近年来，由于自动化设备在应用方面的技术困难和高成本等因素，生物监测在环境监测尤其是重金属污染监测方面的应用成为了传统监测方法的补充手段.作为一种有效的被动生物监测器，植物不仅能够为环境中污染物的浓度提供相关的参考信息，也能够在一些层面上显示出环境污染对生态系统的负面影响(Tomaševic et al.， 2011).

苔藓植物作为高等植物中最原始的陆生类群，结构简单，比表面积大，分化程度低，细胞生长势能相对旺盛，十分有利于环境中重金属物质在其体内的富集(吴鹏程，1998).苔藓特殊的形态学和生理学特性使其叶片具有一定的离子交换能力，并且能够捕集到大气颗粒态物质(Pérez-Llamazares et al., 2011; Spagnuolo et al., 2011).而大气中的重金属元素大多附着在大气颗粒上.由于苔藓不具备真正的根系统，只有起支撑作用的假根，加之具有植物体近轴端腐烂的特殊生理现象，组织几乎不接触地表，它们获取的水分、营养物质及对植物体有毒有害的污染物主要来源于大气(孙守琴，2005).此外，很多苔藓植物为多年生，终年常绿，分布广泛，可以用来长期监测环境污染(Galsomiè et al., 1999).尽管与对环境中污染物质具有较强吸收和富集作用的苔藓与地衣等低等植物相比，树木并不是监测大气污染最好的指示生物(Zechmeister et al., 2008).然而，树木作为主要的植物物种不仅广泛分布于清洁地区，并且在一些高污染，苔藓和地衣难以生存的地区也有一定的分布.与此同时，有学者通过实验指出，一些树种因其较长的树龄，更适合用来对环境中的一些污染物质进行长期监测(Ballach et al., 2002; Sardans and Penuelas， 2005).除此之外，树木能够有效地捕集大气颗粒，在减少可吸入颗粒物方面扮演着十分重要的角色(Beckett et al., 2000; Organization，2003).到目前为止，在国内外不同学者的研究中，许多不同树种的树叶已被广泛应用于大气中痕量元素的生物监测(王爱霞等，2008; Tomaševic et al.， 2011; 鲁绍伟等，2014).

生物指示指数(BI，Bioindication index)、污染因子(PF，Pollution factor)等常被用来表示一个地区污染物质的最高含量与最低含量的比值或污染物质在污染地区与对照地区浓度的比值(Schulz et al., 1999; Pöykiö et al.， 2005; Turan et al., 2011).它们可以用作研究区域的人为排放源的综合指标并且可以大致评估出地区的污染程度.本文采用了Pöykiö等定义的污染因子法来对各个采样点各种金属的污染程度进行评估.

香樟(Cinnamomum camphora)作为一种常年生乔木本植物，在我国南方城市中被广泛用作庭荫树、行道树、防护林及风景林加以栽种.对于利用香樟树叶来监测大气环境中重金属含量，相较国外，国内的相关研究较多(王爱霞等，2009; 陈兵红等，2011; 王广林等，2011).而大灰藓(Hypnum plumaeforme wils)因个体较大，比表面积大，长势旺盛等特点常被用作大气重金属沉降的指示生物(Bargagli et al., 2002; Lee et al., 2005; 安丽等，2006; 李琦等，2014)，并且在我国浙江地区分布广泛，易于样品采集.本研究以我国东南部典型电子垃圾拆解地台州温岭市的5个村庄作为研究区域，采集村庄内的樟树叶和大灰藓并测定其中12种重金属含量，对比苔藓和樟树叶对重金属富集情况的差异以及不同污染程度对两种指示生物中重金属含量的影响大小，在实验过程中，还采用冲洗与不冲洗两种方式，对比研究了附着在樟树叶表面的重金属元素的富集情况与樟树叶内部的重金属的富集情况的差异.此外，文章采用主成分分析的方法对指示生物中不同重金属的含量进行源解析并对金属总含量的空间分布进行了描述.

本研究的研究区域位于浙江省台州温岭市西北部的温峤镇，具体采样图见附图，地区有着近20年的电子垃圾拆解历史，目前仍旧有很多的家庭从事废旧机电和电器的拆解与回收工作.基于经济利益的驱动，这些家庭主要以作坊式拆解方式为主，采取溶融、热熔化、酸浸泡、焚烧等方式从废旧机电和电器中回收Cu、Au、Sn等金属，而大量的利用率极低的电子废料，塑料和处理残渣等则被倾倒在露天田地、河流或被焚烧.

本研究选取了温峤镇不同污染程度的村庄南湾村、姆坑村、帽岭村、桐山村作为采样区域，其中南湾和姆坑为重污染区域，帽岭和桐山为轻度污染区域.此外，选择了一处距离4个村庄较远，相对无污染，没有拆解行为的风景区长屿硐天作为对照区域，每个区域设置若干采样点采集苔藓及樟树叶样品，每个样点采集平行3份样品并均匀混合作为1个样品，并放入自封袋，标记密封保存.

苔藓样品经超纯水冲洗3遍，洗去附于苔藓上的泥土和浮尘颗粒，用干净纱布将洗净的样品上的水吸干，并置于65 ℃烘箱10~12 h干燥至恒重，粉碎机研磨至粉末，洁净密封待处理.樟树叶样品均分为两批，一批经过超纯水冲洗3遍，洗去附着在树叶表面的灰尘等杂质，再用干净纱布将洗净的样品上的水吸干，置于65 ℃烘箱10~12 h干燥至恒重，粉碎机研磨至粉末，洁净密封保存.另一批样品不冲洗，直接烘干至恒重后用粉碎机研磨至粉末状洁净密封保存.

准确称取苔藓样品0.1 g或樟树叶样品0.2 g并转移至预消解过的聚四氟乙烯消解罐中，苔藓样品中加入65%浓HNO₃ 3 mL及30%H₂O₂ 2 mL，樟树叶样品中加入浓HNO₃ 4 mL及H₂O₂1 mL，将消解罐置于微波消解仪(MARS-5，CEM，Matthews，CN，USA)中消解，微波消解仪程序设定为5 min升温至120 ℃，然后10 min继续升温至180 ℃，最后保持180 ℃ 20 min.消解结束冷却后，将溶液过滤转移到聚四氟乙烯坩埚中，并放在电加热板上加热至几乎近干，冷却后用2%的稀硝酸转移定容至5 mL容量瓶中，用ICP-MS(Perkin Elmer NexION 300Q，Waltham，MA，USA)测定重金属含量.

在样品处理过程中所使用的HNO₃和H₂O₂均为优级纯.实验通过测定空白、平行样和参考标准样(国家标准物质中心，GBW07603(GSV-3))来进行质量控制，其中平行样测定值相对标准偏差在±5%之间，回收率在85%~110%之间，并且苔藓样品的分析结果均以干质量计算.在使用ICP-MS进行元素分析时，标准曲线的可决系数均在0.9999以上，并且每进40个样品后进行校准，以保证测量结果的准确性.

本研究采用Microsoft Excel和SPSS-19.0统计分析软件进行数据分析，ORIGIN-8.0软件进行绘图.针对电子废弃物拆解地区重金属的来源分析采用了主成分分析的方法.经KMO(kaiser-meyer-olkin)检验结果(0.724，p=0.000)表明数据适合做主成分分析.由于不同重金属在样本中含量变化幅度较大，相差1个或几个数量级，将重金属含量数据进行标准化，根特征值>1选取主成分进行分析.

图 1表示了重污染区域、轻度污染区域和对照区域的苔藓及樟树叶(经超纯水清洗的，以下同)中12种重金属的质量分数范围.由图 1可知，苔藓样品及樟树叶样品中Mn及Cu元素含量高于其他元素，其中重污染区域采集的苔藓中Mn元素含量为27.41~355.73 µg · g^-1，而重污染地区樟树叶中Mn元素含量为150.41~251.68 µg · g^-1，均高于对照区.单因素方差分析结果表明，绝大多数金属元素如As(准金属)、Co、Cu、 Ni、 Pb、 V、 Sn、 Sb及Cd在苔藓中的含量显著高于樟树叶中的含量(其中As、Co、Pb、V及Sn的显著性≤0.001；Cu、Ni、Sb及Cd的显著性＜0.05)，这也与De Nicola等的研究结果一致(De Nicola et al., 2013).此外，由图 1还能够看出，用苔藓作为重金属指示生物时标准偏差较大，要大于樟树叶中重金属含量的标准偏差，数据稳定性不如樟树叶.金属Mn在樟树叶中的含量则显著高于苔藓样品中的含量(p<0.001).金属Cr和Se(准金属)在两种指示生物中的含量并没有显著差异.除了苔藓样品中的Co、Cu、Ni、Pb、Sn和Sb以及樟树叶样品中的As、Co、Mn、Pb、V和Sn的含量呈现轻度污染区域>重污染区域，其余金属均呈现重污染区域>轻度污染区域>对照区域的趋势.

图1(Fig.1)

图1 樟树叶和苔藓中重金属含量特征(* **表示在 0.001 水平上差异显著，*表示在 0.05 水平上差异显著) Fig.1 Concentration characteristics of heavy metals in camphor tree leaves and mosses

图 2展现了5个采样村庄的樟树叶与苔藓中重金属总含量(所有金属含量之和)的空间分布.可以看出，在南湾村、姆坑村这两个拆解强度较大的村庄，樟树叶中重金属的总浓度分别为194.58 µg · g^-1和221.01 µg · g^-1，而苔藓中分别为147.97 µg · g^-1和152.51 µg · g^-1，在中度污染的帽岭村和桐山村的樟树叶中重金属的总浓度分别为230.70 µg · g^-1和218.59 µg · g^-1，而苔藓中分别为102.69 µg · g^-1和149.49 µg · g^-1.在对照区域，两种指示生物中金属总浓度为162.91 µg · g^-1和102.92 µg · g^-1.结果表明，樟树叶中除Mn以外的金属总含量要低于苔藓.在两种指示生物中，重金属总含量大致呈现重污染区域>轻度污染区域>对照区域的趋势.

图2(Fig.2)

图2 两种指示生物中金属的总含量的空间分布图 Fig.2 Spatial distribution of the total metal load in two bioindicators

为了更加显著地表明苔藓和樟树叶中不同重金属的富集情况的差异，文章引入了污染因子(pollution factor，PF)的概念，即一种重金属在污染地区的浓度与背景地区浓度的比值(Turan et al., 2011).本文将对照区中金属含量作为背景值.表 1中列出了樟树叶与苔藓中12种重金属的污染因子的均值与标准差.

表1(Table 1)

表1 樟树叶与苔藓样品中重金属的污染因子(PF) Table 1 PF values of heavy metals in camphor tree leaves and mosses

表1 樟树叶与苔藓样品中重金属的污染因子(PF) Table 1 PF values of heavy metals in camphor tree leaves and mosses 重金属 PF(樟树叶) PF(苔藓) 重污染 轻度污染 重污染 轻度污染 As 1.05±0.62 1.44±0.97 0.73±0.78 0.57±0.43 Co 1.51±0.89 3.04±4.53 1.15±1.05 1.17±0.90 Cr 1.85±1.18 1.40±0.77 0.65±0.74 0.61±0.48 Mn 1.28±0.20 1.38±0.24 1.55±1.16 1.14±0.76 Cu 0.95±0.35 0.95±0.24 1.53±1.30 2.71±2.34 Ni 1.28±0.97 1.20±0.81 1.00±1.06 1.08±0.67 Pb 1.64±0.92 2.03±2.14 1.12±1.04 1.43±1.37 Se 3.99±4.35 1.48±0.43 1.19±1.06 0.97±0.53 V 0.70±0.26 0.99±0.64 0.83±1.20 0.73±0.66 Sn 15.39±17.01 19.15±14.55 3.04±4.53 3.96±7.74 Sb 1.04±0.61 1.03±0.55 2.58±2.96 3.65±4.63 Cd 5.61±7.14 3.39±1.88 2.25±2.05 2.11±1.52

从表中可以看出，在樟树叶和苔藓样品中，Sn元素的污染因子最高，其中在重污染区域苔藓中Sn元素的污染因子均值为3.04，樟树叶中Sn元素的污染因子均值为15.39，在轻度污染区域苔藓中Sn的污染因子均值为3.96，樟树叶中Sn的污染因子均值为19.15.Sn污染因子偏高，这可能是因为拆解的电子废弃物中电路板所占的比例较大(拆电路板可获得的价值最高)，而电路板的焊锡过程会带入一定比例的Sn元素，造成拆解区域Sn含量的偏高.并且我们可以看出，樟树叶对金属Sn的富集能力要高于苔藓.在重污染区域和轻度污染区域的苔藓样品中的金属Sb污染因子的均值分别为2.58和3.65，均大于1，污染因子相对偏高，这可能是因为金属Sb被广泛应用于生产各种阻燃剂，会随着电子产品中阻燃剂的添加而带入(查辉等，2012)，使其在污染区域的苔藓样品中的浓度高于背景区域.在重污染区域和轻度污染区域的樟树叶样品和苔藓样品中金属Cd的污染因子均值分别达到了5.61、3.39、2.25和2.11，并且可以看出重污染区域中植物样品中Cd的含量更高，这应该是由于重污染区域拆解行为更加频繁，强度更高.此外，樟树叶对金属Cd的富集要高于苔藓.金属Pb在樟树叶以及苔藓中有一定的累积，但污染程度不高.

不同植物物种对重金属的富集能力受到很多因素的影响，例如不同暴露时间(Reimann et al., 2006)(采集的苔藓样品一般藓龄在2~3年或更高，而采集的樟树叶的叶龄则在1年左右)、不同的采样高度(樟树叶采集高度明显高于苔藓)等.而在相同环境下不同生物指示剂中化学成分的含量差异主要还是由它们特殊的生理形态及水分关系决定的(De Nicola et al., 2013).有文献表明，苔藓的表面积几乎是树叶表面积的10倍甚至更多(Gjengedal and Steinnes， 1990; Økland et al., 1997; Smith，2004).除此以外，苔藓叶片还拥有相较于树叶更强的离子交换能力，这就使得苔藓富集绝大多数金属元素的能力优于树叶.

实验结果表明，在重污染区域、轻度污染区域及对照区域，经超纯水清洗的树叶样品中重金属含量低于未经清洗的树叶样品中的重金属含量.并且经清洗过的树叶中重金属含量的标准偏差要低于未经清洗的树叶中重金属含量的标准偏差，数值相对更加稳定.这也与Tomaševic 等的研究结果一致(Tomaševic et al.， 2011).这可能是因为对树叶样品的清洗能够去除树叶表面偶然性的杂质颗粒，而这些易被去除的杂质颗粒也很容易因降雨或刮风等外界客观环境的影响而被去除，使得经超纯水清洗的样品数值波动性更小，更稳定.

经单因素方差分析，两种不同的处理方式对绝大多数所测金属在樟树叶中的含量有显著的影响.其中As、Cr、Mn、Cu、Ni、V、Sn等在经超纯水清洗的样品中的含量显著低于未经清洗样品中的含量(前6种金属p≤0.001，金属Sn的p值小于0.05)，而Co、Pb、Se、Sb及Cd这几种金属元素则在不同处理方式的樟树叶中含量差异并不显著，这也可以从图 3中看出.此外，由图 3可以看出，在污染地区，两种不同处理方式对樟树叶中Cr、Mn、Cu和Sn等重金属含量的影响更为显著，而对对照区的樟树叶中金属含量影响较弱.这主要是由于在污染区域，树叶表面附着的颗粒中的重金属对整体含量的贡献相对更大.

图3(Fig.3)

图3 不同处理方式的樟树叶中重金属含量差异 Fig.3 Concentrations of heavy metals in camphor tree leaves conducted by different pretreatment methods

通过比较重金属质量分数之间的相关性可以判断来源是否相同，若重金属含量呈显著正相关，说明其具有相同来源的可能性较大，否则来源不同(陈怀满，2005).表 2、表 3则分别显示了樟树叶和苔藓样品中12种重金属含量的相关性系数大小.从两表中可以看出，在樟树叶样品中，金属As和Co、As和Cu、As和Pb、Co和Pb、As和V、Pb和V等在0.01水平上呈显著正相关，相关系数分别为0.72、0.59、0.58、0.65、0.75和0.70.而金属Pb和Ni、Co和V、Ni和V、Sb和V则在显著性0.05水平上显著相关.在苔藓样品中除了少数金属间相关性较弱，绝大部分金属的含量都在0.01水平上显著相关.为了进

表2(Table 2)

表2 樟树叶中各重金属含量的相关性(n=23) Table 2 Correlation coefficient between different heavy metals in camphor tree leaves

表2 樟树叶中各重金属含量的相关性(n=23) Table 2 Correlation coefficient between different heavy metals in camphor tree leaves As Co Cr Mn Cu Ni Pb Se V Sn Sb Cd As 1.00 0.72* * 0.00 0.30 0.59* * 0.31 0.58* * -0.08 0.75* * -0.01 0.28 0.03 Co 1.00 -0.14 0.32 0.33 0.30 0.65* * -0.02 0.46* -0.05 0.15 0.02 Cr 1.00 0.13 -0.29 -0.23 0.17 -0.03 0.20 0.26 0.13 0.24 Mn 1.00 0.36 0.39 0.41 -0.03 0.24 0.35 0.08 0.01 Cu 1.00 0.31 0.34 -0.15 0.35 -0.03 0.21 -0.10 Ni 1.00 0.46* -0.09 0.45* -0.10 0.32 0.06 Pb 1.00 -0.02 0.70* * 0.05 0.59* * 0.21 Se 1.00 -0.10 -0.12 -0.07 -0.01 V 1.00 0.01 0.45* 0.07 Sn 1.00 0.41 -0.06 Sb 1.00 0.04 Cd 1.00 注: * *表示在 0.01 水平上显著相关; *表示在 0.05 水平上显著相关.

表3(Table 3)

表3 苔藓中各重金属含量的相关性(n=55) Table 3 Correlation coefficient between different heavy metals in mosses

表3 苔藓中各重金属含量的相关性(n=55) Table 3 Correlation coefficient between different heavy metals in mosses As Co Cr Mn Cu Ni Pb Se V Sn Sb Cd As 1 0.68* * 0.61* * 0.45* * 0.19 0.50* * 0.51* * 0.54* * 0.64* * 0.25 0.09 0.25 Co 1.00 0.71* * 0.58* * 0.55* * 0.69* * 0.70* * 0.42* * 0.72* * 0.40* * 0.35* * 0.48* * Cr 1.00 0.28* 0.43* * 0.68* * 0.66* * 0.29* 0.89* * 0.34* 0.35* * 0.37* * Mn 1.00 0.25 0.23 0.48* * 0.37* * 0.30* 0.29* 0.05 0.23 Cu 1.00 0.55* * 0.79* * 0.29* 0.33* 0.74* * 0.68* * 0.66* * Ni 1.00 0.69* * 0.24 0.57* * 0.45* * 0.42* * 0.73* * Pb 1.00 0.39* * 0.57* * 0.77* * 0.57* * 0.69* * Se 1.00 0.25 0.33* 0.11 0.21 V 1.00 0.28* 0.29* 0.30* Sn 1.00 0.59* * 0.69* * Sb 1.00 0.68* * Cd 1.00 注: * *表示在 0.01 水平上显著相关; *表示在 0.05 水平上显著相关.

一步揭示电子废弃物拆解地区重金属的组成特征和来源，本研究对苔藓样品中12种金属的含量数据进行了主成分分析，结果见图 4.主成分一和主成分二的累积贡献为69.23%，其中第一主成分的贡献率为54.24%，主要为Co、Cr、Ni、Pb、Sn、及Cd.其中Cr在电镀、印染、燃料和催化剂等方面应用广泛.Pb因其良好的延展性、抗腐蚀性等优点被广泛应用于蓄电池、电缆护套、射线防护等行业，在印刷电路板焊料中也含有较高浓度的Pb.而Ni和Cd则在电池领域有着广泛的应用.金属Sn作为焊锡原料在电路板生产加工及镀锡板生产中必不可缺.由此可以看出，电子废弃物拆解行为对当地Cr、Ni、Pb及Cd等金属元素有显著的贡献，并已经造成了一定的污染.第二主成分可以解释14.99%，主要为Mn、As和Se.我们知道，Mn和As这两种元素广泛分布于自然界中，在地壳中的含量很高，而由文献得知，浙江省拥有丰富的富硒土地资源(黄春雷等，2013; 徐明星等，2013; 卫新等，2014)，因而这3种元素主要是由于地质因素带来的.

图4(Fig.4)

图4 苔藓中重金属元素二维因子载荷图 Fig.4 Loading plots of heavy metals defined by two components in mosses

1)经超纯水清洗的苔藓和樟树叶中Mn和Cu两种金属含量最高.除苔藓样品中的Co、Cu、Ni、Pb、Sn和Sb以及樟树叶样品中的As、Co、Mn、Pb、V和Sn含量呈现轻度污染区域>重污染区域，其余金属均呈现重污染区域>轻度污染区域>对照区域的趋势.除Mn、Cr及Se以外，苔藓中其他金属的含量要高于樟树叶中金属的含量，但前者标准偏差更大.在拆解地区金属总含量的空间分布上大致呈现重污染区域>轻度污染区域>对照区域的规律.除Mn以外，樟树叶中的的金属总含量要低于苔藓.在两种指示生物中，金属Sn和Sb的污染因子最高.此外，苔藓及樟树叶中金属Cd和Pb也有一定程度的富集.

2)本文预处理采用了清洗与不清洗两种方式，实验结果发现经过清洗的树叶样品中金属含量显著下降，而标准偏差则小于未经清洗树叶中金属含量的标准偏差，即经清洗的树叶样品数值稳定性更高，具有更有效的统计学意义，由此可以看出清洗更有利于生物富集重金属的研究.

3)在两种指示生物中，苔藓中各个金属元素的含量之间的相关性较高.经主成分分析结果，Co、Cr、Ni、Pb、Sn、及Cd等金属在成分1上有较高载荷，主要来自于电子废弃物拆解行为，而Mn、As和Se则在成分2上的载荷更高，主要贡献来自于地质因素.

致谢： 在样品处理过程和结果测定中，感谢课题组同学们和台州市疾病控制中心相关工作人员的帮助.