基于GIS和SWMM模型的大清河流域面源污染风险评估_曹淑钧.pdf

摘要：结合 GIS 与 SWMM 模型建立大清河流域面源污染模型，探究 2020 年大清河流域面源污染负荷情况。采用主成分分析法与聚类分类模型实证的方法定量研究大清河流域中农业面源污染负荷的空间分布，在此基础上划分风险等级，分为强风险区、中风险区、低风险区。基于统计年鉴数据，采用输出系数法估算大清河流域化肥施用、畜禽养殖、农村生活污水、水产品养殖的污染负荷，构建农业面源污染监管技术体系，旨在为大清河农业面源污染治理工作提供理论支撑。关键词：面源污染；风险评估；GIS；SWMM 模型；主成分分析法Abstract：This paper combines GIS and SWMM model to establish the non-point source pollution model of theDaqinghe River basin，explores the non-point source pollution load of the Daqinghe River basin in 2020.The spatialdistribution of agricultural non-point source pollution load in the Daqinghe River basin is quantitatively studied byusing the principal component analysis method and the cluster classification model.On this basis，the risk level isdivided into strong risk area，medium risk area and low risk area.Based on the statistical yearbook data，the outputcoefficient method is used to estimate the pollution load of chemical fertilizer application，livestock and poultrybreeding，rural domestic sewage，and aquatic product breeding in the Daqinghe River basin，and a technical systemfor monitoring agricultural non-point source pollution is established to provide theoretical support for the treatment ofagricultural non-point source pollution in the Daqinghe River basin.Key words：non-point source pollution；risk assessment；SWMM model；principal component analysis中图分类号：TP79文献标识码：A文章编号：16741021（2023）010029-061引言水体的氮、磷富营养化导致水污染问题，农业活动加剧了污染物的生产，降雨径流冲刷的污染物严重影响河流水质状况，造成农业面源污染，成为水体污染的主要来源1。面源污染是环境治理中的一大难题，治理进展缓慢。面源污染包括城市面源污染和农业面源污染。与点源污染相比，其随机性、广泛性等特点加大了研究难度。城市面源污染主要源于道路尘土垃圾、汽车轮胎磨损物等，污染物种类复杂，污染性强，影响城市水环境的综合治理。农业面源污染主要来源是大量使用化肥农药、粪便排放处理不当、农村生活垃圾处理处置不当以及水产养殖过程收稿日期：2022-10-19；修订日期：2023-01-10。作者简介：曹淑钧，女，1999 年生，硕士研究生，主要研究方向为农业面源污染防治。*通讯作者：赵起超，男，1987 年生，博士，主要研究方向为水环境遥感，Email：。基金项目：廊坊市科技局“河北省全职引进高端人才科研项目”（2020HBQZYC002）；河北省高等学校科学技术研究项目（QN2022076）；北华航天工业学院硕士研究生创新资助项目（YKY-2021-31）。基于 GIS 和 SWMM 模型的大清河流域面源污染风险评估曹淑钧1，2赵起超1，2王英俊3何瑞瑞4雷骁5胡娟1，2（1 北华航天工业学院遥感信息工程学院，河北廊坊 065000；2 河北省航天遥感信息处理与应用协同创新中心，河北廊坊 065000；3 河北大学，河北保定 071000；4 河北省廊坊生态环境监测中心，河北廊坊 065000；5 廊坊市生态环境局，河北廊坊 065000）*29中大量饵料和养殖用药的使用2-5。目前农业面源污染模型根据其发展和特征可以分为 3 类6：一类是机理模型，这类模型根据污染源头研究污染物的输送、转化和产出过程，模拟了污染的形成过程，可以更好地应用于研究区农业面源污染负荷的模拟。二十世纪七八十年代，面源污染模型技术逐渐成熟，出现了一批结果更为精确、功能更为完善的面源污染机理模型，如 CREAMS 模型7、SWAT 模型8、SWMM 模型9、HSPF 模型10、输出系数模型11等。二是统计模型，也称为经验模型，该类模型主要通过长时序的数据收集与整理，进行回归分析，从而得到一个相关性方程，形式简单。三是综合模型，这类模型包含广泛的内容，是一种注重实用性的集成性模型，农业面源污染主要为其中的一个子模块，具有代表性的有 RZWQM 模型等。本研究选取处在华北平原地区的大清河流域，根据其地理位置条件，结合 GIS 与 SWMM 模型建立大清河流域面源污染模型，对大清河流域进行面源污染负荷分析，采用主成分分析法与聚类分类模型实证的方法定量研究大清河流域中农业面源污染负荷的空间分布，在此基础上划分风险等级，采用输出系数法对大清河流域 2020 年的污染来源进行分析，以期提供大清河流域农业面源污染治理方向与技术支撑。2材料与数据21研究区概况大清河位于海河流域的中部，流经山西、河北、北京和天津 4 省（市），流域面积 32 700 km2，流域总人口数量达到 2 325 万人，耕地 2 640 万亩。22数据来源本研究采用的数字高程模型 DEM 数据，来自基于 3D 地球引擎设计的 Bigemap GIS office 软件；土地利用覆盖数据采用高分一号卫星影像经过预处理后通过监督分类技术获取；降雨数据采用大清河流域中，流经廊坊、天津、北京、山西地区的暴雨强度公式结合 FC 芝加哥雨型模型获取；面源污染模型参数等数据源于已发表的文献、学位论文与模型手册综合参考取值。畜禽养殖数据、化肥施用数据、生活污水数据、水产品数据均来源于研究区各市统计年鉴（20192020 年），氮、磷肥排放量，畜禽、水产养殖排污系数主要通过查阅相关文献资料并结合大清河辖区的实际情况而定。23数据处理231数字高程数据处理本研究采用的 DEM 数据为 ASTER GDEM 高程数据，分辨率为 30 m。利用 GIS 平台对 DEM 数据进行填洼、流向、流量处理，采用阈值法提取河网，利用分水岭算法进行大清河流域提取。232土地利用覆盖数据处理采用高分一号数据进行辐射定标、大气校正、裁剪、拼接等预处理操作，利用监督分类技术进行土地利用分类，分为水域、耕地、裸地、居民区、林地、草地6 类。基于 GIS 平台计算各类土地利用占比，占比情况见表 1。表 1大清河流域土地利用占比233降雨条件设计我国农业面源污染研究起步较晚，缺乏近年来大清河流域降雨资料，本研究采用大清河流域中，流经廊坊、天津、北京、山西地区的暴雨强度公式的平均降雨量，结合 FC 芝加哥雨型模型进行降雨时间序列设计。假设降雨历时为 2 h，设计 05 a 一遇、1 a 一遇、2 a 一遇、3 a 一遇、5 a 一遇、10 a 一遇、20 a 一遇、50 a 一遇，共 8 个暴雨重现期的降雨强度，时间步长均为 1 min，雨峰系数一般在 0305 之间，本研究雨峰系数采用经验值 04。研究区域不同重现期降雨过程如图 1 所示。项目面积/hm2占流域总面积比例/%水域467.291.47耕地7 417.2523.52合计31 541.18100裸地2 655.608.42居民区14 893.3047.22林地2 787.328.84草地3 320.4210.5330环境保护与循环经济图 1研究区域不同重现期降雨过程234模型参数取值由大清河流域概化结果，将大清河流域分为 60个子汇水区，SWMM 模型参数主要包含子汇水区中的关键属性：不渗透性、曼宁系数、霍顿（Horton）入渗模型参数以及污染物累积函数、污染物冲刷函数等。由于缺乏大清河流域相关地质资料，参数主要采用相邻研究区文献研究参数取值、SWMM 模型手册参数以及相关经验取值。3研究方法31确定指标权重数据标准化。基于 GIS 多指标评价体系中，需提取不同的指标数据进行分析，而不同的评价指标具有不同的量纲和数量级，因此需要进行数据标准化。评价指标的标准化量化公式为：Qij=Xij-Xj（min）Xj（max）-Xj（min）（1）Qij=Xj（max）-XijXj（max）-Xj（min）（2）式（1）（2）中，Qij是第 j 项评价指标的第 i 级的标准化值；Xij是第 j 项评价指标第 i 级编码值；Xj（max）是第j 项评价指标最大编码值；Xj（min）是第 j 项评价指标最小编码值。采用熵权法计算指标权重，计算 i 年重现期第 j项评价指标的比重，公式为：Yij=Xijmi=1Xij（3）指标信息熵的计算公式为：ej=-kmi=1（YijlnYij）（4）信息熵冗余度的计算公式为：dj=1-ej（5）指标权重的计算公式为：wi=djnj=1dj（6）式（3）（4）（5）（6）中，Xij为第 i 年第 j 项评价指标的数值；k1/Inm，其中 m 为评价年数，n 为指标数。对原始数据进行标准化后，通过公式（3）（6）计算评价指标权重。32主成分综合分析采用主成分聚类分析的综合分析评价法，运用 SPSS 分析软件进行主成分的评价分析，先单独计算多个评价指标分值，与权重值相乘进行加权求和，得到整个指标体系的综合得分，通过对整个指标体系的综合得分排序情况来进行评价。综合得分具体公式如下：Fi=UiXi（7）Mi=FiWi（8）式（7）（8）中，Mi为综合得分；Fi为第 i 项主成分得分；Wi为相应权重；Ui为主成分的得分系数矩阵；Xi为第 i 项标准差标准化的原始数据。33聚类分类分析以重现期 05 a 一遇为例，根据公式（9）可以计算大清河流域的生态脆弱度得分，再根据聚类分析结果和生态脆弱度得分对大清河流域进行风险区类规划。生态脆弱度的计算公式如下：D=1-ni=1WiYij（maxni=1WiYij+minni=1WiYij）（9）式中，D 为生态脆弱度分值；Wi为熵值法计算的第 i项指标的权重；Yij为第 i 项评价指标的标准值。4结果与讨论41主成分结果分析选取前 2 个因子作为主成分因子，累计贡献率为 99678。其中，主成分贡献率分别为 74283，25394。依据公式（7）（8），计算综合分值大小并排序。其中，排名靠前的地区面源污染风险等级处于较高水平；排名中间的地区面源污染风险等级处于中等水平；排名靠后的地区面源污染风险等级处于较低水平。具体排名情况见表 2。31降雨强度/（mm h-1）350300250200150100500t/min020406080100120p=0.5 ap=1 ap=2 ap=3 ap=5 ap=10 ap=20 ap=50 a42聚类结果分析通过聚类分析树状图，可以将评价区域的评价影响因素聚类分层为 3 类，其中，3，4，5，7，10，14，18，21，26，27，28，