环境监控与预警   2022, Vol. 14 Issue (3): 27-34.  DOI: 10.3969/j.issn.1674-6732.2022.03.005.
0

环境预警

引用本文 [复制中英文]

尚婷婷, 温飞, 黄莉, 张亚群, 朱南华诺娃, 王雪蕾, 冯爱萍, 黄河流域甘肃段面源污染估算与空间分析. 环境监控与预警, 2022, 14(3): 27-34. DOI: 10.3969/j.issn.1674-6732.2022.03.005.
[复制中文]
SHANG Ting-ting, WEN Fei, HUANG Li, ZHANG Ya-qun, ZHU Nan-huanuowa, WANG Xue-lei, FENG Ai-ping. Estimation and Spatial Analysis of Diffuse Pollution in Gansu Section of Yellow River Basin. Environmental Monitoring and Forewarning, 2022, 14(3): 27-34. DOI: 10.3969/j.issn.1674-6732.2022.03.005.
[复制英文]

基金项目

甘肃省科技计划基金资助项目(20JR10RA442)

作者简介

尚婷婷(1988—),女,工程师,硕士,从事环境污染防治工作.

通讯作者

冯爱萍  E-mail: fengaiping1108@163.com.

文章历史

收稿日期:2022-02-22
修订日期:2022-03-28

码上扫一扫

黄河流域甘肃段面源污染估算与空间分析
尚婷婷1, 温飞1, 黄莉2, 张亚群1, 朱南华诺娃2, 王雪蕾2, 冯爱萍2    
1. 甘肃省生态环境科学设计研究院,甘肃 兰州 730000;
2. 生态环境部卫星环境应用中心,北京 100094
摘要:采用遥感分布式面源污染评估模型(DPeRS),对2018年黄河流域(甘肃段)面源污染空间分布特征进行分析,具体包括多类型污染量产排特征解析和流域优先管控单元识别。结果表明,污染量上,2018年黄河流域(甘肃段)总氮(TN)、总磷(TP)、氨氮(NH3-N)、化学需氧量(CODCr)的面源污染排放负荷分别为65.6,11.8,19.1和77.2 kg/km2,入河量分别为836.7, 33.3, 220.2和1 353.3 t;空间分布上,氮型(TN和NH3-N)排放负荷高值区主要分布在流域中部和东部局部地区,流域大部分地区TP排放负荷均较高,CODCr面源污染排放负荷高值区分布较为零散。与排放负荷相比,黄河流域(甘肃段)面源污染入河负荷并不突出,这与该地区水资源量少有密切关系。筛选出黄河流域(甘肃段)面源污染优先控制单元15个,面积占比为85.2%,Ⅰ类优控单元主要分布在庆阳市、天水市、兰州市和白银市等地区,Ⅱ类优控单元主要分布在甘南藏族自治州,且TN、TP、NH3-N和CODCr面源污染优控单元识别结果的平均精度达到80%。
关键词面源污染    遥感分布式面源污染评估模型    优控单元    空间分析    黄河流域甘肃段    
Estimation and Spatial Analysis of Diffuse Pollution in Gansu Section of Yellow River Basin
SHANG Ting-ting1, WEN Fei1, HUANG Li2, ZHANG Ya-qun1, ZHU Nan-huanuowa2, WANG Xue-lei2, FENG Ai-ping2    
1. Gansu Academy of Eco-environment Sciences, Lanzhou, Gansu 730000, China;
2. Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment, Beijing 100094, China
Abstract: This paper analyzed the spatial distribution characteristics of diffuse pollution in the Gansu section of the Yellow River Basin in 2018 with DPeRS (Diffuse Pollution estimation with Remote Sensing) model, including the analysis of the characteristics of multi-type pollution mass production and discharge and the identification of priority control units(PCU) in the basin. The results showed that in terms of pollution, the non-point source pollution discharge loads of total nitrogen (TN), total phosphorus (TP), ammonia nitrogen (NH3-N) and chemical oxygen demand (CODCr) were 65.6, 11.8, 19.1 and 77.2 kg/km2, respectively, and the river inflow was 836.7, 33.3, 220.2 and 1 353.3 t in the Gansu section of the Yellow River Basin in 2018. As for spatial distribution, nitrogen-type (TN and NH3-N) emission load areas with high values mainly distributed in the central and eastern parts of the basin. Most areas of the basin have high TP emission loads, and the high-value areas of CODCr diffuse pollution discharge load were relatively scattered. Compared with the discharge load, the load of diffuse pollution into the river in the Gansu section of the Yellow River Basin was not prominent, which is closely related to the lack of water resources in the region. There are 15 PCUs of diffuse pollution in the Gansu section of the Yellow River Basin, with an area accounting for 85.2 %. Class Ⅰ PCUs are mainly located in Qingyang City, Tianshui City, Lanzhou City and Baiyin City, and Class Ⅱ PCUs are mainly located in Gannan Tibetan Autonomous Prefecture. The average accuracy of PCUs of diffuse pollution identification results of TN, TP, NH3-N and CODCr are about 80%.
Key words: Diffuse pollution    DPeRS model    Priority control units    Spatial analysis    Gansu Section of Yellow River Basin    

黄河流域是我国重要的经济地带和生态安全屏障[1],黄河流域覆盖9个省份,这些地区化学需氧量(CODCr)和总磷(TP)污染物排放源占面源污染源的比例均超过70%和60%[2]。在促进黄河流域生态保护和高质量发展的大背景下,掌握黄河流域面源污染现状以及污染源特征,可为黄河流域及区域污染防治提供有效参考[3]。甘肃段位于黄河流域上游地区,是我国重要的水源涵养区,但其CODCr面源污染排放占比超过80%[2],结合国家精准治污和科学治污的环保监管要求,需要对该区域面源污染的空间分布及污染来源进行科学精准的评估。

模型评估是全面掌握面源污染情况的有效途径之一,国内外学者采用的面源模型众多,根据模拟参数是否考虑物理机制过程和时空尺度转换,可以归纳为经验模型和机理模型两大类[4]。经验模型包括输出系数模型(ECM)[5-6]、改进的输出系数模型(IECM)[7]、平均浓度法[8-9]和通用土壤流失方程模型(USLE)[10]等,机理模型包括基于流域尺度的一个长时段的流域分布式水文模型(SWAT)[11-12]、连续农业非点源污染模型(AnnAGNPS)[13]、水文模拟模型(HSPF)[14]等模型。模型发展经历了经验统计与机理探究阶段,已在结构和适用范围上趋于完善并进入实际应用阶段,但目前模型应用仍面临数据获取困难、模拟结果存在不确定性、引进模型须本土化等问题[15]。随着遥感技术的发展,“3S”技术成为面源污染模型重要的组成部分[16]。对比国内外面源污染评估模型[17-18],遥感分布式面源污染评估模型(DPeRS)在模型结构、运行条件和模拟指标等方面具有较大的管理应用优势[19]。DPeRS模型系统以遥感像元为基本模型运算单位,可实现污染负荷空间精细化、可视化表征,与传统总量减排核算方法相比,该模型引入遥感数据,有效降低了对地面数据的要求,并实现了从“点”到“面”的空间突破,可为因地制宜地制定面源污染防控方案提供技术支撑[20]

黄河流域(甘肃段)面源污染相关研究多集中于面源污染现状分析、防控对策研究和局部地区的污染负荷估算等方面,杨虎德等[21]基于甘肃省面源污染国控监测点,对全省范围内的农田土壤氮磷流失特征及影响因素进行了调查研究。肖朝卿[22]分析了农业和农村转型背景下甘肃农业面源污染的现状及其构成的主要威胁。华维霞[23]基于统计数据对黄河流域兰州段的化肥施用、水土流失、畜禽养殖及农村生活4种污染源产生氮磷负荷进行了计算。任艺彬等[24]对马莲河和蒲河流域的面源污染因子进行了分析并总结了流域非点源污染的特征。韩柳[25]利用SWAT模型对湟水流域面源污染负荷进行模拟分析,研究显示湟水全流域总磷负荷主要来自农业面源。刘全諹等[26]基于遥感与GIS技术对洮河流域面源污染负荷进行估算。但以上研究较少涉及黄河流域(甘肃段)全范围、全类型的面源污染负荷估算,缺乏满足管理要求的流域尺度面源污染全口径系统性评估。

现采用管理适用性较强的DPeRS模型[19-20, 27]对黄河流域(甘肃段)2018年总氮(TN)、TP、氨氮(NH3-N) 和CODCr面源污染负荷进行空间估算,其中污染类型覆盖农田径流、畜禽养殖、农村生活、城镇生活和水土流失等,基于模型结果开展流域面源污染源解析及面源污染空间管控分析,为黄河流域(甘肃段)面源污染综合防治和科学管控提供技术支撑。

1 材料与方法 1.1 研究区概况

黄河流域(甘肃段)位于黄河上游,是我国重要的水源涵养区,其地处青藏高原、黄土高原、内蒙古高原三大高原和青藏高寒区、西北干旱区、东部季风区三大自然区域的交汇处,范围介于100°58′— 108°77′E,33°07—37°48′N。黄河流域(甘肃段)平均海拔约2 200 m,地势呈西高东低走势,由西向东依次包含了甘南高原、陇中黄土高原丘陵沟壑区和陇东黄土高原区汇,其中陇中、陇东黄土高原地区生态环境脆弱, 是中国水土流失最为严重的地区,也是黄河最主要的泥沙来源地。受地形特征影响, 区域气候较为敏感, 自西向东为甘南高寒湿润区、陇中北部冷温带半干旱区、陇中南部冷温带半湿润区[28]。流域总面积为14.59万km2,地跨甘肃省9个地级行政区(州、市),土地利用类型以草地为主,草地面积占流域总面积的54%。黄河流域(甘肃段)地理位置及土地利用分布见图 1

图 1 研究区位置示意
1.2 研究方法

采用DPeRS模型对黄河流域(甘肃段)面源污染进行分类型、分指标估算。DPeRS模型是基于二元结构原理构建的遥感分布模型,该模型以遥感像元为基本模拟单元,综合考虑了自然要素(降水、植被覆盖度、地形和地貌等)和社会经济要素(施肥利用效率、人口、牲畜和家禽等)对面源污染量的影响。

DPeRS模型具体包括农田氮磷平衡核算、植被覆盖度定量遥感反演、溶解态污染负荷估算、颗粒态污染负荷估算和入河估算5大模块,模拟类型包括农田径流、农村生活、畜禽养殖、城镇生活和水土流失5个类型,污染物模拟形态分为溶解态和颗粒态2种,模拟指标包括TN、TP、NH3-N和CODCr,模型耦合的遥感参数包括植被覆盖度和土地利用,DPeRS模型核心算法详见文献[27]。

《重点流域水污染防治规划(2016—2020年)》中明确,全国共划分1 784个控制单元,其中黄河流域(甘肃段)内有18个控制单元。采用双指标阈值法对黄河流域(甘肃段)的面源污染优先控制单元(以下简称“优控单元”)进行筛选。具体筛选方法为:采用排放负荷和入河量2个指标进行优控筛选,其中研究区4项模拟指标的排放负荷均值和入河量均值作为面源污染优控单元判定的阈值,将面源污染排放负荷和入河量均大于均值的单元判定为源头与入河过程Ⅰ类优控单元;排放负荷大而入河量小或者排放负荷小而入河量大的控制单元分别判定为源头Ⅱ类优控单元和入河过程Ⅱ类优控单元,其他情况判定为非面源污染优控单元。

1.3 数据来源与预处理

模型输入数据主要包括黄河流域(甘肃段)2018年的月度降水量、土地利用、月度植被覆盖度、坡度和坡长、土壤数据和农田氮磷表观平衡量等, 所有数据均统一转换为250 m空间分辨率的栅格数据,数据来源与处理方法见表 1,年累积降水量,月均植被覆盖度,农田氮磷表观平衡量的空间分布见图 2(a)(b)(c)(d)

表 1 主要空间数据
图 2 黄河流域(甘肃段)主要数据空间分布
2 结果与讨论 2.1 面源污染物排放分布特征

对2018年黄河流域(甘肃段)面源污染排放负荷进行空间估算结果表明,TN、TP、NH3-N和CODCr面源污染排放负荷分别为65.6,11.8,19.1和77.2 kg/km2。空间上,TN和NH3-N面源污染排放负荷空间分布规律相似,负荷高值区主要分布在该流域中部和东部的局部地区,具体包括天水市中西部、庆阳市北部、白银市、兰州市和临夏回族自治州等地区的局部区域;流域大部分地区TP排放负荷均处于较高水平,其中以庆阳市北部、天水市中西部及兰州市和临夏回族自治州交界处最为突出;CODCr排放负荷高值区集中分布于兰州市和临夏回族自治州中部的局部地区。黄河流域(甘肃段)面源污染排放负荷的空间分布见图 3(a)(b)(c)(d)(负荷分级参考文献[34]),各行政区面源污染排放负荷统计结果见表 2

图 3 黄河流域(甘肃段)面源污染排放负荷空间分布
表 2 黄河流域(甘肃段)面源污染排放负荷统计
2.2 面源污染物入河分布特征

基于研究区2018年各指标面源污染排放负荷,结合各水文分区的入河系数,估算了黄河流域(甘肃段)面源污染入河量。结果表明,流域大部分地区面源污染入河负荷均处于较低水平,流域中部部分地区面源污染入河负荷相对较高,对于氮磷指标(TN、NH3-N和TP),天水市中西部、白银市中部以及兰州市的局部地区面源污染入河负荷相对较高;兰州市、临夏回族自治州中部的局部地区CODCr面源污染入河负荷相对较高。对黄河流域(甘肃段)面源污染入河量进行空间统计,结果表明,TN、TP、NH3-N和CODCr面源污染入河量分别为836.7, 33.3, 220.2和1 353.2 t,各行政区面源污染入河量统计结果见表 3。研究区各指标面源污染入河负荷空间分布见图 4(a)(b)(c)(d)(负荷分级参考文献[34])。

表 3 黄河流域(甘肃段)各行政区面源污染入河量统计
图 4 黄河流域(甘肃段)面源污染入河负荷的空间分布
2.3 面源污染类型解析

对黄河流域(甘肃段)2018年5种类型(农田径流型、畜禽养殖型、农村生活型、城镇生活型和水土流失型)面源污染量进行统计。结果表明,农田径流是黄河流域(甘肃段)氮型面源污染的主要污染途径, 农田生产引起的TN和NH3-N面源污染排放量分别占总排放量的70.9%和91.9%;TN的次要污染传输方式为水土流失,NH3-N则为农村生活;水土流失是影响TP面源污染排放的首要类型(占比63.9%), 农田径流次之;畜禽养殖是CODCr面源污染的主要污染类型,其排放量占比为69.3%,其次为农村生活和城镇生活。黄河流域(甘肃段)不同类型面源污染排放负荷及排放量统计见表 4

表 4 黄河流域(甘肃段)面源污染入河量统计
2.4 面源污染空间管控分析

黄河流域(甘肃段)面源污染优控单元识别结果表明,总体上,18个控制单元中,面源污染优控单元有15个,面积占研究区总面积的85.2%,由此可见,该流域大部分地区须强化农业面源整治与管控工作。分指标来看,TN和NH3-N面源优控单元均有10个,面积占比分别为55.7%和73.2%,其中Ⅰ类优控单元均有4个,面积占比均达到30%以上;TP面源优控单元共9个,面积占比为68.2%,其中Ⅰ类优控单元有3个,面积占比为27.8%;CODCr面源污染优控单元共7个,面积占比为39.1%,其中Ⅰ类优控单元有3个,面积占比为14.0%。空间分布上,面源污染Ⅰ类优控单元主要分布在庆阳市、天水市、兰州市和白银市等地区, Ⅱ类优控单元主要分布在甘南藏族自治州。2018年黄河流域(甘肃段)面源污染优控单元空间分布见图 5(a)(b),优控单元统计见表 5

图 5 黄河流域(甘肃段)面源污染优控单元空间分布
表 5 黄河流域(甘肃段)面源污染优控单元统计
2.5 基于水质超标断面的面源污染优控单元精度验证分析

基于面源污染优控单元内水质断面氮、磷等指标存在超标现象的假设,对黄河流域(甘肃段)面源污染优控单元识别结果进行精度验证分析。采用2018年黄河流域(甘肃段)33个地表水监测断面月度水质数据,参考《地表水环境质量标准》(GB 3838—2002)[35],对TN、TP、NH3-N和CODCr 4项指标月度水质状况进行分析,进一步与面源污染优控单元识别结果进行验证分析。结果表明,对于TN指标,17个断面TN浓度每月均存在超出Ⅲ类标准的现象,70%的断面落在TN面源污染优控单元内;对于TP指标,6个断面存在每月水质超标现象(超Ⅲ类标准),67%的断面落在TP面源污染优控单元内;对于NH3-N指标,8个断面存在每月水质超标现象(超Ⅲ类标准),100%的断面落在NH3-N面源污染优控单元内;对于CODCr指标,5个断面存在每月水质超标现象(超Ⅲ类标准),80%的断面落在CODCr面源污染优控单元内。黄河流域(甘肃段)面源污染优控单元与水质超标断面分布见图 6(a)(b)。综上,黄河流域(甘肃段)TN、TP、NH3-N和CODCr面源污染优控单元识别结果的平均精度达到80%。

图 6 黄河流域(甘肃段)面源污染优控单元与水质超标断面分布
3 结论

(1) 对2018年黄河流域(甘肃段)面源污染进行分析,结果表明,TN、TP、NH3-N和CODCr排放负荷空间分布不同,TN和NH3-N空间分布较一致,排放负荷高值区主要分布在流域中部和东部的局部地区,TP排放负荷在流域大部分地区均较高,CODCr排放负荷分布较为零散,高值区集中分布于兰州市、临夏回族自治州中部的局部地区。污染量上,TN、TP、NH3-N和CODCr面源污染排放负荷分别为65.6, 11.8, 19.1和77.2 kg/km2,且天水市氮、磷面源污染排放负荷最为突出, 临夏回族自治州CODCr排放负荷尤为明显。

(2) 与排放负荷相比, 黄河流域(甘肃段)面源污染入河负荷并不突出,整体上处于较低水平,中部部分地区相对较高。污染量上,TN、TP、NH3-N和CODCr面源污染入河负荷分别为836.7, 33.3, 220.2和1 353.2 kg/km2,且兰州市和白银市TN和TP面源污染入河量最为突出,天水市NH3-N入河量和临夏回族自治州CODCr入河量尤为明显。

(3) 农田径流是黄河流域(甘肃段)氮型面源污染的主要污染途径,TN的次要污染类型为城镇生活,NH3-N则为农村生活;水土流失是影响TP面源污染排放的主要污染途径,农田径流次之;畜禽养殖是CODCr面源污染的最主要污染途径。

(4) 对黄河流域(甘肃段)18个控制单元进行面源污染优控单元识别,筛选出优控单元15个,面积占比为85.2%,可对该流域进行全面有效的管控;空间上,面源污染Ⅰ类优控单元主要分布在庆阳市、天水市、兰州市和白银市等地区,Ⅱ类优控单元主要分布在甘南藏族自治州。TN、TP、NH3-N和CODCr面源污染优控单元识别结果的平均精度达到80%。

参考文献
[1]
陈耀. 黄河流域生态保护和高质量发展[J]. 区域经济评论, 2020, 43(1): 14-28.
[2]
中华人民共和国生态环境部, 国家统计局, 农业部. 第二次全国污染源普查公报[EB/OL]. (2020-06-28)[2020-12-13]. http://www.mee.gov.cn/home/ztbd/rdz/wrypc/zlxz/202006/t20200616_784745.html.
[3]
陶园, 徐静, 任贺靖, 等. 黄河流域农业面源污染时空变化及因素分析[J]. 农业工程学报, 2021, 37(4): 257-264.
[4]
谢经朝, 赵秀兰, 何丙辉, 等. 汉丰湖流域农业面源污染氮磷排放特征分析[J]. 环境科学, 2019, 40(4): 1760-1769.
[5]
邱斌, 李萍萍, 钟晨宇, 等. 海河流域农村非点源污染现状及空间特征分析[J]. 中国环境科学, 2012, 32(3): 564-570. DOI:10.3969/j.issn.1000-6923.2012.03.028
[6]
李舒, 李家科, 郝改瑞. 陕西省丹汉江流域非点源污染负荷估算及评价[J]. 环境科学与技术, 2020, 43(S2): 243-249.
[7]
段扬, 蒋洪强, 吴文俊, 等. 基于改进输出系数模型的非点源污染负荷估算——以嫩江流域为例[J]. 环境保护科学, 2020, 46(4): 48-55.
[8]
欧阳威, 王玮, 郝芳华, 等. 北京城区不同下垫面降雨径流产污特征分析[J]. 中国环境科学, 2010, 30(9): 328-332.
[9]
李家科, 李怀恩, 董雯, 等. 渭河关中段典型支流非点源污染监测与负荷估算[J]. 环境科学学报, 2011, 31(7): 1470-1478.
[10]
彭桂兰, 姚国鹏, 林杰, 等. 基于USLE的苏南山丘区水土流失面源污染监测[J]. 林业科技开发, 2014, 28(2): 63-67.
[11]
OUYANG W, YANG W, TYSKLIND M, et al. Using river sediments to analyze the driving force difference for non-point source pollution dynamics between two scales of watersheds[J]. Water Research, 2018, 139: 311-320. DOI:10.1016/j.watres.2018.04.020
[12]
曾逸凡, 张冰, 张海平, 等. 气候变化情景下青山湖流域的氮负荷时空分布预测研究[J]. 环境科学与技术, 2016, 39(6): 19-26.
[13]
边金云, 王飞儿, 杨佳, 等. 基于AnnAGNPS模型四岭水库小流域氮磷流失特征的模拟研究[J]. 环境科学, 2012, 33(8): 2659-2666.
[14]
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, 89(8): 732-738. DOI:10.2175/106143017X14902968254665
[15]
周梦娇, 冯华军, 沈霞娟. 农业面源污染模型研究进展[J]. 能源环境保护, 2020, 34(3): 1-7. DOI:10.3969/j.issn.1006-8759.2020.03.001
[16]
杨善莲, 郑梦蕾, 刘纯宇, 等. 农业面源污染模型研究进展[J]. 环境监测管理与技术, 2020, 32(3): 8-13. DOI:10.3969/j.issn.1006-2009.2020.03.003
[17]
JOY T A, MUTHUKRISHNA V K. Assessing non-point source pollution models: a review[J]. Polish Journal of Environmental Studies, 2018, 27(5): 1913-1922. DOI:10.15244/pjoes/76497
[18]
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. DOI:10.1007/s11368-017-1688-2
[19]
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. DOI:10.1016/j.scitotenv.2012.04.052
[20]
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. DOI:10.3969/j.issn.1000-6923.2015.05.031
[21]
杨虎德, 马彦, 冯丹妮. 甘肃省农田氮磷流失特征及影响因素研究[J]. 甘肃农业科技, 2020(Z1): 21-27.
[22]
肖朝卿. 甘肃农业面源污染防治问题研究[D]. 兰州: 兰州大学, 2016.
[23]
华维霞. 2007—2012年黄河兰州段农业非点源污染研究[D]. 兰州: 西北师范大学, 2015.
[24]
任艺彬, 巨天珍, 卢造权, 等. 庆阳市马莲河、蒲河流域总氮总磷污染特征及其控制策略[J]. 湖北农业科学, 2016, 55(17): 4460-4464.
[25]
韩柳. 湟水流域面源污染负荷分析与模拟研究[D]. 西安: 长安大学, 2020.
[26]
刘全諹, 齐明亮, 马啸宙, 等. 基于遥感和GIS的洮河流域面源污染流域尺度模拟及防治对策研究[J]. 干旱区地理, 2020, 43(3): 706-714.
[27]
王雪蕾, 蔡明勇, 钟部卿, 等. 辽河流域面源污染空间特征遥感解析[J]. 环境科学, 2013, 34(10): 3788-3796.
[28]
潘竟虎, 李磊. 利用OWA和电路模型优化黄河流域甘肃段生态安全格局[J]. 农业工程学报, 2021, 37(3): 259-268.
[29]
ZHONG B, YANG A X, NIE A H, et al. Finer resolution land-cover mapping using multiple classifiers and multisource remotely sensed data in the Heihe River Basin[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 8(10): 4973-4992.
[30]
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. DOI:10.3390/s90200768
[31]
刘志红, LI L T, TIM R M, 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.
[32]
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. DOI:10.3969/j.issn.1672-3007.2015.05.016
[33]
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. DOI:10.1016/j.agee.2014.04.027
[34]
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.
[35]
国家环境保护总局. 地表水环境质量标准: GB 3838—2002[S]. 北京: 中国环境科学出版社, 2002.