Salamat sa pagbisita sa Nature.com. Ang bersyon sa browser nga imong gigamit adunay limitado nga suporta para sa CSS. Para sa pinakamaayong kasinatian, among girekomendar nga mogamit ka og updated nga browser (o i-off ang compatibility mode sa Internet Explorer). Samtang, aron masiguro ang padayon nga suporta, among ipakita ang site nga walay mga style ug JavaScript.
Ang polusyon sa yuta usa ka dakong problema nga gipahinabo sa mga kalihokan sa tawo. Ang spatial distribution sa mga potentially toxic elements (PTEs) managlahi sa kadaghanan sa mga urban ug peri-urban nga mga lugar. Busa, lisod ang spatial nga pagtagna sa sulod sa PTEs sa maong mga yuta. Usa ka total nga 115 ka mga sample ang nakuha gikan sa Frydek Mistek sa Czech Republic. Ang calcium (Ca), magnesium (Mg), potassium (K) ug nickel (Ni) nga konsentrasyon gitino gamit ang inductively coupled plasma emission spectrometry. Ang response variable mao ang Ni ug ang mga predictor mao ang Ca, Mg, ug K. Ang correlation matrix tali sa response variable ug sa predictor variable nagpakita og makatagbaw nga correlation tali sa mga elemento. Ang mga resulta sa prediksyon nagpakita nga ang Support Vector Machine Regression (SVMR) maayo ang performance, bisan pa ang gibanabana nga root mean square error (RMSE) (235.974 mg/kg) ug mean absolute error (MAE) (166.946 mg/kg) mas taas kay sa ubang mga pamaagi nga gigamit. Ang mga mixed model para sa Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) dili maayo ang performance, sama sa gipamatud-an. pinaagi sa mga coefficient sa determinasyon nga ubos sa 0.1. Ang Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) nga modelo mao ang pinakamaayong modelo, nga adunay ubos nga RMSE (95.479 mg/kg) ug MAE (77.368 mg/kg) nga mga kantidad ug taas nga coefficient sa determinasyon (R2 = 0.637). Ang output sa teknik sa pagmodelo sa EBK-SVMR gipakita gamit ang usa ka self-organizing map. Ang mga clustered neuron sa plane sa hybrid model nga CakMg-EBK-SVMR component nagpakita og daghang mga pattern sa kolor nga nagtagna sa konsentrasyon sa Ni sa mga yuta sa kasyudaran ug peri-urban. Ang mga resulta nagpakita nga ang paghiusa sa EBK ug SVMR usa ka epektibo nga teknik sa pagtagna sa konsentrasyon sa Ni sa mga yuta sa kasyudaran ug peri-urban.
Ang Nickel (Ni) giisip nga usa ka micronutrient para sa mga tanom tungod kay kini makatampo sa atmospheric nitrogen fixation (N) ug urea metabolism, nga parehong gikinahanglan para sa pagtubo sa liso. Gawas pa sa kontribusyon niini sa pagtubo sa liso, ang Ni mahimong molihok isip fungal ug bacterial inhibitor ug makapalambo sa paglambo sa tanom. Ang kakulang sa nickel sa yuta nagtugot sa tanom nga masuhop kini, nga moresulta sa chlorosis sa mga dahon. Pananglitan, ang mga cowpeas ug green beans nanginahanglan og nickel-based fertilizers aron ma-optimize ang nitrogen fixation2. Ang padayon nga paggamit sa nickel-based fertilizers aron mapauswag ang yuta ug madugangan ang abilidad sa mga legumes sa pag-ayo sa nitroheno sa yuta padayon nga nagdugang sa konsentrasyon sa nickel sa yuta. Bisan tuod ang nickel usa ka micronutrient para sa mga tanom, ang sobra nga pag-inom niini sa yuta makadaot kay sa makaayo. Ang toxicity sa nickel sa yuta makapakunhod sa pH sa yuta ug makababag sa pagsuhop sa iron isip usa ka importanteng nutrient para sa pagtubo sa tanom1. Sumala ni Liu3, ang Ni nakit-an nga ika-17 nga importanteng elemento nga gikinahanglan para sa paglambo ug pagtubo sa tanom. Gawas pa sa papel sa nickel sa paglambo ug pagtubo sa tanom, ang mga tawo nagkinahanglan niini para sa lain-laing mga aplikasyon. Ang electroplating, ang produksyon sa nickel-based Ang mga haluang metal, ug ang paggama sa mga ignition device ug spark plug sa industriya sa automotive tanan nanginahanglan sa paggamit sa nickel sa lainlaing mga sektor sa industriya. Dugang pa, ang mga nickel-based alloy ug mga electroplated nga artikulo kaylap nga gigamit sa mga gamit sa kusina, mga aksesorya sa ballroom, mga suplay sa industriya sa pagkaon, elektrikal, alambre ug kable, mga jet turbine, mga surgical implants, mga tela, ug paghimo og barko5. Ang lebel sa Ni-rich sa mga yuta (ie, mga yuta sa ibabaw) gipahinungod sa parehong anthropogenic ug natural nga mga gigikanan, apan panguna, ang Ni usa ka natural nga gigikanan kaysa anthropogenic4,6. Ang natural nga mga gigikanan sa nickel naglakip sa pagbuto sa bulkan, mga tanom, mga sunog sa kalasangan, ug mga proseso sa geolohiya; bisan pa, ang mga gigikanan sa anthropogenic naglakip sa mga baterya sa nickel/cadmium sa industriya sa asero, electroplating, arc welding, diesel ug fuel oil, ug mga emisyon sa atmospera gikan sa pagkasunog sa karbon ug pagsunog sa basura ug sludge. Pagtipon sa nickel7,8. Sumala ni Freedman ug Hutchinson9 ug Manyiwa et al. 10, ang mga nag-unang tinubdan sa polusyon sa ibabaw nga yuta sa duol ug kasikbit nga palibot kasagaran mga smelter ug minahan nga nakabase sa nickel-copper. Ang ibabaw nga yuta sa palibot sa Sudbury nickel-copper refinery sa Canada adunay labing taas nga lebel sa kontaminasyon sa nickel nga 26,000 mg/kg11. Sa kasukwahi, ang polusyon gikan sa produksiyon sa nickel sa Russia miresulta sa mas taas nga konsentrasyon sa nickel sa yuta sa Norway11. Sumala ni Alms et al. 12, ang gidaghanon sa HNO3-extractable nickel sa kinatas-ang yuta nga maarado sa rehiyon (produksyon sa nickel sa Russia) gikan sa 6.25 ngadto sa 136.88 mg/kg, nga katumbas sa aberids nga 30.43 mg/kg ug baseline concentration nga 25 mg/kg. Sumala sa kabata 11, ang paggamit sa phosphorus fertilizers sa mga yuta sa agrikultura sa mga yuta sa kasyudaran o peri-urban atol sa sunod-sunod nga mga panahon sa pagpananom mahimong makapasulod o makahugaw sa yuta. Ang posibleng epekto sa nickel sa mga tawo mahimong mosangpot sa kanser pinaagi sa mutagenesis, kadaot sa chromosome, pagmugna og Z-DNA, pag-ayo sa DNA excision nga nababagan, o mga proseso sa epigenetic.13 Sa mga eksperimento sa hayop, ang nickel nakit-an nga adunay potensyal nga hinungdan sa lainlaing mga tumor, ug ang mga carcinogenic nickel complex mahimong mograbe sa maong mga tumor.
Ang mga pagtimbang-timbang sa kontaminasyon sa yuta milambo karong bag-o tungod sa daghang mga isyu nga may kalabotan sa kahimsog nga naggikan sa mga relasyon sa yuta-tanom, biolohikal nga relasyon sa yuta ug yuta, pagkadaot sa ekolohiya, ug pagtimbang-timbang sa epekto sa kalikopan. Hangtod karon, ang spatial prediction sa mga potensyal nga makahilo nga elemento (PTE) sama sa Ni sa yuta lisud ug makagugol sa oras gamit ang tradisyonal nga mga pamaagi. Ang pag-abot sa digital soil mapping (DSM) ug ang kasamtangang kalampusan niini15 nakapauswag pag-ayo sa predictive soil mapping (PSM). Sumala ni Minasny ug McBratney16, ang predictive soil mapping (DSM) napamatud-an nga usa ka prominenteng subdisiplina sa siyensya sa yuta. Si Lagacherie ug McBratney, 2006 naghubit sa DSM isip "ang paghimo ug pagpuno sa spatial soil information systems pinaagi sa paggamit sa in situ ug laboratory observational methods ug spatial ug non-spatial soil inference systems". McBratney et al. 17 naglatid nga ang kontemporaryong DSM o PSM mao ang labing epektibo nga teknik sa pagtagna o pagmapa sa spatial distribution sa mga PTE, mga tipo sa yuta ug mga kabtangan sa yuta. Ang Geostatistics ug Machine Learning Algorithms (MLA) mga teknik sa pagmodelo sa DSM nga nagmugna og mga digitized nga mapa sa tabang sa mga kompyuter gamit ang hinungdanon ug gamay nga datos.
Gihubit ni Deutsch18 ug Olea19 ang geostatistics isip "ang koleksyon sa mga numerical nga teknik nga naghisgot sa representasyon sa mga spatial attributes, labi na gamit ang stochastic models, sama sa kung giunsa sa time series analysis ang pag-ila sa temporal data." Sa panguna, ang geostatistics naglambigit sa ebalwasyon sa mga variograms, nga nagtugot sa pag-kwantipika ug paghubit sa mga dependency sa spatial values ​​​​gikan sa matag dataset20. Dugang nga gipakita ni Gumiaux et al. 20 nga ang ebalwasyon sa mga variograms sa geostatistics gibase sa tulo ka mga prinsipyo, lakip ang (a) pagkwenta sa sukod sa data correlation, (b) pag-ila ug pagkwenta sa anisotropy sa dataset disparity ug (c) dugang pa sa. Gawas pa sa pagkonsiderar sa inherent error sa data sa pagsukod nga gibulag gikan sa lokal nga mga epekto, ang mga epekto sa lugar gibanabana usab. Base niining mga konsepto, daghang mga teknik sa interpolation ang gigamit sa geostatistics, lakip ang general kriging, co-kriging, ordinary kriging, empirical Bayesian kriging, simple kriging method ug uban pang nailhan nga mga teknik sa interpolation aron ma-mapa o matagna ang PTE, mga kinaiya sa yuta, ug mga tipo sa yuta.
Ang Machine Learning Algorithms (MLA) usa ka medyo bag-ong teknik nga naggamit ug mas dagkong non-linear data classes, nga gipadagan sa mga algorithm nga panguna nga gigamit alang sa data mining, pag-ila sa mga pattern sa datos, ug balik-balik nga gigamit sa klasipikasyon sa mga siyentipikong natad sama sa soil science ug return task. Daghang mga research paper ang nagsalig sa mga modelo sa MLA aron matagna ang PTE sa mga yuta, sama sa Tan et al. 22 (random forests para sa pagbanabana sa heavy metal sa mga yuta sa agrikultura), Sakizadeh et al. 23 (modelling gamit ang support vector machines ug artificial neural networks) polusyon sa yuta). Dugang pa, si Vega et al. 24 (CART para sa pagmodelo sa heavy metal retention ug adsorption sa yuta) Sun et al. 25 (ang aplikasyon sa cubist mao ang distribusyon sa Cd sa yuta) ug uban pang mga algorithm sama sa k-nearest neighbor, generalized boosted regression, ug boosted regression. Ang mga Tree naggamit usab sa MLA aron matagna ang PTE sa yuta.
Ang paggamit sa mga algorithm sa DSM sa prediksyon o pagmapa nag-atubang og daghang mga hagit. Daghang mga awtor ang nagtuo nga ang MLA mas maayo kay sa geostatistics ug vice versa. Bisan kung ang usa mas maayo kaysa sa lain, ang kombinasyon sa duha nagpauswag sa lebel sa katukma sa pagmapa o prediksyon sa DSM15. Si Woodcock ug Gopal26 Finke27; Pontius ug Cheuk28 ug Grunwald29 nagkomento sa mga kakulangan ug pipila ka mga sayup sa gitagna nga pagmapa sa yuta. Ang mga siyentista sa yuta misulay sa lainlaing mga teknik aron ma-optimize ang kaepektibo, katukma, ug pagkatag-an sa pagmapa ug pagtagna sa DSM. Ang kombinasyon sa kawalay kasiguruhan ug pag-verify usa sa daghang lainlaing mga aspeto nga gihiusa sa DSM aron ma-optimize ang kaepektibo ug makunhuran ang mga depekto. Bisan pa, si Agyeman et al. 15 naglatid nga ang pamatasan sa pag-validate ug kawalay kasiguruhan nga gipaila sa paghimo ug prediksyon sa mapa kinahanglan nga independente nga balido aron mapauswag ang kalidad sa mapa. Ang mga limitasyon sa DSM tungod sa kalidad sa yuta nga nagkatibulaag sa heyograpiya, nga naglambigit sa usa ka sangkap sa kawalay kasiguruhan; Apan, ang kakulang sa kasiguroan sa DSM mahimong motumaw gikan sa daghang tinubdan sa sayop, nga mao ang covariate error, model error, location error, ug analytical Error 31. Ang mga sayop sa pagmodelo nga gipahinabo sa MLA ug geostatistical nga mga proseso nalangkit sa kakulang sa pagsabot, nga sa katapusan mosangpot sa sobra nga pagpasimple sa tinuod nga proseso32. Bisan unsa pa ang kinaiya sa pagmodelo, ang mga sayop mahimong ikapasangil sa mga parameter sa pagmodelo, mga prediksyon sa mathematical model, o interpolation33. Bag-ohay lang, usa ka bag-ong uso sa DSM ang mitumaw nga nagpasiugda sa paghiusa sa geostatistics ug MLA sa pagmapa ug pagtagna. Daghang mga siyentista sa yuta ug mga awtor, sama nila ni Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 ug Tarasov et al. 37 ang nagpahimulos sa tukma nga kalidad sa geostatistics ug machine learning aron makamugna og hybrid models nga makapauswag sa kahusayan sa pagtagna ug pagmapa. kalidad. Ang uban niining mga hybrid o combined algorithm model mao ang Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 ug Co-Kriging ug Gaussian Process Regression38.
Sumala ni Sergeev et al., ang paghiusa sa lain-laing mga teknik sa pagmodelo adunay potensyal sa pagwagtang sa mga depekto ug pagdugang sa kahusayan sa resulta nga hybrid model imbes nga pagpalambo sa usa ka single model niini. Niini nga konteksto, kini nga bag-ong papel nangatarungan nga gikinahanglan ang paggamit sa usa ka hiniusa nga algorithm sa geostatistics ug MLA aron makahimo og labing maayo nga hybrid models aron matagna ang Ni enrichment sa mga urban ug peri-urban nga mga lugar. Kini nga pagtuon mosalig sa Empirical Bayesian Kriging (EBK) isip base model ug isagol kini sa Support Vector Machine (SVM) ug Multiple Linear Regression (MLR) nga mga modelo. Ang Hybridization sa EBK sa bisan unsang MLA wala mahibal-i. Ang daghang mixed models nga nakita mao ang mga kombinasyon sa ordinary, residual, regression kriging, ug MLA. Ang EBK usa ka geostatistical interpolation method nga naggamit sa usa ka spatially stochastic process nga gi-localize isip usa ka non-stationary/stationary random field nga adunay gihubit nga localization parameters sa field, nga nagtugot sa spatial variation39. Ang EBK gigamit sa lain-laing mga pagtuon, lakip ang pag-analisar sa distribusyon sa organic carbon sa mga yuta sa umahan40, pagtimbang-timbang sa polusyon sa yuta41 ug pagmapa sa yuta. mga kabtangan42.
Sa laing bahin, ang Self-Organizing Graph (SeOM) usa ka learning algorithm nga gigamit sa nagkalain-laing mga artikulo sama nila ni Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 ug Kebonye et al.46. Tinoa ang spatial attributes ug paggrupo sa mga elemento. Gipasabot ni Wang et al. 44 nga ang SeOM usa ka gamhanang teknik sa pagkat-on nga nailhan tungod sa abilidad niini sa paggrupo ug paghanduraw sa mga non-linear nga problema. Dili sama sa ubang mga teknik sa pag-ila sa pattern sama sa principal component analysis, fuzzy clustering, hierarchical clustering, ug multi-criteria decision making, ang SeOM mas maayo sa pag-organisar ug pag-ila sa mga PTE pattern. Sumala ni Wang et al. 44, ang SeOM makahimo sa spatial nga paggrupo sa distribusyon sa mga may kalabutan nga neuron ug makahatag og high-resolution data visualization. I-visualize sa SeOM ang Ni prediction data aron makuha ang pinakamaayong modelo aron mailhan ang mga resulta alang sa direktang interpretasyon.
Kini nga papel nagtumong sa pagmugna og usa ka lig-on nga modelo sa pagmapa nga adunay labing maayo nga katukma alang sa pagtagna sa sulud sa nickel sa mga yuta sa kasyudaran ug peri-urban. Among gihunahuna nga ang kasaligan sa gisagol nga modelo nagdepende sa impluwensya sa ubang mga modelo nga gilakip sa base model. Giila namo ang mga hagit nga giatubang sa DSM, ug samtang kini nga mga hagit gitubag sa daghang mga natad, ang kombinasyon sa mga pag-uswag sa geostatistics ug mga modelo sa MLA daw inanay; busa, among sulayan nga tubagon ang mga pangutana sa panukiduki nga mahimong moresulta sa gisagol nga mga modelo. Bisan pa, unsa ka tukma ang modelo sa pagtagna sa target nga elemento? Usab, unsa ang lebel sa pagtimbang-timbang sa kahusayan base sa pag-validate ug pagtimbang-timbang sa katukma? Busa, ang piho nga mga katuyoan niini nga pagtuon mao ang (a) paghimo og usa ka gihiusang modelo sa pagsagol alang sa SVMR o MLR gamit ang EBK isip base model, (b) pagtandi sa mga resulta nga modelo (c) pagsugyot sa labing kaayo nga modelo sa pagsagol alang sa pagtagna sa mga konsentrasyon sa Ni sa mga yuta sa kasyudaran o peri-urban, ug (d) ang aplikasyon sa SeOM aron makahimo og usa ka high-resolution nga mapa sa spatial variation sa nickel.
Ang pagtuon gihimo sa Czech Republic, ilabi na sa distrito sa Frydek Mistek sa rehiyon sa Moravia-Silesian (tan-awa ang Figure 1). Ang heyograpiya sa lugar nga gitun-an kay batoon kaayo ug kasagaran kabahin sa rehiyon sa Moravia-Silesian Beskidy, nga kabahin sa gawas nga ngilit sa Carpathian Mountains. Ang lugar nga gitun-an nahimutang tali sa 49° 41′ 0′ N ug 18° 20′ 0′ E, ug ang gihabogon tali sa 225 ug 327 m; Apan, ang sistema sa klasipikasyon sa Koppen para sa klima sa rehiyon gi-rate nga Cfb = temperate oceanic climate. Daghan ang ulan bisan sa mga bulan nga uga. Ang temperatura gamay nga magkalahi sa tibuok tuig tali sa −5 °C ug 24 °C, talagsa ra mahulog ubos sa −14 °C o labaw sa 30 °C, samtang ang aberids nga tinuig nga ulan tali sa 685 ug 752 mm47. Ang gibanabana nga lugar sa survey sa tibuok lugar kay 1,208 kilometro kwadrado, nga adunay 39.38% sa gitikad nga yuta ug 49.36% sa kalasangan. Sa laing bahin, ang lugar nga gigamit niini nga pagtuon kay mga 889.8 kilometro kwadrado. Sa ug sa palibot sa Ostrava, ang industriya sa asero ug mga metal works aktibo kaayo. Ang mga metal mill, ang industriya sa asero diin ang nickel gigamit sa stainless steels (pananglitan para sa resistensya sa atmospheric corrosion) ug alloy steels (ang nickel nagdugang sa kusog sa alloy samtang gipadayon ang maayo nga ductility ug toughness), ug ang intensive agriculture sama sa phosphate fertilizer application ug livestock production kay mga potensyal nga tinubdan sa nickel sa panukiduki. rehiyon (pananglitan, pagdugang og nickel sa mga karnero aron madugangan ang pagtubo sa mga karnero ug mga baka nga kulang sa pagkaon). Ang ubang gamit sa industriya sa nickel sa mga lugar sa panukiduki naglakip sa paggamit niini sa electroplating, lakip ang electroplating nickel ug electroless nickel plating processes. Ang mga kabtangan sa yuta dali nga mailhan gikan sa kolor sa yuta, istruktura, ug carbonate content. Ang tekstura sa yuta kay medium ngadto sa pino, nga gikan sa ginikanan nga materyal. Kini mga colluvial, alluvial o aeolian sa kinaiya. Ang ubang mga lugar sa yuta makita nga may mga mottled sa ibabaw ug ilalom sa yuta, kasagaran adunay konkreto ug bleaching. Bisan pa, ang mga cambisol ug stagnosol mao ang labing komon nga mga tipo sa yuta sa rehiyon.48. Nga adunay mga elevation gikan sa 455.1 hangtod 493.5 m, ang mga cambisol ang nagdominar sa Czech Republic.49.
Mapa sa lugar nga gitun-an [Ang mapa sa lugar nga gitun-an gihimo gamit ang ArcGIS Desktop (ESRI, Inc, bersyon 10.7, URL: https://desktop.arcgis.com).]
Usa ka kinatibuk-an nga 115 ka mga sample sa topsoil ang nakuha gikan sa mga yuta sa kasyudaran ug peri-urban sa distrito sa Frydek Mistek. Ang sample pattern nga gigamit usa ka regular nga grid nga adunay mga sample sa yuta nga gibutangan og 2 × 2 km ang gilay-on, ug ang topsoil gisukod sa giladmon nga 0 hangtod 20 cm gamit ang usa ka handheld GPS device (Leica Zeno 5 GPS). Ang mga sample giputos sa mga Ziploc bag, gimarkahan og maayo, ug gipadala sa laboratoryo. Ang mga sample gipauga sa hangin aron makahimo og mga pulverized nga sample, gipulverize sa usa ka mekanikal nga sistema (Fritsch disc mill), ug gisala (gidak-on sa sieve 2 mm). Ibutang ang 1 gramo sa uga, homogenized ug gisala nga mga sample sa yuta sa mga botelya nga teflon nga klaro nga gimarkahan. Sa matag sudlanan nga Teflon, ibutang ang 7 ml nga 35% HCl ug 3 ml nga 65% HNO3 (gamit ang usa ka awtomatik nga dispenser - usa alang sa matag acid), tabuni og gamay ug pasagdi ang mga sample nga mobarog sa tibuok gabii alang sa reaksyon (aqua regia program). Ibutang ang supernatant sa usa ka init nga metal plate (temperatura: 100 W ug (160 °C) sulod sa 2 ka oras aron mapadali ang proseso sa paghilis sa mga sample, dayon pabugnawa. Ibalhin ang supernatant ngadto sa 50 ml nga volumetric flask ug tunawon ngadto sa 50 ml gamit ang deionized nga tubig. Pagkahuman niana, salaa ang diluted supernatant ngadto sa 50 ml nga PVC tube nga adunay deionized nga tubig. Dugang pa, 1 ml sa dilution solution ang lasaw sa 9 ml nga deionized nga tubig ug salaon ngadto sa 12 ml nga tube nga giandam alang sa PTE pseudo-concentration. Ang mga konsentrasyon sa PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) gitino pinaagi sa ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) sumala sa standard nga mga pamaagi ug kasabutan. Siguruha ang mga pamaagi sa Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil). Ang mga PTE nga adunay mga limitasyon sa detection nga ubos sa katunga wala gilakip niini nga pagtuon. Ang limitasyon sa detection sa PTE nga gigamit niini nga pagtuon mao ang 0.0004.(ikaw).Dugang pa, ang proseso sa pagkontrol sa kalidad ug pagsiguro sa kalidad alang sa matag pag-analisar giseguro pinaagi sa pag-analisar sa mga sumbanan sa pakisayran.Aron masiguro nga ang mga sayop maminusan, usa ka doble nga pag-analisar ang gihimo.
Ang Empirical Bayesian Kriging (EBK) usa sa daghang geostatistical interpolation techniques nga gigamit sa pagmodelo sa lain-laing mga natad sama sa soil science. Dili sama sa ubang kriging interpolation techniques, ang EBK lahi sa tradisyonal nga kriging methods pinaagi sa pagkonsiderar sa error nga gibanabana sa semivariogram model. Sa EBK interpolation, daghang semivariogram models ang gikompyut atol sa interpolation, imbes nga usa ka semivariogram. Ang interpolation techniques naghatag og dalan alang sa kawalay kasiguroan ug programming nga nalangkit niining plotting sa semivariogram nga naglangkob sa usa ka komplikado nga bahin sa usa ka igo nga kriging method. Ang proseso sa interpolation sa EBK nagsunod sa tulo ka criteria nga gisugyot ni Krivoruchko50, (a) ang modelo nagbanabana sa semivariogram gikan sa input dataset (b) ang bag-ong gitagna nga bili alang sa matag lokasyon sa input dataset base sa namugna nga semivariogram ug (c) ang katapusang A model gikompyut gikan sa usa ka simulated dataset. Ang Bayesian equation rule gihatag isip posterior
Diin ang \(Prob\left(A\right)\) nagrepresentar sa prior, ang \(Prob\left(B\right)\) marginal probability wala tagda sa kadaghanang mga kaso, \(Prob (B,A)\). Ang kalkulasyon sa semivariogram gibase sa lagda ni Bayes, nga nagpakita sa posibilidad sa mga dataset sa obserbasyon nga mahimong mahimo gikan sa mga semivariogram. Ang bili sa semivariogram dayon gitino gamit ang lagda ni Bayes, nga nag-ingon kung unsa ka lagmit ang paghimo og dataset sa mga obserbasyon gikan sa semivariogram.
Ang support vector machine usa ka machine learning algorithm nga nagmugna og optimal separating hyperplane aron mailhan ang managsama apan dili linearly independent nga mga klase. Gihimo ni Vapnik51 ang intent classification algorithm, apan bag-o lang kini gigamit sa pagsulbad sa mga problema nga naka-orient sa regression. Sumala ni Li et al.52, ang SVM usa sa labing maayo nga mga teknik sa classifier ug gigamit sa lainlaing mga natad. Ang regression component sa SVM (Support Vector Machine Regression – SVMR) gigamit niini nga pag-analisa. Gisugdan nila ni Cherkassky ug ​​Mulier53 ang SVMR isip usa ka kernel-based regression, ang pagkwenta niini gihimo gamit ang linear regression model nga adunay multi-country spatial functions. Gi-report ni John et al.54 nga ang SVMR modeling naggamit sa hyperplane linear regression, nga nagmugna og nonlinear nga mga relasyon ug nagtugot sa spatial functions. Sumala ni Vohland et al. Sa 55, ang epsilon (ε)-SVMR naggamit sa nabansay nga dataset aron makakuha og representation model isip usa ka epsilon-insensitive function nga gigamit aron i-map ang data nga independente gamit ang pinakamaayong epsilon bias gikan sa training sa correlated data. Ang preset distance error wala tagda gikan sa aktuwal nga bili, ug kung ang error mas dako kay sa ε(ε), ang soil properties mo-compensate niini. Ang modelo nagpamenos usab sa pagkakomplikado sa training data ngadto sa mas lapad nga subset sa support vectors. Ang equation nga gisugyot ni Vapnik51 gipakita sa ubos.
diin ang b nagrepresentar sa scalar threshold, ang \(K\left({x}_{,}{ x}_{k}\right)\) nagrepresentar sa kernel function, ang \(\alpha\) nagrepresentar sa Lagrange multiplier, ang N nagrepresentar sa numeric dataset, ang \({x}_{k}\) nagrepresentar sa data input, ug ang \(y\) mao ang data output. Usa sa mga importanteng kernel nga gigamit mao ang SVMR operation, nga usa ka Gaussian radial basis function (RBF). Ang RBF kernel gigamit aron mahibal-an ang optimal SVMR model, nga kritikal aron makuha ang labing maliputon nga penalty set factor C ug kernel parameter gamma (γ) para sa PTE training data. Una, among gisusi ang training set ug dayon gisulayan ang performance sa modelo sa validation set. Ang steering parameter nga gigamit mao ang sigma ug ang method value mao ang svmRadial.
Ang multiple linear regression model (MLR) usa ka regression model nga nagrepresentar sa relasyon tali sa response variable ug sa pipila ka predictor variables gamit ang linear pooled parameters nga gikalkulo gamit ang least squares method. Sa MLR, ang least squares model usa ka predictive function sa soil properties human sa pagpili sa explanatory variables. Kinahanglan gamiton ang tubag aron makatukod og linear relationship gamit ang explanatory variables. Ang PTE gigamit isip response variable aron makatukod og linear relationship uban sa explanatory variables. Ang MLR equation kay
diin ang y mao ang response variable, ang \(a\) mao ang intercept, ang n mao ang gidaghanon sa mga predictor, ang \({b}_{1}\) mao ang partial regression sa mga coefficients, ang \({x}_{ i}\) nagrepresentar sa usa ka predictor o explanatory variable, ug ang \({\varepsilon }_{i}\) nagrepresentar sa error sa modelo, nailhan usab nga residual.
Ang sinagol nga mga modelo nakuha pinaagi sa pag-sandwich sa EBK sa SVMR ug MLR. Kini gihimo pinaagi sa pagkuha sa gitagna nga mga kantidad gikan sa interpolation sa EBK. Ang gitagna nga mga kantidad nga nakuha gikan sa interpolated nga Ca, K, ug Mg makuha pinaagi sa usa ka combinatorial nga proseso aron makakuha og bag-ong mga variable, sama sa CaK, CaMg, ug KMg. Ang mga elemento nga Ca, K ug Mg gihiusa dayon aron makakuha og ikaupat nga variable, ang CaKMg. Sa kinatibuk-an, ang mga variable nga nakuha mao ang Ca, K, Mg, CaK, CaMg, KMg ug CaKMg. Kini nga mga variable nahimo namong mga predictor, nga nakatabang sa pagtagna sa konsentrasyon sa nickel sa mga yuta sa kasyudaran ug peri-urban. Ang algorithm sa SVMR gihimo sa mga predictor aron makakuha og sinagol nga modelo nga Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Sa susama, ang mga variable gi-pipe usab pinaagi sa algorithm sa MLR aron makakuha og sinagol nga modelo nga Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Kasagaran, ang mga variable nga Ca, K, Mg, Ang CaK, CaMg, KMg, ug CaKMg gigamit isip mga covariate isip mga predictor sa sulod sa Ni sa mga yuta sa kasyudaran ug peri-urban. Ang labing madawat nga modelo nga nakuha (EBK_SVM o EBK_MLR) ipakita dayon gamit ang usa ka self-organizing graph. Ang workflow niini nga pagtuon gipakita sa Figure 2.
Ang paggamit sa SeOM nahimong usa ka sikat nga himan alang sa pag-organisar, pagtimbang-timbang, ug pagtagna sa datos sa sektor sa pinansyal, pag-atiman sa panglawas, industriya, estadistika, siyensya sa yuta, ug uban pa. Ang SeOM gihimo gamit ang artipisyal nga neural network ug wala’y superbisyon nga mga pamaagi sa pagkat-on alang sa organisasyon, ebalwasyon, ug prediksyon. Niini nga pagtuon, gigamit ang SeOM aron ma-visualize ang mga konsentrasyon sa Ni base sa labing kaayo nga modelo alang sa pagtagna sa Ni sa mga yuta sa kasyudaran ug peri-urban. Ang datos nga giproseso sa ebalwasyon sa SeOM gigamit isip n input-dimensional vector variables43,56. Melssen et al. 57 naghulagway sa koneksyon sa usa ka input vector ngadto sa usa ka neural network pinaagi sa usa ka input layer ngadto sa usa ka output vector nga adunay usa ka weight vector. Ang output nga namugna sa SeOM usa ka two-dimensional nga mapa nga gilangkoban sa lain-laing mga neuron o node nga gihabol ngadto sa hexagonal, circular, o square topological maps sumala sa ilang kaduol. Sa pagtandi sa mga gidak-on sa mapa base sa metric, quantization error (QE) ug topographic error (TE), ang SeOM model nga adunay 0.086 ug 0.904, matag usa, gipili, nga usa ka 55-map unit (5 × 11). Ang istruktura sa neuron gitino sumala sa gidaghanon sa mga node sa empirical equation.
Ang gidaghanon sa datos nga gigamit niini nga pagtuon kay 115 ka mga sample. Usa ka random nga pamaagi ang gigamit aron bahinon ang datos ngadto sa test data (25% para sa validation) ug training data sets (75% para sa calibration). Ang training dataset gigamit aron makamugna og regression model (calibration), ug ang test dataset gigamit aron mapamatud-an ang abilidad sa generalization58. Gihimo kini aron masusi ang kaangayan sa lain-laing mga modelo alang sa pagtagna sa nickel content sa mga yuta. Ang tanan nga mga modelo nga gigamit miagi sa napulo ka pilo nga cross-validation process, nga gisubli sa lima ka beses. Ang mga variable nga gihimo sa EBK interpolation gigamit isip mga predictor o explanatory variable aron matagna ang target variable (PTE). Ang pagmodelo gidumala sa RStudio gamit ang mga packages library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) ug mga libraries (“Metrics”).
Nagkalain-laing mga parametro sa pag-validate ang gigamit aron mahibal-an ang labing maayo nga modelo nga angay alang sa pagtagna sa konsentrasyon sa nickel sa yuta ug aron masusi ang katukma sa modelo ug ang pag-validate niini. Ang mga modelo sa Hybridization gisusi gamit ang mean absolute error (MAE), root mean square error (RMSE), ug R-squared o coefficient determination (R2). Ang R2 nagtino sa variance sa mga proporsyon sa tubag, nga girepresentahan sa regression model. Ang RMSE ug variance magnitude sa independent measures naghulagway sa predictive power sa modelo, samtang ang MAE nagtino sa aktwal nga quantitative value. Ang R2 value kinahanglan nga taas aron masusi ang labing maayo nga mixture model gamit ang validation parameters, kon mas duol ang value sa 1, mas taas ang accuracy. Sumala ni Li et al. 59, ang R2 criterion value nga 0.75 o mas taas pa giisip nga maayong predictor; gikan sa 0.5 ngadto sa 0.75 ang madawat nga model performance, ug ubos sa 0.5 ang dili madawat nga model performance. Kung mopili og modelo gamit ang RMSE ug MAE validation criteria evaluation methods, ang mas ubos nga mga value nga nakuha igo na ug giisip nga labing maayo nga kapilian. Ang mosunod nga equation naghulagway sa verification method.
diin ang n nagrepresentar sa gidak-on sa naobserbahan nga bili\({Y}_{i}\) nagrepresentar sa gisukod nga tubag, ug ang \({\widehat{Y}}_{i}\) nagrepresentar usab sa gitagna nga bili sa tubag, busa, alang sa unang i nga mga obserbasyon.
Ang mga estadistikal nga deskripsyon sa predictor ug response variables gipresentar sa Table 1, nga nagpakita sa mean, standard deviation (SD), coefficient of variation (CV), minimum, maximum, kurtosis, ug skewness. Ang minimum ug maximum nga mga kantidad sa mga elemento anaa sa pagkunhod sa han-ay sa Mg < Ca < K < Ni ug Ca < Mg < K < Ni, matag usa. Ang mga konsentrasyon sa response variable (Ni) nga gisample gikan sa lugar sa pagtuon gikan sa 4.86 hangtod 42.39 mg/kg. Ang pagtandi sa Ni sa world average (29 mg/kg) ug sa European average (37 mg/kg) nagpakita nga ang kinatibuk-ang gikalkulo nga geometric mean para sa lugar sa pagtuon naa sa sulod sa tolerable range. Bisan pa, sama sa gipakita ni Kabata-Pendias11, ang pagtandi sa average nga konsentrasyon sa nickel (Ni) sa kasamtangang pagtuon sa mga yuta sa agrikultura sa Sweden nagpakita nga ang kasamtangang average nga konsentrasyon sa nickel mas taas. Ingon man usab, ang mean nga konsentrasyon sa Frydek Mistek sa mga yuta sa kasyudaran ug peri-urban sa kasamtangang pagtuon (Ni 16.15 mg/kg) mas taas kaysa sa gitugot nga limitasyon. sa 60 (10.2 mg/kg) para sa Ni sa mga yuta sa kasyudaran sa Poland nga gitaho ni Różański et al. Dugang pa, si Bretzel ug Calderisi61 nakarekord og ubos kaayo nga aberids nga konsentrasyon sa Ni (1.78 mg/kg) sa mga yuta sa kasyudaran sa Tuscany kon itandi sa kasamtangang pagtuon. Si Jim62 nakakaplag usab og mas ubos nga konsentrasyon sa nickel (12.34 mg/kg) sa mga yuta sa kasyudaran sa Hong Kong, nga mas ubos kay sa kasamtangang konsentrasyon sa nickel niini nga pagtuon. Si Birke et al63 nagtaho og aberids nga konsentrasyon sa Ni nga 17.6 mg/kg sa usa ka daan nga lugar sa pagmina ug industriya sa kasyudaran sa Saxony-Anhalt, Germany, nga 1.45 mg/kg nga mas taas kay sa aberids nga konsentrasyon sa Ni sa lugar (16.15 mg/kg). Kasamtangang panukiduki. Ang sobra nga sulud sa nickel sa mga yuta sa pipila ka mga lugar sa kasyudaran ug suburban sa lugar sa pagtuon mahimong panguna nga gipahinungod sa industriya sa puthaw ug asero ug industriya sa metal. Kini nahiuyon sa pagtuon ni Khodadoust et al. 64 nga ang industriya sa asero ug ang metalworking mao ang pangunang tinubdan sa kontaminasyon sa nickel sa mga yuta. Bisan pa, ang mga predictor gikan usab sa 538.70 mg/kg hangtod 69,161.80 mg/kg para sa Ca, 497.51 mg/kg hangtod 3535.68 mg/kg para sa K, ug 685.68 mg/kg hangtod 5970.05 mg/kg para sa Mg. Jakovljevic et al. 65 nagsusi sa kinatibuk-ang sulod sa Mg ug K sa mga yuta sa sentral Serbia. Ilang nakita nga ang kinatibuk-ang konsentrasyon (410 mg/kg ug 400 mg/kg, matag usa) mas ubos kay sa konsentrasyon sa Mg ug K sa kasamtangang pagtuon. Dili mailhan, sa sidlakang Poland, si Orzechowski ug Smolczynski66 nagsusi sa kinatibuk-ang sulod sa Ca, Mg ug K ug nagpakita sa aberids nga konsentrasyon sa Ca (1100 mg/kg), Mg (590 mg/kg) ug K (810 mg/kg). Ang sulod sa topsoil mas ubos kay sa usa ka elemento niini nga pagtuon. Usa ka bag-o nga pagtuon ni Pongrac et al. 67 nagpakita nga ang kinatibuk-ang sulod sa Ca nga gisusi sa 3 ka lain-laing yuta sa Scotland, UK (yuta sa Mylnefield, yuta sa Balruddery ug yuta sa Hartwood) nagpakita sa mas taas nga sulod sa Ca niini nga pagtuon.
Tungod sa lain-laing gisukod nga konsentrasyon sa mga gisample nga elemento, ang mga distribusyon sa data set sa mga elemento nagpakita og lain-laing skewness. Ang skewness ug kurtosis sa mga elemento gikan sa 1.53 ngadto sa 7.24 ug 2.49 ngadto sa 54.16, matag usa. Ang tanang gikalkulo nga mga elemento adunay lebel sa skewness ug kurtosis nga labaw sa +1, busa nagpakita nga ang distribusyon sa datos dili regular, skewed sa husto nga direksyon ug peaked. Ang gibanabana nga mga CV sa mga elemento nagpakita usab nga ang K, Mg, ug Ni nagpakita og kasarangan nga variability, samtang ang Ca adunay taas kaayo nga variability. Ang mga CV sa K, Ni ug Mg nagpatin-aw sa ilang uniporme nga distribution. Dugang pa, ang distribusyon sa Ca dili uniporme ug ang mga eksternal nga tinubdan mahimong makaapekto sa lebel sa pagpalambo niini.
Ang korelasyon sa mga variable sa predictor uban sa mga elemento sa tubag nagpakita sa usa ka makatagbaw nga korelasyon tali sa mga elemento (tan-awa ang Figure 3). Ang korelasyon nagpakita nga ang CaK nagpakita og kasarangan nga korelasyon nga adunay r value = 0.53, sama sa CaNi. Bisan tuod ang Ca ug K nagpakita og kasarangan nga asosasyon sa usag usa, ang mga tigdukiduki sama ni Kingston et al. 68 ug Santo69 nagsugyot nga ang ilang lebel sa yuta kay sukwahi nga proporsyonal. Apan, ang Ca ug Mg kay kontra sa K, apan ang CaK maayo ang kalambigitan. Mahimong tungod kini sa paggamit og mga abono sama sa potassium carbonate, nga 56% nga mas taas sa potassium. Ang potassium medyo may kalambigitan sa magnesium (KM r = 0.63). Sa industriya sa abono, kining duha ka elemento suod nga may kalambigitan tungod kay ang potassium magnesium sulfate, potassium magnesium nitrate, ug potash gigamit sa yuta aron madugangan ang ilang lebel sa kakulangan. Ang nickel medyo may kalambigitan sa Ca, K ug Mg nga adunay r values ​​= 0.52, 0.63 ug 0.55, matag usa. Ang mga relasyon nga naglambigit sa calcium, magnesium, ug PTEs sama sa nickel komplikado, apan bisan pa niana, ang magnesium makapugong sa pagsuhop sa calcium, ang calcium makapakunhod sa mga epekto sa sobra nga magnesium, ug ang magnesium ug calcium parehong makapakunhod sa makahilong epekto sa nickel sa yuta.
Correlation matrix para sa mga elemento nga nagpakita sa relasyon tali sa mga predictor ug mga tubag (Timan-i: kini nga numero naglakip sa usa ka scatterplot tali sa mga elemento, ang lebel sa significance gibase sa p < 0,001).
Ang Figure 4 nagpakita sa spatial distribution sa mga elemento. Sumala ni Burgos et al70, ang paggamit sa spatial distribution usa ka teknik nga gigamit sa pag-ihap ug pag-highlight sa mga hot spot sa mga hugaw nga lugar. Ang enrichment levels sa Ca sa Fig. 4 makita sa amihanan-kasadpang bahin sa spatial distribution map. Ang figure nagpakita sa moderate ngadto sa taas nga Ca enrichment hotspots. Ang calcium enrichment sa amihanan-kasadpan sa mapa lagmit tungod sa paggamit sa quicklime (calcium oxide) aron makunhuran ang acidity sa yuta ug ang paggamit niini sa mga steel mills isip alkaline oxygen sa proseso sa steelmaking. Sa laing bahin, ang ubang mga mag-uuma mas gusto nga mogamit sa calcium hydroxide sa acidic nga mga yuta aron ma-neutralize ang pH, nga nagdugang usab sa calcium content sa yuta71. Ang Potassium nagpakita usab og mga hot spot sa amihanan-kasadpan ug sidlakan sa mapa. Ang Northwest usa ka mayor nga komunidad sa agrikultura, ug ang moderate ngadto sa taas nga pattern sa potassium mahimong tungod sa NPK ug potash applications. Kini nahiuyon sa ubang mga pagtuon, sama nila ni Madaras ug Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, kinsa nakamatikod nga ang soil stabilization ug Ang pagtambal gamit ang KCl ug NPK miresulta sa taas nga sulod sa K sa yuta. Ang pagdugang sa spatial Potassium sa amihanan-kasadpan sa mapa sa distribusyon mahimong tungod sa paggamit sa mga abono nga nakabase sa potassium sama sa potassium chloride, potassium sulfate, potassium nitrate, potash, ug potash aron madugangan ang sulod sa potassium sa mga dili maayo nga yuta. Zádorová et al. 76 ug Tlustoš et al. 77 naglatid nga ang paggamit sa mga abono nga nakabase sa K nagdugang sa sulud sa K sa yuta ug labi nga nagdugang sa sulud sa sustansya sa yuta sa kadugayan, labi na ang K ug Mg nga nagpakita sa usa ka init nga lugar sa yuta. Ang medyo kasarangan nga mga hotspot sa amihanan-kasadpan sa mapa ug sa habagatan-sidlakan sa mapa. Ang colloidal fixation sa yuta nagpakunhod sa konsentrasyon sa magnesium sa yuta. Ang kakulang niini sa yuta hinungdan sa mga tanom nga magpakita og yellowish intervein chlorosis. Ang mga abono nga nakabase sa magnesium, sama sa potassium magnesium sulfate, magnesium sulfate, ug Kieserite, nagtambal sa mga kakulangan (ang mga tanom makita nga purpura, pula, o brown, nga nagpakita sa kakulangan sa magnesium) sa mga yuta nga adunay normal nga pH range6. Ang pagtapok sa nickel sa mga nawong sa yuta sa kasyudaran ug peri-urban mahimong tungod sa mga kalihokan sa tawo sama sa agrikultura ug ang kahinungdanon sa nickel sa produksiyon sa stainless steel78.
Ang spatial distribution sa mga elemento [ang spatial distribution map gihimo gamit ang ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com).]
Ang mga resulta sa model performance index para sa mga elemento nga gigamit niini nga pagtuon gipakita sa Table 2. Sa laing bahin, ang RMSE ug MAE sa Ni parehong duol sa zero (0.86 RMSE, -0.08 MAE). Sa laing bahin, ang RMSE ug MAE nga mga kantidad sa K parehong madawat. Mas taas ang mga resulta sa RMSE ug MAE para sa calcium ug magnesium. Mas taas ang mga resulta sa Ca ug K tungod sa lain-laing mga dataset. Ang RMSE ug MAE niini nga pagtuon gamit ang EBK aron matagna ang Ni nakit-an nga mas maayo kaysa sa mga resulta ni John et al. 54 gamit ang synergistic kriging aron matagna ang mga konsentrasyon sa S sa yuta gamit ang parehas nga nakolekta nga datos. Ang mga output sa EBK nga among gitun-an adunay kalabutan sa kang Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 ug John et al. 82, labi na ang K ug Ni.
Ang performance sa matag pamaagi sa pagtagna sa nickel content sa mga yuta sa kasyudaran ug peri-urban gisusi gamit ang performance sa mga modelo (Talaan 3). Ang pag-validate sa modelo ug ang ebalwasyon sa katukma nagpamatuod nga ang Ca_Mg_K predictor nga giubanan sa EBK SVMR model naghatag sa pinakamaayong performance. Ang calibration model nga Ca_Mg_K-EBK_SVMR model R2, root mean square error (RMSE) ug mean absolute error (MAE) kay 0.637 (R2), 95.479 mg/kg (RMSE) ug 77.368 mg/kg (MAE). Ang Ca_Mg_K-SVMR kay 0.663 (R2), 235.974 mg/kg (RMSE) ug 166.946 mg/kg (MAE). Bisan pa niana, maayo nga mga kantidad sa R2 ang nakuha para sa Ca_Mg_K-SVMR (0.663 mg/kg R2) ug Ca_Mg-EBK_SVMR (0.643 = R2); Ang ilang mga resulta sa RMSE ug MAE mas taas kay sa Ca_Mg_K-EBK_SVMR (R2 0.637) (tan-awa ang Talaan 3). Dugang pa, ang RMSE ug MAE sa Ca_Mg-EBK_SVMR (RMSE = 1664.64 ug MAE = 1031.49) nga modelo kay 17.5 ug 13.4, matag usa, nga mas dako kay sa Ca_Mg_K-EBK_SVMR. Ingon man usab, ang RMSE ug MAE sa Ca_Mg-K SVMR (RMSE = 235.974 ug MAE = 166.946) nga modelo kay 2.5 ug 2.2 nga mas dako kay sa Ca_Mg_K-EBK_SVMR RMSE ug MAE, matag usa. Ang gikalkulo nga mga resulta sa RMSE nagpakita kung unsa ka concentrated ang data set sa line of best fit. Mas taas nga RSME ug MAE ang naobserbahan. Sumala ni Kebonye et al. 46 ug john et al. 54, kon mas duol ang RMSE ug MAE sa zero, mas maayo ang mga resulta. Ang SVMR ug EBK_SVMR adunay mas taas nga quantized RSME ug MAE values. Naobserbahan nga ang mga banabana sa RSME kanunay nga mas taas kaysa sa MAE values, nga nagpakita sa presensya sa mga outliers. Sumala ni Legates ug McCabe83, ang gidak-on diin ang RMSE molapas sa mean absolute error (MAE) girekomenda isip usa ka timailhan sa presensya sa mga outliers. Kini nagpasabot nga kon mas heterogeneous ang dataset, mas taas ang MAE ug RMSE values. Ang katukma sa cross-validation assessment sa Ca_Mg_K-EBK_SVMR mixed model para sa pagtagna sa Ni content sa urban ug suburban soils kay 63.70%. Sumala ni Li et al. 59, kini nga lebel sa katukma usa ka madawat nga model performance rate. Ang kasamtangang mga resulta gitandi sa miaging pagtuon ni Tarasov et al. 36 kansang hybrid model nagmugna og MLPRK (Multilayer Perceptron Residual Kriging), nga may kalabutan sa EBK_SVMR accuracy evaluation index nga gitaho sa kasamtangang pagtuon, ang RMSE (210) ug Ang MAE (167.5) mas taas kay sa among mga resulta sa kasamtangang pagtuon (RMSE 95.479, MAE 77.368). Apan, sa pagtandi sa R2 sa kasamtangang pagtuon (0.637) uban sa kang Tarasov et al. 36 (0.544), klaro nga ang coefficient of determination (R2) mas taas niining mixed model. Ang margin of error (RMSE ug MAE) (EBK SVMR) para sa mixed model doble ka pilo nga mas ubos. Ingon man usab, si Sergeev et al.34 nakarekord og 0.28 (R2) para sa naugmad nga hybrid model (Multilayer Perceptron Residual Kriging), samtang ang Ni sa kasamtangang pagtuon nakarekord og 0.637 (R2). Ang lebel sa katukma sa prediksyon niini nga modelo (EBK SVMR) kay 63.7%, samtang ang katukma sa prediksyon nga nakuha ni Sergeev et al. 34 kay 28%. Ang katapusang mapa (Fig. 5) nga gihimo gamit ang EBK_SVMR model ug Ca_Mg_K isip predictor nagpakita sa mga prediksyon sa mga hot spot ug kasarangan ngadto sa nickel sa tibuok lugar sa pagtuon. Kini nagpasabot nga ang konsentrasyon sa nickel sa lugar sa pagtuon kasagaran kasarangan, nga adunay mas taas nga konsentrasyon sa pipila ka piho nga mga lugar.
Ang katapusang mapa sa prediksyon girepresentahan gamit ang hybrid model nga EBK_SVMR ug gamit ang Ca_Mg_K isip predictor. [Ang spatial distribution map gihimo gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Gipakita sa Figure 6 ang mga konsentrasyon sa PTE isip usa ka composition plane nga gilangkoban sa indibidwal nga mga neuron. Walay usa sa mga component plane nga nagpakita sa parehas nga color pattern sama sa gipakita. Bisan pa, ang angay nga gidaghanon sa mga neuron matag drawn map kay 55. Ang SeOM gihimo gamit ang lain-laing mga kolor, ug kon mas parehas ang mga color pattern, mas ikatandi ang mga kabtangan sa mga sample. Sumala sa ilang tukma nga color scale, ang indibidwal nga mga elemento (Ca, K, ug Mg) nagpakita og parehas nga color pattern sa single high neurons ug kadaghanan sa mga low neurons. Busa, ang CaK ug CaMg adunay pipila ka pagkaparehas sa mga high-order neurons ug low-to-moderate color patterns. Ang duha ka modelo nagtagna sa konsentrasyon sa Ni sa yuta pinaagi sa pagpakita sa medium ngadto sa taas nga hues sa mga kolor sama sa pula, orange ug yellow. Ang KMg model nagpakita sa daghang taas nga color patterns base sa tukma nga proporsyon ug ubos ngadto sa medium nga color patches. Sa usa ka tukma nga color scale gikan sa ubos ngadto sa taas, ang planar distribution pattern sa mga component sa modelo nagpakita og taas nga color pattern nga nagpakita sa potensyal nga konsentrasyon sa nickel sa yuta (tan-awa ang Figure 4). Ang CakMg model component plane nagpakita og lain-laing color pattern gikan sa ubos ngadto sa taas sumala sa tukma nga kolor. sukod. Dugang pa, ang prediksyon sa modelo sa nickel content (CakMg) susama sa spatial distribution sa nickel nga gipakita sa Figure 5. Ang duha ka graph nagpakita sa taas, medium ug ubos nga proporsyon sa nickel concentrations sa urban ug peri-urban nga mga yuta. Ang Figure 7 nagpakita sa contour method sa k-means grouping sa mapa, gibahin sa tulo ka cluster base sa gitagna nga bili sa matag modelo. Ang contour method nagrepresentar sa labing maayo nga gidaghanon sa mga cluster. Sa 115 ka mga sample sa yuta nga nakolekta, ang kategorya 1 nakakuha sa labing daghang mga sample sa yuta, 74. Ang Cluster 2 nakadawat og 33 ka mga sample, samtang ang cluster 3 nakadawat og 8 ka mga sample. Ang seven-component planar predictor combination gipasimple aron tugotan ang husto nga interpretasyon sa cluster. Tungod sa daghang mga proseso sa anthropogenic ug natural nga nakaapekto sa pagporma sa yuta, lisud ang pagbaton og husto nga kalainan sa mga cluster pattern sa usa ka distributed SeOM map78.
Ang output sa component plane sa matag Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variable. [Ang mga mapa sa SeOM gihimo gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Nagkalain-laing mga sangkap sa klasipikasyon sa cluster [Ang mga mapa sa SeOM gihimo gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Ang kasamtangang pagtuon klarong nagpakita sa mga teknik sa pagmodelo para sa konsentrasyon sa nickel sa mga yuta sa kasyudaran ug peri-urban. Gisulayan sa pagtuon ang lain-laing mga teknik sa pagmodelo, nga gihiusa ang mga elemento sa mga teknik sa pagmodelo, aron makuha ang labing maayong paagi sa pagtagna sa konsentrasyon sa nickel sa yuta. Ang SeOM compositional planar spatial features sa teknik sa pagmodelo nagpakita og taas nga color pattern gikan sa ubos ngadto sa taas sa tukmang color scale, nga nagpakita sa konsentrasyon sa Ni sa yuta. Bisan pa, ang spatial distribution map nagpamatuod sa planar spatial distribution sa mga component nga gipakita sa EBK_SVMR (tan-awa ang Figure 5). Ang mga resulta nagpakita nga ang support vector machine regression model (Ca Mg K-SVMR) nagtagna sa konsentrasyon sa Ni sa yuta isip usa ka single model, apan ang validation ug accuracy evaluation parameters nagpakita og taas kaayo nga mga sayop sa termino sa RMSE ug MAE. Sa laing bahin, ang teknik sa pagmodelo nga gigamit sa EBK_MLR model adunay depekto usab tungod sa ubos nga bili sa coefficient of determination (R2). Maayong mga resulta ang nakuha gamit ang EBK SVMR ug combined elements (CaKMg) nga adunay ubos nga RMSE ug MAE errors nga adunay accuracy nga 63.7%. Migawas nga ang paghiusa sa EBK algorithm sa usa ka machine learning algorithm makamugna og hybrid algorithm nga makatagna sa konsentrasyon sa mga PTE sa yuta. Ang mga resulta nagpakita nga ang paggamit sa Ca, Mg, K isip mga predictor aron matagna ang konsentrasyon sa Ni sa lugar sa pagtuon makapauswag sa prediksyon sa Ni sa mga yuta. Kini nagpasabot nga ang padayon nga paggamit sa mga abono nga nakabase sa nickel ug polusyon sa industriya sa yuta sa industriya sa asero adunay kalagmitan nga madugangan ang konsentrasyon sa nickel sa yuta. Kini nga pagtuon nagpadayag nga ang modelo sa EBK makapakunhod sa lebel sa sayop ug makapauswag sa katukma sa modelo sa spatial distribution sa yuta sa mga yuta sa kasyudaran o peri-urban. Sa kinatibuk-an, among gisugyot nga gamiton ang modelo sa EBK-SVMR aron masusi ug matagna ang PTE sa yuta; dugang pa, among gisugyot nga gamiton ang EBK aron mag-hybridize sa lainlaing mga algorithm sa machine learning. Ang mga konsentrasyon sa Ni gitagna gamit ang mga elemento isip mga covariate; bisan pa, ang paggamit og daghang mga covariate makapauswag pag-ayo sa performance sa modelo, nga mahimong isipon nga limitasyon sa kasamtangang trabaho. Laing limitasyon niini nga pagtuon mao nga ang gidaghanon sa mga dataset kay 115. Busa, kung daghang datos ang ihatag, ang performance sa gisugyot nga optimized hybridization method mahimong mapauswag.
PlantProbs.net.Nickel sa mga Tanom ug Yuta https://plantprobs.net/plant/nutrientImbalances/sodium.html (Gi-access niadtong Abril 28, 2021).
Kasprzak, KS Nickel nag-uswag sa modernong toxicology sa kalikopan.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Usa ka pagrepaso sa mga tinubdan niini ug sa toksikolohiya sa kalikopan. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Polutant input gikan sa atmospera ug akumulasyon sa yuta ug mga tanom duol sa usa ka nickel-copper smelter sa Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Mga bug-at nga metal sa yuta, mga tanom ug mga risgo nga nalangkit sa pagpasibsib sa mga ruminant duol sa minahan sa tumbaga-nickel sa Selebi-Phikwe sa Botswana. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Mga elemento sa pagsubay sa yuta ug… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Mga Elemento sa Pagsubay+sa+mga+soil+ug+mga+tanom.+ika-4+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Gi-access niadtong 24 Nob 2020).
Almås, A., Singh, B., Agrikultura, TS-NJ sa & 1995, wala gihubit. Mga epekto sa industriya sa nickel sa Russia sa konsentrasyon sa bug-at nga metal sa mga yuta ug sagbot sa agrikultura sa Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Ang pagsuhop ug pagpabilin sa nickel sa tubig nga mainom adunay kalabotan sa pagkaon nga gikaon ug pagkasensitibo sa nickel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics o selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Pag-analisar sa uso sa mga elemento nga posibleng makahilo: usa ka bibliometric nga pagrepaso. Environmental Geochemistry ug Health. Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: Usa ka Mubo nga Kasaysayan ug Pipila ka mga Leksyon. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sa digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Gi-access niadtong Abril 28, 2021).