Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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.
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
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