2022, Vol. 43
2. 中国科学院大学, 北京 100049;
3. 郑州大学河南先进技术研究院, 郑州 450003
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. Henan Institute of Advanced Technology, Zhengzhou University, Zhengzhou 450003, China
重金属镉(Cd)和铅(Pb)为生物非必需元素, 具有较强生物毒性, 并通过食物链对人体产生毒害[1].近年来我国北方地区小麦Cd和Pb超标事件频发.宝鸡市工业园区附近小麦籽粒Cd和Pb超标率分别达22.6%和48.4%[2].济源市部分地区小麦籽粒Cd和Pb超标率均达100%[3], Cd致癌风险100%超过国际推荐安全值[4].准确预测小麦籽粒Cd和Pb超标风险, 能够保障农产品质量安全, 维护区域民众健康, 有巨大的生态-社会-经济效益[5].
当前内梅罗指数法[6]、潜在生态风险指数法[7]、地累积指数法[8]和健康风险评价模型[9, 10]等多种方法在农田污染风险评价研究中应用, 然而土壤-农作物系统重金属累积过程复杂, 影响因子较多, 以上方法难以准确预测农作物重金属超标风险.近年来, 基于多元回归分析方法的经验模型(Extended Freundlich模型等)和基于反映过程的机制模型(自由离子活度模型FIAM、生物配体模型BLM等)受到广泛关注[11~14].其中经验模型计算较简便, 但变量较简单, 缺乏普适性; 机制模型能够有效解释重金属在农田环境中的环境行为, 但数据要求高、参数较多且建模难度大, 难以推广应用[15~17].另外, 经验模型与机制模型所用参数常常基于温室实验或小区实验, 实验环境较为单一, 涉及土壤因子较少, 模型运行结果存在很大不确定性, 难以反映真实田间情况[18, 19].如何基于现有大田观测数据进行农作物污染风险预测具有重大意义.
贝叶斯理论重视先验数据的收集和信息挖掘, 通过先验数据的分布特征进行统计推断, 提高统计推断的准确性, 能够有效解决小麦籽粒重金属与土壤因子间的多因素非线性相应关系, 且能够充分利用已有调查数据, 适用性强, 易于推广[20].基于贝叶斯理论的模型已在生态风险评价和人体健康风险评价等领域开展应用[21~24], 但在农作物重金属累积风险方面应用较少[25].本研究基于区域大田调查土壤-小麦重金属含量数据, 结合贝叶斯定理和数据分布特征, 建立小麦籽粒重金属含量的贝叶斯风险预测模型, 并探讨不同变量下该模型准确度及其影响因素.
1 材料与方法 1.1 区域大田调查区域大田调查地点位于河南省济源市东部平原.济源市位于河南省西北部, 是亚洲最大的铅锌深加工基地, 也是我国重要小麦产区[26].工矿企业活动导致该地土壤Cd和Pb等重金属长期积累, 并对当地小麦安全生产造成严重影响, 引发研究人员广泛关注[27, 28].
2017年冬小麦成熟期前, 在济源市市区周边农田采集113对冬小麦籽粒-根际土壤样品.区域大田调查点位见文献[4].采样时, 收集冬小麦植株的麦穗部分并采集对应的耕作层根部土壤(0~20 cm).
1.2 样品分析将小麦麦穗用自来水洗净后, 去离子水反复清洗3~5遍, 105℃杀青30 min后65℃烘至恒重, 脱壳后粉碎过40目筛, 混匀备用.土壤经风干后, 分别过2 mm和100目筛后混匀待用.土壤pH使用电极法测定, 土水比为1∶2.5.使用HNO3-HClO4法消解植物样品[29], HCl-HNO3-HF-HClO4四酸法消解土壤样品[30]以测定样品Cd和Pb全量; 使用DTPA提取剂(0.005 mol·L-1 DTPA-0.01 mol·L-1 CaCl2-0.1 mol·L-1 TEA, pH=7.3, 固液比1∶2)浸提以测定土壤DTPA提取态Cd和Pb含量[31].上述测定过程中均设置试剂空白和平行样(≥10%)进行质量控制.应用ICP-MS(7500A, 安捷伦, 美国)和ICP-OES(Optima 8300, 珀金埃尔默, 美国)分别测定Cd和Pb含量.样品全量测定过程中应用标准物质(GBW 10046河南小麦, GBW 07427华北平原土壤)设置质量控制, 测得空白加标回收率为87.7%~106%.
1.3 基于贝叶斯理论的风险预测模型贝叶斯定理如公式(1)所示, 用于计算随机事件B发生的情况下随机事件A发生的条件概率P(Ai|B)：
|
(1) |
式中, P(A)为随机事件A发生的先验概率, P(B|A)为事件A发生后随机事件B发生的条件概率, P(A|B)为事件B发生后随机事件A发生的条件概率, 即随机事件A发生的后验概率.
基于贝叶斯理论, 以土壤因子C为变量预测小麦籽粒重金属M超标风险概率方法为：①依据数据分布类型, 对其进行适当转换以使其呈正态分布; 本研究中数据呈偏态分布, 因此对数据进行对数转换以使其呈正态分布; ②随机取n对根际土壤-小麦籽粒样本作为先验数据, 其余样本作为后验数据; 按照小麦籽粒重金属M含量是否超标, 将先验数据n对样本分为达标样品n1个和超标样品(n-n1)个, 并将其作为贝叶斯模型先验分布; ③建立先验数据的正态分布密度函数, 计算超标条件和达标条件下土壤Cd含量平均值和标准差; ④根据先验数据的分布密度函数, 建立贝叶斯风险预测模型：
|
(2) |
式中, P为小麦籽粒重金属M含量超标的贝叶斯风险概率; n1/n和(n-n1)/n分别为先验数据中小麦籽粒重金属M含量达标率和超标率; μ1和σ1分别为先验数据中小麦籽粒重金属M含量达标条件下土壤因子C的平均值和标准差; μ2和σ2分别为先验数据中小麦籽粒重金属M含量达标条件下土壤因子C的平均值和标准差; x为后验数据中土壤因子C数据.
1.4 数据处理使用Pearson相关系数进行相关性分析; 应用K-S检验数据的正态分布.使用Microsoft Excel 2016、SPSS Statistics 21和Origin 2018进行数据统计、分析和制图等处理.
2 结果与讨论 2.1 区域大田调查小麦籽粒Cd和Pb污染状况区域大田调查小麦籽粒和各项土壤因子数据如表 1所示.研究区内小麦籽粒ω(Cd)平均值为0.200 mg·kg-1, 高于《食品安全国家标准食品中污染物限量(GB 2762-2012)》限值(0.1 mg·kg-1)[32], 超标率达57.5%(65/113); 籽粒ω(Pb)平均值为0.177 mg·kg-1, 低于标准(GB 2762-2012)限值(0.2 mg·kg-1), 超标率为44.2%(50/113).各项数据均呈偏态分布.
|
表 1 区域大田调查样品pH和重金属含量 Table 1 Sample pH and heavy metal contents from the regional field investigation |
Pearson相关系数分析结果如表 2所示.小麦籽粒Cd与土壤pH显著负相关, 这与前人的研究结果相似, 即碱性环境能够抑制Cd2+活性, 降低其生物有效性和移动性, 进而减少Cd在小麦籽粒中积累[33, 34].小麦籽粒重金属含量与土壤重金属含量显著(P＜0.01)相关, 其中小麦籽粒Cd与土壤重金属含量的相关性高于籽粒Pb与土壤重金属的相关性.小麦籽粒Cd与土壤Cd全量Pearson相关系数为0.895(P＜0.01), 略高于与DTPA-Cd含量相关系数(r=0.884, P＜0.01), 即小麦籽粒Cd与土壤Cd全量相关性更高[35, 36].小麦籽粒Pb与土壤Pb全量的Pearson相关系数为0.504(P＜0.01), 略高于与DTPA-Pb含量相关系数(r=0.499, P＜0.01), 即小麦籽粒Pb与土壤Pb全量相关性更高, 这与Cd类似.
|
|
表 2 小麦籽粒Cd和Pb含量与土壤因子的相关关系1) Table 2 Relationship between wheat grain Cd, Pb, and soil factors |
研究区部分点位Pb大气沉降通量高达1.08×103 mg·(m2·a)-1 [37], 是全国农田土壤Pb大气沉降输入通量均值[38][22.0 mg·(m2·a)-1]的53.5倍.李艳玲等[39]的研究指出Cd和Pb污染主要来源于铅锌企业废气排放, 降尘中Pb有效性高于Cd有效性[40].Pb同位素分析则进一步表明, 研究区大气沉降对小麦籽粒Pb含量的贡献率高达77%, 而土壤的贡献率仅为23%[41], 即小麦籽粒更易受到大气沉降Pb的影响.综上可知, 由于研究区大气Pb沉降污染特性, 小麦籽粒Pb含量与土壤重金属含量相关性不高, 受土壤因子影响较小; 而小麦籽粒Cd含量与土壤Cd含量高度相关, 受土壤因子影响更大.
2.2 预测小麦籽粒Cd超标风险在先验数据满足正态分布(经对数转换)的前提下, 随机抽取57对样品作为先验数据, 其余56对为后验数据.由于小麦籽粒Cd含量与土壤Cd全量和DTPA-Cd含量的相关性更高(表 2), 因此筛选土壤Cd全量、土壤DTPA-Cd含量和小麦籽粒Cd含量这3个指标作为贝叶斯风险预测模型变量.第一次随机抽样后, 根据先验数据计算得到贝叶斯风险预测模型的相关参数见表 3, 根据后验数据计算得到小麦籽粒Cd真实超标概率P真为0.554.将对应参数和后验数据代入公式(2), 得到小麦籽粒Cd含量的预测超标风险概率P=0.603(以土壤Cd全量为变量), 与小麦籽粒Cd真实超标概率(P真=0.554)对比, 相对偏差为8.99%[图 1(a)].以土壤DTPA-Cd含量和小麦籽粒Cd含量为变量时, 相对偏差分别为3.95%[图 1(b)]和6.34%[图 1(c)].可知以土壤Cd全量、DTPA-Cd含量和小麦籽粒Cd含量为变量的贝叶斯风险预测较准确, 相对偏差均小于10%.
|
|
表 3 第一次随机抽样后的贝叶斯Cd超标风险预测模型参数 Table 3 Parameters of the Bayesian risk prediction model for Cd after the first random sampling |
|
（a）以土壤Cd全量为变量；（b）以土壤DTPA-Cd含量为变量；（c）以小麦籽粒Cd含量为变量 图 1 贝叶斯风险预测模型预测的小麦籽粒Cd超标概率 Fig. 1 Results of the Bayesian risk prediction model on wheat grain Cd |
对113对样品共进行25次不重复随机抽样, 并计算相应贝叶斯风险预测概率(图 1).以土壤Cd全量为变量时, 预测小麦籽粒Cd超标风险概率(P)变化范围为0.499~0.655, 与真实超标概率(P真为0.536~0.643)相对偏差为(5.88±3.87)%[图 1(a)]; 以土壤DTPA-Cd含量为变量时, 相对偏差为(5.11±3.77)%[图 1(b)]; 以小麦籽粒Cd含量为变量时预测准确度最高, 相对偏差仅为(2.66±1.87)%[图 1(c)].可见在应用贝叶斯风险模型预测时, 单次预测的相对偏差波动较大, 增加预测次数可提高预测稳定性; 3个变量预测结果相对偏差由小及大排序为：小麦籽粒Cd含量＜土壤DTPA-Cd含量＜土壤Cd全量.
2.3 预测小麦籽粒Pb超标风险根据相关性分析结果(表 2), 筛选土壤Pb全量、土壤DTPA-Pb含量和小麦籽粒Pb含量3个指标作为贝叶斯风险预测模型变量.第一次随机抽样后计算得模型相关参数如表 4所示, 根据后验数据计算得到小麦籽粒Pb真实超标概率P真为0.411.将对应参数和后验数据代入公式(2), 预测小麦籽粒Pb含量超标风险概率为0.484(P, 以土壤Pb全量为变量), 与后验数据中小麦籽粒Pb真实超标概率0.411(P真)对比, 相对偏差为18.0%[图 2(a)]; 以土壤DTPA-Pb含量为变量时, 第一次预测结果P=0.484, 相对偏差为17.9%[图 2(b)]; 以小麦籽粒Pb含量为变量时, 第一次预测结果P=0.438, 相对偏差为6.65%[图 2(c)].参考25次随机抽样后的贝叶斯风险预测概率(图 2), 可知仅有小麦籽粒Pb含量预测结果较准确, 相对偏差小于10%[(8.06±5.52)%].土壤Pb全量[相对偏差(12.8±8.05)%]和土壤DTPA-Pb全量[相对偏差(13.8±7.09)%]不适于预测小麦籽粒Pb超标风险.
|
|
表 4 第一次随机抽样后的贝叶斯Pb超标风险预测模型参数 Table 4 Parameters of the Bayesian risk prediction model for Pb after the first random sampling |
|
（a）以土壤Pb全量为变量；（b）以土壤DTPA-Pb含量为变量；（c）以小麦籽粒Pb含量为变量 图 2 贝叶斯风险预测模型预测的小麦籽粒Pb超标概率 Fig. 2 Results of the Bayesian risk prediction model on wheat grain Pb |
对比图 1和图 2可知, 贝叶斯风险预测模型能够准确预测小麦籽粒Cd超标风险, 土壤Cd全量、土壤DTPA-Cd含量和小麦籽粒Cd含量这3个变量的预测结果与真实值的平均相对偏差均小于10%, 其中小麦籽粒Cd含量作为变量时预测相对偏差最小[(2.66±1.87)%]; 而预测小麦籽粒Pb含量时, 仅小麦籽粒Pb含量预测相对偏差小于10%[(8.06±5.52)%], 即使用小麦籽粒Pb含量作为变量预测籽粒Pb超标风险较为准确.
2.4 贝叶斯风险预测模型准确度的影响因素通过区域大田调查数据随机抽样分组、参数计算和模型预测, 本文构建的贝叶斯风险预测模型能够准确预测小麦籽粒Cd和Pb超标概率, 控制部分变量的预测相对偏差在10%以内, 说明贝叶斯风险预测模型具有较大应用潜力.在模型构建和验证过程中, 有多个因素影响贝叶斯风险预测模型的准确度和不确定性.
先验分布是贝叶斯统计方法的重要基础.Qing等[42]的研究应用贝叶斯模型结合相关研究建议的数据进行中国人群健康风险评估, 发现模拟结果存在较大不确定性.而在筛选和优化先验数据来源后, 预测偏差显著降低.本研究中数据来源为区域调查, 样点数量较多且分布广泛, 可有效反映实际情况, 因此模型预测结果相对偏差较小.
Wu等[43]的研究以土壤Cd全量为变量, 应用贝叶斯模型预测了稻米Cd超标概率.本研究进一步发现土壤Cd全量、DTPA-Cd含量和小麦籽粒Cd含量这3个变量先验和后验数据分布特征较为一致, 因此均可有效预测小麦籽粒Cd超标概率(图 1), 且数据分布越接近, 预测相对偏差越小(图 3).可见贝叶斯模型的准确度与数据分布特征显著相关.
|
（a）以土壤Cd全量为变量；（b）以土壤DTPA-Cd含量为变量；（c）以小麦籽粒Cd含量为变量 图 3 第一次随机抽样时的先验和后验数据分布 Fig. 3 Prior and posterior data distribution characteristics of the first random sampling |
变量选择对模型预测结果也有一定影响.成永霞等[44]的研究指出大气沉降Pb是土壤Pb累积的关键因素, 即小麦籽粒Pb含量受土壤因子以外因素影响, 这与相关性分析结果一致(表 2), 因此本研究预测小麦籽粒Pb的相对偏差大于预测小麦籽粒Cd[图 1(a)、1(b)和图 2(a)、2(b)], 即相关性越高, 表明小麦籽粒受相关因子的影响越大, 以该因子为变量的贝叶斯风险预测模型就越准确.综上可知应用贝叶斯风险预测模型时, 应当考虑区域污染因素, 结合相关性分析筛选变量以降低预测的不确定性.
综上, 数据来源、数据分布特征和变量的选择是影响贝叶斯风险预测模型相对偏差的重要因素.使用大田调查数据、选取与被预测量相关性较高的土壤因子为变量有助于提高贝叶斯风险预测模型的准确度, 降低预测值与真实值的相对偏差.由于贝叶斯风险预测模型基于先验数据分布特征, 这使得贝叶斯风险预测模型相较于经验模型和机制模型适用性更加广泛, 能够充分利用已有大田调查数据, 人为干扰低[45], 能够有效反映大田生产情况, 具有较大的应用潜力.贝叶斯风险预测模型推广应用到其他区域时, 需要注意以下前提：先验数据和后验数据来源于相似的环境条件[43], 具有相似的分布特征[46], 总体样本量较大并选择合适的变量[47].
3 结论(1) 本研究基于贝叶斯定理和数据分布特征, 建立并验证了贝叶斯风险预测模型的准确性.
(2) 该模型预测小麦籽粒Cd超标风险时, 可选取土壤Cd全量、土壤DTPA-Cd含量和小麦籽粒Cd含量作为变量, 预测结果与真实超标概率的平均相对偏差均小于10%.预测小麦籽粒Pb超标风险时, 仅有以小麦籽粒Pb含量为变量的模型能够准确预测, 相对偏差小于10%; 土壤Pb全量和土壤DTPA-Pb含量不适于作为变量预测小麦籽粒Pb超标风险.
(3) 使用大田调查数据及变量与小麦籽粒Cd和Pb含量间良好的相关性有助于降低贝叶斯风险预测模型的预测相对偏差.
| [1] | Zhao A Q, Tian X H, Lu W H, et al. Effect of zinc on cadmium toxicity in winter wheat[J]. Journal of Plant Nutrition, 2011, 34(9): 1372-1385. DOI:10.1080/01904167.2011.580879 |
| [2] | Zhang R, Chen T, Zhang Y, et al. Health risk assessment of heavy metals in agricultural soils and identification of main influencing factors in a typical industrial park in northwest China[J]. Chemosphere, 2020, 252. DOI:10.1016/j.chemosphere.2020.126591 |
| [3] | Li L P, Zhang Y Q, Ippolito J A, et al. Lead smelting effects heavy metal concentrations in soils, wheat, and potentially humans[J]. Environmental Pollution, 2020, 257. DOI:10.1016/j.envpol.2019.113641 |
| [4] |
李艳玲, 陈卫平, 杨阳, 等. 济源市平原区农田重金属污染特征及综合风险评估[J]. 环境科学学报, 2020, 40(6): 2229-2236. Li Y L, Chen W P, Yang Y, et al. Heavy metal pollution characteristics and comprehensive risk evaluation of farmland across the eastern plain of Jiyuan City[J]. Acta Scientiae Circumstantiae, 2020, 40(6): 2229-2236. |
| [5] |
陈卫平, 杨阳, 谢天, 等. 中国农田土壤重金属污染防治挑战与对策[J]. 土壤学报, 2018, 55(2): 261-272. Chen W P, Yang Y, Xie T, et al. Challenges and countermeasures for heavy metal pollution control in farmlands of China[J]. Acta Pedologica Sinica, 2018, 55(2): 261-272. |
| [6] |
李春芳, 王菲, 曹文涛, 等. 龙口市污水灌溉区农田重金属来源、空间分布及污染评价[J]. 环境科学, 2017, 38(3): 1018-1027. Li C F, Wang F, Cao W T, et al. Source analysis, spatial distribution and pollution assessment of heavy metals in sewage irrigation area farmland soils of Longkou City[J]. Environmental Science, 2017, 38(3): 1018-1027. |
| [7] | Hakanson L. An ecological risk index for aquatic pollution control. a sedimentological approach[J]. Water Research, 1980, 14(8): 975-1001. DOI:10.1016/0043-1354(80)90143-8 |
| [8] | Müller G. Index of geoaccumulation in sediments of the Rhine River[J]. GeoJournal, 1969, 2(3): 109-118. |
| [9] |
肖冰, 薛培英, 韦亮, 等. 基于田块尺度的农田土壤和小麦籽粒镉砷铅污染特征及健康风险评价[J]. 环境科学, 2020, 41(6): 2869-2877. Xiao B, Xue P Y, Wei L, et al. Characteristics of Cd, As, and Pb in soil and wheat grains and health risk assessment of grain-Cd/As/Pb on the field scale[J]. Environmental Science, 2020, 41(6): 2869-2877. |
| [10] | Jiang Y L, Ma J H, Ruan X L, et al. Compound health risk assessment of cumulative heavy metal exposure: a case study of a village near a battery factory in Henan Province, China[J]. Environmental Science: Processes & Impacts, 2020, 22(6): 1408-1422. |
| [11] |
王怡雯, 芮玉奎, 李中阳, 等. 冬小麦吸收重金属特征及与影响因素的定量关系[J]. 环境科学, 2020, 41(3): 1482-1490. Wang Y W, Rui Y K, Li Z Y, et al. Characteristics of heavy metal absorption by winter wheat and its quantitative relationship with influencing factors[J]. Environmental Science, 2020, 41(3): 1482-1490. |
| [12] | Yang Y, Li Y L, Chen W P, et al. Dynamic interactions between soil cadmium and zinc affect cadmium phytoavailability to rice and wheat: Regional investigation and risk modeling[J]. Environmental Pollution, 2020, 267. DOI:10.1016/j.envpol.2020.115613 |
| [13] |
管伟豆, 肖然, 李荣华, 等. 土壤镉污染北方小麦生产阈值及产区划分初探[J]. 农业环境科学学报, 2021, 40(5): 969-977. Guan W D, Xiao R, Li R H, et al. Investigations on the derivation of a safe wheat-producing threshold of soil Cd content and classification of Cd contaminated wheat-producing areas in northern China[J]. Journal of Agro-Environment Science, 2021, 40(5): 969-977. |
| [14] | Luo X R, Wang X D, Tang Y J, et al. Using quantitative ion character-activity relationship (QICAR) method in evaluation of metal toxicity toward wheat[J]. Ecotoxicology and Environmental Safety, 2021, 221. DOI:10.1016/j.ecoenv.2021.112443 |
| [15] |
孙晋伟, 黄益宗, 石孟春, 等. 土壤重金属生物毒性研究进展[J]. 生态学报, 2008, 28(6): 2861-2869. Sun J W, Huang Y Z, Shi M C, et al. The review of heavy metals biotoxicity in soil[J]. Acta Ecologica Sinica, 2008, 28(6): 2861-2869. DOI:10.3321/j.issn:1000-0933.2008.06.051 |
| [16] |
刘克, 和文祥, 张红, 等. 镉在小麦各部位的富集和转运及籽粒镉含量的预测模型[J]. 农业环境科学学报, 2015, 34(8): 1441-1448. Liu K, He W X, Zhang H, et al. Cadmium accumulation and translocation in wheat and grain Cd prediction[J]. Journal of Agro-Environment Science, 2015, 34(8): 1441-1448. |
| [17] |
和君强, 刘代欢, 邓林, 等. 农田土壤镉生物有效性及暴露评估研究进展[J]. 生态毒理学报, 2017, 12(6): 69-82. He J Q, Liu D H, Deng L, et al. Bioavailability and exposure assessment of cadmium in farmland soil: a review[J]. Asian Journal of Ecotoxicology, 2017, 12(6): 69-82. |
| [18] |
曾希柏, 徐建明, 黄巧云, 等. 中国农田重金属问题的若干思考[J]. 土壤学报, 2013, 50(1): 186-194. Zeng X B, Xu J M, Huang Q Y, et al. Some deliberations on the issues of heavy metals in farmlands of China[J]. Acta Pedologica Sinica, 2013, 50(1): 186-194. |
| [19] | Yang Y, Wang M E, Chang A C, et al. Inconsistent effects of limestone on rice cadmium uptake: results from multi-scale field trials and large-scale investigation[J]. Science of the Total Environment, 2020, 709. DOI:10.1016/j.scitotenv.2019.136226 |
| [20] |
窦韦强, 安毅, 秦莉, 等. 农用地土壤重金属生态安全阈值确定方法的研究进展[J]. 生态毒理学报, 2019, 14(4): 54-64. Dou W Q, An Y, Qin L, et al. Research progress in determination methods of ecological safety thresholds for heavy metals in agricultural land[J]. Asian Journal of Ecotoxicology, 2019, 14(4): 54-64. |
| [21] | Voie Ø A, Johnsen A, Strømseng A, et al. Environmental risk assessment of white phosphorus from the use of munitions-a probabilistic approach[J]. Science of the Total Environment, 2010, 408(8): 1833-1841. DOI:10.1016/j.scitotenv.2010.01.002 |
| [22] | Hayashi T I, Kashiwagi N. A Bayesian approach to probabilistic ecological risk assessment: risk comparison of nine toxic substances in Tokyo surface waters[J]. Environmental Science and Pollution Research, 2011, 18(3): 365-375. DOI:10.1007/s11356-010-0380-5 |
| [23] | Jiménez-Oyola S, García-Martínez M J, Ortega M F, et al. Multi-pathway human exposure risk assessment using Bayesian modeling at the historically largest mercury mining district[J]. Ecotoxicology and Environmental Safety, 2020, 201. DOI:10.1016/j.ecoenv.2020.110833 |
| [24] | Li Z J. A theorem on a product of lognormal variables and hybrid models for children's exposure to soil contaminants[J]. Environmental Pollution, 2020, 263. DOI:10.1016/j.envpol.2020.114393 |
| [25] |
徐晶晶, 吴波, 张玲妍, 等. 基于贝叶斯方法的湖南湘潭稻米Cd超标风险评估[J]. 应用生态学报, 2016, 27(10): 3221-3227. Xu J J, Wu B, Zhang L Y, et al. Risk assessment of cadmium in rice in Xiangtan, Hunan, China based on Bayesian method[J]. Chinese Journal of Applied Ecology, 2016, 27(10): 3221-3227. |
| [26] | Guo G H, Lei M, Wang Y W, et al. Accumulation of As, Cd, and Pb in sixteen wheat cultivars grown in contaminated soils and associated health risk assessment[J]. International Journal of Environmental Research and Public Health, 2018, 15(11). DOI:10.3390/ijerph15112601 |
| [27] | Li X F. Technical solutions for the safe utilization of heavy metal-contaminated farmland in China: a critical review[J]. Land Degradation & Development, 2019, 30(15): 1773-1784. |
| [28] |
王天齐, 李艳玲, 杨阳, 等. 不同铁氧化物对小麦幼苗镉积累的影响[J]. 环境科学学报, 2021, 41(4): 1511-1517. Wang T Q, Li Y L, Yang Y, et al. Effects of different iron oxides on cadmium accumulation in wheat seedlings[J]. Acta Scientiae Circumstantiae, 2021, 41(4): 1511-1517. |
| [29] | Wang M E, Chen W P, Peng C. Risk assessment of Cd polluted paddy soils in the industrial and township areas in Hunan, Southern China[J]. Chemosphere, 2016, 144: 346-351. DOI:10.1016/j.chemosphere.2015.09.001 |
| [30] | Yang Y, Chang A C, Wang M E, et al. Assessing cadmium exposure risks of vegetables with plant uptake factor and soil property[J]. Environmental Pollution, 2018, 238: 263-269. DOI:10.1016/j.envpol.2018.02.059 |
| [31] | HJ 804-2016, 土壤8种有效态元素的测定二乙烯三胺五乙酸浸提-电感耦合等离子体发射光谱法[S]. |
| [32] | GB 2762-2017, 食品安全国家标准食品中污染物限量[S]. |
| [33] |
孟晓飞, 郭俊娒, 杨俊兴, 等. 河南省典型工业区周边农田土壤重金属分布特征及风险评价[J]. 环境科学, 2021, 42(2): 900-908. Meng X F, Guo J M, Yang J X, et al. Spatial distribution and risk assessment of heavy metal pollution in farmland soils surrounding a typical industrial area of Henan Province[J]. Environmental Science, 2021, 42(2): 900-908. |
| [34] |
陈洁, 王娟, 王怡雯, 等. 影响不同农作物镉富集系数的土壤因素[J]. 环境科学, 2021, 42(4): 2031-2039. Chen J, Wang J, Wang Y W, et al. Influencing factors of cadmium bioaccumulation factor in crops[J]. Environmental Science, 2021, 42(4): 2031-2039. |
| [35] | Xing W Q, Cao E Z, Scheckel K G, et al. Influence of phosphate amendment and zinc foliar application on heavy metal accumulation in wheat and on soil extractability impacted by a lead smelter near Jiyuan, China[J]. Environmental Science and Pollution Research, 2018, 25(31): 31396-31406. DOI:10.1007/s11356-018-3126-4 |
| [36] | Xing W Q, Zheng Y L, Scheckel K G, et al. Spatial distribution of smelter emission heavy metals on farmland soil[J]. Environmental Monitoring and Assessment, 2019, 191(2). DOI:10.1007/s10661-019-7254-1 |
| [37] | Qiu K Y, Xing W Q, Scheckel K G, et al. Temporal and seasonal variations of As, Cd and Pb atmospheric deposition flux in the vicinity of lead smelters in Jiyuan, China[J]. Atmospheric Pollution Research, 2016, 7(1): 170-179. DOI:10.1016/j.apr.2015.09.003 |
| [38] | Luo L, Ma Y B, Zhang S Z, et al. An inventory of trace element inputs to agricultural soils in China[J]. Journal of Environmental Management, 2009, 90(8): 2524-2530. DOI:10.1016/j.jenvman.2009.01.011 |
| [39] |
李艳玲, 卢一富, 陈卫平, 等. 工业城市农田土壤重金属时空变异及来源解析[J]. 环境科学, 2020, 41(3): 1432-1439. Li Y L, Lu Y F, Chen W P, et al. Spatial-temporal variation and source change of heavy metals in the cropland soil in the industrial city[J]. Environmental Science, 2020, 41(3): 1432-1439. |
| [40] |
马闯, 刘福勇, 苏沛沛, 等. 不同大气沉降区Pb化学形态及风险评估[J]. 生态环境学报, 2018, 27(8): 1466-1471. Ma C, Liu F Y, Su P P, et al. Chemical speciation and risk assessment of Pb in different Pb sedimentation area[J]. Ecology and Environment Sciences, 2018, 27(8): 1466-1471. |
| [41] | Ma C, Liu F Y, Hu B, et al. Quantitative analysis of lead sources in wheat tissue and grain under different lead atmospheric deposition areas[J]. Environmental Science and Pollution Research, 2019, 26(36): 36710-36719. DOI:10.1007/s11356-019-06825-0 |
| [42] | Qing Y, Yang J Q, Zhang Q, et al. Bayesian toxicokinetic modeling of cadmium exposure in Chinese population[J]. Journal of Hazardous Materials, 2021, 413. DOI:10.1016/j.jhazmat.2021.125465 |
| [43] | Wu B, Guo S H, Zhang L Y, et al. Risk forewarning model for rice grain Cd pollution based on Bayes theory[J]. Science of the Total Environment, 2018, 618: 1343-1349. DOI:10.1016/j.scitotenv.2017.09.248 |
| [44] |
成永霞, 赵宗生, 王亚洲, 等. 河南省某铅冶炼厂附近农田土壤重金属污染特征[J]. 土壤通报, 2014, 45(6): 1505-1510. Cheng Y X, Zhao Z S, Wang Y Z, et al. Soil heavy metals pollution in the farmland near a lead smelter in Henan Province[J]. Chinese Journal of Soil Science, 2014, 45(6): 1505-1510. |
| [45] | Zhao J, Jin J L, Guo Q Z, et al. Forewarning model for water pollution risk based on Bayes theory[J]. Environmental Science and Pollution Research, 2014, 21(4): 3073-3081. DOI:10.1007/s11356-013-2222-8 |
| [46] | Yang J, Zhao C, Yang J X, et al. Discriminative algorithm approach to forecast Cd threshold exceedance probability for rice grain based on soil characteristics[J]. Environmental Pollution, 2020, 261. DOI:10.1016/j.envpol.2020.114211 |
| [47] | Golpour P, Ghayour-Mobarhan M, Saki A, et al. Comparison of support vector machine, naïve Bayes and logistic regression for assessing the necessity for coronary angiography[J]. International Journal of Environmental Research and Public Health, 2020, 17(18). DOI:10.3390/ijerph17186449 |