2021, Vol. 42
2. 中国科学院大学, 北京 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
长江流域是我国经济发展最为发达的地区之一, 随着人类经济发展活动的不断开展, 城市、工业和农业等废水排放量陡增, 随之带来了严重的水环境污染问题.长江流域的大中小湖泊基本呈现富营养化状态, 洞庭湖和鄱阳湖等重要湖泊富营养化严重[1, 2].然而, 尽管我国已经开展一些针对污染源控制的生态保护与修复措施, 但在生态管理的成效依旧有限, 水质污染问题依旧存在[3, 4].治理流域水环境污染是一个极为困难的工作, 因为受污染地区的修复工作可能需要数十年的时间, 在此期间, 污染物排放可能由于人类活动而发生了巨大变化.因此, 分析未来发展和环境保护情景下的污染物排放的变化对于高效流域生态管理是非常必要的[5].
预测社会发展以及生态保护情境下污染物排放的主要挑战是如何量化多种社会生态因子对污染物排放的影响, 例如土地利用、国民生产总值(gross domestic production, GDP)和生态保护政策[6].以往的研究常常基于假设的污染源管控情景, 讨论社会发展与生态保护情景下污染物排放的变化趋势[7, 8].但是由于这些研究多基于假设的情景, 这种模拟的风险源不能反映复杂的社会生态因素影响的真实情景[9~11], 难以精准而全面地指导流域水污染治理.因此亟需研究生态-社会过程对污染物排放变化的影响, 为流域水污染管理提供更准确且实用的信息.
由于水体污染源可以分为点源和面源, 点源污染主要是工业以及生活污水直接排放进入水体, 而面源污染主要是经地表径流等途径进入水体[12].针对点源污染预测, 灰色理论预测模型(grey system prediction model, GSPM)能够基于历史资料, 根据统计学原理, 实现未来工业以及城镇废水排放趋势的预测[13].相比于其他机制模型, 灰色理论模型可以针对变量信息少、信息不确定性强的数据, 进行较为精准的预测, 已被广泛应用于点源污染预测[14~16].针对面源污染预测, 相关研究表明土地利用是影响面源污染的主要因素[8], 相关研究常结合土地利用预测模型以及面源污染物传输模型预测污染的变化趋势[17, 18].CLUE-S(Conversion of land use and its effects at small region extent)模型是广泛应用的模拟未来土地利用变化的模型[19], 模型能够根据土地利用与驱动因子之间的关系, 动态模拟土地利用变化.相比其他土地利用模拟模型, CLUE-S模型能够充分考虑不同土地利用类型之间的竞争性, 而从提升模拟结果精度.InVEST(Integrated valuation of ecosystem services and tradeoffs)模型中的营养物截留模块能够基于土地利用营养盐的输出系数以及截留效率确定面源污染物排放量.相比其他污染物模拟机制模型, InVEST模型所需系数少, 模型率定过程简单, 在大尺度污染物排放模拟上具有很好地适用性[20].综合应用上述模型, 可为预测流域点源和面源污染物排放提供有效方法.
本研究利用生态模型(如CLUE-S、InVEST和Grey System Prediction Model), 模拟未来经济发展以及生态保护情景下点源以及非点源总氮排放量变化, 揭示长江流域社会-生态过程对总氮排放的影响, 预测总氮排放变化以及污染源变化特征, 以期为高效的流域水环境管理提供科学依据.
1 研究区域概况长江流域总面积约为180×104 km2, 基于地形地貌以及水文特征, 长江流域分为上、中和下游这3个部分(图 1), 其中上游为宜昌以上流域, 中游为宜昌至湖口部分, 湖口以下区域为下游.流域主要水系有岷江、雅砻江、嘉陵江、乌江、汉江、湘江和赣江等, 主要湖泊有滇池、洞庭湖、鄱阳湖和太湖等.长江流域具有丰富的自然资源, 水资源占全国河流径流总量的36%, 生物多样性丰富, 是世界自然基金会(WWF)评定的全球35个重点生态区域之一[21].长江流域也是人类开发建设活动最为剧烈的地区, 区域内农业、工矿业和航运活动密集, 贡献了全国近40%的国民生态总值(GDP)和粮产量, 50%的矿业储量与轻工业产量以及具有世界内河水系第一的航运规模[22].长江流域也是重要的城镇人口聚集区, 城市群分布密集, 呈现沿江分布的态势, 其中上游主要分布成渝城市群、滇中城市群和黔中城市群, 中游主要分布武汉城市群、长株潭城市群和昌九城市群, 下游主要分布上海市、南京都市圈、杭州都市圈和皖江城市带.
|
图 1 长江流域位置空间分布示意 Fig. 1 Location of Yangtze River basin |
水质污染是长江流域主要的环境问题之一, 农业面源污染以及工业城镇污染严重.长江中下游农田面积大, 农业施肥导致中游地区水体中的氮增加[23].黔东南和岷沱江流域等区域矿业开发强度大, 汉江平原重化工业聚集, 长三角区工业园区密集, 同时长江城市群呈现沿江分布趋势, 进一步增加了流域水质污染的风险[24].为保护长江水环境, 长江流域实施了退耕还林和生态保护红线等一系列生态工程和污染物减排政策.
2 材料与方法本研究拟揭示未来经济发展以及生态系统管理对长江流域总氮排放的影响.由于总氮污染源主要分为点源污染和非点源污染两类[19], 本研究在子流域尺度上预测这两类风险源的变化趋势.针对面源污染预测, 本研究首先用CLUE-S模型预测在社会发展以及生态系统管理趋势下土地利用变化, 在土地利用预测基础上利用InVEST模型模拟未来面源污染排放量.针对点源污染, 本研究利用GSPM模型模拟社会发展以及生态系统管理趋势下城镇以及工业污染排放量, 具体技术路线如图 2.
|
图 2 本研究技术路线 Fig. 2 Technology roadmap of this study |
根据地形以及水文特征, 在ArcGIS 10.6中设定集水区面积大于等于6 250 km2, 共划分180个子流域(图 1).其中上游分布96个子流域, 主要位于青海, 云南, 贵州、四川和重庆; 中游分布72个子流域, 主要位于湖南、湖北和江西; 下游分布12个子流域, 主要位于安徽、江苏、浙江和上海.在子流域基础上, 分析各区域未来经济发展以及环境保护管理对生态风险源总氮排放的影响.
2.2 非点源总氮排放预测方法由于土地利用是影响非点源污染产生过程的主要因素, 因此本研究根据未来土地利用的发展趋势确定非点源污染的规划[25~27].在本研究中, 首先利用CLUE-S模型模拟未来经济发展以及环境保护情景下土地利用的变化.在此基础上, 用InVEST模型中的营养物截留模块子模块计算流域非点源总氮污染排放量的变化值.
2.2.1 基于CLUE-S模型的土地利用模拟以及验证CLUE-S可以根据土地利用演变趋势以及土地管理政策进行土地利用模拟.模型输入主要分为4个部分, 分别为土地利用需求模块, 空间分布适宜性模块, 空间政策与限制模块, 土地利用转移模块: ①土地利用需求模块是根据以往土地利用趋势, 评估未来总体土地利用变化需求总量.在本研究中, 用2000~2015年土地利用变化趋势, 通过模型线性插值计算得到2015~2025年土地利用总面积预测; ②空间适宜性是根据土地利用分布与驱动因子建立Logistic回归模型, 评估每个栅格中出现某种土地利用类型的概率.本研究中, 选取了8种社会经济以及生物物理属性指标作为土地利用变化的驱动因子, 分别为数字高程模型(digital elevation model, DEM)、坡度、坡向、距道路距离、距城镇距离、距河流距离、GDP和人口, 并用受试者工作特征值(relative operating characteristics, ROC)对回归结果进行验证; ③空间政策与限制模块主要是根据土地管理政策确定区域限制转换的土地.本研究中, 由于我国目前设置了生态红线政策, 在生态红线区禁止开发建设活动, 因此根据孔令桥等[28]长江流域生态红线的研究结果, 将这些红线区设置为空间约束区, 实际计算中约束区赋值为-999, 其他区域赋值为0; ④土地利用转移模块主要是确定各类土地利用直接发生转化的概率, 包括土地利用的转移系数设置以及可转移性设置.土地利用转移弹性系数(elasticity of the actual land-use types, ELAS)取值范围为0~1, 数值越大表示土地利用改变越困难.本文首先结合长江流域2000~2015年土地利用类型转换概率[29], 比较各类用地转换弹性系数的相对大小发现, 土地利用弹性系数由小到大依次为建设用地、未利用地、农田、森林、草地和湿地, 并结合模型经验参数, 最终确定建设用地、未利用地、农田、森林、草地和湿地ELAS参数分别赋值为: 0.2、0.4、0.6、0.8、0.8和1.而根据2000~2015年土地利用类型转换结果, 发现各类土地利用类型之间均可以发生转换, 因此可转移性矩阵设置均为1, 即土地利用可以转为另一种土地利用.
土地利用模拟结果精度可以用Kappa指数评价模型来进行验证[30].该指数评价模型主要是通过真实土地利用与模拟土地利用之间的一致性比例来评价模拟精度, 指数取值范围在0~1之间, 值越大说明精度越高[31].
本研究用了2010年和2015年的实际土地利用数据对模型模拟数据进行验证.首先, 选取上述8种社会经济以及生物物理属性指标作为土地利用变化的驱动因子, 对土地利用变化趋势进行Logistic回归拟合(逐步向后), 并对各个土地利用类型模拟结果进行ROC检验, 回归检验结果如表 1所示.一般认为ROC值大于0.7, 表明选取的驱动因子能够较为准确地表征土地利用的空间分布.本研究中, 所有土地利用类型(农田、建设用地、湿地、森林、草地和未利用地)ROC值均高于0.8, 说明所选的驱动因子与各个土地利用类型之间均具有较好的相关性, 能够用于模拟研究研究区土地利用空间分布格局.在合理选择驱动因子基础上, 用CLUE-S模型模拟2010年和2015年长江流域的土地利用, 将模拟结果与2015年实际土地利用数据进行Kappa指数检验, 结果显示Kappa指数为0.85和0.81, 说明模型能够精准模拟土地利用变化.在此基础上, 笔者认为CLUE-S模拟长江流域土地利用具有较强的可信性, 因此选用该模型模拟2025年土地利用结果, 用于未来非点源总氮排放预测评价中.
|
表 1 长江流域各土地利用类型回归数据与ROC检验结果1) Table 1 Regression results and ROC of land use in Yangtze River basin |
2.2.2 非点源污染排放预测
本研究用InVEST模型的营养物截留模块计算流域非点源总氮排放变化.营养物截留模块主要是基于各个土地利用类型的总氮负荷量进行计算.该模型在长江流域已经很好地应用, 能够准确评估非点源总氮排放.本研究参考以前研究的长江流域总氮负荷参数[26], 结合CLUE-S与InVEST模型进行非点源污染预测.
2.3 点源总氮排放预测方法由于点源污染物排放受经济增长速度、人口、废水处理系统的能力和有效性等许多社会生态因素的影响, 因此在数据采集中存在着很大的不确定性[15].灰色系统预测模型(GSPM) 可以通过提供一种方法在关系不明确、机制不确定和信息不足的情况下, 量化社会生态过程之间的关系, 从而实现点源污染物排放的预测.在本研究首先使用GSPM来模拟未来发展情景下的工业废水中总氮排放量.由于城镇废水排放中总氮排放量数据较难获取, 参考之前的研究[32], 发现第二次全国污染源普查中, 各个城市的废水排放系数均充分考虑了地理环境因素、社会经济发展水平、气候特点和给排水特征等, 能够用于城市废水排放的预测.因此笔者使用GSPM来模拟未来发展情景下的人口数量, 根据全国第二次污染源普查结果, 用区域人口乘以城市废水排放系数得到区域城市总氮排放量.本研究根据2010~2015年的工业废水总氮排放以及人口数据进行模拟分析, 先用了2010~2015年实测的工业废水总氮排放以及人口数据对模型模拟数据进行验证, 在模型模拟结果合理的基础上, 预测2025年非点源污染总氮排放量.
灰色系统预测模型主要是通过微分方程为表达形式, 模拟统计数据的连续变化过程.模型为一阶单变量微积分方程模型, 其主要表达式如下:
|
(1) |
式中, a和b为待定参数, x(0)为原始序列, y(1)为原始序列的一阶累计序列, k为样本量.模型通过对原始数据累加, 最小二乘估计参数计算, 预测方程推导以及模型预测结果诊断4个步骤, 确定模拟结果, 同时可以选取平均相对误差Δ以及灰色关联度η来对模拟结果精度进行验证, 平均相对误差越小, 说明模型模拟效果越好, 而灰色关联度取值在0~1之间, 越接近于1, 模型模拟效果越好[33].平均相对误差Δ以及灰色关联度η计算与精度检验方法在大尺度评估中广泛应用, 具体计算方法以及精度等级检验对照表详见以往的研究[34].
本研究通过基于区域人口以及工业废水排放量的历史值(2010~2015年数据), 利用GSPM模型模拟长江流域的人口与工业废水排放量, 模拟结果与实际2010~2015年的人口与工业废水排放量数据进行对比, 拟合平均相对误差以及灰色相关度两个指标用来验证.模拟结果显示, 2010~2015年人口与工业废水排放量模拟的平均相对误差Δ分别为0.02和0.019, 灰色相关度η分别为0.96和0.99, 这说明模型模拟效果良好, 准确度高, 具有很高的可信性.因此可以选用该模型模拟2025年人口以及工业废水排放量用于2025年点源总氮排放预测评价中.
2.4 数据来源(1) 土地利用数据 长江流域土地分为6类: 建设用地(包括交通以及建设用地等人工建设用地)、未利用地(包括交通以及建设用地等人工建设用地)、农田、森林、草地和湿地.该数据来源为国产环境灾害卫星(HJ-1A/B)和美国陆地卫星(Landsat OLI)数据, 数据精度为30 m×30 m.
(2) 数字高程模型 长江流域DEM数据来自地理空间数据云(https://www.gscloud.cn), 数据精度为250 m×250 m. DEM、坡度、坡向、距道路距离、距城镇距离、距河流距离、GDP和人口
(3) 道路数据 公路数据来源于中国高速公路地图集.
(4) 河流数据 河流数据来源于中国1∶100万河流地图.
(5) 社会数据 GDP数据可以通过资源环境数据云平台获取, 数据精度为1km×1km; 人口数据可以通过中国统计年鉴(2010~2015年) 获得; 工业废水总氮排放量可以通过中国城市统计年鉴(2010~2015年) 获得.
3 结果与分析 3.1 非点源总氮排放预测本研究用CLUE-S模型预测了2025年经济发展以及环境保护政策下的情景下长江流域土地利用[图 3(a)].相比2015年[图 3(b)], 2025年变化较大的土地利用类型为农田与建设用地, 全流域范围内建设用地的面积增加了50.64%, 农田面积减少了15.32%.土地利用变化趋势与2000~2015年长江流域土地利用变化趋势相同, 未来城镇化以及退耕还林等生态工程, 依旧是影响流域土地利用变化的主要原因[29].农田面积的减少会大大减少非点源总氮的排放, 而建设用地的增加会大大增加非点源总氮的排放.对180个子流域非点源污染变化情况进行分析[图 4(a)], 发现流域总体点源污染呈现减少趋势, 与2015年相比减少了23.96%. 88.07%的区域出现非点源总氮排放减少的趋势, 主要集中在长江流域中下游区域, 其中中游总氮污染排放显著减少.11.93%的子流域出现非点源总氮排放增加的趋势, 主要集中在流域上游地区, 特别是上游三江源区域.
|
图 3 长江流域2025年土地利用预测以及2015~2025年面积变化 Fig. 3 Predicted land use of Yangtze River basin in 2025 and its area change rate from 2015 to 2025 |
|
图 4 长江流域2025年非点源、工业废水、城镇生活废水、点源和流域总体总氮排放量 Fig. 4 TN load from nonpoint sources, industrial sources, municipal sources, point sources, and all sources of Yangtze River basin in 2025 |
本研究基于GSPM模型预测了2015~2025年经济发展以及环境保护政策下的情景, 长江流域工业以及城镇废水中总氮排放量变化.相比2015年, 未来2025年工业废水中总氮排放量总体呈现减少趋势, 总氮排放量总体减少了0.47%.在子流域尺度[图 4(b)], 笔者发现43.28%的区域出现工业总氮排放增加的趋势, 主要分布在岷江、嘉陵江、湘江、赣江以及中下游长江干流区域.56.72%的区域出现工业总氮排放减少的趋势, 主要分布在流域上游以及中游山地丘陵区.相比2015年, 2025年城镇总氮总体呈现增加趋势, 总体增加了8.06%, 在子流域尺度[图 4(c)], 85.65%的区域出现城镇总氮排放增加的趋势, 其中中下游城市群(如成渝城市群, 武汉城市群、长株潭城市群、昌九城市群以及长三角城市群), 总氮排放增长剧烈.14.35%的区域出现城镇总氮排放减少的趋势, 主要分布在中下游丘陵地区.总体而言, 在子流域尺度发现[图 4(d)], 未来点源污染与2015年相比增加了1.79%, 64.53%的区域出现点源总氮排放减少的趋势, 主要分布在中下游丘陵地区, 35.47%的区域出现点源总氮排放增加的趋势, 长江沿江城市群点源总氮排放增加剧烈.
3.3 流域总氮排放预测将各个子流域非点源与点源污染物排放量相加, 分析未来经济发展以及生态保护政策情景下流域总氮排放情况.相比2015年, 2025年流域总氮排放量呈减少趋势, 减少了2.67%.在子流域尺度[图 4(e)], 37.64%的区域出现总氮排放增加的趋势, 主要集中在中下游干流沿江区域以及成渝城市群, 武汉城市群、长株潭城市群、昌九城市群等中下游城市群. 62.36%的区域出现总氮排放减少的趋势, 主要集中在上游以及中游丘陵区域, 工业废水以及非点源污染排放的减少是导致这些区域总氮排放减少的主要原因.
4 讨论由于社会经济建设与生态环境保护是同时进行的, 因此未来生态恢复管理既要对现有生态风险进行管控, 同时又需要依据未来经济发展趋势, 对未来可能出现的生态风险进行预防[5].本研究系统分析了长江流域未来社会发展以及生态红线保护政策下总氮排放的变化趋势, 为流域水质污染的高效管理提供科学建议.
本研究提供了一个系统的方法来预测在未来发展趋势下总氮排放量.尽管以往的研究中已经研究了在假定情景下, 如土地利用变化或者污染源管控等, 污染物排放的变化趋势, 但是实际的社会经济以及生态因素, 如GDP、人口变化、生态保护政策等如何共同影响污染源产生污染物的过程却很少被系统讨论[35].揭示经济发展以及环境保护对污染物产生的影响有一个关键的难点就是如何确定社会经济以及生态过程与污染物形成的关系.由于总氮的排放分为点源与非点源排放两种途径, 因此可以基于这两种途径量化社会生态过程对于总氮排放的影响.
对于非点源污染物来说, 已经有很多研究证实土地利用格局与污染物的产生存在显著关系, 同时一些模型如InVEST等, 已经基于土地利用参数进行总氮排放的模拟[20].因此, 基于社会经济发展以及生态保护政策情景下未来土地利用模拟可以作为一个媒介, 从而实现非点源污染排放的预测.但是, 点源污染主要受排放点自身属性的影响, 有研究表明点源污染减弱了污染物排放与土地利用之间的关系[36], 因此无法基于土地利用模拟推测出未来点源污染的变化.统计预测法能够利用历史数据进行统计概率模拟, 为未来经济发展以及生态保护情景下点源污染的预测提供一种途径.因此, 基于目前社会发展以及生态保护政策下点源污染的变化趋势, 通过统计预测模型能够实现点源污染排放的预测.在本研究中结合CLUE-S土地利用预测模型以及GMPS灰色系统预测模型, 系统地探讨了社会与生态过程, 如工业排放、人口和土地利用变化对总氮排放的影响, 量化未来经济发展以及生态保护情景下污染物的变化.笔者对长江流域2010~2015年的点源与非点源总氮排放量进行模拟并将模拟结果与实测数据进行验证, 发现两者的模拟结果与实测数据拟合程度高, 说明提供的污染物预测方法具有很高的可信度, 因此本研究能为评估未来经济发展以及生态保护情景下污染物的变化提供一种可行的途径.
基于长江流域2025年的总氮排放预测结果(图 4), 未来经济发展以及环境管理政策下, 总体上总氮排放呈现减少趋势, 但总氮排放呈现出空间异质性, 说明目前的生态保护政策在一定程度上降低了流域水环境污染的风险, 但是在一些地区依旧面临水环境污染风险.这一结果与之前研究结论一致[37].点源污染在研究区的中下游沿江区域急剧增加, 而在上游区域总体增加较少, 部分区域呈现减少趋势.而非点源污染在长江流域中游急剧减少, 在上游减少较缓, 且部分区域出现增加趋势.这一现象说明了探究社会以及生态过程对污染源管控的重要性, 缺乏系统分析的污染源管控可能低估社会因素或者生态因素对污染排放的作用, 导致难以实现预测的水质净化效果.因此为了提升流域生态污染管控效率, 量化社会发展与环境保护等活动对污染源的共同影响是必须的.
本研究能够提供实时且详细的总氮排放变化趋势和驱动力分析, 为长江流域水环境污染动态管理提供科学依据.首先, 本研究能够为未来水质污染管控提供方向, 现在流域内有37.64%的区域总体总氮排放呈现出增加的趋势(图 4), 这意味着现有生态保护或者污染源管控措施在这些区域存在局限性.因此, 根据总氮排放的动态分析结果, 可以识别出未来总氮排放可能增加的区域, 因此应加强对这些区域的生态保护与修复, 以及在这些区域制定更为谨慎的经济开发计划.其实, 本研究通过系统地分析点源与非点源污染的变化, 揭示未来污染排放的驱动力, 为精确管控污染源提供科学依据.基于长江流的分析结果, 本研究发现未来长江流域上游局部地区依旧呈现非点源污染增加的情况, 同时城镇的扩张进一步增加了非点源污染的排放, 因此减少上游农业开发以及城镇化对非点源污染的影响是未来水环境管理需要讨论的问题.针对点源污染, 本研究发现未来沿江流域点源污染排放增加, 中游工业污染急剧增加同时中下游城市群的扩张导致生活污水的排放增加, 这与之前相关研究结果一致[38, 39].因此管控中下游工业以及城镇污染排放是未来水环境管控的重点.
5 结论(1) 长江流域未来非点源总氮污染呈现减少的趋势, 与2015年相比减少了23.96%, 农田面积减少是非点源污染减少的主要原因.其中长江流域中下游农业区非点源总氮排放显著减少, 而上游三江源局部区域非点源污染呈现增加趋势.
(2) 长江流域未来点源总氮污染呈现增加的趋势, 与2015年相比增加了1.79%, 主要是由于城镇废水排放的增加导致.其中长江中下游城市群(如成渝城市群, 武汉城市群、长株潭城市群、昌九城市群以及长三角城市群)城镇废水显著增加, 而中下游丘陵地区点源总氮排放呈现减少趋势.
(3) 总体而言, 未来长江流域出现总氮排放减少的趋势, 相比2015年减少了2.67%.但总氮排放呈现明显的空间异质性, 未来长江流域仍需加强对上游农业面源污染治理以及中下游工业、城镇废水的管控.
| [1] | 王超俊, 吕顶产. 长江水资源保护面临的问题与对策[J]. 水利发展研究, 2001, 1(2): 8-12. |
| [2] |
季鹏飞, 许海, 詹旭, 等. 长江中下游湖泊水体氮磷比时空变化特征及其影响因素[J]. 环境科学, 2020, 41(9): 4030-4041. Ji P F, Xu H, Zhan X, et al. Spatial-temporal variations and driving of nitrogen and phosphorus ratios in lakes in the middle and lower reaches of Yangtze river[J]. Environmental Science, 2020, 41(9): 4030-4041. |
| [3] | Duan W L, He B, Chen Y N, et al. Identification of long-term trends and seasonality in high-frequency water quality data from the Yangtze River basin, China[J]. PLoS One, 2018, 13(2). DOI:10.1371/journal.pone.0188889 |
| [4] | 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 |
| [5] | Landis W G, Markiewicz A J, Ayre K K, et al. A general risk-based adaptive management scheme incorporating the Bayesian network relative risk model with the South River, Virginia, as case study[J]. Integrated Environmental Assessment and Management, 2017, 13(1): 115-126. DOI:10.1002/ieam.1800 |
| [6] | Zhang W S, Swaney D P, Hong B, et al. Anthropogenic phosphorus inputs to a river basin and their impacts on phosphorus fluxes along its upstream-downstream continuum[J]. Journal of Geophysical Research: Biogeosciences, 2017, 122(12): 3273-3287. DOI:10.1002/2017JG004004 |
| [7] | Kapustka L A, Bowers K, Isanhart J, et al. Coordinating ecological restoration options analysis and risk assessment to improve environmental outcomes[J]. Integrated Environmental Assessment and Management, 2016, 12(2): 253-263. DOI:10.1002/ieam.1673 |
| [8] | Zhou P, Huang J L, Hong H S. Modeling nutrient sources, transport and management strategies in a coastal watershed, Southeast China[J]. Science of the Total Environment, 2018, 610-611: 1298-1309. DOI:10.1016/j.scitotenv.2017.08.113 |
| [9] | Miller M P, Capel P D, García A M, et al. Response of nitrogen loading to the Chesapeake Bay to source reduction and land use change scenarios: A SPARROW-informed analysis[J]. Journal of the American Water Resources Association, 2020, 56(1): 100-112. DOI:10.1111/1752-1688.12807 |
| [10] | Johns A F, Graham S E, Harris M J, et al. Using the Bayesian network relative risk model risk assessment process to evaluate management alternatives for the South River and upper Shenandoah River, Virginia[J]. Integrated Environmental Assessment and Management, 2017, 13(1): 100-114. DOI:10.1002/ieam.1765 |
| [11] | Tang C H, Yi Y J, Yang Z F, et al. Risk forecasting of pollution accidents based on an integrated Bayesian Network and water quality model for the South to North Water Transfer Project[J]. Ecological Engineering, 2016, 96: 109-116. DOI:10.1016/j.ecoleng.2015.11.024 |
| [12] | Chen H W, Yu R F, Ning S K, et al. Forecasting effluent quality of an industry wastewater treatment plant by evolutionary grey dynamic model[J]. Resources, Conservation and Recycling, 2010, 54(4): 235-241. DOI:10.1016/j.resconrec.2009.08.005 |
| [13] |
李翠梅, 张绍广, 姚文平, 等. 太湖流域苏州片区农业面源污染负荷研究[J]. 水土保持研究, 2016, 23(3): 354-359. Li C M, Zhang S G, Yao W P, et al. Study on agricultural nonpoint source pollution load of Taihu Lake basin in Suzhou[J]. Research of Soil and Water Conservation, 2016, 23(3): 354-359. |
| [14] | Meng X M, Fan F F, Wu L F. Prediction of major pollutants discharge from wastewater in 31 cities of China[J]. Sustainable Production and Consumption, 2021, 26: 54-64. DOI:10.1016/j.spc.2020.09.010 |
| [15] | Yuan D, Lin B, Falconer R A, et al. Development of an integrated model for assessing the impact of diffuse and point source pollution on coastal waters[J]. Environmental Modelling & Software, 2007, 22(6): 871-879. |
| [16] | Zhang F, Xue H F, Ma X M, et al. Grey prediction model for the chemical oxygen demand emissions in industrial waste water: an empirical analysis of China[J]. Procedia Engineering, 2017, 174: 827-834. DOI:10.1016/j.proeng.2017.01.229 |
| [17] | Feng M, Shen Z Y. Assessment of the impacts of land use change on non-point source loading under future climate scenarios using the SWAT model[J]. Water, 2021, 13(6). DOI:10.3390/w13060874 |
| [18] | Wang Q R, Liu R M, Men C, et al. Application of genetic algorithm to land use optimization for non-point source pollution control based on CLUE-S and SWAT[J]. Journal of Hydrology, 2018, 560: 86-96. DOI:10.1016/j.jhydrol.2018.03.022 |
| [19] | Zhang P, Liu Y H, Pan Y, et al. Land use pattern optimization based on CLUE-S and SWAT models for agricultural non-point source pollution control[J]. Mathematical and Computer Modelling, 2013, 58(3-4): 588-595. DOI:10.1016/j.mcm.2011.10.061 |
| [20] |
刘怡娜, 孔令桥, 肖燚, 等. 长江流域景观格局与生态系统水质净化服务的关系[J]. 生态学报, 2019, 39(3): 844-852. Liu Y N, Kong L Q, Xiao Y, et al. Relationships between landscape pattern and ecosystem water purification service in the Yangtze River Basin[J]. Acta Ecologica Sinica, 2019, 39(3): 844-852. |
| [21] |
李琴, 陈家宽. 长江大保护事业呼吁重视植物遗传多样性的保护和可持续利用[J]. 生物多样性, 2018, 26(4): 327-332. Li Q, Chen J K. The primary task of watershed-scale comprehensive conservation of Yangtze River Basin: conservation and sustainable utilization of plant genetic diversity[J]. Biodiversity Science, 2018, 26(4): 327-332. |
| [22] | 卢金友. 长江泥沙调控及干流河道演变与治理技术研究[J]. 中国环境管理, 2017, 9(6): 116-117. |
| [23] | Wang L J, Zheng H, Zhao H, et al. Nitrogen balance dynamics during 2000-2010 in the Yangtze River Basin croplands, with special reference to the relative contributions of cropland area and synthetic fertilizer N application rate changes[J]. PLoS One, 2017, 12(7). DOI:10.1371/journal.pone.0180613 |
| [24] |
刘磊, 张永, 王永红, 等. 长三角地区产业园区环境管理存在的主要问题及对策建议[J]. 安徽师范大学学报(自然科学版), 2019, 42(2): 135-140. Liu L, Zhang Y, Wang Y H, et al. Problems and countermeasures for environmental management of Yangtze River Delta industrial parks[J]. Journal of Anhui Normal University (Natural Science), 2019, 42(2): 135-140. |
| [25] | Banadda E N, Kansiime F, Kigobe M, et al. Landuse-based nonpoint source pollution: a threat to water quality in Murchison Bay, Uganda[J]. Water Policy, 2009, 11(S1): 94-105. DOI:10.2166/wp.2009.106 |
| [26] | Shen Z Y, Hong Q, Yu H, et al. Parameter uncertainty analysis of non-point source pollution from different land use types[J]. Science of the Total Environment, 2010, 408(8): 1971-1978. DOI:10.1016/j.scitotenv.2009.12.007 |
| [27] |
王晶萍, 李兆富, 刘红玉, 等. 中田河流域景观异质性对水体总氮浓度影响研究[J]. 环境科学, 2016, 37(2): 527-533. Wang J P, Li Z F, Liu H Y, et al. Influence of landscape heterogeneity on total nitrogen concentration in Zhongtian River Watershed[J]. Environmental Science, 2016, 37(2): 527-533. |
| [28] |
孔令桥, 王雅晴, 郑华, 等. 流域生态空间与生态保护红线规划方法——以长江流域为例[J]. 生态学报, 2019, 39(3): 835-843. Kong L Q, Wang Y Q, Zheng H, et al. A method for evaluating ecological space and ecological conservation redlines in river basins: a case of the Yangtze River Basin[J]. Acta Ecologica Sinica, 2019, 39(3): 835-843. |
| [29] |
孔令桥, 张路, 郑华, 等. 长江流域生态系统格局演变及驱动力[J]. 生态学报, 2018, 38(3): 741-749. Kong L Q, Zhang L, Zheng H, et al. Driving forces behind ecosystem spatial changes in the Yangtze River Basin[J]. Acta Ecologica Sinica, 2018, 38(3): 741-749. |
| [30] | Pontius Jr R G, Schneider L C. Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA[J]. Agriculture, Ecosystems & Environment, 2001, 85(1-3): 239-248. |
| [31] |
叶高斌, 苏伟忠, 孙小祥. 基于Dyna-CLUE模型的太湖流域建设用地空间扩张模拟[J]. 长江流域资源与环境, 2018, 27(4): 725-734. Ye G B, Su W Z, Sun X X. Simulation of the construction land expansion based on the dyna-CLUE model in Taihu Basin[J]. Resources and Environment in the Yangtze Basin, 2018, 27(4): 725-734. |
| [32] |
吴华安, 曾波, 彭友, 等. 基于多维灰色系统模型的城市人口密度预测[J]. 统计与信息论坛, 2018, 33(8): 60-67. Wu H A, Zeng B, Peng Y, et al. Forecasting urban population density using a multi-variable grey system model[J]. Statistics & Information Forum, 2018, 33(8): 60-67. |
| [33] | Kayacan E, Ulutas B, Kaynak O. Grey system theory-based models in time series prediction[J]. Expert Systems with Applications, 2010, 37(2): 1784-1789. |
| [34] |
李颖慧. 基于灰色系统模型的三峡库区水污染预测与治理对策研究[J]. 重庆理工大学学报(社会科学), 2020, 34(3): 46-55. Li Y H. Prediction and control of water pollution in three gorges reservoir area based on grey system model[J]. Journal of Chongqing University of Technology (Social Science), 2020, 34(3): 46-55. |
| [35] | Hua L Z, Shao G F, Zhao J Z. A concise review of ecological risk assessment for urban ecosystem application associated with rapid urbanization processes[J]. International Journal of Sustainable Development & World Ecology, 2017, 24(3): 248-261. |
| [36] | Zhou P, Huang J L, Pontius Jr R G, et al. New insight into the correlations between land use and water quality in a coastal watershed of China: does point source pollution weaken it?[J]. Science of the Total Environment, 2016, 543: 591-600. |
| [37] | Chen F, Hou L J, Liu M, et al. Net anthropogenic nitrogen inputs (NANI) into the Yangtze River basin and the relationship with riverine nitrogen export[J]. Journal of Geophysical Research: Biogeosciences, 2016, 121(2): 451-465. |
| [38] |
冯兴华, 钟业喜, 李建新, 等. 长江中游城市群县域城镇化水平空间格局演变及驱动因子分析[J]. 长江流域资源与环境, 2015, 24(6): 899-908. Feng X H, Zhong Y X, Li J X, et al. Spatial distribution of the comprehensive level of county urbanization and its driving factors in urban agglomeration in the middle reaches of Yangtze River[J]. Resources and Environment in the Yangtze Basin, 2015, 24(6): 899-908. |
| [39] |
陈昆仑, 郭宇琪, 刘小琼, 等. 长江经济带工业废水排放的时空格局演化及驱动因素[J]. 地理科学, 2017, 37(11): 1668-1677. Chen K L, Guo Y Q, Liu X Q, et al. Spatial-temporal pattern and driving factors of industrial wastewater discharge in the Yangtze River economic zone[J]. Scientia Geographica Sinica, 2017, 37(11): 1668-1677. |