2021, Vol. 42
2. 闽江学院海洋研究院, 福州 350108
2. Institute of Oceanography, Minjiang University, Fuzhou 350108, China
近几十年来, 全球近海流域普遍存在氮(N)和磷(P)等营养盐输出通量大量增加的现象[1, 2].河流氮通量增加会导致自然资源(土壤和淡水)退化, 生物多样性的丧失, 危害人们所依赖的生态系统服务的供给[3, 4]. 随着工业化程度不断提高, 城市化进程加快, 中国近海河流受到不同程度的N污染, 加剧了我国的水资源短缺[5], 近年来学者开始呼吁加强氮的管理以恢复中国河流水质[6], 因此研究我国近海河流氮输出的影响机制很有必要.
河流氮输出受到流域内土地利用、水文状况和微生物N转化过程等因素影响. 土地利用作为人类活动作用于生态环境的一种最显著的形式, 通过点源和非点源方式影响河流氮输出, 是导致河流-近海水质退化的主要因素[7]. 流域水文过程和生物地球化学过程是驱动河流氮输出季节或年际变化的两大重要机制[8, 9]. 已有研究发现, 城市远郊、近郊以及城市流域内由城市化引起的水文状况变化对河流氮输出起到增益效应[10, 11]. 但是, 这些人为和自然因素对河流氮输出的影响程度和方式会随着时间和空间的变化而变化[12]. 从土地利用模式和水文状况的视角揭示河流氮输出时空变异性的驱动机制, 是值得深入探讨的科学问题.
因此, 本文以涉及近千万人用水安全, 且深受自然和人类双重扰动的亚热带中尺度近海流域——九龙江流域为研究对象, 基于流域内不同主导土地利用类型源头小流域2010~2017年水质监测数据和模拟流量数据, 分析典型小流域河流氮输出对土地利用模式和水文状况的响应机制, 以期为九龙江流域或中国其他近海流域水环境管理者和决策者提供有益参考, 协助其从土地利用和气候变化影响的视角制定河流氮的管理策略.
1 材料与方法 1.1 研究区域九龙江流域(116°46′55″~118°02′17″E, 24°23′53″~25°53′38″N)作为福建省第二大流域, 流域总面积为1.47×104 km2, 主要由北溪、西溪两大干流构成, 两干流在漳州汇合, 由厦门港入海(图 1). 2010~2017年流域平均年降雨量为920.2~1 737.3 mm, 年均降雨量由内地向沿海递减. 流域的降雨量季节变化明显, 主要降雨集中在4~9月, 约占全年降雨量70%以上. 年均径流量为1.49×1010 m3, 其中北溪年平均径流量(浦南断面)为9.47×109 m3, 西溪年平均径流量(郑店断面)为4.28×109 m3.
|
图 1 采样点位分布情况示意 Fig. 1 Location of sampling sites |
本研究分别计算1961~2002年北溪和西溪的年平均径流深(runoff), 并将2010~2017年北溪和西溪的各年平均径流深与平均值对比, 高于平均值的定义为丰水年, 反之则为枯水年[13]. 结果表明, 对于北溪而言, 2010、2012~2014和2016年为丰水年; 2011、2015和2017年为枯水年. 对于西溪而言, 2010、2013和2016年为丰水年; 2011~2012、2014~2015和2017年则为枯水年. 此外, 对1961~2002年月径流量数据计算四分位数, 以25%和75%位置上的值定义不同水期：枯水期(P < 25%)：11、12和1月; 平水期(P为25%~75%): 2、3、7、9和10月; 丰水期(P>75%)：4、5、6和8月[8]. 2010~2017年间, 由于降雨量的季节变化导致枯水年平水期的径流量反而高于丰水期, 但是为了对比丰水年和枯水年同一采样时间段内氮浓度及氮输出负荷的变化趋势, 不同水文年丰水期、平水期和枯水期的划分均参照上述划分依据.
1.3 水质监测与分析本研究遴选10个不同主导土地利用模式源头小流域, 设置13个采样点开展基流水质调查与采样分析. 小流域类型分别包括：城市流域(U1~U3和DX)、农业流域(A1~A5)和自然流域(N1、N2和SXJH). 农业、城市和自然流域的划分原则为：建设用地比例高于8%的流域为城市流域, 农业用地比例高于10%的流域为农业流域, 林地比例高于80%的为自然流域, 划分依据参考文献[8, 14], 并综合考虑流域地理位置等因素设计.
河流氮的监测时间为2010~2017年, 其中, 2010年3月~2013年12月采样频率为3次·a-1, 平水期(2或3月)、丰水期(8月)和枯水期(11月); 2014年1~12月, 监测频率为1次·月-1; 2015年3月~2016年3月, 采样频率为2次·月-1; 2016年4月~2017年12月, 采样频率为1次·月-1. 本研究中使用有机玻璃采水器(型号为WB-PM, 2 L)采集约0.5 m深河流表层水, 水样装于聚乙烯瓶(500 mL), 运输过程中样品保存于4℃采样箱中. 主要监测指标包括：总氮(TN)、氨氮(NH4+-N)、硝态氮(NO3--N)和亚硝态氮(NO2--N), 所有指标均在48 h内完成测定, 实验原理及步骤详见文献[15]. 其中TN和NO2--N的浓度于2015年3月开始监测, 因此, 河流氮输出的年际变化模式分析中仅考虑NH4+-N和NO3--N.
1.4 研究方法 1.4.1 流量模拟鉴于大部分小流域出口未设置水文站点, 本研究所使用的日流量数据(2010年1月~2017年12月)是基于九龙江流域已构建的HSPF模型[16]模拟所得. 对于北溪而言, 校准期HSPF模型的纳什系数(nash-sutcliffe efficiency coefficient, Ens)和决定系数(R2)分别为0.60和0.61, 验证期为0.67和0.67; 对于西溪而言, 校准期的Ens和R2分别为0.67和0.70, 验证期的Ens和R2分别为0.79和0.80. 总体而言, HSPF模型在九龙江流域日径流量模拟效果较好.
1.4.2 土地利用数据获取本研究选用2010和2016年Landsat TM遥感影像数据, 影像分辨率为30 m, 采用基于光谱特征的分类方法, 运用交互式拉伸(interactive contrast stretching)、ISODATA聚类算法(ISODATA clustering algorism)和再分类(reclassification)相结合解译2010和2016年TM遥感影像, 获取土地利用/覆被数据, 最后将土地利用数据归并成6大类：林地、农业用地、水体、建设用地、果园和未利用地. 2010和2016年再分类后的遥感影像精度分别为83.7%和90.0%, 符合本研究对土地利用数据的精度要求.
1.4.3 输出负荷计算首先, 采用全局均值法(global mean method, GM)和流量权重法(flow weighted method, FW)[13]计算河流氮的输出通量. 当研究期间内的水质监测次数 < 2时, 仅使用全局均值法计算通量, 例如日输出通量的计算. 其次, 将两种方法计算的结果取平均值, 减少一些如水文状况等引起的不确定性因素的影响[17]. 最后, 基于研究期内的输出通量平均值计算不同类型流域单位面积的氮输出量, 即输出负荷, 用于后续的分析.
1.4.4 数理统计方法应用One-Sample Kolmogorov-Smirnov Test检验水质指标TN、NO3--N、NH4+-N、NO2--N浓度和输出负荷以及土地利用面积百分比(Forest%、Cropland%、Orchard%和Builtup%)、径流深是否符合正态分布, 对于不符合正态分布的指标进行ln转换, 使之符合正态分布. 应用Kruskal-Wallis非参数检验研究各类样本总体分布是否有显著差异; 应用Pearson相关分析研究不同变量(如氮浓度和输出负荷与土地利用、人口密度和径流深)之间的关系.
2 结果与分析 2.1 不同类型小流域径流深季节变化模式在枯水年, 农业、城市和自然流域的日平均径流深最高值分别为2.16、1.96和1.69 mm(表 1), 均出现在平水期, 最低值依次为1.71、1.69和1.51 mm, 则发生在枯水期, 但除了农业流域, 其他类型流域的季节差异性不显著(P>0.05). 在丰水年, 丰水期的日平均径流深最高[(4.51±1.36) mm], 枯水期的最低[(1.16±0.16) mm], 且不同季节的差异性显著(P < 0.05).
|
表 1 枯水年和丰水年不同水期农业、城市和自然流域日平均径流深/mm Table 1 Average daily runoff for different sampling seasons of agricultural, urban, and forest watersheds during drought and wet years/mm |
2.2 河流氮素的组成结构
九龙江流域河流的溶解态无机氮主要由NO3--N和NH4+-N组成, 平均贡献比例达95%以上(图 2). 不同类型流域的主导无机氮形态存在差异. 农业流域和自然流域的主导形态为NO3--N, 平均贡献比例分别为：51.7%~87.9%和55.5%~56.5%. 城市流域NH4+-N的平均比重略高于NO3--N. 在农业流域, 所有水期主导的溶解态无机氮均为NO3--N, 尤其是在丰水期. 在城市流域, 枯水年的枯水期以及丰水年的平水期和丰水期, NH4+-N占主导(50.8%~58.1%), 而在其他水期则转变为NO3--N (49.2%~54.2%). 在自然流域, 虽然NO3--N也是主导的无机氮形态, 但是在枯水年丰水期的比重最大, 在丰水年则转为枯水期硝态氮的主导作用最明显.
|
(a1)枯水年-枯水期; (b1)枯水年-平水期; (c1)枯水年-丰水期; (a2)丰水年-枯水期; (b2)丰水年-平水期; (c2)丰水年-丰水期 图 2 枯水年和丰水年不同水期氮素组成结构 Fig. 2 Nitrogen composition for different sampling seasons during drought and wet years |
农业流域各季节的TN(6.13~8.81 mg·L-1)和NO3--N平均浓度(4.16~5.25 mg·L-1)均最高, 城市流域(TN: 2.29~4.79 mg·L-1和NO3--N : 1.60~2.86mg·L-1)次之(图 3); NH4+-N浓度的空间变化趋势为：城市流域(1.26~2.02 mg·L-1)>农业流域(1.17~1.71 mg·L-1)>自然流域(0.40~0.85 mg·L-1); 农业和城市流域的NO2--N平均浓度无明显季节差异, 但明显高于自然流域. 在枯水年和丰水年, 大部分季节农业流域的TN、NO3--N日均负荷均是最高的, 分别为8.50~27.31 kg·(km2·d)-1和5.53~14.50 kg·(km2·d)-1, 自然流域最小; 大部分季节里城市流域的NH4+-N日均负荷[1.65~7.45 kg·(km2·d)-1]最高, 农业流域次之(1.80~5.28)kg·(km2·d)-1; 在枯水年, 各季节的NO2--N日均负荷均为农业流域>城市流域>自然流域的变化趋势, 在丰水年, 除了枯水期外, 其他两个水期的空间变化模式均为：城市流域>农业流域>自然流域.
|
图 3 枯水年和丰水年不同水期不同类型小流域N指标日平均输出负荷及浓度 Fig. 3 Average daily nitrogen exports and concentrations for different sampling seasons of different watershed types during drought and wet years |
对于TN浓度而言, 无论在丰水年还是枯水年, 大部分流域均为丰水期最高, 枯水期最低. 在枯水年, 不同季节农业、城市和自然流域的NO3--N浓度无明显差异, 而在丰水年, NO3--N浓度在平水期或枯水期更高, 丰水期最低. 在枯水年, 农业流域和城市流域的NH4+-N浓度最高值出现在枯水期[分别为(1.23±0.73)mg·L-1和(1.75±0.78)mg·L-1], 而自然流域的最高平均浓度则出现在平水期, 为(0.85±0.51)mg·L-1; 在丰水年, 农业流域和城市流域最高浓度出现在平水期, 而自然流域丰水期的NH4+-N高于其他两个水期. 对于NO2--N而言, 在枯水年, 丰水期的浓度略高于其他两个水期, 而在丰水年农业流域和城市流域的最高浓度则出现在枯水期. 但是, 无论在枯水年或丰水年, 大部分流域的氮指标浓度无显著的季节差异性(P>0.05). 对于不同水文年而言, 大部分类型流域丰水年的TN、NO3--N和NH4+-N浓度高于枯水年, 尤其在丰水期, 且丰水年不同类型流域的氮浓度的季节差异性更显著(图 3), NO2--N的浓度则在枯水年更高.
对于农业流域而言, 在枯水年, 3个水期的TN日均负荷变化范围为12.42~15.02 kg·(km2·d)-1, 最高值出现在平水期, 而丰水年丰水期的日均输出负荷最高, 这与日均径流深季节变化趋势一致; 在枯水年, 丰水期NO3--N的日均负荷略高于平水期和枯水期, 与浓度的变化趋势一致, 但在丰水年, 丰水期的日均负荷最高, 平水期次之, 变化趋势与径流深一致; 在枯水年和丰水年, NH4+-N日均负荷变化范围分别为2.11~2.41 kg·(km2·d)-1和1.80~5.28 kg·(km2·d)-1, 趋势与其浓度的季节变化模式一致; 在不同水文年, NO2--N的日均负荷值变化趋势均为：平水期>丰水期>枯水期, 在枯水年主要受径流深季节变化的影响, 在丰水年浓度和径流的变化共同影响其季节变化趋势.
对于城市流域而言, 在枯水年, 平水期的TN日均负荷最高, 在丰水年则是丰水期最高, 说明城市流域TN日均负荷值的变化主要受径流深变化影响; 在枯水年, 3个水期的NO3--N日均负荷差异微小, 在丰水年的丰水期则明显高于枯水期和平水期; 在枯水年, NH4+-N的日均负荷的变化趋势为：枯水期>平水期>丰水期, 与其浓度的变化趋势一致, 在丰水年的变化趋势则反之, 与径流的变化趋势一致; 对NO2--N而言, 在枯水年和丰水年的日均负荷变化趋势与农业流域一致.
对于自然流域而言, 在不同水文年, TN的日均负荷变化趋势均是丰水期>平水期>枯水期, 但丰水年的季节波动性明显高于枯水年. 在枯水年和丰水年, NO3--N日均负荷最高值均出现在丰水期, 与浓度的变化趋势一致; NH4+-N日均负荷最高值分别出现在平水期和丰水期. 在枯水年, 丰水期的NO2--N的日均负荷值高于其他两个水期, 与浓度的变化趋势一致, 而在丰水年的变化趋势与日径流深的变化趋势一致.
2.4 河流氮输出的年际变化模式农业流域的NO3--N年平均浓度(3.1~5.9 mg·L-1)高于城市流域(1.5~3.2 mg·L-1)和自然流域(0.5~1.2 mg·L-1); 城市流域的NH4+-N平均浓度(0.9~2.5 mg·L-1)最高, 农业流域(0.3~1.6 mg·L-1)次之(图 4). 农业流域NO3--N和NH4+-N浓度呈波动式上升趋势, 在2016年二者的年平均浓度达到最高值, 最低值分别出现在2013年和2010年. 城市流域的NO3--N平均浓度呈波动式下降趋势, 在2012年平均浓度最高, 2015年则最低; NH4+-N平均浓度的年际变化较为剧烈, 呈先下降后上升的趋势, 在2014年最低, 而后持续上升, 到2016年达到一个小高峰, 2017年的平均浓度较2016年有所下降. 2010~2017年, 自然流域的NO3--N浓度年际变化幅度较小, 呈小幅度上升趋势; 2010~2014年, NH4+-N浓度变化不明显, 2014~2017年则呈明显的上升趋势.
|
图 4 2010~2017年不同类型流域NO3--N和NH4+-N年输出负荷、年平均浓度和径流深变化 Fig. 4 Annual variations in average annual runoff, exports, and concentrations of NO3--N and NH4+-N during 2010-2017 for agricultural, urban, and forest watersheds |
农业流域的NO3--N年平均负荷变化范围为1 203.3~4 347.3 kg·(km2·a)-1, 而城市流域和自然流域分别为1 090.8~2 725.9 kg·(km2·a)-1和249.5~1 348.4 kg·(km2·a)-1. 城市流域的NH4+-N年平均负荷[611.8~2 927.1 kg·(km2·a)-1]高于农业流域[225.8~1 698.0 kg·(km2·a)-1]和自然流域[17.6~1 072.0 kg·(km2·a)-1]. 对于农业流域, 2010~2013年, NO3--N的年负荷值随着径流深减小而降低, 在2014~2016年, 年平均浓度和年输出负荷值均呈上升趋势, 在2017年, 年均浓度和径流深均减小, 而年输出负荷则急剧下降; 2010~2017年, 农业流域的NH4+-N年输出负荷与年平均浓度的变化趋势较为相似, 均呈波动式上升趋势; 对于城市流域和自然流域而言, 在2010~2011年和2016~2017年间, NO3--N的年输出负荷随着径流深的减少而减小; 在2012~2015年, 城市流域的NO3--N年输出负荷随着浓度的减少而减小, 总体呈下降趋势, 而自然流域的NO3--N负荷随着浓度的波动变化而变化. 城市流域的NH4+-N输出负荷年际变化模式与NO3--N基本一致, 但自然流域NH4+-N年输出负荷持续升高, 到2016年达到峰值, 而2017年则随着径流深的减少而减小. 相比城市和自然流域, 农业流域的NO3--N的年输出负荷变化幅度最大; 此外, 城市流域NH4+-N的年输出负荷的波动性最明显. 总体而言, 除了城市流域的NO3--N负荷最高值出现在2010年(丰水年)外, 3种类型流域的NO3--N和NH4+-N年输出负荷最高值均出现在2016年, 而2016年径流深也是2010~2017年间相对较高的.
2.5 河流氮输出与土地利用和水文状况的关系在枯水年, TN和NO3--N的平均浓度、日均输出负荷和年均输出负荷与果园和耕地面积百分比呈显著正相关, 与林地面积百分比呈显著负相关关系(图 5). NO2--N的浓度或负荷主要与耕地面积百分比和人口密度呈显著正相关, 且其平均浓度和年均输出负荷与林地面积百分比呈显著负相关; NH4+-N浓度和年均输出负荷与建设用地面积百分比和人口密度呈显著正相关; 日径流深和年径流深与所有指标的年均浓度均无显著相关性, 仅与NO3--N和NH4+-N的日均负荷或年均负荷呈显著正相关性. 与枯水年相比, 丰水年大部分氮指标与林地面积百分比的负相关性增强, 与耕地面积百分比的相关系数有所减小, 与果园面积百分比的相关性变化不大; 建设用地对NH4+-N和NO2--N的影响更广泛, 而人口密度主要与NO2--N的浓度或负荷以及NH4+-N浓度呈显著正相关性. 日径流深和年径流深与NO3--N日输出负荷由枯水年的显著正相关性变为弱正相关性, 且年径流深与TN和NO2--N浓度呈显著负相关关系.
|
上标中：c表示浓度; de表示日输出负荷; ae表示年输出负荷; **表示显著性水平P < 0.01; *表示显著性水平P < 0.05; 无数字代表显著性水平P>0.05 图 5 不同水文年氮浓度/负荷与人口密度、土地利用和径流深的Pearson相关系数 Fig. 5 Pearson correlation between nitrogen concentrations, exports and population density, land use compositions, and runoff in drought and wet years |
土地利用等人类活动是驱动河流氮输出空间变异性的主要因子[18, 19]. 已有研究表明, 城市化扩张和农业活动会加剧河流氮的污染程度[6, 12]. 不同类型流域污染源的差异导致氮素的组成形式不同. 由于农业生产的需要, 大量的化学肥料和粪肥在农业流域使用, 而土壤中未被农作物吸收的“富余”氮素容易通过壤中流进入河流, 导致河流中NO3--N等营养盐含量增加[20]. 城市流域的主要污染源与生活污水、工业废水等点源和非点源污染相关[18]. 从而形成农业流域的NO3--N浓度和负荷高于城市流域和自然流域, 城市流域的NH4+-N输出最高, 农业流域次之的空间变化格局, 与已有的研究结论一致[21].
不同水文年, 不同类型流域, 不同氮素季节变化模式不一致. 无论在丰水年还是枯水年, 各类型流域的TN平均浓度最高值分别出现在平水期和丰水期, 与径流深的季节变化趋势基本一致, 表明径流会冲刷滞留于地表、土壤的氮污染物进入河流, 导致河流水质退化[22]. 在枯水年, 农业流域的NO3--N平均浓度最高值出现在丰水期, 且NO3--N∶TN的比值大于NH4+-N∶TN, 这是因为九龙江流域的化肥施用主要集中在3~5月, 降雨季节非点源污染加剧, 从而导致河流硝态氮浓度增加, 说明主导污染源为农业面源污染. 此外, 在枯水年, 丰水期的径流深较平水期而言有所下降, 对水体中污染物起浓缩效应, 导致污染物浓度增加. 在丰水年, 农业流域的NO3--N最高浓度出现在平水期, 而最低值出现在丰水期, 进一步证明化肥施用等农业活动是农业流域NO3--N的主要来源[23]. 这也说明在雨季初期地表上大量的污染物容易被雨水冲刷, 随径流汇入河流导致水体中的污染物浓度增加, 但随着流量增加, 河流径流稀释作用占主导地位, 使得水体中硝态氮浓度降低[24]. 对于城市流域和自然流域而言, 在枯水年NO3--N的季节变异性小, 这主要是因为受微生物活动影响[25], 在丰水年, 丰水期的NO3--N浓度最高, 枯水期次之, 除了受非点源污染和水文调节的影响外, 可能与土壤及河道中微生物N转化过程有关. 例如, 城市流域在枯水年的丰水期NH4+-N浓度低, 而NO3--N和NO2--N高, 意味着存在氨氮去除现象, 可能发生硝化过程[26]. 除丰水年的自然流域外, 大部分类型流域的NH4+-N浓度最高值出现在枯水期或平水期, 表明NH4+-N主要受生活污水、工业废水等点源和非点源的影响[27], 径流深的增加会稀释河水中NH4+-N的浓度[28].
不同水文年, 不同氮素输出负荷季节变化驱动因子不同. 例如, 对于TN而言, 无论在枯水年或丰水年, 3种类型流域输出负荷季节变化趋势均与径流深一致, 意味着径流变化是控制流域内TN输出负荷季节变化的主导因子, 这与其他区域的研究结论一致[11, 29]. 但是, 不同氮形态季节输出负荷对人类活动和水文状况的响应存在差异. 在枯水年, 大部分流域NO3--N和NH4+-N日均输出负荷的季节变化模式与浓度的变化趋势相似, 而在丰水年主要与径流深的季节变化趋势一致, 说明不同水文年河流氮输出的驱动机制存在差异.
农业流域氮输出负荷与径流深的变化趋势一致, 推测农业流域的氮输出负荷年际变化主要受径流的控制[30], 枯水年流域内输入的N, 如肥料施用, 可能累积于地表或土壤中, 在丰水年则随着径流被冲刷进入河流[10], 这与美国中西部农业流域的研究结论一致[31].城市流域在2010~2012年和2016~2017年的变化趋势与径流深变化一致, 在2013~2015年与浓度变化趋势一致. 对于城市流域而言, 在径流深明显增加或减少的年份, 氮输出负荷主要受径流深调节, 而在径流深变化不明显的年份, 氮输出负荷主要与受人类活动控制的氮浓度关系更密切. 在自然流域氮输出负荷年际变化模式主要与浓度的变化趋势一致. 2010~2017年氮浓度呈波动上升趋势, 尤其是氨氮浓度上升较为明显. 通过对比2010和2015年常住人口密度(分别为65人·km-2和97人·km-2)、2010和2016年建设用地面积比例(分别为1.0%和2.1%), 发现自然流域范围内常住人口密度和建设用地比例均呈上升趋势. 但是, 相比城市流域, 自然流域的不透水地表比例总体较低, 对流域水文状况的影响相对较小, 且大部分氮浓度与建设用地、农业用地和人口密度呈显著正相关关系, 而与径流深无显著相关性, 说明人为源输入是影响自然流域氮输出负荷年际变化趋势的一个重要控制因素[23].
不同土地利用类型与不同形态氮浓度和输出负荷的关系不同, 证明九龙江流域不同氮形态的污染来源不同. 果园和耕地等表征农业活动的土地利用模式是NO3--N的主要“源”[20]. 目前, 九龙江流域农业生产仍处于粗犷式阶段, 肥料施用强度大, 且利用效率低, 盲目施肥现象普遍. 另外, 坡地果园的开发尤其是幼龄果园的开发, 会导致土壤侵蚀和水土流失, 加剧水质恶化. 九龙江现有研究也发现大量氮肥施用是导致水体氮含量增加的主要因素[32]. 建设用地是影响研究区内NH4+-N输出的重要指标. 大部分研究普遍认为随着流域内城市用地的增长, 水体污染程度会明显加重, 如NH4+-N浓度增加[21]. 林地与大部分水质指标浓度及输出负荷呈显著负相关关系, 说明林地比例增加能够有效缓解河流水质恶化[28].
土地利用和水文状况是影响九龙江流域河流氮输出两个重要因素, 但是不同水文年二者对其的影响程度存在差异. 在枯水年, 土地利用对氮浓度的影响更显著, 而径流深主要影响氮输出负荷; 在丰水年, 土地利用与氮浓度和氮输出负荷的相关系数差异较小, 径流深的增加对TN和NO2--N浓度有明显的稀释作用, 仅对NH4+-N输出负荷有显著的增益效应, 结果表明九龙江流域典型小流域氮浓度主要受人类活动的影响, 而河流氮输出负荷受人类活动和水文状况的双重控制. 此外, 城市流域和农业流域氮输出的季节和年际的绝对变化量比自然流域更高, 尤其在径流深显著增加的年份, 说明与气候状况相关的水文过程对农业流域和城市流域的氮输出可能存在增益作用[11]. 已有的研究也发现九龙江流域城市和农业小流域对气候变化的响应更敏感[33], 这可能因为城市流域和农业流域受人类活动干扰强度大, 在枯水年或枯水期污染物在流域内累积, 而在丰水年或丰水期则容易被冲刷出来, 随降雨径流汇入河流[34].
4 结论(1) 典型小流域河流氮输出存在显著的空间差异性. 农业流域的NO3--N浓度和输出负荷最高, 而城市流域的NH4+-N浓度和输出负荷最高.
(2) 大部分类型流域丰水年的TN、NO3--N和NH4+-N浓度高于枯水年, 且丰水年氮浓度的季节差异性更明显. 不同类型流域河流氮输出负荷年际变化模式不一致. 农业流域河流氮年输出负荷与径流深的变化趋势一致, 城市流域在2010~2012年、2016~2017年间的变化趋势与径流变化一致, 而在2013~2015年与浓度变化趋势一致; 在自然流域, 河流氮输出负荷主要与浓度的变化趋势一致.
(3) 土地利用、人口密度和径流深是影响氮浓度和输出负荷的重要因子, 总体而言, 河流氮浓度的变化趋势主要受人类活动的影响, 而河流氮输出负荷的变化趋势受人类活动和水文状况等共同控制.
| [1] | Goyette J O, Bennett E M, Maranger R. Low buffering capacity and slow recovery of anthropogenic phosphorus pollution in watersheds[J]. Nature Geoscience, 2018, 11(12): 921-925. DOI:10.1038/s41561-018-0238-x |
| [2] | Hu M P, Liu Y M, Zhang Y F, et al. Long-term (1980-2015) changes in net anthropogenic phosphorus inputs and riverine phosphorus export in the Yangtze River basin[J]. Water Research, 2020, 177. DOI:10.1016/j.watres.2020.115779 |
| [3] | Whitehead P G, Crossman J. Macronutrient cycles and climate change: key science areas and an international perspective[J]. Science of the Total Environment, 2012, 434: 13-17. DOI:10.1016/j.scitotenv.2011.08.046 |
| [4] | Sinha E, Michalak A M, Calvin K V, et al. Societal decisions about climate mitigation will have dramatic impacts on eutrophication in the 21st century[J]. Nature Communication, 2019, 10(1). DOI:10.1038/s41467-019-08884-w |
| [5] | Ma T, Sun S A, Fu G T, et al. Pollution exacerbates China's water scarcity and its regional inequality[J]. Nature Communications, 2020, 11(1). DOI:10.1038/s41467-020-14532-5 |
| [6] | Yu C Q, Huang X, Chen H, et al. Managing nitrogen to restore water quality in China[J]. Nature, 2019, 567(7749): 516-520. DOI:10.1038/s41586-019-1001-1 |
| [7] | Xia X H, Zhang S B, Li S L, et al. The cycle of nitrogen in river systems: sources, transformation, and flux[J]. Environmental Science: Processes & Impacts, 2018, 20(6): 863-891. |
| [8] | Huang J L, Huang Y L, Zhang Z Y. Coupled effects of natural and anthropogenic controls on seasonal and spatial variations of river water quality during baseflow in a coastal watershed of southeast China[J]. PLoS One, 2014, 9(3). DOI:10.1371/journal.pone.0091528 |
| [9] | Dalu T, Wasserman R J, Magoro M L, et al. River nutrient water and sediment measurements inform on nutrient retention, with implications for eutrophication[J]. Science of the Total Environment, 2019, 684: 296-302. DOI:10.1016/j.scitotenv.2019.05.167 |
| [10] | Wollheim W M, Pellerin B A, Vörösmarty C J, et al. N retention in urbanizing headwater catchments[J]. Ecosystems, 2005, 8(8): 871-884. DOI:10.1007/s10021-005-0178-3 |
| [11] | Kaushal S S, Groffman P M, Band L E, et al. Interaction between urbanization and climate variability amplifies watershed nitrate export in Maryland[J]. Environmental Science & Technology, 2008, 42(16): 5872-5878. |
| [12] | Zhou P, Huang J L, Hong H S. Modeling nutrient sources, transport and management strategies in a coastal watershed, Southeast China[J]. The Science of the Total Environment, 2018, 610-611: 1298-1309. DOI:10.1016/j.scitotenv.2017.08.113 |
| [13] | Huang Y L, Huang J L, Ayu E, et al. Land use and climate variability amplifies watershed nitrogen exports in coastal China[J]. Ocean & Coastal Management, 2021, 207. DOI:10.1016/j.ocecoaman.2018.02.024 |
| [14] | LAWA. German guidance document for the implementation of the EC water framework directive[EB/OL]. http://www.lawa.de/documents/arbeitshilfe_englisch_1552307273.pdf,2003-04-30. |
| [15] | 国家环境保护总局. 水和废水监测分析方法[M]. (第四版). 北京: 中国环境科学出版社, 2002. |
| [16] | 周培. 流域尺度土地利用与水质关联研究的理论分析和实践[D]. 厦门: 厦门大学, 2016. |
| [17] | Huang J C, Lee T Y, Kao S J, et al. Land use effect and hydrological control on nitrate yield in subtropical mountainous watersheds[J]. Hydrology and Earth System Sciences, 2012, 16(3): 699-714. DOI:10.5194/hess-16-699-2012 |
| [18] | Barnes R T, Raymond P A. Land-use controls on sources and processing of nitrate in small watersheds: insights from dual isotopic analysis[J]. Ecological Applications, 2010, 20(7): 1961-1978. DOI:10.1890/08-1328.1 |
| [19] | Zhang X X, Yi Y J, Yang Z F. Nitrogen and phosphorus retention budgets of a semiarid plain basin under different human activity intensity[J]. Science of the Total Environment, 2020, 703. DOI:10.1016/j.scitotenv.2019.134813 |
| [20] | Marinos R E, Van Meter K J, Basu N B. Is the river a chemostat?: scale versus land use controls on nitrate concentration-discharge dynamics in the upper Mississippi River basin[J]. Geophysical Research Letters, 2020, 47(16). DOI:10.1029/2020GL087051 |
| [21] | Bu H M, Zhang Y, Meng W, et al. Effects of land-use patterns on in-stream nitrogen in a highly-polluted river basin in northeast China[J]. Science of the Total Environment, 2016, 553: 232-242. DOI:10.1016/j.scitotenv.2016.02.104 |
| [22] | Wong W W, Pottage J, Warry F Y, et al. Stable isotopes of nitrate reveal different nitrogen processing mechanisms in streams across a land use gradient during wet and dry periods[J]. Biogeosciences, 2018, 15(13): 3953-3965. DOI:10.5194/bg-15-3953-2018 |
| [23] | Webster J R, Stewart R M, Knoepp J D, et al. Effects of instream processes, discharge, and land cover on nitrogen export from southern Appalachian Mountain catchments[J]. Hydrological Processes, 2019, 33(2): 283-304. DOI:10.1002/hyp.13325 |
| [24] |
曹瑞霞, 刘京, 邓开开, 等. 三峡库区典型紫色土小流域径流及氮磷流失特征[J]. 环境科学, 2019, 40(12): 5330-5339. Cao R X, Liu J, Deng K K, et al. Characteristics of nitrogen and phosphorus losses and runoff in a typical purple soil watershed in the Three Gorges Reservoir area[J]. Environmental Science, 2019, 40(12): 5330-5339. DOI:10.13227/j.hjkx.201903091 |
| [25] | Chen N W, Hong H S. Nitrogen export by surface runoff from a small agricultural watershed in southeast China: seasonal pattern and primary mechanism[J]. Biogeochemistry, 2011, 106(3): 311-321. DOI:10.1007/s10533-010-9514-6 |
| [26] |
梁杏, 孙立群, 张鑫, 等. 无机态氮素转化机制及水土体氮源识别方法[J]. 环境科学, 2020, 41(9): 4333-4344. Liang X, Sun L Q, Zhang X, et al. Mechanism of inorganic nitrogen transformation and identification of nitrogen sources in water and soil[J]. Environmental Science, 2020, 41(9): 4333-4344. DOI:10.13227/j.hjkx.202001047 |
| [27] | Ervinia A, Huang J L, Zhang Z Y. Nitrogen sources, processes, and associated impacts of climate and land-use changes in a coastal China watershed: insights from the INCA-N model[J]. Marine Pollution Bulletin, 2020, 159. DOI:10.1016/j.marpolbul.2020.111502 |
| [28] |
卓泉龙, 林罗敏, 王进, 等. 广州流溪河氮磷浓度的季节变化和空间分布特征[J]. 生态学杂志, 2018, 37(10): 3100-3109. Zhuo Q L, Lin L M, Wang J, et al. Seasonal and spatial variation of nitrogen and phosphorus concentrations in Liuxi River in Guangzhou[J]. Chinese Journal of Ecology, 2018, 37(10): 3100-3109. |
| [29] |
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. DOI:10.13227/j.hjkx.201909082 |
| [30] | Rodríguez-Blanco M L, Taboada-Castro M M, Taboada-Castro M T, et al. Relating nitrogen export patterns from a mixed land use catchment in NW Spain with rainfall and streamflow[J]. Hydrological Processes, 2015, 29(12): 2720-2730. DOI:10.1002/hyp.10388 |
| [31] | Kalkhoff S J, Hubbard L E, Tomer M D, et al. Effect of variable annual precipitation and nutrient input on nitrogen and phosphorus transport from two Midwestern agricultural watersheds[J]. Science of the Total Environment, 2016, 559: 53-62. DOI:10.1016/j.scitotenv.2016.03.127 |
| [32] | Huang Y L, Huang J L, Ervinia A, et al. Tracking riverine nitrate sources under changing land use pattern and hydrologic regime[J]. Marine Pollution Bulletin, 2020, 152. DOI:10.1016/j.marpolbul.2020.110884 |
| [33] | Ervinia A, Huang J L, Huang Y L, et al. Coupled effects of climate variability and land use pattern on surface water quality: an elasticity perspective and watershed health indicators[J]. Science of the Total Environment, 2019, 693. DOI:10.1016/j.scitotenv.2019.133592 |
| [34] | Kaushal S S, Mayer P M, Vidon P G, et al. Land use and climate variability amplify carbon, nutrient, and contaminant pulses: a review with management implications[J]. Journal of the American Water Resources Association, 2014, 50(3): 585-614. DOI:10.1111/jawr.12204 |