2020, Vol. 40
[PDF全文]
2. 西双版纳傣族自治州环境监测站, 西双版纳 666100
2. Environmental Monitoring Department of Xishuangbanna Dai Nationality Autonomous Prefecture, Xishuangbanna 666100
极端降水是指某一地区长时间历时内发生频率极低的降水事件(孙军等, 2017), 一般将单位时间内降水量级或持续时间超过历史降水序列某一阈值的降水事件定义为极端降水, 其指标体系包括百分位数、阈值指数及历时指数(Min et al., 2011; Field et al., 2012; Donat et al., 2017).在全球气候变化和人为干扰的双重影响下, 极端降水事件的频率和量级呈显著上升的趋势, 引起了广泛的关注(Alexander et al., 2006).同时, 也有学者开始关注极端降水带来的其他影响, 如极端降水对水环境质量的影响.研究表明, 极端降水是影响水环境质量的重要气象因素之一(Weyhenmeyer et al., 2004; Carpenter et al., 2015; de Eyto et al., 2016), 已经成为影响地区水资源安全、水环境质量和经济社会可持续发展的重要因素.已有研究发现, 作为我国降水总量增加的主要原因, 极端降水已经显著影响到我国降水总量和时间分布(闵屾等, 2008).由于降水是非点源流失的主要驱动力(林明等, 2015; Motew et al., 2018), 极端降水将改变径流中的污染物通量, 进而影响水环境质量(Carpenter et al., 2015; Carpenter et al., 2018).相对于非极端降水, 极端降水事件的产流量和污染物携带量往往更大, 是污染物输出的主要过程(Carpenter et al., 2015; Motew et al., 2018).在美国Mendota湖流域入湖河道Yahara河的研究表明, 极端降水显著提高了入湖污染负荷, 74%的入湖负荷发生在降水量大的29 d(Carpenter et al., 2015), 极端降水显著改变了湖泊的营养盐输入过程.
我国西南地区是气候变化强烈的区域(Liu et al., 2014), 已有研究表明, 云贵高原的强降水和极端降水量呈显著上升趋势(王学锋等, 2010).云南省的极端降水在发生频率、持续天数和强度上均表现为增加趋势(杨晓静等, 2015), 但滇中地区的极端降水呈减少趋势(曹言等, 2017), 并且滇中地区遭受极端降水的风险高于云南省其他区域(杨晓静等, 2015).滇池是滇中最大的湖泊, 在多年环境治理的努力下, 滇池水质仍然呈现显著的年际和年内波动特征.已有相关研究关注气象因子对滇池蓝藻生长的影响, 如：韦力元等(2016)发现日降水量与滇池草海叶绿素a浓度呈负相关, 而外海的研究结论则相反, 鲁韦坤等(2017)发现月降水量与外海的蓝藻水华发生频率呈正相关关系.不同时间尺度和湖区的研究结果差异显著, 表明降水对滇池水环境影响的复杂性.也有研究关注降雨强度与河道污染负荷的关系, 如郭怀成等(2013)在宝象河的研究发现, 入河氮、磷污染负荷与降雨强度呈正相关.但目前尚无相关研究关注滇池流域极端降水与水质变化的关系.
本研究使用加拿大气象局气候研究部开发的RClimDex程序包计算了滇池流域近60年的各极端降水指标并使用Mann-Kendall检验法对各极端降水指标的变化趋势进行显著性检验, 使用随机森林模型对流域内近20年内各极端降水指标和其他驱动因子与湖泊水质变化趋势进行重要性分析.随机森林是由Breiman在2001年首次提出的一种机器学习方法, 因可以准确分析具有多变量及大量数据的数据集, 逐渐扩大至遥感、生态预测、水文水资源及污染识别等领域(Beckschafer et al., 2013; Corcoran et al., 2015; Lawrence et al., 2016; Walsh et al., 2017).Ouedraogo等(2019)在非洲大陆尺度上开展的研究证明, 随机森林回归模型在分析影响地表水氮浓度的因素时表现出了较高的预测能力, 但目前暂无相关研究应用随机森林模型在流域或更小尺度上进行氮磷等主要污染物的关键影响因子识别.鉴于随机森林对多变量及大数据的适应性, 本文使用随机森林回归模型识别多因子作用下影响湖泊水质变化的关键因子, 拓展了随机森林模型在水质影响因子识别研究及水环境管理与预测工作中的应用, 以期为湖泊水环境管理提供决策支撑.
2 材料与方法(Materials and methods) 2.1 研究区域概况滇池湖体面积309.5 km2(水位1887.4 m时), 是云贵高原最大的淡水湖泊, 为我国四大断陷构造湖之一.1996年西园隧洞建成后, 滇池被海埂大坝分隔为北部的草海和南部的外海两个没有水力联系的子湖泊(图 1), 其中外海是滇池主体, 占滇池总面积的96.4%, 而滇池的水分别从海口河和西园隧洞出流.滇池平均水深5.3 m(水位1887.4 m时), 相应的蓄水量为15.6×108 m3.滇池流域面积为2920 km2, 地处长江、红河、珠江三大水系的分水岭地带, 流域多年平均降水量为924.7 mm, 年最大降水量1234.1 mm, 最小553.6 mm, 雨季降水量占全年的87%, 滇池流域的降水具有年内和年际分布不均的特征(朱珊珊等, 2014).从行政区划看, 滇池流域所在位置位于云南省会昆明境内.2015年流域常住人口406.86万人, 地区生产总值3168亿元, 承载了昆明市61%的人口和80%的地区生产总值.流域的人均GDP达到7.8×104元·人-1, 是昆明市的1.3倍, 人口密度1393人·km-2, 是昆明市的4.4倍.作为云南省人类活动强度最为剧烈的区域, 滇池水环境压力十分巨大, 从20世纪50年代的Ⅱ类水, 退化到70年代的Ⅲ类, 80年代进一步恶化到劣Ⅴ类(潘珉等, 2010).经过多年治理, 2017年滇池仍然停留在Ⅴ类水质(昆明市环境保护局, 2018), 未达到地表水环境功能区划目标(草海Ⅳ类, 外海Ⅲ类)要求.
 |
| 图 1 滇池流域地理位置与气象、水质监测站点 Fig. 1 Location of Lake Dianchi basin, its meteorological stations and water quality monitoring stations |
气象及水质数据.本研究使用1951年1月1日—2017年12月31日滇池流域内昆明、嵩明、晋宁、太华山、呈贡5个国家级气象观测站降水观测数据的日值进行极端降水指标变化分析；气象数据从“资源环境数据云平台”下载(http://www.resdc.cn/Default.aspx).使用1988年1月—2017年12月期间昆明市监测中心对滇池灰湾中、罗家营、观音山东、观音山中、观音山西、海口西、滇池南、白鱼口8个水质监测点位的逐月水质监测数据进行水环境质量分析.
经济社会指标及流域调水数据.本研究使用1988—2017年《昆明市统计年鉴》中的经济社会指标统计数据, 包括以下几项：第一产业(primary industry, 简称PI)占比、第二产业(secondary industry, 简称SI)占比、第三产业(tertiary industry, 简称TI)占比, 城镇化率(urbanization, 简称URB)及人口(population, 简称POP), 行政区数据通过面积权重法折合到流域内.同时为充分考虑2007年滇池流域实施调水工程后从外流域调入流域内的水量的影响, 加入2007—2017年调水量(water diversion, 简称WD)进行回归分析, 调水数据来源于昆明市水务局.
人类活动净氮、净磷输入模型数据.本研究使用人类活动净氮输入模型(Net Anthropogenic Nitrogen Input, 简称NANI)(Gao et al., 2014)和人类活动净磷输入模型(Net Anthropogenic Phosphorus Input, 简称NAPI)(Russell et al., 2008)评估滇池流域人类活动对氮、磷输入的影响.对我国大部分区域而言, 由于数据的不足, 难以构建完整的营养盐平衡账户, 进而难以直接评估人类活动对流域氮磷输入的影响(高伟等, 2016).NANI由食品氮输入(NNFFI)、氮肥施用(NFERT)、作物固氮(NAGRF)、大气NOy沉降(NDEPO)4个组分构成；NAPI由磷肥施用(PFERT)、食品磷输入(PNFFI)、非食品磷输入(PNF)3个组分构成.本研究使用Gao et al. (2014)及李金城等(2018)提出的滇池流域NANI、NAPI模型计算人为氮磷输入.
2.3 研究方法 2.3.1 RClimDex模型目前对极端降水指标的统计分析方法主要有常规EXCEL统计分析和基于软件的半自动统计分析.相对于常规统计方法, 基于软件的极端气候统计指标较为全面, 信息量更为丰富, 且准确性高.ETCCDMI(Expert Team on Climate Change Detection Monitoring and Indices)推荐了基于R语言和FORTRAN的RClimDex、FClimDex和STARDEX等极端气候指标计算软件可应用于常规极端气候指标分析.本研究使用由加拿大气象局气候研究部开发的基于R语言的RClimDex程序包进行极端气候变化分析, RClimDex具有较友好的图形化操作界面, 能够计算27个气候指数, 并能对日输入数据进行质量控制.ETCCDMI定义了40个极端气候的相关指标, 本研究选取其中的11个与极端降水相关的指标(表 1)进行分析(贺克雕等, 2019).
| 表 1 RClimDex软件中极端降水指数 Table 1 Definition of the Indices for extreme precipitations in the RClimDex |
 |
本研究使用Mann-Kendall检验法(简称M-K检验法)对Rclimdex输出的各项长时间序列极端降水指标及滇池TN、TP浓度的变化趋势进行分析, 以检验变化趋势的强弱及显著性.M-K检验法最初由Mann(1945)提出, 经Kendall(1975)修改后, 被世界气象组织(World Meteorological Organization, 1988)推荐的一种非参数检验方法, 它适用于长时间序列的气象及水文数据的变化趋势的显著性及突变特征的检验.非参数检验方法适用于总体方差未知的长时间序列数据, 并不要求被检验数据总体服从特定的分布, 且允许数据缺失(Yue. et al., 2002), 是理想的气象及水文数据检验方法.
在M-K检验中, 零假设H0为检验的序列数据没有显著的变化趋势, 备择假设H1为检验的序列数据有显著的变化趋势.确定显著性水平α=0.05或α=0.01, 即：若p=Zα≤0.05, 该时间序列数据变化趋势显著；若p=Zα≤0.01, 该时间序列数据变化趋势极显著；反之, 若p=Zα>0.05, 则该时间序列数据变化趋势不显著.使用Z值来评价变化趋势的强弱, 若Z>0, 则变化趋势为增强, 若Z < 0, 则变化趋势为减弱.
2.3.3 randomForest模型本研究中, 使用随机森林(randomForest)模型分析不同极端降水指标及影响水质变化的经济社会指标、人为氮磷输入指标与湖体氮磷变化的相关性及重要性.现有研究多使用多元线性回归及决策树等方法对多个自变量与一个因变量的相关性高低进行分析, 但多元线性回归方法难以在自变量间存在交互相关时进行较准确的预测, 决策树又具有较低的准确率并容易出现过度拟合, 而在所有的分类及回归方法中, 随机森林具有最佳的表现(Svetnik et al., 2003).随机森林是由Breiman在2001年首次提出的一种机器学习方法, 它是一个根据训练数据的自举样本并选择决策树归纳法中的随机特征生成的未修剪的分类树或回归树的集合(Svetnik et al., 2003).Breiman(2001)认为, 随机森林具有机器学习中一般决策树方法的优点, 但又避免了过度拟合的问题.Breiman及Cutler于2001年发布了一个基于R语言的随机森林程序包(http://www.stat.berkeley.edu/ users/breiman/)便于用户使用随机森林模型进行分类及回归分析.
随机森林算法通过查看预测变量的OOB预测错误率的大小来获得变量的重要性, 并将之记为IncNodePurity, 该预测变量须在其他变量不变的条件下进行排序.不同自变量的IncNodePurity值由高至低分别表示该自变量对因变量的影响由强至弱(Breiman, 2001).
3 结果与分析(Results and analysis) 3.1 流域极端降水特征分析1951—2017年滇池流域的年均R10mm为24.3 d, 而年均R20mm、R25mm分别为5 d和2.5 d, 远小于R10mm, 说明滇池流域极端降水相对于中低强度降水的发生频次较低；滇池流域年均总降水量(PRCPTOT)约为938.77 mm, 但年均R95pTOT、R99pTOT分别为202.05、59.69 mm, 分别占总降水量的21.5%和6.4%, 但其发生频率分别为5.03%和1.01%, 说明滇池流域的极端降水事件发生概率低, 但对降水总量的贡献较大.将滇池流域与滇中地区相比, 滇中地区多年湿日降水量变化范围(SDII)为8.5~11.9 mm、平均持续湿日数变化范围(CWD)为4.7~11.1 d、R10mm变化范围为18.8~35.6 mm(曹言等, 2017)、PRCPTOT变化范围为638.3~1627.6 mm(平均值955 mm)(徐巧芝等, 2013).对比滇池流域和滇中地区极端降水特征后发现, 滇池流域的PRCPTOT多年平均值与滇中地区PRCPTOT多年平均值(约955 mm)(徐巧芝等, 2013; 曹言等, 2017)没有显著差异, 但其SDII仅为5.6 mm远小于滇中地区平均水平, 而CWD却趋近于滇中地区最大值, 说明, 滇池流域的降水历时较长, 但发生降水时的平均降水量较小.同时, 前文提到, 小概率降水事件R95pTOT、R99pTOT对滇池流域总降水的贡献较大, 而SDII值却较小, 因此认为, 滇池流域面临较高的极端降水风险, 这与杨晓静等(2015)的研究结果一致.
 |
| 图 2 1951—2017年滇池流域各极端降水指标年均值 Fig. 2 Average of Extreme Precipitation Indices Among 1951—2017 of Lake Dianchi Basin |
从各极端降水指标(表 2)及水质的变化趋势检验结果来看, 1951—2017年滇池流域极端降水的频次和强度呈显著降低趋势.其中CDD、CWD、RX1Day、R10mm、R20mm、R25mm、R95pTOT及SDII均极显著的降低, 各指标Z值为-9.86~-2.82, p值均小于0.001；而RX5Day、R99pTOT两个指标显著降低, Z值分别为-2.435和-2.09, p值均小于0.05而大于0.01.值得注意的是, 在所有极端降水指标中, SDII的Z值最小(-9.8618), 而CDD次之(-6.2037), 但是表征极端降水强度的R10mm、R95pTOT、R99pTOT均远大于SDII和CDD(-3.0272~-2.0919), 说明, 滇池流域SDII的减少量远大于极端降水强度的减低量, 印证了上文滇池流域面临较高的极端降水风险的分析结果.
| 表 2 滇池流域各极端气候指标及水质变化趋势检验结果 Table 2 Changing trends of each extreme precipitation indices and water quality over Lake Dianchi Basin |
|
1988—2017年间, 滇池湖体TN、TP浓度极显著的降低, Z值分别为-6.6028和-8.1034, p值均小于0.001, 表明水质极显著的好转.
3.3 湖泊水质响应分析使用随机森林分别将1988—2017年间滇池流域的不同极端气候指标、经济社会指标、人为氮磷输入指标及调水数据与滇池TN、TP监测数据进行回归分析, 从表 3结果中可以看出, TP、TN浓度与各相关指标的回归模型拟合优度尚可, 其MSE分别为0.0023156、0.124404, 而Var%(% var explained)分别为15.4、29.36, 说明滇池湖体中TP、TN的浓度与各驱动指标具有一定的相关性.
随机森林输出的重要性值(Inc Node Purity)在不同水质指标背景下具有较大的差异, 因此, 本研究对随机森林输出的各指标权重结果进行归一化处理便于分析.从随机森林输出的各指标对滇池TP、TN的影响重要性的结果来看, 对滇池TP(图 3a)影响最大的因素是PNFU(非食品磷输入), 其后依次为PRCPTOT、SDII、R25mm、FERT(磷肥输入)、R10mm、R95pTOT、CWD、R99pTOT等.对滇池TN(图 3b)影响最大的因素是URB(城镇化率), 其后依次为：FERT(氮肥输入)、POP、R10mm、SI、R99pTOT、ANF(作物固氮)、NFFI(食品氮输入)等.综合以上结果分析认为, 不论对TP、还是TN而言, 人为因素造成的氮磷输入均是对滇池水质影响最大的因素, 而极端降水对TN的贡献较弱, 但对TP的贡献较大.
 |
| 图 3 随机森林输出的TP(a)和TN(b)与各指标重要性 Fig. 3 Importance of TP(a)、TN(b) with each indices exported by randomForest |
近20年来, 在滇池流域内实施了大量的水污染防治工程, 如滇池环湖截污工程等, 这些治理工程的实施总体上改善了滇池的水质(刘雨桐等, 2017; 王杰等, 2018).从随机森林的分析结果中也可以看出, 滇池流域的各极端降水指标的变化与其湖体TN及TP的浓度变化的相对重要性排序不高；即使滇池流域在研究期间内出现了极端降水强度减弱的现象, 这种极端降水强度减弱的现象对滇池的年均TN、TP浓度的影响也不大.因此, 可以初步推测, 滇池水质的好转主要是开展流域水环境治理工程的结果, 而不是流域内极端降水显著减少的结果.
4.2 未来极端降水对滇池水质的影响分析尽管前文论述了水质的变化与极端降水的相关性不大, 主要是流域水环境治理工程的结果.但降水量的变化改变了流域径流量(高超等, 2005; Sikorska et al., 2018), 不同降水强度及降水量对地表污染物存在不同的冲刷效应(王书敏等, 2015), 进而影响湖库水位和入湖物质负荷(张晨等, 2016).极端降水增大了湖泊非点源污染的入湖负荷(McGowan et al., 2008; Zhang et al., 2012; Carpenter et al., 2015), 但降水的减少也可能影响水体的自净作用(Chen et al., 2018), 因此, 对于降水历时较长但极端降水贡献较大的滇池流域而言, 极端降水将持续影响流域的入湖污染负荷.
在多年的治理下, 滇池流域已基本实现了城镇区域的全面截污, 流域内城镇区域也建设了较为全面的雨污分流系统, 城镇污水处理厂的配备也较为全面, 农村区域也逐步完成了村庄污水治理工程, 随着城市的扩张, 截污及污水治理工程也随之规划建设.虽然实施了大量治理工程及调水工程, 但仅靠治理工程及调水难以持续改善滇池水质(刘雨桐等, 2017).本研究认为, 即使在极端降水显著减少及大量实施污染治理的背景下滇池流域目前面临较低的水质变化风险.但由于滇池流域的降水持续时间长, 降水量主要集中于中高强度降水及极端降水的特点, 极端降水将持续对滇池的水质产生影响, 并且增加了滇池水质持续改善的压力.因为这种降水的不均匀分布一方面增加了非点源的流失, 一方面又影响了滇池的水体自净能力.
4.3 研究展望由于统计数据的限制, 影响滇池水质的经济社会指标及人为氮磷输入、调水等数据均只能获得年度统计值, 故本研究使用的TP、TN浓度值为年均值, 可以代表滇池水质的年际变化情况, 但难以准确的反映降水强度与污染物冲刷的关系.如将数据替换为逐日氮磷浓度或逐月氮磷浓度, 则降水与污染物的浓度可能会具有更好相关关系, 进而能更准确地反映湖泊水质面临的极端降水风险程度.
通过本研究的开展, 得到了不同指标对TN、TP浓度变化的权重结果.该权重结果从一定程度上说明了对滇池湖体水质影响最大的因素是人为氮磷输入, 而水质与极端降水存在一定关系, 但量化这种关系的强弱及极端降水对湖泊水质的影响程度, 还需要配合更小时间尺度的数据进一步研究.同时, 在目前的研究基础上, 难以预测在城市化的发展及人口、GDP的增长背景下研究区域的极端降水的变化特征及趋势, 因此, 有必要开展进一步的研究量化高度城市化区域极端降水的变化趋势及水质对极端降水的响应.
5 结论(Conclusions)1) 近67年来, 滇池流域的年总降水量没有显著变化, 但极端降水已经具有显著的变化趋势, 虽然极端降水的强度及频次均显著减少, 但极端降水对流域降水总量的贡献较大, 因此滇池流域受极端降水影响较大.
2) 近20年来, 在多重努力下, 滇池的水质呈现显著好转趋势.虽然人为因素造成的氮磷输入是对滇池水质影响最大的因素, 但极端降水也是影响滇池水质的重要风险因素.
3) 在人为氮磷输入和极端降水变化的双重影响下, 滇池水质持续好转的压力较大.
Alexander L V, Zhang X, Peterson T C, et al. 2006. Global observed changes in daily climate extremes of temperature and precipitation[J]. Journal of Geophysical Research, 111(D5): 1042-1063. |
Beckschafer P, Fehrmann L, Harrison R D, et al. 2014. Mapping Leaf Area Index in subtropical upland ecosystems using RapidEye imagery and the Random Forest algorithm[J]. Iforest-biogeosciencees and Forestry, 7(1): 1-11. DOI:10.3832/ifor0968-006 |
Breiman L. 2001. Random Forests[J]. Machine Learning, 45(1): 5-32. |
曹言, 王杰, 张雷, 等. 2017. 滇中地区极端降水事件的时空变化特征分析[J]. 人民长江, 48(21): 50-55. |
Carpenter S R, Booth E G, Kucharik C J, et al. 2015. Extreme daily loads:role in annual phosphorus input to a north temperate lake[J]. Aquatic Sciences, 77(1): 71-79. DOI:10.1007/s00027-014-0364-5 |
Carpenter S R, Booth E G, Kucharik C J. 2018. Extreme precipitation and phosphorus loads from two agricultural watersheds[J]. Limnology and Oceanography, 63(3): 1221-1233. DOI:10.1002/lno.10767 |
Chen L, Zhi X, Shen Z, et al. 2018. Comparison between snowmelt-runoff and rainfall-runoff nonpoint source pollution in a typical urban catchment in Beijing, China[J]. Environmental Science and Pollution Research, 25(3SI): 2377-2388. |
Corcoran J, Knight J, Pelletier K, et al. 2015. The effects of point or polygon based training data on randomforest classification accuracy of wetlands[J]. Remote Sensing, 7(4): 4002-4025. DOI:10.3390/rs70404002 |
De Eyto E, Jennings E, Ryder E, et al. 2016. Response of a humic lake ecosystem to an extreme precipitation event:physical, chemical, and biological implications[J]. Inland Waters, 6(4): 483-498. DOI:10.1080/IW-6.4.875 |
Donat M G, Lowry A L, Alexander L V, et al. 2017. More extreme precipitation in the world's dry and wet regions[J]. Nature Climate Change, 7(2): 154-158. DOI:10.1038/nclimate3160 |
Field C B, Barros V, Stocker T. 2012. Managing the risks of extreme events and disasters to advance climate change adaption: special report of the Intergovernmental Panel on Climate Change[M]. N. Y., Cambridge University Press
|
贺克雕, 高伟, 段昌群, 等. 2019. 滇池、抚仙湖、阳宗海长期水位变化(1988-2015年)及驱动因子[J]. 湖泊科学, 31(5): 1379-1390. |
高超, 朱继业, 朱建国, 等. 2005. 极端降水事件对农业非点源污染物迁移的影响[J]. 地理学报, 60(6): 991-997. DOI:10.3321/j.issn:0375-5444.2005.06.012 |
Gao W, Howarth R W, Hong B, et al. 2014. Estimating net anthropogenic nitrogen inputs (NANI) in the Lake Dianchi Basin of China[J]. Biogeosciences, 11(3): 4577-4586. |
高伟, 高波, 严长安, 等. 2016. 鄱阳湖流域人为氮磷输入演变及湖泊水环境响应[J]. 环境科学学报, 36(9): 3137-3145. |
郭怀成, 向男, 周丰, 等. 2013. 滇池流域宝象河暴雨径流初始冲刷效应[J]. 环境科学, 34(4): 1298-1307. |
Kendall M G. 1990. Rank correlation methods(5th ed)[M]. N.Y., Oxford University Press
|
昆明市环境保护局. 2018. 2017年度昆明市环境质量状况公报[M]. 昆明: 昆明市环境保护局.
|
Lawrence R L, Wood S D, Sheley R L. 2006. Mapping invasive plants using hyperspectral imagery and Breiman Cutler classifications (RandomForest)[J]. Remote Sensing of Environment, 100(3): 356-362. DOI:10.1016/j.rse.2005.10.014 |
Liu M, Xu X, Sun A Y, et al. 2014. Is southwestern China experiencing more frequent precipitation extremes?[J]. Environmental Research Letters, 9(3-4): 479-489. |
李金城, 严长安, 常学秀, 等. 2018. 1980-2015年昆明市人为净磷输入量与驱动力评估[J]. 环境污染与防治, 40(10): 1193-1197. |
林明, 丁晓雯, 卢博鑫. 2015. 降雨、地形对非点源污染产输影响机理综述[J]. 环境工程, 33(6): 19-23. |
刘雨桐, 郭艳英, 姚越, 等. 2017. 滇池草海外源减排对湖体水质影响研究[J]. 环境科学与技术, 40(S2): 249-252. |
鲁韦坤, 余凌翔, 欧晓昆, 等. 2017. 滇池蓝藻水华发生频率与气象因子的关系[J]. 湖泊科学, 2017(3): 534-545. |
Mann H B. 1945. Nonparametric Tests Against Trend[J]. Econometrica, 13(3): 245-259. DOI:10.2307/1907187 |
Mcgowan S, Leavitt P R, Peres-Neto P, et al. 2008. Spatial variability of climate and land-use effects on lakes of the northern Great Plains[J]. Limnology and Oceanography, 53(2): 728-742. DOI:10.4319/lo.2008.53.2.0728 |
闵屾, 钱永甫. 2008. 我国近40年各类降水事件的变化趋势[J]. 中山大学学报(自然科学版), 47(3): 105-111. DOI:10.3321/j.issn:0529-6579.2008.03.023 |
Min S, Zhang X, Zwiers F W, et al. 2011. Human contribution to more-intense precipitation extremes[J]. Nature, 470(7334): 378-381. DOI:10.1038/nature09763 |
Motew M, Booth E G, Carpenter S R, et al. 2018. The synergistic effect of manure supply and extreme precipitation on surface water quality[J]. Environmental Research Letters, 13(079601). |
Ouedraogo I, Defourny P, Vanclooster M. 2019. Application of random forest regression and comparison of its performance to multiple linear regression in modeling groundwater nitrate concentration at the African continent scale[J]. Hydrogeology Journal, 27(3SI): 1081-1098. |
潘珉, 高路. 2010. 滇池流域社会经济发展对滇池水质变化的影响[J]. 中国工程科学, 12(6): 117-122. DOI:10.3969/j.issn.1009-1742.2010.06.023 |
孙军, 张福青. 2017. 中国日极端降水和趋势[J]. 中国科学(地球科学), 47(12): 1469-1482. |
Russell M J, Weller D E, Jordan T E, et al. 2008. Net anthropogenic phosphorus inputs:spatial and temporal variability in the Chesapeake Bay region[J]. Biogeochemistry, 88(3): 285-304. DOI:10.1007/s10533-008-9212-9 |
Sikorska A E, Viviroli D, Seibert J. 2018. Effective precipitation duration for runoff peaks based on catchment modelling[J]. Journal of Hydrology, 556: 510-522. DOI:10.1016/j.jhydrol.2017.11.028 |
Svetnik V, Liaw A, Culberson C. 2003. Random forest:a classification and regression tool for compound classification and QSAR modeling[J]. Journal of Chemical Information and Computer Sciences, 6(43): 1947-1958. |
Walsh E S, Kreakie B J, Cantwell M G, et al. 2017. A Random Forest approach to predict the spatial distribution of sediment pollution in an estuarine system[J]. Plos One, 12(7): e0179473. DOI:10.1371/journal.pone.0179473 |
王杰, 毛建忠, 谢永红, 等. 2018. 2008~2014年滇池水质时空变化特征分析[J]. 人民长江, 49(5): 11-15. |
王书敏, 郭树刚, 何强, 等. 2015. 城市流域降雨径流水质特性及初期冲刷现象[J]. 环境科学研究, 28(4): 532-539. |
王学锋, 郑小波, 黄玮, 等. 2010. 近47年云贵高原汛期强降水和极端降水变化特征[J]. 长江流域资源与环境, 19(11): 1350-1355. |
韦力元, 王真, 洪松. 2016. 气象与水质对滇池草海叶绿素a浓度的影响[J]. 环境科学与技术, 39(10): 26-30, 35. |
Weyhenmeyer G A, Willen E, Sonesten L. 2004. Effects of an extreme precipitation event on water chemistry and phytoplankton in the Swedish Lake Malaren[J]. Boreal Environment Research, 9(5): 409-420. |
World Meteorological Organization. 1988. Analyzing long time series of hydrological data with respect to climate variability: Project description[M]. Geneva, World Meteorological Organization
|
徐巧芝, 郭汝军, 丁文荣. 2013. 滇中地区降水特征与变化趋势研究[J]. 水土保持研究, 20(05): 155-159. |
杨晓静, 徐宗学, 左德鹏, 等. 2015. 云南省1958-2013年极端降水时空变化特征分析[J]. 灾害学, 2015(4): 178-186. DOI:10.3969/j.issn.1000-811X.2015.04.032 |
Yue S, Pilon P, Cavadias G. 2002. Power of the Mann-Kendall and Spearman's rho tests for detecting monotonic trends in hydrological series[J]. Journal of Hydrology, 259(1/4): 254-271. |
张晨, 来世玉, 高学平, 等. 2016. 气候变化对湖库水环境的潜在影响研究进展[J]. 湖泊科学, 28(4): 691-700. |
Zhang L, Lu W, An Y, et al. 2012. Response of non-point source pollutant loads to climate change in the Shitoukoumen reservoir catchment[J]. Environmental Monitoring and Assessment, 184(1): 581-594. |
朱珊珊, 姚林, 黄辉曦. 2014. 基于时间序列的滇池流域降雨变化特征分析[J]. 水电能源科学, 32(3): 15-18. |