新烟碱类杀虫剂（NNIs）是一类作用于昆虫烟碱型乙酰胆碱受体（nAChRs）的神经毒性杀虫剂，会导致持续兴奋并最终导致死亡（Short等人，2021年）。自1990年代第一种化合物噻虫啉（IMI）问世以来，NNIs已在120多个国家广泛使用，目前占全球杀虫剂市场的约25%（Johnson等人，2021年；Nimako等人，2025年；Rasmussen等人，2025年）。由于其相对于传统杀虫剂的新作用机制以及高效、广谱活性和选择性，NNIs被广泛应用于农业、城市景观和家庭环境中（Hua等人，2023年；Shimada，2022年；Webb等人，2022年）。然而，由于长期大规模使用，NNIs已在各种环境介质中被广泛检测到，包括土壤、地表水和沉积物（Chen等人，2022a年；Halbach等人，2021年；Naumann等人，2022年）。一旦释放到环境中，NNIs可以通过光解、水解和生物降解等过程转化为转化产物（TPNNIs）（Webb等人，2022年）。值得注意的是，一些TPNNIs表现出与母体NNIs（pNNIs）相当甚至更高的生物毒性。例如，脱硝噻虫啉（DN-IMI）对哺乳动物nAChRs的结合亲和力高于其母体化合物IMI，导致更强的神经毒性（LD50：6−24 vs. 35−50 mg/kg）（Loser等人，2021年）。因此，TPNNIs的环境污染问题值得高度重视。
农田是农药施用的主要场所（Wanner等人，2025年），使得土壤成为农药污染的主要储存库和次要来源（Huang等人，2024年；Sarkar等人，2021年）。土壤中的农药残留物可以通过地表径流传播，导致更大范围和多介质的污染（Commelin等人，2022年）。NNIs主要通过种子包衣和叶面喷洒施用（Chen等人，2022a年；Huang和Li，2024年）。然而，作物通常只吸收通过种子包衣施用的NNIs的大约5%−20%（Chen等人，2022b年；Martínez-Villalpando等人，2025年），导致大部分NNIs留在土壤中，在那里它们经过转化过程形成TPNNIs（Wang等人，2025b年）。此外，一些TPNNIs具有很强的生物累积潜力。例如，噻虫啉脲（IMI-UREA）在双孢蘑菇中的生物浓缩因子是其母体化合物IMI的8.5−13.6倍（Zhang等人，2020年）。土壤中的TPNNIs可以被植物根部吸收并转移到作物中，然后通过食物链传递，最终对人类健康和生态系统构成威胁（Zhang等人，2020年）。尽管存在这些担忧，大多数现有研究都集中在pNNIs在土壤中的残留上，而针对TPNNIs的研究仍然有限。现有证据表明，TPNNIs在土壤中广泛存在。例如，Hou等人（2025年）报告称在中国大陆的农业土壤中TPNNIs的检测频率（DF）为95.7%（n = 391）。Deng等人（2024年）在秋季对中国三个城市的城市绿地中调查了五种TPNNIs化合物，观察到DF为97%（n = 55）。同样，Cui等人（2023年）报告称在温室蔬菜土壤中脱甲基乙胺嘧啶（DM-ACE）的DF为61.5%（n = 283），它是乙胺嘧啶（ACE）的转化产物。鉴于TPNNIs的潜在高毒性和广泛存在，需要系统地研究其在土壤中的存在情况和控制因素。
TPNNIs的理化性质与pNNIs相似，包括相对较长的半衰期、高水溶性和低挥发性（Wang等人，2025b），这可能导致类似的环境行为。土壤中pNNIs的残留受多种因素影响。例如，土壤理化性质（如pH值和总有机碳[TOC]）和气候条件（如温度和降水量）可以影响土壤中农药的转化途径和速率（Meftaul等人，2023年；Sarker等人，2024年）。这些因素也可能导致TPNNIs的组成和残留水平的差异（Wang等人，2026年）。因此，确定土壤中农药残留的关键驱动因素（包括母体化合物及其转化产物）对于预测污染水平和实施有效的管理策略至关重要。以往的研究主要依赖于传统的线性模型，如线性回归和广义线性模型，来识别关键影响因素。尽管这些模型可以捕捉一般趋势，但它们在描述复杂非线性关系和处理高维数据集方面存在局限性（Giudici等人，2025年；Kyriazos和Poga，2024年）。相比之下，机器学习是一种数据驱动的建模框架，它可以在不需要预先指定功能形式的情况下建立预测因子和响应之间的关系，更适合捕捉变量之间的复杂相互作用和处理高维数据（Zeng等人，2025年）。最近的研究应用机器学习来识别土壤农药残留的关键驱动因素。例如，Chen等人（2024年）使用机器学习方法预测了中国各地农业土壤中的阿特拉津残留，并识别了关键预测因子。同样，Wang等人（2024年）结合元分析和机器学习来筛选影响58项研究中土壤农药残留的因素，强调了土壤有机质含量和土壤pH值的关键作用。这些发现展示了机器学习在预测土壤农药残留和识别关键驱动因素方面的潜力。此外，机器学习模型背后的计算原理差异可能导致土壤农药残留预测的准确性有所不同。因此，有必要比较不同机器学习的预测性能，以获得更可靠和准确的结果。
沙堰河流域是中国中部典型的集约农业区，也是重要的粮食生产区，耕地占流域总面积的69.2%（Li等人，2023年）。该流域内的农药使用强度相对较高。例如，2023年周口（流域的中心城市）的农药施用强度达到9.53 kg/ha，大约是中国全国平均水平的5.3倍（F.A.O.，2025年；Z.K.B.S.，2024年）。先前的研究报告称当地土壤中普遍存在pNNIs残留（Wang等人，2025a），这可能导致表层土壤中TPNNIs的严重污染。因此，选择沙堰河流域作为研究区域，以调查集约农业区表层土壤中的TPNNIs污染情况。本研究的目标是：（1）描述表层土壤中TPNNIs的污染水平和时空分布模式；（2）应用基于机器学习的模型来识别表层土壤中TPNNIs浓度的主要驱动因素并解释其影响；（3）比较不同机器学习模型在预测表层土壤中TPNNIs浓度方面的预测性能；（4）探讨pNNIs浓度、环境因素和人为因素影响表层土壤中TPNNIs残留的途径和相互作用。这些发现将为评估表层土壤中TPNNIs污染的风险提供数据支持，并为污染管理和缓解提供科学依据。
