2025, Vol. 46
2. 地下水污染成因与修复江西省重点实验室，南昌 330013;
3. 江西省煤田地质勘察研究院，南昌 330001
2. Jiangxi Province Key Laboratory of the Causes and Remediation of Groundwater Pollution, Nanchang 330013, China;
3. Jiangxi Coalfield Geological Prospecting Research Institute, Nanchang 330001, China
地下水是重要的饮用水源，是维持自然生态系统的关键，也是直接影响农业生产质量和人类身体健康的关键因子[1].近年来，伴随农业生产和工业发展等密集的人类活动，地下水金属元素污染的问题日益突出[2, 3].金属元素极易在环境和食物中富集，且具有毒性高和不易降解等特性，通过直接接触或食物链进入人体后对神经系统、消化系统、肾脏和肝脏等造成严重伤害[4].因此，研究地下水金属元素的空间分布特征和污染来源，并进行水质及健康风险评价，对于科学认识其潜在危害及制定有效防治措施具有重要意义[5].
金属元素来源解析及水质评价是开展地下水污染防治的依据[6].地下水金属元素主要来源于母岩风化等自然地质背景、金属冶炼、工农业废水排放、化肥农药使用和汽车尾气排放等活动[7].多元统计分析和受体模型是地下水金属元素来源识别的关键技术[8]，其中受体模型绝对主成分-多元线性回归模型（APCS-MLR）能定量解析不同的来源的贡献，已成为源识别和源解析的重要方法[9].随机森林算法作为一种强大的机器学习方法，能够快速有效处理高维数据[10]，较其他同类算法准确率也更高，且能定量评价监测指标对于水质类别的重要性并排序，是水质评价的有效方法[11~13].地下水水质与人体健康息息相关，健康风险评价可以评估地下水质量与人类健康之间关系[14]，当前研究多集中于地下水金属元素污染源的相对贡献及健康风险，而针对特定来源的健康风险评估相对较少.因此，针对金属元素特定来源进行健康风险评估具有重要意义.
研究区位于我国南方，降雨量充沛，周边曾存在大量采矿和冶炼活动，由于早期矿山开采条件限制和环保意识缺乏，造成局部土壤和地下水中金属元素浓度较高[15]，严重影响了当地地下水水质，给当地居民健康带来了潜在的风险.因此，本文根据某尾矿区周边64个地下水采样点9种金属元素（Al、Zn、Cu、Mn、Pb、Cd、Fe、Ba和As）浓度数据，运用描述性统计、克里金插值、随机森林水质评价模型、APCS-MLR和蒙特卡洛模拟，查明研究区地下水金属元素空间分布特征，明确影响地下水水质的关键指标，定量解析金属元素污染来源，并针对地下水金属元素特定来源进行健康风险评估，以期为维护南方尾矿区地下水环境安全以及人体健康提供科学依据.
1 材料与方法 1.1 研究区概况研究区地势总体为四面高，中部和西北面低，尾矿区区域属构造丘陵地貌，下游影响区属侵蚀堆积平原地貌和构造侵蚀岗地.该地区降雨量充沛，1953~2017年平均降雨量1 895.2 mm，属亚热带湿润季风气候区.地下水可划分为：松散岩类孔隙水、碳酸盐岩岩溶水和基岩裂隙水这3种.松散岩类孔隙水赋存于第四系松散岩类孔隙之中，分布于尾矿区下游冲积平原区，含水层由全新统冲积层及残坡积层组成，水量贫乏；碳酸盐岩岩溶水分布于研究区东北部，上覆地层较厚，覆盖层岩性为耕植土和粉质黏土，厚度为6.0~10.3 m，含水层岩性为灰岩，水量中等；基岩裂隙水由震旦系和寒武系浅变质岩组成，覆盖层为残破积层，厚度为0~24.0 m，含水层岩性为石英片岩和碳质片岩，水量贫乏.大气降水为主要补给来源，局部冲积层孔隙水也受邻近河水的补给，主要排泄于破港溪.本研究采样点主要集中于尾矿及其周边地区，具体采样点位置见图 1.
|
图 1 采样点分布示意 Fig. 1 Distribution of sampling sites |
地下水采样深度在井水面下0.5 m以下.采样前，先用采样水荡洗采样器和水样容器3次.水样采集和保管参照《水质采样技术指导》（HJ494-2009）和《水质采样样品的保存和管理技术规定》（HJ493-2009）等相关规定.所有水样均过0.22 μm滤膜后储存于PVC瓶中，再经1∶1 HNO3酸化至pH<2，用50 mL白色聚乙烯瓶收集，及时放到装有冰冻蓝冰的低温保温箱，并在规定时间内送往指定实验室进行测试.
采用电感耦合等离子体发射光谱仪（Thermmo Fisher iCAP 7600）室内测定Al、Zn、Cu、Mn、Pb、Cd、Fe、Ba和As等9种金属元素.为保证数据的准确性，所有样品采用一式三份取平均值的测试方式，每10个测试样品设置一组标准空白和独立校准标样.3份样品测试结果相对差异小于5%，加标回收率为90%~110%.所有水样数据电荷平衡绝对误差均小于5%，为可靠数据.采用《地下水质量标准》（GB/T 14848-2017）Ⅲ类标准限值计算超标倍数.
1.3 随机森林水质评价模型随机森林模型是一种集成学习方法，它通过构建多个决策树并综合其预测结果来进行分类或回归任务.相比于单个决策树，随机森林具有更强的鲁棒性和准确性，还能够评估特征的重要性[16]，有助于判定水质各指标的特征重要程度并排序.具体步骤参见文献[17, 18].
本文采用Al、Zn、Cu、Mn、Pb、Cd、Fe、Ba和As这9种金属元素作为评价因子.训练样本依据《地下水质量标准》（GB/T 14848-2017）中各类水质标准的范围生成，分5个等级（表 1），采用均匀内插法生成各等级水质数据共2 000个，每个水质等级占20%，将每个等级的样本数据取前90%作为训练样本，后10%作为测试样本，以供模型训练和损失函数测试.
|
表 1 地下水水质标准/mg·L-1 Table 1 Groundwater quality standards/mg·L-1 |
1.4 绝对主成分-多元线性回归（APCS-MLR）受体模型
APCS-MLR模型常用于量化地下水中金属元素污染物的来源分配.以绝对主成分因子得分作为自变量，金属元素浓度作为多元线性回归的因变量，回归系数用于计算每个污染源的贡献.具体计算步骤参见文献[19].
1.5 地下水健康风险评估研究区地下水是当地居民生活和生产用水的主要来源，饮用或皮肤渗入污染的地下水对人体健康均产生有害影响[20].研究区地下水金属元素可以分为致癌（As和Cd）和非致癌（Al、Zn、Cu、Mn、Pb、Fe和Ba）这2类，暴露于尾矿区及其周边地区地下水的受体人群可以分为成年人和儿童.本文采用美国环保署推荐的健康风险评价模型对尾矿区及其周边地区的居民人体健康进行评价[21, 22].饮用途径和皮肤接触暴露剂量计算见式（1）和式（2）.
1.5.1 暴露剂量计算
|
(1) |
|
(2) |
式中，ADDoral为饮用途径下的平均每日暴露量，mg·（kg·d）-1；ADDdermal为皮肤暴露途径下的平均每日暴露量，mg·（kg·d）-1；CW为污染物浓度，mg·L-1，其它参数含义及取值见表 2和表 3.
|
|
表 2 暴露剂量计算参数 Table 2 Exposure dose calculation parameters |
|
|
表 3 皮肤渗透系数（PC）和日均参考剂量（RfD）[27] Table 3 PC and RfD values for health risk models |
1.5.2 健康风险表征与不确定性分析
水质健康风险可以分为非致癌健康风险和致癌健康风险这2种，具有不同的评价模型[26]，按照式（3）~（8）来计算，非致癌健康风险评价模型如下：
|
(3) |
|
(4) |
|
(5) |
式中，HQoral为经口摄入的非致癌物风险熵，HQdermal为皮肤接触渗入的非致癌物风险熵，无量纲；RfDoral/dermal为经口摄入/皮肤接触途径下的日均参考剂量，mg·（kg·d）-1，取值见表 3；HI为同一个体在不同暴露途径下的综合风险值.
致癌健康风险评价模型如下：
|
(6) |
|
(7) |
|
(8) |
式中，CR为致癌综合风险值；qoral和qdermal分别为经口摄入和皮肤接触途径下的金属元素致癌强度系数，mg·（kg·d）-1. Cd和As的qoral值分别为6.1和1.5，qdermal值分别为0.38和3.66.
蒙特卡洛是一种概率模拟方法，常用于风险性评估中的不确定性分析[28, 29].在地下水健康风险研究中，人体体重（BW）、饮水量（IR）和污染物浓度均是健康风险评价结果不确定性的来源，因此利用Oracle Crystal Ball软件进行蒙特卡洛模拟可以更科学地评估健康风险，随机仿真迭代次数为10 000次，置信水平为95%.
1.5.3 基于特定来源的健康风险评估APCS-MLR受体模型结合健康风险评价模型能够定量解析不同分配来源的金属元素健康风险，具体公式见文献[25].
2 结果与分析 2.1 描述性统计研究区地下水9种金属元素浓度统计值如图 2所示，浓度平均值大小顺序为Al>Fe>Mn>Ba>Zn>Pb>Cu>As>Cd.以《地下水质量标准》（GB/T 14848-2017）Ⅲ类标准为界限，地下水Mn、Pb、Fe、Ba和As存在不同程度的超标，其中Ba、Pb和As超标率分别为3.13%、4.69%和6.25%，Al、Mn和Fe超标率分别为46.88%、60.94%和60.94%，说明地下水Al、Mn和Fe积累程度较严重，Ba、Pb和As积累程度较轻.变异系数能反映不同采样点金属元素浓度的离散程度，变异系数大于0.5属于高度变异[30].由图 3可知，研究区地下水中9种金属元素的变异系数均大于0.5，属于高度变异，表明研究区地下水金属元素浓度差异大，空间分布不均匀，其中Pb变异系数高达4.3，说明其受人为影响最严重[31].
|
虚线为《地下水质量标准》（GB/T 14848-2017）Ⅲ类标准 图 2 地下水金属元素浓度小提琴图 Fig. 2 Violin diagram of metal elements concentrations in groundwater |
|
图 3 地下水金属元素变异系数 Fig. 3 Coefficient of variation of metal elements in groundwater |
基于ArcGIS 10.7绘制采样点分布图，采用反距离加权插值法绘制金属元素的空间分布.如图 4所示，9种金属元素浓度分布存在一定差异，其中Al、Mn、Pb和Fe分布比较相似，高浓度主要分布在中部和最南端，Cu和Ba分布比较相似，高浓度主要分布在中部和北部局部微小区域；Cd和As高浓度主要分布在中部和南部局部微小区域；Zn高浓度在北部、中部和南部局部均有分布.金属元素浓度超标点位主要包括S2、S12、S25、S31、S45、S47和S51，其中S2、S12、S25和S31位于尾矿区及附近，S45、S47和S51距离村庄较近，人口密度大，农业活动较强.
|
图 4 研究区地下水金属元素浓度空间分布 Fig. 4 Spatial distribution map of metal elements concentration in groundwater in the study area |
综上可知，不同金属元素高值区存在一定的差异，难以准确厘定不同区域地下水的水质分布特征.随机森林模型可以根据多种金属元素的浓度分布，对地下水的水质进行综合评价，绘制区域水质分区图，且能综合评判每个因子的贡献率并给出重要性排序，因而被广泛使用[32, 33].将9种金属元素数据导入训练好的随机森林回归模型，得到评价结果见图 5.地下水水质等级以Ⅱ、Ⅲ和Ⅳ类水为主，Ⅴ类水以点的形式分布在区域内.Ⅱ类水质点所占面积最大，主要分布在西北区附近，占总水质等级43.8%，属于水质良好区；Ⅲ类水质点主要分布在最南部以及西部部分地区，占总水质等级26.6%，属于轻度污染区；Ⅳ类水质点主要分布在中部以及东南地区，占总水质等级28.1%，属于污染区；Ⅴ类水质点1个（S3）位于最南端，占总水质等级1.5%，属于重度污染区.整体来看，有5个区域污染最严重，分别是以S3、S31、S45、S47和S51为中心的地区.
|
图 5 研究区地下水水质等级分布 Fig. 5 Distribution of groundwater quality levels in the study area |
Pearson相关性分析有助于解析不同金属元素间的同源性[5]，运用Python语言绘制图 6.结果表明，Al分别和Cu、Mn、Fe、Ba、As，Zn和Cu、Cd，Cu和Fe，Mn和Fe、Ba，Pb和Cd具有显著相关性（P<0.01），表明Al、Cu、Mn、Fe、Ba和As可能具有相似的物质来源或者水文地球化学过程.Zn和Mn、As，Pb和Ba，Cd和Ba、As之间呈负相关，表明以上金属元素之间来源差异大.
|
图 6 金属元素相关性及各污染因子贡献率 Fig. 6 Correlation of metal elements and contribution of each source factor |
利用主成分分析提取方法，对金属元素样本数据进行巴特利特球形度和KMO检验，得到Bartlett值和KMO分别为0.000（P<0.001）和0.561，表明金属元素数据可以进行因子分析.基于特征值>1，共提取了3个主成分，累计可解释65.17%的方差（表 4）. PC1约占总方差的28.36%，在Al（0.872）、Cu（0.782）、Fe（0.736）、Mn（0.625）和Ba（0.503）上表现出强正载荷.PC2解释了总方差的21.20%，在Zn（0.698）和Cd（0.628）上表现较强的正载荷.PC3贡献了总方差的15.61%，Pb（0.703）为主要载荷元素.
|
|
表 4 主成分总方差解释 Table 4 Explanation of total variance of principal components |
3 讨论 3.1 金属元素污染评价
为了查明影响地下水水质的主要指标，运用随机森林模型对金属污染进行评价.如图 7所示，综合了每个自变量在各个节点表现（使得数据变“纯”，即使得均方误差变小的效率）产生的重要性度量.可知，影响地下水水质等级最重要指标为Al、Pb、Fe和Mn，其次为Cu，As、Ba和Zn.Al、Fe和Mn评分分别为0.56、0.09和0.06，超标最严重，与特征重要性评分结果相符合，水质等级最差（Ⅲ、Ⅳ和Ⅴ类）的地区Al、Mn和Fe浓度普遍较高，说明Al、Mn和Fe是造成该地区水质变差的重要原因之一.Pb空间分布特征与水质等级分布高度一致，且变异系数高达4.3，说明受人类活动影响大[34]，造成特征重要性评分较高.结合监测点浓度高值区分布来看，S3和S31位于尾矿区周围，S45、S47和S51位于人口活动密集的居民区，说明研究区地质背景中Fe和Mn浓度均较高[19].因此，初步推断尾矿区废水、废渣、农业活动、生活污水及地质背景均可能是造成研究区金属污染的关键因素.
|
图 7 随机森林特征重要性评分 Fig. 7 Importance score of random forest features |
为了进一步量化尾矿区地下水中金属元素的来源，运用APCS-MLR模型进行金属元素污染来源解析（表 5）.结果表明，已知源PC1对Mn贡献率最高，为56.34%，其次为Al、As、Fe和Ba，贡献率分别为46.68%、41.32%、41.03%和39.46%.已知60.94%采样点Fe和Mn超过国家地下水标准Ⅲ类限值，高值点为S28、S45、S51、S3和S13，其中S28、S45和S51为居民区，S3和S13为尾矿区.铁尾矿区附近及其周边土壤中Fe和Mn普遍浓度较高[15]，Fe和Mn相关系数为0.359，呈一定相关（P<0.01），说明地下水高浓度Mn和Fe可能来源于地质背景、废水和废渣排放.Al主要来源于未受处理的工业废水[35]，高值区均为人口密集区，存在大量工业废水和生活污水排放.此外，有色金属冶炼加工等工业废水的排放也会导致As、Ba和Fe进入地下水系统[36]，Al和As、Ba、Fe相关性均较好，工矿业生产活动使Al和Mn浓度高于区域背景值[37].因此，可认为PC1是工业活动和地质背景的双重因子.
|
|
表 5 APCS-MLR模型中对各金属元素贡献率/% Table 5 Proportion of each metal element in the APCS-MLR model/% |
PC2对Cu贡献率最高，为45.12%，其次为Zn和Fe，贡献率分别为38.67%和36.60%.有研究表明Cu常被认为是农业活动的关键指标，被广泛用作化肥、农药的添加剂[38]；Zn、Fe主要来源有汽车尾气、农药和动物粪便等[39, 40]，地下水Cu和Zn划分为一类，常归为工农业活动影响[5].尾矿区下游有大面积农田，结合以上分析，PC2可归为农业活动因子.
PC3对Pb贡献率最高，为54.48%，对其他金属元素贡献率都低于10%.Pb主要来源于汽车尾气排放和道路表面磨损[41]，高值主要集中于中部和南部人口密集区，交通量大，汽车尾气排放和道路磨损较多，因此PC3可视为交通因子.
PC4对Cd贡献率高达78.32%，其次为Zn和Ba，贡献率分别为47.93%和44.08%，Cd和Zn相关性较高，Ba和两者相关性较低，来源途径复杂.Cd和Zn的浓度高值区均位于东南部的矿区，且两者相关性较强，尾矿区堆积大量未经处理的铁矿开采残渣，常年雨水冲刷淋滤致使金属元素不断向下游扩散运移，是Cd和Zn元素的主要来源[42].伊朗某矿区地下水Cd和Zn浓度分布与矿坑距离呈负相关[43]，主要源于采矿活动中废水和废渣排放而产生的人为来源，这与本研究的结果类似.因此，PC4可认为是尾矿矿渣来源.
综上所述，地质背景-工业活动、农业活动、交通排放和尾矿矿渣是地下水金属元素积累的主要来源.其中尾矿矿渣对地下水中金属元素积累的贡献率最大（37%），其次为地质背景-工业活动（32%），最后为农业活动（20%）和交通排放（11%）.
3.3 基于蒙特卡洛的健康风险评估 3.3.1 模拟结果地下水金属元素对不同人群健康风险蒙特卡洛累计概率曲线如图 8所示.由图 8（a）可知，研究区地下水金属元素对成人和儿童的HI平均值分别为0.36和1.44，95%分位数分别为0.94和4.29，4.5%成人和46.0%儿童的非致癌暴露风险值超过可接受安全阈值（HI=1）[44]，表明研究区地下水金属元素对成人的健康风险可以忽略不计，但对儿童存在一定的非致癌健康风险.由图 8（b）可知，地下水金属元素对成人和儿童的CR平均值分别为6.5E-5和2.7E-4，95%分位数分别为2.1E-4和9.3E-4，20.0%成人和61.3%儿童的致癌暴露风险值超过可接受安全阈值（CR=1E-4）[45]，表明研究区地下水金属元素对成人和儿童存在一定的致癌健康风险.不同人群HI和CR均表现为：儿童>成人，这是由于儿童代谢系统尚未成熟，对金属元素的代谢能力不如成人，低体重以及频繁的手口行为导致[28].
|
图 8 致癌与非致癌健康风险的累计概率分布 Fig. 8 Cumulative probability distribution of carcinogenic and non-carcinogenic health risks |
敏感度分析用于反映各参数对于风险结果的影响程度，敏感度值越大表明对风险结果的影响程度越大[46].研究区地下水金属元素CR和HI的敏感度分析结果如图 9，对于成人来说，致癌和非致癌健康风险中敏感度值最大的均为As，分别为76.3%和39.9%，其次为Mn、Cd和Al，可能与As较低的人均参考剂量有关[47]，仅为0.001；对于儿童来说，致癌和非致癌健康风险敏感度值最大的分别为As（63.7%）和饮水量IR（36.2%），表明儿童饮用该类型地下水越多，致癌和非致癌健康风险越高，应加强水质管控同时控制As在地下水中的积累.在致癌和非致癌健康风险中体重敏感度均为负值，说明增长体重将有助于降低健康风险，这与前人研究的结果一致[48, 49].
|
图 9 致癌与非致癌健康风险敏感度分析 Fig. 9 Sensitivity analysis of carcinogenic and non-carcinogenic health risks |
地下水金属来源不同会显著影响其浓度、分布和风险[50]，依托APCS-MLR模型计算得到不同金属来源贡献率，计算特定来源的健康风险.结果表明，不同污染源对非致癌和致癌风险的贡献存在显著差异.对于非致癌风险，交通排放、地质背景-工业活动、尾矿矿渣和农业活动分别贡献了13.6%、40.6%、29.9%和15.9%（图 10）.污染源分析显示，交通排放占11.0%，主要由Pb（54.5%）组成，对非致癌风险的贡献为13.6%，主要是由于Pb日均参考剂量小且毒性高；地质背景-工业活动占总污染源32.0%，主要由Mn（56.3%）、Al（46.7%）和As（41.3%）组成，由于Mn和Al高浓度以及As的高毒性和低日均参考剂量，对非致癌风险的贡献率为40.6%；尾矿矿渣占总污染源的37.0%，主要由Cd（78.3%）、Zn（47.9%）和Ba（44.1%）组成，对非致癌风险的贡献率为29.9%，主要源于Cd（78.3%）占比较高，导致毒性增加；农业活动占总污染源的20.0%，主要由Cu（45.1%）、Zn（38.7%）和Fe（36.6%）组成，由于Cu和Zn的日均参考剂量大，毒性低，对非致癌风险的贡献率仅为15.9%.
|
图 10 地下水金属元素、来源与健康风险的关系 Fig. 10 Relationship between metal elements, sources and health risks in groundwater |
对Cd和As进行致癌健康风险评估，交通排放、地质背景-工业活动、尾矿矿渣和农业活动分别贡献了6.2%、35.2%、38.5%和20.1%.地质背景-工业活动对As（41.3%）的来源贡献最大，尾矿矿渣对Cd（78.3%）来源贡献最大，尾矿矿渣和地质背景-工业活动是致癌健康风险的主要贡献者.因此，控制金属元素对人体的致癌和非致癌健康风险，要严格控制工业活动和尾矿矿渣中Cd和As的排放.
4 结论（1）研究区地下水金属元素浓度均值从高到低为：Al>Fe>Mn>Ba>Zn>Pb>Cu>As>Cd，Al、Mn、Pb、Fe、Ba和As均超过《地下水质量标准》Ⅲ类标准限值，超标率从大到小为：Mn（60.94%）=Fe（60.94%）>Al（46.88%）>As（6.25%）>Pb（4.69%）>Ba（3.13%），说明研究区地下水Al、Fe和Mn积累程度较严重.
（2）地下水金属元素空间分布具有明显差异，9种金属元素都表现为高度变异，受人为来源影响较大，总体呈现中部>南部>北部的分布规律.随机森林水质评价模型结果显示，研究区地下水水质主要为Ⅱ类、Ⅲ类和Ⅳ类，整体水质较差，Al、Pb、Fe和Mn是对水质影响最大的金属元素.
（3）地下水金属元素的4个来源为地质背景-工业活动、农业活动、交通排放和尾矿矿渣，其中尾矿矿渣的贡献率最大（37.0%）.Mn和Fe主要来源于地质背景，Al和As主要来源于工业活动，Cu主要来源于农业活动，Pb主要来源于交通排放，Cd、Zn和Ba主要来源于尾矿矿渣.
（4）蒙特卡洛模拟结果表明，地下水金属元素对成人存在致癌健康风险，对儿童存在致癌和非致癌健康风险.敏感性分析表明，对于成人来说，致癌和非致癌健康风险中敏感度值最大的均为As，其次为Mn、Cd和Al；对于儿童来说，As和饮水量IR在致癌和非致癌健康风险中敏感度值最大.
（5）金属元素特定来源的健康风险评价结果表明，尾矿矿渣来源是致癌风险的主要贡献者（38.5%），Cd贡献最大，地质背景-工业活动来源是非致癌风险的主要贡献者（40.6%），Al、Mn和As贡献最大.
| [1] | Wang Y X, Yuan S H, Shi J B, et al. Groundwater quality and health: making the invisible visible[J]. Environmental Science & Technology, 2023, 57(13): 5125-5136. |
| [2] | Shaibur M R, Howlader M, Ahmmed I, et al. Water quality index and health risk assessment for heavy metals in groundwater of Kashiani and Kotalipara upazila, Gopalganj, Bangladesh[J]. Applied Water Science, 2024, 14(5). DOI:10.1007/s13201-024-02169-4 |
| [3] | Sun L, Liu T X, Duan L M, et al. Spatial and temporal distribution characteristics and risk assessment of heavy metals in groundwater of Pingshuo mining area[J]. Environmental Geochemistry and Health, 2024, 46(4). DOI:10.1007/s10653-024-01906-7 |
| [4] |
章艳红, 陈俊华, 张卫民, 等. 抚河南昌段地表水中重金属污染及健康风险评价[J]. 东华理工大学学报(自然科学版), 2022, 45(6): 589-597. Zhang Y H, Chen J H, Zhang W M, et al. Assessment of heavy metal pollution and health risk in surface water of the Fuhe River, Nanchang section[J]. Journal of East China Institute of Technology (Natural Science Edition), 2022, 45(6): 589-597. |
| [5] |
师环环, 潘羽杰, 曾敏, 等. 雷州半岛地下水重金属来源解析及健康风险评价[J]. 环境科学, 2021, 42(9): 4246-4256. Shi H H, Pan Y J, Zeng M, et al. Source analysis and health risk assessment of heavy metals in groundwater of Leizhou peninsula[J]. Environmental Science, 2021, 42(9): 4246-4256. |
| [6] |
葛勤, 张瀚月, 米振华, 等. 大同盆地西南区地下水重金属来源解析及健康风险评价[J]. 环境科学, 2025, 46(1): 239-252. Ge Q, Zhang H Y, Mi Z H, et al. Source and health risk assessment of heavy metals in groundwater of Datong Basin[J]. Environmental Science, 2025, 46(1): 239-252. |
| [7] | Egbueri J C. Heavy metals pollution source identification and probabilistic health risk assessment of shallow groundwater in Onitsha, Nigeria[J]. Analytical Letters, 2020, 53(10): 1620-1638. DOI:10.1080/00032719.2020.1712606 |
| [8] |
马常莲, 周金龙, 曾妍妍, 等. 新疆若羌县绿洲带地下水重金属来源解析及健康风险评价[J]. 环境科学学报, 2023, 43(2): 266-277. Ma C L, Zhou J L, Zeng Y Y, et al. Source analysis and health risk assessment of heavy metals in groundwater in the oasis belt of Ruoqiang County, Xinjiang[J]. Acta Scientiae Circumstantiae, 2023, 43(2): 266-277. |
| [9] | Li N, Li Y, Wang G M, et al. The sources risk assessment combined with APCS/MLR model for potentially toxic elements in farmland of a first-tier city, China[J]. Environmental Science and Pollution Research, 2022, 29(33): 50717-50726. DOI:10.1007/s11356-022-19325-5 |
| [10] | Wang Z H, Wang Y. Groundwater quality assessment by multi-model comparison: a comprehensive study during dry and wet periods in semi-arid regions[J]. Environmental Science and Pollution Research, 2023, 30(18): 51571-51594. DOI:10.1007/s11356-023-25937-2 |
| [11] | Rahmati O, Pourghasemi H R, Melesse A M. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential mapping: a case study at Mehran Region, Iran[J]. CATENA, 2016, 137: 360-372. DOI:10.1016/j.catena.2015.10.010 |
| [12] | He S, Wu J H, Wang D, et al. Predictive modeling of groundwater nitrate pollution and evaluating its main impact factors using random forest[J]. Chemosphere, 2022, 290. DOI:10.1016/j.chemosphere.2021.133388 |
| [13] | Tesoriero A J, Gronberg J A, Juckem P F, et al. Predicting redox‐sensitive contaminant concentrations in groundwater using random forest classification[J]. Water Resources Research, 2017, 53(8): 7316-7331. DOI:10.1002/2016WR020197 |
| [14] | Meng Y Y, Wu J H, Li P Y, et al. Distribution characteristics, source identification and health risk assessment of trace metals in the coastal groundwater of Taizhou City, China[J]. Environmental Research, 2023, 238. DOI:10.1016/j.envres.2023.117085 |
| [15] |
宋炉生, 孙振洲, 胡晶, 等. 废弃铁矿及下游农田土壤重金属污染特征及来源解析[J]. 环境工程, 2024, 42(10): 155-164. Song L S, Sun Z Z, Hu J, et al. Pollution characteristics and source apportionment of heavy metals in abandoned iron ore and downstream farmland soil[J]. Environmental Engineering, 2024, 42(10): 155-164. |
| [16] | Sakaa B, Elbeltagi A, Boudibi S, et al. Water quality index modeling using random forest and improved SMO algorithm for support vector machine in Saf-Saf River Basin[J]. Environmental Science and Pollution Research, 2022, 29(32): 48491-48508. DOI:10.1007/s11356-022-18644-x |
| [17] | Raj A, Sinha A, Singh A, et al. Assessment and prediction of hexavalent chromium vulnerability in groundwater by geochemical modelling, NOBLES Index and Random Forest Model[J]. Science of the Total Environment, 2024, 906. DOI:10.1016/j.scitotenv.2023.167570 |
| [18] | Zegaar A, Ounoki S, Telli A. Machine learning for groundwater quality classification: a step towards economic and sustainable groundwater quality assessment process[J]. Water Resources Management, 2024, 38(2): 621-637. DOI:10.1007/s11269-023-03690-y |
| [19] |
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. |
| [20] |
马海珍, 张振师, 李权, 等. 某化工厂土壤与地下水Cr6+污染分布及健康风险[J]. 西北地质, 2024, 57(1): 73-82. Ma H Z, Zhang Z S, Li Q, et al. Distribution and health risk assessment of Cr6+ in soil and groundwater of a chemical plant[J]. Northwestern Geology, 2024, 57(1): 73-82. |
| [21] |
廖红为, 蒋忠诚, 周宏, 等. 铅锌矿周边岩溶流域重金属污染及健康风险评价[J]. 环境科学, 2023, 44(11): 6085-6094. Liao H W, Jiang Z C, Zhou H, et al. Heavy metal pollution and health risk assessment in karst basin around a lead-zinc mine[J]. Environmental Science, 2023, 44(11): 6085-6094. |
| [22] |
周巾枚, 蒋忠诚, 徐光黎, 等. 崇左响水地区地下水水质分析及健康风险评价[J]. 环境科学, 2019, 40(6): 2675-2685. Zhou J M, Jiang Z C, Xu G L, et al. Water quality analysis and health risk assessment for groundwater at Xiangshui, Chongzuo[J]. Environmental Science, 2019, 40(6): 2675-2685. |
| [23] |
段小丽. 中国人群暴露参数手册概要-儿童卷[M]. 北京: 中国环境出版社, 2016. Duan X L. Highlights of the Chinese exposure factors handbook-Children[M]. Beijing: China Environmental Science Press, 2016. |
| [24] |
段小丽, 赵秀阁. 中国人群暴露参数手册(成人卷)概要[M]. 北京: 中国环境出版社, 2014. Duan X L, Zhao X G. Highlights of the Chinese exposure factors handbook (Adult)[M]. Beijing: China Environmental Science Press, 2014. |
| [25] | Han W J, Pan Y J, Welsch E, et al. Prioritization of control factors for heavy metals in groundwater based on a source-oriented health risk assessment model[J]. Ecotoxicology and Environmental Safety, 2023, 267. DOI:10.1016/j.ecoenv.2023.115642 |
| [26] |
朱明澹, 李波, 刘国. 广元市周边废弃煤矿酸性矿井涌水水质分析及地下水健康风险评价[J]. 环境工程技术学报, 2023, 13(3): 1097-1107. Zhu M T, Li B, Liu G. Water quality analysis and groundwater health risk assessment of acid mine inflow from abandoned coal mines around Guangyuan City[J]. Journal of Environmental Engineering Technology, 2023, 13(3): 1097-1107. |
| [27] |
段小丽. 暴露参数的研究方法及其在环境健康风险评价中的应用[M]. 北京: 科学出版社, 2012. Duan X L. Research methods of exposure factors and its application in environmental health risk assessment[M]. Beijing: Science Press, 2012. |
| [28] |
王晓东, 田伟, 张雪艳. 宁夏地区地下水金属元素分布特征及健康风险评价[J]. 环境科学, 2022, 43(1): 329-338. Wang X D, Tian W, Zhang X Y. Distribution characteristics and health risk assessment of metal elements for groundwater in the Ningxia region of China[J]. Environmental Science, 2022, 43(1): 329-338. |
| [29] |
庞阔, 李敏, 刘璐, 等. 基于蒙特卡洛模拟与PMF模型的黄河流域沉积物重金属污染评价及源解析[J]. 环境科学, 2022, 43(8): 4008-4017. Pang K, Li M, Liu L, et al. Evaluation and source analysis of heavy metal pollution in sediments of the Yellow River Basin based on Monte Carlo simulation and PMF model[J]. Environmental Science, 2022, 43(8): 4008-4017. |
| [30] |
谢浩, 梁永平, 李军, 等. 龙子祠泉域地下水金属元素分布特征及健康风险评价[J]. 环境科学, 2021, 42(9): 4257-4266. Xie H, Liang Y P, Li J, et al. Distribution characteristics and health risk assessment of metal elements in groundwater of Longzici Spring Area[J]. Environmental Science, 2021, 42(9): 4257-4266. |
| [31] |
李军, 赵一, 邹胜章, 等. 会仙岩溶湿地丰平枯时期地下水金属元素污染与健康风险[J]. 环境科学, 2021, 42(1): 184-194. Li J, Zhao Y, Zou S Z, et al. Metal pollutions and human health risks in groundwater from wet, normal, and dry periods in the Huixian karst wetland, China[J]. Environmental Science, 2021, 42(1): 184-194. |
| [32] | Wu C, Fang C, Wu X, et al. Health-risk assessment of arsenic and groundwater quality classification using random forest in the Yanchi region of Northwest China[J]. Exposure and Health, 2020, 12(4): 761-774. DOI:10.1007/s12403-019-00335-7 |
| [33] | Mohseni U, Pande C B, Pal S C, et al. Prediction of weighted arithmetic water quality index for urban water quality using ensemble machine learning model[J]. Chemosphere, 2024, 352. DOI:10.1016/j.chemosphere.2024.141393 |
| [34] |
徐美娟, 鲍波, 陈春燕, 等. 宁波市地表水重金属污染现状和健康风险评价[J]. 环境科学, 2018, 39(2): 729-737. Xu M J, Bao B, Chen C Y, et al. Assessment of heavy metal pollution and human health risk of surface waters in the city of Ningbo, China[J]. Environmental Science, 2018, 39(2): 729-737. DOI:10.3969/j.issn.1000-6923.2018.02.038 |
| [35] | Sheng D R, Meng X H, Wen X H, et al. Contamination characteristics, source identification, and source-specific health risks of heavy metal (loid) s in groundwater of an arid oasis region in Northwest China[J]. Science of the Total Environment, 2022, 841. DOI:10.1016/j.scitotenv.2022.156733 |
| [36] | Yang Y F, Lu X W, Fan P, et al. Multi-element features and trace metal sources of road sediment from a mega heavy industrial city in North China[J]. Chemosphere, 2023, 311. DOI:10.1016/j.chemosphere.2022.137093 |
| [37] |
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. |
| [38] | Cai L M, Wang Q S, Wen H H, et al. Heavy metals in agricultural soils from a typical township in Guangdong Province, China: occurrences and spatial distribution[J]. Ecotoxicology and Environmental Safety, 2019, 168: 184-191. DOI:10.1016/j.ecoenv.2018.10.092 |
| [39] | Chen Z F, Ding Y F, Jiang X Y, et al. Combination of UNMIX, PMF model and Pb-Zn-Cu isotopic compositions for quantitative source apportionment of heavy metals in suburban agricultural soils[J]. Ecotoxicology and Environmental Safety, 2022, 234. DOI:10.1016/j.ecoenv.2022.113369 |
| [40] | Franco-Uría A, López-Mateo C, Roca E, et al. Source identification of heavy metals in pastureland by multivariate analysis in NW Spain[J]. Journal of Hazardous Materials, 2009, 165(1-3): 1008-1015. DOI:10.1016/j.jhazmat.2008.10.118 |
| [41] | Wang F F, Guan Q Y, Tian J, et al. Contamination characteristics, source apportionment, and health risk assessment of heavy metals in agricultural soil in the Hexi Corridor[J]. CATENA, 2020, 191. DOI:10.1016/j.catena.2020.104573 |
| [42] | Jiang W J, Liu H W, Sheng Y Z, et al. Distribution, source apportionment, and health risk assessment of heavy metals in groundwater in a multi-mineral resource area, North China[J]. Exposure and Health, 2022, 14(4): 807-827. DOI:10.1007/s12403-021-00455-z |
| [43] | Adeli M, Mohammadi Z, Keshavarzi B, et al. Heavy metal (loid) pollution of a hard-rock aquifer: evidence, distribution, and source[J]. Environmental and Science Pollution Research, 2021, 28(26): 34742-34761. DOI:10.1007/s11356-021-13079-2 |
| [44] | Mirzaei N, Kalteh S, Zamani-Badi H, et al. Estimating human health risks associated with heavy metal exposure from bottled water using Monte Carlo simulation[J]. Heliyon, 2023, 9(10). DOI:10.1016/j.heliyon.2023.e20647 |
| [45] |
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. |
| [46] |
陈莲, 邹子航, 张培珍, 等. 基于源导向和蒙特卡洛模型的广东省某城市土壤重金属健康风险评估[J]. 环境科学, 2024, 45(5): 2983-2994. Chen L, Zou Z H, Zhang P Z, et al. Health risk assessment of heavy metals in soils of a city in Guangdong Province based on source oriented and Monte Carlo models[J]. Environmental Science, 2024, 45(5): 2983-2994. |
| [47] | Chen X, Fu X Y, Li G L, et al. Source-specific probabilistic health risk assessment of heavy metals in surface water of the Yangtze River Basin[J]. Science of the Total Environment, 2024, 926. DOI:10.1016/j.scitotenv.2024.171923 |
| [48] | Badeenezhad A, Soleimani H, Shahsavani S, et al. Comprehensive health risk analysis of heavy metal pollution using water quality indices and Monte Carlo simulation in R software[J]. Scientific Reports, 2023, 13(1). DOI:10.1038/s41598-023-43161-3 |
| [49] | Gupta S, Gupta S K. Application of Monte Carlo simulation for carcinogenic and non-carcinogenic risks assessment through multi-exposure pathways of heavy metals of river water and sediment, India[J]. Environmental Geochemistry and Health, 2023, 45(6): 3465-3486. DOI:10.1007/s10653-022-01421-7 |
| [50] | Shi H H, Zeng M, Peng H X, et al. Health risk assessment of heavy metals in groundwater of Hainan Island using the Monte Carlo simulation coupled with the APCS/MLR model[J]. International Journal of Environmental Research and Public Health, 2022, 19(13). DOI:10.3390/ijerph19137827 |