Модели почвы могут повысить безопасность пшеницы при загрязнении кадмием

Тяжёлый металл кадмий (Cd) представляет растущую угрозу безопасности пищевых продуктов, накапливаясь в сельскохозяйственных культурах. Пшеница, в частности, поглощает больше кадмия, чем рис, из-за более высокой эффективности внутреннего транспорта. В китайских системах рисово-пшеничного севооборота зерно пшеницы часто превышает пределы безопасности по кадмию, несмотря на соответствие национальным стандартам качества почвы.

Недавно пересмотренные нормативы ввели более строгие пределы содержания кадмия в почве, но они могут привести к излишним затратам и чрезмерному регулированию. Ранее созданные прогностические модели оказались неэффективными, не учитывая сложность реальных почвенных условий. В связи с этим существует острая необходимость в более точных моделях, проверенных в полевых условиях.

14 мая 2025 года исследователи из Нанкинского университета и Колумбийского университета опубликовали в журнале Eco-Environment & Health исследование, представляющее новые модели для прогнозирования накопления кадмия в зерне пшеницы. Используя данные 311 парных образцов почвы и пшеницы со всего Китая, команда сравнила подходы множественной регрессии, машинного обучения и геохимического моделирования. Их целью было определить наиболее эффективную модель и установить точные пороговые значения содержания кадмия в почве, привязанные к национальным стандартам безопасности пищевых продуктов.

Команда определила, что общее содержание кадмия в почве, pH и ёмкость катионного обмена (CEC) являются наиболее влиятельными факторами поглощения кадмия пшеницей. На основе этих переменных были построены прогностические модели, включая модель, использующую экстрагируемый CaCl₂ кадмий для представления биодоступной фракции, наиболее релевантной для поглощения растением.

Также была протестирована геохимическая модель — Multi-Surface Speciation Model (MSM) — на способность имитировать поведение кадмия в различных почвенных условиях. Хотя оба метода показали хорошие результаты, лучшей оказалась модель машинного обучения Extremely Randomized Trees (ERT). Она достигла среднеквадратичной ошибки (RMSE) 0.221 и средней абсолютной ошибки (MAE) 0.165, превзойдя другие модели по точности и адаптивности.

Ключевым моментом стало использование этих моделей для обратного расчёта пороговых значений содержания кадмия в почве на основе китайского предела безопасности для зерна пшеницы в 0.1 мг/кг. Эти новые пороги, скорректированные для разных уровней pH почвы, оказались более эффективными для прогнозирования безопасности зерна, чем действующие национальные стандарты, предлагая усовершенствованную и экономически эффективную альтернативу сплошной ремедиации почв.

«Наша цель — создать практический инструмент, который фермеры и регуляторы смогут использовать для оценки безопасности пшеницы непосредственно на основе данных о почве», — заявил профессор Сюэюань Гу, автор-корреспондент исследования. — «Модели машинного обучения и новые пороговые значения, которые мы разработали, — это не просто академические упражнения; их можно интегрировать в системы полевого управления и национальные программы мониторинга».

Он подчеркнул важность сочетания научной строгости с практической применимостью, отметив, что более широкий сбор данных по регионам может дополнительно повысить надёжность и обобщаемость модели.

Это исследование имеет значительные последствия для сельскохозяйственной безопасности и разработки политики. С помощью этих моделей риски, связанные с кадмием, можно оценивать быстро и точно с использованием стандартных почвенных тестов, что позволит фермерам и местным властям принимать обоснованные решения об использовании земель.

Уточнённые пороговые значения предлагают научно обоснованную, экономически осуществимую альтернативу жёсткой политике ремедиации, помогая предотвратить как недостаточное, так и избыточное регулирование. Более того, успешная интеграция машинного обучения знаменует более широкий переход к сельскому хозяйству, основанному на данных.

По мере расширения почвенных баз данных эти прогностические инструменты могут эволюционировать в системы оперативного консультирования, улучшая устойчивое управление земельными ресурсами и защищая здоровье населения за счёт более безопасного производства продуктов питания.