异质区域内的土壤微量元素异常受到自然背景变化和局部人为影响的共同作用[1], [2], [3]。在这些系统中，高浓度可能反映了岩源富集、分散的工业干扰，或两种过程的共同作用[4], [5], [6]。因此，污染控制的关键挑战不仅在于检测富集点，还在于确定空间上分离的异常斑块是代表不同的异常源信号，还是相似地球化学背景的重复表现。在土壤背景值变化较大的区域，如果不考虑环境背景，空间上分散的异常可能会被误解读为独立的污染源[7], [8]。
以往的研究通过使用受体模型、多元统计、机器学习、空间自相关和基于聚类的方法改进了土壤微量元素源分析。诸如主成分分析（PCA）和正矩阵分解（PMF）之类的受体模型有助于提取区域尺度上的主导协方差结构并估计源贡献[4], [7]。机器学习和地质统计方法进一步提高了对非线性源相关模式和空间异质性污染的识别能力。包括局部空间关联指标（LISA）在内的空间统计工具可以识别局部高值簇，而基于密度的聚类方法可以划定地理上连续的异常斑块。这些发展为在异质背景条件下解释土壤污染模式提供了显著进展[9], [10], [11], [12], [13], [14]。
这些方法解决了不同但互补的分析问题。区域受体模型总结了整个数据集的协方差结构或因素贡献，而局部空间方法则划分了地理上界定的富集模式。全局或区域平均模型可能会平滑稀疏和零散的局部异常，而视觉地图比较和单元素热点分析无法确定不同的异常斑块是否在地球化学上是独立的[7], [8], [11]。同样，空间聚类可以划定热点的几何形态，但仅凭空间分离并不能证明源的独立性。因此，在检测局部富集、划分多元素复合晕圈以及筛选空间上分散的异常斑块是否在地球化学上冗余或潜在独立之间存在方法论上的差距。
局部空间关联指标（LISA）用于识别单个元素的最高浓度（HH）热点候选点，并区分空间上连贯的富集模式和孤立极端值。基于密度的空间聚类方法（DBSCAN）可以在不预先定义簇数的情况下，将得到的多元素候选点组分为地理上连续的簇。因此，LISA提供了经过空间筛选的局部异常候选点，而DBSCAN则划定了复合晕圈的空间边界。
结合LISA和DBSCAN的方法将局部空间关联与基于密度的地理划分联系起来。LISA首先识别单个元素的HH异常，它们的重叠部分确定了多元素候选点；随后DBSCAN划定了空间上连续的复合晕圈簇。基于余弦角的同质性审计评估了成对特征的相似性，并总结了原始特征相似性网络的连通组件拓扑结构。本研究使用来自揭阳的1,330个土壤样本和14种目标微量元素，旨在：(i) 从单个元素的HH异常中识别出空间上连贯的多元素复合晕圈；(ii) 评估形成的热点簇在地球化学上是否不同或重复；(iii) 描述连通的原始特征相似性和热点簇之间的内部差异。该框架旨在筛选候选异常源信号，并优先考虑用于野外调查的空间簇和相似性域，而不是替代定量源分配模型或直接证明源的因果关系。
