“源汇理论”在土壤重金属污染监测中的应用现状、问题与展望

钟亮 王淼 李建龙 赵海霞 苏安劼 龙诗颖

摘要：随着工业化和城市化的发展，土壤重金属污染问题日益突出，通过对土壤重金属污染状况监测以及污染来源解析，制定适宜的污染防治措施将有助于食品安全和人类健康。通过引入“源汇理论”，在系统梳理国内外相关研究成果的基础上，阐明“源汇理论”的定义、原理、特点及其在土壤重金属污染中的应用意义，并从污染区域监测、污染来源解析、污染源汇关系3个方面总结研究进展。结果表明，“源汇理论”在应用于土壤重金属污染的监测和分析过程中存在信息提取难、精度不高、难以准确验证、未能实现动态分析、未能形成体系等问题。随着“源汇理论”的不断丰富，在其指导下，未来土壤重金属污染研究应围绕“从传统机器学习走向深度学习，点-线-面结合监测验证框架，天-空-地一体化监测网络和验证体系，从‘3S上升到‘5S技术集成，监测、评估、溯源、预警与防治相结合”等方向发展，以期为构建大面积土壤重金属污染智慧动态监测与风险预警决策系统奠定基础。

关键词：源汇理论；土壤污染监测；天空地一体化动态监测；应用效果；“5S”技术

中图分类号：X53；S181  文献标志码：A

文章编号：1002-1302（2023）13-0034-07

随着工业化的迅速发展和城市化进程的加快，土壤环境污染问题越来越突出，严重威胁生态系统安全［1］。其中，土壤重金属污染具有迁移缓慢、毒性强且不可逆转等特性，随着食物链逐渐累积，最终被人体摄入并积累也会引起严重的健康问题［2］。2014年《全国土壤污染状况调查公报》显示，我国土壤总体超标率达16.1%［3］，且受土壤重金属污染的影响，约损失1 200万t/年粮食作物。因此，土壤重金属污染已成为我国亟待解决的环境问题，受到政府和学者们的广泛关注［4］。源汇关系最早应用在大气污染和气候变化领域，通过研究大气污染物和温室气体的“产生-扩散-吸收”过程，以达到减少大气污染、缓解气候变暖的目的［5］。之后，陈利顶等将源汇的概念引入到景观生态学的研究中，将源汇景观理论用于研究生态过程发生和消亡的过程［6-7］。在不断的研究过程中，学者们发现土壤重金属污染同样具有明显的源汇关系［8-11］，并逐渐开始重视基于“源汇理论”的相关研究［12-13］。黄赵麟等证实在明晰污染源的基础上，对污染汇集特征进行分析，能有效达到“控源切汇”的目的，对土壤重金属污染的管控与防治具有重要意义［14］。因此，本研究在阐述“源汇理论”定义、原理和特点的基础上，通过概括其主要的应用领域，并充分总结“源汇理论”在土壤重金属污染中的应用意义、应用进展及当前所存在的问题，对未来的研究方向进行展望，以期为土壤重金属污染的研究提供并丰富理论支撑。

1 “源汇理论”的原理与特点

1.1 “源汇理论”的定义与原理

源汇理论中的“源”是指一个过程的源头，“汇”是指一个过程消失的地方［7］。在土壤重金属污染研究中，“源”是指可能造成土壤环境污染的源头，“汇”是指吸收污染物的区域或生态系统。由图1可知，土壤重金属污染的形成是从“源”到“汇”的过程，其来源主要包括自然源、工业源、生活源、交通源和农业源，不同污染源通过成土母质、大气沉降、灌溉和径流、固废和堆肥等不同途径进入到土壤中，不断积累最终形成重金属污染，通过遥感技术等手段即可对污染情况进行监测。当确定污染区域和污染程度后，再从“汇”到“源”进行污染来源解析，探析其污染来源及其贡献程度、污染影响因素、污染过程等。因此，在土壤重金属污染中，源汇理论通过讨论土壤污染物的来源与去向以及两者间的关系和发生机理，有针对性地遏制土壤污染物的产生与迁移，最终达到污染防治的目的［15］。

1.2 “源汇理论”的特点

“源汇理论”有以下5个特点：第一，针对性。“源汇”是针对特定的生态过程，在分析时首先要明确待研究的生态过程。第二，相对性。同一种类型，针对某一过程可能是“源”，而对于另外一种生态过程可能就是“汇”。第三，动态性。在生态过程的不同阶段，相同景观有可能起到不同的作用，随着过程的演变，源汇性质也在发生变化。第四，贡献的差异性。对于不同类型“源”或“汇”景观，在研究格局对过程的影响时，需要考虑它们贡献的差异。即使是同类型的“源”或“汇”，对过程也可能贡献不同。第五，综合性。由于景观是代表各种要素相互作用的自然地理过程的集合体，景观的源汇性质自然要和影响它的各种要素相关，在一定程度上，源汇景观的特点体现在各种要素的空间耦合关系和综合作用的结果上，具有较强的综合性。

2 “源汇理论”的应用领域与进展

2.1 “源汇理论”的应用领域

在土壤侵蚀风险评价方面，通过“源汇”景观格局分析，可以有效地揭示不同景观格局发生土壤侵蚀的风险，找出不利于水土保持的景观格局所在的关键地区，从而探讨关键地区景观格局的优化途径和方法［16］。

在面源污染控制方面，在生态规划中科学合理地布设源汇景观类型的空间位置，就可以将流失的面源污染物质控制在关键的“源”区，或从污染物流失的路径上拦截，从而起到控制面源污染、保护目标区域的作用［17］。

在濒危物种保护方面，可以通过“源汇”景观评价方法，分析不同景观类型相对于目标物种的作用，评价景观空间格局是否有利于目标物种的生存和保護［18］。

在城市热岛效应控制方面，在分析热岛效应“源汇”特征的基础上，通过调控城市内的景观类型与分布，能够有效降低城市热岛效应的形成［19］。

2.2 “源汇理论”在土壤重金属污染中的应用意义

从土壤重金属源汇关系出发，对土壤重金属进行污染源识别和影响范围判定，有助于土壤污染修复或污染专项治理工作的开展。对土壤环境存在潜在风险的区域，可以通过源解析方法明确主要风险来源及主导区域，这有助于制定区域土壤污染风险管控策略，减少无意义的土壤修复工作［20］。对土壤重金属迁移特征和途径进行研究，了解区域土壤重金属迁移方式和模式，能够更精准地判断可能存在污染风险的区域，有助于对土壤重金属污染源制定更加有效的风险防控方案［21］。

2.3 “源汇理论”在土壤重金属污染中的应用进展及问题

2.3.1 污染区域监测 土壤作为重要的地理载体之一，遵循地理第一和第二定律，在空间分布上既具有相关性，也存在异质性。因此，通过土壤采样进行检测获得的结果，仅代表点位自身的情况，与区域整体土壤状况存在一定差异，以往常使用基于地理信息系统（GIS）的空间插值方法进行区域模拟预测，主要包括克里格插值法、反距离权重法、径向基函数法等［22］。但这种“以点代面”得到区域土壤重金属含量空间分布的方法，通常需要足够多的样本以代表整个研究区的空间变化特征，否则导致模型精度不高且结果容易受到高属性值影响。因此，该方法难以满足大面积快速、准确、动态监测土壤重金属含量的需求［23］。

近年来，高光谱遥感技术以其光谱分辨率高和波段信息丰富的优点迅速发展起来，在快速估测土壤和作物信息上有其强大的优势，为大规模土壤污染监测提供支撑，有着广泛的研究和应用前景［24］。Zhou等探讨高光谱数据与CaCl2可提取重金属（E-HM）之间的潜在关系，并建立估测模型，发现当作物受到E-HM胁迫时，利用农田水稻叶片的高光谱数据估算农田土壤E-HM的浓度具有一定的潜力［25］。Shi等通过水稻田间冠层光谱数据，开发出一种用于估算土壤砷含量的多变量植被指数［26］。Zhou等提取并分析6种土壤重金属光谱特征的位置和数量，发现这些波段能较好地反映土壤有机质、黏土矿物和铁锰氧化物的光谱特征，为大面积土壤重金属含量遥感监测提供依据［27］。当人们对地面高光谱数据估测土壤重金属含量的机理研究清楚后，越来越多的学者开展航空、航天高光谱遥感大面积监测土壤重金属含量的研究。目前在农田［28］、矿区［29-30］、城郊［31］等区域都取得了不错的进展。

基于区域土壤重金属含量的空间分布图进行污染汇集特征的研究，有助于对重点污染区域进行识别和预警，也可为污染源的鉴定与分析提供依据。其中空间关联分析运用最广泛，主要包括莫兰指数、热点分析等方法，能够识别出具有统计显著性的污染高值、低值和异常值的空间聚类区域［32-33］。

2.3.2 污染来源解析 目前，土壤重金属污染源解析可分为定性源和定量源解析2个方面［34］。定性源解析是通过对污染物的主要特征进行识别，进而判断污染源类型。定量源解析不仅要识别污染源的类型，还要通过数学模型计算污染源对土壤污染的贡献程度，以更加明确污染源信息。当前主要的土壤重金属源解析研究方法类型及其优缺点见表1。

在定性源解析方面，主要包括多元统计分析法和地统计分析法。其中，多元统计分析法通过分析重金属数据之间的内在联系，找到其组合特征或分布规律，主要包括主成分分析、聚类分析、相关性分析等［35］。地统计分析利用克里格、反距离权重等空间插值方法，通过模拟预测获得区域内污染物的空间分布状况，进而对可能的污染源进行分析推断［36］。Dong等以黄土高原白银区农田中的8种土壤重金属为研究对象，比较主成分分析（PCA）、相关分析（CA）、空间偏差（SD）、富集因子（EF）、地理信息系统（GIS）等多种定性源解析方法，并确定自然源、工业源和污水灌溉是研究区内农田土壤重金属污染的三大主要来源［37］。Lyu等以江苏省海岸7种土壤重金属为研究对象，利用因子克里格和逐步回归方法确定土壤中重金属的多尺度来源［38］。

在定量源解析方面，主要包括受体模型、示踪技术、机器学习模型和组合模型。其中，受体模型来源于大气污染物的源解析研究，通过分析污染源和受体中污染物的物理化学特征来识别污染源并量化污染源的贡献率，在定量源解析中较常用，主要包括化学质量平衡模型法（CMB）、正定矩阵因子分解法（PMF）、UNMIX模型法［39-40］。示踪技术基于同位素质量守恒原理，通过测定土壤受体中同位素的组成，对污染源进行定量解析，主要包括稳定同位素比值技术、重金属形态分析等［41］。Chen等结合UNIX、PMF模型和同位素比值技术，对河南省开封市郊区农业区的重金属来源进行定量识别，发现该方法在特定来源鉴定中具有良好的协调性［42］。此外，随着计算机技术的发展，机器学习模型以其强大的数据挖掘能力以及能够对污染源的贡献程度进行精准量化，在环境污染领域越来越受到关注。Jia等利用地理大数据并结合不同的机器学习方法进行分析，揭示了中国长江三角洲不同行业导致土壤污染的区域［43］。为了充分发挥各方法的优势，以便更加精确且可靠的解析污染源，越来越多的研究开始利用组合模型［44］。韓存亮等以珠江三角洲地区某农业土壤集中分布区域，综合采用PCA、CA、PMF和同位素比值等多种方法，开展土壤重金属污染特征分析与源解析，发现将多种方法相互结合与印证可以提高分析结果的合理性和可靠性［45］。Anaman等综合PCA、PMF和GIS方法，以确定重金属在不同土地用途之间的来源、运输路线和贡献，其中草地和农田土壤从地表径流和大气沉积中吸收重金属，而林地土壤只从大气沉积中吸收重金属［46］。此外，陈丹青等分别将GIS与其他方法相结合，均准确解析出污染来源及其贡献率［47-48］。

2.3.3 污染源汇关系 土壤重金属的来源主要分为自然源和人为源2个方面，自然源主要是成土母质风化后残留在土壤中的重金属。人为源可分为工业源（采矿、冶炼、燃煤等）、生活源（生活垃圾、废水、燃煤等）、交通源（汽车尾气、轮胎磨损等）以及农业源（农药、肥料等）。不同来源的重金属以不同的途径进入土壤，主要包括岩石风化形成的土壤母质、大气沉降、灌溉和径流、固废堆置、施用肥料与农药。对土壤重金属污染进行源汇关系分析，能够定性/定量获得各污染源的贡献情况，并分析出污染源进入土壤的途径［49］。赵慧等通过对重点污染企业的调查，分析污染物经水和大气迁移过程的源汇关系，确定研究区内主要的污染区域和企业［50］。李保杰等以田块尺度，在同源情况下分析7项指标反映土壤对重金属汇的能力，发现距离入水口或出水口的距离对土壤镉含量影响最大［51］。方淑波等结合源汇理论和景观生态学方法研究城乡梯度上土壤重金属的变化，发现林地土壤在研究区内所起到的重金属汇的作用［52］。毛志强等定量化分析了废矿区尾矿分别对河流上游和下游农田土壤重金属的来源贡献以及源汇通量［53］。Huang等探讨自然和人为因素对沿海地区福建省漳州市土壤重金属污染的影响，发现土壤有机质含量、农业活动和景观格局是影响重金属含量的主要因素［54］。

2.3.4 存在的问题 目前，“源汇理论”在土壤重金属污染研究中，通过“源-途径-受体”的分析思路和框架，已经在污染区域监测、污染来源解析以及污染源汇关系等方面都取得了不错的进展，且相关研究已经逐渐从地面上升到遥感，但在监测和分析过程中仍存在信息提取难、精度不高、难以准确验证、未能实现动态分析、未能形成体系等问题，具体表现在5个方面。第一，土壤重金属含量少、遥感影像混合像元的存在、区域环境差异大，使得重金属光谱信息微弱且易被掩盖。第二，高光谱数据波段数量多，各波段间关系复杂，且具有较强的共线性，传统机器学习方法处理能力较有限，使得监测精度难以保障。第三，现阶段监测模型主要通过样点进行模型验证，使得模型通常只适用于特定的研究区和样本，难以大规模推广应用。第四，目前主要还是以某一时间点的静态分析为主，未能充分将地面数据和地上遥感数据相结合，实现空间上的动态溯源分析。第五，土壤重金属污染汇的监测、源的解析、源汇关系等3个方面未能充分衔接形成体系，需要对源汇理论进行完善和丰富。

3 应用展望

3.1 从传统机器学习走向深度学习

重金属从土壤迁移至作物中，受到重金属的胁迫，作物的叶绿素、蛋白质含量都会受到一定程度的影响，体现在反射光谱上的差异［55］。因此，利用高光谱遥感数据可以从污染源、植物叶片颜色、植物生理生化指标、农产品中重金属含量等多个角度直接或间接监测土壤重金属污染状况［56-57］。

在重金属监测模型构建中，遥感数据具有高维、时空数据量大、多波段等特点，使得遥感数据分析面临诸多挑战。近年来，随着计算机技术的发展，CNN为代表的深度学习逐渐发展起来，其通过卷积和池化逐层提取特征，同时具有权值共享和局部连接的特性，使得模型更容易优化［58］。目前传统机器学习开始逐渐向深度学习转变，深度学习方法可以从要素之间的复杂非线性关系中挖掘特征和自主学习，构建的模型鲁棒性更强，并显示出优于传统机器学习算法［59-60］，已逐渐成为土壤属性高光谱遥感监测学者们的关注点。

3.2 点-线-面结合监测验证框架

土壤重金属在空间分布上具有一定的相关性和异质性，仅依靠样点对监测结果进行验证，模型通常难以大规模推广应用。应该分别从“源”与“汇”的2个基点出发展开，当监测完成后，通过污染汇集特征的分析，对污染源头进行解析，并对源汇过程进行探析，通过污染来源和污染过程的确定对监测结果进行宏观验证，形成类似于“点（源和汇）-线（源汇关系）-面（宏观验证）”的研究框架。因此，土壤重金属污染监测效果的验证不应再局限于采样点位，而应从源汇角度出发，点线面结合进行立体分析和宏观验证，以确保监测模型能够大范围应用和推广。

3.3 天-空-地一体化监测网络和验证体系

地面高光谱是土壤重金属高光谱遥感监测研究的基础，具有实效性高、稳定性强和分辨率高等特点，能够提供地物最直接和准确的观测数据，但其受观测范围的限制，无法开展大面积监测。航空高光谱同时具有高光谱分辨率和高空间分辨率的特点，是进行中小型区域高精度土壤污染定量监测的重要数据源，但其需要严格定标，数据预处理过程比地面高光谱复杂。航天高光谱具有范围广、数据多且获取成本低等特点，在大面积区域监测中具有绝对优势，但数据空间分辨率低、受云量干扰较大以及混合像元的存在，限制了航天高光谱影像信息提取的精度［23］。因此，未来可以将航天、航空、地面高光谱遥感技术相结合，充分发挥其各自的优势，形成天-空-地一体化的土壤重金属污染立体监测网络。同时可以将地面观测和收集的资料与遥感数据有机结合，充分发挥地面资料准确度高、可控性强以及遥感资料动态性、范围广的特点，形成多方面、多角度的验证体系。

3.4 从“3S”上升到“5S”技术集成

“5S”技术是指将遥感技术（RS）、地理信息系统（GIS）、全球定位系统（GPS）、专家系统（ES）和智能化决策知识系统（IDSS）进行一体化集成（图2），通过充分利用“3S”（RS、GIS、GPS）技术在数据收集、处理与分析上的优势，结合ES的知识体系，并在IDSS中进一步引入人工智能技术，进而帮助专家系统解决非结构化问题，从而提高系统决策自动化程度［61］。“5S”技术具有数据收集快、处理周期短、分析能力强、高度集成化、自动化、智能化等特點，能够应用于环境保护、精准农业、粮食安全、城市规划等各领域。因此，未来在土壤重金属污染监测效果的验证中，通过应用“5S”一体化集成系统，能够快速处理和分析数据，确定污染区域和污染来源，并验证监测效果，进而因地制宜地提出有效的防治应对措施，以解决区域土壤重金属污染问题。

3.5 监测、评估、溯源、预警与防治相结合

在源汇理论指导以及“5S”技术集成下，将监测、评估、溯源、预警与防治相结合，形成整体、系统、科学的土壤重金属污染研究体系。通过天-空-地一体化监测网络实时动态了解区域土壤重金属污染状况；利用污染风险评价方法明确污染区域和污染程度；基于源汇理论进行溯源分析找到污染来源，并对监测效果进行有效验证；通过不同时期的土壤重金属数据，模拟不同情景下未来农田重金属可能的污染状况，并进行风险预警提示；最后将信息反馈给决策者，因地制宜地制定污染防治措施，以改善区域内土壤重金属的污染状况，进而使生态系统安全得到改善，同时有利于人体健康，最终为国家在解决土壤重金属污染动态监测、预警、防治等提供科学依据。

参考文献：

［1］周建军，周 桔，冯仁国.我国土壤重金属污染现状及治理战略［J］. 中国科学院院刊，2014，29（3）：315-320，350，272.

［2］Ren S Y，Song C Q，Ye S J，et al. The spatiotemporal variation in heavy metals in Chinas farmland soil over the past 20 years：a meta-analysis［J］. Science of the Total Environment，2022，806：150322.

［3］全国土壤污染状况调查公报［EB/OL］. （2014-04-17）［2022-10-11］. http：//www.gov.cn/foot/2014-04/17/content_2661768.htm.

［4］Yang Q Q，Li Z Y，Lu X N，et al. A review of soil heavy metal pollution from industrial and agricultural regions in China：pollution and risk assessment［J］. Science of the Total Environment，2018，642：690-700.

［5］楊元合，石 岳，孙文娟，等. 中国及全球陆地生态系统碳源汇特征及其对碳中和的贡献［J］. 中国科学（生命科学），2022，52（4）：534-574.

［6］陈利顶，傅伯杰，徐建英，等. 基于“源-汇”生态过程的景观格局识别方法——景观空间负荷对比指数［J］. 生态学报，2003，23（11）：2406-2413.

［7］陈利顶，傅伯杰，赵文武.“源”“汇”景观理论及其生态学意义［J］. 生态学报，2006，26（5）：1444-1449.

［8］Guan Q，Wang F，Xu C，et al. Source apportionment of heavy metals in agricultural soil based on PMF：a case study in Hexi Corridor，northwest China［J］. Chemosphere，2018，193：189-197.

［9］曾菁菁，沈春竹，周生路，等. 基于改进LUR模型的区域土壤重金属空间分布预测［J］. 环境科学，2018，39（1）：371-378.

［10］尚二萍，许尔琪，张红旗，等. 中国粮食主产区耕地土壤重金属时空变化与污染源分析［J］. 环境科学，2018，39（10）：4670-4683.

［11］赵 慧，何 博，王铁宇，等. 我国南方典型城市土壤重金属污染特征及源汇关系分析［J］. 环境科学学报，2019，39（7）：2231-2239.

［12］Jia X，Fu T，Hu B，et al. Identification of the potential risk areas for soil heavy metal pollution based on the source-sink theory［J］. Journal of Hazardous Materials，2020，393：122424.

［13］Xue B，Zhang H，Wang G，et al. Evaluating the risks of spatial and temporal changes in nonpoint source pollution in a Chinese River Basin［J］. Science of the Total Environment，2022，807：151726.

［14］黄赵麟，丁 懿，王君櫹，等. 基于多模型优选的区域土壤重金属含量空间预测方法研究［J］. 生态与农村环境学报，2020，36（3）：308-317.

［15］Huang N，Lin T，Guan J J，et al. Identification and regulation of critical source areas of non-point source pollution in medium and small watersheds based on source-sink theory［J］. Land，2021，10（7）：668.

［16］李海防，卫 伟，陈 瑾，等. 基于“源”“汇”景观指数的定西关川河流域土壤水蚀研究［J］. 生态学报，2013，33（14）：4460-4467.

［17］黄 宁，王红映，吝 涛，等. 基于“源-汇”理论的流域非点源污染控制景观格局调控框架——以厦门市马銮湾流域为例［J］. 应用生态学报，2016，27（10）：3325-3334.

［18］李道进，逄 勇，钱者东，等. 基于景观生态学源-汇理论的自然保护区功能分区研究［J］. 长江流域资源与环境，2014，23（增刊1）：53-59.

［19］李丽光，许申来，王宏博，等. 基于源汇指数的沈阳热岛效应［J］. 应用生态学报，2013，24（12）：3446-3452.

［20］陈运帷.基于源汇关系的赣州市土壤重金属空间格局研究［D］. 北京：中国环境科学研究院，2019：1-2.

［21］Shi T，Ma J，Wu F，et al. Mass balance-based inventory of heavy metals inputs to and outputs from agricultural soils in Zhejiang Province，China［J］. Science of the Total Environment，2019，649：1269-1280.

［22］邹萌萌，周卫红，张静静，等. 我国东部地区农田土壤重金属污染概况［J］. 中国农业科技导报，2019，21（1）：117-124.

［23］成永生，周 瑶.土壤重金属高光谱遥感定量监测研究进展与趋势［J］. 中国有色金属学报，2021，31（11）：3450-3467.

［24］童庆禧，张 兵，张立福.中国高光谱遥感的前沿进展［J］. 遥感学报，2016，20（5）：689-707.

［25］Zhou W H，Zhang J J，Zou M M，et al. Feasibility of using rice leaves hyperspectral data to estimate CaCl2-extractable concentrations of heavy metals in agricultural soil［J］. Scientific Reports，2019，9：16084.

［26］Shi T，Liu H，Chen Y，et al. Estimation of arsenic in agricultural soils using hyperspectral vegetation indices of rice［J］. Journal of Hazardous Materials，2016，308：243-252.

［27］Zhou W，Yang H，Xie L J，et al. Hyperspectral inversion of soil heavy metals in Three-River Source Region based on random forest model［J］. Catena，2021，202（12）：105222.

［28］易兴松，兰安军，文锡梅，等. 基于ASD和GaiaSky-mini的农田土壤重金属污染监测［J］. 生态学杂志，2018，37（6）：1781-1788.

［29］Tan K，Ma W B，Chen L H，et al. Estimating the distribution trend of soil heavy metals in mining area from HyMap airborne hyperspectral imagery based on ensemble learning［J］. Journal of Hazardous Materials，2021，401：123288.

［30］Zhang B，Guo B，Zou B，et al. Retrieving soil heavy metals concentrations based on GaoFen-5 hyperspectral satellite image at an opencast coal mine，Inner Mongolia，China［J］. Environmental Pollution，2022，300：118981.

［31］Hong Y，Chen Y，Shen R，et al. Diagnosis of cadmium contamination in urban and suburban soils using visible-to-near-infrared spectroscopy［J］. Environmental Pollution，2021，291：118128.

［32］Li W，Xu B，Song Q，et al. The identification of ‘hotspots of heavy metal pollution in soil-rice systems at a regional scale in Eastern China［J］. Science of the Total Environment，2014，472：407-420.

［33］Jiang Y，Huang M，Chen X，et al. Identification and risk prediction of potentially contaminated sites in the Yangtze River Delta［J］. Science of the Total Environment，2022，815：151982.

［34］劉宏波，瞿明凯，张健琳，等. 土壤污染物源解析技术研究进展［J］. 环境监控与预警，2021，13（1）：1-6，19.

［35］李卫平，王 非，杨文焕，等. 包头市南海湿地土壤重金属污染评价及来源解析［J］. 生态环境学报，2017，26（11）：1977-1984.

［36］Gu Y G，Li Q S，Fang J H，et al. Identification of heavy metal sources in the reclaimed farmland soils of the Pearl River Estuary in China using a multivariate geostatistical approach［J］. Ecotoxicology and Environmental Safety，2014，105：7-12.

［37］Dong B，Zhang R，Gan Y，et al. Multiple methods for the identification of heavy metal sources in cropland soils from a resource-based region［J］. Science of the Total Environment，2019，651：3127-3138.

［38］Lyu J，Wang Y. Multi-scale analysis of heavy metals sources in soils of Jiangsu Coast，Eastern China［J］. Chemosphere，2018，212：964-973.

［39］张 军，董 洁，梁青芳，等. 宝鸡市区土壤重金属污染影响因子探测及其源解析［J］. 环境科学，2019，40（8）：3774-3784.

［40］陈志凡，化艳旭，徐 薇，等. 基于正定矩阵因子分析模型的城郊农田重金属污染源解析［J］. 环境科学学报，2020，40（1）：276-283.

［41］Huang Y，Li T，Wu C，et al. An integrated approach to assess heavy metal source apportionment in peri-urban agricultural soils［J］. Journal of Hazardous Materials，2015，299：540-549.

［42］Chen Z，Ding Y，Jiang X，et al. Combination of UNMIX，PMF model and Pb-Zn-Cu isotopic compositions for quantitative source apportionment of heavy metals in suburban agricultural soils［J］. Ecotoxicology and Environmental Safety，2022，234：113369.

［43］Jia X，Hu B，Marchant B P，et al. A methodological framework for identifying potential sources of soil heavy metal pollution based on machine learning：a case study in the Yangtze Delta，China［J］. Environmental Pollution，2019，250：601-609.

［44］Zeng W B，Wan X M，Wang L Q，et al. Apportionment and location of heavy metal（loid）s pollution sources for soil and dust using the combination of principal component analysis，Geodetector，and multiple linear regression of distance［J］. Journal of Hazardous Materials，2022，438：129468.

［45］韩存亮，罗炳圣，常春英，等. 基于多种方法的区域农业土壤重金属污染成因分析研究［J］. 生态与农村环境学报，2022，38（2）：176-183.

［46］Anaman R，Peng C，Jiang Z C，et al. Identifying sources and transport routes of heavy metals in soil with different land uses around a smelting site by GIS based PCA and PMF［J］. Science of the Total Environment，2022，823：153759.

［47］陳丹青，谢志宜，张雅静，等. 基于PCA/APCS和地统计学的广州市土壤重金属来源解析［J］. 生态环境学报，2016，25（6）：1014-1022.

［48］陈 雪，刘鸿雁，吴 攀，等. 基于GIS和PMF的铜仁植烟土壤重金属污染特征与来源解析［J］. 农业环境科学学报，2022，41（4）：794-801.

［49］陈雅丽，翁莉萍，马 杰，等. 近十年中国土壤重金属污染源解析研究进展［J］. 农业环境科学学报，2019，38（10）：2219-2238.

［50］赵 慧，何 博，王铁宇，等. 我国南方典型城市土壤重金属污染特征及源汇关系分析［J］. 环境科学学报，2019，39（7）：2231-2239.

［51］李保杰，王思宇，周生路，等. 田块尺度下农田重金属污染特征及其源汇关系响应解析［J］. 农业工程学报，2018，34（6）：204-209.

［52］方淑波，崔 曲，庞慧焕，等. 基于源汇理论的浦东新区土壤重金属沿城乡梯度的分布特征［J］. 生态学杂志，2016，35（3）：772-780.

［53］毛志强，田 康，刘本乐，等. 广西某采选废矿区重金属生态风险与源汇关系［J］. 农业环境科学学报，2021，40（5）：987-998.

［54］Huang S，Xiao L，Zhang Y，et al. Interactive effects of natural and anthropogenic factors on heterogenetic accumulations of heavy metals in surface soils through geodetector analysis［J］. Science of the Total Environment，2021，789：147937.

［55］周卫红，张静静，邹萌萌，等. 土壤重金属有效态含量检测与监测现状、问题及展望［J］. 中国生态农业学报，2017，25（4）：605-615.

［56］张静静，周卫红，邹萌萌，等. 高光谱遥感监测大面积土壤重金属污染的研究现状、原理及展望［J］. 江苏农业科学，2018，46（12）：9-13.

［57］刘彦平，罗 晴，程和发.高光谱遥感技术在土壤重金属含量测定领域的应用与发展［J］. 农业环境科学学报，2020，39（12）：2699-2709.

［58］LeCun Y，Bengio Y，Hinton G.Deep learning［J］. Nature，2015，521（7553）：436-444.

［59］钟 亮，郭 熙，国佳欣，等. 基于不同卷积神经网络模型的红壤有机质高光谱估算［J］. 农业工程学报，2021，37（1）：203-212.

［60］Zhong L，Guo X，Xu Z，et al. Soil properties：their prediction and feature extraction from the LUCAS spectral library using deep convolutional neural networks［J］. Geoderma，2021，402：115366.

［61］李建龙，李 鹤，刚成诚，等. 5S一体化集成技术及其在农业科学中的应用进展［J］. 江苏农业科学，2010（5）：26-29.