Σας ευχαριστούμε που επισκεφθήκατε το Nature.com. Η έκδοση του προγράμματος περιήγησης που χρησιμοποιείτε έχει περιορισμένη υποστήριξη για CSS. Για την καλύτερη δυνατή εμπειρία, συνιστούμε να χρησιμοποιήσετε ένα ενημερωμένο πρόγραμμα περιήγησης (ή να απενεργοποιήσετε τη λειτουργία συμβατότητας στον Internet Explorer). Εν τω μεταξύ, για να διασφαλίσουμε τη συνεχή υποστήριξη, θα εμφανίζουμε τον ιστότοπο χωρίς στυλ και JavaScript.
Η ρύπανση του εδάφους αποτελεί ένα μεγάλο πρόβλημα που προκαλείται από τις ανθρώπινες δραστηριότητες. Η χωρική κατανομή των δυνητικά τοξικών στοιχείων (PTE) ποικίλλει στις περισσότερες αστικές και περιαστικές περιοχές. Επομένως, είναι δύσκολο να προβλεφθεί χωρικά η περιεκτικότητα των PTE σε τέτοια εδάφη. Συνολικά 115 δείγματα ελήφθησαν από την Frydek Mistek στην Τσεχική Δημοκρατία. Οι συγκεντρώσεις ασβεστίου (Ca), μαγνησίου (Mg), καλίου (K) και νικελίου (Ni) προσδιορίστηκαν χρησιμοποιώντας φασματομετρία εκπομπής επαγωγικά συζευγμένου πλάσματος. Η μεταβλητή απόκρισης είναι το Ni και οι προγνωστικοί παράγοντες είναι Ca, Mg και K. Ο πίνακας συσχέτισης μεταξύ της μεταβλητής απόκρισης και της μεταβλητής προγνωστικού παράγοντα δείχνει μια ικανοποιητική συσχέτιση μεταξύ των στοιχείων. Τα αποτελέσματα πρόβλεψης έδειξαν ότι η Παλινδρόμηση Μηχανής Διανύσματος Υποστήριξης (SVMR) είχε καλή απόδοση, αν και το εκτιμώμενο μέσο τετραγωνικό σφάλμα ρίζας (RMSE) (235,974 mg/kg) και το μέσο απόλυτο σφάλμα (MAE) (166,946 mg/kg) ήταν υψηλότερα από τις άλλες μεθόδους που εφαρμόστηκαν. Τα μικτά μοντέλα για Εμπειρική Bayesian Kriging-Πολλαπλή Γραμμική Παλινδρόμηση (EBK-MLR) είχαν κακή απόδοση, όπως αποδεικνύεται από συντελεστές προσδιορισμού μικρότεροι από 0,1. Το μοντέλο Εμπειρικής Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ήταν το καλύτερο μοντέλο, με χαμηλές τιμές RMSE (95,479 mg/kg) και MAE (77,368 mg/kg) και υψηλό συντελεστή προσδιορισμού (R2 = 0,637). Η έξοδος της τεχνικής μοντελοποίησης EBK-SVMR απεικονίζεται χρησιμοποιώντας έναν αυτοοργανούμενο χάρτη. Οι ομαδοποιημένοι νευρώνες στο επίπεδο του υβριδικού μοντέλου CakMg-EBK-SVMR παρουσιάζουν πολλαπλά χρωματικά μοτίβα που προβλέπουν συγκεντρώσεις Ni σε αστικά και περιαστικά εδάφη. Τα αποτελέσματα καταδεικνύουν ότι ο συνδυασμός EBK και SVMR είναι μια αποτελεσματική τεχνική για την πρόβλεψη συγκεντρώσεων Ni σε αστικά και περιαστικά εδάφη.
Το νικέλιο (Ni) θεωρείται μικροθρεπτικό συστατικό για τα φυτά επειδή συμβάλλει στη δέσμευση του αζώτου στην ατμόσφαιρα (N) και στον μεταβολισμό της ουρίας, τα οποία είναι απαραίτητα για τη βλάστηση των σπόρων. Εκτός από τη συμβολή του στη βλάστηση των σπόρων, το Ni μπορεί να δράσει ως αναστολέας μυκήτων και βακτηρίων και να προωθήσει την ανάπτυξη των φυτών. Η έλλειψη νικελίου στο έδαφος επιτρέπει στο φυτό να το απορροφήσει, με αποτέλεσμα τη χλώρωση των φύλλων. Για παράδειγμα, τα μαυρομάτικα μπιζέλια και τα πράσινα φασόλια απαιτούν την εφαρμογή λιπασμάτων με βάση το νικέλιο για τη βελτιστοποίηση της δέσμευσης του αζώτου2. Η συνεχής εφαρμογή λιπασμάτων με βάση το νικέλιο για τον εμπλουτισμό του εδάφους και την αύξηση της ικανότητας των ψυχανθών να δεσμεύουν το άζωτο στο έδαφος αυξάνει συνεχώς τη συγκέντρωση νικελίου στο έδαφος. Αν και το νικέλιο είναι ένα μικροθρεπτικό συστατικό για τα φυτά, η υπερβολική πρόσληψή του στο έδαφος μπορεί να κάνει περισσότερο κακό παρά καλό. Η τοξικότητα του νικελίου στο έδαφος ελαχιστοποιεί το pH του εδάφους και εμποδίζει την απορρόφηση του σιδήρου ως απαραίτητου θρεπτικού συστατικού για την ανάπτυξη των φυτών1. Σύμφωνα με τον Liu3, το Ni έχει βρεθεί ότι είναι το 17ο σημαντικό στοιχείο που απαιτείται για την ανάπτυξη και την ανάπτυξη των φυτών. Εκτός από τον ρόλο του νικελίου στην ανάπτυξη και την ανάπτυξη των φυτών, οι άνθρωποι το χρειάζονται για μια ποικιλία εφαρμογών. Η ηλεκτρολυτική επιμετάλλωση, η παραγωγή κραμάτων με βάση το νικέλιο, και η κατασκευή συσκευών ανάφλεξης και μπουζί στην αυτοκινητοβιομηχανία απαιτούν τη χρήση νικελίου σε διάφορους βιομηχανικούς τομείς. Επιπλέον, τα κράματα με βάση το νικέλιο και τα ηλεκτρολυτικά επιμεταλλωμένα αντικείμενα έχουν χρησιμοποιηθεί ευρέως σε μαγειρικά σκεύη, αξεσουάρ αιθουσών χορού, προμήθειες βιομηχανίας τροφίμων, ηλεκτρικά είδη, σύρματα και καλώδια, αεριοστροβίλους, χειρουργικά εμφυτεύματα, υφάσματα και ναυπηγική βιομηχανία5. Τα επίπεδα πλούσια σε νικέλιο στα εδάφη (δηλαδή, επιφανειακά εδάφη) έχουν αποδοθεί τόσο σε ανθρωπογενείς όσο και σε φυσικές πηγές, αλλά κυρίως, το νικέλιο είναι μια φυσική πηγή και όχι ανθρωπογενής4,6. Οι φυσικές πηγές νικελίου περιλαμβάνουν ηφαιστειακές εκρήξεις, βλάστηση, δασικές πυρκαγιές και γεωλογικές διεργασίες. Ωστόσο, οι ανθρωπογενείς πηγές περιλαμβάνουν μπαταρίες νικελίου/καδμίου στη χαλυβουργία, ηλεκτρολυτική επιμετάλλωση, συγκόλληση τόξου, ντίζελ και μαζούτ, και ατμοσφαιρικές εκπομπές από την καύση άνθρακα και την αποτέφρωση αποβλήτων και λάσπης, τη συσσώρευση νικελίου7,8. Σύμφωνα με τους Freedman και Hutchinson9 και Manyiwa et al. 10, οι κύριες πηγές ρύπανσης του επιφανειακού εδάφους στο άμεσο και γειτονικό περιβάλλον είναι κυρίως τα χυτήρια και τα ορυχεία με βάση το νικέλιο-χαλκό. Το επιφανειακό έδαφος γύρω από το διυλιστήριο νικελίου-χαλκού Sudbury στον Καναδά είχε τα υψηλότερα επίπεδα μόλυνσης από νικέλιο στα 26.000 mg/kg11. Αντίθετα, η ρύπανση από την παραγωγή νικελίου στη Ρωσία έχει οδηγήσει σε υψηλότερες συγκεντρώσεις νικελίου στο νορβηγικό έδαφος11. Σύμφωνα με τους Alms et al. 12, η ​​ποσότητα νικελίου που εκχυλίζεται με HNO3 στην κορυφαία καλλιεργήσιμη γη της περιοχής (παραγωγή νικελίου στη Ρωσία) κυμαινόταν από 6,25 έως 136,88 mg/kg, που αντιστοιχεί σε μέσο όρο 30,43 mg/kg και αρχική συγκέντρωση 25 mg/kg. Σύμφωνα με το kabata 11, η εφαρμογή φωσφορικών λιπασμάτων σε γεωργικά εδάφη σε αστικά ή περιαστικά εδάφη κατά τη διάρκεια διαδοχικών καλλιεργητικών περιόδων μπορεί να διαποτίσει ή να μολύνει το έδαφος. Οι πιθανές επιπτώσεις του νικελίου στους ανθρώπους μπορεί να οδηγήσουν σε καρκίνο μέσω μεταλλαξιογένεσης, χρωμοσωμικής βλάβης, παραγωγής Z-DNA, επιδιόρθωσης αποκλεισμένης εκτομής DNA ή επιγενετικών διεργασιών13. Σε πειράματα σε ζώα, έχει βρεθεί ότι το νικέλιο έχει τη δυνατότητα να προκαλέσει μια ποικιλία όγκων και τα καρκινογόνα σύμπλοκα νικελίου μπορεί να επιδεινώσουν τέτοιους όγκους.
Οι αξιολογήσεις της μόλυνσης του εδάφους έχουν ακμάσει τα τελευταία χρόνια λόγω ενός ευρέος φάσματος ζητημάτων που σχετίζονται με την υγεία και προκύπτουν από τις σχέσεις εδάφους-φυτών, τις βιολογικές σχέσεις εδάφους και εδάφους, την οικολογική υποβάθμιση και την αξιολόγηση των περιβαλλοντικών επιπτώσεων. Μέχρι σήμερα, η χωρική πρόβλεψη δυνητικά τοξικών στοιχείων (PTE) όπως το Ni στο έδαφος ήταν επίπονη και χρονοβόρα με τη χρήση παραδοσιακών μεθόδων. Η έλευση της ψηφιακής χαρτογράφησης του εδάφους (DSM) και η τρέχουσα επιτυχία της15 έχουν βελτιώσει σημαντικά την προγνωστική χαρτογράφηση του εδάφους (PSM). Σύμφωνα με τους Minasny και McBratney16, η προγνωστική χαρτογράφηση του εδάφους (DSM) έχει αποδειχθεί μια εξέχουσα υποεπιχείρηση της επιστήμης του εδάφους. Οι Lagacherie και McBratney, 2006, ορίζουν την DSM ως «τη δημιουργία και συμπλήρωση συστημάτων χωρικών πληροφοριών εδάφους μέσω της χρήσης μεθόδων παρατήρησης in situ και εργαστηρίου και συστημάτων χωρικής και μη χωρικής συμπερασματολογίας του εδάφους». McBratney et al. 17 υπογραμμίζουν ότι η σύγχρονη DSM ή PSM είναι η πιο αποτελεσματική τεχνική για την πρόβλεψη ή χαρτογράφηση της χωρικής κατανομής των PTE, των τύπων εδάφους και των ιδιοτήτων του εδάφους. Η Γεωστατιστική και οι Αλγόριθμοι Μηχανικής Μάθησης (MLA) είναι τεχνικές μοντελοποίησης DSM που δημιουργούν ψηφιοποιημένους χάρτες με τη βοήθεια υπολογιστών χρησιμοποιώντας σημαντικά και ελάχιστα δεδομένα.
Οι Deutsch18 και Olea19 ορίζουν τη γεωστατιστική ως «τη συλλογή αριθμητικών τεχνικών που ασχολούνται με την αναπαράσταση χωρικών χαρακτηριστικών, χρησιμοποιώντας κυρίως στοχαστικά μοντέλα, όπως το πώς η ανάλυση χρονοσειρών χαρακτηρίζει τα χρονικά δεδομένα». Πρωτίστως, η γεωστατιστική περιλαμβάνει την αξιολόγηση βαριογραμμάτων, τα οποία επιτρέπουν την ποσοτικοποίηση και τον ορισμό των εξαρτήσεων των χωρικών τιμών από κάθε σύνολο δεδομένων20. Gumiaux et al. 20 καταδεικνύουν περαιτέρω ότι η αξιολόγηση των βαριογραμμάτων στη γεωστατιστική βασίζεται σε τρεις αρχές, συμπεριλαμβανομένων (α) του υπολογισμού της κλίμακας συσχέτισης δεδομένων, (β) της αναγνώρισης και του υπολογισμού της ανισοτροπίας στην ανισότητα των συνόλων δεδομένων και (γ) εκτός από το να λαμβάνεται υπόψη το εγγενές σφάλμα των δεδομένων μέτρησης που διαχωρίζονται από τις τοπικές επιδράσεις, εκτιμώνται επίσης οι επιδράσεις της περιοχής. Βασιζόμενες σε αυτές τις έννοιες, πολλές τεχνικές παρεμβολής χρησιμοποιούνται στη γεωστατιστική, συμπεριλαμβανομένου του γενικού κριγκινγκ, του συν-κριγκινγκ, του συνηθισμένου κριγκινγκ, του εμπειρικού κριγκινγκ Μπεϋζιανού, της απλής μεθόδου κριγκινγκ και άλλων γνωστών τεχνικών παρεμβολής για τη χαρτογράφηση ή την πρόβλεψη της PTE, των χαρακτηριστικών του εδάφους και των τύπων εδάφους.
Οι Αλγόριθμοι Μηχανικής Μάθησης (MLA) είναι μια σχετικά νέα τεχνική που χρησιμοποιεί μεγαλύτερες μη γραμμικές κλάσεις δεδομένων, τροφοδοτούμενες από αλγόριθμους που χρησιμοποιούνται κυρίως για την εξόρυξη δεδομένων, τον εντοπισμό μοτίβων σε δεδομένα και εφαρμόζονται επανειλημμένα για την ταξινόμηση σε επιστημονικούς τομείς όπως η εδαφολογία και οι εργασίες επιστροφής. Πολυάριθμες ερευνητικές εργασίες βασίζονται σε μοντέλα MLA για την πρόβλεψη της PTE στα εδάφη, όπως οι Tan et al. 22 (τυχαία δάση για την εκτίμηση βαρέων μετάλλων σε γεωργικά εδάφη), Sakizadeh et al. 23 (μοντελοποίηση με χρήση μηχανών υποστηρικτικών διανυσμάτων και τεχνητών νευρωνικών δικτύων) ρύπανση του εδάφους). Επιπλέον, οι Vega et al. 24 (CART για μοντελοποίηση της κατακράτησης και της προσρόφησης βαρέων μετάλλων στο έδαφος), Sun et al. 25 (εφαρμογή του κυβισμού είναι η κατανομή του Cd στο έδαφος) και άλλοι αλγόριθμοι όπως ο k-πλησιέστερος γείτονας, η γενικευμένη ενισχυμένη παλινδρόμηση και τα ενισχυμένα δέντρα παλινδρόμησης εφάρμοσαν επίσης την MLA για την πρόβλεψη της PTE στο έδαφος.
Η εφαρμογή αλγορίθμων DSM στην πρόβλεψη ή τη χαρτογράφηση αντιμετωπίζει αρκετές προκλήσεις. Πολλοί συγγραφείς πιστεύουν ότι η MLA είναι ανώτερη από τη γεωστατιστική και αντίστροφα. Αν και το ένα είναι καλύτερο από το άλλο, ο συνδυασμός των δύο βελτιώνει το επίπεδο ακρίβειας της χαρτογράφησης ή της πρόβλεψης στο DSM15. Οι Woodcock και Gopal26 Finke27. Οι Pontius και Cheuk28 και Grunwald29 σχολιάζουν τις ελλείψεις και ορισμένα σφάλματα στην προβλεπόμενη χαρτογράφηση του εδάφους. Οι επιστήμονες του εδάφους έχουν δοκιμάσει μια ποικιλία τεχνικών για να βελτιστοποιήσουν την αποτελεσματικότητα, την ακρίβεια και την προβλεψιμότητα της χαρτογράφησης και της πρόβλεψης του DSM. Ο συνδυασμός αβεβαιότητας και επαλήθευσης είναι μία από τις πολλές διαφορετικές πτυχές που ενσωματώνονται στο DSM για τη βελτιστοποίηση της αποτελεσματικότητας και τη μείωση των ελαττωμάτων. Ωστόσο, οι Agyeman et al.15 περιγράφουν ότι η συμπεριφορά επικύρωσης και η αβεβαιότητα που εισάγονται από τη δημιουργία και την πρόβλεψη χαρτών θα πρέπει να επικυρώνονται ανεξάρτητα για τη βελτίωση της ποιότητας του χάρτη. Οι περιορισμοί του DSM οφείλονται στην γεωγραφικά διασκορπισμένη ποιότητα του εδάφους, η οποία περιλαμβάνει ένα στοιχείο αβεβαιότητας. Ωστόσο, η έλλειψη βεβαιότητας στο DSM μπορεί να προκύψει από πολλαπλές πηγές σφάλματος, δηλαδή σφάλμα συνμεταβλητής, σφάλμα μοντέλου, σφάλμα τοποθεσίας και αναλυτικό σφάλμα 31. Οι ανακρίβειες μοντελοποίησης που προκαλούνται στην MLA και στις γεωστατιστικές διαδικασίες σχετίζονται με έλλειψη κατανόησης, οδηγώντας τελικά σε υπεραπλούστευση της πραγματικής διαδικασίας 32. Ανεξάρτητα από τη φύση της μοντελοποίησης, οι ανακρίβειες μπορούν να αποδοθούν σε παραμέτρους μοντελοποίησης, προβλέψεις μαθηματικών μοντέλων ή παρεμβολή 33. Πρόσφατα, έχει αναδυθεί μια νέα τάση DSM που προωθεί την ενσωμάτωση της γεωστατιστικής και της MLA στη χαρτογράφηση και την πρόβλεψη. Αρκετοί επιστήμονες και συγγραφείς εδάφους, όπως οι Sergeev et al. 34, Subbotina et al. 35, Tarasov et al. 36 και Tarasov et al. 37, έχουν εκμεταλλευτεί την ακριβή ποιότητα της γεωστατιστικής και της μηχανικής μάθησης για να δημιουργήσουν υβριδικά μοντέλα που βελτιώνουν την αποτελεσματικότητα της πρόβλεψης και της χαρτογράφησης. ποιότητα. Μερικά από αυτά τα υβριδικά ή συνδυασμένα μοντέλα αλγορίθμων είναι η Τεχνητή Νευρωνική Kriging Δικτύου (ANN-RK), η Πολυστρωματική Υπολειμματική Kriging Perceptron (MLP-RK), η Γενικευμένη Παλινδρόμηση Νευρωνικού Δικτύου Υπολειμματική Kriging (GR-NNRK)36, η Τεχνητή Νευρωνική Kriging Δικτύου-Πολυστρωματική Perceptron (ANN-K-MLP)37 και η Συν-Kriging και η Γκαουσιανή Παλινδρόμηση Διαδικασιών38.
Σύμφωνα με τους Sergeev et al., ο συνδυασμός διαφόρων τεχνικών μοντελοποίησης έχει τη δυνατότητα να εξαλείψει τα ελαττώματα και να αυξήσει την αποτελεσματικότητα του προκύπτοντος υβριδικού μοντέλου αντί να αναπτύξει το μοναδικό του μοντέλο. Σε αυτό το πλαίσιο, αυτή η νέα εργασία υποστηρίζει ότι είναι απαραίτητο να εφαρμοστεί ένας συνδυασμένος αλγόριθμος γεωστατιστικής και MLA για τη δημιουργία βέλτιστων υβριδικών μοντέλων για την πρόβλεψη του εμπλουτισμού με Ni σε αστικές και περιαστικές περιοχές. Αυτή η μελέτη θα βασιστεί στο Εμπειρικό Bayesian Kriging (EBK) ως βασικό μοντέλο και θα το συνδυάσει με μοντέλα Μηχανής Διανυσμάτων Υποστήριξης (SVM) και Πολλαπλής Γραμμικής Παλινδρόμησης (MLR). Η υβριδοποίηση του EBK με οποιαδήποτε MLA δεν είναι γνωστή. Τα πολλαπλά μικτά μοντέλα που παρατηρούνται είναι συνδυασμοί συνηθισμένου, υπολειμματικού, παλινδρομικού Kriging και MLA. Το EBK είναι μια γεωστατιστική μέθοδος παρεμβολής που χρησιμοποιεί μια χωρικά στοχαστική διαδικασία που εντοπίζεται ως μη στάσιμο/στάσιμο τυχαίο πεδίο με καθορισμένες παραμέτρους εντοπισμού στο πεδίο, επιτρέποντας χωρική διακύμανση39. Το EBK έχει χρησιμοποιηθεί σε μια ποικιλία μελετών, συμπεριλαμβανομένης της ανάλυσης της κατανομής του οργανικού άνθρακα σε γεωργικά εδάφη40, της αξιολόγησης της ρύπανσης του εδάφους41 και της χαρτογράφησης των ιδιοτήτων του εδάφους42.
Από την άλλη πλευρά, το Self-Organizing Graph (SeOM) είναι ένας αλγόριθμος μάθησης που έχει εφαρμοστεί σε διάφορα άρθρα όπως οι Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 και Kebonye et al. 46. Προσδιορίστε τα χωρικά χαρακτηριστικά και την ομαδοποίηση των στοιχείων. Οι Wang et al. 44 περιγράφουν ότι το SeOM είναι μια ισχυρή τεχνική μάθησης γνωστή για την ικανότητά της να ομαδοποιεί και να φαντάζεται μη γραμμικά προβλήματα. Σε αντίθεση με άλλες τεχνικές αναγνώρισης προτύπων, όπως η ανάλυση κύριων συνιστωσών, η ασαφής ομαδοποίηση, η ιεραρχική ομαδοποίηση και η λήψη αποφάσεων πολλαπλών κριτηρίων, το SeOM είναι καλύτερο στην οργάνωση και τον εντοπισμό προτύπων PTE. Σύμφωνα με τους Wang et al. 44, το SeOM μπορεί να ομαδοποιήσει χωρικά την κατανομή των σχετικών νευρώνων και να παρέχει οπτικοποίηση δεδομένων υψηλής ανάλυσης. Το SeOM θα οπτικοποιήσει δεδομένα πρόβλεψης Ni για να αποκτήσει το καλύτερο μοντέλο για τον χαρακτηρισμό των αποτελεσμάτων για άμεση ερμηνεία.
Αυτή η εργασία στοχεύει στη δημιουργία ενός ισχυρού μοντέλου χαρτογράφησης με βέλτιστη ακρίβεια για την πρόβλεψη της περιεκτικότητας σε νικέλιο σε αστικά και περιαστικά εδάφη. Υποθέτουμε ότι η αξιοπιστία του μικτού μοντέλου εξαρτάται κυρίως από την επίδραση άλλων μοντέλων που συνδέονται με το βασικό μοντέλο. Αναγνωρίζουμε τις προκλήσεις που αντιμετωπίζει το DSM και, ενώ αυτές οι προκλήσεις αντιμετωπίζονται σε πολλαπλά μέτωπα, ο συνδυασμός των εξελίξεων στη γεωστατιστική και τα μοντέλα MLA φαίνεται να είναι σταδιακός. Επομένως, θα προσπαθήσουμε να απαντήσουμε σε ερευνητικά ερωτήματα που μπορεί να οδηγήσουν σε μικτά μοντέλα. Ωστόσο, πόσο ακριβές είναι το μοντέλο στην πρόβλεψη του στοιχείου-στόχου; Επίσης, ποιο είναι το επίπεδο αξιολόγησης της αποδοτικότητας με βάση την επικύρωση και την αξιολόγηση της ακρίβειας; Επομένως, οι συγκεκριμένοι στόχοι αυτής της μελέτης ήταν (α) να δημιουργηθεί ένα συνδυασμένο μοντέλο μείγματος για SVMR ή MLR χρησιμοποιώντας το EBK ως βασικό μοντέλο, (β) να συγκριθούν τα μοντέλα που προκύπτουν (γ) να προταθεί το καλύτερο μοντέλο μείγματος για την πρόβλεψη συγκεντρώσεων Ni σε αστικά ή περιαστικά εδάφη και (δ) η εφαρμογή του SeOM για τη δημιουργία ενός χάρτη υψηλής ανάλυσης της χωρικής διακύμανσης του νικελίου.
Η μελέτη διεξάγεται στην Τσεχική Δημοκρατία, και συγκεκριμένα στην περιοχή Frydek Mistek στην περιοχή Μοραβίας-Σιλεσίας (βλ. Σχήμα 1). Η γεωγραφία της περιοχής μελέτης είναι πολύ τραχιά και αποτελεί κυρίως μέρος της περιοχής Beskidy της Μοραβίας-Σιλεσίας, η οποία αποτελεί μέρος του εξωτερικού χείλους των Καρπαθίων Ορέων. Η περιοχή μελέτης βρίσκεται μεταξύ 49° 41′ 0′ Β και 18° 20′ 0′ Α και το υψόμετρο κυμαίνεται μεταξύ 225 και 327 m. Ωστόσο, το σύστημα ταξινόμησης Koppen για την κλιματική κατάσταση της περιοχής αξιολογείται ως Cfb = εύκρατο ωκεάνιο κλίμα. Υπάρχουν πολλές βροχοπτώσεις ακόμη και κατά τους ξηρούς μήνες. Οι θερμοκρασίες ποικίλλουν ελαφρώς καθ' όλη τη διάρκεια του έτους μεταξύ -5 °C και 24 °C, σπάνια πέφτοντας κάτω από -14 °C ή πάνω από 30 °C, ενώ η μέση ετήσια βροχόπτωση κυμαίνεται μεταξύ 685 και 752 mm47. Η εκτιμώμενη περιοχή έρευνας ολόκληρης της περιοχής είναι 1.208 τετραγωνικά χιλιόμετρα, με 39,38% της καλλιεργήσιμης γης και 49,36% της δασικής κάλυψης. Από την άλλη πλευρά, η περιοχή που χρησιμοποιήθηκε σε αυτή τη μελέτη είναι περίπου 889,8 τετραγωνικά χιλιόμετρα. Στην Οστράβα και γύρω από αυτήν, η χαλυβουργία και τα μεταλλουργεία είναι πολύ δραστήρια. Τα μεταλλουργεία, η χαλυβουργία όπου το νικέλιο χρησιμοποιείται σε ανοξείδωτους χάλυβες (π.χ. για αντοχή στην ατμοσφαιρική διάβρωση) και κράματα χάλυβα (το νικέλιο αυξάνει την αντοχή του κράματος διατηρώντας παράλληλα την καλή ολκιμότητα και σκληρότητά του), και η εντατική γεωργία, όπως η εφαρμογή φωσφορικών λιπασμάτων και η κτηνοτροφία, αποτελούν ερευνητικές πιθανές πηγές νικελίου στην περιοχή. (π.χ., προσθήκη νικελίου σε αρνιά για την αύξηση των ρυθμών ανάπτυξης σε αρνιά και βοοειδή χαμηλής τάισης). Άλλες βιομηχανικές χρήσεις του νικελίου σε ερευνητικούς τομείς περιλαμβάνουν τη χρήση του στην ηλεκτρολυτική επιμετάλλωση, συμπεριλαμβανομένης της ηλεκτρολυτικής επιμετάλλωσης νικελίου και των διαδικασιών ηλεκτρολυτικής επιμετάλλωσης νικελίου. Οι ιδιότητες του εδάφους διακρίνονται εύκολα από το χρώμα, τη δομή και την περιεκτικότητα σε ανθρακικά άλατα του εδάφους. Η υφή του εδάφους είναι μέτρια έως λεπτή, προερχόμενη από το αρχικό υλικό. Είναι κολουβιακά, προσχωσιγενή ή αιολικά στη φύση τους. Ορισμένες περιοχές εδάφους εμφανίζονται με κηλίδες στην επιφάνεια και το υπέδαφος, συχνά με σκυρόδεμα και λεύκανση. Ωστόσο, τα καμισόλια και τα σταγνόσολα είναι οι πιο συνηθισμένοι τύποι εδάφους στην περιοχή48. Με υψόμετρα που κυμαίνονται από 455,1 έως 493,5 m, τα καμισόλια κυριαρχούν στην Τσεχική Δημοκρατία49.
Χάρτης περιοχής μελέτης [Ο χάρτης περιοχής μελέτης δημιουργήθηκε χρησιμοποιώντας το ArcGIS Desktop (ESRI, Inc, έκδοση 10.7, URL: https://desktop.arcgis.com).]
Συνολικά 115 δείγματα επιφανειακού εδάφους ελήφθησαν από αστικά και περιαστικά εδάφη στην περιοχή Frydek Mistek. Το χρησιμοποιούμενο πρότυπο δειγματοληψίας ήταν ένα κανονικό πλέγμα με δείγματα εδάφους σε απόσταση 2 × 2 km μεταξύ τους, και το επιφανειακό έδαφος μετρήθηκε σε βάθος 0 έως 20 cm χρησιμοποιώντας μια φορητή συσκευή GPS (Leica Zeno 5 GPS). Τα δείγματα συσκευάζονται σε σακούλες Ziploc, επισημαίνονται κατάλληλα και αποστέλλονται στο εργαστήριο. Τα δείγματα ξηράνθηκαν στον αέρα για να παραχθούν κονιοποιημένα δείγματα, κονιοποιήθηκαν με μηχανικό σύστημα (μύλος δίσκου Fritsch) και κοσκινίστηκαν (μέγεθος κόσκινου 2 mm). Τοποθετήστε 1 γραμμάριο αποξηραμένων, ομογενοποιημένων και κοσκινισμένων δειγμάτων εδάφους σε σαφώς επισημασμένα μπουκάλια από τεφλόν. Σε κάθε δοχείο από τεφλόν, διανείμετε 7 ml HCl 35% και 3 ml HNO3 65% (χρησιμοποιώντας έναν αυτόματο διανομέα - έναν για κάθε οξύ), καλύψτε ελαφρά και αφήστε τα δείγματα να σταθούν όλη τη νύχτα για την αντίδραση (πρόγραμμα aqua regia). Τοποθετήστε το υπερκείμενο υγρό σε μια θερμή μεταλλική πλάκα (θερμοκρασία: 100 W και 160 °C) για 2 ώρες για να διευκολυνθεί η διαδικασία πέψης των δειγμάτων και στη συνέχεια ψύξτε. Μεταφέρετε το υπερκείμενο σε ογκομετρική φιάλη των 50 ml και αραιώστε στα 50 ml με απιονισμένο νερό. Στη συνέχεια, διηθήστε το αραιωμένο υπερκείμενο σε σωλήνα PVC των 50 ml με απιονισμένο νερό. Επιπλέον, 1 ml του διαλύματος αραίωσης αραιώθηκε με 9 ml απιονισμένου νερού και διηθήθηκε σε σωλήνα 12 ml που παρασκευάστηκε για ψευδο-συγκέντρωση PTE. Οι συγκεντρώσεις των PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) προσδιορίστηκαν με ICP-OES (Φασματοσκοπία Οπτικής Εκπομπής Επαγωγικά Συζευγμένου Πλάσματος) (Thermo Fisher Scientific, ΗΠΑ) σύμφωνα με πρότυπες μεθόδους και συμφωνίες. Διασφαλίστε τις διαδικασίες Διασφάλισης και Ελέγχου Ποιότητας (QA/QC) (SRM NIST 2711a Montana II Soil). Τα PTE με όρια ανίχνευσης κάτω από το μισό εξαιρέθηκαν από αυτή τη μελέτη. Το όριο ανίχνευσης του PTE που χρησιμοποιήθηκε σε αυτή τη μελέτη ήταν 0,0004. (εσείς). Επιπλέον, η διαδικασία ελέγχου και διασφάλισης ποιότητας για κάθε ανάλυση διασφαλίζεται με την ανάλυση προτύπων αναφοράς. Για να διασφαλιστεί η ελαχιστοποίηση των σφαλμάτων, πραγματοποιήθηκε διπλή ανάλυση.
Η Εμπειρική Μπεϋζιανή Κριγκινγκ (EBK) είναι μία από τις πολλές γεωστατιστικές τεχνικές παρεμβολής που χρησιμοποιούνται στη μοντελοποίηση σε διάφορους τομείς όπως η εδαφολογία. Σε αντίθεση με άλλες τεχνικές παρεμβολής κριγκινγκ, η EBK διαφέρει από τις παραδοσιακές μεθόδους κριγκινγκ λαμβάνοντας υπόψη το σφάλμα που εκτιμάται από το μοντέλο ημιβαριογράμματος. Στην παρεμβολή EBK, υπολογίζονται πολλά μοντέλα ημιβαριογράμματος κατά την παρεμβολή, αντί για ένα μόνο ημιβαριογράφημα. Οι τεχνικές παρεμβολής δίνουν τη θέση τους στην αβεβαιότητα και τον προγραμματισμό που σχετίζονται με αυτήν την απεικόνιση του ημιβαριογράμματος, η οποία αποτελεί ένα εξαιρετικά πολύπλοκο μέρος μιας επαρκούς μεθόδου κριγκινγκ. Η διαδικασία παρεμβολής της EBK ακολουθεί τα τρία κριτήρια που προτείνει ο Krivoruchko50, (α) το μοντέλο εκτιμά το ημιβαριογράφημα από το σύνολο δεδομένων εισόδου (β) τη νέα προβλεπόμενη τιμή για κάθε θέση συνόλου δεδομένων εισόδου με βάση το παραγόμενο ημιβαριογράφημα και (γ) το τελικό μοντέλο Α ​​υπολογίζεται από ένα προσομοιωμένο σύνολο δεδομένων. Ο κανόνας της Μπεϋζιανής εξίσωσης δίνεται ως εκ των υστέρων
Όπου \(Prob\left(A\right)\) αντιπροσωπεύει την προηγούμενη, \(Prob\left(B\right)\) η οριακή πιθανότητα αγνοείται στις περισσότερες περιπτώσεις, \(Prob(B,A)\). Ο υπολογισμός του ημιβαριογράμματος βασίζεται στον κανόνα του Bayes, ο οποίος δείχνει την τάση των συνόλων δεδομένων παρατήρησης που μπορούν να δημιουργηθούν από ημιβαριογράμματα. Η τιμή του ημιβαριογράμματος καθορίζεται στη συνέχεια χρησιμοποιώντας τον κανόνα του Bayes, ο οποίος δηλώνει πόσο πιθανό είναι να δημιουργηθεί ένα σύνολο δεδομένων παρατηρήσεων από το ημιβαριογράφημα.
Μια μηχανή υποστήριξης διανυσμάτων είναι ένας αλγόριθμος μηχανικής μάθησης που δημιουργεί ένα βέλτιστο διαχωριστικό υπερεπίπεδο για να διακρίνει πανομοιότυπες αλλά όχι γραμμικά ανεξάρτητες κλάσεις. Ο Vapnik51 δημιούργησε τον αλγόριθμο ταξινόμησης πρόθεσης, αλλά πρόσφατα χρησιμοποιήθηκε για την επίλυση προβλημάτων προσανατολισμένων στην παλινδρόμηση. Σύμφωνα με τους Li et al.52, η SVM είναι μια από τις καλύτερες τεχνικές ταξινομητή και έχει χρησιμοποιηθεί σε διάφορους τομείς. Το στοιχείο παλινδρόμησης της SVM (Support Vector Machine Regression – SVMR) χρησιμοποιήθηκε σε αυτήν την ανάλυση. Οι Cherkassky και Mulier53 πρωτοστάτησαν στην SVMR ως παλινδρόμηση βασισμένη σε πυρήνα, ο υπολογισμός της οποίας πραγματοποιήθηκε χρησιμοποιώντας ένα γραμμικό μοντέλο παλινδρόμησης με χωρικές συναρτήσεις πολλαπλών χωρών. Οι John et al.54 αναφέρουν ότι η μοντελοποίηση SVMR χρησιμοποιεί γραμμική παλινδρόμηση υπερεπιπέδου, η οποία δημιουργεί μη γραμμικές σχέσεις και επιτρέπει χωρικές συναρτήσεις. Σύμφωνα με τους Vohland et al. Στο Σχήμα 55, το epsilon (ε)-SVMR χρησιμοποιεί το εκπαιδευμένο σύνολο δεδομένων για να αποκτήσει ένα μοντέλο αναπαράστασης ως μια συνάρτηση μη ευαίσθητη στο epsilon, η οποία εφαρμόζεται για την ανεξάρτητη χαρτογράφηση των δεδομένων με την καλύτερη μεροληψία epsilon από την εκπαίδευση σε συσχετισμένα δεδομένα. Το προκαθορισμένο σφάλμα απόστασης αγνοείται από την πραγματική τιμή και, εάν το σφάλμα είναι μεγαλύτερο από το ε(ε), οι ιδιότητες του εδάφους το αντισταθμίζουν. Το μοντέλο μειώνει επίσης την πολυπλοκότητα των δεδομένων εκπαίδευσης σε ένα ευρύτερο υποσύνολο διανυσμάτων υποστήριξης. Η εξίσωση που προτείνει ο Vapnik51 φαίνεται παρακάτω.
όπου το b αντιπροσωπεύει το βαθμωτό κατώφλι, το \(K\left({x}_{,}{ x}_{k}\right)\) αντιπροσωπεύει τη συνάρτηση πυρήνα, το \(\alpha\) αντιπροσωπεύει τον πολλαπλασιαστή Lagrange, το N αντιπροσωπεύει ένα αριθμητικό σύνολο δεδομένων, το \({x}_{k}\) αντιπροσωπεύει την είσοδο δεδομένων και το \(y\) είναι η έξοδος δεδομένων. Ένας από τους βασικούς πυρήνες που χρησιμοποιούνται είναι η λειτουργία SVMR, η οποία είναι μια Gaussian radial basis function (RBF). Ο πυρήνας RBF εφαρμόζεται για τον προσδιορισμό του βέλτιστου μοντέλου SVMR, το οποίο είναι κρίσιμο για την απόκτηση του πιο λεπτού παράγοντα ποινής C και της παραμέτρου πυρήνα γάμμα (γ) για τα δεδομένα εκπαίδευσης PTE. Αρχικά, αξιολογήσαμε το σύνολο εκπαίδευσης και στη συνέχεια ελέγξαμε την απόδοση του μοντέλου στο σύνολο επικύρωσης. Η παράμετρος διεύθυνσης που χρησιμοποιήθηκε είναι το sigma και η τιμή της μεθόδου είναι το svmRadial.
Ένα μοντέλο πολλαπλής γραμμικής παλινδρόμησης (MLR) είναι ένα μοντέλο παλινδρόμησης που αναπαριστά τη σχέση μεταξύ της μεταβλητής απόκρισης και ενός αριθμού προγνωστικών μεταβλητών χρησιμοποιώντας γραμμικές συγκεντρωτικές παραμέτρους που υπολογίζονται με τη μέθοδο των ελαχίστων τετραγώνων. Στο MLR, ένα μοντέλο ελαχίστων τετραγώνων είναι μια προγνωστική συνάρτηση των ιδιοτήτων του εδάφους μετά την επιλογή επεξηγηματικών μεταβλητών. Είναι απαραίτητο να χρησιμοποιηθεί η απόκριση για να δημιουργηθεί μια γραμμική σχέση χρησιμοποιώντας επεξηγηματικές μεταβλητές. Η PTE χρησιμοποιήθηκε ως μεταβλητή απόκρισης για να δημιουργηθεί μια γραμμική σχέση με τις επεξηγηματικές μεταβλητές. Η εξίσωση MLR είναι
όπου y είναι η μεταβλητή απόκρισης, \(a\) είναι η τομή, n είναι ο αριθμός των προγνωστικών, \({b}_{1}\) είναι η μερική παλινδρόμηση των συντελεστών, \({x}_{i}\) αντιπροσωπεύει μια προγνωστική ή επεξηγηματική μεταβλητή και \({\varepsilon }_{i}\) αντιπροσωπεύει το σφάλμα στο μοντέλο, γνωστό και ως υπόλοιπο.
Μικτά μοντέλα ελήφθησαν με σάντουιτς του EBK με SVMR και MLR. Αυτό γίνεται με την εξαγωγή προβλεπόμενων τιμών από την παρεμβολή EBK. Οι προβλεπόμενες τιμές που λαμβάνονται από τα παρεμβαλλόμενα Ca, K και Mg λαμβάνονται μέσω μιας συνδυαστικής διαδικασίας για την απόκτηση νέων μεταβλητών, όπως CaK, CaMg και KMg. Τα στοιχεία Ca, K και Mg στη συνέχεια συνδυάζονται για να ληφθεί μια τέταρτη μεταβλητή, CaKMg. Συνολικά, οι μεταβλητές που λαμβάνονται είναι Ca, K, Mg, CaK, CaMg, KMg και CaKMg. Αυτές οι μεταβλητές έγιναν οι προγνωστικοί μας παράγοντες, βοηθώντας στην πρόβλεψη των συγκεντρώσεων νικελίου σε αστικά και περιαστικά εδάφη. Ο αλγόριθμος SVMR εκτελέστηκε στους προγνωστικούς παράγοντες για να ληφθεί ένα μικτό μοντέλο Εμπειρικής Bayesian Kriging-Support Vector Machine (EBK_SVM). Ομοίως, οι μεταβλητές διοχετεύονται επίσης μέσω του αλγορίθμου MLR για να ληφθεί ένα μικτό μοντέλο Εμπειρικής Bayesian Kriging-Πολλαπλής Γραμμικής Παλινδρόμησης (EBK_MLR). Συνήθως, οι μεταβλητές Ca, K, Mg, CaK, Τα CaMg, KMg και CaKMg χρησιμοποιούνται ως συνμεταβλητές ως προγνωστικοί παράγοντες της περιεκτικότητας σε Ni σε αστικά και περιαστικά εδάφη. Το πιο αποδεκτό μοντέλο που προκύπτει (EBK_SVM ή EBK_MLR) θα απεικονιστεί στη συνέχεια χρησιμοποιώντας ένα αυτοοργανούμενο γράφημα. Η ροή εργασίας αυτής της μελέτης φαίνεται στο Σχήμα 2.
Η χρήση του SeOM έχει γίνει ένα δημοφιλές εργαλείο για την οργάνωση, την αξιολόγηση και την πρόβλεψη δεδομένων στον χρηματοπιστωτικό τομέα, την υγειονομική περίθαλψη, τη βιομηχανία, τις στατιστικές, την εδαφολογία και πολλά άλλα. Το SeOM δημιουργείται χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα και μεθόδους μάθησης χωρίς επίβλεψη για οργάνωση, αξιολόγηση και πρόβλεψη. Σε αυτή τη μελέτη, το SeOM χρησιμοποιήθηκε για την οπτικοποίηση των συγκεντρώσεων Ni με βάση το καλύτερο μοντέλο για την πρόβλεψη Ni σε αστικά και περιαστικά εδάφη. Τα δεδομένα που υποβάλλονται σε επεξεργασία στην αξιολόγηση του SeOM χρησιμοποιούνται ως n μεταβλητές διαστάσεων εισόδου43,56. Melssen et al. 57 περιγράφουν τη σύνδεση ενός διανύσματος εισόδου σε ένα νευρωνικό δίκτυο μέσω ενός μόνο επιπέδου εισόδου σε ένα διάνυσμα εξόδου με ένα μόνο διάνυσμα βάρους. Η έξοδος που παράγεται από το SeOM είναι ένας δισδιάστατος χάρτης που αποτελείται από διαφορετικούς νευρώνες ή κόμβους υφασμένους σε εξαγωνικούς, κυκλικούς ή τετράγωνους τοπολογικούς χάρτες ανάλογα με την εγγύτητά τους. Συγκρίνοντας τα μεγέθη χαρτών με βάση τη μετρική, το σφάλμα κβαντοποίησης (QE) και το τοπογραφικό σφάλμα (TE), επιλέγεται το μοντέλο SeOM με 0,086 και 0,904, αντίστοιχα, το οποίο είναι μια μονάδα 55 χαρτών (5 × 11). Η δομή των νευρώνων καθορίζεται σύμφωνα με τον αριθμό των κόμβων στην εμπειρική εξίσωση.
Ο αριθμός των δεδομένων που χρησιμοποιήθηκαν σε αυτήν τη μελέτη είναι 115 δείγματα. Χρησιμοποιήθηκε μια τυχαία προσέγγιση για τον διαχωρισμό των δεδομένων σε δεδομένα δοκιμών (25% για επικύρωση) και σύνολα δεδομένων εκπαίδευσης (75% για βαθμονόμηση). Το σύνολο δεδομένων εκπαίδευσης χρησιμοποιείται για τη δημιουργία του μοντέλου παλινδρόμησης (βαθμονόμηση) και το σύνολο δεδομένων δοκιμής χρησιμοποιείται για την επαλήθευση της ικανότητας γενίκευσης58. Αυτό έγινε για να αξιολογηθεί η καταλληλότητα διαφόρων μοντέλων για την πρόβλεψη της περιεκτικότητας σε νικέλιο στα εδάφη. Όλα τα μοντέλα που χρησιμοποιήθηκαν πέρασαν από μια δεκαπλάσια διαδικασία διασταυρούμενης επικύρωσης, η οποία επαναλήφθηκε πέντε φορές. Οι μεταβλητές που παράγονται από την παρεμβολή EBK χρησιμοποιούνται ως προγνωστικοί παράγοντες ή επεξηγηματικές μεταβλητές για την πρόβλεψη της μεταβλητής-στόχου (PTE). Η μοντελοποίηση γίνεται στο RStudio χρησιμοποιώντας τα πακέτα library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") και libraries ("Metrics").
Διάφορες παράμετροι επικύρωσης χρησιμοποιήθηκαν για να προσδιοριστεί το καλύτερο μοντέλο κατάλληλο για την πρόβλεψη συγκεντρώσεων νικελίου στο έδαφος και για να αξιολογηθεί η ακρίβεια του μοντέλου και η επικύρωσή του. Τα μοντέλα υβριδισμού αξιολογήθηκαν χρησιμοποιώντας μέσο απόλυτο σφάλμα (MAE), μέσο τετραγωνικό σφάλμα ρίζας (RMSE) και προσδιορισμό R-squared ή συντελεστή (R2). Το R2 ορίζει τη διακύμανση των αναλογιών στην απάντηση, που αντιπροσωπεύεται από το μοντέλο παλινδρόμησης. Το RMSE και το μέγεθος διακύμανσης σε ανεξάρτητες μετρήσεις περιγράφουν την προγνωστική ισχύ του μοντέλου, ενώ το MAE καθορίζει την πραγματική ποσοτική τιμή. Η τιμή R2 πρέπει να είναι υψηλή για να αξιολογηθεί το καλύτερο μοντέλο μείγματος χρησιμοποιώντας τις παραμέτρους επικύρωσης. Όσο πιο κοντά είναι η τιμή στο 1, τόσο υψηλότερη είναι η ακρίβεια. Σύμφωνα με τους Li et al. 59, μια τιμή κριτηρίου R2 0,75 ή μεγαλύτερη θεωρείται καλός προγνωστικός παράγοντας. Από 0,5 έως 0,75 είναι αποδεκτή απόδοση μοντέλου και κάτω από 0,5 είναι μη αποδεκτή απόδοση μοντέλου. Κατά την επιλογή ενός μοντέλου χρησιμοποιώντας τις μεθόδους αξιολόγησης κριτηρίων επικύρωσης RMSE και MAE, οι χαμηλότερες τιμές που ελήφθησαν ήταν επαρκείς και θεωρήθηκαν η καλύτερη επιλογή. Η ακόλουθη εξίσωση περιγράφει τη μέθοδο επαλήθευσης.
όπου το n αντιπροσωπεύει το μέγεθος της παρατηρούμενης τιμής \({Y}_{i}\) αντιπροσωπεύει την μετρούμενη απόκριση και το \({\widehat{Y}}_{i}\) αντιπροσωπεύει επίσης την προβλεπόμενη τιμή απόκρισης, επομένως, για τις πρώτες i παρατηρήσεις.
Στατιστικές περιγραφές των μεταβλητών πρόβλεψης και απόκρισης παρουσιάζονται στον Πίνακα 1, που δείχνει τον μέσο όρο, την τυπική απόκλιση (SD), τον συντελεστή μεταβλητότητας (CV), το ελάχιστο, το μέγιστο, την κύρτωση και την ασυμμετρία. Οι ελάχιστες και μέγιστες τιμές των στοιχείων είναι σε φθίνουσα σειρά Mg < Ca < K < Ni και Ca < Mg < K < Ni, αντίστοιχα. Οι συγκεντρώσεις της μεταβλητής απόκρισης (Ni) που ελήφθησαν ως δείγμα από την περιοχή μελέτης κυμαίνονταν από 4,86 ​​έως 42,39 mg/kg. Η σύγκριση του Ni με τον παγκόσμιο μέσο όρο (29 mg/kg) και τον ευρωπαϊκό μέσο όρο (37 mg/kg) έδειξε ότι ο συνολικός υπολογισμένος γεωμετρικός μέσος όρος για την περιοχή μελέτης ήταν εντός του ανεκτού εύρους. Παρ' όλα αυτά, όπως φαίνεται από την Kabata-Pendias11, μια σύγκριση της μέσης συγκέντρωσης νικελίου (Ni) στην παρούσα μελέτη με γεωργικά εδάφη στη Σουηδία δείχνει ότι η τρέχουσα μέση συγκέντρωση νικελίου είναι υψηλότερη. Ομοίως, η μέση συγκέντρωση Frydek Mistek σε αστικά και περιαστικά εδάφη στην παρούσα μελέτη (Ni 16,15 mg/kg) ήταν υψηλότερη από την επιτρεπόμενο όριο 60 (10,2 mg/kg) για το Ni σε πολωνικά αστικά εδάφη, όπως αναφέρθηκε από τους Różański et al. Επιπλέον, οι Bretzel και Calderisi61 κατέγραψαν πολύ χαμηλές μέσες συγκεντρώσεις Ni (1,78 mg/kg) σε αστικά εδάφη στην Τοσκάνη σε σύγκριση με την τρέχουσα μελέτη. Ο Jim62 διαπίστωσε επίσης χαμηλότερη συγκέντρωση νικελίου (12,34 mg/kg) στα αστικά εδάφη του Χονγκ Κονγκ, η οποία είναι χαμηλότερη από την τρέχουσα συγκέντρωση νικελίου σε αυτή τη μελέτη. Οι Birke et al63 ανέφεραν μέση συγκέντρωση Ni 17,6 mg/kg σε μια παλιά μεταλλευτική και αστική βιομηχανική περιοχή στη Σαξονία-Άνχαλτ της Γερμανίας, η οποία ήταν 1,45 mg/kg υψηλότερη από τη μέση συγκέντρωση Ni στην περιοχή (16,15 mg/kg). Τρέχουσα έρευνα. Η υπερβολική περιεκτικότητα σε νικέλιο στα εδάφη σε ορισμένες αστικές και προαστιακές περιοχές της περιοχής μελέτης μπορεί να αποδοθεί κυρίως στη βιομηχανία σιδήρου και χάλυβα και στη βιομηχανία μετάλλων. Αυτό συνάδει με τη μελέτη των Khodadoust et al. 64 ότι η χαλυβουργία και η μεταλλουργία αποτελούν τις κύριες πηγές μόλυνσης του εδάφους από νικέλιο. Ωστόσο, οι προγνωστικοί παράγοντες κυμαίνονταν επίσης από 538,70 mg/kg έως 69.161,80 mg/kg για το Ca, 497,51 mg/kg έως 3.535,68 mg/kg για το K και 685,68 mg/kg έως 5.970,05 mg/kg για το Mg. Jakovljevic et al. 65 διερεύνησαν τη συνολική περιεκτικότητα σε Mg και K των εδαφών στην κεντρική Σερβία. Διαπίστωσαν ότι οι συνολικές συγκεντρώσεις (410 mg/kg και 400 mg/kg, αντίστοιχα) ήταν χαμηλότερες από τις συγκεντρώσεις Mg και K της παρούσας μελέτης. Όπως ήταν αναμενόμενο, στην ανατολική Πολωνία, οι Orzechowski και Smolczynski66 αξιολόγησαν τη συνολική περιεκτικότητα σε Ca, Mg και K και έδειξαν μέσες συγκεντρώσεις Ca (1100 mg/kg), Mg (590 mg/kg) και K (810 mg/kg). Η περιεκτικότητα στο επιφανειακό έδαφος είναι χαμηλότερη από το μεμονωμένο στοιχείο σε αυτή τη μελέτη. Μια πρόσφατη μελέτη των Pongrac et al. 67 έδειξε ότι η συνολική περιεκτικότητα σε Ca που αναλύθηκε σε 3 διαφορετικά εδάφη στη Σκωτία, Ηνωμένο Βασίλειο (έδαφος Mylnefield, έδαφος Balruddery και έδαφος Hartwood) έδειξε υψηλότερη περιεκτικότητα σε Ca σε αυτή τη μελέτη.
Λόγω των διαφορετικών μετρούμενων συγκεντρώσεων των στοιχείων που ελήφθησαν στο δείγμα, οι κατανομές των στοιχείων στο σύνολο δεδομένων παρουσιάζουν διαφορετική ασυμμετρία. Η ασυμμετρία και η κύρτωση των στοιχείων κυμαίνονταν από 1,53 έως 7,24 και από 2,49 έως 54,16, αντίστοιχα. Όλα τα υπολογισμένα στοιχεία έχουν επίπεδα ασυμμετρίας και κύρτωσης πάνω από +1, υποδεικνύοντας έτσι ότι η κατανομή δεδομένων είναι ακανόνιστη, ασύμμετρη προς τη σωστή κατεύθυνση και κορυφωμένη. Οι εκτιμώμενοι συντελεστές μεταβλητότητας (CV) των στοιχείων δείχνουν επίσης ότι το K, το Mg και το Ni εμφανίζουν μέτρια μεταβλητότητα, ενώ το Ca έχει εξαιρετικά υψηλή μεταβλητότητα. Οι συντελεστές μεταβλητότητας (CV) των K, Ni και Mg εξηγούν την ομοιόμορφη κατανομή τους. Επιπλέον, η κατανομή Ca είναι μη ομοιόμορφη και εξωτερικές πηγές μπορεί να επηρεάσουν το επίπεδο εμπλουτισμού της.
Η συσχέτιση των προγνωστικών μεταβλητών με τα στοιχεία απόκρισης έδειξε μια ικανοποιητική συσχέτιση μεταξύ των στοιχείων (βλ. Σχήμα 3). Η συσχέτιση έδειξε ότι το CaK εμφάνισε μέτρια συσχέτιση με τιμή r = 0,53, όπως και το CaNi. Αν και το Ca και το K παρουσιάζουν μέτριες συσχετίσεις μεταξύ τους, ερευνητές όπως οι Kingston et al. Τα 68 και Santo69 υποδηλώνουν ότι τα επίπεδά τους στο έδαφος είναι αντιστρόφως ανάλογα. Ωστόσο, το Ca και το Mg είναι ανταγωνιστικά του K, αλλά το CaK συσχετίζεται καλά. Αυτό μπορεί να οφείλεται στην εφαρμογή λιπασμάτων όπως το ανθρακικό κάλιο, το οποίο έχει 56% υψηλότερη περιεκτικότητα σε κάλιο. Το κάλιο συσχετίστηκε μέτρια με το μαγνήσιο (KM r = 0,63). Στη βιομηχανία λιπασμάτων, αυτά τα δύο στοιχεία σχετίζονται στενά επειδή το θειικό κάλιο-μαγνήσιο, το νιτρικό κάλιο-μαγνήσιο και το κάλιο εφαρμόζονται στα εδάφη για να αυξήσουν τα επίπεδα τροφοπενίας τους. Το νικέλιο συσχετίζεται μέτρια με το Ca, το K και το Mg με τιμές r = 0,52, 0,63 και 0,55, αντίστοιχα. Οι σχέσεις που αφορούν το ασβέστιο, το μαγνήσιο και τα PTE όπως το νικέλιο είναι πολύπλοκες, αλλά παρ' όλα αυτά, το μαγνήσιο αναστέλλει την απορρόφηση ασβεστίου, το ασβέστιο μειώνει τις επιδράσεις της περίσσειας μαγνησίου και τόσο το μαγνήσιο όσο και το ασβέστιο μειώνουν τις τοξικές επιδράσεις του νικελίου στο έδαφος.
Πίνακας συσχέτισης για στοιχεία που δείχνει τη σχέση μεταξύ προγνωστικών παραγόντων και απαντήσεων (Σημείωση: αυτό το σχήμα περιλαμβάνει ένα διάγραμμα διασποράς μεταξύ στοιχείων, τα επίπεδα σημαντικότητας βασίζονται σε p < 0,001).
Το Σχήμα 4 απεικονίζει την χωρική κατανομή των στοιχείων. Σύμφωνα με τους Burgos et al70, η εφαρμογή της χωρικής κατανομής είναι μια τεχνική που χρησιμοποιείται για την ποσοτικοποίηση και την επισήμανση θερμών σημείων σε μολυσμένες περιοχές. Τα επίπεδα εμπλουτισμού Ca στο Σχήμα 4 φαίνονται στο βορειοδυτικό τμήμα του χάρτη χωρικής κατανομής. Το σχήμα δείχνει μέτρια έως υψηλά θερμά σημεία εμπλουτισμού Ca. Ο εμπλουτισμός με ασβέστιο στα βορειοδυτικά του χάρτη πιθανότατα οφείλεται στη χρήση άσβεστου (οξείδιο του ασβεστίου) για τη μείωση της οξύτητας του εδάφους και στη χρήση του σε χαλυβουργεία ως αλκαλικό οξυγόνο στη διαδικασία παραγωγής χάλυβα. Από την άλλη πλευρά, άλλοι αγρότες προτιμούν να χρησιμοποιούν υδροξείδιο του ασβεστίου σε όξινα εδάφη για την εξουδετέρωση του pH, το οποίο αυξάνει επίσης την περιεκτικότητα σε ασβέστιο του εδάφους71. Το κάλιο εμφανίζει επίσης θερμά σημεία στα βορειοδυτικά και ανατολικά του χάρτη. Τα βορειοδυτικά είναι μια σημαντική γεωργική κοινότητα και το μέτριο έως υψηλό πρότυπο καλίου μπορεί να οφείλεται σε εφαρμογές NPK και καλίου. Αυτό συμφωνεί με άλλες μελέτες, όπως οι Madaras και Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, οι οποίοι παρατήρησαν ότι το έδαφος Η σταθεροποίηση και η επεξεργασία με KCl και NPK οδήγησαν σε υψηλή περιεκτικότητα σε Κ στο έδαφος. Ο χωρικός εμπλουτισμός με κάλιο στα βορειοδυτικά του χάρτη κατανομής μπορεί να οφείλεται στη χρήση λιπασμάτων με βάση το κάλιο, όπως χλωριούχο κάλιο, θειικό κάλιο, νιτρικό κάλιο, κάλιο και κάλιο, για την αύξηση της περιεκτικότητας σε κάλιο των φτωχών εδαφών. Zádorová et al. 76 και Tlustoš et al. 77 υπογράμμισε ότι η εφαρμογή λιπασμάτων με βάση το κάλιο αύξησε την περιεκτικότητα σε κάλιο στο έδαφος και θα αύξανε σημαντικά την περιεκτικότητα σε θρεπτικά συστατικά του εδάφους μακροπρόθεσμα, ειδικά το κάλιο και το μαγνήσιο που παρουσιάζουν ένα θερμό σημείο στο έδαφος. Σχετικά μέτρια θερμά σημεία στα βορειοδυτικά του χάρτη και νοτιοανατολικά του χάρτη. Η κολλοειδής δέσμευση στο έδαφος μειώνει τη συγκέντρωση μαγνησίου στο έδαφος. Η έλλειψή του στο έδαφος προκαλεί στα φυτά να εμφανίζουν κιτρινωπή χλωρόζη στις ενδιάμεσες φλέβες. Τα λιπάσματα με βάση το μαγνήσιο, όπως το θειικό κάλιο-μαγνήσιο, το θειικό μαγνήσιο και ο κιζερίτης, αντιμετωπίζουν τις ελλείψεις (τα φυτά εμφανίζονται μοβ, κόκκινα ή καφέ, υποδεικνύοντας έλλειψη μαγνησίου) σε εδάφη με φυσιολογικό εύρος pH6. Η συσσώρευση νικελίου σε αστικές και περιαστικές επιφάνειες εδάφους μπορεί να οφείλεται σε ανθρωπογενείς δραστηριότητες όπως η γεωργία και η σημασία του νικελίου στην παραγωγή ανοξείδωτου χάλυβα78.
Χωρική κατανομή στοιχείων [ο χάρτης χωρικής κατανομής δημιουργήθηκε χρησιμοποιώντας το ArcGIS Desktop (ESRI, Inc, Έκδοση 10.7, URL: https://desktop.arcgis.com).]
Τα αποτελέσματα του δείκτη απόδοσης του μοντέλου για τα στοιχεία που χρησιμοποιήθηκαν σε αυτή τη μελέτη παρουσιάζονται στον Πίνακα 2. Από την άλλη πλευρά, οι τιμές RMSE και MAE του Ni είναι και οι δύο κοντά στο μηδέν (0,86 RMSE, -0,08 MAE). Από την άλλη πλευρά, τόσο οι τιμές RMSE όσο και MAE του K είναι αποδεκτές. Τα αποτελέσματα RMSE και MAE ήταν μεγαλύτερα για το ασβέστιο και το μαγνήσιο. Τα αποτελέσματα MAE και RMSE για το Ca και το K είναι μεγαλύτερα λόγω διαφορετικών συνόλων δεδομένων. Τα RMSE και MAE αυτής της μελέτης που χρησιμοποίησε το EBK για την πρόβλεψη του Ni βρέθηκαν να είναι καλύτερα από τα αποτελέσματα των John et al. 54 που χρησιμοποίησαν συνεργιστική μέθοδο kriging για την πρόβλεψη συγκεντρώσεων S στο έδαφος χρησιμοποιώντας τα ίδια δεδομένα που συλλέχθηκαν. Τα αποτελέσματα του EBK που μελετήσαμε συσχετίζονται με αυτά των Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 και John et al. 82, ειδικά του K και του Ni.
Η απόδοση των μεμονωμένων μεθόδων για την πρόβλεψη της περιεκτικότητας σε νικέλιο σε αστικά και περιαστικά εδάφη αξιολογήθηκε χρησιμοποιώντας την απόδοση των μοντέλων (Πίνακας 3). Η επικύρωση του μοντέλου και η αξιολόγηση της ακρίβειας επιβεβαίωσαν ότι ο προγνωστικός παράγοντας Ca_Mg_K σε συνδυασμό με το μοντέλο EBK SVMR απέδωσε την καλύτερη απόδοση. Το μοντέλο βαθμονόμησης Ca_Mg_K-EBK_SVMR μοντέλο R2, το μέσο τετραγωνικό σφάλμα (RMSE) και το μέσο απόλυτο σφάλμα (MAE) ήταν 0,637 (R2), 95,479 mg/kg (RMSE) και 77,368 mg/kg (MAE). Το Ca_Mg_K-SVMR ήταν 0,663 (R2), 235,974 mg/kg (RMSE) και 166,946 mg/kg (MAE). Παρ' όλα αυτά, ελήφθησαν καλές τιμές R2 για το Ca_Mg_K-SVMR (0,663 mg/kg R2) και το Ca_Mg-EBK_SVMR (0,643 = R2). Τα αποτελέσματα RMSE και MAE ήταν υψηλότερα από αυτά του Ca_Mg_K-EBK_SVMR (R2 0,637) (βλ. Πίνακα 3). Επιπλέον, τα RMSE και MAE του μοντέλου Ca_Mg-EBK_SVMR (RMSE = 1664,64 και MAE = 1031,49) είναι 17,5 και 13,4, αντίστοιχα, τα οποία είναι μεγαλύτερα από αυτά του Ca_Mg_K-EBK_SVMR. Ομοίως, τα RMSE και MAE του μοντέλου Ca_Mg-K SVMR (RMSE = 235,974 και MAE = 166,946) είναι 2,5 και 2,2 μεγαλύτερα από αυτά του RMSE και MAE του Ca_Mg_K-EBK_SVMR, αντίστοιχα. Τα υπολογισμένα αποτελέσματα RMSE δείχνουν πόσο συγκεντρωμένο είναι το σύνολο δεδομένων με τη γραμμή βέλτιστης προσαρμογής. Παρατηρήθηκαν υψηλότερες RSME και MAE. Σύμφωνα με τους Kebonye et al. 46 και john et al. 54, όσο πιο κοντά στο μηδέν είναι τα RMSE και MAE, τόσο καλύτερα είναι τα αποτελέσματα. Τα SVMR και EBK_SVMR έχουν υψηλότερες κβαντισμένες τιμές RSME και MAE. Παρατηρήθηκε ότι οι εκτιμήσεις RSME ήταν σταθερά υψηλότερες από τις τιμές MAE, υποδεικνύοντας την παρουσία ακραίων τιμών. Σύμφωνα με τους Legates και McCabe83, ο βαθμός στον οποίο το RMSE υπερβαίνει το μέσο απόλυτο σφάλμα (MAE) συνιστάται ως δείκτης της παρουσίας ακραίων τιμών. Αυτό σημαίνει ότι όσο πιο ετερογενές είναι το σύνολο δεδομένων, τόσο υψηλότερες είναι οι τιμές MAE και RMSE. Η ακρίβεια της αξιολόγησης διασταυρούμενης επικύρωσης του μικτού μοντέλου Ca_Mg_K-EBK_SVMR για την πρόβλεψη της περιεκτικότητας σε Ni σε αστικά και περιαστικά εδάφη ήταν 63,70%. Σύμφωνα με τους Li et al. 59, αυτό το επίπεδο ακρίβειας είναι ένα αποδεκτό ποσοστό απόδοσης μοντέλου. Τα παρόντα αποτελέσματα συγκρίνονται με προηγούμενη μελέτη των Tarasov et al. 36 του οποίου το υβριδικό μοντέλο δημιούργησε το MLPRK (Multilayer Perceptron Residual Kriging), που σχετίζεται με τον δείκτη αξιολόγησης ακρίβειας EBK_SVMR που αναφέρθηκε στην παρούσα μελέτη, το RMSE (210) και το MAE (167.5) ήταν υψηλότερο από τα αποτελέσματά μας στην παρούσα μελέτη (RMSE 95.479, MAE 77.368). Ωστόσο, κατά τη σύγκριση του R2 της τρέχουσας μελέτης (0.637) με αυτό των Tarasov et al. 36 (0,544), είναι σαφές ότι ο συντελεστής προσδιορισμού (R2) είναι υψηλότερος σε αυτό το μικτό μοντέλο. Το περιθώριο σφάλματος (RMSE και MAE) (EBK SVMR) για το μικτό μοντέλο είναι δύο φορές χαμηλότερο. Ομοίως, οι Sergeev et al.34 κατέγραψαν 0,28 (R2) για το αναπτυγμένο υβριδικό μοντέλο (Multilayer Perceptron Residual Kriging), ενώ το Ni στην παρούσα μελέτη κατέγραψε 0,637 (R2). Το επίπεδο ακρίβειας πρόβλεψης αυτού του μοντέλου (EBK SVMR) είναι 63,7%, ενώ η ακρίβεια πρόβλεψης που επιτεύχθηκε από τους Sergeev et al.34 είναι 28%. Ο τελικός χάρτης (Εικ. 5) που δημιουργήθηκε χρησιμοποιώντας το μοντέλο EBK_SVMR και το Ca_Mg_K ως προγνωστικό δείχνει προβλέψεις για θερμά σημεία και μέτρια έως νικέλιο σε ολόκληρη την περιοχή μελέτης. Αυτό σημαίνει ότι η συγκέντρωση νικελίου στην περιοχή μελέτης είναι κυρίως μέτρια, με υψηλότερες συγκεντρώσεις σε ορισμένες συγκεκριμένες περιοχές.
Ο τελικός χάρτης πρόβλεψης αναπαρίσταται χρησιμοποιώντας το υβριδικό μοντέλο EBK_SVMR και χρησιμοποιώντας το Ca_Mg_K ως προγνωστικό παράγοντα. [Ο χάρτης χωρικής κατανομής δημιουργήθηκε χρησιμοποιώντας το RStudio (έκδοση 1.4.1717: https://www.rstudio.com/).]
Στο Σχήμα 6 παρουσιάζονται οι συγκεντρώσεις PTE ως επίπεδο σύνθεσης που αποτελείται από μεμονωμένους νευρώνες. Κανένα από τα επίπεδα των συστατικών δεν εμφάνισε το ίδιο χρωματικό μοτίβο όπως φαίνεται. Ωστόσο, ο κατάλληλος αριθμός νευρώνων ανά σχεδιασμένο χάρτη είναι 55. Το SeOM παράγεται χρησιμοποιώντας μια ποικιλία χρωμάτων και όσο πιο παρόμοια είναι τα χρωματικά μοτίβα, τόσο πιο συγκρίσιμες είναι οι ιδιότητες των δειγμάτων. Σύμφωνα με την ακριβή χρωματική τους κλίμακα, τα μεμονωμένα στοιχεία (Ca, K και Mg) εμφάνισαν παρόμοια χρωματικά μοτίβα με μεμονωμένους νευρώνες υψηλής τάξης και τους περισσότερους νευρώνες χαμηλής τάξης. Έτσι, τα CaK και CaMg μοιράζονται ορισμένες ομοιότητες με νευρώνες πολύ υψηλής τάξης και χρωματικά μοτίβα χαμηλής έως μέτριας τάξης. Και τα δύο μοντέλα προβλέπουν τη συγκέντρωση Ni στο έδαφος εμφανίζοντας μεσαίες έως υψηλές αποχρώσεις χρωμάτων όπως κόκκινο, πορτοκαλί και κίτρινο. Το μοντέλο KMg εμφανίζει πολλά χρωματικά μοτίβα υψηλής τάξης με βάση ακριβείς αναλογίες και κηλίδες χαμηλής έως μεσαίας τάξης. Σε μια ακριβή χρωματική κλίμακα από χαμηλή έως υψηλή, το επίπεδο μοτίβο κατανομής των συστατικών του μοντέλου έδειξε ένα υψηλό χρωματικό μοτίβο που υποδεικνύει την πιθανή συγκέντρωση νικελίου στο έδαφος (βλ. Σχήμα 4). Το επίπεδο συστατικών του μοντέλου CakMg δείχνει ένα ποικίλο χρωματικό μοτίβο από χαμηλή έως υψηλή σύμφωνα με ένα ακριβές χρωματικό μοτίβο. κλίμακα. Επιπλέον, η πρόβλεψη του μοντέλου για την περιεκτικότητα σε νικέλιο (CakMg) είναι παρόμοια με την χωρική κατανομή του νικελίου που φαίνεται στο Σχήμα 5. Και τα δύο γραφήματα δείχνουν υψηλές, μεσαίες και χαμηλές αναλογίες συγκεντρώσεων νικελίου σε αστικά και περιαστικά εδάφη. Το Σχήμα 7 απεικονίζει τη μέθοδο ισοϋψών καμπυλών στην ομαδοποίηση k-means στον χάρτη, χωρισμένη σε τρεις συστάδες με βάση την προβλεπόμενη τιμή σε κάθε μοντέλο. Η μέθοδος ισοϋψών καμπυλών αντιπροσωπεύει τον βέλτιστο αριθμό συστάδων. Από τα 115 δείγματα εδάφους που συλλέχθηκαν, η κατηγορία 1 έλαβε τα περισσότερα δείγματα εδάφους, 74. Η συστάδα 2 έλαβε 33 δείγματα, ενώ η συστάδα 3 έλαβε 8 δείγματα. Ο συνδυασμός επίπεδου προγνωστικού παράγοντα επτά συστατικών απλοποιήθηκε για να επιτρέψει τη σωστή ερμηνεία των συστάδων. Λόγω των πολυάριθμων ανθρωπογενών και φυσικών διεργασιών που επηρεάζουν τον σχηματισμό του εδάφους, είναι δύσκολο να υπάρχουν σωστά διαφοροποιημένα πρότυπα συστάδων σε έναν κατανεμημένο χάρτη SeOM78.
Έξοδος επιπέδου συνιστωσών από κάθε μεταβλητή Εμπειρικής Μηχανής Υποστήριξης Διανυσμάτων Bayesian Kriging (EBK_SVM_SeOM). [Οι χάρτες SeOM δημιουργήθηκαν χρησιμοποιώντας το RStudio (έκδοση 1.4.1717: https://www.rstudio.com/).]
Διαφορετικά στοιχεία ταξινόμησης συστάδων [Οι χάρτες SeOM δημιουργήθηκαν χρησιμοποιώντας το RStudio (έκδοση 1.4.1717: https://www.rstudio.com/).]
Η παρούσα μελέτη απεικονίζει με σαφήνεια τεχνικές μοντελοποίησης για τις συγκεντρώσεις νικελίου σε αστικά και περιαστικά εδάφη. Η μελέτη δοκίμασε διαφορετικές τεχνικές μοντελοποίησης, συνδυάζοντας στοιχεία με τεχνικές μοντελοποίησης, για να επιτύχει τον καλύτερο τρόπο πρόβλεψης των συγκεντρώσεων νικελίου στο έδαφος. Τα επίπεδα χωρικά χαρακτηριστικά σύνθεσης SeOM της τεχνικής μοντελοποίησης εμφάνισαν ένα υψηλό χρωματικό μοτίβο από χαμηλό σε υψηλό σε μια ακριβή χρωματική κλίμακα, υποδεικνύοντας συγκεντρώσεις Ni στο έδαφος. Ωστόσο, ο χάρτης χωρικής κατανομής επιβεβαιώνει την επίπεδη χωρική κατανομή των συστατικών που παρουσιάζεται από το EBK_SVMR (βλ. Σχήμα 5). Τα αποτελέσματα δείχνουν ότι το μοντέλο παλινδρόμησης μηχανής φορέα υποστήριξης (CaMgK-SVMR) προβλέπει τη συγκέντρωση Ni στο έδαφος ως ένα μόνο μοντέλο, αλλά οι παράμετροι αξιολόγησης επικύρωσης και ακρίβειας παρουσιάζουν πολύ υψηλά σφάλματα όσον αφορά το RMSE και το MAE. Από την άλλη πλευρά, η τεχνική μοντελοποίησης που χρησιμοποιείται με το μοντέλο EBK_MLR είναι επίσης ελαττωματική λόγω της χαμηλής τιμής του συντελεστή προσδιορισμού (R2). Καλά αποτελέσματα ελήφθησαν χρησιμοποιώντας το EBK SVMR και συνδυασμένα στοιχεία (CaKMg) με χαμηλά σφάλματα RMSE και MAE με ακρίβεια 63,7%. Αποδεικνύεται ότι ο συνδυασμός του αλγορίθμου EBK με ένα Ένας αλγόριθμος μηχανικής μάθησης μπορεί να δημιουργήσει έναν υβριδικό αλγόριθμο που μπορεί να προβλέψει τη συγκέντρωση των PTE στο έδαφος. Τα αποτελέσματα δείχνουν ότι η χρήση CaMgK ως προγνωστικών για την πρόβλεψη των συγκεντρώσεων Ni στην περιοχή μελέτης μπορεί να βελτιώσει την πρόβλεψη του Ni στα εδάφη. Αυτό σημαίνει ότι η συνεχής εφαρμογή λιπασμάτων με βάση το νικέλιο και η βιομηχανική ρύπανση του εδάφους από τη χαλυβουργία έχει την τάση να αυξάνει τη συγκέντρωση νικελίου στο έδαφος. Αυτή η μελέτη αποκάλυψε ότι το μοντέλο EBK μπορεί να μειώσει το επίπεδο σφάλματος και να βελτιώσει την ακρίβεια του μοντέλου χωρικής κατανομής του εδάφους σε αστικά ή περιαστικά εδάφη. Γενικά, προτείνουμε να εφαρμόσουμε το μοντέλο EBK-SVMR για την αξιολόγηση και την πρόβλεψη του PTE στο έδαφος. Επιπλέον, προτείνουμε να χρησιμοποιήσουμε το EBK για υβριδισμό με διάφορους αλγόριθμους μηχανικής μάθησης. Οι συγκεντρώσεις Ni προβλέφθηκαν χρησιμοποιώντας στοιχεία ως συνμεταβλητές. Ωστόσο, η χρήση περισσότερων συνμεταβλητών θα βελτίωνε σημαντικά την απόδοση του μοντέλου, κάτι που μπορεί να θεωρηθεί περιορισμός της τρέχουσας εργασίας. Ένας άλλος περιορισμός αυτής της μελέτης είναι ότι ο αριθμός των συνόλων δεδομένων είναι 115. Επομένως, εάν παρέχονται περισσότερα δεδομένα, η απόδοση της προτεινόμενης βελτιστοποιημένης μεθόδου υβριδισμού μπορεί να βελτιωθεί.
PlantProbs.net. Νικέλιο σε φυτά και έδαφος https://plantprobs.net/plant/nutrientImbalances/sodium.html (Πρόσβαση στις 28 Απριλίου 2021).
Kasprzak, KS Πρόοδοι νικελίου στη σύγχρονη περιβαλλοντική τοξικολογία. surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Νικέλιο: Μια ανασκόπηση των πηγών του και της περιβαλλοντικής τοξικολογίας. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Εισροή ρύπων από την ατμόσφαιρα και συσσώρευση στο έδαφος και τη βλάστηση κοντά σε ένα χυτήριο νικελίου-χαλκού στο Sudbury, Οντάριο, Καναδάς.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Βαρέα μέταλλα στο έδαφος, τα φυτά και κίνδυνοι που σχετίζονται με τα μηρυκαστικά που βόσκουν κοντά στο ορυχείο χαλκού-νικελίου Selebi-Phikwe στην Μποτσουάνα. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Ιχνοστοιχεία στο έδαφος και… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Ιχνοστοιχεία+σε+εδάφη+και+φυτά.+4η+έκδ.+Νέα+Υόρκη+%28NY%29%3A+CRC+Press&btnG= (Πρόσβαση στις 24 Νοεμβρίου 2020).
Almås, A., Singh, B., Γεωργία, TS-NJ του & 1995, απροσδιόριστος. Επιπτώσεις της ρωσικής βιομηχανίας νικελίου στις συγκεντρώσεις βαρέων μετάλλων σε γεωργικά εδάφη και χόρτα στο Soer-Varanger, Νορβηγία.agris.fao.org.
Nielsen, GD et al. Η απορρόφηση και η κατακράτηση νικελίου στο πόσιμο νερό σχετίζονται με την πρόσληψη τροφής και την ευαισθησία στο νικέλιο. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Καρκινογένεση, μετάλλαξη, επιγενετική ή επιλογή νικελίου. Περιβάλλον. Προοπτική Υγείας. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Ανάλυση τάσεων δυνητικά τοξικών στοιχείων: μια βιβλιομετρική ανασκόπηση. Περιβαλλοντική Γεωχημεία και Υγεία. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Ψηφιακή Χαρτογράφηση Εδάφους: Σύντομο Ιστορικό και Μερικά Μαθήματα. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital land mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Γεωστατιστική Μοντελοποίηση Ταμιευτήρων,… – 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= (Πρόσβαση στις 28 Απριλίου 2021).