通过综合垄沟种植技术及铁氢氧化物-PVA膜系统降低稻田中的砷含量并提取土壤中的砷

《Journal of Environmental Sciences》：Reducing grain arsenic and extracting soil arsenic in paddies by an integrated ridge–furrow and ferrihydrite–PVA membrane system

土壤污染源解析需结合受体模型（如PMF、CMB）与地理数据，分析交通（20.8%）、工业（19.4%）等污染源贡献，强调采样规范、示踪指标选择及政策制定。

　　

Ivan Radelyuk|Aset Muratuly|Dmitriy Snopkov|Nassiba Baimatova

摘要

土壤污染对生态系统和人类健康构成重大风险，因此需要准确识别污染源并确定其贡献比例，以制定相应的缓解策略。本系统评价了正矩阵分解（PMF）和其他受体模型在土壤污染研究中的应用，重点关注分析程序、示踪指标和环境应用。该评价旨在为开展土壤污染源分配研究提供全面的框架，通过汇总全球趋势和方法学见解，帮助政策制定者设计有效的、针对特定地区的环境管理策略。研究内容涉及采样协议，强调样本的代表性和质量控制。来自500篇同行评审文献的数据表明，中国、东欧和南亚地区的相关研究较为活跃，其中农业土壤是最常研究的对象。主要研究发现，交通排放（20.8%）和工业活动（19.4%）是全球土壤污染的主要来源；在不同地区，污染原因也存在差异，例如寒冷气候下的煤炭燃烧以及发展中国家的农业活动。政策建议包括加强工业监管、采用可持续农业实践，并根据具体污染源采取有针对性的治理措施。

引言

全球对土壤健康问题的关注日益增加，这与其在维持生态系统和人类福祉方面的重要作用密切相关（Bilyera等人，2025年）。健康的土壤对于保护水质、减缓气候变化、维护生物多样性以及保障植物和人类健康至关重要（Lehmann等人，2020年）。此外，土壤状况还会影响文化和社会价值，进而影响人们从土地资源中获得的利益（Shokri等人，2025年）。

受体建模是环境评估和管理的关键组成部分（Viana等人，2008年）。它能够识别并评估污染源、环境途径与受污染物体（包括人类、野生动物和植物）之间的关系。通过将受体建模纳入立法，相关机构可以系统地评估环境风险，优先安排治理工作，并实施保护生态和人类健康的土地管理政策（环境部，2021年；美国环保署，2013年）。

Shi等人（2024a）详细回顾了用于土壤污染源分配的受体模型的发展及其前景。在土壤管理中，估计污染源贡献的方法取决于受体建模之前的已有知识。多元统计技术的基础知识，如主成分分析（PCA）和因子分析（FA），被广泛用于根据土壤质量指标之间的相似性来量化污染源；PCA和FA通过成对变量比较来识别对总体污染贡献最大的统计参数（Zuber等人，2017年）。核心步骤是使用正交变换方法提取具有不同因子载荷的主成分（PCs），然后根据特定的污染源特征将每个PC分配给相应的污染源。

虽然PCA和FA起源于社会科学领域，但美国环保署（EPA）开发的正矩阵分解（PMF）模型专门用于促进基于科学的环境标准的制定和实施，并支持环境取证工作（Brown等人，2015年；Paatero和Tapper，1994年）。Vaccaro等人（2007年）最早应用了PMF模型，将土壤变异分解为背景地球化学、有机影响和人为污染等不同来源。

受体建模的最新进展提高了污染源分配的分辨率和可靠性。化学质量平衡（CMB）和UNMIX等互补模型各有优势：PMF在处理不确定性较大的数据集时表现优异，而CMB在污染源特征明确时更具优势（Hopke，2016年）。CMB模型假设所有相关污染源的排放组成已知；当污染源与受体之间的差异微小时，CMB是一个理想的模型。然而，在实际应用中这些条件很少完全满足，因此纯基于CMB的方法往往具有挑战性（Hopke和Cohen，2011年）。相比之下，UNMIX在污染源数量不确定时能够自动识别污染源及其贡献（Li等人，2021年）。不过，UNMIX依赖于大型数据集和线性混合假设，这限制了其应用范围。

鉴于单一方法的局限性，实际案例通常需要结合多种方法，使它们能够相互补充和验证。将机器学习（ML）算法与受体模型结合使用，可以解释目标变量与环境因素之间的复杂关系，从而提高预测准确性（Xu等人，2023年；Yang等人，2021年；Zhang等人，2021年）。机器学习与受体模型结合应用的示例见附录A文本S1。地理统计技术通过捕捉空间异质性和验证污染源分配结果，进一步提高了PMF输出的可靠性和可解释性（Wang等人，2022a）。

土壤污染源分配在识别污染源方面具有重要意义，有助于制定基于证据的土地管理策略（Duckworth等人，2022年）。量化污染源有助于政策制定者设计有针对性的干预措施以减轻环境风险。不同地区的污染源差异表明需要制定因地制宜的政策措施。例如，某些地区煤炭燃烧和工业排放普遍存在，因此需要更严格的法规和清洁能源的采用（Jianfei等人，2020年）；而与交通相关的排放问题则表明需要改进城市交通规划。某些地区生物质燃烧较为普遍，这凸显了替代能源和土地管理政策的重要性。农业活动（如化肥使用）对水和土壤污染有显著影响，土壤污染源分配研究为使用缓冲带和可持续实践等干预措施提供了指导（Ren等人，2022年）。城市环境面临建筑和道路扬尘等问题，这些问题需要通过基于受体的管理方法来解决（Chakraborty等人，2023年）。通过受体建模识别和考虑这些空间差异对于制定符合当地社会经济和环境条件的有效缓解策略至关重要。然而，目前尚无专门针对全球范围内土壤污染源分配研究的综述，现有的综述要么仅关注数值工具（Mostert等人，2010年；Shi等人，2024a），要么仅限于特定地区（Agyeman等人，2021a），要么仅关注特定指标（Wilcke，2000年），或者仅提供文献综述（Shi等人，2024b）。

本研究旨在制定全面的土壤污染源分配指南，特别侧重于PMF的应用。研究目标包括：（i）系统回顾现有的土壤采样程序、协议和化学分析技术；（ii）整理并评估土壤中的示踪指标及其相关污染源；（iii）跨不同地理和职业背景定量综合现有文献，识别PMF应用的趋势。

部分内容摘要

土壤污染物识别的原理和方法

有效识别土壤污染物需要系统的方法，包括适当的采样策略、彻底的样本制备和严谨的仪器分析（图1）。

土壤采样原则确保样本的代表性及无污染，这对于准确评估至关重要。后续的样本制备程序因目标分析物而异，元素分析和有机污染物分析有不同的协议（例如，多环芳烃等）。

土壤中的污染源分配标记和指标

土壤污染源分配的基础在于示踪剂的选择和使用，示踪剂是独特的、可测量的土壤特性，可作为不同污染源的独特标识符或“指纹”（Chen等人，2021年；Fei等人，2020年）。理想的示踪剂应具备几个关键特征：不同污染源之间的浓度差异显著；在土壤中既不积累也不稀释；并且与标准分析方法兼容。

不同环境背景下的污染源分配应用

PMF是一种受体建模方法，通过将土壤样本中的污染物浓度矩阵分解为污染源贡献和污染源特征来解决化学质量平衡问题（Comero等人，2009年）。数据矩阵被建模为因子贡献、特征和残差的总和。PMF通过一个由化学浓度、相对标准偏差和方法检测限值加权的目标函数进行优化。低于检测限值的值……

政策建议与结论

未经监管的土壤使用会加剧土壤污染，导致严重的后果，包括农业生产力下降、食品安全问题、土壤退化和经济不稳定。政策建议通常基于对监测化学物质的风险评估和干预阈值，主要用作污染后的工具，用于评估土地状况和指导土地利用决策（MEE，2018年）。相比之下，污染源分配研究提供了更为积极主动、以过程为导向的方法。

CRediT作者贡献声明

Ivan Radelyuk：概念构思、数据整理、正式分析、调查、项目管理、可视化、初稿撰写、审稿与编辑。Aset Muratuly：数据整理、正式分析、调查、可视化、初稿撰写。Dmitriy Snopkov：数据整理、正式分析、调查。Nassiba Baimatova：概念构思、可视化、监督、审稿与编辑。

未引用参考文献

Ma等人，2023a；Bernalte等人，2015年；美国环保署，2003年

CRediT作者贡献声明

Ivan Radelyuk：初稿撰写、可视化、项目管理、调查、正式分析、数据整理、概念构思。Aset Muratuly：初稿撰写、可视化、调查、正式分析、数据整理。Dmitriy Snopkov：调查、正式分析、数据整理。Nassiba Baimatova：审稿与编辑、可视化、监督、概念构思。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了哈萨克斯坦科学与高等教育部科学委员会（编号AP22787570）以及Dmitriy Snopkov的哈萨克斯坦科学与高等教育部博士奖学金的支持。作者感谢阿尔-法拉比哈萨克国立大学环境与分析化学实验室的Aziz Yakupzhanov先生和Marat Bektassov先生，以及电力工业系的Ansar Kazambayev先生的帮助。