2024, Vol. 45
2. 中国环境监测总站, 北京 100012;
3. 河南省生态环境监测和安全中心, 郑州 450046;
4. 中国环境科学研究院, 北京 100012
, DENG Xue-jiao2
, WANG Xiao-lei3 , LI Ming3 , LIU Yi-yao3 , LOU Ya-min3 , TU Xiang4 , ZHANG Kun-feng4
2. China National Environmental Monitoring Centre, Beijing 100012, China;
3. Henan Ecological Enviromment Monitoring & Safety Center, Henan Province, Zhengzhou 450046, China;
4. Chinese Research Academy of Environmental Sciences, Beijing 100012, China
黄河是中国第二大和世界第五大河, 以含沙量高而闻名于世. 近几十年来, 气候变化和强烈的人为干扰（如大坝建设）已经导致流入河口的水流量和泥沙量急剧下降[1, 2]. 小浪底水利枢纽是黄河干流中游上的大型水利工程, 自1999年10月蓄水以来已经运行了20多年. 作为重要的战略水资源, 在黄河中下游的社会经济发展、生态环境健康和国家水安全等方面发挥着至关重要的作用[2, 3]. 然而, 随着水库流域经济和城市化的快速发展, 人为活动产生的各种污染物（工业排放、航运、生活污水、杀虫剂和化肥使用等）最终被排放到水中, 导致近年来在水和沉积物中检出的重金属显著增加[2, 4, 5]. 此外, 小浪底水库大坝的蓄水运行显著改变了流域水文特征、水动力条件和泥沙沉积过程, 并直接影响了库区水环境中重金属的分布和迁移转化[2, 6]. 因此, 这种水位的更替变化可能导致水中重金属的富集, 对饮水安全和水库周围的生态环境构成潜在威胁. 此外, 由于水资源短缺和水质较差, 中国一直面临着日益严重的缺水问题. 更重要的是, 确保饮用水的安全和清洁是一项巨大挑战和首要任务, 尤其是对拥有14亿人口的中国来说[7~9].
重金属是自然存在的元素, 在各种环境介质中以微量浓度存在. 少量重金属（如Fe、Mn、Cu、Zn和Cr）是生命活动的必须元素, 并在体内物质运输、氧化还原反应和核酸代谢中起关键作用[10, 11]. 然而, 由于重金属具有毒性、非生物降解性和生物累积性等地球化学特性, 过量摄入重金属对生物体具有潜在的危害[12]. 通常, 水体中的重金属可能通过直接摄入、皮肤吸收和食物链富集对人类健康构成潜在威胁[13]. 例如, 长期接触砷可能会诱发心血管疾病、神经系统疾病和内脏癌[14]；长期食用受镉污染的水可能会导致贫血、消化系统癌症、骨损伤和肾病[15]. 有研究表明, 90%的癌症都是由化学致癌物引起的, 而饮用水的摄入是其中最重要的途径之一；化学致癌物对健康的风险与水中重金属污染的严重程度高度相关[16]. 此外, 水中的重金属还可能导致水体生态系统和功能的恶化[17]. 因此, 调查小浪底水库水环境中重金属的污染状况和健康风险评估对人类健康和水生环境保护具有重要意义. 然而, 关于大坝蓄水周期运行后小浪底水库地表水中重金属分布的文献报道较少；从时间的角度来看, 在小浪底水库流域是不连续的或仅限于一定的水期. 总之, 非常有必要对水库地表水中重金属的污染特征进行长时间序列的研究.
本研究调查了2014~2022年小浪底水库地表水中铜（Cu）、锌（Zn）、铅（Pb）、砷（As）、汞（Hg）和镉（Cd）的时空分布特征和污染水平, 并评价不同重金属对不同暴露组（成人和儿童）的致癌和非致癌概率健康风险, 采用主成分分析重金属污染来源, 以期为黄河流域中下游地区水体重金属相关健康风险的优先管理提供必要的科学依据.
1 材料与方法 1.1 研究区域概况小浪底水库（112°26′46.5″E, 34°55′18.5″N）是黄河干流上的最后一座水库, 水库和河口之间的距离约为800 km[2]. 水库长130 km, 水域面积272 km2, 最大库容为12.65 km3, 其上游流域面积占黄河流域的92.3%[18]. 由于大坝的建设和蓄水, 在黄河中下游干流从洛阳到三门峡的范围内形成了小浪底水库流域这一组回水区域. 区域地貌和地质特点是丘陵、山脉和峡谷, 具有很大的垂直和经度差异[18]. 库区属温带大陆性季风气候, 年平均气温12.4~14.3℃. 年均降水量和蒸发量分别为616 mm和2 072 mm. 本研究从黄河干流中下游的小浪底水库流域从上游到下游共选取了3个采样点. 具体地, 小浪底水库上游南山断面的X1点位, 水库中游大横岭断面的X2点位, 水库大坝下游（非常靠近小浪底大坝出口）的X3点位（图 1）.
|
图 1 小浪底水库流域采样点示意 Fig. 1 Schematic diagram of sampling sites in Xiaolangdi Reservoir Basin |
从2014年1月至2022年6月每月采集水样（n = 306）. 使用YSI ProDSS（USA）对每个水样的电导率、pH、溶解氧浓度、氧化还原电位和水温进行现场监测, 并在以上参数稳定后进行水样采集. 水样储存在预洗过的聚丙烯瓶中, 并在野外工作后立即送往实验室. 所有样品均通过0.45 μm滤膜过滤（Pall Life Sciences, Ann Arbor, MI, USA）, 然后用硝酸酸化使pH ≤ 2, 并将样品储存在4℃下用于后续分析. 此外, 总氮（TN）、总磷（TP）、氨氮（NH+4-N）、高锰酸盐指数和化学需氧量（COD）数据来自中国环境监测总站.
1.3 样品检测与质量控制采用ELAN DRC II电感耦合等离子体质谱仪（ICP-MS, PerkinElmer Ltd., Waltham, MA, USA）测定重金属浓度. 采用重复方法空白、加标空白和加标样品为本分析提供质量控制. 结果表明, 所有目标重金属的平均回收率范围为89.1%~108.6%；同时, 6种重金属的相对标准偏差（RSD）小于15%, 满足US EPA要求（RSD < 30%）. 6种目标重金属的检测限和定量限见表 1.
|
表 1 水样6种重金属的检出限及定量限/μg·L-1 Table 1 Detection limits and quantification limits of six heavy metals in water samples/μg·L-1 |
1.4 重金属污染水平评价
采用重金属污染指数（HPI）、内梅罗指数（NI）和污染程度（CD）这3种方法来评价重金属的污染水平[12, 19].
|
(1) |
|
(2) |
|
(3) |
式中, Mi为样品中重金属浓度（mg·L-1）；Si为重金属在中国地表水环境质量标准的Ⅲ类浓度阈值（mg·L-1）[20]；n为重金属的数量. HPI、NI和CD的分类见表 2.
|
|
表 2 污染水平的分级标准 Table 2 Ranking criteria of pollution level |
1.5 健康风险评估
本研究采用美国环保署水环境健康风险评估推荐的模型进行, 它包括致癌和非致癌风险[22]. 此外, 由于生理和行为的差异, 人群被分为两组（儿童和成人）. 水库作为研究区的主要饮用水源, 因此评估模型仅关注通过口服摄入的非致癌和致癌风险.
|
(4) |
|
(5) |
|
(6) |
式中, HQij为化学物质i中非致癌物j的健康危害商, MECij为检出浓度（mg·L-1）, IR为水的摄入率（L·d-1）, BW为体重（kg）, ED为人口的平均预期寿命（a）, RfDi为物质i的参考剂量[mg·（kg·d）-1]. HI为非致癌指数, 且当HI > 1, 污染物会对健康产生非致癌影响. CR是年度致癌风险（a-1）, USEPA推荐的可接受阈值为1E-06 a-1. SFi为i的致癌强度系数[（kg·d）·mg-1].
然而, 点值通常被输入到确定性方法中, 忽略了输入变量的可变性, 进而导致所获得的健康风险评估结果出现偏差[23]. 应用蒙特卡罗模拟, 采用最合适的概率分布来考虑输入变量内部固有的随机性, 可以提供更有意义的结果[23]. 首先, 水晶球系统根据拟合优度统计量进行排序, 并根据拟合结果选择最优的拟合概率分布, 即排名第一的概率分布. 例如, 对数正态分布被分配给输入变量, 如体重和饮水量等（表 3）. 其次, 采用与确定性方法相同的风险评估模型作为输入数据进行风险预测. 最后, 通过蒙特卡罗模拟方法, 对每次迭代中考虑输入变量的随机值进行风险分析, 得到风险分布. 此外, 还进行了敏感性分析, 以评估暴露参数的不确定性对总概率风险不确定性的贡献率, 这对识别关键影响因素很重要[7].
|
|
表 3 风险评估模型中的暴露因素参数1） Table 3 Exposure factor parameters in risk assessment model |
1.6 统计分析
数据分析和统计使用Excel（2017）进行. 采用ArcGIS（ESRI ArcGIS version 10.4）绘制样品点位. 使用SPSS 20.0（IBM SPSS statistics version 20.0）进行单因素方差分析（ANOVA）, 双尾（2-tailed）相关性分析, P < 0.05表示具有统计学意义. 使用R（R v3.6.1）和Origin分别绘制热图, 小提琴图和条形图. 在Oracle Crystal Ball®（Version 11.1.2.4, Oracle, USA）中进行了10 000次蒙特卡洛模拟以获得稳定的概率风险和敏感性指标值[7, 23].
2 结果与讨论 2.1 样品的水化学参数2014~2022年连续监测了3个断面（X1、X2和X3）的TN、TP、NH+4-N、高锰酸盐指数和COD等5个营养盐指标（图 2）, 以讨论小浪底水库流域水质的时空变化. 如图 2所示, 高锰酸盐指数、COD和NH+4-N值均符合国家Ⅲ类水质标准[20], 其浓度范围和平均值分别为1.60~3.20、0.004~17.000、0.01~0.97 mg·L-1和2.14、6.900、0.13 mg·L-1. 然而, TN和TP浓度均不同程度地超过了Ⅲ类值, 其浓度范围和平均值分别为1.60~5.85 mg·L-1和0.005~0.170 mg·L-1、3.41 mg·L-1和0.030 mg·L-1（图 2）. 具体地, 在空间分布上, X2断面的TN浓度（范围为1.60~5.75 mg·L-1, 平均值为3.30 mg·L-1）显著低于X3断面（范围为1.79~5.79 mg·L-1, 平均值为3.57 mg·L-1）（P = 0.04, Fcrit = 3.89）, 而与X1断面（范围为1.60~5.85 mg·L-1, 平均值为3.36 mg·L-1）浓度相当（P > 0.05, Fcrit = 2.86）. 相似地, X2断面的TP浓度（范围为0.005~0.050 mg·L-1, 平均值为0.034 mg·L-1）显著低于X3断面（范围为0.005~0.170 mg·L-1, 平均值为0.038 mg·L-1）而与X1断面（范围为0.005~0.050 mg·L-1, 平均值为0.033 mg·L-1）浓度相当（P > 0.05, Fcrit = 3.15）. 这表明小浪底水库氮磷污染具有相同的空间异质性, 这表明它们可能具有相同的来源[29].
|
图 2 2014~2022年高锰酸盐指数、生化需氧量、氨氮、总氮和总磷的变化特征 Fig. 2 Variation characteristics of permanganate index, COD, NH+4-N, TN, and TP from 2014 to 2022 |
因此, TN和TP是小浪底水库流域的关键污染指标. 相似地, TN和TP在三峡水库等中国水体中普遍超过Ⅲ类值的情况在其他地方均有报道[7, 30], 也是主要污染指标. 同时发现, 以农业面源等非点源为主的污染负荷及水文条件是影响水体氮磷的主要因素[30, 31].
2.2 重金属的污染水平 2.2.1 地表水重金属浓度地表水样品中重金属浓度的描述性统计见表 4和图 3. 大体上, 6种目标重金属的检出率范围为91.6%~92.9%（表 4, n = 306）. 所有水样均检测到一种或多种重金属, 表明重金属在小浪底水库地表水中普遍存在. 具体地, 目标重金属浓度平均值的降序排列为：As（2.260 μg·L-1） > Cu（1.870 μg·L-1） > Zn（1.320 μg·L-1） > Pb（0.740 μg·L-1） > Cd（0.048 μg·L-1） > Hg（0.018 μg·L-1）[表 4和图 3（b）]. 其中, As检出浓度最大, 其范围和平均值分别为ND~28.200 μg·L-1和2.260 μg·L-1, 其次是Cu（ND~152.000 μg·L-1和1.870 μg·L-1）, 而Hg浓度最低（ND~0.090 μg·L-1和0.018 μg·L-1）. Chen等[32]对关中平原水体中As的调查显示, 其浓度（平均值为29.980 μg·L-1）显著高于本研究（2.260 μg·L-1）, 同时发现As超标地区为人口密集地区. As作为一种类金属元素, 广泛存在于水、土壤和大气中, 有研究表明, 地质原因和灌溉、使用杀虫剂、采矿和冶炼等人类活动是造成水体As浓度较高的主要原因[33].
|
|
表 4 2014~2022年小浪底水库重金属的检出情况与季节变化统计数据1）（n = 306）/μg·L-1 Table 4 Detection of heavy metals in Xiaolangdi Reservoir from 2014 to 2022 and statistical data of seasonal changes(n = 306)/μg·L-1 |
|
（a）2014~2022年重金属总浓度平均值, （b）3个断面重金属年浓度平均值热图；色柱表示浓度值取对数以后的结果 图 3 小浪底水库重金属年浓度平均值和累计浓度 Fig. 3 Total and mean concentrations of heavy metals in Xiaolangdi Reservoir Basin |
最重要的是将本研究中获得的结果与保护立法进行比较. 显然, 地表水中的重金属浓度均未超过国家地表水质量标准的Ⅲ类阈值（表 4）. 此外, Cu、Zn、As和Cd浓度也低于Ⅱ类浓度阈值, 这表明重金属在小浪底水库地表水中重金属的浓度处于较低水平. 然而, 作为饮用水源, As和Pb浓度最大值高于生活饮用水卫生标准（10 μg·L-1）. 考虑到3种重金属（如As、Pb和Cd）即使在水中含量低时也具有高毒性, 也会导致显著的健康危害, 需要实施有效的管理战略, 确保水资源安全, 保障居民健康.
2.2.2 重金属的空间分布与年际变化在2014~2022年间, 地表水中重金属的总年浓度平均值从2014年的20.080 μg·L-1下降到2018年的3.850 μg·L-1, 再到2022年的3.060 μg·L-1, 出现了显著下降[图（3a）], 这表明小浪底水库地表水中重金属的污染得到了改善. Wu等[34]的研究证实了中国地表水环境质量在近10年得到了明显改善, 这与本研究的结果一致.
重金属浓度和营养盐指标的空间分布具有一致性. 在不同的断面重金属结果与水质评价相似. 具体地, X1断面6种金属的浓度平均值范围为0.018（Hg）~2.110（As）μg·L-1, 浓度平均值为0.862 μg·L-1, X2断面浓度平均值范围为0.045（Hg）~2.250（As）μg·L-1, 浓度平均值为0.882 μg·L-1, X3断面浓度平均值范围为0.053（Hg）~2.390（As）μg·L-1, 浓度平均值为1.378 μg·L-1. 由于下游地区有大量的工业企业, 导致该地区重金属污染较为严重, 其次是上游和中游地区. 三峡库区重金属污染具有相似的模式, 库区下游地区是经济相对发达的主要工业区, 受污染物排放影响较大[35].
此外, 重金属的分布也表现出明显水季差异性. 由表 4可知, 丰水期（夏季）重金属浓度较低, 平枯水期（冬季）浓度较高, 这与之前柳江流域水体重金属浓度的变化趋势相似[14], 这可能是由于丰水期水量较大, 重金属浓度得到了稀释所导致的. 对小浪底水库沉积物重金属的研究也发现枯水期高于丰水期, 与本研究水体有相似的季节分布[36].
2.2.3 重金属污染评价进一步了解小浪底水库地表水中重金属所引起的综合污染, 是进行区域环境管理的必要条件. 采用HPI、NI和CD这3种指数方法确定地表水中所有目标重金属的污染程度, 更好地了解小浪底水库水体重金属的自然和人为来源.
具体地, 重金属的HPI指数值在0.01~89.48之间, 平均值为18.15. 根据HPI分级（表 2）, 共有80（占比26.32%）、195（67.76%）和18（5.92%）个样品分别受到重金属的低、中和中重度污染. 同时, NI指数值范围为0.02~0.69, 平均值为0.15. 因此, 样品均处于低污染水平（NI < 1）. 相似地, CD指数值在0.03~1.07之间, 平均值为0.24. 由此可知, 所有采样点均处于低污染水平（CD < 6.00）. 总之, 3种污染水平评价的方法结果表明, CD和NI的评价结果相似, 且均低于HPI指数值. 考虑到水环境质量最坏的情况, 笔者选择了HPI的结果作为最终的评价结果. 此外, HPI指数平均值远低于临界值100.00, 这意味着重金属水平是可以接受的. 值得注意的是, 在各种重金属中, Hg和Cd由于更低的阈值浓度是高污染指数的潜在贡献率者（表 4）. Sheng等[12]对西北干旱绿洲地区地下水重金属的污染水平评估表明, HPI值高于其他2种方法, 选取HPI为最终结果, 这与本研究的结果一致. 总之, 本研究表明小浪底水库地表水中重金属浓度水平较低.
2.3 重金属的源解析主成分分析已被建议有效地区分水体中重金属的潜在来源. 基于特征值（> 1.0）, 提取的2个主成分累计解释了总方差的61.95%（图 4）. 其中, PC1占总方差的40.06%, 与Zn、As和Cu呈强正相关；PC2占总方差的21.89%, 与Cd、Pb和Hg呈强正相关. Franco-Uría等[37]研究表明, 重金属关联可以表明它们共同起源于人为或地质来源. 本研究中, Cd、Zn和Pb高于以往调查的背景值[38], 它们主要归因于人为排放. 此外, HPI的评价结果表明, Pb和Cd是造成地表水重金属污染的主要因素. 其中, Pb、Cd和As主要来自电镀、鞣制革、化工、冶金、耐火材料生产和工业废水[39]. 同时, Sheng等[12]研究发现, 水中高浓度的Pb和Cu可能来自各种来源, 包括自然过程和农业肥料；其中, 在塑料膜和磷肥中普遍存在高含量的Pb. 灌溉和施肥活动可能导致高浓度的Cu, 这与2.1节中TN和TP的非点源污染负荷结果一致. 此外, Cd是农业活动的一个关键指标, 例如, 作为杀虫剂、除草剂、牲畜粪便和磷肥的添加剂[40]. 考虑到该地区在农业生产中使用了大量的塑料膜和磷肥, 其结果是合理的. 相关性分析表明, Zn和Cu呈显著正相关（图 5）, 提示它们可能具有相同的起源. 以上发现表明, 水中的Cd和Zn可能来自于人类的输入. 更重要的是, 水中的Cd和Zn也存在地质关系, 因为它们都离不开风化效应和氧化条件[41]. 总之, 本研究发现表明小浪底水库重金属主要来自于工农业生产和人为排放.
|
图 4 水中重金属PCA的前两个主要成分分析 Fig. 4 Analysis of the first two main components of heavy metal PCA in water |
|
*表示P < 0.05, **表示P < 0.01, ***表示P < 0.001 图 5 重金属浓度与环境参数（营养盐）之间的皮尔逊相关系数 Fig. 5 Pearson correlation coefficients between heavy metal concentrations and environmental parameters (nutrients) |
基于306个样品, 对重金属浓度与环境变量（营养盐）进行了相关性分析. 此外, 作为主成分分析的进一步补充, 相关性分析也被用于识别重金属的可能来源. 例如, As与Pb和Cd、Pb和Cd、Cu和Zn之间存在显著的相关性（r为0.18~0.41, P < 0.05, n = 306）, 这表明它们可能具有共同的地球化学行为, 并起源于相似或相同的来源.
通常, 河流中重金属被吸附在河流沉积物中. 吸附和解吸反应是水与沉积物中重金属相互作用的主要形式, 主要受水体的理化特性和营养盐浓度的影响[7, 42], 这进一步证实了2.3.2节中水体和沉积物具有相似的季节分布的时空特征. 此外, 沉积物性质可以显著影响沉积物中重金属的流动性, 进而影响它们在水体和沉积物之间的分布.
Pearson相关性分析结果显示（图 5）, 除TP和COD外, 其余3种营养盐均与不同种类重金属浓度显著相关, 这表明水中重金属的迁移、转化和吸附沉降可能受到相关因素的影响.
具体地, 高锰酸盐指数与As、Pb和Cu这3种金属的浓度呈显著正相关（P < 0.05, r为0.13、0.23和0.08, n = 306）. TN与Pb、Cd和Cu这3种金属的浓度呈显著正相关（P < 0.05, r为0.28、0.30和0.22, n = 306）. NH+4-N与Cd浓度呈显著正相关（P < 0.001, r为0.14, n = 306）. 然而, Zn和Hg与以上3种营养盐呈不同程度的负相关（P < 0.05, r为-0.05、-0.30和-0.18, n = 306）. 高锰酸盐指数被广泛用作水中有机污染物污染水平的指标, 这表明重金属的污染可能与生活污水的排放相关. 研究表明, 当水体中的营养盐浓度升高时, 氮磷受沉积物-水界面浓度梯度的驱动, 向沉积物体迁移, 而这些迁移过程往往伴随着重金属的释放作用[43]. 此外, 沉积物可以吸附铵盐, 增加表面正电荷, 从而抑制金属阳离子的吸附作用[44].
有趣的是, 尽管不同断面（点位）水体的污染源未知, 水力条件复杂, 约一半的环境因子指标与重金属浓度呈正相关, 这表明重金属在这些因素的影响下有重新分配的可能性. 此外, 这一发现也表明单一环境因素并不是研究区域唯一的控制因素, 多种因素共同影响着重金属在地表水中的浓度和分布. 总之, 本研究结果表明, 水体中重金属的浓度可能取决于许多影响因素, 如水体的迁移和混合、沉积物性质、水文参数、人类活动和土地利用类型等.
2.5 健康风险评估 2.5.1 概率健康风险基于传统的确定性方法, 使用蒙特卡洛模拟法对暴露于水体重金属的成人和儿童进行了非致癌和致癌风险评估（表 5）；此外, 计算HQ、HI和CR的概率分布（图 6）.
|
|
表 5 基于蒙特卡洛模拟的非致癌和致癌健康风险参数统计 Table 5 Statistics of non-carcinogenic and carcinogenic health risk parameters based on Monte Carlo simulation |
|
图 6 通过蒙特卡罗模拟确定了成人和儿童的危险商（HQ）、危险指数（HI）和年度致癌风险（CR）的累计分布函数曲线 Fig. 6 Cumulative distribution functions curve of hazard quotient (HQ), hazard index (HI), and annual carcinogenic risk (CR) determined for adults and children under Monte Carlo simulation in influent water samples |
显然, 成人和儿童的平均HI值小于USEPA的指导值1, 表明没有潜在的非致癌风险（表 5）. 根据概率分布曲线[图 6（g）], 儿童的累计非致癌风险高于成人. 此外, 儿童和成人中所有单一重金属的平均HQ值均小于1, 表明这些重金属染物非致癌风险可忽略. 在单个重金属成分方面, As被证实为非致癌风险的主要因素（表 5）. 有研究表明, 无机As的高毒性给接触人群带来致癌和非致癌风险. 暴露于高水平As可导致皮肤损伤[45]、神经系统疾病[46]、肺[47]、肝和肾等身体器官受损, 以及心血管疾病和糖尿病等非传染性疾病[48]. 此外, As的毒性还可以从母体传递给胎儿, 危及其生长和健康[49]. 虽然国家当局对环境中的As制定了严格的标准, 但近年来的研究发现, 饮用水中的As含量低于国家安全限值也会增加疾病的风险[50]. 因此, 需要进一步地研究来调查环境中的As和暴露人群的健康风险之间的联系.
根据概率分布[图 6（h）和6（i）], 成人和儿童暴露在地表水中As和Pb的CR可忽略不计（平均值小于1E-06）；然而, 在一些极端情况下实际风险可能较高. 例如, 在所有的10 000个模拟的随机输出风险值中, 成人和儿童的CR值分别有0.08%和2.38%高于可接受阈值（1E-06）. 此外, 儿童的最大CR值分别为2.83E-04, 是1E-04阈值的2.83倍（表 5）. 相似地, 除Zn外, 其余5种金属的HQ值均有不同程度地超过可接受阈值（1E-06）[0.06%~5.05%, 图 6（a）~6（f）]. 值得注意的是, 儿童的平均HQ和CR分别比成人高6.45倍和2.22倍, 这表明儿童受重金属污染物的影响程度高于成人. 先前的研究也证实了As暴露产生的高水平的致癌效应[24], 这与本研究的结论一致.
总之, 虽然居民平均HQ和CR在可接受范围内, 但本研究同样证实了在极端条件下, 实际风险可能较高. 此外, 研究表明接触典型污染物的致癌风险与消化道及肺癌的发病率仍具有相似的空间分布模式, 因此这种暴露仍被视为致癌风险的潜在因素之一[34]. 进一步努力探索人类长期接触水中污染物与相关健康影响之间的相关性, 将有助于建立和实施可行的管理战略以减轻疾病负担.
2.5.2 敏感性分析敏感性分析用于表明暴露途径的影响程度和可变参数对致癌性健康风险的影响程度[7, 51], 贡献率越大说明敏感性越高. 在计算成人和儿童的CR计算时, 考虑了金属浓度（MEC）、预期寿命（ED）、摄入率（IR）和体重（BW）的敏感性.
敏感性分析表明（图 7）, MEC是单一重金属健康风险评估的主要影响因素. 具体地, 其在Cu、Zn、Pb、As、Hg和Cd金属中对健康风险的平均正向贡献率分别为80.93%、74.25%、92.27%、74.16%、56.65%和58.93%（图 7）. 这表明降低饮用水中污染物浓度仍是减轻健康风险的关键措施. 然而, ED与健康风险呈负相关（平均贡献率为-30.98% ~ -70.85%）, 即重金属的年CR随着预期寿命的延长而降低, 这是健康风险评估的另一个敏感因素, 其对方差的负向贡献率为-30.39% ~ -71.20%. 虽然在成人和儿童中, IR与年CR呈正相关（7.23% ~23.57%）, 而BW与年CR呈负相关（-0.52% ~ -8.29%）, 但这些因素的影响很小（图 7）. 此外, 虽然本研究仅将参与者分为两组（成人和儿童）, 但本研究证实了不同年龄组之间的健康风险存在显著差异. 暴露参数和CR之间的关系在之前的研究中也有相似的报道[7, 52, 53]. 总之, 本研究强烈建议除了研究人类预期寿命的概率分布和基于扩大样本数减少结果的不确定性外, 还需要提高致癌风险评估中金属测定的准确性.
|
图 7 成人和儿童组接触重金属致癌物的敏感性分析的龙卷风图 Fig. 7 Tornado plot for the sensitivity analysis of exposure to carcinogenic heavy metals for the adult and children groups |
（1）水库地表水中6种目标重金属具有较高的检出率（91.6% ~ 92.9%）, 但总体污染水平较低. 浓度平均值范围为0.018~2.260 μg·L-1, 浓度的降序排列为：As > Cu > Zn > Pb > Cd > Hg. TN和TP不同程度地超过Ⅲ类水环境阈值.
（2）水库地表水中重金属浓度在丰水期较低, 下游断面浓度高于上中游. 值得注意的是在过去9 a, 水库地表水重金属污染得到了改善.
（3）水库重金属的污染主要来自于工农业生产和废水排放等人为因素. 营养盐与重金属浓度的相关性证实重金属在这些因素的影响下有重新分配的可能性. 此外, 多种因素共同影响着重金属在地表水中的浓度和分布.
（4）重金属浓度是单一重金属健康风险评估的主要影响因素, 对健康风险的正向贡献率最大. 虽然平均健康风险处于可接受水平, 但在极端条件下, 成人和儿童的CR值分别有0.08%和2.38%高于可接受阈值, 实际风险可能较高. 总之, 进一步努力探索人类长期接触水中重金属与相关健康影响之间的相关性, 有助于建立和实施可行的管理战略以减轻疾病负担.
| [1] | Hu P, Cao Z X, Pender G, et al. Numerical modelling of turbidity currents in the Xiaolangdi Reservoir, Yellow River, China[J]. Journal of Hydrology, 2012, 464-465: 41-53. DOI:10.1016/j.jhydrol.2012.06.032 |
| [2] | Dong J W, Xia X H, Zhang Z N, et al. Variations in concentrations and bioavailability of heavy metals in rivers caused by water conservancy projects: insights from water regulation of the Xiaolangdi Reservoir in the Yellow River[J]. Journal of Environmental Sciences, 2018, 74: 79-87. DOI:10.1016/j.jes.2018.02.009 |
| [3] |
肖春艳, 刘怡凡, 赵同谦, 等. 小浪底水库水沙调控期滨河湿地地下水与河水转化关系[J]. 环境科学, 2022, 43(12): 5499-5508. Xiao C Y, Liu Y F, Zhao T Q, et al. Transformation relationship of groundwater and river water in riparian wetland during water and sediment regulation of Xiaolangdi Reservoir in Yellow River[J]. Environmental Science, 2022, 43(12): 5499-5508. |
| [4] | Zhao Q H, Ding S Y, Hong Z D, et al. Impacts of water-sediment regulation on spatial-temporal variations of heavy metals in riparian sediments along the middle and lower reaches of the Yellow River[J]. Ecotoxicology and Environmental Safety, 2021, 227. DOI:10.1016/j.ecoenv.2021.112943 |
| [5] | Xie F Y, Yu M C, Yuan Q K, et al. Spatial distribution, pollution assessment, and source identification of heavy metals in the Yellow River[J]. Journal of Hazardous Materials, 2022, 436. DOI:10.1016/j.jhazmat.2022.129309 |
| [6] | Liang C, Xin S, Wang D S, et al. The ecological benefit-loss evaluation in a riverine wetland for hydropower projects-A case study of Xiaolangdi reservoir in the Yellow River, China[J]. Ecological Engineering, 2016, 96: 34-44. DOI:10.1016/j.ecoleng.2015.12.037 |
| [7] | Zhang K F, Chang S, Zhang Q, et al. Heavy metals in influent and effluent from 146 drinking water treatment plants across China: occurrence, explanatory factors, probabilistic health risk, and removal efficiency[J]. Journal of Hazardous Materials, 2023, 450. DOI:10.1016/j.jhazmat.2023.131003 |
| [8] | Zhang K F, Chang S, Fu Q, et al. Occurrence and risk assessment of volatile organic compounds in multiple drinking water sources in the Yangtze River Delta region, China[J]. Ecotoxicology and Environmental Safety, 2021, 225. DOI:10.1016/j.ecoenv.2021.112741 |
| [9] | Zhang K F, Chang S, Wang E R, et al. Occurrence, health risk, and removal efficiency assessment of volatile organic compounds in drinking water treatment plants (DWTPs): an investigation of seven major river basins across China[J]. Journal of Cleaner Production, 2022, 372. DOI:10.1016/j.jclepro.2022.133762 |
| [10] |
黄宏伟, 肖河, 王敦球, 等. 漓江流域水体中重金属污染特征及健康风险评价[J]. 环境科学, 2021, 42(4): 1714-1723. Huang H W, Xiao H, Wang D Q, et al. Pollution characteristics and health risk assessment of heavy metals in the water of Lijiang River Basin[J]. Environmental Science, 2021, 42(4): 1714-1723. |
| [11] |
许梦雅, 张超, 单保庆, 等. 白洋淀不同类型水体表层沉积物重金属的赋存形态及风险[J]. 环境科学, 2022, 43(9): 4532-4542. Xu M Y, Zhang C, Shan B Q, et al. Speciation and risk of heavy metals in surface sediments of different types of water bodies in Baiyangdian Lake[J]. Environmental Science, 2022, 43(9): 4532-4542. |
| [12] | Sheng D R, Meng X H, Wen X H, et al. Contamination characteristics, source identification, and source-specific health risks of heavy metal(loid)s in groundwater of an arid oasis region in Northwest China[J]. Science of the Total Environment, 2022, 841. DOI:10.1016/j.scitotenv.2022.156733 |
| [13] | Wen X H, Lu J, Wu J, et al. Influence of coastal groundwater salinization on the distribution and risks of heavy metals[J]. Science of the Total Environment, 2019, 652: 267-277. DOI:10.1016/j.scitotenv.2018.10.250 |
| [14] |
张婉军, 辛存林, 于奭, 等. 柳江流域河流溶解态重金属时空分布及污染评价[J]. 环境科学, 2021, 42(9): 4234-4245. Zhang W J, Xin C L, Yu S, et al. Spatial and temporal distribution and pollution evaluation of soluble heavy metals in Liujiang River Basin[J]. Environmental Science, 2021, 42(9): 4234-4245. |
| [15] |
王磊, 汪文东, 刘懂, 等. 象山港流域入湾河流水体中重金属风险评价及其来源解析[J]. 环境科学, 2020, 41(7): 3194-3203. Wang L, Wang W D, Liu D, et al. Risk assessment and source analysis of heavy metals in the river of a typical bay Watershed[J]. Environmental Science, 2020, 41(7): 3194-3203. |
| [16] | Qu L Y, Huang H, Xia F, et al. Risk analysis of heavy metal concentration in surface waters across the rural-urban interface of the Wen-Rui Tang River, China[J]. Environmental Pollution, 2018, 237: 639-649. DOI:10.1016/j.envpol.2018.02.020 |
| [17] | Vu C T, Lin C, Shern C C, et al. Contamination, ecological risk and source apportionment of heavy metals in sediments and water of a contaminated river in Taiwan[J]. Ecological Indicators, 2017, 82: 32-42. DOI:10.1016/j.ecolind.2017.06.008 |
| [18] | Zhao Q H, Ding S Y, Lu X L, et al. Water-sediment regulation scheme of the Xiaolangdi Dam influences redistribution and accumulation of heavy metals in sediments in the middle and lower reaches of the Yellow River[J]. CATENA, 2022, 210. DOI:10.1016/j.catena.2021.105880 |
| [19] | Tao H, Al-Hilali A A, Ahmed A M, et al. Statistical and spatial analysis for soil heavy metals over the Murray-Darling river basin in Australia[J]. Chemosphere, 2023, 317. DOI:10.1016/j.chemosphere.2023.137914 |
| [20] |
GB 3838-2002, 地表水环境质量标准[S]. GB 3838-2002, Environmental quality standards for surface water[S]. |
| [21] | Sharifi Z, Hossaini S M T, Renella G. Risk assessment for sediment and stream water polluted by heavy metals released by a municipal solid waste composting plant[J]. Journal of Geochemical Exploration, 2016, 169: 202-210. DOI:10.1016/j.gexplo.2016.08.001 |
| [22] |
张坤锋, 付青, 涂响, 等. 武汉典型饮用水水源中典型POPs污染特征与健康风险评估[J]. 环境科学, 2021, 42(12): 5836-5847. Zhang K F, Fu Q, Tu X, et al. Pollution characteristics and risk assessment of typical POPs in typical drinking water sources in Wuhan[J]. Environmental Science, 2021, 42(12): 5836-5847. |
| [23] | Zhang X, Wang X L, Zhao X L, et al. Using deterministic and probabilistic approaches to assess the human health risk assessment of 7 polycyclic aromatic hydrocarbons[J]. Journal of Cleaner Production, 2022, 331. DOI:10.1016/j.jclepro.2021.129811 |
| [24] | Lei M, Zhou J L, Zhou Y Z, et al. Spatial distribution, source apportionment and health risk assessment of inorganic pollutants of surface water and groundwater in the southern margin of Junggar Basin, Xinjiang, China[J]. Journal of Environmental Management, 2022, 319. DOI:10.1016/j.jenvman.2022.115757 |
| [25] | 环境保护部. 中国人群暴露参数手册(成人卷)[M]. 北京: 中国环境出版社, 2013. |
| [26] | 环境保护部. 中国人群暴露参数手册(儿童卷: 0~5岁)[M]. 北京: 中国环境出版社, 2016. |
| [27] |
杜晓丽, 曲久辉, 刘会娟, 等. 温榆河水体中重金属含量分布及赋存状态解析[J]. 环境科学学报, 2012, 32(1): 37-42. Du X L, Qu J H, Liu H J, et al. Distributions of trace metals in the surface water in Wenyu River[J]. Acta Scientiae Circumstantiae, 2012, 32(1): 37-42. |
| [28] |
高煜, 王国兰, 金梓函, 等. 千河下游水体-沉积物重金属空间分布、风险及影响因素[J]. 环境科学, 2021, 42(11): 5333-5345. Gao Y, Wang G L, Jin Z H, et al. Spatial distribution, risk, and influencing factors of river water-sediment heavy metals in the lower reaches of the Qianhe River[J]. Environmental Science, 2021, 42(11): 5333-5345. |
| [29] |
刘静, 路凤, 杨延钊, 等. 南四湖流域种植业面源污染氮磷源解析研究[J]. 环境科学, 2012, 33(9): 3070-3075. Liu J, Lu F, Yang Y Z, et al. Source apportionment of nitrogen and phosphorus from cropping non-point source pollution in Nansi Lake Basin[J]. Environmental Science, 2012, 33(9): 3070-3075. |
| [30] | Xiang R, Wang L J, Li H, et al. Water quality variation in tributaries of the Three Gorges Reservoir from 2000 to 2015[J]. Water Research, 2021, 195. DOI:10.1016/j.watres.2021.116993 |
| [31] | Xiang R, Wang L J, Li, H, et al. Temporal and spatial variation in water quality in the Three Gorges Reservoir from 1998 to 2018[J]. Science of the Total Environment, 2021, 768. DOI:10.1016/j.scitotenv.2020.144866 |
| [32] | Chen X P, Liu S Y, Luo Y. Spatiotemporal distribution and probabilistic health risk assessment of arsenic in drinking water and wheat in Northwest China[J]. Ecotoxicology and Environmental Safety, 2023, 256. DOI:10.1016/j.ecoenv.2023.114880 |
| [33] | Wu J Y. Challenges for Safe and Healthy Drinking Water in China[J]. Current Environmental Health Reports, 2020, 7(3): 292-302. DOI:10.1007/s40572-020-00274-5 |
| [34] | Wu L, Qiu X W, Wang T, et al. Water quality and organic pollution with health risk assessment in China: a short review[J]. ACS ES & T Water, 2022, 2(8): 1279-1288. |
| [35] | Zhao L Y, Gong D D, Zhao W H, et al. Spatial-temporal distribution characteristics and health risk assessment of heavy metals in surface water of the Three Gorges Reservoir, China[J]. Science of the Total Environment, 2020, 704. DOI:10.1016/j.scitotenv.2019.134883 |
| [36] | 程柳, 毛宇翔, 麻冰涓, 等. 小浪底水库沉积物中重金属污染及生态风险评价[J]. 环境化学, 2014, 33(8): 1412-1413. |
| [37] | Franco-Uría A, López-Mateo C, Roca E, et al. Source identification of heavy metals in pastureland by multivariate analysis in NW Spain[J]. Journal of Hazardous Materials, 2009, 165(1-3): 1008-1015. DOI:10.1016/j.jhazmat.2008.10.118 |
| [38] |
程柳, 毛宇翔, 王梅, 等. 小浪底水库水体中重金属含量的测定和健康风险评价[J]. 安全与环境学报, 2015, 15(1): 319-324. Cheng L, Mao Y X, Wang M, et al. Identification of the heavy metal contents in the water of Xiaolangdi Reservoir and its health risk assessment[J]. Journal of Safety and Environment, 2015, 15(1): 319-324. |
| [39] | Sun W Q, Xu X D, Lv Z Q, et al. Environmental impact assessment of wastewater discharge with multi-pollutants from iron and steel industry[J]. Journal of Environmental Management, 2019, 245: 210-215. |
| [40] | Cai L M, Wang Q S, Wen H H, et al. Heavy metals in agricultural soils from a typical township in Guangdong Province, China: occurrences and spatial distribution[J]. Ecotoxicology and Environmental Safety, 2019, 168: 184-191. DOI:10.1016/j.ecoenv.2018.10.092 |
| [41] | Wang F F, Guan Q Y, Tian J, et al. Contamination characteristics, source apportionment, and health risk assessment of heavy metals in agricultural soil in the Hexi Corridor[J]. CATENA, 2020, 191. DOI:10.1016/j.catena.2020.104573 |
| [42] | Miranda L S, Wijesiri B, Ayoko G A, et al. Water-sediment interactions and mobility of heavy metals in aquatic environments[J]. Water Research, 2021, 202. DOI:10.1016/j.watres.2021.117386 |
| [43] | Fu J, Zhao C P, Luo Y P, et al. Heavy metals in surface sediments of the Jialu River, China: their relations to environmental factors[J]. Journal of Hazardous Materials, 2014, 270: 102-109. DOI:10.1016/j.jhazmat.2014.01.044 |
| [44] | Liu J J, Diao Z H, Xu X R, et al. Effects of dissolved oxygen, salinity, nitrogen and phosphorus on the release of heavy metals from coastal sediments[J]. Science of the Total Environment, 2019, 666: 894-901. DOI:10.1016/j.scitotenv.2019.02.288 |
| [45] | Alshana U, Altun B, Ertaş N, et al. Evaluation of low-to-moderate arsenic exposure, metabolism and skin lesions in a Turkish rural population exposed through drinking water[J]. Chemosphere, 2022, 304. DOI:10.1016/j.chemosphere.2022.135277 |
| [46] | Ersbøll A K, Monrad M, Sørensen M, et al. Low-level exposure to arsenic in drinking water and incidence rate of stroke: a cohort study in Denmark[J]. Environment International, 2018, 120: 72-80. DOI:10.1016/j.envint.2018.07.040 |
| [47] | Wei W, Wu X L, Bai Y S, et al. Arsenic exposure and its joint effects with cigarette smoking and physical exercise on lung function impairment: evidence from an occupational cohort study[J]. Environmental Research, 2021, 196. DOI:10.1016/j.envres.2020.110419 |
| [48] | Rahaman S, Rahman M, Mise N, et al. Environmental arsenic exposure and its contribution to human diseases, toxicity mechanism and management[J]. Environmental Pollution, 2021, 289. DOI:10.1016/j.envpol.2021.117940 |
| [49] | Richter F, Kloster S, Wodschow K, et al. Maternal exposure to arsenic in drinking water and risk of congenital heart disease in the offspring[J]. Environment International, 2022, 160. DOI:10.1016/j.envint.2021.107051 |
| [50] | Saint-Jacques N, Brown P, Nauta L, et al. Estimating the risk of bladder and kidney cancer from exposure to low-levels of arsenic in drinking water, Nova Scotia, Canada[J]. Environment International, 2018, 110: 95-104. DOI:10.1016/j.envint.2017.10.014 |
| [51] |
秦宁, 刘运炜, 侯荣, 等. 基于概率方法的中国居民饮水途径砷暴露健康风险评估[J]. 环境科学, 2021, 42(7): 3338-3347. Qin N, Liu Y W, Hou R, et al. Probabilistic risk assessment of arsenic exposure through drinking water intake in Chinese residents[J]. Environmental Science, 2021, 42(7): 3338-3347. |
| [52] |
佟瑞鹏, 杨校毅. 基于蒙特卡罗模拟的土壤环境健康风险评价: 以PAHs为例[J]. 环境科学, 2017, 38(6): 2522-2529. Tong R P, Yang X Y. Environmental health risk assessment of contaminated soil based on Monte Carlo method: a case of PAHs[J]. Environmental Science, 2017, 38(6): 2522-2529. |
| [53] | Kaur L, Rishi M S, Siddiqui A U. Deterministic and probabilistic health risk assessment techniques to evaluate non-carcinogenic human health risk (NHHR) due to fluoride and nitrate in groundwater of Panipat, Haryana, India[J]. Environmental Pollution, 2020, 259. DOI:10.1016/j.envpol.2019.113711 |