基于空间变异系数的土壤潜在毒性元素环境风险区划自动识别方法研究

本研究针对土壤潜在毒性元素(PTEs)环境风险主动识别难题，创新性地采用空间变异系数(CV)替代传统污染评价方法，结合异常值判定(Z-scores)与尺度转换技术，构建了自动化风险区划识别框架。研究发现严格判定条件(Z>2)虽能精准识别高风险区但会遗漏潜在风险区，而空间分辨率提升可优化识别精度但需平衡计算效率。提出的衰减指数为分辨率选择提供量化依据，为土壤环境精准管理提供新范式。

　　

土壤中潜在毒性元素（Potentially Toxic Elements, PTEs）的环境风险管控是当前生态安全领域的重大挑战。传统被动监测方式难以满足主动防控需求，而复杂算法模型又面临数据获取困难的应用瓶颈。东北黑土地作为我国重要粮仓，其土壤PTEs污染风险识别更具紧迫性。

辽宁省生态环境科学数据中心的研究团队在《Journal of Hazardous Materials》发表研究，创新性地利用PTEs空间变异系数（Coefficient of Variation, CV）的尺度效应特征，结合异常值判定（Z-scores）和空间尺度转换技术，建立了自动化风险区划识别方法。通过对松辽平原2,535个样点的8种PTEs数据分析，揭示了统计单元面积与CV值的幂函数关系（R²

0.99），发现严格判定条件（Z>2）虽使高风险区识别准确率达92%，但潜在风险区漏检率高达94%；而宽松条件（Z>3）则导致错误均匀分布。研究提出的衰减指数量化了分辨率与识别精度的非线性关系，为平衡计算效率与精度提供科学依据。

关键技术包括：1) 基于2,535个土壤样点的PTEs含量空间数据库；2) 多尺度空间统计单元CV计算；3) 双标准异常值判定体系（Z>2和Z>3）；4) 衰减指数模型构建。

【差异化的空间异质性】
统计单元面积与PTEs中位CV呈现显著幂律关系，其中Cd的尺度因子a值最高（0.31），显示其空间异质性最强。这种元素特异性差异为靶向防控提供依据。

【异常值判定的影响】
严格标准下高风险区识别准确率虽高，但会严重低估潜在风险（仅6%识别率）。研究建议采用分级阈值策略，对核心污染区实施严格标准，边缘区采用宽松标准。

【空间分辨率效应】
10km²
分辨率下高风险区面积占比达12.7%，而1km²
时降至8.3%。衰减指数显示分辨率提升至5km²
后识别精度增益显著降低，建议以此作为最优计算节点。

【环境启示】
该研究突破传统静态评价局限，建立的动态识别框架可实现PTEs风险早期预警。特别值得注意的是，Cd和As因其高空间变异性（a值>0.25）应作为优先监控元素。未来需进一步探究PTEs空间异质性与健康风险的剂量-效应关系。

研究团队提出的自动化工作流显著提升识别效率，其核心创新在于：1) 利用CV自然衰减特征替代人为阈值设定；2) 通过尺度转换实现多层级风险耦合表达；3) 建立的衰减指数模型为GIS平台参数优化提供量化工具。这些成果为《土壤污染防治法》实施提供了关键技术支撑，尤其对东北老工业基地土壤修复工程具有直接指导价值。