基于特定源风险评估模型的小麦籽粒铅超标风险预测

系统分析重金属铅（Pb）在"源-土壤-小麦"传输途径中的累积特征是小麦Pb污染防治的关键.以河南省济源市为例,在区域调查的基础上,耦合正定矩阵因子分解法、Freundlich回归方程和Monte Carlo随机模拟方法,构建特定源风险评估模型（SRAM）,预测不同场景下小麦籽粒Pb累积风险,并结合空间分析方法对区域污染防治措施进行评估和优化.结果表明,大气沉降和磷肥应用是区域农田土壤Pb污染的主要来源,贡献了小麦籽粒Pb超标累积的29.0%.土壤pH和阳离子交换量（CEC）是影响小麦籽粒Pb累积的关键土壤因子.在受大气污染影响显著的高风险区域（研究区西北和西部）,通过相关措施提升土壤阳离子交换量（~20 cmol·kg^-1）可将大气沉降源导致小麦籽粒Pb超标风险从10.5%显著降低至2.39%.     

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.