توزیع مکانی برخی فلزات سنگین در کاربری‌های کشاورزی و مرتع (مطالعه موردی: شهر صنعتی شازند اراک)

زارعی, لیلا; هاشمی, سهیلاسادات; نجفی قیری, مهدی

doi:10.30495/girs.2023.689614

کد مقاله : GIRS-2112-1957 (R1) بازدید : 238 صفحه: 0 - 0

10.30495/girs.2023.689614

نوع مقاله: پژوهشی

توزیع مکانی برخی فلزات سنگین در کاربری‌های کشاورزی و مرتع (مطالعه موردی: شهر صنعتی شازند اراک)

محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطی

لیلا زارعی ¹ , سهیلاسادات هاشمی ² , مهدی نجفی قیری ³

1 - دانش آموخته کارشناسی ارشد علوم خاک، دانشکده کشاورزی، دانشگاه ملایر، ملایر، ایران
2 - استادیار گروه علوم خاک، دانشکده کشاورزی، دانشگاه ملایر، ملایر، ایران
3 - دانشیار گروه علوم خاک، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز، ایران

تاریخ دریافت : 1400/09/22 تاریخ پذیرش : 1400/12/15 تاریخ انتشار : 1402/01/01

کلید واژه: آلاینده, کریجینگ, زمین‌آمار, کادمیم, سرب,

چکیده مقاله :

خاک محیط طبیعی برای رشد گیاهان است و به دلیل اهمیت آن، بررسی توزیع عناصر سنگین جهت پایش آلودگی خاک و حفظ کیفیت محیط‌زیست ضروری است. این مطالعه باهدف بررسی توزیع مکانی برخی فلزات سنگین در خاک‌های سطحی بخشی از شهرستان شازند صورت گرفت. ۷۶ نمونه خاک‌های سطحی از عمق ۳۰-0 سانتی‌متری از منطقه مطالعاتی به‌صورت تصادفی جمع‌آوری شد. پس از آماده‌سازی نمونه‌ها برخی خصوصیات فیزیکی و شیمیائی خاک‌ها و مقدار کل عناصر سرب، کادمیم، نیکل، روی و مس در آنها تعیین شد. میانگین غلظت سرب، روی، مس، کادمیم و نیکل به ترتیب برابر 20/31، 12/54، 11/23، 05/2 و 36/59 میلی‌گرم بر کیلوگرم محاسبه شد. همبستگی مثبت و معنی‌داری بین عناصر نیکل با مس (01/0>p، 41/0 r=) و روی (01/0>p، 5/0 r=) مشخص شد. هم‌چنین همبستگی مثبت و معنی‌داری بین مقدار مس با روی (01/0>p، 4/0r=) مشاهده شد. تغییرنمای همه جهته عناصر مورد مطالعه ترسیم گردید و سپس الگوی مناسب برآن برازش داده شد. نتایج تجزیه‌های زمین‌آماری نشان داد که مدل کروی بهترین مدل برازش داده‌شده برای غلظت عناصر مورد مطالعه است. در نهایت به‌وسیله روش کریجینگ معمولی نقشه پراکنش مکانی عناصر مورد مطالعه ترسیم گردید. همبستگی مکانی قوی (نسبت اثر قطعه‌ای به حد آستانه کمتر از 25/0) برای عنصر سرب بدست آمد. براساس حد استاندارد، سرب و کادمیم بیشترین آلودگی را به ترتیب در کاربری مرتع و کشاورزی در منطقه نشان دادند. توصیه می‌شود جهت افزایش کیفیت خاک و کاهش دادن تخریب آن از آلاینده‌ها، عملیات حفاطتی مناسب بکار برده شود.

چکیده انگلیسی:

Soil is a natural environment for plant growth and due to its importance, the study of heavy metal distribution for soil contamination monitoring and environmental quality maintaining is necessary. This investigation was performed to study the spatial variability of some heavy metals in some surface soils of the Shazand City. A total of 76 soil surface samples were randomly collected from a depth of 0-30 cm in the study area. After preparation of the samples, some physico-chemical characteristics and the total amount of, lead (Pb), cadmium (Cd), nikel (Ni), zinc (Zn) and copper (Cu) were measured. Mean concentrations of Pb, Cd, Ni, Zn and Cu were 31.20, 54.12, 23.11, 2.05 and 59.36 mgkg-1, respectively. Significant correlations were found between Ni with Cu (r= 0.41, p<0.01) and Zn (r= 0.5, p<0.01). Also, a significant correlation was obsrved between Cu and Zn (r= 0.4, p<0.01). The spatial variability of these variables was examined by variogram models and ordinary kriging. The results of geostatistical analysis showed that the spherical model was the best model for describing the spatial variability of all studied elements. Strong spatial dependence (the ratio of nugget to sill less than 0.25) was obtained for the lead element. According to the standard limits, Pb and Cd showed the highest pollution in rangeland and agricultural land use in the study area, respectively. It’s recommended to increasing soil quality and reduces it’s degradation from pollutants applied proper environmental proceeding.

منابع و مأخذ:
_||_

متن کامل:

توزیع مکاني برخي فلزات سنگين در کاربریهای کشاورزي و مرتع (مطالعه موردي: شهر صنعتي شازند اراک)

چکيده

خاک محيط طبيعي براي رشد گياهان است و به دليل اهميت آن، بررسي توزيع عناصر سنگين جهت پايش آلودگي خاک و حفظ کيفيت محیط‌زیست ضروري است. اين مطالعه باهدف بررسي توزيع مکاني برخي فلزات سنگين در خاک‌هاي سطحي بخشي از شهرستان شازند صورت گرفت. ۷۶ نمونه خاک‌هاي سطحي از عمق ۳۰-0 سانتي‌متري از منطقه مطالعاتي به‌صورت تصادفي جمع‌آوري شد. پس از آماده‌سازي نمونه‌ها برخي خصوصيات فيزيکي و شيميائي خاک‌ها و مقدار کل عناصر سرب، کادميم، نيکل، روي و مس در آنها تعيين شد. ميانگين غلظت سرب، روي، مس، کادميم و نيکل به ترتيب برابر 20/31، 12/54، 11/23، 05/2 و 36/59 ميلي‌گرم بر کيلوگرم محاسبه شد. همبستگي مثبت و معني‌داري بين عناصر نيکل با مس (01/0>p، 41/0 r‌‌=) و روي (01/0>p، 5/0 r=) مشخص شد. همچنين همبستگي مثبت و معني‌داري بين مقدار مس با روي (01/0>p، 4/0r=) مشاهده شد. تغییرنمای همه جهته عناصر مورد مطالعه ترسيم گرديد و سپس الگوي مناسب برآن برازش داده شد. نتايج تجزيه‌هاي زمين‌آماري نشان داد که مدل کروي بهترين مدل برازش داده‌شده براي غلظت عناصر مورد مطالعه است. در نهايت به‌وسیله روش کريجينگ معمولی نقشه پراکنش مکاني عناصر مورد مطالعه ترسيم گرديد. همبستگی مکانی قوی (نسبت اثر قطعهای به حد آستانه کمتر از 25/0) برای عنصر سرب بدست آمد. براساس حد استاندارد، سرب و کادميم بيشترين آلودگي را به ترتیب در کاربری مرتع و کشاورزی در منطقه نشان دادند. توصيه می‌شود جهت افزايش کيفيت خاک و کاهش دادن تخريب آن از آلاینده‌ها، عمليات حفاطتی مناسب بکار برده شود.

واژههاي کليدي: آلاينده، زمينآمار، سرب، کادميم، کريجينگ

مقدمه

فلزات سنگين در ساليان اخير به دليل خصوصيات آلايندگي‌شان در خاك شديداً موردتوجه قرارگرفته‌اند. فلزات سنگين، دستهاي از فلزات هستند که داراي جرم اتمي بيش از 8/55 گرم بر مول و يا چگالي بزرگ‌تر از 5 گرم بر سانتي‌متر مکعب ميباشند (1). زماني که غلظت آنها از حد معيني که براي هر عنصر متفاوت است، تجاوز کند، خاصيت سمي دارند. هرچند که تعدادي از آنها در غلظت‌هاي پايين براي موجودات زنده ضروري مي‌باشند (29). به‌طور کلي دو منبع عمده براي فلزات سنگين در خاك وجود دارد: منابع طبيعي که شامل غلظت عناصر در سنگ‌بستر است و منابع غیرطبیعی که در اثر کاربرد کود‌ها، لجن فاضلاب، کمپوست، سوخت‌هاي فسيلي و غيره ايجاد ميشود. باوجود اثرات مهم کودهاي دامي بر خصوصيات فيزيکي، شيميايي و زيستي، اين کودها با توجه به نوع و تغذيه دام، مي‌توانند حاوي مقاديري فلزات سنگين باشند. کودهاي دامي حاوي مقادير نسبتاً زيادي روي و مس بوده و در برخي موارد مي‌توانند مهم‌ترين منبع آلاينده اراضي کشاورزي به شمار روند (15). ورود و تجمع فلزات سنگين در اراضي كشاورزي به‌طور عمده ناشي از نهشته‌هاي اتمسفري حاصل از فعاليت‌هاي صنعتي، كودهاي شيميايي، كودهاي حيواني، لجن فاضلاب، كمپوست و آفت‌کش‌هاست (24). به دليل وسعت مکاني و مشکلات مربوط به نمونه‌هاي جمع‌آوری‌شده براي تعيين مناطق آلوده، استفاده از روش‌هاي زمین‌آمار بسيار مفيد هست (3). در مقایسه با سایرروشهای پهنهبندی میتوان گفت زمینآمار بدلیل داشتن دادههای واقعی از صحت بالاتری برخوردار است. محمودآبادی و کریمی (17) برای تهیه نقشه آهک و رس خاک در منطقه پارک چیتگر تهران، از دو روش زمینآمار و سنجش از دور استفاده نمودند و در نهایت بیان کردند که روش کریجینگ در مقایسه با تصاویر ماهوارهای و دادههای رقومی که از نظر هزینه بهصرفهتر هستند، از دقت بالاتری برخوردار میباشند. مشخص شدن توزيع مكاني فلزات سنگین به‌صورت دقيق وقتی‌که نمونه‌هاي مورد مطالعه كم باشد، يك امر ضروري است و زمین‌آمار به‌عنوان يك ابزار قدرتمند مي‌تواند در جهت برآورد و كاهش عدم قطعيت و همچنين حداقل نمودن هزينه‌ها به كمك آيد (3 و 21). محققين زيادي با توجه به خطر فلزات سنگين در محيط، به بررسي مقادير آنها در خاك‌هاي مناطق مختلف جهان اقدام کرده‌اند:

سودانگو و همکاران (24) در بررسی تغییرات مکانی فلزات سنگین در شهر فوجوی چین، اثر نوع کاربری، شکل زمین و زمینشناسی را مورد بررسی قرار دادند. و نتایج نشان داد که بیشترین مقدار کادمیم (74/0 میلیگرم بر گرم) در اراضی کشاورزری، جنگل و سپس در کاربری شهری مشاهده شد. در حالی که بیشترین میزان سرب را ابتدا در کاربری شهر، سپس در کاربری جنگل و کشاورزی مشاهده کردند. آنها سنگهای شن و شیل را مهمترین منشا کادمیم برشمردند. یانگ و همکاران (31) در بررسی هفت فلز سنگین در مزارع برنج، عوامل طبیعی را با درصد بالاتری (78/31%)؛، مهمترین منبع فلزات سنگین خواندند و منشاء کشاورزی (9/27 %) و فعالیتهای صنعتی (48/15 %) را بعنوان پارامترهای بعدی پراکنش فلزات نام بردند. دياوارا و همکاران (8)، آلودگي ناشي از جیوه، سرب، کادمیم و آرسنیک را در خاك‌هاي سطحي پوبلو در کلرادو مطالعه نمودند. نتايج نشان داد که غلظت سرب در چند اجتماع مسکوني، متجاوز از 300 ميلي‌گرم بر کيلوگرم مشاهده شد. شيراني (22) تغييرات مکاني برخي عناصر سنگين را در خاك‌هاي سطحي مشهد در سه نوع کاربري کشاورزي، صنعتي و شهري تعيين نمود. نتايج نشان داد که غلظت سرب، روي و نيکل در قسمت‌هاي زيادي از مناطق شهري و صنعتي افزایش‌یافته است. نوع مواد مادري و فعاليت‌هاي صنعتي مهم‌ترين عوامل کنترل غلظت نيکل و روي معرفي شد. همچنين استفاده از کودهاي شيميايي را سبب افزايش غلظت کادميم کل در خاك منطقه عنوان کرد. متکان و همکاران (18) براي برآورد مقدار کادميم موجود در خاک‌هاي منطقه اصفهان و جهت تعيين منطقه آلوده از روش کريجينگ معمولي استفاده کردند. نتايج آن‌ها نشان داد که کاربري تأثير مهمي بر کادميم کل دارد. به‌گونه‌ای که در کاربري شهري و صنعتي، ميانگين اين فلز به‌گونه‌ای چشم‌گير بيشتر از ساير کاربري‌ها بود. تقي‌پور و همکاران (27) تغييرات مکاني سرب و روي را در خاک‌هاي سطحي اطراف شهر همدان مورد بررسی قراردادند. نتايج تحليل‌هاي زمين‌آماري نشان‌دهنده اين مطلب بود که مدل کروي بهترين مدل برازش شده بر غلظت سرب و روي است. براساس نقشههاي پراکنش، عامل مؤثر بر روند افزايش اين عناصر، نوع کاربري است. باقری و عرفانیفرد (3) برای برآورد توزیع مکانی خشیکدگی درختان بلوط از درونیابی کریجینگ معمولی و ساده استفاده کردند. نتایج آنها نشان داد که کریجینگ ساده، دقیقترین روش ارزیابی با مدل نمائی است و همبستگی مکانی را برای خشکیدگی درختان بلوط بدلیل عوامل محیطی، متوسط گزارش کردند. شارما و سود (21) از تکنیک کریجینگ معمولی برای پهنهبندی خصوصیات حاصلخیزی خاک در باغات سیب استفاده کردند. و همبستگی مکانی حاصله را برای ازت، فسفر، اسیدیته و کربن آلی قوی و برای پتاسیم و شوری خاک متوسط گزارش نمودند.

با توجه به اينکه منطقه صنعتي شازند از مناطق استراتژيک کشوري و استاني محسوب ميشود و به دلیل فعالیت‌های صنعتي بسيار بالايي که دارد، ميتواند منجر به ورود آلايندههاي بسياري به اراضی اطراف، بخصوص اراضي کشاورزي گردد، لذا ضرورت دارد غلظت فلزات سنگين در کاربری‌های متفاوت آن موردبررسی قرار بگيرد. دشت شازند از دشتهاي حاصلخيز منطقه است، و به دلیل بارشهای بسياري که دارد براي کشت ديم و آبي بسيار موردتوجه قرارگرفته است. طي تحقيقات محلي و مراکز تحقيقاتي استان، در مناطق کشاورزي شهرستان شازند دو عنصر مس و کادميوم به‌عنوان عناصر آلاينده موجود در اراضي کشاورزي موردتوجه بودند، لذا برآن شديم تا با کمک زمين‌آمار جهت تشخيص سريع و توزيع برخی فلزات سنگین ديگر در هر دو کاربري موجود در منطقه (مرتع و کشاورزي) اقدام نمائيم. بنابراين هدف از تحقيق حاضر اثر کاربري کشاورزي و مرتع بر آلودگي خاک به عناصر سنگين و تعيين الگوي توزيع مکاني آنها است.

مواد و روش‌ها

معرفي منطقه مورد مطالعه: شهرستان شازند در جنوب غربي استان مرکزي واقع گرديده و مساحت آن بالغ ‌بر 2645 کيلومترمربع هست. منطقه شازند به دليل ارتفاع زياد داراي آب ‌و هوای کوهستاني با زمستان‌هاي سرد و تابستان‌هاي معتدل و خنک هست و در موقعيت جغرافيايي 49 درجه و 3 دقيقه تا 49 درجه و 52 دقيقه طول جغرافيائي و 33 درجه و 45 دقيقه تا 34 درجه و 12 دقيقه عرض شمالي قرار دارد. اين دشت ازجمله دشت‌هاي حاصلخيز کشور است که عمدتاً به زراعت آبي نباتات یک‌ساله و درخت‌کاري و در حاشيه‌ها به زراعت ديم غلات اختصاص دارند. شهرک صنعتي شازند، جاده اصلي و فعاليت‌هاي کشاورزي از عوامل اصلي غلظت عناصر سنگين در خاک‌هاي اين منطقه مي‌باشند. به استناد آمار موجود در ايستگاه سينوپتيک شازند حداکثر بارندگي سالانه 5/726 ميلي‌متر، ميانگين دماي گرم‌ترین ماه 9/23 درجه سانتی‌گراد در تيرماه و ميانگين سردترين ماه 1/0 درجه سانتی‌گراد در دی‌ماه هست. رژيم رطوبتي خاک زریک و رژيم حرارتي آن مزيک هست. از نظر زمین‌شناسی واحد شیل و ماسه‌سنگ ژوراسیک حدود 7/63 درصد، واحد آهک کرتاسه حدود 6/6 درصد و واحد پادگانه‌های آبرفتی قدیمی حدود 7/30 درصد در منطقه گسترش دارند (4).

مطالعات صحرائي و آزمايشگاهي: با توجه به وسعت و شرايط موجود در اين منطقه 76 نقطه به‌صورت کاملاً تصادفي در دشت شازند تعيين گرديد. نمونهبرداری در چندین مرحله در اردیبهشتماه سال 1397 (برابر با می 2018) صورت گرفت. برای بررسی پراکنش نقاط نمونهبرداری شده در منطقه مورد نظر، از تصاویر ماهوارهای لندست 8 برابربا تاریخ نمونهبرداری گفته شده، استفاده شد. مختصات جغرافیایی کلیه نقاط توسط دستگاه موقعیتیاب جهانی (GPS) ثبت گردید. شکل 1 پراکنش نقاط در منطقه مورد مطالعه را نشان مي‌دهد. نمونه‌برداری سطحي (30-0 سانتي‌متري) در دو کاربري مرتع و کشاورزي صورت گرفت. 39 نقطه نمونهبرداري در کاربري کشاورزي و 37 نقطه در کاربري مرتع انجام گرفت. قابل‌توجه است که کاربري مرتع شامل مناطق باير، مرتع و مناطق اطراف شهرک صنعتي شازند هست. براي انجام مطالعات آزمايشگاهي نمونه‌ها هوا خشک گرديدند و نهايتاً از الک 2 ميلي‌متري عبور داده شدند. بافت خاک به روش هيدرومتري و بر اساس قانون استوکس، ميزان کربنات کلسيم معادل با روش تيتراسيون، ظرفيت تبادل کاتيوني، اسیدیته (pH) خاک در سوسپانسيون 1:5 خاک و آب مقطر با دستگاه pH متر، قابليت هدايت الکتريکي در عصاره سوسپانسيون 1:5 خاک و آب مقطر با دستگاه EC متر، ميزان کربن آلي با روش والکي بلک اصلاح شده مورد آزمايش قرار گرفتند. اندازه‌گيري غلظت کل عناصر سنگين با روش اسپوزيتو (25) با کمک اسيد نيتريک 4 نرمال انجام گرفت. سپس نمونه‌ها با دستگاه جذب اتمي قرائت شدند.

$C:\Users\PadidarNB\Desktop\Zarei.1\image\pic\کلی.jpg$

شکل 1. موقعيت منطقه مطالعاتي و نقاط نمونهبرداري بر روي حوضه مورد مطالعه

Fig1. Study area location and sampling points on the studied catchment.

توصيف آماري: بعد از تجزيه‌هاي آزمايشگاهي، به‌منظور توصيف نتايج آزمایش‌ها و به‌دست آوردن خلاصه‌اي از اطلاعات آماري از نرم‌افزار Spss.19 استفاده شد. به‌منظور بررسي وضعيت توزيع فراواني از ميانگين، انحراف معيار، چولگي و کشيدگي استفاده گرديد. براي تعيين همبستگي بين ويژگي‌هاي خاک و غلظت عناصر سنگين از ضريب همبستگي پيرسون استفاده شد. نرمال بودن توزيع داده‌ها با کمک نمودارهاي فراواني و توزيع تجمعي، استفاده از پارامترهاي آماري شامل چولگي و ضريب تغييرات، استفاده از آزمون‌هاي آماري مانند آزمون کولموگروف– اسميرنف انجام شد.

تحليلهاي زمین‌آمار: . نقشههای پایه مورد استفاده در این تحقیق شامل نقشههای 50000/1 کاربری اراضی، و نقشه خاک منطقه مورد مطالعه بود. پس از وارد کردن نقشه منطقه در محیط ArcGIS، رقومیسازی نقشه انجام شد و موقعیت کلیه نقاط ثبت شده، بر روی آن مشخص گردید. به منظور انجام تجزیه و تحلیل‌های زمین‌آماری باید نمونهها از توزیع نرمال تبعیت کنند. پس از نرمالسازی دادهها و بررسی همسانگردی و ناهمسانگردی تغییرات مکانی متغییرها، الگوهای تغییرنمای سطحي برای متغییرهای مورد نظر در برنامه Variowin 2.2 ترسیم شد. مناسبترین مدل برای متغییرها برازش یافت. تمامی اجزای الگو شامل اثر قطعهای، دامنه تاثیر و حد آستانه نیز بدست آمد. معادلات مورداستفاده براي تعيين تغییرنما در رابطه 1 و 2 آورده شده است:

γ(h) =1/2var[Z(x+h)-Z(x)] رابطه (1)

γ(h)=1/2N(h) ∑[Z(xi)-Z(xi+h)]2 رابطه (2)

N(h) ﺗﻌﺪاد ﺟﻔﺖ نمونه‌های جداشده در ﻓﺎﺻﻠﻪ ﮔﺎم h، Z(xi) ﻣﻘﺪار ﻣﺘﻐﯿﺮ اندازه‌گیری ﺷﺪه در ﻧﻘﻄه i و Z(xi+h) ﻣﻘﺪار ﻣﺘﻐﯿﺮ اندازه‌گیری ﺷﺪه در ﻣﻮﻗﻌﯿﺖ ﻣﮑﺎني i+h هست. تداوم و پيوستگي متغير مورد مطالعه در آهنگ افزايشγ(x) نسبت به مقادير مختلف h منعکس مي‌شود. دامنه همبستگی مکانی با کمک نسبت همبستگی مکانی (تقسيم اثر قطعهاي به حد آستانه (C0/C+C0)) محاسبه گردید. بنابراین دامنه همبستگي مکاني متغير با کمک تغییرنما مشخص مي‌شود. هرچقدر متغير مورد مطالعه داراي تغييرپذيري بيشتري باشد، دامنه همبستگي مکاني آن کاهش خواهد يافت. به‌نحوي‌که مقادير کمتر از 25 درصد به‌عنوان وابستگي مکاني قوي، بين 25 درصد تا 75 درصد وابستگي متوسط و مقادير بيشتر از 75 درصد داراي وابستگي مکاني ضعيف هست (20).

ارزیابی اعتبار سنجی: جهت بررسي صحت الگوي برازش داده‌شده، از معیار آماری ميانگين خطاي تخمين (MEE) و مجذور ميانگين مربعات خطاي تخمين (RMSE) استفاده شد (رابطه 3 و 4). براساس اينکه ميانگين خطاي تخمين بايستي برابر صفر و يا نزديک به صفر باشد و ميانگين مربعات خطاي تخمين حداقل شود، واريوگرام معتبر براي انجام کريجينگ انتخاب گرديد. به‌منظور بررسي اعتبار تغییرنما، انتخاب پارامتر‌هاي مدل به نحوي صورت گرفت که مدل نهايي، داراي حداقل ميانگين خطاي تخمين باشد:

MEE=(1/n)+∑[Z*(xi)-Z(xi)] رابطه (3)

RMSE=√1/n∑[(Z(xi)-Z*(xi))2] رابطه (4)

که در آن Z*(xi) مقدار تخمینزده شده xi، Z(xi) مقدار مشاهده شده xi میباشد. و n تعداد دادهها میباشد. برای بررسی تغییرات مکانی متغییرها از روش کریجینگ معمولی و ساده استفاده شد. نقشه میانیابی کريجينگ معمولی و نقشه واريانس تخمين توسط نرم افزار ArcGIS 9.3 ، براي هر عنصر ترسيم گرديد.

نتايج

بررسي برخي خصوصيات فيزيکي و شيميايي: جدول 1 ميانگين مقادير مربوط به برخي خصوصيات فيزيکي و شيميايي اندازه‌گيري شده را در دو کاربري‌ کشاورزي و مرتع نشان مي‌دهد. مواد آلي در منطقه مطالعاتي داراي ميانگين 32/3 درصد با دامنه تغييرات 6/1، با بيشترين مقدار 86/3 درصد و کمترين مقدار26/3 درصد هست. بيشترين مقدار کربن آلي، در کاربري کشاورزي با ميانگين 38/3 درصد برآورد شد. به نظر مي‌رسد که استفاده از کودهاي حيواني، لجن فاضلاب و بازگشت بقاياي گياهي از مهم‌ترین عوامل افزايش درصد ماده آلي در مناطق کشاورزي باشد. ميانگين مقدار رس، سيلت و شن در خاك به ترتيب برابر 1/26، 9/31 و 99/41 درصد هست. بر اساس نتايج آزمايشگاهي دامنه تغييرات بافت نمونه‌هاي خاك منطقه در محدوده لومي- رسي تا لومي قرار مي‌گيرند. ميانگين pHدر منطقه برابر93/6 بوده و کاربري کشاورزي داراي بيشترين مقدار pH هست. ميانگين مقدار قابليت هدايت الکتريکي در خاك 15/0 دسي‌زيمنس بر متر بود. ميانگين آهک در منطقه برابر 64/29 درصد بوده و کاربري کشاورزي داراي مقدار آهک بالاتري نسبت به کاربري مرتع است.

جدول 1. برخي از خصوصيات فيزيکوشيميائي نقاط نمونهبرداري شده در دو کاربری

Table 1. Some physico-chemical properties of sampling points in two landuses

کشيدگي Kurtosis	چولگي Skewness	ضريب تغييراتCV	انحراف معيار Standarad deviation	مينيمم Min.	ماکزيمم Max.	ميانگين Mean	ویژگی‌های خاک Soil pr.	کاربري Land use
45/6	24/2	46/39	06/0	096/0	396/0	15/0	EC (dSm-1) شوری	کشاورزي Agriculture
51/0-	42/0-	46/3	24/0	50/6	39/7	97/6	pH اسیدیته
01/0-	41/0-	99/45	87/13	00/1	00/57	15/30	CaCO3 (%) درصد آهک
59/0-	46/0-	08/48	52/12	24/4	47/42	83/21	CEC (cmol(+) kg-1) ظرفیت تبادل کاتیونی ظرف
31/1-	06/0-	85/8	30/0	92/2	86/3	38/3	O.C (%) کربن آلی
78/0-	18/0-	63/32	51/14	00/16	50/75	47/44	Sand (%) شن
60/0-	14/0-	05/30	17/9	00/14	50/51	52/30	Silt (%) سیلت
38/0-	05/-	93/40	23/10	00/5	00/46	00/25	Clay (%) رس
61/10	18/3	29/61	09/0	07/0	53/0	16/0	EC (dSm-1) شوری	مرتع Rangeland
19/1-	11/0	71/3	26/0	47/6	30/7	88/6	pH اسیدیته
41/0	48/0-	29/45	18/13	50/2	00/61	10/29	CaCO3 (%) درصد آهک
33/0-	24/0-	71/42	89/9	24/4	87/45	07/23	CEC (cmol(+) kg-1) ظرفیت تبادل کاتیونی ظرف
25/0-	29/0-	02/12	39/0	26/2	86/3	26/3	O.C (%) کربن آلی
39/0-	69/0	24/46	21/18	00/12	00/82	38/39	Sand (%) شن
01/0	51/0-	75/32	93/10	00/9	00/55	36/33	Silt (%) سیلت
09/1-	52/0-	52/40	04/11	00/7	50/43	27/27	Clay (%) رس
69/11	14/3	10/51	09/0	70/0	53/0	15/0	EC (dSm-1) شوری	کل Total
01/1-	16/0-	62/3	25/0	47/6	39/7	93/6	pH اسیدیته
10/0	41/0-	40/45	45/13	00/1	00/61	64/29	CaCO3 (%) درصد آهک
44/0-	34/0	20/45	16/10	24/4	87/45	44/22	CEC (cmol(+) kg-1) ظرفیت تبادل کاتیونی ظرف
21/0-	31/0-	55/10	35/0	26/2	86/3	32/3	O.C (%) کربن آلی
73/0-	27/0	30/39	50/16	00/12	00/82	99/41	Sand (%) شن
39/0-	17/0	65/31	10/10	00/9	00/55	91/31	Silt (%) سیلت
91/0-	23/0-	71/40	62/10	00/5	00/46	10/26	Clay (%) رس

بررسي غلظت عناصر سنگين مورد مطالعه: خلاصه‌اي از آمار توصيفي عناصر سنگين در جدول 2 نشان داده‌شده است. ميانگين غلظت کادميم کل در خاك 05/2 ميلي‌گرم بر کيلوگرم بوده و دامنه تغييرات آن 77/1 ميلي‌گرم بر کیلوگرم با حداکثر 87/2 و حداقل 10/1 ميلي‌گرم بر کیلوگرم هست. کاربري کشاورزي با ميانگين 08/2 ميلي‌گرم بر کیلوگرم بيشترين غلظت کادميم را در منطقه دارد. دامنه تغييرات غلظت مس کل در خاك‌هاي منطقه 7/31 ميلي‌گرم بر کيلوگرم با حداکثر 63/41 و حداقل 93/9 ميلي‌گرم بر کیلوگرم هست. بيشترين ضريب تغييرات غلظت مس مربوط به اراضي مرتع میباشد. ميانگين غلظت روي کل در منطقه مطالعاتي 12/54 ميلي‌گرم بر کيلوگرم بوده و دامنه تغييرات آن 40/11، با حداکثر 01/72 و حداقل 31/39 ميلي‌گرم بر کيلو‌گرم است (جدول 2).

جدول 2. غلظت عناصر سنگین و خصوصیات آماری آنها در خاکهای مورد مطالعه

Table 2. Heavy metals concentration and their statistical analyses in the soils studied

کشيدگي Kurtosis	چولگي Skewness	ضريب تغييرات CV(%)	انحراف معيار Standard deviation	Min.	Max.	Mean	تعداد No.	کاربري Land use	عنصر Element
کشيدگي Kurtosis	چولگي Skewness	ضريب تغييرات CV(%)	انحراف معيار Standard deviation		(mg/kg)		تعداد No.	کاربري Land use	عنصر Element
69/0	3/0-	44/16	34/0	16/1	83/2	08/2	39	کشاورزي
45/0-	19/0-	13/22	44/0	1/1	87/2	01/2	37	مرتع	کادميم Cd
54/0	29/0-	27/19	39/0	1/1	87/2	05/2	76	کل
4/0-	05/0-	87/16	92/3	35/14	03/31	25/23	39	کشاورزي
98/4	1	96/21	04/5	93/9	63/41	97/22	37	مرتع	مس Cu
43/3	65/0-	36/19	47/4	93/9	63/41	11/23	76	کل
42/0	38/0-	39/9	5	41	9/63	31/53	39	کشاورزي
09/0-	04/0	67/13	51/5	3/39	72	98/54	37	مرتع	روي Zn
43/0	1/0	76/11	36/6	3/39	72	12/54	76	کل
62/1	23/0	36/19	73/5	92/13	98/45	6/29	39	کشاورزي
17/3	7/1	4/43	27/14	23/15	88/77	88/32	37	مرتع	سرب Pb
96/6	17/2	68/34	82/10	92/13	88/77	2/31	76	کل
69/0	58/0	74/15	54/9	64/41	7/86	6/60	39	کشاورزي
74/0-	5/0	53/22	07/13	65/40	1/85	58	37	مرتع	نيکل Ni
3/0-	4/0	2/19	01/11	65/40	7/86	4/59	76	کل

ميانگين غلظت سرب کل در منطقه مطالعاتي 20/31 ميلي‌گرم بر کيلوگرم بوده و دامنه تغييرات آن در خاك‌هاي منطقه حدود 96/63 ميلي‌گرم بر کيلوگرم با کمترين غلظت 92/13 و بيشترين غلظت 88/77 ميلي‌گرم بر کيلوگرم هست (جدول 2). اراضي کشاورزي با ميانگين 6/60 ميلي‌گرم بر کيلوگرم نسبت به اراضي مرتع بيشترين غلظت نيکل را دارا مي‌باشند. حداکثر غلظت مجاز نيکل در اکثر کشورها برابر 100 ميليگرم بر کیلوگرم بیان‌شده است، البته حداکثر غلظت مجاز در خاک‌هاي کشاورزي 50 ميليگرم بر کیلوگرم در نظر گرفته مي‌شود (13). مقایسه میانگین عناصر سنگین نامبرده در شکل 2 نمایش داده شده است. همانطور که مشاهده میشود عناصر مس، نیکل و کادمیم در کاربری کشاورزی و فلزات روی و سرب در مرتع غلظت بالاتری دارند.

شکل 2. مقایسه میانگین غلظت فلزات سنگین در دو کاربری کشاورزی و مرتع

Fig 2. Comparison mean of heavy metals concentration in agriculture and rangeland use

به‌منظور کنترل کيفيت نتايج تجزيه فلزات سنگين در نمونههاي خاک و سنگ يک نمونه استاندارد موسسه تحقيقات ملي فناوري آمريکا (NST) به نام 2709 #San Joaquin و با مشخصات ارائه‌شده در جدول 3 تهیه‌شده و غلظت عناصر مورد مطالعه در آن اندازهگيري شده است. در مقايسه با جدول مذکور به‌طورکلی ميانگين غلظت عنصر کادميم در منطقه مطالعاتي بالاتر از حد استاندارد است. همچنین مقایسه نتایج با دادههای داخل کشور نشان می‌دهد که میانگین غلظت روي کل در منطقه شازند نسبت به قم و اصفهان بیشتر است. غلظت سرب، نیکل و کادمیم نیز نسبت به تمام شهرهای نامبرده بالاتر بدست آمده است (جدول 3).

جدول 3. مقدار فلزات سنگين در یک نمونه استاندارد و شهرهای مختلف ایران (میلیگرم بر کیلوگرم)

Table 3. Value of heavy metals (mgkg-1) in standard sample and different cities of Iran

عنصر Element	رويZn	سرب Pb	کادميم Cd	نيکل Ni	مس Cu
( استاندارد)2709 #San Joaquin	3± 106	6/0±9/18	01/0±38/0	5±88		7/0±6/34
همدان1	4/71	9/23	2/1	6/56		5/36
قم2	4/44	2/27	4/0	6/9		-
اصفهان3	5/4	6/25	7/1	-		-
مشهد4	8/66	5/9	2/1	7/54		-

1.Taghipoor (2011); 2. Movahedi rad (2008); 3. Amini (2005); 4. Shirani (2007)

همبستگي متغيرها: جدول 4 نتايج ضريب همبستگي عناصر سنگين و خصوصيات فيزيکي و شيميايي خاکهاي مورد بررسی در اين مطالعه را نشان مي‌دهد. با توجه به جدول 4 به‌طورکلی ارتباط قوي معني‌داري بين عناصر سنگين با درصد رس مشاهده نشد، اما در کل در تمام عناصر همبستگي مثبت بود. بين عناصر نيکل (05/0>p ، 3/0r=) و روي (01/0>p ،4/0r=) با سیلت همبستگي مثبت معنيداري ديده شد، که براي ساير عناصر رابطه مثبت، اما معنيدار نبود. عنصر نيکل همبستگي معنيدار با pH، CEC، درصد سيلت و شن (05/0>p)، عنصر مس همبستگي معنيدار با آهک، و عنصر روي همبستگي معنيدار با CEC، کربن آلي، آهک، درصد سيلت و شن دارند. هرچه آهک در خاک بيشتر باشد، روي به‌صورت کربنات روی رسوب مي‌کند و قابليت دسترسي آن کم مي‌شود.

جدول 4. ضريب همبستگي بين عناصر سنگين و خصوصيات فيزيکو شيميايي خاک

Table 4. Correlation coefficient between heavy metals and soil physicochemical properties

عناصر element	هدايت الکتريکي (dS/m) EC	pH اسیدیته	ظرفيت تبادل کاتيوني (cmol(+)/kg) CEC	کربن آلي O.C%	درصد آهک CaCO3%	درصد رس Clay%	درصد سیلت Silt%	درصدشن Sand%
Ni نیکل	133/0- ns	*3/0-	*3/0	098/0 ns	096/0- ns	172/0 ns	* 3/0	* 3/0-
Cu مس	016/0 ns	13/0- ns	015/0 ns	092/0 ns	*23/0-	065/0 ns	12/0 ns	027/0 ns
Zn روی	066/0 ns	18/0- ns	*3/0	*23/0	**34/0-	131/0 ns	**4/0	** 31/0-
Pb سرب	150/0- ns	**3/0-	18/0 ns	016/0 ns	165/0- ns	057/0 ns	03/0 ns	055/0- ns
Cd کادمیوم	025/0 ns	14/0- ns	003/0 ns	163/0 ns	115/0 ns	058/0 ns	09/0 ns	018/0- ns

ns معنی‌دار نبودن درسطح خطاي 05/0 * معنی‌دار بودن در سطح خطاي 05/0 ** معنی‌دار بودن در سطح خطاي 01/0

CEC:Cation Exchange Cpacity; EC: Electrical Conductivity

عنصر سرب فقط همبستگي منفي معنيدار با pH (01/0>p) دارد. جدول 5 همبستگي بين عناصر سنگين را نشان مي‌دهد. عنصر نيکل ارتباط مثبت و معني‌داري با مس (01/0>p، 41/0 r‌‌=) و روي (01/0>p، 5/0 r=) نشان داده است. همچنين مس نيز همبستگي مثبت و معني‌داري با روی (01/0>p، 4/0r =) دارد.

جدول 5. ضريب همبستگي بين عناصر سنگين مورد مطالعه

Table 5. Correlation coefficient within heavy metals studied

عناصر سنگین	نيکل Ni	مس Cu	روي Zn	سرب Pb	کادميوم Cd
نيکل Ni	1
مس Cu	**41/0	1
روي Zn	** 5/0	**4/0	1
سرب Pb	043/0 ns	026/0 ns	133/0 ns	1
Cd کادميوم	028/0 ns	058/0 ns	106/0- ns	133/0 ns	1

ns معنی‌دار نبودن درسطح خطاي 05/0 * معنی‌دار بودن در سطح خطاي 05/0 ** معنی‌دار بودن در سطح خطاي 01/0

پراکنش مکاني عناصر سنگين

تغییرنماهای سطحي عناصر سنگين موردبررسی، انجام شد و با توجه به تقارن تغییرنماهای سطحي، توزيع متغيرهاي روي، سرب، کادميم و مس در منطقه همسانگرد بوده و اين واقعيت بيانگر اين است که تغييرپذيري اين متغير‌ها در جهات مختلف جغرافيايي يکسان است. تغییرنمای همه جهته براي عناصر روي، مس، کادميوم و سرب با توجه به همسانگردي آنها رسم گرديد (شکل 3) و همچنين براي عنصر نيکل با توزيع ناهمسانگردی در منطقه، تغییرنمای جهتي (چهار زاويه 0، 45، 90 و 135 درجه) به‌منظور تعيين جهت و درجه ناهمسانگردي ترسيم گرديد. نتايج تغییرنمای عناصر سنگين مورد بررسی به همراه مدلهاي برازش داده‌شده به آن‌ها و کنترل اعتبار تغییرنما در جدول 6 ارائه‌شده است. تغییرنمای عنصر نيکل در تمامي امتدادها موردبررسی قرار گرفت و بر اساس اين تغییرنماها، جهتهاي اصلي ناهمسانگردي مشخص شد. بنابراين تغییرنمای عنصر نيکل در جهت 5/22-0 با کمترين خطاي تخمين و کمترين ميانگين مربعات خطا بدست آمد و از اطلاعات تغییرنمای آن براي تهيه نقشههاي پراکندگي و خطاي تخمين استفاده گردید. نتايج جدول 6 نشان داد که از بين دو روش کريجينگ معمولي و ساده، روش کريجينگ معمولي عملکرد بهتري با توجه به شاخصهاي ارزيابي خطا (RMSE و MEE) و ضریب همبستگی(r2) بين متغيرهاي اندازهگيري شده و تخمين زده‌شده، ارائه کرده است. لذا نقشههاي توزيع مکاني متغيرهاي مورد مطالعه، حاصل روش کريجينگ معمولي هست. با توجه به جدول 6، دادههاي نیمه‌حرفه‌ای عناصر با مدل کروي بهترين برازش را داشتهاند. بالاترین دامنه تاثیر مربوط به عنصر نیکل با دامنه 17200 متر و کمترین دامنه تاثیر برای عنصر سرب برابر با 2354 متر بدست آمد. با توجه به اینکه مقادیر کمتر از 25 درصد برای نسبت اثر قطعهای به حد آستانه بیانگر همبستگی قوی مکانی برای متغییر مورد نظر می باشد، عنصر سرب ( نسبت 24 درصد اثر قطعهای نسبی) در کلاس همبستگی قوی قرار گرفت.

cd2 cu2 ni2

pb2

شکل 3. تغييرنماي همه جهته فلزات روي،کادميوم، مس، سرب و نيکل

Fig 3. Variogram of Zn, Cd, Cu, Pb and Ni metals

جدول 6. ویژگیهاي مدل تغییرنماي برازش یافته برای عناصر سنگین

Table 6. The parameters for fitted variogram model for heavy metals

عنصر	الگو تغییرنما	اثر قطعهاي (C0) C0	حد آستانه (Sill) (Sill)	(C0/C0+C)	دامنه تأثير	معمولي Ordinary			سادهSimple
Element	الگو تغییرنما	اثر قطعهاي (C0) C0	حد آستانه (Sill) (Sill)	(C0/C0+C)	(m)A	MEE	RMSE	R2	MEE	RMSE	R2
روي Zn	کروي	7/29	4/12	4/2	12900	091/0	10/7	4/0	02/0-	22/6	01/0
کادميوم Cd	کروي	11/0	069/0	6/1	9600	01/0-	4/0	2/0	03/0	38/0	03/0
مس Cu	کروي	8/10	2/8	32/1	4500	23/0-	5/5	33/0	87/4-	44/4	03/0
سرب Pb	کروي	8/28	120	24/0	2354	20/0-	62/10	3/0	04/0-	18/10	01/0
نيکل Ni	کروي	2/75	5/71	05/1	17200	04/0-	9/11	3/0	05/0-	28/12	2/0

خصوصيات بيضي ناهمسانگردي براي عنصر نيکل در جدول 7 نشان داده‌شده است. نسبت ناهمسانگردي شاخصي است براي بيان شدت ناهمسانگردي و هرچه از واحد بيشتر باشد، نشان از ناهمسانگردي بالاي آن متغير دارد. امتداد ناهمسانگردي و جهت جغرافيايي آن نشان‌دهنده جهت روند و عامل ایجادکننده ناهمسانگردي است. عنصر نيکل در جهت شمال شرقي به جنوب غربي داراي ناهمسانگردي هست.

جدول 7. خصوصيات بيضي ناهمسانگردي عنصر نيکل، در منطقه مورد مطالعه

Table 7. Charactrisitcs of anisotropy elliptical for nikle element in the study area

متغییر

امتداد (درجه)

Extension

شعاع بزرگ (m)

Large radius

شعاع کوچک (m)

Small radius

جهت جغرافيايي

Geographical direcation

نسبت ناهمسانگردي

Anisotropy ratio

Ni نيکل

19200

14086

NE-SW

36/1

پهنهبندی عناصر سنگین با کمک درونیابی: در اين مطالعه کريجينگ به شکل بلوکي براي متغير‌هاي موردبررسی، استفاده شد. در حالت تخمين بلوکي، يک بلوک به‌وسیله تخمين تعداد زيادي نقطه و سپس محاسبه انتگرال آن‌ها شبيه‌سازي مي‌شود. در ادامه با استفاده از اطلاعات حاصل از محاسبات نيمهتغییرنما، کريجينگ معمولي به شکل بلوکي براي عناصر مورد مطالعه، انجام گرفت. ترسیم نقشهها در محیط ArcGIS انجام شد. شکل 4، پهنهبندی حاصله برای 5 عنصر مورد مطالعه را نشان میدهد. نقشه پراکنش مکاني عنصر کادميوم که از کريجينگ بلوکي حاصل‌شده، نشان مي‌دهد که، بيشترين غلظت‌هاي عنصر کادميم در جنوب نقشه و با توجه به تصاوير ماهوارهاي منطقه (لندست 8)، پشت منطقه پتروشيمي شازند به سمت شهر شازند است. اين مناطق مساحت بيشتري از اراضي کشاورزي را شامل مي‌شود. همچنين مناطق شهري شهرستان شازند و اراضي کشاورزي نزديک به منطقه صنعتي شازند نيز حاوي غلظت بالاي کادميم مي‌باشند. لذا از نظر سلامتي مي‌توان گفت در مرز هشدار قرار دارند. در شکل 4 مشاهده مي‌شود، که نقاطي با کاربري کشاورزي غلظت مس بيشتري را نسبت به مرتع دارا هستند. بیشترین پراکنش غلظت مس در غرب و جنوب غربی منطقه مشاهده شد. نقشه پهنهبندی روی، بیشترین میزان غلظت را در جنوب شرق، شمال غرب و غرب منطقه نمایش داده است. پراکنش غلظت بالای روی در مساحت بیشتری از نقشه به چشم میخورد (شکل 4). همان‌طور که در شکل 4 مشاهده مي‌شود، پراکنش نقاط در منطقه نشان ميدهد که منطقه صنعتي شازند بيشترين درصد غلظت سرب را در بردارند. شهرک صنعتی شازند در مرکز نقشه بیشترین غلظت سرب را نمایش داد.

$C:\Users\PadidarNB\Desktop\Zarei.1\image\نقشه کریجینگ\Cd.jpg$

$C:\Users\PadidarNB\Desktop\Zarei.1\image\نقشه کریجینگ\Ni.jpg$

شکل 4. نقشه پراکنش مکاني عناصر سنگين (mg kg-1) حاصل از کريجينگ معمولي در منطقه مورد مطالعه

Fig 4. Spatial distribution maps of heavy metals obtained from ordinary Kriging in the study area

جدول 8، نتايج مقايسه تخمين‌هاي حاصل از کريجينگ سرب با داده‌هاي واقعي را بعنوان نمونه نشان مي‌دهد. ضريب پيرسون محاسبه‌شده بين مقدار واقعي داده‌ها و مقدار تخميني در کريجينگ برابر 3/0 و در سطح 05/0 معني‌دار هست. در تخمين غلظت سرب کل، کريجينگ اثر پيرايشي داشته و انحراف معيار مقادير تخميني 54/5 را نسبت به مقدار واقعي کاهش نشان مي‌دهد.

جدول 8. تخمينهاي حاصل از کريجينگ سرب با دادههاي واقعي

Table 8. Estimates of lead kriging with real data

کريجينگ بلوکي	دادههاي استفاده شده در تخمين		معيار
76	76		تعداد Value
002/31	20/31			ميانگين Mean
280/5	8/10		انحراف معيار Standard deviation
93/30	4/29		ميانه middle
99/18	9/13	حداقل Min.
23/60	8/77	Max. حداکثر
20/0-	-	ميانگين خطا Error Mean
62/10	-	مجموعه مربعات ميانگين خطا EMSS
*3/0		ضريب همبستگي Correlation Coefficient

بيشترين غلظت نيکل را شهر شازند (جنوب شرق) و شمال غرب منطقه در برداشته‌اند (شکل 4). جدول 9 نتايج مقايسه تخمين‌هاي حاصل از کريجينگ بلوکی نيکل با داده‌هاي واقعي را نشان مي‌دهد. ضريب پيرسون محاسبه شده بين مقدار واقعي داده‌ها و مقدار تخميني در کريجينگ برابر 32/0 و در سطح 01/0 معني‌دار شد. در تخمين غلظت نيکل نیز، کريجينگ اثر پيرايشي داشته و انحراف معيار مقادير تخميني 7/2 نسبت به مقدار واقعي کاهش نشان داد. همچنين مقدار حداکثر تخمين به‌اندازه 16/8 واحد و مقدار حداقل تخمين به‌اندازه 07/0 واحد نسبت به داده‌هاي واقعي تفاوت دارد.

جدول 9. تخمينهاي حاصل از کريجينگ نيکل با دادههاي واقعي

Table 9. Estimates of Nikle kriging with real data

کريجينگ بلوکي	دادههاي استفاده‌شده در تخمين			معيار
76	76		تعداد Value
318/59	36/59	ميانگين Mean
712/8	40/11	انحراف معيار Standard deviation
039/58	06/58	Middleميانه
587/40	65/40	حداقل Min.
506/78	69/86	Max. حداکثر
04/0-	-	ميانگين خطا Error Mean
91/11	-	مجموعه مربعات ميانگين خطا EMSS
**32/0		ضريب همبستگي پيرسون Correlation Coffiecient

نقشههاي واريانس تخمين کريجينگ بلوکي متغيرهاي مورد بررسی ترسیم شدند و پهنهبندی حاصل نشان داد که حاشيه نقشهها داراي واريانس تخمين بيشتري نسبت به ساير نواحي ميباشند. علت اين امر عدم وجود نمونه در اين قسمت‌ها هست. علاوه بر اين در حاشيه‌ها تنها نقاط موجود در یک‌طرف نمونه در تخمين آن به کار مي‌روند. لذا تخمين اريب مي‌شود و خطاي تخمين بالا مي‌رود.

بحث و نتیجهگیری

نتایج بدست آمده از تقارن تغییرنماهای سطحي متغيرهاي روي، کادميم، مس و سرب در منطقه نشانگر توزیع همسانگرد آنها بوده و بيانگر اين واقعيت است که تغييرپذيري اين متغيرها در جهات مختلف يکسان است. اما تغییرنمای عنصر نیکل دارای توزیع ناهمسانگردی بوده و لذا برای تعیین درجه و جهت ناهمسانگردی در چهار جهت تغییرنمای آن ترسیم شد. تغییرنماهای جهتي ترسیم‌شده براي نيکل در امتداد‌هاي مختلف نشان داد که منطقه مورد مطالعه براي اين متغير داراي ناهمسانگردي هندسي بوده و نسبت ناهمسانگردي براي نيکل کل برابر 36/1 هست. تقيپور و همکاران (27) در بررسي‌هاي خود در مورد خاک‌هاي همدان پي بردند که توزيع متغيرهاي سرب کل و قابل‌جذب و روي کل در منطقه داراي همسانگردي و توزيع مس کل، نيکل کل و قابل‌جذب داراي توزيع ناهمسانگردی بوده و نسبت ناهمسانگردي را به ترتيب 8/4، 8/5 و 1/5 عنوان کردند. نتایج مطالعه حاضر گویای آن است که دادههای نیمهتغییرنمای عناصر نامبرده با مدل کروی برازش بهتری دارند (10، 17، 22، 24، 30 و 32). بيشترين دامنه تأثير 17200 متر و کمترين آن 2354 متر به ترتيب مربوط به عنصر نيکل و سرب بدست آمد. دامنه تأثير فاصلهاي است که در ماوراي آن نمونهها بر هم تأثيري نداشته و آنها را ميتوان مستقل از يکديگر محسوب نمود. چنين فاصلهاي حد همبستگي خصوصيت موردنظر را مشخص ساخته و اطلاعاتي را در رابطه با فاصله مجاز نمونهبرداري نيز ارائه ميکند. نسبت اثر قطعهای بدست آمده نشان داد که عناصر مس، کادمیم، روی و نیکل دارای نسبت بالاتر از 75/0 میباشند، لذا دارای همبستگی مکانی ضعیف هستند. و عنصر سرب با داشتن نسبت اثر قطعهای به حد آستانه کمتر از 25/0 دارای همبستگی قوی است. لذا این نسبت میتواند بیان کند که فاکتورهای بیرونی مانند فعالیت شرکت پتروشیمی و عوامل حمل و نقل بر روی این همبستگی موثر هستند (11). يانگ و همکاران (30) براي متغيرهاي مس و سرب دامنه تأثير به ترتيب 37/7 و 42/3 کيلومتر را گزارش نمودند. هاني و همکاران (11)، نشان دادند که مدل کروی برای عنصر آهن، مدل گوسی برای منگنز و برای کادمیم مدل نمائی برازش بهتری دارد. آنان گزارش دادند که برای تمام عناصر مطالعه شده بجز منگنز، دامنه تاثیر کمتر از یک کیلومتر بوده، بطوری که همبستگی مکانی قوی برای عناصر مشاهده نکردند و همبستگی مکانی را متوسط بدست آورند. گو و همکاران (10) مدل نمائی را برای عنصر نیکل و آرسنیک با همبستگی بالاتر از 8/0، و برای عناصر مس، سرب، کادمیم، روی و کروم با همبستگی بالاتر از 5/0 در اراضی کشاورزی، گزارش کردند، ایشان دامنه تاثیر را از 8400 تا 77100 متر و همبستگی مکانی متوسطی برای آرسنیک، کروم، مس و نیکل محاسبه کردند. لینیک و همکاران (16) نیز نسبت همبستگی مکانی را برای عناصر روی، مس، سرب و کادمیوم بین 31 تا 38 درصد گزارش دادند، ایشان جهت پهنهبندی عناصر، از کریجینگ معمولی استفاده کردند. با توجه به نتایج حاصله از تغییرنمای عناصر سنگین، شاخص همبستگی و خطای محاسبه شده مشخص شد که کریجینگ معمولی دارای عملکرد بهتری برای تخمین عناصر موردنظر هست (3، 16، 18 و 21). لذا نقشه پراکنش مکانی عناصر سنگین با استفاده از مدل کروی و درونیابی معمولی ترسیم شد. این نتایج با نتایج بسیاری از محققان در زمینه بهترین مدل و روش درونیابی مطابقت داشت (10، 11، 16، 30 و 32). نتايج پراکنش مکاني واريانس تخمين در مورد عناصر نشان داد که حاشيه‌هاي نقشه‌هاي ایجادشده، داراي واريانس تخمين بالاتري است و مي‌توان نتيجه گرفت که نوع و تعداد نمونه‌برداري در ايجاد نقشه‌هاي توزيع مکاني نقش مهمي دارند. لذا توصيه ميگردد در انجام تحقيقات بعدی نمونه‌برداري با تعداد بسيار بالاتر و با پراکنش اصولی بهتری همراه باشد. تقيپور و همکاران (27) نقشه‌هاي واريانس تخمين کريجينگ بلوکي براي متغير‌هاي سرب، نيکل، مس و روي را انجام دادند و اظهار داشتند که حاشيه نقشه و قسمت‌هايي از منطقه به علت وجود رخنمون سنگي و عدم وجود نمونه‌برداري داراي واريانس تخمين بالايي است.

نتایج همبستگی بین ویژگیهای خاک با عناصر سنگین نشان داد که اسیدیته، آهک و میزان ظرفیت تبادل کاتیونی، با اینکه در برخی موارد همبستگی معنیداری نشان ندادند، اما همبستگی منفی و مثبتی دارند که در پراکنش عناصر موثرند. بطوری که با افزایش اسیدیته خاک میزان قابلیت دسترسی عناصر سنگین کاهش (12) و با افزایش ظرفیت تبادل کاتیونی میزان این قابلیت بیشتر خواهد بود. مقايسه ميانگين غلظت کادميم در کاربري کشاورزي و مرتع نشان داد که کاربري کشاورزي غلظت کادميم بيشتري را داراست. بر اساس حد استاندارد تعیین‌شده براي عنصر کادميم توسط مؤسسه تحقيقات ملي و فن‌آوري آمريکا، که 38/0 میلیگرم بر کیلوگرم هست، آلودگي به عنصر کادميم در منطقه مطالعاتي بسيار بالاست. براساس نقشه کريجينگ بلوکي بدست آمده در مناطق کشاورزی نيز، مي‌توان گفت فعاليت‌هاي انساني باعث افزايش غلظت کادميم در منطقه مي‌باشند (10). افزوده شدن کادميم به خاك در اثر کاربرد کودها (22)، قارچ‌کش‌ها و ساير حاصلخیز کننده‌ها را مي‌توان از مهم‌ترين عوامل غلظت بالاي آن در مناطق با کاربري کشاورزي به شمار آورد (2 و 12). کودهاي فسفره یکی از مهم‌ترین کودهاي شيميايي هستند که در زمين‌هاي کشاورزي به ميزان قابل‌توجهی مصرف مي‌شوند (اداره کل منابع طبيعي و آبخيزداري استان مرکزي). هو و همکاران (12) در مطالعه خود نشان دادند که بیشترین آلودگی کادمیم و آرسنیک در اراضی کشاورزی تحت تاثیر کودهای شیمیائی مانند فسفاتها میباشند. کودهاي دامي نيز حاوي مقادير کمي کادميم بوده و مصرف بیش ‌از حد آنها منجر به انباشت اين فلز در خاک مي‌شود (23). نتایج سایر تحقیقات در گذشته بر روی پراکنش کادمیم در مناطق آلوده شده مشابه این تحقیق بوده است (2، 10، 12، 23، 24 و31). مقايسه ميانگين غلظت مس در کاربري کشاورزي و مرتع نشان داد که کاربري کشاورزي غلظت مس بيشتري را دارا است. ميانگين غلظت مس کل در منطقه مطالعاتي 11/23 ميلي‌گرم بر کیلوگرم بود. فعاليتهاي انساني به‌خصوص فعاليتهاي ناشي از عملیات کشاورزي مانند مبارزه با آفات و بيماريها و استفاده از سموم شيميايي (منابع طبيعي و آبخيزداري استان مرکزي) باعث افزايش غلظت مس کل در کاربري کشاورزي شده است. علاوه بر این، نقشه پهنهبندی فلز مس حاصل از کریجینگ بلوکی، افزايش غلظت اين عنصر را در غرب، جنوب غربي و جنوب شرقي منطقه، نشان داد که مي‌توان علت آن را وجود مواد مادري شيل با غلظت بالاي مس نیز دانست (6، 20 و 22). ازنظر زمين‌شناسي واحد شيل و ماسه‌سنگ ژوراسيک حدود 7/63 درصد، در منطقه گسترش دارند (اداره کل منابع طبيعي و آبخيزداري استان مرکزي)، که میتواند بعنوان یکی از پارامترهای افزایش میزان مس در منطقه باشد (5، 20، 24 و 27). فاروغ اکبر و همکاران (9) در بررسي خاك‌هاي اطراف جاده‌ها در انگلستان، دامنه غلظت مس کل را بین 5/15 تا 240 ميلي‌گرم بر کيلوگرم با ميانگين 3/87 ميلي‌گرم بر کيلوگرم گزارش کردند. بنابراين محدوده مس کل در بيشتر قسمت‌هاي منطقه مطالعاتي در دامنه طبيعي قرار دارد، و در مرز هشدار نیست. مقايسه ميانگين غلظت نيکل در دو کاربري کشاورزي و مرتع نشان داد که غلظت اين عنصر در کاربري کشاورزي بيشتر از مرتع است. میکو و همکاران (19) ميانگين غلظت نيکل کل را در اسپانيا 9/20 ميلي‌گرم بر کيلوگرم با حداکثر غلظت 32 و حداقل 4/11ميلي‌گرم بر کيلوگرم گزارش کردند. بیشترین مقدار نیکل با توجه به نقشه پهنهبندی در جنوبشرق و شمال غرب منطقه مشاهده شد. فعاليت‌هاي انساني بر غلظت نيکل در منطقه مطالعاتي تأثير داشته است (24). هرچند عوامل دیگری ازجمله سنگ مادر (10، 24 و 31) نیز میتواند در این زمینه اثرگذار باشد، اما در مرز هشدار قرار نگرفت. مقايسه ميانگين برای غلظت روي در کاربري مرتع و کشاورزي در منطقه نشان داد که اراضي مرتع از غلظت روي بالاتري نسبت به اراضي کشاورزي برخوردار هستند. فعاليت‌هاي صنعتي، ترافيک و آلودگي ناشي از عبور وسايل نقليه در جاده‌ها از عوامل افزايش روي در منطقه هستند (10 ، 14 و 24). طبق تحقیقات، دامنه تغييرات روي کل در خاك 10 تا 300 ميلي‌گرم بر کيلوگرم گزارش شده است (1). بنابراين محدوده روي کل در خاكهاي منطقه مطالعاتي در دامنه طبيعي قرار دارد. اما مقايسه نتايج با برخی تحقيقات داخلی نشان داد که ميانگين غلظت روي کل در شازند، نسبت به قم و اصفهان (2) بيشتر است. مطالعات شيراني (22) نشان داد که غلظت روي در منطقه مشهد- چناران دارای تفاوت معني‌داري بين کاربري شهري با کاربری کشاورزي و باير است، درحالی‌که تفاوت معنيداري بین کاربري کشاورزي و باير مشاهده نشد. نتایج همبستگی بین عناصر سنگین بیان‌کننده ارتباط مثبت و معني‌داري بین عنصر نيکل با مس (01/0>p) و روي (01/0>p) است. همچنين مس همبستگي مثبت و معني‌داري با روی نشان داد (2 و 26). با توجه به همبستگی بین عناصر سنگین نیکل، مس و روی، مي‌توان بيان نمود که منشاء سه عنصر در منطقه مطالعاتي يکسان بوده است (2 و 26). سان و همکاران (26) در بررسي توزيع مکاني فلزات سنگين در خاک‌هاي اطراف معادن مس استان ژيجيانگ چين نشان دادند که ارتباط متقابل بسيار قوي بين فلزات روي-مس، مس-نيکل، مس- سرب، روي-نيکل، روي-سرب و نيکل-سرب وجود دارد. آن‌ها فعاليت‌هاي انساني معدن‌کاوي واقع در منطقه مورد مطالعه را منبع مشترک کنترل‌کننده اين عناصر بيان کردند. مقايسه ميانگين غلظت سرب کل در کاربري کشاورزي و مرتع نیز نشان داد که کاربري مرتع داراي ميزان سرب بالاتري نسبت به کاربري کشاورزي است. بر اساس حد استاندارد تعیین‌شده براي عنصر سرب توسط مؤسسه تحقيقات ملي و فن‌آوري آمريکا، و حدود استاندارد داخلی (2 و 22) آلودگي به عنصر سرب در منطقه مطالعاتي وجود دارد. با توجه به نقشه کريجينگ بلوکی حاصله، محدوده‌هايي از شمال، مرکز و غرب منطقه داراي غلظت سرب بيشتري هست. همبستگی مکانی (نسبت اثر قطعهای کمتر از 25 درصد) قوی بدست آمده برای این عنصر نیز نشان دهنده فاکتور بیرونی (فعالیت صنعتی از جمله مجتمع پتروشیمی شازند و حمل و نقل جادهای) موثر در این همبستگی میباشد (2، 7 ، 11، 24 و 28). دنکوب (7) ميانگين غلظت سرب کل در منطقه اصفهان را 3/139 ميلي‌گرم بر کيلوگرم گزارش کرد و بيان نمود که1/84 درصد از نمونه‌هاي مورد مطالعه غلظتي بيشتر از حداکثر غلظت قابل‌قبول سرب، را دارند و عامل اصلی را فعالیت صنعتی برشمردند. سودانگو و همکاران (24) نیز فعالیتهای شدید انسانی را در مرکز شهر فوجوی چین عامل فلزات سنگین سرب، و روی دانستند.

با توجه به نتایج بیان شده بین دو کاربری کشاورزی و مرتع، میتوان گفت نوع کاربری در پراکنش عناصر سنگین موثر بوده است. متکان و همکاران (18) نشان دادند که کاربري تأثير مهمي بر کادميم کل دارد. به‌گونه‌ای که در کاربري شهري و صنعتي، ميانگين اين فلز را به‌گونه‌ای چشم‌گير بيشتر از ساير کاربري‌ها نشان دادند. همچنین اميني و همکاران (2) در مطالعات خود نشان دادند که غلظت کادميم کل در کاربری شهري نسبت به مناطق با کاربري کشاورزي و باير بيشتر است. در مطالعاتی در منطقه فوجوی چین نیز نشان داده شد که 34 درصد از تغییرپذیری کادمیم تحت اثر نوع کاربری و زمینشناسی منطقه است، بگونهای که کاربری کشاورزی، جنگل و سپس کاربری شهر بالاترین میزان کادمیم و برعکس سرب بیشترین غلظت را در کاربری شهر، جنگل و سپس کشاورزی نشان داد (24). با توجه به تمامی نتایج، میتوان گفت در کنار نوع کاربری (24 و 27)، زمینشناسی و نوع مواد مادری (16 و31)، فعالیتهای انسانی شامل فعالیتهای کشاورزی (24 و31) و فعالیتهای صنعتی (16 و 31) نقش مهمی را در پراکنش مکانی فلزات سنگین در منطقه داشته است. با توجه به پهنهبندیهای صورت گرفته و دادههای آماری بدست آمده میتوان نتیجه گرفت که، آلودگی عناصر مس، روی و نیکل به طور جدی در منطقه مشاهده نشده است. اما افزایش آلودگی عنصر کادمیم در کاربری کشاورزی با منشاء فعالیتهای کشاورزی (31) و مواد مادری (16 و 31) و افزایش آلودگی فلز سرب در کاربری مرتع، تحت تاثیر فعالیتهای صنعتی و حمل و نقل جادهای (14، 28 و 31) بودهاند. بدلیل عدم نمونهبرداری کافی در حاشیه منطقه و صرف هزینه بالا جهت روش زمینآمار، میتوان از روشهای کریجینگ و سنجش از دور بطور تلفیقی استفاده نمود تا هم هزینه کاهش یابد و هم دقت عمل لازم با دادههای واقعی منطقه، وجود داشته باشد. با توجه به بالا بودن غلظت کادميم نسبت به حد استاندارد در برخي نقاط منطقه بخصوص اراضی زارعی نزديک به منطقه صنعتی شازند، به نظر مي‌رسد که منطقه پتانسيل لازم جهت پيشروي به سمت آلودگي بيشتری را دارد، لذا توصيه می‌شود جهت کاهش حد کادميم در کاربري زراعي که به‌طور غيرمستقيم در سلامت انسان اثرگذار است، اقدامات مديريتي لازم صورت بگيرد. به‌گونه‌ای که استفاده از قارچ‌کش‌ها، علف‌کش‌ها و کودهای شيميائی تا حد امکان با اصول صحيح زیست‌محیطی استفاده ‌شده يا محدودتر شوند و از اصلاح کنندههای مانند بیوچار و آهک جهت کاهش قابلیت دسترسی عناصر سنگین استفاده شود. اراضی کشاورزی نزديک به منطقه صنعتی پتروشیمی شازند بيشترين خطر آلودگی سرب و کادميم را برای سلامتی بههمراه داشته و لذا بايستی راهکارهاي مناسب جهت کنترل آلودگي در اين مناطق و ممانعت از پيشرفت آن اتخاذ شود.

تقدیر و تشکر

اين مقاله حاصل پاياننامهی با عنوان مطالعه توزيع برخی عناصر سنگين در اراضي شازند با استفاده از GIS، در مقطع كارشناسي ارشد است و با حمايت مالی دانشگاه ملایر اجرا شده است. که بدین وسیله از آن دانشگاه قدردانی میشود.

منابع

1. Agarwal SK. 2009. Heavy Metal Pollution. APH Publishing Corp, New Delhi.

2. Amini M, Khademi H, Afyuni M, Abbaspour KC. 2005. Variability of available cadmium in relation to soil properties and landuse in an arid region in central Iran. Water Air Soil Pollution, 162: 205- 218. doi:https://doi.org/10.1007/s11270-005-6273-4.

3. Bagheri R, Erfanifard SY. 2020. Spatial distribution of persian Oak decline using a combination of geostatistical techniques and remote sensing (Case study: Barm plain, Fars province). Journal of RS and GIS for Natural Resources, 11(1): 104-120. (In Persian).

4. Banaei MH. 1998. Soil moisture and temperature regimes map of Iran. Soil and Water Research institute of Iran. http://www.swri.ir/en-US/DouranPortal/1/page/Home.

5. Chen TB, Zheng YM, Lei M, Huang ZC, Wu HT. 2005. Assessment of heavy metal pollution in surface soils of urban parks in Beijing, China. Chemosphere, 60(4): 542–551.doi:https://doi.10.1016/j.chemosphere.2004.12.072.

6. Chen T, Liu X, Zhu M, Zhao K, Wu J, Xu J, Huang P. 2008. Identification of trace element sources and associated risk assessment in vegetable soils of the urban-rural transitional area of Hangzhou, China. Environment Pollution, 151: 67-78. doi:https://doi: 10.1016/j.envpol.2007.03.004.

7. Dankoub Z, Ayoubi S, Khademi H, Lu SG. 2012. Spatial distribution of magnetic properties and selected heavy metals in calcareous soils as affected by land use in the Isfahan region, central Iran. Pedosphere, 22: 33-47. doi: https://doi.org/10.1016/S1002-0160(11)60189-6.

8. Diawara M, Litt JS, Unis D, Alfonso N, Martinez L, Crock JG, Smith DB, Carsella J. 2006. Arsenic, Cadmium, lead, and mercury in surface soils, Pueblo, Colorado: implications for population health risk. Environment Geochemistry Health, 28: 297-315. doi:https://doi.10.1007/s10653-005-9000-6.

9. Farooq Akbar K, Hale WHG, Headley AD, Athar M. 2006. Heavy metal contamination of road side soils of northern England. Soil Water Research, 1: 158-163. doi:https://doi.10.17221/6517-SWR.

10. Guo W, Wu T, Jiang G, Pu L, Zhang J, Xu F, Yu H, Xie X. 2021. Spatial distribution, environmental risk and safe utilization zoning of soil heavy metals in farmland, subtropical China. Land, 10: 569. doi:https://doi.org/10.3390/land10060569.

11. Hani A, Sinae N, Gholami A. 2014. Spatial variability of heavy metals in the soil of Ahwaz using geostatistical methods. Internation Journal of Environment Science and Development, 5(3): 294-298. doi:https://doi.10.7763/IJESD.2014.V5.495.

12. Hu Sh, Chen X, Jing F, Liu W, Wen X. 2020. An assessment of spatial distribution and source identification of five toxic heavy metals in Nanjing, China. Environment Engineering Research, 26(3): 200135. doi: https://doi.org/10.4491/eer.2020.135.

13. Kabata-Pendias A, Pendias H. 2001. Trace elements in soils and plants. Third Ed. CRC Press, Boca raton: London. 413 Pages. http://base.dnsgb.com.ua.

14. Li F, Fan Z, Xiao P, Oh K, Ma X, Hou W. 2009. Contamination, chemical speciation and vertical distribution of heavy metals in soils of an old and large industrial zone in northeast China. Environment Geology, 57:1815-1823. doi:https://doi.10.1007/s00254-008-1469-8.

15. Li J, He M, Ha W, Gu Y. 2009. Analysis and assessment on heavy metal sources in the coastal soils developed from alluvial deposits using multivariate statistical methods. Journal Hazardous Materials, 164: 976–981. doi: https://doi.org/10.1016/j.jhazmat.2008.08.112.

16. Linnik VG, Bauer TV, Minkina TM, Mandzhieva SS, Mazarji M. 2022. Spatial distribution of heavy metals in soils of the flood plain of the Seversky Donets River (Russia) based on geostatistical methods. Environmental Geochemistry and Health, 44: 319–333. doi:https://doi.org/10.1007/s10653-020-00688-y.

17. Mahmoudabadi E, Karimi Karouyeh A. 2015. Mapping of calcium carbonate equivalent and clay content of surface soil using geostatistical methods (Case study: Chitgar park, Tehran). Journal of RS and GIS for Natural Resources, 6(3): 73-85. (In Persian).

18. Matkan AA, Kazemi A, Gilly MR, Ashourloo D. 2009. Using RS and GIS for considering cadmium distribution and polluted vegetation in Esfahan province. Environmental Sciences, 6(2): 65-77. https://envs.sbu.ac.ir/article_95511.html. (In Persian).

19. Mico C, Recatala L, Peri, M, Sanchez J. 2006. Assessing heavy metal sources in agricultural soils of an European Mediterranean area by multivariate analysis. Chemosphere, 65: 863-872. doi:https://doi.10.1016/j.chemosphere.2006.03.016.

20. Rodriguez Martin JA, Lopez Aria M, Grau Corbi JM. 2006. Heavy metal contents in agricultural topsoils in the Ebro basin (Spain). Application of the multivariate geostatistical methods to study spatial variations. Environment Pollutation, 144: 1001–1012. doi:https://doi.org/10.1016/j.envpol.2006.01.045.

21. Sharma R, Sood K. 2020. Characterization of spatial variability of soil parameters in Apple orchards of Himalayan region using geostatistical analysis. Communications in Soil Science and Plant Analysis, (8):1065–1077. doi: https://doi.org/10.1080/00103624.2020.1744637.

22. Shirani M. 2007. Spatial variability of Pb, Cd, Ni and Zn in some agricultur and urban soils around Mashhad-Chenara high way. MSc thesis of Soil Science, Ferdosi Uneversity,Mashhad, Iran. (In Persian).

23. Singh BR, Steinnes E. 1994. Soil and water contamination by heavy metals. p. 233-271. In Lai R, Stewart BA (Eds), Soil Processes and Water Quality. Lewis Pub: London.

24. Sodango TH, Li X, Sh J, Shang J, Bao Z. 2021. Sources, spatial distribution and extent of heavy metals in relation to land use, lithology and landform in Fuzhou city, China. Minerals, 11: 1325. doi:https://doi.org/10.3390/min11121325.

25. Sposito G, Lund LJ, Chang AC. 1982. Trace metal chemistry in arid zone field soils amended with sewage sludge: I. Fractionation of Ni, Cu, Zn, Cd and Pb in solid phases. Soil Science Society American Journal, 46: 260-264. doi:https://doi.org/10.2136/sssaj1982.03615995004600020009x.

26. Sun H, Li J, Mao X. 2012. Heavy metals spatial distribution characteristics in a copper mining area of Zhejiang Province. Journal Geogr Inf System, 4: 46-54. doi:https://doi. 10.4236/jgis.2012.41007.

27. Taghipour M, Ayoubi Sh, Khademi H. 2011. Contribution of lithologic and anthropogenic factors to surface soils heavy metals in western Iran using multivariate geostatistical analysis. Soil and Sediment Contamination, 20: 921-937. doi:https://doi.org/10.1080/15320383.2011.620045.

28. Viard B, Pihan F, Protneyrat S, Pihan JC. 2004. Integrated assessment of heavy metal (Pb, Zn, Cd) highway pollution: bioaccumulation in soil, Graminacea and lands nails. Chemosphere, 55: 1349-1359. doi:https://doi.10.1016/j.chemosphere.2004.01.003.

29. Wang J, Re H, Zhang X. 2006. Distribution patterns of lead in urban soil and dust in Shenyang city, northeast China. Environmental Geochemistry and health, 28: 53-59. doi:https://doi.10.1007/s10653-005-9011-3.

30. Yang P, Mao R, Sha H, Gao Y. 2009. An investigation on the distribution of eight hazardous heavy metals in the suburban farmland of China. Journal of Hazardous Materials, 15(67): 1246-1251. doi:https://doi.10.1016/j.jhazmat.2009.01.127.

31. Yang Z, Jing F, Chen X, Liu W, Liu B, Lin G, Huang R, Liu W. 2018. Spatial distribution and sources of seven available heavy metals in the paddy soil of red region in Hunan Province of China. Environmental Monitoring and Assessment, 190: 611. doi: https://doi.org/10.1007/s10661-018-6995-6.

32. Zhao K, Fu W, Ye Z, Zhang C. 2015. Contamination and spatial variation of heavy metals in the soil-rice system in Nanxun County, Southeastern China. International Journal of Environmental Research and Public Health, 12: 1577-1594. doi:https://doi.org/10.3390/ijerph120201577.

Spatial distribution of some heavy metals in agriculture and rangeland uses (A case study: Shahzand industrial city, Arak)

Abstract

Key Word: Pollutant, Geostatistics, Lead, Cadmium, Kriging

توزیع مکاني برخي عناصر سنگين در کاربريهای کشاورزي و مرتع (مطالعه موردي: شهر صنعتي شازند اراک)

چکیده مبسوط

طرح مسئله: خاک محيط طبيعي براي رشد گياهان است و به دليل اهميت آن، بررسي توزيع عناصر سنگين جهت پايش آلودگي خاک و حفظ کيفيت محيط زيست ضروري است. به دلیل وسعت مناطق آلوده و در نتیجه مشکلات جمع‌آوری نمونه‌های خاک، استفاده از روش‌های زمین آمار بسیار مفید می‌باشد. کریجینگ یکی از روش‌های زمینآمار است که برای تعیین توزیع مکانی فلزات سنگین خاک دارای پتانسیل بالایی است. درکنار زمین آمار، پراکنش مکانی آلودگی فلزات سنگین را می‌توان براساس تکنولوژی سیستم اطلاعات جغرافیایی (GIS) به نمایش گذاشت. با توجه به میزان افزایش آلایندهها در اطراف مراکز صنعتی و گسترش آنها به سمت اراضی کشاورزی و مراتع، سعی شد منطقهی انتخاب گردد که در کنار صنعتی بودن، کاربری اثرگذار در جامعه حیوانی و انسانی نیز مورد توجه باشد.

هدف: لذا اين مطالعه با هدف بررسي توزيع مکاني برخي فلزات سنگين در خاک‌هاي سطحي بخشي از شهرستان شازند صورت گرفت. تا بتوان به کمک آن منابع آلوده‌کننده خاک را پیش‌بینی نمود.

روش تحقیق: منطقه شازند از نظر کاربری شامل بخش کشاورزی (آبی و دیم)، مرتع، شهرک صنعتی شازند و مناطق شهری است. 76 نمونه خاک‌هاي سطحي از عمق 30-0 سانتي‌متري از منطقه مطالعاتي به صورت تصادفي جمع‌آوري شد. پس از آماده‌سازي نمونه‌ها برخي خصوصيات فيزيکي و شيميائي خاک‌ها و مقدار کل عناصر سرب، کادميم، نيکل، روي و مس در آنها تعيين شد. به منظور توصیف نتایج آزمایشات و به‌دست آوردن خلاصه‌ای از اطلاعات آماری از نرم‌افزار Spss.19استفاده گردید. ناهمسانگردي داده‌ها توسط تغيير‌نماي سطحي بررسي و پس از تعيين درجه ناهمسانگردي، تغيير‌نماي همه جهته براي عناصر مورد مطالعه، ترسيم شد. پس از تعيين بهترين مدل، نقشه درونیابی با کمک کريجينگ و نقشه واريانس تخمين، توسط نرم افزار ArcGIS براي هر عنصر ترسيم شد.

نتایج و بحث: ميانگين غلظت سرب، روي، مس، کادميم و نيکل به ترتيب برابر 20/31، 12/54، 11/23، 05/2 و 36/59 ميلي‌گرم بر کيلوگرم محاسبه شد. عنصر نیکل همبستگي معنيدار با pH، CEC، درصد سیلت و شن (05/0>p)، و عنصر مس همبستگي معنیدار با آهک، و عنصر روی همبستگي معنیدار با CEC، کربن آلی، آهک، درصد سیلت و شن نشان دادند. عنصر سرب فقط همبستگي منفی معنیدار با pH (01/0>p) داشت. همبستگي مثبت و معني‌داري بين عناصر نيکل با مس (01/0>p، 41/0 r‌‌=) و روي (01/0>p، 5/0 r=) مشخص شد. همچنين همبستگي مثبت و معني‌داري بين مقدار مس با روي (01/0>p، 4/0r=) بدست آمد. تغییر‌نماهای سطحی عناصر سنگین مورد بررسی، انجام شد و با توجه به تقارن تغییر‌نما‌های سطحی، توزیع متغیرهای روی، سرب، کادمیم و مس در منطقه همسانگرد بوده و این واقعیت بیانگر این است که تغییرپذیری این متغیر‌ها در جهات مختلف جغرافیایی یکسان است. برای عنصر نیکل با توزیع ناهمسانگرد در منطقه، تغییرنمای جهتی (چهار زاویه 0، 45، 90 و 135 درجه) به منظور تعیین جهت و درجه ناهمسانگردی ترسیم گردید. تغییرنما‌های جهتی ترسیم شده برای نیکل، در امتداد‌های مختلف نشان داد که منطقه مورد مطالعه برای این متغیر دارای ناهمسانگردی هندسی بوده و نسبت ناهمسانگردی برای نیکل کل برابر با 36/1 بدست آمد. نتایج تغییرنمای عناصر سنگین نشان داد که از بین دو روش کریجینگ معمولی و ساده، روش کریجینگ معمولی عملکرد بهتری با توجه به شاخصهای ارزیابی خطا و ضریب همبستگی (r2) بین متغیرهای اندازهگیری شده و تخمین زده شده، ارائه کرده است. نتايج تجزيه‌هاي زمين‌آماري نشان داد که مدل کروي بهترين مدل برازش داده شده براي غلظت عناصر مورد مطالعه است. بيشترين دامنه تأثیر 17200 متر و کمترين آن 2354 متر، به ترتيب مربوط به عنصر نیکل و سرب بوده است. همبستگی مکانی قوی (نسبت اثر قطعهای به حد استاندارد کمتر از 25/0) برای عنصر سرب بدست آمد. مقایسه میانگین غلظت کادمیم کل در کاربری کشاورزی و مرتع نشان داد که کاربری کشاورزی غلظت کادمیم بیشتری را دارا است. براساس حد استاندارد تعیین شده برای عنصر کادمیم توسط مؤسسه تحقیقات ملی و فن‌آوری آمریکا، که 38/0 میلیگرم بر کیلوگرم می‌باشد، آلودگی به عنصر کادمیم در منطقه مطالعاتی بسیار بالاست. نقشه پراکنش مکانی عنصر کادمیوم که از کریجینگ بلوکی حاصل شده، نشان داد که بیشترین غلظت‌های عنصر کادمیم در جنوب نقشه و پشت منطقه پتروشیمی شازند به سمت شهر شازند است و از نظر سلامتی می‌توان گفت در مرز هشدار قرار دارند. مقایسه میانگین غلظت مس کل در کاربری کشاورزی و مرتع نشان داد که کاربری کشاورزی غلظت مس بیشتری را داراست. نتایج حاکی از افزایش غلظت عنصر مس در غرب، جنوبغربی و جنوب شرقی منطقه است، که می‌توان وجود مواد مادری شیل با غلظت بالای مس را از عوامل افزایش این عنصر دانست. مقایسه میانگین غلظت نیکل در دو کاربری کشاورزی و مرتع نشان داد که غلظت این عنصر در کاربری کشاورزی بیشتر از مرتع است. علاوه براین نتایج حاکی از افزایش غلظت این عنصر در شمال غرب و جنوب شرقی منطقه بود. که علت آن‌را می‌توان وجود مواد مادری شیل با غلظت بالای نیکل دانست. مقایسه میانگین غلظت روی در کاربری مرتع و کشاورزی در منطقه مطالعاتی نشان داد که اراضی مرتع از غلظت روی بالاتری نسبت به اراضی کشاورزی برخوردار هستند. مقایسه نقشه حاصله از تغییرات غلظت روی در منطقه نشان داد که مناطق نزدیک به نیروگاه پتروشیمی شازند و حاشیه‌های اطراف، غلظت روی بالاتری دارند. با توجه به نقشه کریجینگ بلوکی محدوده‌هایی از شمال، جنوب و مرکز منطقه دارای غلظت سرب بیشتری بودند که فعالیت‌های صنعتی پتروشیمی و عبور وسایل نقلیه را می‌توان از علل افزایش غلظت این عنصر در منطقه دانست. نقشههای واریانس تخمین کریجینگ بلوکی متغیرهای مورد بررسی، نشان دادند که حاشیه نقشهها دارای واریانس تخمین بیشتری نسبت به سایر نواحی میباشند. علت این امر عدم وجود نمونهبرداری در این قسمت‌ها است.

نتیجهگیری: نتایج حاکی از آن است که کاربری کشاورزی حاوی غلظت بالای فلزات مس، کادمیم و نیکل و کاربری مرتع بیشترین غلظت روی و سرب را بهمراه داشت. براساس حد استاندارد مؤسسه تحقيقات ملي و فن‌آوري آمريکا، سرب و کادميم بيشترين آلودگي را در منطقه دارند. با توجه به نتایج پهنهبندی، عمده آلودگی کادمیم در منطقه را فعالیتهای کشاورزی در بردارد. در حالیکه منبع اصلی سرب با توجه به همبستگی مکانی قوی آن را میتوان به فعالیتهای صنعتی (پتروشیمی شازند) و حمل و نقل جادهای نسبت داد. با توجه به بالا بودن غلظت کادمیم نسبت به حد استاندارد در برخی نقاط منطقه، به نظر می‌رسد که منطقه مطالعاتی دارای پتانسیل لازم جهت پیشروی به سمت آلودگی و بروز علائم آلودگی را دارد. لذا لازم است اقدامات مدیریتی جهت جلوگیری از بروز حوادث مخرب زیست‌محیطی انجام پذیرد. توصيه میشود جهت افزايش کيفيت خاک و کاهش دادن تخريب آن از آلاينده ها، عمليات حفاطتی مناسب بکار برده شود.

واژگان کلیدی: آلاينده، زمينآمار، سرب، کادميم، کريجينگ

Spatial distribution of some heavy metals in two agriculture and rangeland uses (A case study: Shahzand industrial city, Arak)

Abstract

Statement of the Problem: Soil is a natural environment for plant growth and due to its importance, the study of heavy metals distribution for soil contamination monitoring and environmental quality maintaining is necessary. Due to the extent of the polluted regions and thereby the problems related to the soil sample collection, the use of geostatistical methods is very useful. Kriging is one of the geostatistical methods that has a high potential for determining the spatial distribution of soil heavy metals. Also, the spatial distribution of heavy metals pollution can be plotted based on Geographic Information System (GIS) technology, as well as geostatistics. Due to the increase in pollutants around industrial centers and their spread to agricultural lands and pastures, an attempt was made to select an industrial region, that has an effective on animal and human society.

Purpose: This investigation was performed to study the spatial variability of some heavy metals in some surface soils of the Shazand city for better predition of the sources of soil contamination.

Methodology: The main land uses of Shazand region is the agricultural (irrigated and rainfed), rangeland, industrial and urban areas. A total of 76 surface soil samples were randomly collected from a depth of 0-30 cm in the study area. After preparation of the samples, some physico-chemical characteristics and the total amounts, lead (Pb), cadmium (Cd), nickel (Ni), zinc (Zn) and copper (Cu) were measured. Spss.19 software was used for analysis of data and mean comparison. The anisotropy of the data was investigated by a surface variable; after determining the degree of anisotropy, a directional variance was plotted for the studied elements. After determining the best model, kriging interpolation map and estimation variance map were drawn by ArcGIS software for each element.

Results and discussion: Mean concentrations of Pb, Cd, Ni, Zn and Cu were 31.20, 54.12, 23.11, 2.05 and 59.36 mgkg-1 , respectively. Nickel content had a significant correlation with pH, CEC, silt and sand content (p <0.05), Cu content had a significant correlation with lime content, and Zn content had a significant correlations with CEC, organic carbon, lime, silt and sand content. Lead had a negative significant correlation with pH (p <0.01). Significant correlations were found between Ni and Cu (r= 0.41, p<0.01), and Zn (r= 0.5, p<0.01). Also, a significant correlation was observed between Cu and Zn (r= 0.4, p<0.01). Spatial variablity of the studied heavy metals were performed and due to the symmetry of the spatial variables, the distribution of Zn, Pb, Cd and Cu in the region was isotropic and this indicates that the variability of these elments is similar in the different geographical directions. For Ni with anisotropic distribution in the region, a directional variance (four angles of 0, 45, 90 and 135 degrees) was drawn to determine the direction and degree of anisotropy. The directional variables plotted for Ni in different lengths showed that the study area has a geometric anisotropy for this variable and the anisotropy ratio for total Ni was 1.36. The results of heavy metals variation showed that between ordinary and simple kriging methods, the conventional kriging method has performed better with respect to the error evaluation indices and the cofficient of correlation (r2) between the measured and estimated variables. The results of statistical analysis showed that the spherical model is the best fitted model for the concentration of the studied elements. The highest and lowest impact range were 17200 and 2354m that related to Ni and Pb, respectively. Strong spatial dependence (the ratio of nugget to sill less than 0.25) was obtained for the lead element. The comparison of total Cd concentration in the agricultural and rangeland showed that the agricultural lands have a higher Cd concentration. Cadmium contamination was very high in the study area (is 0.38 mg kg-1) according to the standard range for Cd by the National Institute of Research and Technology. The spatial distribution map of Cd by blocky kriging showed that the highest concentrations of Cd were in the south of the region and behind Shazand Petrochemical area towards Shazand city with high risk. The comparison of Cu concentration in agricultural and rangeland showed that the agricultural land had a higher Cu concentration. The results indicated an increase in the Cu concentration in the west, southwest and southeast of the region, which can be attributed to the presence of shale parent materials with high Cu content. Comparison of the Ni concentration in agricultural and rangelands showed that the Ni concentration in the agricultural lands were higher than rangelands. In addition, the results indicated an increase in the concentration of this element in the northwest and southeast of the region, which can be attributed to the presence of shale parent materials with high Ni content. The comparison of the Zn concentration in rangeland and agricultural lands in the study area showed that rangelands had a higher Zn concentrations than agricultural lands. Results showed that the areas close to Shazand Petrochemical Power and the surrounding margins had the highest Zn concentration. According to the blocky kriging map, areas from the north, south and west of the region had the highest Pb concentrations due to the industrial activities, vehicle traffic and human activities. Blocky kriging estimation variance maps of the studied variables showed that the margins of the region had a higher estimation variance than other areas may be to the lack of samples in these areas.

Conclusions: The results show that agricultural use containing high concentrations of Cu, Cd and Ni and rangeland use had the highest concentrations of Zn and Pb. According to the American National Institutes of Science and Technology (NST), Pb and Cd have the highest pollution risk in the study area. According to the zoning results, the main Cd contamination in the region is agricultural activities, while the main source of Pb due to its strong spatial dependance can be attributed to industrial activities (Shazand Petrochemical) and road transport. Due to the high concentration of Cd compared to the standard in some parts of the region, it seems that the study area has the potential to progress to the polluted class and the appearance of pollution symptoms. Therefore, it is necessary to manage the pollution resources to prevent the occurrence of destructive environmental hazard. It is recommended to apply sufficient protection against pollution for improving soil quality and reducing the soil degradation.

Keywords: Pollutant, Geostatistics, Lead, Cadmium, Kriging

پیوندهای سایت

مراکز مرتبط

پشتیبانی

صفحات رسمی

اشتراک گذاری

آدرس مقاله

توزیع مکانی برخی فلزات سنگین در کاربری‌های کشاورزی و مرتع (مطالعه موردی: شهر صنعتی شازند اراک)

سکوی نشر دانش