基于多源数据与机器学习的土壤重金属空间预测及风险评估框架研究

《Agriculture》：Integrating Multi-Source Environmental Data to Identify Drivers and Assess Risks of Heavy Metal Contamination in Agricultural Soils

　　

：

摘要

土壤中重金属的显著空间异质性，加上大规模采样所需的高成本和资源密集型要求，给精确的空间预测和风险评估带来了重大挑战。尽管传统的机器学习方法表现出较强的预测能力，但它们往往难以同时处理空间非平稳性、复杂的非线性关系以及模型的局限性。通过整合多源数据集和多种机器学习模型、SHAP分析、蒙特卡洛模拟以及双变量Moran’s I分析，本研究开发了一个综合且可解释的空间预测和风险评估框架。研究结果发现：（1）所提出的框架具有较高的预测精度，砷（As）、镉（Cd）、铜（Cu）、铅（Pb）、铬（Cr）和锌（Zn）的决定系数（R²）均超过了0.80；气候条件和土壤性质是控制重金属空间分布的主要因素；（2）砷（As）和铬（Cr）被认为是致癌风险的主要来源；在整个研究区域内，儿童的整体健康风险高于成人；（3）空间热点分析显示，巩留市、伊通县北部和东辽县存在严重的重金属污染热点。本研究为土壤重金属暴露和风险评估提供了新的见解，为有针对性的环境管理和污染预防策略提供了科学支持。