基于“源-匯”景觀的飲用水源地非點源污染風險遙感識別與評價

許 芬,周小成,*,孟慶巖,張 穎

1 福州大學衛星空間信息技術綜合應用國家地方聯合工程研究中心,空間數據挖掘與信息共享教育部重點實驗室,數字中國研究院(福建),福州 350108 2 中國科學院遙感與數字地球研究所,北京 100101

作為供給居民生活用水的飲用水是人類最為重要的一種水資源[1],飲用水資源的保護及飲用水源地污染的防治尤其重要。飲用水水源污染主要分為點源、非點源(面源)兩類,其中點源是指有固定排放點的污染,如工業廢水和城市污水集中排放口；非點源是指沒有固定排放點,污染物通過徑流過程而匯入收納水體的污染,如種植業污染等[2]。隨著我國對點源污染的管理和控制,非點源污染因其防治困難,被認為是影響地表和地下飲用水源地安全的重要威脅[3],開展對飲用水源地非點源污染風險的研究成為當前的研究熱點[4-5]。

目前非點源污染負荷估算和污染風險的評估多采用模型模擬的方法,如Wang等[6]基于ArcSWAT模型分析不同土地利用模式對非點源污染的影響控制；Yang等[7]將SWAT模型與新安江模型結合,對非點源污染的識別進行了嘗試性研究。而模型模擬主要基于對非點源污染的過程進行模擬,對數據要求比較高,對于數據不完善的地區,結合遙感技術,利用景觀生態學中“源-匯”理論分析景觀空間格局對非點源污染的影響是實現非點源污染風險識別評價的有效途徑。其中“源-匯”景觀理論是基于“源-匯”景觀類型在空間分布上的平衡情況來進行生態環境的研究[8],當前以景觀生態學為基礎進行非點源污染研究中,Wang等[9]基于最小累積阻力模型測算不同等級源的景觀阻力面,分析三峽庫區面源污染的源-匯景觀分布風險格局。景觀空間分布的格局與非點源污染大小存在顯著的響應關系[10-11],但當前多聚焦于流域整體的污染風險評價,較少著眼于具體風險區域的識別；同時目前的研究在確定“源-匯”風險強弱差異時,更多的是憑借主觀經驗賦予影響權重來確定不同景觀類型對生態過程的作用,較少結合具體區域的污染風險特性來識別影響非點源污染的風險區域。

本文以三亞市赤田水庫飲用水源地為例,基于“源-匯”理論,利用遙感技術獲取以子流域為研究單位的“源”、“匯”景觀的分布,統計子流域“源匯”面積比重,結合不同類型“源匯”景觀對主要污染源磷、氮的排污權重,對比每個子流域的“源”“匯”景觀污染負荷風險,分析污染物在子流域空間的盈虧平衡狀況,結合流域中景觀單元養分流失與空間距離、所在坡面的坡度大小的關系,計算非點源污染風險指數,實現飲用水源地非點源風險區域的識別；再基于洛倫茲曲線,通過 “源-匯”景觀類型在不同坡度、距水源地不同距離的分布分析景觀布局對非點源污染的影響,實現水源地非點源污染分析的評價,為水源地管理、規劃提供依據。

1 研究區概況與數據來源

1.1 研究區概況

圖1 研究區區位示意圖Fig.1 Location of the study area

赤田水庫位于海南省三亞市東北部藤橋西河的下游區域,介于18°24′N—18°26′N,109°38′E—109°44′E之間(圖1),屬熱帶海洋性季風性氣候,地形總體西高東低；控制流域面積220.6 km2,總庫容771萬m3,每年的實際供水量占三亞供水總量的60%,是三亞市重要的城市集中式飲用水水源地；隨著經濟的發展,一方面水源地供水壓力不斷增加,另一方面土地的開發利用加重水源地污染風險,實現非點源污染風險識別對于污染的防治非常重要；同時由于赤田水庫橫跨三亞市海棠區和三道鎮,屬跨市縣水源地,管理復雜,識別水源地風險區域對于明確管理職責、實現“誰污染,誰治理”具有重要意義。

1.2 數據來源與處理

本研究主要采用由中國資源衛星應用中心(http://www.cresda.com/CN/)提供的高分一號PMS傳感器數據,包括4個多光譜波段與1個全色波段,其中多光譜波段空間分辨率為8 m,全色波段空間分辨率為2 m；美國地質調查局(http://glovis.usgs.gov/)提供的空間分辨率為30 m的DEM數據；以及海南省水系分布矢量數據。

飲用水源地非點源污染風險識別首先需要確定風險識別范圍,根據飲用水污染中污染在水里,而源頭在陸地這一特點,確定以飲用水源地流域為研究范圍進行污染風險的識別。因此基于DEM數據與海南省水系分布數據,利用Arcgis中水文分析工具提取流向、河流匯集個數、匯流點等信息,以此為輸入信息確定水源地流域范圍,輸出結果矢量作為研究區范圍。

圖2 研究區高分1號標準假彩色合成影像Fig.2 Standard false color composite image of GaoFen1 in the study area

其次為保證遙感影像數據質量和分類效果,利用ENVI軟件對遙感影像進行預處理。首先對GF-1影像進行正射校正,其次,利用ENVI中的FLAASH模塊進行大氣校正,再次,采用NNDiffuse Pan Sharpening方法對GF-1影像中全色波段與多光譜波段進行融合,獲得空間分辨率為2 m的多光譜影像(圖2)。

2 研究方法

本文基于非點源污染特點和研究區地物類型建立遙感分類體系,基于隨機森林算法對赤田水庫水源地進行飲用水源地遙感監測,結合“源-匯”景觀理論中源匯景觀類型對污染物分別產生促進阻礙作用和不同景觀類型污染能力的不同,為各地類賦予不同的污染權重,再以子流域單元為對象分析各子流域的“源-匯”負荷對比,分析“源”“匯”景觀格局對污染風險的作用；進一步考慮坡度、距河道遠近等污染遷移因子對污染風險大小的影響,通過污染風險指數計算各子流域單元的污染風險,識別水源地風險區域,并基于洛倫茲曲線評價不同景觀類型的空間布局對污染風險的影響,最終實現水源地非點源污染風險的識別與評價。具體技術流程如圖3所示。

圖3 技術流程圖Fig.3 Technique flow chart

2.1 非點源污染風險地類遙感監測分類

非點源污染風險的識別首先需要建立飲用水源地遙感監測分類體系,參照土地利用分類標準(GB/T 21010—2017),并根據研究區流域非點源污染特點和遙感可識別范圍,將流域內景觀類型分為耕地、園地、居住用地、建設用地、水產養殖、有林地、草地、水體、未利用地；采用Breiman[12]提出的隨機森林算法進行赤田水庫流域范圍內的遙感景觀分類。隨機森林算法屬于機器學習的一種,由多個能進行分類的決策樹共同形成“森林”,每個決策樹之間無關聯,對于輸入的訓練樣本由各個決策樹分別對其進行分類,在整個“森林”中,樣本最終分為歸屬類別多的那一類。

根據下列算法建造決策樹：

(1)用N來表示訓練樣本的個數,M表示特征數目；

(2)輸入特征的數目m,以此確定決策樹中各個節點的決策結果；其中M為特征總數量,因此m數量小于M；

(3)以有放回抽樣的方式從N個訓練樣本中取樣n次,構成一個用于訓練的集合(bootstrap取樣),對于剩下未抽到的樣本用來預測,進行誤差的評估;

(4)對于每個節點,隨機選擇m個特征,決策樹上每個節點的決定都基于這些特征確定,并根據這m個特征,計算其最佳的分類方式。

基于隨機森林的遙感景觀分類首先需要根據各地類在遙感影像中表現出來的特征進行樣本選擇,形成訓練樣本集；分析樣本的光譜、形狀、紋理等特征,根據互信息最大化特征選擇算法[13]對特征進行優化,從眾多的特征中選擇出最佳特征子集,將優選出的特征用于隨機森林中各個決策樹的構建,以多數決策樹分類結果作為最終分類結果,完成不同地類的區分；最后通過驗證點的分類結果與實際分類類型構建混淆矩陣,驗證遙感分類精度。

2.2 非點源污染風險識別

2.2.1“源-匯”污染負荷對比指數

“源-匯”污染負荷對比指數(Location-weighted Landscape Contrast Index,LCI)是以一定范圍的景觀單元為研究對象,計算該單元“源”景觀所產生的污染負荷風險與“匯”景觀所能削弱的污染負荷風險進行對比,旨在考慮景觀間相互作用的前提下,分析一定范圍自然地理空間的污染風險,實現污染風險區域的識別。如蔣孟珍[14]提出網格景觀空間負荷對比,將區域劃分為大小一致的網格,對比每個網格單元中“源”“匯”對非點源污染的貢獻,識別出“污染貢獻”大于“污染截留”區域為風險區。

但是,風險區域識別中單純以行政區或幾何網格為研究單元,劃分形式和大小的差異會影響風險識別結果,造成結果的不確定性；同時以行政區或幾何網格為研究單元割裂了原有自然地理聯系,忽略了區域地理空間單元的異質性和區域生態效應。因此,本文以自然景觀格局為依據,基于研究區域地形、河流交匯點、流向等自然地理要素劃定子流域空間單元；根據景觀生態學中“源-匯”理論,將遙感分類結果中對污染起推動作用的類型歸為“源”,如耕地、園地等；將遙感分類結果中對污染起截留、阻礙作用的類型歸為“匯”,如草地、有林地等,通過 “源-匯”污染負荷對比指數比較子流域“源”“匯”作用的大小,子流域單元中“源”景觀作用大于“匯”景觀則區域為風險區。“源-匯”污染負荷對比指數的計算公式如下[14]：

(1)

(2)

LCINP=LCIN+LCIP

(3)

式中,LCIN、LCIP、LCINP分別為總氮、總磷、氮磷總體的污染負荷；i為“源”景觀的種類數,WiN、Wip分別為“源i”排放總氮、總磷的權重,Si為“源i”景觀類型在單位子流域所占的面積比例；j為“匯”景觀的種類數,WjN、WjP分別為“源j”排放總氮、總磷的權重系數,Sj為“源j”景觀類型在單位子流域所占的面積比例。

其中景觀類型的面積比例是基于遙感分類結果統計得到,不同景觀類型的污染權重則根據不同景觀類型對污染作用大小的差異確定。不同景觀類型污染物輸出權重對于風險的識別評價尤其重要,本文基于全國污染源普查手冊[15-16]、統計年鑒[17]等資料,采用輸出系數法[18]計算相關景觀類型的輸出權重,對難確定權重的類型則以相同或相似研究區的相關文獻為依據,通過直接或間接的方式確定。其中耕地污染輸出權重是以農業污染源普查手冊中“地表徑流-南方濕潤平原區-平地-水田-雙季稻”區域的標準農田流失系數作為依據,總氮流失量為13.99 kg hm-2a-1,總磷流失量為1.15 kg hm-2a-1；其中標準農田的總施氮量為360.88 kg/hm2、總施磷量為109.19 kg/hm2；結合統計年鑒中區域實際的總氮施肥量837.11 kg/hm2、總磷施肥量531.71 kg hm-2a-1,確定氮磷施肥修正系數分別為2.32、4.77；標準農田降水量在1000—1200 mm之間,三亞市2016年年降水量為1716.3 mm,確定降水修正系數為1.5,計算得到研究區耕地總氮(TN)、總磷(TP)流失量如下：

TN=13.99 kg hm-2a-1×2.32×1.5= 48.68 kg hm-2a-1;

TP=1.15 kg hm-2a-1×4.87×1.5=8.40 kg hm-2a-1。

農業污染源普查手冊中監測類型為地表徑流、地形為緩坡區、土地利用方式為旱地、種植模式為園地的標準農田總氮流失量19.95 kg hm-2a-1；總磷流失量1.60 kg hm-2a-1,其中標準農田中氮磷施肥量分別為418.33 kg/hm2、193.34 kg/hm2,結合三亞統計年鑒中氮磷的實際年施用量837.11kg hm-2a-1、520.02 kg hm-2a-1,得到修正分別為2.0、2.6。計算出園地氮磷排污量如下：

TN=19.95 kg hm-2a-1×2.0=39.90 kg hm-2a-1；

TP=1.60 kg hm-2a-1×2.6=4.16 kg hm-2a-1。

根據城鎮生活源排污手冊中三亞市生活源污水污染物人均產生系數總氮為10.07 g 人-1d-1,總磷為0.81 g 人-1d-1,根據三亞市2016統計年鑒中常住人口為19.17萬人,居民點建設面積4732 hm,計算出居住用地氮磷排污量如下：

TN=(0.01007 kg/人×191700人×365)/ 4732 hm a=148.90 kg hm-2a-1;

TP=(0.00081 kg/人×191700人×365)/4732 hm a=11.98 kg hm-2a-1。

根據水產養殖業污染源產排污系數手冊中的我國南部區域淡水網箱養殖產氮33.917 g/kg,產磷7.688g/kg,結合三亞統計年鑒中水產養殖產量2758000 kg a-1與所占面積695hm,計算水產養殖的氮磷排污量如下：

TN=(33.917 g/kg×0.001×2758000 kg a-1) / 695 hm= 134.59 kg hm-2a-1；

TP= (7.688 g/kg×0.001×2758000 kg a-1) / 695 hm= 30.51 kg hm-2a-1。

城鎮生活源產排污系數手冊中海南省建設用地標準產排污系數總氮為7.65 g/d,總磷為0.725 g/d,計算得到研究區建設用地氮磷排污量分別為35.74 kg hm-2a-1、3.15 kg hm-2a-1。

詹書俠等[19]對中亞熱帶典型丘陵紅壤區中的土壤氮磷截留研究得到不同類型林地氮磷截留分別在0.15—1.43 g kg-1d-1、0.19—0.54 g kg-1d-1之間,而赤田水庫流域林地以熱帶丘陵紅壤區常綠闊葉林為主,需要對截留值進行修正,結合海南省不同森林氮儲量[20]確定修正系數分別為12.0、3.0,得到有林地平均氮吸收能力為94.95 kg hm-2a-1,磷吸收量為7.80 kg hm-2a-1。草地對氮的吸收量為林地的80%,對磷的吸收能力為林地的85%[21],因此研究區草地的氮磷吸收量分別為75.90 kg hm-2a-1、6.63 kg hm-2a-1。

不同河流對氮、磷的凈化功能與溫度、水位、面積等有關[22],同時不同區域的河流狀態差異大,難以用統一的標準衡量污染去除量,因此通過河流與標準農田中耕地對氮磷排放的相對關系[23]確定水體對氮、磷吸收權重分別為0.01、0.03。

最終得到不同景觀類型對主要污染物氮、磷的污染排放權重,如表1。

表1 景觀類型污染輸出權重

第i種景觀類型的權重=第i種景觀類型N、P標準排放(吸收)量/景觀類型中最大N、P標準排放(吸收)量； N、P標準排放(吸收)量最大的景觀類型權重為1

2.2.2非點源污染風險指數

“源-匯”景觀空間污染負荷對比指數反映空間的產污、截污能力,而污染物從景觀單元遷移到水源地產生污染風險還與地形、距河網距離、土壤、降水等因素有關。地形因素主要表現為坡度大小對污染遷移的影響,單位子流域景觀所處的坡度越大越容易造成污染遷移,污染風險越大[24],本文以子流域為單元利用ArcGIS中的分析工具,通過填洼、坡度分析等工具提取DEM數據中的坡度信息,再建立與最大坡度的比值得到影響污染物遷移的坡度因子,值越大對風險貢獻越大,反之對污染貢獻越小。河道距離因素則以子流域污染遷移到河網的成本距離表示,基于ArcGIS中成本距離工具計算經過任何指定像元(水源地到“源”“匯”空間)所需的成本,成本越高越難以遷移,對污染影響越小,對風險的貢獻越小。根據海南省土壤類型分布數據(http://westdc.westgis.ac.cn/),研究區以磚紅壤為主,土壤類型較單一；同時由于研究區面積較小,降水差異小,區域內土壤和降水條件相似,因此不考慮土壤差異及降水因素對污染遷移的影響。

結合景觀空間“源-匯”污染負荷風險指數計算出的各個子流域的產污風險大小,將地形因子、距河道距離因子納入非點源污染風險指數的計算,基于非點源污染風險評價指數,評價各子流域單元的非點源污染風險,公式如下：

(4)

式中,LCImNP為子流域m的氮磷總體污染負荷,Slopem為子流域m的坡度,Distancem為子流域m的河道成本距離；NPPRIm表示第m個子流域的非點源污染風險指數,非點源污染風險指數的大小代表污染風險的高低,以此來劃分高污染風險區和低污染風險區。

2.3 非點源污染風險評價

圖4 “源”“匯”景觀空間分布示意圖Fig.4 Scheme figure of spatial distribution of “source” and “sink” landscape in Cachment ODB與OFB分別表示不同類型的面積累積曲線,OEB為平均分布曲線,表示“源”“匯”景觀在流域中均勻分布

非點源污染研究中常基于“源-匯”理論分析“源”“匯”景觀的空間分布格局及其與水源地非點源污染的關系,一般基于景觀單元相對于流域出口(監測點)的坡度、距離、相對高度進行衡量,“源”景觀距出口越近、所處坡度越大、相對高度越小則對污染貢獻越大,反之貢獻小,“匯”景觀與之相反。本文基于對整個區域的遙感分類結果及景觀空間要素中坡度、相對距離在區域中的分布,結合洛倫茲曲線分析整體范圍內“源”、“匯”類型距污染出口遠近、所處坡度大小情況,探討水源地整體區域的“源-匯”空間布局對非點源污染風險的影響。

“源”“匯”景觀空間分布通過洛倫茲曲線表示,如圖4,橫軸OA表示景觀類型與流域出口的距離、景觀類型的坡度,縱軸OC表示景觀類型占區域面積比例的累積。假設位于平均分布曲線OEB上方的曲線ODB表示在距離要素下的“源”類型,說明“源”景觀在距離源地近的距離范圍所占比例大,對污染影響大；假設處于平均分布曲線OEB下方的曲線OFB并表示在距離要素下的“匯”景觀,則說明“匯”大多處在距離源地較遠的區域,對源地污染的消解作用小；曲線ODB與線OA、AB構成的面OABD和曲線OFB與線OA、AB構成面 OABF之比表示“源”“匯”景觀空間分布的對比,當比值大于1說明“源”的貢獻大于“匯”,區域污染風險大。

本文在進行洛倫茲曲線計算中,距離景觀要素為景觀類型距離水源地的距離,選用的坡度要素是基于高程數據得到的景觀單元的坡度值,并將值都歸一化到[0,1]之間。遙感分類結果中的景觀類型與距離、坡度因子疊加,統計“源-匯”景觀類型在不同距離和坡度范圍的面積比例并累加得到距離、坡度要素的源匯曲線,并對比“源”“匯”面積累積曲線組成不規則三角形的面積,在距離要素中,當“源”“匯”面積累積比值大于1,即“源”景觀累積面積大于“匯”景觀累積面積,說明“源”分布在距河道較近區域,產生污染風險大,反之風險小；在坡度要素中,當比值大于1則說明“源”分布在坡度較低的區域,“匯”分布在坡度高的區域,難發生養分流失,污染影響小,反之影響大。

圖5 “源-匯”景觀遙感分類結果圖Fig.5 Remote sensing classification results of “source-sink” landscape

3 結果與討論

3.1 “源-匯”景觀的遙感分類結果

在研究區范圍內根據“源-匯”遙感分類體系選取訓練樣本,進行特征分析與優化,選取光譜特征中的各波段平均值、標準差、亮度,形狀特征中面積、形狀指數、長寬比,紋理特征中差異性、對比度、信息熵、同質性等特征參與隨機森林分類,經實驗設置隨機森林算法中決策樹個數參數為80,決策樹深度為16,利用eCognition軟件中隨機森林算法進行分類,結果如圖5。根據分類結果與隨機驗證樣本點構建混淆矩陣如表2,其中Kappa系數達到87.07%,分類結果精度較高。“匯”景觀中林地分布最廣,占流域的71.38%,且主要分布于流域西部；“源”景觀中耕地面積占總面積的4.50%,居民用地占4.16%,建設用地分別占總面積的3.10%,總體而言“匯”景觀分布廣于“源”景觀。

表2 遙感分類結果混淆矩陣

圖6 “源-匯”污染負荷分布Fig.6 “Source-sink” pollution load distribution

3.2 非點源污染風險識別結果

3.2.1“源-匯”污染負荷識別

根據流域地形與河網數據,結合遙感影像的可識別空間范圍以1 km2范圍為集水區,劃分子流域作為風險識別單元,統計遙感分類結果中各個子流域中“源”“匯”景觀類型占該子流域的面積比例,利用不同地物類型排放氮、磷污染的輸出系數計算污染負荷,再結合“源-匯”污染負荷對比指數(LCI)識別區域中非點源污染風險具體區域分布情況,得到非點源污染“源-匯”負荷分布圖(圖6)。LCI值在[-0.30,0.38]之間,其中“源”景觀占主導作用即LCI大于0的子流域占整個區域的23.49%,“匯”景觀占主導作用即LCI小于0的子流域占整個區域的76.50%。結果表明,流域非點源污染風險總體較低,以“匯”作用主導的子流域占流域的大部分；高污染負荷區域主要分布在東南部,西部污染負荷低,結果與“源-匯”景觀分類結果密切相關,西部以林地等“匯”景觀占主導,呈現出污染吸收能力強污染負荷低的情況；而東南部以建設用地、耕地等“源”景觀分布居多,污染量大而截留削減能力弱,污染負荷高。

將“源-匯”污染負荷結果由低到高劃分為5個等級(表3),其中“源-匯”污染負荷中“匯”作用最大的污染負荷等級最低,LCI范圍在(-0.30,-0.17)之間,占流域面積的7.85%,主要是分布在西北部以林地類型為主的“匯”景觀主導區域,對污染具有較強的截留作用；“匯”作用較大的污染負荷等級低,LCI范圍在(-0.17,-0.04)之間,占流域面積的50.10%,在所有等級中所占比例最大,主要分布在西部大部分區域；“源-匯”污染負荷較平衡的LCI范圍接近0,在(-0.04,0.04)之間面積占比27.63%,主要分布于居住用地、耕地等“源”景觀及林地等“匯”景觀相間分布的北部區域；“源”作用高于“匯”作用,LCI范圍在(0.04,0.17)之間的面積占比9.77%；LCI范圍在(0.17,0.38)之間的面積占比4.65%,主要分布于東南部,以建設用地、居住用地等“源”景觀主導的區域,污染負荷風險高。

表3 不同“源-匯”污染負荷等級面積對比

3.2.2水源地非點源污染風險指數

“源-匯”空間污染負荷指數一定程度上體現子流域的污染風險,而“河道距離”因子、坡度因子等污染遷移因子則表示非點源污染遷移風險(圖7、圖8),結合污染風險與遷移風險計算非點源風險指數(NPPRI),利用ArcGIS中柵格計算工具疊合“源-匯”污染負荷對比指數、“河道距離”因子、坡度因子得到非點源污染風險識別結果(圖9)。

在Arcgis中按自然斷點法將研究區范圍中風險值分為由低到高的5類,其中極低風險區占整個區域面積的40.26%,低風險區占39.71%,中等風險區占13.82%、高風險區占4.93%,極高風險區占1.28%,整體而言非點源污染風險較小,呈現出東高西低的特點。非點源污染高風險區主要位于流域東南部,景觀格局以“源”作用為主,同時距河道較近,產污風險與遷移風險都較高,形成高風險區；流域西部整體風險偏低,但在西南部存在兩個風險高值區主要受坡度及“源”景觀作用；赤田水庫西北臨近區域存在風險高值,該區域產污風險和周圍區域差異不大,但由于其距水源地近、坡度高,極易產生風險遷移,因此非點源污染風險大。

圖7 “河道距離”風險因子Fig.7 The risk factor of “distance from the river”

圖8 坡度風險因子Fig.8 The risk factor of slope

圖9 非點源污染風險識別圖Fig.9 Non-point source pollution risk identification chart

3.3 “源-匯”空間分布及水源地非點源污染風險評價

結合“源”“匯”景觀的遙感分類結果與影響污染遷移的坡度、河道距離要素,基于洛倫茲曲線結果分析“源-匯”景觀分布格局,實現流域非點源污染風險評價。河道距離要素中“源-匯”景觀集中分布在河道距離(主要是赤田水庫水域范圍)因子的0—0.5范圍(圖10),“源”景觀類型中水產養殖在距水庫較遠區域的分布比重較大,對非點源污染的影響較小,然而“源”景觀類型中耕地布局在靠近水庫區域的面積比重大,易于產生污染風險；坡度要素中“源-匯”景觀分布集中于低坡度因子范圍(圖11),其中林地分布在坡度較高的地區,此種布局有利于防治非點源污染。

根據不同景觀類型在距離、坡度要素中的洛倫茲曲線,計算“源”“匯”類型的洛倫茲曲線構成的累積面積(表 4)并對比“源”“匯”面積,在河道距離要素中累積面積最大的為耕地,其次分別是林地、草地,同時“源”與“匯”累計面積之比的值大于1,說明“源”景觀分布在距水庫較近的區域,污染風險較大；在坡度要素中,累積面積最大的為建設用地,其次為耕地、草地,最小的類型為林地,“源”與“匯”累計面積之比的值大于1,說明“源”景觀分布在坡度較小的區域,污染發生的風險性較低。赤田水庫流域中景觀類型在坡度因素中的分布格局利于污染的截留,保證了易發生污染遷移的區域為“匯”景觀；而在距離因素中的分布則容易促成污染,耕地等“源”景觀距水源地過近,缺少“匯”景觀在水源地附近對污染起截留作用。

4 結論與展望

本文基于遙感技術對赤田水庫水源地進行“源-匯”景觀分類,結合污染負荷對比指數計算每個子流域非點源氮磷污染的污染負荷,在綜合考慮距河道遠近、坡度因子對污染遷移的影響下,計算非點源污染風險指數識別出流域中非點源污染風險區,并基于洛倫茲曲線對水源地景觀分布情況進行風險評價。研究結論如下：

圖10 河道距離因子的洛倫茲曲線Fig.10 Lorenz curves of the factor of “distance from river”

圖11 坡度因子的洛倫茲曲線Fig.11 Lorenz curves of the factor of slope gradient

表4 主要“源”“匯”景觀洛倫茲曲線的面積對比

(1)基于“源-匯”遙感分類結果,結合污染負荷對比指數、坡度、河道距離因子計算非點源污染風險因子能快速有效識別出非點源風險,同時分布區域景觀分布格局對非點源污染的影響,能為飲用水源地規劃管理提供有效依據。

(2)赤田水庫各子流域單元中“源”景觀占主導作用即LCI大于0的子流域占整個區域的23.49%,“匯”景觀占主導作用的子流域占整個區域的76.50%,少部分子流域呈現“源”“匯”作用平衡的情況,流域非點源污染風險總體較小。

(3)基于非點源污染風險指數識別出赤田水庫水源地非點源污染風險呈現東高西低的特點,極高風險區主要分布于流域范圍的東南部地區,占整體區域面積的1.28%,景觀格局以居住用地、建設用地等“源”景觀類型為主,同時距河道較近易于遷移形成非點源污染；低風險區主要位于西北部,以林地景觀為主,非點源污染少、截留作用強。

(4)赤田水庫在坡度要素中“源”“匯”景觀分布較合理,坡度高易產生污染的區域為“匯”景觀分布,能有效防止污染；而在距河道距離要素中,“源”“匯”景觀分布存在“源”距離水源地過近,對污染貢獻大的現象,尤其是耕地分布距水源地較近,在距離水源地近的區域應多布局“匯”景觀,達到污染截留作用,從而降低污染風險。

本文以小范圍子流域為研究單元進行非點源風險遙感評價,子流域單元內降雨、土壤因子相對統一,因此未考慮此類因素的影響,但對于大范圍研究區域,不同流域間降水、土壤等因子也會影響非點源污染分布,后續研究需進一步考慮這些因素對非點源污染風險的影響。