湿地水质研究.docx

1、湿地水质研究湿地水质研究作为水陆交界处的自然过渡区，湿地是自然界非常重要的人类生存环境和生态景观之一，在调节气候、 调蓄洪水、 净化水质、 维持生物多样性等方面发挥着十分重要的作用. 但是，近年来伴随着中国经济的高速发展，城区全面扩张，人口急剧增加，湿地受到越来越严重的破坏. 湿地面积大量减少，水污染程度日益加重，生物多样性逐渐消失，湿地生态功能严重退化. 为此，国内许多城市建立了湿地公园，使其在承担一般公园游憩休闲功能的同时，也承担着类似自然保护小区的生态功能. 希望借此探索出一条协调城市化发展过程中湿地保护与科学利用的发展模式.一方面，湿地土地利用类型的变化会影响湿地公园内部原有的景观结构

2、，改变湿地公园的生态过程，影响着湿地公园的健康状态. 另一方面，水作为湿地生态系统中最重要的特征之一，是湿地物质循环和能量流动的核心载体. 湿地水质的健康状态也影响着湿地公园的健康状况. 因此，研究土地利用类型和湿地水质之间的关系，可以为湿地公园水土资源可持续利用、湿地保护与管理提供科学依据. 国外学者基于GIS与遥感等技术，使用统计分析方法初步探明了土地利用类型与水质之间存在着紧密联系，土地利用类型的构成方式可以显著影响到水质. 湿地土地利用类型与水质化学性质之间，湿地水体中的氮、 磷含量与周围林地面积以及与湿地的距离之间均存在明显相关性. 国内学者则在太湖、 新安江、 九龙江、 洱海和艾比

3、湖等流域探讨了土地利用结构与水质之间的关系. 有研究表明城市建设用地、 未利用地、 林地、 水体等土地利用类型均与水质存在明显的相关关系. 由于不同尺度的流域生态过程及水质均存在明显的时空差异，这导致湿地生态系统中土地利用与湿地水质之间的关系错综复杂. 上述研究侧重于土地利用类型构成和土地利用空间格局与湿地水质之间的响应关系，大多将单个的土地利用类型与单个水质监测指标作相关性分析. 一些学者建立了能够衡量多种土地利用类型之间复合关系的综合指标，但较少研究在时空差异条件下土地利用类型综合指标与湿地水质之间的联系.本研究以苏州太湖三山岛国家湿地公园为例，通过构建基于主成分分析的水质综合指数与代表土

4、地利用类型综合效应的景观开发强度指数，揭示在不同时空条件下多种土地利用类型对湿地水质的综合影响与相关性，以期为湿地公园水污染防治和土地利用优化方案提供理论依据和技术基础，并为湿地保护和管理活动提供科学指导.1 材料与方法1.1 研究区概况苏州太湖三山岛国家湿地公园位于苏州城西太湖之中的三山岛区域，总面积6.252 km2，依托三山岛、 泽山岛等岛屿及毗连太湖水域构建而成，是全国第一个以村级和岛屿形式创建的国家级湿地公园. 地理坐标介于东经1201645-1201755，北纬310125-310230. 该湿地公园是在退渔还湿的基础上，通过恢复三山岛原有的湖滨带而形成的湿地. 受太湖小气候环境影

5、响，三山岛水热资源丰富，气候温和宜人，空气湿润. 年平均气温16，年平均降雨为1 100-1 140 mm，年平均湿度76%，具有良好的人居环境. 研究范围包括三山岛、 泽山岛及毗连的太湖水域，如图 1所示.图 1 研究区域及土地利用类型1.2 数据来源与预处理根据苏州太湖三山岛国家湿地公园周边土地利用类型结构及生态系统特征的空间差异，在三山岛、 泽山岛周边水域布设了19个水质采样点(图 1)，分别在2014年7月1日、 2014年9月16日、 2014年12月16日和2015年4月16日进行了4期的水质采样工作. 样品采集后带回实验室，参考已有相关文献，选择总悬浮固体(TSS)、 溶解氧(D

6、O)、 化学需氧量(COD)、 氨氮和硝态氮这5项代表性水质指标，依据地表水和污水监测技术规范(HJ/T 91-2002)进行测定. 测定时为保证结果的准确性，对每个采样点的样品做3份平行检测，取3份平行检测结果的平均值作为最终的水质指标.此外，利用已有的土地利用现状图和遥感影像图，结合野外实地调查结果，得到如图 1所示的7类湿地公园土地利用类型，包括人工水塘、 园地、 建设用地、 林地、 自然水体、 草地和道路，其中建设用地主要指居住用地与商服用地.1.3 基于主成分分析的水质综合指数水质评价作为生态环境质量评估的重要内容之一，涉及到众多的影响因子，在综合评价过程中很难从众多的影响因子中提取

7、重要信息. 主成分分析方法(PCA法)的基本思想是认为在众多相关因子之间必然存在着起支配作用的共同因子. 它可以从许多变量中筛选出相互独立的主要因子，在保留原始重要信息的同时，使主要因子比原始变量具有某些更优越的特性. 由于PCA法具有提取主要因子、 简化数据结构、 避免主观选择等特点，可被应用于水质综合评价中，从众多的水质监测指标中提取真正反映水质优劣的主要信息. PCA法的数学模型为：式中，m为变量因子个数; F1,F2,Fm为提取出的主成分; a11,amm为标准化处理变量Z协方差矩阵特征值对应的特征向量.组合上述主成分，可得到如下的综合评价函数F：式中，1,2,p为Z矩阵的特征值，S=

8、1+2+p; p为主成分提取个数.本研究中，共使用了TSS、 DO、 COD、 氨氮和硝态氮这5项水质监测指标. 对这些指标进行KMO和Bartlett检验，可得KMO的值为0.712，Bartlett的显著性概率P值0.05，说明这些指标之间具有较强的相关性，适用于主成分分析. 考虑到TSS、 COD、 氨氮和硝态氮的数值均与水质呈反比，只有DO指标随着水质的变好而增加. 因此取所有采样点DO指标中的最大值减去各采样点的DO指标原始值，使其数值也与水质呈反比. 经过处理后，所有的指标均随着水质的提高而变小.将每期监测数据的5项水质指标作为变量因子构成原始变量矩阵，使用式(3) 对其进行标准化

9、处理得到均值为0、 标准差为1的标准化数据，以消除原始不同数据量纲和数量级差异的影响. 在此基础上计算标准化数据的相关系数矩阵，并求出特征根和方差所占比例，结果如表 1所示.表 1 主成分分析的特征值与方差式中，Zij表示第i个采样点的第j个指标的标准化值; xij表示第i个采样点的第j个指标的原始测量值; j表示所有采样点第j个指标的平均值; Sj表示第j个指标的标准差. n为采样点个数，t为水质监测指标个数. 本文中n为19，t为5.从表 1可知，前两个主成分的特征值几乎都大于1，前3个主成分方差贡献率的总和分别占总方差的92.2%、 91.2%、 86.8%和93.3%，均大于85%.

10、因此可令p=3，取前3个主成分来代替原来5个变量因子，据此确定因子载荷. 以第一期观测数据为例，主成分因子载荷矩阵如表 2所示.表 2 主成分载荷矩阵根据式(1) 和式(2) ，主成分F1、 F2和F3是水质监测指标的线性函数，综合评价函数F又是主成分F1、 F2和F3的线性函数. 分别计算4期的水质综合评价函数，最后取平均值得到每个采样点水质的综合指数，将其作为衡量水质优劣的依据.以第一期观测数据为例，设标准化后的指标变量分别为ZX1、 ZX2、 ZX3、 ZX4、 ZX5，则主成分表达式为：以各主成分对应的方差贡献率为权重建立水质综合函数：由于经过处理的5项水质监测指标均随着水质的提高而变

11、小，所以F值越小表示水质越好，F值越大则表示水质越差.1.4 土地利用类型的LDI综合指数湿地相关的生物群落健康状况通常与人类活动强度紧密相关，人类活动越强烈，对湿地生态系统健康的干扰也越严重. 作为人类活动的具体表现形式，土地利用可以反映出邻近湿地的健康状况21. Brown等22提出了景观开发强度方法(landscape development intensity，LDI). 该方法结合土地利用类型与单位面积单位能耗的开发强度，测算不同土地利用类型所对应的LDI系数. LDI系数代表了单位面积利用不可再生能量的定量测量值，即不可更新能源能值. 它可以用来表示土地利用类型所消耗的能值，能值消

12、耗越多则对应的LDI系数越大. 最后累积研究范围内不同土地利用类型及其LDI系数，得到LDI综合指数：式中，LDIindex为湿地某区域的LDI综合指数; LUi(%)为第i种土地利用类型的面积占该区域总面积的百分比; LDIi为第i种土地利用类型所对应的LDI系数.本研究中人工水塘、 园地、 建设用地、 林地、 自然水体、 草地和道路对应的LDI系数如表 3所示. LDI系数处于1-10之间，1代表湿地完全为自然健康状态，10代表湿地被人类高度开发利用而极度退化. LDI系数越大，表明湿地受人类干扰强度越大，相应的湿地健康状况越差. 由于LDI系数是根据当地土地利用类型对应的不可更新能源能值

13、估算得到，考虑到能值计算的过程比较复杂，并且受不同国家不同地区经济发展水平的影响而有所差异. 因此在今后的研究中，须根据苏州研究区域实际情况精确测定LDI系数，以提高本文方法的适用性.表 3 湿地区域土地利用类型与对应的LDI系数LDI方法的实质是核算不同土地利用类型的不可更新能源能值. 能值以太阳能焦耳J(hm2a)-1作为衡量单位，表示每年每公顷在能量转换中可利用的生产产品或服务所需要的能量. LDI方法使用湿地生态系统人为的能量输入来表示人类活动对湿地自然环境的整体干扰程度，通过人类对湿地区域土地利用的影响来间接评价湿地健康. 该方法考虑了土地利用类型的构成和综合效应，可以更全面客观地反

14、映土地利用类型对湿地水质的影响.1.5 水质与土地利用类型的关系土地利用与水质的关系往往随着空间位置改变表现出局部变化的特征. 即使在同一研究区域的不同位置，同一土地利用类型对水质的影响在大小、 方向、 距离上均可能表现出不同26. 由于传统的LDI方法仅考虑了土地利用类型的结构组成而没有考虑距离衰减因素造成的影响，本研究采用反距离权重LDI方法27，充分考虑距离在土地利用类型对水质采样点的影响作用. 也就是说，同一土地利用类型距离采样点位置越近，其对水质的影响也越大. 改进的计算公式如下：式中，且满足.i是土地利用类型对应的反距离权重系数，di是土地利用类型斑块重心位置至对应采样点的距离，n

15、是土地利用类型的总数.缓冲区大小的设定直接影响着参与分析的土地利用类型面积和反距离权重系数，决定了LDI综合指数的大小. 在实际应用中，需根据生态学意义和具体评价对象等因素综合确定该范围. 本研究在野外调查的基础上，以采样点为中心，分别设置不同半径的圆形缓冲区，如图 2所示. 利用ArcGIS 10.1软件叠置分析功能的交集操作工具和归纳统计工具，分别统计出各个采样点对应的缓冲区范围内土地利用类型面积及面积百分比，并计算各土地利用类型斑块重心位置到采样点之间的距离. 从而揭示不同土地利用类型结构对不同空间位置水质采样点的影响，探明水质与该点缓冲区内土地利用类型整体结构的关系.图 2 基于采样点的缓冲区分析2 结果与讨论2.1 水质空间分布特征使用主成分分析方法求出每一期水质监测数据对应的水质综合函数F，将不同季节4期数据求出的F再取其算术平均值，以减小季节的影响. 最后将其线性拉伸至1-10区间，得到每个采样点对应的水质综合指数，结果如图 3和表 4所示. 结果表明，研究区域西部的5、 8、 11、 18号采样点，远离人口相对密集、 旅游设施较多的三山岛主岛，受到人为干扰较少，水质较好. 相反，东北部的1、 12、 19号采样点位于旅游核心区域，附近有东