礦區周邊土壤重金屬污染優先控制因子及健康風險評價研究

石文靜，周翰鵬，孫濤，黃金濤，楊文煥，李衛平*

1.內蒙古科技大學能源與環境學院，內蒙古 包頭 014010；2.德州市水利局，山東 德州 253000

中國金屬礦產資源豐富，20世紀50年代以來被大量開采（劉洋等，2022），眾多金屬尾礦被淘汰（張云等，2021），其生產過程中所產生的廢料廢渣在降雨沖刷等作用下向周邊土壤擴散，造成土壤重金屬污染。土壤重金屬具有持久性、毒性和累積性（Huang et al.，2015；Wang et al.，2019），在多種影響因素作用下會被固定進入土壤耕作層，經食物鏈轉移到動物和人體內，嚴重威脅生態環境和人體健康（Park et al.，2008；方晴等，2021；殷秀蓮等，2021）。為了有效控制土壤重金屬污染引發的健康風險，有必要合理識別及量化潛在的污染源和健康風險。

自然源和人為源是土壤重金屬污染的主要來源。目前，大多數的研究主要側重于評估以含量為導向的健康風險（Singh et al.，2017），但這并不能有效區分自然源和人為源對健康風險的影響。考慮到自然源的不可控性，人為源的控制顯得尤為關鍵，控制土壤重金屬污染的關鍵是限制人為污染的排放。因此，有效識別污染源至關重要（Liu et al.，2018）。目前常用的識別重金屬來源的方法有同位素源解析模型（Wang et al.，2021；顧夢娜等，2020）、主成分分析（Imran et al.，2019）、UNMIX 法（Hong et al.，2020；Jain et al.，2021）和正定矩陣因子分析模型（PMF）（Guan et al.，2017；Lü et al.，2019；Zhang et al.，2020；Hu et al.，2021），然而一些受體模型無法獲得非負結果，無法處理低于檢測水平的數據，結果的準確性值得進一步討論。目前，在污染物源解析方面，PMF模型是比較成熟的定量分析方法，有效地彌補了這一缺陷（Fei et al.，2020）。同時，受資源和成本的限制，并不是所有的重金屬污染源都能得到及時且有效的控制，因此，確定優先控制因子是土壤污染防治的關鍵一步。而確定優先控制因子的關鍵是厘清重金屬、污染源和健康風險間的關系。

健康風險評價是將環境污染和人體健康相聯系，定量描述環境污染對人體健康產生的危害（劉洋等，2021）。主要方法包括HJ 25.3—2014《污染場地風險評估技術導則》中推薦的模型（中華人民共和國環境保護部，2014）、USEPA健康風險評價模型等。傳統的風險評價模型，只能計算得到一個風險評價值。參數的選取、有限的數據量等因素都會對評價結果有較大影響，往往會導致評估結果被高估或低估。然而，一些不確定分析模型（如貝葉斯分析、Monte Carlo模擬和元分析）在風險評價方面展現出了巨大潛力。相比于其他的不確定性模型，Monte Carlo模型是一種有效的概率風險分析方法，它需要的數據樣本較少，可以評估超過指導閾值的可能性（Cheng et al.，2007；Sun et al.，2022）。本研究將Monte Carlo模擬等引入傳統的風險評價方法中進行耦合模擬，不但可以計算出風險值的范圍和概率，采用概率分析方法提高評估結果的準確性，有效降低評價過程中的不確定性（楊陽等，2015；熊鴻斌等，2020）。

目前，國內針對土壤重金屬污染評價等方面雖開展了大量研究，但多側重于以含量為導向的健康風險評價，并不能確定污染的優先控制因子，尚不能識別并量化關鍵污染源。且多數土壤重金屬污染評價研究使用的是傳統風險評價方法，方法相對單一，評估結果的可靠性有待進一步提升。本研究結合污染源解析和Monte Carlo模型，可獲得優先控制因子和優先控制污染源等關鍵信息，建立了一種源導向的概率風險評估方法以識別并量化關鍵污染源和評估健康風險。有助于提高土壤重金屬風險評價的準確性和有效地指導土壤重金屬污染的源頭管控，為土壤重金屬污染的精準防治提供科學依據。

內蒙古自治區是中國有色礦產資源最為豐富的省份之一，其礦產資源的開發利用有效支撐著中國社會經濟的高質量發展。有色金屬礦的不合理開采是造成土壤重金屬污染的最重要原因。然而，與中國人口密集的中東部地區相比，內蒙古等西部地區的土壤重金屬風險評價研究甚少，特別是典型礦區周邊土壤重金屬污染優先控制因子及健康風險評價研究尚不多見。本研究針對內蒙古自治區在礦區及其影響區土壤重金屬污染修復領域多學科交叉研究能力提升的重大實踐需求，選取內蒙古河套地區某典型尾礦區及周邊區域，結合污染指數法、PMF模型、USEPA健康風險評價模型，引入Monte Carlo模型進行耦合模擬分析，研究該地區重金屬污染特征、來源和潛在健康風險，確定土壤重金屬污染管控中的優先控制因子，以識別并量化關鍵污染源并評估健康風險。本研究旨在揭示礦區土壤重金屬和污染源對健康風險的影響，并確定優先控制因素，為內蒙古寒旱地區重金屬污染防治與修復提供科學參考，同時也為礦區土壤重金屬污染物管控優先級的確定和污染防治提供科學依據。

1 材料與方法

1.1 研究區概況

研究區位于內蒙古河套地區巴彥淖爾市烏拉特后旗，區塊中心坐標為106°36′05.93″E ，41°17′05.07″N。研究區包括某銅礦廠退役地塊，以及尾礦區周邊區域。該銅礦于2006年建廠，2010年左右停產，采用浮選法對銅礦石進行選礦。該區域屬于中溫帶地區，陸生季風型氣候，夏季涼爽短促，冬季嚴寒漫長，降水稀少、氣候干燥。

1.2 土壤樣品采集與分析

依據《土壤環境監測技術規范》（HJ/T 166—2004）（國家環境保護總局，2004），結合研究區域實地情況及尾礦庫的分布與地形地勢條件，采用網格布點與隨機布點相結合的方法，共布設 31個取樣點（圖1）。研究區域為礦區及周邊區域，可劃分為4個功能區：尾礦區、居住區、牧草地以及農用地（圖2）。于2021年6月對研究區進行現場取樣（圖1）。于每個取樣點采集0—20 cm土層土壤樣品。利用GPS定位，并記錄相關信息。所有樣品使用聚乙烯自封袋保存，土壤樣品在室內自然風干后，研磨后過100目篩備用。樣品經HNO3-HCLHF消解后，采用電感耦合等離子體質譜儀（ICPMS）測定Cu、Pb、Zn、Cr、Ni、As、Cd等土壤重金屬含量（郭杰等，2021）。

圖1 研究區及采樣點分布示意Figure 1 Distribution of the study area and sampling points

圖2 研究區土地利用示意Figure 2 Schematic of land use in the study area

1.3 研究方法

1.3.1 Monte Carlo模擬

Monte Carlo模擬又稱為隨機模擬（曲春風等，2014），是20世紀40年代提出的一種基于隨機試驗原理的數值計算方法，通過對滿足一定概率分布的隨機變量進行大量隨機抽樣，使用相應參數，獲得問題的解（陳神劍，2020）。當抽樣次數達到一定數量后，就能得出較準確的結果。應用Crystal Ball軟件進行多次Monte Carlo模擬實驗，統計并分析結果。

1.3.2 污染指數法

單因子污染指數（Pi）和內梅羅污染指數（P）是常見的兩種土壤重金屬污染評價方法（張雙銀等，2021），可反映出各重金屬元素污染等級及綜合污染水平，其計算公式為：

式中：

Pi——土壤重金屬元素i單因子污染指數；

Ci——重金屬元素i實測值（mg·kg-1）；

Si——重金屬i的某一標準值，本研究選擇《土壤環境質量農用地土壤污染風險管控標準》（GB 15618—2018）的風險篩選值。

P——土壤重金屬元素的綜合污染指數；

Piave——單因子污染指數的平均數；

Pimax——最大單因子污染指數。具體評價等級劃分見表1。

表1 污染評價等級劃分Table 1 Classification of pollution assessment

1.3.3 PMF法

PMF即正交矩陣因子分解法，是由Paatero和Tapper在1993年提出的一種有效數據分析方法（成曉夢等，2022）。模型的基本原理是假設環境樣品X為n×m矩陣，n為樣品數，m為化學成分，那么X可以被分解為污染源貢獻矩陣G（n×p，p為污染源數目）和污染源成分譜矩陣F（p×m），則所測樣本含量可以表示為：

式中：

xij——樣品含量矩陣 X，即第i個樣品中第j個物種的濃度；

p——污染源數；

gik——第k個污染源對第i個樣品的貢獻；

fkj——第k個污染源中第j個物種的濃度；

eij——殘差。

模型對G和F矩陣進行非負約束（gik＞=0和fkj＞=0），當殘差與不確定度比值的平方的加權值Q達到最小值，可以認為此次模型因子分解達到最優結果。PMF算法通過不斷的最小化Q從而確定矩陣G和F，Q值的定義在式（4）。

uij——樣品的不確定度，其他各項含義同前，可以看出不確定度的取值對取得模型最優解至關重要。不確定度計算公式如式（5）和式（6）所示（Li et al.，2019）：

當實測含量小于方法檢出限時：

當實測含量大于方法檢出限時：

δ——誤差系數，一般在0.05—0.2之間；

C——元素含量；

L——檢出限。

1.3.4 USEPA健康風險評價模型

根據美國環境保護署（USEPA）提出的健康風險評估方法，重金屬的健康風險由兩個方面決定，一是環境的污染狀況，包括重金屬的含量、遷移特征、毒性等；二是土壤重金屬的暴露途徑，分別是經口攝入、皮膚接觸以及呼吸吸入（徐小濤等，2021；儲楊陽等，2022）。其中，土壤中重金屬元素的主要暴露途徑為經口攝入和皮膚接觸，且考慮到本研究關注的重金屬不具有揮發性，因而主要針對這兩種暴露途徑進行評估。受行為和生理差異的影響，成人和兒童在平均體質量和暴露皮膚面積等參數選取不同的取值（成曉夢等，2022）。

經口攝入土壤的暴露量：

經皮膚接觸土壤的暴露量：

式中涉及的主要符號說明見下表：具體數值根據不同的暴露途徑確定，表2中展示了部分參數值：

表2 暴露參數Table 2 Exposure parameters

土壤中單種重金屬經所有暴露途徑后的非致癌風險：

土壤中的總非致癌風險：

土壤中單種重金屬經所有暴露途徑后的致癌風險：

土壤中的總致癌風險：

式中：

RfD——重金屬在不同暴露途徑下的每日暴露量，mg·(kg·d)-1；

SF——重金屬在不同暴露途徑下的致癌幾率，(kg·d)·mg-1，見表3：

表3 重金屬不同暴露途徑的RfD和致癌效率SF參考值Table 3 Reference values of RfD and carcinogenic efficiency SF of different exposure routes of heavy metals

1.4 數據分析方法

基本數據處理和圖形處理等應用Excel 2013和Origin 2017完成，描述性統計、分布擬合和K-S檢驗和相關性分析等應用SPSS 25.0完成，Monte Carlo模擬應用Crystal ball軟件完成，PMF源解析應用EPAPMF 5.0完成，重金屬空間分布特征應用Arc GIS 10.2完成。

2 結果與討論

2.1 土壤重金屬含量

土壤重金屬的平均含量為Cu＞Pb＞Zn＞Cr＞Ni＞As＞Cd，且7種重金屬含量均大于河套地區土壤背景值（背景值數據來源于文獻（王喜寬等，2007）），超標倍數為1—13，尤其是Cu、Pb和As超標比較嚴重。Cu和Pb平均含量高于《土壤環境質量農用地土壤污染風險管控標準》（GB 15618—2018）的風險篩選值（篩選值）（表4），雖然As、Zn、Cd平均值小于篩選值但最大值均已超標，其中As在研究區內有一定的富集。從變異系數來看，除Zn、Ni、Cr等3種重金屬變異系數小于1之外，另幾種重金屬變異系數均大于1，最高達2.02，其大小順序為Pb＞Cu＞Cd＞As＞Ni＞Zn＞Cr（表4）。研究表明，當變異系數小于1時，說明某一重金屬元素在研究區內分布較均勻，當變異系數大于1時則反之（謝桃園等，2021）。由此可見，研究區7種重金屬含量的變異系數都偏大，反映出各采樣點重金屬分布不均勻，空間差異較大。考慮到研究區位于廢棄尾礦周邊，可能是人類活動所致的點源性污染，或是外源物質輸入所致。

表4 研究區土壤重金屬含量統計特征值Table 4 Statistical summary of heavy metals concentration in soils of the study area

從研究區土壤重金屬含量的空間分布整體情況看（圖 3），7種重金屬均呈島狀分布。對比發現，As、Cu、Pb、Zn、Cd這5種重金屬含量分布規律較類似，富集區域大致相同，高值區集中在礦區的南部和東南部，低值區主要分布在北部、東部和西部。Ni和Cr分布規律大致相同，高值區分布較分散，與As、Cu、Pb、Zn、Cd不同的是，其在礦區附近的含量較低。

圖3 研究區土壤重金屬含量空間分布Figure 3 Spatial distribution of soil heavy metal content in the study area

2.2 土壤重金屬污染評價

對比各重金屬含量平均值與河套地區土壤背景值后發現，所有重金屬含量均超標且絕大多數超標倍數很大。考慮到研究區存在一定面積的農用地，因此選擇風險篩選值為標準值。根據式（1）計算出的各重金屬單因子指數如圖4所示。

為降低單因子污染指數評價過程中的不確定性，本研究將Monte Carlo模擬引入單因子指數法進行綜合污染評價，以提高評價結果的準確性和可靠性。由單因子污染指數的計算公式可知，7種重金屬的單因子指數的函數分布和重金屬含量的函數分布保持一致。利用Monte Carlo抽樣，7種重金屬含量依次為抽樣對象，在模擬抽樣次數為80000次，K-S檢驗、置信度為95%的條件下，對Pi（單因子污染指數）進行模擬分析，獲得相應的頻數分布圖（圖5，橫坐標為單因子指數，縱坐標為抽樣結果中不同單因子指數所對應的概率）。

模擬結果顯示，As、Cu、Pb、Zn、Cd、Ni、Cr單因子污染指數的平均值分別為1.67、2.77、1.14、0.41、0.81、0.20、0.25（圖5），結合圖4可知：與Pi實測值差異不大。這在一定程度上也說明了模擬結果（圖5）可信度高。根據單因子指數法的評價準則（評價值大于1則土壤已受污染，小于1則未受污染）可知，研究區As、Cu、Pb 3種重金屬含量超標，對當地造成極大的生態風險。研究區土壤受到了不同程度的污染，As和Pb隸屬輕度污染，Zn、Cd、Ni、Cr 4種重金屬含量均未超標，其中Cu的污染級別最高達到了中度污染（表1）。此外，Cu的異常值也最明顯（圖4），說明Cu在空間上分布不均勻。

圖4 不同重金屬單因子指數圖Figure 4 Single factor index box diagram of different heavy metals

圖5 各重金屬單因子指數模擬頻數圖Figure 5 Simulated frequency diagram of each heavy metal single factor index

由各重金屬單因子指數處于不同污染水平的概率分布（表5）可知，研究區內，Zn、Ni、Cr的污染等級很低，基本都集中處于未污染，說明研究區內這 3種重金屬的污染程度較輕且分布相對集中。As、Cu、Pb污染等級較高，其中Cu的污染等級最高，Cu處于未污染、輕度污染、中度污染、重度污染的概率分別為0.00%、59.20%、17.20%、23.60%；As的污染程度次之，As、Cu的污染等級均有一定的概率達到重度污染，應該引起重視（表5）。As的污染等級分布最廣，未污染、輕度污染、中度污染、重度污染均有涉及，存在明顯的空間分布特征，隸屬于輕度污染和中度污染的概率分別達到了43.00%和21.90%。與平均值法的結果相一致。

表5 各重金屬單因子指數處于不同污染水平的概率Table 5 Probability of each heavy metal single factor index at different pollution levels

由于單因子指數法只能單一評價某種環境質量狀況，然而真實土壤環境樣本中不僅僅是單個重金屬造成的污染，其本身含有多種重金屬元素污染。因而，為更全面、更綜合評價各污染物對土壤環境污染的影響，在上述研究基礎上，又引入內梅羅指數法進行污染評價，結果表明（表6），綜合污染指數為15.60，研究區土壤屬于重度污染。

表6 內梅羅污染指數Table 6 Nemero Pollution Index

由于個別重金屬的Pimax存在異常值，評價結果具有較大的不確定性，故本研究在進行單因子指數Monte Carlo耦合模擬的基礎上，再次將Monte Carlo引入內梅羅指數法進行模擬。結合內梅羅指數的計算方法，重點考慮了Piave的影響，考察As、Cu、Pb、Zn、Cd、Ni、Cr等7個參數在取值范圍內對綜合污染指數的影響程度，然后以敏感性系數表示（圖6）。

由圖6可知，研究區內對綜合污染指數起決定性作用的是Cu，敏感性系數高達71.9%。各重金屬敏感性系數大小排序為Cu＞Pb＞As＞Cd＞Zn＞Cr＞Ni，可見Cu、Pb、As等3種重金屬對綜合污染指數的影響程度較大，Cd、Zn、Cr、Ni對綜合污染指數的影響相對較小。這一結果也與單因子指數Monte Carlo耦合模擬結果相一致，也印證了此模擬的可信度。

圖6 內梅羅指數敏感度分析圖Figure 6 Sensitivity analysis graph of Nemeiro index

2.3 土壤重金屬來源解析

相關性分析結果表明，As-Cu、As-Pb、As-Zn、Cu-Zn、Cu-Cd、Zn-Cd、Zn-Pb、Cd-Ni、Ni-Cr之間呈顯著正相關關系（表7），表明這些重金屬具有相似的污染源。而As-Cr在α=0.01水平上呈顯著負相關（表7），表明As與Cr來源可能不同。

表7 土壤重金屬相關性分析Table 7 Correlation analysis of heavy metals in soils

為更準確識別土壤中7種重金屬的來源，本研究進一步采用PMF模型進行來源解析。有研究表明Q(robust)（運行PMF模型時得到的最優解目標函數）與Q(True)（目標函數的真解）相接近時，真實含量值與模型預測值之間達到最佳擬合效果（李嬌等，2020）。本研究分別設置 2—5個因子數進行多次運算，當因子數為4時，Q(robust)與Q(True)最接近，且大部分殘差處于-3—3之間，因此確定本研究的最佳因子數為4。4因子情景下擬合結果整體較好，PMF模型較穩定（表8）。

表8 PMF模型土壤重金屬實測值與模擬預測值擬合結果Table 8 Fitting results of PMF model between measured and predicted values of soil heavy metals

PMF模型解析出4個污染源因子，并量化出每個污染源各重金屬的貢獻率。結果表明，因子1中Pb占有較大載荷，其貢獻率為89.3%（圖7）。由表4可知，Pb的變異系數為2.02，表明其與人類活動密切相關，且相關性結果表明，Pb與Zn具有相同來源。汽車尾氣排放和汽油添加劑的使用是土壤中Pb的重要來源，特別是重型車輛行駛時會造成大量的Pb進入土壤中（夏子書等，2022）。此外，Pb的半衰期達數百年，盡管內蒙古自治區已廣泛使用無鉛汽油，由于Pb的半衰期較長且土壤重金屬的不易遷移等特點，使Pb在土壤中長期留存。Zn常作為硬度添加劑被用在輪胎中，汽車零部件中也常會使用鍍鋅部件，輪胎等零部件的磨損會造成大量含Zn的顆粒物產生，隨灰塵降落到地面。本研究區雖然遠離市區，但存在交通干線，內部道路坑洼不平，礦山開采期間大量貨車運送礦石及礦渣，造成礦石粉塵等沿道路分布。因此推測因子1為交通污染源。因子2的特征元素主要是Cd和Ni，貢獻率分別為74.8%和49.6%。Cd的變異系數為1.19，僅次于Cu和Pb，屬強變異水平。結合空間分布圖（圖3），Cd和Ni的高值區位于礦區南側，這些區域的土地利用類型為農業地。農業生產中化肥和農藥是改善土壤肥力、提高作物產量以及防治病蟲害的有效手段，因此農業活動中會使用多種不同類型的化肥。有研究表明，磷肥中富含Cd會導致Cd在土壤中積累（袁旭峰，2021），而施肥也可以導致土壤中Ni含量的增加。相關性分析結果也表明，Cd和Ni可能有相似污染源。結合研究區內存在農用地的現狀，判斷Cd和Ni可能來自于農業污染，因此因子2為農業污染源。因子3貢獻率較大的元素為Cr和Ni，分別為67.6%和50.4%，且相關性分析結果也表明Cr和Ni可能來源于同一污染源。結合Cr和Ni含量的統計結果，兩者的平均含量與河套地區土壤背景值非常接近，說明較好地保持了自然本底值。此外Ni和Cr的變異系數均小于1，且結合空間分布圖，礦區附近為Ni和Cr的低值區，這與其他元素分布規律截然相反，由此也說明，其受采礦等人為活動影響程度較小。Ni是一種易于與土壤中氧化物結合的鐵族元素，與成土母質有密切聯系。綜上，因子3被認為是自然母質源。因子4的主要特征元素為Cu和As。Cu和As的變異系數分別為1.81和1.01，均屬強變異水平（表4），表明可能存在點源性污染。空間分布圖顯示，As和Cu高值區主要分布在尾礦內部及周邊區域，可能與采礦活動密切相關。本研究區內的銅礦于2006年建廠，當時生產工藝相對落后，生產粗放式經營，富含大量Cu的尾礦和殘渣堆積在地表，在雨水的沖刷等作用下向土壤中擴散，從而導致了土壤中Cu含量的增加（陳航等，2021）。此外，在冶煉金屬的過程中會有預脫砷處理，這個過程必然導致As進入土壤，使As富集（陳丹丹等，2021）。因此，因子4為尾礦污染源。

圖7 各因子對重金屬含量分布的貢獻率Figure 7 Contribution rate of each factor to the distribution of heavy metal content

綜上，研究區土壤重金屬主要來源為交通污染源、農業污染源、自然母質源、尾礦污染源，貢獻率分別為34.7%、9.3%、17.8%、38.2%。

2.4 基于Monte Carlo-USEPA耦合模擬的健康風險評價

土壤中的重金屬主要通過3種途徑進入人體：經口攝入、經皮膚接觸和經呼吸攝入。考慮到所研究的重金屬不具有揮發性，因此可以忽略經呼吸攝入的暴露途徑，即只需考慮經口攝入和皮膚接觸這兩種暴露途徑。

Monte Carlo-USEPA耦合模擬結果表明（圖8、9）：在非致癌風險方面，成人、兒童的平均HI值分別為1.07×10-1和3.48×100。根據概率分布，成人HI值在安全范圍內，兒童則超過了閾值1，因此本研究區對兒童具有顯著的非致癌健康風險，成人則比較安全。在致癌健康風險方面，兒童所遭受的威脅高于成人，兩者的TCR平均值依次為：兒童(1.48×10-3)＞成人（7.68×10-4），均超過了1.00×10-6。較高的超標率表明本研究區域的致癌風險不容忽視。兒童的非致癌風險和致癌風險均明顯高于成人，可能與兒童較低的體質量和生活習慣有關。保持手和嘴部的清潔顯得尤為重要，避免兒童“吃手”行為（Luo et al.，2019）。因此本研究區的健康風險評價應更多的關注兒童。

圖8 非致癌風險的概率分布Figure 8 Probability distribution of non-carcinogenic risk

圖9 致癌風險的概率分布Figure 9 Probability distribution of carcinogenic risk

健康風險評價只是有助于了解風險水平，而不能幫助人們有效控制健康風險，因而有必要篩選土壤重金屬污染管控中的優先控制因子，識別并量化關鍵污染源和健康風險（Men et al.，2019）。本研究以兒童為例，進行了不同來源的致癌和非致癌風險評估，以探究不同污染源對健康風險的貢獻率。結果表明（圖10），因子3和4中As引發的非致癌風險超過了閾值 1，表明單一金屬 As已經對人體形成了非致癌健康風險，除As以外的其他重金屬元素在各源引起的非致癌風險均處于安全水平。這表明As是非致癌風險的主要貢獻元素，自然母質源和尾礦污染源為優先控制源。因子1、3和4中的As致癌風險均超過了可接受值 1.0×10-6，各污染源Cr引起的致癌風險均超過了1.0×10-6（圖11），可見單一金屬As和Cr分別對人體造成了致癌健康風險。表明As和Cr是致癌風險的主要貢獻者。另一方面，As主要來自于尾礦污染源（45.86%）、自然母質源（34.61%）和交通污染源（22.54%），由此可確定尾礦污染源是As的優先控制源。Cr主要來源為自然母質源（67.64%）、農業污染源（16.88%）、尾礦污染源（13.63%）和交通污染源（1.85%），因此自然母質源為Cr的優先控制源。

圖10 不同來源的非致癌風險Figure 10 Non-carcinogenic risks from different sources

圖11 不同來源的致癌風險Figure 11 Carcinogenic risk from different sources

As在研究區內有一定的富集（表4）且在一定概率上達到重度污染（表5），Cr雖然含量較低且基本都處于未污染（表5）卻具有更高的健康風險。此現象與劉洋等（2022）的研究結果相似。Wang et al.（2020）和Liu et al.（2018）的研究也同樣證實，污染程度嚴重的金屬元素不一定就有較高的健康風險。綜上，As和Cr被確定為研究區優先控制污染元素，尾礦污染源和自然母質源為優先控制污染源。

研究結果表明，基于污染指數法USEPA健康風險評價模型Monte Carlo模型的耦合模擬，模型可信度較高，有助于提高土壤重金屬風險評價的準確性。不但可計算出風險值的范圍和概率，有效降低評價過程中的不確定性，也可有效解決傳統的風險評價模型只能計算得到一個風險評價值的問題。本研究結合污染源解析和Monte Carlo模型等耦合模擬建立的基于源導向的概率風險評估方法，可通過降低人體健康風險評價中的不確定性來精確量化不同重金屬污染來源帶來的潛在風險，有效識別并量化關鍵污染源和評估健康風險。實際土壤污染管控中，過高的管理成本（人力、物力和財力）使得各種重金屬污染源和污染重金屬難以同時得到有效的控制。本研究結果獲得了研究區優先控制因子和優先控制污染源等關鍵信息，對降低土壤污染管控成本、提高管控效率具有一定意義，可為河套地區土壤重金屬污染物管控優先級的確定和污染防治提供參考。

3 結論

（1）Monte Carlo單因子指數法的綜合污染評價結果表明，以篩選值為標準，As、Cu、Pb等3種重金屬含量超標，Zn、Cd、Ni、Cr均未超標，其中Cu的污染級別最高；內梅羅指數法-Monte Carlo耦合模擬結果顯示，研究區已達到重度污染水平。結合敏感性分析，Cu、Pb、As等3種重金屬對綜合污染指數的影響程度較大。

（2）PMF源解析結果表明，研究區土壤重金屬污染源主要為交通污染源、農業污染源、自然母質源以及尾礦污染源，貢獻率分別為34.7%，9.3%，17.8%和38.2%。

（3）Monte Carlo-USEPA耦合模擬的健康風險評價結果顯示，與成人相比，研究區內兒童具有較高的非致癌和致癌健康風險。此外，以源為導向的健康風險評價結果表明，As和Cr為優先控制元素，尾礦污染源和自然母質源為優先控制污染源。