海河流域农业面源污染潜在风险识别方法

杨金凤,冯爱萍,王雪蕾*,李新荣,王昌佐,田 壮

海河流域农业面源污染潜在风险识别方法

杨金凤1,冯爱萍2,王雪蕾2*,李新荣1,王昌佐2,田 壮1

(1.北京市农林科学院植物营养与资源研究所,北京 100097；2.生态环境部卫星环境应用中心,北京 100094)

在综合分析农业面源污染风险源汇因子的基础上,筛选出影响海河流域农业面源污染的8个主要因子(年降水量、溶解态面源污染物入河系数、吸附态面源污染物入河系数、年植被覆盖度、坡度、土壤可侵蚀性因子、农田氮表观平衡量和农田磷表观平衡量),建立了农业面源污染潜在风险识别指标体系,采用多因子综合分析法对海河流域农业面源污染潜在风险等级进行评价,并与DPeRS模型风险识别结果进行偏差分析.结果表明,海河流域有61.91%的区域存在农业面源污染潜在风险,集中分布在流域的中部和南部地区,高风险区主要分布在北京市东南部、天津市中部、流域山东段东北部和河南段南部等区域;与DPeRS模型识别结果对比验证,显示同一风险等级面积相差不超过12%,且高风险级别面积相差仅为0.12%,97.17%以上的区域均为偏差小或无偏差,表明该识别方法具有与DPeRS模型法同等水平的农业面源污染潜在风险识别精准度,可实现区域农业面源污染潜在风险的快速、高效识别.

农业面源污染；指标体系；潜在风险识别；海河流域

在来自工业和城市生活污水的点源污染得到控制后,面源污染逐步成为水体污染的主要污染源,其中农业生产生活引起的面源污染是目前水体污染的主要原因之一.农业面源污染源分散且隐蔽,污染发生的时间和空间具有随机性和不确定性,监测、控制难度大.识别农业面源污染的高风险区,将有限的资源投入到对水体危害可能性最大而范围相对较小的区域进行重点治理,可大大降低治理难度和提高治理成效.因此,建立一种农业面源污染风险识别方法是农业面源污染管理和控制的当务之急.

目前识别农业面源污染风险的方法[1-2]有输出系数法、面源污染定量模型法、指标体系法.输出系数法[3]结构简单,所需资料较少,可直接评估和预测农业面源总氮和总磷的污染负荷量,但其在区域尺度上的应用需要大量的实地监测资料.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],需要参数较多,而目前农业管理中的数据积累还不够丰富,下垫面情况更复杂,区域性差异大,更是增加了地面基础信息的获取难度,国外模型直接移植的难度较大.指标体系法可综合分析影响农业面源污染物流失的主要因子,能够为农业面源污染风险提供一个更为合理的评价框架,灵活性较强.常用的方法有非点源污染潜力指数法(APPI)[8-9]和磷指数法(PI)[10-12].但常规农业面源污染风险指标体系法[13-14]中存在考虑的污染来源分类少、指标选择不全面、研究单元太粗等问题,因此,本研究从简单快速、低成本、精确性和适应性强等角度,建立了识别农业面源污染潜在风险程度的指标体系,确定指标权重并划分因子等级,采用多因子综合分析法计算海河流域农业面源污染风险指数,对其农业面源污染潜在风险进行评价,确定流域内农业面源污染发生风险高的区域为重点控制区,为农业面源污染潜在风险评价和快速筛查奠定了基础.

1 材料与方法

1.1 研究区概况

图1 研究区位置示意

海河流域位于我国华北地区,总面积31.82万km2,包括海河、滦河和徒骇马颊河3大水系、7大河系、10条骨干河流,地跨北京、天津、河北、山西、山东、河南、内蒙古和辽宁等8个省份,其中,北京、天津全部属于海河流域,河北省91%、山西省38%、山东省20%、河南省9.2%的面积属于海河流域,内蒙古自治区1.36万km2和辽宁省0.17万km2属于海河流域.该流域总体地势是西北高东南低,西部为黄土高原和太行山区,北部为蒙古高原和燕山山区;流域属于温带东亚季风气候区,年平均气温在1.5～14℃,年平均相对湿度50%～70%,多年平均降水量539mm(2011～2016年),属半湿润半干旱地带,年平均陆面蒸发量470mm,山区小于500mm,平原大于500mm,多年平均水面蒸发量850～1300mm,研究区位置见图1.

1.2 研究方法

1.2.1 农业面源污染潜在风险评价指标体系 农业面源污染潜在风险指标的选择是否恰当对整个研究过程及研究结果都存在较大的影响.农业面源污染的发生受多方面因子的影响与控制,其中包括人类无法调控的自然因子,如降雨、地形、地貌等,同时也包括了人类活动可以调控的许多因子,如植被覆盖、农药化肥的使用、农田灌溉等.所有气候因素都对水土流失有相应影响,其中降水最为重要,一般是年降水量越大,水土流失就越严重,地形地貌和土壤植被主要通过降雨和地表径流影响面源污染.经济水平决定人的生产生活方式,主要通过社会经济活动,影响土地利用方式、农业生产方式及管理水平、农村庭院养殖集中程度和规模、居民环境保护意识等,农村人口现状及增长速度直接影响耕地利用方式及利用程度、农业面源污染物的产生总量.

本研究在充分考虑影响农业面源污染的自然因素(气象、地形地貌、土壤、植被、水文等)和人为因素(化肥农药施用、耕作、灌溉、畜禽养殖、农村生活垃圾及污水排放等),兼顾污染物的产生、迁移和消减整个过程,结合现有资料,最终选择能反映农业面源潜在污染普遍特征的三大类指标:水文气象指标、土壤地形植被指标和经济指标,水文气象指标具体包括年降水量、溶解态面源污染物入河系数和吸附态面源污染物入河系数;土壤地形植被指标具体包括年植被覆盖度、坡度和土壤可侵蚀性因子;经济指标具体包括农田氮表观平衡量和农田磷表观平衡量.三大类8个指标的含义及算法具体如下:

(1)年降水量:降水是影响地表土壤侵蚀和面源扩散的重要因素之一,因降水有时空变化,面源污染也有时空不同,受降水强度、持续性、数量和降雨频率等因素影响.在这些因素中,对面源污染有重要影响的是降水量和降雨强度,其大小直接影响着径流量的大小,进而影响面源污染的程度[15].基于流域范围内气象站的降水量数据,以DEM作为协变量,利用薄板样条滑动平均法进行降水量的空间插值[16],得到流域年降水量空间数据.

(2)溶解态和吸附态面源污染物入河系数:是指产生的面源污染物进入河网的比例,是用来估算面源污染物入河排放量的重要参数.按照溶解态和吸附态两种污染物存在形式分为溶解态污染物入河系数和吸附态污染物入河系数.其中溶解态入河系数由径流系数决定,而吸附态入河系数由泥沙输移系数决定[17].溶解态面源污染物入河系数为年径流量与年降水量的比值,具体公式如下:

式中:CR为溶解态面源污染物入河系数;Prec和Runoff分别为年降水量和年径流量.

吸附态面源污染物入河系数为年泥沙含量与年土壤侵蚀量的比值,具体公式如下:

式中:SDR为吸附态面源污染物入河系数;Sed为年泥沙含量;Sel为年土壤侵蚀量;为降雨侵蚀力因子;为土壤可侵蚀性因子;分别为坡长因子和坡度因子,无量纲;为生物措施因子,无量纲;为工程措施措施因子,无量纲.

(3)年植被覆盖度:植被指数是一种无量纲的辐射测度,用来反映绿色植被的相对丰度及其活动,其中以归一化植被指数(NVDI)应用最为广泛,而且经过验证,植被指数与植被覆盖度有较好的相关性,用它来计算植被覆盖度比较合适.该因子与耕作管理密切相关,直接影响着土壤侵蚀速度.可利用遥感数据,采用最大最小值定量反演算法进行流域植被覆盖度反演[18-19].

(4)坡度:坡度是形成土壤侵蚀的根本原因,对侵蚀强度的影响也非常大,一般来说,地形的坡度越大,侵蚀的可能性也越大[20].基于DEM高程数据,利用ArcGIS软件功能模块计算流域坡度.

(5)土壤可侵蚀性因子():是土壤潜在侵蚀性的量度,它受土壤物理性质的影响,如与土壤机械组成、有机质含量、土壤结构、土壤渗透性等有关,值越大,土壤就容易遭受侵蚀.因子采用EPIC模型计算,并对其计算结果进行纠正[21-22].具体公式如下:

(6)农田氮表观平衡量和农田磷表观平衡量:定义为氮磷输入项与输出项之差,当平衡量为负值时表示土壤养分输出大于输入,处于亏损状态;当平衡量为正值时,表示土壤养分输入大于输出,处于盈余状态,盈余的氮磷会增加农田面源污染的风险[17].根据县级的化肥施用量、畜禽养殖量、农作物产量、农业人口等51个统计指标数据,采用输入输出法[23]计算,具体公式如下:

式中:bal为所述农田氮磷平衡量或所述农田磷平衡量;area为耕地面积和园地面积之和;1000为单位转换系数;Balance为养分平衡量;Input为养分输入量;Output为养分输出量;Ftlz为化肥养分输入量;Mnr为有机肥养分输入量;Irg为灌溉养分输入量;Seed为种子养分输入量;Bnf为生物固氮氮输入量;Dpzt为干湿沉降养分输入量;Hvst为作物带走养分输出量.

1.2.2 农业面源污染潜在风险评价指标权重 不同指标对农业面源污染的潜在危害程度不同,因此需要确定各指标的权重以获得更准确的污染风险等级[24].由于农业面源污染受多因素共同作用,且具有随机性、广泛性、模糊性和滞后性等特点,较适合采用层次分析法,本研究采取层次分析法中的幂法确定各指标的权重,详见表1.

表1 农业面源污染潜在风险识别指标权重

1.2.3 农业面源污染潜在风险指数计算及风险分级 根据《土地利用现状调查技术规程》[25]、区域降水分布规律及土壤侵蚀强度分级的参考指标等,结合GIS的自然间断点分级法(Jenks),充分考虑数据的均值、方差等统计结果,对8个潜在污染风险指标进行了分级并赋值1～4,各指标分级标准及其赋值详见表2.

在农业面源污染潜在风险指标体系构建基础上,结合指标权重和指标赋值,最终建立了农业面源污染潜在风险指数算法,具体如下:

式中:NPSPRI为农业面源污染潜在风险指数;为潜在风险指标在指标体系中的权重值,其值范围为0～1;为指标赋值,其值范围为1～4;为指标体系中的指标.

表2 农业面源污染潜在风险识别指标分级标准

对农业面源污染风险指数NPSPRI进行自然间断点分级法(Jenks)分级为4个风险等级,详细分级标准为:无风险(0,2.208]、低风险(2.208,2.704]、中风险(2.704,3]和高风险(3,4),并将各个级别数值范围赋予1～4,即:无风险赋值1,低风险赋值2,中风险赋值3,高风险赋值4,得到农业面源污染综合指标评价体系(CIES)潜在风险空间分布图.

1.3 数据来源

表3 主要数据

本文采用的数据主要包括海河流域2015年的遥感数据、气象数据、水文数据、高程数据、土壤数据和农业统计数据等,具体数据来源见表3.

2 结果与讨论

2.1 海河流域农业面源污染潜在风险识别指标空间特征

采用前文表2提出的农业面源污染潜在风险指标分级标准对海河流域农业面源污染潜在风险识别指标体系中的8个指标进行分级,结果表明,海河流域中部、东北部和南部的部分区域达到500mm以上的降雨量,且植被覆盖度相对较高;除流域西北部和天津的部分区域外,其余地区溶解态和吸附态面源污染物入河系数相对较高;流域的山地丘陵地带坡度相对较大,坡度小的区域土壤可侵蚀性因子值相对较高;流域的中部和南部地区农田氮表观平衡量和磷表观平衡量较高,北部相对较低,8个指标分级的空间分布详见图2.

图2 海河流域农业面源污染潜在风险识别指标空间分布

2.2 海河流域农业面源污染潜在风险识别结果

海河流域农业面源污染风险等级图及面积统计表详见图3和表4.

应用农业面源污染潜在风险指数对海河流域农业面源污染潜在风险区域进行识别(图3(a)),结果表明:海河流域有61.91%的区域存在农业面源污染潜在风险,集中分布在流域的中部和南部地区,高风险区面积占比为1.61%,主要分布在北京市东南部、天津市中部、山东段东北部和河南段南部等区域,此外,在河北段的部分区域也有零星分布.

同时,应用DPeRS模型[27-30]对海河流域农业面源污染潜在风险区域进行定量识别.DPeRS模型是一种基于二元结构的半经验半机理过程的模型,既考虑降水、植被覆盖、地形地貌等自然因素,同时也考虑了施肥利用效率、人口、牲畜和家禽等社会经济因素,并耦合定量遥感技术,可以对流域尺度面源污染负荷的时空动态进行精确的定量评估.为实现两者的可比性,对DPeRS模型模拟的污染负荷结果也采用前文方法中提出的风险分级标准进行划分,即也分为4个风险等级(即无风险、低风险、中风险以及高风险),将4个等级数值范围赋值1～4,得到模型风险等级图(图3(b)),结果表明:海河流域有50.86%的区域存在农业面源污染潜在风险,高风险区域面积占比为1.73%.农业面源污染潜在风险区域集中分布在流域的中部和南部地区,中风险和高风险区主要分布在北京市东南部、天津市中北部、山东段东北部和河南段西部等区域,此外,在河北段的部分区域也有零星分布.

表4 海河流域农业面源污染风险等级面积统计

图3 海河流域农业面源污染风险等级

2.3 海河流域农业面源污染潜在风险指标识别结果验证

表5 CIES等级结果与DPeRS模型结果偏差情况表

为验证所构建的农业面源污染潜在风险指标识别方法的精准度,将综合指标评价体系风险等级图与DPeRS模型风险等级图的识别结果进行偏差分析(图4).

对比海河流域农业面源污染综合指标评价体系风险等级结果与DPeRS模型识别结果,得出:同一风险等级面积相差不超过12%,尤其是高风险级别面积相差仅为0.12%(表4);97.17%以上的区域均为偏差小或无偏差(表5).表明本文提出的农业面源潜在污染风险识别方法具有与DPeRS模型法同等水平的风险识别精准度,且该识别方法不需要模型法所必须的复杂的指标以及数据积累,也不需要考虑复杂的下垫面情况,可以实现简单快速、高精度的农业面源污染风险识别.

2.4 海河流域农业面源污染潜在风险指标组合情景分析

设置了5种指标组合情形,与DPeRS模型模拟的海河流域面源污染进行偏差分析,筛选农业面源污染潜在风险指标的最优组合.结果表明,本文采用的8项指标与DPeRS模型对海河流域面源污染风险的识别结果偏差是最小的,无偏差和偏差小的比例达到97.17%,说明本文构建的风险评价指标体系可以快速、高精度地识别农业面源污染潜在高风险区.农业面源污染潜在风险指标筛选情形详见表6.

图4 海河流域CIES风险等级结果与DPeRS模型结果的偏差分析

表6 农业面源污染潜在风险指标筛选

注:与DPeRS模型的偏差分析结果比较的是无偏差或偏差小的比例和(%).

3 结论

3.1 在综合分析海河流域农业面源污染风险源汇因子的基础上,筛选出8个主要影响因子,即年降水量、溶解态面源污染物入河系数、吸附态面源污染物入河系数、年植被覆盖度、坡度、土壤可侵蚀性因子、农田氮表观平衡量和农田磷表观平衡量,建立了农业面源污染潜在风险识别指标体系,应用农业面源污染潜在风险指数,可实现海河流域农业面源污染潜在风险区的快速、高效识别.

3.2 农业面源污染综合指标评价体系风险识别结果表明,海河流域有61.91%的区域存在农业面源污染潜在风险,集中分布在流域的中部和南部地区,高风险区面积占比为1.61%,主要分布在北京市东南部、天津市中部、山东段东北部和河南段南部等区域.

3.3 对比海河流域农业面源污染综合指标评价体系风险等级结果与DPeRS模型模拟结果,同一风险等级面积相差不超过12%,尤其是高风险级别面积相差仅为0.12%,97.17%以上的区域均为偏差小或无偏差,表明该识别方法具有与DPeRS模型法同等水平的风险识别精准度.

[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,吴敬学,张希三.海河流域种植业非点源污染负荷量估算[J]. 农业环境科学学报, 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,陈 岩,赵琰鑫,等.流域空间属性关联模型(SPARROW模型)理论方法与应用案例[M]. 北京:中国环境出版社, 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] 李开明,任秀文,黄国如,等.基于AnnAGNPS模型泗合水流域非点源污染模拟研究[J]. 中国环境科学, 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,胥彦玲,李怀恩.基于SWAT模型的黑河流域不同土地利用情景的非点源污染研究[J]. 环境科学学报, 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 宁,郭红岩,等.农业非点源污染潜力指数系统(APPI)在太湖典型区域的应用[J]. 农业环境科学学报, 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指数系统的旱作农田面源污染发生潜力及优先控制区识别—以沙颍河流域为例[D]. 合肥:安徽大学, 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,陈利顶,齐 鑫,等.妫水河流域农耕区非点源磷污染危险性评价与关键源区识别[J]. 环境科学, 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,吴胜军,刘永美,等.基于GIS技术的农用地非点源磷污染危险性评价—以长江流域为例[J]. 测绘科学, 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] 刘建昌,严 岩,刘 峰,等.基于多因子指数集成的流域面源污染风险研究[J]. 环境科学, 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] 吕 川,张洪钰,齐 琳.辽河源头区流域农业非点源污染风险评价与关键源区识别[J]. 江西农业大学学报, 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] 王晓燕.非点源污染及其管理[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] 刘志红,Li L T, McVicar T R,等.专用气候数据空间插值软件ANUSPLIN及其应用[J]. 气象, 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 桥,吴传庆,等.国家尺度面源污染业务评估与应用示范[M]. 北京:科学出版社, 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-Muñoz 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,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[J]. 环境科学学报, 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与水华空间分布遥感解析[J]. 中国环境科学, 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] 全国农业区划委员会.土地利用现状调查技术规程 [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] 符素华,刘宝元,周贵云,等.坡长坡度因子计算工具[J]. 中国水土保持科学, 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] 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[J]. 中国环境科学, 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,钟部卿,等.辽河流域非点源污染空间特征遥感解析[J]. 环境科学, 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] 冯爱萍,王雪蕾,徐 逸,等.基于DPeRS模型的海河流域面源污染潜在风险评估[J]. 环境科学, 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

杨金凤(1981-),女,山西朔州人,助理研究员,博士,主要从事农业面源污染防治.发表论文20余篇.

2021-02-25

国家重点研发计划项目(2016YFD0800903);国家自然科学基金资助项目(41871346)

* 责任作者, 研究员, wxlbnu@163.com