למידת מכונה חושפת שברים דומיננטיים של מתכות כבדות בקרקע העולמית

מדוע האדמה מתחת לרגלינו חשובה

רוב המזון שאנחנו אוכלים מתחיל בקרקע, ובכל זאת שכבה דקה זו של הכדור שורצת באיטיות מתכות מזיקות שמקורן בתעשייה, חקלאות והאטמוספירה. מתכות אלה לא נשארות סטטיות: חלק מהצורות נצמדות בחוזקה לגרגירי אדמה, בעוד אחרות ניידות ויכולות לעבור למים, לצמחים ולבסוף לגופנו. המחקר המתואר כאן משתמש בכלים מודרניים של ניתוח נתונים כדי לחשוף היכן ובאילו תנאים צורות ניידות ומסוכנות אלה סביר שיתקיימו ברחבי העולם, כאשר הכספית משמשת כמקרה בדיקה מפורט.

צורות חבויות של מתכות מזיקות

מתכות כמו כספית, קדמיום ועופרת מגיעות לקרקעות גם מצורות סלעיות טבעיות וגם מפעילויות אנושיות כמו כרייה, ציחצוח ושריפת פחם. בקרקע הן אינן קיימות במצב יחיד. במקום זאת הן מתחלקות בין מספר "שברים": חלקן קשורות באופן רופף לחלקיקים או מומסות במים, אחרות כלואות בתוך מבנים מינרליים. השברים המחזיקים באופן רופף נוטים לנוע בקלות אל מי הזרימה ושורשי הצמחים, בעוד השבר הקשור בחוזקה יציב יחסית. רוב המחקרים הגלובליים התמקדו בכמויות המתכות הכוללות, אך המחברים טוענים כי האיזון בין השברים, ובעיקר השבר הדומיננטי בכל קרקע, הוא שמכתיב באמת את הסיכון למזון ולבריאות.

להדריך מודל דיגיטלי לקרוא את הקרקע

כדי ללכוד את האיזון הזה בקנה מידה עולמי, החוקרים אספו 9,489 מדידות של שברים מתכתיים בקרקעות עליונות מ‑56 מדינות, שכללו 52 מתכות שונות וטווח רחב של סוגי קרקע. לכל דגימה תועדו רמות המתכת הכוללות, תכונות קרקע בסיסיות כגון חומציות (pH), פחמן אורגני, אחוז חימר ויכולת חילוף קטיונים, וכן תיאורים מספריים של תכונות המתכת עצמה. לאחר מכן הם אימנו מודל למידת מכונה, הידוע כ‑eXtreme Gradient Boosting, ללמוד איזה שבר נוטה להיות דומיננטי באילו תנאים. לאחר בחירה מוקפדת של מאפיינים וכיול, המודל סיווג נכון שברים דומיננטיים בדיוק גבוה, אף על פי שהמאגר היה מוטה לעבר השבר היציב, בעל הניידות הנמוכה.

מרכיבי הקרקע שמניעים את המתכות

באמצעות כלים פרשניים, הצוות בחן אילו גורמים עיצבו בחוזקה את החלטות המודל. ריכוז המתכת הכולל התגלה כגורם מפתח: ככל שהקרקעות מזוהמות יותר, "יכולת האחסון" של המינרלים והגרגירים עלולה להיות מוצפת, מה שמוביל יותר מתכת לשברים ניידים. חשוב לא פחות היו פחמן אורגני ו‑pH של הקרקע. pH גבוה יותר ותכולת חומר אורגני רבה יותר הטו לכיוון הצורות הניידות, שכן חלקיקים אורגניים מומסים נוטים לקשור מתכות במורכבים שנשארים במי הקרקע במקום לשקוע החוצה. אינטראקציה זו אינה פשוטה—יונים ומינרלים אחרים בקרקע מתחרים על אותם אתרי קשירה—אך הניתוח הדגיש בבירור את פחמן האורגני ו‑pH כלווים גלובליים שקובעים כמה בקלות מתכות יכולות לנוע.

מיפוי מוקדי הסיכון של הכספית

כדי להדגים מה הכלי שלהם יכול לעשות במציאות, המדענים התמקדו בכספית, מתכת רעילה שיש לגביה דאגה עולמית ונתונים גלובליים יחסית טובים. הם שילבו את המודל שלהם עם מפות של כספית בקרקע, תכונות קרקע, אוכלוסייה ושטחי גידול ברזולוציה של חמישה קילומטרים. אזורים שבהם המודל קבע כי צורות ניידות של כספית סבירות יותר מהשבר היציב סומנו כמוקדי ניידות גבוהה. כ‑17.85% מן השטח היבשתי העולמי נכנסו לקטגוריה זו. מרחבים נרחבים באפריקה ובדרום אמריקה, חלקים מצפון אמריקה ומדרום‑מזרח אסיה בלטו, בעוד רוב אירופה וחלק מהאזורים בקווי רוחב גבוה הראו ניידות נמוכה יותר, בנימוק חלקי כי קרקעות חומציות שם נוטות להחזיק כספית ביתר קשיחות.

אנשים וחוות באזורי סיכון

השכבה של מפת המוקדים עם מפת יישוב וכרמים חשפה מי בסכנה הגדולה ביותר. המחברים מעריכים כי כ‑15.1 מיליון איש וכ‑100.9 מיליון הקטרים של אדמות חקלאיות נמצאים באזורים שבהם כספית צפויה להימצא בצורות ניידות יותר. אסיה, על אף שיש לה חלק קטן יותר מהשטח המושפע, מכילה את מספר האנשים והשטחים החשופים הגדול ביותר בשל צפיפות האוכלוסייה והחקלאות האינטנסיבית — במיוחד בצפון הודו, בנגלדש ובמזרח סין. ממצאים אלה מצביעים על כך שמעבר להסכמים גלובליים שמטרתם להפחית פליטות כספית, רבות מהמדינות זקוקות בדחיפות לבדיקות קרקע וניקוי ממוקד באזורים מסוימים.

דרך מהירה יותר לזהות בעיות בקרקע

שיטות מעבדה שמודדות ישירות שברים מתכתיים איטיות, טכניות ויקרות, וכך מוגבל מספר המקומות שניתן לבדוק. לעומת זאת, המסגרת החדשה ניתנת לאימון פעם אחת על דגימות שנמדדו בקפידה ואז לשימוש בהערכה מהירה של השברים הדומיננטיים בכל מקום שבו זמינים נתוני קרקע ומתכת בסיסיים. למרות שהגישה עדיין תלויה בשיפור מפות גלובליות של זיהום קרקע ואיסוף נתוני שטח נוספים, היא כבר מציעה קיצור דרך עוצמתי: דרך לזהות מראש מוקדי סבירות של מתכות ניידות ומזיקות, שעוזרת לממשלות ולקהילות למקד בדיקות וניקוי איפה שהן חשובות ביותר לביטחון המזון ולבריאות הציבור.

ציטוט: Hu, T., Wu, M., Chen, Q. et al. Machine learning uncovers dominant fractions of heavy metal(loid)s in global soils. Commun Earth Environ 7, 214 (2026). https://doi.org/10.1038/s43247-026-03221-8

מילות מפתח: זיהום קרקע, מתכות כבדות, כספית, למידת מכונה, בריאות סביבתית