Dankie dat u Nature.com besoek het. Die blaaierweergawe wat u gebruik, het beperkte ondersteuning vir CSS. Vir die beste ervaring beveel ons aan dat u 'n opgedateerde blaaier gebruik (of versoenbaarheidsmodus in Internet Explorer afskakel). Intussen, om voortgesette ondersteuning te verseker, sal ons die webwerf sonder style en JavaScript vertoon.
Grondbesoedeling is 'n groot probleem wat deur menslike aktiwiteite veroorsaak word. Die ruimtelike verspreiding van potensieel giftige elemente (PTE's) wissel in die meeste stedelike en peri-stedelike gebiede. Daarom is dit moeilik om die inhoud van PTE's in sulke gronde ruimtelik te voorspel. 'n Totaal van 115 monsters is verkry van Frydek Mistek in die Tsjeggiese Republiek. Kalsium (Ca), magnesium (Mg), kalium (K) en nikkel (Ni) konsentrasies is bepaal deur gebruik te maak van induktief gekoppelde plasma-emissiespektrometrie. Die responsveranderlike is Ni en die voorspellers is Ca, Mg en K. Die korrelasiematriks tussen die responsveranderlike en die voorspellerveranderlike toon 'n bevredigende korrelasie tussen die elemente. Die voorspellingsresultate het getoon dat Support Vector Machine Regression (SVMR) goed presteer het, hoewel die beraamde wortelgemiddelde kwadraatfout (RMSE) (235.974 mg/kg) en gemiddelde absolute fout (MAE) (166.946 mg/kg) hoër was as die ander toegepaste metodes. Gemengde modelle vir Empiriese Bayesiaanse Kriging-Meervoudige Lineêre Regressie (EBK-MLR) presteer swak, soos blyk uit. deur koëffisiënte van bepaling minder as 0.1. Die Empiriese Bayesiaanse Kriging-Ondersteuningsvektormasjienregressie (EBK-SVMR) model was die beste model, met lae RMSE (95.479 mg/kg) en MAE (77.368 mg/kg) waardes en 'n hoë koëffisiënt van bepaling (R2 = 0.637). Die EBK-SVMR modelleringstegniek se uitset word gevisualiseer met behulp van 'n selforganiserende kaart. Gegroepeerde neurone in die vlak van die hibriede model CakMg-EBK-SVMR komponent toon veelvuldige kleurpatrone wat Ni-konsentrasies in stedelike en peri-stedelike gronde voorspel. Die resultate toon dat die kombinasie van EBK en SVMR 'n effektiewe tegniek is vir die voorspelling van Ni-konsentrasies in stedelike en peri-stedelike gronde.
Nikkel (Ni) word as 'n mikronutriënt vir plante beskou omdat dit bydra tot atmosferiese stikstofbinding (N) en ureummetabolisme, wat albei benodig word vir saadontkieming. Benewens sy bydrae tot saadontkieming, kan Ni as 'n swam- en bakteriese inhibeerder optree en plantontwikkeling bevorder. Die gebrek aan nikkel in die grond laat die plant toe om dit te absorbeer, wat lei tot chlorose van blare. Byvoorbeeld, akkerbone en groenbone benodig die toediening van nikkel-gebaseerde kunsmisstowwe om stikstofbinding te optimaliseer2. Voortgesette toediening van nikkel-gebaseerde kunsmisstowwe om die grond te verryk en die vermoë van peulgewasse om stikstof in die grond te bind, te verhoog, verhoog die nikkelkonsentrasie in die grond voortdurend. Alhoewel nikkel 'n mikronutriënt vir plante is, kan die oormatige inname daarvan in die grond meer skade as goed doen. Die toksisiteit van nikkel in grond verminder grond-pH en belemmer die opname van yster as 'n noodsaaklike voedingstof vir plantgroei1. Volgens Liu3 is gevind dat Ni die 17de belangrike element is wat benodig word vir plantontwikkeling en -groei. Benewens nikkel se rol in plantontwikkeling en -groei, benodig mense dit vir 'n verskeidenheid toepassings. Elektroplatering, die produksie van Nikkel-gebaseerde legerings, en die vervaardiging van ontstekingstoestelle en vonkproppe in die motorbedryf vereis almal die gebruik van nikkel in verskeie industriële sektore. Daarbenewens is nikkel-gebaseerde legerings en elektroplateerartikels wyd gebruik in kombuisware, balsaalbykomstighede, voedselindustrie-voorrade, elektriese, draad en kabel, straalturbines, chirurgiese inplantings, tekstiele en skeepsbou5. Ni-ryke vlakke in gronde (d.w.s. oppervlakgronde) word toegeskryf aan beide antropogeniese en natuurlike bronne, maar hoofsaaklik is Ni 'n natuurlike bron eerder as antropogeen4,6. Natuurlike bronne van nikkel sluit in vulkaniese uitbarstings, plantegroei, bosbrande en geologiese prosesse; antropogeniese bronne sluit egter nikkel/kadmiumbatterye in die staalbedryf, elektroplatering, boogsweiswerk, diesel en brandstofolies, en atmosferiese emissies van steenkoolverbranding en afval- en slykverbranding Nikkel-akkumulasie7,8. Volgens Freedman en Hutchinson9 en Manyiwa et al. 10, die hoofbronne van bogrondbesoedeling in die onmiddellike en aangrensende omgewing is hoofsaaklik nikkel-koper-gebaseerde smelters en myne. Die bogrond rondom die Sudbury nikkel-koperraffinadery in Kanada het die hoogste vlakke van nikkelbesoedeling gehad teen 26 000 mg/kg11. In teenstelling hiermee het besoedeling van nikkelproduksie in Rusland gelei tot hoër nikkelkonsentrasies in Noorse grond11. Volgens Alms et al. 12, die hoeveelheid HNO3-ekstraheerbare nikkel in die streek se beste bewerkbare grond (nikkelproduksie in Rusland) het gewissel van 6,25 tot 136,88 mg/kg, wat ooreenstem met 'n gemiddelde van 30,43 mg/kg en 'n basislynkonsentrasie van 25 mg/kg. Volgens kabata 11 kan die toediening van fosforkunsmis in landbougrond in stedelike of peri-stedelike grond gedurende opeenvolgende gewaseisoene die grond binnedring of besoedel. Die potensiële effekte van nikkel by mense kan lei tot kanker deur mutagenese, chromosomale skade, Z-DNA-generering, geblokkeerde DNS-eksisieherstel of epigenetiese prosesse13. In diere-eksperimente is gevind dat nikkel die potensiaal het om 'n verskeidenheid gewasse te veroorsaak, en karsinogene nikkelkomplekse kan sulke gewasse vererger.
Grondbesoedelingsassesserings het die afgelope tyd gefloreer as gevolg van 'n wye reeks gesondheidsverwante probleme wat voortspruit uit grond-plant-verhoudings, grond- en grondbiologiese verhoudings, ekologiese agteruitgang en omgewingsimpakbepaling. Tot op hede was ruimtelike voorspelling van potensieel giftige elemente (PTE's) soos Ni in grond moeisaam en tydrowend met behulp van tradisionele metodes. Die koms van digitale grondkartering (DSM) en die huidige sukses daarvan15 het voorspellende grondkartering (PSM) aansienlik verbeter. Volgens Minasny en McBratney16 het voorspellende grondkartering (DSM) bewys dat dit 'n prominente subdissipline van grondkunde is. Lagacherie en McBratney, 2006 definieer DSM as "die skepping en invul van ruimtelike grondinligtingstelsels deur die gebruik van in situ- en laboratoriumwaarnemingsmetodes en ruimtelike en nie-ruimtelike grondinferensiestelsels". McBratney et al. 17 beskryf dat die kontemporêre DSM of PSM die mees effektiewe tegniek is vir die voorspelling of kartering van die ruimtelike verspreiding van PTE's, grondtipes en grondeienskappe. Geostatistiek en Masjienleeralgoritmes (MLA) is DSM-modelleringstegnieke wat gedigitaliseerde kaarte skep met behulp van rekenaars wat beduidende en minimale data gebruik.
Deutsch18 en Olea19 definieer geostatistiek as "die versameling numeriese tegnieke wat handel oor die voorstelling van ruimtelike eienskappe, hoofsaaklik deur gebruik te maak van stogastiese modelle, soos hoe tydreeksanalise temporale data karakteriseer." Geostatistiek behels hoofsaaklik die evaluering van variogramme, wat dit moontlik maak om die afhanklikhede van ruimtelike waardes van elke datastel te kwantifiseer en te definieer20. Gumiaux et al. 20 illustreer verder dat die evaluering van variogramme in geostatistiek gebaseer is op drie beginsels, insluitend (a) die berekening van die skaal van data-korrelasie, (b) die identifisering en berekening van anisotropie in datastel-verskille en (c) benewens die inherente fout van die meetdata geskei van die plaaslike effekte, word die area-effekte ook beraam. Voortbouend op hierdie konsepte, word baie interpolasietegnieke in geostatistiek gebruik, insluitend algemene kriging, ko-kriging, gewone kriging, empiriese Bayesiaanse kriging, eenvoudige krigingmetode en ander bekende interpolasietegnieke om PTE, grondeienskappe en grondtipes te karteer of te voorspel.
Masjienleeralgoritmes (MLA) is 'n relatief nuwe tegniek wat groter nie-lineêre dataklasse gebruik, aangevuur deur algoritmes wat hoofsaaklik gebruik word vir data-ontginning, die identifisering van patrone in data, en herhaaldelik toegepas word op klassifikasie in wetenskaplike velde soos grondkunde en teruggawetake. Talle navorsingsartikels maak staat op MLA-modelle om PTE in gronde te voorspel, soos Tan et al. 22 (ewekansige woude vir swaarmetaalberaming in landbougrond), Sakizadeh et al. 23 (modellering met behulp van ondersteuningsvektormasjiene en kunsmatige neurale netwerke) grondbesoedeling). Daarbenewens het Vega et al. 24 (CART vir die modellering van swaarmetaalretensie en adsorpsie in grond) Sun et al. 25 (toepassing van kubist is die verspreiding van Cd in grond) en ander algoritmes soos k-naaste neighbor, veralgemeende versterkte regressie en versterkte regressie. Bome het ook MLA toegepas om PTE in grond te voorspel.
Die toepassing van DSM-algoritmes in voorspelling of kartering staar verskeie uitdagings in die gesig. Baie outeurs glo dat MLA beter is as geostatistiek en andersom. Alhoewel die een beter is as die ander, verbeter die kombinasie van die twee die vlak van akkuraatheid van kartering of voorspelling in DSM15. Woodcock en Gopal26 Finke27; Pontius en Cheuk28 en Grunwald29 lewer kommentaar op tekortkominge en sommige foute in voorspelde grondkartering. Grondwetenskaplikes het 'n verskeidenheid tegnieke probeer om die effektiwiteit, akkuraatheid en voorspelbaarheid van DSM-kartering en -voorspelling te optimaliseer. Die kombinasie van onsekerheid en verifikasie is een van die vele verskillende aspekte wat in DSM geïntegreer is om effektiwiteit te optimaliseer en defekte te verminder. Agyeman et al.15 beskryf egter dat die valideringsgedrag en onsekerheid wat deur kaartskepping en -voorspelling ingestel word, onafhanklik gevalideer moet word om kaartkwaliteit te verbeter. Die beperkings van die DSM is as gevolg van geografies verspreide grondkwaliteit, wat 'n komponent van onsekerheid behels; Die gebrek aan sekerheid in die DSM kan egter voortspruit uit verskeie bronne van foute, naamlik kovariate foute, modelfoute, liggingsfoute en analitiese foute 31. Modelleringsonakkuraathede wat in MLA en geostatistiese prosesse geïnduseer word, word geassosieer met 'n gebrek aan begrip, wat uiteindelik lei tot oorvereenvoudiging van die werklike proses32. Ongeag die aard van die modellering, kan onakkuraathede toegeskryf word aan modelleringsparameters, wiskundige modelvoorspellings of interpolasie33. Onlangs het 'n nuwe DSM-tendens ontstaan ​​wat die integrasie van geostatistiek en MLA in kartering en voorspelling bevorder. Verskeie grondwetenskaplikes en outeurs, soos Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 en Tarasov et al. 37, het die akkurate kwaliteit van geostatistiek en masjienleer benut om hibriede modelle te genereer wat die doeltreffendheid van voorspelling en kartering verbeter. kwaliteit. Sommige van hierdie hibriede of gekombineerde algoritmemodelle is Kunsmatige Neurale Netwerk Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Kunsmatige Neurale Netwerk Kriging-Multilayer Perceptron (ANN-K-MLP)37 en Co-Kriging en Gaussiese Prosesregressie38.
Volgens Sergeev et al. het die kombinasie van verskeie modelleringstegnieke die potensiaal om defekte uit te skakel en die doeltreffendheid van die gevolglike hibriede model te verhoog eerder as om 'n enkele model te ontwikkel. In hierdie konteks argumenteer hierdie nuwe artikel dat dit nodig is om 'n gekombineerde algoritme van geostatistiek en MLA toe te pas om optimale hibriede modelle te skep om Ni-verryking in stedelike en peri-stedelike gebiede te voorspel. Hierdie studie sal staatmaak op Empiriese Bayesiaanse Kriging (EBK) as die basismodel en dit meng met Ondersteuningsvektormasjien (SVM) en Meervoudige Lineêre Regressie (MLR) modelle. Hibridisering van EBK met enige MLA is nie bekend nie. Die veelvuldige gemengde modelle wat gesien word, is kombinasies van gewone, residuele, regressie-kriging en MLA. EBK is 'n geostatistiese interpolasiemetode wat 'n ruimtelik stogastiese proses gebruik wat gelokaliseer is as 'n nie-stasionêre/stasionêre ewekansige veld met gedefinieerde lokaliseringsparameters oor die veld, wat ruimtelike variasie moontlik maak. EBK is in 'n verskeidenheid studies gebruik, insluitend die analise van die verspreiding van organiese koolstof in plaasgrond, die assessering van grondbesoedeling en die kartering van grond. eienskappe42.
Aan die ander kant is Selforganiserende Grafiek (SeOM) 'n leeralgoritme wat in verskeie artikels soos Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 en Kebonye et al. 46 toegepas is. Bepaal die ruimtelike eienskappe en groepering van elemente. Wang et al. 44 beskryf dat SeOM 'n kragtige leertegniek is wat bekend is vir sy vermoë om nie-lineêre probleme te groepeer en te verbeel. Anders as ander patroonherkenningstegnieke soos hoofkomponentanalise, vaaggroepering, hiërargiese groepering en multikriteria-besluitneming, is SeOM beter om PTE-patrone te organiseer en te identifiseer. Volgens Wang et al. 44 kan SeOM die verspreiding van verwante neurone ruimtelik groepeer en hoë-resolusie datavisualisering verskaf. SeOM sal Ni-voorspellingsdata visualiseer om die beste model te verkry om die resultate vir direkte interpretasie te karakteriseer.
Hierdie artikel het ten doel om 'n robuuste karteringsmodel met optimale akkuraatheid te genereer vir die voorspelling van nikkelinhoud in stedelike en peri-stedelike gronde. Ons hipotetiseer dat die betroubaarheid van die gemengde model hoofsaaklik afhang van die invloed van ander modelle wat aan die basismodel gekoppel is. Ons erken die uitdagings waarmee die DSM te kampe het, en hoewel hierdie uitdagings op verskeie fronte aangespreek word, blyk die kombinasie van vooruitgang in geostatistiek en MLA-modelle inkrementeel te wees; daarom sal ons probeer om navorsingsvrae te beantwoord wat gemengde modelle kan oplewer. Hoe akkuraat is die model egter om die teikenelement te voorspel? Ook, wat is die vlak van doeltreffendheidsevaluering gebaseer op validering en akkuraatheidsevaluering? Daarom was die spesifieke doelwitte van hierdie studie om (a) 'n gekombineerde mengselmodel vir SVMR of MLR te skep met behulp van EBK as die basismodel, (b) die resulterende modelle te vergelyk, (c) die beste mengselmodel voor te stel vir die voorspelling van Ni-konsentrasies in stedelike of peri-stedelike gronde, en (d) die toepassing van SeOM om 'n hoëresolusiekaart van nikkelruimtelike variasie te skep.
Die studie word in die Tsjeggiese Republiek uitgevoer, spesifiek in die Frydek Mistek-distrik in die Morawië-Silesiese streek (sien Figuur 1). Die geografie van die studiegebied is baie ruig en is meestal deel van die Morawië-Silesiese Beskidy-streek, wat deel is van die buitenste rand van die Karpate. Die studiegebied is geleë tussen 49° 41′ 0′ N en 18° 20′ 0′ O, en die hoogte is tussen 225 en 327 m; Die Koppen-klassifikasiestelsel vir die klimaatstoestand van die streek word egter gegradeer as Cfb = gematigde oseaanklimaat. Daar is baie reënval, selfs in die droë maande. Temperature wissel effens deur die jaar tussen −5 °C en 24 °C, en daal selde onder −14 °C of bo 30 °C, terwyl die gemiddelde jaarlikse neerslag tussen 685 en 752 mm47 is. Die geraamde opnamegebied van die hele gebied is 1 208 vierkante kilometer, met 39,38% van die bewerkte grond en 49,36% van die bosbedekking. Aan die ander kant is die gebied wat in hierdie studie gebruik is, ongeveer 889,8 vierkante kilometer. In en om Ostrava is die staalbedryf en metaalwerke baie aktief. Metaalfabrieke, die staalbedryf waar nikkel in vlekvrye staal gebruik word (bv. vir weerstand teen atmosferiese korrosie) en legeringsstaal (nikkel verhoog die sterkte van die legering terwyl dit sy goeie rekbaarheid en taaiheid behou), en intensiewe landbou soos fosfaatkunsmistoediening en veeproduksie is navorsingspotensiële bronne van nikkel in die streek. (bv. die byvoeging van nikkel by lammers om groeikoerse in lammers en lae-gevoerde beeste te verhoog). Ander industriële gebruike van nikkel in navorsingsgebiede sluit in die gebruik daarvan in elektroplatering, insluitend elektroplatering van nikkel en elektrolose nikkelplateringsprosesse. Grondeienskappe is maklik onderskeibaar van grondkleur, struktuur en karbonaatinhoud. Die grondtekstuur is medium tot fyn, afgelei van die ouermateriaal. Hulle is kolluviaal, alluviaal of eolies van aard. Sommige grondgebiede lyk gevlek in die oppervlak en ondergrond, dikwels met beton en bleikmiddel. Kambisole en stagnosole is egter die algemeenste grondtipes in die streek48. Met hoogtes wat wissel van 455.1 tot 493.5 m, oorheers kambisole die Tsjeggiese Republiek49.
Studiegebiedkaart [Die studiegebiedkaart is geskep met behulp van ArcGIS Desktop (ESRI, Inc, weergawe 10.7, URL: https://desktop.arcgis.com).]
'n Totaal van 115 bogrondmonsters is verkry van stedelike en peri-stedelike gronde in die Frydek Mistek-distrik. Die monsterpatroon wat gebruik is, was 'n gereelde rooster met grondmonsters wat 2 × 2 km uitmekaar gespasieer is, en bogrond is gemeet op 'n diepte van 0 tot 20 cm met behulp van 'n hand-GPS-toestel (Leica Zeno 5 GPS). Monsters word verpak in Ziploc-sakke, behoorlik gemerk en na die laboratorium gestuur. Die monsters is luggedroog om verpoeierde monsters te produseer, verpoeier deur 'n meganiese stelsel (Fritsch-skyfmeul) en gesif (sifgrootte 2 mm). Plaas 1 gram gedroogde, gehomogeniseerde en gesifte grondmonsters in duidelik gemerkte teflonbottels. In elke Teflon-houer, doseer 7 ml 35% HCl en 3 ml 65% HNO3 (met behulp van 'n outomatiese doseerder – een vir elke suur), bedek liggies en laat die monsters oornag staan ​​vir die reaksie (aqua regia-program). Plaas die supernatant op 'n warm metaalplaat (temperatuur: 100 W en 160 °C) vir 2 uur om die verteringsproses van die monsters te vergemaklik, en laat dit dan afkoel. Plaas die supernatant oor na 'n 50 ml maatfles en verdun tot 50 ml met gedeïoniseerde water. Daarna, filtreer die verdunde supernatant in 'n 50 ml PVC-buis met gedeïoniseerde water. Daarbenewens is 1 ml van die verdunningsoplossing verdun met 9 ml gedeïoniseerde water en gefiltreer in 'n 12 ml-buis wat voorberei is vir PTE-pseudo-konsentrasie. Die konsentrasies van PTE's (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) is bepaal deur ICP-OES (Inductief Gekoppelde Plasma Optiese Emissie Spektroskopie) (Thermo Fisher Scientific, VSA) volgens standaardmetodes en ooreenkoms. Verseker Gehalteversekering en Beheer (QA/QC) prosedures (SRM NIST 2711a Montana II Grond). PTE's met deteksielimiete onder die helfte is van hierdie studie uitgesluit. Die deteksielimiet van die PTE wat in hierdie studie gebruik is, was 0.0004.(jy).Daarbenewens word die gehaltebeheer- en gehalteversekeringsproses vir elke analise verseker deur verwysingsstandaarde te analiseer.Om te verseker dat foute geminimaliseer is, is 'n dubbele analise uitgevoer.
Empiriese Bayesiaanse Kriging (EBK) is een van vele geostatistiese interpolasietegnieke wat in modellering in diverse velde soos grondkunde gebruik word. Anders as ander kriging-interpolasietegnieke, verskil EBK van tradisionele krigingmetodes deur die fout wat deur die semivariogrammodel beraam word, in ag te neem. In EBK-interpolasie word verskeie semivariogrammodelle tydens interpolasie bereken, eerder as 'n enkele semivariogram. Interpolasietegnieke maak plek vir die onsekerheid en programmering wat verband hou met hierdie plot van die semivariogram wat 'n hoogs komplekse deel van 'n voldoende krigingmetode uitmaak. Die interpolasieproses van EBK volg die drie kriteria wat deur Krivoruchko50 voorgestel word, (a) die model skat die semivariogram vanaf die invoerdatastel (b) die nuwe voorspelde waarde vir elke invoerdatastelligging gebaseer op die gegenereerde semivariogram en (c) die finale A-model word bereken vanaf 'n gesimuleerde datastel. Die Bayesiaanse vergelykingsreël word gegee as 'n posterior...
Waar \(Prob\left(A\right)\) die vorige \(Prob\left(B\right)\) verteenwoordig, word \(Prob\left(B\right)\) marginale waarskynlikheid in die meeste gevalle geïgnoreer, \(Prob (B,A)\). Die semivariogramberekening is gebaseer op Bayes se reël, wat die geneigdheid van waarnemingsdatastelle toon wat uit semivariogramme geskep kan word. Die waarde van die semivariogram word dan bepaal deur Bayes se reël te gebruik, wat aandui hoe waarskynlik dit is om 'n datastel van waarnemings uit die semivariogram te skep.
'n Ondersteuningsvektormasjien is 'n masjienleeralgoritme wat 'n optimale skeidende hipervlak genereer om identiese maar nie lineêr onafhanklike klasse te onderskei nie. Vapnik51 het die intensie-klassifikasiealgoritme geskep, maar dit is onlangs gebruik om regressie-georiënteerde probleme op te los. Volgens Li et al.52 is SVM een van die beste klassifiseerdertegnieke en is dit in verskeie velde gebruik. Die regressiekomponent van SVM (Support Vector Machine Regression – SVMR) is in hierdie analise gebruik. Cherkassky en ​​Mulier53 het baanbrekerswerk met SVMR gedoen as 'n kern-gebaseerde regressie, waarvan die berekening uitgevoer is met behulp van 'n lineêre regressiemodel met multi-land ruimtelike funksies. John et al54 berig dat SVMR-modellering hipervlak lineêre regressie gebruik, wat nie-lineêre verwantskappe skep en ruimtelike funksies moontlik maak. Volgens Vohland et al. 55, epsilon (ε)-SVMR gebruik die opgeleide datastel om 'n voorstellingsmodel te verkry as 'n epsilon-ongevoelige funksie wat toegepas word om die data onafhanklik te karteer met die beste epsilon-vooroordeel van opleiding op gekorreleerde data. Die voorafbepaalde afstandsfout word geïgnoreer van die werklike waarde, en as die fout groter as ε(ε) is, kompenseer die grondeienskappe dit. Die model verminder ook die kompleksiteit van die opleidingsdata tot 'n breër subversameling van ondersteuningsvektore. Die vergelyking wat deur Vapnik51 voorgestel word, word hieronder getoon.
waar b die skalaardrempel verteenwoordig, \(K\left({x}_{,}{x}_{k}\right)\) die kernfunksie verteenwoordig, \(\alpha\) die Lagrange-vermenigvuldiger verteenwoordig, N 'n numeriese datastel verteenwoordig, \({x}_{k}\) data-invoer verteenwoordig, en \(y\) data-uitvoer is. Een van die sleutelkerne wat gebruik word, is die SVMR-bewerking, wat 'n Gaussiese radiale basisfunksie (RBF) is. Die RBF-kern word toegepas om die optimale SVMR-model te bepaal, wat krities is om die mees subtiele strafstelfaktor C en kernparameter gamma (γ) vir die PTE-opleidingsdata te verkry. Eers het ons die opleidingstel geëvalueer en toe die modelprestasie op die valideringsstel getoets. Die stuurparameter wat gebruik word, is sigma en die metodewaarde is svmRadial.
'n Meervoudige lineêre regressiemodel (MLR) is 'n regressiemodel wat die verband tussen die responsveranderlike en 'n aantal voorspellerveranderlikes voorstel deur gebruik te maak van lineêre gepoolde parameters wat bereken word met behulp van die kleinste kwadrate-metode. In MLR is 'n kleinste kwadrate-model 'n voorspellende funksie van grondeienskappe na die keuse van verklarende veranderlikes. Dit is nodig om die respons te gebruik om 'n lineêre verband met behulp van verklarende veranderlikes te vestig. PTE is as die responsveranderlike gebruik om 'n lineêre verband met die verklarende veranderlikes te vestig. Die MLR-vergelyking is
waar y die responsveranderlike is, \(a\) die afsnit is, n die aantal voorspellers is, \({b}_{1}\) die gedeeltelike regressie van die koëffisiënte is, \({x}_{i}\) 'n voorspeller of verklarende veranderlike verteenwoordig, en \({\varepsilon }_{i}\) die fout in die model verteenwoordig, ook bekend as die residu.
Gemengde modelle is verkry deur EBK met SVMR en MLR te kombineer. Dit word gedoen deur voorspelde waardes uit EBK-interpolasie te onttrek. Die voorspelde waardes wat verkry word uit die geïnterpoleerde Ca, K en Mg word verkry deur 'n kombinatoriese proses om nuwe veranderlikes, soos CaK, CaMg en KMg, te verkry. Die elemente Ca, K en Mg word dan gekombineer om 'n vierde veranderlike, CaKMg, te verkry. Oor die algemeen is die verkrygde veranderlikes Ca, K, Mg, CaK, CaMg, KMg en CaKMg. Hierdie veranderlikes het ons voorspellers geword, wat gehelp het om nikkelkonsentrasies in stedelike en peri-stedelike gronde te voorspel. Die SVMR-algoritme is op die voorspellers uitgevoer om 'n gemengde model Empiriese Bayesiaanse Kriging-Ondersteuningsvektormasjien (EBK_SVM) te verkry. Net so word veranderlikes ook deur die MLR-algoritme gelei om 'n gemengde model Empiriese Bayesiaanse Kriging-Meervoudige Lineêre Regressie (EBK_MLR) te verkry. Tipies is die veranderlikes Ca, K, Mg, CaK, CaMg, KMg en CaKMg word as kovariate gebruik as voorspellers van Ni-inhoud in stedelike en peri-stedelike gronde. Die mees aanvaarbare model wat verkry word (EBK_SVM of EBK_MLR) sal dan gevisualiseer word met behulp van 'n selforganiserende grafiek. Die werkvloei van hierdie studie word in Figuur 2 getoon.
Die gebruik van SeOM het 'n gewilde instrument geword vir die organisering, evaluering en voorspelling van data in die finansiële sektor, gesondheidsorg, nywerheid, statistiek, grondkunde en meer. SeOM word geskep deur kunsmatige neurale netwerke en onbewaakte leermetodes vir organisasie, evaluering en voorspelling. In hierdie studie is SeOM gebruik om Ni-konsentrasies te visualiseer gebaseer op die beste model vir die voorspelling van Ni in stedelike en peri-stedelike gronde. Die data wat in die SeOM-evaluering verwerk word, word as n invoerdimensionele vektorveranderlikes gebruik43,56.Melssen et al. 57 beskryf die verbinding van 'n invoervektor in 'n neurale netwerk deur 'n enkele invoerlaag aan 'n uitvoervektor met 'n enkele gewigsvektor. Die uitvoer wat deur SeOM gegenereer word, is 'n tweedimensionele kaart wat bestaan ​​uit verskillende neurone of nodusse wat in seshoekige, sirkelvormige of vierkantige topologiese kaarte geweef is volgens hul nabyheid. Deur kaartgroottes te vergelyk gebaseer op metrieke, kwantiseringsfout (QE) en topografiese fout (TE), word die SeOM-model met onderskeidelik 0.086 en 0.904 gekies, wat 'n 55-kaarteenheid (5 × 11) is. Die neuronstruktuur word bepaal volgens die aantal nodusse in die empiriese vergelyking.
Die aantal data wat in hierdie studie gebruik is, is 115 monsters. 'n Willekeurige benadering is gebruik om die data in toetsdata (25% vir validering) en opleidingsdatastelle (75% vir kalibrasie) te verdeel. Die opleidingsdatastel word gebruik om die regressiemodel (kalibrasie) te genereer, en die toetsdatastel word gebruik om die veralgemeningsvermoë te verifieer58. Dit is gedoen om die geskiktheid van verskeie modelle vir die voorspelling van nikkelinhoud in gronde te bepaal. Alle modelle wat gebruik is, het deur 'n tienvoudige kruisvalideringsproses gegaan, vyf keer herhaal. Die veranderlikes wat deur EBK-interpolasie geproduseer word, word as voorspellers of verklarende veranderlikes gebruik om die teikenveranderlike (PTE) te voorspel. Modellering word in RStudio hanteer met behulp van die pakkette biblioteek (Kohonen), biblioteek (caret), biblioteek (modelr), biblioteek (“e1071″), biblioteek (“plyr”), biblioteek (“caTools”), biblioteek (” prospectr”) en biblioteke (“Metrics”).
Verskeie valideringsparameters is gebruik om die beste model te bepaal wat geskik is vir die voorspelling van nikkelkonsentrasies in grond en om die akkuraatheid van die model en die validering daarvan te evalueer. Hibridiseringsmodelle is geëvalueer met behulp van gemiddelde absolute fout (MAE), wortelgemiddelde kwadraatfout (RMSE), en R-kwadraat of koëffisiëntbepaling (R2). R2 definieer die variansie van die proporsies in die antwoord, verteenwoordig deur die regressiemodel. RMSE en variansiegrootte in onafhanklike metings beskryf die voorspellingskrag van die model, terwyl MAE die werklike kwantitatiewe waarde bepaal. Die R2-waarde moet hoog wees om die beste mengselmodel te evalueer met behulp van die valideringsparameters, hoe nader die waarde aan 1 is, hoe hoër die akkuraatheid. Volgens Li et al. 59 word 'n R2-kriteriumwaarde van 0.75 of groter as 'n goeie voorspeller beskou; van 0.5 tot 0.75 is aanvaarbare modelprestasie, en onder 0.5 is onaanvaarbare modelprestasie. By die keuse van 'n model met behulp van die RMSE- en MAE-valideringskriteria-evalueringsmetodes, was die laer waardes wat verkry is voldoende en is as die beste keuse beskou. Die volgende vergelyking beskryf die verifikasiemetode.
waar n die grootte van die waargenome waarde verteenwoordig, \({Y}_{i}\) verteenwoordig die gemete respons, en \({\widehat{Y}}_{i}\) verteenwoordig ook die voorspelde responswaarde, dus vir die eerste i waarnemings.
Statistiese beskrywings van voorspeller- en responsveranderlikes word in Tabel 1 aangebied, wat die gemiddelde, standaardafwyking (SD), koëffisiënt van variasie (KV), minimum, maksimum, kurtose en skeefheid toon. Die minimum en maksimum waardes van die elemente is in dalende volgorde van Mg < Ca < K < Ni en Ca < Mg < K < Ni, onderskeidelik. Konsentrasies van die responsveranderlike (Ni) wat uit die studiegebied geneem is, het gewissel van 4.86 tot 42.39 mg/kg. Vergelyking van Ni met die wêreldgemiddelde (29 mg/kg) en die Europese gemiddelde (37 mg/kg) het getoon dat die algehele berekende geometriese gemiddelde vir die studiegebied binne die verdraagsame reeks was. Nietemin, soos getoon deur Kabata-Pendias11, toon 'n vergelyking van die gemiddelde nikkel (Ni) konsentrasie in die huidige studie met landbougrond in Swede dat die huidige gemiddelde nikkelkonsentrasie hoër is. Net so was die gemiddelde konsentrasie van Frydek Mistek in stedelike en peri-stedelike gronde in die huidige studie (Ni 16.15 mg/kg) hoër as die toelaatbare. limiet van 60 (10.2 mg/kg) vir Ni in Poolse stedelike gronde gerapporteer deur Różański et al. Verder het Bretzel en Calderisi61 baie lae gemiddelde Ni-konsentrasies (1.78 mg/kg) in stedelike gronde in Toskane aangeteken in vergelyking met die huidige studie. Jim62 het ook 'n laer nikkelkonsentrasie (12.34 mg/kg) in Hong Kong se stedelike gronde gevind, wat laer is as die huidige nikkelkonsentrasie in hierdie studie. Birke et al63 het 'n gemiddelde Ni-konsentrasie van 17.6 mg/kg in 'n ou myn- en stedelike nywerheidsgebied in Sakse-Anhalt, Duitsland, gerapporteer, wat 1.45 mg/kg hoër was as die gemiddelde Ni-konsentrasie in die gebied (16.15 mg/kg). Huidige navorsing. Die oormatige nikkelinhoud in gronde in sommige stedelike en voorstedelike gebiede van die studiegebied kan hoofsaaklik toegeskryf word aan die yster- en staalbedryf en metaalbedryf. Dit stem ooreen met die studie deur Khodadoust et al. 64 dat die staalbedryf en metaalbewerking die hoofbronne van nikkelbesoedeling in gronde is. Die voorspellers het egter ook gewissel van 538,70 mg/kg tot 69 161,80 mg/kg vir Ca, 497,51 mg/kg tot 3535,68 mg/kg vir K, en 685,68 mg/kg tot 5970,05 mg/kg vir Mg. Jakovljevic et al. 65 het die totale Mg- en K-inhoud van gronde in sentraal-Serwië ondersoek. Hulle het bevind dat die totale konsentrasies (onderskeidelik 410 mg/kg en 400 mg/kg) laer was as die Mg- en K-konsentrasies van die huidige studie. Ononderskeibaar het Orzechowski en Smolczynski66 in oostelike Pole die totale inhoud van Ca, Mg en K beoordeel en gemiddelde konsentrasies van Ca (1100 mg/kg), Mg (590 mg/kg) en K (810 mg/kg) getoon. Die inhoud in die bogrond is laer as die enkele element in hierdie studie. 'n Onlangse studie deur Pongrac et al. 67 het getoon dat die totale Ca-inhoud wat in 3 verskillende gronde in Skotland, VK (Mylnefield-grond, Balruddery-grond en Hartwood-grond) geanaliseer is, 'n hoër Ca-inhoud in hierdie studie aangedui het.
As gevolg van die verskillende gemete konsentrasies van die gemonsterde elemente, toon die datastelverspreidings van die elemente verskillende skeefheid. Die skeefheid en kurtose van die elemente het gewissel van 1.53 tot 7.24 en 2.49 tot 54.16, onderskeidelik. Alle berekende elemente het skeefheid- en kurtosevlakke bo +1, wat aandui dat die dataverspreiding onreëlmatig, skeef in die regte rigting en 'n piek bereik het, is. Die geskatte KV's van die elemente toon ook dat K, Mg en Ni matige veranderlikheid toon, terwyl Ca uiters hoë veranderlikheid het. Die KV's van K, Ni en Mg verduidelik hul eenvormige verspreiding. Verder is die Ca-verspreiding nie-eenvormig en eksterne bronne kan die verrykingsvlak daarvan beïnvloed.
Die korrelasie van die voorspellerveranderlikes met die responselemente het 'n bevredigende korrelasie tussen die elemente aangedui (sien Figuur 3). Die korrelasie het aangedui dat CaK matige korrelasie met r-waarde = 0.53 vertoon het, net soos CaNi. Alhoewel Ca en K beskeie assosiasies met mekaar toon, het navorsers soos Kingston et al. 68 en Santo69 dui daarop dat hul vlakke in die grond omgekeerd eweredig is. Ca en Mg is egter antagonisties teenoor K, maar CaK korreleer goed. Dit kan wees as gevolg van die toediening van kunsmisstowwe soos kaliumkarbonaat, wat 56% hoër in kalium is. Kalium was matig gekorreleer met magnesium (KM r = 0.63). In die kunsmisbedryf is hierdie twee elemente nou verwant omdat kaliummagnesiumsulfaat, kaliummagnesiumnitraat en potas op gronde toegedien word om hul tekortvlakke te verhoog. Nikkel is matig gekorreleer met Ca, K en Mg met r-waardes = onderskeidelik 0.52, 0.63 en 0.55. Die verwantskappe tussen kalsium, magnesium en PTE's soos nikkel is kompleks, maar nietemin inhibeer magnesium kalsiumabsorpsie, kalsium verminder die effekte van oortollige magnesium, en beide magnesium en kalsium verminder die toksiese effekte van nikkel in die grond.
Korrelasiematriks vir elemente wat die verband tussen voorspellers en reaksies toon (Let wel: hierdie figuur sluit 'n spreidingsdiagram tussen elemente in, betekenisvlakke is gebaseer op p < 0,001).
Figuur 4 illustreer die ruimtelike verspreiding van elemente. Volgens Burgos et al70 is die toepassing van ruimtelike verspreiding 'n tegniek wat gebruik word om brandpunte in besoedelde gebiede te kwantifiseer en uit te lig. Die verrykingsvlakke van Ca in Fig. 4 kan in die noordwestelike deel van die ruimtelike verspreidingskaart gesien word. Die figuur toon matige tot hoë Ca-verrykingsbrandpunte. Die kalsiumverryking in die noordweste van die kaart is waarskynlik te wyte aan die gebruik van ongebluste kalk (kalsiumoksied) om grondsuurheid te verminder en die gebruik daarvan in staalfabrieke as alkaliese suurstof in die staalvervaardigingsproses. Aan die ander kant verkies ander boere om kalsiumhidroksied in suur gronde te gebruik om die pH te neutraliseer, wat ook die kalsiuminhoud van die grond verhoog71. Kalium toon ook brandpunte in die noordweste en ooste van die kaart. Die Noordweste is 'n belangrike landbougemeenskap, en die matige tot hoë patroon van kalium kan te wyte wees aan NPK- en potastoedienings. Dit stem ooreen met ander studies, soos Madaras en Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, wat het waargeneem dat grondstabilisering en behandeling met KCl en NPK tot 'n hoë K-inhoud in die grond gelei het. Ruimtelike kaliumverryking in die noordweste van die verspreidingskaart kan te wyte wees aan die gebruik van kaliumgebaseerde kunsmisstowwe soos kaliumchloried, kaliumsulfaat, kaliumnitraat, potas en potas om die kaliuminhoud van arm gronde te verhoog. Zádorová et al. 76 en Tlustoš et al. 77 het uiteengesit dat die toediening van K-gebaseerde kunsmis die K-inhoud in die grond verhoog het en die grondvoedingstofinhoud op die lange duur aansienlik sal verhoog, veral K en Mg wat 'n brandpunt in die grond toon. Relatief matige brandpunte in die noordweste van die kaart en die suidooste van die kaart. Kolloïdale fiksasie in grond verminder die konsentrasie van magnesium in die grond. Die gebrek daaraan in die grond veroorsaak dat plante gelerige tussenaarchlorose toon. Magnesium-gebaseerde kunsmis, soos kaliummagnesiumsulfaat, magnesiumsulfaat en kieseriet, behandel tekorte (plante lyk pers, rooi of bruin, wat magnesiumtekort aandui) in gronde met 'n normale pH-reeks6. Die ophoping van nikkel op stedelike en peri-stedelike grondoppervlaktes kan te wyte wees aan antropogeniese aktiwiteite soos landbou en die belangrikheid van nikkel in vlekvrye staalproduksie78.
Ruimtelike verspreiding van elemente [ruimtelike verspreidingskaart is geskep met behulp van ArcGIS Desktop (ESRI, Inc, Weergawe 10.7, URL: https://desktop.arcgis.com).]
Die modelprestasie-indeksresultate vir die elemente wat in hierdie studie gebruik is, word in Tabel 2 getoon. Aan die ander kant is die RMSE en MAE van Ni albei naby aan nul (0.86 RMSE, -0.08 MAE). Aan die ander kant is beide RMSE- en MAE-waardes van K aanvaarbaar. RMSE- en MAE-resultate was groter vir kalsium en magnesium. Ca en K MAE- en RMSE-resultate is groter as gevolg van verskillende datastelle. Die RMSE en MAE van hierdie studie wat EBK gebruik om Ni te voorspel, is gevind om beter te wees as die resultate van John et al. 54 wat sinergistiese kriging gebruik om S-konsentrasies in grond te voorspel met behulp van dieselfde versamelde data. Die EBK-uitsette wat ons bestudeer het, korreleer met dié van Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 en John et al. 82, veral K en Ni.
Die prestasie van individuele metodes vir die voorspelling van nikkelinhoud in stedelike en peri-stedelike gronde is geëvalueer met behulp van die prestasie van die modelle (Tabel 3). Modelvalidering en akkuraatheidsevaluering het bevestig dat die Ca_Mg_K-voorspeller gekombineer met die EBK SVMR-model die beste prestasie gelewer het. Kalibrasiemodel Ca_Mg_K-EBK_SVMR model R2, wortelgemiddelde kwadraatfout (RMSE) en gemiddelde absolute fout (MAE) was 0.637 (R2), 95.479 mg/kg (RMSE) en 77.368 mg/kg (MAE). Ca_Mg_K-SVMR was 0.663 (R2), 235.974 mg/kg (RMSE) en 166.946 mg/kg (MAE). Nietemin is goeie R2-waardes verkry vir Ca_Mg_K-SVMR (0.663 mg/kg R2) en Ca_Mg-EBK_SVMR (0.643 = R2); Hul RMSE- en MAE-resultate was hoër as dié vir Ca_Mg_K-EBK_SVMR (R2 0.637) (sien Tabel 3). Daarbenewens is die RMSE en MAE van die Ca_Mg-EBK_SVMR (RMSE = 1664.64 en MAE = 1031.49) model onderskeidelik 17.5 en 13.4, wat groter is as dié van die Ca_Mg_K-EBK_SVMR. Net so is die RMSE en MAE van die Ca_Mg-K SVMR (RMSE = 235.974 en MAE = 166.946) model onderskeidelik 2.5 en 2.2 groter as dié van die Ca_Mg_K-EBK_SVMR RMSE en MAE. Die berekende RMSE-resultate dui aan hoe gekonsentreerd die datastel is met die lyn van beste passing. Hoër RSME en MAE is waargeneem. Volgens Kebonye et. al. 46 en john et al. 54, hoe nader die RMSE en MAE aan nul is, hoe beter die resultate. SVMR en EBK_SVMR het hoër gekwantiseerde RSME- en MAE-waardes. Daar is waargeneem dat die RSME-ramings konsekwent hoër was as die MAE-waardes, wat die teenwoordigheid van uitskieters aandui. Volgens Legates en McCabe83 word die mate waarin die RMSE die gemiddelde absolute fout (MAE) oorskry, aanbeveel as 'n aanduiding van die teenwoordigheid van uitskieters. Dit beteken dat hoe meer heterogeen die datastel, hoe hoër die MAE- en RMSE-waardes. Die akkuraatheid van kruisvalideringsassessering van die Ca_Mg_K-EBK_SVMR gemengde model vir die voorspelling van Ni-inhoud in stedelike en voorstedelike gronde was 63.70%. Volgens Li et al. 59 is hierdie vlak van akkuraatheid 'n aanvaarbare modelprestasiekoers. Die huidige resultate word vergelyk met 'n vorige studie deur Tarasov et al. 36 wie se hibriede model MLPRK (Multilayer Perceptron Residual Kriging) geskep het, verwant aan die EBK_SVMR akkuraatheidsevalueringsindeks wat in die huidige studie gerapporteer is, RMSE (210) en Die MAE (167.5) was hoër as ons resultate in die huidige studie (RMSE 95.479, MAE 77.368). Wanneer die R2 van die huidige studie (0.637) egter vergelyk word met dié van Tarasov et al. 36 (0.544), is dit duidelik dat die bepalingskoëffisiënt (R2) hoër is in hierdie gemengde model. Die foutmarge (RMSE en MAE) (EBK SVMR) vir die gemengde model is twee keer laer. Net so het Sergeev et al.34 0.28 (R2) vir die ontwikkelde hibriede model (Multilayer Perceptron Residual Kriging) aangeteken, terwyl Ni in die huidige studie 0.637 (R2) aangeteken het. Die voorspellingsakkuraatheidsvlak van hierdie model (EBK SVMR) is 63.7%, terwyl die voorspellingsakkuraatheid wat deur Sergeev et al. 34 verkry is, 28% is. Die finale kaart (Fig. 5) wat geskep is met behulp van die EBK_SVMR-model en Ca_Mg_K as 'n voorspeller, toon voorspellings van brandpunte en matig tot nikkel oor die hele studiegebied. Dit beteken dat die konsentrasie van nikkel in die studiegebied hoofsaaklik matig is, met hoër konsentrasies in sommige spesifieke gebiede.
Die finale voorspellingskaart word voorgestel deur die hibriede model EBK_SVMR te gebruik en Ca_Mg_K as die voorspeller te gebruik. [Die ruimtelike verspreidingskaart is geskep met behulp van RStudio (weergawe 1.4.1717: https://www.rstudio.com/).]
In Figuur 6 word PTE-konsentrasies as 'n samestellingsvlak wat uit individuele neurone bestaan, aangebied. Geen van die komponentvlakke het dieselfde kleurpatroon vertoon soos getoon nie. Die toepaslike aantal neurone per getekende kaart is egter 55. SeOM word geproduseer met behulp van 'n verskeidenheid kleure, en hoe meer soortgelyk die kleurpatrone is, hoe meer vergelykbaar is die eienskappe van die monsters. Volgens hul presiese kleurskaal het individuele elemente (Ca, K en Mg) soortgelyke kleurpatrone getoon as enkel hoë neurone en die meeste lae neurone. Dus deel CaK en CaMg 'n paar ooreenkomste met baie hoë-orde neurone en lae-tot-matige kleurpatrone. Beide modelle voorspel die konsentrasie van Ni in grond deur medium tot hoë skakerings van kleure soos rooi, oranje en geel te vertoon. Die KMg-model vertoon baie hoë kleurpatrone gebaseer op presiese verhoudings en lae tot medium kleurkolle. Op 'n presiese kleurskaal van laag tot hoog het die planêre verspreidingspatroon van die komponente van die model 'n hoë kleurpatroon getoon wat die potensiële konsentrasie van nikkel in die grond aandui (sien Figuur 4). Die CakMg-modelkomponentvlak toon 'n diverse kleurpatroon van laag tot hoog volgens 'n akkurate kleurskaal. Verder is die model se voorspelling van nikkelinhoud (CakMg) soortgelyk aan die ruimtelike verspreiding van nikkel wat in Figuur 5 getoon word. Beide grafieke toon hoë, medium en lae proporsies van nikkelkonsentrasies in stedelike en peri-stedelike gronde. Figuur 7 beeld die kontoermetode in die k-gemiddelde groepering op die kaart uit, verdeel in drie groepe gebaseer op die voorspelde waarde in elke model. Die kontoermetode verteenwoordig die optimale aantal groepe. Van die 115 grondmonsters wat versamel is, het kategorie 1 die meeste grondmonsters verkry, 74. Groep 2 het 33 monsters ontvang, terwyl groep 3 8 monsters ontvang het. Die sewe-komponent planêre voorspellerkombinasie is vereenvoudig om korrekte groepinterpretasie moontlik te maak. As gevolg van die talle antropogeniese en natuurlike prosesse wat grondvorming beïnvloed, is dit moeilik om behoorlik gedifferensieerde groeppatrone in 'n verspreide SeOM-kaart te hê78.
Komponentvlakuitvoer deur elke Empiriese Bayesiaanse Kriging Ondersteuningsvektormasjien (EBK_SVM_SeOM) veranderlike. [SeOM-kaarte is geskep met behulp van RStudio (weergawe 1.4.1717: https://www.rstudio.com/).]
Verskillende klusterklassifikasiekomponente [SeOM-kaarte is geskep met behulp van RStudio (weergawe 1.4.1717: https://www.rstudio.com/).]
Die huidige studie illustreer duidelik modelleringstegnieke vir nikkelkonsentrasies in stedelike en peri-stedelike gronde. Die studie het verskillende modelleringstegnieke getoets, deur elemente met modelleringstegnieke te kombineer, om die beste manier te verkry om nikkelkonsentrasies in grond te voorspel. Die SeOM-samestellingsplanêre ruimtelike kenmerke van die modelleringstegniek het 'n hoë kleurpatroon van laag na hoog op 'n akkurate kleurskaal vertoon, wat Ni-konsentrasies in die grond aandui. Die ruimtelike verspreidingskaart bevestig egter die planêre ruimtelike verspreiding van komponente wat deur EBK_SVMR vertoon word (sien Figuur 5). Die resultate toon dat die ondersteuningsvektormasjienregressiemodel (CaMgK-SVMR) die konsentrasie van Ni in grond as 'n enkele model voorspel, maar die validerings- en akkuraatheidsevalueringsparameters toon baie hoë foute in terme van RMSE en MAE. Aan die ander kant is die modelleringstegniek wat met die EBK_MLR-model gebruik word, ook gebrekkig as gevolg van die lae waarde van die bepalingskoëffisiënt (R2). Goeie resultate is verkry met behulp van EBK SVMR en gekombineerde elemente (CaKMg) met lae RMSE- en MAE-foute met 'n akkuraatheid van 63.7%. Dit blyk dat die kombinasie van die EBK-algoritme met 'n Masjienleer-algoritme kan 'n hibriede algoritme genereer wat die konsentrasie van PTE's in grond kan voorspel. Die resultate toon dat die gebruik van CaMgK as voorspellers om Ni-konsentrasies in die studiegebied te voorspel, die voorspelling van Ni in gronde kan verbeter. Dit beteken dat die voortdurende toediening van nikkel-gebaseerde kunsmis en industriële besoedeling van die grond deur die staalbedryf 'n neiging het om die konsentrasie van nikkel in die grond te verhoog. Hierdie studie het aan die lig gebring dat die EBK-model die vlak van foute kan verminder en die akkuraatheid van die model van grondruimtelike verspreiding in stedelike of peri-stedelike gronde kan verbeter. Oor die algemeen stel ons voor om die EBK-SVMR-model toe te pas om PTE in grond te bepaal en te voorspel; daarbenewens stel ons voor om EBK te gebruik om met verskeie masjienleer-algoritmes te hibridiseer. Ni-konsentrasies is voorspel deur elemente as kovariate te gebruik; die gebruik van meer kovariate sal egter die werkverrigting van die model aansienlik verbeter, wat as 'n beperking van die huidige werk beskou kan word. Nog 'n beperking van hierdie studie is dat die aantal datastelle 115 is. Daarom, as meer data verskaf word, kan die werkverrigting van die voorgestelde geoptimaliseerde hibridiseringsmetode verbeter word.
PlantProbs.net. Nikkel in plante en grond https://plantprobs.net/plant/nutrientImbalances/sodium.html (Besoek op 28 April 2021).
Kasprzak, KS Nikkelvooruitgang in moderne omgewingstoksikologie.omgewing.toksikologie.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikkel: 'n Oorsig van die bronne en omgewingstoksikologie daarvan. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Besoedelingstoevoer uit die atmosfeer en ophoping in grond en plantegroei naby 'n nikkel-kopersmelter in Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Swaar metale in grond, plante en risiko's verbonde aan weidende herkouers naby die Selebi-Phikwe koper-nikkelmyn in Botswana. surroundings. Geochemistry. Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Spoorelemente in grond en… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Spoorelemente+in+gronde+en+plante.+4de+uitg.+New+York+%28NY%29%3A+CRC+Press&btnG= (Besoek op 24 November 2020).
Almås, A., Singh, B., Landbou, TS-NJ van & 1995, ongedefinieerd. Effekte van die Russiese nikkelbedryf op swaarmetaalkonsentrasies in landbougrond en grasse in Soer-Varanger, Noorweë. agris.fao.org.
Nielsen, GD et al. Nikkelabsorpsie en -retensie in drinkwater hou verband met voedselinname en nikkelsensitiwiteit. toksikologie. toepassing. Farmakodinamika. 154, 67–75 (1999).
Costa, M. & Klein, CB Nikkelkarsinogenese, mutasie, epigenetika of seleksie. Omgewing. Gesondheidsperspektief. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Tendensanalise van potensieel giftige elemente: 'n bibliometriese oorsig. Omgewingsgeochemie en Gesondheid. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitale Grondkartering: 'n Kort Geskiedenis en 'n Paar Lesse. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Oor digitale grondkartering.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistiese Reservoirmodellering,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Besoek op 28 April 2021).