نشكرك على زيارة Nature.com. إصدار المتصفح الذي تستخدمه يدعم CSS بشكل محدود. للحصول على أفضل تجربة، نوصيك باستخدام متصفح محدث (أو إيقاف تشغيل وضع التوافق في Internet Explorer). في غضون ذلك، لضمان استمرار الدعم، سنعرض الموقع بدون أنماط وJavaScript.
تلوث التربة مشكلة كبيرة ناجمة عن الأنشطة البشرية. يختلف التوزيع المكاني للعناصر السامة المحتملة (PTEs) في معظم المناطق الحضرية وشبه الحضرية. لذلك، من الصعب التنبؤ مكانيًا بمحتوى PTEs في مثل هذه الترب. تم الحصول على ما مجموعه 115 عينة من فريديك ميستيك في جمهورية التشيك. تم تحديد تركيزات الكالسيوم (Ca) والمغنيسيوم (Mg) والبوتاسيوم (K) والنيكل (Ni) باستخدام مطيافية الانبعاث البلازمي المقترنة بالحث. متغير الاستجابة هو Ni والمتنبئون هم Ca و Mg و K. تُظهر مصفوفة الارتباط بين متغير الاستجابة ومتغير التنبؤ ارتباطًا مرضيًا بين العناصر. أظهرت نتائج التنبؤ أن الانحدار الآلي الداعم المتجه (SVMR) كان جيدًا، على الرغم من أن خطأ الجذر التربيعي المتوسط ​​المقدر (RMSE) (235.974 مجم / كجم) ومتوسط ​​الخطأ المطلق (MAE) (166.946 مجم / كجم) كان أعلى من الطرق الأخرى المطبقة. النماذج المختلطة للتجريبية أداء الانحدار الخطي المتعدد Bayesian Kriging (EBK-MLR) ضعيف، كما يتضح من معاملات التحديد أقل من 0.1. كان نموذج الانحدار الآلي المتجه الداعم Bayesian Kriging التجريبي (EBK-SVMR) هو النموذج الأفضل، مع قيم RMSE منخفضة (95.479 مجم / كجم) و MAE (77.368 مجم / كجم) ومعامل تحديد مرتفع (R2 = 0.637). يتم تصور مخرجات تقنية النمذجة EBK-SVMR باستخدام خريطة ذاتية التنظيم. تُظهر الخلايا العصبية المتجمعة في مستوى مكون النموذج الهجين CakMg-EBK-SVMR أنماط ألوان متعددة تتنبأ بتركيزات النيكل في التربة الحضرية وشبه الحضرية. تُظهر النتائج أن الجمع بين EBK و SVMR هي تقنية فعالة للتنبؤ بتركيزات النيكل في التربة الحضرية وشبه الحضرية.
يُعتبر النيكل (Ni) من العناصر الغذائية الدقيقة للنباتات، إذ يساهم في تثبيت النيتروجين الجوي (N) واستقلاب اليوريا، وكلاهما ضروري لإنبات البذور. بالإضافة إلى مساهمته في إنبات البذور، يُمكن للنيكل أن يعمل كمثبط للفطريات والبكتيريا، ويعزز نمو النبات. يسمح نقص النيكل في التربة للنبات بامتصاصه، مما يؤدي إلى اصفرار الأوراق. على سبيل المثال، تتطلب اللوبيا والفاصوليا الخضراء استخدام الأسمدة القائمة على النيكل لتحسين تثبيت النيتروجين. يؤدي الاستمرار في استخدام الأسمدة القائمة على النيكل لإثراء التربة وزيادة قدرة البقوليات على تثبيت النيتروجين في التربة إلى زيادة تركيز النيكل فيها باستمرار. على الرغم من أن النيكل من العناصر الغذائية الدقيقة للنباتات، إلا أن الإفراط في تناوله في التربة قد يضر أكثر مما ينفع. تقلل سمية النيكل في التربة من درجة حموضة التربة، وتعيق امتصاص الحديد كعنصر غذائي أساسي لنمو النبات. ووفقًا لـ Liu3، فقد وُجد أن النيكل هو العنصر السابع عشر المهم في التربة. عنصر مطلوب لنمو وتطور النبات. بالإضافة إلى دور النيكل في نمو وتطور النبات، يحتاج البشر إليه لمجموعة متنوعة من التطبيقات. تتطلب عمليات الطلاء الكهربائي وإنتاج السبائك القائمة على النيكل وتصنيع أجهزة الإشعال وشمعات الاحتراق في صناعة السيارات استخدام النيكل في مختلف القطاعات الصناعية. بالإضافة إلى ذلك، تم استخدام السبائك القائمة على النيكل والمواد المطلية بالكهرباء على نطاق واسع في أدوات المطبخ وإكسسوارات قاعات الرقص ولوازم صناعة الأغذية والكهرباء والأسلاك والكابلات والتوربينات النفاثة والغرسات الجراحية والمنسوجات وبناء السفن5. وقد عُزيت مستويات النيكل الغنية في التربة (أي التربة السطحية) إلى مصادر بشرية وطبيعية، ولكن في المقام الأول، يعد النيكل مصدرًا طبيعيًا وليس بشريًا4،6. تشمل المصادر الطبيعية للنيكل الانفجارات البركانية والنباتات وحرائق الغابات والعمليات الجيولوجية؛ ومع ذلك، تشمل المصادر البشرية بطاريات النيكل/الكادميوم في صناعة الصلب، والطلاء الكهربائي، واللحام القوسي، والديزل وزيوت الوقود، والانبعاثات الجوية من احتراق الفحم وحرق النفايات والرواسب. تراكم النيكل7،8. ووفقًا لفريدمان وهوتشينسون9 ومانيوا وآخرون10، فإن المصادر الرئيسية لتلوث التربة السطحية في البيئة المباشرة والمجاورة هي بشكل رئيسي مصاهر ومناجم تعتمد على النيكل والنحاس. وكانت التربة السطحية حول مصفاة النيكل والنحاس في سادبوري في كندا تحتوي على أعلى مستويات تلوث النيكل عند 26000 مجم/كجم11. وعلى النقيض من ذلك، أدى التلوث الناجم عن إنتاج النيكل في روسيا إلى تركيزات أعلى من النيكل في التربة النرويجية11. ووفقًا لألمس وآخرون. 12، تراوحت كمية النيكل المستخرج من HNO3 في أفضل الأراضي الصالحة للزراعة في المنطقة (إنتاج النيكل في روسيا) من 6.25 إلى 136.88 ملغم/كغم، وهو ما يتوافق مع متوسط ​​30.43 ملغم/كغم وتركيز أساسي 25 ملغم/كغم. ووفقًا لكاباتا 11، فإن استخدام الأسمدة الفوسفورية في التربة الزراعية في التربة الحضرية أو شبه الحضرية خلال مواسم المحاصيل المتعاقبة يمكن أن يتسرب إلى التربة أو يلوثها. قد تؤدي التأثيرات المحتملة للنيكل على البشر إلى الإصابة بالسرطان من خلال الطفرات، أو تلف الكروموسومات، أو تكوين Z-DNA، أو إصلاح استئصال الحمض النووي المحظور، أو العمليات فوق الجينية 13. وفي التجارب على الحيوانات، وجد أن النيكل لديه القدرة على التسبب في مجموعة متنوعة من الأورام، وقد تؤدي مجمعات النيكل المسرطنة إلى تفاقم مثل هذه الأورام.
ازدهرت تقييمات تلوث التربة في الآونة الأخيرة بسبب مجموعة واسعة من القضايا المتعلقة بالصحة الناشئة عن علاقات التربة بالنباتات، والعلاقات البيولوجية بين التربة والتربة، والتدهور البيئي، وتقييم الأثر البيئي. وحتى الآن، كان التنبؤ المكاني بالعناصر السامة المحتملة (PTEs) مثل النيكل في التربة شاقًا ويستغرق وقتًا طويلاً باستخدام الطرق التقليدية. وقد أدى ظهور رسم الخرائط الرقمية للتربة (DSM) ونجاحها الحالي15 إلى تحسين رسم الخرائط التنبؤية للتربة (PSM) بشكل كبير. ووفقًا لميناسني وماكبراتني16، فقد ثبت أن رسم الخرائط التنبؤية للتربة (DSM) هو أحد التخصصات الفرعية البارزة في علوم التربة. وقد عرّف لاغاشيري وماكبراتني، 2006، رسم الخرائط التنبؤية للتربة على أنه "إنشاء وملء أنظمة معلومات التربة المكانية من خلال استخدام أساليب المراقبة في الموقع والمختبر وأنظمة الاستدلال المكانية وغير المكانية للتربة". 17 يوضح أن نموذج التوزيع الجغرافي المعاصر أو نموذج التوزيع الجغرافي هو التقنية الأكثر فعالية للتنبؤ أو رسم خرائط التوزيع المكاني لـ PTEs وأنواع التربة وخصائص التربة. تعتبر الإحصائيات الجغرافية وخوارزميات التعلم الآلي (MLA) تقنيات نمذجة نموذج التوزيع الجغرافي التي تنشئ خرائط رقمية بمساعدة أجهزة الكمبيوتر باستخدام بيانات كبيرة وبسيطة.
يُعرّف دويتش18 وأوليا19 الإحصاء الجغرافي بأنه "مجموعة من التقنيات الرقمية التي تتناول تمثيل السمات المكانية، باستخدام نماذج عشوائية بشكل رئيسي، مثل كيفية تحليل السلاسل الزمنية لوصف البيانات الزمنية". في المقام الأول، يتضمن الإحصاء الجغرافي تقييم المتغيرات، مما يسمح بتحديد وتعريف تبعيات القيم المكانية لكل مجموعة بيانات20. 20 يوضح كذلك أن تقييم المتغيرات في الإحصاء الجغرافي يعتمد على ثلاثة مبادئ، بما في ذلك (أ) حساب مقياس ارتباط البيانات، (ب) تحديد وحساب التباين في تباين مجموعة البيانات، و(ج) بالإضافة إلى الأخذ في الاعتبار الخطأ المتأصل في بيانات القياس المنفصلة عن التأثيرات المحلية، يتم أيضًا تقدير تأثيرات المنطقة. بناءً على هذه المفاهيم، يتم استخدام العديد من تقنيات الاستيفاء في الإحصاء الجغرافي، بما في ذلك الكريج العام، والكريج المشترك، والكريج العادي، والكريج البايزي التجريبي، وطريقة الكريج البسيطة وتقنيات الاستيفاء الأخرى المعروفة لرسم خرائط أو التنبؤ بـ PTE وخصائص التربة وأنواع التربة.
خوارزميات التعلم الآلي (MLA) هي تقنية جديدة نسبيًا تستخدم فئات بيانات غير خطية أكبر، مدعومة بخوارزميات تستخدم في المقام الأول لاستخراج البيانات وتحديد الأنماط في البيانات، وتُطبق بشكل متكرر على التصنيف في المجالات العلمية مثل علوم التربة ومهام الإرجاع. تعتمد العديد من أوراق البحث على نماذج MLA للتنبؤ بـ PTE في التربة، مثل Tan et al. 22 (الغابات العشوائية لتقدير المعادن الثقيلة في التربة الزراعية)، وSakizadeh et al. 23 (النمذجة باستخدام آلات المتجهات الداعمة والشبكات العصبية الاصطناعية) تلوث التربة). بالإضافة إلى ذلك، Vega et al. 24 (CART لنمذجة احتباس المعادن الثقيلة وامتصاصها في التربة) وSun et al. 25 (تطبيق التكعيبية هو توزيع الكادميوم في التربة) وخوارزميات أخرى مثل k-nearest neighbor وgenerated boosted regression وboost regression Trees كما طبقت MLA للتنبؤ بـ PTE في التربة.
يواجه تطبيق خوارزميات DSM في التنبؤ أو رسم الخرائط العديد من التحديات. يعتقد العديد من المؤلفين أن MLA متفوق على الإحصاء الجغرافي والعكس صحيح. على الرغم من أن أحدهما أفضل من الآخر، فإن الجمع بين الاثنين يحسن مستوى دقة رسم الخرائط أو التنبؤ في DSM15. علق Woodcock و Gopal26 Finke27؛ Pontius و Cheuk28 و Grunwald29 على أوجه القصور وبعض الأخطاء في رسم خرائط التربة المتوقعة. جرب علماء التربة مجموعة متنوعة من التقنيات لتحسين فعالية ودقة وقابلية التنبؤ لرسم خرائط DSM والتنبؤ بها. يعد الجمع بين عدم اليقين والتحقق أحد الجوانب العديدة المختلفة المدمجة في DSM لتحسين الفعالية وتقليل العيوب. ومع ذلك، يوضح Agyeman et al.15 أنه يجب التحقق من صحة سلوك التحقق وعدم اليقين الناتج عن إنشاء الخريطة والتنبؤ بها بشكل مستقل لتحسين جودة الخريطة. ترجع قيود DSM إلى جودة التربة المنتشرة جغرافيًا، والتي تنطوي على عنصر من عدم اليقين؛ ومع ذلك، فإن الافتقار إلى اليقين في نموذج البيانات الإحصائية قد ينشأ من مصادر متعددة للخطأ، وهي خطأ المتغير المشترك، وخطأ النموذج، وخطأ الموقع، والخطأ التحليلي 31. ترتبط عدم دقة النمذجة الناجمة عن MLA والعمليات الإحصائية الجغرافية بعدم الفهم، مما يؤدي في النهاية إلى التبسيط المفرط للعملية الحقيقية 32. وبغض النظر عن طبيعة النمذجة، يمكن أن تُعزى عدم الدقة إلى معلمات النمذجة أو تنبؤات النموذج الرياضي أو الاستيفاء 33. وفي الآونة الأخيرة، ظهر اتجاه جديد في نموذج البيانات الإحصائية يعزز تكامل الإحصاءات الجغرافية وMLA في رسم الخرائط والتنبؤ. وقد استغل العديد من علماء التربة والمؤلفين، مثل سيرجيف وآخرون 34؛ وسوبوتينا وآخرون 35؛ وتاراسوف وآخرون 36؛ وتاراسوف وآخرون 37، الجودة الدقيقة للإحصاءات الجغرافية والتعلم الآلي لإنشاء نماذج هجينة تعمل على تحسين كفاءة التنبؤ ورسم الخرائط. الجودة. بعض هذه النماذج الخوارزمية الهجينة أو المجمعة هي كريج الشبكة العصبية الاصطناعية (ANN-RK)، كريج المتبقي متعدد الطبقات (MLP-RK)، كريج المتبقي للشبكة العصبية الانحدارية المعممة (GR- NNRK) 36، كريج الشبكة العصبية الاصطناعية-متعدد الطبقات (ANN-K-MLP) 37 والكريج المشترك والانحدار بالعملية الغاوسية 38.
وفقًا لسيرجيف وآخرون، فإن الجمع بين تقنيات النمذجة المختلفة لديه القدرة على القضاء على العيوب وزيادة كفاءة النموذج الهجين الناتج بدلاً من تطوير نموذج واحد. في هذا السياق، تجادل هذه الورقة الجديدة بأنه من الضروري تطبيق خوارزمية مشتركة بين الإحصاء الجغرافي و MLA لإنشاء نماذج هجينة مثالية للتنبؤ بإثراء النيكل في المناطق الحضرية وشبه الحضرية. ستعتمد هذه الدراسة على الكريجينغ البايزي التجريبي (EBK) كنموذج أساسي وخلطه مع آلة الدعم المتجه (SVM) ونماذج الانحدار الخطي المتعدد (MLR). لا يُعرف تهجين EBK مع أي MLA. النماذج المختلطة المتعددة التي شوهدت هي مجموعات من الكريجينغ العادي والمتبقي والانحداري و MLA. EBK هي طريقة استيفاء جغرافي إحصائي تستخدم عملية عشوائية مكانية موضعية كحقل عشوائي غير ثابت / ثابت مع معلمات توطين محددة على الحقل، مما يسمح بالتباين المكاني 39. تم استخدام EBK في مجموعة متنوعة من الدراسات، بما في ذلك تحليل توزيع الكربون العضوي في تربة المزارع40، وتقييم تلوث التربة41 ورسم خرائط خصائص التربة42.
من ناحية أخرى، الرسم البياني المنظم ذاتيًا (SeOM) هو خوارزمية تعلم تم تطبيقها في العديد من المقالات مثل Li et al. 43 وWang et al. 44 وHossain Bhuiyan et al. 45 وKebonye et al. 46 تحديد السمات المكانية وتجميع العناصر. يوضح Wang et al. 44 أن SeOM هي تقنية تعلم قوية معروفة بقدرتها على تجميع وتخيل المشكلات غير الخطية. وعلى عكس تقنيات التعرف على الأنماط الأخرى مثل تحليل المكونات الأساسية والتجميع الضبابي والتجميع الهرمي واتخاذ القرارات متعددة المعايير، فإن SeOM أفضل في تنظيم وتحديد أنماط PTE. ووفقًا لوانغ وآخرون. 44، يمكن لـ SeOM تجميع توزيع الخلايا العصبية ذات الصلة مكانيًا وتوفير تصور للبيانات عالية الدقة. سيصور SeOM بيانات التنبؤ بـ Ni للحصول على أفضل نموذج لتوصيف النتائج للتفسير المباشر.
تهدف هذه الورقة إلى إنشاء نموذج رسم خرائط قوي بدقة مثالية للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية. نفترض أن موثوقية النموذج المختلط تعتمد بشكل أساسي على تأثير النماذج الأخرى المرتبطة بالنموذج الأساسي. نحن ندرك التحديات التي تواجه DSM، وبينما يتم تناول هذه التحديات على جبهات متعددة، يبدو أن الجمع بين التقدم في الإحصاء الجغرافي ونماذج MLA تدريجي؛ لذلك، سنحاول الإجابة على أسئلة البحث التي قد تسفر عن نماذج مختلطة. ومع ذلك، ما مدى دقة النموذج في التنبؤ بالعنصر المستهدف؟ وأيضًا، ما هو مستوى تقييم الكفاءة بناءً على تقييم التحقق والدقة؟ لذلك، كانت الأهداف المحددة لهذه الدراسة هي (أ) إنشاء نموذج خليط مشترك لـ SVMR أو MLR باستخدام EBK كنموذج أساسي، (ب) مقارنة النماذج الناتجة (ج) اقتراح أفضل نموذج خليط للتنبؤ بتركيزات النيكل في التربة الحضرية أو شبه الحضرية، و(د) تطبيق SeOM لإنشاء خريطة عالية الدقة للتباين المكاني للنيكل.
يتم إجراء الدراسة في جمهورية التشيك، وتحديدًا في منطقة فريديك ميستيك في منطقة مورافيا-سيليزيا (انظر الشكل 1). تتميز جغرافية منطقة الدراسة بوعورة شديدة وهي في الغالب جزء من منطقة بيسكيدي مورافيا-سيليزيا، وهي جزء من الحافة الخارجية لجبال الكاربات. تقع منطقة الدراسة بين 49° 41′ 0′ شمالًا و18° 20′ 0′ شرقًا، ويتراوح الارتفاع بين 225 و327 مترًا؛ ومع ذلك، فإن نظام تصنيف كوبن للحالة المناخية للمنطقة يصنف على أنه Cfb = مناخ محيطي معتدل، وهناك الكثير من الأمطار حتى في الأشهر الجافة. وتختلف درجات الحرارة قليلاً على مدار العام بين -5 درجة مئوية و24 درجة مئوية، ونادراً ما تنخفض عن -14 درجة مئوية أو تزيد عن 30 درجة مئوية، بينما يتراوح متوسط ​​هطول الأمطار السنوي بين 685 و752 ملم47. وتبلغ مساحة المسح المقدرة للمنطقة بأكملها 1208 كيلومترًا مربعًا، مع 39.38٪ من الأراضي المزروعة و49.36٪ من الغطاء الحرجي. ومن ناحية أخرى، تبلغ مساحة المنطقة المستخدمة في هذه الدراسة حوالي 889.8 كيلومترًا مربعًا. وفي أوسترافا وما حولها، تعد صناعة الصلب والأعمال المعدنية نشطة للغاية. ومصانع المعادن، وصناعة الصلب حيث يستخدم النيكل في الفولاذ المقاوم للصدأ (على سبيل المثال لمقاومة التآكل الجوي) والفولاذ السبائكي (يزيد النيكل من قوة السبائك مع الحفاظ على ليونتها الجيدة و تعتبر الزراعة المكثفة مثل استخدام الأسمدة الفوسفاتية وإنتاج الثروة الحيوانية من المصادر البحثية المحتملة للنيكل في المنطقة (على سبيل المثال، إضافة النيكل إلى الحملان لزيادة معدلات النمو في الحملان والماشية منخفضة التغذية). تشمل الاستخدامات الصناعية الأخرى للنيكل في مجالات البحث استخدامه في الطلاء الكهربائي، بما في ذلك طلاء النيكل الكهربائي وعمليات الطلاء بالنيكل بدون كهرباء. يمكن تمييز خصائص التربة بسهولة من لون التربة وبنيتها ومحتوى الكربونات. نسيج التربة متوسط ​​إلى ناعم، مشتق من المادة الأم. وهي طينية أو طميية أو ريحية بطبيعتها. تظهر بعض مناطق التربة مرقطة في السطح والتربة السفلية، وغالبًا ما تكون خرسانية ومبيضة. ومع ذلك، فإن الكامبيسول والستاغنوسول هما أكثر أنواع التربة شيوعًا في المنطقة48. مع ارتفاعات تتراوح من 455.1 إلى 493.5 مترًا، تهيمن الكامبيسول على جمهورية التشيك49.
خريطة منطقة الدراسة [تم إنشاء خريطة منطقة الدراسة باستخدام ArcGIS Desktop (ESRI, Inc، الإصدار 10.7، عنوان URL: https://desktop.arcgis.com).]
تم الحصول على إجمالي 115 عينة من التربة السطحية من التربة الحضرية وشبه الحضرية في منطقة فريدك ميستيك. كان نمط العينة المستخدم عبارة عن شبكة منتظمة مع عينات تربة متباعدة 2 × 2 كم، وتم قياس التربة السطحية على عمق 0 إلى 20 سم باستخدام جهاز GPS محمول باليد (Leica Zeno 5 GPS). يتم تعبئة العينات في أكياس Ziploc، ووضع العلامات عليها بشكل صحيح، وشحنها إلى المختبر. تم تجفيف العينات بالهواء لإنتاج عينات مسحوقة، ومسحوقة بواسطة نظام ميكانيكي (مطحنة أقراص فريتش)، ونخل (حجم الغربال 2 مم). ضع 1 جرام من عينات التربة المجففة والمتجانسة والمنخلة في زجاجات تفلون واضحة العلامات. في كل وعاء تفلون، ضع 7 مل من حمض الهيدروكلوريك بنسبة 35٪ و 3 مل من حمض النتريك بنسبة 65٪ (باستخدام موزع أوتوماتيكي - واحد لكل حمض)، وقم بتغطيتها برفق واترك العينات طوال الليل للتفاعل (ماء برنامج ريجيا). ضع السائل العلوي على صفيحة معدنية ساخنة (درجة الحرارة: 100 واط و 160 درجة مئوية) لمدة ساعتين لتسهيل عملية هضم العينات، ثم بردها. انقل السائل العلوي إلى قارورة حجمية سعة 50 مل وخففه إلى 50 مل بالماء منزوع الأيونات. بعد ذلك، قم بترشيح السائل العلوي المخفف في أنبوب PVC سعة 50 مل مع الماء منزوع الأيونات. بالإضافة إلى ذلك، تم تخفيف 1 مل من محلول التخفيف مع 9 مل من الماء منزوع الأيونات وترشيحه في أنبوب سعة 12 مل مُجهز لتركيز PTE الزائف. تم تحديد تركيزات PTEs (As و Cd و Cr و Cu و Mn و Ni و Pb و Zn و Ca و Mg و K) بواسطة ICP-OES (مطيافية الانبعاث البصري للبلازما المقترنة بالحث) (Thermo Fisher Scientific، الولايات المتحدة الأمريكية) وفقًا للطرق القياسية والاتفاقية. تأكد من ضمان الجودة والتحكم تم استبعاد اختبارات PTE ذات حدود الكشف أقل من النصف من هذه الدراسة. كان حد الكشف لاختبار PTE المستخدم في هذه الدراسة 0.0004. (أنت). بالإضافة إلى ذلك، يتم ضمان عملية مراقبة الجودة وضمان الجودة لكل تحليل من خلال تحليل المعايير المرجعية. ولضمان تقليل الأخطاء، تم إجراء تحليل مزدوج.
كريجينج بايزي تجريبي (EBK) هو أحد تقنيات الاستيفاء الجيوإحصائي العديدة المستخدمة في النمذجة في مجالات متنوعة مثل علوم التربة. وعلى عكس تقنيات الاستيفاء بالكريج الأخرى، يختلف EBK عن طرق الكريج التقليدية من خلال مراعاة الخطأ المقدر بواسطة نموذج شبه الفاريوجرام. في استيفاء EBK، يتم حساب العديد من نماذج شبه الفاريوجرام أثناء الاستيفاء، بدلاً من شبه الفاريوجرام واحد. تفسح تقنيات الاستيفاء المجال لعدم اليقين والبرمجة المرتبطة برسم شبه الفاريوجرام الذي يشكل جزءًا معقدًا للغاية من طريقة كريج كافية. تتبع عملية الاستيفاء الخاصة بـ EBK المعايير الثلاثة التي اقترحها Krivoruchko50، (أ) يقدر النموذج شبه الفاريوجرام من مجموعة بيانات الإدخال (ب) القيمة المتوقعة الجديدة لكل موقع في مجموعة بيانات الإدخال بناءً على شبه الفاريوجرام الناتج و(ج) يتم حساب النموذج A النهائي من مجموعة بيانات محاكاة. يتم إعطاء قاعدة المعادلة البايزية كلاحقة
حيث يمثل \(Prob\left(A\right)\) الاحتمالية السابقة، يتم تجاهل الاحتمالية الهامشية \(Prob\left(B\right)\) في معظم الحالات، \(Prob (B,A)\). يعتمد حساب شبه الفاريوجرام على قاعدة بايز، والتي توضح ميل مجموعات بيانات الملاحظات التي يمكن إنشاؤها من شبه الفاريوجرام. يتم بعد ذلك تحديد قيمة شبه الفاريوجرام باستخدام قاعدة بايز، والتي تنص على مدى احتمالية إنشاء مجموعة بيانات من الملاحظات من شبه الفاريوجرام.
آلة دعم المتجهات هي خوارزمية تعلُّم آلي تُولِّد مستوى فصل مثاليًا للتمييز بين الفئات المتطابقة ولكن غير المستقلة خطيًا. أنشأ فابنيك51 خوارزمية تصنيف النية، ولكن تم استخدامها مؤخرًا لحل المشكلات الموجهة نحو الانحدار. وفقًا لـ لي وآخرون52، تُعد آلة دعم المتجهات واحدة من أفضل تقنيات التصنيف وقد تم استخدامها في مجالات مختلفة. تم استخدام مكون الانحدار في آلة دعم المتجهات (SVMR) في هذا التحليل. كان تشيركاسكي ومولير53 رائدين في استخدام آلة دعم المتجهات باعتبارها انحدارًا قائمًا على النواة، وتم إجراء حسابه باستخدام نموذج انحدار خطي مع وظائف مكانية متعددة البلدان. ​​أفاد جون وآخرون54 أن نمذجة آلة دعم المتجهات تستخدم الانحدار الخطي الفائق المستوى، مما يخلق علاقات غير خطية ويسمح بالوظائف المكانية. وفقًا لـ فولاند وآخرون. 55، يستخدم epsilon (ε)-SVMR مجموعة البيانات المدربة للحصول على نموذج تمثيلي كدالة غير حساسة للإبسيلون يتم تطبيقها لرسم خريطة البيانات بشكل مستقل مع أفضل تحيز للإبسيلون من التدريب على البيانات المرتبطة. يتم تجاهل خطأ المسافة المحددة مسبقًا من القيمة الفعلية، وإذا كان الخطأ أكبر من ε(ε)، فإن خصائص التربة تعوضه. يقلل النموذج أيضًا من تعقيد بيانات التدريب إلى مجموعة فرعية أوسع من متجهات الدعم. تظهر المعادلة التي اقترحها Vapnik51 أدناه.
حيث يمثل b عتبة العددية، ويمثل \(K\left({x}_{,}{ x}_{k}\right)\) دالة النواة، ويمثل \(\alpha\) مضاعف لاغرانج، ويمثل N مجموعة بيانات رقمية، ويمثل \({x}_{k}\) إدخال البيانات، و\(y\) إخراج البيانات. أحد النوى الرئيسية المستخدمة هي عملية SVMR، وهي دالة أساس شعاعي غاوسي (RBF). يتم تطبيق نواة RBF لتحديد نموذج SVMR الأمثل، وهو أمر بالغ الأهمية للحصول على عامل مجموعة العقوبة الأكثر دقة C ومعلمة النواة جاما (γ) لبيانات تدريب PTE. أولاً، قمنا بتقييم مجموعة التدريب ثم اختبرنا أداء النموذج على مجموعة التحقق. معلمة التوجيه المستخدمة هي سيجما وقيمة الطريقة هي svmRadial.
نموذج الانحدار الخطي المتعدد (MLR) هو نموذج انحدار يمثل العلاقة بين متغير الاستجابة وعدد من متغيرات التنبؤ باستخدام معلمات مجمعة خطية محسوبة باستخدام طريقة المربعات الصغرى. في MLR، نموذج المربعات الصغرى هو دالة تنبؤية لخصائص التربة بعد اختيار المتغيرات التفسيرية. من الضروري استخدام الاستجابة لإنشاء علاقة خطية باستخدام المتغيرات التفسيرية. تم استخدام PTE كمتغير استجابة لإنشاء علاقة خطية مع المتغيرات التفسيرية. معادلة MLR هي
حيث y هو متغير الاستجابة، و\(a\) هو القاطع، وn هو عدد المتنبئين، و\({b}_{1}\) هو الانحدار الجزئي للمعاملات، و\({x}_{i}\) يمثل متنبئًا أو متغيرًا توضيحيًا، و\({\varepsilon }_{i}\) يمثل الخطأ في النموذج، والمعروف أيضًا باسم المتبقي.
تم الحصول على النماذج المختلطة عن طريق وضع EBK مع SVMR و MLR. يتم ذلك عن طريق استخراج القيم المتوقعة من استيفاء EBK. يتم الحصول على القيم المتوقعة التي تم الحصول عليها من Ca و K و Mg المداخلة من خلال عملية تركيبية للحصول على متغيرات جديدة، مثل CaK و CaMg و KMg. ثم يتم دمج عناصر Ca و K و Mg للحصول على متغير رابع، CaKMg. بشكل عام، المتغيرات التي تم الحصول عليها هي Ca و K و Mg و CaK و CaMg و KMg و CaKMg. أصبحت هذه المتغيرات متنبئين لنا، مما يساعد في التنبؤ بتركيزات النيكل في التربة الحضرية وشبه الحضرية. تم إجراء خوارزمية SVMR على المتنبئين للحصول على نموذج مختلط تجريبي لآلة متجه الدعم البايزي (EBK_SVM). وبالمثل، يتم أيضًا توجيه المتغيرات من خلال خوارزمية MLR للحصول على نموذج مختلط تجريبي لآلة متجه الدعم البايزي - متعدد الانحدار (EBK_MLR). عادة، يتم استخدام المتغيرات Ca وK وMg وCaK وCaMg وKMg وCaKMg كمتغيرات مشتركة للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية. سيتم بعد ذلك تصور النموذج الأكثر قبولاً الذي تم الحصول عليه (EBK_SVM أو EBK_MLR) باستخدام رسم بياني ذاتي التنظيم. يظهر سير العمل لهذه الدراسة في الشكل 2.
لقد أصبح استخدام SeOM أداة شائعة لتنظيم البيانات وتقييمها والتنبؤ بها في القطاع المالي والرعاية الصحية والصناعة والإحصاء وعلوم التربة والمزيد. يتم إنشاء SeOM باستخدام الشبكات العصبية الاصطناعية وطرق التعلم غير الخاضعة للإشراف للتنظيم والتقييم والتنبؤ. في هذه الدراسة، تم استخدام SeOM لتصور تركيزات النيكل بناءً على أفضل نموذج للتنبؤ بالنيكل في التربة الحضرية وشبه الحضرية. يتم استخدام البيانات التي تمت معالجتها في تقييم SeOM كمتغيرات متجهية ذات أبعاد إدخال n43،56.Melssen et al. 57 وصف اتصال متجه الإدخال في شبكة عصبية من خلال طبقة إدخال واحدة إلى متجه إخراج بمتجه وزن واحد. الناتج الناتج عن SeOM هو خريطة ثنائية الأبعاد تتكون من خلايا عصبية أو عقد مختلفة منسوجة في خرائط طوبولوجية سداسية أو دائرية أو مربعة وفقًا لقربها. بمقارنة أحجام الخرائط بناءً على الخطأ المتري وخطأ التكميم (QE) والخطأ الطبوغرافي (TE)، يتم اختيار نموذج SeOM مع 0.086 و 0.904 على التوالي، وهي وحدة مكونة من 55 خريطة (5 × 11). يتم تحديد بنية الخلايا العصبية وفقًا لعدد العقد في المعادلة التجريبية
عدد البيانات المستخدمة في هذه الدراسة هو 115 عينة. تم استخدام نهج عشوائي لتقسيم البيانات إلى بيانات اختبار (25٪ للتحقق) ومجموعات بيانات التدريب (75٪ للمعايرة). تُستخدم مجموعة بيانات التدريب لإنشاء نموذج الانحدار (المعايرة)، وتُستخدم مجموعة بيانات الاختبار للتحقق من قدرة التعميم58. تم ذلك لتقييم مدى ملاءمة النماذج المختلفة للتنبؤ بمحتوى النيكل في التربة. خضعت جميع النماذج المستخدمة لعملية تحقق متبادل من عشرة أضعاف، تكررت خمس مرات. تُستخدم المتغيرات التي ينتجها استيفاء EBK كمتنبئات أو متغيرات توضيحية للتنبؤ بالمتغير المستهدف (PTE). تتم معالجة النمذجة في RStudio باستخدام مكتبة الحزم (Kohonen)، والمكتبة (caret)، والمكتبة (modelr)، والمكتبة ("e1071")، والمكتبة ("plyr")، والمكتبة ("caTools")، والمكتبة ("expentr") والمكتبات ("Metrics").
تم استخدام معلمات التحقق المختلفة لتحديد أفضل نموذج مناسب للتنبؤ بتركيزات النيكل في التربة وتقييم دقة النموذج وصلاحيته. تم تقييم نماذج التهجين باستخدام متوسط ​​الخطأ المطلق (MAE) وخطأ الجذر التربيعي المتوسط ​​(RMSE) وتحديد R-squared أو معامل (R2). يحدد R2 تباين النسب في الإجابة، ويمثله نموذج الانحدار. يصف RMSE وحجم التباين في المقاييس المستقلة القوة التنبؤية للنموذج، بينما يحدد MAE القيمة الكمية الفعلية. يجب أن تكون قيمة R2 عالية لتقييم أفضل نموذج خليط باستخدام معلمات التحقق، وكلما اقتربت القيمة من 1، زادت الدقة. وفقًا لـ Li et al. 59، تعتبر قيمة معيار R2 البالغة 0.75 أو أكبر متنبئًا جيدًا؛ من 0.5 إلى 0.75 هو أداء نموذج مقبول، وأقل من 0.5 هو أداء نموذج غير مقبول. عند اختيار نموذج باستخدام طرق تقييم معايير التحقق RMSE وMAE، كانت القيم المنخفضة التي تم الحصول عليها كافية واعتبرت الخيار الأفضل. تصف المعادلة التالية طريقة التحقق.
حيث يمثل n حجم القيمة المرصودة، ويمثل \({Y}_{i}\) الاستجابة المقاسة، ويمثل \({\widehat{Y}}_{i}\) أيضًا قيمة الاستجابة المتوقعة، لذلك، بالنسبة للملاحظات i الأولى.
يتم تقديم الأوصاف الإحصائية لمتغيرات التنبؤ والاستجابة في الجدول 1، والتي توضح المتوسط ​​والانحراف المعياري (SD) ومعامل التباين (CV) والحد الأدنى والحد الأقصى والتفرطح والانحراف. يتم ترتيب الحد الأدنى والحد الأقصى للعناصر بترتيب تنازلي من Mg < Ca < K < Ni و Ca < Mg < K < Ni، على التوالي. تراوحت تركيزات متغير الاستجابة (Ni) المأخوذة من منطقة الدراسة من 4.86 إلى 42.39 ملغم/كغم. أظهرت مقارنة النيكل بالمتوسط ​​العالمي (29 ملغم/كغم) والمتوسط ​​الأوروبي (37 ملغم/كغم) أن المتوسط ​​الهندسي المحسوب الإجمالي لمنطقة الدراسة كان ضمن النطاق المقبول. ومع ذلك، كما هو موضح بواسطة Kabata-Pendias11، تُظهر مقارنة متوسط ​​تركيز النيكل (Ni) في الدراسة الحالية مع التربة الزراعية في السويد أن متوسط ​​تركيز النيكل الحالي أعلى. وبالمثل، فإن متوسط ​​تركيز فريدك ميستيك في المناطق الحضرية و التربة المحيطة بالمناطق الحضرية في الدراسة الحالية (ني 16.15 ملغم/كجم) كانت أعلى من الحد المسموح به وهو 60 (10.2 ملغم/كجم) للنيكل في التربة الحضرية البولندية التي أبلغ عنها روزانسكي وآخرون. وعلاوة على ذلك، سجل بريتزل وكالديريسي61 متوسط ​​تركيزات منخفضة للغاية للنيكل (1.78 ملغم/كجم) في التربة الحضرية في توسكانا مقارنة بالدراسة الحالية. كما وجد جيم62 تركيزًا أقل للنيكل (12.34 ملغم/كجم) في التربة الحضرية في هونج كونج، وهو أقل من تركيز النيكل الحالي في هذه الدراسة. وأفاد بيرك وآخرون63 بمتوسط ​​تركيز للنيكل قدره 17.6 ملغم/كجم في منطقة تعدين وصناعات حضرية قديمة في ساكسونيا أنهالت بألمانيا، وهو أعلى بمقدار 1.45 ملغم/كجم من متوسط ​​تركيز النيكل في المنطقة (16.15 ملغم/كجم). البحث الحالي. إن المحتوى المفرط للنيكل في التربة في بعض المناطق الحضرية والضواحي في منطقة الدراسة قد يعزى ذلك بشكل رئيسي إلى صناعة الحديد والصلب وصناعة المعادن. وهذا يتفق مع الدراسة التي أجراها خدادوست وآخرون. 64 بأن صناعة الصلب وتشغيل المعادن هي المصادر الرئيسية لتلوث النيكل في التربة. ومع ذلك، تراوحت المتنبئات أيضًا من 538.70 مجم/كجم إلى 69161.80 مجم/كجم للكالسيوم، و497.51 مجم/كجم إلى 3535.68 مجم/كجم للبوتاسيوم، و685.68 مجم/كجم إلى 5970.05 مجم/كجم للمغنيسيوم. جاكوفليفيتش وآخرون. 65 قاموا بالتحقيق في إجمالي محتوى المغنيسيوم والبوتاسيوم في التربة في وسط صربيا. ووجدوا أن التركيزات الإجمالية (410 ملغم/كجم و400 ملغم/كجم على التوالي) كانت أقل من تركيزات المغنيسيوم والبوتاسيوم في الدراسة الحالية. لا يمكن التمييز بين أورزيكوفسكي وسمولتشينسكي66 في شرق بولندا حيث قاموا بتقييم إجمالي محتوى الكالسيوم والمغنيسيوم والبوتاسيوم وأظهروا متوسط ​​تركيزات الكالسيوم (1100 ملغم/كجم) والمغنيسيوم (590 ملغم/كجم) والبوتاسيوم (810 ملغم/كجم). المحتوى في التربة السطحية أقل من العنصر الفردي في هذه الدراسة. أظهرت دراسة حديثة أجراها بونجراك وآخرون67 أن إجمالي محتوى الكالسيوم الذي تم تحليله في 3 أنواع مختلفة من التربة في اسكتلندا، المملكة المتحدة (تربة ميلينفيلد، وتربة بالرودري، وتربة هارتوود) يشير إلى محتوى أعلى من الكالسيوم في هذه الدراسة.
بسبب التركيزات المقاسة المختلفة للعناصر المأخوذة من العينات، فإن توزيعات مجموعة البيانات للعناصر تظهر انحرافًا مختلفًا. تراوح الانحراف والتفرطح للعناصر من 1.53 إلى 7.24 ومن 2.49 إلى 54.16 على التوالي. جميع العناصر المحسوبة لها مستويات انحراف وتفرطح أعلى من +1، مما يشير إلى أن توزيع البيانات غير منتظم ومنحرف في الاتجاه الصحيح وبلغ ذروته. تُظهر معاملات السيرة الذاتية المقدرة للعناصر أيضًا أن K و Mg و Ni تظهر تباينًا معتدلًا، بينما يتمتع Ca بتباين مرتفع للغاية. تشرح معاملات السيرة الذاتية لـ K و Ni و Mg توزيعها المنتظم. علاوة على ذلك، فإن توزيع Ca غير منتظم وقد تؤثر المصادر الخارجية على مستوى إثرائه.
أشار ارتباط المتغيرات التنبؤية مع عناصر الاستجابة إلى ارتباط مرضي بين العناصر (انظر الشكل 3). وأشار الارتباط إلى أن CaK أظهر ارتباطًا معتدلًا بقيمة r = 0.53، كما فعل CaNi. وعلى الرغم من أن Ca وK يظهران ارتباطات متواضعة مع بعضهما البعض، إلا أن الباحثين مثل كينغستون وآخرون. 68 وSanto69 يشيران إلى أن مستوياتهما في التربة تتناسب عكسياً. ومع ذلك، فإن الكالسيوم والمغنيسيوم معاديان للبوتاسيوم، ولكن الكالسيوم والبوتاسيوم يرتبطان بشكل جيد. قد يكون هذا بسبب استخدام الأسمدة مثل كربونات البوتاسيوم، والتي تحتوي على نسبة أعلى من البوتاسيوم بنسبة 56%. كان البوتاسيوم مرتبطًا بشكل معتدل بالمغنيسيوم (KM r = 0.63). في صناعة الأسمدة، يرتبط هذان العنصران ارتباطًا وثيقًا لأن كبريتات البوتاسيوم والمغنيسيوم ونترات البوتاسيوم والمغنيسيوم والبوتاس تُطبق على التربة لزيادة مستويات نقصها. يرتبط النيكل بشكل معتدل بالكالسيوم والبوتاسيوم والمغنيسيوم بقيم r = 0.52 و0.63 و0.55 على التوالي. العلاقات التي تشمل الكالسيوم والمغنيسيوم وPTEs مثل النيكل معقدة، ولكن مع ذلك، يمنع المغنيسيوم امتصاص الكالسيوم، ويقلل الكالسيوم من آثار المغنيسيوم الزائد، ويقلل كل من المغنيسيوم والكالسيوم من الآثار السامة للنيكل في التربة.
مصفوفة الارتباط للعناصر التي توضح العلاقة بين المتنبئين والاستجابات (ملاحظة: يتضمن هذا الشكل رسمًا بيانيًا للتشتت بين العناصر، وتستند مستويات الأهمية على p < 0,001).
يوضح الشكل 4 التوزيع المكاني للعناصر. ووفقًا لبورجوس وآخرون70، فإن تطبيق التوزيع المكاني هو تقنية تُستخدم لتحديد وتسليط الضوء على النقاط الساخنة في المناطق الملوثة. ويمكن رؤية مستويات إثراء الكالسيوم في الشكل 4 في الجزء الشمالي الغربي من خريطة التوزيع المكاني. يوضح الشكل النقاط الساخنة لإثراء الكالسيوم من متوسطة إلى عالية. ومن المرجح أن يكون إثراء الكالسيوم في شمال غرب الخريطة بسبب استخدام الجير الحي (أكسيد الكالسيوم) لتقليل حموضة التربة واستخدامه في مصانع الصلب كأكسجين قلوي في عملية صناعة الصلب. ومن ناحية أخرى، يفضل المزارعون الآخرون استخدام هيدروكسيد الكالسيوم في التربة الحمضية لتحييد الرقم الهيدروجيني، مما يزيد أيضًا من محتوى الكالسيوم في التربة71. ويُظهر البوتاسيوم أيضًا نقاطًا ساخنة في شمال غرب وشرق الخريطة. يُعد الشمال الغربي مجتمعًا زراعيًا رئيسيًا، وقد يكون النمط المتوسط ​​إلى المرتفع للبوتاسيوم ناتجًا عن تطبيقات NPK والبوتاس. وهذا يتفق مع دراسات أخرى، مثل ماداراس و ليبافسكي72، ماداراس وآخرون73، بولكرابوفا وآخرون74، أساري وآخرون75، الذين لاحظوا أن تثبيت التربة ومعالجتها بكلوريد البوتاسيوم والنيتروجين والفوسفور والبوتاسيوم أدى إلى ارتفاع نسبة البوتاسيوم فيها. قد يُعزى إثراء البوتاسيوم المكاني في شمال غرب خريطة التوزيع إلى استخدام الأسمدة القائمة على البوتاسيوم، مثل كلوريد البوتاسيوم، وكبريتات البوتاسيوم، ونترات البوتاسيوم، والبوتاس، والبوتاس، لزيادة محتوى البوتاسيوم في التربة الفقيرة. زادوروفا وآخرون76، وتلوستوش وآخرون. 77 أوضح أن استخدام الأسمدة القائمة على البوتاسيوم يزيد من محتوى البوتاسيوم في التربة ويزيد بشكل كبير من محتوى العناصر الغذائية في التربة على المدى الطويل، وخاصة البوتاسيوم والمغنيسيوم اللذين يظهران نقطة ساخنة في التربة. نقاط ساخنة معتدلة نسبيًا في شمال غرب الخريطة وجنوب شرق الخريطة. يؤدي التثبيت الغرواني في التربة إلى استنزاف تركيز المغنيسيوم في التربة. يؤدي نقصه في التربة إلى ظهور اصفرار بين الأوردة في النباتات. تعالج الأسمدة القائمة على المغنيسيوم، مثل كبريتات البوتاسيوم والمغنيسيوم وكبريتات المغنيسيوم والكيسيريت، أوجه القصور (تظهر النباتات باللون الأرجواني أو الأحمر أو البني، مما يشير إلى نقص المغنيسيوم) في التربة ذات نطاق درجة الحموضة الطبيعية6. قد يكون تراكم النيكل على أسطح التربة الحضرية وشبه الحضرية بسبب الأنشطة البشرية مثل الزراعة وأهمية النيكل في إنتاج الفولاذ المقاوم للصدأ78.
التوزيع المكاني للعناصر [تم إنشاء خريطة التوزيع المكاني باستخدام ArcGIS Desktop (ESRI, Inc، الإصدار 10.7، عنوان URL: https://desktop.arcgis.com).]
تظهر نتائج مؤشر أداء النموذج للعناصر المستخدمة في هذه الدراسة في الجدول 2. من ناحية أخرى، فإن RMSE وMAE لـ Ni كلاهما قريب من الصفر (0.86 RMSE، -0.08 MAE). من ناحية أخرى، فإن كل من قيم RMSE وMAE لـ K مقبولة. كانت نتائج RMSE وMAE أكبر للكالسيوم والمغنيسيوم. كانت نتائج MAE وRMSE لـ Ca وK أكبر بسبب مجموعات البيانات المختلفة. وجد أن RMSE وMAE لهذه الدراسة باستخدام EBK للتنبؤ بالنيكل أفضل من نتائج John et al. 54 باستخدام الكريج التآزري للتنبؤ بتركيزات S في التربة باستخدام نفس البيانات المجمعة. ترتبط مخرجات EBK التي درسناها بمخرجات Fabijaczyk et al. 41 و Yan et al. 79 و Beguin et al. 80 و Adhikary et al. 81 و John et al. 82، وخاصة K و Ni.
تم تقييم أداء الطرق الفردية للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية باستخدام أداء النماذج (الجدول 3). وأكد تقييم صحة النموذج ودقته أن متنبئ Ca_Mg_K المدمج مع نموذج EBK SVMR قد أعطى أفضل أداء. نموذج المعايرة Ca_Mg_K-EBK_SVMR نموذج R2، خطأ الجذر التربيعي المتوسط ​​(RMSE) ومتوسط ​​الخطأ المطلق (MAE) كان 0.637 (R2)، 95.479 مجم/كجم (RMSE) و77.368 مجم/كجم (MAE) كان Ca_Mg_K-SVMR 0.663 (R2)، 235.974 مجم/كجم (RMSE) و166.946 مجم/كجم (MAE). ومع ذلك، تم الحصول على قيم R2 جيدة لـ Ca_Mg_K-SVMR (0.663 مجم/كجم R2) و Ca_Mg-EBK_SVMR (0.643 = R2)؛ كانت نتائج RMSE وMAE أعلى من تلك الخاصة بـ Ca_Mg_K-EBK_SVMR (R2 0.637) (انظر الجدول 3). بالإضافة إلى ذلك، فإن RMSE وMAE لنموذج Ca_Mg-EBK_SVMR (RMSE = 1664.64 وMAE = 1031.49) هما 17.5 و13.4 على التوالي، وهما أكبر من تلك الخاصة بـ Ca_Mg_K-EBK_SVMR. وبالمثل، فإن RMSE وMAE لنموذج Ca_Mg-K SVMR (RMSE = 235.974 وMAE = 166.946) أكبر بمقدار 2.5 و2.2 من تلك الخاصة بـ Ca_Mg_K-EBK_SVMR RMSE وMAE على التوالي. تشير نتائج RMSE المحسوبة إلى مدى تركيز مجموعة البيانات مع خط أفضل ملاءمة. كانت قيم RSME وMAE الأعلى وفقًا لـ Kebonye et al. 46 و john et al. 54، كلما اقتربت قيم RMSE و MAE من الصفر، كانت النتائج أفضل. يحتوي SVMR و EBK_SVMR على قيم RSME و MAE كمية أعلى. لوحظ أن تقديرات RSME كانت أعلى باستمرار من قيم MAE، مما يشير إلى وجود قيم متطرفة. وفقًا لـ Legates و McCabe83، يوصى بمدى تجاوز RMSE لمتوسط ​​الخطأ المطلق (MAE) كمؤشر على وجود قيم متطرفة. هذا يعني أنه كلما كانت مجموعة البيانات غير متجانسة، زادت قيم MAE و RMSE. كانت دقة تقييم التحقق المتبادل للنموذج المختلط Ca_Mg_K-EBK_SVMR للتنبؤ بمحتوى النيكل في التربة الحضرية والضواحي 63.70٪. وفقًا لـ Li et al. 59، هذا المستوى من الدقة هو معدل أداء نموذج مقبول. تتم مقارنة النتائج الحالية بدراسة سابقة أجراها تاراسوف وآخرون. 36 حيث أنشأ نموذجها الهجين MLPRK (كريجينج بقايا متعدد الطبقات للإدراك الحسي)، فيما يتعلق بمؤشر تقييم دقة EBK_SVMR المذكور في الدراسة الحالية، وكان RMSE (210) وMAE (167.5) أعلى من نتائجنا في الدراسة الحالية (RMSE 95.479، MAE 77.368). ومع ذلك، عند مقارنة R2 للدراسة الحالية (0.637) مع تلك الخاصة بتاراسوف وآخرون. 36 (0.544)، من الواضح أن معامل التحديد (R2) أعلى في هذا النموذج المختلط. هامش الخطأ (RMSE وMAE) (EBK SVMR) للنموذج المختلط أقل بمرتين. وبالمثل، سجل سيرجيف وآخرون.34 0.28 (R2) للنموذج الهجين المتطور (Multilayer Perceptron Residual Kriging)، بينما سجل Ni في الدراسة الحالية 0.637 (R2). مستوى دقة التنبؤ لهذا النموذج (EBK SVMR) هو 63.7٪، في حين أن دقة التنبؤ التي حصل عليها سيرجيف وآخرون.34 هي 28٪. تُظهر الخريطة النهائية (الشكل 5) التي تم إنشاؤها باستخدام نموذج EBK_SVMR وCa_Mg_K كمتنبئ تنبؤات بالبقع الساخنة والمعتدلة إلى النيكل في جميع أنحاء منطقة الدراسة. وهذا يعني أن تركيز النيكل في منطقة الدراسة معتدل بشكل أساسي، مع تركيزات أعلى في بعض المناطق المحددة.
يتم تمثيل خريطة التنبؤ النهائية باستخدام النموذج الهجين EBK_SVMR واستخدام Ca_Mg_K كمتنبئ. [تم إنشاء خريطة التوزيع المكاني باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
يوضح الشكل 6 تركيزات PTE كمستوى تركيبي يتكون من خلايا عصبية فردية. لم يظهر أي من مستويات المكونات نفس نمط اللون كما هو موضح. ومع ذلك، فإن العدد المناسب من الخلايا العصبية لكل خريطة مرسومة هو 55. يتم إنتاج SeOM باستخدام مجموعة متنوعة من الألوان، وكلما كانت أنماط الألوان أكثر تشابهًا، زادت قابلية مقارنة خصائص العينات. وفقًا لمقياس الألوان الدقيق، أظهرت العناصر الفردية (Ca وK وMg) أنماط ألوان مماثلة للخلايا العصبية العالية الفردية ومعظم الخلايا العصبية المنخفضة. وبالتالي، يشترك CaK وCaMg في بعض أوجه التشابه مع الخلايا العصبية عالية الترتيب للغاية وأنماط الألوان المنخفضة إلى المتوسطة. يتنبأ كلا النموذجين بتركيز Ni في التربة من خلال عرض درجات ألوان متوسطة إلى عالية مثل الأحمر والبرتقالي والأصفر. يعرض نموذج KMg العديد من أنماط الألوان العالية بناءً على نسب دقيقة وبقع ألوان منخفضة إلى متوسطة. على مقياس ألوان دقيق من منخفض إلى مرتفع، أظهر نمط التوزيع المستوي لمكونات النموذج نمطًا لونيًا عاليًا يشير إلى التركيز المحتمل للنيكل في التربة (انظر الشكل 4). يُظهر المستوى المكون لنموذج CakMg نمطًا لونيًا متنوعًا من منخفض إلى مرتفع وفقًا لمقياس ألوان دقيق. علاوة على ذلك، فإن تنبؤ النموذج بمحتوى النيكل (CakMg) مشابه للتوزيع المكاني للنيكل الموضح في الشكل 5. يُظهر كلا الرسمين البيانيين نسبًا عالية ومتوسطة ومنخفضة لتركيزات النيكل في التربة الحضرية وشبه الحضرية. يوضح الشكل 7 طريقة الكنتور في تجميع k-means على الخريطة، مقسمة إلى ثلاث مجموعات بناءً على القيمة المتوقعة في كل نموذج. تمثل طريقة الكنتور العدد الأمثل للمجموعات. من بين 115 عينة تربة تم جمعها، حصلت الفئة 1 على أكبر عدد من عينات التربة، 74. تلقت المجموعة 2 33 عينة، بينما تلقت المجموعة 3 8 عينات. تم تبسيط تركيبة المتنبئ المستوي المكونة من سبعة مكونات للسماح بتفسير المجموعة بشكل صحيح. نظرًا للعديد من العمليات البشرية والطبيعية التي تؤثر على تكوين التربة، فمن الصعب الحصول على أنماط مجموعات متباينة بشكل صحيح في خريطة SeOM الموزعة 78.
مخرجات المستوى المكون لكل متغير من متغيرات آلة دعم المتجهات التجريبية البايزية (EBK_SVM_SeOM).[تم إنشاء خرائط SeOM باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
مكونات تصنيف المجموعة المختلفة [تم إنشاء خرائط SeOM باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
توضح الدراسة الحالية بوضوح تقنيات النمذجة لتركيزات النيكل في التربة الحضرية وشبه الحضرية. اختبرت الدراسة تقنيات نمذجة مختلفة، ودمجت العناصر مع تقنيات النمذجة، للحصول على أفضل طريقة للتنبؤ بتركيزات النيكل في التربة. أظهرت السمات المكانية المستوية التركيبية SeOM لتقنية النمذجة نمطًا لونيًا عاليًا من منخفض إلى مرتفع على مقياس ألوان دقيق، مما يشير إلى تركيزات النيكل في التربة. ومع ذلك، تؤكد خريطة التوزيع المكاني التوزيع المكاني المستوي للمكونات التي أظهرها EBK_SVMR (انظر الشكل 5). تُظهر النتائج أن نموذج الانحدار الآلي المتجه الداعم (Ca Mg K-SVMR) يتنبأ بتركيز النيكل في التربة كنموذج واحد، لكن معلمات تقييم التحقق والدقة تُظهر أخطاء عالية جدًا من حيث RMSE وMAE. من ناحية أخرى، فإن تقنية النمذجة المستخدمة مع نموذج EBK_MLR معيبة أيضًا بسبب القيمة المنخفضة لمعامل التحديد (R2). تم الحصول على نتائج جيدة باستخدام EBK SVMR والعناصر المدمجة (CaKMg) مع أخطاء RMSE وMAE منخفضة بدقة 63.7٪. اتضح أن الجمع بين خوارزمية EBK وخوارزمية التعلم الآلي يمكن أن يولد خوارزمية هجينة يمكنها التنبؤ بتركيز PTEs في التربة. تُظهر النتائج أن استخدام Ca Mg K كمتنبئين للتنبؤ بتركيزات النيكل في منطقة الدراسة يمكن أن يحسن التنبؤ بالنيكل في التربة. وهذا يعني أن الاستخدام المستمر للأسمدة القائمة على النيكل والتلوث الصناعي للتربة من قبل صناعة الصلب يميل إلى زيادة تركيز النيكل في التربة. كشفت هذه الدراسة أن نموذج EBK يمكن أن يقلل من مستوى الخطأ ويحسن دقة نموذج التوزيع المكاني للتربة في التربة الحضرية أو شبه الحضرية. بشكل عام، نقترح تطبيق نموذج EBK-SVMR لتقييم وتوقع PTE في التربة؛ بالإضافة إلى ذلك، نقترح استخدام EBK للتهجين مع خوارزميات التعلم الآلي المختلفة. تم التنبؤ بتركيزات النيكل باستخدام العناصر كمتغيرات مشتركة؛ ومع ذلك، فإن استخدام المزيد من المتغيرات المشتركة من شأنه أن يحسن بشكل كبير من أداء النموذج، وهو ما يمكن اعتباره قيدًا على العمل الحالي. ومن القيود الأخرى لهذه الدراسة أن عدد مجموعات البيانات هو 115. لذلك، إذا تم توفير المزيد من البيانات، يمكن تحسين أداء طريقة التهجين المُحسَّنة المقترحة.
PlantProbs.net.النيكل في النباتات والتربة https://plantprobs.net/plant/nutrientImbalances/sodium.html (تم الوصول إليه في 28 أبريل 2021).
كاسبرزاك، كيه إس. تقدم النيكل في علم السموم البيئي الحديث. علم السموم البيئي. 11، 145-183 (1987).
سيمبل، م. ونيكل، ج. النيكل: مراجعة لمصادره وعلم السموم البيئية. المجلة البولندية للبيئة. دراسة 15، 375-382 (2006).
فريدمان، ب. وهوتشينسون، ت. س. مدخلات الملوثات من الغلاف الجوي وتراكمها في التربة والنباتات بالقرب من مصهر النيكل والنحاس في سادبوري، أونتاريو، كندا. مجلة القانون الجنائي الكندي، 58(1)، 108-132. https://doi.org/10.1139/b80-014 (1980).
مانييوا، ت. وآخرون. المعادن الثقيلة في التربة والنباتات والمخاطر المرتبطة بالحيوانات المجترة الرعوية بالقرب من منجم سيليبي فيكوي للنحاس والنيكل في بوتسوانا. المناطق المحيطة. الكيمياء الجيولوجية. الصحة https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. العناصر النزرة في التربة و... - Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (تم الوصول إليه في 24 نوفمبر 2020).
ألماس، أ.، سينغ، ب.، الزراعة، TS-NJ لعام 1995، غير محدد. تأثيرات صناعة النيكل الروسية على تركيزات المعادن الثقيلة في التربة الزراعية والأعشاب في سور فارانجر، النرويج.agris.fao.org.
نيلسن، جي دي وآخرون. امتصاص النيكل والاحتفاظ به في مياه الشرب مرتبطان بتناول الطعام وحساسية النيكل. علم السموم. التطبيق. الديناميكا الدوائية. 154، 67-75 (1999).
كوستا، م. وكلاين، سي بي. تسرطن النيكل، الطفرة، علم الوراثة فوق الجينية أو الاختيار. البيئة المحيطة. منظور صحي. 107، 2 (1999).
عجمان، ب.س.؛ أجادو، س.ك.؛ بوروفكا، ل.؛ بيني، ج.ك.م.؛ ساركودي، ف.ي.و.؛ كوبوني، ن.م.؛ تحليل اتجاه العناصر السامة المحتملة: مراجعة ببليومترية. الكيمياء الجيولوجية البيئية والصحة. سبرينغر ساينس آند بيزنس ميديا ​​بي في 2020.https://doi.org/10.1007/s10653-020-00742-9.
ميناسني، ب. وماكبراتني، أ. ب. رسم الخرائط الرقمية للتربة: تاريخ موجز وبعض الدروس. جيوديرما 264، 301-311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. على رسم خرائط التربة الرقمية.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=ar&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (تم الوصول إليه في 28 أبريل 2021).