Indikator Kualitas Tanah dan Pembelajaran Mesin untuk Menilai Penanaman Kembali Tumpukan Limbah Penambangan Besi di Amazon Timur

ABSTRAK
Di Amazon Brasil bagian timur, penambangan besi berdampak signifikan terhadap lingkungan. Studi ini mengevaluasi pemulihan tanah di tumpukan limbah pertambangan yang direvegetasi di Provinsi Mineral Carajás, dengan fokus pada indikator kimia, fisik, dan biologis. Tahapan revegetasi (0–2, 3–5, 6–8, dan 9–11 tahun) dievaluasi dan dibandingkan dengan tanah referensi hutan tropis asli selama 4 tahun, selama musim kemarau. Setelah 9–11 tahun, karbon organik tanah (SOC), karbon biomassa mikroba (MBC), dan aktivitas enzimatik di tanah yang direvegetasi mencapai tingkat yang mirip dengan kondisi referensi. Pada tahap awal (0–2 tahun), karbon mikroba merupakan komponen utama, tetapi mulai tahun ke-3 dan seterusnya, bahan organik yang berasal dari tanaman kemungkinan berkontribusi terhadap peningkatan SOC. Analisis redundansi berbasis jarak menunjukkan perbedaan temporal yang signifikan dalam variabel mikroba ( p  < 0,001), dengan SOC, Al 3+ , Mn, Ca 2+ , pH (CaCl 2 ), dan tekstur tanah mendorong perubahan ini. Pemodelan Random Forest terbukti efektif dalam mengidentifikasi indikator tanah utama dari tahap pemulihan, dengan kinerja model Akurasi Keseluruhan (OA) = 0,80 dan koefisien Kappa Cohen (CKC) = 0,74, yang menghasilkan akurasi prediktif yang tinggi. Variabel prediktor utama meliputi β-1,4-glukosidase, MBC, kandungan lempung, Fe, dan SOC. Sementara temuan menunjukkan bahwa revegetasi meningkatkan kualitas tanah dan dinamika karbon, keterbatasannya meliputi pengambilan sampel yang terbatas pada musim kemarau dan potensi variabilitas dalam bahan limbah pertambangan dan kondisi iklim. Namun, studi ini menyoroti pentingnya menggabungkan indikator kualitas tanah dengan pembelajaran mesin untuk mendukung pengelolaan lahan berkelanjutan di lingkungan tropis, seperti yang ditunjukkan dalam revegetasi tumpukan limbah pertambangan di Amazon Timur.