2025, Vol. 46
2. 新疆水文水资源工程技术研究中心，乌鲁木齐 830052;
3. 新疆水利工程安全与水灾害防治重点实验室，乌鲁木齐 830052;
4. 中国地质调查局水文地质环境地质调查中心，天津 300304
, ZHOU Yin-zhu1,4
, ZHOU Jin-long1,2,3 , JIANG Feng1,2,3 , HAN Shuang-bao4 , LEI Mi1,2,3 , LIU Jin-wei4
2. Xinjiang Hydrology and Water Resources Engineering Research Center, Urumqi 830052, China;
3. Xinjiang Key Laboratory of Hydraulic Engineering Security and Water Disasters Prevention, Urumqi 830052, China;
4. Center for Hydrogeology and Environmental Geology, China Geological Survey, Tianjin 300304, China
水资源是人类生存和社会发展的基本条件, 在世界各地, 地下水作为一种安全清洁的淡水资源比地表水更容易获得和开发, 中国600多个城市中, 有400多个城市以地下水为饮用水源[1, 2]. 在干旱和半干旱地区, 地下水是日常生活、农业灌溉和工业生产用水的主要来源. 由于人口的迅速增长、城市化的加速以及不合理的开发利用[3], 衍生出一系列的生态环境问题, 如地下水水质恶化[4]、水位下降（根据2022年《中国水资源公报》发布的数据, 新疆准噶尔盆地深层地下水水位呈下降态势, 平均埋深变幅为1.9 m）、地面沉降[5]和地下水污染等[6~10]. 其中无机物因其毒性和隐蔽性引起全球广泛的关注[11], 长期摄入无机砷可导致皮肤癌和神经系统疾病[12], 严重威胁人体健康. 因此, 开展无机物的来源识别和健康风险评价, 对当地水资源的污染防治和人体健康保护具有重要意义.
目前关于地下水污染物来源识别的方法有很多种, 主要有同位素示踪法[13, 14]、主成分分析（PCA）[15, 16]、绝对主成分-多元线性回归（APCS-MLR）模型[17~19]和正定矩阵因子分解（PMF）[2, 11, 19]等方法. 其中正定矩阵因子分解（PMF）可以更好地处理缺失值和解释数据的准确性[20], 并能在运算过程中考虑非负约束和处理不确定的值[21]. 然而, PMF模型主要依赖于区域背景数据的解释, 因此其适用性和准确性有限[22]. 在此基础上将PMF模型与Pearson相关分析相结合来提高源识别的准确性. 地下水健康风险评价的方法主要包括：人类健康风险评价模型（HHRA）[23]、单因子指数法、内梅罗指数法和健康风险评价模型（美国环保署, USEPA）[24]等方法. 面对地下水污染的不可见和不易去除的特性[25], 寻求源解析与健康风险评价相结合的综合评价方法, 对地下水污染防治至关重要.
玛纳斯河流域位于我国西北部, 地处准噶尔盆地南缘, 属于干旱气候区. 有研究表明, 玛纳斯河流域地下水存在高As、高F和不同程度的重金属污染问题[26~28]. 2023年4月实地调查发现, 有部分居民存在氟斑牙, 严重影响当地的饮水安全和人体健康. 因此分析玛纳斯河流域平原区地下水无机物空间分布、运用PMF进行源解析及利用健康风险模型评价地下水对儿童和成人引起的健康风险, 有助于制定区域水资源保护措施确保饮用水安全供应, 对合理规划、管理和利用当地地下水资源以及防病改水具有重要意义.
1 研究区概况玛纳斯河流域（简称“玛河流域”）地处准噶尔盆地南缘, 地理位置位于84°44′~86°50′E, 43°04′~46°00′N, 东起塔西河, 西临奎屯河, 南至天山山脉, 北入古尔班通古特沙漠, 总体地势南高北低, 由南向北依次分布为南部山地丘陵区、中部绿洲平原区和北部沙漠区, 是具有代表性典型性的山地-绿洲-荒漠生态系统之一, 同时也是中国西北典型内陆河流域和第四大灌溉农业区[29]. 流域面积为3.35×104 km2, 自东向西河流依次为塔西河、玛纳斯河、宁家河、金沟河和安集海河. 中部绿洲平原区的存在完全依赖于山区的冰川融雪和降水[30]. 玛河流域远离海洋, 属中温带大陆性干旱气候区, 具有蒸发强且降水少等特点, 年降水量由北向南随着海拔的上升而增加, 年均气温为5.0~7.5℃.
玛河流域主要的土地利用类型有耕地、草地和裸地（图 1）. 南部山地丘陵区主要为永久冰川、草地和林地, 中部绿洲平原区主要为耕地和人造地表, 北部沙漠区主要为裸地. 随着玛河流域居住人口的增加以及长期不当的灌溉措施, 导致耕地、人造地表和水域面积也在逐步增大[31].
|
2020年土地利用类型数据来源：中国科学院空天信息创新研究院（GLC_FCS30-2020）, 分辨率为30 m×30 m 图 1 玛纳斯河流域土地利用类型及地下水取样点分布示意 Fig. 1 Land use type and distribution of groundwater sampling sites in the Manas River Basin (MRB) |
玛河流域的地表水及地下水总体流向为由南向北, 水文地质条件受地形地貌、地质构造和地层岩性的影响具有明显的分带性（图 2）. 以国道312为界, 以南的山前平原为单一结构潜水含水层, 由颗粒粗大的砂、砂砾石、粗砂岩带组成, 孔隙结构丰富, 渗透性好；以北的低平原区为多层结构潜水-承压水含水层, 在100 m深度以内为潜水含水层和浅层承压含水层, 在100 m深度以下为深层承压含水层, 其岩性主要为砾石、卵砾石、砂砾石或砂层[27].
|
1.第四纪全新统冲洪积物, 2.第四纪上更新统冲洪积物, 3.第四纪中更新统风积物, 4.第四纪中更新统冲积、冰水沉积物, 5.第四纪下更新统西域砾岩, 6.第三纪, 7.漂卵砾石, 8.砂卵砾石, 9.中粗砂, 10.黄土, 11.泥岩与砂岩, 12.黏土, 13.砾岩, 14.潜水位线, 15.断裂, 16.隐伏断层, 17.地层界线, 18.岩性界线, 19.地下水流向, 20.泉, 21.地下水取样点；改自文献[27] 图 2 玛纳斯河流域水文地质剖面 Fig. 2 Hydrogeological profile in the MRB |
2023年4月在研究区范围内选取了与区域地下水流向基本平行的2条南北向剖面和3条基本垂直区域地下水流向的东西向剖面, 共采集地下水水样37组, 其中单一结构潜水7组、承压水区潜水3组、承压水27组（图 1）. 水样采集和分析严格按照《地下水环境监测技术规范》（HJ 164-2020）的要求, 现场取样前, 先抽水（一般 > 20 min）, 待地下水水化学条件趋于稳定后进行采样. 用所取水样润洗取样瓶3次, 使用0.45 μm的微孔式滤膜对所取水样进行过滤. 地下水主要阳离子和微量元素样品以1∶1 HNO3酸化至pH < 2, 用250 mL高密度聚乙烯瓶采集, 阴离子样品不酸化, 用1.5 L塑料瓶采集. 氢氧同位素样品用10 mL离心管采集. 所有样品经封口膜密封后, 4℃冷藏保存并送检.
使用GPS设备野外现场记录取样井的地理位置、坐标、高程等信息. 用多参数分析仪（HANNA, HI9828）现场测定水温、pH值和氧化还原电位（Eh）等指标. 用Picarro CRDS L2120-I测量氘氧稳定同位素, δ2H和δ18O的分析精度分别为±0.1‰和±0.5‰. 由新疆维吾尔自治区地质矿产勘查开发局第二水文工程地质大队化验室按《生活饮用水标准检验法》（GB/T5750-2006）测试主要阳离子（K+、Na+、Ca2+、Mg2+）、主要阴离子（Cl-、SO42-、HCO3-）、溶解性总固体（TDS）和总硬度（TH）等指标. 其中, 主要阳离子采用电感耦合等离子体原子发射光谱仪（ICP-AES, iCAP6300, Thermo）测定, 分析精度 < 3.0%；主要阴离子使用离子色谱（IC）系统（ICS 2000, Dionex）测定, 分析精度 < 3%；TDS采用重量法测定, 检出限为0.10 mg·L-1；As采用scTRACE Gold电极（884 Professional VA, Metrohm）测定, 检测下限为1 μg·L-1. F采用离子选择电极法（PHS-3D）, 检测下限为0.01 mg·L-1. I采用电感耦合等离子体质谱法测定, 检测下限为0.025 mg·L-1.
2.2 数据来源与处理分辨率为30 m×30 m的土地利用类型数据（GLC_FCS30-2020）来源于中国科学院空天信息创新研究院2020年全球30 m地表覆盖精细分类产品V1.0. 使用Origin 2021进行所有统计分析. ArcGIS10.8用于玛河流域土地利用类型的绘制, 结合无机指标浓度数据运用ArcGIS克里金插值法确定无机指标的空间分布. Origin 2021进行Pearson相关性分析, 用于确定不同无机指标之间的线性相关性. PMF模型通过EPA PMF v5.0进行, 用于确定不同无机指标对不同因子的贡献率.
2.2.1 源解析PMF受体模型是基于源的组成来量化源对样品贡献的一种多变量因子分析方法. 本文通过EPA PMF v5.0软件使用正定矩阵因子分解模型（PMF）对地下水中无机组分进行来源解析, 受体模型的目标是求解测量的物质浓度和源分布之间的化学质量平衡, 如公式（1）所示：
|
(1) |
式中, xij表示第i个样品中第j个组分的浓度, P表示因子数量, gik表示因子k对样品i的贡献, fkj表示组分j在因子k上的因子分布, eij表示样品i上测量的组分j的残差.
通过PMF模型最小化目标函数Q推导因子贡献和分布, Q表示PMF的关键参数, 模型运行显示Q（true）和Q（robust）. 如公式（2）所示, 当残差和不确定度比值的平方达到最小值, 即目标函数Q达到最小值时, 可认为此次模型因子分解达到最优结果.
|
(2) |
式中, uij表示样品i中组分j的不确定度, 计算方式如公式（3）和公式（4）, 其中MDLj表示组分j的检出限. EF表示误差分数, 现有研究中, 多是基于经验确定, 一般在0.05~0.20, 本文取0.10.
|
(3) |
|
(4) |
人体健康风险评估是通过估算有害因子对人体产生不良影响的概率, 来评价暴露于该有害因子的个体健康受到影响的风险[32]. 地下水中的无机组分主要通过直接饮用和皮肤接触两种途径进入人体, 但最常见的途径为直接饮用, 其他途径所带来的影响可以忽略不计, 因此本文仅选用饮水途径来进行健康风险评价[33]. 人体健康风险评价选用的无机指标包括非致癌物（Cl-、SO42-、TH、TDS、NO3--N、As、F）和致癌物（As）. 国际癌症研究机构和世界卫生组织规定, 致癌物也有非致癌风险.
致癌健康风险评价模型：
|
(5) |
|
(6) |
式中, CDIij表示经饮水接触摄入量, [mg·（kg·d）-1]；Cij表示水中污染物浓度, mg·L-1；IR表示摄取速率, L·d-1（儿童1, 成人2）；EF表示暴露频率, 350 d·a-1；ED表示暴露年限, a（儿童6, 成人70）；BW表示体重, kg（儿童14, 成人60）；AT表示平均作用时间, d（儿童2 190, 成人25 550）；CRij表示不同污染物在各检出区域的致癌健康风险值, SF表示各污染物致癌斜率因子, 1.5（kg·d）·mg-1[34, 35].
非致癌健康风险评价模型：
|
(7) |
|
(8) |
式中, RfDi表示各污染物的参考剂量, [mg·（kg·d）-1]；NOAELi表示各污染物的非致癌效应阈限值, mg·L-1；UF表示不确定因子, 取值为1~10；MF表示修正因子, 取值为1~10. 各污染物的参考剂量和非致癌效应阈限值见表 1. 其中SO42-、TH和TDS的RfDi由NOAELi通过公式（7）推算.
|
表 1 健康风险评价方法相关参数值1） Table 1 Related parameter values of health risk assessment method |
3 结果与讨论 3.1 地下水无机组分浓度特征 3.1.1 统计分析
玛河流域地下水无机组分浓度统计见表 2, 地下水pH值的变化范围为7.77~9.17, 中位数和平均值分别为8.63和8.57, 整体呈弱碱性环境；ρ（TDS）变化范围为187~2 305 mg·L-1, 中位数和均值分别为338 mg·L-1和563.89 mg·L-1, 其中86.49%为淡水[ρ（TDS） < 1 000 mg·L-1]；ρ（Cl-）和ρ（SO42-）的平均值分别为125.73 mg·L-1和155.86 mg·L-1；ρ（As）变化范围为ND~36.03 mg·L-1, 中位数和均值分别为11.06 mg·L-1和11.64 mg·L-1, 超标率为51.35%；ρ（F）变化范围为0.20~11.7 mg·L-1, 中位数和均值分别为0.89 mg·L-1和1.73 mg·L-1, 超标率为45.95%.
|
|
表 2 地下水无机组分浓度统计1） Table 2 Statistics on the concentration of inorganic components in groundwater |
依据《地下水质量标准》（GB/T 14848-2017）的Ⅲ类限值, 玛河流域37组地下水中, 无机组分超标率由大到小依次为：pH（54.05%） > As（51.35%）=I（51.35%） > F（45.95%） > Cl-（18.92%） > TDS（10.81%） > SO42-（13.51%） > NO3--N（8.11%） > TH（5.41%） > Fe（2.70%）. 各组分的最大超标倍数依次为：F（11.70） > I（4.20） > SO42-（4.01） > As（3.60） > NO3--N（3.09） > Cl-（2.72） > TDS（2.31） > TH（2.29） > Fe（1.84） > pH（1.08）. 综合考虑超标率和最大超标倍数As、F和I是最重要的无机组分.
变异系数由大到小各组分依次为：NO3--N、Fe、TH、SO42-、F、Cl-、TDS、As、I和pH. 其中NO3--N的变异系数为2.65, 变异性大, 可见其浓度空间分布不均, 局部富集程度高且浓度起伏变化较大, 可能存在一定程度的点源污染. Fe、TH、SO42-、F和Cl-变异系数在1~2之间, 表明其浓度的空间分布具有一定程度的不均匀性. TDS、As、I和pH的变异系数 < 1, 变异性小, 中位数和平均值差异较小, 表明在玛河流域平原区内分布较均匀, 主要受地质背景条件控制[36, 37].
3.1.2 空间分布特征地下水pH的空间分布相对均匀[图 3（a）], pH > 9.0的取样点主要分布在平原区东部北五岔总干渠和莫索湾总干渠下游至沙漠边缘；玛河平原区东部的TDS和Cl-较高[图 3（b）和3（c）], 具有相似的分布特征, 峰值点均位于夹河子水库北部与古尔班通古特沙漠边缘, 表明可能来自同一水体或者共同的人为污染源；SO42-主要分布在玛纳斯县周边以及沙漠边缘[图 3（d）]；NO3--N空间分布不均, 峰值点位于城市区域[图 3（e）], 表明其浓度变化受人类活动的影响较大；高As[ρ（As） > 10 μg·L-1]地下水分布范围较广[图 3（f）], 主要呈条带状分布于平原区中部；高F[ρ（F） > 1 mg·L-1]地下水在玛河流域东部和西部均有分布[图 3（g）], 峰值点位于西岸大渠与玛纳斯河之间的沙干渠附近；高I[ρ（I） > 0.08 mg·L-1]地下水主要分布在平原区北部[图 3（h）], 沙干渠、北五岔总干渠和莫索湾总干渠附近. 高As、高F和高I超标区均在西岸大渠以北的低平原区, 该区域地形坡度和水力坡度较小, 含水层颗粒较细, 地下水径流强度较弱, 因此有利于地下水As、F和I的富集.
|
图 3 地下水中无机组分空间分布 Fig. 3 Horizontal distribution of inorganic components in groundwater |
氘氧同位素由于其化学性质稳定被广泛用于示踪地下水的补给来源, 常用于研究水文循环和化合物在环境中的迁移与转化过程[38]. 将玛河流域平原区37组地下水的δ2H、δ18O与全球大气降水线（global meteoric water line, GMWL）[39]和准噶尔盆地乌鲁木齐当地大气降水线（local meteoric water line, LMWL）[40]进行对比[图 4（a）], 可以看出地下水取样点均位于全球大气降水线和当地大气降水线附近, 表明单一结构潜水区潜水、多层结构潜水-承压水区潜水和多层结构潜水-承压水区承压水具有相似的来源或者演化过程, 靠近沙漠的GW14位于大气降水线下方, 且与其它样点偏离较远, 氘盈余参数为2.38‰, 表明GW14受到蒸发作用的影响, 且与其他水样的来源及经历的水文地球化学作用不同. Cl-和δ18O的关系可以更精确地区分不同水体的混合过程[41], 由图 4（b）可以看出随着Cl-的增加, 承压水区潜水和承压水中的δ18O变幅不大, 单一结构潜水中的δ18O变幅较大, 说明单一结构潜水比承压水区潜水和承压水受蒸发作用的影响强烈.
|
图 4 地下水中δ18O与δ2H和Cl-的关系 Fig. 4 Correlation of groundwater δ18O with δ2H and Cl- |
采用PMF模型来更好地分配无机组分的来源, 使用最小目标函数Q来保证残差矩阵, 然后确定PMF模型中因子的合适数量为6个[42]. 所有无机组分的信噪比（S/N）定义为“Strong”, Q（robust）/Q（true）值为1, 浓度预测值与观测值相关性良好, 说明模拟较好. 源解析结果见图 5.
|
*表示P≤0.05, **表示P≤0.01, ***表示P≤0.001 图 5 各组分对因子的贡献率和因子贡献率与Pearson相关分析 Fig. 5 Contribution rate of each index to the factor and factor contributions and Pearson correlation analysis |
因子1的主控无机组分为Cl-和TDS, 其贡献率分别为81.46%和37.07%, Cl-和TDS呈显著正相关（P < 0.001）. Gibbs图可以通过N（Cl-）/N（Cl-+HCO3-）与TDS的关系把控制自然水体主要化学组分形成机制分为蒸发浓缩型、岩石风化型和大气降水控制型[43]. 玛河流域地下水主要分布在岩石风化区域[图 6（a）], 表明Cl-主要来自于岩石的风化溶解过程. Na+与Cl-的毫克当量比可以解释蒸发岩的溶解过程, 地层中盐岩溶解会释放等量的Cl-和Na+, 比值接近1[44]. 玛河流域N（Na+）/N（Cl-） > 1的取样点占比达92%[图 6（b）], 表明在地下水径流过程中, 溶滤作用使得岩盐发生溶解, 因此, 将因子1归结为溶滤-富集因子.
|
图 6 地下水Gibbs图和地下水N（Cl-）与N（Na+）相关性 Fig. 6 Gibbs diagram of groundwater and correlation between N(Cl-)and N(Na+) |
因子2的主控无机组分为SO42-, 其贡献率为51.80%. N（Ca2++Na+-Cl-）与N（SO42-）的比值可以表明SO42-是否来源于石膏和芒硝的溶解[45]. 玛河流域SO42-超标的取样点中, GW22的N（SO42-）与N（Ca2++Na+-Cl-）相差不大, 表明SO42-来源于石膏和芒硝的溶解. GW04和GW06的N（SO42-） > N（Ca2++Na+-Cl-）, 表明地下水受到同离子效应影响或存在其它非石膏和芒硝溶解来源的SO42-. GW14的N（SO42-） < N（Ca2++Na+-Cl-）, 表明SO42-的来源不是石膏和芒硝溶解. ρ（SO42-） > 250 mg·L-1的取样点GW14和GW22位于耕地旁, 主要为农业灌溉用水；GW04和GW06位于农户院中, 主要为生活及牲畜用水, 且SO42-与Cl-存在显著的正相关性（P < 0.001）. 因此, 将因子2归结为地质条件-生活污水-农业灌溉的点源污染.
因子3的主控无机组分为NO3--N, 其贡献率为88.08%. 地下水中的NO3--N主要来源于氮肥的使用、动物粪便、人类污水的排放和大气沉降[46]. 玛河流域地下水中ρ（NO3--N）最高为61.77 mg·L-1, 位于农村, 农业灌溉对地下水化学组分造成了不同程度的影响, 因此, 将因子3归结为农业活动.
因子4的主控无机组分为Fe和TH, 其贡献率分别为68.51%和47.50%. 玛河流域取样点中仅有1组（GW04）Fe超标, ρ（Fe）=0.552 mg·L-1, 仅有两组（GW04和GW06）TH超标, ρ（TH）分别为770 mg·L-1和1030 mg·L-1, 超标点位于农户院中, 埋深较浅, 均为承压水区潜水, 同时Fe和TH与Mg2+、Ca2+和Cl-表现出显著正相关性（P < 0.001）, 浅层地下水中的Fe和TH浓度升高可能是由于生活污水及垃圾的不合理排放导致. 因此, 将因子4归结为生活污水导致的点源污染.
因子5的主控无机组分为As和I, 其贡献率分别为89.71%和49.90%. 地下水中As与pH和Eh具有显著的相关性（P < 0.001）, I与pH和Eh具有一定的相关性（P < 0.01和P < 0.05）. 碱解吸是调节地下水中As富集的一种水文地球化学过程, 当ρ（As）≥10 μg·L-1时, pH和Eh的平均值分别为8.85和-98.16 mV, 表明碱性还原环境有利于As从细粒沉积物中解吸, 从而导致地下水中As浓度的增加[47]. 当ρ（I）≥0.08 mg·L-1时, pH和Eh的平均值分别为8.71和-87.66 mV, 在还原环境中, 沉积物中吸附的碘酸盐可以转化为碘化物, 碘化物的流动性比碘酸盐大, 同时碱性环境增强了I的解吸, 导致高I地下水的产生[48]. 因此, 将因子5归结为碱性还原环境.
因子6的主控无机组分为F, 其贡献率为70.19%. 在地下水和岩石长期的相互作用过程中, 岩石表面颗粒带有的负电荷在一定条件下将吸附地下水中的某些阳离子, 而将原先吸附的部分阳离子释放到地下水中[49]. 由图 7（a）可以看出, 玛河流域地下水取样点主要分布在第四象限, 个别点分布于第二象限, 表明地下水中主要发生了反向的阳离子交换作用, 由山区至平原区, 含水介质颗粒逐渐变细, 比表面积增大, 且地下水流速逐渐变缓, 滞留时间增长, 为阳离子交替吸附创造了条件, 而Ca2+较Na+更易吸附于颗粒表面, 导致吸附在矿物表面的Na+与地下水中的Ca2+发生交换. 地下水Ca2+浓度的减少进一步促进萤石（CaF2）的溶解[图 7（b）], 使地下水中F的浓度增加. 因此, 将因子6归结为离子交换反应.
|
图 7 N（Na++K+-Cl-）与N（Ca2++Mg2+-SO42--HCO3-）和F与萤石饱和指数的关系 Fig. 7 Correlation of N(Na++K+-Cl-) with N(Ca2++Mg2+-SO42--HCO3-) and F with fluorite (SI) |
人体健康风险评价选用的无机指标包括非致癌物（Cl-、SO42-、TDS、TH、NO3--N、As、F）和致癌物（As）. 为了评估无机指标的总体非致癌危害, 将各个指标的HQij相加以获得危害指数（HI）, 危害指数（HI） < 1表示可接受的风险水平, 而HI > 1表示不可接受的风险或严重的非致癌健康危害[50]. CR < 1.0E-06表示对健康没有致癌威胁, 1.0E-06 < CR < 1.0E-04之间是可接受的, 而CR > 1.0E-04则表明患癌症的可能性很高[51]. 计算得到以饮用水为载体的地下水无机物引起的平均个人年健康风险（表 3）.
|
|
表 3 经饮用水途径的化学致癌物和非化学致癌物的健康风险 Table 3 Health risks of drinking water-borne chemical carcinogens and non-chemical carcinogens |
地下水中成人和儿童的平均HI值小于USEPA的指导值1, 表明无潜在非致癌风险. 其中Cl-、SO42-、TDS、TH、NO3--N、As和F对儿童的非致癌风险平均值分别为：2.49E-05、1.55E-07、1.54E-07、8.82E-08、7.26E-08、4.74E-04和3.42E-07, 对成人的非致癌风险平均值分别为：9.97E-07、6.18E-09、6.16E-09、3.53E-09、2.90E-09、1.90E-05和1.37E-08. 由图 8非致癌健康风险评价结果可见, 成人和儿童的非致癌健康风险由大到小依次为：As > Cl- > F > SO42- > TDS > TH > NO3--N, 因此就单个无机成分而言, As被确认为非致癌风险的主要元素. As具有毒性, 且不提供任何有益的代谢功能, 长期摄入可导致皮肤、血管和神经系统的疾病[12].
|
图 8 地下水致癌、非致癌健康风险评价结果 Fig. 8 Health risk assessment of carcinogenic and non-carcinogenic groundwater |
在致癌健康风险评价中, 儿童和成人的致癌风险平均值分别为1.23E-03和5.70E-04, 高于1.0E-04的可接受阈值. 儿童的致癌风险平均值是1.0E-04可接受阈值的12.3倍, 成人的致癌风险平均值是1.0E-04可接受阈值的5.7倍, 儿童致癌风险平均值是成人致癌风险平均值的2.16倍. 由图 8致癌健康风险评价结果可见, 在37组地下水, 97.30%的As对儿童具有高致癌健康风险, 81.08%的As对成人具有高致癌健康风险, 儿童比成人对无机物在地下水中的致癌风险更敏感. 在2013年准噶尔盆地南部被划分为地下水砷污染的不安全区域, 在2019年、2022年中国西北干旱地区的地下水中便报道了无机As的高致癌风险[28, 52, 53]. 长期的As暴露可能诱发皮肤癌、肾癌和肺癌[22]. 因此, 玛河流域饮用水的健康风险评价应更多地关注As暴露的影响, 特别是对儿童的影响.
4 结论（1）玛河流域37组地下水中, pH的空间分布相对均匀；TDS和Cl-具有相似的分布特征, 在玛河平原区东部较高；SO42-主要分布在玛纳斯县周边以及沙漠边缘；NO3--N空间分布不均, 局部富集程度高, 其浓度变化受人类活动的影响较大；As、F和I是影响地下水的重要无机组分. 高As地下水分布范围较广, 呈条带状分布于平原区中部；高F地下水在玛河流域东部和西部均有分布；高I地下水主要分布在平原区北部.
（2）玛河流域平原区地下水取样点均位于全球大气降水线和当地大气降水线附近, 表明单一结构潜水区潜水、多层结构潜水⁃承压水区潜水和多层结构潜水⁃承压水区承压水具有相似的来源或者演化过程. 靠近沙漠的GW14可能与其他水样的来源及经历的水文地球化学作用不同. 在PMF源解析中, 影响地下水无机组分浓度的自然因子包括因子1（溶滤-富集因子）、因子5（碱性还原环境）和因子6（离子交换反应）, 人为因子包括因子2（地质条件-生活污水-农业灌溉的点源污染）、因子3（农业活动）和因子4（生活污水导致的点源污染）.
（3）在以浓度为导向的健康风险评价模型中, 地下水中As是威胁人类健康的主要无机组分. 人类健康风险评价结果显示玛河流域平原区平均HI值均小于1, 无潜在非致癌风险. 儿童和成人的致癌风险平均值高于1.0E-04的可接受阈值, 分别是可接受阈值的12.3倍和5.7倍, 且儿童对无机物在地下水中的致癌风险更敏感. 因此, 玛河流域饮用水的健康风险评价应更多地关注As暴露的影响, 特别是对儿童的影响.
| [1] | Zhang Y H, Dai Y S, Wang Y, et al. Hydrochemistry, quality and potential health risk appraisal of nitrate enriched groundwater in the Nanchong area, southwestern China[J]. Science of the Total Environment, 2021, 784. DOI:10.1016/j.scitotenv.2021.147186 |
| [2] |
张涵, 杜昕宇, 高菲, 等. 联合PMF模型与稳定同位素的地下水污染溯源[J]. 环境科学, 2022, 43(8): 4054-4063. Zhang H, Du X Y, Gao F, et al. Groundwater pollution source identification by combination of PMF model and stable isotope technology[J]. Environmental Science, 2022, 43(8): 4054-4063. |
| [3] | Raza M, Hussain F, Lee J Y, et al. Groundwater status in Pakistan: A review of contamination, health risks, and potential needs[J]. Critical Reviews in Environmental Science and Technology, 2017, 47(18): 1713-1762. DOI:10.1080/10643389.2017.1400852 |
| [4] | Du Y, Ma T, Chen L Z, et al. Genesis of salinized groundwater in Quaternary aquifer system of coastal plain, Laizhou Bay, China: Geochemical evidences, especially from bromine stable isotope[J]. Applied Geochemistry, 2015, 59: 155-165. DOI:10.1016/j.apgeochem.2015.04.017 |
| [5] | Zhu L, Gong H L, Li X J, et al. Land subsidence due to groundwater withdrawal in the northern Beijing plain, China[J]. Engineering Geology, 2015, 193: 243-255. DOI:10.1016/j.enggeo.2015.04.020 |
| [6] | Wen X H, Feng Q, Lu J, et al. Risk assessment and source identification of coastal groundwater nitrate in northern China using dual nitrate isotopes combined with Bayesian mixing model[J]. Human and Ecological Risk Assessment: An International Journal, 2018, 24(4): 1043-1057. DOI:10.1080/10807039.2017.1405722 |
| [7] | Eschauzier C, Raat K J, Stuyfzand P J, et al. Perfluorinated alkylated acids in groundwater and drinking water: identification, origin and mobility[J]. Science of the Total Environment, 2013, 458-460: 477-485. DOI:10.1016/j.scitotenv.2013.04.066 |
| [8] | Szekeres E, Chiriac C M, Baricz A, et al. Investigating antibiotics, antibiotic resistance genes, and microbial contaminants in groundwater in relation to the proximity of urban areas[J]. Environmental Pollution, 2018, 236: 734-744. DOI:10.1016/j.envpol.2018.01.107 |
| [9] | Chaturvedi A, Bhattacharjee S, Singh A K, et al. A new approach for indexing groundwater heavy metal pollution[J]. Ecological Indicators, 2018, 87: 323-331. DOI:10.1016/j.ecolind.2017.12.052 |
| [10] | Santucci L, Carol E, Tanjal C. Industrial waste as a source of surface and groundwater pollution for more than half a century in a sector of the Río de la Plata coastal plain (Argentina)[J]. Chemosphere, 2018, 206: 727-735. DOI:10.1016/j.chemosphere.2018.05.084 |
| [11] | 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 |
| [12] | Podgorski J, Berg M. Global threat of arsenic in groundwater[J]. Science, 2020, 368(6493): 845-850. DOI:10.1126/science.aba1510 |
| [13] |
李瑞, 肖琼, 刘文, 等. 运用硫同位素、氮氧同位素示踪里湖地下河硫酸盐、硝酸盐来源[J]. 环境科学, 2015, 36(8): 2877-2886. Li R, Xiao Q, Liu W, et al. Using δ34S–SO42- and δ15N–NO3-, δ18O–NO3- to trace the sources of sulfur and nitrate in Lihu lake undergound water, Guangxi, China[J]. Environmental Science, 2015, 36(8): 2877-2886. |
| [14] |
彭聪, 潘晓东, 焦友军, 等. 多种同位素手段的硝酸盐污染源解析: 以会仙湿地为例[J]. 环境科学, 2018, 39(12): 5410-5417. Peng C, Pan X D, Jiao Y J, et al. Identification of nitrate pollution sources through various isotopic methods: a case study of the Huixian Wetland[J]. Environmental Science, 2018, 39(12): 5410-5417. |
| [15] |
高翔, 左锐, 郭学茹, 等. 基于源解析的傍河水源地污染风险季节性变化特征分析[J]. 环境科学, 2018, 39(9): 4086-4095. Gao X, Zuo R, Guo X R, et al. Seasonal variation characteristics of pollution risk in a riverside source area based on source apportionment[J]. Environmental Science, 2018, 39(9): 4086-4095. |
| [16] | Chang F J, Huang C W, Cheng S T, et al. Conservation of groundwater from over-exploitation—Scientific analyses for groundwater resources management[J]. Science of the Total Environment, 2017, 598: 828-838. DOI:10.1016/j.scitotenv.2017.04.142 |
| [17] | Meng L, Zuo R, Wang J S, et al. Apportionment and evolution of pollution sources in a typical riverside groundwater resource area using PCA-APCS-MLR model[J]. Journal of Contaminant Hydrology, 2018, 218: 70-83. DOI:10.1016/j.jconhyd.2018.10.005 |
| [18] |
陈慧, 赵鑫宇, 常帅, 等. 华北平原典型城市(石家庄)地下水重金属污染源解析与健康风险评价[J]. 环境科学, 2023, 44(9): 4884-4895. Chen H, Zhao X Y, Chang S, et al. Source analysis and health risk assessment of heavy metals in the groundwater of Shijiazhuang, a Typical city in North China Plain[J]. Environmental Science, 2023, 44(9): 4884-4895. |
| [19] | Gulgundi M S, Shetty A. Source apportionment of groundwater pollution using Unmix and positive matrix factorization[J]. Environmental Processes, 2019, 6(2): 457-473. DOI:10.1007/s40710-019-00373-y |
| [20] | Chen H Y, Teng Y G, Wang J S, et al. Source apportionment of trace element pollution in surface sediments using positive matrix factorization combined support vector machines: application to the Jinjiang River, China[J]. Biological Trace Element Research, 2013, 151(3): 462-470. DOI:10.1007/s12011-012-9576-5 |
| [21] | Chen R H, Teng Y G, Chen H Y, et al. Groundwater pollution and risk assessment based on source apportionment in a typical cold agricultural region in Northeastern China[J]. Science of the Total Environment, 2019, 696. DOI:10.1016/j.scitotenv.2019.133972 |
| [22] | Huang J L, Wu Y Y, Sun J X, et al. Health risk assessment of heavy metal(loid)s in park soils of the largest megacity in China by using Monte Carlo simulation coupled with Positive matrix factorization model[J]. Journal of Hazardous Materials, 2021, 415. DOI:10.1016/j.jhazmat.2021.125629 |
| [23] |
刘楠, 陈盟, 高东东, 等. 德阳市平原区浅层地下水水化学特征与健康风险评价[J]. 环境科学, 2024, 45(4): 2129-2141. Liu N, Chen M, Gao D D, et al. Hydrochemical characteristics and health risk assessment of shallow groundwater in the Plain Zone of Deyang City[J]. Environmental Science, 2024, 45(4): 2129-2141. |
| [24] |
高瑞忠, 秦子元, 张生, 等. 吉兰泰盐湖盆地地下水Cr6+、As、Hg健康风险评价[J]. 中国环境科学, 2018, 38(6): 2353-2362. Gao R Z, Qin Z Y, Zhang S, et al. Health risk assessment of Cr6+, As and Hg in groundwater of Jilantai salt lake basin, China[J]. China Environmental Science, 2018, 38(6): 2353-2362. DOI:10.3969/j.issn.1000-6923.2018.06.040 |
| [25] |
谢浩, 邹胜章, 李军, 等. 重庆东南部岩溶水金属元素空间分布、源解析及健康风险评价[J]. 环境科学, 2023, 44(8): 4304-4313. Xie H, Zou S Z, Li J, et al. Spatial distribution, source analysis, and health risk assessment of metal elements in karst water in Southeastern Chongqing[J]. Environmental Science, 2023, 44(8): 4304-4313. |
| [26] |
康文辉, 周殷竹, 孙英, 等. 新疆玛纳斯河流域地下水砷氟分布及共富集成因[J]. 干旱区研究, 2023, 40(9): 1425-1437. Kang W H, Zhou Y Z, Sun Y, et al. Distribution and coenrichment of arsenic and fluorine in the groundwater of the Manas River Basin in Xinjiang[J]. Arid Zone Research, 2023, 40(9): 1425-1437. |
| [27] | Zhou Y Z, Tu Z, Zhou J L, et al. Distribution, dynamic and influence factors of groundwater arsenic in the Manas River Basin in Xinjiang, P.R. China[J]. Applied Geochemistry, 2022, 146. DOI:10.1016/j.apgeochem.2022.105441 |
| [28] |
王楠, 侯珺, 周金龙, 等. 石河子地区地下水重(类)金属污染及健康风险评价[J]. 人民黄河, 2022, 44(2): 94-99. Wang N, Hou J, Zhou J L, et al. Pollution and health risk assessment of heavy metals(metalloid) in groundwater in Shihezi area[J]. Yellow River, 2022, 44(2): 94-99. |
| [29] |
张林. 玛纳斯河流域草地生态系统服务功能评价及权衡协同关系研究[D]. 石河子: 石河子大学, 2023. Zhang L. Study on grassland ecosystem service function evaluation and trade-off synergy in Manas River Basin[D]. Shihezi: Shihezi University, 2023. |
| [30] | Ling H B, Xu H L, Fu J Y, et al. Surface runoff processes and sustainable utilization of water resources in Manas River Basin, Xinjiang, China[J]. Journal of Arid Land, 2012, 4(3): 271-280. DOI:10.3724/SP.J.1227.2012.00271 |
| [31] |
李文倩. 人类活动对玛河流域绿洲平原区的水循环影响研究[D]. 石河子: 石河子大学, 2016. Li W Q. Study on the effect of human activity on water cycle in Plain of Manas River Basin[D]. Shihezi: Shihezi University, 2016. |
| [32] | Qiao J B, Zhu Y J, Jia X X, et al. Distributions of arsenic and other heavy metals, and health risk assessments for groundwater in the Guanzhong Plain region of China[J]. Environmental Research, 2020, 181. DOI:10.1016/j.envres.2019.108957 |
| [33] |
张勇, 郭纯青, 孙平安, 等. 基于空间分析荞麦地流域地下水健康风险评价[J]. 中国环境科学, 2019, 39(11): 4762-4768. Zhang Y, Guo C Q, Sun P A, et al. Groundwater health risk assessment based on spatial analysis in the Qiaomaidi watershed[J]. China Environmental Science, 2019, 39(11): 4762-4768. DOI:10.3969/j.issn.1000-6923.2019.11.035 |
| [34] | EPA. Exposure factors handbook[M]. Washington DC: EPA, 2011. |
| [35] | 环境保护部. 中国人群暴露参数手册[M]. 北京: 中国环境出版社, 2016. |
| [36] |
孟利, 左锐, 王金生, 等. 基于PCA-APCS-MLR的地下水污染源定量解析研究[J]. 中国环境科学, 2017, 37(10): 3773-3786. Meng L, Zuo R, Wang J S, et al. Quantitative source apportionment of groundwater pollution based on PCA-APCS-MLR[J]. China Environmental Science, 2017, 37(10): 3773-3786. DOI:10.3969/j.issn.1000-6923.2017.10.020 |
| [37] |
崔佳琪, 李仙岳, 史海滨, 等. 河套灌区地下水化学演变特征及形成机制[J]. 环境科学, 2020, 41(9): 4011-4020. Cui J Q, Li X Y, Shi H B, et al. Chemical evolution and formation mechanism of groundwater in Hetao irrigation area[J]. Environmental Science, 2020, 41(9): 4011-4020. |
| [38] | Pang Z H, Kong Y L, Li J, et al. An isotopic geoindicator in the hydrological cycle[J]. Procedia Earth and Planetary Science, 2017, 17: 534-537. DOI:10.1016/j.proeps.2016.12.135 |
| [39] | Craig H. Isotopic variations in meteoric waters[J]. Science, 1961, 133(3465): 1702-1703. DOI:10.1126/science.133.3465.1702 |
| [40] | Liu Y L, Jin M G, Wang J J. Insights into groundwater salinization from hydrogeochemical and isotopic evidence in an arid inland basin[J]. Hydrological Processes, 2018, 32(20): 3108-3127. DOI:10.1002/hyp.13243 |
| [41] | Gattacceca J C, Vallet-Coulomb C, Mayer A, et al. Isotopic and geochemical characterization of salinization in the shallow aquifers of a reclaimed subsiding zone: the southern Venice Lagoon coastland[J]. Journal of Hydrology, 2009, 378(1-2): 46-61. DOI:10.1016/j.jhydrol.2009.09.005 |
| [42] | Chen R H, Chen H Y, Song L T, et al. Characterization and source apportionment of heavy metals in the sediments of Lake Tai (China) and its surrounding soils[J]. Science of the Total Environment, 2019, 694. DOI:10.1016/j.scitotenv.2019.133819 |
| [43] | Gibbs R J. Mechanisms controlling world water chemistry[J]. Science, 1970, 170(3962): 1088-1090. DOI:10.1126/science.170.3962.1088 |
| [44] |
李志斌. 汾河流域地下水化学演化及健康风险评价[D]. 太原: 山西大学, 2023. Li Z B. Hydrochemical evolution and health risk assessment of groundwater in Fen River Basin[D]. Taiyuan: Shanxi University, 2023. |
| [45] |
魏兴, 周金龙, 乃尉华, 等. 新疆喀什三角洲地下水SO42-化学特征及来源[J]. 环境科学, 2019, 40(8): 3550-3558. Wei X, Zhou J L, Nai W H, et al. Chemical characteristics and sources of groundwater sulfate in the Kashgar Delta, Xinjiang[J]. Environmental Science, 2019, 40(8): 3550-3558. |
| [46] | Xue D M, Botte J, De Baets B, et al. Present limitations and future prospects of stable isotope methods for nitrate source identification in surface-and groundwater[J]. Water Research, 2009, 43(5): 1159-1170. DOI:10.1016/j.watres.2008.12.048 |
| [47] | Li C C, Bundschuh J, Gao X B, et al. Occurrence and behavior of arsenic in groundwater-aquifer system of irrigated areas[J]. Science of the Total Environment, 2022, 838. DOI:10.1016/j.scitotenv.2022.155991 |
| [48] | Li J X, Wang Y X, Xie X J, et al. Hydrogeochemistry of high iodine groundwater: a case study at the Datong Basin, northern China[J]. Environmental Science: Processes & Impacts, 2013, 15(4): 848-859. |
| [49] |
鲁涵, 曾妍妍, 周金龙, 等. 喀什噶尔河下游平原区地下水咸化特征及成因分析[J]. 环境科学, 2022, 43(10): 4459-4469. Lu H, Zeng Y Y, Zhou J L, et al. Characteristics and causes of groundwater salinization in the plain area of the lower Kashgar river[J]. Environmental Science, 2022, 43(10): 4459-4469. |
| [50] | Wagh V M, Panaskar D B, Mukate S V, et al. Health risk assessment of heavy metal contamination in groundwater of Kadava river basin, Nashik, India[J]. Modeling Earth Systems and Environment, 2018, 4(3): 969-980. DOI:10.1007/s40808-018-0496-z |
| [51] | Hossain M, Patra P K. Contamination zoning and health risk assessment of trace elements in groundwater through geostatistical modelling[J]. Ecotoxicology and Environmental Safety, 2020, 189. DOI:10.1016/j.ecoenv.2019.110038 |
| [52] | Rodríguez-Lado L, Sun G F, Berg M, et al. Groundwater arsenic contamination throughout China[J]. Science, 2013, 341(6148): 866-868. DOI:10.1126/science.1237484 |
| [53] | Yu J W, Zhou J L, Long A H, et al. A comparative study of water quality and human health risk assessment in longevity area and adjacent non-longevity area[J]. International Journal of Environmental Research and Public Health, 2019, 16(19). DOI:10.3390/ijerph16193737 |