2023, Vol. 44
2. 江苏省生态环境保护化学品安全与健康风险研究重点实验室, 南京 210023
2. Jiangsu Province Ecology and Environment Protection Key Laboratory of Chemical Safety and Health Risk, Nanjing 210023, China
人类世背景下, 愈发频繁的人类活动产生的污染物导致土壤生态系统遭到不同程度的破坏[1], 引起生态系统功能和服务的退化或丧失.地球最复杂的生态系统土壤中栖息着丰富多样的生物类群[2], 而生物之间、生物与环境之间的相互作用则给人类提供了赖以生存的多种土壤生态功能和服务[3].如根瘤菌和脱硫肠状菌等微生物参与了氮、硫元素循环中的关键环节, 弹尾目等后生动物摄食细菌和真菌, 间接影响养分循环[3].此外, 真菌起到固定土壤结构的作用[3], 并与根系作用促进植物生长, 进而实现农作物、木材等基础材料供给的生态服务作用.因此, 土壤生物是土壤生态系统功能实现的关键因素, 土壤生物的多样性和完整性反映了土壤生态系统功能和服务的好坏[2](图 1).同时, 土壤生态系统是各种污染物的总汇和归趋之一[4], 化合物对土壤的长期污染会通过直接或间接作用损害土壤食物链中不同层级的多种生物[5], 导致土壤生物群落与组成发生变化, 引起土壤生态系统功能退化.为了恢复受损生态系统功能和服务以满足人类需求, 生态系统恢复的研究应运而生[6].现有恢复手段主要通过污染修复降低土壤污染物含量, 而其生态功能是否有所改善, 仍需要生物指标加以衡量.
|
图 1 土壤生物与生态功能及服务关系 Fig. 1 Relationship between soil organisms and ecological functions and services |
生物多样性评价指标的缺失是当前土壤污染修复评价面临的技术难题.目前, 全球土壤污染问题严重, 复合污染成最主要的污染形式[7].工业的快速发展及产业结构转型导致工业污染成为我国最严重的土壤环境问题之一.目前, 土壤污染类型以复合污染为主, 美国与中国分别有76.4%与58.5%的污染土壤为复合污染[8].然而, 现有的土壤污染评价主要集中于单一污染类别, 如重金属[9]和多环芳烃[10]等, 缺少复合污染研究.此外, 土壤污染评价方法中生物指标的应用缺乏.由于土壤生物对外来应激因素反应敏感, 能对土壤健康状况做出及时响应和指示, 因此生物指标早已作为土壤评价中至关重要的部分被纳入评价体系中.21世纪初, 美国开发的SMAF方法首次整合了物理、化学、生物和养分等多种土壤指标用以全面评估土壤健康状况[11].然而, 由于土壤生物多样性和功能的研究工具出现较晚[12], 目前主要的土壤污染评价方法仍是以理化指标为基础的污染指数法[13], 与生物指标结合的综合评价方法涉及较少.同时, 传统的土壤生物评价方法仅关注蚯蚓、线虫、弹尾目和藻类等单一少数物种[14~17], 缺乏在群落水平上系统的评估, 因此有必要开发囊括更多土壤生物物种的土壤污染及修复效果的评价方法.
环境DNA方法的发展为开发精准全面的土壤生物评价方法提供机遇.土壤污染评价需要结合化学、毒理学和生态学多领域数据[18].环境基准值的建立还依赖于污染物的生态毒性数据, 然而现有的生态毒性数据相对缺乏, 并存在污染物涵盖较少、设计生物物种相对单一和试验方法不一致等多种问题[19], 远不能满足实际评价的需求.因此, 要促进生物指标在土壤评价体系中的发展应用, 需要新的方法和工具以降低生物数据获取难度和成本.近年来, 环境DNA(environmental DNA, eDNA)技术通过检测从环境样本中提取的大量混合生物体的DNA进行物种鉴定和群落组成调查[20, 21], 弥补了传统微生物培养鉴定方法难以检测且无法人工培养的不足.基于环境DNA的物种敏感性分布(species sensitivity distribution, SSD)法在克服以上传统技术的缺点基础上, 实现了群落水平上的生态评价, 并且已在水体、沉积物等不同环境介质中得到应用和验证[22].环境DNA-物种敏感性分布法(eDNA-SSD)是依据不同环境梯度下的物种组成及其对环境变化的响应, 评估污染物对生物的效应及生态风险阈值[22].Yang等[23]将其用于确立太湖特定区域的水质环境基准值以及沉积物中Cu对不同类群生物的危害程度和风险评估[24], 并与实验室数据对比, 发现该方法具有灵敏度高、覆盖类群广泛的优点.土壤生态系统中生物类群丰富多样, 涵盖微生物、无脊椎动物到爬行动物、植物等多类群生物, 是该方法优良的应用环境.因此, 在大多数污染物毒性效应数据未知的情况下, 环境DNA技术可更精准快速地开展土壤生物调查与评价, 并结合SSD法进一步评估环境因素对土壤生物群落的影响[22].
本文以南京市某退役化工园区为研究区域, 采用eDNA宏条形码技术获取不同区域的群落组成生物数据, 结合测定的环境污染数据进行生态响应评估; 同时基于物种的相对丰度(relative abundance)变化计算环境污染因子半数效应浓度(median effect concentration, EC50); 通过物种敏感性分布评估土壤中不同污染物的生态阈值及其环境风险[25, 26].从而①评估复合污染对土壤生物多样性和生物群落组成及优势类群的影响; ②识别园区土壤中的关键胁迫因子及对应的敏感和耐受性物种; ③构建物种敏感性分布曲线并计算关键胁迫因子的生态风险阈值, 进而评价园区土壤综合污染程度, 以期为快速评价土壤生态风险、制定土壤风险管控政策提供可行方案和科学依据.
1 材料与方法 1.1 样品采集某退役化工园区原具有依附少数大中型石油化工企业(图 2), 伴生小型精细化工、能源和机械制造企业聚集的产业格局, 有较高的石油及重金属污染风险.本研究在园区内共设置A和B两个小型研究地块, 共布设8个采样点(图 2), 使用土壤采集器采集表层土壤, 每个采样点位采集两份土壤, 每份土壤包括3个生物学重复, 其中一份用塑封袋保存后运回实验室于-80℃条件下贮存, 待后续处理.另一份用于土壤化学分析, 根据初步调研结果和土壤修复目标, 对其中常见的不同类别污染物进行分析检测[主要包括硫酸盐、铅、砷和石油烃(C10~C40); 半挥发性有机物苯胺、萘、4-氯苯胺和4-硝基苯酚; 挥发性有机物氯仿、苯和1, 4-二氯苯].
|
图 2 研究技术路线与流程 Fig. 2 Work flow of this study |
DNA提取前首先将土样置于真空冷冻干燥机内脱水冻干, 待完全冻干后, 充分研磨混匀.取混匀后的250 mg样品, 使用DNeasy PowerSoil Kit试剂盒(QIGEN, 德国)提取DNA, 使用Qubit 2.0测定DNA浓度.针对不同生物类群, 选择引物341F(5′-ACC TACGGGRSGCWGCAG-3′)和518R(5′-GGTDTTAC CGCGGCKGCTG-3′)[27, 28]及1380F(5′-TCCCTGCC HTTTGTACACAC-3′)和1510R(5′-CCTTCYGCAGG TTCACCTAC-3′)[29], 分别扩增16S rDNA的V3和18S rDNA的V9目标区段.PCR反应体系为30 μL, 由15 μL的2×Taq Master Mix Ⅱ聚合酶(诺唯赞, 中国), 各1 μL上下游引物, 2 μL模板DNA, 11 μL无核酸酶水组成.16S rDNA的V3区段的反应条件为：95℃预变性3 min, 95℃变性15 s, 64℃退火30 s, 72℃延伸15 s, 共进行28个循环, 最终延伸5 min.18S rDNA的V9区段扩增时设置退火温度为62℃, 其余条件同上.扩增完成后使用2%琼脂糖凝胶电泳检测扩增效果, 确保成功扩增出目标条带且阴性对照无条带后进行下游分析.
1.2.2 文库构建与高通量测序扩增产物等体积混合后使用VAHTS DNA Clean Beads(诺唯赞, 中国)对产物进行纯化, 用Qubit 2.0测定纯化后的文库浓度.然后使用VAHTS Universal DNA Library Prep Kit for Ion Torrent(诺唯赞, 中国)建库试剂盒进行文库构建.将待测序文库浓度稀释至100 pmol·L-1, 使用Ion Torrent S5(Life Technologies, 美国)测序平台进行测序.
1.2.3 生物信息学分析原始数据使用QIIME程序包进行质控, 移除低质量序列.基于Python脚本将FASTQ文件转化为FASTA文件.使用VSEARCH算法对序列去冗余, 然后基于USEARCH的去噪算法“unoise3”获得单碱基精度的扩增子序列变体(amplicon sequence variants, ASVs)[30].最后使用VSEARCH算法去嵌合, 使用SILVA(https://www.arb-silva.de)和PR2数据库分别对属于16S rDNA V3区段和18S rDNA V9区段的ASVs进行物种注释[31], 生成用于后续数据分析的ASVs特征表.
1.3 数据分析与统计 1.3.1 生物数据处理及绘图使用R语言vegan包进行生物数据处理和分析, 计算α生物多样性, 进行主坐标分析(PCoA)、冗余分析(RDA)、Kruskal-Wallis检验(K-W检验)和置换检验等.采用R语言ggplot2包和Graphpad Prism 9绘图.
1.3.2 敏感及耐受种筛选敏感及耐受物种表示随土壤中污染物含量变化其相对丰度随之明显降低/升高的物种.根据物种相对丰度及污染物含量变化关系, 使用R语言进行一元线性回归, 计算并采用P < 0.1作为敏感/耐受种筛选的标准.其中, R>0时表示该物种为耐受种, R < 0则为敏感种.
1.3.3 SSD曲线构建及生态风险阈值计算eDNA-SSD法是基于生物相对丰度数据的变化, 构建SSD曲线, 最后计算不同污染物的生态风险阈值(HC5).首先, 使用GraphPad Prism 9中的4参数Logistic回归模型拟合物种在不同污染物下的剂量-效应曲线, 并计算出EC50.
其次, 采用澳大利亚联邦科学和工业研究组织(CSIRO)开发的Burrlioz 2.0软件进行SSD曲线拟合, 拟合模型为Burr Ⅲ, 其参数方程为：
|
(1) |
式中, x为污染物在土壤中的含量, mg·kg-1; b、c和k为函数的3个不同参数.
最后, 根据拟合的物种敏感性分布曲线, 计算5%的生态风险阈值(HC5), 其公式为：
|
(2) |
式中, HC(q)为对q%的物种造成生态风险的污染物含量, mg·kg-1(本文采用HC5).根据此式计算不同污染物的相应生态风险阈值.
1.3.4 污染指数计算根据单一污染指数评价方法计算各污染物单一污染指数(PI), 然后采用内梅罗指数法(PINemerow)计算点位的综合污染指数[32].在保证所有因子总权重不变的前提下, 将识别出的关键胁迫因子权重升高, 非关键胁迫因子的权重降低, 计算修正后的综合污染指数.采用置换多元方差分析(PerMANOVA)检验不同污染程度下土壤生物群落组成的差异性.
|
(3) |
|
(4) |
式中, Ci为土壤中污染物i的含量, Bi为土壤污染物i的背景值(本研究采用计算出的HC5), n为污染物的种类总数; PIimax为点位上单一污染指数最高的值.
2 结果与分析 2.1 园区化学污染及生物分布状况 2.1.1 土壤化学污染特征园区呈现有机、无机复合污染状况, 主要污染因子为石油烃和苯胺等有机污染物, S4和S7点位受污染程度最重.土壤检出的高污染因子为硫酸盐、铅、砷、石油烃、苯胺、萘和4-氯苯胺共7种(表 1).硫酸盐、铅、砷、石油烃和苯胺在各点位均有检出, 萘和4-氯苯胺仅在部分点位检出.S2的ω(砷)最高, 27.780 mg·kg-1.S4的ω(硫酸盐)为4.416 g·kg-1、ω(铅)为144.186 mg·kg-1和ω(石油烃)为449.600 mg·kg-1.S7的主要污染为苯胺(41.120 mg·kg-1)、萘(0.474 mg·kg-1)和4-氯苯胺(4.440 mg·kg-1)这3种有机物.综合而言, A和B两区的化学污染特征没有显著差异(P=0.131, R=0.272), 整体呈现有机-无机复合污染状况.
|
表 1 土壤化学污染物含量1) Table 1 Content of chemical pollutants in soil |
2.1.2 生物群落组成和多样性
土壤生物群落组成中的高相对丰度优势生物类群为变形菌门、子囊菌门、放线菌门和绿弯菌门等.对测序数据过滤处理后获得17 785个高质量ASVs, 其中10 790个可注释, 分属于53门141纲204目250科301属86种土壤生物.细菌的序列丰度水平最高, 占总ASVs数的80.82%.其中变形菌门(Proteobacteria)占22.55%, 放线菌门(Actinobacteria)占14.14%, 酸杆菌门(Acidobacteria)占10.08%[图 3(a)].此外, 子囊菌门(Ascomycota)、原生动物门(Protozoa)分别占比4.09%、3.87%, 是除细菌以外其他生物类群中ASVs最多的门类.变形菌门(77 358, reads数, 下同)、子囊菌门(47 417)、放线菌门(26 502)和绿弯菌门(Chloroflexi, 23 150)分别占总reads数的25.54%、15.65%、8.75%和7.64%[图 3 (b)], 为序列reads数最高的生物类群.各点位的生物群落组成中, 高相对丰度物种组成相似, 而低相对丰度的稀有物种柔膜菌门、黏胶球形菌门等仅在部分点位检出[图 3(c)].
|
(a)不同门检出的ASVs数, 横坐标为ASVs数量; (b) 不同门检出的reads数, 横坐标为序列reads数量; (c)各点位的土壤生物群落组成及其相对丰度 图 3 土壤生物群落组成和分布 Fig. 3 Composition and distribution of soil biological community |
污染不影响土壤生物群落的α多样性, 但造成A区与B区之间的β多样性存在显著差异, 同时影响点位的生物群落组成.各点位的丰富度指数(Chao1、ACE)和多样性指数(Shannon、Simpson)不同.K-W检验结果显示各点位之间(P=0.954)、A区与B区之间(P=0.907)的4个α多样性指数均无显著差异[图 4(a)], 表明污染物的存在对土壤生物群落α多样性未造成显著影响.PCoA分析表明A和B区之间的β多样性差异显著(P=0.029), A区点位在PCoA2(15.89%)轴上明显分散, B区点位在PCoA1(25.83%)上区分程度更好[图 4 (b)].此外, PCoA图中不同点位分布在4个象限中, 且间隔较远, 未形成明显聚类, 表明污染导致不同点位间土壤生物群落组成发生变化, 从而使其在PCoA图上离散分布.
|
图 4 土壤生物群落多样性 Fig. 4 Diversity of soil biota community |
对土壤生物群落产生高影响的关键胁迫因子为苯胺、硫酸盐、石油烃和铅.环境污染因子中部分污染物存在显著线性相关关系, 石油烃和铅(P < 0.01, R=0.840)、砷(P < 0.05, R=0.731)的含量显著正相关, 4-氯苯胺和苯胺(P < 0.001, R=0.985)、萘(P < 0.05, R=0.733)显著正相关.冗余分析(RDA)结果显示, 5个环境因子对土壤全类群生物分布差异的总解释率为51.27%, 表明硫酸盐、铅、石油烃、苯胺和萘这5个环境因子可以很好解释土壤生物分布的差异.其中, RDA1和RDA2分别解释了21.04%和14.45%的变异(图 5).不同类群生物受到不同胁迫因子影响的程度存在差异.细菌受苯胺、萘、石油烃影响明显, 真菌主要受硫酸盐、铅和石油烃影响, 藻类主要受萘和铅影响, 原生动物则受铅和硫酸盐影响较大, 后生动物受硫酸盐和石油烃影响最大.显著性检验表明苯胺是显著影响细菌群落结构和分布的关键胁迫因子(P =0.030, 表 2), 硫酸盐对真菌(P=0.025)和后生动物(P=0.032)造成显著影响.
|
图 5 环境因子对不同类群土壤生物影响的RDA分析 Fig. 5 Redundancy analysis of the effects of environmental factors on different groups of soil organisms |
|
|
表 2 胁迫因子显著性检验1) Table 2 Permutation test for significance of stress factors |
2.2.2 关键胁迫因子的敏感耐受种
eDNA-SSD方法分别筛选出苯胺敏感种3种, 耐受种6种; 铅敏感种1种, 耐受种6种; 石油烃敏感种7种, 耐受种1种; 硫酸盐敏感种6种, 耐受种5种.苯胺敏感种为3种芽孢杆菌(Bacillus flexus、Bacillus foraminis和Bacillus selenatarsenatis), 其相对丰度均与苯胺含量呈现明显负相关[图 6(a), P < 0.1].在细菌、真菌、藻类和原生动物等不同类群中均筛选出苯胺耐受种.主要包括真菌的炭疽菌属(Colletotrichum sp.)、黑酵母菌属(Aureobasidium pullulans), 藻类的鞘毛藻属(Coleochaete sp.)和原生动物中的线虫(Stenamoeba sp.)等.节肢动物门下的Mesoperlina pecircai是铅的敏感种, 而其耐受种为不同属的6类细菌.对石油烃敏感的物种共7种, 包含6种细菌和1种真菌(Xylariales sp.); Streptomyces radiopugnans是唯一1种与石油烃含量正相关的细菌, 表明其对石油烃具有较高的耐受性.6个物种对硫酸盐含量变化敏感, 5个物种对其变化耐受, 敏感种包括1种体形较大的常见土壤后生动物长针线虫(Longidorus fragilis).
|
(a)土壤生物对关键胁迫因子的响应(线性拟合, 阴影部分表示95%的置信区间); (b)关键胁迫因子的物种敏感性分布曲线(红色曲线为模型拟合的SSD曲线, 黑色虚线为95%的置信区间) 图 6 关键胁迫因子的生态风险阈值及土壤生物响应 Fig. 6 Ecological risk thresholds of key stress factors and responses of soil organisms |
污染因子的生态风险阈值(HC5)呈现梯度变化趋势, 从低到高依次为苯胺(0.11 mg·kg-1)、4-氯苯胺(0.16 mg·kg-1)、砷(6.20 mg·kg-1)、铅(13.00 mg·kg-1)、石油烃(17.00 mg·kg-1)和硫酸盐(470 mg·kg-1)[图 6 (b)].同类别污染物的阈值较为接近, 有机类污染物的HC5明显低于重金属和类金属, 显著低于无机盐类污染物, 表明有机污染、重金属和无机盐对土壤生物的危害和毒性程度依次递减.
2.3.2 土壤污染程度评价研究区复合污染土壤呈现大部分区域轻度污染, S6中度污染, S7重度污染的特征.S1、S2、S3、S3、S4和S8的污染程度相近, 为轻度污染状况(表 3).S7污染指数(PI修正=322.27)最高, 为重度污染; S2为中度污染, 污染指数PI修正=79.03.为了验证污染等级划分的合理性, 使用PerMANOVA检验不同污染程度下的生物群落组成差异.结果表明, 不同污染程度间生物群落差异较为显著(P=0.053), 表明修正后的内梅罗指数法划分的不同污染等级的土壤生物群落组成存在差异.因此, 基于生物指标的土壤污染综合评价结果显示原化工园区对土壤造成的污染整体较低, 修正的内梅罗指数法对污染等级的评价可以更精准区分土壤生物群落变化.
|
|
表 3 研究区土壤污染指数和污染程度1) Table 3 Soil comprehensive pollution index and pollution degree in the study area |
3 讨论
复合污染对土壤生物α多样性不产生显著影响, 但土壤生物群落组成及优势生物类群发生变化.本研究中, 4个α多样性指数(Chao1、ACE、Shannon和Simpson)的显著性检验结果显示污染未对土壤生物α多样性造成显著影响.有研究表明高含量重金属污染[33]和石油污染[34]不会显著降低微生物的α多样性, 且一定程度的污染胁迫还能提高微生物多样性.因此, 污染胁迫只是影响土壤生物多样性的多种因素之一, 并不能直接决定土壤生物多样性高低.然而, 污染会对土壤生物群落组成和相对丰度最高的优势生物类群产生影响.与未污染土壤相比, 本研究的土壤中变形菌、放线菌和绿弯菌等污染耐受细菌相对丰度更高.有研究表明有机污染对土壤微生物群落组成造成显著影响, 导致其放线菌和厚壁菌门[35]等细菌相对丰度增加, 拟杆菌门相对丰度减少[34].石油污染土壤中的主要优势类群为变形菌门、厚壁菌门、放线菌门、酸杆菌门和绿弯菌门等细菌[36, 37], 重金属污染土壤中高相对丰度微生物为变形菌门、放线菌门、绿弯菌门和酸杆菌门[38], 与本研究结果高度一致.因此, 在有机-无机复合污染胁迫下, 具有抗性和降解作用的土壤生物如放线菌、变形菌和子囊菌[39]等成为高相对丰度优势菌群.
eDNA-SSD法高准确度地识别出假单胞菌属(Pseudomonas)、鞘氨醇单胞菌属(Sphingomonas)、鞘氨醇杆菌属(Sphingobacterium)和红球菌属(Rhodococcus)等多种对芳香族和石油烃类有机物含量变化敏感的物种.有研究表明, 假单胞菌属(Pseudomonas)、鞘氨醇单胞菌属(Sphingomonas)和鞘氨醇杆菌属(Sphingobacterium)对降解芳香族和石油烃类化合物有显著效果[40~42].本研究检出的鞘氨醇单胞菌Sphingomonas azotifigens在高含量石油烃和苯胺污染点位S4~S7的reads数明显升高, 与该细菌实际环境指示效果一致.假单胞菌Pseudomonas stutzeri和鞘氨醇杆菌Sphingobacterium multivorum与苯胺含量显著正相关, 表明该类细菌除对多环芳烃和石油烃等烃类物质有较好的降解效果外, 对于苯胺等芳香族化合物的衍生物也具备较高的耐受程度和降解效果.此外, 红球菌属(Rhodococcus)也是常用的石油降解菌, 对苯胺、石油烃和酚类[43]等有机物有良好的降解效果, 在低含量Pb的协同作用下还能增强对苯胺的降解效果, 适用于复合污染土壤的修复[44].本研究结果显示, Rhodococcus ruber菌在石油烃污染含量最高的S4点位具有最高的reads数检出, 并且与Pb和硫酸盐含量显著正相关, 表明在多重污染胁迫下, Pb和硫酸盐协同促进细菌对石油类污染物的降解.此外, Streptomyces radiopugnans菌为抗辐射链霉菌属放线菌[45], 在S4检出reads数最高, 其含量变化与石油烃和Pb含量呈现显著正相关, 表明其可能对有机物和重金属均有较高的耐受性和抗性.
本研究实现了本土化土壤条件下苯胺、铅、石油烃和硫酸盐等污染物的生态风险阈值计算, 发现关键胁迫因子的生态风险阈值显著低于现行土壤污染风险管控标准.与现行标准《土壤环境质量建设用地土壤污染风险管控标准》(GB 36600-2018)中苯胺(92 mg·kg-1)、砷(20 mg·kg-1)、铅(400 mg·kg-1)和石油烃(826 mg·kg-1)一类用地的土壤筛选值对比而言, 基于eDNA-SSD计算的生态风险阈值分别为苯胺(0.11 mg·kg-1)、砷(6.20 mg·kg-1)、铅(13.00 mg·kg-1)和石油烃(17.00 mg·kg-1), 显著低于现行建设用地风险管控标准.其中, 苯胺的风险管控值和生态风险值差异最大, 达到800倍以上, 其次为石油烃(40倍)和铅(30倍).现行风险管控标准以人体健康风险为基准制定, 与基于土壤生物的生态风险阈值评估和风险评价体系的参照物不同, 因此导致二者数值出现巨大差异. Liu等[46]基于11种作物进行短期毒性试验得出Cr(Ⅵ)的土壤质量标准为0.60 mg·kg-1; Chae等[47]基于藻类、跳虫、蚯蚓和植物多类群毒性试验得出苯酚慢性HC5为0.3 mg·kg-1.以上研究均表明, 现行风险管控标准并不适用于土壤生物的生态风险评价, 因此开展土壤生态风险评价研究并建立响应生态阈值极其必要.因此, eDNA-SSD方法的构建给不同土壤环境中本土化的环境基准值的建立和土壤风险评估提供了可行的方案.此外, eDNA获取的高通量生物数据还可用于开发无生物注释的生物评价指数, 可以在现有基础上扩展生物评价的适用范围、提升生物评价准确度, 对生物指标的推广和应用起到极大的促进作用[48].
然而, 由于本研究的空间尺度有限, 后续需要进一步在更大尺度的森林和湿地等人为干扰强度梯度变化的土壤生态系统中开展研究, 充分探究化学污染对土壤生物组成的影响及其机制.同时, 可将本研究框架应用于修复后的土壤生态评价, 以评估土壤修复效果, 探究生态系统恢复过程中土壤生物群落和组成的动态变化情况.此外, 为确保eDNA-SSD方法的稳健及准确性, 还需将该方案应用于更多实例中加以验证, 以期对我国土壤环境质量标准的建立和完善提供参考.
4 结论(1) 工业复合污染对园区土壤生物α多样性影响不显著, 但导致生物群落组成和高相对丰度物种发生变化.污染土壤中的优势类群为变形菌门、子囊菌门、放线菌门和绿弯菌门等, 其reads数占比分别为25.54%%、15.65%、8.75%及7.64%.
(2) 苯胺、硫酸盐、石油烃和铅是对土壤生物造成显著影响的关键胁迫因子.其中, 苯胺影响细菌(P=0.030)的群落组成和分布, 硫酸盐对真菌(P=0.025)和后生动物(P =0.032)的影响最显著.
(3) 关键胁迫因子的生态风险阈值随其理化性质呈现明显梯度差异, 依次为：硫酸盐(470.00 mg·kg-1)>石油烃(17.00 mg·kg-1)>铅(13.00 mg·kg-1)>砷(6.20 mg·kg-1)>4-氯苯胺(0.16 mg·kg-1)>苯胺(0.11 mg·kg-1).现行土壤污染风险管控标准明显高于5%的生态风险阈值.
(4) 综合污染指数显示园区土壤污染程度主要为轻度污染.不同污染程度下的土壤生物群落组成具有明显差异(P=0.053), 表明基于生物指标的土壤评价方法更能精确区分土壤生物群落组成及其结构差异.
| [1] | Vodyanitskii Y N, Yakovlev A S. Contamination of soils and groundwater with new organic micropollutants: a review[J]. Eurasian Soil Science, 2016, 49(5): 560-569. DOI:10.1134/S1064229316050148 |
| [2] | Haygarth P M, Ritz K. The future of soils and land use in the UK: Soil systems for the provision of land-based ecosystem services[J]. Land Use Policy, 2009, 26: S187-S197. DOI:10.1016/j.landusepol.2009.09.016 |
| [3] | Artz R, Anastasiou D, Arrouays D, et al. European atlas of soil biodiversity[M]. Luxembourg: European Commission, Publications Office of the European Union, 2010. |
| [4] | Sakshi, Singh S K, Haritash A K. Polycyclic aromatic hydrocarbons: soil pollution and remediation[J]. International Journal of Environmental Science and Technology, 2019, 16(10): 6489-6512. DOI:10.1007/s13762-019-02414-3 |
| [5] | Bayabil H K, Teshome F T, Li Y C. Emerging contaminants in soil and water[J]. Frontiers in Environmental Science, 2022, 10. DOI:10.3389/fenvs.2022.873499 |
| [6] | Benayas J M R, Newton A C, Diaz A, et al. Enhancement of biodiversity and ecosystem services by ecological restoration: a meta-analysis[J]. Science, 2009, 325(5944): 1121-1124. DOI:10.1126/science.1172460 |
| [7] | Geisen S, Wall D H, van der Putten W H. Challenges and opportunities for soil biodiversity in the anthropocene[J]. Current Biology, 2019, 29(19): R1036-R1044. DOI:10.1016/j.cub.2019.08.007 |
| [8] |
葛锋, 张转霞, 扶恒, 等. 我国有机污染场地现状分析及展望[J]. 土壤, 2021, 53(6): 1132-1141. Ge F, Zhang Z X, Fu H, et al. Distribution of organic contaminated sites in China: statu quo and prospect[J]. Soils, 2021, 53(6): 1132-1141. |
| [9] | Li Z Y, Ma Z W, van der Kuijp T J, et al. A review of soil heavy metal pollution from mines in China: pollution and health risk assessment[J]. Science of the Total Environment, 2014, 468-469: 843-853. DOI:10.1016/j.scitotenv.2013.08.090 |
| [10] |
朱媛媛, 田靖, 魏恩琪, 等. 天津市土壤多环芳烃污染特征、源解析和生态风险评价[J]. 环境化学, 2014, 33(2): 248-255. Zhu Y Y, Tian J, Wei E Q, et al. Characteristics, sources apportionment and ecological risks assessment of polycyclic aromatic hydrocarbons in soils of Tianjin, China[J]. Environmental Chemistry, 2014, 33(2): 248-255. |
| [11] | Andrews S S, Karlen D L, Cambardella C A. The soil management assessment framework[J]. Soil Science Society of America Journal, 2004, 68(6): 1945-1962. DOI:10.2136/sssaj2004.1945 |
| [12] | Orgiazzi A, Dunbar M B, Panagos P, et al. Soil biodiversity and DNA barcodes: opportunities and challenges[J]. Soil Biology and Biochemistry, 2015, 80: 244-250. DOI:10.1016/j.soilbio.2014.10.014 |
| [13] | Weissmannová H D, Pavlovsky J. Indices of soil contamination by heavy metals-methodology of calculation for pollution assessment (minireview)[J]. Environmental Monitoring and Assessment, 2017, 189(12). DOI:10.1007/s10661-017-6340-5 |
| [14] | Römbke J, Jänsch S, Didden W. The use of earthworms in ecological soil classification and assessment concepts[J]. Ecotoxicology and Environmental Safety, 2005, 62(2): 249-265. DOI:10.1016/j.ecoenv.2005.03.027 |
| [15] | Pan F J, Yan R R, Zhao J L, et al. Effects of grazing intensity on soil nematode community structure and function in different soil layers in a meadow steppe[J]. Plant and Soil, 2022, 471(1): 33-46. |
| [16] | Cole E J, Barker A V, Zandvakili O R, et al. Soil nutrient and nematode community changes in response to hardwood charcoal application[J]. Communications in Soil Science and Plant Analysis, 2021, 52(9): 917-925. DOI:10.1080/00103624.2020.1869774 |
| [17] | Chae Y, Cui R X, Moon J, et al. Ecological hazard assessment of methyl ethyl ketone using the species sensitivity distribution approach in a soil ecosystem[J]. Journal of Hazardous Materials, 2018, 360: 490-497. DOI:10.1016/j.jhazmat.2018.08.026 |
| [18] | Brand E, Lijzen J, Peijnenburg W, et al. Possibilities of implementation of bioavailability methods for organic contaminants in the Dutch soil quality assessment framework[J]. Journal of Hazardous Materials, 2013, 261: 833-839. DOI:10.1016/j.jhazmat.2012.11.066 |
| [19] |
罗晶晶, 吴凡, 张加文, 等. 我国土壤受试植物筛选与毒性预测[J]. 中国环境科学, 2022, 42(7): 3295-3305. Luo J J, Wu F, Zhang J W, et al. Screening of soil test plants and developing of their toxicity prediction models in China[J]. China Environmental Science, 2022, 42(7): 3295-3305. |
| [20] | Deiner K, Bik H M, Mächler E, et al. Environmental DNA metabarcoding: transforming how we survey animal and plant communities[J]. Molecular Ecology, 2017, 26(21): 5872-5895. DOI:10.1111/mec.14350 |
| [21] | Hajibabaei M, Baird D J, Fahner N A, et al. A new way to contemplate Darwin's tangled bank: how DNA barcodes are reconnecting biodiversity science and biomonitoring[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 2016, 371(1702). DOI:10.1098/rstb.2015.0330 |
| [22] | Zhang X W, Xia P, Wang P P, et al. Omics advances in ecotoxicology[J]. Environmental Science & Technology, 2018, 52(7): 3842-3851. |
| [23] | Yang J H, Zhang X W, Xie Y W, et al. Ecogenomics of zooplankton community reveals ecological threshold of ammonia nitrogen[J]. Environmental Science & Technology, 2017, 51(5): 3057-3064. |
| [24] | Yang J H, Jeppe K, Pettigrove V, et al. Environmental DNA metabarcoding supporting community assessment of environmental stressors in a field-based sediment microcosm study[J]. Environmental Science & Technology, 2018, 52(24): 14469-14479. |
| [25] | Kwak J I, Moon J, Kim D, et al. Determination of the soil hazardous concentrations of bisphenol A using the species sensitivity approach[J]. Journal of Hazardous Materials, 2018, 344: 390-397. DOI:10.1016/j.jhazmat.2017.10.048 |
| [26] | Gworek B, Baczewska-Dąbrowska A H, Kalinowski R, et al. Ecological risk assessment for land contaminated by petrochemical industry[J]. PLoS One, 2018, 13(10). DOI:10.1371/journal.pone.0204852 |
| [27] | Muyzer G, de Waal E C, Uitterlinden A G. Profiling of complex microbial populations by denaturing gradient gel electrophoresis analysis of polymerase chain reaction-amplified genes coding for 16S rRNA[J]. Applied and Environmental Microbiology, 1993, 59(3): 695-700. DOI:10.1128/aem.59.3.695-700.1993 |
| [28] | Klindworth A, Pruesse E, Schweer T, et al. Evaluation of general 16S ribosomal RNA gene PCR primers for classical and next-generation sequencing-based diversity studies[J]. Nucleic Acids Research, 2013, 41(1). DOI:10.1093/nar/gks808 |
| [29] | Amaral-Zettler L A, McCliment E A, Ducklow H W, et al. A method for studying protistan diversity using massively parallel sequencing of V9 hypervariable regions of small-subunit ribosomal RNA genes[J]. PLoS One, 2009, 4(7). DOI:10.1371/journal.pone.0006372 |
| [30] | Edgar R C. Search and clustering orders of magnitude faster than BLAST[J]. Bioinformatics, 2010, 26(19): 2460-2461. DOI:10.1093/bioinformatics/btq461 |
| [31] | Guillou L, Bachar D, Audic S, et al. The Protist Ribosomal Reference database (PR2): a catalog of unicellular eukaryote Small Sub-Unit rRNA sequences with curated taxonomy[J]. Nucleic Acids Research, 2012, 41(D1): D597-D604. DOI:10.1093/nar/gks1160 |
| [32] | Cheng J L, Shi Z, Zhu Y W. Assessment and mapping of environmental quality in agricultural soils of Zhejiang Province, China[J]. Journal of Environmental Sciences, 2007, 19(1): 50-54. DOI:10.1016/S1001-0742(07)60008-4 |
| [33] | An Q R, Li Y Y, Zheng N, et al. Influence of cadmium and copper mixtures to rhizosphere bacterial communities[J]. Soil Ecology Letters, 2022. DOI:10.1007/s42832-021-0128-9 |
| [34] | Galitskaya P, Biktasheva L, Blagodatsky S, et al. Response of bacterial and fungal communities to high petroleum pollution in different soils[J]. Scientific Reports, 2021, 11(1). DOI:10.1038/s41598-020-80631-4 |
| [35] |
葛艺. 土壤中菲—铜复合污染对小麦根系微生物组集群的影响[D]. 青岛: 青岛大学, 2021. Ge Y. Effects of phenanthrene and copper combined contamination in soil on wheat root microbiome cluster[D]. Qingdao: Qingdao University, 2021. |
| [36] | Sutton N B, Maphosa F, Morillo J A, et al. Impact of long-term diesel contamination on soil microbial community structure[J]. Applied and Environmental Microbiology, 2013, 79(2): 619-630. DOI:10.1128/AEM.02747-12 |
| [37] | Peng M, Zi X X, Wang Q Y. Bacterial community diversity of oil-contaminated soils assessed by high throughput sequencing of 16S rRNA genes[J]. International Journal of Environmental Research and Public Health, 2015, 12(10): 12002-12015. DOI:10.3390/ijerph121012002 |
| [38] |
陈凤鸣. 不同类型污染土壤中重金属及微生物群落分布特征研究[D]. 衡阳: 南华大学, 2021. Chen F M. Distribution characteristics of heavy metals and microbial communities in different types of polluted soil[D]. Hengyang: University of South China, 2021. |
| [39] | Hassan A, Periathamby A, Ahmed A, et al. Effective bioremediation of heavy metal-contaminated landfill soil through bioaugmentation using consortia of fungi[J]. Journal of Soils and Sediments, 2020, 20(1): 66-80. DOI:10.1007/s11368-019-02394-4 |
| [40] | Li H, Zhang Y, Kravchenko I, et al. Dynamic changes in microbial activity and community structure during biodegradation of petroleum compounds: a laboratory experiment[J]. Journal of Environmental Sciences, 2007, 19(8): 1003-1013. DOI:10.1016/S1001-0742(07)60163-6 |
| [41] |
蔡训辉, 王如意, 胡胜男, 等. 鞘氨醇杆菌的研究进展[J]. 基因组学与应用生物学, 2020, 39(5): 2096-2102. Cai X H, Wang R Y, Hu S N, et al. Research progress of Sphingobacterium[J]. Genomics and Applied Biology, 2020, 39(5): 2096-2102. |
| [42] |
张灵利, 徐宏英, 葛晶丽. 多环芳烃污染生物修复研究进展[J]. 微生物学杂志, 2016, 36(2): 81-86. Zhang L L, Xu H Y, Ge J L. Advances in polycyclic aromatic hydrocarbon pollution bio-redemption[J]. Journal of Microbiology, 2016, 36(2): 81-86. |
| [43] | Ghosh A, Paul D, Prakash D, et al. Rhodococcus imtechensis sp. nov., a nitrophenol-degrading actinomycete[J]. International Journal of Systematic and Evolutionary Microbiology, 2006, 56(8): 1965-1969. DOI:10.1099/ijs.0.63939-0 |
| [44] |
王胜涛, 卢琪, 王羽, 等. 樊庆生红球菌菌剂制备优化及其重金属修复促进效果研究[J]. 环境科学学报, 2022, 42(4): 403-411. Wang S T, Lu Q, Wang Y, et al. Rhodococcus qingshengi inoculant preparation and its role in promoting efficient heavy metal phytoremediation[J]. Acta Scientiae Circumstantiae, 2022, 42(4): 403-411. |
| [45] | Mao J, Tang Q Y, Zhang Z D, et al. Streptomyces radiopugnans sp. nov., a radiation-resistant actinomycete isolated from radiation-polluted soil in China[J]. International Journal of Systematic and Evolutionary Microbiology, 2007, 57(11): 2578-2582. DOI:10.1099/ijs.0.65027-0 |
| [46] | Liu Y X, Zhou Q X, Wang Y, et al. Deriving soil quality criteria of chromium based on species sensitivity distribution methodology[J]. Toxics, 2021, 9(3). DOI:10.3390/toxics9030058 |
| [47] | Chae Y, Kim L, Kim D, et al. Deriving hazardous concentrations of phenol in soil ecosystems using a species sensitivity distribution approach[J]. Journal of Hazardous Materials, 2020, 399. DOI:10.1016/j.jhazmat.2020.123036 |
| [48] |
姜山, 张颜, 李飞龙, 等. 基于eDNA的硅藻群落时空异质性及生态健康评价[J]. 环境科学, 2023, 44(1): 272-281. Jiang S, Zhang Y, Li F L, et al. Spatial and temporal heterogeneity and ecological health evaluation of diatom community based on eDNA[J]. Environmental Science, 2023, 44(1): 272-281. |