Gràcies per visitar Nature.com. La versió del navegador que esteu utilitzant té compatibilitat limitada amb CSS. Per a una millor experiència, us recomanem que utilitzeu un navegador actualitzat (o que desactiveu el mode de compatibilitat a l'Internet Explorer). Mentrestant, per garantir una assistència continuada, mostrarem el lloc web sense estils ni JavaScript.
La contaminació del sòl és un gran problema causat per les activitats humanes. La distribució espacial dels elements potencialment tòxics (ETP) varia a la majoria de les zones urbanes i periurbanes. Per tant, és difícil predir espacialment el contingut d'ETP en aquests sòls. Es van obtenir un total de 115 mostres de Frydek Mistek a la República Txeca. Les concentracions de calci (Ca), magnesi (Mg), potassi (K) i níquel (Ni) es van determinar mitjançant espectrometria d'emissió de plasma d'acoblament inductiu. La variable de resposta és Ni i els predictors són Ca, Mg i K. La matriu de correlació entre la variable de resposta i la variable predictora mostra una correlació satisfactòria entre els elements. Els resultats de la predicció van mostrar que la regressió de màquines de vectors de suport (SVMR) va tenir un bon rendiment, tot i que el seu error quadràtic mitjà estimat (RMSE) (235,974 mg/kg) i l'error absolut mitjà (MAE) (166,946 mg/kg) van ser superiors als altres mètodes aplicats. Els models mixtos per a la regressió lineal múltiple-kriging bayesià empíric (EBK-MLR) tenen un rendiment deficient, com ho demostra coeficients de determinació inferiors a 0,1. El model de regressió bayesiana empírica de Kriging-Support Vector Machine (EBK-SVMR) va ser el millor model, amb valors baixos de RMSE (95,479 mg/kg) i MAE (77,368 mg/kg) i un coeficient de determinació elevat (R2 = 0,637). La sortida de la tècnica de modelització EBK-SVMR es visualitza mitjançant un mapa autoorganitzat. Les neurones agrupades en el pla del component del model híbrid CakMg-EBK-SVMR mostren múltiples patrons de color que prediuen concentracions de Ni en sòls urbans i periurbans. Els resultats demostren que la combinació d'EBK i SVMR és una tècnica eficaç per predir concentracions de Ni en sòls urbans i periurbans.
El níquel (Ni) es considera un micronutrient per a les plantes perquè contribueix a la fixació del nitrogen atmosfèric (N) i al metabolisme de la urea, tots dos necessaris per a la germinació de les llavors. A més de la seva contribució a la germinació de les llavors, el Ni pot actuar com a inhibidor de fongs i bacteris i promoure el desenvolupament de les plantes. La manca de níquel al sòl permet que la planta l'absorbeixi, cosa que provoca clorosi de les fulles. Per exemple, els mongetes i les mongetes verdes requereixen l'aplicació de fertilitzants a base de níquel per optimitzar la fixació del nitrogen2. L'aplicació contínua de fertilitzants a base de níquel per enriquir el sòl i augmentar la capacitat de les lleguminoses per fixar nitrogen al sòl augmenta contínuament la concentració de níquel al sòl. Tot i que el níquel és un micronutrient per a les plantes, la seva ingesta excessiva al sòl pot fer més mal que bé. La toxicitat del níquel al sòl minimitza el pH del sòl i dificulta l'absorció del ferro com a nutrient essencial per al creixement de les plantes1. Segons Liu3, s'ha descobert que el Ni és el 17è element important necessari per al desenvolupament i creixement de les plantes. A més del paper del níquel en el desenvolupament i creixement de les plantes, els humans el necessiten per a una varietat d'aplicacions. La galvanoplàstia, la producció de Els aliatges a base de níquel i la fabricació de dispositius d'encesa i bugies a la indústria de l'automoció requereixen l'ús de níquel en diversos sectors industrials. A més, els aliatges a base de níquel i els articles electrodepositats s'han utilitzat àmpliament en estris de cuina, accessoris de saló de ball, subministraments de la indústria alimentària, electricitat, filferro i cable, turbines de reacció, implants quirúrgics, tèxtils i construcció naval5. Els nivells rics en Ni als sòls (és a dir, sòls superficials) s'han atribuït tant a fonts antropogèniques com naturals, però principalment el Ni és una font natural en lloc d'antropogènica4,6. Les fonts naturals de níquel inclouen erupcions volcàniques, vegetació, incendis forestals i processos geològics; tanmateix, les fonts antropogèniques inclouen bateries de níquel/cadmi a la indústria siderúrgica, galvanització, soldadura per arc, gasoil i fueloils, i emissions atmosfèriques de la combustió del carbó i la incineració de residus i fangs. Acumulació de níquel7,8. Segons Freedman i Hutchinson9 i Manyiwa et al. 10, les principals fonts de contaminació del sòl superficial a l'entorn immediat i adjacent són principalment les foneries i mines de níquel-coure. El sòl superficial al voltant de la refineria de níquel-coure de Sudbury al Canadà va tenir els nivells més alts de contaminació per níquel, amb 26.000 mg/kg11. En canvi, la contaminació derivada de la producció de níquel a Rússia ha provocat concentracions més elevades de níquel al sòl noruec11. Segons Alms et al. 12, la quantitat de níquel extraïble d'HNO3 a les terres cultivables més importants de la regió (producció de níquel a Rússia) va oscil·lar entre 6,25 i 136,88 mg/kg, cosa que correspon a una mitjana de 30,43 mg/kg i una concentració basal de 25 mg/kg. Segons kabata 11, l'aplicació de fertilitzants de fòsfor en sòls agrícoles en sòls urbans o periurbans durant les successives temporades de cultiu pot infusionar o contaminar el sòl. Els efectes potencials del níquel en humans poden provocar càncer a través de mutagènesi, danys cromosòmics, generació de Z-DNA, reparació per excisió d'ADN bloquejada o processos epigenètics13. En experiments amb animals, s'ha descobert que el níquel té el potencial de causar una varietat de tumors, i els complexos carcinògens de níquel poden exacerbar aquests tumors.
Les avaluacions de la contaminació del sòl han florit en els darrers temps a causa d'una àmplia gamma de problemes relacionats amb la salut derivats de les relacions sòl-planta, les relacions sòl i biològiques del sòl, la degradació ecològica i l'avaluació de l'impacte ambiental. Fins ara, la predicció espacial d'elements potencialment tòxics (PTE) com el Ni al sòl ha estat laboriosa i requereix molt de temps utilitzant mètodes tradicionals. L'arribada de la cartografia digital del sòl (DSM) i el seu èxit actual15 han millorat molt la cartografia predictiva del sòl (PSM). Segons Minasny i McBratney16, la cartografia predictiva del sòl (DSM) ha demostrat ser una subdisciplina destacada de la ciència del sòl. Lagacherie i McBratney, 2006 defineixen la DSM com "la creació i l'ompliment de sistemes d'informació espacial del sòl mitjançant l'ús de mètodes d'observació in situ i de laboratori i sistemes d'inferència del sòl espacials i no espacials". McBratney et al. 17 descriuen que el DSM o PSM contemporani és la tècnica més eficaç per predir o cartografiar la distribució espacial dels PTE, els tipus de sòl i les propietats del sòl. La geoestadística i els algoritmes d'aprenentatge automàtic (MLA) són tècniques de modelització DSM que creen mapes digitalitzats amb l'ajuda d'ordinadors utilitzant dades significatives i mínimes.
Deutsch18 i Olea19 defineixen la geoestadística com "el conjunt de tècniques numèriques que tracten la representació d'atributs espacials, principalment emprant models estocàstics, com ara com l'anàlisi de sèries temporals caracteritza les dades temporals". Principalment, la geoestadística implica l'avaluació de variogrames, que permeten quantificar i definir les dependències dels valors espacials de cada conjunt de dades20. Gumiaux et al. 20 il·lustren a més que l'avaluació de variogrames en geoestadística es basa en tres principis, que inclouen (a) calcular l'escala de correlació de dades, (b) identificar i calcular l'anisotropia en la disparitat del conjunt de dades i (c) a més de tenir en compte l'error inherent de les dades de mesura separades dels efectes locals, també s'estimen els efectes de l'àrea. Basant-se en aquests conceptes, s'utilitzen moltes tècniques d'interpolació en geoestadística, incloent el kriging general, el co-kriging, el kriging ordinari, el kriging bayesià empíric, el mètode de kriging simple i altres tècniques d'interpolació conegudes per cartografiar o predir el PTE, les característiques del sòl i els tipus de sòl.
Els algoritmes d'aprenentatge automàtic (MLA) són una tècnica relativament nova que utilitza classes de dades no lineals més grans, alimentades per algoritmes utilitzats principalment per a la mineria de dades, la identificació de patrons en les dades i aplicats repetidament a la classificació en camps científics com la ciència del sòl i les tasques de retorn. Nombrosos articles de recerca es basen en models MLA per predir PTE en sòls, com ara Tan et al. 22 (boscos aleatoris per a l'estimació de metalls pesants en sòls agrícoles), Sakizadeh et al. 23 (modelització mitjançant màquines de vectors de suport i xarxes neuronals artificials) contaminació del sòl). A més, Vega et al. 24 (CART per modelar la retenció i adsorció de metalls pesants al sòl), Sun et al. 25 (aplicació del cubista és la distribució de Cd al sòl) i altres algoritmes com ara els k-veïns més propers, la regressió impulsada generalitzada i la regressió impulsada. Els arbres també van aplicar MLA per predir PTE al sòl.
L'aplicació d'algoritmes DSM en la predicció o la cartografia s'enfronta a diversos reptes. Molts autors creuen que l'MLA és superior a la geoestadística i viceversa. Tot i que una és millor que l'altra, la combinació de les dues millora el nivell de precisió de la cartografia o la predicció en DSM15. Woodcock i Gopal26 Finke27; Pontius i Cheuk28 i Grunwald29 comenten les deficiències i alguns errors en la cartografia del sòl prevista. Els científics del sòl han provat diverses tècniques per optimitzar l'eficàcia, la precisió i la predictibilitat de la cartografia i la predicció DSM. La combinació d'incertesa i verificació és un dels molts aspectes diferents integrats en DSM per optimitzar l'eficàcia i reduir els defectes. Tanmateix, Agyeman et al. 15 destaquen que el comportament de validació i la incertesa introduïdes per la creació i la predicció de mapes s'han de validar independentment per millorar la qualitat del mapa. Les limitacions del DSM es deuen a la qualitat del sòl geogràficament dispersa, que implica un component d'incertesa; Tanmateix, la manca de certesa en el DSM pot sorgir de múltiples fonts d'error, és a dir, error de covariant, error de model, error de localització i error analític 31. Les inexactituds de modelització induïdes en els processos MLA i geoestadístics s'associen amb una manca de comprensió, cosa que en última instància condueix a una simplificació excessiva del procés real 32. Independentment de la naturalesa del modelització, les inexactituds es poden atribuir a paràmetres de modelització, prediccions de models matemàtics o interpolació 33. Recentment, ha sorgit una nova tendència DSM que promou la integració de la geoestadística i la MLA en la cartografia i la predicció. Diversos científics i autors del sòl, com ara Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 i Tarasov et al. 37, han explotat la qualitat precisa de la geoestadística i l'aprenentatge automàtic per generar models híbrids que milloren l'eficiència de la predicció i la cartografia. qualitat. Alguns d'aquests models d'algoritmes híbrids o combinats són el Kriging de xarxes neuronals artificials (ANN-RK), el Kriging residual de perceptró multicapa (MLP-RK), el Kriging residual de xarxes neuronals de regressió generalitzada (GR-NNRK)36, el Kriging de xarxes neuronals artificials-perceptró multicapa (ANN-K-MLP)37 i el co-Kriging i la regressió de processos gaussians38.
Segons Sergeev et al., la combinació de diverses tècniques de modelització té el potencial d'eliminar defectes i augmentar l'eficiència del model híbrid resultant en lloc de desenvolupar el seu únic model. En aquest context, aquest nou article argumenta que cal aplicar un algoritme combinat de geoestadística i MLA per crear models híbrids òptims per predir l'enriquiment de Ni a les zones urbanes i periurbanes. Aquest estudi es basarà en el Kriging Bayesià Empíric (EBK) com a model base i el barrejarà amb models de Màquina de Vectors de Suport (SVM) i Regressió Lineal Múltiple (MLR). No es coneix la hibridació d'EBK amb cap MLA. Els múltiples models mixtos que es veuen són combinacions de kriging ordinari, residual, de regressió i MLA. L'EBK és un mètode d'interpolació geoestadística que utilitza un procés espacialment estocàstic que es localitza com un camp aleatori no estacionari/estacionari amb paràmetres de localització definits sobre el camp, permetent la variació espacial39. L'EBK s'ha utilitzat en una varietat d'estudis, incloent-hi l'anàlisi de la distribució de carboni orgànic en sòls agrícoles40, l'avaluació de la contaminació del sòl41 i el mapatge de les propietats del sòl42.
D'altra banda, el gràfic autoorganitzat (SeOM) és un algoritme d'aprenentatge que s'ha aplicat en diversos articles com ara Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 i Kebonye et al. 46. Determina els atributs espacials i l'agrupació d'elements. Wang et al. 44 destaquen que el SeOM és una potent tècnica d'aprenentatge coneguda per la seva capacitat d'agrupar i imaginar problemes no lineals. A diferència d'altres tècniques de reconeixement de patrons com l'anàlisi de components principals, l'agrupació difusa, l'agrupació jeràrquica i la presa de decisions multicriteri, el SeOM és millor per organitzar i identificar patrons PTE. Segons Wang et al. 44, el SeOM pot agrupar espacialment la distribució de neurones relacionades i proporcionar una visualització de dades d'alta resolució. El SeOM visualitzarà les dades de predicció de Ni per obtenir el millor model per caracteritzar els resultats per a la interpretació directa.
Aquest article pretén generar un model de mapatge robust amb una precisió òptima per predir el contingut de níquel en sòls urbans i periurbans. La nostra hipòtesi és que la fiabilitat del model mixt depèn principalment de la influència d'altres models adjunts al model base. Reconeixem els reptes als quals s'enfronta el DSM, i tot i que aquests reptes s'aborden en múltiples fronts, la combinació d'avenços en geoestadística i models MLA sembla ser incremental; per tant, intentarem respondre preguntes de recerca que puguin produir models mixtos. Tanmateix, quina precisió té el model a l'hora de predir l'element objectiu? A més, quin és el nivell d'avaluació de l'eficiència basat en la validació i l'avaluació de la precisió? Per tant, els objectius específics d'aquest estudi eren (a) crear un model de mescla combinada per a SVMR o MLR utilitzant EBK com a model base, (b) comparar els models resultants (c) proposar el millor model de mescla per predir les concentracions de Ni en sòls urbans o periurbans, i (d) l'aplicació de SeOM per crear un mapa d'alta resolució de la variació espacial del níquel.
L'estudi es duu a terme a la República Txeca, concretament al districte de Frydek Mistek, a la regió de Moràvia-Silèsia (vegeu la Figura 1). La geografia de la zona d'estudi és molt accidentada i forma part principalment de la regió dels Beskidy de Moràvia-Silèsia, que forma part de la vora exterior de les muntanyes dels Carpats. La zona d'estudi es troba entre 49° 41′ 0′ N i 18° 20′ 0′ E, i l'altitud és d'entre 225 i 327 m; Tanmateix, el sistema de classificació de Koppen per a l'estat climàtic de la regió es classifica com Cfb = clima oceànic temperat. Hi ha moltes precipitacions fins i tot en els mesos secs. Les temperatures varien lleugerament al llarg de l'any entre -5 °C i 24 °C, rarament baixant per sota de -14 °C o per sobre de 30 °C, mentre que la precipitació mitjana anual és d'entre 685 i 752 mm47. L'àrea estimada de l'estudi de tota l'àrea és de 1.208 quilòmetres quadrats, amb un 39,38% de la terra cultivada i un 49,36% de la cobertura forestal. D'altra banda, l'àrea utilitzada en aquest estudi és d'uns 889,8 quilòmetres quadrats. A Ostrava i els seus voltants, la indústria siderúrgica i les fàbriques de metalls són molt actives. Les fàbriques de metall, la indústria siderúrgica on s'utilitza níquel en acers inoxidables (per exemple, per a la resistència a la corrosió atmosfèrica) i acers d'aliatge (el níquel augmenta la resistència de l'aliatge mentre manté la seva bona ductilitat i tenacitat), i l'agricultura intensiva com l'aplicació de fertilitzants de fosfat i la producció ramadera són fonts potencials de níquel per a la investigació a la regió. (per exemple, afegir níquel als xais per augmentar les taxes de creixement dels xais i del bestiar amb poca alimentació). Altres usos industrials del níquel en àrees de recerca inclouen el seu ús en la galvanoplàstia, incloent-hi els processos de galvanoplàstia amb níquel i níquel electrolític. Les propietats del sòl es distingeixen fàcilment del color, l'estructura i el contingut de carbonats del sòl. La textura del sòl és de mitjana a fina, derivada del material original. Són de naturalesa col·luvial, al·luvial o eòlica. Algunes zones de sòl apareixen tacades a la superfície i al subsòl, sovint amb formigó i blanqueig. Tanmateix, els cambisols i els estansolls són els tipus de sòl més comuns a la regió48. Amb elevacions que oscil·len entre els 455,1 i els 493,5 m, els cambisols dominen la República Txeca49.
Mapa de la zona d'estudi [El mapa de la zona d'estudi es va crear amb ArcGIS Desktop (ESRI, Inc, versió 10.7, URL: https://desktop.arcgis.com).]
Es van obtenir un total de 115 mostres de sòl vegetal de sòls urbans i periurbans al districte de Frydek Mistek. El patró de mostreig utilitzat va ser una quadrícula regular amb mostres de sòl separades per 2 × 2 km, i el sòl vegetal es va mesurar a una profunditat de 0 a 20 cm mitjançant un dispositiu GPS portàtil (Leica Zeno 5 GPS). Les mostres s'envasen en bosses Ziploc, es demanen etiquetar i s'envien al laboratori. Les mostres es van assecar a l'aire per produir mostres polvoritzades, es van polvoritzar mitjançant un sistema mecànic (molí de disc Fritsch) i es van tamisar (tamis de 2 mm). Col·loqueu 1 gram de mostres de sòl seques, homogeneïtzades i tamisades en ampolles de tefló clarament etiquetades. A cada recipient de tefló, dispenseu 7 ml de HCl al 35% i 3 ml de HNO3 al 65% (utilitzant un dispensador automàtic, un per a cada àcid), tapeu lleugerament i deixeu reposar les mostres durant la nit per a la reacció (programa aigua règia). Col·loqueu el sobrenedant en una placa metàl·lica calenta (temperatura: 100 W i 160 °C) durant 2 h per facilitar el procés de digestió de les mostres i després refredar. Transferir el sobrenedant a un matràs aforat de 50 ml i diluir a 50 ml amb aigua desionitzada. Després d'això, filtrar el sobrenedant diluït en un tub de PVC de 50 ml amb aigua desionitzada. A més, 1 ml de la solució de dilució es va diluir amb 9 ml d'aigua desionitzada i es va filtrar en un tub de 12 ml preparat per a la pseudoconcentració de PTE. Les concentracions de PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) es van determinar mitjançant ICP-OES (Espectroscòpia d'Emissió Òptica de Plasma d'Acoblament Inductiu) (Thermo Fisher Scientific, EUA) segons mètodes estàndard i acords. Assegurar els procediments de Control i Garantia de Qualitat (QA/QC) (SRM NIST 2711a Montana II Soil). Els PTE amb límits de detecció inferiors a la meitat van ser exclosos d'aquest estudi. El límit de detecció del PTE utilitzat en aquest estudi va ser 0,0004.(vostè).A més, el procés de control i garantia de qualitat per a cada anàlisi es garanteix mitjançant l'anàlisi d'estàndards de referència.Per garantir que es minimitzessin els errors, es va realitzar una doble anàlisi.
El Kriging Bayesià Empíric (EBK) és una de les moltes tècniques d'interpolació geoestadística utilitzades en la modelització en diversos camps com la ciència del sòl. A diferència d'altres tècniques d'interpolació de kriging, l'EBK es diferencia dels mètodes de kriging tradicionals en considerar l'error estimat pel model de semivariograma. En la interpolació EBK, es calculen diversos models de semivariograma durant la interpolació, en lloc d'un únic semivariograma. Les tècniques d'interpolació donen pas a la incertesa i la programació associades amb aquesta representació gràfica del semivariograma que constitueix una part altament complexa d'un mètode de kriging suficient. El procés d'interpolació de l'EBK segueix els tres criteris proposats per Krivoruchko50, (a) el model estima el semivariograma a partir del conjunt de dades d'entrada (b) el nou valor predit per a cada ubicació del conjunt de dades d'entrada basat en el semivariograma generat i (c) el model A final es calcula a partir d'un conjunt de dades simulat. La regla de l'equació bayesiana es dóna com a posteriori
On \(Prob\left(A\right)\) representa la probabilitat marginal a priori, \(Prob\left(B\right)\) s'ignora en la majoria dels casos, \(Prob (B,A)\). El càlcul del semivariograma es basa en la regla de Bayes, que mostra la propensió dels conjunts de dades d'observació que es poden crear a partir de semivariogrames. El valor del semivariograma es determina mitjançant la regla de Bayes, que indica la probabilitat de crear un conjunt de dades d'observacions a partir del semivariograma.
Una màquina de vectors de suport és un algoritme d'aprenentatge automàtic que genera un hiperplà de separació òptim per distingir classes idèntiques però no linealment independents. Vapnik51 va crear l'algoritme de classificació per intenció, però recentment s'ha utilitzat per resoldre problemes orientats a la regressió. Segons Li et al.52, SVM és una de les millors tècniques de classificació i s'ha utilitzat en diversos camps. El component de regressió de SVM (Support Vector Machine Regression – SVMR) es va utilitzar en aquesta anàlisi. Cherkassky i ​​Mulier53 van ser pioners en SVMR com una regressió basada en nuclis, el càlcul de la qual es va realitzar mitjançant un model de regressió lineal amb funcions espacials multipaís. John et al54 informen que el modelatge SVMR utilitza la regressió lineal d'hiperplà, que crea relacions no lineals i permet funcions espacials. Segons Vohland et al. 55, l'epsilon (ε)-SVMR utilitza el conjunt de dades entrenat per obtenir un model de representació com una funció insensible a l'epsilon que s'aplica per mapejar les dades de manera independent amb el millor biaix d'epsilon a partir de l'entrenament en dades correlacionades. L'error de distància preestablert s'ignora del valor real i, si l'error és més gran que ε(ε), les propietats del sòl el compensen. El model també redueix la complexitat de les dades d'entrenament a un subconjunt més ampli de vectors de suport. L'equació proposada per Vapnik51 es mostra a continuació.
on b representa el llindar escalar, \(K\left({x}_{,}{x}_{k}\right)\) representa la funció del nucli, \(\alpha\) representa el multiplicador de Lagrange, N representa un conjunt de dades numèriques, \({x}_{k}\) representa l'entrada de dades i \(y\) és la sortida de dades. Un dels nuclis clau utilitzats és l'operació SVMR, que és una funció de base radial gaussiana (RBF). El nucli RBF s'aplica per determinar el model SVMR òptim, que és crític per obtenir el factor de conjunt de penalització C més subtil i el paràmetre del nucli gamma (γ) per a les dades d'entrenament PTE. Primer, vam avaluar el conjunt d'entrenament i després vam provar el rendiment del model al conjunt de validació. El paràmetre de direcció utilitzat és sigma i el valor del mètode és svmRadial.
Un model de regressió lineal múltiple (MLR) és un model de regressió que representa la relació entre la variable de resposta i diverses variables predictores mitjançant paràmetres agrupats lineals calculats mitjançant el mètode dels mínims quadrats. En MLR, un model de mínims quadrats és una funció predictiva de les propietats del sòl després de la selecció de variables explicatives. Cal utilitzar la resposta per establir una relació lineal mitjançant variables explicatives. Es va utilitzar PTE com a variable de resposta per establir una relació lineal amb les variables explicatives. L'equació MLR és
on y és la variable de resposta, \(a\) és la intersecció amb el punt intersecció, n és el nombre de predictors, \({b}_{1}\) és la regressió parcial dels coeficients, \({x}_{i}\) representa una variable predictora o explicativa i \({\varepsilon }_{i}\) representa l'error del model, també conegut com a residual.
Es van obtenir models mixtos intercalant EBK amb SVMR i MLR. Això es fa extraient els valors predits de la interpolació EBK. Els valors predits obtinguts del Ca, K i Mg interpolats s'obtenen mitjançant un procés combinatori per obtenir noves variables, com ara CaK, CaMg i KMg. Els elements Ca, K i Mg es combinen per obtenir una quarta variable, CaKMg. En general, les variables obtingudes són Ca, K, Mg, CaK, CaMg, KMg i CaKMg. Aquestes variables es van convertir en els nostres predictors, ajudant a predir les concentracions de níquel en sòls urbans i periurbans. L'algoritme SVMR es va realitzar sobre els predictors per obtenir un model mixt de Kriging Bayesià Empíric-Màquina de Vectors de Suport (EBK_SVM). De la mateixa manera, les variables també es canalitzen a través de l'algoritme MLR per obtenir un model mixt de Kriging Bayesià Empíric-Regressió Lineal Múltiple (EBK_MLR). Normalment, les variables Ca, K, Mg, CaK, CaMg, KMg i CaKMg s'utilitzen com a covariables predictores del contingut de Ni en sòls urbans i periurbans. El model més acceptable obtingut (EBK_SVM o EBK_MLR) es visualitzarà mitjançant un graf autoorganitzat. El flux de treball d'aquest estudi es mostra a la Figura 2.
L'ús del SeOM s'ha convertit en una eina popular per organitzar, avaluar i preveure dades en el sector financer, la salut, la indústria, l'estadística, la ciència del sòl i més. El SeOM es crea mitjançant xarxes neuronals artificials i mètodes d'aprenentatge no supervisat per a l'organització, l'avaluació i la predicció. En aquest estudi, es va utilitzar el SeOM per visualitzar les concentracions de Ni basant-se en el millor model per predir el Ni en sòls urbans i periurbans. Les dades processades en l'avaluació del SeOM s'utilitzen com a variables vectorials d'entrada dimensionals n43,56. Melssen et al. La figura 57 descriu la connexió d'un vector d'entrada a una xarxa neuronal a través d'una única capa d'entrada a un vector de sortida amb un únic vector de pes. La sortida generada per SeOM és un mapa bidimensional que consisteix en diferents neurones o nodes teixits en mapes topològics hexagonals, circulars o quadrats segons la seva proximitat. En comparar les mides dels mapes basades en la mètrica, l'error de quantificació (QE) i l'error topogràfic (TE), es selecciona el model SeOM amb 0,086 i 0,904, respectivament, que és una unitat de 55 mapes (5 × 11). L'estructura de les neurones es determina segons el nombre de nodes de l'equació empírica.
El nombre de dades utilitzades en aquest estudi és de 115 mostres. Es va utilitzar un enfocament aleatori per dividir les dades en dades de prova (25% per a la validació) i conjunts de dades d'entrenament (75% per a la calibració). El conjunt de dades d'entrenament s'utilitza per generar el model de regressió (calibratge) i el conjunt de dades de prova s'utilitza per verificar la capacitat de generalització58. Això es va fer per avaluar l'adequació de diversos models per predir el contingut de níquel en sòls. Tots els models utilitzats van passar per un procés de validació creuada de deu vegades, repetit cinc vegades. Les variables produïdes per la interpolació EBK s'utilitzen com a predictors o variables explicatives per predir la variable objectiu (PTE). La modelització es gestiona a RStudio mitjançant els paquets library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") i libraries ("Metrics").
Es van utilitzar diversos paràmetres de validació per determinar el millor model adequat per predir concentracions de níquel al sòl i per avaluar la precisió del model i la seva validació. Els models d'hibridació es van avaluar mitjançant l'error absolut mitjà (MAE), l'error quadràtic mitjà (RMSE) i la determinació de R quadrat o coeficient (R2). R2 defineix la variància de les proporcions en la resposta, representada pel model de regressió. RMSE i la magnitud de la variància en mesures independents descriuen el poder predictiu del model, mentre que MAE determina el valor quantitatiu real. El valor R2 ha de ser alt per avaluar el millor model de barreja utilitzant els paràmetres de validació, com més a prop estigui el valor d'1, més alta serà la precisió. Segons Li et al. 59, un valor del criteri R2 de 0,75 o superior es considera un bon predictor; de 0,5 a 0,75 és un rendiment acceptable del model, i per sota de 0,5 és un rendiment inacceptable del model. Quan es selecciona un model utilitzant els mètodes d'avaluació dels criteris de validació RMSE i MAE, els valors més baixos obtinguts van ser suficients i es van considerar la millor opció. L'equació següent descriu el mètode de verificació.
on n representa la mida del valor observat\({Y}_{i}\) representa la resposta mesurada, i \({\widehat{Y}}_{i}\) també representa el valor de resposta predit, per tant, per a les primeres i observacions.
Les descripcions estadístiques de les variables predictores i de resposta es presenten a la Taula 1, que mostren la mitjana, la desviació estàndard (DE), el coeficient de variació (CV), el mínim, el màxim, la curtosi i l'asimetria. Els valors mínims i màxims dels elements estan en ordre decreixent de Mg < Ca < K < Ni i Ca < Mg < K < Ni, respectivament. Les concentracions de la variable de resposta (Ni) mostrejades de la zona d'estudi van oscil·lar entre 4,86 ​​i 42,39 mg/kg. La comparació de Ni amb la mitjana mundial (29 mg/kg) i la mitjana europea (37 mg/kg) va mostrar que la mitjana geomètrica global calculada per a la zona d'estudi estava dins del rang tolerable. No obstant això, tal com demostra Kabata-Pendias11, una comparació de la concentració mitjana de níquel (Ni) en l'estudi actual amb els sòls agrícoles de Suècia mostra que la concentració mitjana actual de níquel és més alta. De la mateixa manera, la concentració mitjana de Frydek Mistek en sòls urbans i periurbans en l'estudi actual (Ni 16,15 mg/kg) va ser més alta que la límit permès de 60 (10,2 mg/kg) per al Ni en sòls urbans polonesos reportat per Różański et al. A més, Bretzel i Calderisi61 van registrar concentracions mitjanes de Ni molt baixes (1,78 mg/kg) en sòls urbans a la Toscana en comparació amb l'estudi actual. Jim62 també va trobar una concentració de níquel més baixa (12,34 mg/kg) en sòls urbans de Hong Kong, que és inferior a la concentració actual de níquel en aquest estudi. Birke et al63 van reportar una concentració mitjana de Ni de 17,6 mg/kg en una antiga zona minera i industrial urbana a Saxònia-Anhalt, Alemanya, que era 1,45 mg/kg superior a la concentració mitjana de Ni a la zona (16,15 mg/kg). Recerca actual. L'excessiu contingut de níquel en sòls en algunes zones urbanes i suburbanes de la zona d'estudi es pot atribuir principalment a la indústria siderúrgica i a la indústria metal·lúrgica. Això és coherent amb l'estudi de Khodadoust et al. 64 que la indústria siderúrgica i la metal·lúrgia són les principals fonts de contaminació per níquel als sòls. Tanmateix, els predictors també van variar de 538,70 mg/kg a 69.161,80 mg/kg per al Ca, de 497,51 mg/kg a 3.535,68 mg/kg per al K i de 685,68 mg/kg a 5.970,05 mg/kg per al Mg. Jakovljevic et al. 65 van investigar el contingut total de Mg i K dels sòls del centre de Sèrbia. Van trobar que les concentracions totals (410 mg/kg i 400 mg/kg, respectivament) eren inferiors a les concentracions de Mg i K de l'estudi actual. De manera indistingible, a l'est de Polònia, Orzechowski i Smolczynski66 van avaluar el contingut total de Ca, Mg i K i van mostrar concentracions mitjanes de Ca (1100 mg/kg), Mg (590 mg/kg) i K (810 mg/kg). El contingut a la capa superior del sòl és inferior al de l'element individual en aquest estudi. Un estudi recent de Pongrac et al. 67 va mostrar que el contingut total de Ca analitzat en 3 sòls diferents a Escòcia, Regne Unit (sòl de Mylnefield, sòl de Balruddery i sòl de Hartwood) indicava un contingut de Ca més alt en aquest estudi.
A causa de les diferents concentracions mesurades dels elements mostrejats, les distribucions del conjunt de dades dels elements presenten una asimetria diferent. L'asimetria i la curtosi dels elements van oscil·lar entre 1,53 i 7,24 i entre 2,49 i 54,16, respectivament. Tots els elements calculats tenen nivells d'asimetria i curtosi superiors a +1, cosa que indica que la distribució de dades és irregular, asimetria en la direcció correcta i amb un pic. Els CV estimats dels elements també mostren que el K, el Mg i el Ni presenten una variabilitat moderada, mentre que el Ca té una variabilitat extremadament alta. Els CV del K, el Ni i el Mg expliquen la seva distribució uniforme. A més, la distribució del Ca no és uniforme i les fonts externes poden afectar el seu nivell d'enriquiment.
La correlació de les variables predictores amb els elements de resposta va indicar una correlació satisfactòria entre els elements (vegeu la Figura 3). La correlació va indicar que el CaK presentava una correlació moderada amb un valor r = 0,53, igual que el CaNi. Tot i que el Ca i el K mostren associacions modestes entre si, investigadors com Kingston et al. 68 i Santo69 suggereixen que els seus nivells al sòl són inversament proporcionals. Tanmateix, el Ca i el Mg són antagonistes del K, però el CaK es correlaciona bé. Això pot ser degut a l'aplicació de fertilitzants com el carbonat de potassi, que és un 56% més alt en el potassi. El potassi es va correlacionar moderadament amb el magnesi (KM r = 0,63). A la indústria dels fertilitzants, aquests dos elements estan estretament relacionats perquè el sulfat de potassi i magnesi, el nitrat de potassi i magnesi i la potassa s'apliquen als sòls per augmentar els seus nivells de deficiència. El níquel es correlaciona moderadament amb el Ca, el K i el Mg amb valors de r = 0,52, 0,63 i 0,55, respectivament. Les relacions que impliquen el calci, el magnesi i els PTE com el níquel són complexes, però, tanmateix, el magnesi inhibeix l'absorció de calci, el calci redueix els efectes de l'excés de magnesi i tant el magnesi com el calci redueixen els efectes tòxics del níquel al sòl.
Matriu de correlació per a elements que mostra la relació entre predictors i respostes (Nota: aquesta figura inclou un diagrama de dispersió entre elements, els nivells de significació es basen en p < 0,001).
La figura 4 il·lustra la distribució espacial dels elements. Segons Burgos et al.70, l'aplicació de la distribució espacial és una tècnica utilitzada per quantificar i destacar els punts crítics en zones contaminades. Els nivells d'enriquiment de Ca a la figura 4 es poden veure a la part nord-oest del mapa de distribució espacial. La figura mostra punts crítics d'enriquiment de Ca de moderat a alt. L'enriquiment de calci al nord-oest del mapa probablement es deu a l'ús de calç viva (òxid de calci) per reduir l'acidesa del sòl i al seu ús a les fàbriques d'acer com a oxigen alcalí en el procés de fabricació d'acer. D'altra banda, altres agricultors prefereixen utilitzar hidròxid de calci en sòls àcids per neutralitzar el pH, cosa que també augmenta el contingut de calci del sòl71. El potassi també mostra punts crítics al nord-oest i a l'est del mapa. El nord-oest és una important comunitat agrícola, i el patró de moderat a alt de potassi pot ser degut a aplicacions de NPK i potassa. Això és coherent amb altres estudis, com ara Madaras i Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, que van observar que l'estabilització del sòl i el tractament amb KCl i NPK van resultar en un alt contingut de K al sòl. L'enriquiment espacial de potassi al nord-oest del mapa de distribució pot ser degut a l'ús de fertilitzants a base de potassi com ara clorur de potassi, sulfat de potassi, nitrat de potassi, potassa i potassa per augmentar el contingut de potassi dels sòls pobres. Zádorová et al. 76 i Tlustoš et al. 77 va subratllar que l'aplicació de fertilitzants a base de K augmentava el contingut de K al sòl i augmentaria significativament el contingut de nutrients del sòl a la llarga, especialment el K i el Mg que mostren un punt calent al sòl. Punts calents relativament moderats al nord-oest del mapa i al sud-est del mapa. La fixació col·loïdal al sòl disminueix la concentració de magnesi al sòl. La seva manca al sòl fa que les plantes presentin una clorosi intervenal groguenca. Els fertilitzants a base de magnesi, com el sulfat de potassi i magnesi, el sulfat de magnesi i la kieserita, tracten les deficiències (les plantes apareixen de color porpra, vermell o marró, cosa que indica deficiència de magnesi) en sòls amb un rang de pH normal6. L'acumulació de níquel a les superfícies del sòl urbà i periurbà pot ser deguda a activitats antropogèniques com l'agricultura i la importància del níquel en la producció d'acer inoxidable78.
Distribució espacial dels elements [el mapa de distribució espacial es va crear amb ArcGIS Desktop (ESRI, Inc, versió 10.7, URL: https://desktop.arcgis.com).]
Els resultats de l'índex de rendiment del model per als elements utilitzats en aquest estudi es mostren a la Taula 2. D'altra banda, el RMSE i el MAE del Ni són propers a zero (0,86 RMSE, -0,08 MAE). D'altra banda, els valors de RMSE i MAE de K són acceptables. Els resultats de RMSE i MAE van ser més grans per al calci i el magnesi. Els resultats de Ca i K MAE i RMSE són més grans a causa dels diferents conjunts de dades. Es va trobar que el RMSE i el MAE d'aquest estudi que utilitza EBK per predir Ni eren millors que els resultats de John et al. 54 que utilitzaven kriging sinèrgic per predir concentracions de S al sòl utilitzant les mateixes dades recollides. Els resultats d'EBK que vam estudiar es correlacionen amb els de Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 i John et al. 82, especialment K i Ni.
El rendiment dels mètodes individuals per predir el contingut de níquel en sòls urbans i periurbans es va avaluar mitjançant el rendiment dels models (Taula 3). La validació del model i l'avaluació de la precisió van confirmar que el predictor de Ca_Mg_K combinat amb el model EBK SVMR va donar el millor rendiment. El model de calibratge Ca_Mg_K-EBK_SVMR R2, l'error quadràtic mitjà (RMSE) i l'error absolut mitjà (MAE) van ser 0,637 (R2), 95,479 mg/kg (RMSE) i 77,368 mg/kg (MAE). Ca_Mg_K-SVMR va ser 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). No obstant això, es van obtenir bons valors de R2 per a Ca_Mg_K-SVMR (0,663 mg/kg R2) i Ca_Mg-EBK_SVMR (0,643 = R2); els seus resultats de RMSE i MAE van ser superiors als de Ca_Mg_K-EBK_SVMR (R2 0,637) (vegeu la Taula 3). A més, l'RMSE i el MAE del model Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) són 17,5 i 13,4, respectivament, que són més grans que els del Ca_Mg_K-EBK_SVMR. De la mateixa manera, l'RMSE i el MAE del model Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) són 2,5 i 2,2 més grans que els del Ca_Mg_K-EBK_SVMR RMSE i MAE, respectivament. Els resultats de RMSE calculats indiquen com de concentrat està el conjunt de dades amb la línia de millor ajust. Es van observar valors més alts de RSME i MAE. Segons Kebonye et al. 46 i john et al. 54, com més a prop de zero estiguin l'RMSE i el MAE, millors seran els resultats. SVMR i EBK_SVMR tenen valors quantificats d'RSME i MAE més alts. Es va observar que les estimacions d'RSME eren constantment més altes que els valors de MAE, cosa que indica la presència de valors atípics. Segons Legates i McCabe83, es recomana la mesura en què l'RMSE supera l'error absolut mitjà (MAE) com a indicador de la presència de valors atípics. Això significa que com més heterogeni sigui el conjunt de dades, més alts seran els valors de MAE i RMSE. La precisió de l'avaluació de validació creuada del model mixt Ca_Mg_K-EBK_SVMR per predir el contingut de Ni en sòls urbans i suburbans va ser del 63,70%. Segons Li et al. 59, aquest nivell de precisió és una taxa de rendiment del model acceptable. Els resultats actuals es comparen amb un estudi previ de Tarasov et al. 36, el model híbrid del qual va crear MLPRK (Kriging Residual de Perceptrons Multicapa), relacionat amb l'índex d'avaluació de precisió EBK_SVMR reportat en l'estudi actual, RMSE (210) i MAE (167,5) va ser superior als nostres resultats en l'estudi actual (RMSE 95,479, MAE 77,368). Tanmateix, en comparar la R2 de l'estudi actual (0,637) amb la de Tarasov et al. 36 (0,544), és clar que el coeficient de determinació (R2) és més alt en aquest model mixt. El marge d'error (RMSE i MAE) (EBK SVMR) per al model mixt és dues vegades inferior. Així mateix, Sergeev et al.34 van registrar 0,28 (R2) per al model híbrid desenvolupat (Kriging Residual de Perceptró Multicapa), mentre que el Ni en l'estudi actual va registrar 0,637 (R2). El nivell de precisió de predicció d'aquest model (EBK SVMR) és del 63,7%, mentre que la precisió de predicció obtinguda per Sergeev et al.34 és del 28%. El mapa final (Fig. 5) creat utilitzant el model EBK_SVMR i Ca_Mg_K com a predictor mostra prediccions de punts calents i de moderat a níquel a tota l'àrea d'estudi. Això significa que la concentració de níquel a l'àrea d'estudi és principalment moderada, amb concentracions més altes en algunes àrees específiques.
El mapa de predicció final es representa utilitzant el model híbrid EBK_SVMR i utilitzant Ca_Mg_K com a predictor. [El mapa de distribució espacial es va crear utilitzant RStudio (versió 1.4.1717: https://www.rstudio.com/).]
A la Figura 6 es presenten les concentracions de PTE com un pla de composició que consisteix en neurones individuals. Cap dels plans components va exhibir el mateix patró de color que es mostra. Tanmateix, el nombre adequat de neurones per mapa dibuixat és 55. El SeOM es produeix utilitzant una varietat de colors, i com més similars siguin els patrons de color, més comparables seran les propietats de les mostres. Segons la seva escala de color precisa, els elements individuals (Ca, K i Mg) van mostrar patrons de color similars a les neurones individuals d'ordre alt i a la majoria de les neurones baixes. Per tant, el CaK i el CaMg comparteixen algunes similituds amb les neurones d'ordre molt alt i els patrons de color de baix a moderat. Ambdós models prediuen la concentració de Ni al sòl mostrant tons mitjans a alts de colors com el vermell, el taronja i el groc. El model KMg mostra molts patrons de color alt basats en proporcions precises i pegats de color de baixos a mitjans. En una escala de color precisa de baix a alt, el patró de distribució planar dels components del model va mostrar un patró de color alt que indica la concentració potencial de níquel al sòl (vegeu la Figura 4). El pla component del model CakMg mostra un patró de color divers de baix a alt segons un escala de color precisa. A més, la predicció del model del contingut de níquel (CakMg) és similar a la distribució espacial del níquel que es mostra a la Figura 5. Ambdós gràfics mostren proporcions altes, mitjanes i baixes de concentracions de níquel en sòls urbans i periurbans. La Figura 7 representa el mètode de contorn en l'agrupació k-means al mapa, dividit en tres clústers basats en el valor predit a cada model. El mètode de contorn representa el nombre òptim de clústers. De les 115 mostres de sòl recollides, la categoria 1 va obtenir la majoria de mostres de sòl, 74. El clúster 2 va rebre 33 mostres, mentre que el clúster 3 va rebre 8 mostres. La combinació de predictors planars de set components es va simplificar per permetre una interpretació correcta dels clústers. A causa dels nombrosos processos antropogènics i naturals que afecten la formació del sòl, és difícil tenir patrons de clústers correctament diferenciats en un mapa de SeOM distribuït78.
Sortida del pla de components per cada variable de la màquina de vectors de suport de kriging bayesià empíric (EBK_SVM_SeOM). Els mapes SeOM es van crear amb RStudio (versió 1.4.1717: https://www.rstudio.com/).
Diferents components de classificació de clústers [Els mapes SeOM es van crear amb RStudio (versió 1.4.1717: https://www.rstudio.com/).]
L'estudi actual il·lustra clarament les tècniques de modelització de les concentracions de níquel en sòls urbans i periurbans. L'estudi va provar diferents tècniques de modelització, combinant elements amb tècniques de modelització, per obtenir la millor manera de predir les concentracions de níquel al sòl. Les característiques espacials planars composicionals de SeOM de la tècnica de modelització van mostrar un patró de color alt de baix a alt en una escala de color precisa, indicant concentracions de Ni al sòl. Tanmateix, el mapa de distribució espacial confirma la distribució espacial planar dels components exhibits per EBK_SVMR (vegeu la Figura 5). Els resultats mostren que el model de regressió de màquina de vectors de suport (CaMgK-SVMR) prediu la concentració de Ni al sòl com un sol model, però els paràmetres d'avaluació de validació i precisió mostren errors molt elevats en termes de RMSE i MAE. D'altra banda, la tècnica de modelització emprada amb el model EBK_MLR també és defectuosa a causa del baix valor del coeficient de determinació (R2). Es van obtenir bons resultats utilitzant EBK SVMR i elements combinats (CaKMg) amb errors baixos de RMSE i MAE amb una precisió del 63,7%. Resulta que la combinació de l'algoritme EBK amb un aprenentatge automàtic L'algoritme pot generar un algoritme híbrid que pot predir la concentració de PTE al sòl. Els resultats mostren que l'ús de CaMgK com a predictors per predir les concentracions de Ni a la zona d'estudi pot millorar la predicció de Ni als sòls. Això significa que l'aplicació contínua de fertilitzants a base de níquel i la contaminació industrial del sòl per part de la indústria siderúrgica tendeix a augmentar la concentració de níquel al sòl. Aquest estudi va revelar que el model EBK pot reduir el nivell d'error i millorar la precisió del model de distribució espacial del sòl en sòls urbans o periurbans. En general, proposem aplicar el model EBK-SVMR per avaluar i predir PTE al sòl; a més, proposem utilitzar EBK per hibridar amb diversos algoritmes d'aprenentatge automàtic. Les concentracions de Ni es van predir utilitzant elements com a covariables; tanmateix, l'ús de més covariables milloraria considerablement el rendiment del model, cosa que es pot considerar una limitació del treball actual. Una altra limitació d'aquest estudi és que el nombre de conjunts de dades és de 115. Per tant, si es proporcionen més dades, es pot millorar el rendiment del mètode d'hibridació optimitzat proposat.
PlantProbs.net. Níquel a les plantes i al sòl https://plantprobs.net/plant/nutrientImbalances/sodium.html (Consultat el 28 d'abril de 2021).
Kasprzak, KS Avenços en la toxicologia ambiental moderna del níquel. Entorn. Toxicologia. 11, 145–183 (1987).
Cempel, M. i Nikel, G. Níquel: una revisió de les seves fonts i toxicologia ambiental. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. i Hutchinson, TC. Entrada de contaminants de l'atmosfera i acumulació al sòl i la vegetació prop d'una foneria de níquel-coure a Sudbury, Ontario, Canadà. can.J. Bot. 58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metalls pesants al sòl, a les plantes i riscos associats amb el pasturatge de remugants prop de la mina de coure-níquel de Selebi-Phikwe a Botswana. Entorn. Geoquímica. Salut https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias. Kabata-Pendias A. 2011. Oligoelements al sòl 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= (Consultat el 24 de novembre de 2020).
Almås, A., Singh, B., Agricultura, TS-NJ de & 1995, sense definir. Efectes de la indústria russa del níquel sobre les concentracions de metalls pesants en sòls agrícoles i herbes a Soer-Varanger, Noruega.agris.fao.org.
Nielsen, GD et al. L'absorció i retenció de níquel a l'aigua potable estan relacionades amb la ingesta d'aliments i la sensibilitat al níquel. Toxicologia. Aplicació. Farmacodinàmica. 154, 67–75 (1999).
Costa, M. i Klein, CB Carcinogènesi, mutació, epigenètica o selecció del níquel. Entorn. Perspectiva de salut. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​NM; Anàlisi de tendències d'elements potencialment tòxics: una revisió bibliomètrica. Geoquímica ambiental i salut. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. i McBratney, AB. Cartografia digital del sòl: una breu història i algunes lliçons. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Modelització geoestadística de reservoris,… – 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= (Consultat el 28 d'abril de 2021).