机器学习与反事实推理融合的镉污染修复决策框架：基于铁膜调控的预测优化与成本效益分析

这篇研究通过整合机器学习（XGBoost/SHAP）与因果推理（结构方程模型/反事实模拟），构建了铁膜介导的稻田镉（Cd）污染修复决策框架。基于76组土壤-水稻样本数据，量化了关键驱动因子（如有效铁300-400 mg/kg、pH>5.5）对稻米Cd累积的贡献（铁膜降低根部Cd吸收38.6%），并结合区域经济分析（如Na2SiO3调酸收益2.68×106 CNY/km2），实现了从“事后治理”到“精准预判”的范式突破。

　　

Highlight

本研究以铁膜介导的镉（Cd）固定为模型系统，提出了一种融合机器学习与因果推理的决策框架，用于稻田Cd污染的主动修复。通过分析76对土壤-水稻样本，极端梯度提升（XGBoost）和SHAP值分析从31项理化与微生物指标中筛选出6个稻米Cd累积的关键驱动因子。结构方程模型显示，铁膜使根部Cd吸收降低38.6%，主要受有效铁（贡献率41.9%）和pH（37.7%）调控。反事实情景模拟进一步量化了将稻米Cd控制在0.2 mg/kg以下的阈值组合：有效铁300-400 mg/kg且pH>5.5。湘潭县五乡镇的经济分析表明，高本底铁含量区域施用FeSO₄可获1.37×10⁶ CNY/km²净收益，而酸性区通过Na₂SiO₃调pH则可达2.68×10⁶ CNY/km²。该框架将预测分析与成本效益评估结合，为污染修复提供了从“被动应对”到“主动设计”的新范式。

Conclusion

本研究以铁膜调控为例，成功开发了融合修复效果预评估与经济收益的预测框架，解决了传统修复技术依赖事后验证的局限性。通过机器学习与因果推理的协同，量化了关键因子贡献并优化了区域特异性修复方案（如FeSO₄或硅酸钠的选择），为镉污染稻田的精准治理提供了兼具科学性与经济性的决策工具。

Environmental Implications

稻米养活了全球过半人口，但Cd污染威胁粮食安全与健康。传统修复技术成本高昂且耗时。我们提出的机器学习-因果推理框架，通过铁膜介导的Cd固定机制，锁定关键驱动因子并优化修复条件，实现了镉污染稻田的高性价比预判式治理。

（注：翻译严格保留专业术语如XGBoost/SHAP的英文缩写，并规范使用_{/^{标注化学式与单位，省略文献引用标识）}}