Повышение точности: Как модификация SWAT помогает в борьбе с загрязнением вод в карстовых районах

Инструмент для оценки почв и вод (SWAT) широко используется во всем мире для гидрологических исследований и оценки качества воды, однако сталкивается с трудностями в карстовых регионах из-за сложных поверхностных и подземных гидрологических условий. Цель данного исследования — уточнить определение единиц гидрологического реагирования в модели SWAT путем комбинирования геоморфологической классификации и улучшить модель за счет модуля гидрологических процессов эпикарстовой зоны, что позволит повысить точность моделирования в карстовых регионах на юго-западе Китая.

По сравнению с результатами моделирования исходной модели SWAT, с помощью улучшенной модели мы смоделировали сток и концентрации питательных веществ в водосборе Мудун с января 2017 по декабрь 2021 года. Результаты моделирования показали, что модифицированная модель SWAT реагирует на осадки более оперативно, особенно в условиях голого карстового рельефа, что лучше соответствует реальным гидрологическим процессам в карстовых регионах юго-запада Китая. С точки зрения прогнозной точности месячных нагрузок общего азота (TN) и общего фосфора (TP), коэффициент детерминации (R²) модифицированной модели увеличился на 10,3% и 9,7% соответственно, а коэффициент эффективности Нэша-Сатклиффа (NSE) увеличился на 11,3% и 9,9% соответственно. Модифицированная модель SWAT повышает точность прогнозирования в карстовых районах и имеет значительную практическую ценность для руководства контролем за диффузным загрязнением в сельскохозяйственных водосборах.

С ростом мирового населения и интенсификацией сельского хозяйства неконтролируемый диффузный сток загрязняющих веществ от сельскохозяйственной деятельности стал значимым фактором ухудшения качества воды в бассейнах [1,2,3,4]. Азот и фосфор с этих территорий поступают в водные объекты посредством поверхностного стока и подземного потока, вызывая такие экологические проблемы, как цветение водорослей, гипоксия и снижение биоразнообразия [5,6,7]. Недавние исследования подчеркивают серьезность этих проблем, в частности, в регионах с высокой сельскохозяйственной активностью и ограниченными водными ресурсами. Это особенно выражено в карстовых районах, где уникальные геологические и гидрологические особенности усложняют транспортировку и трансформацию этих питательных веществ [8,9,10], усугубляя их воздействие на качество воды [11,12,13]. Следовательно, моделирование переноса сельскохозяйственного азота и фосфора в карстовых водосборах, выявление ключевых гидрологических процессов, влияющих на их транспорт, и разработка стратегий для их эффективного контроля и сокращения имеют ключевое значение для охраны водных ресурсов и сохранения экологического баланса.

В сфере моделирования гидрологического цикла и процессов переноса загрязнителей на уровне водосбора Инструмент для оценки почв и вод (SWAT) высоко ценится за свои надежные физические механизмы и широкие перспективы применения [14,15,16]. Состоящий из трех субмоделей — гидрологических процессов, эрозии почв и нагрузки загрязнения — SWAT является мощным инструментом для долгосрочного распределенного моделирования водосборов [17,18]. Он широко применялся для моделирования и оценки количества и качества воды в водосборах в различных географических и экологических условиях [19,20,21] в разных регионах [22,23,24], демонстрируя удовлетворительные результаты. Модель SWAT моделирует процесс миграции сельскохозяйственных загрязнителей диффузного происхождения по мере их перемещения вместе с гидрологическими процессами в пределах водосбора. Она может эффективно и количественно описывать пути миграции и факторы влияния сельскохозяйственных загрязнителей диффузного происхождения в исследуемом районе и широко признана в качестве эффективного инструмента [25,26,27].

Однако модель SWAT не в полной мере учитывает уникальные подземные гидрологические характеристики карстовых территорий и особенности миграции загрязнителей диффузного происхождения. Подземные каналы и системы трещин в карстовых формациях способствуют быстрой инфильтрации воды и переносу загрязнителей, а особенная динамика подземных вод сложна для точного воспроизведения в рамках традиционной структуры SWAT [28]. Более того, неоднородность и анизотропия, присущие карстовым ландшафтам, приводят к высокой пространственной изменчивости скорости и путей миграции загрязнителей в различных средах, дополнительно осложняя усилия по моделированию [29,30]. Результаты моделирования диффузного загрязнения в карстовых водосборах на основе модели SWAT не всегда удовлетворительны, и для достижения более точных настроек параметров часто требуется более специализированная калибровка. Несмотря на достижения в адаптации модели SWAT к специфическим гидрогеологическим условиям карста, эти модификации не являются универсально применимыми к разнообразным карстовым геоморфологическим условиям [31,32,33]. Например, Amatya и др. [34] отметили, что модель испытывала трудности с оценкой расхода карстовых источников и эффективным моделированием переноса азотных загрязнителей в карстовом бассейне Chapel Branch Creek. Это подчеркивает необходимость улучшений модели SWAT, чувствительных к нюансам гидрологии карста. Аналогично, Baffaut и Benson [35] достигли перспективных результатов в моделировании переноса азота в карстовых системах, характеризующихся каналами и карстовыми воронками. Однако возможность обобщения этих улучшений для других карстовых геоморфологий требует дальнейшего исследования.

В регионах, где обнаженные и перекрытые карстовые формы рельефа перемежаются, преобразование осадков в поверхностный и мелкий подземный сток является особенно сложным. Анизотропный перенос загрязнителей диффузного происхождения с водой дополнительно осложняет обмен и транспорт этих загрязнителей между поверхностными и мелкими подземными водными системами, превышая сложность, наблюдаемую в некарстовых районах [36].

В этом контексте целью было устранение ограничений модели SWAT при моделировании переноса азотных и фосфорных загрязнителей в сельскохозяйственных районах со смешанными обнаженными и перекрытыми карстовыми формами рельефа. Путем уточнения исходных алгоритмов, управляющих миграцией загрязнителей диффузного происхождения с водой, была улучшена способность модели SWAT точно описывать динамику этих загрязнителей в карстовых водных системах в пределах сельскохозяйственного водосбора на юго-западе Китая. Используя в качестве примера водосбор Мудун, расположенный в карстовом водно-болотном угодье Хуйсянь в бассейне реки Лицзян, была построена и проверена модифицированная версия модели SWAT. Результаты этого исследования будут способствовать лучшему пониманию динамики переноса питательных веществ в карстовых водосборах и обеспечат основу для улучшения работы модели SWAT в аналогичных условиях. Посредством моделирования нагрузок сельскохозяйственного диффузного загрязнения в этом водосборе, оно предоставляет научную основу для предотвращения, контроля и управления диффузным загрязнением в карстовых сельскохозяйственных водосборах. Оно также предлагает ориентир для управления водосборами в аналогичных гидрогеологических условиях.

2.1. Район исследования

Водосбор Мудун (110°09′ – 110°14′ в.д., 25°04′–25°09′ с.ш.) расположен к северо-западу от города Гуйлинь в Гуанси (Рисунок 1). Он находится в центральной зоне водно-болотного угодья Хуйсянь на водоразделе между бассейнами Гуйлиня (река Лицзян) и Лючжоу (река Люцзян). Водно-болотное угодье Хуйсянь является одним из крупнейших природных карстовых водно-болотных угодий на юго-западе Китая, играя ключевую роль в регулировании региональной экологической среды. В региональном топографическом рисунке как поверхностные водные системы, так и направления дренажа основного подземного водотока сходятся к центральной структурной карстовой депрессии (т.е. району Хуйсянь) с северного и южного концов. Под постоянным и сложным взаимодействием поверхностных и подземных вод развились многочисленные озера и болота, в конечном итоге сформировав Карстовое водно-болотное угодье Хуйсянь.

Рисунок 1. Карта расположения водосбора Мудун.

Северная часть водосбора Мудун характеризуется возвышенной долиной карстовых останцев. Центральная часть состоит из низменной плоской карстовой депрессии останцов и равнины с изолированными останцами, с высотой 125–485 м и площадью водосбора приблизительно 30 км².

Для водосбора Мудун характерен субтропический муссонный климат со среднегодовой температурой приблизительно 20 °C и потенциальным испарением 1568 мм. Осадки обильны, но распределены неравномерно, со среднегодовым количеством осадков 1800 мм, из которых 75–80% выпадает в сезон дождей, обычно с апреля по сентябрь.

Как показано на Рисунке 2a, преобладающим типом почвы в пределах водосбора является рисовая почва (среднее значение pH от 5.6 до 6.0, содержащая значительное количество конкреций кальция, железа и марганца). Вторичными типами почв являются карбонатная почва (среднее значение pH больше 7.0 и содержание органического вещества от 1.4% до 5.2%) и латеритная почва (среднее значение pH от 5.7 до 6.1). Крутые карстовые известняковые горы расположены в основном в северной части водосбора (Рисунок 2b), что соответствует типичному обнаженному карстовому ландшафту (Рисунок 2c). Эта типичная геоморфология сформировала рисунок распределения землепользования. На равнинных участках распространены пашни, водоемы, луга, сады и деревни, в то время как кустарники встречаются на карстовых каменистых горах (Рисунок 2d). Водосбор известен своей сельскохозяйственной продуктивностью, в основном выращиванием риса, и отсутствием промышленной активности. Однако сельская инфраструктура остается слаборазвитой. Недавнее расширение животноводства, птицеводства и рыболовства привело к все более заметным проблемам водной среды в закарстованных водно-болотных угодьях Хуйсянь. Текущее качество воды неоптимально, и охрана водной среды сталкивается со все более серьезными проблемами.

Рисунок 2. Распределение (a) почв, (b) уклона, (c) карста и (d) типов землепользования в районе исследования водосбора Мудун.

2.2. Улучшение модели SWAT

2.2.1. Улучшение гидрологического процесса

Обобщения процессов гидрологического цикла в перемежающихся обнаженных и перекрытых карстовых районах на юго-западе Китая показаны на Рисунке 3, со следующими характеристиками. В районах с перекрытым карстовым рельефом, после того как осадки формируют поверхностный сток, большая часть инфильтрируется в рыхлый четвертичный почвенный слой. После регулирования водоудерживающей средой почвы, одна часть возвращается в атмосферу, а другая часть медленно просачивается в подстилающий эпикарстовый водоносный горизонт. Оставшаяся небольшая часть сформировала склоновый сток, часть которого инфильтрировалась и пополняла водоносный горизонт эпикарстовой зоны в районах с относительно низким рельефом и высокой степенью карстового развития, с гидрологическим циклом, аналогичным таковому в районе с обнаженным карстовым рельефом (Рисунок 4a). В районах с обнаженным карстовым рельефом, после того как осадки формируют поверхностный сток, он в основном быстро инфильтрируется в эпикарстовую зону через карстовые структуры с хорошей гидравлической связностью и высокой проницаемостью, формируя насыщенную зону. После регулирования эпикарстовой зоной [37,38,39], небольшая часть воды возвращается на поверхность через испарение и биологические процессы, в то время как остальная часть непосредственно поступает в насыщенную зону через карстовые структуры. Другая часть воды сбрасывалась на поверхность в виде источников в относительно более низких районах вдоль эпикарстовой зоны (Рисунок 4b).

Рисунок 3. Структура гидрологического цикла водосбора Мудун.

Рисунок 4. Водный поток в эпикарстовой зоне.

На юго-западе Китая, где обнаженные и перекрытые карстовые ландшафты перемежаются, просачивание воды через эпикарстовую зону склонно встречать нечистые карбонатные породы в центральной части водосбора. Эта геологическая особенность значительно затрудняет поток, приводя к выходу карстовых подземных вод на поверхность в виде источников, которые служат основным источником поверхностного стока. Дополнительно, незначительная часть подземного потока непосредственно присоединяется к речным каналам в форме подруслового потока. В ответ на эти гидрологические характеристики, данное исследование разработало и интегрировало поверхностный карстовый модуль в рамках структуры модели SWAT. Модуль эпикарста был добавлен в модель SWAT для улучшения ее процесса формирования водного потока. Рисунок 5 иллюстрирует вычислительный процесс модифицированной модели SWAT. По сравнению с моделью SWAT, модифицированная модель SWAT включает структуру гидрологического процесса эпикарстовой зоны между почвенным гидрологическим процессом и гидрологическим процессом мелких подземных вод, позволяя программе сначала выполнять расчеты потока эпикарста после запуска расчетов почвенного водного потока, а затем переходить к фазе расчета потока водоносного горизонта. Исходный код SWAT был модифицирован в соответствии с новой структурой расчета модели для точного отражения характеристик формирования подземных вод карстовых водосборов на юго-западе Китая.

Рисунок 5. Гидрологический путь моделирования модифицированной модели SWAT с дополнительной эпикарстовой зоной (синим цветом).

На основе единицы гидрологического реагирования, уравнение водного баланса вновь добавленной эпикарстовой зоны было определено следующим образом:

где 𝑊𝑒𝑝,𝑗  и 𝑊𝑒𝑝,𝑗−1 — запасы воды в эпикарстовой зоне на дни j и (j − 1) соответственно. 𝑊𝑠𝑒𝑒𝑝, 𝑗 — количество воды, поступающее в эпикарстовую зону через дно почвенного профиля на день j, которое равно суточным осадкам 𝑅𝑑𝑎𝑦,𝑗, когда вертикальное распределение единицы гидрологического реагирования состоит только из эпикарстовой зоны и коренной породы. 𝑊𝑒𝑝𝑠𝑒𝑒𝑝,𝑗 — количество воды, просачивающееся из эпикарстовой зоны в мелкий водоносный горизонт на день j, и 𝑄𝑠𝑝𝑟,𝑗 — расход источника, сбрасываемый из эпикарстовой зоны на день j. Единица измерения для всех переменных — мм. Для визуального представления этих параметров см. Рисунок 6.

Рисунок 6. Сравнение гидрологического процесса на поверхности между моделью SWAT и модифицированной моделью SWAT.

Поскольку выход карстовых источников в водосборе Мудун вызван различиями в геологической структуре и литологии стратиграфических слоев и имеет эффект временного запаздывания, линейный закон просачивания неприменим. Следовательно, для расчета количества родниковой воды 𝑄𝑠𝑝𝑟,𝑗, сбрасываемой в эпикарстовой зоне, использовалась модель линейного резервуара:

где 𝑄𝑠𝑝𝑟,𝑗 и 𝑄𝑠𝑝𝑟,𝑗−1 — расход источника из эпикарстовой зоны на день j и день (j − 1); 𝑊𝑠𝑒𝑒𝑝,𝑗 относится к Формуле (1) для подробностей; 𝛼𝑠𝑝𝑟 — коэффициент затухания расхода источника (дни); ∆𝑡 — временной шаг в днях. Количество воды, просачивающейся из эпикарстовой зоны в мелкий водоносный горизонт 𝑊𝑒𝑝𝑠𝑒𝑒𝑝, рассчитывается следующим образом:

где 𝑊𝑐𝑟𝑎 и 𝑊𝑠𝑙𝑜𝑤 — это просачивание быстро- и медленнотекущей воды в мелкие водоносные горизонты через крупные трещины и малые карстовые пустоты эпикарстовой зоны (мм) соответственно.

Быстрое просачивание воды 𝑊𝑐𝑟𝑎 в мелкий водоносный горизонт через крупные карстовые полости определяется следующим образом:

где 𝜃𝑒𝑝  — коэффициент широких трещин и 𝑍𝑒𝑝 — толщина эпикарстовой зоны (мм).

Медленный процесс просачивания малых карстовых пустот в эпикарстовой зоне в мелкий водоносный горизонт предполагается как процесс водяного столба с переменным напором:

где 𝑊𝑠𝑙𝑜𝑤 — медленное просачивание воды в мелкий водоносный горизонт через малые карстовые пустоты в эпикарстовой зоне (мм) и 𝑊𝑒𝑝 — влагосодержание эпикарстовой зоны (мм). ∆t и 𝑇𝑇𝑒𝑝 — временной шаг и общее время движения воды (дни) соответственно.

Объем пополнения мелкого водоносного горизонта после увеличения эпикарстовой зоны рассчитывался по следующей формуле:

где 𝑊𝑟𝑒𝑐ℎ𝑟𝑔, 𝑗 и 𝑊𝑟𝑒𝑐ℎ𝑟𝑔,𝑗−1 — объемы пополнения мелких водоносных горизонтов на дни j и (j − 1) соответственно (мм); 𝑊𝑒𝑝𝑠𝑒𝑒𝑝,𝑗 — количество воды, поступающее в мелкий водоносный горизонт через дно эпикарстовой зоны на день J (мм); 𝛼𝑔𝑤 — регрессионный коэффициент базового стока; и 𝛿𝑔𝑤 и ∆t — время запаздывания пополнения и временной шаг (дни) соответственно.

В заключение, по сравнению с моделью SWAT (Рисунок 6a), гидрологический процесс стадии земной поверхности в модифицированной модели SWAT после добавления эпикарстовых зон (Рисунок 6b) показал увеличение инфильтрации осадков и подземного стока.

2.2.2. Улучшение расчета загрязнения диффузного происхождения

Влияние добавления эпикарстовой зоны на азотные и фосфорные питательные вещества в основном отражается в изменении растворенной азотной нагрузки в боковом потоке и нижней перколяции. В модифицированной модели SWAT, растворенные азотные нагрузки 𝑃𝑒𝑝,𝑁𝑂3,𝑙𝑎𝑡, мигрирующие с боковым потоком, рассчитывались следующим образом:

Растворенная азотная нагрузка, мигрирующая с нисходящим просачиванием 𝑃𝑒𝑝,𝑁𝑂3,𝑒𝑝𝑠𝑒𝑒𝑝, была определена как следующее:

где 𝑃𝑒𝑝,𝑁𝑂3,𝑙𝑎𝑡  — растворенные азотные нагрузки бокового потока в почвенном слое и эпикарстовой зоне (кг/га), 𝑐𝑜𝑛𝑐𝑁𝑂3,𝑚𝑜𝑏𝑖𝑙𝑒 — концентрация растворенного азота в свободной воде в почвенном слое и эпикарстовой зоне (кг/мм), 𝑄𝑙𝑎𝑡 — количество воды, вытекающее из почвенного слоя через почвенный поток (мм), 𝑄𝑠𝑝𝑟 — расход источника через эпикарстовую зону (мм), 𝑃𝑒𝑝,𝑁𝑂3,𝑒𝑝𝑠𝑒𝑒𝑝 — растворенная азотная нагрузка, мигрирующая со средненижней перколяцией в эпикарстовой зоне (кг/га), и 𝑊𝑒𝑝𝑠𝑒𝑒𝑝 — количество просачивающейся воды из эпикарстовой зоны в мелкий водоносный горизонт (мм).

Рисунок 7a показывает расчет азота и фосфора, движущихся вдоль пути движения воды [40]. В модифицированной модели SWAT, нагрузки азота и фосфора варьировались в зависимости от количества свободной воды в почвенном слое и эпикарстовой зоне (Рисунок 7b).

Рисунок 7. Процесс расчета азота и фосфора модели SWAT (a) и модифицированной модели SWAT (b).

2.2.3. Улучшение единицы гидрологического реагирования

В модели SWAT, базовая операция гидрологии и модуля переноса азота и фосфора принимает Единицу Гидрологического Реагирования (HRU) в качестве базовой расчетной единицы [41,42,43]. HRU назначались в соответствии с подстилающим землепользованием/покрытием, физико-химическими свойствами почвы и уклоном. Почвенный слой района голого карстового рельефа в водосборе Мудун является мелким и прерывистым, и эпикарстовая зона формируется на поверхности в районе голого карстового рельефа или под почвенным слоем в районе перекрытого карстового рельефа. Чтобы изобразить эту особенность, район с уклоном >50° в районе обнаженного карстового рельефа обобщен как отсутствие почвенного слоя на поверхности, коренная порода перекрыта голой породой развивающейся эпикарстовой зоны, а район с уклоном ≤50° имеет почвенный слой на поверхности. Поэтому перед пространственной дискретизацией была создана новая карта типов почвы (Рисунок 8) путем наложения исходных карт распределения почв и карстового рельефа на платформе ArcGIS (https://www.arcgis.com, доступ 5 декабря 2018 г.). Детальные операции следующие:

Рисунок 8. Процесс разделения единиц гидрологического реагирования на основе карстового рельефа водосбора Мудун.

(1) Уклон всего бассейна был разделен на ≤50° и >50°.

(2) Карты распределения обнаженного и перекрытого карстового рельефа были наложены на карты распределения уклона, и были разделены районы обнаженного карстового рельефа с уклонами > 50° и ≤50°.

(3) Карта уклона карстового рельефа была наложена на исходную карту распределения типов почвы, переопределяя тип почвы с уклоном >50° в районе обнаженного карстового рельефа как голую породу и переклассифицируя ее для присвоения уникального идентификатора почвы.

Следовательно, вертикальное распределение растительного покрова, почвенного слоя и коренной породы отличалось от такового в модели SWAT (Рисунок 9a). Модифицированная модель SWAT имеет два типа единиц гидрологического реагирования: один тип включает только эпикарстовую зону и коренную породу, а другой делится в вертикальном направлении на растительный покров, почвенный слой, эпикарстовую зону и коренную породу (Рисунок 9b) в вертикальном направлении.

Рисунок 9. Сравнение разделения единицы гидрологического реагирования между моделью SWAT (a) и модифицированной моделью SWAT (b).

Наконец, исходный код SWAT был модифицирован с использованием языка Fortran в среде разработки приложений для платформы Windows Visual Studio 2010 (https://learn.microsoft.com, доступ 15 марта 2019 г.), в соответствии с вышеуказанной структурой. Модифицированные подпрограммы включают modparm.f, allocate_parms.f, percmain.f, zero (). f, gwmod.f и sub-basing. f. После успешной компиляции модификаций исполняемый файл исходного SWAT.exe был заменен.

2.3. Оценка валидности модели

Валидность модели оценивалась с использованием Коэффициента Детерминации R² и коэффициента эффективности Нэша-Сатклиффа (NSE). Значение R² представляет корреляцию между смоделированными и наблюдаемыми значениями; чем ближе R² к 1, тем выше согласованность между смоделированными и наблюдаемыми значениями. NSE характеризует общую эффективность моделирования модели. Значение NSE, равное 1, указывает на идеальное соответствие между наблюдаемыми и смоделированными значениями, NSE = 0 предполагает, что смоделированные результаты эквивалентны среднему значению наблюдаемых значений, а NSE < 0 указывает на то, что моделирование менее точно, чем среднее наблюдаемое значение, следовательно, считается неэффективным. Модель считается подходящей для района исследования, и результаты моделирования считаются приемлемыми, когда R² > 0.6 и NSE > 0.5. Формулы для расчета R² и NSE следующие:

где 𝑂𝑚 представляет наблюдаемое значение для m-го временного шага, 𝑂  обозначает среднее всех наблюдаемых данных за период моделирования, 𝑃𝑚 представляет смоделированное значение для m-го временного шага, а 𝑃 обозначает среднее всех смоделированных значений за период моделирования.

3.1. Настройка модели SWAT

На основе использования пространственных данных (глобальный набор данных цифровой модели рельефа с разрешением 30 м от Облака геопространственных данных Центра компьютерных сетевых информационных технологий Китайской академии наук, https://www.gscloud.cn, (доступ 15 октября 2020 г.)), данных атрибутов почвы (разделенных на пять типов: известковая почва, рисовая почва, красный суглинок, водная площадь и голая порода) и данных типа землепользования (данные типа землепользования с разрешением 30 м × 30 м от Центра данных по наукам об окружающей среде и экологии Западного Китая, http://www.nieer.cas.cn/, (доступ 3 декабря 2020 г.)). На основе пространственного распределения естественных речных каналов в водосборе Мудун была применена процедура "прожига" для импорта сети водотоков, нарисованной в Google Earth. Затем было рассчитано направление водного потока, и речная сеть была извлечена с порогом площади водосбора 60 га для генерации распределения речной сети, более соответствующего реальной ситуации бассейна. Путем ручного добавления точек мониторинга поперечного сечения реки, модель SWAT делит водосбор Мудун на семь суббассейнов с площадью водосбора от 0.9 км² до 12.6 км². Множественные градиенты (0–24.9°, 24.9–50° и >50°) использовались для разделения единиц гидрологического реагирования бассейна. Водосбор Мудун разделен на 105 единиц гидрологического реагирования, включая 44 обнаженных и 61 перекрытых карстовых форм рельефа (Рисунок 8).

Используя гидрометеорологические данные (метеорологические данные с метеостанций в Гуйлине с 2017 по 2019 гг., http://data.cma.cn/data, (доступ 3 декабря 2020 г.)) в качестве движущих данных модели, модифицированная модель SWAT была построена с использованием метеорологических данных с 2019 по 2021 гг. в качестве данных для проверки модели, загрязнителей диффузного происхождения (обследование статистики сельского бытового загрязнения, загрязнения азотом и фосфором животноводства и птицеводства, и аквакультуры) и других атрибутивных данных.

3.2. Калибровка и проверка модели SWAT

На основе ежедневного мониторинга с помощью трехпараметрического автоматического уровнемера Levelogger от Института карстовой геологии Китайской академии геологических наук [44], измеренные данные в сочетании с данными об осадках использовались для модификации данных среднемесячного расхода на выходе из водосбора. В модифицированной модели SWAT мы использовали измеренные данные среднемесячного расхода с января 2017 по декабрь 2019 гг., а также параметры модели, связанные с месячными нагрузками общего азота и общего фосфора, для калибровки месячного расхода модели и моделирования нагрузок питательных веществ. Затем мы выбрали среднемесячный расход с мая 2020 по декабрь 2021 гг., а также месячные нагрузки общего азота и общего фосфора, чтобы проверить результаты моделирования модели. Для получения разумных начальных условий, период прогрева модели был установлен на два года.

Алгоритм Sequential Uncertainty Fitting Version 2 (SUFI-2), который является частью программного обеспечения SWAT-CUP (Программа неопределенности SWAT) для автоматической калибровки и анализа неопределенности, был использован для проведения анализа чувствительности параметров модели [45]. Основываясь на гидрологических процессах [46,47], характеристиках переноса растворенных веществ [48,49,50] и опыте моделирования [51,52,53] карстовых водосборов, сначала были выбраны 40 параметров, связанных с моделированием количества воды и моделированием качества воды по азоту и фосфору в модели SWAT для глобального анализа чувствительности. После глобального анализа чувствительности, анализа чувствительности "одна-за-раз" и итерационного моделирования, 15 параметров были выбраны для калибровки на основе характеристик карстового водосбора в районе исследования (Таблица 1). Коэффициент детерминации (R²) и коэффициент эффективности Нэша-Сатклиффа (NSE) были выбраны для оценки эффективности модели [54].

Таблица 1. Результаты калибровки чувствительного параметра, использованного в модифицированной модели SWAT.

3.2.1. Расход

Рисунок 10a результатов моделирования модифицированной модели SWAT показывает, что коэффициент детерминации R² среднемесячного стока в период калибровки и период проверки больше 0.86, а коэффициент эффективности Нэша-Сатклиффа (NSE) больше 0.76, что указывает на то, что смоделированное значение близко к измеренному значению и корреляция хорошая.

Рисунок 10. Сравнение моделирования среднемесячного (a) расхода, (b) нагрузки общего азота и (c) нагрузки общего фосфора между моделью SWAT и модифицированной моделью SWAT.

С точки зрения точности прогнозирования месячного объема стока, модифицированная модель SWAT продемонстрировала среднее увеличение приблизительно на 6.84% в коэффициенте детерминации (R²) и около 14.79% в NSE по сравнению с исходной моделью SWAT. Согласно Рисунку 10a, по сравнению с моделью SWAT, среднемесячный сток, смоделированный модифицированной моделью SWAT, увеличивается на пике в сезон дождей и уменьшается на базовом уровне в сухой сезон.

3.2.2. Нагрузка питательных веществ

Результаты моделирования модифицированной модели SWAT на Рисунке 10b и Рисунке 10c показывают, что R² и NSE месячной нагрузки TN в период калибровки составляют 0.77 и 0.70 соответственно, в то время как в период проверки они составляют 0.73 и 0.68 соответственно. R² и NSE месячной нагрузки TP в период калибровки составляют 0.68 и 0.67 соответственно, в то время как в период проверки они составляют 0.67 и 0.66 соответственно, что указывает на то, что смоделированные значения месячной нагрузки TN и TP в бассейне хорошо соответствуют измеренным значениям и в основном удовлетворяют требованиям точности моделирования.

Как показано на Рисунке 10b,c, месячная нагрузка TN и TP в бассейне представляет собой аналогичное правило изменения под влиянием карстового подземного водотока. Сравнение результатов моделирования с 2017 по 2021 гг. показывает (Таблица 2), что эпикарстовая зона играет дополнительную роль в сбросе и нагрузке N и P в дренажном выпуске, с увеличением сброса на 3.5~5.2%, и общей нагрузки N и P, увеличивающейся на 4.5~9.3% и 3.2~4.8% соответственно. Прирост нагрузки общего азота был наибольшим, а прирост нагрузки общего фосфора был между 0.81 и 2.33 кг/га. Прирост нагрузки общего фосфора был наименьшим. Прирост нагрузки общего азота был в основном обусловлен потерей растворенного нитратного азота, который легко мигрирует с карстовыми подземными водами. Прирост нагрузки общего фосфора был между 0.06 и 0.12 кг/га, что может быть в основном связано с тем, что фосфор в адсорбированном состоянии в основном мигрирует с поверхностным стоком.

Таблица 2. Годовая эффективность модифицированной модели SWAT по сравнению с моделированием притока и нагрузки питательных веществ моделью SWAT.

В Таблице 3 перечислены количество нитратов, мигрирующих в реки из поверхностного стока HRU (NSURQ), бокового потока (NLATQ) и потока подземных вод (NO3GW), количество фосфора в растворенной фазе, мигрирующее в реку из потока подземных вод HRU (P_GW) и поверхностного стока (SOLP), а также годовое количество органического азота и фосфора (OrgN и OrgP), мигрировавших из субводосбора в реку в районе обнаженного карстового рельефа между моделями SWAT и модифицированной SWAT.

Таблица 3. Сравнение результатов моделирования азота и фосфора в районе обнаженного карстового рельефа между моделью SWAT и модифицированной моделью SWAT.

4.1. Моделирование расхода

Результаты моделирования расхода показывают, что модифицированная модель SWAT более точно отражает гидрологический процесс, в котором дренаж быстро реагирует на осадки и удерживает меньше воды после регулирования и накопления эпикарстовой зоны. Путем добавления модуля эпикарста модифицированная модель SWAT показала более высокую точность в улавливании гидрологических характеристик перекрестно распределенных районов голого и перекрытого карстового рельефа и улучшила адаптируемость модели SWAT для моделирования гидрологии в юго-западном карстовом районе. Этот метод согласуется с исследовательским выводом Wang и др. [55], что дополнительно проверяет ключевую роль регулирования гидрологического модуля на основе конкретных геоморфологических особенностей на адаптируемость модели SWAT.

По сравнению с другими модификациями, предложенными для SWAT в карстовых районах, наш подход специально направлен на быструю реакцию и накопительные характеристики эпикарстовой зоны. Например, некоторые исследования сосредоточены на моделировании эко-гидрологических процессов при различных растительных покровах [56,57], в то время как другие концентрируются на интеграции динамики потока подземных вод с использованием MODFLOW для лучшего моделирования взаимодействия между поверхностными и подземными потоками в карстовых системах [27,58]. Хотя эти методы улучшают производительность модели в моделировании динамики растительности или ее способность представлять вертикальный поток подземных вод в горных породах, наша модификация подчеркивает динамику горизонтального потока внутри эпикарстового слоя, что имеет ключевое значение для точного улавливания быстрых гидрологических реакций, наблюдаемых на юго-западе Китая с чередующимися обнаженными и перекрытыми карстовыми формами рельефа.

4.2. Моделирование нагрузки питательных веществ

Улучшение модели SWAT в основном направлено на процессы горизонтальной и вертикальной миграции и путь поверхностных источников азота и фосфора с водой в районе обнаженного карстового рельефа водосбора Мудун. Особенности голого карстового рельефа оказывают определенное положительное влияние на сброс нитратов в карстовые подземные воды в пределах единицы гидрологического реагирования, но не оказывают очевидного эффекта на сброс растворимого фосфора и органического фосфора в карстовые подземные воды. Zhang и др. [59] также обнаружили, что процесс миграции нитратов в юго-западном карстовом районе тесно связан с характеристиками водного потока различных типов карстовых трещин и каналов. Результаты показывают, что модифицированная модель SWAT на основе особенностей карстового рельефа имеет преимущества в улавливании динамических процессов нитратов, ключевого сельскохозяйственного загрязнителя диффузного происхождения.

В отличие от других модификаций, которые сосредоточены на алгоритмах питательных веществ и путях транспорта (таких как включение новых алгоритмов нитрификации и денитрификации [53], или модулей почвенно-водных процессов для воздействия на потоки питательных веществ [60]), наше исследование специально решает уникальные проблемы, создаваемые карстовым рельефом на юго-западе Китая. Этот подход дополняет улучшение модели SWAT, отражая, как характеристики эпикарстовой зоны влияют на транспорт питательных веществ, в частности, характеристики выноса нитратов при быстрых гидрологических реакциях в юго-западной карстовой системе.

В этом исследовании мы учли перемежающиеся обнаженные и перекрытые карстовые формы рельефа в сельскохозяйственных водосборах юго-западного карстового региона и улучшили модель SWAT для более точного моделирования транспорта сельскохозяйственных загрязнителей диффузного происхождения азота и фосфора. Путем включения модуля эпикарста и корректировки определения единиц гидрологического реагирования, модель SWAT может более обоснованно отражать гидрологические процессы и процессы диффузного загрязнения в карстовых водосборах. Основные выводы суммированы следующим образом:

(1) Эффективность модифицированной модели: Применение улучшенной модели SWAT в водосборе реки Мудун продемонстрировало хорошую производительность моделирования. Точность прогнозирования месячного стока, общего азота и общего фосфора показала, что значения R² улучшенной модели увеличились приблизительно на 6.8%, 10.3% и 9.7% соответственно, а NSE увеличились на 14.8%, 11.3% и 9.9% соответственно. Эти улучшения подчеркивают расширенную применимость и точность модели в моделировании гидрологической и диффузной загрязняющей динамики в карстовых водосборах.

(2) Гидрологическое значение карстовых особенностей: Сравнение между исходной и модифицированной моделями SWAT показало, что последняя более точно улавливает быструю гидрологическую реакцию карстовых водосборов на события осадков. Это подчеркивает значимость включения характеристик карстового рельефа в гидрологическое моделирование.

(3) Особенность миграции нитратов под влиянием карстовых особенностей: Модифицированная модель SWAT продемонстрировала более выраженную положительную реакцию в моделировании выноса нитратов в условиях обнаженного карстового рельефа, в отличие от результатов моделирования для растворимого фосфора и органического фосфора. Это подчеркивает необходимость адаптации улучшений модели к конкретным атрибутам рельефа карстовых регионов для лучшего понимания и прогнозирования динамики сельскохозяйственных загрязнителей диффузного происхождения.

В заключение, хотя это исследование достигло заметного прогресса в уточнении и применении модели, все еще существует потенциал для дальнейшей оптимизации и расширения. Будущая работа будет сосредоточена на двух основных направлениях: (1) Мы будем дополнительно проверять и уточнять параметры модели, чтобы повысить адаптируемость модели к различным карстовым геоморфологическим и экологическим условиям; (2) Мы изучим производительность модели в моделировании различных сельскохозяйственных управленческих стратегий в динамических средах. Наша цель — предоставить более целенаправленное руководство для минимизации сельскохозяйственного диффузного загрязнения и улучшения управления водосборами. Ожидается, что эти усилия внесут вклад в более научно обоснованное и эффективное принятие решений для управления водными ресурсами и охраны окружающей среды в карстовых водосборах.

1.    Zhang, X.; Davidson, E.; Mauzerall, D.; Searchinger, T.; Dumas, P.; Shen, Y. Managing nitrogen for sustainable development. Nature 2015, 528, 51–59. [Google Scholar] [CrossRef]

2.    Mekonnen, M.; Hoekstra, A.Y. Global gray water footprint and water pollution levels related to anthropogenic nitrogen loads to fresh water. Environ. Sci. Technol. 2015, 49, 12860–12868. [Google Scholar] [CrossRef]

3.    Li, W.; Lei, Q.; Yen, H.; Wollheim, W.; Zhai, L.; Hu, W.; Zhang, L.; Qiu, W.; Luo, J.; Wang, H.; et al. The overlooked role of diffuse household livestock production in nitrogen pollution at the watershed scale. J. Clean. Prod. 2020, 272, 122758. [Google Scholar] [CrossRef]

4.    Zou, L.; Liu, Y.; Wang, Y.; Hu, X. Assessment and analysis of agricultural non-point source pollution loads in China: 1978–2017. J. Environ. Manag. 2020, 263, 110400. [Google Scholar] [CrossRef]

5.    Jia, Y.; Yu, G.; He, N.; Zhan, X.; Fang, H.; Sheng, W.; Wang, Q. Spatial and decadal variations in inorganic nitrogen wet deposition in China induced by human activity. Sci. Rep. 2014, 4, 3763. [Google Scholar] [CrossRef]

6.    Sith, R.; Watanabe, A.; Nakamura, T.; Yamamoto, T.; Nadaoka, K. Assessment of water quality and evaluation of best management practices in a small agricultural watershed adjacent to Coral Reef area in Japan. Agric. Water Manag. 2019, 213, 659–673. [Google Scholar] [CrossRef]

7.    Xia, Y.; Zhang, M.; Tsang, D.; Geng, N.; Lu, D.; Zhu, L.; Ok, Y. Recent advances in control technologies for non-point source pollution with nitrogen and phosphorous from agricultural runoff: Current practices and future prospects. Appl. Biol. Chem. 2020, 63, 8. [Google Scholar] [CrossRef]

8.    Yue, F.; Li, S.; Zhong, J.; Liu, J. Evaluation of factors driving seasonal nitrate variations in surface and underground systems of a karst catchment. Vadose Zone J. 2018, 17, 1–10. [Google Scholar] [CrossRef]

9.    Gao, R.; Dai, Q.; Gan, Y.; Peng, X.; Yan, Y. The production processes and characteristics of nitrogen pollution in bare sloping farmland in a karst region. Environ. Sci. Pollut. Res. 2019, 26, 26900–26911. [Google Scholar] [CrossRef] [PubMed]

10. Ren, K.; Pan, X.; Yuan, D.; Zeng, J.; Liang, J.; Peng, C. Nitrate sources and nitrogen dynamics in a karst aquifer with mixed nitrogen inputs (Southwest China): Revealed by multiple stable isotopic and hydro-chemical proxies. Water Res. 2022, 210, 118000. [Google Scholar] [CrossRef]

11. Bakalowicz, M. Karst groundwater: A challenge for new resources. Hydrogeol. J. 2005, 13, 148–160. [Google Scholar] [CrossRef]

12. Mellander, P.; Jordan, P.; Melland, A.; Murphy, P.; Wall, D.; Mechan, S.; Meehan, R.; Kelly, C.; Shine, O.; Shortle, G. Quantification of phosphorus transport from a karstic agricultural watershed to emerging spring water. Environ. Sci. Technol. 2013, 47, 6111–6119. [Google Scholar] [CrossRef]

13. Zhao, M.; Hu, Y.; Zeng, C.; Liu, Z.; Yang, R.; Chen, B. Effects of land cover on variations in stable hydrogen and oxygen isotopes in karst groundwater: A comparative study of three karst catchments in Guizhou Province, Southwest China. J. Hydrol. 2018, 565, 374–385. [Google Scholar] [CrossRef]

14. Arnold, J.; Fohrer, N. SWAT2000: Current capabilities and research opportunities in applied watershed modelling. Hydrol. Process. 2005, 19, 563–572. [Google Scholar] [CrossRef]

15. Shen, Z.; Liao, Q.; Hong, Q.; Gong, Y. An overview of research on agricultural non-point source pollution modelling in China. Sep. Purif. Technol. 2012, 84, 104–111. [Google Scholar] [CrossRef]

16. Al Khoury, I.; Boithias, L.; Labat, D. A Review of the Application of the Soil and Water Assessment Tool (SWAT) in Karst Watersheds. Water 2023, 15, 954. [Google Scholar] [CrossRef]

17. Gassman, P.; Reyes, M.; Green, C.; Arnold, J. The soil and water assessment tool: Historical development, applications, and future research directions. Trans. ASABE 2007, 50, 1211–1250. [Google Scholar] [CrossRef]

18. Arnold, J.; Kiniry, J.; Srinivasan, R. Soil Water Assessment Tool; Texas Water Resources Inst.: College Station, TX, USA, 2012. [Google Scholar]

19. Tanoh, J.; Jourda, J. Assessment of Sediment and Pollutants in Buyo Lake, Ivory Coast, using SWAT (Soil and Water Assessment Tool) Model. J. Chem. Chem. Eng. 2013, 7, 1054–1059. [Google Scholar]

20. Chang, D.; Lai, Z.; Li, S.; Li, D.; Zhou, J. Critical source areas’ identification for non-point source pollution related to nitrogen and phosphorus in an agricultural watershed based on SWAT model. Environ. Sci. Pollut. Res. 2021, 28, 47162–47181. [Google Scholar] [CrossRef]

21. Li, S.; Li, J.; Hao, G.; Li, Y. Evaluation of Best Management Practices for non-point source pollution based on the SWAT model in the Hanjiang River Basin, China. Water Supply 2021, 21, 4563–4580. [Google Scholar] [CrossRef]

22. Murty, P.; Pandey, A.; Suryavanshi, S. Application of semi-distributed hydrological model for basin level water balance of the Ken basin of Central India. Hydrol. Process. 2014, 28, 4119–4129. [Google Scholar] [CrossRef]

23. Tan, M.; Gassman, P.; Srinivasan, R.; Arnold, J.; Yang, X. A review of SWAT studies in Southeast Asia: Applications, challenges and future directions. Water 2019, 11, 914. [Google Scholar] [CrossRef]

24. Aloui, S.; Mazzoni, A.; Elomri, A.; Aouissi, J.; Boufekane, A.; Zghibi, A. A review of soil and water assessment tool (SWAT) studies of Mediterranean catchments: Applications, feasibility, and future directions. J. Environ. Manag. 2023, 326, 116799. [Google Scholar] [CrossRef]

25. Parajuli, P.; Nelson, N.; Frees, L.; Mankin, K. Comparison of Ann-AGNPS and SWAT model simulation results in USDA-CEAP agricultural watersheds in south-central Kansas. Hydrol. Process. 2009, 23, 748–763. [Google Scholar] [CrossRef]

26. Li, J.; Du, J.; Li, H.; Li, Y.; Liu, Z. A SWAT Model-Based Simulation of the Effects of Non-Point Source Pollution Control Measures on a River Basin. Pol. J. Environ. Stud. 2015, 24, 1133–1146. [Google Scholar]

27. Salmani, H.; Javadi, S.; Eini, M.; Golmohammadi, G. Compilation simulation of surface water and groundwater resources using the SWAT-MODFLOW model for a karstic basin in Iran. Hydrogeol. J. 2023, 31, 571–587. [Google Scholar] [CrossRef]

28. Amin, M.; Veith, T.; Collick, A.; Karsten, H.; Buda, A. Simulating hydrological and nonpoint source pollution processes in a karst watershed: A variable source area hydrology model evaluation. Agric. Water Manag. 2017, 180, 212–223. [Google Scholar] [CrossRef]

29. Röman, E.; Ekholm, P.; Tattari, S.; Koskiaho, J.; Kotamäki, N. Catchment characteristics predicting nitrogen and phosphorus losses in F inland. River Res. Appl. 2018, 34, 397–405. [Google Scholar] [CrossRef]

30. Cao, X.; Yang, S.; Wu, P.; Liu, S.; Liao, J. Coupling stable isotopes to evaluate sources and transformations of nitrate in groundwater and inflowing rivers around the Caohai karst wetland, Southwest China. Environ. Sci. Pollut. Res. 2021, 28, 45826–45839. [Google Scholar] [CrossRef] [PubMed]

31. Zhang, Y.; Xia, J.; Shao, Q.; Zhai, X. Water quantity and quality simulation by improved SWAT in highly regulated Huai River Basin of China. Stoch. Environ. Res. Risk Assess. 2013, 27, 11–27. [Google Scholar] [CrossRef]

32. Liu, M.; Li, Z.; Zhang, Y.; Zhu, J.; Kang, K.; Zhang, Z.; Peng, T. An improved optimization scheme for representing hillslopes and depressions in karst hydrology. Water Res. 2020, 56, 45–53. [Google Scholar]

33. Priya, R.; Manjula, R. A review for comparing SWAT and SWAT coupled models and its applications. Mater. Today Proc. 2021, 45, 7190–7194. [Google Scholar] [CrossRef]

34. Amatya, D.; Jha, M.; Edwards, A.; Williams, T.; Hitchcock, D. SWAT-based streamflow and embayment modeling of karst-affected Chapel branch watershed, South Carolina. Trans. ASABE 2011, 54, 1311–1323. [Google Scholar] [CrossRef]

35. Baffaut, C.; Benson, V.W. Modeling flow and pollutant transport in a karst watershed with SWAT. Trans. ASABE 2009, 52, 469–479. [Google Scholar] [CrossRef]

36. Liang, L.; Qin, L.; Peng, G.; Zeng, H.; Liu, Z.; Yang, J. Non-point source pollution and long-term effects of best management measures simulated in the Qifeng River Basin in the karst area of Southwest China. Water Supply 2021, 21, 262–275. [Google Scholar] [CrossRef]

37. Chen, J.; Luo, W.; Zeng, G.; Wang, Y.; Lyu, Y.; Cai, X.; Zhang, L.; Cheng, A.; Zhang, X.; Wang, S. Response of surface evaporation and subsurface leakage to precipitation for simulated epikarst with different rock–soil structures. J. Hydrol. 2022, 610, 127850. [Google Scholar] [CrossRef]

38. Song, T.; Zhang, L.; Liu, P.; Zou, S.; Zhao, Y.; Liu, X.; Li, D. Transformation process of five water in epikarst zone: A case study in subtropical karst area. Environ. Earth Sci. 2022, 81, 10–1007. [Google Scholar]

39. Wang, F.; Zhang, J.; Lian, J.; Fu, Z.; Luo, Z.; Nie, Y.; Chen, H. Spatial variability of epikarst thickness and its controlling factors in a dolomite catchment. Geoderma 2022, 428, 116213. [Google Scholar] [CrossRef]

40. Neitsch, S.; Arnold, J.; Kiniry, J.; Williams, J. Soil and Water Assessment Tool Theoretical Documentation Version 2009; Texas Water Resources Inst.: College Station, TX, USA, 2011. [Google Scholar]

41. Niraula, R.; Kalin, L.; Srivastava, P.; Anderson, C. Identifying critical source areas of nonpoint source pollution with SWAT and GWLF. Ecol. Model. 2013, 268, 123–133. [Google Scholar] [CrossRef]

42. Winchell, M.; Folle, S.; Meals, D.; Moore, J.; Srinivasan, R.; Howe, E. Using SWAT for sub-field identification of phosphorus critical source areas in a saturation excess runoff region. Hydrol. Sci. J. 2015, 60, 844–862. [Google Scholar] [CrossRef]

43. Uniyal, B.; Jha, M.; Verma, A.; Anebagilu, P. Identification of critical areas and evaluation of best management practices using SWAT for sustainable watershed management. Sci. Total Environ. 2020, 744, 140737. [Google Scholar] [CrossRef]

44. Jiang, G.; Guo, F.; Wei, L.; Li, W. Characterizing the transitory groundwater-surface water interaction and its environmental consequence of a riverside karst pool. Sci. Total Environ. 2023, 902, 166532. [Google Scholar] [CrossRef] [PubMed]

45. Abbaspour, K.; Rouholahnejad, E.; Srinivasan, B.; Srinivasan, R.; Yang, H.; Klve, B. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model. J. Hydrol. 2015, 524, 733–752. [Google Scholar] [CrossRef]

46. Wang, Y.; Brubaker, K. Implementing a nonlinear groundwater module in the soil and water assessment tool (SWAT). Hydrol. Process. 2014, 28, 3388–3403. [Google Scholar] [CrossRef]

47. Hartmann, A.; Gleeson, T.; Rosolem, R.; Pianosi, F.; Wada, Y.; Wagener, T. A large-scale simulation model to assess karstic groundwater recharge over Europe and the Mediterranean. Geosci. Model Dev. 2015, 8, 1729–1746. [Google Scholar] [CrossRef]

48. Nikolaidis, N.; Bouraoui, F.; Bidoglio, G. Hydrologic and geochemical modeling of a karstic Mediterranean watershed. J. Hydrol. 2013, 477, 129–138. [Google Scholar] [CrossRef]

49. Zeiger, S.; Owen, M.; Pavlowsky, R. Simulating nonpoint source pollutant loading in a karst basin: A SWAT modeling application. Sci. Total Environ. 2021, 785, 147295. [Google Scholar] [CrossRef]

50. Srinivas, R.; Singh, A.; Dhadse, K.; Garg, C. An evidence based integrated watershed modelling system to assess the impact of non-point source pollution in the riverine ecosystem. J. Clean. Prod. 2020, 246, 118963. [Google Scholar] [CrossRef]

51. Wei, C.; He, Z.; Zhu, H. Runo Simulation for Karst Area Based on SWAT Model—Taking Chishui River Basin Upstream as an Example. J. Mianyang Norm. Univ. 2015, 34, 98–102. [Google Scholar]

52. Hu, Y.; Chen, M.; Pu, J.; Chen, S.; Li, Y.; Zhang, H. Enhancing phosphorus source apportionment in watersheds through species-specific analysis. Water Res. 2024, 253, 121262. [Google Scholar] [CrossRef]

53. Han, F.; Tian, Q.; Chen, N.; Hu, Z.; Wang, Y.; Xiong, R.; Xu, P.; Liu, W.; Stehr, A.; Borro, R.; et al. Assessing ammonium pollution and mitigation measures through a modified watershed non-point source model. Water Res. 2024, 254, 121372. [Google Scholar] [CrossRef]

54. Arnold, J.; Moriasi, D.; Gassman, P.; Abbaspour, C.; Jha, M. SWAT: Model use, calibration, and validation. Trans. ASABE 2012, 55, 1549–1559. [Google Scholar] [CrossRef]

55. Wang, Y.; Shao, J.; Su, C.; Cui, Y.; Zhang, Q. The application of improved SWAT model to hydrological cycle study in karst area of South China. Sustainability 2019, 11, 5024. [Google Scholar] [CrossRef]

56. Strauch, M.; Volk, M. SWAT plant growth modification for improved modeling of perennial vegetation in the tropics. Ecol. Model. 2013, 269, 98–112. [Google Scholar] [CrossRef]

57. Jin, X.; Jin, Y.; Fu, D.; Mao, X. Modifying the SWAT Model to Simulate Eco-Hydrological Processes in an Arid Grassland Dominated Watershed. Front. Environ. Sci. 2022, 10, 939321. [Google Scholar] [CrossRef]

58. Duran, L.; Gill, L. Modeling Spring flow of an Irish karst catchment using Modflow-USG with CLN. Hydrol. J. 2021, 597, 125971. [Google Scholar] [CrossRef]

59. Zhang, Z.; Chen, X.; Li, S.; Yue, F.; Cheng, Q.; Peng, T.; Soulsby, C. Linking nitrate dynamics to water age in underground conduit flows in a karst catchment. Hydrol. J. 2021, 596, 125699. [Google Scholar] [CrossRef]

60. Liang, K.; Zhang, X.; Liang, X.Z.; Jin, V.L.; Birru, G.; Schmer MR Robertson, G.P.; McCarty, G.W.; Moglen, G.E. Simulating agroecosystem soil inorganic nitrogen dynamics under long-term management with an improved SWAT-C model. Sci. Total Environ. 2023, 879, 162906. [Google Scholar] [CrossRef]

Dai J, Pan L, Deng Y, Wan Z, Xia R. Modified SWAT Model for Agricultural Watershed in Karst Area of Southwest China. Agriculture. 2025; 15(2):192. https://doi.org/10.3390/agriculture15020192

Перевод статьи «Modified SWAT Model for Agricultural Watershed in Karst Area of Southwest China» авторов Dai J, Pan L, Deng Y, Wan Z, Xia R., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык