Prediction of soil selenium content and model optimization for a watershed in the Taihang Mountains based on machine learning models

Resumen Técnico: Predicción del Contenido de Selenio en el Suelo y Optimización de Modelos en una Cuenca de las Montañas Taihang

Planteamiento del Problema
El selenio (Se) es un elemento traza crítico para la salud humana, y su distribución espacial en el suelo influye directamente en la seguridad ecológica regional y la calidad de los productos agrícolas. Sin embargo, la predicción del contenido de Se en el suelo en cuencas montañosas pequeñas, como las de las montañas Taihang, presenta desafíos significativos. Estas áreas se caracterizan por un terreno accidentado, materiales parentales complejos y una fuerte heterogeneidad espacial, lo que restringe la accesibilidad para el muestreo y a menudo resulta en tamaños de muestra pequeños (N < 150). Los estudios existentes se han centrado principalmente en conjuntos de datos de gran muestra en zonas de llanura, dejando un vacío en la comprensión de la estabilidad de los modelos y los mecanismos de control bajo condiciones de muestra pequeña y alta heterogeneidad. Además, la relación entre el Se del suelo y los factores geoquímicos suele ser no lineal, lo que complica los enfoques geoestadísticos tradicionales.

Metodología
El estudio se centró en una cuenca típica del condado de Pingshan, provincia de Hebei, que cubre aproximadamente 251.51 km². Los investigadores recolectaron 107 muestras de la capa superficial del suelo (0–20 cm de profundidad) de tierras de cultivo, huertos, pastizales y bosques. Las muestras fueron analizadas para 17 variables predictoras, incluyendo materia orgánica del suelo (MOS), pH, óxidos principales (p. ej., SiO₂, Al₂O₃) y elementos traza (Se, Cd, Pb, Hg, As, Cu, Zn, Ni, Cr).

Para abordar el desafío de la predicción, los autores construyeron y compararon tres modelos de aprendizaje automático:

1. Regresión LASSO: Un modelo lineal con regularización L1 utilizado para la selección de características y el manejo de la multicolinealidad.
2. Bosque Aleatorio (RF): Un algoritmo de aprendizaje de conjunto no lineal basado en árboles de decisión.
3. Máquina de Vectores de Soporte (SVM): Un modelo de mapeo de núcleo no lineal basado en la minimización del riesgo estructural, utilizando específicamente un núcleo de Función de Base Radial (RBF).

El conjunto de datos se dividió en subconjuntos de entrenamiento (70%, 76 muestras) y de prueba (30%, 31 muestras) mediante un muestreo aleatorio estratificado. El rendimiento del modelo se evaluó utilizando el Error Cuadrático Medio (MSE), la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el coeficiente de determinación (R²). La importancia de las características se evaluó mediante los valores absolutos de los coeficientes (LASSO) y la importancia de permutación (RF y SVM).

Resultados Clave

• Rendimiento del Modelo: El modelo SVM demostró un rendimiento y estabilidad superiores. Logró un R² de 0.7381 en el conjunto de prueba con una relación de RMSE (entrenamiento/prueba) de 0.996, lo que indica la ausencia de sobreajuste o subajuste significativo. En contraste, el modelo RF exhibió un sobreajuste severo (el R² cayó de 0.9267 en el entrenamiento a 0.6479 en la prueba, con una relación de RMSE de 2.517), probablemente debido al pequeño tamaño de la muestra y al terreno complejo. El modelo LASSO mostró un rendimiento moderado (R² = 0.5907) pero sufrió un ligero subajuste, atribuido a su incapacidad para capturar relaciones no lineales.
• Parámetros Óptimos de SVM: Mediante la búsqueda de cuadrícula (grid search) y validación cruzada, se identificaron los parámetros óptimos de SVM como: Gamma = 1×10⁻⁵, Costo = 1000 y Epsilon = 0.2. El modelo final utilizó 53 vectores de soporte (69.74% del conjunto de entrenamiento).
• Factores de Control: Los tres modelos identificaron consistentemente la Materia Orgánica del Suelo (MOS), el Cadmio (Cd) y el Plomo (Pb) como los factores de control dominantes para el contenido de Se en el suelo.
  • La MOS actúa como un motor primario, proporcionando sitios de adsorción y formando complejos estables con el Se.
  • El Cd y el Pb comparten fuentes geogénicas homólogas con el Se (derivadas de la meteorización de rocas y la deposición atmosférica) y compiten con el Se por los sitios de adsorción en las coloides del suelo que contienen MOS.
  • El análisis de correlación confirmó correlaciones positivas significativas entre el Se y la MOS, el Cd y el Pb, incluso tras controlar las variables de confusión.

Contribuciones Clave

1. Selección de Modelos para Muestras Pequeñas: El estudio proporciona evidencia empírica de que el SVM es el algoritmo óptimo para predecir el contenido de Se en el suelo en cuencas montañosas de muestra pequeña (N < 150) y alta heterogeneidad, superando tanto al RF como al LASSO en términos de generalización y estabilidad.
2. Elucidación del Mecanismo Geoquímico: La investigación identifica un ensamblaje geoquímico acoplado (Se-Cd-Pb-MOS) como el mecanismo de control intrínseco. Aclara que la variación espacial del Se está regulada no solo por la procedencia geoquímica común, sino también por la dinámica de adsorción competitiva entre el Se, el Cd y el Pb en las superficies de la MOS.
3. Marco Práctico: El estudio ofrece un flujo de trabajo técnico validado para el cribado de factores influyentes y la predicción de la distribución de elementos en el suelo en terrenos montañosos complejos donde el muestreo a gran escala no es factible.

Significancia y Reivindicaciones
Los autores afirman que este trabajo proporciona un enfoque técnico confiable para la predicción del Se en el suelo y el cribado de factores en cuencas montañosas análogas. Al confirmar el SVM como el modelo preferido para escenarios de muestra pequeña, el estudio aborda una brecha crítica en la geoquímica ambiental. La identificación de la MOS, el Cd y el Pb como factores centrales ofrece un soporte geoquímico específico para la evaluación de recursos de selenio y las evaluaciones de seguridad ecológica en las montañas Taihang. El estudio reconoce las limitaciones, señalando que los modelos de aprendizaje automático actúan como "cajas negras" respecto a los mecanismos internos y que el trabajo futuro debería integrar covariables ambientales de múltiples fuentes (p. ej., DEM, sensores remotos) y ampliar los alcances de muestreo para esclarecer aún más los efectos de escala.