农业资源与环境学报

作者：李杏桢,林汉森,邱少健,林庆祺,叶龙,麦粤帮,吴培浩,倪卓彪,仇荣亮

单位：华南农业大学资源环境学院, 广州 510642,华南农业大学资源环境学院, 广州 510642,华南农业大学数学与信息学院, 广州 510642,华南农业大学资源环境学院, 广州 510642,广东省农业农村污染治理与环境安全重点实验室, 广州 510642,岭南现代农业科学与技术广东省实验室, 广州 510642,广东省建筑科学研究院集团股份有限公司, 广州 510510,广东省建筑科学研究院集团股份有限公司, 广州 510510,广东省建筑科学研究院集团股份有限公司, 广州 510510,华南农业大学资源环境学院, 广州 510642,广东省农业农村污染治理与环境安全重点实验室, 广州 510642,岭南现代农业科学与技术广东省实验室, 广州 510642,华南农业大学资源环境学院, 广州 510642,广东省农业农村污染治理与环境安全重点实验室, 广州 510642,岭南现代农业科学与技术广东省实验室, 广州 510642,中山大学环境科学与工程学院, 广州 510006

关键词：机器学习，农田土壤污染，污染识别，材料筛选，修复机理，风险评估,

基金：国家重点研发计划项目（2023YFC3709703）；国家自然科学基金项目（42277012）；广东省自然科学基金项目（2022A1515011031）

农田作为国家的保护土地资源，与农业生产、食品安全、人体健康有着密不可分的关系。因此，研究农田土壤污染状况对确保粮食质量、保护农田资源具有重大意义。传统的农田土壤污染研究多针对单一场景、污染物或实验条件，难以应对日益复杂的环境问题。随着大数据时代的来临，机器学习逐渐在农田土壤环境保护领域中得到广泛应用，并在土壤污染识别、修复等方面的研究中展现其客观、准确、擅长处理复杂任务的优势。本文介绍了常用的机器学习流程、方式、算法和模型性能评价指标；通过对Web of Science以及中国知网数据库中2011—2023年间相关领域文献进行统计分析，从农田土壤污染的识别、修复材料的筛选与机理研究、生态风险评估三方面综述机器学习在这些领域研究中的应用，分析了其优势和局限性。最后，本文从提升数据共享、增强模型可解释性以及应用迁移学习等新手段提高模型性能等方面进行了展望。

来源：2025年第5期

《农业资源与环境学报》期刊编辑部

查看农业资源与环境学报杂志2025年第5期