《Journal of Hazardous Materials》:Risk identification and tracing of heavy metals in rice fields: An integrated framework of machine learning, Google Earth Engine, geochemical modeling, and pollution fingerprinting for regional-scale risk assessment
编辑推荐:
区域农业重金属风险智能评估体系构建:整合GEE-RF识别水稻田、MSM-RF解析重金属形态分布及生物有效性、PMF-RF溯源污染源,揭示pH-有机质耦合调控机制,提出精准管控策略。
杨正伦|刘朝阳|王明霞|侯景涛|崔倩倩|万翔|熊娟|丽贝卡·耶茨|尚家琪|谭文峰
中国湖北省地质调查局,武汉430034
摘要
由于重金属对健康的危害,大米中的重金属问题引起了公众的关注。为了在区域范围内有效识别和追踪大米田中的重金属,本研究创新性地结合了机器学习、Google Earth Engine (GEE)、地球化学建模和污染指纹分析技术,旨在提高目标田块的识别能力、金属形态预测以及重金属风险分配的准确性。通过将GEE与随机森林(RF)模型结合,能够准确识别大米田(总体准确率为0.98),从而便于进行风险分区评估。多表面形态模型(MSM)与RF模型的结合进一步明确了大米田中重金属的形态分布、生物可利用性和淋溶风险,并模拟了重金属在土壤pH变化下的吸附-解吸行为。富里酸(FA)可以增强大米对重金属的吸收能力,而土壤中的溶解有机质(DOM)则增加了重金属(尤其是铅和铜)的淋溶潜力。正矩阵分解(PMF)-RF集成方法确定了重金属的来源,主要来自土壤母质、化肥施用、交通污染和工业排放,其相对贡献分别为27.8%、24.5%、26.2%和21.5%。本研究提出的综合框架有助于区域农业污染管理。
引言
全球关注的某些重金属由于其高迁移性和毒性,可能通过食物链威胁生态安全和人类健康[1]、[2]、[3]。人类接触镉(Cd)、铅(Pb)和铜(Cu)等重金属可能导致不良健康后果,包括器官损伤以及对神经系统、心血管系统和消化系统的损害[4]、[5]、[6]。饮食摄入是人类摄入重金属的重要途径,而大米作为全球广泛种植的主食,容易受到重金属污染。在区域范围内有效识别和追踪大米田中的重金属对于食品安全和人类健康至关重要。空间插值是一种常用的技术,用于划定农田中的风险区域[7]。风险评估和管理策略因不同的土地利用类型而异。然而,传统的空间插值方法往往无意中包含了多种土地利用类型,导致结果不明确,从而妨碍了准确的风险识别[8]。Google Earth Engine (GEE) 提供了从遥感数据中初步识别土地特征的功能。将GEE与机器学习模型(如随机森林(RF)相结合,可以实现基于区域植被覆盖的自适应模型训练,显著提高识别精度[9]、[10]、[11]。因此,GEE-RF方法可以有效地划定目标大米田,防止无意中的耕作扩展,并便于识别大米田中的重金属风险。
目前对大米田中重金属的风险评估主要基于重金属的总量,包括单一污染指数、Nemerow综合指数和潜在生态风险指数[12]、[13]、[14]。然而,研究发现,具有高生物可利用性的土壤中溶解态重金属是评估环境风险和作物安全性的更有效指标[15]、[16]。与有机质、粘土矿物或金属氧化物等土壤成分结合的重金属形态,在土壤化学条件变化时表现出不同的转化潜力[17]、[18]、[19]。因此,全面识别土壤中不同形态的重金属及其转化潜力对于进行综合风险评估至关重要。多表面形态模型(MSM)等机制地球化学模型可以量化重金属与多种反应表面之间的相互作用,从而预测土壤中重金属的形态分布和转化[20]、[21]、[22]。将RF模型与MSM结合使用,可以纳入更多环境变量[23]、[24],有助于确定控制重金属形态的关键因素,从而实现更有效的风险评估。
在识别环境风险后,追踪大米田中重金属的来源对于实施有针对性的污染控制至关重要。然而,仅凭金属浓度的空间异质性无法全面了解污染源及其输入途径[25]。基于污染指纹分析的受体模型(如美国环境保护署(USEPA)推荐的正矩阵分解(PMF)已被越来越多地用于识别重金属的污染源类别及其贡献权重[26]、[27]。尽管如此,一些不明确的排放清单可能导致基于受体模型的重金属来源识别存在不确定性[26]、[28]。将先进的机器学习模型(如RF)与PMF结合使用,有助于减少大米田中重金属来源追踪的不确定性,因为RF可以对潜在来源指标的重要性进行排序,从而完善排放清单[29]、[30]。
迄今为止,针对区域规模农业田块中重金属风险评估的集成框架(包括目标田块识别、形态预测和来源分配)尚未得到充分关注。为填补这些知识空白,本研究选择了中国中部的代表性农业工业复合区,旨在结合机器学习、GEE、地球化学形态建模和污染指纹分析技术,以实现区域范围内大米田中重金属的有效识别和追踪。具体目标包括:(1)结合GEE和RF识别目标大米田;(2)整合MSM、RF和冗余分析(RDA),以确定典型大米田中重金属的形态分布、生物可利用性、淋溶潜力和关键控制因素,进行综合风险评估;(3)结合PMF和RF分析重金属的污染指纹和来源指标,以实现有效的风险追踪。
采样设计与收集
本研究在中国中部的湖北省阳新县(东经114°43′~115°30′,北纬29°30′~30°09′)进行,该地区是一个具有代表性的农业工业复合区。大约62%的土地面积为农业用地,其中水稻是主要作物,种植面积达300平方公里。在收获阶段,共收集了105个土壤样本和相应的89个稻谷样本(图1)。稻谷样本来自20个随机选取的地点
利用GEE-RF分析进行目标大米田识别以进行风险评估
基于Sentinel-1/2和Landsat8遥感图像数据库以及水稻物候信息,将GEE云计算平台和RF模型结合用于大米田识别,其中70%的样本(1050个样本)用于模型训练,30%的样本(450个样本)用于通过混淆矩阵验证模型准确性(图4)。基于GEE-RF集成方法,创新性地开发了一张中国南部高度破碎化县级区域的大米种植10米地图
结论与展望
本研究提出了一个综合框架,用于有效识别和追踪区域范围内大米田中的重金属风险。GEE-RF集成分析植被遥感图像数据库,能够准确划定大米田中重金属的风险评估区域边界。MSM-RF进一步明确了土壤中重金属的形态和生物可利用性,确定了其关键控制因素,并识别了相关的淋溶风险
环境影响
大米中重金属的生物积累对公共健康构成了严重威胁。为了解决区域范围内大米田中重金属风险评估的挑战,本研究提出了一个集成框架,该框架结合了机器学习、Google Earth Engine、地球化学建模和污染指纹分析技术。这一框架可以有效提高目标田块的识别精度,改善重金属生物可利用性和生物积累的预测作者贡献声明
杨正伦:研究调查、概念构思、方法论设计、数据分析、可视化、初稿撰写。
刘朝阳:概念构思、方法论设计、初稿撰写、审稿与编辑、项目监督、资金获取。
王明霞:资源协调、审稿与编辑。
侯景涛:概念构思、撰写、审稿与编辑。
崔倩倩:数据可视化、资金获取。
万翔:数据验证。
熊娟:数据管理、格式整理。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。
致谢
我们感谢编辑和审稿人的宝贵意见和建议。本研究得到了国家自然科学基金 [项目编号 41807137]、湖北省自然科学基金 [项目编号 2025AFB412, 2024AFB438]以及国家重点研发计划 [项目编号 2023YFC3709802]的支持。