Detection of Heavy Metals Mobile Fraction in Lagoonal Wetland Sediment Using Near-Infrared Spectroscopy and Ecological Risk Assessment
-
摘要: 沉积物中的重金属元素经自然作用下可以活动态进行迁移，具有潜在生物可利用性及潜在的区域生态风险。利用近红外光谱（NIRS）技术开展不同基体类型样品响应机理研究，可为评估重金属活动态提供无损、快速的分析方法，为生态风险研究提供依据。天津七里海泻湖湿地沉积物具有低有机质-高黏土含量的特征，本文基于近红外光谱分析技术，建立了沉积物中Co、Ni、Cu、Zn、Cd、Pb重金属活动态组分含量近红外光谱-偏最小二乘回归预测模型。实验结果表明：样品在7290~6390cm-1和4683~4000cm-1波段存在的双羟基O-H伸缩振动、AlAl-OH及Al（Mg）-OH弯曲振动特征吸收，间接指示了重金属元素活动态含量。光谱预测结果显示，近百年来七里海沉积物中Co、Ni、Cu、Zn、Cd、Pb活动态组分的变化特征对应了当地1934-1948年、1956-1963年、1976年至今三次较明显的升温过程，也对应了1980年七里海水库建设等大型人为扰动。本研究样品中Co、Ni、Cu、Zn、Cd、Pb总量及活动态均低于国家标准中规定的生态风险阈值，七里海内村镇及周边农田来自湿地释放的重金属生态风险极低。要点
(1) 建立沉积物Co、Ni、Cu、Zn、Cd、Pb活动态组分含量的主成分回归-近红外光谱(PLR-NIRS)预测模型。
HIGHLIGHTS(1) PLR-NIRS model was established for predicting mobile Co, Ni, Cu, Zn, Cd and Pb in clay sediments.
Abstract:BACKGROUNDHeavy metal elements in sediment can migrate in an active state under natural action, which has potential bioavailability and potential regional ecological risks. The use of near-infrared spectroscopy (NIRS) technology to study the response mechanism of samples of different matrices can provide a non-destructive and rapid analysis method for evaluating the active state of heavy metals and provide a basis for ecological risk research.OBJECTIVESTo reveal the characteristics of active metal elements in lagoonal wetland sediment and evaluate their ecological risk.METHODSSediment core and soil samples near by the drilling site were analyzed using both spectral and chemical method. NIR spectra of dry-freezed sample were collected by infrared spectrometer with integrating sphere. Based on the near infrared spectroscopy analysis technique, near infrared spectrum were collected by the integrating device within range of 4000-10000cm-1 (1000-2500nm), at the resolution of 2cm-1. Meanwhile the chemical mobile fractions of heavy metal elements were extracted from soil and sediment samples by diluted nitric acid, the dissolved concentrations of Co, Ni, Cu, Zn, Cd, Pb were determined by inductively coupled plasma-mass spectrometry (ICP-MS). With both chemical and spectral predicted value, the partial least squares regression prediction model had been developed and applied to determine mobile fraction of Co, Ni, Cu, Zn, Cd and Pb.RESULTSArea of absorption peaks at 7290-6390cm-1 and 4683-4000cm-1 related to O-H strentching along with AlAl-OH and Al(Mg)-OH bending indirectly indicate the active content of heavy metals. Spectral prediction results show that the changes in the active components of Co, Ni, Cu, Zn, Cd and Pb in the sediments of the Qilihai in the past 100 years corresponded to the three obvious changes from 1934 to 1948, 1956 to 1963, and 1976 to the present. The temperature increase also corresponded to large-scale human disturbances such as the construction of the Qilihai Reservoir in 1980.CONCLUSIONSThe total and mobile fractions of Co, Ni, Cu, Zn, Cd and Pb in Qilihai sediments were lower than the ecological risk threshold specified in the national standard. The ecological risk of heavy metals released from wetlands towards nearby villages and farmland in the Qilihai catchment area was extremely low.
-
重金属元素在自然界分布广泛，其含量在地质背景制约下，受自然作用和沉积环境变化影响，存在岩石—土壤—水界面迁移行为。在大气降水、地表径流及土壤有机酸等单一、络合淋溶作用下，重金属元素活动态组分通过吸附/解吸、淋滤/溶解等作用过程参与界面反应，实现在岩石、土壤、水、植物根系、(动)植物多个端元的迁移，具有生物可利用性及潜在的区域生态风险[1-7]。
随着学术界对元素赋存形态及其地球化学行为等研究的关注，开展对Cu、Zn、Cd、Pb等具有生态效应的重金属元素的分析方法及应用研究，已成为环境地球化学领域研究热点[8-10]。在实验室内，模拟自然条件利用单一或络合试剂可将金属元素活化、释放，并分别利用电感耦合等离子体发射光谱/质谱仪、原子吸收光谱仪等测定各组分含量，基于顺序提取的概念，活动态对应了弱酸提取态、少部分铁锰氧化物结合态和有机质结合态，并与弱酸提取态显著正相关[11-15]。
近红外光谱(Near Infrared Spectroscopy, NIRS)技术伴随着化学计量学的发展，在环境分析领域得到了广泛应用。Dalal等[16]探索了利用NIRS对土壤中水分、有机碳、氮含量的预测，后续Grzegorz等[17]针对矿山、工厂等高背景地区周边土壤、农业种植区及大型城市周边土壤，开展了对Cd、Pb、Zn、Ni、Cu等重金属元素总量的预测，通过适宜光谱波段及建模回归方法的讨论，得到了满足环境监测及风险评估需求的结果(R>0.7)。Malley等将研究对象拓展至富营养湖泊及河口沉积物等，研究推动了NIRS技术对湖泊相、河相及海洋沉积物的适用性[18-21]。我国学者也开展了农用土壤、极地湖泊沉积及生物质沉积样品中重金属总量的光谱反演，对于不同元素预测效果不尽相同[22-24]。Xia等[25-26]对长江流域土壤及河床沉积物中Cd元素总量进行了光谱预测(R>0.81)，并讨论了铁锰氧化物及有机质对Cd不同提取态的相关性，为探索光谱预测机理、认识长江流域生态风险现状提供了有效参考。基于有机质对重金属元素存在吸附作用这一理论基础，已有研究提出的方法适用范围限于高有机质含量(Corg>3mg/g)、高背景区、颜色变化范围较窄的样品，且研究指标集中于重金属元素总量，而基于近红外光谱开展对重金属元素活动态的研究较少。因此，开展NIRS对不同基体类型样品重金属活动态的预测应用及响应机理研究，将为讨论重金属的生态效应提供更直接的依据。
天津滨海泻湖湿地处于陆地-水(湖泊、海洋)-大气系统界面，对环境变化极为敏感[27]，是古环境及现代过程的重要研究对象。金属元素的不同组分含量变化，揭示了气候变化和人为活动历史对微量元素迁移的影响[28-29]。同时，泻湖湿地作为重金属元素的“源”与“汇”，储存与释放一定程度地影响了汇水区域的生态。本文选取天津宁河七里海泻湖湿地沉积物及周边表土样品，通过建立基于近红外光谱的低有机质沉积物中Co、Ni、Cu、Zn、Cd、Pb六种重金属元素活动态的预测方法，讨论近红外光谱响应机理，并应用于七里海泻湖湿地，揭示近现代沉积物中重金属元素活动态在气候变化及人为活动影响下的变化特征。
1. 实验部分
1.1 研究对象及样品采集
湿地被誉为“地球之肺”，对流域内生态具有重要调控意义。天津七里海湿地位于渤海湾西岸，表层沉积相以河漫滩、泻湖为主，发育牡蛎礁沉积，是全新世以来海退过程在天津平原留下的众多古泻湖湿地之一[30]。年平均气温10.9~12.3℃，年降水量600~900mm，年蒸发量大于1000mm。湿地内生长有菖蒲(Acorus calamus)、芦苇(Phragmites australis)等水生植物。建造于1980年的七里海水库位于湿地西侧，最大水深2.3m，其水源主要依靠大气降水及两条河流(潮白河、青龙湾河)的地表径流(图 1)。湿地及水库汇水区域内分布村镇、农田及湿地公园等公众休闲场所，生态地位显著。
本项目组利用重力钻获取65cm沉积柱心样品，同时采集周边表土样品用于样品集的建立。
1.2 近红外光谱分析
适当的前处理是进行红外光谱分析的基础，含水量及样品粒径对光谱扫描结果影响显著。样品经冷冻干燥后粉碎过筛至100目以保证均匀性，亦减少粒径因素引起的散射效应[31]。称取1.0±0.1g沉积物柱心样品及周边表土样品置于石英样品杯中，利用红外光谱仪积分球附件(Spectrum 400型，美国PerkinElmer公司)进行漫散射近红外光谱采集。仪器工作条件为：扫描范围4000~10000cm-1(1000~2500nm)，分辨率2cm-1，扫描次数为320次/样品。通过扫描仪器配备的聚四氟附件作为空白本底得到背景光谱，光谱仪的AVI校正功能可有效地去除样品及环境中H2O和CO2的特征吸收峰。
1.3 化学分析
为了建立、评估校正及预测效果，需要获取光谱结果与化学测定值进行对照。本研究依照ISO标准(ISO-17586:2016)获得具有地球化学反应活性的重金属活动态组分，即在pH=0.5~1.0范围内通过0.43mol/L硝酸在25℃下振荡提取24h[32]，离心分离过滤取上层清液得到Co、Ni、Cu、Zn、Cd、Pb活动态组分。各元素含量采用电感耦合等离子体质谱仪(X-Series型, 美国Thermo Scientific公司)测定。仪器工作条件为：射频功率1kW，冷却气流速15L/min，辅助气流速和载气(Ar)流速1L/min。
内部质量控制插入空白样和重复样，选取GBW07408 (GSS-1)、GBW07302(GSD-2)、GBW07303(GSD-3)、GBW07304(GSD-4)、GBW07305(GSD-5)、GBW07306(GSD-6)、GBW07308(GSD-8)、GBW07103(GSR-1)等国家标准物质和Rh、Re(10μg/L, 硝酸)混合内标溶液进行分析流程及仪器状态监控，确保测试数据可靠性。
2. 结果与讨论
2.1 光谱预处理及校正结果
为了减少仪器系统误差及测量误差，需要在建模前对原始光谱进行预处理，选择最优的预处理方法组合建立校正模型是开展后期预测的基础。利用光谱处理软件(Version10.4.4.449, PerkinElmer, Inc.)中固有模块操作，步骤包括：①采取了广为应用的多元散射校正法(multi-element scattering correction, MSC)对光谱进行均一化处理, 降低了由于样品装填密度、颗粒分布不均、环境湿度变化等物理因素作用造成的散射效应；②利用合适半宽值的高斯平滑提高信噪比；③利用一阶导或二阶导等转换方式对谱图进行基线校正，为下一步建立多元线性回归模型奠定基础。本文选用的偏最小二乘回归(partial least squares regression，PLSR)尤其适合当预测集比校正集含有更多变量的情况，同时由于回归的成分之间相互正交，在一定程度上消除了多重共线性，是广为采用的建模方法[33-34]。
采用相关系数、校正标准差(SEC)、预测标准差(SEP)等参数对光谱预测模型能力进行评估。以Co和Zn的校正模型为例，对比了均一化处理前后及采取不同基线校正方法校正结果的差异(图 2、图 3)。对比结果表明，采用适宜半宽值平滑、MSC-二阶导处理有效提高了校正模型的拟合效果，可以进行下一步的模型预测。
![]()
图 2 均一化预处理对Co校正模型的优化：(a)未采取均一化；(b)经过MSC处理Figure 2. Optimization of calibrated performance of mobile Co concentration (μg/g) without normalization (a), and with MSC treatment (b)![]()
图 3 基线校正对Zn校正模型的优化：(a)采取基线校正; (b)一阶导转换; (c)二阶导转换Figure 3. Calibrated performance with different baseline correction methods for mobile Zn concentration (μg/g):(a) with baseline correction, (b) first-derivative treatment, (c) second-derivative treatment为后续讨论NIR预测重金属元素的机理，同时列出了在相同建模方法下每种活动态元素对应的元素总量结果，总量提取方法遵循“氢氟酸-高氯酸-盐酸-硝酸”四酸法结合过氧化氢进行充分消解。表 1中的数据显示各元素的活动态和总量PLSR校正模型的拟合结果较好地对应了化学测定值(Rc2>0.6)，同时各元素活动态组分拟合结果普遍优于同元素总量拟合结果。可以认为，活动态是NIRS预测重金属元素的主控组分，其含量变化范围相对较窄，受样品基质影响较大，直接影响了NIRS对重金属元素的预测效果。
表 1 校正模型各组分拟合结果Table 1. Fitting results of each component in correction model组分 样品数量 最低值(μg/g) 最高值(μg/g) 平均值(μg/g) 相关系数Rc2 校正误差(μg/g) 总量Co 86 11.98 17.48 15.36 0.72 1.21 活动态Co 86 4.01 7.55 5.52 0.98 0.01 总量Ni 86 31.17 52.93 41.48 0.69 3.46 活动态Ni 86 8.31 15.80 11.96 0.98 0.27 总量Cu 86 26.13 59.48 40.32 0.71 4.02 活动态Cu 86 14.76 29.49 22.20 0.98 0.52 总量Zn 86 109.66 185.70 151.12 0.64 14.86 活动态Zn 86 27.23 63.89 42.11 0.98 0.59 总量Cd 86 0.26 0.58 0.40 0.80 0.11 活动态Cd 86 0.08 0.27 0.17 0.98 0.01 总量Pb 86 21.41 31.63 26.10 0.72 1.80 活动态Pb 86 11.30 21.91 16.75 0.99 0.16 2.2 活动态重金属组分近红外光谱预测
近年来，利用NIRS测定重金属活动态组分含量的研究数量有限，国内外学者分别于2001年、2008年和2017年针对NIRS预测不同提取态的Cu、Zn和Cr进行了探索和讨论。Chang等[35]采用近红外光谱法结合主成分回归(principle component regression, PCR)对土壤中的Mehlich-Ⅲ浸提剂提取的有效态Cu和Zn进行了光谱预测，Cu的相关系数R2=0.25(浓度范围为0.3~130.6μg/g)，Zn的相关系数R2=0.44(浓度范围0.1~373.3μg/g)，结论认为PCR-NIRS技术对于土壤中的有效态Cn和Zn预测效果不佳。Luce等[36]利用可见-近红外光谱(vis-NIRS)相结合的波段范围采用偏最小二乘回归法测定了不同地区高污染风险农用地土壤中不同提取态重金属元素含量，结果证明vis-NIRS预测Mehlich-Ⅲ提取Cu、Ni、Cd与测定含量的相关性较好(R合集2>0.5)，预测DTPA提取Cu、Ni、Cd与测定含量的相关性较好(R合集2>0.7)，证明了重金属总量和可提取量与土壤有机质含量之间的强相关性，但是受土壤中的高含量有机质的影响，对低养分农用地土壤样品集预测结果不佳，由Mehlich-Ⅲ提取Cu、Ni相关性较低(R2 < 0.4)，DTPA提取Cu相关性较低(R2 < 0.3)。Moros等[37]探索了将样品类型拓展至沉积物，用于预测河口沉积物中Cr的总量、酸溶态、还原态和氧化态，相关性R2均大于0.5，认为虽然PCR-NIRS预测Cr总量的效果优于Cr分量，但仍然可以对不同形态的组分进行半定量的预测，且预测效果受样品中碳、氮含量影响较大。可见前期研究工作大多针对高有机质含量的土壤及沉积物，可作为低有机质沉积物样品对比研究的参考。
本文将七里海湿地沉积物柱心样品加入预测集，得到了PCR-NIRS预测模型对各元素活动态组分的相关系数(R2>0.5)，预测效果为Cu-Pb-Cd-Ni>Co-Zn(图 4)。本研究认为，样品的基体特征是影响整体预测效果并造成不同元素预测结果存在差异的主要原因。对比校正模型和预测模型结果可发现，拟合效果并不代表具有优异的预测效果，影响预测结果的因素可能有以下两方面：①校正模型的过拟合。前期研究已指出避免模型过拟合的重要性[38-39]，在建立校正模型时忽略了样品集中基质差异、含量变化的多样性，过分地追求最小的相对误差[40]，降低了模型的鲁棒性，造成校正集适用范围较窄。②仪器和方法的检出限。与前期研究在工矿用地周边、受污染农用地等高背景地区采集样品不同，本文参与建立校正集和预测集的样本均属于低含量，在检出限附近较难区分样品信号和仪器、实验环境噪音本底，增加了预测结果的不确定性。
![]()
图 4 光谱预测结果与化学测定结果的相关性Figure 4. Correlation of spectral predicted values vs. chemical analyzed values七里海泻湖沉积物具有典型的牡蛎礁特征，主要以碳酸钙形式存在的无机碳含量平均值高达12.3%，Ca2+具有更高的水合能，在一定程度上抑制了具有相近有效离子半径的Pb2+、Cd2+、Cu2+、Zn2+等的迁移能力，从而影响了预测结果(Rp2=0.51~0.63)。自然条件下黏土对重金属离子存在选择性吸附的直接证据较少，基于阳离子交换反应的非特异性吸附作用占主导。研究表明在干燥且吸性水强的黏土和壤土中，Pb、Cu与土壤的结合作用及化学反应活性强于Zn[41]，且Co2+相比于无机组分更倾向于与胺基结合[42]。同时，已有实验室内模拟实验以纯品蒙脱石、高岭石、伊利石等为研究对象，开展了黏土矿物对Pb2+、Cu2+、Cd2+、Ni2+等离子的吸附特征对比，发现黏土矿物对Pb2+、Cu2+的吸附强度和饱和吸附量均高于其他离子[43]。本研究中高钙和低有机质沉积物存在上述类似特征。
2.3 近红外光谱预测机理讨论
2.3.1 近红外光谱预测高含量有机质样品中的重金属
理论上，重金属在近红外光谱波段无特征吸收，而有机质在近红外区域具有明显的特征吸收，这是由于有机质中存在着C—H、C—C、C=C、C—N和O—H等化学键。Wu等相关学者研究发现，土壤中有机质、黏土矿物、硫化物、碳酸盐对重金属存在“替代校正”关系[44]，且在有机质含量占主导的样品中，有机质与重金属的相互作用优先于其他组分，基于化学计量学手段建立预测模型，从机理上证实了NIRS在快速评估土壤中重金属总量的可靠性。因此当满足以下条件时，可以实现NIRS对重金属的预测：①样品中的重金属含量很高，即矿区附近或污染区的高背景沉积物和土壤；②目标重金属元素间具有相似的地球化学行为关系，且可与样品中天然有机质结合，从而间接具有近红外光谱敏感性[45-47]。
2.3.2 高含量黏土样品中特征吸收对NIRS预测的作用
将本研究中样品的近红外光谱分为4个区段：第一段(PEAK 1)为10000~7291cm-1；第二段(PEAK 2)为7290~6390cm-1；第三段(PEAK 3)为5822~4684cm-1；第四段(PEAK 4)为4683~4000cm-1(图 5)。本文中预测集中的沉积物样品以高岭土等黏土/云母类矿物的风化产物为主，有机碳含量很低，在0.01%~0.19%之间，平均值0.1%，因此并不具有以有机质为主导因素的光谱特征。根据Clark等学者前期对黏土/云母矿物组合结构的定性和定量研究，黏土/云母矿物组合在近红外区域具有特征吸收，主要是—OH、H—O—H和MM—OH的合频与倍频振动，如富铝黏土矿物在中红外波段范围3500~3636cm-1之间出现羟基的基频伸缩振动，1643cm-1附近的水分子弯曲振动，833~942cm-1处出现AlAl—OH及Al(Mg)—OH弯曲振动[17, 48-51]。因此在本研究中4200~4600cm-1处出现MM—OH伸缩弯曲合频振动，H—O—H伸缩弯曲合频振动，在5200cm-1、7100cm-1附近出现双羟基伸缩振动。根据校正模型的第一、第二主成分在近红外波长区域的负载因子值变化特征，PEAK 2~PEAK 4较好地对应了上述光谱吸收特征。
![]()
图 5 校正模型第一、第二因子负载值与样品光谱对应情况Figure 5. Factor load value of calibration model and significant peak of Qilihai sediment samples in NIRS regions2.3.3 黏土对重金属的吸附作用与NIRS光谱预测
即使在重金属元素总量浓度较低的情况下，其活动态组分仍具有地球化学反应活性，在矿物-水界面反应过程中，黏土矿物等无机胶体是吸附重金属的重要因素[52]。对重金属的吸附类型主要有专属性和非特异性两种，专属吸附反应受控于pH值、锰氧化物和有机物含量。因此认为在有机质含量较低的情况下，基于阳离子交换反应的非特异性吸附作用或为主导。
为进一步讨论重金属元素的间接近红外光谱敏感性的来源，将近红外波长范围的4个区段的峰面积与样品各活动态组分进行聚类分析(图 6)。发现黏土通过氢键对活动态金属元素组分进行非特异性吸附，并与7290~6390cm-1(PEAK 2)和4683~4000cm-1(PEAK 4)处的特征吸收具有较好的相关性，与5200cm-1左右出现的羟基的基频伸缩振动及水分子弯曲振动相关性较弱。类似的特征在我国学者利用可见-近红外光谱部分波段研究农用地土壤中Pb、Zn、Cu总量的结论中也得到体现。因此本研究认为，重金属活动态具有的近红外光谱活性，源于其与黏土矿物存在非特异性吸附的关系，广泛存在于黏土矿物结构中的MM—OH和—OH在近红外光谱区域有特征吸收，作为桥梁间接指示了重金属活动态组分。
![]()
图 6 活动态重金属与NIRS分段峰面积1~4(Peak Area, PA)的聚类分析Figure 6. Hierarchical cluster analysis of heavy metals mobile fraction and NIRS peak area2.4 七里海沉积物中重金属活动态含量变化
虽然不同元素预测效果存在差异，但七里海沉积物的光谱预测值随深度变化与测定值一致，且具有相似变化模式，越靠近表层活动态组分含量逐渐升高(图 7)。结合210Pb年龄测定结果，Co、Ni、Cu、Zn、Cd、Pb活动态含量变化对应了近一百年以来天津宁河地区经历的三次较明显的升温过程，即1934—1948年、1956—1963年及1976年至今。七里海湿地汇水区域沉积特征受区域温度变化影响显著，同时还存在人为扰动造成的地表径流输入变化。黏土矿物在沉积物中占很大比例，且黏土矿物自身的不稳定性，使其容易受物理风化和化学风化作用而分解，而结合较高的气温能促使水解反应加速进行，令矿物晶格内及被黏土矿物吸附的金属元素更容易释放。同时，在深度约为20cm各组分含量升高对应了1980年七里海水库建成后，水库的截流作用为重金属元素聚集、沉积提供了稳定的条件。结果表明，与传统的化学分析方法相比，NIRS分析方法具有便捷、无损的优势，光谱预测结果虽然并未达到定量测定的准确度，但有效地反映了重金属活动态的变化趋势，揭示了环境变化对元素地球化学行为的影响。
![]()
图 7 重金属活动态光谱预测值与测定值随深度变化特征(黑线表示测定值，红线表示预测值)Figure 7. Vertical variation of heavy metals mobile fraction in Qilihai sediment samples (black lines represent chemically measured results; red lines represent spectral predicted results)我国于2018年发布的《土壤环境质量农用地土壤污染风险管控标准(试行)》中规定了Pb等重金属在土壤中的环境质量风险筛选值，结合不同地区的土壤环境基准数据和前人研究[53]，七里海土壤及周边农田土壤pH值在7.8~8.8之间[54]，在表 2中列出的Co、Ni、Cu、Zn、Cd、Pb均低于农用地(建设用地)土壤环境质量筛选值和近似土壤类型的背景值。重金属元素的生物可利用性是进行生态风险评价的前提，植物的根表-根际微环境对重金属元素的迁移、转化至关重要。研究区内以菖蒲、芦苇等为主的水生维管植物通过孔隙度优势、根部渗氧、液泡吸收、抗氧化酶缓解等功能[55]，为重金属元素提供了吸收-转运路径，形成了对一种或多种重金属元素的耐受性和富集能力。因此，在Co等元素总量及活动态均低于最低筛选值这种情况下，本研究认为，七里海汇水区域内的村镇及周边农田来自湿地释放的重金属生态风险极低。
表 2 七里海样品中重金属活动态含量与国家标准中最低筛选值对比Table 2. Comparison of heavy metals mobile fraction concentration in Qilihai samples and their minimum filter values in national standard重金属 最低值(μg/g) 最高值(μg/g) 平均值(μg/g) 标准中规定的最低筛选值(μg/g) 总量Co 11.98 17.48 15.36 20 活动态Co 4.01 7.55 5.52 总量Ni 31.17 52.93 41.48 150 活动态Ni 8.31 15.80 11.96 总量Cu 26.13 59.48 40.32 100 活动态Cu 14.76 29.49 22.20 总量Zn 109.66 185.70 151.12 300 活动态Zn 27.23 63.89 42.11 总量Cd 0.26 0.58 0.40 0.8 活动态Cd 0.08 0.27 0.17 总量Pb 21.41 31.63 26.10 170 活动态Pb 11.30 21.91 16.75 3. 结论
本研究通过建立Co、Ni、Cu、Zn、Cd、Pb活动态组分的近红外光谱预测模型，探讨了近红外光谱法(NIRS)预测重金属活动态组分的机理，提出O—H伸缩振动及AlAl—OH、Al(Mg)—OH弯曲振动指示的黏土矿物对重金属离子存在非特异性吸附，赋予了重金属间接的近红外光谱敏感性，拓展了NIRS在高黏土、高钙含量沉积物中对重金属活动态组分的预测应用。分析方法应用于七里海泻湖沉积物样品，描述了近一百年以来沉积记录中重金属活动态含量变化，较好地对应了历史升温过程及兴建水库等大型人为扰动。研究表明，七里海水库所在汇水区域Co、Ni、Cu、Zn、Cd、Pb低于生态风险阈值，周边村镇及农田所受影响极低。
近红外光谱是一种快速、无损、环境友好的技术，在环境研究、监测等领域具有更广阔的应用前景。下一步在分析技术优化方面，将结合波段筛选和回归方法改进等手段，提高NIRS预测的稳定性。
致谢: 本文作者对中国科学院地质与地球物理研究所储国强研究员、中国地质科学院地质研究所郭立鹤研究员在样品采集、红外光谱谱图解析给予的指导与帮助，在此表示衷心感谢。 -
![]()
图 2 均一化预处理对Co校正模型的优化：(a)未采取均一化；(b)经过MSC处理
Figure 2. Optimization of calibrated performance of mobile Co concentration (μg/g) without normalization (a), and with MSC treatment (b)
![]()
图 3 基线校正对Zn校正模型的优化：(a)采取基线校正; (b)一阶导转换; (c)二阶导转换
Figure 3. Calibrated performance with different baseline correction methods for mobile Zn concentration (μg/g):(a) with baseline correction, (b) first-derivative treatment, (c) second-derivative treatment
![]()
图 4 光谱预测结果与化学测定结果的相关性
Figure 4. Correlation of spectral predicted values vs. chemical analyzed values
![]()
图 5 校正模型第一、第二因子负载值与样品光谱对应情况
Figure 5. Factor load value of calibration model and significant peak of Qilihai sediment samples in NIRS regions
![]()
图 6 活动态重金属与NIRS分段峰面积1~4(Peak Area, PA)的聚类分析
Figure 6. Hierarchical cluster analysis of heavy metals mobile fraction and NIRS peak area
![]()
图 7 重金属活动态光谱预测值与测定值随深度变化特征(黑线表示测定值，红线表示预测值)
Figure 7. Vertical variation of heavy metals mobile fraction in Qilihai sediment samples (black lines represent chemically measured results; red lines represent spectral predicted results)
表 1 校正模型各组分拟合结果
Table 1 Fitting results of each component in correction model
组分 样品数量 最低值(μg/g) 最高值(μg/g) 平均值(μg/g) 相关系数Rc2 校正误差(μg/g) 总量Co 86 11.98 17.48 15.36 0.72 1.21 活动态Co 86 4.01 7.55 5.52 0.98 0.01 总量Ni 86 31.17 52.93 41.48 0.69 3.46 活动态Ni 86 8.31 15.80 11.96 0.98 0.27 总量Cu 86 26.13 59.48 40.32 0.71 4.02 活动态Cu 86 14.76 29.49 22.20 0.98 0.52 总量Zn 86 109.66 185.70 151.12 0.64 14.86 活动态Zn 86 27.23 63.89 42.11 0.98 0.59 总量Cd 86 0.26 0.58 0.40 0.80 0.11 活动态Cd 86 0.08 0.27 0.17 0.98 0.01 总量Pb 86 21.41 31.63 26.10 0.72 1.80 活动态Pb 86 11.30 21.91 16.75 0.99 0.16 
下载: 导出CSV
表 2 七里海样品中重金属活动态含量与国家标准中最低筛选值对比
Table 2 Comparison of heavy metals mobile fraction concentration in Qilihai samples and their minimum filter values in national standard
重金属 最低值(μg/g) 最高值(μg/g) 平均值(μg/g) 标准中规定的最低筛选值(μg/g) 总量Co 11.98 17.48 15.36 20 活动态Co 4.01 7.55 5.52 总量Ni 31.17 52.93 41.48 150 活动态Ni 8.31 15.80 11.96 总量Cu 26.13 59.48 40.32 100 活动态Cu 14.76 29.49 22.20 总量Zn 109.66 185.70 151.12 300 活动态Zn 27.23 63.89 42.11 总量Cd 0.26 0.58 0.40 0.8 活动态Cd 0.08 0.27 0.17 总量Pb 21.41 31.63 26.10 170 活动态Pb 11.30 21.91 16.75
下载: 导出CSV
-
Zhan H, Jiang Y, Yuan J, et al.Trace metal pollution in soil and wild plants from lead-zinc smelting areas in Huixian County, Northwest China[J].Journal of Geochemical Exploration, 2014.147:182-188. doi: 10.1016/j.gexplo.2014.10.007
Yıldırım G, Tokalıoǧlu Ş. Heavy metal speciation in various grain sizes of industrially contaminated street dust using multivariate statistical analysis[J].Ecotoxicology and Environmental Safety, 2016, 124:369-376. doi: 10.1016/j.ecoenv.2015.11.006
Sungur A, Soylak M, Yilmaz E, et al.Characterization of heavy metal fractions in agricultural soils by sequential extraction procedure:The relationship between soil properties and heavy metal fractions[J].Soil and Sediment Contamination:An International Journal, 2015, 24(1):1-15. doi: 10.1080/15320383.2014.907238
Nolan A L, Baltpurvins K A, Hamilton I C, et al.Chemostat-controlled selective leaches of model soil phases-The hydrous manganese and iron oxides.Part 2:Re-adsorption studies[J].Geochemistry-Exploration Environment Analysis, 2003, 3(4):313-320. doi: 10.1144/1467-7873/03-015
la Colla N S, Domini C E, Marcovecchio J E, et al.Latest approaches on green chemistry preconcentration methods for trace metal determination in seawater-A review[J].Journal of Environmental Management, 2015, 151:44-55. doi: 10.1016/j.jenvman.2014.11.030
Concas S, Ardau C, di Bonito M, et al.Field sampling of soil pore water to evaluate the mobile fraction of trace elements in the Iglesiente area (SW Sardinia, Italy)[J].Journal of Geochemical Exploration, 2015, 158:82-94. doi: 10.1016/j.gexplo.2015.07.006
王畅, 郭鹏然, 陈杭亭, 等.土壤和沉积物中重金属生物可利用性的评估[J].岩矿测试, 2009, 28(2):108-112. http://www.ykcs.ac.cn/article/id/ykcs_20090204 Wang C, Guo P R, Chen H T, et al.Evaluation of bioavailability of heavy metals in soils and sediments[J].Rock and Mineral Analysis, 2009, 28(2):108-112. http://www.ykcs.ac.cn/article/id/ykcs_20090204
Zhang W, Ming Q, Shi Z, et al.Lake sediment records on climate change and human activities in the Xingyun Lake catchment, SW China[J].PLoS One, 2014, 9(7):e102167 doi: 10.1371/journal.pone.0102167
Serrano O, Mateo M, Dueñas-Bohórquez A, et al.The Posidonia oceanica marine sedimentary record:A Holocene archive of heavy metal pollution[J].Science of the Total Environment, 2011, 409(22):4831-4840. doi: 10.1016/j.scitotenv.2011.08.001
Moldenhauer K, Zielhofer C, Faust D, et al.Heavy metals as indicators for Holocene sediment provenance in a semi-arid Mediterranean catchment in northern Tunisia[J].Quaternary International, 2008, 189(1):129-134. doi: 10.1016/j.quaint.2007.09.006
王亚平, 鲍征宇.恬矿库周围土壤中重金属存在形态特征研究[J].岩矿测试, 2000, 19(1):7-13. http://www.ykcs.ac.cn/article/id/ykcs_20090204 Wang Y P, Bao Z Y.Study on characteristics of heavy metal species in the soils near the tailings[J].Rock and Mineral Analysis, 2000, 19(1):7-13. http://www.ykcs.ac.cn/article/id/ykcs_20090204
王晓春, 路国慧, 刘晓端, 等.沈阳细河沿岸土壤中重金属垂直分布特征与形态分析[J].岩矿测试, 2010, 29(2):97-103. http://www.ykcs.ac.cn/article/id/ykcs_20100202 Wang X C, Lu G H, Liu X D, et al.Vertical distribution characteristics and speciation analysis of heavy metals in top-soils around Xihe River of Shenyang[J].Rock and Mineral Analysis, 2010, 29(2):97-103. http://www.ykcs.ac.cn/article/id/ykcs_20100202
卢少勇, 焦伟, 金相灿, 等.滇池内湖滨带沉积物中重金属形态分析[J].中国环境科学, 2010, 30(4):487-492. http://www.cnki.com.cn/Article/CJFDTotal-ZGHJ201004014.htm Lu S Y, Jiao W, Jin X C, et al.Speciation of heavy metals in sediments from inner lakeside belt of Lake Dianchi[J].China Environmental Science, 2010, 30(4):487-492. http://www.cnki.com.cn/Article/CJFDTotal-ZGHJ201004014.htm
张婷, 刘爽, 宋玉梅, 等.柘林湾海水养殖区底泥中重金属生物有效性及生态风险评价[J].环境科学学报, 2019, 39(3):60-69. http://www.cnki.com.cn/Article/CJFDTotal-HJXX201903008.htm Zhang T, Liu S, Song Y M, et al.Bioavailability and ecological risk assessment of heavy metals in sediments of marine aquaculture in Zhelin Bay[J].Acta Scientiae Circumstantiae, 2019, 39(3):60-69. http://www.cnki.com.cn/Article/CJFDTotal-HJXX201903008.htm
孙丽娜, 李玉双, 李昕馨, 等.根际环境锌镉镍的形态变化与植物有效性[J].岩矿测试, 2007, 26(4):257-263. http://www.ykcs.ac.cn/article/id/ykcs_20070489 Sun L N, Li Y S, Li X X, et al.Speciation variation and zinc, cadmium, nickel phyto-availability of in rhizosphere soils[J].Rock and Mineral Analysis, 2007, 26(4):257-263. http://www.ykcs.ac.cn/article/id/ykcs_20070489
Dalal R, Henry R.Simultaneous determination of moisture, organic carbon, and total nitrogen by near infrared reflectance spectrophotometry[J].Soil Science Society of America Journal, 1986, 50(1):120-123. doi: 10.2136/sssaj1986.03615995005000010023x
Grzegorz S, Mccarty G W, Stuczynski T I, et al.Near- and mid-infrared diffuse reflectance spectroscopy for measuring soil metal content[J]. Journal of Environmental Quality, 2004, 33(6):2056-2069. doi: 10.2134/jeq2004.2056
Malley D, Williams P.Use of near-infrared reflectance spectroscopy in prediction of heavy metals in freshwater sediment by their association with organic matter[J].Environmental Science & Technology, 1997, 31(12):3461-3467. http://cn.bing.com/academic/profile?id=3ead034c75819899edfb9d5c30a6d21d&encoded=0&v=paper_preview&mkt=zh-cn
Malley D F.Near-infrared spectroscopy as a potential method for routine sediment analysis to improve rapidity and efficiency[J].Water Science and Technology, 1998, 37(6-7):181-188. doi: 10.2166/wst.1998.0751
Moros J, Barciela-Alonso M C, Pazos-Capeáns P, et al.Characterization of estuarine sediments by near infrared diffuse reflectance spectroscopy[J].Analytica Chimica Acta, 2008, 624(1):113-127. doi: 10.1016/j.aca.2008.06.030
Ibrahim M, Hameed A J, Jalbout A.Molecular spectroscopic study of River Nile sediment in the greater Cairo region[J].Applied Spectroscopy, 2008, 62(3):306-311. doi: 10.1366/000370208783759795
李淑敏, 李红, 孙丹峰, 等.利用光谱技术分析北京地区农业土壤重金属光谱特征[J].土壤通报, 2011(3):224-229. http://www.cnki.com.cn/Article/CJFDTotal-TRTB201103043.htm Li S M, Li H, Sun D F, et al.Characteristic and diagnostic bands of heavy metals in Beijing agricultural soils based on spectroscopy[J].Chinese Journal of Soil Science, 2011(3):224-229. http://www.cnki.com.cn/Article/CJFDTotal-TRTB201103043.htm
王哲, 聂亚光, 陈倩倩, 等.基于近红外光谱快速分析东南极湖泊沉积物化学元素含量[J].极地研究, 2016, 28(3):317-323. http://www.cnki.com.cn/Article/CJFDTotal-JDYZ201603002.htm Wang Z, Nie Y G, Chen Q Q, et al.Rapid analysis on contents of chemical elements in pond sediments from East Antarctica using near-infrared spectroscopy[J]. Chinese Journal of Polar Research, 2016, 28(3):317-323. http://www.cnki.com.cn/Article/CJFDTotal-JDYZ201603002.htm
王冬, 马智宏, 王纪华, 等.土壤金属元素近红外光谱定量校正模型适应性初步研究[J].光谱学与光谱分析, 2017, 37(4):1086-1089. http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201704020.htm Wang D, Ma Z H, Wang J H, et al.Preliminary research on the adaptability of NIR quantitative calibration models for metal elements in soil[J].Spectroscopy and Spectral Analysis, 2017, 37(4):1086-1089. http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201704020.htm
Xia X Q, Chen J, Ma H R, et al.Assessment of cadmium contamination in the sediments of Changjiang (Yangtze) River by reflectance spectroscopy[J]. Chinese Journal of Geochemistry, 2006, 25(Supplement):226. http://cn.bing.com/academic/profile?id=023c24d38acdc1018b8f6ba8de1ec763&encoded=0&v=paper_preview&mkt=zh-cn
Xia X Q, Mao Y Q, Ji J F, et al.Reflectance spectroscopy study of Cd contamination in the sediments of the Changjiang River, China[J].Environmental Science & Technology, 2007, 41(10):3449-3454. http://cn.bing.com/academic/profile?id=157017664e420a7e4d906fd6848f4d97&encoded=0&v=paper_preview&mkt=zh-cn
吕宪国, 王起超, 刘吉平.湿地生态环境影响评价初步探讨[J].生态学杂志, 2004, 23(1):83-85. http://www.cnki.com.cn/Article/CJFDTOTAL-STXZ200401017.htm Lü X G, Wang Q C, Liu J P.Primary study on impact assessment of wetland ecological environment[J].Chinese Journal of Ecology, 2004, 23(1):83-85. http://www.cnki.com.cn/Article/CJFDTOTAL-STXZ200401017.htm
Job T, Penny D, Hua Q.Metal enrichment in estuarine sediments proximal to acid sulfate soils as a novel palaeodrought proxy[J].Science of the Total Environment, 2018, 612:247-256. doi: 10.1016/j.scitotenv.2017.08.157
Ghosh D, Routh J, Bhadury P.Sub-surface biogeochemical characteristics and its effect on arsenic cycling in the holocene gray sand aquifers of the Lower Bengal Basin[J].Frontiers in Environmental Science, 2017, 5:82. doi: 10.3389/fenvs.2017.00082
王苏民, 窦鸿身.中国湖泊志[M].北京:科学出版社, 1998. Wang S M, Dou H S.Records of lakes in China[M].Beijing:Science Press, 1998.
Kooistra L, Wehrens R, Leuven R, et al.Possibilities of visible-near-infrared spectroscopy for the assessment of soil contamination in river flood plains[J].Analytica Chimica Acta, 2001, 446(1-2):97-105. doi: 10.1016/S0003-2670(01)01265-X
Groenenberg J E, Römkens P F, Zomeren A V, et al.Evaluation of the single dilute (0.43M) nitric acid extraction to determine geochemically reactive elements in soil[J].Environmental Science & Technology, 2017, 51(4):2246-2253. https://pubmed.ncbi.nlm.nih.gov/28164700/
Stenberg B, Rossel R A V, Mouazen A M, et al.Visible and near infrared spectroscopy in soil science in advances in agronomy[M].Elsevier, 2010:163-215.
Awiti A O, Walsh M G, Shepherd K D, et al.Soil condition classification using infrared spectroscopy:A proposition for assessment of soil condition along a tropical forest-cropland chronosequence[J].Geoderma, 2008, 143(1-2):73-84. doi: 10.1016/j.geoderma.2007.08.021
Chang C W, Laird D A, Mausbach M J, et al.Near-infrared reflectance spectroscopy-principal components regression analyses of soil properties[J].Soil Science Society of America Journal, 2001, 65(2):480-490. doi: 10.2136/sssaj2001.652480x
Luce M S, Ziadi N, Gagnon B, et al.Visible near infrared reflectance spectroscopy prediction of soil heavy metal concentrations in paper mill biosolid- and liming by-product-amended agricultural soils[J].Geoderma, 2017, 288:23-36. doi: 10.1016/j.geoderma.2016.10.037
Moros J, Cassella R J, Barciela-Alonso M C, et al.Estuarine sediment quality assessment by Fourier-transform infrared spectroscopy[J].Vibrational Spectroscopy, 2010, 53(2):204-213. doi: 10.1016/j.vibspec.2010.03.001
Hawkins D M.The problem of overfitting[J].Journal of Chemical Information and Computer Sciences, 2004, 44(1):1-12. http://cn.bing.com/academic/profile?id=cd2d5e733bba2f60b46fa186dac6d9d5&encoded=0&v=paper_preview&mkt=zh-cn
Gowen A, Downey G, Esquerre C, et al.Preventing over-fitting in PLS calibration models of near-infrared (NIR) spectroscopy data using regression coefficients[J].Journal of Chemometrics, 2011, 25(7):375-381. doi: 10.1002/cem.1349
Faber N, Rajko R.How to avoid over-fitting in multi-variate calibration-The conventional validation approach and an alternative[J].Analytica Chimica Acta, 2007, 595(1-2):98-106. doi: 10.1016/j.aca.2007.05.030
Echeverria J, Morera M, Mazkiaran C, et al.Competitive sorption of heavy metal by soils.Isotherms and fractional factorial experiments[J].Environmental Pollution, 1998, 101(2):275-284. doi: 10.1016/S0269-7491(98)00038-4
Uddin M K.A review on the adsorption of heavy metals by clay minerals, with special focus on the past decade[J].Chemical Engineering Journal, 2017, 308:438-462. doi: 10.1016/j.cej.2016.09.029
张金池, 姜姜, 朱丽珺, 等.黏土矿物中重金属离子的吸附规律及竞争吸附[J].生态学报, 2007, 27(9):273-281. http://www.cnki.com.cn/Article/CJFDTotal-STXB200709033.htm Zhang J C, Jiang J, Zhu L J, et al.Adsorption and competitive adsorption of heavy metal ion by clay mineral[J].Acta Ecologica Sinica, 2007, 27(9):273-281. http://www.cnki.com.cn/Article/CJFDTotal-STXB200709033.htm
Wu C Y, Jacobson A R, Laba M, et al.Surrogate correlations and near-infrared diffuse reflectance sensing of trace metal content in soils[J].Water, Air, & Soil Pollution, 2010, 209(1-4):377-390. http://cn.bing.com/academic/profile?id=2a45a02e40802e4e9b208b75a8626e8a&encoded=0&v=paper_preview&mkt=zh-cn
Li X X, Zhang P X, Bo S.Visible and near-infrared diffuse reflectance spectroscopy for prediction of soil properties near a copper smelter[J].Pedosphere, 2012, 22(3):351-366. doi: 10.1016/S1002-0160(12)60022-8
Gholizadeh A, Boruvka L, Vašát R, et al.Estimation of potentially toxic elements contamination in anthropogenic soils on a brown coal mining dumpsite by reflectance spectroscopy:A case study[J].PloS One, 2015, 10(2):e0117457. doi: 10.1371/journal.pone.0117457
Vávrová P, Stenberg B, Karsisto M, et al.Near infrared reflectance spectroscopy for characterization of plant litter quality: Towards a simpler way of predicting carbon turnover in Peatlands?[M]//Wastewater treatment, plant dynamics and management in constructed and natural wetlands.Springer, 2008: 65-87.
Clark R N.Spectroscopy of rocks and minerals, and prin-ciples of spectroscopy[J].Manual of Remote Sensing, 1999, 3:3-58.
Rossel R V, Behrens T.Using data mining to model and interpret soil diffuse reflectance spectra[J].Geoderma, 2010, 158(1-2):46-54. doi: 10.1016/j.geoderma.2009.12.025
Todorova M, Mouazen A M, Lange H, et al.Potential of near-infrared spectroscopy for measurement of heavy metals in soil as affected by calibration set size[J].Water Air and Soil Pollution, 2014, 225(8):2036-2054. doi: 10.1007/s11270-014-2036-4
Chattoraj S L, Banerjee S, van der Meer F, et al.Application of visible and infrared spectroscopy for the evaluation of evolved glauconite[J].International Journal of Applied Earth Observation and Geoinformation, 2018, 64:301-310. doi: 10.1016/j.jag.2017.02.007
Hubbard A T.Encyclopedia of surface and colloid science[M].CRC Press, 2002.
王锐, 张风雷, 徐姝姝, 等.土壤重金属污染风险筛选值划分方法:以Cd为例[J].环境科学, 2019, 40(11):5082-5089. http://www.cnki.com.cn/Article/CJFDTotal-HJKZ201911039.htm Wang R, Zhang F L, Xu S S, et al.Method of dividing the value of soil heavy metal pollution risk screening:Using Cd as an example[J].Environmental Science, 2019, 40(11):5082-5089. http://www.cnki.com.cn/Article/CJFDTotal-HJKZ201911039.htm
冯小平, 王义东, 郭长城, 等.长期垦殖与退化对七里海芦苇沼泽土壤盐分的影响[J].湿地科学, 2014, 12(3):388-394. http://www.cnki.com.cn/Article/CJFDTotal-KXSD201403018.htm Feng X P, Wang Y D, Guo C C, et al.Effects of long-term reclamation and degradation on soil salinity of phragraites australis marshes in Qilihai wetlands[J].Wetland Science, 2014, 12(3):388-394. http://www.cnki.com.cn/Article/CJFDTotal-KXSD201403018.htm
李金辉, 丁薇, 翁贵英, 等.明湖国家湿地公园10种水生植物的重金属富集特征[J].水生态学杂志, 2020, 41(1):86-91. http://sstxzz.ihe.ac.cn/ch/reader/view_abstract.aspx?file_no=201803190062 Li J H, Ding W, Weng G Y, et al.Heavy metal accumulation by ten aquatic plant species in Minghu national wetland park[J].Journal of Hydroecology, 2020, 41(1):86-91. http://sstxzz.ihe.ac.cn/ch/reader/view_abstract.aspx?file_no=201803190062
-
期刊类型引用(5)
1. 孙世强，陈翠华，赵文皓，赖翔，马天祺，张海军，乔梦怡，宋志娇，陈宵杰，辜鹰. 扬子地块西南缘乌斯河富锗闪锌矿矿物标型特征与锗的替代机制. 岩矿测试. 2025(02): 214-229 . 
本站查看
2. 张宏伟，杨恩林，焦树林，王贵云，杨善进. 七星关区耕地土壤Ge地球化学特征及其与作物的吸收关系. 物探与化探. 2024(02): 534-544+554 . 百度学术
3. 黄煦，周明旭，蒋科，张奇，吕玉清，黄婧，曾广能，王慧. 贵州省主要水稻产区土壤与大米锗分布特征及影响因素研究. 地球与环境. 2024(04): 479-488 . 百度学术
4. 艾晓军，陈占生，侯红星，袁国礼，夏锐，赵晓峰，龚仓，李子奇，霍东，刘玖芬. 辽阳—丹东地区土壤重金属分布特征与源解析. 岩矿测试. 2024(05): 755-768 . 本站查看
5. 梁帅，戴慧敏，赵君，刘国栋，刘凯，翟富荣，韩晓萌，魏明辉，张哲寰. 黑龙江双阳河流域土壤—水稻—人体系统锗的分布特征、迁移转化及影响因素. 物探与化探. 2022(06): 1555-1564 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 4182
- HTML全文浏览量: 1198
- PDF下载量: 38
- 被引次数: 6
京公网安备 11010202008159号