论文部分内容阅读
土壤作为生态系统中联系有机界和无机界的重要枢纽,为植物提供水分和养分,是农业生产的基本生产资料之一。土壤环境状况与农产品安全密切相关。土壤是一种不可更新的自然资源,一经破坏在较短时间内难以恢复。随着我国社会经济的快速发展与城镇化进程的不断推进,人类活动对土壤环境的影响日益增长,土壤环境状况不容乐观,尤其是土壤重金属污染问题日益突出。针对该问题,我国正逐步开展相关污染防治工作。快速识别和掌握区域尺度上土壤重金属及其污染来源的时空分布特征,是高效开展污染防治工作的前提条件之一。本文以近年来经济快速发展的长江三角洲南翼为研究区域,针对铬、铅、镉、汞和砷五种主要土壤重金属元素,基于多期历史采样数据和相关环境变量,采用多种空间分析模型和机器学习算法,开展农用地土壤环境质量评价、土壤污染来源识别和土壤污染动态模拟研究,以期为我国土壤重金属污染防治工作提供一定的技术支撑。主要研究内容和结论如下:（1）常规土壤环境质量评价方法通常以单一对象（土壤、作物或人体健康）为主,结果仅反映评价对象的污染情况,而忽略了土壤、作物和人体健康的相互作用与关系。为解决该问题,本研究主要针对土壤重金属元素,引入空间多准则决策理论,建立起以人体健康为主的土壤环境质量联合评价模型。该模型采用模糊法解决不同指标间量纲差异问题,使用层次分析法定义各指标权重,并通过有序加权平均法进行结果集成。研究表明,分别以土壤、作物或人体健康为研究对象时,三类评价结果中土壤环境质量污染程度及主要污染元素存在较大差异。而本研究所构建的联合评价模型以人体健康为主,并兼顾土壤及作物安全,在一定程度上实现了区域土壤环境质量评价总体趋势的统一,且模型结果对土壤、作物和人体健康三类评价结果均有所体现。（2）传统土壤污染源解析方法难以精准定位区域尺度土壤各重金属元素的污染来源,且主要适用于土壤污染来源的监管,在土壤污染防控工作中适用性相对较差。本研究选取成土母质、土壤类型、土地利用类型、土壤p H、土壤有机质、PM2.5、PM10、人口密度、肥料（氮肥、磷肥、钾肥和有机肥）/农药/农膜施用量、采样点与污染企业/道路/河流的最近距离共17个环境变量,采用随机森林构建土壤各重金属元素含量预测模型,较好预测了各元素总量及其空间分布情况;并基于预测模型中变量重要性评估结果定量分析了不同土壤重金属元素的主要污染来源,其中与污染企业的距离和大气沉降是影响土壤重金属含量分布的主要因素。通过结合模糊k均值聚类和随机森林模型,识别和定义不同土壤潜在污染区域,并将研究区划分为高风险区、低风险区和安全区三类区域。（3）企业污染是土壤重金属污染的主要成因之一,但我国企业变更较快,且企业信息难以获得,传统方法很难及时地对区域尺度不同类型企业造成的土壤污染进行调查和分析。本研究基于支持向量机、朴素贝叶斯和人工神经网络建立不同的企业行业分类模型,其中多项式朴素贝叶斯模型分类精度最高,准确率高达86.5%,Kappa系数为0.82,分类结果与实际基本一致。其次使用来自搜索引擎的免费地理信息数据（包括19万家企业）,并采用多项式朴素贝叶斯模型将其划分为不同的行业类型。最后通过双变量局部Moran’s I模型,探讨了不同行业类型与土壤镉、汞污染的空间相关性,并对不同行业类型所造成的土壤污染进行了对比和分析,同时发现研究区土壤镉污染的主要原因是土壤镉元素背景值过高。（4）通过预测未来一段时间内土壤重金属污染及其变化趋势,可及时采取有效措施减缓或防止土壤污染的发生,目前针对未来土壤环境质量预测仍缺乏有效的分析手段。本研究采用卷积神经网络模型和多种环境变量数据,计算土壤环境质量各类别的发展概率;并基于元胞自动机模型,结合发展概率、自适应惯性系数和轮盘竞争机制,构建适用于土壤环境质量类别的时空预测模型;该模型Kappa系数均超过0.41,预测结果及空间分布趋势与实际较为接近。最后通过联合乐观情景模拟,探讨未来土壤污染面积占比区间;经计算,2020年、2030年和2050年土壤污染面积占比分别为11.8%～17.3%、6.5%～15.2%和1.9%～8.3%,且土壤主要污染元素为镉元素。