城市表层土壤重金属污染分析.docx

城市表层土壤重金属污染分析.docx

《城市表层土壤重金属污染分析.docx》由会员分享，可在线阅读，更多相关《城市表层土壤重金属污染分析.docx（26页珍藏版）》请在冰豆网上搜索。

城市表层土壤重金属污染分析

城市表层土壤重金属污染分析

摘要:

城市表层土壤重金属污染分析是研究人类活动对城市环境质量影响的重要环节。

本文对某城区表层土壤八种主要重金属污染进行分析。

基于统计方法运用surfer绘图软件和spss分析软件分别对数据进行处理，得到八种重金属元素在该地区的空间分布情况，运用地质累积指数法，结合空间分布图，分析出工业区和交通区的重金属为强度污染，生活区和公园绿地区为中度污染，山区无污染；基于比较分析法确定重金属污染的主要原因是工业生产、汽车尾气排放、汽车轮胎磨损及人类生产生活所产生的大量各种重金属直接扩散到周围环境中；运用因子分析法，建立数学模型，利用变量之间存在的相关性，用少数几个因子来描述重金属污染物许多指标或因素之间的联系，实现以较少几个因子来反映传播特征规律，确定重金属的污染源；最后对所建模型的优缺点进行客观评价，并运用指数平滑法优化城市地质环境演变模式的研究方案。

关键词:

重金属污染地质累积指数污染源因子分析法指数平滑法

一、问题重述

1.1基本信息

随着城市经济的快速发展和城市人口的不断增加，人类活动对城市环境质量的影响日显突出。

对城市土壤地质环境异常的查证，以及如何应用查证获得的海量数据资料开展城市环境质量评价，研究人类活动影响下城市地质环境的演变模式，日益成为人们关注的焦点。

按照功能划分，城区一般可分为生活区、工业区、山区、主干道路区及公园绿地区等，分别记为1类区、2类区、……、5类区，不同的区域环境受人类活动影响的程度不同。

现对某城市城区土壤地质环境进行调查。

为此，将所考察的城区划分为间距1公里左右的网格子区域，按照每平方公里1个采样点对表层土（0～10厘米深度）进行取样、编号，并用GPS记录采样点的位置（附件1）。

应用专门仪器测试分析，获得了每个样本所含的多种化学元素的浓度数据（附件2）。

另一方面，按照2公里的间距在那些远离人群及工业活动的自然区取样，将其作为该城区表层土壤中元素的背景值（附件3）。

1.2需要解决的问题

（1）给出8种主要重金属元素在该城区的空间分布，并分析该城区内不同区域重金属的污染程度。

（2）通过数据分析，说明重金属污染的主要原因。

（3）分析重金属污染物的传播特征，由此建立模型，确定污染源的位置。

（4）分析所建立模型的优缺点，为更好地研究城市地质环境的演变模式，还应收集什么信息？

有了这些信息，如何建立模型解决问题？

二、模型假设

1.假设各采样点严格属于某一类区；

2.假设附件中所给的数据真实可靠且具有一般性；

3.假设背景值采样点没有受到任何人为因素的影响，完全属于自然区；

4.假设在采样前该城区没有发生重金属泄漏事故；

5.不考虑除人类活动以外的因素对该城市重金属污染的影响。

三、符号说明

符号

说明

Cs

样品元素S的浓度

Bs

样品S对应的背景值

K

系数

N

样本个数

P

每个样本含有的变量个数

lij

原变量在各主成分上的载荷

X1-X8

As等8种元素

Z1--Z5

主要因子变量

四、名词解释

背景值：

通常以一个国家或一个地区的土壤中某元素的平均含量作为背景值，以便与污染区土壤中同一元素的平均含量进行对比，超过背景值即属土壤污染。

地质累积指数（lgeo）：

通常称为Muller指数，不仅考虑了自然地质过程造成的背景值的影响，而且也充分注意了人为活动对重金属污染的影响。

该指数不仅反映了重金属分布的自然变化特征，而且可以判别人为活动对环境的影响，是区分人为因素影响的重要参数。

因子分析（Factoranalysis）：

指用少数几个因子来描述许多指标或因素之间的联系，以较少几个因子来反映原资料大部分信息的统计学分析方法。

指数平滑法：

指在移动平均法基础上发展起来的一种时间序列分析预测法。

它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。

其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。

五、问题分析

问题一，对题目及所给的数据进行分析，运用专业的地理信息绘图软件surfer直接导入数据绘制出8种重金属元素的空间分布图。

再结合地质累积指数法，分析该城区内不同区域重金属的污染程度。

问题二，应先分离各区域的数据，得到不同区域的8种重金属元素的含量，并利用分析法比较同一元素在不同功能区的地质累积指数，来得出每种重金属污染的主要原因。

问题三，影响重金属污染物传播的因素很多，其相应的处理方法也很多，在不同条件下很难用单一的理论确定其污染源的位置，而因子分析能够用少数几个因子去描述许多变量之间的关系。

因此采用因子分析法建立模型，确定污染源的位置。

问题四，结合所建立的数学模型，分析其优缺点；增加相应的变量参数，建立新的模型，使新模型能更好地适应城市地质环境演变模式的研究。

六、模型建立及求解

6.1问题一的求解

6.1.1金属元素空间分布图

运用surfer软件直接通过数据导入生成8种主要重金属元素在该地区的空间分布图。

功能区重金属元素采样点分布图和重金属元素空间分布图采用surfer绘制。

功能区重金属元素采样点分布图见图1。

8种重金属元素空间分布图见图2-图9（图3-图9见附录）[1]。

从图中可以看出：

相比较其他7种元素，As的分布没有出现明显的富集，Cu、Zn、Hg含量在工业区与交通区土壤中明显高于其他区域，Cd、Pb、Ni主要富集在工业地区，Cr主要富集在生活区跟交通区。

图1功能区重金属元素采样点分布图

图2As元素空间分布图

6.1.2土壤重金属污染程度评价

6.1.2.1评价方法

考虑到人为活动对重金属污染的影响，我们采用地质累积指数（lgeo）来评价重金属污染程度。

地质累积指数（lgeo）通常称为Muller指数，不仅考虑了自然地质过程对背景值造成的影响，而且也充分注意了人为活动对重金属污染的影响，因此，该指数不仅反映了重金属分布的自然变化特征，而且可以判别人为活动对环境的影响，是区分人为因素影响的重要参数。

Muller指数法表达式为：

（1）

式中Cs是样品元素S的浓度；Bs是样品S对应的背景值；K为样本差异可能会引起背景值的变动而取的系数（一般取值为1.5，这里取1.5），用来表征沉积特征、岩石地质及其他影响[2]。

6.1.2.2评价和分级标准

Muller地质累积指数分级标准见表1，城市不同功能区表层土壤重金属平均浓度见表2，土壤元素背景值见表3。

表1Muller地质累积指数分级标准

地质累积指数lego

分级

污染程度

5

6

极严重污染

4

5

强—极严重污染

3

4

强污染

2

3

中等—强污染

1

2

中等污染

0

1

轻度—中等污染

lego≤0

0

无污染

表2城市不同功能区表层土壤重金属平均浓度

功能区

As

（μg/g）

Cd

（ng/g）

Cr

（μg/g）

Cu

（μg/g）

Hg

（ng/g）

Ni

（μg/g）

Pb

（μg/g）

Zn

（μg/g）

生活区

6.27

289.96

69.02

49.40

93.04

18.34

69.11

237.01

工业区

7.25

393.11

53.41

127.54

642.36

19.81

93.04

277.93

山区

4.04

152.32

38.96

17.32

40.96

15.45

36.56

73.29

交通区

5.71

360.01

58.05

62.21

446.82

17.62

63.53

242.85

公园绿地区

6.26

280.54

43.64

30.19

114.99

15.29

60.71

154.24

表3土壤元素背景值

8种主要重金属元素的背景值

元素

平均值

标准偏差

范围

As（μg/g）

3.6

0.9

1.8~5.4

Cd（ng/g）

130

30

70~190

Cr（μg/g）

31

9

13~49

Cu（μg/g）

13.2

3.6

6.0~20.4

Hg（ng/g）

35

8

19~51

Ni（μg/g）

12.3

3.8

4.7~19.9

Pb（μg/g）

31

6

19~43

Zn（μg/g）

69

14

41~97

6.1.2.3评价结果

将不同功能区表层土壤重金属平均浓度值及土壤元素背景平均值代入Mul1er地质累积指数计算公式，得到如下结果，详见表4。

表4城市不同功能区表层土壤重金属Mul1er指数评价

功能区

生活区

工业区

山区

交通区

公园绿地

As

lgeo

0.22

0.43

-0.42

0.08

0.21

分级

1

1

0

1

1

Cd

lgeo

0.57

1.01

-0.36

0.88

0.52

分级

1

2

0

1

1

Cr

lgeo

0.57

0.20

-0.26

0.32

-0.09

分级

1

1

0

1

0

Cu

lgeo

1.32

2.69

-0.19

1.65

0.61

分级

2

3

0

2

1

Hg

lgeo

0.83

3.61

-0.36

3.09

1.13

分级

1

4

0

4

2

Ni

lgeo

-0.01

0.10

-0.26

-0.07

-0.27

分级

0

1

0

0

0

Pb

lgeo

0.57

1.00

-0.35

0.45

0.38

分级

1

1

0

1

1

Zn

lgeo

1.20

1.43

-0.50

1.23

0.58

分级

2

2

0

2

1

分析该城区内不同区域重金属的污染程度。

由上述数据表格可知：

生活区内Ni元素属于“无污染”，As、Cd、Cr、Hg、Pb元素属于“轻度-中等污染”，Cu、Zn元素属于“中等污染”。

工业区内As、Cr、Ni、Pb元素属于“轻度-中等污染”，Cd、Zn元素属于“中等污染”，Cu元素属于“中等-强污染”，Hg元素属于“强污染”。

山区内8种元素均属于“无污染”。

交通区内Ni元素属于“无污染”，As、Cd、Cr、Pb元素属于“轻度-中等污染”，Cu、Zn元素属于“中等污染”，Hg元素属于“强污染”。

公园绿地区内Cr、Ni元素属于“无污染”，As、Cd、Hg、Pb、Cu、Zn元素属于“轻度-中等污染”

6.2分析重金属污染的主要原因

As在五个功能区地质累积指数lego：

工业区（0.43）＞生活区（0.22）＞公园绿地区（0.21）＞交通区（0.08）＞山区（-0.42）。

As污染主要来源于工业区以及人类活动密集的生活区、公园绿地区。

工业废物、人类生活的垃圾等是As污染的主要原因。

Cd在五个功能区地质累积指数lego：

工业区（1.01）＞交通区（0.88）＞生活区（0.57）＞公园绿地区（0.52）＞山区（-0.36）。

Cd污染主要来源于工业区和交通区。

工业废物、汽车尾气等是Cd污染的主要原因。

Cr在五个功能区地质累积指数lego：

生活区（0.57）＞交通区（0.32）＞工业区（0.2）＞公园绿地区（-0.09）＞山区（-0.26）。

Cr污染主要来源于生活区。

人类生活的垃圾等是Cr污染的主要原因。

Cu在五个功能区地质累积指数lego：

工业区（2.69）＞交通区（1.65）＞生活区（1.32）＞公园绿地区（0.61）＞山区（-0.19）。

Cu污染主要来源于工业区、交通区和生活区。

生活垃圾也是Cu污染的主要原因。

Hg在五个功能区地质累积指数lego：

工业区（3.61）＞交通区（3.09）＞公园绿地区（1.13）＞生活区（0.83）＞山区（-0.36）。

Hg污染主要来源于工业区和交通区。

工业区燃料燃烧产生的气体以及汽车尾气是Hg污染的主要原因。

Ni在五个功能区地质累积指数lego：

工业区（0.1）＞生活区（-0.01）＞交通区（-0.07）＞山区（-0.26）＞公园绿地区（-0.27）。

Ni污染主要来源于工业区，在其他各区污染不明显。

工业生产产生的废水、废渣是Ni污染的主要原因。

Pb在五个功能区地质累积指数lego：

工业区（1.00）＞生活区（0.57）＞交通区（0.45）＞公园绿地区（0.38）＞山区（-0.35）。

Pb污染主要来源于工业区、生活区和交通区。

工业污染以及含Pb汽油燃烧产生的尾气污染是Pb污染的主要原因。

Zn在五个功能区地质累积指数lego：

工业区（1.43）＞交通区（1.23）＞生活区（1.20）＞公园绿地区（0.58）＞山区（-0.5）。

Zn污染主要来源于工业区、交通区和生活区。

工业废物、汽车轮胎的添加剂中含有Zn,轮胎磨损产生的粉尘是路边土壤Zn污染的主要原因。

6.3问题三模型的建立与求解

6.3.1重金属污染物的传播特征

重金属，特别是汞、镉、铅、铬等具有显著的生物毒性。

它们在水体中不能被微生物降解，而只能发生各种形态的相互转化和分散、富集过程（迁移）。

重金属污染传播的特点是：

（1）除被悬浮物带走外，会因吸附沉淀作用而富集于排污口附近的底泥中，成为长期的次生污染源；

（2）水中各种无机配位体（氯离子、硫酸离子、氢氧离子等）和有机配位体（腐蚀质等）会与其生成络合物或螯合物，导致重金属有更大的水溶解度而使已进入底泥的重金属又可能重新释放出来；（3）重金属的价态不同，其活性与毒性不同。

其形态又随PH值和氧化还原条件而转化。

在重金属的传播过程中，需要考虑的因素很多，处理的方法也有很多，如湍流理论，大气扩散理论，梯度输送理论，扩散模拟方法等。

在不同的条件下很难确定用什么理论，且单一的理论很难确定其污染源的位置，而因子分析法能够用少数几个因子去描述许多变量之间的关系。

因此采用因子分析法建立模型，确定污染源的位置。

6.3.2因子分析模型

因子分析的基本目的是，用少数几个因子去描述许多变量之间的关系。

被描述的变量是可以观测的随机变量，即显在变量。

而这些因子是不可观测的潜在变量。

因子分析法把众多的指标综合成几个为数较少的指标，这些指标称为因子指标。

因子分析的特点是：

（1）因子变量的数量远少于原有的指标变量的数量，因而对因子变量进行分析能够减少分析中的工作量。

（2）因子变量不是对原始变量的取舍，而是根据原始变量的信息进行重新组合，它能够反映原有变量大部分信息。

（3）因子变量之间不存在显著的线性相关关系，对变量的分析比较方便，但原始部分变量之间多存在较显著的线性相关关系。

（4）因子变量具有命名解释性，即该变量是对某些原始变量信息的综合和反映。

在保证数据信息丢失最少的原则下，对高维变量空间进行降维处理（即通过因子分析或主成分分析）。

显然，在一个低维空间解释系统要比在高维空间解释系统容易得多。

6.3.3因子分析的原理

假定：

有N个地理样本，每个样本共有P个变量，构成一个N×P阶的地理数据矩阵:

（2）

当P较大时，在P维空间中考察问题比较麻烦。

这就需要进行降维处理，即用较少几个综合指标代替原来指标，而且使这些综合指标既能尽量多地反映原来指标所反映的信息，又能保持彼此独立。

线性组合：

记X1，X2，…，Xp为原变量指标，Z1，Z2，…，Zm（m≤p）为新变量指标（主成分），则其线性组合为:

（3）

lij是原变量在各主成分上的载荷

无论是哪一种因子分析方法，其相应的因子解都不是唯一的，主因子解仅仅是无数因子解中的一个解。

矩阵形式为：

（4）

且一定满足:

（1）

；

（2）

不相关，且方差均为1，Zi与Zj也不相关。

式中：

X=（X1,…,Xm）称为X的公共因子，L为因子载荷矩阵，lij为因子载荷。

Zi与Zj相互无关；

Z1是X1，X2，…，Xp的一切线性组合中方差最大者，Z2是与Z1不相关的X1，X2，…的所有线性组合中方差最大者，则新变量指标Z1，Z2，…，Zn分别称为原变量指标的第一，第二，…，第N个主要因子变量。

Z为因子变量或公共因子，可以理解为在高维空间中互相垂直的m个坐标轴。

主成分分析实质就是确定原来变量Xj（j=1，2，…，p）在各主成分Zi（i=1，2，…，m）上的荷载lij。

它们分别是相关矩阵的m个较大的特征值所对应的特征向量。

设：

X1=AsX2=CdX3=CrX4=Cu

X5=HgX6=NiX7=PbX8=Zn

Z1--Z5：

主要因子变量

其中N=319P=8

对所研究区域土壤重金属元素含量数据运用SPSS统计软件进行相关的分析，通过测试，As、Cd、Cr、Cu、Hg、Ni、Pb、Zn8种重金属含量数据符合因子分析的要求，通过重金属元素之间的相关性提取主因子，可对重金属元素进行归类，并得出因子对于研究某一区域重金属元素含量的影响程度，结合因子得分情况，分析因子的等值线特征。

6.3.4结果与分析

6.3.4.1相关性分析

从As、Cd、Cr、Cu、Hg、Ni、Pb、Zn8种重金属的相关系数矩阵（表5）可以看出，X6（Ni）与X3（Cr）、X7（Pb）与X2（Cd）的相关性最好，相关系数比较大，分别为0.716和0.66。

同时X4（Cu）、X3（Cr）、X6（Ni）三者之间的相关性也比较好，相关系数在0.494-0.716之间。

其次X7（Pb）与X4（Cu）、X7（Pb）与X8（Zn）也有一定的相关性，相关系数分别为0.52和0.494，其他相关性都不是很强。

结合重金属污染来源来看，相关性较好的重金属元素在这方面有一定的相似性和关联性[3]。

表5变量相关系数矩阵

变量

X1

X2

X3

X4

X5

X6

X7

X8

X1

1.000

X2

0.255

1.000

X3

0.189

0.352

1.000

X4

0.160

0.397

0.532

1.000

X5

0.064

0.265

0.103

0.417

1.000

X6

0.317

0.329

0.716

0.495

0.103

1.000

X7

0.290

0.660

0.383

0.520

0.298

0.307

1.000

X8

0.247

0.431

0.424

0.387

0.196

0.436

0.494

1.000

6.3.4.2主因子分析

特征值和因子占总变量的百分比的计算是进行因子分析的基础，在累计方差贡献率为87.756％的基础之上，提取了5个主要因子Z1--Z5。

从表6中可以看出，旋转前后，累计方差贡献率没有变化，5个主因子除主因子Z1外，其他4个主因子方差贡献率变化都比较小，在8%之内。

旋转后，主因子Z1、Z2方差贡献率分别25.733%与22.087%，其它3个主因子方差贡献率都在11％一16％之间。

从方差贡献率来看，因子Z1、Z2对所研究区域表层土壤重金属元素分布情况具有最大贡献，其次，因子Z3--Z5对重金属元素分布情况的贡献作用依次减小。

正交旋转的目的就是去掉变量中一些相互关联的、有重叠作用的因素，使提取的因子为相互独立的、简单而且足够反映变量总体的信息，同时，确定提取的因子对各个变量的信息量的反映情况，因子载荷在某个因子的载荷越高，表明因子对于变量的信息的贡献量越大，因子与变量的关系越亲近。

表6特征值和因子方差贡献率

变量

因子载荷

初始提取因子载荷

旋转后因子载荷

特征值

方差贡献率（%）

累积贡献率（%）

因子

特征值

方差贡献率（%）

累积贡献率（%）

特征值

方差贡献率（%）

累积贡献率（%）

X1

3.560

44.500

44.500

Z1

3.560

44.500

44.500

2.059

25.733

25.733

X2

1.150

14.377

58.877

Z2

1.150

14.377

58.877

1.767

22.087

47.820

X3

0.965

12.063

70.941

Z3

0.965

12.063

70.941

1.217

15.215

63.035

X4

0.768

9.596

80.537

Z4

0.768

9.596

80.537

1.026

12.824

75.858

X5

0.578

7.220

87.756

Z5

0.578

7.220

87.756

0.952

11.898

87.756

X6

0.432

5.399

93.156

X7

0.301

3.769

96.924

X8

0.246

3.076

100.000

从表8（由表7旋转得到）可以看出，因子Zl对于X3、X6元素的信息反映最全，载荷都在0.864以上。

因子Z2对X2、X7元素的信息反映最好，载荷都在0.832以上。

因子Z3对X5元素的信息反映最好，载荷为0.953。

因子Z4对X1元素的信息反映最好，载荷为0.97。

因子Z5对X8元素的信息反映最好，载荷为0.904。

表7因子载荷矩阵

变量

主要因子

Z1

Z2

Z3

Z4

Z5

X1

0.426

-0.200

0.681

0.551

-0.026

X2

0.711

0.281

0.282

-0.322

-0.254

X3

0.735

-0.444

-0.303

-0.046

-0.110

X4

0.756

0.125

-0.365

0.137

-0.155

X5

0.408

0.673

-0.297

0.449

0.154

X6

0.723

-0.515

-0.190

0.137

-0.014

X7

0.764

0.314

0.237

-0.248

-0.158

X8

0.699

-0.037

0.123

-0.241

0.654

表8旋转后的因子载荷矩阵

变量

主要因子

Z1

Z2

Z3

Z4

Z5

X1

0.131

0.154

0.023

0.970

0.076

X2

0.170

0.877

0.082

0.102

0.132

X3

0.882

0.209

0.002

0.014

0.146

X4

0.614

0.362

0.505

-0.022

0.029

X5

0.013

0.134

0.953

0.030

0.083

X

0.864

0.089

0.019

0.222

0.196

X7

0.195

0.832

0.191

0.121

0.208

X8