Машинное обучение выявляет доминирующие фракции тяжелых металлов(лоидов) в почвах мира

Почему почва под нашими ногами важна

Большая часть продуктов, которые мы потребляем, начинается в почве, однако этот тонкий слой планеты незаметно накапливает вредные металлы от промышленности, сельского хозяйства и атмосферы. Эти металлы не лежат пассивно: одни формы прочно прикреплены к частицам земли, другие легко переходят в воду, растения и в конечном итоге — в наши тела. Исследование, кратко изложенное здесь, использует современные методы обработки данных, чтобы показать, где и при каких условиях более подвижные и опасные формы наиболее вероятны по всему миру; в качестве детального теста рассмотрена ртуть.

Скрытые формы вредных металлов

Такие металлы, как ртуть, кадмий и свинец, попадают в почвы как из природных горных пород, так и в результате человеческой деятельности — добычи, выплавки и сжигания угля. В почве они не существуют в единственном состоянии. Вместо этого они распределены по нескольким «фракциям»: часть слабо связана с частицами или растворена в воде, другие заперты внутри минеральной структуры. Слабо связанные фракции легче переходят в водные потоки и корни растений, тогда как прочно связанные фракции относительно стабильны. Большинство глобальных исследований сосредотачивались на суммарном содержании металлов, но авторы утверждают, что именно соотношение между фракциями, а особенно доминирующая фракция в каждой почве, действительно контролирует риск для продовольствия и здоровья.

Обучение цифровой модели «читать» почву

Чтобы учесть это соотношение в глобальном масштабе, исследователи собрали 9 489 измерений фракций металлов в пахотных горизонтах из 56 стран, охватывающих 52 различных металла и широкий спектр типов земель. Для каждой пробы они зафиксировали общее содержание металлов, базовые характеристики почвы такие как кислотность (pH), органический углерод, содержание глины и емкость катионного обмена, а также числовые описания свойств самого металла. Затем они обучили модель машинного обучения, известную как eXtreme Gradient Boosting, чтобы выявить, какая фракция склонна доминировать при каких условиях. После тщательного отбора признаков и настройки модель с высокой точностью классифицировала доминирующие фракции, хотя набор данных был смещен в сторону стабильной, малоподвижной фракции.

Компоненты почвы, заставляющие металлы двигаться

С помощью инструментов интерпретации команда проанализировала, какие факторы сильнее всего влияли на решения модели. Общая концентрация металла оказалась ключевым фактором: по мере усиления загрязнения «ёмкость хранения» минералов и частиц может быть переполнена, что подталкивает больше металла в подвижные фракции. Не менее важными оказались органический углерод почвы и pH. Более высокий pH и больше органического вещества благоприятствуют более подвижным формам, поскольку растворимые органические компоненты склонны формировать комплексы с металлами, которые остаются в почвенном растворе, а не осаждаются. Это взаимодействие непросто — другие ионы и минералы почвы конкурируют за те же сайты связывания — но анализ ясно выделил органический углерод и pH как глобальные рычаги, контролирующие легкость миграции металлов.

Картирование опасных участков с ртутью

Чтобы показать практическое применение инструмента, учёные сосредоточились на ртути — токсичном металле глобальной озабоченности, для которого доступны относительно хорошие глобальные данные. Они объединили свою модель с картами содержания ртути в почвах, характеристик почв, плотности населения и сельскохозяйственных земель с разрешением пять километров. Регионы, где модель предсказала более высокую вероятность подвижных форм ртути по сравнению со стабильной фракцией, были отмечены как очаги высокой подвижности. Примерно 17,85% суши мира попали в эту категорию. Выделялись большие участки Африки и Южной Америки, части Северной Америки и Юго‑Восточная Азия, тогда как большая часть Европы и некоторые высокоширотные регионы показывали меньшую подвижность, отчасти потому, что более кислые почвы там склонны сильнее удерживать ртуть.

Люди и фермы в зонах риска

Наложение карты очагов на распределение населения и сельхозугодий показало, кто находится в наибольшей опасности. Авторы оценивают, что около 15,1 миллиона человек и 100,9 миллиона гектаров сельхозземель расположены в зонах, где ртуть, вероятно, присутствует в более подвижных формах. Азия, несмотря на меньшую долю затронутой территории, содержит наибольшее число людей и посевных площадей в зоне воздействия из‑за высокой плотности населения и интенсивного сельского хозяйства — особенно в северной Индии, Бангладеш и восточном Китае. Эти результаты указывают на то, что помимо глобальных соглашений по сокращению эмиссий ртути многим странам срочно необходимы тестирование почв и целевые мероприятия по очистке в конкретных регионах.

Более быстрый способ выявить проблемы в почве

Лабораторные методы, непосредственно измеряющие фракции металлов, медленны, технически сложны и дороги, что ограничивает число проверяемых площадок. Напротив, новая методика может быть обучена один раз на тщательно измеренных образцах, а затем использована для быстрого прогнозирования доминирующих фракций в любом месте, где доступны базовые данные о почве и металле. Хотя подход по‑прежнему зависит от улучшения глобальных карт загрязнения почв и сбора дополнительных полевых данных, он уже предлагает мощную «короткую дорогу»: способ заранее определить вероятные очаги подвижных, вредных металлов и помочь правительствам и сообществам сосредоточить тестирование и очистку там, где это наиболее важно для продовольственной безопасности и общественного здоровья.

Цитирование: Hu, T., Wu, M., Chen, Q. et al. Machine learning uncovers dominant fractions of heavy metal(loid)s in global soils. Commun Earth Environ 7, 214 (2026). https://doi.org/10.1038/s43247-026-03221-8

Ключевые слова: загрязнение почв, тяжелые металлы, ртуть, машинное обучение, экологическое здоровье