ک روش زمین آماری جدید و مشترک برای شناسایی منابع و هسته‌های عناصر سمی بالقوه در خاک‌ها : کاربردی در منطقه کانتابریا (‏شمال اسپانیا)

توزیع عناصر سمی بالقوه یک نگرانی عمده در علوم زیست‌محیطی است زیرا قرار گرفتن در معرض غلظت‌های بالا ممکن است بر سلامت انسان، حیوان و یا گیاه تاثیر بگذارد. در این راستا، خاک‌ها به شدت در معرض ورود عناصر خطرناک به خاطر آلودگی منتشر شده قرار دارند. بنابراین منجر به افزایش مناطقی می‌شود که در آن‌ها غلظت آلاینده‌های خاص ممکن است مورد توجه قرار گیرد. با این حال، بسیاری از این غنی شدگی ها به دلیل عوامل ژئوژنیک به ویژه در مناطق دارای میراث معدنی تاریخی وجود دارد. در اینجا یک روش نوآورانه و هم افزایی پیشنهاد شده‌است که استفاده از داده‌های خام، عوامل غنی‌سازی و داده‌های ترکیبی را از طریق روش‌های آماری و زمین آماری (‏کریجینگ معمولی) ‏برای شناسایی عناصر مورد نظر و خوشه‌های که در آن هر آلاینده ممکن است به تنهایی خطرناک باشد، ترکیب می‌کند. این روش به طور موفقیت‌آمیز در این تحقیق برای خاک‌های منطقه کانتابریا به کار گرفته شد که در آن غلظت‌های بالایی از As، Cd، Cu، Hg، Ni، Pb، Sb و Zn یافت شد و به طور خاص غنی شدگی قابل‌توجهی برای Hg، Pb و Zn در نواحی با فعالیت شدید انسانی آشکار شد.

Highlights•Soil is an environmental compartment severely exposed to diffuse pollution.•Geostatistical methods to detect clusters and origins of pollutants are proposed.•Analysis uses raw concentration data, enrichment factors and compositional data.•Methodology was applied to address soil pollution in Cantabria (N Spain).•As, Cd, Cu, Hg, Ni, Pb, Sb and Zn were thoroughly studied.AbstractThe distribution of Potentially Toxic Elements is a major concern in environmental science since an exposure to high concentrations may affect human, animal or plant health. In this regard, soils are highly exposed to the entrance of hazardous elements due to diffuse pollution. Thus giving rise to areas where the concentrations of certain pollutants may be concerning. However, many of these enrichments exist due to geogenic factors, especially in regions with historical mining legacy. Here it is proposed an innovative and synergistic methodology that combines the use of raw data, enrichment factors and