重金属污染评估方式研究范文

1引言

土壤是农业生产的基础，是人类赖以生存的基石，也是人类食物与生态环境安全的保障。在众多的污染物中，重金属超标被普遍认为是造成我国土壤污染的主要原因之一，特别是经济发达地区的重金属污染土壤的问题尤其严重，日益成为当地环境的重大威胁。据专家估计，我国目前受镉、砷、铬和铅等重金属污染的耕地面积近3亿亩，约占耕地总面积的20%，污水灌溉的农田面积已达4950万亩［1］。土壤重金属污染的环境风险评价是管理、控制和治理污染土壤的前提。由于影响重金属的化学性质、环境行为、生物可利用性以及药代动力学等各种因素极其复杂，给土壤重金属环境风险评价带来很多挑战［2，3］。目前，有关土壤重金属污染风险评价的研究仍多集中在对污染物浓度的测定或简单的风险指数计算，对环境风险状况的表达还有局限性。本文仅针对近期土壤重金属污染环境风险评价方法的研究热点与发展趋势进行综述。

2土壤重金属污染环境风险评价研究现状

环境风险评价技术是20世纪80年展起来的，主要包括生态风险评价及健康风险评价。生态风险评价是通过组织和分析数据，评价与人类活动相关的一个或多个风险源在暴露过程中对生态系统可能造成的生态效应;健康风险评价则主要侧重于人体的健康风险，通过选择与人类类似的动物进行试验，以达到保护人类自身的目的［4－7］。对于土壤重金属的污染评价，国内外学者作了大量的研究，总结出了多种评价方法和模型，主要分为两类:传统评价模型和综合评价模型［8－10］。传统的评价模型主要为指数法，以数理统计为基础，将土壤污染程度用比较明确的界限加以区分，已在土壤重金属评价中得到了广泛的应用，较常用的有内梅罗指数法、潜在风险指数法、污染指数法等。综合评价模型综合考虑了土壤环境质量的模糊性及各污染因素的权重，使评价更具有科学性，概括起来有模糊综合评价法、层次分析法、灰色聚类法、主成分分析法、神经网络法和物元分析法等等［11］。近年来，随着计算机技术和信息技术的发展，地统计学和地理信息系统逐渐被引入到土壤重金属污染的综合评价中［12］。环境风险评价的基本特征之一就是不确定性。在各种环境质量评价中，来源于各种外推过程的不确定性，包括物种间外推、实验室向野外外推、高剂量向低剂量外推等，都需要准确的定量表达。加权综合能够较好地揭示不同评价因子间的内在联系，使评价结果更接近实际情况。但权重的确定大多由专家依据重金属污染物的毒性、人体对重金属污染物的吸收以及人体可承受污染物最大阈值的经验来确定，有一定的主观色彩，使评价结果存在失真的可能。另外，环境风险评价中的风险标准，即风险可接受水平问题，由于涉及不同人群的利益，不同区域的自然条件和社会经济水平存在差异，也存在很大不确定性。不确定性的定量化处理是风险评价必须解决的关键技术。目前传统的土壤重金属污染评价方法都只是通过简单的数字和表格体现某个区域的污染状况，不能反映土壤在空间上的污染变化，不能分析区域土壤污染状况和空间变化趋势，在污染的边界上存在着一定的局限和不足之处。根据实际的情况采用多种方法，并借助其他工具结合的综合评价分析是解决实际问题的有效途径。

3土壤重金属污染环境风险评价的研究前沿及主要发展方向

3.1数学模型在土壤重金属环境风险评价中的选择与优化

风险产生原因的不确定性使环境风险评价趋于复杂。因为风险评价需要研究人为活动引起环境不利影响的可能性，根据有限的已知资料预测未知后果，这就需要应用大量的数学模型才能完成。数学模型的优劣直接关系到整个风险评价结果的准确。随着环境风险评价越来越复杂，准确性要求越来越高，发展和完善各种数学模型成为环境风险评价研究的重要方向。目前国内外学者主要采用随机模拟和模糊的方法进行不确定性的识别、预测。处理不确定性的数学方法主要有概率理论、马尔可夫模型、模糊集、事件树、影响图、启发式模型等。在突发性风险评价方面，大部分的研究都是以随机模拟理论为基础或者是将随机模拟理论与其它不确定性理论相结合的方法评估突发污染事故定性分析。在累积性风险评价研究上，主要是应用随机模拟理论、灰色系统理论和模糊理论。我国的环境风险评价刚刚起步，对于风险评价模型的研究甚少。在风险评价过程中，直接引进国外成熟的模型将不失为一种捷径。由于各种模型在基本原理、适用条件、算法、考虑的介质和过程等方面都可能有较大差异，因此，只有正确甄别模型间的异同和各自的优缺点，才能做到根据实际情况，选择合适的模型，达到研究目的。

3.1.1模糊数学法

土壤重金属的污染程度的界限是渐变、模糊的，解决土壤重金属污染级别模糊边界的有效方法是引入模糊数学概念。模糊数学法的基本原理是:基于重金属元素实测值和污染分级指标之间的模糊性，运用模糊线性变换原理，通过隶属度的计算首先确定单种重金属元素在污染分级中所属等级，进而经权重计算确定每种元素在总体污染中所占的比重，最后运用模糊矩阵复合运算，得出污染等级［13－16］。如何合理确定各指标的权重成为应用模糊数学法进行污染评价是否成功的关键。模糊数学自1965年由L.A.Zadeh［17］提出以来，已得到较充分的发展，同时被广泛用于生产实践中。模糊数学是描述没有明确界限的模糊事物的数学分析方法，利用模糊变换对各相关因素进行综合评价。它充分考虑了各级土壤标准界限的模糊性，使评价结果接近于实际;在确定各指标权重时采用最优权系数法，避免了确定评价指标权重的任意性，用于土壤重金属污染评价有较好的效果［8］。该模型的物理意义是加权平均，将数学运算变成一般矩阵乘法，代表了“加权平均型”的综合评价［18］。窦磊等［14］改进了针对土壤重金属污染评价的模糊数学模型和评价因子权重的计算方法，提出了基于污染物浓度和毒性的双权重因子的模糊综合评价法，既反映污染物的浓度超标状况，又反映污染物的毒性作用，使评价更为全面合理。杨西飞等［19］在“模糊”评价指标基础上，结合Matlab软件FIS工具，拟建了铜陵矿区农田土壤模糊评价模型，并应用该模型对铜陵矿区农田土壤中重金属污染进行了相应评价。有效地解决了模糊综合评价过程中大量的数据处理和复杂计算，提高了数据批处理的准确性和时效性;并可通过其FIS功能将所有模糊评价过程和数据结果以图形的形式展示出来，使各因子污染程度和综合评价结果得以充分体现。

3.1.2灰色聚类法

灰色聚类法是在模糊数学方法基础上发展起来的，相对于模糊数学方法，优点在于不丢失信息，在权重处理上更趋于客观合理，用于环境质量评价所得结论比较符合实际，具有一定可比性。灰色聚类法通过计算土壤重金属污染因子的权重来确定聚类系数，再根据“最大原则法”或“大于其上一级别之和”法确定土壤环境污染程度［8］。其主要步骤是:构造白化函数，引入修正系数，确定污染物权重，再计算聚类系数实现土壤样本的环境质量等级评判与排序［20－22］。由于一般灰色聚类法最后是按聚类系数的最大值进行分类，忽略了较小的上一级别的聚类系数且完全不考虑他们相互之间的关联性，从而导致分辨率降低，有可能使评价失真。鉴于此，人们对灰色聚类法进行了改进，开发出灰色关联分析、宽域灰色聚类分析等多种模型，较好地克服了这一缺点。两者的区别在于确定聚类对象所属级别的差异，一般灰色聚类法以“最大原则法”判定，而改进灰色聚类法根据“大于其上一级别之和”法进行判定。XiaoyanShao等［23］采用灰色关联分析模型对土壤重金属污染进行生态风险评价，研究证实评估结果与实际情况相符，计算方法简单并有良好的操作性。黄彩霞等［24］采用宽域灰色聚类法对土壤质量进行评价，并与综合指数法、模糊综合评判法相比较，发现宽域灰色聚类法的评价结果较另外两种方法更为合理。分析认为，宽域灰色聚类法充分考虑了污染级别之间的灰色性，通过修正使相邻级别的边界问题解决得较好，提高了分辨率、信息利用率和综合评价精度。虽然需要建立多个白化函数，计算过程繁琐，但可以通过计算软件解决。

3.1.3层次分析理论

环境质量综合评价，只有通过加权综合，才能揭示不同评价因子间的内在联系，使综合评价结果更接近和符合环境质量的实际情况。加权因子的确定，有多种方法，层次分析法及其改进法就是其中之一。层次分析法(AnalyticalHierarchyProcess)简称AHP法，是美国运筹学家萨得T．L．Saaty在20世纪70年代初提出的。这是一种定性和定量相结合的、系统化、层次化的分析方法，特别适用于分析难以完全定量的复杂决策问题，因而很快在世界范围得到重视并在多种领域广泛应用［25］。其基本出发点是:在一般决策问题中，针对某一目标，较难同时对若干元素做出精确的判断。这时可以将这些因素相对于目标的重要性以数量来表示，并按大小排序，以此为决策者提供依据。任意两元素之间的相对关系，则可以精确表示。假设有n个因素，对任意量因素i和j进行比较，rij表示相对重要性之比，则由rij(ij=1，2…n)构成一个判断矩阵R=(rij)n×n(此矩阵实际上是对定性思维过程的定量化)。R=r11r12…r1nr21r22…r2n…………rn1rn2…r???????????nn?式中rij=1/rji(i≠j)，rij=1(i=j)。在构造判断矩阵时，当因素个数较多时，rij的值采用T．L．Saaty提出的1－9标度法。由于判断过程中存在复杂性和模糊性，较难一次得到满意(通过一致性检验)的判断矩阵。为此研究人员对层次分析法进行改进，设计了一种三标度法，较易被专家和决策者接受。结构层中的相对权重，采用方根法求解R的归一化特征向量和特征值，直到满足一致性检验，所求特征向量即为各因子的权重排序。王祖伟、李雪梅等［26，27］在对天津市土壤重金属污染环境质量评价中，将基于改进AHP法确定的权重应用于综合指数法、模糊综合评价法和灰色聚类法中，发现基于改进AHP法确定权重的综合指数法比内梅罗指数法更具科学性和准确性，基于改进AHP法确定权重的模糊综合评价法也比常规的模糊综合评价法更准确一些，但是基于改进AHP法确定的权重并不适用于灰色聚类法中。

3.2地统计学空间技术在土壤重金属环境风险评价中的发展与应用

土壤重金属污染物具有高度的空间连续性及空间变异性。重金属浓度的空间分布状况可以反映重金属污染物对人类健康和环境的潜在影响，对于污染源的风险分析和后续评价也非常重要。传统的评价方法不能反映土壤在空间上的污染变化，不能分析区域土壤污染状况和空间变化趋势，尤其在分析大尺度区域的土壤污染时，传统评价方法和手段就显示出其本身固有的缺陷和不足［12］。基于此，地统计学空间技术在土壤重金属污染风险评价中得到了越来越广泛的应用［12，28，29］。地统计学又称克力格法(Kriging)，是利用原始数据和半方差函数的结构性，对未采样点的区域化变量进行无偏最优估值的一种插值方法。作为空间变异性比较稳健的工具，该方法可以最大限度地保留空间信息，揭示区域土壤各重金属元素含量的空间分布特征和规律［12］。目前主要有普通克力格法(OrdinalyKriging)、简单克力格法(SimpleKrig-ing)、块段克力格法(BlockKriging)、协同克力格法(Co－Kriging)、泛克力格法(UniversalKrig-ing)、指示克力格法(IndictorKriging)、以及对数正态克力格法(LogisticNonormalKriging)等［30］。由于地质统计方法模型众多，应用条件各异，如何降低预测误差，提高预测结果的准确度及精度，依然是困扰地统计学研究及应用者的难题。

3.2.1地统计学模型基本理论

地统计学是一种区域化变量的分析方法，原理是由不连续的点状数据推测连续的面状区域内的数据分布，其主要目的是结合采样点提供的信息对未知点进行估计和模拟，以描述整个研究区域的土壤重金属的空间变异特征。半方差函数是地统计学中的主要工具，一方面是利用半方差函数对参数的空间分布进行结构分析和变异性分析，另一方面是应用结构分析的结果和克力格法进行估值［11］。通常情况下，为了使理论模型能最充分地描述所研究的某一区域化变量的变化规律，在建模过程中要根据半方差函数分布图初步选择几种合适模型进行最优拟合，通过比较平均误差、均方根预测误差、平均标准差、标准化误差和平均标准化误差等参数和预测误差图来选择最优的模型。在拟合中会得到3个基本的参数C0，C和a。其中，C0:块金方差，反映了随机因素或不确定因素对变量空间相关性的影响;C:结构方差，反映了结构因素或确定因素对区域化变量空间自相关性的影响;a:变程，反映了区域化变量在空间上具有相关性的范围。函数半变异图形如图1所示。图1半变异图常用的理论模型有:球状模型(sphericalmodel):r(h)=0h=0C0+C(3h2a－h32a3)0≤h＜aC0+Ch＞{a(1)指数模型(exponentialmodel):r(h)=0h=0C0+C(1－eha)h{＜0(2)高斯模型(gaussianmodel):r(h)=0h=0C0+C(1－eh2a2)h{＜0(3)

3.2.2地统计学与GIS技术的结合地统计模型的强大分析功能主要在于它与地理信息系统(GIS)的结合［11］，也是GIS发展的新动向。地理信息系统(GeographicInformationSystem，简称GIS)是以计算机为基础，对空间数据进行采集编辑、存储管理、查询分析、显示制图、综合应用等处理的综合性技术。GIS在建立数据的统计模型及可视化输出方面均具有强大的功能，其大致数据处理流程如图2所示。基于地统计模型的空间分析(SA)和GIS在应用上有交叉，但并不完全等同。GIS可利用SA中的分析模型和算法，丰富和发展自身的空间分析功能;同时，SA软件也可以借助GIS控件改善对环境污染数据的抽象、虚拟与表达。图2空间统计分析数据处理流程图［31］在土壤重金属空间结构及分布特征研究上，研究人员较多地基于GIS技术与空间(地)统计学克力格系列插值方法对城市重金属污染状况进行分析:利用GIS技术进行研究区域及其采样数据、空间分布插值结果的可视化表达;利用空间统计学的变异函数对采样数据的空间异质性予以分析，并通过理论变异函数的不同因子、系数来寻求异质性产生的原因(影响因子)，最后给出克力格算法插值得到的某重金属空间分布结果［32］。当前应用较为广泛的地质统计学软件主要有Es-ri公司推出的基于ArcGIS10.0及以上版本的Geosta-tistical扩展插件，GammaDesignSoftware公司推出的GS+软件，Ctech公词出品的EVS－MVS等，这些软件的推出有力地促进了地统计技术的应用及推广。地统计学与GIS技术的结合的发展方向是由GIS软件外挂模块逐渐向嵌入式过渡，实现两者的无缝链接。PilarBurgos等［33］采用传统评价模型及地统计学模型评估修复区土壤重金属污染水平的变异。使用块金值修正的球形模型及线性模型测定土壤参数的空间相关性，并用克力格插值法绘制污染等高线图，研究证实克力格插值图在研究修复区土壤污染及监测土壤参数时是非常有用的工具。试验区重金属的总量及生物可利用态空间分布图(等高线图)见图3所示。孙英君等［34］使用克力格技术对矿区土壤重金属污染状况进行研究，通过获取多幅模拟结果之间的差异来揭示研究区域土壤重金属污染的整体空间分布形态。最后，以研究区域土壤环境背景上限值为标准，给出研究区域不同土壤重金属空间分布相应级别的不确定性分析结果。

3.2.3地统计学与不确定性模拟技术的结合

地统计学与神经网络、灰色聚类法等不确定性模拟技术结合，可以在只具有少量数据的情况下对数据进行比较精确的空间分析，能够在满足一定精度分析的原则下适当的降低采样分析成本，得到比传统指数评价准确度更高的空间分布图。虽然模型建立过程中需要进行大量训练样本的学习，以及测试样本的检测，但在先进计算软件(如MatLab、ArgGIS等)的支持下，仍可方便地进行网络设计和运算。大大地降低了建模难度和建模时间，减少了人为的干扰因素，可以为整个地区的土壤重金属的信息化监测和分析提供科学依据。胡大伟等［35］在中尺度范围下，运用神经网络模型和3S技术(RS、GPS、GIS)对农田土壤重金属含量的空间分布进行了分析，并在此基础上确定了各重金属的污染状况。王芬等［36］采用双层组合神经网络和GIS空间分析技术综合评价川芎主产区土壤重金属污染。将BP网络加密的点数据导入ArcGIS软件中，利用其空间分析和克里金插值功能来分析污染浓度的分布和污染等级，从连续空间平面上了解和评价该区域的重金属污染分布情况。李磊等［37］运用MATLAB软件的K均值聚类算法结合神经网络工具箱，通过建立RBF神经网络对道路两旁土壤重金属污染程度进行评价并与内梅罗指数法进行对比，证明使用RBF神经网络方法进行土壤重金属污染评价是可行的，尤其适用于土壤污染整体变化趋势分析。S.M.Kazemi等［38］采用普通克力格法(OK)、基于人工神经网络的遗传算法(GA－ANN)、自适应神经网络模糊推理系统(ANFIS)及条件模拟法(CS)进行空间建模，对海洋沉积物中的6种重金属进行污染评价，并对4种空间插值技术进行比较。结果证实GA－ANN模型是对所有重金属污染物的统计特征值保持最好的模型，但ANFIS是的模拟误差最小的模型。YunfengXie等［39］基于污染评价和风险控制目的对土壤中重金属污染物的空间分布进行了确定与不确定性分析。采用内部校验标准偏差对加权反比插值法(IDW)、局部多项式插值法(LP)、普通克力格插值法(OK)和径向基函数法(RBF)4种空间插值技术进行了评估和比较。结果显示，几种插值法对土壤重金属污染平均浓度均有较高的预测准确性，但低于传统方法的测定值。其中污染区的空间不确定性主要集中在3种区域:被低浓度区包围的最大浓度区域、被高浓度区包围的最小浓度区域以及污染区域的边界。

4结语

环境风险评价已日益成为环境管理的重要决策支撑。土壤重金属污染具有非常大的复杂和不确定性。土壤重金属环境风险评价能够灵活地组织和运用各种数据、信息、假设和不确定性，建立模型，拟合土壤重金属污染污染的真实状况，并进行定性和定量分析，为土壤环境风险管理和决策提供依据。目前，有关土壤重金属污染风险评价的研究还停留在理论框架和技术路线的探讨阶段，众多应用研究案例仍多集中在对污染物浓度的测定或简单的风险指数的计算，与土壤重金属污染的真实情况往往仍有较大的偏差。在运用各种评价分析手段进行研究时，还存在主观性强、分辨率和信息利用率不高、综合评价精度较低等问题，仍有待作进一步的探索和改进。未来土壤重金属的环境风险评价方法应在处理不确定问题上继续深入，进一步加大对评价模型和计算机模拟的研究。