随着国民经济的不断提升,高能耗、高污染的电镀企业逐渐关停,遗留了大量污染地块,这些地块可能会造成环境污染[1-2]。 关停或搬迁的电镀企业由于其污染具有长期性、累积性和潜伏性,将会对人体健康产生巨大威胁[3]。 因此,迫切需要对这类电镀遗留地块进行健康风险评价。
目前,针对电镀企业环境健康风险的相关研究主要集中在电镀排污对周边环境的影响评价上,而对遗留的电镀企业场地本身的土壤环境健康风险研究相对比较薄弱[4-8]。 美国环境保护局(United States Environmental Protection Agency, US EPA)最早提出“brown plot”的健康风险评估理念,其RBCA 模型已经运行多年。 并且相继制定了技术导则、风险评估指南和相关法律法规,并进行典型污染场地风险评价和后续治理工作[9-11]。 我国的土壤保护、风险评估和修复治理仍处于发展初期。 目前国内研究多侧重于利用简单公式来计算污染程度,已有学者提出用简单公式计算健康风险的不足之处,Gu 等[12]提出简单公式不足以评估污染土壤对人类的潜在影响,因为一种重金属在环境中的毒性和流动性强烈依赖于重金属的空间分布。 Mashal 等[13]认为公式法无法全面有效说明重金属对人体的危害,需要综合考虑其在空间的流动性。 简单公式缺乏从区域纵向空间角度进行的场地重金属污染程度和人体健康风险评价[14-15]。 然而通过污染预测的方法能够直观反映纵向空间的污染程度[16]。 因此,本文将江苏省某电镀企业作为研究对象,通过人工神经网络预测土壤重金属含量与人体健康风险评价相结合的方法,分析重金属在该地块土壤中污染状况和健康风险的空间特征,为地块污染修复提供理论支持。
1 材料与方法(Materials and methods)
1.1 研究区概况
某电镀企业建于1968年,2013年停产,占地面积约15 349.6 m2,主要从事自行车配件、五金拉手等生产。 目前厂区内仍留存着各种电镀生产工具和原辅材料存储罐,该厂南端污水处理池已停止运行,而废水处理设备仍在原地。
1.2 土壤样品的采集与分析
明确研究区域内的功能区划分后,通过专业判断布点法在研究区域内布设33个采样点,采样深度为 1.5、3、4.5 和 6 m,采样点的布设如图 1 所示[17]。各采样点利用GPS 工具进行定位,利用Geoprobe 7822 DT 无扰动直推采样钻机分层采样,去除动植物残体、石子等异物后将各层土样混合均匀,根据四分法取样装入样品袋编号备用[18]。 在自然条件下风干、磨碎、过筛后对样品进行检测。
图1 电镀厂土壤采样分布示意图
注:1 ~33 为采样点。
Fig.1 Distribution of soil sampling points in electroplating plant
Note:1 to 33 are sampling points.
检测重金属时所用试剂均为优级纯,使用空白和国家标准物质(GBW07405)进行分析质量控制,重金属As 和Hg 依据《土壤质量 总汞、总砷、总铅的测定 原子荧光法》(GB/T 22105.2—2008)[19]检测,检测限为 0.008 mg·kg-1和 0.001 mg·kg-1,重金属 Cd、Cr、Cu、Ni、Pb 和 Zn 采用普通酸分解法-电感耦合等离子体发射光谱法检测,前处理参考《土壤环境监测技术规范》(HJ/T 166—2004)[20],分析参考《电感耦合等离子体原子发射光谱法》(US EPA 6010C-2007),检测限分别为 0.042、0.097、0.034、0.192、0.321和 0.008 mg·kg-1。
1.3 重金属污染评价
地质累积指数法是德国科学家Muller 在1979年提出的利用某一种重金属含量与地球化学背景值的比较来确定土壤重金属污染水平的定量指标[21-22],表达式如下:
式中:Cn 为重金属的测定浓度(mg·kg-1);Bn 为重金属相应的背景参考值(mg·kg-1);1.5 为中和背景值变化的常数。 Igeo 与污染水平的对应关系如下:无污染(Igeo≤0)、轻度污染(0＜Igeo≤1)、中度污染(1＜Igeo≤2)、偏重度污染(2＜Igeo≤3)、重度污染(3＜Igeo≤4)、严重污染(4＜Igeo≤5)、极严重污染(Igeo＞5)[23]。
1.4 人体健康风险评价
根据US EPA 推荐的土壤重金属暴露风险评估方法,将暴露途径分为摄入、吸入、皮肤接触。 将成人作为研究对象用于评估和分析。 潜在有毒金属的日平均剂量通过对成人的3 条路径进行计算,公式如下:
式中:ADDing、ADDinh 和 ADDdermal 分别为每日平均通过土壤摄入、吸入和皮肤接触的暴露量(mg·kg-1·d-1),公式中土壤暴露参数及毒性数据如表1 所示。
表1 土壤暴露参数及毒性数据
Table 1 Soil exposure parameters and toxicity data
参数Parameter参数释义Definition数值Value参数Parameter参数释义Definition数值Value Csoil/(mg·kg-1) 土壤中重金属的含量Heavy metal content in soil ED/a 暴露时间Exposure duration 25 IngR/(mg·d-1) 经口摄入的土壤量Amount of soil ingested by mouth 100 BW/kg 体质量Body weight 63.2 InhR/(m3·d-1) 吸入空气量Intake air volume 15 AT/d AT/d致癌平均作用时间Mean time of carcinogenesis非致癌平均作用时间Mean time of non-carcinogensis 365×72 25×250 EF/(d·a-1)年暴露频率Annual exposure frequency 250 PEF 土壤尘生产因子Soil dust production factor 1.4×109 SA/cm2 可能接触土壤的皮肤Skin that may come into contact with soil 5 700 AF 皮肤对土壤的吸附系数Adsorption coefficient of skin to soil 0.07 ABS 皮肤吸收系数Skin absorption coefficient 0.14 (Cd);0.04 (Cr);0.03 (As);0.05 (Hg);0.006 (Pb);0.1 (Cu);0.02 (Zn);0.35 (Ni)
非致癌风险危险商(HQ)用于评估单一重金属对人体的非致癌风险[24]。 HQ 的总和即为HI,可用于评估大量重金属的总体潜在非致癌风险。 致癌风险(CR)是个体由于暴露于致癌危害而发展为癌症的概率[25-26]。 HQ、HI 和 CR 使用以下公式确定:
式中:RfDi 是参考剂量,SFi 是癌症斜率因子(kg·d·mg-1)。 以下水平表示非致癌风险:HI＜1 或 HQ＜1表示无不良健康影响:HI＞1 或HQ＞1 表示有不良健康影响。 以下水平表示致癌风险:CR＜10-6,无致癌风险;10-6＜CR＜10-4,可接受水平的致癌风险;当CR＞10-4,致癌风险较高[27]。
1.5 BP 神经网络
人工神经网络是由大量简单的处理单元(神经元)组成的高度网络化的人工网络[28]。 人工神经网络可以模拟人体大脑神经系统的功能和构造,确定输入输出之间非线性映射关系的全局性分析方法[29]。 人工神经网络在环境领域主要应用于环境质量变化以及综合污染评价[30]。
BP 神经网络构建中,分别选取采样点位的经度、纬度、深度和pH 值作为模型的输入层。 重金属预测值作为模型的输出值。 隐含层的确定较为复杂,通过定义输入向量为X=(x1,x2,x3,...,xm)T,隐藏层输出向量为S=(s1, s2, s3,..., sn)T,期望输出向量Y=(y1, y2, y3,..., yj)T,则第n个神经元输出推算为:
式中:vn 为每个节点的输出值;f1 为激活函数;ω 为各节点m 与n 之间的权值;An 为节点的阈值。
输出层第j个神经元输出为:
式中:yj 为每个节点的输出值;f2 为激活函数;ω 为各节点n 与j 之间的权值;Bn 为节点的阈值。
在BP 神经网络算法中,输入层的结果作为输入变量输出到隐藏层。 在隐藏层中,数据通过算法进行处理,隐藏层的输出进入输出层。 当输出层的结果与期望值不同时,误差会在神经网络中反向传播,权值会通过原路径逐层修改,最终达到期望值[31]。 通过上述公式采用试凑法和经验公式法相结合的方法,对不同数量的隐藏层和神经元个数的模拟精度进行比较,最终确定隐藏层层数及神经元个数。
2 结果与讨论(Results and discussion)
2.1 土壤重金属统计分析
研究区土壤重金属元素含量如表2 所示。 土壤中 Hg、Cd、Cr、Cu、Ni、Pb 和 Zn 这 7 种重金属均值都超过江苏省土壤背景值,超标率分别为38.6%、63.6%、72.7%、81.1%、77.3%、72.0% 和 71.2%。 As元素均值低于江苏省土壤背景值,但仍有部分点位超标,超标率为22.7%。 研究区土壤中 Cr 含量远远超过《土壤环境质量 建设用地土壤污染风险管控标准》(GB 36600—2018)[32]中“第二类用地”Cr的筛选值,超标率为100%;Ni 和Pb 分别在一车间和废水处理区超标。 表明该研究区可能已受到了这8 种重金属的污染。
表2 研究区域土壤重金属含量
Table 2 Heavy metal content in soil of study area
注:CV 表示变异系数,ND 表示未检出;As、Hg、Cd、Cr、Cu、Ni 和Pb 的筛选值指《土壤环境质量 建设用地土壤污染风险管控标准》(GB 36600—2018)[32]中“第二类用地”值;Zn 的筛选值指《场地土壤环境风险评价筛选值》(DB11/T 811—2011)[36]中“工业/商服用地”值。
Note: CV stands for coefficient of variation; ND means not detected; the screening values of As, Hg, Cd, Cr, Cu, Ni and Pb refer to the value of “TypeⅡ Land” in the “Soil Environmental Quality Construction Land Soil Pollution Risk Control Standard (Trial)” (GB 36600—2018)[32];the screening value of Zn refers to the value of “industrial/commercial land” in the “Site Soil Environmental Risk Assessment Screening Value” (DB11/T 811—2011)[36].
元素Element最小值/(mg·kg-1)Minimum/(mg·kg-1)最大值/(mg·kg-1)Maximum/(mg·kg-1) CV/%江苏省土壤背景值[35]/(mg·kg-1)Soil background value in Jiangsu Province[35]/(mg·kg-1)筛选值/(mg·kg-1)Filter value/(mg·kg-1)As 1.08 20.79 58 9.40 60 Hg 0.01 1.56 163 0.08 38 Cd ND 1.16 107 0.09 65 Cr 18.65 20 300 361 75.60 5.7 Cu 4.36 5 910 294 23.40 18 000 Ni 14.56 11 700 509 32.80 900 Pb 10.38 65 800 962 22.00 800 Zn 19.65 8 880 349 64.80 10 000
变异系数(CV)可反映重金属的离散性以及人类活动对重金属的影响,值越大,表明人类活动干扰就越强[33]。 8 种重金属变异系数依次为 Pb＞Ni＞Cr＞Zn＞Cu＞Hg＞Cd＞As＞36%,根据变异系数的划分,CV＜15%属于轻度变异,15%＜CV＜36%属于中等变异,CV＞36%属于高度变异[34]。 因此8 种重金属均属于高度变异,说明8 种重金属样本含量的离散性较大,且受到人类影响较大。
2.2 重金属污染评价
对不同深度的重金属地质累积指数进行可视化绘图,由图 2 可知,As 在 1.5 m 处 Igeo ＜0,属于无污染,而在6.0 m 处1＜Igeo≤2,属于中度污染,可能的原因是污染物已经下渗到下层土壤而长时间未进行生产作业对于表层土壤的污染有所减轻。 Cr 在1.5 m 处属于偏重度污染,污染较为严重,在6.0 m 处污染主要集中在11 号、14 号和26 号点位。 Ni 在1.5 m 处 2＜Igeo≤3,属于偏重度污染,而在 6.0 m 处仅在26 号点位属于偏重度污染。 Hg、Cd、Cu、Pb 和 Zn均处于无污染与轻度污染之间,其中污染较为严重的点位仍是11 号、14 号和26 号点位,其功能区为废水处理区、一车间。 超标的污染因子与电镀企业的电镀品种一致,主要是电镀过程中对含重金属废水和灰渣的处理不当导致渗漏渗入土壤造成土壤污染。
图2 土壤重金属地质累积指数法可视图(Igeo)
注:(a) As,(b) Hg,(c) Cd,(d) Cr,(e) Cu,(f) Ni,(g) Pb,(h) Zn;上部为1.5 m 处重金属地质累积指数,下部为6.0 m 处重金属地质累积指数。
Fig.2 A visibility graph of the soil heavy metal geological accumulation index method (Igeo)
Note: (a) As, (b) Hg, (c) Cd, (d) Cr, (e) Cu, (f) Ni, (g) Pb, (h) Zn; the upper part shows the geoaccumulation index of heavy metals at 1.5 m, and the lower part shows the geoaccumulation index of heavy metals at 6.0 m.
2.3 人体健康风险评价
利用污染场地健康风险模型,计算研究区内致癌和非致癌风险。 利用Origin 绘制重金属在不同深度下3 条暴露途径的致癌风险和非致癌风险。 选取了US EPA 综合风险信息系统(Integrated Risk and Information System, IRIS)所提供的非致癌物与致癌物作为健康风险的评估依据,重金属 As、Cd、Cr 和Ni 属于致癌物,致癌风险如图3 所示。 重金属Cr在各深度致癌风险均＞10-4,在1.5 m 处致癌风险最高达到1.7×10-3,随着采样点深度的增加,Cr 的致癌风险略有降低,但仍超过可接受的致癌风险10-6。重金属As 和Ni 在各深度致癌风险亦均＞10-6。
图3 不同深度下各重金属致癌风险图
注:(a)1.5 m;(b)3.0 m;(c)4.5 m;(d)6.0 m。
Fig.3 Carcinogenic risk maps of various heavy metals at different depths
Note: (a)1.5 m; (b)3.0 m; (c)4.5 m; (d)6.0 m.
重金属 As、Hg、Cd、Cr、Cu、Ni、Pb 和 Zn 的非致癌风险如图4 所示。 在各个深度下,仅重金属Cr 的非致癌风险危险商HQ＞1,说明研究区内Cr 已经超过可接受的非致癌风险。 各重金属HQ 依次为Cr＞Pb＞Ni＞As＞Cu＞Zn＞Hg＞Cd,基本与地质累积指数的结论相符。 主要是因为电镀行业在退镀过程中会产生大量 Cd、As、Cu 和 Cr 粉尘,抛光时也会产生重金属粉尘导致污染,结合研究区内工艺,在铜件酸洗、铝件钝化、铝件电化学抛光等流程中,经常使用铬酸盐,由于处理不当,而导致废水中含有大量Cr,渗透进入土壤造成污染。
图4 不同深度下各重金属非致癌风险图
注:(a)1.5 m;(b)3.0 m;(c)4.5 m;(d)6.0 m。
Fig.4 Non-carcinogenic risk maps of heavy metals at different depths
Note: (a)1.5 m; (b)3.0 m; (c)4.5 m; (d)6.0 m.
2.4 BP 神经网络预测
在本研究区中,根据数据的可得性和合理性,设置了4个输入层节点,分别为采样点位的经度、纬度、深度和pH 值,将重金属浓度预测值作为输出层进而计算深层致癌风险和非致癌风险。 最终确定为4-20-16-8-6-1 的BP 神经网络,各层之间以 Purelin函数连接,然后进行线性拟合,从而得到重金属实际值与预测值之间的相关性,其拓扑模型结构如图5所示。 选取超过可接受致癌风险的 Ni、Cr、As 以及超过可接受非致癌风险的Cr 作为预测对象,预测模型拟合回归评价如图6 所示。 为验证回归模型的精度与准确度,引入评价指标决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)和平均相对误差(MRE)。 精度评价指标如表3 所示,R2 是衡量回归模型拟合程度的指标,从预测模型拟合回归中可以看出,R2 均接近于1,说明回归方程的拟合效果较好。 RMSE、MAE 和 MRE 较小,MRE 不超过 30%即可说明预测模型精度较高,该模型对深层土壤中重金属Ni、Cr 和As 的预测有很好的适用性。
表3 BP 神经网络训练样本和检验样本精度评价指标
Table 3 BP neural network training sample and test sample accuracy evaluation index
注:RMSE 表示均方根误差;MAE 表示平均绝对误差;MRE 表示相对误差。
Note: RMSE stands for root mean square error; MAE stands for mean absolute error; MRE stands for relative error.
元素Element RMSE MAE MRE训练集Training set检验集Test set训练集Training set检验集Test set训练集Training set检验集Test set Ni 0.024 0.132 0.009 0.054 9.23% 23.54%Cr 0.043 0.218 0.013 0.092 15.88% 29.23%As 0.034 0.174 0.012 0.063 12.93% 25.54%
图5 BP 神经网络结构模型
Fig.5 BP neural network structure model
图6 BP 神经网络污染预测线性图
注:(a) Ni;(b) Cr;(c) As。
Fig.6 BP neural network pollution prediction linear graph
Note: (a) Ni; (b) Cr; (c) As.
通过上述神经网络结构预测超过可接受水平重金属 Ni、Cr 和 As 在深层土壤 7.5 m 和 9.0 m 处的人类健康风险,以判断重金属污染对深层土壤的影响作用和污染深度。 如图7 所示,深层土壤中重金属的致癌风险和非致癌风险明显下降。 从深层土壤(7.5 m 和9.0 m)来看,重金属As 的致癌风险已小于0 ~6.0 m 土壤致癌风险的1/2,但仍＞10-6,超过可接受水平。 此外重金属Cr 在深层土壤7.5 m 和9.0 m处的致癌风险亦＞10-6,但与0 ~6.0 m 土壤相比,风险小了一个数量级。 经BP 神经网络预测,重金属Ni 在深层土壤(7.5 m 和9.0 m)的致癌风险＜10-6,表明重金属Ni 对深层土壤已无污染。 在深层土壤(7.5 m 和9.0 m),重金属Cr 的非致癌风险亦＜1,属于可接受水平,表明Cr 在深层土壤已无非致癌风险。
图7 深层土壤污染预测图
注:(a) As 致癌风险;(b) Cr 致癌风险;(c) Ni 致癌风险;(d) Cr 非致癌风险。
Fig.7 Deep soil pollution slice map
Note: (a) Carcinogenic risk of As; (b) Carcinogenic risk of Cr; (c) Carcinogenic risk of Ni; (d) Non-carcinogenic risks of Cr.
本研究以苏州市土壤重金属含量为研究对象,将BP 神经网络和人体健康风险评价结合,能够更好地拟合重金属的空间变异规律,具有较优的RMSE、MAE 和 MRE 值。 通过 BP 神经网络和人体健康风险评价结合的方式可以为场地监测与分析提供科学依据,管理决策部门能够通过模型预测结果对场地重金属的空间分布及其污染状况有全面准确的了解,对场地污染状况做出科学的判断,并为污染场地修复提供理论指导。 本研究仅采用了经纬度、
pH 值、深度作为输入层经模型拟合重金属空间变异规律,在今后的研究中还可以将其他土壤属性信息如土壤有机质含量、土壤渗透率以及土壤岩性带的变化等作为辅助信息输入,进一步提高模型的准确性。
[1]胡建辉. 环境规制对产业结构调整的倒逼效应研究[D]. 北京: 中央财经大学,2017:86-87
Hu J H. Research on the reverse transmission of environmental regulation on industrial structure adjustment [D].Beijing: Central University of Finance and Economics,2017:86-87 (in Chinese)
[2]朱成. 重庆市典型搬迁企业土壤污染现状及健康风险评价[D]. 重庆: 西南大学,2008:3-5
Zhu C. Soil pollution and health impact assessment of relocation enterprises in Chongqing [D].Chongqing: Southwest University,2008:3-5 (in Chinese)
[3]薛月明. 中国土壤污染防治政策形成过程研究: 基于2006 至2017年土壤污染事件的分析[D].深圳:深圳大学,2018:9-10
Xue Y M.A research on Chinese soil pollution prevention and control policy formation process:Based on soil pollution incidents from 2006 to 2017 [D]. Shenzhen: Shenzhen University,2018:9-10 (in Chinese)
[4]杨婧. 基于清洁生产的电镀工业园区可持续发展探索[D]. 南昌: 南昌大学,2007:3-8
Yang J. Study on the sustainable development of electroplating industrial district based on the cleaner production[D]. Nanchang: Nanchang University, 2007: 3-8 (in Chinese)
[5]梁秀娟, 谢润楠, 罗艺丰, 等. 典型电镀城周边土壤重金属的污染特征研究[J]. 广州化工, 2020, 48(16): 107-110
Liang X J, Xie R N, Luo Y F, et al. Study on pollution characteristics of heavy metals in soils surrounding the typical electroplating cities [J]. Guangzhou Chemical Industry,2020,48(16):107-110 (in Chinese)
[6]齐观景. 电镀企业排放及周边水环境中典型全氟及多氟烷基化合物的环境风险评估[D]. 哈尔滨: 哈尔滨工业大学,2020:13-15
Qi G J. Environmental risk assessment of typical per-and polyfluoroalkyl substances in electroplating factories discharge wastewater and surrounding aquatic environment[D]. Harbin: Harbin Institute of Technology, 2020: 13-15(in Chinese)
[7]余葱葱, 赵委托, 高小峰, 等. 电镀厂周边地表水中重金属分布特征及健康风险评价[J]. 环境科学, 2017, 38(3):993-1001
Yu C C,Zhao W T,Gao X F,et al.Distribution characteristics and health risk assessment of heavy metals in surface water around electroplating factories [J]. Environmental Science,2017,38(3):993-1001 (in Chinese)
[8]郭鹏然, 雷永乾, 周巧丽, 等. 电镀厂周边环境中重金属分布特征及人体健康暴露风险评价[J]. 环境科学,2015,36(9):3447-3456
Guo P R, Lei Y Q, Zhou Q L, et al. Distribution characteristics of heavy metals in environmental samples around electroplating factories and the health risk assessment [J].Environmental Science,2015, 36(9): 3447-3456 (in Chinese)
[9]Fryer M, Collins C D, Ferrier H, et al. Human exposure modelling for chemical risk assessment: A review of current approaches and research and policy implications [J].Environmental Science & Policy,2006,9(3):261-274
[10]McKnight U S, Finkel M. A system dynamics model for the screening-level long-term assessment of human health risks at contaminated sites [J]. Environmental Modelling& Software,2013,40:35-50
[11]Phan K, Sthiannopkao S, Kim K W, et al. Health risk assessment of inorganic arsenic intake of Cambodia residents through groundwater drinking pathway [J]. Water Research,2010,44(19):5777-5788
[12]Gu Y G, Lin Q, Gao Y P. Metals in exposed-lawn soils from 18 urban parks and its human health implications in Southern China’s largest city, Guangzhou [J]. Journal of Cleaner Production,2016,115:122-129
[13]Mashal K, Salahat M, Al-Qinna M, et al.Spatial distribution of cadmium concentrations in street dust in an arid environment [J]. Arabian Journal of Geosciences,2015,8(5):3171-3182
[14]陈郁. 化工园区规划环境风险评价方法与风险管理研究[D]. 大连: 大连理工大学,2013:92-93
Chen Y. Study on the environmental risk assessment method and risk management of chemical industrial park planning [D]. Dalian: Dalian University of Technology,2013:92-93 (in Chinese)
[15]赵委托. 东莞地区电镀厂重金属污染与风险评价研究[D]. 武汉: 中国地质大学,2016:126-130
Zhao W T. Study on pollution and risk assessment of heavy metals surrounding electroplating plants in Dongguan [D].Wuhan:China University of Geosciences,2016:126-130 (in Chinese)
[16]陈洁, 施维林, 张一梅, 等. 电镀厂遗留场地污染分析及健康风险空间分布评价[J]. 环境工程, 2018, 36(4):153-159
Chen J,Shi W L,Zhang Y M,et al.Pollution analysis and spatial distribution of health risk in electroplating abandoned site [J]. Environmental Engineering, 2018, 36(4):153-159 (in Chinese)
[17]中华人民共和国生态环境部. 建设用地土壤污染状况调查技术导则: HJ 25.1—2019[S]. 北京: 中华人民共和国生态环境部,2019
[18]吴延平. “四分”法在铝土矿山综采工艺矿石质量管理中的应用研究[J]. 世界有色金属,2019(10):172-173
Wu Y P. Research on the application of “four points”method in the quality management of ore in the comprehensive mining process of bauxite mine [J]. World Nonferrous Metals,2019(10):172-173 (in Chinese)
[19]中华人民共和国国家质量监督检验检疫总局. 土壤质量总汞、总砷、总铅的测定 原子荧光法: GB/T 22105.2—2008[S]. 北京: 中国标准出版社,2008
[20]中华人民共和国国家环境保护总局. 土壤环境监测技术规范: HJ/T 166—2004[S]. 北京: 中华人民共和国国家环境保护总局,2004
[21]Muller G. Index of geoaccumulation in sediments of the Rhine River [J]. Geojournal,1969,23(3):109-118
[22]张承中, 李勇, 吴曼莉, 等. 城市老工业区土壤重金属污染状况与健康风险评价[J]. 工业安全与环保, 2015,41(6):25-29
Zhang C Z, Li Y, Wu M L, et al. Heavy metals contamination and health risk assessment of urban soil in old industrial area [J].Industrial Safety and Environmental Protection,2015,41(6):25-29 (in Chinese)
[23]滕彦国, 庹先国, 倪师军, 等. 应用地质累积指数评价攀枝花地区土壤重金属污染[J]. 重庆环境科学, 2002(4):25-27,31
Teng Y G, Tuo X G, Ni S J, et al. Applying the index of geoaccumulation to evaluate heavy metal pollution in soil in Panzhihua Region [J]. Chongqing Environmental Science,2002(4):25-27,31 (in Chinese)
[24]United States Environmental Protection Agency (US EPA). Risk assessment guidance for Superfund (RAGS)part A [J]. Saude Publica,1989,804(7):636-640
[25]Dourson M, Patterson J.A 20-year perspective on the development of non-cancer risk assessment methods [J].Human and Ecological Risk Assessment: An International Journal,2003,9(5):1239-1252
[26]陈苗苗, 孙淑, 周震峰. 典型废旧塑料再生基地周边农田土壤中PAHs 污染特征及健康风险评价[J]. 环境科学学报,2020,40(5):1836-1847
Chen M M, Sun S, Zhou Z F. Contamination characteristics and health risk assessment of PAHs in farmland soil around a typical waste plastics recycling base [J]. Acta Scientiae Circumstantiae,2020,40(5):1836-1847 (in Chinese)
[27]郭计忠. 某冶炼厂周边土壤重金属含量测定及分析[J].山西冶金,2018,41(6):40-42
Guo J Z. Determination and analysis of heavy metals in soil around a smelter [J]. Shanxi Metallurgy,2018,41(6):40-42 (in Chinese)
[28]王博, 蔡安江, 华荣佩, 等. 基于神经网络与正交试验的塑件翘曲变形优化[J]. 塑料,2019,48(6):80-83,105
Wang B, Cai A J, Hua R P, et al. Optimization of the warpage for plastic parts based on neural network and orthogonal experiment [J]. Plastics,2019,48(6): 80-83,105(in Chinese)
[29]樊宁, 崔云霞, 彭月, 等. 基于BP 神经网络的燃煤电厂周围土壤重金属浓度预测及评价[J]. 环境科技, 2018,31(2):52-56
Fan N, Cui Y X, Peng Y, et al. Prediction and evaluation of soil heavy metal concentration around coal-fired power plant based on BP neural network [J].Environmental Science and Technology,2018,31(2):52-56 (in Chinese)
[30]张钰, 王让会, 李成. 基于BP 神经网络的表层土壤重金属分布模拟[J]. 安全与环境工程,2014,21(2):51-56
Zhang Y, Wang R H, Li C. Distribution simulation of heavy metals in surface soil based on BP neural network[J]. Safety and Environmental Engineering, 2014, 21(2):51-56 (in Chinese)
[31]段宁, 杨思言, 魏婉婷. 基于BP 神经网络的铅酸蓄电池厂地下水重金属浓度预测[J]. 环境科学与技术,2016,39(1):194-198
Duan N, Yang S Y, Wei W T. Prediction of heavy metal concentrations of the groundwater from a lead-acid battery factory based on BP neural network [J]. Environmental Science & Technology,2016,39(1):194-198 (in Chinese)
[32]中华人民共和国生态环境部, 中华人民共和国国家市场监督管理总局. 土壤环境质量建设用地土壤污染风险管控标准: GB 36600—2018[S]. 北京: 中国环境出版社,2018
[33]刘芳, 塔西甫拉提·特依拜, 依力亚斯江·努尔麦麦提,等. 准东煤炭产业区周边土壤重金属污染与健康风险的空间分布特征[J]. 环境科学,2016,37(12):4815-4829
Liu F,Tashpolat T,Ilyas N,et al.Spatial distribution characteristics of heavy metal pollution and health risk in soil around the coal industrial area of East Junggar Basin [J].Environmental Science,2016,37(12):4815-4829 (in Chinese)
[34]胡碧峰. 基于地统计学与GIS 的区域土壤重金属污染评价与不确定性分析[D]. 杭州: 浙江大学,2017:47-49
Hu B F.Regional soil heavy metal pollution evaluation and uncertainty analysis based on geostatistics and GIS [D].Hangzhou: Zhejiang University,2017:47-49 (in Chinese)
[35]廖启林, 刘聪, 许艳, 等. 江苏省土壤元素地球化学基准值[J]. 中国地质,2011,38(5):1363-1378
Liao Q L,Liu C,Xu Y,et al.Geochemical baseline values of elements in soil of Jiangsu Province [J]. Geology in China,2011,38(5):1363-1378 (in Chinese)
[36]北京市质量技术监督局. 场地土壤环境风险评价筛选值: DB11/T 811—2011[S].北京: 北京质量技术监督局,2011