Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu podršku za CSS. Za najbolje iskustvo, preporučujemo da koristite ažurirani preglednik (ili isključite način kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazat ćemo stranicu bez stilova i JavaScripta.
Zagađenje tla je veliki problem uzrokovan ljudskim aktivnostima. Prostorna distribucija potencijalno toksičnih elemenata (PTE) varira u većini urbanih i periurbanih područja. Stoga je teško prostorno predvidjeti sadržaj PTE u takvim tlima. Ukupno 115 uzoraka je dobijeno iz Frydek Mistka u Češkoj Republici. Koncentracije kalcija (Ca), magnezija (Mg), kalija (K) i nikla (Ni) određene su korištenjem emisijske spektrometrije s induktivno spregnutom plazmom. Varijabla odziva je Ni, a prediktori su Ca, Mg i K. Matrica korelacije između varijable odziva i varijable prediktora pokazuje zadovoljavajuću korelaciju između elemenata. Rezultati predviđanja pokazali su da je Support Vector Machine Regression (SVMR) dobro funkcionirala, iako su njena procijenjena srednja kvadratna greška (RMSE) (235,974 mg/kg) i srednja apsolutna greška (MAE) (166,946 mg/kg) bile veće nego kod drugih primijenjenih metoda. Mješoviti modeli za empirijsku Bayesovu Kriging-višestruku linearnu regresiju (EBK-MLR) slabo funkcioniraju, što dokazuje... koeficijenti determinacije manji od 0,1. Model empirijske Bayesove Kriging-Support Vector Machine regresije (EBK-SVMR) bio je najbolji model, s niskim vrijednostima RMSE (95,479 mg/kg) i MAE (77,368 mg/kg) i visokim koeficijentom determinacije (R2 = 0,637). Izlaz tehnike modeliranja EBK-SVMR vizualiziran je korištenjem samoorganizirajuće mape. Grupirani neuroni u ravni hibridnog modela CakMg-EBK-SVMR komponente pokazuju više uzoraka boja koji predviđaju koncentracije Ni u urbanim i periurbanim tlima. Rezultati pokazuju da je kombiniranje EBK i SVMR učinkovita tehnika za predviđanje koncentracija Ni u urbanim i periurbanim tlima.
Nikl (Ni) se smatra mikronutrijentom za biljke jer doprinosi fiksaciji atmosferskog dušika (N) i metabolizmu uree, a oboje je potrebno za klijanje sjemena. Pored doprinosa klijanju sjemena, Ni može djelovati kao inhibitor gljivica i bakterija te pospješiti razvoj biljaka. Nedostatak nikla u tlu omogućava biljci da ga apsorbira, što rezultira hlorozom lišća. Na primjer, kravlji grašak i zeleni grah zahtijevaju primjenu gnojiva na bazi nikla kako bi se optimizirala fiksacija dušika2. Kontinuirana primjena gnojiva na bazi nikla radi obogaćivanja tla i povećanja sposobnosti mahunarki da fiksiraju dušik u tlu kontinuirano povećava koncentraciju nikla u tlu. Iako je nikl mikronutrijent za biljke, njegov prekomjerni unos u tlo može učiniti više štete nego koristi. Toksičnost nikla u tlu minimizira pH tla i ometa unos željeza kao esencijalnog hranjivog sastojka za rast biljaka1. Prema Liu3, utvrđeno je da je Ni 17. važan element potreban za razvoj i rast biljaka. Pored uloge nikla u razvoju i rastu biljaka, ljudima je potreban za razne primjene. Galvanizacija, proizvodnja legura na bazi nikla, i proizvodnja uređaja za paljenje i svjećica u automobilskoj industriji zahtijevaju upotrebu nikla u raznim industrijskim sektorima. Osim toga, legure na bazi nikla i galvanizirani artikli široko se koriste u kuhinjskom posuđu, dodacima za balske dvorane, prehrambenoj industriji, električnim uređajima, žicama i kablovima, mlaznim turbinama, hirurškim implantatima, tekstilu i brodogradnji5. Nivoi bogati Ni u tlu (tj. površinskom tlu) pripisuju se i antropogenim i prirodnim izvorima, ali prvenstveno je Ni prirodni, a ne antropogeni izvor4,6. Prirodni izvori nikla uključuju vulkanske erupcije, vegetaciju, šumske požare i geološke procese; međutim, antropogeni izvori uključuju nikl/kadmijum baterije u čeličnoj industriji, galvanizaciju, elektrolučno zavarivanje, dizel i lož ulja, te atmosferske emisije od sagorijevanja uglja i spaljivanja otpada i mulja. Akumulacija nikla7,8. Prema Freedmanu i Hutchinsonu9 i Manyiwi i dr. 10, glavni izvori zagađenja površinskog sloja tla u neposrednom i susjednom okruženju su uglavnom topionice i rudnici na bazi nikla i bakra. Površinsko tlo oko rafinerije nikla i bakra Sudbury u Kanadi imalo je najviši nivo kontaminacije niklom, 26.000 mg/kg11. Nasuprot tome, zagađenje od proizvodnje nikla u Rusiji rezultiralo je većim koncentracijama nikla u norveškom tlu11. Prema Almsu i dr. 12, količina nikla koji se može ekstrahovati HNO3 u najplodnijim obradivim površinama regije (proizvodnja nikla u Rusiji) kretala se od 6,25 do 136,88 mg/kg, što odgovara prosjeku od 30,43 mg/kg i osnovnoj koncentraciji od 25 mg/kg. Prema Kabati 11, primjena fosfornih gnojiva u poljoprivrednim zemljištima u urbanim ili periurbanim područjima tokom uzastopnih sezona usjeva može infuzirati ili kontaminirati tlo. Potencijalni efekti nikla kod ljudi mogu dovesti do raka putem mutageneze, oštećenja hromosoma, stvaranja Z-DNK, blokiranog popravka ekscizijom DNK ili epigenetskih procesa 13. U eksperimentima na životinjama, utvrđeno je da nikl ima potencijal da izazove razne tumore, a kancerogeni kompleksi nikla mogu pogoršati takve tumore.
Procjene kontaminacije tla su procvjetale u posljednje vrijeme zbog širokog spektra zdravstvenih problema koji proizlaze iz odnosa tla i biljaka, tla i bioloških odnosa tla, ekološke degradacije i procjene utjecaja na okoliš. Do danas je prostorno predviđanje potencijalno toksičnih elemenata (PTE) poput Ni u tlu bilo mukotrpno i dugotrajno korištenjem tradicionalnih metoda. Pojava digitalnog mapiranja tla (DSM) i njegov trenutni uspjeh15 uveliko su poboljšali prediktivno mapiranje tla (PSM). Prema Minasnyju i McBratneyju16, prediktivno mapiranje tla (DSM) pokazalo se kao istaknuta poddisciplina nauke o tlu. Lagacherie i McBratney, 2006. definiraju DSM kao „stvaranje i popunjavanje prostornih informacionih sistema o tlu korištenjem in situ i laboratorijskih metoda posmatranja te prostornih i neprostornih sistema zaključivanja o tlu“. McBratney i dr. 17 ističe da je savremeni DSM ili PSM najefikasnija tehnika za predviđanje ili mapiranje prostorne distribucije PTE-ova, tipova tla i svojstava tla. Geostatistika i algoritmi mašinskog učenja (MLA) su tehnike DSM modeliranja koje kreiraju digitalizovane karte uz pomoć računara koristeći značajne i minimalne podatke.
Deutsch18 i Olea19 definiraju geostatistiku kao „skup numeričkih tehnika koje se bave reprezentacijom prostornih atributa, uglavnom koristeći stohastičke modele, kao što je način na koji analiza vremenskih serija karakterizira vremenske podatke.“ Geostatistika prvenstveno uključuje evaluaciju variograma, koji omogućavaju kvantifikaciju i definiranje zavisnosti prostornih vrijednosti iz svakog skupa podataka20. Gumiaux i saradnici20 dalje ilustruju da se evaluacija variograma u geostatistici zasniva na tri principa, uključujući (a) izračunavanje skale korelacije podataka, (b) identificiranje i izračunavanje anizotropije u disparitetu skupova podataka i (c) pored toga što uzima u obzir inherentnu grešku podataka mjerenja odvojenu od lokalnih efekata, procjenjuju se i efekti površine. Nadovezujući se na ove koncepte, u geostatistici se koriste mnoge tehnike interpolacije, uključujući opći kriging, ko-kriging, obični kriging, empirijski Bayesov kriging, jednostavnu metodu kriginga i druge dobro poznate tehnike interpolacije za mapiranje ili predviđanje PTE, karakteristika tla i tipova tla.
Algoritmi mašinskog učenja (MLA) su relativno nova tehnika koja koristi veće nelinearne klase podataka, pokretane algoritmima koji se prvenstveno koriste za rudarenje podataka, identifikovanje obrazaca u podacima i koji se više puta primjenjuju za klasifikaciju u naučnim oblastima kao što su nauka o tlu i zadaci vraćanja podataka. Brojni istraživački radovi oslanjaju se na MLA modele za predviđanje PTE u tlu, kao što su Tan i sar. 22 (slučajne šume za procjenu teških metala u poljoprivrednim zemljištima), Sakizadeh i sar. 23 (modeliranje korištenjem mašina potpornih vektora i vještačkih neuronskih mreža) zagađenje tla). Pored toga, Vega i sar. 24 (CART za modeliranje zadržavanja i adsorpcije teških metala u tlu), Sun i sar. 25 (primjena kubističke distribucije Cd u tlu) i drugi algoritmi kao što su k-najbliži susjed, generalizovana pojačana regresija i pojačana regresijska stabla također su primijenili MLA za predviđanje PTE u tlu.
Primjena DSM algoritama u predviđanju ili mapiranju suočava se s nekoliko izazova. Mnogi autori vjeruju da je MLA superiornija od geostatistike i obrnuto. Iako je jedno bolje od drugog, kombinacija ta dva poboljšava nivo tačnosti mapiranja ili predviđanja u DSM-u15. Woodcock i Gopal26 Finke27; Pontius i Cheuk28 i Grunwald29 komentiraju nedostatke i neke greške u predviđenom mapiranju tla. Naučnici koji se bave zemljištem isprobali su razne tehnike kako bi optimizirali efikasnost, tačnost i predvidljivost DSM mapiranja i predviđanja. Kombinacija nesigurnosti i verifikacije jedan je od mnogih različitih aspekata integriranih u DSM kako bi se optimizirala efikasnost i smanjili nedostaci. Međutim, Agyeman i saradnici15 ističu da ponašanje validacije i nesigurnost uvedene kreiranjem i predviđanjem karte trebaju biti nezavisno validirane kako bi se poboljšao kvalitet karte. Ograničenja DSM-a su posljedica geografski raspršenog kvaliteta tla, što uključuje komponentu nesigurnosti; Međutim, nedostatak sigurnosti u DSM-u može proizaći iz više izvora grešaka, naime kovarijantne greške, greške modela, greške lokacije i analitičke greške 31. Netačnosti modeliranja izazvane MLA i geostatističkim procesima povezane su s nedostatkom razumijevanja, što u konačnici dovodi do prevelikog pojednostavljenja stvarnog procesa 32. Bez obzira na prirodu modeliranja, netačnosti se mogu pripisati parametrima modeliranja, predviđanjima matematičkog modela ili interpolaciji 33. Nedavno se pojavio novi DSM trend koji promovira integraciju geostatistike i MLA u mapiranju i prognoziranju. Nekoliko naučnika i autora koji se bave zemljištem, kao što su Sergeev i saradnici 34; Subbotina i saradnici 35; Tarasov i saradnici 36 i Tarasov i saradnici 37, iskoristili su tačan kvalitet geostatistike i mašinskog učenja za generiranje hibridnih modela koji poboljšavaju efikasnost prognoziranja i mapiranja. kvaliteta. Neki od ovih hibridnih ili kombinovanih algoritamskih modela su Kriging vještačke neuronske mreže (ANN-RK), Višeslojni perceptronski rezidualni kriging (MLP-RK), Generalizovani regresijski neuronski mrežni rezidualni kriging (GR-NNRK)36, Kriging vještačke neuronske mreže - Višeslojni perceptron (ANN-K-MLP)37 i Ko-kriging i Gaussova procesna regresija38.
Prema Sergeevu i saradnicima, kombinovanje različitih tehnika modeliranja ima potencijal da eliminiše nedostatke i poveća efikasnost rezultirajućeg hibridnog modela, umjesto razvoja njegovog jedinstvenog modela. U tom kontekstu, ovaj novi rad tvrdi da je potrebno primijeniti kombinovani algoritam geostatistike i MLA kako bi se kreirali optimalni hibridni modeli za predviđanje obogaćivanja Ni u urbanim i periurbanim područjima. Ova studija će se oslanjati na empirijski Bayesov kriging (EBK) kao osnovni model i kombinovati ga sa modelima Support Vector Machine (SVM) i Multiple Linear Regression (MLR). Hibridizacija EBK-a sa bilo kojim MLA nije poznata. Višestruki miješani modeli koji se vide su kombinacije običnog, rezidualnog, regresijskog kriginga i MLA. EBK je geostatistička metoda interpolacije koja koristi prostorno stohastički proces koji je lokalizovan kao nestacionarno/stacionarno slučajno polje sa definisanim parametrima lokalizacije preko polja, omogućavajući prostorne varijacije39. EBK je korišten u raznim studijama, uključujući analizu distribucije organskog ugljenika u poljoprivrednim zemljištima40, procjenu zagađenja zemljišta41 i mapiranje svojstava zemljišta42.
S druge strane, Samoorganizujući Graf (SeOM) je algoritam učenja koji je primijenjen u raznim člancima kao što su Li i saradnici 43, Wang i saradnici 44, Hossain Bhuiyan i saradnici 45 i Kebonye i saradnici 46. Određivanje prostornih atributa i grupisanja elemenata. Wang i saradnici 44 ističu da je SeOM moćna tehnika učenja poznata po svojoj sposobnosti grupiranja i zamišljanja nelinearnih problema. Za razliku od drugih tehnika prepoznavanja obrazaca kao što su analiza glavnih komponenti, fuzzy grupiranje, hijerarhijsko grupiranje i višekriterijumsko donošenje odluka, SeOM je bolji u organizovanju i identifikovanju PTE obrazaca. Prema Wangu i saradnicima 44, SeOM može prostorno grupisati distribuciju povezanih neurona i pružiti vizualizaciju podataka visoke rezolucije. SeOM će vizualizovati podatke o predviđanju Ni kako bi dobio najbolji model za karakterizaciju rezultata za direktnu interpretaciju.
Ovaj rad ima za cilj generiranje robusnog modela mapiranja s optimalnom tačnošću za predviđanje sadržaja nikla u urbanim i periurbanim tlima. Pretpostavljamo da pouzdanost miješanog modela uglavnom ovisi o utjecaju drugih modela pridruženih osnovnom modelu. Svjesni smo izazova s ​​kojima se suočava DSM, i dok se ovi izazovi rješavaju na više frontova, kombinacija napretka u geostatistici i MLA modela čini se postepenom; stoga ćemo pokušati odgovoriti na istraživačka pitanja koja mogu rezultirati miješanim modelima. Međutim, koliko je model tačan u predviđanju ciljanog elementa? Također, koji je nivo evaluacije efikasnosti zasnovan na validaciji i evaluaciji tačnosti? Stoga su specifični ciljevi ove studije bili (a) kreiranje kombinovanog modela mješavine za SVMR ili MLR koristeći EBK kao osnovni model, (b) poređenje rezultirajućih modela, (c) predlaganje najboljeg modela mješavine za predviđanje koncentracija Ni u urbanim ili periurbanim tlima i (d) primjena SeOM-a za kreiranje mape visoke rezolucije prostorne varijacije nikla.
Studija se provodi u Češkoj Republici, tačnije u okrugu Frydek Mistek u Moravsko-šleskoj regiji (vidi Sliku 1). Geografija područja istraživanja je vrlo neravna i uglavnom je dio regije Moravsko-šleski Beskidi, koja je dio vanjskog ruba Karpata. Područje istraživanja nalazi se između 49° 41′ 0′ sjeverne geografske širine i 18° 20′ 0′ istočne geografske širine, a nadmorska visina je između 225 i 327 m; Međutim, Koppenov klasifikacijski sistem za klimatsko stanje regije ocjenjuje se kao Cfb = umjerena okeanska klima. Ima puno padavina čak i u sušnim mjesecima. Temperature se neznatno razlikuju tokom godine između -5 °C i 24 °C, rijetko padaju ispod -14 °C ili iznad 30 °C, dok je prosječna godišnja količina padavina između 685 i 752 mm47. Procijenjena površina istraživanja cijelog područja je 1.208 kvadratnih kilometara, sa 39,38% obrađenog zemljišta i 49,36% šumskog pokrivača. S druge strane, površina korištena u ovoj studiji je oko 889,8 kvadratnih kilometara. U Ostravi i okolini, industrija čelika i metalurški radovi su vrlo aktivni. Tvornice metala, industrija čelika gdje se nikl koristi u nehrđajućim čelicima (npr. za otpornost na atmosfersku koroziju) i legiranim čelicima (nikl povećava čvrstoću legure uz održavanje njene dobre duktilnosti i žilavosti), te intenzivna poljoprivreda poput primjene fosfatnih gnojiva i stočarstva su potencijalni izvori nikla u regiji. (npr. dodavanje nikla jagnjadima radi povećanja stope rasta kod jagnjadi i slabo hranjene stoke). Druge industrijske upotrebe nikla u istraživačkim područjima uključuju njegovu upotrebu u galvanizaciji, uključujući galvanizaciju niklom i procese niklovanja bez struje. Svojstva tla se lako razlikuju od boje, strukture i sadržaja karbonata tla. Tekstura tla je srednja do fina, izvedena iz matičnog materijala. Po prirodi su koluvijalne, aluvijalne ili eolske. Neka područja tla izgledaju išarana na površini i u podzemlju, često s betonom i izbjeljivanjem. Međutim, kambisoli i stagnosoli su najčešći tipovi tla u regiji48. S nadmorskim visinama u rasponu od 455,1 do 493,5 m, kambisoli dominiraju Češkom Republikom49.
Mapa područja istraživanja [Mapa područja istraživanja kreirana je korištenjem ArcGIS Desktopa (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Ukupno 115 uzoraka površinskog tla prikupljeno je iz urbanih i periurbanih tala u okrugu Frydek Mistek. Korišteni uzorak uzorka bio je pravilna mreža s uzorcima tla razmaknutim 2 × 2 km, a površinsko tlo mjereno je na dubini od 0 do 20 cm pomoću ručnog GPS uređaja (Leica Zeno 5 GPS). Uzorci su pakirani u Ziploc vrećice, pravilno označeni i poslani u laboratoriju. Uzorci su sušeni na zraku da bi se dobili usitnjeni uzorci, usitnjeni mehaničkim sistemom (Fritschov disk mlin) i prosijani (veličina sita 2 mm). Stavite 1 gram osušenih, homogeniziranih i prosijanih uzoraka tla u jasno označene teflonske boce. U svaku teflonsku posudu dodajte 7 ml 35% HCl i 3 ml 65% HNO3 (koristeći automatski dozator - po jedan za svaku kiselinu), lagano pokrijte i ostavite uzorke da odstoje preko noći radi reakcije (program aqua regia). Supernatant stavite na vruću metalnu ploču (temperatura: 100 W). i 160 °C) tokom 2 sata kako bi se olakšao proces probave uzoraka, a zatim ohladiti. Supernatant prebaciti u volumetrijsku tikvicu od 50 ml i razrijediti do 50 ml deioniziranom vodom. Nakon toga, filtrirati razrijeđeni supernatant u PVC epruvetu od 50 ml s deioniziranom vodom. Dodatno, 1 ml otopine za razrjeđivanje razrijeđen je s 9 ml deionizirane vode i filtriran u epruvetu od 12 ml pripremljenu za PTE pseudo-koncentraciju. Koncentracije PTE-a (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) određene su ICP-OES (optičko-emisijska spektroskopija s induktivno spregnutom plazmom) (Thermo Fisher Scientific, SAD) prema standardnim metodama i dogovoru. Procedure osiguranja i kontrole kvalitete (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-i s granicama detekcije ispod polovine isključeni su iz ove studije. Granica detekcije PTE korištenog u ovoj studiji bila je 0,0004.(vi).Osim toga, proces kontrole i osiguranja kvalitete za svaku analizu osigurava se analizom referentnih standarda. Kako bi se osiguralo minimiziranje grešaka, izvršena je dvostruka analiza.
Empirijski Bayesov kriging (EBK) je jedna od mnogih geostatističkih interpolacijskih tehnika koje se koriste u modeliranju u različitim oblastima kao što je nauka o tlu. Za razliku od drugih tehnika kriging interpolacije, EBK se razlikuje od tradicionalnih kriging metoda uzimajući u obzir grešku procijenjenu modelom semivariograma. Kod EBK interpolacije, nekoliko modela semivariograma se izračunava tokom interpolacije, umjesto jednog semivariograma. Tehnike interpolacije uklanjaju nesigurnost i programiranje povezano s ovim crtanjem semivariograma koji predstavlja vrlo složen dio metode dovoljne kriginga. Proces interpolacije EBK-a slijedi tri kriterija koje je predložio Krivoruchko50, (a) model procjenjuje semivariogram iz ulaznog skupa podataka, (b) nova predviđena vrijednost za svaku lokaciju ulaznog skupa podataka na osnovu generiranog semivariograma i (c) konačni model se izračunava iz simuliranog skupa podataka. Pravilo Bayesove jednačine dato je kao posterior
Gdje \(Prob\left(A\right)\) predstavlja apriornu vjerovatnoću, \(Prob\left(B\right)\) marginalna vjerovatnoća se zanemaruje u većini slučajeva, \(Prob (B,A)\). Izračun semivariograma zasniva se na Bayesovom pravilu, koje pokazuje sklonost da se skupovi podataka posmatranja mogu kreirati iz semivariograma. Vrijednost semivariograma se zatim određuje pomoću Bayesovog pravila, koje navodi koliko je vjerovatno da će se kreirati skup podataka posmatranja iz semivariograma.
Mašina potpornih vektora je algoritam mašinskog učenja koji generiše optimalnu razdvajajuću hiperravan kako bi razlikovao identične, ali ne linearno nezavisne klase. Vapnik51 je kreirao algoritam klasifikacije namjere, ali se nedavno koristi za rješavanje problema orijentisanih na regresiju. Prema Li i saradnicima52, SVM je jedna od najboljih tehnika klasifikatora i koristi se u raznim oblastima. Regresijska komponenta SVM-a (Regresija potpornih vektora - SVMR) korištena je u ovoj analizi. Cherkassky i Mulier53 su bili pioniri SVMR-a kao regresije zasnovane na kernelu, čije je izračunavanje izvršeno korištenjem linearnog regresijskog modela sa prostornim funkcijama za više zemalja. John i saradnici54 izvještavaju da SVMR modeliranje koristi linearnu regresiju hiperravni, koja stvara nelinearne odnose i omogućava prostorne funkcije. Prema Vohland i saradnicima... 55, epsilon (ε)-SVMR koristi obučeni skup podataka za dobijanje modela reprezentacije kao funkcije neosjetljive na epsilon koja se primjenjuje za nezavisno mapiranje podataka s najboljom epsilon pristranošću iz obuke na koreliranim podacima. Unaprijed postavljena greška udaljenosti se zanemaruje u odnosu na stvarnu vrijednost, a ako je greška veća od ε(ε), svojstva tla je kompenziraju. Model također smanjuje složenost podataka za obuku na širi podskup vektora podrške. Jednačina koju je predložio Vapnik51 prikazana je ispod.
gdje b predstavlja skalarni prag, \(K\left({x}_{,}{x}_{k}\right)\) predstavlja kernel funkciju, \(\alpha\) predstavlja Lagrangeov multiplikator, N predstavlja numerički skup podataka, \({x}_{k}\) predstavlja ulaz podataka, a \(y\) su izlazni podaci.Jedan od ključnih korištenih kernela je SVMR operacija, koja je Gaussova radijalna bazna funkcija (RBF). RBF kernel se primjenjuje za određivanje optimalnog SVMR modela, što je ključno za dobijanje najsuptilnijeg faktora skupa kazni C i parametra kernela gama (γ) za PTE podatke za obuku. Prvo smo procijenili skup za obuku, a zatim testirali performanse modela na skupu za validaciju. Korišteni parametar upravljanja je sigma, a vrijednost metode je svmRadial.
Model višestruke linearne regresije (MLR) je regresijski model koji predstavlja odnos između odzivne varijable i niza prediktorskih varijabli korištenjem linearnih združenih parametara izračunatih metodom najmanjih kvadrata. U MLR-u, model najmanjih kvadrata je prediktivna funkcija svojstava tla nakon odabira objašnjavajućih varijabli. Potrebno je koristiti odziv za uspostavljanje linearnog odnosa korištenjem objašnjavajućih varijabli. PTE je korišten kao odzivna varijabla za uspostavljanje linearnog odnosa s objašnjavajućim varijablama. Jednačina MLR je
gdje je y varijabla odziva, \(a\) je odsječak na pravoj osi, n je broj prediktora, \({b}_{1}\) je parcijalna regresija koeficijenata, \({x}_{ i}\) predstavlja prediktor ili objašnjavajuću varijablu, a \({\varepsilon}_{i}\) predstavlja grešku u modelu, poznatu i kao rezidual.
Mješoviti modeli su dobijeni kombinovanjem EBK sa SVMR i MLR. To je urađeno izdvajanjem predviđenih vrijednosti iz EBK interpolacije. Predviđene vrijednosti dobijene interpoliranim Ca, K i Mg dobijaju se kombinatornim procesom kako bi se dobile nove varijable, kao što su CaK, CaMg i KMg. Elementi Ca, K i Mg se zatim kombinuju da bi se dobila četvrta varijabla, CaKMg. Sveukupno, dobijene varijable su Ca, K, Mg, CaK, CaMg, KMg i CaKMg. Ove varijable su postale naši prediktori, pomažući u predviđanju koncentracija nikla u urbanim i periurbanim zemljištima. SVMR algoritam je izveden na prediktorima kako bi se dobio mješoviti model Empirijske Bayesove Kriging-Mašine vektora podrške (EBK_SVM). Slično tome, varijable se također provlače kroz MLR algoritam kako bi se dobio mješoviti model Empirijske Bayesove Kriging-Višestruke linearne regresije (EBK_MLR). Tipično, varijable Ca, K, Mg, CaK, CaMg, KMg i CaKMg se koriste kao kovarijante za prediktore sadržaja Ni u urbanim i periurbanim tlima. Dobijeni najprihvatljiviji model (EBK_SVM ili EBK_MLR) će zatim biti vizualiziran korištenjem samoorganizirajućeg grafa. Tok rada ove studije prikazan je na Slici 2.
Korištenje SeOM-a postalo je popularan alat za organiziranje, evaluaciju i predviđanje podataka u financijskom sektoru, zdravstvu, industriji, statistici, nauci o tlu i još mnogo toga. SeOM je kreiran korištenjem umjetnih neuronskih mreža i metoda nenadziranog učenja za organizaciju, evaluaciju i predviđanje. U ovoj studiji, SeOM je korišten za vizualizaciju koncentracija Ni na osnovu najboljeg modela za predviđanje Ni u urbanim i periurbanim tlima. Podaci obrađeni u SeOM evaluaciji koriste se kao n ulazno-dimenzionalnih vektorskih varijabli43,56. Melssen et al. 57 opisuje vezu ulaznog vektora u neuronsku mrežu preko jednog ulaznog sloja do izlaznog vektora s jednim težinskim vektorom. Izlaz generiran SeOM-om je dvodimenzionalna mapa koja se sastoji od različitih neurona ili čvorova utkanih u heksagonalne, kružne ili kvadratne topološke mape prema njihovoj blizini. Poređenjem veličina mapa na osnovu metrike, greške kvantizacije (QE) i topografske greške (TE), odabran je SeOM model sa 0,086 i 0,904, respektivno, što je jedinica od 55 mapa (5 × 11). Struktura neurona određena je prema broju čvorova u empirijskoj jednačini.
Broj podataka korištenih u ovoj studiji je 115 uzoraka. Korišten je slučajni pristup za podjelu podataka na testne podatke (25% za validaciju) i skupove podataka za obuku (75% za kalibraciju). Skup podataka za obuku koristi se za generiranje regresijskog modela (kalibracija), a skup podataka za testiranje koristi se za provjeru sposobnosti generalizacije58. Ovo je urađeno kako bi se procijenila prikladnost različitih modela za predviđanje sadržaja nikla u tlu. Svi korišteni modeli prošli su kroz desetostruki proces unakrsne validacije, ponovljen pet puta. Varijable dobivene EBK interpolacijom koriste se kao prediktori ili objašnjavajuće varijable za predviđanje ciljne varijable (PTE). Modeliranje se obrađuje u RStudio-u korištenjem paketa library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") i libraries("Metrics").
Različiti parametri validacije korišteni su za određivanje najboljeg modela pogodnog za predviđanje koncentracija nikla u tlu i za procjenu tačnosti modela i njegove validacije. Modeli hibridizacije procijenjeni su korištenjem srednje apsolutne greške (MAE), srednje kvadratne greške (RMSE) i R-kvadrata ili određivanja koeficijenta (R2). R2 definira varijansu proporcija u odgovoru, predstavljenu regresijskim modelom. RMSE i veličina varijanse u nezavisnim mjerama opisuju prediktivnu moć modela, dok MAE određuje stvarnu kvantitativnu vrijednost. Vrijednost R2 mora biti visoka da bi se procijenio najbolji model smjese korištenjem parametara validacije, što je vrijednost bliža 1, to je veća tačnost. Prema Li et al. 59, vrijednost kriterija R2 od 0,75 ili veća smatra se dobrim prediktorom; od 0,5 do 0,75 su prihvatljive performanse modela, a ispod 0,5 su neprihvatljive performanse modela. Prilikom odabira modela korištenjem metoda procjene kriterija validacije RMSE i MAE, niže dobivene vrijednosti bile su dovoljne i smatrane su najboljim izborom. Sljedeća jednadžba opisuje metodu verifikacije.
gdje n predstavlja veličinu posmatrane vrijednosti \({Y}_{i}\) predstavlja izmjereni odziv, a \({\widehat{Y}}_{i}\) također predstavlja predviđenu vrijednost odziva, dakle, za prvih i posmatranja.
Statistički opisi prediktorskih i odzivnih varijabli prikazani su u Tabeli 1, prikazujući srednju vrijednost, standardnu ​​devijaciju (SD), koeficijent varijacije (CV), minimum, maksimum, kurtozu i asimetriju. Minimalne i maksimalne vrijednosti elemenata su u opadajućem redoslijedu Mg < Ca < K < Ni i Ca < Mg < K < Ni, respektivno. Koncentracije odzivne varijable (Ni) uzorkovane sa područja istraživanja kretale su se od 4,86 ​​do 42,39 mg/kg. Poređenje Ni sa svjetskim prosjekom (29 mg/kg) i evropskim prosjekom (37 mg/kg) pokazalo je da je ukupna izračunata geometrijska sredina za područje istraživanja bila unutar podnošljivog raspona. Ipak, kao što je pokazao Kabata-Pendias11, poređenje prosječne koncentracije nikla (Ni) u trenutnoj studiji sa poljoprivrednim zemljištima u Švedskoj pokazuje da je trenutna prosječna koncentracija nikla veća. Slično tome, srednja koncentracija Frydek Mistek u urbanim i periurbanim zemljištima u trenutnoj studiji (Ni 16,15 mg/kg) bila je veća od dozvoljene. granica od 60 (10,2 mg/kg) za Ni u poljskim urbanim tlima koju su izvijestili Różański i saradnici. Nadalje, Bretzel i Calderisi61 zabilježili su vrlo niske prosječne koncentracije Ni (1,78 mg/kg) u urbanim tlima u Toskani u poređenju sa trenutnom studijom. Jim62 je također pronašao nižu koncentraciju nikla (12,34 mg/kg) u urbanim tlima Hong Konga, što je niže od trenutne koncentracije nikla u ovoj studiji. Birke i saradnici63 izvijestili su o prosječnoj koncentraciji Ni od 17,6 mg/kg u starom rudarskom i urbano-industrijskom području u Saksoniji-Anhalt, Njemačka, što je bilo 1,45 mg/kg više od prosječne koncentracije Ni u tom području (16,15 mg/kg). Trenutna istraživanja. Prekomjerni sadržaj nikla u tlima u nekim urbanim i prigradskim područjima istraživanog područja može se uglavnom pripisati industriji željeza i čelika i metalnoj industriji. Ovo je u skladu sa studijom Khodadoust i saradnika. 64 da su industrija čelika i obrada metala glavni izvori kontaminacije niklom u tlu. Međutim, prediktori su se također kretali od 538,70 mg/kg do 69.161,80 mg/kg za Ca, 497,51 mg/kg do 3.535,68 mg/kg za K i 685,68 mg/kg do 5.970,05 mg/kg za Mg. Jakovljević i dr. 65 je istraživao ukupni sadržaj Mg i K u tlu u centralnoj Srbiji. Otkrili su da su ukupne koncentracije (410 mg/kg i 400 mg/kg, respektivno) bile niže od koncentracija Mg i K u trenutnoj studiji. Nerazlučivo, u istočnoj Poljskoj, Orzechowski i Smolczynski66 procijenili su ukupni sadržaj Ca, Mg i K i pokazali prosječne koncentracije Ca (1100 mg/kg), Mg (590 mg/kg) i K (810 mg/kg). Sadržaj u površinskom sloju tla je niži od pojedinačnog elementa u ovoj studiji. Nedavna studija Pongrac i saradnika67 pokazala je da ukupni sadržaj Ca analiziran u 3 različita tla u Škotskoj, UK (tlo Mylnefield, tlo Balruddery i tlo Hartwood) ukazuje na veći sadržaj Ca u ovoj studiji.
Zbog različitih izmjerenih koncentracija uzorkovanih elemenata, distribucije elemenata u skupovima podataka pokazuju različitu asimetriju. Asimetrija i kurtoza elemenata kretale su se od 1,53 do 7,24 i od 2,49 do 54,16, respektivno. Svi izračunati elementi imaju nivoe asimetrije i kurtoze iznad +1, što ukazuje na to da je distribucija podataka nepravilna, iskrivljena u pravom smjeru i ima vrhunac. Procijenjeni CV elementi također pokazuju da K, Mg i Ni pokazuju umjerenu varijabilnost, dok Ca ima izuzetno visoku varijabilnost. CV K, Ni i Mg objašnjavaju njihovu ujednačenu distribuciju. Nadalje, distribucija Ca nije ujednačena i vanjski izvori mogu utjecati na njen nivo obogaćenja.
Korelacija prediktorskih varijabli s elementima odgovora ukazala je na zadovoljavajuću korelaciju između elemenata (vidi Sliku 3). Korelacija je pokazala da CaK pokazuje umjerenu korelaciju s r vrijednošću = 0,53, kao i CaNi. Iako Ca i K pokazuju skromne međusobne veze, istraživači poput Kingstona i suradnika... 68 i Santo69 sugeriraju da su njihovi nivoi u tlu obrnuto proporcionalni. Međutim, Ca i Mg su antagonisti prema K, ali CaK dobro korelira. To može biti zbog primjene gnojiva poput kalijum karbonata, koji ima 56% više kalijuma. Kalijum je bio umjereno koreliran s magnezijumom (KM r = 0,63). U industriji gnojiva, ova dva elementa su usko povezana jer se kalijum magnezijum sulfat, kalijum magnezijum nitrat i potaša primjenjuju na tla kako bi se povećali nivoi njihovog nedostatka. Nikl je umjereno koreliran s Ca, K i Mg s vrijednostima r = 0,52, 0,63 i 0,55, respektivno. Odnosi koji uključuju kalcijum, magnezijum i PTE-ove poput nikla su složeni, ali ipak, magnezijum inhibira apsorpciju kalcijuma, kalcijum smanjuje efekte viška magnezijuma, a i magnezijum i kalcijum smanjuju toksične efekte nikla u tlu.
Matrica korelacije za elemente koja prikazuje odnos između prediktora i odgovora (Napomena: ova slika uključuje dijagram raspršenja između elemenata, nivoi značajnosti su zasnovani na p < 0,001).
Slika 4 ilustruje prostornu distribuciju elemenata. Prema Burgosu i saradnicima70, primjena prostorne distribucije je tehnika koja se koristi za kvantifikaciju i isticanje žarišta u zagađenim područjima. Nivoi obogaćenja Ca na Sl. 4 mogu se vidjeti u sjeverozapadnom dijelu mape prostorne distribucije. Slika prikazuje žarišta umjerenog do visokog obogaćenja Ca. Obogaćivanje kalcijem na sjeverozapadu mape vjerovatno je posljedica upotrebe živog kreča (kalcijum oksida) za smanjenje kiselosti tla i njegove upotrebe u čeličanama kao alkalnog kisika u procesu proizvodnje čelika. S druge strane, drugi poljoprivrednici preferiraju korištenje kalcijum hidroksida u kiselim tlima za neutralizaciju pH, što također povećava sadržaj kalcija u tlu71. Kalij također pokazuje žarišta na sjeverozapadu i istoku mape. Sjeverozapad je glavna poljoprivredna zajednica, a umjereni do visoki obrazac kalija može biti posljedica primjene NPK i potaše. Ovo je u skladu s drugim studijama, kao što su Madaras i Lipavský72, Madaras i saradnici73, Pulkrabová i saradnici74, Asare i saradnici75, koji su primijetili da stabilizacija tla i Tretman sa KCl i NPK rezultirao je visokim sadržajem K u tlu. Prostorno obogaćivanje kalija na sjeverozapadu karte distribucije može biti posljedica upotrebe gnojiva na bazi kalija kao što su kalijum hlorid, kalijum sulfat, kalijum nitrat, potaša i potaša kako bi se povećao sadržaj kalija u siromašnim tlima. Zádorová et al. 76 i Tlustoš et al. 77 je istakao da primjena gnojiva na bazi K povećava sadržaj K u tlu i dugoročno bi značajno povećala sadržaj hranjivih tvari u tlu, posebno K i Mg, što pokazuje žarište u tlu. Relativno umjerena žarišta nalaze se na sjeverozapadu karte i jugoistoku karte. Koloidna fiksacija u tlu smanjuje koncentraciju magnezija u tlu. Njegov nedostatak u tlu uzrokuje da biljke pokazuju žućkastu intervensku hlorozu. Gnojiva na bazi magnezija, kao što su kalij-magnezijum-sulfat, magnezijum-sulfat i kizerit, tretiraju nedostatke (biljke izgledaju ljubičasto, crveno ili smeđe, što ukazuje na nedostatak magnezija) u tlu s normalnim pH rasponom6. Akumulacija nikla na urbanim i periurbanim površinama tla može biti posljedica antropogenih aktivnosti poput poljoprivrede i važnosti nikla u proizvodnji nehrđajućeg čelika78.
Prostorna distribucija elemenata [mapa prostorne distribucije kreirana je korištenjem ArcGIS Desktopa (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Rezultati indeksa performansi modela za elemente korištene u ovoj studiji prikazani su u Tabeli 2. S druge strane, RMSE i MAE za Ni su blizu nule (0,86 RMSE, -0,08 MAE). S druge strane, obje vrijednosti RMSE i MAE za K su prihvatljive. Rezultati RMSE i MAE bili su veći za kalcij i magnezij. Rezultati MAE i RMSE za Ca i K su veći zbog različitih skupova podataka. Utvrđeno je da su RMSE i MAE ove studije koja koristi EBK za predviđanje Ni bolji od rezultata Johna i sar. 54 koji koriste sinergijski kriging za predviđanje koncentracija S u tlu koristeći iste prikupljene podatke. Izlazi EBK-a koje smo proučavali koreliraju s onima Fabijaczyka i sar. 41, Yana i sar. 79, Beguina i sar. 80, Adhikaryja i sar. 81 i Johna i sar. 82, posebno K i Ni.
Performanse pojedinačnih metoda za predviđanje sadržaja nikla u urbanim i periurbanim zemljištima procijenjene su korištenjem performansi modela (Tabela 3). Validacija modela i evaluacija tačnosti potvrdile su da je prediktor Ca_Mg_K u kombinaciji s EBK SVMR modelom dao najbolje performanse. Kalibracijski model Ca_Mg_K-EBK_SVMR R2, srednja kvadratna greška (RMSE) i srednja apsolutna greška (MAE) bile su 0,637 (R2), 95,479 mg/kg (RMSE) i 77,368 mg/kg (MAE). Ca_Mg_K-SVMR bio je 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). Ipak, dobre R2 vrijednosti dobivene su za Ca_Mg_K-SVMR (0,663 mg/kg R2) i Ca_Mg-EBK_SVMR (0,643 = R2); Njihovi rezultati RMSE i MAE bili su viši od onih za Ca_Mg_K-EBK_SVMR (R2 0,637) (vidi Tabelu 3). Pored toga, RMSE i MAE modela Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) iznose 17,5 i 13,4, respektivno, što je više od rezultata Ca_Mg_K-EBK_SVMR. Slično tome, RMSE i MAE modela Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) su 2,5 i 2,2 veći od rezultata RMSE i MAE za Ca_Mg_K-EBK_SVMR, respektivno. Izračunati rezultati RMSE pokazuju koliko je skup podataka koncentriran s linijom najboljeg prilagođavanja. Uočeni su viši RSME i MAE. Prema Kebonye et al. 46 i john et al. 54, što su RMSE i MAE bliži nuli, to su rezultati bolji. SVMR i EBK_SVMR imaju veće kvantizirane RSME i MAE vrijednosti. Uočeno je da su procjene RSME bile konzistentno veće od MAE vrijednosti, što ukazuje na prisustvo outliera. Prema Legatesu i McCabeu83, stepen u kojem RMSE premašuje srednju apsolutnu grešku (MAE) preporučuje se kao indikator prisustva outliera. To znači da što je skup podataka heterogeniji, to su veće vrijednosti MAE i RMSE. Tačnost procjene unakrsne validacije mješovitog modela Ca_Mg_K-EBK_SVMR za predviđanje sadržaja Ni u urbanim i prigradskim zemljištima bila je 63,70%. Prema Li et al. 59, ovaj nivo tačnosti je prihvatljiva stopa performansi modela. Sadašnji rezultati su upoređeni sa prethodnom studijom Tarasova et al. 36 čiji je hibridni model kreirao MLPRK (Višeslojni perceptronski rezidualni kriging), povezan s indeksom procjene tačnosti EBK_SVMR prijavljenim u trenutnoj studiji, RMSE (210) i MAE (167,5) bio je veći od naših rezultata u trenutnoj studiji (RMSE 95,479, MAE 77,368). Međutim, kada se uporedi R2 trenutne studije (0,637) s onim Tarasova i saradnika. 36 (0,544), jasno je da je koeficijent determinacije (R2) veći u ovom miješanom modelu. Margina greške (RMSE i MAE) (EBK SVMR) za miješani model je dva puta niža. Slično tome, Sergeev i saradnici34 zabilježili su 0,28 (R2) za razvijeni hibridni model (Višeslojni perceptronski rezidualni kriging), dok je Ni u trenutnoj studiji zabilježio 0,637 (R2). Nivo tačnosti predviđanja ovog modela (EBK SVMR) je 63,7%, dok je tačnost predviđanja koju su dobili Sergeev i saradnici34 28%. Konačna mapa (Sl. 5) kreirana korištenjem EBK_SVMR modela i Ca_Mg_K kao prediktora pokazuje predviđanja vrućih tačaka i umjerenog do nikla na cijelom području istraživanja. To znači da je koncentracija nikla u području istraživanja uglavnom umjerena, s višim koncentracijama u nekim specifičnim područjima.
Konačna mapa predviđanja predstavljena je korištenjem hibridnog modela EBK_SVMR i korištenjem Ca_Mg_K kao prediktora. [Mapa prostorne distribucije kreirana je korištenjem RStudio programa (verzija 1.4.1717: https://www.rstudio.com/).]
Na Slici 6 prikazane su koncentracije PTE kao ravan kompozicije koja se sastoji od pojedinačnih neurona. Nijedna od komponentnih ravni nije pokazala isti uzorak boja kao što je prikazano. Međutim, odgovarajući broj neurona po nacrtanoj mapi je 55. SeOM se proizvodi korištenjem različitih boja, i što su sličniji uzorci boja, to su svojstva uzoraka usporedivija. Prema njihovoj preciznoj skali boja, pojedinačni elementi (Ca, K i Mg) pokazali su slične uzorke boja kao pojedinačni visoki neuroni i većina niskih neurona. Dakle, CaK i CaMg dijele neke sličnosti s neuronima vrlo visokog reda i uzorcima boja niskog do umjerenog reda. Oba modela predviđaju koncentraciju Ni u tlu prikazivanjem srednjih do visokih nijansi boja kao što su crvena, narančasta i žuta. KMg model prikazuje mnoge uzorke visokih boja na temelju preciznih proporcija i mrlja boja niskog do srednjeg reda. Na preciznoj skali boja od niskog do visokog, planarni uzorak distribucije komponenti modela pokazao je visok uzorak boja koji ukazuje na potencijalnu koncentraciju nikla u tlu (vidi Sliku 4). Komponentna ravan CakMg modela pokazuje raznolik uzorak boja od niskog do visokog prema preciznoj skali boja. skala. Nadalje, predviđanje modela o sadržaju nikla (CakMg) slično je prostornoj distribuciji nikla prikazanoj na Slici 5. Oba grafikona prikazuju visoke, srednje i niske udjele koncentracija nikla u urbanim i periurbanim tlima. Slika 7 prikazuje konturnu metodu u k-means grupiranju na karti, podijeljenu u tri klastera na osnovu predviđene vrijednosti u svakom modelu. Konturna metoda predstavlja optimalni broj klastera. Od 115 prikupljenih uzoraka tla, kategorija 1 dobila je najviše uzoraka tla, 74. Klaster 2 primio je 33 uzorka, dok je klaster 3 primio 8 uzoraka. Kombinacija planarnih prediktora sa sedam komponenti pojednostavljena je kako bi se omogućila ispravna interpretacija klastera. Zbog brojnih antropogenih i prirodnih procesa koji utiču na formiranje tla, teško je imati pravilno diferencirane obrasce klastera na distribuiranoj SeOM karti78.
Izlaz komponentne ravni svake varijable empirijskog Bayesovog kriginging Support Vector Machine (EBK_SVM_SeOM).[SeOM mape su kreirane korištenjem RStudio programa (verzija 1.4.1717: https://www.rstudio.com/).]
Različite komponente klasifikacije klastera [SeOM mape su kreirane korištenjem RStudio programa (verzija 1.4.1717: https://www.rstudio.com/).]
Trenutna studija jasno ilustruje tehnike modeliranja koncentracija nikla u urbanim i periurbanim tlima. Studija je testirala različite tehnike modeliranja, kombinirajući elemente s tehnikama modeliranja, kako bi se dobio najbolji način predviđanja koncentracija nikla u tlu. Kompozicijske planarne prostorne karakteristike SeOM tehnike modeliranja pokazale su visok uzorak boja od niske do visoke na preciznoj skali boja, što ukazuje na koncentracije Ni u tlu. Međutim, mapa prostorne distribucije potvrđuje planarnu prostornu distribuciju komponenti koju pokazuje EBK_SVMR (vidi Sliku 5). Rezultati pokazuju da model regresije potpornih vektora (CaMgK-SVMR) predviđa koncentraciju Ni u tlu kao jedan model, ali parametri validacije i procjene tačnosti pokazuju vrlo visoke greške u smislu RMSE i MAE. S druge strane, tehnika modeliranja korištena s modelom EBK_MLR također je manjkava zbog niske vrijednosti koeficijenta determinacije (R2). Dobri rezultati su dobiveni korištenjem EBK SVMR i kombiniranih elemenata (CaKMg) s niskim RMSE i MAE greškama s tačnošću od 63,7%. Ispostavilo se da kombiniranje EBK algoritma s... Algoritam mašinskog učenja može generirati hibridni algoritam koji može predvidjeti koncentraciju PTE-a u tlu. Rezultati pokazuju da korištenje CaMgK kao prediktora za predviđanje koncentracija Ni u području istraživanja može poboljšati predviđanje Ni u tlu. To znači da kontinuirana primjena gnojiva na bazi nikla i industrijsko zagađenje tla od strane čelične industrije imaju tendenciju povećanja koncentracije nikla u tlu. Ova studija je otkrila da EBK model može smanjiti nivo greške i poboljšati tačnost modela prostorne distribucije tla u urbanim ili periurbanim tlima. Općenito, predlažemo primjenu EBK-SVMR modela za procjenu i predviđanje PTE-a u tlu; osim toga, predlažemo korištenje EBK-a za hibridizaciju s različitim algoritmima mašinskog učenja. Koncentracije Ni su predviđene korištenjem elemenata kao kovarijabli; međutim, korištenje više kovarijabli bi uveliko poboljšalo performanse modela, što se može smatrati ograničenjem trenutnog rada. Još jedno ograničenje ove studije je da je broj skupova podataka 115. Stoga, ako se obezbijedi više podataka, performanse predložene optimizirane metode hibridizacije mogu se poboljšati.
PlantProbs.net. Nikl u biljkama i tlu https://plantprobs.net/plant/nutrientImbalances/sodium.html (pristupljeno 28. aprila 2021.).
Kasprzak, KS Nikel napreduje u modernoj toksikologiji okoliša. surroundings.toxicology.11, 145–183 (1987).
Cempel, M. i Nikel, G. Nikel: Pregled njegovih izvora i toksikologije okoliša. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Unos zagađivača iz atmosfere i akumulacija u tlu i vegetaciji u blizini topionice nikla i bakra u Sudburyju, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. i dr. Teški metali u tlu, biljkama i rizici povezani s ispašom preživara u blizini rudnika bakra i nikla Selebi-Phikwe u Bocvani. Okolina. Geohemija. Zdravlje https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementi u tragovima u tlu i… – 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= (pristupljeno 24. novembra 2020.).
Almås, A., Singh, B., Poljoprivreda, TS-NJ od & 1995, nedefinirano. Utjecaji ruske industrije nikla na koncentracije teških metala u poljoprivrednom tlu i travama u Soer-Varangeru, Norveška. agris.fao.org.
Nielsen, GD i dr. Apsorpcija i zadržavanje nikla u vodi za piće povezani su s unosom hrane i osjetljivošću na nikl. toksikologija. primjena. farmakodinamika. 154, 67–75 (1999).
Costa, M. i Klein, CB Nikl - kancerogeneza, mutacija, epigenetika ili selekcija. Okolina. Zdravstvena perspektiva. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analiza trenda potencijalno toksičnih elemenata: bibliometrijski pregled. Geohemija okoliša i zdravlje. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. i McBratney, AB Digitalno mapiranje tla: Kratka historija i neke lekcije. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitalnom mapiranju tla. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatističko modeliranje rezervoara,… – 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= (pristupljeno 28. aprila 2021.).