城市土壤重金属来源解析模型研究综述

城市土壤重金属来源解析模型研究综述城市土壤作为城市生态系统的核心组成部分，不仅承担着支撑城市建设、调节微气候、涵养水源等基础功能，更与居民健康、食品安全及生态系统稳定性密切相关。随着工业化、城市化进程的快速推进，工业排放、交通污染、生活垃圾堆积等人类活动导致大量重金属进入城市土壤环境，镉、汞、铅、砷、铬等有毒重金属通过食物链富集、扬尘吸入、皮肤接触等途径进入人体，长期累积可引发神经系统损伤、脏器功能衰竭甚至癌症等健康风险。在此背景下，精准识别城市土壤重金属的污染来源、定量解析不同源的贡献率，成为土壤污染风险管控、修复方案制定的核心前提，而来源解析模型的发展与应用则是实现这一目标的关键技术支撑。一、城市土壤重金属来源解析的核心理论基础城市土壤重金属的来源具有显著的多元性、复合性及时空异质性特征，其来源解析的本质是基于污染物的“源-汇”传输过程，通过识别不同污染源的特征指纹，建立污染源与受体污染物之间的定量响应关系。从物质循环角度看，城市土壤重金属的输入通量主要受自然源与人为源两大体系共同驱动：自然源包括成土母质风化、大气降尘自然输入、火山活动等，其重金属含量通常与区域背景值接近，空间分布相对均匀；人为源则涵盖工业生产、交通运输、农业活动、城市生活垃圾处置等，具有排放强度大、重金属毒性高、空间分布集聚的特征。源解析模型的构建需遵循三个核心假设：一是“源成分谱稳定性假设”，即同一污染源排放的重金属相对组成保持稳定，不受传输过程的显著影响；二是“来源保守性假设”，即重金属从源到受体的传输过程中无额外添加或损耗，或者其变化可通过参数校正量化；三是“源数合理性假设”，即模型识别的污染源数量与实际排放源数量匹配，避免过度拟合或拟合不足。不同模型的差异本质上是对上述假设的放松程度、适用场景及数据要求的不同，其发展历程也始终围绕着降低假设依赖、提升解析精度、适配复杂城市环境三个方向演进。二、传统源解析模型的应用特征与局限性2.1多元统计模型：定性识别的基础工具多元统计模型是最早应用于城市土壤重金属源解析的方法体系，核心通过挖掘重金属含量数据的内在统计关联实现来源分类，代表性方法包括主成分分析（PCA）、聚类分析（CA）、因子分析（FA）及正定矩阵因子分解（PMF）等。其中主成分分析通过对高维重金属含量数据降维，提取具有明确污染源指示意义的主成分，例如当主成分中载荷较高的元素为Cd、Pb、Zn时，通常指示交通污染源；若As、Cr、Ni载荷较高，则可能与成土母质自然源相关。聚类分析则根据重金属含量的相似性将采样点划分为不同组别，结合采样点周边的土地利用类型可辅助判断污染源类型，例如工业园区周边的聚类组通常对应工业污染源，农田区聚类组多与农业化肥、农药施用相关。但传统多元统计模型存在显著局限性：首先，多数方法仅能实现污染源的定性识别，无法定量计算不同源的贡献率，难以支撑污染管控的精准决策；其次，模型对数据分布要求较高，当重金属含量存在极端异常值、数据非正态分布时，解析结果偏差较大；此外，模型无法区分自然源与人为源中元素组成相似的污染源，例如工业排放的Cr与成土母质中的Cr元素特征相近时，易出现源识别混淆。2018年对北京中心城区土壤重金属的源解析研究显示，单独使用主成分分析时，交通源与工业源的识别误差可达23%，其结果仅能作为初步筛查工具，无法独立用于定量解析。2.2化学质量平衡模型（CMB）：早期定量解析的主流方法化学质量平衡模型基于质量守恒原理，通过建立受体中各重金属含量与各污染源成分谱、贡献率的线性方程，实现不同源贡献率的定量计算，其核心公式为：$$C_i=\sum_{j=1}^{n}F_{ij}\timesS_j$$其中$C_i$为受体中重金属$i$的含量，$F_{ij}$为污染源$j$中重金属$i$的含量（即源成分谱），$S_j$为污染源$j$的贡献率。该模型原理简单、解析结果直观，在20世纪末至21世纪初被广泛应用于欧美城市的土壤重金属源解析工作中，1999年美国环保署将其列为土壤污染来源识别的推荐方法之一。然而CMB模型的应用瓶颈也十分突出：一是需要提前获取研究区所有潜在污染源的精准成分谱，而城市环境中工业企业类型繁杂、交通排放成分随车辆类型和燃油品质动态变化，源成分谱的测定成本极高且难以覆盖所有排放源；二是模型对共线性污染源的解析能力差，当两个污染源的成分谱相似度超过70%时，贡献率计算误差可超过40%；三是无法处理传输过程中重金属的损失或二次转化问题，例如大气沉降中的重金属在进入土壤前发生的化学反应会导致受体成分与源成分谱不匹配，进一步降低解析精度。2021年针对长三角某工业城市的对比研究显示，当研究区存在3个以上成分相似的工业污染源时，CMB模型的解析结果与实际源排放清单的吻合度不足50%，其应用场景逐渐被更复杂的受体模型替代。三、新型源解析模型的技术突破与应用场景3.1同位素示踪模型：高精准度的来源判定技术同位素示踪技术利用不同污染源中重金属同位素组成的特征差异，通过比对受体与污染源的同位素比值实现来源识别，是当前源解析领域精度最高的技术之一。常用的重金属同位素体系包括铅同位素（²⁰⁶Pb/²⁰⁷Pb、²⁰⁸Pb/²⁰⁶Pb）、镉同位素（¹¹⁴Cd/¹¹⁰Cd）、汞同位素（²⁰²Hg/¹⁹⁸Hg）等，其中铅同位素的应用最为成熟：工业排放的铅通常来自矿石冶炼，其²⁰⁶Pb/²⁰⁷Pb比值通常在1.15-1.18之间，而汽油燃烧排放的铅比值多低于1.12，成土母质自然源的铅比值则与区域地质背景相关，通常在1.20以上。通过建立三元混合模型，即可定量计算自然源、工业源、交通源对土壤铅的贡献率。同位素示踪模型的优势在于其结果的唯一性和高灵敏度，即使不同源的重金属元素组成相似，同位素特征也存在显著差异，2022年对珠三角某城市农田土壤的研究显示，铅同位素示踪对交通源贡献率的解析误差可控制在5%以内，远高于传统统计模型的精度。但该技术的推广也面临明显限制：一是同位素检测成本极高，单个样品的铅同位素测试费用超过1000元，大尺度区域研究的经济成本难以承受；二是目前仅铅、镉、汞等少数重金属有成熟的同位素示踪体系，铬、镍、铜等常见重金属的同位素源指纹特征仍不明确，无法实现多元素的同步解析；三是部分污染源的同位素特征存在重叠，例如燃煤排放与部分工业冶炼的铅同位素比值范围重合，需要结合其他方法辅助判定。3.2机器学习模型：复杂城市环境下的适配性方案随着大数据技术的发展，机器学习模型凭借其强大的非线性拟合能力，逐渐成为城市土壤重金属源解析的新兴工具。代表性模型包括随机森林（RF）、支持向量机（SVM）、人工神经网络（ANN）、梯度提升树（GBDT）等，其核心思路是将土壤重金属含量作为因变量，将污染源相关的特征变量（如采样点到工业区的距离、交通流量、土地利用类型、土壤理化性质等）作为自变量，通过模型训练建立自变量与因变量的映射关系，进而计算不同特征变量对重金属含量的贡献度，间接反映不同污染源的贡献率。与传统模型相比，机器学习模型的优势十分显著：首先，无需提前获取源成分谱，仅需受体含量数据和污染源相关的空间属性数据即可完成解析，大幅降低了数据获取成本；其次，能够处理非线性关系，有效适配城市复杂环境下重金属传输的多因素耦合效应，例如可同时捕捉工业排放、交通污染、大气沉降等多源输入的交互作用；第三，可实现空间可视化输出，结合GIS技术能够绘制不同污染源贡献率的空间分布图谱，直接支撑污染管控的空间分区。2023年对上海中心城区土壤重金属的源解析研究显示，随机森林模型对镉、铅、砷三种重金属来源的解析精度较传统PMF模型提升了32%，对小尺度分散污染源的识别能力提升尤为明显。但机器学习模型的应用也存在潜在风险：一是模型的“黑箱”特征导致其结果的可解释性较差，难以明确污染源与受体之间的物理传输机制，部分研究中出现了“高贡献度特征与污染源无直接关联”的异常结果；二是模型对训练数据的质量和数量要求高，当采样点数量不足、特征变量覆盖不全时，易出现过拟合问题，解析结果泛化能力差；三是不同模型的解析结果差异较大，目前尚未形成统一的参数校准和结果验证标准，不同研究之间的结果可比性较弱。3.3耦合模型：多方法融合的精度提升路径为弥补单一模型的缺陷，近年来“受体模型+同位素示踪”“机器学习+统计模型”“源清单法+受体模型”等耦合模型逐渐成为研究热点。耦合模型通过不同方法的优势互补，实现解析精度与适用性的平衡，例如“PMF+铅同位素”耦合模型首先通过PMF模型识别出主要污染源类别，再利用铅同位素的精准示踪能力校正PMF模型中相似源的贡献率，解决传统PMF模型源识别混淆的问题；“随机森林+空间滞后模型”耦合方案则通过空间滞后模型捕捉重金属的空间自相关特征，再结合随机森林的非线性拟合能力，同时考虑空间传输过程和污染源特征的影响。2024年针对京津冀城市群土壤重金属的大规模研究中，研究团队采用“源排放清单+PMF+同位素示踪”的三级耦合模型，首先通过源排放清单初步筛选出12类潜在污染源，再利用PMF模型定量计算不同源的贡献率范围，最后通过镉、铅同位素的特征比值校正工业源与交通源的贡献率，最终解析结果与实际污染源排放数据的吻合度达到91%，较单一PMF模型精度提升了27%，充分证明了耦合模型在大尺度复杂城市区域的应用潜力。当前耦合模型的发展方向主要集中在三个方面：一是建立多方法结果的验证与校正体系，降低不同方法之间的结果偏差；二是开发多介质耦合模型，同步考虑大气、水、土壤多介质中重金属的传输过程，提升解析结果的系统性；三是构建标准化的耦合模型应用流程，提高不同研究结果的可比性。四、源解析模型的应用挑战与未来发展方向当前城市土壤重金属源解析模型的应用仍面临三大核心挑战：一是城市环境的高度异质性导致模型适配性不足，不同城市的产业结构、交通特征、自然背景差异极大，同一模型在不同研究区的解析精度波动可达20%-50%，缺乏普适性的模型参数校准方案；二是多污染物复合污染下的源识别难度大，城市土壤中重金属往往与多环芳烃、微塑料等污染物共存，复合污染下的源指纹特征发生改变，传统模型难以区分不同污染物的同源性与异源性；三是动态源解析能力不足，现有模型多为静态解析，无法反映不同季节、不同时段污染源排放强度变化对土壤重金属累积的动态影响，难以支撑污染的精细化、动态化管控。未来源解析模型的发展将围绕四个方向重点推进：第一，开发高时空分辨率的动态源解析模型，结合实时排放监测数据、大气沉降通量数据，实现土壤重金属来源的季度、月度甚至逐小时动态解析，支撑污染过程的溯源与预警；第二，构建多技术融合的智能解析体系，将同位素检测技术、高光谱遥感技术、机器学习模型深度融合，建立“快速筛查-精准识别-定量解析-空间可视化”的全流程技术链条，大幅降低源解析的成本与周期；第三，建立标准化的源解析技术规范，针对不同城市类型、不同污染场景制定对应的模型选择指南、参数校准标准与结果验证方法，提高源解析结果的可靠性与可比性；第四，拓展源解析结果的应用场景，将源解析结果与健康