基于二次铝灰衍生的镁铝层状双氢氧化物修复Cd(Ⅱ)和Cr(Ⅵ)污染土壤的机制与经济优化研究

本研究创新性地将机器学习（XGBoost/SHAP）与因果推断结合，以水稻根表铁膜（iron plaque）介导的Cd固定为模型，通过76组土壤-水稻样本分析，揭示了有效Fe（300-400 mg/kg）和pH（>5.5）的阈值组合可维持稻米Cd<0.2 mg/kg，并量化了铁膜对根Cd积累的38.6%抑制率。研究进一步在湘潭地区实现区域化经济优化：高本底铁土壤中FeSO4修正净收益1.37×106 CNY/km2，酸性土壤pH调节（Na2SiO3）收益达2.68×106 CNY/km2，为污染稻田修复提供了从预测到预干预的决策范式。

　　

亮点

本研究通过机器学习与因果推断的融合框架，将传统"事后补救"转变为"主动预判"的修复策略，为重金属污染稻田治理提供了新范式。

关键发现

1. 1.

   驱动因子解码：XGBoost模型从31项指标中锁定6个稻米Cd积累核心驱动因子，其中铁膜通过阻断38.6%的根部Cd吸收发挥关键作用。

2. 2.

   机制解析：结构方程模型显示，有效Fe（贡献度41.9%）和pH（37.7%）是调控铁膜形成的两大"总开关"。

3. 3.

   经济适配方案：反事实模拟揭示——当土壤有效Fe达300-400 mg/kg且pH>5.5时，稻米Cd可稳定低于0.2 mg/kg安全线。在湘潭典型区域，FeSO₄修正对高铁本底土壤的净收益达137万元/km²，而Na₂SiO₃调酸方案在酸性区收益翻倍（268万元/km²）。

环境启示

全球过半人口的主粮正面临Cd污染威胁。我们的框架首次实现"预测-归因-优化"闭环，通过铁膜这把"生物锁"，以每平方公里百万级的经济收益，同步保障粮食安全与农民生计。

结论

这项研究不仅证实机器学习与因果推断联用可破解复杂环境系统的"黑箱"，更开创了污染修复从"试错模式"向"精准导航"的转型路径。未来该框架可扩展至其他重金属-作物系统，成为农业环境治理的智能决策引擎。