遼河流域干流及部分支流總氮濃度遙感反演研究

王文輝，李 艷，雷 坤，張 萌，魏 明

（1.中國環境科學研究院，北京 100012；2.沈陽理工大學，沈陽 110159；3.復旦大學大氣科學研究院，上海 200438；4.中國科學院西北生態環境資源研究院，蘭州 730000）

0 引 言

水質監測通過對水污染物含量的定量分析，客觀評價一個地區水污染程度，為水污染防治和水環境管理提供決策服務［1］。水體中TN 的豐歉與水體是否富營養化、水生生物能否平衡密切相關，是衡量水環境質量的重要指標［2］，長期以來，生活污水、含氮工業廢水的大量排放及耕地化肥的施用，引起地表水水體TN 含量升高，導致溶解氧（Dissolved Oxygen，DO）濃度急劇下降，水生生物平衡被破壞，水環境質量一度下降到無法滿足飲用和灌溉的需求。遼河流域作為我國最大工業基地所在地，接納了遼寧省境內大多數冶金、石化、藥物和印染等重污染行業的廢水，水污染狀況嚴峻。自1997年以來，遼河流域的水污染治理經歷了從單一的控源截污到流域的污染綜合治理［3］，“十一五”、“十二五”期間遼河流域以氨氮（NH3-N）作為水污染防治的重點關注指標之一，參與水環境質量的監測與評價，污染程度有所緩解，但通過水質監測數據來看，水質達標狀況不穩定，水污染控制程度仍不樂觀：2013-2018年五年間，劣Ⅴ類斷面占比增長16.7%，2019年又降低11.8%?！笆濉庇痔岢鲞M一步的要求，將TN也列入水環境監測的重要指標。

對水污染物的監測通常以人工現場采樣并進行實驗分析的方式，或在線自動分析儀器來完成［4］。近年來隨著空間探測技術的革新，水環境遙感技術相比于傳統的手段，具備監測范圍廣、速度快、成本低及便于進行動態監測的優勢［5］，而且還能在一定程度上解決歷史數據難獲取的問題，因此受到眾多研究人員的青睞。早期水環境遙感在研究區域上較多地居于海洋、湖庫等寬闊水域，隨著傳感器成像空間分辨率的提高，逐漸拓展到小面積水域的河流；研究內容從水域的定性識別［6］發展到水質參數的定量估計［7，8］；研究方法經歷了從分析法［9，10］到經驗法［11］，再到半經驗-半分析法［12，13］的耦合。

對TN 遙感監測的研究以經驗法和半分析-半經驗法為主。經驗法類似于“黑箱”，在一定程度上忽略光在大氣與水體之間的傳輸過程，基于TN 濃度與遙感反射率之間的相關關系，以統計學的方法完成對TN 濃度的反演，無需大量的長時序實測數據，具有易操作的性質，這種方法的核心在于遙感數據源與敏感特征選取，不乏有大量學者對此進行深入的研究，如Torbick等［14］利用TM 影像對密歇根州42 個湖泊的TN 濃度反演取得了較好的結果；雷坤等［15］利用另一種遙感數據源（CBERS-1-CCD），建立了太湖表層TN 濃度的反演模型（MRE=12.2%）；何報寅等［16］、楊柳等［17］則以ETM+影像，分別反演武漢東湖和溫榆河TN 濃度，取得了較好的結果；而王學軍等［18］通過單波段、多波段組合和主成分分析的方式選擇敏感特征，基于TM 影像反演了太湖TN 濃度。隨著高光譜技術的發展，研究人員又嘗試利用基于實測光譜的半分析-半經驗法，以期取得更準確的TN反演結果，如鞏彩蘭等［19］通過分析實測高光譜歸一化值、波段比值和微分值與TN 濃度的相關性，以656.53 nm 反射率歸一化值與880 nm 反射率歸一化一階微分值反演了黃浦江TN 濃度；徐良將等［20］同樣以實測光譜，通過微分和波段比值的方式，發現455 nm 反射率微分值與1 015/528 nm 反射率比值為TN 濃度最敏感變量，并得到了R2=0.839 的TN 反演模型。近幾年面對TN反演準確度較低的問題，以機器學習為基礎的非參數算法無需確定目標函數的形式，具有更高的靈活性與泛化性，表現略勝一籌，王建平等［21］以人工神經網絡模型對鄱陽湖TN 濃度的反演研究、王云霞［22］以最小二乘支持向量機法對遼寧清河水庫的TN反演，都取得了較好的結果。

大流域尺度河流水體水質遙感監測受遙感成像空間分辨率、成像幅寬等諸多因素的制約，有待進一步認識。在充分了解遙感水質監測優勢和發展現狀的前提下，針對遼河流域干流及部分主要支流，采用最大坡度下降算法選取純水體像元，利用GF1-WFV 遙感影像反演TN 濃度，及時掌握TN 在流域尺度上的時間、空間變化狀況，為大流域尺度河流水體的TN 反演研究積累一定的經驗參考和數據，為遼河流域水生態環境精細化管理與保護提供科學依據。

1 研究區域概況與數據采集

1.1 研究區域概況

遼河流域（40°31＇～45°17＇N，116°54＇～125°32＇E）位于遼寧省境內，流域面積約21.9 萬km2，流域內有遼河、渾河和太子河三大水系。流域覆蓋遼寧省鐵嶺、沈陽、撫順等8 個地市全境，及黑山、北鎮和彰武等4縣（市）。由于地處東北老工業基地，長期以來形成了以煤炭與石油開采、焦化和鋼鐵等重工業為主的工業結構，導致污染排放強度高，致使遼河流域污染狀況愈加嚴峻。自“九五”被列為國家重點治理的流域至今，遼河流域干流河段COD 劣V 類已基本被消除，部分區域生境有所恢復，水質退化的趨勢已經得到基本的控制，但水質達標狀況依舊不穩定：2016年考核斷面水質達標率為80%，2017年同比增長3.7%，到2018年又同比下降27.4%；水質優良比例（Ⅰ～Ⅲ類）從2016年的32%增長到2017年的46.9%，2018年又下降了7.3%；喪失水體使用功能（劣V類）占比總體呈上升趨勢。

1.2 數據采集與預處理

1.2.1 水質數據

選取流域面積在1 000 km2以上的支流，以谷歌地圖（Level=14，空間分辨率約為17 m）為底圖，采用人機交互的方式在支流入干前，選取水陸區分度較高、水面寬度大于1 個像元的區域，布設水樣采集點位；干流水樣采集點位的布設方法與支流相同，盡可能上中下游均布設點位；布設的點位盡量與日常監測點位保持一致，以便對數據進行補充。全流域布設40個水質采樣點位（圖1）。于2018年4-9月，每月4-10 號采集水樣并分析水質。

圖1 采樣點位布設Fig.1 Layout of sampling points

1.2.2 遙感數據

對比非商業多光譜遙感數據之間的參數，綜合考慮遙感衛星成像的時間、空間分辨率，及成像幅寬和數據的批量易獲取性：高分一號WFV（GF1-WFV）在星下點成像空間分辨率（16 m）上優于Landsat 系列（30 m，Landsat8 融合后為15 m）、MODIS（最高250 m）和HJ1A、1B（30 m），在成像幅寬（800 km）、成像時間分辨率（2 d）和數據批量易獲取性上要優于Sentinel-2，多光譜相機成像譜段涵蓋藍光（0.45～0.52 μm）、綠光（0.52～0.59 μm）、紅光（0.63～0.69 μm）和近紅外光（0.77～0.89 μm），滿足研究的需求。選用GF1-WFV 數據作為研究遼河流域干流及主要支流TN濃度反演的遙感數據源。

從資源衛星應用中心網站（http：//www.cresda.com/CN/）篩選并獲取云量小于10%的研究區域GF1-WFV遙感影像，7月全月云量較多，不能滿足研究需求，因此保留了4-6月、8-9月的影像，共計25 景，成像時間與水樣采集時間準同步（±5 d）。依次按照輻射定標、大氣校正、正射校正的順序，基于IDL語言，集成了ENVI5.3 下的輻射定標、FLAASH 大氣校正和正射校正模塊，對GF1-WFV 影像形成流程化的批量處理程序，其中正射校正所使用的DEM數據為ASTER GDEM。

2 研究方法

2.1 數據分析

2.1.1 TN濃度潛在特征構造

GF1-WFV 影像帶寬高，波段少，但通過波段之間的數學運算可以增強或屏蔽某些信號［23］，使有用的信號更為突出。在GF1-WFV 四個波段的基礎上，參考相關研究［24］，以雙波段、三波段、四波段組合的方式構建了59個TN濃度潛在特征，累計63個潛在特征，計算方式見表1。

表1 TN濃度潛在特征Tab.1 Latent features of TN concentration

2.1.2 純水體像元與水體提取

水體的反射率通常小于其他地面物體，純水體像元（遙感影像中只包含水體的像元，以GF1-WFV 為例，1 個像元為邊長16 m 的正方形）的歸一化植被指數（NDVI）值一般不大于0，為了確保最大限度地降低偶然誤差，采取最大坡降算法［25］，以采樣點的像元為中心，固定與其相鄰的8個像元，計算中心像元與臨近像元的坡降度［式（1）］，選取坡降最大的臨近像元作為采樣點的純水體像元。

式中：Drop為中心像元與臨近像元的坡降度；NDVIcenter為中心像元的NDVI值；NDVIε為 與中心像元臨近像元的NDVI值，ε=1，2，3，…，8；L為中心像元與臨近像元的距離，對角線臨近像元，其余臨近像元L=16。

GF1-WFV 不具備中紅外波段，無法計算MNDWI，故以NDWI計算結果結合人機交互的方式進行水體的提取，GF1-WFV影像NDWI計算見式（2）。

式中：Rrs(B2)為綠波段遙感反射率，GF1-WFV 為第2 波段；Rrs(B4)為近紅外波段遙感反射率，GF1-WFV為第4波段。

2.2 參數回歸模型

參數回歸模型對自變量和因變量之間有明確的函數式，通過分析潛在特征與TN 濃度的相關性，確定TN 濃度的敏感特征，以TN 濃度作為因變量，敏感特征作為自變量，建立一個相關性較高、且具有明確函數關系的方程，實現對TN 濃度的反演。但高維度的可能存在冗余特征，將這些特征全部引入模型，雖然擬合效果較理想，但冗余特征的共線性會過度稀釋有用特征的信息量，使目標值的特征難以被解釋。逐步回歸的方法將特征逐個引入模型，根據特征對目標值的解釋度剔除掉冗余特征，從而保留解釋度較高的特征。按照8∶2 的比例分割數據集，采用逐步線性回歸的方法，80%的數據來建立逐步回歸模型，剩余20%以作驗證。

2.3 非參數回歸模型

非參數回歸是隨著近年機器學習的興起而衍生的一類算法，這類算法根據特征集預測目標值時，無需假設目標函數的形式，具有更高的靈活性與泛化性能。采用隨機森林［26］（Ran‐dom Forest，RF）和極端梯度提升［27］（Extreme Gradient Boosting，XGBoost）兩種非參算法探索遼河流域干流及主要支流TN 濃度反演最優方式。同樣按照8∶2 的比例分割數據集，80%的數據作非參數算法的訓練集，其余的20%驗證算法的預測準確度。

2.3.1 隨機森林算法

隨機森林算法是一種以決策樹為基學習器的有監督集成學習算法，面對回歸分析的問題時，取多個決策樹預測結果的均值作為目標值，具有泛化能力突出、易于實現、抗噪能力強、計算速度快等優勢，有利于遼河流域干流及主要支流TN 濃度的預測。RF 在訓練的過程中使用bootstrapping 抽樣方法，約有36.8% 的數據不會參與RF 的訓練：對于數據集D={Y|X1，…，Xn}，RF先使用這部分數據計算預測錯誤率，隨機打亂某一特征Xa的排序后，再次計算預測錯誤率，取兩次錯誤率之差量化特征Xa的權重，若RF 構建了β個基學習器，則特征Xa的權重為β個基學習器前后兩次預測錯誤率之差的均值，因此RF也具備特征選擇的能力。

2.3.2 極端梯度提升算法

首創于2016年的XGBoost 也是一種集成學習算法，其基學習器可以是樹模型，也可以是線性模型。與RF 不同的是，XGBoost采用了boosting 集成框架，使學習器根據當前的損失殘差，以梯度提升的方式加入另一個學習器，降低損失殘差，通過不斷地迭代達到更高的預測準確率，屬于RF模型的拓展。

2.4 結果驗證

參數、非參數兩類回歸模型反演遼河流域干流及部分支流TN 濃度的準確度采用決定系數（R2）、均方誤差（Root Mean Square Error，RMSE）、平均相對誤差（Average Relative Error，MAE）評價，計算公式見式（3）～（5）。

式中：xi為驗證數據集中第i個樣本的實測值（或實測值對數），i=1，2，3，…，n；xi，p為驗證數據集中第i個樣本的對應的預測值（或預測值對數），i=1，2，3，…，n。

3 結果與討論

3.1 水質變化趨勢與大氣校正結果

從水樣檢測結果來看，遼河流域干流及部分支流TN 濃度較高。240 組TN 濃度檢測結果中超地表水Ⅴ類標準（＞2 mg/L）的占比76.67%，其中4月、9月劣Ⅴ類占比均在80%以上，8月最低為65%。在時間上也存在較大的差異，4-9月變異系數（CV）在0.67～1.14 之間，其中6-8月3 個月TN 濃度均值均小于4 mg/L，低于4-5月、9月［圖2（a）］，由于遼河流域年內降水量分布差異較大［28］，降水集中在6-8月，故而徑流量較大，污染物濃度低。

抽取30%的點位，觀察大氣校正后的光譜曲線，如圖2（b）所示，藍光（B）區普遍呈吸收狀態，隨著波長的增加，約81.1%的點位在綠光（G）區出現明顯的反射，紅光（R）與近紅外（NIR）區反射率逐漸降低，光譜曲線形態整體呈“倒U”形，反射率均小于10%；其余點位峰值由綠光區向紅光區偏移，反射率值高于10%。根據已有的研究［29］：天然水體的反射率普遍居低（小于10%），在綠光區會存在明顯的反射峰，隨著波長的增加，反射率與波長成反比；當水體渾濁或含沙量較高時，反射峰會從綠光區移向紅光區，反射率甚至會高于10%，這種現象通常出現在河流下游區域。大氣校正結果接近準確。

圖2 TN濃度（4-9月）與大氣校正后的光譜曲線Fig.2 TN concentration（April to September）and Water spectrum curve after atmospheric correction

3.2 基于參數回歸模型的TN濃度反演

為探究遼河流域干流及部分支流TN 的反演是否可以按季節、水期分布，將時間按照春季（4-5月）、夏季（6-8月）、平水期（5-6月）、豐水期（8-9月）進行劃分。對各月、各季度、各水期TN 濃度的正態分布性進行了檢驗，均不服從正態分布（K-S 檢驗Sig＜P=0.05），故采用Spearman 秩相關系數來描述TN 濃度與63個潛在特征的相關性，以相關顯著的特征參與參數回歸模型的建立。相關性計算結果如圖3所示，4-6月、8-9月、春季、夏季、平水期、豐水期分別與TN 濃度相關性顯著的特征累計為54、26、30、15、5、37、31、41和16個。

圖3 潛在特征與TN濃度的Spearman秩相關性Fig.3 Spearman rank correlation between latent featuresand TN concentration

“3σ”法對異常數據分析后，步進條件設置為0.15＜Per‐cent_F＜0.25，參數回歸模型的建立與驗證結果見表2，4-6月、9月宜逐月反演，8月宜劃分為豐水期來反演，所對應特征組合分別為（X41）、（X41，X1，X11）、（X41，X36）、（X53）和（X53，X49，X17）。隨著敏感特征的逐步增加，R2不斷遞增，F在遞減，但并非最高R2所對應的驗證R2也最高，可能是冗余特征稀釋了敏感特征的信息，產生了過擬合的情況。綜合考慮驗證R2、驗證RMSE和驗證MAE，最終以X41 作為4月和平水期TN 濃度的敏感特征；X53 為8、9月和夏季TN 濃度敏感特征；X41、X1 和X11共同作為5月TN 濃度敏感特征；X41和X36共同作為6月TN 濃度敏感特征；X41、X10、X4 共同作為春季TN 濃度敏感特征；X53、X49 和X17 共同作為豐水期TN 濃度敏感特征。同時從驗證R2來看：夏季參數回歸模型驗證結果最好，5、4、8月、平水期和9月次之，6月、豐水期和春季居后；但從驗證RMSE和MAE來看，夏季和平水期均要高于6月，因此6月TN 濃度不宜劃分為夏季來反演；8月驗證RMSE雖然小于夏季，但與豐水期相比，驗證RMSE與MAE較高，且在模型建立時R2也不及豐水期，因此8月TN濃度宜劃分為豐水期來反演，4-6月、9月逐月反演。

表2 TN濃度反演的參數回歸模型Tab.2 Parameter regression model for TN concentration inversion

3.3 基于非參數回歸模型的TN濃度反演

非參數回歸模型能夠很好地處理高維特征數據，先將63個特征全部引入RF 的訓練，超參數的尋優采用3 折交叉驗證（20%的驗證數據）與網格搜索法。從預測結果的準確度上來看（圖4），非參算法反演TN濃度宜逐月進行。圖4中曲線為R2，柱狀為特征權重，隨著將特征按照權重高低依次加入RF，R2不斷波動，總體呈上升趨勢，到曲線尾部逐漸趨于平直?？梢园l現：并不是所有的特征都參與到RF 的訓練才使得R2最高，因此非參算法反演TN濃度時，先要對特征進行篩選。

圖4 RF反演TN濃度學習曲線Fig.4 The learning curve for RF inversion of TN concentration

為了使特征的可解釋性更高，進一步壓縮特征維度，取RF驗證集最高R2對應的特征組合與Spearman 秩相關性顯著的特征組合的交集XS=Xrf∩XSpearman，在XGBoost 中進行逐月反演，超參的尋優同樣采用3折交叉驗證（20%的驗證數據）與網格搜索，從圖5可以看出：整體的反演效果相比RF略有提升，MAE分布在7.27%～26.99%之間，5月最佳，8月R2較低，TN 濃度大于10 mg/L時，反演效果較差。

圖5 XGBoost反演TN濃度的結果Fig.5 XGBoost inversion results of TN concentration

此外，通過對比，非參數回歸模型與參數回歸模型類似，特征X41，即（B1+B3）/B2均為4-6月逐月、春季、平水期TN濃度的敏感特征；在特征X41 的基礎上加入B4 后，生成（B1+B3+B4）/B2即特征X51，均為8-9月逐月、夏季、豐水期TN濃度的敏感特征。從每月水樣采集期間水文監測站泥沙含量來看［圖6（a）］，8、9月日均泥沙濃度分別為0.044 91、0.054 44 kg/m3，明顯高于4-6月［0.022 34 kg/m3，0.025 39 kg/m3］；從遙感反射率來看［圖6（b）］，B3 波段（R）到B4 波段（NIR），8、9月反射率開始增高，而4-6月均呈下降趨勢。由于8、9月泥沙濃度的升高，水體較為渾濁，引起水體光譜反射率的變化，反射峰值移動到NIR［23，29］，而水體中的氮元素會以泥沙作為吸附載體［30］，故NIR 波段反射率對8-9月TN濃度的反演起到重要的作用。

圖6 采樣期間撫順（二）站日均泥沙濃度和遙感反射率Fig.6 During the sampling period，the daily average sediment concentration and remote sensing reflectivity of Fushun（2）Station

3.4 模型適宜性評價及誤差分析

對比兩類算法反演結果表明：使用XGBoost 模型的反演效果較好，適合遼河流域干流及部分主要支流TN 濃度反演。由于水體的光學特性較為復雜，影響因素眾多［31-33］，可以說明遼河流域干流及部分支流TN 濃度與遙感反射率（或組合）之間不具有明確的線性關系，非參數回歸模型類似于“黑箱”，無需確定的函數關系，且對復雜的高維特征也能夠較好地應對。

XGBoost 模型反演遼河流域干流及部分支流TN 濃度的實測值與預測值之間存在7.27%～26.99%的相對平均誤差?？赡苡梢韵略蛞穑?/p>

（1）流域尺度遙感數據的局限性。亞米級分辨率的遙感影像對于細小河流的觀測效果固然更好，以GF2-PMS 影像為例，23 km 的成像幅寬對方圓21.9 萬km2的遼河流域而言，經濟適用性較低。國產GF1-WFV 成像空間分辨率比廣泛使用的Landsat 系列等要高，盡管在采樣時盡可能選取在河道中央，但對于河寬不足16 m的河段，單個像元內混合了河流及兩岸其他物體的信息，其記錄的反射率值仍可能不屬于真實水體。

（2）大氣校正的系統誤差。FLAASH 大氣校正模型能最大程度上消除大氣對地表真實情況的影響，盡可能達到逼真的效果，但校正過程中所使用的經驗參數無法消除衛星成像整個過程中的系統誤差，影像所記錄的地表信息與實際不完全相符。

（3）水質監測數據與遙感數據的時間吻合度。水質與遙感反射率都是水體的瞬時信息，水樣采集時間與衛星成像時間雖控制在±5 d 以內，但這段時間內采樣點的TN 濃度是存在波動性的，總會存在差異，客觀上與遙感反射率不完全吻合。

3.5 TN濃度的時空分布

對三條水系的反演結果進行局部展示（圖7），從時間上來看，遼河流域干流及部分支流TN 濃度在4-6月、8月期間呈逐月遞減趨勢，9月又開始增加，豐水期低于平水期與枯水期；從空間上來看，太子河本溪段下游TN 濃度在0.43～8.02 mg/L，明顯優于清河入干前（0.96～8.17 mg/L）和渾河沈陽城區段下游（1.13～9.88 mg/L）。

圖7 遼河、渾河和太子河局部反演結果Fig.7 Local inversion results of Liaohe，Hunhe and Taizihe

清河在入干前與渾河沈陽城區段下游TN 濃度在時間上的變化趨勢一致，4-5月明顯高于6、8、9 三個月。據《遼河治理攻堅戰支流河目標清單》，清河支流馬仲河、渾河上游撫順段支流東洲河、章黨河、將軍河為重污染河流，考核斷面水質現狀均為劣Ⅴ類，且2018年上半年清河支流寇河進行了河道清淤工程，這期間水質較差，可能是支流匯流對干流的水質產生了較大的影響；此外，2018年上半年，受降水影響，渾河流量同比減少47.9%，且撫順、沈陽城區筑壩較多，使水流不暢，水質也可能會隨著變差。

4 結 論

目前對湖庫等寬闊水域水環境參數定量遙感反演的研究相對成熟，大流域尺度河流水體因受遙感成像空間、時間分辨率與幅寬的制約，有待進一步認識。以遼河流域為研究區域，TN 為反演對象，利用2018年4-9月（不含7月）實測水質數據和準同步GF1-WFV 遙感影像，基于參數、非參數兩類回歸模型，對遼河流域干流及部分支流TN 濃度進行了反演研究，得出結論：

（1）GF1-WFV 影像空間分辨率16 m，時間分辨率2 d，成像幅寬800 km，多光譜相機成像譜段涵蓋藍、綠、紅和近紅外4 個波段，大氣校正后的反射率普遍小于10%，綠光區為反射峰，隨著波長的增加，反射率下降，滿足遼河流域干流及主要支流TN濃度反演的需求。但8-9月（豐水期）由于降雨沖刷導致泥沙量增大，反射峰朝近紅外偏移，水體中的氮元素會吸附在泥沙上，因此近紅外波段反射率在8-9月遼河流域干流及部分支流TN濃度反演中具有重要意義。

（2）遼河流域干流及部分支流TN 濃度與遙感反射率（或組合）之間線性關系較弱，使用參數回歸模型反演結果不及非參數回歸模型。非參數回歸模型中，極端梯度提升的樹模型（XG‐Boost）比隨機森林（RF）反演效果更好，4-6、8-9月逐月的R2均在0.575 以上，RMSE在0.54～1.899 之間，MAE在7.27%～26.99%之間。當TN濃度在10 mg/L以上時，反演效果不理想。

（3）內陸水體的光學特性較為復雜，影響因素眾多，遼河流域干流及部分支流TN 濃度反演需多個特征參與。與TN 濃度相關的潛在特征中存在非相關、低相關的冗余特征，不僅不能提高反演的準確度，還難以被解釋，因此使用XGBoost模型前要對特征進行選擇。取RF 驗證集最高R2對應的特征組合與Spearman 秩相關性顯著的特征組合交集（XS=Xrf∩XSpearman）的方式能夠較好地完成對特征的選擇。

（4）2018年遼河流域干流及部分支流TN 濃度在時間上存在較大的差異，4-6月明顯高于8-9月，8月達到最低（1.675～7.675 mg/L）；受清河支流馬仲河、寇河，渾河上游撫順段支流東洲河、章黨河、將軍河劣Ⅴ類水體匯流，以及渾河流量減少的影響，4-5月清河入干前（1.47～8.17 mg/L）和渾河沈陽城區段下游（1.13～9.88 mg/L）TN 污染情況比太子河本溪段下游（0.48～8.02 mg/L）嚴重。