镉(Cd)作为一种有毒重金属，在作物中的积累严重威胁着食品安全，小麦因内部运输效率高，吸收镉量常高于水稻。在中国稻麦轮作系统中，即便严格遵循国家土壤质量标准，小麦籽粒镉含量仍常超安全限值。近期修订的法规虽引入更严格土壤镉限量，但可能带来不必要成本与过度监管，且早期预测模型存在缺陷，无法精准反映真实土壤条件，因此迫切需要更精确、经实地验证的模型，以保障小麦安全且减轻生产者负担。

2025年5月14日，南京大学和哥伦比亚大学的研究人员在《生态环境与健康》杂志上发表了一项重要研究成果，揭示了预测小麦籽粒镉积累的新模型。研究团队利用中国各地311个土壤和小麦样本的数据，对多元回归、机器学习和地球化学方法进行了比较，旨在找出最有效的模型，并生成与国家食品安全标准挂钩的精确土壤镉阈值，为小麦防污染提供更合理框架。

研究发现，土壤总镉含量、pH值和阳离子交换容量(CEC)是影响小麦吸收镉的最关键因素。基于这些变量，研究团队建立了预测模型，其中一种模型采用氯化钙可提取的镉代表与植物吸收最相关的生物可利用组分。同时，还测试了地球化学模型——多表面形态模型 (MSM)，以评估其在不同土壤条件下模拟镉行为的能力。结果显示，极端随机树 (ERT) 机器学习模型表现最为突出，其均方根误差 (RMSE) 为 0.221，平均绝对误差 (MAE) 为 0.165，在准确性和适应性方面均优于其他模型。

研究团队利用这些模型，依据中国小麦籽粒0.1毫克/千克的食品安全限值，反推出了土壤镉的阈值，并根据不同土壤pH值进行了调整。这些新阈值在预测谷物安全方面比现行国家标准更有效，为全面土壤修复提供了更精细、更经济的替代方案。

该研究的通讯作者顾学元教授表示，研究目标是创建实用工具，让农民和监管机构能直接根据土壤数据评估小麦安全性。开发的机器学习模型和新的阈值并非学术练习，而是可集成到田间管理系统和国家监测项目中。她还强调了将科学严谨性与实际可用性相结合的重要性，指出跨地区更广泛的数据收集可进一步提高模型可靠性和普遍性。

这项研究对农业安全和政策制定意义重大。借助这些模型，通过标准土壤测试就能快速准确评估镉风险，帮助农民和地方当局做出明智的土地利用决策。改进后的阈值提供了基于科学且经济可行的替代方案，有助于防止监管不足或过度。此外，机器学习的成功整合标志着农业向数据驱动型转型迈出了重要一步。随着土壤数据库的扩大，这些预测工具有望发展成为实时咨询系统，加强可持续土地管理，同时通过更安全的食品生产保护公众健康。

更多信息： 陆琳等，小麦籽粒镉的积累：安全生产的积累模型及土壤阈值，《生态环境与健康》(2025)。