环境科学  2018, Vol. 39 Issue (1): 371-378   PDF    
引用本文
曾菁菁, 沈春竹, 周生路, 陆春锋, 金志丰, 朱雁. 基于改进LUR模型的区域土壤重金属空间分布预测[J]. 环境科学, 2018, 39(1): 371-378.
ZENG Jing-jing, SHEN Chun-zhu, ZHOU Sheng-lu, LU Chun-feng, JIN Zhi-feng, ZHU Yan. Application of the LUR Model in the Prediction of Spatial Distributions of Soil Heavy Metals[J]. Environmental Science, 2018, 39(1): 371-378.
基于改进LUR模型的区域土壤重金属空间分布预测
曾菁菁1,3, 沈春竹2,3, 周生路1,3, 陆春锋1,4, 金志丰2,3, 朱雁4     
1. 南京大学地理与海洋科学学院, 南京 210023;
2. 江苏省土地勘测规划院, 南京 210008;
3. 国土资源部海岸带开发与保护重点实验室, 南京 210008;
4. 南京南源土地开发利用咨询有限公司, 南京 210008
收稿日期: 2017-04-04; 修订日期: 2017-07-07
基金项目: 国家自然科学基金项目（41771243）；国家重点研发计划项目（2017YFD0800305）；国土资源部公益性行业科研专项（20151001-03）；江苏省科技支撑计划项目（BE2015708）
作者简介: 曾菁菁(1993~), 女, 硕士研究生, 主要研究方向为土壤环境质量, E-mail: zjjclassic@163.com
通信作者: 周生路, E-mail: zhousl@nju.edu.cn
摘要: 以江苏省常州市金坛区为例，借鉴传统LUR模型思路，考虑土壤重金属的源汇关系，加入土壤属性因子，构建LUR-S模型模拟预测了研究区土壤重金属含量空间分布，并与传统LUR模型及普通克里格插值模型结果进行对比，结果表明：①研究区土壤重金属含量受到以土地利用为主的源因子及反映重金属在土壤中赋存环境的汇因子的共同影响.就源影响因子而言，土壤Cu、Zn含量分别与2000 m缓冲区内交通用地面积、2000 m缓冲区内城市建设用地面积极显著相关（P < 0.01）；就汇影响因子而言，土壤Cr、Cu、Zn含量与OM、Corg、TC、TN极显著相关（P < 0.01）.②研究区土壤重金属Pb、Cr、Cu、Zn空间分布预测的LUR-S模型方程R2较传统LUR模型分别提高了0.041、0.406、0.102、0.501，精度检验R2较普通克里格插值模型分别提高了0.1477、0.0116、0.2310、0.081，RMSE较普通克里格插值分别减少了2.413、0.631、1.112、2.138，表明考虑了源汇关系的LUR-S模型预测精度高于传统LUR模型和普通克里格插值模型；③LUR-S模型对污染较低、变异较小重金属空间分布预测的适用性较好，而对污染较高、变异较大重金属则较差.
关键词: 土壤      重金属      空间分布      LUR模型      金坛区     
Application of the LUR Model in the Prediction of Spatial Distributions of Soil Heavy Metals
ZENG Jing-jing1,3 , SHEN Chun-zhu2,3 , ZHOU Sheng-lu1,3 , LU Chun-feng1,4 , JIN Zhi-feng2,3 , ZHU Yan4     
1. School of Geographic and Oceanographic, Nanjing University, Nanjing 210023, China;
2. Jiangsu Institute of Land Survey and Planning, Nanjing 210008, China;
3. Key Laboratory of Coastal Zone Exploitation and Protection, Ministry of Land and Resources, Nanjing 210008, China;
4. Nanjing Nanyuan Land Development and Utilization Consulting Co., Ltd., Nanjing 210008, China
Abstract: Using the Jintan District of Changzhou City, Jiangsu Province as an example, the LUR model was used to study the spatial distribution of heavy metals and to simulate the spatial distribution of heavy metals in the study area. Compared with the traditional LUR model and the ordinary Kriging interpolation model, the following conclusions were obtained. ① The soil heavy metal content in the study area was highly and significantly correlated with land factors, with the main factor of land use and influencing factors of heavy metals in the soil environment (P < 0.01). In terms of influencing factors, the soil Cu and Zn contents were significantly correlated with the area related to traffic in a 2000 m buffer area and 2000 m buffer zone, respectively. The soil Cr, Cu, and Zn contents were significantly correlated with OM, Corg, TC, and TN (P < 0.01). ② The R2 of the LUR-S models of the spatial distribution of the heavy metals, Pb, Cr, Cu, and Zn, in the study area were improved by 0.041, 0.406, 0.102, and 0.501, respectively, compared with the traditional LUR model. The accuracy test R2 values were improved by 0.1477, 0.0116, 0.2310, and 0.081, respectively; and the RMSE was reduced by 2.413, 0.631, 1.112, and 2.138, respectively. It was shown that the LUR-S model, which considered the source-sink relationship, had a higher accuracy than the traditional LUR model and ordinary Kriging interpolation model. ③ The LUR-S model was more suitable for the prediction of the spatial distribution of heavy metals with lower pollution and smaller variations, while results for the prediction of the heavy metals with higher pollution and larger variations were worse.
Key words: soil      heavy metals      spatial distribution      land use regression (LUR) model      Jintan District     

随着城市化、工业化的发展, 土壤重金属污染已成为一个全球关注的环境问题[1].由于土壤重金属污染在空间上具有分布复杂性、高度可变性以及局部偶然性特征, 使得土壤重金属空间分布预测具有一定的难度[2].传统统计方法通过计算区域土壤重金属的均值[3]、标准差、方差、变异系数[4]等在一定程度上反映样本的总体特征, 但无法定量刻画土壤空间变异的随机性和结构性.当前, 地学统计[5, 6]、模糊聚类[7, 8]、神经网络[9, 10]等方法相继被应用于土壤重金属的空间分异研究, 以探索和改进土壤重金属的空间预测技术手段.土地利用回归(land use regression, LUR)模型是目前模拟城市尺度大气污染时空分异的常用方法之一[11], 模型的变量选择除土地利用类型外, 会因为研究区不同及因变量不同而有所差异[12~14].已有研究表明, 不同土地利用下的土壤重金属累积状况存在较大差异[15, 16], 然而传统LUR模型在土壤重金属空间预测中运用甚少, 其原因与传统LUR模型在选取变量时仅考虑了以土地利用为主的源影响因子有关.

本文借鉴LUR模型建模思路, 考虑土壤重金属的源汇关系, 在体现重金属“源”的土地利用因子的基础上, 加入影响重金属“汇”即赋存环境的土壤属性因子, 构建适用于土壤重金属空间分布预测的LUR-S模型, 并与传统LUR模型及普通克里格插值模型进行对比, 对LUR-S模型在土壤重金属污染预测研究上的可行性进行评估, 对土壤重金属空间分布进行预测, 分析其用于重金属污染研究的优点以及存在的问题, 以探索区域土壤重金属空间分布预测的新方法.

1 材料与方法 1.1 研究区概况

研究区江苏省常州市金坛区地处江苏省南部, 2014年末行政区域面积976.7 km2, 人口55.34万人, 境内地势西高东低, 海拔-6~373 m, 水网密布, 年均降雨量1 108.4 mm.该区地处长江三角洲中枢地带, 2014年GDP达471.48亿元, 城市化、工业化进程迅速, 区内土壤受到不同程度的土壤重金属污染[17], 在长三角经济发达地区中具有代表性[18].

1.2 数据来源 1.2.1 重金属含量及土壤理化性质数据

本研究所用的重金属含量及土壤性质数据来源于研究区多目标地球化学调查结果.该调查将研究区划分成2 km×2 km的网格, 选取距离行政区边界大于2 km的网格作为采样点, 共选取180个样点(图 1).按照5点混合采样法采集0~20cm表层土壤样品, 四分法取分析样品约1.5 kg.经相应的土壤样品风干、研磨、过筛, 进行相应的土壤重金属Cd、Pb、Cr、Cu、Zn和理化性质pH、有机质(OM)、总碳(TC)、有机碳(Corg)、全氮、全磷、全含量测试分析[19], 重金属及土壤理化性质测定的仪器、方法和检验精度按照中国地质调查局《多目标区域地球化学调查规范(1:250 000)》(DD2005-01)执行, 具体测试方法及测试结果见表 1.

图 1 研究区位及采样点示意 Fig. 1 Map of the study area and sampling sites

表 1 研究区土壤重金属及理化性质描述性统计及测试方法 Table 1 Statistical characteristics and testing methods for heavy metal concentrations and physical characteristics in the study area

1.2.2 土地利用数据

本研究所采用土地利用数据来源于江苏省2014年土地利用变更调查矢量数据.根据土地利用现状分类标准, 并综合考虑各种土地利用类型数量, 将土地利用归并为5种类型：城市建设用地, 农村建设用地, 交通运输用地, 农用地, 水域.

1.2.3 其他数据

其他数据包括人口密度数据、工业污染源数据、高程和坡度数据.人口密度数据采用中国公里网格人口分布数据集[21](2010年, 1 km×1 km), 以监测点所在位置的栅格值表示该点人口密度.工业污染源只考虑研究区内国家重点监控污染企业, 从环保部网站获取监控企业基本信息, 共27个.从国际科学数据服务平台地理空间数据云(Geospatial Data Cloud)获取研究区高程、坡度数据.

1.3 LUR模型的改进与构建

本研究利用SPSS 22.0的双变量相关性分析和多元线性逐步回归功能, 结合Arcgis 10.2的空间分析功能, 综合考虑土壤重金属空间分布的影响因素, 分析变量和土壤重金属含量之间的相关性, 构建适用于区域土壤重金属空间分布预测的LUR+Soil的LUR-S模型.模型的构建分为模型变量的生成与筛选、多元线性回归、模型精度检验与对比、区域重金属含量模拟4个部分.

1.3.1 模型变量的生成与筛选

本研究除选取传统LUR模型中的土地利用、工业污染源距离、地形地貌等作为影响土壤重金属含量分布的因素外, 将土壤理化性质指标作为土壤属性因子纳入模型变量, 以反映土壤重金属的赋存条件.为了比较重金属含量与不同空间尺度地理空间要素相关性的高低, LUR-S模型采用缓冲区分析刻画不同尺度的影响, 并识别最高相关性的空间尺度.在ArcGIS 10.2中以180个监测点为中心建立系列缓冲区, 统计不同半径缓冲区内影响因子数值, 并分析影响因子与重金属含量的相关性.本研究参照已有区域尺度LUR模型的缓冲半径[22~24], 确定500、1 000、2 000 m共3个系列缓冲半径, 并提取各种土地利用类型占地面积.

1.3.2 多元线性回归

工业污染源距离、土壤属性因子、人口密度、高程等均以监测值表征, 不涉及缓冲区分析.针对土地利用(5种地类)、道路交通, 缓冲区分析后共得到18(3×6)个影响因子; 再加上工业污染源距离、土壤属性因子、人口密度、高程和坡度, 共计29个影响因子.在SPSS 22.0中将单个影响因子与重金属含量进行双变量相关分析, 筛选出与重金属含量显著相关(P＜0.05)的影响因子.为了降低后续多元线性回归中同类变量不同缓冲半径下影响因子间的共线性, 参照Wu等[25]提出的建模方法, 先选出同类预测变量中与重金属含量相关性最高的影响因子, 然后去除与该因子相关性较高(R＞0.6)的其他同类因子, 最后将剩下的所有影响因子与监测点土壤重金属含量进行逐步线性回归, 得到多元线性回归方程, 即研究区的LUR-S模型.

1.3.3 模型精度检验

采用采三留一验证法对模型精度进行评估[26].将180个样点随机分为建模点位(135个)和验证点位(45个)两部分, 先用建模点位中135个样点的土壤Cu、Zn含量与研究区LUR模型中的预测变量进行回归, 利用回归方程预测验证点位(45个)土壤重金属含量, 并将该点的预测值和实测值比较; 同时, 运用Arcgis 10.2以建模点位数据建立普通克里格插值模型, 同理比较普通克里格插值模型中验证点位的预测值与实测值, 最后对两种模型进行精度对比.

1.3.4 区域重金属含量模拟与比较

为了得到研究区土壤重金属含量空间分布, 在Arc GIS 10.2中生成1 km×1 km规则格点, 依据区域LUR-S模型得到格点土壤重金属含量, 再将格点土壤重金属含量赋给相应格网, 最终得到研究区土壤重金属含量空间分布, 并与普通克里格插值模型模拟结果进行比较.

2 结果与分析 2.1 双变量相关性分析

将研究区土壤重金属含量与29个变量进行双变量相关性分析, 其中, X1~X22为体现重金属“源”的源影响因子, X23~X29为影响重金属“汇”即赋存环境的汇影响因子, 结果见表 2.从中可知, 所选变量在解释Cr、Cu、Zn含量时, 极显著相关(P < 0.01)的变量较多; 在解释Pb含量时, 不存在极显著相关的变量, 但部分变量显著相关(P < 0.05);在解释Cd含量时, 不存在显著相关的变量, 具体原因将在讨论部分进一步阐述.其中, 与Pb含量显著相关的变量共6个, 含2个源影响因子和4个汇影响因子; 与Cr含量显著相关的变量共9个, 含3个源影响因子和6个汇影响因子; 与Cu含量显著相关的变量共15个, 含9个源影响因子和6个汇影响因子; 与Zn含量显著相关的变量共16个, 含9个源影响因子和7个汇影响因子.就源影响因子而言, Pb、Cu、Zn与周边交通用地面积及道路总长度显著相关, Cr、Cu、Zn与周边城市建设用地面积、到污染企业平均距离与高程显著相关.就汇影响因子而言, Cr、Cu、Zn与OM、TC、Corg、TN极显著相关, Pb与OM、TC、Corg、TN显著相关, Cr、Cu、Zn与TP、TK极显著相关, Zn与pH极显著相关.

表 2 重金属含量与影响因子相关分析结果1) Table 2 Correlation analysis between heavy metal content and influencing factors

2.2 LUR-S模型构建

由于Cd与所选变量无显著相关关系, 故不构建Cd的LUR-S模型.经逐步回归, 最后得到研究区土壤Pb、Cr、Cu、Zn含量的LUR-S模型与传统LUR模型(不含汇影响因子)如表 3所示.基于LUR-S模型的Pb、Cr、Cu、Zn含量回归方程R2分别为0.088、0.529、0.550和0.772, F检验统计量分别为6.367(Sig.=0.002)、23.738(Sig.=0.000)、41.596(Sig.=0.000)和113.339(Sig.=0.000), 回归方程有效. Cr、Cu、Zn的LUR-S模型中所有单个预测变量均在1%显著性水平下通过显著性检验, Pb的LUR-S模型中所有单个预测变量均在5%显著性水平下通过显著性检验, 说明单个解释变量分别对被解释变量有显著的线性关系.在Pb、Cr、Cu、Zn含量预测中, LUR-S模型的R2较传统LUR模型分别提高了0.041、0.406、0.102、0.501.

表 3 基于传统LUR模型与改进LUR-S模型的重金属含量线性回归方程 Table 3 Linear regression equations for heavy metal content based on the LUR model and LUR-S model

根据LUR-S模型方程可知, 就源影响因子而言, Pb含量与1 000 m缓冲区内道路总长度呈正相关关系; Cr含量与2 000 m缓冲区内城市建设用地呈正相关关系, 与样点到污染企业平均距离呈负相关关系; Cu含量与2 000 m缓冲区内道路总长度呈正相关关系, 与样点到污染企业平均距离呈负相关关系; Zn含量与2 000 m缓冲区内城市建设用地呈正相关关系.就汇影响因子而言, TC、Corg、TP、TK为影响土壤重金属含量的重要变量.

2.3 模型精度检验及与普通克里格插值精度对比

通过两种模型的预测值与实测值的对比(图 2), 结合模型相关系数可知, LUR-S模型的相关指数R2高于普通克里格插值模型.在Pb、Cr、Cu、Zn的空间分布预测中, LUR-S模型的R2分别为0.194 4、0.346 6、0.483 1、0.214 6, 较普通克里格插值分别提高了0.147 7、0.011 6、0.231 0、0.081; LUR-S模型的RMSE分别为12.247、4.812、3.229、21.506, 较普通克里格插值分别减小了2.413、0.631、1.112、2.138.两种模型的预测值-实测值散点图基本在1:1线上下波动, Pb、Cu、Zn的LUR-S模型散点波动范围小于普通克里格插值散点, 而Cr的LUR-S模型的预测值较实测值偏高.总体而言, LUR-S模型的精度高于普通克里格插值模型.此外, 两种模型预测误差较大的散点均为实测值较高的样点, 说明无论LUR-S模型还是普通克里格插值模型, 对于土壤重金属含量较高的区域预测精度较低, 其原因可能在于研究区存在局部土壤重金属污染状况.

图 2 LUR-S模型和普通克里格插值模型的重金属含量预测值与实测值对比 Fig. 2 Comparison between predict values and measured value of LUR-S model and the original Kriging model

2.4 区域重金属含量空间分布预测

对比LUR-S模型与普通克里格插值模型所生成的重金属含量空间分布预测图(图 3)可以发现, 两种方法中土壤重金属在研究区全域内的空间分布趋势大致相同, 而细节有所差异.其中, 基于LUR-S模型预测下的Pb含量在路网密集的地区高于克里格插值模型预测值, 基于LUR-S模型预测下的Cr含量在海拔较高的西部地区出现高值, Cu含量在金坛区的中部地区较高, 东部地区较低, 其原因在于研究区中部地区路网较周边地区更密集, Zn含量在中部和北部地区较高, 东部和南部地区较低, 其原因在于研究区中部、北部地区社会经济较发达, 城市建设用地面积较大.总体上看, 研究区土壤重金属含量在城市中心地区较高, 并呈现出由中部向四周逐渐减少的趋势.

图 3 LUR-S模型与普通克里格插值模型的土壤重金属含量空间分布预测及对比 Fig. 3 Soil heavy metal content spatial distribution prediction and the comparison of LUR-S model and the original Kriging interpolation model

3 讨论

对比图 3两种模型结果可以发现, 克里格插值预测结果中土壤重金属空间分布较为简单, LUR-S模型结果中土壤重金属空间分布更加复杂多样, 对重金属空间分布状况揭示更为精细.其原因在于, 相较于基于地统计学理论单纯考虑因变量空间相关性的普通克里格插值模型, LUR-S模型综合考虑了各个样点周边不同的土地利用状况及样点的土壤理化性质等因素, 并通过构建线性回归方程的手段来预测研究区域内的污染物空间分异, 从而更有效地揭示出小范围内重金属的空间差异.

本研究中除Cd元素外, LUR-S模型在对土壤Pb、Cr、Cu、Zn空间分布预测效果明显优于传统LUR模型及普通克里格插值模型, 其方程R2高于传统LUR模型, 精度检验R2高于普通克里格插值, RMSE低于普通克里格插值, LUR-S模型在土壤重金属空间分布预测中具有较好的适用性. 表 1可知, 污染相对较高的Cd、Pb的CV值分别为112.5%和87.8%, 而污染相对较低的Cr、Cu、Zn分别为8.3%、20.6%和24.9%, 明显低于Cd、Pb的CV值; 根据表 3, Zn的LUR-S模型拟合效果最优, Cr、Cu次之, Pb拟合效果较差, Cd的LUR-S模型因拟合未能通过检验而无法成立.根据上述可以发现, 本研究中LUR-S模型对污染相对较低、变异相对较小的重金属元素空间分布拟合精度较高, 适用性较好; 而对污染相对较高、变异相对较大元素空间分布拟合精度较低, 适用性较差.其原因可能在于, 研究区存在Cd、Pb局部污染的情况.为此, 对变异较大的重金属空间分布预测, 可以通过进一步增加反映造成重金属局部污染的关联指标来提高LUR-S模型的预测精度和适用性.

4 结论

(1) 研究区土壤重金属含量受到以土地利用为主的源因子及反映重金属在土壤中赋存环境的汇因子的共同影响.根据LUR-S模型, 对研究区土壤重金属含量影响较大的因子包括样点周边道路长度、城市建设用地面积、距工业污染源距离以及土壤中TK、TC、TP、Corg含量等, 土壤Cu、Zn含量分别与2 000 m缓冲区内交通用地面积、2 000 m缓冲区内城市建设用地面积极显著相关, 土壤Cr、Cu、Zn含量与OM、Corg、TC、TN极显著相关, 汇影响因子是构建LUR-S模型的重要因素.

(2) LUR-S模型可较好地对研究区土壤重金属Pb、Cr、Cu、Zn含量进行空间分布预测.研究区土壤重金属空间分布预测的LUR-S模型方程R2、RMSE较传统LUR模型、普通克里格插值模型有明显提高.相较于普通克里格插值模型所得到的单一梯度空间分布预测结果, LUR-S模型因综合考虑了土壤重金属的赋存环境, 能够更有效揭示小范围内的空间差异.

(3) LUR-S模型对污染较低、变异较小重金属空间分布预测的适用性较好, 而对污染较高、变异较大重金属空间分布预测的适用性则较差.

参考文献
[1] 施亚星, 吴绍华, 周生路, 等. 土壤-作物系统中重金属元素吸收、迁移和积累过程模拟[J]. 环境科学, 2016, 37(10): 3996-4003.
Shi Y X, Wu S H, Zhou S L, et al. Simulation of the absorption, migration and accumulation process of heavy metal elements in soil-crop system[J]. Environmental Science, 2016, 37(10): 3996-4003.
[2] Amini M, Afyuni M, Fathianpour N, et al. Continuous soil pollution mapping using fuzzy logic and spatial interpolation[J]. Geoderma, 2005, 124(3-4): 223-233. DOI:10.1016/j.geoderma.2004.05.009
[3] Kelepertzis E. Accumulation of heavy metals in agricultural soils of Mediterranean:Insights from Argolida basin, Peloponnese, Greece[J]. Geoderma, 2014, 221-222: 82-90. DOI:10.1016/j.geoderma.2014.01.007
[4] Shao D W, Zhan Y, Zhou W J, et al. Current status and temporal trend of heavy metals in farmland soil of the Yangtze River Delta Region:field survey and meta-analysis[J]. Environmental Pollution, 2016, 219: 329-336. DOI:10.1016/j.envpol.2016.10.023
[5] Ha H, Olson J R, Bian L, et al. Analysis of heavy metal sources in soil using kriging interpolation on principal components[J]. Environmental Science & Technology, 2014, 48(9): 4999-5007.
[6] 刘硕, 吴泉源, 曹学江, 等. 龙口煤矿区土壤重金属污染评价与空间分布特征[J]. 环境科学, 2016, 37(1): 270-279.
Liu S, Wu Q Y, Cao X J, et al. Pollution assessment and spatial distribution characteristics of heavy metals in soils of coal mining area in Longkou City[J]. Environmental Science, 2016, 37(1): 270-279.
[7] 郭燕, 田延峰, 吴宏海, 等. 基于多源数据和模糊k-均值方法的农田土壤管理分区研究[J]. 土壤学报, 2013, 50(3): 441-447.
Guo Y, Tian Y F, Wu H H, et al. Zoning of soil management based on multi-sources data and Fuzzy-k means[J]. Acta Pedologica Sinica, 2013, 50(3): 441-447.
[8] 谢军, 秦承志, 肖桂荣, 等. 模糊聚类方法在南方红壤小流域土壤属性制图中的应用——以长汀朱溪河小流域为例[J]. 中国水土保持科学, 2015, 13(5): 132-139.
Xie J, Qin C Z, Xiao G R, et al. Soil property mapping using fuzzy clustering method in small watershed of the red soil region in southern China:a case study of Zhuxi Watershed[J]. Science of Soil and Water Conservation, 2015, 13(5): 132-139.
[9] 刘新颜, 曹晓仪, 董治宝. 基于T-S模糊神经网络模型的榆林市土壤风蚀危险度评价[J]. 地理科学, 2013, 33(6): 741-747.
Liu X Y, Cao X Y, Dong Z B. Soil wind erosion risk assessment in Yulin City using T-S fuzzy neural network model[J]. Scientia Geographica Sinica, 2013, 33(6): 741-747.
[10] 陈飞香, 程家昌, 胡月明, 等. 基于RBF神经网络的土壤铬含量空间预测[J]. 地理科学, 2013, 33(1): 69-74.
Chen F X, Cheng J C, Hu Y M, et al. Spatial prediction of soil properties by RBF neural network[J]. Scientia Geographica Sinica, 2013, 33(1): 69-74.
[11] De Hoogh K, Gulliver J, Van Donkelaar A, et al. Development of West-European PM2.5 and NO2 land use regression models incorporating satellite-derived and chemical transport modelling data[J]. Environmental Research, 2016, 151: 1-10. DOI:10.1016/j.envres.2016.07.005
[12] Weichenthal S, Van Ryswyk K, Goldstein A, et al. A land use regression model for ambient ultrafine particles in Montreal, Canada:a comparison of linear regression and a machine learning approach[J]. Environmental Research, 2016, 146: 65-72. DOI:10.1016/j.envres.2015.12.016
[13] Gaeta A, Cattani G, Di Menno di Bucchianico A, et al. Development of nitrogen dioxide and volatile organic compounds land use regression models to estimate air pollution exposure near an Italian airport[J]. Atmospheric Environment, 2016, 131: 254-262. DOI:10.1016/j.atmosenv.2016.01.052
[14] 陈浩. 基于土地利用回归模型的土壤重金属空间分布预测——昆山市为例[D]. 南京: 南京大学, 2014. 1-27.
Chen H. Application of land use regression to predict heavy metal distribution in soil in Kunshan City, China[D]. Nanjing:Nanjing University, 2014. 1-27.
[15] 吕建树, 张祖陆, 刘洋, 等. 日照市土壤重金属来源解析及环境风险评价[J]. 地理学报, 2012, 67(7): 971-984.
Lü J S, Zhang Z L, Liu Y, et al. Sources identification and hazardous risk delineation of heavy metals contamination in Rizhao City[J]. Acta Geographica Sinica, 2012, 67(7): 971-984. DOI:10.11821/xb201207010
[16] 李建国, 濮励杰, 廖启林, 等. 无锡市土壤重金属富集的梯度效应与来源差异[J]. 地理科学, 2014, 34(4): 496-504.
Li J G, Pu L J, Liao Q L, et al. The sources and gradient effect of soil heavy metal concentrations in Wuxi City[J]. Scientia Geographica Sinica, 2014, 34(4): 496-504.
[17] 戴靓, 姚新春, 周生路, 等. 长三角经济发达区金坛市土地生态状况评价[J]. 农业工程学报, 2013, 29(8): 249-257.
Dai L, Yao X C, Zhou S L, et al. Land ecological assessment of Jintan city in Yangtze River Delta with highly developed economy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(8): 249-257.
[18] 余泓, 潘剑君, 李加加, 等. 长三角地区农用地土壤肥力特征及综合评价——以朱林镇为例[J]. 土壤通报, 2017, 48(2): 372-379.
Yu H, Pan J J, Li J J, et al. Characteristics of soil fertility and comprehensive evaluation on agricultural land in the Yangtze River Delta-a Case Study of Zhulin Town[J]. Chinese Journal of Soil Science, 2017, 48(2): 372-379.
[19] 苏全龙, 周生路, 易昊旻, 等. 几种区域土壤重金属污染评价方法的比较研究[J]. 环境科学学报, 2016, 36(4): 1309-1316.
Su Q L, Zhou S L, Yi H M, et al. A comparative study of different assessment methods of regional heavy metal pollution[J]. Acta Scientiae Circumstantiae, 2016, 36(4): 1309-1316.
[20] 廖启林, 刘聪, 许艳, 等. 江苏省土壤元素地球化学基准值[J]. 中国地质, 2011, 38(5): 1363-1378.
Liao Q L, Liu C, Xu Y, et al. Geochemical baseline values of elements in soil of Jiangsu Province[J]. Geology in China, 2011, 38(5): 1363-1378.
[21] 付晶莹, 江东, 黄耀欢. 中国公里网格人口分布数据集[J]. 地理学报, 2014, 69(S): 41-44.
[22] Liu C, Henderson B H, Wang D F, et al. A land use regression application into assessing spatial variation of intra-urban fine particulate matter (PM2.5) and nitrogen dioxide (NO2) concentrations in City of Shanghai, China[J]. Science of the Total Environment, 2016, 565: 607-615. DOI:10.1016/j.scitotenv.2016.03.189
[23] Cordioli M, Pironi C, De Munari E, et al. Combining land use regression models and fixed site monitoring to reconstruct spatiotemporal variability of NO2 concentrations over a wide geographical area[J]. Science of the Total Environment, 2017, 574: 1075-1084. DOI:10.1016/j.scitotenv.2016.09.089
[24] Ross Z, Jerrett M, Ito K, et al. A land use regression for predicting fine particulate matter concentrations in the New York City region[J]. Atmospheric Environment, 2007, 41(11): 2255-2269. DOI:10.1016/j.atmosenv.2006.11.012
[25] Wu J S, Li J C, Peng J, et al. Applying land use regression model to estimate spatial variation of PM2.5 in Beijing, China[J]. Environmental Science and Pollution Research, 2015, 22(9): 7045-7061. DOI:10.1007/s11356-014-3893-5
[26] 吴健生, 谢舞丹, 李嘉诚. 土地利用回归模型在大气污染时空分异研究中的应用[J]. 环境科学, 2016, 37(2): 413-419.
Wu J S, Xie W D, Li J C. Application of land-use regression models in spatial-temporal differentiation of air pollution[J]. Environmental Science, 2016, 37(2): 413-419.