下载:
-
近年来，中国部分区域重金属污染日趋严重，耕地土壤点位超标率达19.4%[1-3]，约0.1亿hm2农田受到了污染[4]，基本丧失农作物生产的能力[5]。重金属污染已经成为影响产地环境质量，农产品安全的突出问题[6]。农田生态系统中土壤重金属主要的输入途径包括大气降尘[7]、有机或无机肥[8]、畜禽粪便[9]、农药[10]、污水灌溉[11]等；主要的输出途径包括地表径流[12]、土壤渗流[13]和作物收获[14]。因此利用重金属输入输出平衡方法分析农田土壤中重金属输入、输出途径，并进行量化分析[15]，及时了解农田土壤中重金属污染及平衡情况，掌握重金属元素的积累趋势，对农田土壤污染风险评估和质量管理具有重要意义[16]。该方法通过收集和计算不同来源的排放因子和活动水平，估算各类污染源的排放量，从而计算其贡献率[17-18]。本研究以浙江省丽水市松阳县某典型耕地为例，连续3 a开展农田土壤中镉(Cd)的输入输出平衡研究，为进一步开展农田重金属污染控制提供数据支持。
-
研究区位于浙江省丽水市松阳县靖居包村，28°14′~28°37′N，119°10′~119°42′E。该区域属于亚热带季风气候，年平均气温为14.2~17.7 ℃，≥10 ℃的年活动积温为4 453~5 634 ℃，全年无霜期为206~236 d，年平均降水量为1 511~1 844 mm，年平均雨日为171 d。其农业基础设施条件较好，主要种植作物为水稻Oryza sativa和茶Camellia sinensis，其中，稻田水稻季肥料施用情况为450 kg·hm−2尿素+过磷酸钙300 kg·hm−2+复合肥300 kg·hm−2；稻田油菜Brassica napus季肥料施用情况为尿素300 kg·hm−2+复合肥750 kg·hm−2；茶园施用尿素600 kg·hm−2+复合肥750 kg·hm−2。该研究区稻田与茶园种植面积比约4∶6。
-
在靖居包村划定的耕地范围，采用网格法定点采集耕层土壤样品，根据具体地形、作物布局、土地利用状况对土壤采样布点进行疏密调整，利用全球定位系统(GPS)对采样点坐标定位。通过梅花点法采集周围半径约5 m区域内的5个采样点，深度为0~20 cm的表层土壤，各约1.0 kg。将5个采样点土壤样品进行混合装袋，并且利用GPS获取采样点的经纬度坐标，做好采样记录，共采集土壤样品37份。测定土壤化学性质与重金属镉(Cd)、铅(Pb)和砷(As)全量。
-
在研究区域内布设观测点，在距离研究区较远处设置对照点，收集大气干湿沉降样品。降尘缸固定放置于距地面5 m处，采样点附近无高大建筑物，并避开局部污染源。前期准备集成缸(内径20 cm，高50 cm的圆筒形玻璃集尘缸)。将集尘缸带到指定地点收集样品，记录放缸时间、地点、序号(雨季及时更换新缸)。隔2个月定期更换降尘缸1次，取缸时核对地点、缸号、时间，罩上塑料袋带回实验室。自2017年1月初开始采集，周期3 a。
-
在每季作物种植前和种植过程中，在当地农户家收集或去市场购买当地常用的化肥与农药，各10个样品，记录收集到的样品品牌、生产地等。每份样品1.0~1.5 kg。
-
先用该地的水样冲洗塑料瓶3次，再用塑料瓶伸入取样点水面以下0.1 m处釆集1 L水样。2017−2019年，每年定期采集灌溉水20个样品。
-
由于收割时水稻、油菜的根部仍留在土中，因此未取植物根部。采集稻米与稻秆、油菜籽与油菜秆、茶叶与茶枝条。每个样品约1.0 kg。
-
土壤样品风干后，剔除残渣及可见侵入体，过2 mm筛后研磨，再过100目筛，装入样品袋备用。分析样品的理化性质，利用氟化氢-硝酸-高氯酸的混合物消化土壤样品，测定重金属全量，同时使用标准样品，每种元素标准误差小于10%时结果可信。大气降尘样品参照GB/T 15265−1994《环境空气降尘的测定 重量法》测定湿沉降和干沉降。肥料中重金属测定参考GB/T 23349−2009《肥料中砷、镉、铅、铬、汞生态指标》。农药中重金属测定参考GB/T 20770−2008《粮谷中46种农药及相关化学品残留量的测定》中的液相色谱串联质谱法。灌溉水样品采用硝酸消解，消解方法参考HJ 677−2013《水质 金属总量的消解 硝酸消解法》，消解后混合液体待测。植物样品经过研磨后加入硝酸、过氧化氢的混合酸液，静置过夜后消解10 h，冷却定容待测，通过石墨炉原子吸收光谱法(GFAAS，PerkinElmer AA800，美国)分析测定镉质量浓度。大气降尘、肥料、农药、稻米和稻秆、茶叶和茶枝条的加标回收率均小于10%。
-
该地区大气干湿沉降、肥料和农药投入、灌溉水是该地区农田土壤重金属的主要输入源。各污染源输入农田土壤重金属的计算公式如下：
${A}_{\rm{a}}={A}_{\rm{d}}+{C}_{\rm{w}}\times {S}$ ；${A}_{\rm{f}}={C}_{\rm{f}}\times {N}_{\rm{f}}$ ；${A}_{\rm{i}}={C}_{\rm{i}}\times {W}$ ；${A}_{\rm{p}}={C}_{\rm{p}}\times {N}_{\rm{p}}$ ；${A}_{{\rm{t}}{\rm{o}}{\rm{t}}{\rm{a}}{\rm{l}}}={A}_{\rm{a}}+{A}_{\rm{f}}+{A}_{\rm{i}}+{A}_{\rm{p}}$ 。其中，${A}_{{\rm{t}}{\rm{o}}{\rm{t}}{\rm{a}}{\rm{l}}}$ 为总输入量，${A}_{\rm{a}}$ 、${A}_{\rm{f}}$ 、${A}_{\rm{i}}$ 和${A}_{\rm{p}}$ 分别为大气沉降、肥料、灌溉水和农药4种投入品的Cd输入量，${A}_{\rm{d}}$ 为干沉降Cd输入量；S为年降水量，W为灌溉水施用量，${N}_{\rm{p}}$ 为施肥量或施用农药量；${C}_{\rm{w}}$ 为湿沉降时Cd的质量浓度，${C}_{\rm{f}}$ 、${C}_{\rm{i}}$ 和${C}_{\rm{p}}$ 分别为肥料中Cd质量分数、灌溉水中Cd质量浓度和农药中的Cd质量分数。 -
选择农作物收获和秸秆移除计算农田土壤Cd的输出量。该研究区稻田与茶园种植面积比约4∶6，所以按下列公式进行计算：
$ {{O}}_{\rm{r}}=({{W}}_{\rm{r}}\times {{C}}_{\rm{r}}+{{W}}_{\rm{r}\rm{s}}\times {{C}}_{\rm{r}\rm{s}})\times $ 40%；$ {{O}}_{\rm{v}}=({{W}}_{\rm{v}}\times {{C}}_{\rm{v}}+{{W}}_{\rm{v}\rm{s}}\times {{C}}_{\rm{v}\rm{s}})\times $ 40%；$ {{O}}_{\rm{t}}={({W}}_{\rm{t}}\times {{C}}_{\rm{t}}+{{W}}_{\rm{t}\rm{s}}\times {{C}}_{\rm{t}\rm{s}})\times $ 60%；$ {{O}}_{\rm{t}\rm{o}\rm{t}\rm{a}\rm{l}}={{O}}_{\rm{r}}+{{O}}_{\rm{v}}+{{O}}_{\rm{t}} $ 。其中，$ {O}_{\mathbf{t}\rm{o}\rm{t}\rm{a}\rm{l}} $ 为总输出量，$ {O}_{\rm{r}} $ 、$ {O}_{\rm{v}} $ 和$ {O}_{\rm{t}} $ 分别为水稻、油菜和茶叶的Cd输出量；$ {W}_{\rm{r}} $ 和$ {W}_{\rm{r}\rm{s}} $ 分别为稻米和稻秆的年产量，$ {W}_{\rm{v}} $ 和$ {W}_{\rm{v}\rm{s}} $ 为油菜籽和油菜秆的年产量，$ {W}_{\rm{t}} $ 和$ {W}_{\rm{t}\rm{s}} $ 为茶叶和茶枝条的年产量；$ {C}_{\rm{r}} $ 和$ {C}_{\rm{r}\rm{s}} $ 分别为稻米和稻秆中Cd的平均质量分数，$ {C}_{\rm{v}} $ 和$ {C}_{\rm{v}\rm{s}} $ 分别为油菜籽和油菜秆中Cd的平均质量分数，$ {C}_{\rm{t}} $ 和$ {C}_{\rm{t}\rm{s}} $ 分别为茶叶和茶枝条中Cd的平均质量分数。 -
采用Excel 2010进行监测数据的预处理，用SPSS 16.0分析数据。
-
研究区土壤pH为4.11~6.59，有机质质量分数为6.77~27.49 g·kg−1，碱解氮为63.00~206.96 mg·kg−1，有效磷为12.5~49.5 mg·kg−1，速效钾为37.5~112.5 mg·kg−1，土壤Cd、Pb和As质量分数均值分别为0.31、70.31、3.41 mg·kg−1。根据GB 15618−2018《农用地土壤污染风险管控标准》中Cd、Pb、As的风险筛选值进行计算，该区域表层土壤污染重金属Pb与As均未超标，Cd属于轻度污染范围。
-
根据松阳县的年平均降水量(1 650 mm)计算大气干湿沉降输入(表1)。2017−2019年，Cd的干湿沉降年输入量分别为502.95、451.95、484.50 mg·hm−2·a−1。
表 1 2017−2019年大气干湿沉降镉年输入量
Table 1. Cd input of atmospheric dry and wet deposition in 2017−2019
年份 降水中Cd质量浓度/(mg·L−1·a−1) Cd年输入量/(mg·hm−2·a−1) 总计/(mg·hm−2·a−1) 湿沉降 干沉降 2017 0.02±0.00 a 308.55±56.30 a 194.40±14.00 a 502.95±63.30 a 2018 0.02±0.00 a 268.95±16.86 a 183.00±12.52 a 451.95±29.38 a 2019 0.02±0.00 a 343.20±18.28 a 141.30±12.62 a 484.50±30.90 a 说明：不同小写字母表示在0.05水平上差异显著 -
依据GB 38400−2019《肥料中有毒有害物质的限量要求》中，Cd的限量标准值(10 mg·kg−1)，研究区的肥料均未超出标准值。其中2017−2019年尿素Cd的质量分数平均值分别为0.01、0.07和0.04 mg·kg−1，过磷酸钙中的Cd分别为2.77、0.40和0.22 mg·kg−1，复合肥中的Cd分别为0.33、0.56和0.33 mg·kg−1。根据稻田和茶园种植面积比例进行计算，该地区2017−2019年肥料Cd的年输入量分别为623.49、579.57、342.99 mg·hm−2·a−1(表2)。总体来说，由肥料带来的Cd年输入量逐年降低。
表 2 2017−2019年研究区稻田与茶园化肥中镉年输入量
Table 2. Cd annual chemical fertilizer input of paddy field and tea garden in demonstration area from 2017 to 2019
年份 类别 Cd年输入量/(mg·hm−2·a−1) 合计/(mg·hm−2·a−1) 总计/(mg·hm−2·a−1) 尿素 过磷酸钙 复合肥 2017 稻田 3.00±0.23 b 332.40±47.20 a 137.34±25.60 a 472.74±59.13 a 623.49±102.35 a 茶园 3.60±0.32 b 0 147.15±30.26 a 150.75±38.80 a 2018 稻田 19.95±1.93 a 48.48±3.20 b 235.20±54.60 a 303.63±44.96 ab 579.57±65.05 a 茶园 23.94±3.72 a 0 252.00±58.50 a 275.94±42.26 a 2019 稻田 12.00±2.01 ab 26.88±3.20 b 139.86±23.60 a 178.74±57.48 b 342.99±37.26 a 茶园 14.40±1.80 ab 0 149.85±16.00 a 164.25±34.84 a 说明：不同小写字母表示在0.05水平上差异显著 -
2017−2019年的灌溉水Cd输入见表3。依据GB 5084−2021《农田灌溉水质标准》，采集的水样数据均没有超过国家标准值，属清洁水平。根据2017年采集20份灌溉水样的结果，未检出Cd的有9份，其他11份Cd镉质量浓度平均值为0.21 μg·L−1；2018年采集的20份灌溉水样Cd镉质量浓度平均值为0.21 μg·L−1；2019年只有1份水样检测出Cd，质量浓度为0.30 μg·L−1。根据风险评估标准，将唯一检测值作为平均质量浓度，根据当地实际情况，年均灌溉水量为6 000 m3·hm−2·a−1，则2017−2019年，灌溉水Cd年输入量分别为126.00、123.00和180.00 mg·hm−2·a−1。
表 3 2017−2019年灌溉水和农药镉年输入量
Table 3. Cd content of irrigation water and pesticides from 2017−2019
年份 灌溉水 农药 平均质量浓度/(μg·L−1) 年输入量/(mg·hm−2·a−1) 平均质量分数/(mg·kg−1) 年输入量/(mg·hm−2·a−1) 2017 0.21±0.04 a 126.00±14.60 a 0.07±0.01 a 0.05±0.01 a 2018 0.21±0.02 a 123.00±19.90 a 0.09±0.01 a 0.06±0.01 a 2019 0.30±0.02 a 180.00±6.00 a 0.06±0.03 a 0.05±0.00 a 说明：不同小写字母表示在0.05水平上差异显著 -
由表3可见：2017−2019年，农药中Cd的平均质量分数分别为0.07、0.09、0.06 mg·kg−1，均小于国家标准值(10 mg·kg−1)。依据农药年均用量0.75 mg·hm−2计算输入量，则2017−2019年农药Cd的年输入量分别为0.05、0.06和0.05 mg·hm−2·a−1。
-
由表4可见：2017−2019年研究区Cd年总输出量分别为2 820.00、2 706.00和2 629.50 mg·hm−2·a−1，Cd的总输出量随着年份的增加逐年下降，但总体较平稳，平均值为2718.50 mg·hm−2·a−1。
表 4 2017−2019年研究区不同植物部位的镉质量分数与总输出量
Table 4. Concentration and total output of Cd in different plant parts of demonstration area from 2017−2019
年份 水稻 油菜 茶 Cd总输出量/
(mg·hm−2·a−1)Cd质量分数/(mg·kg−1) Cd输出量/
(mg·hm−2·a−1)Cd质量分数/(mg·kg−1) Cd输出量/
(mg·hm−2·a−1)Cd质量分数(mg·kg−1) Cd输出量/
(mg·hm−2·a−1)稻米 稻秆 油菜籽 油菜秆 茶叶 茶枝条 2017 0.12±0.02 a 0.21±0.03 a 1026.00±93.27 a 0.13±0.03 a 0.63±0.06 a 723.00±82.70 a 0.09±0.02 a 0.66±0.13 a 1 071.00±299.08 a 2 820.00±335.05 a 2018 0.10±0.01 a 0.21±0.02 a 943.50±62.90 a 0.15±0.04 a 0.63±0.08 a 750.00±92.41 a 0.05±0.01 b 0.21±0.05 b 1012.50±99.69 a 2 706.00±235.04 b 2019 0.09±0.01 a 0.22±0.04 a 985.50±75.59 a 0.05±0.01 b 0.63±0.06 a 622.50±59.32 b 0.06±0.01 b 0.21±0.07 b 1021.50±98.61 a 2 629.50±223.52 b 说明：不同小写字母表示在0.05水平上差异显著 -
对2017−2019年研究区Cd输入输出平衡估算(图1)发现：肥料和大气沉降是Cd主要的输入方式，灌溉水和农药占比较小。对3 a的投入品输入分析进行比较发现：大气沉降、灌溉水的Cd输入比例呈现逐渐上升的趋势，肥料的占比是下降的趋势，农药基本保持不变；2017−2019年，肥料和大气沉降是农业污染源重要的污染方式。按照耕层土壤为2 250 t·hm−2、土壤总Cd质量分数为0.31 mg·kg−1计算，2017−2019年Cd的年输入量分别占土壤总Cd量的0.18%、0.17%和0.14%，因此研究区周围环境及农投品均属清洁水平。表5结果表明：2017−2019年间，Cd年输入量和输出量均逐年降低，但年输出量均要大于年输入量。
图 1 2017−2019年研究区投入品镉输入占比比较
Figure 1. Comparison of input analysis results of demonstration area in 2017−2019
表 5 2017−2019年镉输入与输出量各项比较
Table 5. Comparison of Cd input and output from 2017−2019
年份 Cd输入/(mg·hm−2) Cd输出/(mg·hm−2) 大气沉降 肥料 灌溉水 农药 总量 水稻 油菜 茶 总量 2017 502.95±63.30 a 623.49±102.35 a 126.00±34.60 a 0.05±0.01 a 1 252.50±153.37 a 1 026.00±93.27 a 723.00±83.70 a 0.66±0.13 a 2820.00±335.05 a 2018 451.95±29.38 a 579.57±65.05 a 123.00±29.90 a 0.06±0.02 a 1 154.58±108.72 a 943.50±62.9 a 750.00±92.41 a 0.21±0.05 b 2706.00±235.04 b 2019 484.50±30.90 a 342.99±37.26 a 180.00±6.00 a 0.05±0.02 a 1 007.57±63.20 b 985.50±75.59 a 622.50±59.32 b 0.21±0.07 b 2629.50±223.52 b 说明：不同小写字母表示在0.05水平上差异显著 -
不同输入源对不同重金属污染的贡献存在一定的差异。本研究发现：2017−2019年研究区农田土壤重金属污染主要途径是肥料与大气沉降，分别占比34.04%~50.20%和39.14%~48.09%，而灌溉水仅占10.06%~17.87%，农药仅占0%~0.01%。
LIU等[19]研究中发现：大气沉降是农田系统Cd污染的主要来源，大气沉降进入土壤中又会降低土壤pH，会进一步导致Cd的有效态含量增加[20]。本研究区内无工厂、高铁或高速公路等明显的污染源，因此重金属污染主要受到气候的影响[21]。有研究指出：大气沉降通量具有明显的季节变化，通常在冬春季最大[22]，可能与地区的冬季供暖、燃煤等人为活动密切相关[23]。本研究区域大气沉降通量存在明显的季节变化规律，夏季湿沉降普遍高于其他季节，冬春季节干沉降较高。可能是本研究区处于亚热带季风气候，夏季充沛的降雨导致空气中的重金属通过降雨被带入农田系统中，而冬春季受供暖等活动影响Cd干沉降较高。
本研究区肥料投入主要以化肥为主，有研究表明：施用过磷酸钙会导致土壤中Cd的积累，过磷酸钙中Cd含量远高于其他磷肥，而尿素和复合肥中Cd含量均低于磷肥[24]，这和本研究结果一致，本研究区投入品中肥料对Cd贡献比例较高，是Cd输入的主要来源之一。
本研究区施用农药所导致的Cd的输入占比仅为0.01%，可忽略不计。施加的农药均为有机农药，生产过程中不涉及重金属。此外，农田年均施用量也较少，所以土壤中Cd含量较低。这与童文彬等[25]结果基本一致。
本研究区中农田系统Cd的输出主要通过作物收获，作物收获引起的Cd输出量高于Cd输入量。3种作物Cd输出量从大到小依次为茶叶、水稻、油菜，且茎秆Cd含量远高于其他部位，因而在制定土壤污染防治措施时，可以将茎秆移除，减少还田，从而达到减少Cd的净输入量。
综上，肥料与大气沉降是投入品主要污染来源，但肥料与大气沉降总体处于安全级别。由于年沉降量呈现上升趋势，仍然建议需要继续监控大气沉降。虽然农产品为可食用级别，但仍然需要避免秸秆直接还田，并进行有效资源化利用，集中收集枝条也是修复污染土壤的过程，可以达到边生产边修复的目的。
-
本研究区中2017−2019年Cd的年输入量分别占土壤总Cd量的0.18%、0.17%和0.14%，占比小，表明投入品属清洁水平。投入品输入具体表现为肥料中Cd的年输入量呈现降低的趋势，大气沉降和灌溉水的年输入量呈现上升的趋势，农药占比可忽略不计。其中施用磷肥导致土壤中Cd的含量降低，大气沉降主要源于气候。2017−2019年研究区内的Cd年输出量总体比较平稳，平均为2 718.50 mg·hm−2·a−1。其中，茶叶Cd年输出量最高，为1 012.50~1 071.00 mg·hm−2·a−1，水稻Cd年输出量居中，为943.50~1026.00 mg·hm−2·a−1，油菜Cd年输出量最低，为622.50~750.00 mg·hm−2·a−1。2017−2019年间Cd年输入量和输出量均逐年降低，说明对农投品的监控存在一定的作用，但各年输出量均大于年输入量，其原因可能是Cd在植物中出现了富集情况，因此需及时对植物进行修复。
Input and output balance of cadmium (Cd) in cultivated land with moderate pollution in Songyang County
-
摘要:
目的 为准确了解浙江省丽水市松阳县农田土壤中镉(Cd)污染来源并制定修复对策。 方法 2017−2019年，以浙江省丽水市松阳县典型耕地为研究对象，通过采集当地的投入品和农作物，连续3 a监测重金属Cd的输入和输出量。 结果 2017−2019年，研究区肥料与大气沉降是Cd的主要农业污染来源，占比分别为49.78%和40.16%、50.20%和39.14%、34.04%和48.09%；投入品每年Cd的总输入量分别占土壤Cd总量的0.18%、0.17%和0.14%。水稻Oryza sativa、油菜Brassica napus与茶Camellia sinensis的Cd年总输出量分别为2 820.00、2 706.00和2 629.50 mg·hm−2·a−1，年平均输出量为2 718.50 mg·hm−2·a−1，年平均输出量总体较为平稳。2017−2019年间Cd年输入量和输出量均逐年降低，但Cd年输出量均大于Cd年输入量，其原因可能是Cd在植物中出现了富集。 结论 该地区Cd的农业污染来源主要为肥料和大气沉降，环境及农投品整体属于清洁水平，但大气沉降量有上升的趋势，因此需对该区域继续实施长期监测；植物的年输出量均大于投入品的输入量，因此需避免秸秆直接还田，并及时修复当地受污染的土壤以及种植的植物。图1表5参25 Abstract:Objective This study is aimed at an accurate interpretation of the source of Cd pollution in farmland soil so as to put forward relevant suggestions for soil heavy metal remediation. Method An investigation was conducted of the input and output of heavy metal Cd in a typical piece of cultivated land in Songyang County of Zhejiang Province for three consecutive years by collecting local inputs and crops. Result During the period time from 2017 to 2019, fertilizer and atmospheric deposition were the main agricultural pollution sources of Cd, accounting for 49.78% and 40.16%, 50.20% and 39.14%, 34.04% and 48.09% respectively whereas the total input of Cd accounted for 0.18%、0.17% and 0.14% of the total soil Cd, respectively. The total output of Cd from rice, rape and tea were 2820.00, 2706.00 and 2629.50 mg·hm−2·a−1, respectively, with an average of 2718.50 mg·hm−2·a−1 and a relatively stable overall annual average output and the annual input and output decreased year by year, but the annual output was greater than the annual input, which may attribute to the enrichment of plant species. Conclusion It is advisable to devote efforts in the continuous implementation of long-term supervision over the atmospheric deposition in the region, the avoidance of direct return of straws to the field, the effective utilization of resources, and the timely restoration of the local contaminated soil and plants. [Ch, 1 fig. 5 tab. 25 ref.] -
Key words:
- cultivated soil /
- heavy metal /
- the pollution of Cd /
- input and output /
- Songyang
-
随着城市化加速发展，不透水地面逐渐增多，城市热岛效应(urban heat island effect，UHI)日益凸显。学者们多从热环境时空变化[1−2]、影响机制及驱动力[3]、城市热岛效应缓解方法[4]等方面展开研究，但较少关注景观网络在缓解热岛效应中的作用。这些研究表明，地表温度受斑块间的热交换影响显著，热源与热汇的连通性是影响热流动的重要因素。然而，地表温度难以反映整体格局和连通性，需要合适的方法来准确描述热环境的空间格局。对城市热岛的研究侧重于整体区域尺度或是斑块水平上的统计分析，忽视了景观网络对缓解城市热环境的作用。陈利顶等[5]利用“源-汇”理论，将热环境与生态过程结合，为解决城市热环境问题提供新思路。
城市绿地对缓解城市热岛效应具有重要作用[6]，当绿地覆盖面积在40%以下时，绿地系统的空间格局将对环境的增势以及降温产生主要影响[7]，在有限的城市空间中增加大面积的绿地已经难以实现，因此通过优化绿地空间格局来缓解城市热岛效应尤为重要。基于景观生态学“源-汇”理论，识别城市热岛像元与绿地像元，构建多层级生态网络，将是缓解城市热环境的重要手段。生态网络构建方法主要包括形态空间格局分析方法(morphological spatial pattern analysis，MSPA)、最小累积阻力模型以及重力模型等 [8−9]。MSPA方法强调景观内部结构性的连接，可以准确地将前景要素划分为核心、孤岛、孔隙、边缘、环道、桥接和支线等7类，为后期廊道以及生态节点的识别提供理论依据[10−12]。近年来MSPA方法也逐渐应用到城市热岛的研究中，以达到缓解城市热岛效应的目的。景观连通性指数包括整体连通性指数(integral index of connectivity，IIC)、可能连通性指数(probability of connectivity，PC)等，反映了景观对生态过程中能量流动的促进或阻碍作用大小，良好的景观连通性有助于构建稳定的生态环境[13]。最小累积阻力模型是指物种从源地向目标迁移扩散过程中，穿越不同景观表面所需耗费的最小代价的模型[14]，最小累积阻力模型与重力模型相结合能更好地识别生态廊道间的相互作用强度，以筛选具有重要作用的关键廊道。目前，大多数研究利用MSPA、景观连通性指数、最小累积阻力模型等方法进行绿地生态网络的构建，但利用该方法体系构建缓解城市热环境的多层级生态网络的研究相对较少。
本研究以成都市中心城区为研究对象，基于“源-汇”理论，利用MSPA与景观连通性指数，筛选研究区“源”“汇”景观，利用最小累积阻力模型、重力模型以及水文分析模块构建“源-源”“汇-汇”“源-汇”景观廊道以及生态节点，最终形成具备“补偿-运输-作用”功能的多层级景观网络格局，确定需要重点保护的生态用地、重要廊道以及关键节点，提出优化策略，为成都市生态网络空间的构建提供有效支撑。
1. 研究区域与数据来源
1.1 研究区域概况
成都市位于川西平原，30°22′~30°96′N，103°68′~104°49′E，地势较为平坦，由于地形影响，夏季炎热，冬季寒冷。本研究的中心城区(图1)包括郫都区、新都区、青白江区、温江区、金牛区、成华区、龙泉驿区、青羊区、武侯区、锦江区、双流区等11个行政区，总面积为3 732.06 km2。中心城区处于全国两大静风区之一，建筑及人口密度高，地表通风能力弱[15]，不利于城市内部热量扩散，城市热环境矛盾突出，因此具有研究城市热岛效应的典型特征。
1.2 数据来源与处理
所用数据包括2020年空间分辨率为30 m的Landsat 8 OLI卫星影像数据(
http://earthexplorer.usgs.gov )，空间分辨率为30 m的DEM高程数据(https://www.gscloud.cn/ )，以及《成都市国土空间总体规划(2020—2035年)》(草案)等相关规划图件。利用ENVI软件对获取的遥感影像预处理后利用覃志豪等[16]的单窗算法反演地表温度；利用监督分类的方法，将研究区2020年的土地利用类型细分为草地、林地、耕地、水域以及城乡建设用地等5种类型，通过实地调研踏勘与高分辨率遥感影像的目视判别，对分类结果进行校正，最终解译精度达89%以上。2. 研究方法
2.1 生态源地的识别与评价
2.1.1 “源-汇”景观划分
通过计算城市区域与周边地区的平均温度之差来确定相对热岛强度，相对热岛强度越高，相应区域内热岛效应越明显[17]。在ArcGIS中通过计算不同用地类型的相对热岛强度来判别“源-汇”景观。按照LAL等[18]和贾玉雪等[19]的研究将计算结果中相对热岛强度(H)≥0的斑块定义为对城市热环境有促进作用的“源”景观，H＜0的景观定义为“汇”景观。
2.1.2 空间形态格局分析
将“源”景观作为前景，赋值为2，“汇”景观作为背景，赋值为1，并将其转化为30 m×30 m栅格数据；运用Guidos Toolbox软件对其进行MSPA分析，设置8邻域的连通规则，边缘宽度为1，获得7种景观类型：核心区、边缘、孤岛、桥接区、环道、支线和孔隙。按相同步骤将“汇”景观作为前景，“源”景观作为背景，得到“汇”景观的空间形态格局。
2.2 基于景观连通性评价筛选生态源地
景观连通性指数可以衡量不同空间单元之间景观要素的连通性。量化景观要素在生态源地之间进行扩散或者迁移的难易程度，也是衡量生态过程之间联系程度的重要指标[20]。利用Conefor 2.6软件，通过计算IIC、PC以及斑块重要性(dI’)来衡量不同核心斑块的重要程度[21]。考虑研究区内斑块的面积和连通性，通过反复测试计算，设定斑块连接性阈值为2 000，连通概率为0.5。最后，基于景观连通性指数dI’值大小综合评估核心区斑块的景观重要程度。
2.3 阻力面构建
根据研究区现状以及数据的可获取性，最终选取用地类型、高程、坡度以及归一化植被指数(NDVI)来构建综合阻力面。其中高程决定了城市内不同区域的温度分布，坡度影响空气流动和热量累积，不同用地类型对城市热环境产生不同影响，而NDVI则反映了植被覆盖情况，对城市温度、热岛效应和空气质量有重要影响。采用专家打分法确定因子阻力值，并采用层次分析法(AHP)计算其权重值(表1)，通过叠加分析最终生成综合阻力面(图2)。可以看出，研究区内阻力值的呈现由中心向四周扩散，逐渐递减，尤其是东南方向的递减最为明显。
表 1 赋予不同影响因子的阻力值Table 1 Resistance values assigned to different impact factors影响因子 类型分级 赋予阻力值 所占权重 影响因子 类型分级 赋予阻力值 所占权重 用地分类 林地 10 0.520 坡度/( º ) 0~10 10 0.078 水地 20 10~20 30 草地 30 20~30 50 耕地 50 30~40 70 未利用土地 70 40~50 90 建设用地 100 ＞50 100 高程/m ＜200 10 0.078 归一化植被
指数(NDVI)−1.00~−0.20 10 0.201 200~400 30 −0.20~0.30 30 400~600 50 0.30~0.50 50 600~800 70 0.50~0.70 70 800~1 000 90 0.70~1.00 90 ＞1 000 100 2.4 景观生态廊道的构建
在ArcGIS中，利用Cost-distance工具构建研究区的累积耗费距离表面。利用Cost-path构建多对多的潜在生态廊道，以连接不同的“源-汇”景观。最后，利用重力模型[22]计算生态廊道间的相互作用强度，通过筛选合适的强度阈值，确保所有的“源-汇”景观均被连通，从而提取出“源-源”“汇-汇”“源-汇”生态廊道。
2.5 生态节点的识别
识别生态廊道中的关键点和障碍点能够为物种的迁徙及物种保护区的划分和规划提供科学依据[23−24]。在ArcGIS中，运用水文分析模块，对累积耗费距离表面进行水流方向、汇流累积量等一系列分析计算。通过对比不同阈值设定下最小阻力路径的完整性与连通性，最后确定阈值为500构建研究区内的低阻力廊道。运用ArcGIS中的Intersect工具将低阻力值廊道与“源-源”“汇-汇”廊道进行相交分析从而获得不同生态节点，包括生态障碍点与生态关键点，其中生态关键点是生态廊道中能量流动密度较大的点，需要对关键点进行有效利用与保护；对障碍点则需进行生态修复来提升廊道整体的连接度，以保障冷热能的有效传递。
2.6 构建缓解城市热环境多层级“源-汇”景观生态网络
将“源-源”“汇-汇”“源-汇”廊道共同相交[25]，得到一级补偿廊道；将“汇-汇”“源-汇”廊道进行相交，得到二级输送引导廊道；将“源-源”“源-汇”廊道进行相交，得到三级作用廊道，完成廊道的“补偿-运输-作用”的完整体系，构建完整的多层级“源-汇”生态景观网络。
3. 结果与分析
3.1 生态源地的识别与评价
3.1.1 “源-汇”景观的识别
从图3A可以看出：“源”景观在研究区中部呈现聚集特征，“汇”景观大多分散分布在研究区的西北部以及东南部。其中，“汇”景观斑块总计
98342 个，占研究区域总面积的62.1%，以大面积的带状水域和块状绿地为主；“源”景观斑块总计212 231个，占研究区域总面积的37.9%，由大面积建设用地组成。3.1.2 基于MSPA的“源-汇”景观分析
从“源-汇”景观的MSPA格局分析(图3B)可以看出：“源”核心景观密集地分布在研究区中部，多为城市建设用地；研究区西北以及东南两侧的“源”景观核心斑块较为破碎，景观连通性较差。研究区中部的“汇”景观由于城市绿地破碎化严重导致空间连通性较差。对比不同景观要素类型面积比(表2)发现：“源”景观核心区面积为1 169.33 km2，占“源”景观前景要素总面积的31.83%；“汇”景观核心区面积为2 053.78 km2，占“汇”景观前景要素总面积的55.91%，对城市热岛效应起重要作用。最终，分别筛选面积在0.01 km2以上的源、汇核心斑块作为重要核心斑块，以进行景观连通性分析。
表 2 “源”“汇”景观要素不同类型面积占比Table 2 Area proportion of different types of “source” “sink” landscape elements景观类型 “汇”景观面
积占比/%“源”景观面
积占比/%核心区 55.91 31.83 孤岛 0.07 0.14 孔隙 2.46 1.61 边缘区 3.32 3.77 环岛 0.06 0.04 桥接区 0.06 0.08 支线 0.21 0.26 3.1.3 基于景观连通性的生态源地筛选
将dI’值大于0.1的斑块作为研究的生态源地，分别筛选出24 个“源”“汇”生态源地(图3C)，其中“源”景观生态源地占研究区总面积的28.81%，“汇”景观生态源地占研究区总面积的53.60%。“汇”生态源地主要分布在青白江生态带、龙泉山国家森林片区、三圣乡片区、青龙湖湿地公园片区、兴隆湖湿地公园片区以及江安河流域段，而“源”景观生态源地主要分布在金牛区、成华区、锦江区、青羊区以及武侯区(简称“五城区”)。
3.2 多层级“源-汇”景观廊道
3.2.1 “源-汇”景观廊道构建
基于最小成本路径构建“源-源”廊道276条，“汇-汇”廊道266条，“源-汇”廊道690条。利用重力模型最终筛选出“源-源”廊道102条，总长度为2 081.6 km，“汇-汇”廊道141条，总长度为1 907.8 km，“源-汇”廊道325条，总长度为7 698.0 km (图4)。其中“源”景观23、24号生态源点与“汇”景观23号生态源点仅由单条景观廊道连通，表明它们在整个热环境中相对独立，呈孤岛状分布，受到其他景观斑块的影响较小，导致在整个热传导的过程中不能发挥良好的作用。
3.2.2 不同类型生态廊道与城市景观格局的空间关系
统计不同行政区内各廊道的占比情况(表3)发现：新都区、郫都区与双流区内各类“源-汇”重要廊道最多，主要以毗河、岷江等河流，部分廊道呈簇团状分布，说明在研究区冷热交换过程中起到了重要作用；由于五城区分布有大片的“源”景观生态源地，且建筑密度相对较高，区域内各层级“源-汇”重要廊道分布较少，导致其在冷热交换过程中发挥的作用较小。尤其是成华区建筑密度为14.49%，各层级廊道占比都相对较低，区域内大量热空气堆积不易扩散，热岛效应明显。
表 3 研究区各行政区景观廊道分布Table 3 Distribution of landscape corridors in each administrative district行政区 建筑密度/% “源-源”廊道长度/km 所占比例/% “汇-汇”廊道长度/km 所占比例/% “源-汇”廊道长度/km 所占比例/% 新都区 20.50 825.32 26.6 642.65 17.2 23 563.22 21.87 郫都区 20.43 518.02 16.7 810.47 21.8 17 422.12 16.17 双流区 12.72 509.82 16.4 689.71 18.6 23 944.23 22.22 温江区 19.12 357.46 11.5 233.84 6.2 9 438.32 8.76 龙泉驿区 11.16 345.57 11.1 171.33 4.6 9 768.86 9.06 金牛区 18.99 229.24 7.3 379.07 6.2 5 423.08 5.03 青白江区 15.01 201.95 6.5 31.16 0.8 3 699.39 3.43 成华区 14.49 90.75 2.9 18.13 0.5 2 827.71 2.62 锦江区 18.01 11.05 0.3 177.75 4.7 3 295.24 3.06 青羊区 28.09 7.04 0.2 303.22 8.2 3 500.85 3.25 武侯区 22.20 5.26 0.2 409.52 11.0 4 882.50 4.53 3.2.3 生态关键点与生态障碍点的数量与空间分布特征
利用水文分析模块获取低阻力廊道95条，将低阻力廊道与“源-汇”廊道相交分析得到生态障碍点148个，生态关键点103个(图5A)，其中生态关键点在青羊区、武侯区以及锦江区与双流区交汇处出现堆积现象，导致该区域出现功能廊道不能充分利用的问题。生态关键点整体分布与“汇”景观生态源地分布情况大致相同，这意味着加强“汇”景观源地的生态建设，降低周边阻力值，将会有效提升网络连通性。而生态障碍点大多聚集在建筑密度相对较高的区域，生态障碍点堆积处出现大量的热能无法有效被传输，加强生态障碍点的生态修复对城市热量的传导具有重要作用。
图 5 低阻力廊道、生态障碍点与关键点分布(A)及“源-汇”多层级景观网络示意图(B)Figure 5 Distribution of low-resistance corridors, ecological barrier points and key points (A), and “source-sink” multi-level landscape network (B)3.2.4 缓解热环境的多层级生态网络构建
多层级“源-汇”景观网络中(图5B)，一级补偿廊道36条，主要由岷江、毗河和其他河流廊道构成，分布在研究区西部以及北部，在城市中发挥着冷热空气交换的重要作用，是补充能量的主要途径；二级输送引导廊道125条，主要分布在西部、南部以及北部的三环路附近，起到将冷空气运输和分配的作用，是实现能量传递的次要路线；三级作用廊道86条，主要分布在研究区西北以及东北部，主要承担实现热空气的运输和分配的任务，是“源-汇”景观能量交换过程的末端环节。3种廊道共同作用，实现了廊道的“补偿-输送-作用”的功能，以达到缓解城市热岛效应的作用。
4. 缓解城市热环境的优化策略
4.1 生态源地优化
优化生态网络中的“源-汇”景观源地对改善城市热环境具有重要作用。在五城区中大量建筑密度高、人口高度密集的“源”景观生态源地，应加强垂直绿化、屋顶绿化等来增加植被覆盖率；在源地周围增加社区口袋公园、绿化带等构建缓冲区，以改善城市生态环境。对于龙泉驿区、双流区等植被覆盖率高、生态质量好的“汇”景观生态源地，可建设生态公园和自然保护区、引进生态景观设计等，以增强其改善气候环境的生态效能。
4.2 生态节点优化
对区域内生态障碍点来说，可以推广绿色建筑以有效地吸收太阳辐射，对新建城区的建筑布局进行合理规划，降低建筑密度、增加绿色基础服务设施以降低城市表面的温度，有效改善城市热岛效应。对生态关键点可退耕还林、扩大区域植被绿化面积、建立生态缓冲区等来降低生态关键点周边的阻力值，以确保生态关键点与生态廊道的连通性，保障热量之间的相互流通。
4.3 生态廊道优化
一级补偿廊道多依托水系以及绿道进行构建，是调节气候的关键要素，可对其进行生态规划保护，包括河道整治、整合岸线资源以及拓宽绿道宽度等。二级输送引导廊道相当于城市通风廊道，可对廊道布局、地形特征和内部设施等方面合理规划，以保证冷空气的输送，尤其需注重绿地植被结构的优化设计，确保其通透性。三级作用廊道主要起热交换的作用，可以拓宽廊道横截面、加强沿线绿化建设等提高其作用效率。
4.4 生态网络的空间联系
通过生态缓冲区的建设提高生态关键点与障碍点的生态环境质量，增强与生态廊道的有效连接与过渡，强化“源”“汇”景观生态源地之间的相互渗透，增加绿色基础设施建设，减弱高密度建成区对自然生态环境的干扰，推进城市生态环境多层次、立体化、网络化的建设思路，整体提升生态网络缓解城市热岛效应的能力。
5. 讨论与结论
本研究共筛选“源” “汇”景观源地24个，“源-源”廊道102条，“汇-汇”廊道141条，“源-汇”廊道325条，生态关键点103个，生态障碍点148个。多层级景观网络中，一级补偿廊道36条，二级输送廊道125条，三级作用廊道86条，分布在研究区北部、南部与西北部。
与其他研究相比[15−16]，本研究利用MSPA方法提取研究区内与城市热环境相关的“源-汇”景观核心斑块，计算景观连通性筛选“源-汇”景观生态源地，使生态源地识别过程更科学，减少生态源地识别的主观性；运用最小累积阻力模型与重力模型，最终构建多层级生态网络优化格局，该研究方法框架将为缓解城市热环境提出新的研究思路。综合运用水文分析模块构建的低阻力廊道与不同类型的“源”“汇”景观生态廊道相交，获取缓解城市热环境的生态关键点与生态障碍点，同时，将不同类型的“源”“汇”生态廊道进行相交，构建多层级的“源-汇”生态网络，分析城市建设开发状况与生态网络的空间格局关系，可更直观地揭示出生态网络脆弱区域存在的生态问题。
本研究仅对2020年的城市热环境数据展开分析，城市景观格局不断地发生变化，根据不同时期城市景观格局与城市热岛效应之间的动态变化关系，筛选具有高稳定性、高连通性的源地，综合构建缓解热环境的优化生态网络空间格局，将是后期研究的重点方向。生态网络建设是一个复杂的过程，涉及诸多因素，需要从不同尺度进行多层次分析和构建。增强城市与周边地区生态斑块之间的联系，保护核心生态斑块的完整性，保护区域的生物多样性并促进城市的可持续发展是其最终目的，因此从多尺度协同角度出发来构建综合生态网络，也是后期研究的重要方向。
-
图 1 2017−2019年研究区投入品镉输入占比比较
Figure 1 Comparison of input analysis results of demonstration area in 2017−2019
表 1 2017−2019年大气干湿沉降镉年输入量
Table 1. Cd input of atmospheric dry and wet deposition in 2017−2019
年份 降水中Cd质量浓度/(mg·L−1·a−1) Cd年输入量/(mg·hm−2·a−1) 总计/(mg·hm−2·a−1) 湿沉降 干沉降 2017 0.02±0.00 a 308.55±56.30 a 194.40±14.00 a 502.95±63.30 a 2018 0.02±0.00 a 268.95±16.86 a 183.00±12.52 a 451.95±29.38 a 2019 0.02±0.00 a 343.20±18.28 a 141.30±12.62 a 484.50±30.90 a 说明：不同小写字母表示在0.05水平上差异显著 
下载: 导出CSV
表 2 2017−2019年研究区稻田与茶园化肥中镉年输入量
Table 2. Cd annual chemical fertilizer input of paddy field and tea garden in demonstration area from 2017 to 2019
年份 类别 Cd年输入量/(mg·hm−2·a−1) 合计/(mg·hm−2·a−1) 总计/(mg·hm−2·a−1) 尿素 过磷酸钙 复合肥 2017 稻田 3.00±0.23 b 332.40±47.20 a 137.34±25.60 a 472.74±59.13 a 623.49±102.35 a 茶园 3.60±0.32 b 0 147.15±30.26 a 150.75±38.80 a 2018 稻田 19.95±1.93 a 48.48±3.20 b 235.20±54.60 a 303.63±44.96 ab 579.57±65.05 a 茶园 23.94±3.72 a 0 252.00±58.50 a 275.94±42.26 a 2019 稻田 12.00±2.01 ab 26.88±3.20 b 139.86±23.60 a 178.74±57.48 b 342.99±37.26 a 茶园 14.40±1.80 ab 0 149.85±16.00 a 164.25±34.84 a 说明：不同小写字母表示在0.05水平上差异显著
下载: 导出CSV
表 3 2017−2019年灌溉水和农药镉年输入量
Table 3. Cd content of irrigation water and pesticides from 2017−2019
年份 灌溉水 农药 平均质量浓度/(μg·L−1) 年输入量/(mg·hm−2·a−1) 平均质量分数/(mg·kg−1) 年输入量/(mg·hm−2·a−1) 2017 0.21±0.04 a 126.00±14.60 a 0.07±0.01 a 0.05±0.01 a 2018 0.21±0.02 a 123.00±19.90 a 0.09±0.01 a 0.06±0.01 a 2019 0.30±0.02 a 180.00±6.00 a 0.06±0.03 a 0.05±0.00 a 说明：不同小写字母表示在0.05水平上差异显著
下载: 导出CSV
表 4 2017−2019年研究区不同植物部位的镉质量分数与总输出量
Table 4. Concentration and total output of Cd in different plant parts of demonstration area from 2017−2019
年份 水稻 油菜 茶 Cd总输出量/
(mg·hm−2·a−1)Cd质量分数/(mg·kg−1) Cd输出量/
(mg·hm−2·a−1)Cd质量分数/(mg·kg−1) Cd输出量/
(mg·hm−2·a−1)Cd质量分数(mg·kg−1) Cd输出量/
(mg·hm−2·a−1)稻米 稻秆 油菜籽 油菜秆 茶叶 茶枝条 2017 0.12±0.02 a 0.21±0.03 a 1026.00±93.27 a 0.13±0.03 a 0.63±0.06 a 723.00±82.70 a 0.09±0.02 a 0.66±0.13 a 1 071.00±299.08 a 2 820.00±335.05 a 2018 0.10±0.01 a 0.21±0.02 a 943.50±62.90 a 0.15±0.04 a 0.63±0.08 a 750.00±92.41 a 0.05±0.01 b 0.21±0.05 b 1012.50±99.69 a 2 706.00±235.04 b 2019 0.09±0.01 a 0.22±0.04 a 985.50±75.59 a 0.05±0.01 b 0.63±0.06 a 622.50±59.32 b 0.06±0.01 b 0.21±0.07 b 1021.50±98.61 a 2 629.50±223.52 b 说明：不同小写字母表示在0.05水平上差异显著
下载: 导出CSV
表 5 2017−2019年镉输入与输出量各项比较
Table 5. Comparison of Cd input and output from 2017−2019
年份 Cd输入/(mg·hm−2) Cd输出/(mg·hm−2) 大气沉降 肥料 灌溉水 农药 总量 水稻 油菜 茶 总量 2017 502.95±63.30 a 623.49±102.35 a 126.00±34.60 a 0.05±0.01 a 1 252.50±153.37 a 1 026.00±93.27 a 723.00±83.70 a 0.66±0.13 a 2820.00±335.05 a 2018 451.95±29.38 a 579.57±65.05 a 123.00±29.90 a 0.06±0.02 a 1 154.58±108.72 a 943.50±62.9 a 750.00±92.41 a 0.21±0.05 b 2706.00±235.04 b 2019 484.50±30.90 a 342.99±37.26 a 180.00±6.00 a 0.05±0.02 a 1 007.57±63.20 b 985.50±75.59 a 622.50±59.32 b 0.21±0.07 b 2629.50±223.52 b 说明：不同小写字母表示在0.05水平上差异显著
下载: 导出CSV
-
[1] 陈世宝, 王萌, 李杉杉, 等. 中国农田土壤重金属污染防治现状与问题思考[J]. 地学前缘, 2019, 26(6): 35 − 41. CHEN Shibao, WANG Meng, LI Shanshan, et al. Current status of and discussion on farmland heavy metal pollution prevention in China [J]. Earth Sci Front, 2019, 26(6): 35 − 41. [2] CHEN Junren, SHAFI M, LI Song, et al. Copper induced oxidative stresses, antioxidant responses and phytoremediation potential of Moso bamboo (Phyllostachys pubescens) [J]. Sci Rep, 2015, 5: 13554. doi: 10.1038/srep13554. [3] 陈能场, 郑煜基, 何晓峰, 等. 《全国土壤污染状况调查公报》探析[J]. 农业环境科学学报, 2017, 36(9): 1689 − 1692. CHEN Nengchang, ZHENG Yuji, HE Xiaofeng, et al. Analysis of the bulletin of national soil pollution survey [J]. J Agro-Environ Sci, 2017, 36(9): 1689 − 1692. [4] TENG Yangguo, NI Shijun, WANG Jinsheng. A geochemical survey of trace elements in agricultural and non-agricultural topsoil in Dexing area, China [J]. J Geochem Exp, 2010, 104(3): 118 − 127. [5] 陈卫平, 杨阳, 谢天, 等. 中国农田土壤重金属污染防治挑战与对策[J]. 土壤学报, 2018, 55(2): 261 − 272. CHEN Weiping, YANG Yang, XIE Tian, et al. Challenges and countermeasures for heavy metal pollution control in farmlands of China [J]. Acta Pedol Sin, 2018, 55(2): 261 − 272. [6] ZARCINAS B A, CHE F I, MCLAUGHLIN M J, et al. Heavy metals in soils and crops in southeast Asia [J]. Environ Geochem Health, 2004, 26(3): 343 − 357. [7] YI Kexin, FAN Wang, CHEN Jiayu. Annual input and output fluxes of heavy metals to paddy fields in four types of contaminated areas in Hunan Province, China [J]. Sci Total Environ, 2018, 634: 67 − 76. [8] BELON E, BOISSON M, DEPORTES I Z, et al. An inventory of trace elements inputs to French agricultural soils [J]. Sci Total Environ, 2012, 439(15): 87 − 95. [9] JIANG Wei, HOU Qingye, YANG Zhongfang, et al. Annual input fluxes of heavy metals in agricultural soil of Hainan Island, China [J]. Environ Sci Pollut Res, 2014, 21(13): 7876 − 7885. [10] 周永章, 沈文杰, 李勇, 等. 基于通量模型的珠江三角洲经济区土壤重金属地球化学累积预测预警研究[J]. 地球科学进展, 2012, 27(10): 1115 − 1125. ZHOU Yongzhang, SHEN Wenjie, LI Yong, et al. A study of prediction and early-warning forecast on geochemical accumulation of soil heavy metals based on flux model in Pearl River delta Economic zone (China) [J]. Adv Earth Sci, 2012, 27(10): 1115 − 1125. [11] NICHOLSON F A, MCIWEM S R S, ALLOWAY B J, et al. Quantifying heavy metal inputs to agricultural soils in England and Wales [J]. Water Environ J, 2006, 20(2): 87 − 95. [12] 张昱, 胡君利, 白建峰, 等. 电子废弃物拆解区周边农田土壤重金属污染评价及成因解析[J]. 生态环境学报, 2017, 26(7): 1228 − 1234. ZHANG Yu, HU Junli, BAI Jianfeng, et al. Contamination assessment and genesis analysis of heavy metals in farmland soils around a waste electrical and electronic equipment’s disassembling area [J]. Ecol Environl Sci, 2017, 26(7): 1228 − 1234. [13] XIA Xueqi, YANG Zhongfang, CUI Yujun, et al. Soil heavy metal concentrations and their typical input and output fluxes on the southern Song-nen Plain, Heilongjiang Province, China [J]. J Geochem Exp, 2014, 139: 85 − 96. [14] DOABI S A, KARAMI M, AFYUNI M, et al. Regional-scale fluxes of zinc, copper, and nickel into and out of the agricultural soils of the Kermanshah province in western Iran [J]. Environ Monit Assess, 2016, 188: 216. doi: 10.1007/s10661-016-5225-3. [15] 石陶然. 基于输入输出清单的浙江省农田土壤重金属预测预警及污染状况研究[D]. 杨凌: 西北农林科技大学, 2019. SHI Taoran. Prediction and Early-Warning Forecast on Heavy Metals and Their Pollution Status in Agricultural Soils in Zhejiang Province, China Based on Input-Output Inventory[D]. Yangling: Northwest A&F University, 2019. [16] 黄颖. 不同尺度农田土壤重金属污染源解析研究[D]. 杭州: 浙江大学, 2018. HUANG Ying. The Exploring of Heavy Metal Pollution Source Apportionment in Various Scale of Agricultural Soils[D]. Hangzhou: Zhejiang University, 2018. [17] 李娇, 吴劲, 蒋进元, 等. 近十年土壤污染物源解析研究综述[J]. 土壤通报, 2018, 49(1): 232 − 242. LI Jiao, WU Jin, JIANG Jinyuan, et al. Review on source apportionment of soil pollutants in recent ten years [J]. Chin J Soil Sci, 2018, 49(1): 232 − 242. [18] 杨硕, 阎秀兰, 冯依涛. 河北曹妃甸某农场农田土壤重金属空间分布特征及来源分析[J]. 环境科学学报, 2019, 39(9): 3064 − 3072. YANG Shuo, YAN Xiulan, FENG Yitao. Spatial distribution and source identification of heavy metals in the farmland soil of the Caofeidian in Hebei Province [J]. Acta Sci Circumstantiae, 2019, 39(9): 3064 − 3072. [19] LIU Ping, ZHAO Haijun, WANG Lili, et al. Analysis of heavy metal sources for vegetable soils from Shandong Province, China [J]. Agric Sci China, 2011, 10(1): 109 − 119. [20] 杨梦丽, 马友华, 黄文星, 等. 土壤Cd和Pb有效态与全量和pH相关性研究[J]. 广东农业科学, 2019, 46(4): 80 − 86. YANG Mengli, MA Youhua, HUANG Wenxing, et al. Study on the correlation between available state, total amount and pH of soil Cd and Pb [J]. Guangdong Agric Sci, 2019, 46(4): 80 − 86. [21] 朱鹏, 刘洋, 陈良华, 等. 岷江下游农田生态系统重金属铅镉锌的输入源格局[J]. 农业环境科学学报, 2013, 32(9): 1814 − 1820. ZHU Peng, LIU Yang, CHEN Lianghua, et al. Input pattern of sources for Pb, Cd and Zn in the agricultural ecological system in the lower reaches(Wutongqiao Section) of Minjiang River [J]. J Agri-Environ Sci, 2013, 32(9): 1814 − 1820. [22] HUANG Wen, DUAN Dandan, ZHANG Yulong, et al. Heavy metals in particulate and colloidal matter from atmospheric deposition of urban Guangzhou, South China [J]. Mar Pollut Bull, 2014, 85(2): 720 − 726. [23] 张国忠, 黄威, 潘月鹏, 等. 河北典型农田大气重金属干沉降通量及来源解析[J]. 中国生态农业学报, 2019, 27(8): 1245 − 1254. ZHANG Guozhong, HUANG Wei, PAN Yuepeng, et al. Dry deposition flux of atmospheric heavy metals and its source apportionment in a typical farmland of Hebei Province [J]. Chin J Eco-Agric, 2019, 27(8): 1245 − 1254. [24] 陈芳, 董元华, 安琼, 等. 长期肥料定位试验条件下土壤中重金属的含量变化[J]. 土壤, 2005, 37(3): 308 − 311. CHEN Fang, DONG Yuanhua, AN Qiong, et al. Changes of soil heavy metal content in long-term fertilization trial [J]. Soils, 2005, 37(3): 308 − 311. [25] 童文彬, 郭彬, 林义成, 等. 衢州典型重金属污染农田镉、铅输入输出平衡分析[J]. 核农学报, 2020, 34(5): 1061 − 1069. TONG Wenbin, GUO Bin, LIN Yicheng, et al. Assessment of input-output patterns of Cd and Pb of typical heavy metal polluted agricultural land in Quzhou [J]. J Nucl Agric Sci, 2020, 34(5): 1061 − 1069. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200728
点击查看大图
计量
- 文章访问数: 672
- HTML全文浏览量: 148
- PDF下载量: 26
- 被引次数: 0
