区域土壤重金属污染的源汇空间分析和时空模拟研究_贾晓琳.pdf

分类号：X53 单位代码：10335 密 级：公开 学 号：11814013 博 士 学 位 论 文 中文论文题目：中文论文题目：区域土壤重金属污染的源汇空间分析和时区域土壤重金属污染的源汇空间分析和时空模拟研究空模拟研究 英文论文题目：英文论文题目：Source-sink spatial analysis and spatio-temporal simulation of soil heavy metal pollution in regional scale 申请人姓名：贾 晓 琳 指导教师：史舟教授 专业名称：农业遥感与信息技术应用 研究方向：土壤信息化 所在学院：环境与资源学院 论文提交日期论文提交日期 2020 年年 09 月月 区域土壤重金属污染的源汇空间分析和时空模拟研究？论文作者签名：、贫琳指导教师签名论文评阅人：（姓名职称单位下同）评阅人：（隐名评阅学位论文省略）评阅人：评阅人？评阅人：答辩委员会主席：林道辉教授浙江大 学委员：刘杏梅教授浙江大学委员：常锦峰研究员浙江大学委员：李艳教授浙江大学委员：史舟教授浙江大学委员：答辩日期：年月号！翁：（）：（姓名职称单位下同）：（隐名评阅学位论文省略）：（）：浙江大学研宄生学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研宄工作及取得的研究成果。除了文中特别加以标注和致谢的地方外，论文中不包含其他人己经发表或撰写过的研究成果，也 不包 含 为获 得浙江大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研宄所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文 作者签名：未签字曰期：，月名曰学位论文版权使用授权书本学位 论文作者 完全了解浙江大学有权保留并向 国家有关 部门或机构送交本论文的复印件和磁盘，允许论文被查阅和借阅。本人授权浙江大学可以将学位论文的全部或部分内容编入有关 数据库进行检索和传播，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。（保密的学位论文在解密 后适用本授权书）学位论文作者签名：女也彥蛛獅签名签字日期：如年月各日签字日年月日 本论文受以下项目资助本论文受以下项目资助 农田土壤典型污染综合防治技术研究及示范.浙江省重点研发计划（2015C02011）The present research was supported by Key Research and Development Project of Zhejiang Province(2015C02011)浙江大学博士学位论文 致谢 I 致谢致谢 曾经一直以为五年是很漫长的一段时间，然而不知不觉，我的博士求学生涯已经走到最后，已经到了要和我最熟悉的老师、同学、生活告别的日子。回忆过往的点滴，依旧是历历在目。感谢我最敬爱的史舟老师。在这五年求学过程中，遇到了很多思维上的困难，感谢老师给予我极为耐心的鼓励和指导，亦感恩老师在行事和做人方面对我的教育和培养。是您一直在督促着我，使我不断修正、完善自己，变得更加自信、坚强。未来无论在哪里，我都将忘不了您的刀子嘴豆腐心，忘不了您的胸怀大意、大家风度，忘不了与您在办公室里探讨科研与人生的感悟，更忘不了我的字里行间受您细腻行文的影响。同时，也感谢我在浙江大学遇到的每一位老师。团队中亦师亦友的梁建设老师、周炼清老师、李艳老师，专业里博学善诱的王珂老师、黄敬峰老师、邓劲松老师，谢谢所有老师对我的启发和帮助，使我能够实现突破、积极进取。感谢我最可爱的小伙伴们。不管是厨艺满分的佳昱、爱撒娇的雅静、正能量的王俊，还是实验室里一起经历无数个日出日落的师兄、师姐、师弟、师妹们，独一无二的你们吸引着我，陪伴着我，期待下次见面，归来仍是少年。感谢我最亲爱的家人。谢谢你们对我坏脾气的宽恕和包容，谢谢你们对我生活和情感的支持和呵护，能够成为你们的女儿、姐姐，是我这辈子最大的幸运。前路漫漫而坎坷，有你们，是我不断前行最大的动力。感谢这五年里出现在我生命中的每一个人，尽管回忆有涩有甜，但正是因此，我经历了一段色彩斑斓的时光。不乱于心，不困于情；不畏将来，不念过往。愿每一个人都可以成为更好的自己。谨以此文向所有帮助和照顾我的人们表达最真挚的感谢！贾晓琳 2020年8月于紫金港 浙江大学博士学位论文 摘要 II 摘要摘要 土壤作为生态系统中联系有机界和无机界的重要枢纽，为植物提供水分和养分，是农业生产的基本生产资料之一。土壤环境状况与农产品安全密切相关。土壤是一种不可更新的自然资源，一经破坏在较短时间内难以恢复。随着我国社会经济的快速发展与城镇化进程的不断推进，人类活动对土壤环境的影响日益增长，土壤环境状况不容乐观，尤其是土壤重金属污染问题日益突出。针对该问题，我国正逐步开展相关污染防治工作。快速识别和掌握区域尺度上土壤重金属及其污染来源的时空分布特征，是高效开展污染防治工作的前提条件之一。本文以近年来经济快速发展的长江三角洲南翼为研究区域，针对铬、铅、镉、汞和砷五种主要土壤重金属元素，基于多期历史采样数据和相关环境变量，采用多种空间分析模型和机器学习算法，开展农用地土壤环境质量评价、土壤污染来源识别和土壤污染动态模拟研究，以期为我国土壤重金属污染防治工作提供一定的技术支撑。主要研究内容和结论如下：（1）常规土壤环境质量评价方法通常以单一对象（土壤、作物或人体健康）为主，结果仅反映评价对象的污染情况，而忽略了土壤、作物和人体健康的相互作用与关系。为解决该问题，本研究主要针对土壤重金属元素，引入空间多准则决策理论，建立起以人体健康为主的土壤环境质量联合评价模型。该模型采用模糊法解决不同指标间量纲差异问题，使用层次分析法定义各指标权重，并通过有序加权平均法进行结果集成。研究表明，分别以土壤、作物或人体健康为研究对象时，三类评价结果中土壤环境质量污染程度及主要污染元素存在较大差异。而本研究所构建的联合评价模型以人体健康为主，并兼顾土壤及作物安全，在一定程度上实现了区域土壤环境质量评价总体趋势的统一，且模型结果对土壤、作物和人体健康三类评价结果均有所体现。（2）传统土壤污染源解析方法难以精准定位区域尺度土壤各重金属元素的污染来源，且主要适用于土壤污染来源的监管，在土壤污染防控工作中适用性相对较差。本研究选取成土母质、土壤类型、土地利用类型、土壤pH、土壤有机质、PM2.5、PM10、人口密度、肥料（氮肥、磷肥、钾肥和有机肥）/农药/农膜施用量、采样点与污染企业/道路/河流的最近距离共17个环境变量，采用随机森林构建土浙江大学博士学位论文 摘要 III 壤各重金属元素含量预测模型，较好预测了各元素总量及其空间分布情况；并基于预测模型中变量重要性评估结果定量分析了不同土壤重金属元素的主要污染来源，其中与污染企业的距离和大气沉降是影响土壤重金属含量分布的主要因素。通过结合模糊k均值聚类和随机森林模型，识别和定义不同土壤潜在污染区域，并将研究区划分为高风险区、低风险区和安全区三类区域。（3）企业污染是土壤重金属污染的主要成因之一，但我国企业变更较快，且企业信息难以获得，传统方法很难及时地对区域尺度不同类型企业造成的土壤污染进行调查和分析。本研究基于支持向量机、朴素贝叶斯和人工神经网络建立不同的企业行业分类模型，其中多项式朴素贝叶斯模型分类精度最高，准确率高达86.5%，Kappa系数为0.82，分类结果与实际基本一致。其次使用来自搜索引擎的免费地理信息数据（包括19万家企业），并采用多项式朴素贝叶斯模型将其划分为不同的行业类型。最后通过双变量局部Morans I模型，探讨了不同行业类型与土壤镉、汞污染的空间相关性，并对不同行业类型所造成的土壤污染进行了对比和分析，同时发现研究区土壤镉污染的主要原因是土壤镉元素背景值过高。（4）通过预测未来一段时间内土壤重金属污染及其变化趋势，可及时采取有效措施减缓或防止土壤污染的发生，目前针对未来土壤环境质量预测仍缺乏有效的分析手段。本研究采用卷积神经网络模型和多种环境变量数据，计算土壤环境质量各类别的发展概率；并基于元胞自动机模型，结合发展概率、自适应惯性系数和轮盘竞争机制，构建适用于土壤环境质量类别的时空预测模型；该模型Kappa系数均超过0.41，预测结果及空间分布趋势与实际较为接近。最后通过联合乐观情景模拟，探讨未来土壤污染面积占比区间；经计算，2020年、2030年和2050年土壤污染面积占比分别为11.8%17.3%、6.5%15.2%和1.9%8.3%，且土壤主要污染元素为镉元素。关键词关键词：土壤重金属污染，源汇理论，时空分析，机器学习 浙江大学博士学位论文 Abstract IV Abstract Soil is an important hub connecting organic and inorganic components and their interfaces in the ecosystem,which provides water and nutrients for plants and serves as one of the basic components of agricultural production.The soil environment is closely related to the safety of agricultural products.In addition,soil is a non-renewable natural resource;once destroyed,it cannot easily recover over a short period.With the rapid development of the social economy and the continuous advancement of urbanization in China,the impact of human activities on the soil environment is growing day by day,and soil environmental is under considerable threat.In particular,soil heavy metal pollution has become increasingly prominent.In view of soil heavy metal pollution,the Chinese government is gradually implementing related pollution prevention and control work.One of the premises for effective pollution prevention and control is to rapidly identify and manage the spatial and temporal distribution characteristics of soil heavy metals and their pollution sources at the regional scale.This paper takes the south region of the Yangtze River Delta with rapid economic development in recent years as the research area and five soil heavy metal elements(chromium,lead,cadmium,mercury and arsenic)as the research object.We collected multi-temporal sampling data and related environment variables,and used spatial analysis models and machine learning algorithms to carry out the research of soil environmental quality assessment,soil pollution source apportionment and soil pollution dynamic simulation of agricultural land in order to provide some technical support for the prevention and control of soil heavy metal pollution in China.The main research contents and conclusions are as follows:(1)Soil environmental quality assessment usually focuses on a single object(soil,crop or human health).The assessment results only reflect the pollution of the assessment object,but ignore the interaction and relationship between soil,crops and human health.To address this problem,this study mainly studied soil heavy metal elements,adopted the spatial multi-criteria decision-making model and established a combined evaluation model of soil environmental quality,which mainly focused on human health.This model used the fuzzy method to solve the different dimensions of various indexes,the applied analytic hierarchy process method to define the weight of each index and integrated the results by using the ordered weighted average method.浙江大学博士学位论文 Abstract V This study found that the pollution degree and main pollution elements of soil environmental quality were significantly different when soil,crop or human health were taken as the assessment objects.The combined evaluation model established in this study focused on human health and also considered soil and crop safety.To some extent,this model achieved the unification of the overall trend of regional soil environmental quality assessment,and the result of the model reflected the assessment results of soil,crop and human health.(2)Traditional methods of soil pollution source apportionment are difficult to accurately identify the pollution sources of different heavy metal elements in soils at regional scale,which are mainly applicable to the management of soil pollution sources,not to the prevention and control of soil pollution.The following 17 environmental variables were considered in this study:soil parent material;soil type;land use;soil pH;soil organic matter;PM2.5;PM10;population density;application rate of fertilizer(nitrogenous fertilizer,phosphatic fertilizer,potash fertilizer and organic fertilizer),agricultural film and pesticide;and proximity to polluting enterprises,roads and rivers.And this study used random forest to build the prediction models of the different heavy metals in soils,which well predicted the total concentrations and spatial distributions of the heavy metals.In addition,based on the evaluation results of the importance of variables in the prediction models,the main pollution sources of different heavy metal elements in soils were analyzed quantitatively.Proximity to polluting enterprises and atmospheric sedimentation significantly influenced the concentration distribution of soil heavy metals.The combination of random forest and fuzzy K-means models identified and defined the potential risk areas of soil pollution and allowed for delineation of high-risk,low-risk and safe areas.(3)Enterprise pollution is one of the main causes of soil heavy metal pollution.Due to the alteration of enterprises and little available enterprise information,it is difficult to identify the soil pollution caused by different enterprises at regional scale by traditional methods.This study trained different classification models based on support vector machine,naive Bayesian and artificial neural network algorithms.Multinomial naive Bayesian had the best prediction effect with an accuracy of 86.5%and kappa coefficient of 0.82,which showed that predicted results were basically consistent with the actual results.Freely available geographical data from a search engine(together included more than 190,000 enterprises)were classified into different industry types by Multinomial naive Bayesian.The relationship between the different 浙江大学博士学位论文 Abstract VI industry classes and soil cadmium and mercury pollution was explored using bivariate local Morans I analysis.The analysis revealed areas in which different industry classes had led to soil pollution.In addition,it was found that the soil cadmium pollution in this study area was mainly caused by the high background value of cadmium in soils.(4)By predicting the heavy metal pollution in the future and changes to its trend,effective measures can be taken to slow down or prevent the occurrence of soil pollution.At present,it is still a lack of effective analysis methods for future soil environmental quality prediction.In this study,convolutional neural networks model and a variety of environmental variables were used to calculate the development probability of different types of soil environmental quality.Then,on the basis of a cellular automata model,combined with development probability,self-adaptive inertia coefficient and roulette wheel selection mechanism,this study constructed a spatio-temporal prediction model of soil environmental quality.The kappa coefficient of the prediction model exceeded 0.41,indicating that the results and spatial distribution trend predicted by the model were close to the actual results.Finally,the proportion range of soil pollution area was discussed together with optimistic scenario simulation.The proportion of soil pollution area in 2020,2030,and 2050 were 11.8%17.3%,6.5%15.2%and 1.9%8.3%,respectively,and cadmium was the main pollution element in soils.Key words:Soil heavy metal pollution;source and sink theory;spatio-temporal analysis;machine learning.浙江大学博士学位论文 目录 VII 目录目录 致谢.I 摘要.II Abstract.IV 目录.VII 图目录.X 表目录.XIV 1 绪论.1 1.1 研究背景与意义.1 1.2 国内外研究进展.3 1.2.1 土壤环境质量评价研究.3 1.2.2 土壤污染及其来源识别研究.5 1.2.3 土壤污染动态模拟与预测研究.8 1.3 研究内容与技术路线.9 1.3.1 研究内容.9 1.3.2 技术路线.10 2 研究区与数据.11 2.1 研究区概况.11 2.2 土壤采样与化学分析.12 2.3 数据收集与整理.14 3 基于联合评价模型的土壤环境质量评估.18 3.1 研究方法.19 3.1.1 污染评价指标.19 3.1.2 联合评价模型.23 3.2 结果分析与讨论.25 3.2.1 土壤及作物重金属含量统计.25 浙江大学博士学位论文 目录 VIII 3.2.2 土壤中重金属污染评价.26 3.2.3 作物中重金属污染评价.28 3.2.4 人体健康风险评价.29 3.2.5 准则权重计算.31 3.2.6 联合评价污染分析.32 3.3 小结.36 4 基于污染源汇理论的土壤潜在污染区域识别.37 4.1 研究方法.37 4.1.1 土壤重金属预测模型.37 4.1.2 可视化聚类分析.39 4.2 结果分析与讨论.40 4.2.1 土壤重金属含量统计.40 4.2.2 重金属含量预测模型与结果分析.42 4.2.3 环境变量重要性分析.44 4.2.4 土壤重金属空间分布预测.46 4.2.5 特征区域划分.48 4.2.6 潜在污染区域识别.49 4.3 小结.50 5 基于源汇变量推理的土壤污染企业来源识别.52 5.1 研究方法.53 5.1.1 行业分类.53 5.1.2 双变量空间相关性分析.55 5.2 结果分析与讨论.56 5.2.1 土壤重金属含量统计.56 5.2.2 企业及其污染物统计.57 5.2.3 企业分类模型与结果分析.58 5.2.4 土壤重金属和企业空间分布.60 5.2.5 土壤重金属企业污染源解析.61 浙江大学博士学位论文 目录 IX 5.2.6 非企业污染源分析.64 5.3 小结.64 6 基于环境变量的土壤污染动态模拟与预警.65 6.1 研究方法.66 6.1.1 时空预测模型.66 6.1.2 情景预测模型.68 6.2 结果分析与讨论.69 6.2.1 多期土壤重金属含量统计.69 6.2.2 基于历史数据的时空趋势分析.70 6.2.3 时空预测模型与结果分析.72 6.2.4 未来土壤污染分布与预警.74 6.2.5 未来乐观情景模拟.75 6.3 小结.77 7 结论与展望.78 7.1 结论.78 7.2 创新点.79 7.3 展望.80 参考文献.81 科研成果.96 浙江大学博士学位论文 图目录 X 图目录图目录 图 1.1 技术路线图.10 图 2.1 研究区域位置.12 图 2.2 2003 年、2008 年和 2013 年三期数据采样点空间分布.13 图 2.3 2003、2008 和 2013 年环境变量空间分布（a：2003 年 PM2.5，b：2003 年土壤 pH，c：2008 年 PM2.5，d：2008 年土壤 pH，e：2013 年 PM2.5，f：2013年土壤 pH）.15 图 2.4 2013 年环境变量空间分布（a：路网分布，b：水系分布，c：人口密度，d：土壤有机质）.16 图 2.5 企业 POI 数据空间分布.17 图 3.1 土壤环境质量联合评价模型流程图.25 图 3.2 土壤各重金属元素潜在生态风险指数箱型图.27 图 3.3 土壤总潜在生态风险指数频率分布直方图.27 图 3.4 作物污染指数（a）及生物富集指数（b）箱型图.28 图 3.5 非致癌总风险指数（a）及致癌总风险指数（b）频率分布直方图.30 图 3.6 各重金属元素联合评价结果空间分布（a：铬元素，b：铅元素，c：镉元素，d：汞元素，e：砷元素）.33 图 3.7 各评价指标及联合评价结果空间分布（a：潜在生态风险指数，b：作物污染指数，c：生物富集指数，d：人体健康非致癌风险指数，e：人体健康致癌风险指数，f：联合评价模型结果）.35 图 4.1 土壤污染源汇示意图.40 图 4.2 基于 RF 模型的土壤重金属含量验证集实测与预测值散点图（a：铬元素，b：铅元素，c：镉元素，d：汞元素，e：砷元素）.44 图 4.3 基于 RF 模型的土壤重金属污染各环境因子贡献情况（SPM：成土母质，ST：土壤类型，LU：土地利用类型，SOM：土壤有机质，Pop：人口密度，NF：氮肥，PF：磷肥，KF：钾肥，OF：有机肥，Pes：农药，AF：农膜，Ent&Road&River：采样点分别与污染企业、道路和河流的最近距离）.46 图 4.4 基于 RF 模型的土壤重金属含量空间分布（a：铬元素，b：铅元素，c：镉浙江大学博士学位论文 图目录 XI 元素，d：汞元素，e：砷元素）.47 图 4.5 基于 FKM 模型不同分类数对应的 FPI、MPE 和 S 值.48 图 4.6 FKM 最优分类结果（a）和对应 CI 值的空间格局（b）.49 图 5.1 土壤污染来源识别工作流程图（SVM：支持向量机，NB：朴素贝叶斯，ANN：人工神经网络）.56 图 5.2 企业密度与土壤重金属污染空间分布（a：镉元素，b：汞元素，c：纺织业，d：金属制品业，e：化工业）.61 图 5.3 基于双变量局部 Morans I 模型的土壤重金属企业污染来源解析（a：纺织业&镉元素，b：金属制品业&镉元素，c：化工业&镉元素，d：纺织业&汞元素，e：金属制品业&汞元素，f：化工业&汞元素）.63 图 6.1 土壤污染时空预测模型流程图.68 图 6.2 2008 年和 2013 年土壤环境质量预测及实际空间分布（a：2008 年实际结果，b：2013 年实际结果，c：2008 年预测结果，d：2013 年预测结果）.74 图 6.3 未来土壤环境质量空间分布（a：2020 年土壤环境质量，b：2030 年土壤环境质量，c：2050 年土壤环境质量）.75 图 6.4 基于情景模拟的未来土壤环境质量空间分布情况（a：2020 年土壤环境质量，b：2030 年土壤环境质量，c：2050 年土壤环境质量）.76 Figure 1.1 Flow chart of the research.10 Figure 2.1 Location of the study area.12 Figure 2.2 Spatial distributions of the sampling sites in 2003,2008 and 2013.13 Figure 2.3 Spatial distribution of the environmental variables in 2003,2008 and 2013(a:PM2.5 in 2003,b:soil pH in 2003,c:PM2.5 in 2008,d:soil pH in 2008,e:PM2.5 in 2013,f:soil pH in 2013).15 Figure 2.4 Spatial distribution of the environmental variables in 2013(a:the distribution of roads,b:the distribution of rivers,c:population density,d:soil organic matter).16 Figure 2.5 Spatial distribution of the enterprise data(POI).17 Figure 3.1 Workflow of the combining evaluation model of soil environmental quality.25 浙江大学博士学位论文 图目录 XII Figure 3.2 Boxplots of the potential ecological risk indexes of different heavy metal elements in soils.27 Figure 3.3 Frequency histograms of the total potential ecological risk index in soils.27 Figure 3.4 Boxplots of the crop contamination indexes(a)and biological enrichment indexes(b).28 Figure 3.5 Frequency histograms of the total non-carcinogenic risk indexes(a)and total carcinogenic risk indexes(b).30 Figure 3.6 Spatial distributions of the combining evaluation results of different heavy metal elements(a:chromium element,b:lead element,c:cadmium element,d:mercury element,e:arsenic element).33 Figure 3.7 Spatial distribution of the different evaluation indexes and combining evaluation result(a:potential ecological risk index,b:crop contamination index,c:biological enrichment index,d:human health non-carcinogenic risk index,e:human health carcinogenic risk index,f:result of combining evaluation model)35 Figure 4.1 Schematic diagram of the source and sink of soil pollution.40 Figure 4.2 Scatter plots of the measured concentration against the predicted concentration v