از بازدید شما از Nature.com متشکریم. نسخه مرورگری که استفاده می‌کنید پشتیبانی محدودی از CSS دارد. برای بهترین تجربه، توصیه می‌کنیم از یک مرورگر به‌روز استفاده کنید (یا حالت سازگاری را در Internet Explorer غیرفعال کنید). در عین حال، برای اطمینان از ادامه پشتیبانی، سایت را بدون استایل‌ها و جاوا اسکریپت نمایش خواهیم داد.
آلودگی خاک یک مشکل بزرگ ناشی از فعالیت‌های انسانی است. توزیع مکانی عناصر بالقوه سمی (PTE) در بیشتر مناطق شهری و حومه شهری متفاوت است. بنابراین، پیش‌بینی مکانی محتوای PTE در چنین خاک‌هایی دشوار است. در مجموع 115 نمونه از Frydek Mistek در جمهوری چک جمع‌آوری شد. غلظت کلسیم (Ca)، منیزیم (Mg)، پتاسیم (K) و نیکل (Ni) با استفاده از طیف‌سنجی نشر پلاسمای جفت‌شده القایی تعیین شد. متغیر پاسخ Ni و پیش‌بینی‌کننده‌ها Ca، Mg و K هستند. ماتریس همبستگی بین متغیر پاسخ و متغیر پیش‌بینی‌کننده، همبستگی رضایت‌بخشی را بین عناصر نشان می‌دهد. نتایج پیش‌بینی نشان داد که رگرسیون ماشین بردار پشتیبان (SVMR) عملکرد خوبی داشته است، اگرچه خطای جذر میانگین مربعات (RMSE) تخمینی آن (235.974 میلی‌گرم بر کیلوگرم) و میانگین خطای مطلق (MAE) (166.946 میلی‌گرم بر کیلوگرم) بالاتر از سایر روش‌های اعمال شده بود. مدل‌های ترکیبی برای رگرسیون خطی چندگانه بیزی تجربی (EBK-MLR) عملکرد ضعیفی دارند، همانطور که ضرایب تعیین کمتر از 0.1 نشان می‌دهد. مدل رگرسیون ماشین بردار پشتیبان-کریگینگ بیزی تجربی (EBK-SVMR) بهترین مدل بود، با مقادیر RMSE پایین (95.479 میلی‌گرم بر کیلوگرم) و MAE (77.368 میلی‌گرم بر کیلوگرم) و ضریب تعیین بالا (R2 = 0.637). خروجی تکنیک مدل‌سازی EBK-SVMR با استفاده از یک نقشه خودسازمانده تجسم می‌شود. نورون‌های خوشه‌ای در صفحه مدل ترکیبی CakMg-EBK-SVMR الگوهای رنگی متعددی را نشان می‌دهند که غلظت نیکل را در خاک‌های شهری و اطراف شهری پیش‌بینی می‌کنند. نتایج نشان می‌دهد که ترکیب EBK و SVMR یک تکنیک مؤثر برای پیش‌بینی غلظت نیکل در خاک‌های شهری و اطراف شهری است.
نیکل (Ni) به عنوان یک ریزمغذی برای گیاهان در نظر گرفته می‌شود زیرا به تثبیت نیتروژن جوی (N) و متابولیسم اوره کمک می‌کند، که هر دو برای جوانه‌زنی بذر مورد نیاز هستند. علاوه بر سهم آن در جوانه‌زنی بذر، نیکل می‌تواند به عنوان یک مهارکننده قارچی و باکتریایی عمل کند و رشد گیاه را تقویت کند. کمبود نیکل در خاک به گیاه اجازه می‌دهد تا آن را جذب کند و در نتیجه کلروز برگ‌ها ایجاد شود. به عنوان مثال، لوبیا چشم بلبلی و لوبیا سبز برای بهینه‌سازی تثبیت نیتروژن به استفاده از کودهای مبتنی بر نیکل نیاز دارند. استفاده مداوم از کودهای مبتنی بر نیکل برای غنی‌سازی خاک و افزایش توانایی حبوبات در تثبیت نیتروژن در خاک، غلظت نیکل را در خاک به طور مداوم افزایش می‌دهد. اگرچه نیکل یک ریزمغذی برای گیاهان است، اما مصرف بیش از حد آن در خاک می‌تواند ضرر بیشتری نسبت به فایده داشته باشد. سمیت نیکل در خاک، pH خاک را به حداقل می‌رساند و مانع جذب آهن به عنوان یک ماده مغذی ضروری برای رشد گیاه می‌شود. طبق گفته لیو، نیکل هفدهمین عنصر مهم مورد نیاز برای رشد و نمو گیاه است. علاوه بر نقش نیکل در رشد و نمو گیاه، انسان برای کاربردهای متنوعی به آن نیاز دارد. آبکاری الکتریکی، تولید آلیاژهای پایه نیکل و ساخت دستگاه‌های احتراق و شمع‌ها در صنعت خودرو، همگی نیازمند استفاده از نیکل در بخش‌های مختلف صنعتی هستند. علاوه بر این، آلیاژهای پایه نیکل و اقلام آبکاری شده به طور گسترده در ظروف آشپزخانه، لوازم جانبی سالن‌های رقص، لوازم صنایع غذایی، لوازم الکتریکی، سیم و کابل، توربین‌های جت، ایمپلنت‌های جراحی، منسوجات و کشتی‌سازی استفاده شده‌اند. سطوح غنی از نیکل در خاک‌ها (یعنی خاک‌های سطحی) به منابع انسانی و طبیعی نسبت داده شده است، اما در درجه اول، نیکل یک منبع طبیعی است تا انسانی. منابع طبیعی نیکل شامل فوران‌های آتشفشانی، پوشش گیاهی، آتش‌سوزی جنگل‌ها و فرآیندهای زمین‌شناسی است. با این حال، منابع انسانی شامل باتری‌های نیکل/کادمیوم در صنعت فولاد، آبکاری الکتریکی، جوشکاری قوسی، دیزل و روغن‌های سوختی و انتشار گازهای جوی ناشی از احتراق زغال سنگ و سوزاندن زباله و لجن است. تجمع نیکل. طبق گفته فریدمن و هاچینسون و مانیوا و همکاران. همانطور که در 10 آمده است، منابع اصلی آلودگی خاک سطحی در محیط اطراف و مجاور، عمدتاً کارخانه‌های ذوب و معادن مبتنی بر نیکل-مس هستند. خاک سطحی اطراف پالایشگاه نیکل-مس سادبری در کانادا بالاترین میزان آلودگی نیکل را با 26000 میلی‌گرم بر کیلوگرم داشت. در مقابل، آلودگی ناشی از تولید نیکل در روسیه منجر به غلظت بالاتر نیکل در خاک نروژ شده است. طبق گفته آلمز و همکاران. در 12، مقدار نیکل قابل استخراج با HNO3 در زمین‌های زراعی برتر منطقه (تولید نیکل در روسیه) از 6.25 تا 136.88 میلی‌گرم بر کیلوگرم متغیر بود که معادل میانگین 30.43 میلی‌گرم بر کیلوگرم و غلظت پایه 25 میلی‌گرم بر کیلوگرم است. طبق گفته کاباتا 11، استفاده از کودهای فسفره در خاک‌های کشاورزی در خاک‌های شهری یا حومه شهری در طول فصول متوالی کشت می‌تواند خاک را آلوده یا آلوده کند. اثرات بالقوه نیکل در انسان ممکن است از طریق جهش‌زایی، آسیب کروموزومی، تولید Z-DNA، ترمیم انسدادی برش DNA یا فرآیندهای اپی‌ژنتیک منجر به سرطان شود13. در آزمایش‌های حیوانی، مشخص شده است که نیکل پتانسیل ایجاد انواع تومورها را دارد و کمپلکس‌های سرطان‌زای نیکل ممکن است چنین تومورهایی را تشدید کنند.
ارزیابی آلودگی خاک در سال‌های اخیر به دلیل طیف گسترده‌ای از مسائل مرتبط با سلامت ناشی از روابط خاک-گیاه، روابط بیولوژیکی خاک و خاک، تخریب اکولوژیکی و ارزیابی اثرات زیست‌محیطی رونق گرفته است. تا به امروز، پیش‌بینی مکانی عناصر بالقوه سمی (PTEs) مانند نیکل در خاک با استفاده از روش‌های سنتی دشوار و زمان‌بر بوده است. ظهور نقشه‌برداری دیجیتال خاک (DSM) و موفقیت فعلی آن15، نقشه‌برداری پیش‌بینی‌کننده خاک (PSM) را تا حد زیادی بهبود بخشیده است. طبق گفته میناسنی و مک‌براتنی16، نقشه‌برداری پیش‌بینی‌کننده خاک (DSM) به عنوان یک زیرشاخه برجسته از علوم خاک شناخته شده است. لاگاچری و مک‌براتنی، 2006، DSM را به عنوان "ایجاد و تکمیل سیستم‌های اطلاعات مکانی خاک از طریق استفاده از روش‌های مشاهده‌ای درجا و آزمایشگاهی و سیستم‌های استنتاج مکانی و غیرمکانی خاک" تعریف می‌کنند. مک‌براتنی و همکاران. ۱۷ توضیح می‌دهد که DSM یا PSM معاصر، موثرترین تکنیک برای پیش‌بینی یا نقشه‌برداری از توزیع مکانی PTEها، انواع خاک و خواص خاک است. زمین‌آمار و الگوریتم‌های یادگیری ماشین (MLA) تکنیک‌های مدل‌سازی DSM هستند که با کمک رایانه‌ها و با استفاده از داده‌های قابل توجه و حداقلی، نقشه‌های دیجیتالی ایجاد می‌کنند.
Deutsch18 و Olea19 زمین‌آمار را به عنوان «مجموعه‌ای از تکنیک‌های عددی که با نمایش ویژگی‌های مکانی سروکار دارند، عمدتاً با استفاده از مدل‌های تصادفی، مانند نحوه توصیف داده‌های زمانی توسط تحلیل سری‌های زمانی» تعریف می‌کنند. در درجه اول، زمین‌آمار شامل ارزیابی واریوگرام‌ها است که امکان کمی‌سازی و تعریف وابستگی‌های مقادیر مکانی از هر مجموعه داده را فراهم می‌کند. 20. Gumiaux و همکاران. شکل 20 همچنین نشان می‌دهد که ارزیابی واریوگرام‌ها در زمین‌آمار بر اساس سه اصل است، از جمله (الف) محاسبه مقیاس همبستگی داده‌ها، (ب) شناسایی و محاسبه ناهمسانگردی در اختلاف مجموعه داده‌ها و (ج) علاوه بر در نظر گرفتن خطای ذاتی داده‌های اندازه‌گیری جدا از اثرات محلی، اثرات منطقه‌ای نیز تخمین زده می‌شوند. بر اساس این مفاهیم، ​​بسیاری از تکنیک‌های درون‌یابی در زمین‌آمار استفاده می‌شوند، از جمله کریجینگ عمومی، کوکریجینگ، کریجینگ معمولی، کریجینگ بیزی تجربی، روش کریجینگ ساده و سایر تکنیک‌های درون‌یابی شناخته شده برای نقشه‌برداری یا پیش‌بینی PTE، ویژگی‌های خاک و انواع خاک.
الگوریتم‌های یادگیری ماشین (MLA) تکنیکی نسبتاً جدید هستند که از کلاس‌های داده غیرخطی بزرگ‌تر استفاده می‌کنند، که توسط الگوریتم‌هایی که در درجه اول برای داده‌کاوی، شناسایی الگوها در داده‌ها استفاده می‌شوند و بارها برای طبقه‌بندی در زمینه‌های علمی مانند علوم خاک و وظایف بازگشتی به کار می‌روند، تقویت می‌شوند. مقالات تحقیقاتی متعددی برای پیش‌بینی PTE در خاک‌ها به مدل‌های MLA متکی هستند، مانند Tan و همکاران. 22 (جنگل‌های تصادفی برای تخمین فلزات سنگین در خاک‌های کشاورزی)، Sakizadeh و همکاران. 23 (مدل‌سازی با استفاده از ماشین‌های بردار پشتیبان و شبکه‌های عصبی مصنوعی) آلودگی خاک. علاوه بر این، Vega و همکاران. 24 (CART برای مدل‌سازی حفظ و جذب فلزات سنگین در خاک) Sun و همکاران. 25 (کاربرد کوبیست توزیع کادمیوم در خاک است) و الگوریتم‌های دیگری مانند k-نزدیک‌ترین همسایه، رگرسیون تقویت‌شده تعمیم‌یافته و درخت‌های رگرسیون تقویت‌شده نیز از MLA برای پیش‌بینی PTE در خاک استفاده کردند.
کاربرد الگوریتم‌های DSM در پیش‌بینی یا نقشه‌برداری با چالش‌های متعددی روبرو است. بسیاری از نویسندگان معتقدند که MLA نسبت به زمین‌آمار و برعکس برتر است. اگرچه یکی از دیگری بهتر است، ترکیب این دو، سطح دقت نقشه‌برداری یا پیش‌بینی را در DSM15 بهبود می‌بخشد. وودکاک و گوپال26 فینکه27؛ پونتیوس و چوک28 و گرونوالد29 در مورد کاستی‌ها و برخی خطاها در نقشه‌برداری خاک پیش‌بینی‌شده اظهار نظر می‌کنند. دانشمندان خاک، تکنیک‌های متنوعی را برای بهینه‌سازی اثربخشی، دقت و پیش‌بینی‌پذیری نقشه‌برداری و پیش‌بینی DSM امتحان کرده‌اند. ترکیب عدم قطعیت و تأیید، یکی از جنبه‌های مختلف ادغام‌شده در DSM برای بهینه‌سازی اثربخشی و کاهش نقص‌ها است. با این حال، آگیمن و همکاران. 15 بیان می‌کنند که رفتار اعتبارسنجی و عدم قطعیت ایجاد شده توسط ایجاد و پیش‌بینی نقشه باید به‌طور مستقل اعتبارسنجی شوند تا کیفیت نقشه بهبود یابد. محدودیت‌های DSM به دلیل کیفیت خاک پراکنده جغرافیایی است که شامل مؤلفه‌ای از عدم قطعیت است. با این حال، عدم قطعیت در DSM ممکن است از منابع خطای متعددی، یعنی خطای متغیرهای کمکی، خطای مدل، خطای مکان و خطای تحلیلی ناشی شود. 31. عدم دقت مدل‌سازی ناشی از MLA و فرآیندهای زمین‌آماری با عدم درک مرتبط است که در نهایت منجر به ساده‌سازی بیش از حد فرآیند واقعی می‌شود.32. صرف نظر از ماهیت مدل‌سازی، عدم دقت را می‌توان به پارامترهای مدل‌سازی، پیش‌بینی‌های مدل ریاضی یا درون‌یابی نسبت داد.33. اخیراً، یک روند جدید DSM ظهور کرده است که ادغام زمین‌آمار و MLA را در نقشه‌برداری و پیش‌بینی ترویج می‌دهد. چندین دانشمند و نویسنده خاک، مانند سرگیف و همکاران. 34؛ ساببوتینا و همکاران. 35؛ تاراسوف و همکاران. 36 و تاراسوف و همکاران. 37 از کیفیت دقیق زمین‌آمار و یادگیری ماشین برای تولید مدل‌های ترکیبی که کارایی پیش‌بینی و نقشه‌برداری را بهبود می‌بخشند، بهره‌برداری کرده‌اند. کیفیت. برخی از این مدل‌های الگوریتم ترکیبی یا هیبرید عبارتند از: کریجینگ شبکه عصبی مصنوعی (ANN-RK)، کریجینگ باقیمانده پرسپترون چندلایه (MLP-RK)، کریجینگ باقیمانده شبکه عصبی رگرسیون تعمیم‌یافته (GR-NNRK)36، کریجینگ شبکه عصبی مصنوعی-پرسپترون چندلایه (ANN-K-MLP)37 و کو-کریجینگ و رگرسیون فرآیند گاوسی38.
به گفته سرگیف و همکارانش، ترکیب تکنیک‌های مدل‌سازی مختلف، پتانسیل حذف نقص‌ها و افزایش کارایی مدل ترکیبی حاصل را به جای توسعه یک مدل واحد دارد. در این زمینه، این مقاله جدید استدلال می‌کند که برای ایجاد مدل‌های ترکیبی بهینه برای پیش‌بینی غنی‌سازی نیکل در مناطق شهری و حومه شهری، استفاده از یک الگوریتم ترکیبی از زمین‌آمار و MLA ضروری است. این مطالعه به عنوان مدل پایه به کریجینگ بیزی تجربی (EBK) تکیه کرده و آن را با مدل‌های ماشین بردار پشتیبان (SVM) و رگرسیون خطی چندگانه (MLR) ترکیب خواهد کرد. هیبریداسیون EBK با هر MLA شناخته شده نیست. مدل‌های ترکیبی چندگانه مشاهده شده ترکیبی از کریجینگ معمولی، باقیمانده، رگرسیون و MLA هستند. EBK یک روش درون‌یابی زمین‌آماری است که از یک فرآیند تصادفی مکانی استفاده می‌کند که به عنوان یک میدان تصادفی غیر ثابت/ثابت با پارامترهای محلی‌سازی تعریف شده در سراسر میدان، محلی‌سازی شده و امکان تغییرات مکانی را فراهم می‌کند39. EBK در مطالعات مختلفی از جمله تجزیه و تحلیل توزیع کربن آلی در خاک‌های مزرعه40، ارزیابی آلودگی خاک41 و نقشه‌برداری استفاده شده است. خواص خاک ۴۲.
از سوی دیگر، گراف خودسازمانده (SeOM) یک الگوریتم یادگیری است که در مقالات مختلفی مانند لی و همکاران 43، وانگ و همکاران 44، حسین بویان و همکاران 45 و کبونی و همکاران 46 به کار گرفته شده است. این الگوریتم ویژگی‌های مکانی و گروه‌بندی عناصر را تعیین می‌کند. وانگ و همکاران 44 بیان می‌کنند که SeOM یک تکنیک یادگیری قدرتمند است که به دلیل توانایی‌اش در گروه‌بندی و تصور مسائل غیرخطی شناخته شده است. برخلاف سایر تکنیک‌های تشخیص الگو مانند تحلیل مؤلفه‌های اصلی، خوشه‌بندی فازی، خوشه‌بندی سلسله مراتبی و تصمیم‌گیری چندمعیاره، SeOM در سازماندهی و شناسایی الگوهای PTE بهتر عمل می‌کند. طبق گفته وانگ و همکاران 44، SeOM می‌تواند توزیع نورون‌های مرتبط را به صورت مکانی گروه‌بندی کند و تجسم داده‌ها با وضوح بالا را ارائه دهد. SeOM داده‌های پیش‌بینی Ni را تجسم می‌کند تا بهترین مدل را برای توصیف نتایج برای تفسیر مستقیم به دست آورد.
هدف این مقاله ایجاد یک مدل نقشه‌برداری قوی با دقت بهینه برای پیش‌بینی محتوای نیکل در خاک‌های شهری و اطراف شهری است. ما فرض می‌کنیم که قابلیت اطمینان مدل ترکیبی عمدتاً به تأثیر سایر مدل‌های متصل به مدل پایه بستگی دارد. ما چالش‌های پیش روی DSM را تصدیق می‌کنیم و در حالی که این چالش‌ها در جبهه‌های مختلف مورد بررسی قرار می‌گیرند، ترکیب پیشرفت‌ها در مدل‌های زمین‌آمار و MLA به نظر می‌رسد که افزایشی باشد. بنابراین، ما تلاش خواهیم کرد تا به سؤالات تحقیقاتی که ممکن است منجر به مدل‌های ترکیبی شوند، پاسخ دهیم. با این حال، این مدل در پیش‌بینی عنصر هدف چقدر دقیق است؟ همچنین، سطح ارزیابی کارایی بر اساس اعتبارسنجی و ارزیابی دقت چیست؟ بنابراین، اهداف خاص این مطالعه عبارت بودند از (الف) ایجاد یک مدل ترکیبی ترکیبی برای SVMR یا MLR با استفاده از EBK به عنوان مدل پایه، (ب) مقایسه مدل‌های حاصل (ج) پیشنهاد بهترین مدل ترکیبی برای پیش‌بینی غلظت نیکل در خاک‌های شهری یا اطراف شهری، و (د) کاربرد SeOM برای ایجاد یک نقشه با وضوح بالا از تغییرات مکانی نیکل.
این مطالعه در جمهوری چک، به طور خاص در ناحیه فریدک میستک در منطقه موراویا-سیلزی (شکل 1 را ببینید) انجام می‌شود. جغرافیای منطقه مورد مطالعه بسیار ناهموار است و عمدتاً بخشی از منطقه موراویا-سیلزی بسکیدی است که بخشی از لبه بیرونی کوه‌های کارپات است. منطقه مورد مطالعه بین 49° 41'0' شمالی و 18° 20'0' شرقی واقع شده است و ارتفاع آن بین 225 تا 327 متر است. با این حال، سیستم طبقه‌بندی کوپن برای وضعیت آب و هوایی منطقه به عنوان Cfb = آب و هوای معتدل اقیانوسی رتبه‌بندی شده است. حتی در ماه‌های خشک نیز بارندگی زیادی وجود دارد. دما در طول سال بین -5 درجه سانتیگراد و 24 درجه سانتیگراد کمی متغیر است و به ندرت به زیر -14 درجه سانتیگراد یا بالاتر از 30 درجه سانتیگراد می‌رسد، در حالی که میانگین بارندگی سالانه بین 685 تا 752 میلی‌متر است.47. مساحت تخمینی کل منطقه مورد بررسی 1208 کیلومتر مربع است که 39.38٪ از زمین‌های کشت شده و 49.36٪ از پوشش جنگلی را تشکیل می‌دهد. از سوی دیگر، مساحت مورد استفاده در این مطالعه حدود 889.8 کیلومتر مربع است. در داخل و اطراف اوستراوا، صنعت فولاد و کارخانه‌های فلزکاری بسیار فعال هستند. کارخانه‌های فلزکاری، صنعت فولاد که در آن از نیکل در فولادهای ضد زنگ (مثلاً برای مقاومت در برابر خوردگی جوی) و فولادهای آلیاژی استفاده می‌شود (نیکل استحکام آلیاژ را افزایش می‌دهد و در عین حال شکل‌پذیری و چقرمگی خوب آن را حفظ می‌کند) و کشاورزی فشرده مانند کاربرد کود فسفات و تولید دام. منابع بالقوه نیکل در منطقه را بررسی کنید (مثلاً افزودن نیکل به بره‌ها برای افزایش سرعت رشد در بره‌ها و گاوهای کم غذا). سایر کاربردهای صنعتی نیکل در حوزه‌های تحقیقاتی شامل استفاده از آن در آبکاری، از جمله فرآیندهای آبکاری نیکل و آبکاری نیکل بدون برق است. خواص خاک به راحتی از رنگ، ساختار و محتوای کربنات خاک قابل تشخیص است. بافت خاک متوسط ​​تا ریز است و از مواد مادری مشتق شده است. آنها ماهیت کوهرفتی، آبرفتی یا بادی دارند. برخی از مناطق خاک در سطح و زیر خاک لکه‌دار به نظر می‌رسند، اغلب با بتن و سفید شدن. با این حال، کامبیسول‌ها و استاگنوسول‌ها رایج‌ترین انواع خاک در منطقه هستند48. با ارتفاعی از 455.1 تا 493.5 متر، کامبیسول‌ها در جمهوری چک غالب هستند49.
نقشه منطقه مورد مطالعه [نقشه منطقه مورد مطالعه با استفاده از ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com) ایجاد شده است.]
در مجموع ۱۱۵ نمونه خاک سطحی از خاک‌های شهری و حومه شهری در منطقه فریدک میستک جمع‌آوری شد. الگوی نمونه مورد استفاده یک شبکه منظم با فاصله ۲ × ۲ کیلومتر از هم بود و خاک سطحی در عمق ۰ تا ۲۰ سانتی‌متر با استفاده از یک دستگاه GPS دستی (Leica Zeno 5 GPS) اندازه‌گیری شد. نمونه‌ها در کیسه‌های زیپ‌دار بسته‌بندی، به درستی برچسب‌گذاری و به آزمایشگاه ارسال شدند. نمونه‌ها برای تولید نمونه‌های پودر شده در هوا خشک شدند، توسط یک سیستم مکانیکی (آسیاب دیسکی فریچ) پودر شدند و الک شدند (اندازه الک ۲ میلی‌متر). ۱ گرم از نمونه‌های خاک خشک، همگن و الک شده را در بطری‌های تفلون با برچسب واضح قرار دهید. در هر ظرف تفلون، ۷ میلی‌لیتر HCl 35% و ۳ میلی‌لیتر HNO3 65% (با استفاده از یک پخش‌کننده خودکار - یکی برای هر اسید) بریزید، به آرامی بپوشانید و اجازه دهید نمونه‌ها یک شب برای واکنش (برنامه آکوا رجیا) بمانند. محلول رویی را به مدت 2 ساعت روی یک صفحه فلزی داغ (دما: 100 وات و 160 درجه سانتیگراد) قرار دهید تا فرآیند هضم نمونه‌ها تسهیل شود، سپس خنک کنید. محلول رویی را به یک بالن حجمی 50 میلی‌لیتری منتقل کرده و با آب دیونیزه تا 50 میلی‌لیتر رقیق کنید. پس از آن، محلول رویی رقیق شده را با آب دیونیزه به یک لوله PVC 50 میلی‌لیتری فیلتر کنید. علاوه بر این، 1 میلی‌لیتر از محلول رقیق شده با 9 میلی‌لیتر آب دیونیزه رقیق شده و به یک لوله 12 میلی‌لیتری آماده شده برای شبه تغلیظ PTE فیلتر شد. غلظت PTEها (As، Cd، Cr، Cu، Mn، Ni، Pb، Zn، Ca، Mg، K) با استفاده از ICP-OES (طیف‌سنجی نشر نوری پلاسمای جفت شده القایی) (Thermo Fisher Scientific، ایالات متحده آمریکا) طبق روش‌های استاندارد و توافق‌نامه تعیین شد. رویه‌های تضمین و کنترل کیفیت (QA/QC) را تضمین کنید (SRM NIST 2711a مونتانا) خاک II). PTE هایی با حد تشخیص کمتر از نصف از این مطالعه حذف شدند. حد تشخیص PTE مورد استفاده در این مطالعه 0.0004 (شما) بود. علاوه بر این، فرآیند کنترل کیفیت و تضمین کیفیت برای هر تجزیه و تحلیل با تجزیه و تحلیل استانداردهای مرجع تضمین می‌شود. برای اطمینان از به حداقل رساندن خطاها، تجزیه و تحلیل مضاعف انجام شد.
کریجینگ بیزی تجربی (EBK) یکی از تکنیک‌های درون‌یابی زمین‌آماری است که در مدل‌سازی در زمینه‌های مختلف مانند علوم خاک استفاده می‌شود. برخلاف سایر تکنیک‌های درون‌یابی کریجینگ، EBK با در نظر گرفتن خطای تخمین زده شده توسط مدل نیم‌تغییرنما، با روش‌های کریجینگ سنتی متفاوت است. در درون‌یابی EBK، چندین مدل نیم‌تغییرنما در طول درون‌یابی محاسبه می‌شوند، نه یک نیم‌تغییرنما. تکنیک‌های درون‌یابی، عدم قطعیت و برنامه‌ریزی مرتبط با این ترسیم نیم‌تغییرنما را که بخش بسیار پیچیده‌ای از یک روش کریجینگ کافی را تشکیل می‌دهد، از بین می‌برند. فرآیند درون‌یابی EBK از سه معیار پیشنهادی Krivoruchko50 پیروی می‌کند: (الف) مدل، نیم‌تغییرنما را از مجموعه داده‌های ورودی تخمین می‌زند (ب) مقدار پیش‌بینی‌شده جدید برای هر مکان مجموعه داده‌های ورودی بر اساس نیم‌تغییرنمای تولید شده و (ج) مدل نهایی A از یک مجموعه داده‌های شبیه‌سازی شده محاسبه می‌شود. قانون معادله بیزی به صورت پسین ارائه شده است.
که در آن \(Prob(A\right)\) نشان دهنده‌ی احتمال پیشین است، \(Prob(B\right)\) احتمال حاشیه‌ای در بیشتر موارد نادیده گرفته می‌شود، \(Prob(B,A)\). محاسبه‌ی نیم‌تغییرنما بر اساس قانون بیز است که تمایل مجموعه داده‌های مشاهده‌ای را که می‌توانند از نیم‌تغییرنماها ایجاد شوند، نشان می‌دهد. سپس مقدار نیم‌تغییرنما با استفاده از قانون بیز تعیین می‌شود، که بیان می‌کند چقدر احتمال دارد که یک مجموعه داده از مشاهدات از نیم‌تغییرنما ایجاد شود.
ماشین بردار پشتیبان یک الگوریتم یادگیری ماشین است که یک ابرصفحه جداکننده بهینه برای تشخیص کلاس‌های یکسان اما غیر مستقل خطی ایجاد می‌کند. Vapnik51 الگوریتم طبقه‌بندی intent را ایجاد کرد، اما اخیراً برای حل مسائل رگرسیون محور استفاده شده است. طبق گفته لی و همکاران.52، SVM یکی از بهترین تکنیک‌های طبقه‌بندی است و در زمینه‌های مختلف مورد استفاده قرار گرفته است. مؤلفه رگرسیون SVM (رگرسیون ماشین بردار پشتیبان - SVMR) در این تحلیل استفاده شد. Cherkassky و Mulier53 SVMR را به عنوان یک رگرسیون مبتنی بر هسته پیشگام کردند که محاسبه آن با استفاده از یک مدل رگرسیون خطی با توابع مکانی چند کشوری انجام شد. John و همکاران.54 گزارش می‌دهند که مدل‌سازی SVMR از رگرسیون خطی ابرصفحه استفاده می‌کند که روابط غیرخطی ایجاد می‌کند و توابع مکانی را امکان‌پذیر می‌سازد. طبق گفته Vohland و همکاران. 55، اپسیلون (ε)-SVMR از مجموعه داده‌های آموزش‌دیده برای بدست آوردن یک مدل نمایشی به عنوان یک تابع غیرحساس به اپسیلون استفاده می‌کند که برای نگاشت داده‌ها به طور مستقل با بهترین بایاس اپسیلون از آموزش روی داده‌های همبسته اعمال می‌شود. خطای فاصله از پیش تعیین‌شده از مقدار واقعی نادیده گرفته می‌شود و اگر خطا بزرگتر از ε(ε) باشد، خواص خاک آن را جبران می‌کند. این مدل همچنین پیچیدگی داده‌های آموزشی را به زیرمجموعه وسیع‌تری از بردارهای پشتیبانی کاهش می‌دهد. معادله پیشنهادی توسط Vapnik51 در زیر نشان داده شده است.
که در آن b نشان دهنده آستانه اسکالر، \(K\left({x}_{,}{ x}_{k}\right)\) نشان دهنده تابع هسته، \(\alpha\) نشان دهنده ضریب لاگرانژ، N نشان دهنده یک مجموعه داده عددی، \({x}_{k}\) نشان دهنده ورودی داده و \(y\) خروجی داده است. یکی از هسته‌های کلیدی مورد استفاده، عملیات SVMR است که یک تابع پایه شعاعی گاوسی (RBF) است. هسته RBF برای تعیین مدل بهینه SVMR اعمال می‌شود که برای به دست آوردن دقیق‌ترین مجموعه جریمه، فاکتور C و پارامتر گاما هسته (γ) برای داده‌های آموزشی PTE بسیار مهم است. ابتدا، مجموعه آموزشی را ارزیابی کردیم و سپس عملکرد مدل را روی مجموعه اعتبارسنجی آزمایش کردیم. پارامتر هدایت مورد استفاده sigma و مقدار روش svmRadial است.
مدل رگرسیون خطی چندگانه (MLR) یک مدل رگرسیون است که رابطه بین متغیر پاسخ و تعدادی از متغیرهای پیش‌بینی‌کننده را با استفاده از پارامترهای خطی محاسبه‌شده با استفاده از روش حداقل مربعات نشان می‌دهد. در MLR، یک مدل حداقل مربعات یک تابع پیش‌بینی‌کننده از خواص خاک پس از انتخاب متغیرهای توضیحی است. استفاده از پاسخ برای ایجاد یک رابطه خطی با استفاده از متغیرهای توضیحی ضروری است. PTE به عنوان متغیر پاسخ برای ایجاد یک رابطه خطی با متغیرهای توضیحی استفاده شد. معادله MLR به صورت زیر است:
که در آن y متغیر پاسخ، \(a\) عرض از مبدا، n تعداد متغیرهای پیش‌بینی‌کننده، \(b_{1}\) رگرسیون جزئی ضرایب، \(x_{i}\) نشان دهنده یک متغیر پیش‌بینی‌کننده یا توضیحی و \(\varepsilon }_{i}\) نشان دهنده خطا در مدل است که به عنوان باقیمانده نیز شناخته می‌شود.
مدل‌های ترکیبی با قرار دادن EBK با SVMR و MLR بدست آمدند. این کار با استخراج مقادیر پیش‌بینی‌شده از درون‌یابی EBK انجام می‌شود. مقادیر پیش‌بینی‌شده به‌دست‌آمده از درون‌یابی Ca، K و Mg از طریق یک فرآیند ترکیبی برای بدست آوردن متغیرهای جدید مانند CaK، CaMg و KMg بدست می‌آیند. سپس عناصر Ca، K و Mg با هم ترکیب می‌شوند تا متغیر چهارم، CaKMg، بدست آید. در مجموع، متغیرهای بدست‌آمده Ca، K، Mg، CaK، CaMg، KMg و CaKMg هستند. این متغیرها به پیش‌بینی‌کننده‌های ما تبدیل شدند و به پیش‌بینی غلظت نیکل در خاک‌های شهری و حومه شهری کمک کردند. الگوریتم SVMR بر روی پیش‌بینی‌کننده‌ها اجرا شد تا یک مدل ترکیبی از کریجینگ بیزی تجربی-ماشین بردار پشتیبان (EBK_SVM) بدست آید. به طور مشابه، متغیرها نیز از طریق الگوریتم MLR به یک مدل ترکیبی از کریجینگ بیزی تجربی-رگرسیون خطی چندگانه (EBK_MLR) منتقل می‌شوند. معمولاً متغیرهای Ca، K، Mg، CaK، CaMg، KMg و CaKMg به عنوان متغیرهای کمکی برای پیش‌بینی محتوای نیکل در خاک‌های شهری و حومه شهری استفاده می‌شوند. سپس قابل قبول‌ترین مدل به‌دست‌آمده (EBK_SVM یا EBK_MLR) با استفاده از یک نمودار خودسازمانده تجسم خواهد شد. گردش کار این مطالعه در شکل 2 نشان داده شده است.
استفاده از SeOM به ابزاری محبوب برای سازماندهی، ارزیابی و پیش‌بینی داده‌ها در بخش مالی، مراقبت‌های بهداشتی، صنعت، آمار، علوم خاک و موارد دیگر تبدیل شده است. SeOM با استفاده از شبکه‌های عصبی مصنوعی و روش‌های یادگیری بدون نظارت برای سازماندهی، ارزیابی و پیش‌بینی ایجاد می‌شود. در این مطالعه، از SeOM برای تجسم غلظت نیکل بر اساس بهترین مدل برای پیش‌بینی نیکل در خاک‌های شهری و حومه شهری استفاده شد. داده‌های پردازش شده در ارزیابی SeOM به عنوان n متغیر برداری ورودی-بعدی استفاده می‌شوند43،56. ملسن و همکاران. شکل 57 اتصال یک بردار ورودی به یک شبکه عصبی را از طریق یک لایه ورودی واحد به یک بردار خروجی با یک بردار وزن واحد توصیف می‌کند. خروجی تولید شده توسط SeOM یک نقشه دو بعدی متشکل از نورون‌ها یا گره‌های مختلف است که بر اساس نزدیکی آنها در نقشه‌های توپولوژیکی شش ضلعی، دایره‌ای یا مربعی بافته شده‌اند. با مقایسه اندازه نقشه‌ها بر اساس متریک، خطای کوانتیزاسیون (QE) و خطای توپوگرافی (TE)، مدل SeOM با مقادیر به ترتیب 0.086 و 0.904 انتخاب می‌شود که یک واحد 55 نقشه‌ای (5 × 11) است. ساختار نورون بر اساس تعداد گره‌ها در معادله تجربی تعیین می‌شود.
تعداد داده‌های مورد استفاده در این مطالعه 115 نمونه است. از یک رویکرد تصادفی برای تقسیم داده‌ها به داده‌های آزمایشی (25٪ برای اعتبارسنجی) و مجموعه داده‌های آموزشی (75٪ برای کالیبراسیون) استفاده شد. مجموعه داده‌های آموزشی برای تولید مدل رگرسیون (کالیبراسیون) و مجموعه داده‌های آزمایشی برای تأیید قابلیت تعمیم استفاده می‌شود58. این کار برای ارزیابی مناسب بودن مدل‌های مختلف برای پیش‌بینی محتوای نیکل در خاک انجام شد. همه مدل‌های مورد استفاده از یک فرآیند اعتبارسنجی متقابل ده مرحله‌ای که پنج بار تکرار شده است، عبور کردند. متغیرهای تولید شده توسط درون‌یابی EBK به عنوان پیش‌بینی‌کننده یا متغیرهای توضیحی برای پیش‌بینی متغیر هدف (PTE) استفاده می‌شوند. مدل‌سازی در RStudio با استفاده از بسته‌های library(Kohonen)، library(caret)، library(modelr)، library("e1071")، library("plyr")، library("caTools")، library("expectr") و کتابخانه‌های ("Metrics") انجام می‌شود.
پارامترهای اعتبارسنجی مختلفی برای تعیین بهترین مدل مناسب برای پیش‌بینی غلظت نیکل در خاک و ارزیابی دقت مدل و اعتبارسنجی آن استفاده شد. مدل‌های هیبریداسیون با استفاده از میانگین خطای مطلق (MAE)، جذر میانگین مربعات خطا (RMSE) و ضریب تعیین (R2) ارزیابی شدند. R2 واریانس نسبت‌ها در پاسخ را که توسط مدل رگرسیون نشان داده می‌شود، تعریف می‌کند. RMSE و بزرگی واریانس در معیارهای مستقل، قدرت پیش‌بینی مدل را توصیف می‌کنند، در حالی که MAE مقدار کمی واقعی را تعیین می‌کند. مقدار R2 باید بالا باشد تا بهترین مدل ترکیبی با استفاده از پارامترهای اعتبارسنجی ارزیابی شود، هرچه مقدار به 1 نزدیک‌تر باشد، دقت بالاتر است. طبق گفته لی و همکاران 59، مقدار معیار R2 برابر با 0.75 یا بیشتر، پیش‌بینی‌کننده خوبی در نظر گرفته می‌شود. از 0.5 تا 0.75 عملکرد مدل قابل قبول و کمتر از 0.5 عملکرد مدل غیرقابل قبول است. هنگام انتخاب مدل با استفاده از روش‌های ارزیابی معیارهای اعتبارسنجی RMSE و MAE، مقادیر پایین‌تر به دست آمده کافی بودند و بهترین انتخاب در نظر گرفته شدند. معادله زیر روش تأیید را توصیف می‌کند.
که در آن n نشان دهنده اندازه مقدار مشاهده شده (Y_i) است که نشان دهنده پاسخ اندازه‌گیری شده است، و (Y_i) نیز نشان دهنده مقدار پاسخ پیش‌بینی شده برای اولین مشاهدات i است.
توصیف آماری متغیرهای پیش‌بینی‌کننده و پاسخ در جدول 1 ارائه شده است که میانگین، انحراف معیار (SD)، ضریب تغییرات (CV)، حداقل، حداکثر، کشیدگی و چولگی را نشان می‌دهد. مقادیر حداقل و حداکثر عناصر به ترتیب به صورت Mg < Ca < K < Ni و Ca < Mg < K < Ni هستند. غلظت متغیر پاسخ (Ni) نمونه‌برداری شده از منطقه مورد مطالعه از 4.86 تا 42.39 میلی‌گرم بر کیلوگرم متغیر بود. مقایسه Ni با میانگین جهانی (29 میلی‌گرم بر کیلوگرم) و میانگین اروپایی (37 میلی‌گرم بر کیلوگرم) نشان داد که میانگین هندسی محاسبه شده کلی برای منطقه مورد مطالعه در محدوده قابل تحمل قرار دارد. با این وجود، همانطور که توسط Kabata-Pendias11 نشان داده شده است، مقایسه میانگین غلظت نیکل (Ni) در مطالعه حاضر با خاک‌های کشاورزی در سوئد نشان می‌دهد که میانگین غلظت نیکل فعلی بالاتر است. به همین ترتیب، میانگین غلظت Frydek Mistek در خاک‌های شهری و اطراف شهری در مطالعه حاضر (Ni 16.15 میلی‌گرم بر کیلوگرم) بالاتر از حد مجاز 60 (10.2 میلی‌گرم بر کیلوگرم) برای نیکل در خاک‌های شهری لهستان گزارش شده توسط روژانسکی و همکاران بود. علاوه بر این، برتزل و کالدریسی61 غلظت متوسط ​​نیکل بسیار پایینی (1.78 میلی‌گرم بر کیلوگرم) را در خاک‌های شهری در توسکانی در مقایسه با مطالعه حاضر ثبت کردند. جیم62 همچنین غلظت نیکل کمتری (12.34 میلی‌گرم بر کیلوگرم) در خاک‌های شهری هنگ کنگ یافت که کمتر از غلظت فعلی نیکل در این مطالعه است. بیرک و همکاران63 غلظت متوسط ​​نیکل 17.6 میلی‌گرم بر کیلوگرم را در یک منطقه معدنی و صنعتی شهری قدیمی در زاکسن-آنهالت، آلمان گزارش کردند که 1.45 میلی‌گرم بر کیلوگرم بالاتر از غلظت متوسط ​​نیکل در منطقه (16.15 میلی‌گرم بر کیلوگرم) بود. تحقیقات فعلی. محتوای بیش از حد نیکل در خاک‌ها در برخی از مناطق شهری و حومه منطقه مورد مطالعه ممکن است عمدتاً به صنعت آهن و فولاد و صنایع فلزی نسبت داده شود. این با مطالعه خدادوست و همکاران مطابقت دارد. و همکاران. 64 نشان داد که صنعت فولاد و فلزکاری منابع اصلی آلودگی نیکل در خاک‌ها هستند. با این حال، پیش‌بینی‌کننده‌ها همچنین از 538.70 میلی‌گرم بر کیلوگرم تا 69161.80 میلی‌گرم بر کیلوگرم برای کلسیم، 497.51 میلی‌گرم بر کیلوگرم تا 3535.68 میلی‌گرم بر کیلوگرم برای پتاسیم و 685.68 میلی‌گرم بر کیلوگرم تا 5970.05 میلی‌گرم بر کیلوگرم برای منیزیم متغیر بودند. جاکوولیویچ و همکاران. 65 مقدار کل منیزیم و پتاسیم خاک‌های صربستان مرکزی را بررسی کردند. آنها دریافتند که غلظت‌های کل (به ترتیب 410 میلی‌گرم بر کیلوگرم و 400 میلی‌گرم بر کیلوگرم) کمتر از غلظت‌های منیزیم و پتاسیم مطالعه حاضر است. غیرقابل تشخیص، در شرق لهستان، اورزچوفسکی و اسمولچینسکی66 مقدار کل کلسیم، منیزیم و پتاسیم را ارزیابی کردند و غلظت‌های متوسط ​​کلسیم (1100 میلی‌گرم بر کیلوگرم)، منیزیم (590 میلی‌گرم بر کیلوگرم) و پتاسیم (810 میلی‌گرم بر کیلوگرم) را نشان دادند. مقدار کلسیم در خاک سطحی کمتر از عنصر منفرد در این مطالعه است. یک مطالعه اخیر توسط پونگراک و همکاران 67 نشان داد که مقدار کل کلسیم تجزیه و تحلیل شده در 3 خاک مختلف در اسکاتلند، بریتانیا (خاک میلنیفیلد، خاک بالرودری و خاک هارتوود) نشان دهنده مقدار کلسیم بالاتر در این مطالعه است.
با توجه به غلظت‌های اندازه‌گیری شده متفاوت عناصر نمونه‌برداری شده، توزیع مجموعه داده‌های عناصر، چولگی متفاوتی را نشان می‌دهد. چولگی و کشیدگی عناصر به ترتیب از 1.53 تا 7.24 و 2.49 تا 54.16 متغیر بود. همه عناصر محاسبه شده دارای سطوح چولگی و کشیدگی بالاتر از +1 هستند، بنابراین نشان می‌دهد که توزیع داده‌ها نامنظم، در جهت راست کج شده و دارای پیک است. CVهای تخمینی عناصر همچنین نشان می‌دهند که K، Mg و Ni تغییرپذیری متوسطی را نشان می‌دهند، در حالی که Ca تغییرپذیری بسیار بالایی دارد. CVهای K، Ni و Mg توزیع یکنواخت آنها را توضیح می‌دهند. علاوه بر این، توزیع Ca غیر یکنواخت است و منابع خارجی ممکن است بر سطح غنی‌سازی آن تأثیر بگذارند.
همبستگی متغیرهای پیش‌بینی‌کننده با عناصر پاسخ، همبستگی رضایت‌بخشی را بین عناصر نشان داد (شکل 3 را ببینید). این همبستگی نشان داد که CaK همبستگی متوسطی با مقدار r = 0.53 نشان می‌دهد، همانطور که CaNi نیز همینطور. اگرچه Ca و K ارتباط متوسطی با یکدیگر نشان می‌دهند، محققانی مانند کینگستون و همکاران. 68 و Santo69 نشان می‌دهند که میزان آنها در خاک نسبت معکوس دارد. با این حال، کلسیم و منیزیم با پتاسیم آنتاگونیست هستند، اما CaK همبستگی خوبی دارد. این ممکن است به دلیل کاربرد کودهایی مانند کربنات پتاسیم باشد که 56٪ پتاسیم بیشتری دارد. پتاسیم همبستگی متوسطی با منیزیم داشت (KM r = 0.63). در صنعت کود، این دو عنصر ارتباط نزدیکی با هم دارند زیرا سولفات پتاسیم منیزیم، نیترات پتاسیم منیزیم و پتاس به خاک‌ها اضافه می‌شوند تا سطح کمبود آنها را افزایش دهند. نیکل همبستگی متوسطی با کلسیم، پتاسیم و منیزیم با مقادیر r به ترتیب 0.52، 0.63 و 0.55 دارد. روابط مربوط به کلسیم، منیزیم و PTEها مانند نیکل پیچیده است، اما با این وجود، منیزیم مانع جذب کلسیم می‌شود، کلسیم اثرات منیزیم اضافی را کاهش می‌دهد و منیزیم و کلسیم هر دو اثرات سمی نیکل را در خاک کاهش می‌دهند.
ماتریس همبستگی برای عناصری که رابطه بین پیش‌بینی‌کننده‌ها و پاسخ‌ها را نشان می‌دهد (توجه: این شکل شامل یک نمودار پراکندگی بین عناصر است، سطوح معنی‌داری بر اساس p < 0.001 هستند).
شکل 4 توزیع مکانی عناصر را نشان می‌دهد. طبق گفته بورگوس و همکاران70، کاربرد توزیع مکانی تکنیکی است که برای تعیین کمیت و برجسته کردن نقاط داغ در مناطق آلوده استفاده می‌شود. سطوح غنی‌سازی کلسیم در شکل 4 را می‌توان در قسمت شمال غربی نقشه توزیع مکانی مشاهده کرد. این شکل نقاط داغ غنی‌سازی کلسیم متوسط ​​تا زیاد را نشان می‌دهد. غنی‌سازی کلسیم در شمال غربی نقشه احتمالاً به دلیل استفاده از آهک زنده (اکسید کلسیم) برای کاهش اسیدیته خاک و استفاده از آن در کارخانه‌های فولاد به عنوان اکسیژن قلیایی در فرآیند فولادسازی است. از سوی دیگر، سایر کشاورزان ترجیح می‌دهند از هیدروکسید کلسیم در خاک‌های اسیدی برای خنثی کردن pH استفاده کنند که این امر باعث افزایش محتوای کلسیم خاک نیز می‌شود71. پتاسیم همچنین نقاط داغ را در شمال غربی و شرق نقشه نشان می‌دهد. شمال غربی یک جامعه کشاورزی بزرگ است و الگوی متوسط ​​تا زیاد پتاسیم ممکن است به دلیل کاربردهای NPK و پتاس باشد. این با مطالعات دیگر مانند Madaras و Lipavský72، Madaras و همکاران73، Pulkrabová و همکاران74 سازگار است. Asare و همکاران75، که مشاهده کردند تثبیت خاک و تیمار آن با KCl و NPK منجر به محتوای بالای پتاسیم در خاک می‌شود. غنی‌سازی مکانی پتاسیم در شمال غربی نقشه توزیع ممکن است به دلیل استفاده از کودهای پتاسیم‌دار مانند کلرید پتاسیم، سولفات پتاسیم، نیترات پتاسیم، پتاس و پتاس برای افزایش محتوای پتاسیم خاک‌های فقیر باشد. Zádorová و همکاران76 و Tlustoš و همکاران. 77 بیان کرد که استفاده از کودهای پتاسیم‌دار، محتوای پتاسیم در خاک را افزایش داده و در درازمدت به طور قابل توجهی محتوای مواد مغذی خاک را افزایش می‌دهد، به خصوص پتاسیم و منیزیم که یک نقطه داغ در خاک را نشان می‌دهند. نقاط داغ نسبتاً متوسط ​​در شمال غربی نقشه و جنوب شرقی نقشه وجود دارد. تثبیت کلوئیدی در خاک، غلظت منیزیم را در خاک کاهش می‌دهد. کمبود آن در خاک باعث می‌شود گیاهان کلروز بین رگبرگی زرد رنگ نشان دهند. کودهای منیزیم‌دار، مانند سولفات پتاسیم منیزیم، سولفات منیزیم و کیزِریت، کمبودها (گیاهان به رنگ بنفش، قرمز یا قهوه‌ای دیده می‌شوند که نشان دهنده کمبود منیزیم است) را در خاک‌هایی با محدوده pH طبیعی درمان می‌کنند.6. تجمع نیکل در سطوح خاک شهری و اطراف شهری ممکن است به دلیل فعالیت‌های انسانی مانند کشاورزی و اهمیت نیکل در تولید فولاد ضد زنگ باشد.78
توزیع فضایی عناصر [نقشه توزیع فضایی با استفاده از ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) ایجاد شده است.]
نتایج شاخص عملکرد مدل برای عناصر مورد استفاده در این مطالعه در جدول 2 نشان داده شده است. از سوی دیگر، RMSE و MAE مربوط به Ni هر دو نزدیک به صفر هستند (0.86 RMSE، -0.08 MAE). از سوی دیگر، هر دو مقدار RMSE و MAE مربوط به K قابل قبول هستند. نتایج RMSE و MAE برای کلسیم و منیزیم بیشتر بود. نتایج Ca و K به دلیل مجموعه داده‌های مختلف، MAE و RMSE بزرگتر هستند. RMSE و MAE این مطالعه با استفاده از EBK برای پیش‌بینی Ni بهتر از نتایج John و همکاران 54 با استفاده از کریجینگ سینرژیک برای پیش‌بینی غلظت گوگرد در خاک با استفاده از همان داده‌های جمع‌آوری شده، یافت شد. خروجی‌های EBK که ما مطالعه کردیم با خروجی‌های Fabijaczyk و همکاران 41، Yan و همکاران 79، Beguin و همکاران 80، Adhikary و همکاران 81 و John و همکاران 82، به ویژه K و Ni، همبستگی دارد.
عملکرد روش‌های منفرد برای پیش‌بینی محتوای نیکل در خاک‌های شهری و اطراف شهری با استفاده از عملکرد مدل‌ها ارزیابی شد (جدول 3). اعتبارسنجی مدل و ارزیابی دقت آن تأیید کرد که پیش‌بینی‌کننده Ca_Mg_K همراه با مدل EBK SVMR بهترین عملکرد را ارائه می‌دهد. مدل کالیبراسیون Ca_Mg_K-EBK_SVMR، R2، جذر میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) به ترتیب 0.637 (R2)، 95.479 میلی‌گرم بر کیلوگرم (RMSE) و 77.368 میلی‌گرم بر کیلوگرم (MAE) بودند. Ca_Mg_K-SVMR، 0.663 (R2)، 235.974 میلی‌گرم بر کیلوگرم (RMSE) و 166.946 میلی‌گرم بر کیلوگرم (MAE) بود. با این وجود، مقادیر R2 خوبی برای Ca_Mg_K-SVMR (0.663 میلی‌گرم بر کیلوگرم R2) و Ca_Mg-EBK_SVMR به دست آمد. (0.643 = R2)؛ نتایج RMSE و MAE آنها بالاتر از نتایج Ca_Mg_K-EBK_SVMR بود (R2 0.637) (جدول 3 را ببینید). علاوه بر این، RMSE و MAE مدل Ca_Mg-EBK_SVMR (RMSE = 1664.64 و MAE = 1031.49) به ترتیب 17.5 و 13.4 هستند که بزرگتر از Ca_Mg_K-EBK_SVMR هستند. به همین ترتیب، RMSE و MAE مدل Ca_Mg-K SVMR (RMSE = 235.974 و MAE = 166.946) به ترتیب 2.5 و 2.2 بزرگتر از RMSE و MAE مدل Ca_Mg_K-EBK_SVMR هستند. نتایج RMSE محاسبه شده نشان می‌دهد که مجموعه داده‌ها چقدر با خط بهترین برازش متمرکز هستند. RSME و MAE بالاتری مشاهده شد. طبق کبونی و همکاران. 46 و جان و همکاران. 54، هرچه RMSE و MAE به صفر نزدیک‌تر باشند، نتایج بهتر است. SVMR و EBK_SVMR مقادیر RSME و MAE کوانتیزه بالاتری دارند. مشاهده شد که تخمین‌های RSME به طور مداوم بالاتر از مقادیر MAE بودند که نشان دهنده وجود داده‌های پرت است. طبق گفته Legates و McCabe83، میزانی که RMSE از میانگین خطای مطلق (MAE) فراتر می‌رود، به عنوان شاخصی از وجود داده‌های پرت توصیه می‌شود. این بدان معناست که هرچه مجموعه داده‌ها ناهمگن‌تر باشند، مقادیر MAE و RMSE بالاتر است. دقت ارزیابی اعتبارسنجی متقابل مدل ترکیبی Ca_Mg_K-EBK_SVMR برای پیش‌بینی محتوای نیکل در خاک‌های شهری و حومه شهری 63.70٪ بود. طبق گفته لی و همکاران. 59، این سطح از دقت، نرخ عملکرد مدل قابل قبولی است. نتایج حاضر با مطالعه قبلی Tarasov و همکاران مقایسه شده است. 36 که مدل ترکیبی آنها MLPRK (کریگینگ باقیمانده پرسپترون چندلایه) را ایجاد کرد، مربوط به شاخص ارزیابی دقت EBK_SVMR گزارش شده در مطالعه حاضر، RMSE (210) و MAE (167.5) بالاتر از نتایج ما در مطالعه حاضر (RMSE 95.479، MAE 77.368) بود. با این حال، هنگام مقایسه R2 مطالعه حاضر (0.637) با Tarasov و همکاران. با توجه به شکل 36 (0.544)، واضح است که ضریب تعیین (R2) در این مدل ترکیبی بالاتر است. حاشیه خطا (RMSE و MAE) (EBK SVMR) برای مدل ترکیبی دو برابر کمتر است. به همین ترتیب، Sergeev و همکاران 34 برای مدل ترکیبی توسعه‌یافته (کریجینگ باقیمانده پرسپترون چندلایه) 0.28 (R2) ثبت کردند، در حالی که Ni در مطالعه حاضر 0.637 (R2) ثبت کرد. سطح دقت پیش‌بینی این مدل (EBK SVMR) 63.7٪ است، در حالی که دقت پیش‌بینی به‌دست‌آمده توسط Sergeev و همکاران 34 28٪ است. نقشه نهایی (شکل 5) که با استفاده از مدل EBK_SVMR و Ca_Mg_K به عنوان پیش‌بینی‌کننده ایجاد شده است، پیش‌بینی‌هایی از نقاط داغ و متوسط ​​تا نیکل در کل منطقه مورد مطالعه را نشان می‌دهد. این بدان معناست که غلظت نیکل در منطقه مورد مطالعه عمدتاً متوسط ​​است و غلظت‌های بالاتری در برخی مناطق خاص دارد.
نقشه پیش‌بینی نهایی با استفاده از مدل ترکیبی EBK_SVMR و با استفاده از Ca_Mg_K به عنوان پیش‌بینی‌کننده نمایش داده می‌شود. [نقشه توزیع مکانی با استفاده از RStudio (نسخه 1.4.1717: https://www.rstudio.com/) ایجاد شد.]
در شکل 6 غلظت‌های PTE به عنوان یک صفحه ترکیبی متشکل از نورون‌های منفرد نشان داده شده است. هیچ یک از صفحات جزء، الگوی رنگی یکسانی را نشان ندادند. با این حال، تعداد مناسب نورون‌ها در هر نقشه رسم شده 55 است. SeOM با استفاده از رنگ‌های متنوع تولید می‌شود و هرچه الگوهای رنگی مشابه‌تر باشند، خواص نمونه‌ها قابل مقایسه‌تر است. بر اساس مقیاس رنگی دقیق آنها، عناصر منفرد (Ca، K و Mg) الگوهای رنگی مشابهی را با نورون‌های تکی با مرتبه بالا و بیشتر نورون‌های با مرتبه پایین نشان دادند. بنابراین، CaK و CaMg شباهت‌هایی با نورون‌های بسیار مرتبه بالا و الگوهای رنگی کم تا متوسط ​​دارند. هر دو مدل غلظت Ni در خاک را با نمایش رنگ‌های متوسط ​​تا زیاد مانند قرمز، نارنجی و زرد پیش‌بینی می‌کنند. مدل KMg الگوهای رنگی زیاد زیادی را بر اساس نسبت‌های دقیق و تکه‌های رنگی کم تا متوسط ​​نمایش می‌دهد. در یک مقیاس رنگی دقیق از کم تا زیاد، الگوی توزیع مسطح اجزای مدل، الگوی رنگی بالایی را نشان داد که نشان‌دهنده غلظت بالقوه نیکل در خاک است (شکل 4 را ببینید). صفحه جزء مدل CakMg الگوی رنگی متنوعی را از کم تا زیاد نشان می‌دهد. یک مقیاس رنگی دقیق. علاوه بر این، پیش‌بینی مدل از محتوای نیکل (CakMg) مشابه توزیع مکانی نیکل نشان داده شده در شکل 5 است. هر دو نمودار نسبت‌های بالا، متوسط ​​و پایین غلظت نیکل را در خاک‌های شهری و اطراف شهری نشان می‌دهند. شکل 7 روش کانتور را در گروه‌بندی k-means روی نقشه نشان می‌دهد که بر اساس مقدار پیش‌بینی شده در هر مدل به سه خوشه تقسیم شده است. روش کانتور تعداد بهینه خوشه‌ها را نشان می‌دهد. از 115 نمونه خاک جمع‌آوری‌شده، دسته 1 بیشترین نمونه‌های خاک، 74 نمونه، را به دست آورد. خوشه 2، 33 نمونه و خوشه 3، 8 نمونه دریافت کردند. ترکیب پیش‌بینی‌کننده مسطح هفت مؤلفه‌ای ساده شد تا امکان تفسیر صحیح خوشه فراهم شود. با توجه به فرآیندهای انسانی و طبیعی متعدد مؤثر بر تشکیل خاک، داشتن الگوهای خوشه‌بندی متمایز به درستی در یک نقشه SeOM توزیع‌شده دشوار است78.
خروجی صفحه مؤلفه توسط هر متغیر ماشین بردار پشتیبان کریگینگ بیزی تجربی (EBK_SVM_SeOM). [نقشه‌های SeOM با استفاده از RStudio (نسخه 1.4.1717: https://www.rstudio.com/) ایجاد شدند.]
اجزای مختلف طبقه‌بندی خوشه‌ای [نقشه‌های SeOM با استفاده از RStudio (نسخه ۱.۴.۱۷۱۷: https://www.rstudio.com/) ایجاد شدند.]
مطالعه حاضر به وضوح تکنیک‌های مدل‌سازی برای غلظت نیکل در خاک‌های شهری و حومه شهری را نشان می‌دهد. این مطالعه تکنیک‌های مدل‌سازی مختلف، ترکیب عناصر با تکنیک‌های مدل‌سازی، را برای به دست آوردن بهترین راه برای پیش‌بینی غلظت نیکل در خاک آزمایش کرد. ویژگی‌های فضایی مسطح ترکیبی SeOM از تکنیک مدل‌سازی، الگوی رنگی بالایی را از کم به زیاد در مقیاس رنگی دقیق نشان داد که نشان‌دهنده غلظت نیکل در خاک است. با این حال، نقشه توزیع فضایی، توزیع فضایی مسطح اجزای نمایش داده شده توسط EBK_SVMR را تأیید می‌کند (شکل 5 را ببینید). نتایج نشان می‌دهد که مدل رگرسیون ماشین بردار پشتیبان (Ca2Mg2K-SVMR) غلظت نیکل در خاک را به عنوان یک مدل واحد پیش‌بینی می‌کند، اما پارامترهای اعتبارسنجی و ارزیابی دقت، خطاهای بسیار بالایی را از نظر RMSE و MAE نشان می‌دهند. از سوی دیگر، تکنیک مدل‌سازی به کار رفته با مدل EBK_MLR نیز به دلیل مقدار کم ضریب تعیین (R2) دارای نقص است. نتایج خوبی با استفاده از EBK SVMR و عناصر ترکیبی (CaKMg2) با خطاهای RMSE و MAE کم با دقت 63.7٪ به دست آمد. مشخص می‌شود که ترکیب الگوریتم EBK با یک الگوریتم یادگیری ماشین می‌تواند یک الگوریتم ترکیبی تولید کند که می‌تواند غلظت PTEها را در خاک پیش‌بینی کند. نتایج نشان می‌دهد که استفاده از Ca2Mg2K به عنوان پیش‌بینی‌کننده برای پیش‌بینی غلظت نیکل در منطقه مورد مطالعه می‌تواند پیش‌بینی نیکل در خاک را بهبود بخشد. این بدان معناست که استفاده مداوم از کودهای مبتنی بر نیکل و آلودگی صنعتی خاک توسط صنعت فولاد، تمایل به افزایش غلظت نیکل در خاک دارد. این مطالعه نشان داد که مدل EBK می‌تواند سطح خطا را کاهش داده و دقت مدل توزیع مکانی خاک در خاک‌های شهری یا حومه شهری را بهبود بخشد. به طور کلی، ما پیشنهاد می‌کنیم از مدل EBK-SVMR برای ارزیابی و پیش‌بینی PTE در خاک استفاده کنیم. علاوه بر این، ما پیشنهاد می‌کنیم از EBK برای هیبریداسیون با الگوریتم‌های مختلف یادگیری ماشین استفاده کنیم. غلظت‌های نیکل با استفاده از عناصر به عنوان متغیرهای کمکی پیش‌بینی شدند. با این حال، استفاده از متغیرهای کمکی بیشتر، عملکرد مدل را تا حد زیادی بهبود می‌بخشد، که می‌تواند به عنوان محدودیت کار فعلی در نظر گرفته شود. یکی دیگر از محدودیت‌های این مطالعه این است که تعداد مجموعه داده‌ها ۱۱۵ است. بنابراین، اگر داده‌های بیشتری ارائه شود، عملکرد روش هیبریداسیون بهینه پیشنهادی می‌تواند بهبود یابد.
PlantProbs.net.نیکل در گیاهان و خاک https://plantprobs.net/plant/nutrientImbalances/sodium.html (دسترسی در ۲۸ آوریل ۲۰۲۱).
کاسپرزاک، کی. اس. نیکل، پیشرفت‌ها در سم‌شناسی محیطی مدرن. محیط. سم‌شناسی. 11، 145–183 (1987).
کمپل، ام. و نیکل، جی. نیکل: مروری بر منابع و سم‌شناسی محیطی آن. مجله لهستانی محیط زیست. مطالعه. 15، 375–382 (2006).
فریدمن، ب. و هاچینسون، ورودی آلاینده‌های TC از جو و تجمع آنها در خاک و پوشش گیاهی نزدیک یک کارخانه ذوب نیکل-مس در سودبری، انتاریو، کانادا.can.J. Bot.58(1)، 108-132.https://doi.org/10.1139/b80-014 (1980).
مانیویا، تی. و همکاران. فلزات سنگین در خاک، گیاهان و خطرات مرتبط با چرای نشخوارکنندگان در نزدیکی معدن مس-نیکل سلبی-فیکوه در بوتسوانا. محیط. ژئوشیمی. سلامت https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. عناصر کمیاب در خاک و... – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+عناصر کمیاب+در+خاک+و+گیاهان.+ویرایش چهارم.+New+York+%28NY%29%3A+CRC+Press&btnG= (دسترسی در ۲۴ نوامبر ۲۰۲۰).
آلماس، آ.، سینگ، ب.، کشاورزی، TS-NJ of & 1995، تعریف نشده. اثرات صنعت نیکل روسیه بر غلظت فلزات سنگین در خاک‌های کشاورزی و علفزارها در سور-وارانگر، نروژ.agris.fao.org.
نیلسن، جی‌دی و همکاران. جذب و احتباس نیکل در آب آشامیدنی با مصرف غذا و حساسیت به نیکل مرتبط است. سم‌شناسی. کاربرد. فارماکودینامیک. 154، 67-75 (1999).
کاستا، ام. و کلاین، سی‌بی. سرطان‌زایی نیکل، جهش، اپی‌ژنتیک یا انتخاب. محیط. چشم‌انداز سلامت. 107، 2 (1999).
آژمان، پی‌سی؛ آژادو، اس‌کی؛ بوروکا، ال.؛ بینی، جی‌کی‌ام؛ سارکودی، وی‌یو؛ کوبونی، ان‌ام؛ تحلیل روند عناصر بالقوه سمی: یک بررسی کتاب‌سنجی. ژئوشیمی و سلامت محیطی. اشپرینگر ساینس اند بیزینس مدیا بی‌وی ۲۰۲۰. https://doi.org/10.1007/s10653-020-00742-9.
میناسنی، ب. و مک‌براتنی، ای‌بی. نقشه‌برداری دیجیتال خاک: تاریخچه‌ای مختصر و برخی درس‌ها. ژئودرما ۲۶۴، ۳۰۱–۳۱۱. https://doi.org/10.1016/j.geoderma.2015.07.017 (۲۰۱۶).
McBratney, AB, Mendonça Santos, ML & Minasny, B. در نقشه برداری خاک دیجیتال. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
مدل‌سازی زمین‌آماری مخزن Deutsch.CV،… – 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= (دسترسی در ۲۸ آوریل ۲۰۲۱).