中国东南丘陵山区水质良好水库现状与天目湖保护实践

东南丘陵山区是我国水库分布最为集中的区域之一,这些水库在保障区域供水安全方面具有极其重要的作用,应该优先保护.然而,水库水环境保护正面临丘陵山区开发强度持续增加,开发方式和空间布局不合理,氮、磷污染及富营养化趋势严峻,缺乏完善监测和管理体系等众多问题.本文以2000年以来天目湖水库保护实践过程为例,从库体水环境治理、流域污染物削减和综合管理3个方面介绍天目湖沙河水库保护的措施和成效,在此基础上提出良好湖库优先保护的建议:建立具有部门协调能力的水库管理机构,实行基于湖库水生态目标的水质目标管理,治理丘陵山区茶果园的面源污染,注重流域生态系统整体的恢复,禁止上游水源涵养区和临湖地带的开发,划定生态保护红线,明确禁止和限制的开发类型与规模,加强湖库及流域的监测和预警,开展必要的水库水体治理工程,并针对性地制定湖库管理条例.天目湖十几年的保护实践中有效地解决了流域开发与水库水质保护之间的矛盾,使天目湖水质由快速恶化转为稳步好转,为东南丘陵山区经济发展过程中水库的环境保护探索了一条道路.

天目湖流域丘陵山区典型土地利用类型氮流失特征

天目湖丘陵山区农业综合开发持续推进,大量林地转变为茶园,迫切需要认识茶园扩张对流域氮流失的影响.本研究选取茶园、次生马尾松林和毛竹林开展自然降雨条件下的径流小区实验,分析天目湖丘陵山区典型用地类型径流氮流失规律,为评估丘陵山区综合开发的水环境影响提供实测参数.研究表明：茶园、次生马尾松林和毛竹林地表径流TN浓度分别为11.25、2.83和3.60 mg/L,均以溶解态为主;壤中流TN浓度分别为27.16、3.59和1.06 mg/L,茶园和次生马尾松林均以溶解性无机氮（尤其是硝态氮）为主,毛竹林以溶解性有机氮为主;茶园、次生马尾松林和毛竹林的小区尺度地表径流系数均不到0.03,壤中流是丘陵山区径流的主要来源;茶园开发加剧了丘陵山区的氮素流失,茶园径流TN流失强度高达103.08 kg/（hm2·a）,分别是次生马尾松林和毛竹林的7.6和23.2倍,壤中流贡献了流失总量的86.7％ ～ 99.7％.防治茶园径流氮流失需重点关注壤中流输出,在减量施肥的基础上,采取坡脚构建毛竹林生态缓冲带/在小流域出口布设塘坝等原位拦截措施,实现流域氮流失综合防控.

2000年以来天目湖流域茶园分布变化及趋势模拟

土地利用/土地覆被变化(LUCC)与区域的可持续发展密切相关,分析土地利用变化及其空间变量的关系,建立模拟模型来认识和揭示土地利用变化的特征和时空分布规律,为未来规划和政策的制定提供支持是LUCC研究的重点问题之一.本研究以太湖流域上游典型丘陵山区茶园开发作为重点研究对象,结合中高分辨率遥感影像信息、1∶50000国家标准地形图数据和野外土壤采集分析数据获取2000年以来茶园及其它土地利用信息、研究区地形地貌数据和土壤数据,通过对2000年以来茶园及其新开茶园的区位分布分析,发现茶园的变化呈现快速增长的趋势,11年研究区茶园面积扩大了5倍,其中一半以上的面积是最后3年增长的;茶园在流域上不同分区的分布差异比较大,这些差异与分区自然条件、区位条件和开发条件有一定关系.根据Cramer V卡方检验结果值,比较不同的茶园区位影响因子对茶园分布的影响力,确定高程、坡度、水库、河流、村落、主干道路和茶园规模对茶园区位影响比较显著.用茶园区位影响显著性的7个因子通过迭代优化建立MLP神经网络模型,对研究区的未来茶园的分布区位进行模拟,并且用已开发茶园对模型进行验证,达到84%的区位预测精度.基于模型用现有茶园开发模式、2000年左右茶园开发模式和折中模式3种情景模拟未来茶园的分布,发现按现有的茶园开发速度,2020年茶园总面积将达到流域总面积的1/4,任何一种情景都改变不了茶园在重要功能区的增长趋势,因此迫切需要政府采取相应的措施对茶园面积的增长和区位的分布进行控制.

千岛湖流域主要土地利用方式氮收支平衡特征

分析流域不同土地利用方式氮收支平衡特征是了解土地利用方式对土壤氮平衡的影响和水环境保护的重要依据。以千岛湖流域为研究区,采用农户调查、土壤氮测定、文献调研等方法,评估不同土地利用方式氮收支平衡及差异。结果表明:各土地利用方式氮输入量表现为菜地>桑园>水田>茶果园(茶园、柑橘园、山核桃园)≈旱地>混交林>毛竹林≈马尾松林,耕地和园地均为施肥的氮输入量最高。各种土地利用方式氮输出量总体上表现为菜地>水田>桑园>山核桃园>茶园>旱地>柑橘园>混交林>毛竹林>马尾松林。总体上各种土地利用方式氮盈余及环境风险为菜地>桑园>茶园>柑橘园>旱地>水田>山核桃园>马尾松林>混交林>毛竹林,菜地是氮高输入、高输出的典型土地利用方式;其次是桑园,受高输入量的影响;茶园、柑橘园的氮盈余量较高,水田虽然氮的输入量比较高,但是也是利用率高的类型,盈余量低于旱地;自然林地几乎没有施肥或很少施肥,输入输出都比较少。

基于深度学习的青海湖裸鲤产卵场遥感识别方法

鱼类产卵场会随着外部环境条件的改变而发生变化,因此,快速、有效地定位鱼类产卵场对于开展水生生物资源调查、珍稀水生动物保护等工作具有重要的意义。本研究基于无人机航拍影像和青海湖裸鲤(Gymnocypris przewalskii)产卵场实地调查结果,构建了深度学习模型,以分析将深度学习模型应用于青海湖裸鲤产卵场识别中的可行性。模型训练交并比精度和像素精度分别为0.870和0.996,验证交并比精度和像素精度分别为0.648和0.985,虽然精度低于一般的遥感影像或图像分割精度,但从测试的结果来看,深度学习模型可以识别到约79%的产卵场,但尚不能精确地分割出产卵场,可以作为一种辅助手段,应用到青海湖裸鲤产卵场的识别中。