2025, Vol. 46
2. 西部资源环境地理信息技术教育部工程研究中心, 昆明 650500;
3. 昆明第十中学, 昆明 650500
, PENG Shuang-yun1,2
, LIN Zhi-qiang1,2 , LI Ding-pu1,2 , LI Ting1,2 , ZHU Yi-lin1,2 , HUANG Bang-mei3
2. GIS Technology Engineering Research Centre for West-China Resources and Environment, Ministry of Education, Kunming 650500, China;
3. Kunming No. 10 Middle School, Kunming 650500, China
氮磷等营养物质的过量输出已成为全球关注的焦点[1], 其引发的富营养化问题严重威胁水生态安全和人类福祉[2 ~ 4]. 工农业发展和极端气候事件导致大量氮磷进入水体, 造成藻类过度生长以及水质恶化等一系列生态问题, 对水生生物生存、饮用水安全和可持续发展构成严峻挑战[5, 6]. 云南省作为中国西南生态安全屏障的重要组成部分, 其生物多样性和生态环境敏感脆弱[7]. 近年来, 快速城镇化导致土地利用格局剧变, 显著影响区域氮磷收支平衡[8 ~ 10]. 因此, 深入研究云南省氮磷输出的时空演变规律及其驱动机制, 对区域水环境保护、流域生态修复和可持续发展具有重要意义.
现有研究主要采用野外观测和模型模拟两种方法探究氮磷输出的时空动态. 野外观测能够提供真实可靠的监测数据, 揭示氮磷输出的实际变化规律, 但受时空尺度限制, 难以实现大范围长时间的连续分析[11, 12]. 模型模拟方法, 如SWAT和InVEST等, 结合遥感和GIS技术, 可实现对氮磷输出的动态变化进行大尺度、长周期的分析, 并能通过模拟不同的环境管理策略, 预测未来变化趋势, 为政策制定提供科学依据[13 ~ 17], 成为当前评估和管理流域氮磷污染的主流方法和重要手段. 然而, 目前大多数研究集中在经济发达地区或环境问题突出的流域, 对于西部地区, 尤其是云南省等生态脆弱区的氮磷输出研究相对较少.
氮磷输出驱动力分析常用的分析方法包括统计分析法、模型模拟法、情景分析法和同位素示踪法等[18]. 然而, 传统的统计分析法（如相关分析和回归分析等）难以有效揭示复杂系统中变量间的非线性因果关系, 且很少考虑因果关系的尺度依赖性[19, 20]. 模型模拟法和情景分析法虽然综合考虑多种过程和因素, 并模拟预测不同情景下氮磷输出的变化趋势, 但对数据和参数要求较高, 且存在不确定性[21 ~ 23]. 同位素示踪法虽然可以精准追踪氮磷的来源和迁移转化过程, 但技术复杂且成本较高[24]. 近年来, 地理收敛交叉映射（GCCM）模型作为一种新颖的因果推断方法, 通过检验变量间的非线性动态耦合关系, 可以有效识别复杂系统的因果关系, 并揭示因果关系的跨尺度变化特征[25]. 相比传统方法, GCCM模型在处理复杂系统中变量间的非线性因果关系方面具有独特优势. 然而, 目前GCCM模型在氮磷归因分析中的应用还比较少见.
鉴于此, 本文以云南省为研究区, 基于InVEST模型在定量评估2000~2020年云南省氮磷输出的时空变化特征的基础上, 利用GCCM模型揭示氮磷输出与土地利用、社会经济和自然环境因素之间的非线性因果关系及其尺度效应. 本研究不仅有助于加深对云南省氮磷收支格局演变规律的理解, 也为深入认识复杂系统中的因果关系提供新的思路和方法, 以期为云南省乃至西南地区的流域管理和生态保护提供更加科学和有针对性的决策依据.
1 材料与方法 1.1 研究区概况云南省位于中国西南边陲的云贵高原, 地貌以山地高原为主, 平均海拔超过2 000 m（图 1）. 其独特的地理位置和地形造就了低纬度高原季风气候, 雨量充沛但季节分配不均. 云南省是中国重要的农业基地, 以水稻、茶叶和烟草等作物种植为主. 然而, 集约化的农业活动导致氮磷等营养物质流失, 加剧了水体富营养化问题. 据统计, 云南50个重点湖库中, 近半数处于中-重度富营养状态, 威胁着生态安全和可持续发展.
|
图 1 研究区地理位置示意 Fig. 1 Geographic location of the study area |
土地利用数据来源于中国土地覆盖年度数据集（http://doi.org/10,5281/zenodo.4417809）, 该数据集包括耕地、林地、灌木、草地、水体、永久冰雪、荒地、不透水表面和湿地这9种用地类型, 分辨率为30 m. 降雨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/）, 该数据集包括了云南省及周边省份的178个气象站点的日降雨实测数据；植被覆盖度（NDVI）空间分布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/）, 该数据是基于连续时间序列的SPOT/VEGETATION NDVI卫星遥感数据, 采用最大值合成法生成的, 分辨率为1km. 人口密度空间分布数据来源于WorldPop数据集（https://www.worldpop.org/）, 该数据是基于行政单元的人口普查和预测计数的全球数据库, 采用自上而下建模方法, 并借助地理空间数据集将其分解为基于网格单元的计数获得的, 分辨率为100 m. 国内生产总值（GDP）空间分布数据来源于世界银行数据库（http://data.worldbank.org.cn）, 分辨率为1 km, 单位为万元·km-2. 上述数据的时间范围均为2000~2020年. 水文数据包括三级流域分区矢量数据和水质状况监测数据, 流域数据来源于国家冰川冻土沙漠科学数据中心（www.ncdc.ac.cn/portal/）；水质状况监测数据来源于云南省第二次全国污染普查公报、国家统计局（https://data.stats.gov.cn/easyquery.htm? cn=C01）, 以及云南省水资源公报；DEM数据来源于地理空间数据云（http://www.gscloud.cn/）, 分辨率为90 m.
1.3 研究方法 1.3.1 养分输送比（NDR）InVEST的养分输送模型目标是绘制流域的养分来源及其向河流的输送[26, 27]. 流域出口处的整体养分输出量等于流域内所有网格单元根据其土地类型的地表和地下养分负荷乘以相应输送速率计算得出的养分输出量之和（本文不考虑地下部分）, 计算公式如下：
|
(1) |
|
(2) |
式中, Xexp_tot表示流域的整体养分输出量（kg·a-1）；Xexp_i表示每个网格单元i的养分输出量（kg·a-1）；loadsurf, i 和NDRsurf, i 分别表示地表养分载荷[kg·（hm2·a）-1]和输送速率. 地表养分输送速率公式如下：
|
(3) |
|
(4) |
式中, NDR0_I表示输出速率, ICO和k为校正的参数, 其中, ICO表示反映地形特征的地形指数, k表示非物理参数, 常用来经验性地表示地形影响, 默认值设定为2；effi'表示地表栅格i和河流之间的最大滞留效率. 养分最大地表截留效率计算公式如下：
|
(5) |
|
(6) |
式中, effdown_i表示栅格i在流向下游河流过程中的有效停留率；effLULC_i 表示特定土地利用类型可能达到的最大拦截效率；Si 表示步长因子；Ldown_i 表示栅格i至河流相邻栅格的路径距离；LLULC_i 表示栅格i上由不同地类引起的拦截长度.
1.3.2 地理收敛交叉映射模型地理收敛交叉映射（geographic convergence cross mapping, GCCM）模型采用动力系统理论和广义嵌入理论, 通过空间横截面数据来推断变量间的因果关系[25]. 模型的实现主要包括状态空间重构、交叉映射预测和因果方向识别. 状态空间重构利用空间滞后（即空间邻居单元的值）来重构每个空间单元的状态空间, 公式如下：
|
(7) |
|
(8) |
交叉映射预测通过在重构的状态空间中寻找最近邻点来进行预测, 公式如下：
|
(9) |
式中, s表示需要预测Y值的空间单位, 
|
(10) |
式中, weightψ[(x, si), ψ(x, s)]为阴影流形中两个状态之间的权重函数, 定义下式：
|
(11) |
式中, exp表示指数函数, dis[ψ(x, si), ψ(x, s)]表示定义的阴影流形中两个状态之间的距离函数, 定义为下式：
|
(12) |
式中, |hsi(x)-hs(x)|表示实数的绝对值, abs [hsi(x)-hs(x)表示两个向量之间的距离函数, 作为ψ(x, si)中的第一个元素hsi(x)对应于空间焦点单位, 而ψ（x, si）中的其他元素分别对应于具有多个空间单位的矢量.
因果方向识别的关键在于利用皮尔逊相关系数来评估预测值与实际观测值之间的相关性, 进而衡量交叉映射预测的效果. 模型通过观察预测能力P随着状态空间重构所用数据量（即库的大小）的变化趋势, 来解析变量间的因果关系. P的计算公式如下：
|
(13) |
如果P（X）大于P（Y）, 则表明X对Y有主导的因果影响, 即X→Y；相反, 则Y对X有主导的因果作用, 即Y→X.
1.3.3 自然断点法自然断点法是一种基于聚类思想的数据分类方法, 其目的是将数据分成不同的组, 使得同一组内的数据相似性最大, 而不同组之间的差异性最大. 与传统的聚类算法（如K-means、Mean Shift和KNN等）相比, 自然断点法更关注类与类之间的边界, 而非类的中心. 这是因为任意数列之间都存在一些自然形成的（非人为设定的）转折点或断点, 这些自然断点具有重要的统计学意义[28]. 因此, 通过识别数据序列中的自然断点, 并利用这些断点所对应的数值, 可以作为氮磷输出量的参考值, 为氮磷管控提供科学依据. 具体实现步骤如下.
步骤1：确定数组分类数量n；
步骤2：计算每一类数组的平均值以及平均值的偏差平方和（SDAM）, 公式如下：
|
(14) |
|
(15) |
步骤3：对确定分类数n, 对数据进行排列组合, 计算不同排列组合下的类别均值的平方偏差平方和（SDCM）, 并找出最小的SDCM, 公式为：
|
(16) |
步骤4：计算确定分类数n下的方差拟合度（GVF）, 用于对分类效果进行汇总度量, 公式如下：
|
(17) |
式中, Xji 表示第j组的X值；SDAM表示数据方差；SDCM为所有方差的和；GVF表示方差拟合优度.
2 结果与分析 2.1 结果验证为了评估InVEST模型在云南省流域氮磷输出量模拟中的精度, 本文选取了2011年、2015年、2017年和2020年这4个时间点的实测数据进行验证（图 2）. 其中, 2011年和2015年的验证数据来源于国家统计局公开发布的数据集, 2017年的验证数据来自云南省第二次全国污染源普查公报, 2020年的验证数据则引自当年的云南省水资源公报. 通过比较模拟值与实测值, 结果显示, InVEST模型模拟的云南省流域氮磷输出量与实际观测数据吻合较好, 4个年份的相对误差总体控制在20%以内. 这一误差水平满足了区域尺度上水质净化服务评估的精度要求, 表明模拟结果具有较高的可靠性和适用性.
|
圆点位置表示误差值的大小 图 2 精度验证 Fig. 2 Precision validation |
在对2000~2020年氮磷输出量数据进行汇总平均后, 运用自然断点法将研究区氮磷输出水平划分为低、较低、中、较高和高共5个等级（图 3和图 4）. 结果显示, 云南省氮输出存在明显的空间异质性, 其中滇中城市群的氮输出显著高于其他区域, 而滇西北和滇南地区的氮输出相对较低. 2000~2020年间, 氮输出以较低值区为主, 占比在76.53%~77.29%之间, 但呈现逐年下降趋势. 低值区分布于滇中部分区域及滇东南地区, 占比在6.23%~8.75%之间. 中等值区分布较为分散, 主要位于滇西北和滇南以外的区域. 高值与较高值区的占比相对较小, 大部分年份稳定在7%左右. 然而, 2015年氮输出空间格局出现明显波动, 高值与较高值区占比降至4%, 而中等值区占比升至12.19%.
|
柱子边百分数表示占比 图 3 氮输出空间分布 Fig. 3 Spatial distribution of nitrogen output |
|
柱子边百分数表示占比 图 4 磷输出空间分布 Fig. 4 Spatial distribution of phosphorus output |
磷输出的空间分布格局与氮输出总体一致, 以较低值区为主导. 2000~2020年间, 磷输出较低值区的占比稳定在78.76%~80.02%之间, 表明云南省大部分地区的磷输出水平相对较低. 低值区的占比较小, 各年份均不超过6%. 中等值区的占比总体较为稳定, 在10%左右波动, 反映了磷输出中等水平在空间上的相对均衡. 高值与较高值区的占比最小, 总体在5%以内, 表明磷输出高值区和较高值区在云南省分布较为局限.
2015年云南省降水量的区域差异可能是导致氮磷输出空间格局剧烈变化的主要原因. 滇中城市群地区降水量偏多, 土壤水分含量增加, 加快了氮磷的迁移和转化过程, 导致氮磷输出增加；而滇西北和滇西地区降水量偏少, 土壤水分含量减少, 抑制了氮磷的迁移和转化过程, 导致氮磷输出减少.
2.3 氮磷输出量时空变化特征2000~2020年间云南省氮磷输出量呈现出了相同的变化趋势, 总体上先升后降, 中间伴有短期波动（图 5）. 2000~2003年间, 氮磷输出量显示出一个短暂的增长趋势, 随后整体呈下降态势, 氮输出量从6.96万t到2014年降至6.66万t, 减少了约4.31%, 磷输出量降至0.78万t, 减少了9.30%. 2015年后呈稳定并略降趋势. 这一阶段的相对稳定可能归因于环保政策和管理措施的实施开始显现成效. 尽管存在年度间的小幅波动, 但总体上呈减少趋势, 反映出长期环境保护努力产生了积极影响.
|
图 5 氮磷输出量变化 Fig. 5 Nitrogen and phosphorus output changes |
图 6展示了氮磷输出量空间变化特征. 从空间上看, 变化的区域主要集中于滇中、滇东和滇西一带, 而滇西北和滇南变化较为稳定. 从统计数据看, 氮磷输出量变化的总体特征表现出相似性. 数据显示, 无论是氮输出量还是磷输出量, 稳定不变的区域都占据主导地位, 分别为80.69%和78.41%. 轻微变化区域所占比例次之, 明显变化区域最少. 这一结果表明, 大部分区域氮磷输出量维持稳定状态, 仅有少部分区域出现轻微或明显变化. 尽管氮磷输出量变化总体特征相似, 但在稳定不变区域的比例上略有差异. 氮输出量稳定不变的区域比例为80.69%, 略高于磷输出量的78.41%. 在轻微变化区域的比例方面, 氮磷输出量表现出基本一致的特点. 氮输出量轻微降低和升高的区域分别为8.37%和8.04%, 与磷输出量的8.64%和8.47%十分接近. 说明在氮磷输出量发生轻微变化的区域中, 增减方向基本平衡, 且两种元素的变化幅度相当. 然而, 在明显变化区域的比例上, 磷输出量高于氮输出量. 磷输出量明显降低和升高的区域分别为2.66%和1.82%, 而氮输出量仅为1.55%和1.36%. 这一差异意味着, 与氮相比, 磷输出量在更多区域出现明显变化, 尤其是明显降低的比例更高.
|
图 6 氮磷输出量空间变化 Fig. 6 Spatial variation of nitrogen and phosphorus output |
从总体变化趋势来看, 氮磷输出量也存在一定差异. 氮输出量降低（包括轻微降低和明显降低）的区域为9.92%, 升高的区域为9.40%；而磷输出量降低的区域为11.30%, 升高的区域为10.29%. 这一结果表明, 总体而言, 氮输出量变化趋于平衡, 而磷输出量则呈现微弱的下降趋势.
2.4 氮磷输出空间聚集变化特征局部莫兰指数（local Moran's I）分析结果表明（图 7）, 氮磷输出量的空间分布呈现出显著的聚类特征. 在空间分布上, 高高聚类（high-high cluster）和低低聚类（low-low cluster）区域明显, 高高聚区多集中于滇中城市群和滇西一带, 低低聚集区集中于滇西北区域. 而高低离群值（high-low outlier）和低高离群值（low-high outlier）区域相对较少. 这一结果表明, 氮磷输出量的空间分布具有显著的空间自相关性, 即相似值在空间上趋于聚集, 而非随机分布. 高高聚类区主要位于城镇化水平高、农业条件好的地区, 以上区域人口密集和经济发达, 生活污水排放和农业面源污染负荷较重, 导致氮磷输出强度显著高于其他区域. 而低低聚类区可能位于农业活动较少的偏远山区或林地, 氮磷输出强度相对较低.
|
图 7 氮磷输出空间聚类 Fig. 7 Spatial clustering of nitrogen and phosphorus output |
利用GCCM分析了氮输出与各驱动因素之间的相关关系, 为了全面评估这些关系在不同时空尺度下的稳健性, 设置了不同的库值范围（0~150）, 以此比较各个范围内的因果关系强度和方向（图 8）. 结果表明, 地形（DEM）、植被覆盖度（NDVI）、降雨、坡度以及土地利用类型（耕地、林地和水体）与氮输出之间存在显著相关性. 然而, GDP、人口密度、草地和灌木与氮输出之间的相关性并不显著. 此外, 由于荒地、不透水面和湿地的面积占比较小且分布较为分散, 无法得出明确的相关性结论.
|
图 8 氮输出因果推断 Fig. 8 Causal inference of nitrogen output |
研究发现, 氮输出与不同土地利用类型（耕地、林地和水体）之间的因果关系强度和方向随空间尺度（库值范围）的变化而动态变化. 耕地与氮输出在较小（0~30）和较大（90~150）的库值范围内, 氮输出是主导因子；而在中等库值范围（30~90）内, 耕地面积成为主导因子. 林地与氮输出在较小（0~35）和较大（95~150）的库值范围内, 氮输出是主导因子；而在中等库值范围（35~95）内, 林地面积成为主导因子. 水体与氮输出：在较小到中等库值范围（0~130）内, 两者之间没有明显的因果关系；但在较大库值范围（130~150）内, 氮输出是主导因子. 此外, 地形（DEM）、植被覆盖度（NDVI）、降雨在整个库值范围内（0~150）始终是导致氮输出变化的主导因子, 相关系数P值分别为0.25、0.12和0.24. 对于坡度与氮输出的关系, 在较弱到中等关联强度（0~120）下, 两者之间的主导方向不明确；但在较强关联强度（120~150）下, 坡度是主导因子, 相关系数P值为0.20. 这表明, 在大尺度上, 坡度对氮输出的影响更加显著. 综上所述, 氮输出与不同土地利用类型之间的因果关系具有尺度依赖性, 在不同的空间尺度下表现出不同的强度和方向, 可能与不同土地利用类型对氮循环的调节作用在不同尺度下的差异有关.
2.5.2 磷输出归因分析根据图 9的结果, GCCM揭示了磷输出与各驱动因素之间的相关关系. 本研究结果表明, 磷输出与DEM、NDVI、人口密度、降雨、坡度、耕地、林地、永久冰雪和水体存在相关关系；而与GDP、草地和灌木无相关关系. 由于荒地、不透水面和湿地的面积占比较小且分布较散, 没有显示明确结果.
|
图 9 磷输出因果推断 Fig. 9 Causal inference of phosphorus output |
磷输出与不同土地利用类型之间的因果关系强度和方向随空间尺度（库值范围）的变化而动态变化：耕地与磷输出在库值范围0~40和90~150之间, 磷输出是主导方向；而在40~90之间, 耕地和磷输出之间不存在相关关系. 林地与磷输出在库值范围0~30和90~150之间, 磷输出是主导方向；而在30~90之间, 林地是主导方向. 水体与磷输出在库值范围130~150之间, 水体是主导方向；而在0~130之间, 水体和磷输出之间不存在相关关系. 另一方面, DEM、NDVI、降雨、人口密度和坡度始终是导致磷输出变化的主导因素：在整个库值范围0~150内, DEM、NDVI和降雨始终是磷输出的主导因素, 相关系数P值分别为0.216、0.222和0.217. 对于人口密度, 它在库值范围0~90内是磷输出的主导因素, 在90~150范围内, 人口密度成为主导方向, 相关系数P值较小, 为0.09. 坡度与磷输出之间的关系在库值范围130~150内, 坡度是主导因素, 相关系数P值为0.25, 而在0~130范围内, 两者之间的主导方向不明确.
3 讨论本研究利用GCCM模型从多个空间尺度上分析了云南省流域氮磷输出与土地利用、自然环境和社会经济因素之间的因果关系, 揭示了不同驱动因素对氮磷输出的影响强度和方向具有明显的空间尺度依赖性. 研究结果与国内外多项研究具有一定的一致性 [29 ~ 32], 即土地利用类型、地形、植被覆盖度和降雨等因素被发现对氮磷输出具有显著影响. 例如, Hashemi等[33]发现耕地面积的增加会导致氮磷输出的增加, 而林地面积的增加则会降低氮磷输出. 此外, 一些研究也发现氮磷输出与驱动因素之间的关系具有尺度依赖性, 即在不同空间尺度下表现出不同的强度和方向, 这同样与本研究的结果相一致.
然而, 本研究发现GDP和人口密度与氮磷输出之间的相关性并不显著, 这与某些研究结果存在差异[34 ~ 36]. 造成这一差异的可能原因是云南省独特的地理环境和社会经济条件. 云南省地形复杂, 山地面积广阔, 人口和经济活动多集中与河谷和盆地等面积相对较小的地区. 此外, 云南省经济发展水平相对较低, 以农业和旅游业为主, 工业化程度较低. 这些特点可能导致GDP和人口密度的增加对全省范围内的氮磷输出影响有限.
本研究一个重要的发现是氮磷输出与土地利用类型之间因果关系存在尺度依赖性. 这可能与不同土地利用类型对氮磷循环的调节作用在不同尺度上的差异有关[37, 38]. 在小尺度上, 氮磷输出主要受到局部土地利用方式的影响, 如化肥施用、农业管理措施等[39, 40]. 而在大尺度上, 土地利用类型的空间分布格局对氮磷输出的影响更加显著[41, 42]. 例如, 大面积连片的农田可能会导致更高的氮磷输出, 而分散的林地斑块则有助于减缓氮磷流失. 此外, 地形、植被覆盖度和降雨等自然因素对氮磷循环和输出的调节作用也不容忽视[2, 43, 44].
本研究引入GCCM模型来准确识别变量间的因果关系及其跨尺度变化特征. 与传统的相关性分析和回归分析方法相比, GCCM模型能够更加准确地揭示变量之间的因果关系方向和强度[25], 为深入理解流域氮磷迁移转化过程提供了新的视角和方法. 研究揭示了不同土地利用类型对氮磷输出影响的尺度效应. 已有研究多在单一尺度上评估土地利用对氮磷迁移的影响[45, 46], 很少考虑空间尺度变化的调节作用. 本研究发现, 耕地、林地等土地利用类型与氮磷输出之间的因果关系强度和方向会随着空间尺度的变化而动态变化, 深化了人们对流域氮磷迁移转化过程的理解.
本研究结果对流域管理具有一定的启示. 在制定氮磷污染控制策略时, 需要充分考虑不同土地利用类型在不同空间尺度上的作用, 并针对性地采取措施, 如优化土地利用结构、加强农田管理、保护和恢复自然植被等. 此外, 还需要综合考虑自然环境因素的影响, 如因地制宜地实施水土保持措施、调整农业生产布局等.
未来的研究可以在此基础上, 进一步探讨驱动因素之间的交互作用机制, 评估全球变化背景下流域氮磷迁移的长期演变趋势, 为流域的可持续管理提供更加全面和长效的科学支撑.
4 结论（1）云南省氮磷输出存在明显的时空异质性. 2000~2020年间, 氮磷输出总体呈现先升后降的趋势, 空间上以较低值区为主, 高值区主要集中在滇中城市群. 氮磷输出变化的区域主要位于滇中、滇东及滇西, 而滇西北和滇南相对稳定.
（2）氮磷输出的空间分布具有显著的聚类特征. 高高聚类区主要位于城镇化水平高、农业条件好的地区, 低低聚类区多位于农业活动较少的偏远山区或林地.
（3）地形、植被覆盖度、降雨、坡度以及耕地、林地、水体等土地利用类型是影响氮磷输出的主要驱动因素, 而GDP、人口密度、草地和灌木与氮磷输出之间的相关性并不显著.
（4）氮磷输出与不同土地利用类型之间的因果关系具有尺度依赖性. 在不同的空间尺度下, 耕地、林地和水体对氮磷输出的影响强度和方向表现出明显差异. 这可能与不同土地利用类型对氮磷循环的调节作用在不同尺度上的差异有关.
| [1] |
王美慧, 周脚根, 韩增, 等. 亚热带典型小流域磷收支及流失特征对比研究[J]. 自然资源学报, 2016, 31(2): 321-330. Wang M H, Zhou J G, Han Z, et al. Comparison on phosphorus budgets in two typical subtropical small watersheds of China[J]. Journal of Natural Resources, 2016, 31(2): 321-330. |
| [2] |
温美丽, 杨龙, 方国祥, 等. 新丰江水库上游氮磷污染的时空变化[J]. 热带地理, 2015, 35(1): 103-110. Wen M L, Yang L, Fang G X, et al. Spatio-Temporal variation of nitrogen and phosphorus pollution in upriver watercourse of the Xinfengjiang Reservoir in Guangdong Province[J]. Tropical Geography, 2015, 35(1): 103-110. |
| [3] |
高伟, 高波, 严长安, 等. 鄱阳湖流域人为氮磷输入演变及湖泊水环境响应[J]. 环境科学学报, 2016, 36(9): 3137-3145. Gao W, Gao B, Yan C A, et al. Evolution of anthropogenic nitrogen and phosphorus inputs to Lake Poyang Basin and its' effect on water quality of lake[J]. Acta Scientiae Circumstantiae, 2016, 36(9): 3137-3145. |
| [4] | Jones E R, Bierkens M F P, van Vliet M T H. Current and future global water scarcity intensifies when accounting for surface water quality[J]. Nature Climate Change, 2024, 14(6): 629-635. DOI:10.1038/s41558-024-02007-0 |
| [5] |
吕笑天, 吕永龙, 宋帅, 等. 气候变化与人类活动双重驱动的冷水湖泊富营养化[J]. 生态学报, 2017, 37(22): 7375-7386. Lü X T, Lü Y L, Song S, et al. Eutrophication in cold-water lakes driven by combined effects of climate change and human activities[J]. Acta Ecologica Sinica, 2017, 37(22): 7375-7386. |
| [6] |
文刚, 王茹, 温成成, 等. 淡水甲藻水华形成原因及原位控制研究进展[J]. 中国环境科学, 2023, 43(5): 2239-2253. Wen G, Wang R, Wen C C, et al. A review on the formation mechanism and in-situ control of freshwater dinoflagellate bloom[J]. China Environmental Science, 2023, 43(5): 2239-2253. DOI:10.3969/j.issn.1000-6923.2023.05.015 |
| [7] |
杨文仙, 李石华, 彭双云, 等. 顾及地形起伏的InVEST模型的生物多样性重要区识别——以云南省为例[J]. 应用生态学报, 2021, 32(12): 4339-4348. Yang W X, Li S H, Peng S Y, et al. Identification of important biodiversity areas by InVEST model considering topographic relief: a case study of Yunnan Province, China[J]. Chinese Journal of Applied Ecology, 2021, 32(12): 4339-4348. |
| [8] |
高群, 余成. 城市化进程对氮循环格局及动态的影响研究进展[J]. 地理科学进展, 2015, 34(6): 726-738. Gao Q, Yu C. A review of urbanization impact on nitrogen cycle[J]. Progress in Geography, 2015, 34(6): 726-738. |
| [9] | Zhang W S, Li X Y, Swaney D P, et al. Does food demand and rapid urbanization growth accelerate regional nitrogen inputs?[J]. Journal of Cleaner Production, 2016, 112: 1401-1409. DOI:10.1016/j.jclepro.2015.07.046 |
| [10] | Huang C L, Qu S, Gao B, et al. Effects of urbanization on phosphorus metabolism in a typical agricultural area[J]. Journal of Cleaner Production, 2019, 214: 803-815. DOI:10.1016/j.jclepro.2019.01.008 |
| [11] | Wu Y P, Chen J. Investigating the effects of point source and nonpoint source pollution on the water quality of the East River (Dongjiang) in South China[J]. Ecological Indicators, 2013, 32: 294-304. DOI:10.1016/j.ecolind.2013.04.002 |
| [12] | Song Y N, Wu Y P, Sun C S, et al. Spatiotemporal features of pollutant loads in the Yan River Basin, a typical loess hilly and gully watershed in the Chinese Loess Plateau[J]. Geoscience Letters, 2022, 9(1). DOI:10.1186/s40562-022-00220-3 |
| [13] |
李威, 赵祖伦, 吕思思, 等. 基于InVEST模型的水质净化功能时空分异研究[J]. 灌溉排水学报, 2022, 41(3): 105-113. Li W, Zhao Z L, Lü S S, et al. Attenuation of pollutants in Beipanjiang River Basin calculated using the InVEST model[J]. Journal of Irrigation and Drainage, 2022, 41(3): 105-113. |
| [14] |
谢慧钰, 贾世琪, 王业耀, 等. 基于文献计量学的流域土地利用研究热点与趋势[J]. 生态毒理学报, 2023, 18(2): 506-518. Xie H Y, Jia S Q, Wang Y Y, et al. Status and trends of land use in watershed based on bibliometrics analysis[J]. Asian Journal of Ecotoxicology, 2023, 18(2): 506-518. |
| [15] | Qi J Y, Zhang X S, Yang Q C, et al. SWAT ungauged: water quality modeling in the Upper Mississippi River Basin[J]. Journal of Hydrology, 2020, 584. DOI:10.1016/j.jhydrol.2020.124601 |
| [16] | Zeiger S J, Owen M R, Pavlowsky R T. Simulating nonpoint source pollutant loading in a karst basin: a SWAT modeling application[J]. Science of the Total Environment, 2021, 785. DOI:10.1016/j.scitotenv.2021.147295 |
| [17] | Basu N B, Van Meter K J, Byrnes D K, et al. Managing nitrogen legacies to accelerate water quality improvement[J]. Nature Geoscience, 2022, 15(2): 97-105. DOI:10.1038/s41561-021-00889-9 |
| [18] |
戴尔阜, 王晓莉, 朱建佳, 等. 生态系统服务权衡: 方法、模型与研究框架[J]. 地理研究, 2016, 35(6): 1005-1016. Dai E F, Wang X L, Zhu J J, et al. Methods, tools and research framework of ecosystem service trade-offs[J]. Geographical Research, 2016, 35(6): 1005-1016. |
| [19] |
梁吉业, 冯晨娇, 宋鹏. 大数据相关分析综述[J]. 计算机学报, 2016, 39(1): 1-18. Liang J Y, Feng C J, Song P. A survey on correlation analysis of big data[J]. Chinese Journal of Computers, 2016, 39(1): 1-18. |
| [20] | He J, Wu X, Zhang Y, et al. Management of water quality targets based on river-lake water quality response relationships for lake basins - A case study of Dianchi Lake[J]. Environmental Research, 2020, 186. DOI:10.1016/j.envres.2020.109479 |
| [21] |
黄从红, 杨军, 张文娟. 生态系统服务功能评估模型研究进展[J]. 生态学杂志, 2013, 32(12): 3360-3367. Huang C H, Yang J, Zhang W J. Development of ecosystem services evaluation models: research progress[J]. Chinese Journal of Ecology, 2013, 32(12): 3360-3367. |
| [22] |
杨凯杰, 吕昌河. SWAT模型应用与不确定性综述[J]. 水土保持学报, 2018, 32(1): 17-24, 31. Yang K J, Lü C H. Reviews on application and uncertainty of SWAT model[J]. Journal of Soil and Water Conservation, 2018, 32(1): 17-24, 31. |
| [23] | Sperotto A, Molina J L, Torresan S, et al. Water quality sustainability evaluation under uncertainty: a multi-scenario analysis based on Bayesian Networks[J]. Sustainability, 2019, 11(17). DOI:10.3390/su11174764 |
| [24] |
葛体达, 王东东, 祝贞科, 等. 碳同位素示踪技术及其在陆地生态系统碳循环研究中的应用与展望[J]. 植物生态学报, 2020, 44(4): 360-372. Ge T D, Wang D D, Zhu Z K, et al. Tracing technology of carbon isotope and its applications to studies of carbon cycling in terrestrial ecosystem[J]. Chinese Journal of Plant Ecology, 2020, 44(4): 360-372. |
| [25] | Gao B B, Yang J Y, Chen Z Y, et al. Causal inference from cross-sectional earth system data with geographical convergent cross mapping[J]. Nature Communications, 2023, 14(1). DOI:10.1038/s41467-023-41619-6 |
| [26] |
邓钰栎, 王丹, 许涵. 双尺度下广东韶关市生态系统服务及其权衡/协同关系及社会生态驱动因素[J]. 应用生态学报, 2023, 34(11): 3073-3084. Deng Y Y, Wang D, Xu H. Trade-offs and synergies relationships of ecosystem services and their socio-ecological driving factors under different spatial scales in Shaoguan City, Guangdong, China[J]. Chinese Journal of Applied Ecology, 2023, 34(11): 3073-3084. |
| [27] |
叶敦雨, 孙小银, 单瑞峰. 南四湖流域近45 a水质净化服务功能的时空演变及其影响因素[J]. 生态与农村环境学报, 2023, 39(8): 990-998. Ye D Y, Sun X Y, Shan R F. Study on the spatio-temporal changes of water purification service function and its influencing factors of Nansihu Lake Basin for 45 Years[J]. Journal of Ecology and Rural Environment, 2023, 39(8): 990-998. |
| [28] |
刘霆威, 徐良杰, 袁凯, 等. 基于自然断点法的共享单车停放区定容方法[J]. 武汉理工大学学报(交通科学与工程版), 2023, 47(6): 992-997. Liu T W, Xu L J, Yuan K, et al. Constant volume method of shared bicycle parking area based on Natural Breakpoint Method[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering), 2023, 47(6): 992-997. |
| [29] | Meacham M, Queiroz C, Norström A V, et al. Social-ecological drivers of multiple ecosystem services: what variables explain patterns of ecosystem services across the Norrström drainage basin?[J]. Ecology and Society, 2016, 21(1). DOI:10.5751/es-08077-210114 |
| [30] |
周林飞, 郝利朋, 孙中华. 辽宁浑河流域不同土地类型地表径流和壤中流氮、磷流失特征[J]. 生态环境学报, 2011, 20(4): 737-742. Zhou L F, Hao L P, Sun Z H. Characteristics of nitrogen and phosphorus losses through surface flow and interflow on different types of land in Liaoning Hunhe Basin[J]. Ecology and Environmental Sciences, 2011, 20(4): 737-742. DOI:10.3969/j.issn.1674-5906.2011.04.027 |
| [31] |
任盛明, 曹龙熹, 孙波. 亚热带中尺度流域氮磷输出的长期变化规律与影响因素[J]. 土壤, 2014, 46(6): 1024-1031. Ren S M, Cao L X, Sun B. Long-term changes of nitrogen and phosphorus exports and their affecting factors in a basin in subtropical China[J]. Soils, 2014, 46(6): 1024-1031. |
| [32] |
杨翠萍, 脱云飞, 张岛, 等. 降雨对不同土地利用类型土壤水氮变化特征的影响[J]. 水土保持学报, 2019, 33(6): 220-226. Yang C P, Tuo Y F, Zhang D, et al. Effects of rainfall on soil water and nitrogen change characteristics under different land uses[J]. Journal of Soil and Water Conservation, 2019, 33(6): 220-226. |
| [33] | Hashemi F, Olesen J E, Dalgaard T, et al. Review of scenario analyses to reduce agricultural nitrogen and phosphorus loading to the aquatic environment[J]. Science of the Total Environment, 2016, 573: 608-626. DOI:10.1016/j.scitotenv.2016.08.141 |
| [34] | Ma X, Brookes J, Wang X L, et al. Water quality improvement and existing challenges in the Pearl River Basin, China[J]. Journal of Water Process Engineering, 2023, 55. DOI:10.1016/j.jwpe.2023.104184 |
| [35] | Wang X Y, Yang Y Q, Wan J, et al. Water quality variation and driving factors quantitatively evaluation of urban lakes during quick socioeconomic development[J]. Journal of Environmental Management, 2023, 344. DOI:10.1016/j.jenvman.2023.118615 |
| [36] | Wu T, Wang S R, Su B L, et al. Understanding the water quality change of the Yilong Lake based on comprehensive assessment methods[J]. Ecological Indicators, 2021, 126. DOI:10.1016/j.ecolind.2021.107714 |
| [37] |
傅伯杰, 陈利顶, 王军, 等. 土地利用结构与生态过程[J]. 第四纪研究, 2003, 23(3): 247-255. Fu B J, Chen L D, Wang J, et al. Land use structure and ecological processes[J]. Quaternary Sciences, 2003, 23(3): 247-255. DOI:10.3321/j.issn:1001-7410.2003.03.002 |
| [38] |
韩黎阳, 黄志霖, 肖文发, 等. 三峡库区兰陵溪小流域土地利用及景观格局对氮磷输出的影响[J]. 环境科学, 2014, 35(3): 1091-1097. Han L Y, Huang Z L, Xiao W F, et al. Effects of land use and landscape pattern on nitrogen and phosphorus exports in Lanlingxi watershed of the Three Gorges Reservoir Area, China[J]. Environmental Science, 2014, 35(3): 1091-1097. |
| [39] |
王慧勇, 遆超普, 王良杰, 等. 基于SWAT模型的典型农业小流域氮污染时空分布特征及关键源解析[J]. 湖泊科学, 2022, 34(2): 517-527. Wang H Y, Ti C P, Wang L J, et al. Spatiotemporal distribution characteristics and key sources of nitrogen pollution in a typical agricultural watershed based on SWAT model[J]. Journal of Lake Sciences, 2022, 34(2): 517-527. |
| [40] |
向前, 蒋舜尧, 熊勤学, 等. 沮河流域景观格局对水体氮磷输出的影响[J]. 水生态学杂志, 2023, 1-13. Xiang Q, Jiang S Y, Xiong Q X, et al. Influence of landscape patterns on nitrogen and phosphorus export from water bodies in the Ju River Basin[J]. Journal of Hydroecology, 2023, 1-13. DOI:10.15928/j.1674-3075.202309010242 |
| [41] |
张晗, 欧阳真程, 赵小敏. 不同利用方式对江西省农田土壤碳氮磷生态化学计量特征的影响[J]. 环境科学学报, 2019, 39(3): 939-951. Zhang H, Ouyang Z C, Zhao X M. Effects of different land use types on ecological stoichiometry characteristics of carbon, nitrogen and phosphorus in farmland soils in Jiangxi Province, China[J]. Acta Scientiae Circumstantiae, 2019, 39(3): 939-951. |
| [42] | Dou J H, Xia R, Chen Y, et al. Mixed spatial scale effects of landscape structure on water quality in the Yellow River[J]. Journal of Cleaner Production, 2022, 368. DOI:10.1016/j.jclepro.2022.133008 |
| [43] |
宋立芳, 王毅, 吴金水, 等. 水稻种植对中亚热带红壤丘陵区小流域氮磷养分输出的影响[J]. 环境科学, 2014, 35(1): 150-156. Song L F, Wang Y, Wu J S, et al. Impact of rice agriculture on nitrogen and phosphorus exports in streams in hilly red soil earth region of central subtropics[J]. Environmental Science, 2014, 35(1): 150-156. |
| [44] | Ran J, Xiang R, He J, et al. Spatiotemporal variation and driving factors of water quality in Yunnan-Guizhou plateau lakes, China[J]. Journal of Contaminant Hydrology, 2023, 254. DOI:10.1016/j.jconhyd.2023.104141 |
| [45] |
邹刚华, 赵凤亮, 单颖. 典型红壤区不同土地利用方式下氮素垂直分布及其影响因素[J]. 生态与农村环境学报, 2019, 35(5): 644-650. Zou G H, Zhao F L, Shan Y. Vertical distribution of nitrogen and its influencing factors under different land use patterns in a typical red soil region[J]. Journal of Ecology and Rural Environment, 2019, 35(5): 644-650. |
| [46] |
陈仕奇, 龙翼, 严冬春, 等. 三峡库区石盘丘小流域氮磷输出形态及流失通量[J]. 环境科学, 2020, 41(3): 1276-1285. Chen S Q, Long Y, Yan D C, et al. Characteristics of nitrogen and phosphorus output and loss flux in the Shipanqiu watershed, Three Gorges Reservoir Area[J]. Environmental Science, 2020, 41(3): 1276-1285. |