工礦企業周邊土壤重金屬含量預測研究

夏炎，郭偉勇，何亮，姬曉燕

摘要：為了明確工礦企業周邊土壤重金屬污染程度及其含量變化，配合土壤監測與有效治理，降低其對人體健康的威脅，本文以寧夏某工礦企業周邊土壤為研究對象，采用土壤淋溶試驗和土壤環境容量模型，對土壤中5種重金屬（Pb、Hg、Cd、Cr和As）的縱向遷移特征及含量變化趨勢展開研究。結果表明，該企業周邊土壤的重金屬縱向遷移能力排序為Cr＞Cd＞Hg＞As＞Pb，Cr具有強溶性形態和較強的遷移能力；企業開始運營后，周邊土壤中重金屬含量明顯增加，超過該區域土壤本底值。Hg和Cd含量增長較快，而Cr的殘留率較低；2020年前，廠區周邊Hg、Cd、Cr和As的點位超標率從未達到100%，但現在已經達到這一水平；廠區周邊土壤中Pb含量的增長率不高，但Pb在表層土壤中富集，97%的點位Pb含量已超過寧夏背景值。因此，企業生產對廠區周邊的污染影響較大。未來，該企業要推進清潔生產，強化環境監測和治理，完善廠區綠化，以減少周邊土壤重金屬污染。

關鍵詞：土壤；重金屬；含量預測；工礦企業

中圖分類號：X53 文獻標識碼：A 文章編號：1008-9500（2023）11-00-05

DOI：10.3969/j.issn.1008-9500.2023.11.005

Prediction Study of Heavy Metal Content in the Soil around Industrial and Mining Enterprises

XIA Yan， GUO Weiyong， HE Liang， JI Xiaoyan

（Coal Geology Bureau of Ningxia Hui Autonomous Region， Yinchuan 750004， China）

Abstract： In order to clarify the pollution degree and content changes of heavy metals in the soil around industrial and mining enterprises， cooperate with soil monitoring and effective treatment， and reduce its threat to human health， this paper takes the soil around a certain industrial and mining enterprise in Ningxia as the research object， uses soil leaching experiments and soil environmental capacity models to study the vertical migration characteristics and content change trends of five heavy metals （Pb， Hg， Cd， Cr， and As） in the soil. The results show that the vertical migration ability of heavy metals in the surrounding soil of the enterprise is ranked as Cr＞Cd＞Hg＞As＞Pb， and Cr has a strongly soluble form and strong migration ability; after the enterprise starts operating， the heavy metal content in the surrounding soil significantly increases， exceeding the background value of the soil in the region. The content of Hg and Cd increases rapidly， while the residual rate of Cr is relatively low; before 2020， the point exceeding rate of Hg， Cd， Cr， and As around the factory area never reached 100%， but now it has reached this level; the growth rate of Pb content in the soil around the factory area is not high， but Pb is enriched in the surface soil， and the Pb content in 97% of the points has exceeded the background value of Ningxia. Therefore， the production of enterprises has a significant impact on the pollution around the factory area. In the future， the enterprise will promote clean production， strengthen environmental monitoring and treatment， improve greening in the factory area， and reduce heavy metal pollution in the surrounding soil.

Keywords： soil; heavy metals; content prediction; industrial and mining enterprises

隨著城鎮化和工業化的發展，寧夏污染場地或潛在污染場地數量增加，而企業周邊土壤重金屬含量與周邊居民健康息息相關。近年來，人工神經網絡、人工智能等技術迅速發展，逐漸應用于土壤重金屬含量預測[1-4]。研究表明，以人工神經網絡為基礎的土壤重金屬含量預測方法能夠較好地分析污染場地中污染物的空間分布[5-6]。土壤環境容量模型可用于預測土壤重金屬含量，簡單實用。應用該模型對工業用地、城市建設用地、農業用地等場地土壤的重金屬含量進行預測，有助于評估土地污染風險，強化土壤污染管控，降低人體健康損害[7-8]?？死锔癫逯捣梢杂糜陬A測土壤重金屬污染變化趨勢，評價其環境容量[9]。目前，相關研究主要集中于城市建設用地或農業用地的重金屬含量預測，較少關注工礦企業周邊土壤重金屬污染。本文以寧夏某典型工礦企業為例，采用土壤淋溶試驗和土壤環境容量模型，預測周邊土壤重金屬含量的變化趨勢，以推進工礦企業場地污染防治，改善區域生態環境。

1 材料與方法

1.1 試驗材料

在該工礦企業場地周邊設置采樣點，采集距地表0～20 cm的表層土壤樣品，樣品用聚乙烯自封袋保存。土壤樣品在實驗室內烘干，再研磨至100目（0.15 mm）。土壤樣品經過HNO3-HCl-HF混合酸體系消解后，采用電感耦合等離子體質譜儀（ICP-MS）測定Pb、Hg、Cd、Cr（六價鉻）和As等重金屬的含量[10]。

1.2 淋溶試驗

選取遠離廠區生產單元的表層土壤作為試驗用土。試驗期間，首先將Pb（NO3）2、HgCl2、CdCl2、K2Cr2O7、As2O3與土壤樣品充分混合，模擬污染土壤，其添加量分別為10 mg/kg、5 mg/kg、5 mg/kg、50 mg/kg、2 mg/kg。試驗裝置為3根有機玻璃淋濾柱（柱長40 cm，直徑5 cm，容積0.7 m3，裝土1 kg），結構為3層，頂部為過濾棉，中部為0.4 kg模擬污染土壤，下部為0.6 kg周邊原始土壤。淋溶速度設置為0.5 mL/min，淋溶周期為20 d，添加的水最終全部淋出。土壤重金屬殘留率采用式（1）計算。

（1）

式中：K為土壤重金屬殘留率，%；c為淋溶后重金屬含量，mg/kg；c0為淋溶前重金屬含量，mg/kg；M0為原始土壤質量，kg；M為重金屬添加量，mg。

1.3 土壤環境容量模型

土壤環境容量模型可以用公式表示，如式（2）所示。將輸入項和輸出項合并，得到式（3）。其中，年重金屬凈輸入量使用該區域的本底值和采集的土壤樣品來確定，如式（4）所示。獲得各采樣點的年輸入量后，可以通過式（2）計算各采樣點第n年土壤重金屬含量。

（2）

（3）

（4）

式中：Qn為第n年土壤重金屬含量，mg/kg；Q0為土壤重金屬初始含量，mg/kg；Q為每年重金屬輸入量，mg/kg；Z為每年重金屬輸出量，mg/kg；n為目標年限；B為區域土壤重金屬背景值，mg/kg；R為年重金屬凈輸入量，mg/kg。

2 結果與討論

2.1 土壤重金屬縱向遷移特征

經淋溶試驗，土壤中5種重金屬的殘留率按從高到低的順序依次為Pb（96.371%）＞As（94.896%）＞Hg（94.496%）＞Cd（93.119%）＞Cr（46.594%），如表1所示。試驗結果表明，Pb、As、Hg和Cd未能從土壤中淋出，而Cr（六價鉻）具有強溶性形態和強遷移能力，至少有一半被淋出。

2.2 土壤重金屬含量變化趨勢

2.2.1 土壤重金屬污染現狀

在該企業投產之前，土壤重金屬含量的區域本底值均低于寧夏背景值，這表明該地區在未受到污染前的土壤質量良好。但是，隨著企業持續運行，周邊土壤中Hg、Cd、Cr和As的含量均有不同幅度的上升，超過區域本底值，特別是Hg和Cd的含量為區域本底值的4.27倍和5.06倍，說明企業生產與周邊土壤重金屬污染具有強相關性，如表2所示。經分析，Hg、Cd、Cr的變異系數大于10%，為中等變異，Pb、As的變異系數小于10%，為弱變異。結果表明，Hg、Cd和Cr的離散程度較高，空間分異較大；Pb和As的離散程度較低，空間分異較小。

2.2.2 企業周邊土壤重金屬年輸入量

根據式（4），n分別取10、15和20，即以2015年為初始年份，計算出2020年、2025年和2030年的Qn值。年重金屬輸入量R的計算結果如表3所示。Pb、Hg、Cd、Cr和As的年輸入量平均值分別為1.924 mg/kg、0.032 mg/kg、0.163 mg/kg、12.105 mg/kg和2.038 mg/kg。

其中，Cr的年輸入量遠高于其他4種重金屬。土壤中Cr含量隨企業投產而迅速上升，其具有較強的縱向遷移能力，一半以上的Cr會進入深層土壤，對地下水造成嚴重威脅。Pb、Hg、Cd、As的變異系數大于10%，為中等變異；Cr的變異系數小于10%，為弱變異。由于生產環節與工藝不同，該企業周邊土壤重金屬的年輸入量存在較大差異，不同位置的重金屬富集程度也存在差異。

2.2.3 企業周邊土壤重金屬含量預測

使用土壤環境容量模型，對2015—2030年企業周邊土壤的重金屬含量進行預測，結果如圖1至圖5所示。預測結果顯示，企業開始運營后，周邊土壤中重金屬含量明顯增加，超過寧夏背景值。2020年前，Hg、Cd、Cr和As的點位超標率從未達到100%，但現在已經達到這一水平。企業生產對廠區周邊污染較大，污染不僅僅限于廠區內部。因此，要推進清潔生產，強化環境監測和治理，完善廠區綠化，以減少周邊土壤重金屬污染。

結果顯示，土壤Pb含量增長緩慢。2015—2020年，Pb的增長率為65.0%；2020—2025年，增長率降至14.5%，2025—2030年，Pb的增長率僅為13.8%。總體而言，2020年，Pb的平均值接近寧夏背景值，2025—2030年，均值已達到28.798 mg/kg，企業周邊點位超過寧夏背景值的比例從94%上升至97%，Pb在表層土壤中富集。Hg和Cd的含量明顯高于寧夏背景值，隨企業生產而迅速增加，2020年后增加趨勢大幅放緩。2015—2020年，Hg和Cd的增長率分別為2 690%、1 060%；2020—2025年，二者的增長率分別為25.6%和24.5%；2025—2030年，增長率分別為7.4%和16.1%。與其他重金屬相比，Cr的殘留率較低，盡管年凈輸入量很高，導致所有點位Cr含量均高于寧夏背景值，但表層土壤的Cr含量相對穩定，保持在9.85 mg/kg左右。利用美國國家科學院（NAS）四步法，經計算，Cr的總致癌風險為2.284×10-5，是人體安全數值（10-6）的22.84倍，污染較為嚴重。盡管As和Pb的增長趨勢有些相似，但2015—2020年，土壤中As含量增長率高達267.1%，導致采樣點位超過寧夏背景值的比例從0%增加到100%。2020—2025年，As含量的增長率為22.1%，增長速度明顯趨緩。2025—2030年，As含量的增長率為12.5%，增長速度相對穩定。

3 結論

企業開始運營后，周邊土壤中重金屬含量明顯增加，超過區域本底值。Hg和Cd含量增長較快，而Cr的殘留率較低。2020年前，廠區周邊Hg、Cd、Cr和As的點位超標率從未達到100%，但現在已經達到這一水平。土壤中Pb含量的增長速率不高，但Pb在表層土壤中富集的趨勢明顯，廠區周邊97%的點位Pb含量已超過寧夏背景值。未來，該企業要推進清潔生產，強化環境監測和治理，完善廠區綠化，以減少周邊土壤重金屬污染。

參考文獻

1 陳飛香，程家昌，胡月明，等.基于RBF神經網絡的土壤鉻含量空間預測[J].地理科學，2013（1）：69-74.

2 Bhagat S K，Tiyasha T，Awadh S M，et al.Prediction of sediment heavy metal at the Australian Bays using newly developed hybrid artificial intelligence models[J].Environmental Pollution，2021（268）：115663.

3 Li P，Hua P，Gui D，et al.A comparative analysis of artificial neural networks and wavelet hybrid approaches to long-term toxic heavy metal prediction[J].Scientific Reports，2020（1）：1-15.

4 Elzwayie A，El-Shafie A，Yaseen Z M，et al.RBFNN-based model for heavy metal prediction for different climatic and pollution conditions[J].Neural Computing and Applications，2017（8）：1991-2003.

5 秦夕淳，袁 琦，周寶宣.基于神經網絡的土壤重金屬預測模型研究[J].現代農業科技，2016（19）：178-180.

6 任加國，龔 克，馬?？?，等.基于BP神經網絡的污染場地土壤重金屬和PAHs含量預測[J].環境科學研究，2021（9）：2237-2247.

7 勾琪立.成都市溫江區土壤重金屬環境容量特征及污染控制對策研究[D].雅安：四川農業大學，2020：15-16.

8 林 艷.基于地統計學與GIS的土壤重金屬污染評價與預測[D].長沙：中南大學，2009：11-12.

9 陳 江，畢京博，吳 杰，等.湖州土壤重金屬污染趨勢預測及環境容量評價[J].地球與環境，2011（4）：531-535.

10 石文靜，周翰鵬，孫 濤，等.礦區周邊土壤重金屬污染優先控制因子及健康風險評價研究[J].生態環境學報，2022（8）：1616-1628.