Кадмий (Cd) — токсичный тяжёлый металл, который представляет растущую угрозу для безопасности пищевых продуктов из-за его накопления в сельскохозяйственных культурах. Пшеница особенно склонна поглощать больше кадмия, чем рис, из-за более высокой эффективности внутреннего транспорта. В системах севооборота риса и пшеницы в Китае содержание кадмия в зёрнах пшеницы часто превышает допустимые пределы безопасности, несмотря на соблюдение национальных стандартов качества почвы.
Недавно пересмотренные правила ввели более строгие ограничения содержания кадмия в почве, но они могут привести к ненужным затратам и чрезмерному регулированию. Ранее разработанные прогностические модели не учитывали сложность реальных условий почвы. В связи с этими проблемами существует острая необходимость в более точных, проверенных на практике моделях для обеспечения безопасности пшеницы без чрезмерной нагрузки на производителей.
14 мая 2025 года исследователи из Нанкинского университета и Колумбийского университета опубликовали исследование в журнале Eco-Environment & Health, в котором представлены новые модели для прогнозирования накопления кадмия в зерне пшеницы. Используя данные из 311 парных образцов почвы и пшеницы по всему Китаю, команда сравнила несколько подходов: множественную регрессию, машинное обучение и геохимические методы. Их целью было определить наиболее эффективную модель и разработать точные пороговые значения содержания кадмия в почве, соответствующие национальным стандартам безопасности пищевых продуктов.
Команда определила общее содержание кадмия в почве, pH и ёмкость катионного обмена (CEC) как наиболее влиятельные факторы в поглощении кадмия пшеницей. На основе этих переменных были созданы прогностические модели, в том числе одна, использующая кадмий, извлекаемый CaCl₂, для представления биодоступной фракции, наиболее релевантной для поглощения растениями.
Также была протестирована геохимическая модель — Multi-Surface Speciation Model (MSM) — на способность моделировать поведение кадмия в различных условиях почвы. Хотя оба метода показали хорошие результаты, наиболее выдающейся 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.
Исследователи использовали эти модели для обратного расчёта пороговых значений содержания кадмия в почве на основе китайского лимита безопасности пищевых продуктов на уровне 0,1 мг/кг для зерна пшеницы. Эти новые пороговые значения, скорректированные с учётом различных уровней pH почвы, оказались более эффективными в прогнозировании безопасности зерна, чем текущие национальные стандарты. Они предлагают усовершенствованную и экономически целесообразную альтернативу общим мерам по восстановлению почвы.
«Наша цель состояла в том, чтобы создать практичный инструмент, который фермеры и регулирующие органы могли бы использовать для оценки безопасности пшеницы непосредственно на основе данных о почве», — сказала профессор Сюэюань Гу, автор исследования. «Разработанные нами модели машинного обучения и новые пороговые значения — это не просто академические упражнения — они могут быть интегрированы в системы управления на местах и национальные программы мониторинга».
Она подчеркнула важность сочетания научной строгости с практичностью, отметив, что более широкий сбор данных по регионам может ещё больше повысить надёжность и универсальность модели.
Это исследование имеет значительное значение для обеспечения безопасности сельского хозяйства и разработки политики. С помощью этих моделей риски, связанные с кадмием, могут быть быстро и точно оценены с использованием стандартных почвенных тестов, что позволит фермерам и местным властям принимать обоснованные решения об использовании земель.
Усовершенствованные пороговые значения представляют собой научно обоснованную и экономически целесообразную альтернативу жёсткой политике восстановления почв, помогая предотвратить как недостаточное, так и чрезмерное регулирование. Более того, успешная интеграция машинного обучения знаменует более широкий сдвиг в сторону сельского хозяйства, основанного на данных.
По мере расширения баз данных почв эти прогностические инструменты могут превратиться в системы консультирования в реальном времени, улучшая устойчивое управление земельными ресурсами и защищая здоровье населения через более безопасное производство продуктов питания.
Предоставлено
Chinese Academy of Sciences