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

Sintesi Tecnica: Predizione del contenuto di Selenio nel suolo e ottimizzazione del modello in un bacino idrografico delle Montagne del Taihang

Problematica
Il selenio (Se) è un elemento traccia critico per la salute umana, e la sua distribuzione spaziale nel suolo influenza direttamente la sicurezza ecologica regionale e la qualità dei prodotti agricoli. Tuttavia, predire il contenuto di Se nel suolo in piccoli bacini montani, come quelli nelle Montagne del Taihang, presenta sfide significative. Queste aree sono caratterizzate da un terreno accidentato, materiali parentali complessi e una forte eterogeneità spaziale, che limitano l'accessibilità del campionamento e spesso risultano in dimensioni ridotte del campione (N < 150). Gli studi esistenti si sono concentrati ampiamente su dataset a grandi campioni in aree pianeggianti, lasciando un vuoto nella comprensione della stabilità del modello e dei meccanismi di guida in condizioni di piccoli campioni e alta eterogeneità. Inoltre, la relazione tra il Se nel suolo e i fattori geochimici è spesso non lineare, complicando gli approcci geostatistici tradizionali.

Metodologia
Lo studio si è concentrato su un tipico bacino idrografico nella Contea di Pingshan, Provincia di Hebei, che copre circa 251,51 km². I ricercatori hanno raccolto 107 campioni di suolo superficiale (profondità 0–20 cm) da terreni coltivati, frutteti, prati e foreste. I campioni sono stati analizzati per 17 variabili predittive, tra cui sostanza organica del suolo (SOM), pH, ossidi maggiori (es. SiO₂, Al₂O₃) ed elementi traccia (Se, Cd, Pb, Hg, As, Cu, Zn, Ni, Cr).

Per affrontare la sfida della predizione, gli autori hanno costruito e confrontato tre modelli di apprendimento automatico:

1. Regressione LASSO: Un modello lineare con regolarizzazione L1 utilizzato per la selezione delle caratteristiche e la gestione della multicollinearità.
2. Random Forest (RF): Un algoritmo di apprendimento d'insieme non lineare basato su alberi decisionali.
3. Support Vector Machine (SVM): Un modello di mappatura kernel non lineare basato sulla minimizzazione del rischio strutturale, utilizzando specificamente un kernel della Funzione Radiale di Base (RBF).

Il dataset è stato suddiviso in sottoinsiemi di addestramento (70%, 76 campioni) e di test (30%, 31 campioni) tramite campionamento casuale stratificato. Le prestazioni del modello sono state valutate utilizzando l'Errore Quadratico Medio (MSE), l'Errore Quadratico Medio (RMSE), l'Errore Assoluto Medio (MAE) e il coefficiente di determinazione (R²). L'importanza delle caratteristiche è stata valutata tramite i valori assoluti dei coefficienti (LASSO) e l'importanza di permutazione (RF e SVM).

Risultati Chiave

• Prestazioni del Modello: Il modello SVM ha dimostrato prestazioni e stabilità superiori. Ha raggiunto un R² di 0,7381 sul set di test con un rapporto RMSE (addestramento/test) di 0,996, indicando l'assenza di significativo overfitting o underfitting. Al contrario, il modello RF ha mostrato un grave overfitting (l'R² è sceso da 0,9267 nell'addestramento a 0,6479 nel test, con un rapporto RMSE di 2,517), probabilmente a causa della dimensione ridotta del campione e della complessità del terreno. Il modello LASSO ha mostrato prestazioni moderate (R² = 0,5907) ma ha sofferto di un leggero underfitting, attribuito alla sua incapacità di catturare le relazioni non lineari.
• Parametri Ottimali SVM: Attraverso la ricerca a griglia (grid search) e la validazione incrociata, i parametri ottimali della SVM sono stati identificati come: Gamma = 1×10⁻⁵, Cost = 1000, ed Epsilon = 0,2. Il modello finale ha utilizzato 53 vettori di supporto (69,74% del set di addestramento).
• Fattori Determinanti: Tutti e tre i modelli hanno identificato coerentemente la Sostanza Organica del Suolo (SOM), il Cadmio (Cd) e il Piombo (Pb) come i principali fattori di controllo per il contenuto di Se nel suolo.
  • La SOM agisce come un driver primario, fornendo siti di adsorbimento e formando complessi stabili con il Se.
  • Cd e Pb condividono fonti geogeniche omologhe con il Se (derivate dall'alterazione delle rocce e dal deposito atmosferico) e competono con il Se per i siti di adsorbimento sui colloidi del suolo carichi di SOM.
  • L'analisi di correlazione ha confermato correlazioni positive significative tra Se e SOM, Cd e Pb, anche dopo il controllo delle variabili confondenti.

Contributi Chiave

1. Selezione del Modello per Piccoli Campioni: Lo studio fornisce prove empiriche che la SVM è l'algoritmo ottimale per predire il contenuto di Se nel suolo in bacini montani ad alta eterogeneità e piccoli campioni (N < 150), superando sia RF che LASSO in termini di generalizzazione e stabilità.
2. Elucidazione del Meccanismo Geochimico: La ricerca identifica un assemblaggio geochimico accoppiato (Se-Cd-Pb-SOM) come il meccanismo di guida intrinseco. Chiarisce che la variazione spaziale del Se è regolata non solo dalla comune provenienza geochimica, ma anche dalla dinamica di adsorbimento competitivo tra Se, Cd e Pb sulle superfici della SOM.
3. Framework Pratico: Lo studio offre un workflow tecnico validato per lo screening dei fattori influenzanti e la predizione della distribuzione degli elementi nel suolo in complessi terreni montani dove il campionamento su larga scala è impraticabile.

Significato e Rivendicazioni
Gli autori affermano che questo lavoro fornisce un approccio tecnico affidabile per la predizione del Se nel suolo e lo screening dei fattori in analoghi bacini montani. Confermando la SVM come il modello preferito per scenari con piccoli campioni, lo studio colma una lacuna critica nella geochimica ambientale. L'identificazione di SOM, Cd e Pb come fattori chiave offre un supporto geochimico specifico per la valutazione delle risorse di selenio e le valutazioni della sicurezza ecologica nelle Montagne del Taihang. Lo studio riconosce i limiti, notando che i modelli di machine learning agiscono come "scatole nere" riguardo ai meccanismi interni e che il lavoro futuro dovrebbe integrare covariate ambientali multi-fonte (es. DEM, telerilevamento) ed espandere l'ambito di campionamento per chiarire ulteriormente gli effetti di scala.