中科院南京土壤所王玉军团队SEH:手持式XRF实现土壤Cd快速评估

镉（Cd）因其高毒性和生物蓄积性，对生态系统和人类健康构成严重威胁。全球范围内，Cd的监管限值通常低至0.1~0.6mg/ kg，比其他重金属低1~2个数量级，这对快速、可靠的痕量检测提出了挑战。为了克服这一限制，本研究开发了一个基于手持式能量色散X射线荧光（HXRF）的增强框架，结合机器学习（ML）与多表面模型（MSMs），用于实现高效的土壤性质预测、Cd痕量检测和形态分析。这项概念验证性研究表明，该框架具备支撑现场原位监测的潜力，并可为更广泛地理与土壤背景下的修复优先级评估提供依据。

图文摘要

主要内容

中国科学院南京土壤研究所王玉军团队在Soil & Environmental Health（SEH，《土壤与环境健康》）期刊发表题为“基于机器学习与多表面建模增强手持式XRF实现土壤镉快速定量（Machine learning and multi-surface modeling improve handheld XRF for rapid cadmium quantification in soils；2026，4(2): 100206）”的研究。

本研究从XRF硬件优化入手，系统评估了八种0.2mm厚度的单层初级滤波片（Cu、Al、Ni、Fe、Co、Zr、Mo、Pd），发现Mo和Cu滤片在Cd-Kα特征峰处具有最高的峰背比（PBR）。为进一步提升信噪比，研究对Mo和Cu进行了不同厚度的组合优化（0~0.5mm，步长0.1mm），结果表明，当Cu和Mo厚度均为0.2mm时，PBR与检测可靠性指标（Ra）同时达到峰值（图1）。该组合利用Mo的K-edge吸收特性（约20keV）有效抑制了Cd-Kα能量附近的散射背景，同时避免了滤片过厚导致的入射光束过度衰减。最终，这一优化配置将土壤中痕量Cd的仪器检出限从12mg/kg大幅降低至0.33mg/kg，为后续机器学习建模与痕量检测提供了高质量的谱图数据基础。

在Cd总量与土壤性质的预测中，研究首先对优化后的XRF光谱进行预处理，并通过竞争性自适应重加权采样（CARS）筛选出与目标变量高度相关的特征变量，有效消除了光谱冗余。随后采用多种机器学习模型构建预测模型。结果表明，偏最小二乘（PLS）回归预测效果最好，该模型在处理低维、低信噪比光谱数据方面具有优势，能够通过提取潜变量实现噪声抑制与有效信号的准确捕获。结果表明，在测试集上，PLS模型对总Cd的预测精度达到MAE为0.66mg/kg，对pH、SOC和黏粒含量的MAE分别为0.20、2.93g/kg和0.9%（图2a-d）。模型的可解释性分析显示，PLS回归系数所识别的关键特征通道（如Cd-Kα、Ca、Si、Al、Fe等）与Cd的地球化学行为及土壤性质的形成机制高度吻合，验证了模型预测的合理性与可信度（图2e-h）。

文章引用

Naichi Zhang, Yan Li, Chenhao Pei, Qi Liu, Jie Shen, Jie Liu, Wenyou Hu, Cun Liu, Yujun Wang, 2026. Machine learning and multi-surface modeling improve handheld XRF for rapid cadmium quantification in soils. Soil Environ. Health. 4, 100206. 

作者简介

第一作者:

张乃驰：中国科学院南京土壤研究所在读博士生，研究方向为土壤重金属总量与形态的定性、定量分析及其健康风险。

通讯作者：

王玉军：中国科学院南京土壤研究所研究员，博士生导师，全国优秀博士论文获得者，国家杰出青年基金获得者，国家重点研发首席，土壤与农业可持续发展国家重点实验室主任。主要从事土壤中污染物微界面过程及其阻控原理、污染物土壤环境阈值与容量、污染评价与修复等研究。