2021, Vol. 41
[PDF全文]
2. 南京大学环境学院, 污染控制与资源化利用国家重点实验室, 南京 210023;
3. 中国科学院南京土壤研究所, 南京 210008
2. State Key Laboratory of Pollution Control and Resource Reuse, School of the Environment, Nanjing University, Nanjing 210023;
3. Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008
镉(Cd)由于较强的生物毒性、高迁移性、高积累性, 成为对人体健康风险影响最大的重金属元素之一(Zhao et al., 2015).据2014年的全国土壤污染状况调查公报显示(中华人民共和国环境保护部, 2014), Cd是中国土壤中超标比例最高的金属, 污染点位超标率达到7.0%.与水环境不同, 土壤由于其复杂的多相多组分特点, 重金属的环境行为同时受多种过程影响, 导致污染物浓度与生物富集效应之间往往存在“非线性”关系而难以准确预测.常用的化学提取法获得的土壤中有效态金属浓度虽然与生物富集效应之间存在一定的相关性, 但无法用于大尺度区域范围内的金属风险预测.而区域尺度上常用的土壤重金属风险评价方法, 如单因素指数法、富集因子法、内梅罗污染指数法和地累积指数法等往往以土壤中金属总量为标准(Kowalska et al., 2016; Han et al., 2018; 邵金秋等, 2019).由于忽略了土壤异质性, 常导致评估结果与实际风险之间存在较大偏差.在考虑了土壤理化性质的基础上发展的多元线性回归模型(Degryse et al., 2009; Zhang et al., 2016)、随机森林模型(Jia et al., 2020)和地理加权回归模型(Wang et al., 2020)等尽管在一定程度上考虑了多种因素的影响, 但其参数常由有限调查数据拟合获得, 无法阐明土壤对金属行为的内在影响机制, 因而在大规模推广应用过程中常受到限制.
近年来发展起来的机理式地球化学形态模型、多表面形态模型(Multi-surface Speciation Model, 简称MSM)(Groenenberg et al., 2014)是基于热力学平衡原理, 综合水相中的化学平衡反应及离子在土壤各固相上的表面络合模型构建而成, 借助于化学平衡计算软件(如visual MINTEQ、ECOSAT、OCHESTRA等)能用于计算复杂体系(如土壤环境)中重金属的形态分配(赵晓鹏等, 2019).因此, 在获得土壤基本理化性质的基础上, 采用“通用”模型参数可直接预测不同类型土壤中金属形态和溶出, 此过程不需要参数的拟合, 同时模型结果可以阐明金属在土壤中的内在分配机制.本课题组前期在实验室内应用MSM成功预测了Ni、Cd在我国多种典型土壤中固/液相间的分配及作物中的富集(Zhu et al., 2018; Zhao et al., 2018).此外, MSM还成功用于县域尺度下土壤Cd风险评价, 其效果优于土壤中金属总量(Qu et al., 2020).但由于MSM计算中对各土壤中各活性表面浓度的定义基于土壤基本理化性质测定, 因此, 在实际应用情况中, 部分实测土壤理化性质参数缺失的情况下, 能否借助土壤理化性质数字化制图实现MSM模型的应用还有待验证.
江苏是我国重要的商品粮生产基地, 耕地面积约46200 km2, 主要粮食作物有水稻、小麦、玉米等.江苏省前期在土壤类型调查和土壤地球化学多目标调查中积累了大量资料.本研究即在此基础上基于1∶100万江苏省土壤类型图获得土壤理化性质数字化地图, 应用MSM模型对江苏省土壤Cd生态风险进行评价和预测, 以期为区域范围内实现基于土壤理化性质的重金属生态风险精准定量评价提供有效的工具和方法.
2 数据和方法(Data and methods) 2.1 研究区概况江苏省位于中国大陆东部沿海, 总面积107200 km2, 北接山东, 东濒黄海, 地跨长江、淮河两大水系.境内地势平坦, 地貌主要是平原、水域和低山丘陵, 绝大区域在海拔50 m以下.图 1为江苏省1∶100万以发生学分类亚类为基础的江苏省土壤类型图(来源：国家地球系统科学数据共享平台土壤科学数据中心, http://soil.geodata.cn/), 主要的土壤类型有水稻土和潮土等(赵明松等, 2013).
 |
| 图 1 研究区具体位置及土壤类型分布 (以亚类为分类单元) Fig. 1 The spatial distribution of soil types in the study area (unit is subclass) |
本研究数据依托江苏省近年来开展的生态地质环境监测类项目(2013—2016), 收集了3354个江苏省表层土壤样点(图 2a), 每个采样点包含表层土壤(0~20 cm)中总Cd含量、土壤pH、土壤有机碳SOC的相关信息.其中, 金属含量采用四酸消解法及电感耦合等离子质谱法(ICP-MS)测定(DZ/T 0279.5—2016), pH采用1∶2.5土/水比测定(DZ/T 0279.34—2016), SOC采用重铬酸钾容量法测定(DZ/T 0279.27—2016).
 |
| 图 2 土壤样品位置图 (a.3354个土壤样点; b.155个土壤剖面数据点位) Fig. 2 The location of soil samples (a.3354 soil sample sites; b.155 soil profile sites) |
此外, 中国科学院南京土壤研究所于2010—2011年, 在江苏省典型代表区域共布设236个土壤剖面点位, 具有完整土壤理化性质的点有155个(图 2b), 相关土壤剖面数据收集于《中国土系志江苏卷》(黄标等, 2017), 相关信息包括pH、SOC、土壤质地、游离Fe含量等, 以及各点位土壤类型的系统分类结果.其中, 土壤质地采用吸管法(F-HZ-DZ-TR-0007)测定, 游离Fe采用柠檬酸钠-连二亚硫酸钠提取法(F-HZ-DZ-TR-0151)测定.由于现有的1∶100万江苏省土壤类型图(图 1)是以发生学分类的亚类为单元的块状图斑, 为获得带有定量化土壤理化性质信息的地图, 本研究采用图斑赋值法将典型土壤剖面的信息与土壤类型图相结合.首先根据江苏省发生学分类典型土种代表性剖面和系统分类土系之间的参比系统分类将两种分类方法统一(喻长新等, 1995; 雷学成, 2012; 王晓旭, 2013), 对于无法确定其相对应类型参比的采样点, 根据其剖面的具体性质和土壤地理学发生分类的判断依据进一步逐个进行确定, 之后将各个典型土壤剖面的理化性质信息赋值给各个亚类图斑, 最终获得了由1779个具有完整理化性质图斑组成的江苏省土壤理化性质图.在此基础上获得3354个含有土壤理化性质和金属含量的点位信息.
2.3 土壤Cd-MSM模型的构建土壤中Cd-MSM模型包括Cd在液相中的各个络合反应、土壤典型固相表面的吸附反应及可能的沉淀-溶解反应等, MSM包括模型的原理和具体参数设置详见文献(Zhu et al., 2018; 赵晓鹏等, 2019; 屈晓泽等, 2019; Qu et al., 2020).其中, 液相反应来源于美国国家标准技术院NIST的热力学反应标准数据库, 活性吸附表面主要考虑了土壤有机质(SOM)、晶形铁氧化物和层状硅酸黏土矿物, 其他可能的活性固相表面, 如无定形铁氧化物、铝氧化物、锰氧化物等由于缺乏相关土壤含量数据, 因此未纳入模型计算.其中, Cd在SOM表面的吸附采用NICA-Donnan模型描述, 设置总SOM的31%为活性有机质HA含量；在晶形铁氧化铁上的吸附用CD-MUSIC模型描述, 晶形铁的比表面积设置为50 m2·g-1；Cd在层状硅酸盐黏土上的吸附用“两点位”模型来计算, 其中, 矿物底面永久负电荷点位上(≡XH)的静电吸附采用Donnan阳离子交换模型, 边缘点位(≡SOH)采用恒电容模型(CCM)描述, 点位密度设置与伊利石相同(≡XH：8.7 cmol·kg-1; SOH：15.2 cmol·kg-1), 并假定活性黏土矿物的比例为80%.由于缺乏相关数据, 本研究以土壤中总Cd含量代表总有效态含量(该值通常可采用0.43 mol·L-1 HNO3提取获得(Groenenberg et al., 2017)), 可能导致对Cd溶出风险的高估, 但是相对保守的风险评估方法.此外, 计算时设置土/液比为100 g·L-1, 并以0.01 mol·l-1 CaCl2为背景电解质, 因此, 未考虑背景阳离子的影响, 但考虑了大气中的CO2及可能的CaCO3、Ca(OH)2等沉淀.模型中土壤pH和SOM基于实测值, SOM与SOC之间的换算系数为1.724(鲍士旦, 2000), 铁氧化物和黏土矿物含量来源于图斑赋值得到的游离氧化铁和黏粒结果, 所有数据采用ECOSAT 4.9软件进行计算, 模型计算出的总溶解态Cd离子含量为土壤Cd风险值.
2.4 土壤Cd生态风险评价与预测本研究使用单因素污染指数评估江苏省的土壤Cd风险, 具体见式(1).
|
(1) |
式中, Ci为每个样品的金属含量；Si为阈值；Pi为相应的风险指数, 根据Pi大小, 风险等级分为无污染(Pi < 1)、轻微污染(Pi =1~2)、轻度污染(Pi = 2~3)、中度污染(Pi = 3~5)和高度污染(Pi >5)(Yan et al., 2016).当采用土壤中Cd总量进行生态风险评估时, 阈值依据国家农用地土壤质量标准GB15618—2018设置为0.3 mg·kg-1(pH≤7.5)和0.6 mg·kg-1(pH>7.5)；当基于MSM-Cd进行评估时, 阈值设置为0.063 mg·kg-1, 该值由本课题组于2018年在苏南典型Cd污染区域的调查结果所获得的140对小麦-土壤样品中, 所获得的小麦籽粒中Cd含量与MSM-Cd的拟合方程(lgCd小麦 = 0.65lgCdMSM-0.22)推导而来(Qu et al., 2020).在此基础上, 利用MSM预测了当土壤性质变化时的Cd风险趋势, 包括：pH降低或增加0.5、1或2；SOM增减1%或3%.
2.5 Cd敏感性分布图的构建为定量评估不同土壤类型和条件下Cd的溶出风险, 本研究采用MSM预测了土壤对Cd的敏感性.根据中国农用地土壤质量标准, 采用模型计算出当总Cd含量分别为0.3、0.6、1.5、2.0、3.0和4.0 mg·kg-1时的溶解态Cd含量, 根据MSM-Cd含量(y)与总Cd含量(x)之间的线性关系方程, 定义该方程的斜率为土壤Cd的溶解指数(Soil Dissolving Index, SDI).SDI值越高, 表示Cd在该土壤及条件下的溶出越多, 即该土壤对Cd污染的敏感性越高.本研究将SDI值分为4个级别：< 0.20、0.20~0.40、0.40~0.60、>0.60, 计算出3354个土壤样品的SDI值并绘制江苏省的Cd敏感性分布图.
2.6 数据分析所有的数据分析均采用Excel 2019, 空间分布采用ArcGIS 10.2的普通克里格插值方法估算.
3 结果与讨论(Results and discussion) 3.1 土壤理化性质分析表 1汇总了3354个土壤样品中Cd含量及相应土壤理化性质数据, 其空间分布如图 3所示.pH作为衡量土壤环境质量的重要指标, 是影响Cd在土壤中溶解度的最重要因素.江苏省耕地土壤大部分为中性-碱性土壤, 极少点位呈酸性或者强酸性, 无极酸性情况出现, 这表明江苏省土壤酸碱度适用于农业生产.研究表明, 全省土壤pH值低于5.0的强酸性土壤累计超过500 km2, 不同程度酸化土壤约占江苏省土壤总面积的80.2%(Liu et al., 2003).图 3结果给出的苏北地区pH高、苏南地区pH低的情况, 这也与以往的研究保持一致(王志刚等, 2008).
| 表 1 土壤样品理化性质情况汇总表 Table 1 The physicochemical properties of soil samples |
 |
 |
| 图 3 江苏省土壤理化性质的空间分布 Fig. 3 The distribution of soil physicochemical properties in Jiangsu Province |
土壤有机碳含量(SOC)是土壤肥力的重要指标, 江苏省耕地土壤SOC含量分布不均, 中值和均值均低于全国表层土壤背景值, 但高于全省土壤背景值, 总体而言, 江苏省土壤养分含量适中, 较适用于农业生产.从图 3可以看出, 江苏省整体上SOC含量较高, 中部和南部地区SOC含量高于北部地区(赵明松等, 2014; 王君櫹等, 2017).
江苏省表层土壤中Cd含量为0.016~12.2 mg·kg-1, 算术平均值为0.19 mg·kg-1, 中值为0.17 mg·kg-1, 且有较大的变异系数, 说明表层土壤Cd积累受人为活动影响较大, 可能与当地农业生产、经济、人口密度、城镇化水平有一定关系.前期调查表明, Cd污染在个别地方较为严重, 小麦籽实中Cd的点位超标率为22.7%(Sun et al., 2012b).长江三角洲地区农田土壤Cd不断累积, 土壤重金属有效态积累速率高于全国.近十多年来, 太湖地区水稻土Cd含量呈递增状态, 预计增长最快的区域100年内将翻一番(廖启林等, 2006).说明表层土壤Cd积累问题和潜在风险需要引起关注和重视.
3.2 基于MSM的土壤Cd生态风险现状评估江苏省土壤Cd生态风险评价结果如图 4所示, 总体看来, 以MSM-Cd为基础的生态风险评价结果与以总Cd为基础的评估结果基本一致.以总Cd为基础时, 约97.99%的土壤面积内未出现Cd污染, 其余约2.01%的土壤均为轻微污染.以MSM-Cd阈值为标准评价污染情况时, 98.94%的面积未污染, 此外有0.19%的轻微污染区, 0.05%的轻度污染区, 以及0.82%的中度污染区.从评估结果来看, 基于MSM-Cd模型的风险结果中无污染的面积比例更高, 同时热点高风险地区更加显著.如结果中发现的中度污染区主要集中在无锡境内太湖边缘, 这与以往结果相一致(王漫漫, 2016), 这可能是由于该地区较高的Cd含量叠加较低的土壤pH值导致.可以看出, 相对于总Cd的评价方法和标准, 以MSM-Cd为基础可以更精确地圈定土壤的实际生态风险, 这将有利于节约有限的土壤修复资源和资金.
 |
| 图 4 研究区土壤Cd污染风险分布图(a.总Cd；b. MSM-Cd) Fig. 4 Spatial distribution of soil Cd risk in studied area (a.total Cd; b. MSM-Cd) |
由于MSM基于对土壤Cd形态分布的机理式预测, 因此, 可以预测当土壤中某些因素发生改变时对Cd溶出的综合影响.基于此, 本研究进一步预测了不同情境下土壤Cd风险变化, 其面积比例显示于图 5.当土壤pH在目前的情况下增加0.5时, Cd污染风险的面积比例将降至0.93%；当pH增加1时, 则Cd污染风险的比例将降至0.85%, 中度污染区消失；如果pH值增加2, Cd污染风险区将完全消失.反之, 当土壤pH降低0.5时, 仅69.52%的区域为无污染；当土壤pH降低1时, 38.26%的区域将成为轻微污染区, 无污染区的面积降至60.16%；当pH降低2时, 全部污染风险区的比例将超过90%.土壤有机质变化对土壤Cd风险影响较小, 当SOM含量增加1%时, 受污染土地的面积比例仅从1.06%减少至1.04%；当SOM含量增加3%时, 受污染土地面积比例减少到0.7%.模型预测显示, 土壤Cd风险受pH的影响程度远高于SOM含量.
 |
| 图 5 土壤Cd风险的各等级面积占比(前2列为污染现状评价结果, 后8列为不同情景下的预测结果) Fig. 5 Predicted area fraction of Cd risk under different scenarios (The first two columns are current risk and the last eight columns are predicted results under different scenarios) |
最近的一项研究表明, 由于施氮和工业化, 苏南耕地土壤的平均pH值在1980—2015年下降了约1个单位, 从6.80降至5.72(Xie et al., 2019).相比之下, 从1980—2007年, 江苏省农业土壤的SOM含量仅略有增加, 平均增加0.22%(Sun et al., 2012a).结合模型预测结果可以看出, 控制土壤酸化将是减少农业土壤中Cd污染风险的关键过程.此外, 与添加有机改良剂以减少Cd污染农作物的风险相比, 添加石灰作为一种补救措施可能更有效(Chen et al., 2018).最近一项基于土壤-水稻系统的田间试验表明, 通过添加石灰增加土壤pH是减少水稻中Cd积累而不影响谷物产量的最有效方法(Chen et al., 2018).因此, MSM对不同情景下的预测可作为确定土壤修复项目中确定石灰量添加终点的有效工具.
3.4 基于MSM的土壤Cd敏感性研究基于模型预测的江苏省土壤Cd敏感性地图如图 6所示, 全省大多数土壤的SDI值在0.6以下, 苏北地区大面积耕地土壤的SDI值小于0.20, 苏中苏南地区土壤SDI值在0.4~0.6区间分布.说明江苏省表层土壤对Cd的敏感性总体为中低度, 局部地区存在中高度敏感, 苏南地区的土壤Cd敏感性高于苏北地区.在连云港北部地区及苏南的部分地区存在高敏感地区, 这主要可能由于该区域的土壤pH值较低, 而Cd在酸性环境中的迁移率和生物利用度显着提高所导致(Gambrell et al., 1991; Yu et al., 2016).说明在Cd相同污染水平条件下, 高敏感区土壤中Cd更倾向于溶出.模型显示土壤Cd敏感区与经济发达地区相重叠, 提示在Cd高敏感度地区尤其应加强对土壤污染风险的管控, 否则土壤中Cd较易迁移进入作物中, 应采取有效措施避免土壤酸化的进一步加重, 在高敏感区可以尝试添加生物质炭或有机肥等以降低土壤酸度和提高有机质含量, 以降低土壤Cd的敏感性, 从而提高土壤对Cd的持留能力.
 |
| 图 6 江苏省土壤Cd风险敏感性地图 Fig. 6 Sensitivity map of soil Cd risk of Jiangsu Province |
为检验模型的可靠性, 本研究利用2017—2019年在常州采集的42对土壤-小麦样品、泰州的217对土壤-小麦样品、张家港的312对土壤-小麦样品数据对模型预测结果进行了验证(图 7).首先由MSM预测溶解态Cd含量, 即MSM-Cd, 再由前期得到的MSM-Cd和小麦籽粒Cd富集量之间的拟合方程(即lgCd小麦 = 0.65lgCdMSM-0.22)(Qu et al., 2020)进一步预测小麦籽粒Cd的富集量.在模型预测过程中土壤所需的理化性质除pH值和SOM值来源于实测值外, 其余均来自于土壤理化性质图斑赋值的结果, MSM的具体设置与本研究前部分一致.
 |
| 图 7 常州(n=42)(a)、泰州(n=217)(b)及张家港(n=312)(c)的模型验证结果 (实线是1∶1数据线, 虚线是上下±0.5个数据单位) Fig. 7 Model validation results using data from Changzhou (n=42)(a), Taizhou(n=217)(b) and Zhangjiagang(n=312)(c) (The solid line is the 1∶1 line and the dashed lines are the ±0.5 log unit lines) |
具体的预测结果如图 7所示, 常州地区42个采样点中, 有38个点落在1∶1线±0.5单位的区域内, 占比90.48%；泰州地区217个采样点中, 有208个点落在1∶1线±0.5单位的区域内, 占比95.85%；张家港地区312个采样点中, 有285个点落在1∶1线±0.5单位的区域内, 占比91.35%.研究区的所有点都均落在±1单位内, 模型预测的均方根偏差RMSE值为0.21~0.27, 说明模型预测效果总体较好.课题组前期研究表明, 采用地球化学MSM模型预测的土壤溶解态Cd含量与作物富集量之间存在较好的相关性.本研究的结果进一步表明, 在采用图斑赋值估算的部分土壤理化性质的基础上, 模型仍然具有较好的可靠性, 这为模型的区域性应用提供了依据.
结果同时也显示小麦籽粒Cd实测值与预测值之间仍存在少量误差, 可能存在以下几个原因：①本研究所用的MSM-Cd阈值是基于苏南典型Cd污染区小麦籽粒中Cd累积量获得的, 除土壤类型的影响外, 该阈值还可能受小麦品种、土壤养分、田间管理措施、天气条件和现场位置等影响；②本研究是通过图斑赋值法来获得数字化土壤属性地图, 此方法相对较为粗糙, 所获得的理化性质与实际土壤理化性质之间存在一定的偏差, 随着近年来更加精准的土壤理化性质属性数字化地图的建立和发展(朱阿兴等, 2018; 赵明松等, 2019), 将为MSM模型的应用提供更为坚实的基础；③目前的MSM模型在预测过程中使用各活性表面的通用参数, 但实际土壤由于发育过程不同, 其表面点位的性质还存在个体差异, 因此, 通用参数的引入虽然简化了模型的计算过程, 但也可能在一定程度上增加了误差(Gu et al., 2014), 随着典型土壤表面特异性吸附数据库的完善, 预测结果将进一步改善.
4 结论(Conclusions)利用江苏省土壤类型图及土壤系统分类的剖面数据, 采用图斑赋值的方法获得了江苏省土壤理化性质地图, 结果显示, 江苏省土壤pH总体呈现南低北高的特征, 而土壤有机质含量则大体呈现南高北低的特征.在此基础上, 结合江苏省表层土壤中总Cd含量计算了基于地球化学MSM模型的土壤溶解态Cd含量, 并进行了土壤Cd生态风险评价和预测, 结果显示, 基于MSM模型的评价方法比土壤总Cd可以更准确地评估低风险区域并圈定高风险区域, 同时进一步发现降低土壤酸度是降低土壤Cd风险的最重要方式.模型根据土壤理化性质进一步定量化评估了对Cd的敏感性, 结果显示, 江苏省土壤对Cd总体呈现中低敏感性, 并总体呈现南高北低的趋势.此外, 采用江苏省部分地区野外实际土壤-小麦样品也进一步验证了模型预测具有较高的可靠性.
综上, MSM-Cd可作为以土壤总Cd含量进行风险评价之外的有益补充, 在考虑金属总含量的基础上, 进一步定量化精准评估土壤类型和理化性质对Cd溶出风险的影响, 同时为深入理解土壤Cd赋存形态提供参考信息, MSM模型与数字化土壤属性地图相结合可被推广应用至较大区域的重金属风险评价.
鲍士旦. 2000. 土壤农业化学[M]. 北京: 中国农业出版社.
|
Chen H, Zhang W, Yang X, et al. 2018. Effective methods to reduce cadmium accumulation in rice grain[J]. Chemosphere, 207: 699-707. DOI:10.1016/j.chemosphere.2018.05.143 |
Degryse F, Smolders E, Zhang H, et al. 2009. Predicting availability of mineral elements to plants with the DGT technique: A review of experimental data and interpretation by modelling[J]. Environmental Chemistry, 6(3): 198-218. DOI:10.1071/EN09010 |
Gambrell R P, Wiesepape J B, Patrick W H, et al. 1991. The effects of ph, redox, and salinity on metal release from a contaminated sediment[J]. Water Air and Soil Pollution, 57(8): 359-367. |
Groenenberg J E, Lofts S. 2014. The use of assemblage models to describe trace element partitioning, speciation, and fate: A review[J]. Environmental toxicology and chemistry, 33(10): 2181-2196. DOI:10.1002/etc.2642 |
Groenenberg J E, Romkens P F, Zomeren A V, et al. 2017. Evaluation of the single dilute (0.43 m) nitric acid extraction to determine geochemically reactive elements in soil[J]. Environmental Science & Technology, 51(4): 2246-2253. |
Gu X, Sun J, Evans L J. 2014. The development of a multi-surface soil speciation model for Cd(II) and Pb(II): Comparison of two approaches for metal adsorption to clay fractions[J]. Applied Geochemistry, 47: 99-108. DOI:10.1016/j.apgeochem.2014.05.014 |
Han W, Gao G H, Geng J Y, et al. 2018. Ecological and health risks assessment and spatial distribution of residual heavy metals in the soil of an e-waste circular economy park in Tianjin, China[J]. Chemosphere, 197(8): 325-335. |
黄标, 潘剑君. 2017. 中国土系志江苏卷[M]. 北京: 科学出版社.
|
Jia X L, Fu T T, Hu B F, et al. 2020. Identification of the potential risk areas for soil heavy metal pollution based on the source-sink theory[J]. Journal of Hazardous Materials, 393(7): 122424. |
Kowalska J, Mazurek R, Gasiorek M, et al. 2016. Soil pollution indices conditioned by medieval metallurgical activity-a case study from Krakow(Poland)[J]. Environmental Pollution, 218(11): 1023-1036. |
雷学成2012. 江苏省北部地区土壤系统分类基层分类单元划分研究[D]. 南京: 南京农业大学
|
廖启林, 范迪富, 金洋, 等. 2006. 江苏农田土壤生态环境调查与评价[J]. 江苏地质, 30(1): 32-40. |
廖启林, 刘聪, 许艳, 等. 2011. 江苏省土壤元素地球化学基准值[J]. 中国地质, 38(5): 1363-1378. DOI:10.3969/j.issn.1000-3657.2011.05.023 |
Liu J, Li K Q, Xu J K, et al. 2003. Interaction of Cd and five mineral nutrients for uptake and accumulation in different rice cultivars and genotypes[J]. Field Crops Research, 83(3): 271-281. DOI:10.1016/S0378-4290(03)00077-7 |
Qu X, Xu W, Ren J, et al. 2020. A field study to predict cd bioaccumulation in a soil-wheat system: Application of a geochemical model[J]. Journal of Hazardous Materials, 400: 123135. DOI:10.1016/j.jhazmat.2020.123135 |
屈晓泽, 许伟伟, 赵晓鹏, 等. 2019. 基于多表面形态模型的土壤镉在小白菜中的富集效应[J]. 环境化学, 38(9): 1945-1954. |
邵金秋, 刘楚琛, 阎秀兰. 2019. 河北省典型污灌区农田镉污染特征及环境风险评价[J]. 环境科学学报, 39(3): 917-927. |
Sun X L, Zhao Y G, Wu Y J, et al. 2012a. Spatio-temporal change of soil organic matter content of Jiangsu Province, China, based on digital soil maps[J]. Soil Use and Management, 28(3): 318-328. DOI:10.1111/j.1475-2743.2012.00421.x |
Sun Y, Sun G, Xu Y, et al. 2012b. In situ stabilization remediation of cadmium contaminated soils of wastewater irrigation region using sepiolite[J]. Journal of Environmental Sciences, 24(10): 1799-1805. DOI:10.1016/S1001-0742(11)61010-3 |
Wang Z, Xiao J, Wang L Q, et al. 2020. Elucidating the differentiation of soil heavy metals under different land uses with geographically weighted regression and self-organizing map[J]. Environmental Pollution, 260: 114065. DOI:10.1016/j.envpol.2020.114065 |
王君櫹, 刘斌, 周生路, 等. 2017. 基于土壤肥力的江苏省耕作层土壤剥离分区与深度确定[J]. 农业工程学报, 33(5): 257-263. |
王漫漫. 2016. 太湖流域典型河流重金属风险评估及来源解析[D]. 南京: 南京大学
|
王晓旭. 2013. 浙江省典型土壤的发生学性质与系统分类研究[D]. 杭州: 浙江大学
|
王志刚, 赵永存, 廖启林, 等. 2008. 近20年来江苏省土壤pH值时空变化及其驱动力[J]. 生态学报, 28(2): 720-727. DOI:10.3321/j.issn:1000-0933.2008.02.033 |
魏复盛, 杨国治, 蒋德珍, 等. 1991. 中国土壤元素背景值基本统计量及其特征[J]. 中国环境监测, 7(1): 1-6. |
Xie E, Zhao Y, Li H, et al. 2019. Spatio-temporal changes of cropland soil ph in a rapidly industrializing region in the yangtze river delta of China, 1980-2015[J]. Agriculture Ecosystems and Environment, 272(2): 95-104. |
Yan N, Liu W, Xie H, et al. 2016. Distribution and assessment of heavy metals in the surface sediment of Yellow River, China[J]. Journal of Environmental Sciences, 39(1): 45-51. |
喻长新, 李桂荣. 1995. 江苏土种志[M]. 南京: 江苏科学技术出版社.
|
Yu H Y, Ding X, Li F, et al. 2016. The availabilities of arsenic and cadmium in rice paddy fields from a mining area: The role of soil extractable and plant silicon[J]. Environmental Pollution, 215(8): 258-265. |
Zhang S, Song J, Gao H, et al. 2016. Improving prediction of metal uptake by chinese cabbage (Brassica pekinensis L.) based on a soil-plant stepwise analysis[J]. Science of the Total Environment, 569-570(11): 1595-1605. |
Zhao F J, Ma Y, Zhu Y G, et al. 2015. Soil contamination in China: Current status and mitigation strategies[J]. Environmental Science & Technology, 49(2): 750-759. |
赵明松, 刘斌寅, 卢宏亮, 等. 2019. 基于地理加权回归的地形平缓区土壤有机质空间建模[J]. 农业工程学报, 35(20): 102-110. DOI:10.11975/j.issn.1002-6819.2019.20.013 |
赵明松, 张甘霖, 李德成, 等. 2013. 江苏省土壤有机质变异及其主要影响因素[J]. 生态学报, 33(16): 5058-5066. |
赵明松, 张甘霖, 吴运金, 等. 2014. 江苏省土壤有机质含量时空变异特征及驱动力研究[J]. 土壤学报, 51(3): 448-458. |
Zhao X, Jiang Y, Gu X, et al. 2018. Multisurface modeling of ni bioavailability to wheat (Triticum aestivum L.) in various soils[J]. Environmental Pollution, 238(07): 590-598. |
赵晓鹏, 顾雪元. 2019. 地球化学模型在土壤重金属形态研究中的应用进展[J]. 环境化学, 38(1): 59-70. |
中华人民共和国环境保护部. 2014. 环境保护部和国土资源部发布全国土壤污染状况调查公报[R]. 北京: 中华人民共和国环境保护部
|
朱阿兴, 杨琳, 樊乃卿, 等. 2018. 数字土壤制图研究综述与展望[J]. 地理科学进展, 37(1): 66-78. |
Zhu B, Liao Q, Zhao X, et al. 2018. A multi-surface model to predict cd phytoavailability to wheat (Triticum aestivum L.)[J]. Science of the Total Environment, 630(7): 1374-1380. |