西昌邛海沉积物重金属含量时空变化与污染评价

通过对四川省西昌市邛海沉积岩芯10种金属元素全量与表层沉积物7种重金属元素全量和赋存形态的分析,研究了近百年来重金属累积和污染的时空特征及其在表层沉积物中的潜在生态风险.20世纪70年代之前,沉积岩芯中金属元素含量均较为稳定;70年代沉积物中Al、Fe、K和Cr含量呈明显的峰值,与流域降水量增加及围湖造田和毁林开荒等导致的细颗粒表土侵蚀输入有关;90年代以来,随着流域土壤侵蚀强度降低,Al、Fe、K和Cr等含量总体呈下降趋势,而As、Cd、Cu、Pb和Zn含量逐渐升高或较为稳定.富集系数结果表明,沉积岩芯中Cd、Pb和Zn受到不同程度的人为污染;其中Cd污染最重,污染开始于20世纪60年代,90年代以来保持在中等污染水平.表层沉积物中,Cd在西北部湖区含量较高,其余重金属含量空间变化趋势不明显;Cd、Pb和Zn的有效态质量分数平均分别为95%、63%和48%,其中Cd以酸可提取态为主,Pb和Zn主要赋存于可还原态和可氧化态中;其余重金属有效态质量分数平均值小于27%.重金属全量与有效态含量结果均表明,表层沉积物中Pb和Zn为轻度污染或中度污染水平,Cd平均为中度污染水平,但在西北部湖区达到了重度污染水平.基于重金属全量与有效态含量分别估算的表层沉积物中人为源Cd、Pb和Zn的含量较为接近（P>0.05）,说明人为输入的重金属在沉积物中主要赋存于有效态中.综合沉积物质量基准、潜在生态风险指数评价结果及重金属赋存形态,表层沉积物中Cd具有较强的潜在生态风险,其余重金属表现为低生态风险.     

硅肥等量施用对土壤镉生物有效性和水稻吸收镉的影响

为研究硅（Si）肥等量施用对水稻不同生育期吸收镉（Cd）和土壤Cd生物有效性的影响,采用5种不同种类的Si肥（SiO₂用量为225 kg ·hm^-2）开展田间小区试验.结果表明,随着水稻生育期的延长,水稻根系和茎叶的Cd含量增加;施用Si肥,不同生育期水稻根系、茎叶和籽粒Cd含量平均分别降低14.9%、28.2%和12.2%;硅钙镁铁肥（SiCaMgFe）和水溶Si肥（SiW）处理,籽粒Cd含量分别比对照处理降低21.1%（P<0.05）和21.2%（P<0.05）;水稻根表铁膜中Cd含量（DCB-Cd）随着水稻生育期延长而增加,施用Si肥,水稻不同生育期DCB-Cd含量有高有低,DCB-Cd是根系Cd含量的15.8%~42.8%;与对照相比,施用Si肥水稻成熟期土壤可交换态Cd （Exc-Cd）含量平均降低36.4%,其它形态的含量平均增加12.5%~48.2%.水稻全生育期根系Cd与Si呈极显著负相关,与DCB-Cd呈极显著正相关,DCB-Cd与土壤有效态Cd和有效态Si呈极显著负相关,土壤Exc-Cd与Carb-Cd呈极显著负相关,土壤有效态Cd与pH值呈显著负相关.施用相同Si肥用量,SiCaMgFe和SiW处理降低水稻Cd含量的效果好;施用Si肥通过提高土壤pH值和土壤有效Si含量、降低土壤有效态Cd和Exc-Cd含量,促进Exc-Cd向Carb-Cd转移,减少根表铁膜对Cd的吸附,从而减少水稻对土壤Cd的吸收.     

环境样品中汞形态分析技术的进展

汞的毒性、环境行为、生物有效性不仅跟其浓度有关,还决定于其化学形态,因此汞的形态分析在环境科学中具有重要意义。样品前处理几乎是汞形态分析研究中不可或缺的步骤,而色谱和光谱/质谱联用技术是目前普遍采用的分离检测方法。文章对近十年来这些方面的研究进展进行了综述,主要包括样品的前处理方法如酸/碱溶剂萃取、微波辅助萃取、固相萃取、固相微萃取、单滴微萃取、分散液液微萃取等,以及色谱(液相色谱、气相色谱)和毛细管电泳与光谱/质谱(紫外可见光谱、原子吸收光谱、原子荧光光谱、等离子体质谱等)的联用技术在汞化合物形态分析中的应用情况。最后提出今后应重点研究建立高效、简便的前处理方法,发展高分离度、高灵敏度、高速度的分离检测联用技术,以便更好地对汞的形态进行分析监测。     

夏秋季宁波市气态元素汞(GEM)污染特征及潜在源区贡献分析

气态元素汞(gaseous elemental mercury,GEM)是普遍存在于大气中的对生物体有害的重金属元素其化学性质稳定,在大气中停留时间长,可随气团长距离输送属于全球性污染物.本研究于2017年夏秋季对宁波市大气GEM、常规污染物和气象参数进行综合观测,研究沿海地区GEM受人为源和自然源共同作用下的迁移转化规律及潜在源贡献来源.结果表明:①观测期间大气GEM的平均质量浓度为(2.32±0.90) ng·m~(-3),变化范围为0.97～10.95 ng·m~(-3),且夏季低于秋季.②GEM、O_3和GOM在夏季、秋季、晴天和阴雨天的日内浓度变化表明,高浓度的O_3和强烈的光照可加速GEM发生光化学反应,GEM在晴天的光化学氧化强度高于阴雨天.③相关性分析表明,GEM与PM_(2.5)(R=0.65,P0.01)、PM_(10)(R=0.47,P0.01)、NO_2(R=0.46,P0.01)和CO(R=0.57,P0.01)呈显著正相关关系,其来源与化石燃料等物质燃烧有关.④O_3等光化学氧化剂的浓度、GEM在颗粒物上的气粒分配及PM_(2.5)、水汽和NO_2的消光效应,可对GEM光化学氧化速率产生重要影响.⑤潜在源贡献分析(potential source contribution function analysis,PSCF)结果表明夏季浙江省北部(包含宁波市)、西北部,安徽省南部和江西省大部分地区构成一个三角形区域是NBUEORS大气GEM的潜在源贡献区域,且本地源、区域源和长距离源输送对GEM污染均具有重要影响.秋季的潜在源贡献区域主要为浙江省北部区域,范围小于夏季.GEM主要来自本地源和区域源输送影响.因此,针对大气GEM污染的控制,需要跨省的区域联防联控,综合治理,方可有效减轻大气汞的污染.     

中国北方某市城市绿地土壤重金属空间分布特征、污染评价及来源解析

为掌握北方某市城市中心区绿地土壤环境状况,对其中心区城市绿地土壤重金属（Cd、Hg、As、Pb、Cu、Cr、Zn和Ni）的空间分布、来源及污染现状进行分析和评价.结果表明,该市中心区的城市绿地土壤环境质量整体良好.土壤重金属Cd、Hg、As、Pb、Cr、Cu、Zn和Ni的含量均值分别为：0.172、0.202、9.02、34.7、57.0、31.2、85.7以及26.3mg·kg^-1.Cd、Hg、Pb和Zn平均含量均超过同为北方地区的京津唐土壤背景值.所有点位各项重金属含量均不超过国家建设用地土壤污染风险管控标准的污染风险筛选值.空间上,As、Cr和Ni含量高值出现于西北部;Cd和Zn含量高值出现于东北部;Hg、Pb和Cu的高值区集中在城市核心区.对于不同土地利用类型土壤,Cd、Zn和Ni在企业绿地土壤中含量显著高于其他元素,Hg、Pb和Cu等在公园绿地和居民绿地土壤中含量较高.土壤污染评价结果表明,97.2%的样点内梅罗综合污染指数小于1,为清洁土壤;所有样点潜在生态风险指数均小于80,属轻微生态风险水平.多元统计分析表明,Cu、Pb和Hg为人为源,与古建筑保护的彩绘以及对古树保护采用杀虫剂有关;Cr为自然源,可能来源于土壤母质和地球化学过程;Cd、Zn、Ni和As为混合来源,部分可能来源于人类活动和工业生产,另一部分来源于岩石的风化和土壤母质等.利用受体模型对超标元素进行来源定量解析,Cd按来源贡献率高低依次为源2（占46.1%）、源3（占33.1%）、源1（17.7%）和其他源（占3.1%）;Cu源贡献率主要为源1（占93.0%）;Zn源贡献率依次为源1（占52.4%）、源3（占24.2%）、源2（占20.0%）以及其他源（占3.4%）;Ni源贡献率依次为源1（占56.3%）、源2（占37.8%）以及源3（占5.8%）.推测源1和源3为人为源,源2为自然来源.     

草木樨在汞胁迫下的遗传分化研究

以草木樨(Melilotus officinalis)种子为研究对象,将其暴露于0、20、40和60 mg·L-1浓度的氯化汞中进行萌发,并对存活的幼苗利用水平淀粉凝胶电泳进行等位酶分析.结果表明,草木樨在Me和Pgi基因座具有多态性,其平均的等位基因数为3.0基因座-1,杂合性为0.332 - 0.342,草木樨符合...     

A fast antibiotic detection method for simplified pretreatment through spectra-based machine learning

• A spectral machine learning approach is proposed for predicting mixed antibiotic. • Pretreatment is far simpler than traditional detection methods. • Performance of the model is compared in different influencing factors. • Spectral machine learning is promising in the detection of complex substances. Antibiotics are widely used in medicine and animal husbandry. However, due to the resistance of antibiotics to degradation, large amounts of antibiotics enter the environment, posing a potential risk to the ecosystem and public health. Therefore, the detection of antibiotics in the environment is necessary. Nevertheless, conventional detection methods usually involve complex pretreatment techniques and expensive instrumentation, which impose considerable time and economic costs. In this paper, we proposed a method for the fast detection of mixed antibiotics based on simplified pretreatment using spectral machine learning. With the help of a modified spectrometer, a large number of characteristic images were generated to map antibiotic information. The relationship between characteristic images and antibiotic concentrations was established by machine learning model. The coefficient of determination and root mean squared error were used to evaluate the prediction performance of the machine learning model. The results show that a well-trained machine learning model can accurately predict multiple antibiotic concentrations simultaneously with almost no pretreatment. The results from this study have some referential value for promoting the development of environmental detection technologies and digital environmental management strategies.     

白银矿区土壤重金属及可培养细菌重金属耐受性研究

对白银矿区土壤重金属进行分析研究,分离、筛选和鉴定了受污染土壤中的可培养细菌,并考察其对土壤中重金属胁迫的耐受性。结果表明：白银矿区王岘镇尾渣堆和东大沟河沟土壤重金属污染Pb＞Zn＞Cu;从污染最严重的土壤中分离、筛选出砖红色微杆菌（Microbacterium testaceum）、特基拉芽孢杆菌（Bacillus tequilensis）和解单端孢菌素微杆菌（Microbacterium trichothecenolyticum）3种细菌,其中菌株M1（Microbacterium testaceum）对Pb、Zn、Cu、Cd的胁迫具有明显的耐受性。     

垃圾填埋场大气汞的浓度和形态

对贵阳市和武汉市的5座城市生活垃圾填埋场大气中的ρ(气态总汞)进行了测定,并分析了填埋场的大气活性气态汞、颗粒态汞、单甲基汞和二甲基汞的质量浓度分布. 结果表明:5座填埋场ρ(气态总汞)为1.6～473.7 ng/m3,不同采样点的平均值为8.5～155.7 ng/m3,最高值出现在填埋场的工作面及工作面下风向区域;而封闭填埋场或运行填埋场的覆土区的ρ(气态总汞)较低. 天气条件和垃圾处理活动均可影响ρ(气态总汞)水平. 贵阳高雁垃圾填埋场大气ρ(活性气态汞),ρ(颗粒态汞),ρ(单甲基汞)和ρ(二甲基汞)的平均值分别为37.4,255.3,12.4和12.7 pg/m3. 虽然不同形态汞的质量浓度明显高于全球背景值,但其产生的环境风险不大.      

北京市某废弃焦化厂不同车间土壤中多环芳烃（PAHs）的分布特征及风险评价

以北京市某废弃焦化厂为研究对象,系统采集了6个车间0～4m深的26个土壤样本,利用GC/MS检测了U.S.EPA优控的16种多环芳烃(PAHs)的含量,分析了PAHs在焦化厂不同车间表层土壤的污染状况和深层土壤中的垂直分布特征并对土壤污染风险进行了评估.结果表明,1)该废弃焦化厂不同车间表层土壤(0～20cm)总PAHs(∑PAHs)的残留量介于672.8～144814.3ng·g-1之间;污染程度排序为:回收车间>老粗苯车间>焦油车间>炼焦车间>水处理车间>制气车间.2)该厂未受扰动的土壤样品显示PAHs主要聚集在表层土壤,并随着土壤深度的增加而迅速减少;其他样点由于土壤扰动,∑PAHs含量最大值出现在第三层土壤(80～180cm);该厂4m深底层土壤仍有高浓度PAHs,∑PAHs含量最高值出现在炼焦车间,达12953.1ng·g-1.3)焦化厂土壤PAHs污染主要集中在3环和4环的PAHs单体上,分别占到污染总量的51.3%和31.7%.4)根据Maliszewska-Kordybach的PAHs总量标准及加拿大土壤PAHs单体治理标准,该厂回收、老粗苯、焦油和炼焦车间表层和深层土壤PAHs含量均达到重污染水平,并对其周围土地带来较大风险,需要治理.