农业环境科学学报

作者：吕陈,张乃驰,裴晨浩,申捷,喻恺,刘存,胡文友,王小治,吴同亮,王玉军

单位：扬州大学环境科学与工程学院, 江苏 扬州 225127,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,中国科学院大学, 北京 100049,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,中国科学院大学, 北京 100049,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,南昌航空大学环境与化学工程学院, 南昌 330063,南昌航空大学环境与化学工程学院, 南昌 330063,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,扬州大学环境科学与工程学院, 江苏 扬州 225127,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,土壤与农业可持续发展全国重点实验室, 中国科学院南京土壤研究所, 南京 211135,中国科学院大学, 北京 100049

关键词：土壤砷,X射线荧光光谱,竞争性自适应重加权算法,偏最小二乘回归模型,土壤污染风险评估,

基金：国家重点研发计划项目（2021YFC189100）；国家自然科学基金项目（41977027，42177015）

便携式X射线荧光光谱（XRF）可应用于快速、经济的土壤重金属分析，但受限于基体效应和谱线干扰，仍存在检测限偏高、准确度不足等瓶颈问题。本研究提出一种基于特征波长建模的XRF光谱技术，以土壤As为研究对象，通过融合XRF光谱解析技术与机器学习算法，构建高精度As浓度反演模型，并评估其在区域土壤快速健康风险评价中的适用性。基于35份国家标准土壤样本，采用Savitzky-Golay（SG）滤波与自适应迭代惩罚最小二乘法（airPLS）相结合，可将XRF对As的最低检测限（LOD）降低至1.7 mg·kg-1。进一步结合相关能谱选择（CSS）与竞争性自适应重加权采样（CARS）进行特征波长筛选，并分别构建偏最小二乘回归（PLSR）、随机森林（RF）和极端梯度提升（XGBoost）3种机器学习反演模型。模型对比结果表明：基于特征筛选的PLSR模型（SG-CSS-CARS-PLSR）表现最优，在测试集上R2=0.914，RMSE=14.743；在浙江绍兴某典型矿区土壤As浓度的外部验证中亦展现出优异性能（R2=0.925，RMSE=5.984），显著优于XRF仪器内置的基本参数法，整体预测精度提升达36.8%。将最优模型预测的结果应用于该矿区土壤健康风险评价分析，发现研究区域内As对成年人和儿童的健康风险指数平均值分别为9.76×10-2和2.28×10-1，致癌风险平均值分别为4.43×10-4和1.03×10-3，与常规的基于三酸消解-AFS法的评价结果一致（P>0.05），且分析周期缩短约65%，检测成本降低约60%，证实该方法可以用于区域土壤重金属的快速检测与健康风险评估。

来源：2025年第11期

《农业环境科学学报》期刊编辑部

查看农业环境科学学报杂志2025年第11期