影响小白菜铅吸收的土壤因素和预测模型研究

徐温新，李 艳，代允超，吕家珑*

（1.西北农林科技大学资源环境学院，农业部植物营养与农业环境重点实验室，陕西 杨凌 712100；2.陕西省农业环境保护监测站，西安 710003）

铅（Pb）由于其在土壤中的溶解性和迁移性较大，是一种危害性很大的微量重金属元素[1-2]，土壤和蔬菜已受到一定程度的Pb污染，大多数重金属可以通过食用蔬菜很容易地进入食物链[3-4]，因此农业土壤的重金属污染是一个严重的问题。有研究表明，单独使用金属总量不足以准确评估重金属的风险，在评价生物有效性时应侧重于重金属生物活性而不是总量[5]。但是目前土壤中的金属总含量仍被中国和欧盟等国家用作制定土壤环境质量标准的基本指标，近年来，很多相关研究也是采用重金属总量来构建重金属风险评估的预测模型[6]。土壤性质如土壤质地、pH、有机碳（OC）、碳酸钙（CaCO3）、阳离子交换量（CEC）、氧化铝（Alox）和氧化铁（Feox）都会影响Pb在土壤中的迁移率和生物有效性[7-8]。然而，这些土壤性质之间的相互关系使得影响土壤中Pb生物有效性的主要变量难以确定。因此，可以通过逐步多元线性分析来确定土壤性质和Pb生物有效性之间的关系。故本研究利用土壤中总Pb含量结合土壤基本理化性质，对Pb在土壤中的生物有效性及其向植物中的运移特性展开研究。

除了土壤因素，Pb的生物有效性与作物的种类也有一定关系，研究表明，小白菜对Pb具有较高的吸收能力[9]。虽然许多研究调查了各种植物摄取Pb的机制，但大多数集中在具有单一土壤或性质相似的土壤中，这限制了结果的普遍应用性[10]。中国地域广阔，土壤性质差异很大，因此，在进行土壤Pb生态风险评价时需要考虑土壤性质对Pb生物有效性的影响，但仍然缺乏在不同种类土壤上普遍适用的评价Pb生物有效性的方法，构建适用于各种土壤类型的预测模型至关重要。因此，本研究选取我国15种理化性质差异很大的土壤，以小白菜为研究对象，旨在测定其在不同性状土壤上对Pb的吸收特征，评估影响小白菜对Pb生物有效性的主要因素，构建小白菜在不同的土壤类型吸收Pb的预测模型。

1 材料与方法

1.1 供试土壤

采集我国15个省份理化性质差异较大的土壤，采样深度为0～20 cm，土壤样品风干后过20目尼龙筛，供土壤基本理化性质测定。分析方法参照《土壤农化分析》[11]。使用湿酸消解法（HNO3-HF-HClO4）对供试土壤样品进行消解处理，浸提液使用原子吸收分光光度计（Hitachiz-2000，日本）测量其中的总Pb含量。供试土壤基本理化性质见表1，可以看出，其pH变化范围为4.90～8.80；OC含量范围为6.78～20.70 g·kg-1；CaCO3含量范围为0～53.57 g·kg-1；CEC含量范围为 8.70～31.11 cmol·kg-1；黏粒含量范围为 6.66%～42.91%；Feox和Alox含量范围分别为0.72～2.34 g·kg-1和0.05～0.26 g·kg-1，15种供试土壤包含了酸性土、中性土和碱性土，其理化性质变化很大。

表1 供试土壤基本理化性质Table 1 Selected soil properties

1.2 实验布置和样品分析

在陕西省杨凌区进行盆栽实验。按照《土壤环境质量标准》（GB 15618—1995）二级标准中Pb的限量，pH＜6.5时，250 mg·kg-1；pH为6.5～7.5时，300 mg·kg-1；pH＞7.5时，350 mg·kg-1。将外源Pb（PbNO3）以0、150 mg·kg-1和300 mg·kg-1的标准分别施用于含有1 kg土壤的盆中，分别记为对照（CK），Pb1和Pb2。将Pb溶解在水中以确保混合均匀，每个处理重复三次，自然条件下放置三个月使其老化。期间土壤水分保持在最大持水量的80%，并且每周称重并补水。在土壤老化后，向每盆土壤中加入含有0.30 g氮（尿素），0.10 g磷[Ca（H2PO4）2]和0.20 g钾（K2SO4）的基肥。然后将小白菜种子（金旱生，陕西秦兴种苗有限公司）直接播种在盆栽土壤中，并且在发芽后，根据长势每盆定苗两株。在整个生长期间土壤水分都保持在最大持水量的80%，白天和晚上的温度分别控制在20℃和15℃，空气湿度为60%～70%。

生长60 d后将小白菜收获，将收获小白菜后的土壤样品风干并过0.15 mm尼龙筛，经HNO3-HF消煮。新鲜植物样品用蒸馏水冲洗，100℃烘箱干燥，并在密封的高压系统下用HNO3-H2O2消化。用石墨炉原子吸收光谱仪（日立Z-2000，日本）测量消煮液中土壤样品和植物样品中的总Pb含量。每个样品重复三次，用GBW10015作标准参考材料，以确保测试的准确性。

1.3 数据分析

生物富集系数（BCF）是植物样品中金属含量与土壤中金属含量的比值。目前有两种常见的计算生物富集系数的方法。第一种方法称为全量法，计算方程式如下：

式中：Cplant和Csoil分别代表植物中和土壤中的Pb含量。

第二种方法为外源法，它是由第一种方法全量法引申而来，具体计算方程式如下[12]：

式中：Cplant和Cplant-CK分别代表添加Pb处理和对照处理的植物中Pb含量；Csoil和Csoil-CK分别代表添加Pb处理和对照处理的土壤中Pb含量。

Freundlich方程可用于预测重金属从土壤到植物系统转移[13]，其方程式如下：

式中：Cplant和Csoil分别是植物和土壤中的Pb含量；a和b是常数。

基于土壤的基本理化性质，采用逐步多元线性回归（SMLR）预测小白菜对Pb的吸收量。除了pH之外的所有数据在分析之前进行对数转化以获得正态分布。数据分析和作图分别采用SPSS和Excel软件。

2 结果与分析

2.1 不同处理条件下植物中Pb含量之间的关系

如图1所示，对照（CK）处理中植物Pb含量范围为 0.008～0.019 mg·kg-1。Pb1处理植物Pb含量范围为0.15～0.42 mg·kg-1，平均值为0.25 mg·kg-1。Pb2处理植物 Pb含量范围为0.29～0.57 mg·kg-1，平均值为0.40 mg·kg-1。Pb1和Pb2处理中植物Pb含量均极显著高于CK处理中植物Pb含量（p＜0.01）。在酸性土壤上生长的植物中的Pb含量（0.27 mg·kg-1）高于在碱性土壤上生长的Pb含量（0.18 mg·kg-1），这表明低pH可以提高Pb在植物中的富集量。如图2A所示，土壤中的Pb含量（19.45～389.46 mg·kg-1）和植物Pb含量（0.01～0.57 mg·kg-1）表现出很大的变化，植物Pb含量与土壤Pb含量呈极显著相关（R2=0.72，p＜0.01）。如图2B所示，把植物Pb含量与土壤Pb含量经对数化处理后，两者之间相关性更高（R2=0.83，p＜0.01）。

图1 不同Pb处理下小白菜的Pb含量Figure 1 Pb concentration in the Brassica chinensis under different Pb treatments

2.2 土壤理化性质对植物吸收Pb的影响

图2土壤Pb和植物Pb含量之间的关系（A和B分别表示正常和对数转换）Figure 2 Relationships between Pb concentration in Brassica chinensis and soil in normal（A）and log-transformed（B）

图3 A为用全量法计算的生物富集系数（BCFtotal）。可见，相比于对照CK，添加Pb的处理Pb1和Pb2显著增加了不同土壤中的生物富集系数（BCF），但Pb1和Pb2处理之间的差异并不显著。在酸性土壤中的BCFtotal值较高，表明Pb在酸性条件下更容易被植物富集。然而，相对于其他酸性土壤，土壤编号3、6、7的BCFtotal显著降低，这可能是由于这三种土壤中有机碳（OC）含量（分别为19.87、20.70 g·kg-1和19.05 g·kg-1）较高。土壤编号12相对于其他土壤的BCFtotal值显著降低，这可能是由于该土壤中CaCO3含量（53.57 g·kg-1）较高。与其他碱性土壤相比，土壤编号14的BCFtotal明显较高，这可能是由于土壤中有机碳含量（6.87 g·kg-1）较低。如图3B所示，用外源法计算的生物富集系数（BCFadded）在酸性土壤中最高，但在Pb1和Pb2处理之间没有表现出显著差异。与BCFtotal相比，相应土壤的BCFadded略增大，其原因可能是在计算BCFadded时消除了土壤本底Pb的影响。

图3 不同Pb处理下15种土壤中小白菜的富集系数（BCF）Figure 3 BCFtotal（A）and BCFadded（B）of Brassica chinensis in the 15 soils under different Pb treatments

2.3 影响植物Pb吸收的土壤因素

以植物中Pb含量为因变量，土壤中Pb含量、土壤pH、OC、CEC和黏粒含量等作为自变量进行逐步多元线性回归，可以得出土壤中Pb含量、土壤pH和OC与植物中Pb含量极显著相关（p＜0.01）、其他土壤性质如黏粒含量、CEC、CaCO3含量和Fe-或Al-氧化物含量也会对植物中Pb含量产生影响，但均未达到显著相关（P＞0.05），因此没有被回归到预测方程中。从表2可以看出，基于土壤Pb含量的单因素预测方程估计精度最低（R2=0.83，p＜0.01），而基于土壤Pb含量、土壤pH和土壤OC含量的多变量预测方程估计精度最高（R2=0.94，p＜0.01），将土壤性质纳入逐步多元线性回归分析改进了Pb生物有效性的估计，因此在评价Pb的生物有效性时，需要考虑土壤pH和OC等因素。植物Pb含量与土壤pH和OC之间的简单关系如图4所示。

2.4 植物从土壤中吸收Pb的模型预测

添加pH、OC、CEC和黏粒含量等土壤性质可以提高Freundlich方程的预测精度。对数转换的Freun⁃dlich模型经常被应用于研究各种土壤-植物系统中的重金属吸收[14-15]。为判定预测模型的预测效果，可以通过预测值和实测值之间的均方根误差（RMSE）和决定系数（R2）来获得最佳预测方程，RMSE越小，R2越大，其方程预测效果越好。

表2 基于土壤性质的植物Pb吸收预测模型Table 2 Prediction equations between plant Pb and soil properties

图4 植物Pb含量与土壤pH、土壤OC含量之间的简单关系Figure 4 The simple relationships between the Pb concentration in plants and pH，OC in soils

在本研究中，基于方程（3），根据不同来源的Pb数据，分别是对照处理、全量法、外源法和将对照处理和添加Pb的处理相结合，对数据分别进行拟合计算，共得到4个不同的预测方程，如表3所示。通过这些方程可以看出，植物中Pb含量与土壤中Pb含量、土壤pH值和有机碳含量呈显著相关关系，且植物Pb含量与土壤Pb含量呈正相关，但与土壤pH和有机碳含量呈负相关。为进一步探索各回归方程的预测效果，通过绘制不同Pb来源的预测值和实测值之间的关系图（图5），可以看出，通过合并对照处理和添加Pb处理计算的回归方程（R2=0.94，RMSE=0.11，n=45）较其他方程预测效果更好。

3 讨论

有研究表明，随着土壤中Pb含量的增加，植物中的Pb含量也随之增加，即植物中Pb含量与土壤中Pb含量呈正相关，并且将数据进行对数处理后，植物Pb含量和土壤Pb含量之间相关性更高[16-17]，这与本研究的结果相似，且本研究供试土壤中的Pb含量和植物Pb含量变化范围较大（图2），充分说明了本研究结果的普遍性。但也有研究表明，植物Pb含量和土壤Pb含量之间的简单线性回归分析不能完全反映出土壤性质对Pb生物有效性的影响[18]，因此许多学者通过建立包含土壤性质的多元回归预测模型，如王卫等[19]通过建立土壤理化性质与烟叶中Cd含量的相关方程，Ding等[20]利用21个土壤样品建立土壤理化性质与根菜类植物中Pb含量的回归方程，Dai等[21]采集我国18个省份的土壤，建立土壤理化性质与小麦中As含量之间的预测方程，都取得了不错的效果。本研究中，将土壤性质融合进回归方程的模型相关性比不包含土壤性质的方程相关性更好，说明土壤性质对小白菜从土壤中吸收Pb有显著影响。

表3 基于不同数据源的植物Pb吸收的预测方程Table 3 Prediction equations for the different Pb sources

图5 根据数据来源的植物Pb测定和预测值之间的关系Figure 5 Relationships between measured lg[plant Pb]and predicted lg[plant Pb]of different Pb sources

通过逐步多元线性回归分析（SMLR）构建的植物Pb含量与土壤Pb含量和土壤理化性质之间的Freun⁃dlich型关系（lg CplantPb对lg CsoilPb），可以看出，土壤OC含量和土壤pH与小白菜对Pb的吸收量呈负相关。土壤pH控制重金属在土壤固相中的沉淀和溶解以及金属吸附，络合和酸碱反应，因此，土壤pH对土壤中Pb的形态及其吸附解吸有着直接的影响[22-23]。本研究证实，在酸性土壤中的植物Pb含量和生物富集系数都较大，表明Pb在pH低的酸性土壤上更容易被作物吸收。土壤有机碳含量也与Pb的生物有效性呈负相关，原因可能是有机物料施用能改变土壤中重金属的形态，土壤有机质通过发生络合反应固定阳离子，导致土壤中Pb的浓度降低，从而降低植物的吸收[24]。另外，有机物料腐解后产生的某些基团能有效吸附、络合土壤重金属，从而减少重金属的生物有效性[25]。有研究表明，土壤CEC、CaCO3和黏粒含量对土壤中外源Pb的有效性也有影响。CEC反映了土壤胶体的负电荷量，为土壤吸附和交换的阳离子容量。黏粒含量高，CEC相应增加，土壤对Pb2+的吸附作用也较大，而CaCO3解离出来的少量Ca2+会与Pb2+产生拮抗作用[26-27]。但是本研究的结果表明，土壤CEC、CaCO3、黏粒含量和Fe、Al氧化物等在供试土壤上均未对小白菜吸收Pb产生显著的影响，这可能与供试土壤理化性质和植物种类有关。

目前用于评价重金属生物有效性的模型主要有经验模型和机理模型，机理模型通常基于土壤参数（例如，土壤溶液中离子的扩散系数）和植物特征（例如，根大小和几何形状，根的离子吸收的动力学参数），其导致估计精度较好[28]。由于经验模型更简单和准确，近年来很多研究人员使用经验模型预测重金属的生物有效性[29-30]。例如，François等[31]研究指出，经验模型比机理模型预测小麦中的重金属浓度更准确，这是由于经验模型考虑了土壤pH、CEC和土壤重金属的活性等因素，故本研究中的预测模型考虑了土壤pH、OC对Pb生物有效性的影响，宋文恩等[32]研究水稻中Cd的生物有效性时利用经验模型获得的预测方程，可以解释模型变异的81.90%以上。广泛用于评估重金属从土壤到植物转移的Freundlich型方程通常就基于容易测量的土壤性质参数而得出，比如pH、OC、CEC和重金属总量等[33]。

在本研究中，15个不同土壤性质的变化范围比较大，特别是pH和有机碳含量，以确保这些变量在回归模型中的意义。结合土壤理化性质后，通过不同来源Pb数据拟合的预测模型都有较好的预测效果，尤其是合并对照处理和添加Pb处理得到回归方程（n=45）预测效果最好，实测值和预测值相关性最高，因此，本研究得到的预测模型可以为中国土壤Pb污染对叶菜类蔬菜的生态风险评价和土壤环境质量标准的修订提供参考。

4 结论

（1）植物中的Pb含量受土壤中的Pb含量、土壤pH值和有机碳含量影响显著，且与土壤中的Pb含量呈正相关，与土壤pH和有机碳含量呈负相关。

（2）Pb在酸性土壤中富集系数比碱性土壤大，且外源法测得的BCF都高于全量法测得的BCF。植物Pb含量和土壤Pb含量的简单线性相关关系，在经过对数处理后相关性更好。

（3）相对于单变量（土壤Pb含量）模型，通过逐步多元线性回归将土壤理化性质纳入回归方程得到的多变量（土壤Pb含量、土壤pH、OC含量）预测模型的相关性更好，可以用于估计Pb从土壤到植物的转移。