近年来，全球土壤中金属(类)污染引起广泛关注。这些污染物来源既有自然过程，也有工业和农业活动。由于金属(类)在土壤中的存在形式决定了其生物可利用性，传统单纯检测总含量的方法已难以准确评估风险。为此，如何量化金属(类)在土壤中不同形态间的转化、流动和风险成为亟待解决的难题。

研究方案

研究汇集了全球超过3万条土壤金属(类)分馏数据，并辅以4900余条文献和实验数据，构建了一个覆盖五大洲、56个国家/地区的庞大数据库。研究团队基于这一数据集，设计了一种理论指导下的机器学习模型（以XGBoost为核心），对土壤中金属(类)的四个分馏阶段（交换性、水/酸可溶、还原、氧化及残留）进行预测。模型在保证整体化学约束的前提下，整合了土壤总金属含量、土壤有机碳（OC）、pH值、黏土含量和阳离子交换容量（CEC）等关键因子，从全球尺度上绘制出金属(类)移动风险分布图。

研究结果

全球约37%的陆地处于中高移动风险区域，特别是俄罗斯、智利、加拿大和纳米比亚等地风险较高。不同金属(类)的风险分布存在显著差异，如Pb、As、Cd、Cr、Cu和Hg等常见污染物的移动性在空间上呈现出独特分布特征。

总金属含量和土壤有机碳是决定金属(类)移动性的主要因素。其中，总金属含量越高，其移动性风险也会呈现非线性增长；而有机碳虽然有助于固化部分污染物，但在推广土壤碳固存政策的背景下，却可能无意中加剧金属(类)的移动性。

到2050年，全球因至少四种常见金属(类)移动风险升高的陆地比例可能由2024年的23%急剧上升至82%，这为碳固存政策在土壤污染防控中的潜在风险敲响了警钟。

利用欧洲统一的土壤调查数据（LUCAS），研究团队进一步解析了欧洲各国土壤中金属(类)的总含量与移动性之间的空间差异，为区域污染防控和风险评级提供了有力支持。

图1. 全球土壤金属(类)移动性预测及关键驱动因素

图2. 2024年全球土壤金属(类)移动风险热点

图3. “4%计划”对2050年全球移动风险热点的影响

图4. 欧洲尺度下土壤金属(类)移动性的大陆预测

研究结论

研究展示了机器学习在转变土壤金属（类）分馏分析中的潜力，为在土壤科学领域采用更先进、定制化和精准的机器学习方法奠定了基础。

来源：生态循环圈

期刊介绍

Soil & Environmental Health是由朱利中院士、朱永官院士和马奇英教授担任主编、浙江大学与Elsevier合作出版的全英文开放获取国际学术期刊。自2022年12月以来，期刊出版了来自19个国家的78篇优秀文章；期刊CiteScoreTracker 2024 为6.2，目前已被DOAJ、Scopus和CAS数据库收录。