基于同化能力的半干旱次流域氮磷污染评估：采用灰水足迹方法 Fatma Nihan Dogan 和 Goksen Capar

《Water》：Assimilative Capacity-Based Evaluation of Nitrogen and Phosphorus Pollution in a Semi-Arid Sub-Basin Using Grey Water Footprint Approach Fatma Nihan Dogan and Goksen Capar

　　**摘要**
本研究采用灰水足迹（GWF）方法评估了土耳其安卡拉河流域的氮（N）和磷（P）污染情况。研究应用了一级灰水足迹方法，并通过敏感性分析来评估关键参数（包括淋溶-径流比例和水质阈值）的影响。由于结果依赖于与淋溶比例和背景浓度相关的假设，因此应将其视为指示性而非绝对值。通过整合农业非点源排放数据和市政污水处理厂（WWTP）的数据，本研究识别出重要的污染热点以及导致水质退化的行业压力。研究结果表明，磷是制约整个流域灰水足迹大小的主要污染物。该流域出口处的总灰水足迹估计为每年82.94亿立方米。大约10%的流域灰水足迹来自化肥非点源排放，31%来自市政污水处理厂。研究指出，仅靠合规性并不能保证河流的自净能力。这些结果为政策制定提供了依据，强调了需要从基于浓度的监管转向考虑自净能力和流域累积影响的综合管理框架。

**1. 引言**
水资源短缺和污染已成为全球性的环境挑战，这促使人们更加关注水资源管理和污水处理效果。自20世纪80年代以来，全球淡水取用量每年增长约1%[1]。灰水足迹（GWF）的概念作为一种评估淡水水源污染环境影响的有效指标而兴起[2,3]。尽管污水处理厂（WWTP）旨在在污染物排放前将其减少，但其出水仍会导致水质下降和环境压力[4]。在这种情况下，污水处理厂在增加水体中的污染物负荷方面起着重要作用。除了点源污染外，农业活动通过非点源途径（如化肥径流）也贡献了大量营养物质，因此综合管理这些来源对于保护水质至关重要[5]。灰水足迹定义为达到环境水质标准所需的淡水量，为评估点源和非点源污染的环境负担提供了统一的衡量标准[6]。近期研究表明，灰水足迹分析能够揭示传统基于合规性的评估所忽略的影响。针对向小型水道排放的中小型污水处理厂的研究表明，合规性并不一定能防止接收水体中的生态风险[7]。越来越多的文献应用灰水足迹框架来评估不同运行和环境条件下的污水处理厂性能。大规模评估发现，总磷（TP）和铵氮（NH4-N）是灰水足迹的主要贡献因素[8]，而操作层面的方法改进（如操作灰水足迹）提高了对污水处理厂管理效果的评价[9]。其他研究引入了灰水足迹减少的概念，以反映污水处理在缓解水资源压力中的作用[10]。总体而言，氮（N）和磷（P）始终是最主要的限制因素，突显了提高能源效率和增强水资源回收对于可持续污水处理厂运营的重要性[11]。这些发现共同表明，灰水足迹是一种可靠的决策支持工具，有助于识别超出现有监管阈值的水质风险，并支持针对营养物质的处理升级和政策调整。

虽然污水处理厂是营养污染的主要点源，但在流域尺度上，非点源农业排放是灰水足迹的主要驱动因素，且往往更难以控制。源自化肥施用和径流的农业氮和磷污染会显著增加接收水体的灰水足迹[12]。与非点源不同，农业非点源排放在空间上分散，受土地利用、土壤性质和水文条件的影响较大，因此管理起来更具挑战性。越来越多的文献量化了来自农业、生活污水和工业等多个行业的非点源营养排放对灰水足迹和水污染水平的影响，涵盖了地方、区域和全球尺度[13,14]。由于化肥的广泛使用以及缺乏明确的排放点，农业非点源污染已成为水质管理中最持久的挑战之一。农业用地中的营养物质（主要是氮和磷）通过径流和淋溶过程进入地表水和地下水系统，在流域尺度上产生累积影响。在这种情况下，灰水足迹通过以达到环境水质标准所需的淡水量来表示非点源污染的压力，为量化这种压力提供了有用的框架。与传统基于浓度的指标不同，灰水足迹将非点源营养排放与接收水体的自净能力明确联系起来，特别适用于农业压力在空间上异质性和时间上变化较大的流域尺度评估。最近在国家和区域尺度上进行的一级灰水足迹评估证实了该框架在缺乏详细现场或过程数据时的适用性[15]。无论是在不同气候还是农业背景下，基于剩余量和基于系数的方法都成功应用于量化灰水足迹模式并识别污染热点，支持与政策相关的水质评估。在温带、地中海和干旱环境中进行的研究一致表明，灰水足迹对水质阈值的选择（尤其是最大允许浓度Cmax和自然背景浓度Cnat）非常敏感，这些因素对稀释需求有显著影响[16]。在集约化耕作的流域中，尽管灌溉效率较高，但灰水足迹仍可能超过接收水体的自净能力，这突显了灌溉效率与营养污染控制之间的脱节[17]。此外，虽然氮通常是农田营养排放的主要来源，但磷对于流域生态恢复（尤其是富营养化风险）更为关键[18]。这表明以氮为重点的灰水足迹评估存在一个共同局限性，即可能系统性地低估了磷敏感系统中的生态压力。不同行业（包括农业、生活污水和水产养殖）的相对贡献因地区和时间而异，进一步强调了灰水足迹结果的情境特定性以及多行业综合评估的必要性[19]。总之，尽管一级方法存在固有的不确定性，但它们提供了透明且可重复的估算结果，非常适合用于流域尺度的评估和管理导向的研究，尤其是在评估相对压力而非模拟详细污染物传输过程时[15]。

在土耳其，越来越多的研究量化了市政污水处理厂和农业活动的灰水足迹[20,21,22]。这些研究一致认为氮是集约化地区水质压力的主要驱动因素，但通常只关注单一行业或依赖通用的全国数据集。然而，同时整合特定地点的化肥数据、实际污水处理厂出水性能和长期河道监测数据的全面评估仍然很少，特别是在高城市化压力下的半干旱流域。尽管许多研究应用了灰水足迹框架，但大多数研究要么只关注点源（如污水处理厂），要么只关注非点源农业排放。此外，许多研究依赖于通用数据集，未包括化肥使用、污水处理厂性能或长期监测的特定地点数据。本研究通过为安卡拉河流域提供基于氮和磷的灰水足迹综合评估，直接将点源和非点源压力与河流的监测自净能力联系起来，填补了这一空白。安卡拉河流域属于土耳其萨卡里亚河流域的一部分，由于其人口密集、城市化快速以及农业和工业活动密集，成为评估城市和流域尺度水资源管理的关键案例。作为土耳其的主要河流流域之一，萨卡里亚河流域在饮用水供应、农业生产、工业发展和提供重要生态系统服务方面发挥着战略作用[23]。这些特点凸显了在安卡拉河流域有效进行污水处理和非点源污染控制的重要性。关于萨卡里亚河流域的研究使用了国家卫生基金会水质指数（NSF-WQI）对安卡拉河水质进行了详细分析，该指数提供了五个质量等级（优秀、良好、中等、较差和差）[24]。研究表明，上游地区的水质被评为中等至良好，但下游地区由于农业活动的影响水质显著下降，被评为差。这种逐渐恶化的情况突显了沿流域的人为压力的累积效应。因此选择安卡拉河流域作为研究区域，因为它体现了在快速发展的半干旱流域中平衡城市化、农业活动和水质管理的挑战。

本研究旨在评估安卡拉河流域的灰水足迹，量化与化肥相关的非点源污染和市政污水处理厂相关的点源压力，并将其与流域尺度的监测灰水足迹进行比较。通过分析营养负荷的空间和时间数据，本研究旨在识别导致水质退化的关键因素，并为有针对性的水资源管理策略提供见解。研究结果旨在支持流域尺度的水资源管理、水质评估和基于数据的政策制定。

**2. 材料与方法**
**2.1. 地点描述**
安卡拉河流域是土耳其萨卡里亚河流域的一部分，位于东经31°53′30″至33°14′32″、北纬39°23′14″至40°30′37″之间，面积约为7178平方公里（图1）。该地区气候干燥，年降水量约为300–500毫米。降水具有季节性，春季降雨量最大，夏季最小。夏季气温在25–30°C之间，冬季气温在-5–0°C之间。

**2.2. 灰水足迹方法**
灰水足迹定义为达到环境水质标准所需的淡水量，以吸收污染物负荷[6]。基于一级方法的灰水足迹计算公式如下：
$$ GWF = \frac{L \times Cmax}{Cnat} $$
其中，$ GWF $ 表示灰水足迹（立方米/年），$ L $ 表示年污染物负荷（千克/年），$ Cmax $ 表示接收水体中每种污染物的最大允许浓度（千克/立方米），$ Cnat $ 表示自然背景浓度（千克/立方米）。

土耳其地表水中的污染物最大允许浓度见表1。尽管在灰水足迹研究中通常将自然背景浓度设为0[12]，但本研究认为将其设为0并不合适。即使在没有人为影响的情况下，水体中也存在有机物及其衍生的污染物。根据《水足迹评估手册》[6]，灰水足迹代表了接收水体的自净能力的消耗，该能力由最大允许浓度（$ Cmax $）和自然背景浓度（$ Cnat $）之差决定。将$ Cnat $ 设为0会人为增大这一差异，导致灰水足迹估算值偏低。因此，本研究遵循[7]的方法，采用土耳其地表水质量法规中定义的优良状态浓度作为自然背景浓度[25]。在本研究中，良好和优良质量状态分别用$ Cmax $ 和 $ Cnat $ 表示。

本研究在流域内三个不同层次进行了灰水足迹计算：(i) 来自农业活动的非点源污染，(ii) 来自污水处理厂的点源污染，以及 (iii) 基于河道监测数据的整个流域的灰水足迹。这种多层次框架有助于比较各行业的贡献并评估流域尺度的累积影响。对于农业面源污染，通过基于淋溶和径流比例的一级方法估算了到达水系统的污染物负荷：(2) 其中 N 或 P 是作为肥料施用的总质量（kg yr?1），α 是无量纲的淋溶-径流比例。由于使用了汇总数据，假设每个区域内肥料施用率在空间上是均匀的。虽然这种简化没有捕捉到田间规模的变异性，但它与研究的流域范围是一致的。由此产生的不确定性主要与空间分布有关，而不是施用的肥料总量。对于来自污水处理厂（WWTPs）的点源污染，年负荷是根据测量的出水数据直接计算的：(3) 其中 Qeff 是年处理废水量（m3 yr?1），Ceff 是出水中污染物的年平均浓度（TN 或 TP）（kg m?3）。整个流域的全球水足迹（GWF）是使用所有水质监测点的数据计算得出的。选择距离子流域出口最近的监测点来代表整个流域的 GWF。按照这种方法，整个流域的 GWF 计算如下：(4) 其中 Qriver 是河流流量（m3 s），Cmonitored 是接收水体中观察到的污染物浓度（mg L?1）。为了考虑这些代理值的固有不确定性及其对最终 GWF 结果的显著影响，将敏感性分析纳入了评估中。该分析评估了 Cnat 和 Cmax 阈值的变动——反映不同的管理情景或潜在的自然背景波动——对估计的 GWF 的影响。这确保了结果的稳健性，并透明地处理了基于监管的代理方法的局限性。农业用地面积的影响没有明确包含在敏感性分析中，因为面源污染负荷是基于在流域尺度上被认为是可靠的肥料总施用量数据。主要的不确定性与空间分配有关，而不是总施用量，这对流域尺度的 GWF 结果影响有限。敏感性分析的详细内容在第 3.4 节中描述。

2.3. GWF 分析的数据
本研究关注 TN 和 TP 是因为这些数据在流域尺度上的可用性和监测一致性。与营养物质相关的数据系统地可用于源特征描述（例如，肥料施用和 WWTP 出水浓度）以及通过长期监测计划获得的接收水体数据。

2.3.1. 肥料施用
氮和磷的总输入量是根据子流域内各区域的肥料施用数据估算的。没有显著农业活动的区域（?ankaya、Etimesgut、Alt?nda?、Yenimahalle 和 Pursaklar）被排除在分析之外。此外，与子流域边界仅有有限空间重叠的区域（Bala、Beypazar?、Elmada? 和 K?z?lcahamam）也没有包括在内，因为它们对流域内总农业负荷的贡献被认为是可以忽略的。Aya?、Sincan 和 Polatl? 区域的肥料类型和施用率数据来自安卡拉省农业和林业局 2023 年的数据。由于这些区域仅部分位于研究区域内，因此使用地理信息系统（GIS）来确定位于安卡拉河流域内的农业用地比例。根据这种空间分析，根据位于流域边界内的耕地比例调整了总肥料输入量，而施用率（kg ha?1）假设在每个区域内是均匀的。对于缺乏区域特定肥料数据的区域（Akyurt、?ubuk、G?lba??、Haymana 和 Kahramankazan），使用省级统计数据估算了肥料施用率。安卡拉省的年氮和磷肥料总消耗量来自 TURKSTAT（2023 年的数据），并通过对全省农业用地总面积进行归一化，得出氮的平均施用率为 36.5 kg ha?1，磷的平均施用率为 9.33 kg ha?1。然后将这些平均施用率应用于位于子流域边界内的相应区域的农业用地（表 2）。表 2. 2023 年安卡拉河流域内农业用地的肥料来源氮（N）和磷（P）输入量估计值。根据林业和农业部（MoAF）的意见，在土耳其条件下，假设施用的氮有 10% 和磷有 2.5% 由于土壤中的总损失而进入接收环境[26]。基于这一假设，计算了肥料来源的面源负荷（进入水生环境），如表 3 所示。这种方法与 Franke 等人报告的方法一致[27]。

2.3.2. 点源（WWTPs）
使用安卡拉大都会市 2023 年的运营数据对安卡拉河流域内选定的 WWTPs 进行了 GWF 评估。使用出水流量和污染物浓度来计算年营养物质负荷。选择总氮（TN）和总磷（TP）作为关键水质指标，并相应地计算了 TN 和 TP 导出的 GWF 值。代表接收环境的河流流量数据来自安卡拉省农业和林业局。只有具有足够完整和一致数据集的 WWTPs（即连续的月度流量和浓度记录）被纳入分析（表 4）。

2.3.3. 安卡拉河中的 TN 和 TP 监测数据
从安卡拉省农业和林业局获得了安卡拉河沿岸多个监测站的总氮（TN）和总磷（TP）测量值。这些监测站的位置显示在图 1 中。由于某些年份的采样频率不规律和数据缺失，计算了 2015–2024 年期间的长期平均值并用于 GWF 估算。使用长期平均值可以减少短期变异性的影响，但可能会掩盖营养物浓度的季节性波动。采用这种方法是为了确保对基线水质条件的代表性描述；然而，这引入了与 2023 年源数据的时间不一致性，这是研究的局限性。

2.4. 敏感性分析
为了评估 GWF 估计的稳健性并量化输入参数的固有不确定性，进行了全面的敏感性分析。分析集中在两个关键维度上：（i）淋溶-径流比例（α），它代表施用营养物质到达水体的比例；（ii）环境水质标准（Cmax 和 Cnat），它们定义了接收环境的稀释能力。对于面源污染源，测试了三种淋溶比例情景：基线情景（α_TN = 0.10，α_TP = 0.025）、低影响情景（α_TN = 0.05，α_TP = 0.01）和高影响情景（α_TN = 0.20，α_TP = 0.05）。此外，基于不同的监管限制（从极其严格的生态限制到宽松的公平标准）建立了四种不同的水质阈值组合。虽然淋溶比例（α）特定于农业面源，但评估了 GWF 对水质阈值（Cmax 和 Cnat）的敏感性，包括点源和监测的河道负荷。由于 GWF 计算在数学上与污染物负荷成线性关系，并且与浓度梯度（ΔC）成反比，因此在面源污染情景中观察到的百分比变化是具有代表性的，并且适用于在相同阈值变化下的点源和监测站评估。

2.5. 总灰水足迹
针对每个 WWTP 个别评估了点源的 GWF，以反映特定地点的压力。根据《水足迹评估手册》，避免将各个点源的 GWF 值相加得出整个流域的累积总量，因为这种方法在技术上与“关键污染物”和“关键位置”原则不一致。WWTP1——具有最高排放能力的设施——被选为代表点源。由于其相对于其他 WWTP 的主导排放贡献，其 GWF 值被用来表示流域尺度上的点源压力大小。通过分析监测位置的综合污染物响应来计算河流流域的 GWF。评估集中在距离河流出口最近的监测站，因为它代表了整个上游流域的综合响应。虽然这种比较侧重于主导的点源，但它提供了市政废水与农业面源在流域尺度上的相对贡献的指示性评估。在本研究中，GWF 计算中使用的参数直接与表 2 和表 4 中呈现的数据集相关。肥料输入（M）对应于表 2 中报告的总氮和磷施用量，而出水浓度（Ceff）基于表 4 中给出的平均 TN 和 TP 值。出水流量（Qeff）是根据各 WWTP 报告的处理能力得出的。

3. 结果与讨论
3.1. 农业面源污染的灰水足迹
图 2 展示了来自农业活动的肥料来源氮（N）和磷（P）负荷估计值以及安卡拉河流域内八个区域的相应 GWF 值。结果显示基于标准假设集，其中淋溶-径流比例假设为 α_TN = 0.10 和 α_TP = 0.025，水质阈值（Cmax ? Cnat）分别基于“优秀”和“良好”水质等级定义。结果表明，Sincan 和 Polatl? 在 TN 和 TP 方面上的 GWF 值最高，表明在营养物污染相关的同化水需求方面具有最大的潜在压力。在 Sincan，基于 TP 的 GWF（2.48 亿 m3 yr?1）大约是基于 TN 的 GWF（3800 万 m3 yr?1）的 6.5 倍。TP 基础的 GWF 值在所有区域都超过了 TN 基础的值，这与 GWF 公式一致，因为磷的背景水平较低，环境水质标准更为严格。这一发现与先前的研究 [11,28] 一致，这些研究认为磷是确定 GWF 的最关键污染物，因为其自然背景浓度（Cnat）较低，环境水质标准更为严格。Akyurt 的 GWF 值最低（TN 为 482 万 m3 yr?1，TP 为 2057 万 m3 yr?1）。

3.2. 点源的灰水足迹
图 3 展示了选定 WWTPs 的月度 TN 和 TP 基础 GWF 值的变化。图 3 中用白色空白单元格表示的缺失 WWTP 数据通过仅包括可用和可靠的记录在 GWF 计算中处理。虽然这种方法确保了方法论的透明度，但由于数据缺失可能会引入一些不确定性。结果显示基于本研究采用的标准参数化，其中出水浓度（Ceff）取自表 4 中报告的平均值，水质阈值（Cnat 和 Cmax）分别对应于“优秀”和“良好”水质等级。对于这两个参数，WWTP1 显然在整个年度内表现出最高的 GWF 值，反映了其在子流域内的主导点源压力。其余 WWTPs 显示出较低的 GWF 值，表明其贡献较小但仍然相关。

3. 结果与讨论
3.1. 农业面源污染的灰水足迹
图 2 展示了安卡拉河流域内八个区域的肥料来源氮（N）和磷（P）负荷估计值及其相应的 GWF 值。结果显示基于标准假设集，其中淋溶-径流比例假设为 α_TN = 0.10 和 α_TP = 0.025，水质阈值（Cmax ? Cnat）分别基于“优秀”和“良好”水质等级定义。结果表明，Sincan 和 Polatl? 在 TN 和 TP 方面上的 GWF 值最高，表明在营养物污染的同化水需求方面具有最大的潜在压力。在 Sincan，基于 TP 的 GWF（2.48 亿 m3 yr?1）大约是基于 TN 的 GWF（3800 万 m3 yr?1）的 6.5 倍。TP 基础的 GWF 值在所有区域都超过了 TN 基础的值，这与 GWF 公式一致，因为磷的背景水平较低，环境水质标准更为严格。这一发现与先前的研究 [11,28] 一致，这些研究认为磷是确定 GWF 的最关键污染物，因为其自然背景浓度（Cnat）较低，环境水质标准更为严格。

3.2. 点源的灰水足迹
图 3 展示了选定 WWTPs 的月度 TN 和 TP 基础 GWF 值的变化。图 3 中用白色空白单元格表示的缺失 WWTP 数据通过仅在 GWF 计算中包括可用和可靠的记录来处理。虽然这种方法确保了方法论的透明度，但由于数据缺失可能会引入一些不确定性。结果显示基于本研究采用的标准参数化，其中出水浓度（Ceff）取自表 4 中报告的平均值，水质阈值（Cnat 和 Cmax）分别对应于“优秀”和“良好”水质等级。对于这两个参数，WWTP1 显然在整个年度内表现出最高的 GWF 值，反映了其在子流域内的主导点源压力。其余 WWTPs 显示出较低的 GWF 值，表明其贡献较小但仍然相关。

3.3. 点源的灰水足迹
图 3 显示了点源的月度 GWF 值变化（WWTPs，单位：百万 m3/月）（白色框表示缺失数据）。TN 和 TP 基础 GWF 值的比较显示，TP 基础的 GWF 值始终高于 TN 基础的 GWF 值，特别是对于较大的设施。TN 基础的 GWF 值大约在 8200 万至 1.08 亿 m3/月之间，峰值出现在 3 月和 4 月。此后，TN 基础的 GWF 值下降并稳定在一个较低范围内。相比之下，TP 基础的 GWF 值显著较高，大约在 1.65 亿至 2.79 亿 m3/月之间。最高的 TP 基础 GWF 值出现在夏季月份，8 月达到峰值。这种模式在 WWTP1 中尤为明显，其中 TP 基础的 GWF 值大部分时间都与 TN 基础的值相匹配或超过。季节性水文变化在观察到的 GWF 模式中起着关键作用。在湿润时期，增加的河流流量增强了稀释能力，这可能有助于解释春季之后观察到的相对较低且更稳定的 TN 基础 GWF 值。相比之下，在干旱期间，河流流量的减少限制了稀释能力，导致污染物浓度升高和总水足迹（GWF）值增加[29,30]。这种效应在磷元素上尤为明显，其GWF值在夏季达到峰值。除了自然的季节性变化外，人为因素如灌溉回流水和污水处理厂的操作变化也可能进一步影响污染物负荷的时间波动。时间变化在解释GWF结果中起着重要作用。某些月份的污染负荷可能显著高于其他月份，表明这些时期的水环境压力更大。识别这些月份有助于揭示环境压力最高的特定时段。这表明，GWF的月度变化与年度平均值同样重要，有时甚至对于理解水质动态更为关键。在采用的GWF框架内，这些结果表明磷在决定安卡拉河流域的水质压力方面起着更重要的作用。这一行为与先前的研究结果一致[8]，这些研究将磷确定为废水系统中GWF的主要驱动因素。GWF值的时间变化可能与进水特性和处理性能的波动有关，这些波动可能受到季节性因素的影响，例如废水成分或进水条件的变化。在解释这些结果时，应考虑选定的Cmax和Cnat值，因为它们直接影响基于TN和TP的GWF估计的相对大小。

较小的分散式污水处理厂（WWTP4、WWTP5、WWTP6和WWTP7）对整个流域的GWF贡献较小。从管理的角度来看，这种模式表明，对大型设施进行工艺优化和有针对性的升级可以带来最大的环境效益。然而，不应忽视小型污水处理厂对上游水体或小支流的影响，因为这些水体的稀释和同化能力通常较低。虽然大多数研究的污水处理厂位于安卡拉的城市化程度较高的地区，但WWTP1和WWTP2位于农业用地和工业区混合的地区。在这些地区，农业面源排放和潜在工业排放的综合作用可能会显著增加营养负荷，因此需要综合评估下游的水质。此外，由于WWTP2将废水排放到流域上游，所产生的污染物负荷可能会被输送到下游，从而影响整个流域的水质状况。

为了独立于排放量评估污水处理厂的环境性能，计算了每个设施的流量标准化灰水足迹强度（GWF/Q）（表5）。该指标表示将1立方米的处理后废水稀释到基准水质标准所需的环境水量。结果表明，不同设施之间的污染强度存在显著差异。对于总氮（TN），WWTP1的GWF/Q最高，为4.81立方米/立方米，反映了其较高的平均废水浓度（38.505毫克/升），而先进的生物处理厂则表现较好。相比之下，WWTP5的TN强度最低（0.81立方米/立方米），表明其氮去除效果优于基准阈值。对于总磷（TP），所有设施的稀释需求都显著增加，GWF/Q值范围从3.58到19.56立方米/立方米不等。值得注意的是，WWTP7和WWTP6的TP强度最高（分别为19.56和16.62立方米/立方米），甚至超过了规模更大的WWTP1（13.09立方米/立方米）。这表明，尽管WWTP1由于巨大的排放能力而在绝对体积足迹上占主导地位，但像WWTP7和WWTP6这样的小型设施在单位体积上对接收环境造成的磷富集压力更大。这些发现强调了达到严格的磷标准仍然是该流域污水处理基础设施面临的关键挑战。所有设施的高GWF/Q比率表明，即使是最优的WWTP5也需要超过其自身排放量的3.5倍的水量来稀释废水，这凸显了进一步升级磷去除技术的必要性，以减轻半干旱接收水体富营养化的风险。

安卡拉河流域总灰水足迹的空间分布（图4）显示出明显的空间差异。基于TP的GWF值介于约26.4亿至82.94亿立方米/年之间，而基于TN的GWF值则在约26亿至9.8亿立方米/年之间。总体而言，基于TN的GWF值在所有监测地点都相对较低，而基于TP的GWF值则显著较高。在采用的GWF框架内，这表明磷在决定监测到的GWF大小方面起着主导作用。图4显示了2023年安卡拉河流域TN和TP的监测GWF值（百万立方米/年）的空间分布。最高的TP-based GWF值出现在辛坎附近的监测点和波拉特利附近的流域出口处（82.94亿立方米/年），表明这些地点的营养压力较高。此外，波拉特利附近的出口监测点也记录了最高的TN-based GWF，反映了上游来源的累积影响。相比之下，位于丘布克的东北部监测点的TP-based GWF最低（26.4亿立方米/年），尽管其TN-based GWF排名第二。这种空间对比突显了整个流域内营养动态和潜在来源贡献的差异。

敏感性分析表明，GWF结果对水质标准的选择非常敏感，特别是对于TP而言。如表6所示，从基准情景切换到超严格阈值（Cmax = 0.008毫克/升）会导致稀释需求增加1400%，达到12,019百万立方米/年（针对面源）。这种指数级增长表明，在像安卡拉河这样的半干旱流域，感知到的水足迹更多地受到环境目标严格性的影响，而不是绝对污染物负荷的影响。关于淋溶-径流比例，α值从0.10加倍到0.20（对于TN）会导致GWF直接增加100%，证实了线性敏感性。结果强调，即使在宽松的阈值情景下（公平），TN-GWF仍为790.80百万立方米/年，这明显高于整个流域的总面源TN-GWF（142.86百万立方米/年）。这些发现强调了两个关键的管理见解：首先，农业淋溶率的不确定性可以使足迹增加两倍，因此需要更多特定地点的现场数据；其次，对Cmax的极端敏感性表明，在水资源紧张的地区，政策制定必须平衡雄心勃勃的生态目标与水文系统的实际稀释能力。

为了提供对敏感性分析的定量解释，基于GWF相对于测试参数的相对变化计算了敏感性系数（S）。对于淋溶-径流比例情景，TN和TP的S值均为1，表明GWF与α值成正比。对于阈值情景，由于GWF与浓度梯度（Cmax - Cnat）成反比，因此获得了负的S值。在超严格的TP阈值情景下观察到了最高的绝对敏感性，证实了基于TP的GWF对水质阈值的微小变化特别敏感。

本研究提供了安卡拉河流域GWF及其相关营养负荷的全面空间和定量评估。研究结果表明，磷（TP）是水质压力的主要驱动因素，基于TP的GWF值始终超过基于TN的估计值，无论是面源还是点源。研究的一个关键发现是，流域出口处的总监测GWF超过了河流的年平均流量（11.3立方米/秒）23倍。这表明系统每年的自然同化能力严重耗尽；然而，在低流量期间，当河流的稀释能力降至最低时，这种风险更加严重。部门分析显示，虽然农业肥料使用量仅占总GWF的约10%，但污水处理厂（WWTPs）贡献了约31%。这与文献中的报告一致，文献中提到农业来源对农业、工业和家庭GWF的贡献率为8%，其中家庭部门占比最高，达到84%[19]。有趣的是，Chai和Chen发现农业贡献率高达76%，强调了不同地区各部门相对重要性的巨大差异[31]。支持这一点的是，研究显示全球不同国家家庭、农业和工业对灰水足迹的贡献比例存在显著差异[28]。这些变化强调，GWF评估具有高度的地域性，在比较不同地区的数值时应谨慎。比较传统和先进处理技术发现，它们的有效性取决于污染物类型，而不是统一的。如表5所示，先进的生物营养去除系统在去除总氮方面具有明显优势，但在去除其他参数（尤其是TP）方面效果有限，未能始终优于传统系统。在Stejskalová等人的研究中，灰水足迹减少效率值分别为总氮约5和总磷约7，表明尽管有生物处理过程，但营养相关污染负荷的减少有限[7]。尽管WWTP1采用生物处理，但其流量标准化的灰水足迹值仍然相当高，总氮的GWF/Q范围为0.81–4.81立方米/立方米，总磷的GWF/Q范围为3.58–19.56立方米/立方米。在另一项生物处理厂的研究中，TN相关的GWF从进水的3.83升/升降低到出水的0.87升/升，表明通过生物处理过程实现了显著减少。相比之下，TP的减少幅度有限，从5.00升/升降低到4.00升/升，表明去除效率相对较低。这些结果表明，即使在生物处理条件下，仍需要大量的接收水来同化营养负荷，尤其是磷[32]。这些发现表明，结合使用GWF指标和传统排放限制可以支持对污水处理厂性能进行更具生态意义的评估[3]。虽然土耳其当前的监管框架和欧盟水框架指令（2000/60/EC）主要强调遵守排放浓度阈值，但仅遵守这些阈值并不能确保尊重接收水体的同化能力。与本研究类似，一些在西班牙进行的研究也确定TP是关键限制参数[33,34]。相反，其他研究则报告总氮是主要污染物[35]，强调只有在明确考虑了基本假设、污染物选择和参考浓度的情况下，跨研究的GWF值比较才有意义[36]。配备先进处理工艺的工厂显示出显著较低的与营养相关的GWF值。

文献中报告的水足迹值差异很大，反映了环境设置和方法学假设的差异[37]。与污染物负荷、最大允许浓度和自然背景浓度相关的假设对结果有很大影响。通常，Cmax被设定为饮用水质量标准——这些标准比环境水质标准宽松——而Cnat假设为零。在本研究中，Cnat假设大于零，TN为3.5毫克/升，TP为0.08毫克/升。这种方法被认为比简单地忽略Cnat更为现实。为了进一步考虑这些参数选择的固有不确定性并评估结果的稳健性，研究纳入了全面的敏感性分析。通过测试一系列从保守的生态限制到更宽松限制的Cmax和Cnat组合，分析量化了不同的环境保护目标和背景浓度假设如何影响最终的GWF估计。淋溶-径流比例的变异性受到土壤管理实践的强烈影响。例如，免耕系统由于土壤结构改善、有机物增加和水分保持能力提高，可以将氮淋溶减少多达30%[38]。这些发现表明，在一级方法中使用固定的淋溶比例是一种简化处理方式，未能完全反映养分传输过程的复杂性。同样，最近的实地研究表明，淋溶-径流比例具有高度不确定性，并且因具体环境而异，通常与常用的默认值存在显著偏差。例如，在甘蔗系统中的原位测量显示，经验性的一级系数可能高估了氮的损失，高达两倍，而改进的施肥管理措施（如分次施用或混合作用）可以显著减少实际的淋溶损失[39]。这些发现进一步支持了固定淋溶比例不能充分代表实际情况的观点，在大规模评估中应谨慎解释这些数据。

在没有显著点源输入的监测地点，可以将其作为参考段来评估河流内过程的净效应。连续站点之间的养分浓度变化（例如，在Kahramankazan地区附近）可以提供系统行为的见解。由于氮和磷的生物地球化学特性不同，它们的行为有显著差异。总氮（TN）浓度通常在下游下降，这可以归因于硝化-反硝化作用、生物吸收和其他转化途径[40]。相比之下，总磷（TP）通常表现出更持久的模式。其与沉积物的强烈相互作用以及有限的生物去除作用导致其暂时储存，随后在环境条件变化时可能释放[41]。因此，由于累积输入和内部负荷，TP浓度可能沿河流保持稳定甚至增加。

3.6. 政策意义
有效管理安卡拉河流域需要采取一种超越行政边界的综合方法，以考虑对萨卡里亚河流域的下游影响。未来的政策应优先考虑在有序工业区内推广分散式处理技术，改进畜牧业系统的粪便管理，并采用全球水足迹（GWF）作为补充指标，使污染物负荷与河流的实际吸收能力相匹配。优先实施三级磷去除技术可以在整个流域范围内大幅减少GWF。此外，流量标准化后的GWF强度分析显示，像WWTP6和WWTP7这样的小型设施对接收水体中的磷富集造成的单位体积压力不成比例地高。因此，也应将这些分散式设施的工艺优化（特别是提高水力滞留时间）纳入投资规划周期。未来的农业政策应优先在地区层面实施养分管理计划，并要求强制记录和报告施肥量。在安卡拉河及其支流沿线建立河岸缓冲带和植被过滤区有助于在养分径流到达河道之前将其拦截。此外，应推动良好的农业实践，包括精准施肥、轮作和减少耕作，将其纳入农业环境方案和农村发展计划[42]。

剩余的59%未明确量化的GWF表明，工业排放和该地区畜牧业快速集约化对其有重大影响。这些结果表明，目前主要关注排放物浓度阈值的监管框架不足以确保接收水体的生态健康。对于安卡拉河而言，在有序工业区内推广分散式处理厂对于促进更清洁的工业实践、从而实现更清洁的水资源至关重要。在过去20年中，安卡拉省的牛和羊的数量大约增加了两倍[43]。与粪便相关的GWF可能非常可观，特别是在粪便管理措施影响养分径流和淋溶的畜牧业生产系统中。最近的一项研究评估了不同畜牧业生产系统的水足迹，指出粪便排放中的氮淋溶是GWF的主要来源之一，尤其是在集约化养殖系统中[44]。此外，污水处理性能的潜在变化（如临时超负荷或运行波动）也可能导致观察到的GWF值发生变化。

本研究的一个关键局限性在于由于采样频率不规律和多个监测站的数据缺失，不得不依赖长期平均值（2015-2024年）。这种时间平均处理方式可能会掩盖对GWF估计至关重要的偶发污染事件和季节性峰值，尤其是在流量较低的情况下。因此，政策努力应优先考虑在战略选定的站点（如Sincan和Polatl?等污染热点地区以及主要工业排放点下游）进行高频、与流量成比例的水质采样。从政策角度来看，将接收水体的吸收能力标准纳入排放许可过程至关重要，特别是对于半干旱、流量较低的流域。未来的管理策略应评估技术升级（如三级磷去除）与基于自然的解决方案（如缓冲带和再生农业）的成本效益。通过让市政当局、行业代表和农民参与缓解措施的共同设计，加强利益相关者的治理对于长期保护安卡拉河和下游萨卡里亚河流域至关重要。

尽管本研究采用的一级方法为流域规模的GWF估计提供了一个透明且可重复的框架，但其依赖于固定的淋溶-径流比例和空间均匀的施肥率，从而引入了内在不确定性。结合基于过程的建模和遥感数据输入将有助于进行更稳健的源分配分析，从而定量分离农业、工业和家庭活动对总GWF的贡献。这样的方法论进步不仅将加强半干旱流域GWF评估的科学基础，还将提高其作为决策支持工具的操作实用性。

3.7. 局限性
尽管本研究对安卡拉河流域的养分驱动GWF进行了全面评估，但仍需承认几个局限性。河水质量数据的空间和时间分辨率要求使用长期平均值（2015-2024年）。虽然这种方法减少了数据缺失问题，但它可能会平滑对GWF估计至关重要的季节性峰值和偶发污染事件，尤其是在流量较低的情况下[45]。此外，农业非点源污染的估计依赖于一级假设，包括固定的淋溶-径流比例和某些地区的通用施肥率。这些代理参数没有明确考虑土壤特性、灌溉方式或河流内的养分转化过程。此外，Cmax和Cnat值的选择虽然基于监管标准，但可能无法完全反映流域不同区域的自然背景变化。本研究使用的数据集之间存在时间不匹配：与污水处理厂相关的参数（Qeff和Ceff）基于2023年的运行数据，而河流内的水质数据则采用长期平均值（2015-2024年）。使用长期平均值是为了更好地描述基线河流条件，因为监测数据往往受季节性变化的影响较大且采样较为稀少。然而，这种方法可能无法捕捉到特定年份的水文条件和污染物负荷的变化，从而在基于源和基于监测的GWF估计之间引入不确定性。通过敏感性分析的结果量化了GWF估计的不确定性。淋溶-径流比例（α）的变化导致GWF值变化约±50-100%。相比之下，水质阈值（Cmax和Cnat）的变化影响更为显著，尤其是对于磷而言，可能导致数值变化一个数量级。这些发现表明GWF估计对关键输入参数非常敏感，应谨慎解释。

本研究的分析范围主要集中在总氮（TN）和总磷（TP）上；然而，其他污染物（如农药、重金属和新兴污染物（如药物）也对总稀释需求和生态风险有所贡献。最近的研究表明，在某些条件下，微污染物可能主导GWF，这代表了另一个不确定性来源[46,47]。这种局限性可能导致对总体灰水足迹的低估，特别是在高毒性物质以低浓度存在但因严格的环境阈值而产生不成比例影响的系统中[48]。灰水足迹计算基于水足迹评估方法论，该方法假设污染物独立作用，并认为给定地点的总GWF由最关键的单一污染物决定。这种方法没有考虑物质之间的相互作用或污染物混合物的综合效应，可能导致对环境压力的不完全表示。此外，该框架也没有明确纳入河流内的自我净化过程（如转化、降解或污染物滞留[49]。因此，基于监测的GWF值反映了系统的综合响应，其中上游排放和河流内过程共同影响了观测到的浓度。在尝试将GWF值归因于特定来源时，这引入了不确定性。

4. 结论
本研究应用灰水足迹框架，通过整合农业非点源、污水处理厂排放和河流内监测数据，评估了安卡拉河流域的氮（TN）和磷（TP）污染情况。结果指出，磷是点源和非点源污染的主要限制因素。出口处的总GWF估计为每年82.94亿立方米，超过河流年平均流量的23倍。这表明在当前条件下，安卡拉河的吸收能力已被显著超出。行业分析表明，污水处理厂代表了最大的可识别压力源，其次是农业非点源。然而，由于方法学限制和数据限制，这些贡献应被视为指示性的。相当一部分GWF尚未得到解释，可能与工业活动和畜牧业生产有关。研究结果强调，遵守现有排放标准并不一定能确保接收水体的保护。将基于吸收能力的指标（如GWF）纳入水资源管理框架可以为决策提供更具有生态意义的基础。从政策角度来看，应优先考虑在源头减少养分负荷，特别是通过严格控制磷的输入、改进施肥管理和改进畜牧业系统的粪便管理。同时，应升级污水处理工艺以提高养分去除效率。这里提出的综合方法可以应用于面临类似养分压力的其他半干旱和数据有限的流域，为将污染物负荷与水文限制联系起来并提供实际依据，支持更有效的流域管理。总体而言，研究表明GWF是识别关键污染压力和指导半干旱河流流域可持续水资源管理的宝贵决策支持工具。