壽昌江河流泥沙來源研究

李秋艷, 方海燕, 李國強

(1.中國科技出版?zhèn)髅焦煞萦邢薰? 北京 100717;2.中國科學院 地理科學與資源研究所 陸地水循環(huán)及地表過程重點實驗室, 北京 100101;3.中國科學院大學 資源與環(huán)境學院, 北京 100049; 4.杭州市水文水資源監(jiān)測總站, 杭州 310016)

近幾十年來，河流泥沙輸移是學術界關注的重要科學問題之一，河流及水庫等的水體污染以及泥沙淤積等都與河流泥沙的來源及在水體中的輸送有著密切的聯(lián)系。因此，通過對河流泥沙及附著物的研究，有助于揭示泥沙傳輸信息及流域泥沙的來源。因此，有必要對泥沙的來源和輸移進行研究。目前，這方面的研究工作在許多國家[1-7]都有大量開展。

河流泥沙來源研究始于20世紀初，至今已有近100 a的歷史。泥沙來源研究方法主要有徑流小區(qū)法、水沙資料分析法和遙感調查法等。徑流小區(qū)法是最為經(jīng)典的泥沙來源識別方法之一[8]，但它與遙感調查法相似，不能模擬或重現(xiàn)大尺度流域或區(qū)域的產(chǎn)沙過程，實地調查法費神費力，而水沙資料分析法的前提則是要有水文站點的觀測[9]。目前，20世紀70年代興起的指紋識別法成為流域泥沙來源研究的熱點[10-11]。指紋法最初多采用如泥沙粒徑[12]、有機質[13]、碳同位素[14]及核素示蹤等[15]單一指紋因子研究泥沙來源。但單一指紋因子揭示泥沙來源具有局限性，也不能區(qū)分多個泥沙來源。相比之下，來自不同類別的指紋因子組合，除了能夠提高指紋識別的可信度外，也能夠區(qū)分多種泥沙來源。目前，采用復合指紋示蹤技術研究泥沙來源已得到廣泛應用。如Walling等[16]采用總磷(TP)，N，Sr，Ni，Zn，226Ra，137Cs，F(xiàn)e，A1，210Pbex等作為復合指紋因子研究了Ouse河及其主要支流懸浮泥沙的來源，得出了各支流對干流泥沙的貢獻。Carter等[17]利用K，Cu，As，Mn，Na，TP等作為指紋識別因子研究了Aire河流經(jīng)城市后懸浮泥沙的來源及其變化。

浙江省是我國經(jīng)濟發(fā)達地區(qū)，人類活動十分強烈。目前，該省已有工作多集中在徑流變化方面[18]，而河流產(chǎn)沙方面的研究很少[19]。此外，該區(qū)經(jīng)濟發(fā)展迅速，道路建設和河道挖沙及建橋等嚴重破壞路面和河道，必將對流域產(chǎn)沙造成深刻影響。雖然復合指紋示蹤法獲取泥沙來源已得到了很好的研究成果，但溝道破壞以及道路建設等對流域產(chǎn)沙的影響研究仍然不多，特別是在我國的研究少見。

因此，本文以錢塘江支流壽昌江流域為研究對象，采用復合指紋示蹤技術，探討人類活動下不同泥沙來源區(qū)對流域產(chǎn)沙的貢獻，分析其主要影響因素。該研究對流域的水土流失治理和生態(tài)環(huán)境建設，具有重要的現(xiàn)實與實踐意義。

1 材料與方法

1.1 研究區(qū)概況

壽昌江(118°55′—119°20′E,29°11′—29°29′N)位于浙江省錢塘江流域的上游(圖1)，流域出口在更樓水文站附近，行政區(qū)劃上位于建德市境內(nèi)。壽昌江更樓水文站控制流域面積為650 km2，屬亞熱帶季風氣候，梅雨季節(jié)降雨時間長，雨量集中，暴雨頻繁，年降水量1 604 mm，年平均氣溫16.7℃。山地和丘陵占流域面積的80%以上，流域地形高差1 146 m，坡度多在30°～45°。

圖1 研究區(qū)地形及采樣點分布

土壤類型主要有紅壤和水稻土，有少量黃壤、巖性土和潮土分布。強烈的構造運動，使得地形破碎。根據(jù)中國科學院資源環(huán)境科學數(shù)據(jù)中心提供的2015年土地利用數(shù)據(jù)，研究區(qū)林地、旱地、水田、建設用地的面積比例分別為79.2%，2.8%，15.3%，2.6%。林地主要分布在山地丘陵上，而耕地主要分布山間平原上，多沿河兩側分布。此外，流域道路建設飛速發(fā)展，河道挖沙和建橋對河道破壞嚴重。

1.2 樣品采集與處理

研究組于2017年12月27—29日開展了流域調查和取樣工作。根據(jù)野外考察，將泥沙來源分為建設用地、河道、旱地、水田和林地5類。在泥沙源地上采樣時，在同一地方不同位置處采集3—5個表層(0—10 cm)土壤樣品，并混合成一個土樣。在流域主河道設置了5個采樣點(圖1)。在河道內(nèi)取樣時分為兩種情況，在河道挖沙或建橋造成的泥沙處，取表層土；在河道其他地方采集土樣時，在河邊多處采集被草叢掛住的新鮮懸移質泥沙并混合。因此，在流域內(nèi)共采集了82個土壤和泥沙樣品，其中河道、建設用地、旱地、水田和林地上分別有16，12，19，12，23個樣品。

所有樣品帶回實驗室晾干，并結合地類采樣位置，混合得到24個樣品。所有樣品研磨后過篩，其中，過2 mm土壤篩的樣品用于土壤粒度測試；過0.25 mm土壤篩的樣品用于土壤有機碳(TOC)和總氮(TN)測試；過0.01 mm土壤篩的樣品用于同位素地球化學元素測試。采用電感耦合等離子體質譜法測定地球化學元素Li，Be，P，Sc，Ti，V，Cr，Mn，Co，Ni，Cu，Zn，Ga，Rb，Sr，Y，Zr，Nb，Cd，Sn，Cs，Ba，La，Ce，Pr，Nd，Sm，Eu，Gd，Tb，Dy，W，T1，Pb，Th，U，SiO2，Al2O3，TFe2O3，CaO，MgO。TOC采用濕燃燒法測定，TN采用元素分析儀(Elementar Vario MAX，Germany)測定。土壤粒度采用濕沉降法。以上測試共得到62個指紋因子。

1.3 復合指紋示蹤法

凡是具有穩(wěn)定示蹤功能的物質均可作為指紋識別因子，用以示蹤流域的泥沙來源，多種指紋因子的組合則稱為復合指紋識別因子。復合指紋示蹤泥沙來源分為3個步驟[20]：

(1) 指紋因子保守性檢驗。選用的指紋因子在各源地中必須有顯著差異，且在土壤侵蝕、泥沙輸移及沉積過程中應保持穩(wěn)定。保守性即是指河道內(nèi)的指紋因子含量不能超過和不低于泥沙源地相應指紋因子的最大和最小含量。

(2) 復合指紋因子篩選。找到復合指紋因子，是開展復合指紋示蹤泥沙來源的關鍵。本文采用兩種統(tǒng)計組合方法獲取。

方法一，非參數(shù)檢驗(Kruskal-Wallis H-test；KW-H檢驗)與多元判別分析統(tǒng)計組合法。KW-H對多個總體控制樣本進行秩檢驗，它引入了方差分析的思想。若各樣本組秩之總體變差的大部分可以由組間差來解釋，則表明各樣本組存在顯著差異；反之，則差異不顯著。因而，采用KW-H檢驗各因子是否能夠識別泥沙來源：

(1)

式中:Rs為源地s秩和;ns為源地s樣本數(shù);N為源地樣本數(shù)量總和。p表示顯著性概率,當p<0.05時,組間具有顯著性差異。計算KW-H統(tǒng)計量H及其概率p值,并與顯著性水平α比較判斷是否接受原假設。

在KW-H檢驗的基礎上，使用多元判別分析(DFA)法找到復合指紋因子。DFA分析是判定哪些變量具有組間判別效力并對多個變量進行選擇，最常用的Wilks′ lambda法能夠描述組間差異性。當所有觀測組均值相等時，Wilks′ lambda值為1，當組內(nèi)變異小于總變異時，Wilks′ lambda值接近于0。

方法二，主成分分析(PCA)與DFA組合統(tǒng)計法。該方法首先采用PCA法找到與泥沙來源相關的主成分，獲取較少的變量，之后再采用DFA法，最后得到一組復合指紋因子。

(3) 復合指紋因子示蹤模型。本文將采用目前應用最為普遍的Collins模型[21]計算不同泥沙源地對產(chǎn)沙貢獻：

(2)

(3)

式中:Rss為殘差平方和;n為指紋識別因子數(shù)量;Ci為流域出口泥沙指紋識別因子i的含量或比例;m為泥沙源地數(shù)量;Csi為泥沙源地s中指紋識別因子i的平均含量或比例;Ps為泥沙源地s的貢獻。

最后，使用擬合優(yōu)度(Goodness of Fit, GOF)檢驗結果是否可以接受。GOF計算公式如下：

(4)

式中:n為指紋因子數(shù)量。GOF的值在0～1,GOF值越大,模型模擬的結果越好。一般來說,當GOF>80.0%時,可以接受計算的結果[22]。

2 結果與分析

2.1 保守性檢驗

指紋因子在土壤侵蝕、泥沙輸移及沉積過程中保持穩(wěn)定。因此，需要排除非保守性因子。通過識別檢驗，發(fā)現(xiàn)有23個因子通過了守恒性檢驗。它們分別是Li，Ti，V，Cr，Ga，Sr，Nb，Cs，Ba，La，Pr，Nd，Sm，Er，Tm，Ta，W，T1，Th，Al2O3，TFe2O3，LOI和TOC。以上通過守恒性檢驗的指紋因子才可進行下一步分析。

2.2 KW-H與DFA組合得到的泥沙貢獻

在保守性檢驗的基礎上，KW-H檢驗發(fā)現(xiàn)有13個指紋因子在5種潛在源地中組間差異顯著，統(tǒng)計檢驗量H值范圍為14.232～18.953。進一步采用DFA法，得到了6個指紋因子，它們分別是TOC，Ti，Sm，TFe2O3，T1和LOI，這些因子組合對5種泥沙來源的判別能力達到100%，單因子判別能力也都超過47%。

根據(jù)公式(2)和以上6個指紋因子，得到了不同泥沙源區(qū)對河流產(chǎn)沙的貢獻。表1顯示，河道產(chǎn)沙對流域出口產(chǎn)沙的貢獻最大，達到了39.1%，其次是水田和建設用地，泥沙貢獻比例分別為25.7%，22.2%，旱地和林地對流域出口產(chǎn)沙的貢獻最小，僅為8.0%，4.9%。

表1 河流出口更樓水文站處不同潛在泥沙來源區(qū)的貢獻 %

2.3 PCA與DFA組合法得到的泥沙貢獻

對通過守恒檢查的23種元素進行PCA分析，發(fā)現(xiàn)有6個主成分特征值均超過了1，累積方差達到了90.51%。最大方差正交旋轉法表明，除了指紋因子Ti，Nb和Al2O3外，其余20個指紋因子的載荷超均過0.65，表明這20個指紋因子包含了23個指紋因子的大部分信息。

進一步通過DFA檢驗，得到了4個復合指紋因子，它們分別是TOC，T1，La和Sr，此時γ值最小為0。這4個指紋因子的綜合判別能力達到100%，其中TOC單因子的判別能力為68.4%。隨著復合指紋因子的增加，Wilks′ lambdaγ值分別為0.04，0.001，0.002，0。

結合復合指紋因子示蹤模型，得到了不同泥沙來源區(qū)對河流產(chǎn)沙的貢獻。發(fā)現(xiàn)來自河道的泥沙最多，占流域總產(chǎn)沙的比例為34.7%，其次是建設用地產(chǎn)沙，占總產(chǎn)沙的比例為28.1%，來自林地和水田的泥沙貢獻分別為24.1%，12.7%，旱地的貢獻最小，僅為0.3%。

3 討 論

3.1 復合因子判別能力

本研究中，采用兩種統(tǒng)計的組合法，分別得到了6個和4個指紋因子，這兩組復合因子對5種潛在泥沙來源地的判別能力均較強。有研究指出[23]，較多的指紋因子個數(shù)區(qū)分泥沙來源可減少模型模擬的不確定性。PCA與DFA統(tǒng)計法得到的4個指紋因子在區(qū)分泥沙來源時，GOF值也超過了99%。

此外，使用的指紋因子較少，能減少測試費用，并能夠減少判別時帶來的誤差。僅TOC和T1二者的總判別能力就達到了100%的判別累積，顯然優(yōu)于KW-H和DFA組合法得到的因子判別能力。這一發(fā)現(xiàn)與已有研究一致，即較少的因子組合可提高模型模擬的精確性[24]。因此，在研究區(qū)建議采用PCA與DFA判斷泥沙來源。

3.2 影響因素分析

研究流域地形陡峭，坡度大于10°和15°的坡面分別占流域總面積的60%和50%以上，流域最大坡度甚至超過了62°。如此陡峻的地形，在降雨和人類活動影響下，極易造成水土流失[25-27]。在研究區(qū)，年降雨量和年產(chǎn)沙量呈現(xiàn)明顯的正相關關系，36%的產(chǎn)沙由年雨量決定的(圖2)。在2019年7月13日，據(jù)當?shù)貧庀笳緢蟮溃饔蚓值亟涤昕蛇_200 mm/h。如此之大的降雨，林地的破壞及其他建設用地的增加，必將對流域的產(chǎn)沙產(chǎn)生重要影響。

研究表明，修路是引起水土流失加劇的重要原因。在英國Severn河Leadon流域，流域出口30%的產(chǎn)沙來自于道路[28]。在比利時中部Riacho Fundo子流域[25]，居住用地、道路和建設用地對流域產(chǎn)沙的貢獻達到85%，其中道路建設對流域產(chǎn)沙的貢獻也達到12%。在研究區(qū)，隨著經(jīng)濟社會的發(fā)展，建設用地急劇增加，2015年的建設用地是20世紀80年代的3倍還多。根據(jù)研究區(qū)的地方志記載，流域僅2003—2006年的康莊工程就建成通村公路364條。在采樣前期野外考察發(fā)現(xiàn)，在修建或改建道路時，道路表層或周邊土壤破壞嚴重，大量泥土裸露，使得道路建設產(chǎn)沙對流域產(chǎn)沙的貢獻達到了22%以上(表1)。

注：數(shù)據(jù)來自《中華人民共和國水文年鑒》。

河道活動是影響流域產(chǎn)沙的重要因素。在研究中，河道產(chǎn)沙貢獻最大，這可能與強烈的河道活動有關。在流域內(nèi)，無序的河道挖沙十分普遍，破壞河道，產(chǎn)生了大量的可侵蝕泥沙。野外考察期間發(fā)現(xiàn)，在河道建橋時溝道破壞嚴重，有大量的松散泥沙堆積在河道內(nèi)(圖3)，在洪水來臨時極易被水流沖走。當年在河道岸邊收集雜草掛住的泥沙為河道產(chǎn)沙，得到河道產(chǎn)沙貢獻超過了34%(表1)。類似的結論在國外也有報道。例如，在英國的一個湖泊控制流域，隨著流域內(nèi)挖沙、開礦等人類活動對流域地表的擾動，湖泊Bassenthwaite的沉積量增加[29]。近年來，壽昌江河流河水變渾濁，與當?shù)睾恿髦型谏?、建橋也不無關系。

圖3 研究區(qū)道路建設和造橋引起的大量易蝕物質

此外，強降雨下水田對流域產(chǎn)沙的貢獻也要時刻注意。研究區(qū)水田主要分布在山谷中的平坦地帶，盡管坡面坡度很小，水田田埂高度通常較矮。研究區(qū)水稻在耕作、插秧和收割之際，被攪渾的泥水進入河道，盡管河流含沙量不高，但可導致河水變得異常渾濁。研究區(qū)的林地面積雖然近流域的80%，但因植被覆蓋度高，其對流域產(chǎn)沙的貢獻并不是最大(表1)。在英國的Ext流域，林地產(chǎn)沙貢獻甚至小于6.0%。在研究區(qū)，PCA和DFA組合法得到的林地貢獻近25%，這可能與一些地方的林地破壞有關。研究區(qū)的旱地面積小，且多分布在平緩的地區(qū)，因此，旱地對流域產(chǎn)沙的貢獻最小。

3.3 意義與展望

目前，復合指紋示蹤在國內(nèi)外都得到了一些應用，然而，在我國東部地區(qū)開展的工作至今未見報道。本文采用這一方法，在浙江錢塘江流域的支流壽昌江開展工作，對于這一地區(qū)的水土流失治理具有重要意義。指紋示蹤的模型有很多[30]，不同的模型對計算結果多少會有偏差，但總體趨勢不會差別太大。盡管模型估計得到的流域產(chǎn)沙貢獻在研究流域還無法得到進一步驗證，但以上研究結果與野外考察的發(fā)現(xiàn)相符。然而，本方法也存在一定的局限性，如不能夠精確表明出口產(chǎn)沙具體來自流域哪個空間位置，也不能量化氣候變化對流域出口產(chǎn)沙的影響，而土壤侵蝕模型的應用可解決這一問題。因此，輔以指紋示蹤法，加強與土壤侵蝕模型的耦合研究[31]，對于研究區(qū)的土壤侵蝕研究和水土保持優(yōu)化，具有重要的應用前景。

4 結 論

(1) 兩種統(tǒng)計方法組合所得到的指紋因子結合均能夠區(qū)分泥沙來源，但PCA和DFA統(tǒng)計組合得到的4個指紋因子更能很好地區(qū)分泥沙來源。

(2) 在河道出口處來自河道的泥沙最多，占比達到34.7%，其次是建設用地，占比為28.1%，來自林地和水田的貢獻分別為24.1%，12.7%，旱地貢獻最小，僅為0.3%。

(3) 降水、地形、土地利用和其他人類活動是造成以上產(chǎn)沙貢獻差異的原因。研究區(qū)的自然條件，加之河道破壞和道路建設，使得大量細小顆粒進入水中，致使河水變得渾濁。今后應加強河道監(jiān)管，在道路建設時應加強保護，避免水土流失。