《廖晓勇课题组揭示喀斯特地貌地区土壤重金属的人为-自然因素交互机制》

  • 来源专题:长江流域资源与环境知识资源中心 | 领域情报网
  • 编译者: lifs
  • 发布时间:2020-07-03
  • 喀斯特地貌地区特殊的水文地质条件( 集中强降雨、地形复杂、地质灾害多发、地下河系发达、地表水渗漏大 )耦合近年来频繁的工矿业活动(选矿、冶炼、不合理开采等)导致区域土壤重金属空间分异特征显著。因此,定量化 喀斯特地区土壤重金属污染的风险因子 并 识别其主控因素,揭示人为因素和自然因素之间的交互耦合机制,对于区域土壤污染综合管理和调控具有重要意义。   为了深入揭示上述科学问题,中国科学院地理资源所廖晓勇课题组选取 我国典型的喀斯特地区——广西河池为研究区域,基于土壤中砷( As )、镉( Cd )、铬( Cr )、汞( Hg )和铅( Pb ) 5 类重金属元素含量及其内梅罗( NPI )综合污染风险, 构建了 14 个潜在风险因子的指标体系,包括 5 个人为因子和 9 个自然因子,综合分析了各金属元素的区域赋存特征和污染风险分布格局,借助地理探测器模型方法识别与量化风险的主控因子及其交互作用大小。研究发现,人为因素和自然因素对喀斯特地区的土壤污染的交互作用是非线性增强型,并进一步确定了主控自然因素中的“流域因素”与人为因素交互最为常见,主控人为因素中“土地利用(建设用地)”、“冶炼厂”与自然因素交互最为常见。主控自然因素中“土地利用”和“流域因素”交互可解释 56% 的 Cd 元素污染,“冶炼厂”和“流域因素”交互可解释 19% 的 As 元素污染。主控因素中“土地利用”和“流域因素”交互、“冶炼厂”和“地质条件”交互、“ pH 值”和“流域因素”交互分别解释了 51% 、 19% 和 15% 的内梅罗污染综合风险。因此,喀斯特地区土壤重金属污染风险调控需要重点考虑两方面:一是改变土地利用结构,二是减少来自冶炼厂的污染排放。   论文第一作者为博士研究生陶欢,通讯作者为廖晓勇,合作者包括西密歇根大学 Daniel Cassidy 教授。研究结果近期已在线发表于国际著名学术期刊《 Science of the Total Environment 》。该研究获得中国科学院 A 类战略性先导科技专项 “ 地球大数据科学工程 ” ( XDA19040302 )的资助。     .   图1 喀斯特地貌地区土壤重金属污染评估指标体系 . 图2 喀斯特地貌地区土壤重金属的人为-自然因素交互   相关论文:   Tao Huan, Liao Xiaoyong, Li You, Xu Chengdong, Zhu Ganghui, Daniel P. Cassidy. Quantifying the influences of anthropogenic and natural factors on heavy metals accumulation and pollution risk in karst soil[J]. Science of the Total Environment , 2020, 721: 137770

相关报告
  • 《廖晓勇课题组在《Geoderma》和《JGS》发表土壤污染物刻画和污染成因探索的最新成果》

    • 来源专题:农业立体污染防治
    • 编译者:季雪婧
    • 发布时间:2019-09-09
    •   1. 污染场地土壤复合型污染较为常见,但关于复合型污染物的三维精细刻画研究长期来受到3方面的制约:①关注污染物三维插值结果的可视化表征;②场地土壤质地对污染物刻画的影响和污染物各向异性特征;③污染场地具有“污染土体深,污染物空间变异大,钻井点位少”的特点。砷和多环芳烃是场地中常见的污染物,两者共存会引发毒性增强的交互效应,因此对这两类污染物复合的精细刻画对于修复方案的制定意义重大。本研究将Ordinary Kriging地统计方法与BP神经网络法结合,对研究区域关注的砷和4类多环芳烃的复合型污染场地土壤进行三维模拟,分析不同地层(Fig. 1)中5类关注污染物的赋存特征并进行三维可视化表征,定量化污染物的污染范围和污染程度,识别污染物热点区。通过将BP神经网络的模拟结果与传统的内梅罗污染指数法、简单空间几何范围叠加法进行比较,验证了BP人工神经网络在污染场地土壤污染程度的三维表征的可行性(Fig. 1)。本项研究可应用于对复合型污染场地的污染范围的三维精细刻画,为面向污染土壤测土配方精准靶向修复提供方法支撑。      2. 喀斯特地区复杂的自然地貌和人文环境交互,导致对该区域的土壤重金属污染驱动机制尚不明确。将自组织神经网络(self-organizing map, SOM)与地理信息技术相结合可实现对喀斯特地区高密度采样土壤重金属污染数据进行空间聚类、解译和可视化,既保留数据的属性特征又保留数据的空间结构特征。SOM网络聚类的结果根据一定的准则进行污染分级,并结合地理信息技术进行空间表达,为探索土壤污染发生机制提供图形化参考。通过分析该地区的重金属污染因子,本研究共识别出4类污染因子、11个高污染风险区 (Fig. 2)。这一发现可为土壤环境质量管理和污染防治提供指导,为进一步探索区域土壤重金属元素的地球化学行为和异常区重金属污染形成机制提供参考。   研究成果发表在《Geoderma》和《Journal of Geographical Sciences》,得到中国科学院A类战略性先导科技专项“地球大数据科学工程”(XDA19040302)的资助。      1. Tao Huan, Liao Xiaoyong, Zhao Dan, et al. Delineation of soil contaminant plumes at a co-contaminated site using BP neural networks and Geostatistics[J]. Geoderma, 2019. DOI: 10.1016/j.geoderma.2019.07.036.      2. Liao Xiaoyong, Tao Huan, Gong Xuegang, et al. Exploring the database of soil environment survey using Geo-self-organizing-map : A pilot study[J]. Journal of Geographical Sciences, 2019, 29(10): 1610-1624.
  • 《精准农业技术绘制喀斯特土壤有机质分布》

    • 来源专题:耕地与绿色发展
    • 编译者:张毅
    • 发布时间:2024-12-19
    • 近日,中国农业科学院农业环境与可持续发展研究所农业气象灾害防控团队利用精准农业技术,构建了适用于喀斯特地貌的耕地土壤有机质预测模型,为在地貌复杂、气候多变的喀斯特地区推广精准农业提供了重要的科学支撑。相关研究成果发表在《欧洲农学杂志(European Journal of Agronomy)》上。    喀斯特地区以地形地貌独特、小气候多样著称,其土壤有机质的空间分布对缓解极端气候影响、防治石漠化、生态保护和农业可持续发展至关重要。然而,高效监测喀斯特耕地土壤有机质并准确识别关键预测变量和空间分布,仍是土壤科学领域的难题。    该科研团队运用机器学习算法剖析了影响喀斯特农田土壤有机质的关键气候因素、地形条件和光谱特征,成功构建了结合遥感与机器学习的耕地土壤有机质预测模型。研究发现,喀斯特农田中石灰土的有机质含量最高,而紫色土的含量相对较低;水田有机质含量显著高于旱地。该研究成果丰富了土壤科学理论体系,为全球喀斯特地区的农业适应气候变化、防灾减灾、精准农业和生态保护提供了科学依据。    该研究得到国家重点研发计划、中国农业科学院科技创新工程等项目支持。    原文链接:https://doi.org/10.1016/j.eja.2024.127323.