Gracias por visitar Nature.com. La versión del navegador que está utilizando tiene soporte limitado para CSS. Para obtener la mejor experiencia, le recomendamos que utilice un navegador actualizado (o desactive el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar el soporte continuo, mostraremos el sitio sin estilos ni JavaScript.
La contaminación del suelo es un grave problema causado por las actividades humanas. La distribución espacial de los elementos potencialmente tóxicos (EPT) varía en la mayoría de las zonas urbanas y periurbanas. Por lo tanto, resulta difícil predecir espacialmente el contenido de EPT en dichos suelos. Se obtuvieron 115 muestras de Frydek Mistek, República Checa. Se determinaron las concentraciones de calcio (Ca), magnesio (Mg), potasio (K) y níquel (Ni) mediante espectrometría de emisión de plasma acoplado inductivamente. La variable de respuesta es Ni y los predictores son Ca, Mg y K. La matriz de correlación entre la variable de respuesta y la variable predictora muestra una correlación satisfactoria entre los elementos. Los resultados de la predicción mostraron que la regresión de máquinas de vectores de soporte (SVMR) tuvo un buen rendimiento, aunque su error cuadrático medio (RMSE) estimado (235,974 mg/kg) y su error absoluto medio (MAE) (166,946 mg/kg) fueron superiores a los de los otros métodos aplicados. Modelos mixtos para kriging bayesiano empírico-regresión lineal múltiple. (EBK-MLR) tienen un desempeño deficiente, como lo evidencian los coeficientes de determinación menores a 0,1. El modelo Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) fue el mejor modelo, con valores bajos de RMSE (95,479 mg/kg) y MAE (77,368 mg/kg) y alto coeficiente de determinación (R2 = 0,637). La salida de la técnica de modelado EBK-SVMR se visualiza utilizando un mapa autoorganizado. Las neuronas agrupadas en el plano del componente CakMg-EBK-SVMR del modelo híbrido muestran múltiples patrones de color que predicen las concentraciones de Ni en suelos urbanos y periurbanos. Los resultados demuestran que la combinación de EBK y SVMR es una técnica eficaz para predecir las concentraciones de Ni en suelos urbanos y periurbanos.
El níquel (Ni) se considera un micronutriente para las plantas porque contribuye a la fijación del nitrógeno atmosférico (N) y al metabolismo de la urea, ambos necesarios para la germinación de las semillas. Además de su contribución a la germinación de las semillas, el Ni puede actuar como inhibidor de hongos y bacterias y promover el desarrollo de las plantas. La falta de níquel en el suelo permite que la planta lo absorba, lo que resulta en clorosis foliar. Por ejemplo, el caupí y las judías verdes requieren la aplicación de fertilizantes a base de níquel para optimizar la fijación de nitrógeno. La aplicación continua de fertilizantes a base de níquel para enriquecer el suelo y aumentar la capacidad de las legumbres para fijar nitrógeno en el suelo aumenta continuamente la concentración de níquel en el suelo. Aunque el níquel es un micronutriente para las plantas, su ingesta excesiva en el suelo puede ser más perjudicial que beneficiosa. La toxicidad del níquel en el suelo minimiza el pH del suelo y dificulta la absorción de hierro como nutriente esencial para el crecimiento de las plantas. Según Liu, el Ni es el decimoséptimo elemento importante necesario para el desarrollo y crecimiento de las plantas. Además del papel del níquel en el desarrollo y crecimiento de las plantas, los humanos lo necesitan. para una variedad de aplicaciones.La galvanoplastia, la producción de aleaciones a base de níquel y la fabricación de dispositivos de encendido y bujías en la industria automotriz requieren el uso de níquel en varios sectores industriales.Además, las aleaciones a base de níquel y los artículos galvanizados se han utilizado ampliamente en utensilios de cocina, accesorios de salón de baile, suministros para la industria alimentaria, electricidad, alambres y cables, turbinas a reacción, implantes quirúrgicos, textiles y construcción naval5.Los niveles ricos en Ni en los suelos (es decir, suelos superficiales) se han atribuido tanto a fuentes antropogénicas como naturales, pero principalmente, el Ni es una fuente natural en lugar de antropogénica4,6.Las fuentes naturales de níquel incluyen erupciones volcánicas, vegetación, incendios forestales y procesos geológicos; sin embargo, las fuentes antropogénicas incluyen baterías de níquel/cadmio en la industria del acero, galvanoplastia, soldadura por arco, diésel y combustibles fósiles, y emisiones atmosféricas de la combustión de carbón e incineración de desechos y lodos Acumulación de níquel7,8.Según Freedman y Hutchinson9 y Manyiwa et al. 10, las principales fuentes de contaminación de la capa superficial del suelo en el entorno inmediato y adyacente son principalmente fundiciones y minas de níquel y cobre. La capa superficial del suelo alrededor de la refinería de níquel y cobre de Sudbury en Canadá tuvo los niveles más altos de contaminación de níquel con 26.000 mg/kg11. Por el contrario, la contaminación proveniente de la producción de níquel en Rusia ha resultado en mayores concentraciones de níquel en el suelo noruego11. Según Alms et al. 12, la cantidad de níquel extraíble con HNO3 en las principales tierras cultivables de la región (producción de níquel en Rusia) osciló entre 6,25 y 136,88 mg/kg, lo que corresponde a una media de 30,43 mg/kg y una concentración de referencia de 25 mg/kg. Según kabata 11, la aplicación de fertilizantes de fósforo en suelos agrícolas en suelos urbanos o periurbanos durante temporadas de cultivo sucesivas puede infundir o contaminar el suelo. Los efectos potenciales del níquel en humanos pueden provocar cáncer a través de mutagénesis, daño cromosómico, generación de Z-ADN, reparación por escisión de ADN bloqueada o procesos epigenéticos13. En experimentos con animales, se ha descubierto que el níquel tiene el potencial de causar una variedad de tumores, y los complejos de níquel cancerígenos pueden exacerbar dichos tumores.
Las evaluaciones de la contaminación del suelo han florecido en los últimos tiempos debido a una amplia gama de problemas relacionados con la salud que surgen de las relaciones suelo-planta, suelo y relaciones biológicas del suelo, degradación ecológica y evaluación del impacto ambiental. Hasta la fecha, la predicción espacial de elementos potencialmente tóxicos (PTE) como Ni en el suelo ha sido laboriosa y ha requerido mucho tiempo utilizando métodos tradicionales. El advenimiento del mapeo digital de suelos (DSM) y su éxito actual15 han mejorado enormemente el mapeo predictivo de suelos (PSM). Según Minasny y McBratney16, el mapeo predictivo de suelos (DSM) ha demostrado ser una subdisciplina prominente de la ciencia del suelo. Lagacherie y McBratney, 2006 definen DSM como "la creación y llenado de sistemas de información espacial del suelo mediante el uso de métodos de observación in situ y de laboratorio y sistemas de inferencia de suelos espaciales y no espaciales". McBratney et al. 17 describen que el DSM o PSM contemporáneo es la técnica más eficaz para predecir o mapear la distribución espacial de PTE, tipos de suelo y propiedades del suelo. La geoestadística y los algoritmos de aprendizaje automático (MLA) son técnicas de modelado DSM que crean mapas digitalizados con la ayuda de computadoras utilizando datos significativos y mínimos.
Deutsch18 y Olea19 definen la geoestadística como “el conjunto de técnicas numéricas que abordan la representación de atributos espaciales, empleando principalmente modelos estocásticos, tal como el análisis de series de tiempo caracteriza datos temporales”. Fundamentalmente, la geoestadística implica la evaluación de variogramas, que permiten cuantificar y definir las dependencias de los valores espaciales de cada conjunto de datos20.Gumiaux et al. 20 ilustran además que la evaluación de variogramas en geoestadística está basada en tres principios, incluyendo (a) calcular la escala de correlación de datos, (b) identificar y calcular la anisotropía en la disparidad del conjunto de datos y (c) además de tener en cuenta el error inherente de los datos de medición separados de los efectos locales, también se estiman los efectos del área. Sobre la base de estos conceptos, muchas técnicas de interpolación se utilizan en geoestadística, incluyendo kriging general, co-kriging, kriging ordinario, kriging bayesiano empírico, método de kriging simple y otras técnicas de interpolación bien conocidas para mapear o predecir PTE, características del suelo y tipos de suelo.
Los algoritmos de aprendizaje automático (MLA) son una técnica relativamente nueva que emplea clases de datos no lineales más grandes, impulsadas por algoritmos utilizados principalmente para la minería de datos, la identificación de patrones en los datos y aplicados repetidamente a la clasificación en campos científicos como la ciencia del suelo y las tareas de retorno. Numerosos artículos de investigación se basan en modelos MLA para predecir PTE en suelos, como Tan et al. 22 (bosques aleatorios para la estimación de metales pesados ​​​​en suelos agrícolas), Sakizadeh et al. 23 (modelado utilizando máquinas de vectores de soporte y redes neuronales artificiales) contaminación del suelo). Además, Vega et al. 24 (CART para modelar la retención y adsorción de metales pesados ​​​​en el suelo) Sun et al. 25 (aplicación de cubista es la distribución de Cd en el suelo) y otros algoritmos como el vecino más cercano k, la regresión impulsada generalizada y los árboles de regresión impulsada también aplicaron MLA para predecir PTE en el suelo.
La aplicación de algoritmos DSM en predicción o mapeo enfrenta varios desafíos. Muchos autores creen que MLA es superior a la geoestadística y viceversa. Aunque uno es mejor que el otro, la combinación de los dos mejora el nivel de precisión del mapeo o predicción en DSM15. Woodcock y Gopal26 Finke27; Pontius y Cheuk28 y Grunwald29 comentan sobre deficiencias y algunos errores en el mapeo de suelos predicho. Los científicos del suelo han probado una variedad de técnicas para optimizar la efectividad, precisión y previsibilidad del mapeo y pronóstico de DSM. La combinación de incertidumbre y verificación es uno de los muchos aspectos diferentes integrados en DSM para optimizar la efectividad y reducir los defectos. Sin embargo, Agyeman et al. 15 describen que el comportamiento de validación y la incertidumbre introducida por la creación y predicción de mapas deben validarse independientemente para mejorar la calidad del mapa. Las limitaciones del DSM se deben a la calidad del suelo geográficamente dispersa, que involucra un componente de incertidumbre; Sin embargo, la falta de certeza en el DSM puede surgir de múltiples fuentes de error, a saber, error de covariable, error de modelo, error de ubicación y error analítico 31. Las imprecisiones de modelado inducidas en MLA y procesos geoestadísticos están asociadas con una falta de comprensión, lo que en última instancia conduce a una simplificación excesiva del proceso real32. Independientemente de la naturaleza del modelado, las imprecisiones se pueden atribuir a parámetros de modelado, predicciones de modelos matemáticos o interpolación33. Recientemente, ha surgido una nueva tendencia de DSM que promueve la integración de la geoestadística y MLA en el mapeo y el pronóstico. Varios científicos del suelo y autores, como Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 y Tarasov et al. 37 han explotado la calidad precisa de la geoestadística y el aprendizaje automático para generar modelos híbridos que mejoran la eficiencia del pronóstico y el mapeo. calidad. Algunos de estos modelos de algoritmos híbridos o combinados son Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 y Co-Kriging and Gaussian Process Regression38.
Según Sergeev et al., la combinación de diversas técnicas de modelado tiene el potencial de eliminar defectos y aumentar la eficiencia del modelo híbrido resultante en lugar de desarrollar un modelo único. En este contexto, este nuevo artículo argumenta que es necesario aplicar un algoritmo combinado de geoestadística y MLA para crear modelos híbridos óptimos para predecir el enriquecimiento de Ni en áreas urbanas y periurbanas. Este estudio se basará en el Kriging Bayesiano Empírico (EBK) como modelo base y lo combinará con modelos de Máquina de Vectores de Soporte (SVM) y Regresión Lineal Múltiple (MLR). Se desconoce la hibridación de EBK con cualquier MLA. Los múltiples modelos mixtos observados son combinaciones de kriging ordinario, residual, de regresión y MLA. EBK es un método de interpolación geoestadística que utiliza un proceso espacialmente estocástico que se localiza como un campo aleatorio no estacionario/estacionario con parámetros de localización definidos sobre el campo, lo que permite la variación espacial39. EBK se ha utilizado en una variedad de estudios, incluido el análisis de la distribución de carbono orgánico en granjas. suelos40, evaluación de la contaminación del suelo41 y mapeo de las propiedades del suelo42.
Por otro lado, Self-Organizing Graph (SeOM) es un algoritmo de aprendizaje que se ha aplicado en varios artículos como Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 y Kebonye et al.46 Determinar los atributos espaciales y la agrupación de elementos. Wang et al. 44 describen que SeOM es una poderosa técnica de aprendizaje conocida por su capacidad para agrupar e imaginar problemas no lineales. A diferencia de otras técnicas de reconocimiento de patrones como el análisis de componentes principales, la agrupación difusa, la agrupación jerárquica y la toma de decisiones de múltiples criterios, SeOM es mejor para organizar e identificar patrones PTE. Según Wang et al. 44, SeOM puede agrupar espacialmente la distribución de neuronas relacionadas y proporcionar visualización de datos de alta resolución. SeOM visualizará datos de predicción de Ni para obtener el mejor modelo para caracterizar los resultados para una interpretación directa.
Este documento tiene como objetivo generar un modelo de mapeo robusto con precisión óptima para predecir el contenido de níquel en suelos urbanos y periurbanos. Nuestra hipótesis es que la confiabilidad del modelo mixto depende principalmente de la influencia de otros modelos adjuntos al modelo base. Reconocemos los desafíos que enfrenta el DSM, y si bien estos desafíos se están abordando en múltiples frentes, la combinación de avances en geoestadística y modelos MLA parece ser incremental; por lo tanto, intentaremos responder preguntas de investigación que puedan producir modelos mixtos. Sin embargo, ¿qué tan preciso es el modelo para predecir el elemento objetivo? Además, ¿cuál es el nivel de evaluación de la eficiencia basado en la validación y la evaluación de la precisión? Por lo tanto, los objetivos específicos de este estudio fueron (a) crear un modelo de mezcla combinado para SVMR o MLR usando EBK como modelo base, (b) comparar los modelos resultantes (c) proponer el mejor modelo de mezcla para predecir las concentraciones de Ni en suelos urbanos o periurbanos, y (d) la aplicación de SeOM para crear un mapa de alta resolución de la variación espacial del níquel.
El estudio se lleva a cabo en la República Checa, específicamente en el distrito de Frydek Mistek en la región de Moravia-Silesia (ver Figura 1). La geografía del área de estudio es muy accidentada y es principalmente parte de la región de Beskidy de Moravia-Silesia, que forma parte del borde exterior de los montes Cárpatos. El área de estudio está ubicada entre 49° 41′ 0′ N y 18° 20′ 0′ E, y la altitud está entre 225 y 327 m; Sin embargo, el sistema de clasificación de Koppen para el estado climático de la región se clasifica como Cfb = clima oceánico templado. Hay mucha lluvia incluso en los meses secos. Las temperaturas varían ligeramente a lo largo del año entre -5 °C y 24 °C, rara vez bajan de -14 °C o superan los 30 °C, mientras que la precipitación media anual está entre 685 y 752 mm47. El área de estudio estimada de toda el área es de 1.208 kilómetros cuadrados, con un 39,38% de tierra cultivada y un 49,36% de cobertura forestal. Por otro lado, el área utilizada en este estudio es de unos 889,8 kilómetros cuadrados. En Ostrava y sus alrededores, la industria siderúrgica y las metalúrgicas son muy activas. Las plantas siderúrgicas, la industria siderúrgica donde se utiliza níquel en aceros inoxidables (por ejemplo, para la resistencia a la corrosión atmosférica) y aceros aleados (el níquel aumenta la resistencia de la aleación manteniendo su buena ductilidad y tenacidad), y la agricultura intensiva como La aplicación de fertilizantes de fosfato y la producción ganadera son fuentes potenciales de níquel para la investigación en la región (por ejemplo, agregar níquel a los corderos para aumentar las tasas de crecimiento en corderos y ganado con baja alimentación). Otros usos industriales del níquel en áreas de investigación incluyen su uso en galvanoplastia, incluidos los procesos de galvanoplastia de níquel y niquelado no electrolítico. Las propiedades del suelo se distinguen fácilmente por su color, estructura y contenido de carbonato. La textura del suelo es de media a fina, derivada del material parental. Son de naturaleza coluvial, aluvial o eólica. Algunas áreas de suelo aparecen moteadas en la superficie y el subsuelo, a menudo con concreto y blanqueamiento. Sin embargo, los cambisoles y estagnosoles son los tipos de suelo más comunes en la región48. Con elevaciones que van desde los 455,1 a los 493,5 m, los cambisoles dominan la República Checa49.
Mapa del área de estudio [El mapa del área de estudio se creó utilizando ArcGIS Desktop (ESRI, Inc, versión 10.7, URL: https://desktop.arcgis.com).]
Se obtuvieron 115 muestras de suelo superficial de suelos urbanos y periurbanos en el distrito de Frydek Mistek. El patrón de muestreo utilizado fue una cuadrícula regular con muestras de suelo espaciadas a 2 × 2 km, y la capa superficial se midió a una profundidad de 0 a 20 cm con un dispositivo GPS portátil (Leica Zeno 5 GPS). Las muestras se envasaron en bolsas Ziploc, se etiquetaron correctamente y se enviaron al laboratorio. Las muestras se secaron al aire para obtener muestras pulverizadas, se pulverizaron mediante un sistema mecánico (molino de discos Fritsch) y se tamizaron (tamaño de tamiz de 2 mm). Coloque 1 gramo de muestras de suelo secas, homogeneizadas y tamizadas en botellas de teflón claramente etiquetadas. En cada recipiente de teflón, dispense 7 ml de HCl al 35 % y 3 ml de HNO₃ al 65 % (utilizando un dispensador automático, uno para cada ácido), cúbralas ligeramente y deje reposar las muestras durante la noche para la reacción (programa de agua regia). Coloque el sobrenadante en una placa metálica caliente (temperatura: 100 W y 160 °C) durante 2 h para facilitar el proceso de digestión de las muestras, luego enfríe. Transfiera el sobrenadante a un matraz volumétrico de 50 ml y diluya a 50 ml con agua desionizada. Después de eso, filtre el sobrenadante diluido en un tubo de PVC de 50 ml con agua desionizada. Además, 1 ml de la solución de dilución se diluyó con 9 ml de agua desionizada y se filtró en un tubo de 12 ml preparado para la pseudoconcentración de PTE. Las concentraciones de PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) se determinaron mediante ICP-OES (espectroscopia de emisión óptica de plasma acoplado inductivamente) (Thermo Fisher Scientific, EE. UU.) de acuerdo con los métodos y el acuerdo estándar. Garantizar los procedimientos de garantía y control de calidad (QA/QC) (SRM NIST 2711a) Suelo Montana II). Los PTE con límites de detección por debajo de la mitad fueron excluidos de este estudio. El límite de detección del PTE utilizado en este estudio fue 0,0004.(usted).Además, el proceso de control de calidad y garantía de calidad para cada análisis se asegura mediante el análisis de estándares de referencia. Para garantizar que se minimizaran los errores, se realizó un doble análisis.
El kriging bayesiano empírico (EBK) es una de las muchas técnicas de interpolación geoestadística utilizadas en el modelado en diversos campos, como la ciencia del suelo. A diferencia de otras técnicas de interpolación kriging, el EBK se diferencia de los métodos kriging tradicionales al considerar el error estimado por el modelo de semivariograma. En la interpolación EBK, se calculan varios modelos de semivariograma durante la interpolación, en lugar de un solo semivariograma. Las técnicas de interpolación dan paso a la incertidumbre y la programación asociadas con este trazado del semivariograma que constituye una parte altamente compleja de un método kriging suficiente. El proceso de interpolación del EBK sigue los tres criterios propuestos por Krivoruchko50, (a) el modelo estima el semivariograma a partir del conjunto de datos de entrada (b) el nuevo valor predicho para cada ubicación del conjunto de datos de entrada con base en el semivariograma generado y (c) el modelo final A se calcula a partir de un conjunto de datos simulado. La regla de la ecuación bayesiana se da como una ecuación posterior.
Donde \(Prob\left(A\right)\) representa la probabilidad previa, \(Prob\left(B\right)\) marginal se ignora en la mayoría de los casos, \(Prob (B,A)\ ). El cálculo del semivariograma se basa en la regla de Bayes, que muestra la propensión de los conjuntos de datos de observación que se pueden crear a partir de semivariogramas. Luego, el valor del semivariograma se determina utilizando la regla de Bayes, que indica la probabilidad de crear un conjunto de datos de observaciones a partir del semivariograma.
Una máquina de vectores de soporte es un algoritmo de aprendizaje automático que genera un hiperplano de separación óptimo para distinguir clases idénticas pero no linealmente independientes. Vapnik51 creó el algoritmo de clasificación por intención, pero recientemente se ha utilizado para resolver problemas orientados a la regresión. Según Li et al.52, SVM es una de las mejores técnicas de clasificación y se ha utilizado en varios campos. El componente de regresión de SVM (regresión de máquina de vectores de soporte, SVMR) se utilizó en este análisis. Cherkassky y ​​Mulier53 fueron pioneros en SVMR como una regresión basada en kernel, cuyo cálculo se realizó utilizando un modelo de regresión lineal con funciones espaciales de varios países. John et al54 informan que el modelado SVMR emplea regresión lineal de hiperplano, que crea relaciones no lineales y permite funciones espaciales. Según Vohland et al. 55, epsilon (ε)-SVMR usa el conjunto de datos entrenados para obtener un modelo de representación como una función insensible a épsilon que se aplica para mapear los datos de forma independiente con el mejor sesgo de épsilon del entrenamiento en datos correlacionados. El error de distancia preestablecido se ignora del valor real y, si el error es mayor que ε(ε), las propiedades del suelo lo compensan. El modelo también reduce la complejidad de los datos de entrenamiento a un subconjunto más amplio de vectores de soporte. La ecuación propuesta por Vapnik51 se muestra a continuación.
donde b representa el umbral escalar, \(K\left({x}_{,}{ x}_{k}\right)\) representa la función kernel, \(\alpha\) representa el multiplicador de Lagrange, N representa un conjunto de datos numéricos, \({x}_{k}\) representa la entrada de datos e \(y\) es la salida de datos. Uno de los kernels clave utilizados es la operación SVMR, que es una función de base radial gaussiana (RBF). El kernel RBF se aplica para determinar el modelo SVMR óptimo, que es fundamental para obtener el factor de conjunto de penalización C y el parámetro kernel gamma (γ) más sutil para los datos de entrenamiento PTE. Primero, evaluamos el conjunto de entrenamiento y luego probamos el rendimiento del modelo en el conjunto de validación. El parámetro de dirección utilizado es sigma y el valor del método es svmRadial.
Un modelo de regresión lineal múltiple (MLR) es un modelo de regresión que representa la relación entre la variable de respuesta y una serie de variables predictoras mediante el uso de parámetros agrupados lineales calculados mediante el método de mínimos cuadrados. En MLR, un modelo de mínimos cuadrados es una función predictiva de las propiedades del suelo después de la selección de variables explicativas. Es necesario utilizar la respuesta para establecer una relación lineal utilizando variables explicativas. Se utilizó PTE como variable de respuesta para establecer una relación lineal con las variables explicativas. La ecuación MLR es
donde y es la variable de respuesta, \(a\) es la intersección, n es el número de predictores, \({b}_{1}\) es la regresión parcial de los coeficientes, \({x}_{ i}\) representa una variable predictora o explicativa y \({\varepsilon }_{i}\) representa el error en el modelo, también conocido como residuo.
Los modelos mixtos se obtuvieron intercalando EBK con SVMR y MLR. Esto se hace extrayendo valores predichos de la interpolación EBK. Los valores predichos obtenidos de los Ca, K y Mg interpolados se obtienen mediante un proceso combinatorio para obtener nuevas variables, como CaK, CaMg y KMg. Los elementos Ca, K y Mg se combinan para obtener una cuarta variable, CaKMg. En general, las variables obtenidas son Ca, K, Mg, CaK, CaMg, KMg y CaKMg. Estas variables se convirtieron en nuestros predictores, ayudando a predecir las concentraciones de níquel en suelos urbanos y periurbanos. El algoritmo SVMR se aplicó a los predictores para obtener un modelo mixto Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). De manera similar, las variables también se canalizan a través del algoritmo MLR para obtener un modelo mixto Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Normalmente, las variables Ca, K, Mg, CaK, CaMg, KMg y CaKMg se utilizan como covariables como predictores del contenido de Ni en suelos urbanos y periurbanos. El modelo más aceptable obtenido (EBK_SVM o EBK_MLR) se visualizará luego utilizando un gráfico autoorganizado. El flujo de trabajo de este estudio se muestra en la Figura 2.
El uso de SeOM se ha convertido en una herramienta popular para organizar, evaluar y pronosticar datos en el sector financiero, la atención médica, la industria, las estadísticas, la ciencia del suelo y más. SeOM se crea utilizando redes neuronales artificiales y métodos de aprendizaje no supervisado para la organización, evaluación y predicción. En este estudio, se utilizó SeOM para visualizar las concentraciones de Ni según el mejor modelo para predecir Ni en suelos urbanos y periurbanos. Los datos procesados ​​en la evaluación de SeOM se utilizan como n variables vectoriales de dimensión de entrada43,56. Melssen et al. 57 describe la conexión de un vector de entrada en una red neuronal a través de una única capa de entrada a un vector de salida con un único vector de peso. La salida generada por SeOM es un mapa bidimensional que consta de diferentes neuronas o nodos entretejidos en mapas topológicos hexagonales, circulares o cuadrados según su proximidad. Al comparar los tamaños de los mapas según la métrica, el error de cuantificación (QE) y el error topográfico (TE), se selecciona el modelo SeOM con 0,086 y 0,904, respectivamente, que es una unidad de 55 mapas (5 × 11). La estructura neuronal se determina según el número de nodos en la ecuación empírica.
El número de datos utilizados en este estudio es de 115 muestras. Se utilizó un enfoque aleatorio para dividir los datos en datos de prueba (25% para validación) y conjuntos de datos de entrenamiento (75% para calibración). El conjunto de datos de entrenamiento se utiliza para generar el modelo de regresión (calibración), y el conjunto de datos de prueba se utiliza para verificar la capacidad de generalización58. Esto se hizo para evaluar la idoneidad de varios modelos para predecir el contenido de níquel en suelos. Todos los modelos utilizados pasaron por un proceso de validación cruzada de diez pasos, repetido cinco veces. Las variables producidas por la interpolación EBK se utilizan como predictores o variables explicativas para predecir la variable objetivo (PTE). El modelado se maneja en RStudio utilizando los paquetes library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) y libraries (“Metrics”).
Se utilizaron varios parámetros de validación para determinar el mejor modelo adecuado para predecir las concentraciones de níquel en el suelo y para evaluar la precisión del modelo y su validación. Los modelos de hibridación se evaluaron utilizando el error absoluto medio (MAE), el error cuadrático medio (RMSE) y la determinación del R cuadrado o coeficiente (R2). R2 define la varianza de las proporciones en la respuesta, representada por el modelo de regresión. El RMSE y la magnitud de la varianza en medidas independientes describen el poder predictivo del modelo, mientras que el MAE determina el valor cuantitativo real. El valor R2 debe ser alto para evaluar el mejor modelo de mezcla utilizando los parámetros de validación, cuanto más cercano sea el valor a 1, mayor será la precisión. Según Li et al. 59, un valor de criterio R2 de 0,75 o mayor se considera un buen predictor; De 0,5 a 0,75 es un rendimiento aceptable del modelo y por debajo de 0,5 es un rendimiento inaceptable del modelo. Al seleccionar un modelo utilizando los métodos de evaluación de criterios de validación RMSE y MAE, los valores más bajos obtenidos fueron suficientes y se consideraron la mejor opción. La siguiente ecuación describe el método de verificación.
donde n representa el tamaño del valor observado,\({Y}_{i}\) representa la respuesta medida y \({\widehat{Y}}_{i}\) también representa el valor de respuesta previsto, por lo tanto, para las primeras i observaciones.
Las descripciones estadísticas de las variables predictoras y de respuesta se presentan en la Tabla 1, mostrando la media, la desviación estándar (DE), el coeficiente de variación (CV), el mínimo, el máximo, la curtosis y la asimetría. Los valores mínimo y máximo de los elementos están en orden decreciente de Mg < Ca < K < Ni y Ca < Mg < K < Ni, respectivamente. Las concentraciones de la variable de respuesta (Ni) muestreadas del área de estudio variaron de 4,86 ​​a 42,39 mg/kg. La comparación de Ni con el promedio mundial (29 mg/kg) y el promedio europeo (37 mg/kg) mostró que la media geométrica calculada general para el área de estudio estaba dentro del rango tolerable. No obstante, como lo muestra Kabata-Pendias11, una comparación de la concentración promedio de níquel (Ni) en el estudio actual con suelos agrícolas en Suecia muestra que la concentración promedio actual de níquel es mayor. Asimismo, la concentración media de Frydek Mistek en suelos urbanos y periurbanos en el estudio actual (Ni 16,15 mg/kg) fue superior al límite permitido de 60 (10,2 mg/kg) para Ni en suelos urbanos polacos informados por Różański et al. Además, Bretzel y Calderisi61 registraron concentraciones medias de Ni muy bajas (1,78 mg/kg) en suelos urbanos de Toscana en comparación con el estudio actual. Jim62 también encontró una concentración de níquel más baja (12,34 mg/kg) en suelos urbanos de Hong Kong, que es inferior a la concentración de níquel actual en este estudio. Birke et al63 informaron una concentración media de Ni de 17,6 mg/kg en una antigua zona minera e industrial urbana en Sajonia-Anhalt, Alemania, que fue 1,45 mg/kg más alta que la concentración media de Ni en la zona (16,15 mg/kg). Investigación actual. El contenido excesivo de níquel en los suelos de algunas áreas urbanas y suburbanas del área de estudio puede atribuirse principalmente a la industria del hierro y el acero y a la industria metalúrgica. Esto es coherente con el estudio de Khodadoust et al. 64 que la industria del acero y la metalurgia son las principales fuentes de contaminación por níquel en los suelos. Sin embargo, los predictores también variaron de 538,70 mg/kg a 69.161,80 mg/kg para Ca, 497,51 mg/kg a 3535,68 mg/kg para K, y 685,68 mg/kg a 5970,05 mg/kg para Mg. Jakovljevic et al. 65 investigaron el contenido total de Mg y K de los suelos en Serbia central. Encontraron que las concentraciones totales (410 mg/kg y 400 mg/kg, respectivamente) fueron inferiores a las concentraciones de Mg y K del estudio actual. Indistinguible, en el este de Polonia, Orzechowski y Smolczynski66 evaluaron el contenido total de Ca, Mg y K y mostraron concentraciones promedio de Ca (1100 mg/kg), Mg (590 mg/kg) y K (810 mg/kg). El contenido en la capa superior del suelo es inferior al del elemento único en este estudio. Un estudio reciente de Pongrac et al. 67 mostró que el contenido total de Ca analizado en 3 suelos diferentes en Escocia, Reino Unido (suelo Mylnefield, suelo Balruddery y suelo Hartwood) indicó un mayor contenido de Ca en este estudio.
Debido a las diferentes concentraciones medidas de los elementos muestreados, las distribuciones del conjunto de datos de los elementos exhiben diferente asimetría. La asimetría y la curtosis de los elementos variaron de 1,53 a 7,24 y de 2,49 a 54,16, respectivamente. Todos los elementos calculados tienen niveles de asimetría y curtosis superiores a +1, lo que indica que la distribución de los datos es irregular, sesgada en la dirección correcta y puntiaguda. Los CV estimados de los elementos también muestran que K, Mg y Ni exhiben una variabilidad moderada, mientras que Ca tiene una variabilidad extremadamente alta. Los CV de K, Ni y Mg explican su distribución uniforme. Además, la distribución de Ca no es uniforme y las fuentes externas pueden afectar su nivel de enriquecimiento.
La correlación de las variables predictoras con los elementos de respuesta indicó una correlación satisfactoria entre los elementos (ver Figura 3). La correlación indicó que CaK exhibió una correlación moderada con un valor r = 0,53, al igual que CaNi. Aunque Ca y K muestran asociaciones modestas entre sí, investigadores como Kingston et al. 68 y Santo69 sugieren que sus niveles en el suelo son inversamente proporcionales. Sin embargo, Ca y Mg son antagónicos a K, pero CaK se correlaciona bien. Esto puede deberse a la aplicación de fertilizantes como el carbonato de potasio, que es 56% más alto en potasio. El potasio se correlacionó moderadamente con el magnesio (KM r = 0,63). En la industria de los fertilizantes, estos dos elementos están estrechamente relacionados porque el sulfato de potasio y magnesio, el nitrato de potasio y magnesio y la potasa se aplican a los suelos para aumentar sus niveles de deficiencia. El níquel está moderadamente correlacionado con Ca, K y Mg con valores r = 0,52, 0,63 y 0,55, respectivamente. Las relaciones que involucran calcio, magnesio y PTE como el níquel son complejas, pero no obstante, el magnesio inhibe la absorción de calcio, el calcio reduce los efectos del exceso de magnesio y tanto el magnesio como el calcio reducen los efectos tóxicos del níquel en el suelo.
Matriz de correlación de elementos que muestra la relación entre predictores y respuestas (Nota: esta figura incluye un diagrama de dispersión entre elementos, los niveles de significancia se basan en p < 0,001).
La Figura 4 ilustra la distribución espacial de los elementos. Según Burgos et al.70, la aplicación de la distribución espacial es una técnica utilizada para cuantificar y destacar los puntos críticos en áreas contaminadas. Los niveles de enriquecimiento de Ca en la Fig. 4 se pueden observar en la parte noroeste del mapa de distribución espacial. La figura muestra puntos críticos de enriquecimiento de Ca de moderados a altos. El enriquecimiento de calcio en el noroeste del mapa probablemente se deba al uso de cal viva (óxido de calcio) para reducir la acidez del suelo y a su uso en acerías como oxígeno alcalino en el proceso de fabricación de acero. Por otro lado, otros agricultores prefieren usar hidróxido de calcio en suelos ácidos para neutralizar el pH, lo que también aumenta el contenido de calcio del suelo71. El potasio también muestra puntos críticos en el noroeste y este del mapa. El noroeste es una importante comunidad agrícola, y el patrón de moderado a alto de potasio puede deberse a las aplicaciones de NPK y potasa. Esto concuerda con otros estudios, como el de Madaras y Lipavský72, Madaras. et al.73, Pulkrabová et al.74, Asare et al.75, quienes observaron que la estabilización del suelo y el tratamiento con KCl y NPK resultaron en un alto contenido de K. El enriquecimiento espacial de potasio en el noroeste del mapa de distribución podría deberse al uso de fertilizantes a base de potasio, como cloruro de potasio, sulfato de potasio, nitrato de potasio, potasa y potasa, para aumentar el contenido de potasio en suelos pobres. Zádorová et al.76 y Tlustoš et al. 77 destacó que la aplicación de fertilizantes a base de K aumentó el contenido de K en el suelo y aumentaría significativamente el contenido de nutrientes del suelo a largo plazo, especialmente K y Mg que muestran un punto crítico en el suelo. Puntos críticos relativamente moderados en el noroeste del mapa y el sureste del mapa. La fijación coloidal en el suelo agota la concentración de magnesio en el suelo. Su falta en el suelo hace que las plantas presenten clorosis amarillenta entre las venas. Los fertilizantes a base de magnesio, como el sulfato de potasio y magnesio, el sulfato de magnesio y la kieserita, tratan las deficiencias (las plantas se ven moradas, rojas o marrones, lo que indica deficiencia de magnesio) en suelos con un rango de pH normal6. La acumulación de níquel en superficies de suelo urbano y periurbano puede deberse a actividades antropogénicas como la agricultura y la importancia del níquel en la producción de acero inoxidable78.
Distribución espacial de elementos [El mapa de distribución espacial se creó utilizando ArcGIS Desktop (ESRI, Inc, versión 10.7, URL: https://desktop.arcgis.com).]
Los resultados del índice de rendimiento del modelo para los elementos utilizados en este estudio se muestran en la Tabla 2. Por otro lado, el RMSE y MAE de Ni son cercanos a cero (0,86 RMSE, -0,08 MAE). Por otro lado, los valores de RMSE y MAE de K son aceptables. Los resultados de RMSE y MAE fueron mayores para calcio y magnesio. Los resultados de MAE y RMSE de Ca y K son mayores debido a diferentes conjuntos de datos. Se encontró que el RMSE y MAE de este estudio usando EBK para predecir Ni eran mejores que los resultados de John et al. 54 usando kriging sinérgico para predecir concentraciones de S en el suelo usando los mismos datos recopilados. Los resultados de EBK que estudiamos se correlacionan con los de Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 y John et al. 82, especialmente K y Ni.
El desempeño de los métodos individuales para predecir el contenido de níquel en suelos urbanos y periurbanos se evaluó utilizando el desempeño de los modelos (Tabla 3). La validación del modelo y la evaluación de la precisión confirmaron que el predictor Ca_Mg_K combinado con el modelo EBK SVMR produjo el mejor desempeño. Modelo de calibración Ca_Mg_K-EBK_SVMR modelo R2, error cuadrático medio (RMSE) y error absoluto medio (MAE) fueron 0,637 (R2), 95,479 mg/kg (RMSE) y 77,368 mg/kg (MAE) Ca_Mg_K-SVMR fue 0,663 (R2), 235,974 mg/kg (RMSE) y 166,946 mg/kg (MAE). No obstante, se obtuvieron buenos valores de R2 para Ca_Mg_K-SVMR (0,663 mg/kg R2) y Ca_Mg-EBK_SVMR (0,643 = R2); Sus resultados de RMSE y MAE fueron superiores a los de Ca_Mg_K-EBK_SVMR (R2 0,637) (véase la Tabla 3). Además, el RMSE y el MAE del modelo Ca_Mg_K-EBK_SVMR (RMSE = 1664,64 y MAE = 1031,49) son 17,5 y 13,4, respectivamente, que son mayores que los del modelo Ca_Mg_K-EBK_SVMR. Asimismo, el RMSE y el MAE del modelo Ca_Mg-K SVMR (RMSE = 235,974 y MAE = 166,946) son 2,5 y 2,2 mayores que los del RMSE y MAE de Ca_Mg_K-EBK_SVMR, respectivamente. Los resultados de RMSE calculados indican qué tan concentrado está el conjunto de datos con la línea de mejor ajuste. Se observaron RSME y MAE más altos. Según Kebonye et al. 46 y john et al. 54, cuanto más cerca estén el RMSE y el MAE de cero, mejores serán los resultados. SVMR y EBK_SVMR tienen valores cuantificados de RSME y MAE más altos. Se observó que las estimaciones de RSME fueron consistentemente más altas que los valores de MAE, lo que indica la presencia de valores atípicos. Según Legates y McCabe83, se recomienda el grado en el que el RMSE excede el error absoluto medio (MAE) como indicador de la presencia de valores atípicos. Esto significa que cuanto más heterogéneo sea el conjunto de datos, mayores serán los valores de MAE y RMSE. La precisión de la evaluación de validación cruzada del modelo mixto Ca_Mg_K-EBK_SVMR para predecir el contenido de Ni en suelos urbanos y suburbanos fue del 63,70 %. Según Li et al. 59, este nivel de precisión es una tasa de rendimiento del modelo aceptable. Los presentes resultados se comparan con un estudio previo de Tarasov et al. 36 cuyo modelo híbrido creó MLPRK (Multilayer Perceptron Residual Kriging), relacionado con el índice de evaluación de precisión EBK_SVMR reportado en el estudio actual, RMSE (210) y el MAE (167.5) fue mayor que nuestros resultados en el estudio actual (RMSE 95.479, MAE 77.368). Sin embargo, al comparar el R2 del estudio actual (0.637) con el de Tarasov et al. 36 (0,544), es claro que el coeficiente de determinación (R2) es mayor en este modelo mixto. El margen de error (RMSE y MAE) (EBK SVMR) para el modelo mixto es dos veces menor. De igual manera, Sergeev et al.34 registraron 0,28 (R2) para el modelo híbrido desarrollado (Multilayer Perceptron Residual Kriging), mientras que Ni en el estudio actual registró 0,637 (R2). El nivel de precisión de predicción de este modelo (EBK SVMR) es del 63,7%, mientras que la precisión de predicción obtenida por Sergeev et al. 34 es del 28%. El mapa final (Fig. 5) creado usando el modelo EBK_SVMR y Ca_Mg_K como predictor muestra predicciones de puntos calientes y de moderado a níquel sobre toda el área de estudio. Esto significa que la concentración de níquel en el área de estudio es principalmente moderada, con concentraciones más altas en algunas áreas específicas.
El mapa de predicción final se representa utilizando el modelo híbrido EBK_SVMR y utilizando Ca_Mg_K como predictor. [El mapa de distribución espacial se creó utilizando RStudio (versión 1.4.1717: https://www.rstudio.com/).]
En la Figura 6 se presentan las concentraciones de PTE como un plano de composición que consta de neuronas individuales. Ninguno de los planos componentes exhibió el mismo patrón de color que se muestra. Sin embargo, el número apropiado de neuronas por mapa dibujado es 55. SeOM se produce utilizando una variedad de colores, y cuanto más similares sean los patrones de color, más comparables serán las propiedades de las muestras. De acuerdo con su escala de color precisa, los elementos individuales (Ca, K y Mg) mostraron patrones de color similares a las neuronas individuales de orden alto y la mayoría de las neuronas de orden bajo. Por lo tanto, CaK y CaMg comparten algunas similitudes con neuronas de orden muy alto y patrones de color de bajos a moderados. Ambos modelos predicen la concentración de Ni en el suelo al mostrar tonos de colores medios a altos, como rojo, naranja y amarillo. El modelo KMg muestra muchos patrones de color altos basados ​​en proporciones precisas y parches de color bajos a medios. En una escala de color precisa de bajo a alto, el patrón de distribución planar de los componentes del modelo mostró un patrón de color alto que indica la concentración potencial de níquel en el suelo (ver Figura). 4) El plano de componentes del modelo CakMg muestra un patrón de color diverso de bajo a alto según una escala de color precisa. Además, la predicción del modelo del contenido de níquel (CakMg) es similar a la distribución espacial del níquel que se muestra en la Figura 5. Ambos gráficos muestran proporciones altas, medias y bajas de concentraciones de níquel en suelos urbanos y periurbanos. La Figura 7 representa el método de contorno en la agrupación de k-medias en el mapa, dividido en tres grupos según el valor previsto en cada modelo. El método de contorno representa el número óptimo de grupos. De las 115 muestras de suelo recolectadas, la categoría 1 obtuvo la mayor cantidad de muestras de suelo, 74. El grupo 2 recibió 33 muestras, mientras que el grupo 3 recibió 8 muestras. La combinación de predictores planos de siete componentes se simplificó para permitir una interpretación correcta de los grupos. Debido a los numerosos procesos antropogénicos y naturales que afectan la formación del suelo, es difícil tener patrones de grupos diferenciados adecuadamente en un mapa SeOM distribuido78.
Salida del plano de componentes de cada variable de la máquina de vectores de soporte de kriging bayesiano empírico (EBK_SVM_SeOM). [Los mapas SeOM se crearon utilizando RStudio (versión 1.4.1717: https://www.rstudio.com/).]
Diferentes componentes de clasificación de clústeres [Los mapas SeOM se crearon utilizando RStudio (versión 1.4.1717: https://www.rstudio.com/).]
El presente estudio ilustra claramente las técnicas de modelado para las concentraciones de níquel en suelos urbanos y periurbanos. El estudio probó diferentes técnicas de modelado, combinando elementos con técnicas de modelado, para obtener la mejor manera de predecir las concentraciones de níquel en el suelo. Las características espaciales planares composicionales SeOM de la técnica de modelado exhibieron un patrón de color alto de bajo a alto en una escala de color precisa, lo que indica concentraciones de Ni en el suelo. Sin embargo, el mapa de distribución espacial confirma la distribución espacial plana de los componentes exhibida por EBK_SVMR (ver Figura 5). Los resultados muestran que el modelo de regresión de la máquina de vectores de soporte (Ca Mg K-SVMR) predice la concentración de Ni en el suelo como un modelo único, pero los parámetros de validación y evaluación de la precisión muestran errores muy altos en términos de RMSE y MAE. Por otro lado, la técnica de modelado empleada con el modelo EBK_MLR también es defectuosa debido al bajo valor del coeficiente de determinación (R2). Se obtuvieron buenos resultados utilizando EBK SVMR y elementos combinados (CaKMg) con bajos errores de RMSE y MAE con una precisión de 63,7%. Resulta que la combinación del algoritmo EBK con un algoritmo de aprendizaje automático puede generar un algoritmo híbrido que puede predecir la concentración de PTE en el suelo. Los resultados muestran que el uso de Ca Mg K como predictores para predecir las concentraciones de Ni en el área de estudio puede mejorar la predicción de Ni en los suelos. Esto significa que la aplicación continua de fertilizantes a base de níquel y la contaminación industrial del suelo por la industria siderúrgica tiene una tendencia a aumentar la concentración de níquel en el suelo. Este estudio reveló que el modelo EBK puede reducir el nivel de error y mejorar la precisión del modelo de distribución espacial del suelo en suelos urbanos o periurbanos. En general, proponemos aplicar el modelo EBK-SVMR para evaluar y predecir PTE en el suelo; además, proponemos utilizar EBK para hibridar con varios algoritmos de aprendizaje automático. Las concentraciones de Ni se predijeron utilizando elementos como covariables; Sin embargo, el uso de más covariables mejoraría en gran medida el rendimiento del modelo, lo que puede considerarse una limitación del trabajo actual. Otra limitación de este estudio es que el número de conjuntos de datos es 115. Por lo tanto, si se proporcionan más datos, se puede mejorar el rendimiento del método de hibridación optimizado propuesto.
PlantProbs.net.Níquel en plantas y suelo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Consultado el 28 de abril de 2021).
Kasprzak, KS Avances del níquel en la toxicología ambiental moderna.entorno.toxicología.11, 145–183 (1987).
Cempel, M. y Nikel, G. Níquel: una revisión de sus fuentes y toxicología ambiental. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. y Hutchinson, TC Entrada de contaminantes de la atmósfera y acumulación en el suelo y la vegetación cerca de una fundición de níquel y cobre en Sudbury, Ontario, Canadá.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Metales pesados ​​en el suelo, plantas y riesgos asociados con el pastoreo de rumiantes cerca de la mina de cobre y níquel Selebi-Phikwe en Botswana.Entorno.Geoquímica.Salud https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementos traza en el suelo y… – Google Académico https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Consultado el 24 de noviembre de 2020).
Almås, A., Singh, B., Agricultura, TS-NJ de & 1995, undefined.Efectos de la industria rusa del níquel en las concentraciones de metales pesados ​​en suelos agrícolas y pastos en Soer-Varanger, Noruega.agris.fao.org.
Nielsen, GD et al.La absorción y retención de níquel en el agua potable están relacionadas con la ingesta de alimentos y la sensibilidad al níquel.toxicología.aplicación.Farmacodinámica.154, 67–75 (1999).
Costa, M. & Klein, CB Carcinogénesis del níquel, mutación, epigenética o selección. Entorno. Perspectiva de Salud.107, 2 (1999).
Análisis de tendencias de elementos potencialmente tóxicos: una revisión bibliométrica. Geoquímica ambiental y salud. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. y McBratney, AB Mapeo digital de suelos: una breve historia y algunas lecciones. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sobre el mapeo digital de suelos.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Modelado geoestadístico de yacimientos,… – Google Académico 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= (Consultado el 28 de abril de 2021).