引言
喀斯特景观占全球陆地面积近 15%，是地球上最为重要却又生态脆弱的领域之一，为超过十亿人提供着重要的生态系统服务（Ford and Williams, 2007; Chang and Chen, 2024）。这类系统以地表—地下耦合的水文网络和碳酸盐岩地层为特征，其土壤剖面薄而不连续，对化学扰动的缓冲能力有限。在未受干扰的环境中，土壤地球化学的空间异质性强烈受地貌梯度（如坡度与曲率）影响，这些梯度决定了沿剖面带的成土分异和溶质运移（Li et al., 2021; Wei et al., 2023; Zhang et al., 2024; Moreno de las Heras et al., 2026）。然而，在人类世，农业工程的强化日益挑战着这一经典"地形控制"范式。因此，关于景观演变与地球生态学的一个关键问题浮现出来：人为强迫在多大程度上掩盖了自然地貌控制在地表土壤地球化学格局中的直接表现？
中国西南喀斯特是世界上面积最大的连续喀斯特分布区，为审视人类活动与地球表层过程之间的张力提供了至关重要的天然实验室。在这些碎片化的农业生态系统中，有毒微量元素（尤其是铅和镉）的累积已从局部农业问题升级为对生态完整性的系统性威胁（Shin et al., 2023; Zhao et al., 2023a; Zhao et al., 2023b; Long et al., 2024）。不同于工业区中的点源污染，此处的金属富集是由土质脆弱性与管理强度之间弥散且非线性的相互作用驱动的。因此，解析这些元素的空间非平稳性是设计适用于复杂地质地形的景观适应性缓解策略的前提（Hou et al., 2025; Yu et al., 2025）。
为应对这些空间复杂性，数字土壤制图（DSM）结合机器学习已成为量化土壤—景观异质性与地球化学变异的核心手段（Chen et al., 2019; Chen et al., 2025）。近期的进展通过高维地理空间分析显著提升了土壤属性建模的预测精度（Coelho et al., 2021; Mouazen et al., 2021; Agyeman et al., 2022; Shi et al., 2023）。最近，可解释框架（如 SHAP）的引入使方法学重心从纯空间预测转向识别和解读复杂、非线性的环境驱动因素及其相互作用（Duan et al., 2024; Yan and Yang, 2025; Ju et al., 2026）。然而，对文献的批判性回顾揭示了明显的地理偏差：大多数这些先进框架是在相对简单的地貌环境中开发和验证的，例如平坦的冲积平原或明确的矿区（Lin et al., 2022; Li et al., 2024a; Li et al., 2024b; Wang et al., 2024; Wang et al., 2025a; Wang et al., 2025b）。在这些环境中，污染物的运移通常遵循可预测的物理梯度。
相比之下，崎岖喀斯特地形的研究仍然较为分散。全球喀斯特地区（包括迪纳拉喀斯特、东南亚、中美洲和地中海景观）的研究已对微量元素分布进行了制图，并评估了其与地质背景、土壤性质、土地利用及潜在自然与人为来源之间的关系（Hasan et al., 2020; Alexakis et al., 2021; Madakka et al., 2021; Cohuo et al., 2023; Bathrellos et al., 2024; Paar et al., 2025）。然而，很少有研究在一个可解释的机器学习框架内，联合量化自然变量与人为变量的相对预测贡献，或考察它们之间的非线性相互作用。与此同时，近期在复杂临界区的研究表明，持续的人为输入可以显著重塑土壤地球化学格局，使得这些信号与自然成土和成岩控制的分离变得复杂（Shi et al., 2022; Yu et al., 2022; Li et al., 2024a; Demirela et al., 2025; Liu et al., 2026）。尽管近期在地中海农业生态系统的研究开始将具体管理措施与微量元素库存联系起来（Dugan et al., 2024），但区域尺度上的养分负荷（如高强度氮磷投入）在多大程度上掩盖了自然地貌控制的直接表现仍未得到充分探索（Gou et al., 2024; Tang et al., 2025）。如果人为通量确实已超越自然运移载体，那么依赖地形变量的传统模型可能无法充分表征污染格局及其与土壤景观的关系。此外，对于地球生态学的决策制定而言，单纯的预测精度是不够的。迫切的挑战在于"打开"机器学习的"黑箱"，以识别养分投入、土壤条件与铅镉浓度之间关系中的探索性地球化学断点（Li et al., 2024b; Hou et al., 2025）。这些断点可能有助于区域筛查，但不应在未经进一步野外验证的情况下被解读为固定的管理限值。
因此，本研究将多源地理空间数据统一到共同的 10 米建模网格上，并结合可解释机器学习（特别是随机森林（RF）、极端梯度提升（XGBoost）和贝叶斯岭回归（BRR）耦合 Shapley 加性解释（SHAP）分析），重建了我国西南喀斯特某代表性自治州铅和镉的空间分布格局，并考察了其相关的环境与人为驱动因素。与以往主要聚焦风险评估的研究不同，本研究旨在检验强烈的人为强迫是否掩盖了自然地形控制对土壤地球化学异质性的直接统计信号。具体目标如下：(1) 通过量化人为与自然预测变量组的相对贡献，评估人为对地形信号的掩盖；(2) 通过识别与铅镉浓度变化相关的潜在养分负荷条件，探索非线性地球化学断点，并阐释其对金属活化与固持的可能含义；(3) 通过考察铅镉异常的空间关系，建立空间分区框架，划定差异化风险区。通过阐明人类投入如何在临界区重塑地球化学异质性，本研究为在脆弱的喀斯特地形中将人为投入纳入过程导向的监测与差异化风险分区提供了科学依据。
