Eskerrik asko Nature.com webgunea bisitatzeagatik. Erabiltzen ari zaren arakatzailearen bertsioak CSSrako laguntza mugatua du. Esperientzia onena lortzeko, arakatzaile eguneratua erabiltzea gomendatzen dizugu (edo Internet Explorer-en bateragarritasun modua desaktibatzea). Bitartean, laguntza jarraitua bermatzeko, gunea estilorik eta JavaScriptik gabe erakutsiko dugu.
Lurzoruaren kutsadura giza jarduerek eragindako arazo handia da. Elementu toxiko potentzialen (PTE) banaketa espaziala aldatu egiten da hiri eta hiri inguruko eremu gehienetan. Beraz, zaila da lurzoru horietan dauden PTEen edukia espazialki aurreikustea. Guztira 115 lagin lortu ziren Frydek Mistek-etik, Txekiar Errepublikan. Kaltzio (Ca), magnesio (Mg), potasio (K) eta nikel (Ni) kontzentrazioak plasma emisio espektrometria induktiboki akoplatua erabiliz zehaztu ziren. Erantzun aldagaia Ni da eta iragarleak Ca, Mg eta K. Erantzun aldagaiaren eta iragarle aldagaiaren arteko korrelazio matrizeak elementuen arteko korrelazio egokia erakusten du. Iragarpen emaitzek erakutsi zuten Laguntza Bektore Makina Erregresioak (SVMR) funtzionatu zuela ondo, nahiz eta bere erro karratu ertainaren errore estimatua (RMSE) (235,974 mg/kg) eta errore absolutu ertaina (MAE) (166,946 mg/kg) aplikatutako beste metodoek baino handiagoak izan. Kriging Bayesiano Enpiriko-Erregresio Lineal Anizkoitzaren (EBK-MLR) eredu mistoek funtzionatu txarra dute, honako hauek frogatzen duten bezala: 0,1 baino txikiagoak diren determinazio-koefizienteak. Enpiriko Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) eredua izan zen onena, RMSE (95,479 mg/kg) eta MAE (77,368 mg/kg) balio baxuekin eta determinazio-koefiziente altuarekin (R2 = 0,637). EBK-SVMR modelizazio-teknikaren irteera autoantolatutako mapa bat erabiliz bistaratzen da. CakMg-EBK-SVMR osagaiaren eredu hibridoaren planoan dauden neurona multzokatuek hiri- eta hiri-inguruko lurzoruetan Ni kontzentrazioak iragartzen dituzten kolore-eredu anitz erakusten dituzte. Emaitzek erakusten dute EBK eta SVMR konbinatzea hiri- eta hiri-inguruko lurzoruetan Ni kontzentrazioak iragartzeko teknika eraginkorra dela.
Nikela (Ni) landareentzako mikronutrientetzat hartzen da, nitrogeno atmosferikoaren finkapenean (N) eta urearen metabolismoan laguntzen duelako, biak beharrezkoak baitira hazien ernetzerako. Hazien ernetzerako ekarpenaz gain, Ni-k onddoen eta bakterioen inhibitzaile gisa joka dezake eta landareen garapena sustatzen du. Lurzoruan nikel faltak landareari xurgatzea ahalbidetzen dio, eta horrek hostoen klorosia eragiten du. Adibidez, ilar eta babarrun berdeek nikel-oinarritutako ongarriak behar dituzte nitrogenoaren finkapena optimizatzeko2. Nikel-oinarritutako ongarriak etengabe aplikatzeak lurzorua aberasteko eta lekaleek lurzoruan nitrogenoa finkatzeko duten gaitasuna handitzeko, lurzoruko nikel-kontzentrazioa handitzen du. Nikela landareentzako mikronutriente bat den arren, lurzoruan gehiegi hartzeak kalte gehiago egin dezake onura baino. Nikelaren toxikotasunak lurzoruaren pHa minimizatzen du eta burdinaren xurgapena oztopatzen du landareen hazkuntzarako funtsezko mantenugai gisa1. Liu3-ren arabera, Ni landareen garapenerako eta hazkuntzarako beharrezkoa den 17. elementu garrantzitsua dela ikusi da. Nikelak landareen garapenean eta hazkuntzan duen eginkizunaz gain, gizakiek hainbat aplikaziotarako behar dute. Galvanizazioa, ekoizpena Nikel-oinarritutako aleazioek, eta automobilgintzako pizte-gailuen eta bujien fabrikazioak, nikelen erabilera eskatzen dute hainbat industria-sektoretan. Horrez gain, nikel-oinarritutako aleazioak eta galvanizatutako artikuluak asko erabili dira sukaldeko tresnetan, dantza-aretoko osagarrietan, elikagaien industriako hornigaietan, elektrizitateetan, alanbre eta kableetan, jet turbinetan, kirurgia-inplanteetan, ehungintzan eta ontzioletan5. Lurzoruetan (hau da, gainazaleko lurzoruetan) Ni aberatsa den maila iturri antropogenikoei eta naturalei egotzi zaie, baina batez ere, Ni iturri naturala da antropogenikoa baino4,6. Nikelaren iturri naturalen artean daude sumendi-erupzioak, landaredia, baso-suteak eta prozesu geologikoak; hala ere, iturri antropogenikoen artean daude altzairu-industrian nikel/kadmiozko bateriak, galvanizatzea, arku-soldadura, gasolioa eta erregai-olioak, eta ikatz-errekuntzatik eta hondakin eta lohien errausketatik datozen isuri atmosferikoak Nikelaren metaketa7,8. Freedman eta Hutchinson9 eta Manyiwa et al.-en arabera. 10. arabera, ingurune hurbileko eta inguruko lurzoruaren kutsaduraren iturri nagusiak nikel-kobrezko urtze-lantegiak eta meategiak dira batez ere. Kanadako Sudburyko nikel-kobrezko findegiaren inguruko lurzoruan izan zen nikel kutsadura maila altuena, 26.000 mg/kg-koa11. Aitzitik, Errusian nikel ekoizpenak eragindako kutsadurak nikel kontzentrazio handiagoak eragin ditu Norvegiako lurzoruan11. Alms et al.-en arabera. 12.ean, eskualdeko lantzeko lur nagusietan (Errusian nikelaren ekoizpena) HNO3-erauz daitekeen nikel kopurua 6,25 eta 136,88 mg/kg artekoa zen, hau da, 30,43 mg/kg-ko batez bestekoa eta 25 mg/kg-ko oinarrizko kontzentrazioa. Kabata 11-ren arabera, fosforo ongarriak nekazaritza-lurzoruetan aplikatzeak, hiri- edo hiri inguruko lurzoruetan, uzta-denboraldietan zehar, lurra infusatu edo kutsatu dezake. Nikelak gizakiengan dituen eragin potentzialek minbizia sor dezakete mutagenesiaren, kromosomen kaltearen, Z-DNAren sorreraren, DNAren ebakiduraren konponketa blokeatuaren edo prozesu epigenetikoen bidez13. Animalien esperimentuetan, nikelak tumore ugari eragiteko ahalmena duela ikusi da, eta nikel konplexu kartzinogenikoek tumore horiek areagotu ditzakete.
Lurzoruaren kutsaduraren ebaluazioak loratu egin dira azken aldian, lurzoruaren eta landareen arteko harremanek, lurzoruaren eta lurzoruaren arteko harreman biologikoek, degradazio ekologikoak eta ingurumen-inpaktuaren ebaluazioak eragindako osasun-arazo ugari direla eta. Gaur arte, lurzoruan dauden elementu toxiko potentzialen (PTE) iragarpen espaziala, hala nola Ni, neketsua eta denbora asko eskatzen duena izan da metodo tradizionalak erabiliz. Lurzoruaren mapaketa digitalaren (DSM) etorrerak eta egungo arrakastak15 asko hobetu dute lurzoruaren mapaketa prediktiboa (PSM). Minasny eta McBratney16-ren arabera, lurzoruaren mapaketa prediktiboa (DSM) lurzoruaren zientziaren azpidiziplina garrantzitsua dela frogatu da. Lagacherie eta McBratney-k, 2006, DSM honela definitzen dute: "in situ eta laborategiko behaketa-metodoak eta lurzoruaren inferentzia-sistema espazialak eta ez-espazialak erabiliz lurzoruaren informazio espazialeko sistemak sortzea eta betetzea". McBratney et al. 17. artikuluak azpimarratzen du gaur egungo DSM edo PSM dela PTEen, lurzoru motaren eta lurzoruaren propietateen banaketa espaziala aurreikusteko edo mapatzeko teknikarik eraginkorrena. Geoestatistika eta Makina Ikaskuntzako Algoritmoak (MLA) DSM modelatzeko teknikak dira, ordenagailuen laguntzarekin datu esanguratsuak eta minimoak erabiliz mapa digitalizatuak sortzen dituztenak.
Deutsch18 eta Olea19-k geoestatistika honela definitzen dute: "atributu espazialen irudikapena lantzen duten teknika numerikoen bilduma, batez ere eredu estokastikoak erabiliz, hala nola denbora-serieen analisiak denbora-datuak nola karakterizatzen dituen". Batez ere, geoestatistikak bariogramen ebaluazioa dakar, eta horrek datu-multzo bakoitzetik balio espazialen menpekotasunak kuantifikatu eta definitzea ahalbidetzen du20. Gumiaux et al. 20-k gehiago erakusten dute geoestatistikan bariogramen ebaluazioa hiru printzipiotan oinarritzen dela, besteak beste, (a) datuen korrelazioaren eskala kalkulatzea, (b) datu-multzoen desberdintasunean anisotropia identifikatzea eta kalkulatzea eta (c) neurketa-datuen berezko errorea kontuan hartzeaz gain, tokiko efektuetatik bereizita, eremu-efektuak ere kalkulatzea. Kontzeptu hauetan oinarrituta, interpolazio-teknika asko erabiltzen dira geoestatistikan, besteak beste, kriging orokorra, ko-kriginga, kriging arrunta, kriging bayesiar enpirikoa, kriging metodo sinplea eta beste interpolazio-teknika ezagun batzuk PTE, lurzoruaren ezaugarriak eta lurzoru motak mapatzeko edo aurreikusteko.
Makina Ikaskuntzako Algoritmoak (MLA) teknika nahiko berria dira, datu-klase ez-lineal handiagoak erabiltzen dituztenak, batez ere datu-meatzaritzarako, datuetako ereduak identifikatzeko eta behin eta berriz lurzoruaren zientzia bezalako arlo zientifikoetan sailkapenean eta itzulera-zereginetan aplikatzen direnak. Ikerketa-artikulu ugari MLA ereduetan oinarritzen dira lurzoruko PTE aurreikusteko, hala nola Tan et al. 22 (ausazko basoak nekazaritza-lurzoruetan metal astunen estimaziorako), Sakizadeh et al. 23 (laguntza bektore-makinak eta sare neuronal artifizialak erabiliz modelatzea) lurzoruaren kutsadura). Horrez gain, Vega et al. 24 (CART lurzoruan metal astunen atxikipena eta adsorzioa modelatzeko) Sun et al. 25 (kubistaren aplikazioa lurzoruko Cd-ren banaketa da) eta beste algoritmo batzuk, hala nola k-nearest nearbyen, orokortutako erregresio indartua eta erregresio indartua. Zuhaitzek ere MLA erabili zuten lurzoruko PTE aurreikusteko.
DSM algoritmoen aplikazioak iragarpen edo mapaketan hainbat erronka ditu. Egile askok uste dute MLA geoestatistika baino hobea dela eta alderantziz. Bata bestea baino hobea den arren, bien konbinazioak DSM-ko mapaketa edo iragarpenaren zehaztasun maila hobetzen du15. Woodcock eta Gopal26 Finke27; Pontius eta Cheuk28 eta Grunwald29 lurzoruaren mapaketa aurreikusitako gabeziak eta akats batzuk aipatzen dituzte. Lurzoruko zientzialariek hainbat teknika probatu dituzte DSM mapaketa eta iragarpenaren eraginkortasuna, zehaztasuna eta aurreikusgarritasuna optimizatzeko. Ziurgabetasunaren eta egiaztapenaren konbinazioa DSM-n integratutako alderdi askoren artean bat da eraginkortasuna optimizatzeko eta akatsak murrizteko. Hala ere, Agyeman et al. 15-ek azpimarratzen dute mapak sortzeak eta iragarpenak sartzen duten balidazio-portaera eta ziurgabetasuna modu independentean balioztatu behar direla maparen kalitatea hobetzeko. DSM-ren mugak lurzoruaren kalitate geografikoki sakabanatuaren ondorio dira, eta horrek ziurgabetasun osagai bat dakar; hala ere, DSM-n ziurgabetasun falta hainbat errore-iturritatik etor daiteke, hots, kobariante-errorea, eredu-errorea, kokapen-errorea eta errore analitikoa 31. MLA-n eta prozesu geoestatistikoetan eragindako modelizazio-zehaztasun ezak ulermen faltarekin lotuta daude, eta, azken finean, benetako prozesua gehiegi sinplifikatzea dakar 32. Modelizazioaren izaera edozein dela ere, zehaztasun ezak modelizazio-parametroei, eredu matematikoen iragarpenei edo interpolazioari egotz dakizkieke 33. Duela gutxi, DSM joera berri bat sortu da, geoestatistika eta MLA mapaketan eta iragarpenean integratzea sustatzen duena. Lurzoruaren zientzialari eta egilek, hala nola Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 eta Tarasov et al. 37, geoestatistikaren eta ikaskuntza automatikoaren kalitate zehatza ustiatu dute iragarpenaren eta mapaketaren eraginkortasuna hobetzen duten eredu hibridoak sortzeko. kalitatea. Algoritmo hibrido edo konbinatuen eredu horietako batzuk hauek dira: Sare Neuronal Artifizialeko Kriginga (ANN-RK), Pertzepzio Anitzeko Hondar Kriginga (MLP-RK), Erregresio Orokorreko Sare Neuronal Hondar Kriginga (GR-NNRK)36, Sare Neuronal Artifizialeko Kriginga-Pertzepzio Anitzeko Geruza (ANN-K-MLP)37 eta Ko-Kriginga eta Prozesu Gaussiarren Erregresioa38.
Sergeev et al.-en arabera, hainbat modelizazio teknika konbinatzeak akatsak ezabatzeko eta ondoriozko eredu hibridoaren eraginkortasuna handitzeko ahalmena du, bere eredu bakarra garatu beharrean. Testuinguru honetan, artikulu berri honek argudiatzen du geoestatistikaren eta MLAren algoritmo konbinatu bat aplikatzea beharrezkoa dela hiri eta hiri inguruko eremuetan Ni aberastea aurreikusteko eredu hibrido optimoak sortzeko. Ikerketa honek Kriging Bayesiano Enpirikoa (EBK) oinarrituko du oinarrizko eredu gisa eta Laguntza Bektore Makina (SVM) eta Erregresio Lineal Anizkoitza (MLR) ereduekin nahastuko du. EBKren hibridazioa MLA batekin ez da ezagutzen. Ikusten diren eredu misto anitzak ohiko, hondar, erregresio kriging eta MLAren konbinazioak dira. EBK geoestatistika interpolazio metodo bat da, prozesu estokastiko espazial bat erabiltzen duena, eremu ez-egonkor/egonkor ausazko gisa lokalizatzen dena, eremuan zehar definitutako lokalizazio parametroekin, aldakuntza espaziala ahalbidetuz39. EBK hainbat ikerketatan erabili da, besteak beste, nekazaritza lurzoruetan karbono organikoaren banaketa aztertzeko40, lurzoruaren kutsadura ebaluatzeko41 eta lurzoruaren propietateak mapatzeko42.
Bestalde, Autoantolatutako Grafikoa (SeOM) hainbat artikulutan aplikatu den ikaskuntza-algoritmo bat da, hala nola Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 eta Kebonye et al.46. Elementuen atributu espazialak eta multzokatzea zehazten du. Wang et al. 44-k azpimarratzen dute SeOM ikaskuntza-teknika indartsua dela, arazo ez-linealak multzokatu eta imajinatzeko duen gaitasunagatik ezaguna. Beste eredu-ezagutza teknikak ez bezala, hala nola osagai nagusien analisia, multzokatze lausoa, multzokatze hierarkikoa eta irizpide anitzeko erabakiak hartzea, SeOM hobea da PTE ereduak antolatzen eta identifikatzeko. Wang et al. 44-ren arabera, SeOM-ek neurona erlazionatuen banaketa espazialki multzokatu dezake eta datuen bistaratzea bereizmen handikoa eman dezake. SeOM-ek Ni iragarpen-datuak bistaratuko ditu emaitzak interpretazio zuzenerako karakterizatzeko eredu onena lortzeko.
Lan honek hiri eta hiri inguruko lurzoruetan nikel edukia aurreikusteko zehaztasun optimoa duen mapaketa-eredu sendo bat sortzea du helburu. Hipotesia dugu eredu mistoaren fidagarritasuna oinarrizko ereduari erantsitako beste ereduen eraginaren araberakoa dela batez ere. DSM-k dituen erronkak aitortzen ditugu, eta erronka horiei hainbat arlotan heltzen ari diren arren, geoestatistikako eta MLA ereduetako aurrerapenen konbinazioa inkrementala dirudi; beraz, eredu mistoak eman ditzaketen ikerketa-galderei erantzuten saiatuko gara. Hala ere, zenbaterainoko zehaztasuna du ereduak helburu-elementua aurreikusteko? Gainera, zein da balidazioan eta zehaztasun-ebaluazioan oinarritutako eraginkortasun-ebaluazio-maila? Beraz, ikerketa honen helburu espezifikoak hauek izan ziren: (a) SVMR edo MLRrako nahasketa-eredu konbinatu bat sortzea, EBK oinarrizko eredu gisa erabiliz, (b) ondoriozko ereduak alderatzea, (c) hiri edo hiri inguruko lurzoruetan Ni kontzentrazioak aurreikusteko nahasketa-eredu onena proposatzea, eta (d) SeOM aplikatzea nikelaren aldakuntza espazialaren bereizmen handiko mapa bat sortzeko.
Ikerketa Txekiar Errepublikan egiten ari da, zehazki Moravia-Silesia eskualdeko Frydek Mistek barrutian (ikus 1. irudia). Ikerketa eremuaren geografia oso malkartsua da eta gehienbat Moravia-Silesia Beskidy eskualdearen parte da, eta hau Karpato mendien kanpoko ertzaren parte da. Ikerketa eremua 49° 41′ 0′ N eta 18° 20′ 0′ E artean dago, eta altitudea 225 eta 327 m artekoa da; Hala ere, eskualdeko klima-egoerarako Koppen sailkapen-sistemak Cfb = klima ozeaniko epela bezala sailkatzen da. Hilabete lehorretan ere prezipitazio asko egiten du. Tenperaturak urtean zehar apur bat aldatzen dira -5 °C eta 24 °C artean, gutxitan jaisten dira -14 °C-tik behera edo 30 °C-tik gora, eta urteko batez besteko prezipitazioa 685 eta 752 mm47 artekoa da. Eremu osoaren azterketa-eremu estimatua 1.208 kilometro koadrokoa da, landutako lurren % 39,38 eta baso-estalduraren % 49,36rekin. Bestalde, ikerketa honetan erabilitako eremua 889,8 kilometro koadro ingurukoa da. Ostravan eta inguruan, altzairu-industria eta metalgintza oso aktiboak dira. Metal-errotak, nikela altzairu herdoilgaitzetan (adibidez, korrosio atmosferikoaren aurkako erresistentziarako) eta aleazio-altzairuetan (nikelak aleazioaren erresistentzia handitzen du, harikortasun eta gogortasun ona mantenduz) erabiltzen den altzairu-industria eta nekazaritza intentsiboa, hala nola fosfato-ongarriak aplikatzea eta abeltzaintza, eskualdeko nikelaren ikerketa-iturri potentzialak dira. (adibidez, nikela bildotsei gehitzea bildotsen eta behi gutxi elikatuen hazkuntza-tasak handitzeko). Nikelaren beste erabilera industrial batzuk ikerketa-eremuetan galbanizazioan erabiltzea da, besteak beste, nikelezko galbanizazioan eta nikelezko galbanizazio elektrolitikoko prozesuak. Lurzoruaren propietateak erraz bereizten dira lurzoruaren koloretik, egituratik eta karbonato-edukitik. Lurzoruaren ehundura ertaina edo fina da, jatorrizko materialetik eratorria. Izaeraz kolubialak, alubialak edo eolikoak dira. Lurzoru-eremu batzuk orbandun agertzen dira gainazalean eta lurpean, askotan hormigoiarekin eta zuritzailearekin. Hala ere, cambisolek eta estansolek dira eskualdeko lurzoru mota ohikoenak48. 455,1 eta 493,5 m arteko altuerarekin, cambisolek dira nagusi Txekiar Errepublikan49.
Azterketa-eremuaren mapa [Azterketa-eremuaren mapa ArcGIS Desktop erabiliz sortu da (ESRI, Inc, 10.7 bertsioa, URL: https://desktop.arcgis.com).]
Guztira 115 lurzoru lagin lortu ziren Frydek Mistek barrutiko hiri eta hiri inguruko lurzoruetatik. Erabilitako lagin-eredua sare erregularra izan zen, lurzoru laginak 2 × 2 km-ko tartearekin, eta lurzorua 0 eta 20 cm-ko sakoneran neurtu zen eskuzko GPS gailu bat erabiliz (Leica Zeno 5 GPS). Laginak Ziploc poltsetan ontziratzen dira, behar bezala etiketatzen dira eta laborategira bidaltzen dira. Laginak airean lehortu ziren hautsez egindako laginak lortzeko, sistema mekaniko batekin hautsez (Fritsch disko-errota) eta bahetu (2 mm-ko bahearen tamaina). Jarri gramo 1 lehortu, homogeneizatu eta bahetutako lurzoru lagin tefloizko botila argi eta garbi etiketatuetan. Tefloizko ontzi bakoitzean, bota 7 ml % 35eko HCl eta 3 ml % 65eko HNO3 (banagailu automatiko bat erabiliz - bat azido bakoitzeko), estali arinki eta utzi laginak gau osoan erreakziorako (aqua regia programa). Jarri gainnatzailea metalezko plaka bero batean (tenperatura: 100 W eta 160 °C-tan) 2 orduz laginen digestio-prozesua errazteko, eta ondoren hoztu. Gainjarioa 50 ml-ko matraze bolumiko batera eraman eta 50 ml-ra diluitu ur desionizatuarekin. Ondoren, iragazi diluitutako gainjarioa 50 ml-ko PVC hodi batean ur desionizatuarekin. Gainera, diluzio-soluzioaren 1 ml 9 ml ur desionizatuarekin diluitu eta PTE pseudo-kontzentraziorako prestatutako 12 ml-ko hodi batean iragazi zen. PTEen kontzentrazioak (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ICP-OES bidez (Plasma Induktiboki Akoplatuaren Emisio Optikoko Espektroskopia) (Thermo Fisher Scientific, AEB) zehaztu ziren, metodo estandarren eta akordioaren arabera. Kalitate Bermatzeko eta Kontrolatzeko (QA/QC) prozedurak ziurtatu (SRM NIST 2711a Montana II Soil). Erdiaren azpitik detekzio-mugak dituzten PTEak ikerketa honetatik kanpo utzi ziren. Ikerketa honetan erabilitako PTEaren detekzio-muga hau izan zen: 0.0004.(zu).Gainera, analisi bakoitzerako kalitate-kontrola eta kalitate-bermea bermatzen dira erreferentzia-arauak aztertuz.Akatsak ahalik eta txikienak izan daitezen, analisi bikoitza egin zen.
Kriging Bayesiar Enpirikoa (EBK) lurzoruaren zientzia bezalako hainbat arlotan modelizazioan erabiltzen diren interpolazio geoestatistiko teknika askoren artean bat da. Beste kriging interpolazio teknika batzuek ez bezala, EBK kriging metodo tradizionaletatik bereizten da erdibariograma ereduak kalkulatutako errorea kontuan hartzen duelako. EBK interpolazioan, hainbat erdibariograma eredu kalkulatzen dira interpolazioan zehar, erdibariograma bakarraren ordez. Interpolazio teknikek erdibariogramaren grafiko honekin lotutako ziurgabetasunari eta programazioari bide ematen diote, eta hori kriging metodo nahikoa baten zati oso konplexua da. EBKren interpolazio prozesuak Krivoruchkok50 proposatutako hiru irizpideak jarraitzen ditu: (a) ereduak erdibariograma sarrerako datu-multzotik kalkulatzen du (b) sortutako erdibariograman oinarritutako sarrerako datu-multzoaren kokapen bakoitzerako aurreikusitako balio berria eta (c) azken A eredua datu-multzo simulatu batetik kalkulatzen da. Bayesiar ekuazio araua atzeko plano gisa ematen da.
Non \(Prob\left(A\right)\) aurrekoa den, \(Prob\left(B\right)\) probabilitate marjinala kasu gehienetan ez da kontuan hartzen, \(Prob (B,A)\ ). Erdibariogramaren kalkulua Bayes-en arauan oinarritzen da, eta honek erdibariogrametatik sor daitezkeen behaketa-datu-multzoen joera erakusten du. Ondoren, erdibariogramaren balioa Bayes-en araua erabiliz zehazten da, eta honek erdibariogramatik behaketa-datu-multzo bat sortzeko zenbaterainoko probabilitatea duen adierazten du.
Laguntza bektore makina ikaskuntza automatikoaren algoritmo bat da, klase berdinak baina ez linealki independenteak bereizteko hiperplano bereizgarri optimo bat sortzen duena. Vapnik51-ek asmo sailkapen algoritmoa sortu zuen, baina duela gutxi erregresio-orientatutako arazoak konpontzeko erabili da. Li et al.52-ren arabera, SVM sailkatzaile teknika onenetako bat da eta hainbat arlotan erabili da. SVM-ren erregresio osagaia (Support Vector Machine Regression – SVMR) erabili zen analisi honetan. Cherkassky eta ​​Mulier53-ek SVMR aitzindari izan ziren kernel-oinarritutako erregresio gisa, eta kalkulua herrialde anitzeko funtzio espazialak zituen erregresio lineal eredu bat erabiliz egin zen. John et al54-k jakinarazi dute SVMR modelatzeak hiperplanoko erregresio lineala erabiltzen duela, eta horrek harreman ez-linealak sortzen ditu eta funtzio espazialak ahalbidetzen ditu. Vohland et al.-en arabera. 55, epsilon (ε)-SVMR-k entrenatutako datu-multzoa erabiltzen du epsilonarekiko sentikorra ez den funtzio gisa irudikapen-eredu bat lortzeko, datuak modu independentean mapatzeko aplikatzen dena, datu korrelazionatuetan entrenamendutik lortutako epsilon alborapen onenarekin. Aurrez ezarritako distantzia-errorea benetako baliotik alde batera uzten da, eta errorea ε(ε) baino handiagoa bada, lurzoruaren propietateek konpentsatzen dute. Ereduak entrenamendu-datuen konplexutasuna euskarri-bektoreen azpimultzo zabalago batera murrizten du. Vapnik51-ek proposatutako ekuazioa behean erakusten da.
non b-k eskalar-atalasea adierazten duen, \(K\left({x}_{,}{x}_{k}\right)\)-k kernel-funtzioa adierazten duen, \(\alpha\)-k Lagrange biderkatzailea adierazten duen, N-k datu-multzo numeriko bat adierazten duen, \({x}_{k}\)-k datu-sarrera adierazten duen eta \(y\) datu-irteera den.Erabiltzen diren kernel nagusietako bat SVMR eragiketa da, hau da, Gauss-en oinarri erradialaren funtzioa (RBF).RBF kernel-a aplikatzen da SVMR eredu optimoa zehazteko, eta hori funtsezkoa da PTE entrenamendu-datuetarako C zigor-multzo faktore sotilenena eta gamma kernel-parametroa (γ) lortzeko.Lehenik, entrenamendu-multzoa ebaluatu genuen eta gero ereduaren errendimendua probatu genuen balidazio-multzoan.Erabilitako zuzendaritza-parametroa sigma da eta metodoaren balioa svmRadial.
Erregresio lineal anitzeko eredua (MLR) erantzun-aldagaiaren eta hainbat iragarle-aldagairen arteko erlazioa adierazten duen erregresio-eredua da, gutxieneko karratuen metodoa erabiliz kalkulatutako parametro lineal multzokatuak erabiliz. MLR-n, gutxieneko karratuen eredua lurzoruaren propietateen funtzio iragarle bat da, aldagai azaltzaileak hautatu ondoren. Erantzuna erabili behar da aldagai azaltzaileak erabiliz erlazio lineal bat ezartzeko. PTE erantzun-aldagai gisa erabili zen aldagai azaltzaileekin erlazio lineal bat ezartzeko. MLR ekuazioa hau da:
non y erantzun-aldagaia den, \(a\) ebakidura-puntua, n aurreikusleen kopurua, \({b}_{1}\) koefizienteen erregresio partziala den, \({x}_{i}\) aurreikusle edo azalpen-aldagai bat den, eta \({\varepsilon }_{i}\) ereduaren errorea den, hondarra bezala ere ezagutzen dena.
EBK SVMR eta MLRrekin elkartuz lortu ziren eredu mistoak. Horretarako, EBK interpolaziotik aurreikusitako balioak ateratzen dira. Interpolatutako Ca, K eta Mg-tik lortutako aurreikusitako balioak prozesu konbinatorio baten bidez lortzen dira aldagai berriak lortzeko, hala nola CaK, CaMg eta KMg. Ondoren, Ca, K eta Mg elementuak konbinatzen dira laugarren aldagai bat lortzeko, CaKMg. Oro har, lortutako aldagaiak Ca, K, Mg, CaK, CaMg, KMg eta CaKMg dira. Aldagai hauek gure iragarle bihurtu ziren, hiri eta hiri inguruko lurzoruetan nikel kontzentrazioak iragartzen lagunduz. SVMR algoritmoa iragarleetan egin zen Kriging Bayesiar Enpiriko-Support Vector Machine (EBK_SVM) eredu misto bat lortzeko. Era berean, aldagaiak ere MLR algoritmoaren bidez bideratzen dira Kriging Bayesiar Enpiriko-Erregresio Lineal Anizkoitz (EBK_MLR) eredu misto bat lortzeko. Normalean, Ca, K, Mg, CaK, CaMg aldagaiak, KMg eta CaKMg hiri eta hiri inguruko lurzoruetan Ni edukiaren iragarle gisa erabiltzen dira kobariante gisa. Lortutako eredu onargarriena (EBK_SVM edo EBK_MLR) autoantolatutako grafiko bat erabiliz bistaratuko da. Ikerketa honen lan-fluxua 2. irudian ageri da.
SeOM erabiltzea tresna ezaguna bihurtu da finantza sektorean, osasungintzan, industrian, estatistikan, lurzoruaren zientzian eta beste hainbat arlotan datuak antolatzeko, ebaluatzeko eta aurreikusteko. SeOM sare neuronal artifizialak eta ikaskuntza-metodo gainbegiratu gabeak erabiliz sortzen da antolatzeko, ebaluatzeko eta aurreikusteko. Ikerketa honetan, SeOM erabili da Ni kontzentrazioak bistaratzeko, hiri eta hiri inguruko lurzoruetan Ni aurreikusteko eredurik onenean oinarrituta. SeOM ebaluazioan prozesatutako datuak n sarrera-dimentsioko bektore aldagai gisa erabiltzen dira43,56. Melssen et al. 57 irudiek sarrera bektore baten konexioa deskribatzen dute sare neuronal batera, sarrera geruza bakar baten bidez, pisu bektore bakarra duen irteera bektore batera. SeOM-ek sortutako irteera bi dimentsioko mapa bat da, neurona edo nodo desberdinez osatua, mapa topologiko hexagonal, zirkular edo karratuetan ehunduta, haien hurbiltasunaren arabera. Metrikaren, kuantizazio errorearen (QE) eta errore topografikoaren (TE) araberako mapa tamainak alderatuz, 0,086 eta 0,904 dituen SeOM eredua hautatzen da, hurrenez hurren, hau da, 55 mapako unitate bat (5 × 11). Neuronen egitura ekuazio enpirikoko nodo kopuruaren arabera zehazten da.
Ikerketa honetan erabilitako datu kopurua 115 lagin da. Ausazko ikuspegi bat erabili da datuak proba-datuetan (% 25 baliozkotzeko) eta entrenamendu-datu multzoetan (% 75 kalibraziorako) banatzeko. Entrenamendu-datu multzoa erregresio-eredua (kalibrazioa) sortzeko erabiltzen da, eta proba-datu multzoa orokortze-gaitasuna egiaztatzeko erabiltzen da58. Hau lurzoruetan nikel-edukia aurreikusteko hainbat ereduren egokitasuna ebaluatzeko egin zen. Erabilitako eredu guztiak hamar aldiz errepikatutako baliozkotze gurutzatuko prozesu batetik igaro ziren, bost aldiz errepikatuta. EBK interpolazioak sortutako aldagaiak aurreikusle edo azalpen-aldagai gisa erabiltzen dira helburu-aldagaia (PTE) aurreikusteko. Modelatzea RStudio-n kudeatzen da library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") eta libraries("Metrics") paketeak erabiliz.
Lurzoruko nikel kontzentrazioak aurreikusteko eredurik egokiena zehazteko eta ereduaren zehaztasuna eta baliozkotzea ebaluatzeko hainbat balidazio parametro erabili ziren. Hibridazio ereduak batez besteko errore absolutua (MAE), erro karratu ertainaren errorea (RMSE) eta R karratua edo koefizientearen zehaztapena (R2) erabiliz ebaluatu ziren. R2-k erantzunaren proportzioen bariantza definitzen du, erregresio ereduak irudikatuta. RMSE-k eta neurri independenteetan bariantzaren magnitudeak ereduaren aurreikuspen ahalmena deskribatzen dute, eta MAE-k benetako balio kuantitatiboa zehazten du. R2 balioa altua izan behar da balidazio parametroak erabiliz nahasketa eredurik onena ebaluatzeko; balioa 1etik zenbat eta hurbilago egon, orduan eta zehaztasun handiagoa. Li et al. 59-ren arabera, 0,75eko edo handiagoa den R2 irizpide balioa aurreikusle ona dela uste da; 0,5etik 0,75era bitartekoa ereduaren errendimendu onargarria da, eta 0,5etik beherakoa ereduaren errendimendu onartezina. RMSE eta MAE balidazio irizpideen ebaluazio metodoak erabiliz eredu bat hautatzerakoan, lortutako balio baxuagoak nahikoak izan ziren eta aukerarik onena bezala hartu ziren. Hurrengo ekuazioak egiaztapen metodoa deskribatzen du.
non n-k behatutako balioaren tamaina adierazten duen\({Y}_{i}\)-k neurtutako erantzuna adierazten duen, eta \({\widehat{Y}}_{i}\)-k ere aurreikusitako erantzun-balioa adierazten duen, beraz, lehenengo i behaketetarako.
Aurreikusle eta erantzun aldagaien deskribapen estatistikoak 1. taulan aurkezten dira, batez bestekoa, desbideratze estandarra (DE), aldakuntza koefizientea (CV), minimoa, maximoa, kurtosia eta asimetria erakutsiz. Elementuen balio minimoak eta maximoak beheranzko ordenan daude: Mg < Ca < K < Ni eta Ca < Mg < K < Ni, hurrenez hurren. Ikerketa eremutik hartutako erantzun aldagaiaren (Ni) kontzentrazioak 4,86 ​​eta 42,39 mg/kg artekoak izan ziren. Ni-ren munduko batez bestekoarekin (29 mg/kg) eta Europako batez bestekoarekin (37 mg/kg) alderatzeak erakutsi zuen ikerketa eremurako kalkulatutako batez besteko geometriko orokorra onargarritasun tartean zegoela. Hala ere, Kabata-Pendias11-k erakusten duen bezala, egungo ikerketan nikelaren (Ni) batez besteko kontzentrazioaren eta Suediako nekazaritza lurzoruen arteko alderaketak erakusten du egungo nikelaren batez besteko kontzentrazioa handiagoa dela. Era berean, egungo ikerketan hiri eta hiri inguruko lurzoruetan Frydek Mistek-en batez besteko kontzentrazioa (Ni 16,15 mg/kg) handiagoa izan zen... Różański et al.-ek jakinarazitako 60ko (10,2 mg/kg) muga onargarria Ni-rentzat Poloniako hiri-lurzoruetan. Gainera, Bretzel eta Calderisi61-ek oso batez besteko Ni kontzentrazio baxuak erregistratu zituzten (1,78 mg/kg) Toskanako hiri-lurzoruetan, egungo ikerketarekin alderatuta. Jim62-k nikel kontzentrazio txikiagoa ere aurkitu zuen (12,34 mg/kg) Hong Kongeko hiri-lurzoruetan, hau da, ikerketa honetako nikel kontzentrazio egungoa baino txikiagoa. Birke et al.63-k 17,6 mg/kg-ko batez besteko Ni kontzentrazioa jakinarazi zuten Saxonia-Anhalteko (Alemania) meatze eta hiri-industria eremu zahar batean, hau da, eremuko batez besteko Ni kontzentrazioa (16,15 mg/kg) baino 1,45 mg/kg handiagoa. Gaur egungo ikerketa. Azterketa-eremuko hiri eta aldirietako eremu batzuetako lurzoruetan nikel eduki gehiegizkoa siderurgia industriari eta metal industriari egotz dakieke batez ere. Hori Khodadoust et al.-en ikerketarekin bat dator. 64. artikuluak dio altzairuaren industria eta metalgintza direla lurzoruetan nikel kutsaduraren iturri nagusiak. Hala ere, aurreikusleak 538,70 mg/kg-tik 69.161,80 mg/kg-ra bitartekoak izan ziren Ca-rentzat, 497,51 mg/kg-tik 3535,68 mg/kg-ra K-rentzat, eta 685,68 mg/kg-tik 5970,05 mg/kg-ra Mg-rentzat. Jakovljevic et al. 65ek Serbiako erdialdeko lurzoruen Mg eta K eduki osoa ikertu zuen. Ikusi zuten kontzentrazio osoak (410 mg/kg eta 400 mg/kg, hurrenez hurren) egungo ikerketako Mg eta K kontzentrazioak baino txikiagoak zirela. Bereiztezina da, Poloniako ekialdean, Orzechowski eta Smolczynski66-k Ca, Mg eta K eduki osoa ebaluatu zuten eta Ca (1100 mg/kg), Mg (590 mg/kg) eta K (810 mg/kg) batez besteko kontzentrazioak erakutsi zituzten. Lurzoruaren gainazaleko edukia elementu bakarrean baino txikiagoa da ikerketa honetan. Pongrac et al.-ek egindako azken ikerketa batek 67 erakutsi zuen Erresuma Batuko Eskoziako 3 lurzoru ezberdinetan (Mylnefield lurzorua, Balruddery lurzorua eta Hartwood lurzorua) aztertutako Ca eduki osoak Ca eduki handiagoa adierazi zuela ikerketa honetan.
Lagindutako elementuen kontzentrazio neurtu desberdinak direla eta, elementuen datu-multzoen banaketek asimetria desberdina erakusten dute. Elementuen asimetria eta kurtosia 1,53tik 7,24ra eta 2,49tik 54,16ra bitartekoak izan ziren, hurrenez hurren. Kalkulatutako elementu guztiek +1etik gorako asimetria eta kurtosia mailak dituzte, eta horrek adierazten du datuen banaketa irregularra dela, norabide egokian okertua eta gailurra duela. Elementuen kalkulatutako CV-ek ere erakusten dute K-k, Mg-k eta Ni-k aldakortasun moderatua dutela, Ca-k, berriz, aldakortasun oso handia duela. K-ren, Ni-ren eta Mg-ren CV-ek azaltzen dute haien banaketa uniformea. Gainera, Ca banaketa ez-uniformea ​​da eta kanpoko iturriek bere aberaste-maila eragin dezakete.
Aurreikusle aldagaien eta erantzun elementuen arteko korrelazioak elementuen arteko korrelazio egokia adierazi zuen (ikus 3. irudia). Korrelazioak adierazi zuen CaK-k korrelazio moderatua erakusten zuela r balioa = 0,53rekin, baita CaNi-k ere. Ca eta K-k elkarren arteko lotura apalak erakusten dituzten arren, Kingston et al. bezalako ikertzaileek. 68 eta Santo69-k iradokitzen dute lurzoruan duten maila alderantziz proportzionala dela. Hala ere, Ca eta Mg K-ren antagonikoak dira, baina CaK ondo korrelazionatzen da. Hori potasio karbonatoa bezalako ongarrien aplikazioari zor zaio, potasioan % 56 handiagoa baita. Potasioa magnesioarekin neurriz korrelazionatuta zegoen (KM r = 0,63). Ongarrien industrian, bi elementu hauek estuki lotuta daude, potasio magnesio sulfatoa, potasio magnesio nitratoa eta potasa lurzoruetan aplikatzen baitira haien gabezia mailak handitzeko. Nikela neurriz korrelazionatuta dago Ca, K eta Mg-rekin, r balioak = 0,52, 0,63 eta 0,55 direlarik, hurrenez hurren. Kaltzioaren, magnesioaren eta nikela bezalako PTEen arteko erlazioak konplexuak dira, baina hala ere, magnesioak kaltzioaren xurgapena inhibitzen du, kaltzioak magnesio gehiegizkoaren efektuak murrizten ditu, eta magnesioak zein kaltzioak nikelaren efektu toxikoak murrizten dituzte lurzoruan.
Elementuen korrelazio-matrizea, aurreikusleen eta erantzunen arteko erlazioa erakusten duena (Oharra: irudi honek elementuen arteko sakabanaketa-diagrama bat barne hartzen du, esangura-mailak p < 0,001-en oinarritzen dira).
4. irudiak elementuen banaketa espaziala erakusten du. Burgos et al70-ren arabera, banaketa espazialaren aplikazioa kutsatutako eremuetako puntu beroak kuantifikatzeko eta nabarmentzeko erabiltzen den teknika bat da. 4. irudiko Ca-ren aberaste mailak banaketa espazialaren maparen ipar-mendebaldeko zatian ikus daitezke. Irudiak Ca aberaste puntu bero ertainak eta altuak erakusten ditu. Maparen ipar-mendebaldeko kaltzio aberastea ziurrenik kare bizia (kaltzio oxidoa) erabiltzeagatik da lurzoruaren azidotasuna murrizteko eta altzairu-lantegietan oxigeno alkalino gisa erabiltzeagatik altzairua ekoizteko prozesuan. Bestalde, beste nekazari batzuek kaltzio hidroxidoa erabiltzea nahiago dute lurzoru azidoetan pH-a neutralizatzeko, eta horrek lurzoruaren kaltzio edukia ere handitzen du71. Potasiak puntu beroak ere erakusten ditu maparen ipar-mendebaldean eta ekialdean. Ipar-mendebaldea nekazaritza-komunitate garrantzitsua da, eta potasioaren eredu ertain-altua NPK eta potasa aplikazioen ondorioz izan daiteke. Hori bat dator beste ikerketa batzuekin, hala nola Madaras eta Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, zeinek... lurzoruaren egonkortzeak eta KCl eta NPK-rekin tratatzeak lurzoruan K eduki handia eragin zuela ikusi zuten. Banaketa-maparen ipar-mendebaldean potasioaren aberastasun espaziala potasioan oinarritutako ongarriak, hala nola potasio kloruroa, potasio sulfatoa, potasio nitratoa, potasa eta potasa, lurzoru pobreen potasio edukia handitzeko erabiltzearen ondorio izan daiteke. Zádorová et al. 76 eta Tlustoš et al. 77. artikuluak adierazi zuen K-n oinarritutako ongarrien aplikazioak lurzoruko K edukia handitzen zuela eta epe luzera lurzoruko mantenugaien edukia nabarmen handituko zuela, batez ere K eta Mg-k lurzoruan puntu bero bat erakusten dutelako. Mapako ipar-mendebaldean eta hego-ekialdean puntu bero nahiko moderatuak daude. Lurzoruan koloideen finkapenak magnesioaren kontzentrazioa gutxitzen du lurzoruan. Lurzoruan duen gabeziak landareei zain arteko klorosi horixka erakustea eragiten die. Magnesioan oinarritutako ongarriek, hala nola potasio magnesio sulfatoak, magnesio sulfatoak eta Kieseritak, pH tarte normala duten lurzoruetan gabeziak tratatzen dituzte (landareak moreak, gorriak edo marroiak agertzen dira, magnesio gabezia adieraziz)6. Nikelaren metaketa hiri eta hiri inguruko lurzoruaren gainazalean nekazaritza bezalako jarduera antropogenikoen eta nikelaren garrantziaren ondorio izan daiteke78.
Elementuen banaketa espaziala [banaketa espazialaren mapa ArcGIS Desktop erabiliz sortu da (ESRI, Inc, 10.7 bertsioa, URL: https://desktop.arcgis.com).]
Ikerketa honetan erabilitako elementuen ereduaren errendimendu-indizearen emaitzak 2. taulan ageri dira. Bestalde, Ni-ren RMSE eta MAE zerotik gertu daude (0,86 RMSE, -0,08 MAE). Bestalde, K-ren RMSE eta MAE balioak onargarriak dira. RMSE eta MAE emaitzak handiagoak izan ziren kaltzio eta magnesioarentzat. Ca eta K MAE eta RMSE emaitzak handiagoak dira datu-multzo desberdinak direla eta. Ni aurreikusteko EBK erabiliz egindako ikerketa honen RMSE eta MAE John et al.-en 54 emaitzak baino hobeak direla ikusi da, lurzoruko S kontzentrazioak aurreikusteko kriging sinergikoa erabiliz bildutako datu berdinak erabiliz. Aztertu ditugun EBK irteerak Fabijaczyk et al.-en 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 eta John et al. 82-renekin korrelatzen dira, batez ere K eta Ni-rekin.
Nikel edukia hiri eta hiri inguruko lurzoruetan aurreikusteko metodo indibidualen errendimendua ebaluatu zen modeloen errendimendua erabiliz (3. taula). Modeloaren baliozkotzeak eta zehaztasunaren ebaluazioak baieztatu zuten Ca_Mg_K aurreikusleak EBK SVMR modeloarekin konbinatuta eman zuela errendimendurik onena. Ca_Mg_K-EBK_SVMR kalibrazio modeloaren R2 eredua, erro karratu ertainaren errorea (RMSE) eta errore absolutu ertaina (MAE) 0,637 (R2), 95,479 mg/kg (RMSE) eta 77,368 mg/kg (MAE) izan ziren. Ca_Mg_K-SVMR 0,663 (R2), 235,974 mg/kg (RMSE) eta 166,946 mg/kg (MAE) izan zen. Hala ere, R2 balio onak lortu ziren Ca_Mg_K-SVMR-rentzat (0,663 mg/kg R2) eta Ca_Mg-EBK_SVMR-rentzat (0,643 = R2); haien RMSE eta MAE emaitzak Ca_Mg_K-EBK_SVMR-enak baino altuagoak izan ziren (R2 0.637) (ikus 3. taula). Gainera, Ca_Mg-EBK_SVMR ereduaren RMSE eta MAE (RMSE = 1664.64 eta MAE = 1031.49) 17.5 eta 13.4 dira, hurrenez hurren, Ca_Mg_K-EBK_SVMR-enak baino handiagoak direnak. Era berean, Ca_Mg-K SVMR ereduaren RMSE eta MAE (RMSE = 235.974 eta MAE = 166.946) 2.5 eta 2.2 handiagoak dira Ca_Mg_K-EBK_SVMR RMSE eta MAE-enak baino, hurrenez hurren. Kalkulatutako RMSE emaitzek datu-multzoa doikuntza-lerro onenarekin zenbateraino kontzentratuta dagoen adierazten dute. RSME eta MAE handiagoak ikusi ziren. Honen arabera Kebonye et al. 46 eta john et al. 54-k diotenez, RMSE eta MAE zerotik zenbat eta hurbilago egon, orduan eta emaitza hobeak dira. SVMR eta EBK_SVMR-k RSME eta MAE balio kuantizatu altuagoak dituzte. Ikusi zen RSME estimazioak MAE balioak baino etengabe altuagoak zirela, eta horrek muturreko balioak zeudela adierazten du. Legates eta McCabe83-ren arabera, RMSE-k batez besteko errore absolutua (MAE) gainditzen duen neurria muturreko balioen presentziaren adierazle gisa gomendatzen da. Horrek esan nahi du datu-multzoa zenbat eta heterogeneoagoa izan, orduan eta handiagoak direla MAE eta RMSE balioak. Hiri eta hiri-lurzoruetan Ni edukia aurreikusteko Ca_Mg_K-EBK_SVMR eredu mistoaren gurutzadura-balioztatzearen zehaztasuna % 63,70ekoa izan zen. Li et al. 59-ren arabera, zehaztasun-maila hau ereduaren errendimendu-tasa onargarria da. Oraingo emaitzak Tarasov et al.-ek egindako aurreko ikerketa batekin alderatzen dira. 36, zeinen eredu hibridoak MLPRK (Multilayer Perceptron Residual Kriging) sortu zuen, egungo ikerketan jakinarazitako EBK_SVMR zehaztasun-ebaluazio-indizearekin erlazionatuta, RMSE (210) eta MAE (167,5) egungo ikerketako gure emaitzak baino handiagoa izan zen (RMSE 95,479, MAE 77,368). Hala ere, egungo ikerketaren R2 (0,637) Tarasov et al.-enarekin alderatzean. 36 (0.544) irudian, argi dago determinazio-koefizientea (R2) handiagoa dela eredu misto honetan. Eredu mistoaren errore-marjina (RMSE eta MAE) (EBK SVMR) bi aldiz txikiagoa da. Era berean, Sergeev et al.34-k 0.28 (R2) erregistratu zuten garatutako eredu hibridoarentzat (Multilayer Perceptron Residual Kriging), eta egungo ikerketan Ni-k 0.637 (R2) erregistratu zuen. Eredu honen iragarpen-zehaztasun maila (EBK SVMR) % 63,7koa da, eta Sergeev et al.34-k lortutako iragarpen-zehaztasuna % 28koa. EBK_SVMR eredua eta Ca_Mg_K iragarle gisa erabiliz sortutako azken mapak (5. irudia), puntu beroen eta nikel-maila moderatuaren iragarpenak erakusten ditu azterketa-eremu osoan. Horrek esan nahi du azterketa-eremuan nikelaren kontzentrazioa batez ere moderatua dela, kontzentrazio handiagoekin eremu espezifiko batzuetan.
Azken iragarpen mapa EBK_SVMR eredu hibridoa erabiliz irudikatzen da eta Ca_Mg_K iragarle gisa erabiliz.[Banaketa espazialaren mapa RStudio erabiliz sortu zen (1.4.1717 bertsioa: https://www.rstudio.com/).]
6. irudian PTE kontzentrazioak neurona indibidualez osatutako konposizio-plano gisa aurkezten dira. Osagai-planoetako batek ere ez zuen erakusten den kolore-eredu bera erakutsi. Hala ere, marraztutako mapa bakoitzeko neurona kopuru egokia 55 da. SeOM kolore ugari erabiliz sortzen da, eta kolore-ereduak zenbat eta antzekoagoak izan, orduan eta konparagarriagoak izango dira laginen propietateak. Beren kolore-eskala zehatzaren arabera, elementu indibidualek (Ca, K eta Mg) kolore-eredu antzekoak erakutsi zituzten neurona altu bakarrei eta neurona baxu gehienei. Beraz, CaK eta CaMg-k antzekotasun batzuk dituzte neurona oso altuekin eta kolore-eredu baxu-ertainekin. Bi ereduek lurzoruko Ni-ren kontzentrazioa aurreikusten dute gorria, laranja eta horia bezalako koloreen tonu ertain eta altuak erakutsiz. KMg ereduak kolore-eredu asko erakusten ditu proportzio zehatzetan eta kolore-orban baxu-ertainetan oinarrituta. Baxutik altuera kolore-eskala zehatz batean, ereduaren osagaien banaketa-eredu planarrak kolore-eredu altua erakutsi zuen, lurzoruan nikelaren kontzentrazio potentziala adierazten duena (ikus 4. irudia). CakMg ereduaren osagai-planoak kolore-eredu anitza erakusten du baxutik altuera,... kolore-eskala zehatza.Gainera, modeloak nikel edukiaren (CakMg) iragarpena 5. irudian erakusten den nikelaren banaketa espazialaren antzekoa da.Bi grafikoek nikel kontzentrazioen proportzio altuak, ertainak eta baxuak erakusten dituzte hiri eta hiri inguruko lurzoruetan.7. irudiak mapan k-batez bestekoen taldekatzean kontura-metodoa erakusten du, hiru multzotan banatuta, modelo bakoitzean aurreikusitako balioaren arabera.Kontura-metodoak multzo kopuru optimoa adierazten du.Bildutako 115 lurzoru-laginetatik, 1. kategoriak lortu zituen lurzoru-lagin gehien, 74.2. multzoak 33 lagin jaso zituen, eta 3. multzoak, berriz, 8.Zazpi osagaiko planar iragarleen konbinazioa sinplifikatu egin zen multzoen interpretazio zuzena ahalbidetzeko.Lurzoruaren eraketan eragina duten prozesu antropogeniko eta natural ugari direla eta, zaila da multzo-eredu bereiziak izatea SeOM mapa banatu batean78.
EBK_SVM_SeOM (Empirical Bayesian Kriging Support Vector Machine) aldagai bakoitzak sortutako osagai-planoaren irteera.[SeOM mapak RStudio erabiliz sortu ziren (1.4.1717 bertsioa: https://www.rstudio.com/).]
Klusterren sailkapen osagai desberdinak [SeOM mapak RStudio erabiliz sortu ziren (1.4.1717 bertsioa: https://www.rstudio.com/).]
Oraingo ikerketak argi erakusten ditu hiri eta hiri inguruko lurzoruetan nikel kontzentrazioen modelizazio teknikak. Ikerketak modelizazio teknika desberdinak probatu zituen, elementuak modelizazio teknikekin konbinatuz, lurzoruko nikel kontzentrazioak aurreikusteko modurik onena lortzeko. Modelizazio teknikaren SeOM konposizio planar espazialen ezaugarriek kolore eredu altuko bat erakutsi zuten baxutik altuera kolore eskala zehatz batean, lurzoruko Ni kontzentrazioak adieraziz. Hala ere, banaketa espazialaren mapak EBK_SVMR-k erakusten duen osagaien banaketa espazial planarra berresten du (ikus 5. irudia). Emaitzek erakusten dute laguntza bektore makinaren erregresio ereduak (CaMgK-SVMR) lurzoruko Ni kontzentrazioa aurreikusten duela eredu bakar gisa, baina balidazio eta zehaztasun ebaluazio parametroek errore oso handiak erakusten dituzte RMSE eta MAE aldetik. Bestalde, EBK_MLR ereduarekin erabilitako modelizazio teknikak ere akatsak ditu determinazio koefizientearen (R2) balio baxuagatik. Emaitza onak lortu ziren EBK SVMR eta elementu konbinatuak (CaKMg) erabiliz, RMSE eta MAE errore baxuekin, % 63,7ko zehaztasunarekin. Badirudi EBK algoritmoa ikaskuntza automatiko batekin konbinatzeak... Algoritmoak lurzoruko PTEen kontzentrazioa aurreikus dezakeen algoritmo hibrido bat sor dezake. Emaitzek erakusten dute CaMgK iragarle gisa erabiltzeak ikerketa-eremuko Ni kontzentrazioak aurreikusteko lurzoruetako Ni iragarpena hobetu dezakeela. Horrek esan nahi du nikel-oinarritutako ongarriak etengabe aplikatzeak eta altzairu-industriak lurzoruaren kutsadura industrialak lurzoruko nikelaren kontzentrazioa handitzeko joera duela. Ikerketa honek agerian utzi du EBK ereduak errore-maila murriztu eta lurzoruaren banaketa espazialaren ereduaren zehaztasuna hobetu dezakeela hiri- edo hiri-inguruko lurzoruetan. Oro har, EBK-SVMR eredua aplikatzea proposatzen dugu lurzoruko PTE ebaluatu eta aurreikusteko; gainera, EBK erabiltzea proposatzen dugu makina-ikaskuntzako hainbat algoritmorekin hibridatzeko. Ni kontzentrazioak elementuak kobariante gisa erabiliz iragarri ziren; hala ere, kobariante gehiago erabiltzeak ereduaren errendimendua asko hobetuko luke, eta hori egungo lanaren mugatzat har daiteke. Ikerketa honen beste muga bat da datu-multzoen kopurua 115 dela. Beraz, datu gehiago ematen badira, proposatutako hibridazio-metodo optimizatuaren errendimendua hobetu daiteke.
PlantProbs.net. Nikela landareetan eta lurzoruan https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021eko apirilaren 28an kontsultatua).
Kasprzak, KS Nikelaren aurrerapenak ingurumen-toxikologia modernoan. inguruak. toxikologia. 11, 145–183 (1987).
Cempel, M. eta Nikel, G. Nikela: Bere iturrien eta ingurumen-toxikologiaren berrikuspena. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. eta Hutchinson, TC Atmosferatik datorren kutsatzaile-sarrera eta lurzoruan eta landaredian metatzea nikel-kobre urtze-lantegi baten ondoan, Sudbury-n (Ontario, Kanada).can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Lurzoruko metal astunak, landareak eta Botswanako Selebi-Phikwe kobre-nikel meategiaren ondoan larreetan dauden hausnarkariekin lotutako arriskuak. Inguruak. Geokimika. Osasuna https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Lurzoruko oligoelementuak eta… – Google Scholar 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= (2020ko azaroaren 24an kontsultatua).
Almås, A., Singh, B., Nekazaritza, TS-NJ of & 1995, definitu gabea. Errusiako nikel industriaren eraginak Soer-Varanger-eko (Norvegia) nekazaritza-lurzoruetan eta belarretan dauden metal astunen kontzentrazioetan.agris.fao.org.
Nielsen, GD et al. Nikelaren xurgapena eta atxikipena edateko uretan janari-ingestarekin eta nikelarekiko sentikortasunarekin lotuta daude. toxikologia. aplikazioa. Farmakodinamika. 154, 67–75 (1999).
Costa, M. & Klein, CB Nikelaren kartzinogenesia, mutazioa, epigenetika edo hautaketa. Ingurunea. Osasun Perspektiba. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Elementu potentzialki toxikoen joeren azterketa: berrikuspen bibliometrikoa. Ingurumen Geokimika eta Osasuna. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. eta McBratney, AB Lurzoruaren Mapak Digitalki: Historia Laburra eta Zenbait Ikasgai. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Urtegien Modelizazio Geoestatistikoa,… – 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= (2021eko apirilaren 28an kontsultatua).