《Journal of Hazardous Materials》：National-scale mapping of time-dependent apparent degradation rates of tetracycline and sulfonamide antibiotics in Chinese cropland soils under a spring fertilization scenario
编辑推荐：
量化大空间尺度下的抗生素降解对于评估农业土壤中的环境持久性和暴露风险至关重要。在此，研究人员开发了一种基于机器学习（Machine Learning, ML）的框架，用于在春季施肥情景下绘制中国耕地中四环素类和磺胺类抗生素的时间依赖表观降解速率（μapp）。研
量化大空间尺度下的抗生素降解对于评估农业土壤中的环境持久性和暴露风险至关重要。在此，研究人员开发了一种基于机器学习（Machine Learning, ML）的框架，用于在春季施肥情景下绘制中国耕地中四环素类和磺胺类抗生素的时间依赖表观降解速率（μapp）。研究人员为四环素类和磺胺类汇编了一个源自文献的数据库，包含来自66项研究和120种土壤的952个降解数据集。模型采用土壤分组交叉验证（Soil-grouped cross-validation）进行训练，并将μapp与土壤理化性质、环境条件和实验因素相关联。四环素模型的预测精度（R2= 0.724）高于磺胺类模型（R2= 0.576），反映出土壤驱动因子对四环素降解的控制作用更强。空间预测揭示了四环素显著的东-西梯度，中国西部和西北部降解较慢，而磺胺类的降解总体较快且空间分布更均匀，呈现出相反的西北-东南对比。不确定性分析表明四环素的预测更为稳健，而磺胺类的预测不确定性较高。这些结果为中国耕地中主要兽用抗生素的时间依赖表观降解速率提供了首批并行国家地图，为大规模归趋模拟（Fate modeling）和区域特异性风险管理提供了定量依据。
研究背景与意义
在过去的几十年里，大量抗生素被用于动物疾病防治，其中相当一部分以原形形式排出体外。在中国，畜禽粪便被广泛用作有机肥施用于农田，这使得兽用抗生素成为农业土壤污染的关键途径。四环素类和磺胺类抗生素因其悠久的使用历史和巨大的用量而备受关注，这两类药物分别占中国兽用抗生素总消费量的30.5%和13.1%。土壤中抗生素浓度的降低反映了微生物降解、非生物转化和不可逆吸附等多种过程的综合效应，这种系统层面的衰减通常被描述为表观降解（Apparent degradation）或消散，其速率常数（μapp）是衡量环境持久性的关键指标。然而，现有的实验室培养研究难以代表真实农业环境的异质性，而田间试验成本高昂且站点特异性强，导致可用于大尺度评估的数据稀疏且分布不均。特别是在中国这样幅员辽阔、气候和土壤条件差异显著的国家，实验观测与国家尺度评估之间存在严重的尺度不匹配问题。因此，开发能够整合多源环境因子并进行空间外推的模型显得尤为迫切。
研究方法与技术路线
研究人员构建了一个包含952个降解数据集的文献数据库，涵盖3种四环素（TC、OTC、CTC）和3种磺胺类（SMZ、SDZ、SMX）抗生素，并关联了土壤理化性质及气候条件。研究采用机器学习方法，通过土壤分组交叉验证训练模型，将μapp与环境变量关联。随后，结合高分辨率的国家土壤和气候数据集，研究人员在春季施肥情景下生成了中国耕地抗生素降解速率的空间分布图。技术核心在于利用数据驱动模型弥补传统机理模型在处理非线性关系和复杂交互作用上的不足，实现从点尺度实验数据到面尺度空间预测的跨越。
研究结果
理论与数据集概览
研究基于一级动力学模型（Ct=C0e?μappt）描述抗生素的表观降解过程。收集的数据集显示，土壤pH值多为中性至弱碱性，土壤有机质（SOM）和阳离子交换量（CEC）呈现右偏分布，表明不同土壤间存在显著差异。土壤质地组分（砂粒、粉粒、黏粒）分布广泛且具有多峰特征，反映了样本来源的多样性。
模型性能与大尺度预测启示
机器学习模型对两类抗生素的预测性能存在明显差异。四环素类的观测值与预测值吻合良好，残差在零附近集中，表明其表观降解率的主要变异源已被所选环境变量捕获，土壤理化性质对其降解具有较强的控制作用。相比之下，磺胺类模型的预测精度较低（R2= 0.576），暗示除土壤和环境因子外，可能存在其他未被纳入模型的关键因素（如特定微生物群落结构）对其降解起主导作用。
空间分布格局
空间预测结果显示出鲜明的对比特征。四环素类表现出明显的东-西梯度，西部和西北地区的降解速率较慢，这可能与这些区域较低的气温、较差的水热条件和较低的土壤肥力有关。而磺胺类则表现出相对较快且空间分布均匀的降解特征，呈现出与四环素相反的西北-东南梯度变化。这表明不同类别抗生素的降解主控因子和空间响应机制存在根本差异。
不确定性与环境意义
不确定性分析进一步证实了模型预测的差异性，四环素类的预测更为稳健，而磺胺类的预测不确定性较高。从环境风险角度看，兽用抗生素在农业土壤中的持久性会促进抗生素抗性基因的产生、破坏土壤微生物群落并污染水体。本研究提供的全国尺度μapp图谱，首次实现了对主要抗生素类别降解行为的并行空间量化，为理解抗生素在宏观尺度上的环境行为提供了关键的参数基础。
结论与讨论
该研究成功建立了一个基于机器学习的框架，用于绘制中国耕地土壤中四环素类和磺胺类抗生素的时间依赖表观降解速率图。通过将大量文献数据与空间显式的土壤和气候信息相结合，研究人员量化并比较了两种主要抗生素类别在不同农业环境中的降解行为。结果表明，四环素和磺胺类的降解受不同的环境因子控制，并呈现出截然不同的空间格局。这项研究填补了从实验室降解数据到国家尺度空间制图之间的空白，为制定区域特异性的抗生素风险管理策略提供了科学的定量依据。论文发表于《Journal of Hazardous Materials》。
