2024, Vol. 45
2. 新疆水文水资源工程技术研究中心, 乌鲁木齐 830052;
3. 新疆水利工程安全与水灾害防治重点实验室, 乌鲁木齐 830052
2. Xinjiang Hydrology and Water Resources Engineering Research Center, Urumqi 830052, China;
3. Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention, Urumqi 830052, China
由于气候变化、城市化和自然灾害等影响, 中国正面临着地下水资源枯竭和水质恶化的危机[1, 2]. 进行地下水水质监测和污染预警, 成为应对挑战、坚持可持续发展和增进人类福祉切实可行的手段之一[3]. 2002年洪梅等[4]开发了基于地理信息系统的吉林省西部地下水污染预警系统, 首次提出地下水污染预警包括状态预警和趋势预警两部分. 随着许多学者对地下水污染预警的指标体系、评价标准和评价方法不断进行研究, 现有的地下水污染预警主要包括地下水水质状态预警和趋势预警[5], 状态预警是通过评价地下水水质现状并将其划分为不同等级得到的[6, 7], 它不能反映未来地下水污染预警的变化；趋势预警是对某时段地下水水质变化趋势作出判断来实现, 其能反映未来地下水水质的变化, 但未充分考虑地下水污染风险管理的需要[8]. 因此, 区域尺度地下水污染预警的研究前景是将地下水水质现状、地下水水质变化趋势和地下水污染风险相结合, 以得到更准确的预测结果.
近年来, 逼近于理想解的排序方法（technique for order preference by similarity to an ideal solution, TOPSIS）开始被应用于地下水水质现状评价[9, 10], TOPSIS法通过对指标数据处理后建立的决策矩阵, 来确定正、负理想解, 并求解各评价对象与理想解之间的欧氏距离, 将其进行排序以作出优劣, 越接近正理想解, 地下水质量越优, 反之亦然[11], 该方法不特殊要求或限制评价对象的样本量、指标选取的多少以及数据资料的分布情况, 具有良好的直观性, 并且使用更灵活简便[12]. 仅依靠对地下水水质的监测和评价难以达到地下水污染预警的目的, 还需考虑地下水遭受污染的过程, 国内外常见的地下水污染风险评价方法主要包括迭置指数法[13, 14]、过程模拟法[15]和机器学习法[16]等, 其中迭置指数法应用最为广泛, 该方法综合考虑土壤、地下水含水层和地下水埋深等影响因素, 将地下水脆弱性评价、地下水污染荷载评价和地下水功能价值评价三者叠加来对地下水遭受污染的概率和地下水污染后果进行分析.
巴里坤-伊吾盆地（以下简称“巴伊盆地”）地处新疆东部, 区内的巴里坤矿区是新疆大型煤炭基地吐哈煤田的主力矿区之一, 目前其产能5.2 Mt·a-1, 达产时需水量为9.416×106 m3·a-1[17], 煤炭开采增大了地下水被污染的可能性[18], 若不及时采取有效措施, 地下水资源问题或将成为制约当地煤炭资源开发和经济发展的瓶颈[19]. 目前, 针对巴伊盆地地下水污染方面的研究较少, 且有关地下水污染预警的研究尚未见报道. 本研究采用综合赋权TOPSIS法对研究区内的地下水水质进行评价；通过原位地下水水质监测井的趋势度插值结果分析地下水水质变化趋势；运用迭置指数法建立地下水污染风险评价模型, 多种方法耦合共同确定区域尺度下的地下水污染预警机制, 并生成巴伊盆地平原区地下水污染预警等级分布图, 以便及时作出预警和应对措施, 防止地下水污染.
1 材料与方法 1.1 研究区概况巴伊盆地位于新疆哈密地区, 西起七角井西侧分水岭, 东至新疆与甘肃的省界, 北接蒙古人民共和国, 南以巴里坤山和哈尔里克山分水岭为界. 行政区划隶属于哈密市的巴里坤县和伊吾县[20], 平原区面积约25 785 km2. 总体地势西低东高, 北低南高, 盆地属大陆性中温带干旱气候, 多年平均气温为10.0℃, 平原区多年平均降水量40 mm, 平原区多年平均蒸发量高达2 300 mm. 位于东天山北麓、莫钦乌拉山南麓中部和巴里坤盆地西部的巴里坤湖, 是典型的高寒内陆盐湖. 区内河流主要发源于东天山冰川, 如伊吾河、柳条河和红山口沟等, 其中伊吾河为常流河, 其余河流均为季节性河流. 平原区广泛发育第四系地层, 三塘湖区域有部分新近系和石炭系出露, 下马崖乡北部分布有古近系和石炭系（图 1）. 第四系地貌整体由山前向盆地中心缓倾, 沿盆地凹陷两侧第四系沉积物带状分布显著[21], 第四系沉积物以冲、洪积物砂卵砾石堆积为主. 根据地下水埋藏条件和水动力特征, 平原区含水岩组可分为松散岩类孔隙水、基岩裂隙水和中新生界碎屑岩类裂隙孔隙水. 地下水补给方式主要依靠蚀源区高山积雪融化形成的溪水、山前出露的泉水和渠系渗透等, 排泄方式以机井开采、潜水蒸发和坎儿井溢出为主[22].
|
图 1 区域地层、岩性和地下水取样点分布示意 Fig. 1 Regional strata, lithology, and distribution of groundwater sampling sites |
在建立地下水污染预警模型时, 综合考虑地下水污染的状态与过程, 用“污染度”表示地下水水质现状, “趋势度”表示地下水水质变化趋势, “风险度”表示地下水污染风险[23], 因此地下水污染预警的警度（U）由地下水水质现状（L）、地下水水质变化趋势（M）和地下水污染风险（K）共同确定. 地下水水质现状以《地下水质量标准》（GB/T 14848-2017）中五类水的基准值为参考体系分为优秀（L1）、良好（L2）、较好（L3）、较差（L4）和极差（L5）这5个等级；地下水水质变化趋势分为好转（M1）、稳定（M2）和恶化（M3）这3个等级；地下水污染风险分为低（K1）、中（K2）和高（K3）这3个等级. 根据中国环境保护部2014年发布的《环境突发事件应急预案》, 将地下水预警分为无警（U0）、轻警（U1）、中警（U2）、重警（U3）和巨警（U4）这5个等级[24], 不同的组合对应不同的警度, 具体每种组合与警度之间的对应关系见表 1.
|
表 1 地下水污染预警等级标准1） Table 1 Early warning level standard of groundwater pollution |
1.2.2 地下水水质现状评价
传统的TOPSIS法一般采用层次分析法赋权, 在构造判断矩阵时各指标标度易受人为因素的影响, 导致评价结果不够客观, 在实际应用中需对TOPSIS法进行改进以得到较为客观合理的评价结果[12]. 本研究采用层次分析法和熵权法主客观相结合的综合赋权TOPSIS法来确定地下水水质类别, 本课题组于2022年7~8月进行野外调查取样与测试, 获得巴伊盆地平原区34组地下水水质检测数据. 研究区的西北区域布设的地下水监测井较少的原因主要在于该区域土地利用类型为戈壁荒漠, 人类活动大多不聚集于此, 机民井数量相对有限, 且在此存在的地下水监测井多为国家级监测井, 涉及到相关政策规定, 数据较难获取. 西北区域以外, 本课题组采取沿地下水流向为主与垂直地下水流向为辅相结合的方式布设地下水水质监测井, 并按照《地下水环境监测技术规范》（HJ 164-2020）中所涉及的地下水水质监测井宜从经常使用的民井和生产井中选取的要求, 在人口集聚区的民用手压井和农田灌溉井中选择布设地下水水质监测井, 同时在地下水化学组分复杂和地下水污染区适当加密进行布设. 依据《地下水质量标准》（GB/T 14848-2017）中的Ⅲ类水限值, 选取研究区地下水中存在超标的SO42-、Na+、F-、Cl-、NO3-、溶解性总固体（TDS）和总硬度（TH）等7项水质指标的检测数据进行地下水水质现状评价. 具体步骤如下：
（1）构造决策矩阵 设某一决策问题的决策矩阵为A=（fij）m×n, 决策矩阵中fij（i=1, 2, …, m；j=1, 2, …, n）表示第i个样本的第j个评价指标, 其中m表示组成样本集的样本个数, n表示每个样本集中评价指标的个数.
（2）归一化决策矩阵 为消除因指标量纲不同而对评价方案造成的影响, 需要对决策矩阵进行归一化处理, 不同类型的指标归一化方法有所差异. 本次所选取的地下水水质指标均为低优指标[25], 按式（1）对评价指标数据进行归一化与同趋势化处理得到归一矩阵.
低优指标
|
(1) |
（3）构造加权决策矩阵 将归一化决策矩阵与各指标综合权重相乘, 得到加权归一化决策矩阵
|
其中WT={w1, w2, …, wn}为各指标综合权重.
（4）正负理想解与相对贴近度 由于指标均已正向化, 因此可用所有参评样本中各指标的最大值构成正理想解, 最小值构成负理想解, 其正理想解和负理想解分别为：
|
(2) |
以欧几里得范数作为距离的测度, 则从任意可行解Zi到正理想解Z+和负理想解Z-的距离分别为：
|
(3) |
相对贴近度表示评价的地下水水质样品与假设的理想地下水水质样品的质量之间的相对距离, 相对贴近度Ci值在[0, 1]的范围内, 其越接近于1, 地下水水质越好, 某一可行解对于理想解的相对贴近度Ci定义为：
|
(4) |
通过对同一监测井或区域的地下水水质起始年与现状年进行比较, 分析地下水水质变化趋势. 研究区的西北区域为戈壁荒漠地带, 在此区域的地下水监测井多为国家级监测井, 数据较难获取, 此外, 根据本课题组实地调查取样, 发现很多区域受当地生产开发、人口迁移和耕地变化的影响, 部分机民井被破坏、废弃或转移, 考虑到应保持地下水水质监测数据的连续性, 最终选择2011~2022年间保留下来的18眼数据较为完整的原位地下水水质监测井进行地下水水质变化趋势分析. 为考虑地下水水质的整体变化趋势, 先计算18眼原位监测井的地下水水质综合污染指数[26], 比较起始年和现状年的地下水水质综合污染指数的变化率, 并结合单井的地下水水质现状评价结果, 综合确定单井的地下水水质变化趋势[27]. 在单井地下水水质变化趋势的基础上, 通过空间插值处理, 得到整个区域地下水水质变化趋势. 计算地下水水质综合污染指数（N）, 所选地下水水质指标与地下水水质现状评价所选指标一致. 计算方法如下：
|
(5) |
|
(6) |
式中, Pi表示地下水单指标的污染指数；ci表示第i个地下水水质指标的实测值；coi表示第i个地下水水质指标的饮用水的最高允许标准；Ni表示地下水综合污染指数；j表示监测井；Nj2表示监测井j在现状年的地下水综合污染指数；Nj1表示监测井j在起始年的地下水综合污染指数；Q表示Nj变化率, 若Q < 0且地下水水质类别在5个等级中任意2个及以上等级内变化, 则定义为水质明显好转；若Q > 0且地下水水质类别在5个等级中任意2个及以上等级内变化, 则定义为水质明显恶化；若Q变化范围不大且地下水水质类别在1个及以下等级内变化, 定义为水质基本稳定.
1.2.4 地下水污染风险评价“脆弱度”、“危险度”和“危害度”共同构成地下水污染风险评价的三要素[28]. 其中“脆弱度”指天然状态下地下水对污染所表现的内部固有的敏感属性；“危险度”指各污染源对地下水产生污染的概率；“危害度”指地下水污染发生后造成的损害[29]. 利用基于DRSTIW模型的地下水脆弱性图、地下水污染荷载图和地下水功能价值图, 叠加生成地下水污染风险分布图, 通过ArcGIS中Nature break分类方法划分地下水污染风险为低、中和高这3个等级. 地下水污染风险指数（K）由式（7）计算：
|
(7) |
式中, K、VI、PI和FI分别表示地下水污染风险指数、地下水脆弱性指数、地下水污染荷载指数和地下水功能价值量.
选取与研究区水文地质、包气带结构和水动力条件相关的6个指标：地下水埋深（D）、净补给量模数（R）、土壤类型（S）、地形坡度（T）、包气带岩性（I）和富水性（W）[30]建立DRSTIW地下水脆弱性评价模型[31]. 利用搜集到的矿产勘探、危险废物堆积和垃圾填埋场等潜在污染源和污染源缓冲半径的信息, 叠加土地利用类型对地下水污染源的种类和危险度进行识别, 从而实现定性和定量相结合的地下水污染荷载评价[32]. 地下水功能价值包括地下水的使用价值、经济价值和生态价值, 地下水TDS的高低直接影响着人类对地下水资源的开采, 即影响着地下水的供给能力[33]；夜间灯光指数可作为区域城市扩张、人口分布和经济发展水平的代替变量[34 ~ 36], 因此选取其作为地下水经济价值的评价指标；地下水生态价值则选取研究区生长季（6~10月）的归一化植被指数（NDVI）均值耦合土地利用类型来揭示区域植被覆盖状况和生境质量水平[37, 38].
1.2.5 权重确定层次分析法是将与决策有关的要素分解为目标层、准则层和方案层, 由下至上建立重要程度判断矩阵来计算各指标权重[39, 40], 该方法通过专家打分形式来判断各指标的相对重要性, 较易受到个人主观偏见的影响[41]. 相较于AHP法, 熵权法确定权重更为客观, 可减少主观判断、固有经验和随机事件等的干扰, 熵值考虑各指标间内在联系对评价结果的影响[42, 43], 可衡量指标信息量的大小, 从而确保所建立的指标能反映绝大部分的原始信息[44]. 为确定相对合理的权重, 本研究采用主观和客观赋权取均值来确定各指标的综合权重[45].
1.3 数据来源本研究所需数据来源见表 2.
|
|
表 2 数据来源 Table 2 Data sources |
本研究利用ArcGIS软件中的渔网分割工具, 进行等间距系统采样, 将研究区划分为2 865个3 km×3 km的网格, 各评价指标的栅格化处理有利于后续空间叠加和综合可视化表达.
2 结果与分析 2.1 地下水水质现状评价基于综合权重的TOPSIS法进行地下水水质现状评价, 结果表明, 地下水水质优秀（L1）、良好（L2）、较好（L3）、较差（L4）和极差（L5）分别占研究区总面积的12.5%、50.0%、17.5%、10.0%和10.0%.研究区地下水水质以良好和较好为主, 前者主要分布在伊吾县的淖毛湖镇、苇子峡乡、盐池镇, 巴里坤县的三塘湖镇东南部、奎苏镇、巴里坤镇和兵团红山农场、良种繁育场, 后者主要分布在伊吾县的伊吾镇东部和巴里坤县的三塘湖镇北部、巴里坤湖周围（图 2）. 位于巴里坤县中部的莫钦乌拉山山前洪积平原中上部水力坡度大, 且无阻水构造, 部分地段第四系为透水不含水层[46], 冰雪融水、发育的常年性河流和沟谷, 顺坡而下, 通过河水入渗、河床潜流和基岩山区侧向径流的方式对平原区地下水进行补给[47], 使得这些区域地下水水质基本保持良好状态. 水质较差和极差的地下水主要分布在伊吾县的下马崖乡和巴里坤县的三塘湖镇西北部、大河镇北部、大红柳峡乡. 在以上区域检测到高值Na+、TDS、SO42-、Cl-、TH和F-, 主要是绝大部分地段第四系地层出露, 且第四系松散岩类沉积物以砂卵砾石为主, 颗粒粗大, 孔隙发育, 透水性强[48], 为含盐地层的溶滤作用提供有利条件, 在水岩相互作用下促进了岩盐（Na+、Cl-）、芒硝（Na+、SO42-）和石膏（SO42-）等矿物的溶解、迁移和富集, 进而形成高TDS和高TH地下水. 同时区域内降水补给稀少, 蒸发强烈, 也加速了地下水盐化的进程. 高F-产生原因可能受位于巴里坤县西部的别斯库都克露天煤矿、吉郎德露天煤矿和巴里坤鑫源煤矿等矿业的影响, 周边煤炭资源的开采致使部分氟元素渗入地下水中, 导致地下水中F-含量升高[49].
|
图 2 地下水水质空间分布 Fig. 2 Spatial distribution of groundwater quality |
将计算得出的18眼原位地下水水质监测井的趋势度结果进行插值处理, 得到整个研究区的地下水水质变化趋势评价结果（图 3）, 2011~2022年间呈好转（M1）、稳定（M2）和恶化（M3）趋势的地下水分别占研究区总面积的1.3%、97.7%和1.0%, 地下水水质以稳定水平为主, 水质好转和恶化仅在局部区域体现. 呈好转趋势的地下水主要分布在伊吾县的淖毛湖镇和巴里坤县的三塘湖镇东南部, 淖毛湖区域第四系从上更新世至全新世均有沉积, 岩性从冲、洪积平原中上部砂砾、卵砾石为主的粗粒沉积到下部以亚砂土、亚黏土和粉细砂为主的细粒堆积, 下部随补给水携带的污染物相对不易进入地下水含水层[50]. 呈恶化趋势的地下水分布在伊吾县的下马崖乡和巴里坤县的石人子乡、巴里坤湖北部, 该区域内包气带渗透性大, 防污性能差, 加之下马崖乡和石人子乡附近均有养殖场分布, 畜牧养殖产生的污废水进入地下水含水层, 造成区域地下水水质恶化. 巴里坤湖北部水系极不发育, 降水稀少, 蒸发又相对强烈, 导致地下水盐分迁移积聚, 土地盐渍化和地表龟裂现象不断加剧, 另外巴里坤县是全国三大硫化碱生产基地之一, 芒硝资源主要分布在巴里坤湖, 资源净储量4.893×107 t[51], 化工业产生的大量污废水经过包气带渗漏到地下水中也是导致区域内地下水呈恶化趋势的原因之一.
|
图 3 地下水水质变化趋势空间分布 Fig. 3 Spatial distribution of groundwater quality variation trend |
通过改进传统DRASTIC模型, 建立适合研究区的DRSTIW地下水脆弱性评价模型, 评价结果如图 4（a）所示. 采用单参数敏感性分析判断各评价指标的显著性[52], 结果表明地下水埋深敏感性最大, 有效权重平均值为41.72%, 各指标有效权重平均值排序与理论权重一致（表 3）, 总体看来, 本次地下水脆弱性评价模型构建基本合理. 在搜集污染场地调查资料、环境监测报告和通过遥感解译获取土地利用类型的基础上, 识别选取研究区内工业开发、畜牧养殖、加油站和垃圾填埋场等工农业和生活产生的地下水潜在污染源评价指标, 进行地下水污染荷载评价[图 4（b）]. 地下水功能价值评价中的使用价值用地下水TDS表示, 经济价值通过夜间灯光指数体现, 生态价值基于InVEST（integrated valuation of ecosystem services and tradeoffs）生境质量模型输出结果进行定量表征[图 4（c）].
|
图 4 地下水污染风险各评价指标空间分布 Fig. 4 Spatial distribution of each evaluation index of groundwater pollution risk |
|
|
表 3 单参数敏感度分析 Table 3 Single parameter sensitivity analysis |
将地下水脆弱性图、地下水污染荷载图和地下水功能价值图三者进行空间叠加, 得到地下水污染风险分布（图 5）. 地下水污染风险高（K3）、中（K2）和低（K1）的区域分别占研究区总面积的8.4%、21.5%和70.1%, 研究区地下水污染风险整体较低. 地下水高污染风险区主要分布在伊吾县的淖毛湖镇、苇子峡乡和巴里坤县的三塘湖镇西北部、奎苏镇、石人子乡、大河镇, 区域内土壤表层和包气带介质透水性能较强, 裂隙连通性较好, 对污染物的截留、吸附和降解能力较弱, 加之污染源分布较集中, 污染源与污染物迁移转化的共同作用决定了这些区域较高的地下水污染风险等级. 其中淖毛湖镇虽地下水水质呈现良好状态, 但该处净补给量模数 > 5×105 m3·（km2·a）-1, 单井涌水量处于100~1 000 m3·d-1的范围, 随补给水携带的污染物在地下水埋深 < 6 m、地形坡度 < 2°和包气带岩性为亚砂土的条件下, 易迁移至地下水含水层, 补给水所携带的污染物越多, 地下水遭受污染的潜力越大, 地下水脆弱性就越高. 奎苏镇因其东与军马场相邻, 西与兵团红山农场相接, 畜牧养殖、生活排污和人类活动等引起的点源和面源污染分布较集中, 地下水受污染程度加重. 地下水低污染风险区主要分布在巴伊盆地的西北部和东南部, 区域内大气降水补给稀少, 随补给进入含水层的污染物较少, 且大面积被戈壁砾幕层覆盖, 人口稀少, 人类活动影响较小, 区内生态环境较为脆弱, 对内外干扰的阻抗能力弱, 地下水的生态价值和经济价值低, 造成地下水污染风险较低.
|
图 5 地下水污染风险空间分布 Fig. 5 Spatial distribution of groundwater pollution risk |
根据表 1确定了研究区地下水污染的预警程度, 无警（U0）、轻警（U1）、中警（U2）、重警（U3）和巨警（U4）分别占研究区总面积的26.0%、31.3%、8.8%、16.4%和17.5%, 研究区地下水污染以无警和轻警为主（图 6）. 无警和轻警区主要分布在伊吾县的淖毛湖镇、盐池镇和巴里坤县的三塘湖镇东部, 巴里坤县中部的天山支脉莫钦乌拉山自第四纪以来, 先后发生四次强烈差异性抬升和错动, 地形高差显著, 水力坡度大, 径流较强烈[47], 冰雪融水、山区河流和基岩裂隙等补给水由山前向盆地中下部运动, 污染物不易富集, 地下水水质以良好为主, 且水质趋于稳定状态, 地下水污染风险较低. 中等预警区是轻警区和重警区之间的关键过渡区域, 主要分布在伊吾县的伊吾镇和巴里坤县的奎苏镇、石人子乡、海子沿乡. 重警和巨警区分布在伊吾县的下马崖乡和巴里坤县的三塘湖镇北部、大红柳峡乡、大河镇, 其中下马崖乡和大河镇地下水污染预警级别较高的原因可能在于畜牧养殖产生的牲畜排泄物、农田肥料和垃圾填埋场渗滤液处理不当导致污染物通过包气带渗漏进入地下水中, 造成地下水水质较差, 三塘湖区域地处戈壁, 地势较平坦, 无常年流动的地表河流, 气候干燥, 蒸发强于降水, 地下水径流侧向补给少, 水力交替微弱, 除少部分新近系和石炭系出露外, 大面积分布第四系上更新统-全新统冲洪积, 主要为卵砾石和砂砾石层, 为地下水运移提供良好的地层条件, 且区内的煤炭开采, 由于受多种力的共同作用, 煤层底板会产生一定扰动, 影响局部地形地貌的变形, 底板的松动更利于岩石淋蚀和含污矿井水向下渗透[53], 地下水水化学组分随之升高, 造成地下水水质较差和地下水污染风险较高, 最终导致地下水污染预警级别高.
|
图 6 地下水污染预警空间分布 Fig. 6 Spatial distribution of groundwater pollution early warning |
本研究以地下水污染预警为目标层, 地下水水质现状、地下水水质变化趋势和地下水污染风险为准则层, 建立基于污染度、趋势度和风险度的地下水污染预警递进分析理论体系. 地下水水质现状是预警基础, 其决定了地下水污染预警的起始状态, 但无法实现预先警告的功能, 根据地下水水质现状评价结果发布污染预警无法改变地下水已遭受污染的事实, 仅依靠对地下水水质的监测来进行地下水污染预警, 会导致地下水污染防治工作处于被动状态. 地下水水质趋势预警是在地下水水质状态预警的基础上, 考虑地下水水质变化趋势和地下水污染风险, 通过对地下水的防污性能、污染源特征和地下水价值等因素进行研究, 追溯地下水遭受污染的概率和后果, 以此来对地下水污染的发展状况进行判断和预测. 在位于地下水污染重警区的伊吾县下马崖乡地下水中检测到高值SO42-、Cl-、F-、TDS和TH, 地下水水质较差, 表明地下水水质的起始状态是研究地下水污染预警的重要因素. 巴里坤县的大河镇、大红柳峡乡和三塘湖镇2011~2022年间地下水水质变化趋势呈稳定状态, 但这些区域地下水污染预警级别为巨警, 除区域内地下水水质现状较差以外, 也受到了地下水高污染风险的影响, 说明地下水污染风险在局部区域同样起着重要作用. 将地下水水质状态预警和趋势预警相结合的地下水污染预警研究, 既体现地下水污染的起始状态, 又反映地下水遭受污染的动态变化过程, 能更好达到地下水污染预警的目的, 使地下水污染防治工作更有预见性和主动性.
根据巴里坤县人民政府官网发布的《巴里坤三塘湖工业园区产业发展规划（2022~2035年）环境影响报告书》, 巴里坤县将依托三塘湖煤矿资源, 做优做强煤化工支柱产业, 2035年三塘湖工业园区内的两大产业区：条湖区和汉水泉区, 用水量预测分别为9.9×103 m3·d-1和2.4×104 m3·d-1, 条湖区预计产生煤矸石、灰渣等固废约8.2×105 t, 这就要求当地政府制定地下水环境污染减缓对策措施时坚持“源头控制、末端防治、污染监控、应急响应相结合”的原则, 以水文地质单元为基础, 根据地下水补径排特征, 在地下水供水水源地、地下水高污染风险区和地下水污染重巨警区建立科学合理的地下水监测系统, 并适当加密布设地下水监测站网, 重点监测这些区域地下水水质的动态变化特征、地下水潜在污染源和地下水污染状态, 采取以地下水监测为补充的地下水污染控制和修复措施.
本研究建立的地下水污染预警模型为研究区地下水污染预警机制建立的首次尝试, 其是基于大量数据的空间叠加建立的, 地下水污染预警制图的不确定性主要来自于相关数据和研究方法, 如指标选取、权重赋值和指标范围划分的主观性导致了地下水污染预警制图的不确定性；污染源、包气带和含水层数据获取的不足导致地下水污染风险的不确定性, 也同样对地下水污染预警制图的准确性有一定影响. 研究区现有的监测井多是生产井、简易民井和废弃井, 符合《地下水监测站建设规范》（SL 360-2006）要求的监测井很少, 至今没有建立起较为完善的地下水监测站网, 如果能在更长时间序列和更大数量上进一步采集地下水水质数据, 对污染源进行进一步实地调查和来源解析, 在地下水水源地、潜在污染源和地下水污染重巨警区开展更详细的水文地质调查工作, 该模型的精度将会得到提高.
4 结论（1）基于综合权重的TOPSIS法地下水水质现状评价结果表明, 研究区地下水水质以良好和较好为主, 伊吾县的下马崖乡和巴里坤县的三塘湖镇西北部、大河镇北部、大红柳峡乡地下水水质较差, 原因在于出露的第四系沉积物以砂卵砾石为主, 孔隙发育, 透水性强, 污染物易迁移至地下水含水层.
（2）2011~2022年间地下水水质以稳定水平为主, 水质好转和恶化仅在局部区域体现. 主要是畜牧养殖和化工业产生的污废水渗漏至地下水含水层, 造成伊吾县的下马崖乡和巴里坤县的石人子乡、巴里坤湖北部的地下水水质恶化.
（3）研究区地下水污染风险整体较低, 高污染风险区分布在伊吾县的淖毛湖镇、苇子峡乡和巴里坤县的三塘湖镇西北部、奎苏镇、石人子乡、大河镇, 这些区域含水介质渗透性强, 对污染物的截留和吸附能力较弱, 加之污染源分布较集中, 地下水高脆弱性和高污染荷载的双重作用下导致局部高污染风险区产生.
（4）研究区地下水污染预警级别整体较低. 重警和巨警区主要分布在伊吾县的下马崖乡和巴里坤县的三塘湖镇北部、大红柳峡乡、大河镇, 工农业和生活产生的污染物通过包气带渗漏至地下水中, 造成这些区域地下水水质较差和地下水污染风险较高, 最终导致地下水污染预警级别高.
| [1] | Jia X Y, O'Connor D, Hou D Y, et al. Groundwater depletion and contamination: spatial distribution of groundwater resources sustainability in China[J]. Science of the Total Environment, 2019, 672: 551-562. DOI:10.1016/j.scitotenv.2019.03.457 |
| [2] | Naik M R, Mahanty B, Sahoo S K, et al. Assessment of groundwater geochemistry using multivariate water quality index and potential health risk in industrial belt of central Odisha, India[J]. Environmental Pollution, 2022, 303. DOI:10.1016/j.envpol.2022.119161 |
| [3] | Samadi J. Modelling hydrogeological parameters to assess groundwater pollution and vulnerability in Kashan aquifer: novel calibration-validation of multivariate statistical methods and human health risk considerations[J]. Environmental Research, 2022, 211. DOI:10.1016/j.envres.2022.113028 |
| [4] |
洪梅, 赵勇胜, 张博. 地下水水质预警信息系统研究[J]. 吉林大学学报(地球科学版), 2002, 32(4): 364-368, 377. Hong M, Zhao Y S, Zhang B. The research on groundwater quality early warning system[J]. Journal of Jilin University (Earth Science Edition), 2002, 32(4): 364-368, 377. |
| [5] |
白利平, 王业耀, 郭永丽, 等. 基于风险管理的区域(流域)地下水污染预警方法研究[J]. 环境科学, 2014, 35(8): 2903-2910. Bai L P, Wang Y Y, Guo Y L, et al. Research of early-warning method for regional groundwater pollution based on risk management[J]. Environmental Science, 2014, 35(8): 2903-2910. |
| [6] | Stedmon C A, Seredyńska-Sobecka B, Boe-Hansen R, et al. A potential approach for monitoring drinking water quality from groundwater systems using organic matter fluorescence as an early warning for contamination events[J]. Water Research, 2011, 45(18): 6030-6038. DOI:10.1016/j.watres.2011.08.066 |
| [7] |
雷抗, 李瑞, 李鸣晓, 等. 海积平原区浅层地下水污染在线监测预警指标的确定——以天津市某简易生活垃圾填埋场为例[J]. 环境工程, 2018, 36(11): 179-184. Lei K, Li R, Li M X, et al. Determination of indexes of on-line monitoring and early warning for shallow groundwater contamination around landfills in marine plains: a case of a simple MSW landfill in Tianjin[J]. Environmental Engineering, 2018, 36(11): 179-184. |
| [8] |
姚丽利, 高童, 胡立堂. 地下水水源地污染预警应用研究——以浑河冲洪积扇为例[J]. 南水北调与水利科技, 2016, 14(1): 37-41, 66. Yao L L, Gao T, Hu L T. Application study of groundwater pollution early warning in source field: A case study in alluvial-pluvial fan of Hun River[J]. South-to-North Water Transfers and Water Science & Technology, 2016, 14(1): 37-41, 66. |
| [9] |
郑恺原, 潘若云, 黄峰. 算子优化层次分析的TOPSIS模型评价大沽河流域地下水质研究[J]. 节水灌溉, 2020(5): 88-92. Zheng K Y, Pan R Y, Huang F. Application of TOPSIS model of operator optimizing AHP in groundwater quality assessment of Dagu River Basin[J]. Water Saving Irrigation, 2020(5): 88-92. |
| [10] | Li P Y, He S, Yang N N, et al. Groundwater quality assessment for domestic and agricultural purposes in Yan'an City, northwest China: implications to sustainable groundwater quality management on the Loess Plateau[J]. Environmental Earth Sciences, 2018, 77(23). DOI:10.1007/s12665-018-7968-3 |
| [11] | Li Y, Wu L, Han Q, et al. Estimation of remote sensing based ecological index along the grand canal based on PCA-AHP-TOPSIS methodology[J]. Ecological Indicators, 2021, 122. DOI:10.1016/j.ecolind.2020.107214 |
| [12] |
程佩瑄. 基于TOPSIS法的水环境质量评价研究——以黄河兰州段为例[D]. 兰州: 兰州大学, 2014. Cheng P X. Water quality assessment study based on TOPSIS method: take Lanzhou section of Yellow River as an example[D]. Lanzhou: Lanzhou University, 2014. |
| [13] |
吴建强, 王敏, 黄沈发, 等. 平原河网区地下水污染风险评价体系及其应用[J]. 水资源保护, 2019, 35(4): 55-62. Wu J Q, Wang M, Huang S F, et al. Risk assessment system of groundwater pollution in plain river network area and its application[J]. Water Resources Protection, 2019, 35(4): 55-62. |
| [14] | Li X Y, Wu H, Qian H. Groundwater contamination risk assessment using intrinsic vulnerability, pollution loading and groundwater value: a case study in Yinchuan Plain, China[J]. Environmental Science and Pollution Research, 2020, 27(36): 45591-45604. DOI:10.1007/s11356-020-10221-4 |
| [15] | Masetti M, Sterlacchini S, Ballabio C, et al. Influence of threshold value in the use of statistical methods for groundwater vulnerability assessment[J]. Science of the Total Environment, 2009, 407(12): 3836-3846. DOI:10.1016/j.scitotenv.2009.01.055 |
| [16] |
曹文庚, 付宇, 南天, 等. 机器学习在地下水环境背景值与污染风险评价的应用和展望[J]. 地质学报, 2023, 97(7): 2408-2424. Cao W G, Fu Y, Nan T, et al. Machine learning model in groundwater background value and pollution risk assessment: application and prospects[J]. Acta Geologica Sinica, 2023, 97(7): 2408-2424. |
| [17] | 新疆哈密巴里坤矿区总体规划(修编)环境影响报告书[R]. 哈密: 哈密市发展和改革委员会, 2021. |
| [18] | Song K, Wang F, Peng Y, et al. Construction of a hydrogeochemical conceptual model and identification of the groundwater pollution contribution rate in a pyrite mining area[J]. Environmental Pollution, 2022, 305. DOI:10.1016/j.envpol.2022.119327 |
| [19] | Liu Y, Wang P, Gojenko B, et al. A review of water pollution arising from agriculture and mining activities in Central Asia: facts, causes and effects[J]. Environmental Pollution, 2021, 291. DOI:10.1016/j.envpol.2021.118209 |
| [20] |
张彦军. 巴伊盆地地表水资源评价[D]. 乌鲁木齐: 新疆农业大学, 2013. Zhang Y J. The surface water resources assessment in Barkul and Yiwu Basin[D]. Urumqi: Xinjiang Agricultural University, 2013. |
| [21] |
孙凯. 巴里坤盆地地质填图中地球物理信息综合应用研究[D]. 武汉: 中国地质大学, 2018. Sun K. Research on integrated application of geophysical information on geological mapping of Barkol Basin[D]. Wuhan: China University of Geosciences, 2018. |
| [22] |
栾风娇, 周金龙, 贾瑞亮, 等. 新疆巴里坤-伊吾盆地地下水水化学特征及成因[J]. 环境化学, 2017, 36(2): 380-389. Luan F J, Zhou J L, Jia R L, et al. Hydrochemical characteristics and formation mechanism of groundwater in plain areas of Barkol-Yiwu Basin, Xinjiang[J]. Environmental Chemistry, 2017, 36(2): 380-389. |
| [23] |
张佳文. 基于GIS的岩溶区地下水污染预警研究——以济南市岩溶泉域为例[D]. 长春: 吉林大学, 2018. Zhang J W. Research on early warning of karst groundwater pollution based on GIS-Jinan karst springfield as an example[D]. Changchun: Jilin University, 2018. |
| [24] | Huan H, Li X, Zhou J, et al. Groundwater pollution early warning based on QTR model for regional risk management: a case study in Luoyang City, China[J]. Environmental Pollution, 2020, 259. DOI:10.1016/j.envpol.2019.113900 |
| [25] |
杨春风, 任雁飞, 王可意. 基于惩罚-激励变权的TOPSIS法边坡安全评价模型[J]. 重庆交通大学学报(自然科学版), 2019, 38(2): 59-64. Yang C F, Ren Y F, Wang K Y. Slope safety evaluation model of TOPSIS based on penalty-incentive variable weight method[J]. Journal of Chongqing Jiaotong University (Natural Science), 2019, 38(2): 59-64. |
| [26] | Amiri V, Kamrani S, Ahmad A, et al. Groundwater quality evaluation using Shannon information theory and human health risk assessment in Yazd Province, central plateau of Iran[J]. Environmental Science and Pollution Research, 2021, 28(1): 1108-1130. DOI:10.1007/s11356-020-10362-6 |
| [27] |
马雪峰. 吕梁市地下水污染预警研究[D]. 太原: 太原理工大学, 2022. Ma X F. Study on early warning of groundwater pollution in Lvliang City[D]. Taiyuan: Taiyuan University of Technology, 2022. |
| [28] |
张伟红. 地下水污染预警研究[D]. 长春: 吉林大学, 2007. Zhang W H. Study on the early warning of groundwater pollution[D]. Changchun: Jilin University, 2007. |
| [29] |
张大勇. 莒县沭河盆地地下水污染预警研究[D]. 长春: 吉林大学, 2019. Zhang D Y. Study on groundwater pollution early warning in Shuhe Basin of Juxian County[D]. Changchun: Jilin University, 2019. |
| [30] | Yu S, Ding H H, Zeng Y F. Evaluating water-yield property of karst aquifer based on the AHP and CV[J]. Scientific Reports, 2022, 12(1). DOI:10.1038/s41598-022-07244-x |
| [31] |
闫志雲, 曾妍妍, 周金龙, 等. 叶尔羌河流域平原区地下水污染风险评价[J]. 环境科学, 2023, 44(6): 3237-3246. Yan Z Y, Zeng Y Y, Zhou J L, et al. Groundwater pollution risk assessment in plain area of the Yarkant River Basin[J]. Environmental Science, 2023, 44(6): 3237-3246. |
| [32] |
刘钰, 曾妍妍, 周金龙, 等. 巴里坤-伊吾盆地平原区地下水污染风险评价[J]. 环境科学, 2023, 44(12): 6778-6789. Liu Y, Zeng Y Y, Zhou J L, et al. Groundwater pollution risk assessment in plain area of Barkol-Yiwu Basin[J]. Environmental Science, 2023, 44(12): 6778-6789. |
| [33] |
孙才志, 郑德凤, 吕乐婷. 下辽河平原地下水脆弱性与风险性评价[M]. 北京: 科学出版社, 2019. Sun C Z, Zheng D F, Lv L T. Groundwater vulnerability and risk assessment in Lower Liaohe Plain[M]. Beijing: Science Press, 2019. |
| [34] |
刘泠岑, 孙中孝, 吴锋, 等. 基于夜间灯光数据的中国县域发展活力与均衡性动态研究[J]. 地理学报, 2023, 78(4): 811-823. Liu L C, Sun Z X, Wu F, et al. Dynamics of developmental vitality and equilibria of counties in China based on nighttime lights data[J]. Acta Geographica Sinica, 2023, 78(4): 811-823. |
| [35] | Chen L J, Zhang H P, Wang Z Q. Township development and transport hub level: analysis by remote sensing of nighttime light[J]. Remote Sensing, 2023, 15(4). DOI:10.3390/rs15041056 |
| [36] | Gu Y, Shao Z F, Huang X, et al. GDP forecasting model for China's Provinces using nighttime light remote sensing data[J]. Remote Sensing, 2022, 14(15). DOI:10.3390/RS14153671 |
| [37] | Achten S, Lessmann C. Spatial inequality, geography and economic activity[J]. World Development, 2020, 136. DOI:10.1016/j.worlddev.2020.105114 |
| [38] |
潘耀, 尹云鹤, 侯文娟, 等. 基于土地利用及植被覆盖变化的黄河源区生境质量时空变化特征[J]. 生态学报, 2022, 42(19): 7978-7988. Pan Y, Yin Y H, Hou W J, et al. Spatiotemporal variation of habitat quality in the source region of the Yellow River based on land use and vegetation cover changes[J]. Acta Ecologica Sinica, 2022, 42(19): 7978-7988. |
| [39] |
张亚青, 王相, 孟凡荣, 等. 基于熵权和层次分析法的VOCs处理技术综合评价[J]. 中国环境科学, 2021, 41(6): 2946-2955. Zhang Y Q, Wang X, Meng F R, et al. Comprehensive evaluation of VOCs processing technology based on entropy weight method and analytic hierarchy process[J]. China Environmental Science, 2021, 41(6): 2946-2955. |
| [40] | Zhong C H, Yang Q C, Liang J, et al. Fuzzy comprehensive evaluation with AHP and entropy methods and health risk assessment of groundwater in Yinchuan Basin, northwest China[J]. Environmental Research, 2022, 204. DOI:10.1016/j.envres.2021.111956 |
| [41] |
贾晗, 刘军省, 殷显阳, 等. 安徽铜陵硫铁矿集中开采区矿山地质环境评价研究[J]. 地学前缘, 2021, 28(4): 131-141. Jia H, Liu J X, Yin X Y, et al. Ecological evaluation of the Tongling pyrite mining district in Anhui Province[J]. Earth Science Frontiers, 2021, 28(4): 131-141. |
| [42] |
林涛, 尹静, 张博, 等. 改进综合水质标识指数法在珠江口水系水质评价中的应用[J]. 水资源保护, 2022, 38(4): 166-173, 194. Lin T, Yin J, Zhang B, et al. Application of improved comprehensive water quality identification index method in water quality evaluation of the Pearl River Estuary[J]. Water Resources Protection, 2022, 38(4): 166-173, 194. |
| [43] | Wang X Y, Liu L, Zhang S L, et al. Dynamic simulation and comprehensive evaluation of the water resources carrying capacity in Guangzhou City, China[J]. Ecological Indicators, 2022, 135. DOI:10.1016/j.ecolind.2021.108528 |
| [44] |
袁维, 孙瑞峰, 钟辉亚, 等. 阶跃型滑坡综合变形预测及监测预警方法研究[J]. 水利学报, 2023, 54(4): 461-473. Yuan W, Sun R F, Zhong H Y, et al. Research on comprehensive deformation prediction and monitoring and early warning method for step-like landslide[J]. Journal of Hydraulic Engineering, 2023, 54(4): 461-473. |
| [45] |
沈时, 王栋, 王远坤, 等. 水资源承载力综合评价的组合权重-MNCM法[J]. 南京大学学报(自然科学), 2021, 57(5): 887-895. Shen S, Wang D, Wang Y K, et al. Combined weight-MNCM evaluation method for water resources carrying capacity[J]. Journal of Nanjing University (Natural Science), 2021, 57(5): 887-895. |
| [46] |
白铭, 张静, 李续续, 等. 新疆巴里坤三塘湖盆地地下水赋存分布特征[J]. 新疆地质, 2015, 33(2): 270-274. Bai M, Zhang J, Li X X, et al. Distribution characteristic of groundwater storage in Santanghu Basin of Balikun County, Xinjiang[J]. Xinjiang Geology, 2015, 33(2): 270-274. |
| [47] |
纪媛媛. 新疆三塘湖北煤田供水水文地质详查区地下水流数值模拟研究[D]. 乌鲁木齐: 新疆农业大学, 2014. Ji Y Y. Groundwater numerical simulation of water supply hydrogeological survey zone in northern Santanghu coalfield, Xinjiang[D]. Urumqi: Xinjiang Agricultural University, 2014. |
| [48] |
白铭, 李续续, 张静, 等. 新疆三塘湖盆地地下水赋存控制因素分析[J]. 水文地质工程地质, 2015, 42(1): 47-52. Bai M, Li X X, Zhang J, et al. An analysis of the control factors of groundwater storage in the Santanghu Basin of Xinjiang[J]. Hydrogeology & Engineering Geology, 2015, 42(1): 47-52. |
| [49] |
赵卫东, 赵芦, 龚建师, 等. 宿州矿区浅层地下水污染评价及源解析[J]. 地学前缘, 2021, 28(5): 1-14. Zhao W D, Zhao L, Gong J S, et al. Pollution assessment and source apportionment of shallow groundwater in Suzhou mining area, China[J]. Earth Science Frontiers, 2021, 28(5): 1-14. |
| [50] |
傅周燕. 新疆淖毛湖盆地地下水水质评价及水文地球化学模拟[D]. 北京: 中国地质大学(北京), 2014. Fu Z Y. Evaluation of groundwater quality and hydrogeochemical simulation in the Naomaohu Basin of Xinjiang[D]. Beijing: China University of Geosciences (Beijing), 2014. |
| [51] |
王振, 李均力, 包安明, 等. 1995—2020年新疆巴里坤湖面积时序变化及归因[J]. 干旱区研究, 2021, 38(6): 1514-1523. Wang Z, Li J L, Bao A M, et al. Temporal variation in the Barkol lake area and its driving factors in 1995-2020[J]. Arid Zone Research, 2021, 38(6): 1514-1523. |
| [52] | Nixdorf E, Sun Y Y, Lin M, et al. Development and application of a novel method for regional assessment of groundwater contamination risk in the Songhua River Basin[J]. Science of the Total Environment, 2017, 605-606: 598-609. DOI:10.1016/j.scitotenv.2017.06.126 |
| [53] | Xiao J, Wang L Q, Chai N P, et al. Groundwater hydrochemistry, source identification and pollution assessment in intensive industrial areas, eastern Chinese Loess Plateau[J]. Environmental Pollution, 2021, 278. DOI:10.1016/j.envpol.2021.116930 |