上海地區(qū)河網(wǎng)水質(zhì)空間分異及對河岸帶土地利用的響應(yīng)

汪昱昆，程銳輝，曾 鵬，車 越① （1.華東師范大學生態(tài)與環(huán)境科學學院，上海 200241；2.上海市城市化生態(tài)過程和生態(tài)恢復重點實驗室，上海 200241）

河流水質(zhì)是近年來得到社會各方關(guān)注的重要環(huán)境問題，土地利用方式在一定程度上通過地形、地表徑流、雨污管網(wǎng)排放等水文循環(huán)及人類活動，成為影響河流水質(zhì)的重要因素。因此，分析土地利用方式對水質(zhì)的影響，對于流域和城市環(huán)境管理具有重要意義。目前，水質(zhì)與土地利用響應(yīng)關(guān)系的研究方法主要包括相關(guān)性分析［1］、多元回歸分析、冗余分析和聚類分析等［2］。其中，聚類分析能將數(shù)據(jù)集分為多個內(nèi)部具備相似特征而外部明顯不同的集群［3］，研究具有代表性的集群有助于深入了解河流水質(zhì)的空間異質(zhì)性［4］。水質(zhì)數(shù)據(jù)的非線性、高維性和不確定性決定了非線性聚類分析能更合理地用于處理水質(zhì)數(shù)據(jù)。自組織神經(jīng)網(wǎng)絡(luò)可以通過自組織、自學習的網(wǎng)絡(luò)可視化方式，運用非線性映射［5］在低維度上表示高維度的空間數(shù)據(jù)，近年來在水資源和水環(huán)境管理領(lǐng)域得到了較多應(yīng)用［6］。此外，水質(zhì)與土地利用方式的關(guān)系隨著空間尺度的變化而改變［7］，ZHAO等［8］的研究表明土地利用對河流水質(zhì)總變化的解釋率隨著監(jiān)測點位緩沖區(qū)的大小而改變。目前探索不同距離緩沖區(qū)對河流水質(zhì)影響的研究尺度大多集中于部分水質(zhì)指標，而針對不同水質(zhì)聚類集群的最優(yōu)緩沖區(qū)尺度的探討目前還較少。

上海市地處水系結(jié)構(gòu)復雜的平原河網(wǎng)地區(qū)，河流水文水動力情況與匯水區(qū)邊界難以界定，且受人類活動干擾較強［9］，河流水質(zhì)與河岸帶土地利用類型的響應(yīng)關(guān)系具有較強的地域性特點［10］，傳統(tǒng)的通過劃分子流域進行“土地利用-河流水質(zhì)”研究的方法較難適用。針對平原河網(wǎng)地區(qū)特點，通過對上海市55個河網(wǎng)水質(zhì)監(jiān)測點進行聚類識別，分析全市水質(zhì)空間分布格局，探討水質(zhì)與河岸帶土地利用的關(guān)系及尺度效應(yīng)，以期為區(qū)域土地格局優(yōu)化與水環(huán)境保護提供參考。

1 材料與方法

1.1 研究區(qū)概況

上海市地處長江入海口、太湖流域東緣，面積為6 340 km2；除西南部有小面積丘陵山地外，全市基本為平原，地勢差較小；城市化發(fā)展迅速，是中國目前城市化水平最高的城市。境內(nèi)河湖眾多且大多相通相連，形成了密布的網(wǎng)狀水系，在水位和水閘的雙重影響下，多數(shù)河道流速緩慢且在人工調(diào)節(jié)下雙向流動。截至2016年，上海市市管、區(qū)管、鎮(zhèn)管及村級河道共計43 424條（段），總長28 811.44 km，面積為 494.32 km2，河網(wǎng)密度為 4.54 km·km-2［11］。2013年上海市主要河湖與入境斷面水質(zhì)屬于Ⅲ～劣Ⅴ類，難以達到相應(yīng)的功能區(qū)要求，主要污染指標為總磷和氨氮［12］。上海通過開展合流制污水治理工程管控工作，以點源形式排放的生活污水和工業(yè)廢水已基本實現(xiàn)截污納管，城市和農(nóng)村地區(qū)的地表徑流成為影響上海市地表水環(huán)境質(zhì)量的重要因素［13］。

1.2 數(shù)據(jù)來源

水質(zhì)數(shù)據(jù)來自于2013年《上海市環(huán)境質(zhì)量報告書》，根據(jù)上海市河流特點及環(huán)境現(xiàn)狀，選取pH值、溶解氧（DO）、高錳酸鹽指數(shù)（CODMn）、化學需氧量（CODCr）、生化需氧量（BOD5）、氨氮（NH3-N）、總磷（TP）、揮發(fā)酚（VP）、石油類（Petro）和總氮（TN）10個代表性水質(zhì)指標。DO值越高表明水質(zhì)越好，除DO和pH外其他各項參數(shù)屬于污染性指標，濃度越高表明水體污染越嚴重。

土地利用數(shù)據(jù)來源于華東師范大學地理信息科學教育部重點實驗室提供的2013年上海市航片及土地利用解譯數(shù)據(jù)。根據(jù)GB/T 21010—2007《土地利用現(xiàn)狀分類》解譯得出的土地類型分為工業(yè)用地、居住用地等28種類型，并參考趙軍［14］的研究結(jié)果進行重分類，將上海市土地利用類型劃分為農(nóng)業(yè)用地、城鎮(zhèn)建設(shè)用地、水域、城市綠地和其他用地5類。

1.3 研究方法

1.3.1 空間尺度的創(chuàng)建

上海地處平原河網(wǎng)地區(qū)，河水流向復雜，同一斷面水質(zhì)受多個方向來水影響［15］，因此利用ArcGIS 10.2軟件的空間分析工具將55個水質(zhì)監(jiān)測點分別作為地理中心，劃定半徑分別為100、200、500和1 000 m的圓形緩沖區(qū)，求取不同緩沖半徑內(nèi)各類土地利用面積占比。選取100 m緩沖區(qū)作為最小空間尺度是因為在該尺度下河岸帶對河流的影響最直接［16］；而將1 000 m作為最大空間尺度則是因為當緩沖區(qū)大于1 000 m時，相鄰的緩沖區(qū)開始重疊。

1.3.2 自組織神經(jīng)網(wǎng)絡(luò)

自組織特征映射（self-organization feature mapping，SOM）神經(jīng)網(wǎng)絡(luò)是一種用于可視化和解釋大型高維數(shù)據(jù)集的算法，是可用于無監(jiān)督模式認知方式的聚類分析［17］，其由輸入層和輸出層兩層人工神經(jīng)元組成。在SOM算法中，所有樣本被視為經(jīng)變量定義的n維輸入向量由輸入層輸入到神經(jīng)網(wǎng)絡(luò)中，輸入層的權(quán)重向量與每個神經(jīng)元相關(guān)聯(lián)［18］。輸出神經(jīng)元通過領(lǐng)域關(guān)系與相鄰向量連接，經(jīng)歷初始化、競爭、選擇獲勝神經(jīng)元和相似向量聚類4個步驟，最終決定映射的拓撲結(jié)構(gòu)。K-means算法是一種基于樣本相似度通過迭代過程將數(shù)據(jù)集劃分為不同類別，使得聚類內(nèi)部樣本差異小、不同聚類差異大的聚類方法。筆者采用SOM+K-means兩階段聚類方法，以SOM聚類為初始處理聚類方法，求取聚類數(shù)N的合理區(qū)間和各類最終的聚類中心，再基于K-means算法將通過SOM得出的龐大聚類數(shù)N再次進行聚類，以提高聚類的精確性，最終選取Davies﹠Bouldin指數(shù)（DBI）最低的最優(yōu)分類，達到兩階段聚類的效果［19］。采用SOM Toolbox 2.0 for Matlab程序包和Matlab 2017b軟件完成所有計算。將基于非等級K-means分類的SOM方法應(yīng)用于上海市河網(wǎng)水質(zhì)空間特征識別，具體步驟如下。

（1）將上海市55個監(jiān)測站點的10項水質(zhì)數(shù)據(jù)輸入SOM網(wǎng)絡(luò)，應(yīng)用拓撲值計算網(wǎng)絡(luò)大小以選擇神經(jīng)元數(shù)量，并根據(jù)量化誤差（QE）和拓撲圖形誤差（TE）的最小值確定輸出神經(jīng)元數(shù)量和可視化結(jié)構(gòu)，采用QE確定所建立的神經(jīng)網(wǎng)絡(luò)用于區(qū)分原始輸入數(shù)據(jù)的能力，而TE可用于測試神經(jīng)網(wǎng)絡(luò)質(zhì)量，即評估網(wǎng)絡(luò)是否適用于訓練［5］。確定神經(jīng)網(wǎng)絡(luò)數(shù)量和可視化結(jié)構(gòu)后，經(jīng)過迭代訓練得出各項指標聚類的權(quán)重值。

（2）將從SOM聚類結(jié)果中得到的權(quán)重值作為初始聚類中心，結(jié)合DBI索引選擇最佳聚類數(shù)量執(zhí)行K-means計算。上述聚類組合算法可保持SOM網(wǎng)絡(luò)的自組織特性和K-means算法的高效率，彌補SOM網(wǎng)絡(luò)過度收斂時間和K-means算法初始聚類中心值選擇范圍小的缺陷。

1.3.3 冗余分析

文學作為一種審美意識形態(tài)一直是人類文化與人類精神中極其重要的組成部分，它總是在字里行間滲透人類最美好的思想情感，以豐富的詩意與情意對人的心靈進行潛移默化的陶冶，對人類精神領(lǐng)域進行凈化、升華和拓展。任何一個民族最優(yōu)秀的文化都是依托文學的形式得以傳承下來的，要真正吸收民族文化的智慧，自然離不開文學閱讀。文學經(jīng)典是民族與世界、古代與現(xiàn)代思想文化的寶庫，構(gòu)建學校學習文化，其內(nèi)容和形式很多，但讓教師和學生閱讀文學經(jīng)典是不可或缺的一項。

冗余分析（RDA）是一種有約束的線性排序技術(shù)，可從統(tǒng)計學角度評價2個多元數(shù)據(jù)集之間的關(guān)系［20］。冗余分析能用于對多解釋變量進行統(tǒng)計檢驗，從獨立和整體2個尺度表達解釋變量對響應(yīng)變量的方差貢獻率，并可通過排序圖展示各變量內(nèi)和變量間的關(guān)系，RDA已被廣泛應(yīng)用于動植物群落組成與環(huán)境因子關(guān)系及類似研究中［21］。

筆者將各聚類的水質(zhì)數(shù)據(jù)分別作為環(huán)境變量，將土地利用類型數(shù)據(jù)作為解釋變量，采用Canoco 4.5軟件對水質(zhì)數(shù)據(jù)進行趨勢對應(yīng)分析（DCA），根據(jù)排序軸第1軸長度，確定選取的線性模型［22］。結(jié)果顯示，排序軸第1軸長度均小于3，因此，選擇RDA對水質(zhì)與土地利用類型的相關(guān)性進行分析。

2 結(jié)果與分析

2.1 水質(zhì)空間格局的識別

選擇拓撲值確定網(wǎng)格大小，基于SOM+K-means模型將55個監(jiān)測站點的10項水質(zhì)數(shù)據(jù)作月測數(shù)據(jù)均值化處理后進行聚類，確定當神經(jīng)元數(shù)為36個（9×4）時，神經(jīng)細胞獲得最佳網(wǎng)絡(luò)訓練效果，此時QE和TE值分別為1.316和0.018。SOM映射圖上不同水質(zhì)參數(shù)的分布見圖1。

圖1 自組織映射圖Fig.1 Self-organizing neural map

由圖1可知，處于映射圖左上方的pH值和溶解氧（DO）濃度較高，且向右下方逐漸降低。高錳酸鹽指數(shù)（CODMn）、化學需氧量（CODCr）和生化需氧量（BOD5）具有相似的分布類型，其數(shù)值均是從左下方向右上方逐漸降低，意味著這些水質(zhì)參數(shù)之間存在較強的相關(guān)性。而氨氮（NH3-N）、總磷（TP）和總氮（TN）濃度都由左上角向右下角呈逐漸遞增趨勢，也體現(xiàn)出較強的相關(guān)性。此外，揮發(fā)酚（VP）和石油類（Petro）的高值主要出現(xiàn)在右下角。當不同聚類中平均方差值小于5%時，DBI最低，相應(yīng)聚類數(shù)可以看作是最佳聚類結(jié)果。輸入訓練好的神經(jīng)元節(jié)點權(quán)重后，通過K-means聚類分析并結(jié)合DBI選擇聚類數(shù)量。DBI最小值為0.743 7，即確定在4個簇處時，聚類達到最佳分類效果（圖2）。

由圖2～3可知，聚類Ⅰ中監(jiān)測點主要分布在淀山湖、黃浦江上游、浦東大治河和崇明島南引河等上海市遠郊地區(qū)。聚類Ⅱ中監(jiān)測點基本上分布在蘇州河流域。聚類Ⅲ中監(jiān)測點大多分布在城市近郊的嘉定區(qū)、寶山區(qū)的蘊藻浜及其支流附近。而黃浦江下游、川楊河監(jiān)測點大多集中在聚類Ⅳ中。

圖2 Davies-Bouldin指數(shù)和監(jiān)測點聚類模式Fig.2 Davies-Bouldin index plot and sampling site clustering patterns

圖3 2013年上海市土地利用類型和55個監(jiān)測點聚類分布Fig.3 Land use types and four clusters of the 55 sampling sites in Shanghai in 2013

按照GB 3838—2002《地表水環(huán)境質(zhì)量標準》，評估不同聚類水質(zhì)參數(shù)的等級。為統(tǒng)一進行評價，總氮按湖、庫標準評級。由表1可知，聚類Ⅰ總體水質(zhì)最好，僅總氮屬于劣Ⅴ類，其余水質(zhì)指標均為Ⅲ或Ⅲ類以上。聚類Ⅱ、Ⅲ總體水質(zhì)較差，氨氮、總磷和總氮均屬于劣Ⅴ類，其中，聚類Ⅲ總體水體污染形勢最嚴峻。所有聚類中總氮均為劣Ⅴ類，除總氮外，氨氮（NH3-N）、總磷（TP）等營養(yǎng)型污染物是聚類Ⅱ、Ⅲ和Ⅳ的主要污染物。石油類污染物在各聚類間的差異性較明顯，除在聚類Ⅰ中水質(zhì)評級為Ⅰ類外，其他聚類均為Ⅳ類。

表1 各聚類水質(zhì)指標評級Table 1 The classes of water quality parameters in each cluster

可見，上海市水質(zhì)空間分布存在較明顯的差異性：淀山湖、崇明島和黃浦江上游等遠郊地區(qū)河流水質(zhì)較好，而蘇州河沿線、蘊藻浜及其支流等城市近郊河流水質(zhì)相對較差。

2.2 不同聚類中土地利用類型最優(yōu)尺度識別

由圖4可知，各緩沖區(qū)聚類Ⅰ的城鎮(zhèn)建設(shè)用地面積占比均明顯小于其他聚類。除聚類Ⅰ外，其他聚類的主要土地利用類型均為城鎮(zhèn)建設(shè)用地。100、200和500 m緩沖區(qū)內(nèi)聚類Ⅱ的農(nóng)業(yè)用地面積占比均很小，在1 000 m緩沖區(qū)尺度上有明顯增大趨勢。就聚類Ⅳ而言，除城鎮(zhèn)建設(shè)用地和水域外，其他用地類型面積占比較小。

圖4 不同空間尺度各聚類不同土地利用類型面積占比Fig.4 Land use categories for each cluster at different spatial scales

由圖5可知，就聚類Ⅰ、Ⅲ、Ⅳ而言，500 m緩沖區(qū)空間尺度對于水質(zhì)參數(shù)的解釋率最高，分別為43.9%、56.1%和44.9%。各聚類緩沖區(qū)尺度從100 m擴大至500 m時，土地利用解釋水質(zhì)變化的幅度較顯著，各聚類平均解釋率增加14.08百分點，而緩沖區(qū)由500 m擴大至1 000 m時，總解釋率除聚類Ⅱ外均呈下降趨勢。這表明對于上海市水質(zhì)的不同聚類而言，土地利用類型總體影響的最大空間尺度為500 m，這與ZHAO等［8］研究得出的400 m緩沖區(qū)對上海市水質(zhì)解釋率最大的結(jié)論較吻合。但對于蘇州河沿線的聚類Ⅱ而言，1 000 m緩沖區(qū)尺度對聚類Ⅱ的總解釋率最高，達59.1%。

2.3 最優(yōu)尺度下各聚類水質(zhì)與土地利用類型的響應(yīng)

為進一步研究土地利用對河流水質(zhì)的解釋能力，對10項水質(zhì)指標和5種土地利用方式進行排序（圖6）分析。

圖5 各聚類不同尺度排序軸方差解釋率Fig.5 The interpretation rate of variance of different scales in each cluster

結(jié)合圖6和表2可知，對于不同聚類的不同最佳尺度，城鎮(zhèn)建設(shè)用地都具有較高的方差貢獻率，在聚類Ⅰ的500 m緩沖區(qū)，城鎮(zhèn)建設(shè)用地的解釋率高達35.0%。這表明上海市城鎮(zhèn)建設(shè)用地是影響河流水質(zhì)的主要因子，且水質(zhì)污染程度隨著緩沖區(qū)范圍增加到500 m時累積效果最顯著。在聚類Ⅱ的1 000 m緩沖區(qū)，對水質(zhì)解釋率最高的土地利用類型是農(nóng)業(yè)用地，解釋率達44.3%。

由圖4可知，聚類Ⅱ的1 000 m緩沖區(qū)內(nèi)農(nóng)業(yè)用地面積占比較該聚類其他空間尺度上農(nóng)業(yè)用地面積占比有顯著增長，這解釋了在此情境下農(nóng)業(yè)用地對水質(zhì)解釋率高的原因。

圖6 最優(yōu)尺度下土地利用與各聚類水質(zhì)的冗余分析Fig.6 Redundancy analysis of land use and water quality of each cluster under the optimal scale

Spearman秩相關(guān)分析顯示，各聚類城鎮(zhèn)建設(shè)用地與大多數(shù)污染水質(zhì)指標之間存在正相關(guān)關(guān)系。就聚類Ⅰ而言，在0.05顯著水平上，城鎮(zhèn)建設(shè)用地與氨氮、揮發(fā)酚和石油類呈正相關(guān)，系數(shù)分別為0.625、0.597和0.632。在0.01顯著水平上，城鎮(zhèn)建設(shè)用地與CODCr呈正相關(guān)，系數(shù)為0.664。就聚類Ⅲ而言，在0.05顯著水平上，城鎮(zhèn)建設(shè)用地與氨氮呈正相關(guān)，系數(shù)為0.683，這與前人的研究結(jié)果［16］較一致，表明與其他土地利用類型相比，城鎮(zhèn)建設(shè)用地是上海這個高度城市化地區(qū)非點源污染的主要來源。而就不同聚類的空間最佳響應(yīng)尺度而言，圖4顯示聚類Ⅰ中城鎮(zhèn)建設(shè)用地面積占比相較于其他聚類而言處于最低水平，但圖7顯示，就聚類Ⅰ而言，各水質(zhì)指標與城鎮(zhèn)建設(shè)用地的相關(guān)性最強，水質(zhì)較差的聚類Ⅱ與城鎮(zhèn)建設(shè)用地的相關(guān)性較低，這說明在淀山湖、黃浦江上游、大治河和崇明島等遠郊地區(qū)的水質(zhì)與城鎮(zhèn)建設(shè)用地的響應(yīng)相較于水質(zhì)較差的城市近郊地區(qū)更敏感。

大多數(shù)研究揭示了農(nóng)業(yè)土地利用與河流水質(zhì)之間的正相關(guān)關(guān)系，普遍認為農(nóng)業(yè)尤其是在城市化程度較低的集水區(qū)施肥和畜牧業(yè)所產(chǎn)生的營養(yǎng)成分是非點源污染的主要貢獻來源［23］。但筆者研究中，所有聚類的農(nóng)業(yè)用地與溶解氧均呈正相關(guān)關(guān)系，且聚類Ⅱ呈顯著正相關(guān)（P＜0.01）；農(nóng)業(yè)用地與大多數(shù)營養(yǎng)型水質(zhì)指標呈負相關(guān)關(guān)系，特別是就聚類Ⅲ而言，氨氮、TN與農(nóng)業(yè)用地呈顯著負相關(guān)（P＜0.01或P＜0.05）。由圖4可知，就各聚類最優(yōu)尺度而言，除聚類Ⅰ城鎮(zhèn)建設(shè)用地面積占比略小于農(nóng)業(yè)用地面積占比外，其余各聚類城鎮(zhèn)建設(shè)用地面積占比均遠大于農(nóng)業(yè)用地面積占比。該結(jié)果印證了ZHAO等［8］、TU［24］對上海、波士頓的研究結(jié)論，即在一些高度城市化流域，由于城鎮(zhèn)建設(shè)用地面積占比高于農(nóng)業(yè)用地面積占比，農(nóng)業(yè)用地對水質(zhì)污染的貢獻可能會在一定程度上為其他土地利用類型所掩蓋。

表2 各聚類最優(yōu)尺度下土地利用類型對水質(zhì)的解釋率Table 2 The interpretation of water quality by land use types under optimal clustering scales

圖7 各聚類最優(yōu)尺度下水質(zhì)與土地利用類型的相關(guān)系數(shù)（r）Fig.7 The correlation coefficient between water quality and land use types on the optimal spatial scale for each cluster

3 結(jié)論

（1）SOM+K-means模型分析結(jié)果顯示，上海市水質(zhì)存在較強的空間異質(zhì)性：城市遠郊地區(qū)的聚類Ⅰ水質(zhì)最優(yōu)，蘇州河沿線的聚類Ⅱ與城市近郊的聚類Ⅲ水質(zhì)狀況較差，黃浦江下游的聚類Ⅳ水質(zhì)處于中等水平。總氮、氨氮和總磷等營養(yǎng)型污染物是上海水質(zhì)污染的主要貢獻因子。

（2）RDA分析結(jié)果顯示，聚類Ⅰ、Ⅲ和Ⅳ的最佳空間響應(yīng)尺度為500 m，解釋率分別為43.9%、56.1%和44.9%；而聚類Ⅱ的最佳空間響應(yīng)尺度為1 000 m，解釋率為59.1%。

（3）在最優(yōu)響應(yīng)尺度下，城鎮(zhèn)建設(shè)用地對各聚類水質(zhì)的解釋率較大，且與多數(shù)水質(zhì)污染指標呈正相關(guān)關(guān)系，說明城市化地區(qū)不透水路面的地表徑流、生活污染排放等對水質(zhì)的影響較明顯。因此，控制城市地表徑流污染是進一步改善上海市河流水質(zhì)的重要途徑。

（4）該文討論了土地利用與水質(zhì)聚類的關(guān)系，今后可應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)對土地利用類型、景觀斑塊指數(shù)與水質(zhì)參數(shù)進行聚類，進一步探討不同空間尺度下水質(zhì)與土地利用、景觀格局的關(guān)系。