陕西渭河流域地表水中砷污染的驱动机制及高风险区域预测

《Environmental Pollution》：Driving Mechanisms and High-Risk Area Prediction of Arsenic Pollution in Surface Water of the Shaanxi Wei River Basin

本研究对渭河流域陕西段地表水砷污染进行时空分异分析，整合22项环境因子，采用地理探测器与随机森林模型，揭示降水（q=0.629）和黏土含量（q=0.594）为主要驱动因素，非线性协同效应（N∩TEMP, q=0.754）加剧空间分异，预测模型准确率达98.92%，识别出延安北部与西安长安区为高风险区，超标最高达6.3倍，为区域防控提供科学依据。

　　本研究聚焦于渭河流域，特别是陕西省段，探讨了该地区地表水中砷（As）污染的分布特征及其驱动机制。作为黄河流域的重要组成部分，渭河流域不仅对区域生态系统的稳定至关重要，还承担着支撑社会经济发展的重任。然而，近年来，随着工业化和农业集约化的加速发展，该地区的水体污染问题日益严重，尤其是砷污染，已成为威胁生态环境安全和公众健康的关键因素之一。本研究通过收集陕西省段渭河流域的186个地表水样本，并整合了包括水文地球化学、土壤、气候以及人为活动在内的22种环境因素，进行系统性的综合分析。研究结合地理探测器模型与随机森林算法，不仅揭示了砷浓度的空间异质性，还深入探讨了影响其空间分布的主要机制。

研究结果表明，地表水中砷的平均浓度为3.8 μg/L，而最高浓度达到了63.9 μg/L，约为安全阈值的6.3倍。这一显著的浓度差异说明，砷污染在不同区域之间存在明显的空间分布特征。进一步的分析发现，在陕西北部的延安市以及西安市的长安区，砷浓度超过了世界卫生组织（WHO）设定的10 μg/L安全标准，显示出这些地区为砷污染的高风险区域。通过对地理探测器模型的应用，研究识别出年均降水量（PREC）和黏土含量（COS）是影响砷空间分布的主导因素，其影响程度分别达到0.629和0.594。此外，氮含量与气候和地形因素之间的交互作用（如N∩TEMP）也对砷的分布产生了显著影响，这种非线性的协同效应进一步放大了砷污染的空间差异性。

研究还构建了一个基于随机森林算法的砷污染风险预测模型，该模型展现出优异的预测性能，准确率达到98.92%，AUC值为0.988，表明其在识别高风险区域方面具有高度可靠性。通过将模型预测结果与人口密度数据进行空间叠加分析，研究发现，陕西省北部的延安市和西安市城区是砷污染风险最高的区域。这些发现不仅为渭河流域的砷污染防控提供了科学依据，也为区域生态环境保护和公共卫生策略的制定提供了方法论支持。

在研究区域的概述中，渭河作为黄河最大的支流，其流域范围广泛，流经甘肃省东部和陕西省中部，最终在潼关汇入黄河。渭河干流全长约818公里，其中约502公里位于陕西省境内。该流域包括宝鸡、咸阳、西安和渭南等重要城市，地处黄土高原与秦岭山脉之间，地形复杂，生态环境多样。渭河的北部支流主要发源于甘肃省的陇南地区，而南部支流则来自秦岭山脉。这种复杂的地形条件和多样的土地利用类型，为砷污染的形成和扩散提供了多种可能的路径。此外，渭河流域内工业活动频繁，农业灌溉广泛，这些人为因素与自然条件相互作用，加剧了砷污染的复杂性。

从水砷的统计分析来看，研究区域的地表水样本检测结果表明，砷浓度存在显著的空间异质性。平均浓度为3.8 μg/L，低于WHO设定的10 μg/L安全标准，但最高浓度达到63.95 μg/L，这一数值远超安全阈值，显示出局部地区的砷污染问题极为严重。标准差为5.9，进一步表明不同地点之间的砷污染水平差异较大。这种空间分布的不均匀性可能与多种因素有关，包括地质背景、水文条件、土地利用方式以及人类活动的影响。例如，某些区域可能由于地质中含有较高浓度的砷，导致地下水和地表水的天然富集；而另一些区域则可能由于工业排放或农业活动带来的砷输入，使污染水平显著升高。

砷污染的成因复杂，既受到自然因素的影响，也与人为活动密切相关。在自然因素方面，水文地球化学条件是影响砷迁移和富集的重要因素。pH值和氧化还原电位（Eh）在控制砷的溶解性和吸附性方面发挥着关键作用。在高pH或强还原条件下，铁和锰氧化物的溶解会释放出更多的砷进入水体。此外，温度、降水、植被覆盖以及地形地貌等自然条件也会对砷的分布产生影响。例如，降水量较大的区域可能通过淋溶作用将土壤中的砷带入地表水，而地形起伏较大的区域则可能因水流路径的变化，导致砷在不同地点的富集程度不同。

在人为因素方面，农业活动、工业排放、采矿以及燃煤等行为都可能成为砷污染的重要来源。农业灌溉过程中，化肥和农药的使用可能引入含有砷的物质，进而通过土壤渗透进入水体。工业废水排放是砷污染的另一个重要途径，尤其是在一些工业发达的地区，未经充分处理的废水可能直接排入河流，造成砷浓度的升高。采矿活动，尤其是金属矿开采，可能释放出大量含有砷的矿物，这些矿物在风化和侵蚀过程中进入水体。此外，燃煤过程中，煤灰中可能含有砷等重金属，这些物质在排放过程中也可能对水体造成污染。

为了更全面地理解砷污染的驱动机制，本研究引入了地理探测器模型和随机森林算法。地理探测器模型能够识别出影响砷分布的主导因素及其交互作用，而随机森林算法则能够有效处理复杂、非线性和空间异质性的数据，从而构建出高精度的污染风险预测模型。这两种方法的结合，使得研究不仅能够揭示砷污染的空间分布特征，还能够深入分析其背后的驱动因素，为制定针对性的防控措施提供了科学依据。

通过地理探测器模型的分析，研究发现年均降水量和黏土含量是影响砷空间分布的两个主要因素。年均降水量的增加可能促进土壤中砷的淋溶作用，使其更容易进入地表水。黏土含量较高的区域，由于其具有较强的吸附能力，可能在一定程度上抑制砷的迁移，但在某些情况下，黏土中的砷也可能通过风化作用释放到水体中。此外，研究还发现氮含量与气候和地形因素之间的交互作用对砷污染的分布具有显著影响。这种非线性的协同效应表明，砷污染的形成并非单一因素决定，而是多种因素相互作用的结果。

随机森林算法的应用为砷污染风险的预测提供了新的视角。该模型不仅能够处理大量的环境变量，还能够捕捉到变量之间的复杂关系，从而提高预测的准确性。研究结果显示，该模型在预测砷污染风险方面表现出色，准确率达到98.92%，AUC值为0.988，表明其在识别高风险区域方面具有较高的可靠性。通过将模型预测结果与人口密度数据进行空间叠加分析，研究进一步明确了高风险区域的分布情况，为政策制定者提供了科学依据，以便在这些区域采取更加有效的防控措施。

本研究的结论不仅揭示了渭河流域地表水中砷污染的分布特征和驱动机制，还为该地区的水污染防控和生态环境保护提供了理论支持和实践指导。研究发现，砷污染的高风险区域主要集中在陕西省北部的延安市和西安市的长安区，这些区域的砷浓度远超安全标准，表明其污染问题尤为突出。进一步的分析表明，这些地区的砷污染主要受到工业排放、农业输入以及富含砷的地质条件的影响。因此，针对这些区域，需要采取更加严格的污染防控措施，例如加强工业废水处理、推广低砷农业投入品以及实施地质调查和污染源识别等。

本研究的意义在于，它不仅填补了对渭河流域砷污染机制研究的空白，还为其他类似流域的污染治理提供了可借鉴的经验。通过引入先进的机器学习方法，研究展示了如何在复杂环境中有效识别和预测污染风险，为环境管理和生态保护提供了新的技术手段。此外，研究还强调了跨学科合作的重要性，结合了水文地球化学、地理信息系统（GIS）以及机器学习等多个领域的知识，从而实现了对砷污染的多维度分析。

总之，本研究通过对渭河流域地表水中砷污染的系统性分析，揭示了其空间分布特征和主要驱动因素。研究结果表明，砷污染在该地区存在显著的空间异质性，且受多种自然和人为因素的共同影响。通过构建基于随机森林算法的污染风险预测模型，研究为识别高风险区域提供了科学依据，并为制定针对性的防控措施奠定了基础。这些发现不仅对渭河流域的生态环境保护具有重要意义，也为其他地区的水污染治理提供了有益的参考。未来的研究可以进一步探讨不同污染源对砷浓度的具体贡献，以及如何通过综合治理措施降低污染风险，从而实现可持续的水资源管理和生态环境保护。