2025, Vol. 46
2. 河南省土地整治与生态重建工程技术研究中心, 郑州 450046
2. Henan Engineering Research Center of Land Consolidation and Ecological Restoration, Zhengzhou 450046, China
城市化浪潮导致耕地面积缩减, 同时对高产量的追求加剧了土壤和水体污染, 形成严峻的农业面源污染问题[1]. 据2020年《第二次全国污染源普查公报》显示, 农业源总氮（TN）排放量占比高达46.52%, 远超工业与生活源[2]. 农业面源污染受气候、地形、土地利用及植被覆盖等多重因素制约, 其监测、模拟与治理面临显著挑战[3, 4]. 模拟面源污染负荷, 了解其时空分布规律及主要影响因素, 是对污染进行有效治理的基础.
近年来, 国外先进的面源污染模型, 尤其是机制模型的引进发展迅速, 为面源污染负荷模拟提供了有力工具[5 ~ 7]. 常见的机制模型包括土地利用与水文过程模拟模型（soil and water assessment tool, SWAT）[8, 9]、农业非点源水文模拟模型（annualized agricultural non-point source, AnnAGNPS）[10]、水文模拟模型（hydrological simulation program-fortran, HSPF）[11]、生态系统服务功能综合估价和权衡得失评估模型（the integrate valuation of ecosystem services and tradeoffs tool, InVEST模型）[12]等. 其中, InVEST模型以其参数简单、机制清晰、输出结果空间可视化等特点, 在大尺度面源污染模拟中展现出良好的应用前景[13, 14]. 国内外学者已运用该模型对九龙江[15]、南沂湖[16]、海河流域[17], 以及四川省宝兴县[18]、山东省[19]等区域的面源污染进行了模拟分析. 在充分估算面源污染负荷的基础上, 部分学者进一步将研究焦点转向面源污染的影响机制[20 ~ 22], 试图从根源上探讨污染问题的成因. 尽管当前研究在一定程度上揭示了农业氮素面源污染物的产污机制及其驱动因素, 但多数研究仍局限于相关性分析或回归分析[23, 24], 对空间异质性的考虑不足, 且对于驱动因素对污染物迁移过程交互影响的量化与评估尚显薄弱.
以粮食作物种植为核心的黄淮海平原农区作为实现中国北方集约化农业发展的重要区域, 在中国九大农区中最具典型代表性[25], 肩负着“北粮南调”的关键使命. 然而, 近20 a来, 该地区面临农业面源污染的严重威胁, 水体富营养化风险加剧[26, 27]. 基于此, 本研究对北方集约化农区2000、2010和2020年农业氮素面源污染进行模拟, 深入分析氮素排放强度的时空特征, 识别关键源区, 并量化影响因子贡献. 研究旨在为北方集约化农区农业氮素面源污染治理提供科学决策依据, 推动农业绿色发展, 助力乡村生态振兴.
1 材料与方法 1.1 研究区概况北方集约化农区, 主要集中在中国北方的平原和丘陵地区, 其土壤肥沃且气候条件适宜, 为农业生产的集约化提供了得天独厚的优势. 本研究聚焦于中国科学院地理科学与资源研究所划定的九大农区中的黄淮海平原农区, 涵盖北京、天津、山东、河北和河南这五省市. 研究区域共辖47个地市, 农业生产和面源污染情况存在显著的地域差异和复杂性, 为深入探索提供了丰富的样本和数据支撑. 黄淮海平原农区, 地处大陆性暖温带半湿润季风气候区, 具有得天独厚的农业发展条件. 该地区降水充沛、光热资源丰富, 为农作物生长提供了良好的自然环境[28]. 该区域土层深厚肥沃, 主要农业模式为旱作, 小麦和玉米等粮食作物在此广泛种植, 成为中国的粮棉油重要产区之一[29].
|
图 1 研究区示意 Fig. 1 Study area |
本研究所需数据包括数字高程模型（DEM）、土地覆被、各年平均降雨量、农区分布、坡度分布、子流域分布和化肥施用量等, 具体数据及来源如表 1所示.
|
表 1 研究数据及来源 Table 1 Research data and sources |
1.3 研究方法
本研究基于“溯源-核算-治理”过程, 统计氮素污染来源, 模拟氮素流失负荷, 识别污染关键源区, 量化驱动因子贡献.
估算农业氮素面源污染入河负荷包括3个核心步骤. 首先, 利用清单分析统计不同来源的总氮（TN）污染物. 其次, 根据各来源对应流失系数, 量化TN流失负荷. 最后, 通过InVEST3.8.7的营养物传输模块（nutrient delivery ratio, NDR）, 计算TN入河负荷.
1.3.1 氮素输入负荷估算农业面源污染主要来源于农业生产和农村生活. 本研究紧密结合北方集约化农区的实际情况, 充分考虑了各地区的产业结构差异, 对农业种植、畜禽养殖和农村生活等三大污染源进行了统计分析, 其中农业种植包括化肥施用和秸秆还田. 同时基于各市的耕地和园地面积, 计算氮素输入强度.
1.3.1.1 化肥施用含氮化肥施用量以氮肥和含氮复合肥的折纯量进行统计, 其中含氮复合肥中氮磷钾含量按1∶1∶1处理.
|
(1) |
式中, Nfer为含氮化肥输入量；Nf为氮肥施用折纯量；Ncf为含氮复合肥施用折纯量.
1.3.1.2 秸秆还田本研究氮素秸秆还田量考虑稻谷、小麦、玉米、薯类、大豆、棉花和油料这7种农作物, 秸秆产生的氮素面源污染流失负荷需要秸秆种类、产量、谷草比、氮含量、产物系数和秸秆还田比例进行计算, 各参数取值（表 2）来源于文献[30 ~ 33], 计算公式如下：
|
(2) |
|
|
表 2 作物秸秆还田相关系数取值 Table 2 Crop straw counters-field correlation coefficient values |
式中, Nstr为作物秸秆还田产生的氮素输入量；Yi为i作物产量；Ri为i作物草谷比；Ci为i作物氮含量；Fi为i作物直接秸秆还田比例；Pi为i作物产污系数.
1.3.1.3 畜禽养殖统计年鉴中的畜禽养殖主要包括大牲畜（牛、马、驴、骡）、猪、羊和家禽（鸡）. 畜禽养殖产生的氮污染物通过畜禽养殖量与粪尿产污系数计算得到, 计算公式如下：
|
(3) |
式中, Nlp为畜禽养殖产生的氮素输入量；Qi为i畜禽年末存栏量；Ei为i畜禽粪尿排泄系数；大牲畜、猪、羊和家禽分别取值为61.10、4.51、2.28和0.275 kg·（头·a）-1[34, 35].
1.3.1.4 农村生活本研究农村生活所产生的氮素负荷中仅考虑农村生活人口所产生的生活污水、生活垃圾和粪尿[36]. 计算公式如下：
|
(4) |
式中, Nrl为农村生活产生的氮素输入量；Pi为农村生活人口数量（万人）；Wi为农村人口产污系数, 按照1.58 kg·（人·a）-1的标准计算氮素产污量.
综上, 农业氮素面源污染输入强度计算公式如下：
|
(5) |
|
(6) |
式中, Ninput为TN输入总量；Ai为i市的耕地与园地面积之和；TNint为TN输入强度.
1.3.2 氮素流失负荷估算根据污染源流失方式和作用途径将氮素流失系数进行分别确定, 化肥施用流失负荷参照第一次全国污染普查《农业污染源肥料流失系数手册》, 遵循“农区-坡度-种植模式-熟制”, 匹配得到氮肥流失模式（表 3）进行统计. 剩余来源氮素污染流失负荷均以流失系数计算. 计算公式如下：
|
(7) |
|
|
表 3 氮肥流失模式 Table 3 Nitrogen fertilizer loss pattern |
式中, load为氮素流失负荷；i表示第i个单元；j表示第j类面源污染模式；Ej为对应面源污染模式j的氮素流失系数；Nfer, ij为i单元的面源污染模式j对应的氮肥施用折纯量；Qj为面源污染模式j的TN基础流失量；Ui为各来源对应流失系数.
1.3.3 氮素入河负荷估算本研究应用InVEST模型的NDR模块来进行农业氮素面源污染模拟. InVEST模型是基于ArcGIS软件平台的生态系统服务功能评估模型, 其中的NDR模块能够模拟水体中的水量、水动力和水流路径, 并考虑到降雨、蒸发腾发和径流等水文过程, 从而精确估算出径流中输送的营养物质量[37, 38].
在北方集约化农区的径流模拟中, 本研究专注于地表营养物的输移情况. 计算单元采用栅格像元, 通过对每个像元的氮素传输率进行计算, 以量化氮素在流域内的迁移转化. 研究参考InVEST用户手册和文献[17], 确保参数的合理性和可靠性. 计算公式如下：
|
(8) |
|
(9) |
|
(10) |
式中, NDRi为氮素传输率；NDRo, i为被下游像素保留的氮素传输率；ICj,为地形指数；ICo和k为校准参数；loadi为像元i的氮素负荷量；Xi为像元i的氮素入河负荷；Xtot为栅格氮素入河负荷总量, 单位为kg·pixel-1.
本研究着重探讨了农田地表中的氮素营养物质, 因此在参数选取上对生物物理表中（表 4）的其他用地类型进行了简化处理. NDR模块中累计流量阈值设定为2000, 校准参数K取值为2, 径流潜力指数用年降水量表示.
|
|
表 4 生物物理关键参数取值 Table 4 Values of biophysical key parameters |
1.3.4 热点分析方法
利用ArcGIS的热点分析工具, 基于Getis-OrdGi*指数进行冷热点类型划分. Getis-Ord Gi*指数是一种用于识别高值和低值聚类的统计方法, 在地理学研究中常用于识别和解释空间分布模式[39]. 计算公式如下：
|
(11) |
|
(12) |
|
(13) |
式中, Gi*为Getis-Ord指数；Xj为第j个研究单元的氮素排放强度；X为氮素排放强度均值；Wij为区域i和j的空间权重系数；n为研究单元总数；S为研究样本的标准差.
1.3.5 地理探测器地理探测器凭借其独特的因子探测和交互探测功能, 能够基于影响因子贡献度与其空间分布的相似性进行深入分析[40, 41]. 该方法的核心在于q值度量, 通过量化各因子间的相互作用及其对因变量的影响, 为地理现象的解释提供了有力工具. 计算公式如下：
|
(14) |
式中, q为X对Y的解释程度；h为变量Y或因子X的分层；Nh和N分别为层h和全区的单元数；
|
|
表 5 解释变量之间的交互作用 Table 5 Interaction between variables |
2 结果与分析 2.1 氮素输入分析
本研究对化肥施用、畜禽养殖、秸秆还田和农村生活这4种氮素输入来源进行统计, 基于地市分析输入强度. 利用ArcGIS的自然断点法, 绘制了北方集约化农区在2000年、2010年和2020年的农业氮素输入强度分级（图 2）. 结果显示, 研究区内氮素输入强度均值逐年下降, 分别为470、413和362 kg·hm-2, 呈现出显著的下降趋势. 空间分布上, 氮素输入强度呈现“北低南高”的特征, 石家庄市及河南省中部、北部城市尤为显著, 归因于其平坦的地形更适宜农业种植. 相反, 张家口市等北部及东部区域因地势起伏大, 氮素输入强度较低. 进一步分析表明, 氮肥施用和畜禽养殖是2000~2020年农业氮素的主要来源, 分别占65.89%~74.34%和22.65%~30.34%, 反映了城镇化进程中农业生产活动强度的提升.
|
图 2 农业TN输入强度 Fig. 2 Agricultural TN input intensity |
基于NDR模块模拟北方集约化农区农业氮素面源污染负荷, 本研究确定了各像元向河流输入的农业氮素污染量, 并以单位耕地面积氮素输出负荷量化各市农业氮素面源污染排放强度. 基于地市行政单元, 结合自然断点法分级（图 3）, 结果显示2000年、2010年和2020年氮素输出负荷均值分别为8.43、4.08和3.66 kg·hm-2, 呈现显著下降趋势. 这一趋势归因于农业管理措施优化、技术进步和政策调控等多重因素. 空间分布上, TN排放强度呈“西北低, 东南高”特征, 与氮素输出负荷分布一致, 表明农田面积对排放强度分布影响有限. 信阳市氮素排放强度最高, 张家口市最低, 可能与中南部地区农业活动强度、土地利用方式和气候条件有关. 这为制定农业管理和污染控制策略提供了科学依据.
|
图 3 农业TN排放强度 Fig. 3 Agricultural TN emission intensity |
农业氮素排放强度的降低主要得益于政策实施. 自2015年, 我国农业部启动的《到2020年化肥使用量零增长行动方案》通过科学施肥、改进施肥方式等手段减少化肥使用. 地方政府对农业环境保护的重视推动环保型农业技术和措施推广, 鼓励农民使用有机肥、生物肥料替代化学肥料, 同时加强农业面源污染监管, 采取农田排水治理、畜禽养殖污染控制等措施, 有效减少氮素排放, 促进农业可持续发展和生态环境保护.
2.3 关键源区识别本研究利用ArcGIS冷热点分析工具, 识别了在99%置信水平下的极显著热点区域为污染关键源区（图 4）. 从时间上看, 在2000年、2010年和2020年中, 关键源区的农业氮素输出负荷总量分别占研究区总量的26%、7%和28%, 呈现“先减后增”的趋势. 空间分布上, 关键源区的分布由研究区南部逐渐向东南拓展. 2000年, 农业氮素面源关键源区分布在河南省的东南部, 包括许昌市、漯河市、周口市、驻马店市和信阳市. 到了2010年, 关键源区则集中在河南省的南部, 仅涉及漯河市和驻马店市. 而到了2020年, 农业氮素面源关键源区主要分布在河南省南部及山东省的东南部, 包括信阳市、淄博市、潍坊市、青岛市、临沂市和日照市.
|
图 4 农业氮素面源污染关键源区 Fig. 4 Key source area of agricultural nitrogen non-point source pollution |
深入分析关键源区特点, 以上区域农业集约化水平较高, 降雨充沛, 土壤水分状况和抗蚀能力较弱, 导致氮素易随径流和淋溶流失, 进而加剧了面源污染的风险. 因此, 针对关键源区实施农业种植结构与灌溉措施的优化, 不仅是提升面源污染治理效率的关键路径, 也是实现农业可持续发展、保护生态环境的重要举措.
2.4 驱动因素分析为了揭示北方集约化农区农业氮素排放强度的空间演变驱动力, 对氮素排放强度（Y）进行了分区统计, 并对多个自变量进行离散化处理, 包括DEM（X1）、坡度（X2）、年均降雨量（X3）、耕地占各市面积的比例（X4）、TN地均输入强度（X5）、含氮化肥输入量（X6）、秸秆还田输入量（X7）、畜禽养殖输入量（X8）和农村人口输入量（X9）.
运用地理探测器, 本研究对2000年、2010年和2020年北方集约化农区各市农业氮素排放强度进行了因子探测及交互探测, 旨在分析影响该地区农业氮素排放强度的主要驱动因子（图 5）. 结果发现, 不同时间阶段的主要驱动因子存在差异. 在2000年, 主要影响因素为年均降雨量（X3）、TN地均输入强度（X5）和DEM（X1）, 在2010年, 主要影响因素为年均降雨量（X3）、农村人口输入量（X9）和耕地占各市面积的比例（X4）. 这一变化的原因在于2000~2010年间, 农村人口大量向城市迁移, 同时随着城镇化的不断发展, 农业种植面积快速缩减. 到了2020年, 主要影响因素为年均降雨量（X3）、DEM（X1）和坡度（X2）. 值得注意的是, 年均降雨量（X3）这一驱动因子在长时间尺度上表现出稳定性. 此外, 显著性水平分析表明, 降雨和地形对农业氮素排放强度具有关键驱动作用. 氮素污染物主要受到降雨冲刷及侵蚀作用的影响, 随着地形高度的变化进入水体, 进而污染受纳水体. 这一发现强调在防控农业氮素面源污染时, 应充分考虑降雨和地形的影响, 采取针对性的防控措施.
|
***、**和*分别表示在1%、5%和10%的水平上显著 图 5 单因子探测结果 Fig. 5 Single-factor detection results |
为进一步探究各驱动因子之间的交互作用及其对农业氮素排放强度空间分布的影响机制, 本研究对2000年、2010年和2020年驱动因子进行了交互探测分析. 结果表明, 各指标交互作用后的因子解释力均大于任一因子的q值（图 6）, 说明驱动因子之间的交互影响在北方集约化农区农业氮素排放强度空间分布上具有较强作用. 其中, 2000年X3∩X4的交互值最大（0.922）, 其次为X3∩X7（0.895）；2010年X1∩X3的交互值最大（0.904）, 其次为X2∩X3（0.893）；2020年X2∩X3的交互值最大（0.9）, 其次为X1∩X3（0.889）, 这说明年均降雨量和DEM及坡度的交互作用在驱动农业氮素排放强度空间分布差异上具有较强的影响.
|
色柱的值表示交互作用的强度 图 6 交互因子探测结果 Fig. 6 Interaction factor detection results |
本研究基于清单分析统计氮素输入负荷, 同时运用InVEST模型, 结合30 m×30 m的精细栅格尺度, 对农业氮素入河负荷进行了精确估算. 相较于传统的排污系数法[42 ~ 44], 本方法在空间信息处理、数据库技术、数学计算与可视化表达方面具有显著优势.
3.2 北方集约化农区农业氮素面源污染特征分析在深入探讨北方集约化农区的农业氮素面源污染问题时, 有以下发现：①氮肥施用是农业氮素的最主要来源. 已有研究同样表明, 氮肥在农业TN来源中占据主导地位[45, 46]. 这种现象主要归因于北方集约化农区大规模且密集的农业生产方式, 以及为追求高产而增施氮肥的现实情况. ②在2000~2020年间, 北方集约化农区农业氮素排放强度下降明显. 这主要得益于农业政策的积极引导和环保型农业技术的有效实施. ③农业氮素面源污染排放及其关键源区呈现出显著的空间差异. 然而, 目前这些关键源区尚未得到充分的控制. 地理探测分析进一步揭示了降雨和地形因子对氮素不均衡排放的强烈驱动作用. 北方集约化农区地域辽阔, 地貌和气候条件多样, 不同地区的农业活动强度、土地利用方式以及气候条件均存在显著差异, 这些差异共同塑造了农业氮素排放的复杂模式和强度.
3.3 农业氮素面源污染治理的对策建议根据文中的研究结果提出如下对策建议：①考虑到经济成本和实施难度, 应将治理重点聚焦于已识别的关键源区. 通过深入研究关键源区农业面源污染的主要来源和驱动因素, 为提高污染管理水平提供更为精确和精细的方法. 例如, 在信阳市推广节水灌溉技术以减少水氮流失, 并建设小型水利设施实现农田退水回灌[47]. ②针对氮肥施用和畜禽养殖这两大主要污染源, 应鼓励推广畜禽粪便的收集、贮存、堆肥及肥料还田等技术, 并增加有机肥使用补贴[48]. 同时, 农业面源污染的治理应坚持预防为主的原则, 建立健全现代施肥技术体系, 推进绿色、科学与精准施肥, 并创新秸秆利用方式, 提高作物秸秆利用效率. ③各地区在制定农业面源污染治理措施时, 应充分考虑其在农业生产中的地位与任务, 结合自身的污染源特性、经济发展水平以及充分考虑降雨和地形等关键驱动因素的影响, 采取有针对性的治理策略[49].
4 结论（1）北方集约化农区在2000年、2010年和2020年的农业氮素输入强度均值分别为470、413和362 kg·hm-2, 在研究年限内呈现持续下降的趋势. 从空间分布上看, 农业氮素输入强度呈现出“北低南高”的态势. 从污染物来源的角度分析, 2000~2020年期间, 农业氮素的主要来源是氮肥施用和畜禽养殖.
（2）各市氮素排放强度在研究年限内的降低趋势显著, 空间整体呈现出“西北低, 东南高”的特征.
（3）在2000~2020年间, 关键源区的范围经历了先缩小后扩大的变化, 在空间分布上由南部逐渐向东南拓展.
（4）通过因子探测分析, 年均降雨量（X3）在2000年、2010年和2020年的q值均为最高, 表明降雨是驱动北方集约化农区各市农业氮素排放强度空间分异的主要因素. 此外, 交互探测分析进一步揭示了年均降雨量和DEM及坡度的交互影响对农业氮素排放强度空间分布差异的强烈驱动作用.
| [1] | Lu Y R, Wang C, Yang R J, et al. Research on the progress of agricultural non-point source pollution management in China: a review[J]. Sustainability, 2023, 15(18). DOI:10.3390/su151813308 |
| [2] | 中华人民共和国生态环境部, 国家统计局, 中华人民共和国农业农村部. 关于发布《第二次全国污染源普查公报》的公告[EB/OL]. https://www.mee.gov.cn/xxgk2018/xxgk/xxgk01/202006/t20200610_783547.html, 2020-06-09. |
| [3] | Luo M, Liu X X, Legesse N, et al. Evaluation of agricultural non-point source pollution: a review[J]. Water, Air, & Soil Pollution, 2023, 234(10). DOI:10.1007/s11270-023-06686-x |
| [4] | Wang M M, Jiang T H, Mao Y B, et al. Current situation of agricultural non-point source pollution and its control[J]. Water Air and Soil Pollution, 2023, 234(7). DOI:10.1007/s11270-023-06462-x |
| [5] |
胡雪涛, 陈吉宁, 张天柱. 非点源污染模型研究[J]. 环境科学, 2002, 23(3): 124-128. Hu X T, Chen J N, Zhang T Z. A study on non-point source pollution models[J]. Environmental Science, 2002, 23(3): 124-128. DOI:10.3321/j.issn:0250-3301.2002.03.026 |
| [6] | Xin Z H, Ye L, Zhang C. Application of export coefficient model and QUAL2K for water environmental management in a rural watershed[J]. Sustainability, 2019, 11(21). DOI:10.3390/su11216022 |
| [7] | Ji Y, Gao D M, Liu Q L, et al. An integrated framework for agricultural non-point source pollution control technology evaluation: application of an improved multiple attribute decision making method[J]. Expert Systems with Applications, 2023, 229. DOI:10.1016/j.eswa.2023.120319 |
| [8] | Ding W L, Xia J, She D X, et al. Assessing multivariate effect of best management practices on non-point source pollution management using the coupled Copula-SWAT model[J]. Ecological Indicators, 2023, 153. DOI:10.1016/j.ecolind.2023.110393 |
| [9] | Chao X B, Witthaus L, Bingner R, et al. An integrated watershed and water quality modeling system to study lake water quality responses to agricultural management practices[J]. Environmental Modelling & Software, 2023, 164. DOI:10.1016/j.envsoft.2023.105691 |
| [10] |
邹桂红, 崔建勇. 基于AnnAGNPS模型的农业非点源污染模拟[J]. 农业工程学报, 2007, 23(12): 11-17. Zou G H, Cui J Y. Simulation of agricultural non-point pollution based on AnnAGNPS model[J]. Transactions of the CSAE, 2007, 23(12): 11-17. |
| [11] | Lee H, Kim H, Kim J, et al. Analysis of the effects of low impact development practices on hydrological components using HSPF[J]. Journal of Hydro-Environment Research, 2023, 46: 72-85. DOI:10.1016/j.jher.2023.01.001 |
| [12] | LIU D, GAO J N. InVEST model-based evaluation of river non-point source pollution load[J]. Environmental Engineering and Management Journal, 2022, 21(2): 265-273. DOI:10.30638/eemj.2022.026 |
| [13] | Scordo F, Lavender T M, Seitz C, et al. Modeling water yield: assessing the role of site and region-specific attributes in determining model performance of the InVEST seasonal water yield model[J]. Water, 2018, 10(10). DOI:10.3390/w10111496 |
| [14] |
丁肇慰, 郑华. 长江流域总氮排放量预测[J]. 环境科学, 2021, 42(12): 5768-5776. Ding Z W, Zheng H. Prediction of total nitrogen load in Yangtze River Basin[J]. Environmental Science, 2021, 42(12): 5768-5776. |
| [15] | Yan Y Y, Guan Q S, Wang M, et al. Assessment of nitrogen reduction by constructed wetland based on InVEST: a case study of the Jiulong River Watershed, China[J]. Marine Pollution Bulletin, 2018, 133: 349-356. DOI:10.1016/j.marpolbul.2018.05.050 |
| [16] | Ding L, Qi C C, Zhang W Q. Distribution characteristics of non-point source pollution of TP and identification of key source areas in Nanyi Lake (China) Basin: based on InVEST model and source list method[J]. Environmental Science and Pollution Research, 2023, 30(55): 117464-117484. DOI:10.1007/s11356-023-30405-y |
| [17] |
张巧玲, 胡海棠, 王道芸, 等. 海河流域农田氮磷面源污染的空间分布特征及关键源区识别[J]. 灌溉排水学报, 2021, 40(4): 97-106. Zhang Q L, Hu H T, Wang D Y, et al. Spatial distribution of nitrogen and phosphorus in Haihe Basin and their determinants[J]. Journal of Irrigation and Drainage, 2021, 40(4): 97-106. |
| [18] | Liu J, Fu B, Zhang C H, et al. Modelling spatial variation in the treatment costs of non-point source pollution in mountainous regions of southwest China[J]. Journal of Mountain Science, 2019, 16(8): 1901-1912. DOI:10.1007/s11629-018-5051-x |
| [19] | Li Q S, Zhang J C, Zhang J W, et al. Spatial and temporal distribution characteristics and prediction analysis of nitrogen and phosphorus surface source pollution in Shandong Province under the climate and land use changes[J]. Frontiers in Ecology and Evolution, 2023, 11. DOI:10.3389/fevo.2023.1231394 |
| [20] |
张育福, 潘哲祺, 陈丁江. 基于机器学习的长江流域农田氮径流流失负荷估算[J]. 环境科学, 2023, 44(7): 3913-3922. Zhang Y F, Pan Z Q, Chen D J. Estimation of cropland nitrogen runoff loss loads in the Yangtze River Basin based on the machine learning approaches[J]. Environmental Science, 2023, 44(7): 3913-3922. |
| [21] | Duan T T, Li Y X. A multiscale analysis of the spatially heterogeneous relationships between non-point source pollution-related processes and their main drivers in Chaohu Lake watershed, China[J]. Environmental Science and Pollution Research, 2023, 30(37): 86940-86956. DOI:10.1007/s11356-023-28233-1 |
| [22] |
郑博福, 刘海燕, 吴汉卿, 等. 中国农田磷流失风险评价及其关键驱动因素[J]. 农业工程学报, 2024, 40(2): 332-343. Zheng B F, Liu H Y, Wu H Q, et al. Risk assessment and key driving factors of phosphorus loss in farmland of China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2024, 40(2): 332-343. |
| [23] |
李明龙, 贾梦丹, 孙天成, 等. 三峡库区非点源污染氮磷负荷时空变化及其来源解析[J]. 环境科学, 2021, 42(4): 1839-1846. Li M L, Jia M D, Sun T C, et al. Spatiotemporal change and source apportionment of non-point source nitrogen and phosphorus pollution loads in the Three Gorges Reservoir Area[J]. Environmental Science, 2021, 42(4): 1839-1846. |
| [24] |
谭少军, 刘洋, 朱小婕, 等. 长江上游平原丘陵区农业非点源污染输出特征和驱动机制[J]. 环境科学, 2022, 43(6): 3128-3139. Tan S J, Liu Y, Zhu X J, et al. Output characteristics and driving mechanism of agricultural non-point source (AGNPS) pollutant in plain and valley region of upper Yangtze River, China[J]. Environmental Science, 2022, 43(6): 3128-3139. |
| [25] |
刘晓倩, 李玲, 孙小龙. 化肥面源污染排放的时空演进及驱动因素研究——基于中国13个粮食主产省2000~2020年数据[J]. 干旱区资源与环境, 2024, 38(5): 49-59. Liu X Q, Li L, Sun X L. Temporal and spatial evolution of non-point source pollution of chemical fertilizer in main grain producing areas of China[J]. Journal of Arid Land Resources and Environment, 2024, 38(5): 49-59. |
| [26] | Shirazi S Z, Mei X R, Liu B C, et al. Estimating potential yield and change in water budget for wheat and maize across Huang-Huai-Hai Plain in the future[J]. Agricultural Water Management, 2022, 260. DOI:10.1016/j.agwat.2021.107282 |
| [27] | Yue Y J, Yang W Q, Wang L. Assessment of drought risk for winter wheat on the Huanghuaihai Plain under climate change using an EPIC model-based approach[J]. International Journal of Digital Earth, 2022, 15(1): 690-711. DOI:10.1080/17538947.2022.2055174 |
| [28] | Zhao Y X, Xiao D P, Bai H Z, et al. Climate change impact on yield and water use of rice-wheat rotation system in the Huang-Huai-Hai Plain, China[J]. Biology, 2022, 11(9). DOI:10.3390/biology11091265 |
| [29] | Liu J, Sun B, Shen H L, et al. Crop water requirement and utilization efficiency-based planting structure optimization in the southern Huang-Huai-Hai Plain[J]. Agronomy, 2022, 12(9). DOI:10.3390/agronomy12092219 |
| [30] | Liu B Y, Lin B J, Li X X, et al. Appropriate farming practices of summer maize in the North China Plain: reducing nitrogen use to promote sustainable agricultural development[J]. Resources, Conservation and Recycling, 2021, 175. DOI:10.1016/j.resconrec.2021.105889 |
| [31] | Yin H J, Zhao W Q, Li T, et al. Balancing straw returning and chemical fertilizers in China: role of straw nutrient resources[J]. Renewable and Sustainable Energy Reviews, 2018, 81: 2695-2702. DOI:10.1016/j.rser.2017.06.076 |
| [32] | Zhang S J, Zhang G, Wang D J, et al. Long-term straw return with N addition alters reactive nitrogen runoff loss and the bacterial community during rice growth stages[J]. Journal of Environmental Management, 2021, 292. DOI:10.1016/j.jenvman.2021.112772 |
| [33] | Wang X Y, Zhu H, Shutes B, et al. Nutrient runoff loss from saline-alkali paddy fields in Songnen Plain of Northeast China via different runoff pathways: effects of nitrogen fertilizer types[J]. Environmental Science and Pollution Research, 2023, 30(43): 97977-97989. DOI:10.1007/s11356-023-29314-x |
| [34] | Chen M J, Janssen A B G, de Klein J J M, et al. Comparing critical source areas for the sediment and nutrients of calibrated and uncalibrated models in a plateau watershed in southwest China[J]. Journal of Environmental Management, 2023, 326. DOI:10.1016/j.jenvman.2022.116712 |
| [35] | Qiu W W, Zhong Z B, Li Z L. Agricultural non-point source pollution in China: evaluation, convergence characteristics and spatial effects[J]. Chinese Geographical Science, 2021, 31(3): 571-584. DOI:10.1007/s11769-021-1200-1 |
| [36] | Zou L L, Liu Y S, Wang Y S, et al. Assessment and analysis of agricultural non-point source pollution loads in China: 1978-2017[J]. Journal of Environmental Management, 2020, 263. DOI:10.1016/j.jenvman.2020.110400 |
| [37] | Redhead J W, May L, Oliver T H, et al. National scale evaluation of the InVEST nutrient retention model in the United Kingdom[J]. Science of the Total Environment, 2018, 610-611: 666-677. DOI:10.1016/j.scitotenv.2017.08.092 |
| [38] | Small G E, Martensson N, Janke B D, et al. Potential for high contribution of urban gardens to nutrient export in urban watersheds[J]. Landscape and Urban Planning, 2023, 229. DOI:10.1016/j.landurbplan.2022.104602 |
| [39] | Tran D X, Pearson D, Palmer A, et al. A comprehensive spatially-explicit analysis of agricultural landscape multifunctionality using a New Zealand hill country farm case study[J]. Agricultural Systems, 2022, 203. DOI:10.1016/j.agsy.2022.103494 |
| [40] |
郑亚平, 张俊华, 田惠文, 等. 大别山区生境质量时空特征及自然-人为因素驱动机制[J]. 环境科学, 2024, 45(4): 2268-2279. Zheng Y P, Zhang J H, Tian H W, et al. Spatio-temporal characteristics of habitat quality and natural-human driven mechanism in Dabie Mountain Area[J]. Environmental Science, 2024, 45(4): 2268-2279. |
| [41] |
何金珂, 周亚男, 陈跃红, 等. 基于最优尺度地理探测的长三角有机污染物时空分布驱动因素分析[J]. 环境科学, 2024, 45(6): 3480-3492. He J K, Zhou Y N, Chen Y H, et al. Driving factors analysis for spatial-temporal distribution of organic pollutants in the Yangtze River delta based on the optimal-scale geographical detector[J]. Environmental Science, 2024, 45(6): 3480-3492. DOI:10.3969/j.issn.1000-6923.2024.06.052 |
| [42] | Zhou J H, Liu X H, Liu X J, et al. Assessing agricultural non-point source pollution loads in typical basins of upper Yellow River by incorporating critical impacting factors[J]. Process Safety and Environmental Protection, 2023, 177: 17-28. DOI:10.1016/j.psep.2023.07.003 |
| [43] |
李华林, 张守红, 于佩丹, 等. 基于改进输出系数模型的非点源污染评估及关键源区识别: 以北运河上游流域为例[J]. 环境科学, 2023, 44(11): 6194-6204. Li H L, Zhang S H, Yu P D, et al. Estimation and critical source area identification of non-point source pollution based on improved export coefficient models: a case study of the upper Beiyun River Basin[J]. Environmental Science, 2023, 44(11): 6194-6204. DOI:10.3969/j.issn.1000-6923.2023.11.055 |
| [44] |
王有霄, 黄翀, 刘高焕, 等. 基于土壤流失的农业面源TN和TP排海系数估算[J]. 环境科学, 2022, 43(8): 4032-4041. Wang Y X, Huang C, Liu G H, et al. Estimation of agricultural non-point source TN and TP export coefficients based on soil Loss[J]. Environmental Science, 2022, 43(8): 4032-4041. |
| [45] |
葛小君, 黄斌, 袁再健, 等. 近20年来广东省农业面源污染负荷时空变化与来源分析[J]. 环境科学, 2022, 43(6): 3118-3127. Ge X J, Huang B, Yuan Z J, et al. Temporal and spatial variation characteristics and source analysis of agricultural non-point source pollution load in Guangdong during the past 20 years[J]. Environmental Science, 2022, 43(6): 3118-3127. |
| [46] |
谢经朝, 赵秀兰, 何丙辉, 等. 汉丰湖流域农业面源污染氮磷排放特征分析[J]. 环境科学, 2019, 40(4): 1760-1769. Xie J C, Zhao X L, He B H, et al. Analysis of the characteristics of nitrogen and phosphorus emissions from agricultural non-point sources on Hanfeng Lake Basin[J]. Environmental Science, 2019, 40(4): 1760-1769. |
| [47] |
裴玮, 雷秋良, 李影, 等. 2014—2019年青铜峡灌区入黄干沟水质时空分布及污染源解析[J]. 中国农业资源与区划, 2024, 45(3): 36-48. Pei W, Lei Q L, Li Y, et al. Spatiotemporal distributions of water quality of drainage ditches and its pollution source analysis from 2014 to 2019 in Qingtongxia irrigation district[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2024, 45(3): 36-48. |
| [48] |
彭畅, 朱平, 牛红红, 等. 农田氮磷流失与农业非点源污染及其防治[J]. 土壤通报, 2010, 41(2): 508-512. Peng C, Zhu P, Niu H H, et al. Nitrogen and phosphorus loss of farmland agricultural non-point source pollution and its prevention[J]. Chinese Journal of Soil Science, 2010, 41(2): 508-512. |
| [49] |
肖蔚, 叶长盛, 甘凤, 等. 环鄱阳湖城市群耕地面源污染时空演变研究[J]. 环境污染与防治, 2023, 45(12): 1648-1653, 1659. Xiao W, Ye C S, Gan F, et al. Study on the spatial-temporal evolution of non-point source pollution of cultivated land in the urban agglomeration around Poyang Lake[J]. Environmental Pollution and Control, 2023, 45(12): 1648-1653, 1659. |