Gracias por visitar Nature.com. La versión de navegador que está utilizando tiene soporte limitado para CSS. Para una mejor experiencia, le recomendamos que utilice un navegador actualizado (o desactive el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar la compatibilidad continua, mostraremos el sitio sin estilos ni JavaScript.
La contaminación del suelo es un gran problema causado por las actividades humanas. La distribución espacial de elementos potencialmente tóxicos (EPT) varía en la mayoría de las áreas urbanas y periurbanas. Por lo tanto, es difícil predecir espacialmente el contenido de EPT en dichos suelos. Se obtuvieron un total de 115 muestras de Frydek Mistek en la República Checa. Las concentraciones de calcio (Ca), magnesio (Mg), potasio (K) y níquel (Ni) se determinaron mediante espectrometría de emisión de plasma acoplado inductivamente. La variable de respuesta es Ni y las variables predictoras 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 máquina de vectores de soporte (SVMR) tuvo un buen desempeño, aunque su error cuadrático medio estimado (RMSE) (235,974 mg/kg) y error absoluto medio (MAE) (166,946 mg/kg) fueron mayores que los de los otros métodos aplicados. Modelos mixtos para Kriging bayesiano empírico-regresión lineal múltiple (EBK-MLR) tienen un rendimiento deficiente, como lo demuestran los coeficientes de determinación inferiores a 0,1. El modelo de regresión de máquina de vectores de soporte de Kriging bayesiano empírico (EBK-SVMR) fue el mejor modelo, con valores bajos de RMSE (95,479 mg/kg) y MAE (77,368 mg/kg) y un alto coeficiente de determinación (R2 = 0,637). La salida de la técnica de modelado EBK-SVMR se visualiza mediante un mapa autoorganizado. Las neuronas agrupadas en el plano del componente del modelo híbrido CakMg-EBK-SVMR 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 de nitrógeno atmosférico (N) y al metabolismo de la urea, ambos necesarios para la germinación de las semillas. Además de su contribución a la germinación, 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 provoca clorosis en las hojas. Por ejemplo, los caupíes y las judías verdes requieren la aplicación de fertilizantes a base de níquel para optimizar la fijación de nitrógeno2. La aplicación continua de fertilizantes a base de níquel para enriquecer el suelo y aumentar la capacidad de las leguminosas 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 plantas1. Según Liu3, se ha descubierto que 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 funciones. 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, cables y alambres, turbinas de chorro, 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 siderúrgica, galvanoplastia, soldadura por arco, diésel y aceites combustibles, y emisiones atmosféricas de la combustión del carbón y la incineración de residuos 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-cobre. La capa superficial del suelo alrededor de la refinería de níquel-cobre de Sudbury en Canadá tenía los niveles más altos de contaminación por níquel a 26.000 mg/kg11. Por el contrario, la contaminación de la producción de níquel en Rusia ha dado como resultado concentraciones más altas de níquel en el suelo noruego11. Según Alms et al. 12, la cantidad de níquel extraíble con HNO3 en la tierra cultivable superior 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 fosfatados en suelos agrícolas en suelos urbanos o periurbanos durante sucesivas temporadas de cultivo puede infundir o contaminar el suelo. Los posibles efectos del níquel en los humanos pueden provocar cáncer a través de mutagénesis, daño cromosómico, generación de ADN-Z, bloqueo de la reparación por escisión del ADN 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 carcinogénicos pueden exacerbar dichos tumores.
Las evaluaciones de 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 (EPT) como el Ni en el suelo ha sido laboriosa y requiere mucho tiempo utilizando métodos tradicionales. El advenimiento del mapeo digital del suelo (MDS) y su éxito actual15 han mejorado enormemente el mapeo predictivo del suelo (MPS). Según Minasny y McBratney16, el mapeo predictivo del suelo (MDS) ha demostrado ser una subdisciplina prominente de la ciencia del suelo. Lagacherie y McBratney, 2006 definen el MDS como “la creación y llenado de sistemas de información espacial del suelo a través del uso de métodos de observación in situ y de laboratorio y sistemas de inferencia del suelo 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 se ocupan de la representación de atributos espaciales, empleando principalmente modelos estocásticos, como la forma en que el análisis de series temporales caracteriza los datos temporales”. Principalmente, 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 se basa en tres principios, que incluyen (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 de área. A partir de estos conceptos, se utilizan muchas técnicas de interpolación 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, impulsada 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 trabajos 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 cubist es la distribución de Cd en el suelo) y otros algoritmos como k-vecinos más cercanos, regresión potenciada generalizada y árboles de regresión potenciados 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 predictibilidad del mapeo y pronóstico DSM. La combinación de incertidumbre y verificación es uno de los muchos aspectos diferentes integrados en DSM para optimizar la efectividad y reducir defectos. Sin embargo, Agyeman et al. 15 señalan que el comportamiento de validación y la incertidumbre introducida por la creación y predicción del mapa deben validarse de forma independiente para mejorar la calidad del mapa. Las limitaciones del DSM se deben a la calidad del suelo geográficamente dispersa, que implica 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 los procesos geoestadísticos están asociadas con una falta de comprensión, lo que en última instancia lleva a una simplificación excesiva del proceso real32. Independientemente de la naturaleza del modelado, las imprecisiones pueden atribuirse a parámetros de modelado, predicciones de modelos matemáticos o interpolación33. Recientemente, ha surgido una nueva tendencia en DSM que promueve la integración de geoestadística y MLA en el mapeo y 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 Kriging de Redes Neuronales Artificiales (ANN-RK), Kriging Residual de Perceptrón Multicapa (MLP-RK), Kriging Residual de Redes Neuronales de Regresión Generalizada (GR-NNRK)36, Kriging de Redes Neuronales Artificiales-Perceptrón Multicapa (ANN-K-MLP)37 y Co-Kriging y Regresión de Procesos Gaussianos38.
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 la Máquina de Vectores de Soporte (SVM) y los modelos de Regresión Lineal Múltiple (MLR). No se conoce la hibridación de EBK con ningún 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 estocástico espacial 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 suelos agrícolas40, evaluar la contaminación del suelo41 y mapear las propiedades del suelo42.
Por otro lado, el grafo autoorganizado (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 técnica de aprendizaje potente 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 multicriterio, 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 una visualización de datos de alta resolución. SeOM visualizará los datos de predicción de Ni para obtener el mejor modelo para caracterizar los resultados para una interpretación directa.
Este artículo tiene como objetivo generar un modelo de mapeo robusto con precisión óptima para predecir el contenido de níquel en suelos urbanos y periurbanos. Planteamos la hipótesis de 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 pueden generar modelos mixtos. Sin embargo, ¿qué tan preciso es el modelo para predecir el elemento objetivo? Además, ¿cuál es el nivel de evaluación de eficiencia basado en la evaluación de validación y 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 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 está llevando a cabo en la República Checa, concretamente en el distrito de Frydek Mistek, en la región de Moravia-Silesia (véase la Figura 1). La geografía de la zona de estudio es muy accidentada y forma parte principalmente de la región de los Beskides de Moravia-Silesia, que a su vez forma parte del borde exterior de los Cárpatos. La zona de estudio se encuentra entre los 49° 41′ 0′ N y los 18° 20′ 0′ E, y la altitud oscila entre los 225 y los 327 m; Sin embargo, el sistema de clasificación de Köppen para el estado climático de la región se califica 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 descienden por debajo de -14 °C o superan los 30 °C, mientras que la precipitación media anual está entre 685 y 752 mm47. El área estimada de estudio de toda la zona es de 1208 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 aproximadamente 889,8 kilómetros cuadrados. En Ostrava y sus alrededores, la industria siderúrgica y metalúrgica es muy activa. Molinos metalúrgicos, 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 agricultura intensiva como la aplicación de fertilizantes fosfatados. y la producción ganadera son fuentes potenciales de investigación de níquel en la región (por ejemplo, agregar níquel a los corderos para aumentar las tasas de crecimiento en corderos y ganado alimentado con poca energía). Otros usos industriales del níquel en áreas de investigación incluyen su uso en galvanoplastia, incluidos los procesos de galvanoplastia de níquel y de niquelado químico. Las propiedades del suelo se distinguen fácilmente por el color del suelo, la estructura y el 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 del suelo aparecen moteadas en la superficie y el subsuelo, a menudo con hormigón y decoloración. Sin embargo, los cambisoles y estagnosoles son los tipos de suelo más comunes en la región48. Con elevaciones que van desde 455,1 a 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 un total de 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 el suelo superficial se midió a una profundidad de 0 a 20 cm utilizando un dispositivo GPS portátil (Leica Zeno 5 GPS). Las muestras se empaquetaron en bolsas Ziploc, debidamente etiquetadas, y se enviaron al laboratorio. Las muestras se secaron al aire para producir 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), cúbralo ligeramente y deje reposar las muestras durante la noche para la reacción (programa de agua regia). El sobrenadante se coloca sobre una placa metálica caliente (temperatura: 100 W y 160 °C) durante 2 h para facilitar el proceso de digestión de las muestras, luego se enfría. Se transfiere el sobrenadante a un matraz volumétrico de 50 ml y se diluye a 50 ml con agua desionizada. Después, se filtra el sobrenadante diluido en un tubo de PVC de 50 ml con agua desionizada. Adicionalmente, 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 estándar y el acuerdo. Se garantizan los procedimientos de Control y Garantía de Calidad (QA/QC) (SRM NIST 2711a Montana II). Suelo). Los PTE con límites de detección inferiores a la mitad se excluyeron de este estudio. El límite de detección del PTE utilizado en este estudio fue de 0,0004.(you). Además, el proceso de control de calidad y garantía de calidad para cada análisis se garantiza mediante el análisis de estándares de referencia. Para garantizar que los errores se minimizaran, se realizó un análisis doble.
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 la representación gráfica del semivariograma, que constituye una parte muy compleja de un método kriging adecuado. 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 se basa en el semivariograma generado; y (c) el modelo final se calcula a partir de un conjunto de datos simulado. La regla de la ecuación bayesiana se da como una distribución posterior.
Donde \(Prob\left(A\right)\) representa la probabilidad a priori, \(Prob\left(B\right)\) la probabilidad 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. El valor del semivariograma se determina luego utilizando la regla de Bayes, que indica qué tan probable es 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 separador óptimo para distinguir clases idénticas pero no linealmente independientes. Vapnik51 creó el algoritmo de clasificación de intenciones, 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 múltiples países. John et al.54 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 utiliza el conjunto de datos entrenado para obtener un modelo de representación como una función insensible a epsilon que se aplica para mapear los datos de forma independiente con el mejor sesgo epsilon 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 y \(y\) 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 del kernel gamma (γ) más sutiles 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 varias variables predictoras mediante parámetros lineales agrupados calculados utilizando 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 con las 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 un predictor o variable explicativa, y \({\varepsilon }_{i}\) representa el error en el modelo, también conocido como residuo.
Se obtuvieron modelos mixtos intercalando EBK con SVMR y MLR. Esto se hace extrayendo valores predichos de la interpolación EBK. Los valores predichos obtenidos de Ca, K y Mg interpolados se obtienen a través de 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 de Kriging Bayesiano Empírico-Máquina de Vectores de Soporte (EBK_SVM). De manera similar, las variables también se canalizan a través del algoritmo MLR para obtener un modelo mixto de Kriging Bayesiano Empírico-Regresión Lineal Múltiple (EBK_MLR). Típicamente, 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 mediante 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, SeOM se utilizó para visualizar concentraciones de Ni basadas en el mejor modelo para predecir Ni en suelos urbanos y periurbanos. Los datos procesados ​​en la evaluación de SeOM se utilizan como variables vectoriales de n dimensiones de entrada43,56. Melssen et al. 57 describe la conexión de un vector de entrada a una red neuronal a través de una única capa de entrada a un vector de salida con un único vector de pesos. La salida generada por SeOM es un mapa bidimensional que consta de diferentes neuronas o nodos entrelazados en mapas topológicos hexagonales, circulares o cuadrados según su proximidad. Comparando los tamaños de los mapas en función de 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 mapa de 55 (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 conjuntos de datos de prueba (25% para validación) y 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 pliegues, 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 de la raíz (RMSE) y el coeficiente de determinación R cuadrado o 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 de R2 debe ser alto para evaluar el mejor modelo de mezcla utilizando los parámetros de validación, cuanto más cerca esté el valor de 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; Un valor entre 0,5 y 0,75 es un rendimiento aceptable del modelo, y un valor inferior a 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 predicho, 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 en el 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 presente estudio con suelos agrícolas en Suecia muestra que la concentración promedio actual de níquel es más alta. Asimismo, la concentración media de Frydek Mistek en suelos urbanos y periurbanos en el presente estudio (Ni 16,15 mg/kg) fue superior al límite permitido de 60 (10,2 mg/kg) para Ni en suelos urbanos polacos, según lo informado 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 presente estudio. 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 superior a la concentración media de Ni en la zona (16,15 mg/kg). Investigación actual. El contenido excesivo de níquel en los suelos de algunas zonas 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 consistente con el estudio de Khodadoust et al. 64 que la industria siderúrgica 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, de 497,51 mg/kg a 3535,68 mg/kg para K y de 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) eran más bajas que las concentraciones de Mg y K del presente estudio. De manera similar, 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 superficial del suelo es menor que el elemento individual 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 de Mylnefield, suelo de Balruddery y suelo de Hartwood) indicó un contenido de Ca más alto en este estudio.
Debido a las diferentes concentraciones medidas de los elementos muestreados, las distribuciones del conjunto de datos de los elementos presentan diferentes asimetrías. 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 datos es irregular, asimétrica en la dirección correcta y con un pico. Los CV estimados de los elementos también muestran que K, Mg y Ni presentan 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 un 56% más alto en potasio. El potasio se correlacionó moderadamente con el magnesio (KM r = 0,63). En la industria de 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 se correlaciona moderadamente con Ca, K y Mg con valores de 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 para los elementos que muestra la relación entre predictores y respuestas (Nota: esta figura incluye un diagrama de dispersión entre los 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 resaltar los puntos críticos en áreas contaminadas. Los niveles de enriquecimiento de Ca en la Figura 4 se pueden observar en la parte noroeste del mapa de distribución espacial. La figura muestra puntos críticos de enriquecimiento de Ca de moderado a alto. 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 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 potasio de moderado a alto puede deberse a las aplicaciones de NPK y potasa. Esto es consistente con otros estudios, como 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 dieron como resultado un alto contenido de K en el suelo. El enriquecimiento espacial de potasio en el noroeste del mapa de distribución puede 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 de los suelos pobres. Zádorová et al. 76 y Tlustoš et al. 77 describió 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 mostrando un punto caliente en el suelo. Puntos calientes 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 interveinal amarillenta. 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 aparecen púrpuras, rojas o marrones, lo que indica deficiencia de magnesio) en suelos con un rango de pH normal6. La acumulación de níquel en las superficies de suelos urbanos y periurbanos puede deberse a actividades antropogénicas como la agricultura y la importancia del níquel en la producción de acero inoxidable78.
Distribución espacial de los 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 el MAE de Ni son ambos 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 los diferentes conjuntos de datos. El RMSE y el MAE de este estudio utilizando EBK para predecir Ni fueron encontrados mejores que los resultados de John et al. 54 utilizando kriging sinérgico para predecir concentraciones de S en el suelo utilizando los mismos datos recopilados. Las salidas de EBK que estudiamos se correlacionan con las 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 rendimiento de los métodos individuales para predecir el contenido de níquel en suelos urbanos y periurbanos se evaluó utilizando el rendimiento 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 arrojó el mejor rendimiento. El modelo de calibración Ca_Mg_K-EBK_SVMR R2, el error cuadrático medio (RMSE) y el 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 más altos que los de Ca_Mg_K-EBK_SVMR (R2 0,637) (ver Tabla 3). Además, el RMSE y el MAE del modelo Ca_Mg-EBK_SVMR (RMSE = 1664,64 y MAE = 1031,49) son 17,5 y 13,4, respectivamente, que son mayores que los de 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 cuán concentrado está el conjunto de datos con la línea de mejor ajuste. Se observaron valores más altos de RMSE y MAE. 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 de RMSE y MAE cuantificados más altos. Se observó que las estimaciones de RMSE fueron consistentemente más altas que los valores de MAE, lo que indica la presencia de valores atípicos. Según Legates y McCabe83, el grado en que el RMSE excede el error absoluto medio (MAE) se recomienda como un 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 resultados actuales 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 presente estudio, RMSE (210) y MAE (167.5) fue más alto que nuestros resultados en el presente estudio (RMSE 95.479, MAE 77.368). Sin embargo, al comparar el R2 del presente estudio (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. Asimismo, Sergeev et al.34 registraron 0,28 (R2) para el modelo híbrido desarrollado (Multilayer Perceptron Residual Kriging), mientras que Ni en el presente estudio 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 utilizando el modelo EBK_SVMR y Ca_Mg_K como predictor muestra predicciones de puntos calientes y de moderados a níquel en 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 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 como 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 altas individuales y a la mayoría de las neuronas bajas. 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 mostrando tonalidades medias a altas de colores 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 del componente 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 k-means en el mapa, dividido en tres clústeres en función del valor predicho en cada modelo. El método de contorno representa el número óptimo de clústeres. De las 115 muestras de suelo recolectadas, la categoría 1 obtuvo la mayor cantidad de muestras de suelo, 74. El clúster 2 recibió 33 muestras, mientras que el clúster 3 recibió 8 muestras. La combinación del predictor planar de siete componentes se simplificó para permitir una interpretación correcta del clúster. Debido a los numerosos procesos antropogénicos y naturales que afectan la formación del suelo, es difícil tener patrones de clústeres diferenciados adecuadamente en un mapa SeOM distribuido78.
Plano de componentes generado por 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/).]
Los 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 planas composicionales de 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 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 evaluación de validación y 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 combinar el 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 usar 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 tienen 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 usar EBK para hibridarlo con varios algoritmos de aprendizaje automático.Las concentraciones de Ni se predijeron usando elementos como covariables; Sin embargo, el uso de más covariables mejoraría considerablemente el rendimiento del modelo, lo que puede considerarse una limitación del presente trabajo. Otra limitación de este estudio es que el número de conjuntos de datos es de 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 toxicología ambiental moderna. Surroundings. Toxicology. 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. Aporte de contaminantes de la atmósfera y acumulación en el suelo y la vegetación cerca de una fundición de níquel-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-níquel Selebi-Phikwe en Botswana.surroundings.Geochemistry.Health 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, indefinido. 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. y Klein, CB Carcinogénesis del níquel, mutación, epigenética o selección. Entorno. Perspectiva de la salud. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; 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. Cartografía 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).
Deutsch.CV Geostatistical Reservoir Modeling,… – 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).