Apropiación de fuentes y evaluación estocástica de la contaminación del suelo y riesgos para la salud humana de elementos potencialmente tóxicos en Nangodi, Ghana del Norte

La minería artesanal y de pequeña escala (ASM) es un motor crítico de la contaminación del suelo en África Occidental; sin embargo, cuantificar las contribuciones relativas de las fuentes naturales y antrópicas sigue siendo un gran desafío. Este estudio presenta un marco integrado que combina índices de contaminación, modelado de receptores y aprendizaje automático (ML) para evaluar la dinámica de elementos potencialmente tóxicos (PTE) en suelos de la zona de Nangodi, Ghana del Norte. Un total de 552 muestras de suelo basadas en rejilla fueron analizadas para Cr, Co, Cu, Pb, V, y Zn utilizando ED-XRF. Las estadísticas descriptivas revelaron distribuciones altamente sesgadas y coeficientes de variación elevados para Cr, Co y Cu, reflejando patrones de contaminación heterogéneos típicos de los terrenos de ASM. Los índices de contaminación indicaron resultados divergentes: el Índice de Riesgo Ecológico (RI) clasificó todas las muestras como de bajo riesgo (RI < 150), mientras que el Índice de Contaminación Integrado de Nemerow (NIPI) identificó el 35.5% de las muestras como fuertemente contaminadas (NIPI ≥ 3). La Factorización de Matrices Positivas (PMF) resolvió tres fuentes distintas: un factor litogénico de Cr–V (51.7%), un ensamblaje de Cu–Co–V que refleja influencias geoecológicas–agrícolas mixtas (40.0%) y un factor antropogénico de Pb–Zn vinculado a las actividades de ASM (8.3%). Los modelos de ML (Red Neuronal Artificial y XGBoost) lograron una alta precisión predictiva (R² = 0.82–0.99), validando los factores de PMF e identificando Pb, Cu y Cr como los principales predictores en los perfiles de origen. La integración de modelos de receptores y aprendizaje automático proporcionó tanto capacidad explicativa como predictiva, avanzando en los enfoques actuales de evaluación de la contaminación del suelo.