EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 8: 1558 - 1574

DOI: https://doi.org/10.12082/dqxxkx.2022.210546

地理空间分析综合应用

气候变化情景下淮河上游流域氮排放预测研究

  • 侯玥 , 1, 2, 3 ,
  • 徐成东 , 1, 2, * ,
  • 刘伟 4 ,
  • 殷倩 1, 2
展开
  • 1.中国科学院地理科学与资源研究所 资源与环境信息系统国家重点实验室,北京 100101
  • 2.中国科学院大学,北京 100049
  • 3.中国-丹麦科研教育中心,北京 100190
  • 4.南方科技大学环境科学与工程学院,深圳 518055
*徐成东（1982— ）,男,山东滕州人,博士,副研究员,主要从事空间统计、环境与健康研究。E-mail:

侯 玥（1994— ）,女,河北保定人,硕士,主要从事流域污染模拟研究。E-mail:

收稿日期: 2021-09-10

  修回日期: 2021-11-23

  网络出版日期: 2022-10-25

基金资助

国家自然科学基金项目(42071375)

国家自然科学基金项目(41971357)

国家自然科学基金项目(41531179)

国家重点研发计划项目(2016YFC1302504)

国家重点研发计划项目(2020YFC-1807404)

国家社会科学基金重大项目(21&ZD186)

收起

Prediction of Nitrogen Emission in the Upper Reaches of the Huai River Basin Under Climate Change Scenarios

  • HOU Yue , 1, 2, 3 ,
  • XU Chengdong , 1, 2, * ,
  • LIU Wei 4 ,
  • YIN Qian 1, 2
Expand
  • 1. State key laboratory of resource and environmental information systems, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Science, Beijing 100049, China
  • 3. Sino-Danish Center for Education and Research, Beijing 100190, China
  • 4. School of Environmental Science and Engineering, Southern University of Science and Technology, Guangdong, Shenzhen 518055, China
*XU Chengdong, E-mail:

Received date: 2021-09-10

  Revised date: 2021-11-23

  Online published: 2022-10-25

Supported by

National Natural Science Foundation of China(42071375)

National Natural Science Foundation of China(41971357)

National Natural Science Foundation of China(41531179)

National Key Research and Development Program of China(2016YFC1302504)

National Key Research and Development Program of China(2020YFC-1807404)

Key Project of National Social Science Foundation of China(21&ZD186)

Fold

摘要

淮河流域是水体遭受营养盐污染较严重的地区,本研究选择淮河上游的淮滨流域（淮滨站以上,流域面积1.6万km2）为研究对象,首先构建了淮滨流域SWAT水文水质模型,然后利用2011—2017年淮滨站实测的月径流和月氨氮浓度对SWAT模型进行了校正与验证,最后基于全球气候模型（GCM）气象数据,预测了未来30年（2020—2029年、2030—2039年、2040—2049年）不同气候变化情境（RCP2.6、RCP4.5、RCP6.0、RCP8.5）下的径流、氨氮浓度和非点源总氮负荷。结果发现,径流在校正期和验证期的Nash-Suttcliffe系数均为0.79,氨氮在校正期和验证期的Nash-Suttcliffe系数均高于0.5,表明模型的适用性良好。研究发现本研究区施肥量与土地利用类型是非点源氮负荷空间分异的主导因素。2020—2049年,不同气候变化情景下,本研究区的降水量和气温均为增长趋势。假如保持基准期（2011—2016年）污染排放强度,仅考虑气候变化影响,流域内非点源污染总氮负荷将比基准期最多增加31.8%,流域出水口淮滨站的年均氨氮浓度将最多减小42.6%。本研究可以为气候变化下淮滨流域的水文水质管理提供科学支撑。

关键词： 气候变化; 非点源污染; SWAT模型; 淮滨流域; 空间分异性; 地理探测器

本文引用格式

侯玥 , 徐成东 , 刘伟 , 殷倩 . 气候变化情景下淮河上游流域氮排放预测研究[J]. 地球信息科学学报, 2022 , 24(8) : 1558 -1574 . DOI: 10.12082/dqxxkx.2022.210546

Abstract

The Huai River Basin is an area where water bodies are seriously polluted by nutrients. Using data from the Huaibin Basin in the upper reaches of the Huai River as the study area, we created the SWAT model for the study area firstly. And then calibrated and validated the SWAT model against the monthly runoff and ammonia nitrogen concentration measured at Huaibin hydrological station from 2011 to 2017. At last, the potential impact of climate change on the runoff, ammonia nitrogen concentration and non-point source total nitrogen load under different climate change scenarios (RCP2.6, RCP4.5, RCP6.0, RCP8.5) in the 30 years (2020—2029, 2030—2039, 2040—2049) were predicted based on the climate data from Global Climate Model as the model input. The study found that the Nash-Suttcliffe coefficient of the runoff during the calibration period and the validation period were both 0.79, and the Nash-Suttcliffe coefficients of the ammonia nitrogen during the calibration period and the validation period were both higher than 0.5, so the applicability of the model was generally good. The main factors affecting the spatial stratified heterogeneity of nitrogen load were the amount of fertilization and the type of land use. The prediction of the Huaibin Basin indicated that before 2049 precipitation and temperature will increase under different climate change scenarios. If the current status of pollution emissions unchanged, the total nitrogen load from non-point source in the basin will increase by up to 31.8%, while the annual average ammonia nitrogen concentration at the outlet of the basin located at the Huaibin hydrological station will decrease by up to 42.6%. The study can provide scientific support for making basin management policies under the pressing challenges from climate change in the future.

Key words： climate change; non-point source pollution; SWAT model; Huaibin Basin; spatial stratified heterogeneity; GeoDetector

1 引言

根据第五次IPCC（Intergovernmental Panel on Climate Change）的报告,中等温室气体排放情景下（RCP4.5）,东亚地区降水量变化率在-9%~30%,气温增幅在0.3~4.7 °C[1]。气候变化对许多地区的水环境造成严重挑战,制定水资源规划和水质管理政策必须关注到这些气候变化的影响[2],这对开展未来气候变化下污染物负荷和污染物浓度的预测研究,评估气候变化对水质的潜在影响具有重要意义。
气候变化,尤其是降水模式的变化,会改变水文和水质状况：降水的变化将会导致河流径流的显着变化[3],同时降水的变化也将直接影响流域的土壤侵蚀过程[4]。流域的营养物负荷分为点源和非点源,前者主要来自工业城镇的污水排放,后者主要受农业施肥、降水、径流等因素影响[5]。其中,非点源污染的形成与降雨过程密切相关,降雨引起的地表径流导致土壤侵蚀,并携带非点源污染物进行迁移[6],因此,降水模式的变化也将影响流域的非点源污染的形成过程[4]。
SWAT（Soil and Water Assessment Tool）模型被广泛应用于水环境模拟[7-8],以及未来气候变化对水资源的影响的评估[9]。这些研究主要基于全球气候模型（GCMs）和SWAT模型的耦合,用于评估未来气候变化对非点源污染负荷的影响,研究地区涉及国内外,如：美国的密西西比流域[10]、韩国的塞曼格姆流域[11]、中国的密云水库流域[12]和松花江流域[13]等。这些研究表明,气候变化对不同地区的水系统影响各不相同。有学者比较了湿润与半干旱气候区流域受气候变化的影响程度,发现湿润区流域的水资源和土壤侵蚀受到的影响更大[14]。有学者在寒冷地区的辽河流域进行模拟发现年径流、总氮和总磷负荷呈现下降趋势,但在融雪期间表现为上升趋势[15]。热带地区的湄公河流域的一项研究发现,年径流、总氮和总磷负荷均为上升趋势[9]。地处温带的密云水库流域模拟表明,年总氮和总磷负荷的变化趋势均为[16]。有学者基于亚热带东江流域进行SWAT模型模拟,发现沉积物与无机氮负荷对气候变化的响应在上游和下游并不相同,分别为下降和上升趋势[17]。这些区域之间的差异是因为水系统受流域特征、土壤性质、土地利用措施等多种因素影响,与气候变化之间的关系复杂且非线性[2]。所以,这些研究的模拟结果具有一定的区域局限性,开展更多的区域气候变化对水质的影响评估工作可消除上述影响。
淮河是中国污染最严重的河流之一[18],淮河的水环境备受关注[19-20],其上游源头流域水质由于直接影响下游区域的用水,因而备受重视。淮河上游的淮滨流域主要位于河南省信阳市,属于山地-平原型流域,东北部区域的黄淮平原作为中国重要的农业区,农业活动频繁,是潜在的非点源污染地区。目前有少量研究关注淮河中上游气候变化与水质的关系[21],但尚无研究分析淮滨流域内气候变化对水质的影响。
本研究基于SWAT模型模拟淮河上游淮滨流域氮排放,在2011—2017年对径流和氨氮进行校准和验证,并基于当前的排放强度预测气候变化不同情景下未来30年内（2020—2029年（21世纪近期）、2030—2039年（21世纪近期）、2040—2049年（21世纪中期））径流、氨氮浓度和非点源总氮负荷的状况,同时解析非点源污染的空间分异性成因,研究技术路线如图1所示。
图1 气候变化情景下淮滨流域氮排放预测研究技术路线

Fig. 1 Study process of prediction of nitrogen emission in the upper reaches of the Huai River basin under climate change scenarios

2 研究区概况、数据来源及处理

2.1 研究区概况

淮滨流域位于淮河上游,是指淮河干流淮滨水文站控制断面以上的流域,处于淮河流域的西南部区域,流域面积约1.6万km2,位于113.3°E—115.5°E,31.5°N—32.7°N。此流域主要分布在河南省信阳市境内（图2）,部分分布在河南省驻马店市正阳县和南阳市桐柏县,小部分位于湖北省的随州市随县、孝 感市大悟县。流域地势由西南向东北降低,海拔在25~900 m之间,西南部桐柏山区与大别山区是河流发源地,东北部为黄淮平原。流域以东西走向淮河干流为中心,南北两侧分布8条淮河支流,南岸依次为浉河、小潢河、竹竿河、寨河和潢河,北岸依次为明河、清水河和闾河。淮滨流域位于温带季风气候带与亚热带季风气候带的过渡区,流域平均气温为 15~16 ℃。流域内平均降水量为890~1050 mm,降水年内时间分布不均,多集中在6—9月的汛雨期（降雨量占全年50%~60%）。水质监测数据显示,2011—2016年,淮滨站断面的水质处于《地表水环境质量标准》[22]（GB3838—2002）水质等级Ⅰ类（氨氮浓度<0.15mg/L）的时期约占26%,处于水质等级Ⅱ类（>0.15 mg/L,<0.5 mg/L）的时期约占61%,其余时期大多处于水质等级Ⅲ类（>0.5 mg/L,<1.0 mg/L）（约占12%）,偶尔处于Ⅳ类,污染程度适中。流域内分布着多个地表水集中式饮用水水源地,其水质与当地居民的健康息息相关。
图2 淮滨流域及行政区县

Fig. 2 Location of Huaibin Basin and it's administrative division

2.2 研究方法

2.2.1 SWAT模型

SWAT模型是由美国农业部（USDA）的研究中心开发[23]的分布式水文模型。相对于集成式水文模型,它考虑了地表径流由于降雨、下垫面等因素的影响而呈现的空间分异性,因此具有更高的空间分辨率。SWAT模型将流域划分成若干个子流域单元,每一个子流域单元都具有不同的地理要素和水文参数,并在模型中单独运算,运算结果通过子流域单元之间的物质传输方向和拓扑关系进行叠加,最终在流域出口进行汇总。
SWAT模拟非点源污染的过程主要包括：产流汇流的水文过程、土壤侵蚀与流失的过程、污染负荷过程。SWAT的污染负荷模型用于模拟营养物负荷,例如模拟氮循环中不同形态的氮元素之间迁移转化的过程,溶解态氮元素通过径流进行迁移,流失路径包括地表径流、侧向流与渗透流等。在此过程中,吸附态氮吸附在土壤颗粒上,随土壤流失。

2.2.2 地理探测器

为探索研究区总氮负荷的空间分异性成因,使用地理探测器中的因子探测器和生态探测器[24-25]。2个公式的原理和统计学含义如下所示。被解释因子Y是流域的单位公顷总氮负荷,取自淮滨流域SWAT模型输出的246个水文响应单元,是2011—2016年多年平均值。影响因子X分别是土地利用类型、土壤类型、坡度、年施肥量、年降水量、年产流量。
（1）q统计。基于空间方差分析的方法,来评估各影响因子X对被解释因子Y的解释力[26]。
q统计量度量表达式如下：
q = 1 - ∑ h = 1 L N h σ h 2 N σ 2 = 1 - S S W S S T
S S W = ∑ h = 1 L N h σ h 2
S S T = N σ 2
式中：h (h=1,…, L)为影响因子X的分层数;Nh和N分别为层h的样本数和总样本数; σ h 2和 σ 2分别是被解释因子Y在层h内的方差和全局方差。SSW(Within Sum of Squares) 和SST(Total Sum of Squares)分别为层内和和全局的离差平方和。q值域为[0, 1],当q值越大时,该影响要素X对被解释因子Y的空间分布的解释力越强,反之则越弱。
（2）生态探测器。用于检测不同影响因子X之间对被解释因子Y的解释力（q统计量）是否具有显著差异,以F统计量来衡量,具体公式如下：
F = N X 1 N x 2 - 1 S S W X 1 N X 2 N x 1 - 1 S S W X 2
S S W X 1 = ∑ h = 1 L 1 N h σ h 2
S S W X 2 = ∑ h = 1 L 2 N h σ h 2
式中： N X 1和 N X 2分别表示影响因子X1和影响因子X2的总样本数, S S W X 1和 S S W X 2分别表示由X1和X2的形成的层内方差之和, L 1和 L 2分别表示X1和X2的分层数目。零假设为 H 0 : S S W X 1 = S S W X 2,如果在 α的显著性水平上拒绝 H 0,表明影响因子X1和X2对被解释因子Y的空间分布的影响存在着显著的差异。

2.3 数据来源与处理

2.3.1 SWAT模型的输入数据

为了建立适用性满意的淮滨流域SWAT模型,研究选择淮滨站2011年1月至2017年2月的逐月径流、逐月氨氮浓度作为实测数据对模型校正与验证,数据来源于中国环境监测总站的《全国主要流域重点断面水质自动监测周报》（http://www.cnemc.cn/sssj/szzdjczb/）。如果模拟效果都表现满意,证明模型在该区域具有较好的适用性,可用于情景分析或未来预测。
淮滨流域SWAT模型的建立需要气象、土壤、地形、土地利用和社会经济等数据,具体的空间数据与属性汇总于表1。湖北省境内的淮滨流域主要为山区,人口稀少,考虑到面源污染主要受人为因素影响,研究选取位于河南省境内的信阳市、驻马店市、南阳市等区域,具体包括的县区见表2。模型的点源污染主要包括信阳市工业废水和城镇生活污水中的氨氮,含量按子流域的面积占比分配,输入至子流域点源排放口。农业非点源污染主要考虑各区县的农用氮肥施用量。
表1 SWAT模型输入数据

Tab. 1 SWAT model input data

数据名称 精度 时间 内容 来源
数字高程DEM 1 km×1 km 2012年 高程、坡度 中国科学院资源环境科学数据中心
土地覆盖与利用类型 1 km×1 km 2015年 土地覆盖与利用类型 中国科学院资源环境科学数据中心
世界土壤数据库HWSD 1 km×1 km 2012年 土壤类型与属性 联合国粮食及农业组织
气象站观测数据 逐日 2008—2016年 降水、最高最低气温、太阳辐射、相对湿度、风速 中国气象数据网
水文监测断面 逐月 2011—2016年 平均径流 《水文年鉴》
水质监测断面 逐周 2011—2016年 平均氨氮浓度 环境监测总站的水质周报
社会经济环境统计数据 县区级行政单位 2011—2016年 城镇生活污水与工业废水排放量、农用氮肥施用量等 《信阳统计年鉴》[27]、《南阳统计年鉴》[28]、《驻马店统计年鉴》[29]
表2 淮滨流域行政区划

Tab. 2 Administrative division of Huaibin basin

地级行政区名称 区县数量 县级行政区名称
信阳市 2区6县 信阳市市辖区（包括浉河区、平桥区）、息县、罗山县、潢川县、光山县、新县、淮滨县
驻马店市 1县 正阳县
南阳市 1县 桐柏县
淮滨流域内各市的统计年鉴显示,农作物以粮食作物为主,播种面积比例将近70%,粮食作物以夏收小麦和秋收水稻为主,因此本研究的农业管理只考虑小麦和水稻2种农作物的施肥管理措施。

2.3.2 SWAT模型的参数校正和验证

为使生成的水系与实际河网最为接近,最终选定30 000 hm2为最佳的划分阈值,共划分出26个子流域。用于校正参数的观测数据包括淮滨水文站的逐月径流和逐月氨氮浓度,2011年1月—2014年12月为校正期,2015年1月—2017年2月为验证期。氨氮作为可溶性物质,受径流影响较大,所以首先校正了径流参数,然后校正了氨氮参数。校准方法选用SUFI-2（Sequential Uncertainty Fitting Version 2）,目标函数选用Nash-Suttcliffe系数。
由于模型参数较多且复杂,校正径流的过程中先筛选出对模型敏感性较高的参数,提高校正参数的效率,选取的敏感参数和调整结果见表3。
表3 模拟径流的敏感参数与参数的调整结果

Tab. 3 Sensitive parameters of simulated runoff and adjustment results of parameters

参数调整对象 含义 调整范围 调整结果
r_CN2.mgt 土壤水分/湿润条件为2时的SCS径流曲线数 [-1, 1] 0.06
v_TRNSRCH.bsn 进入深层含水层的损失量占渗透损失量的分数 [0, 1] 0.08
v_ALPHA_BNK.rte 河岸水流的退水常数或比例常数 [0, 1] 0.76
在校正径流的同时,还校正了径流和氨氮,选取的敏感参数和调整结果见表4。
表4 模拟月氨氮累计的敏感参数与调整结果

Tab. 4 Sensitive parameters and adjustment results of simulated monthly ammonia nitrogen accumulation

参数调整对象 定义 调整范围 调整结果
r_CN2.mgt 土壤水分/湿润条件为2时的SCS径流曲线数 [-1, 1] 0.06
v_TRNSRCH.bsn 进入深层含水层的损失量占渗透损失量的分数 [0, 1] 0.08
v_ALPHA_BNK.rte 河岸水流的退水常数或比例常数 [0, 1] 0.76
v_CH_N2.rte 主河道的曼宁系数n值 [-0.01, 0.3] 0.05
v_CH_K2.rte 含水层渗透系数 [-0.01, 500] 108.62
r_SOL_K().sol 土壤饱和渗透系数/（mm/h） [-1, 1] -0.90
r_SOL_BD().sol 土壤容重/（Mg/m³） [-1, 1] 0.16
v_NPERCO.bsn 硝酸盐的渗流系数 [0, 1] 0.27
模拟评价指标使用Nash-Suttcliffe系数（Ens）,计算公式如下：
E n s = 1 - ∑ i = 1 n ( Z o - Z s ) i 2 ∑ i = 1 n ( Z o , i - Z - o ) 2
式中： E n s是Nash-Suttcliffe系数; Z o是观测值; Z s是模拟值; Z - o是观测值的平均值;n为观测值个数。Ens在(- ∞, 1],值越接近1,说明模型的模拟效果越好,越小说明模拟效果越差,小于0时说明模拟值的可信度很低。

2.3.3 气候模式降尺度处理

国际耦合模式比较计划第五阶段（CMIP5）的气候模式采用典型浓度路径（Representative Concentration Pathways,RCPs）,将21世纪达到的辐射强度分为4个排放情景,预测不同排放情景下的未来气候。排放情景从低到高依次是RCP2.6（2.6 W ∙ m - 2）、RCP4.5（4.5 W ∙ m - 2）、RCP6.0（6.0 W ∙ m - 2）、RCP8.5（8.5 W ∙ m - 2）。CMIP5中的全球气候模式（GCMs）有很多,本研究选择美国NOAA GFDL出品的GFDL-ESM2M模式[30],原数据空间分辨率较低,为2.5°×2°。本研究使用世界气候研究计划（WCRP）的ISI-MIP5（Inter-Sectoral Impact Model Intercomparison Project）项目提供的插值后数据[31-32],空间分辨率为0.5°×0.5°,研究区内有6个格点,气候模式所使用的数据内容包括2020—2049年,分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的逐日降水量、逐日最高温与逐日最低温。
本研究中的GCM空间分辨率不足以用于评估流域尺度的气候变化影响,因而需要偏差纠正,我们使用在气候科学中广泛使用[33]、简单有效的Delta方法。该方法假设GCMs能可靠地模拟相对变化而不是绝对值[34],用当前GCM和气象观测值之间的偏差,纠正未来GCM。即分别统计GCM与地面气象数据在同一时期的月均降水、月均最高温、月均最低温的多年均值,并根据二者偏差,使用相加原则对GCM的气温修正偏差,使用相乘原则对GCM的降水修正偏差。
由于气象站点与GCM格点的空间坐标不重叠,无法直接建立降尺度的关系,本研究选择常用的全球尺度气象数据Climatic Research Unit（CRU）作为地面历史观测数据,空间分辨率为0.5°×0.5°,取自（http://www.cru.uea.ac.uk）。本研究以GCM的历史时期（1970—2005年）数据和相同时期的CRU气象数据建立用于修正GCM降水偏差的关系（式（8））、气温偏差的关系（式（9））。
D e l t a P i = P h , i P G h , i P G f B C , i = P G f , i × D e l t a P i
式中： i=1,2,3,…,12,表示月份; P h , i为实测气象数据历史时期的多年月均降水; P G h , i为GCM历史时期的多年月均降水; D e l t a P i为降水的相对变化量; P G f , i为GCM未来时期属于第 i月的逐日降水量; P G f B C , i为降尺度后的GCM未来时期属于第 i月的逐日降水量。
D e l t a T i = T h , i - T G h , i T G f B C = T G f , i + D e l t a T i
式中： i=1,2,3,…,12,表示月份; T h , i为实测气象数据历史时期的多年月均最高温或最低温; T G h , i为GCM历史时期的多年月均最高温或最低温; D e l t a T i为气温的绝对变化量, T G f , i为GCM未来时期属于第 i月的逐日最高温或最低温; T G f B C , i为降尺度后的GCM未来时期属于第 i月的逐日最高温或最低温。

3 结果与分析

3.1 氨氮模拟与评价

淮滨站径流与氨氮的校正与验证结果和月模拟评价标准[35]分别见表5和表6,径流的模拟精度Nash-Suttcliffe系数（Ens）在校正期和验证期都是0.79,均高于0.7,径流的模拟效果良好。氨氮累计量的模拟精度Nash-Suttcliffe系数（Ens）在校正期和验证期分别为0.72和0.52,均高于0.5,氨氮的模拟效果同样良好。综上,淮滨流域SWAT模型的适用性为良好。
表5 流域尺度模型的月模拟评价标准

Tab. 5 Monthly simulation evaluation criteria for watershed-scale models

Nash-Suttcliffe系数（Ens） 优秀 良好 满意 不满意
径流 (0.80, 1.00] (0.70, 0.80] (0.50, 0.70] (- ∞, 0.50]
氨氮 (0.65, 1.00] (0.50, 0.65] (0.35, 0.50] (- ∞, 0.35]
表6 径流与氨氮累计在校正期与验证期的模拟精度

Tab. 6 The simulation accuracy of runoff and ammonia nitrogen accumulation in the calibration period and validation period

时期 Nash-Suttcliffe系数（Ens） R2
月径流 校正期（2011—2014年） 0.79 0.84
验证期（2015—2017年） 0.79 0.83
月氨氮累积量 校正期（2011—2014年） 0.72 0.75
验证期（2015—2017年） 0.52 0.57
图3是校正期与验证期的月径流的观测值与模拟值对比图,径流的波峰都被模拟出,一般在每年的6—9月,因为夏季是淮滨流域的集中降水期。
图3 校正期（2011—2014年）和验证期（2015—2017年）月径流的模拟值与观测值对比

Fig. 3 Comparison of simulated and observed monthly runoff values during the calibration period (2011—2014) and the validation period (2015—2016)

图4是校正期与验证期的月氨氮累计量的观测值与模拟值对比图,模拟值的时间变化规律大致与观测值一致。
图4 校正期（2011—2014年）和验证期（2015—2017年）月氨氮累计的模拟值与观测值对比

Fig. 4 Comparison of simulated and observed values of monthly ammonia nitrogen accumulation during the calibration period (2011—2014) and validation period (2015—2016)

3.2 氮空间特征

图5是2011—2016年均总氮负荷,总氮包括有机氮和硝氮、氨氮等无机氮。中部与东部平原由于农业活动频繁、农业人口密集,总氮负荷高于西部人烟稀少的山区。其中平桥区（对应为子流域17、9）与正阳县（子流域8）、淮滨县（子流域5）的总氮流失情况相对较高,是流域的关键氮流失区,需要从农用化肥量、畜禽养殖规模等方面采取措施,减轻非点源污染排放。
图5 淮滨流域的子流域划分图与非点源污染的总氮负荷

注：图中的数字表示子流域编号。

Fig. 5 Map of sub-basin division and total nitrogen load of non-point source pollution of Huaibin Basin

3.3 氮空间分异性成因

利用地理探测器的q统计量计算影响因素对总氮负荷的解释力,结果表明：年施肥量（q=0.52）>土地利用类型（q=0.49）>土壤类型（q=0.26）>产流（q=0.22）>降水量（q=0.03）>坡度（q=0.02）,前 4个影响因素的q统计量都通过了显著性检验（p < 0.05）,具有统计学意义的显著性（表7）。
表7 不同影响因素对总氮负荷的影响力

Tab. 7 The influence of different influencing factors on total nitrogen load

解释变量 q统计量 p值
施肥量 0.52 0.00
土地利用类型 0.49 0.00
土壤类型 0.26 0.00
产流量 0.22 0.00
降水量 0.03 0.17
坡度 0.02 0.11

3.4 气候变化情景下的径流模拟预测

降尺度处理气候模式后,统计淮滨流域在2020—2029年、2030—2039年、2040—2049年共 3个时间段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的气象指标：多年平均降水量、多年平均最高温与最低温。将多年平均最高温与最低温的算术平均值作为多年平均气温,统计淮滨流域在不同气候情景下的气温与降水量变化（表8）。结果表明,不同情景的平均气温均为增高,增幅在0.7~1.5 ℃,平均年降水的变化也都为增加,变幅范围在4.8%~21%。
表8 淮滨流域在不同气候变化情景下的平均气温与降水量变化

Tab. 8 Changes in average temperature and precipitation in the Huaibin Basin under different climate change scenarios

情景 流域多年平均年降水 流域多年平均气温
数值/mm 变幅/% 数值/℃ 变幅/℃
2011—2016年 基准期 903 0 15.8 0
2020—2029年 RCP2.6 1093 21.0 16.5 0.7
2020—2029年 RCP4.5 1016 12.5 16.7 0.9
2020—2029年 RCP6.0 1015 12.4 16.5 0.7
2020—2029年 RCP8.5 950 5.2 16.8 1.0
2030—2039年 RCP2.6 1016 12.5 17.0 1.1
2030—2039年 RCP6.0 1017 12.6 16.8 0.8
2030—2039年 RCP8.5 1064 17.8 16.8 1.0
2040—2049年 RCP2.6 1053 16.7 17.1 1.0
2040—2049年 RCP4.5 1033 14.4 17.1 1.2
2040—2049年 RCP6.0 946 4.8 16.7 1.3
2040—2049年 RCP8.5 966 7.0 17.4 0.9
（1）年内变化。图6为淮滨水文站在2020—2029年、2030—2039年、2040—2049年3个时间段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下年均月径流的平均值。与基准期2011—2016年的月径流的年内变化趋势大致相同。2040—2049时期的RCP2.6情景下的月径流的峰值最高,其次是2030—2039年的RCP2.6情景。
图6 不同气候变化情景下淮滨站月径流

Fig. 6 The monthly flow of Huaibin Station under different climate change scenarios

（2）年际变化。图7为淮滨水文站在2020—2029年、2030—2039年、2040—2049年3个时间段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下年均径流的平均值与基准期（2011—2016年）相比的变化率。与基准期的径流相比,年均径流的变化范围在-17.6%~30.4%之间。部分情景的增幅较大：RCP2.6情景下,2020—2029年、2030—2039年及2040—2049年的年均径流均比基准期（2011—2016年）增幅22%以上;RCP4.5情景下2030—2039时期及2040—2049年的年均径流和RCP8.5情景下2020—2029年的年均径流也比基准期增幅20%以上。只有RCP8.5情景下2040—2049年的年均径流的减幅（17.6%）超过10%。
图7 不同气候变化情景下淮滨站年均径流的变化

Fig. 7 Average yearly flow of Huaibin Station under different climate change scenarios

3.5 不同气候变化情景下的氮排放预测

图8为淮滨水文站在2020—2029年、2030—2039年、2040—2049年3个时间段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的多年平均月氨氮浓度。与基准期2011—2016年的月氨氮浓度相比,均为不同幅度的减小,年内变化趋势一致,夏季丰水期的氨氮浓度降低,其余枯水期的氨氮浓度升高。
图8 不同气候变化情景下淮滨站月均氨氮浓度

Fig. 8 Average monthly ammonia nitrogen concentration of Huaibin Station under different climate change scenarios

图9为淮滨水文站在2020—2029年、2030—2039年、2040—2049年3个时间段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的年均月氨氮浓度的多年平均值。整体而言,淮滨站在所有情景下的氨氮浓度均比基准期的值,呈现出不同程度的减少,变化范围在-0.2% ~ -42.6%。部分情景的氨氮浓度减幅较大：RCP2.6情景下 3个时期和RCP4.5情景下的2040—2049年的减幅都超过35%;RCP8.5情景下的2020—2029年的减幅也超过了30%;RCP6.0情景下的2020—2029年与2030—2039年的减幅超过了25%。
图9 不同气候变化情景下淮滨站多年平均氨氮浓度的变化

Fig. 9 Average yearly ammonia nitrogen concentration at Huaibin Station under different climate change scenarios

3.6 气候变化情景下降水量、产流和总氮负荷时空格局

图10为淮滨流域在2020—2029年、2030—2039年、2040—2049年3个时间段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下子流域降水量的平均值,基准期为2011—2016年。整体而言,除了RCP8.5下2040—2049时期的流域降水量的变化趋势为减小（流域平均变化率为-5.7%）,其他情景的流域降水量均有不同程度的升高,流域平均变化率的范围是0.2%~12.5%。增幅较大的是RCP8.0情景下的2020—2029年（流域平均变化率为12.5%）、RCP2.6情景下的2030—2039年（11.3%）、RCP2.6情景下的2040—2049年（11.2%）。对比年降水量变化的空间分布格局,东北部闾河以及西部淮河干流发源地所在子流域的降水量增幅较大。
图10 淮滨流域在不同气候变化情景下的平均降水量

Fig. 10 The average precipitation of Huaibin basin under different climate change scenarios

图11为淮滨流域在2020—2029年、2030—2039年、2040—2049年3个时段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的平均产流量,基准期为2011—2016年。整体而言,除了RCP8.5下2040—2049年的流域产流量的变化趋势为减小（流域平均变化率为-17.0%）,其他情景下的流域产流量均有不同程度的增加,流域平均变化率的范围是0.01%~31.6%。增幅较大的情景有RCP2.6情景下的2040—2049年（流域平均变化率为31.6%）、RCP2.6情景下的2030—2039年（27.0%）、RCP8.5情景下的2020—2029年（24.2%）。产流变化的空间分布特征是,东北部闾河以及西部淮河干流发源地所在子流域的产流增幅较大。
图11 淮滨流域在不同气候变化情景下的平均产流量

Fig. 11 The average water yeld of Huaibin basin under different climate change scenarios

图12为淮滨流域在2020—2029年、2030—2039年、2040—2049年3个时段分别处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的平均年总氮负荷,以2011—2016年的平均年总氮负荷水平作为基线。经对比,未来整体上比基线期均略有升高,尤其是流域东北的地区。整体而言,不同气候变化情景下,平均总氮负荷均比基线期高,增幅程度不同,整个流域平均变化率的范围在0.5%~31.8%。总氮负荷增幅较高的是2030—2039年的RCP2.6情景、2020—2029年的RCP8.5与RCP2.6情景,以及2040—2049年的RCP6.0情景,流域平均变化率分别为31.8%、28.1%、27.4%、22.7%。
图12 淮滨流域在不同气候变化情景下的平均总氮负荷

Fig. 12 The average of annual total nitrogen load of Huaibin basin under different climate change scenarios

与基准期相比,空间分布特征整体上依旧是西南部较低,东北部较高,其中位于中部的平桥区、正阳县和位于东部的息县、淮滨县所属的子流域是总氮负荷较高的地区。位于东北部的闾河 所属于的子流域,其总氮负荷最高,年均数值在 3.0~7.1 kg/ha之间,在不同情景下的增幅在25%~135%之间。

4 讨论

本研究利用构建的SWAT模型对淮滨流域2011—2016年非点源污染现状进行了时空特征分析与空间分异性成因的研究,然后基于污染排放现状,预估了在不同排放水平下未来2020—2049年的水文和氮排放,分析了气候因素对水文和氮排放的影响。此外,探索了与非点源总氮负荷的空间分异最相关的主要因素。研究结果表明,影响氮负荷及其空间分异性的主要因素是施肥量与土地利用类型;未来30年内（2020—2049年）,非点源污染总氮负荷比2011—2016年有不同程度的增加,氨氮浓度比2011—2016年有不同程度的减小。本研究可为未来淮滨流域的水质管理政策提供数据参考。
本研究发现,与基准期（2011—2016年）相比,未来不同时期（2020—2029年、2030—2039年、2040—2049年）处于RCP2.6、RCP4.5、RCP6.0、RCP8.5排放情景下的流域年平均降水和年平均气温将会升高,此发现与现有文献中中国地区的CMIP5气候模式的预测一致[35]。本研究发现产流出现较大增幅的区域,其空间分布与降水量的一致,都是位于东北部闾河以及西部淮河干流发源地所在的子流域。目前已有大量文献证实：在不同情景下,流域的产流变化趋势与降水量的变化趋势一致,因为径流过程主要受降水过程驱动[36],降水的增加会影响产流增加[3]。
与基准期（2011—2016年）相比,在不同的气候变化情景中,淮滨流域的单位面积非点源总氮负荷均有不同程度的增加,这可能因为淮滨流域的降水和产流大体上以增加为主,从而使地表上更多的污染物随径流进入水体,导致非点源污染排放量增加[37]。此外,在不同的气候变化情景中,淮滨流域气温均为升高趋势,理论上,可能促进植被对氮的吸收速率,可能导致总氮负荷下降,这是由于气温和植物吸收并不是影响污染负荷过程的唯一决定性因素,不能只考虑单一因素的影响[38]。本研究中的预测结果与密云水库流域的预测一 致[12]。与基准期相比,不同气候变化情景下,流域出水口淮滨站的氨氮浓度都有不同程度的下降,该结果与张永勇等在淮河中上游流域蚌埠站的预测趋势一致[21]。可能的原因一方面是由于未来降水增加使径流升高,导致氨氮的浓度下降;另一方面由于气温升高,更接近氨氮硝化的适宜温度,从而氨氮降解升高,导致河流氨氮浓度减少[21]。
非点源总氮负荷的空间分异性成因有许多,这些因素中施肥量是最主要的影响因素（q=0.52）,因为非点源氮污染物是主要来源于农业用地[39],而各区县氮肥施用的数量差异导致非点源污染排放程度的空间差异,从而形成总氮负荷的空间分异性。土地利用类型是第二主要的影响因素（q=0.49）,因为土地利用类型的差异意味着的非点源污染排放程度的差异,农业用地的耕地活动经常伴随着化肥和粪肥的施用,森林用地则较少发生,以往研究也表明土地利用变化可能影响流域的非点源氮排放状况[40]。综上,非点源总氮负荷的空间分异性成因主要是农田施肥量与土地利用类型,这2个因素都反应了人类活动的氮排放程度。次要的影响因素是土壤类型（q=0.26）和产流（q=0.22）,这是因为降水过程中,土壤的容重、饱和渗透系数、有效含水量等土壤属性会影响流域产流量,进而影响水土流失和非点源污染的形成。
本研究的结果也具有一定的局限性。流域尺度的水文和水质模型的不确定性,通常来自模型结构不确定性、输入数据不确定性和参数不确定性。本研究的模型没有考虑流域内的水库,而淮河中上游流域的研究显示,模型考虑闸坝调度影响能够在一定程度上提高模拟水质的精度[19]。在SWAT模型中,常常输入固定年份的土地利用类型、农用化肥施用等数据,代表整个模拟时段的水平,但是土地利用类型、农用化肥施用数据在长时间内动态变化,这导致模拟值与测量值出现偏差,较难准确地校准模型[41],改为动态的土地利用数据可能改善模型精度[42]。然而基于SWAT模型的模拟评价标准[43],本研究在校正期和验证期的径流和氨氮模拟效果均为良好。表明校正后的SWAT模型能够模拟淮滨流域的水文过程和污染负荷过程。由于数据获取的限制,本研究用监测站的氨氮累积量代替总氮进模型参数校正,并发现模型输出的非点源氨氮负荷与非点源有机氮负荷、非点源硝氮负荷具有线性相关性,因此将模型的非点源总氮负荷输出也作为了研究数据。此外研究还发现淮滨流域的点源占比高于非点源,SWAT模型的非点源优势没被利用,后续可考虑选用其他更适合点源污染模拟的水质模型。

5 结论

本研究结合水质模拟的SWAT模型与空间统计的地理探测器模型,首次从空间分异性相似度的角度,探索了影响流域非点源氮负荷的空间分布的主要因素。
基于全球气候变化模式驱动SWAT预测结果表明,在假定污染排放程度没有发生变化的前提下,未来气候变化后,淮滨水文站的径流量呈不同程度的升高,氨氮浓度有不同程度的降低,淮滨流域整体的降水量、产流量、单位面积非点源总氮负荷量都呈不同程度的升高。

：感谢中国科学院地理科学与资源研究所邹磊老师提供的修改帮助。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Moriasi D N, Arnold J G, Liew M W V, et al. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations[J]. Transactions of the ASABE, 2007, 50(3):885-900. DOI: 10.13031/2013.23153

DOI

[2]
Yang X Y, Tan L, He R M, et al. Stochastic sensitivity analysis of nitrogen pollution to climate change in a river basin with complex pollution sources[J]. Environmental Science and Pollution Research, 2017, 24(34):26545-26561. DOI: 10.1007/s11356-017-0257-y

DOI

[3]
Milliman J D, Farnsworth K L, Jones P D, et al. Climatic and anthropogenic factors affecting river discharge to the global ocean, 1951-2000[J]. Global and Planetary Change, 2008, 62(3/4):187-194. DOI: 10.1016/j.gloplacha.2008.03.001

DOI

[4]
Pruski F, Nearing M. Runoff and soil-loss responses to changes in precipitation: A computer simulation study[J]. Journal of Soil and Water Conservation, 2002, 57(1):7-16.

[5]
Xia Y, Huang L G, Xu L G. Characteristics of diffuse source N pollution in lean river catchment[J]. Procedia Environmental Sciences, 2011, 10:2437-2443. DOI: 10.1016/j.proenv.2011.09.379

DOI

[6]
夏军, 翟晓燕, 张永勇. 水环境非点源污染模型研究进展[J]. 地理科学进展, 2012, 31(7):941-952.

[ Xia J, Zhai X Y, Zhang Y Y. Progress in the research of water environmental nonpoint source pollution models[J]. Progress in Geography, 2012, 31(7):941-952. ] DOI: 10.11820/dlkxjz.2012.07.013

DOI

[7]
荣易, 秦成新, 孙傅, 等. SWAT模型在我国流域水环境模拟应用中的评估验证过程评价[J]. 环境科学研究, 2020, 33(11):2571-2580.

[ Rong Y, Qin C X, Sun F, et al. Assessment of evaluation process of SWAT model application in China[J]. Research of Environmental Sciences, 2020, 33(11):2571-2580. ] 10.13198/j.issn.1001-6929.2020.08.19

DOI

[8]
Abbaspour K C, Rouholahnejad E, Vaghefi S, et al. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model[J]. Journal of Hydrology, 2015, 524:733-752. DOI: 10.1016/j.jhydrol.2015.03.027

DOI

[9]
Trang N T T, Shrestha S, Shrestha M, et al. Evaluating the impacts of climate and land-use change on the hydrology and nutrient yield in a transboundary river basin: A case study in the 3S River Basin (Sekong, Sesan, and Srepok)[J]. The Science of the Total Environment, 2017, 576:586-598. DOI: 10.1016/j.scitotenv.2016.10.138.

DOI

[10]
Jayakody P, Parajuli P B, Cathcart T P. Impacts of climate variability on water quality with best management practices in sub-tropical climate of USA[J]. Hydrological Processes, 2014, 28(23):5776-5790. DOI: 10.1002/hyp.10088.

DOI

[11]
Li T, Kim G. Impacts of climate change scenarios on non-point source pollution in the saemangeum watershed, south Korea[J]. Water, 2019, 11(10):1982. DOI: 10.3390/w11101982

DOI

[12]
Yan T Z, Bai J W, Arsenio T, et al. Future climate change impacts on streamflow and nitrogen exports based on CMIP5 projection in the Miyun Reservoir Basin, China[J]. Ecohydrology & Hydrobiology, 2019, 19(2):266-278. DOI: 10.1016/j.ecohyd.2018.09.001

DOI

[13]
Zhang L, Lu W X, An Y L, et al. Response of non-point source pollutant loads to climate change in the Shitoukoumen Reservoir Catchment[J]. Environmental Monitoring and Assessment, 2012, 184(1):581-594. DOI: 10.1007/s10661-011-2353-7

DOI PMID

[14]
Chaplot V. Water and soil resources response to rising levels of atmospheric CO2 concentration and to changes in precipitation and air temperature[J]. Journal of Hydrology, 2007, 337(1/2):159-171. DOI: 10.1016/j.jhydrol.2007.01.026

DOI

[15]
Wang Y, Bian J M, Zhao Y S, et al. Assessment of future climate change impacts on nonpoint source pollution in snowmelt period for a cold area using SWAT[J]. Scientific Reports, 2018, 8(1):2402. DOI: 10.1038/s41598-018-20818-y

DOI PMID

[16]
Wang X Y, Li Z Q, Li M T. Impacts of climate change on stream flow and water quality in a drinking water source area, Northern China[J]. Environmental Earth Sciences, 2018, 77(11):1-14. DOI: 10.1007/s12665-018-7581-5

DOI

[17]
Xu H, Peng S L. Distinct effects of temperature change on discharge and non-point pollution in subtropical Southern China by SWAT simulation[J]. Hydrological Sciences Journal, 2013, 58(5):1032-1046. DOI: 10.1080/02626667.2013.797579

DOI

[18]
Xia J, Zhang Y Y, Zhan C S, et al. Water quality management in China: The case of the Huai River Basin[J]. International Journal of Water Resources Development, 2011, 27(1):167-180. DOI: 10.1080/07900627.2010.531453

DOI

[19]
Zhang Y Y, Xia J, Liang T, et al. Impact of water projects on river flow regimes and water quality in Huai river basin[J]. Water Resources Management, 2010, 24(5):889-908. DOI: 10.1007/s11269-009-9477-3

DOI

[20]
Zhang Y Y, Xia J, Shao Q X, et al. Water quantity and quality simulation by improved SWAT in highly regulated Huai River Basin of China[J]. Stochastic Environmental Research and Risk Assessment, 2013, 27(1):11-27. DOI: 10.1007/s00477-011-0546-9

DOI

[21]
张永勇, 花瑞祥, 夏瑞. 气候变化对淮河流域水量水质影响分析[J]. 自然资源学报, 2017, 32(1):114-126.

[ Zhang Y Y, Hua R X, Xia R. Impact analysis of climate change on water quantity and quality in the Huaihe River Basin[J]. Journal of Natural Resources, 2017, 32(1):114-126. ] DOI: 10.11849/zrzyxb.20160184

DOI

[22]
国家环境保护总局,国家质量监督检验检疫总局2002年发布地表水环境质量标准(GB-3838-2002)[S]. 2002.

[State bureau of environment protection, State General Administration of the People"s Republic of China for Quality Supervision and Inspection and Quarantine publish Environmental quality standards for surface water(GB-3838-2002)[S]. 2002. ]

[23]
Arnold J G, Srinivasan R, Muttiah R S, et al. Large area hydrologic modeling and assessment part i: Model development1[J]. JAWRA Journal of the American Water Resources Association, 1998, 34(1):73-89. DOI: 10.1111/j.1752-1688.1998.tb05961.x

DOI

[24]
Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67:250-256. DOI: 10.1016/j.ecolind.2016.02.052

DOI

[25]
王劲峰, 徐成东. 地理探测器:原理与展望[J]. 地理学报, 2017, 72(1):116-134.

DOI

[ Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1):116-134. ] DOI: 10.11821/dlxb201701010

DOI

[26]
Wang J F, Li X H, Christakos G, et al. Geographical detectors-based health risk assessment and its application in the neural tube defects study of the Heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1):107-127. DOI: 10.1080/13658810802443457

DOI

[27]
信阳统计局. 信阳统计年鉴[M]. 北京: 中国统计出版社, 2012-2017.

[Xinyang Statistics Bureau. Xinyang Statistical Yearbook[M]. Beijing: China Statistics Press, 2012-2017. ]

[28]
南阳统计局. 南阳统计年鉴[M]. 北京: 中国统计出版社, 2012-2017.

[Nanyang Statistics Bureau. Nanyang Statistical Yearbook[M]. Beijing: China Statistics Press, 2012-2017. ]

[29]
驻马店统计局. 驻马店统计年鉴[M]. 北京: 中国统计出版社, 2012-2017.

[Zhumadian Statistics Bureau. Zhumadian Statistical Yearbook[M]. Beijing: China Statistics Press, 2012-2017. ]

[30]
Fung I, Rayner P, Friedlingstein P, et al. Full-form earth system models: Coupled carbon-climate interaction experiment (the 'flying leap')[J]. Global Change Newsletter, 2000(41):7-8.

[31]
The Inter-Sectoral Impact Model Intercomparison Project. Available online:https://isimip.org/

[32]
Warszawski L, Frieler K, Huber V, et al. The inter-sectoral impact model intercomparison project (ISI-MIP): Project framework[J]. PNAS, 2014, 111(9):3228-3232. DOI: 10.1073/pnas.1312330110

DOI PMID

[33]
Cannon A J, Piani C, Sippel S. Bias correction of climate model output for impact models[M]// Climate Extremes and Their Implications for Impact and Risk Assessment. Amsterdam: Elsevier, 2020:77-104. DOI: 10.1016/b978-0-12-814895-2.00005-7

DOI

[34]
Hay L E, Wilby R L, Leavesley G H. A comparison of delta change and downscaled gcm scenarios for three mountainous basins in the United States1[J]. JAWRA Journal of the American Water Resources Association, 2000, 36(2):387-397. DOI: 10.1111/j.1752-1688.2000.tb04276.x

DOI

[35]
Sun Q H, Miao C Y, Duan Q Y. Projected changes in temperature and precipitation in ten river basins over China in 21st century[J]. International Journal of Climatology, 2015, 35(6):1125-1141. DOI: 10.1002/joc.4043

DOI

[36]
Zhang X, Li P, Li Z B, et al. Effects of precipitation and different distributions of grass strips on runoff and sediment in the loess convex hillslope[J]. Catena, 2018, 162:130-140. DOI: 10.1016/j.catena.2017.12.002

DOI

[37]
Kaste Ø, Wright R F, Barkved L J, et al. Linked models to assess the impacts of climate change on nitrogen in a Norwegian River Basin and fjord system[J]. Science of the Total Environment, 2006, 365(1/2/3):200-222. DOI: 10.1016/j.scitotenv.2006.02.035

DOI

[38]
耿润哲, 张鹏飞, 庞树江, 等. 不同气候模式对密云水库流域非点源污染负荷的影响[J]. 农业工程学报, 2015, 31(22):240-249.

[ Geng R Z, Zhang P F, Pang S J, et al. Impact of different climate change scenarios on non-point source pollution losses in Miyun Reservoir watershed[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(22):240-249. ] DOI: 10.11975/j.issn.1002-6819.2015.22.033

DOI

[39]
Ouyang W, Huang H B, Hao F H, et al. Synergistic impacts of land-use change and soil property variation on non-point source nitrogen pollution in a freeze-thaw area[J]. Journal of Hydrology, 2013, 495:126-134. DOI: 10.1016/j.jhydrol.2013.04.037

DOI

[40]
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):874. DOI: 10.3390/w13060874

DOI

[41]
Zhang Y F, Tang C J, Ye A Z, et al. Impacts of climate and land-use change on blue and green water: A case study of the upper Ganjiang River Basin, China[J]. Water, 2020, 12(10):2661. DOI: 10.3390/w12102661

DOI

[42]
Wang Q R, Liu R M, Men C, et al. Effects of dynamic land use inputs on improvement of SWAT model performance and uncertainty analysis of outputs[J]. Journal of Hydrology, 2018, 563:874-886. DOI: 10.1016/j.jhydrol.2018.06.063

DOI

[43]
Moriasi D, Gitau M, Daggupati P. Hydrologic and water quality models: Performance measures and evaluation criteria[J]. Transactions of the Asabe, 2015, 58(6):1763-1785. DOI: 10.13031/trans.58.10715

DOI

Options
文章导航

/

〈 〉