Study on Migration and Enrichment Characteristics and Risk Assessment of Heavy Metals (Metalloids) in Rock-Parent Material- Soil: Taking Typical Rock-Soil Profiles in Three Gorges Reservoir Area as Examples
-
摘要:
笔者选取长江重点生区三峡库区（重庆段）4条典型岩石−土壤剖面，分析风化成土过程中重（类）金属元素（Cu、Pb、Zn、Cr、Ni、Cd、As、Hg）的迁移富集特征，探索该地段的典型健康风险。结果表明：①研究区侏罗纪碎屑岩风化剖面土壤呈弱碱性，二叠纪碳酸盐岩风化剖面土壤呈酸性、弱酸性，二叠纪碳酸盐岩母质土壤中各种元素含量基本高于侏罗纪碎屑岩母质土壤，8种重（类）金属元素含量均值都没有超过管制值。②同类土壤剖面中多种元素具有相似的迁移富集特征，各种元素的迁移富集规律受到成土母岩自身特性、淋溶淀积作用、黏土矿物吸附作用、大气降尘、元素地球化学性质和pH等多重因素的影响。③内梅罗综合污染指数显示研究区TP0301、TP0302剖面整体状况良好，无污染。TP0501和TP0502剖面由于元素Cd和As轻度超标造成轻度污染。④健康风险评价表明，儿童比成人更容易受到重（类）金属元素威胁，通过手−口摄入是土壤污染元素对人体引起非致癌健康风险的主要途径，研究区致癌风险较低，但 Cr 的重金属致癌健康风险指数 CR接近 1×10−6 ，应当引起关注。综合分析评价认为，研究区土壤整体状况良好，但二叠纪碳酸盐岩风化土壤剖面存在轻微的污染现象，考虑到研究区内居民的生命健康安全，建议加强二叠纪碳酸盐岩风化剖面中的类金属As和重金属Cr的监测关注。
-
关键词:
- 生态地质 /
- 侏罗纪碎屑岩风化剖面 /
- 二叠纪碳酸盐岩风化剖面 /
- 元素迁移富集特征 /
- 重庆
Abstract:Four typical rock-soil profiles in the key ecological area of the Yangtze River (Chongqing section) were selected to explore the migration and enrichment characteristics of heavy metal elements ( Cu, Pb, Zn, Cr, Ni, Cd, As, Hg ) in the process of weathering and soil formation, and to explore the typical health risks in this area. The results show that the soil in the Jurassic clastic rock weathering profile in the study area is weakly alkaline, and the soil in the Permian carbonate rock weathering profile is acidic and weakly acidic. The content of various elements in the Permian carbonate rock parent material soil is basically higher than that in the Jurassic clastic rock parent material soil, and the average content of eight heavy metal elements does not exceed the control value; Various elements in the same soil profile have similar migration and enrichment characteristics. The migration and enrichment of various elements are affected by multiple factors such as the characteristics of the parent rock, leaching and deposition, clay mineral adsorption, atmospheric dustfall, elemental geochemical properties and pH; The Nemero comprehensive pollution index shows that the TP0301 and TP0302 profiles in the study area are in good condition and pollution-free. The TP0501 and TP0502 profiles were slightly polluted due to the light exceeding of Cd and As; Health risk assessment showed that children were more susceptible to heavy metal elements than adults. Hand-mouth ingestion was the main way of soil pollution elements causing non-carcinogenic health risks. The carcinogenic risk in the study area was low, but the carcinogenic health risk index CR of Cr was close to 1 × 10−6, which should be concerned. According to the comprehensive analysis and evaluation, the soil in the study area is in good condition as a whole, but there is slight pollution in the weathering soil profile of Permian carbonate rocks. Considering the life and health safety of residents in the study area, it is suggested to strengthen the monitoring of metalloid As and heavy metal Cr in the weathering profile of Permian carbonate rocks. However, the carcinogenic health risk index of Cr is close to 1 × 10−6, which should be concerned.
-
滑坡作为世界上最常见的地质灾害之一，每年造成数千人伤亡和数千亿经济损失（Francisco et al.，2015；王朋伟等，2023） 。对中国来说，由于多山地貌的特点，许多地区受滑坡影响严重（孙萍萍等，2022）。近年来，滑坡对环境、居民建筑和工业设施的威胁日益加重（Lin et al.，2012；孟晓捷等，2022；王海芝等，2022；黄煜等，2023），严重危害居民的生命财产安全，给国家和社会造成巨大损失（李宇嘉等，2022；田媛等，2022）。因此，丞需一种有效手段来减少滑坡带来的损害。开展科学、准确的滑坡易发性评价，对制定防灾措施具有重要指导意义。
一般来说，通过预测未来滑坡发生的位置和可能性大小，可以在一定程度上减少滑坡的破坏（Pradhan et al.，2010）。滑坡易发性因其对滑坡发生相对空间概率的预测能力，被认为是滑坡预防管理的重要工具，也是规避滑坡风险的首要选择（Dai et al.，2002）。近年来，滑坡易发性评价已成为热门研究课题。在区域尺度上，易发性评价模型可分为定性评估和定量评估两大类（贾俊等，2023）。随着计算机技术、遥感（RS）和地理信息系统（GIS）的飞速发展，滑坡空间数据的获取变得便捷，基于定量评估的易发性建模方法得到广泛应用（Shen et al.，2019）。例如，随机证据权重（Haydar et al.，2016；周宇等，2022）、逻辑回归（LR）（刘璐瑶等，2021；杜国梁等，2021）、BP神经网络（唐睿旋等，2017；康孟羽等，2022；张林梵等，2022）、随机森林（RF）（刘坚等，2018；林荣福等，2020；马啸等，2022）和支持向量机（SVM）（Zhou et al.，2016；Zhu et al.，2022）等方法都在实际应用中取得较为理想的预测结果。在定量评估模型中，机器学习模型表现尤为突出，并被认为比基于专家意见的分析方法更有效预测山体滑坡（Binh et al.，2016）。SVM、BP神经网络和RF作为3种常见的典型机器学习算法，被广泛应用于滑坡易发性评价，并取得较高的预测精度。然而，受不同地质环境、数据背景影响，模型间的预测精度可能存在较大差异。目前的滑坡易发性研究大多是基于单一机器学习算法实施，缺乏不同算法之间的精度比较，难以获得研究区内更为准确的滑坡易发性结果。因此，有必要在特定区域内对多种学习模型进行比较，以选择高性能模型来获取区域滑坡预测结果。
鉴于此，笔者以云南芒市区域为例，分别基于SVM、BP神经网络和RF等3种典型机器学习算法获取其区域滑坡易发性评价结果，并采用不同精度评价指标对其结果进行对比分析，以获得研究区最佳评价算法及结果。所得最优评价结果能为当地政府部门提供更加准确、可靠的防灾减灾参考依据。
1. 研究区概况及数据源
1.1 研究区概况
研究区芒市地处云南省西南边境地区，隶属德宏傣族景颇族自治州，地理位置为E 98°05′～98°44′，N24°05′～24°39′（图1）。全境是以中、低山地为主的低纬山原地区，最高海拔2890 m（风平镇），最低海拔528 m（中山乡）。山地面积占89%，山体多为东北至西南走向，东北高而峻峭，西南低而宽缓，向西南倾斜展布，河谷与断裂带走向一致，甚至发育在断裂带上。芒市属南亚热带季风气候, 热量丰富, 夏季湿润多雨, 冬季温暖少雨, 干湿季节分明。降雨主要集中在5~10月份，年平均降雨量为1653.4 mm，最多年为1959.8 mm（杨平芬等，2014）。区内地貌涵盖侵蚀堆积地貌、岩溶地貌、构造剥蚀地貌、构造侵蚀地貌及火山堆积地貌5大成因类型，其中以构造侵蚀地貌和岩溶地貌为主（郑迎凯等，2020）。
![]()
图 1 研究区地理位置及样本分布Figure 1. Geographical location of the study area and distribution of sample近年来，该区域大肆开展道路修建和矿产资源开采等人类工程活动，致使原有的生态环境遭到破坏。加之境内地质构造复杂，新构造运动强烈，为地质灾害的发育提供了有利条件，从而引发泥石流、崩塌和滑坡等一系列灾害的频繁发生，严重威胁了区内居民的生命财产安全。
1.2 数据来源
笔者采用的主要实验数据来源如下：①250 m空间分辨率的岩性图，来源于地学服务平台。②30 m分辨率的土地利用数据，来源于中国科学院资源环境科学与数据中心。③30 m分辨率的DEM，来源于美国航空航天局NASA SRTM，用于地形地貌信息提取。④0.1°×0.1°空间分辨率的降雨数据，来源于美国航空航天局NASA GPM，通过反距离权重插值法获取区域内年均降雨量。
1.3 评价因子
实验采用100 m×100 m分辨率的栅格作为评价单元，研究区共计289609个栅格单元。结合研究区历史资料、现场勘探及遥感影像目视解译，共获得565个滑坡点作为滑坡基础样本数据，并利用GIS随机生成相等数量的非滑坡点（黄武彪等，2022）（图1），一同作为模型输入的因变量，记发生滑坡为1，未发生滑坡为0。在此基础上，按照7∶3的比例将样本数据进行划分（Vijendra et al.，2019），70%用于模型训练，30%用于模型精度测试。
在当前的滑坡易发性建模中，对于评价因子的选取并没有固定标准，唯一的原则是保证因子可操作、可测量和非冗余（Ayalew et al.，2005）。因此，在保证评价因子客观准确的前提下，结合研究区具体特性，选取9个评价因子：高程、坡度、坡向、平面曲率、剖面曲率、起伏度、地层岩性、年均降雨量和土地利用，作为模型输入的自变量，并引入灰色关联分析对所选评价因子与研究区历史滑坡灾害之间的关联性进行检验，得出灰色关联排序（周定义等，2021）。按关联度从小到大依次为坡向（0.52）、地层岩性（0.59）、年均降雨量（0.66）、坡度（0.70）、高程（0.74）、起伏度（0.75）、剖面曲率（0.78）、平面曲率（0.81）、土地利用（0.82）。关联度最低的评价因子为坡向，其关联度为0.52，均大于0.5，从排序结果可以看出选取的9个评价因子与研究区历史滑坡灾害之间存在一定的关联性，均能够作为该区域滑坡易发性建模的输入变量。
此外，为保证因子间统一的栅格单元大小，还利用重采样工具将栅格单元采样为30 m×30 m分辨率，并据以往研究者经验（Adnan et al.，2013；Markus et al.，2015）与灾害点分布规律对各评价因子进行分级（图2）。
2. 研究方法
2.1 支持向量机（SVM）
SVM是一种有监督的机器学习算法，基本原理是通过将低维度空间内混杂的、不可划分的数据投影到高维度空间内，并在相应的高维度空间内寻找最优分类超平面，以实现数据的正确分类（Huang et al.，2020）。
首先假设一组数据为（xi，yi），i=1,2,···,n，通过线性回归函数
$f(x) = \omega \cdot x + b$ 拟合并确定ω和b。采用松弛变量ε来控制分类误差，相应得线性函数拟合为（黄发明等，2022 ）：$$ \left\{ \begin{gathered} {y_i} - f({x_i}) \leqslant \varepsilon + {\xi _i} \\ f(xi) - yi \leqslant \varepsilon + \xi _i^*,i = 1,2, \cdots ,n \\ {\xi _i},\xi _i^* \geqslant 0 \\ \end{gathered} \right. $$ (1) 式中：
${\xi _i}、\xi _i^*$ 分别为分类误差因子。当
${\xi _i}、\xi _i^*$ 大于0时表示有分类错误，此时变换为求解最小化函数问题，如公式（2）所示，其中常数C大于0为超出分类误差ε的错分程度，将其带入拉格朗日函数后的线性拟合函数如公式（3）所示。$$ R（\omega ,{\xi }_{i},{\xi }_{i}^{*})=\frac{1}{2}\omega \cdot \omega +C{\displaystyle \sum _{i=1}^{n}(}{\xi }_{i}+{\xi }_{i}^{*}) $$ (2) $$ f(x) = \omega \cdot x + b = \sum\limits_{i = 1}^n {({\alpha _i} - \alpha _i^*} ){x_i} \cdot x + b $$ (3) 式中：ω为确定超平面方向的权重向量；b为偏差；C为惩罚因子；
${\alpha _i}、\alpha _i^*$ 为支持向量机系数。2.2 BP神经网络（BPNN）
BP神经网络由Hinton（1986） 于1986年提出，是一种按误差反向传播算法训练的多层前馈网络，分别由信息的正向传播和误差的反向传播两个过程组成（陈玉萍等，2012）。该算法的模型结构和权值通过学习过程获得，学习过程分为多层前馈和反向误差修正两个阶段（李东等，2015）。多层前馈数学模型为：
$$ \left\{ \begin{gathered} y_i^l = f(x_i^l) \\ x_i^l = \sum\limits_{j = 1}^{{N_{l - 1}}} {w_{ij}^l} y_j^{l - 1} + \theta _i^l \\ \end{gathered} \right.{\text{ }}(i = 1,2,3\cdots L) $$ (4) 式中：
$y_i^l$ 为第l层第i个节点的输出值；$x_i^l$ 为第l层第i个节点的激活值；$w_{ij}^l$ 为第l-1层第j个节点到第l层第i个节点的连接权值；$\theta _i^l$ 为第l层第i个节点的阈值；$f(x_i^l)$ 为神经元激活函数；L为总层数。误差的反向传播阶段采用梯度递降算法，通过调节各层神经元之间的连接权值，使总误差向减少方向变化。其表达式为：
$$ \Delta {w}_{ij}=-\eta \frac{\partial E}{\partial {w}_{ij}}\text{ }(\eta 为学习率) $$ (5) 则权值调整公式为：
$$ {w_{ij}}(t + 1) = {w_{ij}}(t) - \eta \frac{{\partial E}}{{\partial {w_{ij}}}} $$ (6) 2.3 随机森林（RF）
随机森林是一种组合分类模型，它由多棵决策树{h（X,Θk）, k=1,2,···n} 组成。参数集{Θk}是独立同分布的随机向量，在给定自变量X的情况下，最优分类结果由每棵决策树模型投票选出（吴孝情等，2017）。其表达式为（Pham et al.，2018）：
$$ f(x) = m\_vote\left\{ {{h_i}(x)} \right\}{\text{ }}(i = 1,2,3\cdots,k) $$ (7) 式中：m_vote为投票结果。
2.4 模型精度检验
为有效地评估3种算法对滑坡易发性的预测能力，笔者采用受试者工作特征曲线（Receiver-Operating Characteristic, ROC），曲线下面积（Area Under Curve, AUC）以及准确度（Accuracy, ACC）对模型的性能进行评价。ROC曲线以真阳性率（TPR）为纵轴，以假阳性率（FPR）为横轴，曲线越靠近左上方，AUC值越大，判别滑坡发生的精度越高。ACC则依靠混淆矩阵计算，它能够度量样本被正确分类的比例，ACC值越接近1，说明模型准确性越高。
3. 结果与分析
3.1 多重共线性分析
初步选取的滑坡评价因子之间可能存在统计学上的共线性关系，从而使得模型估计失真或难以准确描述因子与滑坡之间的真实关系（王毅等，2021）。因此，在滑坡易发性建模之前，还需检验因子间是否存在共线性问题。
通常采用VIF（方差膨胀系数）和容差两个指标来分析评价因子间的共线性情况，当容差值小于0.1或VIF值大于10时，表示因子间具有较高的共线性程度，需对其进行剔除（Ryuta et al.，2019）。利用SPSS20获取评价因子间的共线性关系（表1），所有因子的容差值均大于0.1，VIF值均小于10，表明因子之间不存在强共线性关系，均可用于后续的滑坡易发性建模。
表 1 评价因子多重共线性分析结果Table 1. Results of multiple covariance analysis of evaluation factors评价因子 容差 VIF 评价因子 容差 VIF 高程 0.781 1.281 起伏度 0.176 5.693 坡度 0.159 6.298 地层岩性 0.990 1.010 坡向 0.979 1.022 年均降雨量 0.981 1.019 平面曲率 0.708 1.413 土地利用 0.984 1.017 剖面曲率 0.869 1.151 3.2 滑坡易发性评价结果对比分析
实验利用GIS多值提取功能，将各评价因子的分级属性值提取为前文的样本数据，然后基于Matlab语言下的libsvm框架构建SVM模型，SPSSPRO构建BP神经网络模型和RF模型，以此对研究区289609个栅格单元进行滑坡易发性指数计算，输出0～1之间的滑坡概率值，并导入到Arcgis10.7中。采用自然间断法（Chen et al.，2017）将其划分为5个等级：极低易发、低易发、中易发、高易发和极高易发，以此得到3种算法下的芒市区滑坡易发性评价结果（图3）。
![]()
图 3 研究区滑坡易发性结果（a、b、c分别为SVM、BP、RF模型下的滑坡易发性结果）Figure 3. Landslide susceptibility results in the study area (a, b and c are landslide susceptibility results under SVM, BP and RF models, respectively)3种算法评价得出的研究区滑坡易发性结果（图3）在空间位置分布上存在一定的相似性和差异性。具体而言，在3种算法得到的易发性结果中，极高易发区集中分布在五岔路乡和江东乡一带，说明这一带相对其他区域，发生滑坡的可能性较大，和前人研究结果（郑迎凯等，2020）相一致；极低易发区则主要分布在轩岗乡、芒市镇以及风平镇，这些区域由于地势平坦，地形地貌简单，不利于滑坡发生，因此被赋予了较低的易发性等级。从上述几个典型区域的易发性等级划分来看，3种算法得到的结果都与实际情况具有较高的吻合度。三者之间的差异性则体现在遮放镇、勐戛镇一带的南部地区，这些地区在BP神经网络和RF得到的评价结果中几乎被赋予了中易发等级；而在SVM结果中，却被赋予了极高易发等级，不同算法对研究区内评价因子与滑坡易发性的非线性拟合能力可能是造成差异的首要原因，即算法的性能不同，所获取的易发性评价结果的准确性也有所不同。
通过定性方面的比较，并不能得出3种算法的优劣。因此，下文将从定量的角度对模型评价结果的准确性进行详细分析，以获得芒市地区最佳易发性评价模型。
3.3 评价精度对比分析
为对模型评价结果的准确性进行量化分析，采用统计的方式计算出模型测试样本的ACC值（表2），并在SPSS 20中绘制3种模型的ROC曲线（图4）。结合表2和图4可以看出RF模型的ACC值和AUC值最高分别为0.867和0.94，BP神经网络次之为0.829和0.90，SVM最低为0.794和0.88。RF算法无论是ACC值还是AUC值，均优于其他两种算法，AUC值较SVM和BP神经网络分别提升了4%和6%，表明在芒市地区，RF模型具有更高的滑坡预测能力。
表 2 测试样本精度评价Table 2. Test sample accuracy evaluation评价指标 评价模型 SVM BP神经网络 RF TP（真阳性） 130 143 138 FP（假阳性） 29 31 29 TN（真阴性） 139 138 156 FN（假阴性） 41 27 16 ACC（准确度） 0.794 0.829 0.867 此外，科学合理的滑坡易发性评价结果还需满足两个标准：①随着易发性等级增加，分级面积占比逐渐减小。②随着易发性等级增加，滑坡比（Sei）逐渐增大（Harlow et al.，2005）。在本研究中，滑坡比为实际滑坡点落入各级易发区的百分比（Dei）与各级易发区面积占总面积的百分比（Mei）的比值（Sei）（i=I，II，III，IV，V）。
由表3可知3种算法均满足上述两个准则，从极低到极高，易发性分区面积比（Mei）逐级递减，Sei值逐级递增。尽管如此，由于数值差异，它们的合理性依然具有一定的可比性。极低易发区的SeI值越小，极高易发区的SeV值越大，模型的合理性越高（刘希林等，2017 ）。检验结果显示在SVM、BP神经网络、RF评价结果中，分别有74.69%、82.30%和86.91%的滑坡点落入高易发等级以上区域，SeI和SeV值分别为0.19和6.85，0.11和9.14，以及0.07和9.21，最小SeI值和最大SeV值均为RF算法所得，说明RF芒市区滑坡评价结果的合理性要优于其他两种算法。
表 3 易发性分区合理性检验结果Table 3. Rationality test results of susceptibility zoning评价
模型易发区 分级面
积（km2）滑坡
点（个）Mei（%) Dei（%) Sei（%) SVM 极低（I） 1260.04 47 43.51 8.32 0.19 低（II） 624.7 47 21.57 8.32 0.39 中（III） 449.2 49 15.51 8.67 0.56 高（IV） 328.04 109 11.33 19.29 1.70 极高（V） 234.11 313 8.08 55.40 6.85 BP神经
网络极低（I） 1282.66 27 44.29 4.78 0.11 低（II） 619.45 31 21.39 5.49 0.26 中（III） 443.81 42 15.32 7.43 0.49 高（IV） 330.44 73 11.41 12.92 1.13 极高（V） 219.73 392 7.59 69.38 9.14 RF 极低（I） 1262.13 17 43.58 3.00 0.07 低（II） 684.86 20 23.65 3.54 0.15 中（III） 422.73 37 14.60 6.55 0.45 高（IV） 287.12 61 9.91 10.80 1.09 极高（V） 239.25 430 8.26 76.11 9.21 3.4 野外考察验证分析
根据野外实地考察，发现遮放镇新增一处滑坡，该滑坡位于垦西社区七队，长约30 m，宽约60 m，属于小型滑坡，虽没有人员伤亡，但仍旧对周边设施造成了破坏。本次实验利用该滑坡对3种算法的灾害预测能力进行评估，进一步对比验证模型的准确性。
此次滑坡的发生对附近的植被、道路、居民建筑造成一定程度的损坏。如图5d～图5e所示，受该滑坡影响，在一户居民家中发现约1～2 m长的拉张裂缝；坡体边缘植被倒塌，道路中央也出现长约12 m的裂缝，由于滑坡规模较小，并未带来较为严重的损失。由图5a～图5c可知，这次滑坡的空间位置分别位于SVM滑坡易发性评价结果的极低易发区，BP神经网络的中易发区，RF的高易发区。从3种评价结果的等级划分来看，RF算法对此次滑坡进行了很好的空间位置预测，得到与实际情况更为一致的滑坡预测结果。
![]()
图 5 局部滑坡易发性结果图及野外考察照片a、b、c. 分别为SVM、BP神经网络、RF算法得到的局部滑坡易发性图；d、e. 分别为野外实地考察图Figure 5. Amplification of local landslide susceptibility results and field study综上可知，无论是评价结果分级的合理性，还是滑坡预测的准确性，RF算法在芒市的滑坡易发性评价应用中都表现出明显的优势，相比其他两种算法更适合用于该区域的易发性评价结果获取。这也说明即使在同一区域，相同的地理环境条件，不同模型获得的结果也会不尽相同。通过不同模型对比的方式，可以获得更为准确、可靠的研究区易发性评价结果。
4. 结论
（1）3种算法获得的滑坡易发性结果在极低和极高易发区的空间位置分布上具有较高的一致性，极低易发区集中分布在轩岗乡、芒市镇以及风平镇区域，极高易发区分布在五岔路乡和江东乡一带。
（2）利用SPSS绘制3种算法的ROC曲线，得到SVM、BP神经网络和RF的AUC值分别为0.88、0.90、0.94。RF的AUC值较SVM和BP神经网络分别提升5.2%和3.2%，表明RF算法在芒市地区的滑坡预测能力要优于其余两种算法。
（3）通过对滑坡比值（Sei）进行统计，发现SVM、BP神经网络和RF在极低易发区的SeI值分别为0.19、0.11和0.07，在极高易发区的SeV值分别为6.85、9.14和9.21。SeI的最小值和SeV的最大值均由RF算法所得，并且该算法还得到与实地考察情况更为一致的滑坡评价结果。充分说明RF算法获得芒市滑坡易发性结果的准确性高于其他两种算法，能够为该区域的防灾减灾提供可靠参考。
-
![]()
图 1 研究区地质背景及采样点位置图
Figure 1. Geological background and sampling point location map of study area
![]()
图 2 研究区二叠纪碳酸盐岩和侏罗纪碎屑岩风化剖面图
Figure 2. Weathering profile of Permian carbonate rocks and Jurassic clastic rocks in study area
![]()
图 3 研究区质量平衡系数与采样深度关系图
（a）.TP0501；（b）.TP0502为二叠纪碳酸盐岩-石灰土剖面；（c）.TP0301；（d）. TP0302为侏罗纪碎屑岩-紫色土剖面
Figure 3. Relation diagram of mass balance coefficient and sampling depth in study area
![]()
图 4 基岩（a）和风化土壤（b）中元素富集系数
Figure 4. (a) Enrichment factor of elements in bedrock and (b) Enrichment factor of elements in weathered soil
表 1 质量平衡系数参数表
Table 1 Mass balance coefficient parameter table
项目 参数名称/单位 范围 含义 Ci, W 元素i在风化层的实测含量（mg/kg） Ti, Zr = −1 元素i已经被全部迁移殆尽 Ci, P 元素i在基岩的实测含量（mg/kg） Ti, Zr＜0 元素i在风化和蚀变过程中有迁移或者损失 CZr, W 惰性元素Zr在风化层的含量（mg/kg） Ti, Zr= 0 元素i相对于新鲜基岩没有任何迁移 CZr, P 惰性元素Zr在基岩的含量（mg/kg） Ti, Zr＞0 有外来i元素的加入 
下载: 导出CSV
表 2 土壤污染风险值
Table 2 Soil pollution risk value
元素 风险筛选值（标准） 风险管制值 pH≤5.5 5.5＜pH≤6.5 6.5＜pH≤7.5 pH＞7.5 pH≤5.5 5.5＜pH≤6.5 6.5＜pH≤7.5 pH＞7.5 Cd 0.3 0.3 0.3 0.6 1.5 2 3 4 Hg 1.3 1.8 2.4 3.4 2 2.5 4 6 As 40 40 30 25 200 150 120 100 Pb 70 90 120 170 400 500 700 1000 Cr 150 150 200 250 800 850 1000 1300 Cu 50 50 100 100 — — — — Ni 60 70 100 190 — — — — Zn 200 200 250 300 — — — — 注：表中风险筛选值依据《土壤环境质量农用地土壤污染风险管控标准（试行）（GB 15618—2018）》（下文简称为国标）。筛选值单位为mg/ kg。—为未检出，下同。
下载: 导出CSV
表 3 单因子指数与内梅罗综合指数评价标准
Table 3 Single factor index and Nemero comprehensive index evaluation standard
等级 单因子指数 内梅罗综合指数 范围 污染评价 范围 污染评价 Ⅰ Pi≤1 清洁 P综≤0.7 安全 Ⅱ 1＜Pi≤2 轻度污染 0.7＜P综≤1.0 警戒线 Ⅲ 2＜Pi≤3 中度污染 1.0＜P综≤2.0 轻度污染 Ⅳ Pi＞3 重度污染 2.0＜P综≤3.0 中度污染 Ⅴ P综＞3.0 重度污染
下载: 导出CSV
表 4 重金属健康风险暴露参数
Table 4 Heavy metal health risk exposure parameters
项目 参数名称及单位 成人参考值 儿童参考值 IngR 手−口摄入土壤频率（mg/d） 100 200 EF 暴露频率（d/a） 350 350 ED 暴露时间（a） 25 6 BW 平均体重（kg） 56.8 15.9 AT 平均暴露时间（d） 致癌 26280 ，非致癌9125 致癌 26280 ，非致癌2190 InhR 呼吸频率（m3/d） 14.5 7.5 PEF 颗粒物排放因子（m3/kg） 1.36×109 1.36×109 SA 皮肤暴露表面积（ cm2） 2415 1295 SL 皮肤粘附系数（mg/（cm2·d）） 0.2 0.2 ABS 皮肤吸收因子 0.001 0.001
下载: 导出CSV
表 5 土壤中重金属不同暴露途径RfD 和 SF
Table 5 Different exposure pathways of heavy metals RfD and SF in soil
元素 RfD（mg/kg·d-1） SF（kg·d/mg） 呼吸吸入 手-口摄入 皮肤接触 呼吸吸入 Cu 4×10−2 4×10−2 1.2×10−2 — Pb 3.5×10−3 3.5×10−3 5.25×10−4 — Zn 3×10−1 3×10−1 6×10−2 — Cr 2.86×10−5 3×10−3 6×10−5 42 Ni 2.06×10−2 2×10−2 5.4×10−3 0.84 Cd 1×10−3 1×10−3 3×10−5 6.3 As 3×10−4 3×10−4 1.23×10−4 15.1 Hg 3×10−4 3×10−4 2.1×10−5 —
下载: 导出CSV
表 6 研究区风化剖面元素含量与pH一览表
Table 6 List of element content and pH of weathering profile in the study area
剖面 样品 深度（cm） Cu Pb Zn Cr Ni Cd As Hg Zr pH TP0301 A 0～10 21.70 28.00 76.30 54.60 33.60 0.360 6.97 0.033 202.00 8.03 B1 10～20 21.50 26.30 76.50 56.20 32.40 0.270 7.56 0.017 211.00 8.19 B2 20～30 20.90 22.90 67.70 57.20 30.80 0.120 5.45 0.011 268.00 8.40 B3 30～50 18.80 23.40 65.60 58.00 30.60 0.120 4.68 0.011 244.00 8.47 C1 50～65 18.10 32.20 82.80 65.00 41.30 0.320 6.22 0.010 130.00 8.58 C2 65～80 17.20 25.00 73.20 61.90 34.90 0.200 4.25 0.010 191.00 8.45 土壤均值 — 19.70 26.30 73.68 58.82 33.93 0.232 5.86 0.015 207.67 — R ＞80 14.00 19.40 40.40 44.40 21.40 0.120 2.35 0.009 172.00 — TP0302 A 0～10 31.60 30.80 74.40 54.50 30.90 0.390 7.39 0.025 212.00 8.00 B1 10～20 20.20 29.40 80.70 55.00 36.70 0.220 7.74 0.013 197.00 8.27 B2 20～30 18.70 32.00 84.10 60.60 35.80 0.140 8.26 0.008 178.00 8.26 C 30～40 16.00 21.60 58.70 51.40 25.60 0.089 4.33 0.005 224.00 8.59 土壤均值 — 21.63 28.45 74.48 55.38 32.25 0.210 6.93 0.013 202.75 — R ＞40 15.80 21.20 63.20 48.30 24.80 0.080 3.06 0.003 238.00 — TP0501 A1 0～7 30.80 46.60 110.00 96.70 34.40 0.580 26.80 0.160 252.00 5.53 A2 7～15 29.00 47.30 122.00 98.60 36.00 0.580 26.20 0.170 259.00 5.01 E1 15～25 24.80 49.40 143.00 95.00 34.50 0.780 21.80 0.230 227.00 5.28 E2 25～35 22.10 36.70 119.00 84.80 30.80 0.660 20.60 0.200 198.00 5.62 B1 35～45 21.40 29.40 93.50 79.00 27.30 0.370 22.50 0.160 182.00 5.86 B2 45～60 28.00 35.20 102.00 106.00 38.90 0.380 24.50 0.200 232.00 6.04 C1 60～85 27.20 44.20 122.00 100.00 37.50 0.490 26.20 0.170 271.00 5.39 C2 85～110 30.00 49.40 128.00 99.40 38.00 0.390 26.40 0.180 252.00 5.34 土壤均值 — 26.66 42.28 117.44 94.94 34.68 0.529 24.38 0.184 234.13 — R ＞110 0.96 0.27 2.29 6.65 0.24 0.038 0.50 0.002 6.90 — TP0502 A1 0～10 40.30 46.20 121.00 117.00 40.30 0.660 43.70 0.180 259.00 5.00 A2 10～20 31.50 45.30 120.00 129.00 43.00 0.520 46.50 0.190 264.00 5.27 E1 20～40 29.00 50.60 129.00 107.00 42.00 0.330 26.90 0.220 266.00 4.97 E2 40～60 28.70 48.90 129.00 108.00 37.90 0.460 23.30 0.220 238.00 4.96 B1 60～75 24.20 24.40 76.40 68.80 36.50 0.440 15.30 0.200 138.00 5.62 B2 75～90 36.50 32.20 105.00 88.70 54.70 0.620 18.00 0.270 149.00 6.74 C1 90～120 30.00 50.20 128.00 121.00 42.40 0.400 41.80 0.220 256.00 5.30 C2 120～150 30.80 50.90 131.00 121.00 41.80 0.360 31.50 0.190 258.00 5.14 土壤均值 — 31.38 43.59 117.43 107.56 42.33 0.474 30.88 0.211 228.50 — R ＞150 2.01 0.29 5.15 4.36 3.44 0.045 0.50 0.001 7.90 — 超管制值/% 0.00 0.00 0.00 0.00 0.00 0.000 0.00 0.000 — — 上地壳丰度（UCC） 28.00 17.00 67.00 92.00 47.00 0.090 4.80 0.050 — — 重庆土壤背景值 24.60 28.10 81.90 74.40 31.60 0.280 6.62 0.069 — — 中国土壤背景值 22.60 26.00 74.20 61.00 26.90 0.097 11.20 0.065 — — 世界土壤 30.00 19.00 90.00 40.00 20.00 0.350 — — — — 注：表中字母A代表腐殖层，E代表淋溶层，B代表淀积层，C代表母质层，R代表基岩层；元素的含量为mg/kg，PH无量纲。
下载: 导出CSV
表 7 研究区剖面土壤重金属元素单因子指数和内梅罗指数评价结果
Table 7 The evaluation results of single factor index and Nemero index of heavy metal elements in soil profile of the study area
剖面 样品 PCu PPb PZn PCr PNi PCd PAs PHg Pave Pmax P综 等级 TP0301 A 0.217 0.165 0.254 0.218 0.177 0.600 0.279 0.010 0.204 0.600 0.317 安全 B1 0.215 0.155 0.255 0.225 0.171 0.450 0.302 0.005 B2 0.209 0.135 0.226 0.229 0.162 0.200 0.218 0.003 B3 0.188 0.138 0.219 0.232 0.161 0.200 0.187 0.003 C1 0.181 0.189 0.276 0.260 0.217 0.533 0.249 0.003 C2 0.172 0.147 0.244 0.248 0.184 0.333 0.170 0.003 TP0302 A 0.316 0.181 0.248 0.218 0.163 0.650 0.296 0.007 0.207 0.650 0.312 安全 B1 0.202 0.173 0.269 0.220 0.193 0.367 0.310 0.004 B2 0.187 0.188 0.280 0.242 0.188 0.233 0.330 0.002 C 0.160 0.127 0.196 0.206 0.135 0.148 0.173 0.001 TP0501 A1 0.616 0.518 0.550 0.645 0.491 1.933 0.670 0.089 0.666 2.600 1.335 轻度
污染A2 0.580 0.676 0.610 0.657 0.600 1.933 0.655 0.131 E1 0.496 0.706 0.715 0.633 0.575 2.600 0.545 0.177 E2 0.442 0.408 0.595 0.565 0.440 2.200 0.515 0.111 B1 0.428 0.327 0.468 0.527 0.390 1.233 0.563 0.089 B2 0.560 0.391 0.510 0.707 0.556 1.267 0.613 0.111 C1 0.544 0.631 0.610 0.667 0.625 1.633 0.655 0.131 C2 0.600 0.706 0.640 0.663 0.633 1.300 0.660 0.138 TP0502 A1 0.806 0.660 0.605 0.780 0.672 2.200 1.093 0.138 0.701 2.200 1.226 轻度
污染A2 0.630 0.647 0.600 0.860 0.717 1.733 1.163 0.146 E1 0.580 0.723 0.645 0.713 0.700 1.100 0.673 0.169 E2 0.574 0.699 0.645 0.720 0.632 1.533 0.583 0.169 B1 0.484 0.271 0.382 0.459 0.521 1.467 0.383 0.111 B2 0.365 0.268 0.420 0.444 0.547 2.067 0.600 0.113 C1 0.600 0.717 0.640 0.807 0.707 1.333 1.045 0.169 C2 0.616 0.727 0.655 0.807 0.697 1.200 0.788 0.146
下载: 导出CSV
表 8 健康风险评价结果
Table 8 Health risk assessment results
剖面 元素 HQing HQinh HQderm HI CR 成人 儿童 成人 儿童 成人 儿童 成人 儿童 成人 儿童 TP0301 Cu 8.67×10−4 6.50×10−3 9.24×10−8 1.79×10−7 1.40×10−5 2.81×10−5 8.81×10−4 6.53×10−3 — — Pb 1.28×10−2 9.59×10−2 1.36×10−6 2.64×10−6 4.12×10−4 8.28×10−4 1.32×10−2 9.67×10−2 — — Zn 4.06×10−4 3.05×10−3 4.33×10−8 8.41×10−8 9.82×10−6 1.97×10−5 4.16×10−4 3.07×10−3 — — Cr 2.91×10−2 2.18×10−1 3.25×10−4 6.31×10−4 7.02×10−3 1.41×10−2 3.64×10−2 2.33×10−1 1.36×10−7 1.99×10−7 Ni 2.68×10−3 2.01×10−2 2.78×10−7 5.39×10−7 4.80×10−5 9.66×10−5 2.73×10−3 2.02×10−2 1.67×10−9 2.45×10−9 Cd 5.75×10−4 4.32×10−3 6.13×10−8 1.19×10−7 9.26×10−5 1.86×10−4 6.68×10−4 4.50×10−3 1.34×10−10 1.97×10−10 As 3.71×10−2 2.78×10−1 3.96×10−6 7.68×10−6 4.37×10−4 8.80×10−4 3.76×10−2 2.79×10−1 6.23×10−9 9.13×10−9 Hg 1.76×10−4 1.32×10−3 1.87×10−8 3.64×10−8 1.21×10−5 2.44×10−5 1.88×10−4 1.34×10−3 — — TP0302 Cu 1.26×10−3 9.47×10−3 1.35×10−7 2.61×10−7 2.03×10−5 4.09×10−5 1.28×10−3 9.51×10−3 — — Pb 1.41×10−2 1.05×10−1 1.50×10−6 2.91×10−6 4.53×10−4 9.11×10−4 1.45×10−2 1.06×10−1 — — Zn 3.96×10−4 2.97×10−3 4.23×10−8 8.20×10−8 9.57×10−6 1.92×10−5 4.06×10−4 2.99×10−3 — — Cr 2.90×10−2 2.18×10−1 3.25×10−4 6.30×10−4 7.01×10−3 1.41×10−2 3.64×10−2 2.32×10−1 1.35×10−7 1.98×10−7 Ni 2.47×10−3 1.85×10−2 2.56×10−7 4.96×10−7 4.42×10−5 8.88×10−5 2.51×10−3 1.86×10−2 1.54×10−9 2.25×10−9 Cd 6.23×10−4 4.67×10−3 6.65×10−8 1.29×10−7 1.00×10−4 2.02×10−4 7.24×10−4 4.88×10−3 1.45×10−10 2.13×10−10 As 3.94×10−2 2.95×10−1 4.20×10−6 8.14×10−6 4.64×10−4 9.33×10−4 3.98×10−2 2.96×10−1 6.60×10−9 9.68×10−9 Hg 1.33×10−4 9.99×10−4 1.42×10−8 2.75×10−8 9.19×10−6 1.85×10−5 1.42×10−4 1.02×10−3 — — TP0501 Cu 1.23×10−3 9.23×10−3 1.31×10−7 2.54×10−7 1.98×10−5 3.98×10−5 1.25×10−3 9.27×10−3 — — Pb 2.13×10−2 1.60×10−1 2.27×10−6 4.40×10−6 6.85×10−4 1.38×10−3 2.20×10−2 1.61×10−1 — — Zn 5.86×10−4 4.39×10−3 6.25×10−8 1.21×10−7 1.42×10−5 2.85×10−5 6.00×10−4 4.42×10−3 — — Cr 5.15×10−2 3.86×10−1 5.76×10−4 1.12×10−3 1.24×10−2 2.50×10−2 6.45×10−2 4.12×10−1 2.40×10−7 3.52×10−7 Ni 2.75×10−3 2.06×10−2 2.85×10−7 5.52×10−7 4.92×10−5 9.89×10−5 2.80×10−3 2.07×10−2 1.71×10−9 2.51×10−9 Cd 9.27×10−4 6.95×10−3 9.88×10−8 1.92×10−7 1.49×10−4 3.00×10−4 1.08×10−3 7.25×10−3 2.16×10−10 3.17×10−10 As 1.43×10−1 1.07×100 1.52×10−5 2.95×10−5 1.68×10−3 3.38×10−3 1.44×10−1 1.07×100 2.39×10−8 3.51×10−8 Hg 8.52×10−4 6.39×10−3 9.09×10−8 1.76×10−7 5.88×10−5 1.18×10−4 9.11×10−4 6.51×10−3 — — TP0502 Cu 1.61×10−3 1.21×10−2 1.72×10−7 3.33×10−7 2.59×10−5 5.21×10−5 1.64×10−3 1.21×10−2 — — Pb 2.11×10−2 1.58×10−1 2.25×10−6 4.36×10−6 6.79×10−4 1.37×10−3 2.18×10−2 1.60×10−1 — — Zn 6.45×10−4 4.83×10−3 6.87×10−8 1.33×10−7 1.56×10−5 3.13×10−5 6.60×10−4 4.87×10−3 — — Cr 6.23×10−2 4.67×10−1 6.97×10−4 1.35×10−3 1.51×10−2 3.03×10−2 7.81×10−2 4.99×10−1 2.91×10−7 4.26×10−7 Ni 3.22×10−3 2.42×10−2 3.33×10−7 6.47×10−7 5.76×10−5 1.16×10−4 3.28×10−3 2.43×10−2 2.00×10−9 2.94×10−9 Cd 1.05×10−3 7.91×10−3 1.12×10−7 2.18×10−7 1.70×10−4 3.41×10−4 1.22×10−3 8.25×10−3 2.46×10−10 3.61×10−10 As 2.33×10−1 1.75×100 2.48×10−5 4.81×10−5 2.74×10−3 5.51×10−3 2.36×10−1 1.75×100 3.90×10−8 5.72×10−8 Hg 9.59×10−4 7.19×10−3 1.02×10−7 1.98×10−5 6.62×10−5 1.33×10−4 1.03×10−3 7.33×10−3 — —
下载: 导出CSV
-
白佳灵, 冯志刚, 马强, 等. 湘西北黑色泥灰岩风化剖面重金属富集的地球化学机制[J]. 地球与环境, 2019, 47(04): 436-447 doi: 10.14050/j.cnki.1672-9250.2019.47.079 BAI Jialing, FENG Zhigang, MA Qiang, et al. Geochemical Mechanism for the Enrichment of Heavy Metals in a Weathering Profile of Black Marlstone in the Northwestern Hunan Province, China [J]. Earth and Environment, 2019, 47(04): 436-447 doi: 10.14050/j.cnki.1672-9250.2019.47.079
鲍丽然, 邓海, 贾中民, 等. 重庆秀山西北部农田土壤重金属生态健康风险评价[J]. 中国地质, 2020, 47(06): 1625-1636 doi: 10.12029/gc20200602 BAO Liran, DENG Hai, JIA Zhongmin, et al. Ecological and health risk assessment of heavy metals in farmland soil of northwest Xiushan, Chongqing[J]. Geology in China, 2020, 47(06): 1625-1636. doi: 10.12029/gc20200602
蔡雄飞, 赵士杰, 宣斌, 等. 贵阳市城郊两处菜地土壤垂直剖面重金属迁移规律及来源解析[J]. 生态科学, 2021, 40(03): 42-50 doi: 10.14108/j.cnki.1008-8873.2021.03.006 CAI Xiongfei, ZHAO Shijie, XUAN Bin, et al. Migration and source analysis of heavy metals in vertical soil profiles of the two suburban vegetable filds of guiyang city[J]. Ecological Science, 2021, 40(03): 42–50. doi: 10.14108/j.cnki.1008-8873.2021.03.006
陈继平, 钞中东, 任蕊, 等. 陕西关中富硒土壤区农作物重金属含量相关性及安全性评价[J]. 西北地质, 2021, 54(2): 273-281 doi: 10.19751/j.cnki.61-1149/p.2021.02.024 CHEN Jiping, CHAO Zhongdong, REN Rui, et al. Correlation and Safety Evaluation of Crop Heavy Mental Content in Shaanxi Guanzhong Selenium-enriched Areas[J]. Northwestern Geology, 2021, 54(02): 273-281. doi: 10.19751/j.cnki.61-1149/p.2021.02.024
窦韦强, 安毅, 秦莉, 等. 农田土壤重金属垂直分布迁移特征及生态风险评价[J]. 环境工程, 2021, 39(02): 166-172 doi: 10.13205/j.hjgc.202102027 DOU Weiqiang, AN Yi, QIN Li, et al. Characteristics of vertical distribution and migration of heavy metals in farmland soils and ecological risk assessment[J]. Environmental Engineering, 2021, 39(02): 166-172. doi: 10.13205/j.hjgc.202102027
冯博鑫, 徐多勋, 张宏宇, 等. 基于最小数据集的周至地区土壤重金属地球化学特征及成因分析[J]. 西北地质, 2023, 56(1): 284-292. FENG Boxin, XU Duoxun, ZHANG Hongyu, et al. Geochemical Characteristic of Heavy Metal in Zhouzhi Area and Analysis of Their Causes Based on Minimum Data Set[J]. Northwestern Geology, 2023, 56(1): 284−292.
高雅, 胡晨, 张春雷, 等. 安徽石台地区富硒土壤分布及硒的富集迁移规律探讨[J]. 西北地质, 2022, 55(02): 284-291 doi: 10.19751/j.cnki.61-1149/p.2022.02.025 GAO Ya, HU Chen, ZHANG Chunlei, et al. Study on the Distribution of Selenium-rich Soil and the Regularity of Selenium Enrichment-Migration in Shitai Area, Anhui, China[J]. Northwestern Geology, 2022, 55(02): 284-291. doi: 10.19751/j.cnki.61-1149/p.2022.02.025
国家环境监测总站. 中国土壤元素背景值[M]. 北京: 中国环境科学出版社. 1990. 胡正峰, 高明, 谢德体, 等. 三峡库区紫色土不同成土母质Cu, Zn污染评价[J]. 西南师范大学学报(自然科学版), 2015, 40(03): 112-119 HU Zhengfeng, GAO Ming, XIE Deti, et al. On Contents of Cu and Zn in Different Parent Materials of Purple Soil and Pollution Assessment in the Three Gorges Reservoir Area[J]. Journal of Southwest China Normal University(Natural Science Edition), 2015, 40(03): 112-119.
黄小娟, 江长胜, 郝庆菊. 重庆溶溪锰矿区土壤重金属污染评价及植物吸收特征[J]. 生态学报, 2014, 34(15): 4201-4211 HUNG Xiaojuan, JING Changsheng, HAO Qingju. Assessment of heavy metal pollutions in soils and bioaccumulation of heavy metals by plants in Rongxi Manganese mineland of Chongqing[J]. Acta Ecologica Sinica, 2014, 34(15): 4201-4211.
黄勇, 欧阳渊, 刘洪, 等. 地质建造对土壤性质的制约及其生态环境效应—以西昌地区红壤为例[J]. 西北地质, 2023, 56(4): 196−212. HUANG Yong, OUYANG Yuan, LIU Hong, et al. Restriction of Geological Formation on Soil Properties and Its Ecological Environmental Effects: Example from Red Soil in the Xichang Area[J]. Northwestern Geology, 2023, 56(4): 196−212.
贾磊, 刘洪, 欧阳渊, 等. 基于地质建造的南方山地-丘陵区地表基质填图单元划分方案——以珠三角新会—台山地区为例[J]. 西北地质, 2022, 55(04): 140-157 JIA Lei, LIU Hong, OUYANG Yuan, ZHANG Wei, et al. Division Scheme of Surface Substrate Mapping Units of Mountainous-Hilly Area in South China Based on Geological Formations Research: Example from Xinhui-Taishan Area in Pearl River Delta[J]. Northwestern Geology, 2022, 55(04): 140-157.
李礼, 徐龙君, 李斗. 重庆秀山锰矿区土壤重金属污染分析与评价[J]. 地球与环境, 2014, 42(05): 646-651 doi: 10.14050/j.cnki.1672-9250.2014.05.029 LI Li, XU Longjun, LI Dou. Analysis and Evaluation of Soil Heavy Metal Pollution in Chongqing Xiushan Manganese Mine-zone[J]. Earth and Environment, 2014, 42(05): 646-651. doi: 10.14050/j.cnki.1672-9250.2014.05.029
李樋, 李紫烨, 刘洪, 等. 西昌普诗碎屑岩地区紫色土剖面重金属迁移富集特征与生态风险评价[J]. 矿物学报, 2023b, 43(01): 125-136 doi: 10.16461/j.cnki.1000-4734.2022.42.079 LI Tong, LI Ziye, LIU Hong, et al. Migration and enrichment characteristics of heavy metals in purple soil profile and ecological risk assessment in Pushi clastic rock area, Xichang[J]. Acta Mineralogica Sinica, 2023, 43(01): 125-136. doi: 10.16461/j.cnki.1000-4734.2022.42.079
李樋, 刘洪, 李佑国, 等. 基于地统计学及GIS的西昌地区中生代红层区紫色土营养元素空间变异性及影响因素研究[J]. 地球科学进展, 2022, 37(06): 627-640 doi: 10.11867/j.issn.1001-8166.2022.6.dqkxjz202206007 LI Tong, LIU Hong, LI Youguo, et al. Study on Spatial Variability and Influencing Factors of Nutrient Elements in Purple Soil in Mesozoic Red Layer Region in Xichang Area Based on Geostatistics and GIS[J]. Advances in Earth Science, 2022, 37(06): 627-640. doi: 10.11867/j.issn.1001-8166.2022.6.dqkxjz202206007
李樋, 刘小念, 刘洪, 等. 基于地质建造的土壤营养元素空间分布特征研究——以大凉山区为例[J]. 安全与环境工程, 2021, 28(06): 127-137 doi: 10.13578/j.cnki.issn.1671-1556.20200957 LI Tong, LIU Xiaonian, LIU Hong, et al. Study on Spatial Distribution Characteristics of Soil Nutrient Elements Based on Geological Construction—Take Daliangshan Region as an Example[J]. Safety and Environmental Engineering, 2021, 28(06): 127-137. doi: 10.13578/j.cnki.issn.1671-1556.20200957
李樋, 刘小念, 刘洪, 等. 西昌普诗地区中—下白垩统小坝组岩石–紫色土剖面稀土元素地球化学特征分析[J]. 沉积与特提斯地质, 2023a,43(4): 829-843. doi: 10.19826/j.cnki.1009-3850.2021.06002 LI Tong, LIU Xiaonian, LIU Hong, et al. Geochemistry of rare earth elements of purple soil layers in the Middle-Lower Cretaceous Xiaoba Formation, Pushi area, Xichang[J]. Sedimentary Geology and Tethyan Geology, 2023,43(4): 829-843. doi: 10.19826/j.cnki.1009-3850.2021.06002.
刘洪, 黄瀚霄, 欧阳渊, 等. 基于地质建造的土壤地质调查及应用前景分析——以大凉山区西昌市为例[J]. 沉积与特提斯地质, 2020, 40(01): 91-105 doi: 10.19826/j.cnki.1009-3850.(2020)01-091-15 LIU Hong, HUANG Hanxiao, OUYANG yuan, et al. Soil's geologic investigation in Daliangshan, Xichang, Sichuan[J]. Sedimentary Geology and Tethyan Geology, 2020, 40(01): 91-105. doi: 10.19826/j.cnki.1009-3850.(2020)01-091-15
刘丽琼, 魏世强, 江韬. 三峡库区消落带土壤重金属分布特征及潜在风险评价[J]. 中国环境科学, 2011, 31(07): 1204-1211 LIU Liqiong, WEI Shiqiang, JIANG Tao. Distribution of soil heavy metals from water-level-fluctuating zone in Three-Gorge Reservoir Area and their evaluation of potential ecological risk[J]. China Environmental Science, 2011, 31(07): 1204-1211.
刘文景, 涂成龙, 郎赟超, 等. 喀斯特地区黄壤和石灰土剖面化学组成变化与风化成土过程[J]. 地球与环境, 2010, 38(03): 271-279 doi: 10.14050/j.cnki.1672-9250.2010.03.018 LIU Wenjing, TU Chenglong, LANG Yunchao, et al. Major and Trace Element Compositions of Yellow and Limestone Soils in the Karst Area of Southwest China: Implications for Weathering and Soil-formation Processes[J]. Earth and Environment, 2010, 38(03): 271-279. doi: 10.14050/j.cnki.1672-9250.2010.03.018
刘英俊, 曹励明, 李兆麟, 等. 元素地球化学[M]. 北京: 科学出版社,1984. 石雨佳, 方林发, 方标, 等. 三峡库区(重庆段)菜地土壤重金属污染特征、 潜在生态风险评估及源解析[J/OL]. 环境科学, 2023, 44(3): 1611-1619 SHI Yujia, FANG Linfa, FANG Biao, et al. Pollution Characteristics and Source Apportionment of Heavy Metals in Vegetable Field in the Three Gorges Reservoir Area (Chongqing Section) [J/OL]. Environmental Science, 2023, 44(3): 1611-1619.
孙子媛, 文雪峰, 吴攀, 等. 喀斯特地区典型风化剖面重金属超标程度及元素迁移特征研究[J]. 地球与环境, 2019, 47(01): 50-56 doi: 10.14050/j.cnki.1672-9250.2019.47.011 SUN Ziyuan, WEN Xuefeng, WU Pan, et al. Excessive Degrees and Migration Characteristics of Heavy Metals in Typical Weathering Profiles in Karst Areas[J]. Earth and Environment, 2019, 47(01): 50-56. doi: 10.14050/j.cnki.1672-9250.2019.47.011
唐世琪, 刘秀金, 杨柯, 等. 典型碳酸盐岩区耕地土壤剖面重金属形态迁移转化特征及生态风险评价[J]. 环境科学, 2021, 42(08): 3913-3923 doi: 10.13227/j.hjkx.202101066 TANG Shiqi, LIU Xiujin, YANG Ke, et al. Migration, Transformation Characteristics, and Ecological Risk Evaluation of Heavy Metal Fractions in Cultivated Soil Profiles in a Typical Carbonate-Covered Area[J]. Environmental Science, 2021, 42(08): 3913-3923. doi: 10.13227/j.hjkx.202101066
汪洁, 龚竞, 刘雨佳, 等. 昆明市土壤重金属污染特征及其生态与健康风险评价[J]. 轻工学报, 2022, 37(04): 118-126 WANG Jie, GONG Jing, LIU Yujia, et al. Ecological and health risk assessment of heavy metals in urban soils from a typical southwest capital city[J]. Journal of Light Industry, 2022, 37(04): 118-126.
王海荣, 侯青叶, 杨忠芳, 等. 广东省典型花岗岩成土剖面元素垂向分布特征[J]. 中国地质, 2013, 40(02): 619-628 doi: 10.3969/j.issn.1000-3657.2013.02.025 WAMG Hairong, HOU Qingye, YANG Zhongfang, et al. Vertical distribution of some elements in typical weathering-soil profiles of granite in Guangdong Province[J]. Geology in China, 2013, 40(02): 619-628. doi: 10.3969/j.issn.1000-3657.2013.02.025
王秋艳, 文雪峰, 魏晓, 等. 碳酸盐岩风化和成土过程的重金属迁移富集机理初探及环境风险评价[J]. 地球与环境, 2022, 50(01): 119-130 WANG Qiuyan, WEN Xuefeng, WEI Xiao, et al. Heavy Metal Migration and Enrichment Mechanism and the Environmental Risks during the Weathering and Soil Formation of Carbonate Rocks[J]. Earth and Environment, 2022, 50(01): 119-130.
武春林, 王瑞廷, 丁坤, 等. 中国土壤质量地球化学调查与评价的研究现状和进展[J]. 西北地质, 2018, 51(03): 240-252 doi: 10.3969/j.issn.1009-6248.2018.03.023 WU Chunlin, WANG Ruiting, DING Kun, et al. Geochemical Survey and Evaluation on Soil Quality in China: Research Status and Advances[J]. Northwestern Geology, 2018, 51(03): 240-252. doi: 10.3969/j.issn.1009-6248.2018.03.023
谢代兴, 杨杨, 苏春田, 等. 滇东南石灰土微量元素地化特征与环境质量评价[J]. 贵州农业科学, 2014, 42(10): 229-233 doi: 10.3969/j.issn.1001-3601.2014.10.060 XIE Daixing, YANG Yang, SU Chuntian, et al. Geochemical Characteristics and Environmental Quality of Microelements in Limestone Soil in Southeast Yunnan Province[J]. Guizhou Agricultural Sciences, 2014, 42(10): 229-233. doi: 10.3969/j.issn.1001-3601.2014.10.060
徐志豪, 吴健, 王敏, 等. 典型复垦工业场地土壤垂直剖面重金属污染特征及潜在生态风险[J]. 水土保持通报, 2019, 39(02): 43-47 XU Zhihao, WU Jian, Wang Min, et al. Characteristics and Potential Ecological Risk of Heavy Metal in Vertical Soil Profiles of Typical Reclaimed Industrial Sites[J]. Bulletin of Soil and Water Conservation, 2019, 39(02): 43-47.
严明书, 李武斌, 杨乐超, 等. 重庆渝北地区土壤重金属形态特征及其有效性评价[J]. 环境科学研究, 2014, 27(01): 64-70 doi: 10.13198/j.issn1001-6929.2014.01.10 YAN Mingshu, LI Wubin, YANG Lechao, et al. Speciation Characteristics and Effectiveness Assessment of Heavy Metals in Soils in Yubei District, Chongqing[J]. Research of Environmental Sciences, 2014, 27(01): 64-70. doi: 10.13198/j.issn1001-6929.2014.01.10
余飞, 张永文, 严明书, 等. 重庆汞矿区耕地土壤和农作物重金属污染状况及健康风险评价[J]. 环境化学, 2022, 41(02): 536-548 doi: 10.7524/j.issn.0254-6108.2020101302 YU Fei, ZHANG Yongwen, YAN Mingshu, et al. Heavy metal pollution and human health risks assessment of soil and crops near the mercury ore in Chongqing[J]. Environmental Chemistry, 2022, 41(02): 536-548. doi: 10.7524/j.issn.0254-6108.2020101302
张连科, 李艳伟, 李玉梅, 等. 包头市铜厂周边土壤中重金属垂直分布特征与形态分析[J]. 水土保持研究, 2016, 23(05): 354-358 doi: 10.13869/j.cnki.rswc.2016.05.048 ZHANG Lianke, LI Yanwei, LI Yumei, et al. Vertical. Distribution Characteristics and Speciation Analysis of Heavy Metals in Topsoils Around a Copper Plant of Baotou[J]. Research of Soil and Water Conservation, 2016, 23(05): 354-358. doi: 10.13869/j.cnki.rswc.2016.05.048
张腾蛟, 刘洪, 欧阳渊, 等. 中高山区土壤成土母质理化特征及主控因素初探——以西昌市为例[J]. 沉积与特提斯地质, 2020, 40(01): 106-114 doi: 10.19826/j.cnki.1009-3850.(2020)01-0106-09 ZHANG Tengjiao, LIU Hong, OUYANG yuan, et al. A preliminary discussion on the physical and chemical characteristics and main controlling factors of soil and parent material in the middle and high mountain area——take Xichang as an example[J]. Sedimentary Geology and Tethyan Geology, 2020, 40(01): 106-114. doi: 10.19826/j.cnki.1009-3850.(2020)01-0106-09
张炜华, 于瑞莲, 杨玉杰, 等. 厦门某旱地土壤垂直剖面中重金属迁移规律及来源解析[J]. 环境科学, 2019, 40(08): 3764-3773 doi: 10.13227/j.hjkx.201901227 ZHANG Weihua, YU Ruilian, YANG Yujie, et al. Migration and Source Analysis of Heavy Metals in Vertical Soil Profiles of the Drylands of Xiamen City[J]. Environmental Science, 2019, 40(08): 3764-3773. doi: 10.13227/j.hjkx.201901227
张永江, 邓茂, 王祥炳, 等. 黔江区农业区域土壤重金属健康风险评价[J]. 贵州师范大学学报(自然科学版), 2016, 34(02): 37-42 doi: 10.16614/j.cnki.issn1004-5570.2016.02.007 ZHANG Yongjiang, DENG Mao, WANG Xiangbing, et al. Assesssment on human health risk of potentially heavy metals in agricultural farmland of Qianjiang district[J]. Journal of Guizhou Normal University(Natural Sciences), 2016, 34(02): 37-42. doi: 10.16614/j.cnki.issn1004-5570.2016.02.007
周皎, 何欣芮, 李瑜, 等. 基于土壤重金属特征的绿色食品产地环境评价——以重庆(江津)现代农业园区为例[J]. 中国环境科学, 2020, 40(07): 3070-3078 doi: 10.3969/j.issn.1000-6923.2020.07.033 ZHOU Jiao, HE Xinrui, LI Yu, et al. Evaluation of soil environmental quality in green food production based on spatial distribution of heavy metals -- a case study of modern agricultural park in Iiangjin district, Chongqing[J]. China Environmental Science, 2020, 40(07): 3070-3078. doi: 10.3969/j.issn.1000-6923.2020.07.033
Ariya P A, Dastroor A P , Amyot M , et al. The Arctic: a sink for mercury [J]. Tellus B: Chemical and Physical Meteorology, 2004, 56: 397-403. doi: 10.3402/tellusb.v56i5.16458
Ayoub G M, Mehawej M. Adsorption of arsenate on untreated dolomite powder[J]. Journal of Hazardous Materials, 2007, 148: 259-266. doi: 10.1016/j.jhazmat.2007.02.011
Bowman K L, Lamborg C H, Agather A M. A global perspective on mercury cycling in the ocean[J]. Science of the Total Environment, 2020, 710: 136166. doi: 10.1016/j.scitotenv.2019.136166
Wedepohl K H . The Composition of the Continental Crust[J]. Geochimica et Cosmochimica Acta, 1995, 59(07): 1217-1232. doi: 10.1016/0016-7037(95)00038-2
Loganathan P , Vigneswaran S , Naidu J K & R . Cadmium Sorption and Desorption in Soils: A Review[J]. Critical Reviews in Environmental Science and Technology, 2012, 42: 489-533. doi: 10.1080/10643389.2010.520234
Nesbitt H W . Mobility and Fractionation of Rare Earth Elements During Weathering of a Granodiorite[J]. Nature, 1979, 279: 206-210. doi: 10.1038/279206a0
Peters R W. Chelant Extraction of Heavy Metals From Contaminated Soils[J]. Journal of Hazardous Materials, 1999, 66 (1-2): 151-210. doi: 10.1016/S0304-3894(99)00010-2
Qian J , Shan X Q , Wang Z J , et al. Distribution and plant availability of heavy metals in different particle-size fractions of soil[J]. Science of the Total Environment, 1996, 187( 02): 131-141. doi: 10.1016/0048-9697(96)05134-0
Qu S , Wu W , Nel W , et al. The behavior of metals/metalloids during natural weathering: A systematic study of the mono-lithological watersheds in the upper Pearl River Basin, China[J]. The Science of the Total Environment, 2020, 708: 134572. doi: 10.1016/j.scitotenv.2019.134572
Quezada-Hinojosa R P , Matera V , Adatte T , et al. Cadmium distribution in soils covering Jurassic oolitic limestone with high Cd contents in the Swiss Jura[J]. Geoderma, 2009, 150(3-4): 287-301 doi: 10.1016/j.geoderma.2009.02.013
Rambeau C M C , Baize R , Sasunby R , et al. High cadmium concentrations in Jurassic limestone as the cause for elevated cadmium levels in deriving soils: a case study in Lower Burgundy, France[J]. Environmental Earth Sciences, 2010, 61(08): 1573-1585. doi: 10.1007/s12665-010-0471-0
Rudnick R L, Gao S. Composition of the Continental Crust[J]. Treatise on Geochemistry, 2014, 4: 1-51.
Sun G , Feng X , Yang C , et al. Levels, sources, isotope signatures, and health risks of mercury in street dust across China[J]. Journal of Hazardous Materials, 2020, 392: 122276. doi: 10.1016/j.jhazmat.2020.122276
Tahervand S , Jalali M . Sorption, desorption, and speciation of Cd, Ni, and Fe by four calcareous soils as affected by pH[J]. Environmental Monitoring and Assessment, 2016, 188(06): 1-12.
Tiller K G , Gerth J , G. Brümmer. The relative affinities of Cd, Ni and Zn for different soil clay fractions and goethite[J]. Geoderma, 1984, 34(01): 17-35. doi: 10.1016/0016-7061(84)90003-X
Tuttle M L W , Breit G N , Goldhaber M B . Weathering of the New Albany Shale, Kentucky: Ii. Redistribution of minor and trace elements[J]. Applied Geochemistry, 2009, 24(08): 1565-1578. doi: 10.1016/j.apgeochem.2009.04.034
Wang J , Bai X , Liu F , et al. Enrichments of Cadmium and Arsenic and their Effects on the Karst Forest Area[J]. International Journal of Environmental Research and Public Health, 2019, 16: 4665. doi: 10.3390/ijerph16234665
-
期刊类型引用(6)
1. 冯旻譞，毛伊敏，贾俊，齐琦，孟晓捷，刘港，高波，高满新. 地质灾害危险性评价中不同机器学习方法优劣对比：以宁强县大安镇为例. 中国地质. 2025(01): 205-214 . 
百度学术
2. 卫璐宁，郭永刚，周兴波. 基于优化随机森林模型的藏东南地区滑坡主控因子分析及易发性评价. 地质与资源. 2025(01): 112-127 . 百度学术
3. 李光明，杨玉飞，唐亚明，王小浩，尹春旺，冯凡，周永恒. 数据驱动模型评价滑坡易发性的对比研究：以黄河中游流域为例. 西北地质. 2025(02): 51-65 . 本站查看
4. 张天宇，李林翠，刘凡，洪增林，钱法桥，胡斌，张淼. 基于优化最大熵模型的黄土滑坡易发性评价：以陕西省吴起县为例. 西北地质. 2025(02): 172-185 . 本站查看
5. 胡祥祥，石亚亚，胡良柏，吴涛，庞栋栋，刘帅令，宋宝. 融合InSAR与信息量–机器学习耦合模型的黄土滑坡易发性评价. 西北地质. 2025(02): 159-171 . 本站查看
6. 周修波，李永红，陈建平，何意平，姬怡微，蒙晓，张辉. 基于机器学习模型的斜坡地质灾害易发性评价. 甘肃地质. 2024(04): 63-75 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 140
- HTML全文浏览量: 23
- PDF下载量: 38
- 被引次数: 9
