg·L-1之间波动, 平均值为38.51 mg·L-1, ρ（SO42-）在10.80~164.00 mg·L-1之间波动, 平均值为63.01 mg·L-1, ρ（HCO3-）在158.00~404.00 mg·L-1之间波动, 平均值为232.13 mg·L-1, ρ（NO3-）在13.64~224.09 mg·L-1之间波动, 平均值为76.78 mg·L-1. 与地表水类似, 不同采样点离子浓度变化较大, 特别是NO3-、Cl-和SO42-变异系数最大, 分别为78.93%、77.54%和68.85%, 浓度变化最为明显.
|
|
表 7 地下水水化学指标描述性统计 Table 7 Descriptive statistics of groundwater chemical indices |
2.2 水质评价结果
水质评价作为水资源管理的基础任务, 对于水资源的合理开发、利用与保护具有重要意义, 水质特征的分析是水环境治理和规划的依据, 通过对水质数据开展科学计算, 分析水环境特征因子, 并与人类社会经济发展、产业结构和种植方式等相结合, 可明确水污染情况及污染产生的主要原因, 从而提出水污染治理及预防策略. 水质评价的方法和指标多种多样, 使用场景和分析指标也各有不同, 研究区域位于密云水库流域水源保护区, 按照该区域的水功能区划定位, 水质应满足地表水Ⅱ类标准, 参照地表水环境质量标准（GB 3838-2002）Ⅱ类限值对地表水进行评价, 考虑国家要求的河流总氮不参评原则, 结合流域特点, 选择DO、NH4+-N、TP和高锰酸盐指数这4个指标开展评价, 采样点水质空间分布见图 3, 评价结果见表 8和表 9.
|
图 3 采样点S1~S39水质情况 Fig. 3 Water quality in S1-S39 sampling sites |
|
|
表 8 地表水水质评价结果 Table 8 Surface water quality evaluation results |
|
|
表 9 多种评价方法地表水评价结果 Table 9 Results of surface water evaluation by multiple evaluation methods |
从水质综合评价结果来看, 有15个水质采样点满足地表水Ⅱ类标准, 占比为38.46%, 14个水质采样点满足地表水Ⅲ类标准, 占比为35.90%, 有7个水质采样点为地表水Ⅳ类标准, 2个Ⅴ类和1个劣Ⅴ类. 单因子评价结果中, DO指标和NH4+-N指标中均有37个采样点水质满足地表水Ⅱ类及以上标准, 占比为94.87%, TP指标中有30个采样点水质满足地表水Ⅱ类及以上标准, 占比为71.79%, 高锰酸盐指数指标中有20个采样点水质满足地表水Ⅱ类及以上标准, 占比为51.28%. NH4+-N和TP指标均无Ⅳ、Ⅴ和劣Ⅴ类值, 高锰酸盐指数指标相对污染较为严重, 高锰酸盐指数数值越大, 说明地表水受到有机物污染的程度越严重.
从内梅罗综合污染指数分级来看, 水质类别为Ⅰ类的有23个, 占比为58.97%, 为清洁水体, 其次有14个水质类别为Ⅱ类, 占比为35.90%, 为轻度污染水体, 有1个水质类别为Ⅲ类和1个水质类别为Ⅳ类, 分别为污染水体和重度污染水体. 内梅罗污染指数法不仅将各种水质参数的平均污染状况纳入考量, 还特别突出了那些污染程度最为严重的水质指标对整体污染指数的决定性作用[33], 因此水质综合评价和内梅罗污染指数法评价结果有所差异.
2.3 地理探测器空间分异 2.3.1 单一影响因子探测选取流域层面对河流水质产生影响的景观、地形、气象和社会经济因子进行探测分析, 分别为土地利用因子（X1）、降雨因子（X2）、蒸散发因子（X3）、高程因子（X4）、坡度因子（X5）、GDP因子（X6）和到河流距离因子（X7）探测其对水质的影响程度解释力, 探测结果如图 4和表 10所示. 通过地理探测器计算得出流域内X1~X7的q值, 可以直观解释各类影响因子对水质的影响程度, 其平均值从大到小依次为：GDP（0.204 9） > 降雨（0.128 5） > 高程（0.081 1） > 蒸散发（0.055 2） > 到河流距离（0.030 6） > 坡度（0.026 6） > 土地利用（0.009 0）. 本研究结果表明流域水质的空间分异是多种因素综合作用的结果, 且各因素对水质分异的影响程度存在显著差异. 从P值来看, 流域土地利用因子（X1）对所有水质影响不显著（P > 0.05）, 坡度（X5）对TP、NH4+-N和高锰酸盐指数影响均不显著（P > 0.05）, 到河流距离（X7）对TP影响不显著（P > 0.05）, 其他探测因子对水质的影响表现出明显的显著性（P < 0.05）, 充分证明了因子探测方法在水质分析方面具有良好的适用性. 探测因子解释力最大的是GPD因子（X6）, 特别是对NO3--N、TN和TP的解释因子q值分别为0.284 1、0.265 5和0.247 1, 说明人类的各种活动如工业生产、农业活动和城市生活等, 都直接或间接地对水质产生着显著的影响. 降雨因子（X2）同样是值得重视的关键因素, 特别是水质样品采集在汛期, 大量雨水进入河流, 对水质影响较大, 降雨对高锰酸盐指数和NO3--N的解释因子q值较高, 分别为0.200 8和0.138 0. 高程因子（X4）对水流路径、速度和分布具有影响也进而影响水质, 对高锰酸盐指数和TP的解释因子q值较高, 分别为0.127 4和0.122 1.
|
图 4 水质空间分异影响因子q值 Fig. 4 The q value of water quality spatial differentiation |
|
|
表 10 单一影响因子探测结果 Table 10 Single impact factor detection results |
2.3.2 多重影响因子交互分析
通过单因子探测分析可知, 人类活动、气候和地形因子对水质的解释力最强, 进一步进行双因子交互探测分析, 结果显示双因子交互作用显著增强了对水质空间分异的解释能力, 表现为双因子增强或非线性增强, 说明流域层面对河流水质的影响受到多种因素的共同作用, 交互作用探测结果见图 5. 在对TN的作用方面, X2∩X6和X4∩X6的交互作用值最大, 分别为0.448 3和0.377 4, 说明人类活动和降雨的交互作用、人类活动和地形的交互作用对TN的影响力显著增强. 在对TP的作用方面, X2∩X6和X3∩X6的交互作用值最大, 分别为0.352 3和0.350 6, 说明人类活动和气象因子的交互作用对TP的影响力显著增强. 在对NH4+-N的作用方面, X2∩X4和X2∩X3的交互作用值最大, 分别为0.369 0和0.324 2, 说明影响NH4+-N的主要因子是降雨, 且降雨因子分别与蒸散发和高程交互作用提高了对NH4+-N的解释力. 在对NO3--N的作用方面, X2∩X6和X4∩X6的交互作用值最大, 分别为0.471 6和0.388 4, 人类活动分别与降雨和高程数据交互作用, 增大了对NO3--N的解释程度. 在对高锰酸盐指数的作用方面, X2∩X6和X2∩X3的交互作用值最大, 分别为0.434 9和0.357 5, 说明人类活动和降雨的交互作用、地形和降雨的交互作用, 都提高了对高锰酸盐指数的解释力.
|
图 5 水质空间分异影响因子交互作用探测 Fig. 5 Interaction detection of water quality spatial differentiation impact factors |
水化学相关性可揭示离子来源, 分析地下水或地表水组分, 能识别离子是否同源或迁移途径相似[34]. 地表水和地下水水化学参数之间呈现出既有相似性又有差异性的复杂关系, 为进一步揭示相关程度, 对水化学数据进行正态性检验, 检验结果数据均符合正态分布（Sig. > 0.05）, 因此进行Pearson相关性分析, 观察不同水化学指标之间的相关性强弱, 从而进一步了解各离子之间的相互关系[35]. 从表 11中可以看出, 地表水水化学指标TDS与EC、K+、Na+、Ca2+、Mg2+、Cl-、SO42-、HCO3-和NO3-均呈现显著正相关关系, 相关性系数分别达到0.966、0.709、0.760、0.839、0.615、0.787、0.628、0.724和0.673. EC与K+、Na+、Ca2+、Mg2+、Cl-、SO42-、HCO3-和NO3-均呈现显著正相关关系, 相关性系数分别达到0.641、0.704、0.857、0.598、0.737、0.681、0.701和0.607, 说明水中的总固体颗粒溶质含量和电导率对各离子含量影响较大. 各离子间显示出极强的关联性, 特别是Na+与Cl-和K+与Na+, 相关性系数高达0.955和0.831.
|
|
表 11 地表水水化学成分相关系数矩阵1） Table 11 Correlation coefficient matrix of surface water chemical composition |
从表 12中可以看出, 地下水水化学指标TDS与EC、K+、Na+、Ca2+、Mg2+、Cl-、SO42-、HCO3-和NO3-均呈现显著正相关关系, 相关性系数分别达到0.977、0.759、0.943、0.980、0.719、0.921、0.786、0.690和0.896, EC与K+、Na+、Ca2+、Mg2+、Cl-、SO42-、HCO3-和NO3-均呈现显著正相关关系, 相关性系数分别达到0.760、0.885、0.978、0.784、0.886、0.829、0.670和0.905, 均表现与地表水相似的高度相关性. 各离子间也显示出极强的关联性, 特别是Ca2+与NO3-、Na+和Cl-呈现显著正相关关系, 相关性系数分别达到0.917和0.828, 与地表水结果趋势相似.
|
|
表 12 地下水水化学成分相关系数矩阵1） Table 12 Correlation coefficient matrix of groundwater chemical composition |
3.2 主成分分析
进行KMO和Bartlett球形度检验以评估数据是否适合进行主成分分析, 结果显示, KMO取样适切性量数为0.75 > 0.50（推荐阈值）, Bartlett球形度检验的显著性为0.00 < 0.05（显著性水平）, 表明各元素之间存在较强的相关性, 满足进行主成分分析的前提条件, 因此选择主成分分析[36]对各地表水水化学指标进行分析. 提取到3个影响最为显著且特征值大于1的主成分, 分别为F1、F2和F3, 并将这3个主成分的标准化因子做正交旋转处理[37], 经旋转后F1、F2和F3这3个主成分的累计贡献率达到81.79%, 详见表 13和表 14, 意味着它们能够代表研究对象的大部分信息.
|
|
表 13 研究区地表水主成分方差解释 Table 13 Principal component variance interpretation of surface water in the study area |
|
|
表 14 地表水旋转因子载荷矩阵 Table 14 Surface water rotation factor load matrix |
F1占总方差的28.02%, 对TDS、EC和Cl-有较强的正载荷, 载荷值分别为0.98、0.95和0.86. TDS为总固体溶解物, EC反映水体导电率情况, 与TDS值密切相关, 皆受到降雨冲刷的影响, Cl-比较稳定, 可以作为生活污染示踪剂. 因此, F1可以认为是人类活动的影响[38].
F2占总方差的26.96%, 对pH、DO和Mg2+有较强的正载荷, 载荷值分别为0.76、0.71和0.52. pH受水体中阴阳离子影响较大, DO表征水体含氧量情况, Mg2+可认为是白云岩、白云质灰岩溶解的产物, 因此, F2可视为受水岩作用.
F3占总方差的26.81%, 对SO42-和NO3-有较强的正载荷, 载荷值分别为0.54和0.42. SO42-通常归因于自然环境中硫酸盐沉积物的溶解以及硫矿物的氧化反应, NO3-考虑生活污水排放的可能, 因此, F3可认为同时受岩盐风化溶解及人类活动的影响[39].
与地表水分析方法相同, KMO取样适切性量数为0.65, 也超过了0.50的推荐阈值, 显示出样本适切性良好, Bartlett球形度检现出极为显著的特征（0.00 < 0.05）, 也说明地下水满足主成分分析的前提条件. 提取到3个影响最为显著且特征值大于1的主成分, 分别为F1、F2和F3, 并将这3个主成分的标准化因子做正交旋转处理, 经旋转后的F1、F2和F3累计贡献达到85.28%, 详见表 15和表 16, 表明这3个主成分能够代表研究对象的大部分信息.
|
|
表 15 研究区地下水主成分方差解释 Table 15 Interpretation of principal component variance of groundwater in the study area |
|
|
表 16 地下水旋转因子载荷矩阵 Table 16 Groundwater rotation factor load matrix |
F1占总方差的57.04%, 对TDS、EC、Ca2+、Na+和Cl-均有较强的正载荷, 载荷值分别高达为0.99、0.99、0.97、0.92和0.90. 与地表水分析结果类似, F1可以考虑为同时受岩盐风化溶解及人类活动的影响[40].
F2占总方差的18.89%, 仅对pH值有较高载荷, 载荷值为0.80. 与其他水化学指标载荷较弱, 离子相关性也可以看出, pH值与其他水化学指标相关性不强, 由于采样季节为汛期, 降水较多, 因此, F2可以考虑受降水的影响[41].
F3占总方差的9.36%, 对DO和NO3-值有中等载荷, 载荷值为0.56和0.35. 参考地表水分析结果, F3可以考虑受人类活动的影响.
3.3 驱动力因子分析影响水质空间分异的驱动力因子主要为人类活动、气象和地形这3个方面. 流域内人口数量较少, 人口密度分布差异显著, GDP空间分布数据作为社会经济指标, 综合考虑了与人类经济活动密切相关的土地利用类型、夜间灯光亮度和居民点密度等多因素[42], 可以间接揭示人类活动是密云水库流域河流水质空间差异产生的主要因素, 这与Ren等[43]和Liu等[44]研究的结论一致, 同时气象因子和高程因子均对流域水质产生一定影响, 流域内地势起伏跌宕, 特别是在汛期, 降雨量显著增加, 污染物伴随着地表径流, 在坡地地形的助推下, 迅速汇聚至河流之中, 这与Qiao等[45]研究的结论一致, 这也进一步揭示水污染程度会在汛期加剧, 给河流水质带来严峻挑战. 因此, 从流域治理角度来看, 首先应加强人类行为管控, 规范流域内的各类活动, 减少因人类活动引起的水质污染, 也包括严格管理农业化肥和农药的使用, 加强农村生活污水的收集处理. 其次, 通过在河流两岸及坡地种植具有吸附和净化功能的植物, 可有效吸收和分解地表径流中的污染物, 可以形成一道自然的过滤屏障, 促进河流生态系统健康稳定.
3.4 不确定性分析本研究部分研究结果为模型处理后的数据, 为一种理想化的状态, 它是对现实情况的一种简化或抽象表示, 旨在帮助人们更好地理解和预测现象或系统的行为. 但这种理想化状态往往无法完全反映现实世界的复杂性, 因此, 根据实测数据对模型进行校对是至关重要的. 同时需要考虑的是虽然实测数据对于校对模型至关重要, 但也可能受到如测量误差、样本偏差等各种因素的影响, 所以在使用模型时, 需要结合实际情况进行综合考虑和判断. 流域治理是一项任重而道远的任务, 它涉及到多个方面, 包括生态保护、水资源管理、灾害防治、经济发展以及社会文化的平衡等, 需要综合考虑各种因素, 特别是对于水污染的防治, 要从“源头-过程-末端”制定科学、合理的治理策略, 并与管理政策等有机结合, 探索合理有效的实施路径, 以实现流域的可持续发展.
4 结论（1）地表水和地下水水化学特征相似, 水力联系紧密, 组分来源具有同源性, 离子浓度空间分布不均, 可分别在地表水和地下水水化学离子中提取3个主成分因子, 主要受人类活动和岩石风化等综合影响.
（2）水质评价结果显示有15个水质采样点满足地表水Ⅱ类标准, 14个水质采样点满足地表水Ⅲ类标准, 有7个水质采样点为地表水Ⅳ类标准, 2个Ⅴ类和1个劣Ⅴ类. 内梅罗综合污染指数分级水质类别为Ⅰ类的有23个, Ⅱ类有14个, Ⅲ类和Ⅳ类各1个. 高锰酸盐指数为主要超标指标, 揭示出地表水面临有机物污染的风险.
（3）人类活动是影响河流水质分异的主要因素, 解释力因子q值为0.204 9, 降雨和高程也对水质变化具有显著影响；双因子交互作用显著增加了河流水质空间分异的解释力, 表现为增强或非线性增强, 反映流域层面水质受多因素共同影响.
| [1] | Niu C, Zhai T L, Zhang Q Q, et al. Research advances in the analysis of nitrate pollution sources in a freshwater environment using δ15N-NO3- and δ18O-NO3- [J]. International Journal of Environmental Research and Public Health, 2021, 18(22). DOI:10.3390/ijerph182211805 |
| [2] |
贾玉雪, 帅红, 韩龙飞. 资江尾闾集水区景观格局与非点源污染过程关系研究[J]. 农业环境科学学报, 2021, 40(4): 833-843. Jia Y X, Shuai H, Han L F. Relationship between landscape patterns and non-point source pollution processes in the Zijiang catchment tail, China[J]. Journal of Agro-Environment Science, 2021, 40(4): 833-843. |
| [3] |
万兴子. 区域可持续发展的评价及演化模型研究[D]. 武汉: 武汉理工大学, 2016. Wan X Z. Research on the model for assessment and evolution of regional sustainable development[D]. Wuhan: Wuhan University of Technology, 2016. |
| [4] |
肖楚楚. 密云水库流域建设用地扩张对生态系统水质净化功能的影响[D]. 长沙: 湖南农业大学, 2013. Xiao C C. Effects of construction land use changes on ecosystem water purification service in Miyun reservoir watershed[D]. Changsha: Hunan Agricultural University, 2013. |
| [5] |
王舒, 张骞, 王子芳, 等. 基于GIS的三峡库区生态风险评估及生态分区构建[J]. 生态学报, 2022, 42(11): 4654-4664. Wang S, Zhang Q, Wang Z F, et al. GIS-based ecological risk assessment and ecological zoning in the Three Gorges Reservoir area[J]. Acta Ecologica Sinica, 2022, 42(11): 4654-4664. |
| [6] | Xu E Q, Zhang H Q. Aggregating land use quantity and intensity to link water quality in upper catchment of Miyun Reservoir[J]. Ecological Indicators, 2016, 66: 329-339. DOI:10.1016/j.ecolind.2016.02.002 |
| [7] | Gao L, Gao B, Zhou Y, et al. Predicting remobilization characteristics of cobalt in riparian soils in the Miyun Reservoir prior to water retention[J]. Ecological Indicators, 2017, 80: 196-203. DOI:10.1016/j.ecolind.2017.05.024 |
| [8] | Zhang Y Y, Zhou Y J, Shao Q X, et al. Diffuse nutrient losses and the impact factors determining their regional differences in four catchments from north to south China[J]. Journal of Hydrology, 2016, 543: 577-594. DOI:10.1016/j.jhydrol.2016.10.031 |
| [9] | Bao Z X, Fu G B, Wang G Q, et al. Hydrological projection for the Miyun Reservoir basin with the impact of climate change and human activity[J]. Quaternary International, 2012, 282: 96-103. DOI:10.1016/j.quaint.2012.07.012 |
| [10] | Liang S D, Jia H F, Xu C Q, et al. A Bayesian approach for evaluation of the effect of water quality model parameter uncertainty on TMDLs: a case study of Miyun reservoir[J]. Science of the Total Environment, 2016, 560-561: 44-54. DOI:10.1016/j.scitotenv.2016.04.001 |
| [11] | Wang X, Zang N, Liang P Y, et al. Identifying priority management intervals of discharge and TN/TP concentration with copula analysis for Miyun Reservoir inflows, North China[J]. Science of the Total Environment, 2017, 609: 1258-1269. DOI:10.1016/j.scitotenv.2017.07.135 |
| [12] |
林青慧. 基于数据库和模型的潮白河流域非点源污染分析[J]. 科研信息化技术与应用, 2009(1): 65-72. Lin Q H. Analysis of non-point source pollution for chaobai river watershed based on database and model[J]. E-science Technology & Application, 2009(1): 65-72. |
| [13] |
张微微, 李晓娜, 王超, 等. 密云水库上游白河地表水质对不同空间尺度景观格局特征的响应[J]. 环境科学, 2020, 41(11): 4895-4904. Zhang W W, Li X N, Wang C, et al. Water quality response to landscape pattern at different spatial scales in baihe river in the upper reaches of the miyun reservoir[J]. Environmental Science, 2020, 41(11): 4895-4904. |
| [14] |
郭军庭, 张志强, 王盛萍, 等. 应用SWAT模型研究潮河流域土地利用和气候变化对径流的影响[J]. 生态学报, 2014, 34(6): 1559-1567. Guo J T, Zhang Z Q, Wang S P, et al. Appling SWAT model to explore the impact of changes in land use and climate on the streamflow in a Watershed of Northern China[J]. Acta Ecologica Sinica, 2014, 34(6): 1559-1567. |
| [15] | Tang L H, Yang D W, Hu H P, et al. Detecting the effect of land-use change on streamflow, sediment and nutrient losses by distributed hydrological simulation[J]. Journal of Hydrology, 2011, 409(1-2): 172-182. DOI:10.1016/j.jhydrol.2011.08.015 |
| [16] | Zeng W B, Wan X M, Lei M, et al. Influencing factors and prediction of arsenic concentration in Pterisvittata: a combination of geodetector and empirical models[J]. Environmental Pollution, 2022, 292. DOI:10.1016/j.envpol.2021.118240 |
| [17] |
张令达, 侯全华, 段亚琼. 黄土高原地区流域生态空间管控模式[J]. 农业工程学报, 2021, 37(10): 206-213. Zhang L D, Hou Q H, Duan Y Q. Governance pattern of basin ecological space in Loess Plateau of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(10): 206-213. |
| [18] | Chen X, Ren M X, Li G L, et al. Identification of nitrate accumulation mechanism of surface water in a mining-rural-urban agglomeration area based on multiple isotopic evidence[J]. Science of the Total Environment, 2024, 912. DOI:10.1016/j.scitotenv.2023.169123 |
| [19] |
王蕊, 何春利, 黄炳彬, 等. 基于主成分分析法的再生水补给河道水质评价[J]. 北京水务, 2021(1): 38-43. Wang R, He C L, Huang B B, et al. Evaluation of water quality of reclaimed water replenished channel based on principal component analysis[J]. Beijing Water, 2021(1): 38-43. |
| [20] |
付博超. 基于内梅罗综合污染指数法的秦皇岛水质评价[J]. 水利科学与寒区工程, 2022, 5(11): 32-34. Fu B C. Assessment of water quality based on the nemerow composite pollution index in Qinhuangdao City[J]. Hydro Science and Cold Zone Engineering, 2022, 5(11): 32-34. |
| [21] | 金士博, 张孟威. 内梅罗污染指数公式与漓江水质评价[J]. 环境科学, 1980(2): 1-7. |
| [22] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [23] | Zhou X Z, Wen H J, Zhang Y L, et al. Landslide susceptibility mapping using hybrid random forest with GeoDetector and RFE for factor optimization[J]. Geoscience Frontiers, 2021, 12(5). DOI:10.1016/j.gsf.2021.101211 |
| [24] | Ma Y, Li Y, Fang T T, et al. Analysis of driving factors of spatial distribution of heavy metals in soil of non-ferrous metal smelting sites: screening the geodetector calculation results combined with correlation analysis[J]. Journal of Hazardous Materials, 2023, 445. DOI:10.1016/j.jhazmat.2022.130614 |
| [25] | Lu Y, Yang X H, Bian D H, et al. A novel approach for quantifying water resource spatial equilibrium based on the regional evaluation, spatiotemporal heterogeneity and geodetector analysis integrated model[J]. Journal of Cleaner Production, 2023, 424. DOI:10.1016/j.jclepro.2023.138791 |
| [26] | Xue L M, Li H Q, Shen W L, et al. Applying GeoDetector to disentangle the contributions of the 4-As evaluation indicators to the spatial differentiation of coal resource security[J]. Energy Policy, 2023, 173. DOI:10.1016/j.enpol.2023.113418 |
| [27] | Wang H Y, Qin F, Xu C D, et al. Evaluating the suitability of urban development land with a Geodetector[J]. Ecological Indicators, 2021, 123. DOI:10.1016/j.ecolind.2021.107339 |
| [28] | Chen Y, Zhou Y Q, NixiaCiren, et al. Spatiotemporal variations of surface ozone and its influencing factors across Tibet: a geodetector-based study[J]. Science of the Total Environment, 2022, 813. DOI:10.1016/j.scitotenv.2021.152651 |
| [29] |
冯源嵩, 杨庆媛, 邱从毫. 南明河流域水质对景观格局演变的响应[J]. 环境科学研究, 2015, 28(12): 1852-1861. Feng Y S, Yang Q Y, Qiu C H. Influence of landscape pattern evolution on water quality in the Nanming River Basin[J]. Research of Environmental Sciences, 2015, 28(12): 1852-1861. |
| [30] |
龚仓, 王顺祥, 陆海川, 等. 基于地理探测器的土壤重金属空间分异及其影响因素分析研究进展[J]. 环境科学, 2023, 44(5): 2799-2816. Gong C, Wang S X, Lu H C, et al. Research progress on spatial differentiation and influencing factors of soil heavy metals based on geographical detector[J]. Environmental Science, 2023, 44(5): 2799-2816. |
| [31] | Motomura K, Horie K, Ikehara M, et al. The nitrate-limited freshwater environment of the late Paleoproterozoic Embury Lake Formation, Flin Flon Belt, Canada[J]. Chemical Geology, 2023, 616. DOI:10.1016/j.chemgeo.2022.121234 |
| [32] | Zhang L, Guo L S, Wang Y, et al. Continuous monitoring of hydrogen and oxygen stable isotopes in a hot spring: significance for distant earthquakes[J]. Applied Geochemistry, 2020, 112. DOI:10.1016/j.apgeochem.2019.104488 |
| [33] |
薛志斌, 李玲, 张少凯, 等. 内梅罗指数法和复合指数法在土壤重金属污染风险评估中的对比研究[J]. 中国水土保持科学, 2018, 16(2): 119-125. Xue Z B, Li L, Zhang S K, et al. Comparative study between nemerow index method and compound index Method for the risk assessment of soil heavy metal pollution[J]. Science of Soil and Water Conservation, 2018, 16(2): 119-125. |
| [34] |
刘海, 康博, 管政亭, 等. 淮南煤矿区地表水和地下水水化学特征及控制因素[J]. 环境科学, 2023, 44(11): 6038-6049. Liu H, Kang B, Guan Z T, et al. Hydrochemical characteristics and control factors of surface water and groundwater in Huainan coal mine area[J]. Environmental Science, 2023, 44(11): 6038-6049. |
| [35] | Obeidat M, Awawdeh M, Matiatos I, et al. Identification and apportionment of nitrate sources in the phreatic aquifers in Northern Jordan using a dual isotope method (δ15N and δ18O of NO3-)[J]. Groundwater for Sustainable Development, 2021, 12. DOI:10.1016/j.gsd.2020.100505 |
| [36] |
肖灵君, 王普泽, 熊满堂, 等. 基于PCA和SOM模型的龙感湖水质时空动态研究[J]. 水生生物学报, 2021, 45(5): 1104-1111. Xiao L J, Wang P Z, Xiong M T, et al. Spatio-temporal dynamics of water quality in longgan lake based on principle component analysis (PCA) and self-organizing mapping neural network (som) modelling[J]. Acta Hydrobiologica Sinica, 2021, 45(5): 1104-1111. |
| [37] |
刘楠, 陈盟, 高东东, 等. 德阳市平原区浅层地下水水化学特征与健康风险评价[J]. 环境科学, 2024, 45(4): 2129-2141. Liu N, Chen M, Gao D D, et al. Hydrochemical characteristics and health risk assessment of shallow groundwater in the plain zone of Deyang City[J]. Environmental Science, 2024, 45(4): 2129-2141. |
| [38] |
雷米, 周金龙, 张杰, 等. 新疆博尔塔拉河流域平原区地表水与地下水水化学特征及转化关系[J]. 环境科学, 2022, 43(4): 1873-1884. Lei M, Zhou J L, Zhang J, et al. Hydrochemical characteristics and transformation relationship of surface water and groundwater in the plain area of Bortala River basin, Xinjiang[J]. Environmental Science, 2022, 43(4): 1873-1884. |
| [39] |
李敬杰, 连晟, 王明国, 等. 藏东多曲河流域锶富集水化学特征及控制因素[J]. 环境科学, 2024, 45(4): 2067-2079. Li J J, Lian S, Wang M G, et al. Hydrochemical characteristics and control factors of strontium enrichment of the Duoqu river basin in eastern Xizang[J]. Environmental Science, 2024, 45(4): 2067-2079. |
| [40] |
李立伟, 许庆, 陈秀增, 等. 沂水县浅层地下水水化学特征及人体健康风险评估[J]. 环境科学学报, 2024, 44(3): 177-188. Li L W, Xu Q, Chen X Z, et al. Hydrochemical characteristics and human health risk assessment of shallow groundwater in Yishui County[J]. Acta Scientiae Circumstantiae, 2024, 44(3): 177-188. |
| [41] | Luo H J, Lao Q B, Chen F J, et al. Nitrate sources and formation in aerosol and precipitation in a tropical city in South China: Insight from nitrate dual isotopes[J]. Atmospheric Environment, 2022, 278. DOI:10.1016/j.atmosenv.2022.119087 |
| [42] |
胡景心, 沙青娥, 刘慧琳, 等. 珠江三角洲二氧化碳源汇演变特征及驱动因素[J]. 环境科学, 2023, 44(12): 6643-6652. Hu J X, Sha Q E, Liu H L, et al. Evolution characteristics and driving forces of carbon dioxide emissions and sinks in the Pearl River Delta region, China[J]. Environmental Science, 2023, 44(12): 6643-6652. |
| [43] | Ren D F, Cao A H. Analysis of the heterogeneity of landscape risk evolution and driving factors based on a combined GeoDa and Geodetector model[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109568 |
| [44] | Liu J, Xu Q L, Yi J H, et al. Analysis of the heterogeneity of urban expansion landscape patterns and driving factors based on a combined multi-order adjacency index and geodetector model[J]. Ecological Indicators, 2022, 136. DOI:10.1016/j.ecolind.2022.108655 |
| [45] | Qiao Y, Wang X Q, Han Z X, et al. Geodetector based identification of influencing factors on spatial distribution patterns of heavy metals in soil: a case in the upper reaches of the Yangtze River, China[J]. Applied Geochemistry, 2022, 146. DOI:10.1016/j.apgeochem.2022.105459 |