{rfName}
En

Indexado en

APC

2 890,00 Euros

Citaciones

1

Altmetrics

Investigadores/as Institucionales

Barrio-Parra, FernandoAutor o CoautorSerrano-García HAutor o CoautorIzquierdo-Diaz, MiguelAutor o CoautorDe Miguel EAutor o Coautor

Compartir

21 de octubre de 2025
Publicaciones
>
Artículo
No

Enhancing radon-deficit technique efficacy: machine learning applications for environmental variable analysis in soil gas monitoring.

Publicado en: ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH. 32 (41): 23694-23706 - 2025-10-15 32(41), DOI: 10.1007/s11356-025-37069-w

Autores:

Lorenzo; D; Barrio; F; Cecconi; A; Serrano-García; H; Izquierdo-Díaz; M; Santos López; A; De Miguel; E
[+]

Afiliaciones

Department of Chemical Engineering and Materials, Facultad de Ciencias Químicas, Universidad Complutense de Madrid, Avenida Complutense S/N, 28040, Madrid, Spain. - Autor o Coautor
Department of Chemical Engineering and Materials, Facultad de Ciencias Químicas, Universidad Complutense de Madrid, Avenida Complutense S/N, 28040, Madrid, Spain. dlorenzo@quim.ucm.es. - Autor o Coautor
Laboratory of Environmental Engineering, Department of Civil Engineering and Computer Science Engineering, University of Rome Tor Vergata, Via del Politecnico 1, 00133, Rome, Italy. - Autor o Coautor
Prospecting & Environment Laboratory (PROMEDIAM), ETS de Ingenieros de Minas y Energía, Universidad Politécnica de Madrid, Alenza 4, 28003, Madrid, Spain. - Autor o Coautor
Ver más

Resumen

Soil contamination remains a critical environmental concern, necessitating efficient techniques for site characterization and remediation. The radon-deficit technique (RDT) offers a non-invasive approach to identifying organic contamination, relying on the behavior of radon-222 (222Rn) as a tracer. However, RDT results are influenced by environmental variables such as soil moisture, temperature, and atmospheric pressure, potentially leading to uncertainties. This study evaluates the application of machine learning (ML) models-including linear regression (LR), random forest (RF), artificial neural network (ANN), and gradient boosting machine (GBM)-to predict 222Rn activity in soil gas based on environmental parameters. A year-long dataset of continuous measurements was collected from an uncontaminated granite-based site in Madrid, encompassing variables such as soil moisture, ambient and soil temperatures, and atmospheric conditions. ANN and RF models exhibited superior performance in predicting 222Rn variability, identifying soil moisture and ambient temperature as the most influential predictors. The findings demonstrate that ML can significantly enhance the reliability of RDT by accounting for environmental variability, enabling more accurate identification of contamination hotspots. While the application of these models requires substantial datasets, they offer a promising tool for improving the efficacy of contamination screening and long-term remediation monitoring. Further studies are recommended to explore ML's predictive capacity in contaminated sites and expand the approach to diverse geological contexts.
[+]

Palabras clave

%moisture222rnAdaptive boostingArtificial neural networkAs-soilsAtmospheric pressureAtmospheric temperatureChemistryContaminationEnvironmental monitoringEnvironmental remediationEnvironmental technologyEnvironmental variablesGradient boostingLearning systemsLinear regressionMachine learningMachine-learningMadridNeural networksNeural networks, computerNeural-networksPollution detectionProceduresRadonRadon-222Radon-deficit technologyRandom forestRandom forestsRemediationSite characterizationSoilSoil conservationSoil gasSoil moistureSoil pollutionSoil pollution controlSoil remediationSoil surveysSoil temperatureSoils remediation

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia Scopus (SJR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición , consiguiendo con ello situarse como revista Q1 (Primer Cuartil), en la categoría Medicine (Miscellaneous).

Independientemente del impacto esperado determinado por el canal de difusión, es importante destacar el impacto real observado de la propia aportación.

Según las diferentes agencias de indexación, el número de citas acumuladas por esta publicación hasta la fecha 2026-04-25:

  • Scopus: 1
[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 2.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 2 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

    Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

    • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/91542/

    Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

    • Visualizaciones: 56
    • Descargas: 2
    [+]

    Análisis de liderazgo de los autores institucionales

    Este trabajo se ha realizado con colaboración internacional, concretamente con investigadores de: Italy.

    Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Último Autor (MIGUEL GARCIA, EDUARDO DE).

    [+]

    Objetivos del proyecto

    El estudio persigue los siguientes objetivos: analizar la influencia de variables ambientales como humedad del suelo, temperatura y presión atmosférica en la técnica de déficit de radón (RDT); evaluar la eficacia de modelos de aprendizaje automático (regresión lineal, random forest, redes neuronales artificiales y gradient boosting) para predecir la actividad de radón-222 en el gas del suelo; determinar los modelos con mejor desempeño en la predicción de la variabilidad del radón; identificar las variables ambientales más influyentes en la actividad de radón; y mejorar la fiabilidad de la RDT para la detección precisa de contaminación orgánica en suelos mediante la integración de técnicas de aprendizaje automático.
    [+]

    Resultados más relevantes

    Los resultados más relevantes de este estudio se centran en la mejora de la técnica de déficit de radón (RDT) mediante aplicaciones de aprendizaje automático (ML). En primer lugar, los modelos de redes neuronales artificiales (ANN) y bosque aleatorio (RF) mostraron un rendimiento superior en la predicción de la actividad de radón-222 en el gas del suelo. En segundo lugar, se identificó que la humedad del suelo y la temperatura ambiental son las variables ambientales más influyentes en la variabilidad del radón. Finalmente, el uso de ML permite aumentar la fiabilidad de la RDT al considerar la variabilidad ambiental, facilitando una identificación más precisa de zonas contaminadas y mejorando el monitoreo a largo plazo.
    [+]