2014, Vol. 35
2. 南京信息工程大学大气物理学院,南京 210044
2. School of Atmospheric Physics, Nanjing University of Information Science & Technology, Nanjing 210044, China
铅(Pb)是我国《重金属污染综合防治“十二五”规划》的5种优先控制污染物之一，通过吸入和摄入对成人的神经系统、 肾脏和血压造成不利影响[1]，对儿童的认知能力造成难以逆转的损害[2].虽然我国已于2000年实施汽油无铅化，但城市土壤中仍存在Pb的严重富集，城市土壤Pb污染形势仍然十分严峻[3,4,5,6,7]，存在较高的健康风险[4,8].科学地评估城市土壤Pb污染风险以及制定风险削减管理措施的一个重要基础是确定土壤Pb污染的水平和范围[9,10]，特别是识别土壤Pb含量的高值点[11].
城市区域内同一时间不同地点的土壤Pb含量不是均一的，而是存在差异性，即空间变异性.开展城市土壤Pb污染的空间变异研究、 揭示其空间结构特征，是准确评估污染水平和范围的基础[12]，对风险管理、 污染控制和城市规划都具有重要意义.研究已经表明城市土壤Pb含量的空间变异性高且空间结构复杂[9].这些特点决定：仅仅知道大尺度上土壤Pb含量的空间变化趋势有可能遗漏小尺度上的变异信息，特别是遗漏具有较高环境风险的污染高值点.城市土壤Pb含量空间变异的复杂性使得准确评价污染的范围和程度具有一定的难度[13]，单一尺度上的研究并不足以揭示城市土壤Pb含量空间结构信息[14].近年来，我国对土壤重金属污染空间变异的多尺度特征开展了一些定量的研究工作，例如，Huo等[15]对北京地区农业土壤的研究表明多尺度的嵌套结构模型能够更加有效地揭示重金属的空间结构特征.Zhao等[14]和Lv等[16]研究了我国城乡过渡带以及城市地区土壤重金属的空间变异在多个空间尺度上的影响因素.然而，这些研究未能将城市土壤Pb含量的空间变异划分到不同的空间尺度水平上，特别是对小尺度上土壤Pb含量的空间变异特征了解不够.这些不足对风险识别和削减极为不利[17].
为了探寻一种能够从多个空间尺度上全面准确地揭示城市土壤Pb含量空间结构信息的方法，本文综述了影响城市土壤Pb含量空间变异的主要因素，归纳了城市土壤Pb含量空间变异的特征，最终提出一种能够识别城市土壤Pb含量多尺度的空间变异的方法框架.
1 影响城市土壤Pb含量空间变异的因素 1.1 城市土壤Pb污染源的多样性和污染过程的层次性
城市土壤Pb污染源包括人为源和自然源，并以人为源为主，我国的主要人为源有交通、 工业、 燃料燃烧和废弃物处理[3,4,5, 18].虽然我国已禁用含铅汽油，但由于含铅汽油导致的土壤Pb累积效应仍将长期存在，柴油中仍然含铅，以及存在轮胎和刹车磨损以及道路扬尘等其他途径的交通排放[19]，交通仍是我国城市Pb污染的主要来源[5,20, 21].土壤Pb污染的自然源受到土壤母质和成土过程的影响，在城市区域的实际操作过程中可近似为区域自然背景值的中值或均值[22].这是因为：城市土壤母质来源复杂、 发生层次混乱[23]，要得到城市土壤Pb自然源的空间分布十分困难； 自然源导致的空间变异与人为源相比较小，可以假设为常数[22].
根据污染过程是否经由大气扩散，可以将城市土壤Pb的人为污染过程分为点源污染过程和扩散污染过程(diffuse pollution process)[22].由于各个污染源的强度和排放方式不同，其影响范围(空间尺度)不同[24]，点源和扩散污染过程的差异使得这两种污染过程形成的污染物空间分布呈现出不同的特征[22].点源污染过程指污染源直接向土壤排放含Pb污染物的过程，对土壤Pb含量的空间尺度较小[22].在城市区域，一些早年建成的房屋使用的含Pb涂料脱落到土壤中[17]、 废弃物的处理和堆放点[9, 22]都会直接向土壤排放含Pb污染物，形成局部的土壤Pb污染高值点.扩散污染过程指家庭燃煤、 交通、 冶炼等污染源向大气排放的含Pb污染物，通过大气沉降过程间接地造成土壤Pb污染[22].我国大气颗粒物中存在Pb元素的区域性明显富[25]，Pb以颗粒物干沉降去除机制为[26]，是城市土壤Pb污染的主要途径[9, 27].大气中Pb元素的峰值浓度位于0.45~1 μm的亚微米级颗粒物上[28, 29].由于亚微米级颗粒物在大气中的滞留时间长、 传输距离远[30]，与点源污染过程不同，扩散污染过程影响的空间尺度较大.徐祥德等[31]指出：100 m以下的低层受近距离污染源影响为主，城市上空约300 m的高层大气污染以大尺度远距离传输为主.因此，大气颗粒物Pb沉降反映了城市上空大气颗粒物的背景特征以及城市人类活动与低空大气环流相互叠加作用的共同影响. 1.2 城市景观的异质性
城市景观与郊区的最大区别在于下垫面的不同.城市边界层下部的结构与一般平坦下垫面不同，在靠近地面的底部存在一个称为城市冠层(urban canopy)的层次[32].下垫面特征的重要性在于，它是除大气条件和颗粒物属性外，影响大气颗粒物干沉降速度的另一个重要因素[33].城市景观在垂直和水平方向上的复杂性形成三维湍流和局地环流，增加了能量和物质交换的复杂性[34]，对大气污染物输送与扩散产生强烈影响[35, 36].因此，城市冠层的结构强烈影响大气颗粒物的输送和沉降，又由于干沉降是城市土壤Pb污染的主要途径，下垫面特征对城市土壤Pb污染的空间变异产生重要影响.
当前，复杂下垫面上大气沉降空间分布的估计仍存在较大的不确定性[37]，城市大气颗粒物Pb沉降的空间分布尚不明确，定量分析城市景观结构对大气颗粒物Pb沉降的影响比较困难.大气颗粒物沉降采样耗时长，观测研究通常选择较少的代表性样点[25]，城市下垫面的复杂性决定了这种方法并不能完全反映大气颗粒物Pb沉降的空间分布.另外，现阶段我国也不具备通过大气模式模拟城市地区大气颗粒物Pb沉降的条件.这一方面是由于我国尚未就Pb排放建立完整的清单[38].另一方面，大气重金属沉降模拟仍存在较大不确定性[39]，城市下垫面的复杂性进一步增加了模拟的难度[33].随着城市下垫面复杂性的增加，单一尺度下的大气污染问题研究不能满足城市发展的需求，城市区域多尺度的大气环境研究通常在3个尺度开展[35]：城市尺度(水平范围数十至数百公里，粒度0.5~1 km)； 城市小区尺度(水平范围数公里，粒度10~50 m)； 建筑物尺度(水平范围数十至数百米，粒度2~5 m).这对城市区域大气颗粒物重金属沉降的空间分布研究具有借鉴意义.
与大气颗粒物Pb沉降相比，定量研究城市景观对土壤Pb污染的影响比较容易实现.土地利用类型(或城市功能区类型)作为最重要的一种景观要素，常用于研究城市的景观特征与土壤Pb污染水平的关系.有研究发现城市不同的土地利用方式对土壤重金属含量有一定影响[40, 41].土壤Pb含量在城乡变化的垂直方向上可能具有较强的结构性，存在与“城-郊-乡”格局相似的空间趋势[42, 43].这种空间格局主要受到该方向上交通干线分布的控制，是交通污染源影响的结果[44]，与“城-郊-乡”格局并没有直接关系.多数研究者认为城市不同土地利用类型与土壤Pb污染水平关系并不显著，城市尺度上的土地利用特征不应用于表征城市景观结构与土壤Pb污染的关系[17, 45].这种观点主要基于两点理由.第一，土地利用类型并不能表征该类型内部景观要素的空间分布特征，而这些详细特征对城市土壤Pb污染的空间分布具有重要影响[17].第二，大尺度的大气颗粒物重金属沉降会掩盖土地利用方式造成的土壤重金属含量的差异[46].
位于城市区域内的Pb污染源也是城市景观的一个组成部分，其与Pb污染水平的空间关系也是一个研究的重点.受到污染源多样性以及复杂下垫面的影响下，污染源与Pb污染水平的空间关系十分复杂，并不是“距离污染源越近、 Pb污染水平越高”的简单线性关系，而是受占主导地位的污染源的影响.这点在对道路交通源、 垃圾焚烧厂以及冶炼厂的研究中都得到证实[19, 46,47,48].以道路交通源为例，如果道路交通源对土壤Pb污染的贡献占主导地位，则距离道路越近、 Pb污染水平越高[17,49]，还受到道路规模和交通流量的影响[50,51]； 否则交通污染扩散、 沉降导致的Pb污染水平可能与道路距离无关[19]. 2 城市土壤Pb含量的空间变异特征
污染源的多样性以及城市下垫面的复杂性决定了城市区域土壤Pb含量的空间变异具有异质性.异质性指空间变异不是完全随机的，各点的属性并非完全独立于邻近的点而呈现出一定的空间结构，地统计学通常将异质性称为空间自相关[52].
由于城市区域土壤Pb污染通常来自多个污染源、 各个污染源影响的空间尺度不同，自然背景与人类活动排放的叠加形成了嵌套等级结构(nested hierarchical structure)[22].图1是对城市区域土壤Pb含量嵌套等级结构的一种简化和假设，由3个层次的空间结构特征嵌套而成.① 沿X轴方向的阶梯状的空间趋势.空间趋势是区域内平均值的空间分布[24]，是确定性的空间变异； 受到大气污染物远距离输送、 土壤母质和地形等大尺度的污染过程或环境要素影响形成[53, 54].② 2个随机分布的圆锥形突起，由小尺度的污染过程形成，例如点源污染过程或影响范围较小的扩散污染过程[17].③ 整个区域均存在的小尺度上的随机变异，表现为1 km×1 km的栅格单元之间Pb含量的随机变异部分.这种小尺度的随机变异也有可能具有空间自相关，也就是既有随机性又有确定性[24].
 | 图1 简化和假设的城市土壤Pb含量的空间分布示意 Fig.1 Representation of the simplified and hypothetical distribution of Pb concentration in urban soils |
由于异质性依赖于尺度[56]，土壤Pb含量的异质性在不同的尺度具有差别[15, 57, 58].在实际操作中，假设为了获得图1区域中土壤Pb含量的空间变异信息，采用网格抽样策略设置40 km×40 km的网格，采样点的位置为图1中的黑色实心点.大尺度污染过程能够影响到所有的采样点，以上的抽样策略得到的数据可以表现出大尺度污染过程形成的阶梯状的全局趋势.但是，小尺度的污染过程(图1中的污染源1和2)影响的范围较小，有1个采样点恰好落在污染源1造成的峰值浓度点，采样结果表明该点为异常高值点(outliers)或称为热点(hotspots)，污染源2的信息在这一抽样策略下则被完全的遗漏.这说明污染过程的影响尺度与抽样尺度之间存在真实的相互作用，小尺度上的空间变异和结构信息可能由于采样尺度的增加而减弱甚至丢失[24].本文的采样尺度指采样粒度(grid)，而不是幅度(extent). 3 城市土壤Pb含量的多尺度空间变异识别
城市土壤Pb含量空间分布兼具随机性和确定性特征，不满足传统统计学样本独立性和随机性的基本假设，适宜采用地统计学的区域化变量理论[59].本文在前人研究的基础上，基于地统计学理论，概括出识别城市区域多尺度土壤Pb含量空间变异的方法框架(图2)：土壤样本采集和Pb含量实测； 土壤Pb含量的空间结构特征分析； 构建线性混合效应模型(linear mixed model, LMM)进行空间变异的识别，可以得到高分辨率的城市土壤Pb含量空间分布图.
 | 图2 识别城市土壤Pb含量多尺度空间变异的方法框架 Fig.2 A method framework to identify multi-scale spatial variation of Pb contamination in urban soils |
城市土壤Pb含量空间变异研究主要采用3种采样策略：随机抽样、 系统抽样或分层抽样.系统抽样通常采用网格方式进行空间划分，也有研究采用样带方式[44].分层抽样通常按照不同类型的城市功能区或土地利用类型(通常划分为工业区、 商业区、 生活区和休闲区等)进行分层(表1).已有相关研究采样尺度不一，样点最小间距从60 m~5 km不等，部分研究半方差函数的块基比>0.75，说明以随机变异为主(表1).更有甚者，由于采样尺度过大导致半方差函数为纯块金效应，采样所获取的土壤Pb含量的空间变异表现为完全的随机变异，未能反映出空间结构信息[43].这种情况的出现一方面反映了在人为干扰下城市土壤性质空间变异的复杂性，同时也说明该采样密度过大而未能有效地反映其空间结 构，需要提高采样点密度[58].可见确定合理的采样尺度十分关键.
区域内主要污染源的影响范围可以为采样尺度的确定提供重要参考.可以根据研究目的和重点关注的污染过程，选择小于污染过程影响范围的尺度作为采样尺度，其依据就是“不同的污染源影响的空间范围不同”.例如，道路交通源对土壤重金属污染的影响范围较小，通常在道路两侧几米到几十米之间[13, 49, 72].换言之，如果某一地区以道路交通为主要污染源，道路两侧土壤Pb含量存在空间自相关的范围(变程)也就是在几十米的范围之内，采样尺度只有小于这个尺度才能全面地反映土壤Pb含量的空间结构特征，这一点在上海市的研究中得到了证实.柳云龙等[43]在上海市徐汇、 闵行和奉贤这3个区的研究均采用相似的采样尺度(1.6~2 km之间)，但是得出的块基比却相差悬殊(表1)：奉贤区的块基比表明存在较强的空间自相关；闵行的块基比为1，不存在空间自相关.造成这种差异的原因是两个区的污染源不同形成了不同的空间变异结构，闵行区作为上海市重要的对外交通枢纽，交通道路密集，以道路交通源为主导，大于1km的采样间隔显然不能反映出交通源造成的空间结构信息.而奉贤区为郊区，受到的人为活动干扰较小，土壤Pb空间分布可能主要受到自然因素的影响，变程很大(30.95 km)，1.6~2 km的采样间距能够很好地反映出空间结构信息.
 | 表1 不同城市土壤Pb含量研究采用的抽样方法以及揭示的空间结构特征 Table 1 Sampling method adopted and spatial structures revealed by studies on Pb concentration in soils of different cities |
科学合理的空间插值必须建立在对变量的空间结构充分了解的基础上，否则插值得出的空间分布图可能毫无意义[24].对未知点的土壤Pb含量进行空间局部估计之前，先对土壤Pb含量的空间分布进行结构分析，在此基础上才能建立变异函数的最优理论模型[59].对城市土壤Pb含量的空间分布进行结构分析主要包括：确定是否存在空间自相关、 等级结构、 全局趋势以及异常高值[24].
变量存在空间自相关是对其进行局部估计的前提条件[24].如果土壤属性不存在空间自相关，在该采样尺度下即为均匀或完全随机的空间分布，不适宜进行空间局部插值，可以采用均值或中值作为土壤属性空间分布的估计[52].我国城市土壤Pb含量通常具有空间自相关，但仍有必要采用定量或定性方法对其进行确认.地统计分析采用半方差函数描述土壤属性的空间变异，利用半方差函数的变程、 块金值和基台值可以分析判断是随机还是确定性因素对空间变异的形成起主要作用[52, 73].
土壤属性的空间变异通常存在等级结构，只在一个尺度上进行空间变异的评估并不能全面揭示污染的空间结构[15,74].因此，一旦确定城市土壤Pb污染空间分布存在空间变异，就需要判断其是否为等级结构，这是正确构建变异函数理论模型的基础.通过污染物含量的频数分布特征可以定性判断重金属元素是否来自不同的样本总体[44]，作为定性判断等级结构的依据.
确定土壤重金属存在等级结构之后，首先需要分析数据是否存在趋势，因为存在趋势的数据不满足地统计学的均值平稳假设[59].可以从数据的频数分布特征来判断，趋势的存在使得数据呈现偏态分布和厚尾[44,44].还可借助地理信息系统软件进行趋势面分析[76].或者通过地统计学的各项异性分析找出具有较强结构性的方向，确定为空间趋势的大致走向[24,75].如果存在全局趋势，可以采用对趋势稳健的变异函数模型[53]，或者将趋势从总变异中分离出来[24].
然后，需要分析数据是否存在异常高值点，识别出异常值并对其进行处理.采样尺度过大时，小尺度上的土壤Pb污染过程形成的空间结构特征可能无法全面展现，而仅表现为异常高值点[17,22]，如图1中污染源1的情况.异常高值的存在使得城市土壤Pb含量数据呈现正偏态分布(表1)，不满足传统地统计方法正态分布的假设.首先必须识别出异常值，空间数据异常值的识别方法很多，包括图形法、 空间数据分析以及克里格法等[11,77].可以采用简单直观的图形法，例如，直方图、 盒形图(box-plot)和Q-Q图(quantile-quantile plot)判断是否存在异常高值点; 还可采用局部MoransⅠ指数以及地理加权回归(geographically weighted regression, GWR)等空间数据分析法进行土壤属性异常值的识别[11,77, 78].而克里格法对异常值的识别是通过留一 交叉验证(leave-one-out cross-validation)实现，也就是分别移除每个采样点的观测值，再通过克里格法估计该采样点的值，利用估计值与观测值的差异程度来识别异常值[77, 79, 80].Zhang等[77]比较了直方图、 盒形图、 局部Morans Ⅰ指数、 GWR以及克里格法对城市土壤Pb污染异常值的识别结果，发现5种方法的识别结果基本一致.
识别出异常值后，进行完全剔除或者winsorizing处理可以消除异常值的影响.传统地统计方法通常利用Matheron矩估计量计算实际的变异函数，该估计量对异常值十分敏感[81, 82]，在数据为(近似)正态分布时统计效率最高[22, 24].如果使用传统的Matheron矩估计量就必须先消除异常值的影响，通常的做法是完全剔除异常值之后将数据变换到(近似)正态分布[12,22].由于异常高值点不但包含小尺度污染过程的信息，而且叠加了大尺度污染过程的信息[22]； 完全剔除可能将大尺度过程引起的变异错误地归类到小尺度过程中而被一并剔除，从而导致有用信息的丢失[80].更好的做法是Hawkins等[83]早年间提出的一种winsorization方法：首先通过克里格方法进行异常值的识别； 然后对异常值进行winsorizing处理，实现小尺度污染过程信息的去除以及大尺度污染过程信息的保留.Hawkins等[83]的异常值判别标准是，克里格估计值的中值与观测值的差异程度大于估计标准误的c倍(1.5<c<2.5)； 然后采用估计值以及c倍的估计标准误对异常值进行winsorizing[80].Marchant等[80]将这种方法应用到线性混合效应模型(linear mixed model, LMM)中，取得了较好的效果. 3.3 城市土壤Pb含量多尺度空间变异的理论模型构建和识别
通过线性混合效应模型LMM确定变量的空间分布也称为回归克里格(regression-kriging, RK)[82].Marchant等[80]提出的LMM将土壤污染的空间变异视为固定效应、 随机效应和误差之和：
空间变异的理论模型构建完成之后，开始对模型参数进行估计.在LMM的固定效应估计方面，主要有线性回归方法以及回归树方法.线性回归方法通常使用空间位置、 土壤母质、 地形以及土地利用等作为自变量[53, 75].例如，Marchant等[80]选择土壤母质作为线性回归方程的自变量，采用不同母质类型的中值作为固定效应，取得了较好的结果.然而，Lacarce等[85]指出线性回归需要基于专家知识选择固定效应的自变量，自变量选择过多会造成结果难以解释，反之则可能仅仅反映出较小部分的固定效应.因此，他们提出通过回归树方法估计固定效应，从而克服线性回归的以上不足.并在回归树的类型选择上放弃常用方法，选择可以避免过度拟合和变量选择偏差的条件分割树(conditional partitioning tree)[85].
在LMM的随机效应估计方面，由于城市土壤Pb含量空间分布存在异常高值点和全局趋势，需要采用对异常高值点和全局趋势稳健的地统计方法.首先，利用变异函数的估计量计算离散步长(lag)的实际变异函数.地统计中有多个对异常值稳健的变异函数估计量，例如，Cressies-Hawkins、 Dowd以及Genton估计量等[82].然后，选择并利用理论变异函数对离散的实际值进行拟合.通常可以采用两种方法比较并筛选出最优的理论变异函数：分析和比较理论模型的拟合优劣参数以及模型参数[59, 82]； 通过交叉验证、 对采用不同变异函数估计量得到的理论模型进行比较[81].在理论变异函数的拟合方法上，对于存在空间趋势的情况，残差最大似然估计(residual maximum likelihood, REML)[53]是随机效应的最优线性无偏估计.但是，REML方法仅适用于观测数据较少(<200)的情况，且与次优的回归克里格相比，其对结果的改善不大[86]，可认为回归克里格是一种对空间趋势稳健的估计方法.选择最优的理论变异函数，利用回归克里格法即可完成LMM的随机效应估计，得到城市土壤Pb含量具有空间自相关变异的随机变异部分.
最终得到不同空间尺度上城市土壤Pb含量的空间变异，按照从小到大的尺度为：异常高值点； 具有空间自相关的随机变异； 全局趋势.根据式(1)将固定效应、 随机效应和测量误差相加，即可生成全面揭示空间变异特征的城市土壤Pb含量的空间分布图. 4 问题与展望
土壤特性的空间变异性是尺度的函数，不同尺度下的自相关程度相差很大.城市土壤Pb含量空间变异特征的揭示也需要基于合理的采样尺度，制定合理的空间抽样策略是一个关键问题.空间抽样与传统抽样的最大区别在于空间抽样的调查对象具有地理空间坐标，空间抽样可以采用基于设计的抽样方法(传统方法)，以及基于模型的抽样方法(地统计方法)[87].地统计方法是土壤属性空间抽样研究中的一种常用方法，姜成晟等[88]详细介绍了如何应用地统计方法提高空间抽样的效率.现有的城市土壤Pb含量的空间变异研究在抽样上多采样简单随机抽样、 网格抽样或分层抽样方式，抽样效率不高.简单随机抽样没有考虑总体的空间结构规律[88]，对于土壤Pb含量这种存在复杂空间变异特征的变量效率较低[60].网格抽样费时费力、 同样效率低下.事实上，传统抽样方式中也有较为高效率的方法.例如，Chu等[60]采用条件拉丁超立方体抽样(Conditioned Latin Hypercube Sampling)进行台湾中部地区多种重金属污染的长期监测，结果表明这种抽样方式具有较高的效率.探讨更加高效的空间抽样策略是城市土壤Pb含量空间变异的研究的一个重点.
抽样问题的复杂性根本上源于城市土壤Pb含量空间变异的多尺度特征.由于单一尺度下难以深入分析土壤特性的空间变异结构特征，应当将土壤Pb含量空间变异的多尺度研究视为一个核心问题，其要点是确定土壤Pb含量空间变异的特征尺度.特征尺度是一定区域内能够表征土壤Pb含量空间变异性的最佳粒度(最小可辨识空间单元)或者最适宜的幅度(空间上的持续范围)[56].一旦确定了特征尺度，就可以确定最适宜的采样单元的大小或者样点间隔距离，以及采样的空间范围.总之，多尺度特征研究是城市土壤Pb含量空间变异研究需要解决的一个主要问题，该问题的解决有利于全面揭示城市土壤Pb含量的空间结构信息.
5 结论
(1)城市土壤Pb污染存的高空间变异性是受到多种污染源和污染过程影响的结果.大气颗粒物干沉降是城市土壤Pb污染的主要途径，城市冠层结构强烈地影响大气颗粒物的输送和沉降，从而进一步地增加了城市土壤Pb含量空间变异的复杂性.在以上因素的共同作用下，城市土壤Pb污染的空间变异表现为嵌套等级结构.空间变异性与尺度密切相关，要全面揭示城市土壤Pb污染的空间结构信息，必须开展多尺度研究.本文提出了一个基于地统计学、 以混合效应模型为核心的方法框架，可以帮助进行城市土壤Pb含量空间变异的多尺度研究，将其划分为3个尺度的空间变异：全局趋势、 具有空间自相关的随机变异以及异常高值点.
(2)我国现有的相关研究对城市土壤Pb含量城市土壤Pb污染的多尺度特征重视不够，主要表现在对采样尺度的选择过于随意.忽视空间抽样策略的直接后果是：样点间隔过大而无法揭示任何的空间结构信息.以后的研究在抽样设计上应该更加严谨，特别要加强空间抽样策略的研究以制定高效的抽样方式.抽样问题的复杂性根本上还是源于空间变异的多尺度特征.因此，加强城市土壤Pb含量的多尺度研究，特别是对特征尺度的研究就显得尤为重要.
| [1] | Needleman H. Lead poisoning[J]. Annual Review of Medicine, 2004, 55 (1): 209-222. |
| [2] | Godwin H A. The biological chemistry of lead[J]. Current Opinion in Chemical Biology, 2001, 5 (2): 223-227. |
| [3] | Chen H F, Hu Y A. Lead (Pb) isotopic fingerprinting and its applications in lead pollution studies in China: a review[J]. Environmental Pollution, 2010, 158 (5): 1134-1146. |
| [4] | Wei B, Yang L S. A review of heavy metal contaminations in urban soils, urban road dusts and agricultural soils from China[J]. Microchemical Journal, 2010, 94 (2): 99-107. |
| [5] | Luo X S, Yu S, Zhu Y G, et al. Trace metal contamination in urban soils of China[J]. Science of the Total Environment, 2012, 421-422 : 17-30. |
| [6] | Xu H M, Cao J J, Ho K F, et al. Lead concentrations in fine particulate matter after the phasing out of leaded gasoline in Xi'an, China[J]. Atmospheric Environment, 2012, 46 : 217-224. |
| [7] | He B, Yuan Z J, Shi J B, et al. Research progress of heavy metal pollution in China: sources, analytical methods, status, and toxicity[J]. Chinese Science Bulletin, 2013, 58 (2): 134-140. |
| [8] | Hrubá F, Strömbergb U, ACˇ ernác M, et al. Blood cadmium, mercury, and lead in children: an international comparison of cities in six European countries, and China, Ecuador, and Morocco[J]. Environment International, 2012, 41 : 29-34. |
| [9] | Charlesworth S, De Miguel E, Ordón A. A review of the distribution of particulate trace elements in urban terrestrial environments and its application to considerations of risk[J]. Environmental Geochemistry and Health, 2011, 33 (2): 103-123. |
| [10] | Wang M E, Bai Y Y, Chen W P, et al. A GIS technology based potential eco-risk assessment of metals in urban soils in Beijing, China[J]. Environmental Pollution, 2012, 161 : 235-243. |
| [11] | 史文娇, 岳天祥, 石晓丽, 等. 高风险重金属污染土壤识别研究方法综述[J]. 土壤, 2012, 44 (2): 197-202. |
| [12] | Saby N P A, Marchant B P, Lark R M, et al. Robust geostatistical prediction of trace elements across France[J]. Geoderma, 2011, 162 (3-4): 301-311. |
| [13] | Yesilonis I D, Pouyat R V, Neerchal N K. Spatial distribution of metals in soils in Baltimore, Maryland: role of native parent material, proximity to major roads, housing age and screening guidelines[J]. Environmental Pollution, 2008, 156 (3): 723-731. |
| [14] | Zhao Y C, Wang Z G, Sun W X, et al. Spatial interrelations and multi-scale sources of soil heavy metal variability in a typical urban-rural transition area in Yangtze River Delta region of China[J]. Geoderma, 2010, 156 (3): 216-227. |
| [15] | Huo X N, Li H, Sun D F, et al. Multi-scale spatial structure of heavy metals in agricultural soils in Beijing[J]. Environmental Monitoring and Assessment, 2010, 164 : 605-616. |
| [16] | Lv J, Liu Y, Zhang Z, et al. Factorial kriging and stepwise regression approach to identify environmental factors influencing spatial multi-scale variability of heavy metals in soils[J]. Journal of Hazardous Materials, 2013, 261 : 387-397. |
| [17] | Schwarz K, Pickett S T, Lathrop R G, et al. The effects of the urban built environment on the spatial distribution of lead in residential soils[J]. Environmental Pollution, 2012, 163 : 32-39. |
| [18] | Li X P, Feng L N. Multivariate and geostatistical analyzes of metals in urban soil of Weinan industrial areas, Northwest of China[J]. Atmospheric Environment, 2012, 47 : 58-65. |
| [19] | Carvajal B, Aboal J R, Fernández J A, et al. Influence of roads and inhabited areas on metal concentrations in terrestrial mosses[J]. Atmospheric Environment, 2010, 44 (28): 3432-3441. |
| [20] | Shi G T, Chen Z L, Xu S Y, et al. Potentially toxic metal contamination of urban soils and roadside dust in Shanghai, China[J]. Environmental Pollution, 2008, 156 (2): 251-260. |
| [21] | Sun Y, Zhou Q, Xie X. Spatial, sources and risk assessment of heavy metal contamination of urban soils in typical regions of Shenyang, China[J]. Journal of Hazardous Materials, 2010, 174 (1-3): 455-462. |
| [22] | Marchant B P, Tye A M, Rawlins B G. The assessment of point-source and diffuse soil metal pollution using robust geostatistical methods: a case study in Swansea (Wales, UK)[J]. European Journal of Soil Science, 2011, 62 (3): 346-358. |
| [23] | 吴新民, 潘根兴, 姜海洋, 等. 南京城市土壤的特性与重金属污染的研究[J]. 生态环境, 2003, 12 (1): 19-23. |
| [24] | Aboal J R, Real C, Fernández J A, et al. Mapping the results of extensive surveys: the case of atmospheric biomonitoring and terrestrial mosses[J]. Science of the Total Environment, 2006, 356 (1-3): 256-274. |
| [25] | 潘月鹏, 王跃思, 杨勇杰, 等. 区域大气颗粒物干沉降采集及金属元素分析方法[J]. 环境科学, 2010, 31 (3): 553-559. |
| [26] | Azimi S, Ludwig A, Thévenot D R, et al. Trace metal determination in total atmospheric deposition in rural and urban areas[J]. Science of the Total Environment, 2003, 308 (1-3): 247-256. |
| [27] | Oka G A. An assessment of trace metals in the soil, vegetation and atmospheric deposition of urban areas in Vancouver[D]. Vancouver: University of British Columbia, 2012. 17-20. |
| [28] | 徐宏辉, 王跃思, 温天雪, 等. 北京市大气气溶胶中金属元素的粒径分布和垂直分布[J]. 环境化学, 2007, 26 (5): 675-679. |
| [29] | 杨勇杰, 王跃思, 徐宏辉, 等. 泰山顶大气气溶胶中金属元素的特征分析[J]. 分析测试学报, 2008, 27 (4): 390-395. |
| [30] | Roupsard P, Amielh M, Maro D, et al. Measurement in a wind tunnel of dry deposition velocities of submicron aerosol with associated turbulence onto rough and smooth urban surfaces[J]. Journal of Aerosol Science, 2013, 55 (6): 12-24. |
| [31] | 徐祥德, 周秀骥, 施晓晖. 城市群落大气污染源影响的空间结构及尺度特征[J]. 中国科学, 2005, 35 (S1): 1-19. |
| [32] | 胡非, 李昕, 陈红岩, 等. 城市冠层中湍流运动的统计特征[J]. 气候与环境研究, 1999, 4 (3): 252-258. |
| [33] | Hussein T, Smolik J, Kerminen V M, et al. Modeling dry deposition of aerosol particles onto rough surfaces[J]. Aerosol Science and Technology, 2012, 46 : 44-59. |
| [34] | 张惠远, 饶胜, 迟妍妍, 等. 城市景观格局的大气环境效应研究进展[J]. 地球科学进展, 2006, 21 (10): 1025-1032. |
| [35] | 北京城市规划建设与气象条件及大气污染关系研究课题组. 城市规划与大气环境[M]. 北京: 气象出版社, 2004. 19-104. |
| [36] | 张宁, 蒋维楣. 建筑物对大气污染物扩散影响的大涡模拟[J]. 大气科学, 2006, 30 (2): 212-220. |
| [37] | Weathers K C, Simkin S M, Lovett G M, et al. Empirical modeling of atmospheric deposition in mountainous landscapes[J]. Ecological Applications, 2006, 16 (4): 1590-1607. |
| [38] | 雷梅, 陈同斌, 郑袁明, 等. 中国重金属污染: 来源与成因分析技术需求[A]. 见: 2011污染场地修复产业国际论坛暨重庆市环境科学学会第九届学术年会论文集[C]. 2011. 245-253. |
| [39] | Zhang L, Blanchard P, Johnson D, et al. Assessment of modeled mercury dry deposition over the Great Lakes region[J]. Environmental Pollution, 2012, 161 : 272-283. |
| [40] | 李晓燕, 陈同斌, 雷梅, 等. 不同土地利用方式下北京城区土壤的重金属累积特征[J]. 环境科学学报, 2010, 30 (11): 2285-2293. |
| [41] | Dankoub Z, Ayoubi S, Khademi H, et al. Spatial distribution of magnetic properties and selected heavy metals in calcareous soils as affected by land use in the Isfahan region, Central Iran[J]. Pedosphere, 2012, 22 (1): 33-47. |
| [42] | Lee C S, Li X D, Shi W Z, et al. Metal contamination in urban, suburban, and country park soils of Hong Kong: a study based on GIS and multivariate statistics[J]. Science of the Total Environment, 2006, 356 (1-3): 45-61. |
| [43] | 柳云龙, 章立佳, 韩晓非, 等. 上海城市样带土壤重金属空间变异特征及污染评价[J]. 环境科学, 2012, 33 (2): 599-605. |
| [44] | 吴绍华, 周生路, 杨得志, 等. 宜兴市近郊土壤重金属来源与空间分布研究[J]. 科学通报, 2008, 53 (S1): 162-170. |
| [45] | Pouyat R V, Yesilonis I D, Russell-Anelli J, et al. Soil chemical and physical properties that differentiate urban land-use and cover types[J]. Soil Science Society of America Journal, 2007, 71 (3): 1010-1019. |
| [46] | 赵彦锋, 史学正, 于东升, 等. 工业型城乡交错区农业土壤Cu、Zn、Pb和Cd的空间分布及影响因素研究[J]. 土壤学报, 2007, 43 (2): 227-234. |
| [47] | Rimmer D L, Vizard C G, Pless-Mulloli T, et al. Metal contamination of urban soils in the vicinity of a municipal waste incinerator: one source among many[J]. Science of the Total Environment, 2006, 6 (1-3): 207-216. |
| [48] | 王俊坚, 赵宏伟, 钟秀萍, 等. 垃圾焚烧厂周边土壤重金属浓度水平及空间分布[J]. 环境科学, 2011, 32 (1): 298-304. |
| [49] | Guney M, Onay T T, Copty N K. Impact of overland traffic on heavy metal levels in highway dust and soils of Istanbul, Turkey[J]. Environmental Monitoring and Assessment, 2010, 164 (1-4): 101-110. |
| [50] | Chen X, Xia X, Zhao Y, et al. Heavy metal concentrations in roadside soils and correlation with urban traffic in Beijing, China[J]. Journal of Hazardous Materials, 2010, 181 (1-3): 640-646. |
| [51] | Peng C, Ouyang Z Y, Wang M E, et al. Assessing the combined risks of PAHs and metals in urban soils by urbanization indicators[J]. Environmental Pollution, 2013, 178 : 426-432. |
| [52] | Ettema C H, Wardle D A. Spatial soil ecology[J]. Trends in Ecology and Evolution, 2002, 17 (4): 177-183. |
| [53] | Lark R M, Cullis B R, Welham S J. On spatial prediction of soil properties in the presence of a spatial trend: the empirical best linear unbiased predictor (E-BLUP) with REML[J]. European Journal of Soil Science, 2006, 57 (6): 787-799. |
| [54] | Boquete M T, Fernández J A, Aboal J R, et al. Spatial structure of trace elements in extensive biomonitoring surveys with terrestrial mosses[J]. Science of the Total Environment, 2009, 408 (1): 153-162. |
| [55] | Webster R. Is soil variation random?[J]. Geoderma, 2000, 97 (3-4): 149-163. |
| [56] | 邬建国. 景观生态学: 格局、过程、尺度与等级[M]. 北京: 高等教育出版社, 2000. 13-14. |
| [57] | 刘庆, 孙景宽, 陈印平, 等. 不同采样尺度下土壤重金属的空间变异特征[J]. 土壤通报, 2009, 40 (6): 1406-1410. |
| [58] | 章立佳. 上海城市土壤重金属空间变异结构和分布特征[D]. 上海: 上海师范大学, 2011. 20-56. |
| [59] | 王政权. 地统计学及其在生态学中的应用[M]. 北京: 科学出版社, 1999. 35-98. |
| [60] | Chu H J, Lin Y P, Jang C S, et al. Delineating the hazard zone of multiple soil pollutants by multivariate indicator kriging and conditioned Latin hypercube sampling[J]. Geoderma, 2010, 158 (3-4): 242-251. |
| [61] | 郑海龙, 陈杰, 邓文靖, 等. 南京城市边缘带化工园区土壤重金属污染评价[J]. 环境科学学报, 2005, 25 (9): 1182-1188. |
| [62] | 邱海源. 厦门市翔安区土壤重金属分布: 形态及生态效应研究[D]. 厦门: 厦门大学, 2008. 30-70. |
| [63] | 王虹艳. 丽水市城市土壤中重金属和磷的空间分布: 磁学监测和污染风险评价[D]. 杭州: 浙江大学, 2010. 21-33. |
| [64] | Chen J Q, Wang Z X, Wu X, et al. Source and hazard identification of heavy metals in soils of Changsha based on TIN model and direct exposure method[J]. Transactions of Nonferrous Metals Society of China, 2011, 21 (3): 642-651. |
| [65] | 郭广慧, 张航程, 彭颖. 基于GIS的宜宾城市土壤Pb含量空间分布特征及污染评价[J]. 环境科学学报, 2011, 31 (1): 164-171. |
| [66] | 庄腾飞. 上海市城市边缘区土壤重金属多尺度空间分布特征及污染评价[D]. 上海: 上海师范大学, 2012. 11-58. |
| [67] | 段慧敏. 永康市城市土壤重金属污染研究[D]. 金华: 浙江师范大学, 2012. 16-32. |
| [68] | A Dgğca N,Özdel E. Assessment of spatial distribution and possible sources of heavy metals in the soils of Sariseki-Dörtyol District in Hatay Province (Turkey)[J]. Environmental Earth Sciences, 2013, doi: 10.1007/s12665-013-2507-8. |
| [69] | Guagliardi I, Buttafuoco G, Cicchella D, et al. A multivariate approach for anomaly separation of potentially toxic trace elements in urban and peri-urban soils: an application in a southern Italy area[J]. Journal of Soils and Sediments, 2013, 13 (1): 117-128. |
| [70] | Li X Y, Liu L J, Wang Y G, et al. Heavy metal contamination of urban soil in an old industrial city (Shenyang) in Northeast China[J]. Geoderma, 2013, 192 (1-3): 50-58. |
| [71] | 陈秀端, 卢新卫, 杨光. 城市表层土壤磁化率与重金属含量分布的相关性研究[J]. 环境科学, 2013, 34 (3): 1086-1093. |
| [72] | Dao L G, Morrison L, Zhang H X, et al. Influences of traffic on Pb, Cu and Zn concentrations in roadside soils of an urban park in Dublin, Ireland[J]. Environmental Geochemistry and Health, 2013, doi: 10.1007/s10653-013-9553-8. |
| [73] | 孙英君, 王劲松, 柏延臣, 等. 地统计学方法进展研究[J]. 地球科学进展, 2004, 19 (2): 265-274. |
| [74] | 杨奇勇, 杨劲松, 刘广明. 土壤速效养分空间变异的尺度效应[J]. 应用生态学报, 2011, 22 (2): 431-436. |
| [75] | Rawlins B G, Lark R M, Webster R, et al. The use of soil survey data to determine the magnitude and extent of historic metal deposition related to atmospheric smelter emissions across Humberside, UK[J]. Environmental Pollution, 2006, 143 (3): 416-426. |
| [76] | Johnston K, Ver Hoef J M, Krivoruchko K, et al. Using ArcGIS geostatistical analyst[M]. Redlands: Esri Press, 2001. 103-105. |
| [77] | Zhang C S, Tang Y, Luo L, et al. Outlier identification and visualization for Pb concentrations in urban soils and its implications for identification of potential contaminated land[J]. Environmental Pollution, 2009, 157 (11): 3083-3090. |
| [78] | 李勇, 周永章, 张澄博, 等. 基于局部Moran's Ⅰ和GIS的珠江三角洲肝癌高发区蔬菜土壤中Ni、Cr的空间热点分析[J]. 环境科学, 2010, 31 (6): 1617-1623. |
| [79] | Meklit T, Van Meirvennea M, Verstraete S, et al. Combining marginal and spatial outliers identification to optimize the mapping of the regional geochemical baseline concentration of soil heavy metals[J]. Geoderma, 2009, 148 (3-4): 413-420. |
| [80] | Marchant B P, Saby N P A, Lark R M, et al. Robust analysis of soil properties at the national scale: cadmium content of French soils[J]. European Journal of Soil Science, 2010, 61 (1): 144-152. |
| [81] | Lark R M. A comparison of some robust estimators of the variogram for use in soil survey[J]. European Journal of Soil Science, 2000, 51 (1): 137-157. |
| [82] | Webster R, Oliver M A. Geostatistics for environmental scientists[M]. Chichester: John Wiley & Sons, 2007. 115-199. |
| [83] | Hawkins D M, Cressie N. Robust kriging——A proposal[J]. Mathematical Geology, 1984, 16 (1): 3-18. |
| [84] | Marchant B P, Saby N P A, Jolivet C C, et al. Spatial prediction of soil properties with copulas[J]. Geoderma, 2011, 162 (3-4): 327-334. |
| [85] | Lacarce E, Saby N P A, Martin M P, et al. Mapping soil Pb stocks and availability in mainland France combining regression trees with robust geostatistics[J]. Geoderma, 2012, 170 : 359-368. |
| [86] | Minasny B, McBratney A. Spatial prediction of soil properties using EBLUP with the Matérn covariance function[J]. Geoderma, 2007, 140 (4): 324-336. |
| [87] | Brus D J, Grijiter J J. Random sampling or geostatistical modelling? Choosing between design-based and model-based sampling strategies for soil (with discussion)[J]. Geoderma, 1997, 80 (1-2): 1-44. |
| [88] | 姜成晟, 王劲峰, 曹志冬. 地理空间抽样理论研究综述[J]. 地理学报, 2009, 64 (3): 369-380. |