薄膜中的扩散梯度与机器学习相结合,以辨别Cd和Cu在土壤-大米系统中的积累特征和驱动因素

科学领域:

• 环境科学 环境科学
• 土壤科学 土壤科学
• 农业科学 农业科学

背景情况:

• 通过饮食接触到大米中的 (Cd) 具有比铜 (Cu) 更高的风险.
• 在土壤作物系统中,Cd和Cu的共同迁移可以增加污染的生物可用性.
• 准确预测作物中的重金属积累对于土地风险评估至关重要.

研究的目的:

• 探索Cd和Cu在土壤作物系统中的生物利用性特征.
• 开发机器学习模型,用于预测大米中Cd和Cu的积累.
• 确定影响大米重金属吸收的关键土壤参数.

主要方法:

• 从中国湖南省收集了82个土壤和大米样本.
• 使用薄膜扩散梯度 (DGT) 和化学提取技术 (超纯水,酸性氧酸盐,CaCl2).
• 开发了机器学习模型 (随机森林,极端随机树),结合了土壤物理化学参数和重金属物种化.

主要成果:

• 与Cu不同的是,Cd的CaCl2提取效率在pH7以上急剧下降.
• 在土壤中,Cd的迁移风险明显高于Cu,与氧化物减少有关.
• 机器学习模型实现了0.72的Cd在米根中的R2值和0.38的Cu.
• 可交换的Cd和Mn是Cd风险的关键因素;溶解的Cu和pH影响了Cu的积累.

结论:

• 这项研究为了解在种植区中Cd和Cu的积累提供了理论基础.
• 与传统方法相比,机器学习模型为预测重金属积累提供了更准确的方法.
• 确定关键的驱动因素有助于管理土壤污染和确保食品安全.