2024, Vol. 36 
(2: 实景地理环境安徽省重点实验室, 滁州 239000)
(3: 中国环境科学研究院, 北京 100012)
(4: 南京师范大学地理科学学院, 南京 210023)
(2: Anhui Province Key Laboratory of Physical Geographic Environment, Chuzhou 239000, P.R. China)
(3: Chinese Research Academy of Environmental Sciences, Beijing 100012, P.R. China)
(4: School of Geography, Nanjing Normal University, Nanjing 210023, P.R. China)
随着生态环境在促进国民经济可持续发展中的作用增强，我国采取了一系列的水环境治理措施。其中，点源污染的控制效果明显，而非点源污染(面源污染)则逐步成为流域水体富营养化的主要污染源[1-4]。面源污染输入不仅会引发地表水水体富营养化和地下水污染，打破流域生态平衡，还进一步限制了区域经济的可持续发展[5]。氮素是流域面源污染中的重要成分，也是湖泊生态系统中最丰富的生源要素之一[6]，但其在水体中的过度富集会导致水体富营养化、蓝藻暴发等负面问题[7-8]。土地利用方式是流域氮素排放和迁移的重要载体，其排放的氮素(非气态)可通过地表径流和地下径流最终进入流域水体中。因此，流域各土地利用方式时空演变将对流域氮负荷产生重要影响[9]。由于土地利用方式及其变化受人类活动干扰较大，其承载的人类活动对不同区域内的氮“源”和氮“汇”角色发挥着重要的作用[10]。因此，量化土地利用方式变化成为影响氮排放核算的关键因素[11]。国内外学者已逐步开展流域氮素对土地利用变化响应的量化研究，但解读基于多情景下土地利用变化对氮排放的响应机制仍面临挑战。目前已有学者针对巢湖流域氮排放量核算和模拟进行研究，取得了较丰硕的成果[12-14]。有学者曾使用SWAT模型模拟了巢湖流域2008—2017年间流域氮、磷损失量与湖泊养分浓度的关系，并从流域-湖泊综合视角创建了湖泊养分富集的关键流域区域[12]。但考虑到SWAT模型对地形起伏和参数变化敏感，且适用于参数较为详实的流域，对于部分地形低洼且数据较为缺乏的巢湖流域，开展多情景下的氮素排放时空模拟可能存在一定不确定性[13]。对于基础数据不详实的区域，有学者借助输出系数法探究了巢湖典型农村流域面源氮、磷污染排放特征，剖析了流域面源氮、磷输出来源组成结构并为农村流域面源污染防控治理提供了科学参考[5]；输出系数法虽简单易操作，但它无法考虑营养物质迁移时的复杂过程，例如植被对营养物质的拦截、吸附和净化作用，可能会高估流域氮素排放量。综上，土地利用作为氮素迁移转化的重要载体，在不同的发展情景下巢湖流域氮素负荷对其时空变化如何响应？目前该类科学问题尚未有效解决，亟需开展相关研究。
近些年，学者多采用FLUS模型、CLUE-S模型和CA-Markov模型等对区域土地利用方式变化进行预测模拟并取得丰硕成果[15-17]。然而，该类模型难以识别土地利用变化驱动力且无法动态捕捉多类土地利用斑块的演变。近年来，PLUS模型通过用地扩张分析策略(LEAS)，能够更好地挖掘各类土地利用变化的诱因，模拟多类土地利用斑块及演化，适用于未来土地演替加剧的情况下进行土地利用变化模拟预测的研究[18]。在流域氮素面源污染排放核算方面，SWMM、SWAT、AnnAGNPS和DPeRS等模型被广泛用于流域面源污染模拟的适用性评估和流域湖库及排水系统的面源污染排放量核算[19-22]。其中，SWMM模型虽可以模拟出全动态水利路线，但对于化肥的施用不能分区域进行模拟；SWAT及AnnAGNPS等主流面源模型虽有较强的通用性，但受流域特征和基础数据的限制较大[23-24]。而InVEST模型具有数据需求量少、运行速度快、精度高等优点，可实现氮排放量空间变化的可视化表达，且其营养物传输模块(NDR)可计算氮素通过地表径流和地下径流汇入水体的传输率(入河系数)，从而估算流域氮素排入水体的折纯量，可有效避免土地利用方式变化、植被作用和人类活动差异驱动下氮素形态差异带来排放量核算的不确定性[25]，能较好地反映出土地利用变化与氮素排放量之间的响应关系，已成为量化流域氮素排放的重要工具之一[26]。
巢湖作为我国“老三湖”水环境治理的重要区域，经过系列的治理，水质明显好转，但总氮(TN)浓度依旧较高(TN：1.5~2.0 mg/L)，氮素治理进入瓶颈期。如何进一步削减巢湖流域氮负荷，缓解湖体富营养化风险成为未来流域环境治理工作的重要内容。近年来，部分学者已将InVEST模型中的生态系统服务功能模块和产水模块应用到巢湖流域产水量模拟和流域生境质量及生态系统服务功能等研究中，取得了阶段性成果[27-29]，为本研究的开展以及模型共性参数筛选和率定提供了参考。鉴于此，本研究将基于ENVI和ArcGIS平台，分析巢湖流域2000—2020年间的土地利用变化动态特征；结合PLUS模型预测不同情景下巢湖流域2030年土地利用变化规律；借助InVEST模型，核算巢湖流域各土类及其变化所排入水体的总氮量，并预测巢湖流域未来不同土地利用方式发展情景下的氮排放趋势，解析流域氮素负荷变化对土地利用方式变化的响应机制，为巢湖流域水体氮减排和富营养化治理提供参考。
1 研究方法与数据来源 1.1 研究区域概况巢湖流域(图 1)位于安徽省中部，是我国五大淡水湖之一。巢湖流域面积13500 km2，其中湖区面积783 km2。巢湖流域既是重要的生态保护区又是重点开发区，是国土资源空间配置中矛盾较为突出的区域。巢湖流域土地利用以耕地为主(70.7%)，已成为我国较为集中的农业基地之一[30]。1950s初，流域生态环境良好，具有多种使用功能。但随着人口的增加，高强度人类活动所产生的大量氮、磷等营养物质被地表径流排入湖体，造成了严重的面源污染，流域生态平衡被打破，部分生态功能逐渐丧失[13]。经过多年的水环境治理，截至2022年年底，《安徽省生态环境状况公报》显示，巢湖全湖及东半湖呈轻度富营养状态，西半湖呈中度富营养状态，富营养化治理任重而道远[31]。
|
图 1 巢湖流域概况 Fig.1 Location of Chaohu Basin |
本研究以巢湖流域为研究靶区，依据研究目标和主要内容，制定以下技术路线(图 2)。首先，基于ENVI和ArcGIS平台，通过遥感解译获得巢湖流域2000—2020年的土地利用数据；其次，结合PLUS模型LEAS模块获取各类用地的发展概率，再基于CARS模块模拟出2030年巢湖流域自然发展情景、耕地保护情景、生态保护情景下的土地利用变化；而后，借助InVEST模型，核算各个年份的巢湖流域各土地利用类型及其变化所产生的氮排放量，并预测巢湖流域未来多情景下土地利用的氮排放趋势；最后，提出针对性的氮减排措施为巢湖流域富营养化治理提供科学参考。
|
图 2 技术路线图 Fig.2 The technical frameflow of this study |
本研究所使用的巢湖流域2000、2005、2010、2015和2020年Landsat TM影像(30 m分辨率)和Landsat 8 OLI影像(30 m分辨率)均获取自地理空间数据云(http:www.gscloud.cn)；而后借助ArcGIS 10.2(ESRI，美国)平台对巢湖流域2000—2022年5期遥感影像进行前期处理；先后利用ENVI 5.3(ESRI，美国)对遥感影像进行辐射定标、大气校正、图像融合等预处理，并按照全国土地分类系统标准进行解译，将巢湖流域土地利用类型分为4大类(耕地、建设用地、水域和林草地)；最后，借助混淆矩阵对解译结果进行精度验证。结果显示，5期的土地利用数据分类精度Kappa系数都保持在0.80~0.90，分类精度符合研究需要[32]。
1.3.2 土地利用类型动态度分析土地利用动态度可以定量表达特定时间段内某种土地利用类型的变化程度[33-34]。其中，单一的土地利用动态度可用来展现巢湖流域某时间段内不同土地利用类型的变化特征，并且对未来的土地利用发展趋势有一定的预测分析功能，其表达式为[35]。
| $R_i=\left[\left(U_{\mathrm{a}}-U_{\mathrm{b}}\right) / U_{\mathrm{a}}\right] / T \times 100 \%$ | (1) |
式中，Ua和Ub分别表示该研究区域研究初期和末期某种土地利用类型的面积；T为研究时段长；Ri为研究区域在研究时段内某一土地利用类型的变化率，R为正值。
1.3.3 PLUS模型PLUS(patch-generating land use simulation)是一个基于土地扩张分析策略LEAS(land expansion analysis strategy)和多类随机斑块种子机制的元胞自动机模型CARS(CA based on multi-type random patch seeds)的未来土地利用变化预测模型集成[18]。其中，LEAS模块通过提取两期土地利用变化数据间各个用地类型扩张的部分，采用随机森林算法挖掘获取各类用地的发展概率以及各类用地扩张与多种驱动因素间的联系。CARS模块是基于多类随机斑块种子生成和阈值递减机制来模拟预测未来情景下的土地利用变化情况。
1.3.4 土地利用变化情景模拟为进一步探索不同情景下巢湖流域氮素排放对土地利用时空变化的响应机理以及预测未来巢湖流域不同发展情景下的氮排放量变化，本研究以2020年土地利用数据为基期，设定自然发展情景、生态保护情景和耕地保护情景3种情景，开展2030年土地利用变化模拟。
(1) 自然发展情景：指巢湖流域各地类基于2000—2020年土地利用变化规律，利用Markov链模型计算2030年自然发展情景下的土地利用需求量[15]，按照目前的城市化发展模式，不设定各类型用地之间相互转换的限制条件以及不涉及政府和市场干预的变化情景，是对未来土地利用变化模拟考虑其他约束条件的基础。
(2) 耕地保护情景：指在自然发展的情景下加入耕地保护的理念，通过约束耕地向其他用地类型的转化实现耕地保护。本研究在计算耕地保护情景下的土地需求量时将耕地转向建设用地的概率降低60%[36]，以防止城市化进程中基本耕地被其他用地侵占，从而控制基本耕地的总量，为巢湖流域未来在保护基本耕地的前提下进一步推进城市化的发展以及城镇区域规划提供参考。
(3) 生态保护情景：与耕地保护情景类似，在自然发展情景中加入生态保护的限制区，包括重点生态功能区、自然风景名胜区、生态公益林等。生态保护区是综合考虑整个巢湖流域的生态系统结构和资源承载力等因素而划定的区域，防止城市化发展的进程中建设用地无序的扩张对生态环境造成破坏。在计算此情景下的土地需求量时需降低生态用地转向其他地类的概率，其中将林草地和水域向建设用地转移的概率降低20%，向建设用地的转移概率降低30%[37]，计算得到2030年生态保护情景下的土地利用需求量。因此，生态保护情景能够有效推进城市开发和生态保护之间的协调发展，从而实现巢湖流域未来城市群的空间高质量发展。
1.3.5 InVEST模型营养迁移模型生态系统服务和权衡综合评估模型(InVEST模型)是基于ArcGIS平台开发的用于生态系统服务功能评估的模型。该模型通过模拟不同土地利用变化情境下的生态系统服务功能物质量与价值量，从而实现生态系统服务功能价值评估和解读生态系统服务功能的空间分布差异[38]。InVEST模型的营养物传输模型(nutrient delivery ratio，NDR)模块是基于质量守恒方法来模拟氮营养物质在空间上的迁移，来估算氮素输移率和氮素入河负荷[39]。本研究利用InVEST模型计算各类用地排放的氮素通过地表径流和地下径流进入河流的传输率，从而计算巢湖流域的氮素传输率和氮素输出负荷。其中，农田氮素排放负荷受施肥方式和肥料种类影响较大，本研究在《全国农田面源污染排放系数手册》基础上筛选农田氮素流失系数并以氮肥施用的折纯量(kg/hm2)进行氮排放量核算。此外，本研究核算的氮排放量是各土地利用方式以地表径流和地下径流方式排入水体的TN折纯量(非气态)。模型基本原理如下[40]。
通过径流潜在指数，获取栅格营养物修正负荷指数以及地表、地下营养物负荷，计算公式为：
| $ { modified.load }_i= { load }_i \cdot R P I_i$ | (2) |
| $R P I_i=R P_i / R P_a v$ | (3) |
| $ { load }_{ {{\rm{surf}} }, i}=\left(1- { proportion\_ subsurface }_i\right) \cdot { modified.load } \_ n_i$ | (4) |
| $ { load }_{ {{\rm{subs}} }, i}= { proportion\_ subsurface }{ }_i \cdot { modified.load } \_ n_i$ | (5) |
式中，modified.loadi为修正的每个栅格像元i的营养物负荷，RPIi为径流潜在指数，RPi为栅格像元i上的径流代理，RPav为栅格上的平均代理参数，loadsurf, i为地表营养物负荷，loadsubs, i为地下营养物负荷，loadi为修正的每个栅格像元i的营养物负荷，modified.load_ni为修正的所有栅格像元i的营养物负荷，proportion_subsurfacei为地下营养物来源占比参数。其中，地表营养物质传输率、地下营养物质传输率和营养物负荷计算原理可参考InVEST模型NDR模块技术手册[40]。
InVEST模型NDR模块输入的参数包含：DEM数据、土地利用数据、营养物径流代理数据、子流域范围数据、生物物理表及流量累计阈值、Borselli K参数。其中，此处的营养物径流代理数据本研究用的是年降水数据，流量累计阈值取值为1000，Borselli K参数取值为2。根据流域自然环境的相似性、生物物理表中的养分负荷系数、最大滞留效率、养分滞留临界距离参考国内外相关文献及InVEST用户使用指南获得[5, 40-45]，具体取值见表 1。
|
表 1 生物物理表取值 Tab. 1 Biophysical table values |
本研究于2020年对巢湖流域环湖水系出入湖河口、巢湖湖体以及南淝河、派河、十五里河等主要小流域河流进行水样采集。样品经现场保温箱冷藏，而后立即送至实验室存放于冷藏室直至所有指标检测完毕。其中，本研究所用的总氮浓度采用碱性过硫酸钾消解紫外分光光度法(HJ 636—2012)测定。
2 结果与讨论 2.1 土地利用方式时空变化特征土地利用类型遥感解译结果表明(表 2)，耕地和建设用地是巢湖流域主要的土地利用类型，占巢湖流域总面积的83%~88%。2000—2020年间，研究区各用地面积时间变化特征显著。整体上，建设用地面积呈逐年扩张而耕地面积呈逐年缩减趋势，水域面积保持缓慢增长而林草地面积则趋于稳定。同期，巢湖流域各土地利用类型变化速度依次为：建设用地>水域>耕地>林草地，且建设用地和水域动态度均为负值，表明近20年来巢湖流域建设用地和水域面积处于逐年增长状态，尤其是建设用地扩张趋势明显。而耕地动态度一直为正值，表示耕地面积逐年缩减。林草地的动态度虽有正有负，总体呈上升趋势。近20年来，巢湖流域建设用地面积比例由2000年的2.78%上升到2020年的7.23%，主要表现为城市面积的扩大。然而，耕地面积比例由2000年的73.5%降低到2020年的67.97%，且主要被侵占区域集中在城郊附近。这表明城市化发展可能是巢湖流域各用地类型整体变化的主要驱动力[46]。林草地面积和水域面积占比虽不高但整体呈持续缓慢增加趋势，原因可能是近年来安徽省政府高度重视对巢湖流域的生态保护，持续贯彻执行退耕还林、还湖政策[47]。
|
|
表 2 2000—2020年巢湖流域各土地利用类型面积(km2) Tab. 2 Area of each land use type in Chaohu Basin from 2000 to 2020 (km2) |
在空间分布上(图 3)，建设用地主要集中在巢湖西北部的合肥市辖区内，耕地围绕巢湖呈集中连片分布，林草地分布在巢湖流域西南部山区以及南部丘陵一带，水域主要以巢湖为中心呈向心状分布。在用地类型转移方面，耕地转向建设用地主要以合肥市为核心向四周乡镇辐射扩张。2000—2020年间(表 3)，巢湖流域耕地面积共减少了775.64 km2，而建设用地和水域分别增加了626.14和115.58 km2，且二者的增加主要占用了耕地。一方面，城市化发展和人口密度增加加快了建设用地的扩张速度，占据了大量城市周边耕地。另一方面，为提高巢湖流域防洪抗旱标准，近年来安徽省政府在巢湖流域兴修水利设施，水域面积得以持续增加。同期，林草地和水域转向耕地的面积分别占其总转出面积的86.39%和84.78%，说明早期研究区随着人口增长和人地矛盾凸显，可能出现毁林开荒和围湖造田现象，导致部分林草地和水域被耕地侵占。随着国家退田环湖、植树造林、生态城市建设等政策的贯彻落实，先前围湖造田、毁林开荒的区域得以逐渐恢复。由此可知，阶段性政策调整可能成为区域土地利用方式变化的另一驱动力。
|
图 3 2000—2020年巢湖流域土地利用方式变化 Fig.3 Variation of each land use changes in Chaohu Basin from 2000 to 2020 |
|
|
表 3 2000—2020年巢湖流域各土地利用类型转移矩阵(km2)及土地利用动态度(%) Tab. 3 Transfer matrix (km2) and dynamic attitude (%) of each land use type in Chaohu Basin from 2000 to 2020 |
为提升PLUS模型模拟精度，本研究以巢湖流域2000和2010年土地利用数据为基础模拟2020年土地利用数据，并与遥感解译的2020年土地利用数据进行精度验证。验证结果表明Kappa系数为0.90，满足研究要求。而后设定自然发展、耕地保护和生态保护3种情景，基于2020年土地利用数据和各影响因子数据，预测各情景下2030年巢湖流域土地利用空间分布格局。结果表明，自然发展情景下，巢湖流域未来土地利用空间分布特征延续了2000—2020年的土地利用变化趋势。该情景下，建设用地面积增长了338.49 km2(表 4)，较2020年提升了33.29%，且扩张区域主要集中在城镇的边缘地区以及流域地势低平地区(图 4)，表明建设用地通过侵占耕地，使城镇用地得以继续扩张。因此，耕地面积继续减少，较2020年减少了403.07 km2。虽然减少速度变缓，但耕地保护形势更加严峻。林草地和水域面积均与前期变化趋势保持一致，处于缓慢增长状态。在耕地保护情景下，2020—2030年耕地面积减少了192.37 km2，相对于自然发展情景下的耕地减少的幅度得到有效的控制。建设用地仍然保持着增长的趋势，但相比自然增长情景下，2030年建设用地面积增长率有所降低，增长率只有14.85%，可见扩张程度明显放缓。在此情景下，限制耕地转换为建设用地，导致林草地和水域转换为建设用地的幅度较自然发展情景增加明显且耕地面积减少幅度降低，使得巢湖流域的基本耕地资源得到更好的保护。在生态保护情景下，建设用地高速扩张趋势得到有效控制。2020—2030年建设用地面积增长缓慢，仅增加235.96 km2。林草地面积相比于自然发展情景显著增加，2020—2030年林草地面积增加78.02 km2，且主要转入来源是耕地。在生态保护前提下，“限制林草地和水域生态用地转换为其他地类”模式使得更多的耕地转为建设用地。因此，耕地缩减面积相较于耕地保护情景大幅上升，上升了187.74 km2。综上，巢湖流域若不采取有效措施，建设用地将持续扩张，会过多侵占其他用地类型，对巢湖流域生态保护带来负面影响。所以在未来巢湖流域土地利用过程中，流域管理者应做到有序开发，注重生态环境和粮食安全保护，使巢湖流域用地规划向着生态可持续的方向发展。
|
|
表 4 2030年不同情景下巢湖流域各用地面积(km2) Tab. 4 Areas of each land use type in Chaohu Basin under different scenarios in 2030 (km2) |
|
图 4 2030年不同情景下的巢湖流域土地利用变化的空间分布 Fig.4 Spatial distribution of land use change in Chaohu Basin under different scenarios in 2030 |
InVEST模拟结果显示，巢湖流域2000—2020年由土地利用方式产生的TN年平均值为25197.89 t，与现有巢湖流域氮排放研究结果较符合，与长江中下游氮排放变化趋势较一致。输入水体的氮排放平均值和平均强度分别为4684.05 t和4.62 kg/hm2(表 5)，较同类研究排放强度低[48]。整体上，巢湖流域在2000—2020年间的氮排放总量和氮排放强度均有所降低，2020年较2000年分别下降了3.57%和3.32%，但各用地类型氮排放量间存在显著差异。其中，建设用地和耕地的氮排放量变化幅度较大，但趋势相反。建设用地2020年氮排放量为272.64 t，相较于2000年上升了约159.01%。巢湖流域近20年来城市化进展加快，其他土地利用类型均向建设用地转移，导致建设用地面积快速增加，从而加剧了建设用地氮排放总强度。此外，耕地氮排放量占巢湖流域总氮排放量比例最大，2020年约占了89.11%。研究区以耕地为主，在农业生产过程中耕地化肥施用量较大，而整体氮肥当季利用率较低(＜40%)，未被吸收部分通过降水径流、耕地灌溉、淋溶等方式在水体中累计，成为巢湖水体富营养化加快的重要原因[49-50]。由于耕地氮排放系数及面积远高于其他用地类型，耕地面积缩减导致氮排放的减少量大于其他用地类型面积增加带来的氮排放增加量，使得流域氮排放量整体呈现下降趋势。林草地对氮的输出具有拦截、吸附和吸收作用，产排放系数较小，一般作为流域氮迁移的“汇”。所以，整体上研究区林草地氮排放量贡献相对较低且变化波动较小。
|
|
表 5 不同土地利用类型的氮排放量 Tab. 5 Nitrogen discharge loads from different land use types |
在空间分布上(图 5)，流域氮排放量主要以东西为轴线呈树状分布，与巢湖流域水系空间分布呈良好的一致性。巢湖流域水系以巢湖为中心呈树状向四周辐射，且水系贯穿耕地区域，使得农业生产过程未被吸收的氮通过降水径流汇入水系之中，导致氮排放负荷沿着流域水系呈树状分布。此外，巢湖流域西部氮排放量总体高于东部，南部整体高于北部，该分布格局可能受巢湖流域自然地理环境与人类社会活动共同作用的影响[43]。巢湖流域耕地主要分布在其流域南部，促使巢湖流域南部区域氮排放量高于北部。但值得关注的是，巢湖西北部的南淝河(5.29 kg/hm2)和派河(5.34 kg/hm2)小流域成为氮排放的高值区，与区域水体TN浓度(1.64 mg/L)呈现良好的空间集聚特征(图 6)。一方面，该区域上游是典型的城市聚集区，城市用地面积占土地利用总量的36.59%，受城市氮源(城市污水、工业废水)排放影响较大[48, 51]。另一方面，该流域的中下游主要经过农业区(大圩镇果蔬基地)，农田施肥使得大量氮素通过径流进入水体。二者累加，使得氮素逐渐在下游水体中富集[52]。
|
图 5 巢湖流域氮排放强度和水体TN浓度监测值 Fig.5 Intensity of nitrogen discharge and monitoring values of TN concentrations in Chaohu Basin |
|
图 6 流域氮排放量与气象条件、水体氮负荷以及城市化水平关系 Fig.6 The relationship of nitrogen discharge loads with meteorological conditions, nitrogen load in water bodies and urbanization levels |
由图 6a可知，经过系列治理，巢湖水体TN浓度显著降低，但近10年来仍在Ⅳ~Ⅴ类水平波动，氮素削减的“边际效应”开始出现，表明巢湖水体氮素治理已进入攻坚阶段。那么厘清土地利用方式及其转化对流域氮素排放的驱动机制或许能为未来巢湖流域水体氮有效削减和富营养化治理提供支撑。为此，本研究通过对2000—2022年间的氮排放量与流域水体氮浓度以及降雨量进行统计分析，结果显示三者整体呈降低趋势，其变化存在显著的相关性(图 6)。其中，氮排放量与TN浓度呈现正相关关系(P＜0.05, R2=0.94;图 6a)，与降雨量间存在显著的负幂关系(图 6b)。前人研究表明，流域水体氮负荷变化受多因素耦合作用影响[53]。例如，流域水体TN浓度不仅取决于降雨量，还将受各用地类型氮排放量的影响。在短期氮排放强度不变的情况下，过多的降水量将会稀释水体氮浓度，尤其是在巢湖流域各用地类型的总氮排放量呈现逐年降低的背景下，波动增加的降雨量增强了湖体TN浓度的稀释效应，这也很好地解释了本研究中氮排放量与降雨量呈现负相关关系。此外，氮排放量与湖体TN浓度呈显著正相关关系，表明由各土类产生的氮素排放成为流域水体氮负荷变化的重要驱动力之一。
值得关注的是，作为氮素迁移的重要载体以及排放源，流域土地利用方式的变化尤其是建设用地面积的扩增，可能会导致区域水体氮负荷保持在一个较高风险水平(图 6c)。因为本研究结果表明，2000—2020年巢湖流域建设用地面积增加了626.14 km2，并且2030年情景模拟显示这种增加趋势还将继续。一方面，随着城市化推进和基础设施的完善，建设用地的扩张增加了流域不透水面比例(图 6c)，致使该区域径流系数和径流携带能力增强，地表氮素进入水体的概率增加。因此，即使相关环保治理措施被应用到南淝河(城市型河流)中，其水体TN浓度一直处于劣Ⅴ类水平，氮负荷削减面临瓶颈。另一方面，有研究表明，作为长江中下游的另一典型淡水湖泊——太湖，其流域部分城市区域建设用地的氮产、排污系数已经超过其周围的耕地，加剧了区域水体富营养化风险[54]。因此，随着巢湖流域单位面积人类活动强度的增强，建设用地的氮产、排污系数可能会呈现增加趋势，从而为流域地表径流提供更多的氮源。二者的协同作用将会给未来巢湖流域部分城市化率较高的水域氮素治理带来新挑战。所以，在未来的城市用地规划方面，需要充分发挥绿地的生态功能来削减氮素排放，以期缓解城市区域水体富营养化风险。
2.4 2030年氮排放情景预测2030年自然发展、耕地保护和生态保护情景下的巢湖流域土地利用方式氮排放预测结果(表 6，图 7)显示，3种情境下的氮排放量分别为4514.42、4575.57和4484.72 t。2020—2030年巢湖流域3种不同情景下的氮排放时空变化特征与2000—2020年间整体一致，但各情景间的氮排放量存在差异，主要受各情景下不同用地类型变化的影响较大。
|
|
表 6 2020年和2030年不同情景下的氮排放量 Tab. 6 The loads of nitrogen discharge under different scenarios in 2020 and 2030 |
|
图 7 2030年巢湖流域不同情景下氮排放量空间分布 Fig.7 Spatial distribution of nitrogen discharge loads under different scenarios in Chaohu Basin in 2030 |
自然发展情景下，2030年巢湖流域氮排放量为4514.42 t，较2020年减少了83.56 t。而建设用地氮排放量比例由2000年的2.21%增加到2030年的9.65%，主要原因是随着城市化建设快速推进和城市人口激增，城市不透水面面积逐渐增加(390.64~1355.27 km2)，使得城市地表径流量显著增强(GB 50318—2017)，导致建设用地氮排放量增加。随着城市扩张，耕地面积逐年递减，致使耕地氮排放量逐年减低，但降低的幅度在逐年递减。此外，建设用地扩张产生的氮排放增量小于耕地面积减少而带来的氮排放减量，二者抵消作用使整体氮排放依旧呈降低趋势。
在耕地保护情景下，巢湖流域氮排放量在2020年的基础上仅降低了22.25 t。因为本研究将耕地设置成限制转换区域，在土地利用转化的过程中耕地转出的面积得到有效的控制，使得本情景下的氮排放量降低幅度小于自然发展情景和生态保护情景。相反，对耕地的保护加剧了林草地、水域等生态用地转向建设用地的程度，同时也降低了林草地拦截氮污染物输出的效率。在生态保护情景下，氮排放量表现为更明显的下降趋势，相对于2020年降低了113.36 t，总量比自然发展情景下低29.71 t。因为，该情景限制了生态用地转向建设用地，使耕地转向建设用地的概率大大增加，导致耕地面积缩减明显，其氮减排效果显著(187 t)。此外，由于该情景考虑了退耕还林、退耕还湖、水源保护等政策，限制于林草地、水域等生态用地转向其他地类，生态用地面积得以保障。并且，近些年政府加大了生态保护力度，推进了城市绿化建设，例如积极建设湿地生态公园、生态廊道和生态缓冲区等，使得林草地面积逐渐增加，进而提高了植被对氮、磷等营养物质的截留效率。
耕地保护情景和生态保护情景下的氮排放量相较于自然保护情景下分别变化了61.65和29.71 t，就巢湖流域土地利用方式的氮排放总量而言，占比较小。一方面，本研究中生态保护情景是限制了生态用地向其他用地转化，但生态用地的建设和生态功能的恢复需要一定周期，使得短期内治理效果不明显。此外，新增生态用地面积占整体比例较小，导致对整个流域的氮“减排”作用效果不明显(2.47%)。但在2000—2020年期间，生态用地面积仅增加了0.39%，而其减排效果却达到了2.47%。从这个角度来说，生态保护情景具有明显的氮减排效果。需要注意的是，生态用地对氮减排会存在显著的尺度效应，因为生态工程的效果评价多是对该工程范围内的治理效果进行评估。但本研究的生态情景模拟结果是针对整个巢湖流域而言，其治理效果被整个流域“平均”了。若将模拟范围收缩到生态情景重点区域，则氮减排效果较自然情景有明显差异。另一方面，本研究耕地保护情景是在满足现有耕地需求下模拟的，而现阶段巢湖流域的耕地现状整体上已经满足安徽省耕地基本保护要求。所以，2020—2030年间的研究区耕地保护的潜力较小，使耕地保护情景下巢湖流域氮排放总量相对自然情景变化不明显。而对于耕地保护的重点区域，该情景下的耕地保持量与自然情景下的差异明显。本研究通过选取其中一个耕地保护重点区进行模拟，结果显示每平方千米的耕地增加量(0.09 km2)是整个流域单位面积耕地增加量(0.007 km2)的12.8倍，能较好地证明耕地保护情景在工程范围内起到明显的氮减排效果。上述分析也从侧面反映了政策持续执行的重要性。因此，建议地方管理者继续贯彻落实耕地保护和生态保护政策，以期实现流域氮减排攻坚目标。
3 结论本研究以巢湖流域为研究对象，借助PLUS和InVEST模型探索巢湖流域氮排放对土地利用时空变化的响应机制，具体结论如下：
1) 2000—2020年巢湖流域建设用地面积持续增加，耕地面积逐年减少，林草地和水域面积波动较小。耕地面积流失严重，主要转向建设用地。经PLUS模型预测，自然发展情景下土地利用时空变化趋势与2000—2020年土地利用变化趋势基本保持一致；耕地保护情景和生态保护情景在限制因素的影响下，一定程度上约束了建设用地扩张对耕地和生态用地的侵占，对于保护巢湖流域生态功能和耕地资源起到重要作用。
2) 2000—2020年间，巢湖流域由各土类排入水体的氮总量呈降低趋势，下降了170.06 t。空间上，氮排放负荷差异明显，整体上以东西为轴线呈树状分布，西部排放量高于东部，南部高于北部区域。流域水体氮负荷变化受多因素耦合作用影响较大，但未来建设用地面积的扩增，可能会增加区域水体氮负荷风险。
3) 巢湖流域在自然发展情景、耕地保护情景和生态保护情景下的氮排放量分别为4514.42、4575.57和4484.72 t，均较2020年氮排放量呈下降趋势。其中，生态保护情景既有效地保障了巢湖流域生态功能又达到了较好的氮减排效果。
鉴于此，本研究建议：未来巢湖流域的土地利用规划应在合理发展社会经济并且保证基本耕地的同时综合考虑采取更多的生态保护措施，加强对林草地和水域的修复保护，防止林草地、水域等生态用地被侵占，以期实现流域氮负荷的有效削减。同时，流域管理者需切实考虑其实施需要持续且大量资金和技术支持，并且生态功能的恢复需要一定的周期，其治理效果受工程质量、气象水文事件和阶段性管理政策等影响较大，治理成本较高。另一方面，生态保护与经济发展较难“共赢”，政府可建立生态补偿机制等激励措施，切实加大科技投入和技术研发。通过信息化手段进行实时环境监测，跟踪治理效果，以助力巢湖流域氮素削减目标的实现[55-56]。
| [1] |
Ongley ED, Zhang XL, 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 |
| [2] |
Quan D, Shi XH, Zhao SN et al. Eutrophication of Lake Ulansuhai in 2006-2017 and its main impact factors. J Lake Sci, 2019, 31(5): 1259-1267. [全栋, 史小红, 赵胜男等. 2006—2017年乌梁素海夏季水体营养状态及影响因子. 湖泊科学, 2019, 31(5): 1259-1267. DOI:10.18307/2019.0503] |
| [3] |
Xiong HF. The effect of agricultural non-point source pollution of nitrogen and phosphorous on lake eutrophication. IOP Conference Series: Earth and Environmental Science, 2017, 64: 012061. DOI:10.1088/1755-1315/64/1/012061 |
| [4] |
Xia Y, Yan BY, Fang Y. Nutrient loading and its controlling factors in Le'an River watershed, Lake Poyang Basin. J Lake Sci, 2015, 27(2): 282-288. [夏雨, 鄢帮有, 方豫. 鄱阳湖区乐安河流域营养盐负荷影响因素分析. 湖泊科学, 2015, 27(2): 282-288. DOI:10.18307/2015.0212] |
| [5] |
Gao TT, Xie H, Wan NS et al. Simulation and source analysis of nonpoint source nitrogen and phosphorus pollution export in a typical agricultural catchment draining to Chaohu Lake. Journal of Agro-Environment Science, 2022, 41(11): 2428-2438. [高田田, 谢晖, 万能胜等. 巢湖典型农村流域面源氮磷污染模拟及来源解析. 农业环境科学学报, 2022, 41(11): 2428-2438. DOI:10.11654/jaes.2022-0231] |
| [6] |
Huang JC, Zhang YJ, Arhonditsis GB et al. The magnitude and drivers of harmful algal blooms in China's lakes and reservoirs: A national-scale characterization. Water Research, 2020, 181: 115902. DOI:10.1016/j.watres.2020.115902 |
| [7] |
Zhang J, Gao JF, Zhu Q et al. Coupling mountain and lowland watershed models to characterize nutrient loading: An eight-year investigation in Lake Chaohu Basin. Journal of Hydrology, 2022, 612: 128258. DOI:10.1016/j.jhydrol.2022.128258 |
| [8] |
Wang JH, He L, Yang C et al. Comparison of algal bloom related meteorological and water quality factors and algal bloom conditions among Lakes Taihu, Chaohu, and Dianchi (1981-2015). J Lake Sci, 2018, 30(4): 897-906. [王菁晗, 何吕奇姝, 杨成等. 太湖、巢湖、滇池水华与相关气象、水质因子及其响应的比较(1981—2015年). 湖泊科学, 2018, 30(4): 897-906. DOI:10.18307/2018.0403] |
| [9] |
Jiang TT, Huo SL, Xi BD et al. The influences of land-use changes on the absorbed nitrogen and phosphorus loadings in the drainage basin of Lake Chaohu, China. Environmental Earth Sciences, 2014, 71(9): 4165-4176. DOI:10.1007/s12665-013-2807-z |
| [10] |
Bu HM, Meng W, Zhang Y et al. Relationships between land use patterns and water quality in the Taizi River basin, China. Ecological Indicators, 2014, 41: 187-197. DOI:10.1016/j.ecolind.2014.02.003 |
| [11] |
Xiong JF, Lin C, Min M et al. Spatio-temporal pattern evolution of non-point source phosphorus loads in Chaohu Lake basin (Anhui Province, China) under different land use patterns. Applied Ecology and Environmental Research, 2018, 16(5): 6219-6238. DOI:10.15666/aeer/1605_62196238 |
| [12] |
Lin C, Xiong JF, Ma RH et al. Identifying the critical watershed regions creating lake nutrient enrichment (SLRs) based on a watershed-lake integrated perspective—A case study of Chaohu Lake Basin, China. Ecological Indicators, 2021, 121: 107037. DOI:10.1016/j.ecolind.2020.107037 |
| [13] |
Xiao Y, Sun RC, Wang Q et al. Assessing parameter uncertainty in SWAT model driven by different precipitation inputs using the adaptive method for factor fixing. Journal of Hohai University: Natural Sciences, 2023, 1-13. [肖渝, 孙若辰, 王倩等. 基于自适应降维评估的不同降水驱动的SWAT模型参数不确定性研究. 河海大学学报: 自然科学版, 2023, 1-13.] |
| [14] |
Feng XJ, Lin C, Xiong JF et al. Effects of nonpoint source pollution from different sources on lake nitrogen and phosphorus: A case study of Chaohu Lake basin. Journal of Agricultural Resources and Environment, 2023, 40(1): 64-75. [冯雪娇, 林晨, 熊俊峰等. 不同来源的非点源污染对湖泊氮磷浓度的影响——以巢湖流域为例. 农业资源与环境学报, 2023, 40(1): 64-75. DOI:10.13254/j.jare.2021.0838] |
| [15] |
Li HL, Zhang JJ, Zhang SH et al. A framework to assess spatio-temporal variations of potential non-point source pollution risk for future land-use planning. Ecological Indicators, 2022, 137: 108751. DOI:10.1016/j.ecolind.2022.108751 |
| [16] |
Pan Y, Liu YH, Wang J et al. Non-point pollution control for landscape conservation analysis based on CLUE-S simulations in Miyun County. Acta Ecologica Sinica, 2011, 31(2): 529-537. [潘影, 刘云慧, 王静等. 基于CLUE-S模型的密云县面源污染控制景观安全格局分析. 生态学报, 2011, 31(2): 529-537.] |
| [17] |
Jing YD, Zhang HM. Risk assessment of non-point source pollution output in Nansihu Lake Basin based on LUCC. Journal of Natural Resources, 2019, 34(1): 128-139. [荆延德, 张华美. 基于LUCC的南四湖流域面源污染输出风险评估. 自然资源学报, 2019, 34(1): 128-139. DOI:10.31497/zrzyxb.20190111] |
| [18] |
Liang X, Guan QF, Clarke KC et al. Understanding the drivers of sustainable land expansion using a patch-generating land use simulation (PLUS) model: A case study in Wuhan, China. Computers, Environment and Urban Systems, 2021, 85: 101569. DOI:10.1016/j.compenvurbsys.2020.101569 |
| [19] |
Jang S, Cho M, Yoon J et al. Using SWMM as a tool for hydrologic impact assessment. Desalination, 2007, 212(1/2/3): 344-356. DOI:10.1016/j.desal.2007.05.005 |
| [20] |
Bhuyan SJ, Koelliker JK, Marzen LJ et al. An integrated approach for water quality assessment of a Kansas watershed. Environmental Modelling & Software, 2003, 18(5): 473-484. DOI:10.1016/S1364-8152(03)00021-5 |
| [21] |
Wang HY, Ti CP, Wang LJ et al. Spatiotemporal distribution characteristics and key sources of nitrogen pollution in a typical agricultural watershed based on SWAT model. J Lake Sci, 2022, 34(2): 517-527. [王慧勇, 遆超普, 王良杰等. 基于SWAT模型的典型农业小流域氮污染时空分布特征及关键源解析. 湖泊科学, 2022, 34(2): 517-527. DOI:10.18307/2022.0213] |
| [22] |
Wang XL, Wu CQ, Feng AP 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. Acta Scientiae Circumstantiae, 2015, 35(9): 2883-2891. [王雪蕾, 吴传庆, 冯爱萍等. 利用DPeRS模型估算巢湖流域氨氮和化学需氧量的面源污染负荷. 环境科学学报, 2015, 35(9): 2883-2891. DOI:10.13671/j.hjkxxb.2015.0460] |
| [23] |
Feng AP, Wu CQ, Wang XL et al. Spatial character analysis on nitrogen and phosphorus diffuse pollution in Haihe River Basin by remote sensing. China Environmental Science, 2019, 39(7): 2999-3008. [冯爱萍, 吴传庆, 王雪蕾等. 海河流域氮磷面源污染空间特征遥感解析. 中国环境科学, 2019, 39(7): 2999-3008.] |
| [24] |
Luo Q, Ren L, Peng WQ. Simulation study and analysis of non-point source nitrogen and phosphorus load in the Taizihe Watershed in Liaoning Province. China Environmental Science, 2014, 34(1): 178-186. [罗倩, 任理, 彭文启. 辽宁太子河流域非点源氮磷负荷模拟分析. 中国环境科学, 2014, 34(1): 178-186.] |
| [25] |
Yan YY, Guan QS, Wang M et al. Assessment of nitrogen reduction by constructed wetland based on InVEST: A case study of the Jiulong River Watershed, China. Marine Pollution Bulletin, 2018, 133: 349-356. DOI:10.1016/j.marpolbul.2018.05.050 |
| [26] |
Cong WC, Sun XY, Guo HW et al. Comparison of the SWAT and InVEST models to determine hydrological ecosystem service spatial patterns, priorities and trade-offs in a complex basin. Ecological Indicators, 2020, 112: 106089. DOI:10.1016/j.ecolind.2020.106089 |
| [27] |
Zhang T, Gao Q, Xie H et al. Response of water yield to future climate change based on InVEST and CMIP6—A case study of the Chaohu Lake Basin. Sustainability, 2022, 14(21): 14080. DOI:10.3390/su142114080 |
| [28] |
Wu N, Chen HF, Feng CY et al. Spatio-temporal evolution characteristics of habitat quality based on land cover change in Anhui Province. Resources and Environment in the Yangtze Basin, 2020, 29(5): 1119-1127. [吴楠, 陈红枫, 冯朝阳等. 基于土地覆被变化的安徽省生境质量时空演变特征. 长江流域资源与环境, 2020, 29(5): 1119-1127. DOI:10.11870/cjlyzyyhj202005007] |
| [29] |
陈翼翔. 基于InVEST模型的巢湖流域生态系统服务功能评估[学位论文]. 芜湖: 安徽师范大学, 2016.
|
| [30] |
Wu HJ, Yang T, Liu X et al. Towards an integrated nutrient management in crop species to improve nitrogen and phosphorus use efficiencies of Chaohu Watershed. Journal of Cleaner Production, 2020, 272: 122765. DOI:10.1016/j.jclepro.2020.122765 |
| [31] |
Sun L. Changes of nitrogen and phosphorus content and cyanobacteria bloom in Chaohu Lake from 2014 to 2018. Environment and Development, 2021, 33(2): 153-156. [孙雷. 2014—2018年巢湖水质氮磷含量与蓝藻水华变化情况探究. 环境与发展, 2021, 33(2): 153-156.] |
| [32] |
Chen X, Wang YH, Cai ZC et al. Responses of nitrogen load in water body to land use types in Changshu city. Soils, 2018, 50(4): 674-680. [陈西, 王延华, 蔡祖聪等. 常熟市水体氮负荷对土地利用方式的响应. 土壤, 2018, 50(4): 674-680.] |
| [33] |
Zhu HY, Li XB, He SJ et al. Spatio-temporal change of land use in Bohai rim. Acta Geographica Sinica, 2001, 56(3): 253-260. [朱会义, 李秀彬, 何书金等. 环渤海地区土地利用的时空变化分析. 地理学报, 2001, 56(3): 253-260.] |
| [34] |
Shen HF, Tian QJ, Wu GX. Study on land use/cover change in the water supply area of the middle-route of the south-to-north water diversion (MR-SNWD) project. Research of Soil and Water Conservation, 2015, 22(2): 204-208, 347. [申怀飞, 田庆久, 吴国玺. 南水北调中线水源区土地利用时空变化分析. 水土保持研究, 2015, 22(2): 204-208, 347.] |
| [35] |
Zhu HY, Li XB. Discussion on the index method of regional land use change. Acta Geographica Sinica, 2003, 58(5): 643-650. [朱会义, 李秀彬. 关于区域土地利用变化指数模型方法的讨论. 地理学报, 2003, 58(5): 643-650. DOI:10.1016/S0955-2219(02)00073-0] |
| [36] |
Yang L, Wang JL, Zhou WQ. Coupling evolution analysis of LUCC and habitat quality in Dongting Lake Basin Based on multi-scenario simulation. China Environmental Science, 2023, 43(2): 863-873. [杨伶, 王金龙, 周文强. 基于多情景模拟的洞庭湖流域LUCC与生境质量耦合演变分析. 中国环境科学, 2023, 43(2): 863-873.] |
| [37] |
Yang S, Su H, Zhao GP. Multi-scenario simulation of urban ecosystem service value based on PLUS model: A case study of Hanzhong city. Journal of Arid Land Resources and Environment, 2022, 36(10): 86-95. [杨朔, 苏昊, 赵国平. 基于PLUS模型的城市生态系统服务价值多情景模拟——以汉中市为例. 干旱区资源与环境, 2022, 36(10): 86-95.] |
| [38] |
Wu Z, Chen X, Liu BB et al. Risk assessment of nitrogen and phosphorus loads in Hainan Island based on InVEST Model. Chinese Journal of Tropical Crops, 2013, 34(9): 1791-1797. [吴哲, 陈歆, 刘贝贝等. 基于InVEST模型的海南岛氮磷营养物负荷的风险评估. 热带作物学报, 2013, 34(9): 1791-1797.] |
| [39] |
Redhead JW, May L, Oliver TH et al. National scale evaluation of the InVEST nutrient retention model in the United Kingdom. Science of the Total Environment, 2018, 610/611: 666-677. DOI:10.1016/j.scitotenv.2017.08.092 |
| [40] |
Sharp R, Tallis HT, Ricketts T et al. InVEST 3.11.0 user's guide. The Natural Capital Project, Stanford University, University of Minnesota, The Nature Conservancy, and World Wildlife Fund, 2022.
|
| [41] |
Chen JY, Cui T, Wang HM et al. Spatio-temporal evolution of water-related ecosystem services: Taihu Basin, China. PeerJ, 2018, 6: e5041. DOI:10.7717/peerj.5041 |
| [42] |
王晓辉. 巢湖流域非点源N、P污染排放负荷估算及控制研究[学位论文]. 合肥: 合肥工业大学, 2006.
|
| [43] |
Berg CE, Mineau MM, Rogers SH. Examining the ecosystem service of nutrient removal in a coastal watershed. Ecosystem Services, 2016, 20: 104-112. DOI:10.1016/j.ecoser.2016.06.007 |
| [44] |
Tian JM, Wang YH, Ye C et al. The evolution of land use types and its effects on the nitrogen and phosphorus loads in the Taihu Lake basin. Journal of Nanjing Normal University: Natural Science Edition, 2020, 43(2): 63-69. [田甲鸣, 王延华, 叶春等. 太湖流域土地利用方式演变及其对水体氮磷负荷的影响. 南京师大学报: 自然科学版, 2020, 43(2): 63-69.] |
| [45] |
Qiu L, Luo XY, Cheng HG. Research on large-scaled spatial non-point source pollution load of the Yangtze River Basin. Yangtze River, 2011, 42(18): 81-84. [邱凉, 罗小勇, 程红光. 长江流域大尺度空间非点源污染负荷研究. 人民长江, 2011, 42(18): 81-84.] |
| [46] |
Huang MY, Zhong Y, Feng SR et al. Spatial-temporal characteristic and driving analysis of landscape ecological vulnerability in water environment protection area of Chaohu Basin since 1970s. J Lake Sci, 2020, 32(4): 977-988. [黄木易, 仲勇, 冯少茹等. 1970s以来巢湖流域水环境保护区景观生态脆弱性时空特征及驱动解析. 湖泊科学, 2020, 32(4): 977-988. DOI:10.18307/2020.0407] |
| [47] |
Lin Y, Zhang TH, Ye Q et al. Long-term remote sensing monitoring on LUCC around Chaohu Lake with new information of algal bloom and flood submerging. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102413. DOI:10.1016/j.jag.2021.102413 |
| [48] |
Wang WZ, Chen L, Lin C et al. Source appointment at large-scale and ungauged catchment using physically-based model and dynamic export coefficient. Journal of Environmental Management, 2023, 326(Pt B): 116842. DOI:10.1016/j.jenvman.2022.116842 |
| [49] |
Li RZ, Wang JQ, Qian JZ. Countermeasures of non-point nutrient control of Chaohu Lake basin. Journal of Soil Water Conservation, 2004, 18(1): 119-121, 129. [李如忠, 汪家权, 钱家忠. 巢湖流域非点源营养物控制对策研究. 水土保持学报, 2004, 18(1): 119-121, 129.] |
| [50] |
Wen SF, Shan BQ, Zhang H. Spatial distribution character of phosphorus fractions in surface sediment from Chaohu Lake. Environmental Science, 2012, 33(7): 2322-2329. [温胜芳, 单保庆, 张洪. 巢湖表层沉积物磷的空间分布差异性研究. 环境科学, 2012, 33(7): 2322-2329. DOI:10.13227/j.hjkx.2012.07.034] |
| [51] |
张欢. 派河和南淝河溶解性有机质(DOM)光谱分析及污染源解析[学位论文]. 合肥: 合肥工业大学, 2019.
|
| [52] |
Wang J, Ye Y, Wang YQ et al. Using δ15N and δ18O values to identify sources of nitrate in the Dianbu River in the Chaohu Lake Basin. Journal of Hydraulic Engineering, 2017, 48(10): 1195-1205. [王静, 叶寅, 王允青等. 利用氮氧同位素示踪技术解析巢湖支流店埠河硝酸盐污染源. 水利学报, 2017, 48(10): 1195-1205.] |
| [53] |
Li CL, Zhang P, Zhu GW et al. Dynamics of nitrogen and phosphorus profile and its driving forces in a subtropical deep reservoir. Environmental Science and Pollution Research, 2022, 29(19): 27738-27748. DOI:10.1007/s11356-021-17877-6 |
| [54] |
陈西. 太湖滨湖城市河口氮素来源及其调控机制研究[学位论文]. 南京: 南京师范大学, 2021.
|
| [55] |
Huang MY, Fang B, Yue WZ et al. Spatial differentiation of ecosystem service values and its geographical detection in Chaohu Basin during 1995—2017. Geographical Research, 2019, 38(11): 2790-2803. [黄木易, 方斌, 岳文泽等. 近20a来巢湖流域生态服务价值空间分异机制的地理探测. 地理研究, 2019, 38(11): 2790-2803.] |
| [56] |
Zhao HX, Jiang XW, Liu Y. Spatial management zoning based on the water eco-health: A case study of the areas around Chaohu Lake. Acta Ecologica Sinica, 2018, 38(3): 866-875. [赵海霞, 蒋晓威, 刘燕. 基于水生态健康维护的空间开发管制分区研究——以巢湖环湖地区为例. 生态学报, 2018, 38(3): 866-875. DOI:10.5846/stxb20161013246] |