2025, Vol. 46
2. 西北师范大学地理与环境科学学院, 兰州 730070;
3. 兰州大学草地农业科技学院, 兰州 730020
, GAO Zhan-dong1 , MA Li-bang2
, TUO Xin-ying1 , ZHOU Fa-yuan1 , LI Xu1 , MA Xiao-hong2 , ZANG Fei3
2. College of Geography and Environmental Science, Northwest Normal University, Lanzhou 730070, China;
3. College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China
煤炭是国家能源安全的“压舱石”和实体经济的“原料库”. 长期以来, 煤矿产业在肩负能源保供重任和助推经济发展的同时也给周边生态环境带来了不可避免地影响[1, 2]. 煤矿开采过程中产生的煤矸石、粉煤灰和气化灰渣等固体废弃物经风化、大气沉降、降雨淋溶和地下径流等方式向周边环境释放大量有毒有害重金属元素, 导致周边土壤环境质量下降[3, 4]. 污染的土壤不仅会威胁周边生态环境安全, 也会通过土壤-作物-食物链或皮肤接触等方式被人体吸收并逐渐累积, 危害人体健康[5, 6]. 因此, 深入开展煤炭矿区周边土壤重金属污染风险评估和污染源解析研究对于实现污染源精准管控、化解土壤污染风险和改善土壤环境质量具有重要的现实意义.
黄河流域是中国最主要的煤炭资源聚集地、原煤生产和加工中心及煤炭产品转化基地, 承担着全中国超过70%的煤炭产出[7], 为黄河流域乃至全国经济发展做出了突出贡献[8]. 然而, 黄河流域内大部分区域处于干旱-半干旱地区, 生态系统类型多样且脆弱[7], 长期的煤炭开采活动进一步加剧了流域水资源短缺、水土流失和地表生态破坏等生态环境问题[8]. 随着黄河流域生态保护和高质量发展战略的深入实施, 大规模的煤炭开发活动引起的煤炭矿区周边土壤重金属污染问题已受到众多学者的关注. 已有学者针对黄河上游的黑岱沟煤矿[9]、黄河中游的神木市煤矿[10]和山西煤矿区[11]及鄂尔多斯高原煤矿[12]、黄河下游的山东段近河道煤矿区[1]周边土壤重金属的赋存特征、污染现状、污染来源及其对人群的健康风险开展了系列相关工作. 例如孙锐等[12]研究鄂尔多斯高原煤矿区土壤重金属来源时发现, 煤炭开采、化石燃料燃烧和大气交通等复合污染是该地区土壤重金属富集的主要贡献源；戴文婷等[1]发现黄河下游的山东段近河道煤矿区开采和工程建设活动导致煤矿区土壤存在以Hg污染为主, 局部Cu、Cd和As污染的情况；Cheng等[11]通过对山西多个煤矿区周边农田土壤重金属污染状况及其风险的综合研究发现, 土壤重金属污染已对当地生态环境安全构成了威胁, 但并未造成显著的人类健康风险. 这些研究为黄河流域不同区域煤炭矿区土壤污染风险的有效管控和土壤污染的精准治理提供了科学依据和参考意见. 然而, 针对黄河上游干旱-半干旱地区煤炭矿区周边土壤重金属污染风险及其溯源分析的研究却相对缺乏.
位于黄河上游的白银平川区王家山煤矿是甘肃省主要煤炭生产基地之一, 煤矿在采矿生产期间产生的煤矸石、洗煤水等废弃物及大量运煤车辆不可避免地影响了煤炭矿区周边生态环境安全. 特别是采矿废弃物重要承载单元的周边土壤环境, 其重金属污染值得关注. 为此, 本文选取王家山煤矿周边城镇土壤和农田土壤为研究对象, 测定并分析了土壤As、Cd、Cr、Cu、Hg、Ni、Pb和Zn等8种重金属含量特征, 应用地累积指数法、富集因子法及改进内梅罗综合污染指数法全面量化了土壤重金属的污染特征, 并采用综合生态风险指数对土壤重金属污染的生态风险进行了系统评估. 此外, 联合运用聚类分析和正定矩阵因子分解（positive matrix factorization, PMF）受体模型定量探究土壤重金属的污染来源及其贡献率, 以期为干旱-半干旱地区煤炭矿区周边土壤污染风险的精准管控和精细化防治提供理论依据, 并为持续推动黄河上游煤炭矿区生态保护与高质量发展提供新的见解.
1 材料与方法 1.1 研究区概况王家山煤矿（36°51′~36°53′N, 104°39′~104°46′E）地处甘肃省白银市靖远县城北60 km, 平川区西北约30 km处[13], 行政上隶属白银市平川区王家山镇和东升乡管辖[图 1（a）]. 气候上属温带大陆性干旱气候, 年均气温8.2℃, 年均降水量250 mm, 年主导风向为西北风, 但夏秋两季有东南风[14]. 矿区三面环山, 地势起伏较大, 东西长约8 km, 南北宽1.0~3.0 km, 面积为8.34 km2, 海拔为1 800~2 400 m[15]. 截至2021年末, 王家山镇和东升乡共有人口约3.8万余人. 土壤类型以灰钙土、栗钙土和石质土为主, 耕地14.2万亩, 以水浇地为主, 种植有小麦、玉米、马铃薯和瓜类等农作物及油料和枸杞等经济作物[14]. 矿区以煤炭开采、销售和运输等业务为主, 机械化改造设计生产能力45万t·a-1. 区内建设有煤炭外运的煤矿区公路和铁路专用线, 交通运输便捷. 矿区内露天堆放着大量原煤及煤矸石、锅炉灰渣等矿井固体废物, 虽然矿区储煤场四周设有挡风抑尘墙, 修砌拦渣坝, 并覆土绿化, 还配备洒水降尘系统, 但历史上粗放式的煤炭开采造成的地面塌陷、土地压占和黑色污染较为严重, 威胁周边生态环境安全.
|
图 1 王家山煤矿位置及土壤采样点分布示意 Fig. 1 Showing the location of the Wangjiashan coal mine and soil sampling site distribution |
基于王家山煤矿周边城镇和农田的分布情况, 以煤矿区为中心, 在其四周分布有农田和存在有人类活动的城镇区域, 分别布设城镇土壤样点36处和农田土壤样点39处[图 1（c）]. 于2023年5月连续7 d以上晴朗无风天气之后, 利用竹铲在25 m×25 m区域内, 采用五点采样法采集0~20 cm深度的土壤样品[图 1（c）]. 将收集的样品充分混合, 并通过四分法弃取后, 留有重约3 kg的样品, 贴上标签[16], 其中农田土壤和城镇土壤样品分别以N和G进行编号. 在采集样品的同时记录样品编号、采样时间和地点、土地利用类型、经纬度坐标和周边环境信息.
采集的土壤样品运回实验室后, 经自然风干、剔除植物残渣和砂砾等异物后, 分为两份. 一份利用玛瑙研钵研磨到过孔径2.00 mm（10目）的尼龙筛, 采用水土比2.5∶1的电位法, 使用数显酸碱度测试仪（PHS-3C, 上海雷磁）测量土壤pH值[17]. 另一份研磨至粒径小于0.149 mm（100目）供重金属总量的测定, 其中Cd、Cr、Cu、Fe、Ni、Pb和Zn的含量使用电感耦合等离子体质谱仪（ICP-MS, Thermo X Series 2, 美国）测定[18], As和Hg的含量借助原子荧光光谱仪（AFS, XGY-1011A, 中国）进行测定. 样品测定的同时采用空白试样、20%的平行样品和国家标准土壤样品（GBW 07449）来确保分析测试的精密度、准确度和质量. 空白样的测定结果低于测定下限, 平行样品测定结果的相对偏差在±25%以内, 标准样品的加标回收率在90%~99%之间, 且实验测定所有器皿均使用稀酸浸泡过夜, 说明分析结果可靠可信.
1.3 重金属污染评价方法 1.3.1 重金属单项污染评价方法地累积指数法（geo-accumulation index, Igeo）和富集因子法（enrichment factor, EF）被联合用来量化土壤中单项重金属元素的污染特征[19~22]. 二者的计算公式为：
|
(1) |
|
(2) |
式中, Igeo和EF分别为地累积指数值（无量纲）和富集因子（无量纲）, Ci和Bi分别为重金属i的实测值和甘肃省土壤背景值（mg·kg-1）；1.5为应对成岩作用可能引起的背景值波动而设定的校正系数[20].（Ci/Cr）样品中Ci和Cr依次为土壤中重金属i和参考元素的实测值（mg·kg-1）；（Ci/Cr）背景值中Ci和Cr依次为甘肃省土壤元素i和参考元素的背景值（mg·kg-1）. 本研究选取含量较为稳定且受人为污染影响较小的Fe作为参考元素[22], 背景值为甘肃省土壤背景值. 基于Igeo值和EF值的污染分级标准[19, 21]见表 1所示.
|
表 1 土壤重金属污染评价方法的分级标准1） Table 1 Grading standards for soil heavy metal contamination assessment methods |
1.3.2 重金属综合污染评价方法
由于传统的内梅罗污染指数法过于凸显高含量污染物对环境质量的影响, 并未考虑不同污染物的权重, 从而导致评价结果无法真实反映环境污染程度[23]. 近年来, 基于Igeo改进的内梅罗综合污染指数（improved Nemerow index, INI）[24]已大量应用于土壤多项重金属综合污染程度的评价[25]. 其计算公式为：
|
(3) |
式中, INI表示改进内梅罗综合污染指数值（无量纲）, Igeomax和Igeoave分别为Igeo的最大值和平均值（mg·kg-1）. 基于INI值的污染分级标准[23]见表 1所示.
1.4 重金属污染风险评价方法综合生态风险指数（Nemerow integrated risk index, NIRI）是在考虑重金属毒性及其复合污染累积效应的基础上[26], 由传统潜在生态风险指数演化而来的一种定量分析重金属导致的生态风险水平的方法[27]. 其计算公式为：
|
(4) |
|
(5) |
式中, Ci和Bi同公式（1）, Eri和Tri为重金属i的生态风险指数和毒性系数（无量纲）, 其中As、Cd、Cr、Cu、Ni、Hg、Pb和Zn的Tri值依次为10、30、2、5、5、40、5和1（无量纲）[28]. Ermaxi和Eraveragei分别为Eri的最大值和平均值（无量纲）. 基于Eri和NIRI值的生态风险分级标准[26]见表 1所示.
1.5 重金属污染来源分析方法 1.5.1 聚类分析聚类分析是一种研究物以类聚的多元统计方法, 即依据研究对象的特征进行分类. 土壤重金属污染的聚类分析是衡量不同重金属元素之间的相似性, 从而判定各重金属元素的来源是否具有相似性[29].
1.5.2 PMF溯源模型PMF模型是一种具有无需测量源成分谱, 可实现对分解矩阵加以非负处理, 并在输入受体数据过程中利用数据标准偏差进行受体数据的不确定度分析, 从而使运行结果更加可靠等优点的源解析受体模型[30, 31]. 该方法主要通过分解原始矩阵为源贡献矩阵、源成分谱矩阵和残差矩阵来实现数据处理, 从而准确地识别和量化重金属污染源. 具体模型运行公式与过程详见文献[32].
1.6 数据分析与制图软件采用Microsoft Excel 2020软件对土壤重金属含量数据进行统计分析, 并完成土壤重金属污染评价指数的计算. 运用SPSS 26.0软件进行土壤重金属聚类分析, 借助PMF 5.0软件进行土壤重金属污染源解析, 采用Origin 2022和ArcGIS 10.7软件完成相关图件的制作和编辑.
2 结果与讨论 2.1 煤矿区周边土壤重金属含量统计特征煤矿区周边土壤重金属的含量统计结果如表 2所示. 从中可知, 研究区城镇土壤的pH值介于8.21~9.34之间, 为碱性土壤, 其重金属含量的平均值高低排序为：Zn > Cr > Ni > Pb > Cu > As > Cd > Hg. 与甘肃省土壤背景值[33]相比, 除Ni之外, 土壤Pb、Hg、Cd、Zn、Cu、As和Cr含量分别有100%、88.89%、44.44%、22.22%、16.67%、13.89%和2.78%的样点超过甘肃省土壤背景值, 其中Hg和Pb含量的均值分别高于甘肃省土壤背景值的3.0倍和1.26倍. 表明研究区城镇土壤出现了不同程度的重金属富集, 尤其是Hg和Pb的累积效应明显. 然而, 城镇土壤8种重金属的含量均未高出《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）中第一类建设用地（居住用地）的风险筛选值[34]（表 2）, 意味着土壤质量相对安全, 处于安全无污染风险状态.
|
|
表 2 研究区周边土壤重金属含量的描述性统计1） Table 2 Descriptive statistics of heavy metal concentrations in soils around the study area |
变异系数（coefficient of variance, CV）是一种通过标准差与平均值的比值来衡量数据分布离散性的统计指标. 土壤重金属的CV值大小能够反映土壤重金属含量空间分布的离散程度和人为干扰强度, 较高的CV值通常指示着土壤重金属含量较强的空间异质性和人为干扰 [35]. 由表 2可知, 研究区城镇土壤重金属的CV值排序为：Hg > Pb > As > Cd > Zn > Cu > Ni > Fe > Cr. 其中Hg显示为高度变异（CV > 36%）, As、Cd和Pb表现为中度变异（16%≤CV≤36%）, 其余重金属均属于低度变异（CV < 16%）[36], 说明Hg、Pb、As和Cd可能受到了人类活动干扰[37], 从而导致它们的含量空间分布具有异质性.
对于农田土壤而言, 其pH值为7.82~9.21, 平均值为8.80（表 2）, 属于典型的碱性土壤[38]. 其重金属含量的均值高低依次为：Zn > Cr > Ni > Pb > Cu > As > Cd > Hg（表 2）. 与甘肃省土壤背景值相比, 除Cr之外, 土壤Pb、Hg、Cd、Cu、Zn、As和Ni含量分别存在100%、89.74%、38.46%、25.64%、23.09%、23.08%和17.95%的样点高于甘肃省土壤背景值, 其中Hg和Pb含量的均值分别是甘肃省土壤背景值的2.0倍和1.26倍. 然而, 8种元素的含量均低于《土壤环境质量农用地土壤污染风险管控标准（试行）》（GB 15618-2018）（pH > 7.5）中非水田和非果园用地的筛选值[39]（表 2）, 表明农田区域土壤质量相对安全, 处于无污染风险状态. 农田土壤重金属的CV值高低排序为：Hg > Ni > Cu > Cd > Zn > As > Pb > Fe > Cr. 其中Hg和Ni表现为高度变异, Cu、Pb和Zn属于中度变异, As、Cd、Cr和Fe的变异较低（表 2）, 说明Hg、Ni、Cu、Pb和Zn含量的空间差异性较为明显, 受到了人类活动不同程度的影响.
2.2 煤矿区周边土壤重金属污染评价 2.2.1 地累积指数和富集因子评价煤矿区周边城镇土壤重金属的Igeo评价结果如图 2所示. 从中可知, 重金属的Igeo平均值由高到低依次为：Hg（0.59） > Pb（-0.20） > Cd（-0.62） > Cu（-0.67） > Zn（-0.70） > As（-0.74） > Cr（-0.83） > Ni（-0.88）. 其中除Hg的Igeo均值为轻度污染（0 < Igeo≤1）之外, 其余元素的Igeo均值均小于0, 表现为清洁无污染特征[图 2（a）]. 具体而言, Hg是污染程度最为严重且污染等级最为多样的元素, 分别有5.56%、30.56%和36.11%的样点处于中度、偏中度和轻度污染水平. 其次是污染相对较轻的Pb, 分别有2.78%和5.56%的样点处于中度和轻度污染水平. 其余As、Cd、Cr、Cu、Ni和Zn在所有样点均为无污染. 对于农田土壤而言, 其重金属的Igeo均值由大到小依次为：Hg（0.27） > Pb（-0.22） > Ni（-0.64） > Cu（-0.65） > Cd（-0.66） > Zn（-0.68） > As（-0.71） > Cr（-0.81）[图 2（a）]. 其中除了Hg的Igeo均值为轻度污染（0 < Igeo≤1）之外, 其余元素均呈现出清洁无污染特征（Igeo≤0）, 表明Hg是农田土壤的主要污染元素[图 2（a）]. 具体而言, Hg是污染程度最为严重且污染等级最为多样的元素, 有5.13%的样点呈中度污染, 12.82%表现为偏中度污染, 而38.46%的样本属于轻度污染；其次是Pb, 虽然污染相对较轻, 但仍有2.56%的样点处于中度污染水平, 12.82%属于轻度污染. Cu、Ni和Zn分别有5.13%、12.82%和2.56%的样点为轻度污染；As、Cd和Cr在所有样点均为无污染.
|
图 2 研究区周边土壤重金属地累积指数和富集因子评价结果 Fig. 2 Results of the Igeo and EF of soil heavy metals around the study area |
研究区周边城镇土壤重金属的EF评价结果显示, 其平均值高低依次为：Hg（3.26） > Pb（1.49） > Cd（1.11） > Cu（1.05） > Zn（1.04） > As（1.02） > Cr（0.94） > Ni（0.91）[图 2（b）]. 其中Hg为轻度污染（2≤EF < 5）, 其余Pb、Cd、Cu、Zn、As、Cr和Ni为无污染（EF < 2）. 具体说来, Hg的富集程度最高, 分别有58.33%和11.11%的样点为轻度和中度污染, 其余7种元素均为全域无污染. 农田土壤EF的均值高低排序为：Hg（2.42） > Pb（1.43） > Ni（1.13） > Cu（1.08） > Cd（1.07） > Zn（1.05） > As（1.03） > Cr（0.95）[图 2（b）]. 其中Hg为轻度污染, 其余7种元素为无污染. 与城镇土壤相同的是Hg也是农田土壤中富集程度最强的元素, 分别有41.03%和5.13%的样点为轻度和中度富集. 其次是Ni、Zn和Cu, 分别有12.82%、2.56%和2.56%的样点为轻度富集. 其余Pb、Cd、As和Cr均为清洁无污染.
综上可知, 煤矿山周边城镇和农田土壤均存在不同程度的重金属污染. 虽然Igeo和EF评价结果略有差异, 但各重金属污染趋势相同. 这是由于Igeo是通过比较重金属实测含量值与地壳背景值来评估污染程度, 而EF是基于重金属实测含量值与某个参考元素的含量值来评估重金属的富集程度, 两种方法参考元素的选择不同导致结果不同[40]. 此外, 两种评价方法均显示Hg是王家山煤矿周边土壤污染最严重的元素, 这与黄河流域山东段近河道煤矿区土壤重金属污染评价结果[1]和全球尺度煤矿区周边土壤重金属污染荟萃分析结果[20]相一致. 也表明汞的来源可能具有特定性, 可能与煤炭开采和加工过程中的Hg排放密切相关[41]. 由于Hg元素具有挥发性、长距离传输性和远距离沉降性, 加之研究区地处干旱半干旱区, 多风少雨, 大气Hg经沉降作用富集于周边土壤表层, 导致土壤中Hg的含量增加.
2.2.2 改进内梅罗综合污染指数评价煤矿山周边城镇土壤重金属的INI评价结果显示, 其INI值为0.59~2.86, 表现为轻度（2.78%）、偏中度（25%）和中度污染（72.22%）特征, 平均值为2.26, 总体上为中度污染（2 < INI≤3）[图 3（a）]. 由图 3（a）可知, 样点G12-G36的污染相对较重, 均处于中度污染状态. 其中样点G22~G36位于人类活动频繁的王家山镇中心区域, 样点G13~G21分布于煤矿区周边, 这些样点相对较重的污染与人类活动排放和煤矿开采、清洗、运输过程中产生的扬尘排放有关[20, 32]. 对于农田土壤而言, 其INI值介于1.67~2.56之间, 呈现出偏中度（7.69%）和中度污染（92.31%）特征, 平均值为2.21, 总体上为中度污染[图 3（b）]. 其中位于西南部的样点N17~N39污染相对较重, 这与样点处于盛行风下风向有关. 此外, 煤矿区碱性的土壤环境会在一定程度上降低土壤重金属的活性和迁移性[42], 从而使研究区土壤整体污染较轻.
|
图 3 研究区周边土壤重金属改进内梅罗综合污染评价结果 Fig. 3 Results of improved Nemerow integrated pollution index (INI) for heavy metals in soils near the study area |
综上所述, 煤矿山周边土壤样点总体上为中度污染. 虽然中度污染意味着一些重金属的浓度可能接近或超过了自然背景值, 但这也可能影响土壤微生物多样性和功能、植物生长和土壤动物的健康. 此外, 还可通过食物链累积对人类健康构成威胁. 因此, 环境管理部门应对煤炭开采及其相关活动引起的土壤环境质量受损给予足够重视, 同时对于盛行风下风向的农田土壤需加强土壤污染监测和风险评估.
2.2.3 综合生态风险指数评价煤矿山周边城镇土壤重金属单项生态风险指数（Eri）的量化结果显示, Eri的平均值高低排序为：Hg（116.08） > Cd（29.06） > As（9.14） > Pb（6.70） > Cu（4.73） > Ni（4.09） > Cr（1.69） > Zn（0.93）[图 4（a）]. 其中Cd、As、Pb、Cu、Ni、Cr和Zn为轻微风险（Eri≤40）, Hg属于较强风险（80 < Eri≤160）. 综合生态风险指数（NIRI）值为25.10~495.17, 平均值为83.61, 总体上为较强风险（80 < NIRI≤160）. 其中分别有94.44%、2.78%和2.78%的研究样点处于轻微（NIRI≤40）、中等（40 < NIRI≤80）和较强风险等级. 农田土壤重金属Eri的均值高低依次为：Hg（88.22） > Cd（29.07） > As（9.27） > Pb（6.48） > Ni（5.15） > Cu（4.90） > Cr（1.72） > Zn（0.95）[图 4（a）]. 与城镇土壤相同的是, 除Hg处于较强风险等级之外, 其余重金属均为轻微风险. 此外, 周边农田土壤重金属的NIRI值在23.13~331.94之间, 平均值为62.02, 为中等风险. 其中分别有94.87%、2.56%和2.56%的研究样点为轻微、中等和较强风险.
|
（a）单项生态风险（雷达图中的数字为Eri值）, （b）综合生态风险 图 4 研究区周边土壤重金属生态风险评价结果 Fig. 4 Ecological risk assessment results for heavy metals in soils near the study area |
由结果可知, Hg是构成王家山煤矿周边土壤综合生态风险的主导元素, 这与新疆准东露天煤矿周边土壤[43]和山西省煤矿区土壤重金属污染的潜在生态风险评估中的主要风险元素相一致[11]. 虽然除Hg之外, 其余重金属单项风险均为轻微风险, 但当考虑所有重金属污染物的综合效应时, 其对生态系统的潜在威胁显著增加. 同时, 周边城镇土壤的综合生态风险高于农田土壤, 且综合生态风险较高的区域集中在城镇的西部和西北部及农田的西部区域[图 4（b）], 这与城镇中部区域煤矿开采、分装和运输等活动有关[44], 也反映出煤矿区周边土壤重金属污染存在较大的空间异质性. 此外, 样品采集于夏季, 期间研究区盛行东南风, 煤矿活动产生的扬尘会随风力作用更易在下风向的农田土壤中累积, 从而导致土壤重金属含量的增加.
2.3 煤矿区周边土壤重金属的溯源解析 2.3.1 聚类分析如前所述, 煤矿区周边城镇和农田土壤污染风险差别不大, 仅是因城镇土壤距离煤矿区较农田土壤近, 导致其整体污染风险略微高于农田土壤. 为探究煤矿区周边土壤中各重金属元素之间的相关性, 将城镇和农田土壤8项重金属元素合并进行聚类分析（图 5）. 结果显示, 土壤重金属被分为6类. 当树状图中的距离为6时, Cu与Zn优先被聚为一类（图 5）, 表明二者具有同源性. 当距离为15时, Cr和Ni聚为一类, 说明Cr和Ni可能源于同一污染源；当距离为18时, Cd与Cr、Ni、Cu和Zn存在一定的关联度（图 5）, 意味着它们具有相似的污染源；当距离为20时, As、Cd、Cr、Ni、Cu和Zn之间的关联程度显著, 表现出较强的同源性；当距离为22时, Pb与As、Cd、Cr、Cu、Ni和Zn之间的关联性相对较强, 说明这7种元素可能具有相同的污染源, 也说明As、Cd、Cr、Cu、Ni和Zn具有多源性[45]. Hg单独为一类, 表明Hg受其他污染源的影响.
|
图 5 研究区周边土壤重金属聚类分析 Fig. 5 Clustering of heavy metal concentrations in soils near the study area |
为精确量化研究区土壤重金属的污染源及其贡献率, 利用PMF模型对土壤重金属污染源进行了定量分析. 首先将重金属的浓度数据及其不确定性信息输入到PMF 5.0软件进行处理, 发现所分析的8项重金属中Ni和Pb的信噪比（S/N）小于0.5而被定义为“bad”, 其余6项重金属均被选择为“strong”（S/N > 1）. 因Ni和Pb被归类为“bad”, 故Ni和Pb不能参与PMF模型的分析[46]. 其次设置2~8个因子数进行多次迭代计算, 当因子数为5时, 目标函数的值最小, 且所分析重金属的残差值均在-3~3之间. 重金属预测值与观测值的拟合曲线的拟合结果显示, 除Cu（r2=0.774）外, As、Cd、Cr、Hg和Zn的拟合度r2大于0.966. 以上分析参数表明PMF模型解析效果较好, 选取的因子数可充分解释原始数据信息, 源解析结果精确可信[47]. 基于PMF模型解析的土壤重金属因子成分谱图及其贡献率如图 6所示, 5个因子的相对贡献率分别为28.8%、20.73%、20.68%、15.68%和14.11%.
|
图 6 基于PMF模型的研究区周边土壤重金属溯源解析 Fig. 6 Source apportionment of soil heavy metals around the study area based on PMF model |
因子1对As、Zn和Cu的贡献率分别为40.73%、31.41%和29.94%, 表明这3项重金属对因子1具有主导贡献. 由前述分析可知, 城镇和农田土壤中部分样点的Cu、Zn和As含量超过了甘肃省土壤背景值且存在一定的污染. 农田土壤中Cu含量的平均值虽然略低于城镇土壤, 但最大值远高于城镇土壤, 且Zn含量的平均值和最大值均高于城镇土壤（表 2）. 同时, 农田土壤Cu和Zn的中度变异特征表明农业活动为两者的主要来源, 这与农业生产中化肥、杀虫剂和农药的混合施用有关[46, 48]. 城镇土壤As污染则与周边工业活动的煤炭燃烧有关[41]. 白银平川区是西北最大的日用瓷生产基地和甘肃省矿产资源产业重点发展区域, 研究区周边建设有一定数量的陶瓷生产企业, 主要使用煤炭作为燃料, 导致As在周围土壤中的积累, 而研究区农田种植的玉米和小麦在生长的不同阶段, 为了防止病虫害, 会广泛使用杀虫剂、杀菌剂、植物生长调节剂和微肥等药剂, 进一步加剧了农田土壤Cu和Zn的污染. 这与息朝庄等[49]和马杰等[50]的研究结论基本一致. 为此, 因子1可能受燃煤和农业活动的综合影响.
因子2具有高载荷的Hg（99.99%）. 城镇和农田土壤中Hg含量的均值都高于甘肃省土壤背景值的2倍以上, 并呈现出显著的高度变异性, 且Hg还是研究区周边土壤污染的首要元素, 这意味着受到了人为输入源的影响[46]. 已有研究显示煤炭矿区周边土壤Hg含量的增加与煤矿开采活动密切相关[44, 51], 尤其是中国土壤汞的高含量与煤矿开采过程中煤矸石堆放场有关[40, 44]. 研究区城镇和农田土壤位于煤炭矿区周边区域, 虽然矿区采取了挡风抑尘墙、修砌拦渣坝和洒水降尘系统等降低环境污染的措施, 但过去粗放式的开采及现运营的部分私营煤矿厂并未采取有效的环保措施. 研究区地处干旱-半干旱区的黄土高原丘陵地带, 煤矿开采活动产生的粉尘以及采煤和洗煤过程中排放的煤矸石和煤泥等煤系固体废弃物, 经沉降、径流、淋滤等过程向周边土壤环境迁移和扩散, 导致土壤重金属含量的增加. 为此, 因子2可能为煤矿开采源.
因子3对Cr和As的载荷较高, 贡献率分别为35.37%和26.68%. 由因子1分析可知, 部分样点的As源自于工业活动, 而除城镇土壤Cr含量的最大值略微高于甘肃省土壤背景值之外, 其余样点和所有农田土壤样点的Cr含量均低于甘肃省土壤背景值, 污染评价也显示周边土壤所有研究样点的Cr均处于无污染状态. 多项研究认为土壤Cr和As主要源自于地表岩石风化成土的过程[52, 53], 即通过岩石的风化作用和土壤矿物的分解过程自然进入土壤. 聚类分析进一步证实了研究区周边土壤中Cr和As的同源性[图 5（a）]. 因此, 推测因子3代表自然源.
因子4由Cu（41.18%）和Zn（40.32%）大量加权, Cd（26.17%）少量加权. 城镇土壤和农田土壤部分样点的Cu和Zn超过了甘肃省土壤背景值且存在轻度污染, 表明这些样点的土壤Cu和Zn受到了人类活动的影响. 研究发现土壤中Cu、Zn和Cd的富集与交通活动有关[54], 车辆轮胎摩擦、刹车磨损、镀锌部件腐蚀及汽车尾气排放均会释放含有Cd、Cu和Zn的金属颗粒[55]. 这些金属颗粒通过大气干湿沉降或者风力作用累积于周边土壤中, 导致周边土壤环境中Cd、Cu和Zn的含量增加. 煤矿是研究区主要的经济支柱, 区内建设有运送煤炭的矿区公路和铁路专用线以及穿越农田集中分布区的京藏高速公路. 长期的煤炭运输和公路交通活动, 特别是车辆轮胎与路面的持续摩擦、镀锌部件的磨损和尾气排放, 不可避免地会导致周边土壤Cd、Cu和Zn元素含量的增加. 由因子1的分析可知, 周边土壤Cu和Zn富集的样点受到了煤矿开采活动的影响, 这与聚类分析结果显示的Cu和Zn具有多源性相吻合[图 5（a）], 也与成碧君等[56]对山西省某煤矿区土壤中Cu和Zn源于煤矿运输的结论较为一致. 因此, 因子4可能受交通活动的影响.
因子5对Cd的载荷最高, 贡献率为37.07%. 城镇土壤Cd为中度变异, 城镇土壤和农田土壤的部分样本中Cd的含量超过了甘肃省土壤背景值, 说明煤矿区周边土壤Cd含量受到了人类活动的影响. 已有研究表明工业活动产生的废水、废气和废渣是土壤Cd污染的主要来源[57, 58]. 研究区周边建设有矿材厂、建材厂、陶瓷厂和砖瓦厂等工业设施, 这些工厂持续生产过程中所产生的工业“三废”均会引起周边土壤Cd含量的增加. 为此, 因子5可能为工业源. 该结果与梁樑等[59]学者对乌鲁木齐市城区绿地土壤中Cd来自于工业企业排放的“三废”的结果相一致.
综上可知, 煤矿开采活动是煤矿山周边土壤重金属污染的首要源头, 其贡献率高达28.8%；交通活动次之, 贡献率为20.73%；燃煤农业活动和工业活动对土壤重金属的贡献率分别占20.68%和15.68%, 自然因素的贡献最少, 仅为14.11%；其中As的排放源为燃煤-农业和自然源, 依次贡献了40.73%和26.68%；Cu和Zn的主要来自于燃煤-农业源和交通源, 分别贡献了29.94%、31.41%和41.19%、40.32%；Cd主要源自于工业源和交通源, 贡献率分别为37.07%和26.17%. Cr的主要来源为自然源, 贡献率为35.37%；Hg的主要来源为煤矿开采源, 贡献率为99.99%.
3 结论（1）煤矿区周边土壤重金属含量的平均值大小排序为：Zn > Cr > Ni > Pb > Cu > As > Cd > Hg, 其中仅Hg和Pb的含量平均值高出甘肃省的土壤背景值. 周边城镇土壤和农田土壤8种重金属含量均分别低于《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）中第一类建设用地的风险筛选值和《土壤环境质量农用地土壤污染风险管控标准（试行）》（GB15618-2018）（pH > 7.5）的筛选值, 土壤生态环境风险较低.
（2）煤矿区周边土壤重金属As、Cd和Cr为无污染, Cu、Ni、Pb和Zn存在不同程度的污染. Hg是污染程度最为严重和生态风险危害程度最高的元素, As、Cd、Cr、Cu、Ni、Pb和Zn元素存在轻微生态风险. 城镇和农田土壤的综合生态风险等级分别为较强生态风险和中等生态风险. 煤矿的生产活动、人类活动的强度和盛行风向等因素是引起周边土壤生态风险差异的主要因素.
（3）煤矿区周边土壤重金属主要源自于煤矿开采源、燃煤-农业源、交通源、工业源和自然源, 贡献率分别为28.8%、20.73%、20.68%、15.68%和14.11%. 煤矿的开采、生产和运输等活动是造成周边土壤重金属富集的主要原因, 需进一步加强矿区污染排放的监管、定期开展周边土壤-地下水系统中重金属的协同监测与评价, 并实施适宜的修复措施.
| [1] |
戴文婷, 张晖, 吴霞, 等. 黄河流域山东段近河道煤矿区土壤重金属污染特征及源解析[J]. 环境科学, 2024, 45(5): 2952-2961. Dai W T, Zhang H, Wu X, et al. Pollution characteristics and source analysis of soil heavy metal in coal mine area near the Yellow River in Shandong[J]. Environmental Science, 2024, 45(5): 2952-2961. |
| [2] | Hou Y R, Zhao Y Y, Lu J L, et al. Environmental contamination and health risk assessment of potentially toxic trace metal elements in soils near gold mines-A global meta-analysis[J]. Environmental Pollution, 2023, 330. DOI:10.1016/j.envpol.2023.121803 |
| [3] |
郑丹凤, 刘娣, 苏超, 等. 典型煤炭产业园区土壤重金属污染对细菌群落结构的影响[J]. 环境科学, 2023, 44(11): 6354-6361. Zheng D F, Liu D, Su C, et al. Ecological responses of soil bacterial communities to heavy metal contamination surrounding a typical coal-based industrial region[J]. Environmental Science, 2023, 44(11): 6354-6361. |
| [4] | Kumari M, Kumar A, Bhattacharya T. Assessment of heavy metal contamination in street dust: concentrations, bioaccessibility, and human health risks in coal mine and thermal power plant complex[J]. Environmental Geochemistry and Health, 2023, 45(10): 7339-7362. DOI:10.1007/s10653-023-01695-5 |
| [5] |
李晶, 杨超元, 殷守强, 等. 草原型露天煤矿区土壤重金属污染评价及空间分布特征[J]. 煤炭学报, 2019, 44(12): 3676-3684. Li J, Yang C Y, Yin S Q, et al. Evaluation and spatial distribution characteristics of soil heavy metals pollution in grassland open-pit coal mine area[J]. Journal of China Coal Society, 2019, 44(12): 3676-3684. |
| [6] | Macklin M G, Thomas C J, Mudbhatkal A, et al. Impacts of metal mining on river systems: a global assessment[J]. Science, 2023, 381(6664): 1345-1350. DOI:10.1126/science.adg6704 |
| [7] |
毕银丽, 彭苏萍, 杜善周. 西部干旱半干旱露天煤矿生态重构技术难点及发展方向[J]. 煤炭学报, 2021, 46(5): 1355-1364. Bi Y L, Peng S P, Du S Z. Technological difficulties and future directions of ecological reconstruction in open pit coal mine of the arid and semi-arid areas of western China[J]. Journal of China Coal Society, 2021, 46(5): 1355-1364. |
| [8] |
卞正富, 于昊辰, 雷少刚, 等. 黄河流域煤炭资源开发战略研判与生态修复策略思考[J]. 煤炭学报, 2021, 46(5): 1378-1391. Bian Z F, Yu H C, Lei S G, et al. Strategic consideration of exploitation on coal resources and its ecological restoration in the Yellow River Basin, China[J]. Journal of China Coal Society, 2021, 46(5): 1378-1391. |
| [9] |
李斌, 华宇鹏, 田继兰, 等. 黑岱沟露天煤矿排土场周边土壤重金属污染分析[J]. 四川环境, 2023, 42(3): 170-173. Li B, Hua Y P, Tian J L, et al. Analysis of heavy metal pollution in soil around the dumping site of Heidaigou open-pit coal mine[J]. Sichuan Environment, 2023, 42(3): 170-173. |
| [10] |
王春光, 彭景颂, 李婉莹, 等. 黄河中游重要生产煤矿山土壤重金属特征分析与评价[J]. 矿业安全与环保, 2022, 49(5): 124-130. Wang C G, Peng J S, Li W Y, et al. The analysis and evaluation on the features of the heavy metals in coal mining soil in the middle reaches of the Yellow River[J]. Mining Safety & Environmental Protection, 2022, 49(5): 124-130. |
| [11] | Cheng B J, Wang Z Y, Yan X Q, et al. Characteristics and pollution risks of Cu, Ni, Cd, Pb, Hg and As in farmland soil near coal mines[J]. Soil & Environmental Health, 2023, 1(3). DOI:10.1016/j.seh.2023.100035 |
| [12] |
孙锐, 周晓芳, 陈阳, 等. 正定矩阵因子模型解析鄂尔多斯高原煤矿土壤重金属来源[J]. 科学技术与工程, 2021, 21(16): 6937-6943. Sun R, Zhou X F, Chen Y, et al. Positive definite matrix factor model analysis of the source of heavy metals in coal mine soils in the Ordos plateau[J]. Science Technology and Engineering, 2021, 21(16): 6937-6943. |
| [13] | 张治璞, 杜昱, 龚真鹏, 等. 王家山煤矿冲击地压防治研究[J]. 煤, 2013, 22(6): 41-45. |
| [14] | 白银市平川区地方志编纂委员会办公室. 平川区年鉴2022[M]. 兰州: 甘肃民族出版社, 2022. |
| [15] | 马思弼. 甘肃省白银市王家山煤矿含煤地层古地理环境及煤层对比浅析[J]. 西部探矿工程, 2018, 30(6): 184-187, 190. |
| [16] | GB/T 36197-2018, 土壤质量土壤采样技术指南[S]. |
| [17] | HJ 962-2018, 土壤pH值的测定电位法[S]. |
| [18] | HJ 1315-2023, 土壤和沉积物19种金属元素总量的测定电感耦合等离子体质谱法[S]. |
| [19] | Müller G. Schwermetalle in den sedimenten des rheins-veränderungen seit 1971[J]. Umschau in Wissenschaft und Technik, 1979, 79(24): 778-783. |
| [20] | Xiao X, Zhang J X, Wang H, et al. Distribution and health risk assessment of potentially toxic elements in soils around coal industrial areas: a global meta-analysis[J]. Science of the Total Environment, 2020, 713. DOI:10.1016/j.scitotenv.2019.135292 |
| [21] | Zhu X, Yu W X, Li F, et al. Spatio-temporal distribution and source identification of heavy metals in particle size fractions of road dust from a typical industrial district[J]. Science of the Total Environment, 2021, 780. DOI:10.1016/j.scitotenv.2021.146357 |
| [22] | Wang Z Z, Lu X W, Yu B, et al. Ascertaining priority control pollution sources and target pollutants in toxic metal risk management of a medium-sized industrial city[J]. Science of the Total Environment, 2023, 887. DOI:10.1016/j.scitotenv.2023.164022 |
| [23] | Yang H R, Wang F E, Yu J, et al. An improved weighted index for the assessment of heavy metal pollution in soils in Zhejiang, China[J]. Environmental Research, 2021, 192. DOI:10.1016/j.envres.2020.110246 |
| [24] | Santos-Francés F, Martínez-Graña A, Zarza C Á, 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 |
| [25] | 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 |
| [26] | 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 |
| [27] | Zeng W B, Wan X M, Wang L Q, et al. Apportionment and location of heavy metal(loid)s pollution sources for soil and dust using the combination of principal component analysis, Geodetector, and multiple linear regression of distance[J]. Journal of Hazardous Materials, 2022, 438. DOI:10.1016/j.jhazmat.2022.129468 |
| [28] | Håkanson L. An ecological risk index for aquatic pollution control. A sedimentological approach[J]. Water Research, 1980, 14(8): 975-1001. |
| [29] | Proshad R, Islam M S, Kormoker T, et al. Potential toxic metals (PTMs) contamination in agricultural soils and foodstuffs with associated source identification and model uncertainty[J]. Science of the Total Environment, 2021, 789. DOI:10.1016/j.scitotenv.2021.147962 |
| [30] | 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. |
| [31] | Li J, Li X, Wang C, et al. Pollution characteristics and probabilistic risk assessment of heavy metal(loid)s in agricultural soils across the Yellow River Basin, China[J]. Ecological Indicators, 2024, 167. DOI:10.1016/j.ecolind.2024.112676 |
| [32] |
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. |
| [33] | 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. |
| [34] | GB 36600-2018, 土壤环境质量建设用地土壤污染风险管控标准(试行)[S]. |
| [35] | Zou H, Ren B Z, Deng X P, et al. Geographic distribution, source analysis, and ecological risk assessment of PTEs in the topsoil of different land uses around the antimony tailings tank: a case study of Longwangchi tailings pond, Hunan, China[J]. Ecological Indicators, 2023, 150. DOI:10.1016/j.ecolind.2023.110205 |
| [36] | 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 |
| [37] | Guo Z H, Zhang Y X, Xu R, et al. Contamination vertical distribution and key factors identification of metal(loid)s in site soil from an abandoned Pb/Zn smelter using machine learning[J]. Science of the Total Environment, 2023, 856. DOI:10.1016/j.scitotenv.2022.159264 |
| [38] | Zhang Y X, Wu Y, Song B, et al. Spatial distribution and main controlling factor of cadmium accumulation in agricultural soils in Guizhou, China[J]. Journal of Hazardous Materials, 2022, 424. DOI:10.1016/j.jhazmat.2021.127308 |
| [39] | GB 15618-2018, 土壤环境质量农用地土壤污染风险管控标准(试行)[S]. |
| [40] |
李旭, 李军, 李开明, 等. 基于蒙特卡洛模拟的兰州银滩湿地公园沉积物重金属污染特征及风险评价[J]. 环境化学, 2024, 43(7): 1111-1126. Li X, Li J, Li K M, et al. Characteristics and risk assessment of heavy metals contamination in sediments from the Lanzhou Yintan wetland park based on Monte Carlo simulation model[J]. Environmental Chemistry, 2024, 43(7): 1111-1126. |
| [41] |
张亚宁, 吴喜军, 董颖, 等. 陕北矿区河流沉积物重金属的生态风险源定量解析[J]. 环境科学学报, 2023, 43(6): 238-246. Zhang Y N, Wu X J, Dong Y, et al. Quantitative analysis of ecological risk sources of heavy metals in river sediments of northern Shaanxi Mining area, China[J]. Acta Scientiae Circumstantiae, 2023, 43(6): 238-246. |
| [42] | Jiang Q, He Y M, Wu Y L, et al. Solidification/stabilization of soil heavy metals by alkaline industrial wastes: a critical review[J]. Environmental Pollution, 2022, 312. DOI:10.1016/j.envpol.2022.120094 |
| [43] |
比拉力·依明, 阿不都艾尼·阿不里, 师庆东, 等. 基于PMF模型的准东煤矿周围土壤重金属污染及来源解析[J]. 农业工程学报, 2019, 35(9): 185-192. Imin B, Abliz A, Shi Q D, et al. Pollution and source identification of heavy metals in surrounding soils of Eastern Junggar coalfield based on PMF model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(9): 185-192. |
| [44] | Sun L, Guo D K, Liu K, et al. Levels, sources, and spatial distribution of heavy metals in soils from a typical coal industrial city of Tangshan, China[J]. CATENA, 2019, 175: 101-109. |
| [45] |
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. |
| [46] | Chai L, Wang Y H, Wang X, et al. Quantitative source apportionment of heavy metals in cultivated soil and associated model uncertainty[J]. Ecotoxicology and Environmental Safety, 2021, 215. DOI:10.1016/j.ecoenv.2021.112150 |
| [47] | Lv J S. Multivariate receptor models and robust geostatistics to estimate source apportionment of heavy metals in soils[J]. Environmental Pollution, 2019, 244: 72-83. |
| [48] | Xie T, Lu F, Wang M E, et al. The application of urban anthropogenic background to pollution evaluation and source identification of soil contaminants in Macau, China[J]. Science of the Total Environment, 2021, 778. DOI:10.1016/j.scitotenv.2021.146263 |
| [49] |
息朝庄, 张鹏飞, 吴林锋, 等. 贵州惠水耕地土壤重金属污染调查与评价[J]. 地质通报, 2023, 42(7): 1228-1239. Xi C Z, Zhang P F, Wu L F, et al. Investigation and evaluation of heavy metal pollution in cultivated land in Huishui County, Guizhou Province[J]. Geological Bulletin of China, 2023, 42(7): 1228-1239. |
| [50] |
马杰, 葛淼, 王胜蓝, 等. 基于源导向的农用地土壤重金属健康风险评估及优先控制因子分析[J]. 环境科学, 2024, 45(1): 396-406. Ma J, Ge M, Wang S L, et al. Health risk assessment and priority control factors analysis of heavy metals in agricultural soils based on source-oriented[J]. Environmental Science, 2024, 45(1): 396-406. |
| [51] | Yoon S, Kim D M, Yu S, et al. Metal(loid)-specific sources and distribution mechanisms of riverside soil contamination near an abandoned gold mine in Mongolia[J]. Journal of Hazardous Materials, 2023, 443. DOI:10.1016/j.jhazmat.2022.130294 |
| [52] | Liao S Y, Jin G Q, Khan M A, et al. The quantitative source apportionment of heavy metals in peri-urban agricultural soils with UNMIX and input fluxes analysis[J]. Environmental Technology & Innovation, 2021, 21. DOI:10.1016/j.eti.2020.101232 |
| [53] | Li Y L, Li P Y, Liu L N. Source identification and potential ecological risk assessment of heavy metals in the topsoil of the Weining plain (Northwest China)[J]. Exposure and Health, 2022, 14(2): 281-294. |
| [54] | Wang J H, Wu H H, Wei W X, et al. Health risk assessment of heavy metal(loid)s in the farmland of megalopolis in China by using APCS-MLR and PMF receptor models: taking Huairou district of Beijing as an example[J]. Science of the Total Environment, 2022, 835. DOI:10.1016/j.scitotenv.2022.155313 |
| [55] | Zheng F, Guo X, Tang M Y, et al. Variation in pollution status, sources, and risks of soil heavy metals in regions with different levels of urbanization[J]. Science of the Total Environment, 2023, 886. DOI:10.1016/j.scitotenv.2022.161355 |
| [56] |
成碧君, 杨秀娟, 高林英, 等. 山西省某煤矿区土壤重金属/类金属污染与健康风险评估[J]. 环境卫生学杂志, 2022, 12(5): 332-344. Cheng B J, Yang X J, Gao L Y, et al. Metal and metalloid pollution and health risk assessment in a coal mine area of Shanxi Province, China[J]. Journal of Environmental Hygiene, 2022, 12(5): 332-344. |
| [57] | Yang S Y, Zhao J, Chang S X, et al. Status assessment and probabilistic health risk modeling of metals accumulation in agriculture soils across China: a synthesis[J]. Environment International, 2019, 128: 165-174. |
| [58] | Li H, Yao J, Sunahara G, et al. Quantifying ecological and human health risks of metal(loid)s pollution from non-ferrous metal mining and smelting activities in Southwest China[J]. Science of the Total Environment, 2023, 873. DOI:10.1016/j.scitotenv.2023.162364 |
| [59] |
梁樑, 郭晓淞, 陈汉杰, 等. 乌鲁木齐市核心城区绿地土壤重金属累积特征及生态风险[J]. 干旱区地理, 2023, 46(11): 1868-1878. Liang L, Guo X S, Chen H J, et al. Accumulation characteristics and ecological risks of heavy metals in green land soils in core urban area of Urumqi city[J]. Arid Land Geography, 2023, 46(11): 1868-1878. |