2020, Vol. 40
[PDF全文]
2. 中国科学院生态环境研究中心城市与区域生态国家重点实验室, 北京 100085;
3. 中国环境科学研究院水环境科学研究所, 北京 100012
2. State Key Laboratory of Urban and Regional Ecology, Research Center for Eco-Environmental Sciences, Chinese Academy of Sciences, Beijing 100085;
3. Institute of Water Environment Science, Chinese Research Academy of Environmental Sciences, Beijing 100012
水资源对人类生存和发展具有不可替代的作用, 其数量与质量均直接影响人类社会的可持续发展(Zimmerman et al., 2008).随着社会经济的快速发展, 全球水资源面临水资源短缺和水质恶化的双重威胁(Yu et al., 2019).全面理解水资源消耗的影响, 实现水资源短缺与水环境质量的定量耦合评价, 对水资源管理具有重要意义(曾昭等, 2013; 孙才志等, 2016).
Hoekstra (2008)首先提出了“灰水足迹”的概念, 用来表示将污水稀释至符合规定的水质标准所需的淡水的体积, 水污染的程度可以通过灰水足迹的大小来反映, 实现了从水量角度评价水环境污染程度的目的.随后该方法被应用到城市尺度、国家尺度和全球尺度以评价水资源短缺情况(Yu et al., 2019).我国学者也将灰水足迹应用到水资源短缺评价的研究中, 如孙才志等(2016)计算了我国31个省市(自治区) 1998—2012年农业、工业及生活三方面的灰水足迹.一些学者对江苏(徐鹏程等, 2016)、河北(何立新等, 2016)、河南(曹连海等, 2016)、湖南(王丹阳等, 2016)、重庆(班荣舶等, 2015)、北京(曾昭等, 2013)等省级区域的灰水足迹进行了核算.此外, 灰水足迹还可以应用到产品层面的评价中, 如盖力强等(2010)对华北平原小麦和玉米两种农作物的灰水足迹进行了核算.Chapagain (2007)核算了荷兰咖啡和茶叶的灰水足迹.
目前, 灰水足迹的时间尺度主要以年为单位(Hu et al., 2018; Aldaya et al., 2020).然而, 时间尺度的不同会对水资源评价结果产生重大影响.有研究发现；以年为尺度评价, 全球有17~31亿人口面临着水资源短缺, 而如果以月进行评价, 则有40亿人口面临着水资源短缺(Mekonnen et al., 2016).以年为时间尺度评价全球水资源短缺情况, 由于不能捕捉到水资源消耗和供给的季节性变化波动, 低估了水资源短缺的真实情况(Wada et al., 2011).对于灰水足迹而言, 核算灰水足迹的关键参数存在明显的季节性差异.如美国(Suplee et al., 2007)、欧洲(del Mar Sánchez-Montoya et al., 2012)和我国华北地区(Cheng et al., 2018)关于河流营养物自然本底浓度的研究表明：河流营养物自然本底浓度存在明显的季节性差异.污染物的入河系数在不同季节也存在较大差异, 然而, 目前在灰水足迹的核算研究中, 较少考虑这些关键参数的季节性变化对其核算结果的影响.
污染物在环境中的自然本底浓度是计算灰水足迹的重要参数之一, 由于我国目前关于河流水质参数自然本底浓度的研究相对较少, 在我国之前灰水足迹核算的研究中一般均将河流水质参数的自然本底浓度设为零(Yu et al., 2019; 张鑫等, 2019; Li et al., 2020).河流参照状态用来描述河流水质未受人类活动明显干扰时水质的自然状态(Cunha et al., 2011), 国外大量关于河流参照状态的研究(Smith et al., 2003; Suplee et al., 2007; del Mar Sánchez-Montoya et al., 2012; Heatherly et al., 2014)表明：污染物在环境中的自然本底浓度均大于零并且具有明显的区域性差异, 这会对灰水足迹的核算及不同区域的应用比较研究造成较大影响.然而, 由于我国对河流营养物参照状态的研究相对较少, 目前我国在灰水足迹的核算研究中, 较少考虑将污染物的自然本底浓度设为零对其真实核算结果的影响.
本研究以承德市为研究对象, 以河流参照状态作为污染物自然本底浓度, 考虑灰水足迹核算关键参数的季节性变化, 分雨季和旱季对承德市农业灰水足迹进行核算, 以阐明季节性对灰水足迹核算的影响.
2 研究区概况和研究方法(Study domain and methods) 2.1 研究区概况承德市位于河北省东北部, 东邻辽宁, 西靠张家口, 北与内蒙古交界, 东南与北京、天津、唐山等接壤.区域内东西方向长286 km, 南北方向长284 km.土壤质地多为砂壤土和粉砂壤土, 主要土壤种类有黑土、灰色森林土、栗钙土、棕壤、褐土、山地草甸土、潮土、草甸土、沼泽土、风沙土、粗骨土、石质土、红黏土14种土类.区域气候为典型的温带半干旱大陆性季风气候.冬季气候寒冷干燥、降水很少, 夏季炎热多雨.降水主要集中在6—9月, 特别是7、8两个月.区域人均水资源占有量为855 m3, 相当于全国平均水平的39.8%, 属于极度缺水区域.承德市农业发展以种植业为主, 林、牧、副、渔全面发展.耕地主要沿山间沟谷和河川宽缓谷地分布, 总面积约4377.99 km2.粮食作物、经济作物种类较为齐全, 主要粮食作物有小麦、玉米、谷子、高粱、薯类、水稻和豆类等, 经济作物有棉花、花生、胡麻、甜菜等.滦河流域总面积的64.53%位于承德市, 占承德全市总面积的72.5%.
 |
| 图 1 研究区概况 Fig. 1 Location of the study area |
农业灰水足迹由种植业灰水足迹和畜牧业灰水足迹两部分组成(张鑫等, 2019).种植业灰水足迹主要是指在粮食生产活动中使用的化肥、农药等除被作物生长吸收之外, 仍有一部分通过地表径流、农田排水和农田地下水渗漏, 进入地表水体造成的污染.畜牧业灰水足迹主要是因为畜禽粪便的堆积使得其中污染物会随着地表径流进入水体.由于现有滦河参照状态的研究仅涉及总氮和总磷(Cheng et al., 2018), 而我国《地表水环境质量标准》(GB 3838—2002)中没有对河流总氮质量标准的规定(许晨等, 2017).因此, 本研究以磷肥为关键性指标, 借鉴《水足迹评价手册》推荐的一级简单模型进行计算, 计算公式如下所示.
|
(1) |
式中, GWFa为农业灰水足迹(m3)；GWFp为种植业灰水足迹(m3)；GWFg为畜牧业灰水足迹(m3).
|
(2) |
式中, Lp为种植业进入地表水体的总磷负荷(kg)；αp为种植业总磷负荷进入地表水的比例；Applp为种植业活动中磷元素的使用量(kg)；Cmax为总磷在环境中的最大允许浓度(kg·m-3)；Cnat为总磷在环境中的自然本底浓度(kg·m-3)；其余含义同上.
|
(3) |
式中, Lg为畜禽业进入地表水体的总磷负荷(kg)；αg为畜禽业总磷负荷进入地表水的比例；Pg为畜禽养殖活动中产生的总磷(kg)；其余含义同上.
2.3 数据来源承德市各区县的磷肥施用量、粮食总产量和畜禽养殖量根据《承德市统计年鉴》得到；根据田间的实验数据, 取种植业总磷的入河比例为15%(Cheng et al., 2018)；不同畜禽的产污系数和入河系数由滦河流域的相关文献获得(Du et al., 2014b).污染物在环境中的最大允许浓度以我国《地表水环境质量标准》(GB 3838—2002)为标准, 依据《河北省水污染防治工作方案》的规定, 将Ⅲ类水总磷浓度限值作为承德市总磷污染物在水体中的环境浓度标准, Cmax为0.2 mg·L-1；本研究采用滦河流域的总磷参照状态作为其自然本底浓度值, 滦河流域旱季和雨季的总磷参照状态分别为0.041 mg·L-1和0.049 mg·L-1, 全年总磷参照状态取旱季和雨季的平均值0.045 mg·L-1 (Cheng et al., 2018).滦河流域雨季非点源污染物的流失比例参考滦河流域的相关研究成果(Du et al., 2016), 滦河流域雨季非点源污染物的流失比例占全年的91%.
3 结果(Results) 3.1 承德市农业灰水足迹核算如图 2所示, 农业灰水足迹(C参)代表将总磷参照状态作为其自然本底浓度值的农业灰水足迹核算结果, 农业灰水足迹(C零)代表将总磷自然本底浓度值认为零的农业灰水足迹核算结果.2003—2015年承德市农业灰水足迹(C参)和农业灰水足迹(C零)均呈持续增长的趋势.农业灰水足迹(C参)和农业灰水足迹(C零)的最大值均出现在2015年, 分别为9.92×109、7.69×109 m3；最小值均出现在2003年, 分别为4.35×109、5.61×109 m3.农业灰水足迹(C参)始终是农业灰水足迹(C零)的1.29倍, 将总磷自然本底浓度设为零, 对灰水足迹真实核算结果有较大影响.因此, 下文采用农业灰水足迹(C参), 即将总磷参照状态作为其自然本底浓度值, 对承德市农业灰水足迹进行分析.
 |
| 图 2 承德市2003—2015年农业灰水足迹 Fig. 2 The agricultural grey water footprint of Chengde from 2003 to 2015 |
 |
| 图 3 承德市农业灰水足迹构成 Fig. 3 The composition of agricultural grey water footprint of Chengde |
在2003—2015年承德市农业灰水足迹中, 相较于畜牧业灰水足迹, 种植业灰水足迹占较大比重.种植业灰水足迹在农业灰水足迹的比重有增大的趋势, 种植业灰水足迹占农业灰水足迹的比例由2010年前的60%增长到2010年后的63%.主要原因是承德市2010年后年均畜禽养殖污染产生负荷是2010年前的1.26倍, 而磷肥施用量的增长速度快于畜禽养殖污染, 2010年后施肥量是2010年前的1.47倍.
3.2 承德市季节性农业灰水足迹核算如图 4所示, 承德市雨季农业灰水足迹与旱季农业灰水足迹在2003—2015年均呈持续增长状态, 其中, 雨季农业灰水足迹、种植业灰水足迹和畜牧业灰水足迹分别由2003年的5.24×109、2.65×109和2.60×109 m3, 增长至2015年的9.27×109、5.91×109和3.36×109 m3, 旱季农业灰水足迹、种植业灰水足迹和畜牧业灰水足迹分别由2003年的0.49×109、0.25×109和0.24×109 m3增长至2015年的0.87×109、0.55×109和0.32×109 m3, 农业灰水足迹、种植业灰水足迹和畜牧业灰水足迹的增长率在雨季和旱季保持一致, 分别增长了1.77倍、2.23倍和1.29倍.雨季农业灰水足迹是旱季农业灰水足迹的10.65倍.
 |
| 图 4 承德市2003—2015年季节性农业灰水足迹 Fig. 4 The agricultural grey water footprint of Chengde from 2003 to 2015 |
由图 5可知, 2010年前, 农业灰水足迹相对最大的区县集中于承德北部区域, 农业灰水足迹和旱季农业灰水足迹相对最大的区县主要为围场县、丰宁县和隆化县, 雨季农业灰水足迹相对最大的区县为围场县和丰宁县.围场县、丰宁县和隆化县农业灰水足迹占承德市的比例分别为22.61%、16.98%和15.29%, 其占承德市农业灰水足迹较大比例的原因主要是因为这3个县的耕地面积远大于其它区县.营子区、双桥区和双滦区年均农业灰水足迹处于研究区的最低水平, 占承德市的比例分别为0.24%、0.81%、0.95%, 主要是因为这3个区域位于承德市城区, 区域城市化程度较高, 种植业和畜牧业相对较弱.2010年后, 除北部围场县、丰宁县和隆化县外, 中部滦平县和平泉县农业灰水足迹在承德市灰水足迹的占比也呈现较大增长.围场县农业灰水足迹和雨季农业灰水足迹成为承德市第一个突破3.0×109 m3的区县, 围场县农业灰水足迹、雨季农业灰水足迹和旱季农业灰水足迹在承德市的占比达到24.17%.农业灰水足迹相对较小的区县依旧是营子区、双滦区、双桥区和宽城县.
 |
| 图 5 承德市各区县年均农业灰水足迹 Fig. 5 Annual agricultural gray water footprint in various districts and counties of Chengde |
图 6显示的是承德市各区县2010年前后农业灰水足迹、种植业灰水足迹和畜牧业灰水足迹的变化率.对于种植业灰水足迹, 承德市2010年前后增长率最大的区县为双桥区, 增长率为101.01%；其次为隆化县、平泉县、双滦区和围场县, 其增长率分别为90.11%、88.05%、54.26%和51.25%；兴隆县和承德县种植业灰水足迹出现了负增长, 降幅分别为-13.52%和-1.43%.对于承德市2010年前后畜牧业灰水足迹的变化情况, 丰宁县实现-5.13%的负增长, 隆化县、平泉县、营子区和兴隆县实现了较小幅度的增长, 围场县、双桥区、承德县和宽城县实现了中等幅度的增长, 双滦区实现了较大幅度的增长, 而滦平县的增长幅度则超过了100%, 达到了105.11%.对于农业灰水足迹, 兴隆县实现了-7.73%的负增长, 主要是由于兴隆县种植业灰水足迹的降低幅度较大, 并且承德市种植业灰水足迹在农业灰水足迹的占比较大；除兴隆县外, 其余各县均实现了一定程度的增长, 其中, 双滦区、双桥区、滦平县和平泉县的增长幅度相对较高, 围场县、丰宁县和隆化县的增长幅度处于中游水平, 承德县、营子区和宽城县的增长幅度相对较小.
 |
| 图 6 承德市各区县2010年前后粮食生产灰水足迹增长率 Fig. 6 Growth rate of agricultural gray water footprint in various districts and counties in various districts and counties in Chengde before and after 2010 |
在计算农业灰水足迹时, 总磷的自然本底浓度采用其参照状态时的结果是采用零时的1.29倍, 参照状态的考虑会对农业灰水足迹的核算产生重大影响.总结已有河流总磷参照状态的研究(USEPA, 2000; Smith et al., 2003; Chambers et al., 2008; Cunha et al., 2011; Chen et al., 2014; Heatherly et al., 2014; Hirt et al., 2014; Cheng et al., 2018)可知, 河流总磷参考状态具有明显的区域差异, 总磷参照状态的最小值出现在美国Canadian Rockies地区, 为0.003 mg·L-1; 最大值出现在美国Northern Great Plains地区, 为0.181 mg·L-1, 最大值为最小值的60倍.我国曹娥江流域TP的参照状态值为0.057 mg·L-1, 滦河流域TP的参照状态值为0.045 mg·L-1.由此可知, 在灰水足迹核算研究中认为自然本地浓度值为零, 一方面会使核算结果产生较大的偏差；另一方面, 在应用灰水足迹比较评价不同区域间的水污染程度时, 可能会掩盖不同区域自然本地浓度不同而带来的区域差异, 从而影响最终的评价结果.因此, 在计算灰水足迹时, 应尽可能地建立研究区域河流的参照状态, 以代表污染物的真实自然本底浓度.
参照状态的考虑会对粮食生产灰水足迹的核算产生重大影响, 因此, 在应用灰水足迹评价河流水污染情况时, 应该尽可能地建立该河流的参照状态, 并以此作为河流污染物的自然本底浓度.目前, 关于河流参照状态的研究主要集中在美国, 我国的研究还相对较少.建立河流污染物参照状态最常用的方法是美国环保署推荐的参照河流第75百分位法和一般河流第25百分位法.参照河流百分位法是采用相关标准筛选出流域范围内受人类活动干扰较小的河段, 将这些河流营养物监测数据由小到大排列, 取其第75百分位作为该流域河流的营养物参照状态.当参照点不存在时, 一般河流百分位法是参照河流百分位法的替代方法, 其方法是将一般河流营养物监测数据由小到大排列, 取其第25百分位作为该流域河流的营养物参照状态(USEPA, 2000).美国环境保护署认为这两种百分位法得到的结果大致相似(Suplee et al., 2007), 我国可应用这两种方法建立各区域的污染物参照状态.
 |
| 图 7 不同区域河流总磷参照状态值 Fig. 7 Reference condition of total phosphorus in rivers in different regions |
降雨的不均匀分布会对农业灰水足迹的时间分布产生影响.如在我国东北地区对玉米生产的田间试验同样发现(Li et al., 2020)：降雨的年际差异会导致玉米生产灰水足迹的年际差异.本研究中雨季总磷非点源的入河负荷占全年入河负荷的比例, 采用的是滦河流域2004—2011年的年均值91%, 由此得到承德市雨季农业灰水足迹是旱季农业灰水足迹的10.65倍.为了分析雨季总磷非点源入河负荷比例年际差异对农业灰水足迹季节性差异的影响, 采用涵盖典型丰水年(2011年)、平水年(2008年)和枯水年(2006年)的多年(2004—2011年)雨季总磷非点源入河负荷比例数据(Du et al., 2016), 分别核算了承德市雨季农业灰水足迹和旱季农业灰水足迹.结果显示：2004—2011年雨季总磷非点源入河负荷比例为76.58%~98.09%, 对应的承德市雨季农业灰水足迹是旱季农业灰水足迹的倍数为3.44~54.08倍.典型丰水年、平水年和枯水年雨季总磷非点源入河负荷比例分别为98.09%、95.66%和76.58%, 对应的承德市雨季农业灰水足迹是旱季农业灰水足迹的倍数分别为54.08、23.21和3.44倍.因此, 季风区域的农业灰水足迹季节性差异是不容忽视的.
导致农业灰水足迹季节性差异的最根本原因是季风区域降雨的季节性差异.在季风区域, 降水主要集中在6—9月, 特别是7、8两个月, 全年降水又往往集中在几次暴雨过程中(Du et al., 2014a).降水的季节性差异一方面导致营养物入河系数的差异.如在滦河流域, 雨季总磷非点源的入河比例可以占到全年的91%(Du et al., 2016).这主要是因为颗粒态磷是总磷的主要流失形态, 占总磷流失量的70%左右, 而颗粒态磷的流失主要由较大的降雨事件驱动(Du et al., 2014a).降水的季节性差异导致河流营养物参考状态具有明显的季节性差异, 地中海河流的研究表明(del Mar Sánchez-Montoya et al., 2012)：水质物理化学指标的参照状态呈现季节性差异.滦河流域旱季和雨季总磷的参照状态分别为0.041 mg·L-1和0.049 mg·L-1 (Cheng et al. 2018).参考状态的季节性差异也会对灰水足迹的核算产生相应的季节性影响.
4.3 磷肥施用量对粮食生产产量的影响在2003—2015年承德市农业灰水足迹中, 种植业灰水足迹占有较大比重, 并且随时间呈逐渐增大的趋势.因此, 控制种植业灰水足迹对减少承德市农业灰水足迹具有重要意义.种植业灰水足迹的大小主要取决于磷肥施用量的大小, 为检验承德市磷肥施用量是否促进了粮食产量, 检查了其磷肥施用量增长率与粮食总产量增长率之间的关系.承德市磷肥施用量增长率虽与粮食总产量增长率呈正相关, 但关系并不显著.承德县磷肥施用量增长率与粮食总产量增长率呈显著正相关, 宽城县磷肥施用量增长率与粮食总产量增长率呈显著正相关.其余区县粮食产量的增长率与化肥的增长率未表现出相关关系, 说明粮食产量的增幅与化肥施用的增幅无关.该研究结果也与前人(Zhang et al., 2016; Yu et al., 2019)研究相吻合, Ju等(2009)认为中国当前农业化肥施用模式并不会显著增加粮食产量, 如果将当前的农业化肥施用量减少30%~60%, 不仅可以维持当前的农业产量, 而且可以很大程度上削减氮磷污染负荷, 降低其环境污染风险.
4.4 管理建议灰水足迹在评价水资源可持续和有效利用方面是非常有用的(Yu et al., 2019).季风区域降雨的季节性差异导致污染物入河系数和营养物参照状态存在季节性差异, 从而导致灰水足迹在不同季节也存在较大差异.在应用灰水足迹进行水资源管理时, 应考虑因降雨的季节性差异带来的季节性差异.
目前中国农业生产主要通过增施化肥来实现高产, 然而磷肥的当季利用率一般只有10%~20%(程明芳等, 2010).未被利用的磷肥大部分进入地表水体, 造成水体富营养化等问题.因此, 今后应对导致农户过量施肥行为的影响因素进行系统分析, 增进对农户过量施肥行为的科学理解.根据研究区域主要作物的肥料需求规律, 在农作物不同的生长阶段合理施肥以满足每个阶段对营养的需求, 以提高肥料利用率, 达到减少化肥使用的目的.
5 结论(Conclusions)1) 2003—2015年承德市农业灰水足迹呈持续增长的趋势.相较于将总磷自然本底浓度值认为零, 将总磷参照状态作为其自然本底浓度值的农业灰水足迹核算结果是其核算结果的1.29倍.因此, 将污染物自然本底浓度值认为是零, 对灰水足迹真实核算结果有较大影响.
 |
| 图 8 磷肥施用量增长率与粮食总产量增长率的关系 Fig. 8 Relationship between the growth rate of phosphate fertilizer application and the growth rate of total grain output |
2) 在2003—2015年承德市农业灰水足迹构成中, 种植业灰水足迹占较大比重, 并且该比重随时间有增大的趋势.然而, 承德市区县粮食产量的增长率与化肥的增长率未表现出显著关系, 说明粮食产量的增幅与化肥施用的增幅无关.因此, 应提高研究区域主要作物的肥料利用率, 减少化肥使用, 以减少区域农业生产灰水足迹.
3) 由于总磷的参照状态和入河系数存在明显的季节性差异, 农业灰水足迹也呈现明显的季节性差异, 雨季农业灰水足迹是旱季农业灰水足迹的10.65倍.在应用灰水足迹进行水资源管理时, 应对其季节性差异进行充分考虑.
4) 承德市农业灰水足迹相对较大的区县集中于承德北部区域, 主要包括围场县、丰宁县和隆化县；农业灰水足迹相对较小的区县为营子区、双滦区、双桥区和宽城县.分析2010年前后承德市各区县农业灰水足迹变化率, 除兴隆县实现了-7.73%的负增长外, 其余各县均实现了一定程度的增长.其中, 双滦区、双桥区、滦平县和平泉县的增长幅度相对较高, 围场县、丰宁县和隆化县的增长幅度处于中游水平, 承德县、营子区和宽城县的增长幅度相对较小.
Aldaya M M, Rodriguez C I, Fernandez-Poulussen A, et al. 2020. Grey water footprint as an indicator for diffuse nitrogen pollution:The case of Navarra, Spain[J]. Science of the Total Environment, 698: 134338. DOI:10.1016/j.scitotenv.2019.134338 |
班荣舶, 何太蓉. 2015. 重庆种植业灰水足迹核算及空间差异分析[J]. 长江科学院院报, 32(11): 7-13. |
曹连海, 汪孝斌, 李宇翔, 等. 2016. 河南省农田灰水足迹估算和治理对策[J]. 人民黄河, 38(11): 65-70, 74. |
Chambers P A, C Vis, Brua R, et al. 2008. Eutrophication of agricultural streams:Defining nutrient concentrations to protect ecological condition[J]. Water Science and Technology, 58(11): 2203-2210. DOI:10.2166/wst.2008.815 |
Chapagain A K, Hoekstra A Y. 2007. The water footprint of coffee and tea consumption in the Netherlands[J]. Ecological Economics, 64(1): 109-118. DOI:10.1016/j.ecolecon.2007.02.022 |
Chen J, Lu J. 2014. Establishment of reference conditions for nutrients in an intensive agricultural watershed, Eastern China[J]. Environmental Science and Pollution Research, 21(4): 2496-2505. DOI:10.1007/s11356-013-2166-z |
程明芳, 何萍, 金继运. 2010. 我国主要作物磷肥利用率的研究进展[J]. 作物杂志, 1: 12-14. |
Cheng P, Li X. 2018. Establishing reference nutrient conditions using improved statistical methods in a river network with typical monsoon climatic pattern[J]. Ecological Indicators, 89: 260-268. DOI:10.1016/j.ecolind.2018.02.018 |
Cunha D G, Dodds W K, do Carmo Calijuri M. 2011. Defining nutrient and biochemical oxygen demand baselines for tropical rivers and streams in São Paulo State (Brazil):A comparison between reference and impacted sites[J]. Environmental Management, 48(5): 945-956. DOI:10.1007/s00267-011-9739-8 |
del Mar Sánchez-Montoya M, Arce M I, Vidal-Abarca M R, et al. 2012. Establishing physico-chemical reference conditions in Mediterranean streams according to the European Water Framework Directive[J]. Water Research, 46(7): 2257-2269. DOI:10.1016/j.watres.2012.01.042 |
Du X, Li X, Hao S, et al. 2014a. Contrasting patterns of nutrient dynamics during different storm events in a semi-arid catchment of northern China[J]. Water Science and Technology, 69(12): 2533-2540. DOI:10.2166/wst.2014.181 |
Du X, Li X, Zhang W, et al. 2014b. Variations in source apportionments of nutrient load among seasons and hydrological years in a semi-arid watershed:GWLF model results[J]. Environmental Science and Pollution Research, 21(10): 6506-6515. DOI:10.1007/s11356-014-2519-2 |
Du X, Su J, Li X, et al. 2016. Modeling and evaluating of non-point source pollution in a semi-arid watershed:implications for watershed management[J]. Clean-Soil, Air, Water, 44(3): 247-255. DOI:10.1002/clen.201400773 |
盖力强, 谢高地, 李士美, 等. 2010. 华北平原小麦、玉米作物生产水足迹的研究[J]. 资源科学, 32(11): 2066-2071. |
何立新, 练继建, 王书吉. 2016. 河北省主要农作物2005-2014年灰水足迹变化[J]. 水利水电技术, 47(12): 143-148. |
Heatherly T. 2014. Acceptable nutrient concentrations in agriculturally dominant landscapes:A comparison of nutrient criteria approaches for Nebraska rivers and streams[J]. Ecological Indicators, 45: 355-363. DOI:10.1016/j.ecolind.2014.04.037 |
Hirt U, Mahnkopf J, Gadegast M, et al. 2014. Reference conditions for rivers of the German Baltic Sea catchment:reconstructing nutrient regimes using the model MONERIS[J]. Regional Environmental Change, 14(3): 1123-1138. DOI:10.1007/s10113-013-0559-7 |
Hoekstra A, Chapagain A. 2008. Globalization of water:sharing the planet's freshwater resources. The global component of freshwater demand and supply:an assessment of virtual water flows between nations as a result of trade in agricultural and industrial products[J]. Water International, 33(1): 19-32. DOI:10.1080/02508060801927812 |
Hu Y, Huang Y, Tang J, et al. 2018. Evaluating agricultural grey water footprint with modeled nitrogen emission data[J]. Resources, Conservation and Recycling, 138: 64-73. DOI:10.1016/j.resconrec.2018.04.020 |
Ju X, Xing G, Chen X, et al. 2009. Reducing environmental risk by improving N management in intensive Chinese agricultural systems[J]. Proceedings of the National Academy of Sciences, 106(9): 3041-3046. DOI:10.1073/pnas.0813417106 |
Li H, Wang Y, Qin L, et al. 2020. Effects of different slopes and fertilizer types on the grey water footprint of maize production in the black soil region of China[J]. Journal of Cleaner Production, 246: 119077. DOI:10.1016/j.jclepro.2019.119077 |
Mekonnen M M, Hoekstra A Y. 2016. Four billion people facing severe water scarcity[J]. Science Advances, 2(2): e1500323. DOI:10.1126/sciadv.1500323 |
Smith R A, Alexander R B, Schwarz G E. 2003. Natural background concentrations of nutrients in streams and rivers of the conterminous United States[J]. Environmental Science and Technology, 37(14): 3039-3047. DOI:10.1021/es020663b |
孙才志, 韩琴, 郑德凤. 2016. 中国省际灰水足迹测度及荷载系数的空间关联分析[J]. 生态学报, (1): 86-97. |
Suplee M W, Varghese A. 2007. Developing nutrient criteria for streams:An evaluation of the frequency distribution method1[J]. Jawra Journal of the American Water Resources Association, 43(2): 453-472. DOI:10.1111/j.1752-1688.2007.00036.x |
USEPA, 2000. Nutrient criteria technical guidance manual: Rivers and streams[R]. Washington, D.C: United States Environmental Protection Agency
|
Wada Y, Van L, Viviroli D, et al. 2011. Global monthly water stress:2. Water demand and severity of water stress[J]. Water Resources Research, 47(7). |
王丹阳, 李景保, 叶亚亚, 等. 2016. 基于不同受纳水体的湖南省农业灰水足迹分析[J]. 水资源保护, 32(4): 49-54. |
许晨, 万荣荣, 马倩, 等. 2017. 太湖西北部湖区入湖河流氮磷水质标准修正方案研究[J]. 长江流域资源与环境, 26(8): 73-81. |
徐鹏程, 张兴奇. 2016. 江苏省主要农作物的生产水足迹研究[J]. 水资源与水工程学报, 27(1): 232-237. |
Yu C, Yin X, Li H, et al. 2019. A hybrid water-quality-index and grey water footprint assessment approach for comprehensively evaluating water resources utilization considering multiple pollutants[J]. Journal of Cleaner Production, 248: 119-225. |
曾昭, 刘俊国. 2013. 北京市灰水足迹评价[J]. 自然资源学报, 28(7): 89-98. |
Zhang W, Li X, Swaney D P, et al. 2016. Does food demand and rapid urbanization growth accelerate regional nitrogen inputs?[J]. Journal of Cleaner Production, 112: 1401-1409. DOI:10.1016/j.jclepro.2015.07.046 |
张鑫, 李磊, 甄志磊, 等. 2019. 时空与效率视角下汾河流域农业灰水足迹分析[J]. 中国环境科学, 39(4): 1502-1510. |
Zimmerman J B, Mihelcic J R, Smith A J, et al. 2008. Global stressors on water quality and quantity[J]. Environmental Science and Technology, 42(12): 4247-4254. DOI:10.1021/es0871457 |