《Journal of Environmental Sciences》：Morphological responses of four crops to heavy metal-rich phosphate processing wastewater: Experimental toxicology and machine learning modeling
编辑推荐：
植物毒性评估发现磷酸加工废液中镉、铬、铅、镍等重金属严重超标，随机森林模型（R2=0.91）最佳，揭示镉-Pb-Cr协同作用主导毒性机制。
Afef Sai|Ali Ellafi|Sonia Ben Younes|Mohamed Ali Borgi
加夫萨大学科学学院生物技术和环境及绿洲生态系统生物监测实验室（LBBEOE），加夫萨，突尼斯，2112
摘要
本研究评估了磷酸盐加工废水对四种作物（硬质小麦（Triticum durum）、小扁豆（Lens culinaris）、葫芦巴（Trigonella foenum-graecum）和萝卜（Raphanus sativus）的植物毒性影响，并结合可解释的机器学习（ML）和金属化学描述符来预测毒性反应并确定植物毒性的主要驱动因素。对废水的物理化学分析显示，其中铁（Fe）（360.07 ± 12.04 mg/L）、镉（Cd）（1.07 ± 0.26 mg/L）、铅（Pb）（1.10 ± 0.34 mg/L）和镍（Ni）（5.22 ± 1.03 mg/L）的污染水平严重超标。形态学评估表明存在明显的剂量依赖性植物毒性效应，包括发芽性能、茎和根伸长显著降低。在测试的机器学习算法中，随机森林（RF）（R2 = 0.91，均方根误差（RMSE）= 8.76%）的表现优于梯度提升（GB）（R2 = 0.84）和支持向量回归（SVR）（R2 = 0.78），具有更高的预测准确性和可解释性。特征重要性和Shapley加性解释（SHAP）分析表明，镉是主要的毒性驱动因素，其次是铬和铅，且镉-铅和镉-铬之间存在强烈的协同作用。总体而言，这一综合框架证明了将实验性植物毒性测试与基于化学描述符的可解释ML相结合，能够准确预测毒性并揭示毒性驱动因素的机制，为磷酸盐采矿废水的环境风险评估提供了强大的工具。
引言
水污染仍然是全球最紧迫的环境挑战之一，威胁着生态系统的完整性、农业系统的可持续性以及人类福祉（Wibowo等人，2023年）。快速工业化、采矿活动的大幅增长以及城市区域的扩张显著加剧了有毒废水向水生和陆地环境的排放，从而加剧了对生物群落的生态毒性压力（Pan等人，2023年；Dutta等人，2024年）。特别是含有潜在有毒元素的工业废水，已被确定为导致土壤退化、地下水污染以及污染物通过食物链传播的因素（Ijaz等人，2024年）。这些风险在工业废水处理不足或监管不力的地区尤为严重，包括受采矿影响的流域、快速城市化的工业集群以及拥有老旧或不足废水处理设施的旧工业区。然而，这些影响的严重程度、主要途径和最终环境后果并不一致；它们因地理区域、工业部门以及特定地点的水文和土壤条件而异。例如，采矿和矿石加工区通常会导致周围土壤中金属浓度升高，这主要归因于尾矿管理、废石处理和大气沉降，污染模式受当地地质、水文条件和废物管理实践的强烈影响（Shengo，2021年）。相反，纺织加工中心产生的废水通常含有复杂的化学物质，以染料、盐类和辅助添加剂为主（Deshmukh等人，2025年）。因此，它们对土壤和水系统的影响具有高度变异性，取决于具体的工艺化学性质和所应用的处理技术的有效性。同样，制革产业集群构成了一个独特的污染背景，其中富含铬的废水可能导致局部地下水污染和特定的生态与健康危害，特别是在废水处理不足的地区（Bangalore等人，2025年）。这些例子共同表明，工业废水的环境后果并非预先确定，而是本质上取决于监管执行、处理基础设施和环境脆弱性的相互作用，包括土壤性质、氧化还原条件和地下水位动态。在这些活动中，磷酸盐采矿既是一个经济上重要的行业，也是一个环境上令人担忧的行业。在像突尼斯这样的磷酸盐资源丰富的国家，采矿和选矿过程会产生大量含有潜在有毒金属和残留物的废水（Mekki等人，2017年；Sai等人，2023年）。这些废水由于含有高浓度的镉（Cd）、铬（Cr）、铅（Pb）、镍（Ni）、铁（Fe）、铜（Cu）和锌（Zn），由于其不可生物降解性和在生物组织中积累的倾向而构成持久威胁（H. Liu等人，2022年）。因此，这种废水的持续排放已成为一个紧迫的环境问题，需要先进的、基于科学的风险评估策略来指导可持续管理和修复策略（Qu等人，2022年）。
植被作为陆地生态系统的基本组成部分，同时充当生物指示器和环境污染物的主要接收者（Hasan等人，2021年）。重金属引起的植物毒性已被证明会干扰多种生理和生化过程，包括光合作用、养分吸收和酶活性（Yuan等人，2024年）。这种对生长和生产力的影响是该研究领域的一个关键考虑因素。评估植物的反应，特别是与发芽、生长和形态参数相关的反应，为工业废水带来的生态风险提供了宝贵的见解（Zhang和Wang，2020年）。然而，尽管关于一般废水毒性的研究很多，但关于磷酸盐采矿废水对小麦、萝卜、葫芦巴和小扁豆等关键农业作物的具体影响的信息却很少，而这些作物对粮食安全和土壤肥力提升至关重要。近年来，机器学习（ML）越来越多地应用于植物毒性和植物胁迫评估，与传统统计方法相比提供了更高的预测准确性。最近的研究（2023-2025年）表明，集成和非线性ML模型（包括随机森林（RF）、梯度提升（GB）、XGBoost、支持向量回归（SVR）和人工神经网络）在预测重金属胁迫和复杂废水暴露条件下的植物生长抑制、生物量下降、叶绿素降解和发芽失败方面非常有效（Akram等人，2025年；Bas等人，2025年；Zhen等人，2025年）。重要的是，可解释的ML工具（如Shapley加性解释（SHAP）和特征重要性分析）的整合使得通过识别控制植物毒性反应的主要物理化学因素来解释机制成为可能，从而弥合了预测与过程层面理解之间的差距（Toukak等人，2025年；Wang等人，2024年）。然而，大多数现有的基于ML的研究都集中在单一金属、水培系统或模型植物上，而针对多金属磷酸盐采矿废水和农业相关作物的应用仍然有限。为了填补这一知识空白，本研究将可解释的ML与传统的植物毒性测试相结合，定量评估磷酸盐废水对不同作物种类和生长阶段的毒性影响。ML，特别是集成和基于树的算法，在识别多个物理化学和生物变量之间的复杂非线性关系方面表现出很高的能力。在这种背景下，ML不仅提高了预测的准确性，还通过排序个别金属和废水特性作为植物毒性驱动因素的相对重要性，促进了机制的可解释性。这种方法代表了超越传统统计分析的重大进步，为理解废水-植物相互作用提供了一个更稳健和数据驱动的框架。本研究并不提倡或支持未经处理的工业废水的农业再利用，这种做法在许多国家是被禁止或严格监管的。相反，它被视为一项环境风险评估研究，旨在阐明在真实污染情景下的植物反应，包括意外废水释放、土壤和地下水渗透、径流扩散以及受采矿影响地区的长期遗留污染。
因此，本研究旨在（i）评估四种具有经济意义的作物（葫芦巴（Trigonella foenum-graecum）、萝卜（Raphanus sativus）、硬质小麦（Triticum durum）和小扁豆（Lens culinaris）对不同水平磷酸盐采矿废水的植物毒性和形态反应；（ii）构建和验证用于估算毒性指数的预测ML模型；（iii）识别影响植物反应的关键化学参数。预期这些成果将推进工业废水评估的预测生态毒理学框架，并支持可持续的、数据驱动的农业和环境保护方法的发展。
研究设计
总体研究设计
本研究采用了一种综合的实验-计算框架，以评估富含重金属的磷酸盐加工废水的植物毒性影响，并开发了一个可解释的植物毒性预测模型（图1）。整个工作流程包括五个相互连接的阶段。首先，对磷酸盐加工废水进行了全面的物理化学性质和元素组成分析，以确定其污染特征并识别
结果与讨论
研究结果通过两条互补的证据线进行解释。受控的实验数据集提供了在真实暴露条件下由磷酸盐加工废水引起的植物毒性效应的直接、系统特定的证据，捕捉到了物种依赖的形态反应。同时，ML和可解释的AI框架将实验结果与与氧化应激和相关物理化学性质相关的文献衍生描述符相结合
结论
本研究强调，磷酸盐采矿废水通过重金属压力、离子失衡和细胞过程受损，对多种作物（包括硬质小麦、小扁豆、葫芦巴和萝卜）产生了显著的植物毒性影响。形态学和生物量评估的结果显示，在较高废水浓度下，茎和根的生长受到抑制，种子活力、根长和生物量显著降低。
作者贡献声明
Afef Sai：概念化、数据整理、正式分析、调查、方法论、软件、验证、初稿撰写、审稿与编辑。Ali Ellafi：概念化、调查、方法论、监督、验证、可视化。Sonia Ben Younes：概念化、调查、方法论、监督、验证、可视化。Mohamed Ali Borgi：概念化、正式分析、资金获取、调查、方法论、项目管理，
作者贡献声明
Afef Sai：审稿与编辑、初稿撰写、验证、软件、方法论、调查、正式分析、数据整理、概念化。Ali Ellafi：可视化、验证、监督、方法论、调查、概念化。Sonia Ben Younes：可视化、验证、监督、方法论、调查、概念化。Mohamed Ali Borgi：审稿与编辑、初稿撰写、可视化、验证、监督、资源提供，利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了突尼斯高等教育和科学研究部（分配给LR21ES26的基金）的支持
