冈比亚北部Nangodi地区潜在有毒元素的土壤污染源分配与随机评估及对人类健康风险的影响

小型和小规模采矿（ASM）是西非土壤污染的一个关键驱动因素，但量化自然和人为源的相对贡献仍然是一个重大挑战。本研究提出了一个综合框架，结合污染指数、接收器建模和机器学习（ML），以评估来自冈比亚北部Nangodi地区的土壤中潜在有毒元素（PTE）动态。共分析了552个基于网格的土壤样本，检测Cr、Co、Cu、Pb、V和Zn，使用ED-XRF进行分析。描述性统计显示Cr、Co和Cu的分布高度偏斜，变异系数升高，反映出ASM地区典型的非均质污染模式。污染指数显示出不同的结果：生态风险指数（RI）将所有样本划分为低风险（RI < 150），而Nemerow综合污染指数（NIPI）则将35.5%的样本鉴定为重污染（NIPI ≥ 3）。正矩阵因子分析（PMF）识别出三种不同来源：一个铬-钒成因因素（51.7%），一个反映混合地质-农业影响的铜-钴-钒组合（40.0%），以及一个与ASM活动相关的铅-锌人为因素（8.3%）。机器学习模型（人工神经网络和XGBoost）实现了高预测准确度（R² = 0.82–0.99），验证了PMF因素，并识别铅、铜和铬为各源谱中的主要预测因子。接收器与机器学习模型的整合提供了解释性和预测能力，推动了当前土壤污染评估方法的发展。