2024, Vol. 45
2. 北京市农林科学院信息技术研究中心, 北京 100097
2. Research Center of Information Technology, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
土地是关系人类生存和发展的重要物质基础, 对保障国家粮食安全、生态环境安全以及可持续发展非常重要[1]. 近年来, 土壤重金属污染呈现出较强毒害性、形态多变性和持续累积性的特征, 受到广泛关注[2~4]. 大量的重金属元素富集, 不仅会改变土壤的理化性质, 还会通过食物链进入人体造成危害[5~7]. 因此, 了解土壤重金属的含量变化及其来源对于监测和改善土壤环境、保障农产品质量和落实绿色生态理念具有重要意义.
综合分析国内外土壤重金属影响因素识别的相关研究[8~11], 发现影响因素识别方法主要分为3类：多元统计方法、地统计学分析方法和地理探测器方法. 一是以因子分析法（factor analysis, FA）、主成分分析法（principal component analysis, PCA）和聚类分析法（cluster analysis, CA）等为主的多元统计方法, 主要依据土壤重金属元素分布特征的相似性来判定其来源[12, 13]. 如Bai等[14]通过Pearson相关性分析, 揭示重金属与所选沉积物性质之间的关系, 并利用FA进一步识别污染源；李雨潼[15]通过PCA、相关性分析及CA分析方法挖掘重金属离子间的相关性及其来源；Zhou等[16]以泰国孟河流域为研究区利用PCA方法识别重金属来源. 但这类方法只能定性推测潜在的污染来源, 不能定量解析污染来源的贡献, 并且探测分析时一般需要大量的样本数据. 二是基于地统计学的空间分析方法, 主要利用空间插值和热点分析等方法将影响因素结果空间化, 分析影响因素的空间变化规律, 并将其空间变异尺度作为判断各个重金属影响来源的依据[17~19]. 这类方法无法定量评估各个因素的具体影响程度, 且需要大量样本数据来提高结果的可靠性；也可以与多元统计方法结合使用, 例如陈丹青等[20]和瞿明凯等[21]利用主成分分析/绝对主成分分数受体模型[22, 23]定量解析研究区重金属来源, 并结合地统计学方法阐明污染来源贡献率的空间分布特征. 三是基于空间方差分析原理研发的地理探测器（geographical detector, GD）模型[24], 该方法不需要考虑线性关系, 能有效探测影响因子与重金属含量的空间关系并定量计算各因子贡献, 现已被应用于公共健康、土壤科学和社会经济等多个领域[25~28]. 但GD模型在进行空间分异性分析时容易忽略空间尺度效应与分区效应[29].
目前应用地理探测器模型进行土壤重金属污染影响因素识别时, 大多数研究在全国[30]、省域[31, 32]、市域[33]、县域[34]和镇域[5]尺度开展, 基于地块尺度的研究较少；此外, 基本上都以土壤重金属含量、健康风险和内梅罗污染指数等指标作为因变量来识别污染来源和影响因素, 对于土壤重金属含量变化的探测研究明显不足[35]. 因此, 本文以北京市昌平区农业试验田为研究区域, 基于地理探测器模型, 分别从单目标和多目标水平探测As、Cr、Cu、Ni、Pb和Zn这6种重金属含量变化的影响因素, 设置与相关性分析方法和已有研究的对比试验, 旨在更好地确定土壤重金属含量变化的影响因素, 以技术支撑土壤重金属污染监测与环境管理.
1 材料与方法 1.1 研究区概况研究区地点位于北京市昌平区农业试验田（40°10′30″~40°11′00″N, 116°26′30″~116°27′05″E）, 如图 1所示, 共占地1.52 km2, 该区域位于温榆河冲积平原和燕山的结合地带, 地势开阔且较为平坦, 为暖温带大陆性季风气候, 降雨集中分布在夏季和秋季, 年总降水量约为648 mm[36], 年平均日照时数为2 684 h[37]. 研究区内土壤肥沃, 类型为潮土, 主要土地利用类型可划分为水浇地和设施农用地. 根据环境条件和试验需要, 2011~2013年间, 设施农用地中主要种植西瓜、萝卜和西红柿等, 2020年后主要种植大葱、大豆、冬瓜和辣椒等；水浇地常年以玉米种植为主.
|
图 1 研究区及采样点分布示意 Fig. 1 Study area and distribution of sampling sites |
2012年6月1日采集19个土壤样品, 经过10 a的发展变化, 其中15个土壤采样点的土地利用类型保持一致, 4个采样点的土地利用类型已经发生变化. 因此, 2022年7月1日在15个土地利用类型未发生变化的采样点相同位置进行采集, 获得两期各15个土壤样品作为本研究的分析数据. 水浇地和设施农用地（宽度为15 m）的每个样点均从选定的10 m×10 m正方形4个顶点和中心点, 各取表层（0~20 cm）土壤约1 kg, 现场均匀混合后用四分法从中选取1 kg土壤作为代表该采样点的混合样品. 采样的同时用GPS定位样点坐标（经度和纬度）, 同时记录采样点的土地利用类型、土壤类型和周围环境特征信息. 在土壤采样、样品保存和样品处理过程中, 避免与金属器皿直接接触[38], 以防止样品污染. 土壤样品先在室内进行风干和磨碎, 过100目尼龙网筛, 化学分析参照国家土壤环境质量标准. 样品经过HCl、HNO3和HClO4消煮, Cr、Ni、Cu和Zn含量采用火焰原子吸收分光光度法测定, Pb含量采用石墨炉原子吸收分光光度法测定, As含量采用硼氰化钾-硝酸银分光光度法测定.
1.2.2 影响因素与数据处理综合分析地理探测器应用在土壤重金属领域的国内外相关文献资料, 按照变量属性将影响因素分为8类[9]：地形地貌、成土、土壤性质、社会、利用方式、距离、气候和其他. 由于本研究在地块尺度开展, 成土、土壤性质和气候在整个研究区域保持一致, 故相应类型指标不作考虑. 综合考虑农业试验田的现状特征和数据获取的限制, 本研究筛选出DEM、土地利用类型、距道路距离、施肥变化、土壤含水量和年沉降通量这6个指标作为影响因素.
自然因素包括DEM和土壤含水量, 人类活动因素包括土地利用类型、距道路距离、施肥变化和年沉降通量. DEM来源于SRTMDEM3数据, 并使用ArcGIS 10.6软件进行数据处理；土壤含水量采用铝盒取土烘干法测定；土地利用类型数据采用武汉大学发布的CLCD数据集[39], 空间叠置分析后获取土壤采样点的土地利用类型为水浇地和设施农用地（图 1）；道路数据来源于1∶100万全国地理信息基础数据；施肥变化数据来源于北京市土肥工作站和昌平区土肥站长期定位监测点的土壤调查监测数据[40]；As、Cr、Cu、Ni、Pb和Zn的年沉降通量数据来源于北京平原区采集的39个大气干湿沉降样品的反距离权重插值结果[41, 42].
因子分层能够有效保证识别土壤重金属含量变化的空间异质性, 同时满足地理探测器对自变量为类别型的要求. 因子分层原则上遵循每个分层都有采样点, 层内属性相似, 层间属性存在差异. 6个影响因素中, 类别型变量只有1个为土地利用类型, 分为水浇地和设施农用地；数值型变量使用分位数法分为2个等级, 每个等级对应1个分层, 如表 1所示.
|
表 1 影响因素类别划分 Table 1 Classification of influencing factors |
1.3 研究方法
技术路线如图 2所示, 主要分为数据处理、探测分析和结果对比3个部分. ①数据处理：获取2012~2022年6种土壤重金属的含量变化, 构建影响因素指标体系并进行分层处理. ②探测分析：采用地理探测器、耦合地理探测器与主成分分析和斯皮尔曼系数, 分别进行单目标水平探测、多目标水平探测和相关性分析, 其中单目标水平探测又分为因子探测和交互探测. ③结果对比：从方法差异、尺度和对象差异视角, 对比分析多目标水平探测与单目标水平探测、相关性分析结果和已有研究之间的差异.
|
图 2 技术路线 Fig. 2 Technical process |
地理探测器是探测空间分异性, 揭示其背后驱动力的统计学方法[24]. 该方法通过计算各自变量方差之和与因变量方差之和的比值来衡量自变量对因变量的贡献, 包含因子探测器、交互探测器、风险区探测器和生态探测器这4个模块.
因子探测器主要用于探测因变量的空间分异性以及不同的自变量对因变量影响程度的解释能力, 以q值为度量, 计算原理如下：
|
(1) |
式中, ，h = 1，···，L, 为自变量X的分类数；Nh和N分别为分类h和整个区域内单元的数量；σh2和σ2分别为分类h和区域内因变量Y的方差. q的值域为[0, 1], q值越大, 表明该自变量X对因变量Y的影响程度越大.
交互探测器用来识别不同因子之间的交互作用, 主要通过计算两个不同自变量交互的q值与因子探测的q值进行比较判断, 交互作用共分为非线性减弱、单因子减弱、相互独立、双因子增强和非线性增强, 判断依据如表 2所示.
|
|
表 2 交互探测 Table 2 Interaction detection |
主成分分析方法主要通过对协方差矩阵进行特征分析, 在最大程度保证数据信息的前提下, 通过数据降维把原来的多个指标转化为一个或几个综合指标, 即主成分[43].
本研究在单目标水平上, 直接使用地理探测器识别重金属As、Cr、Cu、Ni、Pb和Zn含量变化的自然或人类活动因素；在多目标水平上, 基于主成分分析方法对重金属As、Cr、Cu、Ni、Pb和Zn的变化进行表征, 选取特征值大于1的主成分, 并将选取的主成分应用于地理探测器中来识别相应的自然或人类活动因素. 地理探测器以q值的显著性（P值）作为判断识别的关键指标, 参考相关研究[44~46], 本研究定义当P < 0.1时q值显著, 说明该影响因子可以被识别, 对应的q值表示该因素对重金属含量变化的影响程度.
2 结果与分析 2.1 土壤重金属含量变化特征农业试验田2012~2022年土壤重金属含量变化统计特征如表 3所示, ω（As）、ω（Cr）、ω（Cu）、ω（Ni）、ω（Pb）和ω（Zn）变化的平均值分别为-2.809、-110.159、-12.415、-2.962、-4.019和-57.053 mg·kg-1, 表明10年间研究区域的土壤重金属含量整体呈下降趋势. As、Ni和Pb含量变化幅度较小, Cr含量在个别样点下降幅度较大, Cu和Zn含量同样有明显下降. 6种重金属含量变化的变异系数均较大, 说明整体离散程度高, 各土壤采样点的重金属含量变化差异明显.
|
|
表 3 土壤重金属含量变化特征 Table 3 Change features of soil heavy metal content |
2.2 土壤重金属含量变化的影响因素探测 2.2.1 基于地理探测器的单目标水平探测
基于地理探测器直接测定影响土壤重金属含量变化的自然和人类活动因素. 根据式（1）, 计算6种重金属含量变化影响因素的q值和相应P值, 如表 4所示. 结果表明Cr、Cu和Zn的含量变化主要来源于土地利用类型的影响, 同时土地利用类型对Cu含量变化的影响程度强于Cr和Zn；年沉降通量主要影响As的含量变化；未探测到Pb和Ni含量变化的主要影响因素.
|
|
表 4 单目标水平下重金属含量变化影响因素识别结果 Table 4 Identification of influencing factors of heavy metal content change at single⁃objective level |
综合来看, 人类活动因素影响了农业试验田内土壤重金属含量变化, 未探测到自然因素对重金属含量变化的影响, 可能是由于不同的土地利用类型会改变土壤的成分和结构, 施加不同的材料物质进而影响土壤重金属的迁移和转化, 这与宋成军等[47]研究的结论一致.
土壤是一个复杂的系统, 其成分和结构特征是系统整体作用的结果, 所以土壤重金属含量变化也不可能是由某一种单一因子决定的, 而是由多种因素共同作用[33]. 利用交互作用探测器分析各种因素对土壤重金属含量变化的交互影响程度, 有助于精准判断土壤重金属含量变化的影响因素. 图 3是不同影响因素对土壤重金属含量变化的交互作用结果, 任意两个因子的交互作用对6种土壤重金属含量变化影响程度相对于单个因子都有明显的增强, 多数为双因子增强, 部分为非线性增强, 不存在相互独立或减弱作用. ①As含量变化：土地利用类型和年沉降通量对其他因子交互作用较强, 尤其是DEM受其增强效应明显, 分别达到0.606和0.696；②Cr含量变化：土地利用类型与年沉降通量之间为双因子增强, 而土地利用类型与DEM的交互作用最强, 为0.958；③Cu含量变化：土地利用类型对其他因素均有较强的交互作用, 此外施肥变化在其他因素的作用下也表现出对Cu含量变化的影响；④Ni含量变化：大气沉降与其他影响因素之间呈现出明显的增强作用；⑤Pb含量变化：整体交互作用值依旧处于较低的水平；⑥Zn含量变化：DEM和土地利用类型的交互增强效果最大, 施肥变化与含水量、距道路距离也有较强的交互影响. 综上所述, 人类活动因素在交互探测中同样对其他因素有着显著的增强作用, 进而影响了土壤重金属含量变化.
|
1. DEM, 2. 土地利用类型, 3. 距道路距离, 4. 施肥变化, 5. 含水量, 6. As大气沉降, 7. Cr大气沉降, 8. Cu大气沉降, 9. Ni大气沉降, 10. Pb大气沉降, 11. Zn大气沉降 图 3 不同影响因素对土壤重金属含量变化的交互作用 Fig. 3 Interaction of different influencing factors on soil heavy metal content changes |
采用主成分分析对采样土壤中As、Cr、Cu、Ni、Pb和Zn这6种重金属含量变化进行分析, 结果见表 5. 前两个主成分特征值大于1, 分别为3.752和1.338, 累计占总体数据的84.827%, 能较好地代表土壤重金属含量变化. 根据成分矩阵显示Cu、Zn、Cr、Ni和As的含量变化在第一主成分突出, 而Pb含量变化在第二主成分突出.
|
|
表 5 重金属含量变化的PCA结果 Table 5 PCA results of heavy metal content changes |
通过地理探测器对两个主成分的自然因素和人类活动因素进行探测, 根据P < 0.1为显著的判定标准, 识别结果见表 6. 结果表明, As和Zn含量变化主要受到土地利用类型和年沉降通量的影响, Cu、Cr和Ni的含量变化主要受到土地利用类型的影响；而突出Pb含量变化的第二主成分未检测到相关影响因素.
|
|
表 6 多目标水平下重金属含量变化影响因素识别结果 Table 6 Identification results of influencing factors of heavy metal content change at multi-objective level |
3 讨论 3.1 不同方法探测结果的对比分析 3.1.1 多目标探测与单目标探测结果的对比分析
多目标水平探测结果与单目标水平探测结果对比分析如图 4所示, 两种探测方法都能识别出土地利用类型对Cr、Cu和Zn含量变化的影响, 以及年沉降通量对As含量变化的影响. 但多目标探测的结果不仅包含单目标探测结果, 而且能够额外识别出土地利用类型对As和Ni含量变化的影响, 以及年沉降通量对Zn含量变化的影响. 因此, 利用主成分分析法与地理探测器结合的多目标水平探测效果要优于直接利用地理探测器的单目标水平探测, 能识别出更多潜在影响因素.
|
图 4 多目标探测与单目标探测结果对比 Fig. 4 Comparisons between multi-target detection and single⁃target detection results |
基于斯皮尔曼相关系数进行土壤重金属含量变化和影响因素的相关性分析, 结果如图 5所示, As的含量变化与年沉降通量具有显著相关性（P < 0.01）, Cr与Cu的含量变化主要受到土地利用类型的影响, 分别在0.01和0.001水平上显著.
|
1. As含量变化, 2. Cr含量变化, 3. Cu含量变化, 4. Ni含量变化, 5. Pb含量变化, 6. Zn含量变化, 7. DEM, 8. 土地利用类型, 9. 距道路距离, 10. 施肥变化, 11. 含水量, 12. As大气沉降, 13. Cr大气沉降, 14. Cu大气沉降, 15. Ni大气沉降, 16. Pb大气沉降, 17. Zn大气沉降；*表示P < 0.05, **表示P < 0.01, ***表示P < 0.001 图 5 相关性分析结果 Fig. 5 Correlation analysis results |
多目标水平探测结果与相关性分析结果对比如图 6所示. 两种方法都能识别出土地利用类型对Cr和Cu含量变化的影响, 以及年沉降通量对As含量变化的影响, 多目标水平探测结果包含了相关性分析结果, 在As、Ni和Zn含量变化的探测中能识别出更多的影响因素, 进一步证明了多目标水平探测结果的可靠性.
|
图 6 多目标探测与相关性分析结果对比 Fig. 6 Comparisons between multi-target detection and correlation analysis results |
多目标水平探测结果与已有研究结果对比如表 7所示, 综合分析不同尺度的研究结果后发现[5, 30, 32, 33, 48]：随着尺度的不断减小, 自然因素对土壤重金属的影响作用不断减弱, 而人类活动因素的影响逐渐增强. 这与本研究地块尺度下人类活动因素主导了土壤重金属含量变化的结论一致.
|
|
表 7 多目标探测与已有研究结果对比 Table 7 Comparisons between multi-target detection and existing research results |
大尺度和中尺度的研究中, 自然因素和人类活动因素均会发生变化；而小尺度研究的自然因素通常情况下在整个研究区域保持一致, 例如地块尺度研究的土壤性质和气候因素等. 本文针对地块尺度下土壤重金属含量变化的影响因素分析发现：人类活动因素加剧了研究区域内土壤重金属含量的变化, 未探测到自然因素的影响, 与已有研究结果相互佐证[49].
3.3 不确定性分析本研究在数据源、数据处理和方法应用推广方面存在一定的不确定性. ①采样点数据的不确定性. 由于受历史年份（2012年）采样数据少的限制, 基于小样本数据的土壤重金属含量变化的影响因素识别可能存在一定的不确定性. ②空间插值结果的不确定性. 年沉降通量数据采用北京市监测点的监测结果进行反距离权重插值获取, 可能对该影响因素识别结果存在不确定性[50]. ③多目标水平探测方法的应用推广. 选择地块尺度研发了多目标水平探测方法, 在大中尺度的应用推广还需要进一步验证和完善.
4 结论（1）在单目标水平探测上, 土地利用类型是Cr、Cu和Zn含量变化的主要影响因素, 而年沉降通量影响As的含量变化；交互探测结果显示各个因子间均具有增强效应, 人类活动因素在交互作用中占主导.
（2）多目标水平探测结果包含单目标水平探测结果且能够识别出更多的影响因素, 土地利用类型影响Cu、Zn、Cr、Ni和As的含量变化, As和Zn含量变化受到年沉降通量影响；与相关性分析结果相比, 耦合地理探测器和主成分分析的多目标识别方法可以更加有效地识别出土壤重金属含量变化的影响因素.
（3）人类活动因素加剧了研究区域内土壤重金属含量的变化, 可为区域土壤环境质量监测和环境治理提供参考和借鉴. 但该研究在采样点数据、影响因素空间插值和多目标识别方法的应用推广方面还存在一定的不确定性.
| [1] |
付国珍, 摆万奇. 耕地质量评价研究进展及发展趋势[J]. 资源科学, 2015, 37(2): 226-236. Fu G Z, Bai W Q. Advances and prospects of evaluating cultivated land quality[J]. Resources Science, 2015, 37(2): 226-236. |
| [2] |
霍霄妮, 李红, 孙丹峰, 等. 北京耕地土壤重金属空间自回归模型及影响因素[J]. 农业工程学报, 2010, 26(5): 78-82. Huo X N, Li H, Sun D F, et al. Spatial autogression model for heavy metals in cultivated soils of Beijing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(5): 78-82. |
| [3] |
陈世宝, 王萌, 李杉杉, 等. 中国农田土壤重金属污染防治现状与问题思考[J]. 地学前缘, 2019, 26(6): 35-41. Chen S B, Wang M, Li S S, et al. Current status of and discussion on farmland heavy metal pollution prevention in China[J]. Earth Science Frontiers, 2019, 26(6): 35-41. |
| [4] |
于旦洋, 王颜红, 丁茯, 等. 近十年来我国土壤重金属污染源解析方法比较[J]. 土壤通报, 2021, 52(4): 1000-1008. Yu D Y, Wang Y H, Ding F, et al. Comparison of analysis methods of soil heavy metal pollution sources in China in last ten years[J]. Chinese Journal of Soil Science, 2021, 52(4): 1000-1008. |
| [5] |
龚仓, 王亮, 王顺祥, 等. 基于地理探测器的镇域尺度土壤重金属含量空间分异及其影响因素分析[J]. 环境科学, 2022, 43(10): 4566-4577. Gong C, Wang L, Wang S X, et al. Spatial differentiation and influencing factor analysis of soil heavy metal content at town level based on geographic detector[J]. Environmental Science, 2022, 43(10): 4566-4577. |
| [6] |
尚二萍, 许尔琪, 张红旗, 等. 中国粮食主产区耕地土壤重金属时空变化与污染源分析[J]. 环境科学, 2018, 39(10): 4670-4683. Shang E P, Xu E Q, Zhang H Q, et al. Spatial-temporal trends and pollution source analysis for heavy metal contamination of cultivated soils in five major grain producing regions of China[J]. Environmental Science, 2018, 39(10): 4670-4683. |
| [7] |
戴彬, 吕建树, 战金成, 等. 山东省典型工业城市土壤重金属来源、空间分布及潜在生态风险评价[J]. 环境科学, 2015, 36(2): 507-515. Dai B, Lü J S, Zhan J C, et al. Assessment of sources, spatial distribution and ecological risk of heavy metals in soils in a typical industry-based city of Shandong province, Eastern China[J]. Environmental Science, 2015, 36(2): 507-515. |
| [8] |
陈雅丽, 翁莉萍, 马杰, 等. 近十年中国土壤重金属污染源解析研究进展[J]. 农业环境科学学报, 2019, 38(10): 2219-2238. Chen Y L, Weng L P, Ma J, et al. Review on the last ten years of research on source identification of heavy metal pollution in soils[J]. Journal of Agro-Environment Science, 2019, 38(10): 2219-2238. DOI:10.11654/jaes.2018-1449 |
| [9] |
龚仓, 王顺祥, 陆海川, 等. 基于地理探测器的土壤重金属空间分异及其影响因素分析研究进展[J]. 环境科学, 2023, 44(5): 2799-2816. Gong C, Wang S X, Lu H C, et al. Research progress on spatial differentiation and influencing factors of soil heavy metals based on geographical detector[J]. Environmental Science, 2023, 44(5): 2799-2816. |
| [10] | Zhao K L, Fu W J, Ye Z Q, et al. Contamination and spatial variation of heavy metals in the soil-rice system in Nanxun county, southeastern China[J]. International Journal of Environmental Research and Public Health, 2015, 12(2): 1577-1594. DOI:10.3390/ijerph120201577 |
| [11] | Wang Y Z, Duan X J, Wang L. Spatial distribution and source analysis of heavy metals in soils influenced by industrial enterprise distribution: case study in Jiangsu province[J]. Science of the Total Environment, 2020, 710. DOI:10.1016/j.scitotenv.2019.134953 |
| [12] | Saraswat A, Ram S, Raza M B, et al. Potentially toxic metals contamination, health risk, and source apportionment in the agricultural soils around industrial areas, Firozabad, Uttar Pradesh, India: a multivariate statistical approach[J]. Environmental Monitoring and Assessment, 2023, 195(7). DOI:10.1007/s10661-023-11476-3 |
| [13] |
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. |
| [14] | Bai J H, Jia J, Zhang G L, et al. Spatial and temporal dynamics of heavy metal pollution and source identification in sediment cores from the short-term flooding riparian wetlands in a Chinese delta[J]. Environmental Pollution, 2016, 219: 379-388. DOI:10.1016/j.envpol.2016.05.016 |
| [15] |
李雨潼. 大冶市典型区土壤重金属来源及影响因素研究[D]. 北京: 中国地质大学(北京), 2020. Li Y T. Study on the sources and influencing factors of soil heavy metals in the typical area of Daye City[D]. Beijng: China University of Geosciences (Beijing), 2020. |
| [16] | Zhou W X, Han G L, Liu M, et al. Vertical distribution and controlling factors exploration of Sc, V, Co, Ni, Mo and Ba in six soil profiles of the Mun River basin, northeast Thailand[J]. International Journal of Environmental Research and Public Health, 2020, 17(5). DOI:10.3390/ijerph17051745 |
| [17] |
宋志廷, 赵玉杰, 周其文, 等. 基于地质统计及随机模拟技术的天津武清区土壤重金属源解析[J]. 环境科学, 2016, 37(7): 2756-2762. Song Z T, Zhao Y J, Zhou Q W, et al. Applications of geostatistical analyses and stochastic models to identify sources of soil heavy metals in Wuqing district, Tianjin, China[J]. Environmental Science, 2016, 37(7): 2756-2762. |
| [18] |
胡碧峰, 王佳昱, 傅婷婷, 等. 空间分析在土壤重金属污染研究中的应用[J]. 土壤通报, 2017, 48(4): 1014-1024. Hu B F, Wang J Y, Fu T T, et al. Application of spatial analysis on soil heavy metal contamination: a review[J]. Chinese Journal of Soil Science, 2017, 48(4): 1014-1024. |
| [19] |
王美华. PCA-APCS-MLR和地统计学的典型农田土壤重金属来源解析[J]. 环境科学, 2023, 44(6): 3509-3519. Wang M H. Source analysis of heavy metals in typical farmland soils based on PCA-APCS-MLR and geostatistics[J]. Environmental Science, 2023, 44(6): 3509-3519. |
| [20] |
陈丹青, 谢志宜, 张雅静, 等. 基于PCA/APCS和地统计学的广州市土壤重金属来源解析[J]. 生态环境学报, 2016, 25(6): 1014-1022. Chen D Q, Xie Z Y, Zhang Y J, et al. Source apportionment of soil heavy metals in Guangzhou based on the PCA/APCS model and geostatistics[J]. Ecology and Environmental Sciences, 2016, 25(6): 1014-1022. |
| [21] |
瞿明凯, 李卫东, 张传荣, 等. 基于受体模型和地统计学相结合的土壤镉污染源解析[J]. 中国环境科学, 2013, 33(5): 854-860. Qu M K, Li W D, Zhang C R, et al. Source apportionment of soil heavy metal Cd based on the combination of receptor model and geostatistics[J]. China Environmental Science, 2013, 33(5): 854-860. DOI:10.3969/j.issn.1000-6923.2013.05.014 |
| [22] | Yang Y, Christakos G, Guo M W, et al. Space-time quantitative source apportionment of soil heavy metal concentration increments[J]. Environmental Pollution, 2017, 223: 560-566. DOI:10.1016/j.envpol.2017.01.058 |
| [23] |
陈秀端, 卢新卫. 基于受体模型与地统计的城市居民区土壤重金属污染源解析[J]. 环境科学, 2017, 38(6): 2513-2521. Chen X D, Lu X W. Source apportionment of soil heavy metals in city residential areas based on the receptor model and geostatistics[J]. Environmental Science, 2017, 38(6): 2513-2521. |
| [24] |
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. Wang J F, Xu C D. Geodetector: principle and prospective[J]. Acta Geographica Sinica, 2017, 72(1): 116-134. |
| [25] |
肖武, 隋涛, 王鑫, 等. 巢湖流域典型农田土壤重金属污染评价与地理探测分析[J]. 农业机械学报, 2018, 49(7): 144-152. Xiao W, Sui T, Wang X, et al. Assessment and geographical detection of heavy metal pollution in typical farmland soil in Chaohu lake basin[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(7): 144-152. |
| [26] |
刘彦随, 李进涛. 中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报, 2017, 72(1): 161-173. Liu Y S, Li J T. Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China[J]. Acta Geographica Sinica, 2017, 72(1): 161-173. |
| [27] |
张军, 高煜, 王国兰, 等. 典型河谷城市土壤重金属含量空间分异及其影响因素[J]. 生态环境学报, 2021, 30(6): 1276-1285. Zhang J, Gao Y, Wang G L, et al. Spatial differentiation and influencing factors of heavy metal content in soils of typical river valley city[J]. Ecology and Environmental Sciences, 2021, 30(6): 1276-1285. |
| [28] |
周伟, 李丽丽, 周旭, 等. 基于地理探测器的土壤重金属影响因子分析及其污染风险评价[J]. 生态环境学报, 2021, 30(1): 173-180. Zhou W, Li L L, Zhou X, et al. Influence factor analysis of soil heavy metal based on geographic detector and its pollution risk assessment[J]. Ecology and Environmental Sciences, 2021, 30(1): 173-180. |
| [29] |
张宏泽, 崔文刚, 刘绥华, 等. 基于地理探测器和多源数据的耕地土壤重金属来源驱动因子及其交互作用识别[J]. 环境科学, 2023, 44(4): 2177-2191. Zhang H Z, Cui W G, Liu S H, et al. Identifying driving factors and their interacting effects on sources of heavy metal in farmland soils with geodetector and multi-source data[J]. Environmental Science, 2023, 44(4): 2177-2191. |
| [30] |
齐杏杏, 高秉博, 潘瑜春, 等. 基于地理探测器的土壤重金属污染影响因素分析[J]. 农业环境科学学报, 2019, 38(11): 2476-2486. Qi X X, Gao B B, Pan Y C, et al. Influence factor analysis of heavy metal pollution in large-scale soil based on the geographical detector[J]. Journal of Agro-Environment Science, 2019, 38(11): 2476-2486. |
| [31] |
姬超, 侯大伟, 赵晓杰, 等. 江苏省耕地土壤重金属健康风险强度空间集聚特征及影响因素[J]. 资源科学, 2023, 45(1): 174-189. Ji C, Hou D W, Zhao X J, et al. Spatial agglomeration characteristics and influencing factors of health risk intensity of heavy metals in cultivated soil in Jiangsu Province[J]. Resources Science, 2023, 45(1): 174-189. |
| [32] | Hao J X, Ren J, Fang H B, et al. Identification sources and high-risk areas of sediment heavy metals in the Yellow River by geographical detector method[J]. Water, 2021, 13(8). DOI:10.3390/w13081103 |
| [33] |
张军, 董洁, 梁青芳, 等. 宝鸡市区土壤重金属污染影响因子探测及其源解析[J]. 环境科学, 2019, 40(8): 3774-3784. Zhang J, Dong J, Liang Q F, et al. Heavy metal pollution characteristics and influencing factors in Baoji arban soils[J]. Environmental Science, 2019, 40(8): 3774-3784. |
| [34] |
刘霈珈. 县域重金属污染农用地土壤安全利用评价与调控[D]. 北京: 中国地质大学(北京), 2017. Liu P J. Safe utilization evaluation and regulation of agricultural land soil contaminated by heavy mental elements in a Chinese county[D]. Beijng: China University of Geosciences (Beijing), 2017. |
| [35] |
李海兴, 孙晓新, 满秀玲, 等. 恢复湿地土壤重金属含量变化及污染评价[J]. 北京林业大学学报, 2020, 42(3): 134-142. Li H X, Sun X X, Man X L, et al. Changes of soil heavy metal contents and pollution evaluation during the restoration of wetlands[J]. Journal of Beijing Forestry University, 2020, 42(3): 134-142. |
| [36] |
冯海宽, 陶惠林, 赵钰, 等. 利用无人机高光谱估算冬小麦叶绿素含量[J]. 光谱学与光谱分析, 2022, 42(11): 3575-3580. Feng H K, Tao H L, Zhao Y, et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral[J]. Spectroscopy and Spectral Analysis, 2022, 42(11): 3575-3580. |
| [37] |
陶惠林, 徐良骥, 冯海宽, 等. 基于无人机高光谱遥感数据的冬小麦产量估算[J]. 农业机械学报, 2020, 51(7): 146-155. Tao H L, Xu L J, Feng H K, et al. Winter wheat yield estimation based on UAV hyperspectral remote sensing data[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(7): 146-155. |
| [38] |
霍霄妮, 李红, 孙丹峰, 等. 北京市农业土壤重金属状态评价[J]. 农业环境科学学报, 2009, 28(1): 66-71. Huo X N, Li H, Sun D F, et al. Status assessment of heavy metals in Beijing agricultural soils[J]. Journal of Agro-Environment Science, 2009, 28(1): 66-71. |
| [39] | Yang J, Huang X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. |
| [40] |
文方芳, 张梦佳, 张卫东, 等. 北运河上游昌平区化肥面源污染年际间差异分析[J]. 环境科学学报, 2021, 41(1): 15-20. Wen F F, Zhang M J, Zhang W D, et al. Analysis of inter-annual variation in chemical fertilizer non-point source pollution in upper stream of Beiyunhe River, Changping District[J]. Acta Scientiae Circumstantiae, 2021, 41(1): 15-20. |
| [41] | Dong S W, Pan Y C, Guo H, et al. Identifying influencing factors of agricultural soil heavy metals using a geographical detector: a case study in Shunyi District, China[J]. Land, 2021, 10(10). DOI:10.3390/land10101010 |
| [42] |
丛源, 陈岳龙, 杨忠芳, 等. 北京平原区元素的大气干湿沉降通量[J]. 地质通报, 2008, 27(2): 257-264. Cong Y, Chen Y L, Yang Z F, et al. Dry and wet atmospheric deposition fluxes of elements in the Plain area of Beijing Municipality, China[J]. Geological Bulletin of China, 2008, 27(2): 257-264. |
| [43] |
王莺, 王静, 姚玉璧, 等. 基于主成分分析的中国南方干旱脆弱性评价[J]. 生态环境学报, 2014, 23(12): 1897-1904. Wang Y, Wang J, Yao Y B, et al. Evaluation of drought vulnerability in southern China based on principal component analysis[J]. Ecology and Environmental Sciences, 2014, 23(12): 1897-1904. |
| [44] | Fang Y, Jiang Y Y, Tsai C H K, et al. Spatial patterns of China's ski resorts and their influencing factors: a geographical detector study[J]. Sustainability, 2021, 13(8). DOI:10.3390/su13084232 |
| [45] |
鲍贵, 席雁. 统计显著性检验: 问题与思考[J]. 南京工程学院学报(社会科学版), 2010, 10(4): 27-32. Bao G, Xi Y. Statistical significance testing: problems and reflection[J]. Journal of Nanjing Institute of Technology (Social Science Edition), 2010, 10(4): 27-32. |
| [46] |
韩静, 芮旸, 杨坤, 等. 基于地理探测器和GWR模型的中国重点镇布局定量归因[J]. 地理科学进展, 2020, 39(10): 1687-1697. Han J, Rui Y, Yang K, et al. Quantitative attribution of national key town layout based on geodetector and the geographically weighted regression model[J]. Progress in Geography, 2020, 39(10): 1687-1697. |
| [47] |
宋成军, 张玉华, 刘东生, 等. 土地利用/覆被变化(LUCC)与土壤重金属积累的关系研究进展[J]. 生态毒理学报, 2009, 4(5): 617-624. Song C J, Zhang Y H, Liu D S, et al. Research review of the relationship between land use/cover change and heavy metal accumulation in soil[J]. Asian Journal of Ecotoxicology, 2009, 4(5): 617-624. |
| [48] |
李雨, 韩平, 任东, 等. 基于地理探测器的农田土壤重金属影响因子分析[J]. 中国农业科学, 2017, 50(21): 4138-4148. Li Y, Han P, Ren D, et al. Influence factor analysis of farmland soil heavy metal based on the geographical detector[J]. Scientia Agricultura Sinica, 2017, 50(21): 4138-4148. |
| [49] |
刘世梁, 崔保山, 温敏霞, 等. 路域土壤重金属含量空间变异的影响因子[J]. 环境科学学报, 2008, 28(2): 253-260. Liu S L, Cui B S, Wen M X, et al. Influence factors of spatial variability of soil heavy metal contents along road side[J]. Acta Scientiae Circumstantiae, 2008, 28(2): 253-260. |
| [50] |
谢云峰, 陈同斌, 雷梅, 等. 空间插值模型对土壤Cd污染评价结果的影响[J]. 环境科学学报, 2010, 30(4): 847-854. Xie Y F, Chen T B, Lei M, et al. Impact of spatial interpolation methods on the estimation of regional soil Cd[J]. Acta Scientiae Circumstantiae, 2010, 30(4): 847-854. |