景观破碎化加剧了水稻中重金属对健康的危害，并揭示了可采取应对措施的阈值

《Journal of Environmental Management》：Landscape fragmentation drives rice heavy-metal health risk and reveals actionable thresholds

　　

Mingyang Wu | Yu Su | Yafei Xu | Weimin Sun | Tongxu Liu | Xiaomin Li | Qi Wang

华南师范大学环境研究所，广东省化学污染与环境安全重点实验室，以及教育部环境理论化学重点实验室，中国广州，510006

摘要

主要农作物中重金属的污染通常通过地球化学视角进行评估，将农田视为一个静态容器，而忽略了景观结构的组织作用。在这里，我们提出了“景观风险过滤器”视角和阈值识别工作流程，将景观配置与空间明确的健康风险联系起来。以中国江西省为例，我们整合了30米分辨率的土地利用指标，以及来自377个站点的土壤-水稻测量数据，并进行了标准的非致癌风险评估，然后应用了可解释的机器学习方法（随机森林–SHAP）以及分段回归和Bai–Perron结构突变测试。平均风险指数（HI）为1.022，35.3%的站点超过了安全阈值（HI > 1）。风险主要由镉（平均THQ_Cd = 0.812）引起，而砷虽然低于阈值，但在某些站点对累积风险有所贡献。随机森林–SHAP分析表明，农田破碎化（量化为土地利用/覆盖斑块密度LUCC_PD）是风险最强的预测因素，其影响超过了土壤pH值、土壤有机质和土壤金属浓度的贡献。对LUCC_PD的SHAP响应明显是非线性的，大约在2.17 × 10⁶和4.38 × 10⁶ LUCC_PD单位处存在两个稳健的突变点，分别对应缓冲区、风险上升区和饱和区，这一点通过Bai–Perron测试得到了统计确认。地理加权回归进一步揭示了显著的空间非平稳性，在中西部热点走廊地区破碎化效应最为明显。这些结果为风险分区和土地整合政策提供了定量的、基于景观的目标，以防止高风险农业格局的形成，并提高水稻食品安全。

引言

有毒重金属在主要粮食作物中的积累对环境治理、食品安全和公共卫生构成了严重威胁（Hou等人，2025年；Rai等人，2019年）。水稻为世界上一半以上的人口提供了大部分热量，特别容易从受污染的稻田土壤中吸收镉（Cd）、砷（As）和其他非必需元素（Zhao和Wang，2019年）。一旦这些有毒物质进入谷物，就会导致长期的非致癌和致癌疾病（Clemens和Ma，2016年）。随着城市化、工业排放和农业集约化的加剧，确保水稻的安全性已成为可持续发展的核心挑战。

针对这一挑战的大多数科学和监管响应都是从地球化学角度出发的（Lo Medico等人，2025年；Ogwu等人，2025年；Szabó等人，2025年）。大量研究表明，土壤pH值、氧化还原电位（Eh）、土壤有机质（SOM）及相关性质如何影响金属的形态、迁移性和植物在根际的吸收（Cui等人，2024年；Xu和Tsang，2022年）。基于这种微观理解，缓解策略集中在田间干预措施上——例如施用石灰、生物炭、水资源管理——以改变土壤化学性质和氧化还原状态（Fang等人，2025年；Gray等人，2006年；Limmer和Seyfferth，2024年）。当前的健康风险评估和土壤质量标准大多建立在这种观点之上：它们隐含地将农田视为一个同质的“容器”，其风险由单个土坑中测得的污染物浓度决定。

这种简化框架忽略了空间结构在控制景观尺度上污染物命运和暴露中的作用。农业用地嵌入在村庄、工业设施、水库、灌溉网络和交通基础设施的镶嵌体中（Sellberg等人，2024年）。景观生态学表明，这种配置起到了积极的风险过滤器作用，可以缓冲或放大环境干扰（Turner，2005年）。农田的破碎化会破坏水文连通性，促进污染物在小型流域内的积聚和集中（Thomas等人，2020年）。同时，边缘密度的增加和粗糙度的提高可以增强受污染气溶胶的拦截和干沉降，这是镉和其他金属的重要传输途径（Gallagher等人，2002年；Landis等人，2021年）。尽管有这些理论联系，但将宏观尺度景观模式与空间明确的人类健康风险直接联系起来的实证证据仍然很少。特别是，尚不清楚景观-风险关系是否具有非线性，以及是否存在某个临界点，在该点之后，景观结构的相对较小变化是否会导致健康风险的不成比例加剧。

在这项研究中，我们通过开发一个基于机制的、基于景观的框架来研究与水稻相关的重金属风险。我们假设景观结构不仅是一个次要的协变量，而是将土壤污染转化为饮食暴露的主要控制因素。以江西省为例——这是中国的主要稻米生产区之一，该地区在“山-河-湖计划”等不同政策下经历了显著的景观重组——我们结合了景观生态学、正式的健康风险评估和可解释的机器学习方法。

为了超越简单的相关性，捕捉景观配置、土壤属性和健康风险之间复杂、非线性和交互的关系，我们采用了可解释的机器学习框架。随机森林（RF）是一种集成学习算法，它构建了许多决策树并平均它们的预测结果，从而能够在不假设特定功能形式的情况下建模复杂非线性关系（Breiman，2001年）。关键的是，我们将RF与Shapley加性解释（SHAP）相结合，这是一种基于博弈论的方法，它可以分解每个预测的各个输入变量的贡献，从而“打开黑箱”，提供每个预测因素影响的方向和大小（Lundberg和Lee，2017年）。这种RF–SHAP方法已在环境科学中成功应用于识别土壤污染（Song等人，2025年）、水质（Li等人，2024年）和作物产量变异性（Shahhosseini等人，2020年）的驱动因素，证明了它在我们这里处理的这种多因素、非线性环境问题中的实用性。此外，为了检测和统计验证景观-风险关系中的潜在“临界点”，我们采用了Bai–Perron多重结构突变测试（Bai和Perron，1998年），这是一种成熟的计量经济学技术，用于识别数据序列中变量之间关系显著变化的点。这种方法已适应于环境阈值检测，包括生态系统转变（Andersen等人，2009年）和污染-响应关系（Toms和Villard，2015年）的研究，非常适合用于测试我们的非线性破碎化临界点假设。

具体来说，我们（1）比较了景观配置与土壤化学在预测水稻中重金属风险空间模式方面的相对重要性；（2）使用分段回归和Bai–Perron结构突变测试来检测农田破碎化的阈值，超过该阈值后风险指数（HI）会急剧增加；（3）量化物理破碎化与土壤化学异质性之间的协同作用。通过明确将农业景观视为食品安全的动态决定因素，这项研究为从基于浓度的静态土壤标准转向基于风险的动态土地管理提供了科学基础，以实现食品安全和环境健康的统一。

章节片段

研究地点

江西省位于中国长江中下游平原，纬度在24°29′14″至30°04′43″之间，经度在113°34′18″至118°28′56″之间。江西省年降水量为1341-1943毫米，光照充足。2022年，该省的水稻播种面积和总产量在全国排名第三，仅次于黑龙江省和湖南省（中国国家统计局，2023年）。江西省是一个重要的水稻生产基地

2000-2020年江西省的稳定生产和动态景观

在过去十年中，江西省一直是一个主要的水稻生产区，播种面积和产量都保持了显著稳定（平均播种面积3.3 × 10⁶公顷，平均产量2.0 × 10⁷吨）（图S1–2）。然而，在这种表面稳定性之下，农业景观发生了巨大变化。2010年至2020年间，近五分之一的农田经历了土地利用转换。最显著的净变化是6.90%的农田转为森林，其次是...

讨论

我们的研究表明，农业景观的空间结构对由水稻传播的重金属引起的非致癌健康风险具有一级控制作用，其影响可与经典的土壤地球化学因素相媲美甚至超过它们。通过结合正式的健康风险评估、可解释的机器学习和结构突变分析，我们超越了单纯的相关性，表明景观格局不仅是被动的背景，而且是影响环境风险的主动调节因素...

结论

这项研究从根本上重新定义了对农业中重金属风险的理解。研究表明，水稻中的重金属风险不仅受土壤化学的影响：景观破碎化是食品安全的主要调节因素。通过结合可解释的随机森林模型、分段回归和Bai–Perron测试，我们确定了一个稳健的破碎化阈值，大约为2.17 × 10⁶（LUCC_PD），超过这个阈值后，景观从缓冲状态转变为风险上升状态

CRediT作者贡献声明

Mingyang Wu：撰写——原始草稿、验证、软件、调查、正式分析、数据管理。Yu Su：撰写——原始草稿、验证、软件、资源、方法论、调查。Yafei Xu：软件、方法论、正式分析、数据管理。Weimin Sun：监督、方法论、正式分析。Tongxu Liu：验证、监督。Xiaomin Li：撰写——审稿与编辑、监督、软件。Qi Wang：撰写——审稿与编辑、验证、监督、项目

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报道的工作。

致谢

这项工作得到了广东省基础与应用基础研究基金会（2023B1515040007）和国家自然科学基金（42277479）的财政支持。所有作者均无需要声明的利益冲突。