下载文档原格式
基于GIS技术的农村非点源污染分析——以渠县境内巴河州河汇流断面上游区域为例李萌;黎小东;敖天其;郭会【摘要】为了有效地分析巴河州河汇合口(渠县境内)以上流域非点源污染问题,应用GIS技术进行水文分析(水系提取、流域划分)以及污染源的空间分异分析.基于评估区的水环境污染现状,选取城镇居民生活污水、农村居民生活污水、城镇地表径流、集中式畜禽养殖、化肥污染五大污染源,采用源强系数法和输出系数法进行COD、TN、TP 3种污染物的流失量计算,并分析其污染负荷,.结果表明:(1)评估区的91.93%的负荷来源于为农村居民生活污水、化肥污染、和城镇居民生活污水,最主要的污染源为农村居民生活污水.(2)评估区重点治理乡镇为三汇镇.研究成果较为清晰地分析出研究区非点源污染的分布情况,指出了需要重点治理的地域和污染源.【期刊名称】《人民长江》【年(卷),期】2017(048)020【总页数】7页(P21-27)【关键词】GIS技术;农村非点源污染;等标污染负荷;源强系数法;输出系数法;巴河;州河【作者】李萌;黎小东;敖天其;郭会【作者单位】四川大学水力学与山区河流开发保护国家重点实验室,四川成都610065;四川大学水利水电学院,四川成都610065;四川大学水力学与山区河流开发保护国家重点实验室,四川成都610065;四川大学水利水电学院,四川成都610065;四川大学水力学与山区河流开发保护国家重点实验室,四川成都610065;四川大学水利水电学院,四川成都610065;四川大学水力学与山区河流开发保护国家重点实验室,四川成都610065;四川大学水利水电学院,四川成都610065【正文语种】中文【中图分类】X171非点源污染由于其涉及范围广、控制难度大，目前已成为影响水体环境质量的重要污染源。
在我国,非点源污染已成为其水质恶化的主要原因[1]。
因此，通过有效的方法识别影响非点源污染的关键因子及其空间分布情况，对于非点源污染的防治、水源地的保护尤为重要[2]。
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。
1、点源污染点源污染物主要指城镇生活、工业和三产的废污水所带来的污染物，大多数城镇的生活和工业废污水进入相同的污水收集和处理系统。
根据城镇生活、工业和三产废污水排放的实际情况可以将污水排放过程简化为：城镇生活/工业排放的废污水，一部分进入污水处理厂处理，另一部分直接排入河道；进入污水处理厂处理后的废污水（简称回用水），一部分供工业、农业、城镇生态等使用，另一部分排入河道。
城镇生活、工业和三产的污染物排放量和入河量计算公式相同。
（1）污水排放量100E S α=⨯⨯ （3-85） 式中：E 为时段城镇生活/工业废污水排放量（万t ）；S 为时段城镇生活/工业用水量（百万t ）；a 为城镇生活/工业废污水排放率。
（2）污水处理量T E β=⨯ （3-86） 式中：T 为时段城镇生活/工业废污水处理量（称为回用水）（万t ）；β为城镇生活/工业废污水处理率。
（3）污水直排量(1)T S E β=⨯- （3-87） 式中：S T 为时段城镇生活/工业废污水直排量（万t ）。
（4）回用水未利用量(1)s E T η=⨯- （3-88） 式中：E s 为时段城镇生活/工业回用水未利用量（万t ）；η为城镇生活/工业回用水的回用率。
（5）回用水入河量1S S R E ϑ=⨯ （3-89） 式中：R S 为时段城镇生活/工业回用水入河量（万t ）；1ϑ为回用水入河系数。
（6）回用水某种污染物入河量2,110S i S i W E C ϑ-=⨯⨯⨯ （3-90）式中：W S,i 为时段城镇生活/工业回用水某种污染物入河量（t ）；C i 为时段城镇生活/工业回用水某种污染物浓度（A 、B 标准）（mg/L ）； i=1、2、3、4，分别表示COD 、NH 3-N 、TP 、TN 。
（7）直排污水入河量2T T R S ϑ=⨯ （3-91） 式中：R T 为时段城镇生活/工业直排污水入河量（万t ）；2ϑ为城镇生活/工业直排污水入河系数。
农业非点源污染控制区划方法及其应用研究一、本文概述随着工业化和城市化的快速发展，我国农业非点源污染问题日益严重，对生态环境和人体健康造成了严重威胁。
农业非点源污染控制区划是有效管理和控制农业非点源污染的重要手段，对于促进农业可持续发展、保护生态环境具有重要意义。
本文旨在探讨农业非点源污染控制区划的方法及其应用研究，以期为农业非点源污染的防治提供理论支持和实践指导。
本文将对农业非点源污染的概念、特点、来源及危害进行详细介绍，以便读者对农业非点源污染有全面的了解。
在此基础上，本文将重点阐述农业非点源污染控制区划的基本原理、区划方法和技术流程，包括污染源识别、污染负荷评估、区划方案制定等关键环节。
本文将分析农业非点源污染控制区划在实际应用中的案例，探讨区划方法在不同地域、不同农业类型中的应用效果，以期为其他地区提供借鉴和参考。
本文还将对农业非点源污染控制区划在实施过程中可能遇到的问题和挑战进行深入剖析，提出相应的对策和建议。
本文将总结农业非点源污染控制区划方法的应用前景和发展趋势，展望未来的研究方向和重点。
通过本文的研究，旨在为农业非点源污染的防治提供科学有效的区划方法和技术支持，推动农业可持续发展和生态环境保护。
二、农业非点源污染控制区划的理论基础农业非点源污染控制区划的理论基础主要建立在环境科学、生态学、土壤学、水文学以及地理学等多个学科交叉融合的基础之上。
其核心理念在于，通过对农业生态系统中污染物产生、迁移、转化和归宿过程的深入研究，结合区域自然地理条件、社会经济状况以及农业生产方式等因素，科学合理地划分农业非点源污染控制区，以实现污染的有效控制和农业生态环境的持续改善。
在理论层面上，农业非点源污染控制区划遵循生态学原理，强调生态系统的整体性和关联性。
通过识别农业生态系统中的关键污染源和污染途径，针对不同区域的特点，制定差异化的污染控制措施，实现源头控制、过程拦截和末端治理的有机结合。
在方法层面上，农业非点源污染控制区划采用定量分析和空间分析技术，对农业非点源污染进行精细化管理。
中国环境科学 2021,41(2)：713~719 China Environmental Science 基于U-D分解卡尔曼滤波地下水污染源溯源辨识贾顺卿1,2,卢文喜1,2*,李久辉1,2,白玉堃1,2(1.吉林大学地下水与资源环境教育部重点实验室,吉林长春 130012；2.吉林大学新能源与环境学院,吉林长春 130012)摘要：采用基于U-D分解的卡尔曼滤波与非线性规划优化模型相结合,溯源辨识出地下水污染源的个数､位置与释放强度.基于一个假想例子,建立地下水污染质数值模拟模型,运用灵敏度分析筛选出对模型影响较大的参数作为模型中的随机变量.然后,应用基于U-D分解的卡尔曼滤波辨识出污染源的个数与位置.在此基础上建立辨识污染源释放强度的优化模型,应用克里格插值法建立地下水污染质运移数值模拟模型的替代模型,代替模拟模型,作为约束条件嵌入优化模型中,运用遗传算法求解优化模型辨识出地下水污染源源强.结果表明:采用基于U-D分解的卡尔曼滤波方法能够保证滤波的稳定性,有效识别出污染源的个数和位置;非线性规划优化模型,可以辨识出污染源释放强度.在优化模型的求解过程中,应用克里格方法建立模拟模型的替代模型嵌入优化模型,能在保证一定精度的情况下,大幅度减少计算负荷和计算时间.关键词：地下水；污染源溯源辨识；U-D分解卡尔曼滤波；替代模型；遗传算法中图分类号：X523 文献标识码：A 文章编号：1000-6923(2021)02-0713-07Inversion identification of groundwater contamination source based on U-D factorization Kalman filter. JIA Shun-qing1,2, LU Wen-xi1,2*, LI Jiu-hui1,2, BAI Yu-kun1,2 (1.Key Laboratory of Groundwater Resources and Environment Ministry of Education, Jilin University, Changchun 130012, China；2.College of Environment and Resources, Jilin University, Changchun 130012, China). China Environmental Science, 2021,41(2)：713~719Abstract：This paper uses U-D factorization Kalman filtering and a nonlinear programming optimization model to identify the number, location, and release intensity of groundwater pollution sources. Based on a hypothetical example, a numerical simulation model of groundwater contamination was established, and the parameters having large influences on the model were selected as random variables in the model by using sensitivity analysis. Then, Kalman filtering based on U-D factorization was used to identify the number and location of pollution sources. On the basis of these processes, an optimization model for identifying the release intensity of contamination sources was established, and a Kriging interpolation method was used to establish an Surrogate model for the numerical simulation model of groundwater pollution transport, as an alternative of the simulation model, which was embedded in the optimization model as a constraint condition, and the genetic algorithm was applied to solve the optimization model. Finally, the source strength of groundwater pollution was identified. The results show that the Kalman filter method based on U-D factorization could ensure the stability of the filter and effectively identify the number and location of pollution sources; the nonlinear programming optimization model could identify the release intensity of pollution sources. In the process of solving the optimization model, a substitute model of the simulation model embedded the optimization model was built with the Kriging method, which could greatly reduce the calculation load and time under the condition of a certain accuracy.Key words：groundwater；contamination source identification；Kalman filter with UD factorization；Surrogate model;genetic algorithm地下水作为人类生存与社会发展必要的自然资源,近年来遭受的污染问题愈发严重.地下水污染难以监测,不易治理.地下水污染溯源识别是地下水污染修复与治理过程中的重要一环,能提供污染源空间分布、污染物释放历史等信息,为其治理提供参考依据.卡尔曼滤波是求解地下水污染反问题的一种有效方法[1].卡尔曼滤波作为一种最优状态估计方法,可以应用于受随机干扰的动态系统[2-3]. Herrera[4], Schmidt等[5]应用卡尔曼滤波对地下水水质监测网进行时空优化;Dokou[6]尝试使用卡尔曼滤波创建一个最优的搜索策略,使用最少的水质样本来识别DNAPL来源[6],Jiang等[7],江思珉等[8-9],顾文龙等[10]应用基于卡尔曼滤波技术和模糊集理论识别污染羽的方法.常规卡尔曼滤波可能出现矩阵协方差非对称或者负定的情况[11-12],崔尚进将卡尔曼滤波协方差矩阵进行U-D分解,提高了卡尔曼滤波的稳定收稿日期：2020-06-10基金项目：国家自然科学基金资助项目(41972252)* 责任作者, 教授,***************.cn714 中国环境科学 41卷性[13].Chen等[14], Xu等[15-16]使用集合卡尔曼滤波对二维确定性含水层中的污染源进行了溯源辨识[14-16];场地信息存在不确定性[17-18],白玉堃等[19]采用灵敏度分析筛选出灵敏度最高的参数作为随机变量进行污染源反演.结合前人研究,本文运用U-D分解卡尔曼滤波识别污染源的个数与位置,在此基础上建立优化模型,采用克里格插值法建立替代模型并嵌入优化模型,运用遗传算法求解优化模型得到污染源源强.1研究方法1.1技术路线图1 污染源反演技术路线Fig.1 Flow chart of contamination source identification首先应用U-D分解卡尔曼滤波反演污染源的个数与位置.在现场调查与动态监测的基础上,结合专家意见初步估计污染源潜在的个数､位置以及初始权重,构建地下水溶质运移模拟模型.考虑场地信息存在不确定性,对场地参数进行灵敏度分析,筛选出灵敏度最高的参数作为随机变量,其余参数作为确定型变量.给出随机变量一个取值范围,由拉丁超立方抽样生成参数随机场,采用蒙特卡罗法将参数随机场输入模拟模型生成溶质浓度场库,结合各潜在污染源初始权重计算得到初始综合浓度场与误差协方差矩阵.对误差协方差矩阵进行U-D分解,结合采样点数据运用U-D分解卡尔曼滤波对污染浓度场和潜在污染源权重进行更新,权重稳定后判断污染源的个数与位置.在识别出污染源个数与位置的基础上建立优化模型,进行污染源释放强度反演.以污染物监测浓度与模拟计算浓度拟合误差极小化为目标函数,污染源释放强度为待求变量,替代模型作为优化模型等式约束条件,同时考虑源强上下限等约束条件,建立非线性规划优化模型,运用遗传算法求解优化模型反演出污染源释放强度.为了减小求解优化模型时调用模拟模型产生的运算负荷,建立溶质运移模拟模型的克里格替代模型.1.2灵敏度分析与浓度场库建立灵敏度分析可反应模型输出对参数变化的敏感程度,本文采用Morris全局灵敏度分析方法评价参数变化对模型输出的影响,选出影响程度最大的参数进行研究.Morris设计采用“一次只改变一个参数”的抽样取值方法,轮流计算各参数的目标函数值,从而得到各个参数全局灵敏度及参数间相关性和非线性的定性描述[20-21]:11EE[(,...,,,,...,)()]/i i i i i i k iy x x x x x y x−+=+Δ−Δ (1)式中:EE i为第i个参数变化引起的变化效应, {}12,,,kX x x x=…为模型()y x的k个参数.采用文献[20]中的修正化方法进行评价,用影响值S i判断参数变化对模型输出值的影响1000()i ii iiy y y x xSx−−−=Δ=Δ(2)多次抽样取均值10011()11n niii iiy y yS Sn n−==−==Δ∑∑ (3) 把研究区用网格剖分,将筛选出的参数进行拉丁超立方抽样得到n组随机变量参数场,只考虑一个潜在污染源时,输入模拟模型得到对应的n组溶质浓度场,m个潜在污染源共m n×组.计算每个网格上参数场取不同值时浓度值的均值,就得到了该污染源的均值浓度场.在同一随机变量参数场下,m个污染源的溶质浓度场按照初始权重进行加权叠加得到叠加浓度场.将m个污染源的均值浓度场按初始权重进行加权叠加得到初始综合浓度场.1.3U-D分解卡尔曼滤波常规卡尔曼滤波存在数值稳定性较差,计算复2期 贾顺卿等：基于U -D 分解卡尔曼滤波地下水污染源溯源辨识 715杂等问题,针对这一点可引入U -D 分解改进.常规卡尔曼滤波更新方程[8-9]:1[][][]T T r C C Z C I −−−+−−+−=×+=+−=−K P H HP H K H P KH P (4)式中:K 为卡尔曼增益矩阵,P 为n 阶误差协方差矩阵,C 为n 维状态向量,表示浓度估计值;-、+号表示先验估计与后验估计;Z 为采样值,r 是采样误差的方差,H 是1×n 阶量测矩阵,采样点处矩阵元素为1,其余位置为0,[00,1,00]H =K K ;I 是n 阶单位向量.P 矩阵更新时矩阵相减易导致矩阵稳定性降低,甚至引发滤波发散,将P 矩阵分解为P =UDU T 的形式,方程表示如下:1[]g a C C K Z A B−−+−−+−+=××=+−=×=K U HC U U D (5)其中1TTTTa g rg f fHa g g ABA−−−−−=××+=×=×−××=H U D U D (6) 式中:U 为单位上三角矩阵;D 为正定对角矩阵. 1.4 权重更新每个潜在污染源均值浓度场对应的污染羽为单个污染羽,综合浓度场对应的污染羽为综合污染羽.确定污染源的个数与位置需要通过污染源权重判断,将综合污染羽与单个污染羽标准化,用模糊集表示(所有浓度值除以最大浓度值),每个模糊集合的元素隶属度都大于等于给定的αi ,本文取值为0.2、0.4、0.6、0.8.将以模糊集形式表示的综合污染羽与各单个污染羽进行比较,记录二者的公共面积S i ,计算出全局相似度并用各污染源全局相似度除以各污染源全局相似度中的最大者,即可算得各污染源的权重.全局相似度为[7-9]:1ni i i g S α==∑ (7) 式中:g 为全局相似度;αi 为模糊集标准值,1,2,i =…;S i 为综合污染羽与单个污染羽在同一αi下的交叉面积.图2 污染羽对比示意Fig.2 Comparison of pollution plumes1.5 优化模型建立以污染物监测浓度与模拟计算浓度拟合误差极小化为目标函数,污染源释放强度为待求变量,替代模型作为优化模型等式约束条件,同时考虑源强上下限等约束条件,建立非线性规划优化模型目标函数:21ˆmin ()(-)nk k k Z q c c==∑ (8) 约束条件:min max q q q ≤≤ (9)()k c f q = (10)式中, q 为污染源释放强度,n 为采样点个数,c k 为替代模型输出的模拟值,ˆk c 为实测值,f 为替代模型. 1.6 替代模型应用遗传算法求解优化模型的过程中会大量调用溶质运移模拟模型,使用克里格方法建立溶质运移模拟模型的替代模型能有效减少运算负荷.替代模型回归方程为1ˆ()()()()()nT i i yx f x Z x f x Z x ββ=+=+∑ (11) 式中:ˆ()yx 为()y x 的估计值,()y x 为要求解的污染物浓度值;()T f x β是线性回归部分,()Z x 是随机部分;12()[(),()()]n f x f x f x f x =K 为模型的基函数,12[,]n ββββ=K 为基函数系数,可应用训练数据求出,()Z x 满足以下条件:22(())0(())cov[(),()](,)i j i j E Z x D Z x Z x Z x R x x σσ⎧=⎪⎪=⎨⎪=⎪⎩ (12) (,)i j R x x 为任意两点,i j x x 之间的关联函数,本文采用高斯型关联函数表示:716 中 国 环 境 科 学 41卷1(,)exp(||)nij i j k k k R x x x x θ=−−∑ (13)式中:k θ为待定参数,ik x 为第i 个样本第k 维坐标.克里格模型中,点x 的响应值()y x 的估计值为1ˆ()()()T T y x f r x R y f ββ−=+− (14) 式中:()r x 为点x 与n 个采样点12(,,,)n x x x K 的相关向量, 12()[(,),(,),,(,)]n r x R x x R x x R x x =K ;y 为n 个采样点对应的响应值,为1n ×阶向量;β为待定参数,可以通过最优线性无偏估计求得:11()T T T f R f f R y β−−= (15)相关矩阵R 可表示为:1111(,)(,)(,)(,)n n n n R x x R x x R R x x R x x ⎛⎞⎜⎟=⎜⎟⎜⎟⎝⎠L M O M L (16) 方差2σ可表示为:21()()/T y f R y f n σββ−=−− (17)替代模型通过求解上面的非线性无约束优化问题来实现,待定参数k θ可通过一个无约束优化问题求得:2min{ln ln ||}n R σ+ (18)2 假想算例 2.1 问题概述图3 污染场地Fig.3 The plan of contaminated site假定研究区大小为1000m ×1000m,潜水含水层厚度为20m,介质为粗砂,含水层非均质各向同性.忽略非饱和带的影响.南北边界为已知水头边界,以含水层底板为基准面,北边界水位为16m,南边界水位为14m;东西边界为隔水边界.模型模拟时间长度为500d,分为5个时段,每个时段为100d.研究区接受降雨入渗补给,5个时段降水量分别为100,300, 100,50, 100mm.忽略研究区蒸发蒸腾作用的影响.结合场地信息与专家经验,估计潜在污染源个数为4个(图3),并给出潜在污染源的初始权重(权重表示潜在污染源为真实污染源的可能性大小,取值0~1之间),Ⅰ、Ⅱ、Ⅲ、Ⅳ号污染源分别为0.6、0.7、0.7、0.6.设定Ⅲ号为真实污染源,污染源泄漏流量为2000mg/d. 2.2 问题分析2.2.1 位置个数反演 将研究区剖分成20×20的网格,应用GMS 软件的MODFLOW 和MT3DMS 模块建立溶质运移模拟模型,考虑场地信息的不确定性,对模型中的参数进行Morris 全局灵敏度分析,筛选出渗透系数K ､纵向弥散系数L d 、给水度S y ､降雨入渗补给系数α灵敏度最高的参数作为随机变量.共有15种组合方式,具体方法参照文献[21].表1 参数组合方式Table 1 Co mbinatio n -patterns of parameters组号 1 2 3 4 5 参数 K L dS y α K,L d组号 6 7 8 9 10参数 K,S y K,α L d ,S yL d ,α S y ,α组号 11 12 13 14 15参数K,L d ,S y K,L d ,α K,S y ,α L d ,S y ,α K,L d ,S y ,α0.20.40.60.811.21.41234567 8 9 10 11 12 131415组号灵敏度图4 参数灵敏度分析Fig.4 Sensitivity analysis of parameters从图4可以看出,渗透系数灵敏度最高,本研究将渗透系数作为随机变量,其余参数作为确定性变量,应用拉丁超立方抽样生成110组渗透系数随机场并进行相关性排序,场地存在4个潜在污染源,输2期 贾顺卿等：基于U -D 分解卡尔曼滤波地下水污染源溯源辨识 717入模型得到4×110组溶质浓度场,计算得出初始综合浓度场和误差协方差矩阵,Ⅲ号污染源的均值浓度场作为真实浓度场.x (m)y (m )图5 真实污染羽 Fig.5 True po llutio n plume将采样点数据带入U -D 分解卡尔曼滤波更新方程对综合浓度场和污染源权重进行更新,图为浓度场和权重更新结果.图5为污染源真实污染羽,图6为初始综合污染羽.从图7可以看出,经过4次采样更新后,综合污染羽逐渐收敛于Ⅲ号污染源,与真实污染羽相似.4个污染源权重从0.6,0.7,0.7,0.6变为0,0.2,1,0.05,可以判断出Ⅲ号污染源为真实污染源,更新完成后污染羽中浓度最高处就是污染源位置.y (m )x (m)图6 初始综合污染羽Fig.6 Initial composite pollution plumex (m)y (m )x (m)y (m )a.1次更新b. 2次更新y (m )x (m)x (m)y (m )c. 3次更新d. 4次更新718中 国 环 境 科 学 41卷0.20.40.60.811234污染源编号污染源权重0.20.40.60.811234污染源编号污染源权重e. 初始权重f. 4次更新后权重图7 污染羽与权重更新Fig.7 Update composite pollution plume and source location weight2.2.2 源强反演 在运用U -D 分解卡尔曼滤波反演出污染源的个数和位置的基础上,建立优化模型并应用遗传算法求解.采用克里格插值法建立模拟模型的替代模型,应用拉丁超立方抽样获得80组源强,输入模拟模型得到4口采样井的输出,生成80组输入-输出样本,前60组作为训练样本,后20组作为检验样本,将平均相对误差(MRE)作为克里格替代模型近似精度的评价指标,结果见表2.表2 替代模型精度评价Table 2 Accuracy assessment of surrogate model采样点评价方法1 2 3 4 5平均相对误差 0.13% 0.08% 0.15% 0.17%0.24%确定性系数0.99 0.99 0.99 0.99 0.99由表2可知,误差精度不超过1%,替代模型符合精度要求.以污染物监测浓度与模拟计算浓度拟合误差极小化为目标函数,污染源释放强度为待求变量,替代模型作为优化模型等式约束条件,同时考虑源强上下限等约束条件,建立非线性规划优化模型.采用MATLAB 软件中的遗传算法工具箱求解优化模型,经过46次迭代求得源强1972mg/d,与真实值2000mg/d 接近,相对误差1.4%,源强反演精度较高. 3 结论3.1 将协方差矩阵进行U -D 分解,能够避免在迭代计算过程中卡尔曼滤波因为协方差矩阵可能出现不对称或者负定,导致迭代过程发散的情况,保证了卡尔曼滤波的数值稳定性,使迭代过程更容易收敛.算例表明基于U -D 分解的卡尔曼滤波,能够准确地辨识含水层中污染源的个数与位置.3.2 采用局部灵敏度分析方法筛选出渗透系数K 对模型输出影响最大,作为反映场地信息不确定性的随机变量输入模型建立浓度场库.3.3 针对污染源释放强度辨识问题,建立非线性规划优化模型.应用遗传算法求解非线性规划优化模型,能快速计算出污染源释放强度.应用克里格方法建立地下水污染质数值模拟模型的替代模型,将克里格替代模型代替模拟模型嵌入优化模型,能够在保证精度的同时减少大量的运算负荷和运算时间.参考文献：[1] 王景瑞,胡立堂.地下水污染源识别的数学方法研究进展 [J]. 水科学进展, 2017,28(6):943-952.Wang J R,Hu L T. Advances in mathematical methods of groundwater pollution source identification [J]. Advances in Water Science, 2017, 28(6):943-952.[2] Mohinder S G . Kalman filtering theory and practice using matlab [M].New Jersey: Wiley, 2015.[3] Chui C K. Kalman filtering: With real -time applications [M]. 2010. [4] Herrera G S, Pinder G F. Space -time optimization of groundwaterquality sampling networks [J]. Water Resources Research, 2005, 41(12):/10.1029/2004WR003626.[5] Schmidt F, Wainwright H M, Faybishenko B, et al. In situ monitoringof groundwater contamination using the Kalman filter [J]. Environmental Science & Technology, 2018,52(13):7418-7425.2期贾顺卿等：基于U-D分解卡尔曼滤波地下水污染源溯源辨识 719[6] Dokou Z, Pinder G F. Optimal search strategy for the definition of aDNAPL source [J]. Journal of Hydrology, 2009,376(3/4):542-556. [7] Jiang S, Fan J, Xia X, et al. An effective Kalman Filter-Based Methodfor groundwater pollution source identification and plume morphology characterization [J]. Water, 2018,10(8):1063.doi:10.3390/w10081063.[8] 江思珉,张亚力,周念清,等.基于污染羽形态对比的地下水污染源识别研究 [J]. 水利学报, 2014,45(6):735-41.Jiang S M, Zhang Y L, Zhou N Q, et al.Groundwater contaminant source identification based on the morphological comparison of pollution plume [J]. Journal of Hydraulic Engineering, 2014,45(6): 735-741.[9] 江思珉,张亚力,周念清,等.基于卡尔曼滤波和模糊集的地下水污染羽识别 [J]. 同济大学学报(自然科学版), 2014,42(3):435-40.Jiang S M, Zhang Y L, Zhou N Q, et al.Groundwater contaminant plume identification by using Kalman filter technique and Fuzzy set theory [J]. Journal of Tongji University(Natural Science), 2014,42(3): 435-440.[10] Gu W, Lu W, Zhao Y, et al. Identification of groundwater pollutionsources based on a modified plume comparison method [J]. Water Science and Technology-Water Supply, 2017,17(1):188-197.[11] 张友民,张洪才,戴冠中.一种U-D分解自适应推广卡尔曼滤波及应用 [J]. 西北工业大学学报, 1993,(3):345-350.Zhang Y M, Zhang H C, Dai G Z.A U-D factorization-based adaptive extended Kalman filter and its application to flight state estimation [J].Journal of Northwestern Polytechnical University, 1993,(3):345-350.[12] 张友民,戴冠中,张洪才.基于U－D分解推广卡尔曼滤波的神经网络学习算法 [J]. 控制理论与应用, 1996,(2):235-241.Zhang Y M, Zhang H C, Dai G Z. A New fast learning algorithm for feedforward neural networks using U-D factorization-based extended Kalman filter [J]. Control Theory & Applications, 1996,(2):235-241. [13] 崔尚进,卢文喜,顾文龙,等.基于U-D分解的卡尔曼滤波法在地下水污染源识别中的应用 [J]. 中国环境科学, 2016,36(9):2633-2637.Cui S J, Lu W X, Gu W L,et al.Application of U-D factorization- based Kalman filter to identify the groundwater pollution source [J].China Environmental Science, 2016,36(9):2633-2637.[14] Chen Z, Jaime Gomez-Hernandez J, XU T, et al. Joint identification ofcontaminant source and aquifer geometry in a sandbox experiment with the restart ensemble Kalman filter [J]. Journal of Hydrology,2018,564(10):74-84.[15] Xu T, Gomez-Hernandez J J. Joint identification of contaminantsource location, initial release time, and initial solute concentration inan aquifer via ensemble Kalman filtering [J]. Water ResourcesResearch, 2016,52(8):6587-6595.[16] Xu T, Jaime Gomez-Hernandez J. Simultaneous identification of acontaminant source and hydraulic conductivity via the restartnormal-score ensemble Kalman filter [J]. Advances in WaterResources, 2018,112(10):6-23.[17] 李久辉,卢文喜,常振波,等.基于不确定性分析的地下水污染超标风险预警 [J]. 中国环境科学, 2017,37(6):2270-7.Li J H, Lu W X, Chang Z B,Risk prediction of groundwater pollutionbased on uncertainty analysis [J]. China Environmental Science, 2017,37(6):2270-2277.[18] 施小清,吴吉春,吴剑锋,等.多个相关随机参数的空间变异性对溶质运移的影响 [J]. 水科学进展, 2012,23(4):509-515.Shi X Q, Wu J C, Wu J F, et al. Effects of the heterogeneity of multiple correlated random parameters on solute transport [J].Advances in Water Science, 2012,23(4):509-515.[19] 白玉堃,卢文喜,李久辉.卡尔曼滤波方法在地下水污染源反演中的应用 [J]. 中国环境科学, 2019,39(8):3450-3456.Bai Y K, Lu W X, Li J H,et al.Application of Kalman filter toidentify the groundwater contaminant sources [J].ChinaEnvironmental Science, 2019,39(8):3450-3456.[20] 鲁程鹏,束龙仓,刘丽红,等.基于灵敏度分析的地下水数值模拟精度适应性评价 [J]. 河海大学学报(自然科学版), 2010,38(1):26-30.Lu C P, Shu L C, Liu L H,et al.Adaptability evaluation of numericalsimulation accuracy of groundwater based on sensitivity analysis [J].Journal of Hohai University(Natural Sciences), 2010,38(1):26-30.[21] 束龙仓,王茂枚,刘瑞国,等.地下水数值模拟中的参数灵敏度分析[J]. 河海大学学报(自然科学版), 2007,(5):491-495Shu L C, Wang M M, Liu R G,et al.Sensitivity analysis of parametersin numerical simulation of groundwater [J].Journal of HohaiUniversity (Natural Sciences), 2007,(5):491-495.作者简介：贾顺卿(1997-),男,河南平顶山人,吉林大学硕士研究生,主要从事地下水污染源反演识别问题方面研究.。
农业面源定量化评价方法及其研究进展摘要：农业面源污染研究是当前国内外环境科学与工程领域的研究热点，但研究大多侧重于农业面源污染的成因、机理、模型和控制对策等，而农业面源定量化评价方法研究较少。
本文综合介绍了农业面源定量化评价的常用方法及其研究现状，重点介绍AGNPS模型，AnnAGNPS模型和基于Web GIS的农面源污染信息系统(ANPSPIS)。
关键词：Web GIS 农业面源污染信息系统 ANPSPIS 小流域模型预测农业面源污染是在农业生产过程中不合理施用化肥、农药以及灌溉水、工农业废弃物、生活垃圾等对农田生态环境所造成的大面积污染。
随着农业生产水平的提高，化肥、农药等大量施用，虽对农业发展起到促进作用，但也导致土壤理化性状失衡、地下水质恶化、农田大气质量下降等一系列环境问题。
近年来，农业面源污染问题日益突出，不仅造成资源浪费，而且破坏农业生态环境，影响人们身心健康。
防治农业面源污染已成为农业可持续发展亟需解决的问题。
随着点源污染控制的逐渐加强，面源污染对环境的影响日渐突出。
目前，许多发达国家已证实农业面源污染是导致水污染的主要原因之一。
农业面源污染影响了全世界陆地面积的 3 0 %～50 %，并且在全世界不同程度退化的12亿ｈｍ2耕地中，约12 %的耕地由农业面源污染引起。
我国也存在着严重的面源污染问题，面源污染加剧了各类水体的污染，加速了湖泊的富营养化。
因此，开展面源污染负荷定量化研究不仅对我国水环境污染的全面治理与系统研究具有重要意义，而且具有明显的环境效益和社会效益。
进行面源污染的量化研究用以评价污染治理措施，最为有效和直接的研究方法是建立模拟模型，进行时间和空间序列上的模拟。
常见的流域农业面源污染模型主要有ANSWERS、CREAMS、WEPP、AGNPS等模型，但不同模型的模拟范围和机理不同，其中AGNPS模型在美国、欧洲、澳洲、我国台湾省等地均取得了较好的模拟结果，但应用中仍有一些局限性。
潮河流域非点源污染控制关键因子识别及分区耿润哲;王晓燕;庞树江;殷培红【摘要】Non-point source pollution (NPS) had deteriorated water quality in Miyun Reservoir watershed. GIS technology, ArcSWAT model, and statistics analysis were coupled to identify the zonation of NPS control in Chaohe river watershed, one main tributary in northeast of Miyun Reservoir watershed, with relative strong intensive agricultural activities. The results showed that annual average loads of TN and TP were 563.3t/a and 28.7t/a, respectively. The spatial distribution of NPS pollution load was greatly diverse with different precipitation and terrain in Chao river watershed. In high flow year, the agricultural land at higher elevation had the highest NPS pollution loads, whereas in the normal and low flow year, the agricultural land and livestock area also contribute the major pollution load; the fertilizer application amount was identified as the most important factor of TN and TP loss. Meanwhile, the slope length, soil type, land use, and slope degree were also more important factors; The content of organic P in soil may contribute to TP loss due to long term cultivation and overuse of fertilizer in Chaohe river watershed; Three zones for NPS control in Chaohe river watershed were divided as pollution control zone where the agricultural activities was intensive, pollution treatment zone where was livestock breeding area and villages, ecological restoration zone where was high soil erosion at higher elevation.%将GIS技术、ArcSWAT模型与分析技术相结合,以农耕养殖程度较高的北京密云水库上游潮河流域为研究区,通过对流域近20年非点源污染负荷时空变异情况进行模拟,识别影响非点源污染流失的关键因子,进行非点源污染控制区划.结果表明,总氮和总磷年均负荷量分别为563.3,28.7t/a,氮磷负荷空间分布特征表现为:丰水年以地势较高且农业耕作活动频繁区域为主,平水年和枯水年表现为靠近河道的农业用地与畜禽养殖区为主.采用多因素方差分析11种不同因素对流域非点源污染负荷的影响程度表明,施肥量是影响氮磷输出的最主要的因子,坡长、土壤类型、土地利用方式及坡度是影响氮磷输出的次重要因子;针对潮河流域长期传统耕作以及化肥过量施用的现状,土壤有机磷的含量也会对总磷的输出产生一定的影响.潮河流域可划分为3个污染控制区,第1类:污染控制区(以近河道耕种区为主,面积186.74km2),第2类:污染治理区(农村生活及畜禽养殖区为主,面积23.09km2),第3类:生态修复区(高坡度强降雨区为主,面积1365.25km2).该研究结果可有效提升流域非点源污染治理的效率,为水源地流域环境保护提供参考.【期刊名称】《中国环境科学》【年(卷),期】2016(036)004【总页数】10页(P1258-1267)【关键词】非点源污染;SWAT模型;污染分区;密云水库【作者】耿润哲;王晓燕;庞树江;殷培红【作者单位】首都师范大学资源环境与旅游学院,北京 100048;环境保护部环境与经济政策研究中心,北京 100029;首都师范大学资源环境与旅游学院,北京 100048;首都师范大学首都圈水环境研究中心,北京 100048;首都师范大学资源环境与旅游学院,北京 100048;环境保护部环境与经济政策研究中心,北京 100029【正文语种】中文【中图分类】X52* 责任作者, 教授,**************.cn非点源污染是目前影响流域水质的重要因素,由于非点源污染发生具有随机性,来源和传输过程具有间歇性和不确定性,对其进行监测和治理相对比较困难[1].以关键源区识别为基础,对流域进行分区是实现非点源污染控制的可靠途径.影响非点源污染的因素十分复杂,包括流域内的地形地貌、水文、气候、土地利用方式、土壤类型和结构、植被、管理措施等.尤其是下垫面,对降雨入渗产流、营养元素输出等有着重要作用,是影响非点源污染流失的主要因素[2].同时与人类活动相关的许多因子,如植被覆盖、农药化肥的使用、农田灌溉等也会对非点源污染的流失产生一定的影响[3-4].控制农业非点源污染物流失的关键是要针对影响农业非点源污染形成、迁移转化的关键因子,采取科学的管理措施,构建以减少污染源排放为核心,传输路径控制和末端治理为主要技术手段的非点源污染综合防控体系,防止其扩散进入水体而影响水环境安全[5].农业非点源污染控制区划是根据影响农业非点源污染的主导因子和区域农业非点源污染特征的差异性以及相似性对研究区域进行的分区[6].流域具有统一的出水口,水文特性相近,但同时也是复杂的综合体.尤其在高山丘陵地区,地形破碎度高,流域内不同地形、地貌的土壤性状、植被覆盖、土地利用等差异较大.区划的基本方法就是通常所说的划分法和合并法.根据所用区划技术的不同其又可分为地理相关法、空间叠置法、主导标志法和定量分析法[7].目前来看,这些国际通用的区划方法在流域水环境功能区划、流域生态环境控制区划等相关方面应用较为广泛,并取得较好的效果[8-12].在非点源污染控制案例中的相关研究,则多是采用经验模型(如输出系数模型、磷指数等)或机理模型(如SWAT、HSPF、AnnAGNPS等)流域非点源污染负荷或单位面积污染物潜在流失量的高低来对流域进行分区[13-16].未考虑影响非点源污染流失的关键因素的作用,导致所配置的实施方案的可行性较低,很难取得较好的污染控制效果[17].本研究在充分考虑非点源污染流失特征的基础上,通过识别影响流域非点源污染流失全过程的关键因子,并以此为基础进行非点源污染控制区划,能够较好的实现流域非点源污染整体管控的技术目标.密云水库是北京市重要的地表饮用水水源地,水库水体的富营养化程度属中营养型,向富营养化发展的趋势比较明显.其上游的潮河流域是密云水库的主要水源地,由于流域内没有较大的工业点源的存在,因此农业非点源污染为主要污染来源[15].在该流域开展农业非点源污染控制区划研究,掌握农业非点源污染物发生流失的主要影响因子和污染特征,为合理制定适合该流域的最佳管理措施提供依据,对防治密云水库富营养化,保证其正常的供水功能,具有重要意义.采用ArcSWAT (v2012)模型对潮河流域非点源污染时空分布特征进行模拟分析,在此基础上通过多因素方差分析(,ANOVA)对影响非点源污染物流失的各项因子进行评判,筛选出影响流域非点源污染物流失的关键因子,采用两步聚类和系统聚类相结合的方法对潮河流域进行污染分区,为下一步最佳管理措施(BMPs)的分区配置提供基础.1.1 研究区概况研究区域位于北京市东北部(115°25′～117°33′E,40°19′～41°31′N)(图1),包括5个县,共60个乡镇,其中北京市密云县境内北部和东部共8个乡镇,流域面积约为4888km2,流域居民以农业人口为主,产业结构以畜牧业为主,工业不发达,是一个典型的农业耕作区,作物以玉米和小麦为主,化肥施用和农田管理方式粗放.流域下游密云水库作为首都北京唯一的地表饮用水源地,具有重要的生态和社会经济价值. 1.2 数据来源以RS、GIS技术为支持,建立流域非点源污染空间及属性数据库.空间数据库主要包括数字高程模型图(DEM)、土地利用类型图、土壤类型图等;属性数据主要包括土地利用及植被参数、土壤物理及化学属性、水文水质数据和相关的社会经济数据等(表1).1.3 非点源污染特征识别分析ArcSWAT 模型是一个连续的半分布式流域水文模型,可用于包含各种土壤类型、土地利用和农业管理制度的大中尺度流域水文循环、泥沙传输、农作物生产、化肥施用、农业活动管理等的模拟[18-19].非点源污染产生的过程中氮、磷等营养物是随着降雨进入径流传输过程流失的,因此径流的模拟的准确性是模型能否正确反应流域真实情况的关键.本文选用潮河流域的下会站1979～ 2010年的逐月平均流量数据对ArcSWAT模型校准和验证,其中1982～1995年作为模型的校准期,1996～2010年作为验证期.泥沙负荷以下会站1980～2010年的年实测泥沙数据为基础进行校验.总氮和总磷负荷以下会站1991～2010年的月实测浓度数据进行校验.运用SWAT-CUP中的SUFI2方法对影响污染物输出的主要参数进行优化调整及敏感性分析,在此基础上通过敏感性参数的调整对模型进行校准.采用纳什效率系数(NE)、相对误差(RE)对模型模拟效果进行评价,根据Moriasi的模型效率评价指标,确定径流模拟的精度相对误差在25%以内,泥沙和营养物的相对误差控制在50%以内,并且Ens≥0.5,表明模型模拟结果是可接受的[20].1.4 统计分析方法及应用方差分析(ANOVA),即“变异数分析”或“F检验”,用于两个及两个以上样本均数差别的显著性检验.由于各种因素的影响,在不同的条件下,一般实验数据呈波动状.造成波动状的原因可分为两大类,一类为不可控因素,是由随机因素引起,称为组内差异;另一类则是可控因素,由实验设计条件(因素)不同引起的,通常称为组内差异[21].若因素对实验结果有显著影响,则实验结果也会产生明显差异.本研究中的多因素方差分析涉及到的因素除上述的土地利用类型、土壤类型、坡度等主要下垫面影响因素之外,也加入了降雨量、坡长、距河道距离、施肥量及土壤氮磷含量本底值等共11个因素.聚类分析(CA)基本原理是根据样本的属性和特征的相似性或亲疏程度,用数学方法按照某些相似性或差异性指标,把它们逐步地划类,最后得到一个能反映个体或站点之间、群体之间亲疏关系的客观的分类系统[22].本文以潮河流域非点源污染流失关键因素识别结果为基础,通过对不同地块所具有的特征因素值进行分类,采用两步快速聚类和系统聚类法相结合的方法进行聚类分析,自下而上对具有农业非点源氮磷污染来源、污染特征相似的地块进行合并,划分潮河流域非点源氮磷污染控制区,以达到科学、客观地反映该流域农业非点源污染的现状,多因素方差分析和聚类分析均在SPSS v20软件中完成.2.1 模型校准与验证从参数率定与模型校准结果来看(图2),实测值与模拟值的流量能较好的吻合,对径流量、泥沙、总氮及总磷输出模拟结果纳什系数(NE)分别达到了0.82、0.83、0.81和0.78,相对误差(RE)分别为10%、17%、10%和32%.由于缺乏高精度泥沙数据,对流域内的泥沙参数仅基于年尺度监测数据进行校准,而磷的迁移转化过程和泥沙关系较大,泥沙模拟误差的累积导致磷的模拟值和实测值相差较总氮大.但从模拟的整体误差结果来看,精度均满足非点源污染措施模拟的要求.2.2 非点源污染时空分布特征参考张鹏飞[24]对密云水库上游流域水文年的划分结果,选用1996年、1997年和2002年分别作为水文情景模拟的丰水年、平水年和枯水年,对流域不同水文情景下潮河流域非点源污染特征进行模拟分析.总氮负荷和总磷负荷的丰枯年份差异明显,在丰水年各种污染物负荷都比较大,枯水年则相对较小,其中丰水年径流量是枯水年的3.1倍,总氮、总磷负荷则分别是枯水年的3.6倍、5.09倍.可以认为,丰水年是流域氮磷污染物流失的关键年份,并且径流量是负荷变化的关键影响因素.径流产生量越高,氮、磷负荷也越大,而且磷的变化比氮明显(表2).结果表明非点源污染过程与径流的产生过程紧密相联.总磷负荷量在平水年比例略小于丰水年,这是由于在丰水年全年的降雨分布比较均匀,到达汛期之前已经有较多的降雨,这也导致下垫面在汛期之前已经达到饱和,汛期降雨产流迅速且对地表冲刷较为强烈,导致泥沙的流失量增加,进而使得总磷的负荷量增加[23];而平水年降雨集中在汛期,非汛期总降雨量不足全年20%,汛期初期降雨不能全部形成有效径流,因此虽然汛期降雨比例较高,但径流和污染负荷比例却相对偏低;枯水年降雨量全年较小,且降雨量和雨强都较小,因此径流产生量和负荷量均偏低[24].非点源污染负荷受流域内降雨量大小和分布不同、土地利用方式差异以及地形坡度不同的综合作用影响,具有很强的空间差异性.通过模拟计算求得密云水库流域各个子流域总氮(TN)、总磷(TP)污染负荷(图3).从图3可以看出,丰水年污染负荷严重地区主要集中在流域上游西部地区,这些地区降雨量较大,实地调查发现,在该区域地势较高,平均坡度较大,农业种植耕作活动频繁,在发生强降雨时产流迅速,较易造成营养物质的流失;但是在平水年和枯水年,污染物流失的高风险区则位于流域的中下游区域,且大部分高风险区距河道距离较近.这是由于该流域内农业活动一直以来都主要集中在地势平缓的水体附近,并且处于污染高风险区的乡镇经济发展速度较快,畜牧业为主要经济来源.以河北大阁镇为例,奶牛的养殖已经成为其经济收入的主要来源,畜禽养殖业总产值均达到了农业总产值的50%以上和国民生产总值的30%以上.2006年以来共建有10个集中奶牛养殖区,全镇奶牛的存栏量就达到了2万头,由此导致其污染负荷较高.另外,由于受到特殊的地理条件和自然特征的限制,农业生产和畜禽养殖所产生的非点源污染就成为了流域内的主要污染源[25];该区人口密度较高,农药化肥施用量均达到了其他区县的两倍以上[26].2.3 非点源污染关键影响因子识别多因素方差分析涉及到的因素主要包括各个HRUs (Hydrological Response Units) 中所包含的土地利用类型、土壤类型、坡度、降雨量、坡长、距河道距离、面积、施肥量、土壤有机氮、土壤硝态氮及土壤有机磷含量本底值等共11个因素.对各因变量与各个因素进行不同水平下多因素方差分析,其主要结果如表3所示:当P<0.05时认为因素对因变量影响显著.针对各变量的不同因素的值大小来对各因素对非点源污染的影响程度进行排序(表3).影响泥沙流失的因子按显著程度较高的因子为降雨量、距河道距离、坡长、土地利用类型、土壤类型等,施肥量、土壤有机氮及土壤硝态氮的含量对土壤流失的影响不显著;对硝态氮而言,影响因子按显著程度较高主要有施肥量、土地利用类型、土壤类型、土壤有机氮及土壤硝态氮含量等,土壤有机磷含量对硝态氮的流失并无显著影响;对有机氮而言,影响因子按显著程度大小排序为土壤有机氮、施肥量、土地利用类型、土壤硝态氮及土壤类型等,土壤有机磷含量对有机氮的流失并无显著影响;对有机磷而言,影响因子按显著程度大小排序为面积、距河道距离、土壤类型、土壤有机磷等,土壤有机氮和土壤硝态氮含量对其影响不显著;对颗粒态磷而言,影响因子按显著程度大小排序为坡长、降雨量、有机磷含量、土壤类型等,而土壤有机氮和硝态氮含量同样对颗粒态磷的输出无显著影响;对溶解态磷而言,影响因子按显著程度大小排序为施肥量、土壤类型、土壤有机磷含量、面积以及坡长,同样地,土壤本底值的含氮量对溶解态磷的流失无影响;对总氮而言,影响因子按显著程度大小排序为施肥量、坡长、土地利用类型、坡度、以及距河道的距离,土壤含磷量同样对总氮无显著影响.对于总磷而言,影响因子按显著程度大小排序为施肥量、土壤类型、土壤有机磷、坡度以及降雨量,土壤含氮量对于总磷的输出无显著性差异.就营养物而言,除有机磷外,对其余所有形态氮磷影响最为显著的因子为皆为施肥量,可见人为施肥对潮河流域非点源污染的产生量有着最为显著的影响.对于有机态污染物,土壤本底值的氮磷含量对其影响较为显著,对于颗粒态磷和泥沙而言,更多的与土壤类型、坡长、降雨量等有关,但两者中各因子的排序位置略有不同,导致其最终影响因素排序出现差异,对于总氮和总磷而言,除施肥量占据排序的第一位外,其余主要的影响因子为坡长、土壤类型、土地利用、坡度、土壤有机磷.通过对不同影响因子进行多因素方差分析可知,对于总氮和总磷而言,人为因素中的施肥量是影响最氮磷输出的最主要的因子,而下垫面因子中的坡长,土壤类型、土地利用方式、坡度则可作为影响氮磷输出的次重要因子[27],针对潮河流域长期传统耕作以及化肥过量施用的现实特征来看,土壤有机磷的含量同样会对总磷的输出产生一定的影响.2.4 非点源污染控制分区根据生态系统的一般特性,以及潮河流域农业非点源污染的特点,参考张淑荣[5]对于桥水库非点源污染区划的方法,以潮河流域非点源污染不同影响因素的所因素方差分析结果选取与农业非点源磷污染相关的7个主要影响因子作为区划因子,包括施肥量、坡长、坡度、土地利用类型、土壤类型、降雨量、距河道的平均距离,其中施肥量可归结为人为影响因素土地利用类型、土壤类型、坡度、坡长及距河道距离可归结为下垫面影响因素,降雨量可归结为气候影响因素.以类型划分法为主,以潮河流域非点源污染营养物质流失高风险地块样本单元,自下而上对具有农业非点源氮磷污染来源、污染特征相似的地块进行合并,进行潮河流域非点源氮磷污染控制区划分.潮河流域非点源污染高风险区区划聚类分析结果表明(表4),第1类和第2类风险区中土地利用类型、距河道距离以及施肥量都对风险区的划分起决定性作用,但是第1类风险区中主要的土地利用类型为耕地且距河道距离较近为18m,平均施肥量达到了216.61kg/hm2,因此根据风险区划分中的区域差异性和主导因子原则,将第1类风险区划分为受人为干扰较强的近河道耕种区;而第2类风险区中虽然也是土地利用、距河道距离为主控因子,但是施肥量的影响已经下降到了2.9%,且主要的土地利用类型因子为居民区及牧草地,距河道平均距离也相对较远为27m,在第2类风险区中施肥量平均为54.36kg/hm2,这基本上属于牧草地的畜禽粪便还田的数量,因此,根据区划原/则,将第2类风险区划分为农村生活及畜禽养殖污染控制风险区;第3类风险区中土地利用(41.7%)、距河道距离(41.7%)、施肥量(100%)、平均坡长(55.2%)以及降雨量(30.2%),且其中土地利用类型主要为林地,距河道距离较远,基本达到了35m以上,坡长较短,平均坡度较大,达到了12%以上,降雨量相较于其余两个分区更高,因此,根据区划原则,将第3类分区划分为以生态保护为主的,高坡度强降雨水土保持控制区.具体的分区各控制类型区的区域特征、农业非点源污染特征及推荐的控制措施见可以看出,区划研究结果和区域生态环境特征基本相符,表明该方法在区划研究中的可行性和科学性(图5,表5).3.1 潮河流域非点源污染空间差异较大,上游及中游偏下区域负荷较为严重,主要原因在于在该区域内耕地比重较大,易发生土壤侵蚀和营养物流失.下游密云县境内区域林草地、耕地比重相对均衡,因此污染程度居中.从水文年对比来看,丰水年是流域氮磷污染物流失的关键年份,其非点源负荷主要集中在汛期,降雨的时空异质性是非点源污染产生的重要影响因素.3.2 多因素方差分析不同因素对流域非点源污染负荷的影响程度,结果表明人为因素中的施肥量是影响最氮磷输出的最主要的因子,而下垫面因子中的坡长,土壤类型、土地利用方式、坡度则可作为影响氮磷输出的次重要因子,针对潮河流域长期传统耕作以及化肥过量施用的现实特征来看,土壤有机磷的含量同样会对总磷的输出产生一定的影响.3.3 潮河流域非点源污染的高风险区共划分为3个区域,第1类:人为干扰较强的近河道耕种区(污染控制区),第2类:农村生活及畜禽养殖污染控制风险(污染治理区),第3类:高坡度强降雨水土保持控制区(生态修复区),以此为基础从3个分区中分别选取代表性地块进行实地监测研究,以提高相应BMP的可执行程度.【相关文献】[1] 贺缠生,傅伯杰,陈利顶.非点源污染的管理及控制 [J]. 环境科学, 1998,(5):88-92+97.[2] Maguire R O, Rubaek G H, Haggard B E, et al. Critical evaluation of the implementation of mitigation options for phosphorus from field to catchment scales [J]. J. Environ. Qual., 2009,38(5):1989-97.[3] Besalatpour A M A, Hajabbasi S, Ayoubi A Jalalian. Identification and prioritization of critical sub-basins in a highly mountainous watershed using SWAT model [J]. Eurasian Journal of Soil Science, 2012,1:58-63.[4] 马岚,滕彦国,林学钰,等.晋江流域污染负荷空间分布及关键源区识别 [J]. 中国环境科学, 2015,35(12):3679-3688.[5] 张淑荣,陈利顶,傅伯杰.于桥水库流域农业非点源磷污染控制区划研究 [J]. 地理科学,2004,24(2):232-237.[6] Liu G, Wu W, Zhang J. Regional differentiation of non-point source pollution of agriculture-derived nitrate nitrogen in groundwater in northern China [J]. Agriculture, Ecosystems & Environment, 2005,107(2):211-220.[7] 段华平.农业非点源污染控制区划方法及其应用研究 [D]. 南京:南京农业大学, 2010.[8] Cox C C Madramootoo. Application of geographic information systems in watershed management planning in St. Lucia [J]. Computers and Electronics in Agriculture,1998,20(3):229-250.[9] Zhou F, Liu Y, Huang K, et al. Water environmental function zoning at watershed scale and its key problems [J]. Advances in Water Science, 2007,18(2):216.[10] Zhang B, Luo H, Wang Z. Watershed environmental management framework based on economic theory [J]. Chinese Journal of Population Resources and Environment, 2014,12(4): 361-365.[11] Jang C -S. Using probability-based spatial estimation of the river pollution index to assess urban water recreational quality in the Tamsui River watershed [J]. Environmental Monitoring and Assessment, 2016.188(1):1-17.[12] Sutherland G D, Waterhouse F L, Smith J, et al. Developing a systematic simulation-based approach for selecting indicators in strategic cumulative effects assessments with multiple environmental valued components [J]. Ecological Indicators, 2016.61:512-525. [13] Cecchi G, Munafò M, Baiocco F, et al. Estimating river pollution from diffuse sources in the Viterbo province using the potential non-point pollution index [J]. Annalidell'Istituto Superiore di Sanita, 2006,43(3):295-301.[14] 武晓峰,李婷.流域内污染负荷分布的评价模型研究——以密云县蛇鱼川小流域为例 [J]. 中国环境科学, 2011,31(4):680-687.[15] 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, 2013,34(5):1484-1492.[16] 张汪寿,耿润哲,王晓燕,等.基于多准则分析的非点源污染评价和分区——以北京怀柔区北宅小流域为例 [J]. 环境科学学报, 2013,34(1):258-266.[17] 王晓,郝芳华,张璇.丹江口水库流域非点源污染的最佳管理措施优选 [J]. 中国环境科学, 2013,33(7):1335-1343.[18] 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.[19] Arabi M, Frankenberger J R, Engel B A, et al. Representation of agricultural conservation practices with SWAT [J]. Hydrological Processes, 2008,22(16):3042-3055. [20] Moriasi D, Arnold J, Van Liew M, et al. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations [J]. Trans. ASABE, 2007,50(3):885-900.[21] 高忠江,施树良,李钰.SPSS方差分析在生物统计的应用 [J].现代生物医学进展,2008,(11):2116-2120.[22] 汤效琴,戴汝源.数据挖掘中聚类分析的技术方法 [J]. 微计算机信息, 2003,(1):3-4.[23] 秦耀民,李怀恩.基于降雨事件监测的非点源污染对灞河水质的影响 [J]. 中国环境科学,2014,34(5):1173-1180.[24] 张鹏飞.不同气候条件下密云水库流域非点源污染评价 [D].北京:首都师范大学, 2013.[25] Geng R, Wang X, Duan 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.[26] Wang X, Zhang Y, Ou Y. Predicting effectiveness of best management practices for control of nonpoint source pollution---a case of Taishitun Town, Miyun County, Beijing [J]. Acta Scientiae Circumstantiae, 2009,29(11):2440-2450.[27] 孙丽娜,卢文喜,杨青春,等.东辽河流域土地利用变化对非点源污染的影响研究 [J]. 中国环境科学, 2013,33(8):1459-1467.。
非点源污染研究综述摘要：非点源污染对人类生产和生活环境具有危害，本文详细介绍了了国外以及国内对非点源污染的研究成果，作者从而总结出非点源污染模型研究中存在的问题，制定了未来的研究方向。
关键词：非点源；污染；gis随着人类经济活动深入发展，水环境污染问题已成为全球性问题。
非点源污染造成大量泥沙、氮磷营养物、有毒有害物质进入江河、湖库，引起水体悬浮物浓度升高、有毒有害物质含量增加，溶解氧减少，水体出现富营养化趋势，不仅直接破坏水生生物生存环境，导致水生生态系统失衡，而且还影响人类的生产和生活，威胁人体健康。
因此，在点源污染控制水平达到一定程度后，非点源污染的严重性逐渐表现出来，非点源已成为导致水环境污染的重要原因。
与点源污染相比，非点源污染起源于分散、多样的地区，地理边界和发生位置难以识别和确定，随机性强、成因复杂、潜伏周期长。
其污染危害的广泛性和控制的复杂性，已使其研究在国外越来越受到重视。
一、非点源污染基本介绍非点源污染亦称面源污染，是相对于点源污染而言的一种水环境污染类型，其定义是指溶解的或固体的污染物从非特定的地点，在降水（或融雪）的冲刷作用下，通过径流过程而汇入受纳水体（包括河流、湖泊、水库和海湾等），并引起水体富营养化或其它形式的污染[3]。
非点源污染的主要来源包括水土流失、农用化学品过量施用、城市地表累积物、畜禽养殖和农业与农村废弃物等。
非典源污染从其产生机制来看，各种类型的下垫面在降雨的作用下产生径流并对土壤产生侵蚀作用，大量的泥沙与附着的氮磷污染物及可溶性氮磷污染物进入水体，从而产生非点源污染。
非点源污染模型的结构主要包括三个部分：降水径流模型、土壤侵蚀模型和污染物迁移转化模型。
二、非点源污染模型的研究历程国外初期经验探索阶段。
早在20世纪60年代，单纯的依靠点源污染控制无法从根本的改变水质，所以人们开始转向非点源污染的定量研究，能够简便地计算出流经出口的污染负荷，表现了较强的实用性和准确性，因而得到了广泛的应用，但是此类模型对数据的需求能力低，难以描述污染物迁移的路径和机理。
