基于SOM神经网络的土壤重金属空间分异性研究

马媛媛，王淑芬，赖营帅，王卫*，洪成林，石磊

（1石河子大学化学化工学院/新疆兵团化工绿色过程重点实验室，新疆 石河子 832003；2石河子大学理学院，新疆 石河子 832003）

基于SOM神经网络的土壤重金属空间分异性研究

马媛媛1，王淑芬2，赖营帅1，王卫1*，洪成林1，石磊1

（1石河子大学化学化工学院/新疆兵团化工绿色过程重点实验室，新疆 石河子 832003；2石河子大学理学院，新疆 石河子 832003）

以新疆玛纳斯河流域（简称玛河流域）为研究区域，运用层次聚类分析及自组织映射神经网络（SOM）法，对研究区域119个表层土壤样本中的As、Cd、Cr、Cu、Mn、Ni、Pb、Zn 8种重金属做空间差异性和相似性分析，并对重金属污染空间分布特征作出评价。结果表明，研究区域8种重金属含量平均值分别为4.342、0.115、96.882、44.710、750.235、24.058、8.427、97.007 mg/kg，均低于土壤环境质量国家二级标准值；层次聚类分析及SOM神经网络法的分析结果显示，工业区土壤污染最重，其次是城区土壤，与内梅罗污染指数法相比，神经网络显示出更高的准确性；根据空间差异性分析结果，研究区整体可优化减少43个采样点。

土壤；重金属；自组织映射神经网络；环境评价；玛河流域

土壤中的重金属滞留时间较长而且很难降解,因而易在植物体内累积,进而通过整个食物链在人体中富集,造成潜在的健康风险[1-3]。随着社会经济的快速发展，人为活动也成为土壤污染最主要的原因，工业生产、交通运输、矿业开采、农药滥用等均为增加土壤重金属含量的主要途径[4-5]。近几年来，国内外学者对土壤重金属污染开展了广泛研究[6-8]，土壤中重金属的理化性质、迁移规律和分布以及修复技术等已成为热点的研究领域[9-12]。

目前，对土壤中重金属污染程度的研究大多通过采集大量土壤样本，通过数据处理使重金属含量值服从正态分布后采用样条插值、克里格插值方法等方法研究重金属空间变异性,用内梅罗污染指数法和潜在生态风险指数法等方法来评价重金属积累程度[13-14]。这些方法要求样本量较大,在计算过程中有较大的随机性，所以精度难以满足实际要求[15]。20世纪 80年代以后，人工神经网络法（Artifical neural network,ANN）在各个领域逐渐兴起[16]，并得到迅速发展起来，目前己经被广泛应用于模式识别、信号处理、人工智能、自动控制和数据分析等领域[17]。越来越多的研究者将神经网络模型应用于土壤环境的评价中，如张红等[18]、李向等[19]、李发荣等[20]、张钰等[21]用不同的神经网络模型对土壤、沉积物中重金属的分布及空间变异特征进行了研究，并且获得相对精确有效的土壤环境污染评价结果。

因此，本研究利用层次聚类法对土壤重金属的空间分异特征分析探讨，得到监测点的重金属含量分布特征，从而得到研究区域土壤重金属污染分布情况。然后采用自组织映射神经网络(Selforganization map，SOM)对8种重金属空间分异性进行分析，在此基础上进行监测点位的评价及优化调整，以期有助于全面、深入的掌握土壤重金属含量的空间分布特征，有助于开展监测布点的优化调整。

1 材料与方法

1.1 研究区域概况

玛纳斯河全长 420 km，总流域面积 2.43万km2，是准噶尔内陆区冰川规模最大的一条河流，地理位置为东经85°1′-86°32′，北纬43°27′-45°21′，属于典型的大陆性气候，流域内土壤类型多样，主要为灰漠土、潮土、草甸土，土质则主要为砾质土、沙质土、粘质土等，土壤质地较为适中。

本研究以玛纳斯河流域的玛纳斯县、石河子市，沙湾县东部区域为研究对象，119个表层土壤采样点分布在各县市工业区、市区、农田区域。玛纳斯县城区较小，设置城区土壤采样点数目为5个，农田土壤采样点59个，玛纳斯县大型污染型工厂较少，位置分散，分布在S115省道两侧的农业用地中，主要有澳洋化纤厂、舜泉化纤、电解铝厂等。石河子市位于新疆维吾尔自治区北部，地处天山北麓中段，古尔班通古特大沙漠南缘，设置城区及工业区采样点33个，农田土壤22个，石河子市工业区位于市区四周，主要有天富热电厂、天辰化工、天辰水泥、造纸厂、纺织厂、食品加工厂等。

1.2 方法

1.2.1 样品采集和预处理

2014年10月，对玛河流域表层土壤进行采样，样点布设如图1，采样深度为土壤表层0-20 cm，利用GPS确定好中心点坐标后，用五点法进行采样，采样点间距10 m，样品均用塑料铲采集，然后充分混合，用四分法取土样1.0-1.5 kg。将收集的土壤样品贮存在聚乙烯袋中，送至实验室，除去土样中石头、草根等杂质后铺展到干净的白纸上室温风干，然后将土壤样品进行研磨，经0.15 mm筛，装瓶标记好待测。

图1 研究区域土壤采样布点位置图Fig.1 Sampling locations of soils in studied area

1.2.2 物化分析

微波消解法：称0.2 g土壤样品置于密封高压消解罐中，用几滴超纯水湿润，然后加入8 mL硝酸、2 mL过氧化氢、2mL氢氟酸充分浸润样品，盖紧罐盖，并将消解罐安装好放入微波消解仪（Mars5，CEM）中，于一定压力平衡一段进行密闭消解，赶酸后用超纯水定容，使用电感耦合等离子体光谱仪（ICAP-6300）对样品进行As、Cd、Cr、Cu、Mn、Ni、Pb、Zn 8种重金属的定量分析。

采用国家标准土样（GBW070008）进行回收实验，标样回收率为95%-110%，证明该方法精密度符合分析要求。实验中所用 HNO3、HF、H2O2、H2SO4、HClO4均为优级纯。

1.2.3 污染指数评价方法

本文采用单因子污染指数及内梅罗综合污染指数法对研究区域土壤的污染状况作评价，其计算公式如下：

上式中，Pi为土壤中污染物的环境质量指数；Ci为土壤中重金属的实测值；Si为土壤中重金属评价标准值；PN综为内梅罗综合污染指数；Piave为单项污染指数平均值；Pimax为单项污染指数最大值。

单项污染指数等级可以分为以下5类：Pi≤0.7,清洁（安全）；0.7

1.2.4 数据分析

数据预处理、内梅罗污染指数计算和多元统计过程利用Microsoft Excel 2003软件完成；层次聚类利用Matlab统计工具箱中多元统计分析实现，距离函数为pdist(X,'cityblock')，Linkage函数产生层次聚类树，dendrogram函数实现聚类树结果可视化；利用Matlab工具箱提供的自组织神经网络函数实现自动聚类分析。函数newsom创建网络，SOM网络模型拓扑函数为hextop，通过函数train及sim和仿真实现训练和仿真，观察函数plotsomplanes的图形分析聚类结果。

2 结果与分析

2.1 土壤重金属含量统计分析

玛河流域土壤重金属含量如表1所示。由表1可知：8种重金属含量都基本低于国家土壤环境质量二级标准限值。从采样点的最大值来看，Cd最高达1.0 mg/kg，是新疆土壤背景值的8.33倍；As、Cr、Cu、Mn、Ni、Pb、Zn的最大值分别是新疆背景值的3.17、2.62、3.15、1.56、2.51、1.53和 6.8倍，各金属离子含量最大值都超过新疆土壤背景值。

表1 表层土壤中重金属含量 mg/kgTab.1 Concentration of heavy metals in top soils

离散程度显示，Cr、Cu、Mn、Zn的变异系数均小于50%，说明4种金属在各采样点的含量差异小，在土壤中分布较为均匀；Ni、Pb的变异系数大于50%，说明在土壤中分布不均匀；As、Cd的变异系数大于1，说明这2种金属离子区域分异较大，在土壤中分布不均匀。

2.2 内梅罗污染指数评价

以新疆土环境背景值作为标准，计算研究区域土壤中8种重金属的单项污染指数和综合污染指数，结果如表2所示。As、Pb 2种金属累积程度最小，大部分样点都处于清洁状态，最大值分别出现在75号样点和92号样点；Cr累积程度最大，轻度污染与中度污染的样品数各占1/2，最大值出现在103号样点；Cu、Mn、Ni、Zn属于轻度污染，最大值分别出现在70、67、55、73号样点；虽然Cd大部分样点为清洁等级状态，但仍有10%的样品污染指数为重污染，差异性较大，最大值出现在80号样点（北泉镇）。综合污染指数结果显示研究区域土壤污染程度整体处于轻度污染水平，最大值出现在80号样点（北泉镇），综合污染指数值为6.14。

表2 土壤重金属单项污染指数及综合污染指数Tab.2 individual pollution index for heavy metals in soils of studied area

2.2 监测点聚类分析

多元层次聚类分析如图2所示，所有监测点在空间上分为30类。为了更明确的描述各监测点的相似性和差异性，本研究将这30类按特征分为5大类聚类情景，具体情景分析如下：第Ⅰ类，污染程度最重的一类，对应点位为80、113号采样点，位于石河子市北工业区西侧的北泉镇和西工业区的天山西三路；第Ⅱ类，污染程度最轻的一类，同组间比较差异性，1、12分离出来，这2组8种重金属含量均为最低水平，其次是7组，21组（即21号样点，位于149团团部）相较于其他5组，Cd、Cr的值较高；第Ⅲ类，各重金属含量已有一定的累积，污染程度居中，点位包括61-64,119号5个样点，同时这5个采样点均位于热电厂周围，Cr、Cu、Ni 3种重金属累积最为明显；第Ⅳ类，污染程度相对较轻，组内对比19组（即87号样点）相较其他6组重金属含量值最小，15组（即70号样点，位于8连鱼池）相对其他6组污染较重，其中As、Cu累积最为明显；第Ⅴ类，污染程度相对较重，对应点位有52-60、73、86、88-112、114-116号样点，包括了全部的城市土壤样点及6个村镇样点，分别是包家店镇、孙家湾村、东梁村、乐土驿镇、二宫一队、铁路四连，都是重要的货物运输集中地，其中，第9组（即58、86号样点）分离出来，这2个样点分别是玛纳斯老县政府、二宫一队，与组内其他样点比较，Cd、Cr、Cu、Zn 4种重金属累积较为明显，含量较高。

图2 采样点多元层次聚类结果Fig.2 Spatial homogeneity of sample sites based on hierarchical cluster analysis

2.3 指标的空间分异性

采用SOM分析方法研究129个采样点的表层土壤中8种重金属在空间上的分异性特征，由此评价采样点的典型性并做优化调整。考虑到采样点的数目较多，为了能将样点污染特征的分异性清晰的呈现出来，将所有样点分为40组（图3），图3A表示采样点位的空间分异性，数字代表版块内样点数目，图3B为各采样点8种重金属的空间分异性，以颜色深到浅代表金属浓度由低到高，黑色表示低浓度，黄色表示高浓度。

处于左上角第2个网格内的监测点（即113号采样点，位于石河子市西工业区）污染特征最明显，该监测点Cd、Cr、Ni、Pb的浓度均达最高水平，Cu、Mn的浓度也处于较高水平，表明该监测点综合污染最重。最下面一排网格内的采样点也表现出较明显的特征，除Pb外，其他7种重金属的浓度均为最低水平，说明这些点的污染水平最低，网格中点位包括1-6、14-20和65号采样点，分布在山区、150团6个连队、石河子市通用航机场。

As污染特征最明显的是69（夹河西）、70（八连鱼池）、71（工程连）；Cd污染特征最明显的是 17（150团团部）、21（149团团部）、73（泉沿）、80（北泉镇）、113（天山西三路）；Cu污染特征最明显的是70（八连鱼池）；Cr污染特征最明显的是52-55（包家店镇、孙家湾村、东梁村、乐土驿镇）91-93、95-104、106-108、110-118（石河子市市区）；Mn污染特征最明显的是61-64（下兰州湾村、兰州湾镇、夹河子村、何家庄村）、117-119（西三路与铁路交界、火车站、马家坪南）；Ni污染特征最明显的是61-64（下兰州湾村、兰州湾镇、夹河子村、何家庄村）、113（天山西三路）；Pb污染特征最明显的是113（天山西三路）；Zn污染特征最明显的是73（泉沿）、80（北泉镇）。

图3 基于SOM的各重金属空间分异性Fig.3 Spatial variations of heavy metals using SOM method

3 讨论

（1）有研究[22]表明，重金属离子在土壤中的分布主要受外界影响，其中人为活动为主要外界影响因素，As、Cd的变异系数都大于1，说明2种金属分布极不均匀，属于点污染源。以新疆土壤背景值为标准，单项污染指数结果显示Cr、Cu、Mn、Zn 4种元素污染指数相对较高，累积比较明显，综合污染指数显示土壤整体呈轻度污染，说明玛河流域土壤中这8种重金属离子累积程度较轻，土壤对重金属污染还有一定的环境容量。

（2）与内梅罗污染指数评价结果对比，神经网络评价结果与其相似度高，趋势一致，但极个别样点存在差异，如20号样点，综合污染指数法评价结果为重度污染，但神经网络分析各指标空间分异性时未将20号样点分离出来或与其他重度污染点分入同一网格，而是与综合污染指数是轻度污染的17、18、19号样点分为1个网格，观察20号样点的单项污染指数值可见，As的单项污染指数值达到6.67，其余7种重金属的单项污染指数值分别是PCd=1.74，PCr=1.25，PCu=0.91，PMn=0.60，PNi=0.55,PPb=0.87，PZn=1.57，污染等级较低，说明内梅罗污染指数评价时过度强调最高值对环境质量的影响，区分度小，这会对地区污染情况正确的评价产生影响。

（3）在剩余监测点中，2、4、5、6等样点各金属的污染特征的空间分异性不显著，代表性较弱，应该予以调整，建议删减特征过于相似的采样点，综合污染水平和采样点设置的空间分布均匀性等因素，建议删除 2、4-6、9-12、15、16、18-20、23、25-27、31、33、34、37、40、41、43、46、48、49、66、68、72、74、77-79、82、83、85、87、89、90、94、105、109共 43个采样点。由于条件限制，本研究未对该流域的土壤重金属在不同季节的差异性进行研究，而玛河流域监测点位的优化需要长期观测才可以最终确定。

4 结论

（1）根据多元层次聚类分析及空间差异性分析结果可知，整体污染程度最重的是石河子工业区的2点，其次是位于城区的采样点。

（2）根据空间分异性代表性的强弱及空间分布的均匀性，建议删减43个采样点作为优化结果。

（3）分析对比内梅罗污染指数对8种重金属的评价结果，层次聚类分析和自组织映射神经网络分析与其反映的污染趋势相同。其中，神经网络与层次聚类的评价可避免最值影响，结果更为合理。

[1]Liu M，Yang Y，Yun X，et al.Concentrations，distribution，sources，and ecological risk assessment of heavy metals in agricultural topsoil of the Three Gorges Dam region，China [J].Environ Monit Assess，2015，187(3)：4360.

[2]Shirkhanloo H，Mirzahosseini S A H，Shirkhanloo N，et al. The evaluation and determination of heavy metals pollution in edible vegetables，water and soil in the south of Tehran province by GIS[J].Archives of Environmental Protection，2015，41(2):64-74.

[3]Du P，Xie Y，Wang S，et al.Potential sources of and ecological risks from heavy metals in agricultural soils，Daye City，China[J].Environ Sci Pollut Res Int，2015,22(5):3498-3507.

[4]李长春，张光胜，姚峰.新疆准东煤田五彩湾露天矿区土壤重金属污染评估与分析[J].环境工程，2014,32(7):142-146. Li C C，Zhang G S，Yao F，et al.Assessment of soil heavy metal pollution in area of Xinjiang Zhundong Wucaiwan surface coal mine[J].Environmental Engineering，2014,32(7): 142-146.

[5]陈洪，特拉津·那斯尔，杨剑虹.伊犁河流域土壤重金属含量空间分布及其环境现状研究[J].水土保持学报，2013,27 (3):100-105. Chen H，TE LA-JIN N S R，Yang J H.Study of spatial distribution of heavy metal elements content and its environment status in the Ili River Valley Region[J].Journal of Soil and Water Conservation，2013,27(3):100-105.

[6]吴二威，赵甲亭，乔秀文，等.滹沱河水系沉积物重金属污染特征及其污染评价[J].石河子大学学报（自然科学版），2014,32(5):621-626. Wu R W，Zhao J T，Qiao X W，et al.Charcteristics and pollution assessment of surface sediments of heavy metals in Hutuo River[J].Journal of Shihezi University（atural Science），2014,32(5):621-626.

[7]江萍，刘勇，李国雷.基于BP神经网络的油松林小气候的模型研究[J].石河子大学学报（自然科学版），2013,31(2):148 -153. Jiang P，Liu Y，Li G L.Microclimate model of pinus tabulaeformis plantations based on BP neural network[J].Journal of Shihezi University（Natural Science），2013,31(2):148-153.

[8]黄雅婷，鲁建江，刘子龙，等.玛纳斯湖沉积物中重金属的含量水平及污染评价[J].石河子大学学报（自然科学版），2014,32(4):481-484. Huang Y T，Lu J J，Liu Z L，et al.Analysis and pollution assessment od heavy metal content in sediments of Manas Lake[J].Journal of Shihezi University（Natural Science），2014, 32(4):481-484.

[9]Maria-Ema F C，Gabriel L，Valentin N.The assessment of heavy metals concentration in Bacau citysoil:necessityand working methods[J].Journal of Engineering Studies and Research，2012,18(2):80-90.

[10]Zhang W，Liu X，Cheng H，et al.Heavy metal pollution in sediments of a typical mariculture zone in South China[J]. Mar Pollut Bull，2012,64(4):712-720.

[11]Mukwaturi M,Lin C.Mobilization of heavy metals from urban contaminated soils under water inundation conditions [J].J Hazard Mater，2015,285:445-52.

[12]Lawal O，Arokoyu S B，Udeh I I.Assessment of automobile workshops and heavy metal pollution in a typical urban environment in sub-saharan Africa[J].Environmental Research，Engineering and Management，2015,71(1):27-35.

[13]姚荣江，杨劲松，韩建均.海涂围垦区土壤盐分空间变异性随机模拟与不确定性评价[J].中国生态农业学报，2011,19 (3):485-490. Yao R J，Yang J S，Han J J.Stochastic simulation and uncertainty assessment of spatial variation in soil salinity in coastal reclamation regions[J].Chinese Journal of Eco-Agriculture，2011,19(3):485-490.

[14]李亮亮，依艳丽，凌国鑫，等.地统计学在土壤空间变异研究中的应用[J].土壤通报，2005,36(2):265-268. Li L L，Yi Y L，Ling G X，et al.Utilization of Geostatistics in soil spatial variability[J].Chinese Journal of Soil Science，2005,36(2):265-268.

[15]宁茂岐，刘洪斌，武伟.两种取样尺度下土壤重金属空间变异特征研究[J].中国生态农业学报，2007,15(3):86-91. Ning M Q，Liu H B，Wu W.Determination of the characteristics of soil heavy metal spatial variability with two soil sampling scales[J].Chinese Journal of Eco-Agriculture，2007,15(3):86-91.

[16]李磊，李剑，马建华.RBF神经网络在土壤重金属污染评价中的应用[J].环境科学与技术，2010,33(5):191-195. Li L，Li J，Ma J H.Pollution assessment of heavy metals in soils based on RBF neural network[J].Environmental Science&Technology，2010,33(5):191-195.

[17]Fu X W，Wang D G，Ren X H，et al.Spatial distribution patterns and potential sources of heavy metals in soils of a crude oil-polluted region in China[J].Pedosphere，2014, 24(4):508-515.

[18]张红，卢茸，石伟，等.基于RBF神经网络的土壤重金属空间变异研究[J].中国生态农业学报，2012,20(4):474-479. Zhang H，Lu R，Shi W，et al.Application of RBF neural network in determining soil heavy metal spatial variability [J].Chinese Journal of Eco-Agriculture，2012,20(4):474-479.

[19]李向，管涛，徐清.基于BP神经网络的土壤重金属污染评价方法——以包头土壤环境质量评价为例[J].中国农学通报，2012,28(2):250-256. Li X，Guan T，Xu Q.The evaluation of soil heavy metal pollution based on the BP neural network-taking soil environmental quality assessment in Baotou as an example[J]. Chinese Agricultural Science Bulletin，2012,28(2):250-256.

[20]李发荣，杨永辉，王翠榆，等.基于SOM和多元分析的滇池沉积物污染特征空间模式研究[J].环境科学学报，2012,32 (11):2865-2873. Li F R，Yang Y H，Wang C Y，et al.Spatial pattern analysis for sediments in Lake Dianchi based on SOM and multivariate statistics [J].Acta Scientiae Circumstantiae，2012,32(11):2865-2873.

[21]张钰，王让会，李成.基于BP神经网络的表层土壤重金属分布模拟[J].安全与环境工程，2014,21(2):51-56. Zhang Y，Wang R H，Li C.Distribution simulation of heavy metals in surface soil based on BP neural network[J].Safety and Environmental Engineering，2014,21(2):51-56.

[22]刘澍，曾凡萍，廖冲.萍乡市土壤中重金属离子含量、空间分布及其变化趋势研究 [J].环境科学与管理，2015,40(2): 51-55. Liu S，Zeng F P，Liao C.Concentration，spatial distribution and trend of heavy metal pollution in the soils of Pingxiang[J].Environmental Science and Mangement，2015,40(2): 51-55.

Spatial variability analysis of heavy metals from the soil based on SOM

Ma Yuanyuan1,Wang shufen2,Lai Yingshuai1,Wang Wei1*,Hong Chenglin1,Shi Lei1
(1 Key Laboratory for Green Process of Chemical Engineering of Xinjiang Bingtuan/School of Chemistry and Chemical Engineering Shihezi University,Shihezi,Xinjiang 832003,China; 2 College of Science,Shihezi University,Shihezi,Xinjiang 832003,China)

Hierarchical cluster analysis (HCA)and self-organizing maps (SOM)were applied for spatial variability analysis of heavy metals from the 119 topsoil samples of Manasi river basins,Xinjiang.Results showed that the mean concentrations of As, Cd,Cr,Cu,Mn,Pb and Zn were 4.342,0.115,96.882,44.710,750.235,24.058,8.427,97.007 mg·kg-1,respectively.And those mean contents were lower than their China Environmental Quality Standard values for the Soils.The results of HCA and SOM revealed that the pollution level was highest in the industrial areas,followed by the urban soil.Compared with the Nemerow integrated pollution index,the neural network showed a higher accuracy.According to the spatial difference analysis results,43 sites could be removed to optimize the spatial location of the monitoring sites.

soil;heavy metals;self-organizing maps;environmental monitoring;Manasi River

X821；X53

A

10.13880/j.cnki.65-1174/n.2017.01.017

1007-7383(2017)01-0102-06

2016-03-25

国家自然科学基金项目（21267020、21467026）

马媛媛（1991-），女，硕士研究生，专业方向为环境分析，e-mail：799255440@qq.com。

*通信作者：王卫（1981-），男，副教授，从事环境分析方向的研究，e-mail：wangwei_group@sina.com。