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

Resumo Técnico: Predição do Conteúdo de Selênio no Solo e Otimização de Modelos em uma Bacia Hidrográfica das Montanhas Taihang

Definição do Problema
O Selênio (Se) é um elemento traço crítico para a saúde humana, com sua distribuição espacial no solo influenciando diretamente a segurança ecológica regional e a qualidade dos produtos agrícolas. No entanto, prever o conteúdo de Se no solo em pequenas bacias hidrográficas montanhosas, como as das Montanhas Taihang, apresenta desafios significativos. Essas áreas são caracterizadas por terrenos acidentados, materiais parentais complexos e forte heterogeneidade espacial, o que restringe a acessibilidade para amostragem e frequentemente resulta em tamanhos de amostra reduzidos (N < 150). Estudos existentes concentraram-se amplamente em conjuntos de dados de grande escala em áreas de planície, deixando uma lacuna na compreensão da estabilidade do modelo e dos mecanismos de controle sob condições de pequena amostra e alta heterogeneidade. Além disso, a relação entre o Se no solo e os fatores geoquímicos é frequentemente não linear, complicando as abordagens geoestatísticas tradicionais.

Metodologia
O estudo focou em uma bacia hidrográfica típica no Condado de Pingshan, Província de Hebei, cobrindo aproximadamente 251,51 km². Os pesquisadores coletaram 107 amostras de solo superficial (profundidade de 0–20 cm) de terras cultivadas, pomares, pastagens e florestas. As amostras foram analisadas para 17 variáveis preditivas, incluindo matéria orgânica do solo (MOS), pH, óxidos principais (ex: SiO₂, Al₂O₃) e elementos traço (Se, Cd, Pb, Hg, As, Cu, Zn, Ni, Cr).

Para enfrentar o desafio da predição, os autores construíram e compararam três modelos de aprendizado de máquina:

1. Regressão LASSO: Um modelo linear com regularização L1 utilizado para seleção de características e tratamento de multicolinearidade.
2. Random Forest (RF): Um algoritmo de aprendizado de conjunto não linear baseado em árvores de decisão.
3. Support Vector Machine (SVM): Um modelo de mapeamento de núcleo não linear baseado na minimização do risco estrutural, utilizando especificamente um núcleo de Função de Base Radial (RBF).

O conjunto de dados foi dividido em subconjuntos de treinamento (70%, 76 amostras) e teste (30%, 31 amostras) usando amostragem aleatória estratificada. O desempenho do modelo foi avaliado usando Erro Quadrático Médio (MSE), Raiz do Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE) e o coeficiente de determinação (R²). A importância das características foi avaliada via valores absolutos dos coeficientes (LASSO) e importância de permutação (RF e SVM).

Principais Resultados

• Desempenho do Modelo: O modelo SVM demonstrou desempenho e estabilidade superiores. Alcançou um R² de 0,7381 no conjunto de teste com uma razão de RMSE (treinamento/teste) de 0,996, indicando ausência de sobreajuste (overfitting) ou subajuste (underfitting) significativo. Em contraste, o modelo RF exibiu um sobreajuste severo (R² caiu de 0,9267 no treinamento para 0,6479 no teste, com uma razão de RMSE de 2,517), provavelmente devido ao pequeno tamanho da amostra e ao terreno complexo. O modelo LASSO apresentou desempenho moderado (R² = 0,5907), mas sofreu de um leve subajuste, atribuído à sua incapacidade de capturar relações não lineares.
• Parâmetros Ótimos do SVM: Através de busca em grade (grid search) e validação cruzada, os parâmetros ótimos do SVM foram identificados como: Gamma = 1×10⁻⁵, Custo = 1000 e Epsilon = 0,2. O modelo final utilizou 53 vetores de suporte (69,74% do conjunto de treinamento).
• Fatores Determinantes: Todos os três modelos identificaram consistentemente a Matéria Orgânica do Solo (MOS), o Cádmio (Cd) e o Chumbo (Pb) como os principais fatores controladores do conteúdo de Se no solo.
  • A MOS atua como um motor primário, fornecendo sítios de adsorção e formando complexos estáveis com o Se.
  • O Cd e o Pb compartilham fontes geogênicas homólogas com o Se (derivadas do intemperismo de rochas e deposição atmosférica) e competem com o Se pelos sítios de adsorção nos coloides do solo contendo MOS.
  • A análise de correlação confirmou correlações positivas significativas entre o Se e a MOS, o Cd e o Pb, mesmo após o controle de variáveis de confusão.

Principais Contribuições

1. Seleção de Modelo para Pequenas Amostras: O estudo fornece evidência empírica de que o SVM é o algoritmo ideal para prever o conteúdo de Se no solo em bacias hidrográficas montanhosas de alta heterogeneidade e pequena amostra (N < 150), superando tanto o RF quanto o LASSO em termos de generalização e estabilidade.
2. Elucidação do Mecanismo Geoquímico: A pesquisa identifica um conjunto geoquímico acoplado (Se-Cd-Pb-MOS) como o mecanismo de controle intrínseco. Ela esclarece que a variação espacial do Se é regulada não apenas pela proveniência geoquímica comum, mas também pela dinâmica de adsorção competitiva entre Se, Cd e Pb nas superfícies da MOS.
3. Estrutura Prática: O estudo oferece um fluxo de trabalho técnico validado para triagem de fatores influentes e predição da distribuição de elementos no solo em terrenos montanhosos complexos, onde a amostragem em larga escala é inviável.

Significância e Alegações
Os autores afirmam que este trabalho fornece uma abordagem técnica confiável para a predição de Se no solo e triagem de fatores em bacias hidrográficas montanhosas análogas. Ao confirmar o SVM como o modelo preferencial para cenários de pequenas amostras, o estudo aborda uma lacuna crítica na geoquímica ambiental. A identificação da MOS, do Cd e do Pb como fatores centrais oferece suporte geoquímico específico para a avaliação de recursos de selênio e avaliações de segurança ecológica nas Montanhas Taihang. O estudo reconhece limitações, observando que os modelos de aprendizado de máquina atuam como "caixas pretas" em relação aos mecanismos internos e que trabalhos futuros devem integrar covariáveis ambientais de múltiplas fontes (ex: DEM, sensoriamento remoto) e expandir o escopo de amostragem para esclarecer ainda mais os efeitos de escala.