Modelagem de isoscapes com Machine Learning para inferência da origem geográfica a partir de isótopos estáveis

Abstract

A variação espacial de isótopos estáveis tem se mostrado uma ferramenta poderosa para inferir a origem geográfica de produtos e compreender processos ambientais. O presente trabalho tem como objetivo construir e comparar isoscapes dos isótopos de 2H, 13C e 18O a partir da aplicação de diferentes abordagens de modelagem espacial (Kriging universal, Random Forest e Generalized Additive Models) a dados de mel e azeite produzidos no Brasil. Foram avaliados o desempenho dos modelos e a coerência espacial das isoscapes geradas. Os resultados indicaram que o baixo número de amostras, aliado a uma distribuição espacial desigual, dificultaram a aplicação da krigagem universal. Em contrapartida, a inclusão de variáveis bioclimáticas da plataforma WorldClim permitiu que os modelos de Machine Learning superassem essas limitações. As abordagens de Random Forest e Generalized Additive Models proporcionaram isoscapes com maior suavização espacial e coerência geográfica, capturando melhor os gradientes isotópicos ao integrar as covariáveis ambientais no processo de modelagem. Apesar das limitações, os modelos resultaram em isoscapes com adequada suavização espacial e desempenho estatístico satisfatório. Os resultados oferecem uma base inicial para a predição de valores isotópicos em amostras futuras, demonstrando o potencial das abordagens de Machine Learning para aprimorar a modelagem isotópica e oferecer subsídios à rastreabilidade e autenticação de origem geográfica de produtos.

The spatial variation of stable isotopes has proven to be a powerful tool for inferring the geographic origin of products and understanding environmental processes. This study aims to construct and compare isoscapes of 2H, 13C and 18O isotopes by applying different spatial modeling approaches (Universal Kriging, Random Forest, and Generalized Additive Models) to honey and olive oil data produced in Brazil. Model performance and the spatial coherence of the generated isoscapes were evaluated. The results indicated that the small number of samples, combined with an uneven spatial distribution, limited the application of Universal Kriging. In contrast, the inclusion of bioclimatic variables from the WorldClim platform allowed Machine Learning models to overcome these limitations. The Random Forest and Generalized Additive Model approaches provided isoscapes with greater spatial smoothing and geographic coherence, better capturing isotopic gradients by integrating environmental covariates into the modeling process. Despite the limitations, the models resulted in isoscapes with adequate spatial smoothing and satisfactory statistical performance. These results provide an initial basis for predicting isotopic values in future samples, demonstrating the potential of Machine Learning approaches to improve isotopic modeling and support the traceability and geographic origin authentication of products.