GIS在土壤重金属污染评价中的应用

段海芹,吕卫光,秦 秦,孙丽娟,宋 科,薛 永

(1上海市农业科学院生态环境保护研究所,农业部上海农业环境与耕地保育科学观测实验站,上海市农业环境保护监测站,上海低碳农业工程技术研究中心,上海市设施园艺技术重点实验室,上海 201403;2上海海洋大学海洋生态与环境学院,上海 201306)

近年来,随着我国城市化、工业化、农业集约化的快速发展,土壤重金属污染问题日益严重,不但影响生态环境,也会给人体健康带来诸多风险。准确评价土壤重金属污染状况是制定科学合理的土壤重金属污染防治方案的基础和前提。近年来,国家先后出台了《土壤环境质量标准》(GB 15618—1995)、《食用农产品产地环境质量评价标准》(HJ 332—2006)、《土壤环境质量建设用地土壤污染风险管控标准(试行)》(GB 36600—2018)等来规范土壤重金属污染的监测及评价。传统的土壤重金属污染评价方法主要有:单因子指数法[1]、地累积指数法[2]和内梅罗指数法[3]等。近年来,又出现了模糊数学法[4]、支持向量机法(SVM)[5]、BP人工神经网络法[6]以及基于GIS的地统计评价法[7]等综合或系统评价方法。

基于GIS的土壤重金属污染评价主要是结合土壤重金属污染周边环境的空间信息,利用缓冲区分析、叠置分析、数字地形分析等空间分析功能以及可视化技术对土壤重金属污染进行分布特征分析、影响因素分析以及预警分析等。王春红等[8]分别从土壤重金属来源、地统计学和GIS在土壤重金属污染研究中的应用、土壤重金属污染评价方法和土壤重金属污染预测几个方面综述了基于GIS和地统计学的土壤重金属污染研究进展。李冰茹等[9]分别从专题图制作、空间分析、数据管理等方面总结和探讨了GIS在土壤重金属污染评价中的具体应用。陶美霞等[10]从大数据与GIS的概念出发,从数据采集、数据管理、空间分析和可视化4个方面对大数据GIS的发展进行了阐述探讨。本文结合GIS技术特点、空间分析功能以及土壤重金属污染情况,阐述GIS在土壤重金属污染评价中专题图制作、空间特征分析以及预警模型建立等具体应用,同时对不同插值方法做简要概述,以探讨该领域目前面临的主要问题和下一步研究方向。

1 污染评价专题图制作

土壤污染专题图可以有效的反应重金属在土壤中的空间分布特征,并从中挖掘出引起区域内土壤环境变异的因素。通常的做法是根据已知数据,选取不同的插值方法绘制空间分布图,并进行分层设色,从而直观、形象的揭示土壤重金属污染的空间分布特征。土壤重金属污染具有空间分布的变异性,克里格插值是通过观测点与预估点之间的空间位置以及相对位置关系来确定观测值的权重,并进行滑动加权平均来估计未知点的平均值,从而反应土壤中污染物的二维分布情况。克里格插值法为土壤重金属的空间分布预测提供了一种无偏最优估值方法,并被证明是分析土壤重金属空间分布及其变异规律最为有效的方法之一[8]。

待估采样点的几何性质、变异函数以及已知采样点的数据结构等会影响克里格插值的效果,因此,不同的使用范围应选用相应的克里格插值方法。Saby等[11]选取了法国巴黎附近的区域,并分别利用普通克里格、对数正态克里格以及协同克里格方法进行空间插值,结果表明,对数正态克里格插值的效果最好。Liu等[12]以浙江杭州、湖州和江西的部分地区作为试验区,采用普通克里格和对数正态克里格两种插值方法绘制重金属空间分布图,并使用析取克里格进行超出阈值的重金属浓度的概率计算,同时使用协同克里格方法减少Cu、Zn、Cr这三种重金属的采样密度。凌辉等[13]采用5种不同的插值方法比较重庆市江津区吴滩镇的部分区域土壤中Cr的空间变异性,结果显示普通克里格法的效果最好,而反距离加权法的效果最差。侯沁言等[14]选取凯江流域作为试验区,分别使用析取克里格法、径向基函数法、普通克里格法和反比距离权重法进行空间插值,结果表明普通克里格插值方法的误差最小,更接近于真实情况。总体上,克里金插值在块金尺度上较为明显,利用此方法对土壤重金属污染情况进行读图分析时易将污染变异区域扩大化,模糊重金属污染分布区域边界。因此,在土壤重金属污染专题图制作过程中,插值方法的选择需要根据研究区域面积、背景因素等进行综合考虑,将分析误差降到最小。

近几年,GIS中新集成了模糊数学、回归模型等数学模型,土壤重金属的污染评价更加的灵活和客观[15]。同样地,在大数据时代,GIS的可视化重点已不单单局限于静态的图形、符号、尺度和三维等方面[16],可以结合一些新的可视化分析软件,如OpenGL、Echarts、CesiumJS、kepler.gl、Mapbox等,通过交互可视界面对土壤重金属污染进行多尺度、多因素的分析和比较。

2 土壤重金属空间特征分析

土壤重金属污染的来源很广泛,既包括垃圾站点等点状污染源,也有河流等线状污染源,甚至还有可能是来自于自身的成土母岩,这些污染源虽然形状不一,但都包含了空间位置特征,都对周围土壤的影响形成了空间上的距离效应[9]。因此,对这些污染源进行缓冲区分析,可以有效地揭示其对周边环境的影响。赵彦峰等[17]通过将重金属空间分布图、镇区图和工厂分布图进行叠加,并以工厂为中心建立缓冲区,发现距工厂越远,土壤重金属含量越低。陈优良等[15]通过建立河流的缓冲区,结合河流与样区的空间分布,验证了Pb、Ni和Cu可能以下渗及扩散的方式进行传播的推测。GIS的缓冲区分析在获得土壤重金属污染源的影响范围、距离关系等结果的同时,也可以用来对污染源的影响因子进行分析或对位置地物进行风险评价。刘贤赵等[18]对地表水质和城市化的关系进行缓冲区分析,发现当缓冲区半径为2 km时,影响水质的主要因素是建设用地和人口密度。代英等[19]借助ArcGIS9.0平台,结合地统计学、缓冲区分析和叠加分析,发现成都平原核心区不同区域、不同断面和不同流域内Hg和Pb的含量均存在显著差异。

在土壤重金属污染评价中,GIS的叠加分析功能主要是将土壤重金属的分布特征图与研究区域的成土母质图进行叠加,以分析土壤重金属的空间分布特征与土壤质地、地形、大气沉降和人类活动等各种因素之间的关系[9]。Li等[20]将重金属的空间分布图与道路、建筑、工厂的地图进行叠加,发现重金属的可能来源是主要道路、工业建筑的交叉区域,污染区域一般是老工业区和居民区。赵彦峰等[17]将重金属空间分布图、工厂分布图及镇区缓冲区图进行叠加,发现距城镇越远,土壤中Pb含量越低;距工厂越远,土壤中Cu、Zn、Cd含量越低。史文娇等[21]将双城市空间分布图与工厂、道路、城镇、土壤类型、土壤理化性质、高程等数据进行叠加,以分析重金属空间变异的原因。Facchinelli等[22]为了探寻意大利皮埃蒙特地区土壤重金属的污染程度与变异情况,通过克里格插值得到了重金属的空间变异图,采用主成分分析和聚类分析方法,找出了污染程度最高的重金属,通过叠置分析,得出了主要污染源是人类活动的结论。

GIS中的数字高程模型和数字地形模型都是借助坡度和坡向分析来描述地形起伏状态,以此来分析土壤中重金属的空间迁移规律。在分析因流水侵蚀而影响的污染面积时,可以先使用正射影像生成三维数字高程模型对流水侵蚀造成的重金属迁移变化特点进行分析,再依据尾矿侵蚀中水的径流方向结合采样点三维数组进行计算分析[23]。利用不规则三角网构建三维数字高程模型不仅可视化效果好,而且能够更加清晰地展示重金属在空间的富集特征和分布规律[24],同时数字地形分析不仅能够直观地揭示土壤重金属的分布特征,也可以分析重金属随着地形变化的迁移规律。两者结合可以更好地揭示重金属元素在三维空间的分布规律。

传统的GIS空间数据库以相对静态数据为主(如土壤重金属污染采样点数据等),无法满足大数据时代流数据的要求,且空间数据查询及分析主要针对可控制的操作,查询仅为静态的一次查询[16]。同样地,在土壤重金属污染方面,获取某一时间点或时间段的土壤重金属富集量及其空间特征,往往无法反映不同时段土壤中重金属的富集量和积累进度等信息[9]。因此,可以考虑对土壤重金属污染点位的数据进行实时动态采集,同时融合土地利用数据、遥感影像数据、POI数据、建筑数据等多源数据,对土壤重金属污染进行综合分析。在技术方面,空间分析方法可以多样化;空间数据存储和管理可以使用PostgreSQL关系型数据库与HBase、MongoDB等非关系型数据库相结合的方式,也可以使用基于MapReduce范式的Hadoop或者Spark大数据框架进行实时计算分析;数据处理可以应用为导向,综合使用时空聚合、多尺度分析等方法。

3 GIS支持下预警模型的建立

土壤重金属的预测是指在一定时间内分析和评价土壤重金属污染状况,确定土壤质量变化的趋势以及达到一定变化极限所需的时间,以便及时了解土壤环境的变化,纠正各种预警信息,并及时给出相应的对策[25]。目前,土壤重金属污染预测模型主要包括灰色预测模型、土壤重金属累积预测模型、回归预测模型和情景预测模型等,污染物动力学预测方法主要包括时间动态预测模型,非线性动态模型和正交性动态预测模型等[26]。周勇[27]将回归预测模型和灰色预测模型进行耦合,预测了东湖湖水的水质。孟凡乔等[28]运用土壤重金属累积预测模型对河北省蛟河区和府河区表土层(0—20 cm)中重金属进行了累计预测分析,并预估了该地区20年后土壤中As、Hg等的含量。葛向东等[29]利用灰色预测模型对江苏省锡山市的耕地预警系统进行了研究,预测了土壤质量指数的变化趋势。随着GIS技术的普及,越来越多学者开始借助地理信息系统辅助设计预警模型。严加永等[30]利用地理信息系统(GIS)技术成功实现了北京市及近郊土壤重金属污染的预警和Pb元素超标年限的预测。李向等[31]采用地理信息系统(GIS)与多智能体系统(MAS)相结合的方式,在包头市及近郊完成了多智能体评价及预测的分工和协作规则,为处理土壤重金属污染评价和安全预警提供了平台。但在分析土壤重金属污染来源时,由于对各污染来源因子与各重金属间关系缺乏合理深入的探究,对污染源的分析结果常常比较宽泛,往往造成源分析(土壤)结果的不确定性。

目前,关于重金属预测方面的机器学习方法有很多,包括BP神经网络[32]、贝叶斯最大熵(Bayesian maximum entropy,BME)法[33]、随机森林(RF)模型[34]等。研究表明,BP神经网络的函数逼近能力、模式识别、回归计算等已被广泛应用于环境科学领域,并取得了一定的效果[35-36];BME作为一种相对新颖的地统计学方法,能够综合利用各种类型数据,从而提高预测的准确性[37];随机森林模型在大数据挖掘和处理方面具有独特的优势,可以在较少量的运算条件下解决不同因子间缺失值情况以及传统分类方法的过度拟合问题[34]。范俊楠等[32]利用监测数据建立的3层BP神经网络模型预测了湖北省重点监测区域重金属Mn、Co、V、Ag、Ti、Sb的含量,显示构建的BP神经网络预测模型具有良好的精准度。费徐峰等[37]应用贝叶斯最大熵(Bayesian maximum entropy,BME)法对浙江省杭州市土壤重金属的空间分布进行了预测,为提高土壤重金属预测精度提供了新的思路。Hu等[38]通过利用条件推理树和随机森林模型对珠三角流域土壤中重金属来源进行分析,发现土壤中重金属As、Cd、Cr、Cu、Ni、Pb和Zn的含量中分别有48%、42%、50%、51%、49%和24%来自于人类活动。郭星等[34]通过采用随机森林模型对重金属的污染来源进行探讨,发现道路距离是影响Pb的最主要因素,其次是GIP和企业距离。另外,考虑到BME法的多源数据融合能力,在今后的研究中还可以引入与土壤重金属密切相关的其他土壤属性信息(如有机质、pH等)、人为因素信息(工业、农业、交通等数据)等。此外,在后续引入数值变量的研究中还可以对不同克里金方法和BME法进行比较,进一步提高辅助数据的利用效率[37]。

近年来,随着大数据GIS以及Web可视化技术的发展,可以使用更多样丰富的形式来辅助土壤重金属的预测。比如,利用Python和Vue搭建一个土壤重金属预测web交互式系统,借助Echarts、Mapbox、Leaflet等可视化工具,通过ArcGIS Server API将ArcGIS的分析结果展示到Web端,以支持用户自定义分析和查询需求。

4 结语

GIS技术的引入在制作污染评价专题图、分析土壤空间特征以及建立预警模型等各个环节都起到了很好的促进作用,使得土壤重金属污染评价更加直观、精确。但是,也存在一些不足:①大数据时代,基于泛在信息融合的跨领域研究越来越受到人们的重视,可以结合土地利用数据、遥感影像数据、POI数据、建筑数据等多源数据进行土壤重金属污染多尺度的分析;②时空GIS仍然是当前研究的热点,获取某一时间点或时间段的单一土壤重金属污染数据以及单一的专题图输出方式很难较好地反应土壤重金属污染的变化趋势,无法对其污染情况做出准确预测。因此,可以对污染数据进行实时采集、处理、分析并辅以可交互的可视化分析方式,以更好地反应出土壤重金属污染的变化规律以辅助决策;③土壤重金属含量空间变异研究方面。由于土壤中重金属的含量受人为因素影响较大,很难满足正态分布,即很难符合内蕴假设,因此,空间插值的准确性有待提高。