有色金属矿区农田土壤-水稻镉积累状况及其响应关系研究

季梦兰，严俊，林华，张学洪，李海翔*1. 桂林理工大学，岩溶地区水污染控制与用水安全保障协同创新中心，广西 桂林 541004 2. 桂林理工大学，广西环境污染控制理论与技术重点实验室，广西 桂林 541004

有色金属矿区农田土壤-水稻镉积累状况及其响应关系研究

季梦兰1， 2，严俊1， 2，林华1， 2，张学洪1， 2，李海翔1， 2*
1. 桂林理工大学，岩溶地区水污染控制与用水安全保障协同创新中心，广西 桂林 541004 2. 桂林理工大学，广西环境污染控制理论与技术重点实验室，广西 桂林 541004

位于西江上游的河池地区被誉为中国的“有色金属之乡”，重金属产业经过多年选矿开矿的工业化发展使得当地生态环境受到严重的重金属污染。为评价广西西江流域中上游主要地区矿业活动对土壤和糙米质量安全的影响，采集研究区域内水稻及其对应土壤样本进行分析评价。调查发现，参照《食用农产品产地环境质量评价标准》（HJ332—2006），当pH＜6.5、6.50≤pH≤7.50、pH＞7.5时，土壤Cd含量超标率分别达到90.63%、96.97%、98.36%；参照《食品中污染物限量标准》（GB2762 —2012），糙米Cd含量的超标率为19.34%。单因子污染评价表明，超过50%的调查样点土壤Cd处于重度污染，仅有10%左右调查样点的土壤Cd属于清洁等级，且上游地区土壤-水稻系统Cd污染较为严重。分别建立了水稻糙米Cd含量、糙米Cd生物富集系数与土壤有效态Cd含量、土壤pH值以及土壤有机质含量的定量关系，模型拟合度均高于50%。预测糙米Cd含量拟合度较好的模型为多元非线性回归模型，预测糙米 Cd生物富集系数拟合度较好的为多元线性回归模型。多元回归模型的回代检验和残差分析表明，计算值与实测值的相关性较好，残差值较小且均匀分布，在一定程度上可以用来预测水稻糙米Cd的积累情况。

土壤；水稻糙米；Cd；响应关系；预测模型

引用格式：季梦兰， 严俊， 林华， 张学洪， 李海翔. 有色金属矿区农田土壤-水稻镉积累状况及其响应关系研究［J］. 生态环境学报， 2016， 25（6）: 1039-1046.

JI Menglan， YAN Jun， LIN Hua， ZHANG Xuehong， LI Haixiang. Cadmium Accumulation in Paddy Soil-rice System and Their Response Relationship in Non-ferrous Metal Mine Area ［J］. Ecology and Environmental Sciences， 2016， 25（6）: 1039-1046.

人口的迅速增长，城镇化、工业化进程的加快等导致土壤重金属污染日益严重，其中最为突出的是农田土壤镉（Cd）污染（Nabulo et al.，2010）。Cd作为一种高毒性且易于从土壤转移到植物中的重金属元素，主要通过食物链来发挥其毒性作用，对人和动物的肾脏、肝脏、肺、心血管系统，免疫、造血系统和生殖系统都会造成不利影响（Fowler，2009）。有色金属（如Zn、Pb等）（Bi et al.，2006；Satarug et al.，2003）在开采、冶炼、加工等过程中所引起的伴生金属 Cd的排放被认为是环境中 Cd污染的主要来源。Cd易迁移的特性导致了大范围的农田土壤污染问题（Bolan et al.，2013）。土壤Cd污染对水稻的环境风险问题由来已久。目前，国内外针对土壤-水稻系统重金属污染展开了很多研究，主要集中于重金属迁移转化特征及其机理探究，且大多是以室内盆栽试验进行实施的，其结果能在一定程度上反映土壤-水稻系统重金属的迁移和转化规律及其生物有效性，但受人为因素影响太多，使其结果不够全面，具有一定的片面性。用来描述土壤-农作物系统重金属关联特征的关系模型主要有：一是采用吸收系数或富集系数来表示农作物对重金属的吸收富集能力，且受作物品种重金属种类等因素影响，预测结果误差较大（方凤满等，2010；Su et al.，2010）；二是采用机理模型法，该法待定的相关参数较多且较难以被测定，机理尚不十分明确，因此在实际应用中也较难推广（De et al.，2008）；三是采用经验模型法对植物体中重金属含量进行估算，一般会涉及到土壤重金属含量和土壤理化性质。常用的基本表达形式为多元回归模型（Adams et al.，2004）。

西江流域是珠江水系的主干流，其在广西境内的集水面积占全流域集水面积的85.7%，是广西主要的粮食产区。位于西江流域上游的河池地区是中国著名的“有色金属之乡”，矿产丰富，矿业活动频繁（张新英等，2010）。然而，矿产资源的频繁开采在带来巨大的经济效益的同时，也因其过度以及不合理的开发导致大量的矿业废弃物所携带的重金属被释放到环境中，使得当地重金属污染日益严重（项萌等，2010）。翟丽梅等（2009）对广西西江流域农业土壤中Cd的空间分布规律及水稻中Cd的超标情况进行研究发现，土壤与水稻糙米Cd污染均较严重，且高Cd暴露风险区域主要集中在流域上游距矿区80 km以内的范围。长期食用Cd含量超标的大米，可能会严重危害人体健康。本文重点以西江流域矿业活动密集的上中游地区为研究区域，大范围的采集野外土壤和对应水稻样本进行分析，考察此区域农田土壤-水稻系统Cd污染情况以及水稻糙米Cd积累问题。有研究表明，水稻植株对Cd有很强的积累性，其积累能力与农田土壤的生态环境及水稻的基因型等影响因素有关（Li et al.，2010）。基于实际采样难度考虑，本文仅选择对水稻糙米Cd积累影响较大的土壤重金属含量及土壤基本理化性质（主要为pH和有机质）进行分析，探索土壤-水稻系统Cd污染的定量的表达关系，以期为从区域尺度上评价土壤Cd污染对水稻安全生产的影响提供参考。

1　材料与方法

1.1调查区概况

位于西江上游的河池地区被誉为中国的“有色金属之乡”，矿产资源遍布河池11个县市，南丹县、罗城县、金城江区、环江县等为主要成矿带。其矿产资源丰富，原生锡矿保有量占全国总储量的三分之一；锑、铅和锌矿金属储量居全国第二位；铟矿保有量名列世界第一（廖锦成，2009）。2011年全市生产含汞、铬、镉、铅、砷等重金属的企业共154家，主要分布在南丹县、金城江区、环江县和罗城县（黄奎贤等，2012）。因此，本次采样范围主要集中于有色金属矿业活动频繁的西江流域的中上游地区。

图1　西江流域中上游采样点分布图Fig. 1　The location of sampling sites in the upper-middle reaches of Xijiang River draining

1.2样品采集与处理

2014年7月，进行土壤-水稻一一对应的大田采样，采集水稻及其对应土壤样本190对。采样点主要集中于流域沿河、沿江的矿区周边以及大片粮食产区。采样范围覆盖广西西江流域上中游的主要地区，包括来宾、合山、象州、罗城、柳城、宜州、柳州、环江、金城江、南丹、，都安，采样点分布如图1所示。采用GPS技术进行定点，土样样品均取自10 m×10 m样方的4个顶点，各点取表层（0～20 cm）土壤1 kg，混匀后用四分法缩分，留取1 kg混合样带回实验；土壤样品在室内自然风干，粉碎，过20目尼龙筛（用于土壤pH值、土壤有机质等理化性质的测定）；再四分法弃取，粉碎，过 100目尼龙筛（用于土壤重金属全量及有效态的测定）。水稻样品取可食部分（糙米），用自来水和超纯水冲洗，晾干，60 ℃下烘干48 h，粉碎待测。

1.3样品分析与数据处理

土壤样品采用HNO3-H2O2（EPA 3050B）（陈同斌等，2002）进行消解，水稻糙米样品用HNO3-HClO4法（廖晓勇等，2004）进行消解。分析过程中分别加入土壤标准样品（GSS-6）和植物标准样品（GSB-23）进行质量控制，样品回收率均在 90%～110%之间。采用石墨炉-原子吸收光谱仪（AA-700，美国PE公司）测定样品中Cd含量。土壤pH值用pHS-3C型pH计测定，有机质用水合热重铬酸钾氧化-比色法（钱宝等，2011）测定，土壤有效态采用DTPA提取法（Zhang et al.，2010）。所用试剂均为优级纯，分析用水均为超纯水。

数据统计分析采用Origin 7.5和SPSS 18.0，采用ArcGIS制作样点分布图。针对土壤-水稻系统重金属污染进行评价，如仍以中国《土壤环境质量标准》（GB15618—2008）二级标准为参照，将会出现部分Cd超标的土壤被划分为作物安全生产的范围。因此土壤重金属评价临界值采用较为严格的《食用农产品产地环境质量评价标准》（HJ332—2006）为参照。糙米重金属评价临界值采用《食品中污染物限量》（GB2762—2012），此标准中糙米中Cd的最高限量与《欧盟食品污染物限量标准》（EC629—2008）中糙米Cd的最高限量一致。

2　结果与讨论

2.1农田土壤及水稻糙米Cd含量分析

表1为研究区域农田土壤-水稻系统Cd质量分数基本统计量，土壤Cd与水稻糙米Cd经对数转换后均符合正态分布。研究区域内，土壤pH值范围为4.54～8.35。土壤Cd与《食用农产品产地环境质量评价标准》（HJ332—2006）相比，对应各个土壤点位的pH值选择不同的标准限值。统计结果表明，pH＜6.50时，土壤 Cd的超标率为 90.63%；6.50≤pH≤7.50时，土壤 Cd的超标率为 96.97%；pH＞7.50时，土壤Cd的超标率为98.36%。流域内糙米Cd最大质量分数达到0.59 mg·kg-1，与《食品中污染物限量》（GB2762—2012）相比，糙米 Cd超标率为19.34%。经过分析可知，研究区域内土壤Cd超标非常严重，可能原因有：（1）广西土壤Cd背景值（0.27 mg·kg-1）较高（中国环境监测总站，1990）；（2）研究区域内矿业活动频繁。伴生的Cd随着铅锌矿产的开采、冶炼等过程进入土壤被认为是环境中Cd污染的主要来源（Bi et al.，2006）；（3）与采样点的选择有关，采样集中于矿区周边和大片粮食产区。已有研究表明，作物吸收和积累重金属的量不是取决于土壤中重金属的总量，而是取决于其有效态含量（赵勇等，2006）。在本研究中，调查区域内土壤Cd严重超标与水稻糙米Cd超标率不高的比较分析进一步验证了土壤Cd的生物有效性与土壤Cd全量之间无明显相关性的结论。

表1　调查区域内农田土壤及水稻糙米Cd含量及超标情况Table 1　Soil and brown rice Cd contents and their exceeding standard rates in study area

2.2不同区域农田土壤及水稻糙米Cd含量分析

考虑到采样分布范围较广，各采样区域土壤-水稻系统糙米重金属积累情况各有不同。因此，将采样点进行区域划分，分别对各小区域采样点水稻糙米的积累情况进行分析。针对此次采样所覆盖的西江流域上中游的主要地区，以位于西江流域上游且矿业活动最为密集的南丹、环江、金城江为区域1；区域 2则为西江流域中游，主要包括宜州、都安、罗城、柳城、合山、来宾、象州等粮食产区。表2为两个区域水稻糙米重金属质量分数基本统计量。从表中可以看出，区域1土壤Cd含量高于区域2，区域1的矿业活动较为密集。从重金属空间分布来看，西江流域上游土壤和糙米Cd污染较为严重，这可能与上游矿业活动的影响有关。

表2　不同区域内农田土壤及水稻糙米Cd含量及超标情况Table 2　Soil and brown rice Cd content and their exceeding standard rates in different area

2.3土壤重金属单因子污染评价

单因子污染指数法是当今研究者们针对土壤单一重金属元素进行污染评价时所使用的一般方法，数值小说明该重金属污染轻，反之则重。具体计算公式如下：

式中：Pi——土壤中重金属i的单因子污染指数；

Ci——土壤中重金属i实测值（mg·kg-1）；

Si——重金属i的土壤评价标准值（mg·kg-1）。

当土壤样品单因子污染指数Pi≤l时说明土壤样品未被污染；Pi＞l时说明土壤样品已受污染。将污染物的污染程度划分为4个等级（孔凡彬等，2014），如表3所示。

表3　Cd单因子污染指数污染分级标准Table 3　Grading standard for single-factor pollution index of Cd

根据公式（1），由重金属的实测值、重金属的土壤评价标准值（对应各个土壤点位的pH值选择不同的标准限值）计算出PCd的值。土壤Cd的单因子污染指数见表4，经对数转换后符合正态分布。由表 4可知，Cd的单因子污染指数范围为0.38～75.31，平均值为4.84。

表4　土壤Cd的单因子污染指数Table 4　Single Factor Pollution Index of Cd in paddy soils

根据表3所列的分级标准对土壤Cd污染等级进行频数分布，如图2所示。可以看出，超过50%的调查样点土壤Cd处于重度污染等级，仅有10%左右调查样点的土壤Cd属于清洁等级。虽然土壤Cd污染非常严重，但也只能说明在采样时的外界环境条件下，采样点土壤Cd的污染情况。因为采样方式、环境条件、地域限制等各种因素的不同，不可避免地造成Cd在土壤中含量的差异。

图2　土壤样点Cd的单因子污染指数频数分布Fig. 2　Frequencies of single factor pollution index of Cd in paddy soil

2.4土壤有效态Cd、pH、有机质及Cd生物富集系数分析

有关植物吸收积累重金属的影响因素的研究报道较多（Smith，2009），如土壤pH（Liu et al.，2013）、土壤有机质含量（Bonten et al.，2008）、氧化还原电位（Römkens et al.，2011）等，而pH、有机质含量是影响土壤重金属Cd生物有效性的两个重要元素（Yuan，2014）。农作物对重金属积累的难易程度可以直接通过农作物体内积累的重金属含量进行直观表述，也可以通过重金属的富集系数间接地反映。重金属的生物富集系数（BCF）即植物某一组织中的重金属含量与土壤中相应重金属含量之间的比值，反映了重金属在植物体内的富集作用的大小。考虑到一般情况下，土壤重金属有效态更能反映出重金属的迁移转化规律及其毒害水平，因此研究采用水稻糙米重金属含量与土壤中相应重金属有效态含量的比值来反映土壤-水稻系统糙米对重金属的富集能力。

借鉴前人研究经验，本研究分析了土壤有效态Cd含量、pH、有机质含量（SOM）、Cd生物富集系数（BCFCd），结果如表5所示。研究区域内，土壤pH平均值为6.44，最大值为8.35，偏弱碱性。不同土壤中的有机质含量变化差异很大，其含量与地域气候、土壤类型、耕作方式等因素密切相关。不同提取剂对土壤中Cd的提取效率不同，且土壤有效态Cd也受到诸如土壤理化性质等多种因素的影响。DTPA提取态 Cd的质量分数范围在0.040～5.99 mg·kg-1，平均质量分数为0.37 mg·kg-1。

表5　调查区域内农田土壤有效态Cd含量、pH、SOM、富集系数Table 5　Soil available Cd content， pH， SOM and BCF in study area

2.5水稻糙米Cd与土壤有效态Cd、pH、有机质的响应关系

对土壤有效态Cd、pH、SOM与水稻糙米Cd质量分数（w糙米Cd）、水稻糙米 Cd生物富集系数（BCFCd）的相关性研究发现，w糙米Cd与土壤有效态Cd、pH显著相关（P＜0.01），与SOM也显著相关（P＜0.05），相关系数分别为0.497、-0.334、0.152；BCFCd与土壤有效态 Cd、pH、SOM 也显著相关（P＜0.01），相关系数分别为-0.499、-0.674、-0.272。基于上述结果，分别对土壤有效态Cd、pH、SOM 与w糙米Cd、BCFCd进行一元回归分析，结果见表6。所建立的回归方程中，F分布的显著性概率均小于0.05，说明因变量和自变量的线性关系是显著的，可建立线性模型。决定系数r2可以用来衡量模型与数据的拟合程度，r2越大，说明拟合的模型越能解释因变量（糙米Cd含量）的变异性。比较可知，所建立的w糙米Cd的回归模型拟合度较低，不足以解释因变量的变化，若以此来预测水稻糙米Cd含量参考价值不大。但是，所建立的模型均能反映出土壤有效态Cd、pH、SOM对水稻糙米Cd积累的影响趋势。分别以土壤有效态Cd、pH、SOM为横坐标，w糙米Cd、BCFCd为纵坐标，对以上所建立的 6个模型做出散点图（图 3）。由图 3可知，w糙米Cd与土壤有效态Cd、SOM呈正相关，与土壤pH呈负相关；BCFCd与土壤有效态Cd、SOM均呈负相关。且就拟合程度而言，糙米Cd生物富集系数的回归模型更能反映单个影响因素对水稻糙米重金属积累的影响。

表6　农田土壤-水稻系统中Cd积累的一元回归模型Table 6　Unitary regression models of Cd in paddy soil-rice system

基于上述分析表明，土壤有效态Cd、pH、SOM与水稻糙米Cd的积累具有明显的相关性。因此，尝试研究利用3个因素对w糙米Cd、BCFCd进行估算具有一定的实际意义。通过多元回归分析，得到w糙米Cd、BCFCd和土壤有效态Cd、pH、SOM的定量回归关系，结果见表7。

模型1、3为多元线性回归方程，2、4为多元非线性回归方程。由表7可知，回归方程的线性关系显著。模型1、2分别可以解释糙米Cd含量47.1%、59.6%的变异性；模型 3、4分别可以解释糙米 Cd生物富集系数47.1%、59.6%的变异性。从模型与数据拟合程度这一标准来看，运用多元非线性回归方程来预测w糙米Cd较理想，运用多元线性回归方程来预测BCFCd较理想。为了验证所建立的模型是否合理，还需要通过模型的回代检验以及残差分析来对模型的有效性进行检验。

图3　土壤有效态Cd、pH、SOM对水稻糙米Cd积累的影响Fig. 3　Effects of soil available， pH and SOM on Cd in brown rice

表7　农田土壤-水稻系统中Cd积累的多元回归模型Table 7　Multivariate regression models of Cd in paddy soil-rice system

图4为w糙米Cd、BCFCd的计算值与实测值之间的相关关系。从图4可以看出，w糙米Cd、BCFCd的计算值与实测值之间的相关性均达到了显著水平（P＜0.001），由此说明土壤有效态Cd、pH、SOM影响着土壤Cd的生物有效性，进而影响水稻糙米对Cd的吸收与积累。因此，可以通过土壤有效态Cd、pH、SOM对w糙米Cd、BCFCd进行预测。图5为w糙米Cd、BCFCd统计模型的残差图。由图可知，w糙米Cd的正负残差比较均匀地分布在Y=0的直线两侧，分布比较对称，且残差值较小，处于（-0.5， 0.5）之间；BCFCd正负残差均匀对称地分布在 Y=0的直线两侧，处于（-1， 1）之间。由此可认为所建立的模型均具有良好的拟合效果，以此来预测w糙米Cd、BCFCd具有较高的可靠性。

图4　水稻糙米Cd含量、生物富集系数计算值与实测值的相关关系Fig. 4　Correlation of computed and measured Cd content， BCF in brown rice

图5　水稻糙米Cd统计模型的残差图Fig. 5　Distribution of residual induced by Cd statistical model of brown rice

在仅考虑土壤有效态Cd、pH、SOM这3个影响因素建立的水稻糙米Cd含量的非线性预测模型中，R2=0.596，表明该模型仅能解释糙米 Cd含量59.6%的变异性；与此相比较而言，建立的水稻糙米Cd生物富集系数的线性预测模型中，R2=0.536，能解释糙米Cd生物富集系数53.6%的变异性。在以往土壤-农作物系统重金属预测的研究中，模型的拟合程度优于本研究的有很多，但大多是基于盆栽试验或小范围的田间试验获得的，且拟合效果受诸如土壤、作物品种等多种因素影响，不可一概而论。Ding et al.（2013）通过盆栽试验，建立了胡萝卜Cd含量与土壤Cd全量、pH、有机质之间的预测模型，模型的相关系数达到了0.90以上。Yang et al. （2016）则通过温室试验，探究了玉米As生物富集系数与土壤 pH、有机质、阳离子交换量之间的响应关系。这些结果投入到生产实际中可能会有一定的局限性，但是在方法和思路上对于重金属生物有效性的预测具有较高的参考价值。在水稻糙米重金属含量预测的研究上，刘影等（2007）通过对文献调研所获得的数据进行分析，建立了水稻籽粒 Cd与土壤Cd全量、pH、有机质之间的关系，相关系数达到了0.60。丁园等（2012）通过小范围的田间试验，利用多元线性回归的方法建立了土壤中Cu、Cd植物有效性与土壤理化性质（土壤中重金属全量、pH、有机质、速效磷）的统计模型，拟合效果较好。已有研究表明，重金属的生物有效性与其有效态含量显著相关。窦磊等（2008）在实际采样研究中，以可提取态的富集系数较好地指示了土壤可提取态重金属向蔬菜的转移的特征。在前人研究的启发下，本研究直接选取土壤Cd有效态、pH、SOM 这3个重要因素，直接探究其对水稻糙米Cd积累的影响。=由于采样范围分布较广，在采样过程中，尚未考虑农业活动（耕作方式、农药化肥等）、地域气候、水稻品种等因素对统计模型的影响，且农田-土壤系统是一个复杂的生态系统，除了所考虑的影响因素外，土壤理化性质（除pH、SOM外）等因素对统计模型均有影响。虽然本研究所建立的模型的可靠性受到诸多因素的影响，但在缺乏可靠预测模型的大环境下其对土壤Cd污染对水稻吸收积累Cd的影响评价仍具有一定积极的参考意义。

3　结论

（1）通过对研究区域内农田土壤-水稻系统重金属Cd含量进行分析，发现西江流域中上游土壤Cd污染非常严重，土壤中Cd含量的几何均值高于广西土壤背景值。当土壤pH＜6.5、6.5≤pH≤7.5、pH＞7.5时，土壤 Cd的超标率分别为 90.63%、96.97%、98.36%；对应的水稻糙米部分被污染，超标率为19.34%。由单因子污染评价可知，超过50%的调查样点土壤Cd处于重度污染等级，约90%的调查样点土壤受到Cd污染。

（2）分区域对农田土壤-水稻系统重金属Cd含量进行分析，由于采样分布范围较广，各采样区域土壤-水稻系统重金属积累情况有所不同。位于西江流域上游且矿业活动较为密集的南丹、环江、金城江等地Cd污染较严重，应当从源头加强预防矿业活动对当地生态环境的污染。

（3）由土壤重金属污染单因子评价可知，超过50%的调查样点土壤Cd处于重度污染水平，约90%的调查样点土壤已被 Cd污染。需加大对土壤 Cd污染的治理力度，同时，建议通过调查研究，因地制宜，发展种植对Cd富集作用相对较弱的农作物。

（4）一元回归分析结果表明土壤有效态 Cd、pH、SOM与水稻糙米Cd的积累具有明显的相关性。基于3个因素对水稻糙米Cd积累的影响，建立了水稻糙米Cd含量、Cd生物富集系数的预测模型。其中，预测糙米Cd含量拟合度较好的多元非线性回归模型及预测糙米Cd生物富集系数拟合度较好的多元线性回归模型分别为：

（5）本文仅探讨了土壤有效态Cd含量、pH、 SOM对水稻糙米重金属积累的影响，该预测模型仍具有一定的局限性。若对其进行深入研究，应尽可能地考虑自然条件和人为活动的复杂性，如农业活动、地理环境、水稻品种等因素对统计模型的影响，综合各种因素的共同影响。

（6）本文所建立的预测模型对于评价土壤重金属污染对水稻吸收积累重金属的影响具有一定积极的参考意义。但是考虑到实际情况，仅对模型的有效性进行了统计学分析，还未对模型进行实际采样的验证，有待进一步完善。

ADAMS M L， ZHAO F J， MCGRATH S P， et al. 2004. Predicting cadmium concentrations in wheat and barley grain using soil properties ［J］. Journal of Environmental Quality， 33（2）: 532-541.

BI X Y， FENG X B， YANG Y G， et al. 2006. Quantitative assessment of cadmium emission from zinc smelting and its influences on the surface soils and mosses in Hezhang County， Southwestern China ［J］. Atmospheric Environment， 40（22）: 4228-4233.

BOLAN N S， MAKINO T， KUNHIKRISHNAN A， et al. 2013. Cadmium contamination and its risk management in rice ecosystems ［J］. Advances in Agronomy， 119: 183-273.

BONTEN L T C， GROENENBERG J E， WENG L， et al. 2008. Use of speciation and complexation models to estimate heavy metal sorption in soils ［J］. Geoderma， 146（1-2）: 303-310.

DE V W， ROMKEN P F A M， BONTEN L T C. 2008. Spatially explicit integrated risk assessment of present soil concentrations of cadmium，lead， copper and zinc in the Netherlands ［J］. Water， Air and Soil Pollution， 191（1）: 199-215.

DING C， ZHANG T， WANG X， et al. 2013. Prediction Model for Cadmium Transfer from Soil to Carrot （Daucus carota L.） and its application to derive soil thresholds for food safety ［J］. Journal of Agricultural and Food Chemistry， 61（43）: 10273-10282.

FOWLER B A. 2009. Monitoring of human populations for early markers of cadmium toxicity: A review ［J］. Toxicology and Applied Pharmacology，238（3）: 294-300.

LI Z Y， TANG S， DENG X F， et al. 2010. Contrasting effects of elevated CO2on Cu and Cd uptake by different rice varieties grown on contaminated soils with two levels of metals: Implication for phytoextraction and food safety ［J］. Journal of Hazardous Material，177（1-3）: 352-361.

LIU D， ZHANG C， CHEN X， et al. 2013. Effects of pH， Fe， and Cd on the uptake of Fe2+and Cd2+by rice ［J］. Environmental Science and Pollution Research， 20（12）: 8947-8954.

NABULO G， BLACK C R， YOUNG S D. 2010. Assessing risk to human health from tropical leafy vegetables grown on contaminated urban soils ［J］. Science of the Total Environment， 408（22）: 5338-5351.

RÖMKENS P， BRUS D， GUO H， et al. 2011. Impact of model uncertainty on soil quality standards for cadmium in rice paddy fields ［J］. Science of the Total Environment， 409（17）: 3098-3105.

SATARUG S， BAKER J R， URBENJAPOL S， et al. 2003. A global perspective on cadmium pollution and toxicity in non-occupationally exposed population ［J］. Toxicology Letters， 137（1-2）: 65-83.

SMITH S R. 2009. A critical review of the bioavailability and impacts of heavy metals in municipal solid waste composts compared to sewage sludge ［J］. Environment International， 35（1）: 142-156.

SU Y H， MCGRATH S P， ZHAO F J. 2010. Rice is more efficient inarsenite uptake and translocation than wheat and barley ［J］. Plant & Soil， 328（1）: 27-34.

YANG H， LI Z J， LONG J， et al. 2016. Prediction models for transfer of arsenic from soil to corn grain （Zea mays L.） ［J］. Environmental Science and Pollution Research， 23（7）: 6277-6285.

YUAN Y. 2014. Research Progress in the Effect of Physical and Chemical Properties on Heavy Metal Bioavailability in Soil-Crop System ［J］. Advances in Geosciences， 4（4）: 214-223.

ZHANG M K， LIU Z Y， WANG H. 2010. Use of single extraction methods to predict bioavailability of heavy metals in polluted soils to rice ［J］. Communications in Soil Science and Plant Analysis， 41（7）: 820-831.

陈同斌， 范稚莲， 雷梅， 等. 2002. 磷对超富集植物蜈蚣草吸收砷的影响及其科学意义［J］. 科学通报， 47（8）: 1156-1159.

丁园， 史蓉蓉， 赵帼平， 等. 2012. 土壤中Cu、Cd植物有效性模型的建立与检验［J］. 江西农业大学学报， 34（6）: 1286-1290.

窦磊， 马瑾， 游远航， 等. 2008. 典型乡镇企业密集区土壤-蔬菜系统重金属分布与关联特征［J］. 土壤， 40（5）: 812-818.

方凤满， 汪琳琳， 谢宏芳， 等. 2010. 芜湖市三山区蔬菜中重金属富集特征及健康风险评价［J］.农业环境科学学报， 29（8）: 1471-1476.

黄奎贤， 覃柳妹， 吴少珍， 等. 2012. 广西河池市重金属污染现状分析与治理对策［J］. 广西科学院学报， 28（4）: 320-324.

孔凡彬， 刘阳. 2014. 单因子指数法和内梅罗指数法在土壤环境质量评价中的比较［J］. 甘肃科技， 30（3）: 21-22.

廖锦成， 王学力， 谭蓉娟， 等. 2009. 广西河池市有色金属产业发展思路初探［J］. 当代经济， （9）: 96-98.

廖晓勇， 陈同斌， 谢华， 等. 2004. 磷肥对砷污染土壤的植物修复效率的影响: 田间实例研究［J］. 环境科学学报， 24（3）: 455-462.

刘影， 黄耀. 2007. 水稻籽粒镉积累模型［J］. 安全与环境学报， 7（1）: 4-8.

钱宝， 刘凌， 肖潇. 2011. 土壤有机质测定方法对比分析［J］. 河海大学学报（自然科学版）， 39（1）: 34-39.

项萌， 张国平， 李玲， 等. 2010. 广西河池铅锑矿冶炼区土壤中锑等重金属的分布特征及影响因素分析［J］. 地球和环境， 38（4）: 495-500.

翟丽梅， 廖晓勇， 阎秀兰， 等. 2009. 广西西江流域农业土壤镉的空间分布与环境风险［J］. 中国环境科学， 29（6）: 661-667.

张新英， 刘勇， 吴浩东， 等. 2010. 广西河池大环江板力村近岸农田重金属污染分析［J］. 农业环境科学学报， 29: 80-83.

赵勇， 李红娟， 孙治强. 2006. 土壤、蔬菜Cd污染相关性分析与土壤污染阈限值研究［J］. 农业工程学报， 22（7）: 149-153.

中国环境监测总站. 1990. 中国土壤元素背景值［M］. 北京: 中国环境科学出版社: 334-337.

Cadmium Accumulation in Paddy Soil-rice System and Their Response Relationship in Non-ferrous Metal Mine Area

JI Menglan1， 2， YAN Jun1， 2， LIN Hua1， 2， ZHANG Xuehong1， 2， LI Haixiang1， 2*
1. Collaborative Innovation Center for Water Pollution Control and Water Safety in Karst Area， Guilin University of Technology， Guilin 541004， China
2. Guangxi Key Laboratory of Environmental Pollution Control Theory and Technology， Guilin University of Technology， Guilin 541004， China

Hechi City is in the upper reaches of Xijiang River， which is the most famous town of non-ferrous metals in China. The ecological environment is suffering serious heavy metals pollution due to long-term mining， smelting， processing and industrialization. In order to assess the impact of mining activities on soil and quality and safety of brown rice in the main regions of the upper-middle reaches of Xijiang River draining in Guangxi province， soil samples and corresponding rice samples were collected from study area. According to the Environmental Quality Evaluation Standards for Edible Agricultural Products （HJ332—2006）， the exceed standard rates of Cd contents in soil were 90.63%， 96.97%， 98.36% when soil pH＜6.5， 6.50≤pH≤7.50， and pH＞7.5，respectively. According to the Food Contaminants MRLs Standards （GB2762—2012）， the over standard rate of Cd content in brown rice was 19.34%. The single-factor evaluation showed that more than 50% of soil samples were severely polluted by Cd， and only 10% of soil samples contained Cd were in a clean level. Cd pollution in soil-rice system was more serious in the upper reaches of Xijiang River. Quantificational relationships were developed respectively for testing and quantifying the relations among Cd concentration in soil and bioconcentration factors （BCF） of Cd in brown rice with the soil available Cd concentration， soil pH and organic matters （SOM， %）. The fitting degrees of the model were higher than 50%. Results showed that multiple nonlinear regression was better to predict Cd contents in brown rice， while multiple linear regression was ideal to predict BCF of Cd. At the same time，the regression and residue analysis showed a good correlation with the computed and measured Cd concentration in rice grain which corresponded with a small and uniformly distributed residual， and this reveals the model used for the preliminary prediction of the Cd concentration in brown rice grains is reliable and reasonable to a certain extent. Research on the accumulation characteristics and responses of heavy metals in soil-rice system would be a practical significance for guiding practice production.

soil； brown rice； cadmium； response relationship； prediction model

10.16258/j.cnki.1674-5906.2016.06.018

X53

A

1674-5906（2016）06-1039-08

广西自然科学基金项目（2013GXNSFBA019208）；“八桂学者”建设工程专项

季梦兰（1991年生），女，硕士研究生，研究方向为重金属污染控制理论与技术。E-mail: 80140321@qq.com

李海翔（1984年生），男，博士，讲师，主要从事环境污染控制与修复研究。E-mail: lihaixiang0627@163.com

2016-03-07