《Journal of Hazardous Materials》：Beyond the source baseline: Model-scale conditional re-expression of soil metal signals across environmental contexts
编辑推荐：
引言土壤重金属污染已成为全球主要的环境问题，对粮食安全、生态系统完整性和公众健康具有直接影响 [15], [51]。由于金属 (类金属) 在积累浓度下的持久性和潜在毒性，耕地土壤中积累的金属 (类金属) 可被作物吸收并沿食物链转移，从而造成相当大的暴露风险 [35], [43
引言
土壤重金属污染已成为全球主要的环境问题，对粮食安全、生态系统完整性和公众健康具有直接影响 [15], [51]。由于金属 (类金属) 在积累浓度下的持久性和潜在毒性，耕地土壤中积累的金属 (类金属) 可被作物吸收并沿食物链转移，从而造成相当大的暴露风险 [35], [43]。最近全球评估表明，大约 14%–17% 的世界耕地受到有毒金属污染的影响 [16]。然而，土壤金属浓度的空间格局源于地球化学背景、人为输入和空间异质的环境条件的共同影响，这使可靠地识别高浓度区域变得复杂。
自然成土母质、采矿和工业排放、农业投入、大气沉降和灌溉是农业土壤中重金属的公认来源 [15], [47]。源解析和与源相关的空间指标提供了有关潜在来源和背景变化的有价值信息，但它们并不一定解释高浓度在景观中最终出现在哪里。一旦金属进入土壤，它们就可以沿径流和沉积物路径重新分布，其转移受侵蚀、沉积和景观连通性的塑造，其保留或释放进一步受当地理化条件的调节 [15], [34], [5], [6]。因此，源设定和观测浓度在空间上不一定重合，因为相似的源背景可能产生不同的浓度结果，且共同采矿 - 河流环境中的个别金属 (类金属) 可以发展出不同的空间分布 [49]。
源设定和观测浓度之间的偏差在热带季风区可能尤为明显，在那里，强降雨、集中径流和强烈的化学风化创造了陡峭的土壤和景观梯度 [30]。降雨 - 径流事件可以加速土壤侵蚀和与颗粒相关的微量金属的转移，而景观连通性控制着水和沉积物从坡地到沉积区的路由 [10], [6]。强烈的风化还会产生富含铁和铝的活性矿物表面，当地土壤化学进一步改变金属分配和保留 [26], [33]。共同地，这些条件可以削弱或改变与源相关的协变量和观测土壤浓度在不同土壤和景观设定下的预测关联。
在区域尺度上，主要的建模问题是观测浓度格局中有多少已被与源相关的预测因子所代表，有多少是由土壤属性和景观 - 水文气候协变量增加的。这些预测因子组是空间相关的，可能共享信息，同时它们与金属浓度的关联可能是非线性的且依赖于源。空间自相关造成了额外的挑战，因为随机重采样在训练集和验证集中都存在相邻观测值时会高估性能 [36], [37], [44]。全局特征归因也不显示添加预测因子块是否在空间留出下改善预测，或者任何改善是否延伸到高浓度。因此，我们使用与源相关的预测因子作为共同基线，并在相同的空间块设计下比较匹配的预测因子集。随后使用 SHAP 归因和折叠外 (OOF) 预测变化来描述模型内部归因和不同环境设定下的预测差异，而不是推断环境因果关系 [22]。
我们将此设计应用于从中国南部热带季风区收集的 687 个耕地土壤样本。将分析限制在耕地上减少了地表覆盖、管理和扰动方面的广泛土地利用对比，允许在共同土地利用设定下比较与源相关和环境信息。Cu、Pb 和 As 因其不同的环境反应性而被选中。Pb 通常受到强烈的固相保留，而 As 对矿物学和化学条件特别敏感，Cu 在土壤中表现出明显的吸附和络合行为 [14], [2], [23]。每个元素都在嵌套空间块交叉验证下使用 XGBoost 进行建模，使用锚定在仅源基线上的四个预测因子集。基于此设计，我们检查了与源相关的预测因子保留了有多少浓度信息，其他两组预测因子是否提供了额外信息并改变了其在源和环境设定下的表达，以及由此产生的统计增益是否延伸到高浓度尾部。我们预计与源相关的预测因子将提供一个有用但不完整的空间基线。我们进一步假设其他预测因子组增加的信息将依赖于条件而非均匀加和，且可识别的预测变化不一定转化为改进的高浓度预测。
章节片段
研究区域、土壤采样和实验室分析
研究区域位于中国南部海南岛中西部的昌化江沿岸，河流干流延伸约 232 公里 (图 1)。为了与土地利用和社会经济数据集保持空间一致性，研究范围由沿河流的主要县市行政边界定义，覆盖约 5,150 平方公里。区域基岩以花岗岩为主，风化剖面发育良好且广泛
源相关预测的元素特异性及解释空间变异的局限性
在嵌套空间块交叉验证下，仅源模型显示出 Cu、Pb 和 As 适中的折叠外表现。空间折叠外 R2 值分别为 0.172、0.151 和 0.147，相应的均方根误差 (RMSE) 值为 12.11、16.18 和 3.83 毫克·千克?1，平均绝对误差 (MAE) 值为 7.56、12.38 和 2.49 毫克·千克?1。包含土壤属性预测因子和景观 - 水文气候预测因子将全模型的折叠外 R2 提高到 0.232、0.217 和 0.314。相对于仅源模型，R2 的增加
结论
与源相关的预测因子提供了有用的空间基线，但没有完全代表观测到的 Cu、Pb 和 As 浓度。空间折叠外比较显示，土壤属性和景观 - 水文气候预测因子在不同元素和模型背景下增加了不同数量的预测信息。预测变化分析进一步总结了配对折叠外预测如何在不同环境设定下变化，具有梯度交互、窗口依赖和环境结构类
意义声明
- ●
当前土壤重金属风险筛查依赖于源 - 背景分区，但这种静态方法因忽略传输过程中和土壤界面的信号修改而系统性地错误分配热点。
- ●
开发了一个整合 XGBoost、分组消融和 SHAP 的可解释机器学习框架，以诊断源背景、传输条件和界面变量如何共同控制重金属空间格局。
- ●
仅源背景未能重构空间
CRediT 作者贡献声明
Dongming Wu: 写作 - 审阅与编辑、项目管理、方法论、概念化。 Jibao Liu: 方法论。 Fangyi Li: 资源。 Jiahui Liu: 调查。 Tianyan Su: 数据管理。 Jie Liang: 方法论、调查。 Changbo Zhong: 写作 - 初稿、调查。 Zeheng Chen: 写作 - 初稿、方法论、调查。 Kaizhe Fu: 写作 - 审阅与编辑、监督、资金获取、概念化。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能影响在本论文中报道的工作。
致谢
本研究由中国地质调查局地质调查项目 (DD202607102603, DD20220956)、海南省环境科学研究院青年创新基金 (QNCX2022001) 资助。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系可能影响在本论文中报道的工作。
Zeheng Chen|Changbo Zhong|Jie Liang|Tianyan Su|Jiahui Liu|Fangyi Li|Jibao Liu|Dongming Wu|Kaizhe Fu
中国热带低碳绿色农业部重点实验室；国家农业环境农业实验站，中国热带农业科学院环境与植物保护研究所，海口，571101. 中国
