EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 2: 256 - 264

DOI: https://doi.org/10.6046/zrzyyg.2022439

Exploring the performance of riparian zones in reducing non-point source pollution by coupling remote sensing with the SWAT model

  • LIU Yiyao , 1 ,
  • WU Taixia , 1 ,
  • WANG Shudong 2 ,
  • JU Maosen 3
Expand
  • 1. School of Earth Sciences and Engineering, Hohai University, Nanjing 211100, China
  • 2. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100000, China
  • 3. Research and Training Center for River Chief System, Hohai University, Nanjing 210098, China

Received date: 2022-11-17

  Revised date: 2023-03-14

  Online published: 2026-06-03

Fold

Abstract

Riparian zones have been extensively used in non-point source pollution control projects worldwide, and remote sensing has gradually become a significant means of non-point source pollution research. However, combining remote sensing technology with riparian zones for efficient pollution interception effects is still a challenge. With the Xingyun Lake basin in Yunnan Province as the study area, this study established a soil and water assessment tool (SWAT) model by coupling with remote sensing. It created a riparian zone by changing the land use type for scenario simulation, investigating the different effects of various widths and vegetation types on pollutant reduction. The key findings are as follows: ①The created riparian zone exhibited better interception effects for nitrogen compared to phosphorus; ② Concerning different vegetation types in the riparian zone, forest land manifested significantly better pollution interception effects than grassland. Moreover, the pollutant reduction rate gradually increased with an increase in the width of the riparian zone; ③A riparian zone consisting of 30-m-wide forest land and 30-m-wide grassland can reduce total nitrogen production by 5.20% and total phosphorus production by 6.03% while intercepting 19.83% of organic nitrogen and 21.30% of organic phosphorus into the lake, demonstrating the optimal pollution interception effects.

Key words： SWAT; non-point source pollution; land use; riparian zone; remote sensing

Cite this article

LIU Yiyao , WU Taixia , WANG Shudong , JU Maosen . Exploring the performance of riparian zones in reducing non-point source pollution by coupling remote sensing with the SWAT model[J]. Remote Sensing for Natural Resources, 2025 , 37(2) : 256 -264 . DOI: 10.6046/zrzyyg.2022439

0 引言

面源污染是指污染物从随机的地点,由于降水的作用,汇入径流从而进入受纳水体,引起水体的污染问题[1]。面源污染由于其分布范围广、产生时间不确定、不易识别、处理难度高等特点[2],成为我国绝大多数重点湖泊的关键问题[3]。而土地利用方式的改变是面源污染的主要影响因素和动因。不同的土地利用类型会使营养物质随地表径流流失,接着在河流湖泊等水体中形成面源污染[4]。面源污染和土地利用变化有密切联系,人类活动使土地利用方式改变是水质发生变化的主要原因[5]。
林地、草地等土地利用类型能拦截污染物、净化水质。岸边带又称岸边植被缓冲带[6],是拦截污染物进入水体的最后一道屏障,具有拦截污染、净化水体、提升生态系统完整性等作用[6-7],被认为是最有效的措施之一[8-9]。但是如何在流域中选出一套截污效果最好的岸边带,仍然存在很多争议。由于有些流域过大,在实地进行实验研究的经济成本较高,且实验周期长,具有较大的操作难度,而运用模型模拟能更便捷地评选出最适合本流域的岸边带。
随着遥感技术和地理信息系统的发展,遥感逐渐为面源污染模型提供了更加丰富的地理数据,遥感数据是多时相的覆盖面广的面状信息,这是传统的点状数据和数据收集手段所不具备的。并且遥感技术可以通过直接或间接的方式测得很多常规方法无法得到的水文水质参数,利用遥感数据能够显著提升数据的精度,解决了一部分模型参数难以获取的问题,是促进岸边带科学设计与合理规划,并有效进行面源污染防控的前提和基础。
在众多模型中,土壤水分评估模型(soil and water assessment tool, SWAT)的发展时间较长,应用广泛,在面源污染研究方面取得了不错的成果[10]。模型大多被用来模拟和评价岸边等最佳管理措施(best management practices, BMPs)实行的效果[11],通过SWAT模型建立的岸边带在世界各国面源污染综合控制项目中都取得了较好的截污效果[12-13]。各国学者也都在进行岸边带配置优化研究[14-16]。
SWAT模型的岸边带模块只是简单的参数设置,并不能空间化地表现出岸边带的位置和作用,岸边带的截污效果也不能细致地展现。并且岸边带的配置较为单一,用户不能自由地定义岸边带的位置及其内部配置。将SWAT模型与遥感耦合是研究解决该问题不可替代的方法,在岸边带构建、评估、调控和优化方面具有很大的潜力。
基于此,本文以星云湖流域为研究对象,耦合遥感建立SWAT模型,识别流域内面源污染关键源区,接着改变土地利用类型设置不同宽度和作物类型的植被岸边缓冲带进行情景模拟,弥补SWAT模型中内置模块的不足,从空间上快速、有效地获取岸边带对面源污染控制效应,探究其对星云湖流域面源污染的控制效果差异。

1 研究区概况及数据源

1.1 研究区概况

星云湖位于云南省玉溪市江川区,湖区面积为39 km2,流域面积为389.79 km2,湖泊的蓄水量仅为2.3×108 m3 [17],其地理位置如图1所示。星云湖流域地势呈漏斗状,相对高差较大,海拔介于1 626~2 581 m之间。流域属于北亚热带西南季风气候,降水较多,多年平均降水量约为857.4 mm[18]。流域是农业主产区,耕地面积占比为30.28%,主要种植水稻、烤烟等复种指数高、施肥量大、污染负荷高的作物,位于湖区四周地势较低的区域。星云湖主要水源是降水和地表径流,因此其换水周期较长,更新循环缓慢。一旦经过雨水冲刷,氮磷污染物将随地表径流一起输送至湖中,造成面源污染。2000年以后,星云湖大多为中度和重度富营养状态,十多年间多次水质监测为劣Ⅴ类水质[19],流域的面源污染形势十分严峻。
图1 研究区地理位置

Fig.1 Location of the study area

1.2 数据源及其预处理

构建及率定星云湖流域SWAT模型所用到的基础遥感数据如表1所示。本次研究使用的数字高程模型数据为ASTGTM2数据,空间分辨率为30 m。土地利用数据来源于全球土地覆盖产品(FROM-GLC 2017v1)[20],空间分辨率为30 m,经过裁剪、重投影后按照SWAT模型土地利用编码要求重分类成耕地、林地、草地、水体、建设用地和未利用地6种类型。
表1 SWAT模型输入数据表

Tab.1 SWAT model input data

数据类型 数据名称 格式 数据内容 来源
空间数据 DEM grid 高程、坡度、坡向 地理空间数据云
土地
利用		 grid 土地利用类型 FROM-GLC 2017v1
土壤
类型		 grid 土壤类型 世界土壤数据库HWSD
水文
数据		 grid 每月径流量 ECMWF River discharge and related historical data from the Global Flood Awareness System数据集
属性数据 土壤
属性		 DBase表 土壤密度、饱和导水率、持水率、颗粒含量等 世界土壤数据库HWSD
气象
数据		 txt 最高最低气温、日降雨量、相对湿度、太阳辐射、风速等 CMADS数据集
水质
数据		 txt 总氮、总磷 监测站点实测
土壤数据来源于世界和谐土壤数据库(harmonized world soil database, HWSD),数据分辨率为1 km。对原始数据进行裁剪和重投影并合并同类型土壤。HWSD中的部分参数可以直接使用,其他例如水文分组、土壤层结构等参数则通过公式或土壤水文特性软件(soil plant air water, SPAW)计算得到。流域的土地利用类型和土壤类型如图2所示。本次研究使用的气象数据是CMADS(the china meteorological assimilation driving datasets for the SWAT model)气象数据集,其空间分辨率为0.25°,选取了共6个站点2010—2018年的逐月数据进行模拟,构建气象数据库,研究区气象站点位置如图2所示。因星云湖流域面积过小,并没有记录在水文年鉴上的水文站点,故选用GloFAS(global flood awareness system)数据集的每月径流数据[21]对径流参数记性校准和验证,点位信息如图1所示。本次研究使用数据的日期为2012年1月—2016年12月,其中2012年2月和2013年3月数据缺失,总共58个月份的径流数据。水质数据来源于星云湖实地湖心测量的总磷总氮数据,水质监测站点位置如图1所示。需要将污染物单位mg/l换算成kg,换算公式为:
T O T k g = R u n o f f · T · T O T m g / L
式中: TOTkg为单位为kg的总磷总氮含量; Runoff为径流量,m3/s; T为研究时间,s; TOTmg/l为单位为mg/l的总磷总氮含量。
图2 星云湖流域土地利用类型及土壤类型

Fig.2 Land use types and soil types in the Xingyun Lake watershed

2 研究方法

2.1 SWAT模型

SWAT模型是基于物理基础的流域分布式水文模型[22]。可以用来模拟流域下垫面(不同土壤类型、土地利用方式、植被覆盖等)变化对径流、土壤侵蚀、面源污染产生和输送的影响[23-24],被誉为究面源污染的有效工具和应用最广泛的模型。
SWAT模型在生成的水文响应单元(hydrologic response units, HRUs)上模拟水文过程,进行汇总计算[25]。本次研究利用上述数据在星云湖流域建立SWAT模型,共生成了7个子流域以及47个水文响应单元,模拟时间为2010—2018年,采用月时间尺度模拟。

2.2 参数敏感性分析

SWAT具有很多的变量和方程,不同的参数值会产生不同的模拟结果。因此要对选择的参数进行敏感性分析减少工作量,提高工作效率。本次研究采用SWAT-CUP(calibration and uncertainty programs)软件中的运行次数较少、效率高的SUFI-2(sequential uncertainty fitting version 2)算法对模型参数进行敏感性分析、校准以及验证[26],共选择14个径流参数和16个污染参数,敏感性结果以及率定结果如表2、表3所示(由于篇幅显示只选取较为敏感的前5个参数)。
表2 径流参数敏感性及取值结果

Tab.2 Sensitivity of runoff parameters and results of taking values

敏感性
排序		 参数① 定义 所在
位置		 范围 取值
1 v_ALPHA_BF 基流α系数 .gw -0.164 8~
0.224 8		 0.049 48
2 v_SFTMP 降雪气温 .bsn -0.336 36~
3.583		 2.733 80
3 v_GW_DELAY 地下水滞后系数 .gw 289.07~
526.75		 435.639 00
4 r_GW_REVAP 地下水再蒸发系数 .gw -1.482~
-0.485		 -0.767 20
5 r_SURLAG 地表径流滞后系数 .bsn -0.056~
0.034		 0.026 50

①修改方式r代表模型参数值乘以率定取值; v代表将模型参数值替换为率定取值。

表3 总氮总磷参数敏感性及取值结果

Tab.3 Sensitivity of total nitrogen and total phosphorus parameters and results of taking values

敏感性
排序		 参数 定义 所在
位置		 范围 取值
1 v_ERORGP 有机磷富集率 .hru 2.208 23~
6.958 44		 5.794 64
2 r_CANMX 最大树冠蓄水量 .hru -0.388 16~
0.216 73		 0.110 88
3 r_USLE_P USLE方程水土保持措施因子 .mgt -0.818~
0.075 15		 -0.322 30
4 v_CDN 反硝化指数速率系数 .bsn 1.407 31~
4.335 55		 3.178 90
5 r_OV_N 地面流量的曼宁n值 .hru -0.430 43~
0.201 86		 0.135 45
接着计算Nash-Sutcliffe效率系数(NSE)、决定系数(R2)值来评判SWAT模型模拟的有效性。一般认为,当R2≥0.6,NSE≥0.5时,表示模型模拟结果较好,模型建立成功[27]。计算公式为:
R 2 = [ ∑ i = 1 n ( Q i o b s - Q ¯ o b s ) ( Q s i m - Q ¯ s i m ) ] 2 ∑ i = 1 n ( Q i o b s - Q ¯ o b s ) 2 ∑ i = 1 n ( Q i s i m - Q ¯ s i m ) 2 ,
N S E = 1 - ∑ i = 1 n ( Q i s i m - Q i o b s ) 2 ∑ i = 1 n ( Q i o b s - Q ¯ o b s ) 2 ,
式中: n为样本的总数; Q i o b s为第i个观测值; Q ¯ o b s为观测值的平均值; Q i s i m为第i个模拟值; Q ¯ s i m为模拟值的平均值。

2.3 岸边带情景模拟

本节基于上文建立好的星云湖流域SWAT模型,运用ArcGIS中的缓冲带工具在星云湖90 m内改变土地利用方式,环湖建立不同宽度不同植被类型的岸边带。将修改后的土地利用数据重新输入模型中,研究不同结构的岸边带对面源污染的截留效果。共分为1个实验组和9个对照组。实验组即为不设置岸边带的星云湖流域; 9个对照组分别为流域内环湖建立30 m林地(30f)、30 m草地(30g)、60 m林地(60f)、60 m草地(60g)、90 m林地(90f)、90 m草地(90g)、30 m林地和30 m草地(30f30g)、60 m林地和30 m草地(60f30g)、30 m林地和60 m草地(30f60g)的岸边带。土地利用图如图3所示。
图3 不同岸边带情景下的星云湖

Fig.3 Xingyun Lake under different riparian scenarios

计算9种岸边带情景下整个星云湖流域的总氮总磷产量,并计算岸边带对整个流域的污染物的消减效果,公式分别为:
N % = T N d e f a u l t - T N b u f f e r T N b u f f e r × 100 % ,
P % = T P d e f a u l t - T P b u f f e r T P b u f f e r × 100 % ,
式中: N%和P%分别为总氮和总磷的消减率; TNdefault和TPdefault分别为未设置岸边带的总氮和总磷产量; TNbuffer和TPbuffer分别为设置岸边带的总氮和总磷产量。

3 结果与讨论

3.1 模型校准和验证结果

根据每月径流数据对SWAT模型径流模拟结果进行校准和验证,将2011年作为模型预热期,将2012年1月—2014年12月作为校准期,将2015年1月—2016年12月作为验证期,其中2012年2月和2013年3月数据缺失。当对总氮进行率定时将2010年1月—2016年12月作为校准期,将2017年1月—2018年12月作为验证期,缺少2010年3月和2011年全年的数据。当对总磷进行率定时,将2013年1月—2016年12月作为校准期,将2017年1月—2018年12月作为验证期,缺少2014年4月和2015年3月的数据。
径流、总氮、总磷校准期和验证期拟合结果如图4所示,NSE和R2结果如表4所示。从图表中可知校准期和验证期的R2和NSE都大于0.5,说明模型模拟值与实测值拟合程度较好,星云湖流域的SWAT模型建立成功。
图4 径流、总氮、总磷校准期和验证期实测值和模拟值拟合结果

Fig.4 Results of fitting the measured and simulated values of runoff, total nitrogen and total phosphorus during the calibration and validation periods

表4 星云湖流域各变量月尺度模拟校准和验证结果

Tab.4 Calibration and validation results of monthly-scale simulations for each variable in the Xingyun Lake watershed

变量 校准期 验证期
R 2 NSE R 2 NSE
径流 0.79 0.78 0.70 0.64
总氮 0.80 0.79 0.84 0.78
总磷 0.86 0.83 0.64 0.56

3.2 星云湖流域面源污染关键源区

本研究基采用单位面积指数法对关键源区进行识别,该方法不会因为面积大小的差距而产生偏差,常被用来识别面源污染的关键源区[16]。本文将总氮、总磷流失强度分为轻度、较轻、中度、较重、重度4个等级(表5)。
表5 关键源区等级划分表

Tab.5 Critical source area classification (kg/hm2)

流失强度 总氮 总磷
轻度 [0,4.706) [0,1.980)
较轻 [4.706,10.276) [1.980,5.121)
中度 [10.276,15.195) [5.121,6.605)
较重 [15.195,21.226) [6.605,7.952)
重度 [21.226,55.704] [7.952,14.564]
根据污染等级的划分标准,可得到星云湖流域总氮总磷污染的关键源区的划分结果,如图5所示。
图5 星云湖流域总氮和总磷关键源区

Fig.5 Key source areas for total nitrogen and total phosphorus in the Xingyun Lake watershed

通过分析结果并查阅相关属性表可知,星云湖流域面源污染的关键源区为1,2,6,7,8,13,20,26,27,35,40,41,45号HRU。结果显示总磷污染情况好于总氮。年均总氮流失强度最高的为7号的55.704 kg/hm2,总磷为27号的14.564 kg/hm2。它们大多位于星云湖的四周,在湖域的东侧以及北侧尤为明显。这些地区主要是耕地和城镇用地,土壤为人为土和始成土。人为土熟化后,其土壤肥力大大提升,具有较好的保肥供肥能力[28]。初始成土肥力较弱,养分含量少,因此在种植作物时更需要加大化肥用量,造成面源污染。这些区域占星云湖流域总面积的22.54%,但是对于总氮和总磷污染的贡献却分别占比为28.73%和25.67%,因此将其定为星云湖流域关键源区。

3.3 岸边带情景模拟污染治理效果分析及比较

3.3.1 不同岸边带情景下流域总氮总磷消减效果

采用相同参数重新模拟9种岸边带情景下星云湖流域总氮总磷的产量,计算不同岸边带对流域总氮和总磷的消减率,结果如图6所示。
图6 不同植被缓冲带的总氮总磷消减效果

Fig.6 Total nitrogen and total phosphorus abatement effects of different riparian

从图6可以发现,总氮的消减率总体高于总磷。对总氮来说,每种情景都能产生4%左右的总氮消减率,这与Hoang[8]的研究结果相似。总氮截污效果最好的是设置30 m林地加30 m草地的岸边带,效果较差的是90 m草地的岸边带,消减率分别为5.2%和3.07%。对总磷来说,不同配置的岸边带的截污效果存在较大区别。效果最好的是30 m林地加30 m草地的岸边带,较差的是90 m草地的岸边带,消减率分别为6.03%和0.25%。其余的岸边带都能消减1%~2%的总磷产量。当岸边带的宽度相同植被类型不同时,林地的截污效果明显好于草地。作物相同时,林地随着宽度的增加污染物消减率逐渐增加。林地和草地搭配的岸边带都有着不错的截污效果,其中30 m林地加30 m草地的岸边带的消减效果是最好的。

3.3.2 不同岸边带情景下污染物入湖量的截污效果

利用模拟结果提取出6,7号河道,计算星云湖有机氮(organic nitrogen,ORGN)有机磷(organic phosphorus,ORGP)的入湖量,接着计算不同岸边带对有机氮磷入湖量的截留效果。计算结果如图7所示。
图7 不同植被缓冲带的有机氮磷入湖量消减效果

Fig.7 Effect of organic nitrogen and phosphorus into the lake by different riparian

分析图7可知,岸边带对星云湖入湖污染物的截留效果尤为明显。绝大数岸边带的ORGN消减率大于20%,ORGP消减率大于15%。与前文结果类似,氮元素的截留率高于磷元素。90 m林地的岸边带能截留26.96%的ORGN,30 m林地加30 m草地的岸边带能截留21.3%的ORGP。当岸边带的植被类型为林地时,随着宽度的增加,污染物的入湖量减少地越多。

3.3.3 不同情景下面源污染关键源区的消减效果

根据模型模拟结果,计算每种岸边带情景下各关键源区的总氮和总磷消减率。结果如图8所示。图中结果显示,设置岸边带可以有效地减少各关键源区的总氮和总磷产量。尤其是靠近星云湖的20,26,27号HRU,消减率都较高。其中26号HRU的总氮、总磷平均消减率最大,分别为8.74%和8.20%。纵观9种岸边带,效果最好的是30 m林地和30 m草地的岸边带。在这种情景下,6号HRU的总氮、总磷消减率为最大值,分别达到了79.40%和84.27%。与前文结论类似,当岸边带植被类型相同时,宽度越宽,面源污染消减效果越好。
图8 各关键源区每种岸边带情景下总氮总磷消减效果

Fig.8 Total nitrogen and total phosphorus abatement for each key source area for each riparian scenario

3.4 讨论

本文提出一种新的思路,结合SWAT模型通过改变土地利用类型的方法建立岸边带进行情景模拟,研究不同宽度不同植被类型的岸边带对氮磷污染物截留效果的差异。研究发现,林地类型的岸边带截污效果好于草地。这与一些学者的研究发现类似,他们认为森林缓冲带在截留转化氮素方面效果更好[29-30]。并且本文的研究还发现岸边带宽度越宽,污染物消减率越大,Sabater等[31]也认为植被缓冲带的截污效果与宽度呈正相关。
岸边带的截污效果除了受宽度和植被类型影响外,还受研究区的土壤、水文状况等因素的制约[32]。本实验表明30 m林地加30 m草地的岸边带是所有岸边带中截污效果最好的。在后续的研究中,还可将植被类型进一步细分到具体物种,如狼尾草[33]、高羊茅[34]、紫穗槐等,采用模型模拟结合实地试验的方式选出最适合当地的一种岸边带。

4 结论

本文耦合遥感在星云湖流域建立SWAT模型,识别流域内面源污染的关键源区,改变星云湖一周的土地利用类型来设置不同宽度不同植被类型的岸边带,模拟出基于此情景下氮磷污染物的产量,研究不同岸边带对流域、污染关键源区以及污染物入湖量的消减作用,评选出效果最好的一种岸边带,为面源污染治理提供相应建议。
1)设置植被缓冲带不仅能消减整个流域的总氮总磷产量,还能截留大量的入湖污染物,对关键源区面源污染的消减效果也十分明显,尤其是邻近星云湖的区域,且对氮元素的截污效果好于磷元素。
2)当岸边带的宽度相同植被类型不同时,林地的截污效果明显好于草地; 当岸边带的植被类型相同时,随着岸边带宽度的增加污染物消减率逐渐变大。
3)林地和草地搭配的岸边带有着不错的截污效果,其中设置30 m林地加30 m草地的岸边带可以减少5.20%的总氮产量和6.03%的总磷产量,并且可以截留19.83%的ORGN入湖量和21.30%ORGP入湖量,是所有岸边带中截污效果最好的。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
朱兆良, 孙波, 杨林章, 等. 我国农业面源污染的控制政策和措施[J]. 科技导报, 2005, 23(4):47-51.

Zhu Z L, Sun B, Yang L Z, et al. Policy and countermeasures to control non-point pollution of agriculture in China[J]. Science & Technology Review, 2005, 23(4):47-51.

[2]
叶兆木, 彭瑶, 赵芳, 等. 水环境现状调查及评估方法分析[J]. 环境影响评价, 2020, 42(3):92-96.

Ye Z M, Peng Y, Zhao F, et al. Investigation of water environment status and analysis of assessment methods[J]. Environmental Impact Assessment, 2020, 42(3):92-96.

[3]
国家统计局. 第一次全国污染源普查公报[R]. 北京, 2010.

National Bureau of Statistics. Bulletin of the first national pollution source survey[R]. Beijing, 2010.

[4]
国家发展和改革委员会, 环境保护部, 住房和城乡建设部, 等. 太湖流域水环境综合治理总体方案(2013年修编)[EB/OL]. https://www.ndrc.gov.cn/fzggw/jgsj/dqs/sjdt/201401/W020190909483338371074.pdf

National Development and Reform Commission, Ministry of Environmental Protection, Ministry of Housing and Urban Rural Development, et al. Overall plan for comprehensive treatment of water environment in Taihu Lake basin (revised in 2013) [EB/OL]. https://www.ndrc.gov.cn/fzggw/jgsj/dqs/sjdt/201401/W020190909483338371074.pdf

[5]
Tu J. Spatially varying relationships between land use and water quality across an urbanization gradient explored by geographically weighted regression[J]. Applied Geography, 2011, 31(1):376-392.

[6]
Sweeney B W, Bott T L, Jackson J K, et al. Riparian deforestation,stream narrowing,and loss of stream ecosystem services[J]. Proceedings of the National Academy of Sciences of the United States of America, 2004, 101(39):14132-14137.

[7]
MacFarlane W W, Gilbert J T, Jensen M L, et al. Riparian vegetation as an indicator of riparian condition:Detecting departures from historic condition across the North American West[J]. Journal of Environmental Management, 2017, 202(Pt 2):447-460.

[8]
Hoang L, van Griensven A, Mynett A. Enhancing the SWAT model for simulating denitrification in riparian zones at the river basin scale[J]. Environmental Modelling & Software, 2017, 93(C):163-179.

[9]
Krysanova V, White M. Advances in water resources assessment with SWAT:An overview[J]. Hydrological Sciences Journal, 2015:1-13.

[10]
Malagó A, Bouraoui F, Vigiak O, et al. Modelling water and nutrient fluxes in the Danube River basin with SWAT[J]. The Science of the Total Environment, 2017, 603/604:196-218.

[11]
夏军, 翟晓燕, 张永勇. 水环境非点源污染模型研究进展[J]. 地理科学进展, 2012, 31(7):941-952.

Xia J, Zhai X Y, Zhang Y Y. Progress in the research of water environmental nonpoint source pollution models[J]. Progress in Geography, 2012, 31(7):941-952.

DOI

[12]
Turpin N, Bontems P, Rotillon G, et al. AgriBMPWater:Systems approach to environmentally acceptable farming[J]. Environmental Modelling & Software, 2005, 20(2):187-196.

[13]
常舰. 基于SWAT模型的最佳管理措施(BMPs)应用研究——以西苕溪流域为例[D]. 杭州: 浙江大学, 2017.

Chang J. Evaluation for the effectiveness of best management practices(BMPs) based on SWAT model[D]. Hangzhou: Zhejiang University, 2017.

[14]
Ryu J, Cho J, Kim I J, et al. Technical note:Enhancement of SWAT-REMM to simulate reduction of total nitrogen with riparian buffer[J]. Transactions of the ASABE, 2011, 54(5):1791-1798.

[15]
Jang S S, Ahn S R, Kim S J. Evaluation of executable best management practices in Haean highland agricultural catchment of South Korea using SWAT[J]. Agricultural Water Management, 2017, 180:224-234.

[16]
王敏, 张雨桐, 李奇宸, 等. 安徽省兆河流域非点源污染模拟及最佳管理措施[J]. 水土保持通报, 2021, 41(5):127-136,153.

Wang M, Zhang Y T, Li Q C, et al. Simulation and optimal management of non-point source pollution in Zhaohe small watershed in Anhui Province[J]. Bulletin of Soil and Water Conservation, 2021, 41(5):127-136,153.

[17]
云南省统计局. 云南统计年鉴-2019(总第35期)[M]. 北京: 中国统计出版社, 2019.

Yunnan Provincial Bureau of Statistics. Yunnan statistical yearbook-2019[M]. Beijing: China Statistics Press, 2019.

[18]
陈杨. 星云湖水体环境与氮磷空间分布特征研究[D]. 昆明: 云南师范大学, 2020.

Chen Y. Characteristics of water environments and spatial distribution of nitrogen and phosphorus in Xingyun Lake[D]. Kunming: Yunnan Normal University, 2020.

[19]
云南省环境保护厅. 1998—2018云南省环境状况公报[EB/OL]. http://sthjt.yn.gov.cn/hjzl/hjzkgb/

Yunnan Provincial Department of Environmental Protection. 1998-2018Yunnan environmental status bulletin[EB/OL]. http://sthjt.yn.gov.cn/hjzl/hjzkgb/

[20]
Gong P, Liu H, Zhang M, et al. Stable classification with limited sample:Transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6):370-373.

[21]
Harrigan S, Zsoter E, Barnard C, et al. River discharge and related historical data from the Global Flood Awareness System,v3.1,Copernicus Climate Change Service (C3S) Climate Data Store (CDS)[Z]. 2021.

[22]
Arnold J G, Srinivasan R, Muttiah R S, et al. Large area hydrologic modeling and assessment part Ⅰ:Model development1[J]. Journal of the American Water Resources Association, 1998, 34(1):73-89.

[23]
郭伟, 陈兴伟, 林炳青. SWAT模型参数对土地利用变化的响应及其对不同时间尺度径流模拟的影响[J]. 生态学报, 2021, 41(16):6373-6383.

Guo W, Chen X W, Lin B Q. Response of SWAT model parameters to land use change and its effects on the simulation of runoff with different time scales[J]. Acta Ecologica Sinica, 2021, 41(16):6373-6383.

[24]
张招招, 程军蕊, 毕军鹏, 等. 甬江流域土地利用方式对面源磷污染的影响:基于SWAT模型研究[J]. 农业环境科学学报, 2019, 38(3):650-658.

Zhang Z Z, Cheng J R, Bi J P, et al. Impact of land use on non-point sources of phosphorus in the Yong River basin:SWAT model analysis[J]. Journal of Agro-Environment Science, 2019, 38(3):650-658.

[25]
Neitsch S, Arnold J, Kiniry J, et al. Soil and water assessment tool theoretical documentation,version 2009[Z]. Texas Water Resources Institute Technical Report, 2011.

[26]
陈海涛, 曹向真. 基于SUFI-2参数最适置信区间的参数优化方法结果对比分析[J]. 节水灌溉, 2021(6):24-30.

Chen H T, Cao X Z. Comparative analysis of the results of parameter optimization methods based on the optimal confidence interval of SUFI-2 parameters[J]. Water Saving Irrigation, 2021(6):24-30.

[27]
李振炜, 于兴修, 姚孝友, 等. 农业非点源污染关键源区识别方法研究进展[J]. 生态学杂志, 2011, 30(12):2907-2914.

Li Z W, Yu X X, Yao X Y, et al. Identification approaches of critical source area of agricultural non-point source pollution:A review[J]. Chinese Journal of Ecology, 2011, 30(12):2907-2914.

[28]
朱鹤健, 陈健飞, 陈松林, 等. 土壤地理学[M].2版. 北京: 高等教育出版社, 2010.

Zhu H J, Chen J F, Chen S L, et al. Pedogeography[M].2nd ed. Beijing: Higher Education Press, 2010.

[29]
Haycock N E, Pinay G. Groundwater nitrate dynamics in grass and poplar vegetated riparian buffer strips during the winter[J]. Journal of Environmental Quality, 1993, 22(2):273-278.

[30]
Osborne L L, Kovacic D A. Riparian vegetated buffer strips in water-quality restoration and stream management[J]. Freshwater Biology, 1993, 29(2):243-258.

[31]
Sabater S, Butturini A, Clement J C, et al. Nitrogen removal by riparian buffers along a European climatic gradient:Patterns and factors of variation[J]. Ecosystems, 2003, 6(1):20-30.

[32]
汤家喜, 孙丽娜, 孙铁珩, 等. 河岸缓冲带对氮磷的截留转化及其生态恢复研究进展[J]. 生态环境学报, 2012, 21(8):1514-1520.

DOI

Tang J X, Sun L N, Sun T H, et al. Research advances on retaining and transformation of N and P and ecological restoration of riparian buffer zone[J]. Ecology and Environmental Sciences, 2012, 21(8):1514-1520.

[33]
申小波. 草本植被过滤带对主要农业面源污染物的拦截效果研究[D]. 长沙: 中南林业科技大学, 2014.

Shen X B. Study on interception effects of the main agricultural non-point source pollution by grass vegetative filter strips[D]. Changsha: Central South University of Forestry & Technology, 2014.

[34]
何聪. 混播草皮缓冲带农业面源污染拦截效果的试验研究[D]. 扬州: 扬州大学, 2012.

He C. Mixture sowing turf buffer zone for agricultural non-point source pollution interception effect experimental study[D]. Yangzhou: Yangzhou University, 2012.

Options
Outlines

/

〈 〉