摘要：基于岷江眉山段地表水水質(zhì)數(shù)據(jù)與土地利用指標， 利用冗余分析（RDA）闡明水質(zhì)對土地利用的響應機制，并將此作為輔助信息來優(yōu)化正定矩陣因子分解（PMF）模型中的污染源解析過程，為污染源判定提供科學依據(jù)。結果表明， 研究區(qū)以氮磷和有機污染為主，各水質(zhì)指標間存在不同程度關聯(lián)性；土地利用指標對水質(zhì)指標的影響方式和強度不同，耕地、建設用地、人口密度、化肥施用量和單位面積工業(yè)GDP表現(xiàn)為對水質(zhì)不利的因素，林地和草地為對水質(zhì)保護有利的因素；污染源貢獻依次為企業(yè)點源污染排放（23.13%）gt;農(nóng)業(yè)面源污染（18.71%）gt;季節(jié)因素（16.67%）gt;生活污水排放（15.56%）gt;城市面源污染（15.26%）gt;自然源（10.67%）。

關鍵詞：水環(huán)境；流域污染；PMF模型；冗余分析；源解析；岷江

中圖分類號：X501" " " " 文獻標志碼：A" " " " 文章編號：1674-3075（2024）05-0142-09

河流水環(huán)境安全與水質(zhì)健康是生態(tài)系統(tǒng)平衡和社會經(jīng)濟可持續(xù)發(fā)展的重要保障（牛最榮和賈玲，2023；Huang et al，2021 ）。近年來，隨著城市黑臭水體治理、農(nóng)村生活污水治理和長江生態(tài)環(huán)境保護修復駐點跟蹤研究等一系列專項行動的開展，我國地表水質(zhì)改善明顯（Xiao et al，2023）。然而，在一些城鎮(zhèn)化提速明顯、土地資源過度開發(fā)以及水量時空分布不均的次級流域，生活污水、工業(yè)廢水、養(yǎng)殖尾水和農(nóng)田灌溉排水難以得到有效監(jiān)管和處理，污染的多元來源極大地增加了水環(huán)境管理的難度（Zhang et al，2020）。流域污染源的準確識別和定量解析可幫助管理者明確污染防控的重點事項，是水質(zhì)改善的重要前提條件之一。2021年12月，國家發(fā)展改革委印發(fā)的《“十四五”重點流域水環(huán)境綜合治理規(guī)劃》也明確指出，目前流域治理體系和治理能力現(xiàn)代化水平亟需提高，以支撐區(qū)域重大戰(zhàn)略實施。因此，在長江上游重要支流岷江開展河流污染源解析優(yōu)化方法研究，提升水環(huán)境管理效率，對流域污染的長效治理具有十分重要的意義。

近年來，污染源解析方法眾多，其中受體模型方法通常不涉及污染物在環(huán)境中的遷移轉化過程，無需確定污染輸入源和排放系數(shù)，在資料缺乏地區(qū)更容易推廣和應用（Gholizadeh et al，2016；Yang et al，2013）。受體模型方法中，絕對主成分-線性回歸（APCS-MLR）和正定矩陣因子分解（positive matrix factorization，PMF）模型優(yōu)勢突出，在水體、大氣和土壤源解析研究中都曾得到廣泛使用，其也存在一定局限性（Salim et al，2019）。APCS-MLR模型基于主成分分析（PCA）快速提取主控因子，但缺點是無法區(qū)別組分相似的污染來源，源識別結果的主觀性和不確定性較大（張婉萍等，2023）。相比于APCS-MLR模型，PMF模型依靠研究者對運行參數(shù)的判斷確定污染源數(shù)量，源識別主要參考每個因子的顯著載荷指標，同樣存在主觀性強和精度不足的缺點（Ren et al，2023）。但是PMF模型對因子貢獻施加非負約束，允許通過調(diào)整信噪比改善樣本不確定度權重，能直接輸出污染源因子貢獻矩陣，模型可調(diào)整參數(shù)更多、運算效率更高（Chen et al，2019）。在四川盆地，已有相關研究利用PMF模型定量分析沱江支流瀨溪河不同季節(jié)的污染源信息，證明了該模型具有準確分攤河流污染源貢獻的潛力（Ren et al，2023）。在有關太湖一項研究中，同樣有學者發(fā)現(xiàn)PMF模型的擬合優(yōu)度系數(shù)和誤差率均優(yōu)于APCS-MLR模型，更推薦在地表水體污染源解析中使用（Liu et al，2019）。

因此，為了更好地利用PMF模型在數(shù)據(jù)處理上的優(yōu)勢，本研究基于岷江眉山段11個監(jiān)測點的水質(zhì)數(shù)據(jù)，在分析河流水質(zhì)特征的基礎上，提出使用RDA方法探究流域內(nèi)水質(zhì)對土地利用指標的響應關系，并將該響應關系作為重要參考引入到PMF模型的源識別過程中，從而改善受體模型主觀性強的問題，為污染源的判定提供更加客觀的科學依據(jù)。研究結果有助于管理者明確污染防控的優(yōu)先事項，及時調(diào)整水環(huán)境管理措施，促進水環(huán)境的改善與可持續(xù)發(fā)展。

1" "材料與方法

1.1" "研究區(qū)域

岷江發(fā)源于阿壩州松潘縣岷山南麓，流域面積135 881 km2，水量充沛，是長江上游重要的支流之一。本研究選擇污染相對嚴重的岷江中游眉山段作為研究區(qū)域。岷江從眉山中部依次流經(jīng)彭山區(qū)、東坡區(qū)和青神縣，境內(nèi)全長99 km（圖1）。作為農(nóng)業(yè)灌溉、工業(yè)和居民用水的重要來源，岷江的水環(huán)境安全深刻影響眉山及沿岸城市社會經(jīng)濟的健康發(fā)展（Zhang et al，2020）。

研究區(qū)地處成都平原南部，地貌多樣，屬于中亞熱帶濕潤季風氣候，雨量充沛但分布不均，夏季降水占全年總降水的50%以上。作為重要的糧食和畜禽產(chǎn)區(qū)，眉山市主要種植作物包括水稻、玉米和油菜，主要飼養(yǎng)動物包含豬、牛、羊、禽類和水產(chǎn)。近年來眉山城鎮(zhèn)人口穩(wěn)步增加，食品、化工、制造、材料、電子信息和生物醫(yī)藥等行業(yè)快速發(fā)展。然而，流域內(nèi)環(huán)?；A設施建設還相對滯后，老城區(qū)和城鄉(xiāng)結合部市政管網(wǎng)不完善、農(nóng)村生活污水直排和養(yǎng)殖糞污利用率低等現(xiàn)象突出，使得水質(zhì)無法長期穩(wěn)定達標。目前已有學者對岷江進行水質(zhì)評價和污染負荷核算，但仍缺乏對流域污染源精準定性和定量分析（秦延文等，2018；溫泉等，2020 ）。

1.2" "數(shù)據(jù)來源

本研究選取了區(qū)域內(nèi)11個國控或省控斷面2019年的逐月水質(zhì)監(jiān)測數(shù)據(jù)為分析對象，相關數(shù)據(jù)來源于四川省生態(tài)環(huán)境科學研究院。11個點位均位于行政區(qū)交界、城區(qū)下游或主要支流匯入口，具有較強的代表性，詳細描述見表1。監(jiān)測指標包括：酸堿度（pH），溶解氧（DO），高錳酸鹽指數(shù)（CODMn），五日生化需氧量（BOD5），氨氮（NH3-N），石油類（petroleum），化學需氧量（CODCr），總氮（TN），總磷（TP），氟化物（F-），砷（As），電導率（EC）和水溫（WT）。除現(xiàn)場測定指標外，所有指標均采用《水和廢水監(jiān)測分析方法》中推薦的方法或儀器測定。

土地利用數(shù)據(jù)下載自地理空間數(shù)據(jù)云（http：//www.gscloud.cn）平臺2019年的landsat-8的OLI影像，并使用Envi軟件監(jiān)督分類方法制作，空間分辨率為30 m，該方法被我國學者廣泛應用于土地利用地圖繪制（郭羽羽等，2021 ）。研究區(qū)主要用地類型包括林地，草地、耕地、建筑用地以及水體及水利設施用地。由于研究區(qū)地處平原河谷，水網(wǎng)交錯，點源與面源污染情況復雜，提取河道兩側各用地類型面積難以反映污染發(fā)生的真實情況，而緩沖區(qū)范圍過小可能低估緩沖區(qū)外點源污染對河流水質(zhì)的影響（周培，2016 ）。此外，也有研究采用子流域尺度進行土地利用與水質(zhì)的響應分析，但該方法將整個匯水區(qū)作為獨立單元，可能無法很好地反映出土地利用在局部區(qū)域對水質(zhì)的影響（方娜等，2019 ）。因此，本研究利用ArcGIS 7.0中的緩沖區(qū)分析工具提取各點位5 km圓形緩沖區(qū)內(nèi)主要用地類型面積（表2）。此外，本研究還計算了各監(jiān)測點位所在區(qū)縣的人口密度、畜類（豬、牛、羊）養(yǎng)殖密度、化肥施用量和單位面積工業(yè)GDP指標表征土地利用強度，相關數(shù)據(jù)收集自《2019眉山年鑒》（表3）。

1.3" "研究方法

1.3.1" "冗余分析" "RDA作為常用的限制性排序工具，其核心原理是利用多元回歸探索解釋變量矩陣和響應變量矩陣之間的相關關系，在環(huán)境影響因素分析的研究中得到了廣泛應用（Ding et al，2016 ）。本研究以11項水質(zhì)指標為響應變量，9項土地利用指標為解釋變量展開數(shù)據(jù)分析。首先，去趨勢化分析（DCA）結果顯示第一軸長度為0.30（lt;3），說明采用基于線性模型的RDA方法分析水質(zhì)對土地利用指標的響應關系是適宜的。RDA結果圖中，若2個箭頭的方向垂直，則表示變量之間相對獨立，不存在相關關系；若兩箭頭夾角為銳角，銳角角度越小，則正相關性越強；若為鈍角，鈍角角度越大，負相關性越強。本研究RDA相關分析過程在CANOCO 5.0中進行（www.canoco5.com）。

1.3.2" "PMF模型" "PMF模型經(jīng)過多次開發(fā)和改進，最新版本為PMF 5.0（https：//www.epa.gov）。該模型基于實際監(jiān)測數(shù)據(jù)反向求解污染來源，運算效率高，且不需要用戶提供源排放數(shù)據(jù)，近年來在水體、大氣和土壤環(huán)境的相關研究中應用廣泛。PMF模型核心原理是將監(jiān)測到的復雜樣本數(shù)據(jù)分解為多個“因子”或“源”，每個因子代表1個潛在的污染源，通過最小二乘法進行迭代運算求解最佳的源貢獻分布（馬小雪等，2021），核心公式為：

[X（i×j）=G（i×k）F（k×j）+E（i×j）]" " " " " " " " " " "①

式中：X代表原始樣本數(shù)據(jù)矩陣，G為因子貢獻矩陣，[F]為因子濃度矩陣，[E]為殘差矩陣，j代表指標數(shù)量，k代表因子數(shù)量。在PMF5.0版本中，信噪比lt;0.2、[0.2，2]和gt;2分別表示數(shù)據(jù)質(zhì)量差、弱和強，數(shù)據(jù)質(zhì)量差的指標不會參與模型分析，數(shù)據(jù)質(zhì)量弱的指標會被賦予更多的不確定性加權（Jain et al，2017 ）。PMF模型使用非負矩陣分解技術，確保分解出的因子和貢獻在物理上具備意義。本次研究在軟件起始界面依次輸入因子數(shù)3～7，綜合評估目標函數(shù)最低值、模型殘差、指標擬合系數(shù)等信息（Ren et al，2023 ），最終確定研究區(qū)污染源數(shù)量為6個。關于PMF模型的更多數(shù)學原理和運行細節(jié)可以在軟件用戶指南和其他相關研究中找到（Salim et al，2019 ）。

2" "結果與分析

2.1" "區(qū)域水質(zhì)特征與相關性

2019年岷江眉山段水質(zhì)描述性統(tǒng)計結果見表4，包括13個水質(zhì)指標監(jiān)測濃度的最小值（Min）、最大值（Max）、平均值（Mean）、標準差（SD）、變異系數(shù)（CV）和樣本超標率（ER）。III類水質(zhì)標準限值濃度來自《地表水環(huán)境質(zhì)量標準》（GB 3838-2002），TN濃度標準沿用湖庫標準限值。13個水質(zhì)指標的相關性如圖2。

由表4可知，TN平均濃度高達5.47 mg/L，最高值甚至達到了16.90 mg/L。TP和NH3-N的平均濃度分別為0.21 mg/L和0.57 mg/L，其中47.45%的樣本TP濃度超過III類標準，11.86%的樣本NH3-N濃度超過III類標準。氮、磷是控制浮游植物生長的重要驅動因素，相關指標較高的超標率表明研究流域可能面臨嚴重的富營養(yǎng)化風險。有機污染指標CODCr、CODMn、BOD5和petroleum的樣本超標率較低，均未超過10%，表明該流域受到輕度的有機污染。所有樣本重金屬污染物As和高毒物質(zhì)F-的濃度均低于III類標準限值。監(jiān)測指標中，NH3-N， petroleum和TN的變異系數(shù)最高，其中NH3-N的變異系數(shù)達0.79。通常，降雨徑流和點源污染容易引起水質(zhì)波動，指標濃度的高度變異說明流域內(nèi)污染來源復雜，水質(zhì)時空分布格局差異明顯（Zhang et al，2020 ）。

相關性分析顯示，TP、CODMn和TN三者之間的皮爾遜相關系數(shù)均在0.5以上（Plt;0.05），呈較強的正相關關系，表明該流域氮磷污染和有機污染存在伴隨發(fā)生現(xiàn)象。同時，petroleum與CODMn相關系數(shù)也達到了0.45（Plt;0.05），這是由于petroleum含有碳和氫等元素，在水中被氧化會導致耗氧量增加。此外，DO和CODMn、BOD5以及WT都呈明顯的負相關關系，說明一方面有機耗氧物質(zhì)增多，加快了水中DO的消耗（Ren et al，2023），另一方面，DO和大氣溫度通常呈反比例變化，氧氣在冷水中溶解量更大（Gholizadeh et al，2016）。重金屬污染物As與其他參數(shù)的相關系數(shù)均未超過0.35（Plt;0.05），關聯(lián)程度較低，說明As可能存在獨立排放源。

2.2" "區(qū)域水質(zhì)-土地利用響應機制

利用RDA工具探究水質(zhì)和土地利用指標的響應關系，結果如圖3（L1：耕地面積，L2：畜類養(yǎng)殖密度，L3：水體及水利設施用地，L4：草地，L5：林地，L6：單位面積工業(yè)GDP，L7：建設用地面積，L8：人口密度，L9：化肥施用量）。排序軸1和軸2累計解釋超過75%的方差變量，表明水質(zhì)對土地利用響應程度較高。由圖3可知，TN和TP同時對化肥施用量表現(xiàn)出顯著的正相關。研究區(qū)耕地面積占比超過60%，該流域的氮磷污染可能與化肥的粗放使用有關，過量的營養(yǎng)物質(zhì)隨著地表徑流遷移到地表水體中，給河流水質(zhì)帶來額外的污染負荷（Varol et al，2012 ）。林地、草地都具有良好的水土保持能力（Bu et al，2014 ），對水質(zhì)有截污凈化的作用，因此這兩類用地面積與DO呈不同程度的正相關關系，與大多數(shù)污染指標呈負相關關系。BOD5和人口密度相關程度最強，推測該指標與人為活動密切相關，如生活污水排放。有機污染指標CODMn、CODCr和petroleum與單位面積工業(yè)GDP和建設用地面積呈正相關關系。岷江眉山段沿河兩岸分布了密集的建設用地，包括住宅區(qū)、工業(yè)區(qū)和商業(yè)區(qū)，因此污染可能來自城市面源或工業(yè)污水排放。

F-是促進骨骼肌肉發(fā)育的重要元素，在本研究中F-和養(yǎng)殖密度關聯(lián)程度最高，推測可能與該流域動物飼料中添加的氟化物有關。以往研究中，養(yǎng)殖廢水排放常常會給河流造成嚴重的氮磷污染（Cheng et al，2020 ），而本研究中，養(yǎng)殖密度與氮磷指標呈負相關，潛在原因可能是畜禽養(yǎng)殖密度最高的青神縣林地面積較多，而城市用地面積較少，土地利用布局更合理，也可能是因為該區(qū)域配置了更有效的廢水處理系統(tǒng)。此外，重金屬污染物As與林地相關程度高，但由于該指標濃度較低，推測其來源主要為巖石風化和土壤中礦物的分解。

由此可知，城市用地面積、單位面積工業(yè)GDP、化肥施用密度和人口密度均是使水質(zhì)惡化的重要因素，而林地和草地表現(xiàn)為對水質(zhì)保護有利的因素。RDA分析結果闡明了水質(zhì)對土地利用指標的響應關系，為區(qū)域污染源精準識別和土地資源管理提供重要參考和科學依據(jù)。

2.3" "污染源解析

2.3.1" "污染源優(yōu)化識別" "使用PMF模型共解析出6個潛在污染來源，其污染源貢獻分布如圖4。圖中每項指標物種濃度單位與其在描述統(tǒng)計分析中的單位相同。本次研究選擇每項污染源中貢獻占比較高的指標進行重點分析，并充分考慮顯著指標在RDA分析中的結果導向，對每個污染因子進行識別和命名。

因子1（F1）顯著指標為petroleum和CODCr。石油類污染常發(fā)生在石油開采、運輸和利用中，CODCr是市政廢水的常見指標，用于表征水體中有機物質(zhì)的濃度（程壯等，2014；閆晗等，2024 ）。RDA分析結果顯示CODCr和petroleum都與單位面積工業(yè)GDP和建設用地面積相關性最強，相關性分析也印證了這2種污染指標可能存在同源性。城市化過程中，大量的地表被人工覆蓋，自然徑流過程改變，城市徑流量和速率增加，更多污染物沖刷到水體而得不到有效阻控（Zhou et al，2012 ）。有研究發(fā)現(xiàn)，在城區(qū)主干道雨水徑流中CODCr和石油類濃度可高達317 mg/L和38.8 mg/L（魯雄飛，2013 ）。因此，推測污染可能來自城市地區(qū)的地表徑流，將F1解釋為城市面源污染。

F2顯著指標為F-、TN、CODCr和CODMn。氮素污染通常來源復雜，工業(yè)廢水、生活污水和農(nóng)田徑流均是潛在污染源（李紅菲，2022 ）。RDA分析顯示，F(xiàn)-和動物養(yǎng)殖密度相關性最強，推測氟污染與該區(qū)域大型養(yǎng)殖場養(yǎng)殖廢水未經(jīng)有效處理有關。有機污染指標是工業(yè)廢水監(jiān)測中的重要指標，CODCr和CODMn與單位面積工業(yè)GDP相關性最強，說明該地區(qū)工業(yè)廢水排放與經(jīng)濟指標可能存在正向關系，這與前人的研究結果相符（章恒全和韓若祎， 2018）。因此，F(xiàn)2主要與企業(yè)點源污染排放有關，包括大型養(yǎng)殖場與工廠廢水排放。

F3的顯著指標僅有重金屬污染物As。As廣泛存在于土壤、水體和沉積物中，常見來源包括礦物冶煉、工業(yè)生產(chǎn)、火山噴發(fā)和巖石風化等。As由于高毒性和致癌性近年來受到了越來越多的關注（Shahid et al，2018 ）。在自然狀態(tài)下，地表水砷濃度通常為1～2 [μ]g/L，而該流域As濃度為0.0019 mg/L，無濃度超標樣本，變異率低，表明人為因素和環(huán)境因素對該指標影響較低（Shaji et al，2021 ）。同時，RDA結果顯示，As與林地面積相關程度最高，潛在來源可能為成土母質(zhì)風化。因此，將F3歸因于自然來源。

F4的顯著指標包括WT、DO和pH。一般情況下，WT與大氣溫度呈穩(wěn)定正比，有明顯的年內(nèi)變化規(guī)律。DO雖然在冷水中濃度更高，但冬季枯水期流量流速較小，水溫低，河流自凈能力減弱（何俊仕等，2013）。pH能有效改變水體中污染物的吸附釋放程度，是水質(zhì)評價的一項重要參數(shù)，通常與水溫、碳酸鹽平衡和水生植物生長等因素有關（程國微等，2022）。參考相關學者對佛羅里達州3條主要河流的污染源解析研究，該因素可理解為由溫度變化引起的水質(zhì)變化（Gholizadeh et al，2016 ）。因此，將F4解釋為季節(jié)因素。

F5中DO和pH貢獻較高，其他顯著指標還包括EC和BOD5，相關性分析表明，DO除與WT表現(xiàn)為顯著負相關外，還與有機污染指標表現(xiàn)為較強的負相關。因此，該流域的DO濃度變化主要受到季節(jié)氣象和有機耗氧物質(zhì)的影響。EC主要取決于河流中離子的種類和濃度，高EC濃度可能與該地區(qū)污水處理設施不完善有關。RDA結果顯示，BOD5與人口密度高度相關，表明人口集中的城鎮(zhèn)區(qū)域BOD5污染更為嚴重。一項在韓國開展的雨水徑流污染溯源分析中，研究人員引入該集水區(qū)的土地利用變化信息，同樣認為有機污染與生活污水排放有關（Salim et al，2019 ）。基于以上考慮，將F5解釋為生活污水排放。

F6顯著指標包括NH3-N、TP和TN。農(nóng)業(yè)種植和畜禽散養(yǎng)均是氮磷污染的主要來源（Gao et al，2020 ），RDA結果同樣顯示上述指標與化肥施用密度和耕地面積呈正相關關系。長江流域氣候溫暖，適合開展農(nóng)業(yè)種植活動，是我國重要的糧食產(chǎn)區(qū)之一。2021年長江經(jīng)濟帶11省市糧食總產(chǎn)量超過2億t，化肥農(nóng)藥使用量居高不下（趙健等，2022 ）。然而，不合理的施肥方式使得集約化農(nóng)區(qū)氮磷流失嚴重，威脅周圍湖庫和河流的水質(zhì)健康，帶來嚴重的富營養(yǎng)化風險。李紅菲（2022）在眉山的調(diào)查發(fā)現(xiàn)，該區(qū)域受到春季頻繁的農(nóng)業(yè)活動影響，耕地中過量的營養(yǎng)物質(zhì)易在雨季初期降雨的作用下，遷移匯入到地表水體，因而TP在4-5月濃度最高。所以，將F6解釋為農(nóng)業(yè)面源污染是合理的。

2.3.2" "污染源貢獻定量分攤" "本研究聯(lián)合RDA方法和PMF模型，并結合土地利用因素定性識別岷江眉山段6類污染來源，污染源解析結果更為客觀。整理PMF模型輸出的BASE文件，計算各指標貢獻的平均值，得到6類污染源的平均貢獻率，如圖5。

由圖5可知，污染源貢獻由大到小依次為：企業(yè)點源污染排放（23.13%）gt;農(nóng)業(yè)面源污染（18.71%）gt;季節(jié)因素（16.67%）gt;生活污水排放（15.56%）gt;城市面源污染（15.26%）gt;自然源（10.67%）。其中，企業(yè)點源污染的主要貢獻指標為F-（48.70%）、TN（45.42%）和CODCr（36.52%），農(nóng)業(yè)面源污染的主要貢獻指標為NH3-N（65.99%）、TN（25.92%）和TP（22.70%）。此外，生活污水和城市面源污染合計貢獻超過30%，有機污染相關參數(shù)CODMn、CODCr、BOD5和petroleum是主要載荷指標。自然源主要貢獻指標為As，貢獻率超過了60%，但該平均濃度較低，因此該污染源整體影響較小。

根據(jù)污染源量化結果，可為流域的水環(huán)境治理工作提供針對性的指導建議。首先，未來有必要重點提升該地區(qū)工業(yè)廢水收集和處理效率，加強對廢水排放的監(jiān)管，減少企業(yè)點源污染直排入河；第二，應大力推廣應用農(nóng)業(yè)面源污染防控技術，合理使用化肥農(nóng)藥，因地制宜建設生態(tài)溝渠以削減農(nóng)業(yè)面源污染負荷；第三，應逐步完成城市污水管網(wǎng)改造，提升環(huán)保設施覆蓋率，對于農(nóng)村散戶生活污水，也可配套化糞池進行處理。最后，由于季節(jié)因素引起的流量或溫度變化，也會在一定程度上影響水體自凈能力，需要加強巡邏監(jiān)管，重視水質(zhì)預警工作。

3" "結論與展望

（1）研究區(qū)內(nèi)水質(zhì)指標對土地利用的響應存在差異，化肥施用量與TP、人口密度與BOD5、單位面積工業(yè)GDP與CODMn的正相關性較強，表現(xiàn)為對水質(zhì)的不利因素；而林地和草地與大多數(shù)污染指標呈負相關關系，對水質(zhì)可能起到凈化作用。

（2）聯(lián)合RDA和PMF模型對污染來源進行了優(yōu)化識別和定量分攤，結果表明流域內(nèi)污染源貢獻依次為企業(yè)點源污染排放（23.13%）gt;農(nóng)業(yè)面源污染（18.71%）gt;季節(jié)因素（16.67%）gt;生活污水排放（15.56%）gt;城市面源污染（15.26%）gt;自然源（10.67%）。研究結果可幫助管理者明確污染防控的優(yōu)先次序，及時調(diào)整水環(huán)境管理策略。

（3）本研究利用RDA結果為PMF源解析提供了重要的輔助信息，但受數(shù)據(jù)獲取限制，能使用的土地利用指標和污染物指標有限。未來的研究中，可在RDA分析中添加更多的變量，以避免響應關系可能存在的隨機性，改進PMF模型污染源識別過程主觀性強的不足，為污染源判斷提供更可靠的依據(jù)，推動流域水環(huán)境管理能力的進一步提升。

參考文獻

程國微， 陳巖， 高偉， 2022. 2016-2019年長江流域湖庫群氮磷污染源解析[J].環(huán)境科學學報，" 42（3）：207-217.

程壯， 白翔， 王曉東， 等， 2014. 石油類污染水源水的應急處理[J]. 油氣田地面工程，" 33（7）：25-26.

方娜， 劉玲玲， 游清徽， 等， 2019. 不同尺度土地利用方式對鄱陽湖濕地水質(zhì)的影響[J].環(huán)境科學， 40（12）：5348-5357.

郭羽羽， 李思悅， 劉睿， 等， 2021. 黃河流域多時空尺度土地利用與水質(zhì)的關系[J].湖泊科學， 33（3）：737-748.

何俊仕， 周飛， 張靜， 等， 2013. 基于河流健康的遼河干流生態(tài)調(diào)度分期研究[J].長江流域資源與環(huán)境， 22（5）：657-662.

李紅菲， 2022. 聯(lián)合水化學與社會經(jīng)濟要素的流域水污染源解析研究[D].成都：西南交通大學.

魯雄飛， 2013. 城市主干道初期雨水污染特征研究[D].成都：西南交通大學.

馬小雪， 龔暢， 王麗， 等， 2021. 不同水期秦淮河流域水污染的分布特征及來源解析[J].長江流域資源與環(huán)境， 30（12）：2949-2961.

牛最榮， 賈玲， 2023. 三生空間角度的甘肅長江流域水生態(tài)安全評價及障礙診斷[J].水生態(tài)學雜志，" 44（2）：19-25.

秦延文， 馬迎群， 王麗婧， 等， 2018. 長江流域總磷污染：分布特征·來源解析·控制對策[J].環(huán)境科學研究， 31（1）：9-14.

溫泉， 馬迎群， 時瑤， 等， 2020. 基于污染負荷核算的岷江流域總磷污染成因分析及對策[J].地學前緣， 27（4）：332-339.

閆晗， 王勝楠， 陳卓， 等， 2024.滇池有機污染物（COD）特征與來源解析研究[J/OL].環(huán)境工程， 1-10[2024-06-03].http：//kns.cnki.net/kcms/detail/11.2097.X.20230925.0946.008.html.

張婉萍， 樊敏， 楊遠坤， 等，" 2023. 基于多元統(tǒng)計的沱江支流釜溪城鎮(zhèn)河流污染特征解析[J].生態(tài)學雜志， 42（6）：1517-1526.

章恒全， 韓若祎， 2018. 工業(yè)廢水排放與經(jīng)濟增長關系的實證分析[J].統(tǒng)計與決策， 34（16）：115-118.

趙健， 籍瑤， 劉玥， 等， 2022. 長江流域農(nóng)業(yè)面源污染現(xiàn)狀、問題與對策[J].環(huán)境保護， 50（17）： 30-32.

周培， 2016. 流域尺度土地利用與水質(zhì)關聯(lián)研究的理論分析和實踐[D].廈門：廈門大學.

Bu H， Meng W， Zhang Y， et al， 2014. Relationships between land use patterns and water quality in the Taizi River basin， China[J]. Ecological Indicators， 41：187-197.

Chen R， Teng Y， Chen H， et al， 2019. Groundwater pollution and risk assessment based on source apportionment in a typical cold agricultural region in Northeastern China[J]. Science of the Total Environment， 696（15）： 133972.

Cheng G， Wang M， Chen Y， et al， 2020. Source apportionment of water pollutants in the upstream of Yangtze River using APCS-MLR[J].Environmental Geochemistry and Health， 11：3795-3810.

Ding J， Jiang Y， Liu Q， et al， 2016. Influences of the land use pattern on water quality in low-order streams of the Dongjiang River basin， China： A multi-scale analysis[J].Science of the Total Environment， 551/552： 205-216.

Gao C， Zhang M， Song K， et al， 2020. Spatiotemporal analysis of anthropogenic phosphorus fluxes in China [J].Science of the Total Environment， 721（2）：137588.

Gholizadeh M H， Melesse A M， Reddi L， et al， 2016. Water quality assessment and apportionment of pollution sources using APCS-MLR and PMF receptor modeling techniques in three major rivers of South Florida[J].Science of the total Environment， 566：1552-1567.

Huang J， Zhang Y， Bing H， et al， 2021. Characterizing the river water quality in China： recent progress and on-going challenges[J].Water Research， 201（4）：117309.

Jain S， Sharma S K， Choudhary N， et al， 2017. Chemical characteristics and source apportionment of PM2.5 using PCA/APCS， UNMIX， and PMF at an urban site of Delhi， India[J].Environmental Science and Pollution Research， 24（17）：1-20.

Liu L L， Dong Y C， Kong M， et al， 2019. Insights into the long-term pollution trends and sources contributions in Lake Taihu， China using multi-statistic analyses models[J].Chemosphere，" 242：125272.

Ren X N， Yang C， Zhao B， et al， 2023. Water quality assessment and pollution source apportionment using multivariate statistical and PMF receptor modeling techniques in a sub-watershed of the upper Yangtze River， Southwest China[J]. Environmental Geochemistry and Health， 45（9）：6869-6887.

Salim I， Sajjad R U， Paule-Mercado M C， et al， 2019. Comparison of two receptor models PCA-MLR and PMF for source identification and apportionment of pollution carried by runoff from catchment and sub-watershed areas with mixed land cover in South Korea[J]. Science of the Total Environment， 663：764-775.

Shahid M， Niazi N K， Dumat C， et al， 2018. A meta-analysis of the distribution， sources and health risks of arsenic-contaminated groundwater in Pakistan[J].Environmental Pollution， 242：307-319.

Shaji E， Santosh M， Sarath K V， et al， 2021. Arsenic contamination of groundwater： A global synopsis with focus on the Indian Peninsula-ScienceDirect[J].Geoscience Frontiers， 12（3）： 101079.

Varol M， Gokot B， Bekleyen A， et al， 2012. Spatial and temporal variations in surface water quality of the dam reservoirs in the Tigris River basin， Turkey[J].Catena， 92：11-21.

Xiao J， Gao D， Zhang H， et al， 2023. Water quality assessment and pollution source apportionment using multivariate statistical techniques： a case study of the Laixi River Basin， China[J].Environmental Monitoring and Assessment， 195（2）：287.

Yang B， Zhou L， Xue N， et al， 2013. Source apportionment of polycyclic aromatic hydrocarbons in soils of Huanghuai Plain， China： Comparison of three receptor models[J].Science of the Total Environment， 443：31-39.

Zhang H， Li H， Yu H， et al， 2020. Water quality assessment and pollution source apportionment using multi-statistic and APCS-MLR modeling techniques in Min River Basin， China[J].Environmental Science and Pollution Research， 33（27）：41987-42000.

Zhou T， Wu J， Peng S， 2012. Assessing the effects of landscape pattern on river water quality at multiple scales： A case study of the Dongjiang River watershed， China[J].Ecological Indicators， 23：166-175.

（責任編輯" "鄭金秀）

Water Quality Characteristics and Watershed Pollution Sources

in the Minjiang River Based on Redundancy Analysis and Receptor Model

REN Xing‐nian1，" CHEN Si‐kai1，" GUO Shan‐shan2，" GAO Dong‐dong3，" WANG Chun3，" ZHANG Han1

（1. School of Environmental Science and Engineering，" Southwest Jiaotong University，

Chengdu" "610031，" P.R. China;

2. China 19th Metallurgical Corporation，" Chengdu" "610031，" P.R. China;

3. Institute of Water Environment， Sichuan Academy of Environmental Science， Chengdu" "610000，" P.R. China）

Abstract：Accurate identification of water pollution sources is a prerequisite for effective pollution control and sustainable watershed management. In this study， the relatively polluted Meishan section of the middle Minjiang River was selected for research. We elucidated the response mechanism of water quality to land use based on surface water quality data at 11 monitoring sites in the Meishan section and the distribution of each land use type in 2019 using redundancy analysis （RDA）. The response mechanism of water quality to land use was then used as auxiliary information to optimize the pollution source analysis process of the positive matrix factorization （PMF） model. The study area was primarily affected by nitrogen， phosphorus， and organic pollution， and there were varying degrees of correlation among different water quality parameters. The impact of land use indicators on water quality parameters varied in mode and intensity. Cultivated land， construction land，" population density， chemical fertilizer application， and industrial GDP per unit area were factors detrimental to water quality， while forest and grassland were beneficial for water quality. The identification and quantitative analysis of the pollution sources was completed by combining RDA and PMF model analysis， and the results shows that the contribution rates of different pollution sources were as follows： industrial point source pollution （23.13%）gt;agricultural non-point source pollution （18.71%）gt;seasonal factors （16.67%）gt;domestic sewage discharge （15.56%）gt;urban non-point source pollution （15.26%）gt;natural sources （10.67%）. The primary contributing indicators of industrial point source pollution were F- （48.70%）， TN （45.42%）， and CODCr （36.52%）. The primary contributing indicators of agricultural non-point source pollution were NH3-N （65.99%）， TN （25.92%）， and TP （22.70%）. Organic pollution-related parameters such as CODMn， CODCr， BOD5， and petroleum were the main loading indicators for domestic sewage and urban non-point source pollution. The primary contributing indicator for natural sources was As， with a contribution rate exceeding 60%， but the average concentration was low and the overall impact of natural sources was relatively small. This study provides a new method and approach for tracing pollution sources in watershed water pollution prevention and control.

Key words：water environment; watershed pollution; positive matrix factorization （PMF） model; redundancy analysis; source identification; Minjiang river