EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 3: 573 - 587

DOI: https://doi.org/10.12082/dqxxkx.2023.220681

地理空间分析综合应用

基于多尺度地理加权回归的土壤镉污染局部影响因子分析

  • 吴子豪 , 1, 2 ,
  • 刘耀林 3 ,
  • 冯向阳 1 ,
  • 陈奕云 3 ,
  • 闫庆武 , 1, *
展开
  • 1.中国矿业大学公共管理学院，徐州 221116
  • 2.中国矿业大学矿区土地利用与生态安全研究中心，徐州 221116
  • 3.武汉大学资源与环境科学学院，武汉 430079
* 闫庆武（1975— ）男，山东邹城人，博士，教授，主要从事空间数据分析和GIS应用研究。 E-mail:

吴子豪（1994— ），男，安徽蚌埠人，博士，讲师，主要从事土壤遥感与数字制图。 E-mail:

收稿日期: 2022-09-10

  修回日期: 2022-10-17

  网络出版日期: 2023-04-19

基金资助

国家自然科学基金项目(42201447)

收起

Analysis of Local Influencing Factors of Cadmium Pollution in Soil by Using Multi-scale Geographically Weighted Regression

  • WU Zihao , 1, 2 ,
  • LIU Yaolin 3 ,
  • FENG Xiangyang 1 ,
  • CHEN Yiyun 3 ,
  • YAN Qingwu , 1, *
Expand
  • 1. School of Public Policy & Management, China University of Mining and Technology, Xuzhou 221116, China
  • 2. Research Center for Land Use and Ecological Security Governance in Mining Area, China University of Mining and Technology, Xuzhou 221116, China
  • 3. School of Resource and Environmental Science, Wuhan University, Wuhan 430079, China
* YAN Qingwu, E-mail:

Received date: 2022-09-10

  Revised date: 2022-10-17

  Online published: 2023-04-19

Supported by

National Natural Science Foundation of China(42201447)

Fold

摘要

探明土壤镉（Cd）在不同空间位置的影响因子和污染来源，对于防控土壤Cd污染、保障粮食安全和城市居民健康有重要意义。多尺度地理加权回归（Multi-scale Geographically Weighted Regression，MGWR）在传统地理加权回归模型的基础上考虑了不同解释变量的差异化作用尺度，是识别目标变量局部影响因子的有效方法，但尚未应用于土壤重金属污染研究。因此，本研究在武汉市黄陂区采集了110个土壤样本，通过对多元线性回归、地理加权回归和MGWR进行模型评估来验证MGWR的有效性，进而使用MGWR模型探究Cd与11个解释变量间的空间异质关系，据此确定各点位Cd的影响因子和污染来源，最后结合污染现状和来源划定4类Cd污染风险区，提出相应的Cd污染管控措施。研究结果可以概况为3点：① 模型评估的结果表明MGWR模型最优，其建模R2为0.733； ② MGWR结果显示不同解释变量的有效带宽差异较大。此外，从整体上看，pH、黏粒含量和地形湿度指数是Cd空间分布的主要影响因子，城镇化和土壤母质是Cd的主要来源；从各点位来看，不同空间位置Cd的局部影响因子和主要来源差异较大； ③ 研究区55.5%的样本存在Cd污染；结合污染源类型和污染情况划定了高、中高、中、低4类风险区，并分别提出Cd污染防控建议。本研究证实了MGWR模型的有效性和考虑解释变量差异化带宽的必要性，研究成果可以为其他地区土壤重金属污染的局部影响因子探究、污染来源确定和防控措施制定提供参考。

关键词： 土壤镉污染; 多尺度地理加权回归模型; 空间异质性关系; 局部影响因子; 污染来源; 风险区划定。

本文引用格式

吴子豪 , 刘耀林 , 冯向阳 , 陈奕云 , 闫庆武 . 基于多尺度地理加权回归的土壤镉污染局部影响因子分析[J]. 地球信息科学学报, 2023 , 25(3) : 573 -587 . DOI: 10.12082/dqxxkx.2023.220681

Abstract

Identifying the local influencing factors and main pollution sources of Cadmium (Cd) in soil is of great significance for controlling soil Cd pollution, ensuring food security, and protecting urban residents' health. Based on the Geographically Weighted Regression (GWR), Multi-scale Geographically Weighted Regression (MGWR) takes into account the differential optimal bandwidth of different explanatory variables. It is considered to be an effective method to identify the local dominant factors of target variables but has not been applied to the study of soil heavy metal pollution. Therefore, using 110 sampling points collected from Huangpi District of Wuhan City, we examined the effectiveness of Multi-scale Geographically Weighted Regression (MGWR) by comparing the model performance of multiple linear regression, i.e., GWR and MGWR. Then the MGWR model was used to explore the spatial heterogeneous relationship between Cd and explanatory variables, and thus determine the influencing factors and main pollution sources of Cd at each point. Finally, four levels of Cd pollution risk areas were defined according to the pollution status and sources, and corresponding Cd pollution control measures were proposed. The results of model evaluation showed that the MGWR outperformed other models with highest R2 (0.733) and Log-likelihood, and lowest AIC and Moran’s I value of regression residuals. The results of MGWR exhibited that the optimal bandwidth of different variables varied greatly. The results also revealed that on the whole, pH, clay content, and topographic wetness index were the main factors affecting the spatial distribution of Cd, while urbanization and soil parent materials were the main sources of Cd. The local main influencing factors and sources of Cd at different locations were quite different: the main influencing factors of Cd at most locations were natural factors, and a few locations were dominated by human activities and natural factors. In total, 55.5% of the samples in the study area were contaminated with Cd. According to the pollution sources and conditions, four level risk areas of high, medium-to-high, medium, and low were defined, and suggestions for Cd pollution control in each area were also given. This study confirms the effectiveness of the MGWR model and the necessity of considering the differential bandwidth of explanatory variables. The findings provide a reference for the exploration of local influencing factors of heavy metal pollution, the determination of pollution sources, and the formulation of pollution control measures in other areas.

Key words： Cadmium pollution in soil; multi-scale geographically weighted regression model; spatial heterogeneous relationship; local influencing factor; pollution sources; risk area stratification

1 引言

近年来，快速城镇化和工业化导致的土壤重金属污染威胁着我国粮食安全和居民身体健康[1-2]。全国污染调查公报（2014）显示，镉（Cd）的土壤点位超标率为7%，是中国土壤污染最严重的重金属；北京[3]、上海[4]、广州[5]、深圳[6]、西安[7]等我国重要城市的土壤中均发现Cd污染。因此，探明土壤Cd的主要来源和影响因子对于防控土壤污染、保障粮食安全和居民健康有重要意义。
学者们使用地理探测器、多元线性回归（Multiple Linear Regression，MLR）和机器学习算法等探究了Cd与环境因子之间的线性/非线性关系[8⇓⇓-11]，发现Cd污染的来源主要包括工业生产、城镇化、农业生产和自然来源[12-13]。然而，这些模型都是全局模型，未考虑Cd与解释变量间关系的空间异质性，导致模型在景观空间异质性较强的大尺度区域的参数估计有偏；此外，这些全局模型获得的是Cd与解释变量在整个研究区的平均关系，难以为局部区域Cd污染防控提供科学依据。
地理加权回归（Geographically Weighted Regression，GWR）是一种局部空间回归模型，可以确定不同空间位置土壤重金属污染的局部影响因子[14]。许多研究使用GWR模型证实了土壤重金属与环境变量间的关系存在空间异质性[15-16]。然而，GWR假定所有解释变量的最优带宽相同，忽视了不同因子的差异化作用尺度，导致参数估计有偏。2017年，Fotheringham等在GWR的基础上提出了顾及自变量差异化空间带宽的多尺度地理加权回归模型（Multi-scale Geographically Weighted Regression，MGWR），成为揭示环境因子影响力和作用范围的有效手段[17]。近年来，MGWR模型已成功应用于住宅价格[18]、城市交通[19]和热岛效应[20]影响机制分析，但还未应用于土壤重金属污染探究。此外，如何利用GWR/MGWR获得的空间异质性关系制定区域Cd污染防控策略也还有待探究。
武汉市黄陂区近年来正经历快速城镇化和工业化，既有一定比例的建成区，又有大面积的农业和自然景观。已有研究发现黄陂区土壤Cd含量超过土壤背景值[21]，但尚未探明该区域Cd的局部影响因子，也未提出局部区域Cd污染防控措施。针对上述研究不足，本研究采集了黄陂区110个土壤Cd样本，通过对MLR、GWR和MGWR进行模型评估来检验MGWR的有效性，进而使用MGWR模型探究Cd与11个解释变量间的空间异质关系，据此确定各点位Cd的影响因子和污染来源，最后结合污染现状和来源划定4类Cd污染风险区，提出相应的Cd污染管控措施。

2 材料与方法

2.1 研究区概况

黄陂区位于湖北省武汉市北部（30°21′N— 30°41′N, 114°8′E—114°37′E）（图1），辖区面积约为2256.70 km2。黄陂区北接大别山南麓，南邻长江，整体地势北高南低，海拔在16~874 m之间，地貌以丘陵和平原为主。所属区域为典型亚热带季风气候区，年均降水量约1200 mm，年均气温16.7 ℃。该区域土壤肥沃、光照充足、雨量充沛，是武汉市重要的农业生产基地，耕地面积达到524.4 km2，其粮食和蔬菜产量分别占武汉市总产量的36.3% 和31.2%。近年来，黄陂区正经历快速城镇化和工业化，这些举措带来经济快速发展的同时，也对黄陂区土壤安全造成威胁。
图1 研究区位置和采样点空间分布

Fig. 1 Location of study area and spatial distribution of sampling points

2.2 数据收集和预处理

2.2.1 土壤采样点数据

土壤样本的采集时间为2014年6月，使用随机采样法布设样点，尽可能保证样点覆盖整个研究区，共采集110个土壤样本，其中水田28个，水浇地72个，草地10个。在采集时，使用木铲从每个点位1 m2的范围内收集5个表土样本（0~20 cm），充分混合后，将500 g混合土样装入自封袋，作为一个土壤样本。土壤样本在恒温箱（20~25 ℃）中风干14 d后，充分碾碎研磨，使其通过2 mm尼龙筛，在经过HNO3和HCl溶液消解后，使用石墨炉原子吸收分光光度法测定Cd含量。有效磷含量采用碳酸氢钠浸提为钼锑抗比色法测定。

2.2.2 潜在影响因子获取

本研究从Cd在土壤中的集聚过程出发，从污染来源和迁移累积过程2个方面选取潜在影响 因子[22-23]。其中，研究区潜在污染来源包括工业生产、城镇化、农业生产和自然来源，量化指标为到工业企业距离（Distance from the Industrial Enterprises，Dis_IE）、人口密度（Population Density，PD）、道路密度（Road Density，RD）、到加油站距离（Distance from the Gasoline Stations，Dis_GS）、土地利用类型（Land Use，LU）、有效磷含量（Available Phosphorus，AP）、土壤类型（Soil Type，ST）。此外，当污染排放后，Cd元素会随着大气沉降和径流等迁移过程在空间上重分配，最终在吸附能力强的土壤中集聚。其中，影响Cd迁移和积累过程的环境因子主要包括pH、土壤有机质（Soil Organic Matter，SOM）、地形湿度指数（Topological Wetness Index，TWI）、黏粒含量（Clay content，Clay）（表1），它们的空间分布状况见图2。
表1 Cd空间分布的潜在影响因子

Tab. 1 Potential influencing factors of Cd spatial distribution

方面 类型 潜在影响因子 数据来源和链接
污染来源 工业生产 到工业企业距离（Dis_IE） 武汉市测绘研究院，数据暂不对外公开
城镇化 人口密度（PD）、道路密度（RD）、到加油站距离（Dis_GS）
武汉市测绘研究院，数据暂不对外公开
农业生产 土地利用类型（LU）
武汉市测绘研究院，数据暂不对外公开
有效磷含量（AP） 实测数据
自然来源 土壤类型（ST） SoilGrids数据库， https://soilgrids.org/
迁移累积过程 环境因子 黏粒含量（Clay） SoilGrids数据库， https://soilgrids.org/
pH、土壤有机质（SOM） 国家地球系统科学数据中心， http://soil.geodata.cn/ztsj.html
地形湿度指数（TWI） 地理空间数据云， http://www.gscloud.cn/
图2 解释变量空间分布

Fig. 2 Spatial maps of explanatory variables

武汉市2014年的工业企业和加油站的空间位置信息（图2(a)）、道路密度（图2(a)）和人口密度（图2(b)）的空间分布数据（社区尺度）、土地利用空间分布图（图2(c)）由武汉市测绘研究院提供。土壤类型和黏粒含量的空间分布图（250 m分辨率，图2(d)和2(g)）由SoilGrids数据库下载得到（https://soilgrids.org/），其土壤类型遵循WRB分类体系；pH和土壤有机质含量的空间分布图（90 m分辨率，图2(e)和图2(f)）在国家地球系统科学数据中心下载得到（http://soil.geodata.cn/ztsj.html）；地形湿度指数（图2(h)）是在DEM数据的基础上计算得到[24]，表征区域的径流流向和蓄积能力。在ArcGIS 10.2软件平台计算得到各采样点到工业企业和加油站的距离，并将其他潜在影响因子的数值赋给采样点。

2.3 研究方法

2.3.1 全局莫兰指数分析

因变量存在空间自相关性是使用空间回归模型的基础。全局莫兰指数（Moran' I）是检验变量是否存在显著空间自相关性的有效工具[25]，其公式如下：
I = ∑ i = 1 n ∑ j = 1 n w i j ( y i - y - ) ( y j - y - ) / ∑ i = 1 n ∑ j = 1 n w i j ∑ i = 1 n ( y i - y - ) 2
式中： y i、 y j分别是第i、j个点的观测值； y -是所有点位的观测值均值； w i j是各点位基于距离的空间权重矩阵。全局莫兰指数在Geoda软件平台（1.16版本）计算得到，若其结果显著，则可以使用GWR或MGWR模型，否则使用多元线性回归模型。此外，检验回归方程残差的空间自相关性是评估建模效果的重要指标，良好的回归模型可以捕捉因变量的空间依赖特征，使得回归方程残差不再具有空间自相关性，而呈现空间随机分布。

2.3.2 地理加权回归

地理加权回归是一种常用的局部空间回归模型[14,26]。它通过在每个观测点处建立局部回归方程，来探究自变量对因变量影响的空间异质性。GWR在坐标为 u i , v i的第i个观测点处的表达式为：
y i = β 0 u i , v i + ∑ i = 1 m β j u i , v i x i , j + ε i
式中： y i是因变量； x i , j是点i处的j个解释变量， β j u i , v i是在 u i , v i处第j个自变量的回归系数； ε i是随机误差项。这些参数使用加权最小二乘估计获取。带宽是GWR模型的重要参数，它表征了自变量对因变量的作用尺度。需要注意的是，GWR和MGWR模型中提及的作用“尺度”，并非传统数据统计单元相关的幅度或粒度概念，而是专指用于估计统计量的空间数据范围。然而，GWR模型假定各自变量的有效带宽相同，这忽视了不同变量作用尺度的差异，降低了模型结果的可靠性。

2.3.3 多尺度地理加权回归

2017年，Fotheringham等在GWR基础上赋给不同自变量差异化的带宽，来描述不同自变量的差异化作用尺度，即MGWR模型[17]。MGWR在坐标为 u i , v i的第i个观测点处的表达式为：
y i = β 0 u i , v i + ∑ j = 1 m β b w , j u i , v i x i , j + ε i
式中： β b w , j代表自变量的差异化带宽，其他符号的意义与式（2）相同。MGWR在模型参数估计时，先将参数预设为GWR模型的参数，再使用向后拟合算法（Back-fitting）对模型参数进行校正。本研究中，由于采样点分布不均匀，因此使用自适应双平方核函数（adaptive bisquare）来计算各变量的最优带宽。此外，由于使用CV准则会导致带宽值偏小，使得回归函数的估计值偏差减小、方差增大，从而易导致过拟合现象，因此使用AICc准则确定GWR和MGWR的最优带宽。
本研究中，MLR、GWR和MGWR模型用于探究Cd与解释变量间的定量关系，它们的建模和参数拟合均在MGWR软件平台完成（2.2版本）。使用对数似然函数Log-likelihood、赤池信息准则AIC、决定系数R2和残差莫兰指数（Moran’I）来评估模型的拟合效果，拟合效果好模型的AIC和残差莫兰指数值低，而Log-Likelihood和 R 2高。
由于土壤类型和土地利用是类别变量，需要将它们转换为哑变量才能输入回归方程。具体转换规则如下：设农田的值为1，草地作为参照组，其值为0；将土壤类型转换为4个哑变量，淋溶土作为参照组，转换规则如表2所示。
表2 土壤类型转换为哑变量的规则

Tab. 2 Rules for converting soil types into dummy variables

土壤类型 土壤类型哑变量
ST1 ST2 ST3 ST4
始成土 1 0 0 0
潜育土 0 1 0 0
冲积土 0 0 1 0
黏盘土 0 0 0 1
淋溶土 0 0 0 0

3 结果及分析

3.1 Cd污染现状及空间分布

3.1.1 描述性统计

研究区Cd和AP的描述性统计信息见表3。Cd含量介于0.055~1.422 mg/kg之间，其中位数和均值分别为0.345 mg/kg和0.378 mg/kg，变异系数为62.9%，属于中等变异，这些结果表明Cd数据的离散程度较低，空间异质性中等。有效磷含量介于0.661~302.705 mg/kg之间，其中位数和均值分别为16.07 mg/kg和39.410 mg/kg，差异较大，变异系数为157.5%，属于高度变异，这些结果表明有效磷含量的离散程度高、空间异质性强。
表3 Cd和有效磷含量的描述性统计结果

Tab. 3 Descriptive statistical results of Cd and available phosphorus

实测元素 最小值 中位数 最大值 均值±标准差 变异系数/%
Cd/（mg/kg） 0.055 0.345 1.422 0.378±0.238 62.9
有效磷/（mg/kg） 0.661 16.070 302.705 39.410±62.053 157.5

3.1.2 方差分析

使用单因素方差分析探究Cd在不同土地利用和土壤类型间的差异（表4），结果表明，Cd在不同土壤类型和土地利用间的存在差异，但均未达到显著差异（p > 0.05）。两两比较的结果显示，始成土中的Cd含量高于潜育土，显著高于冲积土、黏盘土和淋溶土；水田和水浇地中的Cd含量相同，均高于草地，但未达到0.05显著水平。由于水田和水浇地的Cd含量相同，在后续研究中将它们合并为农田类别。
表4 单因素方差分析结果

Tab. 4 Results of one-way ANOVA

土壤类型 Cd含量/
（mg/kg）		 土地利用类型 Cd含量/
（mg/kg）
始成土 0.513a 水田 0.388a
潜育土 0.395ab 水浇地 0.388a
冲积土 0.380b 草地 0.275a
黏盘土 0.323b
淋溶土 0.247b

注：P>0.05，a、b表示显著差异。

3.1.3 Cd污染空间格局

将实测Cd含量与《土壤环境质量-农用地土壤污染风险管控标准(试行)(GB15618-2018)》[27]对照后发现，共有61个点，即55.5%点位的Cd含量超过了污染风险筛选值，表明这些样点的农作物生长环境可能存在风险，需要加强土壤环境监测和农产品协同监测；图3显示，它们主要分布于黄陂区的南部和中部。其它49个点的Cd含量未达到风险筛选值，表明其土壤环境较为安全，这些样点主要分布于研究区中北部。
图3 Cd含量和污染情况空间分布

Fig. 3 Spatial distribution map of Cd content and pollution

3.2 模型比较

3.2.1 模型构建和评估

空间自相关分析结果显示，Cd数据集的全局莫兰指数值为0.510 (p < 0.001)，表明Cd的分布具有显著的空间自相关性，可以用于GWR和MGWR模型构建；多重共线性检验结果表明，MLR、GWR和MGWR模型中解释变量间均不存在全局多重共线性，可以直接进行建模。它们的模型评估结果见 表5。Log-Likelihood、AIC、R2和残差Moran’I的结果均表明，MGWR优于GWR，而GWR优于MLR。从R2结果来看，MGWR的建模R2达到0.733，相比于GWR有较大提升，远优于MLR。从残差 Moran's I来看，GWR相比于MLR降低了残差的空间自相关性，但仍然有显著的空间依赖特征；而MGWR更好地捕捉了Cd的空间自相关特征，其残差Moran's I不显著。综上，MGWR是最优模型。
表5 模型评估结果

Tab. 5 Model evaluation results

模型 Log-likelihood AIC R2 残差Moran's I
MLR -133.652 297.304 0.335 0.245 (p < 0.01)
GWR -115.777 283.504 0.519 0.174 (p < 0.05)
MGWR -108.516 242.225 0.733 -0.058 (p > 0.05)

3.2.2 解释变量最优带宽

GWR和MGWR模型中解释变量的最优带宽见表6。GWR模型中，解释变量的最优带宽均为106，接近总样本数110，表明各变量的平均作用范围接近全局尺度，因此使用局部回归模型GWR相比于全局模型MLR的提升较小。MGWR 的结果显示，不同解释变量的最优带宽差异较大：TWI、RD、Dis_GS的最优带宽较小，分别为44、48和52，表明它们对Cd的作用尺度相对较小；黏粒含量和土地利用的带宽略高，分别为70和78；其他变量的最优带宽均大于104，接近全局尺度。
表6 GWR和MGWR模型解释变量的最优带宽

Tab. 6 Optimal bandwidth of explanatory variables for GWR and MGWR models

解释变量 GWR带宽 MGWR带宽 解释变量 GWR带宽 MGWR带宽
Dis_IE 106 106 ST2 106 108
RD 48 ST3 108
PD 106 ST4 108
Dis_GS 52 Clay 70
AP 104 pH 106
LU 78 SOM 104
ST1 108 TWI 44

注：Dis_IE：到工业企业距离；RD：道路密度；PD：人口密度；Dis_GS：到加油站距离；AP：有效磷含量；LU：土地利用；ST1-4：土壤类型的哑变量；Clay：黏粒含量；SOM：土壤有机质含量；TWI：地形湿度指数。

3.3 MGWR模型解释变量回归系数及空间分布

3.3.1 标准化回归系数描述性统计

模型评估结果表明MGWR模型最为可靠，因此本节仅展示MGWR中解释变量标准化回归系数的结果（表7）。系数的标准差可以反映Cd与解释变量关系的变异程度，结果表明到加油站距离、道路密度、TWI、黏粒含量的标准差较大，而其它解释变量系数的变异程度较小。从系数均值的绝对值来看，对Cd整体影响最大的3个因子依次是黏粒含量、TWI和pH；从中位数的绝对值来看，对Cd整体影响最大的3个因子依次是pH、TWI和黏粒含量。上述结果表明pH在不同点位对Cd的影响较大且波动较小，而黏粒含量和TWI在部分点位对Cd影响的空间异质性较强：在部分点位的影响很高，而在部分点位的影响相对较小。从显著性看，仅pH在所有点位处对Cd有显著影响，黏粒含量、TWI、土地利用、到加油站距离、道路密度、SOM、到工业企业距离7个因子在部分点位对Cd有显著影响，而有效磷含量、人口密度和土壤类型对Cd的影响在所有点位均不显著。综上，总体来看pH、黏粒含量和TWI是对Cd空间分布影响最大的3个因子，而人类活动因子的影响相对较小。
表7 MGWR 模型各解释变量标准化回归系数的描述性统计结果

Tab. 7 Descriptive statistical results of standardized regression coefficients of explanatory variables for MGWR model

解释变量 均值 标准差 最小值 中位数 最大值 显著个数
Dis_IE -0.137 0.046 -0.209 -0.133 -0.068 10
Dis_GS -0.117 0.234 -0.601 -0.043 0.180 31
RD 0.181 0.199 0.035 0.109 0.679 24
PD -0.082 0.032 -0.141 -0.061 -0.052 0
AP 0.049 0.047 -0.054 0.068 0.109 0
LU 0.099 0.100 -0.116 0.135 0.201 36
ST1 0.155 0.005 0.145 0.152 0.167 0
ST2 0.096 0.038 0.035 0.106 0.147 0
ST3 0.096 0.005 0.088 0.095 0.106 0
ST4 0.087 0.020 0.056 0.085 0.119 0
Clay 0.282 0.410 -0.158 0.186 1.057 51
pH 0.249 0.040 0.205 0.227 0.325 110
SOM 0.102 0.052 0.023 0.113 0.170 18
TWI 0.252 0.243 -0.091 0.189 0.754 37

注：Dis_IE：到工业企业距离；RD：道路密度；PD：人口密度；Dis_GS：到加油站距离；AP：有效磷含量；LU：土地利用；ST1-4：土壤类型的哑变量；Clay：黏粒含量；SOM：土壤有机质含量；TWI：地形湿度指数。

3.3.2 回归系数的空间异质性

MGWR模型的局部R2和各解释变量标准化回归系数的空间分布状况见图4（仅展示显著系数），可以发现这些因子均具有较强的空间异质性。局部R2介于0.657~0.804之间，总体呈自北向南逐渐递减的趋势。到工业企业距离和到加油站距离均与Cd呈负相关，不同的是，到工业企业距离的系数仅在研究区中部少量点位处显著，显著系数的范围在-0.194~-0.209之间，波动较小；而到加油站距离的系数在研究区北部显著，系数值自西向东递减，系数值介于-0.247~-0.601之间。道路密度的系数为正，系数值范围在0.387~0.679之间，这些显著点位主要分布在研究区北部。土地利用的系数为正，表明农田Cd含量显著高于草地，与表4中的结果一致，系数值介于0.169~0.201之间，整体从东北向西南方向递减，但整体波动较小。
图4 MGWR模型标准化回归系数空间分布

Fig. 4 Spatial distribution of standardized regression coefficients for MGWR model

环境因子中，pH在整个研究区都与Cd呈显著正相关，系数值介于0.205~0.325，整体呈自北向南递减的趋势，空间异质性相对较小。SOM仅在南部少量点位处与Cd呈显著正相关，系数值介于0.156~0.170之间，波动较小。黏粒含量较为特殊，它在研究区中部与Cd呈显著正相关，系数值介于0.352~1.057之间，波动剧烈；而它在研究区南部与Cd呈显著负相关，系数值介于-0.140~-0.158之间，波动较小。TWI在研究区北部与Cd呈显著正相关，系数值在0.256~0.754之间，整体呈自北向南快速递减的趋势，空间异质性强烈。

3.4 各点位局部影响因子

按照MGWR模型中解释变量在各点位标准化回归系数的绝对值进行排序，确定数值最高、第二高的解释变量，即为该点位的首要和第二影响因子，如图5(a)和图5(b)所示。各点位首要影响因子主要有pH、黏粒含量、TWI和道路密度，其中自然因子为首要影响因子的点占总数的96.4%，而人类活动为首要因子的点仅占总数的3.6%。第二重要的影响因子中，自然因子仍然占据绝大多数，TWI、pH、黏粒含量、土壤类型和SOM共有91个点，占总数的82.7%；人类活动包括到加油站距离、道路密度、农业土地利用，点的数量总计为19个，占总数的17.3%。综上，研究区各点位的主要影响因子以土壤属性为主，且不同点位间主要影响因子的差异较大。
图5 各点位主要影响因子的空间分布

Fig. 5 Spatial distribution of main influencing factors at each point

3.5 各点位主要污染来源和风险区划分

根据标准化回归系数的绝对值的排序结果（不包括环境因子），以及表1中污染源与解释变量的对应关系，确定各点位的首要污染源为人为来源（工业生产、城镇化、农业生产）或自然来源，并将其空间分布展示在图6(a)中。结果表明，有49个点位的首要污染源来自城镇化，占总点位数的44.5%；其次是自然来源，共有44个点，占总数的40%；而以工业生产和农业生产为首要污染源的点位相对较少，分别为13和4个，占总数的11.9%和3.6%。
图6 各点位Cd首要污染源类型及Cd污染风险区划分

Fig. 6 Primary pollution source of Cd at each point and stratification of Cd pollution risk area

根据各点位首要污染源类型（图6(a)）和污染情况（图3(b)）划定Cd污染风险区，具体分区规则见表8。高风险区包括33个点，占总数的30%，该区域Cd污染超标，且主要是人为来源，Cd的生物可获取性和可溶解性较高，对人体健康有更大的威胁，因此根据该点位首要污染源进行农药使用、污水灌溉、周边工业或城镇化污染等源头管控的基础上，按照Cd污染严重程度进行植被种植、使用钝化剂、客土法等修复措施[28-29]。中高风险区共28个点，占总数的25.5%，该区域Cd已超标，但考虑到自然来源的Cd可交换态比例和毒性相对较低，可以在后续测量Cd组分后，根据可交换态Cd含量确定修复措施。中风险区共33个点，占总数的30%，该区域Cd含量未超标，但由于Cd主要是人为来源，Cd的活性和毒性较高，因此在源头管控的基础上，需要定期监测Cd积累速率，防止发生污染。低风险区共16个点，占总数的14.5%，该区域Cd含量未超标，且主要是自然来源，生物可获取性和毒性低，因此土壤环境较为安全，只需定期进行Cd含量监测即可。
表8 Cd污染风险区划分规则

Tab. 8 Stratification rules of Cd pollution risk area

风险区类型 Cd含量是否超标 Cd首要来源 防治措施
高风险区 超标 人为来源 根据首要污染来源进行管控，并根据污染严重程度由轻到重进行植被修复、钝化剂修复、客土法修复
中高风险区 超标 自然来源 测量Cd各组分含量后确定修复措施
中风险区 未超标 人为来源 根据首要污染来源进行管控，并进行定期监测。
低风险区 未超标 自然来源 进行定期监测。

4 讨论

4.1 解释变量对Cd空间分布的影响

pH、TWI和黏粒含量等自然环境因子是研究区土壤Cd空间分布的主要影响因子。其中，pH通过影响团聚体对Cd2+离子的吸附能力来影响土壤Cd积累过程：当pH值较低时，大量H+离子与土壤中的CaCO3、Fe3O4等成分发生反应，促使Ca2+、Fe3+等离子进入土壤水中，与Cd2+发生竞争吸附作用，降低了团聚体对Cd2+的吸附能力，使得Cd元素可溶解性和生物可利用性增强，易于被植被吸收、淋溶或随径流迁移，导致该处土壤Cd含量降低[30]。TWI高的区域地形低洼，有利于地表径流的汇聚和径流中SOM和Cd的沉积，使得土壤Cd含量高[31]。相比于砂粒，Cd更容易被比表面积大、含有负电的黏粒吸附；随着土壤黏粒含量增多，土壤有机质络合、鳌合能力增强，有利于吸附Cd2+离子、降低其活性，土壤Cd含量随之增加[32]。因此，许多研究发现pH、TWI、黏粒含量和SOM均与土壤Cd含量呈正相关[33⇓-35]，这与本研究结果一致。此外，本研究还发现研究区南部黏粒含量与Cd含量呈显著负相关，这与马宏宏等[36]的研究结果一致，而与大多数研究结果相悖，这可能与该区域土壤Cd主要富集在粒径较大的Fe-Mn结核中有关[37]。
城镇化和自然来源是研究区Cd的主要来源。到加油站距离和道路密度研究区北部分别与Cd显著负相关和正相关，这可能是因为加油站附近和道路上车流量较大，而汽车在汽油燃烧、尾气排放、以及承轴、制动器和轮胎磨损的过程中产生了Cd污染。Li等[38]调查了西安市30个加油站周边的粉尘样本，发现Cd污染最重，其含量是背景值的15.62倍；张新调查了成都平原核心区Cd的影响因子，发现它与到道路距离呈显著负相关，而与道路密度呈显著正相关[39]。上述研究与本研究的结果一致，反映了城镇化因子，特别是车流量，对土壤Cd污染的作用。
土壤由母质在不同的环境下形成，因此土壤类型可以一定程度上反映Cd的自然来源。本研究结果表明不同土壤类型间Cd含量差异较大，其中始成土最高，位于研究区南部的冲积土和潜育土其次，它们的Cd均值已接近甚至超过Cd污染风险筛选值，而位于研究区中北部的黏盘土和淋溶土Cd含量较低。马振东等发现长江武汉段两岸存在Cd高值带，该高值带的Cd主要源自其母岩扬子陆块表壳岩系相对富Cd的岩石[37]；杨帆等进一步揭示该区域碱性土壤中Cd污染尤其严重[40]。这些研究与本研究结果一致，证实了自然来源对Cd空间分布的重要影响。
工业生产过程中会产生大量含有Cd的废气、废水和废渣，对土壤安全造成严重威胁；随着远离工厂，工业生产对土壤Cd含量的影响减弱[41]；本研究证实了到工业企业距离与土壤Cd含量呈负相关，但仅在少数点位显著。本研究中土地利用系数为正，表明农业生产导致了土壤Cd积累；前期调研结果显示当地农民有使用喷洒农药和使用地膜的种植习惯，同时媒体多次报道当地存在农田污水灌溉，因此推断使用农药、地膜和污水灌溉是导致造成农田土壤Cd污染的原因之一。与许多研究不同的是，本研究中速效磷含量对土壤Cd含量无显著影响，表明施用磷肥不是研究区农田Cd积累的主要原因。
然而，受数据可获取性的限制，本研究未考虑风向风速、土壤母质、粉粒和砂粒含量、施用农药、杀虫剂和有机肥等因子的影响；此外，研究区南部的局部R2低于中北部，这表明研究区南部可能还存在其他人为污染源，结合这些自然和人类活动因子有望进一步提升模型总体和局部R2。需要注意的是，尽管使用AICc准则估计有效带宽可以减轻GWR和MGWR模型的过拟合问题，但过拟合情况仍然可能存在，影响各解释变量的系数估计结果；当未来GWR和MGWR模型可以进行外部预测时，可通过预先设置验证集的方式检验模型估计是否存在过拟合情况。

4.2 尺度效应和空间异质关系

MGWR 的结果显示不同解释变量的最优带宽差异较大，即不同解释变量对Cd的作用尺度差异较大，这与解释变量的空间分异和自身性质有关[18]。例如，研究区北部、中部和南部的地形差异巨大，使得TWI的空间分布具有较强异质性，邻近点位间Cd与TWI的关系差异较大，因此TWI的有效带宽较小。道路密度和到加油站距离的有效带宽远小于到工业企业距离的带宽，这是因为交通排放的作用范围远小于工业生产。黄陂区北部以林地、农田为主，中部以农田为主，而南部以城市和农田为主，使得相邻点位的土地利用景观有差异，因此土地利用的有效带宽也未达到全局尺度。土壤属性，包括pH、SOM、土壤类型等的带宽接近全局尺度，这是因为这些土壤属性因素主要受成土因素影响，而成土因素中母质和气候因子在县区尺度的空间分异较小，作用尺度较大。
MGWR的结果还表明各解释变量与Cd的关系均存在空间异质性，这是因为Cd在土壤中的集聚过程受到人类活动和自然环境的共同影响，具有非平稳特征，而现有变量不足以完全解释Cd的非平稳过程，致使Cd与解释变量的关系存在空间异质性[17]。此外，各解释变量系数的变异程度与其作用尺度呈反比。例如到加油站距离、道路密度、TWI、黏粒含量系数的变异程度较高，但它们的作用尺度较小；而其它变量系数的变异程度较低，它们的作用尺度较大。这是因为变量的作用尺度越小，相邻点位空间权重矩阵的差异越大、相邻点位系数的差异越大，导致该变量系数在整个研究区内的波动越大。
模型评估结果表明MGWR优于传统GWR模型，即MGWR的参数估计结果更为可靠，证实了顾及差异化作用尺度和空间异质关系对于模型精度提升的重要性。此外，获取各解释变量的差异化带宽有助于理解不同尺度环境变量影响下的土壤Cd积累过程，而获得Cd与解释变量的空间异质关系有助于确定不同点位的Cd污染主要影响因子，进而制定针对性污染防控措施。本研究也可以为其他地区土壤重金属污染的局部影响因子探究、污染来源确定、风险区划分和防控措施制定提供参考。

5 结论

本研究使用MGWR模型探明了黄陂区土壤Cd的局部影响因子和污染来源，并据此划分了4类风险区，为局部区域Cd污染防控策略制定提供了科学依据，具体结论如下：
（1）模型评估结果表明MGWR模型的Log-likelihood、AIC、R2和残差Moran'I值相比于传统GWR模型分别提升了6.3%、14.6%、41.2%和66.7%，其建模R2达到0.733，证实了考虑空间异质性关系和解释变量差异化带宽的必要性和MGWR模型的有效性。
（2）MGWR结果显示，从整体上看，pH、黏粒含量和TWI是Cd空间分布的主要影响因子，城镇化和土壤母质是Cd的主要来源；从各点位来看，不同空间位置Cd的局部影响因子和主要来源差异较大。
（3）研究区55.5%的样本存在Cd污染；结合污染源类型和污染情况划定了高、中高、中、低四类风险区，并分别给出各区域Cd污染防控建议。
研究成果可以为其他地区土壤重金属污染的局部影响因子探究、污染来源确定、风险区划分和防控措施制定提供参考。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chen M, Zhang X H, Jiang P P, et al. Advances in heavy metals detoxification, tolerance, accumulation mechanisms, and properties enhancement of Leersia hexandra Swartz[J]. Journal of Plant Interactions, 2022, 17(1):766-778. DOI:10.1080/17429145.2022.2096266

DOI

[2]
彭驰, 何亚磊, 郭朝晖, 等. 中国主要城市土壤重金属累积特征与风险评价[J]. 环境科学, 2022, 43(1):1-10.

[Peng C, He Y L, Guo Z H, et al. Characteristics and risk assessment of heavy metals in urban soils of major cities in China[J]. Environmental Science, 2022, 43(1):1-10.] DOI:10.13227/j.hjkx.202103054

DOI

[3]
段续川. 北京市城郊土壤环境元素地球化学分布特征及源解析[D]. 北京: 中国地质大学(北京), 2021.

[Duan X C. Geochemical characteristics and source apportionment of environmental elements in soils in suburban areas of Beijing[D]. Beijing: China University of Geosciences, 2021.] DOI:10.27493/d.cnki.gzdzy.2021.001769

DOI

[4]
袁文悦. 上海城郊土壤及蔬菜重金属污染情况研究[D]. 上海: 上海交通大学, 2017.

[Yuan W Y. Study on heavy metals pollution in soil and vegetables in suburbs of Shanghai[D]. Shanghai: Shanghai Jiao Tong University, 2017.]

[5]
李志. 广州市灰尘、土壤重金属污染特征及其健康风险评估[D]. 广州: 广州大学, 2022.

[Li Z. Pollution characteristics and health risk assessment of heavy metals in dust and soil in Guangzhou[D]. Guangzhou: Guangzhou University, 2022.] DOI:10.27040/d.cnki.ggzdu.2022.001123

DOI

[6]
孙现领, 贾黎黎. 深圳杨梅坑地区岩石-土壤-植物系统中重金属元素的迁移特征[J]. 华南地质, 2020, 36(3):270-279.

[Sun X L, Jia L L. Migration characteristics of heavy metals in rock -soil -plant system in Yangmeikeng area, Shenzhen[J]. South China Geology, 2020, 36(3):270-279.] DOI:10.3969/j.issn.1007-3701.2020.03.008

DOI

[7]
庞龙. 西安城郊路边菜地土壤重金属污染研究[D]. 西安: 陕西师范大学, 2014.

[Pang L. Study on heavy metal pollution of vegetable soil in suburb of xi'an[D]. Xi'an: Shaanxi Normal University, 2014.]

[8]
郭佳, 靳少非, 王库. 城市快速扩张背景下城乡交错区土壤重金属的空间分布特征及影响因素分析[J]. 中国农学通报, 2022, 38(17):103-109.

DOI

[Guo J, Jin S F, Wang K. Spatial distribution characteristics and the impact factors of heavy metals in peri- urban soils under the background of fast urbanization[J]. Chinese Agricultural Science Bulletin, 2022, 38(17):103-109.] DOI:10.11924/j.issn.1000-6850.casb2021-0995

DOI

[9]
郭云开, 张思爱, 谢晓峰, 等. 基于GA-SVM的耕地土壤重金属含量高光谱反演方法的研究[J]. 土壤通报, 2021, 52(4):968-974.

[Guo Y K, Zhang S A, Xie X F, et al. The hyperspectral inversion method of heavy metal contents in cultivated soils based on GA-SVM[J]. Chinese Journal of Soil Science, 2021, 52(4):968-974.] DOI:10.19336/j.cnki.trtb.2020062201

DOI

[10]
Zeng J Q, Ke W S, Deng M, et al. A practical method for identifying key factors in the distribution and formation of heavy metal pollution at a smelting site[J]. Journal of Environmental Sciences, 2023, 127:552-563. DOI:10.1016/j.jes.2022.06.026

DOI

[11]
Wang L, Zhou Y, Liu J Y, et al. Exploring the potential of multispectral satellite images for estimating the contents of cadmium and lead in cropland: The effect of the dimidiate pixel model and random forest[J]. Journal of Cleaner Production, 2022, 367:132922. DOI:10.1016/j.jclepro.2022.132922

DOI

[12]
于旦洋, 王颜红, 丁茯, 等. 近十年来我国土壤重金属污染源解析方法比较[J]. 土壤通报, 2021, 52(4):1000-1008.

[Yu D Y, Wang Y H, Ding F, et al. Comparison of analysis methods of soil heavy metal pollution sources in China in last ten years[J]. Chinese Journal of Soil Science, 2021, 52(4):1000-1008.] DOI:10.19336/j.cnki.trtb.2020101202

DOI

[13]
Hou D Y, O'Connor D, Nathanail P, et al. Integrated GIS and multivariate statistical analysis for regional scale assessment of heavy metal soil contamination: A critical review[J]. Environmental Pollution, 2017, 231:1188-1200. DOI:10.1016/j.envpol.2017.07.021

DOI PMID

[14]
Fotheringham A S, Brunsdon C, Charlton M. Geographically weighted regression: the analysis of spatially varying relationships[M]. Chichester, England: John Wiley & Sons, 2002. DOI:10.1111/j.1538-4632.2003.tb01114.x

DOI

[15]
刘琼峰, 李明德, 段建南, 等. 农田土壤铅、镉含量影响因素地理加权回归模型分析[J]. 农业工程学报, 2013, 29(3):225-234,300.

[Liu Q F, Li M D, Duan J N, et al. Analysis on influence factors of soil Pb and Cd in agricultural soil of Changsha suburb based on geographically weighted regression model[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(3):225-234,300.] DOI:10.12082/dqxxkx.2019.180447

DOI

[16]
周晟哲. 城郊农用地重金属含量影响因子回归及空间预测[D]. 湘潭: 湘潭大学, 2021.

[Zhou S Z. Regression of influencing factors and spatial prediction of heavy metal content in suburban agricultural land[D]. Xiangtan: Xiangtan University, 2021.] DOI:10.27426/d.cnki.gxtdu.2021.000263

DOI

[17]
Fotheringham A S, Yang W B, Kang W. Multiscale geographically weighted regression (MGWR)[J]. Annals of the American Association of Geographers, 2017, 107(6):1247-1265. DOI:10.1080/24694452.2017.1352480

DOI

[18]
沈体雁, 于瀚辰, 周麟, 等. 北京市二手住宅价格影响机制——基于多尺度地理加权回归模型(MGWR)的研究[J]. 经济地理, 2020, 40(3):75-83.

[Shen T Y, Yu H C, Zhou L, et al. On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression: Scale law of spatial heterogeneity[J]. Economic Geography, 2020, 40(3):75-83.] DOI:10.15957/j.cnki.jjdl.2020.03.009

DOI

[19]
黄颙昊, 杨新苗, 岳锦涛. 基于多尺度地理加权回归模型的城市道路骑行流量分析[J]. 清华大学学报(自然科学版), 2022, 62(7):1132-1141.

[Huang Y H, Yang X M, Yue J T. Urban street bicycle flow analysis based on multi-scale geographically weighted regression model[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(7):1132-1141.] DOI:10.16511/j.cnki.qhdxxb.2022.26.014

DOI

[20]
陈卓伟, 邓昭华. 基于多尺度地理加权回归的广州主城区街区形态与热岛强度关系研究[J]. 智能建筑与智慧城市, 2021(10):13-17.

[Chen Z W, Deng Z H. Research on the relationship between block morphology and heat island intensity in guangzhou's main urban area based on multi-scale geographically weighted regression[J]. Intelligent Building ＆ Smart City, 2021(10):13-17.] DOI:10.13655/j.cnki.ibci.2021.10.003

DOI

[21]
Tadesse A W, Gereslassie T, Xu Q, et al. Concentrations, distribution, sources and ecological risk assessment of trace elements in soils from Wuhan, central China[J]. International Journal of Environmental Research and Public Health, 2018, 15(12):2873. DOI:10.3390/ijerph15122873

DOI

[22]
Yang J, Wang J Y, Qiao P W, et al. Identifying factors that influence soil heavy metals by using categorical regression analysis: A case study in Beijing,China[J]. Frontiers of Environmental Science & Engineering, 2020(3):1-14. DOI:10.1007/s11783-019-1216-2

DOI

[23]
Xu J, Xiao P. Influence factor analysis of soil heavy metal based on categorical regression[J]. International Journal of Environmental Science and Technology, 2022, 19(8):7373-7386. DOI:10.1007/s13762-021-03640-4

DOI

[24]
Cao S S, Lu A X, Wang J H, et al. Modeling and mapping of cadmium in soils based on qualitative and quantitative auxiliary variables in a cadmium contaminated area[J]. Science of the Total Environment, 2017, 580:430-439. DOI:10.1016/j.scitotenv.2016.10.088

DOI

[25]
茹少峰, 马茹慧. 黄河流域生态环境脆弱性评价、空间分析及预测[J]. 自然资源学报, 2022, 37(7):1722-1734.

DOI

[Ru S F, Ma R H. Evaluation, spatial analysis and prediction of ecological environment vulnerability of Yellow River Basin[J]. Journal of Natural Resources, 2022, 37(7):1722-1734.] DOI:10.31497/zrzyxb.20220705

DOI

[26]
Brunsdon C, Fotheringham A S, Charlton M E. Geographically weighted regression: A method for exploring spatial nonstationarity[J]. Geographical Analysis, 2010, 28(4):281-298. DOI:10.1111/j.1538-4632.1996.tb00936.x

DOI

[27]
中华人民共和国生态环境部和国家市场监督管理总局. GB 15618-2018,土壤环境质量-农用地土壤污染风险管控标准(试行)[S]. 北京: 中国标准出版社, 2018,1-7.

[Ministry of Ecology and Environment and State Administration of Market Supervision and Administration of the People's Republic of China. GB 15618—2018, Soil environmental quality-Risk control standard for soil contamination of agricultural land[S]. Beijing: China Standards Press, 2018,1-7.]

[28]
黄卫, 庄荣浩, 刘辉, 等. 农田土壤镉污染现状与治理方法研究进展[J]. 湖南师范大学自然科学学报, 2022, 45(1):49-56.

[Huang W, Zhuang R H, Liu H, et al. Recent advances of the current situation and remediation methods of cadmium contamination in paddy soil[J]. Journal of Natural Science of Hunan Normal University, 2022, 45(1):49-56.] DOI:10.7612/j.issn.2096-5281.2022.01.006

DOI

[29]
巩龙达, 陈凯, 李丹, 等. 复合钝化剂施用水平对镉污染农田土壤的修复效果[J]. 浙江大学学报(农业与生命科学版), 2022, 48(3):359-368.

[Gong L D, Chen K, Li D, et al. Remediation effects of mixed amendment at different application levels on cadmium-contaminated farmland soil[J]. Journal of Zhejiang University (Agriculture and Life Sciences), 2022, 48(3):359-368.] DOI:10.3785/j.issn.1008-9209.2021.05.172

DOI

[30]
王剑, 杨婷婷, 朱有为, 等. 田间条件下施用石灰石及调理剂降低土壤镉可提取性的效应[J]. 水土保持学报, 2021, 35(4):334-340,368.

[Wang J, Yang T T, Zhu Y W, et al. Effects of limestone and conditioner on reducing soil Cd extractability under field conditions[J]. Journal of Soil and Water Conservation, 2021, 35(4):334-340,368.] DOI:10.13870/j.cnki.stbcxb.2021.04.046

DOI

[31]
Agyeman P C, Khosravi V, Michael Kebonye N, et al. Using spectral indices and terrain attribute datasets and their combination in the prediction of cadmium content in agricultural soil[J]. Computers and Electronics in Agriculture, 2022, 198:107077. DOI:10.1016/j.compag.2022.107077

DOI

[32]
孙庆超, 王旭东, 乔建晨, 等. 不同质地土壤对镉的吸附特性及影响因子研究[J]. 土壤, 2020, 52(3):545-551.

[Sun Q C, Wang X D, Qiao J C, et al. Study on Cd adsorption characteristics and influencing factors of soils with different textures[J]. Soils, 2020, 52(3):545-551.] DOI:10.13758/j.cnki.tr.2020.03.018

DOI

[33]
高中原, 肖荣波, 王鹏, 等. 融合自然-人为因子改进回归克里格对土壤镉空间分布预测[J]. 环境科学, 2021, 42(1):343-352.

[Gao Z Y, Xiao R B, Wang P, et al. Improved regression kriging prediction of the spatial distribution of the soil cadmium by integrating natural and human factors[J]. Environmental Science, 2021, 42(1):343-352.] DOI:10.13227/j.hjkx.202005139

DOI

[34]
陈孜涵, 汪丙国, 赵建芳. 江汉平原旱地和水田土壤镉的吸附与解吸特征及影响因素[J]. 地球科学, 2022, 47(2):544-555.

[Chen Z H, Wang B G, Zhao J F. Adsorption and desorption characteristics of Cd in upland and paddy soil of Jianghan plain[J]. Earth Science, 2022, 47(2):544-555.] DOI:10.3799/dqkx.2021.108

DOI

[35]
Chen Z F, Zhang S, Geng W C, et al. Use of Geographically Weighted Regression (GWR) to reveal spatially varying relationships between Cd accumulation and soil properties at field scale[J]. Land, 2022, 11(5):635. DOI:10.3390/land11050635

DOI

[36]
马宏宏, 彭敏, 郭飞, 等. 广西典型岩溶区农田土壤-作物系统Cd迁移富集影响因素[J]. 环境科学, 2021, 42(3):1514-1522.

[Ma H H, Peng M, Guo F, et al. Factors affecting the translocation and accumulation of cadmium in a soil-crop system in a typical Karst area of Guangxi Province, China[J]. Environmental Science, 2021, 42(3):1514-1522.] DOI:10.13227/j.hjkx.202007138

DOI

[37]
马振东, 张德存, 闭向阳, 等. 武汉沿长江、汉江Cd高值带成因初探[J]. 地质通报, 2005, 24(8):740-743.

[Ma Z D, Zhang D C, Bi X Y, et al. Origin of cadmium high-value zones along the Yangtze River and Hanjiang River in Wuhan, Hubei, China[J]. Regional Geology of China, 2005, 24(8):740-743.] DOI:10.3969/j.issn.1671-2552.2005.08.011

DOI

[38]
Li X P, Shi X M, Wang A, et al. Heavy metals contamination and assessment in gas station dust of Xi’an, a mega-city of China[J]. Environmental Earth Sciences, 2017, 76(7):288. DOI:10.1007/s12665-017-6582-0

DOI

[39]
张新. 平原区土壤重金属镉空间分布预测方法研究[D]. 雅安: 四川农业大学, 2016.

[Zhang X. Study on prediction method of spatial distribution of heavy metal cadmium in plain soil[D]. Yaan: Sichuan Agricultural University, 2016.]

[40]
杨帆, 郝志红, 张舜尧, 等. 长江武汉段冲积土壤中重金属的环境地球化学特征[J]. 地质学报, 2016, 90(8):1955-1964.

[Yang F, Hao Z H, Zhang S Y, et al. Environment geochemistry of heavy metals in the alluvial soils of Yangtze River in Wuhan City[J]. Acta Geologica Sinica, 2016, 90(8):1955-1964.] DOI:10.3969/j.issn.0001-5717.2016.08.023

DOI

[41]
Guo G H, Li K, Zhang D G, et al. Quantitative source apportionment and associated driving factor identification for soil potential toxicity elements via combining receptor models, SOM, and geo-detector method[J]. Science of the Total Environment, 2022, 830:154721. DOI:10.1016/j.scitotenv.2022.154721

DOI

Options
文章导航

/

〈 〉