基于可解释性机器学习的地质高背景区土壤重金属含量预测及风险评价-以贵州省晴隆县为例.pdfVIP

摘要

高地质背景区土壤不仅面临自然来源的重金属污染风险，还受到人类活动的叠加

影响，使重金属来源和分布更复杂。传统研究方法存在局限性，难以满足精细化管理

需求，而机器学习可为土壤重金属预测提供高精度、低成本的解决方案，尤其适合大

尺度环境污染防控决策支持。本研究以贵州省晴隆县为例，通过采集3811件表层土

壤（0-20cm）样本，测定8种重金属(As、Cd、Cr、Cu、Hg、Ni、Pb、Zn)含量，并

收集地质条件、土壤性质、气候条件、人类活动、生态功能和矿业活动6类共38个

环境协变量，构建了随机森林-经验贝叶斯克里金(RFEBK)模型，实现了土壤重金属高

精度空间预测，基于SHAP方法的模型解释揭示了影响土壤重金属分布的关键环境

因子。采用多种风险评价体系（包括地累积指数、潜在生态风险评估以及人体健康风

险分析）对研究区土壤重金属污染现状及其环境风险进行了全面评价。本研究获得的

主要研究结果与认识如下：

（1）晴隆县土壤重金属呈现显著的空间异质性和复合污染特征。As、Cd和Hg

的变异系数最高，分别为2.70、1.62和1.78；As、Cd、Cr和Cu的平均含量均超过国

家标准和农用地风险筛选值。空间分布特征上，As呈南高北低格局，南部高值区主

要分布在碧痕镇、大厂镇和安谷乡；Cd表现为北高东南低格局，中营镇为主要高值

中心；Cr展现边缘高、中部相对低特征；Cu呈现带状高值、块状低值空间模式；

Hg集中在中南部形成连片高浓度区域；Pb主要在县域北部和东北部形成高值区；Zn

分布则沿西北-东南向构造带呈带状分布。

（2）RFEBK集成模型相比传统随机森林模型具有显著的预测优势：在8种重金

属预测中均表现更优，Cu和Ni的预测精度最高，R²分别达0.935和0.904；所有元

素的RMSE平均降低了8.56%，MAE平均降低了18.94%，MRE平均降低了23.13%。

基于SHAP方法的模型解释揭示了影响土壤重金属分布的关键环境因子：As分布主

要受地质条件(43.75%)、土壤性质(29.98%)和气候条件(15.66%)影响，其中地层

(24.04%)、母岩类型(13.38%)和pH值(13.30%)贡献最大；Cd分布则主要受土壤性质

(50.74%)、地质条件(24.04%)和气候条件(14.4%)控制，其中母岩(15.27%)、土壤有机

质(13.85%)和砂粒含量(8.27%)影响最显著。

（3）全面揭示了研究区土壤重金属污染状况与环境风险：地球化学累积指数评

价显示，As和Cd污染最为严重，分别有33.14%和27.94%的区域存在不同程度的污

染；潜在生态风险评价结果表明，As、Hg和Cd是主要生态风险源，在中营镇北部、

花贡镇南部、茶马镇北部等区域形成了显著高生态风险区；基于美国EPA健康风险

评估模型的评估显示，研究区砷(HI儿童5.15E-01，成人2.89E-01)和铬(HI儿童

万方数据

1.91E-01，成人1.13E-01)构成的非致癌风险相对较高；砷(TCR儿童8.06E-05，成

人4.53E-05)、铬(TCR儿童9.72E-05，成人5.68E-05)和镍(TCR儿童1.08E-04，成

人6.23E-05)的致癌风险均超过可接受风险水平(10⁻⁶)，且儿童普遍面临高于成人的健

康风险，且经口摄入构成了主要暴露途径。

本研究通过RFEBK集成建模和SHAP解释分析，阐明了高地质背景区土壤重金

属分布的环境影响机制，揭示了不同重金属富集的阈值效应和交互作用特征，实现了

土壤重金属含量的高精度空间预测，并开展了多尺度风险评价，为区域污染风险管控

和保障农产品质量安全提供了科学依据。研究结果为高地质背景区重金属富集机制认

识、预