针对农业安全而言，具有镉特异性的有害浓度（HC?）阈值，在母质不同的水稻土中设定为5%

《Journal of Environmental Sciences》：Cadmium-specific hazardous concentration for 5 % (HC?) thresholds for agricultural safety in parent material-differentiated paddy soils

镉（Cd）是中国农田土壤污染的重要威胁，本研究通过整合SSD方法、盆栽实验及文献数据，建立了不同母质水稻土的Cd安全阈值（HC?）。结果表明花岗岩母质土壤HC?最高（0.53 mg/kg），第四纪红壤最低（0.17 mg/kg），并构建了基于土壤性质的预测模型（lgHC?=1.336lgpH+0.941lgOM+0.530lgCEC-3.45），解释变异达95.1%。田间验证显示模型误差范围在预测值的2倍以内，为制定差异化土壤安全标准提供了科学依据。

　　

Jing Wang|Meng Wang|Lei Yu|Xiaoyi Sun|Luyao Qin|Jiaxiao Liu|Ruyan Zhou|Shibao Chen

中国农业科学院农业资源与区域规划研究所/中国高效利用耕地国家重点实验室，北京 100081

摘要

由于毒理学数据不足，中国农田土壤中镉（Cd）的环境质量标准修订仍面临挑战。为了保障农产品安全，本研究通过整合盆栽实验数据和文献资料，利用物种敏感性分布（SSD）方法，为不同母质类型的稻田土壤建立了特定于母质的环境风险阈值（5%危险浓度HC₅），该阈值旨在保护约95%的物种免受显著不良影响。毒性数据通过老化因子（AF₃₆₀ = 1.38-3.47）进行标准化处理，该因子基于360天的平衡实验得出。结果显示，不同母质类型的HC₅阈值存在显著差异：花岗岩风化土（S_G）的阈值最高（0.53 mg/kg），而第四纪红土（S_Q）的阈值最低（0.17 mg/kg）。我们还开发了一个包含土壤特性的预测模型：lgHC₅ = 1.336lgpH + 0.941lgOM + 0.530lgCEC - 3.45，该模型能够解释95.1%的HC₅变化。实地验证证实了模型的可靠性，实际测得的Cd浓度（0.011-2.0 mg/kg）均在预测误差范围内。本研究为根据土壤母质设定Cd阈值提供了科学依据，强调了其在水稻安全污染控制策略中的关键作用。

引言

农产品的安全是食品安全和公共卫生的基石，受到社会的高度关注（LaPointe等人，2025年）。镉（Cd）具有高毒性和移动性，会在农业系统中造成持续污染。根据中国国家土壤污染调查公报（2014年），19.4%的耕地土壤超过了污染物限值，镉被认为是对作物安全的主要威胁。因此，建立基于科学的土壤Cd阈值对于保障农产品质量至关重要。确定土壤Cd安全阈值的主要方法包括物种敏感性分布（SSD）方法、评估因子方法，或利用农产品污染限值标准进行回归分析（Ding等人，2018年）。Meng等人（2019年）使用线性回归模型测定了菠菜、油菜、生菜、油料油菜、苋菜、水 spinach和冠状雏菊的土壤Cd阈值，分别为0.33、0.38、0.46、1.15、0.59-1.79、1.49-8.16和8.98-17.11 mg/kg。其中，菠菜、油菜和生菜的阈值与现行标准（0.3-0.6 mg/kg）相当，而油料油菜、苋菜、水 spinach和冠状雏菊的阈值超过了土壤重金属污染限值。Guan等人（2021年）使用多元线性回归方法和SSD的逻辑函数模型研究了pH值在6.5 < pH ≤ 7.5、7.5 < pH < 8.5、pH ≥ 8.5范围内的土壤Cd阈值，并据此将玉米种植区划分为适宜生产区（Cd阈值：3.00、3.80和3.11 mg/kg）、禁止生产区（阈值：8.95、9.10和7.21 mg/kg）以及Cd浓度介于两者之间的限制生产区。Fan等人（2010年）和Chen等人（2018a年）以杂交籼稻（KU 818）和常规籼稻（Zhongjiazao 17）为材料，推导出几种土壤的安全阈值范围为0.70至4.79 mg/kg。此外，SSD方法已被美国、德国和日本等多个国家和地区采纳为设定安全阈值的标准方法，因为它综合考虑了物种多样性、敏感性和污染物的生物可利用性（Qi等人，2022年）。然而，中国现行的《土壤环境质量标准》（GB15618）在制定标准时更注重全国统一性，但未能充分考虑我国广阔的空间异质性和动态的土壤特性——这些差异主要源于不同的土壤母质。

母质是土壤形成的基本基质，对土壤的物理特性和化学组成具有显著影响（Dong等人，2019年）。不同类型的母质（如石英砂岩、花岗岩和紫色页岩）会产生具有不同矿物组成和养分特征的风化产物（Kowalska等人，2019年）。这些固有差异直接决定了土壤形成过程中的初始地球化学成分，进而影响最终土壤中重金属（尤其是镉）的基线浓度和空间分布（Xiao等人，2022年）。因此，在建立科学合理的Cd污染安全阈值时，必须系统地考虑母质分析。Zheng等人（2019年）使用Burr III分布函数对12个水稻品种的Cd积累进行了SSD建模，得出的湖泊沉积物和混合湖泊沉积物-长江冲积物母质形成的土壤安全阈值分别为0.78 mg/kg和1.17 mg/kg，远高于GB 15618第二类规定的0.30 mg/kg限值。Song等人（2019年）记录了碳酸盐基岩形成的稻田土壤中Cd浓度升高（平均0.915 mg/kg），突显了母质对地球化学变化的显著影响。Lu等人（2017年）向土壤中添加了外源Cd（0-4.0 mg/kg），平衡两周后，确定了第四纪红土和河流-湖泊沉积物母质形成的土壤中白菜的安全阈值为0.12-1.7 mg/kg。

上述研究表明，来自不同母质的土壤中Cd的安全阈值存在显著差异。虽然采用全国统一的土壤污染物限值可以提高污染评估的可比性，现行的土壤环境质量标准在环境保护和污染缓解方面也取得了成效，但其实际应用存在局限性（Chen等人，2015年，2018b年）。由于我国领土辽阔，土壤母质和土壤形成过程复杂多样，重金属的自然背景值也会发生变化。因此，为全国范围内的土壤评估实施单一基准值在科学上不合理，也不具可行性（Lu等人，2017年；R?mkens等人，2011年）。作为世界上最重要的主粮作物，水稻在全球食品安全和公共卫生体系中具有独特的重要性。当前关于农业土壤中重金属安全阈值的研究开始考虑多维度因素，包括作物种类/品种的差异以及总金属浓度和生物可利用金属浓度的双重评估。然而，现有研究主要集中在蔬菜作物上，而对典型母质形成的稻田土壤的系统性研究相对较少。这一研究空白亟需制定具体考虑以下因素的Cd安全阈值：（1）土壤母质的成土特性；（2）全面的农产品质量指标，从而为水稻种植系统中的Cd污染建立科学可靠的评估框架。

本研究假设来自不同母质的稻田土壤中Cd的环境风险阈值存在显著差异。我们采用SSD方法，系统地编制了多个种植区域土壤-水稻系统中Cd的生物累积因子（BCFs），并比较分析了不同的概率分布模型，以建立Cd生物累积与累积概率之间的最佳关系。以中国《国家食品安全标准》（GB2762-2022）规定的最大允许Cd浓度为关键终点，通过逆向建模得出了保护性阈值（5%危险浓度HC₅）。这些发现提供了：（1）特定于母质的农业安全Cd阈值；（2）区域化土壤质量基准的方法论框架；（3）受污染稻田精准农业管理的科学支持。

部分内容摘录

土壤采样

本研究使用了六种典型的母质稻田土壤（0-20厘米深度）：紫色砂岩和页岩土壤（以下简称S_P）、第四纪红土（S_Q）、花岗岩风化土（S_G）、河流和湖泊沉积物土壤（S_R）、板岩风化土（S_Y）以及石灰岩风化土（S_S）。这些土壤样本采集自中国各地的0-20厘米深度：衡阳（26°89′N, 112°57′E, HY）、桂林（22°82′N, 108°33′E, GL）、长春（43°88′N, 125°35′E, CC）、盘锦（41°07′N, 122°03′E, PJ）和新乡

毒性阈值和老化因子

为了更精确地量化镉污染在环境介质中随时间变化的实际毒性效应，本研究引入了“老化因子”（AF）作为毒性数据的校正工具。该因子根据公式（1）计算得出。稻谷中镉的毒性阈值基于剂量-效应关系确定（附录A 图S1）。研究结果表明，不同母质土壤中镉的毒性阈值（RT₃₆₀）范围为0.15至0.42。

讨论

本研究发现，来自六种不同母质的稻田土壤中Cd的HC?阈值存在3.1倍的差异（0.17-0.53 mg/kg）。母质作为土壤形成的基础基质，直接影响土壤的物理化学特性，从而调控镉的行为和生物可利用性。例如，在珠江三角洲地区，由富含重金属的第四纪沉积物形成的稻田土壤表现出尤为显著的镉污染

结论

通过剂量-效应关系分析，本研究确定老化因子范围为1.38至3.47，并据此构建了一个考虑土壤老化效应的毒理学数据库，以科学调整原始毒理学数据。研究为不同母质土壤拟合了物种敏感性分布（SSD）曲线，并据此得出了相应的HC₅值。通过结合老化校正因子和SSD建模，建立了一个预测框架

伦理批准和数据可用性声明

所有涉及植物和土壤样本的实验程序均遵循伦理准则进行，本文中的数据均为原创，未在其他地方发表。

代码可用性

我们郑重声明，本研究与上述软件的开发者没有任何利益关联。

CRediT作者贡献声明

Jing Wang：概念构思、初稿撰写；审稿与编辑。Meng Wang：概念构思、监督、撰写与审稿。Shibao Chen：概念构思、监督、撰写与审稿。Lei Yu：数据管理。Luyao Qin：数据管理。Xiaoyi Sun：数据管理。Jiaxiao Liu：数据管理。Ruyan Zhou：数据管理。

CRediT作者贡献声明

Jing Wang：撰写 – 审稿与编辑，初稿撰写，概念构思。Meng Wang：撰写 – 审稿与编辑，监督，概念构思。Lei Yu：数据管理。Xiaoyi Sun：数据管理。Luyao Qin：数据管理。Jiaxiao Liu：数据管理。Ruyan Zhou：数据管理。Shibao Chen：撰写 – 审稿与编辑，监督，概念构思。

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了中国国家重点研发计划（编号2024YFD1700902和2023YFC3708703）、中国农业科学院青年创新计划（编号Y2023QC17）、农业科学技术创新计划（编号CAAS-ZDRW202308）、中国农业科学院创新计划（编号CAAS-CSGLCA-202302）以及广东省环境污染控制重点实验室研究基金的支持