不同种植模式农田地下水氮污染差异分析及其估算模型研究

Difference analysis of nitrogen pollution in farmland groundwater under different planting patterns and its estimation model study

摘要

为构建河南省不同种植模式下农田地下水氮污染的有效估算模型，以2022—2023年河南省典型种植区系统采集的210口农田井水氮污染特征样本（粮食种植区169个，蔬菜种植区41个）为研究对象，基于地理信息系统（GIS）技术，结合通径分析量化施氮量、降水量和井深等特征指标的作用强度变化，建立农田地下水污染特征多元回归模型，对农田地下水的硝态氮污染进行估算和验证。结果表明：210份样本的地下水主要污染特征为硝态氮（NO₃⁻-N），粮食种植区和蔬菜种植区超标率分别为1.02%和30.03%。通径分析表明，施氮量是促进农田地下水氮污染的核心因素，井深对氮污染产生抑制作用，降水量则对粮食区和蔬菜区的氮污染分别存在抑制和促进作用。构建硝态氮估算模型的建模集决定系数（R²）达到0.62~0.72，验证集在全样本和粮食区模型的R²分别达到0.41和0.53，整体精度良好。综上，本研究构建的模型可有效评估不同种植模式下农田地下水氮污染特征，适用于地下水硝态氮污染的评估。

Abstract

To develop effective approaches for estimating nitrogen pollution in farmland groundwater under different planting patterns in Henan Province， this study employed 210 farmland groundwater samples systematically collected from typical planting areas in Henan Province during 2022-2023 （169 samples from grain planting and 41 from vegetable planting）. Based on Geographic Information System （GIS） technology， combined with correlation and path analysis， the effects of nitrogen application rate， precipitation， and well depth on groundwater nitrogen pollution were quantified. Multiple regression models were subsequently developed to estimate nitrate contamination in farmland groundwater. The results showed that：Nitrate nitrogen （NO₃⁻-N） was the primary pollutant in farmland groundwater. The exceedance rates in grain planting and vegetable planting areas were 1.02% and 30.03%， respectively. Path analysis identified nitrogen application rate as the core factor affecting nitrogen pollution， whereas well depth exerted an inhibitory effect. Precipitation exhibited contrasting effects between planting patterns， showing an inhibitory role in grain planting areas but a promoting effect in vegetable planting areas. The multiple regression estimation model exhibited accuracy in the calibration set， with R² values ranging from 0.62 to 0.72. Meanwhile， the validation set presented satisfactory model performance in the overall dataset and grain planting areas， with R² values of 0.41 and 0.53， respectively， indicating satisfactory predictive performance. In summary， the model can effectively quantify nitrogen pollution characteristics in farmland groundwater and is applicable to the assessment of nitrate nitrogen pollution in groundwater.

Graphical abstract

关键词

农田地下水 / 氮污染 / 种植模式 / 估算模型

Key words

farmland groundwater / nitrogen pollution / planting pattern / estimation model

在农业集约化背景下，氮肥投入强度持续增加，使农田地下水氮污染问题日益突出，已成为制约区域水资源安全的重要环境问题之一^［1］。河南省是我国重要的农业生产区，地下水占供水总量的43.6%，其中94.4%为易受污染的浅层地下水^［2］。随着农业集约化程度不断提高，化肥施用已成为保障作物产量的重要措施^［3］。然而河南省主要作物的化肥利用率仅为40.1%，低于国际推荐水平（50%~60%）^［4］。氮肥的不合理使用不仅造成资源浪费，更对地下水水质构成了严重威胁。因此，从种植模式差异角度开展农田地下水氮污染特征及其估算研究，对科学评估区域地下水氮污染来源和支撑精准防控具有重要意义。

国内外学者对影响浅层地下水水质的因素开展了大量研究^［5］。其中，硝态氮作为地下水水质评价的关键指标，其从农田土壤向地下水的迁移过程不仅导致土壤养分流失和资源浪费，还会对生态环境和人体健康产生危害^［6-8］。近年来的研究表明，我国浅层地下水硝态氮污染问题日益突出，2023年全国地下水监测数据显示，约90%的监测点位硝态氮含量超过GB/T 14848-2017《地下水质量标准》^［9］规定的20 mg/L限值。陈肖如等^［10］研究发现华北平原不同种植模式下硝态氮累积存在显著差异，蔬菜种植区显著高于粮食作物区。Ma等^［11］通过氮氧同位素示踪技术明确了地下浅层水中的硝酸盐主要来源于化学氮肥、有机肥和土壤氮素。多元回归、结构方程模型和地理信息系统（GIS）已被广泛应用于硝态氮迁移转化研究。赵晓莹等^［12］通过构建多元回归模型，识别并量化描述影响华北夏玉米区土壤氮淋失的关键因素。Kong等^［13］采用结构方程模型系统量化了氮素减排机制，为长江稻麦种养结合区肥料管理提供了量化评价工具。张玉玲等^［14］则基于GIS分析了土壤硝酸氮的空间变异特征及影响因素，有效借助地理统计学工具解析了土壤氮素的空间规律。

现有研究对区域尺度下农田地下水硝态氮污染的空间分布规律及其影响因素的量化分析多停留于单因子影响分析^［15-17］，缺乏对多因子交互作用及其影响权重的系统解析，一定程度上制约了对区域农田地下水硝态氮污染形成机制的深入理解。同时，当前针对各地区地下水硝态氮含量的研究，主要依赖于繁琐地实地采样和分析流程，以及多种复杂且难以广泛应用的模拟模型^［18］。这种局限性使得研究成果难以有效地应用于区域地下水硝态氮污染的广泛评估和防控实践中。河南省地处华北平原南部，是我国重要的粮食生产核心区，不同种植模式并存、农业投入强度差异显著，农田氮素和设施管理等多种人为干扰因素叠加使该区域地下水硝态氮污染风险具有一定的代表性。然而，从种植模式差异视角出发，综合量化多因子作用路径并构建适用于区域尺度快速评估的农田地下水硝态氮估算模型的研究鲜见报道。本研究以河南省典型农区为研究对象，系统采集不同种植模式下农田地下水样品，通过通径分析和多元回归解析地下水硝态氮污染空间分布特征及影响因素权重，构建基于易获取的施氮量、降水量和地下水深度等因素的地下水硝态氮含量估算模型，旨在构建河南省不同种植模式下农田地下水氮污染的有效估算模型，以期为河南省农田地下水氮污染防控和农业氮肥管理提供参考。

1　材料与方法

1.1　研究区域概况

研究区域位于河南省平原典型一年两熟种植农作区（31°23′~36°22′ N，110°20′~116°43′ E，海拔100~150 m），剔除洛阳市、三门峡市和信阳市等山地丘陵区域，避免地形干扰。2022—2023年，在河南省15个市县的粮食作物种植区和蔬菜作物种植区开展地下水定位取样调查，共采集水样210个（图1）。涵盖粮食种植区（169个样本，占80.5%）和蔬菜种植区（41个样本，占19.5%），蔬菜种植样本覆盖了河南省70%以上蔬菜种植面积的主要区域，以露地种植为主。

1.2　数据来源

气象降水数据来源于国家气象数据中心，通过计算获得各取样点位年平均降水量，mm。施氮量数据基于2019—2022年河南省典型地块调查统计数据。地下水质量分类参照GB/T 14848—2017《地下水环境质量标准》^［9］硝态氮分级标准，具体取样信息见表1。井水样品中，埋深<5 m的浅层潜水井占50%，5~10 m的中层潜水井占29%，>10 m的深层承压水井占21%。取样点调查指标包括井水经纬度、区域种植模式、井水深度、水位等。样本采集遵循HJ494—2009《水质采样技术指导》^［19］，控制取样器下放置于水面下0.2 m处，匀速提升获取代表性水样，随后将样品置于4 ℃保存。参考Fan等^［20］的方法，使用德国SEAL AA3连续流动分析仪对样品的铵态氮、硝态氮、总氮进行测定。

1.3　研究方法

1.3.1　克里金插值法

克里金插值法（Kriging interpolation method）通过半变异函数量化已知采样点的属性关联规律，估算未知位置的属性值，同时确保误差方差最小^［21］。在ArcGIS v10.2的地理统计分析模块中使用并计算。

1.3.2　皮尔逊相关分析

皮尔逊相关分析（Pearson correlation analysis）用于评估2个连续变量之间的线性相关程度^［20］，计算公式如下：

r=\frac{{\sum }_i(x_i-\overline{x})(y_i-\overline{y})}{\sqrt[]{{\sum }_i(x_i{-\overline{x})}^{\mathrm{2}}(y_i{-\overline{y})}^{\mathrm{2}}}}(1)

式中：r为皮尔逊相关系数；x_i和y_i分别为变量x和y的观测值；\overline{x}和\overline{y}分别为变量x和y的平均值。皮尔逊相关性分析能够通过计算变量之间的r，识别出变量间的线性关系强度和方向。当r>0时，表示2个变量之间存在正相关关系；当r<0时，表示2个变量之间存在负相关关系。相关性的统计显著性通过P进行检验，当P<0.05时认为相关性显著，当P<0.01时认为相关性极显著。

1.3.3　通径分析

通径分析（path analysis）是一种研究变量间因果关系的统计方法，它能将2个变量之间的“总影响”分解为“直接影响”和通过其他变量的“间接影响”^［22］。在进行通径分析前，首先采用方差膨胀因子（VIF）对自变量间的多重共线性进行检验。当VIF<5时，说明不存在严重多重共线性，各变量可用于后续通径分析。通径分析公式如下：

1）自变量x对中介变量m的通径系数，若m仅受x直接影响，通径系数等于x与m的皮尔逊相关系数（r_xm ）：

P_{x\to m}=r_{xm}=\frac{{\sum }_i(x_i-\overline{x})(m_i-\overline{m})}{\sqrt[]{{\sum }_i(x_i{-\overline{x})}^{\mathrm{2}}{\sum }_i(m_i{-\overline{m})}^{\mathrm{2}}}}(2)

式中：\overline{x}\mathrm{、}\overline{m}分别为x、m的样本均值。

2）中介变量m对结果变量y的通径系数（控制x影响后），剔除x的干扰，m对y的“净直接效应”：

P_{m\to y}=\frac{r_{my}-r_{xm}{r}_{xy}}{\mathrm{1}-r_{xm}^{\mathrm{2}}}(3)

式中：r_my 为m与y的皮尔逊相关系数，r_xy 为x与y的皮尔逊相关系数。

3）自变量x对结果变量y的直接通径系数（控制m影响后），剔除m的干扰，x对y的“净直接效应”：

P_{x\to y}=\frac{r_{xy}-r_{xm}\cdot r_{my}}{\mathrm{1}-r_{xm}^{\mathrm{2}}}(4)

1.3.4　多元回归模型

多元回归模型作为经典线性建模工具，通过求解回归系数，可将多变量间的抽象关联转化为自变量变化对因变量的具体影响幅度^［12］。本研究采用SPSS v26.0进行数据预处理和模型构建，在经过正态性检验后，按照2∶1的比例将样本集随机划分为建模集与验证集，采用多元线性回归模型构建估算方程，其基本形式如下：

y={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{x}_{\mathrm{1}}+{\beta }_{\mathrm{2}}{x}_{\mathrm{2}}+{\beta }_{\mathrm{3}}{x}_{\mathrm{3}}(5)

式中：{\beta }_{\mathrm{0}}\mathrm{为}回归常数项，{\beta }_{\mathrm{1}}、{\beta }_{\mathrm{2}}、{\beta }_{\mathrm{3}}为各自变量的回归系数。

模型精度评价指标主要采用决定系数（coefficient of determination，R² ）和相对预测偏差（ratio of performance to deviation，RPD）。其中，R² 越高，说明模型估算性能越好。RPD≥2.0表示模型结果可靠，2.0>RPD>1.4表示模型结果可行但准确性和稳定性有待提高，RPD≤1.4表明模型结果较差，数据不可靠。具体计算公式如下：

R^{\mathrm{2}}=\mathrm{1}-{\sum }_{i=\mathrm{1}}^n{\left(y_i-{\widehat{y}}_i\right)}^{\mathrm{2}}/{\sum }_{i=\mathrm{1}}^n{\left(y_i-{\overline{y}}_i\right)}^{\mathrm{2}}(6)

\mathrm{R}\mathrm{P}\mathrm{D}=\frac{\mathrm{S}\mathrm{T}\mathrm{D}\mathrm{E}\mathrm{V}}{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}(7)

式中：n为样本总个数；y_i为第i个样品的实测值；{\widehat{y}}_i为第i个样品的模型预测值；{\overline{y}}_i为第i个样品的样本实测值的平均值；STDEV为样品实测值的标准差；RMSE为模型均方根误差。

2　结果与分析

2.1　河南省地下水氮含量空间分布

由图2可知，河南省农田地下水中总氮、硝态氮呈“豫西南-豫东北一线低，豫东南-豫西北两侧高”格局。粮食种植区的地下水中硝态氮含量较低，蔬菜种植区的地下水中硝态氮含量较高。铵态氮的空间分布与总氮、硝态氮存在较大差异，豫北部铵态氮含量较高，豫西南部铵态氮含量较低。

2.2　不同种植模式下地下水氮含量差异分析

由图3可知，蔬菜种植区的地下水中总氮和硝态氮平均含量均显著高于粮食种植区，铵态氮平均含量则是粮食种植区显著高于蔬菜种植区，总氮与硝态氮趋势一致。除开封市、滑县和郸城县外，其余地区的总氮含量差异显著；除郸城县和扶沟县外，其余地区地下水硝态氮含量差异显著；除开封市外，其余地区地下水铵态氮含量亦表现出显著差异。

由图4可知，河南省不同种植模式区的农田地下水中无机氮的主要存在形态为硝态氮（NO_₃^⁻-N）。在粮食种植区中，所有监测点的硝态氮平均值占总氮的73.95%，铵态氮占比为5.75%；在蔬菜种植区所有监测点的硝态氮平均值占总氮的78.83%，铵态氮占比为6.50%。不同种植区的地下水中氮素形态占比具有相似性，滑县、中牟县、开封市、柘城县、漯河市等地区粮食种植区和蔬菜种植区硝态氮含量占比均低于河南省全样本的平均值，其余地区则均高于平均值水平。粮食种植区中，开封市农田地下水的硝态氮形态占比最低，为44.99%；扶沟县占比最高，为85.87%。蔬菜种植区中，开封市农田地下水的硝态氮形态占比最低，为47.02%；扶沟县占比最高，为94.73%。

2.3　不同种植模式的地下水硝态氮质量等级

由图5可知，依据地下水质量分类标准，粮食种植区地下水硝态氮污染平均等级占比分别为I类17.31%、Ⅱ类31.71%、Ⅲ类49.96%、IV类1.02%，V类为0%，超标率（>Ⅲ类）达1.02%；蔬菜种植区地下水硝态氮污染平均等级占比分别为I类12.46%、Ⅱ类18.94%、Ⅲ类34.37%、IV类23.89%、V类6.14%，超标率（>Ⅲ类）达30.03%。粮食种植区的地下水质量等级优于蔬菜种植区。粮食种植区中样本点硝态氮大多符合Ⅰ类和Ⅱ类水质标准，硝态氮含量处于较低水平。而在蔬菜种植区中，博爱县、扶沟县、驿城区等地区的水质大多在Ⅲ类以上。其中，博爱县情况尤为突出，40%的地下水为Ⅴ类水质，35%为IV类，远超饮用水硝态氮含量20 mg/L的标准^［9］。

2.4　不同种植模式地下水氮污染影响因素

采用方差膨胀因子（VIF）检验共线性程度（VIF<5视为无严重共线性），施氮量VIF=2.36，降水量VIF=2.74，井深VIF=2.93（均<5.0），表明自变量间多重共线性可忽略，可满足通径分析前提条件。

由表2可知，不同种植区的地下水中硝态氮与影响因素间相关性存在差异，两类种植区的施氮量与农田地下水硝态氮含量均为极显著正相关，但粮食种植区的相关系数高于蔬菜种植区。两类种植区的井深与农田地下水硝态氮均为极显著负相关，蔬菜种植区的相关系数绝对值高于粮食种植区。降水量与农田地下水硝态氮的相关性在不同种植模式区间表现出相反的趋势，在粮食种植区降水量与农田地下水硝态氮呈极显著正相关，在蔬菜种植区则呈现负相关，但未达显著水平。

施氮量在不同种植区中均呈现正向直接效应，在粮食种植区直接通径系数为0.81，井深、降水量通过施氮量间接影响农田地下水硝态氮含量的间接通径系数分别为-0.24、-0.17；在蔬菜种植区施氮量的直接通径系数为0.49，井深、降水量通过施氮量间接影响农田地下水硝态氮含量的间接通径系数分别为0.22、0.01。井深在不同种植区中均表现出负向直接效应，在粮食种植区其直接通径系数为-0.58，施氮量、降水量通过井深间接影响农田地下水硝态氮含量的间接通径系数分别为0.34、-0.23；在蔬菜种植区井深的直接通径系数为-0.34，施氮量、降水量通过井深间接影响农田地下水硝态氮含量的间接通径系数分别为-0.33、0.08。降水量的直接效应在不同种植区中存在差异，粮食种植区其直接通径系数为0.36，施氮量、井深通过降水量间接影响农田地下水硝态氮含量的间接通径系数分别为-0.40、0.37；在蔬菜种植区降水量的直接通径系数为-0.29，施氮量、井深通过降水量间接影响农田地下水硝态氮含量的间接通径系数分别为-0.01、0.09。

2.5　不同种植模式下地下水硝态氮含量估算模型构建

基于多元回归模型构建针对不同种植模式区的地下水硝态氮含量估算模型，选用上述施氮量、井深、降水量3个主要影响因素为模型自变量输入。经过正态检验，河南省全样本构建的模型拟合精度最高，R² =0.72，RPD=1.90（图6）。不同种植模式下则表现粮食种植区建模精度高于蔬菜种植区。而在验证集中，粮食种植区最佳，R² =0.53，RPD=1.61。

3　讨 论

3.1　种植模式对地下水硝态氮污染的差异化驱动

农业种植结构的区域差异为地下水氮污染的空间差异提供了重要背景^［23］。河南省气候及农业生产活动存在地区间差异，致使不同种植模式下地下水氮含量呈现显著的空间异质性（图2）。粮食和蔬菜种植受氮素投入强度、作物生理特性、田间管理方式的多重调控驱动地下水硝态氮污染呈现显著差异（图3）。因此，系统识别不同种植模式下氮污染的空间差异及其驱动机制，对于提升地下水氮污染估算精度及模型区域适用性具有重要意义。蔬菜种植区的施氮量范围远超粮食种植区，高施氮量使蔬菜区土壤的氮盈余，为淋溶至地下水提供了充足的氮污染源（表1）。本研究结果表明，粮食种植区和蔬菜种植区地下水硝态氮超标率分别为1.02%和30.03%（图5）。这一结果与李晓欣等^［24］在华北平原的研究结论一致。作物之间的生理特性差异也决定了地下水氮污染的进一步放大，本研究氮污染形态占比结果显示，蔬菜种植区地下水硝态氮占总氮比例高于粮食区（图4），这可能与蔬菜系统复种频繁、根系吸收过程弱于粮食作物等有关^［25-26］。两类种植区的灌溉与地下水开采方式同样决定了硝态氮向地下水的迁移效率。蔬菜种植区相较于粮食区通常灌溉次数更多、井深更浅，受氮素淋溶风险更大^［27］。基于GIS分析的空间分布结果进一步表明，种植模式与地下水硝态氮污染在区域尺度上存在空间关联，粮食种植区硝态氮浓度整体较低，呈“豫南-豫中-豫北”带状分布；蔬菜种植区污染则更为集中（图2）。这一空间差异不仅与种植结构相关，更与区域水文地质背景高度耦合。李兴明等^［28］研究发现，豫东南、豫西北蔬菜种植区多位于黄河冲洪积平原，包气带以砂质壤土为主，硝态氮淋溶迁移速度快；而豫西南-豫东北粮食种植区包气带含黏土层，氮素在土壤中被作物吸收或被微生物转化的概率增加，淋溶风险降低。马新明等^［29］在研究河南省小麦生产潜力时也指出，区域农业布局与资源禀赋的差异是导致空间分异的重要原因。

3.2　地下水硝态氮污染影响因素作用机制

地下水硝态氮含量受施氮量、井深、降水量等多因素综合影响^［30］。相关性分析和通径分析结果表明，这些因素的作用权重与路径在粮食种植区和蔬菜种植区存在显著差异（表2），本质是不同种植模式调控下的氮素迁移转化淋溶路径与环境因子耦合效应体现^［15］。其中，施氮量是两类种植区的核心正向污染驱动因素，河南省全样本的直接通径系数达0.74（表2，P<0.01），这一结果明确了施氮量是污染防控的关键靶点。在粮食种植区中井深和降水量可抵消施氮量对农田地下水硝态氮含量产生的间接效应，较深的地下水井深会延缓氮素淋溶，同时降水虽会促进氮素污染下渗但也能配合施氮带动粮食作物对氮素的吸收^［31］。与粮食区相反的是在蔬菜区井深对施氮量的间接通径系数从-0.24增强为0.22。在集约化蔬菜种植区中，井深在一定范围内的增加通常对应取水更困难和更频繁的灌溉活动，与高强度施氮相耦合，表明人为调控进而加速氮素向地下水的迁移^［32］。而降水量在蔬菜种植区对施氮量的间接影响则不显著，这与当地蔬菜种植过程中设施栽培和灌溉补水等人为措施有关^［33］。

井深作为一种重要的人为调控措施，对缓解地下水的氮污染具有积极的作用，但其与施氮量和降水量等因素之间的间接关系在不同种植模式间存在差异^［31］。本研究发现井深在通径分析中表现出对硝态氮污染的显著负向驱动作用，河南省全样本的直接通径系数达-0.31（表2，P<0.01）。施氮量通过井深对农田地下水硝态氮污染产生的间接影响在粮食种植区为抵消效应，在蔬菜种植区为增强效应。而降水量在蔬菜种植区通过井深造成的间接效应不显著，在粮食种植区中降水量则增强了通过井深的间接效应，扩大了对地下水氮污染的影响。降水作为直接影响因素会加剧氮淋溶污染的风险。但Chen等^［34］研究表明，随着井深的增加，适度降水可减少人为灌溉投入，从而间接减少氮素淋溶。蔬菜种植过程包含大量设施农业与人为灌溉，降水（自然因素）对井深（管理因素）没有间接影响。这也导致降水量对不同种植模式区的氮污染直接通径系数存在差异，粮食种植区中为正向驱动，蔬菜种植区为负向驱动，河南省全样本的直接通径系数仅为-0.02（表2，P>0.05）。施氮量和井深通过降水量对农田地下水硝态氮含量产生的间接影响在粮食种植区中分别呈现抑制和增强效应，在蔬菜种植区间接影响较弱且皆不显著（表2，P>0.05）。Kurtzman等^［35］指出，在控制氮淋溶的过程中一味追求增加井深并不能有效抑制污染过程，需要将人为管理与实际自然情况、经济管理相结合，从多角度进行污染管控。

3.3　模型性能差异

在复杂背景下氮污染估算模型适用性存在差异，模型精度受区域特征、环境因素及管理措施共同影响^［33］。为评估本研究构建的硝态氮估算模型的适用性和准确性，利用模型对河南全省和不同种植区的样本进行分析，结果显示该模型在河南省全样本中的拟合精度良好，但在不同种植模式的验证集上存在显著差异。粮食种植区（R²=0.53）和全样本（R²=0.41）验证集性能表现明显优于蔬菜种植区（R²=0.18，图6）。大部分硝态氮污染样本在蔬菜种植区的估算值低于实测值，且在连茬多季耕作下超出建模集数值范围的污染时，模型参数无法有效进行估算。Bai等^［36］研究发现，蔬菜种植区因频繁灌溉、覆膜等高强度栽培管理措施改变了氮的迁移路径。该复杂性在本研究中不仅会导致氮污染进一步加深极端值的出现与自然因子（如降水等）解释力下降，还会限制蔬菜种植区和河南省全样本的数据集合中的模型估算准确性。针对蔬菜种植区的特点有必要采取进一步的不同参数输入和分析。Paz等^［37］提出当前的作物模型精度虽高，但依赖复杂的土壤理化性质或高频管理数据，而本研究仅用施氮量、井深及降水量3个易获取的常规农业因素变量在保证估算精度的同时显著提升了模型实用性，该策略解释了蔬菜种植区模型失效的原因，更指明了未来的优化路径。在后续研究中，需要考虑更多环境及管理变量如土壤质地、灌溉频率等以解决模型在极端条件下的局限性，并设置适宜的试验处理结合作物模型和敏感性分析对氮淋溶过程的影响因素进行机理分析解释。

4　结 论

通过对河南省多地市农田井水样本的系统分析发现，河南省农田地下水的硝态氮含量分布呈“豫西南-豫东北一线低，豫东南-豫西北两侧高”的空间异质性特征，且存在显著的种植模式差异。粮食种植区和蔬菜种植区地下水硝态氮超标率分别为1.02%和30.03%。不同种植模式区的施氮量、井深、降水量等氮污染影响因素的作用权重与路径存在差异，施氮量是影响地下水硝态氮含量的核心直接驱动因素，其河南省全样本的直接通径系数达0.74；基于影响因素构建的多元回归估算模型在河南省全样本、粮食种植区、蔬菜种植区建模集R²分别为0.72、0.70、0.62，验证集在河南省全样本和粮食区模型的R²分别达到0.41和0.53，整体精度良好。综上，本研究构建的模型可有效评估不同种植模式下农田地下水氮污染特征，适用于地下水硝态氮污染的评估。

参考文献

[1] Gao H B， Wang G， Fan Y R， Wu J F， Yao M Y， Zhu X F， Guo X， Long B， Zhao J. Tracing groundwater nitrate sources in an intensive agricultural region integrated of a self-organizing map and end-member mixing model tool ［J/OL］. Scientific Reports，（--）. DOI： 10.1038/s41598-024-67735-x

[2] 河南省水利厅. 2022年河南省水资源公报［EB/OL］. （--）［--］.

[3] Henan Provincial Department of Water Resources. Henan provincial water resources bulletin 2022［EB/OL］. （--）［--］. in Chinese）

[4] 张广禄， 刘海燕， 郭华明， 孙占学， 王振， 吴通航. 华北平原典型山前冲洪积扇高硝态氮地下水分布特征及健康风险评价［J］. 地学前缘， 2023， 30（4）： 485-503

[5] Zhang G L， Liu H Y， Guo H M， Sun Z X， Wang Z， Wu T H. Occurrences and health risks of high-nitrate groundwater in typical piedmont areas of the North China Plain［J］. Earth Science Frontiers， 2023， 30（4）： 485-503 （in Chinese）

[6] 河南省农业农村厅. 关于印发《河南省到2025年化肥减量化行动方案》的通知［EB/OL］. （--） ［--］.

[7] Henan Provincial Department of Agriculture and Rural Affairs. Notice on the issuance of Henan province chemical fertilizer reduction action plan by 2025［EB/OL］. （--） ［--］. in Chinese）

[8] 周健民， 沈仁芳. 土壤学大辞典［M］. 北京： 科学出版社， 2013

[9] Zhou J M， Shen R F. Dictionary of Soil Science［M］. Beijing： Science Press， 2013 （in Chinese）

[10] Burow K R， Nolan B T， Rupert M G， Dubrovsky N M. Nitrate in groundwater of the United States， 1991-2003 ［J］. Environmental Science & Technology， 2010， 44（13）： 4988-4997

[11] Díaz-Alcaide S， Martínez-Santos P. Review： Advances in groundwater potential mapping［J］. Hydrogeology Journal， 2019， 27（7）： 2307-2324

[12] 陈云增，陈志凡，马建华，孙瑞玲，邹桂英.沙颍河流域典型癌病高发区土壤硝态氮对地下水和蔬菜硝酸盐积累的影响［J］. 环境科学学报， 2016， 36（3）： 990-998

[13] Chen Y Z， Chen Z F， Ma J H， Sun R L， Zou G Y. Effects of soil nitrate nitrogen on the nitrate accumulation in groundwater and vegetables in a typical high cancer incidence area of Shaying River basin［J］. Acta Scientiae Circumstantiae， 2016， 36（3）： 990-998 （in Chinese）

[14] 中国地质环境监测院. 中国地下水监测报告（2023）［R］. 北京： 自然资源部， 2023

[15] China Institute of Geo-Environment Monitoring. China groundwater monitoring report （2023）［R］. Beijing： Ministry of Natural Resources， 2023 （in Chinese）

[16] 陈肖如， 李晓欣， 胡春胜， 雷玉平， 倪锐， 马林. 华北平原农田关键带硝态氮存储与淋失量研究［J］.中国生态农业学报（中英文）， 2021， 29（9）： 1546-1557

[17] Chen X R， Li X X， Hu C S， Lei Y P， Ni R， Ma L. Nitrate storage and leaching in the critical zone of farmland in the North China Plain［J］. Chinese Journal of Eco-Agriculture， 2021， 29（9）： 1546-1557 （in Chinese）

[18] Ma B Q， Huang T M， Li J， Li Z B， Long Y， Zhang F， Pang Z H. Tracing nitrate source and transformation in a semiarid loess aquifer with the thick unsaturated zone［J/OL］. Catena，（--）. DOI：doi.org/10.1016/j.catena.2020.105045

[19] 赵晓莹， 王诺婷， 崔斌， 尹实磊， 杨轩， 孟凡乔. 华北地区夏玉米生产中农田氮淋失的定量预测［J］.中国生态农业学报（中英文）， 2023， 31（9）： 1439-1448

[20] Zhao X Y， Wang N T， Cui B， Yin S L， Yang X， Meng F Q. Prediction of farmland nitrogen leaching loss from summer maize production in the North China［J］. Chinese Journal of Eco-Agriculture， 2023， 31（9）： 1439-1448 （in Chinese）

[21] Kong D L， Zhang X D， Yu Q D， Jin Y G， Jiang P K， Wu S， Liu S W， Zou J W. Mitigation of N₂O emissions in water-saving paddy fields： Evaluating organic fertilizer substitution and microbial mechanisms ［J］. Journal of Integrative Agriculture， 2024， 23（9）： 3159-3173

[22] 张玉玲， 司超群， 陈志宇， 初文磊， 陈在星， 王璜. 土壤硝酸盐氮的空间变异特征及影响因素分析［J］.吉林大学学报：地球科学版， 2018， 48（1）： 241-251

[23] Zhang Y L， Si C Q， Chen Z Y， Chu W L， Chen Z X， Wang H. Spatial variability of soil nitrate nitrogen and its influencing factors［J］. Journal of Jilin University：Earth Science Edition， 2018， 48（1）： 241-251 （in Chinese）

[24] 耿玉栋， 张千千， 孙继朝， 刘景涛. 不同土地利用方式和地下水埋深对水中硝态氮浓度分布的影响［J］. 环境污染与防治， 2016， 38（6）： 63-68

[25] Geng Y D， Zhang Q Q， Sun J C， Liu J T. Impact of land use types and groundwater depth on the distribution of nitrate nitrogen in groundwater［J］. Environmental Pollution & Control， 2016， 38（6）： 63-68 （in Chinese）

[26] 白芳芳， 乔冬梅， 李平， 齐学斌， 王和洲， 郭魏， 韩洋， 赵宇龙. 地下水埋深和施氮量对夏玉米灌浆特性及水氮利用效率的影响［J］. 干旱地区农业研究， 2022， 40（6）： 90-99

[27] Bai F F， Qiao D M， Li P， Qi X B， Wang H Z， Guo W， Han Y， Zhao Y L. Effects of groundwater depth and nitrogen application rate on grain filling characteristics and water and nitrogen use efficiency of summer maize［J］. Agricultural Research in the Arid Areas， 2022， 40（6）： 90-99 （in Chinese）

[28] 许晓媛， 李彤阳， 尹高飞， 杨壹泽， 焦会青， 文宏达， 王田甜， 习斌， 李文超. 降雨、施肥对补水河流周边土壤硝态氮迁移分布的影响［J］. 中国生态农业学报（中英文）， 2024， 32（7）： 1206-1217

[29] Xu X Y， Li T Y， Yin G F， Yang Y Z， Jiao H Q， Wen H D， Wang T T， Xi B， Li W C. Effects of rainfall and fertilization on soil nitrate nitrogen migration-distribution around water replenishing rivers［J］. Chinese Journal of Eco-Agriculture， 2024， 32（7）： 1206-1217 （in Chinese）

[30] Gan L， Huang G X， Pei L X， Gan Y J， Liu C Y， Yang M N， Han D Y， Song J M. Distributions， origins， and health-risk assessment of nitrate in groundwater in typical alluvial-pluvial fans， North China Plain ［J］. Environmental Science and Pollution Research， 2022， 29（12）： 17031-17048

[31] HJ 494—2009水质采样技术指导 ［S］. 北京： 中国环境科学出版社， 2009

[32] HJ 494-2009-Guidance on sampling techniques Water quality ［S］. Beijing： China Environmental Science Press， 2009 （in Chinese）

[33] Fan Z H， Liu C P， Yu F Y， Lai Y L， Wang Q， Zhang Z Y， Zhang J J， Cheng J P， Ma X M， Gu X H， Xiong S P. Dynamic prediction of carbon and nitrogen accumulation in winter wheat grain： Source-sink theory integrated with UAV multispectral imagery ［J/OL］. Computers and Electronics in Agriculture， （--）. DOI： 10.1016/j.compag.2025.111228

[34] 熊淑萍， 高明， 张志勇， 秦步坛， 徐赛俊， 付新露， 王小纯， 马新明. 基于GIS的河南省小麦产量及产量构成要素时空差异分析［J］. 中国农业科学， 2022， 55（4）： 692-706

[35] Xiong S P， Gao M， Zhang Z Y， Qin B T， Xu S J， Fu X L， Wang X C， Ma X M. Spatial and temporal difference analysis of wheat yield and yield components in Henan Province based on GIS［J］. Scientia Agricultura Sinica， 2022， 55（4）： 692-706 （in Chinese）

[36] 别海， 陈一岩， 王保林， 乔旭， 冯贝贝， 王金召. 不同密度条件下黄淮海夏玉米产量与相关性状的通径分析［J］. 作物研究， 2022， 36（3）： 203-206， 214

[37] Bie H， Chen Y Y， Wang B L， Qiao X， Feng B B， Wang J Z. Path analysis of yield and related traits of summer maize under different density in Huang-Huai-Hai Region ［J］. Crop Research， 2022， 36（3）： 203-206， 214 （in Chinese）

[38] Li J， He Z B， Du J， Zhao L W， Chen L F， Zhu X， Lin P F， Fang S， Zhao M M， Tian Q Y. Regional variability of agriculturally-derived nitrate-nitrogen in shallow groundwater in China ， 2004-2014［J/OL］. Sustainability， （--）. DOI： 10.3390/su10051393

[39] 李晓欣， 王仕琴， 陈肖如， 雷玉平， 高鹏程， 胡春胜， 马林. 北方区域尺度地下水-包气带硝酸盐分布与变化特征［J］. 中国生态农业学报（中英文）， 2021， 29（1）： 208-216

[40] Li X X， Wang S Q， Chen X R， Lei Y P， Gao P C， Hu C S， Ma L. Spatial distribution and changes of nitrate in the vadose zone and underground water in northern China［J］. Chinese Journal of Eco-Agriculture， 2021， 29（1）： 208-216 （in Chinese）

[41] Wang J， Fu P H， Wang F， Fahad S， Mohapatra P K， Chen Y T， Zhang C D， Peng S B， Cui K H， Nie L X， Huang J L. Optimizing nitrogen management to balance rice yield and environmental risk in the Yangtze River’s middle reaches ［J］. Environmental Science and Pollution Research， 2019， 26（5）： 4901-4912

[42] Pan F F， Ni C M， Tang J， Zhang H X. Nitrogen absorption and mineralization change with cover crop types and greenhouse vegetable planting years in fluvo-aquic soil［J］. Journal of Soils and Sediments， 2024， 24（2）： 744-759

[43] Nejatijahromi Z， Nassery H R， Hosono T， Nakhaei M， Alijani F， Okumura A. Groundwater nitrate contamination in an area using urban wastewaters for agricultural irrigation under arid climate condition， southeast of Tehran， Iran ［J］. Agricultural Water Management， 2019， 221： 397-414

[44] 李兴明， 李玲， 范行行， 尚元一， 李栋浩， 吴用. 河南省农业面源总磷污染时空演变特征及影响因素分析［J］. 农业资源与环境学报， 2025， 42（4）： 944-955

[45] Li X M， Li L， Fan X X， Shang X X， Li D H， Wu Y. Characterization of spatial and temporal evolution of total phosphorus pollution from agricultural non-point sources and analysis of influencing factors in Henan Province［J］. Journal of Agricultural Resources and Environment， 2025， 42（4）： 944-955 （in Chinese）

[46] 马新明， 刘木森， 陈伟强， 周永娟. 基于GIS的河南省小麦自然生产优势区域评价研究［J］. 麦类作物学报， 2006， 26（6）： 104-107

[47] Ma X M， Liu M S， Chen W Q， Zhou Y J. Estimation of dominant regions in wheat natural production using GIS［J］. Journal of Triticeae Crops， 2006， 26（6）： 104-107 （in Chinese）

[48] 顾颖， 孙东宝， 王庆锁. 巢湖流域地下水硝态氮的分布及其影响因素研究［J］. 中国农业科技导报， 2011， 13（1）： 68-74

[49] Gu Y， Sun D B， Wang Q S. Studies on groundwater nitrate nitrogen distribution and its affecting factors in Chao Lake watershed［J］. Journal of Agricultural Science and Technology， 2011， 13（1）： 68-74 （in Chinese）

[50] Bai F F， Qi X B， Li P， Du Z J， Guo W. Groundwater depth and nitrogen application amount jointly regulate the water and residual soil nitrate accumulation in agricultural soil profile［J/OL］. Agronomy， （--）. DOI： 10.3390/agronomy13041163

[51] 陈昊， 李艳利， 高振朋， 张琮， 张东. 豫北蔬菜种植区浅层地下水硝酸盐来源及对强降雨事件的响应［J］. 生态与农村环境学报， 2024， 40（7）： 943-953

[52] Chen H， Li Y L， Gao Z P， Zhang C， Zhang D. Sources of shallow groundwater nitrate in the vegetable planting area of Northern Henan and its response to heavy rainfall events［J］. Journal of Ecology and Rural Environment， 2024， 40（7）： 943-953 （in Chinese）

[53] Wang X Z， Zou C Q， Gao X P， Guan X L， Zhang Y Q， Shi X J， Chen X P. Nitrate leaching from open-field and greenhouse vegetable systems in China： A meta-analysis ［J］. Environmental Science and Pollution Research， 2018， 25， 31007–31016

[54] Chen H， Liu J W， Qiao S， Zhao S L， Li D H， Wu Y， Li L， Liu P. Identifying the driving factors of soil nitrate nitrogen via MLs-GIS framework in an intensive plain agricultural area， China ［J/OL］. Journal of Cleaner Production， （--）. DOI： 10.1016/j.jclepro.2025.146302

[55] Kurtzman D， Kanner B， Levy Y， Nitsan I， Bar-Tal A. Maintaining intensive agriculture overlying aquifers using the threshold nitrate root-uptake phenomenon［J］. Journal of Environmental Quality， 2021， 50（4）： 979-989

[56] Bai X L， Jiang Y， Miao H Z， Xue S Q， Chen Z J， Zhou J B. Intensive vegetable production results in high nitrate accumulation in deep soil profiles in China［J/OL］. Environmental Pollution， （--）. DOI： 10.1016/j.envpol.2021.117598

[57] Paz J M D， Ramos C， Visconti F. NITIRSOIL： A model that balances complexity with prediction uncertainty for improving nitrogen fertilization in agriculture［J/OL］. Journal of Environmental Management， （--）. DOI： 10.1016/j.jenvman.2024.121746

基金资助

2025年河南省科技攻关项目(252102111184)

国家自然科学基金(32372239)

国家留学基金(202508410015)