Studien
Studientracker
Quellenanalyse und Priorisierung des Gesundheitsrisikos bei Grundwasserverunreinigungen in einem Kohlebergbaugebiet: Ein integrierter SOM-PMF-Monte-Carlo-Ansatz.
| Zeitschrift für Umweltmanagement | Yin Z, Zhang S, Fu X, Sun R, Lv R, Yuan M, Gao Z, Wu G. | 410:130146 Uhr
China, Kambodscha Kohle Grundwasser Priorisierung von Gesundheitsrisiken Mongolei Andere
PDF anzeigen

Abstract

Die vollständige Originalstudie ist online verfügbar unter
https://www.sciencedirect.com/science/article/pii/S0301479726016063?via%3Dihub

Highlights

  • Grubenwasser und industrielle Abwässer sind die Hauptursache für die Grundwasserverschmutzung (22.4 %).
  • Kinder sind einem 1.75-mal höheren Gesundheitsrisiko ausgesetzt als Erwachsene (33.9 % gegenüber 19.4 %).
  • Fluorid und Sulfat sind prioritäre Schadstoffe, die einer gezielten Bekämpfung bedürfen.
  • Dieses Rahmenwerk bietet umsetzbare Managementprioritäten für wasserarme Regionen.

Die Grundwasserqualität in ariden und semiariden Kohleabbaugebieten ist zunehmend durch intensive menschliche Aktivitäten bedroht. Die quantitative Zuordnung spezifischer Verschmutzungsquellen zu Gesundheitsrisiken und die Ableitung daraus risikobasierter Managementprioritäten stellen jedoch weiterhin eine zentrale Herausforderung dar. Diese Studie schließt diese Lücke, indem sie einen integrierten Rahmen vorschlägt, der selbstorganisierende Karten (SOM), positive Matrixfaktorisierung (PMF) und Monte-Carlo-Simulationen kombiniert, um Grundwasserverschmutzungsquellen systematisch zu entschlüsseln und die damit verbundenen Gesundheitsrisiken zu priorisieren. Als repräsentatives Beispiel dient das Bergbaugebiet Huolingol in der Inneren Mongolei, China. Die SOM-Analyse identifizierte drei hydrochemische Cluster: Cluster 1 (Na-HCO₃ / Ca-Na-HCO₃ - Typ), beeinflusst durch Kationenaustausch und Silikatverwitterung unter alkalischen Bedingungen, wies erhöhte F⁻- und NH₄⁺ - N -Konzentrationen auf. Cluster 2 (Ca-Na-SO₄ / Ca-Na-HCO₃ - Typ) war durch erhöhte TDS-, TH-, SO₄²⁻- und NO₃⁻-Konzentrationen charakterisiert , was auf einen signifikanten anthropogenen Einfluss hindeutet. Cluster 3 (Ca-HCO₃ - Typ) repräsentierte den natürlichen Hintergrund mit minimaler Kontamination. Die Quellenanalyse mittels PMF ergab, dass die anthropogene, zusammengesetzte Verschmutzung die Hauptursache für die Entwicklung der Wasserqualität ist. Die Mischbelastung durch Grubenwasser und industrielle/häusliche Abwässer trug mit 22.42 % den größten Anteil bei und verdeutlichte damit den enormen Einfluss von Bergbau- und Industrieaktivitäten. Monte-Carlo-Simulationen zeigten, dass Kinder mit einer Wahrscheinlichkeit von 33.9 % den Grenzwert für die gesundheitlich unbedenkliche Belastung überschreiten (HI > 1), was 1.75-mal höher ist als bei Erwachsenen (19.4 %). Fluorid (F⁻ ) und Sulfat (SO₄²⁻ ) waren die Hauptrisikofaktoren. Quellenspezifische Analysen ergaben, dass geogenes Fluorid (Faktor 1) etwa 48 % zum gesamten Gesundheitsrisiko beiträgt, gefolgt von organischem Abbau (ca. 26 %) und anthropogenem Sulfat (ca. 23 %). Dieses Modell verknüpft Quellen quantitativ mit Gesundheitsrisiken und bietet praktische Hinweise für das Grundwassermanagement in wasserarmen Bergbauregionen.

    Schlüsselwörter: Grundwasserverschmutzung; Quellenzuordnung; Priorisierung von Gesundheitsrisiken; Trockenes Bergbaugebiet; Umweltmanagement

    1. Einleitung

    Grundwasser ist in ariden und semiariden Regionen oft die primäre Wasserquelle. Es dient der Trinkwasserversorgung, der Bewässerung und der industriellen Nutzung und spielt eine Schlüsselrolle für die sozioökonomische Stabilität und die ökologische Sicherheit ( Foster und Chilton, 2003 ; Ghazavi et al., 2012 ; Qu et al., 2023 ; Wu et al., 2021 ). Durch die großflächige Ausbeutung von Kohlevorkommen und die rasante Industrialisierung der Regionen sind die Grundwassersysteme in Bergbaugebieten und deren Umgebung jedoch einem beispiellosen Umweltdruck ausgesetzt ( Ju et al., 2023 ; Younger, 2000 ). Intensive menschliche Aktivitäten – darunter Grubenentwässerung, Abwassereinleitung und landwirtschaftliche Praktiken – haben zahlreiche Schadstoffe in die Grundwasserleiter eingebracht. Diese Aktivitäten haben die Grundwasserqualität erheblich verändert und stellen eine anhaltende Bedrohung für die Umwelt und die menschliche Gesundheit dar ( Banks et al., 1997 ; Su et al., 2026 ; Yan et al., 2025 ). Vor diesem Hintergrund sind die systematische Erfassung der chemischen Zusammensetzung und der Entwicklungsmuster des Grundwassers, die quantitative Identifizierung der Grundwasserverschmutzungsquellen und die wissenschaftliche Bewertung der damit verbundenen Gesundheitsrisiken zu zentralen Forschungsfragen geworden. Diese Anstrengungen sind dringend erforderlich, um den Kohleabbau mit einer nachhaltigen Wassernutzung in Einklang zu bringen und die ökologische Wiederherstellung sowie die Wassermanagementpolitik in ariden Bergbaugebieten zu unterstützen ( Cui et al., 2025 ).

    Herkömmliche Grundwasserqualitätsbewertungen basieren hauptsächlich auf der hydrochemischen Faziesanalyse (z. B. Piper-Diagramme, Gibbs-Diagramme) und der Berechnung von Ionenverhältnissen. Diese Methoden identifizieren zwar effektiv wichtige geochemische Prozesse, jedoch fehlt es an einer quantitativen Quellenidentifizierung (Yan et al., 2025In den letzten Jahren haben Methoden des maschinellen Lernens in verschiedenen Bereichen, darunter Ressourcenmarktanalyse und Umweltmanagement, einen erheblichen Nutzen bewiesen (Jin und Xu, 2025a, 2025b), sowie Gebäudeenergieprognosen und Kohlenstoffemissionsmodellierung (Naghipour, 2026;Naghipour et al., 2026a;Naghipour et al., 2026b;Naghipour et al., 2026c;Naghipour und Naghipour, 2025a;Naghipour und Naghipour, 2025bUnter diesen Methoden eignen sich selbstorganisierende Karten (SOM) besonders gut zur Analyse hochdimensionaler Umweltdaten, da sie eine objektive Klassifizierung von Grundwasserproben auf der Grundlage von Ähnlichkeiten mehrerer Parameter ermöglichen und die Subjektivität traditioneller grafischer Methoden überwinden (Santos et al., 2020; Zhong et al., 2022Umfassende Modelle zur Bewertung der Wasserqualität (z. B. die Entropy-Weight-Technik zur Rangfolge der Präferenz durch Ähnlichkeit mit der Ideallösung (EW-TOPSIS)) erreichen eine Rangfolge der Grundwasserqualität durch die Integration der Gewichtung mehrerer Indikatoren und die Annäherung an die Ideallösung und bieten damit eine wissenschaftliche Grundlage für das Wassermanagement.Dehghan Rahimabadi et al., 2023; Wang et al., 2023). Rezeptormodelle wie die Positive Matrix Factorization (PMF) haben sich als leistungsstarke Werkzeuge zur Zuordnung von Kontaminationsquellen erwiesen, indem sie chemische Daten in Faktorbeiträge und Profile zerlegen (Cui et al., 2025; Li et al., 2021Inzwischen haben probabilistische Risikobewertungsmodelle, die Monte-Carlo-Simulationen einbeziehen, aufgrund ihrer Fähigkeit, Parameterunsicherheiten zu berücksichtigen und realistischere Charakterisierungen von Gesundheitsrisiken für den Menschen zu liefern, an Bedeutung gewonnen (Chen et al., 2023; Wuet al., 2024Im oben genannten breiteren Kontext bietet die Integration von unüberwachtem Lernen (z. B. SOM) mit Rezeptormodellierung (PMF) und Gesundheitsrisikobewertung (Monte-Carlo-Simulation) einen vielversprechenden Ansatz für eine evidenzbasierte Umweltpolitik in ressourcenabhängigen Regionen. Durch die Verknüpfung von Kontaminationsquellen mit gesundheitlichen Folgen können solche integrierten Rahmenwerke die gerechte Verteilung begrenzter Ressourcen für die Bekämpfung der Umweltverschmutzung und den Schutz der öffentlichen Gesundheit steuern. Dies steht im Einklang mit den Kernprinzipien des nachhaltigen Ressourcenmanagements und der Kreislaufwirtschaft.Jin und Xu, 2024; Xu und Zhang, 2023).

    Das Bergbaugebiet Huolingol in der Inneren Mongolei, China, ist ein typisches Beispiel für eine kohlebasierte Industrieregion mit einer jährlichen Fördermenge von 35 Millionen Tonnen Kohle und 2.7 Millionen Tonnen Primäraluminium ( Stadtverwaltung Huolingol, 2024 ). Die Region liegt in einer ariden/semiariden Klimazone mit einem durchschnittlichen Jahresniederschlag von nur 354.7 mm und einer Verdunstung von 1732.7 mm und ist daher für die Wasserversorgung von Haushalten, Landwirtschaft und Industrie fast ausschließlich auf Grundwasser angewiesen ( Wang, 2015 ). Der intensive Kohleabbau und die damit verbundenen industriellen Aktivitäten haben jedoch den Druck auf das Grundwassersystem zunehmend erhöht. Frühere Untersuchungen berichteten von erhöhten Konzentrationen von SO₄²⁻ , NO₃⁻ , F⁻ und NH₄⁺ - N im lokalen Grundwasser, wobei einige Parameter die Grenzwerte der Klasse III der chinesischen Grundwasserqualitätsnorm (GB/T 14,848-2017) überschritten ( Wang, 2015 ; Zhang, 2016 ). Trotz dieser Beobachtungen fehlt es weiterhin an einem umfassenden Verständnis der Kontaminationsquellen, ihrer quantitativen Beiträge und der damit verbundenen Gesundheitsrisiken. Insbesondere hat keine Studie die räumliche Heterogenität der Grundwasserchemie systematisch mit spezifischen Verschmutzungsquellen in Verbindung gebracht und dieses Wissen anschließend in eine Charakterisierung der Gesundheitsrisiken und eine Priorisierung von Managementmaßnahmen umgesetzt.

    Um diese Forschungslücke zu schließen, entwickelte die vorliegende Studie ein integriertes Rahmenwerk, das selbstorganisierende Karten (SOM), positive Matrixfaktorisierung (PMF) und Monte-Carlo-Simulation kombiniert, um: (i) Grundwasserproben anhand ihrer hydrochemischen Signaturen mit mehreren Parametern zu klassifizieren; (ii) Kontaminationsquellen und deren Beiträge quantitativ zu bestimmen; (iii) probabilistische Gesundheitsrisiken für verschiedene Bevölkerungsgruppen zu charakterisieren und prioritäre Schadstoffe zu identifizieren; und (iv) den Beitrag jeder Quelle zum Gesundheitsrisiko für ein gezieltes Management zu quantifizieren. Die Neuheit dieser Studie liegt in der durchgängigen Integration von SOM, PMF und Monte Carlo zur Generierung managementorientierter Ergebnisse (prioritäre Schadstoffe, gefährdete Bevölkerungsgruppen) und nicht in den einzelnen Methoden selbst. Das Bergbaugebiet Huolingol wurde aufgrund seines typisch ariden Klimas, der intensiven Kohleförderung und der dokumentierten Grundwasserverschmutzung als repräsentativer Fall ausgewählt. Diese Studie liefert nicht nur eine wissenschaftliche Grundlage für das lokale Grundwassermanagement, sondern auch ein methodisch übertragbares Rahmenwerk für andere wasserarme Bergbauregionen mit ähnlichen Kontaminationsherausforderungen.

    2. Untersuchungsgebiet

    2.1. Untersuchungsgebiet

    Die Studie konzentrierte sich auf das Bergbaugebiet Huolingol, eine bedeutende Kohleförderregion in Nordostchina. Dieses Gebiet umfasst die Stadt Huolingol und die angrenzenden Kohleabbaugebiete im nördlichen Jarud-Banner ( Abb. 1 ). Das Zentrum, die Stadt Huolingol (Koordinaten: 45°16′–45°46′ N, 118°17′–119°46″12″ O; Gesamtfläche: 585 km² ) , liegt am westlichen Rand des Huolin-Flussbeckens, am westlichen Rand des südlichen Großen Hinggan-Gebirges. Das Gelände ist in Nordost-Südwest-Richtung langgestreckt und durch niedrige bis mittelhohe Berge, gebirgige Hochebenen und breite Täler im zentralen Bereich gekennzeichnet. Die Höhenlage variiert zwischen 850 und 1291 m über dem Meeresspiegel und fällt im Allgemeinen von Südosten nach Nordwesten ab. Die Region weist ein typisches gemäßigtes, semiarides Kontinentalklima mit Monsuneinfluss auf, das sich durch trockene und windige Frühlinge, lange und streng kalte Winter, kühle und kurze Sommer sowie Herbste mit frühem Frost auszeichnet. Die mittlere Jahrestemperatur beträgt etwa 0.84 °C. Der jährliche Niederschlag liegt im Durchschnitt bei 354.7 mm, wobei etwa 80 % davon in den Monaten Juli bis September fallen. Demgegenüber ist die jährliche Verdunstung mit 1732.7 mm deutlich höher. Zu den wichtigsten Landnutzungsarten zählen Ackerland, Grünland, Wald, Siedlungsflächen, Gewässer, Feuchtgebiete und Brachland ( Wang, 2015 ).

    1. Herunterladen: Hochauflösendes Bild herunterladen (1 MB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 1. (a) Lage der Inneren Mongolei in China, (b) Lage des Untersuchungsgebiets in der Inneren Mongolei, (c) hydrogeologische Karte und Grundwasserprobenahmestellen im Untersuchungsgebiet, (d) Landnutzungskarte. Die Brunnentiefen der Probenahmestellen liegen zwischen 20 und 120 µm; detaillierte Standortkoordinaten und Informationen zur Brunnentiefe jeder Probe sind in Tabelle S1 aufgeführt.

    2.2. Geologie und Hydrogeologie

    Die Stratigraphie gehört zur Region Großkhingan–Yanshan, genauer gesagt zum Unterbezirk Boketu–Erenhot. Die aufgeschlossenen Schichten sind relativ einfach und bestehen hauptsächlich aus mesozoischen und jurassischen Formationen (Hongqi (J 1 h), Tuchengzi (J 2 t), Manketouebo (J 3 mk), Manitou (J 3 mn), Baiyingaolao (J 3 b)), der kretazischen Huolin-Fluss-Formation (K 1 d) und dem känozoischen Quartärsystem (Q). Die jurassischen Schichten sind weit verbreitet und umfassen klastische Sedimentgesteine ​​(wie feldspathaltigen Quarzsiltstein), vulkanische Gesteine ​​und pyroklastische Gesteine ​​(z. B. Andesit, Rhyolith und Tuff). Die kretazische Huolin-Fluss-Formation (K 1 d) besteht aus kohleführenden klastischen Gesteinen mit Lithologien wie Sandstein, Tonstein und Konglomerat. Die quartären und neogenen Systeme bestehen hauptsächlich aus lockeren Sand- und Kiesschichten sowie Basalt.

    Das Grundwassersystem ist in drei hydrogeologische Einheiten der vierten Ebene unterteilt: Sharhure, Ulgai-Fluss und Dundnuur. Basierend auf ihrem Vorkommen und ihren hydraulischen Eigenschaften werden die Grundwasserleiter in fünf Systeme eingeteilt: (1) das quartäre, unkonsolidierte, poröse und verwitterte, geklüftete phreatische Grundwasserleitersystem (Q + J); (2) das quartäre, unkonsolidierte, poröse und geklüftete phreatische Grundwasserleitersystem (Q + K); (3) das klastische, geklüftete phreatische Grundwasserleitersystem (K); (4) das geklüftete phreatische Grundwasserleitersystem (J); und (5) das klastische, porös geklüftete, gespannte Grundwasserleitersystem (K). Die beiden quartären, unkonsolidierten, geklüfteten Grundwasserleitersysteme sind am weitesten verbreitet und weisen die höchste Wasserergiebigkeit auf (maximale Einzelbrunnenergiebigkeit 1000–3000 m³ / d). Sie sind flach (<30 µm) und dienen als Hauptziele der Wassergewinnung.

    Die Grundwasserneubildung erfolgt hauptsächlich durch die Versickerung von Niederschlag. In den umliegenden niedrigen bis mittleren Gebirgszügen mit freiliegendem Grundgestein versickert der Niederschlag rasch durch Gesteinsspalten und bildet Kluftwasser, das in Täler und Becken abfließt. Der natürliche Grundwasserfluss variiert zwischen den einzelnen Einheiten: Der Sharhure-Grundwasserleiter fließt von Südwesten nach Nordosten, der Dundnuur-Grundwasserleiter von Süden nach Norden (bzw. von Südosten nach Nordwesten). In den Lockergesteins- und klastischen Grundwasserleitern innerhalb der Flusstäler und Becken wird das Grundwasser zusätzlich durch seitlichen Oberflächenabfluss aus den genannten Gebirgszügen gespeist und von saisonalen Überschwemmungen und Oberflächenwasserversickerung beeinflusst. Intensive menschliche Aktivitäten (Grundwasserentnahme, Tagebauentwässerung) haben jedoch im Sharhure-Gebiet einen regionalen Grundwasserabsenkungstrichter gebildet. Dies hat das natürliche Fließfeld erheblich verändert und dazu geführt, dass sich das Grundwasser in Richtung der Entnahme- und Entwässerungszentren konzentriert. Künstliche Grundwasserentnahme und Tagebauentwässerung sind zu den Hauptabflusswegen des Grundwassers geworden ( Wang, 2015 ).

    Das Untersuchungsgebiet umfasst 14 Kohleabbaugebiete mit einer jährlichen Gesamtkapazität von rund 35 Millionen Tonnen. Die meisten davon sind Tagebaue; die Kohle befindet sich im vierten Abschnitt der Huolin-River-Formation aus der Unterkreide. Es handelt sich um hochwertige, gealterte Braunkohle mit niedrigem Schwefelgehalt (<0.5 %) und niedrigem Phosphorgehalt (<0.02 %) sowie einem durchschnittlichen Heizwert von über 3100 kcal/kg.

    3. Materialen und Methoden

    3.1. Probenahme und Analyse

    Zwischen dem 12. und 29. Mai 2025 wurden im Bergbaugebiet Huolingol insgesamt 38 Grundwasserproben entnommen. 25 Proben stammten aus der Stadt Huolingol, die übrigen 13 aus dem nördlichen Teil des angrenzenden Jarud-Banners ( Abb. 1c und d). Alle Proben waren Grundwasserproben aus landwirtschaftlichen Bewässerungsbrunnen, Trinkwasserbrunnen und Messbrunnen des Kohlebergwerks. Die Brunnentiefen lagen zwischen 20 µm und 120 µm. Der Grundwasserspiegel in ungespannten Grundwasserleitern liegt zwischen 2 und 25 µm ( Wang, 2015 ), sodass alle Brunnen die gesättigte Zone vollständig durchdringen. Die Probenahmestellen waren gleichmäßig verteilt, um eine gute regionale Repräsentativität zu gewährleisten. Vor der Probenahme wurde jeder Brunnen etwa 5 Minuten lang gespült, um den Einfluss von stehendem Wasser zu eliminieren. Die Proben wurden durch 0.45-µm-Membranen filtriert und in zuvor gereinigten Polyethylenflaschen aufbewahrt, die zuvor 2-3 Mal mit lokalem Grundwasser gespült worden waren. An jedem Standort wurden Proben in dreifacher Ausführung entnommen. Probenkonservierung, -transport und -vorbehandlung erfolgten gemäß den nationalen Vorgaben. Alle Proben wurden schließlich zur physikalisch-chemischen Analyse an die Inner Mongolia Xin'antai Testing and Evaluation Technology Co., Ltd. gesendet.

    Zu den analysierten Parametern gehörten pH-Wert und die wichtigsten Kationen (Mg).2+Ca2+Na+K+), Hauptanionen (HCO3-Cl-, SO42-), Permanganatindex (CODMn), Ammoniakstickstoff (NH₃)4+-N), Nitrat (NO3-), Gesamtmenge gelöster Feststoffe (TDS), Gesamthärte (TH) und Fluorid (F)-Der pH-Wert wurde vor Ort mit einem tragbaren pH-Meter gemessen. CSBMn wurde mittels Titration mit saurem Kaliumpermanganat bestimmt. NH4+Der Stickstoffgehalt wurde mittels UV/VIS-Spektrophotometrie (Gerät UV-9600, Seriennummer 03005) analysiert. Der Gesamtfeststoffgehalt (TDS) wurde gravimetrisch bestimmt. Die Gesamthärte (TH) wurde durch EDTA-2Na-Titration ermittelt. Kationen wurden mittels Atomabsorptionsspektrometrie (Gerät WFX-120B, Seriennummer 03006) analysiert.3- wurde mittels Säure-Base-Indikatortitration gemessen. Die verbleibenden Anionen (Cl-, SO42-, Ich habe nicht3-, F-) wurden mittels Ionenchromatographie (Gerätemodell CIC-100, Seriennummer 03117) analysiert. Sulfat-Schwefel- und Sauerstoffisotope (?34S-SO42- Und ?18O-SO42-Die Proben wurden nach Sulfatfällung als BaSO₄ mittels eines Massenspektrometers für stabile Isotopenverhältnisse (DeltaV Plus) analysiert.4Die analytische Präzision betrug ±0.2‰ für 34S und ±0.3‰ für  18O. Die Fehler der Ionenladungsbilanz lagen für alle Proben unter 5 %, was auf zuverlässige Daten hinweist. Schwermetalle (As, Cd, Pb, Zn, Fe, Mn, Hg) lagen größtenteils unterhalb der Nachweisgrenze oder weit unterhalb der Trinkwassernormen. Sie wurden aufgrund des vernachlässigbaren Gesundheitsrisikos ausgeschlossen.

    3.2. Selbstorganisierende Karte (SOM)

    Die Grundwasserproben wurden mithilfe eines hybriden Ansatzes klassifiziert, der selbstorganisierende Karten (SOM) und K-Means-Clustering kombiniert. SOM projiziert hochdimensionale hydrochemische Daten auf ein zweidimensionales Neuronengitter, wobei topologische Beziehungen erhalten bleiben und gleichzeitig eine nichtlineare Dimensionsreduktion ermöglicht wird ( Qu et al., 2022 ; Appukuttan et al., 2025 ). Die optimale Kartengröße wurde anhand des Quantisierungsfehlers (QE) und des topografischen Fehlers (TE) bestimmt. Anschließend wurde K-Means-Clustering auf die Neuronengewichte der SOM angewendet, wobei die optimale Clusteranzahl durch den Silhouette-Koeffizienten und den Davies-Bouldin-Index ermittelt wurde ( Mao et al., 2021 ). Die Analyse wurde in R durchgeführt.

    3.3. Räumliche Interpolation hydrochemischer Parameter

    Mithilfe der inversen Distanzgewichtung (IDW, Exponent = 2, Vier-Sektor-Nachbarschaft) in ArcGIS 10.8 Geostatistical Analyst wurden räumliche Verteilungskarten von 14 hydrochemischen Parametern erstellt. Zur Bewertung der Leistungsfähigkeit wurde für jeden Parameter eine Leave-One-Out-Kreuzvalidierung (LOOCV) durchgeführt. Die Ergebnisse der Kreuzvalidierung (mittlerer Fehler ME, mittlerer quadratischer Fehler RMSE) sind in Tabelle S2 zusammengefasst.

    3.4. Entropiegewichtetes TOPSIS-Modell

    Die Grundwasserqualität wurde mithilfe der EW-TOPSIS-Methode (Entropy Weight-Technique for Order of Preference by Similarity to Ideal Solution) bewertet, die eine objektive Entropiegewichtung mit der TOPSIS-Rangfolge kombiniert ( Chen, 2021 ). Um die Bewertung an regulatorischen Vorgaben zu orientieren, wurden virtuelle Standardwasserproben, die auf den Grenzwerten der Klassen I–IV der chinesischen Grundwasserqualitätsnorm (GB/T 14,848-2017) basieren, in die Entscheidungsmatrix integriert (detaillierte Grenzwerte sind in Tabelle S3 und die entsprechenden Parameter der virtuellen Proben in Tabelle S4 aufgeführt ). Die Berechnung der Entropiegewichte erfolgte wie im Anhang ( Tabelle S5 ) beschrieben. Dieser Ansatz verschiebt die Bewertung von einem rein relativen Vergleich hin zu einer standardbasierten Klassifizierung.

    3.5. Positive Matrix Factorization (PMF)-Modell

    Die Quellenzuordnung erfolgte mittels Positiver Matrixfaktorisierung (PMF, EPA PMF 5.0); Norris et al., 2014), ein Rezeptormodell, das eine gemessene Datenmatrix unter Nichtnegativitätsbedingungen in Faktorbeiträge und Profile zerlegt (Paatero und Tapper, 1994Das Modell minimiert eine Zielfunktion Q, die auf den gemessenen Konzentrationen und ihren zugehörigen Unsicherheiten basiert. Diese Unsicherheiten wurden aus der Nachweisgrenze und der relativen Standardabweichung berechnet (detaillierte Gleichungen im Zusatzmaterial). Die Eingangsdaten umfassten 12 chemische Parameter (TDS, TH, CSB).MnNH4+-N, NEIN3-Cl-, HCO3-, F-Na+K+Ca2+, Mg2+Die Daten stammen von allen 38 Probenahmestellen. Die Modelle wurden mit 4–6 Faktoren und verschiedenen Zufallszahlengeneratoren berechnet. Die optimale Lösung wurde anhand der Residuenanalyse, des Q-Werts und der geochemischen Interpretierbarkeit ausgewählt.

    3.6. Priorisierung von Gesundheitsrisiken für den Menschen auf Basis von Monte-Carlo-Simulationen

    Die nicht-karzinogenen Gesundheitsrisiken durch F⁻ , NO₃⁻ und SO₄²⁻ wurden gemäß dem Expositionsmodell der USEPA (USEPA, 2004) unter Berücksichtigung der Aufnahmewege oral und dermal für Erwachsene und Kinder bewertet . Die Einbeziehung von SO₄²⁻ als Gesundheitsrisikofaktor ist durch seine potenziellen gesundheitlichen Auswirkungen gerechtfertigt. Hohe SO₄²⁻ - Konzentrationen im Trinkwasser können gastrointestinale Beschwerden, insbesondere bei Kindern, verursachen ( Chien et al., 1968 ; USEPA, 2004 ). Eine Referenzdosis (RfD) von 8.2 mg/kg/Tag wurde aus Su et al. (2026) übernommen.

    Zur Berücksichtigung von Parameterunsicherheiten wurde eine Monte-Carlo-Simulation (10,000 Iterationen) mit der Software Crystal Ball® durchgeführt. Den Eingangsparametern wurden auf Basis der veröffentlichten Literatur ( Chen et al., 2023 ; Su et al., 2026 ; Yan et al., 2025 ) Wahrscheinlichkeitsverteilungen zugewiesen: Aufnahmerate (IR) und Körpergewicht (BW) folgten Normalverteilungen (Kinder: IR 1.20 ± 0.12 l/d, BW 26.8 ± 2.68 kg; Erwachsene: IR 2.50 ± 0.25 l/d, BW 70.0 ± 7.00 kg); Expositionsfrequenz (365 Tage/Jahr), -dauer (6 Jahre bei Kindern, 30 Jahre bei Erwachsenen) und Mittelungszeit (2190 Tage bei Kindern, 10,950 Tage bei Erwachsenen) waren Punktwerte. Alle Expositionsparameter wurden als unabhängig angenommen, was eine konservative und in ähnlichen Studien weit verbreitete Vorgehensweise darstellt ( Chen et al., 2023 ; Su et al., 2026 ). Parameter und Referenzwerte für die Dosis (RfD) sind in Tabelle S13 zusammengefasst . In jeder Iteration wurden die Gefahrenquotienten (HQs) für jeden Schadstoff berechnet und summiert, um eine Wahrscheinlichkeitsverteilung des Gefahrenindex (HI) zu erhalten ( Gl. S20–S23 ). Die Sensitivitätsanalyse identifizierte die einflussreichsten Parameter.

    Deterministische HI-Werte wurden anhand mittlerer Expositionsparameter und der gemessenen Schadstoffkonzentrationen an jedem Probenahmepunkt berechnet. Um PMF-Quellen mit Gesundheitsrisiken in Verbindung zu bringen, wurden die Faktorbeiträge zum HI anhand der PMF-Beitragsmatrix und der Quellenprofile ( Tabellen S11 und S12 ) nach der von Chen et al. (2023 ) beschriebenen Methode ( Gl. S24–S26 ) geschätzt. Die räumliche Verteilung der deterministischen HI-Werte wurde mittels IDW-Interpolation (Potenz = 2, Vier-Sektoren-Nachbarschaft; Abschnitt 3.3 ) mit LOOCV unter Verwendung von HI-Daten von Erwachsenen generiert.

    4. Ergebnisse

    4.1. Hydrochemische Klassifizierung

    Unter Berücksichtigung des Quantisierungsfehlers (QE=0.99) und des topologischen Fehlers (TE=0.104) wurde die SOM-Topologie schließlich als 5×5 mit einer Lernrate von 0.1 und 1000 Trainingsiterationen definiert. Die Silhouette-Koeffizientenanalyse ergab, dass der Spitzenwert (0.28) bei einer Clusteranzahl von 3 erreicht wurde. Folglich wurden die Grundwasserproben mithilfe der selbstorganisierenden Karte in Kombination mit K-Means-Clustering in drei Cluster eingeteilt: Cluster 1 umfasst 9 Proben, Cluster 2 umfasst 4 Proben und Cluster 3 umfasst 25 Proben.Abb. 2).

    1. Herunterladen: Hochauflösendes Bild herunterladen (944KB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 2 . Selbstorganisierende Karten von 14 Variablen und die entsprechende U-Matrix-Darstellung.

    Räumlich wiesen die drei Cluster unterschiedliche hydrogeologische Merkmale auf ( Abb. 1c ): Cluster 1 trat vorwiegend in klastischen, porös-klüftigen Grundwasserleitern auf, die sich um den durch die Entwässerung von Tagebaukohlegruben entstandenen Senkungstrichter verteilten und eine typische Zone mit langsam fließendem oder stagnierendem Abfluss darstellten. Cluster 2 konzentrierte sich auf unkonsolidierte, poröse und klastische, porös-klüftige Grundwasserleiter, die hauptsächlich in Flussmündungszonen lagen und einer typischen Grundwasserstagnierungszone entsprachen. Cluster 3 trat überwiegend in unkonsolidierten, porösen und verwitterten, porös-klüftigen Grundwasserleitern auf, die sich in den Randbereichen des Probenahmenetzes und angrenzend an klüftige Grundwasserleiter im Festgestein verteilten und die hydrogeochemischen Eigenschaften von Grundwasserneubildungs- oder -nahen Gebieten widerspiegelten.

    Piper-Diagrammanalyse (Abb. 3Die Ergebnisse zeigten deutliche hydrochemische Unterschiede. Cluster 1 wurde von Na-HCO₃ dominiert.3 und gemischtes Ca-Na-HCO3 Typen, wobei die Kationen hauptsächlich von Na dominiert werden.+ (obwohl Ca2+ und Na+sind in einigen Proben vergleichbar) und Anionen, die auf HCO zentriert sind3-Cluster 2 bestand aus einem Gemisch aus Ca-Na-SO₄.4 und Ca-Na-HCO3 Typen, mit beiden Ca2+ und Na+die Kationenzusammensetzung und die Anionen einschließlich SO gemeinsam dominieren42- und HCO3-Cluster 3 wies eine typische Ca-HCO₃-Struktur auf.3 Typ, mit Kationen, die stark mit Ca angereichert sind2+ und Anionen, die von HCO dominiert werden3-SOM integriert Daten mehrerer Indikatoren (pH-Wert, TDS, Gesamthärte, Hauptionen), während Piper-Diagramme nur Hauptionen verwenden. Daher können Proben innerhalb desselben SOM-Clusters unterschiedliche Piper-Fazies aufweisen, was den Vorteil von SOM für eine umfassende Charakterisierung unterstreicht.

    1. Herunterladen: Hochauflösendes Bild herunterladen (725KB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 3. Piper-Diagramm der hydrochemischen Typen für drei Grundwassercluster.

    4.2. Schadstoffeigenschaften und räumliche Verteilung

    Abb. 4 präsentiert Boxplots der hydrochemischen Variablen für die drei Grundwassercluster; Abb. 5 zeigt ihre räumlichen Verteilungen. LOOCV bestätigt eine zuverlässige IDW-Interpolation: Die mittleren Fehler (ME) relativ zu den mittleren Konzentrationen sind für die meisten Parameter gering (z. B. TDS: 3.62 %, TH: 0.3 %, Na).+: 0.15 %), was auf eine vernachlässigbare systematische Abweichung für diese Analyten hindeutet. Cl- und NH4+-N weisen etwas höhere relative ME-Werte auf (16.5 % bzw. 18.1 %), was angesichts ihrer hohen räumlichen Heterogenität zu erwarten ist (Tabelle S2Für diese beiden Parameter besteht eine geringfügige positive Abweichung (Überschätzung), die Interpolation ist jedoch weiterhin nützlich zur Visualisierung räumlicher Trends. Die mittleren quadratischen Fehler (RMSE) variieren je nach Parameter und spiegeln Unterschiede in der räumlichen Variabilität und den Konzentrationsbereichen wider; Parameter mit höherer räumlicher Heterogenität weisen erwartungsgemäß größere RMSE auf. Insgesamt unterstützen diese Validierungsmetriken die Verwendung der IDW-Interpolation zur Visualisierung räumlicher Trends in diesem Datensatz.

    1. Herunterladen: Hochauflösendes Bild herunterladen (721KB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 4. (a)–(j) Boxplots der hydrochemischen Variablen für drei Grundwassercluster und deren zulässige Grenzwerte. Hinweis: Die zulässigen Grenzwerte beziehen sich auf die Klasse-III-Standards der „Grundwasserqualitätsnormen“ (GB/T 14,848-2017).

    1. Herunterladen: Hochauflösendes Bild herunterladen (1 MB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 5 . (a)-(n) Räumliche Verteilung der hydrochemischen Variablen des Grundwassers im Untersuchungsgebiet.

    Cluster 1 (zentral-nordöstliche Zonen mit langsamer Strömung) wies signifikant höhere NH-Werte auf.4+-N, F-, HCO3-Na+und K+ als die anderen Cluster (Abb. 4Das erhöhte Na+K+und HCO3- Sie spiegeln intensive Silikatverwitterung und Kationenaustausch unter langsamen Fließbedingungen wider und schaffen so ein alkalisches, natriumreiches Milieu, das die Bildung von Fluor begünstigt.- Desorption und hemmt deren Ausfällung. Folglich wies dieser Cluster den höchsten F-Wert auf.- Die Konzentrationen in allen Proben überschritten in 44 % den Grenzwert der Klasse III (1.0 mg/L), was auf eine geogene Fluoridbelastung hinweist, die durch natürliche hydrodynamische Bedingungen verstärkt wird. Räumlich betrachtet ist die Fluoridkonzentration hoch.- konzentrierte sich auf den zentralen Norden (Abb. 5h), im Einklang mit der Verteilung in Cluster 1. Weitverbreitetes NH4+-N-Überschreitungen (67 % über dem Grenzwert der Klasse III von 0.50 mg/L) deuten auf anthropogene Einträge hin (häusliches Abwasser, diffuse landwirtschaftliche Quellen).

    Cluster 2 (zentralöstliche Stagnationszonen) wies die höchsten Konzentrationen an TDS, TH und CSB auf.Mn, Ich habe nicht3-, SO42-Ca2+ und Mg2+ (Abb. 4Der mittlere TDS-Wert (1009.25 ± 246.71 mg/L) und der mittlere TH-Wert (611.75 ± 135.32 mg/L) überschritten beide die Grenzwerte der Klasse III, wodurch dieses Grundwasser als stark mineralisiert und hart eingestuft wird.42- Sulfat erwies sich in diesem Cluster als Hauptverunreinigung; alle Proben wiesen erhöhte Sulfatwerte auf, die wahrscheinlich auf anthropogene Säureeinträge aus Grubenwasser und Industrieabwässern zurückzuführen sind. Entsprechend waren die Konzentrationen von TDS, TH und SO₄²⁻ erhöht.42- im zentralöstlichen Teil des Untersuchungsgebiets waren die Werte signifikant höher als in anderen Regionen (Abb. 5b, c, i). Auch Nitratbelastung war weit verbreitet: 50 % der Proben überschritten den Grenzwert der Klasse III für NO₃⁻.3-, wobei hochwertige Gebiete eng mit Dörfern übereinstimmen, die durch intensive landwirtschaftliche Nutzung gekennzeichnet sind (Abb. 5f) Stagnierende Bedingungen verlangsamen die Schadstoffausbreitung und fördern die Anreicherung von NO3- und so42-Dadurch wird dieses Gebiet zu einem Hotspot für gemischte Kontaminationen.

    Cluster 3 (östliche, westliche und südliche Randgebiete der Grundwasserneubildung) wies die niedrigsten Konzentrationen über alle Parameter hinweg auf ( Abb. 4 ). Alle Proben erfüllten die Grenzwerte der Klasse III für alle gemessenen Indikatoren, was auf einen minimalen anthropogenen Einfluss hindeutet. Dieses Gebiet liegt fernab von Bergbau, Industrie und Landwirtschaft, wodurch die schnelle Grundwasserneubildung die Schadstoffanreicherung begrenzt. Cluster 3 repräsentiert den natürlichen Hintergrund und dient als Referenz für die Bewertung von Kontaminationen.

    Zusammenfassend lässt sich sagen, dass die Grundwasserbelastung im Untersuchungsgebiet eine deutliche räumliche Heterogenität aufweist: Geogene Fluoridbelastung dominiert in Cluster 1 (Zone mit langsamer Fließgeschwindigkeit), während anthropogene Sulfat- und Nitratbelastung in Cluster 2 (Stagnationszone angrenzend an Industrie- und Landwirtschaftsgebiete) vorherrscht. Cluster 3 weist eine natürliche Hintergrundqualität auf. Diese Muster bilden die räumliche Grundlage für die nachfolgende Quellenzuordnung und die Bewertung des Gesundheitsrisikos.

    4.3. Bewertung der Grundwasserqualität

    Basierend auf der Berechnung des EW-TOPSIS-Modells wurden die fünfstufigen Klassifizierungsschwellenwerte für die Grundwasserqualität anhand der relativen Nähe (Ci) von vier virtuellen Grundwasserproben bestimmt ( Tabelle S6 ). Die Klassifizierung ist wie folgt: Ci > 0.8347 entspricht „Klasse I (Ausgezeichnet)“; 0.7424 ≤ Ci < 0.8347 entspricht „Klasse II (Gut)“; 0.6028 ≤ Ci < 0.7424 entspricht „Klasse III (Mäßig)“; 0.1934 ≤ Ci < 0.6028 entspricht „Klasse IV (Schlecht)“; und Ci < 0.1934 entspricht „Klasse V (Sehr schlecht)“. Die Qualitätskategorien und Ci-Werte der Grundwasserproben für jedes Cluster sind in Abb. S1 und Tabelle S6 dargestellt . Die Auswertungsergebnisse zeigen, dass 84.2 % der Grundwasserproben im Untersuchungsgebiet als „mittelmäßig“ oder besser eingestuft wurden. Dies spiegelt eine allgemein gute Wasserqualität wider, die für Trinkwasser geeignet ist oder nach entsprechender Aufbereitung geeignet gemacht werden könnte. Die verbleibenden 15.8 % der Proben wurden als „schlecht“ (Klasse IV) eingestuft; diese gehören alle zu den Clustern 1 und 2. Im Gegensatz dazu erreichten alle Proben in Cluster 3 mindestens die Qualitätskategorie „mittelmäßig“ und wiesen damit eine deutlich bessere Wasserqualität im Vergleich zu Cluster 1 und 2 auf.

    5. Diskussionen

    5.1. Hydrochemische Prozesse zur Bestimmung der Hauptionen

    Gibbs-Diagramme (Gibbs, 1970) wurden verwendet, um die dominanten Einflussfaktoren (Verdunstung, Gesteinsverwitterung, Niederschlag) zu identifizieren (Abb. 6a und b). Die meisten Proben fielen in die Gesteinsverwitterungszone, was darauf hindeutet, dass Wasser-Gestein-Wechselwirkungen die hydrochemische Zusammensetzung bestimmten. Einige Proben der Cluster 1 und 3 wichen nach rechts ab, was auf Kationenaustausch oder geringfügige anthropogene Einträge hindeutet. Gaillardet-Diagramme (Gaillardet et al., 1999) (Abb. 6c und d) identifizierten die dominanten Verwitterungsminerale. Alle Proben gruppierten sich nahe dem Silikat-Endglied, insbesondere die Cluster 1 und 3. Dies deutet darauf hin, dass die Verwitterung von Silikatmineralen der primäre Prozess war, der die Grundwasserchemie beeinflusste, was mit der regionalen Geologie weit verbreiteter Silikatgesteine ​​(vulkanoklastische, klastische Gesteine) übereinstimmt.

    1. Herunterladen: Hochauflösendes Bild herunterladen (1 MB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 6Hydrochemische Prozesse, die die Grundwasserchemie steuern. (ab) Gibbs-Diagramme, (cd) Gaillardet-Diagramme und (eh) Korrelationsdiagramme der Ionenverhältnisse: (e) Cl- vs. Na+, (f) SO42- vs. Ca2+, (g) HCO3-vs. Ca2+, (H) ?18O-SO42-vs 34S-SO42-.

    Zur weiteren Identifizierung der Quellen und Steuerungsprozesse der chemischen Komponenten des Grundwassers wurde eine Reihe von Ionenverhältnisdiagrammen verwendet ( Abb. 6 e–h ).

    Dann ein+/ Cl- Verhältnisdiagramm (Abb. 6e) zeigt, dass die meisten Proben Na enthalten.+/ Cl- Die Verhältnisse lagen deutlich über 1 (1.5–22.7), was die Halitauflösung als primäre Natriumquelle ausschließt. Cluster 1 (um den Entwässerungskegel der Mine) wies höhere Verhältnisse auf, was auf eine starke Na-Konzentration hindeutet.+ Anreicherung. Um weiter zu unterscheiden, ob Na+ Die Anreicherung wird auf Silikatverwitterung oder Kationenaustausch zurückgeführt; der Chloralkali-Index (CAI-I) wurde quantitativ ausgewertet (Abb. S2Die Ergebnisse zeigten, dass Cluster 1 einen stark negativen CAI-I-Wert aufwies, was eine intensive Vorwärts-Na-Aktivität bestätigte.+-ca2+ Kationenaustausch (Fan et al., 2024Dies führte zu Ca2+ und Mg2+ Verarmung und Na+ Anreicherung, wodurch günstige Bedingungen für F geschaffen werden- Anreicherung (hoher pH-Wert, natriumreiche Umgebung fördert F)- Desorption). Dies hing mit dem flachen hydraulischen Gradienten und der trägen Strömung um den Entwässerungskegel zusammen (Zhang, 2016Die Cluster 2 und 3 wiesen einen schwächeren Kationenaustausch mit überschüssigem Na auf.+ hauptsächlich durch Silikatverwitterung (Albit in pyroklastischen Gesteinen).

    Das Ca2+/ALSO42- Verhältnisdiagramm (Abb. 6f) zeigt, dass die meisten Proben Ca enthalten.2+/ALSO42- > 1 und weichen von der für die Gipsauflösung typischen 1:1-Linie ab, was darauf hindeutet, dass die Gipsauflösung nicht dominant war. Die Sättigungsindizes von PHREEQC bestätigten, dass alle Proben mit Gips untersättigt waren (SI < 0) (Tabelle S7), wodurch die Gipsauflösung als signifikanter SO-Faktor weiter ausgeschlossen wird.42- Quelle. Dieser Befund stimmte mit früheren Studien überein, die berichteten, dass die Gesteinsschichten in dieser Region nahezu gipsfrei waren (Wang, 2015; Zhang, 2016Die meisten Proben wiesen einen relativen Überschuss an Ca auf.2+, die möglicherweise auf die Verwitterung von Silikaten und/oder die Auflösung von Calciumsilikatmineralien durch äußere saure Einflüsse zurückzuführen sind (Zhang et al. 2023Einige Proben in Cluster 1 wiesen erhöhte SO-Werte auf.42- Inhalt. Angesichts der begrenzten Verbreitung von Sulfidmineralien im Untersuchungsgebiet (Wang, 2015; Zhang, 2016), diese SO42- stammten wahrscheinlich aus anthropogenen Aktivitäten wie der Entwässerung von Kohlebergwerken oder der Einleitung von Industrieabwässern (Yang et al., 2024).

    Das Ca2+/HCO3- Verhältnisdiagramm (Abb. 6g) zeigten darüber hinaus deutliche Muster von Wasser-Gestein-Wechselwirkungen. Die meisten Proben aus Cluster 3 und einige Proben aus Cluster 1 lagen entlang der 1:1-Linie. Ohne Karbonatschichten (Wang, 2015; Zhang, 2016Dies spiegelt die Silikatverwitterung (z. B. Anorthit) wider.Raju et al., 2009Einige Proben der Cluster 1 und 3 lagen oberhalb der Linie (Ca).2+/HCO3-<1), was auf Ca hinweist2+ Adsorption über Kationenaustausch. Alle Proben aus Cluster 2 liegen unterhalb der Linie (Ca).2+/HCO3-> 1). In Kombination mit dem geringen Einfluss der Gipsauflösung (Abb. 6f) deutet dieses Muster auf externe saure Einträge (z. B. anthropogene Schwefelsäure) hin, die calciumhaltige Silikatminerale auflösen. Bei diesem Prozess wird erhebliches Calcium freigesetzt.2+ und Mg2+ während der Einführung von SO42- ohne einen entsprechenden Anstieg von HCO3- (Li et al., 2008; Nordstrom et al., 2015), was zu hoher Härte und SO führt42- in Cluster 2.

    Doppelisotope ( ³⁴S -SO₄²⁻ und ¹⁸O - SO₄²⁻ ) wurden verwendet , um die Sulfatquellen im Grundwasser der drei Cluster zu ermitteln ( Abb. 6h ). Die Isotopenbereiche für verschiedene Sulfatquellen (Kohlenbergbauabwasser, atmosphärische Deposition, Düngemittel, Abwasser und Evaporitauflösung) wurden der Literatur entnommen ( Cui et al., 2025 ; Su et al., 2026 ). Zwei Proben aus Cluster 2 fielen in den Bereich des Kohlenbergbauabwassers, was auf Sulfat aus der Oxidation schwefelhaltiger Verbindungen in Kohleflözen hindeutet, das durch den Bergbau mobilisiert wurde; die anderen beiden fielen in den Bereich des Abwassers. Die Proben aus Cluster 3 gruppierten sich in der Nähe der atmosphärischen Deposition, wobei sich einige mit den Bereichen Düngemittel und Kohlenbergbauabwasser überschnitten. Die Proben aus Cluster 1 erstreckten sich vom Grubenwasser bis zu höheren Isotopenwerten, was auf eine Vermischung von Bergbausulfat mit landwirtschaftlichen/häuslichen Quellen hindeutet.

    Die Nitratquellen wurden mithilfe von Cl weiter differenziert.- vs. NEIN3-/ Cl- Diagramm (Abb. S3Cluster 1 wies niedrige NO-Werte auf.3-/ Cl- und niedriges Cl-, was keine signifikante Nitratbelastung zeigt. In Cluster 2 wurde ein „niedriges Cl“ festgestellt.-, hoher NO-Wert3-/ Cl-Die „Signatur“ wies auf eine Belastung durch landwirtschaftliche Düngemittel hin, während ein „hoher Cl-Wert“-, mäßig NO3-/ Cl-Das Muster deutete auf eine Verunreinigung durch Abwasser/Gülle hin (Su et al., 2026Cluster 3 wies niedrige Verhältnisse auf, was auf einen natürlichen Hintergrund mit geringem anthropogenem Einfluss hindeutet.

    Durch die Integration der oben genannten grafischen Analysen konnten die dominanten hydrogeochemischen Prozesse, die die drei Grundwassercluster im Untersuchungsgebiet bestimmen, klar abgegrenzt werden: Cluster 1 war primär durch einen intensiven Kationenaustausch in Vorwärtsrichtung geprägt, wobei die Silikatverwitterung die materielle Grundlage bildete. Dieser Prozess führte zu einer starken Verarmung an Ca²⁺ und Mg²⁺ , einer signifikanten Anreicherung an Na⁺ und zur Bildung von typischem Na-HCO₃ - Wasser. Cluster 2 wurde hauptsächlich durch anthropogene Verschmutzung beeinflusst und wies Merkmale auf, die typisch für vom Menschen veränderte Systeme sind. Externe saure Einträge förderten eine starke Auflösung von Silikatmineralen, wodurch große Mengen an Kationen wie Ca²⁺ freigesetzt und gleichzeitig erhebliche Mengen an SO₄²⁻ und Cl⁻ eingebracht wurden . Insgesamt bildeten sie ein stark mineralisiertes, gemischt verschmutztes Gewässer. Cluster 3 repräsentierte die regionale natürliche hydrochemische Signatur, die primär durch die Silikatverwitterung jurassischer vulkanoklastischer Gesteine ​​bestimmt wurde. Er wies eine geringe Mineralisierung auf und spiegelte das günstige hydrogeochemische Milieu von Grundwasserneubildungs- oder -nahen Gebieten wider. Diese Prozess-Erkenntnisse unterstützen die Quellenidentifizierung und Risikobewertung von prioritären Schadstoffen (F – in Cluster 1; SO 4 2- /NO 3 – in Cluster 2).

    5.2. Quellenidentifizierung und -aufteilung

    Die PMF-Analyse identifizierte sechs Quellen als optimale Lösung. Das Modell passte gut: Die Residuen lagen größtenteils zwischen -3 und 3, Q(robust)/Q(wahr) = 0.80. Das R² für 12 Parameter reichte von 0.35 bis 0.99 (Mittelwert 0.85) ( Tabelle S8 ), was eine gute Übereinstimmung zwischen vorhergesagten und gemessenen Werten belegt. Die Robustheit wurde mittels Bootstrap- (100 Läufe, R > 0.6) und DISP-Analysen verifiziert . Alle sechs Faktoren wurden stabil reproduziert, mit Mapping-Raten von 68–100 % ( Tabelle S9 ). DISP zeigte keine Faktortausche bei dQ<sub>max</sub> = 4, 5, 15, was auf keine Rotationsmehrdeutigkeit hinweist ( Tabelle S10 ). Diese Diagnosen bestätigen die Zuverlässigkeit der Sechs-Faktoren-Lösung, wobei Faktor 4 aufgrund einer niedrigeren Mapping-Rate mit Vorsicht zu interpretieren ist. Faktorprofile und -beiträge sind in Tabelle S11 und Abbildung 7 dargestellt.

    1. Herunterladen: Hochauflösendes Bild herunterladen (715KB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 7. Die PMF-Analyseergebnisse (a) Beitragsrate der sechs Faktoren zu jedem chemischen Parameter. (b) Anteil der sechs Faktoren an der Quellenzuordnung (Faktor 1: Kationenaustausch-Silikatverwitterung; Faktor 2: landwirtschaftliche Düngemittel; Faktor 3: anthropogen verstärkte Silikatauflösung; Faktor 4: Abbau organischer Substanz-Karbonat; Faktor 5: gemischtes Grubenwasser und industrielles/häusliches Abwasser; Faktor 6: häusliches Abwasser und Tiermist).

    Faktor 1 trug maßgeblich zu Na⁺ ( 33.26 %), K⁺ ( 43.19 %) und F⁻ ( 49.68 %) bei. Dieses Muster deutet auf einen intensiven Kationenaustausch (Na⁺-Ca²⁺) hin , der zu einer signifikanten Anreicherung von Na⁺ und einer entsprechenden Verarmung an Ca²⁺ und Mg²⁺ führte . Die Verwitterung fluorhaltiger Silikatminerale (z. B. Biotit, Amphibol) in jurassischen Vulkanoklastiten, verstärkt durch lang anhaltende Wasser-Gesteins-Wechselwirkung und Kationenaustausch, war die Hauptquelle für F⁻ . Die durchgängige Untersättigung aller Proben in Bezug auf Fluorit (CaF₂ ; Tabelle S7 ) zeigte, dass die F⁻ - Konzentrationen nicht durch die Fluoritlöslichkeit begrenzt waren, was diese Interpretation weiter stützt. Demnach wurde Faktor 1 als Quelle für Kationenaustausch und Silikatverwitterung identifiziert, die sowohl zur Entwicklung der Hauptionen als auch zur Fluoridanreicherung beitrug.

    Faktor 2 wies einen außergewöhnlich hohen Beitrag zu NO₃⁻ ( 89.86 %) auf und übertraf damit alle anderen Indikatoren deutlich. Die Anreicherung von NO₃⁻ im Grundwasser wird typischerweise mit landwirtschaftlichen Düngemitteln, häuslichem Abwasser und Gülle oder leichten Industrieabwässern in Verbindung gebracht ( Xu et al., 2025 ). Allerdings würden auch organische Stickstoffquellen den CSB<sub> Mn</sub> -Wert erhöhen ( Hou et al., 2022 ). In Faktor 2 betrug der Beitrag zum CSB<sub> Mn</sub> lediglich 7.36 %, was signifikante organische Einträge ausschließt. Somit stammte das NO₃⁻ in Faktor 2 primär aus anorganischen landwirtschaftlichen Düngemitteln. Dieser Faktor wurde als Quelle für landwirtschaftliche Düngemittel identifiziert.

    Faktor 3 zeigte einen hohen Beitrag zu Mg2+ (64.77%), Ca2+ (60.68 %) und SO42- (20.33 %). Dieser Faktor repräsentiert anthropogen verstärkte Silikatverwitterung und nicht einen natürlichen geochemischen Prozess. Exogener Wasserstoff2SO4 aus Grubenwasser (Oxidation von Schwefelverbindungen) beschleunigt die Auflösung von Ca-Mg-Silikaten und setzt Ca frei2+, Mg2+, SO42- (Li et al., 2008; Nordstrom et al., 2015Diese Interpretation wird durch SO unterstützt.42- Isotope (Abb. 6h): Proben mit hohem Faktor-3-Anteil (alle gehören zu Cluster 2, Tabelle S12) fiel in das Grubenwassergebiet. Dies bestätigt, dass die für die Silikatauflösung verantwortliche Säure aus dem Kohlebergbau und nicht aus natürlichen Prozessen stammt. Faktor 3 wurde daher als anthropogen bedingte Quelle der Silikatmineralauflösung identifiziert.

    Faktor 4 wurde von HCO dominiert.3- (73.99 %), mit mäßigen Beiträgen zum CODMn (20.59%), Cl- (28.99 %) und F- (27.04 %), jedoch geringe Beiträge zu wichtigen Kationen wie Na+Ca2 + und Mg2+Dieses Muster entspricht nicht der typischen Silikat- oder Karbonatauflösung. Stattdessen entstand CO₂ durch mikrobiellen Abbau organischer Substanz in der ungesättigten Zone oder im oberflächennahen Grundwasserleiter.2wodurch das Carbonatgleichgewicht in Richtung HCO₃⁻ verschoben wird.3- Formation (Cangemi et al., 2021; Yamanaka, 2012Das gleichzeitige Vorhandensein von CODMnCl-, und F-weitere unterstützte Einträge aus mildem häuslichem Abwasser oder organischer Bodensubstanz (Zhou et al., 2026Faktor 4 wurde somit als Quelle für den Abbau organischer Substanz und damit für Carbonate identifiziert.

    Faktor 5 trug signifikant zu SO₄²⁻ ( 77.23 %), Cl⁻ ( 54.58 %) und Na⁺ ( 45.52 %) bei . Die Daten zur Sulfat-Doppelisotopenanalyse ( Abb. 6h ) wiesen darauf hin, dass SO₄²⁻ hauptsächlich aus Grubenwasser oder Abwasser stammt, während die gemeinsame Anreicherung von Na⁺ und Cl⁻ auf gemischte Einträge aus häuslichem und industriellem Abwasser hindeutet ( Mu et al . , 2024 ; Yan et al., 2025 ). Proben mit hohen Anteilen an Faktor 5 wurden in Bergbau-, Industrie- und Landwirtschaftsgebieten gefunden ( Tabelle S12 ). Faktor 5 wurde daher als gemischte Quelle aus Grubenwasser und industriellem/häuslichem Abwasser identifiziert.

    Faktor 6 wies den höchsten Anteil an NH₄⁺ - N (78.15 %) auf, gefolgt von K⁺ ( 29.95 %) und Na⁺ ( 14.99 %). Diese Ionen kommen häufig in Haushaltsabwässern und Tiermist vor: NH₄⁺ - N stammt aus der Tierhaltung und stickstoffhaltigen Düngemitteln, während K⁺ und Na⁺ aus Haushaltsabwässern und Tierkot stammen ( Jiang et al., 2024 ; Li et al., 2020 ). Unzureichendes Abwasser- und Güllemanagement ermöglichte das Eindringen von Schadstoffen. Daher wurde Faktor 6 als Mischquelle aus Haushaltsabwässern und Tiermist identifiziert.

    Die Beiträge der sechs Faktoren wurden normalisiert ( Abb. 7b ), um den Einfluss jeder Quelle auf die Grundwasserverschmutzung zu quantifizieren. Die Ergebnisse zeigten, dass der größte Einfluss auf die gemischte Verschmutzungsquelle aus Grubenwasser und Industrie-/Haushaltsabwasser zurückzuführen war (Faktor 5, 22.42 %), gefolgt von der Auflösung von Silikatmineralien (Faktor 3, 19.31 %), Kationenaustausch und Silikatverwitterung (Faktor 1, 16.40 %), Abbau organischer Substanz und Karbonat (Faktor 4, 15.53 %), landwirtschaftlichen Düngemitteln (Faktor 2, 13.98 %) sowie Haushaltsabwasser und Tiermist (Faktor 6, 12.36 %). Diese Rangfolge verdeutlicht, dass die anthropogen bedingte, kombinierte Verschmutzung die Entwicklung der Grundwasserqualität maßgeblich prägte. Bergbau und industrielle Aktivitäten übten den stärksten Druck aus. Die durch den Menschen verstärkte Silikatauflösung rangierte an zweiter Stelle und bestätigte damit die starke menschliche Beeinflussung der natürlichen Wasser-Gesteins-Wechselwirkungen. Zusammenfassend lassen sich die sechs mittels PMF ermittelten Faktoren in drei Kategorien einteilen: (i) natürliche Hintergrundbelastung (Faktor 1, 16.40 %); (ii) anthropogen verstärkte geochemische Reaktionen (Faktoren 3 und 4, 34.84 %); und (iii) direkte Schadstoffeinträge (Faktoren 2, 5 und 6, 48.76 %). Diese Klassifizierung zeigt, dass direkte anthropogene Einträge und verstärkte Reaktionen zusammen den größten Teil der Kontamination ausmachen, während die natürliche Hintergrundbelastung eine untergeordnete Rolle spielt.

    5.3. Priorisierung von Gesundheitsrisiken für den Menschen

    5.3.1. Probabilistische Risikocharakterisierung

    Mithilfe einer Monte-Carlo-Simulation (10,000 zufällige Iterationen) wurden die nicht-karzinogenen Gesundheitsrisiken durch Fluorid (F⁻ ) , Sulfat (SO₄²⁻ ) und Nitrat (NO₃⁻ ) bei oraler und dermaler Aufnahme für Erwachsene und Kinder untersucht. Die Ergebnisse zeigten signifikante Unterschiede in den nicht-karzinogenen Risiken dieser drei Schadstoffe zwischen den Bevölkerungsgruppen ( Abb. 8 a–d). Bezüglich des Gefahrenquotienten (HQ) für die einzelnen Schadstoffe betrugen die Wahrscheinlichkeiten für eine Überschreitung des Sicherheitsschwellenwerts (>1) bei Kindern 4.70 % für F⁻ , 3.60 % für SO₄²⁻ und 1.87 % für NO₃⁻ , während die entsprechenden Werte bei Erwachsenen 1.92 %, 2.07 % bzw. 1.13 % betrugen. Diese Ergebnisse deuten darauf hin, dass F⁻ und SO₄²⁻ prioritäre Schadstoffe im lokalen Grundwasser darstellen und Kinder im Vergleich zu Erwachsenen einem höheren Gesundheitsrisiko durch alle drei Schadstoffe ausgesetzt sind. Der simulierte Gefahrenindex (HI) zeigte, dass Kinder eine Wahrscheinlichkeit von 33.93 % hatten, den Sicherheitsgrenzwert zu überschreiten (HI > 1), was 1.75-mal höher war als bei Erwachsenen (19.36 %). Daher sollten Kinder eine wichtige Zielgruppe für den Schutz im regionalen Grundwassergesundheitsrisikomanagement darstellen.

    1. Herunterladen: Hochauflösendes Bild herunterladen (1023KB)
    2. Herunterladen: Bild in voller Größe herunterladen

    Abb. 8. Priorisierung von Gesundheitsrisiken für den Menschen und quellenspezifischer Risikobeitrag. Kumulative Verteilungsfunktionen des HQ für (a) F⁻ , (b) NO₃⁻ , (c) SO₄²⁻ und (d) HI. (e) Boxplots zur Darstellung der Verteilung der HI-Werte , die den einzelnen PMF-aufgelösten Faktoren zugeordnet sind. (f) Prozentualer Beitrag jedes Faktors zum Gesamt-HI für Kinder und Erwachsene. (HQ: Gefahrenquotient; HI: Gefahrenindex; Faktor 1: Kationenaustausch – Silikatverwitterung; Faktor 2: Landwirtschaftliche Düngemittel; Faktor 3: anthropogen verstärkte Silikatauflösung; Faktor 4: Abbau organischer Substanz – Carbonat; Faktor 5: Gemischtes Grubenwasser und Industrie-/Haushaltsabwasser; Faktor 6: Haushaltsabwasser und Tiermist).

    5.3.2. Quellenspezifische Beiträge zum Gesundheitsrisiko

    Die Beiträge der einzelnen Faktoren zum HI wurden für Kinder und Erwachsene quantifiziert ( Abb. 8 e und f). Faktor 1 (Kationenaustausch – Silikatverwitterung) wies den höchsten Median-HI auf ( Abb. 8 e), wobei mehrere Kinderproben einen HI-Wert von über 1 zeigten, was ihn als Hauptrisikofaktor bestätigte. Es folgten Faktor 4 (Abbau organischer Substanz – Karbonat) und Faktor 5 (gemischte Grubenwässer und industrielle/häusliche Abwässer), wobei auch Faktor 5 in einigen Proben einen HI-Wert von über 1 aufwies. Faktor 1 allein machte etwa 48 % des Gesamt-HI beider Gruppen aus ( Abb. 8 f). Die Faktoren 4 und 5 trugen jeweils etwa 26 % bzw. 23 % bei. Dies zeigt, dass die geogene Fluorid - Anreicherung (Faktor 1) der primäre Gesundheitsrisikofaktor war, gefolgt vom Abbau organischer Substanz (Faktor 4) und anthropogenen SO₄²⁻ - Einträgen (Faktor 5). Der höhere HI-Wert bei Kindern über alle Faktoren hinweg bestätigt ihre Vulnerabilität zusätzlich. Dieser quantitative Zusammenhang zwischen Quelle und Risiko bietet eine wissenschaftliche Grundlage für die Priorisierung von Kontrollmaßnahmen.

    5.3.3. Räumliche Verteilung und Sensitivitätsanalyse von Gesundheitsrisiken

    Räumlich konzentrierten sich die Gebiete mit hohen HI-Werten in Wohngebieten südöstlich des zentralen Tagebaus ( Abb. S4 a und b), die mit den Regionen von Cluster 2 und einem Teil von Cluster 1 übereinstimmten. Deterministische Risikoschätzungen ergaben, dass 36.65 % der Kinder und 26.31 % der Erwachsenen den Grenzwert überschritten (HI > 1). Die probabilistischen Risiken aus der Monte-Carlo-Simulation (33.93 % für Kinder, 19.36 % für Erwachsene) lagen unter diesen deterministischen Werten, da die probabilistische Simulation Parametervariabilität und Extremwerte berücksichtigt und somit reale Expositionsszenarien umfassender abbildet ( Guyonnet et al., 1999 ; Yuan et al., 2024 ). Die IDW-Interpolation für HI wurde mittels LOOCV validiert: ME = 0.022, RMSE = 0.4815 ( Tabelle S2 ). Der nahezu nullwertige ME-Wert bestätigt das Fehlen systematischer Verzerrungen. Der moderate RMSE-Wert ist auf die geringe Stichprobengröße (n=38) zurückzuführen, die Abgrenzung der Hochrisikozone wird jedoch durch die gemessenen hohen HI-Werte in Cluster 2 und teilweise in Cluster 1 unterstützt. Dies unterstreicht die Notwendigkeit, dem Gesundheitsschutz von Kindern in Hochrisikogebieten Priorität einzuräumen.

    Die Sensitivitätsanalyse identifizierte F-, SO42-, und nein3- Konzentrationen als die einflussreichsten Parameter, die die Unsicherheit der HI bestimmen (Abb. S4 c und d). Bei Kindern betrugen die Sensitivitätsindizes 56.51 % (F-), 52.28 % (SO42-) und 37.13 % (NO3-), mit einem ähnlichen Muster bei Erwachsenen (56.42 %, 53.31 % bzw. 36.15 %). Diese konsistente Rangfolge (F->SO42->?NEIN3-) zeigt an, dass die Kontrolle von F- und so42- wäre die effektivste Strategie zur Reduzierung der Gesundheitsrisiken in dieser Region.

    5.4. Auswirkungen der integrierten Quellenrisikobewertung und des Risikomanagements

    Durch die Integration der PMF-Quellenanalyse in die Gesundheitsrisikobewertung liefert diese Studie eine quantitative Grundlage für die Verknüpfung spezifischer Verschmutzungsquellen mit gesundheitlichen Auswirkungen und ermöglicht so gezieltere Managementstrategien. Basierend auf diesen quellenspezifischen Risikobeiträgen werden die folgenden Maßnahmen in der angegebenen Reihenfolge empfohlen.

    • (1)

      Höchste Priorität: geogene Fluoridanreicherung (Faktor 1, ca. 48 % des gesamten HI). Im Cluster 1 (Zentral-Nord, um den Entwässerungskegel der Mine) wird Fluorid auf natürliche Weise durch die Verwitterung fluorhaltiger Mineralien freigesetzt. Das Management sollte sich auf alternative Wasserquellen oder die Aufbereitung direkt am Verbrauchsort (z. B. Umkehrosmose) konzentrieren und dabei die lokalen wirtschaftlichen Gegebenheiten und die Akzeptanz in der Bevölkerung berücksichtigen. Die Optimierung der Brunnenplatzierung und die Überwachung des Grundwasserspiegels tragen ebenfalls dazu bei, eine weitere Fluoridfreisetzung zu verhindern.

    • (2)

      Zweite Priorität: Abbau organischer Stoffe (Faktor 4, ca. 26 % des gesamten Grundwassereintrags). Diese Quelle trägt über Fluorid wesentlich zum Grundwassereintrag bei. Im Gegensatz zu geogenem Fluorid wird das Fluorid dieser Quelle wahrscheinlich durch den Abbau organischer Stoffe aus Haushalten und Landwirtschaft aus geologischen Materialien freigesetzt. Das Management sollte sich auf die Reduzierung der organischen Belastung der Grundwasserleiter durch verbesserte ländliche Sanitärversorgung und Abwasserentsorgung konzentrieren.

    • (3)

      Dritte Priorität: anthropogene Sulfateinträge (Faktor 5, ca. 23 % des Gesamt-HI). Für Cluster 2 (südöstliche Wohngebiete) ist die Hauptquelle eine Mischung aus Grubenwasser und Industrie-/Haushaltsabwasser. Die Verwaltung sollte der verbesserten Grubenwasserbehandlung, der Optimierung der industriellen Abwassersammlung und der strengen Einleitungsregulierung Priorität einräumen.

    • (4)

      Querschnittspriorität: Kinderschutz. Kinder sind einem 1.75-fach höheren Gesundheitsrisiko ausgesetzt als Erwachsene (33.9 % gegenüber 19.4 %). Gezielte Maßnahmen in Risikogebieten (Cluster 2 und teilweise Cluster 1) sollten die Behandlung von Trinkwasser direkt an der Wasserentnahmestelle in Schulen, regelmäßige Gesundheitsüberwachung und öffentliche Gesundheitswarnungen umfassen. Obwohl Nitrat (Faktor 2) und Abwasser (Faktor 6) nur einen minimalen Beitrag leisten (ca. 3 % bzw. < 0.1 %), sind sie dennoch relevant für das lokale Landwirtschafts- und Sanitärmanagement.

    5.5. Einschränkungen und zukünftige Forschungsrichtungen

    Diese Studie weist mehrere Einschränkungen auf, die in zukünftigen Arbeiten berücksichtigt werden müssen. Erstens basiert die Analyse auf einer einzigen Probenahmekampagne (Mai 2025). Obwohl dies eine hydrogeologisch stabile Periode darstellt, können saisonale Schwankungen (insbesondere für NO₃⁻ , beeinflusst durch Landwirtschaft und Grundwasserneubildung) nicht erfasst werden. Detaillierte Informationen zu Sieb- und Probenahmetiefen wurden nicht dokumentiert, was die Charakterisierung der vertikalen Wasserqualität einschränkt. Zukünftige Studien sollten ein mehrjähriges Monitoring umfassen, detaillierte Daten zum Brunnenbau erfassen und Standardprotokolle befolgen, die eine Parameterstabilisierung vor der Probenahme erfordern, um die zeitliche und vertikale Dynamik zu erfassen und die Stabilität der Quellenzuordnung zu validieren. Darüber hinaus weist die Gesundheitsrisikobewertung zwei Einschränkungen auf: Das additive HI-Modell berücksichtigt keine potenziellen synergistischen oder antagonistischen Effekte zwischen gleichzeitig auftretenden Schadstoffen (F⁻ , NO₃⁻ , SO₄²⁻ ) , und die Parameter für die dermale Exposition basieren auf Standardwerten der USEPA , denen regionsspezifische Daten fehlen. Zukünftige Studien sollten toxikologische Modelle für Schadstoffgemische untersuchen und regionsspezifische Expositionsparameter entwickeln, um die Risikoeinschätzungen zu verfeinern. Drittens liefert das PMF-Rezeptormodell eine statische Momentaufnahme der Quellbeiträge, während das Grundwassersystem dynamisch ist (bevorzugte Fließwege, Absenkungstrichter, saisonale Neubildung). Zukünftige Studien sollten numerische Grundwasserströmungs- und Transportmodelle (z. B. MODFLOW) mit Rezeptormodellen integrieren, um die zeitliche Dynamik aufzulösen und die Entwicklung der Quellbeiträge unter sich ändernden hydrogeologischen Bedingungen zu simulieren. Weitere zukünftige Arbeiten sollten Folgendes umfassen: verbindungsspezifische Isotopenanalyse (z. B. δ¹⁵N -NO₃ ) , um Nitratquellen besser einzugrenzen; Einbeziehung organischer Schadstoffe (z. B. PAK) für eine umfassendere Risikobewertung; und die Entwicklung probabilistischer Risiko-Kosten-Optimierungsrahmen zur Unterstützung einer kosteneffektiven Sanierung.

    6. Schlussfolgerungen

    Diese Studie entwickelte ein integriertes Rahmenwerk, das SOM, PMF und Monte-Carlo-Simulation kombiniert, um Grundwasserverschmutzungsquellen mit Gesundheitsrisiken in einem typischen ariden Kohleabbaugebiet zu verknüpfen. Die Anwendung auf das Bergbaugebiet Huolingol führte zu drei Hauptergebnissen.

    • (1)
      Es wurden drei Grundwassercluster mit unterschiedlichen Kontaminationsmustern identifiziert: Cluster 1 (Na-HCO₃)3 Typ, langsam fließende Zonen): erhöhter F- und NH4+-N, mit F- Anreicherung gesteuert durch Kationenaustausch und Silikatverwitterung unter alkalischen Bedingungen. Cluster 2 (Ca-Na-SO4 Typ, Stagnationszonen in der Nähe von Industrie/Landwirtschaft: hohe TDS-, TH- und SO-Werte42-, Ich habe nicht3-Dies deutet auf einen starken anthropogenen Einfluss hin. Cluster 3 (Ca-HCO)3 Typ): natürliche Hintergrundqualität.
    • (2)
      Die PMF-Quellenanalyse quantifizierte die Dominanz anthropogener Quellen. Sechs Kontaminationsquellen wurden identifiziert, wobei gemischte Grubenwässer und industrielle/häusliche Abwässer den größten Anteil (22.42 %) ausmachten, gefolgt von der durch den Menschen verstärkten Silikatauflösung (19.31 %). Zusammen verursachten sie über 40 % der Gesamtkontamination und unterstrichen damit den enormen Einfluss von Bergbau- und Industrieaktivitäten.
    • (3)
      Die Gesundheitsrisikobewertung ergab, dass Kinder am stärksten gefährdet waren (33.9 % HI > 1 gegenüber 19.4 % bei Erwachsenen), mit F- und so42- als primäre Risikofaktoren. Hochrisikogebiete deckten sich mit Cluster 2 und teilweise mit Cluster 1. Quellenspezifische Analysen zeigten, dass geogenes Fluorid (Faktor 1) etwa 48 % zum gesamten HI beitrug, gefolgt vom Abbau organischer Substanz (Faktor 4, etwa 26 %) und anthropogenem Sulfat (Faktor 5, etwa 23 %).

    Dieses Rahmenwerk stellt einen quantitativen Zusammenhang zwischen Verschmutzungsquellen und Gesundheitsrisiken her und kann angewendet werden, um prioritäre Schadstoffe und gefährdete Bevölkerungsgruppen in vergleichbaren Bergbauregionen zu identifizieren. Es ermöglicht eine evidenzbasierte Priorisierung für eine gerechte Ressourcenverteilung und liefert praxisorientierte Handlungsempfehlungen für politische Entscheidungsträger in Regionen, in denen der Bergbau mit Wasserknappheit und Gefährdungen der öffentlichen Gesundheit einhergeht.

    CRediT-Autorenbeitragserklärung

    Zheng Yin: Konzeptentwicklung, Recherche, Methodik, Verfassen des Originalentwurfs, Überarbeitung und Redaktion. Shiqi Zhang: Recherche. Xiao Fu: Konzeptentwicklung, Einwerbung von Fördermitteln, Überarbeitung und Redaktion. Ran Sun: Recherche, Methodik. Ran Lv: Recherche. Meng Yuan: Recherche. Ziyuan Gao: Recherche. Gang Wu: Einwerbung von Fördermitteln, Projektleitung.

    Erklärung zu konkurrierenden Interessen

    Die Autoren erklären, dass ihnen keine konkurrierenden finanziellen Interessen oder persönlichen Beziehungen bekannt sind, die die in diesem Artikel beschriebene Arbeit beeinflusst haben könnten.

    Anerkennungen

    Diese Forschung wurde durch das Nationale Schlüsselprogramm für Forschung und Entwicklung Chinas (Förderkennzeichen 2022YFF1303201 ) unterstützt.

    Anhang A. Ergänzende Daten

    Im Folgenden finden Sie die ergänzenden Daten zu diesem Artikel. Download: Word-Dokument herunterladen (489 KB) Multimedia-Komponente 1.

    Datenverfügbarkeit

    Daten werden auf Anfrage zur Verfügung gestellt.

    Referenzen