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

Résumé technique : Prédiction de la teneur en sélénium du sol et optimisation des modèles dans un bassin versant de la montagne Taihang

Énoncé du problème
Le sélénium (Se) est un oligoélément critique pour la santé humaine, et sa distribution spatiale dans le sol influence directement la sécurité écologique régionale et la qualité des produits agricoles. Cependant, la prédiction de la teneur en Se du sol dans les petits bassins versants montagneux, tels que ceux de la montagne Taihang, présente des défis importants. Ces zones se caractérisent par un terrain accidenté, des matériaux parentaux complexes et une forte hétérogénéité spatiale, ce qui limite l'accessibilité de l'échantillonnage et entraîne souvent de petites tailles d'échantillons (N < 150). Les études existantes se sont largement concentrées sur des ensembles de données à grands échantillons en zones de plaines, laissant une lacune dans la compréhension de la stabilité des modèles et des mécanismes de pilotage sous des conditions de petit échantillon et de haute hétérogénéité. De plus, la relation entre le Se du sol et les facteurs géochimiques est souvent non linéaire, ce qui complique les approches géostatistiques traditionnelles.

Méthodologie
L'étude s'est concentrée sur un bassin versant typique du comté de Pingshan, dans la province du Hebei, couvrant environ 251,51 km². Les chercheurs ont collecté 107 échantillons de sol de surface (profondeur 0–20 cm) provenant de terres cultivées, de vergers, de prairies et de forêts. Les échantillons ont été analysés pour 17 variables prédictives, incluant la matière organique du sol (MOS), le pH, les oxydes majeurs (ex. SiO₂, Al₂O₃) et les éléments traces (Se, Cd, Pb, Hg, As, Cu, Zn, Ni, Cr).

Pour répondre au défi de la prédiction, les auteurs ont construit et comparé trois modèles d'apprentissage automatique :

1. Régression LASSO : Un modèle linéaire avec régularisation L1 utilisé pour la sélection de caractéristiques et la gestion de la multicolinéarité.
2. Forêt aléatoire (Random Forest - RF) : Un algorithme d'apprentissage d'ensemble non linéaire basé sur des arbres de décision.
3. Machine à vecteurs de support (Support Vector Machine - SVM) : Un modèle de cartographie de noyau non linéaire basé sur la minimisation du risque structurel, utilisant spécifiquement un noyau de fonction de base radiale (RBF).

L'ensemble de données a été divisé en sous-ensembles d'entraînement (70 %, 76 échantillons) et de test (30 %, 31 échantillons) par échantillonnage aléatoire stratifié. La performance des modèles a été évaluée à l'aide de l'erreur quadratique moyenne (MSE), de la racine de l'erreur quadratique moyenne (RMSE), de l'erreur absolue moyenne (MAE) et du coefficient de détermination (R²). L'importance des caractéristiques a été évaluée via les valeurs absolues des coefficients (LASSO) et l'importance par permutation (RF et SVM).

Résultats clés

• Performance des modèles : Le modèle SVM a démontré une performance et une stabilité supérieures. Il a atteint un R² de 0,7381 sur l'ensemble de test avec un ratio RMSE (entraînement/test) de 0,996, indiquant l'absence de surapprentissage ou de sous-apprentissage significatif. En revanche, le modèle RF a présenté un surapprentissage sévère (le R² est passé de 0,9267 sur l'entraînement à 0,6479 sur le test, avec un ratio RMSE de 2,517), probablement dû à la petite taille de l'échantillon et à la complexité du terrain. Le modèle LASSO a montré une performance modérée (R² = 0,5907) mais a souffert d'un léger sous-apprentissage, attribué à son incapacité à capturer les relations non linéaires.
• Paramètres optimaux du SVM : Grâce à une recherche par grille et une validation croisée, les paramètres optimaux du SVM ont été identifiés comme suit : Gamma = 1×10⁻⁵, Coût = 1000, et Epsilon = 0,2. Le modèle final utilisait 53 vecteurs de support (69,74 % de l'ensemble d'entraînement).
• Facteurs de pilotage : Les trois modèles ont identifié de manière cohérente la Matière Organique du Sol (MOS), le Cadmium (Cd) et le Plomb (Pb) comme les principaux facteurs contrôlant la teneur en Se du sol.
  • La MOS agit comme un moteur primaire, fournissant des sites d'adsorption et formant des complexes stables avec le Se.
  • Le Cd et le Pb partagent des sources géogéniques homologues avec le Se (dérivées de l'altération des roches et des dépôts atmosphériques) et entrent en compétition avec le Se pour les sites d'adsorption sur les colloïdes du sol riches en MOS.
  • L'analyse de corrélation a confirmé des corrélations positives significatives entre le Se et la MOS, le Cd et le Pb, même après contrôle des variables de confusion.

Contributions clés

1. Sélection de modèles pour les petits échantillons : L'étude fournit une preuve empirique que le SVM est l'algorithme optimal pour prédire la teneur en Se du sol dans les bassins versants montagneux à haut niveau d'hétérogénéité et à faible échantillonnage (N < 150), surpassant RF et LASSO en termes de généralisation et de stabilité.
2. Élucidation du mécanisme géochimique : La recherche identifie un assemblage géochimique couplé (Se-Cd-Pb-MOS) comme le mécanisme de pilotage intrinsèque. Elle clarifie que la variation spatiale du Se est régulée non seulement par une provenance géochimique commune, mais aussi par la dynamique d'adsorption compétitive entre le Se, le Cd et le Pb sur les surfaces de la MOS.
3. Cadre pratique : L'étude propose un flux de travail technique validé pour le criblage des facteurs d'influence et la prédiction de la distribution des éléments du sol dans des terrains montagneux complexes où l'échantillonnage à grande échelle est irréalisable.

Signification et affirmations
Les auteurs affirment que ce travail fournit une approche technique fiable pour la prédiction du Se du sol et le criblage des facteurs dans des bassins versants montagneux analogues. En confirmant le SVM comme le modèle préféré pour les scénarios à petits échantillons, l'étude comble une lacune critique en géochimie environnementale. L'identification de la MOS, du Cd et du Pb comme facteurs clés offre un support géochimique spécifique pour l'évaluation des ressources de sélénium et les évaluations de la sécurité écologique dans la montagne Taihang. L'étude reconnaît des limites, notant que les modèles d'apprentissage automatique agissent comme des « boîtes noires » concernant les mécanismes internes et que les travaux futurs devraient intégrer des covariables environnementales multi-sources (ex. DEM, télédétection) et élargir les portées d'échantillonnage pour clarifier davantage les effets d'échelle.