一种用于预测铅锌冶炼污染土壤胶体介导的潜在毒性元素释放的可解释机器学习框架

《Journal of Hazardous Materials》：An explainable machine learning framework for predicting colloid-mediated release of potentially toxic elements from Pb/Zn smelter contaminated soils

　　

• •
  PTEs浓度的零值比例在0至30.8%之间变化。
• •
  建立了PTEs浓度的可解释机器学习模型框架。
• •
  RF、GBRT和XGBoost模型取得了较好的预测性能。
• •
  PTEs释放主要受胶体理化性质的影响。
• •
  四个特定场地的研究将机器学习预测与PTEs释放的认识联系起来。

引言

中国被认为是全球主要的铅/锌金属生产国和消费国之一，铅/锌冶炼企业分布广泛[1]。据估算，2023年中国精炼铅和锌产量分别占全球总产量的约51.6%和50.8%[2]。许多研究表明，在铅/锌冶炼过程中，土壤污染与潜在毒性元素（PTEs）通过大气沉降、废水排放和废渣浸出的显著富集密切相关[3]，[4]，[5]。例如，Zhang等结合现场实测数据与通量模型预测，评估了镉在土壤中的累积风险，发现尽管镉的年排放量下降了7%，但在35年累积后，土壤中镉的浓度仍超过国家标准阈值（0.6 mg/kg）[6]。此外，铅/锌冶炼厂污染场地及其周围土壤中的砷、镉、铅和锌等PTEs浓度极高，具有显著的空间异质性、复杂的污染来源和强的环境迁移性。例如，Adnan等报道，废弃铅/锌冶炼厂污染场地土壤中镉具有较高的污染风险，主要存在于交换态中，来源于工业排放和大气沉降[7]。Gao等证明，铅冶炼厂污染土壤中砷、镉、铅和锌浓度的变异系数（CV）分别为184%、320%、261%和236%[8]。值得注意的是，由于PTEs的毒性、不可生物降解性和生物累积性，污染土壤中的PTEs对人类健康和生态安全构成严重威胁[9]。

近期研究证实，作为最活跃的组分，土壤胶体是PTEs污染物的重要载体[10]。例如，Tang等发现，锌冶炼厂污染土壤中的砷、镉、铅和锌分别有57.7%、45.3%、70.0%和58.4%与胶体颗粒结合[11]。另一项研究表明，由于土壤胶体具有高比表面积、可变表面电荷和丰富的活性位点，对PTEs的迁移和释放行为有显著影响[12]。例如，Du等报道，明矾石纳米粒子作为土壤水溶性胶体的重要组分，直接参与了砷的迁移[13]。近几十年来，大多数现有研究针对铅/锌冶炼区污染土壤中PTEs的污染特征、空间分布、赋存形态和环境风险展开[14]，[15]，[16]，而少数研究关注铅/锌冶炼厂污染场地中土壤胶体介导的PTEs释放行为[17]。此外，少数研究关注不同提取参数（如土壤和分散剂类型、振荡和超声时间、液固比）对土壤胶体理化性质的影响。特别是，在多种因素的交互作用下，胶体介导的PTEs释放特征仍然未知[18]。因此，需要系统研究胶体理化性质的变化特征，并揭示土壤胶体介导的PTEs释放特征。

此外，PTEs的释放行为不仅受土壤胶体的浓度、粒径分布和表面电荷的影响，还受水化学条件的影响[19]。值得注意的是，这些因素之间往往存在复杂的非线性关系和交互作用。传统的统计方法，如相关性分析、聚类分析或主成分分析，无法全面揭示这种复杂关系，也不适合准确识别关键影响因素。相比之下，机器学习（ML）方法在处理多源数据、捕捉非线性关系和构建预测模型方面具有更好的适用性[20]，[21]。近期研究提出将机器学习算法与PTEs释放中涉及的多个变量和过程相结合，这可能为土壤PTEs释放提供可靠的预测方法[22]。机器学习模型已广泛应用于土壤PTEs的空间分布、来源识别和污染风险评估中[23]，[24]，[25]。例如，Liu等报道，随机森林（RF）模型对中国典型铅/锌冶炼城市土壤中PTEs累积具有良好的预测性能，并发现采样点到铅/锌冶炼厂、洗煤厂和道路区域的距离是影响砷、镉和铅累积的最关键因素[26]。然而，提取实验参数和土壤胶体理化性质很少被用于构建和优化机器学习模型，以准确预测土壤胶体介导的PTEs释放。

基于上述关注点，选择中国西北、西南、东北和中部地区典型的铅/锌冶炼厂污染场地作为研究对象。具体目标包括：(i) 揭示胶体特性和PTEs浓度的统计特征；(ii) 开发用于PTEs释放预测的可解释机器学习模型框架；(iii) 量化土壤胶体介导的PTEs释放中各关键因素的相对重要性。本研究的发现将为胶体介导的PTEs释放提供有价值的见解，并为污染场地PTEs释放的准确风险预测和管理提供科学依据和技术参考。

章节摘要

土壤样品采集

在中国西北（甘肃省）、西南（贵州省）、东北（辽宁省）和中部（湖南省）选取了四个具有代表性的铅/锌冶炼厂污染场地，其PTEs污染水平和土壤性质存在显著差异[27]，[28]，[29]。分别从白银（BY）、毕节（BJ）、沈阳（SY）和株洲（ZZ）市采集土壤样品。采用五点采样法采集表层土壤（0-20 cm）并进行混合

胶体浓度的统计特征

图3(a)展示了胶体浓度的统计分布情况。土壤胶体浓度范围为2.88×10?至2.34×1011颗粒/mL。胶体浓度的最大值比最小值高出两个数量级。结果表明胶体浓度变化很大。四种不同土壤样品的平均胶体浓度均在10¹⁰颗粒/mL级别左右。BJ土壤表现出最高的胶体浓度，

结论

本研究揭示了胶体理化性质和PTEs浓度的统计特征，并构建和优化了用于PTEs浓度预测的机器学习模型。利用特征重要性分析识别了影响PTEs释放的关键因素。结果表明，砷、镉、铅和锌在土壤胶体溶液中的零值比例分别为20.0%、12.5%、30.8%和0%。PTEs浓度主要以

重要性声明

本研究聚焦于胶体理化性质对土壤中潜在毒性元素（PTEs）释放行为的影响。利用合成数据集开发了用于准确预测土壤胶体溶液中PTEs浓度的可解释机器学习（ML）框架。优化后的机器学习模型对土壤PTEs释放取得了卓越的预测性能。重要的是，胶体特性（如浓度、粒径和Zeta电位）是

未引用参考文献

[46]

利益冲突声明

作者声明不存在任何已知的竞争性经济利益或个人关系，这些关系可能会影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（编号：42507503）、江苏省自然科学基金（编号：SBK20250401129）和中央高校基础研究基金（编号：2025QN1110）的资助。作者非常感谢编辑和匿名审稿人提出的深刻意见和宝贵建议，这些建议显著提高了本文的质量。

徐大毛，副教授，博士生导师，现任中国矿业大学土地与生态系统学部副主任。徐教授主持过江苏省和中国的自然科学青年基金项目以及中国中央高校基础研究基金。迄今，徐教授已发表约60篇论文，并参与了1项团体标准和1部专著的编写。其中，作为第一或通讯作者，

徐大毛|王海滨|雍瑞阳|易晓兰|安百红|张凯凯|朱学强|赖州|付蓉兵