沉积物指纹识别中差异性溶解诱导的浓度漂移：理论、验证、意义与解决方案

《Journal of Environmental Management》：Differential dissolution-induced concentration drift in sediment fingerprinting: Theory, validation, implications, and resolution

　　

- 元素的不均匀溶解导致沉积物元素浓度漂移。
- DDICD对沉积物指纹技术中的浓度守恒提出了挑战。
- 自然河流观测表明DDICD可能影响指纹精度。
- 适当使用基于比值的指纹示踪剂可以减少与DDICD相关的误差。

**引言**

准确识别集水区内沉积物来源对于理解侵蚀过程和支持有效的流域管理具有重要意义。沉积物指纹技术于20世纪70年代开发，已被广泛认可为一种稳健且成本效益高的沉积物来源解析方法（Walling, 2013）。通过利用目标沉积物及其潜在来源物质的物理、地球化学和/或生物特性，沉积物指纹技术可以建立混合模型来估算不同沉积物来源类型的相对贡献，包括土地利用类型、土壤类型、岩性单元、地貌单元、支流和子集水区（Collins et al., 2020）。近年来，该技术被广泛应用于研究集水区侵蚀和沉积物动力学（Chen et al., 2024; Derakhshan-Babaei et al., 2024）、追踪污染物来源（X.Chen et al., 2025; Zhu et al., 2024）、识别河流和湖泊系统中的沉积物来源（Zhang et al., 2026）、评估火灾后侵蚀模式的变化（García-Comendador et al., 2020; Kieta et al., 2023）、量化土壤养分损失（Lizaga et al., 2025; Williamson et al., 2025）以及确定风成物质的来源（G.Chen et al., 2025; Liang et al., 2023）。

然而，作为一种黑箱方法，沉积物指纹技术主要关注沉积物输入与输出之间的关系，也面临一系列挑战，包括与基本假设、数据处理程序和混合模型相关的问题（Koiter et al., 2013; Smith et al., 2015）。这些假设与自然系统复杂性之间的不匹配往往削弱了对模型预测的信心，并已成为沉积物指纹技术应用中持续存在的确定性来源。因此，识别不确定性来源并减少其影响，同时提高模型预测的准确性和可信度，已成为沉积物指纹理论和方法研究中的重要焦点，尤其是在以下关键领域。

在理论假设层面，沉积物示踪剂应满足保守性假设，即它们在侵蚀、输送和沉积过程中保持不变，或表现出可预测和可量化的变化（Collins et al., 2017）。对这一假设的最大挑战之一是沉积物再分配过程中的粒径选择性输送。Laceby等人（2017）表明，不同示踪剂类型在各粒径分级中的富集行为非常复杂，使得粒径效应成为沉积物指纹技术必须解决的基本问题。为解决这一问题，最广泛采用的策略包括粒径分级和校正（Laceby et al., 2017）。大量研究表明，将样品分级至<63 μm，或仅关注细粒沉积物，可以显著提高来源解析精度（Gaspar et al., 2019; Shi et al., 2021）。尽管粒径校正因子在理论上可以补偿不同粒径分级之间的元素富集差异，但获取可靠的校正因子仍然具有挑战性，不当的校正可能会降低预测精度（Koiter et al., 2018; Zhang et al., 2025）。此外，元素比值已被提出作为减少粒径效应的一种手段（Laceby et al., 2017），其在减轻此类偏差方面的有效性已在沉积物指纹研究中得到证实（Amorosi et al., 2022; Li et al., 2023）。除了粒径分选和其他物理过程外，示踪剂的保守性还可能受到化学过程（如氧化还原反应）和生物过程（如有机质分解）的影响（Koiter et al., 2013）。

沉积物指纹的不确定性也可能在统计分析和计算过程中引入。早期沉积物指纹应用主要依赖单一示踪剂和定性解释，而后续研究表明，结合多种不同类型的示踪剂可以显著提高定量来源解析模型的准确性和稳健性（Collins et al., 1997; Walling and Woodward, 1995）。此后，示踪剂选择和混合模型的选择已成为不确定性的关键来源，并引起了沉积物指纹领域的广泛研究关注。传统的示踪剂选择通常采用包含范围检验、Kruskal-Wallis检验和判别函数分析的三步程序，以识别最具区分度的最小示踪子集（Batista et al., 2022; Laceby et al., 2015）。然而，最近的研究表明，由于该方法主要依赖来源端元而非沉积物特性，可能仍无法排除非保守性示踪剂（Latorre et al., 2021）。为解决这一局限性，Lizaga等人提出了共识排序（CR）、保守性指数（CI）和一致性示踪剂选择（CTS）程序，通过随机单示踪剂源-汇模型评估示踪剂的保守性和一致性（Lizaga et al., 2020a）。这些方法已被广泛应用于沉积物指纹研究并得到越来越多的认可（Humphrey et al., 2025; Liang et al., 2026a）。在模型层面，传统沉积物指纹基于质量守恒原理，因此采用线性混合模型来估算沉积物来源比例（Haddadchi et al., 2013）。近年来，贝叶斯框架作为沉积物指纹的替代建模范式出现，为来源解析的不确定性提供了概率处理（Fathabadi and Jansen, 2022; Haddadchi et al., 2014）。

此外，沉积物指纹的不确定性也产生于实际操作层面，包括来源组的数量和类型（Vale et al., 2022）、采样策略和来源选择（Williamson et al., 2025）以及来源特性的区分度（Pulley et al., 2017）。同时，真实系统中的实际沉积物来源贡献通常是未知的，这意味着数据驱动指标（如拟合优度）的良好表现反映的是模型精度，而非相对于真实值的准确性（Palazón et al., 2015）。因此，人们开发了更稳健的模型评估方法，基于实验室制备的已知比例混合物（Dai et al., 2025; Pulley et al., 2017）或基于测量示踪剂特性生成的数学虚拟混合物（Bahadori et al., 2019; Chalaux-Clergue et al., 2024），为评估模型性能提供了客观基准。尽管这种评估方法因其不能完全反映真实世界复杂性而受到批评，但它仍然是探索理论机制和评估模型性能的有价值工具（Evrard et al., 2022; Owens, 2022）。

如上述总结，沉积物指纹各个方面中的不确定性已被广泛研究，但仍有几个理论问题在很大程度上被忽视。在关于碳汇缺失的研究中，Zhang等人（2022）表明，河流输送过程中的碰撞和磨蚀加速了土壤颗粒中碳酸盐和硅酸盐矿物的溶解。随后，Liang等人（2026b）进一步指出，沉积物组分之间的差异溶解速率可能导致不溶组分因可溶材料的优先损失而发生组成变化。在本研究中，我们将这一现象定义为差异溶解引起的浓度漂移（DDICD），其实质是溶解驱动的沉积物元素组成在输送过程中的变化，不受任何单一元素溶解速率的控制，而受所有元素溶解速率差异的支配。我们假设，一旦在沉积物源-汇系统中发生DDICD，基于地球化学示踪剂沉积物指纹技术的浓度守恒假设可能不再完全适用，从而在沉积物来源预测中引入偏差。此类偏差可能导致对侵蚀模式和污染物来源的误判，进而导致不适当的生态恢复策略。

为检验这一假设，使用虚拟数据探索了DDICD的理论特征。随后，选择长江流域作为案例研究，在自然条件下测试DDICD的发生并量化其影响，定义了五个支流汇合点作为源-汇系统。应用基于地球化学示踪剂的沉积物指纹技术量化沉积物贡献，使用水文站观测作为评估的客观基准。此外，我们证明了元素比值示踪剂可以消除DDICD效应，并评估了其可行性和适用性。

**研究区域**

长江流域（90°33′-122°25′E，24°30′-35°45′N）面积约1.8×10? km2，是中国最大的河流流域，也是世界第三大流域。流域大部分地区为亚热带季风气候，年均温17°C，年均降水量1212 mm（Jia et al., 2022）。降水在时间和空间上的分布均不均匀。年降水的75%以上发生在4月至9月，而

**DDICD理论行为与敏感性**

（1）d′和m?′变异性及其排序对CDI的影响

图3展示了d′和m?′的标准差（SD）及其排序如何影响CDI。在图3a中，当d′的标准差趋近于零时，所有溶解速率变得几乎相同。根据公式（10）和（11），在此条件下不发生DDICD，CDI随之趋近于零。在极端一致排序场景下，即溶解速率的排序与初始质量的排序相同，CDI

**DDICD的性质及其与传统沉积物指纹的关系**

如图2所示，DDICD理论框架源于沉积物源-汇系统的沉积物输送组分；更具体地说，它明确地将沉积物输送过程中的元素溶解纳入了沉积物指纹框架。地球化学元素是沉积物指纹中最传统的示踪剂之一，其在天然水体中的溶解行为被认为是示踪剂保守性的主要决定因素。Collins等人（2020）

**结论**

本研究引入了差异溶解引起的浓度漂移（DDICD）效应，即元素在河流输送过程中浓度的变化并非由其自身性质直接决定，而是源于其溶解速率与沉积物中所有其他元素的溶解速率之间的质量加权差异。

理论分析表明，DDICD效应的大小主要受溶解分数分布的控制，以及

**CRediT作者贡献声明**

Chen Liang：撰写——原稿撰写、可视化、软件、方法学、形式化分析、数据整理、概念化。
Zhonglin Shi：撰写——审阅与编辑、方法学、形式化分析。
Xinbao Zhang：方法学、形式化分析、概念化。
Anbang Wen：资源、方法学、概念化。
Jialiang Tang：撰写——审阅与编辑、验证、资金获取、概念化。

**利益冲突声明**

作者声明没有已知的竞争性经济利益或可能影响本文报告工作的个人关系。

**致谢**

本工作得到了国家重点研发计划（项目编号：2023YFF0806002）和中国国家自然科学基金（42371039）的支持。此外，我们衷心感谢雅亭站的工作人员在实地调查和测量过程中提供的支持。

Chen Liang | Zhonglin Shi | Xinbao Zhang | Anbang Wen | Jialiang Tang