Dankon pro via vizito al Nature.com. La retumilversio, kiun vi uzas, havas limigitan subtenon por CSS. Por la plej bona sperto, ni rekomendas, ke vi uzu ĝisdatigitan retumilon (aŭ malŝaltu kongruecan reĝimon en Internet Explorer). Dume, por certigi daŭran subtenon, ni montros la retejon sen stiloj kaj JavaScript.
Grundpoluado estas granda problemo kaŭzita de homaj aktivecoj. La spaca distribuo de eble toksaj elementoj (PTE-oj) varias en plej multaj urbaj kaj ĉirkaŭurbaj areoj. Tial, estas malfacile space antaŭdiri la enhavon de PTE-oj en tiaj grundoj. Entute 115 specimenoj estis akiritaj de Frydek Mistek en Ĉeĥio. Kalciaj (Ca), magnezio (Mg), kalio (K) kaj nikelo (Ni) koncentriĝoj estis determinitaj uzante induktive kuplitan plasman emisian spektrometrion. La respondvariablo estas Ni kaj la prognoziloj estas Ca, Mg kaj K. La korelacia matrico inter la respondvariablo kaj la prognozila variablo montras kontentigan korelacion inter la elementoj. La prognozaj rezultoj montris, ke Subtena Vektora Maŝina Regreso (SVMR) bone funkciis, kvankam ĝia taksita radika meza kvadrata eraro (RMSE) (235.974 mg/kg) kaj meza absoluta eraro (MAE) (166.946 mg/kg) estis pli altaj ol la aliaj aplikitaj metodoj. Miksitaj modeloj por Empiria Bajeza Kriĝiga-Multobla Lineara Regreso (EBK-MLR) malbone funkcias, kiel montras... koeficientoj de determinado malpli ol 0.1. La modelo Empirical Bayesian Kriging-Subtain Vector Machine Regression (EBK-SVMR) estis la plej bona, kun malaltaj RMSE (95.479 mg/kg) kaj MAE (77.368 mg/kg) valoroj kaj alta koeficiento de determinado (R2 = 0.637). La eligo de la EBK-SVMR-modeliga tekniko estas bildigita uzante memorganizantan mapon. Aranĝitaj neŭronoj en la ebeno de la hibrida modela komponanto CakMg-EBK-SVMR montras plurajn kolorpadronojn, kiuj antaŭdiras Ni-koncentriĝojn en urbaj kaj periurbaj grundoj. La rezultoj montras, ke kombini EBK kaj SVMR estas efika tekniko por antaŭdiri Ni-koncentriĝojn en urbaj kaj periurbaj grundoj.
Nikelo (Ni) estas konsiderata mikronutraĵo por plantoj ĉar ĝi kontribuas al atmosfera nitrogena fiksado (N) kaj ureometabolo, ambaŭ necesaj por semĝermado. Aldone al sia kontribuo al semĝermado, Ni povas agi kiel funga kaj bakteria inhibiciilo kaj antaŭenigi plantan disvolviĝon. La manko de nikelo en la grundo permesas al la planto absorbi ĝin, rezultante en klorozo de folioj. Ekzemple, vizovignoj kaj verdaj fazeoloj postulas la aplikon de nikel-bazitaj sterkoj por optimumigi nitrogenan fiksadon2. Daŭra apliko de nikel-bazitaj sterkoj por riĉigi la grundon kaj pliigi la kapablon de guŝoj fiksi nitrogenon en la grundo kontinue pliigas la nikelkoncentriĝon en la grundo. Kvankam nikelo estas mikronutraĵo por plantoj, ĝia troa konsumado en la grundo povas fari pli da malbono ol bono. La tokseco de nikelo en grundo minimumigas la pH de la grundo kaj malhelpas la sorbadon de fero kiel esenca nutraĵo por planta kresko1. Laŭ Liu3, Ni estis trovita esti la 17-a grava elemento necesa por planta disvolviĝo kaj kresko. Aldone al la rolo de nikelo en planta disvolviĝo kaj kresko, homoj bezonas ĝin por diversaj aplikoj. Galvanizado, la produktado de Nikel-bazitaj alojoj, kaj la fabrikado de sparkiloj kaj sparkiloj en la aŭtomobila industrio ĉiuj postulas la uzon de nikelo en diversaj industriaj sektoroj. Krome, nikel-bazitaj alojoj kaj galvanizitaj artikoloj estis vaste uzataj en kuirejaj iloj, balsalonaj akcesoraĵoj, nutraĵindustriaj provizoj, elektraĵoj, drato kaj kabloj, jetturbinoj, kirurgiaj enplantaĵoj, tekstiloj kaj ŝipkonstruado5. Ni-riĉaj niveloj en grundoj (t.e., surfacaj grundoj) estis atribuitaj al kaj antropogenaj kaj naturaj fontoj, sed ĉefe, Ni estas natura fonto prefere ol antropogena4,6. Naturaj fontoj de nikelo inkluzivas vulkanajn erupciojn, vegetaĵaron, arbarajn incendiojn kaj geologiajn procezojn; tamen, antropogenaj fontoj inkluzivas nikel-kadmiajn bateriojn en la ŝtalindustrio, galvanizadon, arkveldadon, dizelon kaj mazutojn, kaj atmosferajn emisiojn de karbobruligado kaj rubo- kaj ŝlimincendigo Nikela amasiĝo7,8. Laŭ Freedman kaj Hutchinson9 kaj Manyiwa et al. 10, la ĉefaj fontoj de poluado de la grundo en la tuja kaj apuda medio estas ĉefe nikel-kupro-bazitaj fandejoj kaj minejoj. La grundo ĉirkaŭ la nikel-kupro-rafinejo Sudbury en Kanado havis la plej altajn nivelojn de nikela poluado je 26 000 mg/kg11. Kontraste, poluado pro nikelproduktado en Rusio rezultigis pli altajn nikelkoncentriĝojn en norvega grundo11. Laŭ Alms et al. 12, la kvanto de HNO3-ekstraktebla nikelo en la plej granda plugtero de la regiono (nikelproduktado en Rusio) variis de 6,25 ĝis 136,88 mg/kg, kio respondas al averaĝo de 30,43 mg/kg kaj baza koncentriĝo de 25 mg/kg. Laŭ kabata 11, la apliko de fosforaj sterkoj en agrikulturaj grundoj en urbaj aŭ ĉirkaŭurbaj grundoj dum sinsekvaj kultivsezonoj povas enpenetri aŭ polui la grundon. La eblaj efikoj de nikelo en homoj povas konduki al kancero per mutagenezo, kromosoma difekto, Z-DNA-generado, blokita DNA-eksciza riparo aŭ epigenezaj procezoj 13. En bestaj eksperimentoj, oni trovis, ke nikelo havas la potencialon kaŭzi diversajn tumorojn, kaj kancerigaj nikelkompleksoj povas pliseverigi tiajn tumorojn.
Taksoj de grundpoluado prosperis en la lasta tempo pro vasta gamo de sanrilataj problemoj devenantaj de grundo-plantaj rilatoj, grundo kaj grundobiologiaj rilatoj, ekologia degenero kaj media efiktaksado. Ĝis nun, spaca antaŭdiro de eble toksaj elementoj (PTEoj) kiel Ni en grundo estis peniga kaj tempopostula uzante tradiciajn metodojn. La apero de cifereca grundmapado (DSM) kaj ĝia nuna sukceso15 multe plibonigis prognozan grundmapadon (PSM). Laŭ Minasny kaj McBratney16, prognoza grundmapado (DSM) pruviĝis esti elstara subdisciplino de pedologio. Lagacherie kaj McBratney, 2006 difinas DSM kiel "la kreadon kaj plenigon de spacaj grundaj informsistemoj per la uzo de surlokaj kaj laboratoriaj observaj metodoj kaj spacaj kaj ne-spacaj grundinferencaj sistemoj". McBratney et al. 17 skizas, ke la nuntempa DSM aŭ PSM estas la plej efika tekniko por antaŭdiri aŭ mapi la spacan distribuon de PTE-oj, grundotipoj kaj grundoecoj. Geostatistiko kaj Maŝinlernadaj Algoritmoj (MLA) estas DSM-modeligaj teknikoj, kiuj kreas ciferecigitajn mapojn helpe de komputiloj uzante signifajn kaj minimumajn datumojn.
Deutsch18 kaj Olea19 difinas geostatistikon kiel "la kolekton de nombraj teknikoj, kiuj traktas la reprezentadon de spacaj atributoj, ĉefe uzante stokastikajn modelojn, kiel ekzemple kiel temposeria analizo karakterizas tempajn datumojn." Ĉefe, geostatistiko implikas la taksadon de variogramoj, kiuj permesas kvantigi kaj difini la dependecojn de spacaj valoroj de ĉiu datumbazo20. Gumiaux et al. 20 plue ilustras, ke la taksado de variogramoj en geostatistiko baziĝas sur tri principoj, inkluzive de (a) kalkulado de la skalo de datumkorelacio, (b) identigo kaj kalkulado de anizotropio en datumbaza malegaleco kaj (c) krom konsideri la enecan eraron de la mezurdatumoj apartigitaj de la lokaj efikoj, la areaj efikoj ankaŭ estas taksitaj. Bazante sur ĉi tiuj konceptoj, multaj interpoladaj teknikoj estas uzataj en geostatistiko, inkluzive de ĝenerala kriging, kun-kriging, ordinara kriging, empiria bajeza kriging, simpla kriging-metodo kaj aliaj konataj interpoladaj teknikoj por mapi aŭ antaŭdiri PTE, grundkarakterizaĵojn kaj grundotipojn.
Maŝinlernadaj Algoritmoj (MLA) estas relative nova tekniko, kiu uzas pli grandajn nelinearajn datenklasojn, instigitajn de algoritmoj ĉefe uzataj por datenminado, identigado de ŝablonoj en datumoj, kaj plurfoje aplikataj al klasifiko en sciencaj kampoj kiel pedologio kaj reventaskoj. Multaj esplorartikoloj dependas de MLA-modeloj por antaŭdiri PTE en grundoj, kiel ekzemple Tan et al. 22 (hazardaj arbaroj por takso de pezmetaloj en agrikulturaj grundoj), Sakizadeh et al. 23 (modelado uzante subtenvektoran maŝinojn kaj artefaritajn neŭralajn retojn) grundpoluado). Krome, Vega et al. 24 (CART por modelado de reteno kaj adsorbado de pezmetaloj en grundo), Sun et al. 25 (apliko de kubisto estas la distribuo de Cd en grundo) kaj aliaj algoritmoj kiel k-plej proksima najbaro, ĝeneraligita akcelita regreso, kaj akcelita regreso. Arboj ankaŭ aplikis MLA por antaŭdiri PTE en grundo.
La apliko de DSM-algoritmoj en antaŭdiro aŭ mapado alfrontas plurajn defiojn. Multaj aŭtoroj kredas, ke MLA estas supera al geostatistiko kaj inverse. Kvankam unu estas pli bona ol la alia, la kombinaĵo de la du plibonigas la nivelon de precizeco de mapado aŭ antaŭdiro en DSM15. Woodcock kaj Gopal26 Finke27; Pontius kaj Cheuk28 kaj Grunwald29 komentas pri mankoj kaj kelkaj eraroj en antaŭdirita grundmapado. Grundsciencistoj provis diversajn teknikojn por optimumigi la efikecon, precizecon kaj antaŭvideblecon de DSM-mapado kaj antaŭdirado. La kombinaĵo de necerteco kaj konfirmo estas unu el multaj malsamaj aspektoj integritaj en DSM por optimumigi efikecon kaj redukti difektojn. Tamen, Agyeman et al. 15 skizas, ke la validiga konduto kaj necerteco enkondukitaj per mapkreado kaj antaŭdiro devus esti sendepende validigitaj por plibonigi la mapkvaliton. La limigoj de la DSM ŝuldiĝas al geografie disigita grundkvalito, kiu implikas komponenton de necerteco; tamen, la manko de certeco en la DSM povas deveni de pluraj fontoj de eraro, nome kunvariabla eraro, modeleraro, lokereraro kaj analiza eraro 31. Modeligaj malprecizaĵoj induktitaj en MLA kaj geostatistikaj procezoj estas asociitaj kun manko de kompreno, finfine kondukante al trosimpligo de la reala procezo 32. Sendepende de la naturo de la modelado, malprecizaĵoj povas esti atribuitaj al modeligaj parametroj, matematikaj modelaj antaŭdiroj aŭ interpolado 33. Lastatempe, aperis nova DSM-tendenco, kiu antaŭenigas la integriĝon de geostatistiko kaj MLA en mapado kaj prognozado. Pluraj grundosciencistoj kaj aŭtoroj, kiel Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 kaj Tarasov et al. 37, ekspluatis la precizan kvaliton de geostatistiko kaj maŝinlernado por generi hibridajn modelojn, kiuj plibonigas la efikecon de prognozado kaj mapado. kvalito. Kelkaj el ĉi tiuj hibridaj aŭ kombinitaj algoritmaj modeloj estas Artefarita Neŭrala Reta Kriging (ANN-RK), Plurtavola Perceptrona Resta Kriging (MLP-RK), Ĝeneraligita Regresio Neŭrala Reta Resta Kriging (GR-NNRK)36, Artefarita Neŭrala Reta Kriging-Plurtavola Perceptrono (ANN-K-MLP)37 kaj Kun-Kriging kaj Gaŭsa Proceza Regresio38.
Laŭ Sergeev et al., kombini diversajn modeligajn teknikojn havas la potencialon elimini difektojn kaj pliigi la efikecon de la rezulta hibrida modelo anstataŭ evoluigi ĝian ununuran modelon. En ĉi tiu kunteksto, ĉi tiu nova artikolo argumentas, ke necesas apliki kombinitan algoritmon de geostatistiko kaj MLA por krei optimumajn hibridajn modelojn por antaŭdiri Ni-riĉiĝon en urbaj kaj ĉirkaŭurbaj areoj. Ĉi tiu studo dependos de Empiria Bajeza Kriging (EBK) kiel la baza modelo kaj miksos ĝin kun Subtena Vektora Maŝino (SVM) kaj Multobla Lineara Regresio (MLR) modeloj. Hibridigo de EBK kun iu ajn MLA ne estas konata. La multoblaj miksitaj modeloj viditaj estas kombinaĵoj de ordinara, resta, regresa kriging kaj MLA. EBK estas geostatistika interpola metodo, kiu utiligas space stokastan procezon, kiu estas lokigita kiel nestacionara/stacionara hazarda kampo kun difinitaj lokalizaj parametroj super la kampo, permesante spacan variadon39. EBK estis uzata en diversaj studoj, inkluzive de analizado de la distribuado de organika karbono en agrikulturaj grundoj40, taksado de grundpoluado41 kaj mapado de grundaj ecoj42.
Aliflanke, Memorganiza Grafeo (SeOM) estas lerna algoritmo aplikita en diversaj artikoloj kiel Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 kaj Kebonye et al. 46. Ĝi determinas la spacajn atributojn kaj grupiĝon de elementoj. Wang et al. 44 skizas, ke SeOM estas potenca lerna tekniko konata pro sia kapablo grupigi kaj imagi nelinearajn problemojn. Male al aliaj padronrekonaj teknikoj kiel analizo de ĉefaj komponantoj, neakra agregaciado, hierarkia agregaciado kaj plurkriteria decidiĝo, SeOM estas pli bona je organizado kaj identigado de PTE-padronoj. Laŭ Wang et al. 44, SeOM povas space grupigi la distribuon de rilataj neŭronoj kaj provizi alt-rezolucian datenbildigon. SeOM bildigos Ni-prognozajn datumojn por akiri la plej bonan modelon por karakterizi la rezultojn por rekta interpretado.
Ĉi tiu artikolo celas generi fortikan mapmodelon kun optimuma precizeco por antaŭdiri nikelan enhavon en urbaj kaj ĉirkaŭurbaj grundoj. Ni hipotezas, ke la fidindeco de la miksita modelo ĉefe dependas de la influo de aliaj modeloj ligitaj al la baza modelo. Ni agnoskas la defiojn, kiujn alfrontas la DSM, kaj dum ĉi tiuj defioj estas traktataj multflanke, la kombinaĵo de progresoj en geostatistiko kaj MLA-modeloj ŝajnas esti pliiga; tial ni provos respondi esplordemandojn, kiuj povus produkti miksitajn modelojn. Tamen, kiom preciza estas la modelo por antaŭdiri la celan elementon? Ankaŭ, kia estas la nivelo de efikec-taksado bazita sur validigo kaj precizec-taksado? Tial, la specifaj celoj de ĉi tiu studo estis (a) krei kombinitan miksaĵmodelon por SVMR aŭ MLR uzante EBK kiel la bazan modelon, (b) kompari la rezultajn modelojn, (c) proponi la plej bonan miksaĵmodelon por antaŭdiri Ni-koncentriĝojn en urbaj aŭ ĉirkaŭurbaj grundoj, kaj (d) la aplikon de SeOM por krei alt-rezolucian mapon de nikela spaca variado.
La studo estas efektivigata en Ĉeĥio, specife en la distrikto Frydek Mistek en la regiono Moravio-Silezia (vidu Figuron 1). La geografio de la studregiono estas tre kruda kaj estas plejparte parto de la regiono Moravio-Silezia Beskidoj, kiu estas parto de la ekstera rando de la Karpatoj. La studregiono situas inter 49° 41′ 0′ N kaj 18° 20′ 0′ E, kaj la altitudo estas inter 225 kaj 327 m; tamen, la klasifiksistemo de Koppen por la klimata stato de la regiono estas taksita kiel Cfb = modera oceana klimato. Estas multe da pluvokvanto eĉ en la sekaj monatoj. Temperaturoj varias iomete dum la jaro inter −5 °C kaj 24 °C, malofte falante sub −14 °C aŭ super 30 °C, dum la averaĝa jara precipitaĵo estas inter 685 kaj 752 mm47. La taksita enketa areo de la tuta areo estas 1 208 kvadrataj kilometroj, kun 39,38% de la kultivata tero kaj 49,36% de la arbarkovro. Aliflanke, la areo uzita en ĉi tiu studo estas ĉirkaŭ 889,8 kvadrataj kilometroj. En kaj ĉirkaŭ Ostrava, la ŝtalindustrio kaj metalfabrikoj estas tre aktivaj. Metalfabrikoj, la ŝtalindustrio kie nikelo estas uzata en rustorezistaj ŝtaloj (ekz. por rezisto al atmosfera korodo) kaj alojŝtaloj (nikelo pliigas la forton de la alojo konservante ĝian bonan duktecon kaj durecon), kaj intensa agrikulturo kiel ekzemple apliko de fosfata sterko kaj brutbredado estas esploreblaj fontoj de nikelo en la regiono. (ekz., aldonante nikelon al ŝafidoj por pliigi kreskorapidecojn ĉe ŝafidoj kaj malmulte nutritaj bovinoj). Aliaj industriaj uzoj de nikelo en esploraj kampoj inkluzivas ĝian uzon en galvanizado, inkluzive de galvanizado de nikelo kaj senelektraj nikeladprocezoj. Grundoecoj estas facile distingeblaj de grundkoloro, strukturo kaj karbonata enhavo. La grundteksturo estas meza ĝis fajna, derivita de la gepatra materialo. Ili estas koluviaj, aluviaj aŭ eoliaj laŭ naturo. Kelkaj grundareoj aperas makulitaj en la surfaco kaj subtero, ofte kun betono kaj blankigado. Tamen, cambisoloj kaj stagnosoloj estas la plej oftaj grundotipoj en la regiono48. Kun altitudoj variantaj de 455,1 ĝis 493,5 m, cambisoloj dominas Ĉeĥion49.
Mapo de la studregiono [La mapo de la studregiono estis kreita per ArcGIS Desktop (ESRI, Inc, versio 10.7, URL: https://desktop.arcgis.com).]
Entute 115 specimenoj de grundo estis akiritaj el urbaj kaj ĉirkaŭurbaj grundoj en la distrikto Frydek Mistek. La specimenpadrono uzita estis regula krado kun grundospecimenoj interspacigitaj 2 × 2 km, kaj grundo estis mezurita je profundo de 0 ĝis 20 cm uzante porteblan GPS-aparaton (Leica Zeno 5 GPS). Specimenoj estas pakitaj en Ziploc-sakoj, konvene etikeditaj, kaj senditaj al la laboratorio. La specimenoj estis aersekigitaj por produkti pulvorigitajn specimenojn, pulvorigitaj per mekanika sistemo (Fritsch-diskomuelilo), kaj kribritaj (kribrilo grandeco 2 mm). Metu 1 gramon da sekigitaj, homogenigitaj kaj kribritaj grundospecimenoj en klare etikeditajn teflonajn botelojn. En ĉiu teflonan ujon, donu 7 ml da 35% HCl kaj 3 ml da 65% HNO3 (uzante aŭtomatan disdonilon - unu por ĉiu acido), kovru malpeze kaj lasu la specimenojn stari dumnokte por la reakcio (programo akvo reĝa). Metu la supernatant sur varman metalan platon (temperaturo: 100 W). kaj 160 °C) dum 2 horoj por faciligi la digestoprocezon de la specimenoj, poste malvarmigu. Translokigu la supernatanton al 50 ml mezurflasko kaj diluu ĝis 50 ml per dejonigita akvo. Post tio, filtru la diluitan supernatanton en 50 ml PVC-tubon per dejonigita akvo. Plie, 1 ml da la dilua solvaĵo estis diluita kun 9 ml da dejonigita akvo kaj filtrita en 12 ml tubon preparitan por PTE-pseŭdo-koncentriĝo. La koncentriĝoj de PTE-oj (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) estis determinitaj per ICP-OES (Induktive Kunligita Plasmo Optika Emisia Spektroskopio) (Thermo Fisher Scientific, Usono) laŭ normaj metodoj kaj interkonsento. Certigu Kvalitkontrolajn (QA/QC) procedurojn (SRM NIST 2711a Montana II Soil). PTE-oj kun detektaj limoj sub duono estis ekskluditaj de ĉi tiu studo. La detekta limo de la PTE uzita en ĉi tiu studo estis 0.0004.(vi).Krome, la procezo de kvalito-kontrolo kaj kvalito-certigo por ĉiu analizo estas certigita per analizado de referencaj normoj.Por certigi, ke eraroj estis minimumigitaj, duobla analizo estis farita.
Empiria Bajeza Kriĝigo (EBK) estas unu el multaj geostatistikaj interpoladaj teknikoj uzataj en modelado en diversaj kampoj kiel ekzemple pedologio. Male al aliaj kriĝigaj interpoladaj teknikoj, EBK diferencas de tradiciaj kriĝigaj metodoj per konsidero de la eraro taksita per la duonvariograma modelo. En EBK-interpolado, pluraj duonvariogramaj modeloj estas komputataj dum interpolado, anstataŭ ununura duonvariogramo. Interpoladaj teknikoj cedas lokon por la necerteco kaj programado asociitaj kun ĉi tiu grafikaĵo de la duonvariogramo, kiu konsistigas tre kompleksan parton de sufiĉa kriĝiga metodo. La interpola procezo de EBK sekvas la tri kriteriojn proponitajn de Krivoruchko50, (a) la modelo taksas la duonvariogramon el la eniga datumbazo (b) la nova antaŭdirita valoro por ĉiu eniga datumbaza loko bazita sur la generita duonvariogramo kaj (c) la fina modelo A estas komputata el simulita datumbazo. La Bajeza ekvacia regulo estas donita kiel posta...
Kie \(Prob\left(A\right)\) reprezentas la antaŭan valoron, \(Prob\left(B\right)\) la marĝena probableco estas ignorata en la plej multaj kazoj, \(Prob (B,A)\). La kalkulo de la duonvariogramo baziĝas sur la regulo de Bayes, kiu montras la emon de observaj datumaroj, kiuj povas esti kreitaj el duonvariogramoj. La valoro de la duonvariogramo estas tiam determinita uzante la regulon de Bayes, kiu deklaras kiom probable estas krei datumaron de observaĵoj el la duonvariogramo.
Subtena vektora maŝino estas maŝinlernada algoritmo, kiu generas optimuman apartigan hiperebenon por distingi identajn sed ne linie sendependajn klasojn. Vapnik51 kreis la intencan klasifikan algoritmon, sed ĝi ĵus estis uzata por solvi regres-orientitajn problemojn. Laŭ Li et al.52, SVM estas unu el la plej bonaj klasifikaj teknikoj kaj estis uzata en diversaj kampoj. La regresa komponento de SVM (Subtena Vektora Maŝina Regresio - SVMR) estis uzata en ĉi tiu analizo. Cherkassky kaj Mulier53 iniciatis SVMR kiel kerno-bazitan regreson, kies kalkulado estis farita uzante linearan regresan modelon kun plurlandaj spacaj funkcioj. John et al54 raportas, ke SVMR-modelado uzas hiperebenan linearan regreson, kiu kreas nelinearajn rilatojn kaj permesas spacajn funkciojn. Laŭ Vohland et al. 55, epsilono (ε)-SVMR uzas la trejnitan datumaron por akiri reprezentaĵan modelon kiel epsilon-nesenteman funkcion, kiu estas aplikata por mapi la datumojn sendepende kun la plej bona epsilona biaso el trejnado sur korelaciitaj datumoj. La antaŭdifinita distanca eraro estas ignorata de la efektiva valoro, kaj se la eraro estas pli granda ol ε(ε), la grundaj ecoj kompensas ĝin. La modelo ankaŭ reduktas la kompleksecon de la trejnaj datumoj al pli larĝa subaro de subtenaj vektoroj. La ekvacio proponita de Vapnik51 estas montrita sube.
kie b reprezentas la skalaran sojlon, \(K\left({x}_{,}{x}_{k}\right)\) reprezentas la kernan funkcion, \(\alpha\) reprezentas la Lagrange-multiplikaton, N reprezentas numeran datumaron, \({x}_{k}\) reprezentas datumenigon, kaj \(y\) estas datumenigo. Unu el la ŝlosilaj kernoj uzataj estas la SVMR-operacio, kiu estas Gaŭsa radia baza funkcio (RBF). La RBF-kerno estas aplikata por determini la optimuman SVMR-modelon, kiu estas kritika por akiri la plej subtilan punfaktoron C kaj kernan parametron gama (γ) por la PTE-trejnaj datumoj. Unue, ni taksis la trejnan aron kaj poste testis la modelan rendimenton sur la validiga aro. La stira parametro uzata estas sigma kaj la metoda valoro estas svmRadial.
Multoblaj linearaj regresmodeloj (MLR) estas regresmodeloj, kiuj reprezentas la rilaton inter la respondvariablo kaj kelkaj prognozaj variabloj uzante linearajn kunigitajn parametrojn kalkulitajn per la metodo de plej malgrandaj kvadratoj. En MLR, plej malgrandaj kvadratoj estas prognoza funkcio de grundaj ecoj post elekto de klarigaj variabloj. Necesas uzi la respondon por establi linearan rilaton uzante klarigajn variablojn. PTE estis uzata kiel la respondvariablo por establi linearan rilaton kun la klarigaj variabloj. La MLR-ekvacio estas
kie y estas la respondvariablo, ∫(a) estas la intersekco, n estas la nombro de prognoziloj, ∫(b_1) estas la parta regreso de la koeficientoj, ∫(x_i) reprezentas prognozilon aŭ klarigan variablon, kaj ∫(epsilon_i) reprezentas la eraron en la modelo, ankaŭ konatan kiel la resto.
Miksitaj modeloj estis akiritaj per interpolado de EBK kun SVMR kaj MLR. Ĉi tio estas farita per eltirado de antaŭdiritaj valoroj el EBK-interpolado. La antaŭdiritaj valoroj akiritaj el la interpolitaj Ca, K kaj Mg estas akiritaj per kombina procezo por akiri novajn variablojn, kiel ekzemple CaK, CaMg kaj KMg. La elementoj Ca, K kaj Mg estas poste kombinitaj por akiri kvaran variablon, CaKMg. Entute, la akiritaj variabloj estas Ca, K, Mg, CaK, CaMg, KMg kaj CaKMg. Ĉi tiuj variabloj fariĝis niaj prognoziloj, helpante antaŭdiri nikelajn koncentriĝojn en urbaj kaj ĉirkaŭurbaj grundoj. La SVMR-algoritmo estis efektivigita sur la prognoziloj por akiri miksitan modelon Empirian Bajezan Kriĝigon-Subtenan Vektoran Maŝinon (EBK_SVM). Simile, variabloj ankaŭ estas kondukitaj tra la MLR-algoritmo por akiri miksitan modelon Empirian Bajezan Kriĝigon-Multoblan Linearan Regreson (EBK_MLR). Tipe, la variabloj Ca, K, Mg, CaK, CaMg, KMg kaj CaKMg estas uzataj kiel kunvariabloj por prognozi la enhavon de Ni en urbaj kaj ĉirkaŭurbaj grundoj. La plej akceptebla modelo (EBK_SVM aŭ EBK_MLR) estos montrata per memorganizanta grafeo. La laborfluo de ĉi tiu studo estas montrita en Figuro 2.
La uzado de SeOM fariĝis populara ilo por organizi, taksi kaj prognozi datumojn en la financa sektoro, sanservo, industrio, statistiko, pedologio kaj pli. SeOM estas kreita uzante artefaritajn neŭralajn retojn kaj memstarajn lernadometodojn por organizado, taksado kaj prognozo. En ĉi tiu studo, SeOM estis uzata por bildigi Ni-koncentriĝojn surbaze de la plej bona modelo por antaŭdiri Ni en urbaj kaj ĉirkaŭurbaj grundoj. La datumoj prilaboritaj en la SeOM-taksado estas uzataj kiel n enig-dimensiaj vektoraj variabloj43,56. Melssen et al. Figuro 57 priskribas la konekton de eniga vektoro en neŭralan reton tra ununura eniga tavolo al eliga vektoro kun ununura pezvektoro. La eligo generita de SeOM estas dudimensia mapo konsistanta el malsamaj neŭronoj aŭ nodoj teksitaj en seslateraj, cirklaj aŭ kvadrataj topologiaj mapoj laŭ ilia proksimeco. Komparante mapgrandecojn bazitajn sur metriko, kvantiga eraro (QE) kaj topografia eraro (TE), la SeOM-modelo kun 0,086 kaj 0,904 respektive estas elektita, kiu estas 55-mapa unuo (5 × 11). La neŭrona strukturo estas determinita laŭ la nombro da nodoj en la empiria ekvacio.
La nombro da datumoj uzitaj en ĉi tiu studo estas 115 specimenoj. Hazarda aliro estis uzata por dividi la datumojn en testajn datumojn (25% por validigo) kaj trejnajn datumarojn (75% por kalibrado). La trejna datumaro estas uzata por generi la regresmodelon (kalibrado), kaj la testa datumaro estas uzata por kontroli la ĝeneraligan kapablon58. Ĉi tio estis farita por taksi la taŭgecon de diversaj modeloj por antaŭdiri nikelan enhavon en grundoj. Ĉiuj uzitaj modeloj trapasis dekoblan kruc-validigan procezon, ripetitan kvin fojojn. La variabloj produktitaj per EBK-interpolado estas uzataj kiel prognoziloj aŭ klarigaj variabloj por antaŭdiri la celan variablon (PTE). Modelado estas pritraktita en RStudio uzante la pakaĵojn library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") kaj libraries ("Metrics").
Diversaj validigaj parametroj estis uzitaj por determini la plej bonan modelon taŭgan por antaŭdiri nikelajn koncentriĝojn en grundo kaj por taksi la precizecon de la modelo kaj ĝia validigo. Hibridigaj modeloj estis taksitaj uzante mezan absolutan eraron (MAE), radikan mezan kvadratan eraron (RMSE), kaj R-kvadratan aŭ koeficientan determinon (R2). R2 difinas la variancon de la proporcioj en la respondo, reprezentita de la regresa modelo. RMSE kaj varianca magnitudo en sendependaj mezuroj priskribas la prognozan potencon de la modelo, dum MAE determinas la faktan kvantan valoron. La R2-valoro devas esti alta por taksi la plej bonan miksaĵmodelon uzante la validigajn parametrojn, ju pli proksima la valoro estas al 1, des pli alta la precizeco. Laŭ Li et al. 59, R2-kriterio-valoro de 0.75 aŭ pli granda estas konsiderata bona prognozilo; de 0.5 ĝis 0.75 estas akceptebla modela agado, kaj sub 0.5 estas neakceptebla modela agado. Kiam oni elektas modelon uzante la RMSE kaj MAE-validigajn kriteriojn, la pli malaltaj akiritaj valoroj estis sufiĉaj kaj estis konsiderataj la plej bona elekto. La sekva ekvacio priskribas la verifikan metodon.
kie n reprezentas la grandecon de la observita valoro\({Y}_{i}\) reprezentas la mezuritan respondon, kaj \({\widehat{Y}}_{i}\) ankaŭ reprezentas la antaŭviditan respondvaloron, do, por la unuaj i observoj.
Statistikaj priskriboj de prognozaj kaj respondaj variabloj estas prezentitaj en Tabelo 1, montrante meznombron, norman devion (SD), koeficienton de variado (CV), minimumon, maksimumon, kurtozon kaj oblikvecon. La minimumaj kaj maksimumaj valoroj de la elementoj estas en malkreskanta ordo de Mg < Ca < K < Ni kaj Ca < Mg < K < Ni, respektive. Koncentriĝoj de la responda variablo (Ni) specimenitaj el la studa areo variis de 4,86 ​​ĝis 42,39 mg/kg. Komparo de Ni kun la monda mezumo (29 mg/kg) kaj la eŭropa mezumo (37 mg/kg) montris, ke la ĝenerala kalkulita geometria mezumo por la studa areo estis ene de la tolerebla intervalo. Tamen, kiel montrite de Kabata-Pendias11, komparo de la meza nikelo (Ni) koncentriĝo en la nuna studo kun agrikulturaj grundoj en Svedio montras, ke la nuna meza nikelo-koncentriĝo estas pli alta. Simile, la meza koncentriĝo de Frydek Mistek en urbaj kaj ĉirkaŭurbaj grundoj en la nuna studo (Ni 16,15 mg/kg) estis pli alta ol la permesita limo de 60 (10.2 mg/kg) por Ni en polaj urbaj grundoj raportitaj de Różański et al. Plue, Bretzel kaj Calderisi61 registris tre malaltajn mezajn Ni-koncentriĝojn (1.78 mg/kg) en urbaj grundoj en Toskanio kompare kun la nuna studo. Jim62 ankaŭ trovis pli malaltan nikelkoncentriĝon (12.34 mg/kg) en urbaj grundoj de Honkongo, kiu estas pli malalta ol la nuna nikelkoncentriĝo en ĉi tiu studo. Birke et al63 raportis mezan Ni-koncentriĝon de 17.6 mg/kg en malnova minada kaj urba industria areo en Saksio-Anhalto, Germanio, kiu estis 1.45 mg/kg pli alta ol la meza Ni-koncentriĝo en la areo (16.15 mg/kg). Aktuala esplorado. La troa nikela enhavo en grundoj en iuj urbaj kaj antaŭurbaj areoj de la studa areo povas esti ĉefe atribuita al la fer-ŝtala industrio kaj la metalindustrio. Ĉi tio kongruas kun la studo de Khodadoust et al. 64 ke la ŝtalindustrio kaj metalprilaborado estas la ĉefaj fontoj de nikela poluado en grundoj. Tamen, la prognoziloj ankaŭ variis de 538,70 mg/kg ĝis 69 161,80 mg/kg por Ca, 497,51 mg/kg ĝis 3535,68 mg/kg por K, kaj 685,68 mg/kg ĝis 5970,05 mg/kg por Mg. Jakovljevic et al. 65 esploris la totalan Mg kaj K enhavon de grundoj en centra Serbio. Ili trovis, ke la totalaj koncentriĝoj (410 mg/kg kaj 400 mg/kg, respektive) estis pli malaltaj ol la Mg kaj K koncentriĝoj de la nuna studo. Sendube, en orienta Pollando, Orzechowski kaj Smolczynski66 taksis la totalan enhavon de Ca, Mg kaj K kaj montris mezajn koncentriĝojn de Ca (1100 mg/kg), Mg (590 mg/kg) kaj K (810 mg/kg). La enhavo en la grundo estas pli malalta ol la unuopa elemento en ĉi tiu studo. Lastatempa studo de Pongrac et al. 67 montris, ke la totala Ca enhavo analizita en 3 malsamaj grundoj en Skotlando, Britio (grundo de Mylnefield, grundo de Balruddery kaj grundo de Hartwood) indikis pli altan Ca enhavon en ĉi tiu studo.
Pro la malsamaj mezuritaj koncentriĝoj de la specimenitaj elementoj, la datumaraj distribuoj de la elementoj montras malsaman nerektecon. La nerekteco kaj kurtozo de la elementoj variis de 1,53 ĝis 7,24 kaj de 2,49 ĝis 54,16, respektive. Ĉiuj kalkulitaj elementoj havas nerektecon kaj kurtozon super +1, tiel indikante, ke la datumdistribuo estas neregula, nerekteca en la ĝusta direkto kaj pinta. La taksitaj kurbovariaj valoroj (CV) de la elementoj ankaŭ montras, ke K, Mg kaj Ni montras moderan ŝanĝiĝemon, dum Ca havas ekstreme altan ŝanĝiĝemon. La CV-oj de K, Ni kaj Mg klarigas ilian unuforman distribuon. Krome, la Ca-distribuo estas neuniforma kaj eksteraj fontoj povas influi ĝian riĉignivelon.
La korelacio de la prognozaj variabloj kun la respondaj elementoj indikis kontentigan korelacion inter la elementoj (vidu Figuron 3). La korelacio indikis, ke CaK montris moderan korelacion kun r-valoro = 0,53, same kiel CaNi. Kvankam Ca kaj K montras modestajn asociojn unu kun la alia, esploristoj kiel Kingston et al. 68 kaj Santo69 sugestas, ke iliaj niveloj en grundo estas inverse proporciaj. Tamen, Ca kaj Mg estas antagonismaj al K, sed CaK bone korelacias. Ĉi tio povas ŝuldiĝi al la apliko de sterkoj kiel kalia karbonato, kiu estas 56% pli alta en kalio. Kalio estis modere korelaciita kun magnezio (KM r = 0.63). En la sterka industrio, ĉi tiuj du elementoj estas proksime rilataj, ĉar kalia magnezia sulfato, kalia magnezia nitrato kaj kalio estas aplikataj al grundoj por pliigi iliajn manknivelojn. Nikelo estas modere korelaciita kun Ca, K kaj Mg kun r-valoroj = 0.52, 0.63 kaj 0.55, respektive. La rilatoj implikantaj kalcion, magnezion kaj PTE-ojn kiel nikelo estas kompleksaj, sed tamen magnezio inhibicias kalcian sorbadon, kalcio reduktas la efikojn de troa magnezio, kaj kaj magnezio kaj kalcio reduktas la toksajn efikojn de nikelo en grundo.
Korelacia matrico por elementoj montranta la rilaton inter prognoziloj kaj respondoj (Noto: ĉi tiu figuro inkluzivas dispersan diagramon inter elementoj, signifniveloj baziĝas sur p < 0,001).
Figuro 4 ilustras la spacan distribuon de elementoj. Laŭ Burgos et al.70, la apliko de spaca distribuo estas tekniko uzata por kvantigi kaj elstarigi varmajn punktojn en poluitaj areoj. La riĉigniveloj de Ca en Fig. 4 videblas en la nordokcidenta parto de la spaca distribua mapo. La figuro montras moderajn ĝis altajn Ca-riĉigvarmajn punktojn. La kalcia riĉigo en la nordokcidento de la mapo verŝajne ŝuldiĝas al la uzo de kalcia oksido (kalcia oksido) por redukti grundacidecon kaj ĝia uzo en ŝtalejoj kiel alkala oksigeno en la ŝtalproduktada procezo. Aliflanke, aliaj farmistoj preferas uzi kalcian hidroksidon en acidaj grundoj por neŭtraligi la pH, kio ankaŭ pliigas la kalcian enhavon de la grundo71. Kalio ankaŭ montras varmajn punktojn en la nordokcidento kaj oriento de la mapo. La Nordokcidento estas grava agrikultura komunumo, kaj la modera-ĝis-alta ŝablono de kalio povas ŝuldiĝi al aplikoj de NPK kaj kaliokalio. Ĉi tio kongruas kun aliaj studoj, kiel ekzemple Madaras kaj Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, kiuj... observis, ke grundostabiligo kaj traktado per KCl kaj NPK rezultigis altan K-enhavon en la grundo. Spaca kalia riĉiĝo en la nordokcidento de la distribua mapo povas ŝuldiĝi al la uzo de kaliobazitaj sterkoj kiel kalia klorido, kalia sulfato, kalia nitrato, kalia kalio kaj kaliotrinkaĵo por pliigi la kalian enhavon de malriĉaj grundoj. Zádorová et al. 76 kaj Tlustoš et al. 77 skizis, ke la apliko de K-bazitaj sterkoj pliigis la K-enhavon en la grundo kaj signife pliigus la nutraĵan enhavon de la grundo longtempe, precipe K kaj Mg montrante varman punkton en la grundo. Relative moderaj varmaj punktoj en la nordokcidento de la mapo kaj la sudoriento de la mapo. Koloida fiksado en grundo malplenigas la koncentriĝon de magnezio en la grundo. Ĝia manko en grundo kaŭzas, ke plantoj montras flavecan intervejnan klorozon. Magnezi-bazitaj sterkoj, kiel kalia magnezia sulfato, magnezia sulfato kaj Kieserito, traktas mankojn (plantoj aspektas violaj, ruĝaj aŭ brunaj, indikante magnezian mankon) en grundoj kun normala pH-intervalo6. La amasiĝo de nikelo sur urbaj kaj ĉirkaŭurbaj grundsurfacoj povas ŝuldiĝi al antropogenaj agadoj kiel agrikulturo kaj la graveco de nikelo en produktado de rustorezista ŝtalo78.
Spaca distribuo de elementoj [spaca distribua mapo estis kreita per ArcGIS Desktop (ESRI, Inc, Versio 10.7, URL: https://desktop.arcgis.com).]
La rezultoj de la modela rendimenta indekso por la elementoj uzitaj en ĉi tiu studo estas montritaj en Tabelo 2. Aliflanke, la RMSE kaj MAE de Ni ambaŭ estas proksimaj al nulo (0.86 RMSE, -0.08 MAE). Aliflanke, kaj RMSE kaj MAE-valoroj de K estas akcepteblaj. RMSE kaj MAE-rezultoj estis pli grandaj por kalcio kaj magnezio. Ca kaj K MAE kaj RMSE-rezultoj estas pli grandaj pro malsamaj datumaroj. La RMSE kaj MAE de ĉi tiu studo uzanta EBK por antaŭdiri Ni estis trovitaj pli bonaj ol la rezultoj de John et al. 54 uzante sinergian kriging por antaŭdiri S-koncentriĝojn en grundo uzante la samajn kolektitajn datumojn. La EBK-rezultoj, kiujn ni studis, korelacias kun tiuj de Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 kaj John et al. 82, precipe K kaj Ni.
La efikeco de individuaj metodoj por antaŭdiri nikelan enhavon en urbaj kaj ĉirkaŭurbaj grundoj estis taksita uzante la efikecon de la modeloj (Tabelo 3). Modelvalidigo kaj precizeca taksado konfirmis, ke la Ca_Mg_K-prognozilo kombinita kun la EBK SVMR-modelo donis la plej bonan efikecon. Kalibrada modelo Ca_Mg_K-EBK_SVMR modelo R2, radika meza kvadrata eraro (RMSE) kaj meza absoluta eraro (MAE) estis 0,637 (R2), 95,479 mg/kg (RMSE) kaj 77,368 mg/kg (MAE). Ca_Mg_K-SVMR estis 0,663 (R2), 235,974 mg/kg (RMSE) kaj 166,946 mg/kg (MAE). Tamen, bonaj R2-valoroj estis akiritaj por Ca_Mg_K-SVMR (0,663 mg/kg R2) kaj Ca_Mg-EBK_SVMR (0,643 = R2); iliaj RMSE kaj MAE rezultoj estis pli altaj ol tiuj por Ca_Mg_K-EBK_SVMR (R2 0.637) (vidu Tabelon 3). Krome, la RMSE kaj MAE de la Ca_Mg-EBK_SVMR (RMSE = 1664.64 kaj MAE = 1031.49) modelo estas 17.5 kaj 13.4, respektive, kiuj estas pli grandaj ol tiuj de la Ca_Mg_K-EBK_SVMR. Simile, la RMSE kaj MAE de la Ca_Mg-K SVMR (RMSE = 235.974 kaj MAE = 166.946) modelo estas 2.5 kaj 2.2 pli grandaj ol tiuj de la Ca_Mg_K-EBK_SVMR RMSE kaj MAE, respektive. La kalkulitaj RMSE rezultoj indikas kiom koncentrita la datumaro estas kun la linio de plej bona kongruo. Pli altaj RSME kaj MAE estis observitaj. Laŭ Kebonye et al. 46 kaj john et al. 54, ju pli proksimaj estas la RMSE kaj MAE al nulo, des pli bonaj estas la rezultoj. SVMR kaj EBK_SVMR havas pli altajn kvantigitajn RSME kaj MAE valorojn. Oni observis, ke la RSME-taksoj estis konstante pli altaj ol la MAE-valoroj, indikante la ĉeeston de outlier-oj. Laŭ Legates kaj McCabe83, la amplekso, en kiu la RMSE superas la mezan absolutan eraron (MAE), estas rekomendata kiel indikilo de la ĉeesto de outlier-oj. Tio signifas, ke ju pli heterogena la datumbazo, des pli altaj estas la MAE kaj RMSE valoroj. La precizeco de kruc-validiga takso de la miksita modelo Ca_Mg_K-EBK_SVMR por antaŭdiri Ni-enhavon en urbaj kaj antaŭurbaj grundoj estis 63.70%. Laŭ Li et al. 59, ĉi tiu nivelo de precizeco estas akceptebla modela rendimento. La nunaj rezultoj estas komparitaj kun antaŭa studo de Tarasov et al. 36 kies hibrida modelo kreis MLPRK (Multlayer Perceptron Residual Kriging), rilate al la EBK_SVMR-precizeca taksa indekso raportita en la nuna studo, RMSE (210) kaj La MAE (167.5) estis pli alta ol niaj rezultoj en la nuna studo (RMSE 95.479, MAE 77.368). Tamen, kiam oni komparas la R2 de la nuna studo (0.637) kun tiu de Tarasov et al. 36 (0.544), estas klare, ke la koeficiento de determinado (R2) estas pli alta en ĉi tiu miksita modelo. La marĝeno de eraro (RMSE kaj MAE) (EBK SVMR) por la miksita modelo estas duoble pli malalta. Simile, Sergeev et al.34 registris 0.28 (R2) por la evoluigita hibrida modelo (Multlayer Perceptron Residual Kriging), dum Ni en la nuna studo registris 0.637 (R2). La nivelo de prognoza precizeco de ĉi tiu modelo (EBK SVMR) estas 63.7%, dum la prognoza precizeco akirita de Sergeev et al. 34 estas 28%. La fina mapo (Fig. 5) kreita uzante la EBK_SVMR-modelon kaj Ca_Mg_K kiel prognozilon montras prognozojn de varmaj punktoj kaj moderaj ĝis nikelo tra la tuta studa areo. Ĉi tio signifas, ke la koncentriĝo de nikelo en la studa areo estas plejparte modera, kun pli altaj koncentriĝoj en iuj specifaj areoj.
La fina prognoza mapo estas reprezentita per la hibrida modelo EBK_SVMR kaj uzante Ca_Mg_K kiel prognozilon. [La spaca distribua mapo estis kreita per RStudio (versio 1.4.1717: https://www.rstudio.com/).]
En Figuro 6 estas prezentitaj PTE-koncentriĝoj kiel kompona ebeno konsistanta el individuaj neŭronoj. Neniu el la komponaj ebenoj montris la saman kolorpadronon kiel montrite. Tamen, la taŭga nombro da neŭronoj por desegnita mapo estas 55. SeOM estas produktita uzante diversajn kolorojn, kaj ju pli similaj la kolorpadronoj, des pli kompareblaj la ecoj de la specimenoj. Laŭ ilia preciza kolorskalo, individuaj elementoj (Ca, K kaj Mg) montris similajn kolorpadronojn al unuopaj altaj neŭronoj kaj plej multaj malaltaj neŭronoj. Tiel, CaK kaj CaMg dividas kelkajn similecojn kun tre altaj neŭronoj kaj malaltaj ĝis moderaj kolorpadronoj. Ambaŭ modeloj antaŭdiras la koncentriĝon de Ni en grundo montrante mezajn ĝis altajn nuancojn de koloroj kiel ruĝa, oranĝa kaj flava. La KMg-modelo montras multajn altajn kolorpadronojn bazitajn sur precizaj proporcioj kaj malaltaj ĝis mezaj kolorpecetoj. Sur preciza kolorskalo de malalta ĝis alta, la ebena distribua padrono de la komponantoj de la modelo montris altan kolorpadronon indikante la eblan koncentriĝon de nikelo en la grundo (vidu Figuron 4). La kompona ebeno de CakMg-modelo montras diversan kolorpadronon de malalta ĝis alta laŭ... preciza kolorskalo. Plue, la antaŭdiro de la modelo pri nikela enhavo (CakMg) similas al la spaca distribuo de nikelo montrita en Figuro 5. Ambaŭ grafikaĵoj montras altajn, mezajn kaj malaltajn proporciojn de nikelkoncentriĝoj en urbaj kaj ĉirkaŭurbaj grundoj. Figuro 7 prezentas la konturan metodon en la k-meznombroj grupigitaj sur la mapo, dividita en tri aretojn bazitajn sur la antaŭdirita valoro en ĉiu modelo. La kontura metodo reprezentas la optimuman nombron da aretoj. El la 115 kolektitaj grundospecimenoj, kategorio 1 ricevis la plej multajn grundospecimenojn, 74. Areto 2 ricevis 33 specimenojn, dum areto 3 ricevis 8 specimenojn. La sep-komponenta ebena prognozila kombinaĵo estis simpligita por permesi ĝustan interpreton de aretoj. Pro la multaj antropogenaj kaj naturaj procezoj, kiuj influas grundformadon, estas malfacile havi ĝuste diferencigitajn aretajn ŝablonojn en distribuita SeOM-mapo78.
Komponenta ebeno eligita de ĉiu variablo de la Empirieca Bajeza Kriĝiga Subtena Vektora Maŝino (EBK_SVM_SeOM).[SeOM-mapoj estis kreitaj per RStudio (versio 1.4.1717: https://www.rstudio.com/).]
Diversaj komponantoj de klasifiko de aretoj [SeOM-mapoj estis kreitaj per RStudio (versio 1.4.1717: https://www.rstudio.com/).]
La nuna studo klare ilustras modeligajn teknikojn por nikelkoncentriĝoj en urbaj kaj ĉirkaŭurbaj grundoj. La studo testis malsamajn modeligajn teknikojn, kombinante elementojn kun modeligaj teknikoj, por akiri la plej bonan manieron antaŭdiri nikelkoncentriĝojn en grundo. La SeOM-komponaj ebenaj spacaj trajtoj de la modeliga tekniko montris altan kolorpadronon de malalta al alta sur preciza kolorskalo, indikante Ni-koncentriĝojn en la grundo. Tamen, la spaca distribua mapo konfirmas la ebenan spacan distribuon de komponantoj montritan de EBK_SVMR (vidu Figuron 5). La rezultoj montras, ke la subtenvektora maŝina regresmodelo (CaMgK-SVMR) antaŭdiras la koncentriĝon de Ni en grundo kiel ununura modelo, sed la validigaj kaj precizecaj taksadaj parametroj montras tre altajn erarojn laŭ RMSE kaj MAE. Aliflanke, la modeliga tekniko uzata kun la EBK_MLR-modelo ankaŭ estas mankhava pro la malalta valoro de la determinokoeficiento (R2). Bonaj rezultoj estis akiritaj uzante EBK SVMR kaj kombinitajn elementojn (CaKMg) kun malaltaj RMSE kaj MAE-eraroj kun precizeco de 63.7%. Rezultas, ke kombini la EBK-algoritmon kun maŝinlernado... algoritmo povas generi hibridan algoritmon, kiu povas antaŭdiri la koncentriĝon de PTE-oj en grundo. La rezultoj montras, ke uzi CaMgK kiel prognozilojn por antaŭdiri Ni-koncentriĝojn en la studa areo povas plibonigi la antaŭdiron de Ni en grundoj. Tio signifas, ke la kontinua apliko de nikel-bazitaj sterkoj kaj industria poluado de la grundo fare de la ŝtalindustrio emas pliigi la koncentriĝon de nikelo en la grundo. Ĉi tiu studo rivelis, ke la EBK-modelo povas redukti la nivelon de eraro kaj plibonigi la precizecon de la modelo de spaca distribuo de grundo en urbaj aŭ ĉirkaŭurbaj grundoj. Ĝenerale, ni proponas apliki la EBK-SVMR-modelon por taksi kaj antaŭdiri PTE en grundo; krome, ni proponas uzi EBK por hibridigi kun diversaj maŝinlernadaj algoritmoj. Ni-koncentriĝoj estis antaŭdiritaj uzante elementojn kiel kunvariablojn; tamen, uzi pli da kunvariabloj multe plibonigus la rendimenton de la modelo, kio povas esti konsiderata limigo de la nuna laboro. Alia limigo de ĉi tiu studo estas, ke la nombro de datumaroj estas 115. Tial, se pli da datumoj estas provizitaj, la rendimento de la proponita optimumigita hibridiga metodo povas esti plibonigita.
PlantProbs.net. Nikelo en Plantoj kaj Grundo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Alirita la 28an de aprilo 2021).
Kasprzak, KS Nikelaj progresoj en moderna media toksologio. ĉirkaŭaĵo. toksologio. 11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikelo: Revizio de ĝiaj fontoj kaj media toksologio. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Poluaĵa enigo el la atmosfero kaj amasiĝo en grundo kaj vegetaĵaro proksime de nikelo-kupro fandejo en Sudbury, Ontario, Kanado. can. J. Bot. 58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Pezaj metaloj en grundo, plantoj kaj riskoj asociitaj kun paŝtantaj remaĉuloj proksime de la kupro-nikela minejo Selebi-Phikwe en Bocvano. Ĉirkaŭaĵo. Geokemio. Sano https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Spurelementoj en grundo kaj… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Spurelementoj+en+grundoj+kaj+plantoj.+4a+red.+Novjorko+%28NY%29%3A+CRC+Press&btnG= (Alirita la 24an de novembro 2020).
Almås, A., Singh, B., Agrikulturo, TS-NJ de & 1995, nedifinita. Efikoj de la rusa nikelo-industrio sur pezmetalaj koncentriĝoj en agrikulturaj grundoj kaj herboj en Soer-Varanger, Norvegio. agris.fao.org.
Nielsen, GD et al. Nikela sorbado kaj reteno en trinkakvo rilatas al manĝaĵkonsumado kaj nikela sentemo. toksikologio. apliko. Farmakodinamiko. 154, 67–75 (1999).
Costa, M. & Klein, CB Nikelo-kancerogenezo, mutacio, epigenetiko aŭ selektado. Ĉirkaŭaĵo. Sanperspektivo. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Tendencanalizo de eble toksaj elementoj: bibliometria recenzo. Media Geokemio kaj Sano. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Cifereca Grundmapado: Mallonga Historio kaj Kelkaj Lecionoj. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Pri cifereca grundomapado.Geoderma 117 (1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistika Rezervuja Modelado,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistika+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Alirita la 28an de aprilo 2021).