-
随着经济社会的迅速发展，工业化、交通运输化和城镇化等对能源的消耗显著增加，城市空气受到了不同程度的污染，大气中的气体污染物（如氮氧化物、硫化物和臭氧等）、固体颗粒物对人类的身体健康和日常生活产生了严重的影响[1-2]。近年来，中国特别是京津冀、长三角和珠三角等重点区域[3-5]的大气环境问题受到了广泛关注。研究表明，在污染源相对稳定的情况下，降水、温度、湿度和风速等气象要素对污染物的稀释、扩散、输送和转化等过程的影响占据了主要地位[6-8]。发生降雨天气时，云内雨滴吸附和云下雨水冲刷作用对大气污染物浓度的影响最为直接，尤其是云下雨水冲刷作用可以有效降低大气污染物的浓度[9-10]。降水天气对空气质量的改善程度与降水量级的大小、降水前大气污染状况也有一定的关系[11]。人工增雨作业是一种人为干预大气降水的科技手段，它通过飞机、高炮和火箭等工具将催化剂携带到可能下雨或正在下雨的目标云中，从而影响局部大气的云物理过程，达到增加降雨量的目的，为农业抗旱、大气污染防治和改善生态环境提供了有力支撑。近年来，它逐渐成为城市大气污染防治的有效手段。作业条件、作业时机和作业部位的选取直接影响着最终的增雨效果[12-14],因此，分析降水与大气污染物浓度变化的关系，可为采用人工增雨手段治理大气污染问题时作业时机的选择提供科学依据。
郑州市是河南省的省会，位于河南省中部偏北(112°42′～114°14′E，34°16′～34°58′N)，下辖 6区5市1县，总面积7 446 km2，总地势为西南高、东北低。属北温带大陆性季风气候，四季分明，多年平均气温15.6 ºC，多年平均降雨量542.15 mm。地处京广线和陇海线交汇处，被人们称为“火车拉来的城市”，是国家重要的综合交通枢纽，同时也是国务院批复确定的中国中部地区重要的中心城市，经济比较发达、人口比较密集，空气质量重度和严重污染现象时有发生。李尉卿等[15]从时空上对郑州市春节期间的大气污染物浓度变化特征进行研究，发现PM2.5和PM10浓度受各种气象因素的直接影响。王桂红[16]和任艳培等[17]对郑州市空气质量变化规律及其与气象要素之间关系进行了研究，指出郑州市空气质量指数与降水量在全年均表现为明显的负相关关系。但是，目前很少有人研究郑州市降水对空气质量的影响规律，故探讨降水以及不同等级降水是如何影响大气中各种污染物浓度的变化就显得非常有意义。本文深入分析郑州市降水与空气质量、大气污染物浓度的关系，可以为人工增雨改善空气质量时作业时机的选择提供理论参考，同时可以指导降水条件下的空气污染等级预报。
-
空气质量指数（air quality index,AQI）日数据和可吸入颗粒物（PM10)、 细颗粒物（PM2.5）、二氧化硫（SO2）、二氧化氮(NO2)、臭氧（O3）和一氧化碳（CO）6种污染物小时数据来源于中国环境监测总站（
http://www.cnemc.cn/ )，时间范围为2017—2020年。降水日数据和小时数据分别来源于中国气象科学数据共享服务网(http://data.cma.cn )和郑州市地面气象观测站，时间范围为2017—2020年。根据《环境空气质量指数（AQI）技术规定（试行）：HJ633—2012》[18]，AQI是一种定量描述空气质量实际情况的无量纲指数，数值越大，表示空气污染越严重，对人体健康的影响也越大。文献[18]根据AQI大小将我国城市空气质量划分为 6个等级：AQI为0～50，空气质量状况属于优；AQI为51～100，空气质量状况属于良；AQI为101～150，空气质量状况属于轻度污染；AQI为151～200，空气质量状况属于中度污染；AQI为201～300，空气质量状况属于重度污染；AQI>300，空气质量状况属于严重污染。
气象学上，把降雨和降雪都称作降水。一般按24小时降水量（即日降水量）把降水分为4个主要等级。小雨（雪）、 中雨（雪）、大雨（雪）和暴雨（雪）对应的日降水量标准分别为0.1～9.9 mm（0.1～2.4 mm）、10.0～24.9 mm（2.5～4.9 mm）、 25.0～49.9 mm（5.0～9.9 mm）和>50 mm（>10 mm）。
-
郑州市2017—2020年逐日AQI值，除去缺测值，共1 377 d，其中降水日数为309 d，无降水日数1 068 d。有无降水时不同空气质量等级出现频率，见图1。
图1可知，有降水时，各种空气质量等级出现的日数占有降水日数的百分比：优17.81%、良59.86%、轻度污染13.92%、中度污染4.85%、重度污染3.24%和严重污染0.32%；无降水时，各种空气质量等级出现的日数占无降水日数的百分比：优1.77%、良48.51%、轻度污染34.08%、中度污染9.08%、重度污染5.62%和严重污染0.94%。有降水时空气质量为优和良的日数出现频率远远高于无降水时，而有降水时空气质量为轻度污染、中度污染、重度污染和严重污染的频率均小于无降水时。由此可知，降水对郑州市大气污染状况改善十分有利。
为了研究降水量对空气质量的影响，对不同等级的空气质量日数在不同降水量级时出现的频率进行了计算，见表1。在有降水的309 d中，小雨（雪）有236 d，中雨（雪）有45 d，大雨（雪）有20 d，暴雨（雪）有8 d。小雨（雪）时，6个等级的空气质量日数均有出现，但优和良占一半以上，总占比为74.6 %。中雨（雪）时未出现严重污染天气，且质量为优和良的日数出现频率高达84.4 %。大雨（雪）时空气质量只有优、良和轻度污染。暴雨（雪）时空气质量全为优和良。整体上看来，污染等级天气出现的频率随着降水量级的增大而减小，说明降水量级越大，空气质量越好。
-
为了更好地研究降水对各种污染物浓度的影响，对降水时次后各种污染物浓度变化情况进行了分析，见表2。
降水时次后，郑州市PM10和O3的浓度降低最为显著，降低时次占比超过一半，其中PM10 浓度降低时次占比高达56.12%。降水天气后，PM2.5、NO2和CO这3种污染物浓度降低时次较高，所占比例范围为42.97%～46.43%。SO2 浓度降低时次占比只有26.09%，主要是由于浓度不变时次较高造成的，不变时次高达61.41%。除SO2外，大气污染物在降水天气后浓度不变时次占比为5.95%～15.42%。
-
降水强度是指单位时间或某一时段的降水量，能够直接反映降水剧烈程度的大小。由2.1降水对空气质量的整体影响研究表明，空气质量状况和降水量级大小有很大的关系。降水强度不同，对大气污染物的清除和冲刷作用不同，较大的风速对大气污染物也有着比较明显的扩散输送作用，且强降水和大风速常常相伴存在。
对降水时次后，6种大气污染物浓度的变化规律进行分析，见图2。
小时降水量越大，在降水天气后大气污染物的浓度变化值越小，这是因为强降水之前往往已经有持续的弱降水，大气中的污染物经过一段时间的雨水冲刷，已经降到比较低的水平，想要进一步下降就相对比较困难。对不同强度降水对污染物浓度的影响进一步分析表明，见表3。
在降水天气后，PM2.5和PM10浓度降低时次占比随着小时降水量的增加而增加，同时浓度升高时次占比减小。在降水天气后，SO2浓度降低时次占比随降水量等级的增加而稍微增大，例外的是，当小时降水量(R)>5 mm时反而减小显著。NO2和CO降水天气后浓度升高时次、不变时次和降低时次随降水量等级变化不大。O3在R≤5 mm时，降水天气后浓度降低时次随着小时降水量等级升高略有减少，而当R>5 mm时浓度降低时次增加比较明显。在各个不同等级雨强中，颗粒物PM2.5、PM10 超过40%的降水时次后浓度降低，尤其是当R>1 mm 时，占比达到一半以上，且PM10比PM2.5降低更为明显。可见在6种大气污染物中，较强降水对颗粒物的清除作用最明显，这种现象随粒径增大而更加明显。在各个降水量级中，降水天气后PM2.5、PM10、NO2、O3和CO 浓度不变时次占比均<20%；而SO2比较特殊，各个降水量级中，降水天气后浓度不变时次占比都>60%，相对较大。
-
降水天气后降水对各种污染物浓度变化的影响会随着大气污染物初始浓度的不同呈现出一定的规律性。根据污染物浓度的大小，将6种大气污染物划分为6个等级[19]，见表4，分析了降水天气后不同等级的大气污染物浓度变化情况。
研究表明，降水天气前大气污染物PM2.5、PM10、SO2、NO2、O3和CO的初始浓度越高，降雨天气后浓度降低值的范围越大，而增加值的范围越小，见图3。
同时浓度降低时次占比也越大（NO2除外），见表5。
降水天气前大气污染物浓度越高，PM10在降水天气后浓度升高时次占比越少，而PM2.5和O3浓度升高时次占比无明显变化规律，这可能是由于降水天气后这两种污染物浓度不变时次占比无明显变化规律的缘故。降水天气后，不同初始污染物等级中，NO2浓度升高、不变、降低时次占比无显著变化规律。降水天气后SO2和CO浓度升高时次和降低时次占比均随着降雨天气前大气污染物浓度的升高而增加，主要是由于降水天气后浓度不变时次占比降低的缘故。SO2在浓度较低的第一级中，降水天气后浓度不变时次占比较大，高达82.10%，这种现象有可能是因为SO2 浓度值较低，而观测浓度不够精确，从而对SO2浓度的变化反应不太敏感。
-
（1）有降水时空气质量等级为优和良的频率比无降水时的频率高，而无降水时其他污染等级的空气质量频率均大于有降水时的，可见降水有利于优良等级的空气质量出现，且降水量级越大空气质量越好。
（2）除SO2外，郑州市其他5种大气污染物在降雨天气后浓度降低时次占比为42.97%～56.12%，且降雨天气后PM10 浓度降低时次占比最大，CO浓度降低时次占比最小。SO2浓度不变时次占比最高。
（3）小时降水量越大，在降水时次后大气污染物浓度的变化量越小，其中颗粒物PM2.5和PM10浓度降低时次占比越大，浓度升高时次占比越小，当小时降水量(R)>1 mm时，浓度降低时次占比显著高于升高时次占比，说明雨量较大时降水可以明显降低颗粒物的浓度，且粒径越大效果越好；SO2由于不变时次占比较高，没有明显变化规律。在各个等级降水中，污染物NO2和CO在降雨天气后浓度升高时次、不变时次和降低时次占比变化不大。所以，在小时降雨量较大时开展人工增雨作业可以有效降低颗粒物PM2.5和PM10的浓度。
（4）降水天气前大气污染物PM2.5、PM10、SO2、NO2、O3和CO的初始浓度越高，降雨天气后浓度降低值的范围越大，而增加值的范围越小；同时浓度降低时次占比也越大（NO2除外）。可见，在大气污染物浓度较高时开展人工增雨作业，对于改善空气质量效果比较明显。
郑州市降水对大气污染物浓度的影响分析
Analysis of the influence of precipitation on air pollutants’ concentration in Zhengzhou
-
摘要: 基于2017—2020年郑州市空气质量监测数据和同期地面气象观测资料，采用数理统计方法，分析了郑州市降水对空气质量和大气污染物浓度的影响。结果表明，有降水时的空气质量等级为优和良的频率比无降水时的频率高，且降水量级越大空气质量越好。除SO2外，郑州市其他大气污染物PM2.5、PM10、NO2、O3和CO在降水天气后浓度降低时次占比为42.97%～56.12%，其中PM10浓度降低最明显，CO最不明显。小时降水量越大，污染物浓度降低值越小，PM2.5和PM10在降雨天气后浓度降低时次占比越大，当小时降水量(R)＞1 mm时，浓度降低时次占比显著高于升高时次占比，且粒径越大效果越好；SO2没有明显变化规律；NO2和CO变化不大。降水天气前大气污染物浓度越高，降水天气后浓度降低值的范围越大；同时浓度降低时次占比也越大（NO2除外）。在小时降水量较大、大气污染物浓度较高时开展人工增雨作业，可以有效改善空气质量，特别是PM2.5和PM10浓度的降低最为显著。Abstract: Based on the air quality monitoring data of Zhengzhou from 2017 to 2020 and the surface meteorological observation data of the same period, the influence of precipitation on air quality and atmospheric pollutants’ concentration in Zhengzhou was analyzed by using a mathematical statistics method. The results showed that the frequency of excellent and good air quality grades was higher with precipitation than without precipitation. And the higher the precipitation grade was, the better the air quality was. Except for SO2, the concentration of the other air pollutants PM2.5、PM10、NO2、O3, and CO in Zhengzhou decreased with a proportion of 42.97%～56.12% after precipitation, among which the concentration of PM10 decreased most obviously, the reduction of CO concentration was least obvious. The greater the hourly rainfall was, the smaller the reduction value of pollutant concentration was, and the greater the proportion of PM2.5, and PM10 concentration reduction after the rainfall was, when the hourly rainfall (R) was > 1 mm, the proportion of hourly decreasing concentration was significantly higher than that of increasing concentration, and the larger particle size was, the better the effect was. SO2 had no obvious change rule; NO2 and CO didn’t change much. The higher the concentration of air pollutants was before the precipitation, the larger the range of concentration reduction value was after the rainfall; at the same time, the greater the percentage of hourly decreasing concentration was（except for SO2）. When the hourly precipitation intensity was high and the concentration of air pollutants was high, artificial precipitation could effectively improve the air quality, especially for the reduction of PM2.5 and PM10 concentration.
-
Key words:
- precipitation /
- pollutant concentration /
- hourly precipitation /
- Zhengzhou
-
生物完整性指数（index of biological integrity, IBI）通过从候选参数中选取对人类干扰较为敏感的核心参数，构建评估体系评估河流生态健康[1]。最早是由KARR[2]以鱼类作为指示生物而提出的，而后研究对象逐步发展至浮游生物[3-5]、藻类[6-7]和大型底栖动物[8-9]等类群。作为河流中稳定的生物类群，大型底栖动物具有种类丰富、生命周期长、迁移能力弱、方便采集，且不同种类对环境变化敏感性呈现出较大差异性等特点[7-10]，能够较为准确地表征河流生态环境状况和人类活动对河流水体的扰动程度，对河流健康具有较为精准的诊断作用，是构建IBI的理想对象。
KERANS et al[11]最先利用大型底栖动物完整性指数（benthic index of biological integrity, B-IBI）进行了河流水生态健康评价，而后该指数在全球范围内得到了广泛应用，并取得了良好的河流健康诊断效果[12-15]。我国在20世纪80年代就已应用大型底栖动物评价河流水质[16]，王备新等[9]首次在国内应用B-IBI评价了黄山地区的溪流，随后B-IBI在我国地表水水体评价中得到广泛应用。然而，现有研究多为我国南部地区河流湖泊，有关西北干旱区河流研究较少，且不同地区河流底质和环境状况各异，B-IBI体系也并不相同，因此，构建适用于西北地区干旱半干旱区河流B-IBI体系是非常必要的。
清水河是宁夏境内黄河最长的一级支流，流域水资源极度匮乏，河流水体矿化度高、天然水质差、含沙量大，天然来水年内分配不均且年际变化悬殊，具有干旱半干旱地区河流的典型特征[17]。关于清水河这类干旱半干旱区域河流的水生生物研究相对较少，对底栖动物群落结构组成、健康状况评估及其与水环境要素的关系研究尚未见报道。故本研究以大型底栖动物为指示生物，以水质较好及Shannon-Wiener多样性指数较大、较少人类活动的点作为参考点，构建B-IBI体系对清水河健康状况进行评估，并分析对B-IBI有显著影响的环境因子，对于改善清水河河流健康状况具有指导作用，也为开展干旱半干旱区域河流健康评估提供一定的借鉴。
1. 研究区域与方法
1.1 区域概况
清水河位于宁夏中南部地区，地势南高北低，全长320 km，流域面积14 481 km2[18-19]。受温带大陆性气候影响，流域干旱少雨，雨季集中在7～10月，降雨时空不均匀，水资源十分短缺，水土流失现象严重，具有半干旱、干旱区河流特征，是宁夏生态环境最为脆弱的区域之一[20]。
1.2 样品采集处理与分析
于2020年7月开展现场采样及监测工作，沿清水河干流在已有6个国控、区控监测断面（点位）的基础上（其中三营镇、入黄河口为国控，其余为区控）另根据清水河从南到北依次穿越宁夏南部黄土丘陵区、中部干旱风沙区和北部引黄灌溉区等各区域的实际情况，重点考虑采样点的交通可达性、生境的典型性等合理增设4个采样点，共设置10个采样点，所布设的采样点基本可代表清水河干流的整体特征。采样点位置，见图1。
图 1 清水河大型底栖无脊椎动物采样点分布Figure 1. Sampling sites of macrobenthos invertebrates in Qingshui River水温、电导率和pH采用多功能水质分析仪现场监测，溶解氧采用便携式溶解氧分析仪现场监测，COD、BOD5、氨氮和总磷等水质指标根据《水和废水监测分析方法》在实验室测定。
采用1/16 m2改良彼得逊采泥器和手抄网（直径40 cm）进行大型底栖无脊椎动物的采集，用底栖筛（420 μm）淘洗后挑拣出放入50 mL标本瓶中，加入10%甲醛溶液保存，在实验室用显微镜镜检将物种鉴定至最低的分类单元并计数，最后用滤纸吸干水分，在万分之一天平上称量获得生物量数据。
1.3 B-IBI评估体系构建
1.3.1 确定参考点与受损点
参考点是指没有遭受人类活动扰动或者扰动较小的点位，是利用IBI进行河流健康评价的基准。因目前除部分湿地保护区河流外，其他河流均或多或少受到人类活动干扰，不存在严格意义上的参考点，因此本研究结合已有参照点选取的方法和实际情况，确立了参照点的选取标准[21-22]：水质综合评价在Ⅲ类及以上，Shannon-Wiener多样性指数>2（以2为底）；极少人类活动、两岸500 m内无农田（定性观察）。
1.3.2 筛选评估参数
根据以往的研究[1,23]和清水河实际，本研究选取了能反映丰富度与多样性、群落结构组成、耐污能力、功能摄食类群与生活型等类型的20个参数（即表1的M1～M20）作为候选参数，采用如下方法筛选出核心参数：（1）变异度分析：计算参考点评估参数的平均值、标准差、最大值、最小值、极差、25%分位数和75%分位数，保留变异度较小的参数。（2）判别能力分析-利用箱线图对比参考点和受损点在25%～75%分位数范围内箱体的重叠程度，对生物判别能力（interquartile range, IQ）赋值，保留部分重叠但中位数均在对方箱体之外（IQ=2）和箱体无重叠（IQ=3）的参数。（3）冗余度分析-采用Spearman相关性分析，ρ>0.8时表明2个参数有显著相关性，此时选其中1个即能表示2个参数间所包含的几乎全部的信息，优先选取反映信息较多的参数。
表 1 候选参数及其对干扰响应的方向Table 1. Candidate metrics and their response to disturbance参数编号 参数类型 参数 对干扰增大的响应 M1 多样性和丰富性 总分类单元数 减小 M2 EPT分类单元数 减小 M3 蜉蝣目分类单元数 减小 M4 鞘翅目分类单元数 减小 M5M6 半翅目分类单元数Shannon-Wiener多样性指数 减小减小 M7 群落结构组成 EPT个体数百分比 减小 M8M9 蜉蝣目个体数百分比半翅目个体数百分比 减小减小 M10 最优类群个体数百分比 减小 M11 耐污能力 敏感类群分类单元数 减小 M12 耐污类群分类单元数 增大 M13 Hilsenhoff生物指数（HBI） 增大 M14 大型无脊椎动物敏感类群评估指数（BMWP指数） 减小 M15 ASPT指数 减小 M16 科级耐污指数（FBI） 增大 M17 功能摄食类群与生活型 粘附者分类单元数 减小 M18 粘附者个体数百分比 减小 M19 滤食者个体数百分比 增大 M20 刮食者个体数百分比 减小 | Show Table
DownLoad:
CSV
1.3.3 计算B-IBI指数
选取比值法计算B-IBI的值[23]。对于随着干扰增大而减小的参数，应按由低至高排序的以95%分位数作为最佳期望值，该类参数的分值为参数实际值与最佳期望值的比值；对于随着干扰增大而增大的参数，应以由低至高排序的5%分位数作为最佳期望值，该类参数的分值为最大值与实际值、最佳期望值差值的比值。最终计算各类参数和，即为各断面B-IBI指数值[24]。
1.3.4 建立评价标准
得到各样点的B-IBI值后，选取所有点位B-IBI分值的95%分位值作为最佳期望值，然后利用四分法确定河流健康等级划定标准[21]，按照《河流水生态环境质量监测与评价技术指南（征求意见稿）（2020）》将河流分为5个健康等级：非常健康、健康、亚健康、不健康和病态，分级标准，见表2。
表 2 河流健康等级划定标准Table 2. River health assessment grading on B-IBI健康等级 B-IBI得分 病态 （0～1.25] 不健康 （1.25～1.83] 亚健康 （1.83～1.94] 健康 （1.94～2.83] 非常健康 （＞2.83） | Show TableDownLoad:
CSV
2. 结果与分析
2.1 大型底栖动物群落结构
本次调查共采集到大型底栖动物42个分类单元，隶属于3门4纲11目32科，其中昆虫纲6目27科35种属，占物种总比例83.33%，软甲纲2目2科3种属，占比7.14%，腹足纲1目2科3种属，占比7.14%，蛭纲1种属，占比2.38%。
调查期间，各样点采集到的大型底栖动物分类单元数差别较大，其中三营镇、七营镇、马家河湾和入黄河口物种较为丰富。清水河底栖动物密度为4～112.5 ind./m2，平均密度41.45 ind./m2；其中水生昆虫类密度最高，为375 ind./m2，占总密度的90.5%，其次为软甲类，占比8.1%；蛭纲和腹足纲密度较低，分别为2 ind./m2和4 ind./m2。见图2。
图 2 底栖动物分类单元数及密度分布Figure 2. Distribution of taxon number and density of macrobenthos invertebrates清水河各点位底栖动物分布，见图3。
图 3 各采样点大型底栖动物在科级别的分布Figure 3. Distribution of macrobenthos in sampling sites in the family level注：色块颜色深浅代表对应点位该底栖动物数量在科级别占比图3可知，清水河水生昆虫种类比例较多，种群出现频率前3名分别是划蝽科、龙虱科和水龟甲科，出现频率分别为90%、60%和50%，均为水生昆虫。划蝽科为第一优势种，耐污性较强，而敏感性物种，如蜉蝣目的扁蜉科仅出现在生态较好的清水河入黄口，其他采样点位没有发现。
2.2 B-IBI指数构建
2.2.1 参照点与受损点
通过对各监测断面水质监测和实地调查，三营镇、七营镇、沙咀城和清水河干流入黄河口4个点位符合全部参考点选取的标准要求，确定为参考点，其余断面作为受损点。
2.2.2 核心参数的确定
（1） 变异度分析。对20个参数在参考点中的平均值、标准差、最大值、最小值、极差、25%分位数和75%分位数进行比较，见表3，剔除数值范围变动太小或太大的参数，它们不适合用来建立B-IBI评价体系。
表 3 候选参数变异度分析结果Table 3. Variation results of candidate metrics参数编号 平均值 标准差 最小值 最大值 极差 25%分位数 75%分位数 M1 9.75 3.96 5.00 16.00 11.00 8.00 10.75 M2 0.50 0.87 0.00 2.00 2.00 0.00 0.50 M3 0.25 0.43 0.00 1.00 1.00 0.00 0.25 M4 2.50 0.87 2.00 4.00 2.00 2.00 2.50 M5 2.75 1.92 0.00 5.00 5.00 1.50 4.25 M6 2.42 0.18 2.23 2.60 0.37 2.24 2.60 M7 2.06% 3.57% 0.00% 8.24% 8.24% 0.00% 2.06% M8 1.47% 2.55% 0.00% 5.88% 5.88% 0.00% 1.47% M9 36.15% 19.09% 14.29% 60.87% 46.58% 19.48% 51.39% M10 33.72% 17.94% 14.29% 56.52% 42.24% 17.21% 48.54% M11 1.25 1.09 0.00 3.00 3.00 0.75 1.50 M12 8.50 3.20 4.00 13.00 9.00 7.00 10.00 M13 4.95 0.50 4.34 5.45 1.11 4.51 5.44 M14 40.00 16.81 28.00 69.00 41.00 30.25 41.25 M15 4.66 0.59 4.00 5.60 1.60 4.32 4.85 M16 4.99 0.52 4.36 5.52 1.16 4.52 5.49 M17 0.75 0.83 0.00 2.00 2.00 0.00 1.25 M18 7.26% 10.23% 0.00% 24.71% 24.71% 0.00% 9.44% M19 5.49% 4.83% 0.00% 13.04% 13.04% 2.27% 7.67% M20 6.56% 5.08% 0.00% 14.29% 14.29% 4.41% 8.12% | Show TableDownLoad:
CSV
首先删除最大值过小的参数EPT分类单元数M2、蜉蝣目分类单元数M3。鞘翅目分类单元数M4、Shannon-Wiener多样性指数M6、EPT个体数百分比M7、蜉蝣目个体数百分比M8、半翅目个体数百分比M9、敏感类群分类单元数M11和ASPT指数M15，这些随干扰增加而减小的参数，其25%分位数、75%分位数变化很小，说明随着干扰增大，参数值基本不变，不能有效反映干扰对河流的影响，应剔除；Hilsenhoff生物指数（HBI）M13、科级耐污指数（FBI）M16随干扰增加而增大，随干扰增大，其25%分位数、75%分位数基本不变，故也应剔除。剩9个参数进入下一步判别能力分析。
（2） 判别能力分析。剩余9个候选参数参考点和受损点的箱体IQ重叠情况，见图4。
图 4 9个候选参数在参照点和受损点的箱线图Figure 4. Box-plots of candidate metrics between reference and impaired sites for 9 candidate metrics注：R代表参考点，I代表受损点图4可知，M1、M5、M10、M12和M20等5个参数符合IQ≥2的情况，这说明参数在受损点和参考点之间差别显著，保留5个参数进行冗余度分析。
（3） 冗余度分析。对剩余参数开展Spearman相关分析的结果，见表4。M1和M12相关性显著，M1能反映更多信息，故剔除M12，保留M1。
表 4 候选参数相关性分析结果Table 4. Spearman correlation analysis of candidate metrics参数 M1 M5 M10 M12 M20 M1 1.00 M5 0.77 1.00 M10 −0.18 −0.41 1.00 M12 0.97** 0.77 −0.24 1.00 M20 0.48 0.20 −0.48 0.56 1.00 注：**表示p<0.01。 | Show TableDownLoad:
CSV
2.2.3 B-IBI指数的计算
根据4个参数对干扰增大的响应，计算它们在所有样点中的95%分位数或5%分位数的值和最佳期望值，见表5，根据比值法计算采样点4个参数的分值，加和即得各断面的B-IBI值，见表6。
表 5 核心参数分位数计算结果Table 5. Quantile calculation results of core metrics参数编号 对干扰的响应 最大值 5%分位数 95%分位数 最佳期望值 M1 减小 16.00 2.35 12.85 12.85 M5 减小 5.00 0.00 4.55 4.55 M10 减小 100.00% 0.06 0.93 0.93 M20 减小 14.29% 0.00 0.11 0.11 | Show TableDownLoad:
CSV
表 6 各断面B-IBI值和断面评估结果Table 6. Grade for B-IBI of river health assessment断面 断面类型 B-IBI 健康度 二十里铺村 受损点 0.53 病态 沈家河水库 受损点 1.77 不健康 三营镇 参考点 1.91 亚健康 七营镇 参考点 2.41 健康 李旺镇 受损点 1.29 不健康 马家河湾 受损点 2.03 健康 沙咀城 参考点 1.89 亚健康 永安路桥 受损点 1.07 病态 河西镇河段 受损点 1.16 病态 清水河干流入黄河口 参考点 3.17 非常健康 | Show TableDownLoad:
CSV
2.3 B-IBI指数评价
以参考样点B-IBI值由高到低排序，计算所有点位95%分位数作为B-IBI的最佳期望值为2.83，按照等级划定标准表进行赋分，判断健康度，健康评估，见表6。
2.4 B-IBI指数与环境因子分析
对采样点B-IBI和环境因子进行Kolmogorov-Smirnov正态性检验，结果表明两者均满足正态分布。采用Pearson相关分析分析影响B-IBI的环境因子，见表7，清水河B-IBI指数仅与氟化物具有显著的相关性，而与pH、COD、流速、水温、电导率、透明度、溶解氧、氨氮和总磷等相关性并不显著，表明影响清水河B-IBI的主要环境因子为氟化物浓度。
表 7 B-IBI指数与水质指标Pearson相关关系Table 7. Pearson correlation analysis between the B-IBI and environmental factors水质指标 相关系数 水质指标 相关系数 pH −0.30 透明度 −0.40 COD −0.62 溶解氧 0.05 流速 0.34 氨氮 −0.41 水温 −0.25 氟化物 −0.72** 电导率 0.04 总磷 −0.12 注：**表示p<0.01，*表示p<0.05。 | Show TableDownLoad:
CSV
3. 讨论
3.1 生物指数筛选与清水河健康评价
不同地区河流底质和环境状况不同，大型底栖动物群落组成也不同[25-26]，因此构建的B-IBI指标体系也各异。本研究通过箱线图及冗余度分析，选择了总分类单元数、半翅目分类单元数、最优类群个体数百分比和刮食者个体数百分比共4个核心参数构建了宁夏清水河B-IBI指标体系。清水河B-IBI值的箱线图分布，见图5，校验结果显示，参考点和受损点箱体无重叠，参照点的箱体基本落在健康、非常健康级别，受损点箱体落在亚健康、不健康和病态级别，这表明参照点的选取是有效的，本研究所建立的B-IBI评价体系适用于宁夏清水河健康评价。
图 5 参考点与受损点B-IBI分值箱线Figure 5. Box-plot of the B-IBI between reference and impaired sites注：R代表参考点，I代表受损点从参考点的健康状态来看，1处非常健康，1处健康，另外2处为亚健康，在清水河评估的10个点位上，均为较好的状态。受损点马家河湾处为健康状态，该点位为健康状态主要是受底栖动物总分类单元数、最优类群个体数这2类核心参数的数值的影响，也表明应用底栖动物完整性指数评估清水河健康状态时，在参数的选取上还需要进一步地深入研究和优化。
通过对清水河进行评价，结果显示，宁夏清水河处于非常健康、健康、亚健康、不健康和病态水平的点位分别占总点位的10%、20%、20%、20%和30%。健康状况为“病态”的点位在二十里铺、永安路桥和河西镇河段，可能与二十里铺水质较差、永安路桥上游处有农田退水，水质变差有关。健康状况为“亚健康”“不健康”的点主要位于支流汇入口，为宁夏中部干旱风沙区，主要土地类型为裸地，存在的问题主要是自然栖息地破坏严重，植被退化，受人类干扰胁迫较大。健康水平较高的点位主要位于清水河北部入黄口，河流连通性较好，水质及生境较好，河道底质多为卵石和砾石，有利于水生昆虫附着生存。
3.2 B-IBI指数影响因子分析
将B-IBI指数与环境因子进行Pearson相关性分析，结果表明，B-IBI与氟化物关联最强，而同时氟化物也是限制清水河受损点水质类别的主要参数。文献[27]研究表明，氟化物具有高度毒性，会对大型底栖动物群落组成和分布产生影响。通常水中氟化物浓度越高，表示人为扰动越强烈，B-IBI的分值就越低。因此，有效降低河流氟化物浓度，是当前恢复清水河生态健康的重点。
清水河部分区域地层岩石以高氟岩石为主，地下水流经时通过侵蚀作用使氟化物进入水体，后地下水补充地表水时就会使清水河含氟量较高[18]；另一方面，清水河流域地处干旱半干旱地带，水体蒸发作用强烈，氟化物被留在土壤中，加之人为活动如河岸带土地利用，农田开垦等导致清水河下垫面降低，河岸带植被稀疏，水土流失严重，大量氟化物进入水体，影响河流水质，并对水生生物产生不利影响[18]。受支流汇入产生的叠加效应，流域气候、地貌等因素，干流各采样点氟化物浓度不同[18]，对大型底栖动物影响也不同。氟化物可以通过摄食或皮肤接触进入底栖动物体内，并在其体内蓄积，使底栖动物生长缓慢、繁殖率降低，死亡率大大增加[27]。可见，进行水土流失控制与治理，优化河岸带状况能有效改善清水河底栖动物群落结构，维护和修复清水河生态健康。
-
图 1 有无降水时不同空气质量等级出现频率
Figure 1. Frequency of different air quality classes with or without precipitation
图 2 降水时次后大气污染物PM2.5(a)、PM10(b)、SO2(c)、NO2(d)、O3(e)和CO(f)浓度变化
Figure 2. Atmospheric pollutant of PM2.5(a)、PM10(b)、SO2(c)、NO2(d)、O3(e)and CO(f) concentration changes after precipitation
图 3 降水时次后大气污染物 PM2.5(a)、PM10(b)、SO2(c)、NO2(d)、O3(e)和 CO(f)浓度变化值随初始浓度的分布Fig.3 Distribution of atmospheric pollutant of PM2.5(a)、PM10(b)、SO2(c)、NO2(d)、O3(e)和 CO(f) concentration change value after precipitation time with initial concentration
表 1 不同降水量级下各种空气质量等级出现频率
Table 1. Frequency of various air quality classes under different precipitation levels
降水量级 空气质量等级出现频率/% 优 良 轻度污染 中度污染 重度污染 严重污染 小雨（雪） 12.7 61.9 16.1 5.5 3.4 0.4 中雨（雪） 33.3 51.1 8.9 4.4 2.2 0 大雨（雪） 35.0 60.0 5.0 0 0 0 暴雨（雪） 37.5 62.5 0 0 0 0
下载: 导出CSV
表 2 降水时次后大气污染物浓度变化占比
Table 2. Proportion of atmospheric pollutant concentration changes after precipitation
污染物 变化趋势占比/% 升高时次 不变时次 降低时次 PM2.5 38.15 15.42 46.43 PM10 37.93 5.95 56.12 SO2 12.50 61.41 26.09 NO2 42.80 12.07 45.13 O3 37.66 8.17 54.17 CO 47.40 9.63 42.97
下载: 导出CSV
表 3 不同降水强度降水时次后大气污染物浓度变化占比
Table 3. The proportion of atmospheric pollutant concentration change after different rainfall intensity
污染物 变化趋势占比/% 0 mm<R≤1 mm 1 mm<R≤5 mm R＞5 mm PM2.5 升高时次 42.36 28.79 21.79 不变时次 14.90 17.58 19.23 降低时次 42.74 53.63 58.98 PM10 升高时次 40.46 31.87 30.77 不变时次 5.78 6.81 3.85 降低时次 53.76 61.32 65.38 SO2 升高时次 14.83 7.47 17.94 不变时次 60.70 65.27 67.95 降低时次 25.47 27.26 14.11 NO2 升高时次 43.42 40.88 43.59 不变时次 11.86 13.19 8.97 降低时次 44.72 45.93 47.44 O3 升高时次 37.34 40.44 26.92 不变时次 8.97 6.15 6.41 降低时次 53.69 53.41 66.67 CO 升高时次 47.76 46.81 44.87 不变时次 9.81 8.79 11.54 降低时次 42.43 44.40 43.59 注：R代表小时降水量。
下载: 导出CSV
表 4 大气污染物浓度分级
Table 4. Concentration classification of air pollutants
污染物浓度 一级 二级 三级 四级 五级 六级 PM2.5 0<c≤35 35<c≤75 75<c≤115 115<c≤150 150<c≤250 c>250 PM10 0<c≤50 50<c≤150 150<c≤250 250<c≤350 350<c≤420 c>420 SO2 0<c≤5 5<c≤10 10<c≤25 25<c≤50 50<c≤100 c>100 NO2 0<c≤5 5<c≤10 10<c≤20 20<c≤50 50<c≤100 c>100 O3 0<c≤20 20<c≤50 50<c≤100 100<c≤150 150<c≤200 c>200 CO 0<c≤0.3 0.3<c≤0.6 0.6<c≤1 1<c≤2 2<c≤5 c>5 注：c代表浓度，除CO的浓度单位为 mg·m－3外，其余大气污染物的浓度单位均为μg·m－3。
下载: 导出CSV
表 5 不同等级污染物降水时次后大气污染物的浓度变化占比
Table 5. The proportion of atmospheric pollutant concentration change after rainfall of different pollutant levels
% 污染物 变化趋势占比 一级 二级 三级 四级 五级 六级 PM2.5 升高时次占比 37.05 42.04 38.38 43.33 36.75 33.33 不变时次占比 19.94 11.11 10.51 1.67 5.88 0 降低时次占比 43.01 46.85 51.11 55.00 57.37 66.67 PM10 升高时次占比 43.13 33.38 33.33 27.62 0 0 不变时次占比 7.40 3.02 0 2.86 0 0 降低时次占比 49.46 63.60 66.67 69.52 100 0 SO2 升高时次占比 7.97 14.33 16.31 28.12 0 0 不变时次占比 82.10 59.39 31.32 6.25 0 0 降低时次占比 9.93 26.29 52.37 65.63 100 0 NO2 升高时次占比 75.00 35.29 29.04 45.62 48.22 66.67 不变时次占比 25.00 8.82 20.66 10.91 7.44 0 降低时次占比 0 55.88 50.30 43.47 44.34 33.33 O3 升高时次占比 32.97 36.09 41.4 37.91 30.77 25.00 不变时次占比 19.23 7.4 4.84 1.96 0 0 降低时次占比 47.8 56.51 53.76 60.13 69.23 75.00 CO 升高时次占比 6.04 11.96 25.14 36.00 0 0 不变时次占比 78.19 59.39 33.24 8.00 0 0 降低时次占比 15.17 28.65 41.62 56.00 100 0
下载: 导出CSV
-
[1] 陈文花. 城市尺度环境空气质量评价中AQI指数的确定[J]. 海峡科学, 2013(12): 20 − 21. doi: 10.3969/j.issn.1673-8683.2013.12.007 [2] 蒋燕, 陈波, 鲁绍伟, 等. 北京城市森林PM2.5质量浓度特征及影响因素分析[J]. 生态环境学报, 2016, 25(3): 447 − 457. [3] 周兆媛, 张时煌, 高庆先, 等. 京津冀地区气象要素对空气质量的影响及未来变化趋势分析[J]. 资源科学, 2014, 36(1): 191 − 199. [4] 李思其, 杜海波, 吴正方, 等. 京津冀鲁豫地区空气质量变化特征及其气象驱动因素研究[J]. 环境污染与防治, 2018, 40(12): 1431 − 1454. [5] 王媛林, 王哲, 陈学舜, 等. 珠三角秋季典型气象条件对空气污染过程的影响分析[J]. 环境科学学报, 2017, 37(9): 3229 − 3239. [6] 白永清, 祁海霞, 赵天良, 等. 湖北 2015 年冬季 PM2.5重污染过程的气象输送条件及日变化特征分析[J]. 气象学报, 2018, 76(5): 803 − 815. [7] 周贺玲, 李雪瑶, 刘玉莲, 等. 河北廊坊降水对 PM2.5 质量浓度的湿清除作用[J]. 环境保护科学, 2020, 46(2): 70 − 75. [8] 于彩霞, 邓学良. 降水和风对大气PM2.5、PM10 的清除作用分析[J]. 环境科学学报, 2018, 38(12): 4620 − 4629. [9] 张丹梅. 人工增雨对大气颗粒污染物浓度的消减作用研究[J]. 环境科学与管理, 2021, 46(1): 43 − 47. [10] 廖代强, 向波, 刘永明. 重庆市主城区气象要素与空气质量相关性研究[J]. 环境影响评价, 2020, 42(1): 75 − 80. [11] 栾天, 郭学良, 张天航, 等. 不同降水强度对PM2.5的清除作用及影响因素[J]. 应用气象学报, 2019, 30(3): 279 − 291. doi: 10.11898/1001-7313.20190303 [12] 白婷, 黄毅梅, 樊奇. 河南一次降水天气过程人工增雨作业条件综合分析[J]. 气象, 2020, 46(12): 1633 − 1640. doi: 10.7519/j.issn.1000-0526.2020.12.010 [13] 田万顺, 刘艳华. 河南3次降水过程的人工增雨条件分析[J]. 气象与环境科学, 2011, 34(1): 5 − 13. [14] 马秀玲. 一次春季人工增雨作业条件分析[J]. 内蒙古气象, 2018(6): 40 − 43. doi: 10.14174/j.cnki.nmqx.2018.06.010 [15] 李尉卿, 杜光俊, 王梦. 郑州市2012-2014年春节期间大气污染物浓度时空变化特征研究[J]. 气象与环境科学, 2015, 38(4): 12 − 21. doi: 10.16765/j.cnki.1673-7148.2015.04.011 [16] 王桂红. 郑州市空气质量变化特征及其与气象要素的关系[J]. 河南科学, 2021, 39(9): 1497 − 1503. [17] 任艳培, 张洪伟, 谢国红. 郑州市空气质量变化特征研究[J]. 河南科技学院学报(自然科学版), 2021, 49(2): 54 − 61. [18] 环境保护部. 环境空气质量指数(AQI)技术规定(试行): HJ633—2012[S]. 北京: 中国环境出版社, 2012. [19] 安林昌, 张恒德, 李凯飞. 降雨天气对大气污染物浓度的影响分析[J]. 气象与环境学报, 2018, 34(3): 58 − 70. doi: 10.3969/j.issn.1673-503X.2018.03.007 -
点击查看大图
计量
- 文章访问数: 1871
- HTML全文浏览数: 1871
- PDF下载数: 19
- 施引文献: 0
