乌梁素海流域 (图1) 位于内蒙古自治区西北部巴彦淖尔市境内 (40°09′N~41°49′N，106°30′E~109°56′E) ，处于我国“两屏三带”重要的生态安全保障关键地区，承担着调节黄河水量，维持生态系统功能，以及调节气候等多种重要的作用^[14]。流域平均海拔1 024 m，年平均气温7.7 ℃，年均降水量215 mm。该流域四季分明、春季短促、冬季漫长、昼夜温差大，冰封期有约5个月，受到蒙古高压的影响，地处西风带、风沙强烈，年平均蒸发量达到2 000 mm以上，属于典型的干旱-半干旱地区。乌梁素海流域腹地的河套灌区是我国北方重要的商品粮油生产基地，以种植小麦、玉米、葵花等作物为主，年产量高达3×10⁶ t^[15]。流域每年由黄河补水约4.5×10⁸ m³。乌梁素海流域引黄的灌溉分为生育期灌溉和非生育期灌溉，生育期灌溉是用来满足作物生长对水分的需要，非生育期灌溉又分为春灌和秋浇。

构建SWAT模型时，需要乌梁素海流域的空间数据库和属性数据库，空间数据库包括栅格数据 (Grid)和矢量数据 (Shapefile)。栅格数据包括乌梁素海流域分辨率为30 m的数字高程地形图 (DEM)，以及乌梁素海流域1∶10⁶土壤类型图。矢量数据包括水系矢量图和乌梁素海流域1∶10⁵土地利用图。由于建模时使用的空间数据来源不同，坐标系存在差异，但在SWAT模型划分子流域和水文响应单元时，需要将所有的空间数据投影到相同的坐标系中，本研究将空间数据的地理坐标系统一为GCS_WGS_1984。

1) DEM数据。本研究使用的DEM数据来自地理空间数据云(www.gscloud.cn)，分辨率为30 m×30 m的Grid格式的数据，DEM数据包括高程、坡度、坡长、坡向等参数，通过ArcGIS 10.2对DEM数据进行镶嵌、裁剪和填洼等得到乌梁素海流域的DEM和河网水系。

2) 土地利用数据。土地利用数据是SWAT建模中重要的数据之一，土地利用方式会直接影响流域地面的产流汇流，泥沙和营养物质的运输转移过程。本文所用林地、草地、不透水地面等基础土地利用数据来源于中国土地覆盖数据集 (China Land Cover Dataset，CLCD) ，乌梁素海流域的作物种植结构数据是2022年基于无人机高清晰照片及高分辨率遥感影像，通过解译得到。使用Arcgis10.2对CLCD的原始土地利用数据及解译出的种植结构数据，进行坐标系转换、裁剪、重采样、重分类等处理，融合后得到SWAT模型可识别的土地利用数据，分类结果见表1。其中，代码列为土地利用数据库中土地利用类型的英文缩写，土地利用类型检索表以*.txt格式存储。将土地利用类型图与SWAT模型中已有的土地利用类型联系起来，土地利用类型分布见图2。其他作物包括“马铃薯、水稻、油料作物等”。

3) 土壤类型数据。土壤属性数据的质量直接影响SWAT模型的精确度，土壤参数包括：土壤物理性质、空间分布格局以及土壤数据索引表^[16]。本研究的土壤数据来自世界土壤数据库 (Harmonized World Soil Database, HWSD)，以计算壤中流和浅层地下水量。用Arcgis10.2对土壤类型数据进行坐标系转换、裁剪、重分类等处理，构建出完整的土壤类型数据的属性表，存为 Shape格式，土壤类型索引表为 *.txt格式存储，将土壤类型与SWAT模型中的usersoil文件的相应字段结合起来，土壤类型分布图见图3。

构建土壤类型数据库时，使用美国华盛顿州立大学开发的土壤水特性软件SPAW软件，计算SOL_K1、SOL_AWC1 和 TEXTURE 等土壤参数，再将结果输入 SWAT模型所建立的土壤数据库^[17]。 土壤属性库包括土壤物理属性 (存储在usersoil.sol中) 和土壤化学属性 (存储在.chm中) 。土壤的物理属性数据是土壤水循环的重要参数，包括土壤名称、饱和导水率、土壤分层数和土壤有机碳含量等，其主要反映了土壤的侵蚀程度及变化规律，化学属性反映氮、磷的初始质量浓度，为模型附初始值使用。

4) 气象数据。本研究使用的气象数据来自巴彦淖尔市的7个国家气象站数据，包括五原、临河、磴口、乌拉特前旗、乌拉特中旗、乌拉特后旗和杭锦后旗气象观测站。气象数据主要包括2010—2020年日降水量、日最高/低温、风速和日辐射量等数据，主要用于计算径流量和蒸散发量。SWAT模型要求对每个站点的气象数据建立一个*.dbf索引表，但由于收集的气象资料中，有些点存在缺测而中断，缺失值在模型中用-99来表示。但长时间的缺测或中断，将会导致模型无法完成初始化运行，故需要使用天气发生器根据研究区气象站点的多年平均气象资料数据的特征，来模拟和估算各站点缺失的气象数据。气象数据将参数值输入到天气发生器 (WGEN_user) 中参与模型计算，相关站点信息见表2。

本研究通过SWAT-CUP (SWAT Calibration on Uncertainty Parameter) 对建模结果进行敏感度分析和模型率定，SWAT模型参数敏感性分析主要是通过调整参数的初始值或是参数的取值范围，使其模拟值接近于测量值，提高模型在研究区的适用性^[18-19]。对SWAT模型参数敏感性分析是后续率定、校准和验证模型的前提，根据参数敏感性分析，结合各参数实际意义，对比实测值和模拟值调整参数取值范围。使用SUFI2 (Sequential Uncertainty Fitting Version 2) 对参数进行校准，选择对径流影响较大的10个参数，通过SWAT模型敏感性分析，迭代500次，筛选出对模拟结果较敏感的参数。参数的意义及模拟初始值的变化范围如表3所示。

通过决定系数 (R²) 和纳什效率系数 (NSE) 以评价和验证模型的适用性^[20]。决定系数用来衡量均值的模拟效果，纳什系数可以衡量参数极值的模拟效果。R²和NSE取值范围均是0~1，其越接近1，拟合程度越好，反之则相关性越低。R²表示模拟值和实测值变化趋势是否一致，NSE 的表示模拟值与实测值的偏离程度。这两个指标通常需要同时对SWAT模型的适用性和精确度进行评价，不单独使用。R²和 NSE 的计算公式见式 (1)~(2) 。

式中：Q₀和Q_s 分别是观测值和模拟值， $ {\bar Q_0} $ 和 $ {\bar Q_{\text{s}}} $ 分别是观测值的平均值和模拟值的平均值，n是数据的个数。

Mann-Kendall趋势检验能够对比历年相同月份或季节的气象水质数据资料分类，广泛应用于国内外气象水文数据趋势变化的研究。该方法适用于顺序变量和类型变量，设 (x₁,x₂,...,x_n)为n个独立的时间序列样本数据，构造秩序列见式 (3) ，相关数据见式 (4) 。

秩序列S是第i时刻数值大于j时刻数值个数的累计数。在时间序列随机独立的假定下，定义统计量UF_k见式 (5) 。其中，UF₁=0，E(S_k)和var(S_k)分别是S_k的均值和方差，计算见式 (6) 。

UF_k是标准的正态分布，检验数据在临界线内变动，则表明变化曲线趋势不明显。UF_k若大于零，则序列呈上升趋势，反之呈下降趋势。当其超过临界线，则表明上升或下降趋势显著。进一步得到 Mann-Kendall 统计值 Z见式 (7) 。

接下来，对统计值Z进行Mann-Kendall趋势检验。首先使用双边检验，假设时间序列无趋势变化，在正态分布表中查到显著性水平下的临界检验值 Z_1-α/2。当|Z|>Z_1-α/2时，原假设被否定，这表明序列具有显著性变化趋势；当|Z|<Z_{1- α/2}时，则原假设被接受，这表明无显著性变化趋势；|Z|在大于1.28、1.96 和 2.32 时，分别表示通过了置信度 0.90、0.95 和 0.99 的显著性检验。Z为正值表示序列呈上升趋势，Z为负值表示序列呈下降趋势，且Z的绝对值越大，表示变化趋势越显著。

分布式水文模型的特征之一是能根据输入的参数划分出流域边界和子流域。SWAT模型在空间的离散化方面，基于研究区的DEM数据和河网的矢量文件(*.shp)，结合流域进出口的定义，调整子流域面积的阈值，通过SWAT模型的Watershed Delineat子程序，在水文单元的基础上进行子流域的划分^[21]。结合反复的尝试和分析比较，将子流域面积划分阈值设置为200 km²，最终将乌梁素海流域划分为103个子流域，具体见图4。水文响应单元(hydrologic response unit，HRU)在是SWAT模型参与水文计算与模拟的最小单元，运用“HRU Analysis”子模块计算。每一个HRU根据坡度、土地利用类型和土壤分类的不同组合和分布作为初始值，将不同水文特征部分定义为不同的水文单元。每个水文单元包含影响水量计算结果的重要信息^[22]，共划分723个水文响应单元。

在率定的过程中，使用手动校准和自动校准相结合的方式进行。自动校准时，当径流满模拟值足R² > 0.6，NSE > 0.5时结束，否则继续调整参数取值。通过红圪卜水文站所在53号子流域的水文监测数据，将2010 — 2015年作为模型率定期，2016—2018年作为模型验证期，对SWAT模型的模拟结果的精确度进行验证。率定期的 R²为0.74，NES为0.81；验证期的R²为0.78，NES为0.67。R²和NES均符合模型的拟合标准。图5为模型模拟效果，模型拟合效果良好，为后续进行污染物的模拟奠定基础。

在SWAT模型中，将有机氮 (ORGN) 、硝酸盐总量 (NO₃) 、亚硝酸盐总量 (NO₂) 和氨氮总量 (NH₄) 之和作为氮元素总负荷 (TN) ，将有机磷总量 (ORGP) 和矿物质磷总量 (MINP) 之和作为磷元素总负荷 (TP) ，本节对SWAT模拟的乌梁素海流域氮、磷元素年均输入、输出量以及负荷量进行时空变化规律分析。SWAT模型对乌梁素海流域 2010—2020年，TN和TP负荷量进行模拟。图6表明，TN和TP在2010—2020年间整体呈逐渐下降的趋势，2019年TN和TP负荷量最低，但2020年的TN、TP负荷量均有大幅回升。对TN和TP的年际变化分析表明，2010年污染物负荷量远高于其他年份。根据TN、TP的Mann-Kendall趋势分析发现，2010—2020年TN、TP的统计量Z值分别为−2.377和−1.595。这表明TN具有显著降低 (P < 0.05) 的变化趋势，TP具有降低的变化趋势但不显著。这体现出乌梁素海流域常年生态修复，统筹规划，综合治理有明显的效果 ^[23-24] 。同时，对SWAT模型模拟的TN和TP月负荷量进行分析，结果表明 (图7) ：TN和TP在一年之间的季节变化较大；TN表现为1—3月逐渐增加，4月略有下降，后又迅速上升，5—7月，降低速率较快，8月之后逐渐趋于稳定；TP表现为1—3月迅速上升，4—7月相对缓慢下降，8—12月基本趋于稳定。乌梁素海流域TN和TP均表现为春季负荷量较高。造成这一趋势的原因主要与来水负荷、降水以及水生植物和藻类的生长周期有关，春季水温升高，湖中植物残余物分解，沉积物与水柱物质交换频繁，二次污染严重。此外，春季沙尘暴较多，加速了水分交换^[25]。初秋时期，河流和湖泊周围浅水和湖岸缓冲区生长了许多沉水植物。这些植物可净化水质，逐渐降低水体营养物质的浓度，导致水体中TN和TP的负荷量降低。本研究的SWAT模型模拟结果与前期研究建立的乌梁素海富营养化状态多元线性回归模型的拟合结果一致^[26] 。

图8(a)和图8(b)为乌梁素海流域总氮输入量和输出量的空间分布图。总氮年均负荷量在南部的河套灌区较高，北部草地较低，在东部番茄、瓜果、甜菜等其他作物集中分布的区域，TN负荷量在30~45 t·a⁻¹。并且，TN负荷量较高的50、51、69、82号子流域年均总氮输出量大于8 t·a⁻¹，这些在流域主要土地利用类型为耕地，根据种植结构分布图，这些子流域均种植大量的玉米和葵花。图9(a)和图9(b)为乌梁素海流域总磷输入和输出量的空间分布图，整体趋势与TN相似，西部较高，东北部较低。50、51、59、69、82号子流域的TP的年均总输出量均超过10 (t·a⁻¹)，主要分布在以玉米和葵花为主的子流域。

基于种植结构的乌梁素海流域SWAT模型对面源污染物的模拟结果表明，TN和TP的污染物负荷量空间分布情况与土地利用方式具有较大的关系。结合种植结构发现，造成这一现象可能是因为乌梁素海流域西部以裸地和耕地为主。由于工业污水排放及农业生产中农药和化肥的施用，导致污染负荷量增加^[27]。研究区的东北部地区分布大量的草地和林地，有利于减少水土流失，从而降低污染物的负荷量。同时，由于乌梁素海流域位于内蒙古自治区西部，属于温带大陆性季风气候，从西向东降水量逐渐增加，但这与污染物的负荷量并没有明显的相关关系。这表明降水对流域污染负荷的影响小于土地利用对污染负荷的影响。从土地利用方式可以看出，流域湿地面积较小、退化严重，将导致湿地的生态系统功能降低，进一步将会导致无法通过湿地的截流对河流和湖泊的TN、TP等污染物得到有效的净化作用，造成污染物累积，加重乌梁素海流域的面源污染^[28]。并且，黄河水通过引水渠引入河套灌区内灌溉农田，引水口在西南，出水口在东北。由于区域内降水少，水渠的吞吐量小，水流速度慢，污染物沉积，这也是导致西南地区污染负荷严重的原因之一。根据乌梁素海流域种植结构图 (图10) 解析面源污染来源发现，流域五排干上游种植面积较为集中的小麦。研究表明^[29]，小麦种植比重对区域化肥面源污染产生促进作用。同时，小麦的氮磷流失量较大^[30]，五排干接纳了大量农田退水以及临河区污水处理厂的污水，导致其水质较差。七排干全排域位于巴彦淖尔市五原县内，由于沟道运行水位和地下水位逐年降低，导致污染物浓度高。六排干至七排干种植大量玉米，玉米对氮肥的施用量要求较高^[31]。同时，七排干接纳了五原县污水处理厂的污水及两家番茄制作企业的工业排水^[32]，这均造成七排干水质恶化。本研究结果与王希欢^[33]通过对乌梁素海流域各季节企业排口、排干水质的时空分析结果一致。在保证粮食作物产量的基本需求下，适当减少粮食作物小麦、玉米的种植面积，增加经济作物葵花、番茄和瓜类的种植面积，有利于减少粮食生产过程中给环境带来负面效应，并维持经济收入的增长。本研究对乌梁素海流域构建SWAT模型时，基于流域主要农作物的精准种植结构分布作为土地利用数据的模型输入数据，使模型模拟精确度更高，将人工沟渠与分布式水文模型相结合，对面源污染的评估具有重要意义。

1) 基于乌梁素海流域种植结构数据的SWAT模型对乌梁素海流域的径流量以及污染物负荷量进行模拟，将研究区划分为103个子流域，723个水文响应单元，率定期的R²为0.74，NES为0.81，验证期的R²为0.78，NES为0.67。2) 年际变化分析表明，TN和TP的负荷量在2010年最高，2010—2019年均有显著下降的趋势，但在2020年又大幅回升；季节性分析表明，乌梁素海流域污染物浓度在春季最高，夏季次之，秋冬季维持在较低的水平上。3) 乌梁素海流域面源污染的空间分布表明，TN和TP在东北部污染物输入、输出量较低，流域南部的河套灌区污染物输出量较高，流域种植结构对面源污染负荷量具有较大的影响。