黄河流域农业土壤中重金属（类金属）的精确分布图绘制及其驱动因素研究：一种结合机器学习与地物探测技术的综合方法

《Environmental Research》：Precision mapping and driving factors of heavy metal(loid)s in agricultural soils of the Yellow River: An integrated machine learning and Geodetector approach

黄河流域农业土壤重金属污染的空间驱动机制与分布特征研究。整合27003个采样点数据，运用最优参数地理探测器（OPGD）与GA-ML模型，揭示As、Cd、Cr等8种重金属的空间分异规律及驱动因素，识别出工业走廊、农业混合源和地质铅汞富集区三大污染源区，为流域精准治理提供科学依据。

　　

李军|李旭|吴健|王超|刘俊卓|臧飞

兰州城市大学环境与城市建设学院，中国兰州730070

摘要

农业土壤中的重金属（类金属）污染威胁着全球粮食安全和可持续发展。尽管黄河流域（YRB）是一个重要的粮食生产区，面临着复杂的工业和水文压力，但该流域内重金属污染的驱动因素和空间分布模式仍不明确。为了解决这一问题，我们整合了209篇文献中的27,003个采样点数据，并结合了多源环境协变量和基于最优参数的地理检测器（Geo-detector），以确定重金属（As、Cd、Cr、Cu、Hg、Ni、Pb和Zn）的污染水平及其空间驱动因素。基于优化遗传算法的机器学习模型实现了对重金属分布的高精度预测。我们的评估结果显示，Cd和Hg是主要污染物，高风险区域集中在黄河上游和中部。关键的是，预测地图揭示了三个不同的、具有特定来源的积累区：1）以Cd和Cr为主的中央工业走廊；2）受农业和工业混合污染影响的下游地区；3）上游地区有地源性Pb和长距离大气传输的Hg沉积。这些发现为该重要农业区域的空间明确污染控制和管理策略提供了科学依据。

引言

农业土壤几乎是不可再生的，是全球粮食安全的基础。然而，这一重要资源正受到重金属（类金属）污染的日益严重威胁（Hou等人，2025年）。由于快速工业化、城市化进程的加速以及农业化学品的密集使用，镉（Cd）、砷（As）和铅（Pb）等有毒元素在农业表土中的积累速度惊人（Khan等人，2021年；Pan等人，2025年）。与有机污染物不同，重金属不可降解，可在土壤中持续存在数十年，逐渐加剧生态风险（Hou等人，2020年；Shi等人，2023年）。目前估计，全球14-17%的农业用地（约242万平方公里）受到重金属积累的影响（Hou等人，2025年）。这些污染物破坏了土壤的基本功能，降低了作物质量和产量，并可能通过食物链在人体内积累，从而对人类健康构成长期风险（Shi等人，2023年；Jomova等人，2025年）。在这种情况下，了解重金属污染的驱动因素并描述其空间分布对于有效的风险治理、可持续的土地管理和保护全球粮食安全至关重要。

黄河流域（YRB）对中国具有重大的战略意义，支撑着全国15%的耕地，并贡献了14%的GDP（Chen等人，2020年；Xie等人，2022年；Li等人，2024a）。然而，数十年的集约化农业、无序的工业发展和快速城市化导致了该地区耕地土壤的持续且严重的重金属污染（Liu等人，2023a；Li等人，2024a；Wang等人，2025年）。尽管许多针对特定地点的研究在矿区（He等人，2021年；Huang等人，2025年）、工业区（Cui等人，2021年；Liu等人，2023a，2023b）和污水灌溉区（Cao等人，2018年；Zhao等人，2024年）发现了令人担忧的重金属浓度和相关风险，但这些“零散”的研究提供的信息碎片化，不足以制定有效的流域尺度污染控制和修复策略。为了解决这一局限，我们最近的综合了这些分散的数据集，建立了首个全面的、流域尺度的耕地污染基线，包括其潜在来源以及相关的环境和健康风险（Li等人，2024a）。虽然初步研究提供了污染状况的关键快照，但其空间异质性的根本驱动因素仍需进一步探索。研究表明，重金属的空间分布不仅仅是排放源的函数，还受到气候、土壤性质和地貌等多种自然和人为因素的复杂调节（Sun等人，2022年；Yang等人，2023年；Pan等人，2025年）。然而，这些因素如何共同影响黄河流域农业土壤中重金属的命运和迁移，以及如何塑造污染风险格局，目前仍缺乏定量研究。这一关键知识空白阻碍了从传统的以源头为导向和末端治理策略向基于过程的精确流域尺度风险预防和控制策略的转变。

目前，已经采用了多种方法，包括传统的线性框架和先进的地理模型，来识别土壤中重金属分布的驱动因素（Sun等人，2022年；Deng等人，2023年；Duan等人，2024年；Pan等人，2025年）。其中，地理检测器（GD）最初由Wang等人（2010年）提出，并由Wang等人（2016年）进一步发展，因其能够量化非线性的空间异质性并检测重金属浓度与环境驱动因素之间的交互作用而得到广泛应用（Song等人，2020年；Yang等人，2023年；Duan等人，2024年）。然而，GD方法需要对连续变量进行手动离散化，引入了主观性和潜在的不确定性（Wang和Xu，2017年；Tao等人，2020年）。基于最优参数的地理检测器（OPGD）模型通过集成自动化优化程序来识别最合适的参数组合和离散化策略，从而解决了这一问题（Song等人，2020年；Xie等人，2024年；Liu等人，2025b）。这种方法提高了空间异质性分析的客观性和准确性。因此，OPGD越来越多地被用于识别重金属分布和其他复杂地理空间过程的关键驱动因素（Xie等人，2024年；Liu等人，2025b；Huang等人，2025年）。

虽然对离散采样点的驱动因素分析可以阐明污染机制（Duan等人，2024年；Pan等人，2025年），但这种方法只能提供对污染情况的片面理解。这一限制限制了连续高分辨率预测地图的开发，而这些地图对于有针对性的流域尺度修复和风险管理至关重要。机器学习（ML）模型，如极端梯度提升（XGBoost）和随机森林（RF），通过捕捉复杂的非线性关系，提供了将稀疏数据转换为具有空间明确性的预测地图的有效方法（Li等人，2024b；Han等人，2025年；Xu等人，2025年；Wu和Huang，2025年）。然而，这些模型的预测性能高度依赖于超参数配置（Zhang等人，2021年；Li等人，2024b），这是一个重大挑战，可能限制其有效性。传统的超参数调整方法，如网格搜索，在流域尺度上计算成本高昂，且容易收敛不理想，从而影响模型的泛化能力和风险划分的准确性（Dostmohammadi等人，2024年）。为了克服这些瓶颈，进化策略，特别是遗传算法（GA），已成为解析高维和非线性环境数据集的强大工具（Holland，1975年；Dostmohammadi等人，2024年；Liu等人，2025a）。尽管最近的研究验证了GA在光谱特征选择（Lin等人，2024年）、复杂系统降维（Do等人，2022年）以及提高土壤科学中源分配分辨率（R2>0.9）方面的有效性（Liu等人，2025a），但其应用主要限于特征工程。关于如何系统地应用GA来处理控制大规模空间风险映射的非凸超参数问题，仍存在关键知识空白。在这里，我们提出了一种新的GA-ML集成策略。我们假设这一框架将在预测精度上超越传统方法，并生成空间稳健的重金属浓度地图，为精确的环境管理提供坚实的基础。

基于以上内容，我们整合了2000年至2025年间发表的209篇同行评审研究中的27,003个采样点数据，以及一系列多源环境协变量，以研究黄河流域的重金属浓度。本研究有三个主要目标：（1）使用地理积累（Igeo）和改进的Nemerow综合（INI）污染指数评估八种优先重金属（As、Cd、Cr、Cu、Hg、Ni、Pb和Zn）的污染状况和空间分布模式；（2）使用GA-RF和GA-XGBoost模型生成高分辨率、全覆盖的重金属分布预测地图；（3）使用OPGD模型定量识别控制重金属空间异质性的主要驱动因素及其相互作用。这一综合的诊断-预测框架旨在填补重要知识空白，并为该关键区域的针对性土壤修复和可持续农业管理提供可靠的科学工具。

研究区域概述

黄河流域（YRB）横跨中国东部、中部和西部（东经96.31°–119.25°，北纬32.41°–42.32°），面积约为7.95×10^5平方公里（图1）。该流域发源于青藏高原，主干流全长5,464公里，流经青海、四川、甘肃、宁夏和内蒙古等九个省份的上游地区；陕西和山西的中游地区；以及河南和山东的下游地区（Niu等人，2024年）。地形从西向东倾斜，以黄土为母质

农业表土中重金属浓度概述

表1展示了黄河流域农业表土的pH值和重金属浓度的描述性统计信息。土壤pH值范围为6.5至8.6，中位数为8.2，表明土壤主要为中性至碱性。平均浓度按以下顺序降低：Zn（152.96 mg?kg^-1）> Pb（77.26 mg?kg^-1）> Cr（64.59 mg?kg^-1）> Cu（51.25 mg?kg^-1）> Ni（39.29 mg?kg^-1）> As（21.30 mg?kg^-1）> Cd（3.19 mg?kg^-1）> Hg（1.54 mg?kg^-1）。除了Cr之外，

结论

本研究基于2000年至2025年的数据，对黄河流域农业表土中的八种重金属进行了全面的流域范围评估。我们发现，虽然整体污染程度较轻，但Cd和Hg是主要污染物，它们在上游地区表现出明显的空间梯度，并在陕西-山西-河南交界处形成了多金属积累带。这种异质性是由工业结构、采矿活动等多种因素的复杂相互作用所驱动的

CRediT作者贡献声明

臧飞：撰写 – 审稿与编辑。刘俊卓：撰写 – 审稿与编辑。王超：撰写 – 审稿与编辑，资源管理，项目行政。吴健：撰写 – 审稿与编辑，方法论。李旭：可视化，软件，方法论。李军：撰写 – 审稿与编辑，原始草稿，调查，概念化

未引用参考文献

Huang等人，2025年。

利益冲突声明

? 作者声明没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了甘肃省科学技术计划项目（编号24JRRA530）、甘肃省高等教育创新基金会项目（编号2025A-161）以及黄河上游生态保护与高质量发展实验室开放研究基金（编号YSMRKF202402）的支持。