Investigation of heavy metal concentration, origin, and relationships in Sistan region dust: A novel approach with advanced statistical analysis

Subject Areas : Assessing the risks of pollutants on environment

Seyed Mohammad Sadeq Tabib Loghmani ¹ , Mohammad Reza Rezaei Kahkha ^{2 *} , Ahmad Sharafti ³ , Amin Reza Neshat ⁴

1 - Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 - Department of Environmental Health Engineering, Zabol University of Medical Sciences, Zabol, Iran
3 - ‎Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, ‎Iran
4 - Department of GIS/RS, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran

Received: 2024-09-18 Accepted : 2024-11-30 Published : 2025-01-07

Keywords: Heavy metals, Dust, Sistan region, Contamination, Envirovment,

Abstract :

This study investigates the concentrations and origins of heavy metals in dust from the Sistan region in southeastern Iran. Dust samples were collected over a year from 14 stations across urban, rural, industrial, and agricultural areas. The concentrations of 14 heavy metals were determined using atomic absorption spectrometry. The results indicated that manganese had the highest average concentration (463.01 mg/kg), while molybdenum had the lowest (1.79 mg/kg). Significant seasonal variations were observed, with the highest concentrations recorded in summer. Enrichment factors (EF) for arsenic, chromium, and vanadium were calculated as 2.8, 2.3, and 2.1, respectively, signifying moderate enrichment. The pollution index (PI) also reflected moderate pollution for these elements. Principal component analysis (PCA) revealed that the first two components accounted for 94.8% of the data variability. Relationships among elements showed that nonlinear models often provided better fits, with higher R² values (e.g., 0.81 for chromium) and lower mean squared errors (MSE). Analysis of variance (ANOVA) demonstrated significant monthly variations (p<0.001) for 7 of the 14 elements. This comprehensive and innovative study enhances understanding of heavy metal contamination in the Sistan region's dust. Its findings can support the development of more effective pollution management strategies and contribute to protecting public health in the area.

References:

[1] Shen, X., Dai, M., Yang, J., Sun, L., Tan, X., Peng, C., Ali, I., Naz, I., 2022, A critical review on the phytoremediation of heavy metals from environment: Performance and challenges, Chemosphere, 291, 132979.
[2] Latif, A., Sheng, D., Sun, K., Si, Y., Azeem, M., Abbas, A., Bilal, M., 2020, Remediation of heavy metals polluted environment using Fe-based nanoparticles: Mechanisms, influencing factors, and environmental implications, Environmental Pollution, 264, 114728.
[3] Mitra, S., Chakraborty, A.J., Tareq, A.M., Emran, T.B., Nainu, F., Khusro, A., Idris, A.M., Khandaker, M.U., Osman, H., Alhumaydhi, F.A., Simal-Gandara, J., 2022, Impact of heavy metals on the environment and human health: Novel therapeutic insights to counter the toxicity, Journal of King Saud University - Science, 34, 101865.
[4] Jin, M., Yuan, H., Liu, B., Peng, J., Xu, L., Yang, D., 2020, Review of the distribution and detection methods of heavy metals in the environment, Analytical Methods, 12, 5747.
[5] Dahmardeh Behrooz, R., Kaskaoutis, D.G., Grivas, G., Mihalopoulos, N., 2021, Human health risk assessment for toxic elements in the extreme ambient dust conditions observed in Sistan, Iran, Chemosphere, 262, 127835.
[6] Kiran, Bharti, R., Sharma, R., 2022, Effect of heavy metals: An overview, Materials Today: Proceedings, 51, 880.
[7] Shi, T., Wang, Y., 2021, Heavy metals in indoor dust: Spatial distribution, influencing factors, and potential health risks, Science of the Total Environment, 755, 142367.
[8] Rad, A.M., Kreitler, J., Abatzoglou, J.T., Fallon, K., Roche, K.R., Sadegh, M., 2022, Anthropogenic stressors compound climate impacts on inland lake dynamics: The case of Hamun Lakes, Science of the Total Environment, 829, 154419.
[9] Sahebzadeh, B., Shabani-Goraji, K., Shoaei, Z., Afshari, M., 2019, Statistical study of eolian sediment distribution risk in human ecosystems on the health of respiratory system and the eyes of inhabitants of Sistan, East Iran, Arabian Journal of Geosciences, 12, 227.
[10] Rashki, A., Eriksson, P.G., Rautenbach, C.J.D.W., Kaskaoutis, D.G., Grote, W., Dykstra, J., 2013, Assessment of chemical and mineralogical characteristics of airborne dust in the Sistan region, Iran, Chemosphere, 90, 227.
[11] Dahmardeh Behrooz, R., Esmaili-Sari, A., Bahramifar, N., Kaskaoutis, D.G., 2017, Analysis of the TSP, PM10 concentrations and water-soluble ionic species in airborne samples over Sistan, Iran during the summer dusty period, Atmospheric Pollution Research, 8, 403.
[12] Doabi, S.A., Karami, M., Afyuni, M., Yeganeh, M., 2018, Pollution and health risk assessment of heavy metals in agricultural soil, atmospheric dust and major food crops in Kermanshah province, Iran, Ecotoxicology and Environmental Safety,163, 153.
[13] Men, C., Liu, R., Wang, Q., Guo, L., Shen, Z., 2018, The impact of seasonal varied human activity on characteristics and sources of heavy metals in metropolitan road dusts, Science of the Total Environment, 637, 844.
[14] Wei, B., Yang, L., 2010, A review of heavy metal contaminations in urban soils, urban road dusts and agricultural soils from China, Microchemical Journal, 94, 99.
[15] Mirzaei Aminiyan, M,, Baalousha, M., Mousavi, R., Mirzaei Aminiyan, F., Hosseini, H., Heydariyan, A., 2018, The ecological risk, source identification, and pollution assessment of heavy metals in road dust: A case study in Rafsanjan, SE Iran, Environmental Science and Pollution Research, 25, 13382.
[16] Kadhum, S.A., 2020, A preliminary study of heavy metals pollution in the sandy dust storms and its human risk assessment from middle and south of Iraq, Environmental Science and Pollution Research, 27, 8570.
[17] Zheng, N., Liu, J., Wang, Q., Liang, Z., 2010, Health risk assessment of heavy metal exposure to street dust in the zinc smelting district, Northeast of China, Science of the Total Environment, 408, 726.
[18] Sadeghdoust, F., Ghanavati, N., Nazarpour, A., Babaenejad, T., Watts, M.J., 2020, Hazard, ecological, and human health risk assessment of heavy metals in street dust in Dezful, Iran, Arabian Journal of Geosciences, 13, 881.
[19] Zhang, H., Zhang, F., Song, J., Tan, M.L., Kung, H., Johnson, V.C., 2021, Pollutant source, ecological and human health risks assessment of heavy metals in soils from coal mining areas in Xinjiang, China, Environmental Research, 202, 111702.
[20] Duan, Z., Wang, J., Cai, X., Wu, Y., Xuan, B., 2020, Spatial distribution and human health risk assessment of heavy metals in campus dust: A case study of the university town of Huaxi, Human and Ecological Risk Assessment: An International Journal, 26, 986.
[21] Miri, A., Maleki, S., Middleton, N., 2021, An investigation into climatic and terrestrial drivers of dust storms in the Sistan region of Iran in the early twenty-first century, Science of the Total Environment, 757, 143952.
[22] Ghanavati, N., Nazarpour, A., Watts, M.J., 2019, Status, source, ecological and health risk assessment of toxic metals and polycyclic aromatic hydrocarbons (PAHs) in street dust of Abadan, Iran, Catena, 177, 246.
[23] Díaz Rizo, O., Casanova Díaz, A.O., Torres Ramos, A.G., Ramos López, D., 2023, Heavy metals concentration, pollution indexes, and health risk assessment of urban road dust in the historical center of Havana, Cuba, Environmental Monitoring and Assessment, 195, 349.
[24] Dehghani, S., Moore, F., Keshavarzi, B., Hale, B.A., 2017, Health risk implications of potentially toxic metals in street dust and surface soil of Tehran, Iran, Ecotoxicology and Environmental Safety, 136, 92.
[25] Rashki, A., Kaskaoutis, D.G., Francois, P., Kosmopoulos, P.G., Legrand, M., 2015, Dust-storm dynamics over Sistan region, Iran: Seasonality, transport characteristics and affected areas, Aeolian Research,16, 35.

Full-Text:



 

 

 

دوره 1، شماره‌ 3، پیاپی 3 پاییز 1403، صفحات 62-47

 

            دانشگاه آزاد اسلامی واحد تبریز

فصلنامه­ آلودگی­های محیطی و توسعه پایدار شهری

 

 

"مقاله پژوهشی"

 

بررسی غلظت، منشأ و روابط فلزات سنگین در گرد و غبار منطقه سیستان: رویکردی نوین با استفاده از تحلیل‌های آماری 

 

سیدمحمدصادق طبیب لقمانی1، محمدرضا رضایی کهخا2*، احمد شرافتی1، امین‌رضا نشاط3 

1. گروه مهندسی عمران، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2. گروه مهندسی بهداشت محیط، دانشگاه علوم پزشکی زابل، زابل، ایران

  3. گروه GIS/RS، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

*پست الکترونيکی نويسنده مسئول:[e-mail] 

(دریافت مقاله: 28/06/1403، پذیرش نهایی: 10/09/1403)

چکیده

این مطالعه به بررسی غلظت و منشأ فلزات سنگین در گرد و غبار منطقه سیستان، واقع در جنوب شرقی ایران، پرداخته است. نمونه‌برداری از 14 ایستگاه در مناطق شهری، روستایی، صنعتی و کشاورزی به مدت یک سال انجام شد. غلظت 14 فلز سنگین با استفاده از دستگاه پلاسمای جفت شده القایی (ICP) اندازه‌گیری شد. نتایج نشان داد که منگنز با میانگین mg/kg 01/463 بیش­ترین غلظت را داشت، در حالی که مولیبدن با mg/kg 79/1 کم­ترین مقدار را نشان داد. تغییرات فصلی قابل توجهی مشاهده شد، که بیش­ترین مقدار آن­ها در فصل تابستان بدست آمد. فاکتور غنی‌شدگی (EF) برای آرسنیک، کروم و وانادیم به ترتیب 8/2، 3/2 و 1/2 محاسبه شد که نشان‌دهنده غنی‌شدگی متوسط است. شاخص آلودگی (PI) برای این عناصر نیز آلودگی کم را نشان داد. تحلیل مؤلفه‌های اصلی (PCA) نشان داد که دو مؤلفه اول %8/94 از تغییرپذیری داده‌ها را توضیح می‌دهند. بررسی روابط بین عناصر نشان داد که در اکثر موارد، مدل‌های غیرخطی با AIC کم، R² بالا و MSE کم، توصیف بهتری از روابط ارائه می‌دهند. آنالیز واریانس (ANOVA) نشان داد که 7 عنصر از 14 عنصر تغییرات معناداری در طول ماه‌های مختلف سال دارند (001/0<p). این مطالعه با ارائه یک رویکرد جامع و نوآورانه، درک عمیق‌تری از وضعیت فلزات سنگین در گرد و غبار منطقه سیستان فراهم کرده است. یافته‌های این پژوهش می‌تواند به توسعه استراتژی‌های مدیریتی مؤثرتر برای کاهش آلودگی و حفاظت از سلامت عمومی در منطقه کمک کند.

 

واژه­های کلیدی: فلزات سنگین، گرد و غبار، سیستان، آلودگی، محیط زیست

 

 

 

 

 

 

مقدمه 

    آلودگی هوا یکی از بزرگ‌ترین چالش‌های زیست‌محیطی در سطح جهانی است که سلامت انسان و اکوسیستم‌ها را به طور جدی تهدید می‌کند. بر اساس آمار سازمان بهداشت جهانی (WHO) در سال ۲۰۱۶ حدود ۹۱ درصد از جمعیت جهان در مناطقی زندگی می‌کنند که آلودگی هوا بیش از حد مجاز بود. این آمار نشان‌دهنده گستردگی و شدت مشکل آلودگی هوا در سراسر جهان است. سالانه میلیون‌ها نفر به دلیل مواجهه با آلاینده‌های مختلف موجود در هوا جان خود را از دست می‌دهند، که این آمار در سال ۲۰۱۹ حدود ۱۲ درصد از کل مرگ‌ومیرها را شامل می‌شود (1). از میان آلاینده‌های هوا، فلزات سنگین به‌عنوان یکی از مهم‌ترین و خطرناک‌ترین گروه‌ها شناخته می‌شوند. این فلزات شامل کادمیوم، کروم، مس، نیکل، سرب، آرسنیک و سایر عناصر مشابه هستند که به دلیل خصوصیات فیزیکی و شیمیایی خاص خود، غیرقابل تجزیه بوده و می‌توانند در محیط زیست و بدن انسان تجمع یابند (2).

    فلزات سنگین به دلیل پایداری طولانی مدت در محیط زیست، قابلیت انتقال در زنجیره غذایی و اثرات سمی بر موجودات زنده، از اهمیت ویژه‌ای در مطالعات زیست‌محیطی برخوردار هستند (3). با توجه به افزایش شهرنشینی و توسعه صنعتی، میزان فلزات سنگین در محیط‌های شهری به طور قابل توجهی افزایش یافته است. این فلزات از منابع مختلفی مانند فعالیت‌های صنعتی، ترافیک شهری، فعالیت‌های معدنی، استفاده از کودها و آفت‌کش‌های شیمیایی در کشاورزی، و حتی منابع طبیعی مانند آتشفشان‌ها به محیط وارد می‌شوند (4). این آلاینده‌ها از طریق استنشاق، تماس پوستی و یا بلع وارد بدن انسان شده و می‌توانند باعث بروز بیماری‌های حاد و مزمن نظیر اختلالات قلبی عروقی، بیماری‌های ژنتیکی، اختلالات عصبی و حتی سرطان شوند (4). منطقه سیستان، واقع در جنوب شرقی ایران، با توجه به شرایط اقلیمی خاص خود، یکی از مناطقی است که به‌شدت تحت تأثیر آلودگی‌های ناشی از فلزات سنگین قرار دارد. این منطقه به دلیل وجود طوفان‌های گرد و غبار و بادهای شدید، به یکی از مهم‌ترین مناطق با آلودگی‌های گرد و غبار آلوده به فلزات سنگین تبدیل شده است (5). سیستان با مساحتی حدود 15197 کیلومتر مربع، در محدوده جغرافیایی بین 30 درجه و 5 دقیقه تا 31 درجه و 28 دقیقه عرض شمالی و 60 درجه و 15 دقیقه تا 61 درجه و 50 دقیقه طول شرقی واقع شده است (6). اقلیم خشک و نیمه‌خشک سیستان، همراه با بادهای 120 روزه که از اواخر بهار تا اوایل پاییز می‌وزند، شرایط مساعدی را برای ایجاد و انتشار گرد و غبار فراهم می‌کند. این گرد و غبارها می‌توانند حاوی مقادیر قابل توجهی از فلزات سنگین باشند که منشأ آن­ها می‌تواند طبیعی (مانند فرسایش خاک) یا انسانی (مانند فعالیت‌های صنعتی و کشاورزی) باشد (7). تالاب بین‌المللی هامون، به عنوان بزرگ‌ترین دریاچه آب شیرین در فلات ایران، نقش مهمی در اکوسیستم منطقه سیستان ایفا می‌کند. این تالاب با مساحتی حدود 5700 کیلومتر مربع، در مواقع پرآبی نقش مهمی در تعدیل اقلیم منطقه و جلوگیری از گسترش بیابان‌زایی دارد (8).

   اما در سال‌های اخیر، به دلیل خشکسالی‌های متوالی و کاهش ورودی آب از رودخانه هیرمند، بخش وسیعی از این تالاب خشک شده است. این خشک شدن نه تنها باعث از بین رفتن زیستگاه‌های طبیعی شده، بلکه به منبعی برای تولید گرد و غبار تبدیل شده است. صاحب‌زاده و همکاران (9) با بررسی خطرات بهداشتی ناشی از رسوبات بادی هوابرد در سیستان، با تمرکز بر تأثیرات آن بر سلامت تنفسی و چشمی  پرداختند. به دلیل بادهای قوی و مداوم، منطقه سیستان طوفان‌های گرد و غبار مکرری را تجربه می‌کند که عمدتاً از بسترهای خشک دریاچه هامون منشأ می‌گیرند. این مطالعه داده‌هایی از ۲۴۵۵ نفر که در دوره‌های بالای گرد و غبار در سال ۲۰۱۷ به دلیل مشکلات تنفسی و چشمی به مراکز درمانی مراجعه کرده‌اند، جمع‌آوری کرده بود. نتایج نشان داد که مناطقی نزدیک به مرز ایران و افغانستان، مانند دوست‌محمد و بزی‌ الری،  بالاترین خطرات بهداشتی را دارند. این مطالعه بر نیاز به مداخلات بهداشتی و مدیریت محیطی برای کاهش میزان قرارگیری در معرض گرد و غبار و کاهش اثرات بهداشتی در این مناطق پرخطر تأکید کرد. راشکی و همکاران (10) ویژگی‌های کانی‌شناسی و شیمیایی گرد و غبار هوابرد در سیستان، جنوب شرقی ایران را برای ارزیابی تأثیرات زیست‌محیطی و بهداشتی آن بررسی نمودند. نتایج تحقیق نشان داد که از دیدگاه کانی شناسی، این گرد و غبار عمدتاً از کوارتز، کلسیت و مسکویت تشکیل شده و دارای غلظت‌های بالای SiO₂، CaO  وAl₂O₃  است. آن­ها نشان دادند که طوفان‌های گرد و غبار که عمدتاً از بسترهای خشک دریاچه هامون منشأ می‌گیرند، توسط فرسایش بادی تشدید شده و شامل ذراتی مضر برای سلامت انسان هستند که به مشکلات تنفسی در منطقه دامن می‌زنند. این مطالعه توصیه می‌کند که برای کاهش اثرات نامطلوب این ذرات بر کیفیت هوا و سلامت عمومی، شناخت منبع و ترکیب این ذرات ضروری است.

   فلزات سنگین موجود در گرد و غبار می‌توانند از منابع مختلفی سرچشمه بگیرند. برخی از این منابع عبارتند از: فرسایش طبیعی خاک (11)،  فعالیت‌های کشاورزی (12)، فعالیت‌های صنعتی (13)، ترافیک جاده‌ای (14) و انتقال از مناطق دور دست (15).

   هدف اصلی این پژوهش، ارزیابی غلظت فلزات سنگین در گرد و غبار منطقه، تعیین منابع آلودگی و تحلیل تغییرات فصلی و ماهانه در غلظت این فلزات با استفاده از روش‌های آماری است.  برای تعیین منشأ فلزات سنگین، از روش‌های آماری چند متغیره همچون تحلیل مؤلفه‌های اصلی ¹(PCA) و تحلیل خوشه‌ای ²(CA) استفاده شد. این روش‌ها امکان شناسایی الگوهای مشترک در داده‌ها و گروه‌بندی فلزات با منشأ مشابه را فراهم می‌کنند (16). همچنین، از شاخص‌های ژئوشیمیایی مانند فاکتور غنی‌شدگی ³(EF) و شاخص آلودگی (PI)⁴ برای ارزیابی میزان آلودگی و تعیین سهم منابع انسانی در انتشار فلزات سنگین استفاده شد (17). این مطالعه به بررسی ارتباط بین تغییرات اقلیمی، خشکسالی‌های اخیر و غلظت فلزات سنگین در گرد و غبار منطقه سیستان می‌پردازد. انتظار می‌رود نتایج این تحقیق، ضمن ارائه تصویری جامع از وضعیت آلودگی فلزات سنگین در منطقه، به تدوین راهکارهای مدیریتی مؤثر برای کاهش اثرات زیست‌محیطی و بهداشتی این آلاینده‌ها کمک کند. این یافته‌ها می‌تواند در سیاست‌گذاری‌های زیست‌محیطی، برنامه‌ریزی‌های شهری و منطقه‌ای، و اقدامات حفاظتی در سیستان و مناطق مشابه مورد استفاده قرار گیرد.

 

بخش تجربی

   این پژوهش با هدف بررسی جامع غلظت و منشأ فلزات سنگین در گرد و غبار منطقه سیستان انجام شد. مطالعه حاضر از یک رویکرد چند مرحله‌ای شامل نمونه‌برداری میدانی، آنالیز آزمایشگاهی، و تحلیل‌های آماری بهره می‌برد.

 

- طرح مطالعه و نمونه‌برداری

   این مطالعه در طول یک دوره یک‌ساله از ژانویه تا دسامبر 2023 در منطقه سیستان انجام شد. منطقه سیستان، واقع در شمال شرقی استان سیستان و بلوچستان، به دلیل شرایط اقلیمی خاص خود، از جمله وجود بادهای 120 روزه و خشکسالی‌های مکرر، مستعد تولید و انباشت گرد و غبار است. برای اطمینان از پوشش جامع منطقه، 14 ایستگاه نمونه‌برداری انتخاب شدند. این ایستگاه‌ها شامل مناطق شهری (5 ایستگاه)، روستایی (5 ایستگاه)، صنعتی (2 ایستگاه) و کشاورزی (2 ایستگاه) بودند. موقعیت دقیق هر ایستگاه با استفاده از سیستم موقعیت‌یاب جهانی (GPS) ثبت شد. انتخاب ایستگاه‌ها بر اساس معیارهایی چون تراکم جمعیت، نوع کاربری زمین، جهت باد غالب و دسترسی به منطقه صورت گرفت که در شکل (1) نشان داده شده‌اند.

 

 

شکل (1): موقعیت جغرافیای منطقه مورد مطالعه و ایستگاه‌های نمونه‌برداری

  

   نمونه‌برداری به صورت ماهانه و در هر ایستگاه انجام شد. برای اطمینان از یکنواختی شرایط نمونه‌برداری، تمامی نمونه‌ها در ساعات مشابهی از روز (بین ساعت 10 صبح تا 2 بعد از ظهر) و در شرایط جوی مشابه جمع‌آوری شدند. در مجموع، 168 نمونه (14 ایستگاه × 12 ماه) در طول دوره مطالعه جمع‌آوری شد. برای جمع‌آوری نمونه‌های گرد و غبار، از دستگاه‌های پمپ نمونه‌بردار هوا استفاده شد. نمونه‌برداری در ارتفاع 2 متری از سطح زمین و با رعایت فاصله حداقل 20 متری از موانع بزرگ (مانند ساختمان‌ها یا درختان) انجام شد. زمان نمونه‌برداری برای هر نمونه 24 ساعت در نظر گرفته شد تا اطمینان حاصل شود که حجم کافی از گرد و غبار برای آنالیزهای بعدی جمع‌آوری می‌شود. فیلترهای مورد استفاده برای جمع‌آوری نمونه‌ها از جنس فایبرگلاس با قطر 47 میلی‌متر و اندازه منافذ 8/0 میکرومتر بودند. قبل از نمونه‌برداری، فیلترها به مدت 24 ساعت در دسیکاتور نگهداری شدند و سپس وزن آن‌ها با استفاده از ترازوی دیجیتال با دقت 1/0 میلی‌گرم اندازه‌گیری شد. پس از نمونه‌برداری، فیلترها مجدداً در دسیکاتور قرار داده شدند و وزن آن‌ها دوباره اندازه‌گیری شد. اختلاف وزن قبل و بعد از نمونه‌برداری، وزن گرد و غبار جمع‌آوری شده را مشخص می‌کند.

 

- آماده‌سازی نمونه‌ها

   پس از جمع‌آوری، نمونه‌ها به آزمایشگاه منتقل شده و مراحل آماده‌سازی برای آنالیز شیمیایی آغاز شد. ابتدا، فیلترهای حاوی نمونه‌های گرد و غبار در دمای 105 سانتی‌گراد به مدت 24 ساعت در آون خشک شدند تا رطوبت آن‌ها به طور کامل از بین برود. سپس، نمونه‌ها با استفاده از هاون به صورت یکنواخت پودر شدند تا برای مرحله هضم اسیدی آماده شوند. برای هضم اسیدی نمونه‌ها، 5/0 گرم از هر نمونه پودر شده به یک بشر تفلونی 100 میلی‌لیتری منتقل شد. سپس، 10 میلی‌لیتر نیتریک اسید 65 درصد و 5 میلی‌لیتر کلریدریک اسید 37 درصد به نمونه اضافه شد. مخلوط حاصل روی هات پلیت در دمای 95 سانتی‌گراد به مدت 2 ساعت حرارت داده شد. در طول این مدت، بشرها با شیشه ساعت پوشانده شدند تا از تبخیر بیش از حد اسیدها جلوگیری شود (18). پس از اتمام فرآیند هضم، نمونه‌ها از طریق کاغذ صافی واتمن شماره 42 فیلتر شدند و با آب دیونیزه به حجم 50 میلی‌لیتر رسانده شدند. محلول‌های حاصل در ظروف پلی‌اتیلنی در دمای 4 سانتی‌گراد تا زمان آنالیز با پلاسمای جفت شده القایی نگهداری شدند.

 

- اندازه‌گیری غلظت فلزات سنگین

   برای اندازه‌گیری غلظت 14 فلز سنگین مورد مطالعه (آرسنیک، سریم، کبالت، کروم، مس، لانتانیم، لیتیوم، منگنز، مولیبدن، نیکل، سرب، توریم، وانادیوم و روی) از دستگاه پلاسمای جفت شده القایی (ICP- OES) اسپکترو اکروس مدل 7600 ساخت کشور آلمان استفاده شد. هر اندازه گیری سه بار تکرار گردید.

 

- تحلیل‌های آماری و شاخص‌های آلودگی

   پس از جمع‌آوری داده‌های مربوط به غلظت فلزات سنگین، تحلیل‌های آماری گسترده‌ای با استفاده از نرم‌افزارهای SPSS نسخه 26 و R نسخه 4.1.0 انجام شد. ابتدا، آمار توصیفی شامل میانگین، میانه، انحراف معیار، حداقل و حداکثر برای هر فلز محاسبه شد. نرمال بودن توزیع داده‌ها با استفاده از آزمون Shapiro-Wilk بررسی شد و در صورت لزوم، از تبدیل لگاریتمی برای نرمال‌سازی داده‌ها استفاده شد. برای بررسی تفاوت‌های فصلی و مکانی در غلظت فلزات سنگین، از آنالیز واریانس یک‌طرفه (ANOVA) و آزمون تعقیبی Tukey استفاده شد. همبستگی بین غلظت فلزات مختلف با استفاده از ضریب همبستگی Pearson محاسبه شد. برای شناسایی منابع احتمالی فلزات سنگین، از تحلیل مؤلفه‌های اصلی (PCA) و تحلیل خوشه‌ای سلسله مراتبی (HCA) استفاده شد. PCA برای کاهش ابعاد داده‌ها و شناسایی الگوهای اصلی در توزیع فلزات سنگین به کار رفت، در حالی که HCA برای گروه‌بندی فلزات با منشأ مشابه استفاده شد.

علاوه بر این، دو شاخص مهم آلودگی یعنی فاکتور غنی‌شدگی (EF) و شاخص آلودگی (PI) به ترتیب مطابق با معادلات (1) و (2) محاسبه شدند:

 

(1)                                       EF= Sc/Rc  

   

   در معادله (1)، Sc غلظت فلز مورد نظر و Rc غلظت عنصر در ماده مرجع است. نسبت این مقادیر در نمونه‌های گرد و غبار و پوسته زمین، میزان غنی‌شدگی فلز را نشان می‌دهد. مقادیر EF به پنج دسته تقسیم شدند: 2>EF (غنی‌شدگی کم)، 2>EF>5 (غنی‌شدگی متوسط)، 20>EF>5 (غنی‌شدگی قابل توجه)، 40>EF>20 (غنی‌شدگی بسیار بالا) و 40<EF  (غنی‌شدگی شدید) (19).

 

(2)                                                                                                                                                                                             

 

   در معادله (2)، Cm غلظت فلز در نمونه و Cstandard مقدار استاندارد فلز در محیط است. برای Cstandard از استانداردهای کیفیت خاک استفاده شده است. مقادیر PI به چهار دسته تقسیم شدند: 1>PI  (غیر آلوده)، 2 >PI > 1 (آلودگی کم)، 3  PI > 2 (آلودگی متوسط) و3 < PI (آلودگی شدید) ‏(19).

 

- مدل‌سازی رگرسیون غیرخطی

   برای بررسی ارتباط بین غلظت فلزات سنگین و پارامترهای محیطی (دما و سرعت باد)، از مدل‌های رگرسیون غیرخطی استفاده شد. این مدل‌ها با استفاده از نرم‌افزار R و MATLAB توسعه داده شدند. دو مدل اصلی مورد استفاده قرار گرفت.

 

- ارزیابی آماری مدل‌ها

۱. معیار اطلاعات آکائیکه (AIC⁵):

ج                                                                             AIC =2K-2ln(L) (3)                                        

در این معادله K تعداد پارامترها در مدل وL  برآورد حداکثر درست ‌نمایی برای مدل است.

۲. میانگین مربعات خطا ⁶(MSE): 

                                                                 (4)                             

  در این معادله n  تعداد مشاهدات، Pi  مقدار پیش‌بینی شده توسط مدل و Oi مقدار مشاهده شده است.

 

ضریب تعیین (R²): 

 (5)   

 

در این معادله Ō  میانگین مقادیر مشاهده شده و R² نشان‌دهنده درصدی از تغییرات در متغیر وابسته است که توسط مدل توضیح داده می‌شود. مقدار R² بین 0 و 1 متغیر است و مقادیر نزدیک به 1 نشان‌دهنده برازش بهتر مدل است (20). این شاخص‌های آماری برای هر یک از مدل‌های رگرسیون غیرخطی محاسبه شدند تا عملکرد مدل‌ها در پیش‌بینی غلظت فلزات سنگین بر اساس پارامترهای محیطی ارزیابی شود. مدل‌هایی با ⁷MABE و RMSE⁸ کم­تر و R² بالاتر به عنوان مدل‌های بهینه در نظر گرفته شدند. استفاده از این شاخص‌های آماری امکان مقایسه عینی بین مدل‌های مختلف را فراهم می‌کند و به انتخاب بهترین مدل برای هر فلز سنگین کمک می‌کند. این ارزیابی‌ها همچنین می‌توانند برای شناسایی محدودیت‌های مدل‌ها و پیشنهاد بهبودهای آینده مورد استفاده قرار گیرند.

نتایج و بحث

   جدول (1) غلظت بدست آمده فلزات سنگین مورد مطالعه در این تحقیق را نشان می دهد. این نتایج برای درک وضعیت زیست‌محیطی و زمین‌شناختی منطقه بسیار ارزشمند است. همانطور که از نتایج موجود در جدول (1) بر می­آید، منگنز (Mn) با میانگین 01/463 میلی­گرم بر کیلوگرم بیش­ترین مقدار را در میان عناصر مورد بررسی دارد. این عنصر نقش مهمی در فرآیندهای بیولوژیکی ایفا می‌کند و حضور آن در مقادیر بالا می‌تواند نشان‌دهنده خاک‌های غنی از مواد آلی یا سنگ‌های مادر غنی از منگنز باشد. با این حال، ضریب تغییرات پایین (03/0) نشان می‌دهد که توزیع منگنز در منطقه نسبتاً یکنواخت است.

   میانگین غلظت کروم (Cr)،  827/81 میلی­گرم بر کیلوگرم بدست آمد. انحراف معیار 74/14 بدست آمده برای فلز کروم، نشان از تغییرپذیری قابل توجهی دارد. این تغییرپذیری می‌تواند ناشی از منابع طبیعی متنوع یا آلودگی‌های انسانی باشد. کروم در صنایع مختلف استفاده می‌شود و مقادیر بالای آن می‌تواند نگران‌کننده باشد، زیرا برخی از اشکال آن سمی هستند. وانادیم (V) و روی (Zn) با میانگین‌های نزدیک به هم (به ترتیب 86/62 میلی­گرم بر کیلوگرم و 07/60 میلی­گرم بر کیلوگرم) و ضرایب تغییرات پایین، توزیع نسبتاً یکنواختی را نشان می‌دهند. این می‌تواند نشان‌دهنده منشأ زمین‌شناختی مشترک یا شرایط محیطی یکسان برای این دو عنصر باشد. نیکل (Ni) با میانگین 31/49 میلی­گرم بر کیلوگرم، چولگی منفی قابل توجه (83/1-) و کشیدگی بالا (85/7) را نشان می‌دهد. این آمار نشان می‌دهد که توزیع نیکل غیرعادی است و نشان‌دهنده نقاط آلودگی موضعی یا تغییرات زمین‌شناختی قابل توجه در منطقه باشد.

  سریم (Ce) و لانتانیم (La)، که هر دو از عناصر خاکی کمیاب هستند، الگوهای مشابهی را نشان می‌دهند. میانگین‌های نسبتاً پایین (به ترتیب 49/37 میلی­گرم بر کیلوگرم و 56/20 میلی­گرم بر کیلوگرم) و ضرایب تغییرات کم نشان می‌دهد که این عناصر به طور طبیعی در مقادیر کم و با توزیع نسبتاً یکنواخت در محیط وجود دارند.

   آرسنیک (As) با میانگین 68/5 میلی‌گرم بر کیلوگرم و ضریب تغییرات بالا (57/0)، تغییرپذیری قابل توجهی را نشان می‌دهد. این تغییرپذیری می‌تواند نشان‌دهنده منابع نقطه‌ای آلودگی یا تغییرات طبیعی در ژئوشیمی منطقه ‌باشد. با توجه به سمیت آرسنیک، مناطق با غلظت‌های بالاتر باید با دقت بیش­تری مورد بررسی قرار گیرند.

   کبالت (Co) و مس (Cu) با میانگین‌های به ترتیب 89/10 میلی­گرم بر کیلوگرم و 03/24 میلی­گرم بر کیلوگرم، مقادیر متوسطی را نشان می‌دهند. این عناصر برای بسیاری از موجودات زنده ضروری هستند، اما در غلظت‌های بالا می‌توانند سمی باشند. توزیع نسبتاً یکنواخت آن­ها (با ضرایب تغییرات 17/0 و 19/0) نشان می‌دهد که احتمالاً این ترکیبات منشأ طبیعی دارند و از آلودگی‌های نقطه‌ای ناشی نمی‌شوند. 

   لیتیم (Li) با میانگین 81/26 میلی­گرم بر کیلوگرم و چولگی مثبت (85/0)، توزیعی با دنباله به سمت راست را نشان می‌دهد. این می‌تواند نشان‌دهنده وجود برخی نقاط با غلظت‌های بالاتر لیتیم در منطقه باشد که ممکن است از نظر اقتصادی مهم باشند، به ویژه با توجه به افزایش تقاضایی که برای لیتیم در صنعت باتری‌سازی وجود دارد. 

   مولیبدن (Mo) با کم­ترین میانگین (79/1 میلی­گرم بر کیلوگرم) و ضریب تغییرات نسبتاً بالا (36/0)، نشان می‌دهد که این عنصر به طور کلی در مقادیر کم وجود دارد اما توزیع آن در منطقه متغیر است. مولیبدن یک عنصر کمیاب است که در برخی سیستم‌های بیولوژیکی نقش مهمی ایفا می‌کند. 

   سرب (Pb) با میانگین 54/16 میلی­گرم بر کیلوگرم و چولگی منفی اندک (28/0)، توزیعی نسبتاً متقارن را نشان می‌دهد. با توجه به اثرات سمی سرب، حتی در غلظت‌های پایین، مناطق با غلظت‌های بالاتر باید از نظر منابع احتمالی آلودگی مورد بررسی قرار گیرند. توریم (Th) با میانگین 81/9 میلی­گرم بر کیلو­گرم و کشیدگی منفی (40/0 -)، توزیعی نسبتاً پهن را نشان می‌دهد. این عنصر رادیواکتیو به طور طبیعی در بسیاری از سنگ‌ها و خاک‌ها یافت می‌شود و می‌تواند شاخصی برای فعالیت‌های زمین‌شناختی خاص باشد. در مجموع، این داده‌ها تصویر جامعی از توزیع عناصر سنگین در منطقه مورد مطالعه ارائه می‌دهند. الگوهای مشاهده شده می‌توانند برای شناسایی مناطق با پتانسیل آلودگی، ارزیابی خطرات زیست‌محیطی و درک بهتر زمین‌شناسی منطقه مورد استفاده قرار گیرند. همچنین، این اطلاعات می‌توانند برای طراحی برنامه‌های نظارتی و مدیریتی در آینده مفید باشند. با این حال، برای درک کامل‌تر وضعیت، بررسی‌های بیش­تر از جمله مطالعه توزیع مکانی این عناصر، بررسی منابع احتمالی (طبیعی و انسانی) و ارزیابی اثرات زیست‌محیطی و بهداشتی آن­ها ضروری است.

 

---

[1]  

 

 

 Principal Component Analysis

[2]  Cluster Analysis

[3]  Enrichment Factor

[4]  Pollution Index

[5] Akaike Information Criterion

[6]  Mean Squared Error

[7]  Mean Absolute Bias Error

[8]  Root Mean Square Error

 

جدول (1): مقادیرآماری سالانه غلظت فلزات سنگین گرد و غبار منطقه سیستان (میلی­گرم بر کیلوگرم)

عنصر	Mean	Std Dev	C.V.	Min	Max	Skewness	Kurtosis
As	68/5	24/3	57/0	00/0	90/12	62/0	-61/0
Ce	49/37	62/2	07/0	10/32	80/44	55/0	17/0
Co	89/10	86/1	17/0	70/5	00/15	-23/0	-25/0
Cr	27/81	74/14	18/0	99/52	90/100	-36/0	-27/1
Cu	03/24	45/4	19/0	24/14	80/32	-06/0	-77/0
La	56/20	20/2	11/0	50/16	30/26	44/0	-21/0
Li	81/26	80/2	10/0	50/21	72/33	85/0	02/0
Mn	01/463	29/12	03/0	50/448	32/486	55/0	-36/1
Mo	79/1	64/0	36/0	70/0	52/3	48/0	-28/0
Ni	31/49	01/11	22/0	52/1	32/67	-83/1	85/7
Pb	54/16	04/3	18/0	90/9	62/23	-28/0	-60/0
Th	81/9	38/1	14/0	49/6	30/13	06/0	-40/0
V	86/62	67/3	06/0	90/54	80/71	-39/0	-36/0
Zn	07/60	09/3	05/0	49/53	35/69	45/0	30/0

 

 

شکل (2): میانگین ماهانه غلظت عناصر در طول سال

   

   شکل (2) تغییرات فصلی غلظت فلزات سنگین در منطقه مورد مطالعه را نشان می‌دهد. در فصل بهار، غلظت‌ها از سطح نسبتاً پایین شروع به افزایش می‌کنند. در فصل تابستان غلظت اکثر فلزات به بالاترین مقدار می­رسد. در فصل پاییز، روند کاهشی غلظت فلزات سنگین آغاز می‌شود، بطوریکه در زمستان کم­ترین غلظت‌ها بدست می‌آید. این الگو نشان‌دهنده ارتباط بین شرایط آب و هوایی و غلظت فلزات سنگین است. به دلیل افزایش فعالیت‌های گرد و غباری و فرسایش بادی در فصول گرم، افزایش غلظت فلزات سنگین در تابستان دیده شد. این تحلیل می‌تواند برای درک بهتر منابع و مکانیسم‌های انتشار فلزات سنگین و تدوین استراتژی‌های مدیریتی مناسب در فصول مختلف مفید باشد.

   شکل (3) نمودار ANOVA برای بررسی تاثیر ماه نمونه­برداری بر غلظت فلزات سنگین موجود در گرد و غبار را نشان می‌دهد. همانطور که از شکل بر می‌آید، اثر ماه نمونه‌برداری بر غلظت عناصر آرسنیک، کبالت، مس، مولیبدن، سرب، سریم، لانتانوم، توریوم و روی معنادار است (001/0>p). 

 همچنین اثر ماه نمونه­برداری بر غلظت عناصر نیکل، وانادیوم، کروم، لیتیم و منگنز معنادار نمی باشد (05/0 <p). بطور کلی بیش از نیمی  از عناصر (9 از ۱۴)  تغییرات معناداری در طول ماه‌ها نشان می‌دهند، که نشان می‌دهد عوامل فصلی به شدت بر غلظت آن­ها تأثیر می‌گذارند. کم­تر از نیمی از عناصر (5 از ۱۴) تغییرات ماهانه معناداری نشان نمی‌دهند، که نشان می‌دهد غلظت آن­ها در طول سال نسبتاً ثابت می‌ماند یا تغییرات آن­ها از نظر آماری معنادار نیست.

   این نتایج نشان می‌دهد که عوامل محیطی که با فصول تغییر می‌کنند (مانند دما، بارندگی یا فعالیت‌های بیولوژیکی) تأثیر قابل توجهی بر غلظت برخی از عناصر مورد مطالعه دارند، در حالی که برخی دیگر به نظر می‌رسد کم­تر تحت تأثیر این تغییرات فصلی قرار می‌گیرند.

 

 

شکل (3): نمودار تغییرات p-value تاثیر ماه بر غلظت فلزات سنگین گرد و غبار

 

    شکل (4) تحلیل مؤلفه‌های اصلی (PCA) الگوهای توزیع و همبستگی عناصر نیکل (Ni)، کروم (Cr)، وانادیم (V) و روی (Zn) را نشان می‌دهد. مؤلفه اصلی اول (PC1)، %8/67 و مؤلفه دوم (PC2)، %27 از واریانس داده‌ها را توضیح می‌دهند، که مجموعاً %8/94 از تغییرپذیری داده‌ها را پوشش می‌دهند. کروم و نیکل بیش­ترین تأثیر را بر PC1 دارند، اما در جهات مخالف، که نشان‌دهنده همبستگی منفی قوی بین آن­هاست. وانادیم و روی تأثیر کم­تری بر PC1 دارند و بیش­تر با PC2 مرتبط هستند. پراکندگی نقاط قرمز که نمونه‌های فردی را نشان می‌دهند، حاکی از تنوع زیاد در داده‌هاست، که بیش­تر تمرکز در مقادیر مثبت PC1 و PC2 است. این الگو می‌تواند نشان‌دهنده منابع مختلف این عناصر یا شرایط محیطی متفاوت در نمونه‌برداری باشد. برای درک کامل‌تر، بررسی اطلاعات زمینه‌ای مانند موقعیت جغرافیایی و شرایط محیطی نمونه‌برداری ضروری است.

   میری و همکاران (21) عوامل اقلیمی و زمینی مؤثر بر طوفان‌های گرد و غبار در منطقه سیستان ایران را طی ۲۳ سال (۱۹۹۷-۲۰۱۹) بررسی کردند. این مطالعه نشان داد که طوفان‌های گرد و غبار در تابستان به دلیل بادهای شدید، بارندگی کم و پوشش گیاهی اندک، بیش­ترین شدت را دارند. بسترهای خشک دریاچه هامون، به‌ویژه هامون صابری، به عنوان منابع اصلی گرد و غبار عمل می‌کنند که به دلیل کاهش جریان آب از رودخانه‌های افغانستان تشدید شده‌اند. بیش­ترین فعالیت گرد و غبار بین سال‌های ۲۰۰۰ تا ۲۰۰۴ رخ داده است که با خشکسالی شدید هم‌زمان بوده است. توصیه‌های کلیدی شامل مدیریت پایدار منابع آبی و احیای پوشش گیاهی در منطقه هامون برای کاهش تأثیرات طوفان‌های گرد و غبار است.

 

شکل (4): تحلیل مؤلفه‌های اصلی (PCA) الگوهای توزیع و همبستگی عناصر فلزی نیکل (Ni)، کروم (Cr)،  وانادیم (V) و روی (Zn) در نمونه‌های محیطی

 

- فاکتور غنی‌شدگی (EF)

   فاکتور غنی‌شدگی برای تعیین منابع احتمالی طبیعی یا انسانی فلزات در گرد و غبار استفاده می‌شود. در این مطالعه، از عنصر لیتیم (Li) به عنوان عنصر مرجع استفاده شده است، زیرا تغییرات کم­تری در محیط دارد و کم­تر تحت تأثیر فعالیت‌های انسانی قرار می‌گیرد. نتایج محاسبات EF برای فلزات مختلف نشان می­دهد به غیر از وانادیوم، کروم و آرسنیک که فاکتور غنی شدگی متوسط دارند، بقیه فلزات بررسی شده دارای فاکتور غنی شدگی کم هستند (جدول (2)).

 

 

 

 

 

 

 

 

 

 

جدول (2): فاکتور غنی شدگی عناصر موجود در گرد و غبار سیستان

عنصر	فاکتور غنی‌شدگی (EF)	شدت
As	8/2	(غنی‌شدگی متوسط)
Ce	2/1	(غنی‌شدگی کم)
Co	9/0	(غنی‌شدگی کم)
Cr	3/2	(غنی‌شدگی متوسط)
Cu	8/1	(غنی‌شدگی کم)
La	7/0	(غنی‌شدگی کم)
Mn	4/1	(غنی‌شدگی کم)
Mo	1/1	(غنی‌شدگی کم)
Ni	5/1	(غنی‌شدگی کم)
Pb	2/1	(غنی‌شدگی کم)
Th	8/0	(غنی‌شدگی کم)
V	1/2	(غنی‌شدگی متوسط)
Zn	9/1	(غنی‌شدگی کم)

 

    بر اساس جدول (2)، می‌توان گفت که اکثر فلزات مورد بررسی دارای غنی‌شدگی حداقل هستند، که نشان‌دهنده منشأ عمدتاً طبیعی آن­ها در گرد و غبار است. با این حال، آرسنیک (As)، کروم (Cr) و وانادیوم (V) دارای غنی‌شدگی متوسط هستند که می‌تواند نشان‌دهنده تأثیر نسبی فعالیت‌های انسانی بر غلظت این فلزات در گرد و غبار باشد. مطالعات مشابه در نقاط دیگر نتایج مشابه و متفاوتی از این یافته­ها را نشان می­دهد. به­عنوان مثال، قنواتی و همکاران (22) با بررسی گرد و غبار آبادان به این نتیجه رسیدند که فلزات سنگین روی و کروم دارای ریسک اکولوژیکی ‏پایینی هستند در حالیکه ریسک اکولوژیک آرسنیک متوسط و ریسک اکولوژیک سرب بالا می­باشد.‏ دیاز ریزو و همکاران (23) با بررسی گرد و غبار هاوانا در کوبا به این نتیجه رسیدند که غلظت زیاد سرب و روی در مناطق شهری ناشی از فعالیت­های انسانی می­باشد که دارای ریسک اکولوژیک متوسط هستند.

- شاخص آلودگی (PI)

   شاخص آلودگی برای هر فلز به صورت جداگانه محاسبه شده و نتایج در جدول (3) آورده شده است.

 

 

جدول (3):  شاخص آلودگی عناصر موجود در گرد و غبار سیستان

عنصر	شاخص آلودگی (PI)	شدت آلودگی
As	6/1	(آلودگی کم)
Ce	1	(آلودگی کم)
Co	7/0	(غیر آلوده)
Cr	4 /1	(آلودگی کم)
Cu	1/1	(آلودگی کم)
La	5/0	(غیر آلوده)
Li	0/1	(غیر آلوده)
Mn	8/0	(غیر آلوده)
Mo	7/0	(غیر آلوده)
Ni	9/0	(غیر آلوده)
Pb	7/0	(غیر آلوده)
Th	5/0	(غیر آلوده)
V	3/1	(آلودگی کم)
Zn	1/1	(آلودگی کم)

 

   بر اساس نتایج شاخص آلودگی، می‌توان گفت که اکثر فلزات مورد بررسی غیر آلوده هستند. با این حال، آرسنیک (As)، کروم (Cr)،  مس (Cu)، وانادیوم (V) و روی (Zn) دارای آلودگی کم هستند که نیاز به توجه بیش­تری دارند. دهقانی و همکاران (24) با بررسی گرد و غبار تهران نتیجه گرفتند که آلودگی سه عنصر مس، سرب و روی در گرد و غبار ناشی از منابع انسان­ساز ماند فرسودگی لاستیک خودروها، ساییدگی ترمزها و احتراق سوخت­های فسیلی است. 

- روابط خطی و غیرخطی بین عناصر

عنصر	معادله خطی	معادله غیرخطی
Ni	Ni = -18.2515 + 0.356×Cu – 0.609×Cr + 0.8707×V	Ni = -3.6010 + 0.0023×Cu2 -13.2412×ln(Cr) + 42.8951×e(V/100)
Cr	Cr = -389.56 + 1.2982×Ni + 0.2564×V – 2.2802×Mn	Cr = -6907458 + 54.2400×Ni0.5 + 17.1699×ln(V) -133.5185×Mn0.3
V	V = 29.6193 – 0.0219×Ni + 0.067×Cr + 0.5225×Zn	V = 11.3282 -2.4548×log(Ni) + 0.9682×Cr0.5 + 30.3684×e(Zn/100)
Zn	Zn = 38.9342 – 0.1793×Cu + 0.3942×Pb + 0.3011×V	Zn = 33.7287 -0.355×Cu0.8 + 4.1694×ln(Pb) + 0.1336×V1.2

   برای یافتن مناسب­ترین روابط خطی و غیرخطی بین عناصر، ابتدا باید ماتریس همبستگی بین عناصر مختلف بدست آورده شود. سپس برای چهار عنصری که بیش­ترین همبستگی را با سایر عناصر دارند، روابط خطی و غیرخطی پیشنهاد می‌شود.

 

 

شکل (5): ماتریس همبستگی عناصر در نمونه‌های محیطی

 

   بر اساس بررسی اولیه داده‌ها از شکل (5)، به نظر می‌رسد عناصر نیکل، کروم، وانادیوم و روی همبستگی نسبتاً خوبی با سایر عناصر دارند. 

روابط خطی و غیرخطی پیشنهادی بین عناصر در جدول (4) ارایه شده است.

 

جدول (4): روابط خطی و غیر خطی بین غلظت فلزات سنگین موجود در گرد و غبار

 

   همچنین آنالیزهای آماری مربوط به روابط خطی و غیر خطی عناصر در جدول (5) آورده شده است.

 

 

جدول (5): آنالیز آماری مربوط به روابط خطی و غیرخطی عناصر موجود در گرد و غبار

عنصر	AIC_ خطی	AIC_ غیرخطی	R2_ خطی	R2_ غیرخطی	MSE_ خطی	MSE_ غیرخطی
Ni	59/488	96/484	67/0	68/0	47/17	10/17
Cr	25/640	01/632	80/0	81/0	09/43	03/41
V	65/396	16/395	24/0	25/0	11/10	02/10
Zn	09/327	59/332	30/0	27/0	68/6	90/6

 

 

     در جدول (4)، مقایسه بین مدل‌های خطی و غیرخطی برای چهار عنصر شیمیایی نیکل، کروم، وانادیم و روی ارائه شده است. هر عنصر با دو معادله توصیف می‌شود: یکی خطی و دیگری غیرخطی. این معادلات روابط بین عنصر مورد نظر و سایر عناصر را نشان می‌دهند.

    برای ارزیابی کارایی این مدل‌ها، در جدول (5)، سه معیار آماری استفاده شده است: معیار اطلاعات آکائیکه (AIC)، ضریب تعیین (2R) و میانگین مربعات خطا (MSE). AIC کمتر، 2R بالاتر و MSE کم­تر نشان‌دهنده برازش بهتر مدل است.

    در مورد نیکل، مدل غیرخطی با  AIC  96/484 در مقابل 59/488 مدل خطی، R²  68/0 در مقابل 67/0 و MSE  10/17 در مقابل 47/17، عملکرد بهتری نشان می‌دهد. این الگو برای کروم نیز تکرار می‌شود، جایی که مدل غیرخطی با AIC 01/632، R²  81/0 و MSE  03/41 در مقابل مقادیر 25/640، 80/0 و  09/43 برای مدل خطی، برتری دارد.

    وانادیم نیز الگوی مشابهی را نشان می‌دهد، اگرچه تفاوت‌ها خیلی کم است. مدل غیرخطی با AIC  16/395، R²   25/0 و MSE  02/10 در مقابل مقادیر 65/396، 24/0 و 11/10 برای مدل خطی، اندکی بهتر عمل می‌کند.

   روی تنها استثنا در این مجموعه بود. برای این عنصر، مدل خطی با AIC  09/327، R² 30/0 و MSE  68/6 در مقابل مقادیر 59/332، 27/0 و 90/6 برای مدل غیرخطی، عملکرد بهتری نشان می‌دهد. 

    راشکی و همکاران (25) با بررسی پویایی‌های فصلی و ویژگی‌های انتقال طوفان‌های گرد و غبار که از منطقه سیستان در جنوب شرقی ایران در سال‌های ۲۰۰۱ تا ۲۰۱۲ منشأ می‌گیرند، نشان دادند که طوفان‌های گرد و غبار در تابستان، به‌ویژه در ماه‌های ژوئن و ژوئیه، به دلیل بادهای شدید فصلی معروف به "باد لوار" یا "باد ۱۲۰ روزه" بیش­ترین فراوانی را دارند. تحلیل های ماهواره ای نشان داد که ستون‌های گرد و غبار سیستان مسیری به شکل U را طی می‌کنند، ابتدا به سمت جنوب حرکت کرده و سپس به سمت شرق-شمال‌شرق به سوی دریای عرب منحرف می‌شوند و گاه تا مناطقی در هند تأثیر می‌گذارند. گرد و غبار این طوفان‌ها به‌طور قابل توجهی بر کیفیت هوا و سلامت عمومی در مناطق تحت تأثیر اثر می‌گذارد و نقشی در تغییر محیط‌های جوی و دریایی ایفا می‌کند، به طوری که در دوره‌های با فراوانی بالای طوفان‌های گرد و غبار، عمق نوری آئروسل‌ها بر فراز شمال دریای عرب افزایش می‌یابد.

    این نتایج نشان می‌دهد که روابط بین این عناصر و متغیرهای پیش‌بینی کننده آن­ها اغلب پیچیده‌تر از روابط خطی ساده هستند. مدل‌های غیرخطی با در نظر گرفتن این پیچیدگی‌ها، معمولاً قادر به توصیف بهتر این روابط هستند. با این حال، مورد روی یادآور این نکته است که همیشه باید هر دو نوع مدل را بررسی کرد، زیرا گاهی مدل ساده‌تر خطی می‌تواند عملکرد بهتری داشته باشد.

 

نتیجه­گیری

    با توجه به یافته‌های این پژوهش، تصویر جامعی از وضعیت فلزات سنگین در گرد و غبار منطقه سیستان به دست آمد. نتایج نشان داد که غلظت این فلزات دارای تغییرات فصلی قابل توجهی است، به طوری که بیش­ترین مقادیر در فصل تابستان مشاهده شد. این الگوی فصلی احتمالاً به دلیل افزایش فعالیت‌های گرد و غباری و فرسایش بادی در فصول گرم است. تحلیل فاکتور غنی‌شدگی (EF) و شاخص آلودگی (PI) نشان داد که اگرچه اکثر فلزات مورد بررسی منشأ طبیعی دارند، برخی عناصر مانند آرسنیک، کروم و وانادیم نشانه‌هایی از تأثیر فعالیت‌های انسانی را نشان می‌دهند که نیاز به مطالعات بیش­تر و اقدامات احتمالی برای کاهش انتشار آن­ها دارند. تحلیل مؤلفه‌های اصلی (PCA) امکان شناسایی الگوهای اصلی در توزیع فلزات سنگین را فراهم کرد و نشان داد که عناصری مانند کروم و نیکل دارای همبستگی منفی قوی هستند، در حالی که وانادیم و روی ارتباط نزدیک‌تری با یکدیگر دارند. این یافته‌ها می‌تواند به درک بهتر منابع و رفتار این عناصر در محیط کمک کند. همچنین در این مطالعه، روابط خطی و غیرخطی بین عناصر بررسی شد. نتایج نشان داد که در اکثر موارد، مدل‌های غیرخطی توصیف بهتری از روابط بین عناصر ارائه می‌دهند. این یافته نشان‌دهنده پیچیدگی تعاملات بین فلزات سنگین در محیط است و اهمیت استفاده از رویکردهای پیشرفته آماری در مطالعات زیست‌محیطی را برجسته می‌کند. تحلیل واریانس (ANOVA) نشان داد که بیش از نیمی از عناصر مورد مطالعه تغییرات معناداری در طول ماه‌های مختلف سال نشان می‌دهند، در حالی که نیمی دیگر نسبتاً ثابت باقی می‌مانند. این یافته اهمیت در نظر گرفتن تغییرات فصلی در مطالعات مربوط به آلودگی هوا و برنامه‌های نظارتی را نشان می‌دهد. متاسفانه به دلیل کمبود بودجه امکان خرید تجهیزات نمونه برداری با حجم بالا برای این تحقیق میسر نبود. ضمناً شریط بسیار حاد گرمایی و طوفانی در بعضی روزها نمونه­برداری را با مشکل روبرو می‌ساخت. این مطالعه با ارائه یک رویکرد جامع و نوآورانه به بررسی فلزات سنگین در گرد و غبار، گامی مهم در جهت درک بهتر وضعیت زیست‌محیطی منطقه سیستان برداشته است. با توجه به اهمیت روزافزون مسائل زیست‌محیطی و تأثیر آن­ها بر سلامت انسان و اکوسیستم‌ها، چنین مطالعاتی نقش حیاتی در ارتقای دانش ما و بهبود استراتژی‌های مدیریت محیط زیست ایفا می‌کنند.

 

تعارض منافع

نویسندگان هیچکونه تعارض منافعی برای اعلام ندارند.

منابع

[1] Shen, X., Dai, M., Yang, J., Sun, L., Tan, X., Peng, C., Ali, I., Naz, I., 2022,  A critical review on the phytoremediation of heavy metals from environment: Performance and challenges, Chemosphere, 291, 132979.

[2] Latif, A., Sheng, D., Sun, K., Si, Y., Azeem, M., Abbas, A., Bilal, M., 2020, Remediation of heavy metals polluted environment using Fe-based nanoparticles: Mechanisms, influencing factors, and environmental implications, Environmental Pollution, 264, 114728.

[3] Mitra, S., Chakraborty, A.J., Tareq, A.M., Emran, T.B., Nainu, F., Khusro, A., Idris, A.M., Khandaker, M.U., Osman, H., Alhumaydhi, F.A., Simal-Gandara, J., 2022, Impact of heavy metals on the environment and human health: Novel therapeutic insights to counter the toxicity, Journal of King Saud University - Science, 34, 101865.

[4] Jin, M., Yuan, H., Liu, B., Peng, J., Xu, L., Yang, D., 2020, Review of the distribution and detection methods of heavy metals in the environment, Analytical Methods, 12, 5747.

[5] Dahmardeh Behrooz, R., Kaskaoutis, D.G., Grivas, G., Mihalopoulos, N., 2021, Human health risk assessment for toxic elements in the extreme ambient dust conditions observed in Sistan, Iran, Chemosphere, 262, 127835.

[6] Kiran, Bharti, R., Sharma, R., 2022, Effect of heavy metals: An overview, Materials Today: Proceedings, 51, 880.

[7] Shi, T., Wang, Y., 2021, Heavy metals in indoor dust: Spatial distribution, influencing factors, and potential health risks, Science of the Total Environment, 755, 142367.

[8] Rad, A.M., Kreitler, J., Abatzoglou, J.T., Fallon, K., Roche, K.R., Sadegh, M., 2022, Anthropogenic stressors compound climate impacts on inland lake dynamics: The case of Hamun Lakes, Science of the Total Environment, 829, 154419.

[9] Sahebzadeh, B., Shabani-Goraji, K., Shoaei, Z., Afshari, M., 2019, Statistical study of eolian sediment distribution risk in human ecosystems on the health of respiratory system and the eyes of inhabitants of Sistan, East Iran, Arabian Journal of Geosciences, 12, 227.

[10] Rashki, A., Eriksson, P.G., Rautenbach, C.J.D.W., Kaskaoutis, D.G., Grote, W., Dykstra, J., 2013, Assessment of chemical and mineralogical characteristics of airborne dust in the Sistan region, Iran, Chemosphere, 90, 227.

[11] Dahmardeh Behrooz, R., Esmaili-Sari, A., Bahramifar, N., Kaskaoutis, D.G., 2017, Analysis of the TSP, PM10 concentrations and water-soluble ionic species in airborne samples over Sistan, Iran during the summer dusty period, Atmospheric Pollution Research, 8, 403.

[12] Doabi, S.A., Karami, M., Afyuni, M., Yeganeh, M., 2018, Pollution and health risk assessment of heavy metals in agricultural soil, atmospheric dust and major food crops in Kermanshah province, Iran, Ecotoxicology and Environmental Safety,163, 153.

[13] Men, C., Liu, R., Wang, Q., Guo, L., Shen, Z., 2018, The impact of seasonal varied human activity on characteristics and sources of heavy metals in metropolitan road dusts, Science of the Total Environment, 637, 844.

[14] Wei, B., Yang, L., 2010, A review of heavy metal contaminations in urban soils, urban road dusts and agricultural soils from China, Microchemical Journal, 94, 99.

[15] Mirzaei Aminiyan, M,, Baalousha, M., Mousavi, R., Mirzaei Aminiyan, F., Hosseini, H., Heydariyan, A., 2018, The ecological risk, source identification, and pollution assessment of heavy metals in road dust: A case study in Rafsanjan, SE Iran, Environmental Science and Pollution Research, 25, 13382.

[16] Kadhum, S.A., 2020, A preliminary study of heavy metals pollution in the sandy dust storms and its human risk assessment from middle and south of Iraq, Environmental Science and Pollution Research, 27, 8570.

[17] Zheng, N., Liu, J., Wang, Q., Liang, Z., 2010, Health risk assessment of heavy metal exposure to street dust in the zinc smelting district, Northeast of China, Science of the Total Environment, 408, 726.

[18] Sadeghdoust, F., Ghanavati, N., Nazarpour, A., Babaenejad, T., Watts, M.J., 2020, Hazard, ecological, and human health risk assessment of heavy metals in street dust in Dezful, Iran, Arabian Journal of Geosciences, 13, 881.

[19] Zhang, H., Zhang, F., Song, J., Tan, M.L., Kung, H., Johnson, V.C., 2021, Pollutant source, ecological and human health risks assessment of heavy metals in soils from coal mining areas in Xinjiang, China, Environmental Research, 202, 111702.

[20] Duan, Z., Wang, J., Cai, X., Wu, Y., Xuan, B., 2020, Spatial distribution and human health risk assessment of heavy metals in campus dust: A case study of the university town of Huaxi, Human and Ecological Risk Assessment: An International Journal, 26, 986.

[21] Miri, A., Maleki, S., Middleton, N., 2021, An investigation into climatic and terrestrial drivers of dust storms in the Sistan region of Iran in the early twenty-first century, Science of the Total Environment, 757, 143952.

[22] Ghanavati, N., Nazarpour, A., Watts, M.J., 2019, Status, source, ecological and health risk assessment of toxic metals and polycyclic aromatic hydrocarbons (PAHs) in street dust of Abadan, Iran, Catena, 177, 246.

[23] Díaz Rizo, O., Casanova Díaz, A.O., Torres Ramos, A.G., Ramos López, D., 2023, Heavy metals concentration, pollution indexes, and health risk assessment of urban road dust in the historical center of Havana, Cuba, Environmental Monitoring and Assessment, 195, 349.

[24] Dehghani, S., Moore, F., Keshavarzi, B., Hale, B.A., 2017, Health risk implications of potentially toxic metals in street dust and surface soil of Tehran, Iran, Ecotoxicology and Environmental Safety, 136, 92.

[25] Rashki, A., Kaskaoutis, D.G., Francois, P., Kosmopoulos, P.G., Legrand, M., 2015, Dust-storm dynamics over Sistan region, Iran: Seasonality, transport characteristics and affected areas, Aeolian Research,16, 35.

 

Environmental Pollutions and Sustainable Urban Development, Autumn 2024, Vol. 1, Issue 3, Serial No. 3, pages 47-62

“Research article”

 

Investigation of heavy metal concentration, origin, and relationships in Sistan region dust: A novel approach with advanced statistical analysis

 

Seyed Mohammad Sadeq Tabib Loghmani1, Mohammad Reza Rezaei Kahkha2*, Ahmad Sharafti1, Amin Reza Neshat3

 

1Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran

2Department of Environmental Health Engineering, Zabol University of Medical Sciences, Zabol, Iran

3Department of GIS/RS, Faculty of Natural Resources and Environment, Science and Research Branch, Islamic Azad University, Tehran, Iran 

*Corresponding author: [e-mail]

(Received: 18 September 2024, Accepted: 30 November 2024)

 

Abstract

This study investigates the concentrations and origins of heavy metals in dust from the Sistan region in southeastern Iran. Dust samples were collected over a year from 14 stations across urban, rural, industrial, and agricultural areas. The concentrations of 14 heavy metals were determined using atomic absorption spectrometry. The results indicated that manganese had the highest average concentration (463.01 mg/kg), while molybdenum had the lowest (1.79 mg/kg). Significant seasonal variations were observed, with the highest concentrations recorded in summer. Enrichment factors (EF) for arsenic, chromium, and vanadium were calculated as 2.8, 2.3, and 2.1, respectively, signifying moderate enrichment. The pollution index (PI) also reflected moderate pollution for these elements. Principal component analysis (PCA) revealed that the first two components accounted for 94.8% of the data variability. Relationships among elements showed that nonlinear models often provided better fits, with higher R² values (e.g., 0.81 for chromium) and lower mean squared errors (MSE). Analysis of variance (ANOVA) demonstrated significant monthly variations (p<0.001) for 7 of the 14 elements. This comprehensive and innovative study enhances understanding of heavy metal contamination in the Sistan region's dust. Its findings can support the development of more effective pollution management strategies and contribute to protecting public health in the area.

 

Conflict of interest: None declared.

 

Keywords: Heavy metals, Dust, Sistan region, Contamination, Envirovment

 

 

 

 

---

Related articles