《Physics and Chemistry of the Earth, Parts A/B/C》:Remote sensing applications for assessing climate change impacts on deciduous forests—A systematic review
编辑推荐:
沉积物质地、溶解有机碳及水化学共同影响有毒金属的溶解性与迁移性,通过机器学习、结构方程模型和 geochemical 模拟揭示其驱动机制,建立空间风险指数。
Fahmida Sultana|Zia Ahmed|Fei Zhang|Tasrina R. Choudhury|M.Safiur Rahman
地理与环境系,Shahjalal科学技术大学,Sylhet,3114,孟加拉国
摘要
本研究探讨了沉积物质地、溶解有机碳(DOC)水平和水化学之间的复杂相互作用,这些因素影响了河流沉积物中有毒金属(Cd、Ni、Zn、Cu、Cr、Pb)的溶解度和迁移性。采用了一种多层次的方法,结合了机器学习、结构方程建模(SEM)和地球化学模拟,以了解孟加拉国Meghna河中金属的行为。冗余分析(RDA)表明,沉积物质地和DOC组分是金属迁移性的主要驱动因素,其中粘土含量对金属浓度变化的贡献最大(粘土的方差膨胀因子(VIF)值为3.50)。研究使用随机森林(RF)和XGBoost模型来预测金属浓度,对于Ni、Zn、Cr和Pb,曲线下面积(AUC)值达到了1.000;对于Cd,AUC值为0.964。回归模型的表现也非常出色,R2值分别为Pb的0.963、Ni的0.938和Zn的0.928,这凸显了DOC和沉积物质地在解释金属变化方面的稳健性。SEM分析表明,pH值调节了DOC与金属之间的关系,DOC保留和金属迁移性的标准化路径系数分别为-0.475和0.96。基于GIS的金属迁移指数(MMI)和土壤迁移指数(SMI)预测了金属迁移的高风险区域,AUC值为0.91,有效区分了高迁移性和低迁移性区域。这些发现为金属迁移动态提供了重要见解,并为河流沉积物管理和金属污染风险评估提供了有价值的工具。
引言
近年来,河流沉积物中有毒金属污染问题引起了广泛关注,因为它对人类福利和环境健康有着重要影响(Gabrijel Ondrasek等人,2025年)。特别是在城市和工业区,河流沉积物常常成为多种有害化合物的储存库,包括镉(Cd)、镍(Ni)、锌(Zn)、铜(Cu)、铬(Cr)和铅(Pb)等有毒金属(Phaenark等人,2024年)。这些金属可能对水生生物产生不利影响,并通过食物链对依赖这些水源进行饮用、灌溉和捕鱼的人类群体构成威胁(Saravanan等人,2024年)。这些有害金属在河流沉积物中的行为受到多种因素的复杂影响,包括沉积物质地、溶解有机碳(DOC)浓度和周围水化学性质(Mitra等人,2022年)。理解这些相互作用对于制定有效的管理策略以减轻金属污染带来的环境风险至关重要。
河流沉积物中有毒金属的溶解度和迁移性不仅取决于它们的化学性质,还取决于沉积环境中的物理和生物因素(Debnath等人,2021年;Violante等人,2010年)。例如,沉积物的质地(从沙子到粘土不等)会显著影响金属的吸附和解吸过程(Que等人,2024年;Nguyen等人,2022年)。同样,溶解有机碳(DOC)作为水生生态系统中的重要元素,通过改变金属的溶解度和迁移性来显著影响其行为(Ju等人,2025年;Miranda等人,2022年;Wen等人,2021年)。DOC可以与金属形成复合物,改变它们的化学形态,使其对水生生物的生物可利用性增加或减少(Wood等人,2011年)。水化学性质,如pH值、温度和离子浓度,进一步调节这些相互作用,通常导致不同河流系统中金属的溶解度和迁移性有所不同(Caporale & Violante,2016年)。
尽管这些因素已经分别进行了研究,但仍然缺乏同时考虑沉积物质地、DOC和水化学性质来预测河流沉积物中金属行为的综合研究(Violante等人,2010年;Sherene,2009年;Jansen等人,2003年;Deflandre,2001年)。此外,传统的分析金属迁移性和溶解度的方法往往无法充分考虑这些因素之间的动态和非线性相互作用。这一知识空白强调了需要采用先进方法来更全面地理解河流沉积物中金属的行为。
近年来,机器学习(ML)方法与环境研究的结合势头日益增强,为预测和管理环境风险提供了新的可能性(Mahmud等人,2024年;Hossain等人,2022年;Wagenschein & Rode,2008年)。机器学习算法,如随机森林(RF)和XGBoost,已经证明了它们在处理大型数据集中的复杂模式方面的能力,非常适合预测河流沉积物中有害金属的行为(TavallaieNejad等人,2025年;Yaseen等人,2025年)。这些技术可以提供有关各种环境因素如何相互作用以影响金属迁移性和溶解度的宝贵见解,从而填补了当前研究中的关键空白。
此外,结构方程建模(SEM)为理解复杂系统中多个变量之间的因果关系提供了一种强大的方法(Hair等人,2021年;Beran & Violato,2010年)。通过将SEM应用于河流沉积物研究,可以揭示沉积物组成、DOC通量和缓冲能力如何影响金属行为的复杂途径。这些发现可以激发更有效的政策选择和管理方法,以减少水生栖息地中金属污染的负面影响。另一种重要的工具是Visual MINTEQ,这是一种地球化学建模软件,可以模拟河流系统中金属的pH值和DOC依赖行为(Uddh-S?derberg等人,2024年;Zhang等人,2018年)。通过将这一工具纳入分析,研究人员可以开发出考虑不同区域水化学变化的空间明确模型(Ahmad,2025年)。
本研究结合了机器学习、因果路径分析和地球化学模拟,以增进对沉积物质地、溶解有机碳(DOC)和水化学如何影响河流沉积物中有害金属溶解度和迁移性的理解。与以往的研究不同,本研究(i)结合了多变量统计方法和机器学习以实现高精度的金属行为预测;(ii)使用结构方程建模(SEM)揭示因果路径,强调pH值作为关键中介;(iii)结合了Visual MINTEQ和基于GIS的指数(SMI和MMI)生成空间明确的风险地图——为金属污染评估和管理提供了创新框架。本研究的结果将有助于建立可用于环境监测、风险评估和制定更有效策略的预测模型,以减轻河流系统中的金属污染。本研究的目标是评估沉积物质地、DOC水平和水化学如何共同影响河流沉积物中有毒金属(Cd、Ni、Zn、Cu、Cr、Pb)的溶解度和迁移性。此外,本研究还有三个具体目标:首先,使用随机森林和XGBoost等机器学习技术预测金属迁移性并识别关键的环境驱动因素;其次,应用结构方程建模(SEM)探索沉积物组成、DOC通量和缓冲能力之间的因果关系;最后,开发一个空间明确的金属迁移指数,并利用Visual MINTEQ建模来模拟河流系统中依赖pH值和DOC的金属行为。通过实现这些目标,本研究将为理解和预测河流沉积物中有害金属的行为提供一个完整的框架。机器学习、SEM和地球化学模拟的结合将有助于提高我们对调节金属溶解度和迁移性的环境机制的认识,最终改进金属污染河流生态系统的管理技术。
研究区域
研究区域涵盖了上Meghna河,从Bhairab(Surma河和Kushiyara河交汇处)延伸到Chandpur区(河流在此处汇入Meghna河口,Narzis,2020年)(图1)。这一段河流是Meghna河流域的重要组成部分,贯穿Kishoreganj、Brahmanbaria、Narsingdi、Cumilla、Narayanganj、Munshiganj和Chandpur等多个地区。地理上,研究区域覆盖了从最北端到……
材料与方法
为了评估溶解有机碳(DOC)介导的河流沉积物中有毒金属(Cd、Ni、Zn、Cu、Cr和Pb)的迁移性和溶解度,本研究采用了一种多层次的方法,结合了基于现场的地球化学数据、地球化学模拟、多变量统计、机器学习和空间建模。这种全面的方法反映了记录沉积物组成、水化学和金属行为之间复杂关系的必要性
环境因素对金属行为影响的冗余分析
进行了冗余分析(RDA),以探讨环境变量对河流沉积物中金属(Cd、Ni、Zn、Cu、Cr、Pb)溶解度和迁移性的影响。RDA模型解释了金属浓度总方差的22.67%,前两个典型轴(RDA1和RDA2)解释了受限方差的75.92%(表2)。在环境预测因子中,沙子含量(VIF = 3.69)和粘土含量(VIF = 3.50)对金属迁移性的贡献最大讨论
本研究探讨了沉积物质地、溶解有机碳(DOC)水平和水化学对河流沉积物中有毒金属(特别是Cd、Ni、Zn、Cu、Cr和Pb)溶解度和迁移性的影响。机器学习模型、结构方程建模(SEM)和地球化学模拟的结合提供了一个先进的框架,以更好地理解影响金属行为的环境驱动因素。本研究的一个关键发现是……
结论
本研究调查了沉积物质地、溶解有机碳(DOC)水平和水化学对河流沉积物中有毒金属溶解度和迁移性的影响。研究使用了机器学习模型、因果路径分析和地球化学模拟等先进技术来理解驱动金属行为的环境因素。研究发现,沉积物质地,特别是沙子和粘土含量,是决定金属溶解度的关键因素
作者贡献声明
M. Safiur Rahman:撰写——审稿与编辑,监督。Fahmida Sultana:撰写——初稿,方法论,数据管理,概念化。Fei Zhang:撰写——审稿与编辑,监督。Zia Ahmed:撰写——审稿与编辑,撰写——初稿,监督,方法论,概念化。Tasrina R. Choudhury:数据管理
未引用参考文献
Ondrasek等人,2025年;Nguyen等人,2022a年。
数据可用性
所有用于生成分析的数据和代码均作为补充材料附上。
AI声明
使用了ChatGPT、Quillbot和Grammarly等人工智能软件来提高整体写作连贯性和语法质量。资助
本研究由孟加拉国政府的科学技术部提供的国家科学技术奖学金资助。利益冲突声明
?作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:N/A致谢
作者感谢孟加拉国原子能委员会实验室助理和研究人员的合作,他们协助进行了实验室分析。