（来源：科创中国）

土壤抗生素污染已成为农业环境的重要问题，影响生态系统健康与人类食品安全。《科技导报》邀请相关领域研究人员撰文，文章基于地理最优相似性（GOS）模型，预测了中国农田土壤抗生素的空间分布，并结合情景分析探讨了农田管理措施对土壤抗生素残留量的影响，提出通过优化农田管理措施，特别是在高风险区域合理施肥和灌溉，将有助于有效控制土壤抗生素污染，推动农业环境保护和可持续农业发展。

随着农业集约化进程的加速，农田土壤污染问题日益成为制约农业可持续发展的关键因素，尤其是土壤抗生素污染，近年来引发了广泛关注。农田土壤是抗生素进入环境的主要归宿，有机肥施用和污水灌溉是土壤抗生素的主要来源。因此高强度农田管理措施将导致土壤抗生素污染的显著加剧。土壤抗生素污染的空间格局与地理环境因素的耦合关系逐渐成为研究热点。

我们的研究引入了GOS模型，通过量化地理环境与土壤抗生素污染之间的关系，进行全国范围内土壤抗生素污染的空间分布预测，将不同农田管理措施（如施肥量、灌溉面积等）纳入考虑，填补了在复杂地理环境因素协同作用下全国尺度土壤抗生素污染空间格局的研究空白。

1、研究方法

1.1 数据来源

1）土壤抗生素数据集

研究数据来源于中国土壤抗生素污染数据集。该数据集系统整合了2000—2020年内已发表文献中采集土壤样品的相关数据，涵盖了全国范围内不同土地利用类型（包括耕地、城市绿地、草地及森林）的土壤抗生素检测数据，并记录了采样点的地理坐标、采样时间及对应抗生素含量，抗生素类型包括四环素类和喹诺酮类。数据集中未检出或低于检测限的抗生素含量被统一赋值为零，并且其含量均以标准单位（μg/kg或ng/g）进行归一化处理，以确保数据可比性。

在数据筛选与整合过程中，遵循以下原则以控制潜在偏差：

（1）数据集内抗生素检测以0~20 cm表层土壤为主（占比大于85%），本研究仅保留表层土壤样本；

（2）仅保留未在田间控制实验中添加抗生素的土壤样本；

（3）剔除那些受点源污染（如医院、集约化养殖场周边）影响严重的样本；

（4）删除采样时间不明确或未记录空间位置的样本。形成的数据库含484个有效样本，约为原始样本的92.7%，覆盖中国东部和中部主要农业区（图1）。

2）预测变量数据集

我们基于多源空间数据集构建预测变量体系，包括气候、土地利用、人类活动、土壤性质、植被动态及地形特征6类驱动因子，以系统解析土壤抗生素污染的空间分异特征。为保障多源数据空间兼容性，所有栅格数据统一重采样至1 km分辨率。

1.2 GOS模型

研究通过构建GOS模型预测中国农田土壤抗生素空间分布。GOS模型基于地理相似性原理，假设在不同位置相似的地理属性（包括人类活动和自然特征）会呈现出相似的地理配置（如土壤抗生素含量）。因此，GOS模型通过使用与未知位置具有较高相似度的已知观测位置来进行空间预测，能显著提高预测精度和可靠性。模型构建流程如下：

（1）变量筛选。

（2）通过交叉验证方法选择最优相似性阈值。

（3）基于最优相似性阈值，计算未知位置与已知观测位置之间地理配置的相似度，通过加权平均的方法根据相似度进行空间预测，见式（1），其中λ计算方法见式（2）。

（4）采用不确定性分析方法来评估预测的不确定性，计算预测值的可信度见式（3）。

当ζ值为1时，表示预测的相似性达到了最大，模型对未知位置的预测具有最低的不确定性，意味着预测结果非常可靠；而当ζ值较低时，模型的预测不确定性增大，预测结果的置信度下降。ζ值通过调节模型对预测结果的敏感性帮助量化和控制不确定性，从而在不同的应用场景中提供更合适的预测精度。

1.3 情景分析

为了评估有机肥施用量和灌溉面积变化对土壤抗生素含量的影响，我们通过模拟不同施肥量和灌溉面积变化情景，探讨这些农业管理措施在不同强度下对土壤抗生素污染的潜在影响。为确保情景分析的合理性，我们设定了有机肥施用量和灌溉面积的变化范围为−90%~90%，即在当前基础上从减少90%至增加90%进行逐步调整。将调整后的有机肥施用量和灌溉面积作为输入数据，通过构建的GOS模型进行预测，并计算土壤抗生素的均值，通过比较不同情景下其均值变化，分析施肥量和灌溉面积变化对土壤抗生素污染的影响。

1.4 统计分析

通过逐步回归模型分析了不同因素对土壤抗生素空间分布的回归系数及其显著性，通过回归系数，可以明确每个因素对土壤抗生素含量的影响程度，其显著性通过p值来评估，其中p值小于0.05的因素被认为对土壤抗生素污染具有显著影响。此外，通过预测值和观测值的回归R2值来评估模型的预测准确性。

2、研究结果

2.1 农田管理对土壤抗生素分布的影响

逐步回归模型的分析结果显示，农田管理措施对土壤抗生素浓度的影响较为显著，尤其是灌溉面积和有机肥施用量（图2）。因此农田管理措施，特别是灌溉面积，是影响全国尺度土壤抗生素污染的主要因素。

2.2 中国土壤抗生素空间分布预测

通过调整kappa值（κ）来优化GOS模型的性能。随着κ值的增大，模型的均方根误差（RMSE）逐渐减小，当κ=0.06时，RMSE达到了最低值（图3），表明与未知位点相似性较高的6%的样本被用于模型预测，且该κ值能够最有效地减少模型误差，提升预测精度，表明GOS模型在土壤抗生素污染的空间预测中具有较好的模拟效果和较高的预测准确性。

通过GOS模型预测，中国农田土壤抗生素含量约为16.9 ng/g（95%置信区间：6.4~36.6 ng/g）。如图4所示，揭示了中国农田土壤抗生素含量的空间分布特征，土壤抗生素污染在中国存在显著的空间异质性。大部分地区的土壤抗生素含量较低，主要分布在西部和北部地区，而东部和中部地区的土壤抗生素含量则相对较高，特别是在一些农业集约化程度较高的区域。

在GOS模型的不确定性分析中，随着ζ值的增加，预测结果的不确定性逐渐降低（图5）。这表明，随着相似性阈值的增大，模型的预测结果变得更加精确，尤其在数据丰富和地理相似性较强的区域，预测结果的可靠性显著提高。

2.3 农田管理措施对土壤抗生素污染的阈值效应

情景分析模拟结果显示，随着有机肥施用量和灌溉面积的变化，土壤抗生素含量的均值表现出显著的阈值效应（图6）。在有机肥施用量变化的情景中，当有机肥施用量增加时，抗生素含量逐渐上升，当有机肥施用量减少超过40%时，抗生素含量迅速下降，显示出强烈的阈值效应，表明合理减少有机肥使用可以有效控制土壤抗生素污染。在灌溉面积变化的情景中，土壤抗生素含量的变化趋势与有机肥施用量不同。结果表明，当农田管理强度超出一定的阈值时，尤其是在过度施肥和灌溉时，土壤抗生素污染将急剧增加，强调了合理控制农田管理措施的重要性。

3、分析与讨论

我们基于GOS模型，充分考虑不同区域的地理相似性，提供较为精准的土壤抗生素污染预测。通过该模型，揭示了中国农田土壤抗生素污染的空间分布特征，发现土壤抗生素污染在空间上呈现出明显的区域差异。特别是在农业集约化程度较高的东部和中部地区，土壤抗生素浓度普遍较高，而在西部地区，污染程度相对较低。此外，GOS模型的不确定性分析也为研究结果的可靠性提供了评估手段，能够识别出预测结果的高不确定性区域，需要在数据稀缺或地理相似性较低的区域加强监测。我们的研究同时揭示了农田管理对土壤抗生素污染的阈值效应，即有机肥施用量和灌溉面积等农田管理措施在超过某一临界值时，将导致土壤抗生素污染的显著变化。同样，灌溉面积变化也呈现出类似的趋势，过度灌溉可能是促进土壤抗生素污染的关键因素。因此，在农田管理措施过度或不合理时，土壤抗生素含量会发生剧烈变化，这种现象反映了生态系统的非线性响应机制，即系统在遭受一定强度的干扰后，能够通过微生物降解等自然过程容忍一定程度的变化，但当干扰达到临界点后，超出土壤生态系统的自净能力，导致污染水平急剧变化。

尽管我们的研究提供了重要的科学依据，但仍存在一定的局限性。

首先，数据分布的不均衡可能导致一些地区的预测结果存在偏差。

其次，未充分考虑气候变化对土壤抗生素污染的影响。

此外，我们的情景分析主要集中于施肥和灌溉面积，未来可以探索更多的农田管理措施，如不同耕作方式、作物种植结构等对土壤抗生素污染的影响。

4、结论

我们首次通过GOS模型，系统探索了中国农田土壤抗生素污染的空间分异规律及农田管理措施的阈值效应。结果表明，中国农田土壤抗生素污染呈现显著的区域差异，其中有机肥施用量与灌溉面积是驱动土壤抗生素污染空间分布的关键因素，并且这些因素的影响存在明显的临界值。通过情景模拟，我们进一步发现，优化施肥量与控制灌溉面积可以有效降低高风险区域的污染负荷。我们的研究为农业管理政策的优化提供了理论支持，并为制定基于临界值调控的区域差异化防控策略提供了量化的决策依据。特别是在土壤抗生素污染较高的地区，通过合理控制农田管理强度，可以有效降低污染风险，推动绿色农业转型与精准环境治理。

本文作者：赵方凯、沈琳钧、杨恺丰、刘鸿林、杨磊、陈利顶

作者简介：赵方凯，云南大学生态与环境学院，副教授，研究方向为农田景观格局的土壤环境效应；陈利顶（通信作者），云南大学生态与环境学院、中国科学院生态环境研究中心区域与城市生态安全全国重点实验室、西南联合研究生院，研究员，研究方向为景观格局与生态过程。

文章来源：赵方凯, 沈琳钧, 杨恺丰, 等. 中国农田土壤抗生素污染格局及其对施肥和灌溉的响应[J]. 科技导报, 2025, 43(12): 171−178.

特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。