基于SWAT模型的浑太河流域非点源氮磷污染负荷分布模拟研究

SWAT-Based Modeling of Spatiotemporal Variations in Non-Point Source Nitrogen and Phosphorus Loads in the Huntai River Basin

摘要: 非点源与城市污水排放的复合输入显著加剧流域富营养化风险。以浑太河流域为例，应用SWAT模型模拟分析流域非点源氮磷污染的时空分布特征。研究结果表明：(1) SWAT模型在率定期、验证期的R²、E_ns均大于0.7，说明模型在研究区具有较高适用性；(2) 时间分布：2010~2022年间TN和TP总体负荷呈下降趋势，年内变化表现为“汛期高、非汛期低”的特征。(3) 空间分布：TN和TP的高值区主要分布在上中游及库区周边，下游地区负荷相对较低。进一步分析表明，土地利用变化对氮磷输出具有显著影响：耕地和建设用地是流域氮磷输出的主要“源区”，而林地、草地与水域则发挥“汇区”功能，有效削减非点源污染。本研究揭示了浑太河流域非点源氮、磷污染的时空格局及其驱动机制，可为流域水环境管理提供科学依据。

Abstract: The combined input of non-point sources and urban sewage discharge significantly exacerbates the risk of eutrophication in river basins. Taking the Huntai River Basin as an example, the SWAT model was applied to simulate and analyze the temporal and spatial distribution characteristics of non-point source nitrogen and phosphorus pollution in the basin. The research results indicate that: (1) The R² and Ens values of the SWAT model during the calibration and validation periods are both greater than 0.7, suggesting that the model has high applicability in the study area. (2) Temporal distribution: From 2010 to 2022, the overall loads of total nitrogen (TN) and total phosphorus (TP) showed a downward trend, and the intra-annual variation was characterized by “high during the flood season and low during the non-flood season”. (3) Spatial distribution: The high-value areas of TN and TP are mainly distributed in the upper and middle reaches and around the reservoir area, while the loads in the downstream area are relatively low. Further analysis shows that land-use changes have a significant impact on nitrogen and phosphorus output: cultivated land and construction land are the main “source areas” of nitrogen and phosphorus output in the basin, while forest land, grassland, and water areas function as “sink areas”, effectively reducing non-point source pollution. This study reveals the temporal and spatial patterns and driving mechanisms of non-point source nitrogen and phosphorus pollution in the Huntai River Basin, providing a scientific basis for water environment management in the basin.

1. 引言

在全球气候变化和人类活动增强的背景下，非点源污染(NPS)已成为农业和城市化地区水体污染的主要来源之一，也是流域水环境治理的核心难题。我国作为世界第二大农业生产国，农业面源污染问题尤为突出。大量氮、磷等营养物质流入地表水体，导致富营养化、水华频发、水质退化等环境问题[1]。全国第二次污染源普查数据显示，农业源氮、磷排放分别占全国总量的45%以上[2]，表明农业活动已成为水环境安全的重要威胁。

非点源污染的本质是污染物在降雨或融雪过程中随地表径流或壤中流迁移，从分散、非固定的源头进入河流、湖泊、水库等水体，具有源头广泛、传输路径复杂以及显著的时空异质性等特征[3] [4]。按污染源属性可分为城市型与农村型，其中农村面源污染问题更为复杂，主要来源包括农业生产、化肥与农药施用、畜禽养殖排泄物以及农村生活污水等。与工业点源污染相比，非点源污染更难以监测与量化，传统的水体治理手段难以实现有效控制，这也使得准确识别污染负荷的时空分布格局成为流域管理与治理的前提[5]。

目前，非点源污染负荷估算方法主要包括输出系数法、经验模型法与物理模型法。其中，物理过程模型因能够较为精确地描述水文循环、泥沙输移及污染物迁移转化过程，已成为主流研究手段[6]。在众多物理模型中，SWAT (Soil and Water Assessment Tool)、HSPF (Hydrological Simulation Program-Fortran)、SWMM (Storm Water Management Model)等被广泛应用于流域水文与水质模拟。已有大量研究表明，SWAT模型凭借其对流域复杂下垫面和长期时序数据的适应性，在非点源污染研究中具有较高可靠性和普适性。Romagnoli等[7]在阿根廷Carcarañá河流域利用SWAT模型识别了氮磷污染的关键贡献区；Busteed等[8]在美国Wister湖流域确定了农业活动对非点源污染的主导作用；Huang等[9]则指出，城市扩张与农业集约化显著加剧TN与TP的输出，而实施生态恢复措施能够有效削减污染负荷；Li等[10]基于气候情景与社会经济情景预测山东省2030年的非点源污染空间格局，拓展了模型在未来情景模拟中的应用潜力。

浑太河流域作为辽河流域的重要子区域，在我国粮食主产区和生态屏障建设中占据关键地位。近年来，伴随着农业经营方式向集约化转型以及城市化进程的迅速推进，区域内氮、磷等非点源污染问题日趋严峻，已对水资源安全与生态系统稳定性构成显著威胁。尽管如此，当前针对该流域非点源污染的系统性研究仍较为有限，尤其是在基于物理机制的定量模拟与空间格局分析方面存在明显不足。基于此，本文采用SWAT模型，融合历史土地利用数据与水文气象信息，对浑太河流域非点源氮磷负荷的时空演变特征进行模拟研究，旨在揭示其分布规律与影响机制，为区域水环境管理和土地利用格局优化提供科学支撑与决策参考。

2. 研究区概况与数据来源

2.1. 研究区概况

辽河流域的浑太河发源于辽宁省东北部山地，由浑河与太子河在三岔河区域汇合，汇流后称为大辽河，最终注入渤海。该流域地理位置大致介于北纬40˚至42˚、东经122˚至124˚之间，属于典型的温带季风气候区，年降水主要集中在6月至9月，年际波动显著，且季节分布极不均衡。从地貌特征来看，浑太河流域整体呈现由东向西地势递减的格局，东部多为高山和丘陵，地形起伏较大，西部逐渐过渡为低缓的平原地区(见图1)。土壤方面，该区域主要分布着简育高活性淋溶土和简育黑土，具有土层深厚、透水性良好的特点，利于植被生长和农业发展。流域内植被种类丰富，主要为温带落叶阔叶林和针叶林混交的天然植被。在土地利用方面，流域上游多为森林和草地资源，中游区域则以耕地为主，农业活动较为集中；而下游地区则呈现出城市化程度高、工业分布密集的特征。

注：该图基于自然资源部标准底图服务网站下载的审图号为GS(2019)3266号的标准地图制作，底图无修改。

Figure 1. Overview map of the study area

图1. 研究区概况图

2.2. 数据来源

本研究的数据包括土地利用数据、自然条件基础数据、水文水质数据以及PLUS模型驱动因素数据。土地利用数据来源于2000~2023年中国年度土地覆盖数据集(China Land Cover Dataset, CLCD)分辨率为30 m，包含九种土地利用类型：耕地、林地、灌木地、草地、水域、冰雪、裸地、建设用地和湿地(图2)。自然条件数据包括地形数据、土壤数据、气象数据。高程和坡度来自于空间分辨率为30米的ASTER GDEM卫星的数字高程模型；土壤数据来源于世界土壤数据库(HWSD)，分辨率为1 km (图3)；气象数据(降水、气温、太阳辐射、风速、相对湿度)来自SWAT模型中国大气同化驱动数据集(CAMDS)；水文数据(逐日径流量；输沙量)来自于《中华人民共和国水文年鉴》第二卷，农业管理数据参考辽宁省统计年鉴。

Figure 2. Distribution of soil types in Huntai River

图2. 浑太河土壤类型分布

Figure 3. Distribution of land use types in Huntai River

图3. 浑太河土地利用类型分布

3. 研究方法

3.1. SWAT模型

SWAT模型(Soil and Water Assessment Tool)由美国农业部农业研究局(USDA-ARS)开发，是一种基于物理过程的流域尺度非点源污染模拟模型，广泛应用于水文过程、泥沙输移及非点源污染负荷的模拟与评估[11]。SWAT模型依据地形和河流网络将流域划分为若干个子流域，进一步基于土地利用类型、土壤类型和坡度特征细分为水文响应单元(Hydrologic Response Unit, HRU)，从而提升对流域内空间异质性的描述能力。氮磷循环是SWAT模型进行非点源污染模拟的核心环节，涵盖氮、磷的输入、转化、存储与输出等多个过程。氮的输出主要通过地表径流、壤中流与地下水迁移及植物吸收三条途径实现；磷的输出则主要依赖地表径流与泥沙吸附两种方式进入水体。总氮(Total Nitrogen, TN)和总磷(Total Phosphorus, TP)负荷的计算公式为：

$TN=N_{surf}+N_{lat}+N_{gw}$ (1)

$TP=P_{surf}+P_{sed}$ (2)

式中，$\text{TN}$ 为总氮含量，$N_{surf}$ 为地表径流中的氮，$N_{lat}$ 为壤中流的氮，$N_{gw}$ 为地下水中的氮。$\text{TP}$ 为总磷含量，$P_{surf}$ 为地表径流的磷含量，$P_{sed}$ 为泥沙吸附的磷含量。

3.2. SWAT模型构建

模型建立以及运行时间设置为2008~2022年，一共15年数据，以月尺度进行，在SWAT模型中设置2008~2010年为预热期，径流和泥沙的率定期为2010年1月1日~2013年12月31日，验证期为2014年1月1日~2022年12月31日。总流域面积为2.593 × 10⁴ km²，划分子流域183个。SWAT模型中的最小水文响应单元(HRU)的划分会极大的影响流域内径流、含沙量以及氮磷负荷的模拟。在本研究中为确保模型输出结果的精确度，并确保每个流域都有相对合理的HRU，将土地利用、土壤类型和坡度的阈值设定为10%，最终划分出2158个最小水文响应单位(HRU)。

3.3. 污染源数据输入

3.3.1. 点源污染

浑太河流域内工业点源与污水处理厂分布广泛。为在模型中准确反映其空间影响，本研究根据各排放源在流域内的实际地理位置，将其分别归并至对应的子流域进行污染负荷加总。基于2008~2022年环境监测与统计资料，整理得到各子流域内点源的日均污染物排放总量，并以此为基准构建SWAT模型点源输入文件，实现点源污染负荷在时间和空间维度上的准确定量输入。

3.3.2. 非点源污染

非点源污染主要来源于农业化肥施用、农村生活污水、畜禽养殖及城市地表径流等。在SWAT模型中，其通过水文响应单元(HRU)实现空间分配与过程模拟。农业管理数据(如施肥量、作物类型)基于《辽宁省统计年鉴》，经降尺度后分配至HRUs。

浑太河流域耕地以旱田与水田为主，旱田主要种植春玉米，水田以单季水稻为主。具体施肥制度如下：(1) 玉米：纯氮70 kg/ha、纯磷22.5 kg/ha、尿素100 kg/ha；(2) 水稻：纯氮70 kg/ha、纯磷35 kg/ha、尿素100 kg/ha。其他非点源污染负荷依据土地利用类型、农村人口密度和畜禽分布等空间代理指标估算，并以分布式方式参与流域水文与水质过程的耦合模拟。

3.4. 模型率定以及验证

本研究率定以及验证采用校准与不确定性程序(SWAT-CUP)中的序列不确定性拟合算法(SUFI-2)对SWAT模型进行校准和验证。SUFI-2算法是一种基于反向建模的优化方法，被广泛应用于水文模型的参数优化与不确定性分析。其基本原理是通过定义一个较大的初始参数范围，利用多次迭代运行模型，将模拟结果与观测数据进行对比，并根据误差逐步调整参数范围，使其逐渐收敛于一个合理的范围内。最终，SUFI-2算法通过对参数范围的收敛性和模拟结果的不确定性范围进行综合评估，确定模型的最优参数设置及不确定性范围。该方法能够有效结合参数校准与不确定性分析，尤其适用于复杂流域条件下的模型校准需求。

本研究采用SWAT-CUP中的序列不确定性拟合算法(SUFI-2)对SWAT模型进行校准和验证。在模型率定与验证过程中，为了评估模型模拟结果的准确性与可靠性，采用了确定性系数(R²)和Nash-Sutcliffe (E_ns)来两项常用统计指标，其计算方法：

$R^2=1-\frac{{{\displaystyle \sum }}_{i=1}^N{\left(M_i-S_i\right)}^2}{{{\displaystyle \sum }}_{i=1}^N{\left(M_i-\overline{M_i}\right)}^2{{\displaystyle \sum }}_{i=1}^N{\left(S_i-\overline{S_i}\right)}^2}$ (3)

$E_{ns}=1-\frac{\sum {\left(M_i-S_i\right)}^2}{\sum {\left(M_i-\overline{M_i}\right)}^2}$ (4)

式中，$M_i$ 和$S_i$ 分别表示观测值和模拟值；$\overline{M_i}$ 和$\overline{S_i}$ 分别表示观测值和模拟值的平均值。采用R²和E_ns效率系数来判断模拟的效果，当R² > 0.6、E_ns > 0.6认为模拟较好，贴近实测值；R² > 0.75、E_ns > 0.75认为模拟效果优秀[11] [12]。

4. 结果分析

4.1. SWAT模型参数率定与验证

研究选取了位于浑太河中游的沈阳站及下游的唐马寨站，作为流域径流与输沙过程的率定与验证站点。其中，唐马寨站所控制的汇水区域覆盖了流域的大部分面积，因此其模拟精度直接反映模型在复杂水文条件及异质下垫面背景下的适应能力。此外，牛庄站与唐马寨站均具备连续且长期的水文监测记录，能够较为系统地呈现流域的水文响应特征，为模型验证提供了坚实的数据支撑。

在SWAT-CUP平台上，首先对浑太河流域进行了参数敏感性分析，识别出11个对模拟结果具有显著影响的关键参数。在此基础上，通过多轮迭代优化过程，逐步调整这些参数的取值区间，并最终确定出一组表现最佳的参数组合，用于模型率定(见表1)。

Table 1. Sensitivity parameters and calibration range of the SWAT model in Huntai River Basin

表1. 浑太河流域SWAT模型敏感性参数以及率定范围

参数类别	参数	含义	参数范围
径流	CN2	中等湿润条件下的径流曲线数	35~98
	ALPHA_BF	基流衰减常数	0~1
	GWQMN	基流产生的最小地下水储量	0~5000
	ESCO	土壤蒸发补偿因子	0.47~1.47
	GW-DELAY	地下水滞后系数	90~400
	SLSUBBSN	平均坡长	10~150
	REVAPMN	蒸发回补的最小水位	0~500
	CANMX	冠层截留最大容量	0~100
泥沙	SPCON	泥沙输移线性浓度系数	0.0001~0.01
	SPEXP	泥沙输移方程指数	1~1.5
	CH_K2	河道渗透系数	0.01~500

如图4和图5所示，沈阳站与唐马寨站在径流模拟方面均表现出较高的一致性。在率定期内，两站点的决定系数(R²)均达到0.80，纳什效率系数(E_ns)分别为0.79和0.80；在验证期，R²分别提升至0.81和0.82，E_ns系数分别为0.80和0.85。输沙模拟方面，沈阳与唐马寨两站点在率定期的月均输沙量模拟R²分别为0.80和0.83，E_ns系数分别为0.79和0.81；在验证期，两站点的R²均为0.82，E_ns系数为0.81和0.80。

总体来看，SWAT模型在径流与输沙的模拟中与实测数据具有良好的拟合度，尤其在洪峰阶段的响应较为准确，低水期的模拟结果也具备较强的稳定性。这表明SWAT模型在沈阳与唐马寨站均表现出良好的模拟性能，说明其在浑太河流域的水文与泥沙过程模拟中具有较强的适用性和可靠性。

Figure 4. Calibration and validation results of the Huntai River runoff rate

图4. 浑太河径流率定与验证结果

Figure 5. Calibration and validation results of mud content in Huntai River

图5. 浑太河泥沙率定与验证结果

4.2. 总氮总磷的时间分布特征

(1) 年际变化

2010~2022年浑太河流年均TN、TP年负荷变化见图6。结果显示：2010~2022年，浑太河流域总氮(TN)与总磷(TP)输出量整体呈下降趋势，但两者变化幅度存在差异。TN由2010年的约2.3 × 10⁴ t降至2022年的1.5 × 10⁴ t，累计降幅达34.8%。阶段性来看，2010~2013年TN下降8.7%，变化较缓；2013~2018年降幅增至14.3%；2018~2022年下降最为显著，减少约16.7%。TP输出量则由2010年的410 t降至2022年的320 t，累计降幅22%。其中，2010~2013年下降4.9%，2013~2018年降幅10.3%，2018~2022年继续下降8.6%。总体而言，TN的减幅显著高于TP，表明氮素负荷对环境变化的响应更为敏感，而磷的削减相对滞后。

Figure 6. Annual TN and TP loads in the Huntai River Basin from 2010 to 2022

图6. 浑太河流域2010~2022年均TN、TP负荷

(2) 年内变化

2010~2022年浑太河流月均TN、TP年负荷变化见图7。结果显示：从月尺度来看，2010~2022年浑太河流域总氮(TN)与总磷(TP)输出量均表现出显著的季节性波动特征。TN输出呈现“单峰型”分布，主要集中在6~8月汛期，8月达到峰值约4.5 × 10³ t，占全年总量的40%以上；1~4月及10~12月TN输出维持在低水平，单月贡献率不足5%。TP输出的年内变化与TN基本一致，但峰值出现时间略提前，7月达到最大值约82 t，占全年总量的30%左右；1~3月与11~12月TP输出极低，接近全年“低谷期”。综合来看，TN和TP的高输出期与降水高峰高度吻合，表明径流过程对氮磷迁移具有显著驱动作用；而在枯水季，受径流量限制，TN和TP输出均保持在较低水平，贡献率有限。

Figure 7. Monthly average TN and TP loads in the Huntai River Basin

图7. 浑太河流域月均TN、TP负荷

4.3. 总氮总磷空间分布特征

基于SWAT模型多年平均模拟结果，分析了浑太河流域总氮(TN)和总磷(TP)年均输出负荷的空间分布特征(图8)。结果表明，TN输出在流域内呈现出显著的高值集聚特征，主要分布于上中游及东南部部分子流域，最大值可达861.29 t；而西南部平原区TN输出显著偏低，普遍不足60 t。TP的高值区则主要集中在流域南部及库区周边子流域，最高达106.53 t，其余区域普遍处于低水平，尤其是西北部子流域多低于10 t。总体来看，TN与TP输出均表现为“上中游及库区高、下游低”的空间格局。其中，TN高值区分布范围更广，空间分异程度更强；相比之下，TP高值区更为集中，主要受库区周边局地条件的影响。

Figure 8. Spatial distribution of total nitrogen and total phosphorus over the years

图8. 年均总氮总磷空间分布

4.4. 子流域土地利用变化对氮磷输出的影响

从水文响应单元HRU尺度上进行分析，各土地利用类型对氮磷输出贡献率如图9所示：耕地的总氮和总磷负荷分别占比约77.5%和63.2%，远高于其他类型用地，是流域内贡献率最高的用地类型；建设用地对总磷负荷的贡献率达28%，是仅次于耕地的第二大磷污染来源。林地和草地对于总氮总磷负荷贡献率为8%、7.34%、2.34%、1.07%，体现了林地和草地具有明显的削减氮磷污染能力。未利用地的贡献率非常低，浑太河流域内未利用地面积小，故氮磷产出量和贡献低。综上所述，耕地的氮磷产出量最大，其次是建设用地、林地、草地和为利用地。

Figure 9. Contribution rate of each land use type to nitrogen and phosphorus output

图9. 各土地利用类型对氮磷输出贡献率

为评估土地利用变化对氮磷输出的影响，选取年均TN、TP变化幅度较大的四个典型子流域(编号49、63、122、176)进行分析(见表2)。结果表明，2010~2022年间，各子流域土地利用格局演变显著，氮磷输出响应差异明显。在49号子流域，总氮与总磷年均输出量分别减少19.9%和10.0%。该区域耕地和建设用地面积分别下降4.4%和2.33%，林地增加1.6%，土地利用向生态用地优化，显著降低了氮磷负荷。63号子流域TN、TP输出亦下降约7.8%，得益于耕地缩减4.66%与林地扩张2.01%。122号子流域则因林地增加4.24%、耕地减少5.96%，TN和TP年均负荷分别下降10.03%与5.96%，进一步印证生态用地扩张的正面效应。相对而言，176号子流域呈反向趋势，TN和TP负荷分别上升约10%。该区域耕地扩张4.03%、林地减少4.35%，导致氮磷来源增加，成为流域污染风险加剧的典型代表。

综上，耕地压缩与林地恢复显著有助于降低氮磷非点源污染，而耕地扩张则会加剧污染风险。因此，流域管理应注重林地保护与生态空间修复，防止耕地无序扩张，以提升区域水环境质量。

Table 2. Proportion and changes in land use area of sub-basins with significant variations

表2. 变化明显的子流域土地利用类型面积占比及变化

子流域	用地类型	面积占比/%		变化量/%	子流域	用地类型	面积占比/%		变化量/%
		2010	2022				2010	2022
49号 −19.9%	耕地	51.1	46.7	4.4	63号 −7.80%	耕地	52.44	47.78	4.66
	林地	0	1.6	−1.6		林地	0.02	2.03	−2.01
	草地	0	0.06	−0.06		草地	0.01	0.94	−0.93
	水域	10.48	9.7	0.78		水域	3.24	3	0.24
	建设用地	38.41	40.74	−2.33		建设用地	44.27	46.25	−1.98
	未利用地	0	1.2	−1.2		未利用地	0.01	0	0.01
122号 −10.03%	耕地	41.6	35.64	5.96	176号 +10%	耕地	55.85	59.88	−4.03
	林地	52.83	57.07	−4.24		林地	23.75	19.4	4.35
	草地	0.19	0.23	−0.04		草地	1.03	0.89	0.14
	水域	0.33	0.95	−0.62		水域	0.47	0.25	0.22
	建设用地	5.04	5.41	−0.37		建设用地	18	18.8	−0.8
	未利用地	0.01	0.7	−0.69		未利用地	0.9	0.78	0.12

5. 讨论

5.1. 时空分布特征与土地利用对氮磷的贡献

2010~2022年，流域TN与TP输出总体下降，年内高值集中于汛期：TN于8月占比逾40%，TP于7月30%，表明降雨–径流过程控制年内波动与峰值形成。空间上，二者均呈“上中游及库区高、下游低”，TN的高值区更分散，TP高值更集中于库区周边。结合土地利用分析可知，耕地为首要来源，建设用地对TP的贡献次之；林地与草地贡献较低，体现显著的削减效应。耕地分布密集的区域往往伴随较高的氮磷输出，是驱动氮磷输出的关键用地类型。农业活动(耕作和过度施肥)增加了土壤侵蚀的风险，导致的土壤氮磷累积过多[13]；加上耕地植被覆盖率低、土壤结构疏松，在强降水或大水灌溉条件下，未被吸收的氮磷通过径流/侵蚀过程进入水体，从而增加了水体氮磷负荷风险[14] [15]。建设用地扩张会明显增加流域氮磷污染。这是因为城市普遍存在大量的不透水地面，降雨形成的径流难以入渗，转为地表径流进入河流[16]。地表径流在流经城市时，易携带大气沉降的氮化物、氨氮和生活污水等含磷污染物进入水体，尤其在降雨冲刷作用下更为显著，进而加剧了氮磷负荷的输出。在东北地区，林地草地会减少流域内年径流量[17]，这是由于林地中茂密的植被冠层能够有效截留降雨，减弱地表冲刷，从而降低氮磷随径流进入水体的强度。同时，发达的植物根系结构能改善土壤孔隙度，增强雨水下渗转化为地下水，进一步削弱地表径流生成。林地不仅通过减少土壤侵蚀来阻断污染物输出，还能直接吸收和固定氮磷，显著改善河流水质。同时，草地的有机质层和微生物群落能够通过吸附–转化过程，有效截留雨水携带的营养盐，进一步实现氮磷的显著削减。

5.2. 模型不确定性

虽然SWAT模型在浑太河流域的水文与氮磷污染负荷模拟中整体表现良好(多数站点R²与E_ns > 0.7)，但其结果仍不可避免地受到不确定性的影响，这主要源自于输入数据精度、模型结构简化和率定过程的局限。土壤数据方面，使用HWSD等分辨率较粗的数据库(如1 km²)可能无法捕捉坡耕地、河岸缓冲带等关键区域的土壤异质性，从而削弱对氮磷迁移与反应过程的模拟精度[18]。气象数据虽经过插值处理，但当站点分布不均或存在缺测时，对极端降雨或干旱事件的模拟精度仍可能较低[19]。土地利用数据多基于遥感影像分类，其时效性和分类误差也可能导致模型对污染源空间分布的识别发生偏差。此外，SWAT模型在氮、磷迁移过程中对河道沉降–再悬浮、小型水体滞留—释放等过程的描述较为简化，可能低估这些过程的调节作用[20]。率定过程中即使采用像SUFI‑2或GLUE等不确定性分析方法，也无法完全避免“等效性”问题，即不同参数组合可能产生相似拟合效果，从而限制模型在空间上的可推广性。因此，未来研究应尽量引入更高分辨率的本地土壤、气象与土地利用数据，同时结合不确定性分析方法(如SUFI‑2、GLUE等)对模拟结果进行置信度评估，从而提升模型在流域尺度的可靠性与解释力[21]。

6. 结论

本文基于SWAT模型，结合历史土地利用和水文气象数据，对浑太河流域非点源氮、磷污染负荷的时空分布特征进行模拟与分析，结论如下：

(1) SWAT模型率定期、验证期的R²和E_ns均稳定高于0.7，表明模型在浑太河流域的实际应用中具有较高的准确性。

(2) 浑太河流域2010~2022年TN、TP负荷整体呈现下降的趋势，年内变化呈现“汛期高、非汛期低”的特征。

(3) TN、TP的空间分布呈现“上中游及库区高、下游低”的格局，与土地利用类型关系密切。耕地和建设用地是流域氮磷输出的主要“源区”，而林地、草地与水域则发挥“汇区”功能，有效削减非点源污染。