1 引言
河流、特別是流經人類活動對自然環境影響相對強烈區域的內陸河，是區域生態環境可持續發展的重要因素.作為區域居民生活污水、工業廢水和地表徑流排放的主要載體，內陸河最易遭受到污染和破壞.近幾十年來，政府已經逐步建立了環境監測體系并且開展了大量水質監測項目，獲得大量的水質監測數據，包括物理化學、有機物、重金屬及生物指標等各種數據.由于各個監測指標及監測點之間存在復雜的相互影響，導致大量的監測數據并不能充分的利用與分析，給水質專家和地方決策者如何采取有效措施管理和改善水環境提出了一個挑戰.因此，從大量的環境監測數據中挖掘出有用的信息，探索水質的時空分布模式，識別潛在污染源能夠提高人們對區域環境狀況的認識，幫助決策者建立高效合理的水環境管理方案.
近年來，各類數學及統計評價方法被廣泛用于水質評價、時空分異及潛在污染源識別的研究中.CCME WQI模型與其他水質指數模型相比具有簡單易行、靈活多變等特點，對城市水體及水體富營養化污染尤其敏感，在水質綜合評價中取得了令人滿意的效果.多元統計技術能夠對復雜的多元數據進行降維簡化又可以保證主要信息不會丟失，與近來被應用到多元數據信息挖掘的神經網絡、平行因子分析等模型相比更為簡便、普遍適應性廣.聚類分析、判別分析、主成分分析、因子分析和絕對主成分多元線性回歸分析作為傳統的多元統計技術，在水質時空分異特征及潛在污染源識別上得到普遍的應用.國內外學者利用多元統計技術分別對沁河流域、洞庭湖、土耳其中部近海、寧夏吳忠市金積水源地地下水，以及德國北部低洼地區的污染物時空分異特征及潛在污染源識別進行研究，并取得滿意的效果.從研究進展上來看，數學及統計評價方法在時空分異特征及污染源識別的應用研究中僅僅局限于內陸河流域、湖泊、近海海域及地下水，卻鮮有針對城市河網的水質時空分異特征及潛在污染源識別研究.與流域尺度研究不同，城市河網沿岸土地利用類型單一，不透水面護坡割裂了河道橫向連通性，降雨徑流沖刷地表直接將污染物攜帶入河，同時流域尺度水體的環境容量相對較大，水質空間分異有明顯的上下游、干支流的關系，城市河網交錯縱橫，水流緩慢，人為干擾強烈，水質空間分異更為復雜;此外，以往的研究割裂開了時間與空間相互作用的機制，只是單獨探討了時間與空間上的分異特征及污染源識別，忽略了時間對空間分布規律及其污染源的影響.
蘇州素有“上有天堂，下有蘇杭”之美稱，水系是其城市的命脈，水環境的好壞直接影響其作為旅游城市的可持續發展.因此，本文首先根據蘇州古城區河網水質監測數據，應用CCME WQI模型對古城區河網水質進行綜合的評價.然后采用聚類分析，揭示蘇州古城區水環境時空相似性規律.并且利用空間判別分析驗證聚類分析結果的可信度及識別顯著性污染指標，最后在不同時間段內對空間分組進行時空聯合因子分析并結合因子分析結果采用基于受體的源分配模型，識別不同時間段不同區域水環境污染源，以及主要污染源對河道水質的貢獻，為蘇州古城區水環境治理提供科學依據.
2 材料與方法
2.1 研究區概況
蘇州市地處以太湖為中心淺碟形平原的底部，位于北緯30°47′~32°20′，東經119°55′~121°20′之間，全市地勢低平，自西向東緩慢傾斜;屬于北亞熱帶濕潤季風氣候區，潮濕多雨，季風明顯，具有豐富的雨水資源，平均年降雨量1200~1400 mm，降雨多集中于6—9月份.研究區為蘇州市中心城區，面積大概為10 km2.監測斷面多設在古城區，古城區內河道形成了“一環三橫四縱”的水系布局.河道周邊建筑密集，綠地和可滲透性地面相對較少，水體受潮水頂托與地形影響流向不定，流速緩慢，水體水質惡化嚴重，即便是水體流速較快的外城河、婁江、元和塘、上塘河等城區主要河道也均為Ⅴ類水質.造成水體污染的原因既有包括“三產”污染源及城市生活污染源在內的點源污染，也有城市降雨徑流及河道底泥釋放引起的非點源污染.
研究區河道水質監測斷面30個(圖 1)，蘇州市排水管理處每月一次取樣檢測.監測斷面M1~M30依次為保吉利橋、苑橋閘、望星橋、馬津橋、平四閘、桃花塢橋、水關橋、中市橋、帶城橋、銀杏橋、小人民橋、歌薰橋、醋坊橋、跨塘橋、齊福橋、錢萬里橋、糖坊灣橋、覓渡橋、裕棠橋、泰讓橋、渡僧橋、山塘橋、吊橋、新市橋、人民橋、相門橋、永仙橋、五龍橋、桐馨橋、永津橋.
圖 1 研究區位置及監測斷面分布圖
2.2 數據收集與分析
數據來源為古城區2012年30個監測斷面相關數據，11個指標包括總氮(TN)、氨氮(NH3-N)、總 磷(TP)、溶解氧(DO)、濁度(Turb)、pH、水溫(T)、高錳酸鹽指數(CODMn)、電導率(EC)、藻密度(Algae density)、葉綠素(Chl).每月監測1次(12月份數據除外)，共3630個(30×11×11)監測樣本，所有樣本的采集及檢測分析嚴格按照地表水環境質量標準(GB3838—2002)中的方法進行實驗室分析，具體結果統計描述見表 1.
表1 水質指標的統計描述及環境標準
總體上，蘇州古城區的水環境污染相當嚴重.TN、NH3-N、TP、DO、CODMn均值分別為4.99、3.14、0.38、3.64、4.90 mg · L-1，地表水環境質量標準中相應指標Ⅴ類水標準分別為2.0、 2.0、0.4、2.0、15.0 mg · L-1.TN為Ⅴ類水標準的2.5 倍，NH3-N為1.2 倍，TP則接近于Ⅴ類水標準，DO則屬于Ⅳ類水質，CODMn屬于Ⅲ類水質.
2.3 研究方法
2.3.1 CCME WQI模型
CCME WQI模型由加拿大環保部開發，該水質指數與其它水質指數相比具有運算簡單、參數設定可以結合研究區水質保護提升目標而設定的特點.模型根據輸入水質監測數據將采樣點水質歸一化到0到100之間，并根據水體污染的程度，從0~100將水質由差到極好劃分為5類，分別對應差(0~44)：水環境遭到持續性的威脅和破壞;及格(44.1~64)：水環境遭到頻繁的威脅和破壞;一般(64.1~79)：水環境偶爾遭到威脅和破壞;好(79.1~94)：水環境得到保護只是遭到小范圍的威脅和破壞;極好(94.1~100)：水環境得到完善的保護.具體計算公式為：
式中，f1表示輸入模型中監測變量超出水質目標的程度，f2表示采樣樣品檢測值超出水質目標的程度，f3表示未滿足水質目標采樣檢測值相對水質目標限值的偏差，具體計算過程參見文獻.
蘇州古城區河網水體氮、磷指標已經超過地表水Ⅴ類水標準.因此，本文短期內將地表水環境質量標準的Ⅴ類標準作為模型的水質提升目標，同時根據蘇州古城區水質監測數據和地表水環境質量標準(GB3838—2002)將TN、NH3-N、TP、DO、pH、CODMn作為WQI計算所需的監測指標.對古城區各個河道的水質污染程度進行綜合評定.
2.3.2 層次聚類分析
聚類分析(CA)是根據對象距離遠近或相似性大小進行分類的多元統計方法.本文采用的層次聚類分析(HCA)是應用最廣泛的聚類方法，該法以逐次聚合的方式將距離最近或者最相似的對象聚成一個類簇，直至最后聚成一類.本文采用的計算方法是歐氏距離平方和離差平方法.此外，該方法具有探索性，所以，還采用其它方法進行驗證.
聚類分析要求數據符合正態分布，在進行分析之前，需要利用K-S非參數檢驗分別對月平均和采樣點平均數據組進行正態檢驗.結果顯示，月平均數據組各監測指標除DO外均以95%或更高的可信度服從正態分布;采樣點平均數據組各指標偏離正態分布，進行自然對數轉換后，各監測指標除T、CODMn和Chl外均能夠以95%或更高的可信度服從正態分布.為了消除變量單位量綱的影響，同時需要對數據進行標準化處理(均值為0，方差為1).
2.3.3 判別分析
判別分析(DA)是多變量統計分析中用于判別樣品所屬類別的一種統計分析方法.可以用來判別CA分析結果和識別顯著性的污染指標.此方法分為3類：標準式、前進式和后退式.相比之下，后退式DA方法具有更好的指標降維能力和判別能力.所以，本文利用后退式DA方法對原始數據進行時空差異性分析，并采用交叉驗證法(Cross-validation)檢驗此方法的判別能力.相應的判別函數表達式如下：
式中，f(Gi)表示第i類的判別函數，Ci為第i類的固有常數，n表示參與判別分析指標個數，pij表述第i類第j個指標值，wij表示對應的判別系數.
2.3.4 因子分析法
因子分析(FA)是一種既可以降低變量維數，又可以對變量進行分類的廣泛應用的方法.其實質是從多個實測的原變量中提取出較少的、互不相關的、抽象綜合指標，即因子.每個原變量可用這些提取出的公共因子的線性組合表示，具體參見公式(3).同時，根據各個因子對原變量的影響大小，也可將原變量劃分為等同于因子數目的類數.在水質分析中，此方法主要用于提取污染因子和識別污染源.
式中，Zk表示第k個變量的標準化分數，akm表示第m個因子相對于第k個變量的因子載荷，Fm表示第m個公共因子，Uk為Zk的唯一因素，m表示所有變量公共因子的數目，n表示變量的個數.
因子分析要求變量間要有一定的相關性，所以在數據分析之前需要利用巴特萊檢驗(KMO)檢驗數據應用因子分析的可行性.同時，考慮到水質指標數量級上的差異，需要對數據再進行標準化(均值為0，方差為1).一般來說，分析結果只選取特征值大于1的因子.因子分析及判別分析均采用原始數據.
2.3.5 APCS-MLR
絕對主成分多元線性回歸分析法(APCS-MLR)是一種基于因子得分，評價各個因子對各個變量貢獻的統計方法.其原理是將變量值與因子得分進行多元線性回歸，根據回歸參數得到針對各個因子的估計值，從而確定因子對各個變量的貢獻，具體參見公式(4).目前，這種方法在水質評價中用于計算污染因子對各個評價指標的貢獻率.
式中，Ms表示第s個變量的實測值，aos表示第s個變量的多元回歸的常數項，Aps表示第p個因子對第s個變量的回歸系數，APCSp表示調整后的第p個因子的分數，n表示因子個數.ApsAPCSp表示第p個因子對Ms的質量濃度貢獻，所有樣本的APCSpAps的平均值就表示因子平均絕對貢獻率.
研究中多元統計分析及水體綜合水質空間分析采用的是Microsoft Excel 2007、SPSS19和ArcGis9.3.
3 結果與分析
3.1 CCME WQI水質綜合評價
水質綜合評價顯示(表 2)，蘇州古城區河道水質相對于地表水Ⅴ類水質標準，CCME WQI值介于40~74之間，有66.67%的監測點水質處在差和及格狀態，而剩下33.33%的監測點水質處在一般狀態，說明蘇州古城區河道水質污染普遍嚴重.
表2 CCME WQI評價結果
從圖 2可知，古城區內城河河道污染程度要比外圍河道嚴重，這可能與古城區內部和外部人口密度存在差異，餐飲旅游主要集中在古城區內，以及古城區內城河道水體流動性相對緩慢有關.
圖 2 CCME WQI采樣斷面空間分布圖
3.2 水質時空分異性規律 3.2.1 污染特征的時間相似性與差異性
時間尺度聚類分析與判別分析結果表明：全年可分為3個時段(圖 3)，時段Ⅰ(1—3月)、時段Ⅱ(11月、4—6月)和時段Ⅲ(7—10月)，水體污染程度由重到輕依次為時段Ⅰ、時段Ⅱ、時段Ⅲ.時間聚類結果的判別分析交叉驗證正確率(表 3)達到88.1%，表明全年分3個時段是比較合適的.判別函數(表 4)用了7個監測指標：TN、TP、DO、T、CODMn、藻密度、Chl，體現古城區河網水質的時間差異性規律.從蘇州古城區水體污染物時間尺度的差異性圖(圖 4a)中可以看出總體上、時段Ⅰ、時段Ⅱ和時段Ⅲ，TN、TP、DO和CODMn隨著時間的推移濃度在逐漸減少.同時，T 及藻密度和Chl隨著時間的推移逐漸在升高.
圖 3 蘇州古城區水體污染物的時間尺度聚類分析
表3 蘇州古城區水體污染物的時空判別分析
圖 4 蘇州古城區水體污染物時間尺度(a)和空間尺度(b)的差異性
蘇州的雨季主要集中在6—9月份，從時間聚類結果可以看出，6月份古城區水體的TN、TP、CODMn濃度并沒有因為降雨量的增加而減少，到了7月份才開始有所下降，說明雨季初期蘇州古城區河道除了受到來自城市生活及餐飲旅游等“三產”污水的點源污染外，還可能受到來自地表徑流及河道底泥釋放的非點源污染.雨季在9月份底進入尾期，從聚類結果看出，10月份的降雨量已經銳減而卻被聚到第3類(時段Ⅲ)，相應的11月份沒有歸并到第1類(時段Ⅰ)，而被歸并到第2類(時段Ⅱ)，可能說明雨期降水對河道污染物的稀釋作用在一定程度上改善了河道水質.
上述現象表明：按照流域水質評價常用的根據旱季和雨季或者4個季度來進行城鎮的水質評價和污染控制不能體現城鎮水體污染的特殊性，不能真正揭示和把握城鎮水體污染在時間序列上分異特征;由于城鎮河道周圍大量的不透水面導致降雨徑流直接攜帶大量的污染物進入河道，所以在雨季前期(5、6月)就應該開始采取流域面源控制措施，以減輕降雨高峰期的非點源污染控制壓力;同時雨季過后，應當將防治重點轉移至點源控制，以減少河道內源污染物的積累.
3.2.2 污染特征的空間相似性與差異性
空間尺度的聚類分析和判別分析表明：空間上可以將采樣點分為2組(圖 5)，第1組(A組)主要位于古城區內城河，分別為保吉利橋、望星橋、桃花塢橋、中市橋、帶城橋、銀杏橋、小人民橋、醋坊橋、水關橋、歌薰橋;第2組(B組)主要位于外城河及進出外城河河道，分別為苑橋閘、苑橋閘、跨塘橋、錢萬里橋、糖 坊灣橋、山塘橋、吊橋、相門橋、平四閘、齊福橋、覓渡橋、裕棠橋、泰讓橋、渡僧橋、新市橋、人民橋、永仙橋、五龍橋、桐馨橋、永津橋.采樣點聚類分析結果的判別分析交叉驗證(表 3)正確率達到78.5%，誤判的區域主要集中在古城區外城河和內城河的連接河段，總體分類結果較好.
圖 5 蘇州古城區水體污染物的空間尺度聚類分析
對采樣點聚類結果的判別分析(表 4)用了5個指標：TN、NH3-N、DO、濁度和溫度，體現古城區河網水質空間差異性規律.從蘇州古城區水體污染物空間尺度的差異性圖(圖 4b)中可以看出，總體上，第1組(A組)即古城區內城河河道污染較為嚴重，主要體現為含氮污染物的污染.相對于外城河，古城區內城河河道的平均水溫要較外城河河段高出0.2 ℃.這可能與古城區內建筑密集、人口密度大，以及當地人民歷來的生活習慣、家庭生活用水直接就近排放到河道內的現象有關;古城區內城河水體的溶解氧濃度明顯低于外城河，為2.63 mg · L-1，屬于國家地表水Ⅴ類水標準.這可能與蘇州市古城區以平原地形為主，河底高程和水流坡降較小，古城區內河道水流長年滯流，水體復氧能力差有關.
表4 蘇州古城區水體污染判別分析的典型變量及其系數
綜上所述，蘇州水環境治理主要集中在古城區內城河，可以通過控源截污、河道疏浚、水系溝通、引清入渠等多種舉措治理改善內城河水質污染嚴重的現象.
3.3 時空聯合因子分析與污染源解析
利用時間聚類結果判別分析所建立的判別函數對不同聚類分組進行判別驗證，發現時段Ⅰ、時段Ⅱ、時段Ⅲ的判別正確率分別為98.9%、84.9%、83.2%，總判別正確率為88.1%;空間聚類結果判別分析所建立的判別函數對不同聚類分組進行判別驗證，發現類別A、類別B的判別正確率分別為64.8%、83.5%，總判別正確率為78.5%(表 3).說明同一區域在不同時間段或者同一時間段內不同區域的水質污染分布規律存在明顯差異.同時，從蘇州市古城區水體污染物各空間分組在各時段的空間差異圖(圖 6)可以看出，空間分組A和B在不同的時間段內的污染物水平有著較大的差異.因此，有必要將時間及空間聚類分析結果有機結合，對不同區域在不同時段下的污染源進行解析，為水環境管理和改善提供更為詳盡的理論依據.
圖 6 蘇州中心城區水體污染物各空間分組各時段的空間差異性
3.3.1 空間分組A各時段因子分析
根據特征因子大于1的原則對空間分組A在時段Ⅰ、時段Ⅱ和時段Ⅲ分別提取4、3和4個因子(最大方差旋轉)，累計解釋方差83.64%、72.67%和77.98%(表 5).
表5 時空聯合因子分析因子旋轉載荷矩陣
在A組-時段Ⅰ：F1的方差貢獻率為46.34%，表征因子為TN、NH3-N、TP、DO、T、CODMn和EC，除DO外都呈現正相關，同時由表 6可知，TN、NH3-N、TP、CODMn之間有顯著相關性，Pearson相關系數都在0.8以上，表明F1代表著城市生活及餐飲旅游等第三產業污水的營養物質及耗氧有機物污染;F2的方差貢獻率為16.56%，表征因子為藻密度和Chl，并且與T之間存在顯著的相關性.表明F2代表著自然因素水溫對古城區內城河富營養化程度的影響.古城區生活及“三產”污水排入河道，導致水體營養物質過剩，在水溫的年內變化的作用下，導致藻類的大量繁殖.F3的方差貢獻率為11.45%，表征因子為濁度.F4的方差貢獻率為9.29%，表征因子為pH.
在A組-時段Ⅱ：F1的方差貢獻率為43.46%，表征因子為TN、NH3-N、TP、濁度和CODMn、DO，除DO外都呈正相關.與在A組-時段Ⅰ基本一致，不同的是濁度在第一因子中占有較大的載荷，可能與時段Ⅱ降雨的增加，降雨徑流攜帶大量的懸浮物進入河道，以及降雨對河道底泥的擾動有關.F2的方差貢獻率為19.93%，表征因子T和藻密度呈正相關，且與pH呈現負相關.從表 6可以看出，T跟藻密度、Chl存在顯著的正相關性，pH跟藻密度負相關.
表6 污染指標間Pearson相關系數
F3的方差貢獻率為9.48%，表征因子為Chl和EC，與pH呈現負相關.F2和F3表明自然因素水溫對河道水體的影響.大量的營養物質及耗氧有機物隨著生活及餐飲旅游等第三產業污水排入河道，在水溫逐漸升高的作用下，藻類開始大量生長，水體中積累過多的有機物消耗水體中的溶解氧，使得水體中的溶解氧減少，乃至出現厭氧環境，進而促使氨和有機酸的形成，這些酸性物質的水解最終導致pH值下降.統計可知，從時段Ⅰ到時段Ⅱ內城河河道藻類的平均密度由1009.78 cells · mL-1增長到1564.79 cells · mL-1，pH以一定的幅度在減小.
在A組-時段Ⅲ：F1的方差貢獻率為39.33%，表征因子為TN、NH3-N、TP和CODMn，與DO呈一定的負相關，與時段Ⅰ類似.F2的方差貢獻率16.57%，表征因子為T、藻密度和Chl，且呈正相關，與pH呈負相關，與時段Ⅱ類似.F3的方差貢獻率12.54%，表征因子為DO和EC.F4的方差貢獻率9.54%，表征因子為濁度和pH.蘇州古城區在時段Ⅲ和時段Ⅰ、時段Ⅱ一樣，主要受到生活污水的污染及耗氧有機物污染，不同的是，隨著溫度的進一步升高，藻類大量的繁殖達到頂峰，由時段Ⅰ到時段Ⅲ的平均藻密度由1009.78 cells · mL-1增長到了2076.74 cells · mL-1，與此同時pH值由7.24降到7.17.
綜上，大體上古城區在不同的時間段主要受到生活和餐飲、旅游“三產”污水的污染，但局部有所差別，在時段Ⅱ第一主成分在濁度上具有較高因子載荷，說明有可能在時段Ⅱ內城河河道同時受到降雨地表徑流、河道底泥釋放的非點源污染;同時，在時段Ⅰ受限于水溫的影響，藻類的繁殖得以抑制，隨著溫度的升高，藻類開始大量繁殖，對水生環境造成嚴重的影響.建議在冬季對河道底泥進行清淤，可以一定程度上起到抑制藻類生長的效果.
3.3.2 空間分組B各時段因子分析
由于空間分組B各時段在因子分析前的巴特萊檢驗KMO低于0.6，不適合在各時段內分別做因子分析，只對空間分組B做全年的因子分析(方差最大旋轉)，根據特征值大于1的原則提取了3個因子，共解釋了62.28%的總方差.
F1的方差貢獻率31.37%，表征因子為TN、NH3-N、TP和CODMn，代表營養物質和耗氧有機物污染，主要來自城市居民生活及餐飲旅游等第三產業污水的排放.F2的方差貢獻率20.36%，表征因子為DO、T、藻密度和Chl，DO與T、藻密度和Chl呈負相關，T與藻密度和Chl呈正相關，代表生物化學污染，主要來至自然因素與人為排放的營養物質相互作用造成水體富營養化污染進而導致藻類爆發.F3的方差貢獻率10.55%，表征因子為EC.
3.3.3 絕對主成分多元線性回歸(APCS-MLR)
依據因子分析，內城河在時段Ⅰ、時段Ⅱ和時段Ⅲ及外圍河道在全年時段內主要受到TN、NH3-N、TP、CODMn、DO和T等指標的影響，故對內城河及外圍河道在全年時間段內進行污染源分配研究.由表 7可知，除濁度、pH、DO、EC和Chl的R2較小外，其余都在0.6以上，說明回歸分析有統計學意義.此外估計值與實測值的比值(E/O)在0.994~1.143之間，也證明了這一回歸結果的準確性.通過APCS-MLR得到的污染源貢獻率可能為負值，也可能大于100%，這與污染源的排入對其他非影響指標的稀釋有關.由表 7可知，古城區內城河F1對TN、NH3-N、TP和CODMn的貢獻率分別為25.09%、31.81%、34.12%、19.83%，表明TN、NH3-N、TP和CODMn來自城市生活及餐飲旅游等第三產業污水.同時，F1只是部分解釋了TN、NH3-N、TP和CODMn的來源，表明古城區人為干擾強烈，污染源更為復雜，未識別的污染源可能來自地表徑流或河道底泥的擾動.F2對DO的貢獻率為88.27%，表明DO主要受到生物化學污染影響.古城區外圍河道及內外連通河道F1對TN、NH3-N、TP、CODMn和EC的貢獻率分別為59.68%、81.31%、24.20%、13.92%.F2對TN、NH3-N和DO貢獻率分別為11.01%、14.27%、35.79%，F3對TN的貢獻率32.92%.表明TN、NH3-N、TP、CODMn同樣是來自城市生活及餐飲旅游等第三產業污水.具體參見 污水處理技術資料或污水技術資料更多相關技術文檔。
表7 公因子對各個指標的貢獻率
4 結論
1)通過CCME WQI評價模型計算結果可知，內外城河CCME WQI值介于40~74之間，其中，66.67%的監測點水體污染較嚴重，水環境系統遭到破壞，主要集中在內城河河道.
2)時間尺度上將全年聚類為3類，分別對應1—3月、11月及4—6月、7—10月.水質狀況從時段Ⅰ、時段Ⅱ到時段Ⅲ逐漸在改善;雨季初期河道水體的氮、磷污染物含量在增加，說明古城區河道除了受到生活及“三產”污水的點源污染以外，還可能受到降雨地表徑流和底泥釋放的非點源污染.
3)空間尺度上將水質監測點分為2組，分別對應古城區內城河，外城河和內外連接河道.與古城區外圍河道相比，古城區內，城中村多、人口密集、餐飲旅游點多，過去沒有安裝地下分流截污管道;餐飲企業廚余污染、游客丟棄垃圾及居民生活污水未接納管網，污染源分散;另外，內城河河道狹窄、流速緩慢、河道底泥深厚，導致古城區水體污染要較外城河及進出外城河河道要嚴重.因此，蘇州水環境治理主要集中在古城區內城河.
4)時空聯合因子分析與污染源解析結果表明：古城區內城河在時間段Ⅰ、Ⅱ、Ⅲ及古城區外城河和內外連接河道全年都受到生活污水及餐飲旅游等第三產業污水的污染，以及面臨夏季藻類大量繁殖的風險.
5)絕對主成分多元線性回歸(APCS-MLR)表明，總氮(TN)、氨氮(NH3-N)、總磷(TP)和高錳酸鹽指數(CODMn)主要來自城市生活及餐飲旅游等第三產業污水.
5 建議
1)通過水質指數(WQI)模型分析結果可以看出，古城區內部河道水質相對較差，古城區外圍河道水質較好，在后期具體開展工程措施治理河道水質方面，可以充分考慮采取引清調水，借助外來水源稀釋古城區內河道水.
2)綜合水質分析及源解析結果可知，蘇州古城區水質時空特征明顯，N、P污染嚴重，混雜居民生活污染源排放點多面廣，對城中村居民生活污染應采取分散式分流截污設施，分步驟、分區域收集生活污水.
3)對于可能匯入河道的降雨徑流污染應結合河道護岸帶現狀，河岸帶種植既美觀又可有效截留降雨地表徑流的植被，有效堵截徑流污染物入河.同時，城市規劃及建設期間也可以因地制宜地采取最佳管理措施(BMPs)，以及低影響開發措施(LID)等技術理念治理暴雨徑流污染物進入河道.
4)對于河道內源污染底泥應在冬季進行河道生態清淤，消除內源污染物;對于河道水面漂浮垃圾，應多頻次進行清撈;對于游客要加大宣傳教育力度禁止丟棄垃圾，加強懲戒手段等.
