Täname teid Nature.com-i külastamise eest. Teie kasutataval brauseriversioonil on CSS-i jaoks piiratud tugi. Parima kogemuse saamiseks soovitame teil kasutada värskendatud brauserit (või lülitada Internet Exploreris ühilduvusrežiim välja). Seni kuvame saiti jätkuva toe tagamiseks ilma stiilide ja JavaScriptita.
Pinnase saastamine on suur inimtegevuse põhjustatud probleem. Potentsiaalselt toksiliste elementide (PTE) ruumiline jaotus on enamikus linna- ja äärelinnapiirkondades erinev. Seetõttu on sellistes muldades PTE sisaldust ruumiliselt raske ennustada. Tšehhi Vabariigis Frydek Mistekist saadi kokku 115 proovi. Kaltsiumi (Ca), magneesiumi (Mg), kaaliumi (K) ja nikli (Ni) kontsentratsioonid määrati induktiivselt sidestatud plasmaemissioonspektromeetria abil. Kostemuutuja on Ni ja ennustavad muutujad on Ca, Mg ja K. Kostemuutuja ja ennustava muutuja vaheline korrelatsioonimaatriks näitab elementide vahel rahuldavat korrelatsiooni. Ennustamistulemused näitasid, et tugivektorimasina regressioon (SVMR) toimis hästi, kuigi selle hinnanguline ruutkeskmine viga (RMSE) (235,974 mg/kg) ja keskmine absoluutviga (MAE) (166,946 mg/kg) olid suuremad kui teistel kasutatud meetoditel. Empiirilise Bayesi krigingu-mitmekordse lineaarse regressiooni (EBK-MLR) segamudelid toimivad halvasti, mida näitavad determinatsioonikordajad. alla 0,1. Empiiriline Bayesi kriging-tugivektorimasina regressioonimudel (EBK-SVMR) osutus parimaks mudeliks, millel olid madalad RMSE (95,479 mg/kg) ja MAE (77,368 mg/kg) väärtused ning kõrge määramiskordaja (R2 = 0,637). EBK-SVMR modelleerimistehnika väljund visualiseeritakse iseorganiseeruva kaardi abil. Hübriidmudeli CakMg-EBK-SVMR komponendi tasapinnal olevad klastritesse koondunud neuronid näitavad mitut värvimustrit, mis ennustavad Ni kontsentratsiooni linna- ja linnalähimaa muldades. Tulemused näitavad, et EBK ja SVMR kombineerimine on tõhus tehnika Ni kontsentratsiooni ennustamiseks linna- ja linnalähimaa muldades.
Niklit (Ni) peetakse taimede mikrotoitaineks, kuna see aitab kaasa atmosfääri lämmastiku (N) sidumisele ja uurea ainevahetusele, mis mõlemad on seemnete idanemiseks vajalikud. Lisaks seemnete idanemisele võib Ni toimida seen- ja bakterivastase inhibiitorina ning soodustada taimede arengut. Nikli puudumine mullas võimaldab taimel seda omastada, mille tulemuseks on lehtede kloroosi. Näiteks lehmaherned ja rohelised oad vajavad lämmastiku sidumise optimeerimiseks niklipõhiste väetiste kasutamist2. Niklipõhiste väetiste pidev kasutamine mulla rikastamiseks ja kaunviljade lämmastiku sidumise võime suurendamiseks mullas suurendab pidevalt nikli kontsentratsiooni mullas. Kuigi nikkel on taimedele mikrotoitaine, võib selle liigne tarbimine mullas teha rohkem kahju kui kasu. Nikli toksilisus mullas vähendab mulla pH-d ja takistab raua omastamist kui taimede kasvuks olulist toitainet1. Liu3 sõnul on leitud, et Ni on 17. oluline element, mis on vajalik taimede arenguks ja kasvuks. Lisaks nikli rollile taimede arengus ja kasvus vajavad inimesed seda mitmesuguste rakenduste jaoks.Galvaniseerimine, niklipõhiste sulamite tootmine ja Autotööstuse süüteseadmed ja süüteküünlad nõuavad kõik niklit erinevates tööstussektorites. Lisaks on niklipõhiseid sulameid ja galvaaniliselt kaetud esemeid laialdaselt kasutatud köögitarvetes, ballisaalide aksessuaarides, toiduainetööstuse tarvikutes, elektri-, juhtme- ja kaablitarvikutes, reaktiivturbiinides, kirurgilistes implantaatides, tekstiilides ja laevaehituses5. Ni-rikas sisaldus pinnases (st pinnases) on omistatud nii inimtekkelistele kui ka looduslikele allikatele, kuid peamiselt on Ni pigem looduslik kui inimtekkeline4,6. Nikli looduslike allikate hulka kuuluvad vulkaanipursked, taimestik, metsatulekahjud ja geoloogilised protsessid; inimtekkeliste allikate hulka kuuluvad aga nikli/kaadmiumakud terasetööstuses, galvaaniline katmine, kaarkeevitus, diisel- ja kütteõlid ning atmosfääriheitmed söe põletamisel ning jäätmete ja sette põletamisel. Nikli kogunemine7,8. Freedmani ja Hutchinsoni9 ning Manyiwa jt. sõnul... 10, peamised pinnase reostuse allikad vahetus ja sellega külgnevas keskkonnas on peamiselt nikli-vase baasil töötavad sulatused ja kaevandused. Kanadas Sudbury nikli-vase rafineerimistehase ümbruse pinnase nikli saastatuse tase oli kõrgeim, 26 000 mg/kg11. Seevastu Venemaal nikli tootmisest tulenev reostus on toonud kaasa kõrgema nikli kontsentratsiooni Norra pinnases11. Alms jt sõnul... 12, piirkonna kõrgeimal haritaval maal (nikli tootmine Venemaal) oli HNO3-ga ekstraheeritava nikli kogus vahemikus 6,25–136,88 mg/kg, mis vastab keskmisele kontsentratsioonile 30,43 mg/kg ja baaskontsentratsioonile 25 mg/kg. Kabata 11 kohaselt võib fosforväetiste kasutamine põllumajandusmuldades linna- või äärelinna muldades järjestikuste kasvuperioodide jooksul mulda imbuda või saastata. Nikli potentsiaalne mõju inimestele võib põhjustada vähki mutageneesi, kromosoomikahjustuste, Z-DNA tekke, blokeeritud DNA ekstsisioonireparatsiooni või epigeneetiliste protsesside kaudu.13 Loomkatsetes on leitud, et nikkel võib põhjustada mitmesuguseid kasvajaid ja kantserogeensed niklikompleksid võivad selliseid kasvajaid süvendada.
Pinnase saastumise hindamine on viimasel ajal vohavalt levinud tänu paljudele terviseprobleemidele, mis tulenevad mulla ja taimede suhetest, mulla ja mulla bioloogilistest suhetest, ökoloogilisest halvenemisest ja keskkonnamõju hindamisest. Praeguseks on potentsiaalselt toksiliste elementide (PTE-de), näiteks Ni, ruumiline ennustamine mullas traditsiooniliste meetodite abil olnud töömahukas ja aeganõudev. Digitaalse mullakaardistamise (DSM) tulek ja selle praegune edu15 on ennustavat mullakaardistamist (PSM) oluliselt parandanud. Minasny ja McBratney16 sõnul on ennustav mullakaardistamine (DSM) osutunud mullateaduse silmapaistvaks alaharuks. Lagacherie ja McBratney (2006) defineerivad DSM-i kui „ruumiliste mullainfosüsteemide loomist ja täitmist kohapealsete ja laboratoorsete vaatlusmeetodite ning ruumiliste ja mitte-ruumiliste mullajäreldussüsteemide abil“. McBratney jt. 17 kirjeldab, et tänapäevane DSM või PSM on kõige tõhusam tehnika PTE-de, mullatüüpide ja mullaomaduste ruumilise jaotuse ennustamiseks või kaardistamiseks. Geostatistika ja masinõppe algoritmid (MLA) on DSM-modelleerimistehnikad, mis loovad arvutite abil digiteeritud kaarte, kasutades märkimisväärseid ja minimaalseid andmeid.
Deutsch18 ja Olea19 defineerivad geostatistikat kui „numbriliste meetodite kogumit, mis tegelevad ruumiliste atribuutide esitamisega, kasutades peamiselt stohhastilisi mudeleid, näiteks seda, kuidas aegridade analüüs iseloomustab ajalisi andmeid.“ Peamiselt hõlmab geostatistika variogrammide hindamist, mis võimaldavad kvantifitseerida ja määratleda iga andmestiku ruumiliste väärtuste sõltuvusi20. Gumiaux jt. Joonis 20 illustreerib lisaks, et variogrammide hindamine geostatistikas põhineb kolmel põhimõttel, sealhulgas (a) andmete korrelatsiooni skaala arvutamine, (b) andmestiku erinevuse anisotroopia tuvastamine ja arvutamine ning (c) lisaks lokaalsetest efektidest eraldatud mõõtmisandmete loomupärase vea arvessevõtmisele hinnatakse ka pindalaefekte. Nendele kontseptsioonidele tuginedes kasutatakse geostatistikas paljusid interpoleerimistehnikaid, sealhulgas üldist krigingut, kokrigingut, tavalist krigingut, empiirilist Bayesi krigingut, lihtsat krigingumeetodit ja muid tuntud interpoleerimistehnikaid PTE, mulla omaduste ja mullatüüpide kaardistamiseks või ennustamiseks.
Masinõppe algoritmid (MLA) on suhteliselt uus tehnika, mis kasutab suuremaid mittelineaarseid andmeklasse, mida toidavad algoritmid, mida kasutatakse peamiselt andmekaevandamiseks, andmete mustrite tuvastamiseks ja mida on korduvalt rakendatud klassifitseerimisel teadusvaldkondades, näiteks mullateaduses ja tagastusülesannetes. Arvukad uurimistööd tuginevad MLA mudelitele, et ennustada PTE-d mullas, näiteks Tan jt 22 (juhuslikud metsad raskmetallide hindamiseks põllumajandusmuldades), Sakizadeh jt 23 (modelleerimine tugivektormasinate ja tehisnärvivõrkude abil) mulla reostus). Lisaks on Vega jt 24 (CART raskmetallide retentsiooni ja adsorptsiooni modelleerimiseks mullas), Sun jt 25 (kubistliku algoritmi rakendamine on Cd jaotus mullas) ja muud algoritmid, näiteks k-lähima naabri, üldistatud võimendatud regressioon ja võimendatud regressioonipuud. Ka MLA-d rakendasid PTE ennustamiseks mullas.
DSM-algoritmide rakendamine ennustamisel või kaardistamisel seisab silmitsi mitmete väljakutsetega. Paljud autorid usuvad, et MLA on geostatistikast parem ja vastupidi. Kuigi üks on parem kui teine, parandab nende kahe kombinatsioon DSM-is kaardistamise või ennustamise täpsust15. Woodcock ja Gopal26 Finke27; Pontius ja Cheuk28 ning Grunwald29 kommenteerivad prognoositud mullakaardistamise puudusi ja mõningaid vigu. Mullateadlased on proovinud mitmesuguseid tehnikaid DSM-kaardistamise ja prognoosimise efektiivsuse, täpsuse ja prognoositavuse optimeerimiseks. Ebakindluse ja kontrollimise kombinatsioon on üks paljudest erinevatest aspektidest, mis on DSM-i integreeritud efektiivsuse optimeerimiseks ja defektide vähendamiseks. Agyeman jt15 toovad aga välja, et kaardi loomise ja ennustamisega kaasnevat valideerimiskäitumist ja ebakindlust tuleks kaardi kvaliteedi parandamiseks eraldi valideerida. DSM-i piirangud tulenevad geograafiliselt hajutatud mullakvaliteedist, mis hõlmab ebakindluse komponenti; DSM-i ebakindlus võib aga tuleneda mitmest veaallikast, nimelt kovariaadiveast, mudeliveast, asukohaveast ja analüütilisest veast31. MLA ja geostatistiliste protsesside modelleerimise ebatäpsused on seotud arusaamatusega, mis viib lõpuks reaalse protsessi ülelihtsustamiseni32. Olenemata modelleerimise olemusest võib ebatäpsusi omistada modelleerimisparameetritele, matemaatilise mudeli ennustustele või interpoleerimisele33. Hiljuti on tekkinud uus DSM-i trend, mis edendab geostatistika ja MLA integreerimist kaardistamisse ja prognoosimisse. Mitmed mullateadlased ja autorid, näiteks Sergeev jt34; Subbotina jt35; Tarasov jt36 ja Tarasov jt37, on ära kasutanud geostatistika ja masinõppe täpsust hübriidmudelite loomiseks, mis parandavad prognoosimise ja kaardistamise tõhusust. kvaliteet. Mõned neist hübriid- või kombineeritud algoritmimudelitest on tehisnärvivõrgu kriging (ANN-RK), mitmekihiline pertseptroni jääkkriging (MLP-RK), üldistatud regressiooninärvivõrgu jääkkriging (GR-NNRK)36, tehisnärvivõrgu kriging mitmekihilise pertseptroniga (ANN-K-MLP)37 ning kokriging ja Gaussi protsessi regressioon38.
Sergeevi jt sõnul on erinevate modelleerimistehnikate kombineerimisel potentsiaal kõrvaldada defektid ja suurendada saadud hübriidmudeli efektiivsust, selle asemel et arendada välja üks mudel. Selles kontekstis väidab see uus artikkel, et optimaalsete hübriidmudelite loomiseks Ni rikastumise ennustamiseks linna- ja linnalähipiirkondades on vaja rakendada geostatistika ja MLA kombineeritud algoritmi. See uuring tugineb baasmudelina empiirilisele Bayesi krigingule (EBK) ja segab seda tugivektorimasina (SVM) ja mitme lineaarse regressiooni (MLR) mudelitega. EBK hübridiseerimine mis tahes MLA-ga ei ole teada. Vaadeldavad mitmed segamudelid on tavalise, jääk-, regressioonkrigingu ja MLA kombinatsioonid. EBK on geostatistiline interpolatsioonimeetod, mis kasutab ruumiliselt stohhastilist protsessi, mis on lokaliseeritud mittestatsionaarse/statsionaarse juhusliku väljana, millel on määratletud lokaliseerimisparameetrid üle välja, võimaldades ruumilist varieerumist39. EBK-d on kasutatud mitmesugustes uuringutes, sealhulgas orgaanilise süsiniku jaotuse analüüsimisel põllumajandusmuldades40, mulla saastumise hindamisel41 ja mulla omaduste kaardistamisel42.
Teisest küljest on iseorganiseeruv graaf (SeOM) õppealgoritm, mida on rakendatud erinevates artiklites, näiteks Li jt 43, Wang jt 44, Hossain Bhuiyan jt 45 ja Kebonye jt 46. Elementide ruumiliste atribuutide ja rühmitamise määramine. Wang jt 44 toovad välja, et SeOM on võimas õppetehnika, mis on tuntud oma võime poolest rühmitada ja ette kujutada mittelineaarseid probleeme. Erinevalt teistest mustrituvastustehnikatest, nagu peakomponentide analüüs, hägus klastrite moodustamine, hierarhiline klastrite moodustamine ja mitmekriteeriumiline otsuste tegemine, on SeOM parem PTE-mustrite korraldamisel ja tuvastamisel. Wang jt 44 sõnul saab SeOM ruumiliselt rühmitada seotud neuronite jaotust ja pakkuda kõrge eraldusvõimega andmete visualiseerimist. SeOM visualiseerib Ni-ennustusandmeid, et saada parim mudel tulemuste iseloomustamiseks otseseks tõlgendamiseks.
Selle töö eesmärk on luua optimaalse täpsusega robustne kaardistusmudel nikli sisalduse ennustamiseks linna- ja linnalähialade muldades. Meie hüpotees on, et segamudeli usaldusväärsus sõltub peamiselt baasmudeliga seotud teiste mudelite mõjust. Me tunnistame DSM-i ees seisvaid väljakutseid ja kuigi neid väljakutseid käsitletakse mitmel rindel, näib geostatistika ja MLA-mudelite edusammude kombinatsioon olevat järkjärguline; seetõttu püüame vastata uurimisküsimustele, mis võivad viia segamudelite loomiseni. Kui täpne on mudel aga sihtelemendi ennustamisel? Milline on ka valideerimisel ja täpsuse hindamisel põhinev efektiivsuse hindamine? Seetõttu olid selle uuringu konkreetsed eesmärgid (a) luua SVMR-i või MLR-i jaoks kombineeritud segumudel, kasutades EBK-d baasmudelina, (b) võrrelda saadud mudeleid, (c) pakkuda välja parim segumudel Ni kontsentratsiooni ennustamiseks linna- või linnalähialade muldades ja (d) SeOM-i rakendamine nikli ruumilise varieeruvuse kõrge eraldusvõimega kaardi loomiseks.
Uuring viiakse läbi Tšehhi Vabariigis, täpsemalt Frýdek Místeki rajoonis Moraavia-Sileesia piirkonnas (vt joonis 1). Uuringuala geograafia on väga karm ja asub enamasti Moraavia-Sileesia Beskiidide piirkonnas, mis on osa Karpaatide mäestiku välisservast. Uuringuala asub koordinaatide 49° 41′ 0′ N ja 18° 20′ 0′ E vahel ning kõrgus merepinnast on 225–327 m; Koppeni klassifikatsioonisüsteem piirkonna klimaatilise seisundi kohta on aga hinnatud kui Cfb = parasvöötme ookeaniline kliima. Isegi kuivadel kuudel on palju sademeid. Temperatuur kõigub aasta jooksul veidi vahemikus −5 °C kuni 24 °C, langedes harva alla −14 °C või üle 30 °C, samas kui keskmine aastane sademete hulk on 685–752 mm47. Kogu piirkonna hinnanguline uuringuala on 1208 ruutkilomeetrit, millest 39,38% on haritav maa ja 49,36% metsaga kaetud. Teisest küljest on käesolevas uuringus kasutatud pindala umbes 889,8 ruutkilomeetrit. Ostravas ja selle ümbruses on terasetööstus ja metallitööd väga aktiivsed. Metallitehased, terasetööstus, kus niklit kasutatakse roostevabades terastes (nt atmosfääri korrosioonikindluse tagamiseks) ja legeerterastes (nikkel suurendab sulami tugevust, säilitades samal ajal selle hea venivuse ja sitkuse), ning intensiivne põllumajandus, näiteks fosfaatväetiste kasutamine ja loomakasvatus, on piirkonna potentsiaalsed nikli allikad. (nt nikli lisamine talledele, et suurendada nende ja madala söötmisvajadusega veiste kasvukiirust). Muud nikli tööstuslikud kasutusalad uurimisvaldkondades hõlmavad selle kasutamist galvaanilisel katmisel, sealhulgas nikli galvaanimisel ja elektrolüüsita nikeldamisel. Mulla omadused on kergesti eristatavad mulla värvusest, struktuurist ja karbonaadisisaldusest. Mulla tekstuur on keskmine kuni peen, mis tuleneb lähtematerjalist. Need on kolluviaalsed, alluviaalsed või eoolsed. Mõned mullapiirkonnad on pinnal ja aluspinnasel laigulised, sageli betooni ja pleegitusega. Siiski on piirkonnas kõige levinumad mullatüübid kambisoolid ja stagnosolid48. Tšehhi Vabariigis domineerivad kambisoolid, mille kõrgus merepinnast on 455,1–493,5 m49.
Uuringuala kaart [Uuringuala kaart loodi ArcGIS Desktopi (ESRI, Inc, versioon 10.7, URL: https://desktop.arcgis.com) abil.]
Frydek Misteki linna- ja linnalähikonna pinnasest saadi kokku 115 mullaproovi. Kasutatud proovivõtumeeskiri oli tavaline ruudustik, kus mullaproovid olid paigutatud 2 × 2 km kaugusele teineteisest, ja mullaproove mõõdeti 0–20 cm sügavusel, kasutades käeshoitavat GPS-seadet (Leica Zeno 5 GPS). Proovid pakiti kilekottidesse, märgistati korralikult ja saadeti laborisse. Proovid kuivatati õhu käes peenestatud proovide saamiseks, peenestati mehaanilise süsteemiga (Fritschi ketasveski) ja sõeluti (sõela suurus 2 mm). Pange 1 gramm kuivatatud, homogeniseeritud ja sõelutud mullaproove selgelt märgistatud teflonpudelitesse. Igasse teflonnõusse valage 7 ml 35% HCl-i ja 3 ml 65% HNO3-d (kasutades automaatset dosaatorit – üks iga happe kohta), katke kergelt ja laske proovidel reaktsiooni jaoks üleöö seista (kuningasvee programm). Asetage supernatant kuumale metallplaadile (temperatuur: 100 W ja ...). 160 °C) 2 tundi, et hõlbustada proovide seedimist, seejärel jahutage. Kandke supernatant 50 ml mõõtkolbi ja lahjendage deioniseeritud veega 50 ml-ni. Seejärel filtreerige lahjendatud supernatant 50 ml PVC-torusse deioniseeritud veega. Lisaks lahjendati 1 ml lahjenduslahust 9 ml deioniseeritud veega ja filtreeriti 12 ml torusse, mis oli ette valmistatud PTE pseudokontsentratsiooni määramiseks. PTE-de (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) kontsentratsioonid määrati ICP-OES-i (induktiivselt sidestatud plasma optilise emissioonspektroskoopia) abil (Thermo Fisher Scientific, USA) vastavalt standardmeetoditele ja kokkuleppele. Kvaliteedi tagamise ja kontrolli (QA/QC) protseduurid (SRM NIST 2711a Montana II Soil). PTE-d, mille avastamispiir oli alla poole, jäeti uuringust välja. Selles uuringus kasutatud PTE avastamispiir oli 0,0004 (teie). Lisaks tagatakse iga analüüsi kvaliteedikontroll ja kvaliteedi tagamise protsess võrdlusstandardite analüüsimisega. Vigade minimeerimiseks tehti topeltanalüüs.
Empiiriline Bayesi kriging (EBK) on üks paljudest geostatistilistest interpolatsioonitehnikatest, mida kasutatakse modelleerimisel erinevates valdkondades, näiteks mullateaduses. Erinevalt teistest krigingu interpolatsioonitehnikatest erineb EBK traditsioonilistest krigingumeetoditest selle poolest, et see arvestab semivariogrammi mudeli poolt hinnatud viga. EBK interpolatsioonis arvutatakse interpolatsiooni ajal mitu semivariogrammi mudelit, mitte ühte semivariogrammi. Interpolatsioonitehnikad jätavad ruumi semivariogrammi joonistamisega seotud ebakindlusele ja programmeerimisele, mis moodustab piisava krigingumeetodi väga keerulise osa. EBK interpolatsiooniprotsess järgib Krivoruchko50 pakutud kolme kriteeriumi: (a) mudel hindab semivariogrammi sisendandmestiku põhjal, (b) iga sisendandmestiku asukoha uus ennustatud väärtus genereeritud semivariogrammi põhjal ja (c) lõplik A-mudel arvutatakse simuleeritud andmestiku põhjal. Bayesi võrrandi reegel on antud a posteriori
Kus \(Prob\left(A\right)\) tähistab eelnevat tõenäosust, \(Prob\left(B\right)\) piirtõenäosust ignoreeritakse enamikul juhtudel, \(Prob (B,A)\). Semivariogrammi arvutus põhineb Bayesi reeglil, mis näitab tõenäosust, et vaatlusandmestikke saab semivariogrammidest luua. Seejärel määratakse semivariogrammi väärtus Bayesi reegli abil, mis näitab, kui tõenäoline on semivariogrammist vaatlusandmestiku loomine.
Tugivektorimasin on masinõppe algoritm, mis genereerib optimaalse eraldushüpertasandi eristamaks identseid, kuid mitte lineaarselt sõltumatuid klasse. Vapnik51 lõi kavatsusklassifitseerimisalgoritmi, kuid seda on hiljuti kasutatud regressioonipõhiste probleemide lahendamiseks. Li jt52 sõnul on SVM üks parimaid klassifikatsioonitehnikaid ja seda on kasutatud erinevates valdkondades. Selles analüüsis kasutati SVM-i regressioonikomponenti (Support Vector Machine Regression – SVMR). Cherkassky ja ​​Mulier53 olid SVMR-i teerajajad tuumapõhise regressioonina, mille arvutamine viidi läbi lineaarse regressioonimudeli abil, millel olid mitme riigi ruumifunktsioonid. John jt54 teatavad, et SVMR-i modelleerimine kasutab hüpertasandi lineaarset regressiooni, mis loob mittelineaarseid seoseid ja võimaldab ruumifunktsioone. Vohland jt sõnul... 55, epsilon (ε)-SVMR kasutab treenitud andmestikku, et saada esitusmudel epsilon-tundetu funktsioonina, mida rakendatakse andmete sõltumatuks kaardistamiseks parima epsilon-nihkega, mis on saadud korreleeritud andmete treenimisel. Eelseadistatud kauguse viga ignoreeritakse tegelikust väärtusest ja kui viga on suurem kui ε(ε), kompenseerivad mulla omadused seda. Mudel vähendab ka treeningandmete keerukust laiema tugivektorite alamhulgani. Vapniku51 pakutud võrrand on näidatud allpool.
kus b tähistab skalaarset läve, \(K\left({x}_{,}{ x}_{k}\right)\) tähistab tuuma funktsiooni, \(\alpha\) tähistab Lagrange'i kordajat, N tähistab numbrilist andmestikku, \({x}_{k}\) tähistab andmesisendit ja \(y\) on andmeväljund. Üks võtmekasutuses olevaid tuumasid on SVMR-operatsioon, mis on Gaussi radiaalne baasfunktsioon (RBF). RBF-tuuma rakendatakse optimaalse SVMR-mudeli määramiseks, mis on kriitilise tähtsusega PTE treeningandmete võimalikult väikese karistuskomplekti teguri C ja tuuma parameetri gamma (γ) saamiseks. Esmalt hindasime treeningkomplekti ja seejärel testisime mudeli toimivust valideerimiskomplektil. Kasutatav suunav parameeter on sigma ja meetodi väärtus on svmRadial.
Mitmekordne lineaarne regressioonimudel (MLR) on regressioonimudel, mis kujutab seost vastusmuutuja ja mitmete ennustavate muutujate vahel, kasutades lineaarseid koondatud parameetreid, mis on arvutatud vähimruutude meetodil. MLR-is on vähimruutude mudel mulla omaduste ennustav funktsioon pärast selgitavate muutujate valimist. Vastust on vaja kasutada lineaarse seose loomiseks selgitavate muutujate abil. Vastusmuutujana kasutati PTE-d lineaarse seose loomiseks selgitavate muutujatega. MLR-i võrrand on
kus y on vastusemuutuja, \(a\) on lõikepunkt, n on ennustajate arv, \({b}_{1}\) on koefitsientide osaline regressioon, \({x}_{i}\) tähistab ennustavat või selgitavat muutujat ja \({\varepsilon }_{i}\) tähistab mudeli viga, mida tuntakse ka jäägina.
Segamudelid saadi EBK, SVMR ja MLR ühendamise teel. Selleks ekstraheeritakse EBK interpolatsioonist ennustatud väärtused. Interpoleeritud Ca, K ja Mg abil saadud ennustatud väärtused saadakse kombinatoorse protsessi abil, et saada uusi muutujaid, näiteks CaK, CaMg ja KMg. Seejärel kombineeritakse elemendid Ca, K ja Mg, et saada neljas muutuja, CaKMg. Kokkuvõttes on saadud muutujad Ca, K, Mg, CaK, CaMg, KMg ja CaKMg. Need muutujad said meie ennustajateks, mis aitasid ennustada nikli kontsentratsiooni linna- ja äärelinna pinnases. Ennustajatel viidi läbi SVMR algoritm, et saada segamudel empiirilise Bayesi krigingu tugivektorimasinaga (EBK_SVM). Samamoodi suunatakse muutujad läbi ka MLR algoritmi, et saada segamudel empiirilise Bayesi krigingu mitmekordse lineaarse regressiooniga (EBK_MLR). Tavaliselt on muutujad Ca, K, Mg, CaK, CaMg, KMg ja CaKMg-d kasutatakse muutujatena linna- ja linnalähialade muldade Ni sisalduse ennustajana. Seejärel visualiseeritakse saadud kõige vastuvõetavam mudel (EBK_SVM või EBK_MLR) iseorganiseeruva graafiku abil. Selle uuringu töövoog on näidatud joonisel 2.
SeOM-i kasutamisest on saanud populaarne tööriist andmete korraldamiseks, hindamiseks ja prognoosimiseks finantssektoris, tervishoius, tööstuses, statistikas, mullateaduses ja mujal. SeOM luuakse tehisnärvivõrkude ja juhendamata õppemeetodite abil korraldamiseks, hindamiseks ja ennustamiseks. Selles uuringus kasutati SeOM-i Ni kontsentratsioonide visualiseerimiseks, tuginedes parimale mudelile Ni ennustamiseks linna- ja linnalähialade muldades. SeOM-i hindamisel töödeldud andmeid kasutatakse n-sisendmõõtmelise vektormuutujatena43,56. Melssen jt. Joonis 57 kirjeldab sisendvektori ühendamist närvivõrguga ühe sisendkihi kaudu väljundvektoriga, millel on üks kaaluvektor. SeOM-i genereeritud väljund on kahemõõtmeline kaart, mis koosneb erinevatest neuronitest või sõlmedest, mis on põimitud kuusnurkseteks, ringikujulisteks või ruudukujulisteks topoloogilisteks kaartideks vastavalt nende lähedusele. Võrreldes kaardi suurusi meetrika, kvantimisvea (QE) ja topograafilise vea (TE) alusel, valitakse SeOM-mudel vastavalt väärtustega 0,086 ja 0,904, mis on 55 kaardiga ühik (5 × 11). Neuroni struktuur määratakse vastavalt sõlmede arvule empiirilises võrrandis.
Selles uuringus kasutatud andmete arv on 115 valimit. Andmete jagamiseks testandmeteks (25% valideerimiseks) ja treeningandmekogumiteks (75% kalibreerimiseks) kasutati juhuslikku lähenemisviisi. Treeningandmestikku kasutatakse regressioonimudeli (kalibreerimise) genereerimiseks ja testandmestikku üldistusvõime kontrollimiseks58. Seda tehti selleks, et hinnata erinevate mudelite sobivust pinnase niklisisalduse ennustamiseks. Kõik kasutatud mudelid läbisid kümnekordse ristvalideerimisprotsessi, mida korrati viis korda. EBK interpolatsiooni abil loodud muutujaid kasutatakse ennustajate või selgitavate muutujatena sihtmuutuja (PTE) ennustamiseks. Modelleerimist käsitletakse RStudio's, kasutades pakette library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") ja teeke („Metrics").
Nikli kontsentratsiooni ennustamiseks pinnases sobivaima parima mudeli määramiseks ning mudeli ja selle valideerimise täpsuse hindamiseks kasutati mitmesuguseid valideerimisparameetreid. Hübridisatsioonimudeleid hinnati keskmise absoluutvea (MAE), ruutkeskmise vea (RMSE) ja R-ruudu ehk koefitsiendi määramise (R2) abil. R2 määratleb vastuses esinevate osakaalude dispersiooni, mida esindab regressioonimudel. Sõltumatute mõõtmiste RMSE ja dispersiooni suurusjärk kirjeldavad mudeli ennustusvõimet, samas kui MAE määrab tegeliku kvantitatiivse väärtuse. Parima segumudeli hindamiseks valideerimisparameetrite abil peab R2 väärtus olema kõrge, mida lähemal on väärtus 1-le, seda suurem on täpsus. Li jt 59 andmetel peetakse heaks ennustajaks R2 kriteeriumi väärtust 0,75 või suuremat; 0,5 kuni 0,75 on vastuvõetav mudeli toimivus ja alla 0,5 on vastuvõetamatu mudeli toimivus. Mudeli valimisel RMSE ja MAE valideerimiskriteeriumide hindamismeetodite abil olid madalamad saadud väärtused piisavad ja neid peeti parimaks valikuks. Järgmine võrrand kirjeldab verifitseerimismeetodit.
kus n tähistab vaadeldava väärtuse suurust \({Y}_{i}\) tähistab mõõdetud vastust ja \({\widehat{Y}}_{i}\) tähistab seega ka ennustatud vastuse väärtust esimese i vaatluse jaoks.
Ennustajate ja vastuste statistilised kirjeldused on esitatud tabelis 1, kus on näidatud keskmine, standardhälve (SD), variatsioonikordaja (CV), miinimum, maksimum, ekstsess ja asümmeetria. Elementide miinimum- ja maksimumväärtused on vastavalt kahanevas järjekorras: Mg < Ca < K < Ni ja Ca < Mg < K < Ni. Uuringupiirkonnast võetud proovide vastuste (Ni) kontsentratsioonid olid vahemikus 4,86 ​​kuni 42,39 mg/kg. Ni võrdlus maailma keskmisega (29 mg/kg) ja Euroopa keskmisega (37 mg/kg) näitas, et uuringupiirkonna üldine arvutatud geomeetriline keskmine oli talutavas vahemikus. Sellest hoolimata, nagu näitab Kabata-Pendias11, näitab käesoleva uuringu keskmise nikli (Ni) kontsentratsiooni võrdlus Rootsi põllumajandusmuldadega, et praegune keskmine nikli kontsentratsioon on kõrgem. Samuti oli Frydek Misteki keskmine kontsentratsioon linna- ja linnalähimaade muldades käesolevas uuringus (Ni 16,15 mg/kg) kõrgem kui lubatud piirväärtus. Różański jt. poolt Poola linnamuldades leiti nikli sisaldus 60 (10,2 mg/kg). Lisaks registreerisid Bretzel ja Calderisi61 Toscana linnamuldades väga madalaid keskmisi nikli kontsentratsioone (1,78 mg/kg) võrreldes käesoleva uuringuga. Jim62 leidis ka Hongkongi linnamuldades madalama nikli kontsentratsiooni (12,34 mg/kg), mis on madalam kui praegune nikli kontsentratsioon käesolevas uuringus. Birke jt63 teatasid Saksamaal Sachsen-Anhalti liidumaal vanas kaevandus- ja linnatööstuspiirkonnas keskmiseks nikli kontsentratsiooniks 17,6 mg/kg, mis oli 1,45 mg/kg kõrgem kui piirkonna keskmine nikli kontsentratsioon (16,15 mg/kg).Käesolev uuring. Uurimispiirkonna mõnede linna- ja äärelinnapiirkondade muldade liigset niklisisaldust võib peamiselt seostada raua- ja terasetööstuse ning metallitööstusega. See on kooskõlas Khodadoust jt uuringuga. 64, et terasetööstus ja metallitöötlus on peamised nikli saastumise allikad pinnases. Ennustavad väärtused olid aga ka Ca puhul 538,70 mg/kg kuni 69 161,80 mg/kg, K puhul 497,51 mg/kg kuni 3535,68 mg/kg ja Mg puhul 685,68 mg/kg kuni 5970,05 mg/kg. Jakovljevic jt. 65 uurisid Kesk-Serbia muldade Mg ja K kogusisaldust. Nad leidsid, et kogukontsentratsioonid (vastavalt 410 mg/kg ja 400 mg/kg) olid madalamad kui käesoleva uuringu Mg ja K kontsentratsioonid. Ida-Poolas hindasid Orzechowski ja Smolczynski66 kaltsiumi, Mg ja K kogusisaldust ning näitasid keskmisi Ca (1100 mg/kg), Mg (590 mg/kg) ja K (810 mg/kg) kontsentratsioone. Pinnase sisaldus on selles uuringus madalam kui üksiku elemendi sisaldus. Pongraci jt hiljutine uuring67 näitas, et Šotimaal, Ühendkuningriigis kolmes erinevas mullas (Mylnefieldi, Balruddery ja Hartwoodi muld) analüüsitud kaltsiumi kogusisaldus näitas selles uuringus kõrgemat kaltsiumisisaldust.
Valitud elementide erinevate mõõdetud kontsentratsioonide tõttu on elementide andmestiku jaotustel erinev asümmeetria. Elementide asümmeetria ja ekstsess olid vastavalt vahemikus 1,53 kuni 7,24 ja 2,49 kuni 54,16. Kõigil arvutatud elementidel on asümmeetria ja ekstsess üle +1, mis näitab, et andmejaotus on ebaregulaarne, kaldu õiges suunas ja haripunktiga. Elementide hinnangulised variatsioonikordajad näitavad ka, et K, Mg ja Ni varieeruvad mõõdukalt, samas kui Ca varieeruvus on äärmiselt suur. K, Ni ja Mg variatsioonikordajad selgitavad nende ühtlast jaotust. Lisaks on Ca jaotus ebaühtlane ja välised allikad võivad mõjutada selle rikastustaset.
Ennustajamuutujate korrelatsioon vastuselementidega näitas elementide vahel rahuldavat korrelatsiooni (vt joonis 3). Korrelatsioon näitas, et CaK-l oli mõõdukas korrelatsioon r väärtusega 0,53, nagu ka CaNi-l. Kuigi Ca ja K näitavad omavahel tagasihoidlikku seost, on teadlased, näiteks Kingston jt. 68 ja Santo69 viitavad sellele, et nende tase mullas on pöördvõrdeline. Ca ja Mg on aga K-ga antagonistlikud, kuid CaK korreleerub hästi. See võib olla tingitud selliste väetiste nagu kaaliumkarbonaat kasutamisest, milles on 56% rohkem kaaliumi. Kaalium oli magneesiumiga mõõdukalt korrelatsioonis (KM r = 0,63). Väetisetööstuses on need kaks elementi tihedalt seotud, kuna kaaliummagneesiumsulfaati, kaaliummagneesiumnitraati ja potast kantakse mulda nende defitsiidi taseme suurendamiseks. Nikkel on mõõdukalt korrelatsioonis Ca, K ja Mg-ga, r väärtused on vastavalt 0,52, 0,63 ja 0,55. Kaltsiumi, magneesiumi ja polütetraalühendite, näiteks nikli, vahelised seosed on keerulised, kuid sellegipoolest pärsib magneesium kaltsiumi imendumist, kaltsium vähendab liigse magneesiumi mõju ning nii magneesium kui ka kaltsium vähendavad nikli toksilist mõju mullas.
Elementide korrelatsioonimaatriks, mis näitab ennustajate ja vastuste vahelist seost (märkus: see joonis sisaldab elementide vahelist hajuvusdiagrammi, olulisuse tasemed põhinevad p < 0,001).
Joonis 4 illustreerib elementide ruumilist jaotust. Burgos jt70 andmetel on ruumilise jaotuse rakendamine tehnika, mida kasutatakse saastunud alade kuumade kohtade kvantifitseerimiseks ja esiletõstmiseks. Joonisel 4 kujutatud Ca rikastustaset on näha ruumilise jaotuskaardi loodeosas. Joonisel on näidatud mõõduka kuni kõrge Ca rikastusastmega kuumad kohad. Kaltsiumi rikastumine kaardi loodeosas on tõenäoliselt tingitud kustutatud lubja (kaltsiumoksiidi) kasutamisest mulla happesuse vähendamiseks ja selle kasutamisest terasetehastes aluselise hapnikuna terasetootmisprotsessis. Teisest küljest eelistavad teised põllumehed happelises pinnases pH neutraliseerimiseks kasutada kaltsiumhüdroksiidi, mis suurendab ka mulla kaltsiumisisaldust71. Kaalium näitab samuti kuumaid kohti kaardi loode- ja idaosas. Loodeosa on suur põllumajanduspiirkond ning mõõdukas kuni kõrge kaaliumisisaldus võib olla tingitud NPK ja kaaliumkloriidi kasutamisest. See on kooskõlas teiste uuringutega, näiteks Madaras ja Lipavský72, Madaras jt73, Pulkrabová jt74, Asare jt75, kes täheldasid, et Mulla stabiliseerimine ja töötlemine KCl ja NPK-ga põhjustas mullas kõrge kaaliumisisalduse. Ruumiline kaaliumi rikastumine levikukaardi loodeosas võib olla tingitud kaaliumipõhiste väetiste, näiteks kaaliumkloriidi, kaaliumsulfaadi, kaaliumnitraadi, kaaliumkloriidi ja kaaliumkarbonaadi kasutamisest kehvade muldade kaaliumisisalduse suurendamiseks. Zádorová jt 76 ja Tlustoš jt 77 tõi välja, et K-põhiste väetiste kasutamine suurendas mulla kaaliumisisaldust ja suurendaks pikas perspektiivis oluliselt mulla toitainete sisaldust, eriti K ja Mg puhul, mis näitavad mullas kuuma kohta. Suhteliselt mõõdukad kuumad kohad on kaardi loode- ja kaguosas. Kolloidne sidumine mullas vähendab magneesiumi kontsentratsiooni mullas. Selle puudumine mullas põhjustab taimedel kollakat soontevahelist kloroosi. Magneesiumipõhised väetised, nagu kaaliummagneesiumsulfaat, magneesiumsulfaat ja kiseriit, ravivad puudujääke (taimed on lillad, punased või pruunid, mis viitab magneesiumipuudusele) muldades, mille pH on normaalne6. Nikli kogunemine linna- ja linnalähikonna mullale võib olla tingitud inimtegevusest, näiteks põllumajandusest ja nikli olulisusest roostevaba terase tootmisel78.
Elementide ruumiline jaotus [ruumilise jaotuse kaart loodi ArcGIS Desktopi (ESRI, Inc, versioon 10.7, URL: https://desktop.arcgis.com) abil.]
Selles uuringus kasutatud elementide mudeli toimivusindeksi tulemused on esitatud tabelis 2. Teisest küljest on Ni RMSE ja MAE mõlemad nullilähedased (0,86 RMSE, -0,08 MAE). Teisest küljest on nii RMSE kui ka MAE väärtused K puhul vastuvõetavad. RMSE ja MAE tulemused olid suuremad kaltsiumi ja magneesiumi puhul. Ca ja K MAE ja RMSE tulemused on suuremad erinevate andmekogumite tõttu. Käesoleva uuringu RMSE ja MAE, milles kasutati Ni ennustamiseks EBK-d, leiti olevat paremad kui John jt 54 tulemused, mis kasutasid sünergistlikku krigingut S kontsentratsiooni ennustamiseks mullas, kasutades samu kogutud andmeid. Meie uuritud EBK väljundid korreleeruvad Fabijaczyk jt 41, Yan jt 79, Beguin jt 80, Adhikary jt 81 ja John jt 82 tulemustega, eriti K ja Ni puhul.
Niklisisalduse ennustamiseks linna- ja linnalähialade muldades kasutatavate üksikute meetodite toimivust hinnati mudelite toimivuse põhjal (tabel 3). Mudeli valideerimine ja täpsuse hindamine kinnitasid, et Ca_Mg_K ennustaja koos EBK SVMR mudeliga andis parima tulemuse. Kalibreerimismudeli Ca_Mg_K-EBK_SVMR puhul olid R2 keskmised ruutvead (RMSE) ja keskmised absoluutvead (MAE) vastavalt 0,637 (R2), 95,479 mg/kg (RMSE) ja 77,368 mg/kg (MAE). Ca_Mg_K-SVMR oli 0,663 (R2), 235,974 mg/kg (RMSE) ja 166,946 mg/kg (MAE). Sellest hoolimata saadi head R2 väärtused Ca_Mg_K-SVMR (0,663 mg/kg R2) ja Ca_Mg-EBK_SVMR (0,643 = R2) puhul. Nende RMSE ja MAE tulemused olid kõrgemad kui Ca_Mg_K-EBK_SVMR puhul (R2 0,637) (vt tabel 3). Lisaks on Ca_Mg-EBK_SVMR mudeli (RMSE = 1664,64 ja MAE = 1031,49) RMSE ja MAE vastavalt 17,5 ja 13,4, mis on suuremad kui Ca_Mg_K-EBK_SVMR mudelil. Samamoodi on Ca_Mg-K SVMR mudeli (RMSE = 235,974 ja MAE = 166,946) RMSE ja MAE vastavalt 2,5 ja 2,2 suuremad kui Ca_Mg_K-EBK_SVMR mudeli RMSE ja MAE. Arvutatud RMSE tulemused näitavad, kui kontsentreeritud on andmestik parima sobivuse sirgega. Täheldati kõrgemaid RSME ja MAE väärtusi. Kebonye jt andmetel... 46 ja john jt 54 andmetel on tulemused paremad, mida lähemal on RMSE ja MAE nullile. SVMR-il ja EBK_SVMR-il on kõrgemad kvantiseeritud RSME ja MAE väärtused. Täheldati, et RSME hinnangud olid pidevalt kõrgemad kui MAE väärtused, mis viitab kõrvalekallete esinemisele. Legates'i ja McCabe83 andmetel on kõrvalekallete esinemise indikaatorina soovitatav kasutada seda, kui palju RMSE ületab keskmist absoluutviga (MAE). See tähendab, et mida heterogeensem on andmestik, seda kõrgemad on MAE ja RMSE väärtused. Ca_Mg_K-EBK_SVMR segamudeli ristvalideerimise hindamise täpsus linna- ja äärelinna muldade Ni sisalduse ennustamiseks oli 63,70%. Li jt 59 andmetel on see täpsusaste vastuvõetav mudeli toimivusmäär. Käesolevaid tulemusi võrreldakse Tarasov jt varasema uuringuga. 36, kelle hübriidmudel lõi MLPRK (mitmekihilise pertseptroni jääkkrigingu), mis on seotud käesolevas uuringus esitatud EBK_SVMR täpsuse hindamise indeksiga, RMSE (210) ja MAE (167,5) oli kõrgem kui meie tulemused käesolevas uuringus (RMSE 95,479, MAE 77,368). Kuid kui võrrelda käesoleva uuringu R2 (0,637) Tarasov jt. omaga... 36 (0,544) põhjal on selge, et määramiskordaja (R2) on selles segamudelis kõrgem. Segamudeli veamarginaal (RMSE ja MAE) (EBK SVMR) on kaks korda madalam. Samuti registreerisid Sergeev jt34 väljatöötatud hübriidmudeli (mitmekihiline pertseptroni jääkkriging) puhul 0,28 (R2), samas kui Ni puhul registreeriti käesolevas uuringus 0,637 (R2). Selle mudeli (EBK SVMR) ennustustäpsus on 63,7%, samas kui Sergeev jt34 saadud ennustustäpsus on 28%. EBK_SVMR mudeli ja Ca_Mg_K ennustaja abil loodud lõplik kaart (joonis 5) näitab kuumade kohtade ja mõõduka kuni nikli kontsentratsiooni ennustusi kogu uuringualal. See tähendab, et nikli kontsentratsioon uuringualal on valdavalt mõõdukas, mõnes konkreetses piirkonnas on kontsentratsioonid kõrgemad.
Lõplik ennustuskaart on esitatud hübriidmudeli EBK_SVMR abil ja ennustajana Ca_Mg_K abil. [Ruumilise jaotuse kaart loodi RStudio abil (versioon 1.4.1717: https://www.rstudio.com/).]
Joonisel 6 on esitatud PTE kontsentratsioonid kompositsioonitasandina, mis koosneb üksikutest neuronitest. Ükski komponenttasanditest ei näidanud sama värvimustrit nagu näidatud. Siiski on sobiv neuronite arv joonistatud kaardil 55. SeOM-i toodetakse mitmesuguste värvide abil ja mida sarnasemad on värvimustrid, seda võrreldavamad on proovide omadused. Vastavalt oma täpsele värviskaalale näitasid üksikud elemendid (Ca, K ja Mg) sarnaseid värvimustreid üksikute kõrgete neuronite ja enamiku madalate neuronitega. Seega on CaK-l ja CaMg-l teatud sarnasusi väga kõrge järgu neuronite ja madala kuni mõõduka värvimustriga. Mõlemad mudelid ennustavad Ni kontsentratsiooni mullas, kuvades keskmise kuni kõrge värvitoone, nagu punane, oranž ja kollane. KMg-mudel kuvab palju kõrgeid värvimustreid, mis põhinevad täpsetel proportsioonidel ja madalatel kuni keskmistel värvilaikudel. Täpsel värviskaalal madalast kõrgeni näitas mudeli komponentide tasapinnaline jaotusmuster kõrget värvimustrit, mis näitab nikli potentsiaalset kontsentratsiooni mullas (vt joonis 4). CakMg-mudeli komponenttasandil on täpne värviskaala ja mitmekesine värvimuster madalast kõrgeni. skaala.Lisaks on mudeli niklisisalduse (CakMg) prognoos sarnane joonisel 5 kujutatud nikli ruumilise jaotusega.Mõlemad graafikud näitavad nikli kontsentratsiooni kõrget, keskmist ja madalat osakaalu linna- ja linnalähialade muldades.Joonis 7 kujutab kaardil k-keskmiste rühmituse kontuurmeetodit, mis on jagatud kolmeks klastriks iga mudeli ennustatud väärtuse põhjal.Kontuurmeetod esindab optimaalset klastrite arvu.115 kogutud mullaproovist saadi 1. kategooriast kõige rohkem mullaproove, 74.2. klaster sai 33 proovi, samas kui 3. klaster sai 8 proovi.Seitsmekomponendilist tasapinnalist ennustaja kombinatsiooni lihtsustati, et võimaldada klastrite korrektset tõlgendamist.Mulla teket mõjutavate arvukate inimtekkeliste ja looduslike protsesside tõttu on hajutatud SeOM-kaardil keeruline saada korralikult diferentseeritud klastrimustreid78.
Iga empiirilise Bayesi krigingu tugivektorimasina (EBK_SVM_SeOM) muutuja väljund komponenttasandil. [SeOM-kaardid loodi RStudio abil (versioon 1.4.1717: https://www.rstudio.com/).]
Erinevad klastrite klassifikatsiooni komponendid [SeOM kaardid loodi RStudio abil (versioon 1.4.1717: https://www.rstudio.com/).]
Käesolev uuring illustreerib selgelt nikli kontsentratsiooni modelleerimistehnikaid linna- ja linnalähialade muldades. Uuringus testiti erinevaid modelleerimistehnikaid, kombineerides elemente modelleerimistehnikatega, et saada parim viis nikli kontsentratsiooni ennustamiseks mullas. Modelleerimistehnika SeOM kompositsioonilised tasapinnalised ruumilised tunnused näitasid täpsel värviskaalal kõrget värvimustrit madalast kõrgeni, mis näitab Ni kontsentratsiooni mullas. Ruumiline jaotuskaart kinnitab aga EBK_SVMR-i näidatud komponentide tasapinnalist ruumilist jaotust (vt joonis 5). Tulemused näitavad, et tugivektorimasina regressioonimudel (CaMgK-SVMR) ennustab Ni kontsentratsiooni mullas ühe mudelina, kuid valideerimis- ja täpsuse hindamise parameetrid näitavad väga suuri vigu RMSE ja MAE osas. Teisest küljest on EBK_MLR mudeli puhul kasutatud modelleerimistehnika vigane ka määramiskordaja (R2) madala väärtuse tõttu. Head tulemused saadi EBK SVMR-i ja kombineeritud elementide (CaKMg) abil madala RMSE ja MAE veaga täpsusega 63,7%. Selgub, et EBK algoritmi kombineerimine masinõppe algoritmiga võib genereerida... hübriidalgoritm, mis suudab ennustada PTE-de kontsentratsiooni pinnases. Tulemused näitavad, et Ca, Mg, K kasutamine ennustajatena Ni kontsentratsiooni ennustamiseks uuringualal võib parandada Ni ennustamist pinnases. See tähendab, et niklipõhiste väetiste pidev kasutamine ja pinnase tööstuslik reostus terasetööstuse poolt kipuvad suurendama nikli kontsentratsiooni pinnases. See uuring näitas, et EBK mudel võib vähendada veamäära ja parandada pinnase ruumilise jaotuse mudeli täpsust linna- või äärelinna pinnases. Üldiselt teeme ettepaneku rakendada EBK-SVMR mudelit PTE hindamiseks ja ennustamiseks pinnases; lisaks teeme ettepaneku kasutada EBK-d hübridiseerimiseks erinevate masinõppe algoritmidega. Ni kontsentratsioonid ennustati, kasutades elemente kovariaatidena; rohkemate kovariaatide kasutamine parandaks aga oluliselt mudeli toimivust, mida võib pidada praeguse töö piiranguks. Selle uuringu teine ​​piirang on see, et andmekogumeid on 115. Seega, kui esitatakse rohkem andmeid, saab pakutud optimeeritud hübridisatsioonimeetodi toimivust parandada.
PlantProbs.net.Nikkel taimedes ja mullas https://plantprobs.net/plant/nutrientImbalances/sodium.html (vaadatud 28. aprillil 2021).
Kasprzak, KS Nikli edusammud tänapäevases keskkonnatoksikoloogias.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. ja Nikel, G. Nickel: Ülevaade selle allikatest ja keskkonnatoksikoloogiast. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Saasteainete sattumine atmosfääri ja akumuleerumine pinnasesse ja taimestikku nikli-vase sulatustehase lähedal Sudburys, Ontarios, Kanadas. can.J. Bot.58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. jt. Raskmetallid mullas, taimedes ja mäletsejaliste karjatamisega seotud riskid Selebi-Phikwe vask-nikkelkaevanduse lähedal Botswanas.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Mikroelemendid mullas ja… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Mitmeelemendid+muldas+ja+plantsides.+4.+trükk+New+York+%28NY%29%3A+CRC+Press&btnG= (vaadatud 24. novembril 2020).
Almås, A., Singh, B., Põllumajandus, TS-NJ & 1995, määratlemata. Venemaa niklitööstuse mõju raskmetallide kontsentratsioonile põllumajandusmuldades ja rohumaades Soer-Varangeris, Norras.agris.fao.org.
Nielsen, GD jt. Nikli imendumine ja peetumine joogivees on seotud toidu tarbimise ja nikli tundlikkusega. toksikoloogia. rakendus. farmakodünaamika. 154, 67–75 (1999).
Costa, M. ja Klein, CB Nikkeli kartsinogenees, mutatsioon, epigeneetika või selektsioon. Ümbrus. Terviseperspektiiv. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Potentsiaalselt toksiliste elementide trendianalüüs: bibliomeetriline ülevaade. Keskkonnageokeemia ja tervis. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. ja McBratney, AB. Digitaalne mullakaardistamine: lühiajalugu ja mõned õppetunnid. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Digitaalse pinnase kaardistamise kohta.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistilise veehoidla modelleerimine,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (vaadatud 28. aprillil 2021).