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

Technische Samenvatting: Voorspelling van de Seleniumgehalte in de Bodem en Modeloptimalisatie in een Taihang-gebergte Stroomgebied

Probleemstelling
Selenium (Se) is een cruciaal sporenelement voor de menselijke gezondheid, waarbij de ruimtelijke verdeling in de bodem de regionale ecologische veiligheid en de kwaliteit van landbouwproducten direct beïnvloedt. Het voorspellen van het seleniumgehalte in de bodem in kleine bergachtige stroomgebieden, zoals die in het Taihang-gebergte, vormt echter aanzienlijke uitdagingen. Deze gebieden worden gekenmerkt door ruig terrein, complexe moedergesteenten en sterke ruimtelijke heterogeniteit, wat de toegankelijkheid van bemonstering beperkt en vaak resulteert in kleine steekproeven (N < 150). Bestaande studies hebben zich grotendeels gericht op datasets met grote steekproeven in vlakke gebieden, waardoor er een gat is ontstaan in het begrip van modelstabiliteit en drijfmechanismen onder omstandigheden met kleine steekproeven en hoge heterogeniteit. Bovendien is de relatie tussen bodemselenium en geochemische factoren vaak niet-lineair, wat traditionele geostatistische benaderingen bemoeilijkt.

Methodologie
De studie richtte zich op een typisch stroomgebied in Pingshan County, provincie Hebei, dat ongeveer 251,51 km² beslaat. Onderzoekers verzamelden 107 bovengrondmonsters (diepte 0–20 cm) uit landbouwgrond, boomgaarden, graslanden en bossen. De monsters werden geanalyseerd op 17 voorspellende variabelen, waaronder organische stof in de bodem (SOM), pH, belangrijke oxiden (bijv. SiO₂, Al₂O₃) en sporenelementen (Se, Cd, Pb, Hg, As, Cu, Zn, Ni, Cr).

Om de voorspellingsuitdaging aan te pakken, construeerden en vergeleken de auteurs drie machine learning-modellen:

1. LASSO-regressie: Een lineair model met L1-regularisatie, gebruikt voor featureselectie en het afhandelen van multicollineariteit.
2. Random Forest (RF): Een niet-lineair ensemble learning-algoritme gebaseerd op beslissingsbomen.
3. Support Vector Machine (SVM): Een niet-lineair kernel mapping-model gebaseerd op structurele risicominimalisatie, specifiek gebruikmakend van een Radial Basis Function (RBF) kernel.

De dataset werd verdeeld in trainings- (70%, 76 monsters) en testdatasets (30%, 31 monsters) met behulp van gestratificeerde steekproefverdeling. De prestaties van de modellen werden geëvalueerd met behulp van Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE) en de coëfficiënt van determinatie (R²). De belangrijkheid van kenmerken (feature importance) werd beoordeeld via de absolute waarden van coëfficiënten (LASSO) en permutatie-importantie (RF en SVM).

Belangrijkste Resultaten

• Modelprestaties: Het SVM-model vertoonde superieure prestaties en stabiliteit. Het behaalde een R² van 0,7381 op de testset met een RMSE-ratio (training/test) van 0,996, wat wijst op geen significante overfitting of onderfitting. In tegenstelling hiertoe vertoonde het RF-model ernstige overfitting (R² daalde van 0,9267 op de training naar 0,6479 op de test, met een RMSE-ratio van 2,517), waarschijnlijk door de kleine steekproefomvang en het complexe terrein. Het LASSO-model vertoonde matige prestaties (R² = 0,5907) maar leed aan lichte onderfitting, toegeschreven aan het onvermogen om niet-lineaire relaties te vatten.
• Optimale SVM-parameters: Door middel van grid search en cross-validatie werden de optimale SVM-parameters geïdentificeerd als: Gamma = 1×10⁻⁵, Cost = 1000, en Epsilon = 0,2. Het uiteindelijke model maakte gebruik van 53 support vectors (69,74% van de trainingsset).
• Drijvende Factoren: Alle drie de modellen identificeerden consistent organische stof in de bodem (SOM), Cadmium (Cd) en Lood (Pb) als de dominante controlerende factoren voor het seleniumgehalte in de bodem.
  • SOM fungeert als een primaire drijfveer door adsorptieplaatsen te bieden en stabiele complexen met Se te vormen.
  • Cd en Pb delen homologe geogene bronnen met Se (afkomstig van verwering van gesteente en atmosferische depositie) en concurreren met Se voor adsorptieplaatsen op SOM-houdende bodemkolloïden.
  • Correlatieanalyse bevestigde significante positieve correlaties tussen Se en SOM, Cd en Pb, zelfs na controle voor verstorende variabelen.

Belangrijkste Bijdragen

1. Modelselectie voor Kleine Steekproeven: De studie levert empirisch bewijs dat SVM het optimale algoritme is voor het voorspellen van het seleniumgehalte in de bodem in kleine-steekproef (N < 150), hoog-heterogene bergachtige stroomgebieden, waarbij het zowel RF als LASSO overtreft wat betreft generalisatie en stabiliteit.
2. Verduidelijking van Geochemische Mechanismen: Het onderzoek identificeert een gekoppelde geochemische assemblage (Se-Cd-Pb-SOM) als het intrinsieke drijfmechanisme. Het verheldert dat de ruimtelijke variatie van Se niet alleen wordt gereguleerd door gemeenschappelijke geochemische herkomst, maar ook door competitieve adsorptiedynamiek tussen Se, Cd en Pb op SOM-oppervlakken.
3. Praktisch Kader: De studie biedt een gevalideerd technisch workflow voor het screenen van invloedrijke factoren en het voorspellen van de distributie van bodemelementen in complexe bergachtige terreinen waar grootschalige bemonstering niet haalbaar is.

Betekenis en Claims
De auteurs stellen dat dit werk een betrouwbare technische benadering biedt voor de voorspelling van bodem-Se en de screening van factoren in vergelijkbare bergachtige stroomgebieden. Door te bevestigen dat SVM het voorkeursmodel is voor scenario's met kleine steekproeven, adresseert de studie een kritiek gat in de milieugeochemie. De identificatie van SOM, Cd en Pb als kernfactoren biedt specifieke geochemische ondersteuning voor de evaluatie van seleniumbronnen en ecologische veiligheidsbeoordelingen in het Taihang-gebergte. De studie erkent beperkingen en merkt op dat machine learning-modellen fungeren als "black boxes" met betrekking tot interne mechanismen en dat toekomstig werk multi-bronnen milieu-covariaten (bijv. DEM, remote sensing) moet integreren en de bemonsteringsomvang moet uitbreiden om schaleffecten verder te verduidelijken.