机器学习驱动优化砷污染土壤修复：外源改良剂对蜈蚣草富集效率的经济性与效能分析

针对砷污染土壤修复中改良剂效果不稳定且经济成本被忽视的问题，研究人员通过机器学习分析2299组数据，构建随机森林模型（R2=0.846），揭示蜈蚣草（Pteris vittata）生物量提升对砷富集效率的关键作用，并首次提出"增强修复成本（ERC）"指标，发现磷肥成本效益最优（0.57-121.64 CNY/g As），为绿色修复技术推广提供量化依据。

　　

砷污染是威胁全球土壤健康的重大环境问题，传统修复技术存在生态破坏或成本高昂的缺陷。蜈蚣草（Pteris vittata）作为砷超富集植物，虽能实现绿色修复，但其自然修复效率波动大（年去除率0.02%-13.2%），且外源改良剂的应用效果不稳定——同一磷肥处理在不同实验中可能使砷去除率降低46.2%或提升4767%。更关键的是，过去研究多聚焦于效果验证，忽视了经济成本这一实际应用中的核心瓶颈。

针对这一难题，国内某研究机构（根据CRediT声明推测为通讯作者Jun Yang团队）在《Ecotoxicology and Environmental Safety》发表的研究中，创新性地将机器学习与成本分析相结合。研究人员从121项研究中提取2299个数据点，涵盖18项参数（改良剂类型、施用时间、土壤有效砷等），通过随机森林模型解析关键影响因素，并首创"增强修复成本（ERC）"量化指标。关键技术包括：1) 文献数据标准化处理（使用GetData Graph Digitizer提取图表数据）；2) 随机森林建模（R 4.2.3软件，五折交叉验证）；3) 基于中国市场价格计算ERC值。

研究结果揭示三大核心发现：

1. 改良剂效能差异
   磷肥与植物激素表现最优（中位提升104.5%-127.5%），而螯合剂因抑制生长导致富集效率最低。慢释型磷肥（如磷矿粉）通过刺激根系分泌有机酸，使根密度增加26%，实现砷活化与生物量协同提升。

2. 关键驱动因素
   机器学习显示生物量贡献度（%IncMSE=34.7）远超砷浓度（%IncMSE=21.3）。最佳操作参数包括：改良剂移植后60天施用（匹配PvACR3s基因表达峰值）、培养周期90-120天、土壤有效砷<9 mg/kg时效果显著。

3. 经济性突破
   磷肥以0.57-121.64 CNY/g As的成本优势成为最优选择，而乙二胺二琥珀酸（EDDS）和谷胱甘肽（GSH）因单价过高（达常规螯合剂20倍）不具备经济可行性。

这项研究首次建立了"效能-成本"双维评价体系，颠覆了传统以高活化效率为先的技术路线，明确提出"优先保障生物量，其次优化砷有效性"的新范式。提出的ERC指标为政策制定者提供了量化工具，其中磷肥的经济优势尤其适合在发展中国家推广。未来研究可扩展该机器学习框架至其他重金属-超富集植物体系，推动绿色修复技术的精准化应用。