📄 agriculture

Time-Series Accumulation Forecasting of Organophosphate Pesticides in Agricultural Soils and Vegetables of Delta Central District, Nigeria

Deze studie ontwikkelt een hybride ARIMA-LSTM tijdreeksmodel om de accumulatie van organofosfaatpesticiden in het Delta Central District, Nigeria, te voorspellen, waarbij wordt aangetoond dat hoewel de huidige praktijken kunnen leiden tot een toename van 93% in bodieresiduen tegen 2035, een reductie van 50% in het gebruik van pesticiden vanaf 2025 dit risico aanzienlijk zou verminderen.

Oorspronkelijke auteurs: Ibigoni C. Howard, Kngsley E. Okpara, Chioma C. Howard

Gepubliceerd 2026-07-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ibigoni C. Howard, Kngsley E. Okpara, Chioma C. Howard

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de bodem van het Delta Central District in Nigeria voor als een gigantische, langzaam bewegende badkuip. Elk jaar gieten boeren een emmer "pesticidenwater" in om hun gewassen te beschermen. Normaal gesproken voert de afvoer (het vermogen van de natuur om chemicaliën af te breken) een deel ervan af, maar niet alles. Na verloop van tijd stijgt het waterniveau in de kuip.

Dit onderzoekspapier is als een weersverwachting voor die badkuip, maar in plaats van regen, voorspelt het hoeveel pesticiden zich de komende tien jaar in de bodem en de groenten zullen ophopen.

Hier is het verhaal van de studie, eenvoudig uiteengezet:

1. Het Probleem: We hebben slechts een momentopname

Tot nu toe hebben wetenschappers voornamend "momentopnames" van de bodem gemaakt. Ze controleren hoe vuil het water vandaag is, maar ze kunnen je niet vertellen of de kuip volloopt volgend jaar of over tien jaar. Ze konden ook niet gemakkelijk zeggen: "Als we stoppen met het inschenken van 50% van het water, hoe snel loopt de kuip dan leeg?"

De onderzoekers wilden een tijdmachine (een voorspellingsmodel) bouwen om de toekomst van deze chemicaliën te zien, specifiek 14 verschillende soorten organofosfaatpesticiden (OPP's).

2. De Ingrediënten: Oude Data Mengen met Nieuwe Wiskunde

Om hun tijdmachine te bouwen, had het team een lange geschiedenis aan gegevens nodig, maar ze hadden slechts één gedetailleerde meting uit 2023.

Het Anker: Ze gebruikten de gegevens van 2023 als een solide ankerpunt.
De Rek: Om de jaren vóór 2023 (van 2000 tot 2022) in te vullen, gebruikten ze een "recept". Ze keken naar hoeveel pesticide Nigeria in totaal kocht en gebruikte (volgens FAO-gegevens) en schaalden dit omhoog of omlaag om overeen te komen met de metingen van 2023. Het is alsof je vandaag de grootte van een taart weet en de bloemverkopen van de afgelopen 20 jaar gebruikt om te raden hoe groot de taarten toen waren.

3. De Instrumenten: De "Slimme" Voorspellers

De onderzoekers probeerden verschillende "glazen bollen" om de toekomst te voorspellen:

De Lineaire Denker (ARIMA): Dit model gaat ervan uit dat de toekomst er precies zo uitziet als het verleden, alleen iets groter. Het is goed in rechte lijnen, maar slecht in curven.
De Groepsdenker (VAR): Dit model kijkt naar hoe de hoeveelheid gekochte pesticiden gerelateerd is aan de hoeveelheid die in de bodem wordt gevonden.
De Diepe Leerling (LSTM): Dit is een Artificial Intelligence (AI) brein. Het is geweldig in het onthouden van langetermijnpatronen en het herkennen van complexe, golvende curven die andere modellen missen.
Het Superteam (Hybride ARIMA-LSTM): Dit was de winnaar. Ze combineerden de Lineaire Denker met de Diepe Leerling. De Lineaire Denker hanteerde de gestage, voorspelbare stijging, terwijl de AI de rommelige, onvoorspelbare bulten afhandelde.

Het Resultaat: Het Superteam was het meest accuraat. Het voorspelde de toekomst met zeer weinig fouten (slechts ongeveer 5% afwijking) en versloeg alle andere modellen.

4. De Glazen Bol: Wat gebeurt er tegen 2035?

Het team draaide vier verschillende "wat als"-scenario's om te zien hoe de badkuip er in 2035 uit zou zien:

Scenario A: Business as Usual (Het "Blijf Gieten" Plan)
Als boeren de pesticiden blijven gebruiken met de huidige groei, zal de bodem tegen 2035 93% vuiler zijn. Het chemische niveau zal springen van 31 ng/g naar bijna 60 ng/g. Tegen 2031 zal het waarschijnlijk de veiligheidsgrens van de Europese Unie (50 ng/g) passeren, wat betekent dat de bodem gevaarlijk toxisch wordt. Eén specifieke chemische stof, Pirimifos-methyl, is de hoofdschuldige; het werkt als een zware steen die naar de bodem zinkt en daar blijft liggen.
Scenario B: De 30% Korting (Het "Licht Erop" Plan)
Als ze het gebruik met 30% verminderen, stijgt het waterniveau minder snel, maar het daalt niet. De bodem blijft vuil, alleen iets minder zo. Het is alsof je de kraan een beetje verder dichtdraait, maar de kuip nog steeds volloopt.
Scenario C: De 50% Korting (Het "Draai de Kraan Dicht" Plan)
Als ze het gebruik met 50% verminderen, gebeurt de magie. De afvoer wint het eindelijk van de kraan. De bodem begint zichzelf te reinigen, dalend van 31 ng/g naar 19,9 ng/g. Dit is de minimale inspanning die nodig is om de vervuiling daadwerkelijk om te keren.
Scenario D: De Uitfasering (Het "Stop met Gieten" Plan)
Als ze het gebruik van deze pesticiden tegen 2035 volledig stopzetten, reinigt de bodem zich bijna volledig en keert hij terug naar bijna natuurlijke niveaus (5,6 ng/g). Echter, de "zware steen" chemische stof (Pirimifos-methyl) doet er het langst over om weg te spoelen omdat deze langer aan de bodem blijft plakken dan de anderen.

5. De Conclusie

Deze studie bewijst dat we niet hoeven te wachten tot er een ramp gebeurt. Door een slimme mix van oude wiskunde en moderne AI te gebruiken, kunnen we precies voorspellen hoeveel vervuiling zich zal ophopen.

De belangrijkste les is duidelijk: Kleine kortingen in het gebruik van pesticiden zullen het probleem niet oplossen; alleen grote kortingen (50% of meer) zullen de bodem daadwerkelijk schoon krijgen. Als we niets doen, zal de bodem in deze regio van Nigeria tegen het midden van de jaren 2030 aanzienlijk giftiger zijn.

De onderzoekers zeggen dat deze methode gekopieerd kan worden voor andere landbouwgebieden in Afrika om overheden te helpen slimmere beslissingen te nemen voordat de "badkuip" overloopt.

Probleemstelling

De huidige monitoring van de omgeving met betrekking tot organofosfaatpesticiden (OPP's) in agrarische systemen, met name in sub-Sahara Afrika, steunt bijna uitsluitend op dwarsdoorsnedestudies. Deze studies bieden een momentopname van de contaminatiestatus, maar missen het vermogen om toekomstige trajecten van residuen in bodem en groenten te voorspellen onder variërende agrarische beheersscenario's. In het Delta Central District van Nigeria, waar het gebruik van pesticiden bijna het hele jaar door plaatsvindt en er jaarlijks meerdere oogsten zijn, wordt verwacht dat de concentraties persistente OPP's in de oppervlaktebodem in de loop der tijd zullen toenemen. Echter, zonder longitudinale predictiemodellen kunnen beleidsmakers niet kwantificeren welke risicoreductie haalbaar is door middel van regulatoire interventie, noch bepalen welke concentraties in toekomstige jaren (bijv. 2030 of 2035) zullen heersen onder de huidige agrarische trajecten.

Methodologie

De studie ontwikkelde een raamwerk voor tijdreeksaccumulatievoorspelling voor 14 specifieke OPP-verbindingen in het Delta Central District. De methodologie bestond uit vier belangrijke fasen:

Data-reconstructie en augmentatie:
- Baseline: De studie verankerde haar model op de gemeten baselinegegevens van 2023 van Tesi et al. (2025), die 14 OPP's in bodems en groenten over zeven Local Government Areas (LGA's) kwantificeerden. De gemiddelde totale bodemconcentratie van het district was 31,0 ng/g.
- Historische synthese: Om te voldoen aan de minimale datavereisten voor robuuste tijdreeksmodellering (doorgaans 8–12 jaarlijkse datapunten), synthetiseerden de auteurs een historische dataset van 2000 tot 2022. Dit werd bereikt door de FAO (2024) Nigeriaanse pesticidengebruiksindex te schalen tegen de 2023 baseline-proporties, uitgaande van de aanname dat de relatieve samenstelling van de verbindingen gedurende deze periode constant bleef.
Modelontwikkeling en vergelijking:
De studie vergeleken systematisch de out-of-sample voorspellende prestaties van zes modelleringsbenaderingen op de gereconstrueerde tijdreeks (2000–2022), waarbij een hold-out testset van 2020–2022 werd gebruikt:
- ARIMA/SARIMA: Univariante modellen die lineaire autoregressieve processen vastleggen.
- VAR (Vector Autoregressie): Een bivariant model dat de FAO pesticidengebruiksindex als een exogene variabele incorporeert om te testen op Granger-causaliteit.
- LSTM (Long Short-Term Memory): Zowel univariate als multivariate neurale netwerken ontworpen om niet-lineaire afhankelijkheden en langetermijngeheugen te vatten.
- Hybride ARIMA-LSTM: Een twee-fasen architectuur waarbij een ARIMA-model eerst de lineaire trend vastlegt, en een LSTM-netwerk vervolgens de niet-lineaire residuen modelleert.
Validatie en metrieken:
De modelprestaties werden geëvalueerd met behulp van Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) en R-kwadraat ( $R^2$ ). Paarsgewijze vergelijkingen maakten gebruik van de Diebold–Mariano (DM) test om de statistische significantie in voorspellende nauwkeurigheid te beoordelen.
Scenario-analyse:
Het optimale model werd gebruikt om de bodem-OPP-niveaus tot 2035 te projecteren onder vier regulatoire scenario's:
- Business-As-Usual (BAU): Voortzetting van de historische jaarlijkse groei van 4,7% in pesticidengebruik.
- 30% Beperking: Een reductie van 30% in de gebruiksindex vanaf 2025.
- 50% Beperking: Een reductie van 50% vanaf 2025.
- Versnelde Uitfasering: Lineaire reductie van de gebruiksindex naar nul tegen 2035.

Belangrijkste Resultaten

Modelprestaties: Het hybride ARIMA-LSTM-model vertoonde een superieure voorspellende nauwkeurigheid vergeleken met alle andere benaderingen. Het behaalde een RMSE van 1,52, een MAPE van 5,1% en een $R^2$ van 0,87 voor totale bodem-OPP's. Dit presteerde significant beter dan het standalone SARIMA-model (RMSE 2,31, $R^2$ 0,72) en het multivariate LSTM-model (RMSE 1,67, $R^2$ 0,84).
Causaliteit en Trends: VAR-analyse bevestigde een unidirectionele Granger-causaliteit van de nationale pesticidengebruiksindex naar bodemaccumulatie ( $p < 0,001$ ). De gereconstrueerde tijdreeks toonde een gemiddelde jaarlijkse groei van 5,1% voor totale bodem-OPP's tussen 2000 en 2022.
Scenario-projecties (2035):
- BAU: Onder de huidige trends worden de totale bodem-OPP-niveaus geprojecteerd op 59,7 ng/g tegen 2035 (een stijging van 93% ten opzichte van de 2023 baseline). Het 95%-betrouwbaarheidsinterval suggereert een kans van >70% dat de meest verontreinigde locaties de indicatieve drempelwaarde van de Europese Commissie van 50 ng/g rond ongeveer 2031 zullen overschrijden.
- 30% Beperking: Dit scenario vertraagt de accumulatie, maar keert deze niet om, waarbij de niveaus rond 2035 uitkomen op ~32,8 ng/g.
- 50% Beperking: Dit scenario bereikt netto decontaminatie, waarbij de niveaus tegen 2035 dalen naar 19,9 ng/g.
- Uitfasering: Volledige eliminatie van het gebruik reduceert de niveaus tot nabij de achtergrondconcentraties van 5,6 ng/g tegen 2035.
Verbindingsspecifiteit: Pirimifos-methyl werd geïdentificeerd als de dominante verbinding (77% van de totale last in 2023) en de primaire drijfveer voor toekomstige overschrijdingen van drempelwaarden vanwege de hoge frequentie van toepassing en de persistentie in de bodem.

Significantie en Claims

Het artikel claimt vier fundamentele bijdragen aan het veld van milieuvoorspelling in ontwikkelingsregio's:

Eerste Temporele Raamwerk: Het vestigt het eerste temporele accumulatievoorspellingsraamwerk voor OPP's in Nigeriaanse landbouwgronden, waarmee de kloof tussen statische baseline-monitoring en dynamische toekomstige projecties wordt overbrugd.
Methodologische Validatie: Het demonstreert dat een hybride ARIMA-LSTM-benadering een significant betere voorspellende prestatie levert dan lineaire of enkelvoudige neurale netwerkmodellen voor de accumulatie van bodemcontaminanten, wat het nut ervan valideert voor niet-lineaire, langetermijngeheugen-milieuprocessen.
Beleidskwantificering: De studie biedt een kwantitatieve basis voor regulatoire besluitvorming, waarbij specifiek wordt vastgesteld dat een reductie van 30% in het gebruik van pesticiden onvoldoende is om accumulatie om te keren, terwijl een reductie van 50% het minimale vereiste is voor netto decontaminatie.
Generaliseerbaarheid: De auteurs stellen dat deze hybride modelleringsbenadering overdraagbaar is naar andere chronisch verontreinigde agro-ecosystemen in sub-Sahara Afrika, en dient als een repliceerbaar sjabloon voor de voorspelling van opkomende contaminanten in datarme tropische omgevingen.

De studie concludeert dat hoewel de reconstructie van historische data enige onzekerheid introduceert, het hybride raamwerk erin slaagt om nationale markttrends te vertalen naar gelokaliseerde bodemaccumatievoorspellingen, wat een cruciaal instrument vormt voor proactief agrarisch beleidsbeheer in de Nigerdelta.