楊金鳳,馮愛萍,王雪蕾*,李新榮,王昌佐,田 壯

海河流域農(nóng)業(yè)面源污染潛在風險識別方法

楊金鳳1,馮愛萍2,王雪蕾2*,李新榮1,王昌佐2,田 壯1

(1.北京市農(nóng)林科學院植物營養(yǎng)與資源研究所,北京 100097；2.生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心,北京 100094)

在綜合分析農(nóng)業(yè)面源污染風險源匯因子的基礎(chǔ)上,篩選出影響海河流域農(nóng)業(yè)面源污染的8個主要因子(年降水量、溶解態(tài)面源污染物入河系數(shù)、吸附態(tài)面源污染物入河系數(shù)、年植被覆蓋度、坡度、土壤可侵蝕性因子、農(nóng)田氮表觀平衡量和農(nóng)田磷表觀平衡量),建立了農(nóng)業(yè)面源污染潛在風險識別指標體系,采用多因子綜合分析法對海河流域農(nóng)業(yè)面源污染潛在風險等級進行評價,并與DPeRS模型風險識別結(jié)果進行偏差分析.結(jié)果表明,海河流域有61.91%的區(qū)域存在農(nóng)業(yè)面源污染潛在風險,集中分布在流域的中部和南部地區(qū),高風險區(qū)主要分布在北京市東南部、天津市中部、流域山東段東北部和河南段南部等區(qū)域;與DPeRS模型識別結(jié)果對比驗證,顯示同一風險等級面積相差不超過12%,且高風險級別面積相差僅為0.12%,97.17%以上的區(qū)域均為偏差小或無偏差,表明該識別方法具有與DPeRS模型法同等水平的農(nóng)業(yè)面源污染潛在風險識別精準度,可實現(xiàn)區(qū)域農(nóng)業(yè)面源污染潛在風險的快速、高效識別.

農(nóng)業(yè)面源污染；指標體系；潛在風險識別；海河流域

在來自工業(yè)和城市生活污水的點源污染得到控制后,面源污染逐步成為水體污染的主要污染源,其中農(nóng)業(yè)生產(chǎn)生活引起的面源污染是目前水體污染的主要原因之一.農(nóng)業(yè)面源污染源分散且隱蔽,污染發(fā)生的時間和空間具有隨機性和不確定性,監(jiān)測、控制難度大.識別農(nóng)業(yè)面源污染的高風險區(qū),將有限的資源投入到對水體危害可能性最大而范圍相對較小的區(qū)域進行重點治理,可大大降低治理難度和提高治理成效.因此,建立一種農(nóng)業(yè)面源污染風險識別方法是農(nóng)業(yè)面源污染管理和控制的當務(wù)之急.

目前識別農(nóng)業(yè)面源污染風險的方法[1-2]有輸出系數(shù)法、面源污染定量模型法、指標體系法.輸出系數(shù)法[3]結(jié)構(gòu)簡單,所需資料較少,可直接評估和預(yù)測農(nóng)業(yè)面源總氮和總磷的污染負荷量,但其在區(qū)域尺度上的應(yīng)用需要大量的實地監(jiān)測資料.面源污染定量模型包括SPARROW模型、AnnAGNPS模型、SWAT模型和HSPF模型等[4-7],需要參數(shù)較多,而目前農(nóng)業(yè)管理中的數(shù)據(jù)積累還不夠豐富,下墊面情況更復(fù)雜,區(qū)域性差異大,更是增加了地面基礎(chǔ)信息的獲取難度,國外模型直接移植的難度較大.指標體系法可綜合分析影響農(nóng)業(yè)面源污染物流失的主要因子,能夠為農(nóng)業(yè)面源污染風險提供一個更為合理的評價框架,靈活性較強.常用的方法有非點源污染潛力指數(shù)法(APPI)[8-9]和磷指數(shù)法(PI)[10-12].但常規(guī)農(nóng)業(yè)面源污染風險指標體系法[13-14]中存在考慮的污染來源分類少、指標選擇不全面、研究單元太粗等問題,因此,本研究從簡單快速、低成本、精確性和適應(yīng)性強等角度,建立了識別農(nóng)業(yè)面源污染潛在風險程度的指標體系,確定指標權(quán)重并劃分因子等級,采用多因子綜合分析法計算海河流域農(nóng)業(yè)面源污染風險指數(shù),對其農(nóng)業(yè)面源污染潛在風險進行評價,確定流域內(nèi)農(nóng)業(yè)面源污染發(fā)生風險高的區(qū)域為重點控制區(qū),為農(nóng)業(yè)面源污染潛在風險評價和快速篩查奠定了基礎(chǔ).

1 材料與方法

1.1 研究區(qū)概況

圖1 研究區(qū)位置示意

海河流域位于我國華北地區(qū),總面積31.82萬km2,包括海河、灤河和徒駭馬頰河3大水系、7大河系、10條骨干河流,地跨北京、天津、河北、山西、山東、河南、內(nèi)蒙古和遼寧等8個省份,其中,北京、天津全部屬于海河流域,河北省91%、山西省38%、山東省20%、河南省9.2%的面積屬于海河流域,內(nèi)蒙古自治區(qū)1.36萬km2和遼寧省0.17萬km2屬于海河流域.該流域總體地勢是西北高東南低,西部為黃土高原和太行山區(qū),北部為蒙古高原和燕山山區(qū);流域?qū)儆跍貛|亞季風氣候區(qū),年平均氣溫在1.5～14℃,年平均相對濕度50%～70%,多年平均降水量539mm(2011～2016年),屬半濕潤半干旱地帶,年平均陸面蒸發(fā)量470mm,山區(qū)小于500mm,平原大于500mm,多年平均水面蒸發(fā)量850～1300mm,研究區(qū)位置見圖1.

1.2 研究方法

1.2.1 農(nóng)業(yè)面源污染潛在風險評價指標體系 農(nóng)業(yè)面源污染潛在風險指標的選擇是否恰當對整個研究過程及研究結(jié)果都存在較大的影響.農(nóng)業(yè)面源污染的發(fā)生受多方面因子的影響與控制,其中包括人類無法調(diào)控的自然因子,如降雨、地形、地貌等,同時也包括了人類活動可以調(diào)控的許多因子,如植被覆蓋、農(nóng)藥化肥的使用、農(nóng)田灌溉等.所有氣候因素都對水土流失有相應(yīng)影響,其中降水最為重要,一般是年降水量越大,水土流失就越嚴重,地形地貌和土壤植被主要通過降雨和地表徑流影響面源污染.經(jīng)濟水平?jīng)Q定人的生產(chǎn)生活方式,主要通過社會經(jīng)濟活動,影響土地利用方式、農(nóng)業(yè)生產(chǎn)方式及管理水平、農(nóng)村庭院養(yǎng)殖集中程度和規(guī)模、居民環(huán)境保護意識等,農(nóng)村人口現(xiàn)狀及增長速度直接影響耕地利用方式及利用程度、農(nóng)業(yè)面源污染物的產(chǎn)生總量.

本研究在充分考慮影響農(nóng)業(yè)面源污染的自然因素(氣象、地形地貌、土壤、植被、水文等)和人為因素(化肥農(nóng)藥施用、耕作、灌溉、畜禽養(yǎng)殖、農(nóng)村生活垃圾及污水排放等),兼顧污染物的產(chǎn)生、遷移和消減整個過程,結(jié)合現(xiàn)有資料,最終選擇能反映農(nóng)業(yè)面源潛在污染普遍特征的三大類指標:水文氣象指標、土壤地形植被指標和經(jīng)濟指標,水文氣象指標具體包括年降水量、溶解態(tài)面源污染物入河系數(shù)和吸附態(tài)面源污染物入河系數(shù);土壤地形植被指標具體包括年植被覆蓋度、坡度和土壤可侵蝕性因子;經(jīng)濟指標具體包括農(nóng)田氮表觀平衡量和農(nóng)田磷表觀平衡量.三大類8個指標的含義及算法具體如下:

(1)年降水量:降水是影響地表土壤侵蝕和面源擴散的重要因素之一,因降水有時空變化,面源污染也有時空不同,受降水強度、持續(xù)性、數(shù)量和降雨頻率等因素影響.在這些因素中,對面源污染有重要影響的是降水量和降雨強度,其大小直接影響著徑流量的大小,進而影響面源污染的程度[15].基于流域范圍內(nèi)氣象站的降水量數(shù)據(jù),以DEM作為協(xié)變量,利用薄板樣條滑動平均法進行降水量的空間插值[16],得到流域年降水量空間數(shù)據(jù).

(2)溶解態(tài)和吸附態(tài)面源污染物入河系數(shù):是指產(chǎn)生的面源污染物進入河網(wǎng)的比例,是用來估算面源污染物入河排放量的重要參數(shù).按照溶解態(tài)和吸附態(tài)兩種污染物存在形式分為溶解態(tài)污染物入河系數(shù)和吸附態(tài)污染物入河系數(shù).其中溶解態(tài)入河系數(shù)由徑流系數(shù)決定,而吸附態(tài)入河系數(shù)由泥沙輸移系數(shù)決定[17].溶解態(tài)面源污染物入河系數(shù)為年徑流量與年降水量的比值,具體公式如下:

式中:CR為溶解態(tài)面源污染物入河系數(shù);Prec和Runoff分別為年降水量和年徑流量.

吸附態(tài)面源污染物入河系數(shù)為年泥沙含量與年土壤侵蝕量的比值,具體公式如下:

式中:SDR為吸附態(tài)面源污染物入河系數(shù);Sed為年泥沙含量;Sel為年土壤侵蝕量;為降雨侵蝕力因子;為土壤可侵蝕性因子;分別為坡長因子和坡度因子,無量綱;為生物措施因子,無量綱;為工程措施措施因子,無量綱.

(3)年植被覆蓋度:植被指數(shù)是一種無量綱的輻射測度,用來反映綠色植被的相對豐度及其活動,其中以歸一化植被指數(shù)(NVDI)應(yīng)用最為廣泛,而且經(jīng)過驗證,植被指數(shù)與植被覆蓋度有較好的相關(guān)性,用它來計算植被覆蓋度比較合適.該因子與耕作管理密切相關(guān),直接影響著土壤侵蝕速度.可利用遙感數(shù)據(jù),采用最大最小值定量反演算法進行流域植被覆蓋度反演[18-19].

(4)坡度:坡度是形成土壤侵蝕的根本原因,對侵蝕強度的影響也非常大,一般來說,地形的坡度越大,侵蝕的可能性也越大[20].基于DEM高程數(shù)據(jù),利用ArcGIS軟件功能模塊計算流域坡度.

(5)土壤可侵蝕性因子():是土壤潛在侵蝕性的量度,它受土壤物理性質(zhì)的影響,如與土壤機械組成、有機質(zhì)含量、土壤結(jié)構(gòu)、土壤滲透性等有關(guān),值越大,土壤就容易遭受侵蝕.因子采用EPIC模型計算,并對其計算結(jié)果進行糾正[21-22].具體公式如下:

(6)農(nóng)田氮表觀平衡量和農(nóng)田磷表觀平衡量:定義為氮磷輸入項與輸出項之差,當平衡量為負值時表示土壤養(yǎng)分輸出大于輸入,處于虧損狀態(tài);當平衡量為正值時,表示土壤養(yǎng)分輸入大于輸出,處于盈余狀態(tài),盈余的氮磷會增加農(nóng)田面源污染的風險[17].根據(jù)縣級的化肥施用量、畜禽養(yǎng)殖量、農(nóng)作物產(chǎn)量、農(nóng)業(yè)人口等51個統(tǒng)計指標數(shù)據(jù),采用輸入輸出法[23]計算,具體公式如下:

式中:bal為所述農(nóng)田氮磷平衡量或所述農(nóng)田磷平衡量;area為耕地面積和園地面積之和;1000為單位轉(zhuǎn)換系數(shù);Balance為養(yǎng)分平衡量;Input為養(yǎng)分輸入量;Output為養(yǎng)分輸出量;Ftlz為化肥養(yǎng)分輸入量;Mnr為有機肥養(yǎng)分輸入量;Irg為灌溉養(yǎng)分輸入量;Seed為種子養(yǎng)分輸入量;Bnf為生物固氮氮輸入量;Dpzt為干濕沉降養(yǎng)分輸入量;Hvst為作物帶走養(yǎng)分輸出量.

1.2.2 農(nóng)業(yè)面源污染潛在風險評價指標權(quán)重 不同指標對農(nóng)業(yè)面源污染的潛在危害程度不同,因此需要確定各指標的權(quán)重以獲得更準確的污染風險等級[24].由于農(nóng)業(yè)面源污染受多因素共同作用,且具有隨機性、廣泛性、模糊性和滯后性等特點,較適合采用層次分析法,本研究采取層次分析法中的冪法確定各指標的權(quán)重,詳見表1.

表1 農(nóng)業(yè)面源污染潛在風險識別指標權(quán)重

1.2.3 農(nóng)業(yè)面源污染潛在風險指數(shù)計算及風險分級 根據(jù)《土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程》[25]、區(qū)域降水分布規(guī)律及土壤侵蝕強度分級的參考指標等,結(jié)合GIS的自然間斷點分級法(Jenks),充分考慮數(shù)據(jù)的均值、方差等統(tǒng)計結(jié)果,對8個潛在污染風險指標進行了分級并賦值1～4,各指標分級標準及其賦值詳見表2.

在農(nóng)業(yè)面源污染潛在風險指標體系構(gòu)建基礎(chǔ)上,結(jié)合指標權(quán)重和指標賦值,最終建立了農(nóng)業(yè)面源污染潛在風險指數(shù)算法,具體如下:

式中:NPSPRI為農(nóng)業(yè)面源污染潛在風險指數(shù);為潛在風險指標在指標體系中的權(quán)重值,其值范圍為0～1;為指標賦值,其值范圍為1～4;為指標體系中的指標.

表2 農(nóng)業(yè)面源污染潛在風險識別指標分級標準

對農(nóng)業(yè)面源污染風險指數(shù)NPSPRI進行自然間斷點分級法(Jenks)分級為4個風險等級,詳細分級標準為:無風險(0,2.208]、低風險(2.208,2.704]、中風險(2.704,3]和高風險(3,4),并將各個級別數(shù)值范圍賦予1～4,即:無風險賦值1,低風險賦值2,中風險賦值3,高風險賦值4,得到農(nóng)業(yè)面源污染綜合指標評價體系(CIES)潛在風險空間分布圖.

1.3 數(shù)據(jù)來源

表3 主要數(shù)據(jù)

本文采用的數(shù)據(jù)主要包括海河流域2015年的遙感數(shù)據(jù)、氣象數(shù)據(jù)、水文數(shù)據(jù)、高程數(shù)據(jù)、土壤數(shù)據(jù)和農(nóng)業(yè)統(tǒng)計數(shù)據(jù)等,具體數(shù)據(jù)來源見表3.

2 結(jié)果與討論

2.1 海河流域農(nóng)業(yè)面源污染潛在風險識別指標空間特征

采用前文表2提出的農(nóng)業(yè)面源污染潛在風險指標分級標準對海河流域農(nóng)業(yè)面源污染潛在風險識別指標體系中的8個指標進行分級,結(jié)果表明,海河流域中部、東北部和南部的部分區(qū)域達到500mm以上的降雨量,且植被覆蓋度相對較高;除流域西北部和天津的部分區(qū)域外,其余地區(qū)溶解態(tài)和吸附態(tài)面源污染物入河系數(shù)相對較高;流域的山地丘陵地帶坡度相對較大,坡度小的區(qū)域土壤可侵蝕性因子值相對較高;流域的中部和南部地區(qū)農(nóng)田氮表觀平衡量和磷表觀平衡量較高,北部相對較低,8個指標分級的空間分布詳見圖2.

圖2 海河流域農(nóng)業(yè)面源污染潛在風險識別指標空間分布

2.2 海河流域農(nóng)業(yè)面源污染潛在風險識別結(jié)果

海河流域農(nóng)業(yè)面源污染風險等級圖及面積統(tǒng)計表詳見圖3和表4.

應(yīng)用農(nóng)業(yè)面源污染潛在風險指數(shù)對海河流域農(nóng)業(yè)面源污染潛在風險區(qū)域進行識別(圖3(a)),結(jié)果表明:海河流域有61.91%的區(qū)域存在農(nóng)業(yè)面源污染潛在風險,集中分布在流域的中部和南部地區(qū),高風險區(qū)面積占比為1.61%,主要分布在北京市東南部、天津市中部、山東段東北部和河南段南部等區(qū)域,此外,在河北段的部分區(qū)域也有零星分布.

同時,應(yīng)用DPeRS模型[27-30]對海河流域農(nóng)業(yè)面源污染潛在風險區(qū)域進行定量識別.DPeRS模型是一種基于二元結(jié)構(gòu)的半經(jīng)驗半機理過程的模型,既考慮降水、植被覆蓋、地形地貌等自然因素,同時也考慮了施肥利用效率、人口、牲畜和家禽等社會經(jīng)濟因素,并耦合定量遙感技術(shù),可以對流域尺度面源污染負荷的時空動態(tài)進行精確的定量評估.為實現(xiàn)兩者的可比性,對DPeRS模型模擬的污染負荷結(jié)果也采用前文方法中提出的風險分級標準進行劃分,即也分為4個風險等級(即無風險、低風險、中風險以及高風險),將4個等級數(shù)值范圍賦值1～4,得到模型風險等級圖(圖3(b)),結(jié)果表明:海河流域有50.86%的區(qū)域存在農(nóng)業(yè)面源污染潛在風險,高風險區(qū)域面積占比為1.73%.農(nóng)業(yè)面源污染潛在風險區(qū)域集中分布在流域的中部和南部地區(qū),中風險和高風險區(qū)主要分布在北京市東南部、天津市中北部、山東段東北部和河南段西部等區(qū)域,此外,在河北段的部分區(qū)域也有零星分布.

表4 海河流域農(nóng)業(yè)面源污染風險等級面積統(tǒng)計

圖3 海河流域農(nóng)業(yè)面源污染風險等級

2.3 海河流域農(nóng)業(yè)面源污染潛在風險指標識別結(jié)果驗證

表5 CIES等級結(jié)果與DPeRS模型結(jié)果偏差情況表

為驗證所構(gòu)建的農(nóng)業(yè)面源污染潛在風險指標識別方法的精準度,將綜合指標評價體系風險等級圖與DPeRS模型風險等級圖的識別結(jié)果進行偏差分析(圖4).

對比海河流域農(nóng)業(yè)面源污染綜合指標評價體系風險等級結(jié)果與DPeRS模型識別結(jié)果,得出:同一風險等級面積相差不超過12%,尤其是高風險級別面積相差僅為0.12%(表4);97.17%以上的區(qū)域均為偏差小或無偏差(表5).表明本文提出的農(nóng)業(yè)面源潛在污染風險識別方法具有與DPeRS模型法同等水平的風險識別精準度,且該識別方法不需要模型法所必須的復(fù)雜的指標以及數(shù)據(jù)積累,也不需要考慮復(fù)雜的下墊面情況,可以實現(xiàn)簡單快速、高精度的農(nóng)業(yè)面源污染風險識別.

2.4 海河流域農(nóng)業(yè)面源污染潛在風險指標組合情景分析

設(shè)置了5種指標組合情形,與DPeRS模型模擬的海河流域面源污染進行偏差分析,篩選農(nóng)業(yè)面源污染潛在風險指標的最優(yōu)組合.結(jié)果表明,本文采用的8項指標與DPeRS模型對海河流域面源污染風險的識別結(jié)果偏差是最小的,無偏差和偏差小的比例達到97.17%,說明本文構(gòu)建的風險評價指標體系可以快速、高精度地識別農(nóng)業(yè)面源污染潛在高風險區(qū).農(nóng)業(yè)面源污染潛在風險指標篩選情形詳見表6.

圖4 海河流域CIES風險等級結(jié)果與DPeRS模型結(jié)果的偏差分析

表6 農(nóng)業(yè)面源污染潛在風險指標篩選

注:與DPeRS模型的偏差分析結(jié)果比較的是無偏差或偏差小的比例和(%).

3 結(jié)論

3.1 在綜合分析海河流域農(nóng)業(yè)面源污染風險源匯因子的基礎(chǔ)上,篩選出8個主要影響因子,即年降水量、溶解態(tài)面源污染物入河系數(shù)、吸附態(tài)面源污染物入河系數(shù)、年植被覆蓋度、坡度、土壤可侵蝕性因子、農(nóng)田氮表觀平衡量和農(nóng)田磷表觀平衡量,建立了農(nóng)業(yè)面源污染潛在風險識別指標體系,應(yīng)用農(nóng)業(yè)面源污染潛在風險指數(shù),可實現(xiàn)海河流域農(nóng)業(yè)面源污染潛在風險區(qū)的快速、高效識別.

3.2 農(nóng)業(yè)面源污染綜合指標評價體系風險識別結(jié)果表明,海河流域有61.91%的區(qū)域存在農(nóng)業(yè)面源污染潛在風險,集中分布在流域的中部和南部地區(qū),高風險區(qū)面積占比為1.61%,主要分布在北京市東南部、天津市中部、山東段東北部和河南段南部等區(qū)域.

3.3 對比海河流域農(nóng)業(yè)面源污染綜合指標評價體系風險等級結(jié)果與DPeRS模型模擬結(jié)果,同一風險等級面積相差不超過12%,尤其是高風險級別面積相差僅為0.12%,97.17%以上的區(qū)域均為偏差小或無偏差,表明該識別方法具有與DPeRS模型法同等水平的風險識別精準度.

[1] Ouyang W, Gao X, Wei P, et al. A review of diffuse pollution modeling and associated implications for watershed management in China [J]. Journal of Soils and Sediments, 2017,17(6):1527-1536.

[2] Wei P, Ouyang W, Hao F H, et al. Combined impacts of precipitation and temperature on diffuse phosphorus pollution loading and critical source area identification in a freeze-thaw area [J]. Science of the Total Environment, 2016,553(3):607-616.

[3] 朱 梅,吳敬學,張希三.海河流域種植業(yè)非點源污染負荷量估算[J]. 農(nóng)業(yè)環(huán)境科學學報, 2010,29(10):1907-1915.

Zhu M, Wu J X, Zhang X S. Estimation on non-point source pollution loads of crop farming in Hai Basin [J]. Journal of Agro-Environment Science, 2010,29(10):1907-1915.

[4] 徐 敏,陳 巖,趙琰鑫,等.流域空間屬性關(guān)聯(lián)模型(SPARROW模型)理論方法與應(yīng)用案例[M]. 北京:中國環(huán)境出版社, 2013.

Xu M, Chen Y, Zhao Y X, et al. Theoretical method and application case of watershed spatial attribute association model (SPARROW model) [M]. Beijing: China Environment press, 2013.

[5] 李開明,任秀文,黃國如,等.基于AnnAGNPS模型泗合水流域非點源污染模擬研究[J]. 中國環(huán)境科學, 2013,33(S1):54-59.

Li K M, Ren X W, Huang G R, et al. Simulation of non-point source pollution in Sihe watershed with Ann AGNPS [J]. China Environmental Science, 2013,33(S1):54-59.

[6] 秦耀民,胥彥玲,李懷恩.基于SWAT模型的黑河流域不同土地利用情景的非點源污染研究[J]. 環(huán)境科學學報, 2009,29(2):440-448.

Qin Y M, Xu Y L, Li H E.SWAT model of non-point source pollution under different land use scenarios in the Heihe river basin [J]. Acta Scientiae Circumstantiae, 2009,29(2):440-448.

[7] Chang C L, Li M Y.Predictions of diffuse pollution by the HSPF model and the back-propagation neural network model [J]. Water Environment Research, 2017,8:732-738.

[8] 周徐海,王 寧,郭紅巖,等.農(nóng)業(yè)非點源污染潛力指數(shù)系統(tǒng)(APPI)在太湖典型區(qū)域的應(yīng)用[J]. 農(nóng)業(yè)環(huán)境科學學報, 2006,25(4):1029- 1034.

Zhou X H, Wang N, Guo H Y, et al. Preliminary application of agricultural non- point source pollution potential index in typical area of Taihu Lake [J]. Journal of Agro-Environment Science, 2006,25(4): 1029-1034.

[9] 曹昕鑫.基于APPI指數(shù)系統(tǒng)的旱作農(nóng)田面源污染發(fā)生潛力及優(yōu)先控制區(qū)識別—以沙潁河流域為例[D]. 合肥:安徽大學, 2013.

Cao X X. Analysis on characteristics and evaluation of agricultural non-point source pollution potential and in typical dry farmland area of Shayin river catchment based on APPI [D]. Hefei:Anhui University, 2013.

[10] Zhang W W, Ma Y H, Lu Q, et al. Nutrient loss from farmland: research on and application of phosphorus index method [J]. Agricultural Science &technology, 2015,16(2):262-265.

[11] 李 琪,陳利頂,齊 鑫,等.媯水河流域農(nóng)耕區(qū)非點源磷污染危險性評價與關(guān)鍵源區(qū)識別[J]. 環(huán)境科學, 2008,29(1):32-37.

Li Q, Chen LD, Qi X, et al. Identification of critical area of phosphorus loss in agricultural areas of Guishui river watershed by phosphorus loss risk assessment [J]. Environmental Science, 2008, 29(1):32-37.

[12] 宋月君,吳勝軍,劉永美,等.基于GIS技術(shù)的農(nóng)用地非點源磷污染危險性評價—以長江流域為例[J]. 測繪科學, 2009,34(3):164-166.

Song Y J, Wu S J, Liu Y M, et al. Risk appraisal to the non-point source phosphorus pollution of agriculture land based on the GIS technology—A case study of Yangtze basin [J]. Science of Surveying and Mapping, 2009,34(3):164-166.

[13] 劉建昌,嚴 巖,劉 峰,等.基于多因子指數(shù)集成的流域面源污染風險研究[J]. 環(huán)境科學, 2008,29(3):599-606.

Liu J C, Yan Y, Liu F, et al. Risk assessment and safety evaluation using system normative indexes integration method for non-point source pollution on watershed scale [J]. Environmental Science, 2008,29(3):599-606.

[14] 呂 川,張洪鈺,齊 琳.遼河源頭區(qū)流域農(nóng)業(yè)非點源污染風險評價與關(guān)鍵源區(qū)識別[J]. 江西農(nóng)業(yè)大學學報, 2014,36(3):670-677.

Lv C, Zhang H Y, Qi L. Critical source area identification and risk assessment of agricultural non－point source pollution of the source areas of Liaohe river watershed [J]. Acta Agriculturae Universitatis Jiangxiensis, 2014,36(3):670-677.

[15] 王曉燕.非點源污染及其管理[M]. 北京:海洋出版社, 2003.

Wang X Y. Non-point source pollution and management [M]. Beijing: China Ocean Press, 2003.

[16] 劉志紅,Li L T, McVicar T R,等.專用氣候數(shù)據(jù)空間插值軟件ANUSPLIN及其應(yīng)用[J]. 氣象, 2008,34(2):92-100.

Liu Z H, Li L T, McVicar T R, et al. introduction of the professional interpolation software for meteorology data:ANUSPLIN [J]. Meteorological Monthly, 2008,34(2):92-100.

[17] 王雪蕾,王 橋,吳傳慶,等.國家尺度面源污染業(yè)務(wù)評估與應(yīng)用示范[M]. 北京:科學出版社, 2015:10-115.

Wang X L, Wang Q, Wu C Q, et al. Assessment and application of national diffuse pollution management [M]. Beijing: Science Press, 2015:10-115.

[18] Jiménez-Mu?oz J C, Sobrino J A, Plaza A, et al. Comparison between fractional vegetation cover retrievals from vegetation indices and spectral mixture analysis: Case study of PROBA/CHRIS data over an agricultural area [J]. Sensors, 2009,9(2):768-793.

[19] 王雪蕾,吳傳慶,馮愛萍,等.利用DPeRS模型估算巢湖流域氨氮和化學需氧量的面源污染負荷[J]. 環(huán)境科學學報, 2015,35(9):2883- 2891.

Wang X L, Wu C Q, Feng A P, et al. Application of DPeRS model on estimation of non-point source pollution load of ammonia nitrogen and chemical oxygen demand in Chao Lake basin [J]. Acta Scientiae Circumstantiae, 2015,35(9):2883-2891.

[20] PoliD. General model for airborne and spacebome linear array sensors [J]. International Archives of Photogrammetry and Remote Sensing, 2002,34(B1):177-182.

[21] Zhang K L, Peng W Y and Yang H L. Soil erodibility and its estimation for agricultral soil in China [J]. Acta Pedologica Sinica, 2007,44(1):7-13.

[22] 王雪蕾,王新新,朱 利,等.巢湖流域氮磷面源污染與水華空間分布遙感解析[J]. 中國環(huán)境科學, 2015,35(5):1511-1519.

Wang X L, Wang X X, Zhu L, et al. Spatial analysis on diffuse pollution and algal bloom characteristic with remote sensing in Chao Lake Basin [J]. China Environmental Science, 2015,35(5):1511-1519.

[23] Wang X L, Feng A P, Wang Q, et al. Spatial variability of the nutrient balance and related NPSP risk analysis for agro-ecosystems in China in 2010 [J]. Agriculture, Ecosystems and Environment, 2014,193:42- 52.

[24] Gburek W J, Sharpley A N, Heathwaite L, et al. Phosphorus management at the watershed scale: A modification of the phosphorus index [J]. Journal of Environmental Quality, 2000,29:135-140.

[25] 全國農(nóng)業(yè)區(qū)劃委員會.土地利用現(xiàn)狀調(diào)查技術(shù)規(guī)程 [EB/OL]. https://max.book118.com/html/2018/1231/6111142204001242.shtm, 1984-09-09/2020-10-04.

National Agricultural Zoning Commission. Technical regulations for land use status investigation [EB/OL]. https://max.book118.com/ html/2018/1231/6111142204001242.shtm, 1984–09–09/2020–10–04.

[26] 符素華,劉寶元,周貴云,等.坡長坡度因子計算工具[J]. 中國水土保持科學, 2015,13(5):105-110.

Fu S H, Liu B Y, Zhou G Y, et al. Calculation tool of topographic factors [J]. Science of Soil and Water Conservation, 2015,13(5):105- 110.

[27] Wang X L, Wang Q, Wu C Q, et al.A method coupled with remote sensing data to evaluate non-point source pollution in the Xin'anjiang catchment of China [J]. Science of the Total Environment, 2012, 430:132-143.

[28] 馮愛萍,吳傳慶,王雪蕾,等.海河流域氮磷面源污染空間特征遙感解析[J]. 中國環(huán)境科學, 2019,39(7):2999-3008.

Feng A P, Wu C Q, Wang X L, et al. Spatial character analysis on nitrogen and phosphorus diffuse pollution in Haihe River Basin by remote sensing [J]. China Environmental Science, 2019,39(7):2999- 3008.

[29] 王雪蕾,蔡明勇,鐘部卿,等.遼河流域非點源污染空間特征遙感解析[J]. 環(huán)境科學, 2013,34(10):3788-3796.

Wang X L, CAI M Y, Zhong B Q, et al. Research on spatial characteristic of non-point source pollution in Liaohe River Basin [J]. Environmental Science, 2013,34(10):3788-3796.

[30] 馮愛萍,王雪蕾,徐 逸,等.基于DPeRS模型的海河流域面源污染潛在風險評估[J]. 環(huán)境科學, 2020,41(10):4555-4563.

Feng A P, Wang X L, XU Y, et al. Assessment of potential risk of diffuse pollution in Haihe River Basin based using DPeRS model [J]. Environmental Science, 2020,41(10):4555-4563.

An identification method of potential risk for agricultural non-point source pollution in the Haihe River Basin.

YANG Jin-feng1, FENG Ai-ping2, WANG Xue-lei2*, Li Xin-rong1, WANG Chang-zuo2, TIAN Zhuang1

(1.Beijing Academy of Agriculture and Forestry Sciences, Institute of Plant Nutrition and Resources, Beijing 100097, China；2.Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment, Beijing 100094, China)., 2021,41(10)：4782～4791

Based on a comprehensive analysis of the source and sink factors of agricultural non-point source pollution risk, eight main factors leading to the agricultural non-point source pollution, which were annual precipitation, dissolved non-point source pollutant inflow coefficient, granular non-point source pollutant inflow coefficient, annual vegetation coverage, slope, soil erodibility factor, nitrogen and phosphorus balance of farmland, were identified. Moreover, an identification index system of the potential risk for agricultural non-point source pollution was established. The multi-factor comprehensive analysis method was used to evaluate the risk of agricultural non-point source pollution in the Haihe River Basin. The results were compared with the risk identification results of Diffuse pollution estimation with remote sensing (DPeRS) model using deviation analysis. It showed that 61.91% of the Haihe River Basin had potential risks of agricultural non-point source pollution. It was concentrated in the central and southern regions of the basin. Among which were high-risk areas including the southeast of Beijing, the central part of Tianjin, the northeastern part of Shandong and the southern part of the Henan within the basin. Comparing the results with that of DPeRS model, the area of the same risk level regions differed by no more than 12%, and the area of high-risk regions differed by only 0.12%, and there were little or no deviation for more than 97.17% of the regions. It was shown that the identification method had the same accuracy as the DPeRS model method for identifying potential risks of agricultural non-point source pollution, making rapid and efficient identification of potential risks of regional agricultural non-point source pollution possible.

agricultural non-point source pollution；index system；potential risk identification；Haihe River Basin

X522

A

1000-6923(2021)10-4782-10

楊金鳳(1981-),女,山西朔州人,助理研究員,博士,主要從事農(nóng)業(yè)面源污染防治.發(fā)表論文20余篇.

2021-02-25

國家重點研發(fā)計劃項目(2016YFD0800903);國家自然科學基金資助項目(41871346)

* 責任作者, 研究員, wxlbnu@163.com