基于薄膜扩散梯度技术与机器学习的土壤-水稻系统中镉铜累积特征及驱动因子解析

针对耕地重金属污染风险评估难题，研究人员整合薄膜扩散梯度技术(DGT)与化学提取法(CaCl2 、草酸铵等)，结合随机森林(RF)和极端随机树(ERT)机器学习模型，揭示了Cd与Cu在土壤-水稻系统中的差异性迁移机制。研究发现pH>7时CaCl2 -Cd提取率骤降43.5%→7.8%，Mn氧化物是Cd的关键汇，RF模型对水稻根部Cd预测精度达R2 =0.72。该研究为重金属污染精准防控提供理论支撑。

　　

在亚洲粮食安全版图中，水稻作为主食作物承载着数十亿人的生命线，然而重金属污染正悄然侵蚀这条生命线。中国最新土壤调查显示，16.1%的耕地存在污染超标，其中镉(Cd)超标率达7%，铜(Cu)2.1%，湖南某冶炼区土壤Cd浓度甚至高达42.4 mg·kg^?1
。更令人忧心的是，自给稻农的Cd月摄入量可达WHO暂定限值的3倍，而江西乐安河流域62.3%居民因Cu暴露面临健康风险。这种"舌尖上的威胁"背后，是Cd与Cu在土壤-水稻系统中复杂的迁移转化谜题——两者虽同为亲硫元素，但Cd易吸附于固体表面，Cu则倾向固相结合；淹水条件下铁锰(Fe-Mn)氧化物还原会同步释放Cd²⁺
和Cu²⁺
，但Cu因离子半径差异具有更强再固定能力。传统基于土壤全量或单一形态的预测方法，难以捕捉这种动态差异。

湖南省农业环境生态研究所的研究团队在《Journal of Hazardous Materials》发表的研究，创新性地将薄膜扩散梯度技术(DGT)与化学提取法联姻，并引入机器学习算法，首次系统揭示了Cd与Cu在土壤-水稻系统中的分异规律。研究团队采集湖南益阳、湘潭等稻区82对土壤-水稻样本，采用DGT技术动态捕获重金属再补给过程，结合超纯水、草酸铵、CaCl₂
等化学提取法解析形态分布，整合土壤理化参数构建随机森林(RF)和极端随机树(ERT)预测模型。

关键方法
研究通过DGT技术获取Cd/Cu动态通量，采用Tessier连续提取法划分形态，测定pH、有机质(SOM)、Fe-Mn氧化物等16项土壤指标。机器学习选取RF、ERT等算法，通过SHAP值解析特征重要性，预测水稻根部重金属累积。

研究结果

土壤性质
土壤Cd总量(0.13–1.77 mg·kg^?1
)超标率达56.1%，而Cu(15.92–76.37 mg·kg^?1
)仅6.3%超标。DGT-Cd与CaCl₂
-Cd显著相关(r=0.89)，而Cu无此规律，暗示Cd具有更强迁移性。

化学行为差异
pH>7时CaCl₂
-Cd提取率从43.5%骤降至7.8%，而Cu不受影响。Cd释放与Mn氧化物还原显著耦合(p<0.01)，超纯水与DGT中Cd/Mn比与CaCl₂
提取态高度一致(r=0.77–0.89)，证实Mn氧化物是Cd的关键汇。

机器学习预测
RF模型对水稻根部Cd预测精度(R²
=0.72)显著优于ERT对Cu的预测(R²
=0.38)。特征重要性显示，交换态Cd和Mn主导Cd风险，而溶解态Cu和pH决定Cu归宿。

结论与意义
该研究突破传统静态评估局限，揭示Mn氧化物还原是驱动Cd活化的核心机制，而Cu行为受pH调控更显著。建立的DGT-ML耦合模型为重金属风险分级提供新范式，尤其RF模型对Cd的高精度预测(R²
=0.72)可实现污染预警。研究不仅阐明Cd/Cu在厌氧环境中的分异规律，更为中国稻区"因金属施策"的精准治理提供科学依据——针对Cd污染需重点监控Mn循环，而Cu污染应关注酸碱度调节。这种多方法联用的研究框架，为全球重金属污染农业区的风险管控树立了新标杆。