Identification of potential geohazards in mountainous towns based on "Space-Air-Ground-Underground" approach: A case study of key towns in Xide County, Sichuan Province
-
摘要:
为了更好地适应山区城镇地质灾害隐患精细识别的需求，实现中、小型以及高隐蔽性地灾隐患的有效判识，本次以川西南喜德县重点乡镇为例，综合采用了光学遥感、InSAR、无人机载LiDAR、地面精细调查、高密度电法等方法，从不同精度和角度对研究区系统开展了地质灾害隐患判识。结果表明，不同手段具有很好的互补性，综合识别效果较好，共识别地灾隐患80处，包括新增识别29处，此外，识别潜在危险源131处；孕灾条件差异制约着不同识别方法的有效性，其中光学遥感在研究区西北部构造变形强烈、坚硬岩组分布区具有更好的识别效果，无人机摄影测量配合地面斜坡详查及物探探查等手段更适合东部米市宽缓向斜红层分布区的地灾识别，机载LiDAR高清三维摄影对重点城镇后山斜坡普遍发育的“簸箕形”平面形态滑坡和“栎叶状”流域平面形态泥石流识别效果较好；易崩易滑工程地质岩组与顺向型斜坡结构的优势组合是研究区地灾孕育的关键，而深部物探对控灾结构面探查是地质灾害隐患判识的重要佐证。
Abstract:In order to better meet the needs of geohazard identification in mountainous towns and effectively detect small-sized, medium-sized, and hidden geohazards, a case study was conducted in several typical towns in Xide County, southwest Sichuan. The study employed a comprehensive suite of techniques, including optical remote sensing, InSAR, LiDAR, detailed slope investigation, and high-density resistivity methods, to identify geohazards from various perspectives and levels of precision. The results show that these methods complement each other well and are effective in geohazard identification. A total of 80 occurrences of geohazards were identified, including 29 new identifications, along with 131 potential geohazard dangers. The differences in disaster-inducing factors in the study area constrain the effectiveness of different methods. Optical remote sensing proved more effective in areas characterized by strong structural deformation and hard rock formations. In contrast, unmanned aerial vehicle (UAV) photogrammetry, combined with detailed ground surveys and geophysical exploration, was more suitable for identifying geohazards in the red layer distribution areas of the Mishi wide gentle syncline. Airborne LiDAR high-definition 3D photography was particularly effective for identifying "dustpan-shaped" landslides and "oak leaf-shaped" debris flows, which are common on the slopes of key towns. The combination of easily collapsible and slidable engineering geological rock groups and dip-slope structures is the key to the formation of geohazards in the study area. Geophysical exploration targeting disaster-controlling structures is an important support for geohazard identification.
-
0. 引言
所谓的重金属高背景区，指的是自然形成的重金属元素高度富集的区域。如喀斯特地区，土壤镉等重金属元素异常富集，且这种富集被认为与地质背景有关（温琰茂等，1994；Johnson et al., 1996；吴见珣等，2020；Yang et al.，2021；夏学齐等，2022）。已有调查发现，高背景区农作物镉含量差异较大，重庆（张风雷等，2017）、广西（Gu et al.，2018；唐豆豆等，2018；Wen et al.，2020；马宏宏等，2021；李杰等，2021；杨琼等，2021）、湖北（易甜等，2020）、四川（徐克全等，2021）等有水稻镉和土壤镉同时超标的报道。学者们认为，高背景区农作物镉超标主要与土壤酸碱度、土壤有机质、土壤镉形态等有关（Gu et al.，2018；唐豆豆等，2018；Wen et al.，2020；李杰等，2021；杨琼等，2021）。但海南（李佳桐等，2018）和云南（和淑娟等，2020；唐瑞玲等，2020；张富贵等，2022）也有土壤中的镉含量超标，而农作物中的镉含量并未超标的报道，但对其原因知之甚少。对于土壤镉超标而农作物中镉不超标的重金属高背景地区，亟需开展农作物镉积累机制的研究，探寻制约农作物镉吸收的因素，为区域土壤环境质量评价和污染土地生态修复提供依据。
云南省会泽县位于中国西南部，是世界三大喀斯特地区之一的东亚喀斯特地区的重要组成部分（赵中秋等，2006；李汇文等，2019；刘鸿雁等，2019），属典型的重金属高背景区（骆永明和滕应，2018；唐瑞玲等，2020；张富贵等，2022；夏学齐等，2022）。水系沉积物（王永华等，2019）、土壤等镉含量明显高于周围相邻区，区内已发现土壤镉超标而农作物中镉不超标的现象（成杭新等，2019①；和淑娟等，2020；唐瑞玲等，2020；张富贵等，2022）。本文以会泽县娜姑镇娜姑坝子水稻田为研究区，开展水稻镉积累研究和健康安全风险评价工作。
1. 研究区概述
研究区位于云南省会泽县西部，地处滇东北高原，乌蒙山主峰地段。东经103°8′~ 103°12′，北纬26°27′~ 26°31′，距会泽县城13千米，距昆明市167千米（参见图1a）。海拔1920米，属典型的温带高原季风气候，四季不明，夏无酷暑，冬季寒冷，干湿分明。高原空气稀薄，辐射波短，日照时间长。年平均晴日225天，年日照
2100 小时，年平均气温12.7℃。无霜期平均208天，年平均降水量796.6毫米。![]()
图 1 研究区构造位置（a）、地质矿产（b）、土壤类型（c）及采样点位（d）图Figure 1. Tectonic map (a), geological and mineral map (b), soil type map (c) and sampling location map (d) of the study area大地构造位于扬子陆块南部碳酸盐岩台地西部，西邻康滇基底断隆—攀西上叠裂谷（尹福光等，2016）。李兴振等（1995）、殷鸿福等（1999）认为，扬子陆块是原-古特提斯演化的产物。区域内出露太古宙至第四系地层，太古宙为轻变质岩系，原岩为陆源碎屑岩；震旦系—古生界以碳酸盐岩为主，夹少量碎屑岩；中生界三叠系以碳酸盐岩为主，侏罗系为碎屑岩；第四系主要为河道冲洪积、坡残积堆积物。发育二叠纪峨眉山玄武岩（P3β），主要分布于西北部和东南部。发现铜、铅、磷等矿产资源，铜矿产于峨眉山玄武岩，铅、磷矿赋存于震旦系—古生界地层。研究区地处高原山间盆地，出露第四系地层，矿产资源少（图1a-b）。
研究区外围土壤类型以红壤为主，其次是黄壤、黄棕壤、紫色土等，研究区内为水稻土（图1c）。研究区外围土地利用类型主要分为水田、旱地、草地、乔木林地、灌木林地、其他林地、农村宅基地、城镇住宅用地、水域等几类，研究区内为水田。
2. 材料与方法
2.1 样品采集
根据行业标准《土地质量地球化学评价规范（DZ/T 0295—2016）》，采集研究区内水稻籽实和配套土壤样品，平均采样密度为 2 个点/ km2。水稻样品采集过程中，根据种植面积、种植规模、种植年限，以 0.1~0.2 hm2为采样单元，在采样单元内选取10~20 棵植株，采集稻穗，混合成样。2019 年8月底完成野外样品采集，共采集水稻样品 41件（图1d）。样品晾干后送实验室，干重 300~
1000 g。同时采集配套土壤样品 41 件，采样深度0~20 cm。采样时去除表面杂物，采集地表至 20 cm深土壤，上下均匀采集，弃除水稻根系。土壤样品原始重量 >
1000 g。样品于野外驻地进行初加工，采集的土壤样品在日光下干燥，干燥过程中经常揉搓，以免胶结。干燥后用木槌轻轻敲打，以使土壤样品恢复至自然粒级状态。样品干燥后用尼龙筛截取 < 0.8 mm粒级的样品 500 g，装瓶送样。2.2 样品分析测试
样品经自然资源部成都矿产资源监督检测中心分析测试。水稻样品测试糙米 Cd 含量，按《食品安全国家标准 食品中多元素的测定（GB 5009.268—2016）》执行。稻谷用四分法分样，用砻谷机脱壳成糙米，先用清水冲洗干净，再用去离子水冲洗 3 遍，晾干，用专用粉碎机无污染加工至粒度约60目（0.25 mm）。糙米 Cd 采用 ICP–MS 方法分析，检出限为 0.002 mg/kg（表1），报出率为 100%，合格率 100%。
表 1 水稻和土壤分析测试指标、方法及检出限Table 1. Analysis items, methods and detection limits of the rice and soil样品类型 分析指标 指标代号 分析方法 单位 检出限 水稻 镉 Cd 等离子质谱法（ICP-MS） mg/kg 0.002 土壤 镉 Cd 等离子质谱法（ICP-MS） mg/kg 0.02 银 Ag 发射光谱法（ES） mg/kg 0.02 铅 Pb X射线荧光光谱法（XRF） mg/kg 2 铀 U 等离子质谱法（ICP-MS） mg/kg 0.05 钼 Mo 等离子质谱法（ICP-MS） mg/kg 0.1 有机碳 TOC 重铬酸钾容量法 % 0.05 全碳 TC 高频红外碳硫仪法 % 0.1 氮 N 酸碱滴定容量法 mg/kg 15 硫 S 容量法 mg/kg 20 氯 Cl X射线荧光光谱法（XRF） mg/kg 15 溴 Br X射线荧光光谱法（XRF） mg/kg 0.8 碘 I 催化比色法（COL） mg/kg 0.3 三氧化二铝 Al2O3 X射线荧光光谱法（XRF） % 0.01 酸碱度 pH pH计电极法（ISE） 1 土壤样品烘干后混匀，并粉碎至 < 0.074 mm（200目）。土壤 Cd 同样采用 ICP – MS 分析，分析测试质量控制遵循行业标准（DZ/T 0258—2014）的有关要求，检出限为 0.02 mg/kg，报出率为 100%，合格率 100%。同时分析的还有银（Ag）、铅（Pb）、锌（Zn）等53项指标，可能影响水稻镉吸收的各指标测试方法及检出限参见表1。
3. 结果与分析
3.1 土壤镉等含量特征
从表2可知，研究区土壤镉（Cd）含量为0.467 ~ 1.87 mg/kg，平均值为 0.78 mg/kg，中位值为 0.71 mg/kg，高于乌蒙山区背景值（0.55 mg/kg）（成杭新等，2019①），远高于全国土壤背景值（0.137 mg/kg）（王学求等，2016），是全国背景值的 5.69 倍。变异系数不大（< 0.5），为 0.42，表明土壤 Cd 分布相对均匀。研究区东南部白雾—落水一带土壤 Cd 含量相对较高，西北部则补—石咀一带较低（图2a）。
表 2 研究区土壤地球化学特征统计参数Table 2. Statistical parameters of soil geochemistry in the study area指标名称 指标代号 单位 含量值范围 平均值（$ \overline{X} $） 中位值 标准差 变异系数 全国土壤背景值 （X0A） 与全国土壤
背景值之比（$ \overline{X} $/X0A）镉 Cd mg/kg 0.467~1.87 0.78 0.71 0.30 0.42 0.137 5.69 银 Ag mg/kg 0.057~0.457 0.12 0.10 0.08 0.80 0.077 1.56 铅 Pb mg/kg 18.9~298 57.5 37.6 54.9 1.46 22 2.62 锌 Zn mg/kg 72.7~441 166 146 72.49 0.50 66 2.52 铀 U mg/kg 1.59~4.53 2.88 2.69 0.62 0.23 2.5 1.15 钼 Mo mg/kg 0.434~2.13 1.10 1.05 0.34 0.32 0.7 1.57 三氧化二铝 Al2O3 % 8.04~17.75 13.9 13.9 1.72 0.12 11.9 1.17 碘 I mg/kg 0.79~2.83 1.48 1.39 0.45 0.33 1.1 1.35 有机碳 TOC % 1.95~6.18 3.34 3.08 0.95 0.31 0.6 5.57 全碳 TC % 2.66~11.33 4.53 4.07 1.76 0.43 1.3 3.48 氮 N mg/kg 1902~ 6567 3393 3219 960 0.30 707 4.80 硫 S mg/kg 317~ 2464 669 653 336 0.51 245 2.73 氯 Cl mg/kg 62~154 90.5 82.9 25.2 0.30 78 1.16 溴 Br mg/kg 1.86~5.27 3.61 3.47 0.95 0.27 2.2 1.64 酸碱度 pH 5.84~8.13 7.26 7.44 0.68 0.09 8 0.91 注：全国土壤背景值数据来源于王学求等（2016）。 ![]()
图 2 研究区土壤镉（a）、有机碳（b）地球化学图Figure 2. Contour maps of cadmium (a) and TOC (b) in soil of the study area根据后文相关分析和逐步回归分析的结果反推，所有 54 项土壤分析测试指标中，15 项指标可能与水稻镉吸收机制有关，其中银（Ag）、铅（Pb）、锌（Zn）、铀（U）、钼（Mo）、三氧化二铝（Al2O3）、碘（I）等可与镉聚为一类（R > 0.3）（图3），Ag、 Pb和Zn平均含量分别为 0.12 mg/kg 、57.5 mg/kg 和 166 mg/kg，是全国背景值的 1.56 、2.62 和 2.52 倍（表2），为与碳酸盐岩有关的中低温热液元素组合，区域内分布有大型的中低温热液矿床——会泽铅锌矿，镉与铅锌等同时富集为地质背景所致。U、Mo 平均含量分别为 2.88 mg/kg 和 1.10 mg/kg，是全国背景值的 1.15 和 1.57 倍（表2）。
另外，全碳（TC）、氮（N）、氯（Cl）、有机碳（TOC）、溴（Br）、硫（S）等也可聚为一类（R > 0.3）（图3），为一套与土壤有机质有关的元素组合。其中 TOC、TC、N、S 等含量丰富，平均含量分别为 3.34%、4.53%、
3393 mg/kg 和 669 mg/kg，是全国背景值的 5.57、3.48、4.80 和 2.73 倍（表2），是植物生长必需的大中量营养元素。一方面，土壤有机碳总体含量高与地质背景有关；另一方面，石咀等居民点附近土壤有机碳局部富集可能与人工施肥等活动有关（图2b）。这与四川省南部县调查结果相一致（曾琴琴等，2021）。土壤 pH 值跨度大，为 5.84~8.13 ，酸性、中性和碱性土壤均有分布。3.2 水稻镉含量特征
水稻（糙米）镉含量为 0.007~0.062 mg/kg，平均为 0.016 mg/kg（表3）。与土壤 Cd 变异系数较小不同，水稻 Cd 变异系数较大（> 0.5），为 0.75，说明水稻镉存在局部富集。北部水稻镉含量偏高，南部次之，中部偏低。生物富集系数（水稻镉含量/土壤镉含量）为0.21，属中度累积（Medium Accumulation）（Kabata-Pendias and Pendias, 1984；Alloway，2013）。与前人研究结果相一致，尽管土壤镉含量较高，但水稻镉含量并不高（李佳桐等，2018；和淑娟等，2020；唐瑞玲等，2020；张富贵等，2022）。与四川东北部土壤镉含量低而水稻镉含量高的情况形成鲜明对比（刘才泽等，2022）。
表 3 研究区水稻镉含量特征统计表（含量单位：mg/kg）Table 3. Statistical parameters of rice cadmium in the study area (content unit: mg/kg)样品数 水稻 Cd 土壤 Cd
平均值水稻 Cd /土壤 Cd 含量值范围 平均值 中位值 标准差 变异系数 41 0.007~0.062 0.016 0.013 0.012 0.75 0.78 0.21 3.3 水稻镉含量与土壤元素相关性
水稻镉含量与土壤各元素指标（偏）相关分析结果如表4 所示。从表4可知，与水稻镉含量呈显著正相关的有土壤铀、钼、银、铅、锌等元素，水稻镉含量随着这些元素含量的增加而增加。其中土壤铀与水稻镉含量相关系数最大，R = 0.52（P < 0.01）。当以铀为控制变量后，钼、银、铅等与水稻镉含量偏相关系数明显减小，不再具统计学意义。由此可见，上述元素与水稻镉含量的相关性为同一因素所致。
表 4 研究区水稻镉含量与土壤元素（指标）相关、偏相关系数Table 4. Correlation and partial correlation coefficients between rice cadmium and soil elements (indices) in the study area控制
变量U Mo Ag Pb Zn Al2O3 Cd pH I N S TC Cl Br TOC 无 0.52** 0.48** 0.44** 0.42* 0.35* 0.14 0.29 －0.04 －0.22 －0.23 －0.29 －0.29 －0.30 －0.37* －0.39* U 0.24 0.18 0.20 0.22 －0.21 －0.11 －0.12 －0.43** －0.05 －0.41** －0.11 －0.21 －0.21 －0.18 TOC 0.35* 0.42** 0.35* 0.37* 0.37* －0.09 0.30 －0.04 －0.20 0.10 －0.26 －0.03 －0.11 －0.23 注：“**”表示显著水平（< 0.01）；“*”表示显著水平（< 0.05）；当无控制变量时，为Pearson相关系数。 与土壤有机质有关的元素组合与水稻镉相关系数为负值，系数绝对值从大到小依次为有机碳、溴、氯、全碳、硫、氮、碘等。当这些指标增大时，水稻镉含量反而减小（图4）。其中土壤有机碳和溴与水稻镉含量呈显著负相关，土壤有机碳与水稻镉含量相关系数绝对值最大。当以土壤有机碳为控制变量时，氯、全碳、氮、碘等与水稻镉含量的偏相关系数绝对值明显减小，不再具有统计学意义。
![]()
图 4 研究区水稻镉含量与土壤有机碳含量散点图Figure 4. Scatter plot of rice cadmium and soil organic carbon in the study area3.4 土壤-水稻镉元素吸收模型
逐步线性回归是研究因变量与多个自变量之间相互关系的数学方法。该方法不仅能建立因变量与自变量之间的回归预测模型，还可以从较多的自变量中筛选出对因变量影响较显著的自变量。对不服从正态分布的指标，取其对数值参与建模。当以水稻镉（
$\lg{Cd}_{rice}$ ）为因变量，土壤 54 项分析测试指标为自变量，经逐步线性回归（详见表5），水稻镉吸收预测模型如下式所示。表 5 逐步线性回归过程及参数Table 5. Stepwise linear regression process and parameters步骤 变量/常量 非标准化系数 标准化系数 τ 值 显著性* 系数 标准误差 1 常量 －2.362 0.138 －17.132 <0.001 Usoil 0.176 0.047 0.515 3.754 0.001 2 常量 －0.796 0.468 －1.700 0.097 Usoil 0.164 0.041 0.480 3.946 <0.001 lgSsoil －0.549 0.158 －0.422 －3.466 0.001 3 常量 0.472 0.578 0.817 0.419 Usoil 0.256 0.047 0.751 5.432 <0.001 lgSsoil －0.800 0.162 －0.615 －4.927 <0.001 Al2O3soil －0.060 0.019 －0.490 －3.193 0.003 4 常量 0.048 0.560 0.085 0.932 Usoil 0.272 0.044 0.799 6.173 <0.001 lgSsoil －0.682 0.157 －0.524 －4.336 <0.001 Al2O3soil －0.051 0.018 －0.421 －2.909 0.006 lgIsoil －0.472 0.178 －0.290 －2.644 0.012 注：“*”表示显著水平 < 0.05 时，变量入选模型。 $$ \begin{split} \lg{Cd}_{rice}=&0.272\cdot {U}_{soil}-0.682\cdot \lg{S}_{soil}-0.051\cdot {{Al}_{2}{O}_{3}}_{soil}-\\ &0.472\cdot \lg{I}_{soil}+0.048 \end{split}$$ R值为0.796，能很好地反映预测变量与自变量之间的依存关系。54 个自变量中，最终入选吸收模型的仅有铀（
$ {U}_{soil} $ ）、硫（$\lg{S}_{soil}$ ）、三氧化二铝（$ {{{\rm{Al}}}_{2}{{\rm{O}}}_{3}}_{soil} $ ）、碘（$\lg{I}_{soil}$ ）等4个元素（指标），其中仅土壤铀系数为正值，其余均为负值。4. 讨论
4.1 水稻镉吸收机制分析
从表5 可知，土壤铀最先入选逐步回归方程。步骤4中，其标准化系数绝对值最大，对水稻镉含量影响最显著。其原因可能有： ①土壤铀与土壤镉呈显著正相关（图3），高铀与高镉伴生。土壤镉与水稻镉相关系数为 0.29，不具统计学意义。②高铀环境可能有利于农作物对镉的吸收。张艳等（2013）试验表明，同时加入高浓度铀、镉处理液后，豌豆镉含量急剧增加。 ③土壤铀与钼关系密切（图3），作为微量营养元素，高钼环境可能会促进镉的吸收。张振明等（2015）对低浓度镉污染土壤施加钼肥，小白菜植株镉含量随之增加。
对于可能危害人体健康的重金属元素镉，我们更应该关注抑制农作物吸收的机制。模型系数为负值的硫、三氧化二铝、碘等变量，只有硫与水稻镉相关性具统计学意义。正如前述分析，硫和有机碳均为与土壤有机质有关的元素组合，反映的是土壤有机质对水稻镉的抑制作用。土壤有机碳之所以未入选回归预测模型，与铀优先入选回归方程有关。当以铀为控制变量，土壤硫与水稻镉含量对数值偏相关系数最大，为 －0.49。硫入选后，由于有机碳与硫呈显著正相关，根据规则，不能再入选逐步回归方程。
笔者在相邻的宣威开展的调查中发现（刘才泽等，2021②），七步法提取的各形态镉中，离子交换态和各结合态镉（包括弱有机结合态、强有机结合态、铁锰结合态和碳酸盐结合态）占镉总量比重很大，分别为 40.19% 和 51.42%，合计达 91.61%。占绝对多数的离子交换态和各结合态镉都与土壤有机碳呈显著正相关。一方面，土壤有机碳含量越高，各结合态镉就越稳定，越不容易被分解、运移。另一方面，土壤有机碳含量增加，就增加了吸持交换态镉的点位数（Fergusson，1990）。当有机碳含量很高时，吸附在其表面的交换态镉实际上很难被交换吸收（Eriksson，1988）。浙江（Zhao et al.，2009）、江苏（廖启林等，2015）、广西（Gu et al.，2018；李杰等，2021）、湖南（熊婕等，2019）等地研究结果同样显示，土壤有机碳能有效抑制水稻对镉的吸收。田发祥等（2015）、刘巍等（2019）通过添加有机肥或生物质碳，降低了试验田土壤镉的有效性，抑制了水稻对镉的吸收。
与Gu et al.（2018）、李杰等（2021）、杨琼等（2021）研究结果不同，研究区土壤pH与水稻镉的相关系数并不大（表4），未入选吸收预测模型。广西横县（马宏宏等，2021）重金属背景区研究也显示，土壤 pH 不是影响水稻吸收镉的主要因素。
4.2 居民镉摄入量及健康安全评价
根据《食品安全国家标准 食品中污染物限量（GB 2762—2017）》，水稻镉含量限值为 0.20 mg/kg。经评价，研究区所有样品镉含量均低于标准限值。
根据张强等（2016）关于云南省城乡居民膳食结构调查结果，区内成年人谷薯类摄入量为 378.6 g/d。假设谷类占谷薯类 80%（袁吉文和万青青，2004），谷类 Cd 含量均按稻谷含量测算，可估算成人谷类（302.88 g/d）Cd 摄入量为 2.12~18.78 μg/d，平均为 4.85 μg/d。
区域农作物调查结果显示（刘才泽等，2021②；杨树云等，2017③），薯类、蔬菜、水果、肉类平均镉含量分别为 0.035、0.074、0.006、0.007 mg/kg。可据此估算出成年人通过薯类（75.72 g/d）、蔬菜（314 g/d）、水果（18.6 g/d）、肉类（199.7 g/d）摄入的镉分别为2.65、23.24、0.11、1.40 μg/d，总计为 32.25 μg/d，未超过联合国粮农组织和世界卫生组织的允许摄入量标准（ADI）60 μg/d。虽然土壤镉含量很高，但未发现与镉有关的地方性疾病，可能与居民实际摄入量较低有关。
4.3 土壤镉环境等级划分及修正
根据《土壤环境质量 农用地土壤污染风险管控标准（试行）（GB 15618—2018）》有关要求对研究区土壤镉环境进行评价。41 件土壤样品中，17 件低于污染风险筛选值，划分为Ⅰ等，占样品总数的 41.5%；24 件高于污染风险筛选值，但低于污染风险管控值，划分为Ⅱ等，占样品总数的 58.5%；无超过污染风险管控值（ Ⅲ 等）样品。按照土地利用类型进行评价，Ⅱ 等水田 9.11 km2（
13662亩） ，占评价面积的 58.7%；Ⅰ 等水田 6.41 km2（9622 亩），占评价面积的 41.3%（图5a）。![]()
图 5 研究区土壤镉环境等级图（a. 修正前；b. 修正后）Figure 5. Soil cadmium environmental grade maps of the study area (a. before correction; b. after correction)根据前文，当土壤有机碳（TOC）含量 > 3% 时，水稻镉含量迅速降低，可据此对土壤镉环境等级进行修正。当土壤有机碳含量 > 3% 时，土壤镉环境等级可向下修正一个等级。当土壤有机碳含量≤ 3% 时，土壤镉环境等级维持原有评级。详见表6 。
表 6 土壤镉环境等级修正方法Table 6. Correction method of soil cadmium environmental grade修正条件 修正前等级 修正后等级 土壤污染风险 土壤养护及修复建议 土壤有机碳（TOC）含量
> 3%Ⅲ Ⅱ 污染风险可控 通过施用农家肥、秸秆还田等方法，确保土壤有机碳含量不降低。 Ⅱ Ⅰ 污染风险低 Ⅰ Ⅰ 污染风险低 土壤有机碳（TOC）含量
≤ 3%维持原有评级 污染风险等级
不变增加农家肥、有机肥等施用量，以提高土壤有机碳含量，同时监测农作物镉含量。 根据表6 给定的修正方法，研究区 10 个土壤样品由原来的Ⅱ等修正为Ⅰ等。修正后，Ⅰ等水田共 9.83 km2（
14751 亩） ，占评价面积的 63.4%；Ⅱ 等水田5.69 km2 （8533 亩） ，占评价面积的 36.6%。3.42 km2（5129 亩）水田由原来的Ⅱ等修正为Ⅰ等（图5b）。耕作中可通过施用农家肥，或秸秆还田，确保土壤有机碳含量不降低，避免土壤退化而导致土壤有机碳含量过低，从而导致农作物污染风险上升。 5. 结论
（1）研究区土壤以高镉高有机碳为主要特点。镉和有机碳平均含量分别为 0.78 mg/kg 和 3.34%，是全国土壤背景值的 5.69 和 5.57 倍。
（2）生态效应调查结果显示，水稻镉平均含量为 0.016 mg/kg，所有样品均低于食品安全标准限值，可能与土壤富含有机碳等有关。
（3）提出土壤镉环境等级的有机碳修正方法。当土壤有机碳 > 3% 时，可以将镉环境等级向下修正一个等级。研究区3.42 km2（5129 亩）水田由Ⅱ等修正为Ⅰ等。
（4）数学模型反映了研究区水稻镉含量与土壤元素含量之间的相互关系。但受数据量等影响，所建模型是否适应其他重金属高背景区还有待进一步验证。
-
![]()
图 1 研究区区域地质背景及地质灾害分布图
Figure 1. Regional geological setting and distribution of geohazards in the study area
![]()
图 2 “天–空–地–深”地灾隐患判识方法及主要流程
Figure 2. Methodology and process for "Space-Air-Ground-Underground" geohazards identification
![]()
图 3 研究区典型滑坡、崩塌、泥石流光学遥感解译
a. 瓦库布乃滑坡；b. 草王坪崩塌；c. 九盘营泥石流
Figure 3. Optical remote sensing identifications of typical landslides, collapses, and debris in the study area
![]()
图 4 光明镇则约滑坡InSAR形变监测图
a. SBAS-升轨；b. Stacking-升轨
Figure 4. InSAR deformation monitoring map of the Zeyue landslide in Guangming Town
![]()
图 5 典型滑坡LiDAR识别特征
Figure 5. LiDAR identification characteristics of typical landslides
a、b. LHK-HP1；c、d. QT-HP2
![]()
图 6 冕山镇、且拖乡城镇后山斜坡地质灾害LiDAR解译（a. 冕山镇；b. 且拖乡）
Figure 6. LiDAR interpretation of geohazards on the back slopes of Mianshan Town and Qietuo Town
![]()
图 7 斜坡精细化调查及潜在危险源识别
a. 斜坡单元平均坡度；b. 斜坡单元高差；c. 斜坡结构；d. 斜坡单元工程地质岩组；e. 斜坡坡形；f. 危险源识别分布
Figure 7. Detailed slope investigation and identification of potential geohazard dangers in the study area
![]()
图 9 高密度电法物探地灾隐患识别
Figure 9. Geohazard identification using high-density resistivity method
![]()
图 10 研究区地质灾害隐患精细识别分布图
Figure 10. Detailed identification distribution map of geohazards in the study area
表 1 地质灾害及隐患综合遥感识别统计表
Table 1 Comprehensive remote sensing identification of geohazards and their interpretation signs
地质灾害及
隐患类型识别方法 识别数量/处 主要识别标志 辅助识别标志 滑坡 光学遥感 10 地表地形破碎，周界清晰，
可见下错台坎等。坡面冲沟发育，植被分布差异等。 InSAR 1 “煎蛋状”环形形变干涉图，自外环往内变形增强等。 LiDAR 12 “簸箕形”平面形态，
滑坡壁、滑坡台阶、滑坡舌、滑坡裂缝、滑坡鼓丘等地形。不平整的坡体特征，后缘陡坎植被稀疏，地表裸露等。 崩塌 光学遥感 7 浅色调倒锥状碎石堆积体，
陡坎地形等。岩浆岩及碳酸盐岩等坚硬岩组分布区，前缘开挖等人类活动强烈等。 InSAR 1 单一型形变干涉图，图斑
颜色变化较为单一等。LiDAR 0 泥石流 光学遥感 22 栎叶形、瓢形、桃叶形沟
谷地貌，谷坡松散物源分布，沟口扇状地貌等。堆积扇呈套叠现象，谷坡植被
破坏，谷坡区大量修建消防通道的路渣等。InSAR 0 LiDAR 3 “栎叶状”流域形态，沟道及其两侧斜坡发育崩滑物源和沟道物源，沟口扇状地貌等。 沟床内流水冲刷，块石裸露，
零星灌木发育等。
下载: 导出CSV
-
[1] 党杰,董吉,何松标,等,2022. 机载LiDAR与地面三维激光扫描在贵州水城独家寨崩塌地质灾害风险调查中的应用[J]. 中国地质灾害与防治学报,33(4):106 − 113. Dang J,Dong J,He S B,et al.,2022. Application of airborne LiDAR and ground 3D laser scanning in geological hazard risk investigation of Dujiazhai collapse in Shuicheng,Guizhou[J]. The Chinese Journal of Geological Hazard and Control,33(4):106 − 113 (in Chinese with English abstract).
[2] Francesca B,Ivan C,Paolo M,et al.,2011. Displacement patterns of a landslide affected by human activities:Insights from ground-based InSAR monitoring[J]. Natural Hazards,59:1377 − 1396. DOI: 10.1007/s11069-011-9840-6
[3] 葛大庆,戴可人,郭兆成,等,2019. 重大地质灾害隐患早期识别中综合遥感应用的思考与建议[J]. 武汉大学学报:信息科学版,44(7):949 − 956. Ge D Q,Dai K R,Guo Z C,et al.,2019. Early identification of serious geological hazards with integrated remote sensing technologies:Thoughts and recommendations[J]. Geomatics and Information Science of Wuhan University,44(7):949 − 956 (in Chinese with English abstract).
[4] 黄海峰,薛蓉花,赵蓓蓓,等,2022. 孕灾机理与综合遥感结合的三峡库首顺层岩质滑坡隐患识别[J]. 测绘学报,51(10):2056 − 2068. Huang H F,Xue R H,Zhao B B,et al.,2022. The bedding rock landslide identification in the head area of the Three Gorges Reservoir combined with disaster pregnant mechanism and comprehensive remote sensing method[J]. Acta Geodaetica et Cartographica Sinica,51(10):2056 − 2068 (in Chinese with English abstract).
[5] 贾虎军,王立娟,范冬丽,2021. 无人机载LiDAR和倾斜摄影技术在地质灾害隐患早期识别中的应用[J]. 中国地质灾害与防治学报,32(2):60 − 65. Jia H J,Wang L J,Fan D L,2021. The application of UAV LiDAR and tilt photography in the early identification of geo-hazards[J]. The Chinese Journal of Geological Hazard and Control,32(2):60 − 65 (in Chinese with English abstract).
[6] 蒋全科,雷宛,刘俊骐,2023. 利用高密度电法勘探盐边县格萨拉巨型滑坡堆积体[J]. 科学技术与工程,23(5):1853 − 1866. Jiang Q K,Lei W,Liu J Q,2023. Exploration of Gesala giant landslide accumulation in Yanbian County by high-density electrical method[J]. Science Technology and Engineering,23(5):1853 − 1866 (in Chinese with English abstract).
[7] 刘星洪,姚鑫,於开炳,等,2020. 川藏高速巴塘−芒康段地质灾害遥感综合早期识别研究[J]. 四川大学学报(工程科学版),52(6):49 − 60. Liu X H,Yao X,Yu K B,et al.,2020. Remote sensing integrated identification of geological hazards in the Batang- Mangkang section of the Sichuan-Tibet highway[J]. Advanced Engineering Sciences,52(6):49 − 60 (in Chinese with English abstract).
[8] Nicola C,William F,Stefano M,et al.,2017. Spaceborne,UAV and ground-based remote sensing techniques for landslide mapping,monitoring and early warning[J]. Geoenvironmental Disasters,4(1):1 − 23. DOI: 10.1186/s40677-016-0065-6
[9] Scaioni M,Longoni L,Melillo V,et al.,2014. Remote Sensing for Landslide Investigations:An Overview of Recent Achievements and Perspectives[J]. Remote Sensing,6(12):9600 − 9652.
[10] 覃建雄,夏竹,张长俊,等,2001. 西昌复合盆地层序充填序列与沉积动力演化初探[J]. 古地理学报, 3(4):45 − 55. Qin J X,Xia Z,Zhang C J,et al.,2001. Sequence filling succession and sedimentary dynamic evolution of the Xichang Compound Basin[J]. Journal of Palaeogeography, 3(4):45 − 55 (in Chinese with English abstract).
[11] 谭德军,尹晨沣,2020. 高植被覆盖复杂山区机载激光LiDAR点云分类与处理[J]. 地球科学前沿,10(7):616 − 621. DOI: 10.12677/AG.2020.107060 Tan D J,Yin C P,2020. Classification and processing of airborne laser LiDAR point clouds in complex mountainous areas with high vegetation cover[J]. Advances in Geosciences,10(7):616 − 621 (in Chinese with English abstract). DOI: 10.12677/AG.2020.107060
[12] 王家柱,高延超,铁永波,等,2023. 基于斜坡单元的山区城镇滑坡灾害易发性评价:以康定为例[J]. 沉积与特提斯地质, 43(3):640 − 650. Wang J Z,Gao Y C,Tie Y B,et al.,2023. Landslide susceptibility assessment based on slope units of mountainous cities and towns:A case study of Kangding city[J]. Sedimentary Geology and Tethyan Geology, 43(3):640 − 650 (in Chinese with English abstract).
[13] 王运生,李云岗,1996. 西昌盆地的形成与演化[J]. 成都理工学院学报,1996,23(1):85 − 90. Wang Y S,Li Y G,1996. Formation and evolution of the Xichang Basin[J]. Journal of Chengdu Institute of Technology,23(1):85 − 90 (in Chinese with English abstract).
[14] 吴明堂,房云峰,卓冠晨,等,2023. 白鹤滩库区三家村库岸地质灾害隐患综合遥感识别[J]. 昆明理工大学学报:自然科学版,48(3):53 − 61. Wu M T,Fang Y F,Zhuo G C,et al.,2023. Comprehensive remote sensing identification of potential geohazards in Sanjiacun reservoir bank of Baihetan[J]. Journal of Kunming University of Science and Technology(Natural Science),48(3):53 − 61 (in Chinese with English abstract).
[15] 许强,董秀军,朱星,等,2023. 基于实景三维的天−空-地−内滑坡协同观测[J]. 工程地质学报, 31(3):706 − 717. Xu Q,Dong X J,Zhu X,et al.,2023. Landslide collaborative observation technology based on real scene 3D view from Space-Air-Ground-Interior perspective[J]. Journal of Engineering Geology, 31(3):706 − 717 (in Chinese with English abstract).
[16] 许强,郭晨,董秀军,2022. 地质灾害航空遥感技术应用现状及展望[J]. 测绘学报,51(10):2020 − 2033. X Q,Guo C,Dong X J,2022. Application status and prospect of aerial remote sensing technology for geohazards[J]. Acta Geodaetica et Cartographica Sinica,51(10):2020 − 2033 (in Chinese with English abstract).
[17] 许强,2020. 对地质灾害隐患早期识别相关问题的认识与思考[J]. 武汉大学学报:信息科学版,45(11):1651 − 1659. XU Q,2020. Understanding and consideration of related issues in early identification of potential geohazards[J]. Geomatics and Information Science of Wuhan University,45(11):1651 − 1659 (in Chinese with English abstract).
[18] 卓冠晨,戴可人,周福军,等,2022. 川藏交通廊道典型工点InSAR监测及几何畸变精细判识[J]. 地球科学,47(6):2031 − 2047. Zhuo G C,Dai K R,Zhou F J,et al.,2022. Monitoring typical construction sites of Sichuan-Tibet traffic corridor by InSAR and intensive distortion analysis [J]. Earth Science, 47(6):2031 − 2047 (in Chinese with English abstract).
[19] 赵超英,刘晓杰,高杨,等,2022. 基于SAR/InSAR技术的雅鲁藏布江下游高位地质灾害早期识别[J]. 地质力学学报, 28(6):981 − 994. Zhao C Y,Liu X J,Gao Y,et al.,2022. Early identification of high-elevation geohazards in the lower Yarlung Zangbo River based on the SAR/InSAR technology[J]. Journal of Geomechanics, 28(6):981 − 994 (in Chinese with English abstract).
[20] 赵聪,铁永波,梁京涛,2023. 基于机载LiDAR技术的泥石流物源侵蚀量定量评价研究[J]. 沉积与特提斯地质,43(4):808 − 816. Zhao C,Tie Y B,Liang J T,2023. Quantitative evaluation of debris flow provenance erosion based on Airborne Lidar Technology[J]. Sedimentary Geology and Tethyan Geology,43(4):808 − 816 (in Chinese with English abstract).
计量
- 文章访问数: 70
- HTML全文浏览量: 11
- PDF下载量: 52
