2000—2021年农田土壤污染领域研究进展与前沿分析

王成尘 田 稳 马娇阳 保欣晨 邓志华 向 萍

(西南林业大学 生态与环境学院/环境修复与健康研究院，昆明 650224)

农田土壤是粮食生产的基础资源。农田土壤污染关系到农产品安全和农田生态系统的健康[1]，因而受到各国学者的广泛关注。农田土壤中的污染物一般可分为无机和有机污染物，如重金属[2]、有机物[3]、农药化肥[3]和微塑料[4]等。其来源多归因于人为因素，如农药化肥的过度使用、废水灌溉、污水污泥再利用、地膜污染和采矿活动等[5]。通过修复治理污染农田，促进粮食增收增产，提高农产品质量，对维护区域人民身体健康和提升当地社会经济效益的意义重大[6]，因此，各国政府和研究人员纷纷开展农田土壤污染防治与修复技术研究[7]。经过多年的发展，农田土壤污染领域研究涌现出大量科研成果。

知识图谱是指运用图形学、统计学、应用数学和计算机技术等手段，将文献可视化地呈现，以展示学科体系知识群组、学科特点、研究热点和前沿等信息的计量学方法[8]。近年来，知识图谱作为科学计量学的新方法已勃然兴起，并应用于环境学、土壤学和生态学等方面[9]。目前，绘制知识图谱的软件众多，如：CiteSpace、VOSviewer和Netdraw等。其中，CiteSpace是使用最为广泛的基于计量学和信息可视化理论发展起来的1款文献分析软件，它能够通过分析引文关系，快速有效地找出某领域发展过程中的关键文献，显示该领域在一定时期发展的动态趋势，形成若干研究前沿的演进历程，继而启发新的研究思路[10]。如张宗勇等[11]对1995—2018年的水、粮食和能源的关联系统进行文献计量分析，得出该三元耦合定量关系的模型和决策支持工具仍然欠缺，耦合方法的研究有望成为未来水-粮食-能源关联系统领域的研究前沿和主要方向。

因此，为掌握当前农田土壤污染的知识群组、热点和前沿，以阐明目前农田土壤污染主要的研究方向，展望其发展趋势，本研究基于2000—2021年间Web of Science(WoS)核心合集和中国知网(CNKI)发表的共18 251篇以农田土壤污染为主题的相关文献，利用CiteSpace文献计量软件[12]，绘制了国家/地区、机构、学科、期刊、关键词和文献共被引等知识图谱，旨在揭示农田土壤污染领域的发展历程、研究热点和前沿，以期为研究者在该领域的后续科研工作及思路创新方面提供参考。

1 材料与方法

1.1 文献来源

本研究对WoS核心合集和CNKI中2000—2021年的文献进行统计分析。其中，WoS核心合集使用主题词(TS)进行检索，各主题词之间以AND和OR链接，检索格式如下：TS=((agricultural soil OR farmland soil OR cropland soil)AND (pollut* OR contamin*))，文献类别“ARTICLE”和“REVIEW”；CNKI数据库以主题词(SU)进行搜索，检索格式如下：SU=(农田土壤+农业土壤)*污染。

1.2 分析方法

由Chen等[13]开发的CiteSpace软件，可实现文献、关键词、国家、机构和研究热点等信息的可视化。该软件能够直观的显示各节点之间的关系及大小，通过设置不同的功能选项，如共现网络分析(特征词、关键词、来源和学科类别)、合作网络分析(作者、机构和国家合作)和共被引分析(文献、作者和期刊)等功能模块，绘制网络图谱，从而帮助研究者迅速掌握该领域的发展历程、研究动态和热点前沿等。

本研究使用CiteSpace 5.7.R5绘制了农田土壤污染领域的发文国家、研究机构、文献共被引图谱、时间轴图谱、文献聚类和关键词图谱。具体参数设置如表1所示。在CiteSpace软件生成的合作图谱中，节点大小代表国家/地区、机构或作者的发文数量，节点连线反映合作强度关系；文献主题、关键词以及学科类别图谱中，节点大小反映其出现频次，节点间连线代表共现强度；共被引图谱中，节点大小表示文献被引次数；中介中心性代表节点在网络图谱中的重要性。一般高中介中心性的节点是连接不同领域的关键枢纽。

表1 CiteSpace参数设置Table 1 Parameter setting for CiteSpace

使用WoS的自带分析功能、Origin 2019和ArcGIS 10.5等软件对数据统计分析。

2 结果与讨论

2.1 2000—2021年全球农田土壤污染领域的文献发文量

经检索发现，自2000年以后，WoS核心合集的年收录文献皆超过200篇，且呈逐年递增的趋势，因此本研究选择2000—2021年(截止至2021年3月31日)的时间跨度，共获取文献18 251篇，其中16 402篇来自WoS核心合集，1 849篇来自CNKI。可以看出农田土壤污染领域科研论文产出颇丰，年度发文量呈上升趋势(图1)，表明国际国内均对农田土壤污染相关问题的关注程度越来越高。在该领域发文量排名前5的的国家/地区分别为中国、美国、印度、西班牙和法国(表2)。

图1 2000—2021年农田土壤污染领域在WoS和CNKI的发文量Fig.1 Annual publications in the field of farmland soil pollution collected from WoS and CNKI from 2000 to 2021

表2 2000—2021年WoS中农田土壤污染领域发文总量居前10名的国家/地区Table 2 The top 10 countries/regions for the total number of literature issued in WoS from 2000 to 2021

中国和美国在本领域的发文量远远高于其他国家和地区，分别占总发文量的29.25%和17.75%。印度作为人口和农业大国，在农田土壤污染领域的研究也相对较多。2005年以后，由于工业活动的发展，荷兰、比利时、丹麦、法国、德国和英国等一些欧盟国家的农田土壤矿物油(Mineral oil)和重金属的发文量超过了欧盟的平均水平[14]，因此这些国家对农田土壤污染的关注度持续升温。

2.2 研究领域分析

本研究利用WoS自带的统计工具，检索得到在农田土壤污染研究领域2000—2021年发文总量前10位的期刊(表3)。可以看出，该领域发文量大的期刊水平多数较高，例如Science of the Total Environment、Chemosphere、Environmental Pollution、Ecotoxicology and Environmental Safety和Journal of Environmental Management等，表明农田土壤污染领域受到国际高水平期刊的关注。

表3 2000—2021年农田土壤污染领域发文量前10位的期刊(来自WoS数据)Table 3 Top 10 journals in the field of farmland soil pollution from 2000 to 2021 (data from WoS)

表4统计了WoS中文献在不同学科的分布情况。可以看出环境科学、水资源学、土壤科学、工程环境学和地球科学多学科是农田土壤污染研究领域的前5大热门学科，环境科学类发文量(58.43%)远远大于土壤科学(10.10%)，体现了农田土壤污染与环境领域的交叉融合特性。

表4 2000—2021年农田土壤污染领域文献在不同学科的分布情况(来自WoS数据)Table 4 Distribution of literature in the field of farmland soil pollution in different disciplines from 2000 to 2021(data from WoS)

2.3 研究机构分析

通过发文国家和研究机构可直观判断某机构对农田土壤污染研究领域的关注程度。从国家来看(表5和图2(a))，中国和美国的发文量分别为 4 276 篇和2 594篇，两国的累计发文量占全球总量的47.00%，表明中国和美国对该领域的贡献较大；美国、法国、德国和意大利的中介中心性大于0.1，代表这些国家在农田土壤污染领域的影响力较大，中国在农田土壤污染领域的起步较晚，但是近几年呈现加速上升趋势；从图2(a)可以看出，各个国家间的节点连线较密集，说明各国间的合作比较紧密；美国与48个国家存在合作关系，其中巴基斯坦与美国具有较为紧密的联系；与中国有合作关系的国家有25个，其中韩国是主要的合作国家。从研究机构来看(表6和图2(b))，表6机构排名前10位中有5个研究机构来自中国，美国和法国均有2个，西班牙1个，其中中国科学院发文量最多(1 745篇)，是从事农田土壤污染研究领域全球发表成果最多的单位；从节点连线来看，中国机构间的合作大多集中在国内，同国外机构的合作较少。

表5 2000—2021年农田土壤污染领域的国家发文量及合作特征统计(来自WoS数据)Table 5 Numbers of articles published and country cooperation features in the field of farmland soil pollution from 2000 to 2021 (data from WoS)

表6 2000—2021年农田土壤污染领域发文量居前10位的机构(来自WoS数据)Table 6 The top 10 institutions in the field of farmland soil pollution from 2000 to 2021 (data from WoS)

黄色圈代表不同的国家/地区或研究机构；圈大小反应国家/地区、机构或作者的发文数量；节点连线代表合作强度关系；紫色圈代表该节点具有中介中心性，色带越宽代表其中介中心性越高。一般高中介中心性的节点是连接不同领域的关键枢纽。The yellow circle represents different countries/regions or research institutions,the circle size reflects the number of papers published by countries/regions,institutions or authors,and the node connection represents the cooperation intensity relationship;The purple circle indicates that the node has intermediary centrality,the wider the color band is,the higher the intermediary centrality is.Generally,the node with high intermediate centrality is the key hub connecting different fields.图2 2000—2021年农田土壤污染领域研究国家(a)和研究机构(b)的共现图谱Fig.2 Co-occurrence of countries (a)and institutions (b)in the field of farmland soil pollution from 2000 to 2021

2000—2021年农田土壤污染领域发文量前10位的机构统计结果(来自CNKI数据)见表7。可以看出，该领域的研究以中国科学院南京土壤研究所、中国科学院大学和浙江大学为国内研究的主要贡献机构。其中，中国科学院南京土壤研究所发文量位居全国第1，作为中国现代土壤学研究的发源地，为我国乃至世界土壤领域的发展做出了重要贡献。

表7 2000—2021年农田土壤污染领域发文量居前10位的机构(来自CNKI数据)Table 7 Top 10 institutions in the field of farmland soil pollution from 2000 to 2021 (data from CNKI)

2.4 2000—2021年国际上在农田土壤污染领域的主要知识群组

对2000—2021年在WoS上发表的论文使用CiteSpace的文献共被引功能(Cited peference)进行可视化分析，结果如图3(a)所示。通过对共被引网络进行聚类分析，选择关键词和LLR算法提取聚类标签，得到共计25类结果。本研究聚类图谱模块值Q=0.87(>0.3)，平均轮廓值S=0.73(>0.7)，表明网络结构显著且聚类合理。聚类序号与规模大小呈反比，最大的聚类用#0标记(图3(b))。重金属(Heavy metal)、农业灌溉(Agricultural irrigation)、有机氯农药(Organochlorine pesticides)、富营养化(Eutrophication)、水土流失评估工具(Soil and water assessment tool,SWAT)、多环芳烃(PAHs)、磷(Phosphorus)、聚合酶链式反应(PCR)和硝酸盐(Nitrate)为排名前9位的标签，代表了本领域2000—2021年的主要研究内容及发展方向。大部分聚类标签与农田土壤污染有直接联系，其中，重金属、农业灌溉、富营养化和SWAT聚类规模较大，体现了这些研究方向在农田土壤污染领域的突出地位。

圆圈节点代表不同文献，其大小反映了该文献的共被引次数；节点连线反映共被引的强度关系；紫色圈代表具有中介中心性的关键文献。一般高中介中心性的节点是连接不同领域的关键枢纽。(b)中的色块表示共被引文献产生的聚类，黑色字代表聚类标签，标签前的序号与文献数量规模大小呈反比，其中紫色外圈代表具中介中心性的关键节点；高中介中心性的节点可能会导致该领域新兴趋势的出现，有利于拓宽研究思路及新的发展方向。The circle node represents different literatures,and its size reflects the number of co-citations of the literatures,and the node line reflects the strength relationship of co-citations;The purple circle represents the key literature with intermediary centrality.In general,the central node is the key hub connecting different fields.In figure (b),the color block in represents the cluster generated by the co cited documents,the black character represents the cluster tag,and the serial number before the tag is inversely proportional to the size of the number of documents,in which the purple outer ring represents the key node with intermediary centrality;The centrality of high school intermediary nodes may lead to the emergence of new trends in this field,which is conducive to broaden research ideas and new development direction.图3 2000—2021年农田土壤污染领域文献共被引(a)及聚类分析(b)(数据来自WoS)Fig.3 Co-citation (a)and cluster analysis (b)of references in the field of farmland soil pollution from 2000-2021 (data from WoS)

通过聚类分析时间线图，能够了解本领域重要参考文献的发表时间。图4所示聚类#0～8的引文分布在不同年份，显示了该领域的知识基础结构及动态推进的过程。聚类#0的引文发表时间最近，可见重金属是近10年间农田土壤污染中较为热门的主题。此外，各聚类之间的节点连线体现了不同研究方向知识基础的融汇交叉，其中高中介中心性的节点可能会导致该领域新兴趋势的出现，有利于拓宽研究思路及新的发展方向。以下是就该领域规模最大的几个聚类从知识基础和研究现状展开的分析讨论。

虚线代表2000—2021年本领域共被引文献出现的时间轴。各圆圈节点代表不同文献，其大小反映了该文献的共被引次数，节点连线反映共被引出现的时间和引用的强度关系；紫色外圈代表具有中介中心性的关键文献。图右侧单词表示共被引文献产生的聚类标签，标签前的序号与文献数量规模大小呈反比。The dotted line represents the time axis of the total cited literature in this field from 2000 to 2021.Each circle node represents different documents,and its size reflects the number of co-citations of the document,and the connection of nodes reflects the relationship between the time of co-citation and the strength of citation;The purple outer circle represents the key literature with intermediary centrality.The words on the right side of the figure represent the cluster tags generated by the co cited literature,and the serial number before the tags is inversely proportional to the number and scale of the literature.图4 2000—2021年农田土壤污染领域文献共被引聚类分析的时间轴视图(数据来自WoS)Fig.4 Timeline view of co-citation cluster analysis in the field of farmland soil pollution from 2000 to 2021(data from WoS)

2.4.1聚类#0：重金属

文献共被引聚类中的各个节点能够体现该研究方向的知识基础。对聚类“#0重金属”的节点(被引文献)和施引文献统计发现，该部分的被引文献频次最高的多为综述类文章，内容包括：各地区土壤中的重金属污染情况,运用地积累指数法(Geoaccumulation index)、污染指数(Pollution index)和富集指数(Enrichment factor)等方法评估土壤污染水平[15-16]，运用美国环保局推荐的风险评价公式量化重金属对人体造成的健康风险[17]，并结合地区特点分析土壤中各重金属元素的毒性效应和积累来源[18]。还有一些学者研究重金属污染土壤的修复技术，如原位和非原位修复方法，包括表面覆盖、封装、填埋、土壤冲洗、电动萃取、稳定化、固化、玻璃化、植物修复和生物修复等[19]。此外，对聚类“#0重金属”的研究内容还包括一些农田中粮食作物重金属的来源分析及控制策略，如从源头减少重金属向农业系统的排放[7]，使用石灰或其他固定材料减少土壤中重金属的生物有效性[20]，选择培育低重金属积累的作物品种[21]，采用适当的水肥管理和生物修复策略，改变土地用途等[22]。这些关键的参考文献反映了农田土壤重金属相关研究的学科背景。

2.4.2聚类#1：农业灌溉

此聚类的被引文献普遍发表于2010年以前。其主要知识结构包括：使用多元分析方法来确定农田土壤污染来源，如被引频次最多的文章中使用主成分分析法(Principal component analysis)对重金属的累积(自然成因、人为成因或混合成因)进行解释，并采用相关矩阵法(Correlation matrix)分析土壤重金属含量与土壤性质的关系；采用聚类分析法(Cluster analysis)将重金属含量相近的样品进行聚类分析[23]；采用多元地质统计学(Multivariate geostatistics)分析土壤重金属的空间变化特征[24]等。关于农业土壤的重金属溯源方面，有学者发现其主要来源包括大气沉积、污水污泥、牲畜粪便、无机化肥、石灰、农药、灌溉水、工业废物和堆肥[25]，其中长期废水灌溉会导致区域性土壤和粮食作物的污染，如土壤中含铬、铜、镍、铅和锌，并富集镉元素；作物也会富集各种重金属[26]。此外，一些学者发现，水稻种植时水淹稻田土壤会导致土壤中的锰氧化物的还原和溶解，致使镉和钴在水稻土中发生淋溶，而土壤铅的化学分配主要受铁锰氧化物和残余组分的控制；土壤铜和锌则分别与有机/硫化物组分和残留组分呈显著正相关[27]。

2.4.3聚类#2 &5：有机氯农药和多环芳烃

有机氯农药(OCPs)和多环芳烃皆属于有机污染物(POP)，其排放主要来自人类活动[28]。许多OCPs已被确定为内分泌干扰物，对人类和野生动物内分泌和生殖系统的正常功能产生影响[29]，一些具有4个或更多环的多环芳烃具有致癌和致突变作用[30]，由于其对人类健康和水环境存在的潜在风险，已引起多国的广泛关注，并被欧盟和美国环境保护局列为优先污染物[31]。有机氯农药和多环芳烃具有持久性和半挥发性，能够通过远距离运输并转移，因此，在全球范围内广泛存在，尽管许多国家早已颁布有机氯农药的禁令，但其残留仍然会对环境和生态系统产生重大影响[32]。由于全球蒸馏效应，有机氯农药已广泛分布于各地区的不同环境介质中[33]，其中，从土壤释放到环境中的有机氯农药也成为潜在污染源[34]。

2.4.4聚类#3 &6 &8：富营养化、磷和硝酸盐

在密集农业生产区域，大量施用化肥与有机肥而释放到农田土壤中的氮(N)和磷(P)总量往往超过作物的本身需求。过剩的营养盐随着地表径流进入水生态系统，引起各种水生生物的异常繁殖及生长，这种现象称为水体富营养化[35]。为防止水体富营养化的发生，学者们于19世纪70—80年代做了大量磷源因子(土壤、作物和农田管理)与其迁移因子(径流、侵蚀和河道过程)相互作用机制的研究[36]。随着人们对土壤磷的深入认识，土壤中磷的高浓度被认为是水体-陆地系统富营养化最关键的一环，大量学者通过测试土壤磷含量来指导化肥农药的施用，以减少表层土壤磷的积累和生物有效性[37]。沿着陆地-海洋连续体，磷主要沉积在土壤和沉积物中[38]，在缺氧条件下或沉积物移动时，磷可根据生物需求活化。整个磷循环一般只涉及陆地与水体的交换过程，而氮循环涉及固液气三相。然而，氮比磷更具流动性，主要以硝酸盐的溶解态形式输送到地表和地下水，最长的可以储存几十年[39]。在地下水、湿地和湖泊沉积物中，硝酸盐在一定程度上可以通过反硝化作用(生物地球化学过程)转化为气态氮。生物地球化学过程的差异控制着氮和磷沿陆地-海洋连续体的循环和转移，导致从源头集水区到海洋中的营养物质化学计量发生显著变化[40]。这些发现也解释了为什么目前很难对流域中磷的截留能力和氮的清除能力进行评估。源头集水区的流量变化很大，目前尚不可能在景观结构、农业实践和河流水质之间建立明确关系[41]。由于每个地点具有特定水质、水文地貌和生物地球化学环境，造就了反硝化作用和磷沉积在空间和时间上的巨大变化，因此在一个地点测得的生物地球化学速率无法外推到其他地点[42]。

2.4.5聚类#4：水土流失评估工具

本聚类是一种农田土壤污染的研究方法，该聚类规模较大，体现了SWAT在农田土壤污染领域的突出地位。SWAT是一种应用广泛的基于流域和连续时间尺度的流域水文和水质模型[43]，近年来得到了广泛的应用和发展。其主要是基于GIS提供的空间信息，模拟多种流域水文的物理化学过程，如水质、水量、灌溉、粮食产粮、洪水和干旱、农业面源污染(磷、硝酸盐扩散)、气候影响评估、土地利用和杀虫剂的迁移转化过程等[44]，有助于更好地理解环境变化带来的各种挑战以及对水、粮食安全和环境质量的相关影响。与此同时，SWAT拥有专属的技术支持论坛服务于全球用户社区，促进其全球应用发展。

2.4.6聚类#7：聚合酶链式反应

聚类#7的规模相较于前几个聚类较小，且从时间轴视图来看(图4)，发文时间普遍较早，它和聚类#4皆属于农田土壤污染领域的研究方法。聚合酶链式反应是上个世纪80年代由K.Mullis等[45]建立的一种体外酶扩增DNA片段的技术，能够在短时间内获得大量目的基因。PCR技术具有特异性强、灵敏度高、操作简便和纯度要求低等特点，被誉为20世纪分子生物学领域最重要的发明之一。目前，PCR技术已广泛应用于分子生物学等各个领域，在分子克隆、DNA测序分析、法医学鉴定、致病基因检测和环境微生物检测等方面都发挥着重要作用。在微生物检测方面，PCR技术能够对某株细菌进行基因表达分析，由此可鉴定复杂环境中携带目的基因的细菌，从而找到不同细菌之间的错综关系。如PCR技术能够揭示细菌群落的丰度、多样性和组成等特征，从而证明pH值是受多环芳烃污染影响的农业土壤中细菌群落结构的最主要因素[46]；还能鉴定抗生素及相应的耐药细菌和耐药基因(ARGs)，得出长期施肥对农田土壤中耐药细菌和抗弧气体发生影响的综合数据[47]。

2.5 2000—2021年国际上农田土壤污染领域的研究热点

对WoS结果进行关键词共现分析，得出2000—2021年农田土壤污染领域的研究热点，结果如图5所示。按照出现频率进行降序排列，前10位的关键词如表8所示。出现频次最高的关键词“土壤(Soil)”对应了聚类#0～3中的相关研究，主要围绕“污水污泥(Sewage sludge)”、“退化(Degradation)”、“吸附(Sorption)”、“杀虫剂(Pesticide)”和“去除(Removal)”等角度展开研究。

“十”字代表关键词，大小反映出现频率；节点连线代表合作关系和强度；具紫色轮廓的节点具有中介中心性，色带越宽代表其中介中心性越高。下图同。The cross represents the keyword,the size reflects its frequency,and the node connection represents the cooperation relationship and strength;Nodes with purple outline have mesocentricity.The wider the color band,the higher the mesocentricity.The same below.图5 2000—2021年农田土壤污染领域在WoS中检索文献的关键词共现网络Fig.5 Keyword co-occurring network in the field of farmland soil pollution from 2000—2021

表8 2000—2021年农田土壤污染领域高频关键词前10位Table 8 TOP 10 high-frequency keywords in the field of farmland soil pollution from 2000-2021

关键词“污染(Contamination)”对应了聚类#0～2的相关研究，主要围绕“沉积物(Sediment)”、“风险评价(Risk assessment)”、“肥料(Manure)”、“有机氯农药”、“农业(Agriculture)”和“有机碳(Organic carbon)”等角度展开研究。“土壤”和“污染”的节点边缘呈现紫色(图5)，中介中心性较强，表明它们是连接多个共现关键词的重要枢纽。

关键词“重金属”呼应了聚类#0中的相关研究，主要围绕“生物有效性(Bioavailability)”、“毒性(Toxicity)”、“积累(Accumulation)”、“生物降解(Biodegradation)”、“生物培养基(Bioremediation)”、“生物炭(Biochar)”和“吸附(Adsorption)”等方面开展研究。

关键词“水(Water)”反映了聚类#1和4中的研究热点，主要围绕“地下水(Groundwater)”、“地表水(Surface water)”、“水质(Water quality)”和“径流(Runoff)”等建立“模型(Model)”,同“氮”和“磷”等营养元素类关键词紧密联系，反映了聚类#4的知识结构，表明SWAT模型在该领域的广泛应用。

2.6 2000—2021年国内在农田土壤污染领域的研究热点

搜索本领域在中国知网中2000—2021年发表的中文文章，并对其进行关键词共现分析，结果如图6 所示，热门关键词见表8。将WoS和CNKI关键词对比发现，国际国内在农田土壤污染领域的关注点多有重合。如CNKI中的“重金属污染”和“多环芳烃”等关键词直接体现了WoS中的聚类名称，而“污染评价”“土壤污染”“空间分布”“来源”等中文关键词又与聚类#0重金属中的研究内容直接相关，表现出农田土壤污染领域国际国内研究的同步发展。此外，Water、Sediment和Water quality在WoS关键词中排名前10，却未进入CNKI的关键词列表。可能是因为国内外对该领域研究热点的侧重不同，也可能与WoS核心合集和CNKI数据库的收录范围有关。由于CNKI的文献数据无法开展引文分析[48]，现就主要关键词进行分析以掌握本领域的研究热点。围绕关键词“重金属污染”，主要研究了“矿业活动”、“冶炼厂”、“农作物(水稻)”的“污染现状”“空间分布特征”“源解析”“污染评价”，分析提出了“土壤环境”的污染“防治对策”，以改善“农业环境”的“环境质量”。围绕关键词“农田土壤”和“农业土壤”，主要研究了“农业面源污染”或“非点源污染”和“农村”、“作物”的“国家政策”、“法律主体”；对“矿区”进行了“镉污染”“铅污染”“含量特征”检测，运用“地积累指数”“富集指数”等方法对污染情况进行分析评估，从而提出有针对性的农田土壤“修复”办法，如使用“钝化剂”“生物炭”“化肥减施”等方法降低“玉米”和“小白菜”中的有效态重金属，适当施用“有机肥”和“土壤调理剂”，采用“种养结合”的办法，提高“土壤肥力”，保障“农产品安全”。

图6 2000—2021年农田土壤污染领域在CNKI检索文献的关键词共现网络Fig.6 Keyword co-occurring network in the field of farmland soil pollution from CKNI in 2000—2021

围绕关键词“农田土壤污染”主要对“重金属复合污染”“二恶英/呋喃”“多环芳烃”“多氯联苯”“PAHs”等进行“污染特征”“污染来源”“赋存形态”分析；采用“3S技术”和“GIS技术”进行“空间插值”，分析“空间分布”特征及其“影响因素”；利用“生物有效性”或总量进行“健康风险”和“生态风险评价”，提出“生态环境”的污染“防治对策”，利用“植物修复”方法，如“伴矿景天”和“微生物”等，改善“土壤环境质量”。

2.7 2000—2021年农田土壤污染领域的国际研究前沿

在CiteSpace软件中关键词共现图谱(数据来自WoS)的基础上，计算了近21年间的突现关键词(图7)。从2000年开始的关键词有Runoff、Nitrate、Losse、Atrazine、Simulation和Nonpoint source pollution，表明21世纪初，在农田土壤污染领域的研究热点为径流、硝态氮、阿特拉津(1种除草剂名)、模拟和非点源污染等，大部分关键词直接对应了文献共被引聚类分析的聚类#1农业灌溉、聚类#4SWAT模型和聚类#8硝酸盐的相关研究内容。关键词突显强度代表该关键词的高关注度。其中突显强度较高的有Health risk(突显强度=97.28，2018—2021)、Source apportionment(突显强度=63.32，2018—2021)和Biochar(61.64，2017—2021)等，时间皆延续至今，表明当前的研究热点为农田土壤污染的健康风险、源解析和生物炭修复。随着研究的深入，出现的突显关键词有Spatial distribution、Ecological risk、Trace metal和Exposure，表现了在近几年对于该领域的研究呈现出专业化和深入化等特点。结合近3年发表在高水平期刊的文献总结，多数学者围绕微生物多样性、微生物群落结构、抗性基因、细菌介导、微量营养素、随机森林模型和空间变异等开展更微观和更细致化的研究[49-51]。因此，围绕污染物对农田土壤环境内抗性基因、微生物群落的影响和农田作物吸收污染物的生理/分子易位机制及耐药基因，以及恢复、改良土壤-作物系统的可持续性等多角度探究为该领域的研究前沿。

强度指关键词突显强度，值越高则该关键词出现频率越多；蓝线表示2000至2021年的时间轴；红线代表该关键词兴起和衰落年份的时间区间。Intensity refers to the prominence intensity of a keyword,the higher the value is,the more frequent the keyword appears;The blue line represents the time axis from 2000 to 2021;The red line represents the time interval of the rise and fall years of the keyword.图7 2000—2021年农田土壤污染领域研究关键词突现图谱(数据来自WoS)Fig.7 Burst keywords in research on farmland soil pollution from 2000—2021(data from WoS)

3 学科展望

基于上述农田土壤污染领域的发展现状、热点和前沿，充分发挥多学科交叉互融的优势，未来该领域的主要研究方向包括但不限于以下3方面:

(1)农田土壤健康与耕地质量提升

农田土壤健康和耕地质量提升，是实现“推动藏粮于地、藏粮于技，稳步提升粮食产能”的重大现实需求，也是农田土壤污染领域的重点研究内容[52]。农田土壤健康与耕地质量的提升，应首先关注农田土壤环境中的生物地球化学循环过程及其驱动因子，阐明土壤-植物-动物-人类-土壤过程各要素相互作用和相互驱动的过程，着力提升农田土壤的生态系统恢复力，提高生物多样性强化土壤生态系统服务，建立土壤结构组分和各项功能的耦合；其次要研究低产农田土壤的提升潜力与途径、土壤酸碱度、盐分、有机质和微生物环境等理化指标的影响机制及改善策略，维系土壤健康的微生物组功能，提高微生物在生态系统中的抗病性及资源利用率，从而减少污染物从农田土壤向作物的扩散[53]；此外，可结合微生物组移植、大规模微生物分离培养和功能食物网等生物修复模式，从而改善土壤健康[54]；最后，应建立农田土壤健康的分子诊断体系及微生物指标，研究可持续农业土地利用的管理方式，实现全链条的农业可持续发展。

(2)保障农产品安全的污染农田土壤利用技术

我国农业用地资源紧张，农作物的安全供给压力较大，不允许对污染土壤进行大面积休耕，因此，需要根据我国国情和不同区域农田污染特征建立土壤污染防治体系，运用多种技术手段来管控与消减污染土壤带来的不利影响，从而促进农田生态环境的可持续发展，保障农产品安全[6]。第一，通过研发适应地域、土地类型的土壤质量分析方法及标准体系，研究配适各区域农田土壤质量的监测标准，制定法规政策；第二，用生态毒理学方法进一步从生理角度探究农田土壤多重复合污染的机理，构建复合污染评价模型，结合同位素标记及基因组学等技术手段研究农田土壤污染观测、分析、溯源和治理的新方法[55]，深入研究污染物在土壤-作物-人体的迁移转化规律、毒性效应及生理机制，建立更精准的污染物评价体系及控制技术；第三，深入探究复合污染状况下降低土壤(重金属、有机物和生物等)污染物生物有效性的调控技术和土壤-作物系统中污染物迁移转化及阻控修复(生态修复措施)技术，不断开发环境友好型土壤改良剂、钝化剂、吸附剂、绿色农药、微生物肥料和农膜；第四，研究污染土壤修复方法，改善农业种植条件；第五，研究作物对污染物的吸收、富集及迁移转化机制，注重低积累作物品种和超富集植物的筛选，科学管理水肥施用；第六，研究高产蔬菜及作物品种，改善种植制度，重视土壤的休耕和恢复效益，提高农田土壤经营管理的规范性和可持续性等[56]。

(3)多学科交叉互融形成全要素格局

随着环境科学、水资源学、土壤学、地球化学、生态毒理学以及农学等的基础理论、研究方法和技术在土壤科学中的进一步应用，多学科交叉成为推动全球农田土壤污染领域快速发展的强劲动力，新的方向和分支学科也因土壤学与其他基础科学的渗透融合应运而生，如利用高通量测序基因组学、蛋白组学、转录组学及代谢组学等分子生物学方法分析土壤微生物的影响机制及生态功能，揭示土壤微生物环境及微生物之间的相互作用机制[57]；利用原位荧光杂交技术、同位素示踪技术和电子显微技术，以及次生离子质谱技术和同步辐射技术等，深化对污染物迁移转化这一化学过程的认知[55]。在已有的学科交叉基础上，还应注重以下学科的融合：首先是环境科学-生态学的结合，可以深入探究农田土壤污染物的来源、污染模式和生态环境效应；第二是土壤学-微生物学的交叉融合，研究农田土壤微生物的物种多样性、菌株模式及功能开发，以及在农田土壤污染背景下微生物的耦合驱动作用；第三是土壤学-分子生物学的交叉，在分子/基因水平揭示各类污染物对土壤生态功能的影响及其长期动态演变机制；第四，结合医学研究污染物在人体中的毒性机制；第五，结合数学模型、环境及地理信息系统数据，研究污染物-环境介质(空气、水、土壤和粮食等)对人体的健康风险影响[58]。此外，应注重开发基于人工智能及大数据的自动控制和远程信息数据采集系统，实现对农田土壤的定位监测、原位采样技术[52]；研究适用于污染农田土壤-水-作物系统下的土壤动力学行为预测模型等。