Дзякуй за наведванне сайта Nature.com. Версія браўзера, якой вы карыстаецеся, мае абмежаваную падтрымку CSS. Для найлепшага карыстання рэкамендуем выкарыстоўваць абноўлены браўзер (або адключыць рэжым сумяшчальнасці ў Internet Explorer). Тым часам, каб забяспечыць бесперапынную падтрымку, мы будзем адлюстроўваць сайт без стыляў і JavaScript.
Забруджванне глебы — вялікая праблема, выкліканая дзейнасцю чалавека. Прасторавае размеркаванне патэнцыйна таксічных элементаў (ПТЭ) адрозніваецца ў большасці гарадскіх і прыгарадных раёнаў. Таму цяжка прасторава прагназаваць утрыманне ПТЭ ў такіх глебах. Усяго з Фрыдэк-Містэк у Чэхіі было атрымана 115 узораў. Канцэнтрацыі кальцыя (Ca), магнію (Mg), калію (K) і нікеля (Ni) былі вызначаны з дапамогай эмісійнай спектрометрыі з індуктыўна звязанай плазмай. Зменнай водгуку з'яўляецца Ni, а прадказальнікамі — Ca, Mg і K. Карэляцыйная матрыца паміж зменнай водгуку і зменнай прадказальніка паказвае здавальняючую карэляцыю паміж элементамі. Вынікі прагназавання паказалі, што метад апорнай вектарнай машыннай рэгрэсіі (SVMR) працуе добра, хоць яго ацэначная сярэднеквадратычная памылка (RMSE) (235,974 мг/кг) і сярэдняя абсалютная памылка (MAE) (166,946 мг/кг) былі вышэйшымі, чым у іншых ужытых метадаў. Змешаныя мадэлі для эмпірычнай байесаўскай крыгінгавай множнай лінейнай рэгрэсіі (EBK-MLR) працуюць дрэнна, пра што сведчыць... каэфіцыенты дэтэрмінацыі менш за 0,1. Мадэль эмпірычнай байесаўскай крыгінгавай вектарнай рэгрэсіі (EBK-SVMR) была найлепшай мадэллю з нізкімі значэннямі RMSE (95,479 мг/кг) і MAE (77,368 мг/кг) і высокім каэфіцыентам дэтэрмінацыі (R2 = 0,637). Вынік мадэлявання EBK-SVMR візуалізуецца з дапамогай самаарганізаванай карты. Кластарныя нейроны ў плоскасці гібрыднай мадэлі кампанента CakMg-EBK-SVMR паказваюць некалькі каляровых узораў, якія прадказваюць канцэнтрацыі Ni ў гарадскіх і прыгарадных глебах. Вынікі паказваюць, што спалучэнне EBK і SVMR з'яўляецца эфектыўным метадам прагназавання канцэнтрацый Ni ў гарадскіх і прыгарадных глебах.
Нікель (Ni) лічыцца мікраэлементам для раслін, паколькі ён спрыяе фіксацыі атмасфернага азоту (N) і метабалізму мачавіны, якія неабходныя для прарастання насення. Акрамя свайго ўкладу ў прарастанне насення, Ni можа выступаць у якасці грыбковага і бактэрыяльнага інгібітара і спрыяць развіццю раслін. Адсутнасць нікеля ў глебе дазваляе расліне паглынаць яго, што прыводзіць да хлорозу лісця. Напрыклад, вігна і зялёная фасоля патрабуюць унясення ўгнаенняў на аснове нікеля для аптымізацыі фіксацыі азоту2. Пастаяннае ўнясенне ўгнаенняў на аснове нікеля для ўзбагачэння глебы і павышэння здольнасці бабовых фіксаваць азот у глебе пастаянна павялічвае канцэнтрацыю нікеля ў глебе. Нягледзячы на ​​тое, што нікель з'яўляецца мікраэлементам для раслін, яго празмернае спажыванне ў глебе можа прынесці больш шкоды, чым карысці. Таксічнасць нікеля ў глебе мінімізуе pH глебы і перашкаджае засваенню жалеза як неабходнага пажыўнага рэчыва для росту раслін1. Паводле Лю3, Ni з'яўляецца 17-м важным элементам, неабходным для развіцця і росту раслін. Акрамя ролі нікеля ў развіцці і росце раслін, ён патрэбны людзям для розных ужыванняў. Гальваніка, вытворчасць сплаваў на аснове нікеля, і вытворчасць прылад запальвання і свечак запальвання ў аўтамабільнай прамысловасці патрабуе выкарыстання нікеля ў розных прамысловых сектарах. Акрамя таго, сплавы на аснове нікеля і гальванізаваныя вырабы шырока выкарыстоўваюцца ў кухонным посудзе, аксэсуарах для бальных залаў, харчовай прамысловасці, электраабсталяванні, правадах і кабелях, рэактыўных турбінах, хірургічных імплантатах, тэкстылі і суднабудаванні5. Узровень утрымання нікеля ў глебах (г.зн. паверхневых глебах) прыпісваецца як антрапагенным, так і прыродным крыніцам, але ў першую чаргу нікель з'яўляецца прыроднай крыніцай, а не антрапагеннай4,6. Натуральныя крыніцы нікеля ўключаюць вывяржэнні вулканаў, расліннасць, лясныя пажары і геалагічныя працэсы; аднак да антрапагенных крыніц адносяцца нікель/кадміевыя батарэі ў сталеліцейнай прамысловасці, гальваніка, дугавая зварка, дызельнае паліва і мазут, а таксама атмасферныя выкіды ад спальвання вугалю і спальвання адходаў і шламаў, назапашванне нікеля7,8. Паводле Фрыдмана і Хатчынсана9 і Маніўы і інш. 10, асноўнымі крыніцамі забруджвання верхняга пласта глебы ў непасрэдным і прылеглым асяроддзі з'яўляюцца ў асноўным плавільныя заводы і шахты на аснове нікеля і медзі. Верхні пласт глебы вакол нікель-меднага рафінаду ў Садберы ў Канадзе меў найвышэйшы ўзровень забруджвання нікелем — 26 000 мг/кг11. Наадварот, забруджванне ад вытворчасці нікеля ў Расіі прывяло да больш высокай канцэнтрацыі нікеля ў глебе Нарвегіі11. Паводле Алмса і інш. 12, колькасць нікеля, які можна здабыць з дапамогай HNO3, на найлепшых ворных землях рэгіёна (вытворчасць нікеля ў Расіі) вагалася ад 6,25 да 136,88 мг/кг, што адпавядае сярэдняму значэнню 30,43 мг/кг і базавай канцэнтрацыі 25 мг/кг. Згодна з Кабатай 11, унясенне фосфарных угнаенняў у сельскагаспадарчыя глебы ў гарадскіх або прыгарадных глебах падчас паслядоўных сельскагаспадарчых сезонаў можа прывесці да пранікнення або забруджвання глебы. Патэнцыйны ўплыў нікеля на чалавека можа прывесці да раку праз мутагенез, пашкоджанне храмасом, генерацыю Z-ДНК, блакаванне эксцызійнай рэпарацыі ДНК або эпігенетычныя працэсы 13. У эксперыментах на жывёлах было выяўлена, што нікель можа выклікаць розныя пухліны, а канцэрагенныя комплексы нікеля могуць пагоршыць такія пухліны.
Ацэнкі забруджвання глебы ў апошні час квітнеюць з-за шырокага спектру праблем, звязаных са здароўем, якія ўзнікаюць з-за ўзаемасувязяў глебы і раслін, глебы і біялагічных узаемасувязяў глебы, экалагічнай дэградацыі і ацэнкі ўздзеяння на навакольнае асяроддзе. На сённяшні дзень прасторавае прагназаванне патэнцыйна таксічных элементаў (ПТЭ), такіх як Ni, у глебе з выкарыстаннем традыцыйных метадаў было працаёмкім і працяглым. З'яўленне лічбавага картаграфавання глебы (ЛГГ) і яго цяперашні поспех15 значна палепшылі прагнастычнае картаграфаванне глебы (ПГГ). Паводле Мінасны і Макбратні16, прагнастычнае картаграфаванне глебы (ЛГГ) аказалася важнай паддысцыплінай глебазнаўства. Лагашэры і Макбратні, 2006, вызначаюць ЛГГ як «стварэнне і напаўненне прасторавых інфармацыйных сістэм глебы з дапамогай выкарыстання метадаў назірання in situ і лабараторных метадаў, а таксама прасторавых і непрасторавых сістэм вываду глебы». Макбратні і інш. 17 паказвае, што сучасны DSM або PSM з'яўляецца найбольш эфектыўным метадам прагназавання або картаграфавання прасторавага размеркавання PTE, тыпаў глебы і ўласцівасцей глебы. Геастатыстыка і алгарытмы машыннага навучання (MLA) - гэта метады мадэлявання DSM, якія ствараюць алічбаваныя карты з дапамогай кампутараў, выкарыстоўваючы значныя і мінімальныя дадзеныя.
Дойч18 і Олеа19 вызначаюць геастатыстыку як «сукупнасць лікавых метадаў, якія маюць справу з прадстаўленнем прасторавых атрыбутаў, у асноўным з выкарыстаннем стахастычных мадэляў, такіх як тое, як аналіз часовых шэрагаў характарызуе часавыя дадзеныя». У першую чаргу, геастатыстыка ўключае ацэнку варыяграм, якія дазваляюць колькасна ацаніць і вызначыць залежнасці прасторавых значэнняў ад кожнага набору дадзеных20. Гуміё і інш.20 далей паказваюць, што ацэнка варыяграм у геастатыстыцы заснавана на трох прынцыпах, у тым ліку (а) вылічэнне маштабу карэляцыі дадзеных, (б) вызначэнне і вылічэнне анізатрапіі ў дыспрапорцыі набору дадзеных і (в) акрамя ўліку ўласцівай памылкі дадзеных вымярэнняў, аддзеленай ад лакальных эфектаў, таксама ацэньваюцца эфекты плошчы. Абапіраючыся на гэтыя канцэпцыі, у геастатыстыцы выкарыстоўваецца мноства метадаў інтэрпаляцыі, у тым ліку агульны крыгінг, ко-крыгінг, звычайны крыгінг, эмпірычны байесаўскі крыгінг, просты метад крыгінга і іншыя вядомыя метады інтэрпаляцыі для картаграфавання або прагназавання PTE, характарыстык глебы і тыпаў глебы.
Алгарытмы машыннага навучання (MLA) — гэта адносна новы метад, які выкарыстоўвае больш шырокія нелінейныя класы дадзеных, заснаваны на алгарытмах, якія ў асноўным выкарыстоўваюцца для аналізу дадзеных, выяўлення заканамернасцей у дадзеных і неаднаразова ўжываюцца для класіфікацыі ў такіх навуковых галінах, як глебазнаўства і задачы вяртання. Шматлікія даследчыя працы абапіраюцца на мадэлі MLA для прагназавання PTE ў глебах, такія як Тан і інш. 22 (выпадковыя лясы для ацэнкі цяжкіх металаў у сельскагаспадарчых глебах), Сакізадэ і інш. 23 (мадэляванне з выкарыстаннем машын апорных вектараў і штучных нейронных сетак) забруджванне глебы). Акрамя таго, Вега і інш. 24 (CART для мадэлявання ўтрымання і адсорбцыі цяжкіх металаў у глебе), Сан і інш. 25 (прымяненне кубістычнага размеркавання Cd у глебе) і іншыя алгарытмы, такія як k-бліжэйшы сусед, абагульненая павышаная рэгрэсія і павышаныя дрэвы рэгрэсіі, таксама ўжывалі MLA для прагназавання PTE ў глебе.
Прымяненне алгарытмаў DSM у прагназаванні або картаграфаванні сутыкаецца з некалькімі праблемамі. Многія аўтары лічаць, што MLA пераўзыходзіць геастатыстыку і наадварот. Нягледзячы на ​​тое, што адзін лепшы за другі, спалучэнне гэтых двух паляпшае ўзровень дакладнасці картаграфавання або прагназавання ў DSM15. Вудкок і Гопал26, Фінке27; Понціус і Чэўк28, а таксама Грунвальд29 каментуюць недахопы і некаторыя памылкі ў прагназаваным картаграфаванні глебы. Глебазнаўцы спрабавалі розныя метады для аптымізацыі эфектыўнасці, дакладнасці і прадказальнасці картаграфавання і прагназавання DSM. Спалучэнне нявызначанасці і праверкі - адзін з многіх розных аспектаў, інтэграваных у DSM для аптымізацыі эфектыўнасці і памяншэння дэфектаў. Аднак Агеман і інш.15 адзначаюць, што паводзіны праверкі і нявызначанасць, уведзеныя пры стварэнні карты і прагназаванні, павінны быць правераны незалежна для паляпшэння якасці карты. Абмежаванні DSM звязаны з геаграфічна размеркаванай якасцю глебы, якая ўключае кампанент нявызначанасці; Аднак адсутнасць упэўненасці ў DSM можа ўзнікаць з-за некалькіх крыніц памылак, а менавіта каварыянтнай памылкі, памылкі мадэлі, памылкі месцазнаходжання і аналітычнай памылкі 31. Недакладнасці мадэлявання, выкліканыя MLA і геастатыстычнымі працэсамі, звязаныя з недахопам разумення, што ў канчатковым выніку прыводзіць да празмернага спрашчэння рэальнага працэсу 32. Незалежна ад характару мадэлявання, недакладнасці можна аднесці да параметраў мадэлявання, прагнозаў матэматычнай мадэлі або інтэрпаляцыі 33. Нядаўна з'явілася новая тэндэнцыя DSM, якая спрыяе інтэграцыі геастатыстыкі і MLA ў картаграфаванне і прагназаванне. Некалькі глебазнаўцаў і аўтараў, такія як Сяргееў і інш. 34; Субоціна і інш. 35; Тарасаў і інш. 36 і Тарасаў і інш. 37, выкарысталі дакладнасць геастатыстыкі і машыннага навучання для стварэння гібрыдных мадэляў, якія павышаюць эфектыўнасць прагназавання і картаграфавання. якасць. Некаторыя з гэтых гібрыдных або камбінаваных алгарытмічных мадэляў - гэта крыгінг штучнай нейроннай сеткі (ANN-RK), шматслаёвы персептронны рэшткавы крыгінг (MLP-RK), абагульнены рэгрэсійны нейронны сеткавы рэшткавы крыгінг (GR-NNRK)36, штучны нейронны сеткавы крыгінг-шматслаёвы персептрон (ANN-K-MLP)37 і кокрыгінг і гаўсавая працэсная рэгрэсія38.
Паводле Сяргеева і інш., спалучэнне розных метадаў мадэлявання можа ліквідаваць дэфекты і павысіць эфектыўнасць атрыманай гібрыднай мадэлі, а не распрацоўваць яе адзіную мадэль. У гэтым кантэксце ў гэтай новай працы сцвярджаецца, што неабходна прымяніць камбінаваны алгарытм геастатыстыкі і MLA для стварэння аптымальных гібрыдных мадэляў для прагназавання ўзбагачэння Ni ў гарадскіх і прыгарадных раёнах. Гэта даследаванне будзе абапірацца на эмпірычны байесаўскі крыгінг (EBK) у якасці базавай мадэлі і спалучаць яго з мадэлямі метаду апорных вектараў (SVM) і множнай лінейнай рэгрэсіі (MLR). Гібрыдызацыя EBK з любым MLA невядомая. Разгледжаныя множныя змешаныя мадэлі з'яўляюцца камбінацыямі звычайнага, рэшткавага, рэгрэсійнага крыгінгу і MLA. EBK - гэта метад геастатыстычнай інтэрпаляцыі, які выкарыстоўвае прасторава стахастычны працэс, лакалізаваны як нестацыянарнае/стацыянарнае выпадковае поле з вызначанымі параметрамі лакалізацыі па полі, што дазваляе прасторавыя змены. EBK выкарыстоўваўся ў розных даследаваннях, у тым ліку пры аналізе размеркавання арганічнага вугляроду ў сельскагаспадарчых глебах, ацэнцы забруджвання глебы і картаграфаванні ўласцівасцей глебы.
З іншага боку, самаарганізаваны граф (SeOM) — гэта алгарытм навучання, які ўжываўся ў розных артыкулах, такіх як Лі і інш. 43, Ван і інш. 44, Хосейн Бхуйян і інш. 45 і Кебонье і інш. 46. Вызначэнне прасторавых атрыбутаў і групоўкі элементаў. Ван і інш. 44 адзначаюць, што SeOM — гэта магутны метад навучання, вядомы сваёй здольнасцю групаваць і ўяўляць нелінейныя праблемы. У адрозненне ад іншых метадаў распазнавання вобразаў, такіх як аналіз галоўных кампанент, невыразная кластарызацыя, іерархічная кластарызацыя і шматкрытэрыяльнае прыняцце рашэнняў, SeOM лепш арганізуе і ідэнтыфікуе шаблоны PTE. Паводле Ван і інш. 44, SeOM можа прасторава групаваць размеркаванне звязаных нейронаў і забяспечваць візуалізацыю дадзеных з высокім разрозненнем. SeOM будзе візуалізаваць дадзеныя прагназавання Ni, каб атрымаць найлепшую мадэль для характарыстыкі вынікаў для непасрэднай інтэрпрэтацыі.
Гэтая праца мае на мэце стварыць надзейную мадэль картаграфавання з аптымальнай дакладнасцю для прагназавання ўтрымання нікеля ў гарадскіх і прыгарадных глебах. Мы выказваем гіпотэзу, што надзейнасць змешанай мадэлі ў асноўным залежыць ад уплыву іншых мадэляў, звязаных з базавай мадэллю. Мы прызнаем праблемы, з якімі сутыкаецца DSM, і, хоць гэтыя праблемы вырашаюцца па некалькіх напрамках, спалучэнне дасягненняў у геастатыстыцы і мадэлях MLA, здаецца, з'яўляецца паступовым; таму мы паспрабуем адказаць на даследчыя пытанні, якія могуць прывесці да змешаных мадэляў. Аднак, наколькі дакладная мадэль у прагназаванні мэтавага элемента? Акрамя таго, які ўзровень ацэнкі эфектыўнасці на аснове праверкі і ацэнкі дакладнасці? Такім чынам, канкрэтнымі мэтамі гэтага даследавання былі (а) стварэнне камбінаванай мадэлі змешання для SVMR або MLR з выкарыстаннем EBK у якасці базавай мадэлі, (б) параўнанне атрыманых мадэляў, (в) прапанова найлепшай мадэлі змешання для прагназавання канцэнтрацый Ni ў гарадскіх або прыгарадных глебах і (г) прымяненне SeOM для стварэння карты прасторавай варыяцыі нікеля з высокім разрозненнем.
Даследаванне праводзіцца ў Чэшскай Рэспубліцы, а менавіта ў раёне Фрыдэк-Містэк у Мараўска-Сілезскім рэгіёне (гл. Малюнак 1). Геаграфія даследчай тэрыторыі вельмі няроўная і ў асноўным з'яўляецца часткай рэгіёна Мараўска-Сілезскія Бескіды, які з'яўляецца часткай вонкавага краю Карпатскіх гор. Даследчая тэрыторыя размешчана паміж 49° 41′ 0′ паўночнай шыраты і 18° 20′ 0′ усходняй даўгаты, а вышыня над узроўнем мора складае ад 225 да 327 м; Аднак сістэма класіфікацыі Кеппена для кліматычнага стану рэгіёна ацэньваецца як Cfb = умераны акіянічны клімат. Нават у сухія месяцы выпадае шмат ападкаў. Тэмпература на працягу года нязначна вагаецца ад -5 °C да 24 °C, рэдка апускаючыся ніжэй за -14 °C або вышэй за 30 °C, а сярэднегадавая колькасць ападкаў складае ад 685 да 752 мм47. Меркаваная плошча абследавання ўсёй тэрыторыі складае 1208 квадратных кіламетраў, з якіх 39,38% сельскагаспадарчых зямель і 49,36% пакрытыя лясамі. З іншага боку, плошча, выкарыстаная ў гэтым даследаванні, складае каля 889,8 квадратных кіламетраў. У Остраве і ваколіцах вельмі актыўна развіваецца сталеліцейная прамысловасць і металургія. Патэнцыйнымі крыніцамі нікеля ў рэгіёне з'яўляюцца металургічныя заводы, сталеліцейная прамысловасць, дзе нікель выкарыстоўваецца ў нержавеючых сталях (напрыклад, для ўстойлівасці да атмасфернай карозіі) і легаваных сталях (нікель павялічвае трываласць сплаву, захоўваючы пры гэтым яго добрую пластычнасць і ўдарную глейкасць), а таксама інтэнсіўная сельская гаспадарка, такая як унясенне фасфатных угнаенняў і жывёлагадоўля. (напрыклад, даданне нікеля ягнятам для павелічэння тэмпаў росту ў іх і жывёлы, якая атрымлівае мала кармлення). Іншыя прамысловыя спосабы выкарыстання нікеля ў даследчых галінах ўключаюць яго выкарыстанне ў гальванічным пакрыцці, у тым ліку ў працэсах гальванічнага нікелявання і хімічнае нікеляванне. Уласцівасці глебы лёгка адрозніць па колеры, структуры і ўтрыманні карбанатаў. Тэкстура глебы ад сярэдняй да дробнай, паходзіць ад матчынай пароды. Яны маюць калювіяльны, алювіяльны або эолавы характар. Некаторыя ўчасткі глебы выглядаюць плямістымі на паверхні і ў падглебе, часта з бетонам і адбельваннем. Аднак камбісолі і стагнасолі з'яўляюцца найбольш распаўсюджанымі тыпамі глеб у рэгіёне48. З вышынёй ад 455,1 да 493,5 м, камбісолі дамінуюць у Чэшскай Рэспубліцы49.
Карта даследчай тэрыторыі [Карта даследчай тэрыторыі была створана з дапамогай ArcGIS Desktop (ESRI, Inc, версія 10.7, URL: https://desktop.arcgis.com).]
Усяго было атрымана 115 узораў верхняга пласта глебы з гарадскіх і прыгарадных глеб у раёне Фрыдэк-Містэк. Выкарыстоўвалася схема адбору проб у выглядзе рэгулярнай сеткі з узорамі глебы, размешчанымі з адлегласці 2 × 2 км адзін ад аднаго, а верхні пласт глебы вымяраўся на глыбіні ад 0 да 20 см з дапамогай ручной прылады GPS (Leica Zeno 5 GPS). Узоры спакоўваюцца ў пакеты Ziploc, належным чынам маркіруюцца і адпраўляюцца ў лабараторыю. Узоры высушваюцца на паветры для атрымання парашкападобных узораў, здрабняюцца механічнай сістэмай (дыскавы млын Fritsch) і прасейваюцца (памер сіта 2 мм). Змяшчаюць 1 грам высушаных, гамагенізаваных і прасеяных узораў глебы ў выразна маркіраваныя тэфлонавыя бутэлькі. У кожную тэфлонавую ёмістасць дадаюць 7 мл 35% HCl і 3 мл 65% HNO3 (выкарыстоўваючы аўтаматычны дазатар - па адным для кожнай кіслаты), злёгку накрываюць і даюць узорам пастаяць на ноч для рэакцыі (праграма "царская гарэлка"). Змяшчаюць супернатант на гарачую металічную пласціну (тэмпература: 100 Вт). і 160 °C) на працягу 2 гадзін, каб палегчыць працэс пераварвання ўзораў, затым астудзіце. Перанясіце супернатант у мерную колбу аб'ёмам 50 мл і развядзіце да 50 мл дэіянізаванай вадой. Пасля гэтага адфільтруйце разведзены супернатант у ПВХ-прабірку аб'ёмам 50 мл з дэіянізаванай вадой. Акрамя таго, 1 мл раствора для развядзення развялі 9 мл дэіянізаванай вады і адфільтравалі ў прабірку аб'ёмам 12 мл, падрыхтаваную для псеўдаканцэнтрацыі ПТЭ. Канцэнтрацыі ПТЭ (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) вызначалі з дапамогай ICP-OES (індуктыўна звязанай плазменнай аптычнай эмісійнай спектраскапіі) (Thermo Fisher Scientific, ЗША) у адпаведнасці са стандартнымі метадамі і пагадненнем. Забяспечце працэдуры забеспячэння і кантролю якасці (QA/QC) (SRM NIST 2711a Montana II Soil). ПТЭ з межамі выяўлення ніжэй за палову былі выключаны з гэтага даследавання. Мяжа выяўлення ПТЭ, выкарыстанага ў гэтым даследаванні, складала 0,0004 (вы). Акрамя таго, працэс кантролю і забеспячэння якасці кожнага аналізу забяспечваецца шляхам аналізу эталонных стандартаў. Каб мінімізаваць памылкі, быў праведзены двайны аналіз.
Эмпірычны баесаўскі крыгінг (ЭБК) — адзін з многіх геастатыстычных метадаў інтэрпаляцыі, якія выкарыстоўваюцца ў мадэляванні ў розных галінах, такіх як глебазнаўства. У адрозненне ад іншых метадаў інтэрпаляцыі крыгінгам, ЭБК адрозніваецца ад традыцыйных метадаў крыгінга тым, што ўлічвае памылку, ацэненую мадэллю паўварыяграмы. Пры інтэрпаляцыі ЭБК падчас інтэрпаляцыі вылічваюцца некалькі мадэляў паўварыяграм, а не адна паўварыяграма. Метады інтэрпаляцыі пазбаўляюцца ад нявызначанасці і праграмавання, звязаных з пабудовай графіка паўварыяграмы, што з'яўляецца вельмі складанай часткай метаду дастатковага крыгінга. Працэс інтэрпаляцыі ЭБК адпавядае тром крытэрыям, прапанаваным Крываручка50: (а) мадэль ацэньвае паўварыяграму з уваходнага набору даных, (б) новае прагназаванае значэнне для кожнага месцазнаходжання ўваходнага набору даных на аснове згенераванай паўварыяграмы і (в) канчатковая мадэль A вылічваецца з мадэляванага набору даных. Правіла баесаўскага ўраўнення задаецца як апостэры.
Дзе \(Prob\left(A\right)\) прадстаўляе апрыёрную верагоднасць, \(Prob\left(B\right)\) гранічная верагоднасць ігнаруецца ў большасці выпадкаў, \(Prob (B,A)\). Разлік варыяграмы заснаваны на правіле Баеса, якое паказвае схільнасць набораў дадзеных назіранняў да стварэння з варыяграм. Значэнне варыяграмы затым вызначаецца з дапамогай правіла Баеса, якое паказвае верагоднасць стварэння набору дадзеных назіранняў з варыяграмы.
Машына апорных вектараў — гэта алгарытм машыннага навучання, які генеруе аптымальную падзяляльную гіперплоскасць для адрознення ідэнтычных, але не лінейна незалежных класаў. Вапнік51 стварыў алгарытм класіфікацыі намераў, але нядаўна ён выкарыстоўваецца для вырашэння задач, арыентаваных на рэгрэсію. Паводле Лі і інш.52, SVM з'яўляецца адной з найлепшых тэхнік класіфікацыі і выкарыстоўваецца ў розных галінах. У гэтым аналізе выкарыстоўваўся кампанент рэгрэсіі SVM (машына апорных вектараў — SVMR). Чэркаскі і Мулье53 упершыню распрацавалі SVMR як рэгрэсію на аснове ядра, вылічэнне якой праводзілася з выкарыстаннем лінейнай рэгрэсійнай мадэлі з шматкраіннымі прасторавымі функцыямі. Джон і інш.54 паведамляюць, што мадэляванне SVMR выкарыстоўвае лінейную рэгрэсію гіперплоскасці, якая стварае нелінейныя сувязі і дазваляе выкарыстоўваць прасторавыя функцыі. Паводле Воланда і інш. 55, эпсілан (ε)-SVMR выкарыстоўвае навучаны набор даных для атрымання мадэлі прадстаўлення ў выглядзе эпсілан-неадчувальнай функцыі, якая ўжываецца для незалежнага адлюстравання даных з найлепшым эпсіланным зрушэннем з навучання на карэляваных даных. Зададзеная памылка адлегласці ігнаруецца пры аднясенні да фактычнага значэння, і калі памылка большая за ε(ε), уласцівасці глебы кампенсуюць яе. Мадэль таксама памяншае складанасць навучальных даных да больш шырокага падмноства вектараў падтрымкі. Раўнанне, прапанаванае Вапнікам51, паказана ніжэй.
дзе b прадстаўляе скалярны парог, (K(x)_{,}{x}_{k})) прадстаўляе функцыю ядра, (α) прадстаўляе множнік Лагранжа, N прадстаўляе лікавы набор даных, (x)_{k}) прадстаўляе ўваходныя даныя, а (y) — выхадныя даныя. Адным з ключавых ядраў з'яўляецца аперацыя SVMR, якая ўяўляе сабой гаўсаву радыяльную базісную функцыю (RBF). Ядро RBF ужываецца для вызначэння аптымальнай мадэлі SVMR, што мае вырашальнае значэнне для атрымання найбольш тонкага каэфіцыента штрафнога набору C і параметра ядра гама (γ) для навучальных даных PTE. Спачатку мы ацанілі навучальны набор, а затым праверылі прадукцыйнасць мадэлі на валідацыйным наборы. Выкарыстоўваны параметр кіравання — сігма, а значэнне метаду — svmRadial.
Мадэль множнай лінейнай рэгрэсіі (MLR) — гэта рэгрэсійная мадэль, якая прадстаўляе сувязь паміж зменнай водгуку і шэрагам прагнастычных зменных з выкарыстаннем аб'яднаных лінейных параметраў, разлічаных з выкарыстаннем метаду найменшых квадратаў. У MLR мадэль найменшых квадратаў — гэта прагнастычная функцыя ўласцівасцей глебы пасля выбару тлумачальных зменных. Неабходна выкарыстоўваць водгук для ўстанаўлення лінейнай залежнасці з выкарыстаннем тлумачальных зменных. PTE выкарыстоўваўся ў якасці зменнай водгуку для ўстанаўлення лінейнай залежнасці з тлумачальнымі зменнымі. Ураўненне MLR мае выгляд
дзе y — зменная водгуку, a — кропка перасячэння з воссю асновы, n — колькасць прадказальнікаў, b1 — частковая рэгрэсія каэфіцыентаў, xi — прадказальнік або тлумачальная зменная, а epsilon_{i} — памылка мадэлі, таксама вядомая як рэшта.
Змешаныя мадэлі былі атрыманы шляхам аб'яднання EBK з SVMR і MLR. Гэта робіцца шляхам вымання прагназаваных значэнняў з інтэрпаляцыі EBK. Прагназаваныя значэнні, атрыманыя з інтэрпаляваных Ca, K і Mg, атрымліваюцца з дапамогай камбінаторнага працэсу для атрымання новых зменных, такіх як CaK, CaMg і KMg. Элементы Ca, K і Mg затым аб'ядноўваюцца для атрымання чацвёртай зменнай, CaKMg. У цэлым, атрыманыя зменныя - гэта Ca, K, Mg, CaK, CaMg, KMg і CaKMg. Гэтыя зменныя сталі нашымі прадказальнікамі, дапамагаючы прагназаваць канцэнтрацыі нікеля ў гарадскіх і прыгарадных глебах. Алгарытм SVMR быў выкананы на прадказальніках для атрымання змешанай мадэлі эмпірычнага байесаўскага крыгінга з метадам апорных вектараў (EBK_SVM). Аналагічна, зменныя таксама перадаюцца праз алгарытм MLR для атрымання змешанай мадэлі эмпірычнага байесаўскага крыгінга з метадам множнай лінейнай рэгрэсіі (EBK_MLR). Як правіла, зменныя Ca, K, Mg, CaK, CaMg, KMg і CaKMg выкарыстоўваюцца ў якасці каварыят для прадказальнікаў утрымання Ni ў гарадскіх і прыгарадных глебах. Найбольш прымальная атрыманая мадэль (EBK_SVM або EBK_MLR) будзе візуалізавана з дапамогай самаарганізаванага графіка. Працоўны працэс гэтага даследавання паказаны на малюнку 2.
Выкарыстанне SeOM стала папулярным інструментам для арганізацыі, ацэнкі і прагназавання дадзеных у фінансавым сектары, ахове здароўя, прамысловасці, статыстыцы, глебазнаўстве і г.д. SeOM ствараецца з выкарыстаннем штучных нейронных сетак і метадаў навучання без настаўніка для арганізацыі, ацэнкі і прагназавання. У гэтым даследаванні SeOM выкарыстоўваўся для візуалізацыі канцэнтрацый Ni на аснове найлепшай мадэлі для прагназавання Ni ў гарадскіх і прыгарадных глебах. Дадзеныя, апрацаваныя пры ацэнцы SeOM, выкарыстоўваюцца ў якасці n уваходных вектарных зменных43,56.Melssen et al. 57 апісваюць падключэнне ўваходнага вектара ў нейронную сетку праз адзін уваходны пласт да выходнага вектара з адным вагавым вектарам. Выхад, згенераваны SeOM, - гэта двухмерная карта, якая складаецца з розных нейронаў або вузлоў, уплеценых у шасцігранныя, круглыя ​​або квадратныя тапалагічныя карты ў залежнасці ад іх блізкасці. Параўноўваючы памеры карты на аснове метрыкі, памылкі квантавання (QE) і тапаграфічнай памылкі (TE), выбіраецца мадэль SeOM з 0,086 і 0,904 адпаведна, што з'яўляецца адзінкай карты з 55 (5 × 11). Структура нейронаў вызначаецца ў адпаведнасці з колькасцю вузлоў у эмпірычным ураўненні.
Колькасць дадзеных, выкарыстаных у гэтым даследаванні, складае 115 узораў. Для падзелу дадзеных на тэставыя дадзеныя (25% для праверкі) і навучальныя наборы дадзеных (75% для каліброўкі) быў выкарыстаны выпадковы падыход. Навучальны набор дадзеных выкарыстоўваецца для стварэння рэгрэсійнай мадэлі (каліброўкі), а тэставы набор дадзеных — для праверкі здольнасці да абагульнення58. Гэта было зроблена для ацэнкі прыдатнасці розных мадэляў для прагназавання ўтрымання нікеля ў глебах. Усе выкарыстаныя мадэлі прайшлі дзесяціразовы працэс перакрыжаванай праверкі, паўтораны пяць разоў. Зменныя, атрыманыя з дапамогай інтэрпаляцыі EBK, выкарыстоўваюцца ў якасці прадказальнікаў або тлумачальных зменных для прагназавання мэтавай зменнай (PTE). Мадэляванне ажыццяўляецца ў RStudio з выкарыстаннем пакетаў library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) і libraries(“Metrics”).
Для вызначэння найлепшай мадэлі, прыдатнай для прагназавання канцэнтрацыі нікеля ў глебе, і для ацэнкі дакладнасці мадэлі і яе валідацыі выкарыстоўваліся розныя параметры валідацыі. Мадэлі гібрыдызацыі ацэньваліся з выкарыстаннем сярэдняй абсалютнай памылкі (MAE), сярэднеквадратычнай памылкі (RMSE) і R-квадрата або вызначэння каэфіцыента (R2). R2 вызначае дысперсію прапорцый у адказе, прадстаўленай рэгрэсійнай мадэллю. RMSE і велічыня дысперсіі ў незалежных мерах апісваюць прагнастычную здольнасць мадэлі, у той час як MAE вызначае фактычнае колькаснае значэнне. Значэнне R2 павінна быць высокім, каб ацаніць найлепшую мадэль сумесі з выкарыстаннем параметраў валідацыі, чым бліжэй значэнне да 1, тым вышэй дакладнасць. Згодна з Лі і інш. 59, значэнне крытэрыя R2 0,75 або больш лічыцца добрым прагназатарам; ад 0,5 да 0,75 з'яўляецца прымальнай прадукцыйнасцю мадэлі, а ніжэй за 0,5 - непрымальнай прадукцыйнасцю мадэлі. Пры выбары мадэлі з выкарыстаннем метадаў ацэнкі крытэрыяў валідацыі RMSE і MAE, ніжэйшыя атрыманыя значэнні былі дастатковымі і лічыліся найлепшым выбарам. Наступнае ўраўненне апісвае метад валідацыі.
дзе n прадстаўляе памер назіранага значэння \({Y}_{i}\) прадстаўляе вымераны адказ, а \({\widehat{Y}}_{i}\) таксама прадстаўляе прагназаванае значэнне адказу, такім чынам, для першых i назіранняў.
Статыстычныя апісанні прагназуючых і адказных зменных прадстаўлены ў Табліцы 1, дзе паказаны сярэдняе значэнне, стандартнае адхіленне (SD), каэфіцыент варыяцыі (CV), мінімум, максімум, эксцес і асіметрыя. Мінімальныя і максімальныя значэнні элементаў размешчаны ў парадку змяншэння Mg < Ca < K < Ni і Ca < Mg < K < Ni адпаведна. Канцэнтрацыі адказнай зменнай (Ni), адабраныя ў даследаванай зоне, вагаліся ад 4,86 ​​да 42,39 мг/кг. Параўнанне Ni са сярэднім сусветным паказчыкам (29 мг/кг) і сярэднім еўрапейскім паказчыкам (37 мг/кг) паказала, што агульнае разлічанае геаметрычнае сярэдняе для даследаванай зоны знаходзілася ў межах дапушчальнага дыяпазону. Тым не менш, як паказана Кабата-Пендыясам11, параўнанне сярэдняй канцэнтрацыі нікеля (Ni) у бягучым даследаванні з сельскагаспадарчымі глебамі ў Швецыі паказвае, што бягучая сярэдняя канцэнтрацыя нікеля вышэйшая. Аналагічна, сярэдняя канцэнтрацыя глебы Фрыдэк-Містэк у гарадскіх і прыгарадных глебах у бягучым даследаванні (Ni 16,15 мг/кг) была вышэйшай за дапушчальную. мяжа 60 (10,2 мг/кг) для Ni ў гарадскіх глебах Польшчы, пра якую паведамлялі Ружанскі і інш. Акрамя таго, Брэтцэль і Кальдэрысі61 зафіксавалі вельмі нізкія сярэднія канцэнтрацыі Ni (1,78 мг/кг) у гарадскіх глебах Тасканы ў параўнанні з бягучым даследаваннем. Джым62 таксама выявіў больш нізкую канцэнтрацыю нікеля (12,34 мг/кг) у гарадскіх глебах Ганконга, што ніжэй за бягучую канцэнтрацыю нікеля ў гэтым даследаванні. Бірке і інш.63 паведамілі пра сярэднюю канцэнтрацыю Ni 17,6 мг/кг у старой горназдабыўной і гарадской прамысловай зоне ў Саксоніі-Ангальт, Германія, што на 1,45 мг/кг вышэй за сярэднюю канцэнтрацыю Ni ў гэтым раёне (16,15 мг/кг). Сучасныя даследаванні. Празмернае ўтрыманне нікеля ў глебах некаторых гарадскіх і прыгарадных раёнаў даследаванай тэрыторыі можа быць у асноўным звязана з чорнай металургіяй і металургічнай прамысловасцю. Гэта адпавядае даследаванню Хададуста і інш. 64, што сталеліцейная прамысловасць і металаапрацоўка з'яўляюцца асноўнымі крыніцамі забруджвання глебы нікелем. Аднак прагнастычныя фактары таксама вагаліся ад 538,70 мг/кг да 69 161,80 мг/кг для Ca, ад 497,51 мг/кг да 3535,68 мг/кг для K і ад 685,68 мг/кг да 5970,05 мг/кг для Mg.Jakovlevic et al. У 65 даследавалася агульнае ўтрыманне Mg і K у глебах цэнтральнай Сербіі. Яны выявілі, што агульная канцэнтрацыя (410 мг/кг і 400 мг/кг адпаведна) была ніжэйшай за канцэнтрацыю Mg і K у гэтым даследаванні. Як і ва ўсходняй Польшчы, Ажэхоўскі і Смольчынскі 66 ацанілі агульнае ўтрыманне Ca, Mg і K і паказалі сярэднія канцэнтрацыі Ca (1100 мг/кг), Mg (590 мг/кг) і K (810 мг/кг). Змест у верхнім пласце глебы ніжэйшы, чым для асобнага элемента ў гэтым даследаванні. Нядаўняе даследаванне Понграца і інш. 67 паказала, што агульнае ўтрыманне Ca, прааналізаванае ў 3 розных глебах у Шатландыі, Вялікабрытанія (глеба Мілнфілда, глеба Балрудэры і глеба Хартвуда), паказала больш высокае ўтрыманне Ca ў гэтым даследаванні.
З-за розных вымераных канцэнтрацый адабраных элементаў размеркаванне элементаў у наборы дадзеных дэманструе розную асіметрыю. Асіметрыя і эксцэс элементаў вагаліся ад 1,53 да 7,24 і ад 2,49 да 54,16 адпаведна. Усе разлічаныя элементы маюць узровень асіметрыі і эксцэсу вышэй за +1, што сведчыць аб тым, што размеркаванне дадзеных нерэгулярнае, скажонае ў правільным кірунку і мае пік. Разліковыя варыяцыі варыянтаў элементаў таксама паказваюць, што K, Mg і Ni праяўляюць умераную зменлівасць, у той час як Ca мае надзвычай высокую зменлівасць. Варыяцыі варыянтаў K, Ni і Mg тлумачаць іх раўнамернае размеркаванне. Акрамя таго, размеркаванне Ca нераўнамернае, і знешнія крыніцы могуць паўплываць на яго ўзровень узбагачэння.
Карэляцыя прагназуючых зменных з элементамі адказу паказала здавальняючую карэляцыю паміж элементамі (гл. малюнак 3). Карэляцыя паказала, што CaK прадэманстраваў умераную карэляцыю са значэннем r = 0,53, як і CaNi. Нягледзячы на ​​тое, што Ca і K паказваюць сціплую сувязь адзін з адным, такія даследчыкі, як Kingston і інш. 68 і Santo69 сведчаць аб тым, што іх узровень у глебе адваротна прапарцыйны. Аднак Ca і Mg з'яўляюцца антаганістамі K, але CaK добра карэлюе. Гэта можа быць звязана з ужываннем такіх угнаенняў, як карбанат калію, які на 56% вышэй за калій. Калій умерана карэлюе з магніем (KM r = 0,63). У прамысловасці ўгнаенняў гэтыя два элементы цесна звязаны, таму што сульфат калію-магнію, нітрат калію-магнію і поташ уносяцца ў глебу для павышэння ўзроўню іх дэфіцыту. Нікель умерана карэлюе з Ca, K і Mg са значэннямі r = 0,52, 0,63 і 0,55 адпаведна. Узаемасувязі паміж кальцыем, магніем і ПТЭ, такімі як нікель, складаныя, але, тым не менш, магній інгібіруе ўсмоктванне кальцыя, кальцый памяншае ўздзеянне лішку магнію, і як магній, так і кальцый памяншаюць таксічнае ўздзеянне нікеля ў глебе.
Карэляцыйная матрыца для элементаў, якая паказвае сувязь паміж прадказальнікамі і адказамі (Заўвага: гэты малюнак уключае дыяграму рассейвання паміж элементамі, узроўні значнасці заснаваныя на p < 0,001).
На малюнку 4 паказана прасторавае размеркаванне элементаў. Паводле Бургоса і інш.70, прымяненне прасторавага размеркавання — гэта метад, які выкарыстоўваецца для колькаснай ацэнкі і вылучэння гарачых кропак у забруджаных раёнах. Узровень узбагачэння Ca на мал. 4 можна ўбачыць у паўночна-заходняй частцы карты прасторавага размеркавання. На малюнку паказаны гарачыя кропкі ўзбагачэння Ca ад умеранага да высокага. Узбагачэнне кальцыем на паўночным захадзе карты, верагодна, звязана з выкарыстаннем негашанай вапны (аксіду кальцыю) для зніжэння кіслотнасці глебы і яе выкарыстаннем на сталеліцейных заводах у якасці шчолачнага кіслароду ў працэсе вытворчасці сталі. З іншага боку, іншыя фермеры аддаюць перавагу выкарыстоўваць гідраксід кальцыю ў кіслых глебах для нейтралізацыі pH, што таксама павялічвае ўтрыманне кальцыю ў глебе71. Калій таксама паказвае гарачыя кропкі на паўночным захадзе і ўсходзе карты. Паўночны захад з'яўляецца буйной сельскагаспадарчай супольнасцю, і ўмерана-высокі ўзровень калію можа быць звязаны з ужываннем NPK і поташу. Гэта адпавядае іншым даследаванням, такім як Мадарас і Ліпаўскі72, Мадарас і інш.73, Пулкрабава і інш.74, Асарэ і інш.75, якія адзначылі, што стабілізацыя глебы і Апрацоўка KCl і NPK прывяла да высокага ўтрымання K у глебе. Прасторавае ўзбагачэнне каліем на паўночным захадзе карты распаўсюджвання можа быць звязана з выкарыстаннем калійных угнаенняў, такіх як хларыд калію, сульфат калію, салетра калію, поташ і поташ, для павышэння ўтрымання калію ў бедных глебах. Задорава і інш. 76 і Тлусташ і інш. У 77 адзначалася, што ўжыванне каліевых угнаенняў павялічвае ўтрыманне калію ў глебе і ў доўгатэрміновай перспектыве значна павялічвае ўтрыманне пажыўных рэчываў у глебе, асабліва калію і магнію, якія з'яўляюцца гарачай кропкай у глебе. Адносна ўмераныя гарачыя кропкі знаходзяцца на паўночным захадзе і паўднёвым усходзе карты. Калоідная фіксацыя ў глебе зніжае канцэнтрацыю магнію ў глебе. Яго недахоп у глебе прыводзіць да таго, што расліны праяўляюць жаўтлявы міжжылкавы хлороз. Угнаенні на аснове магнію, такія як сульфат калію-магнію, сульфат магнію і кізерыт, ліквідуюць дэфіцыт (расліны выглядаюць фіялетавымі, чырвонымі або карычневымі, што сведчыць аб дэфіцыце магнію) у глебах з нармальным дыяпазонам pH6. Назапашванне нікеля на паверхні глебы ў гарадах і прыгарадах можа быць звязана з антрапагеннай дзейнасцю, такой як сельская гаспадарка, і важнасцю нікеля ў вытворчасці нержавеючай сталі78.
Прасторавае размеркаванне элементаў [карта прасторавага размеркавання была створана з дапамогай ArcGIS Desktop (ESRI, Inc, версія 10.7, URL: https://desktop.arcgis.com).]
Вынікі індэкса прадукцыйнасці мадэлі для элементаў, выкарыстаных у гэтым даследаванні, паказаны ў Табліцы 2. З іншага боку, RMSE і MAE Ni блізкія да нуля (0,86 RMSE, -0,08 MAE). З іншага боку, значэнні RMSE і MAE K з'яўляюцца прымальнымі. Вынікі RMSE і MAE былі вышэйшымі для кальцыя і магнію. Вынікі MAE і RMSE Ca і K большыя з-за розных набораў дадзеных. RMSE і MAE гэтага даследавання з выкарыстаннем EBK для прагназавання Ni аказаліся лепшымі, чым вынікі Джона і інш. 54 з выкарыстаннем сінергічнага крыгінгу для прагназавання канцэнтрацый S у глебе з выкарыстаннем тых жа сабраных дадзеных. Вынікі EBK, якія мы вывучалі, карэлююць з вынікамі Фабіячыка і інш. 41, Яна і інш. 79, Бегіна і інш. 80, Адхікары і інш. 81 і Джона і інш. 82, асабліва K і Ni.
Эфектыўнасць асобных метадаў прагназавання ўтрымання нікеля ў гарадскіх і прыгарадных глебах ацэньвалася з выкарыстаннем мадэляў (табліца 3). Праверка мадэлі і ацэнка дакладнасці пацвердзілі, што прагназатар Ca_Mg_K у спалучэнні з мадэллю EBK SVMR даў найлепшыя вынікі. Калібровачная мадэль Ca_Mg_K-EBK_SVMR мадэлі R2, сярэднеквадратычная памылка (RMSE) і сярэдняя абсалютная памылка (MAE) склалі 0,637 (R2), 95,479 мг/кг (RMSE) і 77,368 мг/кг (MAE). Ca_Mg_K-SVMR склаў 0,663 (R2), 235,974 мг/кг (RMSE) і 166,946 мг/кг (MAE). Тым не менш, добрыя значэнні R2 былі атрыманы для Ca_Mg_K-SVMR (0,663 мг/кг R2) і Ca_Mg-EBK_SVMR (0,643 = R2); Іх вынікі RMSE і MAE былі вышэйшымі, чым для Ca_Mg_K-EBK_SVMR (R2 0,637) (гл. Табліцу 3). Акрамя таго, RMSE і MAE мадэлі Ca_Mg-EBK_SVMR (RMSE = 1664,64 і MAE = 1031,49) складаюць 17,5 і 13,4 адпаведна, што больш, чым для Ca_Mg_K-EBK_SVMR. Аналагічна, RMSE і MAE мадэлі Ca_Mg-K SVMR (RMSE = 235,974 і MAE = 166,946) на 2,5 і 2,2 большыя, чым для Ca_Mg_K-EBK_SVMR RMSE і MAE адпаведна. Разлічаныя вынікі RMSE паказваюць, наколькі канцэнтраваны набор дадзеных з лініяй найлепшага набліжэння. Назіраліся больш высокія RSME і MAE. Паводле Кебонье і інш. 46 і Джон і інш. 54, чым бліжэй RMSE і MAE да нуля, тым лепшыя вынікі. SVMR і EBK_SVMR маюць больш высокія квантаваныя значэнні RSME і MAE. Было заўважана, што ацэнкі RSME паслядоўна вышэйшыя за значэнні MAE, што сведчыць аб наяўнасці выкідаў. Паводле Легейта і Маккейба83, ступень, у якой RMSE перавышае сярэднюю абсалютную памылку (MAE), рэкамендуецца ў якасці паказчыка наяўнасці выкідаў. Гэта азначае, што чым больш гетэрагенны набор даных, тым вышэйшыя значэнні MAE і RMSE. Дакладнасць перакрыжаванай праверкі змешанай мадэлі Ca_Mg_K-EBK_SVMR для прагназавання ўтрымання Ni ў гарадскіх і прыгарадных глебах склала 63,70%. Паводле Лі і інш. 59, гэты ўзровень дакладнасці з'яўляецца прымальным паказчыкам прадукцыйнасці мадэлі. Сучасныя вынікі параўноўваюцца з папярэднім даследаваннем Тарасава і інш. 36, чыя гібрыдная мадэль стварыла MLPRK (шматслаёвы персептронны рэшткавы крыгінг), звязаны з індэксам ацэнкі дакладнасці EBK_SVMR, паведамленым у гэтым даследаванні, RMSE (210) і MAE (167,5) быў вышэйшым за нашы вынікі ў гэтым даследаванні (RMSE 95,479, MAE 77,368). Аднак, пры параўнанні R2 гэтага даследавання (0,637) з вынікам Тарасава і інш. 36 (0,544), відавочна, што каэфіцыент дэтэрмінацыі (R2) вышэйшы ў гэтай змяшанай мадэлі. Памер памылкі (RMSE і MAE) (EBK SVMR) для змяшанай мадэлі ў два разы ніжэйшы. Аналагічна, Сяргееў і інш.34 зафіксавалі 0,28 (R2) для распрацаванай гібрыднай мадэлі (шматслаёвы персептронны рэшткавы крыгінг), у той час як Ni ў бягучым даследаванні зафіксаваў 0,637 (R2). Узровень дакладнасці прагназавання гэтай мадэлі (EBK SVMR) складае 63,7%, у той час як дакладнасць прагназавання, атрыманая Сяргеевым і інш.34, складае 28%. Канчатковая карта (мал. 5), створаная з выкарыстаннем мадэлі EBK_SVMR і Ca_Mg_K у якасці прадказальніка, паказвае прагнозы гарачых кропак і ўмеранага да нікеля па ўсёй даследаванай тэрыторыі. Гэта азначае, што канцэнтрацыя нікеля ў даследаванай тэрыторыі ў асноўным умераная, з больш высокімі канцэнтрацыямі ў некаторых канкрэтных раёнах.
Канчатковая прагнастычная карта прадстаўлена з выкарыстаннем гібрыднай мадэлі EBK_SVMR з выкарыстаннем Ca_Mg_K у якасці прадказальніка. [Карта прасторавага размеркавання была створана з дапамогай RStudio (версія 1.4.1717: https://www.rstudio.com/).]
На малюнку 6 прадстаўлены канцэнтрацыі PTE ў выглядзе кампазіцыйнай плоскасці, якая складаецца з асобных нейронаў. Ніводная з кампанентных плоскасцей не прадэманстравала такі ж каляровы ўзор, як паказана. Аднак адпаведная колькасць нейронаў на намаляваную карту складае 55. SeOM ствараецца з выкарыстаннем розных колераў, і чым больш падобныя каляровыя ўзоры, тым больш параўнальныя ўласцівасці ўзораў. Згодна з іх дакладнай каляровай шкалой, асобныя элементы (Ca, K і Mg) прадэманстравалі падобныя каляровыя ўзоры да асобных высокіх нейронаў і большасці нізкіх нейронаў. Такім чынам, CaK і CaMg маюць некаторыя падабенствы з нейронамі вельмі высокага парадку і нізкімі і сярэднімі каляровымі ўзорамі. Абедзве мадэлі прадказваюць канцэнтрацыю Ni ў глебе, адлюстроўваючы сярэднія і высокія адценні колераў, такія як чырвоны, аранжавы і жоўты. Мадэль KMg адлюстроўвае мноства высокіх каляровых узораў на аснове дакладных прапорцый і нізкіх і сярэдніх каляровых плям. На дакладнай каляровай шкале ад нізкага да высокага, плоскасны ўзор размеркавання кампанентаў мадэлі паказаў высокі каляровы ўзор, які паказвае патэнцыйную канцэнтрацыю нікеля ў глебе (гл. малюнак 4). Кампанентная плоскасць мадэлі CakMg паказвае разнастайны каляровы ўзор ад нізкага да высокага ў адпаведнасці з дакладным колерам. маштаб. Акрамя таго, прагноз мадэлі адносна ўтрымання нікеля (CakMg) падобны да прасторавага размеркавання нікеля, паказанага на малюнку 5. Абодва графікі паказваюць высокія, сярэднія і нізкія долі канцэнтрацый нікеля ў гарадскіх і прыгарадных глебах. На малюнку 7 паказаны контурны метад у групоўцы k-сярэдніх на карце, падзеленай на тры кластары на аснове прагназаванага значэння ў кожнай мадэлі. Контурны метад прадстаўляе аптымальную колькасць кластараў. З 115 сабраных узораў глебы катэгорыя 1 атрымала найбольшую колькасць узораў глебы - 74. Кластар 2 атрымаў 33 узоры, а кластар 3 - 8 узораў. Камбінацыя сямікампанентных планарных прадказальнікаў была спрошчана, каб забяспечыць правільную інтэрпрэтацыю кластараў. З-за шматлікіх антрапагенных і прыродных працэсаў, якія ўплываюць на ўтварэнне глебы, цяжка правільна дыферэнцыяваць кластарныя шаблоны на размеркаванай карце SeOM78.
Вывад кампанентнай плоскасці кожнай зменнай эмпірычнага байесаўскага крыгінгавага метаду апорных вектараў крыгінга (EBK_SVM_SeOM).[Карты SeOM былі створаны з дапамогай RStudio (версія 1.4.1717: https://www.rstudio.com/).]
Розныя кампаненты класіфікацыі кластараў [Карты SeOM былі створаны з дапамогай RStudio (версія 1.4.1717: https://www.rstudio.com/).]
У гэтым даследаванні выразна ілюструюцца метады мадэлявання канцэнтрацый нікеля ў гарадскіх і прыгарадных глебах. У даследаванні былі пратэставаны розныя метады мадэлявання, якія спалучаюць элементы з метадамі мадэлявання, каб атрымаць найлепшы спосаб прагназавання канцэнтрацый нікеля ў глебе. Кампазіцыйныя плоскія прасторавыя асаблівасці SeOM, атрыманыя ў выніку мадэлявання, прадэманстравалі высокі каляровы ўзор ад нізкага да высокага ўзроўню на дакладнай каляровай шкале, што паказвае на канцэнтрацыю Ni ў глебе. Аднак карта прасторавага размеркавання пацвярджае плоскае прасторавае размеркаванне кампанентаў, прадэманстраванае EBK_SVMR (гл. малюнак 5). Вынікі паказваюць, што мадэль рэгрэсіі з дапамогай апорных вектараў (CaMgK-SVMR) прадказвае канцэнтрацыю Ni ў глебе як адзіную мадэль, але параметры праверкі і ацэнкі дакладнасці паказваюць вельмі высокія памылкі з пункту гледжання RMSE і MAE. З іншага боку, метад мадэлявання, які выкарыстоўваецца з мадэллю EBK_MLR, таксама мае недахопы з-за нізкага значэння каэфіцыента дэтэрмінацыі (R2). Добрыя вынікі былі атрыманы пры выкарыстанні EBK SVMR і камбінаваных элементаў (CaKMg) з нізкімі памылкамі RMSE і MAE з дакладнасцю 63,7%. Аказваецца, што спалучэнне алгарытму EBK з... Алгарытм машыннага навучання можа стварыць гібрыдны алгарытм, які можа прадказваць канцэнтрацыю ПТЭ ў глебе. Вынікі паказваюць, што выкарыстанне CaMgK у якасці прадказальнікаў для прагназавання канцэнтрацыі Ni ў даследаванай зоне можа палепшыць прагназаванне Ni ў глебах. Гэта азначае, што пастаяннае ўнясенне нікелевых угнаенняў і прамысловае забруджванне глебы сталеліцейнай прамысловасцю маюць тэндэнцыю павялічваць канцэнтрацыю нікеля ў глебе. Гэта даследаванне паказала, што мадэль EBK можа знізіць узровень памылкі і палепшыць дакладнасць мадэлі прасторавага размеркавання глебы ў гарадскіх або прыгарадных глебах. У цэлым, мы прапануем выкарыстоўваць мадэль EBK-SVMR для ацэнкі і прагназавання ПТЭ ў глебе; акрамя таго, мы прапануем выкарыстоўваць EBK для гібрыдызацыі з рознымі алгарытмамі машыннага навучання. Канцэнтрацыі Ni былі прагназаваны з выкарыстаннем элементаў у якасці каварыят; аднак выкарыстанне большай колькасці каварыят значна палепшыць прадукцыйнасць мадэлі, што можна лічыць абмежаваннем бягучай працы. Яшчэ адным абмежаваннем гэтага даследавання з'яўляецца тое, што колькасць набораў дадзеных складае 115. Такім чынам, калі будзе прадастаўлена больш дадзеных, прадукцыйнасць прапанаванага аптымізаванага метаду гібрыдызацыі можа быць палепшана.
PlantProbs.net. Нікель у раслінах і глебе https://plantprobs.net/plant/nutrientImbalances/sodium.html (дата доступу: 28 красавіка 2021 г.).
Каспржак, К.С. Нікель. Поспехі ў сучаснай экалагічнай таксікалогіі. surroundings.toxicology.11, 145–183 (1987).
Цэмпель, М. і Нікель, Г. Нікель: Агляд яго крыніц і экалагічнай таксікалогіі. Польскі часопіс па вывучэнні навакольнага асяроддзя. 15, 375–382 (2006).
Фрыдман, Б. і Хатчынсан, Т.К. Паступленне забруджвальных рэчываў з атмасферы і назапашванне іх у глебе і расліннасці паблізу нікель-меднага плавільнага завода ў Садберы, Антарыё, Канада.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Маніва, Т. і інш. Цяжкія металы ў глебе, раслінах і рызыкі, звязаныя з выпасам жвачных жывёл паблізу медна-нікелевага рудніка Селебі-Фікве ў Батсване. Наваколле. Геахімія. Здароўе https://doi.org/10.1007/s10653-021-00918-x (2021).
Кабата-Пендыяс.Кабата-Пендыяс А. 2011. Мікраэлементы ў глебе і… – 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= (Дата доступу: 24 лістапада 2020 г.).
Алмас, А., Сінгх, Б., Сельская гаспадарка, TS-NJ за 1995 г., нявызначана. Уплыў расійскай нікелевай прамысловасці на канцэнтрацыю цяжкіх металаў у сельскагаспадарчых глебах і травах у Соер-Варангеры, Нарвегія. agris.fao.org.
Нільсен, Г.Д. і інш. Усмоктванне і ўтрыманне нікеля ў пітной вадзе звязаны з ужываннем ежы і адчувальнасцю да нікеля. таксікалогія. прымяненне. фармакадынаміка. 154, 67–75 (1999).
Коста, М. і Кляйн, К.Б. Нікель. Канцерогенез, мутацыя, эпігенетыка або адбор. Навакольнае асяроддзе. Перспектыва здароўя. 107, 2 (1999).
Аджман, П.К.; Ахада, С.К.; Бароўка, Л.; Біні, Дж.К.М.; Саркодзі, В.Ё.; Кобонье, ​​Н.М.; Аналіз тэндэнцый патэнцыйна таксічных элементаў: бібліяметрычны агляд. Геахімія навакольнага асяроддзя і здароўе. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Мінасны, Б. і Макбратні, А. Б. Лічбавае картаграфаванне глебы: кароткая гісторыя і некаторыя ўрокі. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Аб лічбавым картаграфаванні глебы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геастатыстычнае мадэляванне вадасховішчаў,… – 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= (Дата доступу: 28 красавіка 2021 г.).