基于机器学习的工业区深层土壤金属（类金属）污染预测：地表环境因素的作用

《Environmental Pollution》：Machine learning-based prediction of deep soil metal(loid) contamination in industrial areas: Role of surface environmental factors

预测深层土壤重金属分布的关键在于利用地表易获取的环境因子，本研究采用随机森林模型分析冶炼区地表因子与深层土壤As、Cd、Cu、Pb、Zn含量的相关性，发现有机质、铁、硫含量负相关，而重金属及黏粒含量正相关，模型R2达0.757-0.897，显著减少深层采样需求。

　　在工业活动日益频繁的背景下，土壤污染问题日益严峻，尤其在金属冶炼、采矿和化工生产等区域，其对周围生态环境构成了潜在威胁。土壤作为工业污染物的主要沉积场所，常常积累大量的重金属或类金属元素，如砷（As）、镉（Cd）、铜（Cu）、铅（Pb）和锌（Zn）。这些污染物不仅具有高度的毒性，还可能具有致癌性及持久性，因此其在土壤中的分布情况对于制定有效的污染治理和风险防控措施至关重要。

传统的土壤污染评估方法通常依赖于现场采样和实验室分析，但这种方法往往成本高昂且耗时费力，尤其是在需要评估深层土壤污染时。为了提高评估效率并降低环境影响，近年来，研究者开始探索基于机器学习的预测方法，特别是随机森林（Random Forest, RF）模型，因其在处理复杂数据关系和非线性问题上的优势而受到关注。RF模型不仅能够识别关键影响因素，还能有效减少对深层土壤数据的依赖，从而为实现低能耗、低碳排放的土壤修复策略提供支持。

本研究选取了中国中部地区的两个冶炼区域作为案例，这些区域的深层土壤母质相对均匀，便于分析深层土壤污染的分布规律。通过收集表层土壤的理化性质数据，以及重金属和类金属元素的含量信息，结合人为活动因素，如污染源、水文条件、土地利用和地表覆盖类型，构建了一个基于随机森林的预测模型。该模型能够预测深层土壤中重金属和类金属元素的污染水平，并通过模型的预测精度评估其有效性。

研究结果显示，表层土壤中的重金属和类金属元素含量显著高于深层土壤，这表明污染物主要通过溶解或颗粒迁移的方式从表层渗透至深层。在表层土壤中，As、Cd、Cu、Pb和Zn的几何平均含量分别为125、20.8、390、582和1013 mg/kg，而深层土壤（>0.4米）中这些元素的几何平均含量分别为19.4、1.34、90.5、73.0和265 mg/kg。这一差异说明，随着土壤深度的增加，重金属和类金属元素的含量呈指数下降趋势。

此外，研究还发现，深层土壤中的重金属和类金属元素含量与表层土壤的有机质（SOM）、铁（Fe）和硫（S）含量呈负相关，而与重金属和类金属元素本身以及黏土含量呈正相关。这表明，表层土壤的某些物理化学特性对深层土壤污染的分布具有重要影响。例如，较高的有机质含量可能有助于吸附重金属，从而减少其向深层迁移的潜力；而较高的黏土含量则可能促进重金属的滞留，使其在深层土壤中累积。

人为活动因素同样对深层土壤污染的分布起到了显著作用。污染源的分布、水文条件的变化、土地利用方式的不同以及地表覆盖类型的差异，都会影响污染物在土壤中的迁移路径和最终沉积位置。因此，在预测深层土壤污染时，必须充分考虑这些人为因素的影响。本研究通过引入这些因素，提高了预测模型的准确性，并为制定更具针对性的污染治理措施提供了依据。

研究采用的随机森林模型在预测As、Cd、Cu、Pb和Zn的污染分布方面表现出较高的精度，其决定系数（R2）值范围在0.757至0.897之间。这一结果表明，模型能够有效地捕捉深层土壤污染的分布规律，并在一定程度上减少对深层土壤钻探的需求，从而降低能源消耗和碳排放。这种基于表层数据的预测方法，不仅为深层土壤污染评估提供了一种新的思路，也为实现可持续的土壤修复策略提供了技术支持。

在实际应用中，随机森林模型的优势在于其能够处理高维数据，并对非线性关系具有较强的适应能力。这使得该模型在面对复杂多变的环境条件时，依然能够保持较高的预测精度。此外，该模型的构建过程相对简单，对数据的预处理要求较低，这进一步提高了其在实际应用中的可行性。

本研究的成果具有重要的环境意义。通过利用表层土壤的理化性质和人为活动数据，随机森林模型为深层土壤污染的预测提供了一种低成本、高效率的方法。这种方法不仅能够减少对深层土壤的直接采样，从而降低环境扰动和能源消耗，还能够帮助环境管理者更准确地识别污染热点区域，为制定科学合理的污染治理方案提供数据支持。同时，该方法的推广和应用也有助于推动环境科学领域向更加智能化、数据驱动的方向发展。

研究还强调了土地利用和地表覆盖类型对深层土壤污染的影响。在工业区周围，农业用地和林地的污染水平与冶炼区存在显著差异。这种差异可能源于不同土地利用方式下污染物的迁移路径和滞留机制不同。例如，农业活动可能通过施肥和灌溉等方式增加土壤中某些重金属的含量，而林地则可能由于植物根系的吸收作用，减少重金属的累积。因此，在进行污染预测时，需要综合考虑土地利用和地表覆盖类型的影响，以提高模型的预测精度。

为了验证模型的有效性，研究团队对两个冶炼区域的深层土壤污染情况进行了详细分析。结果表明，该模型在预测As、Cd、Cu、Pb和Zn的污染分布时，预测误差随着表层土壤中重金属和类金属元素含量的增加而显著降低。这意味着，当表层土壤中的污染物含量较高时，模型的预测能力更强，能够更准确地反映深层土壤的污染状况。此外，研究还发现，模型对预测深度的敏感性较低，表明该方法在不同深度范围内的适用性较广。

综上所述，本研究提出了一种基于随机森林的预测方法，能够利用表层土壤的环境因素来评估深层土壤中的重金属和类金属污染情况。该方法不仅提高了污染评估的效率，还为实现低能耗、低碳排放的土壤修复策略提供了新的技术手段。未来，随着机器学习技术的不断发展和环境数据的日益丰富，这种预测方法有望在更多污染治理场景中得到应用，为环境保护和可持续发展做出更大贡献。