基于机器学习识别中微量元素...区产地稻米镉、砷的富集规律_牟力言.pdf

农业环境科学学报 Journal of Agro-Environment Science ISSN 1672-2043,CN 12-1347/S 农业环境科学学报网络首发论文农业环境科学学报网络首发论文 题目：基于机器学习识别中微量元素与我国七大片区产地稻米镉、砷的富集规律 作者：牟力言，刘春湘，陈敏，秦莉，林大松，Batsaikhan Bayartungalag 收稿日期：2023-04-05 网络首发日期：2023-10-10 引用格式：牟力言，刘春湘，陈敏，秦莉，林大松，Batsaikhan Bayartungalag基于机器学习识别中微量元素与我国七大片区产地稻米镉、砷的富集规律J/OL农业环境科学学报.https:/ 网络首发网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合出版管理条例和期刊出版管理规定的有关规定；学术研究成果具有创新性、科学性和先进性，符合编辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，只可基于编辑规范进行少量文字的修改。出版确认出版确认：纸质期刊编辑部通过与中国学术期刊（光盘版）电子杂志社有限公司签约，在中国学术期刊（网络版）出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为中国学术期刊（网络版）是国家新闻出版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首发论文视为正式出版。基于机器学习识别中微量元素与我国七大片区产地稻米镉、砷的富集规律 牟力言1,2,刘春湘1,2,陈敏1,2,秦莉1,2*,林大松1,2,Batsaikhan Bayartungalag3（1.农业农村部环境保护科研监测所，天津 300191；2.农业农村部环境保护科研监测所湘潭综合实验站 农业农村部环境保护科研监测所，湖南 湘潭 411100；3.蒙古科学院地理与生态地质研究所，乌兰巴托 1568683）Mou Liyan1,2,Liu Chunxiang1,2,Chen Min1,2,Qin Li1,2*,Lin Dasong1,2,Batsaikhan Bayartungalag3(1.Key Laboratory of Original Agro-environment Pollution Prevention and Control of Ministry of Agriculture and Rural Affairs,Agro-Environmental Protection Institute,Ministry of Agriculture and Rural Affairs,Tianjin 300191,China;2.Xiangtan Experimental Station of Agro-environmental Protection Institute,Ministry of Agriculture and Rural Affairs,Xiangtan 411100,China;3.Institute of Geography and Ecological Geology,Mongolian Academy of Sciences,Ulaanbaatar 1568683,Mongolia)摘要：摘要：本研究在全国大尺度空间范围内，基于机器学习识别稻米镉（Cd）、砷（As）富集的重要影响因素，探究了中微量元素对稻米 Cd、As 超标的贡献率并构造了生物有效性模型。首先，通过决策树算法构造中微量元素判别 Cd、As 超标的预测模型，其预测精度分别为 95.55%和 97.55%，表明中微量元素是识别稻米Cd、As 超标的重要指标；其次，利用随机森林算法筛选影响稻米 Cd、As 富集的主控因子，不同区域的主控因子表现出明显差异，其单一因子主要驱动的 Cd 富集在不同区域的差异表现为：华东片区 pH 的贡献占主导、华南片区的交换性钙（Ca）和东北片区的土壤有机质（SOM）分别占主要贡献，而有效铁（Fe）对As 富集表现出特异性的区域贡献(如华东、华南和西南片区)；最后，将各区域确定的主控因子引入构建土壤-稻米生物有效性模型，其中，Cd、As的生物有效性九因子模型在不同片区的决定系数最高，分别为0.680、0.664(P0.05)。本研究为大尺度地域水平上稻米 Cd、As 重金属污染防控和环境管理提供了科学依据和决策支撑。关键词关键词：镉；砷；决策树；随机森林；生物有效性模型 Enrichment patterns of cadmium and arsenic in rice from seven major regions in China based on machine learning recognition of minor and trace elements Abstract:This study identified important influencing factors of cadmium(Cd)and arsenic(As)enrichment in rice based on machine learning on a large spatial scale nationwide,explored the contribution rate of medium and trace elements to rice Cd and As exceeding standards,and constructed a bioavailability model.First,a prediction model was constructed using a decision tree algorithm to identify trace elements that exceeded Cd and As limits,with prediction accuracies of 95.55 and 97.55%,respectively.This indicates that trace elements are essential for identifying excessive Cd and As in rice.Second,the random forest algorithm was used to screen the main control factors affecting rice Cd and As enrichment,and the main control factors showed significant differences in different regions.Cd enrichment differences,mainly driven by a single factor in different regions,were as follows:the contribution of pH in East China was dominant,exchangeable calcium in South China,and soil organic matter in Northeast China accounted for the main contribution.Effective iron exhibits a specific regional contribution to 收收稿日期：稿日期：2023-04-05 录用日期：录用日期：2023-07-19 作者简介作者简介：牟力言（1998），女，重庆永川人，硕士研究生，研究方向为土壤重金属污染生态安全阈值E-mail:*通信作者通信作者：秦莉 E-mail：ql- 基金项目：基金项目：“一带一路”创新人才交流外国专家项目（DL2022051004L）Project supported:The Belt and Road Innovative Talent Exchange Foreign Experts Project(DL2022051004L)网络首发时间：2023-10-10 11:00:19网络首发地址：https:/ As enrichment(such as in the East China,South China,and Southwest regions).The main control factors determined in each region were introduced to construct a soil rice bioavailability model;overall,the nine-factor models for Cd and As bioavailability had the highest determination coefficients in different regions,with 0.680 and 0.664(P CEC Mn pH Fe SOM Ca Cu Mg，但均表现出对稻米 Cd 富集影响的相当贡献（图 1a）。同样的，同一主控因子在不同区域的贡献率也表现出明显差异(图 1b)。这种由地域差异引起的环境因子驱动的 Cd 富集结果可见。Ca 元素在华南片区、Fe 元素在华北和华南片区、SOM 在东北片区以及 pH 在华东和华北片区的贡献相比其他区域明显较高。区域水平上考察不同环境因子对稻米 Cd 富集是识别主控因子准确性的重要支持。先前的研究表明，土壤 Cd 含量与土壤 pH、土壤交换性 Ga、土壤有效 Zn 呈现出显著的相关性关系，并且对耕作手段、地域特征等因素带来的土壤理化性质、中微量元素对稻米 Cd 富集 可能的影响做出推断，如 CEC、Zn 和 Ca 等37。和君强等38通过模型构建了湖南长沙地区稻米 Cd 污染土壤中 pH 和 SOM 与 Cd 富集之间的显著关联；基于随机森林回归的主控因子识别模型，其 Ca、pH、Mn 等也是影响湖南某县稻米 Cd 富集的主要影响因素39。东北片区特有的土壤类型中丰富的 SOM 对稻米 Cd 富集的贡献显而易见40。受土壤质地和类型的影响，华北和华中片区中土壤 Fe 可能通过其有效性形态的变化来改变水稻根际 Fe 膜对 Cd 的吸附固定量，进而影响对稻米 Cd 的富集41。同时，土壤中 Ca 对土壤 pH 的调控作用，可能是华南片区稻米 Cd 过度富集的原因之一。总之，比较分析发现全国七大片区稻米 Cd 富集的主控因子存在区域差异，也存在主控因子贡献率上的差异。这种差异基于区域元素化学循环，也可能与中微量元素和土壤中 Cd 之间的拮抗作用有关，也可以是基于对土壤理化性质如 pH 的调控进而对稻米 Cd 的富集产生调控39,42,43。图 1 全国七大地理片区 Cd 主控因子贡献率 Fig.1 Contribution rate of Cd main control factors in Chinas seven major geographical regions 综上，九个环境因子在七大地理片区中对稻米 Cd 的富集贡献和影响存在明显的地域差异，这也说明影响稻米 Cd 富集的土壤环境因子的地域差异性。中微量元素指标因子对各大地理片区稻米 Cd 的富集影响显著，除了与地域母质，区域施肥、耕作制度差异等相关外，可能还与不同地理片区的特异的大气沉降条件等有关42。因此，在华东片区，应重点监控pH、SOM 等土壤理化的变化情况；华北和华中片区应重点监控 Fe 指标与土壤 pH 的变化情况；华南片区应重点监控 Ca 指标 pH、CEC 等土壤理化指标；而西南、西北、东北等片区应重点监控 Zn、Mn 元素指标、CEC、SOM 等土壤理化指标。2.3 稻米砷的主控因子分析 与 Cd 的分析过程类似。通过比较发现，全国七大片区稻米 As 主控富集驱动因子在区域尺度上同样存在一定差异，同区域不同因子的贡献率明显不同(图 2)。由单一因子主要驱动的 As 富集在不同区域上具体表现为：Fe 元素在华东、华南和西南片区的贡献相比于其他因子尤为突出，Zn 在华北片区的因子贡献中占据主导地位，包括西北片区的 Mn 和东北片区的 Mg；另外，华中片区的 Cu、Zn 和 Fe 同时具有较高的贡献。与 Cd 不同的是，在因子水平上 Fe 表现出对稻米 As 富集明显的特异性贡献，除了华北片区。而其他因子在不同区域也表现出相当的贡献水平。土壤 Fe 含量和形态依赖于稻米土壤淹水和排水条件而变化44，进而对土壤有效态 As的含量和形态产生调节作用。主要表现为 Fe 氧化物和 As(V)的协同还原过程，加速溶解产生的 As(III)造成稻米 As 的吸收风险44-46。这解释了多片区 Fe 元素对稻米 As 富集的主要贡献，尤其是土壤 Fe 含量较高、雨水较广的华东、华南和西南片区等地。另外，Zn 元素可促进水稻土壤中 As 的甲基化和脱甲基化过程，并影响水稻根系对 As 的吸收和运输；Mg 元素与土壤中 As(III)或有机甲基 As 的协同作用可加速稻米 As 富集并影响其在水稻不同部位的分配；而 Mn 氧化物在土壤中的吸附与 As 有关47-49。总之，不同片区稻米 As 富集可能依赖于这些中微量元素在土壤中的形态过程，从而表现出明显差异。这可能是华北、西北和东北地区的 Zn、Mn、Mg 主控稻米 As 富集的潜在原因。不同区域的土壤中 As 主控因子贡献率存在明显差异，其中 Fe、Zn、Mn、Mg 等元素对稻米中 As 的富集影响最为显著。Fe 元素在华东、华南、西南、东北片区对稻米中 As 的富集影响显著，推断 Fe 元素是影响我国水稻产区 As 富集的重要因素，这与前人的研究结论一致。As 污染的水稻土壤中 Fe 与 As 是普遍存在的，并且 Fe 的一系列氧化还原反应是导致As 迁移的主要原因50。赵方杰研究团队建议旱作、干湿交替可减少水稻 As 吸收和在籽粒中的积累，但是会增加重金属 Cd 的吸收6。这进一步说明土壤质地、金属形态和管理模式等对稻米富集无机金属 As 的影响。有效的人为监测管控措施可能极大减小稻米对 As 的富集。例如，对于华东、华南和西南片区，应加强监测土壤 Fe 含量和形态，及时排水以减少Fe 氧化物还原释放五价无机 As；对于华北和华中片区，应加强监测土壤 Zn 含量，并施用适量 Zn 肥以保证足够 Zn 供给；同时应施用适量生物质肥料以增加土壤微生物活性并提高土壤 pH 值。图 2 全国七大地理片区 As 主控因子贡献率 Fig.2 Contribution rate of As main control factors in Chinas seven major geographical regions 2.4 土壤-稻米体系生物有效性模型 基于随机森林算法分析得到全国七大地理片区 Cd、As 主控因子贡献率的统计结果，进一步提取了 Cd、As 污染基于上述指标空间关系的特定识别规则，并构建了 Cd、As 的土壤-稻米体系生物有效性模型(表 2，表 3)。量化结果显示，九个因子与稻米 Cd、As 的 BCF 呈显著相关(P0.05)。我们逐步引入上述因子考察基于土壤-稻米体系生物有效性模型的解释能力。在不考虑区域差异与重金属本身特性的情况下，引入基于 pH、SOM 和 CEC 的三因子量化模型，不同片区 Cd 对应的确定系数在 0.303 0.400 之间(表 2，P0.05)，不同片区 As对应的确定系数在 0.300 0.340 之间(表 3，P0.05)。在考虑区域差异与重金属本身特性的情况下，对所考察因子进行重要性排序，构建基于 Top5 的五因子量化模型，不同片区 Cd对应的确定系数在 0.450 0.583 之间(表 2，P0.05)，不同片区 As 对应的确定系数在 0.450 0.634 之间(表 3，P0.01)，表明五因子量化的结果能很好的解释其对稻米 Cd、As 富集的影响。表 2 七大片区 Cd 土壤-稻米体系联合量化预测模型 Table 2 Joint quantitative prediction equation of Cd soil-crop system in seven large areas 片 区area 因子数量Factor quantity Cd 预测方程 Cd prediction equation R2 P 值 东北 三因子 lg BCF=-0.102 pH-0.346 lg SOM+0.125 lg CEC-0.411 0.325*五因子 lg BCF=-0.065 pH-0.361 lg SOM-0.044 lg Mg-0.403 lg Zn-0.590 lgCu-0.128 0.550*九因子 lg BCF=-0.194 pH-0.445 lg SOM+0.229 lg CEC-0.585 lg Zn-0.253 lg Mn-0.643*0.318 lg Fe-0.5 lg Cu-0.175 lg Mg+0.357 lg Ca+1.318 华东 三因子 lg BCF=-0.153 pH-0.201 lg SOM+0.224 lg CEC+0.352 0.388*五因子 lg BCF=-0.112 pH-0.301 lg Zn-0.071 lg Fe-0.055 lg Cu-0.356 lg Ca+0.721 0.506*九因子 lg BCF=-0.132 pH+0.066 lg SOM-0.034 lg CEC-0.346 lg Zn-0.335 lg Mn 0.066 lg Fe+0.043 lg Cu+0.041 lg Mg-0.491 lg Ca+1.390 0.540*华中 三因子 lg BCF=-0.186 pH+0.276 lg SOM-0.868 lg CEC+1.070 0.382*五因子 lg BCF=-0.155 pH-0.521 lg Mg-0.326 lg Zn-0.531 lg CEC+0.264 lg Fe+0.594 0.450*九因子 lg BCF=-0.262 pH+0.071 lg SOM-0.139 lg CEC-0.275 lg Zn-0.109 lg Mn+0.455 lg Fe-0.545 lg Cu-1.156 lg Mg+1.794 lg Ca-0.780 0.582*华北 三因子 lg BCF=-0.173 pH+0.280 lg SOM-0.173 lg CEC+0.140 0.322*五因子 lg BCF=-0.091 pH-0.025 lg CEC-0.213 lg Cu+0.570 lg Fe-0.416 lg Zn-1.071 0.565*九因子 lg BCF=-0.099 pH+0.373 lg SOM-0.173 lg CEC-0.424 lg Zn+0.066 lg Mn+0.562 lg Fe-0.307 lg Cu-0.150 lg Mg+0.280 lg Ca-1.699 0.588*华南 三因子 lg BCF=-0.189 pH-0.3 lg SOM-0.974 lg CEC+1.920 0.350*五因子 lg BCF=0.041 pH-0.282 lg CEC-0.825 lg Ca-0.302 lg Mg-0.129 lg Mn+0.007 0.583*九因子 lg BCF=0.216 pH+0.325 lg SOM-0.703 lg CEC-0.484 lg Zn-0.145 lg Mn+0.480 lg Fe+0.540 lg Cu-0.270 lg Mg-1.094 lg Ca-2.009 0.680*西北 三因子 lg BCF=-0.074 pH+0.683 lg SOM-1.158 lg CEC-0.122 0.303*五因子 lg BCF=-0.905 lg CEC+1.08 lg SOM-0.35 lg Mn+0.138 lg Mg-0.368 lg Zn-1.028 0.564*九因子 lg BCF=0.178 pH-0.300 lg SOM-0.465 lg CEC-0.100 lg Zn-0.469 lg Mn+1.204 lg Fe-0.026 lg Cu-0.028 lg Mg+0.128 lg Ca-3.224 0.600*西南 三因子 lg BCF=-0.137 pH+0.654 lg SOM-1.880 lg CEC+1.268 0.400*五因子 lg BCF=-0.058 pH-1.213 lg CEC-0.180 lg SOM-0.423 lg Mn+0.603 lg Fe 0.575*九因子 log BCF=0.056 pH+0.595 lg SOM-0.773 lg CEC-0.144 lg Zn-0.406 lg Mn+0.730 lg Fe-0.660 lg Cu+0.391 lg Mg-1.036 lg Ca-0.831 0.610*注：相关性水平，*指 P0.01；*指 P0.05。下同。Note:Correlation level,*means P0.01;*means P0.05.The same below.为了进一步得出更优结果，我们将以上因子全部引入模型，结果不同片区 Cd 和 As 对应的确定系数最大可达 0.680 和 0.664(表 2，表 3，P0.05)，较高的确定系数表明九因子模型能显著解释 pH、SOM、CEC、Ca、Mg、Cu、Fe、Mn 和 Zn 对稻米 Cd、As 富集的影响。然而，环境差异会引起土壤理化性质、微生物群落以及稻米自身的一系列变化，进而会导致模型确定系数的降低29，具体表现在本研究上的区域空间跨度大、土壤类型和水稻品种的显著差异，以及田间环境中其他土壤理化因素对稻米对 Cd、As 富集的影响，如氧化还原电位、电导率、土壤机械组成等。在实际的生产过程中，因子数量带来的资源成本问题，同时可以选择基于 Top5 因子模型结果来做一些综合评估。表 3 七大片区 As 土壤-稻米体系联合量化预测模型 Table 3 Joint quantitative prediction equation of As soil-crop system in seven large areas 片 区area 因子数量Factor quantity As 预测方程 As prediction equation R2 P 值 东北 三因子 lg BCF=0.060 pH+0.724 lg SOM+0.362 lg CEC-3.857 0.320*五因子 lg BCF=0.025 lg SOM+0.433 lg Mg+0.345 lg Cu+0.482 lg Fe+0.107 lg Ca-3.592 0.450*九因子 lg BCF=0.305 pH+0.287 lg SOM+0.274 lg CEC-0.094 lg Zn-0.095 lg Mn+1.16 lg Fe+0.38 lg Cu+0.049 lg Mg-0.196 lg Ca-7.213 0.640*华东 三因子 lg BCF=-0.094 pH+0.087 lg SOM-0.152 lg CEC-1.322 0.300*五因子 lg BCF=0.004 lg Zn+0.296 lg Cu+0.1 lg Mn+0.401 lg Fe-0.286 lg Mg-3.059 0.500*九因子 lg BCF=0.129 pH-0.334 lg SOM+0.432 lg CEC-0.035 lg Zn-0.048 lg Mn+0.450 lg Fe+0.543 lg Cu-0.033 lg Mg-1.074 lg Ca-2.845 0.573*华中 三因子 lg BCF=-0.177 pH+0.333 lg SOM-0.660 lg CEC-0.749 0.318*五因子 lg BCF=0.076 lg SOM-1.295 lg CEC+0.283 lg Cu-0.788 lg Zn+1.053 lg Fe-2.777 0.634*九因子 lg BCF=-0.013 pH-0.210lg SOM-0.767 lg CEC-0.861 lg Zn-0.051 lg Mn+1.198 lg Fe+0.268 lg Cu-0.812 lg Mg+0.780 lg Ca-3.633 0.664*华北 三因子 lg BCF=-0.03 pH+0.021 lg SOM-0.675 lg CEC-0.874 0.307*五因子 lg BCF=-0.218 lg Mg-0.183 lg SOM+0.123 lg Fe-0.273 lg Mn+0.499 lg Zn-1.503 0.554*九因子 lg BCF=0.101 pH-0.222 lg SOM+0.229 lg CEC+0.436 lg Zn-0.283 lg Mn+0.063 lg Fe+0.163 lg Cu+0.038 lg Mg-0.799 lg Ca-1.549 0.612*华南 三因子 lg BCF=-0.049 pH+1.131lgSOM-0.431lgCEC-3.137 0.340*五因子 lg BCF=-0.125 pH-0.069 lg Ca+0.847 lg SOM-0.69 lg Mg+0.713 lg Fe-5.852 0.525*九因子 lg BCF=0.106 pH+0.727 lg SOM-0.268 lg CEC+0.013 lg Zn+0.202 lg Mn+0.845 lg Fe 0.276 lg Cu-0.722 lg Mg+0.119 lg Ca-5.847 0.600*西北 三因子 lg BCF=-0.132 pH+0.726 lg SOM+0.132 lg CEC-2.392 0.315*五因子 lg BCF=0.163 CEC-0.069 lg SOM-0.029 lg Mn-0.128 lg Ca+0.853 lg Fe-3.998 0.526*九因子 lg BCF=0.226 pH+0.776 lg SOM+0.253 lg CEC-0.542 lg Zn+0.127 lg Mn+1.26 lg Fe-0.376 lg Cu-0.284 lg Mg+0.131 lg Ca-7.358 0.600*西南 三因子 lg BCF=-0.103 pH+0.772 lg SOM+0.917 lg CEC-3.656 0.328*五因子 lg BCF=0.402 pH+1.437 lg Fe+0.23 lg Mg+0.208 lg Mn-0.315 lg Cu-7.73 0.590*九因子 lg BCF=0.346 pH-0.104 lg SOM+0.935 lg CEC-0.019 lg Zn+0.123 lg Mn+1.433 lg Fe-0.213 lg Cu-0.064 lg Mg-0.075 lg Ca-8.139 0.595*受地域差异、土壤背景、农业过程等综合因素的影响，九因子对稻米中重金属 Cd、As富集的贡献率呈现出差异，这种差异反映了由环境复杂性导致的土壤和稻米中重金属污染的空间分布规律。基于土壤-稻米的生物有效性模型，进一步确立了我们模型对大尺度范围筛查土壤和水稻中 Cd、As 超标识别的重要性地位，以及中微量元素对土壤和稻米中 Cd、As富集的影响。尤其是如 Fe 对 As 富集在华东、华南和西南等片区的区域型特异性影响，应该做出进一步的广泛关注，并采取有效的管控措施。3 结论结论(1)基于决策树算法建立的全国七大片区的中微量元素稻米 Cd、As 超标高精度判别模型证实了中微量元素与稻米 Cd、As 超标富集之间的重要相关性；(2)基于随机森林算法构建的全国七大片区稻米 Cd、As 污染的主控因子分析模型可以很好的解释Cd、As污染主控因子的区域差异，尤其是Fe元素对As富集的区域特异性贡献；(3)基于土壤理化性质(pH、SOM、CEC)和中微量元素(Ca、Mg、Cu、Fe、Mn、Zn)的稻米 Cd、As 富集生物有效性模型量化了不同因子数量对产地稻米 Cd、As 富集规律的解释力度。(4)本研究机器学习模型在我国稻米 Cd、As 重金属污染预测判别研究中的应用，为我国大尺度区域稻米 Cd、As 重金属污染防控和环境管理提供了科学依据和决策支撑。参考文献:1 LIU D,CHANG Q.Ecological security research progress in China J.Acta Ecologica Sinica,2015,35(5):111-121.2 CHEN Y G,HUANG J H,LUO R,et al.Impacts of heavy metals and medicinal crops on ecological systems,environmental pollution,cultivation,and production processes in China J.Ecotoxicology and Environmental Safety,2021,219:112336.3 MA C,CI K,ZHU J,et al.Impacts of exogenous mineral silicon on cadmium migration and transformation in the soil-rice system and on soil health J.Science of the Total Environment,2021,759:143501.4 刘兰英,黄薇,吕新,等.田间环境下土壤-水稻系统重金属的迁移特征 J.福建农业学报,2018,33(1):66-72.LIU L Y,HUANG W,LU X,et al.Migration of heavy metals from soil to rice plant J.Fujian Journal of Agricultural Science,2018,33(1):66-72.5 ZOU M,ZHOU S,ZHOU Y,et al.Cadmium pollution of soil-rice ecosystems in rice cultivation dominated regions in China:a review J.Environ Pollut,2021,280:116965.6 ZHAO F J,WANG P.Arsenic and cadmium accumulation in rice and mitigation strategies J.Plant and Soil,2019,446(1/2):1-21.7 MU T,WU T,ZHOU T,et al.Geographical variation in arsenic,cadmium,and lead of soils and rice in the major rice producing regions of China J.Science of the Total Environment,2019,677:373-381.8 WANG Y,SU Y,LU S.Predicting accumulation of Cd in rice(Oryza sativa L.)and soil threshold concentration of Cd for rice safe production J.Science of the Total Environment,2020,738:139805.9 HU J,LONG Y,ZHOU W,et al.Influence of different land use types on hydrochemistry and heavy metals in surface water in the lakeshore zone of the Caohai wetland,China J.Environmental Pollution,2020,267:115454.10 ARGELLO D,CHAVEZ E,LAURYSSEN F,et al.Soil properties and agronomic factors affecting cadmium concentrations in cacao beans:a nationwide survey in Ecuador J.Science of the Total Environment,2019,649:120-127.11 RASKI S,JAWORSKA H,MATUSZCZAK K,et al.Impact of highway traffic and the acoustic screen on the content and spatial distribution of heavy metals in soils J.Environmental Science and Pollution Research,2017,24:12778-12786.12 DING C,ZHANG T,WANG X,et al.Prediction model for cadmium transfer from soil to carrot(Daucus carota L.)and its application to derive soil thresholds for food safety J.J Agric Food Chem,2013,61(43):10273-10282.13 MAKINO T,KAMIYA T,TAKANO H,et al.Remediation of cadmium-contaminated paddy soils by washing with calcium chloride:verification of on-site washing J.Environmental Pollution,2007,147(1):112-119.14 ALVAREZ-AYUSO E.Cadmium in soil-plant systems:an overview J.International Journal of Environment and Pollution,2008,33(2/3):275-291.15 WAN Y,YU Y,WANG Q,et al.Cadmium uptake dynamics and translocation in rice seedling:influence of different forms of selenium J.Ecotoxicology and Environmental Safety,2016,133:127-134.16 QIN X,NIE Z,LIU H,et al.Infl