下载:
-
近年来，随着城市化和工业化进程的加快，环境污染问题愈发严重，其中秋冬季节多地频发的雾霾天气使空气污染成为人们高度关注的重大问题[1]。目前，空气中悬浮的颗粒物不仅加剧城市“热岛效应”，影响气候变化，恶化人们生活环境，甚至还影响人类身体健康，引起呼吸系统和心脑血管系统疾病[2-3]。研究表明：园林植物能够有效吸滞空气中的微小颗粒，从而改善空气环境质量[4-6]。丁香是木犀科Oleaceae丁香属Syringa的落叶灌木或小乔木，其植株秀丽多姿，花色淡雅，花香怡人，抗逆性极强[7]，作为独特的观赏树种在西北园林中扮演着重要的角色。但是不同的树种综合滞尘能力均有差异，且关于园林植物的滞尘能力与调控机制的研究大多集中在不同城市常见园林植物[8-13]。XU等[14]研究表明紫丁香S. oblata对不同粒径颗粒物都表现出较强的吸滞能力，黄靖懿[15]对哈尔滨市12种常见树木滞尘能力进行研究发现丁香的滞尘能力可以排在第2位，于宁[16]对青岛市居住区19种主要灌木树种的滞尘能力等生态作用进行测定，发现丁香属植物具有较高的生态价值，可以较好地吸滞细颗粒物。丁香属很多分类群的性状变异非常复杂[17]，其单位叶面积和微形态结构都具有很大差异[18]，但是目前缺少对不同种丁香间的滞尘效应差异研究，因此，本研究测定6种丁香属植物在满叶期对不同粒径颗粒物的滞留量，分析评价丁香属植物对不同粒径颗粒物的滞留能力，同时通过扫描电镜对植物叶表面微观结构进行观察，探究微观结构对植物滞尘能力的影响，以期筛选出滞尘能力较强的丁香属植物，为丁香在城市绿化中的合理利用提供科学依据。
-
供试材料为6种丁香属植物(表1)叶片采自西北农林科技大学南校区，该地区属于暖温带半湿润气候区，年均降水量为637.6 mm，7—10月为多雨季节[19]，试验于2020年10月24日至11月2日进行。
表 1 6种丁香的基本情况
Table 1. Basic information of six species of Syringa
树种 株高/m 冠幅/m 周边环境 什锦丁香Syringa chinensis 2.75~3.45 2.40~3.35 道路(南)、道路(西) 欧丁香S. vulgaris 3.55~4.85 3.20~3.95 道路(东)、群植玉兰(南) 紫丁香S. oblata 3.70~4.65 3.05~4.02 道路和建筑(南)、雪松(西) 北京丁香S. pekinensis 4.50~5.50 3.97~5.03 道路(南)、群植金银木(北) 暴马丁香S. reticulata var. amurensis 4.75~5.78 4.04~5.15 道路(南)、群植金银木(北) 白丁香S. oblata var. alta 3.50~3.97 3.40~4.11 道路(东)、群植玉兰(南) 说明：玉兰Magnolia denudata，雪松Cedrus deodara，金银木Lonicera maackii 通过3级滤膜过滤法[20]进行6种丁香属植物叶面滞尘量的测定，并且使用扫描电镜[21]对丁香属植物叶片微观结构进一步观察。滤膜由北京海成世洁过滤器材有限公司提供。
-
采样日期选择在降雨后第7天(累积降雨量达27 mm以上)，采样时间段为9:00—11:00，采样高度离地面约2 m，选择3株生长状况一致的树种，在树冠外围东南西北共4个方位，上中下取健康完整叶片，每包叶片的采集面积控制在约200 cm2，重复3次，小心封样后立即带回实验室进行处理。
-
预处理微孔滤膜，即微孔滤膜材料均用蒸馏水充分浸泡24 h，于105 ℃下烘干至恒量，用万分之一天平称量待用。将采集的叶片材料浸泡2 h后，软毛刷清洗叶片正反面粉尘，洗涤3次，洗涤工具同样再冲洗3次，收集全部洗液待用，然后使用10.0、2.5、0.2 μm孔径的聚脂膜过滤，在恒温干燥箱干燥(60 ℃)后，用万分之一天平称量直至质量无变化。材料所吸附的各粒径颗粒物的质量为微孔滤膜过滤前后差值，将洗净的全部样品叶片贴于塑料板上，使用活体叶面积仪(LI-3000C)测单叶面积，样品总面积为植物单叶面积之和。计算各植物总悬浮颗粒物(TSP)、直径大于10.0 μm的颗粒物(PM＞10)、直径为2.5~10.0 μm的颗粒物(PM10)、直径为0.2~2.5 μm的颗粒物(PM2.5) 滞留量与叶片总面积的比例，得到单位叶面积上各粒径颗粒物的滞留量。
-
每种植物采集3片健康完整叶片，避开主叶脉随机切取5 mm×5 mm正方形，使用TM 3000台式扫描电镜观察叶表面微观结构并拍照，统计叶表皮气孔密度、气孔长度、宽度和沟槽宽度等数据。
-
采用Excel和SPSS 26.0对数据统计分析，使用Origin 2018作图。
-
由图1可知：不同种丁香对不同粒径颗粒物的滞尘能力存在显著差异(P＜0.05)，6种丁香单位叶面积滞尘能力从大到小依次为什锦丁香、北京丁香、欧丁香、华北紫丁香、暴马丁香、白丁香。什锦丁香的单位叶面积滞尘能力最强，单位叶面积TSP、PM＞10、PM10和PM2.5滞尘量均显著高于其他丁香(P＜0.05)，分别为2.13、1.31、0.82和0.44 g·m−2；北京丁香次之，单位叶面积TSP、PM10和PM2.5滞尘量除什锦丁香外均显著高于其他4种丁香(P＜0.05)，分别为1.53、0.79和0.37 g·m−2；欧丁香和紫丁香单位叶面积TSP、PM＞10、PM10之间无显著差异(P＞0.05)，欧丁香单位叶面积PM2.5滞尘量显著高于紫丁香(P＜0.05)；暴马丁香和白丁香最差，白丁香单位叶面积PM10和PM2.5滞尘量均最低，显著低于其他5种丁香(P＜0.05)，分别为0.23和0.14 g·m−2。
图 1 6种丁香属植物单位叶面积TSP、PM>10、PM10和PM2.5滞尘量
Figure 1. Amount of TSP，PM>10，PM10 and PM2.5 on unit leaf area of 6 species of Syringa
-
从图2可以看出：各丁香属植物叶片上表面滞留大粒径颗粒物较多，褶皱处密布粉尘颗粒物，说明叶片上表面是吸附颗粒物的主要部位。什锦丁香的滞尘能力最强，其叶片上表面沟槽明显，起伏程度较大，叶片下表面气孔周围褶皱密集，有助于滞留颗粒物；欧丁香上下表面都较粗糙，尤其是叶片上表面褶皱数量多且密，微小颗粒物被拦截在褶皱凹陷区域；紫丁香上表面沟槽较浅，下表面气孔突出，下表面颗粒物较少；北京丁香叶片上表面具有不规则的凸起，下表面粗糙，有利于滞留粉尘颗粒物；暴马丁香上表面较光滑平整，分布粉尘颗粒物较少，下表面气孔内陷；白丁香沟槽较浅，粉尘颗粒物附着能力较弱。综合来看，主要是叶片上表面承担滞留粉尘颗粒物的作用，什锦丁香叶片上表面的深沟壑有利于粉尘颗粒物的滞留，白丁香和暴马丁香的滞尘能力较差，因为其上表面结构较光滑平整，不易于滞留粉尘颗粒物。
图 2 6种丁香属植物叶表面微形态扫描电镜图
Figure 2. SEM images of particulate matter morphology on leaf surface of 6 species of Syringa
-
从表2可以看出：不同植物的叶表微观结构具有显著差异(P＜0.05)，北京丁香叶片下表皮气孔密度均显著高于其他5种丁香(P＜0.05)；欧丁香和白丁香的气孔长度显著高于什锦丁香、北京丁香、暴马丁香和紫丁香(P＜0.05)；紫丁香的气孔宽度均最低；什锦丁香和紫丁香的上表皮沟壑宽度最宽，什锦丁香下表皮沟壑宽度最宽。
表 2 6种丁香属植物叶片表面微结构参数
Table 2. Leaf surface structure parameters of 6 species of Syringa
树种 SD/(个·视野−1) SL/μm SW/μm GWU/μm GWL/μm UTSP/(g·m−2) UPM2.5/(g·m−2) 什锦丁香 20.00±2.00 cd 23.47±1.84 b 7.82±0.81 ab 7.79±0.72 a 3.43±1.31 b 2.13±0.09 a 0.44±0.04 a 欧丁香 21.30±0.58 cd 25.80±1.46 a 9.00±0.73 a 3.69±0.24 b 2.16±0.15 c 1.35±0.11 c 0.25±0.02 c 紫丁香 22.70±1.53 c 18.73±0.62 c 6.07±0.88 c 7.20±1.93 a 2.78±0.38 bc 1.37±0.06 bc 0.21±0.00 d 北京丁香 55.30±1.15 a 12.15±1.06 d 7.19±0.66 bc 3.05±0.46 b 3.82±0.35 ab 1.53±0.07 b 0.37±0.02 b 暴马丁香 31.30±2.08 b 16.70±1.56 c 7.50±0.50 b 0.00±0.00 c 2.35±0.26 c 0.91±0.15 d 0.19±0.01 d 白丁香 18.70±2.31 d 26.28±0.44 a 6.72±0.39 bc 3.01±0.52 b 4.88±0.41 a 0.80±0.03 d 0.14±0.01 e 说明：SD为下表皮气孔密度，在500倍视野下测量，SL为气孔长度，SW为气孔宽度，GWU为上表皮沟壑宽度，GWL为下表皮沟壑宽度，UTSP为单位叶面积总悬浮颗粒物滞留量，UPM2.5为单位叶面积PM2.5直径为0.2~2.5 μm的颗粒物滞留量。同列不同字母表示不同树种间差异显著(P＜0.05) 由表3可知：从相关系数来看，气孔宽度与UTSP和UPM2.5滞留量可达显著负相关，相关系数和显著性分别为R2=−0.676，P=0.016；R2=−0.679，P=0.015。但是Pearson法对两者进行相关性分析时，偏相关分析法可以有效控制其他相关量，从而排除其他因素的影响，从偏相关系数来看，叶表微结构(气孔密度、气孔长度、气孔宽度、上表皮沟壑宽度和下表皮沟壑宽度)与滞尘量(UTSP和UPM2.5)均未达显著相关(P＞0.05)。
表 3 6种丁香属植物叶表显微结构参数与滞尘能力之间的相关性
Table 3. Correlation between microstructure characteristics of leave surface and the dust detention ability of 6 species of Syringa
影响因素 UTSP UPM2.5 控制变量 相关系数 偏相关系数 相关系数 偏相关系数 SD −0.026 0.098 0.033 0.096 SL、SW、GWU、GWL SL 0.058 0.099 0.009 0.080 SD、SW、GWU、GWL SW −0.676* −0.676 −0.679* −0.657 SD、SL、GWU、GWL GWU 0.312 0.348 0.210 0.213 SD、SL、SW、GWL GWL 0.182 −0.089 0.212 0.005 SD、SL、SW、GWU 说明：SD为下表皮气孔密度，SL为气孔长度，SW为气孔宽度，GWU为上表皮沟壑宽度，GWL为下表皮沟壑宽度，UTSP为单位叶 面积总悬浮颗粒物滞留量，UPM2.5为单位叶面积PM2.5直径为0.2~2.5 μm的颗粒物滞留量。*P＜0.05 -
叶片表面粗糙程度、上下表面沟壑宽度、表皮毛数量、分泌物等因素都可以影响植物叶片吸滞粉尘颗粒物能力[6, 21-24]。本研究通过微观结构观察发现植物叶片主要是上表面承担滞留粉尘颗粒物的作用，这一结果与王蕾等[25]和石婕等[9]的研究结果相同。雨水冲刷、风等外力条件可以使植物滞留的粉尘颗粒被冲刷，起伏较深的沟壑可以有效吸附粉尘颗粒物[23]，因此什锦丁香叶片上表面的深沟壑有利于粉尘颗粒物的滞留，白丁香和暴马丁香的滞尘能力较差是因为其上表面结构较光滑平整，不易于滞留粉尘颗粒物。
目前，大多数滞尘微形态结构研究结果不尽相同，王蕾等[25]和刘璐等[26]研究发现：植物叶片气孔越大，滞尘能力越强。李艳梅等[21]研究表明气孔孔径与植物滞尘能力无显著关系。本研究分析丁香植物叶片微结构参数与滞尘相关性，发现气孔宽度与UTSP和UPM2.5达显著负相关，说明植物叶片气孔宽度越窄，植物滞尘能力越强，气孔宽度对植物滞尘具有重要作用，但是植物滞尘效应研究影响因素复杂，需要排除其他因素的影响。从偏相关系数来看，叶表微结构(气孔密度、气孔长度、气孔宽度、上表皮沟壑宽度和下表皮沟壑宽度)与滞尘量(UTSP和UPM2.5)均未达显著相关(P＞0.05)，该结果与王琴等[8]和李艳梅等[21]的研究结果不一致，说明叶片上下表皮沟壑宽度还未能显著影响丁香属植物滞尘效果，因此本研究所选定量指标并不是丁香属植物叶滞纳大气颗粒物的功能指标，沟壑深度可能是影响丁香属植物滞尘的因素之一，植物滞尘机制还需进一步研究，以探究出影响植株滞尘效应的调控机制[6]。
综上所述，什锦丁香在6种丁香属植物中单位叶面积滞尘能力最强，宜作为优良的园林滞尘灌木树种，在工业聚集区、校园、道路等地方广泛应用，具备观赏价值的同时，能有效减轻城市粉尘颗粒物污染，对增强环境效益和观赏性发挥积极作用；紫丁香、欧丁香适合种植在校园、居民居住区、商业街道等污染较轻的区域，在应对雾霾等严重的空气污染，滞留粉尘颗粒物能力表现比较优良；暴马丁香和白丁香的单位叶面积滞尘能力各方面都较弱，可以作为生态旅游区绿化树种。因此，在丁香配置种植时，需要因地制宜，实现园林植物调控空气污染颗粒物效益的最大化、最优化。
Dust-retention capability evaluation of six species of Syringa and their leaf surface micromorphology
-
摘要:
目的 筛选滞尘能力较强的丁香属Syringa植物，促进丁香在城市绿化中生态功能的发挥。 方法 以6种丁香属植物为研究材料，在满叶期通过3级滤膜过滤法测定植物经过不同孔径的滤膜后滞留的各直径颗粒物，并对丁香属植物叶表面微观结构进行观察，探究叶片微观结构对植物滞尘效应的影响。 结果 ①丁香属植物对不同粒径颗粒物的滞尘能力存在显著差异(P＜0.05)，对于满叶期，6种丁香单位叶面积滞尘能力从大到小排序为什锦丁香S. chinensis、北京丁香S. pekinensis、欧丁香S. vulgaris、紫丁香S. oblata、暴马丁香S. reticulata var. amurensis、白丁香S. oblata var. alta。②什锦丁香单位叶面积滞尘能力最强，通过微观结构观察发现什锦丁香叶片上表面沟槽纵深，下表面气孔周围褶皱密集，有助于滞留颗粒物。③从偏相关系数来看，叶表微结构各参数与单位叶面积总颗粒滞留量(UTSP)和直径为0.2~2.5 μm颗粒物滞留量(UPM2.5)均未达显著相关(P＞0.05)。 结论 沟槽的深度可能是影响植物滞尘的原因之一，在治理城市空气污染时，什锦丁香可作为优良的园林滞尘灌木树种。图2表3参26 Abstract:Objective This study is aimed to screen out Syringa plants with strong dust-retention capability so as to promote the ecological function of Syringa in urban greening. Method With six species of Syringa selected as the research materials, the three-layer filter method was first used to determine the particles of plants passing through filters with different pore sizes during the full-leaf period. Then the micromorphology of the leaf surface of the Syringa was observed before an investigation was conducted of the influence of the leaf micromorphology and the dust retention effect of the plant. Result (1) there were significant differences in the dust retention capabilities of Syringa plants(P＜0.05) with the order of the comprehensive dust-retention capability per unit leaf area of the 6 Syringa species for the full-leaf stage being S. chinensis＞S. pekinensis＞S. vulgaris＞S. oblata＞S. reticulata var. amurensis＞S. oblata var. alta. (2) it can be seen that S. chinensis had the strongest comprehensive dust-retention capability per unit leaf area whereas through microstructure observation, it was found that the upper surface of the assorted S. chinensis had deep grooves and dense folds around the stomata on the lower surface, which helps with the retention of particles. (3) from the perspective of the partial correlation coefficient, there isn’t a significant correlation (P＞0.05) between the leaf surface micromorphology parameters and the retention of dust (UTSP and UPM2.5). Conclusion The depth of the trench may be one of the factors that affect the dust retention of plants and S. chinensis is recommended as an excellent garden dust-retaining shrub specie and can be widely used to retent dust pollution. [Ch, 2 fig. 3 tab. 26 ref.] -
土壤是人类赖以生存的自然环境，也是农业生产的重要资源。然而，随着国民经济的加速发展，城市化、工业化进程的不断加快，农药、化肥的长期使用和污水灌溉等，农田土壤中的重金属不断累积，引发农田土壤重金属污染问题，导致农产品重金属积累和污染，并通过食物链进入人体，威胁人类的健康。农产品重金属污染问题变得越来越严峻[1-4]。土壤重金属污染具有隐蔽性、不可逆性和长期性的特点[5-6]，治理难度大。对土壤重金属污染状况进行监测，预防土壤重金属污染，开展土壤重金属污染农产品的风险评价极为重要，这也是国内外研究和社会关注的热点[7-9]。土壤重金属污染状况的正确评价可以为土壤安全利用、保障农产品安全生产及政府制定土壤保护政策等提供科学依据。评价土壤重金属污染的方法较多，常见的有内梅罗综合指数法、富集系数法、地累积指数法、潜在生态危害指数法等，迄今尚未形成一个成熟的方法和统一的标准[10-13]。水稻Oryza sativa是世界第二大粮食作物，也是中国第一大粮食作物。镉容易被水稻吸收，也是目前中国水稻生产中最主要的重金属污染元素[14]。在浙江省农产区不同土地利用类型中，稻田土壤中重金属平均含量最高[15]，但对稻米重金属污染状况的调查，特别是土壤和稻米协同采样的调查和污染评价研究却甚少[16]。嘉兴是浙江省杭嘉湖平原区重要产粮基地之一。已有文献报道：嘉兴市稻田土壤重金属总体状况良好，也存在着一些零星分布的土壤重金属超标区域，但尚未开展土壤-水稻系统协同采样和进行风险评价。基于此，本研究于2018年在水稻收获季，以已报道嘉兴市受重金属污染的稻田土壤区域及重点企业周边区域为主要对象，开展土壤-水稻样品协同采样，测定土壤和稻米中镉、铅、铬、砷等4种重金属元素质量分数，结合GB 15618−2018《土壤环境质量 农用地土壤污染风险管控标准(试行)》、GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》和GB 2762−2017《食品中污染物限量》，对土壤重金属污染状况和对水稻安全生产的污染风险进行评价，旨在进一步保护和利用土壤，为今后嘉兴市水稻土质量安全管理和土壤重金属污染治理方案的确定提供科学依据。
1. 材料与方法
1.1 研究区概况
嘉兴市地处浙江省东北部、长江三角洲杭嘉湖平原腹地，30°21′~31°02′N，120°18′~121°06′E。全市现辖海宁、桐乡、平湖、海盐、嘉善5个县(市)和南湖、秀洲2个区，陆地总面积4275.05 km2，全市户籍人口352.12万人。该市地处北亚热带南缘，属东亚季风区，冬夏季风交替，四季分明，气温适中，雨水丰沛，日照充足，年平均气温15.9 ℃，年平均降水量1168.6 mm，年平均日照2 017.0 h。地势低平。土壤母质主要为浅海沉积物、河流冲积物及湖沼相沉积物。
1.2 土壤样品采集与处理
以公开报道的嘉兴市土壤重金属信息为导向，并结合实地咨询和调查，本研究试验区域覆盖重金属接近和达到污染的土壤，同时兼顾选取重点行业企业等污染源周围稻田土壤(疑似)，并开展土壤和水稻样品协同采集。采用全球定位系统(GPS)定位，于2018年10月水稻收获时期，采集稻田0~20 cm土层土样，同时采集对应的水稻籽粒样品。为确保样品的代表性，在每个取样点以周围5 m×5 m正方形范围内设置6~8个采样点。每个采样点取土约0.5 kg，均匀混合为1份，按四分法保留分析样品约1.0 kg。土壤样品自然风干后混匀磨碎，过2.00 mm筛，用以测定pH和重金属有效态质量分数；取其中一部分过0.15 mm筛，用以测定土壤有机质和重金属全量。水稻样品选取籽粒部分，以自来水冲洗和去离子水洗净，70 ℃烘干至恒量，脱壳粉碎后备用。
1.3 样品分析与测定
土壤重金属全量采用硝酸-盐酸-高氯酸(HNO3-HCl-HClO4)混合酸微波消解后测定；土壤重金属镉有效态采用0.1 mol·L−1盐酸提取剂提取后测定；水稻籽粒重金属采用硝酸微波消解后测定。待测液中的镉、铅采用石墨炉原子吸收光谱仪测定，铬采用火焰原子吸收光谱仪测定，砷采用原子荧光光谱仪测定。测定时均加入国家标准土壤标样和大米国家标准参比物分别进行质量控制，分析结果符合质量控制要求。土壤pH用pH计按水土比2.5∶1.0浸提测定；土壤有机质采用重铬酸钾氧化-外加热法测定[17]。
1.4 污染评价方法与标准
目前，对于重金属污染的评价方法有很多，根据评价结果反映的主体可分为2类: 以重金属元素为主体的评价方法和以采样点为主体的评价方法[18]。本研究主要选取以重金属元素为主体的评价方法，单因子指数法和内梅罗综合指数法、富集系数法和地累积指数法、潜在生态指数评价法和生态风险预警指数法对嘉兴市水稻土壤重金属污染及其生态危害做出定量评价和风险预估。
1.4.1 单因子污染指数评价法和内梅罗综合指数法
单因子污染指数法[19]针对土壤中单一污染物的污染程度进行评价。其计算公式为：
$${P_i} = {C_i}/{S_i}{\text{。}}$$ (1) 式(1)中：Pi为重金属元素i的污染指数；Ci为重金属元素i的实测质量分数(mg·kg−1)；Si为重金属元素i的评价标准(mg·kg−1)。Pi的分级标准参见文献[19]。
内梅罗综合污染指数法[19]是在单因子指数的基础上对重金属污染进行综合评价。其计算公式为：
$$ P=\sqrt{\frac{{P}_{i\mathrm{m}\mathrm{a}\mathrm{x}}^{2}+{P}_{i\mathrm{a}\mathrm{v}\mathrm{e}}^{2}}{2}}{\text{。}}$$ (2) 式(2)中：P为土壤污染综合指数；Piave为土壤中各污染指数平均值；Pimax为土壤中各污染指数最大值。P的分级标准参见文献[19]。
1.4.2 富集系数法和地累积指数法
采用富集系数法[12]主要是评估和识别污染物来源。富集系数(E)的计算公式如下：
$$ E=\frac{({C}_{i}/{C}_{{\rm{n}}})_\mathrm{s}}{({C}_{i}/{C}_{{\rm{n}}})_{\rm{r}}}{\text{。}}$$ (3) 式(3)中：(Ci/Cn)s为土壤样品中重金属元素i与标准化元素n的测量质量分数比值，(Ci/Cn)r为土壤中重金属元素i与标准化元素n的背景值比。本研究选择锰为参比元素[20-21]。E值越大，富集程度就越高。E的分级标准参见文献[12]。
地累积指数(Igeo)法[12]被应用于人为活动产生的重金属对土壤污染的评价。Igeo的计算公式如下：
$$ {I}_{\mathrm{g}\mathrm{e}\mathrm{o}}={\mathrm{log}}_{2}\left[\frac{{C}_{i}}{k {B}_{i}}\right]{\text{。}}$$ (4) 式(4)中：Igeo为地累积指数；Ci为重金属元素i的实测值(mg·kg−1)；Bi为重金属元素i的地球化学背景值(mg·kg−1)；k为考虑造岩运动导致重金属背景值存在差异而设定的系数，一般为1.5。Igeo的分级标准参见文献[12]。
1.4.3 潜在生态风险评价指数法和生态风险预警指数法
潜在生态风险采用Hakanson提出的生态风险指数法进行评价。潜在生态风险指数IR的计算公式如下：
$${F_{{\rm{r}}i}} = {C_i}/{C_{\rm{n}}}\text{；}$$ (5) $${E_{{\rm{r}}i}} = {T_{{\rm{r}}i}} {F_{{\rm{r}}i}}\text{；}$$ (6) $$ {I}_{\mathrm{R}}=\sum\limits_{i=1}^{n}{E}_{\mathrm{r}i}\text{。} $$ (7) 式(5)~式(7)中：Ci为重金属元素i的实测值；Cn为重金属元素i的参比值(采用浙江省土壤环境背景值)[22]。Fri、Tri、Eri分别为第i种重金属污染系数、毒性响应系数和潜在生态危害指数。镉、铅、铬、砷的毒性响应系数分别为30、10、2、10[23]。潜在生态危害指数(Eri)越高，表明土壤受某个重金属污染的风险越高；IR被称为潜在生态风险指数，为多种重金属元素的潜在生态风险综合值，其值越大，土壤风险越高，据此可以根据Er和IR进行分类和风险评价[24]。
采用Rapan提出的生态风险预警指数(IER)对水稻土生态风险进行预警评估。IER的计算公式为：
$$ {I}_{\mathrm{E}\mathrm{R}}=\sum\limits_{i=1}^{n}{I}_{\mathrm{E}{\mathrm{R}}{i}}=\sum\limits_{i=1}^{n}\left(\frac{{C}_{{\mathrm{A}}{i}}}{{C}_{{\mathrm{R}}{i}}-1}\right)\text{。} $$ (8) 式(8)中：IER为生态风险预警指数；IERi为重金属元素i的生态风险指数；CAi为重金属元素i的实测质量分数；CRi为重金属元素i的参比值。预警分级标准根据IER进行分类和风险评价[25]。
1.5 数据处理与分析
采用Excel 2018对土壤重金属进行描述性统计分析。采用SPSS 22.0进行Spearman相关性分析。数据统计图表的绘制由Excel 2018和Origin 11.0完成。
2. 结果与分析
2.1 土壤pH和有机质质量分数
土壤重金属的生物有效性受诸多因子的影响。在水稻生产上，土壤pH和有机质质量分数对土壤重金属有效性的影响极为重要。相同的重金属质量分数，土壤高pH、高有机质有利于重金属有效性的降低，抑制水稻吸收积累重金属，稻米重金属污染风险下降。因此，国家标准中将土壤pH和有机质质量分数状况列为2个参数，制定土壤中重金属元素镉、铅、铬、汞、砷的最大允许质量分数，其允许值(阈值)随土壤pH和有机质质量分数的提高而增大，如当pH＜5、有机质质量分数＜20 g·kg−1时，土壤镉的安全阈值定为0.2 mg·kg−1；而当土壤pH≥7、有机质质量分数≥20 g·kg−1时，土壤镉的安全阈值定为0.5 mg·kg−1(GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》)。调研结果显示：本研究所调查的水稻土土壤pH和有机质质量分数的变化都较大，土壤pH为5.0~8.0，pH相差达3个单位，而土壤有机质质量分数为6.8~61.0 g·kg−1，相差近10倍(表1)，因而，允许的土壤重金属阈值不同。
表 1 土壤pH和有机质状况Table 1 Soil pH and organic matter content项目 pH 有机质/(g·kg−1) 项目 pH 有机质/(g·kg−1) 最小值 4.96 6.84 标准差 0.74 14.43 最大值 7.99 60.97 变异系数/% 12.06 39.91 平均值 6.15 36.15 2.2 土壤和大米重金属质量分数状况
本研究所调查区域水稻土重金属质量分数变幅较大，因不同元素而异。测定结果及描述性统计分析见表2和表3。土壤镉、铅、铬、砷质量分数范围分别为0.01~1.92、17.60~34.80、47.00~123.00、3.97~9.89 mg·kg−1，平均分别为0.36、25.78、72.73、7.55 mg·kg−1。土壤重金属质量分数与浙江省土壤重金属背景值相比，镉、铅、铬、砷分别有68.18%、13.64%、22.73%、54.55%的样品超过浙江省土壤背景值；与土壤环境质量标准[GB 15618−2018《土壤环境质量 农用地土壤污染风险管控标准(试行)》]中农用地土壤污染风险筛选值相比，只有部分稻田土壤镉质量分数有所超标，点位超标率为22.73%，但都低于风险管制值；与水稻安全生产标准(GB/T 36869−2018《水稻生产的土壤镉、铅、汞、砷安全阀值》)的土壤安全阈值相比，也只有镉质量分数超过规定限值，点位超标率为31.82%。
表 2 水稻土和稻米重金属质量分数Table 2 Contents of heavy metals in paddy soils and rice grains序号 土壤重金属/(mg·kg−1) 稻米镉/
(mg·kg−1)序号 土壤重金属(mg·kg−1) 稻米镉/
(mg·kg−1)镉 铅 铬 砷 镉 铅 铬 砷 1 1.07 28.00 69.00 6.86 0.056 12 0.17 27.70 68.00 7.47 0.024 2 0.14 25.60 68.00 7.69 0.006 13 0.01 24.90 123.00 7.30 0.029 3 0.22 23.80 78.00 7.53 0.019 14 0.17 22.20 65.00 6.95 0.045 4 0.09 19.90 69.00 7.64 0.004 15 0.11 27.30 69.00 7.63 0.061 5 0.45 17.60 63.00 6.92 0.024 16 0.15 27.60 73.00 7.98 0.026 6 0.30 27.90 67.00 8.35 0.015 17 0.09 23.30 59.00 5.89 0.005 7 0.27 29.40 90.00 9.64 0.041 18 0.56 23.90 61.00 6.56 0.030 8 0.24 29.10 69.00 7.85 0.018 19 0.09 20.30 73.00 7.86 0.028 9 0.17 34.20 64.00 7.40 0.009 20 0.33 23.80 98.00 8.19 0.025 10 0.47 34.80 73.00 9.89 0.051 21 0.18 21.00 47.00 3.97 0.049 11 0.29 24.10 61.00 8.13 0.009 22 1.92 30.70 93.00 8.49 0.062 表 3 水稻土重金属质量分数空间变异状况及超标率Table 3 Variation of heavy metal contents and exceeding standard rate in paddy soils重金属 重金属/(mg·kg−1) 标准差 变异系数/% 超标率Ⅰ/% 超标率Ⅱ/% 最小值 最大值 平均值 镉 0.01 1.92 0.36 0.41 120.10 31.82 22.73 铅 17.60 34.80 25.78 4.30 16.70 0 0 铬 47.00 123.00 72.73 15.66 21.53 0 0 砷 3.97 9.89 7.55 1.18 15.56 0 0 说明：超标率Ⅰ以水稻生产的安全阈值(GB/T 36869−2018)为参比值；超标率Ⅱ以风险筛选值(GB 15618−2018)为参比值。 变异系数可以反映一定区域内重金属元素的分布和污染程度的差异，变异系数越大代表元素质量分数差异越大、离散度越高，重金属质量分数受外界因素影响越大[26]。由表2可以看出：土壤重金属质量分数变异系数最大的是镉，达120.10%，表明土壤中镉的空间分布差异比较大，可能受人类活动及周边环境(企业工厂)的影响所致，其他重金属元素铅、铬、砷的变异系数都很小，为15.56%~21.53%，在空间上存在相似的污染程度。
表2与图1结果表明：除部分样点镉质量分数高于对应的风险筛选值和安全阈值外，土壤镉、铅质量分数水平均未超出对应安全阈值，说明被调查的土壤重金属污染(疑似)区域内水稻土虽然存在普遍的镉、铬、铅富集，但铬、铅未超出国家相关标准限值。土壤砷质量分数均低于水稻生产安全阈值和农用土壤污染风险筛选值。因此，对水稻安全生产而言，土壤镉累积现象最为凸显，可能会影响水稻的安全生产。
图 1 水稻土重金属质量分数分布箱线图Figure 1 Box plot of soil heavy metal content distribution in paddy soils虽然研究区域内有部分稻田土壤镉超过国家标准限值，但是稻米测定结果显示所采集的稻谷稻米镉质量分数为0.006~0.062 mg·kg−1，平均为0.029 mg·kg−1，均在安全范围以内，没有超过GB 2762–2017《食品中污染物限量》限额(0.200 mg·kg−1)。说明目前的土壤环境对所栽水稻品种是安全的。除了水稻自身因素外，稻米镉质量分数积累低还可能与重金属镉污染土壤的环境条件特别是土壤pH和有机质质量分数较高有关[27]。但是在本研究中，研究区稻米镉质量分数与土壤全量镉、有效态镉质量分数和土壤pH、有机质质量分数的相关性都不高，显示水稻土中全量镉、有效态镉、有机质质量分数和pH都不是影响稻米中镉质量分数高低的决定性因素(表4)。虽然稻米镉积累与有效态镉、有机质质量分数有一定的正相关性，而与pH呈负相关，但许多研究表明重金属的有效性会随着有机质的增加而降低[28]。说明稻米镉质量分数、土壤镉有效性与土壤环境条件关系复杂，同时这些结果还可能与水稻品种有关。因为水稻基因型是影响土壤-水稻系统中重金属的转移和生物利用度的主要因素，不同的水稻品种对土壤重金属的吸收、转移、富集能力不同，导致籽粒中重金属质量分数的差异。镉低积累水稻品种籽粒吸收积累镉少，在一定的土壤镉污染超标条件下，大米镉不会超标[19, 29]。
表 4 土壤全量镉、有效态镉、稻米镉和土壤pH、有机质的相关性分析Table 4 Correlation analysis of total soil Cd, available Cd, rice grain Cd, soil pH and SOM项目 土壤全量镉 土壤有效态镉 稻米镉 土壤pH 有机质 土壤全量镉 1 土壤有效态镉 0.508* 1 稻米镉 −0.090 0.138 1 pH 0.007 −0.169 −0.013 1 有机质 −0.233 −0.107 0.296 −0.306 1 说明：*表示在0.05水平上相关 2.3 水稻土重金属污染评价
2.3.1 单因子指数评价和内梅罗综合指数评价
以国家水稻生产的土壤安全阈值(GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》)为依据，计算研究区域水稻土土壤重金属的单项污染指数和综合污染指数。从表5可以看出：土壤重金属镉、铅、铬、砷的单项污染指数平均值分别为0.96、0.25、0.42、0.36。所有重金属单因子污染指数均小于1.00，属于清洁水平，说明研究区域水稻土处于安全水平。与稻米重金属质量分数测定结果一致。
表 5 水稻土重金属污染指数Table 5 Heavy metal pollution index of paddy soil统计指标 单因子污染指数 综合指数 镉 铅 铬 砷 最大值 3.84 0.46 0.82 0.52 2.84 最小值 0.04 0.09 0.24 0.20 0.28 平均值 0.96 0.25 0.42 0.36 0.81 标准差 0.84 0.10 0.12 0.08 0.57 变异系数/% 86.92 40.15 28.72 21.66 70.36 根据各重金属元素不同污染级别样点数占比可知(表6)，有68.18%的样点土壤镉单因子污染指数小于1.00，其余31.82%样点的土壤镉超标，其中轻度污染、中度污染、重度污染样点数分别占样点总数的22.73%、4.55%、4.55%。铅、铬、砷等3种元素的单因子污染指数全部都小于1.00，不存在污染情况。由此，镉是4种元素中积累最为严重的重金属元素。从内梅罗综合指数(表5和表6)看，研究区域土壤镉、铅、铬、砷重金属综合指数为0.28~2.84，各点位差异较明显。所有点位中63.64%的样点综合污染指数均小于0.70，也说明嘉兴市水稻土环境状况整体良好。处于警戒线的占13.64%，受污染的占22.72%，其中轻度污染的占18.18%，中度污染的占4.54%，无重度污染。对于处于警戒线，特别是部分已处于中、轻度污染的土壤应当引起高度重视。
表 6 基于污染指数法重金属污染程度占比Table 6 Proportion of heavy metal pollution based on pollution index method单因子指数 污染等级 各污染等级点位占比/% 综合指数 污染等级 各污染等级
点位占比/%镉 铅 铬 砷 P≤1 清洁 68.18 100 100 100 Pi≤0.7 安全 63.64 1＜P≤2 轻度污染 22.72 0 0 0 0.7＜ Pi≤1.0 警戒 13.64 2＜P≤3 中度污染 4.55 0 0 0 1.0＜ Pi≤2.0 轻度污染 18.18 P＞3 重度污染 4.55 0 0 0 2.0＜ Pi≤3.0 中度污染 4.54 2.3.2 富集系数评价和地累积指数评价
以浙江省土壤背景值作为依据，以锰元素作为校准元素进行对比，计算富集系数。对4种重金属元素的富集系数(E)进行分析比较(表7)，可以得出：4种重金属元素富集程度从大到小依次为镉、砷、铬、铅。铅、铬、砷区域富集污染程度为Ⅱ级，属于轻微富集、轻微污染；镉区域富集污染程度为Ⅲ级，属于中度富集、中度污染。镉、铅、铬、砷分别有18.18%、36.36%、27.27%、13.64%的采样点呈现无富集、无污染状态；分别有31.82%、59.09%、68.18%、81.82%的采样点表现为重金属轻微富集、轻微污染；分别有31.82%、4.55%、4.55%、4.55%的采样点表现为重金属中度富集、中度污染；还有18.18%的样点存在镉元素显著富集、强污染。
表 7 水稻土重金属元素富集系数和地累积指数评价特征值统计Table 7 Evaluation eigen value statistics of heavy metal element enrichment coefficient and geoaccumulation idex in paddy soil重金属 E E≤1 1＜E≤2 2＜E≤5 5＜E≤20 20＜E≤40 变化范围 平均值 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 镉 0.10~9.86 2.81 4 18.18 7 31.82 7 31.82 4 18.18 0 0 铅 0.60~2.13 1.23 8 36.36 13 59.09 1 4.55 0 0 0 0 铬 0.84~2.40 1.33 6 27.27 15 68.18 1 4.55 0 0 0 0 砷 0.87~2.13 1.41 3 13.64 18 81.82 1 4.55 0 0 0 0 重金属 Igeo Igeo≤0 0＜Igeo≤1 1＜Igeo≤2 2＜Igeo≤3 3＜Igeo≤4 变化范围 平均值 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 样品数/个 比率/% 镉 −4.51~3.07 −0.11 12 54.55 6 27.27 2 9.09 1 4.55 1 4.55 铅 −1.37~−0.39 −0.84 22 100.00 0 0 0 0 0 0 0 0 铬 −1.31~0.08 −0.71 21 95.45 1 4.55 0 0 0 0 0 0 砷 −1.52~−0.20 −0.61 22 100.00 0 0 0 0 0 0 0 0 仍以浙江省土壤背景值进行参比。4种重金属的地累积指数法统计结果如表7所示。可以看出：4种元素Igeo从大到小依次为镉、砷、铬、铅。在所有样点中，砷、铅的地累积指数均小于0，呈现无富集无污染状态。污染最严重的重金属为镉，其平均地累积指数为−0.11，处于轻微污染的边界。但是各样点指数差异悬殊，特别是镉，在研究区中仅有54.55%的样点处于无富集、无污染状态，27.27%的样点处于轻微富集状态，9.09%的样点处于中度富集状态，4.55%的样点处于中强富集状态，4.55%的样点处于强富集状态。总体而言，该地区在人类生产、生活活动的影响下，镉元素积累明显，富集程度高；个别样点存在镉元素轻微富集污染，其他元素富集污染程度均为无污染。
2.3.3 稻田土壤中重金属潜在生态风险评价分析
以水稻生产的土壤安全阈值(GB/T 36869−2018《水稻生产的土壤镉、铅、铬、汞、砷安全阈值》)指标为参比值，根据生态风险划分标准，对水稻土重金属污染进行潜在生态风险评价，评价结果(表8)显示：研究区域水稻土不同重金属单项潜在生态危害指数(Er)平均值从大到小表现为镉、砷、铅、铬。所有样点铅、铬、砷的潜在生态风险指数(IR)均小于40，处于轻微风险水平。土壤镉的潜在生态危害程度最高，平均值为28.83，生态危害系数变化幅度大，最高值为115.2，最低值为1.2，变异系数为86.92%。达到中等、较强生态危害的样点数分别占样点总数的18.18%、4.55%。土壤重金属综合潜在生态风险指数(IR)变化范围为9.08~121.36，平均值为35.73，变异系数为70.01%，呈现轻微生态风险水平，主要贡献因子是镉。从变异系数可以看出：研究区域内生态危害分布差异性大。但是所有样点的IR均小于150，全部样点均处于轻微生态风险水平。而土壤生态风险预警指数(IER)变化范围为−2.97~0.73，平均值为−2.01，处于无风险至预警级，仅有1个样点最大的IER为0.73，也在轻度预警级别。因此，采用潜在生态风险评价指数法和生态风险预警指数法都表明：研究区土壤重金属处于安全级别，污染风险较小。
表 8 水稻土重金属潜在生态风险评价Table 8 Potential ecological risk assessment of heavy metals in paddy soil统计指标 潜在生态危害指数(Er) 潜在生态风险
指数(IR)土壤生态风险
预警指数(IER)镉 铅 铬 砷 最大值 115.20 4.56 1.64 5.24 121.36 0.73 最小值 1.20 0.90 0.48 1.99 9.08 −2.97 平均值 28.83 2.47 0.84 3.58 35.72 −2.01 标准差 25.06 0.99 0.24 0.78 25.02 0.83 变异系数/% 86.92 40.15 28.72 21.66 70.01 −41.15 采用不同的方法对研究区域稻田土壤重金属污染风险评价的结果都表明：研究区域总体上处于安全水平；就单个重金属而言，土壤铅、铬、砷属于没有污染风险或轻微风险水平，而镉在某些点位稻田土壤中呈显著富集、轻中度污染，对水稻安全生产构成一定的风险。本研究协同采样测定结果显示：稻米各项指标均符合国家粮食安全标准(GB 2762−2017《食品中污染物限量》)。考虑到不同水稻品种对土壤镉吸收积累的差异，以及土壤环境条件特别是pH易受人为施肥管理等措施的影响，对土壤镉质量分数较高的点位，在今后的水稻生产管理中需要加强动态监测，关注土壤镉形态转化和有效性的变化，以保障水稻粮食生产安全[26, 28]。
3. 结论
采用多种方法对研究区域稻田土壤重金属污染风险进行评价，结果显示：研究区域水稻土壤总体上处于安全水平。协同采样测定结果显示：稻米各项指标均符合国家粮食安全标准(GB 2762−2017《食品中污染物限量》)。
采用E和Igeo的评价结果均得出4种元素富集程度从大到小依次为镉、砷、铬、铅，潜在生态危害由强至弱依次为镉、砷、铅、铬。研究区内镉富集(污染)最为明显，个别样点存在镉元素中轻度污染，镉是当前最主要的生态风险因子。
目前的土壤环境对当地的水稻栽培品种来说是安全的。在今后的水稻生产管理中仍需加强动态监测，关注土壤镉形态转化和有效性的变化，充分保障水稻粮食生产安全。
-
图 1 6种丁香属植物单位叶面积TSP、PM>10、PM10和PM2.5滞尘量
Figure 1 Amount of TSP，PM>10，PM10 and PM2.5 on unit leaf area of 6 species of Syringa
图 2 6种丁香属植物叶表面微形态扫描电镜图
Figure 2 SEM images of particulate matter morphology on leaf surface of 6 species of Syringa
表 1 6种丁香的基本情况
Table 1. Basic information of six species of Syringa
树种 株高/m 冠幅/m 周边环境 什锦丁香Syringa chinensis 2.75~3.45 2.40~3.35 道路(南)、道路(西) 欧丁香S. vulgaris 3.55~4.85 3.20~3.95 道路(东)、群植玉兰(南) 紫丁香S. oblata 3.70~4.65 3.05~4.02 道路和建筑(南)、雪松(西) 北京丁香S. pekinensis 4.50~5.50 3.97~5.03 道路(南)、群植金银木(北) 暴马丁香S. reticulata var. amurensis 4.75~5.78 4.04~5.15 道路(南)、群植金银木(北) 白丁香S. oblata var. alta 3.50~3.97 3.40~4.11 道路(东)、群植玉兰(南) 说明：玉兰Magnolia denudata，雪松Cedrus deodara，金银木Lonicera maackii 
下载: 导出CSV
表 2 6种丁香属植物叶片表面微结构参数
Table 2. Leaf surface structure parameters of 6 species of Syringa
树种 SD/(个·视野−1) SL/μm SW/μm GWU/μm GWL/μm UTSP/(g·m−2) UPM2.5/(g·m−2) 什锦丁香 20.00±2.00 cd 23.47±1.84 b 7.82±0.81 ab 7.79±0.72 a 3.43±1.31 b 2.13±0.09 a 0.44±0.04 a 欧丁香 21.30±0.58 cd 25.80±1.46 a 9.00±0.73 a 3.69±0.24 b 2.16±0.15 c 1.35±0.11 c 0.25±0.02 c 紫丁香 22.70±1.53 c 18.73±0.62 c 6.07±0.88 c 7.20±1.93 a 2.78±0.38 bc 1.37±0.06 bc 0.21±0.00 d 北京丁香 55.30±1.15 a 12.15±1.06 d 7.19±0.66 bc 3.05±0.46 b 3.82±0.35 ab 1.53±0.07 b 0.37±0.02 b 暴马丁香 31.30±2.08 b 16.70±1.56 c 7.50±0.50 b 0.00±0.00 c 2.35±0.26 c 0.91±0.15 d 0.19±0.01 d 白丁香 18.70±2.31 d 26.28±0.44 a 6.72±0.39 bc 3.01±0.52 b 4.88±0.41 a 0.80±0.03 d 0.14±0.01 e 说明：SD为下表皮气孔密度，在500倍视野下测量，SL为气孔长度，SW为气孔宽度，GWU为上表皮沟壑宽度，GWL为下表皮沟壑宽度，UTSP为单位叶面积总悬浮颗粒物滞留量，UPM2.5为单位叶面积PM2.5直径为0.2~2.5 μm的颗粒物滞留量。同列不同字母表示不同树种间差异显著(P＜0.05)
下载: 导出CSV
表 3 6种丁香属植物叶表显微结构参数与滞尘能力之间的相关性
Table 3. Correlation between microstructure characteristics of leave surface and the dust detention ability of 6 species of Syringa
影响因素 UTSP UPM2.5 控制变量 相关系数 偏相关系数 相关系数 偏相关系数 SD −0.026 0.098 0.033 0.096 SL、SW、GWU、GWL SL 0.058 0.099 0.009 0.080 SD、SW、GWU、GWL SW −0.676* −0.676 −0.679* −0.657 SD、SL、GWU、GWL GWU 0.312 0.348 0.210 0.213 SD、SL、SW、GWL GWL 0.182 −0.089 0.212 0.005 SD、SL、SW、GWU 说明：SD为下表皮气孔密度，SL为气孔长度，SW为气孔宽度，GWU为上表皮沟壑宽度，GWL为下表皮沟壑宽度，UTSP为单位叶 面积总悬浮颗粒物滞留量，UPM2.5为单位叶面积PM2.5直径为0.2~2.5 μm的颗粒物滞留量。*P＜0.05
下载: 导出CSV
-
[1] GLOTFELTY T, ZHANG Y, KARAMCHANDANI P, et al. Changes in future air quality, deposition, and aerosol-cloud interactions under future climate and emission scenarios [J]. Atmos Environ, 2016, 139: 176 − 191. [2] 陈晨, 仲宇, 刘园园, 等. 2013—2018年北京市大气PM2.5持续高暴露对居民因病入院的急性影响[J]. 环境科学研究, 2021, 34(1): 213 − 219. CHEN Chen, ZHONG Yu, LIU Yuanyuan, et al. Impact of persistent high ambient fine particulate matters exposures on hospitalization in Beijing from 2013 to 2018 [J]. Res Environ Sci, 2021, 34(1): 213 − 219. [3] PUI D Y H, CHEN S C, ZUO Z L. PM2.5 in China: measurements, sources, visibility and health effects, and mitigation [J]. Particuology, 2014, 13: 1 − 26. [4] BOTTALICO F, CHIRICI G, GIANNETTI F, et al. Air pollution removal by green infrastructures and urban forests in the city of florence [J]. Agric Agric Sci Proc, 2016, 8: 243 − 251. [5] NOWAK D J, HIRABAYASHI S, BODINE A, et al. Tree and forest effects on air quality and human health in the United States [J]. Environ Pollut, 2014, 193: 119 − 129. [6] 包红光, 王成, 杜万光, 等. 基于实地监测的城市林木调控PM2.5能力研究[J]. 生态学报, 2020, 40(14): 4699 − 4709. BAO Hongguang, WANG Cheng, DU Wanguang, et al. PM2.5 regulation capacity of urban trees in field monitoring studies: a review [J]. Acta Ecol Sin, 2020, 40(14): 4699 − 4709. [7] 崔洪霞, 蒋高明, 臧淑英. 丁香属植物的地理分布及其起源演化[J]. 植物研究, 2004, 24(2): 141 − 145. CUI Hongxia, JIANG Gaoming, ZANG Shuying. The distribution, originand evolution of Syringa [J]. Bull Bot Res, 2004, 24(2): 141 − 145. [8] 王琴, 冯晶红, 黄奕, 等. 武汉市15种阔叶乔木滞尘能力与叶表微形态特征[J]. 生态学报, 2020, 40(1): 213 − 222. WANG Qin, FENG Jinghong, HUANG Yi, et al. Dust-retention capability and leaf surface micromorphology of 15 broad-leaved tree species in Wuhan [J]. Acta Ecol Sin, 2020, 40(1): 213 − 222. [9] 石婕, 刘庆倩, 安海龙, 等. 不同污染程度下毛白杨叶表面PM2.5颗粒的数量及性质和叶片气孔形态的比较研究[J]. 生态学报, 2015, 35(22): 7522 − 7530. SHI Jie, LIU Qingqian, AN Hailong, et al. A comparative study of the stomata and PM2.5 particles on the leaf surface of Chinese white poplar (Populus tomentosa Carr. ) in different polluted places [J]. Acta Ecol Sin, 2015, 35(22): 7522 − 7530. [10] 张少伟, 岳晨, 詹振枫, 等. 4种柳树叶片表面易去除与难去除颗粒物滞纳特征[J]. 林业科学, 2020, 56(6): 26 − 34. ZHANG Shaowei, YUE Chen, ZHAN Zhenfeng, et al. Characteristics of easy and difficult removable particulate matter retained by the leaves of 4 willow species [J]. Sci Silv Sin, 2020, 56(6): 26 − 34. [11] 刘辰明, 张志强, 陈立欣, 等. 降雨对北方城市5种典型城市绿化树种叶面滞尘的影响[J]. 生态学报, 2018, 38(7): 2353 − 2361. LIU Chenming, ZHANG Zhiqiang, CHEN Lixin, et al. Impacts of rainfall on leaf PM (airborne particulate matter) detention in five commonly used urban tree species in northern China [J]. Acta Ecol Sin, 2018, 38(7): 2353 − 2361. [12] 范舒欣, 蔡妤, 董丽. 北京市8种常绿阔叶树种滞尘能力[J]. 应用生态学报, 2017, 28(2): 408 − 414. FAN Shuxin, CAI Yu, DONG Li. Dust absorption capacities of eight evergreen broad-leaved plants in Beijing, China [J]. Chin J Appl Ecol, 2017, 28(2): 408 − 414. [13] 乔冠皓, 陈警伟, 刘肖瑜, 等. 2种常见绿化树种对大气颗粒物的滞留与再悬浮[J]. 应用生态学报, 2017, 28(1): 266 − 272. QIAO Guanhao, CHEN Jingwei, LIU Xiaoyu, et al. Retention and resuspension of atmospheric particles with two common urban greening trees [J]. Chin J Appl Ecol, 2017, 28(1): 266 − 272. [14] XU Lishuai, YAN Qian, LIN Yongcheng, et al. Selective retention of particulate matter by nine plant species in central Shanxi Province, China [J]. Environ Sci Pollut Res, 2021, 28: 35902 − 35910. [15] 黄靖懿. 哈尔滨市道路绿化植物滞尘能力的研究[D]. 哈尔滨: 东北农业大学, 2016. HUANG Jingyi. Study on Dust-retention Ability of Road Greening Plants in Harbin[D]. Harbin: Northeast Agricultural University, 2016. [16] 于宁. 青岛市居住区主要灌木树种生态效益综合评价[D]. 青岛: 青岛农业大学, 2011. YU Ning. Study and Assessment on Ecological Benefit of Main Shrubs in Residential Areas of Chengyang District in Qingdao City[D]. Qingdao: Qingdao Agricultural University, 2011. [17] 陈进勇. 丁香属(Syringa L. )的分类学修订[D]. 北京: 中国科学院, 2006. CHEN Jinyong. The Taxonomic Revision of Syringa L. (Oleaceae)[D]. Beijing: Chinese Academy of Sciences, 2006. [18] 高艳, 崔洪霞, 石雷, 等. 丁香属植物叶片表皮形态特征与环境适应及系统学关联[J]. 西北植物学报, 2008, 28(3): 475 − 484. GAO Yan, CUI Hongxia, SHI Lei, et al. Characteristics of leaf epidermis of Syringa and the association with their environmental adaptation and systematics [J]. Acta Bot Boreali-Occident Sin, 2008, 28(3): 475 − 484. [19] 吴光艳, 吴发启, 尹武君, 等. 陕西杨凌天然降雨雨滴特性研究[J]. 水土保持研究, 2011, 18(1): 48 − 51. WU Guangyan, WU Faqi, YIN Wujun, et al. Study on characteristics of natural rainfall in Yangling, Shaanxi Province [J]. Res Soil Water Conserv, 2011, 18(1): 48 − 51. [20] DZIERZANOWSKI K, POPEK R, GAWRONSKA H, et al. Deposition of particulate matter of different size fractions on leaf surfaces and in waxes of urban forest species [J]. Int J Phytoremediation, 2011, 13(10): 1037 − 1046. [21] 李艳梅, 陈奇伯, 王邵军, 等. 昆明市主要绿化树种叶片滞尘能力的叶表微形态学解释[J]. 林业科学, 2018, 54(5): 18 − 29. LI Yanmei, CHEN Qibo, WANG Shaojun, et al. Effects of leaf surface micro-morphology structure on leaf dust-retaining ability of main greening tree species in Kunming City [J]. Sci Silv Sin, 2018, 54(5): 18 − 29. [22] NGUYEN T, XIN X Y, ZHEN M Z, et al. Relationship between types of urban forest and PM2.5 capture at three growth stages of leaves [J]. J Environ Sci, 2015, 27: 33 − 41. [23] 王会霞, 石辉, 李秧秧. 城市绿化植物叶片表面特征对滞尘能力的影响[J]. 应用生态学报, 2010, 21(12): 3077 − 3082. WANG Huixia, SHI Hui, LI Yangyang. Relationships between leaf surface characteristics and dust-capturing capability of urban greening plant species [J]. Chin J Appl Ecol, 2010, 21(12): 3077 − 3082. [24] WEERAKKODY U, DOVER J W, MITCHELL P, et al. Evaluating the impact of individual leaf traits on atmospheric particulate matter accumulation using natural and synthetic leaves [J]. Urban For Urban Greening, 2018, 30: 98 − 107. [25] 王蕾, 高尚玉, 刘连友, 等. 北京市11种园林植物滞留大气颗粒物能力研究[J]. 应用生态学报, 2006, 17(4): 597 − 601. WANG Lei, GAO Shangyu, LIU Lianyou, et al. Atmospheric particle-retaining capability of eleven garden plant species in Beijing [J]. Chin J Appl Ecol, 2006, 17(4): 597 − 601. [26] 刘璐, 管东生, 陈永勤. 广州市常见行道树种叶片表面形态与滞尘能力[J]. 生态学报, 2013, 33(8): 2604 − 2614. LIU Lu, GUAN Dongsheng, CHEN Yongqin. Morphological structure of leaves and dust-retaining capability of common street trees in Guangzhou Municipality [J]. Acta Ecol Sin, 2013, 33(8): 2604 − 2614. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20210587
点击查看大图
计量
- 文章访问数: 600
- HTML全文浏览量: 127
- PDF下载量: 60
- 被引次数: 0
