从传统视角到新兴视角：土壤采样框架向“同一健康”理念的范式转变

《ACS Sustainable Resource Management》：Paradigm Shift in Soil Sampling Frameworks toward One Health: From Traditional to Emergent Views

土壤污染威胁粮食安全和人体健康，传统采样框架难以应对复杂污染特征。本文提出“3+N”动态优化采样系统，通过三维空间建模、多污染物协同效应分析及实时监测技术，实现污染源精准定位与采样密度智能分配，提升污染治理效率。

　　

摘要

工业活动导致的广泛土壤污染威胁着食品安全和人类健康。我们的研究提出了一种新的土壤采样策略，以更好地识别复杂的污染模式，从而实现更有效和有针对性的清理工作。

随着工业化的迅速发展，土壤污染已成为一个不容忽视的重大环境挑战。据估计，全球有14-17%的耕地受到重金属的污染。(1) 在中国，农业土壤中关键有机污染物的平均浓度分别为：邻苯二甲酸酯（PAEs）3720 ± 5840 ng/g、多环芳烃（PAHs）772 ± 895 ng/g、有机氯农药（OCPs）58.9 ± 51.5 ng/g和多氯联苯（PCBs）9.31 ± 15.4 ng/g，这些浓度是未受污染土壤基准值的数倍。(2) 在“同一健康”（One Health）框架的背景下，土壤污染的日益严重性对粮食安全和公共卫生构成了重大风险，因此需要更多关注。随着现代分析技术的进步，能够检测到的污染物种类不断增加，迫切需要进一步完善和更新当前的土壤采样框架（SSF）。作为解决这些问题的关键，SSF整合了科学方法、标准程序和质量保证措施。

目前针对受污染土壤的SSF通常首先参考中国相关部门或地方政府发布的法规和指南。在土壤环境专家与企业执行者达成基本共识后，会对计划进行微调，形成标准化的模型输出。不幸的是，这种方法往往无法满足项目的实际需求。传统SSF的一个主要局限性在于它们无法适应复杂污染场所的具体空间特征，且缺乏灵活的模块。因此，实践者不得不以通用或粗略的方式应用这些模型，这降低了空间精度，导致污染源和污染分布模式的识别不准确。当前的SSF面临三个关键挑战（图1）。

图1

图1. 传统与新兴土壤采样框架（SSFs）的对比，突出了新兴方法中的优化策略。该示意图包括三个部分：存在的问题、相应的解决方案以及期望的结果。主要解决的问题包括：（1）涉及多个步骤的漫长检测周期；（2）仅关注单一污染物而忽略复合效应；（3）依赖二维布局，缺乏三维空间分析。提出的具体改进步骤包括：（1）精确划定污染区域（开发包含区域边界、结构特征和关键污染区的数字模型，并通过分区分类来调整采样密度）；（2）识别复合污染效应（细化污染物类型分类，建立多污染物特征数据库，并利用污染物之间的相互作用模型来划定高密度采样的热点区域）；（3）考虑多维分布和动态扩散（构建三维污染场模型，捕捉污染物的空间和时间变化，并分析污染物的传输特性）；（4）动态方案更新（结合实时监测技术和动态建模，根据最新的检测结果不断调整原始采样计划）。所提出的概念框架支持在整个土壤采样设计阶段进行全面改进，以应对多污染物共存、尺度依赖性异质性和时间变化性等问题。这一观点旨在为在相同健康条件下优化土壤采样点提供新的思路，摒弃过时的简单思维模式，从更全面和多维的角度审视土壤污染问题。

高分辨率图片

下载MS PowerPoint幻灯片

首先，最突出的问题是多种污染物的存在。当前的土壤污染评估监管框架和标准化模板通常只指定一种或几种代表性污染物作为监测和治理的目标。然而，传统的SSF无法动态捕捉复合污染的协同效应和相互作用机制。土壤中的污染物行为可以被视为一个自组织过程。土壤微生物通过调节代谢途径和基因表达来响应污染物压力，从而促进污染物的降解、转化或固定。(3) 传统的固定密度采样网格无法准确捕捉多污染物之间的空间变化，缺乏分析这些空间相关性的定量工具。第二个问题是动态化问题。土壤污染物的空间分布通常不是简单的点状分布，而是呈现出连续和聚集的模式。因此，准确预测和控制土壤中的污染物行为需要系统的、动态的视角，而不能将其简化为孤立的部分或静态过程。此外，采样计划的调整通常依赖于实验室分析结果，而这些结果往往由于处理时间较长而延迟。当前的采样框架未能在检测精度和操作效率之间取得有效平衡。此外，过度依赖历史污染源数据可能导致采样计划与污染演变的情况不符。这种缺乏适应性的问题阻碍了对污染物时空动态的跟踪和预测，从而无法根据实时环境变化优化和调整采样设计。最后，当前方法缺乏多尺度分析能力。基于均匀性的空间采样方法通常依赖于固定的网格密度或经验判断来确定采样位置，这无法同时识别区域污染趋势和多维框架中的污染热点位置。建模技术也存在不足。(4) 固定网格采样方案可能会忽略微观污染源，导致对污染趋势的解释出现偏差，从而影响对实际空间分布的准确界定。(5) 提高采样密度可能会导致“整体模糊和局部失焦”的情况，最终削弱污染控制措施的效果和针对性。(4) 传统采样方法采用固定的土壤深度间隔，忽略了污染物在不同深度的复杂迁移行为。空间异质性使得种群分布的准确表征变得复杂。

为了解决布局规划不佳的问题，我们建议将系统分析整合到传统的采样框架中。这种方法强调动态优化和多目标平衡，为改进现有实践提供了途径，同时尽量减少二次污染或公众争议的风险。采样优化的核心在于系统分析的原则，它整合了历史污染源数据、多种污染物的复合效应以及污染物的空间-时间变化性。这有助于在实施过程中及时反馈，并确保充分捕捉多维分布特征。最终目标是在降低成本的同时最大化信息产出，实现精确的污染物识别和有针对性的资源分配。SSF应根据具体土壤地块的功能要求进行优化，形成一个闭环决策系统。成功实施需要政府机构、研究人员和企业实践者之间的协同合作。这种方法还需要在测试案例中积累相关经验以进一步验证。只有在理论向实践的成功转化之后，才能将其广泛应用于更多类型的土壤采样场景。通过优化策略和实际评估，我们提出了一个全面的“3 + N” SSF。其关键流程包括政策、技术、实施和更广泛的社会合作。