EN中文

湿地科学 >

2025 , Vol. 23 >Issue 6: 1310 - 1324

DOI: https://doi.org/10.13248/j.cnki.wetlandsci.20240134

综述

农业垦殖对湖泊光学水质参数的影响研究进展

  • 于淼 , 1, 2 ,
  • 房冲 , 1, * ,
  • 宋开山 1 ,
  • 温志丹 1 ,
  • 刘阁 1 ,
  • 尚盈辛 1 ,
  • 邹雨函 2
展开
房冲，副研究员。E-mail:

于淼（1997—），女，吉林省长春人，硕士研究生，从事水环境遥感研究。E-mail:

收稿日期: 2024-05-14

  修回日期: 2024-10-02

  网络出版日期: 2026-03-12

版权

版权所有©《湿地科学》编辑部2025
于淼, 房冲, 宋开山, 等. 农业垦殖对湖泊光学水质参数的影响研究进展[J]. 湿地科学, 2025, 23(6): 1310-1324 [Yu M, Fang C, Song K S, et al. Study on the effects of agricultural reclamation on the optical water quality parameters of lakes. Wetland Science, 2025, 23(6): 1310-1324
收起

Study on the effects of agricultural reclamation on the optical water quality parameters of lakes

  • Yu Miao , 1, 2 ,
  • Fang Chong , 1, * ,
  • Song Kaishan 1 ,
  • Wen Zhidan 1 ,
  • Liu Ge 1 ,
  • Shang Yingxin 1 ,
  • Zou Yuhan 2
Expand

Received date: 2024-05-14

  Revised date: 2024-10-02

  Online published: 2026-03-12

Copyright

Copyright ©2025 Wetland Science. All rights reserved.
Fold

摘要

湖泊作为人类活动和经济发展的重要水源，其水质保护至关重要，目前关于不同农业垦殖类型对湖泊水质的影响机制尚不十分清楚。本文采用文献综述和案例分析相结合的方法，综述了湖泊光学水质参数的反演模型研究现状，包括叶绿素a、无机悬浮物和有色可溶性有机物等关键光学水质参数的反演技术及进展；系统梳理了农业垦殖对湖泊光学水质参数影响的最新研究成果，揭示了农业活动对湖泊水质的影响机制和路径；通过典型案例分析，深入探讨了不同农业垦殖结构对湖泊光学水质参数的具体影响，可为湖泊生态保护和农业可持续发展提供科学参考。

本文引用格式

于淼 , 房冲 , 宋开山 , 温志丹 , 刘阁 , 尚盈辛 , 邹雨函 . 农业垦殖对湖泊光学水质参数的影响研究进展[J]. 湿地科学, 2025 , 23(6) : 1310 -1324 . DOI: 10.13248/j.cnki.wetlandsci.20240134

Abstract

As an important water source for human activities and economic development, the protection of lake water quality is crucial, and the mechanisms by which different types of agricultural activities affect lake water quality is urgently needed further in-depth study. With the continuous expansion of agricultural reclamation activities, processes such as farmland fertilization, pesticide use, and changes in land cover have significantly altered the patterns of material input and energy transfer in lakes, necessitating an in-depth study of their quantitative relationship with lake water quality parameters. Although existing studies have focused on the impact of agricultural activities on lake water quality, the mechanisms by which different types of cultivation, spatial patterns, and climatic conditions affect lake optical water quality parameters are still not well understood. Lake optical water quality parameters (such as chlorophyll-a (Chl-a), total suspended particulate matter (TSM), and colored dissolved organic matter (CDOM)) not only reflect the nutrient status and biological productivity of the water body, but also serve as important inputs and validation indicators for remote sensing-based water quality models. Based on recent domestic and international research results, this paper uses a combination method of bibliometrics and case analysis to review the current research status of inversion models for lake optical water quality parameters, including inversion techniques and progress of key optical water quality parameters such as chlorophyll a, inorganic suspended solids, and colored soluble organic matter. It also systematically reviews the latest research results on the impact of agricultural reclamation on optical water quality parameters of lakes, revealing the mechanisms by which agricultural activities affect lake water quality through pathways such as nutrient input, particulate matter input, and organic matter accumulation. Furthermore, through typical lake case studies (e.g., lakes in different climate zones, land use structures, and reclamation history backgrounds), the specific impacts of heterogeneity in agricultural reclamation structures on lake optical water quality parameters is explored, providing a scientific reference for lake ecological protection and sustainable agricultural development.

湖泊在维持陆地生态系统生态平衡方面发挥着关键作用[1]。然而，受人类活动和气候变化的双重影响，湖泊水质下降，湖泊生态系统健康正面临严峻挑战[2]，特别是因土地利用类型变化而导致的湖泊水质问题已成为研究热点[3]。文献检索分析发现，近20年来国内外关于“土地利用”与“水质”两个主题的文献数量较多，说明二者的交叉领域已受到研究者的广泛关注(图1)。20世纪70年代，中国湖泊围垦活动以农业与建筑用地的扩张为主，而自80年代中期以来，渔业养殖成为湖泊开发利用的主要形式[4]。目前，世界上许多实行集约农业的区域作物生产和畜牧业等农业活动既是水质受损的主要原因[5]，又是淡水生态系统营养的主要来源[6]。
1 Visualization of results retrieved from Web of Science using keywords "Land use" and "Water quality"

以“Land use”和“Water quality”为关键词在Web of Science中检索得到的可视化图

湖泊水质参数是水体生态环境状况的重要特征指标[7]，随着水质监测技术的进步，越来越多的光学活性水质参数被用于光学模型反演[8]，如叶绿素a (Chl-a)[9]、总悬浮物浓度(TSM)[10]、透明度(SDD)[11]和有色可溶性有机物(CDOM)[12]。此外，高锰酸盐指数(CODMn)、氨氮(NH3-N)、溶解氧(DO)[13]、化学需氧量(COD)、生化需氧量(BOD)[14]、电导率(EC)[15]、总氮(TN)、总磷(TP)[16]等非光学活性水质参数会受到光学活性水质参数的影响，需利用它们之间的关系间接进行遥感分析[17]。同时，湖泊中的浮游藻类会显著影响光线的反射[18]，而遥感监测模型能将光谱信息转化为水质指标浓度，为湖泊水质的实时监测提供有力支持。
随着经济发展和人口增长，非点源农业污染的地表水中TN、TP等营养物质的浓度不断增加[19]，使得湖泊富营养化问题日益严重。然而，尽管已有学者开展了农业活动对湖泊水质影响的相关研究，但当前该方面的研究仍存在不足之处，具体表现为：缺乏不同垦殖类型对不同地域湖泊水质影响机制的全面系统比较与分析；缺乏土地利用类型与湖泊水质之间的定量关系研究；缺乏对多种因素交互作用的综合研究；缺乏针对性的地面观测数据验证。农业活动类型复杂多样，需深入研究其与湖泊水质参数之间的定量关系，其长期演变的影响也需更多关注和研究。因此，本文综述了农业垦殖对湖泊光学水质参数的影响，旨在量化农业活动对湖泊水质的作用，以期为制定更科学的湖泊管理策略和优化措施提供有力支持。

1 湖泊关键光学水质参数反演模型研究进展

湖泊光学水质参数反演模型主要基于遥感技术与数学方法，利用实地监测或卫星遥感获得的湖泊表观反射率或辐射数据(图2)来解析影响水体光学特性的主要组分(Chl-a、TSM、CDOM)的吸收和散射特征，从而获取其浓度信息，以揭示光谱与水质浓度之间的联系[20]，由此建立的光学水质参数模型，可判断湖泊水质优劣程度和变化趋势。事实证明，基于过程的流域水文和非点源污染模型对于模拟复杂过程以及通过土地利用变化和最佳管理实践(BMP)的解决方案非常有效[21]，但需要大量基础数据和长期连续观测来支持模型参数化、校准和验证。近年来，常采用统计方法与地理信息系统(GIS)相结合的方式来揭示土地利用类型与水质参数之间的关系。随着遥感技术的迅速发展，国内外对水质参数的反演模型主要包括分析模型[22]、经验模型[23]和半经验模型[24]，随着可获得数据的增加和数据分析手段的不断成熟，机器学习(Machine Learning，ML)模型受到了各领域学者的关注，并被广泛应用于环境科学领域[25]。
2 Satellite sensor receiving water and atmospheric radiation information (modified from reference [26])

卫星传感器接收水体及大气辐射信息(改自文献[26])

1.1 叶绿素a反演模型

叶绿素a浓度是影响水体光谱特征的主要参数之一[27]。同时，水体中Chl-a的空间分布和浓度是衡量浮游生物分布、水体初级生产力以及富营养化程度的最基本指标[28]，对湖泊生态系统有着重要意义。Chl-a的遥感监测研究已较为成熟，通常利用Chl-a在红光波段和近红外波段的遥感反射率(Remote Sensing Reflectance，Rrs)比值构建不同的反演算法[29]。许多学者利用遥感反演Chl-a来分析蓝藻水华的发生时间与规模，研究指出，Chl-a在波长440 nm和670 nm处有吸收峰，且Chl-a浓度较高时在550~570 nm和681~715 nm的光谱波段会有反射峰，这是含藻水体的关键光谱特征[30-31]。此外，当Chl-a浓度超过5 μg/L时，其在波长700 nm处的反射与浓度紧密相关[32]，为监测蓝藻水华提供了新视角。目前，国内外学者利用光学水体的遥感反射率针对不同研究区已经建立了很多关于Chl-a的遥感反演模型(表1)。
1 Remote sensing retrieval model of Chlorophyll a concentration

叶绿素a浓度遥感反演模型

模型 区域 时间 数据类型 文献
\begin{document}$ \dfrac{R_{739}}{R_{704}} $\end{document}
式中，\begin{document}$ 739 $\end{document}和\begin{document}$ 704\; $\end{document}为传感器的特定波长(nm)；\begin{document}$ R_{ } $\end{document}为以
特定波长为中心波段的遥感反射率		 韩国78个湖泊 2011—2020年 Sentinel-2 [33]
\begin{document}$ 10^{a_0+\sum_{i=1}^4a_i\left[\mathrm{l}\mathrm{o}\mathrm{g}_{10}\left(\dfrac{R\left(\lambda\mathrm{_{blue}}\right)}{R\left(\lambda_{\mathrm{green}}\right)}\right)\right]^i} $\end{document}
式中，\begin{document}$ a_0 $\end{document}~\begin{document}$ _{ }a_4 $\end{document}为传感器的常量值；\begin{document}$ \lambda\mathrm{_{blue}} $\end{document}和\begin{document}$ \lambda\mathrm{_{green}} $\end{document}为传感器的蓝波段和绿波段；
\begin{document}$ R $\end{document}为以特定波长为中心波段的遥感反射率		 伊朗布什尔 2018年5月，
2019年11月		 Landsat
MODIS		 [34]
\begin{document}$ a\times\left(\dfrac{R\left(CCD_4\right)}{R\left(CCD_3\right)}\right)+b $\end{document}
式中，\begin{document}$ a $\end{document}和\begin{document}$ b $\end{document}为拟合系数；\begin{document}$ CC{D}_{3} $\end{document}和 \begin{document}$ CC{D}_{4} $\end{document}为传感器不同的波段组合；
\begin{document}$ R $\end{document}为以特定波长为中心波段的遥感反射率		 中国长寿湖 2018年6月 HJ-1 [35]
\begin{document}$ \left(11.64({A}_{663}-{A}_{750}\right)-2.16({A}_{645}-{A}_{750})+0.1\left({A}_{630}-{A}_{750}\right)\times {V}_{\mathrm{e}}{/V}_{\mathrm{f}}\times {l}_{\mathrm{c}} $\end{document}
式中，\begin{document}$ {\mathrm{A}}_{663} $\end{document}、\begin{document}$ {\mathrm{A}}_{750} $\end{document}、\begin{document}$ {\mathrm{A}}_{645} $\end{document}和\begin{document}$ {\mathrm{A}}_{630} $\end{document}为传感器的特定波长；\begin{document}$ {V}_{\mathrm{e}} $\end{document}为提取物体积；
\begin{document}$ {V}_{\mathrm{f}} $\end{document}为过滤后的湖水体积；\begin{document}$ {l}_{\mathrm{c}} $\end{document}是比色皿的路径长度		 中国长江中下游和淮河流域的湖泊 2013—2018年 Landsat [36]
\begin{document}$ [R{\left({\mathrm{\lambda }}_{1}\right)}^{-1}-R{\left({\lambda }_{2}\right)}^{-1}]/[R{\left({\mathrm{\lambda }}_{4}\right)}^{-1}-R{\left({\mathrm{\lambda }}_{3}\right)}^{-1}] $\end{document}
式中，\begin{document}$ R\left({\mathrm{\lambda }}_{1}\right) $\end{document}、\begin{document}$ R\left({\mathrm{\lambda }}_{2}\right)\mathrm{、}R\left({\mathrm{\lambda }}_{3}\right) $\end{document}和\begin{document}$ R\left({\mathrm{\lambda }}_{4}\right) $\end{document}为传感器的特定波长范围		 爱沙尼亚湖泊 2016年8月 Sentinel-2 [37]
\begin{document}$ Chla={10}^{{a}_{0}+{a}_{1}x+{a}_{2}{x}^{2}+{a}_{3}{x}^{3}+{a}_{4}{x}^{4}} $\end{document}
式中，\begin{document}$ _{ }a_0 $\end{document}~\begin{document}$ _{ }a_4 $\end{document}为经验回归系数；\begin{document}$ x $\end{document}为\begin{document}$ \mathrm{max}\left(R\left(443,490,510\right)/R\left(555\right)\right) $\end{document}，
443、490、510、555 为传感器的特定波长(nm)；\begin{document}$ R_{ } $\end{document}为以特定波长为中心波段的遥感反射率		 美国马尾藻海 1991—2010年 MODIS
Aqua		 [38]
\begin{document}$ \left({R}_{665}^{-1}-{R}_{708}^{-1}\right)\times {R}_{753} $\end{document}
式中，665、708、753为传感器的特定波长(nm)；\begin{document}$ {R} $\end{document}为以特定波长为中心波段的
遥感反射率。		 乌克兰第聂伯河
和亚速海		 2005—2006年 MERIS
MODIS		 [39]
\begin{document}$ [{{R}_{\mathrm{r}\mathrm{s}}}^{-1}({\mathrm{\lambda }}_{1})-{{R}_{\mathrm{r}\mathrm{s}}}^{-1}({\mathrm{\lambda }}_{2})]\times {R}_{\mathrm{r}\mathrm{s}}\left({\mathrm{\lambda }}_{3}\right) $\end{document}
式中，\begin{document}$ {\mathrm{\lambda }}_{1} $\end{document}、\begin{document}$ {\mathrm{\lambda }}_{2} $\end{document}和\begin{document}$ {\mathrm{\lambda }}_{3} $\end{document}为传感器的特定波长；\begin{document}$ R\mathrm{_{rs}} $\end{document}为以特定波长为中心波段的遥感反射率		 美国内布拉斯加州和艾奥瓦州的湖泊 2001—2002年
2005—2006年		 MERIS
MODIS		 [40]

1.2 悬浮物反演模型

湖泊TSM浓度是最早使用遥感技术进行研究的水质指标[41]。TSM的浓度、颗粒大小及其组成是影响TSM光谱反射的主要因素，其直接影响水体的浊度与透明度，进而影响水体的生态条件和初级生产力。当TSM增多时，水体反射峰向长波方向移动，产生“红移”现象，可以据此利用遥感反演TSM浓度[42]。随着遥感技术的不断发展和创新，TSM的遥感监测方法已经有了较为成熟的物理模型、经验模型与半经验模型[43](表2)。
2 Remote sensing retrieval model of total suspended matter concentration

悬浮物浓度遥感反演模型

模型 区域 时间 数据类型 文献
\begin{document}$ 184.14\times\left(R_{842}/R_{665}\right)-59.716 $\end{document}
式中，\begin{document}$ 842 $\end{document}和\begin{document}$ 665 $\end{document}为传感器的特定波长(nm)；\begin{document}$ R_{ } $\end{document}为以
特定波长为中心波段的遥感反射率		 中国长荡湖 2020年5月 Sentinel-2 [44]
\begin{document}$ 1.5245\times C\mathrm{_p}\left(670\right)+0.1501 $\end{document}
式中，\begin{document}$ C\mathrm{_p}\left(670\right) $\end{document}为670 nm波长的原位光束衰减系数		 中国洪泽湖 2016—2018年 GOCI [45]
\begin{document}$ \dfrac{2\left(R/\alpha\right)}{\beta\left(1-R/\alpha\right)^2} $\end{document}
式中，\begin{document}$ \alpha \mathrm{和}\beta $\end{document}为经验常数；\begin{document}$ R_{ } $\end{document}为以特定波长为中心波
段的遥感反射率		 印度尼西亚贝劳河口 2007年8月 MERIS [46]
\begin{document}$ \text{342.5}\left(R_{865}/R_{555}\right)-10.808 $\end{document}
式中, \begin{document}$ 865 $\end{document}和\begin{document}$ 555 $\end{document}为传感器的特定波长(nm)；\begin{document}$ R_{ } $\end{document}为以
特定波长为中心波段的遥感反射率		 中国太湖 2004年10月 Landsat [47]
\begin{document}$ 10.56+707.07\times {R}_{350-1100} $\end{document}
式中，350-1100为传感器的特定波长(nm)；\begin{document}$ R $\end{document}为以
特定波长为中心波段的遥感反射率		 中国太湖 2003年3月
2003年6月		 Landsat [48]
此外，Ren等[49]利用混合差分进化与灰狼优化器(DE-GWO)算法，优化支持向量回归模型(SVR)，建立TSM、Chl-a浓度与敏感因子之间的逆模型(DE-GWO-SVR)，并通过Sentinel-2遥感数据验证了该模型反演TSM浓度的精度均优于其他模型(线性回归、SVR和GWO-SVR模型)。Guo等[50]结合GF-2遥感数据与偏最小二乘 (PLS)算法和粒子群优化(PSO)算法，优化反向传播神经网络(BPNN)模型，即PLS-PSO-BPNN模型以反演TSM浓度；Cherukuru等[51]则采用Levenberg-Marquardt (LM)算法迭代调整水类型的特定固有光学性质(SIOP)光谱，并将正演模型与LM迭代机制结合，形成迭代半解(iSAM)模型进行TSM反演。然而，由于水体环境的复杂性和TSM浓度的季节性变化，这些遥感反演算法受到时间和区域的限制，难以广泛适用于不同湖泊[52]。

1.3 水体透明度反演模型

水体透明度是重要的水质指标，能反映湖泊的清澈程度，与Chl-a、TSM和CDOM等营养物质密切相关，对藻类和水生植物群落的多样性和生产力具有重要意义[53]。此外，悬浮物含量越高，光谱反射率越强；水体透明度越低，反射率反比增大[54]。水体透明度的物理模型在19世纪60年代初步建立[55]，高光谱技术通常采用半经验方式评价水体透明度，通过分析透明度与高光谱反射率的关系或结合反射率、浊度与透明度的相关性来实现。相较于先计算TSM含量再反演透明度的经验模型，物理模型的精度有所提升。常见的反演模型见表3。
3 Remote sensing retrieval model of secchi disk depth concentration

水体透明度遥感反演模型

模型 区域 时间 数据类型 文献
\begin{document}$ -0.438\times\mathrm{l}\mathrm{n}\left(R_{653}\right)-1.3358 $\end{document}
式中，\begin{document}$ 653 $\end{document}为传感器的特定波长(nm),\begin{document}$ R $\end{document}为以特定波长
为中心波段的遥感反射率		 中国官厅水库 2020年8月 GF-5 [11]
\begin{document}$ a_0\times\dfrac{1}{2.5\mathrm{Min}\left(K\mathrm{_d^{tr}}\right)}\mathrm{ln}\left(\dfrac{\left|0.14-R\mathrm{_{ }^{tr}}\right|}{0.013}\right) $\end{document}
式中，\begin{document}$ a_0 $\end{document}为经验常数；\begin{document}$ \mathrm{Min}\left(K\mathrm{_d^{\mathrm{tr}}}\right) $\end{document}为传感器的可见波段(412、
443、490、555、660、680 nm)中最小Kd；\begin{document}$ R\mathrm{_{ }^{tr}} $\end{document}为Kd值最小波段
对应的遥感反射率；Kd为漫射衰减系数；\begin{document}$ \mathrm{tr} $\end{document}指代透明度		 中国胶州湾 2016—2017年 GOCI [56]
\begin{document}$ 420.12\mathrm{e}^{-3.1173X1+X3} $\end{document}
式中，X1、X3分别为MODIS波段1、波段3的光谱反射率		 中国鄱阳湖 2010年10月
2011年12月		 MODIS [57]
\begin{document}$ \mathrm{e}^{-4.016-0.722\mathrm{l}\mathrm{n}\left(blue\right)-0.587\mathrm{l}\mathrm{n}\left(red\right)} $\end{document}
式中，\begin{document}$ blue $\end{document}和 \begin{document}$ red $\end{document}分别表示蓝波段和红波段的反射率		 中国鄱阳湖 2004年5月至
10月		 Landsat [58]
\begin{document}$ \dfrac{1}{4\left(a+b\right)}\mathrm{ln}\left[\dfrac{\rho\alpha\beta\left(a+b\right)}{Cfb}\right] $\end{document}
式中，\begin{document}$ a $\end{document} 为水体的吸收系数；\begin{document}$ b\mathrm{为} $\end{document}水体的后向散射系数；
\begin{document}$ \rho $\end{document}为透明度盘表面的反射系数；\begin{document}$ \alpha $\end{document} 为折射效应；
\begin{document}$ \beta $\end{document}为水面反射效应；\begin{document}$ C $\end{document}为人眼的灵敏度阈值；\begin{document}$ f $\end{document}为几何光学因子		 太平洋海域 1999年 NOAA [59]
此外，Lee等[53]提出的新理论模型，以漫反射衰减系数为核心分析透明度，精度高于经典模型。此后，Liu等[60]利用半解析模型估算GF-5高光谱数据的透明度，验证显示，只有QAAV5的SAM技术可以从具有近似遥感反射率的先进高光谱成像仪(AHSI)遥感图像中预测理想的透明度值。Wei等[61]采用极限梯度增强回归算法，与随机森林融合，结合无人机高光谱数据定量反演城市河流透明度，效果优于传统模型。同时，研究发现风速、蓝藻水华及水深等均会影响湖泊水体透明度[61-62]。这些研究共同推动了水体透明度监测与解析技术的发展。

2 农业垦殖对湖泊光学水质参数的影响研究进展

目前，影响湖泊光学水质参数的农业垦殖活动主要包括湿地农业、水产养殖业和畜牧业，大多国内外学者认为其影响路径主要为农业垦殖所产生的营养物质通过径流进入湖泊，过剩的营养物质导致湖泊光学水质参数发生改变[18]。其影响机制主要为因养分输入致使湖泊生态系统光学水质参数如Chl-a、TSM、SDD、CDOM发生变化，例如，2000—2018年，基于GEE的SDD快速反演算法计算了412个中国湖泊的SDD，发现由于人类活动的增加，其中 29.85% 的湖泊 SDD 呈下降趋势[63]；2010年鄱阳湖和洞庭湖约57.1%的面积用于农业垦殖以及建设用地，导致湖泊中DOM和营养物质浓度显著升高，尤其是围垦水体中DOM的平均浓度比对照组高出32%[64]。
富营养化是世界面临的水质挑战[65]，由大量氮(N)、磷(P)等营养物质输入自然水体引发，导致藻类及浮游生物过度繁殖，死亡后残体的分解降低了水体溶解氧，使鱼类等生物大量死亡甚至灭绝[66]，如图3所示。这一过程往往对水生生态和水体的正常功能产生重要影响。2000年以来，农业活动加剧了全球气候变暖和营养富集，使得63.1%的湖泊面临富营养化，覆盖了全球约30.5%的水体表面积[67]。随着人口增加，大量湿地和盐碱地被转为灌溉田，营养盐随着灌溉排水流入湖泊，导致农业区湖泊富营养化加速[68]。为了评估湖泊富营养化程度，Carlson[69]于20世纪70年代提出了营养状态指数(TSI)，且已在世界范围内应用于湖泊水质评价[70]。
3 Schematic diagram of key processes of nitrogen and phosphorus cycle in lakes

湖泊氮、磷循环关键过程示意

湖泊的富营养化受N、P循环波动的直接影响。实际治理案例中，协同控制N和P元素的效果显著优于单一元素控制[71-72]。研究指出，施用在土壤中且未被作物吸收的肥料是湖泊N、P的重要贡献者[72]，而在森林地区的湖泊中这些污染物含量较低[73–74]。此外，不同农业流域N、P化学计量的显著差异，反映了不同农业生产系统(如农田、牧场和集中畜牧业)对主要养分的不同贡献。因此，湖泊治理需综合考虑农业活动和湖泊生态系统间的相互作用。
湖泊溶解性有机质(DOM)对生物地球化学碳循环、水体生态功能、水质安全等至关重要，是引入供水系统的消毒副产物的重要前体[74]。而地表径流，尤其是暴风雨过后的地表径流，是非点源污染物的重要传输介质[75]。湖泊被围垦后，土壤腐殖质含量升高，通过径流进入水体，成为流域水体DOM的天然来源，从而导致水体有机污染综合指标(COD、DO等)升高(图4)。DOM通过影响水体透明度、氧气含量等，进而影响水生植物的生长和光合作用。同时，DOM能提供营养物质，促进藻类和其他生物的生长，从而导致水体富营养化。此外，DOM的某些组分与TN、TP存在强相关性，在水体污染中具有重要作用[76]。
4 Schematic diagram of dissolved organic matter interaction between water and land

水体与陆地间溶解性有机质相互作用示意

2.1 湿地农业

湿地生态系统是一种高生产力、生态功能巨大的生态系统[77]。湿地在洪水期可通过暂时蓄水，减少洪峰；在干旱期能保持径流，保留沉积物和P，并促进反硝化[78]。然而，由于农业用地的严重稀缺，湿地在过去几十年中向农业生产的转化迅速增加[79]。农业对湿地的主要威胁是面源污染，过度和不合理使用化肥和农药、畜禽粪便泄漏、过度饲养鱼类等引起的农业面源污染，导致湿地严重富营养化[80]。当湿地转化为农业用地后，曾经处于还原条件和低分解率的湿地土壤环境转化为氧化条件和高分解率环境[81]。在开沟和清理的初始影响之后，耕作、石灰化和施肥还会产生二次影响，如石灰会增加土壤pH，提高碱性阳离子含量[82]。与沿海平原未被开垦的湿地径流相比，农用沟渠排水的EC、pH、沉积物、P和N浓度要高得多[83]。此外，湿地开垦为农田后，土壤有机碳因快速分解而迅速下降，部分流失进入水体，导致土壤可利用有机碳含量显著降低[84]。

2.2 水产养殖业

自20世纪中叶以来，鱼类资源长期被视为取之不尽的自然财富[85]，推动了全球渔业的工业化与经济增长[86]。然而，传统湖泊渔业多采用高密度投饵和施肥的集约化养殖模式，造成大量残留饲料、水生动物排泄物及渔药进入水体，引发富营养化和水质恶化[87–88]。研究表明，养殖活动常导致湖泊溶解氧(DO)含量下降、化学需氧量(CODCr)升高[89]，主要与有机物输入量、浮游植物光合作用及水体自净能力有关。过度养殖(如草鱼牧食)不仅改变沉水植物群落结构，还在富营养化与生态扰动的双重作用下，削弱水体透明度与光学稳定性。淡水养殖池塘产生的N和P排放已成为湖泊富营养化的重要外源来源[90]，在人口稠密、池塘密集的地区，其排放的总磷占区域磷负荷的20%以上[91–92]。由于N和P是限制藻类生长的关键营养元素，其过量输入加剧了湖泊蓝藻水华的频发[19]。研究显示[93–94]，长江中下游地区养殖业产量占全球的1/3，超过80%的淡水水源地直接或间接受到渔业养殖活动的影响，TN和TP排放量逐年上升，使流域水质显著下降；太湖地区养殖池塘面积的扩大与蓝藻暴发呈正相关关系。围网养殖对湖泊的局部污染尤为明显，TN含量随养殖规模扩大而急剧增加[95]。此外，水产养殖废水中富含可生物利用的碳水化合物、蛋白质和脂类DOM，不仅可改变湖泊中溶解性有机质的组成，还会影响光的吸收与散射特性，引起湖泊光学水质退化[96–97]。

2.3 畜牧业

畜禽养殖已成为中国农业污染的主要来源。根据中国污染源普查公报(MEPB)，来自畜牧业的COD和TP负荷分别占农业污染的近96%和56%[98]。来自畜牧业生产系统的过量养分主要通过不受控制的径流、侵蚀和从施肥的农田、放牧的牧场、封闭的露天饲养场和泄漏的泥土废物储存/处理结构中沥滤进入水生系统[99]。除施肥以外，大量额外的N、P会以动物粪便的形式施用于农田，当其通过地表水流入湖泊时，会导致湖泊水质浑浊，从而影响水生植物的生长发育[100]。Vanni和Temte[101]揭示了富营养化湖泊放牧强度的季节性变化决定了浮游植物的季节性演替。与前三种农业垦殖类型相比，畜牧业往往会产生低于Redfield N︰P的粪肥沥滤物[102]。因此，高牧草地流域向湖泊输出的营养盐具有较低的N︰P，而动物饲养与牧场经营产生的流失物则富含磷，来自这些来源的农业径流P输入会加速P敏感水域的富营养化[103]。虽然动物粪便的营养成分各不相同，但与许多其他营养来源相比，其P含量相对丰富[102]。

3 农业垦殖结构对湖泊光学水质参数的影响典型案例分析

以“农业”“垦殖”和“水质”为关键词在Web of Science中检索2004—2024年不同国家和地区涉及的相关SCI文献，人工筛选出与湖泊水质相关的文献，利用VOSviewer软件处理后得到地图可视化图(图5)。由图可知，近20年关于农业垦殖对湖泊光学水质影响的研究相对较少，主要集中在中国和美国，其次是加拿大。以下通过国内外典型流域综述了农业垦殖结构对湖泊光学水质参数的影响。
5 Number of published papers from different countries and regions from 2004 to 2024 in Web of Science using the keywords "Reclamation" and "Water quality"

以“Reclamation”“Water quality”为关键词在Web of Science中检索2004—2024年不同国家和地区的发文量

3.1 长江流域

长江流域属于亚热带季风气候，光、温及水资源丰富，但光热资源分布不均、易发生季节性干旱[104]。自20世纪70年代起，长江流域湖泊总面积的41.6%被开垦，初期以农业和建筑用地扩张为主，但从1980年开始，水产养殖逐渐占据主导地位。长江中下游流域约有一半的土地用于水稻种植[105]，其中鄱阳湖和洞庭湖在过去几十年农业和建筑用地面积显著增加，2010年已达到原始湖泊面积的57.1%。与附近的天然水域相比，填海造地活动导致DOM和营养物浓度显著升高，其中围垦水体中DOM的平均浓度显著高于天然水域[63–64]。同时，湖泊围垦还会改变DOM的分子特性和化学组成，如平均分子质量降低，生物不稳定性增加，以及微生物来源的腐殖质类荧光组分增加。同时，围垦水体DOM中脂质类、稠环芳香类物质也显著增加[4]。此外，湿地的高除P功能和水动力效应可能加速水柱中P的输出，从而抵消流域的P缓冲能力[106]。但有限的湿地面积限制了长江流域对P的缓冲能力，再加上人工土地上的污染负荷可能通过径流被冲入水中，导致流域的P缓冲能力下降[107]。因此，长江流域的湖泊围垦不仅改变了水体的DOM和化学组成，还对流域的P缓冲能力产生了负面影响。

3.2 黄河流域

大约15%的灌溉农业面积和12%的中国人口的水供应依赖于黄河[108]。黄河流域属于温带季风气候区，降水主要集中在夏季和秋季，光照充足。然而，该地区土壤盐分和碱性物质含量较高，土壤湿润度大，排水条件相对较差，导致东部地区冬小麦(Triticum aestivum)种植面积小且零散分布而广泛发展了渔业养殖[109]。随着农业活动的增加，黄河的水质正在恶化，如高氮磷浓度，蓝藻水华，溶解氧不足。尤其是重金属污染，砷、镉、铅和TN的浓度由上游向下游逐渐升高，而铬、汞、锌和TP的浓度在中游最高，无机氮、挥发性酚和大肠杆菌总量从上游到下游呈递减趋势[110]。同时，黄河水体中的重金属含量与沿岸农田土壤中的显著正相关，其中As和Cr的终身致癌风险在多处灌溉区已经超过安全阀值，对灌区人群造成了潜在的威胁[110]。乌梁素海作为黄河上游最大的湖泊，对于河套灌区排灌工程的正常运行发挥着关键作用，其水质变化备受关注。农药的大量投入导致湖水由低盐、低营养状态转变为高盐、高营养状态[111]，这种变化不仅刺激了藻类的过度繁殖，形成了藻华，导致水体浑浊，还消耗了水中的氧气，释放毒素，对生物多样性构成威胁[112]。此外，湖泊水质还受季节变化的影响，冬季TN、TP和COD浓度显著高于其他季节，这是由于湖泊冻结对水体中大量污染物有一定的浓缩效应[113]。更为严重的是，农田中使用的农膜在风化降解过程中会产生纤维状微塑料，这些微塑料会随着农田退水进入湖泊，附着其上的染色有机物也存在被污染的风险。这不仅对水生动物产生了潜在的毒性影响，也加剧了水体的污染程度[114]。

3.3 丹麦湖泊

丹麦气候为海洋性气候[115]，受大西洋影响较大，气候温和，降水量较为充足且分布均匀。与世界上其他几个低地国家一样，丹麦是集约化耕种国家(68%的农业用地)，畜牧业出口密集度居世界前列[116]。从20世纪50年代到90年代，丹麦经历了快速强化的农业生产和不断扩大的城市化，导致淡水湖水质恶化[117]。通过对丹麦海岸线周围河口站位的监测发现，农业作为养分负荷来源的重要性在降水量最多的年份最大，在降水量最少的年份最小[118]。对丹麦414个湖泊的分析发现，湖泊水体TN与农业用地的关系最强，且农业用地比林地对水质变化的影响更大。此外，与浅湖相比，深湖的水质与TN、TP和Chl-a之间的关系更为紧密[119]。在农业用地中随着流域面积比例的增大会导致TN、TP和Chl-a浓度增加，而林地覆盖率的增加则会降低其浓度[120]，这证明了非点源养分损失在耕作景观中的关键作用[121]。此外，施粪肥的农田地下水中硝酸盐浓度显著高于施人工肥农田的地下水中硝酸盐浓度。虽然整体位于氧化还原线之上，但在沙土质和黏土质耕作流域湖泊中均观察到接收施肥农田的湖泊水体硝酸盐垂直还原明显下降[122]。值得注意的是，在黏土质耕作流域存在裂缝和大孔隙，施肥农田中的硝酸盐会快速垂直输送，从而导致受纳湖泊水体中硝酸盐的减少。与沙土质流域相比，壤土质流域湖泊水体中的TN下降趋势更为明显[123]。

3.4 亚马孙河流域

亚马孙河流域为热带雨林气候，全年高温多雨，降水充沛。降水的季节性较强，雨季和旱季分明，雨季会导致大范围的洪水和湿地季节性淹没[124]。近几十年来，亚马孙河流域因农业边界的扩张而经历了显著的土地利用变化，体现为林地被养牛区以及非洲棕榈(Elaeis guineensis)、玉米(Zea mays)、可可(Theobroma cacao)、香蕉(Musa paradisiaca)等单一种植作物所取代[125]。其中，非洲棕榈在亚马孙北部分布尤为广泛，这导致该流域接受农田退水的湖泊水体中硝酸盐超过阈值、 pH降低、DO浓度下降、TN与DOC浓度升高；EC、温度、溶解养分和主要离子(Cl−、Ca2+、Mg2+、K+和Na+)浓度升高[126]。农业扩张和集约化是亚马孙河流域土地利用变化的主要驱动力，其中大豆(Glycine max)是正在快速扩张的主要作物[127]。自2000年以来，种植模式已从大豆单季种植逐渐转向大豆与玉米或棉花(Gossypium hirsutum)双季种植。尽管大豆种植中P肥的使用量较大，但由于大豆具有固N能力，因此N肥的使用量相对较少。然而，随着晚季玉米或棉花作物的加入，N肥的施用量显著增加，大豆农田的土壤渗透性和饱和导水率较低，导致强烈降水时通过地表径流进入湖泊，使得水体中TN浓度升高[128]。此外，亚马孙河流域的土壤富含铁和铝，这些元素会强烈固定P，使其主要分布在0~30 cm表层土壤中，而不会进入更深层次的土壤或流入溪水中[129]。据报道[130]，在亚马孙东部地区，混合用途流域的土地利用变化会影响阳离子流浓度。例如，将成熟森林转变为牧场会导致表层土壤中的可交换阳离子增加，这些阳离子逐渐流失并通过溪流进入湖泊，从而增加水体的总溶质负荷，而集约化的年耕作物农业(如玉米、大豆等)的扩张则会进一步导致水体中特定溶质(如Na+、Cl−和NO3−)浓度的上升[131]。

3.5 日本琵琶湖流域

琵琶湖气候环境主要为温带海洋性季风气候，受季风影响显著，全年气候温和湿润，但季节性变化明显，夏季初会有梅雨现象，秋季则多台风，随着全球气温升高，湖泊中浮游植物开始增多[132]。作为日本最大的淡水湖，其流域36.5%为农业用地，这导致河水的碱度增加，河流成为大气中CO2的重要汇，且随着农业活动的增加，钙、镁以及氯(Cl−)的浓度不断上升，其中Yasu河和Hino河由于汇水面积大，Cl−浓度较高，成为琵琶湖Cl−浓度升高的主要原因[133–134]。同时，在琵琶湖流域广泛使用富含K+、Cl−和SO42−的肥料，不仅提高了河流中的氯浓度，还导致中小河流中硫含量超标，尤其是在以稻田为主的Uso河中游和以农业为主的Yasu河中上游地区。硫酸铵等肥料中的铵和SO42-在施肥后会转化为硝酸和硫酸，而在水稻植株分解过程中产生的腐殖酸等有机化合物和碳酸氢盐的增加，也进一步提高了湖泊水体的碱度。因此，农业活动产生的各种酸，以及高浓度的SO42−、HCO3−和NO3−，在耕种区的中小河流中尤为明显[135]。此外，围垦和种稻季节(5月上旬)是琵琶湖富营养化问题最为严重的时期，大量N和P元素通过非点源污染进入河流，成为琵琶湖富营养化的主要环境负荷[136]。同时，由于P以微粒形式存在于浑浊的农业水中，使得大量的P得以在农业区扩散。尽管农业对琵琶湖每天供应的N和P的贡献仅占16.4%和14.7%，与NO3−和Mn2+的情况一样，但其影响不容忽视。河流输送的P被生物消耗，并最终沉积在琵琶湖底部，进一步加剧了富营养化问题。
通过对长江流域、黄河流域、丹麦湖泊、亚马孙河流域和日本琵琶湖流域的案例分析，发现土地利用变化对不同流域湖泊水体生态和水质有显著影响，5个典型流域的垦殖结构、气候条件特征以及对应水质变化的对比如表4所示。
4 Comparison of climate, land use structure, and water quality changes in representative river basins

典型流域气候、垦殖结构特征与水质变化对比

流域 气候 气候特征 垦殖结构 湖泊水质变化
长江流域 亚热带季风气候 光热资源丰富，季节性干旱 集中于水稻种植，水产养殖逐渐
成为主导		 DOM浓度升高，P缓冲能力下降
黄河流域 温带季风气候 夏秋降水集中 冬小麦种植面积较小且分布零散，以灌溉农业为主 高氮磷浓度，重金属污染
‌丹麦湖泊流域 海洋性气候 冬季温和湿润，夏季凉爽，
全年降水充足		 主要种植小麦、玉米、大麦等作物，同时伴随大量的牲畜养殖 TN、TP浓度与农业用地相关，施肥导致硝酸盐增加
亚马孙河流域 热带雨林气候 全年高温多雨，降水充沛，
雨季和旱季分明		 以单一作物大豆种植为主，
并伴随牧业扩张		 硝酸盐超标，水体pH降低，营养物质浓度升高
日本琵琶湖流域 温带海洋性季风气候 季节性变化明显，夏季初会有
梅雨现象，秋季则多台风		 以水稻种植为主，养殖业和畜牧业
为辅		 N和P通过非点源污染富营养化，水体碱度上升
尽管各流域情况不同，但共同点是农业活动增加和土地利用变化是导致湖泊水质恶化和生态系统功能改变的主要因素。因此，土地利用变化尤其是农业活动的增加对全球不同流域湖泊水体生态和水质构成了严重威胁，需采取综合管理措施减轻其负面影响，保护湖泊水生态系统的健康和可持续性。

4 研究展望

土地利用对湖泊光学水质参数的影响研究大多集中在特定地区或特定类型的湖泊，缺乏全面系统的比较和分析，建议开展更多的跨区域、跨类型的研究，以全面理解土地利用对不同湖泊的影响机制。
现有研究多集中在对湖泊水质参数的监测与分析，对土地利用类型与湖泊水质之间定量关系的研究相对较少，且缺乏深入的定量分析和模型研究，建议结合地理信息系统(GIS)进行空间分析，采用遥感技术与机器学习算法深入分析土地利用类型与湖泊水质之间的复杂非线性关系，利用水质模拟模型(如SWAT、MIKE SHE 等)评估不同土地利用情景对湖泊水质的长期影响。同时，融合遥感与地面观测数据可以提高数据的精度并预测未来趋势。
针对现有研究多关注单一因素的影响，缺乏对多种因素交互作用综合研究的问题，建议加强定量分析方法的研究，构建土地利用类型与湖泊水质参数之间的定量关系模型，以预测不同土地利用类型对湖泊水质的影响程度。另外，未来研究可以从综合考虑土地利用类型、降水、气候变化等多个因素入手，探讨它们对湖泊光学水质参数的复合影响机制。
针对现有研究缺乏针对性的地面观测数据验证的问题，建议采用高时空分辨率的遥感数据，结合地面观测数据进行精准验证，从而提高遥感技术在湖泊水质研究中的应用。
综上所述，未来应加强跨区域、跨类型的定量分析研究，深入探讨多因素的复合影响机制，提高遥感技术在湖泊水质研究中的应用水平，以全面深入地理解土地利用对湖泊光学水质参数的影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
Options
文章导航

/

〈 〉