香溪河消落带土壤重金属的生态及健康风险评价及预测

Ecological， Health Risk Assessment and Prediction of Heavy Metals in Soil of the Water Level Fluctuation Zone of the Xiangxi River

摘要

采集三峡库区香溪河消落带2020—2022年不同季节、不同高程的土壤样品，测定其中4种重金属元素（Cu、Pb、Cd、Cr）含量，进行生态及健康风险评价。地积累指数结果表明，Cd为研究区域主要污染元素，处于轻度污染等级，其他3种元素处于无污染等级。潜在生态风险指数结果表明，研究区域整体为轻度生态风险，但在27%的土壤样品中，Cd元素的潜在生态风险指数属于中强度风险。重金属健康风险结果表明，研究区域重金属的非致癌风险与致癌风险均处于可接受水平，儿童的致癌风险高于成人。使用支持向量机（SVM）模型对土壤重金属含量进行基于时间序列和季节变化的定量预测。结果表明：基于时间序列的模拟实验中，SVM对上层土中重金属元素含量的预测较为准确；基于季节变化的模拟实验中，SVM对上、下层土的重金属元素含量均能很好地拟合。

Abstract

Soil samples from the Xiangxi River water-level-fluctuation zone of the Three Gorges Reservoir Area were collected in different seasons and at different elevations from 2020 to 2022. The concentration of four heavy metal elements (Cu, Pb, Cd, and Cr) were determined for ecological and health risk assessment. The results of the geo-accumulation index indicated that Cd was the main pollutant element in this area with the pollution level of mild. The other three heavy metal elements were classified as non-polluted. The results of the potential ecological risk index indicated that the overall ecological risk in the study area was mild, while the potential ecological risk index for elemental Cd was a medium-intensity risk in 27% of the soil samples. The results of heavy metal health risk assessment demonstrated that both non-carcinogenic and carcinogenic risks in study area were at acceptable levels, and the carcinogenic risks for children was higher than for adults. A support vector machine (SVM) model was used to quantitative predict the concentration of soil heavy metal based on time series and seasonal factors. In time series-based simulations, SVM provided accurate predictions of the concentration of heavy metal in the upper soil layer. In simulations based on seasonal variations, SVM fitted well for the concentration of heavy metal in both the upper and lower soil layers.

Graphical abstract

关键词

三峡库区 / 支持向量机 / 消落带 / 重金属 / 预测

Key words

the Three Gorges Reservoir Area / support vector machine / water level fluctuation zone / heavy metal / prediction

0　 引 言

三峡大坝为周期性蓄水，即冬季蓄水至175 m，夏季水位下降至145 m^[1]。水位的周期性和反季节性调节导致三峡干流和支流两岸形成落差达30 m的消落带（water-level-fluctuating zone，WLFZ）区域^[2]。消落带是截留污染物、保持水土和维持生态系统多样性的重要水陆缓冲区域。然而，由于库区反复干湿交替，消落带成为了生态环境的敏感脆弱地带^[3]。水库水位周期性涨落加之波浪的拍击和降雨侵蚀，使消落带土壤的有机碳、氮、磷和重金属等流失，面源污染物严重，直接影响到库区的生态环境^[4]。监测表明，重金属为消落带中典型的污染物之一^[5]。重金属污染具有毒性大、可迁移、可食物链传播等特点，对消落带生态环境构成了较大的威胁^[6]。同时，由于重金属污染具有难降解、隐蔽性高和易富集等特点，也会对人体健康产生危害。长期暴露于高含量重金属会增加患心血管、肾脏和神经系统等疾病的风险^[7]。因此，对库区消落带的重金属污染进行生态风险评估及预测具有重要意义。

三峡库区土壤重金属背景值调研始于2001年^[8]，已有研究从土地利用方式、流域分区等角度明确了三峡库区重金属的分布特征^[9]。但由于周边环境、成土母质、污染源差异显著，因此要准确分析、评估香溪河消落带中土壤重金属污染情况，需要选择适合的评价方法^[10]。土壤重金属污染评价方法主要有单因子指数法、内梅罗污染指数法、地积累指数法和潜在生态风险指数法。其中，前两者侧重于评估土壤环境质量，后两者则侧重于评估土壤或沉积物中重金属污染的生态环境效应，更适用于评估消落带土壤重金属生态风险。

有效预测土壤中重金属含量是确定土壤生态环境质量的关键。黄煜韬等^[11]利用BP神经网络(back propagation neural network，BPNN)预测了江苏已停用电镀厂周边的土壤重金属浓度。肖方景等^[12]运用BPNN预测了西藏一江两河流域的水体重金属浓度，预测精度相较于传统方法有一定的提升。但BPNN模型存在欠拟合、过拟合及样本量大等问题，而且不适用于本文的小样本数据集^[13，14]。支持向量机(support vector machine, SVM)将每个特征视为高维空间中的维度，并试图找到最佳的超平面对数据点分类及预测，适合小样本数据模拟，且计算简单、鲁棒性高。肖洁芸等^[15]使用SVM模型预测了重庆市耕地的土壤重金属含量，郭云开等^[16]以改良的SVM模型预测了岳阳县土壤的重金属含量，均达到良好的预测精度。

本文以三峡库区香溪河流域消落带为研究区域，于2020—2022年的3、6、9、12月采集土壤样本，测定其中Cu、Pb、Cd、Cr元素的含量；以上述实测数据作为数据集，使用地积累指数法和潜在生态风险指数法评估了香溪河消落带区域土壤重金属污染的程度，使用美国材料与试验协会提出的RBCA(risk-based corrective action)模型评价周边居民通过摄食途径而引起的健康风险；最后使用此数据集，基于SVM模型建立重金属含量预测模型。

1　 材料和方法

1.1　研究区域

香溪河位于湖北省西部，全长约94 km，流域总面积超过3 000\mathrm{k}{\mathrm{m}}^{\mathrm{2}}。香溪河流域山地较多，沿河两岸多为陡峭坡路，是典型的陡坡消落带，该区域地质岩层以黄岗岩为主，土壤类型主要为石灰土和黄棕土，土壤厚度约40 cm^[17]。

1.2　样品采集和制备

香溪河消落带主要由干流回水形成，越靠近河口，消落区越大，越靠近上游，消落区越小。本文在靠近香溪河汇入长江河口河段(30°38′N~31°11′N，110°18′E~111°E)采集样本。选取2020—2022年9个具有代表性的采样区(分别标记为XX01~XX09)，按库区水位在每个采样区设置了5个采样高程，分别为145、155、165、175、185 m。2020—2022年间，每年在春（3月）、夏（6月）、秋（9月）、冬（12月）分4次采集土壤样品。在每个采样高程随机设置3个5 m×5 m样方，采用蛇形采样法取上层土和下层土样品。其中，深度在0~20 cm的土壤为上层土，在20~40 cm的土壤为下层土。

1.3　样品分析

对土壤样品进行空气干燥、研磨和筛分(100目)处理，取1.0 g放入含有HNO₃(65%，5 mL)和HF(40%，2 mL)的50 mL高温高压反应器中，在180 ℃消解10 h。用加热板在140 ℃去除样品中的酸，直到溶液接近透明，转移至容量瓶中，用HNO₃(1%)稀释至50 mL^[18]。使用原子吸收火焰法(Spectr AA-600型，Varian公司)测量其中Cu、Pb、Cd和Cr的含量。所有样品经过3次重复实验，分析结果的回收率为89%~116%，相对标准偏差小于5%，校正曲线的相关系数大于0.998。

1.4　生态风险评估

1.4.1　地积累指数法

地积累指数法^[19]是用于定量评价土壤中的重金属污染程度的方法。除了考虑人为污染因素、环境地球化学背景值外，该方法还考虑到自然成岩作用引起背景值变动的因素。地积累指数法的计算如下:

I_{\mathrm{g}\mathrm{e}\mathrm{o}}=\mathrm{l}\mathrm{o}{\mathrm{g}}_{\mathrm{2}}[c_n/(K\times B_n)](1)

其中：c_n (mg/kg)为重金属n的实测浓度；n为重金属种类；B_n 是土壤中该重金属的背景值；K是考虑不同地区岩石差异可能引起的背景值变动而取的系数(本文取K=1.5)^[20]。地积累指数I_geo分级^[21]如表1所示。

1.4.2　潜在生态风险指数法

潜在生态风险指数法^[22]是从沉积学角度，根据重金属性质及环境行为的特点，建立的一套的评价重金属潜在生态风险的方法。单因子潜在生态风险系数的计算如下：

E_r^i=T_r^i\times \frac{c_i}{B_i}(2)

其中：E_r^i是单一重金属i的潜在生态风险指数；T_r^i为重金属i的毒性响应系数(Cu、Pb、Cd、Cr的毒性响应系数分别为5、5、30、2^[23])，反映重金属的毒性水平及土壤对重金属污染的敏感性；B_i 为重金属i的背景值，c_i 为重金属i的实测浓度。

重金属的综合潜在生态风险指数RI计算如下：

RI={\displaystyle \sum _{i=\mathrm{1}}^m}{E}_r^i(3)

式中，m为重金属种类总数。潜在生态风险指标与生态风险分级^[24]如表2所示。

1.5　人类健康风险评估

土壤中的重金属污染物可以通过两种途径进入人体并带来健康风险：第一种为间接暴露，重金属污染物通过污染土壤中生长的粮食作物进入人体；第二种为直接暴露，重金属污染物通过呼吸或皮肤接触等进入人体^[25]。土壤重金属污染物的主要公共卫生问题是终生积累，以及通过食物链摄入可能导致的肾功能障碍和骨病^[26]。不同类型污染物通过土壤摄食途径进入人体所引起的健康风险评价包括非致癌风险和致癌风险模型^[27]：

R_n=\mathrm{C}\mathrm{D}\mathrm{I}/\mathrm{R}\mathrm{f}\mathrm{D}\times {\mathrm{10}}^{-\mathrm{6}}(4)

R_c=\mathrm{C}\mathrm{D}\mathrm{I}\times \mathrm{S}\mathrm{F}(5)

式中：R_n (mg·kg^-1·d^-1)表示非致癌风险，CDI(mg·kg^-1·d^-1)表示日慢性摄入量，RfD(mg·kg^-1·d^-1)为化学污染物的某种暴露途径下的参考剂量(具体参数见表3)；R_c (mg·kg^-1·d^-1)表示致癌风险，SF为斜率因子。

为了评估1种以上重金属造成的非致癌风险，采用了总暴露风险指数(hazard index, HI)^[28]进行累积非致癌风险评价。HI<1表示不会产生非致癌风险；HI>1则表示可能对健康产生不良影响，且这种影响随着HI值增大而增加。HI计算公式如下：

\mathrm{H}\mathrm{I}=\sum R_n(6)

重金属每日慢性摄入量估算公式如下：

\mathrm{C}\mathrm{D}\mathrm{I}=(\mathrm{C}\mathrm{F}\times \mathrm{E}\mathrm{F}\times \mathrm{E}\mathrm{D}\times \mathrm{I}\mathrm{R}\mathrm{d}\times c)/(\mathrm{B}\mathrm{W}\times \mathrm{A}\mathrm{T})(7)

式中：CF为转换因子，值为10^-6 kg/mg；c(mg/kg)为重金属含量；IRd为每日平均摄取量(儿童52.5 mg/d，成人55.8 mg/d)；BW是平均体重（儿童30 kg，成人60 kg）；EF为暴露频率(365 d/a)；ED为暴露时间(成人30 a，儿童10 a)；AT为平均曝光时间(70~365 d/a) 。4种重金属污染物中Cd有致癌风险，其他3种重金属没有致癌风险。

1.6　SVM预测模型及数据集构建

1.6.1　基于时间序列的数据集构建方法

使用SVM模型进行拟合预测之前需要生成合适的样本数据集^[29]。按时间序列对土壤重金属数据进行编号(上层土、下层土重金属含量分开编号)依次记为x₁ , x₂,…, x_n，n表示为数据总量。以重金属数据编号为m的前k个数据来预测编号为m的值，预测模型表示如下：

y_m=f(x_{m-\mathrm{1}},\cdots ,x_{m-k})(8)

其中，y_m 为数据编号m的重金属元素含量，k为时间序列步长。以前k个数据为输入向量，以编号为m的数据为输出向量构造样本。表4给出了样本数据集的构建方法。

1.6.2　基于季节的数据集构建方法

三峡水库的反季节调控水位，使香溪河消落带土壤随季节呈现有规律的淹水-落干变化，土壤中重金属在淹没过程中容易与水体产生交换。以XX01样区的170~175 m高程为研究样点，以春、夏两季重金属含量为输入向量，以秋季重金属元素含量为输出向量构建样本数据集，总共得到24个样本。

1.7　模型评估标准

采用平均绝对百分比误差(MAPE)^[30]、均方误差(mean-square error，MSE)^[31]、决定系数(R² )^[32]评估SVM模型的预测精度。MAPE越小，模型的精度越高。本文以低于10%的MAPE为高标准，以低于20%的MAPE作为可接受的标准。

2　 结果和分析

2.1　重金属的风险评价

2.1.1　地积累指数法

通过土壤样本中重金属含量分析结果计算得到结果如表5所示。4种重金属中，Cd的地积累指数平均值为0.01，处于轻度污染；其他3种重金属的地积累指数平均值均小于0，处于无污染程度。从地积累指数的最大值看，Cu、Cd均大于1，处于中度污染程度。从土壤分级污染比例可知，Cr污染比例最大，有39%的土壤样本被污染（1级）；Cd污染程度最深，有9%的土壤样本处于中度污染程度（2级）；Pb污染比例最低，仅2%。

2.1.2　潜在生态风险指数法

根据潜在生态风险评价法得出的结果如表6所示。Cu、Pb、Cd、Cr的潜在生态风险因子的平均值由低到高依次为：Cr，Pb，Cu，Cd。其中，只有Cd的潜在生态风险指数平均值超过40，达到了中度风险水平，其他重金属元素均处于轻度风险水平。研究区的综合潜在生态风险指数(RI)平均值为56.49，远小于最低风险值(150) ^[33]，说明研究区域整体处于轻度生态风险水平。从污染程度分布看，4种重金属中，Cd污染程度最大，22%的土壤样本属于中度污染，5%的土壤样本属于强污染，其他3种重金属均处于轻度污染。因此，研究区域需要针对Cd元素进行土壤污染控制，建议加强监管，并采取生物炭吸附方法降低土壤中Cd元素的污染^[34]。

2.2　人类健康风险评估

1） 非致癌风险。人类健康风险评估结果如表7所示。对于成人和儿童来说，4种重金属的非致癌风险均低于可接受水平(10^-4~10^-6)，其中非致癌风险由高到低为：Cr，Pb，Cu，Cd。另外，成人和儿童的HI值均远小于1，表明研究区域重金属污染无非致癌风险；但成人的HI值是儿童的1.59倍，表明成人面临更高的非致癌风险。

2） 致癌风险。根据计算，成人的致癌风险为1.01×10^-7 mg·kg^-1·d^-1, 儿童的致癌风险为1.64×10^-7 mg·kg^-1·d^-1，也均处于可接受水平；但儿童的致癌风险是成人的1.62倍，表明儿童面临更高的致癌风险。因此，研究区域应对儿童群体应该给与更多的健康风险关注。通过因子分析及相关性分析，Cd及Cr可能来源于农业，Pb可能来源于交通运输，Cu可能来源于采矿^[35]。

2.3　基于时间序列的预测

分别使用上层土、下层土中Cu元素的含量数据，按表4所示方法构建样本集，分别得到8个数据样本。以前6个为训练样本，后2个为测试样本，使用SVM作为预测模型，BPNN作为对比模型预测2022年3月和2022年6月的Cu元素含量。将16个样本组合起来得到1个新的样本集，以前6个上层土样本、前6个下层土样本组成包含12个样本的训练集，剩下的4个样本为测试集，预测2022年3月和2022年6月的上层土、下层土中Cu元素的含量。SVM模型回归及预测曲线如图1所示。可以看出，SVM模型对于上层土的预测效果较好，只有最后两个样本的预测值与实测值存在偏差。上、下层土混合样本的预测线状图基本拟合，总体预测精度低于前两种训练样本，说明SVM模型更适合上、下层土分开预测。

表8为SVM与BPNN两种模型对Cu元素含量的预测结果。可以看出，基于SVM模型预测方法中，模型的预测值与实测值更为接近。以不同样点的上层土数据构建训练样本，预测上层土中土壤重金属的含量，两组预测样本的MAPE均值为10.1%。以不同样点的下层土样本构建训练样本，预测下层土中土壤重金属的含量，两组预测样本的MAPE均值为43.4%。以上、下层土样本构建训练样本，分别预测上、下层土中土壤重金属的含量，4组预测样本的MAPE均值为26.4%。3个样本集训练所得模型的MSE值表现出良好的拟合性能，模型预测误差均较小。基于上、下层土壤重金属含量的预测模型中，SVM的预测误差远低于BPNN的预测误差。在预测混合土壤样本时，BPNN的预测性能略优于SVM。对上层土样本的预测性能优于下层土样本，对下层土样本的预测性能优于上、下层混合样本。整体而言，SVM模型相较BPNN模型预测结果更为准确。

2.4　基于季节变化的预测

使用随机算法对基于季节变化的24个样本(Cu元素)进行划分。选择其中20个样本作为训练样本，其余4个样本作为测试样本，训练得到SVM模型和BPNN模型。为了避免实验结果的随机性，进行了5次重复实验。研究发现， 5次实验结果差异较小，表明两个模型的性能稳定。因此，仅对SVM模型的训练样本和测试样本进行统计分析。如表9所示，SVM模型表现稳定，5次实验的MSE值差异不大，介于已有类似研究中的拟合相对误差范围^[36]；R²均大于0.9，最大值为0.995，接近1。上述结果表明，SVM模型预测值与实测值较接近。

选择第5次实验进行详细分析，基于季节变化的Cu的SVM模型回归及预测曲线如图2所示。前20个样本为随机选择的训练样本，可以看出模型的回归拟合效果很好（图2A）；后4个样本为随机选择的测试样本，模型对测试样本的预测结果也较好（图2B）。因采用随机方法分配训练集和测试集，4个测试样本不确定，导致无法计算实测值与预测值之间的MAPE。根据图2B结果可以估算出MAPE的值小于10%，预测效果较好；R²值大于0.9，表明SVM模型具有良好的拟合性能。

3　 结 语

本文以三峡库区香溪河消落带土壤为研究对象，对其重金属含量进行了生态风险评价，得到如下结论：

1） 研究区域重金属总体处于无污染到轻度污染水平。其中，只有Cd处于轻度污染水平，但有超过10%的土壤样品中Cd与Cr元素处于中度污染及以上水平。需要严格控制几种重金属元素含量的增长，以免重金属的累积对土壤生态环境造成破坏。

2） 研究区域潜在生态风险整体处于轻度水平，但有27%的土壤样本中Cd元素为中强污染风险。研究区域应针对Cd元素做好生态风险控制。

3） 人类健康风险评估结果表明。对于成人和儿童来说，消落带重金属的非致癌风险和致癌风险均处于可接受水平，但儿童的致癌风险比成人更高。

4）SVM模型对基于时间序列的上层土中重金属含量的预测较为准确，对基于季节变化的重金属元素含量拟合性能良好。

整体上，SVM模型能较好地预测香溪河消落带土壤重金属元素含量，可为后续研究提供参考。

参考文献

[1] 郭孝祖， 金双根. 利用ICESat-2激光测高监测长江三峡水位变化［J］. 测绘科学， 2022， 47（7）： 21-26. DOI： 10.16251/j.cnki.1009-2307.2022.07.004 .

[2] GUO X Z， JIN S G. Water level changes in the Three Gorges of the Yangtze River from ICESat-2 laser altimeter data［J］. Science of Surveying and Mapping， 2022， 47（7）： 21-26. DOI： 10.16251/j.cnki.1009-2307.2022.07.004（Ch ）.

[3] 许艺林，李远耀，李思德，等. 库水位下降叠加降雨作用时堆积层滑坡渗流变形机制［J］. 地质科技通报，2023. DOI：10.19509/j.cnki.dzkq.tb20220417 .

[4] XU Y L， LI Y Y， LI S D， et al. Seepage deformation mechanism of colluvial landslide under the action of reservoir water level decline and rainfall［J］. Bulletin of Geological Science and Technology， 2023. DOI：10.19509/j.cnki.dzkq.tb20220417（Ch ）.

[5] 熊润光. 三峡库区消落带土壤重金属空间分异、污染评价及来源解析［D］.黄石：湖北师范大学，2023. DOI： 10.27796/d.cnki.ghbsf.2023.000298 .

[6] XIONG R G. Distribution characteristics， pollution assessment， and source analysis of heavy metal pollution in the erosion zone of the Three Gorges Reservoir Area［D］. Huangshi： Hubei Normal University， 2023. DOI： 10.27796/d.cnki.ghbsf.2023.000298（Ch ）.

[7] 谭雪，李留彬，向国伟，等.三峡库区消落带落羽杉细根碳氮磷化学计量特征及其与土壤养分的关系研究［J］. 西南大学学报（自然科学版），2022，44（7）：14-23. DOI： 10.13718/j.cnki.xdzk.2022.07.002 .

[8] TAN X， LI L B， XIANG G W， et al. Ecological stoichiometric characteristics of carbon， nitrogen， and phosphorus in the fine root of Taxodium distichum and their correlation with soil nutrients in the riparian zone of the Three Gorges Reservoir Region［J］. Journal of Southwest University， 2022， 44（7）： 14-23. DOI： 10.13718/j.cnki.xdzk. 2022.07.002（Ch ）.

[9] 张宝豪，武亚遵，徐东昱，等.三峡水库典型消落带土壤DOM组分特征及其对有效态镉释放影响［J］. 环境科学，2022，43（12）：5560-5570. DOI： 10.13227/j.hjkx.202203037 .

[10] ZHANG B H， WU Y Z， XU D Y， et al. Characteristics of dissolved organic matters and their influence on labile cadmium release from soils of typical Water Level Fluctuation Zones of Three Gorges Reservoir［J］. Environmental Science，2022，43（12）：5560-5570. DOI： 10.13227/j.hjkx.202203037 （Ch ）.

[11] 彭烨键， 王鹏程， 刘瑛，等. 三峡库区消落带土壤重金属的分布特征与评价［J］. 环境科学与技术， 2020， 43（5）： 181-186. DOI： 10.19672/j.cnki.1003-6504.2020.05.025 .

[12] PENG Y J， WANG P C， LIU Y， et al. Distribution characteristics and assessment of heavy metals in soils of the fluctuating zone of the Three Gorges Reservoir［J］. Environmental Science & Technology， 2020， 43（5）： 181-186. DOI： 10.19672/j.cnki.1003-6504.2020.05.025（Ch ）.

[13] SHI Y F， LI Y， YUAN X L， et al. Environmental and human health risk evaluation of heavy metals in ceram sites from municipal solid waste incineration fly ash［J］. Environmental Geochemistry and Health， 2020， 42（11）： 3779-3794. DOI: 10.1007/s10653-020-00639-7 .

[14] 陈梓云， 彭梦侠. 三峡库区消落带土壤中铅污染调查［J］. 土壤与环境， 2001， 10（2）： 165-166. DOI： 10.16258/j.cnki.1674-5906.2001.02.019 .

[15] CHEN Z Y， PENG M X. Survey on lead pollution of the soils of the Water-Level-Fluctuating Zone of the Three-Gorges Reservoirs［J］. Soil and Environmental Sciences， 2001， 10（2）： 165-166. DOI： 10.16258/j.cnki.1674-5906.2001.02.019（Ch ）.

[16] 陈天， 程瑞梅， 肖文发， 等. 三峡库区秭归段消落带重金属时空分布特征［J］. 林业科学研究， 2022， 35（5）： 22-32. DOI： 10.13275/j.cnki.lykxyj.2022.005.003 .

[17] CHEN T， CHENG R M， XIAO W F， et al. Temporal and spatial distribution characteristics of heavy metals in water level fluctuating zone of Zigui section in Three Gorges Reservoir Area［J］. Forest Research， 2022， 35（5）： 22-32. DOI： 10.13275/j.cnki.lykxyj.2022.005.003（Ch ）.

[18] 孙虹蕾， 张维， 崔俊芳， 等. 基于文献计量分析的三峡库区消落带土壤重金属污染特征研究［J］. 土壤， 2018， 50（5）： 965-974. DOI： 10.13758/j.cnki.tr.2018.05.016 .

[19] SUN H L， ZHANG W， CUI J F， et al. Bibliometrical analysis on pollution characteristics of heavy metals in soil of water level fluctuating zone of Three Gorges Reservoir［J］. Soils， 2018， 50（5）： 965-974. DOI： 10.13758/j.cnki.tr.2018.05.016（Ch ）.

[20] 黄煜韬， 施维林， 纪娟， 等. 基于BP神经网络对某电镀厂土壤重金属预测及人体健康风险评价［J］.生态毒理学报， 2022， 17（2）： 278-289. DOI： 10.7524/AJE.1673-5897.20210303001 .

[21] HUANG Y T， SHI W L， JI J， et al. Prediction of soil heavy metals based on BP neural network and assess-ment of human health risk of an electroplating plant［J］. Asian Journal of Ecotoxicology， 2022， 17（2）： 278-289. DOI： 10.7524/AJE.1673-5897.20210303001（Ch ）.

[22] 肖方景，张强英，赵远昭，等.基于BPNN的一江两河流域水体中重金属浓度预测［J］. 环境化学，2023，42（5）：1612-1622. DOI: 10.7524/j.issn.0254-6108.2022110302 .

[23] XIAO F J， ZHANG Q Y， ZHAO Y Z， et al. Prediction of heavy metal concentration in water of one river and two tributaries based on BPNN［J］. Environmental Chemistry， 2023，42（5）： 1612-1622 （Ch）. DOI: 10.7524/j.issn.0254-6108.2022110302 .

[24] 杜锋， 汪博威， 汪奥杰， 等. 基于机器学习的安全大数据技术课程实验教学设计［J］. 实验技术与管理， 2023， 40（4）： 181-186. DOI： 10.16791/j.cnki.sjg.2023.04.027 .

[25] DU F， WANG B W， WANG A J， et al. Experimental teaching design of safety big data technology course based on machine learning［J］. Experimental Technology and Management， 2023， 40（4）： 181-186. DOI： 10.16791/j.cnki.sjg.2023.04.027（Ch ）.

[26] 李琼阳. 基于再缩放策略的逻辑回归算法及其应用［J］. 统计与决策， 2019， 35（10）： 72-74. DOI： 10.13546/j.cnki.tjyjc.2019.10.016 .

[27] LI Q Y. Rescaling strategy-based logistic regression algorithm and its application［J］. Statistics & Decision， 2019， 35（10）： 72-74. DOI： 10.13546/j.cnki.tjyjc.2019.10.016（Ch ）.

[28] 肖洁芸，周伟，石佩琪.土壤重金属含量高光谱反演［J］. 生态环境学报，2023，32（1）：175-182. DOI： 10.16258/j.cnki.1674-5906.2023.01.019 .

[29] XIAO J Y， ZHOU W， SHI P Q. Hyperspectral inversion of soil heavy metals［J］. Ecology and Environmental Sciences， 32（1）： 175-182. DOI：10.16258/j.cnki.1674-5906.2023.01.019（Ch ）.

[30] 郭云开，张思爱，谢晓峰，等.基于GA-SVM的耕地土壤重金属含量高光谱反演方法的研究［J］. 土壤通报，2021，52（4）：968-974. DOI： 10.19336/j.cnki.trtb.2020062201 .

[31] GUO Y K， ZHANG S A， XIE X F， et al. The hyperspectral inversion method of heavy metal contents in cultivated soils based on GA-SVM［J］. Chinese Journal of Soil Science， 2021， 52（4）： 968-974. DOI： 10.19336/j.cnki.trtb.2020062201（Ch ）.

[32] LIU L， LIU D， JOHNSON D M， et al. Effects of vertical mixing on phytoplankton blooms in Xiangxi Bay of Three Gorges Reservoir： Implications for management［J］. Water Research， 2012， 46（7）： 2121-2130. DOI： 10.1016/j.watres.2012.01.029 .

[33] XIONG B， XU T， LI R P， et al. Heavy metal accumulation and health risk assessment of crayfish collected from cultivated and uncultivated ponds in the Middle Reach of Yangtze River［J］.Science of the Total Environment， 2020， 739： 139963. DOI： 10.1016/j.scitotenv.2020.139963 .

[34] 崔艳红， 孙鹏， 曹冬梅， 等. 松嫩平原产油区农田土壤重金属含量及污染风险评价［J］. 土壤通报， 2022， 53（5）： 1182-1193. DOI： 10.19336/j.cnki.trtb.2022012604 .

[35] CUI Y H， SUN P， CAO D M， et al. Heavy metal concontents and pollution risk assessment in farmland soil of the oil producing areas on the Songnen Plain［J］. Chinese Journal of Soil Science， 2022， 53（5）： 1182-1193. DOI： 10.19336/j.cnki.trtb.2022012604（Ch ）.

[36] 何东明，王晓飞，陈丽君，等.基于地积累指数法和潜在生态风险指数法评价广西某蔗田土壤重金属污染［J］. 农业资源与环境学报，2014，31（2）：126-131. DOI： 10.13254/j.jare.2014.0008 .

[37] HE D M， WANG X F， CHEN L J， et al. Assessment on heavy metals contaminations of sugarcane soil in the Guangxi Zhuang Autonomous Region by the geo-accumulation index and potential ecological risk index［J］. Journal of Agricultural Resources and Environment，2014，31（2）：126-131. DOI： 10.13254/j.jare.2014.0008（Ch ）.

[38] 辛福萌， 吕笑非， 徐琳雅， 等. 杭州湾不同围垦年限农田土壤重金属污染风险分析［J］. 安徽农业科学， 2022， 50（3）： 59-64. DOI： 10.3969/j.issn.0517-6611.2022.03.016 .

[39] XIN F M， LÜ X F， XU L Y， et al. Risk analysis of heavy metal pollution in farmland soil with different reclamation years in Hangzhou Bay［J］. Journal of Anhui Agricultural Sciences， 2022， 50（3）： 59-64. DOI： 10.3969/j.issn.0517-6611.2022.03.016（Ch ）.

[40] 李莉， 金雅薇， 浦国佳， 等. 嘉兴市农村土壤重金属污染评价［J］. 现代农业科技， 2022（20）： 118-122. DOI： 10.3969/j.issn.1007-5739.2022.20.031 .

[41] LI L， JIN Y W， PU G J， et al. Assessment of heavy metal pollution in rural soil of Jiaxing City［J］. Modern Agricultural Science and Technology， 2022（20）： 118-122. DOI： 10.3969/j.issn.1007-5739.2022.20.031（Ch ）.

[42] BING H J， ZHOU J， WU Y H， et al. Current state， sources， and potential risk of heavy metals in sediments of Three Gorges Reservoir， China［J］. Environmental Pollution， 2016， 214： 485-496. DOI：10.1016/j.envpol.2016.04.062 .

[43] 李梦莹， 王成尘， 毕珏， 等. 食品中重金属的人体健康风险评估方法研究进展［J］. 福建农林大学学报（自然科学版）， 2021， 50（1）： 1-9. DOI： 10.13323/j.cnki.j.fafu（nat.sci.）.2021.01.001 .

[44] LI M Y， WANG C C， BI J， et al. Human health risk assessment of heavy metals in food： A review［J］. Journal of Fujian Agriculture and Forestry University （Natural Science Edition）， 2021， 50（1）： 1-9.DOI： 10.13323/j.cnki.j.fafu（nat.sci.）.2021.01.001（Ch ）.

[45] 李慧， 韩雅静， 朱晓辉， 等. 基于生物可给性的农用地土壤重金属复合污染非致癌健康风险评估［J］.环境科学研究， 2023， 36（4）： 783-793. DOI： 10.13198/j.issn.1001-6929.2023.02.20 .

[46] LI H， HAN Y J， ZHU X H， et al. Non-carcinogenic health risk assessment of heavy metals combined exposure from soil of agricultural land based on bioavailability［J］. Research of Environmental Sciences， 2023，36（4）： 783-793. DOI： 10.13198/j.issn.1001-6929.2023.02.20（Ch ）.

[47] SCHULDT C， LAPTEV I， CAPUTO B. Recognizing human actions： A local SVM approach［C］//Proceedings of the 17th International Conference on Pattern Recognition. New York： IEEE Press. 2004： 32-36. DOI： 10.1109/ICPR.2004.1334462 .

[48] SHAH M. Recognizing human actions［C］//Proceedings of the Third ACM International Workshop on Video Surveillance & Sensor Networks. New York： ACM. 2005： 1-2. DOI： 10.1145/1099396.1099397 .

[49] WU W， WU P， YANG F， et al. Assessment of heavy metal pollution and human health risks in urban soils around an electronics manufacturing facility［J］. Science of the Total Environment. 2018， 630：53-61. DOI: 10.1016/j.scitotenv.2018.02.183 .

[50] 鄢文苗， 任东， 黄应平， 等. 基于SVM土壤重金属污染评价的训练数据集构建［J］. 武汉大学学报（理学版）， 2019， 65（3）： 316-322. DOI： 10.14188/j.1671-8836.2019.03.013 .

[51] YAN W M， REN D， HUANG Y P， et al. Training dataset construction for SVM soil heavy metal pollution assessment［J］. Journal of Wuhan University （Natural Science Edition）， 2019， 65（3）： 316-322. DOI： 10.14188/j.1671-8836.2019.03.013（Ch ）.

[52] DE MYTTENAERE A， GOLDEN B， LE GRAND B， et al. Mean absolute percentage error for regressionmodels［J］. Neurocomputing， 2016， 192： 38-48. DOI： 10.1016/j.neucom.2015.12.114 .

[53] WAGNER K， DOROSLOVAČKI M. Proportionate-type normalized least mean square algorithms with gain allocation motivated by mean-square-error minimization for white input［J］. IEEE Transactions on Signal Processing， 2011， 59（5）： 2410-2415. DOI： 10.1109/TSP.2011.2106123 .

[54] JIN N， GUO Y， ZHANG Z L， et al. GESFIDE-PROPELLER approach for simultaneous R2 and R2* measurements in the abdomen［J］. Magnetic Resonance Imaging， 2013， 31（10）： 1760-1765. DOI： 10.1016/j.mri.2013.08.003 .

[55] 叶彩红，邹祖有，许窕孜，等.粤北地区森林土壤重金属含量特征及生态风险评价——以曲江区为例［J］.林业与环境科学，2022，38（3）：39-46. DOI: 10.3969/j.issn.1006-4427.2022.03.006 .

[56] YE C H， ZOU Z Y， XU T Z， et al. Heavy metal content characteristics and ecological risk assessment of forest soil in Northern Guangdong Province： A case study of Qujiang district［J］. Forestry and Environmental Science， 2022，38（3）：39-46 （Ch）. DOI: 10.3969/j.issn.1006-4427.2022.03.006 .

[57] 赵瑞芬，时佳琦，滑小赞，等.生物炭基复合材料对Cd污染土壤理化性状和小白菜生长的影响［J］. 中国土壤与肥料，2023：1-13. DOI：10.11838/sfsc.1673-6257.23240 .

[58] ZHAO R F， SHI J Q， HUA X Z，et al. Effects of biochar-based composites on physicochemical characteristics of Cd-contaminated soil and growth of Chinese cabbage［J］. Soil and Fertilizer Sciences in China，2023：1-13. DOI：10.11838/sfsc.1673-6257.23240（Ch ）.

[59] ZHUANG Q F， LI G， LIU Z Y. Distribution， source and pollution level of heavy metals in river sediments from South China［J］. CATENA， 2018， 170： 386-396. DOI： 10.1016/j.catena.2018.06.037 .

[60] 范俊楠，张钰，贺小敏，等.基于BP神经网络的重点行业企业周边土壤重金属污染预测及评价［J］.华中农业大学学报，2019，38（4）： 55-62.DOI：10.13300/j.cnki.hnlkxb.2019.04.008 .

[61] FAN J N， ZHANG Y， HE X M， et al. BP neural network based prediction and evaluation of heavy metal pollution in soil around the enterprises in key areas of Hubei Province［J］. Journal of Huazhong Agricultural University， 2019，38（4）： 55-62.DOI：10.13300/j.cnki.hnlkxb.2019.04.008（Ch ）.

基金资助

国家自然科学基金(22136003)

国家自然科学基金(42177397)

国家重金属污染防治工程技术研究中心开放研究基金(ZJSGCZX2023002)