机器学习驱动的城市绿地重金属污染源解析与生态风险概率评估研究

推荐：本研究针对城市化进程中绿地土壤重金属(HMs)污染问题，创新性地结合SOM超聚类、随机森林(RF)和PMF模型进行源解析，并整合蒙特卡洛模拟(MCS)评估概率生态风险。发现兰州城市绿地土壤中Cd、Hg等元素超标严重，工业活动和燃煤是主要风险源，为城市环境治理提供了精准靶向策略。

　　

随着中国城市化进程加速，城市绿地土壤重金属污染已成为威胁生态安全和公众健康的隐形杀手。兰州作为典型的河谷工业城市，其特殊的地理环境和密集的工业布局使得重金属通过大气沉降、工业排放等多种途径在绿地土壤中富集。然而，传统污染评估方法存在非线性关系捕捉不足、源贡献量化不精确等问题，亟需创新方法实现精准溯源和风险管控。

兰州大学（根据CRediT声明中通讯作者王超的单位推断）的研究团队在《Ecotoxicology and Environmental Safety》发表的研究中，开创性地将机器学习与传统受体模型相结合。通过采集兰州主城区99个绿地土壤样本，测定As、Cd、Cr等8种重金属含量，采用SOM超聚类进行空间模式识别，PMF量化污染源贡献率，RF模型验证源解析结果，并首次将MCS与生态风险指数(RI)联用评估概率风险。

关键技术包括：1) 基于SOM-K均值双重聚类识别空间异质性；2) PMF-RF协同优化源解析模型；3) 整合地理累积指数(I_geo)、富集因子(EF)和综合污染指数(NIEF)的多指标评估体系；4) 10,000次MCS模拟量化不确定性。

研究结果揭示：

1. 重金属污染特征：Cd、Hg超标率分别达90.91%和94.95%，空间分布与工业区高度重合。蒙特卡洛模拟显示Hg的I_geo均值(0.45)最高，94%采样点存在中度以上生态风险。
2. 污染源解析：交通排放(38.11%)、工业-农业混合源(23.44%)、自然源(14.95%)和燃煤(23.49%)是四大来源，RF验证显示燃煤对Hg贡献率达69.07%。
3. 概率风险评估：燃煤排放虽非最大污染源，但因Hg的高毒性贡献30.47%的生态风险，敏感性分析显示Hg对RI值影响权重达80.02%。

这项研究的突破性在于：首次建立"机器学习-受体模型-概率评估"三位一体的分析框架，破解了传统方法对复杂城市污染系统解析的局限性。发现燃煤排放的生态风险贡献被严重低估，为兰州"减煤控污"政策提供科学依据。提出的SOM-PMF-RF协同优化策略，为全球城市环境治理提供了可复用的方法论工具。未来研究需关注重金属生物有效性，以更精准评估实际生态风险。