薛亚婷，孙文锦，邹长武，高姗，陈结平

(成都信息工程大学 资源环境学院，成都 610225)

0 引言

水资源是人类生产和生活所必需的重要自然资源。受人类活动的影响，社会在不断进步的同时也为水环境带来巨大压力，其中面源污染逐渐成为水环境破坏的主要原因[1-2]。面源污染即非点源污染，主要来源包括施肥不当、农药使用、畜牧养殖等[3]。面源污染是由降雨作用和径流共同作用产生，成因复杂，过程繁复，不具有明显规律，且范围一般较广。面源污染中农业面源污染占主导位置。因此，通过调整农业面源污染的问题进而管理水环境的举措具有重要意义和价值。赤水河流域由于工厂污水肆意排放、污水排放管网不合理等问题，存在着较为严重的面源污染问题。

面源污染研究方法主要包括野外监测法、类型划分法、综合试验场法、人工模拟试验法等，但都存在或多或少的问题。如野外监测法费时费力、效率低、周期长，只能作为一种辅助手段；综合试验场法虽然工作量小、花费低，但是精度不高；类型划分法虽然提高了精度，但是费用及工作量也大大提升。而面源污染模型常常与GIS技术、实地监测方法相结合，对流域中污染物负荷量进行了量化模拟，逐渐成为了研究流域污染物时空分布、模拟污染物地表迁移的最常用方法。

中国正在努力通过将SWAT模型与其他应用软件集成进行应用，包括流量和沉积物产量、非点源污染、模型不确定性和模型组合的研究。SWAT模型被广泛应用于径流模拟、面源污染计算、地表水质模拟、泥沙及氮磷等营养物质的转移方面[4-7]。目前，国内外有学者利用SWAT模型对流域氮磷污染问题进行了深入研究[7]，也有学者将SWAT模型与MODFLOW地下水模型进行耦合，模拟潜水蒸发量对区域径流的影响[8]，还有学者对面源污染负荷的定性及定量分析计算，进而推算出与降水量的正比关系，或者通过将SWAT模型与多方模型进行组合构建大尺度的区域综合模拟模型。SWAT模型可以很方便地提取土地利用类型、土壤类型、天气、农业管理等数据，以实现对流域的模拟，具有运算效率高、省时省力、长期模拟等优点。本研究选择沱江二级支流、绛溪河一级支流赤水河流域进行面源污染研究分析，以SWAT模型为支撑，将其与GIS、RS等技术相结合，以DEM数据、土地利用、土壤类型及属性、气象数据等为基础数据[9-10]，构建合理的模型，分析污染成因，找寻污染预防和控制对策，为绛溪河流域乃至沱江流域水环境综合管理提供依据。

1 材料与研究方法

1.1 研究区概况

图 1 赤水河流域位置示意Figure 1 Location of Chishui River Basin

赤水河是绛溪河的支流之一，绛溪河位于沱江的北侧，绛溪河的发源地是仁寿县的龙泉山脉，其流向为西南-东北流向，流经镇金、三岔、草池三镇。赤水河自北汇入绛溪河，由龙泉流向简阳方向，流经石盘镇、简阳、太平桥镇，上游蜿蜒于山际，下游流经浅丘村镇，河岸多台地。全长约25 km，流域面积约60 km2，平均流量0.68 m3·s-1。

赤水河流域遍及村庄、工厂、农家乐、牲畜养殖场。由于工厂肆意排放污水、牲畜业管理不严、污水处理不到位等原因，该流域一直存在相当严重的面源污染问题，故而本研究对该流域污染成因进行分析，从而为该区域水质改善和治理提供帮助。

1.2 基础资料

表 1 空间数据信息Table 1 Spatial data information

表 2 属性数据信息Table 2 Attribute data information

图 2 土地利用类型数据Figure 2 Land use type data

图 3 土壤类型数据Figure 3 Soil type data

SWAT模型运行所需的数据为数字高程模型、土地利用数据、土壤类型数据、土壤性质数据、气象数据、实测水文水质数据，如表1及表2所示。其中土地利用的数据源为2018年4月2日的Landsat 8遥感影像数据，来源于地理空间数据云。其他属性数据及空间数据也为2018年的相关数据。水质数据来源于水污染监测站监测建设项目，径流数据由实际测量得到，并且选择使用SWAT模型中国大气同化驱动数据集(CMADS V1.0)所提供的气象数据作为参考。

利用DEM、土地利用数据、土壤类型数据构建空间数据库。参照文献[11-12]将土壤利用数据、土壤类型数据进行分类，如图2及图3所示。其中，林地占最大比例76.73%，剩余的依次为城市用地10.45%、耕地8.34%、水域8.35%、荒地0.63%。流域内土壤类型为紫泥土和灰粽土，分别占比67.57%和32.43%。

利用气象数据、土壤性质数据构建属性数据库。由于研究区域较小，没有合适的气象站点数据，故选择使用SWAT模型中国大气同化驱动数据集(CMADS V1.0)所提供的气象数据作为参考，其数据格式可直接用于SWAT模型运行[13]。

1.3 研究方法

1.3.1 SWAT模型

SWAT模型是美国农业部研究中心开发的物理流域模型，可对流域进行模拟，建立径流、土地利用、土壤类型、污染物之间的重要联系[14]。SWAT模型具有运算效率高、能长期模拟等优良特点[15]。基于DEM构建研究区河网，将赤水河流域划分为25个子流域，设置土地利用的分类阈值为10%，土壤数据的分类阈值20%，最终整个研究区域被划分为101个水文响应单元(HRU)[16-17]，进而对径流、水质参数率定及检验，并对赤水河流域面源污染进行时间和空间特征分析。

1.3.2 SWAT-CUP

SWAT-CUP是被广泛应用在对SWAT进行参数敏感性分析方面的工具，它包含了SUFI2、GLUE、Para So1、MCMC等敏感性分析方法，SWAT-CUP将其与SWAT模型链接，对目标函数进行多元回归分析，以此达到对模型参数敏感度分析的目的[18]。本研究选用SWAT-CUP提供的SUFI2算法以进行全局参数敏感性分析[19]，在众多参数中找到最为敏感的参数进行率定和调整。

3.故障原因按系统排列可使文章清晰，例如：进气系统、燃油系统、电控系统、机械部分。我将作者总结的7条重新排列：

1.4 模型评价指标

评价指标选用R2(相关性系数)和Ens(纳什系数)，R2反映模拟结果与实测数值的符合程度，Ens说明模拟结果的准确程度[6]。基于以上两个评价指标来评价SWAT模型在赤水河流域的适用性，取相关性系数R2>0.6，纳什系数Ens>0.5作为评价标准。其中，R2可利用线性回归方程求得，当R2=1时，数据完全相关；当R2<1时，值越接近0表示吻合程度越低。Ens为1时表示模拟值与实测值二者达到完全一致。

2 结果与分析

2.1 模型参数敏感性分析

本次试验选取若干相关参数，得到表3所示的运行结果，其中，t检验值反映参数的敏感性程度，绝对值越大越敏感；P值代表参数敏感性的显著程度，越接近0即越显著。一般选取t的绝对值>1且P<0.5的参数进行校正。通过多次迭代运算，得到对赤水河流域的径流校准结果。

表 3 敏感性分析结果Table 3 Results of sensitivity analysis

2.2 径流参数率定及验证

表 4 年尺度径流率定结果 Table 4 Results of annual runoff rate-setting

表 5 月尺度径流率定结果 Table 5 Results of monthly runoff rate-setting

选取2013年为模型预热期，2014—2015年为校准期，2016年为验证期，进行模型在赤水河流域的适用性验证。对径流进行率定的思路是依次从年、月、日3种尺度对参数进行调整[20]。从年尺度来说，2014—2015年实测与模拟径流结果的相对误差Re值<20%，即年尺度径流模拟效果良好，结果如表4所示。从月尺度来说，率定期内月径流R2>0.6，Ens>0.5，模拟效果良好，结果如表5所示，其对比效果如图4所示。从日尺度来说，提取2014—2015年日径流量模拟量，结果如图5所示。

完成径流参数率定后，对模型进行验证，判断精度是否达到要求[7]。选取2016年实测数据以验证模拟结果，得到如表6所示评价结果，验证期内月径流R2>0.6，Ens>0.5，模拟效果良好，对比效果如图6所示。提取日径流量模拟结果，2016年验证内模拟效果如图7所示。

图 4 2014—2015年月径流量Figure 4 Monthly runoff from 2014 to 2015

图 5 2014—2015年日径流量Figure 5 Daily runoff from 2014 to 2015

图 6 2016年月径流量Figure 6 Monthly runoff in 2016

图 7 2016年日径流量Figure 7 Daily runoff in 2016

2.3 水质参数率定及验证

表 6 月尺度径流验证结果 Table 6 Monthly runoff verification results

表 7 月尺度污染负荷率定结果 Table 7 Results of monthly pollution load rate determination

表 8 月尺度污染负荷验证结果 Table 8 Monthly pollution load verification results

表 9 2014—2016年4—9月面源污染输出总量 Table 8 Total output of non-point source pollution from April to September, 2014—2016

通过计算可得实测泥沙、总氮和总磷的月均负荷量。基于2015年实测水质数据来率定模型。运行得到2015年泥沙、总氮(TN)、总磷(TP)实测数据与年尺度模拟数值对比，相对误差Re分别为2.8%、-10.8%、-4.5%，均小于20%，即年尺度污染负荷模拟效果良好，月均率定结果如表7所示。

输出月均污染负荷模拟结果，得到率定期内月均污染负荷的实测值与模拟值R2>0.6，模拟效果良好。完成参数率定后，基于2016年实测水质数据来进行水质验证。运行得到2016年泥沙、总氮(TN)、总磷(TP)实测数据与年尺度模拟数值对比，相对误差Re均小于20%，即年尺度污染负荷模拟效果良好，月均验证结果良好(表8)。

2.4 面源污染负荷年内分析

通过运行校准后的SWAT模型对赤水河流域2014—2016年的泥沙、总氮(TN)、总磷(TP)负荷进行模拟，得到该流域2014—2016年的泥沙输出总量、总氮输出总量和总磷输出总量[21]分别为：3 422.4 t、13 721 kg、11 383 kg。从年尺度的变化观察得到泥沙、总氮、总磷与降水数值的年变化形式有很强的相似性，并且一年之中都是先增大再减小。降雨量集中在6—9月。2014年降水从一月起开始增加，7、8月达到最大降水量，分别为252.07 mm和242.09 mm；2015年8、9月达到最大降水量，分别为171.77 mm和217.56 mm；2016年6、7月达到最大降水量，分别为134.36 mm和192.95 mm。泥沙、总氮、总磷也有着年尺度的强相似性。总氮在2014年8月达到一整年内最高9 026 kg,在2015年9月达到最高10 463 kg，在2016年8月达到最高14 478.31 kg。总磷在2014年8月达到一整年内最高694 kg,在2015年9月达到最高1 631.022 kg，在2016年6月达到最高998 kg。泥沙在2014年8月达到一整年内最高2 960.35 t,在2015年7月达到最高2 065.595 t，在2016年8月达到最高2 854.21 t，按月尺度输出分布如图8所示。

面源污染负荷大多在雨季输出，即每年的4—9月，其污染输出总量占全年比重如表9所示。

图 8 2014、2015和2016年月尺度负荷输出分布Figure 8 Monthly load output distribution in 2014, 2015 and 2016

2.5 面源污染负荷空间分析

根据模型运行得到的输出文件(.rch)，从中提取各个河段的面源污染输出负荷量[22]，根据子流域空间分布结合对应的面积，计算得到各子流域单位面积输出负荷，空间分布如图9所示。

3 结论与讨论

本研究以赤水河流域为研究对象，将SWAT模型与GIS、RS等技术相结合，构建水质评价模型，对赤水河流域内的面源污染负荷进行分析，揭示其时空分布特征，得出以下结论。

图 9 2014—2016年泥沙、总氮(TN)、总磷(TP)负荷空间分布Figure 9 Spatial distribution of sediment, total nitrogen (TN) and total phosphorus (TP) loads from 2014 to 2016

(1)SWAT模型建立后的参数率定与校验中，率定期和验证期的径流和泥沙、总氮(TN)、总磷(TP)模拟在年、月、日尺度的误差控制在合理范围内，说明该模型在赤水河流域具有良好的适用性。

(2)由矫正后模型的模拟结果推知面源污染负荷大多在雨季输出。流域上游的单位面积污染负荷较少，泥沙负荷大致在0.09到0.17 t·hm-2之间，总氮负荷大致在1.54到2.68 kg·hm-2之间，总磷负荷大致在0.09到0.13 kg·hm-2之间。中部穿过城镇受人类活动影响，污染负荷明显高于其他地区。下游农业生产活动较多，污染负荷也相对较高。中下游污染严重处泥沙负荷达到1.46 t·hm-2以上，总氮负荷达到14.34 kg·hm-2以上，总磷负荷达到1.50 kg·hm-2以上。总氮、总磷的空间特征受农业活动影响明显，耕地和城市用地所在地区污染比较严重，总氮负荷在6.32 kg·hm-2以上，总磷负荷在0.41 kg·hm-2以上。而泥沙受降雨、地形、土地利用和土壤类型等综合因素的影响，在耕地所在地区，泥沙负荷多在0.42 t·hm-2以上，土壤类型多为灰棕冲积土。

(3)通过对结果进行分析寻找面源污染成因，为寻找提高流域水环境质量的方法提供思路，为其他地区农业面源污染研究提供借鉴。

本研究对赤水河流域进行了不同时间尺度的径流、水质模拟，结果表明SWAT模型在该小流域具有一定的适用性，径流模拟效果及污染负荷模拟效果均良好。另外，由上述分析可得面源污染负荷大多在雨季输出，即每年的4—9月，其污染输出总量占全年比重如表9所示，从中推知全年约80%以上的污染负荷输出集中在流域汛期。由此推断降雨对面源污染输出起到至关重要的作用，是其产生的直接推动力[23-25]。最后，由于本研究的流域面积很小，所以为减少工作量有部分参数的赋值为主观设定，基于临近区域或更大尺度上的数据计算得到，对精度会有一定影响，若有更为准确的数据可进一步对内容进行完善。SWAT模型在运行及校正过程中涉及到非常多参数，而采集到的数据仅为基础数据，若想要得到更准确的数据，可参考模型说明搜集其他相关数据进行模拟及校正。