该研究探讨了通过整合SWAT模型与多变量统计分析，以识别影响水质的关键因素及阈值，定位非点源污染的关键源区。研究在美国阿拉巴马州和佛罗里达州的Choctawhatchee流域展开，重点考察森林覆盖率和人类活动对氮磷污染的影响。基于SOMs的逐步线性回归分析结果表明，森林覆盖率与总氮和有机氮、磷浓度呈负相关，而人类开发区域比例与总磷浓度呈正相关。研究还利用ROC曲线分析确定了37.47%的森林覆盖率和20.26%的人类开发区域比例作为阈值，这些关键源区仅占流域的28%，但贡献了流域47%的总氮和50%的总磷。该研究强调了多变量统计与基于物理过程的建模结合的有效性，为流域管理提供了科学依据。
注：*p<0.05，***p<0.001；TN，总氮；ORGN，有机氮；TP，总磷；ORGP，有机磷；Forest，森林在子流域中的百分比；Source，已开发地区（包括高、中、低密度）和栽培作物在子流域中的百分比；MEAN_pop，子流域中的大众化区域；PAFRAC，周长面积分形维数
表1 水质和自变量之间基于SOM的线性回归分析
图1 研究区Choctawhatchee流域
图2 研究工作流程
图3 通过SWAT建模得出的养分空间模式
总氮 (TN)、有机氮 (ORGN)、总磷 (TP) 和有机磷（ORGP）均采用詹克斯自然断裂法进行可视化分析
图4 自变量、TN和TP的相关系数热图
MEAN_Pop、MEAN_Imp和MEAN_night分别表示人口区、不透水面和夜间遥感指数在每个子流域的平均值
图5 包含森林土地覆盖和源土地利用百分比的各子流域中的营养物散点图
经过训练的SOM的质量图表明，具有6×6个神经元的SOM对于表示水质数据是可靠的（图6A）（每个圆圈中的点表示每个神经元中分类的子流域数量）。水质数据集的SOM（图6B）显示TN、ORGN、TP和ORGP表现出相似模式
图7 氮（1）、磷（2）和森林土地覆盖的箱形图以及每个SOM神经元的源土地利用百分比
图8 ROC曲线分析以确定潜在阈值
结果表明，森林百分比为37.47%，源土地利用百分比为 20.26 %
图9 潜在关键源区识别：森林百分比小于37.47%（红色），源土地利用百分比大于20.26%（黄色），以及同时满足这两个标准的区域（橙色）
1、研究表明，流域中森林覆盖与总氮、总磷等水质指标之间存在明显的负相关关系。通过ROC曲线分析，确定了37.47%的森林覆盖率和20.26%的人类开发区域比例为水质变化的关键阈值。当森林覆盖率低于37.47%或人类开发区域比例高于20.26%时，水质会显著恶化。这些阈值为水质管理提供了明确的标准，有助于识别和优先管理关键污染源区。
2、基于阈值分析，研究识别出流域内关键源区，虽然这些区域仅占流域总面积的28%，但对总氮和总磷负荷的贡献分别达到47%和50%。这说明这些区域是非点源污染的主要来源，通过在这些区域实施有效的水质管理措施可以大幅度提升流域整体的水质。
3、该研究将“源区”定义为人类开发区域（农业用地和开发用地），发现这些区域比例的增加与水体中总磷浓度增加呈正相关，而森林被视为“汇区”，其增加可以减少氮和磷的浓度。说明在流域的不同子流域中，土地利用的差异将显著影响水质指标，森林覆盖率的维持和农业、城市用地的合理规划对水质保护具有重要作用。
4、该研究将SOMs与传统的SWAT模型结合，利用SOMs对流域数据进行了聚类和降维分析，成功识别了水质变化的驱动因素。通过SOMs的聚类分析，研究能够更加精确地理解不同土地利用类型对水质的影响，为水质管理决策提供更直观的参考。
本研究通过整合SWAT模型和多变量统计分析方法，确定了水质改善的关键区域和土地利用阈值，为水质保护提供了科学依据和管理建议。这种方法为其他流域的水质管理提供了可操作的参考，尤其是在优先保护关键源区和合理规划土地利用方面具有显著的应用价值。研究利用SWAT模型、多变量统计分析、SOMs进行分析，精准识别了污染源，展示了在生态系统复杂数据聚类、数据降维和模式识别中的实际效果。这一技术应用为复杂生态系统中的污染源识别、关键驱动因素分析提供了新思路，尤其是在人为活动和自然因素共同作用下的流域环境管理领域，可以提升数据分析的效率和决策的科学性。此外，研究提出将同位素分析纳入未来研究，可进一步追溯营养物质的具体来源，如区分农田径流、大气沉降和废水排放等。通过这种逐步提升研究精度的做法，可以为复杂污染背景下的水质管理提供渐进的解决方案，适合应用于有多种污染源且污染成因复杂的区域。
文章信息
Fang S, Deitch M J, Gebremicael T G, et al. Identifying critical source areas of non-point source pollution to enhance water quality: Integrated SWAT modeling and multi-variable statistical analysis to reveal key variables and thresholds. Water Research, 2024, 253: 121286.
DOI:
https://doi.org/10.1016/j.watres.2024.121286
本文来源：流域面源污染控制与水环境修复。
若有侵权，请联系下方微信删除或修改！
