稻田土壤中的重金属不仅威胁农业生态安全，还会通过籽粒的吸收累积影响人体健康。常规的稻田重金属风险评估多以特定环境标准为依据，忽略了土壤活性组分对重金属赋存形态与生物有效性的影响，难以实现精准的风险识别。此外，当风险评估从局部地块拓展至大区域尺度时，还会面临稻田地块识别效率低、污染来源不清等难题。
基于以上科学问题，研究团队将机器学习算法融入谷歌地球引擎（GEE）遥感解译、地球化学形态模拟与污染指纹溯源技术，耦合目标田块识别、重金属形态预测、污染来源解析等关键环节，构建了区域尺度稻田重金属风险评估框架。机器学习算法的引入，大幅提升了风险识别、区划与溯源的准确度。
研究成果不仅能在大尺度范围内高效识别水稻种植区域，还可结合土壤地球化学特征、环境因子变化进行重金属风险精准识别及预测，并通过污染指纹开展风险溯源及阻控，从而为区域尺度农田重金属的全面高效风险管理提供科学支撑。该成果助力实现农田污染“风险识别——精准溯源——靶向治理”全链条管控，也为类似的农业污染治理提供了可复制、可推广的技术模式。
我校资源与环境学院已毕业的博士杨正论为论文第一作者，刘朝阳副教授为论文通讯作者。资源与环境学院谭文峰教授、汪明霞教授等土壤化学与环境团队成员为论文共同作者，在稻田重金属风险识别与溯源研究工作中提供了重要指导。该研究得到国家自然科学基金项目、湖北省自然科学基金项目支持。
论文链接：https://doi.org/10.1016/j.jhazmat.2026.141056
行业：
鲁公网安备 37060202000128号
