2020, Vol. 41
国内外学者对灰尘重金属污染状况[1~3]、潜在生态风险[4]和健康风险[5, 6]开展过大量研究, 发现城市灰尘均存在不同程度的污染.目前对地表灰尘重金属主要的研究热点集中在累积现状的剖析且关注累积区域, 而对一些特殊区域关注不够, 特别是对这些特殊区域地表灰尘重金属导致的健康风险的关注更为薄弱[7].校园是学生长期学习和生活的场所, 人群密集, 学生与环境接触密切, 且未成年人的身体发育尚未成熟, 受环境的影响更强烈[8].
机器学习最早可追溯到人工神经网络的研究, 1943年, 有研究者提出了神经网络层次结构模型[9], 为机器学习的发展奠定了基础.机器学习包括人工神经网络(artificial neural network, ANN)[10]、支持向量机(support vector machine, SVM)和随机森林(random forests, RF)等方法, 到目前为止有了十分广泛的应用.如Jung[11]和陈浩等[12]都在地学领域使用机器学习算法进行模拟或预测.
本文利用随机森林(random forests, RF)算法选取11个特征参数和钴(Co)、铬(Cr)、铜(Cu)、镍(Ni)、铅(Pb)、锌(Zn)和砷(As)等7种重金属元素对兰州市主城区校园环境进行评价, 分析综合污染指数和潜在生态风险指数的时空变化特征, 评价空间插值结果, 以期为评估城市校园环境质量提供理论依据.
1 材料与方法 1.1 研究区与样品采集兰州市是甘肃省省会(36.03~36.15°N, 103.58~103.95°E), 本文选取兰州市所辖城关、七里河、安宁和西固这4个区作为研究区.城关区是政治、经济中心；七里河区以机械、仓储和新兴加工业为主；安宁区为高教文化区；西固区则是综合工业区[13].在研究区内均匀布点, 保证幼儿园、小学和中学分散分布, 每个区选取幼儿园、小学和中学各8所, 共96所学校, 其中一半为灰尘采样点, 另一半为信息采样点.灰尘采样点收集地表灰尘进行元素分析, 同时采集特征参数信息；信息采样点只收集特征参数信息(图 1).采样时间为2018年, 每月月末采集一次, 每所校园内选择多个点收集较为隐蔽地面灰尘后混合为一个样品, 每份约重50 g密封于聚乙烯塑料样品袋中, 实验室内剔除杂质后过0.15 mm铜筛.元素分析实验在中国科学院西北生态资源环境研究院沙漠室中进行, 将经碳化钨磨样机(ZHM-1A)研磨的灰尘样品用半自动压样机(ZHY-401A)加硼酸镶边压制成圆饼后, 用X射线荧光光谱仪(Axios, 帕纳科公司, 荷兰)分析各样品的元素含量.
|
图 1 研究区样点分布示意 Fig. 1 Sample distribution map of the study area |
已有研究发现校园地表灰尘一般来源于道路扬尘、大气降尘、建筑物磨损和土壤母质[14].本研究将土壤母质视为稳定的灰尘积累因素不参与模型运算, 所以选取了校园地表灰尘一般来源的其它3个方面11个影响地表灰尘重金属污染和积累的特征参数作为输入, 分别为办学时间、环境质量指数(air quality index, AQI)、在校人数、校园面积、校园绿地面积、校园1 km范围内工厂数、校园1 km范围内加油站数、校园500 m范围内公交站点数、人口密度、校园施工天数和校园施工面积.AQI实测数据来自中国空气质量在线检测分析平台, 每所学校AQI的空间分布数据由MODIS地表反射率产品结合Landsat 8 OLI卫星数字产品蓝光波段反演获取[15]；办学时间、在校人数、校园施工天数和校园施工面积经实地走访调查得到；校园1 km范围内工厂数、校园1 km范围内加油站数和校园500 m范围内公交站点数通过百度地图查询后统计；校园占地面积和绿地面积采用谷歌地图量算；人口密度通过NPP-VIIRS VCMCFG夜间灯光数据反演获取[16].
为了对空间插值结果进行评价, 下载了兰州市道路和建筑物数据, 归一化建筑指数采用Landsat 8 OLI卫星数字产品短波红外和近红外波段反演[17], 道路数据来源于OpenStreetMap (https://www.openstreetmap.org/)划分类别后计算交通流量.
1.3 研究方法 1.3.1 综合污染指数法单因子污染指数法是指对某一污染物的污染程度进行评价, 计算公式为：
|
(1) |
式中, Ci为污染物i的实测含量(mg·kg-1)；Si为污染物i的背景值.
综合污染指数[18]是一种兼顾极值的多因子环境质量指数, 但过分突出极大值对污染的影响[19], 评价结果不够客观, 所以不同污染因子的值应区别对待, 即增加权重因素进行修正, 公式为：
|
(2) |
式中, PN综合污染指数；Pmax为各污染物中污染指数最大值；Pw为各污染物以背景值作为评价因子的权重值；Pave为各污染物中污染指数的平均值.综合污染指数法将污染水平划分为5个等级, 清洁(PN≤0.7)、尚清洁(0.7 < PN≤1.0)、轻污染(1.0 < PN≤2.0)、中污染(2.0 < PN≤3.0)和重污染(PN>3.0).
1.3.2 潜在生态风险指数法潜在生态风险指数法[20](potential ecological risk index, RI)能定量地评价重金属污染程度, 结合污染物的毒性特征, 可以准确揭示各种污染物的影响和多种污染物的综合影响, 其计算公式如下：
|
(3) |
式中, RI为多种重金属潜在生态风险指数, Eri为单一重金属潜在生态风险因子, Ci为重金属含量, Cni为土壤背景参考值, Tri为不同重金属生物毒性影响因子(Co=5、Cr=2、Cu=5、Ni=5、Pb=5、Zn=1和As=10)[21].因本文仅涉及7种重金属, RI的范围需调整[22, 23].RI的分级标准为RI < 40轻微生态危害(Ⅰ)、40≤RI < 80中等生态危害(Ⅱ)、80≤RI < 160强生态危害(Ⅲ)、RI≥160很强生态危害(Ⅳ).
1.3.3 随机森林随机森林是Breiman[24]开发的一种集成学习技术, 通过组合决策树来改进分类和回归树的集成学习方法[25].在随机森林中有两个关键参数, “Ntree”是随机森林中树的个数, “mtry”是树节点预选的变量个数[26].随机森林算法过程如下.
以模拟PN时“mtry”是4(特征参数总数的1/3), “Ntree”是500为例, 元素含量计算得到48个采样点12个月的PN作为训练结果, 与灰尘采样点的11类特征参数组成训练集；训练集内有6336个特征参数和576个训练结果, 从训练集中随机且有放回的抽取训练样本.选取11类特征参数中的4类, 即2 304个特征参数和576个训练结果对应组成训练样本, 再将训练样本分成两部分, 1/3的数据不参与训练, 对2/3的数据进行训练, 在每一个节点随机抽取如“在校人数是否大于500”这样的特征参数+判别条件+数值形式的判别条件, 直至训练样本全部被分配到叶节点生成决策树.在生成决策树时为了避免过拟合或者算法冗余还采用了剪枝算法.最后用1/3的验证训练样本来验证生成的决策树, 计算袋外错误率测试决策树的性能.重复上述过程直至生成“Ntree”即500棵决策树组成随机森林.训练过程用Gini impurity来评价误差, 计算公式如下：
|
(4) |
式中, f是评价的数据, Gini impurity越小, 纯度越高, 集合的有序程度越高, 分类的效果越好；Gini impurity为0时, 集合类别一致.
得到500棵决策树之后进行回归过程, 回归过程的输入值为信息采样点的6 336个特征参数组成的预测集, 通过回归得到信息采样点的PN.回归过程采用最小均方差进行评价.表达式为：
|
(5) |
式中, c1为D1数据集的样本输出均值, c2为D2数据集的样本输出均值.程序由Python语言编写.本研究的流程见图 2.
|
图 2 流程示意 Fig. 2 Technical flow chart |
为获得AQI空间分布数据, 需对气溶胶厚度进行反演.研究表明气溶胶厚度与AQI具有很强的相关性[27].本文利用地物波谱库中典型地物波谱数据, 分析建立了MODIS与Landsat 8 OLI传感器蓝光波段反射率转换模型, 转换模型选自文献[15], 模型为ρ(OLI)=1.424 4×ρ(MODIS)-0.026 5, 然后用兰州地区AERONET地基观测数据(下载自NASA, https://aeronet.gsfc.nasa.gov/)确定了气溶胶光学物理参数.
为获取兰州市人口密度的空间数据, 首先通过降尺度将夜间灯光数据进行处理获得1 km2的兰州市城关区、七里河区、西固区和安宁区的夜间灯光数据, 其次将灰度值求和与每个区的人口总数相除得到人口与灯光数据的加权值, 反演出每一个栅格的人口数据, 最后计算人口分布等值线, 得到兰州市人口空间分布[图 3(a)].图 3(b)展示了兰州市归一化建筑指数, 该指数的范围在0~1之间, 值越大代表该像元为城镇用地的可能性越高(其中白色的区域是空值区), 图 3(c)展示了兰州市交通流量数据, 为便于计算本研究将道路以两车道为界划分为两类, 两车道及以上划分为一类, 一车道划分为一类.图 3(b)和图 3(c)用来评价空间插值结果.
|
(a)人口密度, (b)归一化建筑指数, (c)交通流量数据 图 3 兰州市特征参数与验证数据空间分布 Fig. 3 Lanzhou characteristic parameters and spatial distribution of verification data |
采用基于像元的空间分析方法计算PN或RI与交通流量及归一化建筑指数的相关性, 结果值为-1~1, 正值代表正相关, 负值代表存在负相关, 绝对值越接近于1相关性越显著.公式如下：
|
(6) |
式中, Rxy为x、y两变量的相关系数；xi为第i个PN或RI；yi为第i个交通流量或归一化建筑指数；x为PN或RI的平均值；y为交通流量或建筑物指数的平均值.
2 结果与分析 2.1 校园地表灰尘重金属元素含量特征7种重金属元素含量均值及在4个区的均值都高于兰州市背景值, 所有采样点重金属含量均高于背景值的1~5倍, 其中Zn高出5倍, Pb高出4倍, 单个样品的超标率为100%(表 1)；Cu、Zn和Pb含量空间变异明显, 大多数在30%以上, 其它元素的空间差异较小, 且呈现出Cu>Zn>Pb>Ni>Cr>As>Co的特征.七里河区的重金属空间变异显著, 城关区变异系数除Pb元素外, 其它均在30%以下；空间变异在各区呈现出七里河区>安宁区>城关区>西固区的特征.
|
表 1 校园地表灰尘重金属含量/mg·kg-1 Table 1 Concentrations of heavy metals in campus dust/mg·kg-1 |
2.2 研究区校园地表灰尘重金属污染时空分布特征
RF模拟得出4个区PN的高值区均出现在交通枢纽站附近或交通线路密集的区域[图 4(a)], 可见人流和车流是灰尘重金属污染的主要来源.李海雯等[30]的研究表明, Zn、Pb和Cu主要源于尾气排放和车轮磨损, 在本文研究中这3种元素也是污染的主要贡献因子.西固区中心、兰州西站和城关区中心为3个强生态风险区, 相比之下安宁区和黄河沿岸的区域生态风险较低, 黄河及沿岸湿地绿化带对生态风险有很大缓冲作用, RI较低[图 4(b)].PN和RI在空间分布特征上很相似, 高值区都位于交通枢纽或市中心, 这与实际情况完全相符, 城关区是研究区的中心, 最密集的交通流量和人口都是地表灰尘的强大来源；西固区是兰州乃至整个西北的核心工业区, 几十年的工业发展使得重金属粉尘、气体、废渣出现严重富集, 这与开封、沈阳等城市中工业区的污染最严重相吻合[31, 32].研究区校园地表灰尘重金属元素PN排序为城关区>西固区>安宁区>七里河区, RI值排序为城关区>西固区>七里河区>安宁区.
|
图 4 灰尘重金属空间分布特征 Fig. 4 Spatial distribution characteristics of dust heavy metals |
RF模拟结果显示, 研究区校园地表灰尘重金属污染具有明显的时间变化.PN呈现“M”型特征, 高值区出现在冬季和夏季.自2月出现第一高峰值后, 4~5月开始上升至7~8月出现最大高峰值, 后逐步下降至10月后又逐渐上升[图 5(a)].RI的时间分布特征呈单一高峰值, 出现在2月, 随后逐步下降在5月开始缓慢上升[图 5(b)].PN和RI的高值都出现在冬季的原因是冬季兰州市燃煤源[33]增加, 且冬季温度低、云雾多、日照少, 贴地逆温出现频率较高, 气流垂直运动受限；同时受特殊下垫面地形影响, 风速小, 静风频率高, 气流水平方向移动比较缓慢, 非常不利于污染物扩散；春秋季相对其它季节多风, 且风速较大, 由此造成的地面扬尘对大气中颗粒物的影响不可忽视, 空气流动性强, 有利于地表灰尘传输迁移[34].
|
图 5 灰尘重金属时间分布特征 Fig. 5 Time distribution characteristics of dust heavy metals |
为了获得最佳模拟结果有必要对“mtry”和“Ntree”进行优化.“mtry”的取值范围是1~11, “Ntree”从500起以500为步长增长到4 000.排列组合共有88种情况, 随着“Ntree”数量的增加LMS随之降低.在“mtry”=4(特征参数的1/3)“Ntree”为4 000时, 产生最低误差.本文的模拟选取误差最低的结果, 通过模型优化得到了最优解, 所以采用特征参数在随机森林模型中模拟PN和RI是可行的.
3.2 灰尘重金属元素含量特征比较元素含量空间变异的排序显示七里河区最高, 与所处位置密切相关.位于城关区与西固区之间, 且作为城关区旧城区改造的承接区、冬季风的下风向, 既受西固工业区的强烈影响, 又承担着大量的人流物流, 故七里河区由于交通和工业造成的重金属空间变异在4个区中最为显著[35].研究区地表灰尘含量值与国内外其它城市的学校、道路、地表灰尘、大气降尘和地表土壤相比(表 2), Co偏高, Cr、Cu、Ni和Zn含量居中, Pb和As偏低.
|
|
表 2 不同城市灰尘重金属含量比较1)/mg·kg-1 Table 2 Comparison of heavy metal contents in dust of different cities/mg·kg-1 |
3.3 空间插值结果对比
采用两种方式对比随机森林插值结果和传统算法插值结果.第一种使用萃取法从兰州市重金属的研究中找到存在于本文研究区范围内的采样点进行对比, 如李萍等[42]在兰大逸夫楼和赵一莎等[43]在兰州交通大学的采样结果均接近于本研究中传统算法插值结果和随机森林插值结果；但在城市边缘存在较大误差, 如王艳霞等[44]在秀川采样计算的PN为0.575(清洁), 传统算法插值结果的PN值为1.545(轻污染), 随机森林插值结果的PN值为0.832(尚清洁), 可见随机森林插值结果与实测值计算的结果更为接近, 说明随机森林插值误差小于传统算法插值.第二种分别计算交通流量和归一化建筑指数与传统算法插值结果和随机森林插值结果的相关性.大气降尘、交通流量和建筑物磨损是灰尘的主要来源, 所以空间插值结果和它们的相关性越高表示插值结果越好.由表 3可看出, 传统算法插值结果和交通流量或归一化建筑指数的相关性均低于随机森林插值结果.以上两种方式均表明, 随机森林插值结果明显优于传统算法插值结果.
|
|
表 3 空间插值结果相关性分析 Table 3 Relevance analysis of spatial difference results |
4 结论
(1) 通过模型优化得到了最优解, 说明采用特征参数在随机森林模型中模拟PN和RI是可行的.
(2) 研究区校园地表灰尘重金属各元素浓度均高于兰州市土壤背景值, Zn、Pb是主要污染因子, 元素含量空间变异程度七里河区最高.
(3) PN和RI空间分布特征很相似, 高值区都位于交通枢纽或市中心, 河流和湿地对污染区的缓冲作用明显；PN最高值出现在冬季、次高值在夏季, RI冬季值最高, 两者均在冬季出现高值的原因为冬季燃煤源的增加.
(4) 空间插值结果对比表明, 随机森林插值结果明显优于传统算法插值结果.
致谢: 感谢中国科学院寒区旱区环境与工程研究所公共技术服务中心提供样品测试服务；对中国科学院西北生态资源环境研究院张彩霞高级工程师协助完成元素测试、西北师范大学地理与环境科学学院硕士研究生孙皓在研究方法上给予的指导与帮助致以诚挚的谢意！
| [1] | Al-Khashman O A. The investigation of metal concentrations in street dust samples in Aqaba City, Jordan[J]. Environmental Geochemistry and Health, 2007, 29(3): 197-207. DOI:10.1007/s10653-006-9065-x |
| [2] | Zhu W, Bian B, Li L. Heavy metal contamination of road-deposited sediments in a medium size city of China[J]. Environmental Monitoring and Assessment, 2008, 147(1-3): 171-181. DOI:10.1007/s10661-007-0108-2 |
| [3] | Lu X W, Wang L J, Lei K, et al. Contamination assessment of copper, lead, zinc, manganese and nickel in street dust of Baoji, NW China[J]. Journal of Hazardous Materials, 2009, 161(2-3): 1058-1062. DOI:10.1016/j.jhazmat.2008.04.052 |
| [4] |
林啸, 刘敏, 侯立军, 等. 上海城市土壤和地表灰尘重金属污染现状及评价[J]. 中国环境科学, 2007, 27(5): 613-618. Lin X, Liu M, Hou L J, et al. Soil and surface dust heavy metal pollution state and assessment in Shanghai City[J]. China Environmental Science, 2007, 27(5): 613-618. DOI:10.3321/j.issn:1000-6923.2007.05.009 |
| [5] | Zheng N, Liu J S, Wang Q C, et al. Health risk assessment of heavy metal exposure to street dust in the zinc smelting district, Northeast of China[J]. Science of the Total Environment, 2010, 408(4): 726-733. DOI:10.1016/j.scitotenv.2009.10.075 |
| [6] |
郑小康, 李春晖, 黄国和, 等. 保定城区地表灰尘污染物分布特征及健康风险评价[J]. 环境科学学报, 2009, 29(10): 2195-2202. Zheng X K, Li C H, Huang G H, et al. Pollutant distribution in urban dusts of Baoding and health risk assessment[J]. Acta Scientiae Circumstantiae, 2009, 29(10): 2195-2202. DOI:10.3321/j.issn:0253-2468.2009.10.025 |
| [7] |
李晓燕, 陈同斌, 雷梅, 等. 北京城市广场及校园表土(灰尘)中重金属水平与健康风险[J]. 地理研究, 2010, 29(6): 989-996. Li X Y, Chen T B, Lei M, et al. Concentrations and risk of heavy metals in surface soil and dust in urban squares and school campus in Beijing[J]. Geographical Research, 2010, 29(6): 989-996. |
| [8] |
武家园, 方凤满, 姚有如, 等. 淮南小学校园不同活动场所灰尘重金属区域分异及生物可给性[J]. 环境科学学报, 2017, 37(4): 1287-1296. Wu J Y, Fang F M, Yao Y R, et al. Bioaccessibility and spatial distribution of heavy metals in dust from different activity areas of elementary schools in Huainan City[J]. Acta Scientiae Circumstantiae, 2017, 37(4): 1287-1296. |
| [9] |
陈凯, 朱钰. 机器学习及其相关算法综述[J]. 统计与信息论坛, 2007, 22(5): 105-112. Chen K, Zhu Y. A summary of machine learning and related algorithms[J]. Statistics & Information Forum, 2007, 22(5): 105-112. DOI:10.3969/j.issn.1007-3116.2007.05.021 |
| [10] | Dawson C W, Wilby R L. Hydrological modelling using artificial neural networks[J]. Progress in Physical Geography:Earth and Environment, 2001, 25(1): 80-108. DOI:10.1177/030913330102500104 |
| [11] | Jung M, Reichstein M, Margolis H A. Global patterns of land-atmosphere fluxes of carbon dioxide, latent heat, and sensible heat derived from eddy covariance, satellite, and meteorological observations[J]. Journal of Geophysical Research, 2011, 116(G3): G00J07. |
| [12] |
陈浩, 宁忱, 南卓铜, 等. 基于机器学习模型的青藏高原日降水数据的订正研究[J]. 冰川冻土, 2017, 39(3): 583-592. Chen H, Ning C, Nan Z T, et al. Correction of the daily precipitation data over the Tibetan Plateau with machine learning models[J]. Journal of Glaciology and Geocryology, 2017, 39(3): 583-592. |
| [13] |
刘淑净.兰州市城区建设用地开发强度与环境效应研究[D].兰州: 兰州大学, 2017. Liu S J. Study on urban construction land exploit intensity and environmental effect in Lanzhou city[D]. Lanzhou: Lanzhou University, 2017. |
| [14] |
张丹龙, 方凤满, 姚有如, 等. 淮南市不同功能区叶面尘和地表灰尘中重金属分布特征、来源及健康风险评价[J]. 环境科学学报, 2016, 36(9): 3322-3332. Zhang D L, Fang F M, Yao Y R, et al. Distribution, sources and health risk assessment of heavy metals in foliar and surface dust of different functional areas of Huainan City[J]. Acta Scientiae Circumstantiae, 2016, 36(9): 3322-3332. |
| [15] |
田信鹏, 孙林, 刘强, 等. 北京地区Landsat 8 OLI高空间分辨率气溶胶光学厚度反演[J]. 遥感学报, 2018, 22(1): 51-63. Tian X P, Sun L, Liu Q, et al. Retrieval of high-resolution aerosol optical depth using Landsat 8 OLI data over Beijing[J]. Journal of Remote Sensing, 2018, 22(1): 51-63. |
| [16] |
高义, 王辉, 王培涛, 等. 基于人口普查与多源夜间灯光数据的海岸带人口空间化分析[J]. 资源科学, 2013, 35(12): 2517-2523. Gao Y, Wang H, Wang P T, et al. Population spatial processing for Chinese coastal zones based on census and multiple night light data[J]. Resources Science, 2013, 35(12): 2517-2523. |
| [17] |
胡荣明, 黄小兵, 黄远程. 增强形态学建筑物指数应用于高分辨率遥感影像中建筑物提取[J]. 测绘学报, 2014, 43(5): 514-520. Hu R M, Huang X B, Huang Y C. An enhanced morphological building index for building extraction from high-resolution images[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 514-520. |
| [18] | 关伯仁. 评内梅罗的污染指数[J]. 环境科学, 1979(4): 67-71. |
| [19] |
谷朝君, 潘颖, 潘明杰. 内梅罗指数法在地下水水质评价中的应用及存在问题[J]. 环境保护科学, 2002, 28(1): 45-47. Gu C J, Pan Y, Pan M J. The application and existed problems of Nemero index in groundwater quality evaluation[J]. Environmental Protection Science, 2002, 28(1): 45-47. DOI:10.3969/j.issn.1004-6216.2002.01.017 |
| [20] | Hakanson L. An ecological risk index for aquatic pollution control.a sedimentological approach[J]. Water Research, 1980, 14(8): 975-1001. DOI:10.1016/0043-1354(80)90143-8 |
| [21] |
郭平, 谢忠雷, 李军, 等. 长春市土壤重金属污染特征及其潜在生态风险评价[J]. 地理科学, 2005, 25(1): 108-112. Guo P, Xie Z L, Li J, et al. Specificity of heavy metal pollution and the ecological hazard in urban soils of Changchun City[J]. Scientia Geographica Sinica, 2005, 25(1): 108-112. DOI:10.3969/j.issn.1000-0690.2005.01.017 |
| [22] |
周笑白, 梅鹏蔚, 彭露露, 等. 渤海湾表层沉积物重金属含量及潜在生态风险评价[J]. 生态环境学报, 2015, 24(3): 452-456. Zhou X B, Mei P W, Peng L L, et al. Contents and potential ecological risk assessment of selected heavy metals in the surface sediments of Bohai Bay[J]. Ecology and Environment Sciences, 2015, 24(3): 452-456. |
| [23] |
宁增平, 蓝小龙, 黄正玉, 等. 贺江水系沉积物重金属空间分布特征、来源及潜在生态风险[J]. 中国环境科学, 2017, 37(8): 3036-3047. Ning Z P, Lan X L, Huang Z Y, et al. Spatial distribution characteristics, sources and potential ecological risk of heavy metals in sediments of the Hejiang river[J]. China Environmental Science, 2017, 37(8): 3036-3047. DOI:10.3969/j.issn.1000-6923.2017.08.028 |
| [24] | Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32. |
| [25] | Cutler D R, Edwards Jr T C, Beard K H, et al. Random forests for classification in ecology[J]. Ecology, 2007, 88(11): 2783-2792. DOI:10.1890/07-0539.1 |
| [26] | Vincenzi S, Zucchetta M, Franzoi P, et al. Application of a random forest algorithm to predict spatial distribution of the potential yield of Ruditapes philippinarum in the Venice lagoon, Italy[J]. Ecological Modelling, 2011, 222(8): 1471-1478. DOI:10.1016/j.ecolmodel.2011.02.007 |
| [27] |
张丽娟.北京市MODIS遥感气溶胶光学厚度与空气质量关系研究[D].北京: 中国地质大学(北京), 2009. Zhang L J. Study on the correlation between MODIS AOD products and the air pollution in Beijing[D]. Beijing: China University of Geosciences (Beijing), 2009. |
| [28] | 卢子扬, 张崇德, 郝敬丹. 兰州地区土壤元素背景值的研究[J]. 环境研究, 1987(1): 17-22. |
| [29] | 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. |
| [30] |
李海雯, 陈振楼, 王军, 等. 基于GIS的上海城市灰尘重金属空间分布特征研究[J]. 环境科学学报, 2007, 27(5): 803-809. Li H W, Chen Z L, Wang J, et al. Research of spatial variability of heavy metal pollution of dust in Shanghai urban area based on the GIS[J]. Acta Scientiae Circumstantiae, 2007, 27(5): 803-809. DOI:10.3321/j.issn:0253-2468.2007.05.017 |
| [31] |
李一蒙, 马建华, 刘德新, 等. 开封城市土壤重金属污染及潜在生态风险评价[J]. 环境科学, 2015, 36(3): 1037-1044. Li Y M, Ma J H, Liu D X, et al. Assessment of heavy metal pollution and potential ecological risks of urban soils in Kaifeng City, China[J]. Environmental Science, 2015, 36(3): 1037-1044. |
| [32] | Li X Y, Liu L J, Wang Y G, et al. Heavy metal contamination of urban soil in an old industrial city (Shenyang) in Northeast China[J]. Geoderma, 2013, 192: 50-58. DOI:10.1016/j.geoderma.2012.08.011 |
| [33] |
齐梦溪, 赵文慧, 孙爽, 等. 2014-2016年北京市PM2.5污染时空分布特征[J]. 生态环境学报, 2019, 28(1): 97-105. Qi M X, Zhao W H, Sun S, et al. Temporal and spatial distribution characteristics of PM2.5 pollution in Beijing from 2014 to 2016[J]. Ecology and Environmental Sciences, 2019, 28(1): 97-105. |
| [34] | Murakami M, Nakajima F, Furumai H. Modelling of runoff behaviour of particle-bound polycyclic aromatic hydrocarbons (PAHs) from roads and roofs[J]. Water Research, 2004, 38(20): 4475-4483. DOI:10.1016/j.watres.2004.07.023 |
| [35] |
李彤玥. 基于"暴露-敏感-适应"的城市脆弱性空间研究——以兰州市为例[J]. 经济地理, 2017, 37(3): 86-95. Li T Y. Spatial vulnerability based on the framework of the exposure-sensitivity-adaptive capacity:a case study of Lanzhou[J]. Economic Geography, 2017, 37(3): 86-95. DOI:10.15957/j.cnki.jjdl.2017.03.012 |
| [36] |
向丽, 李迎霞, 史江红, 等. 北京城区道路灰尘重金属和多环芳烃污染状况探析[J]. 环境科学, 2010, 31(1): 159-167. Xiang L, Li Y X, Shi J H, et al. Investigation of heavy metal and polycyclic aromatic hydrocarbons contamination in street dusts in urban Beijing[J]. Environmental Science, 2010, 31(1): 159-167. |
| [37] |
王冠, 陈裕颖, 夏敦胜, 等. 上海城市表土磁性特征对重金属污染的指示作用[J]. 环境科学学报, 2018, 38(8): 3302-3312. Wang G, Chen Y Y, Xia D S, et al. Magnetic property of urban topsoil and its implication of heavy metal pollution in Shanghai[J]. Acta Scientiae Circumstantiae, 2018, 38(8): 3302-3312. |
| [38] |
石栋奇, 卢新卫. 西安城区路面细颗粒灰尘重金属污染水平及来源分析[J]. 环境科学, 2018, 39(7): 3126-3133. Shi D Q, Lu X W. Contamination levels and source analysis of heavy metals in the Finer particles of urban road dust from Xi'an, China[J]. Environmental Science, 2018, 39(7): 3126-3133. |
| [39] |
张海珍, 任泉, 魏疆, 等. 乌鲁木齐市不同区域大气降尘中重金属污染及来源分析[J]. 环境污染与防治, 2014, 36(8): 19-23. Zhang H Z, Ren Q, Wei J, et al. Analysis on the heavy metal pollutants in atmospheric dust in different regions of Urumqi and its sources apportionment[J]. Environmental Pollution and Control, 2014, 36(8): 19-23. DOI:10.3969/j.issn.1001-3865.2014.08.003 |
| [40] |
郭伟, 孙文惠, 赵仁鑫, 等. 呼和浩特市不同功能区土壤重金属污染特征及评价[J]. 环境科学, 2013, 34(4): 1561-1567. Guo W, Sun W H, Zhao R X, et al. Characteristic and evaluation of soil pollution by heavy metal in different functional zones of Hohhot[J]. Environmental Science, 2013, 34(4): 1561-1567. |
| [41] | Fergusson J E, Ryan D E. The elemental composition of street dust from large and small urban areas related to city type, source and particle size[J]. Science of the Total Environment, 1984, 34(1-2): 101-116. DOI:10.1016/0048-9697(84)90044-5 |
| [42] |
李萍, 薛粟尹, 王胜利, 等. 兰州市大气降尘重金属污染评价及健康风险评价[J]. 环境科学, 2014, 35(3): 1021-1028. Li P, Xue S Y, Wang S L, et al. Pollution evaluation and health risk assessment of heavy metals from atmospheric deposition in Lanzhou[J]. Environmental Science, 2014, 35(3): 1021-1028. |
| [43] |
赵一莎, 赵梦竹, 刘冲, 等. 兰州市城关区街尘重金属的分布特征、赋存形态及环境风险评价[J]. 兰州大学学报(自然科学版), 2016, 52(5): 605-610. Zhao Y S, Zhao M Z, Liu C, et al. Distribution character, chemical speciation and environmental risks of heavy metals in the surface dusts taken from Chengguan[J]. Journal of Lanzhou University (Natural Sciences), 2016, 52(5): 605-610. |
| [44] |
王艳霞, 赵军, 赵国虎. 兰州市安宁区菜园土壤重金属含量分析与评价[J]. 安徽农业科学, 2007, 35(19): 5804-5805, 5898. Wang Y X, Zhao J, Zhao G H. Analysis and evaluation of heavy metal content of vegetable garden soil in Anning District of Lanzhou City[J]. Journal of Anhui Agricultural Sciences, 2007, 35(19): 5804-5805, 5898. DOI:10.3969/j.issn.0517-6611.2007.19.081 |