《Process Safety and Environmental Protection》：A decision-ready framework linking soil-dependent stabilization prediction to iron-based remediation process design for As and Sb-contaminated soils via explainable machine learning
编辑推荐：
摘要基于铁的改良剂被广泛用于稳定受砷（As）和锑（Sb）污染的土壤，但其效果因土壤类型而异。本研究开发了一个基于机器学习的框架，利用包含土壤性质、类金属浓度、改良剂特性和操作条件的数据库来预测稳定效率，并支持初步的修复方案设计。在六种算法（SVR、RF、MLP、XGBoost、L
摘要
基于铁的改良剂被广泛用于稳定受砷（As）和锑（Sb）污染的土壤，但其效果因土壤类型而异。本研究开发了一个基于机器学习的框架，利用包含土壤性质、类金属浓度、改良剂特性和操作条件的数据库来预测稳定效率，并支持初步的修复方案设计。在六种算法（SVR、RF、MLP、XGBoost、LightGBM和CatBoost）中，CatBoost在预测准确性和稳定性方面表现最佳。CatBoost-As模型在考虑组别ID的验证下仍保持良好的预测性能，而Sb模型在省略全部实验数据时性能显著下降，表明其对研究间异质性的敏感性较高，因此目前主要用于初步筛选而非直接确定修复参数。通过SHAP加权欧几里得距离确定了该框架的适用范围；虽然模型在外的预测仍具有一定的参考价值，但实际应用前需要实验验证。SHAP分析显示，土壤物理化学性质是主要的影响因素，在As和Sb模型中分别占总SHAP贡献的31.1%和36.3%。较高的铁（Fe）含量和较长的处理时间与更高的砷稳定效果相关，而锑的响应则更受条件影响。为此开发了一个图形用户界面，用于实验前的预测和修复建议。独立验证结果的R2值分别为0.620和0.687。结合TOPSIS的三目标NSGA-II算法找到了平衡砷和锑稳定效率与改良剂剂量的折中方案。外部实验验证表明，所使用的纳米ZVI/Fe?O?复合材料在28天内能够同时显著稳定黑土、黄土和冲积土中的砷和锑。该框架支持基于模型的初步评估、候选方案优先排序以及针对特定土壤条件的剂量优化。
引言
砷（As）和锑（Sb）常常共同存在于矿石中，因此在采矿和冶炼过程中会同时释放，导致周围土壤和生态系统的共同污染（Zhou等，2022）。在土壤系统中，砷和锑可以通过降雨被迁移并持续浸出，地下水中这两种物质的浓度可达到每升数千微克的水平（He等，2019；Zhang等，2022）。这种高暴露潜力凸显了有效修复砷/锑共同污染土壤的必要性，以保护人类健康和水资源。
在现有的修复方法中，基于铁的稳定剂因使用方便且效率高而被广泛应用于砷/锑污染土壤的治理。这些稳定剂通常分为非晶态铁氧化物（Doherty等，2017；Schoepfer和Burton，2021）、晶态铁氧化物（Baragano等，2020）和零价铁（ZVI）（Hiller等，2021；Zhang等，2022）。然而，相同的稳定剂在不同物理化学性质的土壤中表现出不同的稳定效率（Guo等，2022；Wu等，2022）。这种土壤间的差异反映了土壤微环境的固有异质性，使得类金属的迁移能力强烈依赖于土壤类型（Li等，2024；Mao等，2025）。
这种依赖于土壤的行为是由于稳定过程不是由单一线性规则控制的，而是受到土壤成分之间复杂且常常非线性的相互作用的影响。土壤有机质（SOM）就是一个典型的例子：一方面，如酚羟基和羧基等SOM官能团在活性铁（hydr）氧化物表面存在的情况下促进有机-矿物结合，有助于有机碳的形成（Giannetta等，2024；Park等，2011；Ruiz等，2024）；另一方面，在SOM含量高的系统中，pH值升高或氧化还原状态变化可能加剧对铁氧化物表面的竞争，从而削弱类金属的固定效果（Hui等，2021；Xu等，2022）。类似的影响也存在于粘土含量、电导率和pH值上（Mao等，2025）。操作参数进一步增加了修复决策的复杂性，因为改良剂剂量、固化时间和含水量都会影响稳定效率（Palansooriya等，2022）。因此，通过传统的试错实验来寻找合适的稳定剂-条件组合既耗时又费力，迫切需要数据驱动的工具来进行实验前评估和决策支持。
机器学习可通过学习土壤性质、改良剂特性和操作条件之间的非线性关系，并将其转化为定量预测来满足这一需求。与传统的人工实验室实验相比，这种数据驱动的方法具有更高的效率和可扩展性（Lai等，2023）。尽管机器学习已被应用于土壤中重金属的吸附和空间污染评估，但很少有研究将土壤性质、类金属浓度、改良剂特性和操作条件整合到一个统一的框架中，以预测砷/锑的稳定情况并支持修复方案的选择（Yang等，2021；Zhao等，2023；Yu等，2025）。因此，初步方案的选择仍主要依赖于耗时且资源密集型的实验。这些局限性显示了需要一个端到端的工作流程，将污染控制与稳定剂设计和方案选择联系起来，并能够进行实验前评估，以指导基于假设的修复决策。
为了减少对大量初步实验的依赖，我们开发了一个集成机器学习和多目标优化的框架，用于不同土壤条件下的砷和锑稳定。目标包括：（1）利用关于基于铁的改良剂稳定砷/锑污染土壤的文献数据，开发预测砷和锑稳定效率的机器学习模型；（2）通过Shapley加法解释（SHAP）和部分依赖图（PDPs）阐明关键变量的贡献；（3）构建一个用户友好的图形用户界面（GUI），以实现对实验前筛选的自动化，并将模型预测与独立的外部实验结果进行比较。总体而言，所提出的框架旨在支持更加有针对性和可解释的初步土壤修复规划。
章节片段
训练数据集的构建
- (1)
数据收集和筛选
训练数据集来源于1974年至2025年间Web of Science索引的文章，这些文章涉及使用基于铁的改良剂稳定砷和/或锑污染土壤的研究。查询语句为“((TS=(土壤)) AND TS = (砷 OR 锑 OR arsen? OR antimon?)) AND TS = (稳定化 OR 固化)”来检索相关研究。检索到的研究经过筛选后...
训练数据集的可视化特征分析
进行了描述性统计和特征审计分析，以描述用于模型训练的数据集，并评估预测变量的共线性结构和与目标相关的信息。为了支持决策解释，将预测变量分为四类：（i）土壤物理化学性质（Soil_pH、Soil_Clay、Soil_OM、Soil_CEC和Soil_EC），（ii）类金属浓度（Metal_Conc_As和Metal_Conc_Sb），（iii）稳定剂...
结论
基于铁的改良剂被广泛应用于稳定砷/锑污染的土壤，但其效果在不同土壤系统中可能有很大差异。这种差异反映了土壤物理化学性质、类金属浓度、改良剂特性和操作条件之间的相互作用。由于这些相互作用是非线性的且受具体情境影响，初步的修复方案设计可能需要针对不同的土壤、改良剂和操作条件进行广泛的实验筛选...
数据和代码的可获取性
用于开发砷和锑稳定模型的数据集在补充信息中的表S9和S10提供。相应的CatBoost模型规格和参数设置，以及实现GUI预测工作流程和基于NSGA-II–TOPSIS的修复建议程序的源代码也列在补充信息的表S4、表S12和文本S1中。
未引用的参考文献
(Chen等，2024；Li等，2024；Liu等，2024；Wang等，2024；Zhang等，2022)
CRediT作者贡献声明
王一鹏：概念化。 王坤：概念化。 袁璐紫：概念化。 魏良亮：方法论，概念化。 姜淼：方法论，概念化。 丁静：方法论，概念化。 姜军秋：概念化。 薛瑞元：撰写——原始草稿，方法论，调查。 赵庆良：撰写——审稿与编辑，监督，资源管理，数据整理。
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会影响本文的报告内容。
致谢
作者感谢国家自然科学基金（项目编号52500207）、哈尔滨工业大学城市与农村水资源与环境国家重点实验室（项目编号MS202508）以及中国的国家重点研发计划（项目编号2019YFC1803802）对本研究的支持。
Ruiyuan Xue|Qingliang Zhao|Liangliang Wei|Miao Jiang|Jing Ding|Junqiu Jiang|Kun Wang|Luzi Yuan|Yipeng Wang
