2025, Vol. 46
2. 江苏省南京环境监测中心, 南京 210098
, LI Yi-ping1
, PAN Hong-zhe1 , XIE Xin-miao2 , LIU Jun2 , ZHAO Ming-ming2 , YAN Chun-min1 , ZHENG Wan-ting1 , JIN Qiao-yi1
2. Nanjing Environmental Monitoring Center of Jiangsu Province, Nanjing 210098, China
随着城市化进程加快, 农业集约化和土地开发利用等人类活动在降雨时产生的面源污染已成为全球性的水环境问题[1 ~ 3]. 过去10年, 我国水污染防治工作得到有效开展, 然而许多地方依然普遍存在雨后水质波动、返黑返臭等突出现象, 具有典型的“旱季藏污纳垢、雨季零存整取”特征[4, 5], 面源污染成为制约我国水生态环境持续改善的主要矛盾之一. 为了有效解决这一问题, 生态环境部提出汛期污染强度的概念, 识别平时水生态环境质量比较好, 但降雨发生后污染物浓度大幅度上升、环境质量恶化的水体, 助力地方精准治理面源污染, 厘清行政辖区的城乡面源污染防治责任.
河道水环境质量尤其是雨后水质波动现象, 受到气象水文条件和人类活动的双重影响[6 ~ 8]. 降雨是径流产生和污染物输移的重要驱动因素, 并且导致水环境污染负荷增加[9 ~ 11]. 已有研究表明, 降雨量和降雨强度等降雨特征对地表水水质影响显著, 随着降雨强度增大, 排水系统溢流污染加剧[12], 同时冲刷作用使大量污染物随地表径流进入水体[13], 水体污染物浓度先上升后下降[14], 且较长的降雨历时会导致更高的污染负荷[15]. 流域内土地利用方式的差异也会导致污染分布的空间异变性[6, 16, 17], 从而造成汛期污染强度的分布差异化. 例如, 城市和农田面积与河流总磷（TP）和氨氮（NH4+-N）浓度呈正相关[18], 而森林对径流和泥沙等颗粒物有很强的拦截效应, 在维持水质方面发挥着关键作用[19]. 此外, 许多城市河流和湖泊采用人工引水和补水等工程措施, 有效保障了水生态环境[20, 21], 降低面源污染的影响. 然而, 受限于降雨事件的随机性与突发性, 以及数据监测频率不足等问题, 河道汛期污染强度的影响因素与驱动机制仍不明晰, 并且面源污染影响因素众多, 部分因素间存在非线性关系, 常规数据分析方法难以科学界定各影响因素的重要性.
机器学习算法擅长解决复杂非线性问题, 近年来在环境研究领域得到广泛应用, 其本质是让计算机在大量历史数据中学习规律, 并根据所得到的规律对未来数据进行预测, 常用的机器学习算法包括决策树、回归、随机森林和人工神经网络等. 程婉清等[22]和张育福等[23]比较了多种机器学习算法, 发现与多元线性回归和增强回归树等相比, 随机森林算法具有精确度高、训练速度快和抗过拟合能力强等优点, 并且在估算农田氮径流流失负荷[23]、评价地表灰尘重金属污染[24]和预测城市径流污染物EMCs[25]等多方面具有出色表现.
秦淮河流域用地类型复杂, 闸泵分布众多, 雨天面源污染突出, 不同区域断面水质与降雨的响应过程可能存在时空分异性, 汛期污染强度的变化规律还不明确. 同时秦淮河作为长江下游地区典型通江闸控型城市河道, 是长江大保护战略中的重要组成, 雨天水质下滑和污染通量突增现象可能会对长江水环境带来不利影响. 本研究利用2021~2022年地表水水质自动监测站数据和气象站降雨数据计算秦淮河重点断面的汛期污染强度, 解析汛期污染强度分布特征, 选取10个具有代表性的因素构建基于随机森林算法的NH4+-N、高锰酸盐指数和TP汛期污染强度模型, 通过变量重要性和部分依赖图的可解释性方法, 识别各指标汛期污染强度的主要驱动因素并分析其影响机制, 以期为精准治理面源污染, 分时分区管控提供数据与理论支撑.
1 材料与方法 1.1 研究区域概况秦淮河流域位于长江下游, 全长110 km, 全流域面积2 631 km2, 其中南京市占66.2%, 句容市占33.8%. 流域属亚热带季风气候, 年平均气温15~16℃, 年平均降雨量1 038 mm, 4~9月为多雨期. 研究区域为秦淮河干流洋桥断面-秦淮新河将军大道断面-外秦淮河七桥瓮断面-外秦淮河三汊河口断面, 河长共37.1 km, 流经南京市江宁区和主城区（图 1）. 研究区域主要的引水水源为长江, 秦淮新河为引江清水通道, 秦淮新河节制闸引水时, 水体从秦淮河干流和秦淮新河流至外秦淮河武定门闸, 再通过武定门闸调控后经三汊河口闸流入长江；秦淮新河节制闸排水时, 秦淮河干流来水分别经秦淮新河节制闸和外秦淮河三汊河口闸流入长江[26]. 洋桥断面位于研究区域上游, 汇水范围内主要为耕地和林地, 将军大道断面位于秦淮新河下段, 汇水范围内主要为林地和建成区, 七桥瓮断面位于研究区域中游, 汇水范围内主要为林地和建成区, 三汊河口断面位于研究区域下游主城区, 汇水范围内主要为建成区, 各断面汇水范围土地利用类型面积占比见表 1. 洋桥和七桥瓮断面为国考断面, 将军大道和三汊河口断面为省考断面, 均执行地表水Ⅲ类水质考核标准.
|
（a）洋桥断面汇水范围, （b）将军大道断面汇水范围, （c）七桥瓮断面汇水范围, （d）三汊河口断面汇水范围 图 1 研究区域地理位置与站点分布 Fig. 1 Geographic location of the study area and distribution of sites |
|
表 1 断面汇水范围内土地利用类型面积占比/% Table 1 Proportion of land use types in the catchment area of each section/% |
1.2 数据来源
2021~2022年秦淮河流域洋桥、将军大道、七桥瓮和三汊河口断面水质数据来源于地表水自动监测站, 监测频次为4 h一次, 监测指标主要包括水温、pH、溶解氧、电导率、浊度、高锰酸盐指数、NH4+-N、TP和总氮（TN）；南京市降雨数据来源于东山气象站, 监测频次为1 h一次；断面流量数据来源于秦淮河水利工程管理处, 监测频次为1 d一次. 研究区域土地利用数据来自欧洲航天局（ESA）发布的2021年全球10 m分辨率土地覆被数据产品[27], 结合研究区情况, 将土地利用类型划分为林地、耕地、建成区、荒地、水域和湿地这6大类型[28]. 洋桥、将军大道、七桥瓮和三汊河口断面汇水范围结合数字高程模型（DEM）数据, 使用ArcGIS 10.2提取.
1.3 分析方法 1.3.1 汛期污染强度计算方法根据《地表水汛期污染强度监测技术指南（试行）》, 汛期污染强度（RPI）指某断面汛期首要污染物浓度与水质目标浓度限值的比值, 主要反映监测断面汛期污染程度与水质目标之间的差距. 结合研究区域降雨与断面水质波动情况, 本研究中汛期污染强度判定流程为：全年内任意单场降雨事件的降雨量≥3 mm时, 在降雨开始至降雨结束后24 h内寻找断面各指标小时浓度最大值, 按式（1）计算各指标汛期污染强度[29], 断面首要污染物汛期污染强度即为该断面汛期污染强度：
|
(1) |
式中, RPI (i)为第i个水质指标的汛期污染强度, cmax (i)为第i个水质指标小时浓度最大值, mg·L-1；cs (i)为第i个水质指标水质目标对应浓度限值, 本研究使用地表水Ⅲ类水质标准所对应的浓度限值, mg·L-1.
1.3.2 基于随机森林算法的汛期污染强度模型构建方法随机森林算法是一种基于决策树的集成算法, 通过有放回地随机抽样形成多个训练样本, 分别训练后得到相应数量的决策树组成随机森林, 由所有决策树投票或取均值得到最终结果[30]. 本研究使用随机森林算法构建汛期污染强度模型, 解析：降雨特征（场次降雨量、降雨历时、最大降雨强度、前期干旱时间）、水温、流量、引水量和土地利用类型（林地、耕地、建成区）面积占比共10个自然和社会因素对秦淮河流域典型断面NH4+-N、高锰酸盐指数和TP指标汛期污染强度的影响程度. 输入数据为10个预测变量, 输出数据分别为NH4+-N、高锰酸盐指数和TP汛期污染强度, 预测变量的具体定义见表 2. 模型构建在RStudio上实现, 主要使用的软件包是randomForest[31], 该包具有构建随机森林回归树模型、预测和进行因子重要性测算的功能.
|
|
表 2 预测变量解释说明表 Table 2 Explanatory description of predictors |
2 结果与分析 2.1 研究区域水质时空分布特征
根据2021~2022年日尺度的断面水质自动监测数据和降雨量数据, 研究区域内4个典型断面（上游洋桥、中游将军大道和七桥瓮、下游三汊河口断面）的NH4+-N、高锰酸盐指数和TP在降雨后普遍发生不同程度的波动（图 2）. ρ（NH4+-N）雨后最大增幅为0.72~1.85 mg·L-1, 高锰酸盐指数雨后最大增幅为1.74~4.17 mg·L-1, ρ（TP）雨后最大增幅为0.10~0.49 mg·L-1. 晴天时洋桥断面的高锰酸盐指数平均值最高, 为4.8 mg·L-1, 雨后较易超标；晴天时三汊河口断面的ρ（NH4+-N）和ρ（TP）平均值最高, 分别为0.69 mg·L-1和0.14 mg·L-1, 雨后水质波动变化最明显；将军大道断面水质较好, 雨后水质虽有波动, 但超标现象极少.
|
图 2 2021~2022年秦淮河流域典型断面水质波动情况 Fig. 2 Water quality fluctuations in typical sections of the Qinhuai River Basin from 2021 to 2022 |
基于2021~2022年小时尺度的断面水质自动监测数据, 统计4个典型断面的水质超标情况（表 3）. 研究区域主要的水质超标因子为NH4+-N, 平均超标率为9.5%, 超标浓度平均值为1.35 mg·L-1, 这其中又以下游三汊河口断面NH4+-N超标现象最为突出, 超标率为22.6%, 超标浓度平均值为1.50 mg·L-1, 洋桥、将军大道和七桥瓮断面的超标情况则较为接近, 超标率为3.9%~5.8%, 超标浓度平均值为1.24 ~1.35 mg·L-1. 高锰酸盐指数超标现象以洋桥断面最为突出, 超标率达14.5%, 超标浓度平均值为6.59 mg·L-1, 其次为三汊河口和将军大道断面, 超标率达2.7%和1.6%, 超标浓度平均值为6.52 mg·L-1和6.41 mg·L-1, 七桥瓮断面基本不存在超标现象, 超标率仅为0.1%. TP的超标现象主要出现在下游三汊河口断面, 超标率达10.0%, 超标浓度平均值为0.26 mg·L-1, 洋桥、将军大道和七桥瓮断面的TP超标率明显小于三汊河口断面, 仅为0.5%~1.0%. 除七桥瓮断面高锰酸盐指数外, 研究区域断面水质超标3 d内有降雨事件的占比在61.4%~97.4%之间, 因此降雨是导致断面水质超标的主要驱动因素.
|
|
表 3 2021~2022年秦淮河流域典型断面水质超标情况统计 Table 3 Statistics of water quality exceeding the standard in typical sections of the Qinhuai River Basin from 2021 to 2022 |
2.2 研究区域汛期污染强度分布特征
根据《地表水汛期污染强度监测技术指南（试行）》, 2021~2022年单场降雨事件的降雨量≥3 mm时, 计算4个典型断面的指标汛期污染强度, 并统计各断面首要污染物指标出现次数及占比（图 3）.
|
（a）断面指标汛期污染强度；（b）断面首要污染物指标占比, 柱状图内数值表示首要污染物出现次数 图 3 洋桥、将军大道、七桥瓮和三汊河口断面汛期污染强度特征 Fig. 3 Characteristics of precipitation pollution intensity in Yangqiao, Jiangjundadao, Qiqiaoweng, and Sanchahekou sections |
洋桥断面NH4+-N、高锰酸盐指数和TP的汛期污染强度分别为0.14~2.37、0.41~1.35和0.32~1.76, 将军大道断面NH4+-N、高锰酸盐指数和TP的汛期污染强度分别为0.08~2.01、0.25~1.30和0.31~1.95, 七桥瓮断面NH4+-N、高锰酸盐指数和TP的汛期污染强度分别为0.12~2.98、0.15~0.92和0.43~1.44, 三汊河口断面NH4+-N、高锰酸盐指数和TP的汛期污染强度分别为0.31~3.84、0.40~1.42和0.62~4.71. 研究区域内NH4+-N和TP汛期污染强度平均值分别为0.51~1.93和0.66~1.33, 呈现由上游洋桥断面至下游三汊河口断面逐渐增加的现象；高锰酸盐指数汛期污染强度平均值为0.55~0.93, 呈现上游洋桥断面最高的现象；位于引江清水通道上的将军大道断面各指标汛期污染强度平均值为4个断面中最低值.
洋桥断面出现次数最多的首要污染物指标为高锰酸盐指数, 占比为54.9%；将军大道断面出现次数最多的首要污染物指标为TP, 占比为62.8%；七桥瓮和三汊河口断面出现次数最多的首要污染物指标为NH4+-N, 占比分别为70.6%和82.6%.
2.3 基于随机森林算法的汛期污染强度模型构建与评估本研究中基于随机森林算法的汛期污染强度模型的构建流程为：数据集构建及分割、模型训练和模型性能评估. 首先将计算得到的2021~2022年4个典型断面的指标汛期污染强度及其对应的场次降雨量和降雨历时等预测变量分别构建为NH4+-N、高锰酸盐指数和TP汛期污染强度数据集, 这3个数据集中分别有268组、273组和278组有效数据. 将3个数据集分别任意划分为两部分, 70%的数据作为训练集, 30%的数据作为测试集[23 ~ 25]. 其次使用训练集数据对模型进行训练, 并将模型中决策树数目ntree设置为800, 树节点预选变量个数mtry设置为4（预测变量总数的1/3）[31], 其余参数为模型中默认值. 最后将测试集数据输入模型中, 采用线性回归评估汛期污染强度模型模拟值和实测值之间的匹配度（图 4）. NH4+-N、高锰酸盐指数和TP汛期污染强度模型在训练集和测试集中都表现良好, 3个模型训练集的R2分别为0.92、0.94和0.89, 测试集的R2分别为0.70、0.77和0.46. TP污染来源较多, 并且受降雨和地形等影响更大, 可能导致总磷模型精度偏低, Basu等[32]在使用随机森林模型模拟五大湖流域河流营养盐的研究中也出现了类似的情况.
|
图 4 汛期污染强度模型模拟值与实测值的拟合效果 Fig. 4 Fitting effect of the simulated and measured values of the precipitation pollution intensity model |
本研究使用可解释性方法对汛期污染强度的主要影响因素和机制进行分析, 具体为：利用汛期污染强度模型计算各预测变量对研究区域NH4+-N、高锰酸盐指数和TP汛期污染强度的重要性（图 5）, 并绘制重要性排在前五的预测变量部分依赖图（图 6）, 表示各指标汛期污染强度随单个预测变量的变化情况.
|
*表示P < 0.05, **表示P < 0.01 图 5 预测变量重要度排序 Fig. 5 Ranking of the importance of predictors |
|
图 6 汛期污染强度模型中排名前五预测变量的部分依赖 Fig. 6 Partial dependency plot of the top five predictors in the precipitation pollution intensity model |
引水量是NH4+-N汛期污染强度最重要的预测变量且影响显著（P < 0.01）, 其次是建成区面积占比、耕地面积占比、林地面积占比、降雨历时、场次降雨量、前期干旱时间（P < 0.01）和水温（P < 0.05）. 引水量在1 200万m3以内时, NH4+-N汛期污染强度随引水量增加而降低, 但当引水量超过1200万m3时, NH4+-N汛期污染强度不再有降低趋势[图 6（a）], 表明通过引水能够解决部分NH4+-N雨后浓度升高问题, 但达到一定阈值后, 水质改善效果随引水量增加而减弱[33]. 当降雨历时 < 24 h时, NH4+-N汛期污染强度表现出明显的边际增加效应[图 6（e）], 表明NH4+-N汛期污染强度的增加与降雨历时呈正相关, 直至达到峰值. 此外, NH4+-N汛期污染强度随建成区面积占比增加而增加, 随耕地面积占比和林地面积占比增加而减少[图 6（b）~6（d）], 表明研究区域内城市面源污染是NH4+-N雨后污染的主要驱动因子.
流量是高锰酸盐指数汛期污染强度最重要的预测变量且影响显著（P < 0.01）, 其次是林地面积占比、引水量、场次降雨量、耕地面积占比、建成区面积占比（P < 0.01）和水温（P < 0.05）. 当流量 < 200 m3·s-1或场次降雨量 < 50 mm时, 高锰酸盐指数汛期污染强度表现出明显的边际增加效应[图 6（f）和6（i）], 表明高锰酸盐指数汛期污染强度的增加与流量和场次降雨量呈正相关, 直至达到峰值. 引水对高锰酸盐指数污染也存在一定改善作用, 高锰酸盐指数汛期污染强度随引水量增加而降低, 直至达到最低值[图 6（h）]. 此外, 结合建成区面积占比的部分依赖图发现, 高锰酸盐指数汛期污染强度随林地面积占比[图 6（g）]和建成区面积占比增加而减少, 随耕地面积占比增加而增加, 表明研究区域内农业面源污染是高锰酸盐指数雨后污染的主要驱动因子.
林地面积占比是TP汛期污染强度最重要的预测变量且影响显著（P < 0.01）, 其次是耕地面积占比、建成区面积占比和场次降雨量（P < 0.01）. TP汛期污染强度随林地面积占比和耕地面积占比增加而减少, 随建成区面积占比增加而增加[图 6（k）~6（m）], 表明研究区域内城市面源污染是TP雨后污染的主要驱动因子. 当场次降雨量 < 60 mm或降雨历时 < 40 h时, TP汛期污染强度表现出明显的边际增加效应[图 6（n）和6（o）], 表明TP汛期污染强度的增加与场次降雨量和降雨历时呈正相关, 直至达到峰值.
3 讨论 3.1 研究区域汛期污染强度与南京市重点断面对比分析结合江苏省南京环境监测中心2022年7月至2023年3月发布的《南京市国省考断面降水过程污染强度分析》, 南京市断面首要超Ⅲ类污染物为NH4+-N时的汛期污染强度为1.02~6.74, 其中有70.2%的断面分布在主城区；断面首要超Ⅲ类污染物为高锰酸盐指数时的汛期污染强度为1.01~1.56, 其中有86.5%的断面分布在郊区；断面首要超Ⅲ类污染物为TP时的汛期污染强度为1.02~3.87, 其中有83.3%的断面分布在主城区.
本研究区域内汛期污染强度与南京市整体汛期污染强度分布特征保持一致. 研究区域下游位于南京市主城区, 排水系统雨天溢流污染[34]和径流污染[35]等城市面源污染较上游江宁区严重, 导致NH4+-N和TP汛期污染强度由上游至下游逐渐增加. 洋桥断面位于南京市郊区, 汇水区范围内以农业耕地和林地为主, 降雨发生后化肥和农药等有机残留物被降雨径流冲刷进入河道[28], 从而导致高锰酸盐指数汛期污染强度突出. 将军大道断面各指标汛期污染强度相较于其余3个断面均处于较低水平, 可能是因为将军大道断面位于引江清水通道上, 引水的水质提升范围覆盖至将军大道断面, 改善了断面水质[33]. 研究区域断面首要超Ⅲ类污染物为NH4+-N、高锰酸盐指数和TP时的汛期污染强度分别为1.02~3.84、1.01~1.29和1.11~4.71, 从全市来看, 研究区域汛期污染属于中等水平.
通过分析汛期污染强度, 能够识别雨后水质恶化、返黑返臭的水体, 并根据超标突出的水质指标判断污染来源, 突破了现阶段面源污染防治“发现难”的问题, 从而有针对性地开展城乡面源污染防治工作, 降低水体汛期污染强度.
3.2 人工引水对汛期污染强度的影响研究区域主要的引水水源为长江, 秦淮新河为引江清水通道, 秦淮新河节制闸引水时, 水体从秦淮河干流和秦淮新河流至外秦淮河武定门闸, 再通过武定门闸调控后经三汊河口闸流入长江[26]. 洋桥断面位于研究区域上游, 基本不受引水影响, 因此仅对比了将军大道、七桥瓮和三汊河口断面在引水和不引水时期下的汛期污染强度（图 7）. 不引水时期3个断面的汛期污染强度平均值分别为引水时期的1.9~2.8、1.2~1.3和1.2~1.3倍. 由于将军大道断面距离引水口最近, 受长江引水改善效果最明显, 引水时期汛期污染强度显著低于不引水时期, 表明人工引水对雨后河道水质恶化情况有改善效果, 且距离引水口越近, 水质改善越明显. 这与已有研究成果相似, 王鹏等[33]对秦淮河流域下游地区的生态调控研究表明, 秦淮新河引水对秦淮新河段水质改善效果最明显；陈振涛等[36]对杭州市江干区河网的引水效果评估研究表明, 引水水质对改善河网水质至关重要, 且距引水口较近的河道水质改善效果较好.
|
图 7 引水和不引水时期汛期污染强度对比 Fig. 7 Comparison of precipitation pollution intensity with and without water diversion |
TP汛期污染强度在引水时期的改善效果不明显, 结合图 5可知, NH4+-N和高锰酸盐指数汛期污染强度排名靠前的影响因素均包括引水量, 并且影响显著（P < 0.01）, 而引水量不是TP汛期污染强度的显著变量. 可能是由于研究区域内的TP污染主要集中于七桥瓮至三汊河口段, 而此时引水带来的水质改善效果下降, 因此对流域整体TP汛期污染强度的影响不显著. 此外, 从图 6中可以看出, 引水无法完全消除雨后河道水质恶化问题, 引水量增加至一定程度后汛期污染强度不再降低, 这与许益新等[20]、杨卫等[37]和Xu等[38]的研究结果相似, 引水水源不变时, 持续增加引水量, 水质改善效果逐渐减小.
3.3 社会因素对汛期污染强度的影响土地利用类型能够反映社会经济状态, 进而表征河流汇水区域内的主要污染类型, 被认为是河流水质的重要影响因素. 与人类活动相关的土地利用类型（耕地和建成区）对水质影响更大[39, 40], 一般而言水污染与耕地和建成区面积比例呈正相关[41], 而森林和草原土地利用对水质则有积极影响[16], Ervinia等[6]的研究表明森林覆盖率与河流污染物浓度呈负相关. 本研究所得结果与以上研究结论一致, 流域内NH4+-N和TP汛期污染强度随建成区面积占比的增加呈上升趋势, 高锰酸盐指数汛期污染强度则随耕地面积占比的增加呈上升趋势, 而林地面积占比增加使NH4+-N、高锰酸盐指数和TP汛期污染强度呈下降趋势. 这是因为建成区面积占比增加意味着不透水面和居民人口的增加, 导致地表径流污染和城镇排水系统雨天溢流污染加剧[42, 43], 氮磷污染增加[17]；在农业密集种植区, 由于耕作和施肥等农业活动使土壤中残留了部分养分和有机质, 在降雨时被冲刷进入河道, 导致高锰酸盐指数汛期污染强度增高[28]；植物根系具有固定、吸收作用, 能够减少地表径流的产生并且削减污染物[44, 45], 因此林地面积的增加使流域内汛期污染强度显著降低.
3.4 自然因素对汛期污染强度的影响降雨是除人为因素外导致污染物流失进入水体的主要自然因素[14], 本研究中场次降雨对NH4+-N、高锰酸盐指数和TP汛期污染强度影响显著（P < 0.01）, 场次降雨量 < 50 mm时, 即在小雨、中雨和大雨情况下, 汛期污染强度和场次降雨量均呈正相关关系, 而暴雨时汛期污染强度维持在较高水平, 无明显变化. 这与陈焰等[14]在北京市新凤河和李晓虹等[46]在洱海流域凤羽河的研究成果相似, 随着降雨量增加, 地表径流量和污染负荷均增加, 汛期污染强度不断上升, 当降雨量达到暴雨程度时, 降雨具有稀释作用, 河流污染物浓度先增加后降低, 由于汛期污染强度反映的是污染物浓度峰值, 因此在暴雨时维持在较高值. Yang等[11]以汤逊湖为模拟对象的研究表明随着降雨持续时间的延长, 流域内污染物不断进入湖泊, TN和TP浓度逐渐增加至峰值后趋于平缓. 本研究中NH4+-N和TP汛期污染强度也呈现相似变化特征, 高锰酸盐指数汛期污染强度对于降雨历时则无明显响应关系. 原因在于研究区域内NH4+-N和TP雨后污染主要来源于城市面源污染, 屋顶和道路等不透水面径流系数较大, 降雨历时增加导致产流增大[47, 48], 裹挟附着在地表的各类污染物进入水体, 并且随着降雨历时增加, 沿河排水系统容量不足, 发生溢流污染入河现象[5, 49]；而高锰酸盐指数雨后污染来源为农业面源污染, 耕地和林地等植被径流系数较小, 产流量偏小, 此外以农业为主的区域, 溢流现象不突出, 较少发生高浓度的污染物在降雨后期排放进入水体的现象, 因此其他条件不变时, 降雨历时增加不会使高锰酸盐指数汛期污染强度产生明显变化.
降雨改变了河流的水文条件, 使断面流量增加[50], 即增加了河段自净能力和水环境容量, 然而降雨产生的径流同时增加了进入河段中的污染物[51]. Zhu等[52]的研究表明降雨对污染负荷的增加作用大于对水环境容量的增加作用, 并且前者的增加效应存在阈值, 这与本研究中高锰酸盐指数汛期污染强度随流量的变化情况相似. 高锰酸盐指数汛期污染强度在流量 < 200 m3·s-1时与其呈正相关关系, 超过此流量范围后, 虽然汛期污染强度不再增加, 但此时河道流量较大, 同样会造成较大的污染物通量输出[53]. 对于NH4+-N和TP汛期污染强度来说, 流量不是影响其大小的显著因素, 可能是因为研究区域内NH4+-N和TP污染主要来源于中下游, 受本地区域特征影响, 且下游区域水流受到武定门节制闸调控, 流量变化幅度小于上游洋桥断面汇水区域, 而高锰酸盐指数污染主要来源于上游大量分布的耕地和林地.
综合来看, 一个小流域内由于用地类型不同会导致水体汛期污染强度在空间分布上存在差异性, 从而有助于识别断面的主要污染来源. 研究区域内NH4+-N和TP雨后污染主要来源于下游土地利用开发强度大、人口密集地区的城市地表径流和排水系统溢流污染, 高锰酸盐指数雨后污染主要来源于上游耕地面积分布广泛地区的农田径流污染. 因此, 应根据断面汛期污染强度特征分类治理、精准施策, 针对NH4+-N和TP污染应建立厂网河一体化的排水系统管理体系[54], 制定雨污分流和海绵城市建设等源头减量措施和分散调蓄、精准截流、排涝泵站雨前预降水位等过程控制及末端处理策略[55, 56]；针对高锰酸盐指数污染可利用节水灌溉、测土配方施肥和种养协同等技术[57]减少农业面源污染. 同时, 可在保证防洪安全的情况下, 适当增加引水量, 降低汛期污染强度, 稳固提升河道水质. 此外, 尽管大雨和暴雨情景下汛期污染强度可能不会继续增加, 但仍然需要注意该时段的污染控制, 因为此时河道流量较大, 导致污染输出通量显著增加, 仍可能对末端受纳水体产生不利影响[53].
4 结论（1）秦淮河流域主要水质超标因子为NH4+-N, 平均超标率为9.5%, 超标浓度平均值为1.35 mg·L-1, 其中以下游三汊河口断面NH4+-N超标现象最为突出, 超标率为22.6%, 超标浓度平均值为1.50 mg·L-1；流域内高锰酸盐指数超标现象以上游洋桥断面最为突出, 超标率达14.5%, 超标浓度平均值为6.59 mg·L-1；TP超标现象主要出现在下游三汊河口断面, 超标率达10.0%, 超标浓度平均值为0.26 mg·L-1；将军大道断面水质较好, 超标现象不突出. 降雨是导致秦淮河流域断面水质超标的主要驱动因素, 除七桥瓮断面高锰酸盐指数外, 研究区域断面水质超标3 d内有降雨事件的占比在61.4%~97.4%之间.
（2）NH4+-N和TP汛期污染强度呈现由上游至下游逐渐增加的趋势, NH4+-N是中游七桥瓮断面和下游三汊河口断面的首要污染物, 其汛期污染强度分别为0.12~2.98和0.31~3.84, 高锰酸盐指数是上游洋桥断面的首要污染物, 其汛期污染强度为0.41~1.35, 位于引江通道上的将军大道断面各指标汛期污染强度相较于其余3个断面均处于较低水平.
（3）引水量是NH4+-N和高锰酸盐指数汛期污染强度的重要影响因素（P < 0.01）, 距离引水口越近, 汛期污染强度越小, 水质改善越明显, 但持续增加引水量时, 水质改善效果逐渐减小. 建成区面积占比与NH4+-N和TP汛期污染强度呈显著正相关, 耕地面积占比与高锰酸盐指数汛期污染强度呈现显著正相关, 林地面积占比与这3个指标汛期污染强度呈现显著负相关. 在小雨、中雨和大雨情况下, 场次降雨量与NH4+-N、高锰酸盐指数和TP汛期污染强度均呈显著正相关, 暴雨情况下汛期污染强度维持在较高值.
（4）NH4+-N和TP雨后污染主要来源于研究区域中下游, 受建成区面积占比和引水量等区域特征影响显著（P < 0.01）, 高锰酸盐指数雨后污染主要来源于耕地面积分布较广的研究区域上游地区, 受流量影响显著（P < 0.01）.
| [1] | Wang G Q, Li J W, Sun W C, et al. Non-point source pollution risks in a drinking water protection zone based on remote sensing data embedded within a nutrient budget model[J]. Water Research, 2019, 157: 238-246. DOI:10.1016/j.watres.2019.03.070 |
| [2] | Li Y Y, Wang H, Deng Y Q, et al. Applying water environment capacity to assess the non-point source pollution risks in watersheds[J]. Water Research, 2023, 240. DOI:10.1016/j.watres.2023.120092 |
| [3] | Sheikholeslami R, Hall J W. Global patterns and key drivers of stream nitrogen concentration: a machine learning approach[J]. Science of the Total Environment, 2023, 868. DOI:10.1016/j.scitotenv.2023.161623 |
| [4] | Yang L H, Li J Z, Zhou K K, et al. The effects of surface pollution on urban river water quality under rainfall events in Wuqing district, Tianjin, China[J]. Journal of Cleaner Production, 2021, 293. DOI:10.1016/j.jclepro.2021.126136 |
| [5] |
严莉, 黄炳彬, 何春利, 等. 沙河水库周边典型排口降雨溢流污染特征研究[J]. 环境科学学报, 2022, 42(3): 28-39. Yan L, Huang B B, He C L, et al. Research on the pollution of the combined sewer overflow in Shahe Reservoir watershed[J]. Acta Scientiae Circumstantiae, 2022, 42(3): 28-39. |
| [6] | 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 |
| [7] | Li Y Y, Wang H, Deng Y Q, et al. How climate change and land-use evolution relates to the non-point source pollution in a typical watershed of China[J]. Science of the Total Environment, 2022, 839. DOI:10.1016/j.scitotenv.2022.156375 |
| [8] | Borrelli P, Robinson D A, Panagos P, et al. Land use and climate change impacts on global soil erosion by water (2015-2070)[J]. Proceedings of the National Academy of Sciences of the United States of America, 2020, 117(36): 21994-22001. |
| [9] | Zhang J E, Lu C Q, Crumpton W, et al. Heavy precipitation impacts on nitrogen loading to the gulf of Mexico in the 21st century: model projections under future climate scenarios[J]. Earth's Future, 2022, 10(4). DOI:10.1029/2021EF002141 |
| [10] | Zhang X Y, Chen L, Yu Y, et al. Water quality variability affected by landscape patterns and the associated temporal observation scales in the rapidly urbanizing watershed[J]. Journal of Environmental Management, 2021, 298. DOI:10.1016/j.jenvman.2021.113523 |
| [11] | Yang W, Li Y X, Liu Y, et al. Impacts of rainfall intensity and urbanization on water environment of urban lakes[J]. Ecohydrology & Hydrobiology, 2020, 20(4): 513-524. |
| [12] | Yu D W, Dian L, Hai Y L, et al. Effect of rainfall characteristics on the sewer sediment, hydrograph, and pollutant discharge of combined sewer overflow[J]. Journal of Environmental Management, 2022, 303. DOI:10.1016/j.jenvman.2021.114268 |
| [13] |
王子铭, 杨丽虎, 宋献方. 雄安建设初期白洋淀水质时空差异及其对降雨和土地利用的响应[J]. 环境科学, 2023, 44(7): 3820-3834. Wang Z M, Yang L H, Song X F. Spatial-temporal variation in water quality and its response to precipitation and land use in Baiyangdian Lake in the early stage of the construction of Xiong'an new area[J]. Environmental Science, 2023, 44(7): 3820-3834. |
| [14] |
陈焰, 夏瑞, 曾思栋, 等. 城市河流水体污染变化特征及其对降雨的响应关系——以新凤河流域为例[J]. 中国农村水利水电, 2022(11): 153-158, 164. Chen Y, Xia R, Zeng S D, et al. Variation characteristics of water pollution and its response to rainfall in urban rivers: a case study of Xinfeng River basin[J]. China Rural Water and Hydropower, 2022(11): 153-158, 164. |
| [15] | Williams M R, King K W. Changing rainfall patterns over the Western Lake Erie Basin (1975-2017): effects on tributary discharge and phosphorus load[J]. Water Resources Research, 2020, 56(3). DOI:10.1029/2019WR025985 |
| [16] | Wang L Q, Han X X, Zhang Y Y, et al. Impacts of land uses on spatio-temporal variations of seasonal water quality in a regulated river basin, Huai River, China[J]. Science of the Total Environment, 2023, 857. DOI:10.1016/j.scitotenv.2022.159584 |
| [17] |
马小雪, 龚畅, 郭加汛, 等. 长江下游快速城市化地区水污染特征及源解析: 以秦淮河流域为例[J]. 环境科学, 2021, 42(7): 3291-3303. Ma X X, Gong C, Guo J X, et al. Water pollution characteristics and source apportionment in rapid urbanization region of the lower Yangtze River: considering the Qinhuai River catchment[J]. Environmental Science, 2021, 42(7): 3291-3303. |
| [18] | Huang J C, Zhang Y J, Bing H J, et al. Characterizing the river water quality in China: recent progress and on-going challenges[J]. Water Research, 2021, 201. DOI:10.1016/j.watres.2021.117309 |
| [19] | Li Y, Mi W J, Ji L, et al. Urbanization and agriculture intensification jointly enlarge the spatial inequality of river water quality[J]. Science of the Total Environment, 2023, 878. DOI:10.1016/j.scitotenv.2023.162559 |
| [20] |
许益新, 李一平, 罗育池, 等. 引水改善平原感潮河网水质效果评估[J]. 水资源保护, 2019, 35(6): 124-130. Xu Y X, Li Y P, Luo Y C, et al. Effect evaluation of water diversion to water quality improve in plain tidal river network[J]. Water Resources Protection, 2019, 35(6): 124-130. |
| [21] |
牛晓瑜, 吴梦迪, 林玲, 等. 引水改善星海湖的水动力-水质特性数值模拟[J]. 水资源与水工程学报, 2023, 34(5): 140-148. Niu X Y, Wu M D, Lin L, et al. Numerical simulation of hydrodynamics-water quality characteristics of Xinghai Lake improved by water diversion[J]. Journal of Water Resources and Water Engineering, 2023, 34(5): 140-148. |
| [22] |
程婉清, 袁定波, 熊鹏, 等. 基于多种机器学习算法的水质指数预测模型构建与评估[J]. 环境科学学报, 2023, 43(11): 144-152. Cheng W Q, Yuan D B, Xiong P, et al. Construction and evaluation of city water quality index prediction model based on multiple machine learning algorithms[J]. Acta Scientiae Circumstantiae, 2023, 43(11): 144-152. |
| [23] |
张育福, 潘哲祺, 陈丁江. 基于机器学习的长江流域农田氮径流流失负荷估算[J]. 环境科学, 2023, 44(7): 3913-3922. Zhang Y F, Pan Z Q, Chen D J. Estimation of cropland nitrogen runoff loss loads in the Yangtze River Basin based on the machine learning approaches[J]. Environmental Science, 2023, 44(7): 3913-3922. |
| [24] |
胡梦珺, 王佳, 张亚云, 等. 基于随机森林评价的兰州市主城区校园地表灰尘重金属污染[J]. 环境科学, 2020, 41(4): 1838-1846. Hu M J, Wang J, Zhang Y Y, et al. Assessment of heavy metal pollution in surface dust of Lanzhou schools based on Random Forests[J]. Environmental Science, 2020, 41(4): 1838-1846. |
| [25] | Behrouz M S, Yazdi M N, Sample D J. Using Random Forest, a machine learning approach to predict nitrogen, phosphorus, and sediment event mean concentrations in urban runoff[J]. Journal of Environmental Management, 2022, 317. DOI:10.1016/j.jenvman.2022.115412 |
| [26] |
许兴武, 沃玉报, 胡阳, 等. 秦淮河水质改善现场调水试验[J]. 河海大学学报(自然科学版), 2018, 46(6): 492-496. Xu X W, Wo Y B, Hu Y, et al. Field water diversion tests of water quality improvement in Qinhuai River[J]. Journal of Hohai University (Natural Sciences), 2018, 46(6): 492-496. |
| [27] | Zanaga D, Van De Kerchove R, Daems D, et al. ESA WorldCover10 m 2021 v200[EB/OL]. https://doi.org/10.5281/zenodo.7254221, 2024-02-28. |
| [28] |
代孟均, 张兵, 杜倩倩, 等. 不同缓冲区的土地利用方式对地表水水质的影响: 以海河流域天津段为例[J]. 环境科学, 2024, 45(3): 1512-1524. Dai M J, Zhang B, Du Q Q, et al. Effects of land use types on water quality at different buffer scales: Tianjin section of the Haihe River Basin as an example[J]. Environmental Science, 2024, 45(3): 1512-1524. |
| [29] | 中国环境监测总站. 关于印发《地表水汛期污染强度监测技术指南(试行)》的通知[EB/OL]. https://www.cnemc.cn/jcgf/shj/, 2024-02-28. |
| [30] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. DOI:10.1023/A:1010933404324 |
| [31] | Liaw A, Wiener M. Classification and regression by randomForest[J]. R News, 2002, 2-3: 18-22. |
| [32] | Basu N B, Dony J, Van Meter K J, et al. A Random Forest in the Great Lakes: stream nutrient concentrations across the transboundary Great Lakes Basin[J]. Earth's Future, 2023, 11(4). DOI:10.1029/2021EF002571 |
| [33] |
王鹏, 华祖林, 褚克坚, 等. 高度城镇化地区河网水系生态调控方案[J]. 水资源保护, 2022, 38(1): 205-212. Wang P, Hua Z L, Chu K J, et al. Ecological regulation scheme of river network and water system in highly urbanized areas[J]. Water Resources Protection, 2022, 38(1): 205-212. |
| [34] |
李贺, 李田. 上海高密度居民区合流制系统雨天溢流水质研究[J]. 环境科学, 2006, 27(8): 1565-1569. Li H, Li T. Study on the characteristics of combined sewer overflow from the high density residential area in Shanghai[J]. Environmental Science, 2006, 27(8): 1565-1569. |
| [35] |
徐宇婕, 龚玥敏, 毕军鹏, 等. 宁波市典型城市下垫面雨水径流污染特征解析[J]. 环境科学, 2020, 41(7): 3275-3284. Xu Y J, Gong Y M, Bi J P, et al. Analysis of rainwater runoff pollution characteristics of various typical underlying surfaces in Ningbo[J]. Environmental Science, 2020, 41(7): 3275-3284. |
| [36] |
陈振涛, 滑磊, 金倩楠. 引水改善城市河网水质效果评估研究[J]. 长江科学院院报, 2015, 32(7): 45-51. Chen Z T, Hua L, Jin Q N. Assessing the efficacy of water diversion to improve water quality in city river network[J]. Journal of Yangtze River Scientific Research Institute, 2015, 32(7): 45-51. |
| [37] |
杨卫, 许明祥, 李瑞清, 等. 面向生态环境的河湖连通引水调控方案研究[J]. 武汉大学学报(工学版), 2020, 53(10): 861-868. Yang W, Xu M X, Li R Q, et al. Study on the water diversion regulation scheme of interconnected river system network oriented to ecological environment[J]. Engineering Journal of Wuhan University, 2020, 53(10): 861-868. |
| [38] | Xu R C, Pang Y, Hu Z B, et al. Dual-source optimization of the "Diverting Water from the Yangtze River to Tai Lake (DWYRTL)" project based on the Euler method[J]. Complexity, 2020, 2020. DOI:10.1155/2020/3256596 |
| [39] | Wang H, Xiong X, Wang K H, et al. The effects of land use on water quality of alpine rivers: a case study in Qilian Mountain, China[J]. Science of the Total Environment, 2023, 875. DOI:10.1016/j.scitotenv.2023.162696 |
| [40] | Wang W Y, Yang P, Xia J, et al. Impact of land use on water quality in buffer zones at different scales in the Poyang Lake, middle reaches of the Yangtze River basin[J]. Science of the Total Environment, 2023, 896. DOI:10.1016/j.scitotenv.2023.165161 |
| [41] | Zhang J, Li S Y, Dong R Z, et al. Influences of land use metrics at multi-spatial scales on seasonal water quality: a case study of river systems in the Three Gorges Reservoir Area, China[J]. Journal of Cleaner Production, 2019, 206: 76-85. DOI:10.1016/j.jclepro.2018.09.179 |
| [42] | Li Y P, Zhou Y X, Wang H Y, et al. Characterization and sources apportionment of overflow pollution in urban separate stormwater systems inappropriately connected with sewage[J]. Journal of Environmental Management, 2022, 303. DOI:10.1016/j.jenvman.2021.114231 |
| [43] |
岳桢铻, 李一平, 周玉璇, 等. 南宁市老城区降雨径流溯源及污染特征分析[J]. 环境科学, 2022, 43(4): 2018-2029. Yue Z W, Li Y P, Zhou Y X, et al. Analysis on the source tracing and pollution characteristics of rainfall runoff in the old urban area of Nanning city[J]. Environmental Science, 2022, 43(4): 2018-2029. |
| [44] |
刘然, 徐国策, 李占斌, 等. 陕西大理河流域枯水期土地利用结构对河流水质的影响[J]. 地球科学与环境学报, 2022, 44(2): 327-337. Liu R, Xu G C, Li Z B, et al. Impact of land use structure on river water quality during dry season in Dali River Basin of Shaanxi, China[J]. Journal of Earth Sciences and Environment, 2022, 44(2): 327-337. |
| [45] | Cheng C Y, Zhang F, Shi J C, et al. What is the relationship between land use and surface water quality? A review and prospects from remote sensing perspective[J]. Environmental Science and Pollution Research, 2022, 29(38): 56887-56907. DOI:10.1007/s11356-022-21348-x |
| [46] |
李晓虹, 雷秋良, 周脚根, 等. 降雨强度对洱海流域凤羽河氮磷排放的影响[J]. 环境科学, 2019, 40(12): 5375-5383. Li X H, Lei Q L, Zhou J G, et al. Effect of rainfall intensity on the content of nitrogen and phosphorus components in plateau areas: a case study of the Fengyu River Watershed[J]. Environmental Science, 2019, 40(12): 5375-5383. |
| [47] |
赵艳, 王强, 高斌, 等. 长三角小流域水文观测试验与产汇流机制[J]. 水文, 2023, 43(2): 72-77. Zhao Y, Wang Q, Gao B, et al. Hydrological experiment and rainfall-runoff characteristics of small watersheds in the Yangtze River Delta region[J]. Journal of China Hydrology, 2023, 43(2): 72-77. |
| [48] |
王强, 许有鹏, 王跃峰, 等. 中国东部不同特征小流域水文对比观测试验分析[J]. 水科学进展, 2019, 30(4): 467-476. Wang Q, Xu Y P, Wang Y F, et al. Comparative experimental observations and hydrological response in representative basins of eastern China[J]. Advances in Water Science, 2019, 30(4): 467-476. |
| [49] |
徐连军, 张善发. 上海中心城区泵站放江溢流污染影响因子分析[J]. 中国给水排水, 2010, 26(18): 42-45. Xu L J, Zhang S F. Analysis on influence factors of river discharge overflow pollution from pumping station in downtown Shanghai[J]. China Water & Wastewater, 2010, 26(18): 42-45. |
| [50] | Shah L A, Khan A U, Khan F A, et al. Statistical significance assessment of streamflow elasticity of major rivers[J]. Civil Engineering Journal, 2021, 7(5): 893-905. |
| [51] |
郭朝臣, 雷坤, 李晓光, 等. 2017~2020年长江流域水体污染物通量时空变化特征分析[J]. 环境科学, 2023, 44(8): 4279-4291. Guo C C, Lei K, Li X G, et al. Spatiotemporal variation characteristics of main pollutant fluxes in the Yangtze River Basin from 2017 to 2020[J]. Environmental Science, 2023, 44(8): 4279-4291. |
| [52] | Zhu K H, Chen L, Chen S B, et al. New framework for managing the water environmental capacity integrating the watershed model and stochastic algorithm[J]. Science of the Total Environment, 2022, 816. DOI:10.1016/j.scitotenv.2021.151659 |
| [53] | Zhang S Y, Zhang H. Anthropogenic impact on long-term riverine CODMn, BOD, and nutrient flux variation in the Pearl River Delta[J]. Science of the Total Environment, 2023, 859. DOI:10.1016/j.scitotenv.2022.160197 |
| [54] |
赵振东, 刘健, 崔华峰, 等. 厂网一体运行视角下汛期入河污染物监测分析及控制策略研究[J]. 给水排水, 2023, 49(8): 44-51. Zhao Z D, Liu J, Cui H F, et al. Monitoring analysis and control strategies of pollutants discharged into rivers during rainfall from the perspective of integrated operation of drainage system[J]. Water & Wastewater Engineering, 2023, 49(8): 44-51. |
| [55] |
蒲贵兵, 谢天, 邵川. 重庆市污水溢流污染控制的困惑与建议[J]. 中国给水排水, 2022, 38(18): 1-5. Pu G B, Xie T, Shao C. Perplexity and suggestions on pollution control of the sewage overflow in Chongqing city[J]. China Water & Wastewater, 2022, 38(18): 1-5. |
| [56] |
徐荣, 邓雅静, 李一平, 等. 秦淮河流域典型排涝泵站前池水质与降雨特征响应关系[J]. 河海大学学报(自然科学版), 2024, 52(1): 11-20, 28. Xu R, Deng Y J, Li Y P, et al. Response relationship between water quality and rainfall characteristics in front pond of typical urban drainage pumping stations of Qinhuai River[J]. Journal of Hohai University (Natural Sciences), 2024, 52(1): 11-20, 28. |
| [57] |
谢晓琳, 钱锋, 赵健, 等. 流域农业面源污染防治科学问题与技术研发需求[J]. 环境科学学报, 2023, 43(12): 152-157. Xie X L, Qian F, Zhao J, et al. Scientific issues and technological development needs for the prevention and control of agricultural non-point source pollution in river basins[J]. Acta Scientiae Circumstantiae, 2023, 43(12): 152-157. |