2024, Vol. 45
2. 西北师范大学甘肃省绿洲资源环境与可持续发展重点实验室，兰州 730070;
3. 兰州大学草地农业科技学院，兰州 730020
2. Key Laboratory of Resource Environment and Sustainable Development of Oasis, Gansu Province, Northwest Normal University, Lanzhou 730070, China;
3. College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China
城市土壤是指城市范围内受人类活动影响的土壤, 是城市生态系统的核心组成部分[1]. 近40年来, 随着城市化进程的加快、人口数量的剧增和城市建设、交通运输、能源消费等人类活动的加剧, 导致城市土壤受到了不同程度的固体废弃物、有机污染物和重金属等污染物的影响. 其中重金属污染具有隐蔽性、累积性、滞后性和生物毒性等特点, 不仅会影响土壤环境质量安全, 而且会通过手-口摄入、皮肤接触、呼吸摄入和食物链等途径威胁城市居民健康[2]. 因此, 开展城市土壤重金属污染特定源风险评价和优先控制源研究, 可为保障城市土壤环境质量安全和促进生态宜居城市建设及满足居民日益增长的美好生活需求提供科技支撑, 具有重要的理论与现实意义.
污染源解析是土壤重金属污染防控和风险管控的重要前提. 长期以来, 包括相关性分析法（correlation analysis, CA）、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）等在内的多元统计分析方法被应用于土壤重金属污染源识别研究, 但这些方法仅能判别污染源类别, 无法精细量化污染源贡献[3, 4]. 常需要结合化学质量平衡法（chemical mass balance, CMB）、UNMIX模型、绝对因子得分-多元线性回归法（absolute principal component score-multiple linear regression, APCS-MLR）和正定矩阵因子分解法（positive matrix factorization, PMF）等可定量分析各污染源贡献率的源解析方法[5~7], 从而实现污染源的精准解析. 其中PMF模型因其操作简单、原理可靠、结果可信且无需源成分谱, 得到了美国环境保护署推荐[8], 是目前常用的源解析方法之一. 然而, PMF源解析结果并不能量化土壤重金属各污染源所诱发的生态风险, 进而无法确定优先控制污染源和优先控制污染物[9, 10]. 鉴于此, 学者们通过将PMF模型或APCS-MLR模型与生态风险评价模型相结合, 提出了重金属污染特定源生态风险评价方法[11, 12]. 该方法不仅可以量化不同污染源诱发的生态风险, 还可以识别优先控制污染源和污染元素, 可为重金属污染风险的精准管控提供关键信息, 已广泛应用于不同土地利用类型的土壤、河流沉积物和道路灰尘特定源风险评价研究[9, 11~13].
素有“中国旱极”之称的敦煌市位于河西走廊最西端, 是丝绸之路和“一带一路”的重要节点城市, 也是著名的国际热门旅游城市. 然而, 蓬勃发展的旅游业在促进敦煌市经济发展的同时也导致了水土流失严重、荒地沙漠化加剧和土壤环境质量退化等生态环境问题[14, 15]. 为此, 本文选取敦煌市主城区土壤为研究对象, 在测定分析土壤中重金属As、Cd、Cr、Cu、Hg、Ni、Pb和Zn含量特征的基础上, 利用地累积指数法和改进内梅罗污染指数法量化土壤重金属的污染特征；应用聚类分析和PMF模型定量解析重金属的污染源及其相对贡献, 并结合综合生态风险评价模型来量化不同污染源对生态风险的贡献率, 以确定优先控制污染源和污染元素, 以期为敦煌市主城区土壤重金属污染风险防控和生态环境安全维护及旅游业的高质量发展提供科技支撑和决策依据.
1 材料与方法 1.1 研究区概况敦煌市（92°13′~95°30′E, 39°40′~41°40′N）是国际文化历史名城、丝绸之路的节点城市、华夏文明传承核心区, 位于西北干旱半干旱区河西走廊的最西端, 地处甘肃、青海、新疆三省（区）的交汇处, 全市总面积3.12万km2. 截至2022年末, 敦煌市常住人口约18万人. 气候上属于典型的大陆性季风气候, 年平均气温约为9.4℃, 年平均降水量约39.9 mm, 四季多风, 主导风向为西北风[16]. 敦煌市因其特殊的水文气候、地形地貌及成土母质和植被, 形成了以潮土、灌淤土、棕漠土、草甸土、风沙土、沼泽土和盐土为主要类型的土壤[17]. 敦煌产业经济虽然以农业为主, 但旅游业和矿业亦占据重要地位. 近年来, 敦煌市依托优越的风光资源, 聚力打造光电产业园区, 大力发展新能源产业, 打造多能互补新能源综合基地.
1.2 样品采集与分析2022年7月连续一周以上无风、晴朗天气之后, 采用带状布点法和网格布点法相结合的方法进行样品的采集（图 1）. 采样时, 尽量避开明显污染点和人工堆积土, 并尽量远离城市街道. 在每个采样点约50 m×50 m范围内, 利用竹铲挖取5个0~20 cm的表层土壤样品, 并使用四分法混合为1个总质量不少于2 kg的代表性样品. 使用手持GPS定位仪精确定位采样点坐标信息, 并记录采样日期、采样点周边环境等信息. 共计采集土壤样品85个（图 1）.
|
图 1 敦煌市位置及主城区土壤采样点分布示意 Fig. 1 Location of Dunhuang City and distribution of soil sampling sites in the urban area |
土壤样品在实验室经自然风干后, 除去树叶、根系和砂砾等杂物, 并使用木棍压碎, 过孔径为0.149 mm（100目）的尼龙筛, 用于土壤样品重金属总量的测定. 采用电感耦合等离子体质谱法（ICP-MS, Thermo X Series 2, 美国）测定经氢氟酸-硝酸-高氯酸微波消解后样品中的Cd、Cr、Cu、Ni、Pb和Zn含量；采用原子荧光光谱法（AFS, XGY-1011A, 中国）测定经王水沸水浴消解后的土壤样品中As和Hg的含量. 其中As、Cd、Cr、Cu、Hg、Ni、Pb和Zn含量的方法检出限分别为0.2、0.02、0.4、0.2、0.005、1.0、2.0和2.0 mg·kg-1. 为确保测试数据的准确度和精密度, 实验过程中选取10%的随机重复样、空白样和国家标准土壤样品（GBW 07449）进行分析质量控制, 所测元素的加标回收率在90%~102%之内, 分析误差在±5%以内.
1.3 重金属污染评价方法 1.3.1 地累积指数法地累积指数法（geo-accumulation index, Igeo）是德国科学家Müller于1979年提出的一种量化沉积物中单一重金属污染程度的方法[18]. 该方法综合考虑了自然地质情况引起的背景值差异和人类活动对土壤环境的影响, 已被广泛应用于土壤重金属污染水平的评价[19]. 其计算公式如下：
|
(1) |
式中, Igeo为地累积指数, Cn为样品中元素n的测定值（mg·kg-1）, Bn为甘肃省土壤元素n的背景值（mg·kg-1）[20]. 基于Igeo的重金属污染等级分级标准如表 1所示.
|
表 1 土壤重金属污染评价方法的分级标准1） Table 1 Classification standard of soil heavy metal pollution evaluation method |
1.3.2 改进内梅罗污染指数法
由于传统的内梅罗污染指数法仅考虑了单因子污染指数的平均值和最大值, 而忽略了重金属污染物的毒性、种类和数量等因素对评价结果的影响, 从而凸显高含量重金属污染物对评价结果的影响, 导致评价结果失真[21]. 为此, 本研究采用基于Igeo改进内梅罗污染指数法 （improved Nemerow index, INI）[22], 其表达式如下：
|
(2) |
式中, INI为改进内梅罗污染指数, Igeomax和Igeoave分别为Igeo的最大值和平均值（mg·kg-1）. 基于INI的重金属污染等级分级标准如表 1所示.
1.4 土壤重金属污染源解析方法 1.4.1 聚类分析聚类分析法是对多个研究指标进行分类的一种多元统计方法, 用于判别不同数据源之间的相似性. 在土壤重金属污染来源分析上, 聚类分析结果图中的距离远近表示重金属元素之间的相关性, 距离越近, 相似性越高, 相关性越强[23].
1.4.2 PMF模型PMF模型是一种基于最小二乘法分解矩阵非负约束, 并以数据标准偏差来进行优化的因子分析方法[24]. 该模型首先将受体原始数据矩阵（X）分解为因子得分矩阵（G）、因子载荷矩阵（F）和残差矩阵（E）, 具体如下式：
|
(3) |
式中, Xij为第i个样品中第j个重金属元素的含量（mg·kg-1）；Gik为i个样品在源k中的含量（mg·kg-1）；Fkj为第k个源中第j个重金属元素的含量（mg·kg-1）；Eij和p分别为残差矩阵和因子个数.
通过Multilinear Engine模型迭代运算, 并不断分解Xij, 以得到最优的Gik和Fkj, 使目标函数Q最小化时, 即为最优解[25]. 具体计算过程如下：
|
(4) |
式中, Uij为第i个样品中第j个元素的不确定度, MDL为方法检出限. 当土壤重金属含量小于或等于MDL时, Uij可由公式（5）计算得出：
|
(5) |
当土壤重金属含量高于MDL时, 则由公式（6）计算得出：
|
(6) |
式中, c为重金属元素含量实测值（mg·kg-1）；δ为不确定度百分数.
1.5 重金属特定源-生态风险评价模型重金属特定源-生态风险评价模型是在PMF模型识别的重金属污染源及其贡献率基础上, 结合综合生态风险评价指数法（Nemerow integrated risk index, NIRI）来定量解析各污染源对生态风险的贡献率, 可精确评估重金属污染源对生态环境造成的风险[26]. 具体计算公式如下：
|
(7) |
式中, NIRIijk为样品i中污染源k对多种元素的生态风险, ERijmaxk和ERijavek分别为同一样品中所有元素生态风险值的最大值和平均值. ERijk的计算公式如下所示：
|
(8) |
式中, ERijk为样品i中污染源k对元素j的生态风险；Bi为甘肃省土壤元素背景值；Tri为重金属的毒性响应系数（无量纲）, 本研究中As、Cd、Cr、Cu、Hg、Ni、Pb和Zn的Tri分别为10、30、2、5、40、5、5和1[27]. Cijk为样品i中污染源k对元素j的质量贡献（mg·kg-1）, 其计算公式为：
|
(9) |
式中, Cijk*为样品i中污染源k对元素j的贡献值（mg·kg-1）, Ci为样品i中重金属的实测值（mg·kg-1）. 基于ERijk和NIRIijk值的生态风险等级划分标准如表 1所示[28].
1.6 数据处理与图件制作方法采用Microsoft Excel 2020进行重金属原始数据的描述性统计与分析, 并在SPSS 26.0软件中进行聚类分析. 溯源解析利用EPA PMF 5.0软件完成, 运用Origin 2021和ArcGIS 10.7软件分别进行相关图件的绘制.
2 结果与讨论 2.1 敦煌市主城区土壤重金属描述性统计敦煌市主城区土壤重金属含量测定结果如表 2所示, 从中可知, 土壤重金属含量平均值由高到低依次为：Zn > Cr > Ni > Cu > Pb > As > Cd > Hg. 其中除As和Ni的均值低于甘肃省土壤背景值之外, Cd、Cr、Cu、Hg、Pb和Zn含量均值分别是甘肃省土壤背景值的1.50、1.01、1.27、3.00、1.31和1.16倍. 各元素超过甘肃省土壤背景值的比率由高到低分别为：Cd（98.82%） > Pb（94.12%） > Hg（90.59%） > Cu（89.41%） > Zn（62.35%） > Cr（52.94%） > Ni（18.82%） > As（10.59%）. 这表明研究区城市土壤存在一定的Cd、Cr、Cu、Hg、Pb和Zn元素的富集. 此外, 8项重金属元素含量的中位值均低于其平均值（表 2）, 说明研究区土壤8项重金属含量均存在异常高值区, 可能存在点源污染. 然而, 研究区土壤重金属含量的均值均低于中国城市土壤背景值[29]和《土壤环境质量建设用地土壤污染风险管控标准（试行）》（GB 36600-2018）[30]中第一类和第二类建设用地（居住用地、医疗卫生用地、道路用地、物流用地和商业用地）的风险筛选值, 说明敦煌市主城区大部分区域土壤质量健康安全, 为安全无污染风险等级.
|
|
表 2 敦煌市主城区土壤重金属元素含量描述性统计 Table 2 Descriptive statistics of soil heavy metal content in the urban areas of Dunhuang City |
土壤重金属变异系数（coefficient of variance, CV）是反映区域土壤重金属含量空间分布均匀性和变异程度的统计量, 变异系数越大, 说明受人类活动的影响或干扰越大[31]. 以CV值的大小为标准, 可将重金属变异性分为低度变异（0~20%）、中度变异（20%~50%）和高度变异（> 50%）[31]. 研究区土壤重金属CV值由大到小依次是：Hg > Cu > Cd > Pb > Zn > Ni > As > Cr（表 2）. 其中Cu和Hg为高度变异（CV > 50%）, Ni、Zn和Cd属于中度变异（20% ≤ CV ≤ 50%）, As、Cr和Pb为低度变异（CV < 20%）, 说明As、Cr和Pb在研究区的不同区域的空间含量差异不大, 而其余5项元素含量在空间分布上具有一定的差异性, 特别是Cu和Hg, 可能受人类活动影响较大.
2.2 敦煌市主城区土壤重金属污染评价 2.2.1 地累积指数法评价敦煌市主城区土壤重金属地累积指数（Igeo）评价结果显示, 其Igeo的平均值由高到低依次为：Hg（0.53） > Cd（-0.05） > Pb（-0.25） > Cu（-0.34） > Zn（-0.42） > Cr（-0.57） > Ni（-0.67） > As（-0.77）（图 2）. 其中Zn、Ni、Cu、Pb、Cd、Cr和As为无污染（Igeo < 0）, Hg为轻度污染（0 ≤ Igeo < 1）, 表明Hg是敦煌市主城区土壤的主要污染元素. 具体而言, Hg元素分别在1.18%、4.71%、22.35%和38.82%的样点中处于重度、偏重度、中度和轻度和污染状态, 仅有32.94%的样点为无污染（图 2）；Cd除了在64.71%的样点为清洁无污染之外, 还分别有3.53%和31.76%的样点中处于中度和轻度污染状态；Pb的污染相对较轻, 但仍分别有2.35%和11.76%的样点处于中度和轻度污染状态（图 2）. Cu、Ni和Zn以无污染为主要特征, 占比分别为95.29%、98.82%和94.12%；As和Cr在所有样点均处于无污染状态（图 2）.
|
图 2 敦煌市主城区土壤重金属地累积指数评价结果 Fig. 2 Results of the geo-accumulation index of soil heavy metal in the main areas of Dunhuang City |
总体而言, Hg是敦煌市主城区土壤污染的首要元素, Cd和Pb也有一定的污染, 部分样点的污染水平达到了中度污染. 说明Hg、Cd和Pb除了受地质背景影响之外, 也受到了人类活动影响. 而Cu、Ni和Zn除了个别样点出现污染之外, 其余样点无污染, As和Cr全域范围内无污染.
2.2.2 改进内梅罗污染指数法评价敦煌市主城区土壤重金属改进内梅罗指数（INI）值介于0.27~2.50之间, 平均值为0.32, 总体上为轻度污染（图 3）. 其中分别有35.29%、14.12%和3.53%的样点处于轻度、偏中度和中度污染状态, 而47.06%的样点为清洁无污染. 从空间分布上看, 偏中度和中度污染的样点分布在建设有大量汽车维修维护保养店和建材厂的西部地区, 而无污染和轻度污染样点则位于人类活动较少的东部、北部和南部地区（图 1和图 3）. 表明土壤污染严重程度与城区人类活动的类型和强弱有密切的关系.
|
图 3 敦煌市主城区土壤重金属改进内梅罗综合污染指数评价结果 Fig. 3 Results of improved Nemerow comprehensive pollution index of soil heavy metal in the main areas of Dunhuang City |
为探究研究区土壤各重金属元素之间的关联性, 对重金属原始数据进行聚类分析（图 4）. 结果显示, As、Cr、Cu和Ni之间存在着较为明显的相关性, 特别是As-Cr和Cu-Ni之间的关联度较为显著（图 4）, 表明As-Cr和Cu-Ni分别源自于同一污染源, 而以上4种元素可能具有相同的污染源. Zn-Cd-Pb之间也存在着较为显著的关联性, 尤其是Zn-Pb之间的关联度最为显著（图 4）, 说明三者可能具有相同的污染源. 此外, Hg元素与As、Cr、Cu和Ni的关联度相对较弱, 但与Zn、Cd和Pb有一定的关联度（图 4）, 说明Hg与Zn、Cd和Pb具有相同的污染来源.
|
图 4 敦煌市主城区土壤重金属的聚类分析 Fig. 4 Cluster analysis of soil heavy metals in the main areas of Dunhuang City |
为进一步明确研究区土壤重金属污染源及其贡献率, 采用PMF模型对研究区土壤重金属进行定量源解析. 将原始数据和相关不确定度数据导入PMF 5.0软件后, 分析的8种重金属元素信噪比均大于1, 被归类为“Strong”. 设置3~6个因子数, 在Robust模式下分别进行20次迭代运算, 当因子数为5时, Qrob/Qexp最小, 且绝大部分残差值均集中于-3 ~ 3之间. 拟合结果显示, 除Cd的R2（0.78）较低外, 其余元素的拟合度R2均在0.90以上, 说明PMF模型的源解析结果整体较好. PMF模型解析的污染源图谱见图 5（a）, 5个因子的相对贡献率分别为29.28%、25.86%、20.13%、16.5%和8.23%[图 5（b）].
|
（a）源解析；（b）因子贡献率 图 5 基于MF模型的敦煌主城区土壤重金属溯源解析 Fig. 5 Source apportionment for soil heavy metals in the main areas of Dunhuang City based on PMF model |
因子1具有高负荷的As（68.11%）、Cd（29.84%）、Cr（32.16%）、Ni（28.89%）、Pb（45.72%）和Zn（28.19%）[图 5（a）]. 由前述分析可知, As、Pb和Cr为低度变异且As和Ni含量的平均值低于甘肃省土壤背景值, 表明这些元素受自然源的影响[32]. 污染评价结果也显示所有样点的As和Ni均为无污染, Cd、Pb、Ni和Zn在65%以上的样点中也为无污染（图 2）. 前人相关研究表明, 土壤中As、Cr和Ni源自于岩石风化成土的过程[33, 34]. 此外, 近期有研究发现敦煌城区沙尘样品中As、Cr、Cd、Pb、Ni和Zn等重金属主要来源于成土母质[35], 聚类分析也显示As-Cr-Ni和Cd-Pb-Zn可能具有相同的污染源. 因此, 可将因子1归为自然源.
因子2主要由Cu（69.81%）和Ni（30.97%）贡献[图 5（a）]. 其中有89.41%的研究样点中Cu的含量高于甘肃省土壤背景值, 且Cu属于高度变异, Ni为中等变异, 说明二者的含量受到了人类活动的干扰. 聚类分析也显示Cu和Ni具有相同的污染源. 相关研究表明, 城市土壤中Cu和Ni主要来自电镀行业、汽车零部件磨损、合金材料制品、五金电器和建材装潢原料等生产加工过程[36, 37]. 研究区内分布有大量的五金电器商铺、建材装潢批发部、钢材厂和汽车维修保养等服务产业, 这些商铺和作坊在装卸货物、养护清洗、钣金烤漆和保养维修过程中产生的重金属微粒和可能散落的重金属原料, 经自然沉降和雨淋沉降进入周边土壤, 引起土壤中Cu和Ni的蓄积. 为此, 因子2可能为工业源.
因子3主要负载在Cd（37%）、Pb（29.58%）和Zn（30.53%）[图 5（a）]. 由前述分析可知, 研究区土壤Cd、Pb和Zn均存在一定的富集, 且局部地区受人类活动的干扰显著. 聚类分析也显示, Zn-Cd-Pb有着相同的污染源. 有研究表明, Cd、Pb和Zn是典型的交通活动标志元素, 车辆燃油的损耗、车辆引擎和轮胎的磨损、汽车尾气的排放和镀锌部件的腐蚀等过程均会引起土壤Cd、Pb和Zn的累积[38, 39]. 作为国际著名旅游城市的敦煌市, 城区公交、客运和旅游交通较为发达且运行繁忙, 车流量大, 来往的车辆运输活动势必会引起城市土壤Cd、Pb和Zn含量的增加. 因此, 因子3为交通源.
因子4对Hg的贡献率最高, 为94.44%[图 5（a）]. Hg元素为高度变异且是研究区土壤的首要污染元素, 受人类活动的影响较大. 相关研究表明, 煤炭燃烧、油品消费、金属冶炼加工和机械制造等工业活动排放可通过大气干湿沉降和空气粉尘吸附作用导致土壤Hg的富集[40, 41]. 研究区常年盛行西北风, 现场调查发现, 研究区的西北部地区建设有石业建材、电子工业和水泥制造等工业园区. 园区工业企业长期生产过程中排放的废气, 在西北风的作用下, 最终蓄积于周边城市土壤中. 因此, 因子4可解释为工业降尘源.
因子5对Cr的贡献率最高, 为31.64%[图 5（a）]. 由因子1可知, 部分样点的Cr受自然源的影响, 但仍有52.94%样点的Cr含量高于甘肃省土壤背景值, 表明受到了人类活动的影响. 相关研究发现, 土壤中的Cr除了受成土母质和地球化学作用影响之外, 还与金属零件和镀铬配件磨损、钢铁生产和冶金制造等工业生产活动有关[42]. 研究区内分布有钢铁厂、五金市场、物流基地和汽车及零部件产业, 这些产业和企业运行和生产过程中产生Cr金属微粒, 特别是水泥生产的各个环节中均会不同程度地释放出Cr元素[43], 会造成周边土壤Cr的富集. 因此, 因子5可解释为多种类型工业活动影响下的综合源.
综上可知, 自然源对敦煌市主城区土壤重金属贡献率最高, 为29.28%；其次为25.86%的工业降尘源、20.13%的工业源和16.5%的交通源；综合源的贡献率最少, 为8.23%. 其中As的主要来源为自然源, 贡献率为68.11%；Cu和Ni的主要来源为工业源, 贡献率分别为69.81%和30.67%；Cd和Zn的主要来源为交通源, 贡献率分别为37%和30.53%；Hg的主要来源为工业降尘源, 贡献率为94.44%；Cr主要受综合源的影响, 贡献率为31.64%；Pb受自然和交通源的共同影响, 贡献率分别为45.72%和29.58%.
2.4 敦煌市土壤重金属特定源-综合生态风险评价研究区城市土壤重金属单项生态风险指数（Eri）和综合生态风险指数（NIRI）量化结果显示, Eri的平均值由高到低依次为：Hg（110.82） > Cd（46.16） > As（8.88） > Pb（6.56） > Cu（6.36） > Ni（4.80） > Cr（2.02） > Zn（1.16）. 除Cd和Hg分别呈现为中等和较强生态风险等级之外, 其余重金属均呈现出轻微生态风险等级[图 6（a）], 说明Cd和Hg是造成研究区生态风险的首要污染元素. 这与中国土壤重金属污染风险评价结果相一致, Cd和Hg是对土壤造成生态风险的主要元素[44]. 此外, 敦煌市主城区土壤重金属NIRI的值介于24.71~495.6之间[图 6（b）], 表明存在轻微至极强的生态风险, 平均值为80.67, 属于较强生态风险.
|
图 6 敦煌市主城区土壤重金属生态风险评价结果 Fig. 6 Ecological risk assessment of heavy metals from the main urban areas of Dunhuang City |
基于PMF特定源-综合生态风险评价模型量化结果可知, 研究区土壤重金属的5种污染源对综合生态风险的贡献率从高到低依次为：工业降尘源（28.42%） > 交通源（24.45%） > 自然源（16.78%） > 工业源（15.42%） > 综合源（14.93%）（图 7）. 由此可见, 工业降尘源对研究区的综合生态风险的贡献率最高, 这与PMF源解析的结果具有一定的差异性. PMF源解析结果显示, 具有高载荷Hg元素的工业降尘源是对重金属贡献较高的第二污染来源, 却是对综合生态风险贡献最高的污染源. 这既与Hg是研究区土壤首要的生态危害元素有关, 也与Hg元素较高的毒性有关. 此结果与文献[13]的研究结果相似, 也进一步证实了对重金属具有高贡献率的污染源并不一定具有高的生态风险[9].
|
图 7 敦煌市主城区土壤重金属不同污染源对综合生态风险的贡献率 Fig. 7 Contribution rates of different soil heavy metal pollution sources to comprehensive ecological risk in main areas of Dunhuang City |
由上可知, 工业降尘源是对研究区综合生态风险贡献最高的污染源. 为此, 工业降尘为优先控制污染源, Hg为生态风险优先控制污染元素.
3 结论（1）敦煌市主城区土壤重金属含量的平均值由高到低依次为：Zn > Cr > Ni > Cu > Pb > As > Cd > Hg. 除As和Ni外, 其余各重金属元素含量的均值都高于甘肃省土壤背景值. 土壤Cu和Hg含量的空间差异性大.
（2）敦煌市主城区土壤的主要污染元素为Hg, 其中Cd、Cu、Ni、Pb和Zn均存在不同程度的污染, As和Cr为清洁无污染. 土壤整体上为轻度污染, 与研究区的人类活动类型和强弱有关.
（3）PMF模型识别出5个污染源, As受自然源影响, 贡献率为68.11%；Cu和Ni主要受工业源影响, 贡献率分别为69.81%和30.67%；Cd和Zn主要受交通源影响, 贡献率分别为37%和30.53%；Hg受工业降尘源影响, 贡献率为94.44%；Cr主要受综合源影响, 贡献率为31.64%, Pb受自然源和交通源的共同影响, 贡献率分别为45.72%和29.58%. 特定源-综合生态风险指数表明, 工业降尘源对研究区生态风险贡献最大, 为优先控制污染源, Hg为生态风险优先控制污染元素.
| [1] | 张甘霖, 杨金玲. 城市土壤演变及其生态环境效应[M]. 上海: 上海科学技术出版社, 2023. |
| [2] | Shi J D, Zhao D, Ren F T, et al. Spatiotemporal variation of soil heavy metals in China: the pollution status and risk assessment[J]. Science of the Total Environment, 2023, 871. DOI:10.1016/j.scitotenv.2023.161768 |
| [3] |
李军, 李开明, 位静, 等. 兰州BRT沿线站台灰尘及其两侧绿化带土壤重金属污染及健康风险评价[J]. 地球与环境, 2022, 50(2): 228-240. Li J, Li K M, Wei J, et al. Contaminations and health risks of heavy metals from the roadside greenbelt soils and dust along the BRT platform in Lanzhou[J]. Earth and Environment, 2022, 50(2): 228-240. |
| [4] |
汤金来, 赵宽, 胡睿鑫, 等. 滁州市表层土壤重金属含量特征、源解析及污染评价[J]. 环境科学, 2023, 44(6): 3562-3572. Tang J L, Zhao K, Hu X R, et al. Heavy metal concentration, source, and pollution assessment in topsoil of Chuzhou city[J]. Environmental Science, 2023, 44(6): 3562-3572. |
| [5] |
周蓓蓓, 郭江, 陈晓鹏, 等. 基于UNMIX模型的安徽大矾山废弃矿区土壤重金属源解析[J]. 农业工程学报, 2021, 37(24): 240-248. Zhou B B, Guo J, Chen X P, et al. Source apportionment of soil heavy metals in abandoned mining areas in Dafan mountain of Anhui Province based on the UNMIX model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(24): 240-248. |
| [6] |
李军, 李旭, 李开明, 等. 黄河兰州段城市河道表层沉积物重金属空间分布特征及来源解析[J]. 环境科学, 2023, 44(5): 2562-2573. Li J, Li X, Li K M, et al. Spatial distribution characteristics and source analysis of heavy metals in urban river surface sediments from the Lanzhou reach of the Yellow River[J]. Environmental Science, 2023, 44(5): 2562-2573. |
| [7] |
张传华, 王钟书, 刘力, 等. 基于APCS-MLR受体模型和地统计法的矿区周边农用地土壤重金属来源解析[J]. 环境科学, 2023, 44(6): 3500-3508. Zhang C H, Wang Z S, Liu L, et al. Source analysis of soil heavy metals in agricultural land around the mining area based on APCS-MLR receptor model and geostatistical method[J]. Environmental Science, 2023, 44(6): 3500-3508. |
| [8] | Lei M, Li K, Guo G H, et al. Source-specific health risks apportionment of soil potential toxicity elements combining multiple receptor models with Monte Carlo simulation[J]. Science of the Total Environment, 2022, 817. DOI:10.1016/j.scitotenv.2021.152899 |
| [9] | Guo G H, Wang Y T, Zhang D G, et al. Source-specific ecological and health risks of potentially toxic elements in agricultural soils in Southern Yunnan Province and associated uncertainty analysis[J]. Journal of Hazardous Materials, 2021, 417. DOI:10.1016/j.jhazmat.2021.126144 |
| [10] | Liu Q Y, Zhao W H, Ma J, et al. Spatial clustering and source-specific risk of combined pollutants in soils from an industrial area in Shanxi Province, China[J]. Environmental Pollution, 2022, 299. DOI:10.1016/j.envpol.2022.118925 |
| [11] | Men C, Liu R M, Xu L B, et al. Source-specific ecological risk analysis and critical source identification of heavy metals in road dust in Beijing, China[J]. Journal of Hazardous Materials, 2020, 388. DOI:10.1016/j.jhazmat.2019.121763 |
| [12] | Yan Y, Wan R A, Yu R L, et al. A comprehensive analysis on source-specific ecological risk of metal(loid)s in surface sediments of mangrove wetlands in Jiulong river estuary, China[J]. CATENA, 2022, 209. DOI:10.1016/j.catena.2021.105817 |
| [13] |
李军, 李旭, 李开明, 等. 基于特定源-风险评估模型的兰州黄河风情线绿地土壤重金属污染优先控制源分析[J]. 环境科学, 2024, 45(4): 2428-2439. Li J, Li X, Li K M, et al. Identification priority source of heavy metals pollution in greenspace soils based on source-specific ecological and human health risk analysis in the Yellow River custom tourist line of Lanzhou[J]. Environmental Science, 2024, 45(4): 2428-2439. |
| [14] | Feng H H, Chen X P, Heck P, et al. An entropy-perspective study on the sustainable development potential of tourism destination ecosystem in Dunhuang, China[J]. Sustainability, 2014, 6(12): 8980-9006. DOI:10.3390/su6128980 |
| [15] | Liu Q, Yang Y C, Meng Q M, et al. The multiple cooperative mechanism and globalization path of small inland cities in China: A showcase study of Dunhuang, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(18). DOI:10.3390/ijerph191811241 |
| [16] | Qin H J, Jiao L, Li F, et al. Ecological adaptation strategies of the clonal plant Phragmites australis at the Dunhuang Yangguan wetland in the arid zone of northwest China[J]. Ecological Indicators, 2022, 141. DOI:10.1016/j.ecolind.2022.109109 |
| [17] | 龚维存, 杨成显. 敦煌市土壤肥力变化及培肥建议[J]. 农业科技与信息, 2008(15): 44-45. |
| [18] | Müller G. Schwermetalle in den Sedimenten des Rheins-Veränderungen seit 1971[J]. Umschau in Wissenschaft und Technik, 1979, 79(24): 778-783. |
| [19] |
李军, 李旭, 高世刚, 等. 基于APCS-MLR和PMF模型的燃煤电厂周边土壤潜在有毒元素(PTEs)污染特征与来源解析[J]. 环境科学, 2023, 44(10): 5689-5703. Li J, Li X, Gao S G, et al. Contamination characteristics and source apportionment of potentially toxic elements in soil around the coal-fired power plant using APCS-MLR and PMF models[J]. Environmental Science, 2023, 44(10): 5689-5703. |
| [20] | 中国环境监测总站. 中国土壤元素背景值[M]. 北京: 中国环境科学出版社, 1990. |
| [21] |
师荣光, 高怀友, 赵玉杰, 等. 基于GIS的混合加权模式在天津城郊土壤重金属污染评价中的应用[J]. 农业环境科学学报, 2006, 25(S1): 17-20. Shi R G, Gao H Y, Zhao Y J, et al. Assessment of pollution of heavy metals in soils of Tianjin suburb by a mixed weighted model based on GIS[J]. Journal of Agro-Environment Science, 2006, 25(S1): 17-20. |
| [22] | Santos-Francés F, Martínez-Graña A, Ávila Zarza C, et al. Spatial distribution of heavy metals and the environmental quality of soil in the northern plateau of Spain by geostatistical methods[J]. International Journal of Environmental Research and Public Health, 2017, 14(6). DOI:10.3390/ijerph14060568 |
| [23] |
魏洪斌, 罗明, 吴克宁, 等. 冀东平原农田土壤重金属污染源分析与风险评价[J]. 土壤通报, 2023, 54(2): 462-472. Wei H B, Luo M, Wu K N, et al. Source analysis and risk assessment of heavy metal pollution in farmland soil in the eastern Hebei plain[J]. Chinese Journal of Soil Science, 2023, 54(2): 462-472. |
| [24] | Paatero P, Tapper U. Positive matrix factorization: a non-negative factor model with optimal utilization of error estimates of data values[J]. Environmetrics, 1994, 5(2): 111-126. DOI:10.1002/env.3170050203 |
| [25] |
尹芳, 封凯, 尹翠景, 等. 青海典型工业区耕地土壤重金属评价及源解析[J]. 中国环境科学, 2021, 41(11): 5217-5226. Yin F, Feng K, Yin C J, et al. Evaluation and source analysis of heavy metal in cultivated soil around typical industrial district of Qinghai Province[J]. China Environmental Science, 2021, 41(11): 5217-5226. |
| [26] | Shi X M, Liu S, Song L, et al. Contamination and source-specific risk analysis of soil heavy metals in a typical coal industrial city, central China[J]. Science of the Total Environment, 2022, 836. DOI:10.1016/j.scitotenv.2022.155694 |
| [27] |
胡梦珺, 李春艳, 李娜娜, 等. 基于物元可拓模型的兰州市主城区公园表土重金属污染评价[J]. 环境科学, 2021, 42(5): 2457-2468. Hu M J, Li C Y, Li N N, et al. Using the matter-element extension model to assess heavy metal pollution in topsoil in parks in the main district park of Lanzhou city[J]. Environmental Science, 2021, 42(5): 2457-2468. |
| [28] | Deng W B, Hao G L, Liu W J. Source-specific risks apportionment and critical sources identification of potentially harmful elements in urban road dust combining positive matrix factorization model with multiple attribute decision making method[J]. Ecological Indicators, 2022, 144. DOI:10.1016/j.ecolind.2022.109449 |
| [29] | Pecina V, Brtnický M, Baltazár T, et al. Human health and ecological risk assessment of trace elements in urban soils of 101 cities in China: A meta-analysis[J]. Chemosphere, 2021, 267. DOI:10.1016/j.chemosphere.2020.129215 |
| [30] | GB 36600-2018, 土壤环境质量建设用地土壤污染风险管控标准[S]. |
| [31] | Anaman R, Peng C, Jiang Z C, et al. Identifying sources and transport routes of heavy metals in soil with different land uses around a smelting site by GIS based PCA and PMF[J]. Science of the Total Environment, 2022, 823. DOI:10.1016/j.scitotenv.2022.153759 |
| [32] | Yang P G, Drohan P J, Yang M, et al. Spatial variability of heavy metal ecological risk in urban soils from Linfen, China[J]. CATENA, 2020, 190. DOI:10.1016/j.catena.2020.104554 |
| [33] | Bhuiyan M A H, Karmaker S C, Bodrud-Doza M, et al. Enrichment, sources and ecological risk mapping of heavy metals in agricultural soils of Dhaka district employing SOM, PMF and GIS methods[J]. Chemosphere, 2021, 263. DOI:10.1016/j.chemosphere.2020.128339 |
| [34] | Zhang S T, Han G I, Gao X. The urbanization impacts on potentially toxic metals: the distribution, sources and contamination risks in river situated in typical megacity, China[J]. Sustainable Cities and Society, 2023, 97. DOI:10.1016/j.scs.2023.104784 |
| [35] | Ma X Y, Xia D S, Liu X Y, et al. Application of magnetic susceptibility and heavy metal bioaccessibility to assessments of urban sandstorm contamination and health risks: case studies from Dunhuang and Lanzhou, Northwest China[J]. Science of the Total Environment, 2022, 830. DOI:10.1016/j.scitotenv.2022.154801 |
| [36] | Men C, Wang Y F, Liu R M, et al. Temporal variations of levels and sources of health risk associated with heavy metals in road dust in Beijing from May 2016 to April 2018[J]. Chemosphere, 2021, 270. DOI:10.1016/j.chemosphere.2020.129434 |
| [37] | Li X Y, Li L L, Zhou Z J, et al. Soil potentially toxic element pollution at different urbanization intensities: quantitative source apportionment and source-oriented health risk assessment[J]. Ecotoxicology and Environmental Safety, 2023, 251. DOI:10.1016/j.ecoenv.2023.114550 |
| [38] | Luo H P, Wang Q Z, Guan Q Y, et al. Heavy metal pollution levels, source apportionment and risk assessment in dust storms in key cities in Northwest China[J]. Journal of Hazardous Materials, 2022, 422. DOI:10.1016/j.jhazmat.2021.126878 |
| [39] | Jiang H H, Cai L M, Wen H H, et al. Characterizing pollution and source identification of heavy metals in soils using geochemical baseline and PMF approach[J]. Scientific Reports, 2020, 10(1). DOI:10.1038/s41598-020-63604-5 |
| [40] | Zhou Y T, Aamir M, Liu K, et al. Status of mercury accumulation in agricultural soil across China: spatial distribution, temporal trend, influencing factor and risk assessment[J]. Environmental Pollution, 2018, 240: 116-124. DOI:10.1016/j.envpol.2018.03.086 |
| [41] | Wei J X, Li H, Liu J G. Heavy metal pollution in the soil around municipal solid waste incinerators and its health risks in China[J]. Environmental Research, 2022, 203. DOI:10.1016/j.envres.2021.111871 |
| [42] | Boudia H, Vassalo L, Hadjel M, et al. Spatial contamination and health risks of heavy metal(loid)s in surface soils from a petrochemical complex in the north-eastern region of Algeria[J]. International Journal of Environmental Science and Technology, 2019, 16(8): 4707-4718. DOI:10.1007/s13762-018-02195-1 |
| [43] |
李宏艳, 赵志新, 何秋生, 等. 山西介休焦化区PM2.5重金属污染特征、关键毒性组分与来源[J]. 中国环境科学, 2023, 43(4): 1528-1538. Li H Y, Zhao Z X, He Q S, et al. Pollution characteristics, key toxic components and sources of PM2.5-bound heavy metals in coking polluted area of Jiexiu, Shanxi[J]. China Environmental Science, 2023, 43(4): 1528-1538. |
| [44] | Chen X Y, Li F, Zhang J D, et al. Status, fuzzy integrated risk assessment, and hierarchical risk management of soil heavy metals across China: a systematic review[J]. Science of the Total Environment, 2021, 785. DOI:10.1016/j.scitotenv.2021.147180 |