《Physics and Chemistry of the Earth, Parts A/B/C》：From soil to shoots: multi-compartment prediction of heavy-metal remediation by biochar using machine learning and scenario simulation
编辑推荐：
•不同隔室中的预测输入存在差异，仅共通剂量和金属的可利用性。•树集成模型的性能优于神经网络模型，其外部R2值可达0.76。•稳健的预测依赖于仅包含5-8个变量的简约集合。•SHAP揭示了从土壤保留到叶片转移控制的瓶颈变化。•响应曲面确定了生物炭选择的高性能区域。引言农业土壤中的重
- •
不同隔室中的预测输入存在差异，仅共通剂量和金属的可利用性。
- •
树集成模型的性能优于神经网络模型，其外部R2值可达0.76。
- •
稳健的预测依赖于仅包含5-8个变量的简约集合。
- •
SHAP揭示了从土壤保留到叶片转移控制的瓶颈变化。
- •
响应曲面确定了生物炭选择的高性能区域。
引言
农业土壤中的重金属污染是一个普遍存在的全球性问题，威胁着作物产量、食品安全和生态系统稳定性。采矿、冶炼、废水灌溉以及过度使用农业化学品等人造活动导致耕地土壤中的镉（Cd）、铅（Pb）、锌（Zn）和铜（Cu）含量升高（Hu等人，2020年；Li等人，2020年）。这些污染物可能在可食用植物组织中积累，并引发严重的健康风险，包括致癌、神经毒性和肾毒性作用（Kong等人，2024年）。因此，减轻土壤-植物之间的重金属转移对于确保食品安全和可持续土地利用至关重要。
生物炭是生物质热解产生的富含碳的副产品，被广泛用作原位土壤修复的有希望的材料（Subramanian等人，2025年）。其多孔结构、碱性化学性质、可变的灰分含量和多样的表面官能团支持多种固定途径，包括吸附、表面络合/共沉淀和氧化还原反应（Ahmed和Aidi，2025年）。许多研究表明，生物炭可以降低金属的生物可利用率，同时可能改善土壤肥力和作物表现（Murtaza等人，2021年；Park等人，2011年）。然而，不同研究之间的修复效果仍存在很大差异。这种差异通常归因于原料组成和热解条件的不均匀性，这些因素影响了生物炭的pH值、灰分比例和表面化学性质（Huang等人，2021年；Ippolito等人，2020年）。土壤背景特性和作物介导的根际过程进一步调节了金属的迁移和吸收，加剧了研究间的异质性（Kuryntseva等人，2023年）。这种复杂性使得改良剂的设计变得复杂，并突显了需要能够适应多种条件的预测框架。
以往的综合研究——包括元分析、文献计量调查和特定地点的实验——提供了有价值的见解，但在解决异质条件下的跨隔室行为方面仍有限（Chen等人，2018年；O'Connor等人，2018年；Pathy等人，2023年；Wu等人，2023年）。元分析汇总了不同研究的结果，但很少区分土壤固定和植物吸收这两个终点；文献计量分析描绘了研究趋势，但没有确定定量驱动因素；而特定地点的实验虽然提供了强有力的局部证据，但在不同土壤、作物、金属和生物炭类型之间难以推广。重要的是，土壤固定并不一定意味着植物吸收减少，因为涉及根际化学、根-茎部分分布和金属传输的非线性过程可能会使植物端点与土壤整体指标脱钩（Etesami等人，2025年；Joseph等人，2021年）。由于食物链中的暴露主要通过植物组织而不是土壤本身，因此根部和叶片的积累是评估作物安全性的关键指标。然而，大多数研究仍然主要关注土壤固定，而涵盖土壤、根部和叶片隔室的综合性预测框架仍然很少。此外，也有报道称在某些条件下土壤指标和植物端点之间存在反直觉的差异（Iqbal和Batool，2025年），这强调了需要将预测范围扩展到土壤之外，为针对保护可食用植物组织的生物炭设计提供证据基础。
机器学习（ML）已成为模拟复杂生物炭-土壤-植物相互作用的有前景的方法（Zhu等人，2019年）。虽然早期使用随机森林、神经网络或梯度提升的方法显示出潜力，但现有研究往往依赖于有限的数据集，不一致地包括植物层面的响应，并且在改良剂设计方面提供的可解释性或可操作性指导有限（Sun等人，2022年）。因此，仍存在两个差距。首先，同时解决土壤固定、根部吸收和叶片积累问题的综合性预测框架仍然很少，尽管植物端点对食品安全风险至关重要。其次，许多ML研究没有将预测转化为在异质污染条件下的决策导向指导。
为了解决这些差距，我们编制了一个跨隔室的文献数据库（土壤：N=947；根部：N=122；叶片：N=192），对每个终点评估了五种ML算法，应用了系统特征选择方法得出简洁的预测集，使用Shapley Additive exPlanations（SHAP）来解释非线性驱动因素，并进行了情景模拟，将拟合模型转化为决策导向的敏感性图。总体而言，这项工作提供了一个关注各隔室的预测框架，连接了土壤、根部和叶片端点，并证明了可以用简约的输入获得与决策相关的预测。通过整合预测性能、可解释性和基于情景的指导，它推进了对受污染农业土壤中重金属风险的科学理解和实际管理。
章节摘录
数据收集与描述
数据库构建策略参考了以往关于生物炭辅助土壤中重金属固定的机器学习研究，特别是Palansooriya等人（2022年）报告的框架，并进行了修改以适应本研究中考虑的多隔室终点。编制了一个文献衍生数据库来评估生物炭改良剂对土壤和植物各隔室中重金属修复的效果。
关键变量的描述性统计和相关性
表S1和图1a总结了编制数据的描述性统计信息，突显了研究条件之间的显著异质性。土壤性质差异很大，pH值范围从2.9到9.1，阳离子交换容量（CEC）从3.96到37.8 cmol kg-1，粘土含量从5.7%到89.7%。生物炭的特性也表现出显著异质性，包括热解温度为200–750 °C，总碳含量为8.5–95.2%，总氮含量为0–5.4%，灰分含量为0.77–78.7%
结论
本研究通过建立一个多隔室机器学习框架，明确解决了土壤固定和作物安全之间的关键问题，该框架能够解析土壤、根部和叶片端点。在独立测试评估中，模型在土壤修复和根部吸收抑制方面表现出强大的预测性能（土壤R2 = 0.87；根部R2 = 0.91），而叶片预测则表现出中等但一致的性能。这些结果证实，有效的土壤修复
局限性与未来研究
尽管所提出的多隔室建模框架表现出了良好的性能，但其实际应用仍需要使用更大、更具代表性的数据集进行进一步验证。特别是，需要额外的田间观察和特定作物的数据，尤其是针对可食用植物组织的数据，以测试模型在真实农业条件下的稳定性。这些数据将有助于完善模型的适用范围，并提高其在食品安全导向的生物炭应用中的可靠性
CRediT作者贡献声明
Mohd Izzudin Izzat Zainal Abidin：写作——审阅与编辑，监督。Rui Wu：写作——初稿编写，可视化，软件开发，方法学研究，数据分析，概念化。Pei Yi Siow：写作——审阅与编辑，监督。Faidzul Hakim Adnan：写作——审阅与编辑，监督
在准备这项工作期间，作者使用ChatGPT来帮助提高语言清晰度和可读性。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。
利益冲突声明
? 作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
Rui Wu|Faidzul Hakim Adnan|Pei Yi Siow|Mohd Izzudin Izzat Zainal Abidin
