浙江大学学报(农业与生命科学版)  2018, Vol. 44 Issue (1): 75-88
文章快速检索     高级检索
水库型饮用水源地水环境模拟与预测[PDF全文]
李丹1,2, 梁新强1, 吴嘉平2    
1. 浙江大学环境与资源学院,杭州 310058;
2. 浙江大学海洋学院,浙江 舟山 316000
摘要: 应用土壤水文评估模型(soil and water assessment tool, SWAT)分析浙江省湖州市水库型饮用水源地——老虎潭水库在2010年1月—2015年4月间水体富营养化污染物的主要来源及其作用模式。通过情景分析方法模拟6种管理措施下库区水文、水质安全情况及其经济效益。结果表明,径流量的模拟精度较高,模拟的偏差百分比(percent bias, BIAS)控制在20%以内(-17.57%~-0.63%),决定系数(coefficient of determination, R2)大于0.75(0.79~0.85),纳什效率系数(Nash-Sutcliffe coefficient of efficiency, NSCE)大于0.70(0.71~0.86)。总氮模拟验证结果较好(NSCE=0.39~0.58, R2=0.58~0.74, BIAS=-14.08%~7.18%),精度满足模型要求,能够反映老虎潭库区水文、水质变化规律。在对比各种假设情景的基础上,得出了最佳水质安全管理措施,认为推广科学施肥是削减污染物最有效的方法。综上表明,SWAT模型在太湖流域丘陵地区模拟径流量和农业面源污染具有较好的适用性,对该地区水文模拟和面源污染治理具有科学的指导意义。
关键词: 土壤水文评估模型    情景分析    土地利用    饮用水    非点源污染    
Water pollution risk simulation and prediction in a drinking water catchment
LI Dan1,2, LIANG Xinqiang1, WU Jiaping2    
1. College of Environmental and Resource Sciences, Zhejiang University, Hangzhou 310058, China;
2. Ocean College, Zhejiang University, Zhoushan 316000, Zhejiang, China
Abstract: Soil and water assessment tool (SWAT) was employed to analyze the main sources and patterns of eutrophic pollutants in Laohutan reservoir, located in Huzhou City, Zhejiang Province from Jan. 2010 to Apr. 2015. The situation of hydrology, water quality and economic benefit in the reservoir area under six management measures was simulated with scenario analysis. The results showed that the accuracy of daily runoff simulation was pretty good, with the percent bias (BIAS) below 20% (-17.57%--0.63%), coefficient of determination (R2) greater than 0.75 (0.79-0.85), Nash-Sutcliffe coefficient of efficiency (NSCE) greater than 0.70 (0.71-0.86). The simulation of total nitrogen was relatively good (NSCE=0.39-0.58, R2=0.58-0.74, BIAS= -14.08%-7.18%), which met the requirements of the model. Therefore, the simulation results can reflect the hydrology and water quality changing rule of Laohutan reservoir. Compared to various hypothetical scenarios, the best water quality safety management measure was found to be promoting scientific fertilization. In conclusion, the SWAT model is applicable to simulate the runoff and agricultural nonpoint-source pollution in hilly area of western Zhejiang, and it is of scientific significance for hydrological simulation and nonpointsource pollution control in this area.
Key words: soil and water assessment tool    scenario analysis    land use    drinking water    nonpoint-source pollution    

当前,中国在水资源领域面临着巨大的挑战,逐渐成为限制国民经济、社会发展的重要因素。其中,饮用水的安全供给关系到人民群众的生命健康与安全。据QIU[1-2]估算,在中国每年因水污染问题造成约6万人死亡,大约有3亿人面临饮用水短缺问题。而水污染加剧了饮用水供给的压力,水质性缺水在经济迅速发展的中国越来越严重,太湖、滇池就曾爆发过类似的群体性事件[3-4],给人民正常生活和身体健康带来了巨大的威胁。由于江河湖泊及地下水受到污染,水库已经成为中国城市饮用水供给的重要保障[5-6]。近年来,点源污染已得到有效地控制,而非点源污染成了水体污染的主要来源[7-9]。目前,减轻非点源污染的威胁已成为确保水库水质安全的迫切需求[10]

流域范围内开展营养负荷定量评估是控制并减少水体富营养化污染的有效方法。在世界范围内,流域模型以及情景分析方法都是研究和分析水环境的常用工具[11-12]。但由于我国农业耕地破碎化程度高,人工干扰强,田间差异性大,因而基于北美、欧洲农业环境开发的模型及其参数不能直接应用于中国农业环境系统[13-15]。因此,参数的本地化显得尤其重要,正确有效的参数化可以大大减少未来模型的调试与使用成本,为未来模型技术集成以及业务化打下坚实的基础。在大多数情况下,决策者制定策略方案时缺乏对方案实施过程中可能产生的结果的有效预期,这使得在实际管理中如何获得更加深入的情景研究结果变得非常重要,特别是高效准确的情景研究可以增强农业和流域管理的现实意义和促进制定更好的政策和激励措施。目前,情景分析中多关注在不同气候变化、土地利用/覆盖和土地管理等[16-18]条件下氮、磷营养元素的污染负荷受何影响。但是,关于政策引导对农业生产、土地利用方式转变和水质安全的影响,特别是在流域尺度上的研究还比较少。

改革开放以来,在社会主义市场经济体制的激励和科技创新的推进下,我国农业产业结构不断优化。在保障粮食生产的基础上,畜牧业、渔业、经济作物生产量不断攀升。然而,在饮用水水源地的农业生产问题上仍面临着许多困难与挑战。水库往往地处偏远,受自然环境、交通条件的影响,当地居民经济条件较为一般,迫切需要从事各种社会经济活动以改善自身经济条件。因此,如何在保障库区人民正常发展诉求的基础上,维护水源地的水环境安全已成为各级地方政府需解决的头等大事。2013年初,黄浦江死猪事件引发社会高度关注。同年5月开始,浙江省大力开展畜牧业转型升级工作,2014年上半年,对老虎潭库区内的养鸡棚、养猪场进行关停处理,而随着茶叶的市场价格不断攀升,原本经营养殖场的农民转而进行茶叶种植,极可能带来更大的面源污染。因此,本文应用土壤水文评估模型(soil and water assessment tool, SWAT)分析了老虎潭水库2010年1月—2015年4月间水体富营养化污染物的主要来源及其作用模式,并通过情景分析方法模拟6种管理措施下库区水文、水质安全情况及其经济效益,以期为后续水源地生态补偿机制的建立和提高饮用水安全保障水平提供理论依据。

1 研究地区与研究方法 1.1 研究区概况

图 1所示,老虎潭水库位于浙江省西北部(119°48′31″ E~119°56′55″ E,30°36′37″ N~30°43′ 35″ N),湖州市吴兴区埭溪镇境内,水库拦河坝位于东苕溪支流埭溪上游埭溪镇张村附近,距离湖州市区约35 km。水库集水区包括湖州吴兴区埭溪镇、德清县莫干山镇以及安吉县昆铜乡,总面积110 km2。多年平均气温15.8 ℃,年平均相对湿度81%。流域多年平均降水量1 600.4 mm。库区地势西高东低,地貌类型以上游构造剥蚀丘陵及下游河谷平原为主,山脉多呈北西至南东向展布,海拔多在100~500 m之间,最高海拔740 m,山坡坡度一般为30°~50°。上游有庄上、大陈、埭溪3条主要河流,河曲发育。下游河谷逐渐开阔,两岸地势低平,分布少量残丘,至埭溪后入杭嘉湖平原,向东流经东苕溪入太湖。老虎潭水库总库容9 966万m3,向湖州市供水约22万m3/d,保障市区近60%的生活饮用水。根据调查资料,2013年老虎潭库区在册人口14 321人,常住人口13 110人,主要集中在大冲、镇水、横岭、双桥、溪北和芳山6个自然村。为保障水库水质安全,在工程建设过程中当地政府关停调整了库区内23家乡镇企业,减排污染物氨氮(ammonium, NH3-N)5.15 t/a,化学需氧量(chemical oxygen demand, COD)29.34 t/a,废水55.94万t/a。老虎潭水库集水区内有3条主要支流:庄上、大陈、埭溪,所在的流域面积分别为23.22、13.48、67.97 km2

图1 老虎潭库区流域位置及气象和监测点 Fig. 1 Location of Laohutan reservoir watershed, meteorological and monitoring site
1.2 研究数据 1.2.1 主要污染源 1.2.1.1 农业面源污染

近年来,随着城镇化的推进,人口逐渐向大中城市聚拢。由于劳动力外流,库区内农业耕作活动由原有的精耕细作转向较低劳动强度的方式,粗放的耕种模式势必会造成新的环境压力,其中化肥农药的过量施用表现最为突出。如表 1所示,库区内水稻田施用氮肥量(以纯氮计)高达每年500~600 kg/hm2,约为国家环保部发布的《化肥使用环境安全技术导则》中推荐施氮量150~180 kg/hm2的3.3倍。毛竹林复合肥施用量约每年750~1 125 kg/hm2,略高于国家推荐用量750 kg/hm2。茶园施氮量约800~1 000 kg/hm2,是推荐施氮量225~450 kg/hm2的2.8倍左右。同时,库区内广泛使用草甘膦除草剂,致使土壤表层缺少植被覆盖,加重了水土及营养元素的流失。

表1 老虎潭库区农作物施肥情况 Table 1 Fertilization management of Laohutan reservoir watershed in SWAT operations
点击放大
1.2.1.2 农村生活污染

农村生活污染主要来源于居民生活污水、粪便污水、生活垃圾及散养畜禽等。农村生活污染源成为影响水环境的重要因素,特别在水源地、库区尤为明显。根据《第一次全国污染源普查城镇生活源产排污系数手册》,在二区二类城镇中,农村人均生活污水量为175 L/d,人均COD、总氮(total nitrogen, TN)、总磷(total phosphorus, TP)、氨氮排放量分别为73、12.9、1.05、9.1 g/d。各村镇的农村生活污染排放量见附表 1(http://www.zjujournals.com/agr/CN/article/showSupportInfo.do?id=10547)。根据调查核算,老虎潭水库流域内农村生活污染源总氮排放量达到53.94 t/a,氨氮为38.05 t/a,总磷排放量为4.39 t/a,COD排放量为305.27 t/a。

1.2.1.3 畜禽养殖污染

2013年9月,我们对老虎潭水库流域内的畜禽养殖情况进行了详细调查统计,结果显示,库区内共有127家养殖户,各村镇主要养殖种类有猪、鸡和鸭等。根据《第一次全国污染源普查畜禽养殖业源产排污系数手册》中华东地区畜禽养殖产排污系数,结合调查的畜禽养殖数量,核算老虎潭水库流域内各畜禽养殖污染物排放量和产排污系数,结果见表 2,各村镇畜禽养殖污染负荷的核算结果见附表 2(http://www.zjujournals.com/agr/CN/article/showSupportInfo.do?id=10547)。根据调查结果核算,老虎潭水库流域畜禽养殖污染源中的总氮排放量达14.76 t/a,氨氮为3.56 t/a,总磷排放量为2.51 t/a,COD排放量为260.54 t/a。

表2 畜禽养殖污染物排污系数一览表 Table 2 Pollutant discharge coefficient of livestock and poultry breeding
点击放大
1.2.2 土地利用

土地利用分类基于多光谱卫星数据,包括Landsat TM/ETM +和SPOT-5获得的该地区在2008—2014年的土地利用情况。老虎潭水库集水区内总土地面积约11 026 hm2。2008年,土地利用以林地为主,面积约8 881 hm2,占总土地面积的80.55%,其中大部分为竹林(7 655 hm2),还有少量松竹混合林(1 226 hm2);其次为耕地和水体,面积分别为595、589 hm2,分别占总土地面积的5.40%和5.34%。茶园面积447 hm(2 4.06%),园地面积218 hm(2 1.98%),村庄251 hm(2 2.27%),道路44 hm2(0.40%)。从2008年到2014年,流域内的土地利用变化主要由林地和部分园地转化成茶园。茶园面积扩张明显,2014年茶园面积为606 hm2,较2008年增加了159 hm2,总增幅35.48%,年均增幅4.43%。水库集水区内土地利用类型见表 3,土地利用现状及其变化见图 2

表3 2008年和2014年老虎潭库区土地利用类型代码及面积 Table 3 Soil texture and land use distribution in Laohutan reservoir watershed in the years of 2008 and 2014
点击放大

图2 老虎潭库区土地利用变化(2008—2014年) Fig. 2 Land use and land cover change in Laohutan reservoir watershed during 2008—2014
1.2.3 土壤类型

本文所使用的土壤数据来源于《全国第二次土壤普查》,将研究区内1:5万土壤图经数字化所得。水库坝址上游流域内土壤类型主要有黄泥沙土、黄泥土2大类。其中,黄泥沙土一般分布于埭溪流域,黄泥土多分布在庄上及大陈流域。另有黄泥沙田、泥砂田、灰黄泥土等在内的水稻土分布于溪谷两侧的耕地、林地中。土壤图和详细土壤属性分别见附图 1和附表 3(http://www.zjujournals.com/agr/CN/article/showSupportInfo.do?id=10547)。

1.2.4 水文水质

本文所使用的水文、水质数据来源于老虎潭水库管理局。水质采样点有4个(图 1),分别位于3条支流汇入水库的末端以及水库坝前取水口。采样时间从2010年1月—2015年4月,采样周期为每月1次。水质指标包括:pH值、溶解氧、高锰酸钾指数、生化需氧量、总氮、总磷、氨氮含量、氟化物含量、部分重金属含量。

1.2.5 其他数据

GIS数据库中的数字高程模型(digital elevation model, DEM)、河网数据(1:2 500)来源于中国国家测绘局。气象数据来源于库区内的5个气象站点,主要包括每日最高和最低气温、降雨量、蒸发量、相对湿度4类气象要素。结合杭州气象监测点获得的每日风速以及光照强度构成模型驱动数据库。

1.3 研究方法 1.3.1 SWAT模型简介

SWAT模型是由美国农业部农业研究中心开发的流域尺度模型。该模型可以在不同土壤类型、土地利用和管理条件下模拟流域内产水、产沙以及农药化肥等污染物负荷变化[19-20]。SWAT模型以其完善的模型结构和高效的计算功能,在世界范围内得到了广泛的应用[11, 21]。在老虎潭库区所在的苕溪以及太湖流域都得到了成功的应用[22-27]。ZHANG等[22]模拟径流的纳什效率系数(Nash-Sutcliffe coefficient of efficiency, NSCE)指数在0.70~0.83之间。LAI等[26]模拟径流、总氮、总磷的NSCE指数在0.58~0.91、0.53~0.78、0.55~0.72之间。ZHAO等[27]模拟径流的NSCE指数在0.77~0.81之间。这些结果都说明SWAT模型率定后能较好地模拟当地径流及水质。本文所使用的模型版本为SWAT 2012(rev. 627)。

1.3.2 模型构建 1.3.2.1 敏感性分析

SWAT模型的参数众多,在校准和验证模型时如果对每个参数都进行调节将会费时费力,且对模型的应用和发展极为不利。但是在模型的研究及应用过程中,人们发现众多参数中有些对模型模拟结果的影响很小,而一些敏感性参数对模拟结果具有举足轻重的作用,所以测算出模型各参数的敏感性后再进行校准和验证将会事半功倍。本研究根据以往工作经验,参考SWAT模型手册及国内外相关文献研究结果[28-31],选取25个对径流、氮、磷模拟有较大影响的参数,详见表 5表 6

表4 老虎潭水库流域营养元素污染情景分析 Table 4 Scenarios for analyzing effects of fertilization, livestock, land use and land cover change (LUCC) on nutrient pollution
点击放大

表5 径流模拟参数敏感性分析及率定结果 Table 5 Sensitivity analysis results for hydrologic parameters
点击放大

表6 氮磷模拟参数敏感性分析及率定结果 Table 6 Sensitivity analysis results for nutritive parameters
点击放大

本文采用全局敏感性分析(global sensitivity analysis)[32]以及单次敏感性分析(one-at-a-time sensitivity analysis, OAT)[33]2种方法计算参数的敏感性。在全局敏感性分析中通过拉丁超立方抽样(Latin hypercube sampling)产生的参数值和目标函数值做回归分析,得到式(1)多元回归方程,然后利用t检验确定每个参数的显著性水平。

$ g=\alpha +\sum\nolimits_{i=1}^{m}{{{\beta }_{i}}{{b}_{i}}.} $ (1)

式中:g为目标函数;αβ为回归系数;bi为参数值。全局敏感性的大小使用2个评价指标进行衡量:t检验和P值。t代表参数的敏感性,其绝对值越大,表示该参数的敏感性越大;P代表敏感性的显著性水平,其值越接近0,表示该参数越显著,当P<0.05时表示该参数对结果影响极为显著[25]

1.3.2.2 模型的率定和不确定性分析

模型率定基于SUFI-2算法。采用拉丁超立方抽样的参数值带入模型中进行模拟,并与实际观测值进行比对,获得新的参数值调整范围。重复迭代多次直至获得理想的参数值,将其作为模型率定结果。每次模拟次数为500次[34],从中选出满足预先设置的阈值(径流:NSCE≥0.5;营养元素:NSCE≥ 0.35)的模拟结果组合,并求出95%置信度下模型模拟的不确定性范围(95% prediction uncertainty, 95PPU)[30]

1.3.2.3 模型验证评估

采用纳什效率系数(NSCE)、径流模拟的偏差百分比(BIAS)和决定系数(R2)对SWAT模型运行效果进行评估。

$ {\rm{NSCE = }}\frac{{\sum\nolimits_{i = 1}^n {{{\left( {{Q_{i,{\rm{o}}}} - \overline {{Q_{\rm{o}}}} } \right)}^2} - \sum\nolimits_{i = 1}^n {{{\left( {{Q_{i,{\rm{o}}}} - {Q_{i,{\rm{s}}}}} \right)}^2}} } }}{{\sum\nolimits_{i = 1}^n {{{\left( {{Q_{i,{\rm{o}}}} - \overline {{Q_{\rm{o}}}} } \right)}^2}} }}. $ (2)
$ {\rm{BIAS = }}\frac{{\sum\nolimits_{i = 1}^n {{Q_{i,{\rm{s}}}} - \sum\nolimits_{i = 1}^n {{Q_{i,{\rm{o}}}}} } }}{{\sum\nolimits_{i = 1}^n {{Q_{i,{\rm{o}}}}} }}. $ (3)
$ {{R}^{2}}=\frac{{{\left[\sum\nolimits_{i=1}^{n}{\left( {{Q}_{i, \rm{o}}}-\overline{{{Q}_{\rm{o}}}} \right)\left( {{Q}_{i, \rm{s}}}-\overline{{{Q}_{\rm{s}}}} \right)} \right]}^{2}}}{\sum\nolimits_{i=1}^{n}{{{\left( {{Q}_{i, \rm{o}}}-\overline{{{Q}_{\rm{o}}}} \right)}^{2}}-\sum\nolimits_{i=1}^{n}{{{\left( {{Q}_{i, \rm{s}}}-{{Q}_{\rm{s}}} \right)}^{2}}}}}. $ (4)

式中:Qo为实地观察数据;Qs为模型模拟数据;${\overline {{Q_{\rm{o}}}} }$为观测数据的平均值;${\overline {{Q_{\rm{s}}}} }$为模拟数据的平均值;n为观测数据的总数。

根据MORIASI等[35-36]的研究,当模拟月径流时NSCE>0.5、R2>0.70、|BIAS|<25%,认为模型模拟得到了满意的结果。当模拟营养元素时,NSCE>0.35、R2>0.30、|BIAS|<30%即可满足模型应用要求。SWAT模型对总氮、总磷的模拟难度大于对径流和泥沙的模拟。

1.3.3 情景分析

情景分析已经被广泛地应用于指导自然资源保护和环境管理规划[37]。通过情景分析方法,可以考虑未来可能发生的事件过程、各种结果及其影响,进而帮助决策者做出更加明智的选择。

预测未来本身存在着很大的难度,为了实现对客观世界的再现,必须对其进行高度概化,选取重要的不定因素进行讨论。在水体富营养化污染中,污染源复杂多变,河川径流的不同水文模式决定流域内营养元素的迁移、转化、衰减过程,影响最终进入水环境的污染物总量[11]。因此,为了控制并减少营养负荷,需开展流域范围内定量评估工作,建立可能的营养负荷削减措施方案,并通过模型量化各方案的影响程度。不同的行政管理措施会对水环境产生不同的影响。模型率定时的不确定性作为假设情景的不确定性范围。本文考虑3个不确定因素,即施肥量、畜禽养殖是否取缔、茶园是否开垦,设置了6种情景模式(表 4)。其中:情景S1(现有施肥量、保持畜禽养殖、未开垦茶园)是库区原有状态;情景S2与情景S1不同之处在于取缔了畜禽养殖,这种状态是库区实施产业升级、保护水源地政策所期望实现的情景;情景S3与情景S2所不同之处在于开垦了茶园,这种状态是政策实施所造成的真实结果;情景S4是在情景S3的基础上改变了施肥量,是在现有政策基础上提出的改进方案;情景S5是假设在情景S1的原始状态下不取缔畜禽养殖,仅仅是推行更优的施肥方案;情景S6是在情景S5的基础上只取缔畜禽养殖而不进行茶园开垦的环境最优方案。

2 结果 2.1 径流模拟

模型模拟时间从2008年1月1日至2014年12月31日,前2年(2008—2009)仅作为模型的预热期,不输出结果,率定期3年(2010—2012),验证期2年(2013—2014)。使用埭溪监测点每日及每月径流量实测数据进行模型率定及验证。

2.1.1 参数敏感性分析结果

选取SWAT中与径流相关的10个参数进行敏感性分析,如表 5所示。径流模拟中敏感性最高的参数是径流曲线系数(curve number, CN2)、土壤蒸发补偿系数(soil evaporation compensation factor, ESCO)、浅层地下水再蒸发系数(groundwater revaporization coefficient, Gw_revap)和土壤饱和水力传导度(saturated hydraulic conductivity, Sol_K)。这4个参数的P值均小于0.05,显著影响着径流模拟结果,并且 t检验绝对值都大于2,对径流影响幅度大。前人的研究也得到了类似的结果[38-40]

2.1.2 模型率定结果

根据参数敏感性分析结果,选取敏感性前10的参数,以埭溪监测点2010—2012年每日及每月径流量监测数据作为参照数据进行率定,得到参数最优值(表 5)。模型率定期每日径流量验证参数NSCE、R2和BIAS分别是0.71、0.84和-0.63%;每月径流量NSCE、R2和BIAS分别是0.85、0.88和-2.32%,表明率定结果总体令人满意。

2.1.3 模型验证结果

采用表 5中的参数率定结果,运行SWAT模型,以埭溪监测点2013—2014年每日及每月径流数据作为验证参照数据。每日及每月径流模拟的偏差百分比(BIAS)均控制在20%以内(分别为-17.57%、-12.42%),模型的纳什效率系数(NSCE)分别达0.75、0.77,决定系数(R2)分别达0.79、0.80,精度满足模拟要求。说明模拟结果能较好地反映老虎潭库区径流量变化规律。

图 3图 4展示了老虎潭流域埭溪监测点每日及每月径流量的观测值和模拟值,其中,在每月径流量模拟结果中包含了纳什系数等于0.5作为似然函数阈值下径流模拟95%的置信范围(95PPU)[30]。径流模拟结果同观测结果具有相同的变化趋势。在某些洪水季节,峰值流量的模拟值略低于真实观测值,例如2010年7月、2012年8月和2013年6月。与此同时,在模拟枯水季节径流量(小于1 m3/s)时极易造成过量模拟。这主要是因为枯水季节径流主要依靠地下水来维持,而地下水流向和流量的复杂程度增加了模型模拟的难度。

图3 埭溪监测点每日径流量模拟情况 Fig. 3 Observed and simulated daily discharge in Daixi

图4 埭溪监测点每月径流量模拟情况 Fig. 4 Observed and simulated monthly discharge in Daixi
2.2 营养元素模拟

过去几十年,农业生态系统中的氮元素流失对水生环境造成了严重影响[41]。在流域尺度下模拟氮元素的迁移转化对水质保护、生态环境可持续发展具有重要的意义。模型模拟了老虎潭库区2010年1月—2015年4月的总氮流失情况,在参数敏感性分析的基础上,以坝前取水点(Laohutan dam, LHT)2010年1月—2012年12月3年的水质数据对模型进行率定校正,得到相关参数最优值(表 5)。将模型模拟结果与流域4个实测点在2013年1月—2015年4月数据进行对比验证。

2.2.1 参数敏感性分析结果

选取SWAT中与泥沙、营养元素流失相关的15个参数进行敏感性分析。结果(表 6)显示,在氮磷模拟中,氮土壤流失比例系数(nitrate percolation coefficient, NPERCO)、泥沙流失线性因子(linear parameter of maximum concentration of sediment, SPCON)、磷土壤分区系数(phosphorus soil partitioning coefficient, PHOSKD)、有机质矿化速率(residue decomposition coefficient, RSDCO)和反硝化速率(denitrification exponential rate coefficient, CDN)是敏感性最高的5个参数。其中:NPERCO和SPCON的P值小于或等于0.05,是极为敏感的2个参数,剩下的3个参数P值在0.05~0.20之间,属于较为敏感的参数。

2.2.2 模型率定结果

以坝前取水点(LHT)2010年1月—2012年12月间每月总氮负荷监测数据作为参照数据进行率定,得到表 6所示的参数最优值。率定期验证参数NSCE、R2和BIAS分别是0.80、0.89和-4.65%,表明率定结果总体令人满意。

2.2.3 模型验证结果

图 5展示了4个监测点总氮负荷量的观测值和模拟值。总氮年排放模拟值与观测值基本保持一致,除上方外4个监测点的NSCE在0.53~0.58之间,决定系数(R2)在0.69~0.74之间,|BIAS|<15%。然而,模型在2014年之后对TN负荷量的估算在4个监测点都有低估,其中上方流域最为明显,埭溪流域其次,这2个流域是原有畜禽养殖主要分布区,同时也是新增茶园主要所在流域。主要原因可能是受到滞后效应[42]的影响,即土地利用方式的变化对土壤氮周转与流失过程以及地下水氮水平的作用不会在短期内就呈现[43],可能存在几年到几十年的滞后。另一方面,新生茶园(开垦期1~3年)地表覆盖度低,水土流失、氮磷流失严重,模型未能准确模拟其氮磷流失负荷,造成了一定程度的低估,但是随着茶树逐渐成熟,模型对其模拟能力将会恢复。

图5 老虎潭水库流域每日总氮负荷模拟值和实测值 Fig. 5 Simulated and observed daily total nitrogen (TN) loads at Laohutan reservoir watershed

2013年库区水质较2011年和2012年有了明显的改观,总氮质量浓度从之前的2.24 mg/L下降到了1.69 mg/L,库区取水口水质已经大体恢复到了2009年的水平。然而2014年水质恶化,总氮质量浓度重新超过劣Ⅴ类水质标准,达到2.07 mg/L。库区水体处于富营养化状态,仍然有爆发硅藻、蓝藻等环境危机事件的可能性。

2.3 最佳管理模式

情景分析结果(图 6)显示,6种情景中S1产生的入库量最高,达到(181.6±20.5)t/a,经济效益较高,年产值为(1.72±0.09)亿元,总氮污染物中有74.4%源自农业非点源污染[(135.1±20.3)t/a],其次是人类生活污染[(17.3±2.0)t/a,9.5%]、畜禽养殖[(14.7±1.5)t/a,8.1%]和其他来源[(14.5± 2.9)t/a,8.0%]。从中可以看出,库区内农业非点源污染是最大的污染源,同时库区内畜禽养殖为当地居民带来了相当可观的经济收入。情景S2取缔畜禽养殖对其他污染源并无实质控制效果,入库总氮较情景S1减少8.1%,达到(166.9±21.0)t/a,水质保护效果一般;而当地居民经济收入受到较大影响,降到(0.93 ± 0.06)亿元/年,减少了45.9%。情景S3在情景S2的基础上增加茶园开垦,结果导致农业非点源污染略有增加[(138.7± 20.8)t/a],占总污染的81.4%,致使总氮入库总量略有增加(170.5±21.5)t/a;经济收入略有增加[(1.11±0.06)亿元/年]。情景S4、S5、S6均采用国家推荐施肥管理模式,可以有效减少农业生产带来的非点源污染,入库总氮较情景S1削减幅度巨大(51.0%~62.0%);同时,由于在生态种植下稻田的经济效益明显提升,在一定程度上提升了农民的经济收入。其中:情景S4是在现有管理模式上提出的改进措施,推广生态施肥既可以减少污染物总量,又可以切实增加居民收入[(1.42± 0.08)亿元/年]。情景S5是假设在实施畜禽养殖产业升级前就实施科学施肥管理的效果,由于没有新开垦茶园,农业面源污染量较情景S4略少,但是每年会产生(14.5±2.9)t/a的畜禽养殖总氮污染,所造成的总污染比情景S4更多;此外,情景S5获得了最高的经济效益[(2.04±0.10)亿元/年]。情景S6是假设严格控制所有因素(取缔畜禽养殖、不开垦新茶园、科学施肥)得到的环境最优型管理模式,总氮入库量为(87.4 ± 7.9)t/a,较情景S5 [(101.9±10.1)t/a]减少14.2%,但是经济效益较情景S5减少38.5%[(1.26±0.07)亿元/年]。综合经济效益和环境保护,情景S5应该是最佳管理模式,情景S4和S6为较优管理模式。综合情景分析可知,推广科学施肥,减少化学肥料使用,多施用有机肥,充分利用自然条件,减少人为对自然的干扰,可以获得优质农产品,并保障当地水环境安全。

图6 情景分析总氮来源组成及经济效益 Fig. 6 Scenario analysis of total nitrogen sources and economic effectiveness
3 讨论

老虎潭库区内河流均属山溪性河流,具有明显的流域边界,汇水流向相对简单,是我国华东、华南水库的典型形式。河床纵坡降较大,源短流急,水位、水量受降水强度影响变化幅度较大,非常适合SWAT模型模拟。由敏感性分析结果可知,水文模拟时重点调整的参数是SCS径流曲线系数(CN2)、土壤蒸发补偿系数(ESCO)、浅层地下水再蒸发系数(Gw_revap)和土壤饱和水力传导度(Sol_K)。氮、磷模拟时重点调整的参数是氮土壤流失比例系数(NPERCO)、泥沙流失线性因子(SPCON)、磷土壤分区系数(PHOSKD)、有机质矿化速率(RSDCO)和反硝化速率(CDN)。CN2参数严重影响着地面汇流过程,而ESCO和Gw_revap的高敏感性来源于老虎潭流域的地理特性,该地纬度较低(30° N),累计全年太阳辐射强度较大(4 000~5 000 MJ/m2),水分蒸发、植物蒸腾作用对土壤含水率影响较大,对流域水循环起着至关重要的影响。Sol_K参数大小表征土壤中水分向下渗透速度的快慢,与土壤的机械组成有直接关系,对水分在土壤中的垂直分布有着至关重要的影响。除此之外,土壤表层可利用水量(Sol_AWC)和浅层地下水再蒸发阈值(REVAPMN)对径流模拟结果也有一定影响。多项研究的径流参数优化结果与以上结果类似[28, 38, 44]。NPERCO代表氮元素从土壤中渗透到地表水中的能力,NPERCO值越大,代表更多的溶解态氮渗透到地表水或者侧流当中,说明大量的溶解态氮通过地表径流和侧流的形式流失。事实上,相关研究[45-46]在模拟氮流失时仅仅对这个参数进行了率定。SPCON是控制流域内泥沙流失强度最敏感的参数[47],总氮的流失很大一部分是泥沙吸附态氮,氮磷流失量同泥沙的携带能力强烈相关[48]。PHOSKD指表层土壤(10 mm)中可溶性磷的浓度和地表径流中可溶性磷的浓度之比,这个参数直接控制径流中磷的流失量。RSDCO和CDN控制着氮循环中固化以及反硝化的速率,是氮循环中至关重要的参数。

农业耕种模式和土地利用变化对氮的流失具有显著影响。自然植被通常可以有效减少流失,而农业活动则会加剧流失。在天然竹林地中氮的流失主要以泥沙结合态为主。而在耕作土地中氮的流失主要以可溶态氮为主,因此其流失量主要受径流强度影响。雨季(6—9月)的营养盐输出大于旱季(12月—次年3月)。降雨影响地表水质有2种途径,第1种是造成面源污染的冲刷作用,第2种是对原有水体的稀释作用,它们对氮磷迁移起正反2方面作用[49]。由于施肥时间不同,这2种作用对老虎潭库区的主要影响不同。每年9—10月是竹林施肥主要时间段,每年3—4月是茶园主要施肥期,这段时间内河流中的污染物浓度同降雨量呈正相关,表明这期间的主要污染模式为农田面源污染。而在5—7月土壤中所施用的氮磷含量下降,地表植被覆盖度增加,雨水冲刷所带入的污染物数量减少,而降雨量可以更有效地对水体进行稀释,从而降低污染物的浓度。

从情景分析可以看出,关停畜禽养殖可以快捷、便利地减少总氮的入库量,但是由于该项措施所引起的后续效应(新建茶园)对污染物控制不利,同时在一定程度上损害了当地农户的经济利益,地方政府对农业产业升级的行政干预并不能达到完美控制减排并保障经济发展的目的。在现有条件下依照情景S4进行,从农业面源污染着手控制污染来源,虽然政策实施难度比较大,但是可以得到最优的污染控制效果并且取得一定的经济效益。如引导库区农民采用环境友好型耕种技术,即减少化肥施用,多施用有机肥,可减少面源污染,逐步降低老虎潭水库水体中氮、磷含量,确保水库水源的安全。情景S4是现阶段最容易实现的最佳管理模式。

4 结论 4.1

本文应用SWAT模型计算得出2010—2014年老虎潭水库流域年均入库水量约1万m3、总氮180~200 t。其中:总氮74.4%来自农业生产,9.5%来自生活污染,8.1%来自畜禽养殖,8.0%来自其他污染源。

4.2

通过模型模拟及情景分析,发现老虎潭水库库区内耕地过量施肥、土壤侵蚀和水土流失是非点源污染产生的主要原因。因此,推广合理施肥、加强水土保持措施、控制非点源污染是对库区水环境最优的管理方式。

4.3

地方政府应谨慎运用行政手段干预农业产业升级,应当在充分调研和科学预测的基础上加强引导和调控,从而促进污染减排,同时保障生态效益和经济效益,实现社会福利最大化。

参考文献
[1] QIU J. China to spend billions cleaning up groundwater. Science, 2011, 334(6057): 745. DOI:10.1126/science.334.6057.745
[2] QIU J. China pledges to get wealthier with less water. Nature, 2009.
[3] 沈建军, 李柏山, 徐海萍. 太湖水污染原因分析及治理措施. 环境科学导刊, 2009, 28(2): 27-29.
SHEN J J, LI B S, XU H P. Water pollution analysis and treatment measures of Taihu Lake. Environmental Science Survey, 2009, 28(2): 27-29. (in Chinese with English abstract)
[4] 丁莞韵. 中国水污染事件记实. 环境保护, 2007(7B): 83-85.
DING W Y. China's water pollution event documentary. Environmental Protection, 2007(7B): 83-85. (in Chinese with English abstract)
[5] XIN X, LI K, FINLAYSON B, et al. Evaluation, prediction, and protection of water quality in Danjiangkou Reservoir, China. Water Science and Engineering, 2015, 8(1): 30-39. DOI:10.1016/j.wse.2014.11.001
[6] ZHANG H, HUANG T, LIU T. Sediment enzyme activities and microbial community diversity in an oligotrophic drinking water reservoir, eastern China. PLoS One, 2013, 8(10): e78571. DOI:10.1371/journal.pone.0078571
[7] ONGLEY E D, ZHANG X L, YU T. Current status of agricultural and rural non-point source pollution assessment in China. Environmental Pollution, 2010, 158(5): 1159-1168. DOI:10.1016/j.envpol.2009.10.047
[8] JIANG J, LI S, HU J, et al. A modeling approach to evaluating the impacts of policy-induced land management practices on non-point source pollution: A case study of the Liuxi River watershed, China. Agricultural Water Management, 2014, 131: 1-16. DOI:10.1016/j.agwat.2013.09.005
[9] HAN H, ALLAN J D. Uneven rise in N inputs to the Lake Michigan Basin over the 20th century corresponds to agricultural and societal transitions. Biogeochemistry, 2012, 109(1/2/3): 175-187.
[10] NIELSEN A, TROLLE D, ME W, et al. Assessing ways to combat eutrophication in a Chinese drinking water reservoir using SWAT. Marine and Freshwater Research, 2013, 64(5): 475. DOI:10.1071/MF12106
[11] HASHEMI F, OLESEN J E, DALGAARD T, et al. Review of scenario analyses to reduce agricultural nitrogen and phosphorus loading to the aquatic environment. Science of the Total Environment, 2016, 573: 608-626. DOI:10.1016/j.scitotenv.2016.08.141
[12] ISIK S, KALIN L, SCHOONOVER J E, et al. Modeling effects of changing land use/cover on daily streamflow: An artificial neural network and curve number based hybrid approach. Journal of Hydrology, 2013, 485: 103-112. DOI:10.1016/j.jhydrol.2012.08.032
[13] XIE X H, CUI Y L. Development and test of SWAT for modeling hydrological processes in irrigation districts with paddy rice. Journal of Hydrology, 2011, 396(1/2): 61-71.
[14] ZHOU F, SHANG Z Y, ZENG Z Z, et al. New model for capturing the variations of fertilizer-induced emission factors of N2O. Global Biogeochemical Cycles, 2015, 29(6): 885-897. DOI:10.1002/2014GB005046
[15] ZHENG J, LI G Y, HAN Z Z, et al. Hydrological cycle simulation of an irrigation district based on a SWAT model. Mathematical and Computer Modelling, 2010, 51(11/12): 1312-1318.
[16] WILSON C O, WENG Q H. Simulating the impacts of future land use and climate changes on surface water quality in the Des Plaines River watershed, Chicago Metropolitan Statistical Area, Illinois. Science of the Total Environment, 2011, 409(20): 4387-4405. DOI:10.1016/j.scitotenv.2011.07.001
[17] LIN K, LÜ F, CHEN L, et al. Xin'anjiang model combined with curve number to simulate the effect of land use change on environmental flow. Journal of Hydrology, 2014, 519: 3142-3152. DOI:10.1016/j.jhydrol.2014.10.049
[18] SHAMIR E, MEGDAL S B, CARRILLO C, et al. Climate change and water resources management in the Upper Santa Cruz River, Arizona. Journal of Hydrology, 2015, 521: 18-33. DOI:10.1016/j.jhydrol.2014.11.062
[19] ARNOLD J G, SRINIVASAN R, MUTTIAH R S, et al. Large area hydrologic modeling and assessment part Ⅰ: Model development. Journal of the American Water Resources Association, 1998, 34(1): 73-89. DOI:10.1111/jawr.1998.34.issue-1
[20] NEITSCH S L, ARNOLD J G, KINIRY J R, et al. Soil & Water assessment tool theoretical documentation, version 2009//Texas Water Resources Institute Technical Report No. 406. USA: Texas A & M University System, 2011.
[21] LI Z L, XU Z X, LI Z J. Performance of WASMOD and SWAT on hydrological simulation in Yingluoxia watershed in northwest of China. Hydrological Processes, 2011, 25(13): 2001-2008. DOI:10.1002/hyp.v25.13
[22] ZHANG Q L, CHEN Y X, JILANI G, et al. Model AVSWAT apropos of simulating non-point source pollution in Taihu Lake basin. Journal of Hazardous Materials, 2010, 174(1/2/3): 824-830.
[23] 金婧靓, 王飞儿, 戴露莹, 等. 苕溪流域非点源污染特征及其影响因子. 应用生态学报, 2011, 22(8): 2119-2125.
JING J L, WANG F E, DAI L Y, et al. Characteristics of nonpoint source pollution in Tiaoxi watershed and related affecting factors. Chinese Journal of Applied Ecology, 2011, 22(8): 2119-2125. (in Chinese with English abstract)
[24] 李丽娇, 薛丽娟, 张奇. 基于SWAT的西苕溪流域降雨-径流关系及水量平衡分析. 水土保持通报, 2008, 28(5): 81-85.
LI L J, XUE L J, ZHANG Q. SWAT-based rainfall-runoff relationship and water balance analysis in Xitiaoxi catchment. Bulletin of Soil and Water Conservation, 2008, 28(5): 81-85. (in Chinese with English abstract)
[25] LIANG X Q, WANG Z B, ZHANG Y X, et al. No-tillage effects on N and P exports across a rice-planted watershed. Environmental Science and Pollution Research, 2016, 23(9): 8598-8609. DOI:10.1007/s11356-016-6112-8
[26] LAI G Y, YU G, GUI F. Preliminary study on assessment of nutrient transport in the Taihu Basin based on SWAT modeling. Science in China, Series D: Earth Sciences, 2006, 49(Suppl. 1): 135-145.
[27] ZHAO G J, HÖRMANN G, FOHRER N, et al. Development and application of a nitrogen simulation model in a data scarce catchment in South China. Agricultural Water Management, 2011, 98(4): 619-631. DOI:10.1016/j.agwat.2010.10.022
[28] NIRAULA R, MEIXNER T, NORMAN L M. Determining the importance of model calibration for forecasting absolute/ relative changes in streamflow from LULC and climate changes. Journal of Hydrology, 2015, 522: 439-451. DOI:10.1016/j.jhydrol.2015.01.007
[29] NIRAULA R, NORMAN L M, MEIXNER T, et al. Multi-gauge calibration for modeling the semi-arid Santa Cruz Watershed in Arizona-Mexico Border area using SWAT. Air, Soil and Water Research, 2012, 5: 41-57.
[30] YANG J, REICHERT P, ABBASPOUR K C, et al. Comparing uncertainty analysis techniques for a SWAT application to the Chaohe Basin in China. Journal of Hydrology, 2008, 358(1/2): 1-23.
[31] 张平, 刘云慧, 肖禾, 等. 基于SWAT模型的北京密云水库沿湖区氮磷流失风险分区. 中国农业大学学报, 2011, 16(3): 53-59.
ZHANG P, LIU Y H, XIAO H, et al. Identification of the risk area of nitrogen and phosphorus loss at lakeshore of Miyun reservoir by using SWAT model. Journal of China Agricultural University, 2011, 16(3): 53-59. (in Chinese with English abstract)
[32] VAN GRIENSVEN A, MEIXNER T, GRUNWALD S, et al. A global sensitivity analysis tool for the parameters of multivariable catchment models. Journal of Hydrology, 2006, 324(1/2/3/4): 10-23.
[33] VAN GRIENSVEN A, FRANCOS A, BAUWENS W. Sensitivity analysis and auto-calibration of an integral dynamic model for river water quality. Water Science and Technology, 2002, 45(9): 325-332.
[34] ABBASPOUR K C. SWAT-CUP: SWAT calibration and uncertainty programs: A user manual. Duebendorf, Switzerland: Swiss Federal Institute of Aquatic Science and Technology, Eawag, 2011.
[35] MORIASI D N, GITAU M W, PAI N, et al. Hydrologic and water quality models: Performance measures and evaluation criteria. Transactions of the ASABE, 2015, 58(6): 1763-1785. DOI:10.13031/issn.2151-0032
[36] MORIASI D N, ARNOLD J G, VAN LIEW M W, et al. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 2007, 50(3): 885-900. DOI:10.13031/2013.23153
[37] 曹茜, 于德永, 孙云, 等. 土地利用/覆盖变化与气候变化定量关系研究进展. 自然资源学报, 2015, 30(5): 880-890.
CAO Q, YU D Y, SUN Y, et al. Research progress on the quantitative relationship between land-use/land-cover change and climate change. Journal of Natural Resources, 2015, 30(5): 880-890. (in Chinese with English abstract) DOI:10.11849/zrzyxb.2015.05.015
[38] HOLVOET K, VAN GRIENSVEN A, SEUNTJENS P, et al. Sensitivity analysis for hydrology and pesticide supply towards the river in SWAT. Physics and Chemistry of the Earth, Parts A/B/C, 2005, 30(8/9/10): 518-526.
[39] RAJIB M A, MERWADE V, YU Z Q. Multi-objective calibration of a hydrologic model using spatially distributed remotely sensed/in-situ soil moisture. Journal of Hydrology, 2016, 536: 192-207. DOI:10.1016/j.jhydrol.2016.02.037
[40] WELLEN C, ARHONDITSIS G B, LONG T, et al. Quantifying the uncertainty of nonpoint source attribution in distributed water quality models: A Bayesian assessment of SWAT's sediment export predictions. Journal of Hydrology, 2014, 519(Part D): 3353-3368.
[41] GAO M, QIU J, LI C, et al. Modeling nitrogen loading from a watershed consisting of cropland and livestock farms in China using Manure-DNDC. Agriculture, Ecosystems & Environment, 2014, 185: 88-98.
[42] LIU J, DIETZ T, CARPENTER S R, et al. Complexity of coupled human and natural systems. Science, 2007, 317(5844): 1513-1516. DOI:10.1126/science.1144004
[43] BÜRGI M, ÖSTLUND L, MLADENOFF D J. Legacy effects of human land use: Ecosystems as time-lagged systems. Ecosystems, 2017, 20(1): 94-103. DOI:10.1007/s10021-016-0051-6
[44] LI Z, LIU W Z, ZHANG X C, et al. Impacts of land use change and climate variability on hydrology in an agricultural catchment on the Loess Plateau of China. Journal of Hydrology, 2009, 377(1/2): 35-42.
[45] BEHERA S, PANDA R K. Evaluation of management alternatives for an agricultural watershed in a sub-humid subtropical region using a physical process based model. Agriculture, Ecosystems & Environment, 2006, 113(1/2/3/4): 62-72.
[46] SCHILLING K E, WOLTER C F. Modeling nitrate-nitrogen load reduction strategies for the Des Moines River, Iowa using SWAT. Environmental Management, 2009, 44(4): 671-682. DOI:10.1007/s00267-009-9364-y
[47] SHAN N, RUAN X H, XU J, et al. Estimating the optimal width of buffer strip for nonpoint source pollution control in the Three Gorges Reservoir Area, China. Ecological Modelling, 2014, 276: 51-63. DOI:10.1016/j.ecolmodel.2013.12.019
[48] 王晓燕, 王一峋, 王晓峰, 等. 密云水库小流域土地利用方式与氮磷流失规律. 环境科学研究, 2003, 16(1): 30-33.
WANG X Y, WANG Y X, WANG X F, et al. The character of nutrient loss and land use in a small watershed of Miyun Reservoir. Research of Environmental Sciences, 2003, 16(1): 30-33. (in Chinese with English abstract)
[49] 李瑞玲, 张永春, 刘庄, 等. 太湖缓坡丘陵地区雨强对农业非点源污染物随地表径流迁移的影响. 环境科学, 2010, 31(5): 1220-1226.
LI R L, ZHANG Y C, LIU Z, et al. Rainfall intensity effects on nutrients transport in surface runoff from farmland in gentle slope hilly area of Taihu Lake basin. Environmental Science, 2010, 31(5): 1220-1226. (in Chinese with English abstract)