热共还原法制备nZVI/rGO复合材料通过序贯吸附-光催化降解协同作用强化全氟化合物去除

本研究创新性地采用机器学习(XGBoost/SHAP)与因果推断(SEM)联用技术，以水稻根表铁膜调控为模型，建立了镉污染稻田"预测-评估-优化"的主动修复决策框架。通过76组土壤-水稻系统数据分析，揭示了有效铁(41.9%)与pH(37.7%)对铁膜阻隔镉(降低38.6%)的关键调控作用，并量化了经济最优的FeSO4(1.37×106 CNY/km2)与Na2SiO3(2.68×106 CNY/km2)区域化修复方案。

　　

Highlight

环境警示：作为全球半数人口的主粮，稻米中的镉污染正严重威胁粮食安全与人类健康。传统修复技术因依赖耗时田间试验而成本高昂。我们开发的机器学习-因果推断联用框架，为镉污染稻田提供了主动修复决策新范式。

Section snippets

采样地点

研究聚焦中国镉污染最严重的湖南长株潭地区（核心区湘潭），尽管十年累计投入7.33亿CNY，仍缺乏可推广的修复技术。当前修复工作因缺乏预见性导致重大资源浪费。

关键特征筛选

基于XGBoost机器学习模型和SHAP值分析，从36项特征中筛选出调控稻米镉含量的关键指标（图S1）。通过逐步回归构建优化模型，最终确定6个核心驱动因子。

结论

本研究以铁膜调控为例，成功构建了整合修复效果预评估与经济分析的预测框架，突破了传统修复技术依赖事后验证的局限。通过76组样本的机器学习解析和因果推断，明确了有效铁(300-400 mg/kg)与pH(>5.5)的协同阈值，为区域化修复方案制定提供了量化依据。

环境意义

稻米镉污染治理面临高成本挑战。我们开发的铁膜介导修复框架，通过76组土壤-水稻系统数据分析，实现了成本效益最优的预修复决策，为保障粮食安全提供了创新解决方案。