Tak for dit besøg på Nature.com. Den browserversion, du bruger, har begrænset understøttelse af CSS. For at få den bedste oplevelse anbefaler vi, at du bruger en opdateret browser (eller slår kompatibilitetstilstand fra i Internet Explorer). I mellemtiden vil vi for at sikre fortsat understøttelse vise webstedet uden stilarter og JavaScript.
Jordforurening er et stort problem forårsaget af menneskelige aktiviteter. Den rumlige fordeling af potentielt giftige elementer (PTE'er) varierer i de fleste bymæssige og peri-urbane områder. Derfor er det vanskeligt at forudsige indholdet af PTE'er i sådanne jorde rumligt. I alt 115 prøver blev indhentet fra Frydek Mistek i Tjekkiet. Koncentrationerne af calcium (Ca), magnesium (Mg), kalium (K) og nikkel (Ni) blev bestemt ved hjælp af induktivt koblet plasmaemissionsspektrometri. Responsvariablen er Ni, og prædiktorerne er Ca, Mg og K. Korrelationsmatricen mellem responsvariablen og prædiktorvariablen viser en tilfredsstillende korrelation mellem elementerne. Forudsigelsesresultaterne viste, at Support Vector Machine Regression (SVMR) klarede sig godt, selvom dens estimerede root mean square error (RMSE) (235,974 mg/kg) og mean absolute error (MAE) (166,946 mg/kg) var højere end de andre anvendte metoder. Blandede modeller for empirisk bayesiansk Kriging-multipel lineær regression (EBK-MLR) klarer sig dårligt, som det fremgår. med bestemmelseskoefficienter mindre end 0,1. Den empiriske Bayesianske Kriging-Support Vector Machine Regression (EBK-SVMR) model var den bedste model med lave RMSE (95,479 mg/kg) og MAE (77,368 mg/kg) værdier og en høj bestemmelseskoefficient (R2 = 0,637). EBK-SVMR modelleringsteknikkens output visualiseres ved hjælp af et selvorganiserende kort. Klyngede neuroner i planet for hybridmodellen CakMg-EBK-SVMR komponenten viser flere farvemønstre, der forudsiger Ni-koncentrationer i bymæssige og peri-urbane jorde. Resultaterne viser, at kombinationen af ​​EBK og SVMR er en effektiv teknik til at forudsige Ni-koncentrationer i bymæssige og peri-urbane jorde.
Nikkel (Ni) betragtes som et mikronæringsstof for planter, fordi det bidrager til atmosfærisk kvælstoffiksering (N) og urinstofmetabolisme, som begge er nødvendige for frøspiring. Ud over sit bidrag til frøspiring kan Ni fungere som en svampe- og bakteriehæmmer og fremme planteudvikling. Manglen på nikkel i jorden gør det muligt for planten at absorbere det, hvilket resulterer i klorose af bladene. For eksempel kræver vignalerter og grønne bønner anvendelse af nikkelbaseret gødning for at optimere kvælstoffikseringen2. Fortsat anvendelse af nikkelbaseret gødning for at berige jorden og øge bælgplanters evne til at fiksere kvælstof i jorden øger løbende nikkelkoncentrationen i jorden. Selvom nikkel er et mikronæringsstof for planter, kan dets overdrevne indtag i jorden gøre mere skade end gavn. Nikkels toksicitet i jorden minimerer jordens pH-værdi og hæmmer optagelsen af ​​jern som et essentielt næringsstof for plantevækst1. Ifølge Liu3 har Ni vist sig at være det 17. vigtige element, der kræves for planteudvikling og vækst. Ud over nikkels rolle i planteudvikling og vækst har mennesker brug for det til en række forskellige anvendelser. Elektroplettering, produktionen af Nikkelbaserede legeringer og fremstilling af tændingsanordninger og tændrør i bilindustrien kræver alle brug af nikkel i forskellige industrisektorer. Derudover er nikkelbaserede legeringer og elektropletterede artikler blevet brugt i vid udstrækning i køkkenudstyr, balsalstilbehør, forsyninger til fødevareindustrien, elektriske apparater, ledninger og kabler, jetturbiner, kirurgiske implantater, tekstiler og skibsbygning5. Ni-rige niveauer i jord (dvs. overfladejord) er blevet tilskrevet både menneskeskabte og naturlige kilder, men primært er Ni en naturlig kilde snarere end menneskeskabt4,6. Naturlige kilder til nikkel omfatter vulkanudbrud, vegetation, skovbrande og geologiske processer; menneskeskabte kilder omfatter dog nikkel/cadmium-batterier i stålindustrien, elektroplettering, lysbuesvejsning, diesel og fyringsolier samt atmosfæriske emissioner fra kulforbrænding og affalds- og slamforbrænding. Nikkelakkumulering7,8. Ifølge Freedman og Hutchinson9 og Manyiwa et al. 10, er de vigtigste kilder til muldjordsforurening i det umiddelbare og tilstødende miljø primært nikkel-kobberbaserede smelteværker og miner. Muldjorden omkring Sudbury nikkel-kobberraffinaderiet i Canada havde de højeste niveauer af nikkelforurening med 26.000 mg/kg11. I modsætning hertil har forurening fra nikkelproduktion i Rusland resulteret i højere nikkelkoncentrationer i norsk jord11. Ifølge Alms et al. 12 varierede mængden af ​​HNO3-ekstraherbart nikkel i regionens bedste agerjord (nikkelproduktion i Rusland) fra 6,25 til 136,88 mg/kg, hvilket svarer til et gennemsnit på 30,43 mg/kg og en baselinekoncentration på 25 mg/kg. Ifølge kabata 11 kan anvendelse af fosforgødning i landbrugsjord i by- eller peri-urbane jorde i løbet af successive afgrødesæsoner infundere eller forurene jorden. De potentielle virkninger af nikkel hos mennesker kan føre til kræft gennem mutagenese, kromosomskader, Z-DNA-generering, blokeret DNA-excisionsreparation eller epigenetiske processer13. I dyreforsøg har det vist sig, at nikkel har potentiale til at forårsage en række forskellige tumorer, og kræftfremkaldende nikkelkomplekser kan forværre sådanne tumorer.
Vurderinger af jordforurening har blomstret i den seneste tid på grund af en bred vifte af sundhedsrelaterede problemer, der stammer fra forholdet mellem jord og planter, jord og jordens biologiske forhold, økologisk nedbrydning og vurdering af miljøpåvirkninger. Til dato har rumlig forudsigelse af potentielt giftige elementer (PTE'er) såsom Ni i jord været besværlig og tidskrævende ved hjælp af traditionelle metoder. Fremkomsten af ​​digital jordkortlægning (DSM) og dens nuværende succes15 har forbedret prædiktiv jordkortlægning (PSM) betydeligt. Ifølge Minasny og McBratney16 har prædiktiv jordkortlægning (DSM) vist sig at være en fremtrædende underdisciplin inden for jordvidenskab. Lagacherie og McBratney, 2006 definerer DSM som "oprettelse og udfyldning af rumlige jordinformationssystemer ved hjælp af in situ- og laboratorieobservationsmetoder samt rumlige og ikke-rumlige jordinferenssystemer". McBratney et al. 17 beskriver, at den moderne DSM eller PSM er den mest effektive teknik til at forudsige eller kortlægge den rumlige fordeling af PTE'er, jordtyper og jordegenskaber. Geostatistik og maskinlæringsalgoritmer (MLA) er DSM-modelleringsteknikker, der skaber digitaliserede kort ved hjælp af computere, der bruger betydelige og minimale data.
Deutsch18 og Olea19 definerer geostatistik som "samlingen af ​​numeriske teknikker, der beskæftiger sig med repræsentation af rumlige attributter, primært ved hjælp af stokastiske modeller, såsom hvordan tidsserieanalyse karakteriserer tidsmæssige data." Geostatistik involverer primært evaluering af variogrammer, som tillader kvantificering og definition af afhængigheder af rumlige værdier fra hvert datasæt20. Gumiaux et al.20 illustrerer yderligere, at evalueringen af ​​variogrammer i geostatistik er baseret på tre principper, herunder (a) beregning af skalaen for datakorrelation, (b) identifikation og beregning af anisotropi i datasætulighed og (c) ud over at tage højde for den iboende fejl i måledataene adskilt fra de lokale effekter, estimeres også arealeffekterne. Byggende på disse koncepter anvendes mange interpolationsteknikker i geostatistik, herunder generel kriging, co-kriging, almindelig kriging, empirisk Bayesiansk kriging, simpel kriging-metode og andre velkendte interpolationsteknikker til at kortlægge eller forudsige PTE, jordkarakteristika og jordtyper.
Maskinlæringsalgoritmer (MLA) er en relativt ny teknik, der anvender større ikke-lineære dataklasser, drevet af algoritmer, der primært bruges til data mining, identifikation af mønstre i data og gentagne gange anvendt til klassificering inden for videnskabelige områder som jordvidenskab og returopgaver. Talrige forskningsartikler er afhængige af MLA-modeller til at forudsige PTE i jord, såsom Tan et al. 22 (tilfældige skove til estimering af tungmetaller i landbrugsjord), Sakizadeh et al. 23 (modellering ved hjælp af supportvektormaskiner og kunstige neurale netværk) jordforurening). Derudover anvendte Vega et al. 24 (CART til modellering af tungmetalretention og adsorption i jord), Sun et al. 25 (anvendelse af kubisme er fordelingen af ​​Cd i jord) og andre algoritmer såsom k-nærmeste neighbor, generaliseret boostet regression og boostet regression (træer) også MLA til at forudsige PTE i jord.
Anvendelsen af ​​DSM-algoritmer i forudsigelser eller kortlægning står over for adskillige udfordringer. Mange forfattere mener, at MLA er bedre end geostatistik og omvendt. Selvom den ene er bedre end den anden, forbedrer kombinationen af ​​de to nøjagtighedsniveauet af kortlægning eller forudsigelse i DSM15. Woodcock og Gopal26 Finke27; Pontius og Cheuk28 og Grunwald29 kommenterer mangler og nogle fejl i forudsagt jordkortlægning. Jordforskere har forsøgt en række forskellige teknikker til at optimere effektiviteten, nøjagtigheden og forudsigeligheden af ​​DSM-kortlægning og -prognoser. Kombinationen af ​​usikkerhed og verifikation er et af mange forskellige aspekter, der er integreret i DSM for at optimere effektiviteten og reducere defekter. Agyeman et al.15 beskriver dog, at valideringsadfærden og usikkerheden, der introduceres ved kortoprettelse og -forudsigelse, bør valideres uafhængigt for at forbedre kortkvaliteten. DSM's begrænsninger skyldes geografisk spredt jordkvalitet, som involverer en komponent af usikkerhed; Manglen på sikkerhed i DSM kan dog skyldes flere fejlkilder, nemlig kovariatfejl, modelfejl, lokaliseringsfejl og analytisk fejl 31. Modelleringsunøjagtigheder induceret i MLA og geostatistiske processer er forbundet med manglende forståelse, hvilket i sidste ende fører til en overforenkling af den virkelige proces32. Uanset modelleringens art kan unøjagtigheder tilskrives modelleringsparametre, matematiske modelforudsigelser eller interpolation33. For nylig er der opstået en ny DSM-trend, der fremmer integrationen af ​​geostatistik og MLA i kortlægning og prognoser. Flere jordforskere og forfattere, såsom Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 og Tarasov et al. 37, har udnyttet den nøjagtige kvalitet af geostatistik og maskinlæring til at generere hybridmodeller, der forbedrer effektiviteten af ​​prognoser og kortlægning. kvalitet. Nogle af disse hybride eller kombinerede algoritmemodeller er 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 og Co-Kriging og Gaussisk Process Regression38.
Ifølge Sergeev et al. har kombinationen af ​​forskellige modelleringsteknikker potentiale til at eliminere defekter og øge effektiviteten af ​​den resulterende hybridmodel i stedet for at udvikle en enkelt model. I denne sammenhæng argumenterer denne nye artikel for, at det er nødvendigt at anvende en kombineret algoritme af geostatistik og MLA for at skabe optimale hybridmodeller til at forudsige Ni-berigelse i bymæssige og peri-urbane områder. Denne undersøgelse vil basere sig på Empirisk Bayesiansk Kriging (EBK) som basismodel og blande den med Support Vector Machine (SVM) og Multiple Linear Regression (MLR) modeller. Hybridisering af EBK med enhver MLA er ikke kendt. De set multiple blandede modeller er kombinationer af almindelig, residual, regressionskriging og MLA. EBK er en geostatistisk interpolationsmetode, der anvender en rumligt stokastisk proces, der er lokaliseret som et ikke-stationært/stationært tilfældigt felt med definerede lokaliseringsparametre over feltet, hvilket muliggør rumlig variation39. EBK er blevet brugt i en række forskellige undersøgelser, herunder analyse af fordelingen af ​​organisk kulstof i landbrugsjord40, vurdering af jordforurening41 og kortlægning af jord egenskaber42.
På den anden side er Self-Organizing Graph (SeOM) en læringsalgoritme, der er blevet anvendt i forskellige artikler såsom Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 og Kebonye et al. 46. Bestem de rumlige attributter og gruppering af elementer. Wang et al. 44 beskriver, at SeOM er en kraftfuld læringsteknik kendt for sin evne til at gruppere og forestille sig ikke-lineære problemer. I modsætning til andre mønstergenkendelsesteknikker såsom principal component analysis, fuzzy clustering, hierarkisk clustering og multi-criteria decision making, er SeOM bedre til at organisere og identificere PTE-mønstre. Ifølge Wang et al. 44 kan SeOM rumligt gruppere fordelingen af ​​relaterede neuroner og give datavisualisering i høj opløsning. SeOM vil visualisere Ni-forudsigelsesdata for at opnå den bedste model til at karakterisere resultaterne til direkte fortolkning.
Denne artikel har til formål at generere en robust kortlægningsmodel med optimal nøjagtighed til forudsigelse af nikkelindhold i by- og peri-urbane jorde. Vi antager, at pålideligheden af ​​den blandede model primært afhænger af indflydelsen fra andre modeller, der er knyttet til basismodellen. Vi anerkender de udfordringer, som DSM står over for, og selvom disse udfordringer adresseres på flere fronter, synes kombinationen af ​​fremskridt inden for geostatistik og MLA-modeller at være inkrementel; derfor vil vi forsøge at besvare forskningsspørgsmål, der kan give blandede modeller. Men hvor præcis er modellen til at forudsige målelementet? Hvad er også niveauet af effektivitetsevaluering baseret på validering og nøjagtighedsevaluering? Derfor var de specifikke mål for denne undersøgelse at (a) skabe en kombineret blandingsmodel til SVMR eller MLR ved hjælp af EBK som basismodel, (b) sammenligne de resulterende modeller, (c) foreslå den bedste blandingsmodel til forudsigelse af Ni-koncentrationer i by- eller peri-urbane jorde, og (d) anvendelsen af ​​SeOM til at skabe et kort med høj opløsning over den rumlige variation af nikkel.
Undersøgelsen udføres i Tjekkiet, nærmere bestemt i Frydek Mistek-distriktet i Mähren-Schlesien-regionen (se figur 1). Geografien i undersøgelsesområdet er meget barsk og er hovedsageligt en del af Mähren-Schlesien-Beskidy-regionen, som er en del af den ydre rand af Karpaterne. Undersøgelsesområdet ligger mellem 49° 41′ 0′ N og 18° 20′ 0′ Ø, og højden er mellem 225 og 327 m; Koppen-klassifikationssystemet for regionens klimatiske tilstand er dog vurderet som Cfb = tempereret oceanisk klima. Der er meget nedbør, selv i de tørre måneder. Temperaturerne varierer en smule i løbet af året mellem -5 °C og 24 °C og falder sjældent under -14 °C eller over 30 °C, mens den gennemsnitlige årlige nedbør er mellem 685 og 752 mm47. Det anslåede undersøgelsesområde for hele området er 1.208 kvadratkilometer, med 39,38 % af det dyrkede areal og 49,36 % af skovdækket. På den anden side er det anvendte areal i denne undersøgelse omkring 889,8 kvadratkilometer. I og omkring Ostrava er stålindustrien og metalværker meget aktive. Metalværker, stålindustrien, hvor nikkel anvendes i rustfrit stål (f.eks. til modstandsdygtighed over for atmosfærisk korrosion) og legeret stål (nikkel øger legeringens styrke, samtidig med at dens gode duktilitet og sejhed opretholdes), og intensivt landbrug såsom fosfatgødningsanvendelse og husdyrproduktion er potentielle kilder til nikkel i regionen. (f.eks. tilsætning af nikkel til lam for at øge vækstraterne hos lam og lavfodrede kvæg). Andre industrielle anvendelser af nikkel inden for forskningsområder omfatter dets anvendelse i elektroplettering, herunder elektroplettering af nikkel og elektroløse nikkelpletteringsprocesser. Jordbundsegenskaber kan let skelnes fra jordens farve, struktur og karbonatindhold. Jordteksturen er medium til fin, afledt af modermaterialet. De er af kolluvial, alluvial eller æolisk art. Nogle jordområder fremstår plettede i overfladen og undergrunden, ofte med beton og blegning. Cambisoler og stagnosoler er dog de mest almindelige jordtyper i regionen48. Med højder fra 455,1 til 493,5 m dominerer cambisoler Tjekkiet49.
Kort over studieområdet [Kortet over studieområdet blev oprettet ved hjælp af ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com).]
I alt 115 muldjordprøver blev indsamlet fra by- og peri-urbane jorde i Frydek Mistek-distriktet. Det anvendte prøvemønster var et regelmæssigt gitter med jordprøver placeret 2 × 2 km fra hinanden, og muldjorden blev målt i en dybde på 0 til 20 cm ved hjælp af en håndholdt GPS-enhed (Leica Zeno 5 GPS). Prøverne pakkes i Ziploc-poser, mærkes korrekt og sendes til laboratoriet. Prøverne blev lufttørret for at producere pulveriserede prøver, pulveriseret af et mekanisk system (Fritsch-skivemølle) og sigtet (sigtestørrelse 2 mm). Placer 1 gram tørrede, homogeniserede og sigtede jordprøver i tydeligt mærkede teflonflasker. I hver teflonbeholder dispenseres 7 ml 35% HCl og 3 ml 65% HNO3 (ved hjælp af en automatisk dispenser - en for hver syre), dæk let til og lad prøverne stå natten over for reaktionen (aqua regia-program). Placer supernatanten på en varm metalplade (temperatur: 100 W og 160 °C) i 2 timer for at lette fordøjelsesprocessen af ​​prøverne, og afkøl derefter. Overfør supernatanten til en 50 ml målekolbe og fortynd til 50 ml med deioniseret vand. Derefter filtreres den fortyndede supernatant over i et 50 ml PVC-rør med deioniseret vand. Derudover blev 1 ml af fortyndingsopløsningen fortyndet med 9 ml deioniseret vand og filtreret over i et 12 ml rør forberedt til PTE-pseudokoncentrering. Koncentrationerne af PTE'er (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) blev bestemt ved ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) i henhold til standardmetoder og aftaler. Sikre kvalitetssikrings- og kontrolprocedurer (QA/QC) (SRM NIST 2711a Montana II Soil). PTE'er med detektionsgrænser under halvdelen blev ekskluderet fra denne undersøgelse. Detektionsgrænsen for den PTE, der blev anvendt i denne undersøgelse, var 0,0004.(dig).Derudover sikres kvalitetskontrol og kvalitetssikringsprocessen for hver analyse ved at analysere referencestandarder.For at sikre, at fejl blev minimeret, blev der udført en dobbeltanalyse.
Empirisk Bayesiansk Kriging (EBK) er en af ​​mange geostatistiske interpolationsteknikker, der anvendes i modellering inden for forskellige områder såsom jordbundsvidenskab. I modsætning til andre kriging-interpolationsteknikker adskiller EBK sig fra traditionelle kriging-metoder ved at tage højde for den fejl, der estimeres af semivariogrammodellen. I EBK-interpolation beregnes flere semivariogrammodeller under interpolation i stedet for et enkelt semivariogram. Interpolationsteknikker giver plads til den usikkerhed og programmering, der er forbundet med denne plotning af semivariogrammet, som udgør en meget kompleks del af en tilstrækkelig kriging-metode. Interpolationsprocessen for EBK følger de tre kriterier, der er foreslået af Krivoruchko50, (a) modellen estimerer semivariogrammet fra inputdatasættet, (b) den nye forudsagte værdi for hver inputdatasætplacering baseret på det genererede semivariogram, og (c) den endelige A-model beregnes fra et simuleret datasæt. Den Bayesianske ligningsregel er givet som en posterior ...
Hvor \(Prob\left(A\right)\) repræsenterer den forudgående, \(Prob\left(B\right)\) ignoreres den marginale sandsynlighed i de fleste tilfælde, \(Prob (B,A)\). Semivariogramberegningen er baseret på Bayes' regel, som viser tilbøjeligheden af ​​observationsdatasæt, der kan oprettes ud fra semivariogrammer. Værdien af ​​semivariogrammet bestemmes derefter ved hjælp af Bayes' regel, som angiver, hvor sandsynligt det er at oprette et datasæt af observationer fra semivariogrammet.
En support vector machine er en maskinlæringsalgoritme, der genererer et optimalt adskillende hyperplan for at skelne identiske, men ikke lineært uafhængige klasser. Vapnik51 skabte intention classification-algoritmen, men den er for nylig blevet brugt til at løse regressionsorienterede problemer. Ifølge Li et al.52 er SVM en af ​​de bedste klassificeringsteknikker og er blevet brugt inden for forskellige områder. Regressionskomponenten i SVM (Support Vector Machine Regression – SVMR) blev brugt i denne analyse. Cherkassky og Mulier53 var pionerer inden for SVMR som en kernebaseret regression, hvis beregning blev udført ved hjælp af en lineær regressionsmodel med rumlige funktioner for flere lande. John et al.54 rapporterer, at SVMR-modellering anvender lineær hyperplanregression, som skaber ikke-lineære relationer og tillader rumlige funktioner. Ifølge Vohland et al. 55, epsilon (ε)-SVMR bruger det trænede datasæt til at opnå en repræsentationsmodel som en epsilon-ufølsom funktion, der anvendes til at kortlægge dataene uafhængigt med den bedste epsilon-bias fra træning på korrelerede data. Den forudindstillede afstandsfejl ignoreres fra den faktiske værdi, og hvis fejlen er større end ε(ε), kompenserer jordegenskaberne for den. Modellen reducerer også kompleksiteten af ​​træningsdataene til en bredere delmængde af støttevektorer. Ligningen foreslået af Vapnik51 er vist nedenfor.
hvor b repræsenterer den skalære tærskelværdi, \(K\left({x}_{,}{x}_{k}\right)\) repræsenterer kernefunktionen, \(\alpha\) repræsenterer Lagrange-multiplikatoren, N repræsenterer et numerisk datasæt, \({x}_{k}\) repræsenterer datainput, og \(y\) er dataoutput. En af de vigtigste kerner, der anvendes, er SVMR-operationen, som er en Gaussisk radial basisfunktion (RBF). RBF-kernen anvendes til at bestemme den optimale SVMR-model, hvilket er kritisk for at opnå den mest subtile strafsætfaktor C og kerneparameter gamma (γ) for PTE-træningsdataene. Først evaluerede vi træningssættet og testede derefter modellens ydeevne på valideringssættet. Den anvendte styringsparameter er sigma, og metodeværdien er svmRadial.
En multipel lineær regressionsmodel (MLR) er en regressionsmodel, der repræsenterer forholdet mellem responsvariablen og et antal prædiktorvariabler ved hjælp af lineære puljede parametre beregnet ved hjælp af mindste kvadraters metode. I MLR er en mindste kvadraters model en prædiktiv funktion af jordegenskaber efter valg af forklarende variabler. Det er nødvendigt at bruge responsen til at etablere en lineær sammenhæng ved hjælp af forklarende variabler. PTE blev brugt som responsvariabel til at etablere en lineær sammenhæng med de forklarende variabler. MLR-ligningen er
hvor y er responsvariablen, \(a\) er skæringspunktet, n er antallet af prædiktorer, \({b}_{1}\) er den partielle regression af koefficienterne, \({x}_{i}\) repræsenterer en prædiktor eller forklarende variabel, og \({\varepsilon }_{i}\) repræsenterer fejlen i modellen, også kendt som residualet.
Blandede modeller blev opnået ved at sætte EBK sammen med SVMR og MLR. Dette gøres ved at udtrække forudsagte værdier fra EBK-interpolation. De forudsagte værdier opnået fra de interpolerede Ca, K og Mg opnås gennem en kombinatorisk proces for at opnå nye variabler, såsom CaK, CaMg og KMg. Elementerne Ca, K og Mg kombineres derefter for at opnå en fjerde variabel, CaKMg. Samlet set er de opnåede variabler Ca, K, Mg, CaK, CaMg, KMg og CaKMg. Disse variabler blev vores prædiktorer, der hjalp med at forudsige nikkelkoncentrationer i by- og peri-urbane jorde. SVMR-algoritmen blev udført på prædiktorerne for at opnå en blandet model Empirisk Bayesiansk Kriging-Support Vector Machine (EBK_SVM). Tilsvarende føres variabler også gennem MLR-algoritmen for at opnå en blandet model Empirisk Bayesiansk Kriging-Multiple Linear Regression (EBK_MLR). Typisk er variablerne Ca, K, Mg, CaK, CaMg, KMg og CaKMg bruges som kovariater som prædiktorer for Ni-indhold i bymæssige og peri-urbane jorde. Den mest acceptable model, der opnås (EBK_SVM eller EBK_MLR), vil derefter blive visualiseret ved hjælp af en selvorganiserende graf. Arbejdsgangen for denne undersøgelse er vist i figur 2.
Brugen af ​​SeOM er blevet et populært værktøj til at organisere, evaluere og forudsige data inden for den finansielle sektor, sundhedsvæsenet, industrien, statistik, jordbundsvidenskab og mere. SeOM skabes ved hjælp af kunstige neurale netværk og uovervågede læringsmetoder til organisering, evaluering og forudsigelse. I denne undersøgelse blev SeOM brugt til at visualisere Ni-koncentrationer baseret på den bedste model til forudsigelse af Ni i bymæssige og peri-urbane jorde. De data, der behandles i SeOM-evalueringen, bruges som n inputdimensionelle vektorvariabler43,56. Melssen et al. 57 beskriver forbindelsen af ​​en inputvektor til et neuralt netværk gennem et enkelt inputlag til en outputvektor med en enkelt vægtvektor. Outputtet genereret af SeOM er et todimensionelt kort bestående af forskellige neuroner eller noder vævet ind i hexagonale, cirkulære eller firkantede topologiske kort i henhold til deres nærhed. Ved at sammenligne kortstørrelser baseret på metrisk, kvantiseringsfejl (QE) og topografisk fejl (TE) vælges SeOM-modellen med henholdsvis 0,086 og 0,904, hvilket er en 55-kortenhed (5 × 11). Neuronstrukturen bestemmes i henhold til antallet af noder i den empiriske ligning.
Antallet af data, der blev brugt i denne undersøgelse, er 115 prøver. En tilfældig tilgang blev brugt til at opdele dataene i testdata (25% til validering) og træningsdatasæt (75% til kalibrering). Træningsdatasættet bruges til at generere regressionsmodellen (kalibrering), og testdatasættet bruges til at verificere generaliseringsevnen58. Dette blev gjort for at vurdere egnetheden af ​​forskellige modeller til at forudsige nikkelindhold i jord. Alle anvendte modeller gennemgik en tifold krydsvalideringsproces, gentaget fem gange. Variablerne produceret af EBK-interpolation bruges som prædiktorer eller forklarende variabler til at forudsige målvariablen (PTE). Modellering håndteres i RStudio ved hjælp af pakkerne library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library(" prospectr") og libraries ("Metrics").
Forskellige valideringsparametre blev brugt til at bestemme den bedste model, der var egnet til at forudsige nikkelkoncentrationer i jord, og til at evaluere modellens nøjagtighed og validering. Hybridiseringsmodeller blev evalueret ved hjælp af gennemsnitlig absolut fejl (MAE), rodmiddelkvadratfejl (RMSE) og R-kvadrat eller koefficientbestemmelse (R2). R2 definerer variansen af ​​proportionerne i svaret, repræsenteret af regressionsmodellen. RMSE og variansstørrelse i uafhængige målinger beskriver modellens prædiktive styrke, mens MAE bestemmer den faktiske kvantitative værdi. R2-værdien skal være høj for at evaluere den bedste blandingsmodel ved hjælp af valideringsparametrene. Jo tættere værdien er på 1, desto højere er nøjagtigheden. Ifølge Li et al. 59 betragtes en R2-kriteriumværdi på 0,75 eller derover som en god prædiktor; fra 0,5 til 0,75 er acceptabel modelydelse, og under 0,5 er uacceptabel modelydelse. Ved valg af en model ved hjælp af RMSE- og MAE-valideringskriteriernes evalueringsmetoder var de lavere opnåede værdier tilstrækkelige og blev betragtet som det bedste valg. Følgende ligning beskriver verifikationsmetoden.
hvor n repræsenterer størrelsen af ​​den observerede værdi, \({Y}_{i}\) repræsenterer det målte respons, og \({\widehat{Y}}_{i}\) også repræsenterer den forudsagte responsværdi, derfor for de første i observationer.
Statistiske beskrivelser af prædiktor- og responsvariabler er præsenteret i tabel 1, der viser middelværdi, standardafvigelse (SD), variationskoefficient (CV), minimum, maksimum, kurtose og skævhed. Minimums- og maksimumværdierne for elementerne er i faldende rækkefølge Mg < Ca < K < Ni og Ca < Mg < K < Ni, henholdsvis. Koncentrationerne af responsvariablen (Ni) udtaget fra studieområdet varierede fra 4,86 ​​til 42,39 mg/kg. Sammenligning af Ni med verdensgennemsnittet (29 mg/kg) og det europæiske gennemsnit (37 mg/kg) viste, at det samlede beregnede geometriske middelværdi for studieområdet var inden for det tolerable område. Ikke desto mindre, som vist af Kabata-Pendias11, viser en sammenligning af den gennemsnitlige nikkel (Ni) koncentration i den aktuelle undersøgelse med landbrugsjord i Sverige, at den nuværende gennemsnitlige nikkelkoncentration er højere. Ligeledes var den gennemsnitlige koncentration af Frydek Mistek i by- og peri-urbane jorde i den aktuelle undersøgelse (Ni 16,15 mg/kg) højere end den tilladte. grænse på 60 (10,2 mg/kg) for Ni i polske byjorde rapporteret af Różański et al. Desuden registrerede Bretzel og Calderisi61 meget lave gennemsnitlige Ni-koncentrationer (1,78 mg/kg) i byjorde i Toscana sammenlignet med den aktuelle undersøgelse. Jim62 fandt også en lavere nikkelkoncentration (12,34 mg/kg) i Hongkongs byjorde, hvilket er lavere end den nuværende nikkelkoncentration i denne undersøgelse. Birke et al63 rapporterede en gennemsnitlig Ni-koncentration på 17,6 mg/kg i et gammelt mine- og byindustriområde i Sachsen-Anhalt, Tyskland, hvilket var 1,45 mg/kg højere end den gennemsnitlige Ni-koncentration i området (16,15 mg/kg). Aktuel forskning. Det for høje nikkelindhold i jorde i nogle by- og forstadsområder i undersøgelsesområdet kan hovedsageligt tilskrives jern- og stålindustrien og metalindustrien. Dette er i overensstemmelse med undersøgelsen foretaget af Khodadoust et al. 64 at stålindustrien og metalbearbejdning er de vigtigste kilder til nikkelforurening i jordbunden. Prædiktorerne varierede dog også fra 538,70 mg/kg til 69.161,80 mg/kg for Ca, 497,51 mg/kg til 3535,68 mg/kg for K og 685,68 mg/kg til 5970,05 mg/kg for Mg. Jakovljevic et al. 65 undersøgte det samlede Mg- og K-indhold i jord i det centrale Serbien. De fandt, at de samlede koncentrationer (henholdsvis 410 mg/kg og 400 mg/kg) var lavere end Mg- og K-koncentrationerne i den aktuelle undersøgelse. Til sammenligning vurderede Orzechowski og Smolczynski66 i det østlige Polen det samlede indhold af Ca, Mg og K og viste gennemsnitlige koncentrationer af Ca (1100 mg/kg), Mg (590 mg/kg) og K (810 mg/kg). Indholdet i muldjorden er lavere end for det enkelte element i denne undersøgelse. En nylig undersøgelse foretaget af Pongrac et al. 67 viste, at det samlede Ca-indhold analyseret i 3 forskellige jordtyper i Skotland, Storbritannien (Mylnefield-jord, Balruddery-jord og Hartwood-jord) indikerede et højere Ca-indhold i denne undersøgelse.
På grund af de forskellige målte koncentrationer af de samplede elementer udviser datasætfordelingerne af elementerne forskellig skævhed. Elementernes skævhed og kurtose varierede fra henholdsvis 1,53 til 7,24 og 2,49 til 54,16. Alle beregnede elementer har skævheds- og kurtoseniveauer over +1, hvilket indikerer, at datafordelingen er uregelmæssig, skæv i den rigtige retning og toppet. De estimerede CV'er for elementerne viser også, at K, Mg og Ni udviser moderat variation, mens Ca har ekstremt høj variation. CV'erne for K, Ni og Mg forklarer deres ensartede fordeling. Desuden er Ca-fordelingen ikke-ensartet, og eksterne kilder kan påvirke dens berigelsesniveau.
Korrelationen mellem prædiktorvariablerne og responselementerne indikerede en tilfredsstillende korrelation mellem elementerne (se figur 3). Korrelationen indikerede, at CaK udviste moderat korrelation med r-værdi = 0,53, ligesom CaNi. Selvom Ca og K viser beskedne sammenhænge med hinanden, har forskere som Kingston et al. 68 og Santo69 antyder, at deres niveauer i jorden er omvendt proportionale. Ca og Mg er dog antagonistiske over for K, men CaK korrelerer godt. Dette kan skyldes anvendelsen af ​​gødning såsom kaliumcarbonat, som er 56% højere i kalium. Kalium var moderat korreleret med magnesium (KM r = 0,63). I gødningsindustrien er disse to elementer tæt beslægtede, fordi kaliummagnesiumsulfat, kaliummagnesiumnitrat og potash anvendes på jorden for at øge dens mangelniveauer. Nikkel er moderat korreleret med Ca, K og Mg med r-værdier = henholdsvis 0,52, 0,63 og 0,55. Forholdet mellem calcium, magnesium og PTE'er såsom nikkel er komplekst, men ikke desto mindre hæmmer magnesium calciumabsorption, calcium reducerer virkningerne af overskydende magnesium, og både magnesium og calcium reducerer de toksiske virkninger af nikkel i jorden.
Korrelationsmatrix for elementer, der viser forholdet mellem prædiktorer og responser (Bemærk: Denne figur inkluderer et scatterplot mellem elementer, signifikansniveauer er baseret på p < 0,001).
Figur 4 illustrerer den rumlige fordeling af elementer. Ifølge Burgos et al.70 er anvendelsen af ​​rumlig fordeling en teknik, der bruges til at kvantificere og fremhæve hotspots i forurenede områder. Berigelsesniveauerne af Ca i figur 4 kan ses i den nordvestlige del af det rumlige fordelingskort. Figuren viser hotspots med moderat til høj Ca-berigelse. Kalciumberigelsen i den nordvestlige del af kortet skyldes sandsynligvis brugen af ​​​​brændt kalk (calciumoxid) til at reducere jordens surhedsgrad og dets anvendelse i stålværker som alkalisk ilt i stålfremstillingsprocessen. På den anden side foretrækker andre landmænd at bruge calciumhydroxid i sure jorde til at neutralisere pH, hvilket også øger jordens calciumindhold71. Kalium viser også hotspots i den nordvestlige og østlige del af kortet. Nordvest er et vigtigt landbrugssamfund, og det moderate til høje mønster af kalium kan skyldes NPK- og kaliumanvendelser. Dette er i overensstemmelse med andre undersøgelser, såsom Madaras og Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, som observerede, at jordstabilisering og behandling med KCl og NPK resulterede i et højt K-indhold i jorden. Rumlig kaliumberigelse i den nordvestlige del af udbredelseskortet kan skyldes brugen af ​​kaliumbaserede gødninger såsom kaliumklorid, kaliumsulfat, kaliumnitrat, kaliumklorid og kaliumklorid for at øge kaliumindholdet i magre jorde. Zádorová et al. 76 og Tlustoš et al. 77 skitserede, at anvendelse af K-baseret gødning øgede K-indholdet i jorden og ville øge jordens næringsstofindhold betydeligt på lang sigt, især K og Mg, der viser et hotspot i jorden. Relativt moderate hotspots i den nordvestlige del af kortet og den sydøstlige del af kortet. Kolloid fiksering i jorden udtømmer koncentrationen af ​​magnesium i jorden. Mangel på magnesium i jorden får planter til at udvise gullig intervene-klorose. Magnesiumbaseret gødning, såsom kaliummagnesiumsulfat, magnesiumsulfat og kieserit, behandler mangler (planter fremstår lilla, røde eller brune, hvilket indikerer magnesiummangel) i jord med et normalt pH-område6. Ophobningen af ​​nikkel på bymæssige og peri-bymæssige jordoverflader kan skyldes menneskeskabte aktiviteter såsom landbrug og vigtigheden af ​​nikkel i produktionen af ​​rustfrit stål78.
Rumlig fordeling af elementer [kort over rumlig fordeling blev oprettet ved hjælp af ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com).]
Resultaterne af modelpræstationsindekset for de elementer, der blev anvendt i denne undersøgelse, er vist i tabel 2. På den anden side er RMSE og MAE for Ni begge tæt på nul (0,86 RMSE, -0,08 MAE). På den anden side er både RMSE- og MAE-værdierne for K acceptable. RMSE- og MAE-resultaterne var større for calcium og magnesium. Ca og K MAE- og RMSE-resultaterne er større på grund af forskellige datasæt. RMSE og MAE i denne undersøgelse, der brugte EBK til at forudsige Ni, viste sig at være bedre end resultaterne fra John et al. 54, der brugte synergistisk kriging til at forudsige S-koncentrationer i jord ved hjælp af de samme indsamlede data. De EBK-output, vi studerede, korrelerer med dem fra Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 og John et al. 82, især K og Ni.
Ydeevnen af ​​individuelle metoder til forudsigelse af nikkelindhold i bymæssige og peri-urbane jorde blev evalueret ved hjælp af modellernes ydeevne (Tabel 3). Modelvalidering og nøjagtighedsevaluering bekræftede, at Ca_Mg_K-prædiktoren kombineret med EBK SVMR-modellen gav den bedste ydeevne. Kalibreringsmodel Ca_Mg_K-EBK_SVMR model R2, rodmiddelkvadratfejl (RMSE) og middelabsolutfejl (MAE) var 0,637 (R2), 95,479 mg/kg (RMSE) og 77,368 mg/kg (MAE). Ca_Mg_K-SVMR var 0,663 (R2), 235,974 mg/kg (RMSE) og 166,946 mg/kg (MAE). Ikke desto mindre blev der opnået gode R2-værdier for Ca_Mg_K-SVMR (0,663 mg/kg R2) og Ca_Mg-EBK_SVMR (0,643 = R2); Deres RMSE- og MAE-resultater var højere end for Ca_Mg_K-EBK_SVMR (R2 0,637) (se tabel 3). Derudover er RMSE og MAE for Ca_Mg-EBK_SVMR-modellen (RMSE = 1664,64 og MAE = 1031,49) henholdsvis 17,5 og 13,4, hvilket er større end for Ca_Mg_K-EBK_SVMR. Ligeledes er RMSE og MAE for Ca_Mg-K SVMR-modellen (RMSE = 235,974 og MAE = 166,946) 2,5 og 2,2 større end for henholdsvis Ca_Mg_K-EBK_SVMR RMSE og MAE. De beregnede RMSE-resultater indikerer, hvor koncentreret datasættet er med den bedste tilpasningslinje. Højere RSME og MAE blev observeret. Ifølge Kebonye et al. al. 46 og john et al. 54, jo tættere RMSE og MAE er på nul, desto bedre er resultaterne. SVMR og EBK_SVMR har højere kvantiserede RSME- og MAE-værdier. Det blev observeret, at RSME-estimaterne var konsekvent højere end MAE-værdierne, hvilket indikerer tilstedeværelsen af ​​outliers. Ifølge Legates og McCabe83 anbefales det omfang, i hvilket RMSE overstiger den gennemsnitlige absolutte fejl (MAE), som en indikator for tilstedeværelsen af ​​outliers. Det betyder, at jo mere heterogent datasættet er, desto højere er MAE- og RMSE-værdierne. Nøjagtigheden af ​​krydsvalideringsvurderingen af ​​den blandede Ca_Mg_K-EBK_SVMR-model til forudsigelse af Ni-indhold i by- og forstadsjord var 63,70%. Ifølge Li et al. 59 er dette nøjagtighedsniveau en acceptabel modelpræstationsrate. De nuværende resultater sammenlignes med en tidligere undersøgelse af Tarasov et al. 36 hvis hybridmodel skabte MLPRK (Multilayer Perceptron Residual Kriging), relateret til EBK_SVMR-nøjagtighedsevalueringsindekset rapporteret i den aktuelle undersøgelse, RMSE (210) og MAE (167,5) var højere end vores resultater i den aktuelle undersøgelse (RMSE 95,479, MAE 77,368). Men når man sammenligner R2 i den aktuelle undersøgelse (0,637) med Tarasov et al. 36 (0,544) er det tydeligt, at determinationskoefficienten (R2) er højere i denne blandede model. Fejlmarginen (RMSE og MAE) (EBK SVMR) for den blandede model er dobbelt så lav. Ligeledes registrerede Sergeev et al.34 0,28 (R2) for den udviklede hybridmodel (Multilayer Perceptron Residual Kriging), mens Ni i den aktuelle undersøgelse registrerede 0,637 (R2). Forudsigelsesnøjagtigheden for denne model (EBK SVMR) er 63,7%, mens forudsigelsesnøjagtigheden opnået af Sergeev et al.34 er 28%. Det endelige kort (fig. 5) oprettet ved hjælp af EBK_SVMR-modellen og Ca_Mg_K som prædiktor viser forudsigelser af hotspots og moderat til nikkel over hele undersøgelsesområdet. Dette betyder, at koncentrationen af ​​nikkel i undersøgelsesområdet hovedsageligt er moderat, med højere koncentrationer i nogle specifikke områder.
Det endelige forudsigelseskort er repræsenteret ved hjælp af hybridmodellen EBK_SVMR og Ca_Mg_K som prædiktor. [Det rumlige fordelingskort blev oprettet ved hjælp af RStudio (version 1.4.1717: https://www.rstudio.com/).]
Figur 6 viser PTE-koncentrationer som et sammensætningsplan bestående af individuelle neuroner. Ingen af ​​komponentplanerne udviste det samme farvemønster som vist. Det passende antal neuroner pr. tegnet kort er dog 55. SeOM produceres ved hjælp af en række forskellige farver, og jo mere ens farvemønstrene er, desto mere sammenlignelige er prøvernes egenskaber. Ifølge deres præcise farveskala viste individuelle elementer (Ca, K og Mg) lignende farvemønstre som enkelte højordensneuroner og de fleste lavordensneuroner. CaK og CaMg deler således nogle ligheder med meget højordensneuroner og lav-til-moderate farvemønstre. Begge modeller forudsiger koncentrationen af ​​Ni i jord ved at vise mellemstore til høje farvenuancer såsom rød, orange og gul. KMg-modellen viser mange høje farvemønstre baseret på præcise proportioner og lave til mellemstore farvepletter. På en præcis farveskala fra lav til høj viste det plane fordelingsmønster for modellens komponenter et højt farvemønster, der angiver den potentielle koncentration af nikkel i jorden (se figur 4). CakMg-modellens komponentplan viser et forskelligartet farvemønster fra lav til høj i henhold til en nøjagtig farveskala. Desuden svarer modellens forudsigelse af nikkelindhold (CakMg) til den rumlige fordeling af nikkel vist i figur 5. Begge grafer viser høje, mellemstore og lave andele af nikkelkoncentrationer i bymæssige og peri-urbane jorde. Figur 7 viser konturmetoden i k-meningsgrupperingen på kortet, opdelt i tre klynger baseret på den forudsagte værdi i hver model. Konturmetoden repræsenterer det optimale antal klynger. Af de 115 indsamlede jordprøver fik kategori 1 flest jordprøver, 74. Klynge 2 modtog 33 prøver, mens klynge 3 modtog 8 prøver. Den syv-komponent plane prædiktorkombination blev forenklet for at muliggøre korrekt klyngefortolkning. På grund af de mange menneskeskabte og naturlige processer, der påvirker jorddannelsen, er det vanskeligt at have korrekt differentierede klyngemønstre i et distribueret SeOM-kort78.
Komponentplanoutput fra hver Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variabel. [SeOM-kort blev oprettet ved hjælp af RStudio (version 1.4.1717: https://www.rstudio.com/).]
Forskellige klyngeklassificeringskomponenter [SeOM-kort blev oprettet ved hjælp af RStudio (version 1.4.1717: https://www.rstudio.com/).]
Den aktuelle undersøgelse illustrerer tydeligt modelleringsteknikker for nikkelkoncentrationer i by- og peri-urbane jorde. Undersøgelsen testede forskellige modelleringsteknikker, hvor elementer kombineredes med modelleringsteknikker, for at opnå den bedste måde at forudsige nikkelkoncentrationer i jord. SeOM-modelleringsteknikkens sammensætningsplanære rumlige træk udviste et højt farvemønster fra lav til høj på en nøjagtig farveskala, hvilket indikerer Ni-koncentrationer i jorden. Imidlertid bekræfter det rumlige fordelingskort den plane rumlige fordeling af komponenter, der udvises af EBK_SVMR (se figur 5). Resultaterne viser, at support vector machine-regressionsmodellen (CaMgK-SVMR) forudsiger koncentrationen af ​​Ni i jord som en enkelt model, men validerings- og nøjagtighedsevalueringsparametrene viser meget høje fejl med hensyn til RMSE og MAE. På den anden side er modelleringsteknikken, der anvendes med EBK_MLR-modellen, også mangelfuld på grund af den lave værdi af bestemmelseskoefficienten (R2). Gode resultater blev opnået ved hjælp af EBK SVMR og kombinerede elementer (CaKMg) med lave RMSE- og MAE-fejl med en nøjagtighed på 63,7%. Det viser sig, at kombinationen af ​​EBK-algoritmen med En maskinlæringsalgoritme kan generere en hybridalgoritme, der kan forudsige koncentrationen af ​​PTE'er i jorden. Resultaterne viser, at brugen af ​​CaMgK som prædiktorer til at forudsige Ni-koncentrationer i undersøgelsesområdet kan forbedre forudsigelsen af ​​Ni i jord. Det betyder, at kontinuerlig anvendelse af nikkelbaseret gødning og industriel forurening af jorden fra stålindustrien har en tendens til at øge koncentrationen af ​​nikkel i jorden. Denne undersøgelse viste, at EBK-modellen kan reducere fejlniveauet og forbedre nøjagtigheden af ​​modellen for jordens rumlige fordeling i by- eller peri-urbane jorde. Generelt foreslår vi at anvende EBK-SVMR-modellen til at vurdere og forudsige PTE i jord; derudover foreslår vi at bruge EBK til at hybridisere med forskellige maskinlæringsalgoritmer. Ni-koncentrationer blev forudsagt ved hjælp af elementer som kovariater; brugen af ​​flere kovariater ville dog forbedre modellens ydeevne betydeligt, hvilket kan betragtes som en begrænsning af det nuværende arbejde. En anden begrænsning af denne undersøgelse er, at antallet af datasæt er 115. Derfor kan ydeevnen af ​​den foreslåede optimerede hybridiseringsmetode forbedres, hvis der leveres flere data.
PlantProbs.net. Nikkel i planter og jord https://plantprobs.net/plant/nutrientImbalances/sodium.html (Besøgt 28. april 2021).
Kasprzak, KS Nickel fremskridt inden for moderne miljøtoksikologi.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikkel: En gennemgang af dets kilder og miljøtoksikologi. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Forurenende stoffers tilførsel fra atmosfæren og ophobning i jord og vegetation nær et nikkel-kobber-smelteværk i Sudbury, Ontario, Canada. can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Tungmetaller i jord, planter og risici forbundet med græssende drøvtyggere nær Selebi-Phikwe kobber-nikkelminen i Botswana. surroundings. Geochemistry. Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Sporstoffer i jord og… – 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= (Set den 24. november 2020).
Almås, A., Singh, B., Landbrug, TS-NJ af & 1995, udefineret. Effekter af den russiske nikkelindustri på tungmetalkoncentrationer i landbrugsjord og græsser i Sør-Varanger, Norge. agris.fao.org.
Nielsen, GD et al. Nikkelabsorption og -retention i drikkevand er relateret til fødeindtag og nikkelfølsomhed. toksikologi. anvendelse. Farmakodynamik. 154, 67-75 (1999).
Costa, M. & Klein, CB Nikkelkarcinogenese, mutation, epigenetik eller selektion. Omgivelser. Sundhedsperspektiv. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Trendanalyse af potentielt giftige elementer: en bibliometrisk gennemgang. Miljøgeokemi og sundhed. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital jordkortlægning: En kort historie og nogle erfaringer. 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 Geostatistisk Reservoirmodellering,… – 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= (Tilgået 28. april 2021).