Vielen Dank für Ihren Besuch auf Nature.com. Ihre Browserversion bietet nur eingeschränkte CSS-Unterstützung. Für eine optimale Darstellung empfehlen wir Ihnen, einen aktuellen Browser zu verwenden (oder den Kompatibilitätsmodus im Internet Explorer zu deaktivieren). Um die Unterstützung weiterhin zu gewährleisten, wird die Website bis dahin ohne CSS-Stile und JavaScript angezeigt.
Bodenverschmutzung ist ein großes, durch menschliche Aktivitäten verursachtes Problem. Die räumliche Verteilung potenziell toxischer Elemente (PTEs) variiert in den meisten städtischen und stadtnahen Gebieten. Daher ist es schwierig, den PTE-Gehalt in solchen Böden räumlich vorherzusagen. Insgesamt wurden 115 Proben aus Frydek Mistek in der Tschechischen Republik entnommen. Die Konzentrationen von Calcium (Ca), Magnesium (Mg), Kalium (K) und Nickel (Ni) wurden mittels induktiv gekoppelter Plasma-Emissionsspektrometrie bestimmt. Die Zielvariable ist Ni, die Prädiktoren sind Ca, Mg und K. Die Korrelationsmatrix zwischen Ziel- und Prädiktorvariable zeigt eine zufriedenstellende Korrelation zwischen den Elementen. Die Vorhersageergebnisse zeigten, dass die Support Vector Machine Regression (SVMR) gute Ergebnisse lieferte, obwohl ihr geschätzter mittlerer quadratischer Fehler (RMSE) (235,974 mg/kg) und ihr mittlerer absoluter Fehler (MAE) (166,946 mg/kg) höher waren als bei den anderen angewandten Methoden. Gemischte Modelle für empirisches Bayesian Kriging-Multiple Lineare Regression Die Ergebnisse des EBK-MLR-Modells sind unbefriedigend, wie die Bestimmtheitsmaße unter 0,1 belegen. Das empirische Bayes'sche Kriging-Support-Vector-Machine-Regressionsmodell (EBK-SVMR) erwies sich als bestes Modell mit niedrigen RMSE- (95,479 mg/kg) und MAE-Werten (77,368 mg/kg) sowie einem hohen Bestimmtheitsmaß (R² = 0,637). Die Ergebnisse des EBK-SVMR-Modellierungsverfahrens werden mithilfe einer selbstorganisierenden Karte visualisiert. Die gruppierten Neuronen in der Ebene der Hybridmodellkomponente CakMg-EBK-SVMR zeigen verschiedene Farbmuster, die die Ni-Konzentrationen in urbanen und periurbanen Böden vorhersagen. Die Ergebnisse zeigen, dass die Kombination von EBK und SVMR eine effektive Methode zur Vorhersage von Ni-Konzentrationen in urbanen und periurbanen Böden darstellt.
Nickel (Ni) gilt als Mikronährstoff für Pflanzen, da es zur Stickstofffixierung (N) aus der Atmosphäre und zum Harnstoffstoffwechsel beiträgt, die beide für die Keimung von Samen notwendig sind. Zusätzlich zu seinem Beitrag zur Keimung kann Ni als Pilz- und Bakterienhemmer wirken und die Pflanzenentwicklung fördern. Ein Nickelmangel im Boden führt zur Aufnahme durch die Pflanze und damit zu Chlorose der Blätter. Beispielsweise benötigen Augenbohnen und grüne Bohnen die Anwendung nickelhaltiger Düngemittel, um die Stickstofffixierung zu optimieren. Die kontinuierliche Anwendung nickelhaltiger Düngemittel zur Bodenanreicherung und Steigerung der Stickstofffixierungsfähigkeit von Leguminosen erhöht die Nickelkonzentration im Boden. Obwohl Nickel ein Mikronährstoff für Pflanzen ist, kann eine übermäßige Aufnahme im Boden mehr schaden als nutzen. Die Toxizität von Nickel im Boden senkt den pH-Wert und behindert die Aufnahme von Eisen als essentiellem Nährstoff für das Pflanzenwachstum. Laut Liu ist Ni das 17. wichtige Element für die Pflanzenentwicklung und das Pflanzenwachstum. Neben der Rolle von Nickel in der Pflanzenentwicklung und Aufgrund des menschlichen Wachstums wird Nickel für eine Vielzahl von Anwendungen benötigt. Galvanisieren, die Herstellung von Nickelbasislegierungen und die Fertigung von Zündvorrichtungen und Zündkerzen in der Automobilindustrie erfordern den Einsatz von Nickel in verschiedenen Industriezweigen. Darüber hinaus finden Nickelbasislegierungen und galvanisierte Artikel breite Anwendung in Küchengeräten, Accessoires für Ballsäle, Lebensmittelzutaten, Elektrotechnik, Drähten und Kabeln, Strahlturbinen, chirurgischen Implantaten, Textilien und im Schiffbau⁵. Hohe Nickelkonzentrationen in Böden (d. h. Oberböden) werden sowohl anthropogenen als auch natürlichen Quellen zugeschrieben, wobei Nickel primär natürlichen Ursprungs ist⁴,⁶. Natürliche Nickelquellen sind Vulkanausbrüche, Vegetation, Waldbrände und geologische Prozesse; anthropogene Quellen umfassen Nickel-Cadmium-Batterien in der Stahlindustrie, Galvanisieren, Lichtbogenschweißen, Diesel und Heizöle sowie atmosphärische Emissionen aus der Kohleverbrennung und der Verbrennung von Abfällen und Klärschlamm. Nickelakkumulation⁷,⁸. Laut Freedman und Hutchinson⁹ sowie Manyiwa et al. 10. Die Hauptquellen der Oberbodenverschmutzung in der unmittelbaren und angrenzenden Umgebung sind vor allem Nickel-Kupfer-Hütten und -Bergwerke. Der Oberboden um die Nickel-Kupfer-Raffinerie in Sudbury, Kanada, wies mit 26.000 mg/kg die höchsten Nickelbelastungen auf.11. Im Gegensatz dazu führte die Verschmutzung durch die Nickelproduktion in Russland zu höheren Nickelkonzentrationen im norwegischen Boden.11. Laut Alms et al. 12. Die Menge an HNO3-extrahierbarem Nickel in den besten Ackerböden der Region (Nickelproduktion in Russland) lag zwischen 6,25 und 136,88 mg/kg, was einem Mittelwert von 30,43 mg/kg und einer Basiskonzentration von 25 mg/kg entspricht. Laut Kabata 11 kann die Ausbringung von Phosphordüngern auf landwirtschaftlichen Böden in städtischen oder stadtnahen Gebieten über mehrere Anbausaisons hinweg zu einer Anreicherung oder Kontamination des Bodens führen. Die potenziellen Auswirkungen von Nickel auf den Menschen können durch Mutagenese, Chromosomenschäden, Z-DNA-Bildung, Blockierung der DNA-Reparatur oder epigenetische Prozesse 13 zu Krebs führen. In Tierversuchen wurde festgestellt, dass Nickel das Potenzial besitzt, verschiedene Tumore zu verursachen, und karzinogene Nickelkomplexe können solche Tumore verschlimmern.
Die Bewertung von Bodenkontaminationen hat in jüngster Zeit aufgrund einer Vielzahl gesundheitlicher Probleme, die sich aus Boden-Pflanzen-Beziehungen, Boden- und Bodenbiologie, ökologischer Degradation und Umweltverträglichkeitsprüfung ergeben, stark zugenommen. Bislang war die räumliche Vorhersage potenziell toxischer Elemente (PTEs) wie Nickel im Boden mit traditionellen Methoden aufwendig und zeitintensiv. Die Einführung der digitalen Bodenkartierung (DSM) und ihre bisherigen Erfolge¹⁵ haben die prädiktive Bodenkartierung (PSM) erheblich verbessert. Laut Minasny und McBratney¹⁶ hat sich die prädiktive Bodenkartierung (DSM) als eine bedeutende Teildisziplin der Bodenkunde etabliert. Lagacherie und McBratney (2006) definieren DSM als „die Erstellung und Befüllung räumlicher Bodeninformationssysteme durch die Anwendung von In-situ- und Laborbeobachtungsmethoden sowie räumlichen und nicht-räumlichen Bodeninferenzsystemen“. 17. Darin wird dargelegt, dass das moderne DSM oder PSM die effektivste Technik zur Vorhersage oder Kartierung der räumlichen Verteilung von PTEs, Bodentypen und Bodeneigenschaften ist. Geostatistik und Algorithmen des maschinellen Lernens (MLA) sind DSM-Modellierungstechniken, die mithilfe von Computern aus umfangreichen und minimalen Daten digitalisierte Karten erstellen.
Deutsch18 und Olea19 definieren Geostatistik als „die Gesamtheit der numerischen Verfahren zur Darstellung räumlicher Attribute, hauptsächlich unter Verwendung stochastischer Modelle, wie sie beispielsweise in der Zeitreihenanalyse zur Charakterisierung zeitlicher Daten eingesetzt werden.“ Geostatistik umfasst primär die Auswertung von Variogrammen, welche die Quantifizierung und Definition der Abhängigkeiten räumlicher Werte aus jedem Datensatz ermöglichen.20.Gumiaux et al. Abbildung 20 verdeutlicht weiterhin, dass die Auswertung von Variogrammen in der Geostatistik auf drei Prinzipien beruht: (a) der Berechnung des Korrelationskoeffizienten der Daten, (b) der Identifizierung und Berechnung der Anisotropie in der Datendisparität und (c) der Berücksichtigung des inhärenten Messfehlers, getrennt von lokalen Effekten, sowie der Schätzung von Flächeneffekten. Aufbauend auf diesen Konzepten werden in der Geostatistik zahlreiche Interpolationstechniken eingesetzt, darunter allgemeines Kriging, Co-Kriging, gewöhnliches Kriging, empirisches Bayes'sches Kriging, die einfache Kriging-Methode und weitere bekannte Verfahren zur Kartierung oder Vorhersage von PTE, Bodeneigenschaften und Bodentypen.
Maschinelle Lernalgorithmen (MLA) sind eine relativ neue Technik, die mit größeren, nichtlinearen Datenklassen arbeitet. Sie basieren auf Algorithmen, die primär für Data Mining, die Mustererkennung in Daten und die Klassifizierung in wissenschaftlichen Bereichen wie der Bodenkunde eingesetzt werden. Zahlreiche Forschungsarbeiten nutzen MLA-Modelle zur Vorhersage potenziell toxischer Elemente (PTE) in Böden, beispielsweise Tan et al.²² (Random Forests zur Schwermetallbestimmung in landwirtschaftlichen Böden) und Sakizadeh et al.²³ (Modellierung der Bodenverschmutzung mittels Support Vector Machines und künstlicher neuronaler Netze). Auch Vega et al.²⁴ (CART zur Modellierung der Schwermetallretention und -adsorption im Boden) und Sun et al.²⁵ (Anwendung von Cubist zur Verteilung von Cadmium im Boden) sowie andere Algorithmen wie k-Nearest Neighbor, Generalized Boosted Regression und Boosted Regression Trees wenden MLA zur Vorhersage von PTE in Böden an.
Die Anwendung von DSM-Algorithmen zur Vorhersage oder Kartierung steht vor mehreren Herausforderungen. Viele Autoren vertreten die Ansicht, dass die Multi-Level-Analyse (MLA) der Geostatistik überlegen ist und umgekehrt. Obwohl die eine Methode ihre Vorzüge hat, verbessert die Kombination beider die Genauigkeit der Kartierung oder Vorhersage in DSM15. Woodcock und Gopal26, Finke27, Pontius und Cheuk28 sowie Grunwald29 weisen auf Mängel und Fehler in der prognostizierten Bodenkartierung hin. Bodenkundler haben verschiedene Techniken erprobt, um die Effektivität, Genauigkeit und Vorhersagbarkeit der DSM-Kartierung und -Vorhersage zu optimieren. Die Kombination von Unsicherheit und Verifizierung ist einer von vielen Aspekten, die in DSM integriert sind, um die Effektivität zu optimieren und Fehler zu reduzieren. Agyeman et al.15 weisen jedoch darauf hin, dass das Validierungsverhalten und die durch Kartenerstellung und -vorhersage eingeführte Unsicherheit unabhängig validiert werden sollten, um die Kartenqualität zu verbessern. Die Grenzen des DSM liegen in der geografisch verteilten Bodenqualität begründet, die eine Unsicherheitskomponente beinhaltet. Die Unsicherheit im digitalen Oberflächenmodell (DOM) kann jedoch auf verschiedene Fehlerquellen zurückzuführen sein, darunter Kovariatenfehler, Modellfehler, Lagefehler und analytische Fehler.³¹ Modellierungsungenauigkeiten, die durch MLA- und geostatistische Prozesse entstehen, hängen mit einem mangelnden Verständnis zusammen und führen letztlich zu einer Vereinfachung des realen Prozesses.³² Unabhängig von der Art der Modellierung können Ungenauigkeiten auf Modellparameter, mathematische Modellvorhersagen oder Interpolation zurückgeführt werden.³³ In jüngster Zeit hat sich ein neuer Trend im DOM herausgebildet, der die Integration von Geostatistik und MLA in Kartierung und Prognose fördert. Mehrere Bodenkundler und Autoren, wie beispielsweise Sergeev et al.³⁴, Subbotina et al.³⁵, Tarasov et al.³⁶ und Tarasov et al.³⁷, haben die hohe Genauigkeit von Geostatistik und maschinellem Lernen genutzt, um Hybridmodelle zu entwickeln, die die Effizienz von Prognose und Kartierung verbessern. Qualität. Zu diesen hybriden oder kombinierten Algorithmusmodellen gehören 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 und Co-Kriging und Gaussian Process Regression38.
Laut Sergeev et al. bietet die Kombination verschiedener Modellierungstechniken das Potenzial, Defekte zu beseitigen und die Effizienz des resultierenden Hybridmodells zu steigern, anstatt ein einzelnes Modell zu entwickeln. In diesem Kontext argumentiert die vorliegende Arbeit, dass die Anwendung eines kombinierten Algorithmus aus Geostatistik und multipler linearer Interpolation (MLA) notwendig ist, um optimale Hybridmodelle zur Vorhersage der Nickelanreicherung in urbanen und periurbanen Gebieten zu erstellen. Die Studie verwendet Empirical Bayesian Kriging (EBK) als Basismodell und kombiniert es mit Support Vector Machine (SVM) und multipler linearer Regression (MLR). Eine Hybridisierung von EBK mit MLA ist bisher nicht bekannt. Die bekannten gemischten Modelle kombinieren gewöhnliches Kriging, Residualkriging, Regressionskriging und MLA. EBK ist eine geostatistische Interpolationsmethode, die einen räumlich stochastischen Prozess nutzt, der als nicht-stationäres/stationäres Zufallsfeld mit definierten Lokalisierungsparametern über das Feld lokalisiert wird und räumliche Variationen ermöglicht. EBK wurde in verschiedenen Studien eingesetzt, unter anderem zur Analyse der Verteilung von organischem Kohlenstoff in landwirtschaftlichen Böden und zur Bewertung von Bodenqualitäten. Verschmutzung41 und Kartierung der Bodeneigenschaften42.
Andererseits ist Self-Organizing Graph (SeOM) ein Lernalgorithmus, der in verschiedenen Artikeln wie Li et al.⁴³, Wang et al.⁴⁴, Hossain Bhuiyan et al.⁴⁵ und Kebonye et al.⁴⁶ Anwendung findet, um die räumlichen Attribute und Gruppierungen von Elementen zu bestimmen. Wang et al.⁴⁴ beschreiben SeOM als leistungsstarke Lerntechnik, die für ihre Fähigkeit bekannt ist, nichtlineare Probleme zu gruppieren und zu visualisieren. Im Gegensatz zu anderen Mustererkennungsverfahren wie der Hauptkomponentenanalyse, Fuzzy-Clustering, hierarchischem Clustering und multikriterieller Entscheidungsfindung eignet sich SeOM besser zur Organisation und Identifizierung von PTE-Mustern. Laut Wang et al.⁴⁴ kann SeOM die Verteilung verwandter Neuronen räumlich gruppieren und hochauflösende Datenvisualisierungen ermöglichen. SeOM visualisiert Ni-Vorhersagedaten, um das beste Modell zur Charakterisierung der Ergebnisse für eine direkte Interpretation zu erhalten.
Diese Arbeit zielt darauf ab, ein robustes Kartierungsmodell mit optimaler Genauigkeit zur Vorhersage des Nickelgehalts in urbanen und stadtnahen Böden zu entwickeln. Wir gehen davon aus, dass die Zuverlässigkeit des Mischmodells maßgeblich vom Einfluss anderer, dem Basismodell beigefügter Modelle abhängt. Wir sind uns der Herausforderungen bewusst, vor denen das DSM steht, und obwohl diese Herausforderungen auf verschiedenen Ebenen angegangen werden, scheinen die Fortschritte in der Kombination von Geostatistik und MLA-Modellen nur schrittweise zu erfolgen. Daher werden wir versuchen, Forschungsfragen zu beantworten, die zu Mischmodellen führen können. Wie genau ist das Modell jedoch bei der Vorhersage des Zielelements? Wie hoch ist die Effizienzbewertung basierend auf Validierung und Genauigkeitsbewertung? Die spezifischen Ziele dieser Studie waren daher: (a) die Erstellung eines kombinierten Mischmodells für SVMR oder MLR unter Verwendung von EBK als Basismodell, (b) der Vergleich der resultierenden Modelle, (c) die Empfehlung des besten Mischmodells zur Vorhersage von Ni-Konzentrationen in urbanen oder stadtnahen Böden und (d) die Anwendung von SeOM zur Erstellung einer hochauflösenden Karte der räumlichen Variation von Nickel.
Die Studie wird in der Tschechischen Republik durchgeführt, genauer gesagt im Bezirk Frydek Mistek in der Region Mährisch-Schlesien (siehe Abbildung 1). Das Untersuchungsgebiet ist sehr zerklüftet und gehört größtenteils zu den Mährisch-Schlesischen Beskiden, die Teil des äußeren Randes der Karpaten sind. Das Untersuchungsgebiet liegt zwischen 49° 41′ 0′ N und 18° 20′ 0′ O und die Höhe liegt zwischen 225 und 327 m; Die Klimaklassifikation nach Köppen stuft die Region als Cfb (gemäßigtes ozeanisches Klima) ein. Selbst in den Trockenmonaten fällt reichlich Niederschlag. Die Temperaturen schwanken im Jahresverlauf leicht zwischen −5 °C und 24 °C und fallen selten unter −14 °C oder über 30 °C. Der durchschnittliche Jahresniederschlag liegt zwischen 685 und 752 mm.⁴⁷ Das Untersuchungsgebiet umfasst schätzungsweise 1.208 Quadratkilometer, davon sind 39,38 % landwirtschaftlich genutzt und 49,36 % bewaldet. Das in dieser Studie verwendete Gebiet umfasst hingegen etwa 889,8 Quadratkilometer. In und um Ostrava sind die Stahlindustrie und die Metallverarbeitung stark vertreten. Zu den wichtigsten Wirtschaftszweigen zählen Metallwerke, die Stahlindustrie (in der Nickel in Edelstählen, z. B. zur Korrosionsbeständigkeit, und in legierten Stählen verwendet wird – Nickel erhöht die Festigkeit der Legierung bei gleichzeitiger Erhaltung ihrer Duktilität und Zähigkeit) sowie die intensive Landwirtschaft mit Phosphatdüngung und Viehhaltung. Die Produktion dient der Erforschung potenzieller Nickelquellen in der Region (z. B. durch die Zugabe von Nickel zu Lämmern zur Steigerung der Wachstumsraten und bei schlecht gefütterten Rindern). Weitere industrielle Anwendungen von Nickel in Forschungsbereichen umfassen die Verwendung in der Galvanotechnik, einschließlich der galvanischen und stromlosen Vernickelung. Die Bodeneigenschaften lassen sich leicht anhand von Bodenfarbe, -struktur und Karbonatgehalt bestimmen. Die Bodenart ist mittel bis fein und vom Ausgangsmaterial geprägt. Die Böden sind kolluvialer, alluvialer oder äolischer Natur. Einige Bodenflächen weisen an der Oberfläche und im Unterboden ein geflecktes Erscheinungsbild auf, oft mit Beton- und Bleichspuren. Cambisole und Stagnosole sind jedoch die häufigsten Bodentypen in der Region.⁴⁸ In Höhenlagen zwischen 455,1 und 493,5 m dominieren Cambisole in Tschechien.⁴⁹
Karte des Untersuchungsgebiets [Die Karte des Untersuchungsgebiets wurde mit ArcGIS Desktop (ESRI, Inc., Version 10.7, URL: https://desktop.arcgis.com) erstellt.]
Insgesamt wurden 115 Oberbodenproben aus städtischen und stadtnahen Gebieten im Bezirk Frydek Mistek entnommen. Die Probenahme erfolgte in einem regelmäßigen Raster mit einem Abstand von 2 × 2 km zwischen den Bodenproben. Die Oberbodentiefe wurde mit einem Hand-GPS-Gerät (Leica Zeno 5 GPS) in 0 bis 20 cm Tiefe gemessen. Die Proben wurden in Ziploc-Beuteln verpackt, ordnungsgemäß beschriftet und ins Labor transportiert. Dort wurden sie luftgetrocknet, mit einer Fritsch-Scheibenmühle pulverisiert und gesiebt (Siebgröße 2 mm). Jeweils 1 Gramm der getrockneten, homogenisierten und gesiebten Bodenproben wurde in deutlich beschriftete Teflonflaschen gegeben. In jede Flasche wurden 7 ml 35%ige HCl und 3 ml 65%ige HNO₃ (jeweils mit einem automatischen Dosierer) gegeben, leicht abgedeckt und über Nacht für die Reaktion stehen gelassen (Königswasserprogramm). Der Überstand wurde auf eine Die Proben wurden 2 Stunden lang auf einer heißen Metallplatte (Temperatur: 100 W und 160 °C) erhitzt, um den Aufschluss zu beschleunigen, und anschließend abgekühlt. Der Überstand wurde in einen 50-ml-Messkolben überführt und mit deionisiertem Wasser auf 50 ml aufgefüllt. Anschließend wurde der verdünnte Überstand mit deionisiertem Wasser in ein 50-ml-PVC-Röhrchen filtriert. Zusätzlich wurden 1 ml der Verdünnungslösung mit 9 ml deionisiertem Wasser verdünnt und in ein 12-ml-Röhrchen für die PTE-Pseudokonzentration filtriert. Die Konzentrationen der Spurenelemente (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) wurden mittels ICP-OES (optische Emissionsspektroskopie mit induktiv gekoppeltem Plasma) (Thermo Fisher Scientific, USA) gemäß Standardmethoden und Vereinbarung bestimmt. Die Qualitätssicherungs- und Kontrollverfahren (QS/QK) wurden eingehalten (SRM NIST 2711a Montana II). PTEs mit Nachweisgrenzen unterhalb der Hälfte wurden von dieser Studie ausgeschlossen. Die Nachweisgrenze des in dieser Studie verwendeten PTE betrug 0,0004 (Sie). Darüber hinaus wird die Qualitätskontrolle und -sicherung für jede Analyse durch die Analyse von Referenzstandards gewährleistet. Um Fehler zu minimieren, wurde eine Doppelanalyse durchgeführt.
Empirisches Bayesianisches Kriging (EBK) ist eine von vielen geostatistischen Interpolationstechniken, die in der Modellierung verschiedener Bereiche wie der Bodenkunde eingesetzt werden. Im Gegensatz zu anderen Kriging-Interpolationsverfahren berücksichtigt EBK den durch das Semivariogramm-Modell geschätzten Fehler. Bei der EBK-Interpolation werden mehrere Semivariogramm-Modelle anstelle eines einzelnen berechnet. Interpolationstechniken ermöglichen es, die Unsicherheit und den Programmieraufwand zu bewältigen, die mit der Erstellung des Semivariogramms verbunden sind, welches einen hochkomplexen Bestandteil eines ausreichenden Kriging-Verfahrens darstellt. Der Interpolationsprozess von EBK folgt den drei von Krivoruchko⁵⁰ vorgeschlagenen Kriterien: (a) Das Modell schätzt das Semivariogramm aus dem Eingabedatensatz, (b) der neue vorhergesagte Wert für jeden Punkt des Eingabedatensatzes basiert auf dem generierten Semivariogramm und (c) das endgültige Modell wird aus einem simulierten Datensatz berechnet. Die Bayes'sche Gleichungsregel wird als A-posteriori-Wert angegeben.
Dabei repräsentiert \(Prob\left(A\right)\) die A-priori-Wahrscheinlichkeit, \(Prob\left(B\right)\) die Randwahrscheinlichkeit, die in den meisten Fällen vernachlässigt wird, und \(Prob (B,A)\ ). Die Berechnung des Semivariogramms basiert auf dem Bayes-Theorem, welches die Wahrscheinlichkeit angibt, mit der sich aus Semivariogrammen ein Datensatz von Beobachtungen erstellen lässt. Der Wert des Semivariogramms wird anschließend mithilfe des Bayes-Theors bestimmt, welches angibt, wie wahrscheinlich es ist, aus dem Semivariogramm einen Datensatz von Beobachtungen zu erstellen.
Eine Support-Vektor-Maschine (SVM) ist ein Algorithmus des maschinellen Lernens, der eine optimale Trennhyperebene generiert, um identische, aber nicht linear unabhängige Klassen zu unterscheiden. Vapnik⁵¹ entwickelte den Algorithmus zur Intention-Klassifizierung, der jedoch in letzter Zeit auch zur Lösung regressionsorientierter Probleme eingesetzt wird. Laut Li et al.⁵² zählt SVM zu den besten Klassifikationsverfahren und findet in verschiedenen Bereichen Anwendung. In dieser Analyse wurde die Regressionskomponente von SVM (Support Vector Machine Regression – SVMR) verwendet. Cherkassky und Mulier⁵³ entwickelten SVMR als kernelbasierte Regression, deren Berechnung mithilfe eines linearen Regressionsmodells mit länderübergreifenden räumlichen Funktionen durchgeführt wurde. John et al.⁵⁴ berichten, dass die SVMR-Modellierung eine lineare Hyperebenenregression verwendet, welche nichtlineare Beziehungen erzeugt und räumliche Funktionen ermöglicht. Laut Vohland et al. 55, Epsilon (ε)-SVMR verwendet den trainierten Datensatz, um ein Repräsentationsmodell als Epsilon-unempfindliche Funktion zu erhalten. Dieses Modell wird angewendet, um die Daten unabhängig mit der besten Epsilon-Verzerrung aus dem Training mit korrelierten Daten abzubilden. Der voreingestellte Distanzfehler wird vom tatsächlichen Wert ignoriert, und falls der Fehler größer als ε(ε) ist, kompensieren die Bodeneigenschaften ihn. Das Modell reduziert außerdem die Komplexität der Trainingsdaten auf eine breitere Teilmenge von Stützvektoren. Die von Vapnik51 vorgeschlagene Gleichung ist unten dargestellt.
Dabei steht b für den Skalarschwellenwert, \(K\left({x}_{,}{ x}_{k}\right)\) für die Kernelfunktion, \(\alpha\) für den Lagrange-Multiplikator, N für einen numerischen Datensatz, \({x}_{k}\) für die Eingabedaten und \(y\) für die Ausgabedaten. Einer der wichtigsten verwendeten Kernel ist die SVMR-Operation, eine Gaußsche Radialbasisfunktion (RBF). Der RBF-Kernel wird angewendet, um das optimale SVMR-Modell zu bestimmen. Dies ist entscheidend, um den optimalen Strafparameter C und den Kernelparameter γ für die PTE-Trainingsdaten zu ermitteln. Zunächst wurde der Trainingsdatensatz ausgewertet und anschließend die Modellleistung anhand des Validierungsdatensatzes getestet. Der verwendete Steuerungsparameter ist σ, und der Methodenwert ist svmRadial.
Ein multiples lineares Regressionsmodell (MLR) ist ein Regressionsmodell, das die Beziehung zwischen der Zielgröße und mehreren Prädiktorvariablen mithilfe linearer gepoolter Parameter darstellt, die mit der Methode der kleinsten Quadrate berechnet werden. Im MLR ist ein Kleinste-Quadrate-Modell eine Vorhersagefunktion der Bodeneigenschaften nach Auswahl der erklärenden Variablen. Es ist notwendig, die Zielgröße zu verwenden, um eine lineare Beziehung zwischen den erklärenden Variablen herzustellen. PTE wurde als Zielgröße verwendet, um eine lineare Beziehung mit den erklärenden Variablen herzustellen. Die MLR-Gleichung lautet:
wobei y die Zielvariable ist, \(a\) der Achsenabschnitt, n die Anzahl der Prädiktoren, \({b}_{1}\) die partielle Regression der Koeffizienten, \({x}_{ i}\) ein Prädiktor oder eine erklärende Variable und \({\varepsilon }_{i}\) der Fehler im Modell, auch Residuum genannt.
Gemischte Modelle wurden durch die Kombination von EBK mit SVMR und MLR erstellt. Dies geschieht durch die Extraktion von Vorhersagewerten aus der EBK-Interpolation. Die aus den interpolierten Ca-, K- und Mg-Werten gewonnenen Vorhersagewerte werden durch einen kombinatorischen Prozess zu neuen Variablen wie CaK, CaMg und KMg verarbeitet. Die Elemente Ca, K und Mg werden anschließend zu einer vierten Variable, CaKMg, kombiniert. Insgesamt ergeben sich die Variablen Ca, K, Mg, CaK, CaMg, KMg und CaKMg. Diese Variablen dienen als Prädiktoren zur Vorhersage der Nickelkonzentrationen in urbanen und periurbanen Böden. Der SVMR-Algorithmus wurde auf die Prädiktoren angewendet, um ein gemischtes Modell, Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM), zu erhalten. Analog dazu werden die Variablen auch durch den MLR-Algorithmus geleitet, um ein gemischtes Modell, Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR), zu erhalten. Typischerweise werden die Variablen Ca, K, Mg, CaK, CaMg, KMg und CaKMg werden als Kovariaten zur Vorhersage des Ni-Gehalts in urbanen und periurbanen Böden verwendet. Das geeignetste Modell (EBK_SVM oder EBK_MLR) wird anschließend mithilfe eines selbstorganisierenden Graphen visualisiert. Der Arbeitsablauf dieser Studie ist in Abbildung 2 dargestellt.
Die Verwendung von SeOM hat sich zu einem beliebten Werkzeug für die Organisation, Auswertung und Prognose von Daten im Finanzsektor, Gesundheitswesen, der Industrie, der Statistik, der Bodenkunde und weiteren Bereichen entwickelt. SeOM basiert auf künstlichen neuronalen Netzen und unüberwachten Lernverfahren zur Organisation, Auswertung und Vorhersage von Daten. In dieser Studie wurde SeOM eingesetzt, um Ni-Konzentrationen anhand des besten Modells zur Vorhersage von Ni in urbanen und periurbanen Böden zu visualisieren. Die in der SeOM-Auswertung verarbeiteten Daten werden als n-dimensionale Eingabevektorvariablen verwendet.^43,56 Melssen et al. 57 beschreibt die Verbindung eines Eingangsvektors in ein neuronales Netzwerk über eine einzelne Eingangsschicht zu einem Ausgabvektor mit einem einzelnen Gewichtsvektor. Die von SeOM erzeugte Ausgabe ist eine zweidimensionale Karte, die aus verschiedenen Neuronen oder Knoten besteht, die je nach ihrer Nähe zu hexagonalen, kreisförmigen oder quadratischen topologischen Karten verwoben sind. Durch Vergleich der Kartengrößen anhand der Metrik Quantisierungsfehler (QE) und topografischer Fehler (TE) wird das SeOM-Modell mit 0,086 bzw. 0,904 ausgewählt, das aus 55 Karteneinheiten (5 × 11) besteht. Die Neuronenstruktur wird gemäß der Anzahl der Knoten in der empirischen Gleichung bestimmt.
Die vorliegende Studie umfasst 115 Proben. Die Daten wurden per Zufallsprinzip in Testdaten (25 % zur Validierung) und Trainingsdaten (75 % zur Kalibrierung) aufgeteilt. Mit den Trainingsdaten wurde das Regressionsmodell erstellt (Kalibrierung), während die Testdaten zur Überprüfung der Generalisierungsfähigkeit verwendet wurden. Dies diente der Beurteilung der Eignung verschiedener Modelle zur Vorhersage des Nickelgehalts in Böden. Alle verwendeten Modelle wurden einer zehnfachen Kreuzvalidierung unterzogen, die fünfmal wiederholt wurde. Die mittels EBK-Interpolation erzeugten Variablen dienten als Prädiktoren bzw. erklärende Variablen zur Vorhersage der Zielvariablen (PTE). Die Modellierung erfolgte in RStudio mithilfe der Pakete `library(Kohonen)`, `library(caret)`, `library(modelr)`, `library("e1071")`, `library("plyr")`, `library("caTools")`, `library("prospectr")` und `library("Metrics")`.
Zur Bestimmung des besten Modells zur Vorhersage von Nickelkonzentrationen im Boden und zur Bewertung der Genauigkeit des Modells und seiner Validierung wurden verschiedene Validierungsparameter verwendet. Hybridisierungsmodelle wurden anhand des mittleren absoluten Fehlers (MAE), des mittleren quadratischen Fehlers (RMSE) und des Bestimmtheitsmaßes (R²) bewertet. R² definiert die Varianz der Anteile in der Antwort, dargestellt durch das Regressionsmodell. RMSE und Varianzgröße unabhängiger Messungen beschreiben die Vorhersagekraft des Modells, während MAE den tatsächlichen quantitativen Wert bestimmt. Der R²-Wert muss hoch sein, um das beste Mischungsmodell anhand der Validierungsparameter zu bewerten; je näher der Wert an 1 liegt, desto höher ist die Genauigkeit. Laut Li et al.⁵⁹ gilt ein R²-Kriteriumwert von 0,75 oder höher als guter Prädiktor. Werte zwischen 0,5 und 0,75 gelten als akzeptable Modellleistung, Werte unter 0,5 als inakzeptabel. Bei der Modellauswahl anhand der Validierungskriterien RMSE und MAE erwiesen sich die niedrigeren Werte als ausreichend und wurden als beste Wahl angesehen. Die folgende Gleichung beschreibt die Verifizierungsmethode.
wobei n die Größe des beobachteten Wertes darstellt, \({Y}_{i}\) die gemessene Antwort darstellt und \({\widehat{Y}}_{i}\) auch den vorhergesagten Antwortwert darstellt, also für die ersten i Beobachtungen.
Statistische Beschreibungen der Prädiktor- und Zielvariablen sind in Tabelle 1 dargestellt. Diese Tabelle zeigt Mittelwert, Standardabweichung (SD), Variationskoeffizient (CV), Minimum, Maximum, Kurtosis und Schiefe. Die Minimal- und Maximalwerte der Elemente folgen der absteigenden Reihenfolge Mg < Ca < K < Ni bzw. Ca < Mg < K < Ni. Die Konzentrationen der Zielvariablen (Ni) in den Proben des Untersuchungsgebiets lagen zwischen 4,86 ​​und 42,39 mg/kg. Ein Vergleich der Ni-Werte mit dem weltweiten Durchschnitt (29 mg/kg) und dem europäischen Durchschnitt (37 mg/kg) ergab, dass der berechnete geometrische Mittelwert für das Untersuchungsgebiet im tolerierbaren Bereich lag. Wie Kabata-Pendias¹¹ jedoch gezeigt hat, ist die durchschnittliche Nickelkonzentration (Ni) in der vorliegenden Studie im Vergleich zu landwirtschaftlichen Böden in Schweden höher. Ebenso ist die mittlere Konzentration von Frydek Mistek in urbanen und periurbanen Böden in der vorliegenden Studie (Ni) höher. Der Nickelgehalt (16,15 mg/kg) lag über dem zulässigen Grenzwert von 60 mg/kg (10,2 mg/kg) für Nickel in polnischen Stadtböden, wie von Różański et al. berichtet. Bretzel und Calderisi⁶¹ ermittelten zudem sehr niedrige mittlere Nickelkonzentrationen (1,78 mg/kg) in Stadtböden der Toskana im Vergleich zur vorliegenden Studie. Jim⁶² fand ebenfalls eine niedrigere Nickelkonzentration (12,34 mg/kg) in Stadtböden in Hongkong, die unter der in dieser Studie gemessenen Nickelkonzentration liegt. Birke et al.⁶³ berichteten über eine durchschnittliche Nickelkonzentration von 17,6 mg/kg in einem alten Bergbau- und Industriegebiet in Sachsen-Anhalt, die 1,45 mg/kg über der durchschnittlichen Nickelkonzentration in diesem Gebiet (16,15 mg/kg) lag. Die erhöhte Nickelkonzentration in den Böden einiger Stadt- und Vorstadtgebiete des Untersuchungsgebiets ist vermutlich hauptsächlich auf die Eisen- und Stahlindustrie sowie die Metallindustrie zurückzuführen. Dies deckt sich mit den Ergebnissen der Studie von Khodadoust et al. 64 stellten fest, dass die Stahlindustrie und die Metallverarbeitung die Hauptquellen für Nickelbelastung in Böden sind. Die Prädiktoren reichten jedoch auch von 538,70 mg/kg bis 69.161,80 mg/kg für Ca, von 497,51 mg/kg bis 3.535,68 mg/kg für K und von 685,68 mg/kg bis 5.970,05 mg/kg für Mg. Jakovljevic et al. 65 untersuchten den Gesamtgehalt an Magnesium und Kalium in Böden in Zentralserbien. Sie stellten fest, dass die Gesamtkonzentrationen (410 mg/kg bzw. 400 mg/kg) niedriger waren als die in der vorliegenden Studie ermittelten Magnesium- und Kaliumkonzentrationen. Ebenso bestimmten Orzechowski und Smolczynski66 in Ostpolen den Gesamtgehalt an Calcium, Magnesium und Kalium und ermittelten durchschnittliche Konzentrationen von Calcium (1100 mg/kg), Magnesium (590 mg/kg) und Kalium (810 mg/kg). Der Gehalt im Oberboden ist niedriger als der in dieser Studie ermittelte Gehalt an einzelnen Elementen. Eine neuere Studie von Pongrac et al.67 zeigte, dass der in drei verschiedenen Böden in Schottland (Mylnefield-Boden, Balruddery-Boden und Hartwood-Boden) analysierte Gesamt-Calciumgehalt höher war als in dieser Studie.
Aufgrund der unterschiedlichen gemessenen Konzentrationen der untersuchten Elemente weisen die Datenverteilungen der Elemente unterschiedliche Schiefe auf. Die Schiefe und Kurtosis der Elemente lagen zwischen 1,53 und 7,24 bzw. zwischen 2,49 und 54,16. Alle berechneten Elemente weisen Schiefe- und Kurtosiswerte über +1 auf, was auf eine unregelmäßige, rechtsschiefe und spitze Datenverteilung hindeutet. Die geschätzten Variationskoeffizienten (CVs) der Elemente zeigen zudem, dass K, Mg und Ni eine moderate, Ca hingegen eine extrem hohe Variabilität aufweisen. Die CVs von K, Ni und Mg erklären deren gleichmäßige Verteilung. Die Ca-Verteilung ist hingegen ungleichmäßig, und externe Quellen könnten den Anreicherungsgrad beeinflussen.
Die Korrelation der Prädiktorvariablen mit den Antwortvariablen ergab eine zufriedenstellende Korrelation zwischen den Elementen (siehe Abbildung 3). Die Korrelation zeigte, dass CaK eine moderate Korrelation mit einem r-Wert von 0,53 aufwies, ebenso wie CaNi. Obwohl Ca und K nur geringe Zusammenhänge miteinander zeigen, haben Forscher wie Kingston et al. 68 und Santo69 legen nahe, dass ihre Konzentrationen im Boden umgekehrt proportional sind. Calcium und Magnesium wirken jedoch antagonistisch zu Kalium, wobei die Korrelation zwischen Calcium und Kalium gut ist. Dies könnte auf die Anwendung von Düngemitteln wie Kaliumcarbonat zurückzuführen sein, das einen um 56 % höheren Kaliumgehalt aufweist. Kalium korrelierte mäßig mit Magnesium (KM r = 0,63). In der Düngemittelindustrie sind diese beiden Elemente eng miteinander verbunden, da Kaliummagnesiumsulfat, Kaliummagnesiumnitrat und Kaliumcarbonat zur Behebung von Mangelerscheinungen im Boden eingesetzt werden. Nickel korreliert mäßig mit Calcium, Kalium und Magnesium (r = 0,52, 0,63 bzw. 0,55). Die Zusammenhänge zwischen Calcium, Magnesium und Spurenelementen wie Nickel sind komplex. Dennoch hemmt Magnesium die Calciumaufnahme, Calcium reduziert die Auswirkungen von überschüssigem Magnesium, und sowohl Magnesium als auch Calcium verringern die toxischen Wirkungen von Nickel im Boden.
Korrelationsmatrix für Elemente, die die Beziehung zwischen Prädiktoren und Antworten zeigt (Hinweis: Diese Abbildung enthält ein Streudiagramm zwischen Elementen, Signifikanzniveaus basieren auf p < 0,001).
Abbildung 4 veranschaulicht die räumliche Verteilung der Elemente. Laut Burgos et al.⁷⁰ dient die Anwendung der räumlichen Verteilungsanalyse dazu, Hotspots in belasteten Gebieten zu quantifizieren und hervorzuheben. Die Anreicherung von Calcium (Ca) in Abb. 4 ist im nordwestlichen Teil der Karte zu erkennen. Die Abbildung zeigt Hotspots mit mittlerer bis hoher Ca-Anreicherung. Die Calcium-Anreicherung im Nordwesten der Karte ist wahrscheinlich auf die Verwendung von Branntkalk (Calciumoxid) zur Reduzierung der Bodenazidität und dessen Einsatz in Stahlwerken als alkalischer Sauerstoff im Stahlherstellungsprozess zurückzuführen. Andererseits bevorzugen andere Landwirte die Verwendung von Calciumhydroxid in sauren Böden zur pH-Neutralisierung, was ebenfalls den Calciumgehalt des Bodens erhöht.⁷¹ Auch Kalium zeigt Hotspots im Nordwesten und Osten der Karte. Der Nordwesten ist ein wichtiges Agrargebiet, und das mittlere bis hohe Kaliummuster könnte auf die Anwendung von NPK-Dünger und Kali zurückzuführen sein. Dies steht im Einklang mit anderen Studien, wie z. B. von Madaras und Lipavský⁷² sowie Madaras et al.⁷³. Pulkrabová et al.⁷⁴ und Asare et al.⁷⁵ beobachteten, dass Bodenstabilisierung und -behandlung mit KCl und NPK zu einem hohen Kaliumgehalt im Boden führten. Die räumliche Kaliumanreicherung im Nordwesten des Verbreitungsgebiets könnte auf die Verwendung kaliumhaltiger Düngemittel wie Kaliumchlorid, Kaliumsulfat, Kaliumnitrat, Kali und Kaliumcarbonat zur Anreicherung nährstoffarmer Böden zurückzuführen sein. Zádorová et al.⁷⁶ und Tlustoš et al. 77 wurde dargelegt, dass die Anwendung kaliumhaltiger Düngemittel den Kaliumgehalt im Boden erhöht und langfristig den Nährstoffgehalt des Bodens deutlich steigern würde, insbesondere den von Kalium und Magnesium, die im Boden einen Hotspot aufweisen. Relativ moderate Hotspots befinden sich im Nordwesten und Südosten der Karte. Die kolloidale Fixierung im Boden verringert die Magnesiumkonzentration. Magnesiummangel im Boden führt bei Pflanzen zu gelblicher Interaderchlorose. Magnesiumhaltige Düngemittel wie Kaliummagnesiumsulfat, Magnesiumsulfat und Kieserit beheben Mangelerscheinungen (Pflanzen erscheinen violett, rot oder braun, was auf Magnesiummangel hinweist) in Böden mit normalem pH-Wert.6 Die Anreicherung von Nickel auf städtischen und stadtnahen Bodenoberflächen kann auf anthropogene Aktivitäten wie die Landwirtschaft und die Bedeutung von Nickel in der Edelstahlproduktion zurückzuführen sein.78
Räumliche Verteilung der Elemente [Die Karte der räumlichen Verteilung wurde mit ArcGIS Desktop (ESRI, Inc., Version 10.7, URL: https://desktop.arcgis.com) erstellt.]
Die Ergebnisse der Modellleistungsindizes für die in dieser Studie verwendeten Elemente sind in Tabelle 2 dargestellt. Die RMSE- und MAE-Werte für Nickel liegen nahe bei null (0,86 RMSE, -0,08 MAE). Die RMSE- und MAE-Werte für Kalium sind hingegen akzeptabel. Für Calcium und Magnesium waren die RMSE- und MAE-Werte höher. Die höheren Werte für Calcium und Kalium sind auf unterschiedliche Datensätze zurückzuführen. Die in dieser Studie mit EBK zur Vorhersage von Nickel erzielten RMSE- und MAE-Werte waren besser als die Ergebnisse von John et al.⁵⁴, die mit synergistischem Kriging die Schwefelkonzentrationen im Boden anhand derselben erhobenen Daten vorhersagten. Die von uns untersuchten EBK-Ergebnisse korrelieren mit denen von Fabijaczyk et al.⁴¹, Yan et al.⁷⁹, Beguin et al.⁸⁰, Adhikary et al.⁸¹ und John et al.⁸², insbesondere für Kalium und Nickel.
Die Leistungsfähigkeit einzelner Methoden zur Vorhersage des Nickelgehalts in urbanen und periurbanen Böden wurde anhand der Modellleistung bewertet (Tabelle 3). Die Modellvalidierung und Genauigkeitsbewertung bestätigten, dass der Ca_Mg_K-Prädiktor in Kombination mit dem EBK-SVMR-Modell die beste Leistung erbrachte. Die Werte für das Kalibrierungsmodell Ca_Mg_K-EBK_SVMR betrugen R² 0,637, RMSE 95,479 mg/kg und MAE 77,368 mg/kg. Die Werte für das Modell Ca_Mg_K-SVMR betrugen R² 0,663, RMSE 235,974 mg/kg und MAE 166,946 mg/kg. Dennoch wurden gute R²-Werte für Ca_Mg_K-SVMR (0,663 mg/kg R²) und Ca_Mg-EBK_SVMR erzielt. (0,643 = R²); Ihre RMSE- und MAE-Werte waren höher als die des Ca_Mg_K-EBK_SVMR-Modells (R² = 0,637) (siehe Tabelle 3). Darüber hinaus sind die RMSE- und MAE-Werte des Ca_Mg-EBK_SVMR-Modells (RMSE = 1664,64 und MAE = 1031,49) mit 17,5 bzw. 13,4 höher als die des Ca_Mg_K-EBK_SVMR-Modells. Ebenso sind die RMSE- und MAE-Werte des Ca_Mg-K-SVMR-Modells (RMSE = 235,974 und MAE = 166,946) um 2,5 bzw. 2,2 höher als die des Ca_Mg_K-EBK_SVMR-Modells. Die berechneten RMSE-Werte zeigen, wie stark die Datenpunkte um die Regressionsgerade konzentriert sind. Es wurden höhere RMSE- und MAE-Werte beobachtet. Laut Kebonye et al. Wie bereits von al. 46 und John et al. 54 festgestellt, sind die Ergebnisse umso besser, je näher RMSE und MAE an Null liegen. SVMR und EBK_SVMR weisen höhere quantisierte RMSE- und MAE-Werte auf. Es wurde beobachtet, dass die RMSE-Schätzwerte durchweg höher als die MAE-Werte waren, was auf das Vorhandensein von Ausreißern hindeutet. Laut Legates und McCabe 83 wird das Ausmaß, in dem der RMSE den mittleren absoluten Fehler (MAE) übersteigt, als Indikator für das Vorhandensein von Ausreißern empfohlen. Dies bedeutet, dass je heterogener der Datensatz ist, desto höher die MAE- und RMSE-Werte sind. Die Genauigkeit der Kreuzvalidierungsbewertung des Ca_Mg_K-EBK_SVMR-Mischmodells zur Vorhersage des Ni-Gehalts in städtischen und vorstädtischen Böden betrug 63,70 %. Laut Li et al. 59 ist diese Genauigkeit eine akzeptable Modellleistung. Die vorliegenden Ergebnisse werden mit einer früheren Studie von Tarasov et al. verglichen. 36, deren Hybridmodell MLPRK (Multilayer Perceptron Residual Kriging) erzeugte, bezogen auf den in der vorliegenden Studie berichteten Genauigkeitsbewertungsindex EBK_SVMR, waren RMSE (210) und MAE (167,5) höher als unsere Ergebnisse in der vorliegenden Studie (RMSE 95,479, MAE 77,368). Beim Vergleich des R² der vorliegenden Studie (0,637) mit dem von Tarasov et al. Aus dem Wert 36 (0,544) geht hervor, dass der Bestimmtheitskoeffizient (R²) in diesem gemischten Modell höher ist. Die Fehlermarge (RMSE und MAE) (EBK SVMR) ist für das gemischte Modell halb so groß. Auch Sergeev et al.³⁴ erzielten für das entwickelte Hybridmodell (Multilayer Perceptron Residual Kriging) einen R²-Wert von 0,28, während Ni in der vorliegenden Studie einen R²-Wert von 0,637 erreichte. Die Vorhersagegenauigkeit dieses Modells (EBK SVMR) liegt bei 63,7 %, während die von Sergeev et al.³⁴ erzielte Genauigkeit 28 % beträgt. Die mit dem EBK-SVMR-Modell und Ca_Mg_K als Prädiktor erstellte Karte (Abb. 5) zeigt für das gesamte Untersuchungsgebiet Hotspots und mittlere Nickelkonzentrationen. Dies bedeutet, dass die Nickelkonzentration im Untersuchungsgebiet überwiegend moderat ist, mit höheren Konzentrationen in einigen spezifischen Bereichen.
Die endgültige Vorhersagekarte wird mithilfe des Hybridmodells EBK_SVMR und unter Verwendung von Ca_Mg_K als Prädiktor dargestellt. [Die Karte der räumlichen Verteilung wurde mit RStudio (Version 1.4.1717: https://www.rstudio.com/) erstellt.]
Abbildung 6 zeigt die PTE-Konzentrationen als Kompositionsebene, bestehend aus einzelnen Neuronen. Keine der Komponentenebenen wies das gleiche Farbmuster auf. Die optimale Anzahl an Neuronen pro Karte beträgt jedoch 55. SeOM wird mit verschiedenen Farben erstellt, und je ähnlicher die Farbmuster sind, desto vergleichbarer sind die Eigenschaften der Proben. Gemäß ihrer präzisen Farbskala zeigten die einzelnen Elemente (Ca, K und Mg) ähnliche Farbmuster wie einzelne Neuronen hoher Ordnung und die meisten Neuronen niedriger Ordnung. CaK und CaMg weisen daher Ähnlichkeiten mit Neuronen sehr hoher Ordnung und niedrigen bis mittleren Farbmustern auf. Beide Modelle sagen die Ni-Konzentration im Boden voraus, indem sie mittlere bis hohe Farbtöne wie Rot, Orange und Gelb darstellen. Das KMg-Modell zeigt viele hohe Farbmuster basierend auf präzisen Proportionen und niedrige bis mittlere Farbbereiche. Auf einer präzisen Farbskala von niedrig bis hoch zeigte das planare Verteilungsmuster der Komponenten des Modells ein hohes Farbmuster, das auf die potenzielle Nickelkonzentration im Boden hinweist (siehe Abbildung 4). Die Komponentenebene des CakMg-Modells zeigt ein vielfältiges Farbmuster von niedrig bis hoch gemäß einer präzisen Farbskala. Darüber hinaus ähnelt die Vorhersage des Nickelgehalts (CakMg) durch das Modell der räumlichen Nickelverteilung in Abbildung 5. Beide Diagramme zeigen hohe, mittlere und niedrige Anteile von Nickelkonzentrationen in urbanen und periurbanen Böden. Abbildung 7 veranschaulicht die Konturmethode der k-Means-Gruppierung auf der Karte, die anhand der vorhergesagten Werte jedes Modells in drei Cluster unterteilt ist. Die Konturmethode stellt die optimale Anzahl von Clustern dar. Von den 115 gesammelten Bodenproben entfielen die meisten auf Kategorie 1 (74 Proben), Cluster 2 auf 33 und Cluster 3 auf 8 Proben. Die Kombination der sieben planaren Prädiktoren wurde vereinfacht, um eine korrekte Clusterinterpretation zu ermöglichen. Aufgrund der zahlreichen anthropogenen und natürlichen Prozesse, die die Bodenbildung beeinflussen, ist es schwierig, in einer verteilten SeOM-Karte (SeOM-Karte) klar differenzierte Clustermuster zu erhalten.
Komponentenebene, ausgegeben von jeder Variablen der Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [SeOM-Karten wurden mit RStudio (Version 1.4.1717: https://www.rstudio.com/) erstellt.]
Verschiedene Cluster-Klassifizierungskomponenten [SeOM-Karten wurden mit RStudio (Version 1.4.1717: https://www.rstudio.com/) erstellt.]
Die vorliegende Studie veranschaulicht Modellierungstechniken für Nickelkonzentrationen in urbanen und periurbanen Böden. Verschiedene Modellierungstechniken wurden getestet und Elemente mit Modellierungstechniken kombiniert, um die beste Methode zur Vorhersage von Nickelkonzentrationen im Boden zu ermitteln. Die planaren räumlichen Merkmale der SeOM-Zusammensetzung der Modellierungstechnik zeigten ein deutliches Farbmuster von niedrig nach hoch auf einer präzisen Farbskala, was auf die Nickelkonzentrationen im Boden hinweist. Die räumliche Verteilungskarte bestätigt die planare räumliche Verteilung der Komponenten, die durch EBK_SVMR dargestellt wird (siehe Abbildung 5). Die Ergebnisse zeigen, dass das Support-Vector-Machine-Regressionsmodell (Ca Mg K-SVMR) die Nickelkonzentration im Boden als Einzelmodell vorhersagt, die Validierungs- und Genauigkeitsbewertungsparameter jedoch sehr hohe Fehler in Bezug auf RMSE und MAE aufweisen. Andererseits ist die mit dem EBK_MLR-Modell verwendete Modellierungstechnik aufgrund des niedrigen Bestimmtheitsmaßes (R²) ebenfalls fehlerhaft. Gute Ergebnisse wurden mit EBK SVMR und kombinierten Elementen (CaKMg) mit niedrigen RMSE- und MAE-Fehlern und einer Genauigkeit von … erzielt. 63,7 %. Es zeigte sich, dass die Kombination des EBK-Algorithmus mit einem Algorithmus für maschinelles Lernen einen Hybridalgorithmus hervorbringen kann, der die Konzentration von Spurenelementen im Boden vorhersagen kann. Die Ergebnisse zeigen, dass die Verwendung von Ca, Mg und K als Prädiktoren zur Vorhersage der Ni-Konzentrationen im Untersuchungsgebiet die Vorhersage von Ni im Boden verbessern kann. Dies bedeutet, dass die kontinuierliche Anwendung nickelhaltiger Düngemittel und die industrielle Bodenverschmutzung durch die Stahlindustrie tendenziell die Nickelkonzentration im Boden erhöhen. Diese Studie ergab, dass das EBK-Modell den Fehler reduzieren und die Genauigkeit des Modells der räumlichen Bodenverteilung in urbanen oder periurbanen Böden verbessern kann. Im Allgemeinen schlagen wir vor, das EBK-SVMR-Modell zur Bewertung und Vorhersage von Spurenelementen im Boden anzuwenden; darüber hinaus schlagen wir vor, EBK mit verschiedenen Algorithmen des maschinellen Lernens zu hybridisieren. Die Ni-Konzentrationen wurden unter Verwendung von Elementen als Kovariaten vorhergesagt; Die Verwendung weiterer Kovariaten würde die Leistungsfähigkeit des Modells jedoch deutlich verbessern, was als Einschränkung der vorliegenden Arbeit betrachtet werden kann. Eine weitere Einschränkung dieser Studie ist die geringe Anzahl von 115 Datensätzen. Durch die Bereitstellung weiterer Daten könnte die Leistungsfähigkeit der vorgeschlagenen optimierten Hybridisierungsmethode verbessert werden.
PlantProbs.net.Nickel in Pflanzen und Böden https://plantprobs.net/plant/nutrientImbalances/sodium.html (Zugriff am 28. April 2021).
Kasprzak, KS Nickel advances in modern environmental toxicology.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Eine Übersicht über seine Quellen und Umwelttoxikologie. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Schadstoffeintrag aus der Atmosphäre und Anreicherung in Boden und Vegetation in der Nähe einer Nickel-Kupfer-Schmelzhütte in Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Schwermetalle in Boden und Pflanzen sowie Risiken im Zusammenhang mit der Beweidung von Wiederkäuern in der Nähe der Kupfer-Nickel-Mine Selebi-Phikwe in Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Kabata-Pendias A. 2011. Spurenelemente in Böden und Pflanzen… – 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= (Zugriff am 24. November 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian nickel industry on heavy metal concentrations in agricultural soils and grasses in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Die Absorption und Retention von Nickel im Trinkwasser hängen mit der Nahrungsaufnahme und der Nickelempfindlichkeit zusammen. Toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​NM; Trendanalyse potenziell toxischer Elemente: eine bibliometrische Übersicht. Environmental Geochemistry and Health. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitale Bodenkartierung: Eine kurze Geschichte und einige Lehren. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Zur digitalen Bodenkartierung.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= (Zugriff am 28. April 2021).