Khảo sát tác động của ô nhiễm nguồn điểm và nguồn diện đối với chất lượng nước trên Đông giang (Dongjiang), phía Nam Trung Quốc

Khảo sát tác động của ô nhiễm nguồn điểm và nguồn diện đối với chất
lượng nước trên Đông giang (Dongjiang), phía Nam Trung Quốc.
Thông tin bài viết:
- Lịch sử bài viết:
Nhận ngày 10 tháng 12 năm 2012
Chỉnh sửa lại ngày 27 tháng 3 năm 2013
Duyệt ngày 07 tháng tư năm 2013
- Từ khóa:
Đông giang (Dongjiang)
Nito
Phospho
Khu vực nguồn ô nhiễm
SWAT
- Chỉ số chất lượng nước
Sinh viên thực hiện
Nguyễn Thị Thanh Tâm: 1022254
Kiều Xuân Vũ: 1022365

Tóm tắt:
Hiểu rõ về quá trình vật lý của nguồn điểm (PS), nguồn diện (NPS) ô nhiễm rất
quan trọng để đánh giá chất lượng nước và xác định nguồn gây ô nhiễm chính
trên lưu vực. Trong nghiên cứu này, chúng tôi sử dụng các pp vật lý dựa trên
thủy văn / mô hình chất lượng nước, đất và Công cụ đánh giá nước, để điều tra
ảnh hưởng của ô nhiễm PS và NPS đến chất lượng nước của sông Đông
(Dongjiang trong Trung Quốc) ở miền nam Trung Quốc. Kết quả cho thấy, ô
nhiễm NPS chiếm phần lớn (>94%) chất dinh dưỡng trừ phospho (50%). Một
chỉ số chất lượng nước toàn diện ( WQI ) sử dụng 8 chỉ số chất lượng nước cho
thấy chất lượng nước thượng lưu tốt hơn hạ lưu mặc dù lượng ammonium
nitrogen ở thượng lưu cao hơn. Ngoài ra , sự phân bố theo thời gian ( theo mùa )
và không gian của chất dinh dưỡng chỉ ra khoảng thời gian quan trọng (từ cuối
mùa khô đến đầu mùa mưa) và các khu vực nguồn ô nhiễm trong lưu vực (trung
lưu và đất nông nghiệp ở hạ lưu), các nhà quản lý tài nguyên có thể áp dụng để
giảm đáng kể tải trọng ô nhiễm NPS. Nhìn chung, nghiên cứu này sẽ giúp chúng
ta hiểu về mối liên quan giữa các hoạt động của con người và chất ô nhiễm, góp
phần hỗ trợ quản lý lưu vực để bảo vệ chất lượng nước trong khu vực. Đặc biệt,
phương pháp tích hợp mô hình WQI với lưu vực và xác định khoảng thời gian
quan trọng, vùng ô nhiễm có thể hỗ trợ cho các nhà nghiên cứu trên toàn thế
giới.
1.Giới thiệu:
Suy giảm nước mặt do ô nhiễm PS, NPS gây ảnh hưởng đến hệ thủy sinh và an
toàn cấp nước. Ô nhiễm PS chủ yếu gồm nước thải sinh hoạt (nước thải đô thị,
khu dân cư) và nước thải công nghiệp (từ nhà máy sản xuất). Ô nhiễm NPS do
nước mưa, tuyết tan hoặc nước tưới chảy tràn đưa các chất ô nhiễm vào sông,
hồ, vịnh và biển. Ô nhiễm NPS từ nông nghiệp được coi là nguyên nhân chính
gây suy thoái chất lượng nước mặt và thu hút được sự quan tâm của cộng đồng

(Darradi và cộng sự, 2012; Hào và cộng sự, 2004; Nasr và cộng sự, 2007;
Ongley và cộng sự, 2010; Tang và cộng sự, 2011; Zhang và cộng sự, 2008). Rất
khó ước lượng chất ô nhiễm NPS do sự phức tạp của khí tượng thủy văn, các
quá trình sinh học, hóa học và sự thay đổi không gian liên quan đến quá trình di
chuyển và biến đổi chất ô nhiễm (Ficklin và cộng sự, 2010; Luo và cộng sự,
2008; Nikolaidis và cộng sự, 1998).
Thâm canh trong nông nghiệp phát triển, sử dụng quá nhiều phân vô cơ để nâng
cao năng suất cây trồng đã trở thành vấn đề lớn và dẫn đến tăng lượng chất dinh
dưỡng. Những chất dinh dưỡng tiếp tục theo nước suối và cửa sông gây ra hiện
tượng phú dưỡng cho nhiều hệ sinh thái ven biển và nước ngọt trên thế giới
(Alexander và cộng sự, 2008; Cao và Zhu , 2000; Carpenter và cộng sự, 1998;
Nixon và cộng sự, 1995; Rabalais và cộng sự, 2002; Schoch và cộng sự, 2009 ;
Vitousek và cộng sự, 1997; Wu và Liu, 2012b). Vì thế, việc kiểm tra chất lượng
nước bằng cách đo và tính toán tải trọng chất dinh dưỡng trong quy hoạch, quản
lý và phục hồi môi trường là rất quan trọng. Tuy nhiên, giám sát chất lượng
nước đầu nguồn lâu dài rất tốn kém và mất thời gian (Santhi và cộng sự, 2001),
thường không dùng để dự báo các tác động của sự biến đổi khí hậu và đất bề
mặt trong tương lai. Trên thực tế, để mô phỏng các quá trình phức tạp trên mặt
đất trong một lưu vực sông sẽ có một công cụ hữu ích để kiểm tra hiện trạng
chất lượng nước, dự đoán tác động tiềm tàng của khí hậu và thay đổi đất che
phủ, để tìm giải pháp tối ưu cho các vấn đề ô nhiễm (Borah và Bera, 2002;
Ficklin và cộng sự, 2010; Liu và cộng sự, 2008; Panagopoulos và cộng sự,
2011; Panagopoulos và cộng sự, 2012; Wilson và Weng, 2011; Wu và Liu,
2012a; Wu và cộng sự, 2012a,c; Zhang và cộng sự, 2011;Zhang và Zhang,
2011).
Kinh tế xã hội trên Đông giang phát triển nhanh ( Dongjiang, Trung Quốc ) lưu
vực sông ở miền nam Trung Quốc (đặc biệt là khu vực hạ lưu ), nhờ sự tăng
trưởng dân số và phát triển công nghiệp, nông nghiệp mạnh mẽ, đã tăng đáng kể

nhu cầu sử dụng nước và tải trọng chất ô nhiễm cho dòng sông và cửa sông (Wu
và Chen, 2013b; Wu và các cộng sự, 2012b; Zhou và cộng sự, 2012). Mặc dù
nước trong khu vực này tương đối dồi dào (Wu và Chen, 2013a), suy thoái chất
lượng nước là mối quan tâm lớn. Vì vậy , đánh giá chất lượng nước khu vực và
xác định các nguồn ô nhiễm là nhiệm vụ cấp thiết để tìm ra hướng phát triển
bền vững cho địa phương.
Để nghiên cứu các quá trình ô nhiễm NPS và PS trên sông Đông, chúng tôi sử
dụng Công cụ đa ngành đánh giá Đất và nước (SWAT) để tiếp cận mô hình.
Nghiên cứu gồm 4 nhiệm vụ: (1) đánh giá hiện trạng chất lượng nước ở 2 mặt
cắt ngang lớn dọc theo sông, (2) điều tra các thay đổi theo mùa của chất dinh
dưỡng do khí tượng thủy văn, (3) xác định khu vực nguồn gây ô nhiễm NPS, và
(4) kiểm tra tỉ lệ ô nhiễm PS và NPS trong tải trọng ô nhiễm ở quy mô lưu vực
sông.
2.Tài liệu và phương pháp:
2.1. Lựa chọn mô hình:
Mô hình SWAT (bản 2005) (Arnold và cộng sự, 1998; Neitsch và cộng sự,
2005) được sử dụng trong nghiên cứu này, phát triển bởi Bộ Nông nghiệp Mỹ
(USDA) Dịch Vụ Nghiên Cứu Nông Nghiệp (Agricultural Research Service)
(ARS) để thăm dò những tác động của khí hậu và thực hành quản lý đất đai trên
nước, trầm tích và năng suất hóa chất nông nghiệp (Douglas- Mankin và cộng
sự, 2010; Gassman và cộng sự , 2007). Mô hình vật lý trên quy mô lưu vực sông
mô phỏng chu trình thủy văn, sự tăng trưởng của cây, xói mòn đất, chuyển dời
bùn cát và năng suất hóa chất nông nghiệp trên một khoảng thời gian trong ngày
( Arnold et al, 1998). Đơn vị thủy văn (Hydrological Response Unit) ( HRU)
(Flügel,1996; Flügel, 1997) là đơn vị mô phỏng cơ bản và được định nghĩa là
một diện tích đất gộp bao gồm a unique land cover, tính chất của đất , và độ dốc
trong SWAT (Neitsch và cộng sự, 2005).

Với chu trình dinh dưỡng đất, SWAT mô phỏng nitơ hữu cơ và khoáng sản (N)
và phốt pho (P) phân chia mỗi chất dinh dưỡng vào bể thành phần. Sau đó, N và
P có thể tăng hoặc giảm tùy thuộc vào chuyển đổi/ bổ sung/ thất thoát xảy ra
trong mỗi bể (Green và van Griensven, 2008; Neitsch và cộng sự, 2005). Đối
với giai đoạn chu trình dinh dưỡng dưới nước (tức là chuyển đổi chất lượng
nước trong dòng), mô hình SWAT kết hợp các thuật toán QUAL2E (Brown và
Barnwell, 1987) để mô phỏng thành phần tương tác và chuyển đổi (Neitsch et
al, 2005). Thông tin chi tiết của chu kỳ dinh dưỡng trong đất và giao thông vận
tải cũng như chuyển đổi trong nước có thể tìm trong tài liệu hướng dẫn lý thuyết
của mô hình (Neitsch et al, 2005).
2.2. Công thức đánh giá chất lượng nước:
Để đánh giá chất lượng nước, trong đó bao gồm một số loại chất ô nhiễm, một
cách tiếp cận sinh thái nên kết hợp vật lý, hóa học, và các thành phần sinh học
để phản ánh tình trạng chất lượng (Chapman, 1996). Stambuk-Gilijanovic
(2003), Liou và cộng sự (2004) trình bày các chỉ tiêu chất lượng nước cho mỗi
chỉ số (ví dụ, chỉ số chất lượng nước như nitrat N (NO3-N), amoni N (NH4-N),
nhu cầu oxy sinh học (BOD), và oxy hòa tan (DO)). Với quy mô này, chỉ số
chất lượng nước nói chung và toàn diện (WQI) (Liou và cộng sự, 2004;
Stambuk-Gilijanovic, 2003) có thể được tính như sau:
WQI
n
1
= Wi.
Qi
n i = 1
Wi là yếu tố trọng của chất lượng nước biến i, Qi là điểm chất lượng liên quan
đến nước, n là số lượng các chỉ số chất lượng nước. Mục tiêu của WQI là thông
báo về tình trạng chất lượng nước của một khu vực cụ thể.
Để đánh giá hiện trạng chất lượng nước của Đông giang với một WQI toàn
diện, chúng tôi sử dụng 8 chỉ số chất lượng nước bao gồm khoáng sản N ( min-

N) , N hữu cơ (org -N) , khoáng sản P (min- P), BOD, DO, chất rắn lơ lửng
(SS), nhiệt độ (T) và pH (xem bảng 1) tại LC (thượng nguồn) và BL (hạ lưu)
gaging trạm.
Sau khi Stambuk - Gilijanovic (2003), Liou và cộng sự (2004), thể hiện trong
hình .A.1 (xem Phụ lục A), chỉ số chất lượng nước cho mỗi chỉ số (Qi) trên
thang điểm từ 0 đến 100, trong đó 100 cho thấy các điều kiện chất lượng nước
hoàn hảo trong khi 0 cho thấy điều kiện chất lượng nước kém.
Sáu chỉ số đầu tiên là từ các mô hình mô phỏng, 2 chỉ số (T và pH) là từ các dữ
liệu quan trắc chất lượng nước (GEPMC, 1991-1999). Các trọng số được tham
chiếu từ Stambuk - Gilijanovic (2003). Vì chỉ số coliform không có sẵn trong
mô phỏng của chúng tôi, trọng số của nó là 0,16 được phân bổ cho 1 chỉ số quan
trọng khác (ví dụ, BOD, DO, tổng N (TN ) và min- P). Bảng 1 liệt kê các trọng
số cho 8 chỉ số chất lượng nước.
2.3. Khu vực nghiên cứu:
Đông giang (tiếng Trung Quốc: Dongjiang) là một trong ba nhánh chính của
sông Pearl (Zhujiang, Trung Quốc), là con sông lớn thứ tư về diện tích thoát
nước ở Trung Quốc (Niu và Chen, 2010). Lưu vực Đông giang (xem hình 1)
nằm giữa vĩ độ 22°34’ và 25°12’N và kinh độ 113°24’ và 115°53’E (Chen và
Wu, 2008). Có nguồn gốc từ quận Xunwu tại tỉnh Giang Tây, Đông giang chảy
từ đông bắc đến tây nam và đổ vào châu thổ sông Pearl với độ dốc trung bình
0,39‰ (Jiang và cộng sự, 2007). Đông giang là nguồn nước uống cho các khu
vực bên ngoài của lưu vực (ví dụ Hồng Kông, Thâm Quyến, Hoàng Phố và Huệ
Châu). Trạm đo lớn ở hạ lưu, Boluo (hạ lưu: BL), có diện tích thoát nước 25325
km 2 , và trạm thượng nguồn, Longchuan (thượng nguồn: LC), có diện tích 7699
km 2 ( PRWRC, 1987). Lưu vực Đông giang gần bờ Biển Đông và nằm trong
khu vực khí hậu gió mùa là chủ yếu, với lượng mưa biến đổi theo không gian và
thời gian (Wu và Chen, 2013a). Mùa mưa bắt đầu từ tháng Tư đến tháng Chín

và thời gian còn lại là mùa khô. Tổng lượng mưa trung bình hàng năm của lưu
vực là 1800 mm/năm và lượng nước hàng năm tại Boluo là khoảng 739 m 3 /s (
23,3 tỷ m 3 /năm hoặc 920 mm/năm) (Chen và Ngô, 2012).
2.4. Dữ liệu ô nhiễm PS:
Các dữ liệu ô nhiễm PS là đầu vào quan trọng để SWAT. Ô nhiễm PS bao gồm
nước thải từ thành phố và công nghiệp. Hình 1a cho thấy tên và địa chỉ của 12
thành phố xả ô nhiễm PS ra Đông giang.
2.4.1. Dữ liệu ô nhiễm PS thành phố:
Do việc đo đạc chất lượng và số lượng nước thải từ các thành phố (Hình 1a) là
không có sẵn, các dữ liệu tải cần thiết đã được ước tính dựa trên dân số đô thị và
dữ liệu nước thải điển hình của Trung Quốc, chất lượng nước (Bảng 2) ( Xiao,
2002). Theo Xiao (2002), các giá trị trung bình của mức độ trung bình và thấp
có thể đại diện cho chất lượng nước thải ở miền nam Trung Quốc (xem 2 cột
cuối Bảng 2). Theo Zhang và Jorgensen (2005), lượng nước tiêu thụ 200 l/ngày
trên bình quân đầu người có thể cung cấp đủ nước trong khu vực. Kết quả là,
các chất ô nhiễm bình quân đầu người được phát sinh (xem cột cuối cùng bảng
2).
Bảng 3 liệt kê các số liệu dân số đô thị được thu thập trong năm 1990 và 2000
(GLRO và GDPC, 2003; POCNSD, năm 1996, SCO và PSSCNSD, 2003) từ
các thành phố. Tổng lượng chất ô nhiễm thành phố có thể ước tính bằng cách
nhân số chất ô nhiễm bình quân đầu người với dân số đô thị. Ví dụ, Bảng 3 liệt
kê tải lượng Nito tổng (TN) và phospho tổng (TP) của năm 1990 và 2000, và dữ
liệu tải lượng ô nhiễm các năm (1991-1999) ước tính sử dụng nội suy tuyến
tính. Do đo đạc liên tục nước thải không có sẵn, phương pháp chúng tôi mô tả ở
trên để ước tính lượng chất ô nhiễm thường được sử dụng để thiết kế nhà máy
xử lý nước thải ở Trung Quốc (Xiao, 2002). Như vậy, ước tính được giả định là
hợp lý.

2.4.2. Dữ liệu ô nhiễm PS công nghiệp:
Quan trắc số lượng và chất lượng nước thải trong thời gian dài tại Trung Quốc
là thách thức lớn. Dữ liệu giám sát ô nhiễm PS công nghiệp được công bố
(BOD, NH4-N và min-P) (xem bảng 4) là thông tin năm 1992 và 10 thành phố
trong lưu vực Đông giang (GEPMC, 1992). Tải lượng 2 thành phố (Xunwu và
Dingnan), được thiết lập giống với một thành phố gần đó, Heping, vì mức độ
phát triển tương tự của các thành phố. Điều đáng chú ý là tải lượng ô nhiễm PS
công nghiệp liệt kê trong Bảng 4 được sử dụng cho giai đoạn mô phỏng chất
lượng nước năm 1991 đến năm 1999. So với tải công nghiệp (bảng 4), ước tính
tải lượng thành phố (Bảng 3) chiếm hơn 80% tổng số tải lượng PS.
2.5. Dữ liệu ô nhiễm NPS:
Ô nhiễm NPS chủ yếu từ các hoạt động nông nghiệp (phân bón), lắng đọng khí
quyển (ví dụ, N và P có trong nước mưa) và cây phân hủy cặn.
2.5.1. Hoạt động nông nghiệp:
Thông qua điều tra thực địa và tài liệu (GLRO và GDPC, 2003), quản lý đất đai
đối với đất nông nghiệp mỗi năm gồm 2 vụ và 3 kỳ bón phân cho mỗi vụ trên
lưu vực Đông giang. Tập quán canh tác trồng và thu hoạch cây trồng 2 mùa vụ
đã được thông qua từ Guangdong Crop Irrigation Estimation (Liang, 1999).
Theo khảo sát nông nghiệp ở Quảng Đông trong những năm 1990, trung bình
tổng số phân bón được sử dụng vào khoảng 140 kg/ha/năm, với 70 kg/ha mỗi
vụ bắt đầu từ tháng Tư và tháng Tám.
2.5.2. Lắng đọng trong khí quyển:
Nước mưa có chứa các chất dinh dưỡng, có nguồn gốc từ ô nhiễm không khí.
Zhang và Jorgensen (2005) cung cấp 6 loại nồng độ N và P trong nước mưa dựa
trên mức độ công nghiệp và chăn nuôi for the condition of 1-m mưa mỗi năm.
Vì tỷ lệ khu đô thị trong lưu vực Đông giang là chỉ có 1,4%, và diện tích rừng là

hơn 75%, khu vực nghiên cứu có thể được phân loại ở mức thấp nhất (lớp VI)
về nồng độ chất dinh dưỡng (Zhang và Jorgensen, 2005). Sau đó, nồng độ N
trong nước mưa đã được ước tính là 0,1 mg/L cho toàn bộ lưu vực đối với lượng
mưa hàng năm là 1,8 m và P là 0.005 mg/L dựa trên tỷ lệ N:P (20:1) trong lớp
VI.
2.6. Thiết lập mô hình:
Các dữ liệu đầu vào thiết lập mô hình SWAT bao gồm dữ liệu về thời tiết, địa
hình, tính chất của đất, đất sử dụng và các thông tin quản lý đất đai (Arnold và
cộng sự, 2000; Neitsch và cộng sự, 2005). Trong nghiên cứu này, dữ liệu SRTM
Mô Hình Độ Cao Kỹ Thuật (Digital ElevationModel) (DEM) với độ phân giải
90-m (Jarvis và cộng sự, 2006) được áp dụng để phân định các lưu vực Đông
giang. Để tham số hóa mô hình, ta sử dụng dữ liệu với độ phân giải 30-m thu
được từ Viện Hàn Lâm Khoa học Trung Quốc. Số liệu cho thấy 5 loại sử dụng
đất chủ yếu gồm đất nông nghiệp, rừng, đồng cỏ, đô thị, chứa nước mặt (xem
hình 1b). Theo Guangdong Soil (Guangdong Soil Survey Office (GSSO),
1993), có 3 loại đất chính trong lưu vực Đông giang: đất latosol, đất đỏ và đất
trồng lúa. Chúng tôi sử dụng tùy chọn đa Đơn vị Thủy Văn (Hydrological
Response Unit) ( HRU), mỗi HRU đại diện cho một loại độ che phủ đất và loại
đất, để tách lưu vực thành 271 HRU.
Lượng mưa hàng ngày, nhiệt độ không khí tối đa và tối thiểu, tốc độ gió và số
liệu độ ẩm tương đối từ 8 trạm thời tiết được lấy từ Trung tâm Chia Sẻ Số Liệu
Khí Hậu Quốc gia Trung Quốc (http://cdc.cma.gov.cn/home.do) (xem hình 1).
Dữ liệu bức xạ mặt trời từ Trung Tâm Quốc Gia về Dự Báo Môi trường và
Nghiên cứu quốc gia (NCEP/NCAR)
(http://www.esrl.noaa.gov/psd/data/reanalysis/reanalysis.shtml)
Ngoài ra, ô nhiễm PS và NPS như mô tả trước đây (xem mục 2.4 và 2.5) đã bao
gồm trong các thiết lập mô hình.

2.7 . Xác thực và hiệu chỉnh mô hình:
Dòng chảy. Trong các nghiên cứu trước đó (Chen và Wu, 2012; Wu và Chen,
2013a), chúng tôi đánh giá hiệu suất SWAT trong mô phỏng dòng chảy tại BL
trong lưu vực Đông giang dùng 8 năm (1973-1980) để hiệu chỉnh và 8 năm
(1981-1988) để xác thực. Đánh giá mô hình cho thấy dòng chảy được mô phỏng
tốt với Nash Sutcliffe Efficiency (NSE ) hằng ngày là 0,84 cho hiệu chỉnh và
0.82 để xác thực, trong khi đó giá trị NSE hàng tháng có thể đạt 0.93 cho hiệu
chỉnh và 0.90 để xác thực (Chen và Ngô, 2012).
Trầm tích. Trong một nghiên cứu trước đó (Wu và Chen , 2012), chúng tôi
đánh giá việc thực hiện mô hình mô phỏng trầm tích tại BL trong lưu vực Đông
giang với thời gian hiệu chỉnh (1973-1980 ) và thời gian xác thực ( 1981-1988).
Đánh giá mô hình cho thấy mô phỏng trầm tích hàng tháng đạt yêu cầu với NSE
là 0,69 và 0,67 cho hiệu chỉnh và xác thực (Wu và Chen, 2012).
Do không quan sát dòng chảy và trầm tích trong giai đoạn nghiên cứu (1991-
1999) nên chúng tôi đã không tái hiệu chỉnh mô hình nhưng sử dụng dòng chảy
và các thông số trầm tích tương tự từ các nghiên cứu trước đây của chúng tôi
(Chen và Wu, 2012; Wu và Chen, 2012, 2013a).
Chất lượng nước. Trong nghiên cứu này, chúng tôi sử dụng các số liệu tải
trọng gây ô nhiễm bao gồm NH4-N, N nitrit (NO2- N), NO3- N, BOD, DO và
TP đột xuất theo dõi tại LC và BL để hiệu chỉnh và xác thực mô hình SWAT
đối với mô phỏng chất lượng nước. Cần lưu ý rằng số liệu quan trắc hàng tháng
ðýợc xuất bản bởi Trung Tâm Quan Trắc và Bảo Vệ Môi Trýờng Quảng Ðông
có giá trị vào 1991-1999 (GEPMC, 1991-1999). Kết quả ðánh giá của mô hình
chất lượng nước được trình bày trong mục 3.1.
3. Kết quả:
3.1. Kiểm tra mô hình:

Như đã nói ở trên (xem phần 2.7), các dòng chảy hàng ngày và số liệu trầm tích
ở lưu vực cửa ra (BL) trong 16 năm (1973-1988) được sử dụng cho mô hình
hiệu chỉnh (1973-1980) và xác thực (1981-1988) trong nghiên cứu trước đây
của chúng tôi (Chen và Wu, 2012; Wu và Chen, 2012, 2013a). Trong nghiên
cứu này, do dữ liệu quan trắc chất lượng nước có sẵn, trong 4 năm (1991-1994)
chúng tôi quan sát dữ liệu tải trọng gây ô nhiễm cho các mô hình hiệu chỉnh và
phần dữ liệu còn lại (1995-1999) để xác thực. Các thông số chất lượng nước
liên quan trong SWAT được hiệu chỉnh (xem bảng 5) bằng cách so sánh 6 chỉ
số mô phỏng chất lượng nước (ví dụ: NH4-N, NO2-N, NO3-N, BOD, DO và
Tổng P (TP)) với các chỉ số quan trắc. Hình 2 cho thấy các chỉ số mô phỏng và
quan trắc chất lượng nước hàng tháng. Mặc dù số lượng dữ liệu quan trắc bị hạn
chế, so sánh hình ảnh cho thấy SWAT có thể cung cấp các ước tính chấp nhận
được bởi vì mô hình mô phỏng có thể nắm bắt được thay đổi theo mùa của các
chỉ số chất lượng nước với phạm vi hợp lý khi so sánh với các chỉ số quan trắc.
3.2. Tình trạng chất lượng nước:
LC (thượng lưu) và
BL (hạ lưu)
TP (tổng Photpho)
Hình 3a cho thấy tải lượng trung bình min-N (NO3-N, NH4-N và NO2-N), org-
N, min-P, và org-P trong 9 năm tại LC và BL, và hình 3b cho thấy trung bình
SS, BOD, DO và WQI trong khoảng thời gian tương tự. Trừ SS, 8 chỉ số chất
lượng nước khác cho thấy chất lượng nước thượng nguồn (LC) tốt hơn so với hạ
lưu (BL). WQI toàn diện (Hình 3b) tại LC là 89, cho thấy chất lượng nước tại
LC nói chung là tốt hơn so với BL là 80. Nồng độ SS cao hơn (xem hình 3b) ở
vị trí thượng nguồn làm cho ta có cảm giác mức độ xói mòn đất cao hơn do độ
dốc lớn hơn và trầm tích…

Hình. 3a
Hình 3a cho thấy trung bình min-N (tức là, NO3-N, NH4-N và NO2-N), org-N,
min-P, và hữu cơ P (org-P) nạp tại LC và BL từ (1991-1999), và hình. 3b cho
thấy trung bình SS, BOD, DO, và WQI trong khoảng thời gian tương tự. Trừ
SS, các Tám chỉ tiêu chất lượng nước cho thấy chất lượng nước thượng lưu (tức
là, LC) tốt hơn so với hạ lưu (BL). Các WQI toàn diện (Hình 3b) tại LC là 89,
cho thấy chất lượng nước tại LC thường tốt hơn so với BL(80). Nồng độ SS cao
hơn (xem hình. 3b) ở vị trí thượng lưu có ý nghĩa lớn so với mức độ xói mòn
đất do đất dốc lớn hơn và khả năng vận chuyển phù sa do tốc độ sông cao hơn
trong khu vực thượng lưu so với các khu vực hạ lưu. Theo phạm vi biến động
hàng tháng của các biến số,dựa trên chất lượng nước (xem hình. 2) và tiêu
chuẩn chất lượng nước môi trường của Trung Quốc đối với nước mặt (GB3838-
2002) (EPAC, 2002), thì chất lượng nước tại LC có thể được đánh giá là loại II
(DO ≥ 6 mg / l, BOD ≤ 3 mg / L, NH4-N ≤ 0,5 mg / L, TN ≤ 0,5 mg / L, và TP
≤ 0,1 mg / L), chỉ ra rằng các nguồn nước có đủ điều kiện như nguồn nước uống

ở Trung Quốc. Tuy nhiên, chất lượng nước tại BL chỉ có thể được đánh giá là
loại III (DO ≥ 5 mg / l, BOD ≤ 4 mg / L, NH4-N ≤ 1 mg / L, TN ≤ 1 mg / L, và
TP ≤ 0,2 mg / L) vì tải trọng TP cao.
3.3. Biến đổi theo mùa của các chất dinh dưỡng theo dòng sông
Để điều tra về biến động theo mùa của các chất dinh dưỡng trong dòng,
Hình. 4 (a cho LC và b cho BL) cho thấy tải trọng trung bình mỗi tháng trong

chín năm (bao gồm cả NH4-N, NO3-N, và min-P), được tính toán bằng cách
tổng hợp chuỗi thời gian dữ liệu mô phỏng hàng tháng. Từ con số này, nồng độ
NH4-N cao trong mùa khô (tháng mười tháng ba năm sau) và thấp trong mùa
mưa (tháng chín). NH4-N là thành phần chủ yếu là từ các tải trọng ô nhiễm PS
công nghiệp và thành phố tương đối ổn định. Kết quả là, nồng độ NH4-N cao
nhất xuất hiện vào tháng Giêng (khoảng 0,18 mg / L cho LC và 0,21 mg / L cho
BL) do dòng chảy thấp và NH4-N nồng độ thấp nhất xảy ra vào tháng 8 do
dòng chảy cao (khoảng 0,12 mg / L cho LC và 0.08 mg / L) (Hình 4c). So sánh
Hình. 4a và b cho thấy nồng độ NH4-N ở thượng lưu (LC) trong suốt đầu mùa
mưa (tức là từ tháng sáu đến tháng chín) lớn hơn ở hạ lưu (BL), và biến đổi theo
mùa ở LC ít hơn so với ở BL. Kết luận, mùa khô là giai đoạn quan trọng cho ô
nhiễm PS ,NH4-N. Đối với nồng độ NO3-N tại LC và BL (xem hình 4a và. B),
giá trị cao nhất xuất hiện vào tháng Tư và cao thứ hai trong tháng tám, trong khi
các giá trị thấp xảy ra vào các tháng, và trong mùa khô. NO3-N tải trọng chủ
yếu từ NPS ô nhiễm (đặc biệt là do bón phân trên đất canh tác). Thực hành
trồng và bón phân cơ bản (chiếm một nửa tổng lượng phân bón cho chu kỳ mùa
vụ) được thực hiện trong mùa đầu tiên và vụ mùa thứ hai trong tháng Tư và
tháng Tám ở lưu vực sông Đông, tương ứng. Chu kỳ cây trồng hai mùa này là
một trong những lý do khiến hai giá trị cao điểm của NO3-N xảy ra trong hai
tháng.
Một lý do khác có thể có tác dụng xả lượng mưa vào đầu mùa mưa, trong đó
vận chuyển NO3-N trong đất bằng đường bộ lưu lượng và dòng chảy bên dưới
bề mặt như lượng mưa tăng dần trong tháng Ba đến tháng Tư (Wu và Chen,
2013a). Ngoài hai lý do trên, các dòng chảy ít hơn trong tháng Tư so với tháng
Tám (xem hình. 4c), có thể giải thích tại sao nồng độ NO3-N là lớn hơn trong
tháng Tư so với tháng Tám. Vì vậy, khoảng thời gian từ ngày kết thúc của mùa
khô (tháng) đến đầu mùa mưa (tháng) (xem hình. 4c) là rất quan trọng để quản
lý NPS NO3-N ô nhiễm, kết quả từ việc gieo trồng, bón phân, và gia tăng nhanh

chóng của dòng chảy trên mặt và dòng chảy bên So với min-N, tình trạng ô
nhiễm PS có thể đóng góp nhiều hơn để min-P tải trọng vì hàm lượng P thấp
trong phân bón và thấp. Hình. 4a và b cho thấy mức tăng nhẹ min-P vào tháng
Tư và tháng Tám, đó là kết quả từ việc bón phân xảy ra trong hai tháng này. Vì
vậy, có thể suy ra rằng sự kết hợp của PS và NPS ô nhiễm dẫn đến sự biến đổi
theo mùa tập trung min-P ở các dòng suối, và mùa khô là giai đoạn quan trọng
để quản lý PS ô nhiễm Kết luận, hình. 4 cho thấy tình trạng ô nhiễm nước trong
các điều khoản của NH4-N, NO3-N, và min-P lớn trong cuối mùa khô và đầu
mùa mưa (tháng mười hai-tháng tư) Fig. 4a and b indicates a slight increase
of min-P in April and August, which is the result from the base
fertilization that occurs in these two months. Therefore, it can be inferred
that the combination of PS and NPS pollution resulted in the seasonal
variation of min-P concentration in the stream water, and the dry season
is the critical period for managing PS pollution Conclusively, Fig. 4
reveals that the water pollution in terms of NH4–N, NO3–N, and min-P
is greater in the late dry season and early wet season (December to
April)
3.4 NPS Identification of critical NPS pollution areas
Để xác định các khu vực tải chất dinh dưỡng NPS quan trọng trong lưu vực,
hình. 5 cho thấy hàng năm NPS ô nhiễm tải chất dinh dưỡng mô phỏng trung
bình (ví dụ, NO3-N, Org-N, min-P, và org-P) ở cấp HRU. Tải NO3-N có thể đạt
cao như 18 kg / ha / năm ở các vùng đất nông nghiệp trung và hạ lưu, trong khi
org-N tải có thể đạt cao như 133 kg / ha / năm đối với các tải lớn nhất org-N
trong cùng khu vực.
To identify the critical NPS nutrient loading areas in the basin, Fig. 5
shows the simulated annual average NPS pollution nutrient loads (i.e.,
NO3–N, org-N, min-P, and org-P) at the HRU level. The NO3–N load
can reach as high as 18 kg/ha/yr in the middle and downstream

agricultural lands, whereas org-N load can reach as high as 133 kg/ha/yr
for the largest org-N load in the same areas.
Tương tự như vậy, tải trọng P hàng năm từ đất nông nghiệp cho thấy mức độ tải
cao nhất (khoảng 3,2 kg / ha / năm của min-P và 20 kg / ha / năm của org -P).
Ngoài ra, NPS trung bình hàng năm lượng chất dinh dưỡng ở cấp tiểu lưu được
trình bày trong hình. 6. Chúng tôi thấy rằng subbasins 15, 17, 20, và 23 có mức
cao nhất của NO3-N tải (> 8,4 kg / ha / năm) do tỷ lệ phần trăm cao của đất
nông nghiệp trong các lĩnh vực. Cấp cao nhất của org-N (> 50 kg / ha / năm),
min-P (> 1,7 kg / ha / năm), và org-P (> 7,6 kg / ha / năm) tải trọng đã được tìm
thấy trong bốn subbasins cũng như trong tiểu lưu 35. Điều tra thêm mối quan hệ
giữa lượng chất màu mỡ và sử dụng đất, hình. 7
cho thấy lượng chất màu mỡ dựa trên sử dụng 3 loại đất lớn (nông nghiệp, đồng
cỏ / phạm vi, và rừng). từ con số này, các lĩnh vực nông nghiệp đóng góp chất
dinh dưỡng cao nhất tải trọng bao gồm NO3-N (8,2 kg / ha / năm), org-N (89,2
kg / ha / năm), minP (2,5 kg / ha / năm), và org-P (13 kg / ha / năm), trong khi
tải trọng thấp nhất đến từ các khu vực rừng trừ NO3-N tải trọng thấp nhất mà từ
lĩnh vực chăn nuôi / đồng cỏ. hiện tượng tải trọng NO3-N này từ khu vực rừng

cao hơn so với đồng cỏ, có thể là do các lượng dư lớn còn lại trên mặt đất và kết
quả tốc độ phân hủy cao trong khu vực rừng. Rõ ràng, ô nhiễm NPS gắn liền
với hoạt động sử dụng đất để xác định các nguồn và độ lớn của tải trọng ô
nhiễm các dòng nước. do đó, kiểm soát hiệu quả và quản lý các hoạt động canh
tác (tức là, hoạt động quản lý (BMP) tốt nhất) sẽ giúp giảm lượng chất dinh
dưỡng
3.5. Đóng góp ô nhiễm của PS và NPS
Bởi vì cả hai PS và NPS đều nạp tải trọng tại đầu ra của lưu vực sông Đông (ví
dụ, để tải Pearl Đồng bằng sông Cửu), chúng tôi thiết kế hai kịch bản (kịch bản
A: chỉ có NPS, và Kịch bản B: cả PS và NPS) để điều tra việc nạp thêm cho tải
trọng chất dinh dưỡng. Cần lưu ý rằng tải trọng các PS thành phố, như thể hiện
trong Bảng 3, là số lượng ước tính do thiếu quan sát có sẵn. PS tải trọng công
nghiệp, dữ liệu tương đối đáng tin cậy hơn (1992) (xem Phần 2.4.2 cho chi tiết).
Tuy nhiên, năm (1992) mô hình mô phỏng duy nhất có thể không đủ để đại diện
cho tình hình thực tế khi xem xét biến đổi khí hậu. Vì vậy, chúng tôi đã phân
tích hai tình huống trên sử dụng một - ba năm (1991-1993) thời gian như vậy
thỏa mãn tính chính xác của dữ liệu công nghiệp PS và mô phỏng dài hạn.
Bảng 6 cho thấy lượng chất màu mỡ trung bình trong ba năm BL cho hai kịch
bản này. Các dữ liệu trong Bảng 6 cho thấy rõ ràng rằng NPS ô nhiễm đáng kể
(94-99%), góp phần vào tải trọng của min-N, orgN, và org-P, cho tải min-P, PS
và NPS đóng góp như nhau. Như Kết quả là, NPS đóng góp 93,2 × 10 3 t / năm
cho TN và 9,8 × 10 3 t / năm đối với TP, chiếm 97% và 94% tổng tải trọng của
TN và TP,

4. thảo luâṇ
4.1. Đánh giá chất lượng nước
Việc sử dụng WQI cho phép phân loại chất lượng nước như "tốt" hoặc "xấu"
bằng cách chuyển đổi các biến lý hóa và sinh học đa dạng vào một số một cách
đơn giản , khách quan, và tái sản xuất ( nhà và Newsome , 1989). Với một số
lượng như vậy, chúng ta có thể phân loại và so sánh các tình huống chất lượng
nước ở những nơi khác nhau hoặc thời gian khác nhau cho một địa điểm cụ thể .
Các phương pháp liên kết các WQI, như trong trường hợp nghiên cứu của
chúng tôi ( xem phần 3.2) , được khuyến khích bởi vì phương pháp này có thể
trình bày cả một đánh giá rõ ràng về mặt không gian và thời gian chất lượng
nước cho một lưu vực nhất định. Ví dụ , phần thượng nguồn chéo , LC , với một
WQI(89) có chất lượng nước tốt hơn so với mặt cắt hạ lưu, BL , với một WQI
(80) . Sử dụng kết quả mô phỏng thủy văn , chuỗi thời gian của WQI đối với
từng mặt cắt ngang từ đầu nguồn đến cửa sông của sông có thể được bắt nguồn,
Vì vậy cách tiếp cận này có thể là thông tin hữu ích công cụ để quản lý lưu vực
sông và hỗ trợ so sánh qulaity nước giữa các vùng khác nhau (ví dụ như Hồng
Kông và Đài Loan hoặc khu vực khác).
Điều đáng chú ý là một vấn đề với WQI là nó tổng hợp vào một số duy nhất,
một thực tế phức tạp, nơi rất nhiều chỉ tiêu môi trường có ảnh hưởng đến chất

lượng nước. Một vấn đề khác là phân loại ("tốt" đến "xấu") chất lượng nước
phụ thuộc vào ứng dụng của nó (mục đích) như sử dụng công nghiệp hoặc cung
cấp nước uống (Simoes et al., 2008). Vấn đề đầu tiên liên quan đến bao nhiêu
chỉ tiêu và bao nhiêu mỗi biến nặng trong tính toán WQI, và vấn đề thứ hai đề
cập đến ai hay cái gì có thể sử dụng nước. Như trong trường hợp nghiên cứu của
chúng tôi, chúng tôi sử dụng tám chỉ tiêu quan trọng với một loạt các yếu tố
quan trọng 0,07-0,2 (xem bảng 1) sau khi xem xét Liou của et al. (2004) kiến
nghị, được dùng cho mục đích chung trong một khu vực gần đó (Đài Loan). Rõ
ràng, việc tính toán với các chỉ tiêu nhất định và các yếu tố trọng số WQI (ví dụ,
vấn đề đầu tiên) nên phụ thuộc vào mục đích ứng dụng nước (ví dụ, vấn đề thứ
hai). Vì vậy, việc áp dụng WQI để phân loại chất lượng nước và so sánh cần
phải được tiến hành trong cùng điều kiện. Do đó, làm thế nào để lấy được các
yêu cầu hợp lý và cụ thể tương ứng với từng mục đích ứng dụng cần tiếp tục
phát triển và nghiên cứu.
4.2. Tính năng ô nhiễm nguồn nước
Phân tích biến đổi theo mùa của lượng chất dinh dưỡng (xem Phần 3.3) của
sông Đông chỉ ra rằng mùa khô là giai đoạn quan trọng cho PS NH4-N và min-
P ô nhiễm do các dòng chảy tương đối thấp, trong khi từ cuối mùa khô đến đầu
mùa mưa là giai đoạn quan trọng cho NPS NO3-N ô nhiễm do các hoạt động
nông nghiệp và ảnh hưởng của việc rửa đường bộ và dòng chảy đường bên.
Tiếp tục điều tra của lượng chất dinh dưỡng không gian rõ ràng, cùng với việc
phân tích sử dụng đất dựa trên lượng chất dinh dưỡng, có thể giúp xác định các
vùng có nguồn gây ô nhiễm quan trọng và bao gồm vùng đất, nơi các chương
trình bảo tồn chi phí thấp (ví dụ, bộ lọc dải) có thể được thực hiện để giảm tải
trọng ô nhiễm hiệu quả (xem Phần 3.3). Hơn nữa, sự đóng góp chi phối bởi NPS
ô nhiễm có nghĩa là sử dụng BMP trong tình trạng ô nhiễm nghiêm trọng vùng
nguồn được xác định trước sẽ có nhiều triển vọng. Tuy nhiên, PS ô nhiễm

không thể bỏ qua một trong hai, xem xét PS ô nhiễm có khả năng sẽ tăng kinh
tế địa phương và đi kèm tăng trưởng dân số.Do đó, quản lý hiệu quả và xử lý
công nghiệp và nước thải đô thị là một phương pháp quan trọng để tránh suy
giảm chất lượng nước. Mặc dù những phát hiện này và những tác động có
nguồn gốc từ các nghiên cứu của chúng tôi trên một con sông địa phương, cả
hai phương pháp và kết quả có thể là thông tin hữu ích cho các khu vực lân cận
và các nhà nghiên cứu khác trên thế giới.
4.3. hạn chế
Có thể có một số hạn chế khi giải thích kết quả bởi vì các dữ liệu sẵn có vấn đề.
1) Đầu tiên, các dữ liệu về số lượng và chất lượng nước thải thành phố được
ước tính bằng nhân các giá trị được đề xuất bởi người dân tại mục 2.4.
Chúng tôi thừa nhận các dữ liệu thu được thô và có thể mang lại một số
sai sót kết quả về sự đóng góp của PS ô nhiễm trong phần 3.5. Tuy nhiên,
ước tính dữ liệu là phương pháp khả thi duy nhất để thực hiện, đã được
ghi nhận và áp dụng rộng rãi cho việc thiết kế các nhà máy xử lý nước
thải ở Trung Quốc.
2) Thứ hai, 6 chỉ tiêu quan trắc ( tức là , NH4-N , NO2 -N , NO3- N , BOD ,
DO, và TP) đang khan hiếm, và có thể điều này cản trở việc thu được
những thông số tối ưu trong phần 3.1. Tuy nhiên, một so sánh hình ảnh
của các biến chất lượng nước mô phỏng và quan sát hàng tháng (xem
hình . 2) hỗ trợ các mô hình mô phỏng giảm trong một phạm vi hợp lý .
3) Thứ ba, các quan sát của org - N không phải là có sẵn , mặc dù chúng tôi
sử dụng biến này trong tính toán WQI trong Phần 3.2. Vì vậy , giả định
về ước tính hợp lý của org –N có thể dẫn đến một số bất ổn trong đánh
giá chất lượng nước toàn diện. May mắn thay, sự không chắc chắn đó sẽ
không đáng kể vì yếu tố trọng số thấp org -N (tức là 10 % như trong
Bảng 1).

4) Thứ tư, chúng tôi sử dụng bốn biến, min- N , min- P , org -N , và org -P ,
trong việc xác định các nguồn gây ô nhiễm nghiêm trọng (xem hình 5. và
hình . 6 ), tương ứng, tại mục 3.4 và điều tra sự đóng góp của PS và NPS
ô nhiễm trong phần 3.5 . Tuy nhiên, cuối cùng hai biến không được xác
nhận do thiếu quan sát. Tuy nhiên, phân tích của chúng tôi có thể thực
hiện được do các mô hình ban đầu thiết kế của SWAT là hoạt động trong
lưu vực ungagged quy mô lớn với nỗ lực chuẩn ít hoặc không có ( Arnold
và cộng sự, 1998; . . Srinivasan và cộng sự, 2010) . Do đó, giá trị thực tế
và nguồn gốc quan trọng đánh dấu khu vực dựa trên org -N và org -P có
thể, lúc tồi tệ nhất , phục vụ như một tài liệu tham khảo cho các nhà
nghiên cứu khác và gọi để xác nhận thêm. Cuối cùng, tiến hành nghiên
cứu trong lĩnh vực dữ liệu khan hiếm có thể được thử thách , và các nhà
khoa học có thể cần phải làm việc với bất cứ dữ liệu có thể đạt được .
Mặc dù mô hình SWAT có thể hỗ trợ ứng dụng của nó trong những loại
diện tích , hạn chế và không chắc chắn nên được ghi với kết quả của họ
để tránh sự giải thích .\
5 . Kết luận
Dựa trên nghiên cứu trước đây của chúng tôi về dòng chảy và trầm tích
mô hình sử dụng SWAT , chúng tôi tiếp tục điều tra chất lượng nước với chi tiết
PS và NPS ô nhiễm trong lưu vực sông Đông. Để đánh giá hiện trạng chất
lượng nước của dòng sông, chúng tôi sử dụng chỉ số chất lượng nước toàn diện
( WQI ) liên quan đến tám chỉ tiêu chất lượng nước tại hai mặt cắt ngang lớn
(LC thượng lưu và BL hạ lưu ). các điều tra về sự phân bố thời gian ( biến đổi
theo mùa ) của chất lượng nước tiết lộ rằng có những cấp độ cao của lượng chất
màu mỡ trong cuối mùa khô và đầu mùa mưa ( tức là , từ tháng Ba đến Tháng
Tư). Chúng tôi tiếp tục trình bày các bản đồ phân bố không gian cho NPS tải

chất dinh dưỡng và việc sử dụng dựa trên tải trọng chất dinh dưỡng đất xác định
các khu vực ô nhiễm nguồn quan trọng và bao gồm vùng đất, nơi quan tâm
nhiều hơn và các biện pháp có thể được xem xét vì họ chi phí - hiệu quả . Cuối
cùng, chúng tôi cũng xem xét những đóng góp PS và NPS để tải chất dinh
dưỡng và tìm thấy NPS ô nhiễm góp phần đáng kể để min- N , Org -N , và org -
P , trong khi đóng góp để min- P từ PS và tải ô nhiễm NPS là gần bằng nhau.
Nhìn chung, những phát hiện của chúng tôi có thể cung cấp thông tin có giá trị
cho các địa phương ra quyết định để xác định nguyên nhân gây ô nhiễm nước,
sẽ có ích cho việc bảo vệ môi trường nước . Ngoài ra, các phương pháp chúng
tôi áp dụng có thể hữu ích cho các nhà nghiên cứu khác xung quanh thế giới

Sinh viên thực hiện:
Nguyễn Thị Thanh Tâm: 1022254
Kiều Xuân Vũ: 1022365

TỪ KHÓA

MỤC LỤC
1. Tóm tắt
2. Giới thiệu
3. Tài liệu và phương pháp
4. Kết quả
5. Thảo luận
6. Kết luận

KHU VỰC NGHIÊN CỨU

TÓM TẮT
Mục
tiêu
• Đánh giá chất lượng nước
• Xác định nguồn ô nhiễm chính
Phương
pháp
• Pp tích hợp mô hình WIQ với lưu vực
• Xác định khoảng thời gian ảnh hưởng quan trọng
Kết quả
• Ô nhiễm NPS là chính
• CLN ở LC cao hơn BL
• Thấy được ảnh hưởng của các nutrient đến CLN theo
không gian và thời gian

GiỚI THIỆU
PS
Nước thải
sinh hoạt
NPS
Mưa, tuyết
tan
Nước thải
công nghiệp
Nước tưới
chảy tràn

GiỚI THIỆU

GiỚI THIỆU
Nguyên nhân
Thâm canh
trong nông
nghiệp phát
triển
Kinh tế xã
hội phát triển
Tăng trưởng
dân số và
phát triển
cong-nông
nghiệp

GiỚI THIỆU
Nhu cầu sử dụng nước và tải trọng chất ô nhiễm
cho dòng sông và cửa sông tăng mối quan tâm lớn.
• Nhiệm vụ: đánh giá chất lượng nước khu vực và xác định
các nguồn ô nhiễm hướng phát triển bền vững.
1. đánh giá hiện trạng chất lượng nước ở 2 mặt cắt ngang lớn dọc theo sông
2. điều tra các thay đổi theo mùa của chất dinh dưỡng do khí tượng thủy văn,
3. xác định khu vực nguồn gây ô nhiễm NPS
4.kiểm tra tỉ lệ ô nhiễm PS và NPS trong tải trọng ô nhiễm ở quy mô lưu vực sông.
• Sửa dụng công cụ SWAT để tiếp cận mô hình

Tài liệu và phương pháp
❖ Lựa chọn mô hình
• Mô hình SWAT (bản 2005)
• thăm dò những tác động của khí hậu và thực hành
quản lý đất đai trên nước, trầm tích và năng suất hóa
chất nông nghiệp
• Đơn vị mô phỏng cơ bản HRU
• Mô hình SWAT kết hợp các thuật toán QUAL2E
(Brown và Barnwell, 1987) để mô phỏng thành phần
tương tác và chuyển đổi (Neitsch et al, 2005).

Tài liệu và phương pháp
❖ Công thức đánh giá chất lượng nước WQI
• Lựa chọn 8 chỉ tiêu
• Công thức:

Tài liệu và phương pháp
❖ Dữ liệu ô nhiễm PS: Ô nhiễm PS bao gồm nước thải từ thành phố và công nghiệp. Hình 1a
cho thấy tên và địa chỉ của 12 thành phố xả ô nhiễm PS ra Đông giang
• Các dữ liệu cần thiết đã được ước tính dựa trên dân số đô thị và dữ liệu nước thải điển hình của
Trung Quốc

Tài liệu và phương pháp
❖ Dữ liệu ô nhiễm NPS
Hoạt
động
nông
nghiệp
• Thông qua điều tra thực địa và tài liệu
(GLRO và GDPC, 2003)
• trung bình tổng số phân bón được sử dụng
vào khoảng 140 kg/ha/năm, với 70 kg/ha
mỗi vụ bắt đầu từ tháng Tư và tháng Tám.
Lắng
đọng
trong khí
quyển
• nồng độ N trong nước mưa đã được ước tính
là 0,1 mg/L cho toàn bộ lưu vực đối với
lượng mưa hàng năm là 1,8 m và P là 0.005
mg/L dựa trên tỷ lệ N:P (20:1) trong lớp VI.

Tài liệu và phương pháp
❖ Thiết lập, xác thực và hiệu chỉnh mô hình:
Thiết lập mô hình: Dữ liệu đầu vào cho việc thiết lập mô
hình SWAT bao gồm dữ liệu về thời tiết, địa hình, tính
chất của đất, đất sử dụng và các thông tin quản lý đất đai.
Trong nghiện cứu này, sử dụng mô hình DEM với độ phân
giải 90m. Để tham số hóa mô hình, ta sử dụng dữ liệu với
độ phân giải 30m.
Xác thực và hiệu chỉnh mô hình: theo đánh giá mô hình
cho thấy mô phỏng đạt kết quả tốt với chỉ số NSE đạt yêu
cầu.

KẾT QUẢ
• Tình trạng chất lượng nước
Hình 3a cho thấy trung bình min-N (tức là, NO3-N, NH4-N và NO2-N), org-
N, min-P, và hữu cơ P (org-P) nạp tại LC và BL từ (1991-1999), và hình. 3b
cho thấy trung bình SS, BOD, DO, và WQI trong khoảng thời gian tương tự

KẾT QUẢ
• Dựa vào hình 2 trong bài báo và tiêu chuẩn chất lượng MT
của TQ (GB3838-2002) (EPAC2002) cho thấy
ĐƠN VỊ LC BL
DO mg/L ≥ 6 ≥ 5
BOD mg/L ≤ 3 ≤ 4
NH4-N mg/L ≤ 0,5 ≤ 1
TN mg/L ≤ 0,5 ≤ 1
TP mg/L ≤ 0,5 ≤ 0,2
‣ CLN tại LC đạt loại II (đủ điều kiện là nguồn nước uống)
‣ CLN tại BL đạt loại III.

KẾT QUẢ
• Biến đổi theo mùa của các chất dinh dưỡng theo dòng sông

KẾT QUẢ
• NPS Identification of critical NPS pollution areas
Lượng nutrient được sử dụng trên 3 loại đất nông nghiệp lớn (nông nghiệp
Đồng cỏ, rừng)
sử dụng đất.
NPS gắn liền với hoạt động
Xác định nguồn và độ lớn
Tải trọng ô nhiễm kiểm soát
Và quản lí có hiệu quả các hoạt
Động canh tác (BMP tốt) giúp
Giảm lượng chất ô nhiễm.

KẾT QUẢ
• Đóng góp ô nhiễm của PS và NPS
❖
Kịch bản A: chỉ có NPS, và Kịch bản B: cả PS và NPS
❖ Bảng : cho thấy lượng chất màu mỡ trung bình trong ba năm
ở BL cho hai kịch bản này
Scenario Descripsion Min-N Min-P Org-N Org-P TN TP
A
B
A/B
NPS only (10^3t/yr)
PS và NBS(10^3t/yr)
% của NPS
27.4
29.2
94
0,35
0.70
50
65.7
66.7
99
9.4
9.7
97
93.2
95.9
97
9.8
10.4
94
cho thấy rõ ràng rằng NPS ô nhiễm đáng kể (94-99%)

THẢO LUẬN
WQI
• Đơn giản, khách quan, sử dụng nhiều
lần
• Công cụ hữu ích đề quản lý lưu vực
sông
• Tổng hợp vào 1 số duy nhất
• Ap dụng WQI để phân loại chất lượng
nước và so sánh cần phải được tiến hành
trong cùng điều kiện

THẢO LUẬN
Tính năng ô nhiễm
• Ô nhiễm PS chủ yếu vào mùa
khô và NPS là cuối mùa khô đầu
mùa mưa
• quản lý hiệu quả và xử lý nước
thải đô thị và công nghiệplà một
phương pháp quan trọng để
tránh suy giảm chất lượng nước

THẢO LUẬN
Hạn chế
• Các dữ liệu đều chỉ được
ước tính
• Quan trắc 1 số chỉ tiêu khó
khăn
• org –N chỉ là ước tính hợp lý

KẾT LUẬN
• NPS ô nhiễm góp phần đáng kể để min- N , Org -N , và
org -P , trong khi đóng góp để min- P từ PS và tải ô nhiễm
NPS là gần bằng nhau.
• Các phương pháp áp dụng có thể hữu ích cho các nhà
nghiên cứu khác xung quanh thế giới.

HẾT
.

Ecological Indicators 32 (2013) 294–304
Contents lists available at SciVerse ScienceDirect
Ecological Indicators
jou rn al hom epage: www.elsevier.com/locate/ecolind
Investigating the effects of point source and nonpoint source pollution
on the water quality of the East River (Dongjiang) in South China
Yiping Wu a,b,∗ , Ji Chen b,∗∗
a ASRC Research and Technology Solutions, contractor to U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS) Center, Sioux Falls,
SD 57198, USA
b Department of Civil Engineering, The University of Hong Kong, Pokfulam, Hong Kong, China
a r t i c l e i n f o
Article history:
Received 10 December 2012
Received in revised form 27 March 2013
Accepted 7 April 2013
Keywords:
East River (Dongjiang)
Nitrogen
Phosphorus
Pollution source areas
SWAT
Water quality index
a b s t r a c t
Understanding the physical processes of point source (PS) and nonpoint source (NPS) pollution is critical
to evaluate river water quality and identify major pollutant sources in a watershed. In this study, we used
the physically-based hydrological/water quality model, Soil and Water Assessment Tool, to investigate
the influence of PS and NPS pollution on the water quality of the East River (Dongjiang in Chinese) in
southern China. Our results indicate that NPS pollution was the dominant contribution (>94%) to nutrient
loads except for mineral phosphorus (50%). A comprehensive Water Quality Index (WQI) computed using
eight key water quality variables demonstrates that water quality is better upstream than downstream
despite the higher level of ammonium nitrogen found in upstream waters. Also, the temporal (seasonal)
and spatial distributions of nutrient loads clearly indicate the critical time period (from late dry season
to early wet season) and pollution source areas within the basin (middle and downstream agricultural
lands), which resource managers can use to accomplish substantial reduction of NPS pollutant loadings.
Overall, this study helps our understanding of the relationship between human activities and pollutant
loads and further contributes to decision support for local watershed managers to protect water quality
in this region. In particular, the methods presented such as integrating WQI with watershed modeling
and identifying the critical time period and pollutions source areas can be valuable for other researchers
worldwide.
Published by Elsevier Ltd.
1. Introduction
Surface water impairment due to point source (PS) and nonpoint
source (NPS) pollution threatens the aquatic ecosystems and water
supply security. PS pollution mainly includes municipal sewage
discharges (from urban or highly residential areas) and industrial
wastewater loads (from a variety of manufacturers). NPS pollution
occurs when rainfall, snowmelt water or irrigation water runs
over land, carrying and depositing pollutants into rivers, lakes,
and coastal waters. NPS pollution from agriculture is regarded as
the major cause of the surface water quality degradation and has
attracted growing public concern (Darradi et al., 2012; Hao et al.,
2004; Nasr et al., 2007; Ongley et al., 2010; Tang et al., 2011; Zhang
et al., 2008). Estimating NPS pollutant loads is challenging due
∗ Corresponding author at: ASRC Research and Technology Solutions, contractor
to U.S. Geological Survey (USGS) Earth Resources Observation and Science (EROS)
Center, Sioux Falls, SD 57198, USA.
∗∗ Corresponding author.
E-mail addresses: ywu@usgs.gov, rocky.ypwu@gmail.com (Y. Wu),
jichen@hku.hk (J. Chen).
to the complicated hydro-meteorological and bio-chemical processes
and the spatial variability involved in the process of pollutant
transport and transformation (Ficklin et al., 2010; Luo et al., 2008;
Nikolaidis et al., 1998).
With intensive agricultural development, excessive utilization
of commercial inorganic fertilizers for raising crop yields has
become a major issue and has resulted in increased nutrient additions.
The subsequent nutrient losses to stream water and estuaries
have caused eutrophication of many coastal and freshwater ecosystems
around the world (Alexander et al., 2008; Cao and Zhu, 2000;
Carpenter et al., 1998; Nixon et al., 1995; Rabalais et al., 2002;
Schoch et al., 2009; Vitousek et al., 1997; Wu and Liu, 2012b).
Therefore, it is crucial to investigate the status of water pollution
by measuring and estimating nutrient loadings for environmental
planning, management, and restoration. However, long-term
watershed water quality monitoring is costly and time consuming
(Santhi et al., 2001) and not applicable for predicting the potential
effects of future climate and land cover change scenarios. Practically,
a reasonable numerical simulation of these complicated
terrestrial processes in a watershed would be a useful tool to
investigate the water quality status, to predict potential impacts
of climate and land cover changes, and to find optimal solutions to
1470-160X/$ – see front matter. Published by Elsevier Ltd.
http://dx.doi.org/10.1016/j.ecolind.2013.04.002

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304 295
pollution problems (Borah and Bera, 2002; Ficklin et al., 2010; Liu
et al., 2008; Panagopoulos et al., 2011; Panagopoulos et al., 2012;
Wilson and Weng, 2011; Wu and Liu, 2012a; Wu et al., 2012a,c;
Zhang et al., 2011; Zhang and Zhang, 2011).
Rapid socioeconomic development in the East River (Dongjiang
in Chinese) Basin in southern China (especially the downstream
area), resulting from population growth and dramatic industrial
and agricultural development, has substantially increased water
demands and pollutant loadings to the river and its estuary (Wu and
Chen, 2013b; Wu et al., 2012b; Zhou et al., 2012). Although water
is relatively abundant in this region (Wu and Chen, 2013a), water
quality degradation is of wide concern. Therefore, evaluating the
regional water quality and identifying the critical pollution sources
are an urgently needed as the local society seeks for sustainable
development strategies.
To investigate the PS and NPS pollution processes of the East
River, we used the multi-disciplinary Soil and Water Assessment
Tool (SWAT) as the modeling approach. This study has four tasks:
(1) evaluate the water quality status at two major cross sections
along the river, (2) investigate the seasonal variations of nutrients
due to hydro-meteorological forcing, (3) identify the critical
source areas of the NPS nutrient loadings, and (4) examine the
contributions by PS and NPS pollutant loadings at the watershed
scale.
2. Materials and methods
2.1. Model description
The SWAT model (version 2005) (Arnold et al., 1998; Neitsch
et al., 2005) used in this study was developed by the U.S. Department
of Agriculture (USDA) Agricultural Research Service (ARS) for
exploring the effects of climate and land management practices on
water, sediment, and agricultural chemical yields (Douglas-Mankin
et al., 2010; Gassman et al., 2007). This physically-based watershed
scale model simulates the terrestrial hydrological cycle, plant
growth, soil erosion, sediment transport, and agricultural chemical
yields on a daily time step (Arnold et al., 1998). Hydrological
Response Unit (HRU) (Flügel, 1996; Flügel, 1997) is the basic simulation
unit and is defined as a lumped land area composed of a
unique land cover, soil properties, and slope in SWAT (Neitsch et al.,
2005).
For the land phase nutrient cycle, SWAT simulates the organic
and mineral nitrogen (N) and phosphorus (P) fractions by separating
each nutrient into component pools. Then, N and P can increase
or decrease depending on their transformation and/or additions/losses
occurring within each pool (Green and van Griensven,
2008; Neitsch et al., 2005). For the water phase nutrient cycle
(i.e., in-stream water quality transformation), the SWAT model
incorporates the QUAL2E algorithm (Brown and Barnwell, 1987)
to simulate constituent interactions and transformations (Neitsch
et al., 2005). Further details of nutrient cycles in the land phase
and transport as well as transformation in the water phase can
be found in the model’s theoretical documentation (Neitsch et al.,
2005).
2.2. Water quality evaluation formula
In order to evaluate water quality, which encompasses a number
of pollutant species, an ecological approach should combine
physical, chemical, and biological constituents to reflect the quality
status (Chapman, 1996). Stambuk-Gilijanovic (2003) and Liou et al.
(2004) presented the water quality score for each indicator (i.e.,
water quality variables such as nitrate N (NO 3 –N), ammonium N
(NH 4 –N), biological oxygen demand (BOD), and dissolved oxygen
Table 1
Eight water quality variables used in the calculation of Water Quality Index.
No. Parameters Unit Weighting Source of method for score scaling
1 min-N mg/L 0.2 Stambuk-Gilijanovic (2003)
2 org-N mg/L 0.1 Stambuk-Gilijanovic (2003)
3 min-P mg/L 0.16 Stambuk-Gilijanovic (2003)
1 BOD mg/L 0.14 Liou et al. (2004)
5 DO mg/L 0.2 Liou et al. (2004)
6 SS mg/L 0.06 Liou et al. (2004)
7 T ◦ C 0.07 Liou et al. (2004)
8 pH – 0.07 Liou et al. (2004)
(DO)). With these scales, a general and comprehensive Water
Quality Index (WQI) (Liou et al., 2004; Stambuk-Gilijanovic, 2003)
can be calculated as follows:
n∑
WQI = 1 W
n i · Q i (1)
i=1
where W i is the weighting factor of the water quality variable i,
Q i is the related water quality score, and n is the number of water
quality variables. The objective of the WQI is to inform about the
quality status of a specific water body.
To evaluate the water quality status of the East River with
such a comprehensive WQI, we used eight water quality variables
including mineral N (min-N), organic N (org-N), mineral (min-P),
BOD, DO, suspended sediment (SS), temperature (T), and pH (see
Table 1) at LC (upstream) and BL (downstream) gaging stations.
After Stambuk-Gilijanovic (2003) and Liou et al. (2004), as shown in
Fig. A.1 (see Appendix A), water quality score for each variable (Q i )
is on a continuous scale from 0 to 100, where 100 represents perfect
water quality conditions while zero indicates poor conditions.
The first six variables are from the model simulations, whereas
the last two (T and pH) are from the water quality monitoring
data (GEPMC, 1991–1999). The weighting factors are referenced
from Stambuk-Gilijanovic (2003). Because the variable coliform is
unavailable in our simulation, its weighting factor of 0.16 is evenly
allocated to four other key variables (i.e., BOD, DO, total N (TN), and
min-P). Table 1 lists the final weighting factors for the eight water
quality variables.
2.3. Study area
The East River (Dongjiang in Chinese) is one of the three main
tributaries of the Pearl River (Zhujiang in Chinese), which is the
fourth largest river in terms of drainage area in China (Niu and
Chen, 2010). The East River Basin (see Fig. 1) lies between latitudes
22 ◦ 34 ′ and 25 ◦ 12 ′ N and longitude 113 ◦ 24 ′ and 115 ◦ 53 ′ E (Chen and
Wu, 2008). Originating in Xunwu county in Jiangxi province, the
East River flows from northeast to southwest and discharges into
the Pearl River delta with an average gradient of 0.39‰ (Jiang et al.,
2007). The East River is also the drinking water source for the areas
outside of the basin (e.g., Hong Kong, Shenzhen, Huangpu, and
Dayawan). The major downstream gage station, Boluo (noted as BL
hereafter), has a drainage area of 25,325 km 2 , and upstream gage
station, Longchuan (noted as LC hereafter), has an area of 7699 km 2
(PRWRC, 1987). The East River Basin is near the coast of the South
China Sea and located in a monsoon-dominant climate region with
considerable spatial and temporal variations of precipitation (Wu
and Chen, 2013a). The wet season occurs from April to September,
and the remainder of a year is the dry season. The average annual
total precipitation of the basin is 1800 mm/yr, and the annual discharge
at Boluo is about 739 m 3 /s (23.3 billion m 3 /yr or 920 mm/yr)
(Chen and Wu, 2012).

296 Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304
Fig. 1. Point source pollution locations and two major gage stations, (Longchuan (noted as LC) and Boluo (noted as BL)) (a) and land uses (b) in the East River Basin in southern
China. Land use codes such as AGRR, FRST, PAST, URBN, and WATR refer to agriculture, forest, pasture/range, urban, and water, respectively.
2.4. PS pollution data
The PS pollution data are the important inputs to SWAT. The PS
pollution includes the municipal and industrial loads. Fig. 1a shows
the names and locations of the 12 cities where PS pollutant loads
discharge to the East River.
2.4.1. Municipal PS pollution data
Because measured sewage quantity and quality data for these
cities (Fig. 1a) are unavailable, the required load data were estimated
based on urban population and China’s typical sewage water
quality data (Table 2) (Xiao, 2002). According to Xiao (2002), the
average values of the middle and low levels can be used to represent
the sewage quality in southern China (see the second last column
in Table 2). According to Zhang and Jorgensen (2005), water consumption
can be set to 200 L/d per capita considering the sufficient
water supply over the region. As a result, the pollutant loads per
capita can be derived (see the last column in Table 2).
Table 3 lists the collected urban population data in 1990 and
2000 (GLRO and GDPC, 2003; POCNSD, 1996; SCO and PSSCNSD,
2003) for these cities. The total municipal pollutant loads can
Table 2
Typical sewage water quality data and values used in the East River Basin.
No. Item Concentration (mg/L) Values used a
High Middle Low Concentration
(mg/L)
1 BOD 400 200 100 150 30
2 NH 4–N 50 25 12 18.5 3.7
3 org-N 35 15 8 11.5 2.3
4 TN 85 40 20 30 6
5 min-P 10 5 3 4 0.8
6 org-P 5 3 1 2 0.4
7 TP 15 8 4 6 1.2
Load b
(g/d/capita)
Note: a Values used in this study were equal to the mean of middle and low levels;
b Wastewater load of 200 L/d/capita was used to estimate the pollutant loads.
be estimated by multiplying pollutant loads per capita by urban
population. As an example, Table 3 lists the total nitrogen (TN)
and total phosphorus (TP) loads for 1990 and 2000, and pollutant
load data for other years (1991–1999) were estimated using linear
interpolation. Because the continuous measurement of sewage
water is unavailable, the method we described above to estimate
pollutant loads are usually used for designing a wastewater
Table 3
Urban population and daily total nitrogen (TN) and total phosphorus (TP) loads for each city.
No. City Subbasin number Population TN load (kg/d) TP load (kg/d)
1990 2000 1990 2000 1990 2000
1 Xunwu 25 28,061 66,776 168 401 42 100
2 Dingnan 26 18,378 64,298 110 386 28 96
3 Heping 4 40,793 87,115 245 523 61 131
4 Longchuan 39 64,707 143,071 388 858 97 215
5 Lianping 9 42,680 87,174 256 523 64 131
6 Xinfeng 29 28,953 64,072 174 384 43 96
7 Heyuan 16 103,341 279,389 620 1676 155 419
8 Zijin 33 63,803 135,828 383 815 96 204
9 Huidong 23 100,685 446,114 604 2677 151 669
10 Huiyang 24 651,97 895,978 391 5376 98 1344
11 Huizhou 37 154,839 897,858 929 5387 232 1347
12 Boluo 38 112,739 436,537 676 2619 169 655
Total – 600,604 3,091,704 3604 18,550 901 4638

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304 297
Table 4
Industrial pollution loads for each city in 1992.
No. City Subbasin
number
BOD (kg/d) NH 3–N (kg/d) min-P (kg/d)
1 Xunwu * 25 5.5 0 0
2 Dingnan * 26 5.5 0 0
3 Heping 4 5.5 0 0
4 Longchuan 39 910 0 0
5 Lianping 9 0 0 0
6 Xinfeng 29 348 0 0
7 Heyuan 16 745 12.6 2.5
8 Zijin 33 759 0 0
9 Huidong 23 4174 569 114
10 Huiyang 24 178 2.7 0.3
11 Huizhou 37 360 0 0
12 Boluo 38 1712 233 47
Total – 9203 817 164
Note: * Load data were missing for Xunwu and Dingnan, and the same load as Heping
was assumed.
treatment plant in China (Xiao, 2002). Thus, our estimations are
assumed to be reasonable.
2.4.2. Industrial PS pollution data
It is also a challenge to monitor the industrial wastewater quantity
and quality load for long periods of time in China. The published
industrial PS pollution monitoring data (BOD, NH 4 –N, and min-P)
(see Table 4) are available for 1992 only and for only 10 cities in
the East River Basin (GEPMC, 1992). The loads for the other two
cities (Xunwu and Dingnan), were set to be the same with that of a
nearby city, Heping, considering the similar development levels of
these cities. It is worth noting that the industrial PS pollution loads
listed in Table 4 are used for the water quality simulation period of
1991 to 1999. Compared to the industrial loads (Table 4), the estimated
municipal loads (Table 3) accounted for more than 80% of
the total PS load.
2.5. NPS pollution data
NPS pollution mainly results from agricultural practices (e.g.
fertilization), atmospheric deposition (e.g., N and P contained in
rainwater), and plant residue decomposition.
2.5.1. Agricultural practices
Through field investigation and literature (GLRO and GDPC,
2003), the land management over the agricultural land was set as
two crops per year and three periods of fertilization for each crop
season over the East River Basin. The general farming practices of
planting and harvesting for two-season crops were adopted from
Guangdong Crop Irrigation Estimation (Liang, 1999). According
to the agricultural survey in Guangdong in the 1990s, the averaged
amount of total fertilizer applied was around 140 kg/ha/yr,
with 70 kg/ha for each crop season beginning on April and August,
respectively.
2.5.2. Atmospheric deposition
Rainwater contains nutrients, originating from air pollution.
Zhang and Jorgensen (2005) provided six classes of the N and P
concentrations in rainwater based on the industrial and husbandry
levels for the condition of 1-m precipitation per year. Because the
percentage of urban area in the East River Basin is only 1.4%, and
the forest area is more than 75%, the study area can be classified
as the lowest level (class VI) in terms of nutrient concentrations
(Zhang and Jorgensen, 2005). Then the N concentration in rainwater
was estimated as 0.1 mg/L for the whole basin for the annual
precipitation of 1.8 m, and the P concentration was set to 0.005 mg/L
based on the ratio of N:P (20:1) in class VI.
2.6. Model setup
The input data for driving the SWAT model include weather data,
topographic data, soil properties, and land use and land management
information (Arnold et al., 2000; Neitsch et al., 2005). In this
study, the SRTM Digital Elevation Model (DEM) data with the 90-m
resolution (Jarvis et al., 2006) were adopted to delineate the East
River Basin. To parameterize the model, the land use data with
30-m resolution obtained from the Chinese Academy of Sciences
were used. The data indicate five major land use types including
agriculture, forest, pasture, urban area, and water surface (see
Fig. 1b). According to Guangdong Soil (Guangdong Soil Survey Office
(GSSO), 1993), there are three major soil types, latosolic soil, red
soil, and paddy soil, in the East River Basin. We used the multiple
Hydrological Response Unit (HRU) option, representing each
unique combination of land cover and soil type as an individual
HRU, to discretize the basin into 271 HRUs.
Daily precipitation, maximum and minimum air temperature,
wind speed and relative humidity data from eight weather
stations were obtained from the National Climatic Data Share
Center of China (http://cdc.cma.gov.cn/home.do) (see Fig. 1).
Solar radiation data were from the National Centers for Environmental
Prediction and Atmospheric Research (NCEP/NCAR)
(http://www.esrl.noaa.gov/psd/data/reanalysis/reanalysis.shtml).
In addition, PS pollution and NPS pollution as described previously
(see Sections 2.4 and 2.5) were included in the model setup.
2.7. Model calibration and validation
Streamflow. In previous studies (Chen and Wu, 2012; Wu
and Chen, 2013a), we evaluated the performance of SWAT in
simulating streamflow at BL in the East River Basin using an eightyear
(1973–1980) period for calibration and another eight-year
(1981–1988) period for validation. Model evaluation shows that
the streamflow simulation performed well with the daily Nash-
Sutcliffe efficiency (NSE) being 0.84 for calibration and 0.82 for
validation; whereas monthly NSE values can reach 0.93 for calibration
and 0.90 for validation (Chen and Wu, 2012).
Sediment. In another previous study (Wu and Chen, 2012), we
evaluated the model performance in simulating sediment at BL in
the East River Basin with the same calibration (1973–1980) and
validation (1981–1988) periods. Model evaluation shows that the
monthly sediment simulation was satisfactory with the NSE being
0.69 for calibration and 0.67 for validation (Wu and Chen, 2012).
Due to the unavailability of streamflow and sediment observations
for the current study period (1991–1999), we did not
re-calibrate the model but used the same streamflow and sediment
parameters from our previous studies (Chen and Wu, 2012; Wu and
Chen, 2012, 2013a).
Water quality. In the current study, we used the pollutant load
data including NH 4 –N, nitrite N (NO 2 –N), NO 3 –N, BOD, DO, and TP
irregularly monitored at LC and BL to calibrate and validate the
SWAT model for water quality simulation. It is noted that such
monthly observation data published by Guangdong Environmental
Protection and Monitoring Center were sparsely available for
1991–1999 (GEPMC, 1991–1999). Results for evaluation of water
quality modeling are presented in Section 3.1.
3. Results
3.1. Model examination
As stated above (see Section 2.7), the daily streamflow and sediment
data at the basin outlet (BL) covering 16 years (1973–1988)
have been used for model calibration (1973–1980) and validation
(1981–1988) in our previous studies (Chen and Wu, 2012; Wu and
Chen, 2012, 2013a). In this study, due to the availability of observed

298 Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304
Fig. 2. Comparison of monthly simulated and observed six water quality variables including NH 4–N, NO 2–N, NO 3–N, BOD, DO, and TP at two stations (LC and BL) for the
period of 1991–1999.
water quality data, we used the four-year (1991–1994) observed
pollutant load data for model calibration and the rest of the data
(1995–1999) for validation. Ten water quality-related parameters
in SWAT were calibrated (see Table 5) by comparing the six simulated
water quality variables (i.e., NH 4 –N, NO 2 –N, NO 3 –N, BOD, DO,
and Total P (TP)) with the observed variables. Fig. 2 shows the simulated
and observed monthly water quality variables. Although the
number of observation data is limited, the visual comparison indicates
that SWAT can provide acceptable estimations because the
model simulation can capture the seasonal variations of the water
quality variables with the reasonable ranges when compared to the
observed variables.
3.2. Water quality status
Fig. 3a shows the nine-year (1991–1999) average min-N (i.e.,
NO 3 –N, NH 4 –N, and NO 2 –N), org-N, min-P, and organic P (org-P)
loads at LC and BL, and Fig. 3b shows the average SS, BOD, DO,
and WQI for the same time period. Except for SS, the other eight
water quality variables indicate the water quality upstream (i.e.,
LC) was better than downstream (i.e., BL). The comprehensive WQI
(Fig. 3b) at LC is 89, indicating the water quality at LC is generally
better than BL with an index of 80. The higher SS concentration
(see Fig. 3b) in the upstream location makes sense considering the
higher soil erosion level due to larger land slopes and sediment

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304 299
Table 5
Calibrated parameters in SWAT for the East River Basin.
Parameter Description Above LC LC to BL
CMN Rate factor for humus mineralization of active organic N 0.0001 0.0002
NPERCO N percolation coefficient 0.04 0.01
1 Local algal settling rate in the reach (m/d) 1.5 1.5
2 Benthic source rate for dissolved P in the reach (mg P/m 2 d) 0.001 0.001
3 Benthic source rate for NH 4–N in the reach (mg N/m 2 d) 2.5 0.001
2 Oxygen re-aeration rate for Fickian diffusion in the reach (d −1 ) 0.55 0.3
ˇN,1 Rate constant for biological oxidation of NH 4 to NO 2 in the reach (d −1 ) 0.008 0.04
ˇN,2 Rate constant for biological oxidation of NO 2 to NO 3 in the reach (d −1 ) 0.04 1.0
ˇN,3 Rate constant for hydrolysis of organic N to NH 4 in the reach (d −1 ) 0.01 0.003
ˇP,4 Rate constant for mineralization of organic P to dissolved P (d −1 ) 0.01 0.008
Fig. 3. Annual average nutrients (a), SS, BOD, DO concentrations and Water Quality Index (WQI) (b) at two stations (LC and BL).
carrying capacity due to higher river velocity in the upstream area
compared to the downstream area.
According to the monthly variation range of water quality
variables (see Fig. 2) and China’s Environmental Water Quality
Standards for Surface Water (GB3838-2002) (EPAC, 2002), water
quality at LC can be rated as Class II (DO ≥ 6 mg/L, BOD ≤ 3 mg/L,
NH 4 –N ≤ 0.5 mg/L, TN ≤ 0.5 mg/L, and TP ≤ 0.1 mg/L), indicating
that the water is qualified as a drinking water source in China. However,
water quality at BL can only be rated as Class III (DO ≥ 5 mg/L,
BOD ≤ 4 mg/L, NH 4 –N ≤ 1 mg/L, TN ≤ 1 mg/L, and TP ≤ 0.2 mg/L)
because the TP load is high.
3.3. Seasonal variation of in-stream nutrients
To investigate the seasonal variation of in-stream nutrients,
Fig. 4 (a for LC and b for BL) shows the nine-year average loads
(including NH 4 –N, NO 3 –N, and min-P) for each calendar month,
which were computed by aggregating monthly time series simulation
data. From the figure, the higher level of NH 4 –N concentration
occurs in the dry season (October–March next year) and the lower
level occurs in the wet season (April–September). NH 4 –N was
mainly from the relatively constant industrial and municipal PS pollution
loads. As a result, the highest NH 4 –N concentration appeared
in January (about 0.18 mg/L for LC and 0.21 mg/L for BL) due to low
streamflow and the lowest NH 4 –N concentration (about 0.12 mg/L
for LC and 0.08 mg/L) occurred in August due to high streamflow
(Fig. 4c). Comparison of Fig. 4a and b reveals that the NH 4 –N concentration
upstream (LC) during part of the wet season (i.e., June
through September) is greater than downstream (BL), and the seasonal
variation at LC is less than that at BL. Conclusively, the dry
season is the critical period for PS NH 4 –N pollution.
For NO 3 –N concentration at LC and BL (see Fig. 4a and b), the
highest value appeared in April and the second highest in August,
whereas the low values occurred in June, July, and during the
dry season. NO 3 –N load is mainly from NPS pollution (especially
due to fertilization on croplands). The practices of planting and
Fig. 4. Monthly annual average NH 4–N, NO 3–N, and min-P concentrations at LC (a)
and BL (b), and the basin monthly average precipitation and water yield close to
streamflow (c).
base fertilization (accounting for half of the total amount of fertilizer
for a crop cycle season) were implemented for the first
season and the second season crops in April and August in the
East River Basin, respectively. This two-season crop cycle is one
reason that the two peak values of NO 3 –N occur in these two

300 Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304
Fig. 5. Spatial distribution of annual average nutrient loads on the Hydrological Response Unit (HRU) level.
months. Another reason can be the rinsing effect of rainfall at
the beginning of the wet season, which transports NO 3 –N within
the soil by overland flow and subsurface lateral flow as precipitation
gradually increases during March through April (Wu and
Chen, 2013a). Apart from the above two reasons, the less streamflow
in April compared to August (see Fig. 4c), can explain why
the NO 3 –N concentration is greater in April than in August. Therefore,
the time period from the ending of the dry season (March)
to the beginning of the wet season (April) (see Fig. 4c) is critical
for managing NPS NO 3 –N pollution, resulting from the planting,
fertilization, and the rapid increase of overland flow and lateral
flow.
Compared to min-N, the PS pollution may contribute more
to min-P load because of the low P content in fertilizer and low
mobility of soluble P in soil. Moreover, the active and stable mineral
P can only be transported by surface runoff when attaching to
sediments (Neitsch et al., 2005). This can explain why the high
level of min-P concentration occurred in the dry season (especially
January) with low streamflow and the low level of min-P concentration
occurred in the wet season (especially September) with
high streamflow (see Fig. 4a–c). In other words, the variation of
min-P concentration was mainly influenced by streamflow. Fig. 4a
and b indicates a slight increase of min-P in April and August,
which is the result from the base fertilization that occurs in these
two months. Therefore, it can be inferred that the combination of
PS and NPS pollution resulted in the seasonal variation of min-P
concentration in the stream water, and the dry season is the critical
period for managing PS pollution.

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304 301
Fig. 6. Spatial distribution of annual average nutrient loads on the subbasin level.
Conclusively, Fig. 4 reveals that the water pollution in terms of
NH 4 –N, NO 3 –N, and min-P is greater in the late dry season and early
wet season (December to April).
3.4. Identification of critical NPS pollution areas
To identify the critical NPS nutrient loading areas in the basin,
Fig. 5 shows the simulated annual average NPS pollution nutrient
loads (i.e., NO 3 –N, org-N, min-P, and org-P) at the HRU level. The
NO 3 –N load can reach as high as 18 kg/ha/yr in the middle and
downstream agricultural lands, whereas org-N load can reach as
high as 133 kg/ha/yr for the largest org-N load in the same areas.
Similarly, the annual P load from agricultural lands shows the highest
loading level (about 3.2 kg/ha/yr of min-P and 20 kg/ha/yr of
org-P).
In addition, the annual average NPS nutrient loads at the subbasin
level are presented in Fig. 6. We found that subbasins 15, 17,
20, and 23 had the highest level of NO 3 –N load (>8.4 kg/ha/yr) due
to the high percentage of agricultural land in those areas. The highest
levels of org-N (>50 kg/ha/yr), min-P (>1.7 kg/ha/yr), and org-P
(>7.6 kg/ha/yr) loads were found in these four subbasins as well as
in subbasin 35.
To further investigate the relationship between nutrient loads
and land use, Fig. 7 shows the nutrient loads based on the three

302 Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304
4. Discussion
4.1. Water quality evaluation
Fig. 7. Land use-based nutrient loads due to NPS pollution.
major land uses (agriculture, pasture/range, and forest). From
this figure, the agricultural areas contributed the highest nutrient
loads including NO 3 –N (8.2 kg/ha/yr), org-N (89.2 kg/ha/yr), min-
P (2.5 kg/ha/yr), and org-P (13 kg/ha/yr), whereas the lowest loads
were from the forest areas except for the lowest NO 3 –N load which
was from the range/pasture areas. This phenomenon—NO 3 –N load
from forest areas was higher than grasslands—may be due to the
large residue amount left on the ground and the resulting high
decomposition rate in forest areas. Apparently, NPS pollution is
closely linked to land use activities that determine the sources
and magnitudes of pollutant loadings to stream water. Therefore,
effective control and management of farming practices (i.e., best
management practices (BMPs)) would help reduce nutrient loads.
3.5. Contributions of PS and NPS pollution
Because both PS and NPS pollutions contribute to the chemical
loads at the outlet of the East River Basin (i.e., loading to the Pearl
River delta), we designed two scenarios (Scenario A: NPS only, and
Scenario B: both PS and NPS) to investigate their respective contributions
to the nutrient loads. It is noted that the municipal PS
loads, as shown in Table 3, were estimated amounts due to the
lack of available observations. For the industrial PS load, the data
were relatively more reliable for 1992 only (see Section 2.4.2 for
details). However, a single year (1992) model simulation may not
be sufficient to represent the real situation when considering climate
variability. Therefore, we analyzed the above two scenarios
using a three year (1991–1993) period as a trade-off for the accuracy
of industrial PS data and long-term simulation. Table 6 shows
the three-year average nutrient loads at BL for these two scenarios.
The data in Table 6 clearly indicates that NPS pollution played
a significant role (94–99%) in contributing to loads of min-N, org-
N, and org-P; for min-P load, PS and NPS contributed equally. As
a result, NPS contributed 93.2 × 10 3 t/yr for TN and 9.8 × 10 3 t/yr
for TP, accounting for 97% and 94% of the total loads of TN and TP,
respectively.
Table 6
Annual average nutrient loads at the basin outlet (BL) under two scenarios (with
and without point source pollution loads).
Scenario Description min-N min-P org-N org-P TN TP
A NPS only (10 3 t/yr) 27.4 0.35 65.7 9.4 93.2 9.8
B PS and NPS (10 3 t/yr) 29.2 0.70 66.7 9.7 95.9 10.4
A/B Percentage of NPS (%) 94 50 99 97 97 94
The use of WQI allows one to categorize water quality as ‘good’
or ‘poor’ by converting the diverse physico-chemical and biological
variables into a single number in a simple, objective, and reproducible
manner (House and Newsome, 1989). With such a number,
we can classify and compare the water quality situations among different
places or along different time lines for a specific place. The
method of linking the WQI with watershed modeling, as shown
in our case study (see Section 3.2), is encouraging because this
approach can present both a spatially and temporally explicit evaluation
of water quality for a given watershed. For example, the
upstream cross section, LC, with a WQI of 89 had better water
quality than the downstream cross section, BL, with a WQI of 80.
Using hydrological simulation results, a time-series of WQI for each
cross section from the headwater to the estuary of a river can be
derived. Therefore, this approach can be a useful and informative
tool for watershed managers and support water qulaity comparisons
between different regions (such as Hong Kong and Taiwan or
another region).
It is worth noting that one problem with WQI is that it synthesizes
into a single number, a complex reality where numerous
environmental variables have influence on water quality. Another
problem is that classification (‘good’ to ‘poor’) of water quality
depends on its applications (purposes) such as industrial uses or
drinking water supplies (Simoes et al., 2008). The first problem
involves how many variables and how much each variable weighs
during the WQI calculations, and the second problem refers to who
or what may use the water. As shown in our case study, we used
eight key variables with a range of weighting factors from 0.07 to
0.2 (see Table 1) after considering Liou’s et al. (2004) recommendations,
which are intended for general purposes in a nearby region
(Taiwan). Apparently, the WQI calculation with certain variables
and weighting factors (i.e., the first problem) should be dependent
on the water application purposes (i.e., the second problem).
Therefore, the application of WQI for water quality classification
and comparison need to be conducted under the same conditions.
Consequently, how to derive the reasonable and specific requirements
corresponding to each application purpose needs further
development and studies.
4.2. Water pollution features
Analyzing the seasonal variation of nutrient loads (see Section
3.3) of the East River indicates that the dry season is the
critical period for PS NH 4 –N and min-P pollution due to the relatively
lower streamflow, while from the end of the dry season
to the beginning of the wet season is the critical period for NPS
NO 3 –N pollution because of the agricultural practices and rinsing
effect of overland and lateral flows. Further investigation of
spatially explicit nutrient loads, together with the analysis of land
use-based nutrient loads, can help identify critical pollution source
areas and land covers where low-cost conservation programs (i.e.,
filter strip) can be implemented to reduce pollutant loadings effectively
(see Section 3.3). Furthermore, the dominant contribution
by NPS pollution implies that using BMPs in the critical pollution
source areas identified previously would be promising. However, PS
pollution loads cannot be ignored either, considering PS pollution
would likely increase accompanying local economic and population
growths. Thus, effective management and treatment of industrial
and municipal wastewater is another important approach to avoid
deterioration of water quality. Although these findings and implications
are derived from our studies on a local river, both methods

Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304 303
and results can be informative and useful for nearby regions and
other researchers around the world.
4.3. Limitations
There may be some limitations when interpreting some of our
results because of the data availability problem. First, the data
about municipal sewage quantity and quality was estimated by
multiplying the suggested values by populations in Section 2.4. We
acknowledged the data derived are somewhat rough and may bring
some uncertainties to the results about the contribution of PS pollution
in Section 3.5. However, estimating the data was the only
feasible approach to take, and one which has been documented and
widely applied for designing wastewater treatment plants in China.
Second, the observation data for the six water quality variables (i.e.,
NH 4 –N, NO 2 –N, NO 3 –N, BOD, DO, and TP) are scarce, and this may
impede deriving the optimal parameters in Section 3.1. However, a
visual comparison of monthly simulated and observed water quality
variables (see Fig. 2) supported that the model simulation fell
within a reasonable range. Third, the observation of org-N is not
available, although we used this variable in calculating the WQI in
Section 3.2. Thus, the assumption of reasonable estimation of org-N
may lead to some uncertainties in the comprehensive water quality
evaluation. Fortunately, such uncertainty would not be substantial
because of the low weighting factor of org-N (i.e., 10% as shown in
Table 1). Fourth, we used four variables, min-N, min-P, org-N, and
org-P, in identifying the critical pollutant source areas (see Fig. 5
and Fig. 6), respectively, in Section 3.4 and investigating the contributions
of PS and NPS pollution in Section 3.5. However, the last two
variables were not validated due to the lack of observations. Nevertheless,
our analyses can be justified because the original model
design of SWAT was to operate in large-scale ungagged basins with
little or no calibration efforts (Arnold et al., 1998; Srinivasan et al.,
2010). Therefore, the actual values and the marked critical source
areas based on org-N and org-P may, at worst, serve as a reference
for other researchers and call for further validation. Finally,
conducting research in data-scarce areas can be challenging, and
scientists may need to work with whatever data can be obtained.
Although the SWAT model may support its application in these
kinds of areas, limitations and uncertainties should be stated with
their results to avoid over-interpretations.
5. Conclusions
Based on our previous studies on streamflow and sediment
modeling using SWAT, we further investigated the water quality
with detailed PS and NPS pollution in the East River Basin.
To evaluate the water quality status of the river mainstem, we
used a comprehensive Water Quality Index (WQI) involving eight
water quality variables at two major cross sections (LC for representing
the upstream area and BL for the downstream area). The
investigation of the temporal distribution (seasonal variation) of
water quality disclosed that there are high levels of nutrient loads
in the late dry season and early wet season (i.e., from March to
April). We further presented the spatial distribution maps for the
NPS nutrient loads and the land use-based nutrient loadings to
identify the critical pollution source areas and land covers where
more attention and measures may be considered because of their
cost-effectiveness. Finally, we also examined the PS and NPS contributions
to nutrient loads and found NPS pollution contributed
substantially to min-N, org-N, and org-P, whereas contributions
to min-P from the PS and NPS pollution loads are nearly equal.
Overall, our findings can provide valuable information for the local
decision-makers to identify the causes of water pollution, which
would be useful for protecting the water environment. In addition,
the methods we adopted can be useful for other researchers around
the world.
Acknowledgments
This study was supported by Hong Kong RGC GRF projects
HKU 711008E and HKU710910E. Part of this work was performed
under the USGS contract G08PC91508. Any use of trade, firm,
or product names is for descriptive purposes only and does not
imply endorsement by the U.S. Government. We thank Dongsheng
Cheng for collecting/sharing the limited observation data. We thank
Naga Manohar Velpuri (Arctic Slope Research Corporation (ASRC)
Research and Technology Solutions, a contractor to USGS EROS) for
his comments on the early draft. We are grateful to Sandra Cooper
(USGS) for her careful reviews and editing. We also thank the editor
and the two anonymous reviewers for their constructive comments
and suggestions.
Appendix A.
According to Stambuk-Gilijanovic (2003) and Liou et al. (2004),
Fig. A.1 indicates the water quality score for the eight water quality
variables including mineral nitrogen (min-N), organic nitrogen
(org-N), mineral phosphorus (min-P), biological oxygen demand
(BOD), dissolved oxygen (DO), suspended sediment (SS), temperature
(T), and PH.
Score value
Score value
Score value
Score value
100
80
60
40
20
0
0 0.2 0.4 0.6 0.8 1 1.2
min-N (mg/L)
100
80
60
40
20
0
0 0.3 0.6 0.9 1.2
min-P (mg/L)
100
80
60
40
20
0
0 2 4 6 8
DO (mg/L)
100
80
60
40
20
(a)
(c)
(e)
(g)
0
0 10 20 30 40 50
T (°C)
100
80
60
40
20
0
0 1 2 3 4
org-N (mg/L)
100
80
60
40
20
0
100
80
60
40
20
0
100
80
60
40
20
0
(b)
(d)
0 4 8 12 16
BOD (mg/L)
(f)
0 40 80 120 160
SS (mg/L)
(h)
0 3 6 9 12
PH
Fig. A.1. Water quality scores for each water quality variable (after Stambuk-
Gilijanovic (2003) and Liou et al. (2004)).

304 Y. Wu, J. Chen / Ecological Indicators 32 (2013) 294–304
References
Alexander, R.B., Smith, R.A., Schwarz, G.E., Boyer, E.W., Nolan, J.V., Brakebill, J.W.,
2008. Differences in phosphorus and nitrogen delivery to the Gulf of Mexico
from the Mississippi River Basin. Environ. Sci. Technol. 42, 822–830.
Arnold, J.G., Muttiah, R.S., Srinivasan, R., Allen, P.M., 2000. Regional estimation of
base flow and groundwater recharge in the Upper Mississippi river basin. J.
Hydrol. 227, 21–40.
Arnold, J.G., Srinivasan, R., Muttiah, R.S., Williams, J.R., 1998. Large area hydrologic
modeling and assessment – part 1: model development. J. Am. Water Resour.
Assoc. 34, 73–89.
Borah, D.K., Bera, M., 2002. Watershed-Scale Hydrologic and Nonpoint-Source Pollution
Models: Review of Mathematical Bases. Illinois, Chicago, pp. 1553–1566.
Brown, L.C., Barnwell, J.T.O., 1987. The Enhanced Water Quality Models QUAL2E and
QUAL2E-UNCAS Documentation and User Manual. USEPA, Athens, GA.
Cao, W., Zhu, H., 2000. Characteristics and Control of Regional Agricultural Ecosystems
in Fujian Province. China Agriculture Press, Beijing (in Chinese).
Carpenter, S.R., Caraco, N.F., Correll, D.L., Howarth, R.W., Sharpley, A.N., Smith, V.H.,
1998. Nonpoint pollution of surface waters with phosphorus and nitrogen. Ecol.
Appl. 8, 559–568.
Chapman, D., 1996. Water quality assessments – a guide to use of biota.
In: Sediments and Water in Environmental Monitoring, second edition.
UNESCO/WHO/UNEP, University Press, Cambridge.
Chen, J., Wu, Y., 2008. Exploring hydrological process features of the East River
(Dongjiang) basin in South China using VIC and SWAT. IAHS-AISH Publication
319, 116–123.
Chen, J., Wu, Y., 2012. Advancing representation of hydrologic processes in the Soil
and Water Assessment Tool (SWAT) through integration of the TOPographic
MODEL (TOPMODEL) features. J. Hydrol. 420–421, 319–328.
Darradi, Y., Saur, E., Laplana, R., Lescot, J.M., Kuentz, V., Meyer, B.C., 2012. Optimizing
the environmental performance of agricultural activities: A case study in La
Boulouze watershed. Ecol. Indicators 22, 27–37.
Douglas-Mankin, K.R., Srinivasan, R., Arnold, J.G., 2010. Soil and Water Assessment
Tool (SWAT) Model: Current Developments and Applications. Trans. ASABE 53,
1423–1431.
EPAC, 2002. China’s Environmental Water Quality Standards for Surface Water
(GB3838-2002). Environmental Protection Agency of China, Beijing.
Ficklin, D.L., Luo, Y.Z., Luedeling, E., Gatzke, S.E., Zhang, M.H., 2010. Sensitivity of
agricultural runoff loads to rising levels of CO 2 and climate change in the San
Joaquin Valley watershed of California. Environ. Pollut. 158, 223–234.
Flügel, W.A., 1996. Hydrological response units (HRU’s) as modelling entities for
hydrological river basin simulation and their methodological potential for modelling
complex environmental process systems. ERDE 127, 43–62.
Flügel, W.A., 1997. Combining GIS with regional hydrological modelling using
hydrological response units (HRUs): An application from Germany. Math. Comput.
Simul. 43, 305–312.
Gassman, P.W., Reyes, M.R., Green, C.H., Arnold, J.G., 2007. The soil and water assessment
tool: historical development, applications, and future research directions.
Trans. ASABE 50, 1211–1250.
GEPMC, 1991–1999. Year Book of Guangdong Provincial Environmental Monitoring.
Guangdong Environmental Protection and Monitoring Center, Guangzhou.
GEPMC, 1992. Year Book of Guangdong Provincial Environmental Monitoring.
Guangdong Environmental Protection and Monitoring Center, Guangzhou.
GLRO, GDPC, 2003. Guangdong Map. Guangdong Land Resources Office, Guangdong
Development and Planning Committee, Guangzhou, Guangdong (in Chinese).
Green, C.H., van Griensven, A., 2008. Autocalibration in hydrologic modeling: using
SWAT2005 in small-scale watersheds. Environ. Model. Softw. 23, 422–434.
Guangdong Soil Survey Office (GSSO), 1993. Guangdong Soil. Science Press, Beijing.
Hao, F.H., Zhang, X.S., Yang, Z.F., 2004. A distributed non-point source pollution
model: calibration and validation in the Yellow River basin. J. Environ. Sci.
(China) 16, 646–650.
House, M.A., Newsome, D.H., 1989. Water quality indices for the management of
surface water quality. Water Sci. Technol. 21, 1137–1148.
Jarvis, A., Reuter, H.I., Nelson, A., Guevara, E., 2006. Hole-filled seamless SRTM
data V3. International Centre for Tropical Agriculture (CIAT) (available from
http://srtm.csi.cgiar.org).
Jiang, T., Chen, Y.Q.D., Xu, C.Y.Y., Chen, X.H., Chen, X., Singh, V.P., 2007. Comparison
of hydrological impacts of climate change simulated by six hydrological models
in the Dongjiang Basin, South China. J. Hydrol. 336, 316–333.
Liang, Y. (Ed.), 1999. Guangdong Crop Irrigation Estimation. Pearl River Water
Resources Committee Printing.
Liou, S.M., Lo, S.L., Wang, S.H., 2004. A generalized water quality index for Taiwan.
Environ. Monit. Assess. 96, 35–52.
Liu, H.C., Zhang, L.P., Zhang, Y.Z., Hong, H.S., Deng, H.B., 2008. Validation of an agricultural
non-point source (AGNPS) pollution model for a catchment in the Jiulong
River watershed, China. J. Environ. Sci. (China) 20, 599–606.
Luo, Y.Z., Zhang, X.Y., Liu, X.M., Ficklin, D., Zhanga, M.H., 2008. Dynamic modeling
of organophosphate pesticide load in surface water in the northern San Joaquin
Valley watershed of California. Environ. Pollut. 156, 1171–1181.
Nasr, A., Bruen, M., Jordan, P., Moles, R., Kiely, G., Byrne, P., 2007. A comparison of
SWAT HSPF and SHETRAN/GOPC for modelling phosphorus export from three
catchments in Ireland. Water Res. 41, 1065–1073.
Neitsch, S.L., Arnold, J.G., Kiniry, J.R., Williams, J.R., King, K.W., 2005. Soil and Water
Assessment Tool Theoretical Documentation. Grassland, Soil and Research Service,
Temple, TX.
Nikolaidis, N.P., Heng, H., Semagin, R., Clausen, J.C., 1998. Non-Linear Response of
a Mixed Land Use Watershed to Nitrogen Loading. Elsevier Science BV, Arona,
Italy251–265.
Niu, J., Chen, J., 2010. Terrestrial hydrological features of the Pearl River basin in
South China. J. Hydro-Environ. Res. 4, 279–288.
Nixon, S.W., Granger, S.L., Nowicki, B.L., 1995. An assessment of the annual mass balance
of carbon, nitrogen, and phosphorus in Narragansett Bay. Biogeochemistry
31, 15–61.
Ongley, E.D., Zhang, X., Yu, T., 2010. Current status of agricultural and rural non-point
source Pollution assessment in China. Environ. Pollut. 158, 1159–1168.
Panagopoulos, Y., Makropoulos, C., Baltas, E., Mimikou, M., 2011. SWAT parameterization
for the identification of critical diffuse pollution source areas under data
limitations. Ecol. Model. 222, 3500–3512.
Panagopoulos, Y., Makropoulos, C., Mimikou, M., 2012. Decision support for diffuse
pollution management. Environ. Model. Softw. 30, 57–70.
POCNSD, 1996. National Census for Counties and Cities (Census Data in 1990). Population
and Occupation Center of National Statistics Department, p. 8471 (in
Chinese).
PRWRC, 1987. Year Book of the Hydrological Measurements of the East River, vol. 8.
Guangdong Water Resources and Electricity Press.
Rabalais, N.N., Turner, R.E., Scavia, D., 2002. Beyond science into policy: Gulf of
Mexico hypoxia and the Mississippi River. Bioscience 52, 129–142.
Santhi, C., Arnold, J.G., Williams, J.R., Dugas, W.A., Srinivasan, R., Hauck, L.M., 2001.
Validation of the SWAT model on a large river basin with point and nonpoint
sources. J. Am. Water Resour. Assoc. 37, 1169–1188.
Schoch, A.L., Schilling, K.E., Chan, K.S., 2009. Time-series modeling of reservoir
effects on river nitrate concentrations. Adv. Water Resour. 32, 1197–1205.
SCO, PSSCNSD, 2003. National Census for Counties and Cities (Census Data in 2000).
State Census Office, Population and Society Statistics Center of National Statistics
Department, Beijing, p. 947 (in Chinese).
Simoes FdS, Moreira, A.B., Bisinoti, M.C., Gimenez, S.M.N., Santos Yabe, M.J., 2008.
Water quality index as a simple indicator of aquaculture effects on aquatic
bodies. Ecol. Indicators 8, 476–484.
Srinivasan, R., Zhang, X., Arnold, J., 2010. SWAT ungauged: Hydrological budget
and crop yield predictions in the Upper Mississippi River Basi. Trans. ASABE 53,
1533–1546.
Stambuk-Gilijanovic, N., 2003. Comparison of dalmatian water evaluation indices.
Water Environ. Res. 75, 388–405.
Tang, J.L., McDonald, S., Peng, X.H., Samadder, S.R., Murphy, T.M., Holden, N.M., 2011.
Modelling Cryptosporidium oocysts transport in small ungauged agricultural
catchments. Water Res. 45, 3665–3680.
Vitousek, P.M., Aber, J.D., Howarth, R.W., Likens, G.E., Matson, P.A., Schindler, D.W.,
et al., 1997. Human alteration of the global nitrogen cycle: sources and consequences.
Ecol. Appl. 7, 737–750.
Wilson, C.O., Weng, Q., 2011. Simulating the impacts of future land use and climate
changes on surface water quality in the Des Plaines River watershed, Chicago
Metropolitan Statistical Area, Illinois. Sci. Total Environ. 409, 4387–4405.
Wu, Y., Chen, J., 2012. Modeling of soil erosion and sediment transport in the East
River Basin in southern China. Sci. Total Environ. 441, 159–168.
Wu, Y., Chen, J., 2013. Analyzing the water budget and hydrological characteristics
and responses to land use in a monsoonal climate river basin in South China.
Environ. Manag., in press.
Wu, Y., Chen, J., 2013b. Estimating irrigation water demand using an improved
method and optimizing reservoir operation for water supply and hydropower
generation: a case study of the Xinfengjiang reservoir in southern China. Agric.
Water Manag. 116, 110–121.
Wu, Y., Liu, S., 2012a. Impacts of biofuels production alternatives on water quantity
and quality in the Iowa River Basin. Biomass Bioenergy 36, 182–191.
Wu, Y., Liu, S., 2012b. Modeling of land use and reservoir effects on nonpoint source
pollution in the Iowa River Basin. J. Environ. Monit. 14, 2350–2361.
Wu, Y., Liu, S., Abdul-Aziz, O.I., 2012a. Hydrological effects of the increased CO 2 and
climate change in the Upper Mississippi River Basin using a modified SWAT.
Climatic Change 110, 977–1003.
Wu, Y., Liu, S., Chen, J., 2012b. Urbanization eases water crisis in China. Environ.
Dev. 2, 141–144.
Wu, Y., Liu, S., Li, Z., 2012c. Identifying potential areas for biofuel production and
evaluating the environmental effects: a case study of the James River Basin in
the Midwestern United States. Global Change Biol. Bioenergy 4, 875–888.
Xiao, J., 2002. Sewage Water Treatment and Reuse Technology. Beijing, Chemical
Industrial Press.
Zhang, J.J., Jorgensen, S.E., 2005. Modelling of point and non-point nutrient loadings
from a watershed. Environ. Model. Softw. 20, 561–574.
Zhang, X., Izaurralde, R.C., Arnold, J.G., Sammons, N.B., Manowitz, D.H., Thomson,
A.M., et al., 2011. Comment on modeling miscanthus in the soil and water
assessment tool (SWAT) to simulate its water quality effects as a bioenergy crop.
Environ. Sci. Technol. 45, 6211–6212.
Zhang, X., Liu, X., Luo, Y., Zhang, M., 2008. Evaluation of water quality in an agricultural
watershed as affected by almond pest management practices. Water Res.
42, 3685–3696.
Zhang, X.Y., Zhang, M.H., 2011. Modeling effectiveness of agricultural BMPs to
reduce sediment load and organophosphate pesticides in surface runoff. Sci.
Total Environ. 409, 1949–1958.
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. Ecol. Indicators 23, 166–175.