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(.首都师范大学资源环境与旅游学院,北京 00048；.环境保护部环境与经济政策研究中心,北京 0009；3.首都师范大学首都圈水环境研究中心,北京 00048)



潮河流域非点源污染控制关键因子识别及分区

耿润哲1,2,王晓燕1,3*,庞树江1,殷培红2(1.首都师范大学资源环境与旅游学院,北京 100048；2.环境保护部环境与经济政策研究中心,北京 100029；3.首都师范大学首都圈水环境研究中心,北京 100048)

摘要：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186.74k m2),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.

关键词：非点源污染；SWAT模型；污染分区；密云水库

* 责任作者, 教授, wangxy@cnu.edu.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.

1　研究方法与数据来源

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).

表1　基础数据库列表Table 1　List of the database

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　结果与讨论

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.

图2　ArcSWAT模型校验结果Fig.2　Calibration and validation results of ArcSWAT model simulation

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).

表2　不同情景年模拟结果Table 2　SWAT Simulation Results under different hydrological years

图3　不同水文年流域总氮、总磷风险空间分布Fig.3　Spatial distribution of TN and TP loads under different hydrological years

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.

表3　非点源污染负荷多因素方差分析结果(P<0.05)Table 3　Multi-factor analysis on variance ofNPS pollution loads (P<0.05)

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.

表4　系统聚类分析Table 4　Results of system clustering analysis

图5　潮河流域农业非点源污染高风险区控制分区Fig.5　Zonation of agricultural nonpoint source pollution control

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).

表5　潮河流域农业非点源污染控制类型区特征概况Table 5　The characteristics of zones for agricultural nonpoint source pollution control

续表5

3　结论

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.

参考文献：

[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]. Annali dell'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.

Identification of key factors and zonation for nonpoint source pollution controlin Chaohe River watershed.

GENG Run-zhe1,2, WANG Xiao-yan1,3*, PANG Shu-jiang1, YIN Pei-hong2(1.College of Resources, Environment and Tourism, Capital Normal University, Beijing 100048, China；2.Policy Research Center for Environment and Economy, Ministry of Environmental Protection, Beijing 100029, China；3.Research Center of Aquatic Environment in the Capital Region, Capital Normal University, Beijing 100048, China). China Environmental Science, 2016,36(4)：1258～1267

Abstract：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.

Key words：nonpoint source pollution；zonation for NPs control；SWAT model；Miyun Reservoir

作者简介：耿润哲(1987-),男,山西临汾人,助理研究员,博士,主要从事流域水环境污染控制与管理研究.发表论文20余篇.

基金项目：国家自然科学基金项目(41271495);高等学校博士学科点专项科研基金联合资助项目(20121108110006)

收稿日期：2015-08-10

中图分类号：X52

文献标识码：A

文章编号：1000-6923(2016)04-1258-10