謝 暉,邱嘉麗,董建瑋,高田田, 4,賴錫軍

1 中國科學(xué)院南京地理與湖泊研究所,中國科學(xué)院流域地理學(xué)重點(diǎn)實(shí)驗(yàn)室,南京 210008 2 中國科學(xué)院地理科學(xué)與資源研究所,中國科學(xué)院陸地水循環(huán)及地表過程重點(diǎn)實(shí)驗(yàn)室,北京 100101 3 南京師范大學(xué)海洋科學(xué)與工程學(xué)院,南京 210023 4 南京信息工程大學(xué)應(yīng)用氣象學(xué)院,南京 210044

面源,或稱之為非點(diǎn)源,是以面狀分布并排放污染物進(jìn)而造成水體污染的發(fā)生源。隨著點(diǎn)源污染控制水平的不斷提高,面源污染成為全球水體污染的重要污染來源[1—2]。按照污染類型,面源污染主要分為城市面源和農(nóng)業(yè)面源污染。城市面源污染伴隨著城市化的快速發(fā)展,不透水下墊面比例增加,暴雨徑流及攜帶的面源污染物超出城市排水系統(tǒng)的消納和處理能力,對城市水環(huán)境帶來沖擊。近年來雨污分流改造和海綿城市建設(shè)不斷推進(jìn),城市面源污染逐漸得到緩減和控制。我國作為粗放型農(nóng)業(yè)生產(chǎn)大國,對化肥農(nóng)藥的依賴度極高,不合理的水肥管理導(dǎo)致的農(nóng)業(yè)面源污染問題尤為突出,威脅著水環(huán)境健康、飲用水和糧食安全[3]。第二次全國污染源普查數(shù)據(jù)顯示,農(nóng)業(yè)源排放的化學(xué)需氧量、總氮和總磷分別占水污染物排放總量的49.8%、46.5%和67.2%,表明農(nóng)業(yè)面源污染仍然是造成我國水污染的重要原因。我國高度重視農(nóng)業(yè)面源污染防治工作,自2015年以來,國家相關(guān)部委相繼出臺了《關(guān)于打好農(nóng)業(yè)面源污染防治攻堅(jiān)戰(zhàn)的實(shí)施意見》、《重點(diǎn)流域農(nóng)業(yè)面源污染綜合治理示范工程建設(shè)規(guī)劃(2016—2020年)》等一系列政策性措施,習(xí)近平總書記也強(qiáng)調(diào)要“以釘釘子精神推進(jìn)農(nóng)業(yè)面源污染防治”。2021年3月生態(tài)環(huán)境部和農(nóng)業(yè)農(nóng)村部聯(lián)合印發(fā)了《農(nóng)業(yè)面源污染治理與監(jiān)督指導(dǎo)實(shí)施方案(試行)》,明確了“十四五”至2035年重點(diǎn)區(qū)域農(nóng)業(yè)面源污染防治的工作目標(biāo)和主要任務(wù),對面源污染的監(jiān)測和評估提出了更高的要求。

面源污染的發(fā)生和遷移包含若干動態(tài)過程,如降雨徑流、土壤侵蝕、污染物累積與沖刷、土壤溶質(zhì)淋溶等,具有隨機(jī)性、復(fù)雜性、不確定性及時滯性等特點(diǎn),獲取一定精度和密度的監(jiān)測數(shù)據(jù)需要高強(qiáng)度且復(fù)雜的野外監(jiān)測,現(xiàn)有監(jiān)測網(wǎng)絡(luò)在點(diǎn)位分布和技術(shù)手段等方面還不足以準(zhǔn)確評估面源污染對水體污染的貢獻(xiàn),分布式和半分布式流域水文模型逐漸盛行。目前國內(nèi)外應(yīng)用于面源污染模擬的此類模型主要有SWAT模型(Soil and Water Assessment Tool)[4]、SWMM模型(Storm Water Management Model)[5]、AnnAGNPS模型(Annualized Agricultural Non-Point Source Pollution Model)[6]、GWLF模型(Generalized Watershed Loading Function)[7]、SPARROW模型(SPAtially Referenced Regressions On Watershed attributes)[8]、MIKE SHE模型[9]和HSPF模型(Hydrological Simulation Program-FORTRAN)[10—11]等。這些模型既有相通之處,又具備各自的獨(dú)特性,用戶可以根據(jù)研究區(qū)特色、模擬尺度、數(shù)據(jù)完備性、研究目的等多方面進(jìn)行模型的適用性選擇。本文針對HSPF模型進(jìn)行綜述。HSPF模型是美國環(huán)保署重點(diǎn)推薦的用于模擬流域水文及水質(zhì)的綜合模型。它起源于20世紀(jì)60年代的斯坦福水文模型(Stanford Watershed Model),隨后水質(zhì)模塊被逐漸引入,并最終由Robert Carl Johanson于1980年正式提出[11]。發(fā)展至今,HSPF模型的開發(fā)和維護(hù)主要在美國環(huán)保署的資助下進(jìn)行,現(xiàn)已更新至12.5 版本,并且被集成至綜合模擬平臺BASINS(Better Assessment Science Integrating Point and Non-point sources)。該平臺集成多種模型、數(shù)據(jù)處理及分析工具,實(shí)現(xiàn)了HSPF模型的可視化配置、運(yùn)行及結(jié)果分析。HSPF模型現(xiàn)階段的主要開發(fā)方RESPEC公司強(qiáng)調(diào)了該模型的兩個特點(diǎn)：“comprehensive(綜合)”和“flexible(靈活)”,其綜合性體現(xiàn)在模型在連續(xù)過程、動態(tài)事件以及穩(wěn)態(tài)條件下均可模擬流域水文、河道水力以及水質(zhì)的復(fù)合過程,模擬范圍涵蓋了面源污染的產(chǎn)生排放、遷移轉(zhuǎn)化及水體輸運(yùn)等主要過程；靈活性體現(xiàn)在模型可根據(jù)實(shí)際情況調(diào)整模擬步長、計(jì)算單元的劃分方式、陸域與水體的承接關(guān)系、污染物遷移的模擬方法等,以應(yīng)對面源污染在不同尺度需求下的模擬。這兩個重要的特點(diǎn)突出了HSPF模型在面源污染模擬方面的優(yōu)勢,使其在全球范圍內(nèi)得以廣泛運(yùn)用。

近年來HSPF模型逐漸被用于我國流域水環(huán)境過程模擬,應(yīng)用過程中也面臨著模型機(jī)理和參數(shù)本地化、模型構(gòu)建精細(xì)化、模型結(jié)果不確定性較大、落地應(yīng)用困難等方面的挑戰(zhàn)。本文圍繞HSPF模型在面源污染模擬與管控中的研究進(jìn)展進(jìn)行了綜述。首先簡介該模型的結(jié)構(gòu)功能及基本原理,綜述其在變化環(huán)境下的模擬方法和成果;其次,對應(yīng)對參數(shù)識別、不確定性分析、措施效果評估和總量控制的思路和方法進(jìn)行了總結(jié);最后,分析了新形勢下該模型的延伸拓展,提出了未來HSPF模型可進(jìn)一步深化的發(fā)展動向。

1 HSPF模型結(jié)構(gòu)及功能、基本原理

1.1 結(jié)構(gòu)及功能

HSPF模型的運(yùn)行主要依賴兩個文件,即用戶控制輸入(User Control Input,UCI)文件和流域數(shù)據(jù)管理(Watershed Data Management,WDM)文件。前者是ASCII文本文件,以模塊化形式記載流域?qū)傩院湍Ｐ团渲?。WDM文件是一種非格式化、32位架構(gòu)的二進(jìn)制文件,它存儲HSPF模型所必須的氣象驅(qū)動數(shù)據(jù)及模擬結(jié)果產(chǎn)生的時間序列數(shù)據(jù)。在最新版的BASINS 4.5下,這兩個文件的生成和編輯可通過SARA Time series Utility工具和winHSPF軟件實(shí)現(xiàn),HSPF模型的搭建環(huán)境及流程如圖1所示。

圖1 基于BASINS 4.5的HSPF模型搭建環(huán)境及流程Fig.1 Environment and process to develop HSPF model based on BASINS 4.5BASINS: 點(diǎn)源和面源污染評估系統(tǒng) Better Assessment Science Integrating Point and Non-point Sources；WDM: 流域數(shù)據(jù)管理 Watershed Data Management；HSPF: 流域水文模型HSPF Hydrological Simulation Program-FORTRAN；UCI: 用戶控制輸入 User Control Input；DEM: 數(shù)字高程模型 Digital Elevation Model

對于一個目標(biāo)流域,HSPF模型會將其地理空間概化為3類模擬單元：透水陸面(PERLND)、非透水陸面(IMPLND)和水體(RCHRES),每個子流域中則是由不同數(shù)量和種類的3類模擬單元組成,子流域間再由拓?fù)潢P(guān)系相聯(lián)。HSPF模型對模擬單元劃分時可考慮將氣象驅(qū)動、土地利用和土壤類型等環(huán)境因子作為空間異質(zhì)性的劃分準(zhǔn)則,并將不同因子映射于每個模擬單元,形成水文響應(yīng)單元。這種劃分方法體現(xiàn)了該模型半分布式的架構(gòu),有利于表征面源污染輸出的時空分異特征。

HSPF模型功能特點(diǎn)可很好地應(yīng)對面源污染的模擬。從研究區(qū)特征來說,由于HSPF模型對陸面進(jìn)行了透水和非透水劃分,因此可對農(nóng)業(yè)流域、城市流域或混合復(fù)雜的用地特征流域進(jìn)行面源污染模擬。當(dāng)然,模型對非透水陸面的模擬過程中考慮的物理過程相比于專門針對城市面源污染模擬的SWMM模型來說較為簡單,不能體現(xiàn)管網(wǎng)匯流這一城市下墊面特色,但HSPF模型也為模型使用者提供了一種簡易的城市面源污染模擬方法。從模擬的時間尺度上看,由于HSPF模型受連續(xù)氣象數(shù)據(jù)的驅(qū)動,因此可模擬面源污染的長時間連續(xù)過程。單次降雨事件帶來的面源污染輸出同樣受到業(yè)界的關(guān)注,由于HSPF模型模擬時間步長可在小時至分鐘調(diào)整,輸出時間序列可細(xì)至每小時,因此也可用于模擬單次降雨事件下的面源污染完整過程。從模擬對象上看,HSPF模型成熟的水文模擬框架能以較高的精度模擬徑流和演算河道洪水。懸浮泥沙在陸面的分離搬遷以及在河道中的動力輸運(yùn)過程也在HSPF模型中得以刻畫。常見的面源污染物如氮磷的累積沖刷、形態(tài)間轉(zhuǎn)化、各相間分配、作物和藻類吸收等基本過程均在模型中有所考慮,因此HSPF模型對面源氮磷污染模擬具有很好的適用性。此外,HSPF模型還有專門模擬農(nóng)藥流失和擴(kuò)散的PEST模塊。對于其他化學(xué)物質(zhì),HSPF模型依據(jù)物質(zhì)的特性(如保守性、衰減性、吸附性等),可在模塊中新增污染物并設(shè)定相應(yīng)的參數(shù)進(jìn)行模擬,已有研究利用HSPF模型模擬過大腸桿菌、汞、有機(jī)碳的面源污染過程并取得了較好的效果[12—14]。

1.2 基本原理

徑流：徑流由PERLND模塊和IMPLND模塊分別計(jì)算,前者是HSPF模型中的核心模塊,涉及到的物理過程最多。透水陸面的剖面自上而下分層為地表蓄積、壤中流蓄積、上土壤層蓄積、下土壤層蓄積和地下水蓄積。降水在經(jīng)冠層截留后落在地表。HSPF模型沿用斯坦福模型的概化方法,將落地雨的潛在去向劃分為：形成地表滯蓄增量、形成壤中流滯蓄增量或直接下滲,且入滲量隨地塊面積呈線性變化。具體的下滲容量分配概化如圖2所示。

圖2 HSPF模型下滲容量分配(改自Bicknell等[10])Fig.2 Infiltration distribution concept in HSPF model (modified from Bicknell et al. [10])

落地雨經(jīng)以上分配后,各土壤蓄積進(jìn)行動態(tài)的水量平衡計(jì)算。其中從地表蓄積中產(chǎn)生的地表徑流以Chezy-Manning方程計(jì)算；壤中流按線性水庫法計(jì)算；補(bǔ)給河道流量的地下水部分計(jì)為有效地下水,由地下水蓄積量、地下水蓄泄系數(shù)、地下水退水系數(shù)、地下水水力坡度構(gòu)建的非線性方程計(jì)算。非透水陸面不考慮土壤分層,產(chǎn)流只包含地表徑流,采用的算法與透水陸面中一致。河道和湖庫中的徑流演算在RCHRES模塊中進(jìn)行,但認(rèn)為水體具有單向流動性,單層且完全混合。在以上的假定條件下,RCHRES采用水力函數(shù)表FTABLE結(jié)合插值法模擬水深、容積和流量的關(guān)系。

泥沙：HSPF模型考慮了粒徑的影響,將泥沙細(xì)化為沙粒、粉粒和粘粒三種組分。在透水陸面上對泥沙輸移量的模擬過程包括泥沙與土壤基質(zhì)的吸附、分離,以及分離泥沙和土壤基質(zhì)的沖刷,沖刷量的計(jì)算依賴于地表徑流量、沖蝕系數(shù)和指數(shù)。非透水陸面泥沙輸移量的模擬僅考慮堆積和沖刷過程。河道中泥沙首先被區(qū)分為粘性泥沙(粉粒和粘粒)和非粘性泥沙(沙粒)。對于粘性泥沙,用戶須設(shè)置懸浮泥沙的沉降臨界剪切力以及床面泥沙的起動臨界剪切力。當(dāng)水流剪切力介于沉降臨界剪切力與起動臨界剪切力之間時,陸面進(jìn)入水體的粘性泥沙以及河道中的懸浮粘性泥沙將通過平流過程輸運(yùn)；當(dāng)水流剪切力大于起動臨界剪切力時,河床上的粘性泥沙將被沖起并輸運(yùn)；當(dāng)水流剪切力小于沉降臨界剪切力時,粘性泥沙將沉降至河床。對于非粘性泥沙,模型將首先計(jì)算水流對非粘性泥沙的輸運(yùn)能力。當(dāng)該輸運(yùn)能力超出陸面進(jìn)入水體的與河道中的懸浮非粘性泥沙之和時,河床上的非粘性泥沙將被沖起并輸運(yùn)；反之,非粘性泥沙將沉降至河床。

污染物：污染物在陸面的遷移過程可通過兩種方式進(jìn)行模擬,一種是基于PQUAL和IQUAL子模塊分別在透水單元和非透水單元中進(jìn)行模擬,模擬方法主要基于經(jīng)驗(yàn)方程。吸附態(tài)污染物的輸移通量計(jì)算由泥沙沖刷量與沖刷系數(shù)的乘積獲得,沖刷能力系數(shù)是需要率定的關(guān)鍵參數(shù)。溶解態(tài)污染物的傳輸路徑有地表徑流、壤中流和基流,地表徑流中的污染物輸移通量由地表污染物蓄積量、地表徑流量以及地表徑流對污染物的沖刷速率共同決定。壤中流和基流攜帶的污染物質(zhì)量計(jì)算受壤中流和基流中污染物濃度影響,且污染物濃度值可設(shè)置為每月變化。另一種是通過NITR、PHOS和PEST子模塊,以質(zhì)量守恒為基礎(chǔ)分別考慮氮、磷和農(nóng)藥在土壤蓄積中的轉(zhuǎn)化、淋溶以及遷移等復(fù)雜的遷移轉(zhuǎn)化過程。前者允許用戶設(shè)置多達(dá)10種污染物,糞大腸菌群主要通過這種方式模擬。降水發(fā)生之前,糞大腸菌群在地表的累積量取決于細(xì)菌的積累速率,而最大累積量取決于土地利用類型；隨著降水的發(fā)生,地表徑流的沖刷效應(yīng)使累積的細(xì)菌進(jìn)入河道,糞大腸菌群負(fù)荷與徑流量密切相關(guān),而壤中流或地下水的貢獻(xiàn)主要根據(jù)這些傳輸介質(zhì)中菌群的恒定濃度計(jì)算。后者是更為復(fù)雜的模擬方式,僅能夠模擬透水陸面中的氮、磷和農(nóng)藥三種污染物的遷移轉(zhuǎn)化過程。這三種污染物對透水陸面的來源輸入主要來自大氣干濕沉降和施肥。NITR子模塊中考慮的氮的形態(tài)包括氨態(tài)氮、硝態(tài)氮、活性有機(jī)氮和非活性有機(jī)氮,模擬主要過程包括氮與泥沙間的吸附與解吸、硝化與反硝化、礦化與固定、固氮與揮發(fā)、作物吸收與氮回收等。PHOS子模塊用于模擬磷酸鹽和有機(jī)磷在土壤蓄積中儲存量的變化,主要模擬過程有磷酸鹽與泥沙的吸附與解吸、礦化與固化、作物吸收。PEST子模塊用于模擬溶解態(tài)、吸附態(tài)和晶體態(tài)農(nóng)藥在土壤中的吸附、解吸以及降解過程。以上過程采用一階反應(yīng)動力學(xué)方程、FREUNDLICH方程和溫度修正的ARRHENIUS方程等進(jìn)行表達(dá)。

水體的污染物輸移過程也可以采用簡單或復(fù)雜兩種模擬方式。簡單的模擬方式主要基于通用的GQUAL子模塊進(jìn)行模擬,其中不涉及生物化學(xué)過程、溶解態(tài)污染物考慮其降解過程、吸附態(tài)污染物考慮隨泥沙的沉降、懸浮、降解以及吸附和解吸過程等。復(fù)雜的模擬方式是為了滿足需要考慮氮磷在水體中的生物化學(xué)轉(zhuǎn)化作用的用戶需求,主要基于RQUAL子模塊,該子模塊首先模擬溶解氧和生化需氧量的平衡過程,進(jìn)而模擬無機(jī)氮磷的平衡過程,以及氮磷與浮游生物相關(guān)的過程,最終計(jì)算污染物經(jīng)隨流輸移從RCHRES的出口匯出量。

2 HSPF模型在變化環(huán)境下的面源污染模擬

2.1 氣候變化

氣候變化在改變流域水文循環(huán)過程的同時,也影響著流域污染物的物理化學(xué)過程、遷移轉(zhuǎn)化過程及水體對污染物的稀釋能力。氣候因子,如降雨、溫度是流域面源污染的主要驅(qū)動力,因此預(yù)測未來氣候情景下流域面源污染的發(fā)展趨勢對未來流域水環(huán)境的管理和規(guī)劃具有重要意義。對氣候變化情景模擬的主要思路是將氣候預(yù)測系統(tǒng)同流域模型相耦合。一般包括以下步驟：流域模型率定與驗(yàn)證；構(gòu)建氣候變化情景；將氣候數(shù)據(jù)輸入到模型中,模擬氣候情景下的流域水文過程和面源污染輸移過程。HSPF模型在評估氣候變化對流域水文的影響方面具有很好的適用性。Gizaw等[15]采用HSPF模型評估RCP4.5(Representative Concentration Pathway 4.5)和RCP8.5(Representative Concentration Pathway 8.5)情景下的氣候變化對埃塞俄比亞四個主要流域徑流量的影響,結(jié)果表明氣溫和降水的升高會導(dǎo)致明顯的徑流增加。在面源污染方面,張鵬飛[16]通過對密云水庫流域內(nèi)四個氣象站1961—2000年40年的氣象資料分析,采用統(tǒng)計(jì)分析和線性回歸的方法預(yù)測流域氣候變化趨勢,并分別從任意情景設(shè)置和歷史資料兩方面確定了 25種氣候情景和3種水文情景,之后將不同情景下的氣象數(shù)據(jù)輸入至建立的HSPF模型, 模擬密云水庫流域不同氣候情景下水文與面源污染的變化趨勢。Yi等[17]采用HSPF模型評估了RCP4.5和RCP8.5情景下未來2020s、2050s和2080s內(nèi)單位面積面源總氮和總磷排放強(qiáng)度的變化。Kim等[18]通過全球氣候模式(GCMs)預(yù)測未來氣候情景,結(jié)合美國地質(zhì)調(diào)查局的土地利用預(yù)測數(shù)據(jù),采用HSPF模型分析了氣候變化和城市化對博伊西河流域水文和水環(huán)境的影響,結(jié)果表明氣候變化與城市化的綜合影響可導(dǎo)致面源污染輸出呈現(xiàn)顯著的季節(jié)變異性。

2007年,美國環(huán)保署在BASINS系統(tǒng)中集成了氣候評估工具CAT(Climate Assessment Tool),允許用戶采用CAT創(chuàng)建的氣候變化情景作為HSPF模型的輸入,為氣候變化對面源污染的影響研究以及水資源管理提供了便利。CAT的主要功能是依據(jù)任意基準(zhǔn)期的溫度和降水變化規(guī)律預(yù)測未來氣候的可能變化情景,基準(zhǔn)期氣候數(shù)據(jù)包括歷史實(shí)測數(shù)據(jù)與氣候模式輸出數(shù)據(jù)[19]。Zhou等[20]采用HSPF-CAT耦合模型評估了未來降水變化對尖峰嶺雨林流域水文過程的影響。Taner等[21]在四個GCM的降尺度輸出數(shù)據(jù)的基礎(chǔ)上,運(yùn)用HSPF-CAT耦合模型評估了氣候變化對徑流量和面源污染的影響,結(jié)果表明極端降水事件發(fā)生頻率的增加提高了洪峰量和營養(yǎng)鹽流失量?？傊?CAT為氣候變化情景的創(chuàng)建與修正提供了便利,通過BASINS平臺可較為方便地與HSPF模型耦合,使HSPF-CAT成為評價氣候變化對面源污染影響的有效工具。

氣候變化對面源污染的影響不僅表現(xiàn)在平均態(tài)氣候變化的影響上,更高強(qiáng)度的擾動事件對面源污染的產(chǎn)輸量有著更為嚴(yán)重的影響,這種極端氣候事件包括洪澇、干旱及極端氣溫等。目前運(yùn)用HSPF模型評估極端氣候事件對面源污染的影響研究相對較少。Ouyang等[22—23]采用HSPF-CAT耦合模型評估了未來可能的氣溫升高強(qiáng)度(增加1°C和2°C)與極端降水事件(雨強(qiáng)增加10%和20%)對美國亞祖河流域泥沙、硝酸鹽和磷酸鹽負(fù)荷的協(xié)同影響。Qiu等[24]結(jié)合土壤含水量的變化特征,采用HSPF模型評價了密云水庫上游流域干旱與極端降水條件對面源污染的協(xié)同作用,結(jié)果表明,長期干旱后的極端降水事件可能導(dǎo)致累積的沉積物、營養(yǎng)物、糞大腸菌群與其他污染物大量流失,污染物濃度嚴(yán)重超出水質(zhì)標(biāo)準(zhǔn),對下游水體的水環(huán)境健康造成威脅。這項(xiàng)研究突出了HSPF模型在評估極端氣候?qū)γ嬖次廴狙芯恐械倪m用性,也指出了適應(yīng)極端氣候的流域管理體系的重要性。

2.2 土地利用/覆被變化

土地利用/覆被變化能夠帶來水文條件、下墊面特征、人類活動強(qiáng)度的空間差異,進(jìn)而影響污染負(fù)荷產(chǎn)生和傳輸?shù)臅r空分異。HSPF 模型可被用于模擬歷史和未來土地利用/覆被變化情景的影響,也能用于模擬土地利用/覆被與氣候變化雙重驅(qū)動下的流域水文與面源污染輸出特征,并表現(xiàn)出較好的模擬精度[25—28]。Bello等[29]采用HSPF模型評估了植被覆蓋變化對穆爾河流域水質(zhì)的影響,結(jié)果發(fā)現(xiàn)BOD、硝態(tài)氮和磷酸鹽對植被覆蓋變化非常敏感。Bai等[27]通過HSPF模型評估了東江流域土地利用變化下流域面源污染的時空變化特征,發(fā)現(xiàn)城市化趨勢增加了BOD與總磷的負(fù)荷量,城市生活污水與城市雨洪是這兩種污染物的主要來源；而流域內(nèi)總氮主要來源于氮肥的施用,流域耕地面積減少使得氮肥施用量減少,進(jìn)而導(dǎo)致總氮負(fù)荷減少。Liu和Tong[30]采用HSPF模型量化了不同寬度(60 m,90 m和120 m)河岸帶情景下徑流、硝酸鹽及總磷負(fù)荷的變化,研究結(jié)果指導(dǎo)了河岸帶森林和濕地緩沖區(qū)的規(guī)劃方案設(shè)計(jì)。Mohamad等[31]采用HSPF模型評估了農(nóng)業(yè)用地?cái)U(kuò)張對面源污染的影響,結(jié)果表明農(nóng)業(yè)用地增加60%使得年均總磷負(fù)荷和總氮負(fù)荷分別增加3.8%和5.3%,農(nóng)業(yè)用地增加2倍使得總氮和總磷負(fù)荷量增加約2倍。在太湖西苕溪流域,Luo等[32]首先利用CA-Markov模型生成2020s和2030s的土地利用情景,同時結(jié)合GCM的降尺度未來氣候情景,協(xié)同驅(qū)動HSPF模型來模擬流域徑流和營養(yǎng)鹽輸出。

綜上,氣候變化與土地利用/覆被變化對流域水環(huán)境過程有著顯著的影響,HSPF模型不僅可有效地模擬單一變化情景下的水文與面源污染過程,還可模擬多種氣候變化與未來土地利用變化組合情景對面源污染的影響。

3 模型參數(shù)識別與不確定性分析

3.1 參數(shù)識別

面源污染過程涉及到水循環(huán)、土壤侵蝕、污染物遷移轉(zhuǎn)化等多種物理化學(xué)過程,HSPF模型在概化這些過程時所用的參數(shù)眾多,包括具有明確物理機(jī)制的確定型參數(shù)(如河道底泥氨氮在厭氧環(huán)境下的釋放速率等),也包括集總式的概念型參數(shù)(如可帶走土壤中90%污染物的地表徑流速率等),針對前者的取值可通過實(shí)測獲取,而后者的取值則需要進(jìn)行參數(shù)識別。參數(shù)識別是面源污染模型建模過程中的關(guān)鍵步驟,通常包含參數(shù)敏感性分析及參數(shù)率定。

參數(shù)敏感性分析有助于識別對模擬結(jié)果具有顯著影響的模型參數(shù),在后續(xù)參數(shù)率定中可重點(diǎn)針對敏感性參數(shù)進(jìn)行調(diào)整,可以一定程度上減少模型校驗(yàn)的工作量。此外,由于不同類型參數(shù)代表著流域系統(tǒng)內(nèi)不同子系統(tǒng)過程,被識別的高敏感度參數(shù)也有助于甄別關(guān)鍵過程并指導(dǎo)高效削減的管控方案設(shè)計(jì)。常用于HSPF模型的參數(shù)敏感性分析方法包括Morris、LH-OAT、RSA、Sobol′s等[33—36]。在參數(shù)調(diào)整過程中,需要注意的是模型參數(shù)的敏感度可能在不同的水雨情條件和不同時間尺度下發(fā)生變化,這就需要考慮參數(shù)的動態(tài)識別分析[37]。Xie等[38]將HSPF模型、傅立葉振幅敏感性分析、時間變化與多尺度結(jié)合的方法結(jié)合應(yīng)用,識別了水沙參數(shù)在不同水文情勢和不同時間尺度下的敏感度,對關(guān)鍵參數(shù)的監(jiān)測獲取及污染削減措施實(shí)施提出了指導(dǎo)建議。

針對HSPF模型參數(shù)的手動率定,美國地質(zhì)調(diào)查局最早研發(fā)了其水文參數(shù)的專家決策軟件HSPExp[39],之后又研發(fā)了該軟件的改進(jìn)版HSPExp+[40],并增加了泥沙和營養(yǎng)鹽模塊的手動率定驗(yàn)證功能。 Mohamad[41]利用HSPExp+對HSPF模型在馬來西亞Johor River上游流域的營養(yǎng)鹽模擬進(jìn)行了率定驗(yàn)證,并以此評估面源污染輸出對氣候變化和化肥施用情景的響應(yīng)?，F(xiàn)如今越來越多的自動率定技術(shù)被應(yīng)用于HSPF模型的水文模擬研究。早期應(yīng)用最為廣泛的是PEST程序[42],該程序是基于Gauss-Marquardt-Levenberg算法,解決的是模型參數(shù)取值尋優(yōu)過程中的非線性最小二乘問題,由于PEST操作性強(qiáng)且迭代運(yùn)算次數(shù)較少,現(xiàn)在依然在國內(nèi)流域中使用較多[27,43—45]。遺傳算法則是近十年HSPF模型應(yīng)用研究中被頻繁提及的自動率定算法。隨著多站點(diǎn)率定、多目標(biāo)率定的需求,帶精英策略的非支配排序遺傳算法(Non-dominant sort genetic algorithm-II, NSGA-II)[46]被用于HSPF模型水文參數(shù)識別研究中。相較于傳統(tǒng)的遺傳算法,NSGA-II基于Pareto最優(yōu)前沿的理論使用非支配占優(yōu)的排序方法,可求解多目標(biāo)函數(shù)的協(xié)同最優(yōu)解。Xie等[36]針對徑流時間序列的特點(diǎn)定義了三種目標(biāo)函數(shù),利用NSGA-II對連續(xù)模擬和降雨場次模擬下的HSPF模型水文參數(shù)估值進(jìn)行了比對。Xie和Lian[47]定義三個水文站流量模擬和觀測值的納什效率系數(shù)作為多目標(biāo)函數(shù),利用NSGA-II對HSPF模型水文參數(shù)的最優(yōu)取值進(jìn)行了求解。

現(xiàn)階段關(guān)于HSPF模型水質(zhì)參數(shù)自動率定的研究非常有限,事實(shí)上隨著高頻水質(zhì)自動監(jiān)測站和嵌套式多站點(diǎn)水質(zhì)監(jiān)測的普及,越來越多的河流水質(zhì)數(shù)據(jù)可服務(wù)于模型的水質(zhì)參數(shù)自動率定。需要注意的是HSPF模型的水質(zhì)參數(shù)中有很多是將多過程集總表達(dá)的概念型參數(shù),并不具備共識的參數(shù)取值區(qū)間,如果局限于采用自動率定算法獲得這類水質(zhì)參數(shù)的“最優(yōu)值”,很有可能出現(xiàn)擬合效果較好但與實(shí)際情況偏差較大的情況,未來的研究應(yīng)在自動率定的過程中充分融合模型使用者的專家經(jīng)驗(yàn)和先驗(yàn)信息,以保證面源污染模擬結(jié)果的可靠性。

3.2 不確定性分析

隨著面源污染模型越來越多地服務(wù)于水資源管理、污染物總量控制、生態(tài)補(bǔ)償?shù)阮I(lǐng)域,模型結(jié)果的可靠性問題和風(fēng)險問題備受關(guān)注。由于流域內(nèi)水循環(huán)及生物地球化學(xué)過程屬于降雨-徑流、面源污染物遷移轉(zhuǎn)化和河流水質(zhì)水動力等高度非線性過程的復(fù)雜組合,而流域模型對這些機(jī)理過程通常概化成一般的數(shù)學(xué)方程,本質(zhì)上是對真實(shí)過程的一種近似狀態(tài)的描述,這就會帶來模擬結(jié)果的不確定性。美國最大日負(fù)荷量(Total Maximum Daily Load,TMDL)計(jì)劃的具體實(shí)施中明確規(guī)定了安全余量的計(jì)算,要求如果基于模擬結(jié)果分配負(fù)荷則須要考量模擬結(jié)果不確定性,以降低流域管理的決策風(fēng)險[48]。在自然科學(xué)領(lǐng)域,不確定性通常被歸為隨機(jī)不確定性和認(rèn)知不確定性[49],而具體到面源污染模型的不確定性則概括為三類,即參數(shù)、輸入及結(jié)構(gòu)不確定性[50]。

3.2.1參數(shù)不確定性

流域模擬中的參數(shù)不確定性最早在流域水文模型中發(fā)現(xiàn)和探討。1992年Beven和Binley[51]認(rèn)為在模擬水文過程時存在“異參同效”(equifinality)現(xiàn)象,即模型結(jié)果受參數(shù)組合的綜合影響,不同的參數(shù)組合可能獲得相同或相近的模型響應(yīng)。為詮釋和評估這種參數(shù)不確定性的影響,普適似然不確定性評估(Generalized Likelihood Uncertainty Estimation,GLUE)方法被兩位學(xué)者首次提出,后續(xù)被廣泛用于流域水文模型中,HSPF模型也得益于該方法在參數(shù)不確定性方面得以發(fā)展。GLUE方法在應(yīng)用時需設(shè)置模型參數(shù)的先驗(yàn)分布和用于評價參數(shù)組模擬效果的似然函數(shù),隨后對參數(shù)組進(jìn)行抽樣并重復(fù)模擬,結(jié)合似然函數(shù)閾值以及參數(shù)組的似然權(quán)重,最終獲得參數(shù)組的后驗(yàn)分布以及模擬結(jié)果的不確定性區(qū)間。HSPF模型水文參數(shù)的先驗(yàn)分布通常被假設(shè)為均勻分布和三角分布,而納什效率系數(shù)則常被選為篩選模擬結(jié)果的似然函數(shù)[36,47,52]。水文參數(shù)之間復(fù)雜的相關(guān)關(guān)系(例如下層土壤額定含水量與土壤滲透率呈極顯著負(fù)相關(guān)關(guān)系,上層土壤額定含水量與地下水退水系數(shù)呈極顯著正相關(guān)關(guān)系)也通過GLUE方法的應(yīng)用被探討[53]。在水質(zhì)模擬方面,Roostaee和Deng[54]針對硝酸鹽和磷酸根在壤中流、基流和陸面沖刷的相關(guān)HSPF模型參數(shù)的不確定性進(jìn)行了探討。Mishra等[55]則利用GLUE方法針對大腸桿菌的陸面沖刷以及一階死亡率參數(shù)的不確定性進(jìn)行了評估和量化。Xie等[36]考慮了場次降雨事件下面源污染過程特征,構(gòu)建了一系列基于污染物在次降雨尺度下傳輸特征的似然函數(shù)并將其融合,用以評估HSPF模型泥沙參數(shù)對陸面及河道懸浮泥沙輸移模擬的不確定性。這些前人的研究成果為HSPF模型參數(shù)不確定性理論和技術(shù)提供了寶貴的經(jīng)驗(yàn)。但作為一種“偽”貝葉斯(pseudoBayesian)方法,學(xué)術(shù)屆對GLUE的一些假設(shè)提出了質(zhì)疑,認(rèn)為包括非統(tǒng)計(jì)意義的廣義似然函數(shù)的選取和有效性參數(shù)組的判斷篩選等,會導(dǎo)致參數(shù)后驗(yàn)分布的推求過程和結(jié)果不具備顯著統(tǒng)計(jì)特征[56—57]?；诮?jīng)典貝葉斯理論的馬爾科夫鏈蒙特卡洛(Markov chain Monte Carlo,MCMC)方法[58]是用于面源污染模型參數(shù)不確定性分析的另一種方向。MCMC方法的應(yīng)用同樣需要確定模型參數(shù)的先驗(yàn)分布,但需定義包含模擬誤差概率分布的嚴(yán)格似然函數(shù),構(gòu)建若干條獨(dú)立并行的Markov鏈搜索參數(shù)空間,通過參數(shù)組的抽樣、模擬和對比評價,不斷更新樣本信息使Markov鏈?zhǔn)諗?實(shí)現(xiàn)具有統(tǒng)計(jì)意義的最大后驗(yàn)估計(jì)。前有學(xué)者對比過GLUE方法和MCMC方法應(yīng)用于HSPF模型評估大腸桿菌參數(shù)的不確定性,結(jié)果表明二者推求的參數(shù)后驗(yàn)分布與模擬不確定性區(qū)間相似,但GLUE方法需要設(shè)定較高的閾值,而MCMC方法需要更多的計(jì)算資源[59]。類似的對比結(jié)果也出現(xiàn)于該方法在其他流域水文模型中的應(yīng)用研究中[57,60],發(fā)現(xiàn)MCMC方法取得的參數(shù)后驗(yàn)具有略高的識別度,且可以更準(zhǔn)確地將參數(shù)不確定性貢獻(xiàn)區(qū)分于模型總不確定性。后來在高效采樣算法的引入下,Markov鏈的搜索效率得到提升,例如近年來被廣泛用于環(huán)境模擬的差分進(jìn)化自適應(yīng)Metropolis算法(Differential evolution adaptive metropolis,DREAM)以及其改進(jìn)的DREAMZS算法[60—61],具備多鏈并行抽樣能力,自適應(yīng)地調(diào)整搜索步長和方向[62],使得MCMC方法比GLUE方法可更高效地收斂至后驗(yàn)分布,且收斂結(jié)果通常具有更好的參數(shù)識別度。但目前集成此類高效算法的MCMC方法尚未見報(bào)道應(yīng)用于基于HSPF模型的面源污染模擬研究中。

總體而言,現(xiàn)階段HSPF模型的參數(shù)不確定性研究多集中于水文模擬,對水質(zhì)相關(guān)參數(shù)的研究比較缺乏。由于HSPF模型的水質(zhì)參數(shù)種類眾多,涉及陸面、河道、水土中遷移、形態(tài)轉(zhuǎn)換等多界面多過程,應(yīng)借鑒其他面源污染模型應(yīng)對這種多維度和多模態(tài)參數(shù)不確定性的先進(jìn)方法,該方向的研究也將為HSPF模型更好地服務(wù)面源污染管控提供理論和技術(shù)支撐。

3.2.2輸入不確定性

降雨和DEM是面源污染模擬的關(guān)鍵輸入數(shù)據(jù)。針對HSPF模型來說,Wang等[63]認(rèn)為二者的不確定性會傳遞至徑流、泥沙及氮磷污染模擬并具有一定的擴(kuò)大效應(yīng),該結(jié)論也與其他面源污染模型的相關(guān)研究結(jié)果較為一致[64]。目前降雨數(shù)據(jù)的獲取仍以地面雨量站網(wǎng)觀測為主,由于站網(wǎng)布設(shè)不合理以及測量誤差,會對面源污染模型的模擬結(jié)果帶來較大的不確定性[65]。增加雨量站點(diǎn)的數(shù)量和密度可提高降雨空間異質(zhì)性的描述,從而提高徑流和面源污染模擬的精度,但雨量站點(diǎn)稀疏是很多流域建模時遇到的普遍現(xiàn)象。HSPF模型在BASINS平臺中建模時,默認(rèn)選用的是臨近法或泰森多邊形法對子流域和雨量站進(jìn)行匹配,但對于復(fù)雜地形流域,可能需要考慮高程、坡度、坡向等要素對降雨插值的影響。Huo等[66]采用信息熵和模糊數(shù)學(xué)方法,并在考慮了高程數(shù)據(jù)之后為HSPF模型生成了降雨輸入數(shù)據(jù),相比常用的泰森多邊形法增強(qiáng)了對降雨空間異質(zhì)性的描述從而提高了徑流模擬的可靠性。此外,為分析降雨數(shù)據(jù)本身的測量隨機(jī)誤差的影響,劉興坡等[67]以青龍河流域?yàn)檠芯繀^(qū),區(qū)分降雨時間序列的隨機(jī)成分并建立隨機(jī)模擬序列驅(qū)動了HSPF模型的徑流模擬。衛(wèi)星降水產(chǎn)品由于具有高時空采樣頻率和覆蓋率,也被逐漸用于面源污染模擬的輸入。Solakian等[68]基于地面高密度定點(diǎn)雨量站觀測數(shù)據(jù)評價了三種衛(wèi)星降水產(chǎn)品(TRMM、CRMORPH和PERSIANN)的差異,并通過HSPF模型傳遞衛(wèi)星降雨輸入不確定性對流量、懸浮泥沙、水溫和溶解氧模擬的影響,分析了這種影響在不同模擬空間尺度和季節(jié)間的變化。

DEM數(shù)據(jù)分辨率影響著坡度、坡長、河道坡降等流域關(guān)鍵特征參數(shù)的提取,進(jìn)而改變了相關(guān)參數(shù)在模型中的輸入。DEM數(shù)據(jù)分辨率帶來的不確定性對流域水文及面源污染模擬的重要影響也已在前人的研究中得到共識[69—70]。針對HSPF模型,Roostaee和Deng[71]的研究發(fā)現(xiàn)當(dāng)DEM數(shù)據(jù)分辨率在3.5 m至100 m區(qū)間變化時,地勢平緩地區(qū)的徑流模擬較為敏感,月均流量的相對誤差可高達(dá)50%；而在坡度陡峭的山區(qū),這種輸入不確定性對徑流模擬影響非常小。Wang等[63]通過對DEM柵格數(shù)據(jù)進(jìn)行重采樣獲取30 m至480 m的16種分辨率,評估不同面源污染因子對DEM分辨率變化的敏感性。他們的研究結(jié)果發(fā)現(xiàn)模型對硝酸鹽和氨氮的模擬受其不確定性影響最大,且高于對徑流模擬的不確定性影響。這表明DEM數(shù)據(jù)輸入的不確定性在徑流-面源污染模擬過程中具有傳遞和擴(kuò)大效應(yīng)。

3.2.3結(jié)構(gòu)不確定性

針對模型結(jié)構(gòu)的不確定性分析常用到多模型集合模擬的方法,即加權(quán)平均多模型結(jié)果以減少單模型由于其對物理過程概化不足造成的不確定性。權(quán)重的選取在早期的研究中較為主觀且缺乏物理意義,近年來貝葉斯模型平均(Bayesian model averaging, BMA)方法[72]多被應(yīng)用于面源污染模擬的結(jié)構(gòu)不確定性評價研究,該方法通過似然值代替了權(quán)重,具有更高的魯棒性。Wang等[73]在我國灤河流域評價了HSPF模型模擬氮素污染的結(jié)構(gòu)不確定性,通過集合SWAT模型和GWLF模型并采用BMA方法對多模型結(jié)果進(jìn)行了貝葉斯加權(quán)平均。該方法也被用于減少HSPF模型及SWAT模型單獨(dú)模擬氮磷污染的結(jié)構(gòu)不確定性,通過置信區(qū)間的寬度及對觀測值的覆蓋率等不確定性量化方法提高了模型的解釋力[37]。此外,加強(qiáng)模型對機(jī)理過程的數(shù)學(xué)描述方式和方法也是減小模型結(jié)構(gòu)不確定性的一種方向[74],但針對HSPF模型鮮有相關(guān)的研究。雖然HSPF模型已經(jīng)在全球范圍被廣泛認(rèn)可,它的模型結(jié)構(gòu)在某些特定現(xiàn)實(shí)情景下還有提升的空間。例如在干旱區(qū)域非汛期,地表水和地下水的交互作用突出,而HSPF模型尚不能準(zhǔn)確表達(dá)這種耦合情景。針對水稻田這種特殊的流域地理單元,已有研究對HSPF模型的結(jié)構(gòu)進(jìn)行了改進(jìn),在模型的源代碼中引入了圩埂高度和Dirac delta函數(shù)以表征水稻田內(nèi)排水、灌溉和施肥過程,構(gòu)建了針對水稻灌區(qū)的HSPF-paddy模型并模擬了徑流、水溫、五日生化需氧量、總氮及總磷。該改進(jìn)模型的模擬結(jié)果在田塊尺度和流域尺度均得到了驗(yàn)證[75—76]。

4 HSPF模型在面源污染管控中的應(yīng)用

4.1 BMPs和LIDs效果評估

最佳管理措施(Best management practices, BMPs)和低影響開發(fā)(Low impact developments practices,LIDs)是能夠有效削減面源污染的管理政策或技術(shù)手段[77]。為避免盲目的規(guī)劃和實(shí)施管控方案,需要科學(xué)精確地評估BMPs和LIDs的污染物削減效率。面源污染模型是常用的評估工具,研究學(xué)者通常采用模型中的措施評估模塊或調(diào)整措施評估參數(shù)的方式,在模型中反映BMPs和LIDs實(shí)施的情景并對其效果進(jìn)行模擬分析。模型模擬相較于實(shí)地跟蹤監(jiān)測實(shí)驗(yàn)具有較大的靈活性和時效性[78]。BMPs和LIDs的實(shí)施單元通常為場地、田間、小區(qū)等,通過流域面源污染模型模擬,可將小尺度下的評估結(jié)果推廣至子流域和流域尺度,也有助于分析管控措施的尺度效應(yīng),因此面源污染模型在評估措施削減效果時具有較大的優(yōu)勢[79]。

針對管理型措施,HSPF模型中的SPEC-ACTION模塊可用于評估其削減效果。用戶在該模塊中可設(shè)置和調(diào)整農(nóng)業(yè)耕作時間、收割時間、化肥施用方案等農(nóng)業(yè)活動的情景,進(jìn)而模擬免耕、少耕、施肥管理等管理型措施的水質(zhì)改善效應(yīng)。針對工程型措施,HSPF模型中內(nèi)置了BMPRAC模塊,用戶可自主定義單個工程BMP或LID措施(包括植草溝、過濾帶、干濕沉淀池、岸邊緩沖帶)在流域單元中的數(shù)量及污染物去除率[80]。Risal等[81]采用該模塊模擬了農(nóng)田中過濾帶及沉淀池在流域尺度下對泥沙、總氮和總磷的削減效率。但BMPRAC模塊中直接設(shè)置措施效果的處理方式具有主觀性,且不能反應(yīng)措施受降雨、污染源強(qiáng)、地形等多因素影響下削減效果的時空異質(zhì)性。相比之下,調(diào)整措施評估參數(shù)則是一種過程型的模擬方法,可以充分結(jié)合面源污染模型本身的結(jié)構(gòu)框架,利用模型對污染物遷移轉(zhuǎn)化的描述能力評估措施的污染物削減效果。謝暉[82]分析了四種農(nóng)業(yè)BMPs(免耕、等高種植、梯田和植被過濾帶)對面源污染物的削減過程和原理,將措施在流域單元中的數(shù)學(xué)表達(dá)與HSPF模型參數(shù)關(guān)聯(lián),以此評估了三峽庫區(qū)小流域中四種措施對面源氮磷污染的削減能力。但是這種過程型的措施評估方法與HSPF模型結(jié)合的研究較少,相比之下,SWAT模型的在該方向上具有廣泛的應(yīng)用成果。這種差別主要是由于面向用戶的易操作性以及應(yīng)用經(jīng)驗(yàn)積累的差距。Arabi等[83]首次系統(tǒng)提出了SWAT模型評估農(nóng)業(yè)管控措施的過程型模擬方法；美國德州水資源學(xué)院在2011年編撰了基于SWAT模型的管控措施模擬手冊[84]；專門用于評估LIDs效果的SWAT-LID模塊也被研發(fā)[85],這些學(xué)者的研究經(jīng)驗(yàn)和成果都有助于SWAT模型在該領(lǐng)域的推廣應(yīng)用。對于HSPF模型來說,它與SWAT模型有很多共通之處,包括流域地理單元的概化、機(jī)理過程的數(shù)學(xué)表達(dá)等等,后續(xù)的研究可借鑒SWAT等其他面源污染模型的研究經(jīng)驗(yàn),在措施評估模塊的開發(fā)上有所突破,將有利于HSPF模型高效準(zhǔn)確地評估BMPs和LIDs的水質(zhì)改善效應(yīng)。

4.2 流域污染物總量控制

流域尺度下的污染物總量控制,通常是指在水質(zhì)標(biāo)準(zhǔn)的約束下,充分考慮社會經(jīng)濟(jì)條件和水體自凈能力,控制流域允許排放的最大污染物總量,并對各單元需要削減的污染物負(fù)荷進(jìn)行合理分配[86]。這種水環(huán)境管理的理念在美國TMDL計(jì)劃、歐盟水框架指令中得以發(fā)展,并且逐漸在我國多個流域內(nèi)推廣實(shí)踐。

污染物總量控制須要明確并量化區(qū)域污染物排放對水體水質(zhì)狀態(tài)的影響,流域面源污染模型則可建立這種驅(qū)動-響應(yīng)關(guān)系,并從降雨-徑流、面源污染遷移轉(zhuǎn)化、河流水質(zhì)水動力等多角度分解污染物排放過程。HSPF模型正是當(dāng)前美國實(shí)施TMDL計(jì)劃的推薦模型,并在Cannon River、Chesapeake Bay、Moosy Creek等多個流域開展了總量控制的可行性研究和實(shí)踐[13,80,87]。此外,HSPF模型的不確定性對污染總量控制的影響也被研究。Mishra等[55]區(qū)分考慮了HSPF模型的隨機(jī)不確定性和認(rèn)知不確定性,利用兩相蒙特卡洛隨機(jī)模擬的方法評估了大腸桿菌污染總量控制的情景方案。Ahmadisharaf和Benham[88]結(jié)合GLUE方法和HSPF模型,設(shè)計(jì)了基于水質(zhì)目標(biāo)風(fēng)險的大腸桿菌污染削減情景評價框架,以正向模擬的思路評估了各污染源在不同削減比例下污染物總量超標(biāo)的概率。另一方面,在一定條件約束下,以反向優(yōu)化的思路將污染削減量及控制措施分配于不同空間單元成為總量控制領(lǐng)域的研究熱點(diǎn)[89—90]。如前所述,HSPF模型具備靈活的面源污染模擬和措施效果評估能力,能夠模擬污染削減措施在不同尺度下的環(huán)境效益,因此可將其與優(yōu)化算法或工具進(jìn)行耦合,實(shí)現(xiàn)成本投入-環(huán)境效益協(xié)同目標(biāo)下的污染物總量控制。在美國San Antonio River流域內(nèi)的多個城市型流域,HSPF模型在優(yōu)化工具SARA Load Reduction Tool和SARA Enhanced BMP Tool的結(jié)合下服務(wù)了該區(qū)域的污染削減和雨洪管理規(guī)劃[91]。SARA Load Reduction Tool工具可優(yōu)化分配不同區(qū)域的污染負(fù)荷削減量,SARA Enhanced BMP Tool可確定控制措施的優(yōu)化配置(種類、數(shù)量和位置等)以確保分配的污染負(fù)荷削減量得以實(shí)現(xiàn),HSPF模型則是不同方案制定和反饋迭代過程中的核心過程與紐帶。基于反向優(yōu)化的措施空間配置過程同樣受到模型不確定性的影響,Xie等[38]將HSPF模型的參數(shù)不確定性引入措施優(yōu)化配置過程中,在多種水質(zhì)達(dá)標(biāo)的置信水平下開展了“措施效果評估-不確定性分析-措施優(yōu)化配置”的一體化研究,研究思路及相關(guān)成果服務(wù)于減少農(nóng)村小流域污染物總量控制的決策風(fēng)險。

5 新形勢下HSPF模型的延伸

隨著近年來流域水環(huán)境綜合管理從理論轉(zhuǎn)向?qū)嵺`,國家和地方逐漸推動流域水環(huán)境綜合管理從信息化向智慧化發(fā)展,智慧流域的理念及其信息化平臺建設(shè)成為重要的方向。地方生態(tài)環(huán)境部門不僅需要水利、水環(huán)境等監(jiān)測數(shù)據(jù)的在線掌控,更希望通過仿真模擬實(shí)現(xiàn)河湖水質(zhì)的實(shí)時模擬、預(yù)報(bào)預(yù)警和污染源解析等功能,因此對面源污染模型在信息化平臺中的集成應(yīng)用與服務(wù)需求愈發(fā)強(qiáng)烈[92—93]。HSPF模型在現(xiàn)階段的操作使用非常依賴BASINS平臺,雖然BASINS平臺集成了該模型的輸入數(shù)據(jù)處理、模型配置及結(jié)果展示等功能,但BASINS的大部分圖形用戶接口是由Visual Basic 6編譯,這與微軟Windows現(xiàn)在的主流開發(fā)平臺Visual.Net并不兼容,且并不能在Windows以外的操作系統(tǒng)(例如類Unix系統(tǒng))下運(yùn)行[94]。這些外在因素減弱了HSPF模型自身固有的靈活性以及在信息化平臺的可操作性。而對于HSPF模型本身,其最新版本的源代碼依然保留了大量Fortran 77語法,內(nèi)存管理復(fù)雜且固化,程序范式嚴(yán)謹(jǐn)?shù)勺x性較差,一定程度上限制了該模型的維護(hù)、升級和移植。HSPF模型運(yùn)行的核心輸入文件是WDM文件,存儲空間有限,且創(chuàng)建和修改需要訪問HSPF模型鏈接庫中的許多子程序,用戶通常要借助BASINS平臺中的組件如WDMUtil、SARA Timeseries Utility等特定工具進(jìn)行編輯。以上這些HSPF模型固化的特征與現(xiàn)代化環(huán)境模擬要求的可復(fù)制性和開放性相悖[95],也正是HSPF模型亟需發(fā)展的方向。

在流域管理信息化平臺建設(shè)和現(xiàn)代化環(huán)境模擬的背景下, HSPF模型在不同學(xué)者和技術(shù)人員的共同努力下得到了延伸和發(fā)展。PyHSPF[94]是最早的典范,PyHSPF是以Python語言為核心的開源跨平臺軟件套裝,它沿襲了HSPF version 12.2中水和水質(zhì)模擬的函數(shù)庫,利用Python聯(lián)接了函數(shù)庫、子流域?qū)傩院万?qū)動數(shù)據(jù),并構(gòu)建了包含數(shù)據(jù)預(yù)處理、參數(shù)自動率定、批量模擬等功能的Python模塊和類,為提升HSPF模型模擬效率[96]、模塊功能自主研發(fā)[97]以及應(yīng)用編程接口開發(fā)[95]提供了多種便利。此外,HSP2(Hydrologic Simulation Program-Python)模型作為HSPF模型的Python版本被研發(fā),該模型使用Python重編譯了HSPF模型的核心功能模塊,使用跨平臺數(shù)據(jù)存儲文件HDF5存儲和讀寫模型的輸入和輸出數(shù)據(jù),并利用交互式Web應(yīng)用Jupyter Notebook和JupyterLab 維護(hù)HSP2的開發(fā)、升級和協(xié)作[98]。HSP2模型的主要優(yōu)勢在于其模型結(jié)構(gòu)和源代碼脫離了特定操作系統(tǒng)和WDM文件的束縛,增強(qiáng)了子流域、土地利用等流域?qū)傩院湍Ｐ蛥?shù)等的動態(tài)表達(dá),從而有利于用戶設(shè)計(jì)多種變化環(huán)境的驅(qū)動情景,且模型代碼可與CPU/GPU異構(gòu)式并行加速環(huán)境兼容。雖然HSP2模型尚處于前期開發(fā)階段,已有研究成功利用該模型在東南亞源頭小流域模擬了河流大腸桿菌濃度的高頻動態(tài)變化[99]。

6 HSPF模型的發(fā)展動向及展望

縱觀HSPF模型的發(fā)展歷程,該模型自上世紀(jì)80年代被研發(fā)后經(jīng)歷了蓬勃的發(fā)展和積累?，F(xiàn)如今HSPF模型是美國環(huán)保署重點(diǎn)推薦的流域水質(zhì)模型,是各州執(zhí)行TMDL計(jì)劃的主要工具之一。雖然該模型在國內(nèi)的起步較晚,但從最早的徑流模擬已擴(kuò)展至集成多種污染物、多過程的水量水質(zhì)綜合模擬,到如今服務(wù)于太湖、巢湖、滇池等流域的污染管控和規(guī)劃工作,可以說HSPF模型在我國國情和流域背景下的應(yīng)用有了飛速的發(fā)展和實(shí)質(zhì)性突破。盡管HSPF模型具備了多種優(yōu)點(diǎn),但現(xiàn)階段依然存在諸多局限性,作為面源污染模擬的重要工具,該模型的后續(xù)完善更應(yīng)該落腳至解決生態(tài)環(huán)境領(lǐng)域的實(shí)際問題,這就更加需要廣大科研工作者的投入和堅(jiān)持。對于未來HSPF模型的發(fā)展動向及展望,筆者認(rèn)為可以著重關(guān)注以下幾個方面：

(1)模型本地化改進(jìn)。HSPF模型雖然已在全球范圍內(nèi)得到成功的應(yīng)用,但是針對特定的應(yīng)用場景,如果完全依賴現(xiàn)階段模型本身的結(jié)構(gòu)功能,還不足以支撐我國河湖管理工作。例如化學(xué)需氧量是我國地表水環(huán)境質(zhì)量考核的重要指標(biāo),但HSPF模型暫未具有直接模擬化學(xué)需氧量的功能模塊。此外,閘門和泵站是人類活動干擾流域自然系統(tǒng)的常見水工構(gòu)筑物,在我國平原圩區(qū)十分常見,對此HSPF模型的模擬概化步驟并非友好。因此在未來,應(yīng)該針對特定的應(yīng)用場景,改進(jìn)模型對實(shí)際過程的數(shù)學(xué)表達(dá),或開發(fā)全新的功能模塊、或耦合其他環(huán)境模型,提升HSPF模型在我國流域的適用性。

(2)大尺度精細(xì)化模擬。HSPF模型已在大尺度流域(例如166, 000 km2的Chespeake Bay)[64]獲得了成功應(yīng)用,但在大尺度模擬的同時還需考慮計(jì)算單元的細(xì)化精度。在我國河長制的背景下,計(jì)算單元的劃分應(yīng)結(jié)合行政區(qū)劃,服務(wù)河長制的網(wǎng)格化精細(xì)管理,計(jì)算單元由粗糙單元向精細(xì)單元轉(zhuǎn)變是大趨勢。對于HSPF模型而言,大尺度精細(xì)化模擬需要提高計(jì)算效率,基于Python的多線程模塊和并行計(jì)算擴(kuò)展包如PyCUDA和Numba可以與pyHSPF模型和HSP2模型兼容[96],未來可設(shè)計(jì)并行架構(gòu)的云計(jì)算環(huán)境,將有助于HSPF模型在大尺度復(fù)雜流域的應(yīng)用。

(3)人工智能和模型的互饋集合模擬。當(dāng)下數(shù)字水利、數(shù)字流域的建設(shè)促進(jìn)了多源觀測資料呈幾何級增長,這些基礎(chǔ)大數(shù)據(jù)在人工智能的催化下,可幫助解決HSPF模型所需的高精度輸入以及多維度參數(shù)自適應(yīng)尋優(yōu)問題。此外在少資料地區(qū),流域模型的模擬結(jié)果可為人工智能算法提供訓(xùn)練樣本[100],從而延伸數(shù)據(jù)驅(qū)動模型的研究范式。因此對于HSPF模型而言,未來應(yīng)充分結(jié)合大數(shù)據(jù)統(tǒng)計(jì)與智能算法,打破學(xué)科間隔閡,互饋集合應(yīng)用以提升面源污染的模擬與預(yù)測水平。