نشكركم على زيارة موقع Nature.com. يُعاني متصفحكم من محدودية دعم CSS. للحصول على أفضل تجربة، نوصي باستخدام متصفح مُحدّث (أو تعطيل وضع التوافق في Internet Explorer). في هذه الأثناء، ولضمان استمرار الدعم، سنعرض الموقع بدون أنماط CSS وجافا سكريبت.
يُعد تلوث التربة مشكلة كبيرة ناجمة عن الأنشطة البشرية. ويختلف التوزيع المكاني للعناصر السامة المحتملة في معظم المناطق الحضرية وشبه الحضرية، مما يجعل التنبؤ المكاني بمحتوى هذه العناصر في التربة أمرًا صعبًا. تم الحصول على 115 عينة من فريدك ميستيك في جمهورية التشيك. وتم تحديد تركيزات الكالسيوم (Ca) والمغنيسيوم (Mg) والبوتاسيوم (K) والنيكل (Ni) باستخدام مطياف انبعاث البلازما المقترنة حثيًا. المتغير التابع هو النيكل، والمتغيرات المستقلة هي الكالسيوم والمغنيسيوم والبوتاسيوم. تُظهر مصفوفة الارتباط بين المتغير التابع والمتغير المستقل ارتباطًا جيدًا بين العناصر. وأظهرت نتائج التنبؤ أن نموذج انحدار آلة المتجهات الداعمة (SVMR) كان أداؤه جيدًا، على الرغم من أن متوسط ​​الجذر التربيعي للخطأ (RMSE) (235.974 ملغم/كغم) ومتوسط ​​الخطأ المطلق (MAE) (166.946 ملغم/كغم) كانا أعلى من الطرق الأخرى المستخدمة. أظهرت طريقة الانحدار الخطي المتعدد باستخدام طريقة كريغينغ (EBK-MLR) أداءً ضعيفًا، كما يتضح من معاملات التحديد التي تقل عن 0.1. وكان نموذج الانحدار باستخدام طريقة كريغينغ التجريبية البايزية مع آلة المتجهات الداعمة (EBK-SVMR) هو الأفضل، حيث حقق قيمًا منخفضة لجذر متوسط ​​مربع الخطأ (95.479 ملغم/كغم) ومتوسط ​​الخطأ المطلق (77.368 ملغم/كغم) ومعامل تحديد مرتفع (R² = 0.637). تم عرض مخرجات تقنية نمذجة EBK-SVMR باستخدام خريطة ذاتية التنظيم. تُظهر الخلايا العصبية المتجمعة في مستوى مكون النموذج الهجين CakMg-EBK-SVMR أنماطًا لونية متعددة تتنبأ بتركيزات النيكل في التربة الحضرية وشبه الحضرية. تُثبت النتائج أن الجمع بين EBK وSVMR تقنية فعالة للتنبؤ بتركيزات النيكل في التربة الحضرية وشبه الحضرية.
يُعتبر النيكل (Ni) من المغذيات الدقيقة للنباتات لأنه يُساهم في تثبيت النيتروجين الجوي (N) واستقلاب اليوريا، وكلاهما ضروريان لإنبات البذور. إضافةً إلى مساهمته في إنبات البذور، يُمكن للنيكل أن يعمل كمثبط للفطريات والبكتيريا، ويُعزز نمو النبات. يُؤدي نقص النيكل في التربة إلى امتصاص النبات له، مما يُسبب اصفرار الأوراق. على سبيل المثال، يحتاج اللوبيا والفاصوليا الخضراء إلى استخدام أسمدة تحتوي على النيكل لتحسين تثبيت النيتروجين. يُؤدي الاستخدام المُستمر للأسمدة التي تحتوي على النيكل لإثراء التربة وزيادة قدرة البقوليات على تثبيت النيتروجين فيها إلى زيادة تركيز النيكل في التربة. على الرغم من أن النيكل من المغذيات الدقيقة للنباتات، إلا أن الإفراط في تناوله في التربة يُمكن أن يُسبب ضررًا أكبر من النفع. تُقلل سمية النيكل في التربة من درجة حموضتها، وتُعيق امتصاص الحديد، وهو عنصر غذائي أساسي لنمو النبات. وفقًا لليو، وُجد أن النيكل هو العنصر السابع عشر المهم المطلوب لـ بالإضافة إلى دور النيكل في نمو النباتات وتطورها، يحتاجه الإنسان في تطبيقات متنوعة. فالطلاء الكهربائي، وإنتاج سبائك النيكل، وتصنيع أجهزة الإشعال وشمعات الاحتراق في صناعة السيارات، كلها تتطلب استخدام النيكل في قطاعات صناعية مختلفة. علاوة على ذلك، تُستخدم سبائك النيكل والمنتجات المطلية كهربائياً على نطاق واسع في أدوات المطبخ، ولوازم قاعات الرقص، ومستلزمات صناعة الأغذية، والكهرباء، والأسلاك والكابلات، وتوربينات الطائرات النفاثة، والغرسات الجراحية، والمنسوجات، وبناء السفن.⁵ تُعزى المستويات الغنية بالنيكل في التربة (أي التربة السطحية) إلى مصادر بشرية وطبيعية، ولكن في المقام الأول، يُعد النيكل مصدراً طبيعياً وليس بشرياً.^4،6 تشمل المصادر الطبيعية للنيكل الانفجارات البركانية، والنباتات، وحرائق الغابات، والعمليات الجيولوجية؛ مع ذلك، تشمل المصادر البشرية بطاريات النيكل/الكادميوم في صناعة الصلب، والطلاء الكهربائي، ولحام القوس الكهربائي، وزيوت الديزل والوقود، والانبعاثات الجوية الناتجة عن احتراق الفحم وحرق النفايات والحمأة. تراكم النيكل 7،8. وفقًا لفريدمان وهاتشينسون 9 ومانييوا وآخرون 10، فإن المصادر الرئيسية لتلوث التربة السطحية في البيئة المباشرة والمجاورة هي في الأساس مصاهر ومناجم النيكل والنحاس. سجلت التربة السطحية حول مصفاة سودبري للنيكل والنحاس في كندا أعلى مستويات تلوث النيكل عند 26000 ملغم/كغم 11. في المقابل، أدى التلوث الناتج عن إنتاج النيكل في روسيا إلى ارتفاع تركيزات النيكل في التربة النرويجية 11. وفقًا لألمز وآخرون. 12، تراوحت كمية النيكل القابل للاستخلاص بحمض النيتريك في أفضل الأراضي الزراعية في المنطقة (إنتاج النيكل في روسيا) بين 6.25 و136.88 ملغم/كغم، بمتوسط ​​30.43 ملغم/كغم وتركيز أساسي 25 ملغم/كغم. ووفقًا لكاباتا 11، فإن استخدام الأسمدة الفوسفورية في التربة الزراعية في المناطق الحضرية أو شبه الحضرية خلال مواسم زراعية متتالية قد يؤدي إلى تلوث التربة. قد تؤدي الآثار المحتملة للنيكل على الإنسان إلى الإصابة بالسرطان من خلال الطفرات، وتلف الكروموسومات، وتكوين الحمض النووي Z، وتعطيل إصلاح استئصال الحمض النووي، أو العمليات فوق الجينية 13. في التجارب على الحيوانات، وُجد أن للنيكل القدرة على التسبب في أنواع مختلفة من الأورام، وقد تؤدي مركبات النيكل المسرطنة إلى تفاقم هذه الأورام.
شهدت تقييمات تلوث التربة ازدهارًا ملحوظًا في الآونة الأخيرة نظرًا لتعدد المشكلات الصحية الناجمة عن العلاقات بين التربة والنبات، والعلاقات البيولوجية بين التربة، والتدهور البيئي، وتقييم الأثر البيئي. وحتى الآن، كان التنبؤ المكاني بالعناصر السامة المحتملة، مثل النيكل، في التربة عملية شاقة وتستغرق وقتًا طويلًا باستخدام الطرق التقليدية. وقد ساهم ظهور رسم الخرائط الرقمية للتربة (DSM) ونجاحه الحالي في تحسين رسم الخرائط التنبؤية للتربة (PSM) بشكل كبير. ووفقًا لميناسني وماكبرايتني، فقد أثبت رسم الخرائط التنبؤية للتربة (DSM) أنه فرع بارز من فروع علم التربة. ويعرّف لاغاشيري وماكبرايتني (2006) رسم الخرائط الرقمية للتربة بأنه "إنشاء وتعبئة أنظمة معلومات التربة المكانية من خلال استخدام أساليب الرصد الميداني والمختبري، وأنظمة استدلال التربة المكانية وغير المكانية". 17 يوضح أن نموذج سطح الأرض الرقمي المعاصر أو نموذج سطح الأرض الفيزيائي هو التقنية الأكثر فعالية للتنبؤ أو رسم الخرائط للتوزيع المكاني للعناصر النزرة السامة وأنواع التربة وخصائصها. تعتبر الإحصاءات الجيولوجية وخوارزميات التعلم الآلي من تقنيات نمذجة نموذج سطح الأرض الرقمي التي تنشئ خرائط رقمية بمساعدة أجهزة الكمبيوتر باستخدام بيانات قليلة وكبيرة.
يُعرّف دويتش (18) وأوليا (19) الإحصاء الجغرافي بأنه "مجموعة من التقنيات العددية التي تتعامل مع تمثيل السمات المكانية، باستخدام النماذج العشوائية بشكل أساسي، مثل كيفية توصيف تحليل السلاسل الزمنية للبيانات الزمنية". ويتضمن الإحصاء الجغرافي في المقام الأول تقييم المخططات التباينية، التي تسمح بتحديد وقياس تبعيات القيم المكانية من كل مجموعة بيانات (20). (جومياو وآخرون). يوضح الشكل 20 كذلك أن تقييم المتغيرات المكانية في الإحصاء الجيولوجي يعتمد على ثلاثة مبادئ، تشمل: (أ) حساب مقياس ارتباط البيانات، (ب) تحديد وحساب التباين في تباين مجموعة البيانات، و(ج) بالإضافة إلى مراعاة الخطأ المتأصل في بيانات القياس بمعزل عن التأثيرات المحلية، يتم أيضًا تقدير تأثيرات المنطقة. وبناءً على هذه المفاهيم، تُستخدم العديد من تقنيات الاستيفاء في الإحصاء الجيولوجي، بما في ذلك التكريج العام، والتكريج المشترك، والتكريج العادي، والتكريج التجريبي البايزي، وطريقة التكريج البسيطة، وغيرها من تقنيات الاستيفاء المعروفة لرسم خرائط أو التنبؤ بالعناصر النزرة، وخصائص التربة، وأنواعها.
تُعدّ خوارزميات التعلّم الآلي (MLA) تقنية حديثة نسبيًا تستخدم فئات بيانات غير خطية كبيرة، مدعومة بخوارزميات تُستخدم أساسًا في استخراج البيانات، وتحديد الأنماط فيها، وتُطبّق بشكل متكرر في التصنيف في مجالات علمية مثل علوم التربة ومهام أخرى. تعتمد العديد من الأبحاث على نماذج MLA للتنبؤ بالعناصر النزرة السامة في التربة، مثل دراسة تان وآخرون (22) (الغابات العشوائية لتقدير المعادن الثقيلة في التربة الزراعية)، ودراسة ساكيزاده وآخرون (23) (النمذجة باستخدام آلات المتجهات الداعمة والشبكات العصبية الاصطناعية لتلوث التربة). بالإضافة إلى ذلك، استخدم فيغا وآخرون (24) نموذج CART لنمذجة احتجاز المعادن الثقيلة وامتصاصها في التربة، ودراسة صن وآخرون (25) (تطبيق التكعيبية لتوزيع الكادميوم في التربة)، وخوارزميات أخرى مثل خوارزمية أقرب جار، والانحدار المعزز المعمم، وأشجار الانحدار المعززة، خوارزميات MLA للتنبؤ بالعناصر النزرة السامة في التربة.
يواجه تطبيق خوارزميات نموذج التربة الرقمي (DSM) في التنبؤ أو رسم الخرائط عدة تحديات. يعتقد العديد من الباحثين أن تحليل الانحدار الخطي المتعدد (MLA) يتفوق على الإحصاء الجيولوجي والعكس صحيح. على الرغم من تفوق أحدهما على الآخر، إلا أن الجمع بينهما يُحسّن مستوى دقة رسم الخرائط أو التنبؤ في نموذج التربة الرقمي. وقد علّق كل من وودكوك وجوبال، وفينكي، وبونتيوس وتشيوك، وغرونوالد على أوجه القصور وبعض الأخطاء في التنبؤ برسم خرائط التربة. وقد جرّب علماء التربة مجموعة متنوعة من التقنيات لتحسين فعالية ودقة وقابلية التنبؤ في رسم خرائط نموذج التربة الرقمي والتنبؤ بها. ويُعدّ الجمع بين عدم اليقين والتحقق أحد الجوانب العديدة المُدمجة في نموذج التربة الرقمي لتحسين الفعالية وتقليل العيوب. ومع ذلك، يُشير أجييمان وآخرون إلى ضرورة التحقق بشكل مستقل من سلوك التحقق وعدم اليقين الناتجين عن إنشاء الخرائط والتنبؤ بها لتحسين جودة الخرائط. وتعود قيود نموذج التربة الرقمي إلى تباين جودة التربة جغرافيًا، وهو ما ينطوي على عنصر من عدم اليقين. مع ذلك، قد ينشأ عدم اليقين في نموذج سطح الأرض الرقمي من مصادر متعددة للخطأ، وهي: خطأ المتغيرات المصاحبة، وخطأ النموذج، وخطأ الموقع، والخطأ التحليلي. 31. ترتبط عدم دقة النمذجة الناتجة عن التعلم الآلي والتحليل الإحصائي الجيولوجي بنقص الفهم، مما يؤدي في النهاية إلى تبسيط مفرط للعملية الحقيقية. 32. وبغض النظر عن طبيعة النمذجة، يمكن أن تُعزى عدم الدقة إلى معلمات النمذجة، أو تنبؤات النموذج الرياضي، أو الاستيفاء. 33. في الآونة الأخيرة، ظهر اتجاه جديد في نموذج سطح الأرض الرقمي يُشجع على دمج الإحصاء الجيولوجي والتعلم الآلي في رسم الخرائط والتنبؤ. وقد استغل العديد من علماء التربة والمؤلفين، مثل سيرجيف وآخرون 34؛ وسوبوتينا وآخرون 35؛ وتاراسوف وآخرون 36؛ وتاراسوف وآخرون 37، دقة الإحصاء الجيولوجي والتعلم الآلي لإنشاء نماذج هجينة تُحسّن كفاءة التنبؤ ورسم الخرائط. الجودة. بعض نماذج الخوارزميات الهجينة أو المدمجة هذه هي شبكة كريجينغ العصبية الاصطناعية (ANN-RK)، وشبكة كريجينغ المتبقية متعددة الطبقات (MLP-RK)، وشبكة كريجينغ المتبقية للانحدار العصبي المعمم (GR-NNRK)36، وشبكة كريجينغ العصبية الاصطناعية متعددة الطبقات (ANN-K-MLP)37، وCo-Kriging وانحدار العملية الغاوسية38.
بحسب سيرجيف وآخرون، فإن الجمع بين تقنيات النمذجة المختلفة يُمكن أن يُزيل العيوب ويزيد من كفاءة النموذج الهجين الناتج، بدلاً من تطوير نموذج منفرد. في هذا السياق، تُجادل هذه الورقة البحثية الجديدة بضرورة تطبيق خوارزمية مُدمجة من الإحصاء الجيولوجي وتقنية الانحدار الخطي المتعدد (MLA) لإنشاء نماذج هجينة مثالية للتنبؤ بتراكم النيكل في المناطق الحضرية وشبه الحضرية. ستعتمد هذه الدراسة على التكريج البايزي التجريبي (EBK) كنموذج أساسي، وستمزجه مع نماذج آلة المتجهات الداعمة (SVM) والانحدار الخطي المتعدد (MLR). لا توجد معلومات معروفة عن تهجين EBK مع أي من تقنيات MLA. النماذج المختلطة المتعددة التي تمت دراستها هي مزيج من التكريج العادي، والتكريج المتبقي، وتكريج الانحدار، وتقنية MLA. EBK هي طريقة استيفاء إحصائية جغرافية تستخدم عملية عشوائية مكانية مُحددة كحقل عشوائي غير ثابت/ثابت مع معلمات تحديد موقع مُحددة على الحقل، مما يسمح بالتغير المكاني. وقد استُخدمت EBK في العديد من الدراسات، بما في ذلك تحليل توزيع الكربون العضوي في التربة الزراعية 40، وتقييم تلوث التربة 41 ورسم خرائط خصائص التربة 42.
من جهة أخرى، يُعدّ الرسم البياني ذاتي التنظيم (SeOM) خوارزمية تعلّم طُبّقت في العديد من الدراسات، مثل دراسات لي وآخرون (43)، ووانغ وآخرون (44)، وحسين بهويان وآخرون (45)، وكيبونيه وآخرون (46)، لتحديد السمات المكانية وتجميع العناصر. ويوضح وانغ وآخرون (44) أن SeOM تقنية تعلّم فعّالة معروفة بقدرتها على تجميع المشكلات غير الخطية وتصوّرها. وعلى عكس تقنيات التعرّف على الأنماط الأخرى، مثل تحليل المكونات الرئيسية، والتجميع الضبابي، والتجميع الهرمي، واتخاذ القرارات متعددة المعايير، فإن SeOM أكثر كفاءة في تنظيم أنماط PTE وتحديدها. ووفقًا لوانغ وآخرون (44)، يستطيع SeOM تجميع توزيع الخلايا العصبية ذات الصلة مكانيًا، وتوفير تصوّر عالي الدقة للبيانات. كما يقوم SeOM بتصوّر بيانات التنبؤ Ni للحصول على أفضل نموذج لتوصيف النتائج وتفسيرها مباشرةً.
تهدف هذه الورقة البحثية إلى إنشاء نموذج رسم خرائط قوي ذي دقة مثلى للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية. نفترض أن موثوقية النموذج المختلط تعتمد بشكل أساسي على تأثير النماذج الأخرى الملحقة بالنموذج الأساسي. نُقر بالتحديات التي تواجه نموذج نمذجة التربة الرقمية (DSM)، وبينما تُعالج هذه التحديات على جبهات متعددة، يبدو أن الجمع بين التطورات في الإحصاء الجيولوجي ونماذج التعلم الآلي المتعدد (MLA) تدريجي؛ لذلك، سنحاول الإجابة على أسئلة بحثية قد تُسفر عن نماذج مختلطة. ومع ذلك، ما مدى دقة النموذج في التنبؤ بالعنصر المستهدف؟ وما هو مستوى تقييم الكفاءة بناءً على التحقق من الصحة وتقييم الدقة؟ لذلك، كانت الأهداف المحددة لهذه الدراسة هي: (أ) إنشاء نموذج خليط مُدمج لنمذجة الانحدار الخطي المتعدد باستخدام نموذج 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 للتغير المكاني للنيكل.
تُجرى الدراسة في جمهورية التشيك، وتحديداً في مقاطعة فريديك ميستيك في منطقة مورافيا-سيليزيا (انظر الشكل 1). تتميز جغرافية منطقة الدراسة بوعورتها الشديدة، وهي في الغالب جزء من منطقة مورافيا-سيليزيا بيسكيدي، التي تُعد جزءًا من الحافة الخارجية لجبال الكاربات. تقع منطقة الدراسة بين خطي عرض 49° 41′ 0′ شمالاً و18° 20′ 0′ شرقاً، ويتراوح ارتفاعها بين 225 و327 مترًا؛ مع ذلك، يُصنّف نظام كوبن لتصنيف المناخ في المنطقة على أنه مناخ محيطي معتدل (Cfb)، حيث تشهد المنطقة هطول أمطار غزيرة حتى في الأشهر الجافة. تتراوح درجات الحرارة على مدار العام بين -5 و24 درجة مئوية، ونادرًا ما تنخفض عن -14 درجة مئوية أو ترتفع عن 30 درجة مئوية، بينما يتراوح متوسط ​​هطول الأمطار السنوي بين 685 و752 ملم. تبلغ مساحة المسح التقديرية للمنطقة بأكملها 1208 كيلومترات مربعة، منها 39.38% أراضٍ زراعية و49.36% غابات. في المقابل، تبلغ مساحة المنطقة المستخدمة في هذه الدراسة حوالي 889.8 كيلومترًا مربعًا. تشهد أوسترافا وما حولها نشاطًا ملحوظًا في صناعة الصلب والمعادن. وتُستخدم مصانع المعادن، وخاصةً مصانع الصلب، في صناعة الفولاذ المقاوم للصدأ (لمقاومة التآكل الجوي على سبيل المثال) وسبائك الصلب (حيث يزيد النيكل من قوة السبيكة مع الحفاظ على مرونتها ومتانتها). تُعدّ الزراعة المكثفة، مثل استخدام الأسمدة الفوسفاتية وإنتاج الماشية، مصادر محتملة للنيكل في المنطقة (على سبيل المثال، إضافة النيكل إلى علف الحملان لزيادة معدلات نموها، وكذلك الماشية قليلة التغذية). تشمل الاستخدامات الصناعية الأخرى للنيكل في مجالات البحث استخدامه في الطلاء الكهربائي، بما في ذلك طلاء النيكل الكهربائي والطلاء الكيميائي بالنيكل. يمكن تمييز خصائص التربة بسهولة من خلال لونها وبنيتها ومحتواها من الكربونات. يتراوح نسيج التربة بين المتوسط ​​والناعم، وهو مشتق من المادة الأم. وهي تربة انزلاقية أو طميية أو ريحية. تظهر بعض مناطق التربة مبقعة في السطح وتحته، وغالبًا ما تكون مغطاة بالخرسانة ومبيضة. ومع ذلك، فإن تربة الكامبيسول وتربة ستاغنوسول هي أكثر أنواع التربة شيوعًا في المنطقة.⁴⁸ وتسيطر تربة الكامبيسول على جمهورية التشيك، حيث يتراوح ارتفاعها بين 455.1 و493.5 مترًا.⁴⁹
خريطة منطقة الدراسة [تم إنشاء خريطة منطقة الدراسة باستخدام ArcGIS Desktop (ESRI, Inc, الإصدار 10.7، عنوان URL: https://desktop.arcgis.com).]
تم جمع 115 عينة من التربة السطحية من مناطق حضرية وشبه حضرية في مقاطعة فريدك ميستيك. استُخدم نمط أخذ عينات شبكي منتظم بمسافة 2 × 2 كم بين كل عينة وأخرى، وقُيست التربة السطحية على عمق من 0 إلى 20 سم باستخدام جهاز تحديد المواقع العالمي المحمول (Leica Zeno 5 GPS). وُضعت العينات في أكياس بلاستيكية محكمة الإغلاق، ووُضعت عليها ملصقات تعريفية مناسبة، ثم شُحنت إلى المختبر. جُففت العينات هوائيًا للحصول على عينات مطحونة، ثم طُحنت باستخدام نظام ميكانيكي (مطحنة قرصية من نوع فريتش)، ونُخلت (بمنخل بحجم 2 مم). وُضع غرام واحد من عينات التربة المجففة والمتجانسة والمنخلة في زجاجات تيفلون مُعَلَّمة بوضوح. في كل زجاجة تيفلون، وُضع 7 مل من حمض الهيدروكلوريك بتركيز 35% و3 مل من حمض النيتريك بتركيز 65% (باستخدام موزع آلي - واحد لكل حمض)، ثم غُطيت الزجاجات برفق وتُركت طوال الليل لإتمام التفاعل (باستخدام الماء الملكي). (البرنامج). ضع السائل الطافي على صفيحة معدنية ساخنة (درجة الحرارة: 100 واط و160 درجة مئوية) لمدة ساعتين لتسهيل عملية هضم العينات، ثم برده. انقل السائل الطافي إلى دورق حجمي سعة 50 مل وخففه إلى 50 مل بالماء منزوع الأيونات. بعد ذلك، رشح السائل الطافي المخفف في أنبوب PVC سعة 50 مل باستخدام الماء منزوع الأيونات. بالإضافة إلى ذلك، تم تخفيف 1 مل من محلول التخفيف بـ 9 مل من الماء منزوع الأيونات وترشيحه في أنبوب سعة 12 مل مُجهز للتركيز الزائف للعناصر النزرة السامة. تم تحديد تركيزات العناصر النزرة السامة (الزرنيخ، الكادميوم، الكروم، النحاس، المنغنيز، النيكل، الرصاص، الزنك، الكالسيوم، المغنيسيوم، البوتاسيوم) بواسطة مطياف انبعاث ضوئي للبلازما المقترنة حثيًا (ICP-OES) (Thermo Fisher Scientific، الولايات المتحدة الأمريكية) وفقًا للطرق القياسية والاتفاق. ضمان الجودة ومراقبتها إجراءات ضمان الجودة/مراقبة الجودة (SRM NIST 2711a Montana II Soil). تم استبعاد العناصر النزرة السامة ذات حدود الكشف الأقل من النصف من هذه الدراسة. كان حد الكشف للعنصر النزرة السامة المستخدم في هذه الدراسة 0.0004. بالإضافة إلى ذلك، يتم ضمان عملية مراقبة الجودة وضمانها لكل تحليل من خلال تحليل المعايير المرجعية. ولضمان تقليل الأخطاء إلى أدنى حد، تم إجراء تحليل مزدوج.
يُعدّ التنبؤ المكاني التجريبي البايزي (EBK) أحد تقنيات الاستيفاء الجيوإحصائي العديدة المستخدمة في النمذجة في مجالات متنوعة مثل علوم التربة. وعلى عكس تقنيات التنبؤ المكاني الأخرى، يختلف EBK عن طرق التنبؤ المكاني التقليدية في مراعاة الخطأ المُقدَّر بواسطة نموذج شبه التباين. في استيفاء EBK، يتم حساب عدة نماذج شبه تباين أثناء عملية الاستيفاء، بدلاً من نموذج شبه تباين واحد. تُتيح تقنيات الاستيفاء إمكانية التعامل مع عدم اليقين والبرمجة المرتبطين برسم نموذج شبه التباين، والذي يُشكّل جزءًا بالغ التعقيد من طريقة التنبؤ المكاني الكافية. تتبع عملية استيفاء EBK المعايير الثلاثة التي اقترحها كريفوروتشكو، وهي: (أ) تقدير النموذج لشبه التباين من مجموعة بيانات الإدخال، (ب) القيمة المتوقعة الجديدة لكل موقع في مجموعة بيانات الإدخال بناءً على شبه التباين المُولَّد، و(ج) النموذج النهائي. يتم حساب النموذج من مجموعة بيانات مُحاكاة. تُعطى قاعدة المعادلة البايزية كقيمة لاحقة.
حيث يمثل \(Prob\left(A\right)\) الاحتمال المسبق، ويتم تجاهل الاحتمال الهامشي \(Prob\left(B\right)\) في معظم الحالات، و\(Prob (B,A)\). يعتمد حساب شبه التباين على قاعدة بايز، التي توضح ميل مجموعات بيانات الملاحظات التي يمكن إنشاؤها من شبه التباين. ثم يتم تحديد قيمة شبه التباين باستخدام قاعدة بايز، التي تحدد مدى احتمالية إنشاء مجموعة بيانات من الملاحظات من شبه التباين.
آلة المتجهات الداعمة هي خوارزمية تعلم آلي تُنشئ مستوىً فاصلاً أمثلًا لتمييز الفئات المتطابقة ولكنها غير مستقلة خطيًا. ابتكر فابنيك (51) خوارزمية تصنيف النوايا، ولكنها استُخدمت مؤخرًا لحل المشكلات الموجهة نحو الانحدار. ووفقًا للي وآخرون (52)، تُعد آلة المتجهات الداعمة واحدة من أفضل تقنيات التصنيف، وقد استُخدمت في مجالات متنوعة. استُخدم مكون الانحدار في آلة المتجهات الداعمة (انحدار آلة المتجهات الداعمة - SVMR) في هذا التحليل. كان تشيركاسكي ومولير (53) من رواد SVMR كانحدار قائم على النواة، حيث تم حسابه باستخدام نموذج انحدار خطي مع دوال مكانية متعددة البلدان. ​​أفاد جون وآخرون (54) أن نمذجة SVMR تستخدم الانحدار الخطي للمستوى الفاصل، مما يُنشئ علاقات غير خطية ويسمح باستخدام الدوال المكانية. ووفقًا لفوهلاند وآخرون (55)، يستخدم نموذج epsilon (ε)-SVMR (55) مجموعة البيانات المدربة للحصول على نموذج تمثيلي كدالة غير حساسة لـ ε، تُطبق لرسم خريطة البيانات بشكل مستقل باستخدام أفضل انحياز ε من التدريب على البيانات المترابطة. يتم تجاهل خطأ المسافة المحدد مسبقًا من القيمة الفعلية، وإذا كان الخطأ أكبر من ε(ε)، فإن خصائص التربة تعوضه. كما يقلل النموذج من تعقيد بيانات التدريب إلى مجموعة فرعية أوسع من متجهات الدعم. المعادلة المقترحة من قبل Vapnik (51) موضحة أدناه.
حيث يُمثل b العتبة العددية، و\(K\left({x}_{,}{ x}_{k}\right)\) دالة النواة، و\(\alpha\) مُضاعِف لاغرانج، وN مجموعة بيانات رقمية، و\({x}_{k}\) مُدخلات البيانات، و\(y\) مُخرجات البيانات. إحدى النوى الرئيسية المُستخدمة هي عملية SVMR، وهي دالة أساسية شعاعية غاوسية (RBF). تُطبَّق نواة RBF لتحديد نموذج SVMR الأمثل، وهو أمر بالغ الأهمية للحصول على أدق عامل جزاء C ومعامل النواة غاما (γ) لبيانات تدريب PTE. في البداية، قمنا بتقييم مجموعة التدريب ثم اختبرنا أداء النموذج على مجموعة التحقق. مُعامل التوجيه المُستخدم هو سيغما وقيمة الطريقة هي svmRadial.
نموذج الانحدار الخطي المتعدد (MLR) هو نموذج انحدار يُمثل العلاقة بين المتغير التابع وعدد من المتغيرات المستقلة باستخدام معاملات خطية مجمعة محسوبة بطريقة المربعات الصغرى. في نموذج الانحدار الخطي المتعدد، يُعد نموذج المربعات الصغرى دالة تنبؤية لخصائص التربة بعد اختيار المتغيرات المستقلة. من الضروري استخدام المتغير التابع لإنشاء علاقة خطية باستخدام المتغيرات المستقلة. تم استخدام PTE كمتغير تابع لإنشاء علاقة خطية مع المتغيرات المستقلة. معادلة نموذج الانحدار الخطي المتعدد هي:
حيث y هو المتغير التابع، و \(a\) هو الحد الثابت، و n هو عدد المتغيرات التنبؤية، و \({b}_{1}\) هو الانحدار الجزئي للمعاملات، و \({x}_{ i}\) يمثل متغيرًا تنبؤيًا أو تفسيريًا، و \({\varepsilon }_{i}\) يمثل الخطأ في النموذج، والمعروف أيضًا باسم الباقي.
تم الحصول على النماذج المختلطة من خلال دمج خوارزمية EBK مع خوارزميتي SVMR وMLR. ويتم ذلك باستخراج القيم المتوقعة من استيفاء EBK. تُستخلص القيم المتوقعة من قيم الكالسيوم والبوتاسيوم والمغنيسيوم المستوفاة من خلال عملية تركيبية للحصول على متغيرات جديدة، مثل CaK وCaMg وKMg. ثم تُدمج عناصر الكالسيوم والبوتاسيوم والمغنيسيوم للحصول على متغير رابع، CaKMg. إجمالاً، المتغيرات المُستخلصة هي Ca وK وMg وCaK وCaMg وKMg وCaKMg. أصبحت هذه المتغيرات هي المتغيرات التنبؤية، مما ساعد في التنبؤ بتركيزات النيكل في التربة الحضرية وشبه الحضرية. طُبقت خوارزمية SVMR على المتغيرات التنبؤية للحصول على نموذج مختلط هو EBK_SVM. وبالمثل، تُمرر المتغيرات أيضًا عبر خوارزمية MLR للحصول على نموذج مختلط هو EBK_SVM. (EBK_MLR). عادةً ما تُستخدم المتغيرات Ca وK وMg وCaK وCaMg وKMg وCaKMg كمتغيرات مساعدة للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية. سيتم بعد ذلك تمثيل النموذج الأكثر قبولًا (EBK_SVM أو EBK_MLR) بيانيًا باستخدام رسم بياني ذاتي التنظيم. يوضح الشكل 2 سير عمل هذه الدراسة.
أصبح استخدام SeOM أداة شائعة لتنظيم البيانات وتقييمها والتنبؤ بها في القطاعات المالية والرعاية الصحية والصناعة والإحصاء وعلوم التربة وغيرها. يُنشأ SeOM باستخدام الشبكات العصبية الاصطناعية وأساليب التعلم غير الخاضع للإشراف للتنظيم والتقييم والتنبؤ. في هذه الدراسة، استُخدم SeOM لتصوير تركيزات النيكل بناءً على أفضل نموذج للتنبؤ بالنيكل في التربة الحضرية وشبه الحضرية. تُستخدم البيانات المُعالجة في تقييم SeOM كمتغيرات متجهة ذات n بُعد.^43،56 (Melssen et al.) تصف المعادلة 57 عملية ربط متجه الإدخال بشبكة عصبية عبر طبقة إدخال واحدة، وصولًا إلى متجه الإخراج ذي متجه وزن واحد. يُنتج SeOM خريطة ثنائية الأبعاد تتكون من خلايا عصبية أو عُقد مختلفة مُرتبة في خرائط طوبولوجية سداسية أو دائرية أو مربعة وفقًا لقربها. وبمقارنة أحجام الخرائط بناءً على المقياس، وخطأ التكميم (QE)، والخطأ الطوبوغرافي (TE)، تم اختيار نموذج SeOM بقيم 0.086 و0.904 على التوالي، وهو نموذج يتكون من 55 وحدة خريطة (5 × 11). يتم تحديد بنية الخلايا العصبية وفقًا لعدد العُقد في المعادلة التجريبية.
يبلغ عدد البيانات المستخدمة في هذه الدراسة 115 عينة. تم تقسيم البيانات عشوائيًا إلى مجموعتين: بيانات اختبار (25% للتحقق) وبيانات تدريب (75% للمعايرة). استُخدمت بيانات التدريب لإنشاء نموذج الانحدار (المعايرة)، بينما استُخدمت بيانات الاختبار للتحقق من قدرة النموذج على التعميم.⁵⁸ وقد تم ذلك لتقييم مدى ملاءمة النماذج المختلفة للتنبؤ بمحتوى النيكل في التربة. خضعت جميع النماذج المستخدمة لعملية التحقق المتقاطع ذات العشر طيات، والتي تكررت خمس مرات. استُخدمت المتغيرات الناتجة عن استيفاء EBK كمتغيرات تنبؤية أو تفسيرية للتنبؤ بالمتغير المستهدف (PTE). تمت معالجة النمذجة في بيئة RStudio باستخدام الحزم التالية: library(Kohonen)، library(caret)، library(modelr)، library(“e1071”)، library(“plyr”)، library(“caTools”)، library(”prospectr”)، وlibraries(“Metrics”).
استُخدمت معايير تحقق متنوعة لتحديد أفضل نموذج مناسب للتنبؤ بتركيزات النيكل في التربة، ولتقييم دقة النموذج وصلاحيته. تم تقييم نماذج التهجين باستخدام متوسط ​​الخطأ المطلق (MAE)، وجذر متوسط ​​مربع الخطأ (RMSE)، ومعامل التحديد (R²). يُحدد R² تباين النسب في الإجابة، المُمثلة بنموذج الانحدار. يصف كل من RMSE وحجم التباين في المقاييس المستقلة القدرة التنبؤية للنموذج، بينما يُحدد MAE القيمة الكمية الفعلية. يجب أن تكون قيمة R² عالية لتقييم أفضل نموذج خليط باستخدام معايير التحقق، فكلما اقتربت القيمة من 1، زادت الدقة. وفقًا لـ Li et al. 59، تُعتبر قيمة R² التي تبلغ 0.75 أو أكبر مؤشرًا جيدًا للتنبؤ. يُعتبر أداء النموذج مقبولاً إذا تراوحت قيمته بين 0.5 و0.75، بينما يُعتبر غير مقبول إذا كانت أقل من 0.5. عند اختيار النموذج باستخدام معايير تقييم التحقق من الصحة RMSE وMAE، كانت القيم الأقل كافية واعتُبرت الخيار الأمثل. تصف المعادلة التالية طريقة التحقق.
حيث يمثل n حجم القيمة المرصودة\({Y}_{i}\) يمثل الاستجابة المقاسة، و\({\widehat{Y}}_{i}\) يمثل أيضًا قيمة الاستجابة المتوقعة، وبالتالي، لأول i من الملاحظات.
تُعرض الأوصاف الإحصائية للمتغيرات التنبؤية والمستجيبة في الجدول 1، موضحةً المتوسط، والانحراف المعياري، ومعامل التباين، والحد الأدنى، والحد الأقصى، والتفرطح، والالتواء. وتتناقص قيم الحد الأدنى والحد الأقصى للعناصر تنازليًا كالتالي: Mg < Ca < K < Ni و Ca < Mg < K < Ni على التوالي. تراوحت تركيزات متغير الاستجابة (النيكل) المأخوذة من منطقة الدراسة بين 4.86 و 42.39 ملغم/كغم. وأظهرت مقارنة النيكل مع المتوسط ​​العالمي (29 ملغم/كغم) والمتوسط ​​الأوروبي (37 ملغم/كغم) أن المتوسط ​​الهندسي المحسوب لمنطقة الدراسة يقع ضمن النطاق المقبول. ومع ذلك، وكما أوضح كاباتا-بيندياس، فإن مقارنة متوسط ​​تركيز النيكل في هذه الدراسة مع التربة الزراعية في السويد تُظهر أن متوسط ​​تركيز النيكل الحالي أعلى. وبالمثل، فإن متوسط ​​تركيز النيكل في منطقة فريدك ميستيك في المناطق الحضرية وشبه الحضرية كان تركيز النيكل في التربة في الدراسة الحالية (16.15 ملغم/كغم) أعلى من الحد المسموح به البالغ 60 ملغم/كغم (10.2 ملغم/كغم) في التربة الحضرية البولندية، وفقًا لما ذكره روزانسكي وآخرون. علاوة على ذلك، سجل بريتزل وكالديريسي⁶¹ متوسط ​​تركيزات منخفضة جدًا للنيكل (1.78 ملغم/كغم) في التربة الحضرية في توسكانا مقارنةً بالدراسة الحالية. كما وجد جيم⁶² تركيزًا أقل للنيكل (12.34 ملغم/كغم) في التربة الحضرية في هونغ كونغ، وهو أقل من تركيز النيكل في هذه الدراسة. وأفاد بيرك وآخرون⁶³ بمتوسط ​​تركيز للنيكل قدره 17.6 ملغم/كغم في منطقة تعدين قديمة ومنطقة صناعية حضرية في ساكسونيا-أنهالت، ألمانيا، وهو أعلى بمقدار 1.45 ملغم/كغم من متوسط ​​تركيز النيكل في المنطقة (16.15 ملغم/كغم). تشير الأبحاث الحالية إلى أن المحتوى الزائد من النيكل في التربة في بعض المناطق الحضرية والضواحي في منطقة الدراسة قد يُعزى بشكل رئيسي إلى إلى صناعة الحديد والصلب وصناعة المعادن. ويتوافق هذا مع دراسة خودادوست وآخرون (64) التي أشارت إلى أن صناعة الصلب وتشكيل المعادن هما المصدران الرئيسيان لتلوث التربة بالنيكل. ومع ذلك، تراوحت القيم التنبؤية أيضًا من 538.70 ملغم/كغم إلى 69161.80 ملغم/كغم للكالسيوم، ومن 497.51 ملغم/كغم إلى 3535.68 ملغم/كغم للبوتاسيوم، ومن 685.68 ملغم/كغم إلى 5970.05 ملغم/كغم للمغنيسيوم. (جاكوفليفيتش وآخرون). قام الباحثون في الدراسة رقم 65 بدراسة المحتوى الكلي للمغنيسيوم والبوتاسيوم في تربة وسط صربيا، ووجدوا أن التركيزات الكلية (410 ملغم/كغم و400 ملغم/كغم على التوالي) كانت أقل من تركيزات المغنيسيوم والبوتاسيوم في الدراسة الحالية. وبالمثل، في شرق بولندا، قيّم أورزيكوفسكي وسمولكزينسكي (الدراسة رقم 66) المحتوى الكلي للكالسيوم والمغنيسيوم والبوتاسيوم، وأظهروا أن متوسط ​​تركيزات الكالسيوم (1100 ملغم/كغم)، والمغنيسيوم (590 ملغم/كغم)، والبوتاسيوم (810 ملغم/كغم) في الطبقة السطحية من التربة أقل من تركيز كل عنصر على حدة في هذه الدراسة. وأظهرت دراسة حديثة أجراها بونغراك وآخرون (الدراسة رقم 67) أن المحتوى الكلي للكالسيوم الذي تم تحليله في 3 أنواع مختلفة من التربة في اسكتلندا، المملكة المتحدة (تربة ميلنفيلد، وتربة بالرودري، وتربة هارتوود) يشير إلى محتوى كالسيوم أعلى في هذه الدراسة.
نظراً لاختلاف تركيزات العناصر المقاسة في العينات، تُظهر توزيعات البيانات الخاصة بها تبايناً في درجة الالتواء. تراوحت قيم الالتواء والتفرطح بين 1.53 و7.24، وبين 2.49 و54.16 على التوالي. جميع العناصر المحسوبة لها مستويات التواء وتفرطح أعلى من +1، مما يشير إلى أن توزيع البيانات غير منتظم، وملتوٍ في الاتجاه الصحيح، وذو ذروة. كما تُظهر معاملات التباين المقدرة للعناصر أن البوتاسيوم والمغنيسيوم والنيكل تُظهر تبايناً متوسطاً، بينما يُظهر الكالسيوم تبايناً عالياً للغاية. تُفسر معاملات التباين للبوتاسيوم والنيكل والمغنيسيوم توزيعها المنتظم. علاوة على ذلك، فإن توزيع الكالسيوم غير منتظم، وقد تؤثر مصادر خارجية على مستوى تركيزه.
أظهر ارتباط المتغيرات التنبؤية بعناصر الاستجابة وجود ارتباط مُرضٍ بين العناصر (انظر الشكل 3). وأشار الارتباط إلى أن CaK أظهر ارتباطًا متوسطًا بقيمة r = 0.53، وكذلك CaNi. على الرغم من أن Ca وK يُظهران ارتباطات ضعيفة مع بعضهما البعض، فقد أشار باحثون مثل كينغستون وآخرون إلى ذلك. تشير الدراستان 68 وسانتو 69 إلى أن مستويات الكالسيوم والمغنيسيوم في التربة تتناسب عكسيًا مع مستويات البوتاسيوم. ومع ذلك، فإن الكالسيوم والمغنيسيوم يُعاكسان البوتاسيوم، بينما يرتبط البوتاسيوم والبوتاسيوم ارتباطًا وثيقًا. قد يُعزى ذلك إلى استخدام الأسمدة مثل كربونات البوتاسيوم، التي تحتوي على نسبة بوتاسيوم أعلى بنسبة 56%. كان البوتاسيوم مرتبطًا ارتباطًا متوسطًا بالمغنيسيوم (معامل الارتباط KM r = 0.63). في صناعة الأسمدة، يرتبط هذان العنصران ارتباطًا وثيقًا لأن كبريتات البوتاسيوم والمغنيسيوم، ونترات البوتاسيوم والمغنيسيوم، والبوتاس تُستخدم في التربة لزيادة مستويات نقصها. يرتبط النيكل ارتباطًا متوسطًا بالكالسيوم والبوتاسيوم والمغنيسيوم بقيم r = 0.52 و0.63 و0.55 على التوالي. تُعد العلاقات التي تشمل الكالسيوم والمغنيسيوم والعناصر النزرة السامة مثل النيكل معقدة، ولكن مع ذلك، يُثبط المغنيسيوم امتصاص الكالسيوم، ويُقلل الكالسيوم من آثار زيادة المغنيسيوم، ويُقلل كل من المغنيسيوم والكالسيوم من الآثار السامة للنيكل في التربة.
مصفوفة الارتباط للعناصر التي توضح العلاقة بين المتغيرات التنبؤية والاستجابات (ملاحظة: يتضمن هذا الشكل مخططًا مبعثرًا بين العناصر، وتستند مستويات الدلالة على p < 0.001).
يوضح الشكل 4 التوزيع المكاني للعناصر. ووفقًا لبورغوس وآخرون⁷⁰، يُعدّ تطبيق التوزيع المكاني تقنيةً تُستخدم لتحديد وتسليط الضوء على النقاط الساخنة في المناطق الملوثة. ويمكن ملاحظة مستويات تركيز الكالسيوم في الشكل 4 في الجزء الشمالي الغربي من خريطة التوزيع المكاني. ويُظهر الشكل نقاطًا ساخنة ذات تركيز متوسط ​​إلى عالٍ من الكالسيوم. ومن المرجح أن يكون تركيز الكالسيوم في شمال غرب الخريطة ناتجًا عن استخدام الجير الحي (أكسيد الكالسيوم) لتقليل حموضة التربة، واستخدامه في مصانع الصلب كمصدر للأكسجين القلوي في عملية صناعة الصلب. من ناحية أخرى، يُفضّل بعض المزارعين استخدام هيدروكسيد الكالسيوم في التربة الحمضية لمعادلة درجة الحموضة، مما يزيد أيضًا من محتوى الكالسيوم في التربة⁷¹. كما يُظهر البوتاسيوم نقاطًا ساخنة في شمال غرب وشرق الخريطة. وتُعدّ منطقة الشمال الغربي منطقة زراعية رئيسية، وقد يكون نمط تركيز البوتاسيوم المتوسط ​​إلى العالي ناتجًا عن استخدام الأسمدة المركبة (NPK) والبوتاس. ويتوافق هذا مع دراسات أخرى، مثل دراسة ماداراس و لاحظ كلٌّ من ليبافسكي (72)، وماداراس وآخرون (73)، وبولكرابوفا وآخرون (74)، وأساري وآخرون (75) أن تثبيت التربة ومعالجتها بكلوريد البوتاسيوم (KCl) والنيتروجين والفوسفور والبوتاسيوم (NPK) يؤدي إلى ارتفاع محتوى البوتاسيوم في التربة. وقد يُعزى الإثراء المكاني للبوتاسيوم في شمال غرب خريطة التوزيع إلى استخدام الأسمدة القائمة على البوتاسيوم، مثل كلوريد البوتاسيوم وكبريتات البوتاسيوم ونترات البوتاسيوم والبوتاس، لزيادة محتوى البوتاسيوم في التربة الفقيرة. (زادوروفا وآخرون (76)، وتلوستوش وآخرون). أوضحت الدراسة رقم 77 أن استخدام الأسمدة القائمة على البوتاسيوم يزيد من محتوى البوتاسيوم في التربة، مما يؤدي إلى زيادة ملحوظة في محتواها من العناصر الغذائية على المدى الطويل، وخاصة البوتاسيوم والمغنيسيوم اللذان يُظهران تركيزًا مرتفعًا في التربة. وتُلاحظ بؤر تركيز متوسطة نسبيًا في شمال غرب وجنوب شرق الخريطة. يؤدي التثبيت الغرواني في التربة إلى استنزاف تركيز المغنيسيوم فيها، ويتسبب نقصه في ظهور اصفرار بين عروق النباتات. تعالج الأسمدة القائمة على المغنيسيوم، مثل كبريتات البوتاسيوم والمغنيسيوم، وكبريتات المغنيسيوم، والكيزيريت، حالات النقص (حيث تظهر النباتات باللون الأرجواني أو الأحمر أو البني، مما يشير إلى نقص المغنيسيوم) في التربة ذات الرقم الهيدروجيني الطبيعي. قد يعود تراكم النيكل على أسطح التربة في المناطق الحضرية وشبه الحضرية إلى الأنشطة البشرية، مثل الزراعة، وأهمية النيكل في إنتاج الفولاذ المقاوم للصدأ.
التوزيع المكاني للعناصر [تم إنشاء خريطة التوزيع المكاني باستخدام ArcGIS Desktop (ESRI, Inc, الإصدار 10.7، عنوان URL: https://desktop.arcgis.com).]
تُظهر نتائج مؤشر أداء النموذج للعناصر المستخدمة في هذه الدراسة في الجدول 2. من جهة أخرى، كانت قيم جذر متوسط ​​مربع الخطأ (RMSE) ومتوسط ​​الخطأ المطلق (MAE) للنيكل قريبة من الصفر (0.86 RMSE، -0.08 MAE). في المقابل، كانت قيم RMSE وMAE للبوتاسيوم مقبولة. وكانت نتائج RMSE وMAE أعلى بالنسبة للكالسيوم والمغنيسيوم. ويعود ارتفاع قيم MAE وRMSE للكالسيوم والبوتاسيوم إلى اختلاف مجموعات البيانات. وقد وُجد أن قيم RMSE وMAE لهذه الدراسة، باستخدام طريقة EBK للتنبؤ بالنيكل، أفضل من نتائج جون وآخرون⁵⁴ الذين استخدموا طريقة كريجينج التآزري للتنبؤ بتركيزات الكبريت في التربة باستخدام نفس البيانات المُجمعة. وتتوافق مخرجات EBK التي درسناها مع مخرجات فابيجياكزيك وآخرون⁴¹، ويان وآخرون⁷⁹، وبيغوين وآخرون⁸⁰، وأدهيكاري وآخرون⁸¹، وجون وآخرون⁸²، وخاصةً البوتاسيوم والنيكل.
تم تقييم أداء الطرق الفردية للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية باستخدام أداء النماذج (الجدول 3). أكد التحقق من صحة النموذج وتقييم دقته أن مُتنبئ Ca_Mg_K المُدمج مع نموذج EBK SVMR حقق أفضل أداء. بلغت قيم R² لجذر متوسط ​​مربع الخطأ (RMSE) ومتوسط ​​الخطأ المطلق (MAE) لنموذج Ca_Mg_K-EBK_SVMR 0.637 (R²)، و95.479 ملغم/كغم (RMSE)، و77.368 ملغم/كغم (MAE) على التوالي. أما قيم R² لنموذج Ca_Mg_K-SVMR فكانت 0.663 (R²)، و235.974 ملغم/كغم (RMSE)، و166.946 ملغم/كغم (MAE). ومع ذلك، تم الحصول على قيم R² جيدة لنموذج Ca_Mg_K-SVMR (0.663 ملغم/كغم R²). Ca_Mg-EBK_SVMR (0.643 = R2)؛ كانت نتائج جذر متوسط ​​مربع الخطأ (RMSE) ومتوسط ​​الخطأ المطلق (MAE) لنموذج Ca_Mg_K-EBK_SVMR أعلى من نتائج نموذج Ca_Mg_K-EBK_SVMR (R² = 0.637) (انظر الجدول 3). بالإضافة إلى ذلك، بلغ جذر متوسط ​​مربع الخطأ ومتوسط ​​الخطأ المطلق لنموذج Ca_Mg-EBK_SVMR (RMSE = 1664.64 وMAE = 1031.49) 17.5 و13.4 على التوالي، وهما أكبر من قيم نموذج Ca_Mg_K-EBK_SVMR. وبالمثل، كان جذر متوسط ​​مربع الخطأ ومتوسط ​​الخطأ المطلق لنموذج Ca_Mg-K SVMR (RMSE = 235.974 وMAE = 166.946) أكبر بمقدار 2.5 و2.2 على التوالي من قيم نموذج Ca_Mg_K-EBK_SVMR. تشير نتائج جذر متوسط ​​مربع الخطأ المحسوبة إلى مدى تركيز مجموعة البيانات على خط أفضل مطابقة. كانت قيم جذر متوسط ​​مربع الخطأ ومتوسط ​​الخطأ المطلق الأعلى لوحظ أنه كلما اقتربت قيم جذر متوسط ​​مربع الخطأ (RMSE) ومتوسط ​​الخطأ المطلق (MAE) من الصفر، كانت النتائج أفضل. وقد أظهر كل من نموذجي SVMR وEBK_SVMR قيمًا كمية أعلى لجذر متوسط ​​مربع الخطأ ومتوسط ​​الخطأ المطلق. ولوحظ أن تقديرات جذر متوسط ​​مربع الخطأ كانت أعلى باستمرار من قيم متوسط ​​الخطأ المطلق، مما يشير إلى وجود قيم متطرفة. ووفقًا لـ Legates وMcCabe، يُوصى باستخدام مدى تجاوز جذر متوسط ​​مربع الخطأ لمتوسط ​​الخطأ المطلق كمؤشر على وجود قيم متطرفة. وهذا يعني أنه كلما زاد تباين مجموعة البيانات، ارتفعت قيم متوسط ​​الخطأ المطلق وجذر متوسط ​​مربع الخطأ. وبلغت دقة تقييم التحقق المتبادل للنموذج المختلط Ca_Mg_K-EBK_SVMR للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية 63.70%. ووفقًا لـ Li et al. 59، يُعد هذا المستوى من الدقة معدل أداء مقبولًا للنموذج. تُقارن النتائج الحالية بدراسة سابقة أجراها تاراسوف وآخرون 36، حيث كان نموذجهم الهجين MLPRK (التنبؤ المكاني المتبقي متعدد الطبقات للشبكة العصبية) مرتبطًا بمؤشر تقييم دقة EBK_SVMR المُبلغ عنه في الدراسة الحالية، وكان متوسط ​​الجذر التربيعي للخطأ (RMSE) (210) ومتوسط ​​الخطأ المطلق (MAE) (167.5) أعلى من نتائجنا في الدراسة الحالية (RMSE 95.479، MAE 77.368). ومع ذلك، عند مقارنة معامل التحديد (R²) للدراسة الحالية (0.637) مع معامل التحديد (R²) لدراسة تاراسوف وآخرون، من خلال القيمة 36 (0.544)، يتضح أن معامل التحديد (R²) أعلى في هذا النموذج المختلط. هامش الخطأ (RMSE وMAE) (EBK SVMR) للنموذج المختلط أقل بمرتين. وبالمثل، سجل سيرجيف وآخرون³⁴ قيمة 0.28 (R²) للنموذج الهجين المُطور (Multilayer Perceptron Residual Kriging)، بينما سجل النيكل في هذه الدراسة قيمة 0.637 (R²). تبلغ دقة التنبؤ لهذا النموذج (EBK SVMR) 63.7%، بينما تبلغ دقة التنبؤ التي حصل عليها سيرجيف وآخرون³⁴ 28%. تُظهر الخريطة النهائية (الشكل 5) المُنشأة باستخدام نموذج EBK_SVMR وCa_Mg_K كمتنبئ، وجود بؤر ساخنة وتركيزات متوسطة إلى متوسطة من النيكل في منطقة الدراسة بأكملها. هذا يعني أن تركيز النيكل في منطقة الدراسة متوسط ​​في الغالب، مع وجود تركيزات أعلى في بعض المناطق المحددة.
تم تمثيل خريطة التنبؤ النهائية باستخدام النموذج الهجين EBK_SVMR وباستخدام Ca_Mg_K كمتنبئ. [تم إنشاء خريطة التوزيع المكاني باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
يوضح الشكل 6 تركيزات العناصر النزرة السامة على شكل مستوى تركيبي يتكون من خلايا عصبية فردية. لم يُظهر أي من المستويات المكونة نمطًا لونيًا متطابقًا. ومع ذلك، فإن العدد الأمثل للخلايا العصبية في كل خريطة مرسومة هو 55. يُنتج نموذج SeOM باستخدام مجموعة متنوعة من الألوان، وكلما تشابهت أنماط الألوان، زادت قابلية مقارنة خصائص العينات. وفقًا لمقياس الألوان الدقيق، أظهرت العناصر الفردية (الكالسيوم والبوتاسيوم والمغنيسيوم) أنماطًا لونية مشابهة للخلايا العصبية العالية ومعظم الخلايا العصبية المنخفضة. وبالتالي، يتشارك نموذجا CaK وCaMg بعض أوجه التشابه مع الخلايا العصبية عالية الرتبة وأنماط الألوان المنخفضة إلى المتوسطة. يتنبأ كلا النموذجين بتركيز النيكل في التربة من خلال عرض درجات لونية متوسطة إلى عالية مثل الأحمر والبرتقالي والأصفر. يعرض نموذج KMg العديد من أنماط الألوان العالية بناءً على نسب دقيقة وبقع لونية منخفضة إلى متوسطة. على مقياس ألوان دقيق من منخفض إلى عالٍ، أظهر نمط التوزيع المستوي لمكونات النموذج نمطًا لونيًا عاليًا يشير إلى التركيز المحتمل للنيكل في التربة (انظر الشكل 4). يُظهر مستوى مكونات نموذج 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 من تركيزات النيكل في التربة الحضرية وشبه الحضرية. يوضح الشكل 7 طريقة الكفاف في تجميع k-means على الخريطة، مقسمة إلى ثلاث مجموعات بناءً على القيمة المتوقعة في كل نموذج. تمثل طريقة الكفاف العدد الأمثل للمجموعات. من بين 115 عينة تربة تم جمعها، حصلت الفئة 1 على أكبر عدد من عينات التربة، 74 عينة. تلقت المجموعة 2 33 عينة، بينما تلقت المجموعة 3 8 عينات. تم تبسيط تركيبة المتنبئ المستوي المكون من سبعة مكونات للسماح بتفسير صحيح للمجموعات. نظرًا للعديد من العمليات البشرية والطبيعية التي تؤثر على تكوين التربة، فمن الصعب الحصول على أنماط مجموعات متباينة بشكل صحيح في خريطة SeOM موزعة.
مخرجات مستوى المكونات لكل متغير من متغيرات آلة المتجهات الداعمة التجريبية البايزية كريجينج (EBK_SVM_SeOM). [تم إنشاء خرائط SeOM باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
مكونات تصنيف المجموعات المختلفة [تم إنشاء خرائط SeOM باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
توضح الدراسة الحالية بوضوح تقنيات نمذجة تركيزات النيكل في التربة الحضرية وشبه الحضرية. اختبرت الدراسة تقنيات نمذجة مختلفة، تجمع بين عناصر وتقنيات نمذجة، للوصول إلى أفضل طريقة للتنبؤ بتركيزات النيكل في التربة. أظهرت الخصائص المكانية المستوية التركيبية لـ SeOM في تقنية النمذجة نمطًا لونيًا عاليًا من منخفض إلى عالٍ على مقياس لوني دقيق، مما يشير إلى تركيزات النيكل في التربة. ومع ذلك، تؤكد خريطة التوزيع المكاني التوزيع المكاني المستوي للمكونات الذي أظهره نموذج EBK_SVMR (انظر الشكل 5). تُظهر النتائج أن نموذج انحدار آلة المتجهات الداعمة (Ca Mg K-SVMR) يتنبأ بتركيز النيكل في التربة كنموذج منفرد، لكن معايير التحقق من الصحة وتقييم الدقة تُظهر أخطاءً عالية جدًا من حيث جذر متوسط ​​مربع الخطأ (RMSE) ومتوسط ​​الخطأ المطلق (MAE). من ناحية أخرى، فإن تقنية النمذجة المستخدمة مع نموذج EBK_MLR معيبة أيضًا بسبب انخفاض قيمة معامل التحديد (R²). تم الحصول على نتائج جيدة باستخدام EBK SVMR والعناصر المدمجة (CaKMg) مع انخفاض في متوسط ​​الجذر التربيعي للخطأ (RMSE) ومتوسط ​​الخطأ المطلق (MAE) بدقة 63.7%. اتضح أن دمج خوارزمية EBK مع خوارزمية تعلم آلي يُمكن من توليد خوارزمية هجينة قادرة على التنبؤ بتركيز العناصر النزرة السامة في التربة. تُظهر النتائج أن استخدام Ca وMg وK كمتنبئات لتركيزات النيكل في منطقة الدراسة يُحسّن من دقة التنبؤ بتركيز النيكل في التربة. هذا يعني أن الاستخدام المستمر للأسمدة القائمة على النيكل والتلوث الصناعي للتربة الناتج عن صناعة الصلب يُسهمان في زيادة تركيز النيكل في التربة. كشفت هذه الدراسة أن نموذج EBK يُمكنه تقليل مستوى الخطأ وتحسين دقة نموذج التوزيع المكاني للتربة في المناطق الحضرية أو شبه الحضرية. بشكل عام، نقترح تطبيق نموذج EBK-SVMR لتقييم وتوقع العناصر النزرة السامة في التربة؛ بالإضافة إلى ذلك، نقترح استخدام EBK للدمج مع خوارزميات تعلم آلي متنوعة. تم التنبؤ بتركيزات النيكل باستخدام العناصر كمتغيرات مشتركة. مع ذلك، فإن استخدام المزيد من المتغيرات المساعدة من شأنه أن يحسن أداء النموذج بشكل كبير، وهو ما يُعدّ أحد قيود العمل الحالي. ومن القيود الأخرى لهذه الدراسة أن عدد مجموعات البيانات يبلغ 115 مجموعة. لذا، في حال توفير المزيد من البيانات، يمكن تحسين أداء طريقة التهجين المُحسّنة المقترحة.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (تم الوصول إليه في 28 أبريل 2021).
Kasprzak, KS Nickel advances in modern environmental toxicology.surroundings.toxicology.11, 145–183 (1987).
سيمبل، م. ونيكل، ج. النيكل: مراجعة لمصادره وعلم السموم البيئية. المجلة البولندية للدراسات البيئية 15، 375-382 (2006).
فريدمان، ب. وهاتشينسون، تي سي. مدخلات الملوثات من الغلاف الجوي وتراكمها في التربة والنباتات بالقرب من مصهر النيكل والنحاس في سودبري، أونتاريو، كندا. المجلة الكندية لعلم النبات 58 (1)، 108-132. https://doi.org/10.1139/b80-014 (1980).
مانييوا، تي. وآخرون. المعادن الثقيلة في التربة والنباتات والمخاطر المرتبطة برعي المجترات بالقرب من منجم سيليبي-فيكوي للنحاس والنيكل في بوتسوانا. البيئة المحيطة. الجيوكيمياء. الصحة https://doi.org/10.1007/s10653-021-00918-x (2021).
كاباتا-بيندياس. كاباتا-بيندياس أ. 2011. العناصر النزرة في التربة و... – جوجل سكولار 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 الاطلاع عليه في 24 نوفمبر 2020).
ألماس، أ.، سينغ، ب.، الزراعة، TS-NJ of & 1995، غير محدد. آثار صناعة النيكل الروسية على تركيزات المعادن الثقيلة في التربة الزراعية والأعشاب في سور-فارانجر، النرويج. agris.fao.org.
Nielsen, GD et al. يرتبط امتصاص النيكل والاحتفاظ به في مياه الشرب بتناول الطعام وحساسية النيكل. علم السموم. التطبيق. الديناميكا الدوائية. 154، 67-75 (1999).
كوستا، م. وكلاين، سي بي. التسرطن النيكل، الطفرة، علم التخلق أو الانتقاء. البيئة. منظور الصحة. 107، 2 (1999).
عجمان، بي سي؛ أجادو، إس كيه؛ بوروفكا، إل؛ بيني، جيه كيه إم؛ ساركودي، في واي أو؛ كوبوني، إن إم؛ تحليل اتجاهات 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. وماكبرايتني، أ.ب. رسم خرائط التربة الرقمية: تاريخ موجز وبعض الدروس. Geoderma 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=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (تم الاطلاع عليه في 28 أبريل 2021).