Distribution characteristics and health risk assessment of polycyclic aromatic hydrocarbons in cucurbitacae vegetables
-
摘要:目的
探讨多环芳烃(PAHs)在瓜类蔬菜体内的分布特征和积累规律,并对南宁市不同年龄不同性别人群摄食每种瓜类蔬菜果实的健康风险进行评估。
方法采集黄瓜Cucumis sativus、苦瓜Momordica charantia、丝瓜Luffa cylindrical和节瓜Benincasa hispida var. chieh-qua根系各30株和果实各20个,并分别称取茎1 kg、叶片1 kg和叶柄1 kg,用超声波提取、固相萃取对蔬菜进行前处理,用高效液相色谱法检测各部位中16种PAHs含量。
结果16种PAHs在4种瓜类蔬菜中均有检出,PAHs的总质量分数为88.44~1 229.85 μg·kg–1,其中各环数PAHs含量顺序为5环>6环>2环>4环>3环。南宁市不同人群食用瓜类果实引起的致癌风险值在1.48×10–6~7.84×10–5范围内,仅摄入可食用部分引起的致癌风险值在2.23×10–7~3.35×10–6范围内。
结论比较同种瓜类不同部位,4种瓜皆是叶片PAHs含量最高,黄瓜果瓤含量最低,苦瓜和丝瓜果肉含量最低,节瓜叶柄含量最低;比较4种瓜类叶片,节瓜叶片PAHs含量最高,苦瓜叶片含量最低。在目前蔬菜消费量下,南宁市民摄食瓜类蔬菜果实存在潜在致癌风险。
Abstract:ObjectiveTo explore the distribution characteristics and accumulation rules of polycyclic aromatic hydrocarbons (PAHs) in cucurbitacae vegetables, and evaluate the health risks of each cucurbitacae vegetable to people in different age groups and genders in Nanning.
MethodThe samples of Cucumis sativus, Momordica charantia, Luffa cylindrical and Benincasa hispida var. chieh-qua were collected. For each type of vegetable, we collected roots of 30 plants, 1 kg stems, 1 kg leaves, 1 kg petioles and 20 fruits. The vegetables were pretreated by ultrasonic extraction and solid phase extraction. The contents of 16 different PAHs in different parts of vegetables were detected by high performance liquid chromatography (HPLC).
ResultSixteen types of PAHs were all detected in four kinds of cucurbitacae vegetables, the contents of total PAHs ranged from 88.44 to 1 229.85 μg.kg–1. The order of detected PAHs amounts in cucurbitacae vegetables was 5-ring PAHs > 6-ring PAHs > 2-ring PAHs > 4-ring PAHs > 3-ring PAHs. The cancer risk levels of diverse population groups in Nanning by ingesting fruit from cucurbitacae vegetables were in the range of 1.48×10 –6 and 7.87×10–5. The cancer risk levels caused by ingesting only edible portions were in the range of 2.23×10–7 and 3.35×10–6.
ConclusionComparing different organs of the same cucurbitacae vegetables, leaves had the highest PAH contents for all four vegetables, C. sativus pulp had the lowest PAHs content, M. charantia and L. cylindrical flesh had the lowest PAHs contents, B. hispida var. chieh-qua petious had the lowest PAHs content. Comparing leaves of different cucurbitacae vegetables, PAHs content was the highest in B. hispida var. chieh-qua while the lowest in M. charantia. Under the current consumption amount of vegetables, potential carcinogenic risks exist for Nanning residents by ingesting fruits of cucurbitacae vegetables.
-
Keywords:
- cucurbitacae vegetable /
- PAHs /
- distribution characteristic /
- risk assessment /
- HPLC
-
沙糖橘是我国岭南地区的重要水果,需要优质的种植地和高质量的栽培管理保证产量和口感。为了确保当地农村的支柱产业有效平稳地发展,需要对沙糖橘的果树长势进行监测。提取果园中的沙糖橘果树对分析植被分布影响因素和评价果树生长环境有重要意义。
无人机作业灵活,作业效率高,影像分辨率高,与传统卫星遥感影像和人工地面采集数字影像方法形成互补趋势,在各领域的遥感监测中发挥重要作用[1-4]。国内外学者基于无人机遥感影像技术和植被指数模型对植被信息的提取进行了大量研究。Xu等[5]利用无人机平台收集农田的可见光遥感图像,监测和提取耕地的可见光植被指数获取其面积、形状和地理位置信息;Choi等[6]运用固定翼无人机获取多光谱图像,建立沙丘的植被指数模型,对沙丘的部分植被覆盖进行估算;Zhang等[7]统计分析得到9种可见光植被指数与玉米、棉花、甘蔗和水稻4种植被覆盖度之间的关系,发现每种作物对应的最佳植被指数不一定相同,对应的植被覆盖度模型准确度也不相同;高永平等[8]通过无人机获取荒漠区的可见光图像,建立植被指数与植被覆盖度的关系模型,成功以高精度提取荒漠区中的植被。
上述研究的共同点是通过无人机遥感获取可见光图像,利用一种或几种可见光植被指数提取植被信息。遥感图像不仅包含光谱特征,还具有空间特征和纹理特征。本研究运用无人机影像,结合空间特征中的高度模型与6种可见光植被指数模型,对沙糖橘果树的提取精度进行对比分析,以期获得一种简单、方便、有效的沙糖橘植被提取方法,扩大无人机遥感技术在果园中的应用,为我国果园果树的监测提供参考。
1. 材料与方法
1.1 无人机影像数据的获取
研究地点位于广东省肇庆市四会市果园(23°36′N,112°68′E),亚热带季风气候,雨热充足,适合沙糖橘的生长。试验地概况如图1所示。
试验采集平台为深圳大疆精灵4无人机,配备6.17 mm×4.55 mm的2 000万像素CMOS传感器,无需在特定的场地起飞与降落,可在空中长时间悬停,配备的RTK和六向视觉传感器使飞行更加安全稳定。试验数据采集于2020年6月2日,如图2所示,飞行高度为100 m,巡航速度为20 km/h,飞行航线的旁向和航向重叠度均为80%,单次采集320张RGB图像,图像分辨率为5 472像素×3 648像素,地面分辨率为3.66 cm。通过Pix4DMapper软件对图像进行拼接,获得试验地的正射图像和数字表面模型(Digital surface model),如图3所示。
1.2 果树植被覆盖度的提取方法
1.2.1 植被指数的选取
遥感领域中使用大量的植被指数评价植被覆盖度及生长情况,但目前基于可见光波段的植被指数相对较少。本研究参考目前研究相对较多且精度较高的可见光植被指数,选取了6种植被指数:超红指数(Excess red index)[9]、超绿指数(Excess green index)[10]、超蓝指数(Excess blue index)[11]、可见光波段差异植被指数(Visible band differential vegetation index)[5]、红绿比指数(Red-green ratio index)[12]、蓝绿比指数(Blue-green ratio index)[13]。这6种植被指数的计算公式和理论区间如表1所示。
表 1 可见光植被指数Table 1. Vegetation indexes based on visible spectrum植被指数 Vegetation index 表达式1) Equation 理论区间 Theory interval 超红指数 Excess red index $1.4R - G$ [−255, 357] 超绿指数 Excess green index $2G - R - B$ [−255, 510] 超蓝指数 Excess blue index $1.4B - G$ [−255, 357] 可见光波段差异植被指数 Visible band differential vegetation index $\dfrac{ {2G - R - B} }{ {2G + R + B} }$ [−1, 1] 红绿比指数 Red-green ratio index $\dfrac{R}{G}$ [−1, 1] 蓝绿比指数 Blue-green ratio index $\dfrac{B}{G}$ [−1, 1] 1) R:红光波段,G:绿光波段,B:蓝光波段
1) R: Red light wave band, G: Green light wave band, B: Blue light wave band1.2.2 阈值的确定和植被信息的提取
基于无人机遥感图像的植被提取的关键在于选取合适的阈值区分植被和非植被,本研究选取双峰阈值法提取沙糖橘果树和非果树。双峰阈值法通常是选取2种地物,生成具有2个明显波峰的直方图。这2个波峰分别对应所选对象较多数目的像元,波峰之间的波谷则对应所选对象边缘相对较少数目的像元,一般选择两峰之间的最低点或者交点作为最佳阈值[14-15],示意图如图4所示。果树与非果树的直方图具有明显的双峰性质,因此该方法可以呈现较好的分割效果。
利用遥感信息提取植被的方法中,面向对象的分类技术是将集合临近像元作为对象,识别感兴趣的光谱元素来提高分类结果的精度或者实现矢量输出,此法充分利用多光谱数据的空间、纹理和光谱信息进行分割和分类[16]。本研究通过基于规则的面向对象分类方法,根据其空间特征和光谱特征对对象进行分类,克服像元层次分类中的不足,具有良好的平滑性和较高的分类精度[17]。采用此分类方法从光谱和形状2个方面刻画果树和非果树像元,通过ENVI软件设定、提前统计完成的阈值规则,对上述6种植被指数模型进行果树与非果树的分类,能够有效地提供对象的几何和拓扑信息,更精准地提取出果树。
1.2.3 数字表面模型中的植被信息提取
可见光植被指数主要反映植被在可见光下反射与土壤背景之间的差异,在一定条件下可定量说明植被的生长情况。但是仅根据植被的光谱特性对植被进行提取,很难有效地解决同谱异物与同物异谱的问题,从而造成错分漏分且分类精度低。数字表面模型包含了地表果树和非果树等高度的地面高程模型,涵盖了除去地面以外的其他地表信息的高程,可以最真实地表达果园地面的起伏情况,如图5所示。数字表面模型有益于区分果园中果树和草地这2类色调相类似的地物。
本文拟将6种可见光植被指数计算结果图像与数字表面模型进行融合,加入果树与非果树的高程信息,使用基于规则的面向对象分类方法进行果树的提取,并将得到的分类精度与使用单一可见光植被指数的植被提取精度进行对比。
1.2.4 植被信息提取结果的评价方法
目前较为常用的植被提取评价方法是通过人机交互的方式,利用感兴趣区域把试验地块分为植被像元和非植被像元,结合地面调查数据和图像真实状态进行目视解译。此法受人力物力等条件的限制,不适合作为复杂大区域下的植被指数覆盖度提取精度评价。本研究使用混淆矩阵进行准确性评价,该矩阵是评估分类模型精度的一种可视化显示工具,通过目视判读的方法在遥感图像上各选取60个果树与非果树区域作为验证样本,样本的采样遵循随机原则,确保选择每个单个样本的概率完全相同。将每个实测像元的位置和分类与图像中相应的位置和分类相比较获得分类精度,并根据以下公式计算Kappa系数(K)。
$${p_{_0}} = \frac{{{a_{11}} + {a_{22}} + {a_{33}} + \cdots + {a_{nn}}}}{N},$$ (1) $$ {p_{\rm{e}}} = \frac{{{a_1}{b_1} + {a_2}{b_2} + {a_3}{b_3} + \cdots + {a_n}{b_n}}}{{N^2}}, $$ (2) $$ K = \frac{{{p_{_0}} - {p_{\rm{e}}}}}{{1 - {p_{\rm{e}}}}}, $$ (3) 式中,
${p_{_0}} $ 是总体分类精度,pe是机遇一致性,n是混淆矩阵方程的阶,N是样本总数,anbn是列(行)中所有值的总和。2. 结果与分析
2.1 可见光植被指数的计算与分析
以无人机采集的遥感影像作为数据源,根据表1的公式分别计算各可见光的植被指数,植被和非植被可以清晰地呈现,计算结果如图6所示。
为了更好地对比这6种可见光植被指数的提取结果,本研究只提取果树,将地物分为果树和非果树,每种地物选取100个感兴趣区域进行统计,并统计特征值。由表2可知,这6种可见光植被指数在植被信息和非植被信息之间差异较大,无重叠交叉部分,对于利用可见光进行植被信息识别具有较好的效果。
表 2 基于感兴趣区域的6种可见光植被指数的统计值Table 2. Statistics of six visible light vegetation indexes based on region of interest植被指数
Vegetation index果树 Fruit tree 非果树 Non fruit tree 平均值
Mean标准差
Standard deviation平均值
Mean标准差
Standard deviation超红指数 Excess red index −27.293 4 11.959 8 46.642 1 30.383 9 超绿指数 Excess green index 115.230 7 25.873 2 9.023 5 18.045 8 超蓝指数 Excess blue index −39.266 7 15.487 6 44.257 4 28.460 9 可见光波段差异植被指数 Visible band differential vegetation index 0.339 2 0.087 9 0.021 8 0.046 3 红绿比指数 Red-green ratio index 0.532 7 0.097 3 0.960 9 0.119 6 蓝绿比指数 Blue-green ratio index 0.466 5 0.104 1 0.960 5 0.130 6 2.2 植被信息提取与精度评价
为获取通过这6种可见光植被指数进行植被信息提取时的阈值,本研究通过ENVI软件统计分析沙糖橘果树与非果树的直方图。本研究试验时天气晴朗,忽略天气因素对图像处理结果的影响。从图7可知,6种可见光植被指数的直方图呈明显的双峰分布,表明相对应的地物区分性较强,适合可见光波段植被信息的提取,并且果树像元与非果树像元的峰值相差较大,在图像中易于选择合适的数值作为分割阈值。
根据确定的阈值,利用基于规则的面向对象分类方法,设定阈值规则,进行植被信息的提取,得到6种可见光植被指数对应的植被分类提取结果。以无人机遥感图像作为数据源,根据目视判读在图像上选取60个果树和60个非果树的验证样本,将分类结果当作真值,分别对这2种地物的分类结果计算混淆矩阵,得到各可见光植被指数的提取精度评价(表3)。6 种可见光植被指数对应的植被分类提取结果如图8所示。从表3和图8可以看出,果树的提取精度均在99%以上,提取精度较好;非果树的提取精度较低,主要原因是非果树区域的草地部分色调与果树相似,易导致将草地分为果树,造成错分现象。
表 3 6种可见光植被指数的植被提取精度评价Table 3. Accuracy assessments of vegetation extraction for six visible light vegetation indexes植被指数
Vegetation index阈值
Threshold精度/% Accuracy Kappa系数(K)
Kappa coefficient果树
Fruit tree非果树
Non fruit tree总体
Total超红指数 Excess red index −1.886 99.78 90.63 95.18 0.903 6 超绿指数 Excess green index 50.000 99.68 87.58 93.60 0.872 0 超蓝指数 Excess blue index −4.675 99.77 94.62 97.18 0.943 6 可见光波段差异植被指数
Visible band differential vegetation index0.133 99.98 88.28 94.10 0.882 0 红绿比指数 Red-green ratio index 0.724 99.84 89.25 94.52 0.890 4 蓝绿比指数 Blue-green ratio index 0.682 99.79 91.40 95.57 0.911 4 2.3 结合数字表面模型的提取与精度评价
基于“2.2”的提取结果和提取精度,非果树区域中的草地部分被错分成了果树,导致非果树的提取精度和总精度降低。在数字表面模型中,沙糖橘果树和其他地物的高度具有较大差异,可以清晰地呈现出不同的亮度值。因此,我们将数字表面模型和上述6种可见光植被指数进行波段融合,提高草地的提取精度和提取结果的总精度。
同样利用基于规则的面向对象分类方法,对融合后的波段进行植被信息的提取,得到结合数字表面模型的6种可见光植被指数对应的植被分类提取结果,如图9所示。依然使用60个果树和60个非果树的验证样本,将分类结果当作真值,分别对这2种地物的分类结果计算混淆矩阵,得到融合波段各植被指数的提取精度评价,结果如表4所示。6种结合后的植被指数混淆矩阵中,总体分类精度分别为98.77%、97.27%、97.44%、97.67%、97.84%和97.84%,相较于对应的未结合数字表面模型的植被指数精度均有小幅度提升;非果树的提取精度分别提高了8.22%、8.77%、0.86%、8.27%、7.97%和5.53%;表明数字表面模型与可见光植被指数图像结合适用于提高非果树的提取精度,有效抑制和果树同为绿色的草地信息,不会过多地造成错分现象。
表 4 6种可见光植被指数融合数字表面模型提取精度评价Table 4. Accuracy assessments of vegetation extraction for six visible vegetation indexes combined with digital surface model植被指数
Vegetation index精度/% Accuracy Kappa系数(K)
Kappa coefficient果树 Fruit tree 非果树 Non fruit tree 总体 Total 超红指数 Excess red index 99.46 98.08 98.77 0.956 7 超绿指数 Excess green index 99.28 95.26 97.27 0.945 4 超蓝指数 Excess blue index 99.45 95.43 97.44 0.948 9 可见光波段差异植被指数
Visible band differential vegetation index99.76 95.58 97.67 0.953 4 红绿比指数 Red-green ratio index 99.31 96.37 97.84 0.956 8 蓝绿比指数 Blue-green ratio index 99.23 96.45 97.84 0.956 8 3. 结论
本研究在现有的可见光植被指数的植被提取基础上,提出了结合数字表面模型中的高程信息进一步提取果树和非果树的方法。在得到可见光植被指数(超红指数、超绿指数、超蓝指数、可见光波段差异植被指数、红绿比指数、蓝绿比指数)的计算图后,分析各植被指数的光谱特征和统计直方图,获得提取植被覆盖度合适的阈值,进行果树信息的提取。数字表面模型与可见光植被指数波段融合后的总体精度均大于97%,且非果树的提取精度均有所提升。超红指数与数字表面模型结合后的总精度最高,为98.77%,Kappa系数为0.956 7,植被信息提取精度不同程度地优于其他5种可见光植被指数与数字表面模型结合后的提取精度。可见光植被指数结合数字表面模型提取植被信息的方法可有效区分与果树色调相类似的地物,提高此类地物的提取精度,减少错分概率。本研究的研究对象为沙糖橘果树和非果树,下一步的研究重点是将此法推广至其他不同作物上,进一步验证其适用性。
-
表 1 不同人群对瓜类蔬菜的摄取量
Table 1 Ingestion amounts of cucurbitacae vegetables for different groups of people
g·d–1 蔬菜种类
Vegetable type蔬菜部位
Vegebable part儿童 Child 青少年 Adolescent 成年人 Adult 老年人 Senior 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 苦瓜
Balsam pear果实 Fruit 2.19 2.07 3.68 3.22 5.52 5.06 5.29 4.60 可食用部位 Edible portion 1.79 1.70 3.02 2.64 4.53 4.15 4.34 3.77 节瓜
Chieh qua果实 Fruit 1.43 1.35 2.40 2.10 3.60 3.30 3.45 3.00 可食用部位 Edible portion 0.97 0.92 1.63 1.43 2.45 2.24 2.35 2.04 丝瓜
Luffa果实 Fruit 0.95 0.90 1.60 1.40 2.40 2.20 2.30 2.00 可食用部位 Edible portion 0.74 1.25 1.25 1.79 1.87 1.72 1.79 1.56 表 2 不同人群对黄瓜的摄取量
Table 2 Ingestion amounts of Cucumis sativus for different groups of people
g·d–1 黄瓜部位
Cucumber part儿童 Child 青少年 Adolescent 成年人 Adult 老年人 Senior 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 果实 Fruit 3.99 3.78 6.72 5.88 10.08 9.24 9.66 8.40 果肉和果瓤 Flesh and pulp 3.47 3.29 5.12 2.64 8.77 8.04 8.44 7.31 果肉 Flesh 2.63 2.49 4.44 3.88 6.65 6.10 6.38 5.54 表 3 黄瓜各部位中多环芳烃含量1)
Table 3 PAHs contents in various parts of Cucumis sativus
苯环数
Benzene ringsPAHs w/(μg·kg–1) 根
Root茎
Stem叶
Leaf叶柄
Petious果皮
Peel果肉
Flesh果瓤
Pulp2 Nap 42.61±2.02b 30.63±2.04c 128.74±4.68a 21.19±2.32d 18.14±10.47e — — Acy 39.13±0.38b 28.24±5.06c 109.42±11.01a 18.86±0.21d 17.83±1.01d 1.89±0.30e — Ace 96.83b±7.23b 72.42±10.28c 218.33±27.48a 47.31±1.76d 40.54±3.15d 14.18±0.24e 12.07±1.76e Flu 32.23±13.48b 18.02±17.11c 63.65±1.05a 12.94±2.67c 10.56±0.94c 7.56±0.07c 12.30±0.50c 合计 Total 210.80±24.08b 149.31±22.69bc 520.14±31.55a 100.30±4.07cd 87.07±5.10cd 23.64±3.01d 24.37±2.12d 3 Phe 20.26±1.56a 13.94±0.45b 13.32±1.77b 8.74±1.17c 7.55±1.86c 19.37±3.87 6.05±2.76 Ant — — — — — — — Fla 32.05±0.76a 23.08±0.98ab 43.39±8.58a 13.93±1.33b 8.66±7.51b 13.55±3.65b 8.01±1.70b 合计 Total 52.31±2.15a 37.02±1.16b 56.71±10.36a 22.67±2.39cd 16.21±9.35d 32.92±7.51bc 14.06±4.39d 4 Pyr 47.36±4.66a 31.36±4.56ab 27.35±15.9ab 13.92±10.24b 3.60±1.67b 40.17±12.24a 27.56±11.89ab BaA 22.63±4.61ab 23.14±18.56a 12.55±23.8abc 3.54±6.13abc — 6.34±3.07abc 2.88±3.65bc Chr 2.02±3.49b — 8.79±1.50a — — 3.66±0.27ab 3.61±1.14ab 合计 Total 72.01±5.41a 54.50±21.17ab 53.48±12.94ab 17.46±12.24cd 3.60±1.67d 50.17±14.84ab 34.05±14.11bc 5 BbF 8.07±0.19b — 15.23±0.25a 4.77±2.09bc 1.51±2.02bc 3.80±0.02bc 2.90±0.14bc BkF 15.36±5.07b 21.32±10.38b 4.94±1.12b 23.96±17.56b 65.43±31.82a 7.17±2.35b 7.04±5.01b BaP — — 166.63±42.37a — — — 0.05±0.04b DBA 182.67±8.12a 164.41±20.54a 17.90±7.06b 34.66±17.68b 22.84±9.08b 0.40±3.72b 1.13±9.27b 合计 Total 206.10±24.19a 185.73±50.93a 204.70±35.59a 63.39±35.80b 89.78±22.67bc 11.37±2.49c 11.12±4.89c 6 BPE 24.77±5.16a 2.21±1.99b 4.53±7.84b 11.70±3.67b 10.94±11.92b 4.80±0.04b 3.39±0.17b IPY 17.15±1.80e 321.83±15.03b 231.52±29.20c 134.50±14.40d 517.76±71.25a 11.51±0.40e 1.45±1.09e 合计 Total 41.92±6.81e 324.04±19.11b 236.04±33.37c 146.23±18.06d 528.69±83.16a 16.31±0.36e 4.84±1.12e 1) 同行数据后的不同小写字母表示差异显著 (P<0.05, Duncan’s 法)
1) Different lowercase letters in the same row indicate significant difference(P<0.05, Duncan’s test)表 4 苦瓜各部位中多环芳烃含量1)
Table 4 PAHs contents in various parts of Momordica charantia
苯环数
Benzene ringsPAHs w/(μg·kg–1) 根
Root茎
Stem叶
Leaf叶柄
Petious果皮
Peel果肉
Flesh果瓤
Pulp2 Nap 65.90±1.01b 36.56±19.76cd 92.44±1.14a 31.01±0.81d 13.37±0.44e 13.57±0.20e 45.82±3.25c Acy 45.09±4.72b 54.59±2.44a — 29.11±1.81c 11.16±0.70d 12.38±1.04d — Ace 131.82±23.98a 79.58±5.23bc — 44.58±5.28c 73.48±0.52b 68.61±1.02b 67.39±1.47bc Flu 22.27±19.43a 24.73±11.81a — 13.81±1.56ab 11.01±2.19ab 19.61±4.52a 17.31±0.81ab 合计 Total 2 645.08±10.80a 167.43±14.53b 92.44±1.14e 118.52±16.70cd 109.02±2.27de 114.17±3.41cd 130.52±5.03c 3 Phe 15.84±1.39a 16.50±0.85a 1.01±0.47e 7.58±0.74c 3.80±0.68d 4.46±0.12d 10.93±0.58b Ant — — — — — — — Fla 26.22±23.13a 36.31±5.59a 15.82±0.47a 16.29±0.94a 21.19±23.77a 39.00±0.31a 20.90±0.24a 合计 Total 42.06±24.53ab 52.81±14.53a 16.83±0.80b 23.87±16.69b 24.99±24.22b 43.46±0.19ab 31.83±0.81ab 4 Pyr 16.43±4.87b 18.62±0.99b — 12.90±2.18bc 5.98±0.56bc 12.87±0.52bc 23.19±0.88a BaA 14.84±9.67b 11.21±9.31b — 7.25±7.55b 10.30±0.08b 0.96±1.34b 57.04±19.06a Chr — — 328.73±77.31a — 1.64±0.08d 4.44±0.22c 8.29±7.20b 合计 Total 31.27±9.31cd 29.82±5.64cd 328.73±77.31a 20.15±1.59d 17.92±25.75b 18.26±2.08d 88.51±27.11bc 5 BbF — — — — — 3.47±1.87a — BkF 109.84±12.35a 80.34±7.58a — 11.03±9.47b 2.86±0.01b 1.38±0.87b — BaP — 53.98±6.60a — — — — — DBA 78.38±6.67cd 108.43±13.48c 227.15±37.24a 63.4±22.69d 0.26±8.75e 0.75±0.24e 180.23±21.23b 合计 Total 188.22±11.47a 242.74±8.69a 227.15±37.24a 74.43±9.59b 3.12±0.01b 5.60±2.60b 180.23±21.23a 6 BPE 0.65±1.10c 21.15±12.03c 199.35±1.93b 3.17±5.49c 28.44±1.11c 0.59±0.47c 241.77±43.53a IPY 110.80±13.10a — 123.32±42.53a 49.56±35.44b 27.96±2.34bc 2.43±1.46c 12.78±18.08bc 合计 Total 111.46±13.78c 21.15±12.03d 322.67±43.86a 52.73±31.96d 56.35±2.66d 3.02±1.00d 254.55±40.48b 1) 同行数据后的不同小写字母表示差异显著 (P<0.05,Duncan’s 法)
1) Different lowercase letters in the same row indicate significant difference(P<0.05, Duncan’s test)表 5 节瓜各部位中多环芳烃的含量1)
Table 5 PAHs contents in various parts of Benincasa hispida var. chieh-qua
苯环数
Benzene ringsPAHs w/(μg·kg–1) 根
Root茎
Stem叶
Leaf叶柄
Petious果皮
Peel果肉
Flesh果瓤
Pulp2 Nap 11.22±9.71ab 9.55±9.28ab 15.65±4.38a 3.94±6.85b 7.71±2.57ab 3.91±1.57b 4.12±0.53b Acy — — — 14.25±24.69a — 8.07±13.97a 8.79±15.23a Ace 38.55±33.39bc 3.77±6.53c 64.87±4.43b 9.25±8.92c 10.90±15.59c 321.16±9.95a 44.40±23.00c Flu — 16.66±15.38bc 38.39±8.69a 38.31±5.91ab — 5.39±4.76c 19.06±25.19abc 合计 Total 49.77±43.11cd 29.99±15.49cd 118.91±15.77b 62.43±18.07c 18.62±13.11d 338.83±2.71a 76.37±34.81c 3 Phe 10.61±9.20bc 14.04±7.33bc 31.23±3.28a 8.44±7.31cd 19.11±4.98b — — Ant 22.52±3.90a 2.83±2.60a 3.13±5.42a 5.84±4.76a 8.15±7.26a 3.41±5.90a — Fla 63.47±6.91a 30.56±15.68ab 34.07±2.87ab 24.02±14.81ab 30.87±5.89ab 48.29±4.54ab 12.33±0.30b 合计 Total 96.60±39.19a 47.43±6.54b 68.43±11.32ab 38.30±12.13bc 58.13±15.02b 51.69±7.22b 12.33±0.30c 4 Pyr 51.29±0.49ab 9.85±17.07b 65.20±35.60a 36.19±12.68ab 23.77±10.86b 7.63±1.50b 8.71±0.34b BaA 35.23±1.70a 31.26±0.82a 49.24±9.40ab 23.13±1.11ab 30.45±13.23a 3.22±0.47b 4.26±1.45b Chr 32.34±1.36a 14.72±7.90a 17.76±1.69ab 12.41±8.48ab 22.77±4.35a 3.61±0.07b 4.45±3.92b 合计 Total 118.86±0.31a 55.84±13.75b 132.19±46.19a 71.73±20.00b 77.99±16.87b 14.46±1.82c 17.42±3.49c 5 BbF 30.14±2.55c 27.65±10.83c 147.29±28.36b 37.84±1.79dc 43.28±11.92c 45.58±47.8c 931.05±36.01a BkF 28.84±0.05ab 18.72±4.84abc 38.98±7.80a 15.98±10.61abc 34.26±18.77ab 6.60±2.89c 12.58±8.34bc BaP 17.18±14.88a 12.35±8.18a 17.33±1.28a 7.37±12.76a 27.04±10.95a 7.13±4.27a 19.43±14.39a DBA 41.14±2.32c 40.61±9.81c 78.39±16.98b 18.50±4.09c 103.08±16.55a 15.75±40.67c 19.86±13.68c 合计 Total 117.29±14.76cd 99.35±7.10cd 281.98±39.32b 70.41±29.11cd 207.66±39.46c 60.75±34.09d 982.88±33.33a 6 BPE 15.30±1.08b 19.92±3.09b 154.93±40.35a 27.21±17.89b 30.90±14.67b — 21.57±19.68b IPY 58.13±4.42c 135.63±34.15b 473.40±24.00a 58.36±24.38c 79.17±26.11c 1.53±0.46d 1.58±0.50d 合计 Total 73.43±5.49d 155.55±33.34b 628.32±18.61a 85.57±9.17cd 110.08±12.10c 1.53±0.46e 23.14±19.97e 1) 同行数据后的不同小写字母表示差异显著 (P<0.05,Duncan’s 法)
1) Different lowercase letters in the same row indicate significant difference(P<0.05, Duncan’s test)表 6 丝瓜各部位中多环芳烃的含量1)
Table 6 PAHs contents in various parts of Luffa cylindrica
苯环数
Benzene
ringsPAHs w/(μg·kg–1) 根
Root茎
Stem叶
Leaf叶柄
Petious果皮
Peel果肉
Flesh果瓤
Pulp2 Nap 0.77±1.18b 14.40±14.60a 7.18±4.15ab 10.09±11.61ab 10.42±2.88ab 1.86±0.85ab 2.76±1.28ab Acy — — — — — — — Ace 124.23±30.42b 172.12±64.00a — 26.68±5.30c — 29.56±12.17c 32.18±1.61c Flu 12.31±10.67b 40.01±0.10a 15.56±26.95b 6.72±5.82b 20.16±2.35ab 13.09±2.01b 20.61±0.69b 合计 Total 137.31±35.01b 226.59±51.45a 22.01±31.53c 43.49±4.07c 30.58±2.70c 44.51±14.49c 53.56±1.85c 3 Phe 20.16±2.55d 23.92±2.60c 33.64±1.69a 15.13±1.13e 13.99±2.05e 35.58±1.78b 49.48±0.54a Ant 3.58±3.10b 3.89±3.40b 12.09±0.20a 3.44±3.24b 2.95±2.56b 3.05±0.45b 3.15±0.46b Fla 31.73±4.34c 30.46±4.20c 41.94±1.59b 18.97±1.78d 17.01±3.24d 36.12±2.31b 62.88±1.94a 合计 Total 55.47±3.54d 58.28±5.84d 87.67±3.45b 37.54±5.10e 33.95±2.93e 74.75±0.060c 115.51±3.01a 4 Pyr 39.88±5.64b 40.37±1.40b 54.34±1.50a 35.11±7.40bcd 15.24±13.31de 23.10±9.49cd 24.05±6.6bc BaA 36.36±21.18bc 41.20±1.30bc 55.06±1.30a 30.64±10.92bcd 17.11±6.86de 20.43±5.22cde 6.50±0.54e Chr 14.97±4.27b 14.98±2.40b 23.06±0.58a 8.90±1.40b 13.89±9.36b 7.25±0.75b 6.87±0.11b 合计
Total
91.21±16.83b 96.56±5.15b 132.47±3.26a 74.65±13.95c 46.25±16.35c 50.78±10.74c 57.06±7.11c 5 BbF 14.51±3.14b 15.80±2.50b 147.11±74.77a 10.27±1.49b 21.60±16.27b 6.02±0.80b 5.44±0.20b BkF 23.93±2.90bc 42.85±4.30bc 256.64±79.21a 23.92±9.97bc 79.24±3.39b 11.71±4.96c 12.06±18.51c BaP 12.43±1.07b 13.50±2.40b 23.16±1.94a 6.18±0.32c 5.44±4.75c 0.93±0.32d 0.84±0.14d DBA 17.33±7.21b 32.99±25.30b 134.52±83.90a 37.20±0.86b 30.66±13.15b 1.45±6.64b 1.92±2.38b 合计 Total 68.20±2.68d 105.14±28.94bc 561.43±33.79a 77.57±9.60cd 136.94±13.02b 20.11±0.15e 20.26±0.78e 6 BPE 29.98±6.64b 33.22±12.30b 84.97±42.57a 19.03±5.19b 15.49±7.62b 9.28±2.03b 8.56±0.35b IPY 34.71±5.64c 330.01±42.60a 248.36±94.32b 48.70±27.62c 37.95±7.52c 21.61±3.35c 6.84±0.09c 合计 Total 64.68±12.27b 363.24±35.02a 333.34±76.10a 67.73±12.85b 53.44±5.85b 30.89±5.03b 15.40±0.31b 1) 同行数据后的不同小写字母表示差异显著 (P<0.05,Duncan’s 法)
1) Different lowercase letters in the same row indicate significant difference(P<0.05, Duncan’s test)表 7 人群摄食瓜类果实产生的PAHs终生致癌风险
Table 7 Lifetime cancer risks from PAHs for people ingesting fruits of cucurbitacae vegetables
蔬菜种类
Vegetable type儿童 Child 青少年 Adolescent 成年人 Adult 老年人 Senior 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 苦瓜 Balsam pear 2.18×10–6 2.16×10–6 1.88×10–6 1.74×10–6 1.31×10–5 1.40×10–5 2.99×10–6 3.03×10–6 节瓜 Chieh qua 1.22×10–5 1.21×10–5 1.05×10–5 9.77×10–6 7.31×10–5 7.84×10–5 1.67×10–5 1.69×10–5 丝瓜 Luffa 1.85×10–6 1.84×10–6 1.60×10–6 1.48×10–6 1.11×10–5 1.19×10–5 2.54×10–6 2.58×10–6 表 8 人群摄食瓜类可食用部位产生的PAHs终生致癌风险
Table 8 Lifetime cancer risks from PAHs for people ingesting edible portions of cucurbitacae vegetables
蔬菜种类
Vegetable type儿童 Child 青少年 Adolescent 成年人 Adult 老年人 Senior 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 苦瓜 Balsam pear 3.41×10–7 3.40×10–7 2.95×10–7 2.73×10–7 2.05×10–6 2.20×10–6 4.77×10–7 4.75×10–7 节瓜 Chieh qua 2.83×10–7 2.81×10–7 2.44×10–7 2.27×10–7 1.70×10–6 1.82×10–6 3.90×10–7 3.94×10–7 丝瓜 Luffa 1.78×10–7 2.76×10–7 2.41×10–7 2.23×10–7 1.67×10–6 1.80×10–6 3.67×10–7 3.88×10–7 表 9 人群摄食黄瓜产生的PAHs终生致癌风险
Table 9 Lifetime cancer risk from PAHs for people ingesting Cucumis sativus
黄瓜部位
Cucumber part儿童 Child 青少年 Adolescent 成年人 Adult 老年人 Senior 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 男性 Male 女性 Female 果实 Fruit 1.01×10–5 9.99×10–6 8.68×10–6 8.05×10–6 6.02×10–5 6.47×10–5 1.38×10–5 1.40×10–5 果肉和果瓤 Flesh and pulp 5.21×10–7 5.18×10–7 4.50×10–7 4.18×10–7 3.21×10–6 3.35×10–6 4.70×10–7 4.75×10–7 果肉 Flesh 2.83×10–7 2.81×10–7 2.44×10–7 2.27×10–7 1.70×10–6 1.82×10–6 3.90×10–7 3.94×10–7 -
[1] 李新荣, 赵同科, 于艳新, 等. 北京地区人群对多环芳烃的暴露及健康风险评价[J]. 农业环境科学学报, 2009, 28(8): 1758-1765. doi: 10.3321/j.issn:1672-2043.2009.08.036 [2] 赵文昌, 程金平. 环境中多环芳烃(PAHs)的来源与监测分析方法[J]. 环境科学与技术, 2006, 29(3): 105-108. doi: 10.3969/j.issn.1003-6504.2006.03.042 [3] 宋冠群, 林金明. 环境样品中多环芳烃的前处理技术[J]. 环境科学学报, 2005, 25(10): 1287-1296. doi: 10.3321/j.issn:0253-2468.2005.10.001 [4] BUEHLER S, HITES R A. The Great Lakes’ integrated atmospheric deposition network[J]. Environ Sci Technol, 2002, 36(17): 354A-359A. doi: 10.1021/es0224030
[5] 秦宁, 何伟, 王雁, 等. 巢湖水体和水产品中多环芳烃的含量与健康风险[J]. 环境科学学报, 2013, 33(1): 230-239. [6] GUILLEN M D, SOPELANA P, PARTEARROYO M A. Food as a source of polycyclic aromatic carcinogens.[J]. Rev Environ Health, 1997, 12(3): 133-146.
[7] ZUO Q, LIN H, ZHANG X L, et al. A two-compartment exposure device for foliar uptake study.[J]. Environ Pollut, 2006, 143(1): 126-128. doi: 10.1016/j.envpol.2005.11.004
[8] LISA M. CAMICHAEL T, RUSSELL F, et al. Desorption and mineralization kinetics of phenanthrene and chrysene in contaminated Soils[J]. Environ Sci Technol, 1997, 31(1): 126-132. doi: 10.1021/es9602105
[9] 刘永波, 薛瑞芳, 崔磊. 超声波提取−气相色谱−质谱联用法测定城市污水处理厂脱水污泥中16种多环芳烃[J]. 化学分析计量, 2015, 24(6): 77-80. doi: 10.3969/j.issn.1008-6145.2015.06.020 [10] 刘庆学, 王磊, 安彩秀, 等. 硫酸净化法测定土壤中的六六六、滴滴涕及多环芳烃[J]. 分析试验室, 2009, 28(S2): 116-121. [11] 龙明华, 龙彪, 唐璇, 等. 南宁市不同区域五种蔬菜的多环芳烃含量分析[J]. 北方园艺, 2018(5): 7-14. [12] 龙彪. 南宁市菜地土壤及蔬菜中多环芳烃的含量及来源分析[D]. 南宁: 广西大学, 2017. [13] NISBET I C, LAGOY P K. Toxic equivalency factors (TEFs) for polycyclic aromatic hydrocarbons (PAHs)[J]. Regul Toxicol Pharmacol, 1992, 16(3): 290-300. doi: 10.1016/0273-2300(92)90009-X
[14] MASCLET P, MOUVIER G, Nikolaou K. Relative decay index and sources of polycyclic aromatic hydrocarbons[J]. Atmos Environ, 1986, 20(3): 439-446. doi: 10.1016/0004-6981(86)90083-1
[15] 翟凤英, 杨晓光. 中国居民营养与健康状况调查报告: 膳食与营养素摄入状况[M]. 北京: 人民卫生出版社, 2006. [16] 张珏坪. 广西南宁市蔬菜种子产业发展现状与对策研究[D]. 南宁: 广西大学, 2014. [17] ZHAO Z, ZHANG L, CAI Y, et al. Distribution of polycyclic aromatic hydrocarbon (PAH) residues in several tissues of edible fishes from the largest freshwater lake in China, Poyang Lake, and associated human health risk assessment[J]. Ecotoxicol Environ Saf, 2014, 104(2): 323-331.
[18] XIA Z, DUAN X, QIU W, et al. Health risk assessment on dietary exposure to polycyclic aromatic hydrocarbons (PAHs) in Taiyuan, China[J]. Sci Total Environ, 2010, 408(22): 5331-5337. doi: 10.1016/j.scitotenv.2010.08.008
[19] BRUNE H, DEUTSCH-WENZEL R P, HABS M, et al. Investigation of the tumorigenic response to benzo(a)pyrene in aqueous caffeine solution applied orally to Sprague-Dawley rats[J]. J Cancer Res Clin Oncol, 1981, 102(2): 153-157. doi: 10.1007/BF00410666
[20] 杨晓光, 翟凤英, 朴建华, 等. 中国居民营养状况调查[J]. 中国预防医学杂志, 2010, 11(1): 5-7. [21] 赵秀阁, 段小丽. 中国人群暴露参数手册(成人卷)概要[M]. 北京: 中国环境出版社, 2014. [22] LIAO C M, CHANG K C. Probabilistic risk assessment for personal exposure to carcinogenic polycyclic aromatic hydrocarbons in Taiwanese temples[J]. Chemosphere, 2006, 63(9): 1610-1619. doi: 10.1016/j.chemosphere.2005.08.051
[23] 秦宁, 朱樱, 吴文婧, 等. 多环芳烃在小白洋淀挺水植物中的分布、组成及其影响因素[J]. 湖泊科学, 2010, 22(1): 49-56. [24] 程琪琪, 葛蔚, 李敬锁, 等. 辣椒中多环芳烃的累积特征及健康风险评估[J]. 环境化学, 2018(2): 229-238. [25] 郭雪. 上海市郊区土壤−蔬菜系统中多环芳烃污染效应研究[D]. 上海: 华东师范大学, 2015. [26] SINONICH S L, HITES R A. Organic pollutant accumulation in vegetation[J]. Environ Sci Technol, 1995, 29(12): 2905-2914. doi: 10.1021/es00012a004
[27] MOECKEL C, THOMAS G O, BARBER J L, et al. Uptake and storage of PCBs by plant cuticles[J]. Environ Sci Technol, 2008, 42(1): 100-105. doi: 10.1021/es070764f
[28] WINGFORS H, LINDSTROM G, BAVEL B V, et al. Multivariate data evaluation of PCB and dioxin profiles in the general population in Sweden and Spain[J]. Chemosphere, 2000, 40(9/10/11): 1083-1088.
[29] WILD S R, JONES K C. Polynuclear aromatic hydrocarbon uptake by carrots grown in sludge amended soil[J]. J Environ Qual, 1992, 21(2): 217-225.
[30] SOCEANU A, DOBRINAS S, POPESCU V. Polycyclic aromatic hydrocarbons in Romanian body foods and fruits[J]. Polycycl Aromat Comp, 2016, 36(4): 364-375.
[31] 杨慧仙. 种子大小和海拔对青藏高原东北缘常见植物种子主要营养成分含量的影响[D]. 兰州: 兰州大学, 2016. [32] 焦杏春, 介崇禹, 丁力军, 等. 多环芳烃在水稻植株中的分布[J]. 应用与环境生物学报, 2005, 11(6): 657-659. doi: 10.3321/j.issn:1006-687X.2005.06.001 [33] TERZAGHI E, ZACCHELLO G, SCACCHI M, et al. Towards more ecologically realistic scenarios of plant uptake modelling for chemicals: PAHs in a small forest[J]. Sci Total Environ, 2015, 505: 329-337. doi: 10.1016/j.scitotenv.2014.09.108
[34] HOWSAM M, JONES K C, INESON P. PAHs associated with the leaves of three deciduous tree species. I : Concentrations and profiles[J]. Environ Pollut, 2000, 108(3): 413-424. doi: 10.1016/S0269-7491(99)00195-5
[35] 杨博. 城市典型植物叶片中PAHs的时空分布特征及迁移转化机理[D]. 上海: 华东师范大学, 2017. [36] 李艳, 顾华, 黄冠华, 等. 北京东南郊灌区多环芳烃污染风险与人体健康风险评估[J]. 农业机械学报, 2017, 48(9): 237-249. [37] TAO S, CUI Y H, XU F L, et al. Polycyclic aromatic hydrocarbons (PAHs) in agricultural soil and vegetables from Tianjin[J]. Sci Total Environ, 2004, 320(1): 11-24. doi: 10.1016/S0048-9697(03)00453-4
[38] 郜红建, 魏俊岭, 马静静, 等. 安徽省典型城市周边土壤−蔬菜中PAHs的污染特征[J]. 农业环境科学学报, 2012, 31(10): 1913-1919. [39] URBAT M, LEHNDORFF E, SCHWARK L. Biomonitoring of air quality in the Cologne conurbation using pine needles as a passive sampler: Part Ⅰ: Magnetic properties[J]. Atmos Environ, 2004, 38(23): 3781-3792. doi: 10.1016/j.atmosenv.2004.03.061
[40] 解莹然, 张娟, 李乐, 等. 北京市常用常绿树种冬季叶片多环芳烃含量及其富集特征[J]. 北京林业大学学报, 2017, 39(10): 95-100. [41] GUNTHER F A, BUZZETTI F, WESTLAKE W E. Residue behavior of polynuclear hydrocarbons on and in oranges[J]. Residue Rev, 1967, 17: 81-104.
[42] 龙明华, 龙彪, 梁勇生, 等. 南宁市蔬菜基地土壤多环芳烃含量及来源分析[J]. 中国蔬菜, 2017(3): 52-57. [43] SCHROLL R, BIERLING B, CAO G, et al. Uptake pathways of organic chemicals from soil by agricultural plant[J]. Chemosphere, 1994, 28(2): 297-303. doi: 10.1016/0045-6535(94)90126-0
[44] 董继元, 刘兴荣, 张本忠, 等. 上海市居民暴露于多环芳烃的健康风险评价[J]. 生态环境学报, 2015, 24(1): 126-132. [45] 葛蔚, 程琪琪, 柴超, 等. 青岛市城郊蔬菜中多环芳烃污染特征和健康风险评估[J]. 环境科学学报, 2017, 37(12): 4772-4778. [46] 吴敏敏, 夏忠欢, 张倩倩, 等. 南京市蔬菜中多环芳烃污染特征及健康风险分析[J]. 地球与环境, 2017, 45(4): 447-454. [47] 殷婧, 夏忠欢, 周彦池, 等. 临汾市售蔬菜中多环芳烃污染特征及致癌风险分析[J]. 生态毒理学报, 2016, 11(3): 265-271. [48] 王丽萍, 夏忠欢, 吴敏敏, 等. 徐州市售蔬菜中多环芳烃污染与健康危害[J]. 生态毒理学报, 2017, 12(3): 526-534. -
期刊类型引用(6)
1. 赵慧. 数字化技术在甜樱桃生产中的应用. 落叶果树. 2024(01): 47-50 . 百度学术
2. 张振飞,郭靖,颜安,袁以琳,肖淑婷,侯正清,孙哲. 基于多光谱无人机不同飞行高度下苹果树冠幅信息的提取. 新疆农业科学. 2024(06): 1468-1476 . 百度学术
3. 董秀春,蒋怡,杨玉婷,郭涛,李宗南,李章成. 基于语义分割模型和遥感的柑橘园空间信息提取. 中国农机化学报. 2023(01): 178-184 . 百度学术
4. 杨珍,郭艳光,鲁晓波. 基于改进AlexNet网络的无人机遥感图像分类方法. 湖南科技大学学报(自然科学版). 2023(03): 59-69 . 百度学术
5. 王雨阳,王懿祥,李明哲,梁丹. 基于无人机可见光影像的毛竹林郁闭度估测方法. 浙江农林大学学报. 2022(05): 981-988 . 百度学术
6. 崔万新,李锦荣,司前程,王茹,罗祥英,杨锋,李映坤. 基于无人机可见光数据荒漠灌木覆盖度提取方法研究. 水土保持研究. 2021(06): 175-182+189 . 百度学术
其他类型引用(4)