banner

Новости

May 26, 2024

Изменения качества речной воды в Китае с 1980 года: последствия устойчивого развития для управления

npj Чистая вода, том 6, Артикул: 45 (2023) Цитировать эту статью

863 Доступа

Подробности о метриках

Деятельность человека и изменение климата угрожают качеству воды в реках Китая. Мы смоделировали ежемесячные концентрации общего речного азота (TN), аммиачного азота (NH3-N), общего фосфора (TP) и химической потребности в кислороде (CODMn) в 613 суб-водоразделах 10 крупнейших речных бассейнов страны в течение 1980 г. Период –2050 г. на основе набора данных мониторинга за 16 лет (2003–2018 гг.) с использованием суммирующих моделей машинного обучения. Результаты показали, что качество воды заметно улучшилось, за исключением концентрации TN, что, вероятно, связано с отсутствием целевых показателей и системы оценки TN. Количественный анализ показал, что антропогенные факторы были основным фактором контроля по сравнению с климатическими и географическими факторами для концентраций TN, TP и NH3-N. На основе всех 17 целей устойчивого развития (ЦУР), касающихся качества воды в Китае, водные ресурсы, водная среда, водная экология и водная безопасность должны рассматриваться коллективно для достижения улучшения экологического состояния рек Китая.

Реки являются важными каналами миграции и транспорта веществ между сушей и озерами или океанами, обеспечивая обильные ресурсы пресной воды для питьевой воды, орошения, аквакультуры, судоходства и производства электроэнергии1,2. Однако речные экосистемы испытывают повсеместное ухудшение и находятся под глобальной угрозой из-за антропогенной деятельности и изменения климата3,4. Глобальное исследование показало, что почти 80% (4,8 миллиарда) населения мира (на 2000 год) проживает в районах с высокой степенью угрозы (>75%) водной безопасности человека5. Хуже того, одна треть населения мира не имеет доступа к безопасной питьевой воде6. Перед лицом текущих проблем крайне важно диагностировать угрозы качеству речной воды в широком диапазоне временных и пространственных масштабов, устранять их основные причины и ограничивать угрозы, исходящие от источника, для защиты речных ресурсов пресной воды5.

Реки Китая серьезно ухудшили качество воды из-за неоспоримого давления экономического развития на окружающую среду после реформы и открытости Китая в 19787 году. Было подтверждено, что загрязнение воды в Китае является основной причиной 40 миллиардов кубических метров нехватки воды в Китае. Китай в год8. Повышенное поступление антропогенных питательных веществ является важной причиной снижения качества воды в реках Китая. По оценкам многомасштабных моделей, общее количество растворенного азота (TDN) и общего растворенного фосфора (TDP) в реках Китая в 2012 году составило 28 Тг и 3 Тг соответственно9. Более того, избыточные питательные вещества из рек переносились в озера и океан, что приводило к частым цветениям и красным приливам, ставя под угрозу здоровье человека и водных организмов, а также экосистемные услуги10. К счастью, качество внутренних вод по всему Китаю заметно улучшилось или поддерживалось на благоприятном уровне по всей стране в период с 2003 по 2017 год, что объясняется сокращением сброса питательных веществ11,12. В 2022 году национальное исследование 3641 места отбора проб в реках, озерах и водохранилищах по всему Китаю показало, что 12,1% мест отбора проб имели качество воды ниже класса III согласно Китайскому стандарту экологического качества поверхностных вод (GB3838-2002), а 0,7% мест отбора проб имели качество воды ниже класса III. % площадок имели более тяжелое состояние, хуже, чем класс V13. За последние четыре десятилетия, прошедшие после реформ и открытости, на фоне баланса экономического развития и защиты окружающей среды, крайне важно определить модели качества воды и основные механизмы в реках Китая, чтобы предоставить справочные материалы и информацию для защиты качества речной воды в Китае. развивающиеся страны7.

Несколько исследований были посвящены закономерностям качества воды в реках Китая и связанным с ними факторам, таким как количественная оценка поступления N и P в китайские реки из разных источников в различных масштабах9, круговорот питательных веществ в речных системах, включая источники, трансформацию и поток14,15, а также пространственные характеристики качества воды и критические ковариаты ухудшения состояния рек12,16,17,18. Однако до сих пор существуют пробелы в понимании пространственно-временных изменений и основного механизма качества воды в реках Китая за последние четыре десятилетия. Во-первых, отсутствие данных долгосрочного и регулярного общенационального мониторинга является основным препятствием в изучении воздействия на качество речной воды, поскольку прослеживаемые и доступные данные мониторинга относятся только к 2003 году12,19. Во-вторых, идентификация движущих механизмов изменения качества речной воды зависит от временного и пространственного разрешения факторных моделей и объясняющих переменных (включая природно-географические характеристики, социально-экономические показатели, данные о землепользовании и метеорологические факторы)12,17. Наконец, сложно преодолеть препятствия на пути научных исследований и управленческих приложений, а также применить понимание исторических изменений качества речной воды и движущих механизмов для будущего управления качеством воды и достижения целей устойчивого развития (ЦУР)7,10.

 35%) on the two nutrient levels (TP and NH3-N) in the Yellow and Pearl River Basins17, which is different from our study. Anthropogenic N and P inputs had higher contributions to the variability of both nutrients in the Songhua, Haihe, Huaihe, Yangtze, Southwest, and Northwest Inland rivers, where a somewhat higher contribution was registered with the regression coefficient of >1 (Fig. 3e–h). The results suggested that with socio-economic growth, the rivers in western and inland regions of China (except eastern regions) have registered severe water quality impairments, which should be given more attention in the future./p> 0.25; (2) deletion of the prediction variables with collinearity (Spearman correlation analysis, R > 0.8); (3) retainment of the prediction index that has a high correlation with a response index (Spearman correlation analysis, R > 0.4). The general processes inherent in the models are depicted in Fig. 1. We utilized the model stacking method, which provided a composite prediction based on the results of multiple base models (that is, RF, SVM, and KNN)20. The model stacking algorithm uses a two-layered learning framework where the outputs generated by individual base models are input into another model to generate final predictions39,40. The learning process of the stacking model is categorized into three steps: stacking generation, stacking pruning, and stacking integration. The phase of stacking generation mainly refers to the generation of base models, whereas the last two steps optimally combine the base model predictions to form a final set of predictions using a second-level algorithm./p>

ДЕЛИТЬСЯ