2023, Vol. 44
2. 山西吉县森林生态系统国家野外科学观测研究站, 吉县 042200;
3. 北京市水土保持工程技术研究中心, 北京 100083
, ZHANG Shou-hong1,2,3 , YU Pei-dan1 , SONG Zhuo-yuan1 , XIE Chen-xin1 , ZHANG Jian-jun1,2
2. National Station for Forest Ecosystem Research in Jixian, Jixian 042200, China;
3. Beijing Engineering Research Center of Soil and Water Conservation, Beijing 100083, China
随着人口增加、工业发展和经济增长, 水污染已成为严重的环境问题之一[1], 限制了区域经济和环境的可持续发展[2, 3], 更是环境治理中必须面对的挑战[4].非点源污染占我国水污染的80%以上[5, 6], 且污染来源广, 受气候、水文、地形地貌、土地利用、土壤、植被和人类活动等多重因素的共同影响[7~10], 准确评估非点源污染空间分布特征和精准识别关键源区是高效治理和精准治理的关键所在.
目前, 非点源污染的量化主要采用观测法和模型模拟法[11].观测法耗时费力, 很难精细揭示非点源污染的空间分布特征[11, 12].模型模拟法因其迅速、高效和便捷的特点, 广泛应用于非点源污染的评估[7].常用的模型有机制模型和经验模型[13, 14], 机制模型根据污染物产生的物理过程, 模拟污染物的输入、迁移转化及输出过程, 可识别污染发生的时间和重点区域, 能刻画污染物的迁移转化规律.但需要利用大量的水质监测数据对模型进行率定以实现模型参数的本地化, 在数据缺乏地区应用难度大[15, 16].机制模型以SWAT、AnnAGNPS、HSPF和SWMM等模型为代表.经验模型基于污染物负荷与土地利用类型或径流量之间的经验关系, 模拟非点源污染的负荷或风险[17].因其结构简单, 操作容易, 在资料缺乏地区应用广泛[7], 其中以Johnes[18]研发的输出系数模型最为经典[19].Johnes输出系数模型的基本原理为区域输出污染物负荷等于区域内各个污染源的损失之和, 通过建立受纳水体非点源污染负荷与土地利用之间的关系, 模拟非点源污染空间分布特征[20].
随着对非点源污染的研究不断深入, 各国学者对Johnes输出系数模型进行改进, 如2003年Endreny等[21]将径流因子和植被因子引入模型, 分析了坡位对流域非点源污染的影响; 2004年蔡明等[22]将降雨因子引入模型, 估算了渭河流域总氮(TN)负荷.李思思等[23]和Wang等[24]在模型中引入截留因子和产污因子, 庞树江等[15]在模型中引入产污强度、径流、下渗和景观截留这4个影响因子, Guo等[25]在模型中引入大气沉降、迁移、入河、降雨、地形、下渗和保留率等7个影响因子, 对输出系数模型改进后评估了区域非点源污染.目前, 将地形和降雨因子引入Johnes输出系数模型改进模型, 被称为常用输出系数模型[26~38].然而, 上述改进模型中引入的因子间缺乏独立性或代表性, 例如：降雨和地形因子无法反映植被、土壤和土地利用等对污染物的影响; 景观截留因子与径流因子和下渗因子相关性较强[15]; 入河系数是所有因子对污染物综合影响后污染物的入河比例[25], 且保留率因子与降雨、地形和下渗因子密切相关.综合考虑非点源污染物迁移物理过程改进输出系数模型, 可望有效解决以上问题, 然而, 目前尚缺乏该方面的研究.
本研究以北运河上游流域为例, 基于流域2019年土地利用、DEM、土壤和降雨等数据, 通过对非点源污染物迁移物理过程的模拟, 量化产流、产沙和下渗过程中污染物的损失率改进输出系数模型, 分析Johnes、常用和改进的输出系数模型的模拟精度, 并探究不同改进方法对非点源污染空间分布特征评估和关键源区识别的影响, 以期为非点源污染评估和精准高效治理提供工具支撑和科学参考.
1 材料与方法 1.1 研究区概况北运河上游主要由东沙河、南沙河和北沙河这3条支流组成, 最终汇入沙河水库[图 1(a)], 面积约为1 101 km2.流域属于温带大陆性季风气候, 冬季寒冷干燥, 夏季炎热多雨[39].1980~2020年期间的年均降雨量为463~598 mm(来源于防汛站日降雨数据), 多集中在6~8月, 年内分配不均.研究区土壤类型主要包括风沙土、新积土、粗骨土、棕壤土、褐土和潮土.西北山区主要地类为林地、草地和果园, 东南平原区地势平坦, 主要地类为城镇用地、农村居民地、耕地、水域和其他建设用地[图 1(b)].
|
图 1 北运河上游流域地理位置和土地利用类型 Fig. 1 Location and land use types of the upper Beiyun River basin |
本文数据主要包括流域边界、乡镇边界、数字高程模型(DEM)、土地利用、土壤类型、2001~2019年日降雨量、2018~2019年水质数据、2019年人口等数据.流域边界、DEM、水质和土壤类型这4种数据来源于北京市水科学技术研究院, 水质数据为北运河2018~2019年每月监测数据; 乡镇边界数据来源于北京市昌平区水务局; 日降雨量数据来源于北京市防汛办(图 1); 2019年人口数据主要来源于《2020年北京统计年鉴》.土地利用数据来源于地理国情监测云平台, 空间分辨率均为30 m.利用人工目视解译的方法对2019年土地利用数据进行修订, 最终形成耕地、林地、果园、草地、水域、城镇用地、农村居民地和其它建设用地这8类土地利用数据[图 1(b)].
1.3 研究方法 1.3.1 Johnes输出系数模型(模型Ⅰ)Johnes输出系数模型(模型Ⅰ)根据土地利用、畜禽和居民生活等污染源产生的污染负荷对区域非点源污染进行评估[30], 其计算公式如下：
|
(1) |
式中, L为污染物流失量(kg ·a-1); Ei为第i种污染源输出系数[kg ·(hm2 ·a)-1或kg ·(头·a)-1或kg ·(人·a)-1]; Ai为第i类土地利用类型面积(hm2)或第i种畜牧数量(头)或人口数量(人); P为降雨输入的污染物总量(kg ·a-1).根据《农业部关于加快推进畜禽标准化规模养殖的意见》(农牧发〔2010〕6号)和《北京市推进畜禽养殖废弃物资源化利用工作方案》(京政办发〔2018〕24号), 北京市积极落实并加快推进畜禽养殖规模化, 污染物集中处理, 故本研究不考虑畜禽产生的非点源污染.根据北京地区非点源污染的相关研究[15, 40, 41], 本研究采用的输出系数值如表 1所示.
1.3.2 常用输出系数模型(模型Ⅱ)
常用输出系数模型(模型Ⅱ)是在Johnes输出系数模型的基础上, 引入降雨修正系数和地形修正系数[28~39]评估区域非点源污染.降雨修正系数表征降雨量的时间不均匀性和空间分布异质性对非点源污染空间分布特征的影响[22, 27]; 地形因子表征坡度对非点源污染空间分布特征的影响[42], 计算公式为[25]：
|
(2) |
|
(3) |
|
(4) |
式中, α为降雨修正系数; β为地形修正系数; αt为降雨时间不均匀性影响因子; αs为降雨空间异质性影响因子; Rt为第t年年降雨量; Ra为年平均降雨量; θt为第t个单元格的坡度; θa为研究区域平均坡度.
1.3.3 改进输出系数模型(模型Ⅲ)如图 2所示, 非点源污染的产生主要来源于自然过程(大气沉降和植物残留物等)和人类活动(土地利用变化、畜禽养殖、居民生活和农药化肥等)[43~45].在非点源污染的迁移过程中, 大多数污染物通过附着在泥沙沉积物或溶解在径流中到达受纳水体, 其它可溶或悬浮化合物从土壤表层渗透到土壤深层[46~48].在这过程中, 径流和泥沙不仅是非点源污染污染物的驱动力, 也是污染物迁移的载体, 进入受纳水体的污染物与产流量和产沙量成正比, 与下渗量成反比[15, 25].因此, 本研究通过细化污染物溶于水和附着泥沙的两种主要迁移方式, 量化产流、产沙和下渗过程中污染物的损失率, 对输出系数模型进行改进.以此为基础评估空间单元的径流、产沙和下渗能力对非点源污染的影响, 计算非点源污染负荷.本研究采用SCS-CN模型[25]、水土流失通用方程[49]和淋溶指数模型[15]分别估算空间单元的产流、产沙和下渗量.改进输出系数法公式如下：
|
(5) |
|
(6) |
|
(7) |
|
(8) |
|
(9) |
|
图 2 非点源污染物迁移过程 Fig. 2 Migration processes of non-point source pollutants |
式中, Norm为离差标准化法; ω为产流修正系数; λ为产沙修正系数; γ为下渗修正系数; St为第t年最大蓄水量(mm); prec(ls)为非汛期的总降雨量(mm); Re为降雨侵蚀力因子[MJ ·mm ·(hm2 ·h ·a)-1]; Ke为土壤可蚀因子[t ·h ·(MJ ·mm)-1]; LeSe为地形因子, 无量纲; Cm为植被覆盖与管理因子; Pc为水土保持措施因子.根据前人的研究[25], 耕地、林地、草地、水域、城镇用地、农村居民地、其他建设用地和果园的CN值分别为75、60、56、100、80、89、80和60; 产沙修正系数(λ)相关指标的计算方法见Zuo等[49]的研究成果.
1.3.4 关键源区识别方法采用累积污染负荷曲线法对非点源污染负荷等级进行划分[7], 并以此确定非点源污染关键源区(图 3).每个基本单元的非点源污染负荷按降序排列, 以累积负荷的80%、60%、40%和20%为分界点, 可将非点源污染负荷分为极高风险(关键源区)、高风险、中风险、低风险和极低风险这5个级别, 将极高风险区视为非点源污染关键源区进行优先治理.
|
横坐标为每个像元非点源污染负荷从小到大排列 图 3 累积污染负荷曲线法 Fig. 3 Cumulative pollution load curve |
不同输出系数模型的修正系数空间分布特征如图 4所示.模型Ⅱ的降雨和地形修正系数呈西北高东南低的空间分布特征[图 4(a)和4(b)].德胜口水库周边的降雨修正系数最高为2.53[图 4(a)], 主要是因为2019年德胜口水库年降雨量为624 mm, 而其他地区的年降雨量范围为390~555 mm, 导致德胜口水库区域降雨修正系数远远高于其他地方.研究区西北山区平均坡度大于25°, 地形修正系数较高; 而东南平原地区平均坡度小于6°, 地形修正系数较低.模型Ⅲ中产沙修正系数呈西北高东南低的空间分布特征, 而产流修正系数和下渗修正系数呈东南高西北低的空间分布特征.西北山区地势陡峭, 坡度较大, 水流速度较快, 且该区地类主要为林地和草地, 坡面径流容易冲刷土壤, 形成坡面侵蚀, 造成严重的水土流失[图 4(c)]; 而东南平原区地势平坦, 且不透水面积占比较大, 径流产生动能较小, 不易冲刷土壤, 产沙较小.针对产流, 西北山区坡度较大, 土壤下渗性能较强, 产流较小[图 4(d)]; 而东南平原区主要为建设用地, 下垫面为不透水面, 径流下渗较少; 且该区为流域下游, 产流较大.值得注意的是, 西北山区径流下渗强反而下渗修正系数低; 而东南平原区不透水面占比大, 径流下渗少, 而下渗修正系数反而高.这主要是因为西北山区污染物随径流下渗较多, 对受纳水体的污染风险较小, 下渗修正系数较小[图 4(e)]; 相反, 在东南平原区污染物随径流下渗少, 对受纳水体污染风险较大, 下渗修正系数较大.
|
图 4 不同输出系数模型修正系数空间分布特征 Fig. 4 Spatial distribution of correction factor of different export coefficient models |
不同输出系数模型模拟精度结果如图 5和表 2, 模型Ⅰ和模型Ⅱ模拟的TN与实测TN误差分别为50.44%和-84.01%, 而模型Ⅲ模拟的TN与实测TN误差为-6.79%(表 2), 表明模型Ⅲ能更准确地模拟北运河上游流域非点源污染.此外, 运用SWAT(soil and water assessment tool)模型对模型Ⅰ、Ⅱ和Ⅲ模拟的北运河上游TN进行验证, SWAT模型构建及率定详见以前的研究[39].结果表明, SWAT模型模拟的结果与模型Ⅲ模拟的结果Spearman相关系数明显高于模型Ⅰ和模型Ⅱ, 这表明模型Ⅲ的模拟结果与SWAT模拟结果更为接近(图 5).因此, 两种验证方法均得出改进输出系数模型(模型Ⅲ)更能准确地模拟北运河上游流域非点源污染.
|
*为P < 0.05; 圆内的数值为Spearman相关系数 图 5 不同输出系数模型模拟精度分析 Fig. 5 Simulated accuracy analysis from different export coefficient models |
|
表 2 总氮实测值与模拟值比较 Table 2 Comparison between measured TN and simulated TN |
2.2.2 非点源污染空间分布特征
图 6为3种模型模拟得到的北运河上游流域非点源污染空间分布特征.模型Ⅰ和模型Ⅲ模拟得到的流域非点源污染空间分布特征相似, 整体呈西北山区低东南平原区高的空间分布特征[图 6(a)和6(c)]; 而模型Ⅱ模拟得到流域内西北山区和东南平原区污染负荷差异不大, 仅在北部山区零星分布少量高值区[图 6(b)].西北山区主要为林地和草地, 径流下渗速率较快, 产流量较小, 导致产流修正系数和下渗修正系数较小; 且远离受纳水体和人类活动区域, 非点源污染负荷较低.相反, 东南平原地区主要为建设用地, 不透水面占比较大, 径流下渗速率较慢, 产流量较大, 导致产流修正系数和下渗修正系数较高.流域非点源污染特征与模型Ⅰ和模型Ⅲ模拟得到的结果相符, 而与模型Ⅱ的模拟得到的结果不符.这可能是因为北运河上游地形差异较大, 西北山区地势陡峭, 平均坡度大于25°; 而平原地区地势平坦, 平均坡度小于6°; 同时2019年最大年降雨发生在西北山区.因此, 西北山区的地形和降雨修正系数均大于1, 而东南平原区的地形和降雨修正系数均小于1[图 4(a)和4(b)], 极大增加了西北山区TN负荷, 数倍减少了东南平原区TN负荷值, 最终导致西北山区和东南平原的非点源污染负荷相似, 不符合流域非点源污染的实际情况.由此推断, 模型Ⅱ可能不适用于地形差异大的流域非点源污染评估.
|
图 6 不同输出系数模型非点源污染空间分布特征 Fig. 6 Spatial distribution characteristics of non-point source pollution based on different export coefficient models |
不同输出系数模型模拟得到流域关键源区差异较大(图 7).采用模型Ⅰ和模型Ⅲ识别的关键源区主要分布在流域东南部的人口密集且农业种植等人类活动频繁的区域; 而采用模型Ⅱ识别的关键源区主要分布在流域南部和流域中北部区域.采用模型Ⅰ识别的关键源区主要分布在昌平镇、上庄镇、温泉乡北部和马连洼街道西部, 采用模型Ⅲ模拟得到的关键源区分布在昌平镇、沙河、史各庄、温泉乡北部和马连洼街道西部.以上区域人口密集, 地类主要为建设用地, 且人类农业活动频繁, 非点源污染风险极高.此外, 模型Ⅰ和模型Ⅲ评估得到的非点源污染极低风险区均分布在西北山区[图 7(a)和7(c)], 而模型Ⅱ评估得到的非点源污染极低风险区分布却在东南平原地区[图 7(b)].
|
图 7 不同输出系数模型非点源污染关键源区识别 Fig. 7 Identifying critical source areas of non-point source pollution based on different export coefficient models |
不同输出系数模型模拟得到流域非点源污染不同等级面积占比差异也较大(图 7).流域非点源污染极低、低、中等、高和关键源区面积占比分别为①模型Ⅰ：57.62%、13.99%、10.33%、9.63%和8.43%; ②模型Ⅱ：42.87%、24.73%、17.66%、10.44%和4.30%; ③模型Ⅲ：63.10%、12.28%、9.98%、7.93%和6.71%.其中, 模型Ⅲ得出的非点源污染极低风险区面积最大为693.94 km2; 模型Ⅱ得出的关键源区面积最小为47.27 km2, 模型Ⅰ得出的关键源区面积最大为92.70 km2.
2.3.2 关键源区土地利用结构分析不同输出系数模型模拟得出的流域非点源污染关键源区内各土地利用类型面积占比差异较大(表 3).整体上, 耕地和建设用地是非点源污染的主要来源.模型Ⅰ和模型Ⅲ模拟得到关键源区内耕地、城镇用地、农村居民地面积占比分别为60.40%、16.98%、20.28%和40.63%、40.89%和17.61%.这是因为耕地和城镇用地污染物输出系数较高分别为2.97 kg ·(hm2 ·a)-1和2.00 kg ·(hm2 ·a)-1, 导致这两种地类更容易被识别为关键源区, 其面积占比比较大.另外, 模型Ⅰ没有考虑污染物在迁移过程中的损失量, 采用该模型识别的关键源区内的主要土地类型为污染物输出取值最高的耕地, 面积占比高达60.40%; 而模型Ⅲ更全面地考虑非点源污染迁移过程的影响因素, 加入产流、产沙和下渗这3个修正系数, 关键源区内耕地和城镇用地面积占比差异较小, 分别为40.63%和40.89%.值得注意的是模型Ⅱ模拟得到的高风险区内林地面积占比为44.65%(表 3), 不符合流域的实际情况.主要是因为流域内林地主要分布在西北山区, 该区域植被覆盖度较高, 远离人类居住区, 受人类活动影响较小; 同时距离受纳水体较远, 对受纳水体造成污染的概率较低, 该区域应该属于极低风险.以上结果表明常用输出系数模型(模型Ⅱ)在北运河上游非点源污染模拟结果的精度较差, 而本研究改进的输出系数法模型(模型Ⅲ)模拟结果更符合该流域非点源污染的实际情况.
|
|
表 3 不同输出系数模型非点源污染极高和高风险区土地类型占比/% Table 3 Land types in area proportions with critical source areas and high risk of non-point source pollution based on different export coefficient models/% |
3 讨论
本研究以北运河上游流域为例, 基于非点源污染物迁移物理过程, 量化产流、产沙和下渗过程中污染物的损失率改进输出系数模型.结果表明, 改进的输出系数模型模拟的误差(-6.97%)明显低于Johnes模型(50.44%)和常用模型(-84.01%).此外, 改进输出系数模型与SWAT模型的Spearman相关系数为0.78, 明显高于Johnes输出系数模型和常用输出系数模型.两种验证方法均表明本研究改进的输出系数模型能更准确地模拟北运河上游流域的非点源污染.基于本研究改进输出系数模型模拟的北运河上游流域非点源污染空间特征和关键源区与张耀方等[50]的研究结果相似, 均呈现西北低东南高的空间分布特征, 关键源区主要分布在昌平镇、沙河和史各庄等区域.这些区域人口密度大, 人类活动频繁, 坡度平缓, 下垫面不透水面积占比大, 汇水面大, 径流下渗少, 距离受纳水体较近, 非点源污染风险极高.然而, 常用输出系数模型模拟的TN负荷与实测TN的误差高达-84.01%, 且与SWAT模型的Spearman相关系数极低(-0.094), 模拟的非点源污染空间分布特征与流域的实际情况差异较大.常用输出系数模型分别模拟得出昌平镇、沙河和史各庄等区域均为低风险区, 与张耀方等[50]研究的结果差异较大.有研究表明常用输出系数模型模拟非点源负荷的精度比Johnes输出系数模型模拟的精度有所提高[20, 22, 26, 27, 30], 而本研究得出的结果却相反.这可能是因为北运河上游地形差异较大, 西北山区和东南平原区降雨修正系数和地形修正系数的值差异过大, 西北山区和东南平原的非点源污染负荷值相差不大[图 6(b)], 最终导致模拟的非点源污染空间分布特征与流域的实际情况相差较大.而本研究改进的输出系数模型能准确评估地形差异较大流域的非点源污染, 更具有广泛的适用性.
关键源区识别方法对非点源污染治理至关重要, 影响非点源污染治理的效率.多数学者采用自然断点法划分非点源污染等级, 并识别非点源污染关键源区[43, 51, 52].如图 8, 采用自然断点法识别这3种输出系数模型得到流域非点源污染关键源区的结果与前人研究相差较大[39, 50].例如：Johnes输出系数模型模拟得到关键源区为昌平镇和零星分布沙河地区的极少数像元, 常用输出系数模型基本没有关键源区, 而改进输出系数模型模拟得到的关键源区仅零星分布于沙河地区极少数像元.这是因为自然断点法要求非点源污染负荷应均匀分布, 且方差相对较小.但北运河流域非点源污染负荷分布不均匀、波动幅度较大(图 6), 采用自然断点法识别关键源区科学性低.本研究采用累积污染负荷曲线法确定非点源污染关键源区(图 3), 该方法不是简单地将空间每个像元的非点源污染负荷进行分级, 而是基于累积的思想将空间每个像元的非点源污染负荷进行累积, 直到累积的百分比到达划分等级的临界点[53].该方法与传统自然断点法进行关键源区识别相比, 可以有效地避免将风险源区分割成若干均匀的部分, 从而相对提高了结果的科学性.
|
图 8 自然断点法识别非点源污染关键源区 Fig. 8 Identifying critical source areas of non-point source pollution based on natural breakpoint zoning method |
在Johnes输出系数模型中引入产流修正系数、产沙修正系数和下渗修正系数, 从空间上表征每个像元的径流、产沙和下渗能力对非点源污染流失的影响, 进而估算流域不同像元的非点源污染负荷.改进输出系数模型的影响因子相对全面且相对独立, 能细化输出系数模型对非点源污染物迁移物理过程的描述.然而, 本研究也存在一定的局限性, 首先根据《北京市推进畜禽养殖废弃物资源化利用工作方案》(京政办发〔2018〕24号), 本研究没有考虑畜禽养殖产生的污染.但现实中畜禽规模化养殖所产生的污染物很难全部回收处理, 无法保证附近土壤和受纳水体不受影响.另外, 由于相对全面地考虑了非点源污染迁移的物理过程, 改进输出系数模型增加了模型的数据量(例如：数字高程、土壤类型和降雨量)和计算步骤.未来将改进输出系数模型智能化和自动化, 增加模型的推广性和适用性.
4 结论(1) 改进输出系数模型模拟误差(-6.79%)明显低于Johnes输出系数模型(50.44%)和常用输出系数模型(-84.01%), 显著提高了非点源污染模拟精度.
(2) 采用Johnes、常用和改进的输出系数模型得到的非点源污染空间分布特征和关键源区存在较大差异, 改进输出系数模型模拟结果更符合流域非点源污染特征.流域非点源污染呈东南平原区向西北山区降低的空间特征, 城镇用地和耕地是主要污染源.
(3) 基于改进输出系数模型确定的流域非点源污染关键源区主要分布在昌平镇、沙河、史各庄、温泉乡北部和马连洼街道西部等区域, 占流域总面积6.71%.
| [1] | Zhong S Q, Chen F X, Xie D T, et al. A three-dimensional and multi-source integrated technology system for controlling rural non-point source pollution in the Three Gorges Reservoir Area, China[J]. Journal of Cleaner Production, 2020, 272. DOI:10.1016/j.jclepro.2020.122579 |
| [2] | Allan J R, Levin N, Jones K R, et al. Navigating the complexities of coordinated conservation along the river Nile[J]. Science Advances, 2019, 5(4). DOI:10.1126/sciadv.aau7668 |
| [3] | Ho L, Alonso A, Eurie Forio M A, et al. Water research in support of the Sustainable Development Goal 6: a case study in Belgium[J]. Journal of Cleaner Production, 2020, 277. DOI:10.1016/j.jclepro.2020.124082 |
| [4] |
李华林, 张建军, 张耀方, 等. 基于不同赋权方法的北运河上游潜在非点源污染风险时空变化特征分析[J]. 环境科学, 2021, 42(6): 2796-2809. Li H L, Zhang J J, Zhang Y F, et al. Analysis of spatial-temporal variation characteristics of potential non-point source pollution risks in the upper Beiyun River Basin using different weighting methods[J]. Environmental Science, 2021, 42(6): 2796-2809. DOI:10.13227/j.hjkx.202010225 |
| [5] | Cheng X, Chen L D, Sun R H, et al. Identification of regional water resource stress based on water quantity and quality: a case study in a rapid urbanization region of China[J]. Journal of Cleaner Production, 2019, 209: 216-223. DOI:10.1016/j.jclepro.2018.10.175 |
| [6] | Ongley E D, Zhang X L, Yu T. Current status of agricultural and rural non-point source pollution assessment in China[J]. Environmental Pollution, 2010, 158(5): 1159-1168. DOI:10.1016/j.envpol.2009.10.047 |
| [7] | Li H L, Zhang J J, Zhang S H, et al. A framework to assess spatio-temporal variations of potential non-point source pollution risk for future land-use planning[J]. Ecological Indicators, 2022, 137. DOI:10.1016/j.ecolind.2022.108751 |
| [8] | Engebretsen A, Vogt R D, Bechmann M. SWAT model uncertainties and cumulative probability for decreased phosphorus loading by agricultural Best Management Practices[J]. CATENA, 2019, 175: 154-166. DOI:10.1016/j.catena.2018.12.004 |
| [9] | Kundu S, Mondal A, Khare D, et al. Projecting climate and land use change impacts on actual evapotranspiration for the Narmada River Basin in Central India in the future[J]. Remote Sensing, 2018, 10(4). DOI:10.3390/rs10040578 |
| [10] | Ashworth A J, Moore P A, Pote D H, et al. Conservation management practices reduce non-point source pollution from grazed pastures[J]. Heliyon, 2021, 7(2). DOI:10.1016/j.heliyon.2021.e06238 |
| [11] | Nguyen H H, Recknagel F, Meyer W, et al. Comparison of the alternative models SOURCE and SWAT for predicting catchment streamflow, sediment and nutrient loads under the effect of land use changes[J]. Science of the Total Environment, 2019, 662: 254-265. DOI:10.1016/j.scitotenv.2019.01.286 |
| [12] | Thompson J, Cassidy R, Doody D G, et al. Predicting critical source areas of sediment in headwater catchments[J]. Agriculture, Ecosystems & Environment, 2013, 179: 41-52. |
| [13] | Rudra R P, Mekonnen B A, Shukla R, et al. Currents status, challenges, and future directions in identifying critical source areas for non-point source pollution in Canadian conditions[J]. Agriculture, 2020, 10(10). DOI:10.3390/agriculture10100468 |
| [14] | Wang J B, Zhao J S, Lei X H, et al. An effective method for point pollution source identification in rivers with performance-improved ensemble Kalman filter[J]. Journal of Hydrology, 2019, 577. DOI:10.1016/j.jhydrol.2019.123991 |
| [15] |
庞树江, 王晓燕. 流域尺度非点源总氮输出系数改进模型的应用[J]. 农业工程学报, 2017, 33(18): 213-223. Pang S J, Wang X Y. Application of modified diffuse total nitrogen export coefficient model at watershed scale[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(18): 213-223. DOI:10.11975/j.issn.1002-6819.2017.18.028 |
| [16] | Koo H, Chen M, Jakeman A J, et al. A global sensitivity analysis approach for identifying critical sources of uncertainty in non-identifiable, spatially distributed environmental models: a holistic analysis applied to SWAT for input datasets and model parameters[J]. Environmental Modelling & Software, 2020, 127. DOI:10.1016/j.envsoft.2020.104676 |
| [17] |
王龙, 黄跃飞, 王光谦. 城市非点源污染模型研究进展[J]. 环境科学, 2010, 31(10): 2532-2540. Wang L, Huang Y F, Wang G Q. Review of urban nonpoint source pollution models[J]. Environmental Science, 2010, 31(10): 2532-2540. DOI:10.13227/j.hjkx.2010.10.042 |
| [18] | Johnes P J. Evaluation and management of the impact of land use change on the nitrogen and phosphorus load delivered to surface waters: the export coefficient modelling approach[J]. Journal of Hydrology, 1996, 183(3-4): 323-349. DOI:10.1016/0022-1694(95)02951-6 |
| [19] | Wang W Z, Chen L, Shen Z Y. Dynamic export coefficient model for evaluating the effects of environmental changes on non-point source pollution[J]. Science of the Total Environment, 2020, 747. DOI:10.1016/j.scitotenv.2020.141164 |
| [20] |
李兆富, 杨桂山, 李恒鹏. 基于改进输出系数模型的流域营养盐输出估算[J]. 环境科学, 2009, 30(3): 668-672. Li Z F, Yang G S, Li H P. Estimated nutrient export loads based on improved export coefficient model in xitiaoxi watershed[J]. Environmental Science, 2009, 30(3): 668-672. DOI:10.13227/j.hjkx.2009.03.043 |
| [21] | Endreny T A, Wood E F. Watershed weighting of export coefficients to map critical phosphorous loading areas[J]. JAWRA Journal of the American Water Resources Association, 2003, 39(1): 165-181. DOI:10.1111/j.1752-1688.2003.tb01569.x |
| [22] |
蔡明, 李怀恩, 庄咏涛, 等. 改进的输出系数法在流域非点源污染负荷估算中的应用[J]. 水利学报, 2004, 35(7): 40-45. Cai M, Li H E, Zhuang Y T, et al. Application of modified export coefficient method in polluting load estimation of non-point source pollution[J]. Journal of Hydraulic Engineering, 2004, 35(7): 40-45. DOI:10.3321/j.issn:0559-9350.2004.07.007 |
| [23] |
李思思, 张亮, 杜耘, 等. 面源磷负荷改进输出系数模型及其应用[J]. 长江流域资源与环境, 2014, 23(9): 1330-1336. Li S S, Zhang L, Du Y, et al. Estimation of non-point phosphorus load using improved export coefficient model and its application in watershed management[J]. Resources and Environment in the Yangtze Basin, 2014, 23(9): 1330-1336. DOI:10.11870/cjlyzyyhj201409021 |
| [24] | Wang J L, Shao J A, Wang D, et al. Simulation of the dissolved nitrogen and phosphorus loads in different land uses in the Three Gorges Reservoir Region—based on the improved export coefficient model[J]. Environmental Science: Processes & Impacts, 2015, 17(11): 1976-1989. |
| [25] | Guo Y Z, Wang X Y, Melching C, et al. Identification method and application of critical load contribution areas based on river retention effect[J]. Journal of Environmental Management, 2022, 305. DOI:10.1016/j.jenvman.2021.114314 |
| [26] | Ding X W, Shen Z Y, Hong Q, et al. Development and test of the export coefficient model in the upper Reach of the Yangtze River[J]. Journal of Hydrology, 2010, 383(3-4): 233-244. DOI:10.1016/j.jhydrol.2009.12.039 |
| [27] | Cheng X, Chen L D, Sun R H, et al. An improved export coefficient model to estimate non-point source phosphorus pollution risks under complex precipitation and terrain conditions[J]. Environmental Science and Pollution Research, 2018, 25(21): 20946-20955. DOI:10.1007/s11356-018-2191-z |
| [28] |
丁晓雯, 沈珍瑶, 刘瑞民, 等. 基于降雨和地形特征的输出系数模型改进及精度分析[J]. 长江流域资源与环境, 2008, 17(2): 306-309. Ding X W, Shen Z Y, Liu R M, et al. Improved export coefficient model considering precipitation as well as terrain and its accuracy analysis[J]. Resources and Environment in the Yangtze Basin, 2008, 17(2): 306-309. |
| [29] |
耿润哲, 王晓燕, 焦帅, 等. 密云水库流域非点源污染负荷估算及特征分析[J]. 环境科学学报, 2013, 33(5): 1484-1492. Geng R Z, Wang X Y, Jiao S, et al. Application of improved export coefficient model in estimating non-point source nutrient load from Miyun reservoir watersheds[J]. Acta Scientiae Circumstantiae, 2013, 33(5): 1484-1492. |
| [30] |
任玮, 代超, 郭怀成. 基于改进输出系数模型的云南宝象河流域非点源污染负荷估算[J]. 中国环境科学, 2015, 35(8): 2400-2408. Ren W, Dai C, Guo H C. Estimation of pollution load from non-point source in Baoxianghe watershed based, Yunnan Province on improved export coefficient model[J]. China Environmental Science, 2015, 35(8): 2400-2408. DOI:10.3969/j.issn.1000-6923.2015.08.019 |
| [31] |
陈学凯, 刘晓波, 彭文启, 等. 程海流域非点源污染负荷估算及其控制对策[J]. 环境科学, 2018, 39(1): 77-88. Chen X K, Liu X B, Peng W Q, et al. Estimation of and control strategies for pollution loads from non-point sources in the Chenghai Watershed[J]. Environmental Science, 2018, 39(1): 77-88. |
| [32] |
张冉, 夏建新, 任华堂. 张家口冬奥会核心区非点源污染负荷估算[J]. 水利水运工程学报, 2020(4): 72-79. Zhang R, Xia J X, Ren H T. Estimation of non-point source pollution load in core area of Zhangjiakou Winter Olympic Games[J]. Hydro-Science and Engineering, 2020(4): 72-79. |
| [33] |
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. |
| [34] |
刘洋, 李丽娟, 李九一. 面向区域管理的非点源污染负荷估算——以浙江省嵊州市为例[J]. 环境科学学报, 2021, 41(10): 3938-3946. Liu Y, Li L J, Li J Y. Estimation of non-point source pollution load for regional management: a case study of Shengzhou, Zhejiang Province[J]. Acta Scientiae Circumstantiae, 2021, 41(10): 3938-3946. |
| [35] |
马亚丽, 王兴繁. 基于改进的输出系数模型龙溪河流域氮磷负荷评估[J]. 中国农学通报, 2021, 37(31): 70-77. Ma Y L, Wang X F. Evaluation of nitrogen and phosphorus load of Longxi River Basin based on the improved export coefficient model[J]. Chinese Agricultural Science Bulletin, 2021, 37(31): 70-77. |
| [36] |
胡富昶, 敖天其, 胡正, 等. 改进的输出系数模型在射洪县的非点源污染应用研究[J]. 中国农村水利水电, 2019(6): 78-82, 92. Hu F C, Ao T Q, Hu Z, et al. Applied research on the improved export coefficient model in non-point source pollution in Shehong County[J]. China Rural Water and Hydropower, 2019(6): 78-82, 92. |
| [37] |
胡正, 敖天其, 李孟芮, 等. 改进的输出系数模型在缺资料地区面源综合评价[J]. 灌溉排水学报, 2019, 38(2): 108-114. Hu Z, Ao T Q, Li M R, et al. Analyzing non-point pollution in areas with scarce data using modified output-coefficient model[J]. Journal of Irrigation and Drainage, 2019, 38(2): 108-114. |
| [38] |
陈亚荣, 阮秋明, 韩凤翔, 等. 基于改进输出系数法的长江流域面源污染负荷估算[J]. 测绘地理信息, 2017, 42(1): 96-99, 104. Chen Y R, Ruan Q M, Han F X, et al. Estimation of non-point source pollution load of Yangtze Watershed based on improved export coefficient model[J]. Journal of Geomatics, 2017, 42(1): 96-99, 104. |
| [39] |
宋卓远, 李华林, 于佩丹, 等. 北运河上游非点源污染负荷模拟与最佳管理措施评估研究[J]. 环境科学研究, 2023, 36(2): 334-344. Song Z Y, Li H L, Yu P D, et al. Simulation of non-point source pollution load and evaluation of best management practices in the upper Beiyun River Watershed[J]. Research of Environmental Sciences, 2023, 36(2): 334-344. |
| [40] |
邢宝秀, 陈贺. 北京市农业面源污染负荷及入河系数估算[J]. 中国水土保持, 2016(5): 34-37. Xing B X, Chen H. Estimation on agricultural non-point source pollution loads and inflow coefficient of Beijing[J]. Soil and Water Conservation in China, 2016(5): 34-37. |
| [41] | Ma X, Li Y, Zhang M, et al. Assessment and analysis of non-point source nitrogen and phosphorus loads in the Three Gorges Reservoir Area of Hubei Province, China[J]. Science of the Total Environment, 2011, 412-413: 154-161. |
| [42] | Shen Z Y, Hong Q, Yu H, et al. Parameter uncertainty analysis of the non-point source pollution in the Daning River watershed of the Three Gorges Reservoir Region, China[J]. Science of the Total Environment, 2008, 405(1-3): 195-205. |
| [43] | Liu R M, Xu F, Zhang P P, et al. Identifying non-point source critical source areas based on multi-factors at a basin scale with SWAT[J]. Journal of Hydrology, 2016, 533: 379-388. |
| [44] | 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. |
| [45] | Yasarer L M W, Lohani S, Bingner R L, et al. Assessment of the soil vulnerability index and comparison with AnnAGNPS in two lower Mississippi River Basin watersheds[J]. Journal of Soil and Water Conservation, 2020, 75(1): 53-61. |
| [46] | Kiese R, Heinzeller C, Werner C, et al. Quantification of nitrate leaching from German forest ecosystems by use of a process oriented biogeochemical model[J]. Environmental Pollution, 2011, 159(11): 3204-3214. |
| [47] | Yaashikaa P R, Senthil Kumar P, Varjani S J, et al. Advances in production and application of biochar from lignocellulosic feedstocks for remediation of environmental pollutants[J]. Bioresource Technology, 2019, 292. DOI:10.1016/j.biortech.2019.122030 |
| [48] | Yan X M, Lu W X, An Y K, et al. Assessment of parameter uncertainty for non-point source pollution mechanism modeling: a Bayesian-based approach[J]. Environmental Pollution, 2020, 263. DOI:10.1016/j.envpol.2020.114570 |
| [49] | Zuo L Y, Gao J B. Investigating the compounding effects of environmental factors on ecosystem services relationships for Ecological Conservation Red Line areas[J]. Land Degradation & Development, 2021, 32(16): 4609-4623. |
| [50] |
张耀方, 常国梁, 黄炳彬, 等. 基于SWAT模型以北运河上游流域氮负荷削减为重点的山水林田湖草修复措施配置研究[J]. 环境科学学报, 2022, 42(2): 13-22. Zhang Y F, Chang G L, Huang B B, et al. Study on mountains-rivers-forests-farmlands-lakes-grasslands measures of reducing nitrogen load in the upstream watershed of North Canal based on SWAT model[J]. Acta Scientiae Circumstantiae, 2022, 42(2): 13-22. |
| [51] | Giri S, Qiu Z Y, Prato T, et al. An integrated approach for targeting critical source areas to control nonpoint source pollution in watersheds[J]. Water Resources Management, 2016, 30(14): 5087-5100. |
| [52] | Li Z T, Li M, Xia B C. Spatio-temporal dynamics of ecological security pattern of the Pearl River Delta urban agglomeration based on LUCC simulation[J]. Ecological Indicators, 2020, 114. DOI:10.1016/j.ecolind.2020.106319 |
| [53] | Wei P, Ouyang W, Gao X, et al. Modified control strategies for critical source area of nitrogen(CSAN) in a typical freeze-thaw watershed[J]. Journal of Hydrology, 2017, 551: 518-531. |