农田长期受到农药化肥施用、污灌、工矿排放等人类活动影响,造成土壤重金属的加速累积及潜在风险,开展农田土壤重金属风险评价及空间预测研究是保障土壤生态安全、作物及人体健康的重要基础。传统的土壤重金属风险评价研究存在依赖修正系数、加权平均效应、忽略成因、风险同源性、线性关系依赖等问题,其空间预测研究尚未解决多源辅助变量与土壤重金属之间的二阶平稳关系敏感波动、线性-非线性驱动下的空间异质性复杂多变等问题。为此,本文整合与土壤重金属关系密切的地形、气候、土壤、植被、排放源、社会经济、遥感等因素,分别构建适用于风险评价的指标体系以及空间预测的辅助变量集;将指数标度层次分析模型和贝叶斯网络模型引入到土壤重金属的风险评价中,实现区域农田土壤重金属风险快速准确判断;提出一种基于响应面分析的点源-面源重金属风险源定量方法,建立以多个重金属为目标的非线性响应模型,定量解析风险源对土壤重金属的贡献程度;进一步提出一种整合地统计学和机器学习的农田土壤重金属混合地统计预测新方法,深入挖掘其空间变异性的线性-非线性关系及不同辅助变量对土壤重金属的量效驱动作用,并进行空间制图;本研究结果拓展了地理学第一（空间自相关性）及第二（空间异质性）定律理论范式,也为区域农田-农产品安全防控及管理决策提供技术支撑与科学依据。本文取得的主要研究结果如下:1.农田土壤重金属多指数风险评价描述性统计分析结果表明重金属As、Cd、Cr、Hg和Pb的均值分别为12.45 mg kg-1、0.22 mg kg-1、62.99 mg kg-1、0.22 mg kg-1和53.15 mg kg-1,其最大值均未超过国标风险筛选值的最大上限,但不同程度的超过了珠三角土壤环境背景值。以国标筛选值为基准,单因子指数、内梅罗综合指数和污染负荷指数的评价结果表明研究区农田土壤健康状况良好;Hakanason潜在生态风险指数评价结果表明Hg元素有3.8%的样点处于中等生态风险水平,其他重金属均处于低生态风险水平,5种重金属综合风险水平为轻微生态风险水平。2.多因素综合建模的农田土壤重金属风险评价构建多因素综合的土壤重金属风险评价指标体系,采用指数标度层次分析模型的风险评价结果显示研究区农田土壤重金属处于无风险到中等风险水平;采用贝叶斯网络模型的风险评价结果对重金属的评价精度由大到小依次为:As（76%）>Pb（74%）>Cd（72%）>Cr（66%）>Hg（64%）,相比指数标度AHP模型的评价精度较高,重金属As和Pb处于无风险到中等风险水平、Cd和Hg元素处于无风险到高风险水平、Cr元素为无风险和轻微风险水平,整体上城市核心区周边的土壤重金属具有高风险性。3.区域尺度下农田土壤重金属风险源定量分析对比线状交通源（道路）和点状交通源（路口和停车场）,发现土壤重金属含量对点状交通源的响应距离更长且重金属浓度下降也较慢,这与路口和停车场等场景下车辆长时间滞留造成的尾气排放量和磨损剧增有关。道路、工厂、交通设施和河流对重金属的综合响应距离区间分别为:60-1680 m、25-710 m、27-2000 m和10-2310 m,且多种距离源的协同作用具有不确定性;提出一种基于响应面分析的点源-面源重金属风险源定量方法,结果表明综合点源对重金属As和Pb的输入贡献率最大,分别是33.95%和63.13%,化肥农药施用量是Cd和Hg元素的最主要源输入,贡献率分别为29.53%和33.55%,农业用水量则对重金属Cr的贡献率达到62.84%。4.辅助变量降维及地统计模型空间预测根据方差膨胀因子、蒙特卡罗模拟和Pearson相关分析的组合分析结果,筛选出重金属As（45个）、Cd（50个）、Cr（44个）、Hg（47个）和Pb（45个）对应的辅助变量集合;进一步通过主成分分析,得到重金属As的前7个主成分、Cd和Hg的前10个主成分以及Cr和Pb的前8个主成分（累积贡献率大于80%）作为后续空间预测模型的输入。与简单克里格和普通克里格插值结果相比,以前三个PCs作为协变量协同克里格模型的预测结果精度较高,分别解释了62.56%（Cd）、59.45%（Hg）、46.26%（Cr）、44.17%（Pb）和30.33%（As）的重金属空间变异性,含量较高的区域集中在城区周围。5.采用机器学习模型的农田土壤重金属空间预测对比逐步线性回归、支持向量机、分类回归树和随机森林模型,极限学习机模型对土壤重金属的预测精度较高,对5种重金属的解释程度从高到低依次为（验证集）:Cd(RMSE=0.091 mg kg-1,R2=72.03%)>Pb(RMSE=11.79 mg kg-1,R2=71.72%)>Hg(RMSE=0.104 mg kg-1,R2=70.22%)>As(RMSE=5.57 mg kg-1,R2=69.44%)>Cr(RMSE=21.63 mg kg-1,R2=61.61%),而SLR和SVM模型对区域尺度重金属含量预测具有较大的不确定性。空间制图结果显示研究区土壤重金属含量较高的区域分布在中西部和西南部（As）、中西部和北部（Cd）、中南部（Cr）、中西部和西南部（Hg）以及中西部（Pb）。机器学习模型对辅助变量的驱动力分析结果显示遥感和植被变量对重金属Cd、Hg和Pb的拟合贡献率较大,排放源变量对As和Cr的影响显著,即重金属Hg和Pb同时受到自然变量和人类活动变量的综合驱动,As和Cr元素主要被人类活动变量所驱动,而Cd元素则主要受到自然变量的强驱动作用。6.采用混合地统计模型的农田土壤重金属空间预测整合地统计模型和机器学习模型,即逐步线性回归普通克里格、支持向量机普通克里格、分类回归树普通克里格、随机森林普通克里格和极限学习机普通克里格。结果表明:ELMOK模型对重金属Cd(RMSE=0.072 mg kg-1,R2=79.53%)、Cr(RMSE=19.48 mg kg-1,R2=68.68%)、Hg(RMSE=0.092 mg kg-1,R2=76.98%)和Pb(RMSE=11.21 mg kg-1,R2=79.83%)的预测效果均较好,表明ELMOK对土壤重金属和辅助变量之间“线性-非线性”关系具有较好地拟合性能。混合地统计模型的制图结果显示,SLROK和SVMOK模型对5种土壤重金属含量均具有不同程度的高估,而CARTOK、RFOK和ELMOK模型对5种土壤重金属的空间制图结果更接近实测值范围,这三种模型预测的重金属浓度均较高区域集中在城区周边和南部。相比于地统计方法和机器学习方法,混合地统计方法对辅助变量和土壤重金属之间的复杂关系拟合性能最强,尤其是ELMOK模型的预测精度及空间制图结果较好,对重金属含量空间变异性制图的表达更加符合地理学第一（空间自相关性）及第二（空间异质性）定律。