The release of sludge-derived heavy metals (HMs) to soil and their subsequent migration into groundwater poses a significant challenge for safe and low-carbon sludge land application. This study developed a predictive framework to simulate 60-year sludge land application, evaluating the risk of HMs pollution in the soil-groundwater environment and assessing the influence of soil and water properties. HYDRUS-2D simulations revealed that highly mobile Cu, Ni, and Zn penetrated a 10 m soil layer over a 60-year period, contributing to groundwater pollution. In contrast, Cr was easily sequestered within the topsoil layer after 5-years continuous operation. The non-equilibrium parameter α could serve as an indicator for assessing their potential risk. Furthermore, the limited soil adsorption sites for Pb (f = 0.02772) led to short-term (1-year) groundwater pollution at a 0.5 m-depth. Bayesian Networks model outcomes indicated that humic-like organics crucially influenced HMs transformation, enhancing the desorption of Cd, Cu, Ni, Pb, and Zn, while inhibiting the desorption for Cr. Additionally, electrical conductivity promoted the release of most HMs, in contrast to the Mn mineralogy in soil. This study bridges the gap between the macro-level HMs migration trends and the micro-level adsorption-desorption characteristics, providing guidance for the safe land application of sewage sludge. This study introduces a framework integrating HYDRUS-2D simulations with Bayesian Networks to assess the risks of groundwater pollution by heavy metals (HMs) over a 60-year sludge application. Sludge-derived Cu, Ni, and Zn are found to penetrate soil up to 10 m and exceed safety limits, with the non-equilibrium parameter α serving as an indicator for pollution risk. The importance of nutrients from sludge-amended soil for the transformation of HMs in the subsurface environment highlights the need for enhanced sludge management, specifically through more detailed regulation of nutrient composition. These findings contribute to developing precise strategies for the long-term sludge land application.

Currently, foliar diseases of chili have significantly impacted both yield and quality. Despite effective advancements in deep learning techniques for the classification of chili leaf diseases, most existing classification models still face challenges in terms of accuracy and practical application in disease identification. Therefore, in this study, an optimized and enhanced convolutional neural network model named MCCM (MCSAM-ConvNeXt-MSFFM) is proposed by introducing ConvNeXt. The model incorporates a Multi-Scale Feature Fusion Module (MSFFM) aimed at better capturing disease features of various sizes and positions within the images. Moreover, adjustments are made to the positioning, activation functions, and normalization operations of the MSFFM module to further optimize the overall model. Additionally, a proposed Mixed Channel Spatial Attention Mechanism (MCSAM) strengthens the correlation between non-local channels and spatial features, enhancing the model’s extraction of fundamental characteristics of chili leaf diseases. During the training process, pre-trained weights are obtained from the Plant Village dataset using transfer learning to accelerate the model’s convergence. Regarding model evaluation, the MCCM model is compared with existing CNN models (Vgg16, ResNet34, GoogLeNet, MobileNetV2, ShuffleNet, EfficientNetV2, ConvNeXt), and Swin-Transformer. The results demonstrate that the MCCM model achieves average improvements of 3.38%, 2.62%, 2.48%, and 2.53% in accuracy, precision, recall, and F1 score, respectively. Particularly noteworthy is that compared to the original ConvNeXt model, the MCCM model exhibits significant enhancements across all performance metrics. Furthermore, classification experiments conducted on rice and maize disease datasets showcase the MCCM model’s strong generalization performance. Finally, in terms of application, a chili leaf disease classification website is successfully developed using the Flask framework. This website accurately identifies uploaded chili leaf disease images, demonstrating the practical utility of the model.