Khảo sát tác động của ô nhiễm nguồn điểm và nguồn diện đối với chất lượng nước trên Đông giang

Khảo sát tác động của ô nhiễm nguồn điểm và nguồn diện đối với chất lượng nước trên Đông giang (Dongjiang), phía Nam Trung Quốc.

Thông tin bài viết:

- Lịch sử bài viết: Nhận ngày 10 tháng 12 năm 2012 Chỉnh sửa lại ngày 27 tháng 3 năm 2013 Duyệt ngày 07 tháng tư năm 2013

- Từ khóa: Đông giang (Dongjiang) Nito Phospho Khu vực nguồn ô nhiễm SWAT - Chỉ số chất lượng nước Sinh viên thực hiện Nguyễn Thị Thanh Tâm: 1022254 Kiều Xuân Vũ: 1022365

Tóm tắt: Hiểu rõ về quá trình vật lý của nguồn điểm (PS), nguồn diện (NPS) ô nhiễm rất quan trọng để đánh giá chất lượng nước và xác định nguồn gây ô nhiễm chính trên lưu vực. Trong nghiên cứu này, chúng tôi sử dụng các pp vật lý dựa trên thủy văn / mô hình chất lượng nước, đất và Công cụ đánh giá nước, để điều tra ảnh hưởng của ô nhiễm PS và NPS đến chất lượng nước của sông Đông (Dongjiang trong Trung Quốc) ở miền nam Trung Quốc. Kết quả cho thấy, ô nhiễm NPS chiếm phần lớn (>94%) chất dinh dưỡng trừ phospho (50%). Một chỉ số chất lượng nước toàn diện ( WQI ) sử dụng 8 chỉ số chất lượng nước cho thấy chất lượng nước thượng lưu tốt hơn hạ lưu mặc dù lượng ammonium nitrogen ở thượng lưu cao hơn. Ngoài ra , sự phân bố theo thời gian ( theo mùa ) và không gian của chất dinh dưỡng chỉ ra khoảng thời gian quan trọng (từ cuối mùa khô đến đầu mùa mưa) và các khu vực nguồn ô nhiễm trong lưu vực (trung lưu và đất nông nghiệp ở hạ lưu), các nhà quản lý tài nguyên có thể áp dụng để giảm đáng kể tải trọng ô nhiễm NPS. Nhìn chung, nghiên cứu này sẽ giúp chúng ta hiểu về mối liên quan giữa các hoạt động của con người và chất ô nhiễm, góp phần hỗ trợ quản lý lưu vực để bảo vệ chất lượng nước trong khu vực. Đặc biệt, phương pháp tích hợp mô hình WQI với lưu vực và xác định khoảng thời gian quan trọng, vùng ô nhiễm có thể hỗ trợ cho các nhà nghiên cứu trên toàn thế giới.

1.Giới thiệu: Suy giảm nước mặt do ô nhiễm PS, NPS gây ảnh hưởng đến hệ thủy sinh và an toàn cấp nước. Ô nhiễm PS chủ yếu gồm nước thải sinh hoạt (nước thải đô thị, khu dân cư) và nước thải công nghiệp (từ nhà máy sản xuất). Ô nhiễm NPS do nước mưa, tuyết tan hoặc nước tưới chảy tràn đưa các chất ô nhiễm vào sông, hồ, vịnh và biển. Ô nhiễm NPS từ nông nghiệp được coi là nguyên nhân chính gây suy thoái chất lượng nước mặt và thu hút được sự quan tâm của cộng đồng

(Darradi và cộng sự, 2012; Hào và cộng sự, 2004; Nasr và cộng sự, 2007; Ongley và cộng sự, 2010; Tang và cộng sự, 2011; Zhang và cộng sự, 2008). Rất khó ước lượng chất ô nhiễm NPS do sự phức tạp của khí tượng thủy văn, các quá trình sinh học, hóa học và sự thay đổi không gian liên quan đến quá trình di chuyển và biến đổi chất ô nhiễm (Ficklin và cộng sự, 2010; Luo và cộng sự, 2008; Nikolaidis và cộng sự, 1998).

Thâm canh trong nông nghiệp phát triển, sử dụng quá nhiều phân vô cơ để nâng cao năng suất cây trồng đã trở thành vấn đề lớn và dẫn đến tăng lượng chất dinh dưỡng. Những chất dinh dưỡng tiếp tục theo nước suối và cửa sông gây ra hiện tượng phú dưỡng cho nhiều hệ sinh thái ven biển và nước ngọt trên thế giới (Alexander và cộng sự, 2008; Cao và Zhu , 2000; Carpenter và cộng sự, 1998; Nixon và cộng sự, 1995; Rabalais và cộng sự, 2002; Schoch và cộng sự, 2009 ; Vitousek và cộng sự, 1997; Wu và Liu, 2012b). Vì thế, việc kiểm tra chất lượng nước bằng cách đo và tính toán tải trọng chất dinh dưỡng trong quy hoạch, quản lý và phục hồi môi trường là rất quan trọng. Tuy nhiên, giám sát chất lượng nước đầu nguồn lâu dài rất tốn kém và mất thời gian (Santhi và cộng sự, 2001), thường không dùng để dự báo các tác động của sự biến đổi khí hậu và đất bề mặt trong tương lai. Trên thực tế, để mô phỏng các quá trình phức tạp trên mặt đất trong một lưu vực sông sẽ có một công cụ hữu ích để kiểm tra hiện trạng chất lượng nước, dự đoán tác động tiềm tàng của khí hậu và thay đổi đất che phủ, để tìm giải pháp tối ưu cho các vấn đề ô nhiễm (Borah và Bera, 2002; Ficklin và cộng sự, 2010; Liu và cộng sự, 2008; Panagopoulos và cộng sự, 2011; Panagopoulos và cộng sự, 2012; Wilson và Weng, 2011; Wu và Liu, 2012a; Wu và cộng sự, 2012a,c; Zhang và cộng sự, 2011;Zhang và Zhang, 2011).

Kinh tế xã hội trên Đông giang phát triển nhanh ( Dongjiang, Trung Quốc ) lưu vực sông ở miền nam Trung Quốc (đặc biệt là khu vực hạ lưu ), nhờ sự tăng trưởng dân số và phát triển công nghiệp, nông nghiệp mạnh mẽ, đã tăng đáng kể

nhu cầu sử dụng nước và tải trọng chất ô nhiễm cho dòng sông và cửa sông (Wu và Chen, 2013b; Wu và các cộng sự, 2012b; Zhou và cộng sự, 2012). Mặc dù nước trong khu vực này tương đối dồi dào (Wu và Chen, 2013a), suy thoái chất lượng nước là mối quan tâm lớn. Vì vậy , đánh giá chất lượng nước khu vực và xác định các nguồn ô nhiễm là nhiệm vụ cấp thiết để tìm ra hướng phát triển bền vững cho địa phương. Để nghiên cứu các quá trình ô nhiễm NPS và PS trên sông Đông, chúng tôi sử dụng Công cụ đa ngành đánh giá Đất và nước (SWAT) để tiếp cận mô hình.

Nghiên cứu gồm 4 nhiệm vụ: (1) đánh giá hiện trạng chất lượng nước ở 2 mặt cắt ngang lớn dọc theo sông, (2) điều tra các thay đổi theo mùa của chất dinh dưỡng do khí tượng thủy văn, (3) xác định khu vực nguồn gây ô nhiễm NPS, và (4) kiểm tra tỉ lệ ô nhiễm PS và NPS trong tải trọng ô nhiễm ở quy mô lưu vực sông.

2.Tài liệu và phương pháp: 2.1. Lựa chọn mô hình: Mô hình SWAT (bản 2005) (Arnold và cộng sự, 1998; Neitsch và cộng sự, 2005) được sử dụng trong nghiên cứu này, phát triển bởi Bộ Nông nghiệp Mỹ (USDA) Dịch Vụ Nghiên Cứu Nông Nghiệp (Agricultural Research Service) (ARS) để thăm dò những tác động của khí hậu và thực hành quản lý đất đai trên nước, trầm tích và năng suất hóa chất nông nghiệp (Douglas- Mankin và cộng sự, 2010; Gassman và cộng sự , 2007). Mô hình vật lý trên quy mô lưu vực sông mô phỏng chu trình thủy văn, sự tăng trưởng của cây, xói mòn đất, chuyển dời bùn cát và năng suất hóa chất nông nghiệp trên một khoảng thời gian trong ngày ( Arnold et al, 1998). Đơn vị thủy văn (Hydrological Response Unit) ( HRU) (Flügel,1996; Flügel, 1997) là đơn vị mô phỏng cơ bản và được định nghĩa là một diện tích đất gộp bao gồm a unique land cover, tính chất của đất , và độ dốc trong SWAT (Neitsch và cộng sự, 2005).

Với chu trình dinh dưỡng đất, SWAT mô phỏng nitơ hữu cơ và khoáng sản (N) và phốt pho (P) phân chia mỗi chất dinh dưỡng vào bể thành phần. Sau đó, N và P có thể tăng hoặc giảm tùy thuộc vào chuyển đổi/ bổ sung/ thất thoát xảy ra trong mỗi bể (Green và van Griensven, 2008; Neitsch và cộng sự, 2005). Đối với giai đoạn chu trình dinh dưỡng dưới nước (tức là chuyển đổi chất lượng nước trong dòng), mô hình SWAT kết hợp các thuật toán QUAL2E (Brown và Barnwell, 1987) để mô phỏng thành phần tương tác và chuyển đổi (Neitsch et al, 2005). Thông tin chi tiết của chu kỳ dinh dưỡng trong đất và giao thông vận tải cũng như chuyển đổi trong nước có thể tìm trong tài liệu hướng dẫn lý thuyết của mô hình (Neitsch et al, 2005).

2.2. Công thức đánh giá chất lượng nước: Để đánh giá chất lượng nước, trong đó bao gồm một số loại chất ô nhiễm, một cách tiếp cận sinh thái nên kết hợp vật lý, hóa học, và các thành phần sinh học để phản ánh tình trạng chất lượng (Chapman, 1996). Stambuk-Gilijanovic (2003), Liou và cộng sự (2004) trình bày các chỉ tiêu chất lượng nước cho mỗi chỉ số (ví dụ, chỉ số chất lượng nước như nitrat N (NO3-N), amoni N (NH4-N), nhu cầu oxy sinh học (BOD), và oxy hòa tan (DO)). Với quy mô này, chỉ số chất lượng nước nói chung và toàn diện (WQI) (Liou và cộng sự, 2004; Stambuk-Gilijanovic, 2003) có thể được tính như sau:

1 n WQI =  Wi .Qi n i =1 Wi là yếu tố trọng của chất lượng nước biến i, Qi là điểm chất lượng liên quan đến nước, n là số lượng các chỉ số chất lượng nước. Mục tiêu của WQI là thông báo về tình trạng chất lượng nước của một khu vực cụ thể. Để đánh giá hiện trạng chất lượng nước của Đông giang với một WQI toàn diện, chúng tôi sử dụng 8 chỉ số chất lượng nước bao gồm khoáng sản N ( min-

N) , N hữu cơ (org -N) , khoáng sản P (min- P), BOD, DO, chất rắn lơ lửng (SS), nhiệt độ (T) và pH (xem bảng 1) tại LC (thượng nguồn) và BL (hạ lưu) gaging trạm.

Sau khi Stambuk - Gilijanovic (2003), Liou và cộng sự (2004), thể hiện trong hình .A.1 (xem Phụ lục A), chỉ số chất lượng nước cho mỗi chỉ số (Qi) trên thang điểm từ 0 đến 100, trong đó 100 cho thấy các điều kiện chất lượng nước hoàn hảo trong khi 0 cho thấy điều kiện chất lượng nước kém.

Sáu chỉ số đầu tiên là từ các mô hình mô phỏng, 2 chỉ số (T và pH) là từ các dữ liệu quan trắc chất lượng nước (GEPMC, 1991-1999). Các trọng số được tham chiếu từ Stambuk - Gilijanovic (2003). Vì chỉ số coliform không có sẵn trong mô phỏng của chúng tôi, trọng số của nó là 0,16 được phân bổ cho 1 chỉ số quan trọng khác (ví dụ, BOD, DO, tổng N (TN ) và min- P). Bảng 1 liệt kê các trọng số cho 8 chỉ số chất lượng nước.

2.3. Khu vực nghiên cứu: Đông giang (tiếng Trung Quốc: Dongjiang) là một trong ba nhánh chính của sông Pearl (Zhujiang, Trung Quốc), là con sông lớn thứ tư về diện tích thoát nước ở Trung Quốc (Niu và Chen, 2010). Lưu vực Đông giang (xem hình 1) nằm giữa vĩ độ 22°34’ và 25°12’N và kinh độ 113°24’ và 115°53’E (Chen và Wu, 2008). Có nguồn gốc từ quận Xunwu tại tỉnh Giang Tây, Đông giang chảy từ đông bắc đến tây nam và đổ vào châu thổ sông Pearl với độ dốc trung bình 0,39‰ (Jiang và cộng sự, 2007). Đông giang là nguồn nước uống cho các khu vực bên ngoài của lưu vực (ví dụ Hồng Kông, Thâm Quyến, Hoàng Phố và Huệ Châu). Trạm đo lớn ở hạ lưu, Boluo (hạ lưu: BL), có diện tích thoát nước 25325 km2, và trạm thượng nguồn, Longchuan (thượng nguồn: LC), có diện tích 7699 km2 ( PRWRC, 1987). Lưu vực Đông giang gần bờ Biển Đông và nằm trong khu vực khí hậu gió mùa là chủ yếu, với lượng mưa biến đổi theo không gian và thời gian (Wu và Chen, 2013a). Mùa mưa bắt đầu từ tháng Tư đến tháng Chín

và thời gian còn lại là mùa khô. Tổng lượng mưa trung bình hàng năm của lưu vực là 1800 mm/năm và lượng nước hàng năm tại Boluo là khoảng 739 m3/s ( 23,3 tỷ m3/năm hoặc 920 mm/năm) (Chen và Ngô, 2012).

2.4. Dữ liệu ô nhiễm PS: Các dữ liệu ô nhiễm PS là đầu vào quan trọng để SWAT. Ô nhiễm PS bao gồm nước thải từ thành phố và công nghiệp. Hình 1a cho thấy tên và địa chỉ của 12 thành phố xả ô nhiễm PS ra Đông giang.

2.4.1. Dữ liệu ô nhiễm PS thành phố: Do việc đo đạc chất lượng và số lượng nước thải từ các thành phố (Hình 1a) là không có sẵn, các dữ liệu tải cần thiết đã được ước tính dựa trên dân số đô thị và dữ liệu nước thải điển hình của Trung Quốc, chất lượng nước (Bảng 2) ( Xiao, 2002). Theo Xiao (2002), các giá trị trung bình của mức độ trung bình và thấp có thể đại diện cho chất lượng nước thải ở miền nam Trung Quốc (xem 2 cột cuối Bảng 2). Theo Zhang và Jorgensen (2005), lượng nước tiêu thụ 200 l/ngày trên bình quân đầu người có thể cung cấp đủ nước trong khu vực. Kết quả là, các chất ô nhiễm bình quân đầu người được phát sinh (xem cột cuối cùng bảng 2).

Bảng 3 liệt kê các số liệu dân số đô thị được thu thập trong năm 1990 và 2000 (GLRO và GDPC, 2003; POCNSD, năm 1996, SCO và PSSCNSD, 2003) từ các thành phố. Tổng lượng chất ô nhiễm thành phố có thể ước tính bằng cách nhân số chất ô nhiễm bình quân đầu người với dân số đô thị. Ví dụ, Bảng 3 liệt kê tải lượng Nito tổng (TN) và phospho tổng (TP) của năm 1990 và 2000, và dữ liệu tải lượng ô nhiễm các năm (1991-1999) ước tính sử dụng nội suy tuyến tính. Do đo đạc liên tục nước thải không có sẵn, phương pháp chúng tôi mô tả ở trên để ước tính lượng chất ô nhiễm thường được sử dụng để thiết kế nhà máy xử lý nước thải ở Trung Quốc (Xiao, 2002). Như vậy, ước tính được giả định là hợp lý.

2.4.2. Dữ liệu ô nhiễm PS công nghiệp: Quan trắc số lượng và chất lượng nước thải trong thời gian dài tại Trung Quốc là thách thức lớn. Dữ liệu giám sát ô nhiễm PS công nghiệp được công bố (BOD, NH4-N và min-P) (xem bảng 4) là thông tin năm 1992 và 10 thành phố trong lưu vực Đông giang (GEPMC, 1992). Tải lượng 2 thành phố (Xunwu và Dingnan), được thiết lập giống với một thành phố gần đó, Heping, vì mức độ phát triển tương tự của các thành phố. Điều đáng chú ý là tải lượng ô nhiễm PS công nghiệp liệt kê trong Bảng 4 được sử dụng cho giai đoạn mô phỏng chất lượng nước năm 1991 đến năm 1999. So với tải công nghiệp (bảng 4), ước tính tải lượng thành phố (Bảng 3) chiếm hơn 80% tổng số tải lượng PS. 2.5. Dữ liệu ô nhiễm NPS: Ô nhiễm NPS chủ yếu từ các hoạt động nông nghiệp (phân bón), lắng đọng khí quyển (ví dụ, N và P có trong nước mưa) và cây phân hủy cặn.

2.5.1. Hoạt động nông nghiệp: Thông qua điều tra thực địa và tài liệu (GLRO và GDPC, 2003), quản lý đất đai đối với đất nông nghiệp mỗi năm gồm 2 vụ và 3 kỳ bón phân cho mỗi vụ trên lưu vực Đông giang. Tập quán canh tác trồng và thu hoạch cây trồng 2 mùa vụ đã được thông qua từ Guangdong Crop Irrigation Estimation (Liang, 1999).

Theo khảo sát nông nghiệp ở Quảng Đông trong những năm 1990, trung bình tổng số phân bón được sử dụng vào khoảng 140 kg/ha/năm, với 70 kg/ha mỗi vụ bắt đầu từ tháng Tư và tháng Tám.

2.5.2. Lắng đọng trong khí quyển: Nước mưa có chứa các chất dinh dưỡng, có nguồn gốc từ ô nhiễm không khí.

Zhang và Jorgensen (2005) cung cấp 6 loại nồng độ N và P trong nước mưa dựa trên mức độ công nghiệp và chăn nuôi for the condition of 1-m mưa mỗi năm.

Vì tỷ lệ khu đô thị trong lưu vực Đông giang là chỉ có 1,4%, và diện tích rừng là

hơn 75%, khu vực nghiên cứu có thể được phân loại ở mức thấp nhất (lớp VI) về nồng độ chất dinh dưỡng (Zhang và Jorgensen, 2005). Sau đó, nồng độ N trong nước mưa đã được ước tính là 0,1 mg/L cho toàn bộ lưu vực đối với lượng mưa hàng năm là 1,8 m và P là 0.005 mg/L dựa trên tỷ lệ N:P (20:1) trong lớp VI. 2.6. Thiết lập mô hình: Các dữ liệu đầu vào thiết lập mô hình SWAT bao gồm dữ liệu về thời tiết, địa hình, tính chất của đất, đất sử dụng và các thông tin quản lý đất đai (Arnold và cộng sự, 2000; Neitsch và cộng sự, 2005). Trong nghiên cứu này, dữ liệu SRTM Mô Hình Độ Cao Kỹ Thuật (Digital ElevationModel) (DEM) với độ phân giải 90-m (Jarvis và cộng sự, 2006) được áp dụng để phân định các lưu vực Đông giang. Để tham số hóa mô hình, ta sử dụng dữ liệu với độ phân giải 30-m thu được từ Viện Hàn Lâm Khoa học Trung Quốc. Số liệu cho thấy 5 loại sử dụng đất chủ yếu gồm đất nông nghiệp, rừng, đồng cỏ, đô thị, chứa nước mặt (xem hình 1b). Theo Guangdong Soil (Guangdong Soil Survey Office (GSSO), 1993), có 3 loại đất chính trong lưu vực Đông giang: đất latosol, đất đỏ và đất trồng lúa. Chúng tôi sử dụng tùy chọn đa Đơn vị Thủy Văn (Hydrological Response Unit) ( HRU), mỗi HRU đại diện cho một loại độ che phủ đất và loại đất, để tách lưu vực thành 271 HRU. Lượng mưa hàng ngày, nhiệt độ không khí tối đa và tối thiểu, tốc độ gió và số liệu độ ẩm tương đối từ 8 trạm thời tiết được lấy từ Trung tâm Chia Sẻ Số Liệu Khí Hậu Quốc gia Trung Quốc (http://cdc.cma.gov.cn/home.do) (xem hình 1).

Dữ liệu bức xạ mặt trời từ Trung Tâm Quốc Gia về Dự Báo Môi trường và Nghiên

cứu

quốc

gia

(NCEP/NCAR)

(http://www.esrl.noaa.gov/psd/data/reanalysis/reanalysis.shtml) Ngoài ra, ô nhiễm PS và NPS như mô tả trước đây (xem mục 2.4 và 2.5) đã bao gồm trong các thiết lập mô hình.

2.7 . Xác thực và hiệu chỉnh mô hình: Dòng chảy. Trong các nghiên cứu trước đó (Chen và Wu, 2012; Wu và Chen, 2013a), chúng tôi đánh giá hiệu suất SWAT trong mô phỏng dòng chảy tại BL trong lưu vực Đông giang dùng 8 năm (1973-1980) để hiệu chỉnh và 8 năm (1981-1988) để xác thực. Đánh giá mô hình cho thấy dòng chảy được mô phỏng tốt với Nash Sutcliffe Efficiency (NSE ) hằng ngày là 0,84 cho hiệu chỉnh và 0.82 để xác thực, trong khi đó giá trị NSE hàng tháng có thể đạt 0.93 cho hiệu chỉnh và 0.90 để xác thực (Chen và Ngô, 2012).

Trầm tích. Trong một nghiên cứu trước đó (Wu và Chen , 2012), chúng tôi đánh giá việc thực hiện mô hình mô phỏng trầm tích tại BL trong lưu vực Đông giang với thời gian hiệu chỉnh (1973-1980 ) và thời gian xác thực ( 1981-1988). Đánh giá mô hình cho thấy mô phỏng trầm tích hàng tháng đạt yêu cầu với NSE là 0,69 và 0,67 cho hiệu chỉnh và xác thực (Wu và Chen, 2012).

Do không quan sát dòng chảy và trầm tích trong giai đoạn nghiên cứu (19911999) nên chúng tôi đã không tái hiệu chỉnh mô hình nhưng sử dụng dòng chảy và các thông số trầm tích tương tự từ các nghiên cứu trước đây của chúng tôi (Chen và Wu, 2012; Wu và Chen, 2012, 2013a).

Chất lượng nước. Trong nghiên cứu này, chúng tôi sử dụng các số liệu tải trọng gây ô nhiễm bao gồm NH4-N, N nitrit (NO2- N), NO3- N, BOD, DO và TP đột xuất theo dõi tại LC và BL để hiệu chỉnh và xác thực mô hình SWAT đối với mô phỏng chất lượng nước. Cần lưu ý rằng số liệu quan trắc hàng tháng ðýợc xuất bản bởi Trung Tâm Quan Trắc và Bảo Vệ Môi Trýờng Quảng Ðông có giá trị vào 1991-1999 (GEPMC, 1991-1999). Kết quả ðánh giá của mô hình chất lượng nước được trình bày trong mục 3.1.

3. Kết quả: 3.1. Kiểm tra mô hình:

Như đã nói ở trên (xem phần 2.7), các dòng chảy hàng ngày và số liệu trầm tích ở lưu vực cửa ra (BL) trong 16 năm (1973-1988) được sử dụng cho mô hình hiệu chỉnh (1973-1980) và xác thực (1981-1988) trong nghiên cứu trước đây của chúng tôi (Chen và Wu, 2012; Wu và Chen, 2012, 2013a). Trong nghiên cứu này, do dữ liệu quan trắc chất lượng nước có sẵn, trong 4 năm (1991-1994) chúng tôi quan sát dữ liệu tải trọng gây ô nhiễm cho các mô hình hiệu chỉnh và phần dữ liệu còn lại (1995-1999) để xác thực. Các thông số chất lượng nước liên quan trong SWAT được hiệu chỉnh (xem bảng 5) bằng cách so sánh 6 chỉ số mô phỏng chất lượng nước (ví dụ: NH4-N, NO2-N, NO3-N, BOD, DO và Tổng P (TP)) với các chỉ số quan trắc. Hình 2 cho thấy các chỉ số mô phỏng và quan trắc chất lượng nước hàng tháng. Mặc dù số lượng dữ liệu quan trắc bị hạn chế, so sánh hình ảnh cho thấy SWAT có thể cung cấp các ước tính chấp nhận được bởi vì mô hình mô phỏng có thể nắm bắt được thay đổi theo mùa của các chỉ số chất lượng nước với phạm vi hợp lý khi so sánh với các chỉ số quan trắc.

3.2. Tình trạng chất lượng nước: LC (thượng lưu) và BL (hạ lưu) TP (tổng Photpho)

Hình 3a cho thấy tải lượng trung bình min-N (NO3-N, NH4-N và NO2-N), orgN, min-P, và org-P trong 9 năm tại LC và BL, và hình 3b cho thấy trung bình SS, BOD, DO và WQI trong khoảng thời gian tương tự. Trừ SS, 8 chỉ số chất lượng nước khác cho thấy chất lượng nước thượng nguồn (LC) tốt hơn so với hạ lưu (BL). WQI toàn diện (Hình 3b) tại LC là 89, cho thấy chất lượng nước tại LC nói chung là tốt hơn so với BL là 80. Nồng độ SS cao hơn (xem hình 3b) ở vị trí thượng nguồn làm cho ta có cảm giác mức độ xói mòn đất cao hơn do độ dốc lớn hơn và trầm tích…

Hình. 3a

Hình 3a cho thấy trung bình min-N (tức là, NO3-N, NH4-N và NO2-N), org-N, min-P, và hữu cơ P (org-P) nạp tại LC và BL từ (1991-1999), và hình. 3b cho thấy trung bình SS, BOD, DO, và WQI trong khoảng thời gian tương tự. Trừ SS, các Tám chỉ tiêu chất lượng nước cho thấy chất lượng nước thượng lưu (tức là, LC) tốt hơn so với hạ lưu (BL). Các WQI toàn diện (Hình 3b) tại LC là 89, cho thấy chất lượng nước tại LC thường tốt hơn so với BL(80). Nồng độ SS cao hơn (xem hình. 3b) ở vị trí thượng lưu có ý nghĩa lớn so với mức độ xói mòn đất do đất dốc lớn hơn và khả năng vận chuyển phù sa do tốc độ sông cao hơn trong khu vực thượng lưu so với các khu vực hạ lưu. Theo phạm vi biến động hàng tháng của các biến số,dựa trên chất lượng nước (xem hình. 2) và tiêu chuẩn chất lượng nước môi trường của Trung Quốc đối với nước mặt (GB38382002) (EPAC, 2002), thì chất lượng nước tại LC có thể được đánh giá là loại II (DO ≥ 6 mg / l, BOD ≤ 3 mg / L, NH4-N ≤ 0,5 mg / L, TN ≤ 0,5 mg / L, và TP ≤ 0,1 mg / L), chỉ ra rằng các nguồn nước có đủ điều kiện như nguồn nước uống

ở Trung Quốc. Tuy nhiên, chất lượng nước tại BL chỉ có thể được đánh giá là loại III (DO ≥ 5 mg / l, BOD ≤ 4 mg / L, NH4-N ≤ 1 mg / L, TN ≤ 1 mg / L, và TP ≤ 0,2 mg / L) vì tải trọng TP cao.

3.3. Biến đổi theo mùa của các chất dinh dưỡng theo dòng sông

Để điều tra về biến động theo mùa của các chất dinh dưỡng trong dòng, Hình. 4 (a cho LC và b cho BL) cho thấy tải trọng trung bình mỗi tháng trong

chín năm (bao gồm cả NH4-N, NO3-N, và min-P), được tính toán bằng cách tổng hợp chuỗi thời gian dữ liệu mô phỏng hàng tháng. Từ con số này, nồng độ NH4-N cao trong mùa khô (tháng mười tháng ba năm sau) và thấp trong mùa mưa (tháng chín). NH4-N là thành phần chủ yếu là từ các tải trọng ô nhiễm PS công nghiệp và thành phố tương đối ổn định. Kết quả là, nồng độ NH4-N cao nhất xuất hiện vào tháng Giêng (khoảng 0,18 mg / L cho LC và 0,21 mg / L cho BL) do dòng chảy thấp và NH4-N nồng độ thấp nhất xảy ra vào tháng 8 do dòng chảy cao (khoảng 0,12 mg / L cho LC và 0.08 mg / L) (Hình 4c). So sánh Hình. 4a và b cho thấy nồng độ NH4-N ở thượng lưu (LC) trong suốt đầu mùa mưa (tức là từ tháng sáu đến tháng chín) lớn hơn ở hạ lưu (BL), và biến đổi theo mùa ở LC ít hơn so với ở BL. Kết luận, mùa khô là giai đoạn quan trọng cho ô nhiễm PS ,NH4-N. Đối với nồng độ NO3-N tại LC và BL (xem hình 4a và. B), giá trị cao nhất xuất hiện vào tháng Tư và cao thứ hai trong tháng tám, trong khi các giá trị thấp xảy ra vào các tháng, và trong mùa khô. NO3-N tải trọng chủ yếu từ NPS ô nhiễm (đặc biệt là do bón phân trên đất canh tác). Thực hành trồng và bón phân cơ bản (chiếm một nửa tổng lượng phân bón cho chu kỳ mùa vụ) được thực hiện trong mùa đầu tiên và vụ mùa thứ hai trong tháng Tư và tháng Tám ở lưu vực sông Đông, tương ứng. Chu kỳ cây trồng hai mùa này là một trong những lý do khiến hai giá trị cao điểm của NO3-N xảy ra trong hai tháng.

Một lý do khác có thể có tác dụng xả lượng mưa vào đầu mùa mưa, trong đó vận chuyển NO3-N trong đất bằng đường bộ lưu lượng và dòng chảy bên dưới bề mặt như lượng mưa tăng dần trong tháng Ba đến tháng Tư (Wu và Chen, 2013a). Ngoài hai lý do trên, các dòng chảy ít hơn trong tháng Tư so với tháng Tám (xem hình. 4c), có thể giải thích tại sao nồng độ NO3-N là lớn hơn trong tháng Tư so với tháng Tám. Vì vậy, khoảng thời gian từ ngày kết thúc của mùa khô (tháng) đến đầu mùa mưa (tháng) (xem hình. 4c) là rất quan trọng để quản lý NPS NO3-N ô nhiễm, kết quả từ việc gieo trồng, bón phân, và gia tăng nhanh

chóng của dòng chảy trên mặt và dòng chảy bên So với min-N, tình trạng ô nhiễm PS có thể đóng góp nhiều hơn để min-P tải trọng vì hàm lượng P thấp trong phân bón và thấp. Hình. 4a và b cho thấy mức tăng nhẹ min-P vào tháng Tư và tháng Tám, đó là kết quả từ việc bón phân xảy ra trong hai tháng này. Vì vậy, có thể suy ra rằng sự kết hợp của PS và NPS ô nhiễm dẫn đến sự biến đổi theo mùa tập trung min-P ở các dòng suối, và mùa khô là giai đoạn quan trọng để quản lý PS ô nhiễm Kết luận, hình. 4 cho thấy tình trạng ô nhiễm nước trong các điều khoản của NH4-N, NO3-N, và min-P lớn trong cuối mùa khô và đầu mùa mưa (tháng mười hai-tháng tư) Fig. 4a and b indicates a slight increase of min-P in April and August, which is the result from the base fertilization that occurs in these two months. Therefore, it can be inferred that the combination of PS and NPS pollution resulted in the seasonal variation of min-P concentration in the stream water, and the dry season is the critical period for managing PS pollution Conclusively, Fig. 4 reveals that the water pollution in terms of NH4–N, NO3–N, and min-P is greater in the late dry season and early wet season (December to April)

3.4 NPS Identification of critical NPS pollution areas Để xác định các khu vực tải chất dinh dưỡng NPS quan trọng trong lưu vực, hình. 5 cho thấy hàng năm NPS ô nhiễm tải chất dinh dưỡng mô phỏng trung bình (ví dụ, NO3-N, Org-N, min-P, và org-P) ở cấp HRU. Tải NO3-N có thể đạt cao như 18 kg / ha / năm ở các vùng đất nông nghiệp trung và hạ lưu, trong khi org-N tải có thể đạt cao như 133 kg / ha / năm đối với các tải lớn nhất org-N trong cùng khu vực.

To identify the critical NPS nutrient loading areas in the basin, Fig. 5 shows the simulated annual average NPS pollution nutrient loads (i.e., NO3–N, org-N, min-P, and org-P) at the HRU level. The NO3–N load can reach as high as 18 kg/ha/yr in the middle and downstream

agricultural lands, whereas org-N load can reach as high as 133 kg/ha/yr for the largest org-N load in the same areas.

Tương tự như vậy, tải trọng P hàng năm từ đất nông nghiệp cho thấy mức độ tải cao nhất (khoảng 3,2 kg / ha / năm của min-P và 20 kg / ha / năm của org -P).

Ngoài ra, NPS trung bình hàng năm lượng chất dinh dưỡng ở cấp tiểu lưu được trình bày trong hình. 6. Chúng tôi thấy rằng subbasins 15, 17, 20, và 23 có mức cao nhất của NO3-N tải (> 8,4 kg / ha / năm) do tỷ lệ phần trăm cao của đất nông nghiệp trong các lĩnh vực. Cấp cao nhất của org-N (> 50 kg / ha / năm), min-P (> 1,7 kg / ha / năm), và org-P (> 7,6 kg / ha / năm) tải trọng đã được tìm thấy trong bốn subbasins cũng như trong tiểu lưu 35. Điều tra thêm mối quan hệ giữa lượng chất màu mỡ và sử dụng đất, hình. 7

cho thấy lượng chất màu mỡ dựa trên sử dụng 3 loại đất lớn (nông nghiệp, đồng cỏ / phạm vi, và rừng). từ con số này, các lĩnh vực nông nghiệp đóng góp chất dinh dưỡng cao nhất tải trọng bao gồm NO3-N (8,2 kg / ha / năm), org-N (89,2 kg / ha / năm), minP (2,5 kg / ha / năm), và org-P (13 kg / ha / năm), trong khi tải trọng thấp nhất đến từ các khu vực rừng trừ NO3-N tải trọng thấp nhất mà từ lĩnh vực chăn nuôi / đồng cỏ. hiện tượng tải trọng NO3-N này từ khu vực rừng

cao hơn so với đồng cỏ, có thể là do các lượng dư lớn còn lại trên mặt đất và kết quả tốc độ phân hủy cao trong khu vực rừng. Rõ ràng, ô nhiễm NPS gắn liền với hoạt động sử dụng đất để xác định các nguồn và độ lớn của tải trọng ô nhiễm các dòng nước. do đó, kiểm soát hiệu quả và quản lý các hoạt động canh tác (tức là, hoạt động quản lý (BMP) tốt nhất) sẽ giúp giảm lượng chất dinh dưỡng

3.5. Đóng góp ô nhiễm của PS và NPS Bởi vì cả hai PS và NPS đều nạp tải trọng tại đầu ra của lưu vực sông Đông (ví dụ, để tải Pearl Đồng bằng sông Cửu), chúng tôi thiết kế hai kịch bản (kịch bản A: chỉ có NPS, và Kịch bản B: cả PS và NPS) để điều tra việc nạp thêm cho tải trọng chất dinh dưỡng. Cần lưu ý rằng tải trọng các PS thành phố, như thể hiện trong Bảng 3, là số lượng ước tính do thiếu quan sát có sẵn. PS tải trọng công nghiệp, dữ liệu tương đối đáng tin cậy hơn (1992) (xem Phần 2.4.2 cho chi tiết).

Tuy nhiên, năm (1992) mô hình mô phỏng duy nhất có thể không đủ để đại diện cho tình hình thực tế khi xem xét biến đổi khí hậu. Vì vậy, chúng tôi đã phân tích hai tình huống trên sử dụng một - ba năm (1991-1993) thời gian như vậy thỏa mãn tính chính xác của dữ liệu công nghiệp PS và mô phỏng dài hạn.

Bảng 6 cho thấy lượng chất màu mỡ trung bình trong ba năm BL cho hai kịch bản này. Các dữ liệu trong Bảng 6 cho thấy rõ ràng rằng NPS ô nhiễm đáng kể (94-99%), góp phần vào tải trọng của min-N, orgN, và org-P, cho tải min-P, PS và NPS đóng góp như nhau. Như Kết quả là, NPS đóng góp 93,2 × 103 t / năm cho TN và 9,8 × 103 t / năm đối với TP, chiếm 97% và 94% tổng tải trọng của TN và TP,

4. thảo luâ ̣n 4.1. Đánh giá chất lượng nước Việc sử dụng WQI cho phép phân loại chất lượng nước như "tốt" hoặc "xấu" bằng cách chuyển đổi các biến lý hóa và sinh học đa dạng vào một số một cách đơn giản , khách quan, và tái sản xuất ( nhà và Newsome , 1989). Với một số lượng như vậy, chúng ta có thể phân loại và so sánh các tình huống chất lượng nước ở những nơi khác nhau hoặc thời gian khác nhau cho một địa điểm cụ thể .

Các phương pháp liên kết các WQI, như trong trường hợp nghiên cứu của chúng tôi ( xem phần 3.2) , được khuyến khích bởi vì phương pháp này có thể trình bày cả một đánh giá rõ ràng về mặt không gian và thời gian chất lượng nước cho một lưu vực nhất định. Ví dụ , phần thượng nguồn chéo , LC , với một WQI(89) có chất lượng nước tốt hơn so với mặt cắt hạ lưu, BL , với một WQI (80) . Sử dụng kết quả mô phỏng thủy văn , chuỗi thời gian của WQI đối với từng mặt cắt ngang từ đầu nguồn đến cửa sông của sông có thể được bắt nguồn, Vì vậy cách tiếp cận này có thể là thông tin hữu ích công cụ để quản lý lưu vực sông và hỗ trợ so sánh qulaity nước giữa các vùng khác nhau (ví dụ như Hồng Kông và Đài Loan hoặc khu vực khác). Điều đáng chú ý là một vấn đề với WQI là nó tổng hợp vào một số duy nhất, một thực tế phức tạp, nơi rất nhiều chỉ tiêu môi trường có ảnh hưởng đến chất

lượng nước. Một vấn đề khác là phân loại ("tốt" đến "xấu") chất lượng nước phụ thuộc vào ứng dụng của nó (mục đích) như sử dụng công nghiệp hoặc cung cấp nước uống (Simoes et al., 2008). Vấn đề đầu tiên liên quan đến bao nhiêu chỉ tiêu và bao nhiêu mỗi biến nặng trong tính toán WQI, và vấn đề thứ hai đề cập đến ai hay cái gì có thể sử dụng nước. Như trong trường hợp nghiên cứu của chúng tôi, chúng tôi sử dụng tám chỉ tiêu quan trọng với một loạt các yếu tố quan trọng 0,07-0,2 (xem bảng 1) sau khi xem xét Liou của et al. (2004) kiến nghị, được dùng cho mục đích chung trong một khu vực gần đó (Đài Loan). Rõ ràng, việc tính toán với các chỉ tiêu nhất định và các yếu tố trọng số WQI (ví dụ, vấn đề đầu tiên) nên phụ thuộc vào mục đích ứng dụng nước (ví dụ, vấn đề thứ hai). Vì vậy, việc áp dụng WQI để phân loại chất lượng nước và so sánh cần phải được tiến hành trong cùng điều kiện. Do đó, làm thế nào để lấy được các yêu cầu hợp lý và cụ thể tương ứng với từng mục đích ứng dụng cần tiếp tục phát triển và nghiên cứu.

4.2. Tính năng ô nhiễm nguồn nước Phân tích biến đổi theo mùa của lượng chất dinh dưỡng (xem Phần 3.3) của sông Đông chỉ ra rằng mùa khô là giai đoạn quan trọng cho PS NH4-N và minP ô nhiễm do các dòng chảy tương đối thấp, trong khi từ cuối mùa khô đến đầu mùa mưa là giai đoạn quan trọng cho NPS NO3-N ô nhiễm do các hoạt động nông nghiệp và ảnh hưởng của việc rửa đường bộ và dòng chảy đường bên.

Tiếp tục điều tra của lượng chất dinh dưỡng không gian rõ ràng, cùng với việc phân tích sử dụng đất dựa trên lượng chất dinh dưỡng, có thể giúp xác định các vùng có nguồn gây ô nhiễm quan trọng và bao gồm vùng đất, nơi các chương trình bảo tồn chi phí thấp (ví dụ, bộ lọc dải) có thể được thực hiện để giảm tải trọng ô nhiễm hiệu quả (xem Phần 3.3). Hơn nữa, sự đóng góp chi phối bởi NPS ô nhiễm có nghĩa là sử dụng BMP trong tình trạng ô nhiễm nghiêm trọng vùng nguồn được xác định trước sẽ có nhiều triển vọng. Tuy nhiên, PS ô nhiễm

không thể bỏ qua một trong hai, xem xét PS ô nhiễm có khả năng sẽ tăng kinh tế địa phương và đi kèm tăng trưởng dân số.Do đó, quản lý hiệu quả và xử lý công nghiệp và nước thải đô thị là một phương pháp quan trọng để tránh suy giảm chất lượng nước. Mặc dù những phát hiện này và những tác động có nguồn gốc từ các nghiên cứu của chúng tôi trên một con sông địa phương, cả hai phương pháp và kết quả có thể là thông tin hữu ích cho các khu vực lân cận và các nhà nghiên cứu khác trên thế giới.

4.3. hạn chế Có thể có một số hạn chế khi giải thích kết quả bởi vì các dữ liệu sẵn có vấn đề.

1) Đầu tiên, các dữ liệu về số lượng và chất lượng nước thải thành phố được ước tính bằng nhân các giá trị được đề xuất bởi người dân tại mục 2.4.

Chúng tôi thừa nhận các dữ liệu thu được thô và có thể mang lại một số sai sót kết quả về sự đóng góp của PS ô nhiễm trong phần 3.5. Tuy nhiên, ước tính dữ liệu là phương pháp khả thi duy nhất để thực hiện, đã được ghi nhận và áp dụng rộng rãi cho việc thiết kế các nhà máy xử lý nước thải ở Trung Quốc.

2) Thứ hai, 6 chỉ tiêu quan trắc ( tức là , NH4-N , NO2 -N , NO3- N , BOD , DO, và TP) đang khan hiếm, và có thể điều này cản trở việc thu được những thông số tối ưu trong phần 3.1. Tuy nhiên, một so sánh hình ảnh của các biến chất lượng nước mô phỏng và quan sát hàng tháng (xem hình . 2) hỗ trợ các mô hình mô phỏng giảm trong một phạm vi hợp lý .

3) Thứ ba, các quan sát của org - N không phải là có sẵn , mặc dù chúng tôi sử dụng biến này trong tính toán WQI trong Phần 3.2. Vì vậy , giả định về ước tính hợp lý của org –N có thể dẫn đến một số bất ổn trong đánh giá chất lượng nước toàn diện. May mắn thay, sự không chắc chắn đó sẽ không đáng kể vì yếu tố trọng số thấp org -N (tức là 10 % như trong Bảng 1).

4) Thứ tư, chúng tôi sử dụng bốn biến, min- N , min- P , org -N , và org -P , trong việc xác định các nguồn gây ô nhiễm nghiêm trọng (xem hình 5. và hình . 6 ), tương ứng, tại mục 3.4 và điều tra sự đóng góp của PS và NPS ô nhiễm trong phần 3.5 . Tuy nhiên, cuối cùng hai biến không được xác nhận do thiếu quan sát. Tuy nhiên, phân tích của chúng tôi có thể thực hiện được do các mô hình ban đầu thiết kế của SWAT là hoạt động trong lưu vực ungagged quy mô lớn với nỗ lực chuẩn ít hoặc không có ( Arnold và cộng sự, 1998; . . Srinivasan và cộng sự, 2010) . Do đó, giá trị thực tế và nguồn gốc quan trọng đánh dấu khu vực dựa trên org -N và org -P có thể, lúc tồi tệ nhất , phục vụ như một tài liệu tham khảo cho các nhà nghiên cứu khác và gọi để xác nhận thêm. Cuối cùng, tiến hành nghiên cứu trong lĩnh vực dữ liệu khan hiếm có thể được thử thách , và các nhà khoa học có thể cần phải làm việc với bất cứ dữ liệu có thể đạt được .

Mặc dù mô hình SWAT có thể hỗ trợ ứng dụng của nó trong những loại diện tích , hạn chế và không chắc chắn nên được ghi với kết quả của họ để tránh sự giải thích .\

5 . Kết luận Dựa trên nghiên cứu trước đây của chúng tôi về dòng chảy và trầm tích mô hình sử dụng SWAT , chúng tôi tiếp tục điều tra chất lượng nước với chi tiết PS và NPS ô nhiễm trong lưu vực sông Đông. Để đánh giá hiện trạng chất lượng nước của dòng sông, chúng tôi sử dụng chỉ số chất lượng nước toàn diện ( WQI ) liên quan đến tám chỉ tiêu chất lượng nước tại hai mặt cắt ngang lớn (LC thượng lưu và BL hạ lưu ). các điều tra về sự phân bố thời gian ( biến đổi theo mùa ) của chất lượng nước tiết lộ rằng có những cấp độ cao của lượng chất màu mỡ trong cuối mùa khô và đầu mùa mưa ( tức là , từ tháng Ba đến Tháng Tư). Chúng tôi tiếp tục trình bày các bản đồ phân bố không gian cho NPS tải

chất dinh dưỡng và việc sử dụng dựa trên tải trọng chất dinh dưỡng đất xác định các khu vực ô nhiễm nguồn quan trọng và bao gồm vùng đất, nơi quan tâm nhiều hơn và các biện pháp có thể được xem xét vì họ chi phí - hiệu quả . Cuối cùng, chúng tôi cũng xem xét những đóng góp PS và NPS để tải chất dinh dưỡng và tìm thấy NPS ô nhiễm góp phần đáng kể để min- N , Org -N , và org P , trong khi đóng góp để min- P từ PS và tải ô nhiễm NPS là gần bằng nhau.

Nhìn chung, những phát hiện của chúng tôi có thể cung cấp thông tin có giá trị cho các địa phương ra quyết định để xác định nguyên nhân gây ô nhiễm nước, sẽ có ích cho việc bảo vệ môi trường nước . Ngoài ra, các phương pháp chúng tôi áp dụng có thể hữu ích cho các nhà nghiên cứu khác xung quanh thế giới

Sinh viên thực hiện: Nguyễn Thị Thanh Tâm: 1022254 Kiều Xuân Vũ: 1022365

TỪ KHÓA

MỤC LỤC 1. Tóm tắt

2. Giới thiệu 3. Tài liệu và phương pháp 4. Kết quả 5. Thảo luận 6. Kết luận

KHU VỰC NGHIÊN CỨU

TÓM TẮT Mục tiêu Phương pháp Kết quả

• Đánh giá chất lượng nước • Xác định nguồn ô nhiễm chính

• Pp tích hợp mô hình WIQ với lưu vực • Xác định khoảng thời gian ảnh hưởng quan trọng

• Ô nhiễm NPS là chính • CLN ở LC cao hơn BL • Thấy được ảnh hưởng của các nutrient đến CLN theo không gian và thời gian

GiỚI THIỆU

PS

Nước thải sinh hoạt Nước thải công nghiệp

NPS

Mưa, tuyết tan Nước tưới chảy tràn

GiỚI THIỆU

GiỚI THIỆU

Nguyên nhân Thâm canh trong nông nghiệp phát triển

Tăng trưởng dân số và Kinh tế xã phát triển hội phát triển cong-nông nghiệp

GiỚI THIỆU Nhu cầu sử dụng nước và tải trọng chất ô nhiễm cho dòng sông và cửa sông tăng mối quan tâm lớn.  Nhiệm vụ: đánh giá chất lượng nước khu vực và xác định các nguồn ô nhiễm hướng phát triển bền vững.

1. đánh giá hiện trạng chất lượng nước ở 2 mặt cắt ngang lớn dọc theo sông 2. điều tra các thay đổi theo mùa của chất dinh dưỡng do khí tượng thủy văn, 3. xác định khu vực nguồn gây ô nhiễm NPS 4.kiểm tra tỉ lệ ô nhiễm PS và NPS trong tải trọng ô nhiễm ở quy mô lưu vực sông.

 Sửa dụng công cụ SWAT để tiếp cận mô hình

Tài liệu và phương pháp ❖ Lựa chọn mô hình

 Mô hình SWAT (bản 2005)  thăm dò những tác động của khí hậu và thực hành

quản lý đất đai trên nước, trầm tích và năng suất hóa chất nông nghiệp  Đơn vị mô phỏng cơ bản HRU  Mô hình SWAT kết hợp các thuật toán QUAL2E (Brown và Barnwell, 1987) để mô phỏng thành phần tương tác và chuyển đổi (Neitsch et al, 2005).

Tài liệu và phương pháp ❖ Công thức đánh giá chất lượng nước WQI 

Lựa chọn 8 chỉ tiêu



Công thức:

Tài liệu và phương pháp ❖ Dữ liệu ô nhiễm PS: Ô nhiễm PS bao gồm nước thải từ thành phố và công nghiệp. Hình 1a •

cho thấy tên và địa chỉ của 12 thành phố xả ô nhiễm PS ra Đông giang Các dữ liệu cần thiết đã được ước tính dựa trên dân số đô thị và dữ liệu nước thải điển hình của Trung Quốc

Tài liệu và phương pháp ❖ Dữ liệu ô nhiễm NPS

Hoạt động nông nghiệp Lắng đọng trong khí quyển

• Thông qua điều tra thực địa và tài liệu (GLRO và GDPC, 2003) • trung bình tổng số phân bón được sử dụng vào khoảng 140 kg/ha/năm, với 70 kg/ha mỗi vụ bắt đầu từ tháng Tư và tháng Tám.

• nồng độ N trong nước mưa đã được ước tính là 0,1 mg/L cho toàn bộ lưu vực đối với lượng mưa hàng năm là 1,8 m và P là 0.005 mg/L dựa trên tỷ lệ N:P (20:1) trong lớp VI.

Tài liệu và phương pháp ❖ Thiết lập, xác thực và hiệu chỉnh mô hình:

Thiết lập mô hình: Dữ liệu đầu vào cho việc thiết lập mô hình SWAT bao gồm dữ liệu về thời tiết, địa hình, tính chất của đất, đất sử dụng và các thông tin quản lý đất đai.

Trong nghiện cứu này, sử dụng mô hình DEM với độ phân giải 90m. Để tham số hóa mô hình, ta sử dụng dữ liệu với độ phân giải 30m.

Xác thực và hiệu chỉnh mô hình: theo đánh giá mô hình cho thấy mô phỏng đạt kết quả tốt với chỉ số NSE đạt yêu cầu.

KẾT QUẢ  Tình trạng chất lượng nước

Hình 3a cho thấy trung bình min-N (tức là, NO3-N, NH4-N và NO2-N), orgN, min-P, và hữu cơ P (org-P) nạp tại LC và BL từ (1991-1999), và hình. 3b cho thấy trung bình SS, BOD, DO, và WQI trong khoảng thời gian tương tự

KẾT QUẢ  Dựa vào hình 2 trong bài báo và tiêu chuẩn chất lượng MT

của TQ (GB3838-2002) (EPAC2002) cho thấy ĐƠN VỊ

LC

BL

DO

mg/L

≥6

≥5

BOD

mg/L

≤3

≤4

NH4-N

mg/L

≤ 0,5

≤1

TN

mg/L

≤ 0,5

≤1

TP

mg/L

≤ 0,5

≤ 0,2

➢ CLN tại LC đạt loại II (đủ điều kiện là nguồn nước uống) ➢ CLN tại BL đạt loại III.

KẾT QUẢ  Biến đổi theo mùa của các chất dinh dưỡng theo dòng sông

KẾT QUẢ  NPS Identification of critical NPS pollution areas

Lượng nutrient được sử dụng trên 3 loại đất nông nghiệp lớn (nông nghiệp Đồng cỏ, rừng) NPS gắn liền với hoạt động sử dụng đất.

Xác định nguồn và độ lớn Tải trọng ô nhiễm kiểm soát Và quản lí có hiệu quả các hoạt Động canh tác (BMP tốt) giúp Giảm lượng chất ô nhiễm.

KẾT QUẢ  Đóng góp ô nhiễm của PS và NPS ❖ Kịch bản A: chỉ có NPS, và Kịch bản B: cả PS và NPS ❖ Bảng : cho thấy lượng chất màu mỡ trung bình trong ba năm ở BL cho hai kịch bản này Scenario

Descripsion

Min-N

Min-P

Org-N

Org-P

TN

TP

A B A/B

NPS only (10^3t/yr) PS và NBS(10^3t/yr) % của NPS

27.4 29.2 94

0,35 0.70 50

65.7 66.7 99

9.4 9.7 97

93.2 95.9 97

9.8 10.4 94

cho thấy rõ ràng rằng NPS ô nhiễm đáng kể (94-99%)

THẢO LUẬN WQI • Đơn giản, khách quan, sử dụng nhiều lần • Công cụ hữu ích đề quản lý lưu vực sông • Tổng hợp vào 1 số duy nhất • Ap dụng WQI để phân loại chất lượng nước và so sánh cần phải được tiến hành trong cùng điều kiện

THẢO LUẬN Tính năng ô nhiễm • Ô nhiễm PS chủ yếu vào mùa khô và NPS là cuối mùa khô đầu mùa mưa • quản lý hiệu quả và xử lý nước thải đô thị và công nghiệplà một phương pháp quan trọng để tránh suy giảm chất lượng nước

THẢO LUẬN Hạn chế • Các dữ liệu đều chỉ được ước tính • Quan trắc 1 số chỉ tiêu khó khăn • org –N chỉ là ước tính hợp lý

KẾT LUẬN  NPS ô nhiễm góp phần đáng kể để min- N , Org -N , và

org -P , trong khi đóng góp để min- P từ PS và tải ô nhiễm NPS là gần bằng nhau.

 Các phương pháp áp dụng có thể hữu ích cho các nhà

nghiên cứu khác xung quanh thế giới.

HẾT .

Ecological Indicators 32 (2013) 294–304

Contents lists available at SciVerse ScienceDirect

Ecological Indicators journal homepage: www.elsevier.com/locate/ecolind

Investigating the effects of point source and nonpoint source pollution on the water quality of the East River (Dongjiang) in South China Yiping Wu a,b,∗ , Ji Chen b,∗∗ a ASRC Research and Technology Solutions, contractor to U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center, Sioux Falls, SD 57198, USA b Department of Civil Engineering, The University of Hong Kong, Pokfulam, Hong Kong, China

a r t i c l e

i n f o

Article history: Received 10 December 2012 Received in revised form 27 March 2013 Accepted 7 April 2013 Keywords: East River (Dongjiang) Nitrogen Phosphorus Pollution source areas SWAT Water quality index

a b s t r a c t Understanding the physical processes of point source (PS) and nonpoint source (NPS) pollution is critical to evaluate river water quality and identify major pollutant sources in a watershed. In this study, we used the physically-based hydrological/water quality model, Soil and Water Assessment Tool, to investigate the influence of PS and NPS pollution on the water quality of the East River (Dongjiang in Chinese) in southern China. Our results indicate that NPS pollution was the dominant contribution (>94%) to nutrient loads except for mineral phosphorus (50%). A comprehensive Water Quality Index (WQI) computed using eight key water quality variables demonstrates that water quality is better upstream than downstream despite the higher level of ammonium nitrogen found in upstream waters. Also, the temporal (seasonal) and spatial distributions of nutrient loads clearly indicate the critical time period (from late dry season to early wet season) and pollution source areas within the basin (middle and downstream agricultural lands), which resource managers can use to accomplish substantial reduction of NPS pollutant loadings.

Overall, this study helps our understanding of the relationship between human activities and pollutant loads and further contributes to decision support for local watershed managers to protect water quality in this region. In particular, the methods presented such as integrating WQI with watershed modeling and identifying the critical time period and pollutions source areas can be valuable for other researchers worldwide.

Published by Elsevier Ltd.

1. Introduction Surface water impairment due to point source (PS) and nonpoint source (NPS) pollution threatens the aquatic ecosystems and water supply security. PS pollution mainly includes municipal sewage discharges (from urban or highly residential areas) and industrial wastewater loads (from a variety of manufacturers). NPS pollution occurs when rainfall, snowmelt water or irrigation water runs over land, carrying and depositing pollutants into rivers, lakes, and coastal waters. NPS pollution from agriculture is regarded as the major cause of the surface water quality degradation and has attracted growing public concern (Darradi et al., 2012; Hao et al., 2004; Nasr et al., 2007; Ongley et al., 2010; Tang et al., 2011; Zhang et al., 2008). Estimating NPS pollutant loads is challenging due

∗ Corresponding author at: ASRC Research and Technology Solutions, contractor to U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center, Sioux Falls, SD 57198, USA. ∗∗ Corresponding author.

E-mail addresses: ywu@usgs.gov, rocky.ypwu@gmail.com (Y. Wu), jichen@hku.hk (J. Chen).

1470-160X/$ – see front matter. Published by Elsevier Ltd. http://dx.doi.org/10.1016/j.ecolind.2013.04.002

to the complicated hydro-meteorological and bio-chemical processes and the spatial variability involved in the process of pollutant transport and transformation (Ficklin et al., 2010; Luo et al., 2008; Nikolaidis et al., 1998).

With intensive agricultural development, excessive utilization of commercial inorganic fertilizers for raising crop yields has become a major issue and has resulted in increased nutrient additions. The subsequent nutrient losses to stream water and estuaries have caused eutrophication of many coastal and freshwater ecosystems around the world (Alexander et al., 2008; Cao and Zhu, 2000; Carpenter et al., 1998; Nixon et al., 1995; Rabalais et al., 2002; Schoch et al., 2009; Vitousek et al., 1997; Wu and Liu, 2012b).

Therefore, it is crucial to investigate the status of water pollution by measuring and estimating nutrient loadings for environmental planning, management, and restoration. However, long-term watershed water quality monitoring is costly and time consuming (Santhi et al., 2001) and not applicable for predicting the potential effects of future climate and land cover change scenarios. Practically, a reasonable numerical simulation of these complicated terrestrial processes in a watershed would be a useful tool to investigate the water quality status, to predict potential impacts of climate and land cover changes, and to find optimal solutions to

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

pollution problems (Borah and Bera, 2002; Ficklin et al., 2010; Liu et al., 2008; Panagopoulos et al., 2011; Panagopoulos et al., 2012; Wilson and Weng, 2011; Wu and Liu, 2012a; Wu et al., 2012a,c; Zhang et al., 2011; Zhang and Zhang, 2011).

Rapid socioeconomic development in the East River (Dongjiang in Chinese) Basin in southern China (especially the downstream area), resulting from population growth and dramatic industrial and agricultural development, has substantially increased water demands and pollutant loadings to the river and its estuary (Wu and Chen, 2013b; Wu et al., 2012b; Zhou et al., 2012). Although water is relatively abundant in this region (Wu and Chen, 2013a), water quality degradation is of wide concern. Therefore, evaluating the regional water quality and identifying the critical pollution sources are an urgently needed as the local society seeks for sustainable development strategies.

To investigate the PS and NPS pollution processes of the East River, we used the multi-disciplinary Soil and Water Assessment Tool (SWAT) as the modeling approach. This study has four tasks: (1) evaluate the water quality status at two major cross sections along the river, (2) investigate the seasonal variations of nutrients due to hydro-meteorological forcing, (3) identify the critical source areas of the NPS nutrient loadings, and (4) examine the contributions by PS and NPS pollutant loadings at the watershed scale.

2. Materials and methods 2.1. Model description The SWAT model (version 2005) (Arnold et al., 1998; Neitsch et al., 2005) used in this study was developed by the U.S. Department of Agriculture (USDA) Agricultural Research Service (ARS) for exploring the effects of climate and land management practices on water, sediment, and agricultural chemical yields (Douglas-Mankin et al., 2010; Gassman et al., 2007). This physically-based watershed scale model simulates the terrestrial hydrological cycle, plant growth, soil erosion, sediment transport, and agricultural chemical yields on a daily time step (Arnold et al., 1998). Hydrological Response Unit (HRU) (Flügel, 1996; Flügel, 1997) is the basic simulation unit and is defined as a lumped land area composed of a unique land cover, soil properties, and slope in SWAT (Neitsch et al., 2005).

For the land phase nutrient cycle, SWAT simulates the organic and mineral nitrogen (N) and phosphorus (P) fractions by separating each nutrient into component pools. Then, N and P can increase or decrease depending on their transformation and/or additions/losses occurring within each pool (Green and van Griensven, 2008; Neitsch et al., 2005). For the water phase nutrient cycle (i.e., in-stream water quality transformation), the SWAT model incorporates the QUAL2E algorithm (Brown and Barnwell, 1987) to simulate constituent interactions and transformations (Neitsch et al., 2005). Further details of nutrient cycles in the land phase and transport as well as transformation in the water phase can be found in the model’s theoretical documentation (Neitsch et al., 2005).

2.2. Water quality evaluation formula In order to evaluate water quality, which encompasses a number of pollutant species, an ecological approach should combine physical, chemical, and biological constituents to reflect the quality status (Chapman, 1996). Stambuk-Gilijanovic (2003) and Liou et al.

(2004) presented the water quality score for each indicator (i.e., water quality variables such as nitrate N (NO3 –N), ammonium N (NH4 –N), biological oxygen demand (BOD), and dissolved oxygen

295

Table 1 Eight water quality variables used in the calculation of Water Quality Index.

No.

Parameters

Unit

Weighting

Source of method for score scaling

1 2 3 1 5 6 7 8

min-N org-N min-P BOD DO SS T pH

mg/L mg/L mg/L mg/L mg/L mg/L ◦ C –

0.2 0.1 0.16 0.14 0.2 0.06 0.07 0.07

Stambuk-Gilijanovic (2003) Stambuk-Gilijanovic (2003) Stambuk-Gilijanovic (2003) Liou et al. (2004) Liou et al. (2004) Liou et al. (2004) Liou et al. (2004) Liou et al. (2004)

(DO)). With these scales, a general and comprehensive Water Quality Index (WQI) (Liou et al., 2004; Stambuk-Gilijanovic, 2003) can be calculated as follows: 1 Wi · Qi n n

WQI =

(1)

i=1

where Wi is the weighting factor of the water quality variable i, Qi is the related water quality score, and n is the number of water quality variables. The objective of the WQI is to inform about the quality status of a specific water body.

To evaluate the water quality status of the East River with such a comprehensive WQI, we used eight water quality variables including mineral N (min-N), organic N (org-N), mineral (min-P), BOD, DO, suspended sediment (SS), temperature (T), and pH (see Table 1) at LC (upstream) and BL (downstream) gaging stations.

After Stambuk-Gilijanovic (2003) and Liou et al. (2004), as shown in Fig. A.1 (see Appendix A), water quality score for each variable (Qi ) is on a continuous scale from 0 to 100, where 100 represents perfect water quality conditions while zero indicates poor conditions.

The first six variables are from the model simulations, whereas the last two (T and pH) are from the water quality monitoring data (GEPMC, 1991–1999). The weighting factors are referenced from Stambuk-Gilijanovic (2003). Because the variable coliform is unavailable in our simulation, its weighting factor of 0.16 is evenly allocated to four other key variables (i.e., BOD, DO, total N (TN), and min-P). Table 1 lists the final weighting factors for the eight water quality variables.

2.3. Study area The East River (Dongjiang in Chinese) is one of the three main tributaries of the Pearl River (Zhujiang in Chinese), which is the fourth largest river in terms of drainage area in China (Niu and Chen, 2010). The East River Basin (see Fig. 1) lies between latitudes 22◦ 34 and 25◦ 12 N and longitude 113◦ 24 and 115◦ 53 E (Chen and Wu, 2008). Originating in Xunwu county in Jiangxi province, the East River flows from northeast to southwest and discharges into the Pearl River delta with an average gradient of 0.39‰ (Jiang et al., 2007). The East River is also the drinking water source for the areas outside of the basin (e.g., Hong Kong, Shenzhen, Huangpu, and Dayawan). The major downstream gage station, Boluo (noted as BL hereafter), has a drainage area of 25,325 km2 , and upstream gage station, Longchuan (noted as LC hereafter), has an area of 7699 km2 (PRWRC, 1987). The East River Basin is near the coast of the South China Sea and located in a monsoon-dominant climate region with considerable spatial and temporal variations of precipitation (Wu and Chen, 2013a). The wet season occurs from April to September, and the remainder of a year is the dry season. The average annual total precipitation of the basin is 1800 mm/yr, and the annual discharge at Boluo is about 739 m3 /s (23.3 billion m3 /yr or 920 mm/yr) (Chen and Wu, 2012).

296

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

Fig. 1. Point source pollution locations and two major gage stations, (Longchuan (noted as LC) and Boluo (noted as BL)) (a) and land uses (b) in the East River Basin in southern China. Land use codes such as AGRR, FRST, PAST, URBN, and WATR refer to agriculture, forest, pasture/range, urban, and water, respectively.

Table 2 Typical sewage water quality data and values used in the East River Basin.

2.4. PS pollution data The PS pollution data are the important inputs to SWAT. The PS pollution includes the municipal and industrial loads. Fig. 1a shows the names and locations of the 12 cities where PS pollutant loads discharge to the East River.

2.4.1. Municipal PS pollution data Because measured sewage quantity and quality data for these cities (Fig. 1a) are unavailable, the required load data were estimated based on urban population and China’s typical sewage water quality data (Table 2) (Xiao, 2002). According to Xiao (2002), the average values of the middle and low levels can be used to represent the sewage quality in southern China (see the second last column in Table 2). According to Zhang and Jorgensen (2005), water consumption can be set to 200 L/d per capita considering the sufficient water supply over the region. As a result, the pollutant loads per capita can be derived (see the last column in Table 2).

Table 3 lists the collected urban population data in 1990 and 2000 (GLRO and GDPC, 2003; POCNSD, 1996; SCO and PSSCNSD, 2003) for these cities. The total municipal pollutant loads can

No.

Item

BOD NH4 –N org-N TN min-P org-P TP

1 2 3 4 5 6 7

Concentration (mg/L)

Values useda

High

Middle

Low

Concentration (mg/L)

Loadb (g/d/capita)

400 50 35 85 10 5 15

200 25 15 40 5 3 8

100 12 8 20 3 1 4

150 18.5 11.5 30 4 2 6

30 3.7 2.3 6 0.8 0.4 1.2

Note: a Values used in this study were equal to the mean of middle and low levels; b Wastewater load of 200 L/d/capita was used to estimate the pollutant loads.

be estimated by multiplying pollutant loads per capita by urban population. As an example, Table 3 lists the total nitrogen (TN) and total phosphorus (TP) loads for 1990 and 2000, and pollutant load data for other years (1991–1999) were estimated using linear interpolation. Because the continuous measurement of sewage water is unavailable, the method we described above to estimate pollutant loads are usually used for designing a wastewater

Table 3 Urban population and daily total nitrogen (TN) and total phosphorus (TP) loads for each city.

No.

City

Subbasin number

Population 1990

1 2 3 4 5 6 7 8 9 10 11 12

Xunwu Dingnan Heping Longchuan Lianping Xinfeng Heyuan Zijin Huidong Huiyang Huizhou Boluo

25 26 4 39 9 29 16 33 23 24 37 38

Total

–

600,604

TN load (kg/d) 2000

1990

TP load (kg/d) 2000

1990

28,061 18,378 40,793 64,707 42,680 28,953 103,341 63,803 100,685 651,97 154,839 112,739

66,776 64,298 87,115 143,071 87,174 64,072 279,389 135,828 446,114 895,978 897,858 436,537

168 110 245 388 256 174 620 383 604 391 929 676

401 386 523 858 523 384 1676 815 2677 5376 5387 2619

42 28 61 97 64 43 155 96 151 98 232 169

3,091,704

3604

18,550

901

4638

2000 100 96 131 215 131 96 419 204 669 1344 1347 655

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304 Table 4 Industrial pollution loads for each city in 1992.

No.

City

1 2 3 4 5 6 7 8 9 10 11 12

Xunwu* Dingnan* Heping Longchuan Lianping Xinfeng Heyuan Zijin Huidong Huiyang Huizhou Boluo

Total

–

Subbasin number 25 26 4 39 9 29 16 33 23 24 37 38 9203

2.6. Model setup

BOD (kg/d)

NH3 –N (kg/d)

min-P (kg/d)

5.5 5.5 5.5 910 0 348 745 759 4174 178 360 1712

0 0 0 0 0 0 12.6 0 569 2.7 0 233

0 0 0 0 0 0 2.5 0 114 0.3 0 47

817

297

164

Note: * Load data were missing for Xunwu and Dingnan, and the same load as Heping was assumed.

treatment plant in China (Xiao, 2002). Thus, our estimations are assumed to be reasonable.

2.4.2. Industrial PS pollution data It is also a challenge to monitor the industrial wastewater quantity and quality load for long periods of time in China. The published industrial PS pollution monitoring data (BOD, NH4 –N, and min-P) (see Table 4) are available for 1992 only and for only 10 cities in the East River Basin (GEPMC, 1992). The loads for the other two cities (Xunwu and Dingnan), were set to be the same with that of a nearby city, Heping, considering the similar development levels of these cities. It is worth noting that the industrial PS pollution loads listed in Table 4 are used for the water quality simulation period of 1991 to 1999. Compared to the industrial loads (Table 4), the estimated municipal loads (Table 3) accounted for more than 80% of the total PS load.

2.5. NPS pollution data NPS pollution mainly results from agricultural practices (e.g. fertilization), atmospheric deposition (e.g., N and P contained in rainwater), and plant residue decomposition.

2.5.1. Agricultural practices Through field investigation and literature (GLRO and GDPC, 2003), the land management over the agricultural land was set as two crops per year and three periods of fertilization for each crop season over the East River Basin. The general farming practices of planting and harvesting for two-season crops were adopted from Guangdong Crop Irrigation Estimation (Liang, 1999). According to the agricultural survey in Guangdong in the 1990s, the averaged amount of total fertilizer applied was around 140 kg/ha/yr, with 70 kg/ha for each crop season beginning on April and August, respectively.

2.5.2. Atmospheric deposition Rainwater contains nutrients, originating from air pollution.

Zhang and Jorgensen (2005) provided six classes of the N and P concentrations in rainwater based on the industrial and husbandry levels for the condition of 1-m precipitation per year. Because the percentage of urban area in the East River Basin is only 1.4%, and the forest area is more than 75%, the study area can be classified as the lowest level (class VI) in terms of nutrient concentrations (Zhang and Jorgensen, 2005). Then the N concentration in rainwater was estimated as 0.1 mg/L for the whole basin for the annual precipitation of 1.8 m, and the P concentration was set to 0.005 mg/L based on the ratio of N:P (20:1) in class VI.

The input data for driving the SWAT model include weather data, topographic data, soil properties, and land use and land management information (Arnold et al., 2000; Neitsch et al., 2005). In this study, the SRTM Digital Elevation Model (DEM) data with the 90-m resolution (Jarvis et al., 2006) were adopted to delineate the East River Basin. To parameterize the model, the land use data with 30-m resolution obtained from the Chinese Academy of Sciences were used. The data indicate five major land use types including agriculture, forest, pasture, urban area, and water surface (see Fig. 1b). According to Guangdong Soil (Guangdong Soil Survey Office (GSSO), 1993), there are three major soil types, latosolic soil, red soil, and paddy soil, in the East River Basin. We used the multiple Hydrological Response Unit (HRU) option, representing each unique combination of land cover and soil type as an individual HRU, to discretize the basin into 271 HRUs. Daily precipitation, maximum and minimum air temperature, wind speed and relative humidity data from eight weather stations were obtained from the National Climatic Data Share Center of China (http://cdc.cma.gov.cn/home.do) (see Fig. 1).

Solar radiation data were from the National Centers for Environmental Prediction and Atmospheric Research (NCEP/NCAR) (http://www.esrl.noaa.gov/psd/data/reanalysis/reanalysis.shtml).

In addition, PS pollution and NPS pollution as described previously (see Sections 2.4 and 2.5) were included in the model setup.

2.7. Model calibration and validation Streamflow. In previous studies (Chen and Wu, 2012; Wu and Chen, 2013a), we evaluated the performance of SWAT in simulating streamflow at BL in the East River Basin using an eightyear (1973–1980) period for calibration and another eight-year (1981–1988) period for validation. Model evaluation shows that the streamflow simulation performed well with the daily NashSutcliffe efficiency (NSE) being 0.84 for calibration and 0.82 for validation; whereas monthly NSE values can reach 0.93 for calibration and 0.90 for validation (Chen and Wu, 2012).

Sediment. In another previous study (Wu and Chen, 2012), we evaluated the model performance in simulating sediment at BL in the East River Basin with the same calibration (1973–1980) and validation (1981–1988) periods. Model evaluation shows that the monthly sediment simulation was satisfactory with the NSE being 0.69 for calibration and 0.67 for validation (Wu and Chen, 2012).

Due to the unavailability of streamflow and sediment observations for the current study period (1991–1999), we did not re-calibrate the model but used the same streamflow and sediment parameters from our previous studies (Chen and Wu, 2012; Wu and Chen, 2012, 2013a).

Water quality. In the current study, we used the pollutant load data including NH4 –N, nitrite N (NO2 –N), NO3 –N, BOD, DO, and TP irregularly monitored at LC and BL to calibrate and validate the SWAT model for water quality simulation. It is noted that such monthly observation data published by Guangdong Environmental Protection and Monitoring Center were sparsely available for 1991–1999 (GEPMC, 1991–1999). Results for evaluation of water quality modeling are presented in Section 3.1.

3. Results 3.1. Model examination As stated above (see Section 2.7), the daily streamflow and sediment data at the basin outlet (BL) covering 16 years (1973–1988) have been used for model calibration (1973–1980) and validation (1981–1988) in our previous studies (Chen and Wu, 2012; Wu and Chen, 2012, 2013a). In this study, due to the availability of observed

298

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

Fig. 2. Comparison of monthly simulated and observed six water quality variables including NH4 –N, NO2 –N, NO3 –N, BOD, DO, and TP at two stations (LC and BL) for the period of 1991–1999.

water quality data, we used the four-year (1991–1994) observed pollutant load data for model calibration and the rest of the data (1995–1999) for validation. Ten water quality-related parameters in SWAT were calibrated (see Table 5) by comparing the six simulated water quality variables (i.e., NH4 –N, NO2 –N, NO3 –N, BOD, DO, and Total P (TP)) with the observed variables. Fig. 2 shows the simulated and observed monthly water quality variables. Although the number of observation data is limited, the visual comparison indicates that SWAT can provide acceptable estimations because the model simulation can capture the seasonal variations of the water quality variables with the reasonable ranges when compared to the observed variables.

3.2. Water quality status Fig. 3a shows the nine-year (1991–1999) average min-N (i.e., NO3 –N, NH4 –N, and NO2 –N), org-N, min-P, and organic P (org-P) loads at LC and BL, and Fig. 3b shows the average SS, BOD, DO, and WQI for the same time period. Except for SS, the other eight water quality variables indicate the water quality upstream (i.e., LC) was better than downstream (i.e., BL). The comprehensive WQI (Fig. 3b) at LC is 89, indicating the water quality at LC is generally better than BL with an index of 80. The higher SS concentration (see Fig. 3b) in the upstream location makes sense considering the higher soil erosion level due to larger land slopes and sediment

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

299

Table 5 Calibrated parameters in SWAT for the East River Basin.

Parameter

Description

Above LC

LC to BL

CMN NPERCO 1 2 3 2 ˇN,1 ˇN,2 ˇN,3 ˇP,4

Rate factor for humus mineralization of active organic N N percolation coefficient Local algal settling rate in the reach (m/d) Benthic source rate for dissolved P in the reach (mg P/m2 d) Benthic source rate for NH4 –N in the reach (mg N/m2 d) Oxygen re-aeration rate for Fickian diffusion in the reach (d−1 ) Rate constant for biological oxidation of NH4 to NO2 in the reach (d−1 ) Rate constant for biological oxidation of NO2 to NO3 in the reach (d−1 ) Rate constant for hydrolysis of organic N to NH4 in the reach (d−1 ) Rate constant for mineralization of organic P to dissolved P (d−1 )

0.0001 0.04 1.5 0.001 2.5 0.55 0.008 0.04 0.01 0.01

0.0002 0.01 1.5 0.001 0.001 0.3 0.04 1.0 0.003 0.008

Fig. 3. Annual average nutrients (a), SS, BOD, DO concentrations and Water Quality Index (WQI) (b) at two stations (LC and BL).

carrying capacity due to higher river velocity in the upstream area compared to the downstream area.

According to the monthly variation range of water quality variables (see Fig. 2) and China’s Environmental Water Quality Standards for Surface Water (GB3838-2002) (EPAC, 2002), water quality at LC can be rated as Class II (DO ≥ 6 mg/L, BOD ≤ 3 mg/L, NH4 –N ≤ 0.5 mg/L, TN ≤ 0.5 mg/L, and TP ≤ 0.1 mg/L), indicating that the water is qualified as a drinking water source in China. However, water quality at BL can only be rated as Class III (DO ≥ 5 mg/L, BOD ≤ 4 mg/L, NH4 –N ≤ 1 mg/L, TN ≤ 1 mg/L, and TP ≤ 0.2 mg/L) because the TP load is high.

3.3. Seasonal variation of in-stream nutrients To investigate the seasonal variation of in-stream nutrients, Fig. 4 (a for LC and b for BL) shows the nine-year average loads (including NH4 –N, NO3 –N, and min-P) for each calendar month, which were computed by aggregating monthly time series simulation data. From the figure, the higher level of NH4 –N concentration occurs in the dry season (October–March next year) and the lower level occurs in the wet season (April–September). NH4 –N was mainly from the relatively constant industrial and municipal PS pollution loads. As a result, the highest NH4 –N concentration appeared in January (about 0.18 mg/L for LC and 0.21 mg/L for BL) due to low streamflow and the lowest NH4 –N concentration (about 0.12 mg/L for LC and 0.08 mg/L) occurred in August due to high streamflow (Fig. 4c). Comparison of Fig. 4a and b reveals that the NH4 –N concentration upstream (LC) during part of the wet season (i.e., June through September) is greater than downstream (BL), and the seasonal variation at LC is less than that at BL. Conclusively, the dry season is the critical period for PS NH4 –N pollution.

For NO3 –N concentration at LC and BL (see Fig. 4a and b), the highest value appeared in April and the second highest in August, whereas the low values occurred in June, July, and during the dry season. NO3 –N load is mainly from NPS pollution (especially due to fertilization on croplands). The practices of planting and

Fig. 4. Monthly annual average NH4 –N, NO3 –N, and min-P concentrations at LC (a) and BL (b), and the basin monthly average precipitation and water yield close to streamflow (c).

base fertilization (accounting for half of the total amount of fertilizer for a crop cycle season) were implemented for the first season and the second season crops in April and August in the East River Basin, respectively. This two-season crop cycle is one reason that the two peak values of NO3 –N occur in these two

300

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

Fig. 5. Spatial distribution of annual average nutrient loads on the Hydrological Response Unit (HRU) level.

months. Another reason can be the rinsing effect of rainfall at the beginning of the wet season, which transports NO3 –N within the soil by overland flow and subsurface lateral flow as precipitation gradually increases during March through April (Wu and Chen, 2013a). Apart from the above two reasons, the less streamflow in April compared to August (see Fig. 4c), can explain why the NO3 –N concentration is greater in April than in August. Therefore, the time period from the ending of the dry season (March) to the beginning of the wet season (April) (see Fig. 4c) is critical for managing NPS NO3 –N pollution, resulting from the planting, fertilization, and the rapid increase of overland flow and lateral flow.

Compared to min-N, the PS pollution may contribute more to min-P load because of the low P content in fertilizer and low

mobility of soluble P in soil. Moreover, the active and stable mineral P can only be transported by surface runoff when attaching to sediments (Neitsch et al., 2005). This can explain why the high level of min-P concentration occurred in the dry season (especially January) with low streamflow and the low level of min-P concentration occurred in the wet season (especially September) with high streamflow (see Fig. 4a–c). In other words, the variation of min-P concentration was mainly influenced by streamflow. Fig. 4a and b indicates a slight increase of min-P in April and August, which is the result from the base fertilization that occurs in these two months. Therefore, it can be inferred that the combination of PS and NPS pollution resulted in the seasonal variation of min-P concentration in the stream water, and the dry season is the critical period for managing PS pollution.

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

301

Fig. 6. Spatial distribution of annual average nutrient loads on the subbasin level.

Conclusively, Fig. 4 reveals that the water pollution in terms of NH4 –N, NO3 –N, and min-P is greater in the late dry season and early wet season (December to April).

3.4. Identification of critical NPS pollution areas To identify the critical NPS nutrient loading areas in the basin, Fig. 5 shows the simulated annual average NPS pollution nutrient loads (i.e., NO3 –N, org-N, min-P, and org-P) at the HRU level. The NO3 –N load can reach as high as 18 kg/ha/yr in the middle and downstream agricultural lands, whereas org-N load can reach as high as 133 kg/ha/yr for the largest org-N load in the same areas.

Similarly, the annual P load from agricultural lands shows the highest loading level (about 3.2 kg/ha/yr of min-P and 20 kg/ha/yr of org-P).

In addition, the annual average NPS nutrient loads at the subbasin level are presented in Fig. 6. We found that subbasins 15, 17, 20, and 23 had the highest level of NO3 –N load (>8.4 kg/ha/yr) due to the high percentage of agricultural land in those areas. The highest levels of org-N (>50 kg/ha/yr), min-P (>1.7 kg/ha/yr), and org-P (>7.6 kg/ha/yr) loads were found in these four subbasins as well as in subbasin 35.

To further investigate the relationship between nutrient loads and land use, Fig. 7 shows the nutrient loads based on the three

302

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

4. Discussion 4.1. Water quality evaluation

Fig. 7. Land use-based nutrient loads due to NPS pollution.

major land uses (agriculture, pasture/range, and forest). From this figure, the agricultural areas contributed the highest nutrient loads including NO3 –N (8.2 kg/ha/yr), org-N (89.2 kg/ha/yr), minP (2.5 kg/ha/yr), and org-P (13 kg/ha/yr), whereas the lowest loads were from the forest areas except for the lowest NO3 –N load which was from the range/pasture areas. This phenomenon—NO3 –N load from forest areas was higher than grasslands—may be due to the large residue amount left on the ground and the resulting high decomposition rate in forest areas. Apparently, NPS pollution is closely linked to land use activities that determine the sources and magnitudes of pollutant loadings to stream water. Therefore, effective control and management of farming practices (i.e., best management practices (BMPs)) would help reduce nutrient loads.

3.5. Contributions of PS and NPS pollution Because both PS and NPS pollutions contribute to the chemical loads at the outlet of the East River Basin (i.e., loading to the Pearl River delta), we designed two scenarios (Scenario A: NPS only, and Scenario B: both PS and NPS) to investigate their respective contributions to the nutrient loads. It is noted that the municipal PS loads, as shown in Table 3, were estimated amounts due to the lack of available observations. For the industrial PS load, the data were relatively more reliable for 1992 only (see Section 2.4.2 for details). However, a single year (1992) model simulation may not be sufficient to represent the real situation when considering climate variability. Therefore, we analyzed the above two scenarios using a three year (1991–1993) period as a trade-off for the accuracy of industrial PS data and long-term simulation. Table 6 shows the three-year average nutrient loads at BL for these two scenarios. The data in Table 6 clearly indicates that NPS pollution played a significant role (94–99%) in contributing to loads of min-N, orgN, and org-P; for min-P load, PS and NPS contributed equally. As a result, NPS contributed 93.2 × 103 t/yr for TN and 9.8 × 103 t/yr for TP, accounting for 97% and 94% of the total loads of TN and TP, respectively.

Table 6 Annual average nutrient loads at the basin outlet (BL) under two scenarios (with and without point source pollution loads).

Scenario

Description

min-N

min-P

org-N

org-P

TN

A B A/B

NPS only (103 t/yr) PS and NPS (103 t/yr) Percentage of NPS (%)

27.4 29.2 94

0.35 0.70 50

65.7 66.7 99

9.4 9.7 97

93.2 9.8 95.9 10.4 97 94

TP

The use of WQI allows one to categorize water quality as ‘good’ or ‘poor’ by converting the diverse physico-chemical and biological variables into a single number in a simple, objective, and reproducible manner (House and Newsome, 1989). With such a number, we can classify and compare the water quality situations among different places or along different time lines for a specific place. The method of linking the WQI with watershed modeling, as shown in our case study (see Section 3.2), is encouraging because this approach can present both a spatially and temporally explicit evaluation of water quality for a given watershed. For example, the upstream cross section, LC, with a WQI of 89 had better water quality than the downstream cross section, BL, with a WQI of 80.

Using hydrological simulation results, a time-series of WQI for each cross section from the headwater to the estuary of a river can be derived. Therefore, this approach can be a useful and informative tool for watershed managers and support water qulaity comparisons between different regions (such as Hong Kong and Taiwan or another region).

It is worth noting that one problem with WQI is that it synthesizes into a single number, a complex reality where numerous environmental variables have influence on water quality. Another problem is that classification (‘good’ to ‘poor’) of water quality depends on its applications (purposes) such as industrial uses or drinking water supplies (Simoes et al., 2008). The first problem involves how many variables and how much each variable weighs during the WQI calculations, and the second problem refers to who or what may use the water. As shown in our case study, we used eight key variables with a range of weighting factors from 0.07 to 0.2 (see Table 1) after considering Liou’s et al. (2004) recommendations, which are intended for general purposes in a nearby region (Taiwan). Apparently, the WQI calculation with certain variables and weighting factors (i.e., the first problem) should be dependent on the water application purposes (i.e., the second problem).

Therefore, the application of WQI for water quality classification and comparison need to be conducted under the same conditions.

Consequently, how to derive the reasonable and specific requirements corresponding to each application purpose needs further development and studies.

4.2. Water pollution features Analyzing the seasonal variation of nutrient loads (see Section 3.3) of the East River indicates that the dry season is the critical period for PS NH4 –N and min-P pollution due to the relatively lower streamflow, while from the end of the dry season to the beginning of the wet season is the critical period for NPS NO3 –N pollution because of the agricultural practices and rinsing effect of overland and lateral flows. Further investigation of spatially explicit nutrient loads, together with the analysis of land use-based nutrient loads, can help identify critical pollution source areas and land covers where low-cost conservation programs (i.e., filter strip) can be implemented to reduce pollutant loadings effectively (see Section 3.3). Furthermore, the dominant contribution

by NPS pollution implies that using BMPs in the critical pollution source areas identified previously would be promising. However, PS pollution loads cannot be ignored either, considering PS pollution would likely increase accompanying local economic and population growths. Thus, effective management and treatment of industrial and municipal wastewater is another important approach to avoid deterioration of water quality. Although these findings and implications are derived from our studies on a local river, both methods

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

There may be some limitations when interpreting some of our results because of the data availability problem. First, the data about municipal sewage quantity and quality was estimated by multiplying the suggested values by populations in Section 2.4. We acknowledged the data derived are somewhat rough and may bring some uncertainties to the results about the contribution of PS pollution in Section 3.5. However, estimating the data was the only feasible approach to take, and one which has been documented and widely applied for designing wastewater treatment plants in China.

Second, the observation data for the six water quality variables (i.e., NH4 –N, NO2 –N, NO3 –N, BOD, DO, and TP) are scarce, and this may impede deriving the optimal parameters in Section 3.1. However, a visual comparison of monthly simulated and observed water quality variables (see Fig. 2) supported that the model simulation fell within a reasonable range. Third, the observation of org-N is not available, although we used this variable in calculating the WQI in Section 3.2. Thus, the assumption of reasonable estimation of org-N may lead to some uncertainties in the comprehensive water quality evaluation. Fortunately, such uncertainty would not be substantial because of the low weighting factor of org-N (i.e., 10% as shown in Table 1). Fourth, we used four variables, min-N, min-P, org-N, and org-P, in identifying the critical pollutant source areas (see Fig. 5 and Fig. 6), respectively, in Section 3.4 and investigating the contributions of PS and NPS pollution in Section 3.5. However, the last two variables were not validated due to the lack of observations. Nevertheless, our analyses can be justified because the original model design of SWAT was to operate in large-scale ungagged basins with little or no calibration efforts (Arnold et al., 1998; Srinivasan et al., 2010). Therefore, the actual values and the marked critical source areas based on org-N and org-P may, at worst, serve as a reference for other researchers and call for further validation. Finally, conducting research in data-scarce areas can be challenging, and scientists may need to work with whatever data can be obtained.

Although the SWAT model may support its application in these kinds of areas, limitations and uncertainties should be stated with their results to avoid over-interpretations.

This study was supported by Hong Kong RGC GRF projects HKU 711008E and HKU710910E. Part of this work was performed under the USGS contract G08PC91508. Any use of trade, firm, or product names is for descriptive purposes only and does not imply endorsement by the U.S. Government. We thank Dongsheng Cheng for collecting/sharing the limited observation data. We thank Naga Manohar Velpuri (Arctic Slope Research Corporation (ASRC) Research and Technology Solutions, a contractor to USGS EROS) for his comments on the early draft. We are grateful to Sandra Cooper (USGS) for her careful reviews and editing. We also thank the editor and the two anonymous reviewers for their constructive comments and suggestions.

Appendix A. According to Stambuk-Gilijanovic (2003) and Liou et al. (2004), Fig. A.1 indicates the water quality score for the eight water quality variables including mineral nitrogen (min-N), organic nitrogen (org-N), mineral phosphorus (min-P), biological oxygen demand (BOD), dissolved oxygen (DO), suspended sediment (SS), temperature (T), and PH. 100

(b)

80

80

60

60

40

40

20

20

0

0 0

0.2

0.4

0.6

0.8

1

1.2

0

min-N (mg/L)

1

2

3

100

(c)

(d)

80

80

60

60

40

40

20

20 0

0 0

0.3

0.6

0.9

0

1.2

4

8

12

100

100

(e) Score value

16

BOD (mg/L)

min-P (mg/L)

(f)

80

80

60

60

40

40

20

20

0

0

0

2

4

6

8

0

40

DO (mg/L) 100

80

120

SS (mg/L)

160

100

(h)

(g) Score value

4

org-N (mg/L)

100

5. Conclusions Based on our previous studies on streamflow and sediment modeling using SWAT, we further investigated the water quality with detailed PS and NPS pollution in the East River Basin.

To evaluate the water quality status of the river mainstem, we used a comprehensive Water Quality Index (WQI) involving eight water quality variables at two major cross sections (LC for representing the upstream area and BL for the downstream area). The investigation of the temporal distribution (seasonal variation) of water quality disclosed that there are high levels of nutrient loads in the late dry season and early wet season (i.e., from March to April). We further presented the spatial distribution maps for the NPS nutrient loads and the land use-based nutrient loadings to identify the critical pollution source areas and land covers where more attention and measures may be considered because of their cost-effectiveness. Finally, we also examined the PS and NPS contributions to nutrient loads and found NPS pollution contributed substantially to min-N, org-N, and org-P, whereas contributions to min-P from the PS and NPS pollution loads are nearly equal.

Overall, our findings can provide valuable information for the local decision-makers to identify the causes of water pollution, which would be useful for protecting the water environment. In addition, the methods we adopted can be useful for other researchers around the world.

100

(a) Score value

4.3. Limitations

Acknowledgments

Score value

and results can be informative and useful for nearby regions and other researchers around the world.

303

80

80

60

60

40

40

20

20

0

0 0

10

20

T (°C)

30

40

50

0

3

PH

6

9

12

Fig. A.1. Water quality scores for each water quality variable (after StambukGilijanovic (2003) and Liou et al. (2004)).

304

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304

References Alexander, R.B., Smith, R.A., Schwarz, G.E., Boyer, E.W., Nolan, J.V., Brakebill, J.W., 2008. Differences in phosphorus and nitrogen delivery to the Gulf of Mexico from the Mississippi River Basin. Environ. Sci. Technol. 42, 822–830.

Arnold, J.G., Muttiah, R.S., Srinivasan, R., Allen, P.M., 2000. Regional estimation of base flow and groundwater recharge in the Upper Mississippi river basin. J. Hydrol. 227, 21–40.

Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic modeling and assessment – part 1: model development. J. Am. Water Resour.

Assoc. 34, 73–89.

Borah, D.K., Bera, M., 2002. Watershed-Scale Hydrologic and Nonpoint-Source Pollution Models: Review of Mathematical Bases. Illinois, Chicago, pp. 1553–1566.

Brown, L.C., Barnwell, J.T.O., 1987. The Enhanced Water Quality Models QUAL2E and QUAL2E-UNCAS Documentation and User Manual. USEPA, Athens, GA. Cao, W., Zhu, H., 2000. Characteristics and Control of Regional Agricultural Ecosystems in Fujian Province. China Agriculture Press, Beijing (in Chinese).

Carpenter, S.R., Caraco, N.F., Correll, D.L., Howarth, R.W., Sharpley, A.N., Smith, V.H., 1998. Nonpoint pollution of surface waters with phosphorus and nitrogen. Ecol.

Appl. 8, 559–568.

Chapman, D., 1996. Water quality assessments – a guide to use of biota.

In: Sediments and Water in Environmental Monitoring, second edition.

UNESCO/WHO/UNEP, University Press, Cambridge.

Chen, J., Wu, Y., 2008. Exploring hydrological process features of the East River (Dongjiang) basin in South China using VIC and SWAT. IAHS-AISH Publication 319, 116–123.

Chen, J., Wu, Y., 2012. Advancing representation of hydrologic processes in the Soil and Water Assessment Tool (SWAT) through integration of the TOPographic MODEL (TOPMODEL) features. J. Hydrol. 420–421, 319–328.

Darradi, Y., Saur, E., Laplana, R., Lescot, J.M., Kuentz, V., Meyer, B.C., 2012. Optimizing the environmental performance of agricultural activities: A case study in La Boulouze watershed. Ecol. Indicators 22, 27–37.

Douglas-Mankin, K.R., Srinivasan, R., Arnold, J.G., 2010. Soil and Water Assessment Tool (SWAT) Model: Current Developments and Applications. Trans. ASABE 53, 1423–1431.

EPAC, 2002. China’s Environmental Water Quality Standards for Surface Water (GB3838-2002). Environmental Protection Agency of China, Beijing.

Ficklin, D.L., Luo, Y.Z., Luedeling, E., Gatzke, S.E., Zhang, M.H., 2010. Sensitivity of agricultural runoff loads to rising levels of CO2 and climate change in the San Joaquin Valley watershed of California. Environ. Pollut. 158, 223–234.

Flügel, W.A., 1996. Hydrological response units (HRU’s) as modelling entities for hydrological river basin simulation and their methodological potential for modelling complex environmental process systems. ERDE 127, 43–62.

Flügel, W.A., 1997. Combining GIS with regional hydrological modelling using hydrological response units (HRUs): An application from Germany. Math. Comput. Simul. 43, 305–312.

Gassman, P.W., Reyes, M.R., Green, C.H., Arnold, J.G., 2007. The soil and water assessment tool: historical development, applications, and future research directions.

Trans. ASABE 50, 1211–1250.

GEPMC, 1991–1999. Year Book of Guangdong Provincial Environmental Monitoring.

Guangdong Environmental Protection and Monitoring Center, Guangzhou.

GEPMC, 1992. Year Book of Guangdong Provincial Environmental Monitoring.

Guangdong Environmental Protection and Monitoring Center, Guangzhou.

GLRO, GDPC, 2003. Guangdong Map. Guangdong Land Resources Office, Guangdong Development and Planning Committee, Guangzhou, Guangdong (in Chinese).

Green, C.H., van Griensven, A., 2008. Autocalibration in hydrologic modeling: using SWAT2005 in small-scale watersheds. Environ. Model. Softw. 23, 422–434.

Guangdong Soil Survey Office (GSSO), 1993. Guangdong Soil. Science Press, Beijing.

Hao, F.H., Zhang, X.S., Yang, Z.F., 2004. A distributed non-point source pollution model: calibration and validation in the Yellow River basin. J. Environ. Sci. (China) 16, 646–650.

House, M.A., Newsome, D.H., 1989. Water quality indices for the management of surface water quality. Water Sci. Technol. 21, 1137–1148.

Jarvis, A., Reuter, H.I., Nelson, A., Guevara, E., 2006. Hole-filled seamless SRTM data V3. International Centre for Tropical Agriculture (CIAT) (available from http://srtm.csi.cgiar.org).

Jiang, T., Chen, Y.Q.D., Xu, C.Y.Y., Chen, X.H., Chen, X., Singh, V.P., 2007. Comparison of hydrological impacts of climate change simulated by six hydrological models in the Dongjiang Basin, South China. J. Hydrol. 336, 316–333.

Liang, Y. (Ed.), 1999. Guangdong Crop Irrigation Estimation. Pearl River Water Resources Committee Printing.

Liou, S.M., Lo, S.L., Wang, S.H., 2004. A generalized water quality index for Taiwan.

Environ. Monit. Assess. 96, 35–52.

Liu, H.C., Zhang, L.P., Zhang, Y.Z., Hong, H.S., Deng, H.B., 2008. Validation of an agricultural non-point source (AGNPS) pollution model for a catchment in the Jiulong River watershed, China. J. Environ. Sci. (China) 20, 599–606.

Luo, Y.Z., Zhang, X.Y., Liu, X.M., Ficklin, D., Zhanga, M.H., 2008. Dynamic modeling of organophosphate pesticide load in surface water in the northern San Joaquin Valley watershed of California. Environ. Pollut. 156, 1171–1181.

Nasr, A., Bruen, M., Jordan, P., Moles, R., Kiely, G., Byrne, P., 2007. A comparison of SWAT HSPF and SHETRAN/GOPC for modelling phosphorus export from three catchments in Ireland. Water Res. 41, 1065–1073.

Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams, J.R., King, K.W., 2005. Soil and Water Assessment Tool Theoretical Documentation. Grassland, Soil and Research Service, Temple, TX.

Nikolaidis, N.P., Heng, H., Semagin, R., Clausen, J.C., 1998. Non-Linear Response of a Mixed Land Use Watershed to Nitrogen Loading. Elsevier Science BV, Arona, Italy251–265.

Niu, J., Chen, J., 2010. Terrestrial hydrological features of the Pearl River basin in South China. J. Hydro-Environ. Res. 4, 279–288.

Nixon, S.W., Granger, S.L., Nowicki, B.L., 1995. An assessment of the annual mass balance of carbon, nitrogen, and phosphorus in Narragansett Bay. Biogeochemistry 31, 15–61.

Ongley, E.D., Zhang, X., Yu, T., 2010. Current status of agricultural and rural non-point source Pollution assessment in China. Environ. Pollut. 158, 1159–1168.

Panagopoulos, Y., Makropoulos, C., Baltas, E., Mimikou, M., 2011. SWAT parameterization for the identification of critical diffuse pollution source areas under data limitations. Ecol. Model. 222, 3500–3512.

Panagopoulos, Y., Makropoulos, C., Mimikou, M., 2012. Decision support for diffuse pollution management. Environ. Model. Softw. 30, 57–70.

POCNSD, 1996. National Census for Counties and Cities (Census Data in 1990). Population and Occupation Center of National Statistics Department, p. 8471 (in Chinese).

PRWRC, 1987. Year Book of the Hydrological Measurements of the East River, vol. 8.

Guangdong Water Resources and Electricity Press.

Rabalais, N.N., Turner, R.E., Scavia, D., 2002. Beyond science into policy: Gulf of Mexico hypoxia and the Mississippi River. Bioscience 52, 129–142.

Santhi, C., Arnold, J.G., Williams, J.R., Dugas, W.A., Srinivasan, R., Hauck, L.M., 2001.

Validation of the SWAT model on a large river basin with point and nonpoint sources. J. Am. Water Resour. Assoc. 37, 1169–1188.

Schoch, A.L., Schilling, K.E., Chan, K.S., 2009. Time-series modeling of reservoir effects on river nitrate concentrations. Adv. Water Resour. 32, 1197–1205.

SCO, PSSCNSD, 2003. National Census for Counties and Cities (Census Data in 2000).

State Census Office, Population and Society Statistics Center of National Statistics Department, Beijing, p. 947 (in Chinese).

Simoes FdS, Moreira, A.B., Bisinoti, M.C., Gimenez, S.M.N., Santos Yabe, M.J., 2008.

Water quality index as a simple indicator of aquaculture effects on aquatic bodies. Ecol. Indicators 8, 476–484.

Srinivasan, R., Zhang, X., Arnold, J., 2010. SWAT ungauged: Hydrological budget and crop yield predictions in the Upper Mississippi River Basi. Trans. ASABE 53, 1533–1546.

Stambuk-Gilijanovic, N., 2003. Comparison of dalmatian water evaluation indices.

Water Environ. Res. 75, 388–405.

Tang, J.L., McDonald, S., Peng, X.H., Samadder, S.R., Murphy, T.M., Holden, N.M., 2011.

Modelling Cryptosporidium oocysts transport in small ungauged agricultural catchments. Water Res. 45, 3665–3680.

Vitousek, P.M., Aber, J.D., Howarth, R.W., Likens, G.E., Matson, P.A., Schindler, D.W., et al., 1997. Human alteration of the global nitrogen cycle: sources and consequences. Ecol. Appl. 7, 737–750.

Wilson, C.O., Weng, Q., 2011. Simulating the impacts of future land use and climate changes on surface water quality in the Des Plaines River watershed, Chicago Metropolitan Statistical Area, Illinois. Sci. Total Environ. 409, 4387–4405.

Wu, Y., Chen, J., 2012. Modeling of soil erosion and sediment transport in the East River Basin in southern China. Sci. Total Environ. 441, 159–168.

Wu, Y., Chen, J., 2013. Analyzing the water budget and hydrological characteristics and responses to land use in a monsoonal climate river basin in South China.

Environ. Manag., in press.

Wu, Y., Chen, J., 2013b. Estimating irrigation water demand using an improved method and optimizing reservoir operation for water supply and hydropower generation: a case study of the Xinfengjiang reservoir in southern China. Agric.

Water Manag. 116, 110–121.

Wu, Y., Liu, S., 2012a. Impacts of biofuels production alternatives on water quantity and quality in the Iowa River Basin. Biomass Bioenergy 36, 182–191.

Wu, Y., Liu, S., 2012b. Modeling of land use and reservoir effects on nonpoint source pollution in the Iowa River Basin. J. Environ. Monit. 14, 2350–2361.

Wu, Y., Liu, S., Abdul-Aziz, O.I., 2012a. Hydrological effects of the increased CO2 and climate change in the Upper Mississippi River Basin using a modified SWAT. Climatic Change 110, 977–1003.

Wu, Y., Liu, S., Chen, J., 2012b. Urbanization eases water crisis in China. Environ.

Dev. 2, 141–144.

Wu, Y., Liu, S., Li, Z., 2012c. Identifying potential areas for biofuel production and evaluating the environmental effects: a case study of the James River Basin in the Midwestern United States. Global Change Biol. Bioenergy 4, 875–888.

Xiao, J., 2002. Sewage Water Treatment and Reuse Technology. Beijing, Chemical Industrial Press.

Zhang, J.J., Jorgensen, S.E., 2005. Modelling of point and non-point nutrient loadings from a watershed. Environ. Model. Softw. 20, 561–574.

Zhang, X., Izaurralde, R.C., Arnold, J.G., Sammons, N.B., Manowitz, D.H., Thomson, A.M., et al., 2011. Comment on modeling miscanthus in the soil and water assessment tool (SWAT) to simulate its water quality effects as a bioenergy crop.

Environ. Sci. Technol. 45, 6211–6212.

Zhang, X., Liu, X., Luo, Y., Zhang, M., 2008. Evaluation of water quality in an agricultural watershed as affected by almond pest management practices. Water Res. 42, 3685–3696.

Zhang, X.Y., Zhang, M.H., 2011. Modeling effectiveness of agricultural BMPs to reduce sediment load and organophosphate pesticides in surface runoff. Sci. Total Environ. 409, 1949–1958.

Zhou, T., Wu, J., Peng, S., 2012. Assessing the effects of landscape pattern on river water quality at multiple scales: a case study of the Dongjiang River watershed, China. Ecol. Indicators 23, 166–175.