袁州区土壤硒与重金属含量空间关联及其影响因素分析
2023-09-12蔡海生张学玲何庆港
刘 珂,蔡海生,张学玲,何庆港
(1.江西农业大学/江西省鄱阳湖流域农业资源与生态重点实验室/江西农业大学富硒农业产业发展研究中心,南昌 330045)
【研究意义】硒是人体所必需的微量元素,在抗氧化、抗衰老、防癌和抗癌方面作用显著[1],中国是一个缺硒大国,调查显示,我国约有72%的地区缺硒。合理开发利用富硒土壤资源,发展富硒农业产业,既是满足全民补硒需求、推进健康中国建设的重要途径,也是促进富硒资源优势转化为经济发展优势、推动乡村振兴战略的关键举措[2]。然而,随着城镇化、工业化的不断发展,我国经济在稳步发展的同时,土壤重金属污染问题也越来越严重[3]。重金属在土壤中长期积累会导致土壤肥力下降,降低农作物产量,更严重的是土壤中的重金属会进行迁移转化,并在作物的可食部位积累,从而直接危害人类健康[4]。【前人研究进展】土壤硒与重金属的丰缺水平,受到土壤外部因素和内部因素的共同影响[5],土壤的内在因素(pH、SOM、微生物、黏粒等)会影响硒和重金属的富集和迁移[6-8],其中土壤pH和SOM对硒和重金属含量分布、迁移、富集有着显著影响[9-10]。随着经济发展,人为活动等外部因素对土壤中硒和重金属含量的影响日益加深,比如,长期使用有机肥会使土壤部分重金属全量和有效态显著提高[11];交通活动会导致大气颗粒物中重金属的浓度升高[12];矿产资源开发活动导致矿区周边农田土壤硒与重金属含量增高等[13]。目前国内外学者多针对单一元素,通过GIS、统计学、地统计学、空间自相关分析等方法分析Se或重金属元素的空间分布规律[14-15]。对于元素之间的相关性及其影响因素的分析,则主要是采取多元统计,如主成分、回归、聚类等分析方法[16-17]。【本研究切入点】在多元统计分析中,元素之间的关联性及其与影响因素的关系无法在空间上得到体现,且多因素共同作用的情况往往会被忽略,存在一定的局限性。【拟解决的关键问题】以袁州区作为研究对象,将Global Moran’sI、Local Moran’sI、地统计学等方法结合,利用双变量莫兰指数来分析土壤Se与重金属元素含量的空间聚类特征,探究研究区Se与重金属元素的空间相关性,并运用地理探测器定量分析不同影响因素对研究区土壤硒和重金属含量空间聚类特征的驱动和交互作用,以期为开发和管理富硒土壤资源、开展土壤污染防控治理提供科学依据和指导。
1 材料与方法
1.1 研究区概况
袁州区位于江西省西部,113°54′～144°37′ E,27°33′～28°05′ N。东临新余,南接吉安,西毗萍乡,西北连湖南腹地,有着“赣西重镇”之称。全区土地总面积2538 km2,2020年末总户籍人口数为116.27万人。全区可以划分为山区、平原、丘陵等3种地貌。袁州区主要土壤类型为山地红壤、石灰土和水稻土等,其中山地红壤是研究区内最典型的土壤类型,约占全区土地总面积的40%,广泛分布在山地丘陵地带;石灰土占全区土地总面积30%左右;水稻土约占全区土地总面积的17%,主要分布在海拔较低的冲积平原区。境内水资源丰富,年平均气温18.4 ℃,属于亚热带季风性湿润气候,素有“山明水秀,土沃泉甘,其气如春,四时咸宜”之称。区域内交通便利,沪昆铁路、沪瑞高速公路、320国道横贯全区。全区目前拥有工业企业和专业合作社57家。
1.2 样品收集与分析
江西农业大学富硒农业产业发展研究中心课题组根据袁州区土地利用以及地形地势情况,利用ArcGIS 10.2软件以及梅花形布点法等方法进行土壤样品采集,采样点避开沟渠、陡坡地、田坎等非典型地区,主要集中在农用地土壤。每个采样点取其周围5处表层(0～20 cm)土壤充分混合均匀,取1 kg样品装入自封袋中,共收集到土壤样品162个。土壤重金属Cr元素采用火焰原子吸收分光光度法测定,As、Hg、Pb、Se采用原子荧光法测定,Cd采用石墨炉原子吸收分光光度法测定,SOM采用重铬酸钾外氧化外加热法测定,样本pH采用pH计测定,TN和AK采用X射线荧光法和电感耦合等离子体光/质谱法测定。基于ArcGIS 10.2软件将土壤样品采样点进行空间化,并绘制土壤样品采样点空间分布图(图1)。
1.3 影响因子指标选取及数据处理
结合土壤Se及重金属元素的来源,参考张军等[18]、Xu等[19]、范薇等[20]的研究,并考虑数据获取的难易程度,选取土壤性质(pH、SOM、TN、AK)、地形因子(坡度)、归一化植被覆盖度指数(NDVI)和距离因素(距水源、公路、铁路、工厂的距离)4个方面的10个因子作为探究研究区土壤Se与重金属元素空间相关性的影响因子。遥感影像和高程数据(DEM)均来自于地理空间数据云(http://www.gscloud.cn /)。遥感影像经过ENVI软件图像预处理后,经过波段运算得到NDVI数据;坡度数据通过ArcGIS软件对DEM数据进行拼接、裁剪和坡度提取等操作获得;在ArcGIS软件中创建1 km×1 km渔网,作为地理探测分析的基础空间单元,共计划分单元2664个。地理探测器对影响因素进行分析时,因变量必须为数值量,自变量必须为类型量,若自变量是数值量,需将其离散化处理为类型量[21],因此,本研究采用自然断点法将10个影响因素分别划为5类。Se与重金属元素空间聚类分布情况利用GeoDa软件进行分析,地理探测分析采用GeoDetector软件完成。
图1 采样分布示意图
1.4 研究方法
1.4.1 双变量莫兰指数 莫兰指数是研究变量在同一个分布区内的观测数据之间潜在的相互依赖性的一个重要指标,双变量莫兰指数是对传统莫兰指数的进一步改进[22]。传统的单变量莫兰指数主要是表达空间上某一要素同一指标的空间自相关关系,而双变量莫兰指数可以探索某一要素一个属性和另一个属性的空间相关性[23]。双变量莫兰指数可以分为双变量全局莫兰指数和双变量局部莫兰指数。
(1)
(2)
式中:I为双变量莫兰指数,Ii为Se与某一种重金属聚类的局部莫兰指数。Wij为空间权重值,Zxi与Zyj代表Se与重金属含量在某一空间单元的标准化值。本研究运用双变量莫兰指数衡量土壤Se与重金属空间集聚关系。
1.4.2 地累积指数法 地累积指数是德国科学家Muller[24]提出的一种研究水环境沉积物中重金属污染的定量指标,可以用于比较土壤中不同重金属的浓度及其污染程度。
(3)
式中,Igeo为重金属i的地累计指数,Ci为样品中重金属元素i的浓度,K为修正系数,一般为1.5,Bi为环境背景浓度值,选用江西省土壤环境背景值。污染程度一共划分为7个等级:Igeo≤0为无污染、0
1.4.3 地理探测器 地理探测器是探测空间分异性,以及揭示其背后驱动力的一组统计学方法,该模型由因子探测器、交互作用探测器、生态探测器、风险探测器4个探测器组成[25],根据研究需要,本文仅采用因子探测和交互作用探测2个探测器。
因子探测器:用于探测Se与重金属聚类的空间分异性,以及各影响因素对Se与重金属聚类空间分布的相关程度,用q值来度量,表达式为:
(4)
交互探测器:用于识别不同影响因子对Se与重金属聚类的交互作用,即评估任意两个因子是相互作用还是独立作用,两个因子之间可以分为5种关系:非线性增强、独立、双因子增强、单因子非线性减弱、非线性减弱。
2 结果与分析
2.1 研究区表层土壤基本性质
由表1可知,研究区土壤pH 介于4.54～8.47,均值为6.15。土壤SOM、TN、AK的平均值和范围分别为33.88、1595.50、110.26和8.20～92.20、383.00～3660.00、23.00～293.00。
土壤Cd、Hg、As、Pb、Cr及Se的平均值分别为0.42、0.15、12.07、41.33、76.23、0.50。土壤重金属含量平均值与江西省土壤背景值[26]的比值从大到小依次为Cd、Hg、Cr、Pb、As,比值分别为4.20、1.88、1.59、1.29、1.16。变异系数(Coefficient of variation,CV)是标准差与平均值的比值,用来揭示数据的离散程度。研究表明,变异系数与人类活动等外部因素的干扰程度呈正相关[27]。Cd、As、Se的变异系数较高说明在不同采样点的含量存在较大差异,表明可能受到比较明显的外部干扰因素。根据GB 15618—2018,研究区的5种重金属含量平均值除Cd外均低于土壤污染风险筛选值,Cd和As分别有33和1个采样点中的含量高于土壤污染风险筛选值。
2.2 土壤Se与重金属元素空间相关性分析
以Se元素含量为第一变量,5种重金属元素含量为第二变量,利用Geoda软件对研究区Se与重金属元素两者空间关联性以及空间集聚情况进行测算,如图2所示,Se-Cd、Se-Hg、Se-As、Se-Pb和Se-Cr的全局莫兰指数分别为0.33、0.57、0.09、-0.62和0.25,在P≤0.05的水平上通过显著性检验,说明Se与Cd、Hg、Cr 3种重金属存在较强的空间相关性,Se与Pb的空间差异性较明显,Se与As的空间相关性偏弱。
研究区Se与重金属元素的局部莫兰指数的测算结果如图3所示,Se-Cd的高-高和低-高聚类主要分布在研究区中部,低-低和高-低聚类主要分布在西北部和南部,Se-Hg、Se-Cr的高-高聚类基本一致,均分布在研究区东北部,Se-Hg、Se-As、Se-Pb和Se-Cr的低-低聚类主要分布在东南部,Se-As和Se-Cr的低-高聚类均分布在西北部,Se-Hg的低-高、高-低聚类和Se-Cr的高-低聚类分布较少,分别集聚在北部、西部和中部地区,Se-As的高-高和高-低聚类分别在西部和中南部,Se-Pb的高-高、低-高和高-低聚类分别呈现南-北、西北-东南、东-西对称分布态势。
表1 土壤元素描述性统计
图2 Se与重金属含量双变量全局莫兰指数散点图
2.3 土壤重金属污染评价
5种重金属的平均值如表2所示:Cd(1.31)、Hg(0.28)、As(-0.57)、Pb(-0.30)、Cr(0.05)的大小排序为Cd>Hg>Cr>Pb>As。Pb和As的平均值小于0,说明研究区土壤As、Pb总体处于无污染状态,而Hg、Cr整体处于轻度污染状态,Cd整体处于中度污染状态。从采样点来看,Cd处于无污染、轻度、中度、中度-重度污染的点位数分别占5.26%、26.32%、51.97%、16.45%;Hg、As分别有67.76%、23.68%的采样点属于轻度污染,属于中度污染的分别占5.26%和0.66%;Pb和Cr分别有28.29%和69.74%的采样点Igeo处于0～1,属于轻度污染,其余采样点均处于无污染状态。陈艺等[28]研究指出,袁州区土壤Cd、Hg、Pb空间分异主要受到工业源和交通源的影响,农业源、自然源和交通源是As、Cr的主要来源。
“高-高”表示该区域Se含量高,同时邻近区域重金属的含量也高;蓝色区域表示Se元素的含量低,邻近区域重金属含量也低;黄色区域表示Se元素含量低但重金属含量高;绿色区域是Se元素含量高但重金属含量低。
表2 研究区土壤重金属地累计指数
2.4 土壤Se与重金属空间关联影响因素的识别与分析
参考相关文献[29-32],本研究选择10个影响因子,探究影响研究区表层土壤Se与重金属元素空间关联的主要原因,将研究区行政边界数据通过ArcGIS 10.2软件中创建渔网工具构建1 km×1 km的格网,格网中心点如图4所示,用中心点对影响因素进行离散化处理,并根据自然断点法将影响因素分为5级,均通过0.05显著性水平检验。将10个影响因素的属性值中作为自变量,双变量局部莫兰指数作为因变量,按高-高、低-低、低-高和高-低4种类型分别导入到GeoDetector 2015中进行计算。
2.4.1 因子探测 如表3可知,不同因子对Se与重金属的空间相关性的解释力存在一定差异。研究区Se与重金属元素空间关联主要受到土壤理化性质(SOM、AK、TN、pH)和距离因素(距铁路的距离、距水源的距离)的影响,影响Se-Cd空间关联的主要因素是SOM、TN、pH;影响Se-Hg和Se-Cr聚类的主要因素是AK、距铁路的距离、距水源的距离;影响Se-As聚类的主要因素是AK、TN、距铁路的距离;影响Se-Pb聚类的主要因素是SOM、AK、PH。①高-高聚类中Se-Cd的首要影响因素是pH(0.1981),其次是距水源的距离(0.1340),再次是SOM(0.1301)。AK、距铁路的距离、距水源的距离对Se-Hg和Se-Cr影响较大。SOM、AK、TN对Se-As和Se-Pb的影响较大。②低-低聚类中影响Se-Cd的首要影响因素是TN(0.2166),其次是pH(0.2093),再次是距铁路的距离(0.2046)。AK、距水源的距离、距公路的距离对Se-Hg和Se-Cr低-低聚类影响较大。影响Se-As第一、第二、第三影响因素分别是AK(0.5813)、距铁路的距离(0.4459)、距水源的距离(0.3259)。影响Se-Pb低-低聚类的前三影响因素分别为坡度(0.4563)、pH(0.4440)、NDVI(0.3641)。③低-高聚类中影响Se-Cd聚类的前三影响因素分别是pH(0.4535)、AK(0.4001)、SOM(0.3551)。影响Se-Hg聚类的前三影响因素分别为距铁路的距离(0.6303)、pH(0.5439)、AK(0.4308)。影响Se-As聚类的前三影响因素分别为距铁路的距离(0.5503)、TN(0.4934)、距水源的距离(0.3554)。影响Se-Pb聚类的前三位因素分别为AK(0.5167)、距铁路的距离(0.2864)、pH(0.2502)。影响Se-Cr聚类的前三影响因素分别为距铁路的距离(0.5900)、pH(0.4671)、TN(0.4362)。④高-低聚类中TN、SOM、AK对Se-Cd、Se-Hg、Se-As、Se-Pb聚类的影响较大。pH(0.8162)、距铁路的距离(0.7755)、AK(0.4143)对Se-Cr聚类的影响较大。
图4 影响因子离散点
表3 Se与重金属聚类因子探测结果
2.4.2 交互因子探测 由于影响Se与重金属元素空间聚类可能不仅仅只是单一因素,也可能存在多种因素共同形成。因此利用交互作用探测器分析多种因子对聚类情况的结果(表4)可知,任意两个因子的交互作用对Se与重金属空间聚类影响的解释程度均大于单个因子的解释程度,多数为非线性增强作用,少数为双因子增强类型,不存在减弱或独立作用类型。①高-高聚类中Se-Cd、Se-Hg、Se-As、Se-Pb、Se-Cr的最强复合影响因素分别是AK∩pH、AK∩距铁路的距离、AK∩TN、SOM∩坡度、AK∩距铁路的距离。②低-低聚类中Se-Cd、Se-Hg、Se-As、Se-Cr的最强复合因素为AK∩TN,Se-Pb的最强复合因素是AK∩pH。由此可以看出,影响Se与重金属低-低聚类的主要复合因素是土壤中速效钾和全氮的交互协同作用。③低-高聚类中Se-Cd的最强复合因素是SOM∩AK,Se-Hg和Se-Cr的最强复合因素是距铁路的距离∩距工厂的距离,Se-As和Se-Pb的最强复合因素是AK∩TN。④高-低聚类中Se-Cd、Se-Hg、Se-As、Se-Pb、Se-Cr的最强复合因子对分别为TN∩pH、TN∩距水源的距离、TN∩距铁路的距离、AK∩TN、距铁路的距离∩距工厂的距离。由交互探测结果可知,在不同聚类类型中,Se与重金属空间关联受到多种因素复合作用。土壤性质(SOM、AK、TN、pH)与其他因子交互作用对于Se与重金属分布格局具有重要影响,同时距水源、距铁路的距离也是Se与重金属聚类分布的重要影响因子。
综合空间自相关与地理探测器结果分析,发现研究区Se与Cd、Hg、Cr存在较强的空间相关性,说明Se与Cd、Hg、Cr可能存在伴生关系,且影响Se-Hg和Se-Cr伴生的主要影响因素都为AK、距铁路的距离、距水源的距离,说明Se与Hg、Cr空间关联的同源可能性较大。影响Se-Cd空间关联的主要影响因素是SOM、TN、pH,如图3、5所示,Se与Cd高-高聚类和低-高聚类主要分布在研究区中部地区,土壤中全氮以及有机质的高值区同样位于研究区的中部地区,且土壤pH处于弱酸性环境;低-低聚类以及高-低聚类主要分布在研究区的西北部以及南部,且全氮、速效钾以及有机质的含量在该区域处于高值,与前文学者的研究相类似[6-7]。根据土壤重金属污染评价和土壤污染风险筛选值结果发现,研究区土壤重金属除Cd外仅有个别点位超标,而Cd总体处于中度污染状态,说明研究区主要以镉污染为主。如前所述,土壤中全氮、有机质、速效钾的高含量以及pH处于弱酸性和中性环境下可能会导致Se-Cd产生聚类,可能与该区域在农业生产过程中过量施用有机肥、灌溉水污染以及工厂废气排放、燃料不完全燃烧等因素有关。因此,针对研究区富硒高镉地区需要严格控制企业污水废气排放,及时制止滥用化肥农药,加强水源污染防治工作以及运用土壤修复改良技术来降低土壤重金属活性,以筛选出富硒农业种植的安全利用区。
表4 Se与重金属聚类交互探测结果
图5 影响因素空间分布
3 讨 论
影响硒与重金属伴生的最主要因素是土壤理化性质。赵一鸣等[33]研究认为,土壤理化性质会对重金属的迁移性和活性等产生影响。土壤理化性质的影响实质就是改变重金属的有效态含量,研究发现重金属有效态所占比例越多,土壤重金属越活跃,更有利于重金属迁移扩散[34]。陈雪龙等[35]研究认为土壤硒含量与有机质含量呈极显著正相关,与pH呈极显著负相关。在土壤形成过程中,有机质不仅会增加土壤对硒的吸附,而且由于植物腐殖化和微生物作用可使硒的价态发生变化或形成络合物而富集,从而决定了土壤中硒的存在形态,土壤pH则直接影响硒的存在价态和土壤对硒的吸附固定作用[36]。土壤理化性质中氮、钾的含量部分来源于有机物,其含量与有机质含量存在明显相关关系。本研究结论与这些学者一致,认为理化性质是影响Se与重金属空间关联的重要指标。距离因素中距铁路、距水源、距公路、距工厂的距离对硒与重金属一种或多种空间聚类的驱动作用同样明显,体现了人类活动对Se与重金属空间分布的重要影响。相关研究表明,河流水系是农业灌溉的重要水源,由工业排放和交通运输造成的水源重金属富集进而通过农业灌溉的方式导致土壤Se和重金属富集[37-38]。NDVI和坡度对土壤Se与重金属空间聚类的影响不明显,可能是由于研究区为小尺度区域,坡度和NDVI的变化范围小所致。
综上认为,研究区土壤中Se-Cd、Se-Hg、Se-Cr的空间相关性强,Se-Pb的空间分异性较明显,Se-As的空间关联程度较弱,且影响土壤Se与重金属空间关联的关键因素为土壤理化性质。Se-Cd的全局莫兰指数为0.33,说明土壤中Se与Cd存在较强的空间相关性,其空间关联主要来源于SOM、TN、pH。袁知洋等[39]对恩施富硒土壤区土壤Se、Cd与其理化性质的研究中发现,土壤SOM与土壤pH显著影响土壤中Se、Cd含量,本研究结果与其基本一致。影响Se-Cd高-高聚类的主要因素分别为pH、距水源的距离、SOM。从空间分布上来看,Se-Cd高-高聚类主要分布在研究区中部。而pH在高-高聚类区中处于弱酸性和中性,SOM的高值区与Se-Cd高-高聚类区明显重合,说明可能在pH处于弱酸性和中性环境下且SOM含量较高时容易促进Se、Cd之间高-高聚类的形成。由于研究区主要以Cd污染为主,且富硒高镉土壤中Se的活化以及Cd的抑制可以通过改良土壤的理化性质进行调节。因此,可以结合富硒高镉土壤中如何培育绿色富硒农作物进行探究。
Se-Hg和Se-Cr的全局莫兰指数分别为0.57和0.25,表明研究区内土壤Se与Hg、Cr空间关联程度较强,且影响Se与Hg、Cr空间关联的主要因素同为AK、距铁路的距离、距水源的距离。孙国新等[40]在研究全国尺度上土壤Se、Hg空间异质性因素分析中认为土壤Se、Hg分布可能与土壤理化性质以及人类活动有关;马宪梅等[41]在对土壤Cr污染现状及修复方法的研究中认为土壤Cr主要来源于矿物和岩石中的Cr、污水灌溉以及化肥与农药的大量应用。本研究结论与以上研究结果一致,认为可能是由于化肥农药过量使用、水源污染等导致土壤Se与Hg、Cr产生空间关联。由于Se与重金属伴生是一个复杂的过程,本研究仅考虑了Se与单个重金属元素的伴生情况,在今后可以针对Se与多种重金属的伴生关系开展进一步研究。
Se-Pb的全局莫兰指数为-0.62,表明Se与Pb的空间分异性较强,影响Se-Pb聚类的主要因素是SOM、AK、pH。在今后的研究中可以进一步考虑土壤的理化性质如何影响研究区Se、Pb产生空间分异性。Se-As的全局莫兰指数为0.09,说明在研究区内Se与As空间相关性较弱,对于Se-As空间关联及其影响因素分析是后续研究工作重点。
4 结 论
(1)研究区土壤样品中Se含量的平均值为0.5,整体处于富硒水平。土壤样品中重金属含量平均值与江西省土壤背景值的比值从大到小依次为Cd、Hg、Cr、Pb、As,分别为4.20、1.88、1.59、1.29、1.16倍。Cd、As、Se的变异系数较高,表明可能受到比较明显的外部干扰因素。地累积指数显示,As、Pb总体处于无污染状态,Hg、Cr整体处于轻度污染状态,Cd整体处于中度污染状态。研究区土壤各点位pH的平均值为6.15,范围为4.54～8.47,在此pH范围内,各重金属含量平均值除Cd外均低于土壤污染风险筛选值。
(2)研究区Se-Cd、Se-Hg、Se-As、Se-Pb和Se-Cr的全局莫兰指数分别为0.33、0.57、0.09、-0.62和0.25,说明Se与Cd、Hg、Cr 3种重金属存在较强的空间相关性,建议加强研究袁州区土壤Se与Cd、Hg、Cr的有效性及相互作用。
(3)SOM、AK、TN、pH、距铁路的距离、距水源的距离对研究区Se与重金属元素空间聚类的解释力尤为显著。交互探测发现,交互作用解释力均处于增强效应,SOM、AK、TN、pH与其他因子交互作用对于Se与重金属分布格局具有重要影响,同时距水源、距铁路的距离也是Se与重金属聚类分布的重要影响因子。
(4)研究区主要是以Cd污染为主,且与Se存在较强空间相关性。高-高和低-高聚类地区主要位于研究区中部,低-低聚类以及高-低聚类主要分布在研究区的西北部以及南部。化肥农药的过量使用、交通运输、工厂污染物的排放是影响Se、Cd伴生的主要干扰因素,因此建议采用先进的灌溉施肥技术以及土壤重金属污染修复技术,并严格控制工厂企业污水废气排放,以降低研究区土壤Se与Cd伴生效应。
