Machine Translated by Google

Revista  de  materiales  peligrosos  438  (2022)  129468

Listas  de  contenidos  disponibles  en  ScienceDirect

Diario  de  materiales  peligrosos

página  de  inicio  de  la  revista:  www.elsevier.com/locate/jhazmat

Trabajo  de  investigación

Prorrateo  y  ubicación  de  fuentes  de  contaminación  por  metales  pesados  (loides)  para  el  
suelo  y  el  polvo  utilizando  la  combinación  de  análisis  de  componentes  principales,
Geodetector  y  regresión  lineal  múltiple  de  distancia
a,  b
webin  zeng ,  Xiaoming  Wan  a,b,*  a,  
,b
Linqing  Wang , Mei  Lei  a,b ,  Tongbin  Chen  a,b ,
Gaoquan  Gua ,b
a
Instituto  de  Ciencias  Geográficas  e  Investigación  de  Recursos  Naturales,  Academia  China  de  Ciencias,  Beijing  100101,  China
b
Universidad  de  la  Academia  China  de  Ciencias,  Beijing  100049,  China

REFLEJOS GRÁFICAMENTE  ABSTRACTO

•  Se  utilizó  PCA­Geodetector­MLRD  para  determinar  la  
ubicación  de  las  fuentes,  no  solo  el  tipo  de  fuente.  •  
El  río,  la  carretera  principal,  el  área  
minera,  la  planta  metalúrgica  y  la  comunidad  pueden  
explicar  significativamente  los  factores  PCA.  •  Se  
estableció  un  modelo  de  
predicción  basado  en  la  distancia  para  la  concentración  
de  metales  pesados  y  se  verificó  su  efectividad.

INFORMACIÓN  DEL  ARTÍCULO ABSTRACTO

Rklebe
Editor:  Jorge  ̈ La  identificación  precisa  de  las  fuentes  de  metales  pesados  (loid)  del  suelo  es  difícil,  especialmente  para  los  parques  multifuncionales,  que  incluyen  
múltiples  fuentes  de  contaminación.  Con  el  objetivo  de  identificar  la  distribución  y  la  ubicación  de  las  fuentes  de  contaminación  por  metales  pesados  
Palabras  clave: (loides),  este  estudio  estableció  un  método  que  combina  el  análisis  de  componentes  principales  (PCA),  el  geodetector  y  la  regresión  lineal  múltiple  
Polvo
de  distancia  (MLRD)  en  el  suelo  y  el  polvo,  tomando  un  parque  industrial  funcional  en  la  provincia  de  Anhui,  China,  como  ejemplo.  Se  utilizaron  
Riesgo  ecológico PCA  y  Geodetector  para  determinar  el  tipo  y  la  posible  ubicación  de  la  fuente.  El  MLRD  logra  la  distribución  en  la  fuente  de  los  elementos  
Heavy  metal  (loide)
individuales.  Los  resultados  de  la  detección  cuantificaron  el  poder  explicativo  espacial  (0,21  ≤  q  ≤  0,51)  de  los  posibles  objetivos  de  origen  (p.  ej.,  
Suelo
río  y  área  minera)  para  los  factores  PCA.  Un  análisis  comparativo  de  la  ecuación  de  regresión  (Modelo  1  y  Modelo  3)  indicó  que  el  río  (0,50  ≤  R2  
Identificación  de  la  fuente
≤0,78),  la  carretera  principal  (0,47  ≤  R2  ≤  0,81)  y  la  mina  (0,14  ≤  R2  ≤  0,92)  (p  <  0,01)  fueron  las  fuentes  principales.  A  diferencia  de  los  métodos  
tradicionales  de  distribución  de  fuentes,  el  método  actual  podría  obtener  las  fuentes  contribuyentes  exactas,  no  solo  el  tipo  de  fuente  (p.  ej.,  
actividades  industriales),  lo  que  podría  ser  útil  para  el  control  de  la  contaminación  en  áreas  con  múltiples  fuentes.

*  Autor  para  correspondencia  en:  Instituto  de  Ciencias  Geográficas  e  Investigación  de  Recursos  Naturales,  Academia  China  de  Ciencias,  Beijing  100101,  China.
Dirección  de  correo  electrónico:  wanxm.06s@igsnrr.ac.cn  (X.Wan).

https://doi.org/10.1016/j.jhazmat.2022.129468  Recibido  el  5  de  
mayo  de  2022;  Recibido  en  forma  revisada  el  10  de  junio  de  2022;  Aceptado  el  24  de  junio  de  2022  Disponible  en  
línea  el  27  de  junio  de  2022  0304­3894/
©  2022  Elsevier  BV  Todos  los  derechos  reservados.
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

1.  Introducción Por  lo  tanto,  esta  investigación  tiene  los  siguientes  objetivos:  1)  establecer  un  proceso  
de  análisis  de  fuentes  desde  la  selección  de  rangos  de  fuentes  potenciales  hasta  la  
Los  metales  pesados  (loides)  se  encuentran  entre  los  principales  contaminantes  de   identificación  de  factores  de  fuentes  específicos,  2)  identificar  fuentes  potenciales  
los  sitios  (Safari  y  Delavar,  2019;  Zhao  et  al.,  2015;  Wu  et  al.,  2021).  La  tierra  utilizada   usando  métodos  cuantitativos,  y  3)  identificar  directamente  la  ubicación  de  las  fuentes  
por  las  empresas  industriales  presenta  problemas  ambientales,  como  la  contaminación   de  contaminación  mediante  el  uso  de  ecuaciones  de  regresión.
del  suelo  y  los  desechos  (Pyatt  et  al.,  2002;  Z.  Zhang  et  al.,  2012a;  Zhang  et  al.,  2012b;  
Jia  et  al.,  2019;  Dhaliwal  et  al. .,  2020).  Por  lo  tanto,  se  deben  aplicar  estrategias  de   2.  Método  y  material
control  de  riesgos  en  estas  áreas  (Liu  et  al.,  2020).  La  identificación  de  fuentes  
potenciales  de  contaminación  es  la  base  del  control  de  riesgos,  y  el  análisis  de  fuentes   2.1.  Descripción  general  del  área  de  investigación
de  metales  pesados  (loides)  en  el  suelo  ha  sido  uno  de  los  temas  más  importantes  en  
los  últimos  años  (Yang  et  al.,  2017,  2020;  Hu  et  al .  al.,  2020). El  área  de  estudio  se  ubicó  en  una  ciudad  a  nivel  de  prefectura  en  el  centro  de  la  
provincia  de  Anhui  en  el  curso  bajo  del  río  Yangtze  (Fig.  1).  Esta  localidad  tiene  un  
El  análisis  de  componentes  principales  (PCA),  la  geoestadística,  el  análisis  de   clima  monzónico  húmedo  subtropical,  con  una  temperatura  y  precipitación  promedio  
regresión  lineal  múltiple  de  puntaje  de  componente  principal  absoluto  (APCS­MLR),  el   plurianual  de  16.4  ◦C  y  de  1400  mm,  respectivamente  (Li  et  al.,  2012;  Wang  et  al.,  
modelo  de  factorización  de  matriz  positiva  (PMF)  y  el  método  de  isótopos  se  usan   2019).  El  área  era  rica  en  recursos  minerales  y  tiene  una  larga  historia  minera  de  pirita,  
comúnmente  en  el  análisis  de  fuentes  (Wang  et  al.,  2021a ;  Yang  et  al.,  2021a;  Parra   cobre  y  otros  minerales.  Este  parque  industrial  se  estableció  a  principios  del  siglo  XXI.  
et  al.,  2014;  Lv,  2019;  Deng  et  al.,  2020),  incluida  la  distribución  en  la  fuente  de  metales   Después  de  años  de  construcción  y  desarrollo,  se  formó  una  industria  líder  centrada  en  
pesados  o  materia  orgánica  en  sedimentos  (Pekey  y  Dogan,  2013),  suelos  agrícolas   el  procesamiento  y  la  utilización  del  cobre  y  la  fabricación  mecánica  de  componentes  
˘ y  suelos  urbanos  (Chen  y  Lu,  2018;  Qiao  et  al.,  2021;  Paatero  y  
( Guan  et  al.,  2018)   electrónicos.  En  el  oeste,  el  parque  estaba  delimitado  por  ríos,  que  fluyen  de  sur  a  
Tapper,  1994).  En  los  últimos  años,  APCS­MLR  se  ha  llevado  a  cabo  a  menudo  con  el   noroeste.  Una  zona  minera  estaba  situada  en  la  parte  alta  de  este  río.
modelo  PMF  para  obtener  fuentes  de  contaminación  (Lv,  2019;  Wu  et  al.,  2020;  Zhang  
et  al.,  2020;  Li  et  al.,  2021).  Una  de  las  ventajas  de  los  métodos  PMF  y  APCS/MLR  es  
que  no  se  basan  en  el  análisis  del  espectro  de  composición  química  de  la  fuente,  que   El  agua  del  río  se  utilizó  para  el  riego  de  las  tierras  agrícolas  de  la  zona  en  los  primeros  
es  muy  conveniente  y  eficiente  (Lv,  2019).  Pero  la  mayoría  de  los  resultados  obtenidos   años.  Posteriormente,  las  tierras  de  cultivo  se  transformaron  en  terrenos  de  construcción  
por  los  métodos  PMF  o  APCS/MLR  pertenecen  al  tipo  de  fuente  y  pocos  a  la  ubicación   y  pasaron  a  formar  parte  del  parque.  El  parque  industrial  cuenta  con  diversas  
de  la  fuente  (Guan  et  al.,  2018;  Chen  and  Lu,  2018;  Qiao  et  al.,  2021;  Zhang  et  al.  al.,   zonificaciones  funcionales.  Además  de  suelo  industrial,  la  zona  cuenta  con  suelo  
2020;  Li  et  al.,  2021).  Para  el  control  de  riesgos  de  una  región,  el  tipo  y  la  ubicación  de   residencial  y  escolar.
la  fuente  son  muy  importantes,  especialmente  cuando  varias  fuentes  pertenecen  al  
mismo  tipo  (Yang  et  al.,  2021a).  Por  lo  tanto,  se  debe  enfatizar  cómo  lograr  una   2.2.  Muestreo  y  análisis
distribución  de  fuentes  más  operativa  e  intuitiva.
El  suelo  y  el  polvo  están  interconectados  y  pueden  ser  fuentes  de  metales  pesados  
entre  sí  (Chang  et  al.,  2009;  Gabarron  et  al.,  2017a;  ´2017b;  Han  et  al.,  2021).  La  
comparación  de  los  dos  entre  sí  se  puede  utilizar  para  sintetizar  los  resultados  de  
Considerando  esto,  se  propuso  un  modelo  modificado  (el  modelo  MLR  de  distancia   origen.  En  este  estudio  se  establecieron  68  puntos  de  muestreo.
desde  los  sitios  de  muestreo  hasta  las  fuentes  [PCA­MLRD])  (Huang  et  al.,  2018).  PCA   Simultáneamente  se  recolectó  tierra  y  polvo  de  la  mayoría  de  los  puntos,  mientras  que  
fue  un  método  ampliamente  utilizado  para  determinar  el  tipo  de  fuente. en  los  demás  puntos  se  recolectó  solamente  tierra  o  polvo,  es  decir,  tierra  de  51  puntos  
La  ecuación  de  regresión  obtenida  por  la  combinación  de  PCA  y  MLRD  refleja   y  polvo  de  48  puntos.  Los  puntos  de  muestreo  cubrieron  básicamente  el  área  de  
directamente  el  poder  explicativo  de  una  determinada  fuente  (Huang  et  al.,  2018).  Esto   estudio.  En  algunas  áreas,  debido  a  que  la  tierra  no  se  ha  desarrollado,  el  número  de  
difería  del  enfoque  PMF  en  el  que  el  grado  de  coincidencia  entre  las  fuentes  cualitativas   puntos  de  muestreo  es  relativamente  pequeño.  Para  receptores  sensibles  y  empresas  
y  los  factores  todavía  necesitaba  evaluarse  cuantitativamente.  Para  obtener  un  modelo   con  potencial  de  contaminación,  se  establecieron  más  puntos  de  muestreo.  El  fraguado  
de  mejor  ajuste,  Wang  et  al.  (2020a)  realizaron  la  conversión  de  datos  utilizando  el   esperado  de  polvo  y  tierra  tiene  una  correspondencia  biunívoca.  En  el  proceso  de  
trabajo  de  Huang  et  al.  (2018)  como  referencia  y  obtuvieron  un  modelo  de  regresión   muestreo  real,  el  suelo  se  cubrió  con  cemento  en  algunos  puntos  y  se  seleccionó  el  
con  mayor  grado  de  ajuste  que  APCS­MLR  y  PMF.  Se  puede  encontrar  que  el  método   suelo  cerca  de  los  puntos  de  polvo.
PCA­MLRD  proporciona  un  nuevo  intento  de  localizar  la  fuente,  pero  este  método   Se  recolectaron  muestras  de  suelo  de  capas  de  0  a  30  cm  con  una  pala  de  acero  
actualmente  tiene  pocas  aplicaciones.  Y  no  estaba  claro  qué  tipo  de  modelo  de   inoxidable.  Las  muestras  de  polvo  se  recogieron  de  caminos  u  otros  suelos  cubiertos  
regresión  debería  usarse.  Estos  estudios  existentes  se  basan  principalmente  en  la   ´2017a,  b).
por  cemento  con  escobas  y  recogedores  de  plástico  limpios  (Gabarron  et  al.,  
comparación  de  diferentes  modelos  para  verificar  los  resultados,  mientras  que  rara  vez  
se  utilizan  otros  métodos  de  verificación  y  cuantificación. Se  pesaron  aproximadamente  0,100  g  de  cada  muestra  homogeneizada  y  luego  se  
digirieron  en  una  mezcla  de  HF­HNO3­HClO4  en  una  placa  caliente.  Las  concentraciones  
Por  lo  tanto,  un  enfoque  cuantitativo,  es  decir,  el  uso  de  Geodetector,  se  puede   de  metales  pesados  (loides)  (Cr,  Ni,  Cu,  Zn,  As,  Cd,  Pb,  Sb  y  Mn)  en  la  solución  
combinar  con  modelos  de  identificación  de  fuentes,  como  PCA  (Fei  et  al.,  2020;  Tao  et   digerida  se  detectaron  mediante  espectrometría  de  masas  de  plasma  acoplado  
al.,  2020;  Wu  et  al.,  2021).  La  detección  de  factores  en  Geodetector  puede  cuantificar   inductivamente  (ICP­MS,  Thermo  Scientific,  Waltham ,  MA,  EE.  UU.).  El  contenido  de  
la  interpretación  de  factores  desde  la  perspectiva  de  la  heterogeneidad  espacial  (Wang   Hg  se  determinó  utilizando  un  medidor  de  mercurio  DMA­80  (Wu  et  al.,  2021;  Zhang  et  
et  al.,  2016;  Wang  y  Xu,  2017).  Con  la  ayuda  de  los  resultados  de  la  geodetección,  los   al.,  2021b).  Todos  los  recipientes  se  sumergieron  en  HNO3  al  30  %  durante  24  h  antes  
factores  identificados  por  el  modelo  receptor  pueden  aclararse  aún  más.  El  modelo   de  la  digestión  y  se  enjuagaron  limpiamente  con  agua  ultrapura.
PCA­MLRD  puede  cuantificar  la  contribución  de  fuentes  potenciales  de  contaminación   agua.
en  la  ecuación  de  regresión.  Sin  embargo,  la  combinación  de  modelos  Geodetector  y   El  estudio  de  campo  y  el  análisis  químico  de  muestras  de  suelo  y  polvo  siguieron  
PCA­MLRD  rara  vez  se  ha  estudiado. estrictamente  las  especificaciones  de  trabajo  de  campo  e  interiores  (GB/T  36197–2018)  
(SAC,  2018).  Se  utilizaron  los  materiales  de  referencia  (GSS­1  y  GSS­5)  del  Centro  
En  este  estudio,  se  seleccionó  un  parque  industrial  multifuncional  en  la  provincia   Nacional  de  Material  de  Referencia  Estándar  de  China,  muestras  en  blanco  y  tres  
central  de  Anhui,  China,  como  ejemplo  para  localizar  las  fuentes  de  contaminantes   duplicados  para  garantizar  la  confiabilidad  del  análisis.  Los  errores  de  análisis  de  cada  
mediante  la  combinación  de  Geodetector  y  PCA­MLRD.  En  este  método,  la  relación   elemento  fueron  inferiores  a  ±  10  %.
entre  la  fuente  de  contaminación  específica  y  la  concentración  del  contaminante  se   Los  porcentajes  de  recuperación  estuvieron  dentro  de  ±  10  %.  Y  el  coeficiente  de  
expresó  en  una  ecuación.  El  geodetector  se  introdujo  en  la  detección  de  fuentes   correlación  de  la  curva  estándar  es  superior  a  0,999.  Agua  desionizada  Milli­Q  (18  
1
potenciales  de  contaminación  para  cuantificar  las  posibilidades,  reduciendo  la   MΩ cm−  con  fines   )  de  Merck  Millipore,  EE.  UU.,  se  utilizó  para
subjetividad  de  depender  solo  de  PCA. analíticos  y  de  limpieza.

2
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

2.3.  Evaluación  del  riesgo  ecológico  potencial 2.4.  PCA­Geodetector­MLRD

Un  nuevo  método  de  evaluación  del  riesgo  ecológico  potencial  llamado  NIRI  fue   2.4.1.  Análisis  de  componentes  principales  (PCA)
desarrollado  por  Men  et  al.  (2020)  basado  en  el  índice  integrado  de  contaminación  nemerow   El  contenido  de  elementos  se  analizó  mediante  el  método  PCA  y  se  obtuvieron  las  
(NIPI)  y  el  índice  de  riesgo  ecológico  potencial  (RI)  (Hakan  son,  1980;  Huang  et  al.,  2021;   puntuaciones  de  los  factores  de  los  componentes  principales  y  las  cargas  de  los  factores  
Roy  et  al.,  2019;  Luo  et  al.,  2022). del  suelo  y  el  polvo.  En  este  trabajo  se  utilizó  el  método  de  máxima  rotación  de  la  varianza.  
La  ventaja  de  este  método  sobre  NIPI  y  RI  es  que  tiene  en  cuenta  los  efectos  tanto  del   La  concentración  del  elemento  se  utilizó  como  valor  inicial.
factor  de  toxicidad  como  del  número  de  elementos.  En  este  estudio,  NIRI  se  utilizó  para   para  PCA,  y  se  utilizó  la  extracción  de  factores  con  valores  propios  >  1  después  de  la  
evaluar  el  riesgo  ecológico  de  diez  elementos.  Las  ecuaciones  de  cálculo  son  las  siguientes: rotación  varimax  para  la  identificación  de  la  fuente.  Se  adoptó  la  carga  factorial  para  
determinar  el  tipo  y  rango  de  fuentes  potenciales.  La  puntuación  factorial  se  utilizó  para  
determinar  el  factor  componente  principal  con  la  detección  factorial  en  Geodetector.  En  
Allá
No =  Si × (1) este  estudio,  la  distribución  espacial  de  las  puntuaciones  de  los  factores  se  obtuvo  junto  
r r esos  
,
b
con  la  ciencia  de  la  información  geográfica  (SIG).  Las  puntuaciones  se  dividieron  en  cinco  
  
niveles  (Zonas  1  a  5)  en  el  mapa.
YO  = (2) Las  zonas  4  y  5  son  las  zonas  de  puntuación  alta,  y  los  principales  objetivos  de  origen  se  
[ ( No ,
√ máx)2  +  ( Ei r  promedio)2 ] /  2  r   examinaron  dentro  de  estas  dos  zonas.

donde  NIRI:  índice  integral  de  riesgo  ecológico  de  varios  metales  pesados  (loid)  en  el  suelo   2.4.2.  Modelado  de  geodetectores  
o  el  polvo. En  este  estudio  se  utilizó  un  submódulo  común,  a  saber,  el  detector  de  factores  (Wang  
Ei  r:  Coeficiente  de  riesgo  ecológico  potencial  de  los  metales  pesados  (loid) et  al.,  2010,  2016).  El  detector  de  factores  usa  el  valor  q  para  medir  el  grado  de  influencia  
elemento  i  en  suelo  o  polvo. de  un  cierto  factor  (X)  en  la  variable  dependiente  Y.  Aquí,  los  factores  X1,  …,  Xn  
De :  Coeficiente  de  toxicidad  del  elemento  de  metal  pesado  (loide)  i.   representan  la  distancia  desde  el  punto  de  muestreo  hasta  la  fuente  potencial  (por  ejemplo,  
r
ci :  Contenido  del  elemento  i  de  metales  pesados   un  río).

(loides).  ci  b:  valores  de  referencia  requeridos  calculados  (seleccione  los  valores  de  
∑L  h=1Nhσ2  
h
fondo  del  suelo  local  para  comparar)  del  elemento  de  metal  pesado  (loid)  s  i. qx  =  1  − , (3)
Nσ2
NIRI:  índice  integral  de  riesgo  ecológico  de  varios  metales  pesados  (loid)  en  el  suelo  o  
el  polvo. donde  qx  es  un  valor  de  índice  utilizado  para  medir  la  asociación  espacial  entre  X  e  Y;  
h  =  1,  2,  3,.,  L,  donde  L  es  el  número  de  estratos  (subregiones  o  subclases)  del  factor  X;  y  
Los  coeficientes  de  toxicidad  de  Cr,  Ni,  Cu,  Zn,  Hg,  As,  Pb,  Cd,  Mn  y  Sb  son  2,  5,  5,  1,  
N  y  Nh  son  el  número  de  muestras  en  el  área  de  estudio  y  en  cada  estrato  h,  
40,  10,  5,  30,  1  y  10,  respectivamente  (Hakanson ,  1980;  Zhang  et  al.,  2019;  Huang  et  al.,  
respectivamente.  Los  símbolos  σ2  y  σh  representan  las  varianzas  de  Y  en  toda  la  región  y  
2021).  Para  el  suelo  de  fondo  local,  nos  referimos  al  estudio  de  Li  et  al.  (2012)  y  Wang  et  
2
en  cada  
estrato  (h),  respectivamente.  El  valor  de  qx [0,1]  indica  cuánto  influye  X  en  Y.  
al.  (2019).  Los  valores  de  fondo  de  Cr,  Ni,  Cu,  Zn,  Hg,  As,  Pb,  Cd,  Mn  y  Sb  son  80,0,  34,0,  
Cuanto  mayor  sea  el  valor  de  qx ,  más  fuerte  será  la  asociación  espacial  entre  X  e  Y  (Tao  
34,0,  79,0,  0,06,  13,8,  29,0,  0,23,  598  y  1,00  mg/kg,  respectivamente. .  Según  Men  et  al.  
et  al.,  2020).
(2020),  los  criterios  de  evaluación  del  nivel  de  riesgo  se  muestran  en  la  Tabla  S1.

En  el  factor  de  detección  de  esta  investigación,  Y  es  el  puntaje  de  cada  factor  obtenido  
por  el  PCA  de  suelo  y  polvo,  y  X  es  la  distancia  de  las  fuentes  potenciales  determinadas  
inicialmente.  El  tipo  y  la  ubicación  de  las  fuentes  potenciales  se  determinaron  (Sección  
2.4.1)  en  función  de  la  distribución  espacial  de  las  puntuaciones  de  los  factores.  
Geodetector  se  obtuvo  del  sitio  web  htt

Fig.  1.  Área  de  estudio  y  ubicación  de  los  puntos  de  muestreo.

3
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

p://geodetector.cn/. 2.5.  Análisis  de  los  datos

2.4.3.  Regresión  lineal  múltiple  de  distancia  (MLRD) La  distribución  de  fuentes  y  el  análisis  de  incertidumbre  correspondiente  también  se  
Usando  PCA  para  identificar  fuentes  potenciales,  la  contribución  de  la  fuente  se  puede   realizaron  utilizando  el  modelo  PMF  (Versión  5.0)  (USEPA,  2014).
calcular  en  función  del  contenido  de  metales  pesados  (loides)  y  el  MLR  de  la  distancia  desde   El  método  de  cálculo  del  modelo  PMF  se  puede  ver  en  el  material  complementario.  El  
la  fuente.  El  contenido  de  metales  pesados  (loides)  disminuye  teóricamente  al  aumentar  la   procesamiento  de  datos  en  este  estudio  se  completó  en  Excel  2016  y  SPSS  24.  Los  gráficos  
distancia  desde  la  fuente.  Teniendo  esto  en  cuenta,  la  distancia  desde  el  punto  de  muestreo   se  crearon  en  Origin  2021  y  ArcGIS  10.6.  Las  herramientas  de  análisis  de  ArcGIS  10.6  
hasta  la  fuente  de  emisión  se  puede  utilizar  para  cuantificar  su  contribución.  Aquí  proponemos   calcularon  la  distancia  más  corta  entre  el  punto  de  muestreo  y  la  fuente  utilizada  para  el  
tres  posibles  modelos  de  regresión.  Estos  tres  modelos  son  formas  funcionales  comunes.  Al   análisis  en  Geodetector  y  MLRD  (Huang  et  al.,  2018).
mismo  tiempo,  se  refiere  a  los  intentos  de  transformación  de  datos  propuestos  en  la  

investigación  de  resolución  de  fuentes  existente  (Huang  et  al.,  2018;  Yang  et  al.,  2020).  A  
medida  que  aumenta  la  variable  independiente,  la  variable  dependiente  disminuye   3.  Resultados  y  discusión
gradualmente.  Dado  que  la  relación  específica  entre  la  fuente  y  los  metales  pesados  no  estaba  
muy  clara.  El  modelo  final  de  distribución  de  la  fuente  se  determinará  con  base  en  los   3.1.  Estadísticas  descriptivas  de  metales  pesados  (loid)  en  suelo  y  polvo
resultados  de  la  validación.  En  este  estudio  se  utilizaron  los  siguientes  tres  modelos  de  
regresión: La  Tabla  1  presentó  los  resultados  estadísticos  descriptivos  del  contenido  de  metales  
pesados  (loides)  del  suelo  y  el  polvo.  El  contenido  de  10  metales  pesados  (loid)  varió  mucho.  

1 La  concentración  máxima  puede  ser  100  veces  el  valor  mínimo,  mientras  que  el  contenido  

cuanto  =  ∑p n=1 Papelera

, (4) promedio  de  metales  pesados  (loides)  fue  mayor  que  el  valor  de  referencia  local.  El  contenido  
ADN
de  As  superó  el  valor  de  cribado  (MEE,  2018).

Modelo2:  Cómo  =  ∑p Binexp(−Dnk ), (5)

n=1 Los  coeficientes  de  variación  de  Cd,  Zn,  Cu,  Mn,  As  y  Pb  del  suelo  fueron  1.84,  1.69,  
1.55,  1.46,  1.27  y  1.04,  respectivamente,  lo  que  indica  que  estos  elementos  fluctuaron  dentro  
Modelo  3:  Señorita  =  ∑pn=1 Bin0.5Dnk , (6)
de  un  amplio  rango  y  exhibieron  una  fuerte  heterogeneidad  espacial.  El  rango  de  fluctuación  
de  la  mayoría  de  los  metales  del  polvo  (loid)  en  esta  región,  como  Ni,  As  y  Pb,  fue  cercano  al  
donde  Cik  es  el  contenido  del  elemento  i  en  el  sitio  de  muestreo  k,  Dnk  es  la  distancia  desde   del  suelo.  Los  elementos  metal(loid)  en  el  polvo  con  una  fuerte  heterogeneidad  espacial  fueron  
el  sitio  de  muestreo  k  hasta  la  fuente  n,  Bin  es  la  matriz  del  coeficiente  de  regresión  de  la   Hg,  Cu,  As  y  Cr.
distancia  Dnk,  y  n  es  el  número  de  fuentes,  p  es  el  número  de  fuentes  de  contaminación  por  la  
regresión. Los  resultados  de  otros  estudios  cerca  de  la  misma  zona  (parque  industrial)  se  compararon  
MLR  utiliza  un  método  de  regresión  por  pasos  para  evitar  la  colinealidad,  el  80  %  de  los   con  los  del  presente  estudio.  Los  contenidos  máximos  de  Cu,  Zn  y  Cd  en  este  estudio  fueron  
datos  se  utilizó  como  conjunto  de  entrenamiento  para  la  construcción  de  tres  modelos  y  el  20   superiores  a  los  (340,43,  859,25  y  10,20  mg/kg,  respectivamente)  obtenidos  por  Wang  et  al.  
%  de  los  datos  se  utilizó  como  conjunto  de  validación.  El  R2  y  el  RMSE  se  utilizaron  como  
(2019).  El  contenido  de  Hg  en  este  estudio  (0,01–0,13  mg/kg)  fue  similar  al  obtenido  por  Wang  
métricas  para  evaluar  los  modelos.  Los  resultados  de  la  evaluación  sirvieron  como  base  para  
et  al.  (2019)  (0,03–0,17  mg/kg).  Las  diferencias  pueden  estar  relacionadas  con  los  sitios  de  
seleccionar  los  mejores  modelos  para  suelo  y  polvo.  Según  Huang  et  al.  (2018)  y  Wang  et  al.   muestreo  dispersos  de  Wang  et  al.  (2019).  En  su  estudio,  29  sitios  de  muestreo  de  suelo  
(2020a),  R2  >  0,5  y  p  ≤  0,01  se  utilizaron  para  filtrar  todos  los  modelos  de  elementos.  Luego,   cubrieron  la  mayor  parte  de  toda  la  ciudad,  con  aproximadamente  seis  sitios  de  muestreo  
los  resultados  de  la  fuente  se  compararon  con  los  resultados  del  modelo  PMF.  Un  diagrama   cerca  del  área  minera.  Por  el  contrario,  todas  las  muestras  de  suelo  en  este  estudio  se  
de  flujo  detallado  se  puede  ver  en  la  Fig.  2. obtuvieron  adyacentes  al  parque  industrial.  Shen  et  al.

Fig.  2.  Diagrama  de  flujo  del  modelo  PCA­Geodetector­MLRD.

4
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Tabla  1  
Estadísticos  descriptivos  de  metales  pesados  (loides)  en  suelo  y  polvo.

cr En Con zinc Hg Como Pb Cd Minnesota Sb

Suelo Mínimo  (mg/kg) 47.86 13.24 43.70 70.93 0.01 12.21 20.95 0.09 105,40   0.01
Máximo  (mg/kg) 200.32 61.28 1371.53 2785.99 0.13 228.11 363.59 23.20 12.520,00   11.88
Media  (mg/kg) 88,92   31,28   249,70   431.86   0,04   45,49   97,35   3,09   1707,14   3,08  
SDa 27,27 12,63 385,89 730.81 0,03 57,81 100,97 5,70 2487,80 2,66
CVb 0.31 0.40 1.55 1.69 0.76 1.27 1.04 1.84 1.46 0.86
Oblicuidad 1,90 0,46 2.03 2.27 1.30 2.06 1.49 2.07 2.79 1.18
curtosis 4.96 ­0.31 2.55 3.81 0,55 2.86 1.04 3.24 8.14 1.38
Polvo Mínimo  (mg/kg) 35.62 13.24 51.70 83.12 0.02 4.35 23.90 0.09 585.74 0.72
Máximo  (mg/kg) 955.92 72.09 1822.38 895.62 3.41 279.39 279.79 3.82 2348.77 21.00
Media  (mg/kg) 138,60   33,41   228,50   350,63   0,27   63,18   72,93   1,21   1258.74   5,70  
Dakota  del  Sur 133,35 14,16 263,66 200,06 0,60 63,41 40,40 0,93 411.21 4,43
CV 0,96 0.42 1.15 0.57 2.23 1.00 0,55 0.77 0.33 0.78
Oblicuidad 5.14 0,61 4.97 0.79 4.57 2.12 2.95 0.83 0.82 2.13
curtosis 31.03 ­0.33 29.31 0.18 21.16 4.43 14.00 ­0.02 0.32 5.00
200.00 900.00 – 38.00 60.00 800.00 65.00 180
Valor  de  cribado  de  riesgo  (mg/kg) 18,000.00  
Valor  de  fondo  del  suelo  (mg/kg) 80.00 34.00 34.00 79.00 0.06 13.80 29.00 0.23 598.00 1.00

Valor  de  detección  de  riesgos  se  refiere  a  MEE  (2018);  valor  de  fondo  del  suelo  consulte  Li  et  al.  (2012)  y  Zhang, .  et  al.  (2019)
a SD  significa  desviación  estándar

b CV  significa  coeficiente  de  variación

(2019)  estudiaron  los  metales  pesados  (loides)  en  las  tierras  de  cultivo  alrededor  de  un  área   el  sitio  de  muestreo  del  suelo)  fueron  más  altos  que  los  del  suelo.  Descubrieron  que  la  
minera  y  encontraron  que  la  concentración  promedio  de  Cd  en  más  del  82  %  de  las  muestras   diferencia  se  debía  principalmente  al  transporte  y  la  sedimentación  del  polvo.  Las  diferencias  
1)  en  Chi
de  suelo  excedía  el  valor  de  detección  (0.3  mg kg−  estándar  de  calidad   en  los  riesgos  ecológicos  entre  el  suelo  y  el  polvo  indicaron  el  requisito  de  una  identificación  
ambiental  nese  para  Suelos  (SAC,  2018)  Y  las  concentraciones  de  todos  los  metales   precisa  de  la  fuente.
pesados  (loides)  en  la  capa  superior  del  suelo  fueron  más  altas  que  las  del  subsuelo.

3.3.  Identificación  de  las  fuentes  potenciales  de  contaminación

3.2.  Característica  de  los  riesgos  ecológicos 3.3.1.  Identificación  de  componentes  principales  por  PCA  Con  
base  en  los  10  metales  pesados  (loides),  se  evaluaron  dos  factores  de  componentes  
Para  Cu  y  Cd,  algunas  muestras  mostraron  un  índice  de  riesgo  ecológico  alto  o  muy   principales  para  el  suelo  y  tres  factores  de  componentes  principales  para  el  polvo  (Tabla  2).  
alto  (Fig.  3(a),  Tabla  S1),  mientras  que  para  otros  elementos,  el  índice  de  riesgo  ecológico   En  el  suelo,  el  Factor  1  explicó  la  mayoría  de  los  nueve  metales  pesados  (loides),  a  saber,  
potencial  (Ei  r)  fue  generalmente  bajo  (Fig.  3a) . ).  El  Cd  era  un  contaminante  de  alto  riesgo   Cr,  Cu,  Zn,  Hg,  As,  Pb,  Cd,  Mn  y  Sb,  con  coeficientes  de  0,82,  0,96,  0,97,  0,87 ,  0,97,  0,92,  
en  varias  regiones  de  China  (Wu  et  al.,  2022). 0,96,  0,94  y  0,79,  respectivamente.  Sin  embargo,  entre  ellos,  los  coeficientes  de  Cr,  Hg  y  Sb  
Las  actividades  de  fundición  y  las  medidas  agrícolas  inapropiadas  fueron  las  principales   fueron  ligeramente  inferiores  a  los  de  otros  elementos.  Tomando  Cr  como  ejemplo,  su  
fuentes  de  contaminación  por  Cd  (Zhang  et  al.,  2012a;  2012b;  Han  et  al.,  2021;  Wu  et  al.,   coeficiente  de  factor  2  fue  de  0,43.  Esto  muestra  que  el  factor  2  también  tiene  un  cierto  
2022).  El  valor  de  referencia  de  Cd  en  el  área  de  estudio  fue  de  0,23  mg/kg  (Li  et  al.,  2012),   efecto  explicativo  sobre  Cr.  Los  resultados  para  Hg  y  Sb  fueron  similares  a  los  de  Cr.  Este  
mientras  que  el  contenido  de  Cd  en  el  suelo  fue  de  hasta  23,20  mg/kg.  Esto  condujo   resultado  indicó  que  los  elementos  de  metales  pesados  (loides)  en  el  suelo  provenían  
directamente  al  mayor  riesgo  ecológico  de  Cd. principalmente  de  una  fuente  (Factor  1),  pero  algunos  de  ellos  también  estaban  influenciados  
Y  se  especuló  que  el  alto  contenido  de  Cd  estaba  altamente  relacionado  con  las  actividades   por  el  Factor  2.
locales  de  minería  y  fundición  de  cobre  (Wang  et  al.,  2004).  Los  niveles  de  riesgo  de  la  
mayoría  de  los  metales  pesados  (loides)  en  las  muestras  de  polvo  fueron  más  altos  que  en   La  Sección  3.1  mostró  que  los  valores  de  fondo  de  los  metales  pesados  (loid)  del  suelo  
el  suelo  (Fig.  3b).  Esta  tendencia  fue  obvia  para  el  Hg,  mostrando  un  riesgo  significativamente   en  el  área  de  estudio  no  eran  altos.  Y  la  principal  industria  local  era  la  extracción  y  
mayor  en  las  muestras  de  polvo  que  en  las  muestras  de  suelo.  El  número  de  puntos  de   procesamiento  de  cobre.  Esta  industria  puede  contribuir  a  la  difusión  y  contaminación  de  
muestreo  con  As  en  el  rango  de  riesgo  bajo  y  medio  fue  relativamente  grande.  El  índice   metales  pesados  (loides)  de  la  deposición  atmosférica,  los  vehículos  de  transporte  y  los  
integral  de  riesgo  ecológico  potencial  (NIRI)  mostró  las  características  generales  del   ríos  (Xu  et  al.,  2013;  Shen  et  al.,  2019).
contenido  de  elementos  del  suelo  y  el  polvo  (Fig.  3c).  El  NIRI  de  1/3  de  los  puntos  del  suelo   Por  lo  tanto,  se  supuso  que  el  Factor  1  era  una  fuente  antropogénica,  asociada  con  las  
estuvo  por  encima  del  riesgo  medio  (Cuadro  S1).  Algunos  puntos  tienen  un  NIRI  alto,   actividades  de  fundición.  Y  el  tipo  exacto  debía  determinarse  en  el  siguiente  paso.  Como  se  
llegando  a  2155.21.  La  proporción  de  los  puntos  de  polvo  por  encima  del  riesgo  medio  fue   ve  en  la  Tabla  2,  el  Factor  2  explicó  la  fuente  de  Ni  (0.94).  Varios  estudios  concluyeron  que  
alta,  llegando  a  1/2,  pero  el  NIRI  más  alto  fue  inferior  al  del  suelo,  que  fue  de  1618,80.  Pocos   el  Ni  en  el  suelo  se  originó  principalmente  a  partir  del  material  original  del  suelo  (Guan  et  al.,  
puntos  tienen  un  NIRI  de  polvo  alto. 2019;  Wang  et  al.,  2020b;  Liu  et  al.,  2021).  Aquí,  el  factor  2  puede  representar  fuentes  
naturales.
Varios  metales  pesados  (loides)  exhibieron  niveles  de  alto  riesgo  en  el  polvo   En  combinación  con  la  tecnología  GIS,  se  obtuvo  el  mapa  de  distribución  espacial  de  
(representado  por  Hg)  y  el  suelo  (representado  por  Cd).  La  diferencia  aparente  entre  los   los  factores  componentes  principales  1  y  2  del  elemento  suelo  (Fig.  4(a)  y  (b)).  En  función  
riesgos  exhibidos  por  el  suelo  y  el  polvo  indicó  que  las  fuentes  de  metales  pesados  (loides)   de  las  puntuaciones  de  los  factores,  el  área  de  interpolación  podría  dividirse  en  cinco  zonas.  
en  el  polvo  y  el  suelo  podrían  ser  diferentes. En  la  Fig.  4(a),  las  fuentes  relacionadas  con  el  factor  1  tenían  más  probabilidades  de  estar  
Gabarrón   ´
et  al.  (2017b;  2017a)  realizaron  varios  estudios  detallados  sobre  los  metales   distribuidas  en  las  Zonas  4  y  5  (puntuaciones  altas).  Una  comparación  de  los  resultados  del  
pesados  en  el  suelo  y  el  polvo  de  las  carreteras.  Descubrieron  que  los  metales  pesados  en   estudio  del  sitio  mostró  que  el  área  estaba  cerca  del  río  y  no  se  identificó  ninguna  otra  fuente  
el  polvo  de  las  carreteras  tienen  un  mayor  riesgo  para  la  salud  que  los  del  suelo.  Las  fuentes   obvia  de  contaminación.  Sun  (2013)  y  Kuang  et  al.  (2018)  encontraron  que  los  metales  
de  metales  pesados  incluían  la  industria  del  cuero,  las  fundiciones  y  las  industrias  de  fertilizantes. pesados  (loides)  en  el  agua  del  río  eran  obviamente  altos  y  que  las  concentraciones  más  
Chang  et  al.  (2009)  encontraron  que  el  suelo  y  el  polvo  de  la  carretera  tienen  diferentes   altas  de  Cu,  Zn,  Cd  y  As  pueden  alcanzar  5204.30,  2368.90,  222.50  y  310.20  μg/L .  Por  lo  
fuentes  de  metales  pesados  (loides),  y  el  contenido  de  metales  pesados  (loides)  en  el  polvo   tanto,  el  río  se  incluyó  por  primera  vez  como  fuentes  potenciales  de  contaminación  del  suelo.
era  mayor  que  el  del  suelo.  Otro  estudio  (Long  et  al.,  2021)  de  una  ciudad  en  el  suroeste  de  
China  mostró  que  los  metales  pesados  (loides)  en  el  polvo  (el  polvo  de  las  barandillas  de  las   El  área  de  estudio  era  un  parque  industrial,  principalmente  para  el  procesamiento  de  
carreteras,  los  acondicionadores  de  aire  y  los  balcones  de  los  residentes  cerca  de cobre,  y  las  minas  fuera  del  parque  eran  principalmente  para  la  producción  de  cobre.

5
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Cuadro  
2  Matriz  de  componentes  rotatorios  obtenida  por  PCA.

componente  del  suelo componente  del  polvo

Factor  1 factor  2 Factor  1 factor  2 Factor  3

cr 0,828   0,43   0.188   0,79   ­0.015  

En ­0,152 0,938 ­0.183 0,741 0.125
Con 0,96 ­0.197 0.285 0.006 0.895
zinc 0.969 ­0.073 0.848 0.116 0.363
Hg 0.873 ­0.288 ­0.213 0.016 0.911
Como 0.969 ­0.164 0.617 0.646 ­0.016
Pb 0.918 ­0.253 0.836 0.008 ­0.046
Cd 0,956   ­0,162   0,828   0,075   ­0.043  
Minnesota 0,935 0,16 0,682 0,393 ­0.046
Sb 0.783 ­0.318 0.44 0.686 ­0.104

Los  elementos  As  y  Sb  fueron  explicados  por  los  Factores  1  y  2.  Las  fuentes  de  As  y  Sb  
también  estaban  estrechamente  relacionadas  con  las  actividades  humanas  (Lv,  2019).
Las  figuras  4(c),  (d)  y  (e)  fueron  los  resultados  de  la  interpolación  de  los  factores  
componentes  principales  de  los  elementos  de  polvo.  Las  zonas  con  puntaje  alto  en  el  Factor  
1  se  dispersaron  y  distribuyeron  en  el  sur,  suroeste  y  norte  de  la  región  de  estudio.  Dentro  
de  estas  áreas  de  alto  puntaje,  se  identificaron  dos  objetivos:  minería  (suroeste)  y  comunidad  
(sur).  Sin  embargo,  no  se  encontraron  objetivos  más  obvios  en  el  área  de  alta  puntuación  
en  el  norte.
Los  resultados  de  la  interpolación  del  Factor  2  muestran  que  las  áreas  de  alto  puntaje  
(Zonas  4  y  5)  se  ubicaron  cerca  de  las  carreteras  principales.  La  Fig.  4(e)  mostró  un  objetivo  
obvio,  es  decir,  la  planta  metalúrgica,  en  el  área  de  puntaje  alto  (Zona  4).
Por  lo  tanto,  al  combinar  los  resultados  del  suelo  y  el  polvo,  el  enfoque  PCA  ayudó  a  
obtener  el  rango  de  fuente  potencial,  incluidos  cinco  objetivos,  a  saber,  río,  área  minera,  
comunidad,  carretera  principal  y  planta  metalúrgica.
La  posibilidad  de  las  fuentes  anteriores  se  determinó  a  través  de  la  investigación  
existente  y  el  conocimiento  profesional,  que  puede  ser  subjetivo.  El  juicio  preciso  fue  difícil  
cuando  múltiples  factores  tienen  interpretaciones  sólidas.  Por  lo  tanto,  se  introdujo  además  
un  método  cuantitativo  (Geodetector)  para  revelar  el  poder  explicativo  de  fuentes  específicas.

Sobre  la  base  de  la  discusión  anterior,  se  resumieron  cinco  objetivos  específicos  como  la  
siguiente  identificación  de  fuente,  a  saber,  planta  metalúrgica,  río,  carretera  principal,  área  
minera  y  comunidad.  Las  distancias  más  cortas  desde  los  cinco  objetivos  hasta  los  puntos  
de  muestreo  se  establecieron  en  X,  y  las  puntuaciones  del  factor  PCA  se  establecieron  en  Y.

3.3.2.  Detección  espacial  de  fuentes  de  contaminación  por  Geodetector
La  detección  de  factores  en  Geodetector  coincidió  con  el  rango  de  fuente  potencial  
anterior  y  los  factores  de  componentes  principales  desde  la  perspectiva  de  la  heterogeneidad  
espacial,  verificando  la  precisión  de  los  resultados  del  análisis  de  componentes  principales.  
La  figura  5  presenta  el  resultado  de  la  detección  del  factor.  En  los  resultados  del  
emparejamiento  del  Factor  1  del  suelo,  el  río,  la  planta  de  metal  y  la  comunidad  tienen  un  
poder  explicativo  significativo  (p  <  0,05).  Es  decir,  la  distribución  espacial  de  los  tres  era  
similar  al  Factor  1  del  suelo.  De  acuerdo  con  el  mapa  de  distribución  de  los  factores  
componentes  principales  (Fig.  4),  cuando  el  punto  estaba  cerca  del  río,  la  puntuación  del  
factor  mostraba  una  tendencia  creciente,  pero  cuando  el  punto  estaba  cerca  de  la  planta  
metalúrgica  y  de  la  comunidad,  la  puntuación  del  factor  era  baja.  Esto  significaba  que  el  río  
coincidía  con  el  significado  real  de  la  fuente  del  Factor  1.  Previamente,  se  consideró  que  el  
Factor  2  del  suelo  era  una  fuente  natural,  y  los  resultados  de  la  detección  del  factor  
mostraron  que  solo  el  área  minera  y  el  Factor  2  del  suelo  tenían  una  cierta  relación  
Fig.  3.  Riesgos  ecológicos  de  metales  pesados  en  suelo  y  polvo.
coincidente  entre  los  cinco  objetivos.

(Wang  et  al.,  2019;  Wu  et  al.,  2021).  Los  factores  explicativos  correspondientes  a  los  10   La  distribución  espacial  del  factor  de  polvo  1  fue  dispersa,  y  el  objetivo  de  la  carretera  
metales  pesados  (loides)  en  el  polvo  estaban  más  dispersos  que  los  del  suelo.  Cr  y  Ni  se   principal  tiene  cierto  efecto  explicativo  sobre  el  factor  de  polvo  1  (q  =  0,23,  p  <  0,05).  Este  
explicaron  principalmente  por  el  factor  2  (los  coeficientes  fueron  0,79  y  0,74,   hallazgo  fue  consistente  con  los  resultados  del  componente  principal  en  la  Sección  3.3.1.  
respectivamente).  Cu  (0,89)  y  Hg  (0,91)  se  explicaron  principalmente  por  el  Factor  3.  La   Los  resultados  de  detección  de  polvo  Factor  2
fuente  de  Cu  puede  estar  muy  relacionada  con  la  extracción  y  el  procesamiento  local  del   mostró  que  muchos  objetivos  tienen  una  distribución  espacial  similar  con  factor  de  polvo  2.  
cobre. Además  de  la  carretera  principal,  la  planta  de  metal,  la  comunidad  y  el  río  tienen  un  poder  
El  factor  1  de  los  elementos  del  polvo  explica  la  mayoría  de  las  fuentes  de  Zn,  Pb,  Cd  y  
explicativo  significativo  (p  <  0,05).  La  ubicación  geográfica  de  los  tres  primeros  se  superponía  
Mn  (Tabla  2).  Se  consideró  que  el  Pb  era  un  indicador  importante  de  la  fuente  de  transporte  
con  la  puntuación  alta  del  Factor  2  de  polvo,  pero  el  río  estaba  ubicado  en  la  puntuación  
porque  el  plomo  en  la  gasolina  era  una  de  las  principales  fuentes  de  plomo  en  el  suelo  (Cui   baja  del  Factor  2  de  polvo.  La  razón  por  la  que  los  ríos  tienen  un  cierto  papel  explicativo  era  
et  al.,  2018;  Zhang  et  al.,  2021a). similar  al  Factor  2  del  suelo.

6
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Fig.  4.  Distribución  espacial  de  los  factores  componentes  principales  de  los  elementos  suelo  (a  y  b)  y  polvo  (c,  d  y  e).

arriba.  Los  resultados  de  detección  del  factor  de  polvo  3  no  mostraron  una El  resultado  también  proporcionará  una  base  para  el  siguiente  paso  de  la  construcción  del  modelo.
objetivo,  y  el  único  objetivo  con  un  poder  explicativo  significativo  (p  <  0,05),  el  río,  se  
suponía  que  explicaba  la  región  con  un  factor  de  polvo  bajo  3,  que  no  pertenece  al  
rango  de  fuente.  Los  resultados  de  la  detección  del  factor  de  polvo  3  deben  revelarse   3.4.  Reparto  de  fuentes  mediante  el  establecimiento  del  modelo  de  regresión  en  
función  de  la  distancia
más.  En  general,  la  detección  de  factores  en  Geodetector  básicamente  verificó  los  
resultados  del  juicio  del  análisis  de  componentes  principales  en  la  Sección  3.3.1.  Es  
decir,  el  rango  de  fuente  potencial  compuesto  por  cinco  objetivos  (planta  metalúrgica,   3.4.1.  Comparación  y  selección  del  rendimiento  del  modelo  Se  
río,  carretera  principal,  área  minera  y  comunidad)  tiene  un  poder  explicativo   utilizaron  tres  métodos  de  regresión  para  la  distribución  de  la  fuente  de  elementos  
significativo.  Este de  suelo  y  polvo.  El  coeficiente  de  regresión  (R2 )  de  los  10  elementos  en  los  
conjuntos  de  entrenamiento  de  suelo  y  polvo  se  muestra  en  la  Fig.  6.  El  resultado  de  ajuste  de

7
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Fig.  5.  Resultados  de  la  detección  (valor  q)  de  los  tipos  de  factores  componentes  principales  utilizando  Geodetector.  Las  distancias  más  cortas  desde  los  cinco  objetivos  (planta  metalúrgica,  río,  camino  
principal,  área  minera  y  comunidad)  hasta  los  puntos  de  muestreo  se  establecen  en  X,  y  las  puntuaciones  del  factor  PCA  se  establecen  en  Y.

los  tres  métodos  de  regresión  fue  diferente  entre  los  diferentes  elementos. respectivamente,  y  el  coeficiente  de  ajuste  del  Modelo  3  fue  ligeramente  superior  
Por  ejemplo,  el  efecto  de  ajuste  del  Modelo  2  de  Zn  (R2  =0,622)  fue  mayor  que  el   al  de  los  otros  dos  modelos.  En  general,  la  mayoría  de  los  elementos  tienen  un  
de  los  Modelos  1  y  2  (R2  =0,614,  0,581).  Sin  embargo,  el  R2  de  los  tres  modelos   R2  superior  a  0,5.  De  manera  similar,  el  coeficiente  de  regresión  del  conjunto  de  
de  Hg  (Modelos  1,  2  y  3)  fue  0,751,  0,763  y  0,778, entrenamiento  R2  de  Pb,  Zn  y  Cu  en  polvo  supera  0,6.  El  R2  de  Mn  fue  superior  a  los

Fig.  6.  Comparación  de  tres  modelos  para  el  conjunto  de  entrenamiento  de  elementos  suelo  (a)  y  polvo  (b).

8
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

de  los  demás  elementos.  En  términos  de  suelo  y  polvo,  aunque  los  tres  métodos  de  regresión   puede  explicar  el  origen  de  la  mayoría  de  los  elementos  (Huang  et  al.,  2018;  Wang  et  al.,  2020a),  y  
fueron  diferentes,  un  modelo  no  muestra  una  ventaja  absoluta  sobre  los  otros  dos.  El  modelo  a   el  más  alto  fue  0,791  (Pb).
seleccionar  para  la  subsiguiente  distribución  de  fuentes  también  debe  ser  evaluado  por  los   También  se  desarrollaron  ecuaciones  de  regresión  para  los  10  metales  pesados  (loid)  en  el  
resultados  de  la  validación. polvo.  Droad,  Dmine,  Dmetal  y  Dcommunity  representan  la  distancia  desde  el  sitio  de  muestreo  
La  Tabla  3  muestra  los  resultados  de  la  validación  de  suelo  y  polvo.  R2  y  RMSE  se  utilizaron   hasta  la  carretera  principal,  la  mina,  la  planta  metalúrgica  y  la  comunidad,  respectivamente.  Una  
para  medir  los  efectos  de  regresión  de  los  tres  métodos.  Para  el  suelo,  los  valores  de  R2  de  Cu,   característica  obvia  fue  que  las  fuentes  de  la  mayoría  de  los  elementos  en  el  polvo  eran  diferentes  
Zn,  Hg,  As,  Pb,  Cd,  Mn  y  Sb  obtenidos  por  el  Modelo  1  fueron  más  altos  que  los  obtenidos  por  los   de  las  del  suelo,  y  la  cantidad  de  la  fuente  era  mayor.  La  carretera  principal,  la  comunidad  y  la  mina  
Modelos  2  y  3.  Los  valores  de  RMSE  de  estos  elementos  fueron  más  bajos  que  los  del  Modelo  1.   fueron  las  principales  fuentes  de  metales  pesados  (loid)  en  el  polvo,  y  la  carretera  principal  actuó  
otros  dos  modelos. como  la  fuente  principal  de  ocho  metales  pesados  (loid)  s,  incluidos  Cu,  Zn,  As,  Pb,  Cd ,  Sb  y  As.  
Por  ejemplo,  el  R2  de  As  Model  1  fue  de  0,80,  superior  al  de  los  modelos  2  (0,71)  y  3  (0,57).  Los   La  comunidad  juega  un  papel  importante  en  la  explicación  de  la  fuente  de  Cr,  As  y  Mn  en  el  polvo  
resultados  muestran  que  el  método  de  ajuste  del  modelo  1  tiene  más  ventajas  que  los  de  los   (Tabla  S5).
modelos  2  y  3.
El  efecto  de  ajuste  del  conjunto  de  validación  de  Cr  y  Ni  difirió  mucho  del  conjunto  de  entrenamiento,   Los  resultados  del  análisis  de  la  fuente  de  metales  pesados  (loid)  para  el  suelo  y  el  polvo  
lo  que  indica  que  los  dos  elementos  pueden  sobreajustarse  hasta  cierto  punto.  En  la  Tabla  3,  el  R2   revelan  que  el  polvo  era  una  fuente  diferente  y  más  diversa  de  metales  pesados  (loid)  que  el  suelo.  
del  suelo  Cr  y  Ni  fue  menor  que  el  de  otros  elementos.  La  razón  más  importante  puede  ser  que  sus   La  comunidad  representa  el  comportamiento  de  vida  de  los  habitantes  del  área  de  estudio,  lo  que  
fuentes  fueran  de  fuentes  naturales.  Los  resultados  del  ACP  (Cuadro  2)  indicaron  que  la  fuente   sugiere  que  los  metales  pesados  (loid)  afectan  la  salud  humana  en  un  parque  multifuncional  de  
natural  (factor  suelo  2)  explicaba  la  mayor  parte  de  las  fuentes  de  Ni  y  parte  de  las  de  Cr.  Esto  fue   este  tipo  y  el  comportamiento  de  vida  humano  puede  contribuir  a  los  metales  pesados  (loid)  en  el  
consistente  con  los  resultados  de  varios  estudios  existentes  de  que  los  elementos  agrupados  con   suelo  y  el  polvo.
Cr  y  Ni  a  menudo  se  consideraban  asociados  con  fuentes  naturales  (Cai  et  al.,  2019;  Wang  et  al.,   Además,  la  planta  metalúrgica  no  se  identificó  como  una  fuente  importante  de  metales  pesados  
2020b;  Liu  et  al.,  2021). del  suelo  en  el  modelo  de  regresión.  Esto  difería  de  estudios  previos  en  los  que  las  plantas  
metalúrgicas  causaban  una  grave  contaminación  en  el  área  circundante  (Roels  et  al.,  1978;  
Izydorczyk  et  al.,  2021).  Una  de  las  principales  razones  es  que  esta  planta  se  dedica  principalmente  
Para  el  polvo,  el  R2  de  Ni,  Cu,  Zn,  Mn  y  Sb  del  Modelo  3  fue  mayor  que  el  de  los  Modelos  1  y   al  procesamiento  de  metales  en  lugar  de  a  la  fundición  de  metales.  La  extracción  y  fundición  del  
2.  El  R2  del  Modelo  1  fue  alto  en  Hg  y  Cd,  y  el  R2  del  Modelo  2  fue  alto  en  Cr,  As  y  Pb.  En   mineral  de  cobre  en  el  área  de  estudio  se  llevó  a  cabo  en  el  área  de  la  mina,  mientras  que  la  planta  
consecuencia,  el  valor  de  la  ecuación  de  regresión  (RMSE)  del  elemento  polvo  también  presentó   metalúrgica  del  parque  realiza  principalmente  el  posprocesamiento.  En  comparación  con  la  minería  
una  tendencia  similar.  Por  lo  tanto,  en  base  a  los  resultados  de  la  validación,  se  seleccionó  el   y  la  fundición,  la  planta  de  procesamiento  de  metales  por  lo  general  presentó  una  menor  
método  del  Modelo  1  de  suelo,  mientras  que  se  seleccionó  el  método  del  Modelo  3  de  polvo  para   contaminación  y  riesgo  de  metales  pesados  (Hutter  et  al.,  2016b;  Klasson  et  al.,  2016).
el  análisis  de  fuente  posterior.
Además,  en  este  estudio,  se  eligieron  las  distancias  más  cortas  tanto  en  el  Geodetector  como  
en  el  MLRD.  Teniendo  en  cuenta  que  la  fuente  lineal  de  la  carretera  afecta  el  contenido  de  metales  
3.4.2.  Fuentes  de  elementos  identificados  por  los  modelos  de  regresión pesados  a  través  de  la  deposición  atmosférica,  este  proceso  se  vio  afectado  por  la  dirección  del  
La  capacidad  de  identificar  cuantitativamente  las  fuentes  de  contaminación  fue  una  de  las   viento  (Lv,  2019;  Zhang  et  al.,  2019).  Y  al  calcular  la  distancia  entre  la  carretera  y  el  punto  de  
características  más  importantes  de  los  modelos  de  regresión  basados  en  la  distancia  en  comparación   recepción,  la  distancia  no  se  calculó  según  la  dirección  del  viento.  Esto  puede  agregar  incertidumbre  
con  el  modelo  PMF.  La  Fig.  7  muestra  el  modelo  de  regresión  para  metales  pesados  (loides)  en   a  los  resultados.
suelo  y  polvo  (Tabla  S4­5).
La  Fig.  7  muestra  las  fuentes  de  elementos  de  suelo  y  polvo  obtenidos  por  PCA  Geodetector­
MLRD.  El  río  y  las  zonas  mineras  fueron  los  principales  factores  que  explican  la  fuente  de  metales   3.5.  Comparación  del  PCA­Geodetector­MLRD  establecido  con  el  PMF  de  uso  común  en  
pesados  (loid)  en  el  suelo.  El  río  fue  la  fuente  más  probable  de  contaminación  por  Cu,  Zn,  Hg,  As,   términos  de  identificación  de  fuente
Pb,  Cd  y  Mn.  El  área  minera  fue  la  fuente  más  importante  de  Sb  y  explica  parte  de  las  fuentes  de  
Cr,  Ni  y  Mn.  Se  utilizó  R2  para  medir  el  grado  de  explicación  de  las  variables  mediante  la  ecuación   3.5.1.  Resultados  del  modelo  PMF

de  regresión.  Los  valores  de  R2  de  Cu,  Zn,  Hg,  As,  Pb,  Mn  y  Sb  superan  0,5,  lo  que  implica  que  el   La  figura  8  muestra  los  resultados  del  modelo  PMF.  La  Fig.  8(a)  muestra  los  resultados  
modelo analíticos  del  suelo.  El  poder  explicativo  del  Factor  1  sobre  Cr,  Ni,  Hg  y  Mn  fue  evidentemente  más  
fuerte  que  el  de  los  otros  elementos.  El  Cr  y  el  Ni  en  el  suelo  se  originaron  principalmente  a  partir  
de  materiales  parentales  (Jiang  et  al.,  2017;  Liu  et  al.,  2021).  El  factor  1  se  consideró  como  el  

Cuadro  3   material  original  de  la  formación  del  suelo.  El  factor  2  tiene  cierto  efecto  explicativo  sobre  todos  los  

Resultados  de  la  validación  de  los  modelos  de  regresión  de  elementos  de  suelo  y  polvo. metales,  excepto  el  Sb  (Zhuo  et  al.,  2019).  Zhang  et  al.  (2019)  creían  que  era  más  probable  que  Sb  
provenga  de  actividades  industriales.  Aquí,  también  se  especuló  que  el  Factor  2  era  una  fuente  
R2 RMSE
industrial.  Además,  las  categorías  de  fuentes  específicas  deben  estudiarse  más  a  fondo.  El  factor  3  
modelo  1  modelo  2  modelo  3  modelo  1  modelo  2  modelo  3 tiene  una  contribución  similar  al  Cr,  Ni,  Cu  y  As,  es  decir,  aproximadamente  40  %.  Se  consideró  
Cr  del  suelo  0.02 0.14 0.16 17.177 20.894 18.234 que  el  Cr  y  el  Ni  en  el  suelo  procedían  principalmente  de  fuentes  naturales  (Jiang  et  al.,  2017;  Liu  
a  0,06 0.05 0.07 15.271 15.717 14.231 et  al.,  2021).  Mientras  tanto,  se  consideró  que  el  Cu  y  el  As  provenían  de  fuentes  antropogénicas  
Cu  0,78  Zn   0,63   0,50   194.409  226.523  241.881  143.902  
(Fei  et  al.,  2020).  El  tipo  de  Factor  3  no  estaba  claro.  El  factor  4  explicó  fuertemente  Cu,  Zn,  As,  Pb,  
0,78  Hg  0,69   0,65 0,46 285.916  208.427
Cd  y  Mn  (62,1  %,  53,9  %,  37,4  %,  54,3  %,  72,2  %  y  35,4  %,  respectivamente).  Las  actividades  
As  0,80  Pb   0.18 0.17 0.014 0.023 0.022
0,75  Cd  0,76 0.71 0.57 13.041 22.318 20.609 agrícolas,  como  los  fertilizantes  fosfatados,  los  pesticidas,  los  fertilizantes  orgánicos  y  el  riego  con  
0,63 0,55 41.817 49.557 55.277 aguas  residuales,  generalmente  proporcionaban  grandes  cantidades  de  Cd  (Shao  et  al.,  2016;  Fei  
0,53 0.44 2.670 2.956 3.180 et  al.,  2020).  Múltiples  estudios  que  utilizaron  el  modelo  PMF  para  el  análisis  de  fuentes  de  metales  
manganeso  0,71 0.19 0.48 538.040  752.680  640.201
pesados  (loides)  mostraron  que  los  factores  con  un  fuerte  efecto  explicativo  sobre  los  elementos  
Sb  0.25  Polvo   0,01   0,21   1.755   2.195   2.642  
Cr  0.04 0,40 0,17 64.838 42.472 58.724 Cd,  Cu  y  As  probablemente  se  originaron  en  actividades  agrícolas  (Fei  et  al.,  2020;  Liu  et  al . ,  
A  las  0,33 0,61 0,68 11.740 10.393 9.155 2021).  En  este  estudio,  el  parque  industrial  solía  ser  un  terreno  agrícola  en  la  etapa  inicial.  Por  lo  
con  0.57 0,69 0.70 126.601 138.350  124.671 tanto,  el  Factor  4  puede  representar  actividades  agrícolas.
Zn  0,33 0.77 0.75 71.073 54.293 43.169
Hg  0,58  Como   0.51 0.50 0.007 0.041 0.027
0,36 0.58 0.57 9.857 13.445 11.828
Pb  0,50  Cd   0,77   0,74   6.087   15.027   9.081  
0,46 0,22 0,21 0.147 0.315 0.235
manganeso  0,77 0,68 0.86 182.800  254.455  140.290 La  Fig.  8(b)  muestra  los  resultados  analíticos  de  las  fuentes  de  metales  pesados  (loides)  en  el  
Sb  0,59 0,53 0.74 0.751 1.135 0.747
polvo.  El  factor  1  explica  algunas  de  las  fuentes  de  Ni,  Mn  y  Sb.

9
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Fig.  7.  R2  está  determinado  por  el  coeficiente  de  determinación  de  la  ecuación  de  regresión  para  cada  elemento.  (a)  
Fuentes  de  elementos  de  suelo  y  polvo  obtenidos  por  PCA­Geodetector­MLRD.  (b)  (a):  las  fuentes  de  los  elementos  del  suelo;  (b):  las  fuentes  de  elementos  de  polvo.

Estudios  previos  (Filella  et  al.,  2009;  Mandal  et  al.,  2021)  señalaron  factores  naturales,   probablemente  represente  la  deposición  atmosférica  causada  por  actividades  
como  la  meteorización  de  las  rocas,  y  factores  antropogénicos,  como  las  actividades   humanas.  El  factor  3  aportó  otra  parte  de  la  fuente  de  Ni  y  Hg.  También  se  consideró  
de  minería  y  fundición,  las  emisiones  de  los  vehículos  y  los  fertilizantes  agrícolas,   que  el  Ni  tenía  una  relación  parcial  con  las  fuentes  naturales.
como  fuentes  potenciales  de  Sb.  La  contribución  del  Factor  1  a  otros  elementos   De  acuerdo  con  el  análisis  anterior,  el  Hg  puede  provenir  de  actividades  humanas.
también  fue  baja,  por  lo  que  el  Factor  1  puede  representar  una  fuente  natural.  El   Por  lo  tanto,  el  tipo  de  Factor  3  no  estaba  claro.  El  factor  4  explica  principalmente  las  
poder  explicativo  del  Factor  2  fue  obviamente  más  fuerte  que  el  del  Factor  1,  que   fuentes  de  Cu  y  Zn.  Las  actividades  locales  de  minería  y  fundición  de  cobre  pueden  
juega  un  papel  importante  en  la  explicación  de  las  fuentes  de  Zn,  Hg,  Pb,  Cd,  Mn  y   generar  altos  niveles  de  Cu  en  el  polvo.  El  factor  4  puede  estar  relacionado  con  las  
Sb.  La  tasa  de  cotización  alcanzó  el  25  %,  53  %,  50  %,  45  %,  35  %  y  54  %.  Se   actividades  de  fundición  de  minerales.  El  factor  5  explica  las  principales  fuentes  de  
consideró  que  el  Hg  estaba  estrechamente  relacionado  con  la  deposición  atmosférica   Cr,  As  y  Cd,  así  como  de  Cu  y  Zn.  As  y  Cd  fueron  indicadores  importantes  utilizados  
(Zhang  et  al.,  2019).  Pb  a  menudo  se  consideraba  un  indicador  importante  de  la   para  juzgar  las  fuentes  antropogénicas  (Yoon  et  al.,  2022).  Las  actividades  agrícolas,  
fuente  de  tráfico  (Lv,  2019).  Por  lo  tanto,  el  Factor  2  fue como  la  aplicación  de  pesticidas  y  el  riego  de  aguas  residuales,  a  menudo  proporcionan

10
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Fig.  8.  Resultados  del  análisis  de  origen  de  los  metales  pesados  (loides)  del  suelo  (a)  y  el  polvo  (b)  mediante  el  modelo  PMF.

grandes  cantidades  de  Cd  (Lv,  2019).  Como  se  asoció  con  las  actividades  mineras,   Las  investigaciones  de  campo  en  esta  área  mostraron  que  el  suelo  en  el  parque  
el  uso  de  fertilizantes  fosfatados,  los  herbicidas  y  pesticidas  en  áreas  agrícolas   industrial  del  área  de  estudio  se  utilizó  como  tierra  agrícola  en  una  etapa  temprana,  
(Yoon  et  al.,  2022).  En  este  estudio,  las  fuentes  antropogénicas  que  pueden   y  esta  área  estaba  cerca  de  un  río  que  fluía  río  arriba  a  través  del  área  minera  
descargar  estas  sustancias  incluyeron  las  primeras  actividades  agrícolas  (como  el   (Wang  et  al.,  2019) .  Sun  (2013)  combinó  microscopía  isotópica  y  electrónica  de  
riego  de  aguas  residuales)  y  las  aguas  residuales  y  las  emisiones  de  escape  de  las   barrido  para  probar  el  contenido  de  metales  pesados  en  el  río  y  encontró  que  más  
actividades  de  minería  y  fundición.  Por  lo  tanto,  el  Factor  5  puede  representar  la   del  55  %  de  los  puntos  estaban  gravemente  contaminados.  Otro  estudio  local  
actividad  agrícola.  Para  la  incertidumbre  del  resultado,  Qtrue  y  Qrobust  son  dos   (Jiang  et  al.,  2018)  mostró  que  el  Cd  en  el  suelo  provenía  principalmente  de  la  
conjuntos  de  datos  Q  utilizados  en  el  modelo  PMF  (Wang  et  al.,  2021b).  El  número   minería  y  el  riego  con  agua  contaminada.  Xu  et  al.  (2013)  y  Shen  et  al.  (2019)  
de  factores  fue  determinado  por  el  Qrobust  más  bajo.  La  estimación  del  error   encontraron  que  las  actividades  mineras  locales  eran  la  razón  principal  del  alto  
aportada  por  la  fuente  del  modelo  PMF  se  determinó  mediante  los  métodos  DISP   contenido  de  metales  pesados  en  el  suelo  y  el  río.  Por  lo  tanto,  se  sugiere  que  una  
y  BS  (Figs.  S1–4).  Los  errores  de  la  ejecución  base  estaban  todos  dentro  del  rango   de  las  fuentes  de  contaminación  por  metales  pesados  (loid)  del  suelo  es  el  riego  
intercuartílico  (25  a  75)  de  las  ejecuciones  BS  y  DISP,  lo  que  indica  que  los  errores   con  agua  de  río  que  transporta  metales  pesados  (loid)  s.
de  ajuste  de  la  ejecución  base  PMF  estaban  todos  dentro  del  rango  aceptable   Múltiples  factores  fueron  identificados  por  el  método  PMF.  A  diferencia  de  PCA  
(Paatero  et  al.,  2003;  Yang  et  al .  al.,  2021b). Geodetector­MLRD,  estos  factores  deben  definirse  y  especificarse  más  (Fig.  9).  
Por  ejemplo,  el  factor  4  de  metal  pesado  (loide)  del  suelo  identificado  por  el  modelo  
3.5.2.  Comparación  de  resultados  de  identificación  de  fuentes  por  el  modelo  PCA­ PMF,  que  tiene  una  fuerte  interpretación  para  Cu,  Zn,  As,  Pb  y  Cd,  tiene  una  alta  
Geodetector  MLRD  y  PMF probabilidad  de  ser  una  fuente  antropogénica.  Según  Shao  et  al.  (2016)  y  Fei  et  al.  
Se  compararon  las  fuentes  de  metales  pesados  (loides)  identificadas  por  los   (2020),  las  actividades  agrícolas  pueden  proporcionar  grandes  cantidades  de  Cd.  
modelos  PCA­Geodetector  MLRD  y  PMF  (Fig.  9).  De  acuerdo  con  los  resultados   Y  múltiples  estudios  sugirieron  que  los  factores  que  contribuyen  a  Cd,  Cu  y  As  
del  modelo  PCA­Geodetector­MLRD,  el  río  fue  la  fuente  más  importante  de   estaban  principalmente  relacionados  con  las  actividades  agrícolas  (Fei  et  al.,  2020;  
contaminación  de  metales  pesados  (loid)  en  el  suelo,  mostrando  un  fuerte  poder   Liu  et  al.,  2021).  En  combinación  con  los  resultados  del  estudio  de  campo  del  
explicativo  para  las  fuentes  de  Cu,  Zn,  Hg,  As,  Pb ,  y  CD. parque,  esta  fuente  podría  ser  una  fuente  agrícola.

11
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

Fig.  9.  Comparación  de  resultados  de  identificación  de  fuentes  entre  el  modelo  PCA­Geodetector­MLRD  y  PMF.

actividad  (Liu  et  al.,  2021). 4.  Conclusión
La  comparación  anterior  mostró  que  había  diferencias  en  las  fuentes  obtenidas  
por  los  dos  métodos.  La  razón  principal  fue  que  Geo  detector  y  MLRD  pueden   En  este  estudio,  se  utilizó  el  método  PCA­Geodetector­MLRD  para  la  identificación  
expresar  los  posibles  objetivos  y  ubicaciones  correspondientes  a  los  tipos  de  fuentes   de  la  fuente.  El  enfoque  PCA­MLRD  utiliza  un  enfoque  cuantitativo  en  lugar  de  solo  
identificados  por  PCA.  Por  lo  tanto,  se  consideró  que  el  método  PCA  Geodetector­ cualitativo  para  identificar  fuentes,  y  la  combinación  con  Geodetector  reduce  aún  más  
MLRD  tenía  ciertas  ventajas  en  la  identificación  de  la  ubicación  de  la  fuente  sobre  el   la  subjetividad  en  la  detección  de  fuentes  potenciales.  La  fuente  identificada  por  este  
modelo  PMF. método  fue  más  específica  que  el  método  PMF.  La  combinación  de  Geodetector  y  
Si  bien,  el  método  PCA­Geodetector­MLRD  también  tiene  deficiencias,  como  la   PCA­MLRD  se  aplicó  al  parque  industrial  multifuncional,  lo  que  permitió  la  identificación  
incapacidad  de  analizar  cuantitativamente  algunas  fuentes  no  puntuales,  incluida  la   y  localización  de  fuentes  de  metales  pesados  (loides).  El  método  PCA­Geodetector­
influencia  de  los  materiales  originales  del  suelo  y  la  deposición  atmosférica.  El   MLRD  utilizado  en  este  estudio  puede  proporcionar  nueva  información  para  los  
estudio  intentó  convertir  las  fuentes  no  puntuales  en  un  tratamiento  de  fuente  puntual.   métodos  de  análisis  de  fuentes,  lo  que  también  proporcionará  una  base  para  el  
Se  identificaron  un  área  minera  y  una  planta  metalúrgica  como  objetivos  para   desarrollo  posterior  de  métodos  de  identificación  de  fuentes  más  completos  y  precisos.
representar  un  hundimiento  atmosférico  parcial.  Además,  el  comportamiento  de  vida  
de  los  residentes  en  el  parque  industrial  también  puede  ser  una  fuente  no  puntual.  La  
distancia  a  la  comunidad  fue  seleccionada  para  representar  este  factor.  Los  resultados   Además,  los  niveles  de  riesgo  del  suelo  difieren  en  varios  niveles.  La  mayoría  de  
de  PCA  pueden  indicar  la  influencia  de  fuentes  naturales los  metales  pesados  (loides),  como  el  Hg  y  el  As,  muestran  una  mayor  concentración  
(como  el  material  original  del  suelo),  pero  la  importancia  de  este  factor  no  recibió   en  el  polvo  que  en  el  suelo.  Sin  embargo,  el  Cd  y  el  Pb  muestran  una  mayor  
atención  en  los  pasos  de  investigación  posteriores.  Esta  deficiencia  de  PCA­ concentración  en  el  suelo  que  en  el  polvo.  Las  fuentes  principales  también  fueron  
Geodetector­MLRD  debe  abordarse  en  trabajos  futuros. diferentes.  Los  metales  pesados  (loid)  del  suelo  provienen  principalmente  del  río,  
En  general,  para  la  gestión  de  riesgos  de  un  área  determinada,  la  fuente  puede   mientras  que  los  metales  (loid)  del  polvo  se  asociaron  con  la  carretera  y  la  mina.  La  diferencia  entr
ser  difícil  de  gestionar  cuando  solo  se  conoce  el  tipo  de  fuente  (la  ubicación  es   el  suelo  y  el  polvo  indican  que  las  fuentes  de  metales  pesados  (loides)  eran  complejas  
incierta).  Porque  algunas  áreas  pueden  tener  varias  fuentes  que  pertenecen  a  la   dentro  y  fuera  del  parque.  El  estudio  actual  puede  proporcionar  información  útil  para  
misma  categoría.  Por  ejemplo,  el  área  minera  y  la  planta  metalúrgica  en  este  estudio   la  gestión  ambiental.
eran  todas  actividades  industriales.
Las  fuentes  obtenidas  por  el  modelo  PMF  fueron  difíciles  de  usar  para  una  mayor   Implicación  ambiental
localización  de  fuentes.  Pero  el  método  PCA­Geodetector­MLRD  se  puede  usar  con  
la  distancia  para  cuantificar  si  una  posible  fuente  (con  ubicación  conocida)  fue  el   Los  métodos  de  análisis  de  fuentes  existentes  se  basan  en  juicios  subjetivos  a  la  
principal  factor  fuente.  Este  enfoque  tiene  una  gran  operatividad  y  un  valor  importante   hora  de  concretar  los  factores  principales.  Este  estudio  propuso  un  método  modificado  
en  el  análisis  de  fuentes  y  la  gestión  de  riesgos  de  contaminación  del  suelo  en  un   para  el  uso  combinado  de  Geodetector  y  PCA­MLRD.  Factor
entorno  complicado. La  detección  proporciona  herramientas  cuantitativas  para  determinar  los  principales  
factores  componentes  y  detectar  posibles  fuentes  de  contaminación.  El  principal

12
Machine Translated by Google

W.  Zeng  et  al.   
Revista  de  materiales  peligrosos  438  (2022)  129468

las  fuentes  de  contaminación  de  elementos  específicos  se  identificaron  además  mediante   Corredor  Hexi,  noroeste  de  China.  Quimiosfera  193,  189–197.  https://doi.org/10.1016/
la  ecuación  de  regresión.  Y  la  combinación  de  suelo  y  polvo  indicó  que  los  metales   j.chemosphere.2017.10.151 .
Guan,  Q.,  Zhao,  R.,  Pan,  N.,  Wang,  F.,  Yang,  Y.,  Luo,  H.,  2019.  Prorrateo  en  la  fuente  de  metales  pesados  en  suelo  
pesados  del  suelo  están  estrechamente  asociados  con  los  ríos,  mientras  que  el  polvo  
agrícola  de  Wuwei,  China:  comparación  de  tres  modelos  de  receptores .  J.  Limpio.  Pinchar.  237,  
está  más  asociado  con  las  carreteras.
117792  https://doi.org/10.1016/j.  jclepro.2019.117792.

Hakanson,  L.,  1980.  Un  índice  de  riesgo  ecológico  para  el  control  de  la  contaminación  acuática:  un
Declaración  de  contribución  de  autoría  CRediT
enfoque  sedimentológico.  Agua  Res.  14,  975–1001.  https://doi.org/10.1016/  0043­1354(80)90143­8.

Weibin  Zeng:  Metodología,  Investigación,  Redacción  –  borrador  original,  Visualización.   Han,  Q.,  Liu,  Y.,  Feng,  X.,  Mao,  P.,  Sun,  A.,  Wang,  M.,  Wang,  M.,  2021.  Evaluación  del  efecto  de  la  contaminación  
de  las  actividades  industriales  en  la  distribución  de  metales  potencialmente  tóxicos  en  el  alféizar  de  
Xiaoming  Wan:  Conceptualización,  Escritura  ­  revisión  y  edición,  Lingqing  Wang:  
la  ventana  polvo  y  suelo  superficial  en  el  centro  de  China.  ciencia  Entorno  Total.  759,  144023  https://doi.org/
Investigación,  Recursos.  Gaoquan  Gu:  Escritura  –  revisión  y  edición,  Visualización.  Mei   10.1016/j.scitotenv.2020.144023.
Lei:  Recursos,  Supervisión.  Tongbin  Chen:  Recursos,  Supervisión. Hu,  YN,  He,  KL,  Sun,  ZH,  Chen,  G.,  Cheng,  HF,  2020.  Fuente  cuantitativa
distribución  de  metales  pesados  (loides)  en  los  suelos  agrícolas  de  una  región  industrializada  e  incertidumbre  
del  modelo  asociado.  J.  Peligro.  Mate.  391,  122244  https://doi.  org/10.1016/j.jhazmat.2020.122244.

Huang,  J.,  Wu,  Y.,  Sun,  J.,  Li,  X.,  Geng,  X.,  Zhao,  M.,  Sun,  T.,  Fan,  Z.,  2021.  Evaluación  de  riesgos  para  la  salud  de  
Declaración  de  interés  en  competencia
metales  pesados  (loid )s  en  suelos  de  parques  de  la  megaciudad  más  grande  de  China  mediante  el  uso  de  
la  simulación  de  Monte  Carlo  junto  con  el  modelo  de  factorización  de  matriz  positiva.
Los  autores  declaran  que  no  tienen  intereses  financieros  en  competencia  ni  relaciones   J.  Peligro.  Mate.  415,  125629  https://doi.org/10.1016/j.jhazmat.2021.125629.
Huang ,  Y. ,  Deng ,  M. ,  Wu ,  S. ,  Japenga ,  J. ,  Li ,  T. ,  Yang ,  X. ,  He ,  Z. ,  2018
personales  conocidas  que  pudieran  haber  influido  en  el  trabajo  informado  en  este  
modelo  de  receptor  para  la  distribución  de  fuentes  de  contaminación  por  metales  pesados  en  el  suelo.  J.  Peligro.
documento. Mate.  354,  161–169.  https://doi.org/10.1016/j.jhazmat.2018.05.006.
Hutter,  H.­P.,  Wallner,  P.,  Moshammer,  H.,  Marsh,  G.,  2016b.  Niveles  de  polvo  y  cobalto  en  la  industria  austriaca  de  
tungsteno:  datos  de  biomonitoreo  humano  y  del  lugar  de  trabajo.  En  t.  j
Disponibilidad  de  datos
Reinar.  Res.  Salud  Pública  13.  https://doi.org/10.3390/ijerph13090931.
Izydorczyk,  G.,  Mikula,  K.,  Skrzypczak,  D.,  Moustakas,  K.,  Witek­Krowiak,  A.,
Los  datos  estarán  disponibles  a  petición. Chojnacka,  K.,  2021.  Contaminación  ambiental  potencial  de  la  metalurgia  del  cobre  y  métodos  de  gestión.  
Reinar.  Res.  197,  111050  https://doi.org/10.1016/j.  envres.2021.111050.

Reconocimiento Jia,  X.,  Hu,  B.,  Marchant,  BP,  Zhou,  L.,  Shi,  Z.,  Zhu,  Y.,  2019.  Un  estudio  metodológico
marco  para  identificar  fuentes  potenciales  de  contaminación  por  metales  pesados  del  suelo  basado  en  el  
aprendizaje  automático:  un  estudio  de  caso  en  el  delta  del  Yangtze,  China.  Reinar.  contaminar  250,  601–
Este  trabajo  fue  apoyado  por  el  Programa  Nacional  de  Investigación  y  Desarrollo  
609.  https://doi.org/10.1016/j.envpol.2019.04.047.
Clave  de  China  (Subvención  No.  2018YFC1800302)  y  la  Academia  de  Innovación  para   Jiang,  H.,  Nie,  J.,  Fan,  S.,  Yin,  G.,  Ma,  Y.,  Ma,  T.,  Wang,  Q.,  Shi,  R.,  2018.  Integración  de  GIS  
para  determinar  la  distribución  espacial  de  componentes  principales  y  las  fuentes  de  
la  Fabricación  Verde  de  la  Academia  de  Ciencias  de  China  (Subvención  No.  IAGM­2019­
metales  pesados  en  suelos  agrícolas  cerca  del  área  minera  en  Tongling,  China.  
A16­5). Fresenius  Entorno.  Toro.  27,  2662–2670.

Jiang,  YX,  Chao,  SH,  Liu,  JW,  Yang,  Y.,  Chen,  YJ,  Zhang,  AC,  Cao,  HB,  2017.
Apéndice  A.  Información  de  apoyo Asignación  de  fuentes  y  evaluación  de  riesgos  para  la  salud  de  metales  pesados  en  el  suelo  para  un  
municipio  en  la  provincia  de  Jiangsu,  China.  Quimiosfera  168,  1658–1668.  https://doi.  org/10.1016/
j.chemosphere.2016.11.088.
Los  datos  complementarios  asociados  con  este  artículo  se  pueden  encontrar  en  la   Klasson,  M.,  Bryngelsson,  IL,  Pettersson,  C.,  Husby,  B.,  Arvidsson,  H.,  Westberg,  H.,  2016.  Exposición  
versión  en  línea  en  doi:10.1016/j.jhazmat.2022.129468. ocupacional  al  cobalto  y  al  tungsteno  en  la  industria  sueca  de  metales  duros:  concentraciones  en  el  aire  
de  masa  de  partículas,  número  y  superficie.  Ana.  ocupar
Hig.  60,  684–699.  https://doi.org/10.1093/annhyg/mew023.
Referencias Kuang,  Y.,  Fang,  FM,  Li,  YB,  Lin,  YS,  Yao,  YR,  Wu,  MH,  Wu,  HJ,  Wang,  Y.,  2018.
Concentraciones  y  evaluación  de  la  contaminación  por  mercurio  en  suelos  agrícolas  del  área  minera  
Xinqiao  de  Tongling,  Anhui,  China  (en  chino).  Ying  yong  sheng  tai  xue  bao  =  J.  Appl.  Ecol.  29,  2746–2752.
Cai,  L.,  Wang,  Q.,  Wen,  H.,  Luo,  J.,  Wang,  S.,  2019.  Metales  pesados  en  suelos  agrícolas  de  un  municipio  típico  
en  la  provincia  de  Guangdong,  China:  Ocurrencias  y  distribución  espacial.  ecotoxicol.  Reinar.  seguro  168,  
Li,  R.,  Pan,  C.,  Chen,  J.,  Jiang,  Y.,  Ding,  G.,  2012.  Contaminación  por  metales  pesados  y  evaluación  de  riesgos  para  
184–191.  https://doi.org/10.1016/j.
la  salud  de  la  capa  superior  del  suelo  urbano  y  el  polvo  en  la  ciudad  de  Tongling  (en  chino).  Entorno  de  
ecoenv.2018.10.092.
China .  ciencia  32,  2261–2270.
Chang,  S.­H.,  Wang,  K.­S.,  Chang,  H.­F.,  Ni,  W.­W.,  Wu,  B.­J.,  Wong,  R.­H.,  Lee,  H.­S.,  2009.  Comparación  de  la  
Li,  W.,  Wu,  J.,  Zhou,  C.,  Nsabimana,  A.,  2021.  Fuente  de  contaminación  de  aguas  subterráneas
identificación  de  la  fuente  de  metales  en  el  polvo  y  el  suelo  de  las  carreteras.  Contaminación  de  
identificación  y  distribución  utilizando  modelos  de  receptor  PMF  y  PCA­APCS­MLR  en  la  ciudad  de  Tongchuan,  
sedimentos  del  suelo.  En  t.  J.  18,  669–683.  https://doi.org/10.1080/
15320380903085691. China.  Arco.  Reinar.  contacto  Toxicol.  81,  397–413.  https://doi.  org/10.1007/s00244­021­00877­5.

Chen,  X.,  Lu,  X.,  2018.  Características  de  contaminación  y  distribución  de  fuentes  de  metales  pesados  en  la  capa  
Liu,  G.,  Shi,  Y.,  Guo,  G.,  Zhao,  L.,  Niu,  J.,  Zhang,  C.,  2020.  Características  de  la  contaminación  del  suelo  y  evaluación  
superior  del  suelo  de  un  área  en  la  ciudad  de  Xi'an,  China.  ecotoxicol.  Reinar.  seguro  151,  153–160.  https://
del  riesgo  ambiental  sistémico  de  un  sitio  contaminado  con  escoria  de  arsénico  a  gran  escala.  
doi.org/10.1016/j.ecoenv.2018.01.010.
J.  Limpio.  Pinchar.  251,  119721  https://doi.org/10.1016/j.  jclepro.2019.119721.
Cui,  Z.,  Wang,  Y.,  Zhao,  N.,  Yu,  R.,  Xu,  G.,  Yu,  Y.,  2018.  Distribución  espacial  y  evaluación  de  riesgos  de  metales  
pesados  en  suelos  de  arrozales  del  área  de  riego  de  yongshuyu  del  río  Songhua  Cuenca,  noreste  de  
Liu,  H.,  Zhang,  Y.,  Yang,  J.,  Wang,  H.,  Li,  Y.,  Shi,  Y.,  Li,  D.,  Holm,  PE,  Ou,  Q.,  Hu,  W.,  2021  Distribución  cuantitativa  
China.  Mentón.  Geogr.  ciencia  28,  797–809.  https://doi.  org/10.1007/s11769­018­0991­1.
de  fuentes,  evaluación  de  riesgos  y  distribución  de  metales  pesados  en  suelos  agrícolas  del  sur  de  la  península  
de  Shandong  en  China.  ciencia  Entorno  Total.  767,  144879  https://doi.org/10.1016/j.scitotenv.2020.144879.
Deng,  MH,  Zhu,  YW,  Shao,  K.,  Zhang,  Q.,  Ye,  GH,  Shen,  J.,  2020.  Fuente  de  metales
distribución  en  el  suelo  de  las  tierras  de  cultivo  y  la  predicción  de  la  transferencia  de  metales  en  la  cadena  
Long,  Z.,  Zhu,  H.,  Bing,  H.,  Tian,  X.,  Wang,  Z.,  Wang,  X.,  Wu,  Y.,  2021.  Contaminación,  fuentes  y  riesgo  para  la  
humana  suelo­arroz.  J.  Medio  Ambiente.  Administrar  260.  https://doi.org/10.1016/j.  
salud  de  los  metales  pesados  en  el  suelo  y  el  polvo  de  diferentes  áreas  funcionales  en  una  ciudad  industrial  
jenvman.2020.110092.
de  la  ciudad  de  Panzhihua,  suroeste  de  China.  J.  Peligro.  Mate.  420,  126638  https://doi.org/10.1016/
Dhaliwal,  SS,  Singh,  J.,  Taneja,  PK,  Mandal,  A.,  2020.  Técnicas  de  remediación  para  la  eliminación  de  metales  
j.jhazmat.2021.126638.
pesados  del  suelo  contaminado  a  través  de  diferentes  fuentes:  una  revisión.  Reinar.  ciencia  contaminar  
Luo,  H.,  Wang,  Q.,  Guan,  Q.,  Ma,  Y.,  Ni,  F.,  Yang,  E.,  Zhang,  J.,  2022.  Niveles  de  contaminación  por  metales  
Res.  27,  1319–1333.  https://doi.org/10.1007/s11356­019­06967­1 .
pesados,  distribución  de  fuentes  y  evaluación  de  riesgos  en  tormentas  de  polvo  en  ciudades  clave  del  
noroeste  de  China.  J.  Peligro.  Mate.  422,  126878  https://doi.org/10.1016/j.  jhazmat.2021.126878.
Fei,  X.,  Lou,  Z.,  Xiao,  R.,  Ren,  Z.,  Lv,  X.,  2020.  Evaluación  y  origen  de  la  contaminación
distribución  de  metales  pesados  en  suelos  agrícolas  a  través  de  la  síntesis  de  modelos  PMF  y  GeoDetector.  
Lv,  JS,  2019.  Modelos  de  receptores  multivariados  y  geoestadística  robusta  para  estimar  la  distribución  de  fuentes  
ciencia  Entorno  Total.  747,  141293  https://doi.org/10.1016/j.  scitotenv.2020.141293.
de  metales  pesados  en  suelos.  Reinar.  contaminar  244,  72–83.  https://doi.org/10.1016/j.envpol.2018.09.147 .

Filella,  M.,  Williams,  PA,  Belzile,  N.,  2009.  Antimonio  en  el  medio  ambiente:  conocidos  y  desconocidos.  Reinar.  
Mandal,  SK,  Ray,  R.,  Gonz´  alez,  AG,  Pokrovsky,  OS,  Jana,  TK,  2021.  Antimonio
química  6,  95–105.  https://doi.org/10.1071/EN09007.
´ absorción  por  los  manglares  y  su  destino  ambiental  en  los  Sundarbans,  India.  Estuar.
Gabarrón,  M.,  Faz,  A.,  Acosta,  JA,  2017a.  Efecto  de  diferentes  actividades  industriales  sobre  las  concentraciones  
Costa.  Estante  de  ciencia.  248,  106923  https://doi.org/10.1016/j.ecss.2020.106923.
de  metales  pesados  y  la  distribución  química  en  la  capa  superior  del  suelo  y  el  polvo  de  las  carreteras.
MEE,  Ministerio  de  Ecología  y  Medio  Ambiente  de  la  República  Popular  de  China,  2018.  Calidad  ambiental  del  suelo  
Reinar.  Ciencias  de  la  Tierra  76,  129.  https://doi.org/10.1007/s12665­017­6449­4.
´ Estándar  de  control  de  riesgos  para  la  contaminación  del  suelo  en  terrenos  urbanizables.   https://
Gabarrón,  M.,  Faz,  A.,  Acosta,  JA,  2017b.  Suelo  o  polvo  para  estudios  de  evaluación  de  riesgos  para  la  salud  en  
www.mee.gov.cn/ywgz/fgbz/bz/bzwb/trhj/201807/W02019062  6596188930731.pdf .
medio  urbano.  Arco.  Reinar.  contacto  Toxicol.  73,  442–455.  https://doi.  org/10.1007/s00244­017­0413­x.

Men,  C.,  Liu,  R.,  Xu,  L.,  Wang,  Q.,  Guo,  L.,  Miao,  Y.,  Shen,  Z.,  2020.  Fuente  específica
Guan,  Q.,  Wang,  F.,  Xu,  C.,  Pan,  N.,  Lin,  J.,  Zhao,  R.,  Yang,  Y.,  Luo,  H.,  2018.  Prorrateo  en  la  fuente  de  metales  
análisis  de  riesgos  ecológicos  e  identificación  de  fuentes  críticas  de  metales  pesados  en  el  polvo  de  las  carreteras
pesados  en  suelo  agrícola  basado  en  PMF:  un  estudio  de  caso  en

13
Machine Translated by Google

W.  Zeng  et  al.    Revista  de  materiales  peligrosos  438  (2022)  129468

en  Pekín,  China.  J.  Peligro.  Mate.  388,  121763  https://doi.org/10.1016/j.  jhazmat.2019.121763. Wang,  Y.,  Guo,  G.,  Zhang,  D.,  Lei,  M.,  2021b.  Un  método  integrado  para  la  fuente
distribución  de  metales  pesados  (loides)  en  suelos  agrícolas  y  análisis  de  incertidumbre  del  modelo.  
Paatero,  P.,  Hopke,  PK,  Hoppenstock,  J.,  Eberly,  SI,  2003.  Análisis  factorial  avanzado  de  las  distribuciones   Reinar.  contaminar  276,  116666  https://doi.org/10.1016/j.  envpol.2021.116666.
espaciales  de  PM2.5  en  el  este  de  los  Estados  Unidos.  Reinar.  ciencia  Tecnología  37,  2460–2476.  
https://doi.org/10.1021/es0261978. Wang,  Y.,  Zhang,  L.,  Wang,  J.,  Lv,  J.,  2020b.  Identificar  fuentes  cuantitativas  y  distribuciones  espaciales  de  
Paatero,  P.,  Tapper,  U.,  1994.  Factorización  de  matriz  positiva:  un  modelo  de  factor  no  negativo  con   elementos  potencialmente  tóxicos  en  suelos  mediante  el  uso  de  tres  modelos  de  receptores  y  simulación  
utilización  óptima  de  estimaciones  de  error  de  valores  de  datos.  Environmetrics  5,  111–126.   de  indicadores  secuenciales.  Chemosphere  242,  125266.  https://doi.org/  10.1016/
https://doi.org/10.1002/env.3170050203. j.chemosphere.2019.125266.
Parra ,  S. ,  Bravo ,  MA ,  Quiroz ,  W. ,  Moreno ,  T. ,  Karanasiou ,  A. ,  Font ,  O. ,  Vidal ,  V. ,  Cereceda­ Wu,  Q.,  Hu,  W.,  Wang,  H.,  Liu,  P.,  Wang,  X.,  Huang,  B.,  2021.  Distribución  espacial,  riesgo  ecológico  y  
Balic ,  F. ,  2014  métodos  estadísticos.  Quimio.  Intel.  Laboratorio.  sist.  138 ,  127–132 .  https:// fuentes  de  metales  pesados  en  suelos  de  un  área  típica  de  desarrollo  económico ,  Sudeste  de  
doi.org/10.1016/j.chemolab.2014.08.003 . China.  ciencia  Entorno  Total.  780,  146557  https://doi.  org/10.1016/j.scitotenv.2021.146557.

˘ G.,  2013.  Aplicación  de  factorización  de  matriz  positiva  para  la  distribución  de  fuentes  
Pekey,  H.,  Dogan,   Wu,  Y.,  Li,  X.,  Yu,  L.,  Wang,  T.,  Wang,  J.,  Liu,  T.,  2022.  Revisión  de  la  contaminación  por  metales  
de  metales  pesados  en  sedimentos:  una  comparación  con  un  estudio  de  análisis  de  factores  anterior.   pesados  del  suelo  en  China:  distribución  espacial,  fuentes  primarias  y  alternativas  de  
microquímica  J.  106,  233–237.  https://doi.org/10.1016/j. remediación .  Recurso.,  Conserv.  reciclar  181,  106261  https://doi.org/10.1016/j.
microc.2012.07.007. resconrec.2022.106261.
Pyatt,  FB,  Amos,  D.,  Grattan,  JP,  Pyatt,  AJ,  Terrell­Nield,  CE,  2002.  Invertebrados  de  antiguos  sitios  de   Wu,  Z.,  Zhang,  L.,  Xia,  T.,  Jia,  X.,  Li,  H.,  Wang,  S.,  2020.  Evaluación  cuantitativa  de  los  riesgos  para  la  
escombros  de  metales  pesados  y  vertederos  de  fundición  en  el  sur  de  Jordania:  su  distribución  y  uso   salud  humana  basada  en  metales  pesados  del  suelo  y  fuentes  de  PAH:  tome  un  sitio  industrial  de  
como  bioindicadores  de  contaminación  metalífera  derivada  de  fuentes  antiguas. Beijing  como  ejemplo  (en  chino).  Huanjing  Kexue  41,  4180–4196.  https://doi.org/10.13227/
J.  Medio  Árido.  52,  53–62.  https://doi.org/10.1006/jare.2002.0982. j.hjkx.201910152.
Qiao,  P.,  Dong,  N.,  Yang,  S.,  Gou,  Y.,  2021.  Análisis  cuantitativo  de  las  principales  fuentes  de  contaminantes   Xu,  D.,  Zhou,  P.,  Zhan,  J.,  Gao,  Y.,  Dou,  C.,  Sun,  Q.,  2013.  Evaluación  de  trazas  de  metal
en  los  suelos  alrededor  de  áreas  clave  basado  en  el  método  de  factorización  de  matriz  positiva.   biodisponibilidad  en  suelos  de  jardín  y  riesgos  para  la  salud  a  través  del  consumo  de  vegetales  en  las  
Reinar.  contaminar  273,  116518  https://doi.org/10.1016/j.  envpol.2021.116518. cercanías  del  área  minera  de  Tongling,  China.  ecotoxicol.  Reinar.  seguro  90,  103–111.  https://
doi.org/10.1016/j.ecoenv.2012.12.018.
Roels,  HA,  Buchet,  J.­P.,  Lauwerys,  R.,  Bruaux,  P.,  Claeys­Thoreau,  F.,  Lafontaine,  A.,  van  Overschelde,  J.,   Yang,  X.,  Yang,  Y.,  Wan,  Y.,  Wu,  R.,  Feng,  D.,  Li,  K.,  2021a.  Identificación  de  fuentes  y  distribución  integral  
Verduyn,  G.,  1978.  Plomo  y  cadmio  absorción  entre  los  niños  cerca  de  una  planta  de  metales  no   de  la  acumulación  de  metales  pesados  en  el  suelo  mediante  la  integración  de  paisajes,  vías  
ferrosos:  un  estudio  de  seguimiento  de  un  caso  de  prueba.  Reinar.  Res.  15,  290–308.  https://doi.org/ y  receptores  de  contaminación.  ciencia  Entorno  Total.  786,  147436  https://doi.org/10.1016/
10.1016/0013­9351(78)90105­6. j.scitotenv.2021.147436.
Roy,  S.,  Gupta,  SK,  Prakash,  J.,  Habib,  G.,  Baudh,  K.,  Nasr,  M.,  2019.  Evaluación  de  riesgos  ecológicos  y   Yang,  Y.,  Christakos,  G.,  Guo,  MW,  Xiao,  L.,  Huang,  W.,  2017.  Prorrateo  de  fuentes  cuantitativas  en  el  
para  la  salud  humana  de  la  contaminación  por  metales  pesados  en  el  polvo  de  las  carreteras  en  el   espacio­tiempo  de  los  incrementos  de  concentración  de  metales  pesados  en  el  suelo.  Reinar.  contaminar  
Territorio  de  la  Capital  Nacional  ( NCT)  de  Delhi,  India.  Reinar.  ciencia  contaminar  Res.  26,   223,  560–566.  https://doi.org/10.1016/j.envpol.2017.01.058.
30413–30425.  https://doi.org/10.1007/s11356­019­06216­5. Yang,  Y.,  Yang,  X.,  He,  MJ,  Christakos,  G.,  2020.  Más  allá  de  las  fuentes  de  contaminación
SAC,  Administración  de  Normalización  de  China,  2018.  Calidad  del  suelo:  orientación  sobre  el  muestreo identificación:  determinación  de  coberturas  terrestres  que  emiten  metales  pesados  del  suelo  mediante  
técnicas  (GB/T  36197–2018).  Beijing,  China. la  combinación  de  análisis  PCA/APCS,  GeoDetector  y  GIS.  Catena  185.  https://doi.org/10.1016/j.  
Safari,  Y.,  Delavar,  M.­A.,  2019.  La  influencia  de  la  contaminación  del  suelo  por  metales  pesados  en  la   catena.2019.104297.
idoneidad  de  la  tierra  para  el  cultivo  de  trigo  de  regadío  en  la  región  de  Zanjan,  al  noroeste  de  Irán.  Árabe.  j Yang,  S.,  Taylor,  D.,  Yang,  D.,  He,  M.,  Liu,  X.,  Xu,  J.,  2021b.  Un  marco  de  síntesis  que  utiliza  el  aprendizaje  
Geosci.  12,  21.  https://doi.org/10.1007/s12517­018­4190­2. automático  y  el  análisis  bivariado  espacial  para  identificar  los  impulsores  y  los  puntos  críticos  de  
Shao,  D.,  Zhan,  Y.,  Zhou,  W.,  Zhu,  L.,  2016.  Estado  actual  y  tendencia  temporal  de  los  metales  pesados  en   contaminación  por  metales  pesados  de  los  suelos  agrícolas.  Reinar.  contaminar  287,  117611  https://
suelos  agrícolas  de  la  región  del  delta  del  río  Yangtze:  estudio  de  campo  y  metanálisis.  Reinar.   doi.  org/10.1016/j.envpol.2021.117611.
contaminar  219,  329–336.  https://doi.org/10.1016/j.  envpol.2016.10.023. Yoon,  SJ,  Hong,  S.,  Lee,  C.,  Lee,  J.,  Kim,  T.,  Lee,  J.,  Kim,  B.,  Noh,  J.,  Kwon,  B.­O.,
Khim,  JS,  2022.  Evaluación  a  largo  plazo  de  10  años  sobre  la  caracterización  de  la  tendencia  
Shen,  Z.,  Xu,  D.,  Li,  L.,  Wang,  J.,  Shi,  X.,  2019.  Riesgos  ecológicos  y  para  la  salud  de  los  metales  pesados   espaciotemporal  y  la  distribución  de  fuentes  de  metales  (loides)  en  suelos  terrestres  a  lo  largo  de  la  
en  suelos  agrícolas  de  áreas  mineras  alrededor  de  la  ciudad  de  Tongling,  Anhui,  China.  Reinar.  ciencia costa  oeste  de  Corea  del  Sur.  ciencia  Entorno  Total.  826,  154214  https://doi.org/10.1016/j.  
contaminar  Res.  26,  15698–15709.  https://doi.org/10.1007/s11356­019­04463­0. scitotenv.2022.154214.
Sun,  Y.,  2013.  Características  de  la  contaminación  y  análisis  de  fuentes  de  elementos  de  metales  pesados   Zhang,  H.,  Cai,  A.,  Wang,  X.,  Wang,  L.,  Wang,  Q.,  Wu,  X.,  Ma,  Y.,  2021a.  Evaluación  de  riesgos  y  distribución  
en  el  río  Xingqiao  (en  chino).  Universidad  Tecnológica  de  Hefei. de  fuentes  de  metales  pesados  en  suelos  de  la  ciudad  de  Handan.  aplicación  ciencia  11,  9615.  https://
Tao,  H.,  Liao,  X.,  Li,  Y.,  Xu,  C.,  Zhu,  G.,  Cassidy,  DP,  2020.  Cuantificación  de  las  influencias  de  la  interacción   doi.org/10.3390/app11209615.
de  factores  antropogénicos­naturales  en  la  acumulación  de  oligoelementos  y  el  riesgo  de   Zhang,  M.,  Li,  X.,  Yang,  R.,  Wang,  J.,  Ai,  Y.,  Gao,  Y.,  Zhang,  Y.,  Zhang,  X.,  Yan,  X.,  Liu,  B.,  Yu,  H.,  2019.  
contaminación  en  suelos  kársticos.  ciencia  Entorno  Total.  721,  137770  https://doi.org/10.1016/ Metales  tóxicos  multipotenciales  acumulados  en  el  suelo  urbano  y  el  polvo  de  las  calles  de  la  ciudad  de  
j.scitotenv.2020.137770 . Xining,  noroeste  de  China:  ocurrencias  espaciales,  fuentes  y  riesgos  para  la  salud.  Arco.
USEPA,  Agencia  de  Protección  Ambiental  de  EE.  UU.,  2014.  Fundamentos  y  guía  del  usuario  de  la   Reinar.  contar.  Toxicol.  76,  308–330.  https://doi.org/10.1007/s00244­018­00592­8 .
factorización  de  matriz  positiva  (PMF)  5.0  de  la  EPA.
Wang,  C.,  Shen,  Z.,  Li,  X.,  Luo,  C.,  Chen,  Y.,  Yang,  H.,  2004.  Contaminación  por  metales  pesados  de  suelos   Zhang,  Z.,  Song,  X.,  Wang,  Q.,  Lu,  X.,  2012.  Contenidos  de  Cd  y  Pb  en  el  suelo,  las  plantas  y  los  
agrícolas  y  sedimentos  de  arroyos  cerca  de  una  mina  de  cobre  en  Tongling,  República  Popular  de   saltamontes  a  lo  largo  de  un  gradiente  de  contaminación  en  la  ciudad  de  Huludao,  noreste  de  China.  Biol.
China.  Toro.  Reinar.  contacto  Toxicol.  73,  862–869.  https://doi.org/  10.1007/s00128­004­0506­x. Rastro.  elemental  Res.  145,  403–410.  https://doi.org/10.1007/s12011­011­9199­2.
Zhang,  M.,  Wang,  X.,  Liu,  C.,  Lu,  J.,  Qin,  Y.,  Mo,  Y.,  Xiao,  P.,  Liu,  Y.,  2020.  Identificación  cuantitativa  de  
Wang,  G.,  Li,  Y.,  Wang,  J.,  Jia,  Z.,  Zhou,  Y.,  Zhou,  S.,  Xie,  X.,  2020a.  Un  modelo  de  receptor  modificado  para   fuentes  y  prorrateo  de  metales  pesados  bajo  dos  tipos  diferentes  de  uso  del  suelo:  comparación  de  
la  distribución  de  fuentes  históricas  de  hidrocarburos  aromáticos  policíclicos  en  sedimentos.  ciencia   dos  modelos  de  receptores  APCS­MLR  y  PMF.  Reinar.  ciencia
Entorno  Total.  702,  134931  https://doi.org/10.1016/j.  scitotenv.2019.134931. contaminar  Res.  27,  42996–43010.  https://doi.org/10.1007/s11356­020­10234­z.
Zhang,  H.,  Yao,  Q.,  Zhu,  Y.,  Fan,  S.,  He,  P.,  2012.  Revisión  de  la  identificación  de  la  fuente
Wang,  J.,  Xu,  C.,  2017.  Geodetector:  principio  y  prospectivo  (en  chino).  Acta  Geogr. Metodologías  para  metales  pesados  en  residuos  sólidos.  Mentón.  ciencia  Toro.  58,  162–168.  https://
Pecado.  72,  116–134.  https://doi.org/10.11821/dlxb201701010. doi.org/10.1007/s11434­012­5531­2 .
Wang,  J.,  Su,  J.,  Li,  Z.,  Liu,  B.,  Cheng,  G.,  Jiang,  Y.,  Li,  Y.,  Zhou,  S.,  Yuan,  W.,  2019. Zhang,  H.,  Zhang,  F.,  Song,  J.,  Tan,  ML,  Kung,  H.­T.,  Johnson,  VC,  2021b.  Evaluación  de  fuentes  
Prorrateo  en  la  fuente  de  metales  pesados  y  sus  riesgos  para  la  salud  en  el  sistema  de  suelo­polvo­ contaminantes,  riesgos  ecológicos  y  para  la  salud  humana  de  metales  pesados  en  suelos  de  áreas  
planta  cerca  de  un  área  típica  de  minería  de  metales  no  ferrosos  de  Tongling,  este  de  China. mineras  de  carbón  en  Xinjiang,  China.  Reinar.  Res.,  111702  https://doi.org/  10.1016/
Reinar.  contaminar  254,  113089  https://doi.org/10.1016/j.envpol.2019.113089. j.envres.2021.111702.
Wang,  J.,  Yu,  J.,  Gong,  Y.,  Wu,  L.,  Yu,  Z.,  Wang,  J.,  Gao,  R.,  Liu,  W.,  2021a.  Características  de  la   Zhao,  F.­J.,  Ma,  Y.,  Zhu,  Y.­G.,  Tang,  Z.,  McGrath,  SP,  2015.  Contaminación  del  suelo  en
contaminación,  fuentes  y  riesgo  para  la  salud  de  los  metales  en  el  polvo  urbano  de  diferentes   China:  estado  actual  y  estrategias  de  mitigación.  Reinar.  ciencia  Tecnología  49,  750–759.  https://doi.org/
áreas  funcionales  en  Nanjing,  China.  Reinar.  Res.  201,  111607  https://doi.org/10.1016/ 10.1021/es5047099.
j.envres.2021.111607 . Zhuo,  H.,  Fu,  S.,  Liu,  H.,  Song,  H.,  Ren,  L.,  2019.  Contaminación  del  suelo  por  metales  pesados  y  
Wang,  JF,  Li,  XH,  Christakos,  G.,  Liao,  YL,  Zhang,  T.,  Gu,  X.,  Zheng,  XY,  2010. evaluación  de  riesgos  para  la  salud  asociados  con  zonas  de  desarrollo  en  Shandong,  China.
Evaluación  de  riesgos  para  la  salud  basada  en  detectores  geográficos  y  su  aplicación  en  el  estudio  de   Reinar.  ciencia  contaminar  Res.  26,  30016–30028.  https://doi.org/10.1007/s11356­019­05979­1 .
defectos  del  tubo  neural  de  la  región  de  Heshun,  China.  En  t.  J.  Geogr.  información  ciencia  24,  107–
127.  https://doi.org/10.1080/13658810802443457. Zhang,  Z.,  Song,  X.,  Wang,  Q.,  Lu,  X.,  2012.  Contenidos  de  Cd  y  Pb  en  el  suelo,  las  plantas  y  los  
Wang,  JF,  Zhang,  TL,  Fu,  BJ,  2016.  Una  medida  de  heterogeneidad  espacial  estratificada. saltamontes  a  lo  largo  de  un  gradiente  de  contaminación  en  la  ciudad  de  Huludao,  noreste  de  China.  Biol.
Ecol.  índico  67,  250–256.  https://doi.org/10.1016/j.ecolind.2016.02.052. Traza  Elem.  Res.  145,  403–410.  https://doi.org/10.1007/s12011­011­9199­2.

14