در این مطالعه، تجزیه و تحلیل نمونه خاک توسط مرکز نظارت و بازرسی منابع معدنی چنگدو وزارت زمین و منابع انجام شد. واحد تجزیه و تحلیل کاملاً به “استاندارد فنی بررسی زمین شناسی سازمان زمین شناسی چین (DD2005-01~DD2005-03)” که توسط سازمان زمین شناسی چین در اکتبر ۲۰۰۵ منتشر شد پایبند است و کیفیت تجزیه و تحلیل نمونه های مختلف را با استفاده از نمونه های استاندارد به شدت نظارت می کند. ، بازرسی های آزمایشگاهی داخلی، بازرسی های رمزنگاری، و بازرسی های نمونه برداری خارجی. مرکز تشخیص، مقدار کامل عناصر نمونه خاک را انتخاب کرد. نمونه پس از دریافت توسط مرکز تشخیص، خشک‌کردن در هوا و حذف شن و بقایای گیاهی، به دو قسمت تقسیم شد. یک قسمت را با ملات عقیق آسیاب کرده و از الک خاکی به قطر ۲ میلیمتر عبور داده و سپس همه را از الک ۱۰۰ مش آسیاب می کنند. روش های مختلف آنالیز طیف سنجی برای تعیین غلظت عنصر سمی نمونه ها استفاده شد. روش‌های آنالیز طیف‌سنجی، تجهیزات تحلیلی و محدودیت‌های تشخیص روش (MDL) هر عنصر سمی اندازه‌گیری شد در میز ۱. استانداردهای انتخاب روش‌های تعیین بر اساس موارد زیر است: “خاک و رسوب – تعیین جیوه، آرسنیک، سلنیوم، بیسموت، آنتیموان – انحلال مایکروویو / طیف‌سنجی فلورسانس اتمی (HJ-680 2013)” منتشر شده توسط وزارت حفاظت محیط‌زیست (چین) در ۲۱ نوامبر ۲۰۱۳، برای تعیین As و Hg با استفاده از AFS. “خاک و رسوب – تعیین عنصر معدنی – طیف سنجی فلورسانس پراکنده اشعه ایکس با طول موج (HJ-780 2013)” منتشر شده توسط وزارت حفاظت از محیط زیست (چین) در ۲۱ نوامبر ۲۰۱۳، برای تعیین منگنز و سرب با استفاده از XRF. و “خاک و رسوب-تعیین عصاره های آبی رژیا از ۱۲ عنصر فلزی- طیف سنجی جرمی پلاسما جفت شده القایی (HJ-803 2016)” منتشر شده توسط وزارت حفاظت محیط زیست (چین) در ۲۴ ژوئن ۲۰۱۶، برای تعیین سی دی و مو با استفاده از ICP- ام‌اس. بخش دیگری از نمونه برای تعیین pH بود و از نور مستقیم خورشید، اسید، قلیایی، گازهای دیگر و گرد و غبار جلوگیری شد. در همان زمان، قطعه یدکی دیگری از نمونه به روش ربع بندی استخراج شد، بقایای غیر از خاک حذف شد و از صفحه آزمایش با دیافراگم ۰٫۸۴ میلی متر برای فیلتر استفاده شد. برای تعیین مقدار pH از پتانسیومتری استفاده شد.

ضریب تغییرات (CV) شاخصی است که درجه پراکندگی یک عامل واحد را در توزیع فضایی ارزیابی می کند. [۲۸,۲۹]. هرچه CV بالاتر باشد، تداخل فعالیت های انسانی قوی تر یا درجه آلودگی بیشتر است [۳۰,۳۱,۳۲,۳۳]. ضریب تغییرات را می توان به تغییرات ضعیف (CV < 15٪)، تغییرات متوسط ​​(15٪ ≤ CV ≤ 36٪) و تغییرات قوی (CV > 36٪) طبقه بندی کرد. [۳۴].

کریجینگ، که به طور گسترده در زمین آمار استفاده می شود، معمول ترین روش درونیابی است [۳۵]. این یک روش تخمین بی طرفانه و بهینه برای متغیرهای منطقه ای شده در یک منطقه محدود است که بر اساس تئوری واریوگرام و تحلیل ساختاری است. [۳۶,۳۷]. مزایای اصلی آن نه تنها نتایج پیش‌بینی‌کننده، بلکه تخمین خطا و همبستگی مکانی ویژگی‌های خاک، درون یابی از نقاط شناخته شده تا تخمینی را نیز شامل می‌شود. ویژگی های همبستگی ذاتی عالی و دقت را نشان می دهد که برای ارزیابی عدم قطعیت نتایج پیش بینی مفید است. [۳۵,۳۷]. در این مطالعه از کریجینگ معمولی (OK) استفاده شد.

وزن دهی معکوس فاصله (IDW) یک روش درونیابی مربوط به فاصله مکانی است [۲۲]. بر اساس اصل شباهت عمل می‌کند که هر چه دو شیء به هم نزدیک‌تر باشند، احتمالاً شبیه‌تر می‌شوند. برعکس، هر چه فاصله بین آنها بیشتر باشد، شباهت کمتری دارند. IDW از فاصله بین نقطه درون یابی و نقطه نمونه به عنوان وزن استفاده می کند و وزن بیشتری را به نقاط نمونه نزدیکتر به نقطه درونیابی اختصاص می دهد. [۱۶].

روش تابع پایه شعاعی (RBF) یک مدل تابع تغییرات است. مجموعه ای از ضرایب وزن گره ها را محاسبه می کند که باید توسط تابع پایه تخمین زده شوند و ضریب هموارسازی در تابع پایه را برای کنترل صافی سطح درون یابی و دقت تخمین تنظیم می کند تا به درون یابی صاف دست یابد. این روش برای درونیابی سطوح با تغییرات سطحی ملایم که مستعد تأثیر مقادیر حداکثر و حداقل است مناسب است و می تواند مقادیر نقاط مجهول را بالاتر یا پایین تر از نقاط نمونه را پیش بینی کند. [۳۵].

برای مقایسه روش های درونیابی، حداقل کردن خطای داده های اصلی ضروری است و یک استراتژی موثر برای کاهش خطا، بهینه سازی پارامترها در طول فرآیند درونیابی برای نتایج بهینه است. [۳۸]. تجزیه و تحلیل نتایج درونیابی برای عناصر مختلف سمی با پارامترهای مختلف در ArcGIS نشان می‌دهد که استفاده از ترکیبی از پارامترها که کمترین عدم دقت را به همراه دارد، سودمند است. با تنظیم دامنه هر عنصر سمی در فرآیند درونیابی برای اطمینان از اینکه به اندازه کافی بزرگ است و با حفظ ضریب قطعه (C_o/(C_o + ج)) درون یابی کوچک می تواند به دامنه خود همبستگی فضایی گسترده تر و خودهمبستگی فضایی قوی تر دست یابد، در نتیجه دقت را افزایش می دهد. [۳۹].

در اعتبارسنجی متقاطع، انجام تحلیل رگرسیون خطی به دستیابی به هدف الگوریتم برای پیش‌بینی ارزش میانگین بی‌طرفانه کمک می‌کند. مقادیر اندازه‌گیری شده نقاط نمونه‌گیری به‌عنوان متغیرهای مستقل و مقادیر پیش‌بینی‌شده اعتبارسنجی متقاطع به‌عنوان متغیرهای وابسته استفاده شد. قبل از تقاطع مدل خطی و خط مستقیم ۱:۱، مقدار پیش بینی شده بزرگتر از مقدار اندازه گیری شده است، در حالی که نتیجه پس از تقاطع مخالف است. [۴۰,۴۱].

شاخص‌های ارزیابی متداول برای اعتبارسنجی متقابل عبارتند از RMSE (ریشه میانگین مربعات خطا) و من (خطای متوسط) از جمله. RMSE به عنوان معیاری برای ارزیابی دقت پیش بینی ها عمل می کند. کوچکتر RMSE مقدار نشان دهنده سطح بالاتری از دقت در درونیابی است. ME معیار دقت پیش بینی است. من به عنوان معیاری برای ارزیابی بی طرفی پیش بینی ها عمل می کند، با مقادیر نزدیک به ۰ که نشان دهنده درجه بالاتری از بی طرفی در درونیابی است. [۳۹]. عبارات آنها به شرح زیر است:

جایی که $V_{\mathrm{من}}$ خطای بین مقدار اندازه گیری شده و مقدار پیش بینی شده است.

IP (Imprecision) تغییر خطای پیش بینی است. هر چه کوچکتر باشد IP است، هر چه نتیجه درونیابی دقیق تر باشد [۳۰]. بیان آن به شرح زیر است:

RI (شاخص خطر بالقوه اکولوژیکی) به طور گسترده ای برای ارزیابی میزان آلودگی عناصر سمی خاک استفاده می شود. ضریب سمیت عناصر سمی را معرفی می کند، اکولوژی محیطی را با اثرات سمی عناصر سمی پیوند می دهد و عوامل مختلفی را برای تجزیه و تحلیل در نظر می گیرد. [۳۱]. بیان آن به شرح زیر است:

جایی که ${\mathrm{سی}}_f^{\mathrm{من}}$ هست من– ضریب غنی‌سازی عنصر سمی ${\mathrm{سی}}^{\mathrm{من}}$ هست من– غلظت اندازه گیری شده عنصر سمی. و ${\mathrm{سی}}_n^{\mathrm{من}}$ هست من– استاندارد ارزیابی عنصر سمی که عبارت است از من-مین عنصر سمی ارزش پس زمینه خاک چنگدو. ${\mathrm{تی}}_r^{\mathrm{من}}$ هست من– ضریب سمیت عنصر سمی. ضرایب سمیت (Tr) عناصر مورد بررسی در نشان داده شده است جدول ۲. RI شاخص خطر اکولوژیکی بالقوه محیط چند عنصری در خاک است. $E_r^{\mathrm{من}}$ هست من– شاخص خطر بالقوه اکولوژیکی عنصر سمی [۴۲,۴۳].

شاخص خطر زیست محیطی بالقوه $E_r^{\mathrm{من}}$، RI طبقه بندی و درجه آلودگی مربوط به آن در نشان داده شده است جدول ۳.

تحلیل عاملی ماتریس مثبت (PMF) روشی برای تجزیه و تحلیل کمی عوامل چند متغیره منابع آلودگی با استفاده از ترکیب نمونه یا اثر انگشت از طریق روش ریاضی مدل گیرنده است. [۴۵]. اصل عملکرد مدل PMF به شرح زیر است:

جایی که من تعداد نمونه است؛ j تعداد عناصر است؛ ${\mathrm{ایکس}}_{\mathrm{من}j}$ هست jغلظت عنصر سمی در من-امین نمونه؛ $g_{\mathrm{من}ک}$ سهم نسبی منبع است ک برای نمونه من; $f_{ک\mathrm{من}}$ محتوای عنصر j در منبع است. و ${ه}_{\mathrm{من}j}$ ماتریس باقی مانده است.

ماتریس های بهینه G و F با تجزیه ماتریس X اصلی مدل PMF به دست می آیند، به طوری که تابع هدف س به حداقل می رسد. محاسبه تابع هدف س به شرح زیر است:

جایی که $U_{\mathrm{من}j}$ عدم قطعیت محتوای آن است jعنصر -ام در من-امین نمونه مدل می تواند هر نقطه داده جداگانه را وزن کند و به هر نقطه داده عدم قطعیت مناسب بدهد. هنگامی که غلظت عنصر کمتر یا برابر با حد تشخیص روش مربوطه (MDL) باشد، عدم قطعیت به عنوان فرمول (۹) محاسبه می شود، در غیر این صورت عدم قطعیت به عنوان فرمول (۱۰) محاسبه می شود.

جایی که $د$ انحراف استاندارد نسبی است. و $\partial$ غلظت عناصر شیمیایی است [۴۶]. حد تشخیص روش (MDL) عناصر عنصر سمی درگیر در این مطالعه در نشان داده شده است میز ۱.