Kiitos käynnistäsi Nature.com-sivustolla. Käyttämäsi selainversio tukee CSS:ää rajoitetusti. Parhaan käyttökokemuksen saavuttamiseksi suosittelemme käyttämään päivitettyä selainta (tai poistamaan yhteensopivuustilan käytöstä Internet Explorerissa). Sillä välin näytämme sivuston ilman tyylejä ja JavaScriptiä jatkuvan tuen varmistamiseksi.
Maaperän saastuminen on suuri ihmisen toiminnan aiheuttama ongelma. Mahdollisesti myrkyllisten alkuaineiden (PTE) alueellinen jakauma vaihtelee useimmilla kaupunki- ja esikaupunkialueilla. Siksi PTE-pitoisuuksien ennustaminen tällaisissa maaperissä on vaikeaa. Frydek Mistekiltä Tšekin tasavallasta saatiin yhteensä 115 näytettä. Kalsiumin (Ca), magnesiumin (Mg), kaliumin (K) ja nikkelin (Ni) pitoisuudet määritettiin induktiivisesti kytketyllä plasmaemissiospektrometrialla. Vastemuuttuja on Ni ja ennustavat muuttujat ovat Ca, Mg ja K. Vastemuuttujan ja ennustavan muuttujan välinen korrelaatiomatriisi osoittaa tyydyttävän korrelaation alkuaineiden välillä. Ennustetulokset osoittivat, että tukivektorikoneregressio (SVMR) toimi hyvin, vaikka sen arvioitu neliöjuurivirhe (RMSE) (235,974 mg/kg) ja keskimääräinen absoluuttinen virhe (MAE) (166,946 mg/kg) olivat korkeammat kuin muilla käytetyillä menetelmillä. Empiirisen Bayes-kriging-moninkertaisen lineaarisen regression sekamallit (EBK-MLR) toimivat huonosti, kuten määrityskertoimet osoittavat. alle 0,1. Empiirinen Bayes-kriging-tuki-vektorikoneregressiomalli (EBK-SVMR) oli paras malli, jolla oli matalat RMSE- (95,479 mg/kg) ja MAE- (77,368 mg/kg) arvot ja korkea määrityskerroin (R2 = 0,637). EBK-SVMR-mallinnustekniikan tulos visualisoidaan itseorganisoituvan kartan avulla. Hybridimallin CakMg-EBK-SVMR-komponentin tasossa olevat klusteroituneet neuronit näyttävät useita värikuvioita, jotka ennustavat Ni-pitoisuuksia kaupunki- ja esikaupunkialueiden maaperässä. Tulokset osoittavat, että EBK:n ja SVMR:n yhdistäminen on tehokas tekniikka Ni-pitoisuuksien ennustamiseen kaupunki- ja esikaupunkialueiden maaperässä.
Nikkeliä (Ni) pidetään kasvien hivenaineena, koska se edistää ilmakehän typen (N) sitoutumista ja urean aineenvaihduntaa, joita molempia tarvitaan siementen itämiseen. Siementen itämisen edistämisen lisäksi nikkeli voi toimia sieni- ja bakteerien estäjänä ja edistää kasvien kehitystä. Nikkelin puute maaperässä antaa kasville mahdollisuuden imeä sitä, mikä johtaa lehtien kloroosiin. Esimerkiksi lehmänherneet ja vihreät pavut vaativat nikkelipohjaisten lannoitteiden käyttöä typensidonnan optimoimiseksi2. Nikkelipohjaisten lannoitteiden jatkuva käyttö maaperän rikastamiseksi ja palkokasvien kyvyn lisäämiseksi sitoa typpeä maaperään lisää jatkuvasti maaperän nikkelipitoisuutta. Vaikka nikkeli on kasvien hivenaine, sen liiallinen saanti maaperään voi aiheuttaa enemmän haittaa kuin hyötyä. Nikkelin myrkyllisyys maaperässä alentaa maaperän pH-arvoa ja estää raudan ottoa kasvien kasvulle välttämättömänä ravintoaineena1. Liun3 mukaan nikkelin on todettu olevan 17. tärkein alkuaine, jota tarvitaan kasvien kehitykseen ja kasvuun. Nikkelin roolin lisäksi kasvien kehityksessä ja kasvussa ihmiset tarvitsevat sitä moniin eri käyttötarkoituksiin.Galvanointi, nikkelipohjaisten seosten tuotanto ja Autoteollisuuden sytytyslaitteet ja sytytystulpat vaativat kaikki nikkelin käyttöä useilla teollisuudenaloilla. Lisäksi nikkelipohjaisia ​​seoksia ja galvanoituja artikkeleita on käytetty laajalti keittiövälineissä, juhlasalien varusteissa, elintarviketeollisuuden tarvikkeissa, sähkölaitteissa, johtimissa ja kaapeleissa, suihkuturbiineissa, kirurgisissa implanteissa, tekstiileissä ja laivanrakennuksessa5. Maaperän (eli pintamaan) nikkelipitoisuuksia on pidetty sekä ihmisen toiminnan että luonnollisten lähteiden aiheuttamina, mutta ensisijaisesti nikkeli on luonnollinen lähde eikä ihmisen toiminnan aiheuttama4,6. Luonnollisia nikkelin lähteitä ovat tulivuorenpurkaukset, kasvillisuus, metsäpalot ja geologiset prosessit. Ihmisen toiminnan aiheuttamia lähteitä ovat kuitenkin nikkeli-/kadmiumakut terästeollisuudessa, galvanointi, kaarihitsaus, diesel- ja polttoöljyt sekä ilmakehän päästöt hiilen poltosta ja jätteen ja lietteen poltosta. Nikkelin kertyminen7,8. Freedmanin ja Hutchinsonin9 sekä Manyiwan ym. mukaan... 10, pintamaan saastumisen pääasialliset lähteet välittömässä ja lähiympäristössä ovat pääasiassa nikkeli-kuparipohjaiset sulatot ja kaivokset. Kanadassa sijaitsevan Sudburyn nikkeli-kuparijalostamon ympäristön pintamaassa oli korkeimmat nikkelikontaminaatiotasot, 26 000 mg/kg11. Sitä vastoin nikkelintuotannon aiheuttama saastuminen Venäjällä on johtanut korkeampiin nikkelipitoisuuksiin Norjan maaperässä11. Almsin ym. mukaan... 12, HNO3:lla uutettavan nikkelin määrä alueen parhaimmilla viljelysmailla (nikkelin tuotanto Venäjällä) vaihteli 6,25–136,88 mg/kg:n välillä, mikä vastaa keskimäärin 30,43 mg/kg ja lähtötason pitoisuutta 25 mg/kg. Kabata 11:n mukaan fosforilannoitteiden käyttö maatalousmaissa kaupunki- tai esikaupunkialueilla peräkkäisten satokausien aikana voi saastuttaa maaperän. Nikkelin mahdolliset vaikutukset ihmisiin voivat johtaa syöpään mutageneesin, kromosomivaurioiden, Z-DNA:n muodostumisen, DNA:n korjauksen estymisen tai epigeneettisten prosessien kautta.13. Eläinkokeissa nikkelin on havaittu voivan aiheuttaa erilaisia ​​kasvaimia, ja karsinogeeniset nikkelikompleksit voivat pahentaa tällaisia ​​kasvaimia.
Maaperän saastumisen arvioinnit ovat kukoistaneet viime aikoina monien terveyteen liittyvien ongelmien vuoksi, jotka johtuvat maaperän ja kasvien välisistä suhteista, maaperän ja maaperän biologisista suhteista, ekologisesta tilan heikkenemisestä ja ympäristövaikutusten arvioinnista. Tähän mennessä maaperän potentiaalisesti myrkyllisten alkuaineiden (PTE) kuten nikkelin, spatiaalinen ennustaminen on ollut työlästä ja aikaa vievää perinteisillä menetelmillä. Digitaalisen maaperäkartoituksen (DSM) tulo ja sen nykyinen menestys15 ovat parantaneet huomattavasti ennakoivaa maaperäkartoitusta (PSM). Minasnyn ja McBratneyn16 mukaan ennakoiva maaperäkartoitus (DSM) on osoittautunut merkittäväksi maaperätieteen osa-alueeksi. Lagacherie ja McBratney (2006) määrittelevät DSM:n "spatiaalisten maaperätietojärjestelmien luomiseksi ja täyttämiseksi käyttämällä in situ- ja laboratoriohavainnointimenetelmiä sekä spatiaalisia ja ei-spatiaalisia maaperän päättelyjärjestelmiä". McBratney et al. 17 hahmottelee, että nykyinen DSM tai PSM on tehokkain tekniikka PTE-arvojen, maaperätyyppien ja maaperän ominaisuuksien alueellisen jakauman ennustamiseen tai kartoittamiseen. Geostatistiikka ja koneoppimisalgoritmit (MLA) ovat DSM-mallinnustekniikoita, jotka luovat digitoituja karttoja tietokoneiden avulla käyttämällä merkittävää ja minimaalista dataa.
Deutsch18 ja Olea19 määrittelevät geostatistiikkaa "kokoelmaksi numeerisia tekniikoita, jotka käsittelevät paikkatietojen ominaisuuksien esittämistä, pääasiassa käyttäen stokastisia malleja, kuten sitä, miten aikasarja-analyysi kuvaa ajallista dataa." Ensisijaisesti geostatistiikka sisältää variogrammien arvioinnin, joiden avulla voidaan kvantifioida ja määritellä kunkin tietojoukon paikkatietojen arvojen riippuvuudet20. Gumiaux et al. Kuvio 20 havainnollistaa edelleen, että variogrammien arviointi geostatistiikassa perustuu kolmeen periaatteeseen: (a) datan korrelaatioasteikon laskemiseen, (b) datan epäsuhdan anisotropian tunnistamiseen ja laskemiseen ja (c) mittausdatan paikallisista vaikutuksista erotetun luontaisen virheen huomioon ottamisen lisäksi myös aluevaikutukset arvioidaan. Näiden käsitteiden pohjalta geostatistiikassa käytetään monia interpolointitekniikoita, mukaan lukien yleinen kriging, yhteiskriging, tavallinen kriging, empiirinen Bayes-kriging, yksinkertainen kriging-menetelmä ja muut tunnetut interpolointitekniikat osuman tehon (PTE), maaperän ominaisuuksien ja maaperätyyppien kartoittamiseen tai ennustamiseen.
Koneoppimisalgoritmit (MLA) ovat suhteellisen uusi tekniikka, joka käyttää suurempia epälineaarisia dataluokkia. Niitä tukevat algoritmit, joita käytetään pääasiassa tiedonlouhintaan, datan kaavojen tunnistamiseen ja toistuvasti luokitteluun tieteenaloilla, kuten maaperätieteessä ja paluutehtävissä. Lukuisat tutkimuspaperit perustuvat MLA-malleihin maaperän PTE-arvojen ennustamiseen, kuten Tan et al. 22 (satunnaismetsät raskasmetallien arvioimiseksi maatalousmaissa), Sakizadeh et al. 23 (mallinnus tukivektorikoneiden ja keinotekoisten neuroverkkojen avulla) maaperän saastuminen). Lisäksi Vega et al. 24 (CART raskasmetallien pidättymisen ja adsorboitumisen mallintamiseen maaperässä), Sun et al. 25 (kubistin soveltaminen maaperän kadmiumin jakaumaan) ja muut algoritmit, kuten k-lähimmän naapurin algoritmi, yleistetty tehostettu regressio ja tehostetut regressiopuut, käyttivät myös MLA:ta maaperän PTE-arvojen ennustamiseen.
DSM-algoritmien soveltaminen ennustamiseen tai kartoitukseen kohtaa useita haasteita. Monet kirjoittajat uskovat, että MLA on geostatistiikkaa parempi ja päinvastoin. Vaikka toinen on parempi kuin toinen, näiden kahden yhdistelmä parantaa kartoituksen tai ennusteen tarkkuutta DSM:ssä15. Woodcock ja Gopal26 Finke27; Pontius ja Cheuk28 ja Grunwald29 kommentoivat ennustetun maaperän kartoituksen puutteita ja joitakin virheitä. Maaperätutkijat ovat kokeilleet erilaisia ​​tekniikoita DSM-kartoituksen ja -ennusteiden tehokkuuden, tarkkuuden ja ennustettavuuden optimoimiseksi. Epävarmuuden ja varmentamisen yhdistelmä on yksi monista eri näkökohdista, jotka on integroitu DSM:ään tehokkuuden optimoimiseksi ja virheiden vähentämiseksi. Agyeman ym.15 kuitenkin esittävät, että kartan luomisen ja ennustamisen aiheuttama validointikäyttäytyminen ja epävarmuus tulisi validoida erikseen kartan laadun parantamiseksi. DSM:n rajoitukset johtuvat maantieteellisesti hajanaisesta maaperän laadusta, johon liittyy epävarmuuskomponentti; DSM:n epävarmuus voi kuitenkin johtua useista virhelähteistä, nimittäin kovariaattivirheestä, mallivirheestä, sijaintivirheestä ja analyyttisestä virheestä 31. MLA:n ja geostatististen prosessien aiheuttamat mallinnusepätarkkuudet liittyvät ymmärryksen puutteeseen, mikä lopulta johtaa todellisen prosessin yksinkertaistamiseen 32. Mallinnuksen luonteesta riippumatta epätarkkuudet voidaan katsoa johtuvan mallinnusparametreista, matemaattisten mallien ennusteista tai interpoloinnista 33. Viime aikoina on syntynyt uusi DSM-trendi, joka edistää geostatistiikan ja MLA:n integrointia kartoituksessa ja ennustamisessa. Useat maaperätutkijat ja kirjoittajat, kuten Sergeev ym. 34; Subbotina ym. 35; Tarasov ym. 36 ja Tarasov ym. 37, ovat hyödyntäneet geostatistiikan ja koneoppimisen tarkkuutta luodakseen hybridimalleja, jotka parantavat ennustamisen ja kartoituksen tehokkuutta. laatu. Joitakin näistä hybridi- tai yhdistetyistä algoritmimalleista ovat tekoälyverkkokriging (ANN-RK), monikerroksinen perceptronijäännöskriging (MLP-RK), yleistetty regressiohermoverkkojäännöskriging (GR-NNRK)36, tekoälyverkkokriging-monikerroksinen perceptroni (ANN-K-MLP)37 sekä kokriging ja Gaussinen prosessiregressio38.
Sergeevin ym. mukaan erilaisten mallinnustekniikoiden yhdistäminen voi poistaa virheitä ja parantaa tuloksena olevan hybridimallin tehokkuutta sen sijaan, että kehitettäisiin vain yksi malli. Tässä yhteydessä tässä uudessa artikkelissa väitetään, että on tarpeen soveltaa geostatistiikan ja MLA:n yhdistettyä algoritmia optimaalisten hybridimallien luomiseksi Ni:n rikastumisen ennustamiseksi kaupunki- ja esikaupunkialueilla. Tässä tutkimuksessa käytetään empiiristä Bayes-krigingiä (EBK) perusmallina ja yhdistetään sitä tukivektorikoneeseen (SVM) ja moninkertaiseen lineaariseen regressioon (MLR). EBK:n hybridisaatiota minkään MLA:n kanssa ei tunneta. Havaitut useat sekamallit ovat tavallisen, residuaalisen, regressiokrigingin ja MLA:n yhdistelmiä. EBK on geostatistinen interpolointimenetelmä, joka hyödyntää spatiaalisesti stokastista prosessia, joka lokalisoidaan ei-stationääriseksi/stationääriseksi satunnaiskentäksi, jolla on määritellyt lokalisointiparametrit kentän laajuudelle, mikä mahdollistaa spatiaalisen vaihtelun39. EBK:ta on käytetty useissa tutkimuksissa, mukaan lukien orgaanisen hiilen jakautumisen analysointi maatalousmaissa40, maaperän saastumisen arviointi41 ja maaperän ominaisuuksien kartoitus42.
Toisaalta itseorganisoituva graafi (SeOM) on oppimisalgoritmi, jota on sovellettu useissa artikkeleissa, kuten Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 ja Kebonye et al. 46. Määritä elementtien spatiaaliset ominaisuudet ja ryhmittely. Wang et al. 44 havainnollistavat, että SeOM on tehokas oppimistekniikka, joka tunnetaan kyvystään ryhmitellä ja kuvitella epälineaarisia ongelmia. Toisin kuin muut hahmontunnistustekniikat, kuten pääkomponenttianalyysi, sumea klusterointi, hierarkkinen klusterointi ja monikriteerinen päätöksenteko, SeOM on parempi PTE-kuvioiden järjestämisessä ja tunnistamisessa. Wang et al. 44:n mukaan SeOM voi ryhmitellä spatiaalisesti toisiinsa liittyvien neuronien jakauman ja tarjota korkean resoluution datan visualisointia. SeOM visualisoi Ni-ennustedataa saadakseen parhaan mallin tulosten karakterisoimiseksi suoraa tulkintaa varten.
Tämän artikkelin tavoitteena on luoda luotettava kartoitusmalli, jolla on optimaalinen tarkkuus nikkelipitoisuuden ennustamiseen kaupunkien ja esikaupunkien maaperässä. Oletamme, että sekamallin luotettavuus riippuu pääasiassa muiden perusmalliin liitettyjen mallien vaikutuksesta. Tiedostamme DSM:n kohtaamat haasteet, ja vaikka näihin haasteisiin puututaan useilla rintamilla, geostatistiikan ja MLA-mallien edistysaskeleiden yhdistelmä näyttää olevan inkrementaalinen; siksi pyrimme vastaamaan tutkimuskysymyksiin, jotka voivat johtaa sekamallien syntymiseen. Kuinka tarkka malli kuitenkin on kohdealkuaineen ennustamisessa? Mikä on myös tehokkuuden arvioinnin taso validoinnin ja tarkkuuden arvioinnin perusteella? Siksi tämän tutkimuksen erityistavoitteet olivat (a) luoda yhdistetty seosmalli SVMR:lle tai MLR:lle käyttäen EBK:ta perusmallina, (b) verrata tuloksena olevia malleja, (c) ehdottaa parasta seosmallia Ni-pitoisuuksien ennustamiseen kaupunkien tai esikaupunkien maaperässä ja (d) soveltaa SeOM:ia nikkelin spatiaalisen vaihtelun korkean resoluution kartan luomiseen.
Tutkimus toteutetaan Tšekin tasavallassa, tarkemmin sanottuna Frydek Mistekin piirikunnassa Määri-Sleesian alueella (katso kuva 1). Tutkimusalueen maantiede on hyvin karua ja se on suurimmaksi osaksi osa Määri-Sleesian Beskidien aluetta, joka on osa Karpaattien ulkoreunaa. Tutkimusalue sijaitsee koordinaattien 49° 41′ 0′ N ja 18° 20′ 0′ E välillä, ja korkeus merenpinnasta on 225–327 metriä. Koppenin luokittelujärjestelmän mukaan alueen ilmastollinen tila on kuitenkin Cfb = lauhkea valtameri-ilmasto. Sademäärä on runsas myös kuivina kuukausina. Lämpötilat vaihtelevat hieman vuoden aikana −5 °C:n ja 24 °C:n välillä, harvoin laskeen alle −14 °C:n tai yli 30 °C:n, kun taas keskimääräinen vuotuinen sademäärä on 685–752 mm47. Koko alueen arvioitu tutkimusalue on 1 208 neliökilometriä, josta 39,38 % on viljelymaasta ja 49,36 % metsää. Toisaalta tässä tutkimuksessa käytetty alue on noin 889,8 neliökilometriä. Ostravassa ja sen ympäristössä terästeollisuus ja metallitehtaat ovat erittäin aktiivisia. Metallitehtaat, terästeollisuus, jossa nikkeliä käytetään ruostumattomissa teräksissä (esim. ilmakehän korroosionkestävyyden parantamiseksi) ja seosteräksissä (nikkeli lisää seoksen lujuutta säilyttäen samalla sen hyvän sitkeyden ja sitkeyden), sekä tehomaatalous, kuten fosfaattilannoitteiden käyttö ja karjankasvatus, ovat tutkimuspotentiaalisia nikkelin lähteitä alueella. (esim. nikkelin lisääminen karitsoille karitsojen ja niukkaruokitun karjan kasvunopeuden lisäämiseksi). Muita nikkelin teollisia käyttötarkoituksia tutkimusalueilla ovat sen käyttö galvanointiprosessissa, mukaan lukien nikkelin galvanointi ja kemialliset nikkelipinnoitusprosessit. Maaperän ominaisuudet ovat helposti erotettavissa maaperän väristä, rakenteesta ja karbonaattipitoisuudesta. Maaperän rakenne on keskikarkea tai hienojakoinen, ja se on peräisin lähtömateriaalista. Ne ovat luonteeltaan kolluviaalisia, alluviaalisia tai eolisia. Jotkut maaperäalueet näyttävät laikukkailta pinnalla ja pohjamaassa, usein betonin ja valkaisun peitossa. Cambisolit ja stagnosolit ovat kuitenkin alueen yleisimmät maaperätyypit48. Cambisolit ovat vallitsevia Tšekin tasavallassa, ja niiden korkeus merenpinnasta vaihtelee 455,1 metrin ja 493,5 metrin välillä49.
Tutkimusalueen kartta [Tutkimusalueen kartta luotiin ArcGIS Desktopilla (ESRI, Inc, versio 10.7, URL: https://desktop.arcgis.com).]
Frydek Mistekin alueella saatiin yhteensä 115 pintamaanäytettä kaupunkien ja kaupunkien lähiöiden maaperästä. Käytetty näytekaava oli säännöllinen ruudukko, jossa maanäytteet olivat 2 × 2 km:n päässä toisistaan, ja pintamaa mitattiin 0–20 cm:n syvyydessä kädessä pidettävällä GPS-laitteella (Leica Zeno 5 GPS). Näytteet pakataan vetoketjullisiin pusseihin, merkitään asianmukaisesti ja lähetetään laboratorioon. Näytteet ilmakuivattiin jauhettujen näytteiden tuottamiseksi, jauhettiin mekaanisella järjestelmällä (Fritsch-kiekkomylly) ja seulottiin (seulan koko 2 mm). Laita 1 gramma kuivattuja, homogenisoituja ja seulottuja maanäytteitä selkeästi merkittyihin teflonpulloihin. Annostele jokaiseen teflonastiaan 7 ml 35-prosenttista HCl:a ja 3 ml 65-prosenttista HNO3:a (käyttäen automaattista annostelijaa – yksi kutakin happoa kohden), peitä kevyesti ja anna näytteiden seistä yön yli reaktiota varten (kuningasvesiohjelma). Aseta supernatantti kuumalle metallilevylle (lämpötila: 100 W ja 160 °C) 2 tuntia näytteiden sulatuksen helpottamiseksi ja jäähdytä sitten. Siirrä supernatantti 50 ml:n mittapulloon ja laimenna 50 ml:aan deionisoidulla vedellä. Suodata sen jälkeen laimennettu supernatantti 50 ml:n PVC-putkeen deionisoidulla vedellä. Lisäksi 1 ml laimennusliuosta laimennettiin 9 ml:lla deionisoitua vettä ja suodatettiin 12 ml:n putkeen, joka oli valmistettu PTE-pseudokonsentraatiota varten. PTE-yhdisteiden (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) pitoisuudet määritettiin ICP-OES:llä (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) standardimenetelmien ja sopimuksen mukaisesti. Laadunvarmistus- ja valvontamenettelyt (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-yhdisteet, joiden havaitsemisrajat olivat alle puolet, suljettiin pois tästä tutkimuksesta. Tässä tutkimuksessa käytetyn PTE:n havaitsemisraja oli 0,0004 (sinä). Lisäksi jokaisen analyysin laadunvalvonta ja laadunvarmistusprosessi varmistetaan analysoimalla referenssistandardeja. Virheiden minimoimiseksi suoritettiin kaksinkertainen analyysi.
Empiirinen Bayes-kriging (EBK) on yksi monista geostatistisista interpolointitekniikoista, joita käytetään mallinnuksessa eri aloilla, kuten maaperätieteessä. Toisin kuin muut kriging-interpolointitekniikat, EBK eroaa perinteisistä kriging-menetelmistä siinä, että siinä otetaan huomioon semivariogrammimallin arvioima virhe. EBK-interpoloinnissa lasketaan useita semivariogrammimalleja yhden semivariogrammin sijaan. Interpolointitekniikat tekevät tilaa semivariogrammin piirtämiseen liittyvälle epävarmuudelle ja ohjelmoinnille, joka muodostaa erittäin monimutkaisen osan riittävän kriging-menetelmän. EBK:n interpolointiprosessi noudattaa Krivoruchkon50 ehdottamia kolmea kriteeriä: (a) malli arvioi semivariogrammin syöttöaineistosta, (b) uusi ennustettu arvo kullekin syöttöaineiston sijainnille luodun semivariogrammin perusteella ja (c) lopullinen A-malli lasketaan simuloidusta aineistosta. Bayes-yhtälön sääntö annetaan posteriorijakaumana
Missä \(Prob\left(A\right)\) edustaa prioriaa, \(Prob\left(B\right)\) marginaalitodennäköisyys jätetään useimmissa tapauksissa huomiotta, \(Prob (B,A)\). Semivariogrammin laskenta perustuu Bayesin sääntöön, joka osoittaa, kuinka todennäköisesti semivariogrammeista voidaan luoda havaintoaineistoja. Semivariogrammin arvo määritetään sitten Bayesin säännön avulla, joka ilmaisee, kuinka todennäköisesti semivariogrammista luodaan havaintoaineisto.
Tukivektorikone on koneoppimisalgoritmi, joka luo optimaalisen erotteluhypertason erottaakseen identtiset, mutta ei lineaarisesti riippumattomat luokat. Vapnik51 loi intent-luokittelualgoritmin, mutta sitä on viime aikoina käytetty regressiopohjaisten ongelmien ratkaisemiseen. Li et al.52 mukaan SVM on yksi parhaista luokittelutekniikoista ja sitä on käytetty useilla aloilla. Tässä analyysissä käytettiin SVM:n regressiokomponenttia (Support Vector Machine Regression – SVMR). Cherkassky ja ​​Mulier53 olivat SVMR:n edelläkävijöitä ydinpohjaisena regressiona, jonka laskenta suoritettiin käyttämällä lineaarista regressiomallia, jossa oli usean maan spatiaaliset funktiot. John et al.54 raportoivat, että SVMR-mallinnus käyttää hypertason lineaarista regressiota, joka luo epälineaarisia suhteita ja mahdollistaa spatiaaliset funktiot. Vohland et al.54 mukaan 55, epsilon (ε)-SVMR käyttää koulutettua datajoukkoa saadakseen esitysmallin epsilon-epäherkkänä funktiona, jota käytetään datan itsenäiseen kartoittamiseen parhaalla epsilon-poikkeamalla korreloivan datan koulutuksesta. Esiasetettu etäisyysvirhe jätetään huomiotta todellisesta arvosta, ja jos virhe on suurempi kuin ε(ε), maaperän ominaisuudet kompensoivat sen. Malli myös vähentää koulutusdatan monimutkaisuutta laajempaan tukivektorien osajoukkoon. Vapnikin51 ehdottama yhtälö on esitetty alla.
jossa b edustaa skalaarikynnystä, \(K\left({x}_{,}{ x}_{k}\right)\) edustaa ydinfunktiota, \(\alpha\) edustaa Lagrangen kerrointa, N edustaa numeerista tietojoukkoa, \({x}_{k}\) edustaa datasyöttöä ja \(y\) on datalähtö. Yksi käytetyistä keskeisistä ytimistä on SVMR-operaatio, joka on Gaussin radiaalinen perusfunktio (RBF). RBF-ydintä käytetään optimaalisen SVMR-mallin määrittämiseen, mikä on ratkaisevan tärkeää mahdollisimman pienen rangaistusjoukon tekijän C ja ydinparametrin gamma (γ) saamiseksi PTE-harjoitusdatalle. Ensin arvioimme harjoitusjoukon ja testasimme sitten mallin suorituskykyä validointijoukolla. Käytetty ohjausparametri on sigma ja metodin arvo on svmRadial.
Usean muuttujan lineaarinen regressiomalli (MLR) on regressiomalli, joka kuvaa vastemuuttujan ja useiden ennustavien muuttujien välistä suhdetta käyttämällä lineaarisia yhdistettyjä parametreja, jotka on laskettu pienimmän neliösumman menetelmällä. MLR:ssä pienimmän neliösumman malli on maaperän ominaisuuksien ennustava funktio selittävien muuttujien valinnan jälkeen. Vastetta on käytettävä lineaarisen suhteen luomiseksi selittävien muuttujien avulla. PTE:tä käytettiin vastemuuttujana lineaarisen suhteen luomiseksi selittävien muuttujien kanssa. MLR-yhtälö on
jossa y on vastemuuttuja, \(a\) on leikkauspiste, n on ennustajien lukumäärä, \({b}_{1}\) on kertoimien osittainen regressio, \({x}_{i}\) edustaa ennustavaa tai selittävää muuttujaa ja \({\varepsilon }_{i}\) edustaa mallin virhettä, joka tunnetaan myös residuaalina.
Sekamallit saatiin yhdistämällä EBK SVMR:ään ja MLR:ään. Tämä tehdään poimimalla ennustetut arvot EBK-interpoloinnista. Interpoloiduista Ca:sta, K:sta ja Mg:sta saadut ennustetut arvot saadaan kombinatorisella prosessilla uusien muuttujien, kuten CaK:n, CaMg:n ja KMg:n, saamiseksi. Alkuaineet Ca, K ja Mg yhdistetään sitten neljännen muuttujan, CaKMg:n, saamiseksi. Kaiken kaikkiaan saadut muuttujat ovat Ca, K, Mg, CaK, CaMg, KMg ja CaKMg. Näistä muuttujista tuli ennustajiamme, jotka auttoivat ennustamaan nikkelipitoisuuksia kaupunkien ja esikaupunkien maaperässä. SVMR-algoritmi suoritettiin ennustajille sekamallin empiirisen Bayes-kriging-tukivektorikoneen (EBK_SVM) saamiseksi. Vastaavasti muuttujat johdetaan myös MLR-algoritmin läpi sekamallin empiirisen Bayes-kriging-monilinjaisen lineaarisen regression (EBK_MLR) saamiseksi. Tyypillisesti muuttujat Ca, K, Mg, CaK, CaMg, KMg ja CaKMg:tä käytetään kovariaatteina Ni-pitoisuuden ennustajina kaupunkien ja esikaupunkien maaperässä. Saatu hyväksyttävin malli (EBK_SVM tai EBK_MLR) visualisoidaan sitten itseorganisoituvan kaavion avulla. Tutkimuksen työnkulku on esitetty kuvassa 2.
SeOM:n käytöstä on tullut suosittu työkalu datan järjestämiseen, arviointiin ja ennustamiseen rahoitusalalla, terveydenhuollossa, teollisuudessa, tilastoissa, maaperätieteessä ja muualla. SeOM luodaan käyttämällä tekoälyverkkoja ja ohjaamattomia oppimismenetelmiä järjestämiseen, arviointiin ja ennustamiseen. Tässä tutkimuksessa SeOM:ia käytettiin visualisoimaan nikkelipitoisuuksia perustuen parhaaseen malliin nikkelin ennustamiseksi kaupunkien ja esikaupunkien maaperässä. SeOM-arvioinnissa käsiteltyjä tietoja käytetään n-syöteulotteisina vektorimuuttujina43,56. Melssen et al. 57 kuvaavat syötteen vektorin kytkennän neuroverkkoon yhden syötteen kerroksen kautta lähtövektoriin, jolla on yksi painovektori. SeOM:n tuottama tuloste on kaksiulotteinen kartta, joka koostuu eri neuroneista tai solmuista, jotka on kudottu kuusikulmaisiksi, pyöreiksi tai neliömäisiksi topologisiksi kartoiksi niiden läheisyyden mukaan. Vertailemalla karttakokoja metriikan, kvantisointivirheen (QE) ja topografisen virheen (TE) perusteella valitaan SeOM-malli, jonka arvot ovat vastaavasti 0,086 ja 0,904, mikä on 55 kartan yksikkö (5 × 11). Neuronirakenne määräytyy empiirisen yhtälön solmujen lukumäärän mukaan.
Tässä tutkimuksessa käytettyjen tietojen määrä on 115 otosta. Data jaettiin satunnaisesti testidataan (25 % validointiin) ja harjoitusdataan (75 % kalibrointiin). Harjoitusdataa käytetään regressiomallin luomiseen (kalibrointiin), ja testidataa käytetään yleistyskyvyn varmentamiseen58. Tämä tehtiin eri mallien soveltuvuuden arvioimiseksi maaperän nikkelipitoisuuden ennustamiseen. Kaikki käytetyt mallit kävivät läpi kymmenkertaisen ristiinvalidointiprosessin, joka toistettiin viisi kertaa. EBK-interpoloinnilla tuotettuja muuttujia käytetään ennustavina tai selittävinä muuttujina kohdemuuttujan (PTE) ennustamiseksi. Mallinnus käsitellään RStudiossa käyttämällä paketteja library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) ja libraries (“Metrics”).
Erilaisia ​​validointiparametreja käytettiin määrittämään paras malli, joka soveltuu ennustamaan maaperän nikkelipitoisuuksia, sekä arvioimaan mallin ja sen validoinnin tarkkuutta. Hybridisaatiomalleja arvioitiin käyttämällä keskimääräistä absoluuttista virhettä (MAE), keskimääräistä neliövirhettä (RMSE) ja R-neliö- eli kerroinmääritystä (R2). R2 määrittelee vastauksen osuuksien varianssin, jota edustaa regressiomalli. RMSE ja varianssin suuruus riippumattomissa mittauksissa kuvaavat mallin ennustuskykyä, kun taas MAE määrittää todellisen kvantitatiivisen arvon. R2-arvon on oltava korkea, jotta paras seosmalli voidaan arvioida validointiparametrien avulla. Mitä lähempänä arvoa 1, sitä suurempi tarkkuus. Li et al. 59:n mukaan R2-kriteerin arvoa 0,75 tai suurempaa pidetään hyvänä ennustajana; 0,5–0,75 on hyväksyttävä mallin suorituskyky ja alle 0,5 on hyväksymätön mallin suorituskyky. Kun mallia valittiin RMSE- ja MAE-validointikriteerien arviointimenetelmillä, saadut pienemmät arvot olivat riittäviä ja niitä pidettiin parhaana valintana. Seuraava yhtälö kuvaa varmennusmenetelmää.
jossa n edustaa havaitun arvon kokoa \({Y}_{i}\) edustaa mitattua vastetta ja \({\widehat{Y}}_{i}\) edustaa myös ennustettua vastearvoa ensimmäisille i havainnoinneille.
Ennustaja- ja vastemuuttujien tilastolliset kuvaukset on esitetty taulukossa 1, jossa on esitetty keskiarvo, keskihajonta (SD), variaatiokerroin (CV), minimi, maksimi, huipukkuus ja vinous. Alkuaineiden minimi- ja maksimiarvot ovat laskevassa järjestyksessä Mg < Ca < K < Ni ja Ca < Mg < K < Ni. Tutkimusalueelta otetuissa näytteissä vastemuuttujan (Ni) pitoisuudet vaihtelivat välillä 4,86–42,39 mg/kg. Ni:n vertailu maailman keskiarvoon (29 mg/kg) ja eurooppalaiseen keskiarvoon (37 mg/kg) osoitti, että tutkimusalueen laskettu geometrinen keskiarvo oli siedettävällä alueella. Kuitenkin, kuten Kabata-Pendias11 osoittaa, nykyisen tutkimuksen keskimääräisen nikkelipitoisuuden (Ni) vertailu Ruotsin maatalousmaaperiin osoittaa, että nykyinen keskimääräinen nikkelipitoisuus on korkeampi. Samoin Frydek Mistekin keskimääräinen pitoisuus kaupunki- ja esikaupunkialueiden maaperissä nykyisessä tutkimuksessa (Ni 16,15 mg/kg) oli korkeampi kuin sallittu raja-arvo. Różański ym. raportoivat nikkelin pitoisuuden 60 (10,2 mg/kg) Puolan kaupunkimaissa. Lisäksi Bretzel ja Calderisi 61 havaitsivat Toscanan kaupunkimaissa erittäin alhaiset keskimääräiset nikkelipitoisuudet (1,78 mg/kg) verrattuna nykyiseen tutkimukseen. Jim 62 havaitsi myös Hongkongin kaupunkimaissa alhaisemman nikkelipitoisuuden (12,34 mg/kg), joka on alhaisempi kuin tämän tutkimuksen nykyinen nikkelipitoisuus. Birke ym. 63 raportoivat keskimääräisen nikkelipitoisuuden 17,6 mg/kg vanhalla kaivos- ja kaupunkiteollisuusalueella Saksi-Anhaltissa Saksassa, mikä oli 1,45 mg/kg korkeampi kuin alueen keskimääräinen nikkelipitoisuus (16,15 mg/kg). Nykyinen tutkimus. Liiallinen nikkelipitoisuus maaperässä joillakin tutkimusalueen kaupunki- ja esikaupunkialueilla saattaa johtua pääasiassa rauta- ja terästeollisuudesta sekä metalliteollisuudesta. Tämä on yhdenmukaista Khodadoust ym. tutkimuksen kanssa. 64, että terästeollisuus ja metallintyöstö ovat maaperän nikkelikontaminaation tärkeimmät lähteet. Ennustavat arvot vaihtelivat kuitenkin myös kalsiumin osalta 538,70 mg/kg:sta 69 161,80 mg/kg:aan, kaliumin osalta 497,51 mg/kg:sta 3535,68 mg/kg:aan ja magnesiumin osalta 685,68 mg/kg:sta 5970,05 mg/kg:aan. Jakovljevic ym. 65 tutki maaperän kokonais-Mg- ja K-pitoisuuksia Keski-Serbiassa. He havaitsivat, että kokonaispitoisuudet (410 mg/kg ja 400 mg/kg) olivat alhaisemmat kuin nykyisen tutkimuksen Mg- ja K-pitoisuudet. Erottumatta Itä-Puolassa Orzechowski ja Smolczynski66 arvioivat kalsiumin, magnesiumin ja kaliumin kokonaispitoisuudet ja osoittivat keskimääräiset pitoisuudet kalsiumille (1100 mg/kg), magnesiumille (590 mg/kg) ja kaliumille (810 mg/kg). Pintamaan pitoisuus on alhaisempi kuin yksittäisen alkuaineen pitoisuus tässä tutkimuksessa. Pongracin ym. 67 äskettäin tekemä tutkimus osoitti, että Skotlannissa, Isossa-Britanniassa (Mylnefieldin maaperä, Balrudderyn maaperä ja Hartwoodin maaperä) analysoitu kokonais-Ca-pitoisuus osoitti korkeamman kalsiumpitoisuuden tässä tutkimuksessa.
Näytteiden mitattujen eri pitoisuuksien vuoksi alkuaineiden datajoukkojen jakaumissa on erilainen vinous. Alkuaineiden vinous ja huipukkuus vaihtelivat vastaavasti välillä 1,53–7,24 ja 2,49–54,16. Kaikkien laskettujen alkuaineiden vinous ja huipukkuus ovat yli +1, mikä osoittaa, että datajakauma on epäsäännöllinen, vinoutunut oikeaan suuntaan ja huipussaan. Alkuaineiden arvioidut variaatiokertoimet osoittavat myös, että K:lla, Mg:lla ja Ni:llä on kohtalaista vaihtelua, kun taas Ca:lla on erittäin suurta vaihtelua. K:n, Ni:n ja Mg:n variaatiokertoimet selittävät niiden tasaisen jakauman. Lisäksi Ca:n jakauma on epätasainen, ja ulkoiset lähteet voivat vaikuttaa sen rikastustasoon.
Ennustajamuuttujien korrelaatio vaste-elementtien kanssa osoitti tyydyttävää korrelaatiota elementtien välillä (katso kuva 3). Korrelaatio osoitti, että CaK:lla oli kohtalainen korrelaatio r-arvon ollessa 0,53, kuten myös CaNi:llä. Vaikka Ca:lla ja K:lla on kohtalaisia ​​yhteyksiä toisiinsa, tutkijat, kuten Kingston ym. 68 ja Santo69 viittaavat siihen, että niiden pitoisuudet maaperässä ovat kääntäen verrannollisia. Ca ja Mg ovat kuitenkin antagonistisia K:lle, mutta CaK korreloi hyvin. Tämä voi johtua lannoitteiden, kuten kaliumkarbonaatin, käytöstä, jonka kaliumpitoisuus on 56 % korkeampi. Kalium korreloi kohtalaisesti magnesiumin kanssa (KM r = 0,63). Lannoiteteollisuudessa nämä kaksi alkuainetta ovat läheisesti sukua toisilleen, koska kaliummagnesiumsulfaattia, kaliummagnesiumnitraattia ja potaskaa levitetään maaperään niiden puutostason lisäämiseksi. Nikkeli korreloi kohtalaisesti kalsiumin, kaliumin ja magnesiumin kanssa, r-arvojen ollessa 0,52, 0,63 ja 0,55. Kalsiumin, magnesiumin ja PTE-yhdisteiden, kuten nikkelin, väliset suhteet ovat monimutkaisia, mutta magnesium estää kuitenkin kalsiumin imeytymistä, kalsium vähentää liiallisen magnesiumin vaikutuksia ja sekä magnesium että kalsium vähentävät nikkelin myrkyllisiä vaikutuksia maaperässä.
Korrelaatiomatriisi elementeille, jotka osoittavat ennustavien tekijöiden ja vasteiden välisen suhteen (Huomaa: tämä kuva sisältää elementtien välisen sirontakuvion, merkitsevyystasot perustuvat p < 0,001:een).
Kuva 4 havainnollistaa alkuaineiden alueellista jakaumaa. Burgosin ym.70 mukaan alueellisen jakauman soveltaminen on tekniikka, jota käytetään saastuneiden alueiden kuumien pisteiden kvantifiointiin ja korostamiseen. Kuvassa 4 esitetyt kalsiumin rikastustasot näkyvät alueellisen jakauman kartan luoteisosassa. Kuvassa näkyvät kohtalaiset tai korkeat kalsiumin rikastuspisteet. Kalsiumin rikastuminen kartan luoteisosassa johtuu todennäköisesti sammutetun kalkin (kalsiumoksidi) käytöstä maaperän happamuuden vähentämiseksi ja sen käytöstä terästehtaissa emäksisenä happena teräksenvalmistusprosessissa. Toisaalta muut maanviljelijät käyttävät mieluummin kalsiumhydroksidia happamassa maaperässä pH:n neutraloimiseksi, mikä myös lisää maaperän kalsiumpitoisuutta71. Myös kalium osoittaa kuumia pisteitä kartan luoteis- ja itäosassa. Luoteisosa on merkittävä maatalousyhteisö, ja kohtalainen tai korkea kaliumin esiintyvyys voi johtua NPK:n ja potaskan käytöstä. Tämä on yhdenmukaista muiden tutkimusten, kuten Madarasin ja Lipavskýn72, Madarasin ym.73, Pulkrabován ym.74 ja Asaren ym.75, kanssa, jotka havaitsivat, että Maaperän stabilointi ja käsittely KCl:lla ja NPK:lla johtivat maaperän korkeaan kaliumpitoisuuteen. Kaliumin alueellinen rikastuminen levinneisyyskartan luoteisosassa voi johtua kaliumpohjaisten lannoitteiden, kuten kaliumkloridin, kaliumsulfaatin, kaliumnitraatin, potaskan ja kaliumin, käytöstä köyhien maaperien kaliumpitoisuuden lisäämiseksi. Zádorová ym. 76 ja Tlustoš ym. 77 esitti, että K-pohjaisten lannoitteiden käyttö lisäsi maaperän K-pitoisuutta ja lisäisi merkittävästi maaperän ravinnepitoisuutta pitkällä aikavälillä, erityisesti K:n ja Mg:n osalta, jotka osoittavat kuumia kohtia maaperässä. Suhteellisen kohtalaisia ​​kuumia kohtia on kartan luoteis- ja kaakkoisosassa. Kolloidinen kiinnittyminen maaperään vähentää magnesiumin pitoisuutta maaperässä. Sen puute maaperässä aiheuttaa kasveille kellertävää suonien välistä kloroosia. Magnesiumpohjaiset lannoitteet, kuten kaliummagnesiumsulfaatti, magnesiumsulfaatti ja kieseriitti, hoitavat puutteita (kasvit näyttävät violeteilta, punaisilta tai ruskeilta, mikä viittaa magnesiumin puutteeseen) maaperässä, jonka pH-alue on normaali6. Nikkelin kertyminen kaupunkien ja esikaupunkien maaperään voi johtua ihmisen toiminnasta, kuten maataloudesta, ja nikkelin merkityksestä ruostumattoman teräksen tuotannossa78.
Elementtien alueellinen jakauma [alueellinen jakaumakartta luotiin ArcGIS Desktopilla (ESRI, Inc, versio 10.7, URL: https://desktop.arcgis.com).]
Tässä tutkimuksessa käytettyjen alkuaineiden mallin suorituskykyindeksien tulokset on esitetty taulukossa 2. Toisaalta Ni:n RMSE ja MAE ovat molemmat lähellä nollaa (0,86 RMSE, -0,08 MAE). Toisaalta K:n RMSE- ja MAE-arvot ovat hyväksyttäviä. RMSE- ja MAE-tulokset olivat suurempia kalsiumin ja magnesiumin osalta. Ca:n ja K:n MAE- ja RMSE-tulokset ovat suurempia eri aineistojen vuoksi. Tämän tutkimuksen RMSE- ja MAE-arvot, joissa käytettiin EBK:ta Ni:n ennustamiseen, havaittiin paremmiksi kuin John et al. 54:n tulokset, joissa käytettiin synergististä krigingiä maaperän S-pitoisuuksien ennustamiseen käyttäen samoja kerättyjä tietoja. Tutkimamme EBK-tulokset korreloivat Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 ja John et al. 82:n tulosten kanssa, erityisesti K:n ja Ni:n osalta.
Yksittäisten menetelmien suorituskykyä nikkelipitoisuuden ennustamisessa kaupunkien ja esikaupunkien maaperässä arvioitiin mallien suorituskyvyn avulla (taulukko 3). Mallin validointi ja tarkkuuden arviointi vahvistivat, että Ca_Mg_K-ennustaja yhdistettynä EBK SVMR -malliin tuotti parhaan suorituskyvyn. Kalibrointimallin Ca_Mg_K-EBK_SVMR R2, keskimääräinen neliövirhe (RMSE) ja keskimääräinen absoluuttinen virhe (MAE) olivat 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). Siitä huolimatta saatiin hyvät R2-arvot Ca_Mg_K-SVMR:lle (0,663 mg/kg R2) ja Ca_Mg-EBK_SVMR:lle (0,643 = R2); Niiden RMSE- ja MAE-tulokset olivat korkeammat kuin Ca_Mg_K-EBK_SVMR:llä (R2 0,637) (katso taulukko 3). Lisäksi Ca_Mg-EBK_SVMR-mallin (RMSE = 1664,64 ja MAE = 1031,49) RMSE- ja MAE-tulokset ovat vastaavasti 17,5 ja 13,4, jotka ovat suurempia kuin Ca_Mg_K-EBK_SVMR:n. Samoin Ca_Mg-K SVMR -mallin (RMSE = 235,974 ja MAE = 166,946) RMSE- ja MAE-tulokset ovat 2,5 ja 2,2 suurempia kuin Ca_Mg_K-EBK_SVMR:n RMSE- ja MAE-tulokset. Lasketut RMSE-tulokset osoittavat, kuinka tiivistynyt aineisto on parhaiten sopivan suoran kanssa. Havaittiin korkeampia RSME- ja MAE-arvoja. Kebonye ym. mukaan... 46 ja john et al. 54 mukaan, mitä lähempänä RMSE ja MAE ovat nollaa, sitä parempia tuloksia. SVMR:llä ja EBK_SVMR:llä on korkeammat kvantisoidut RSME- ja MAE-arvot. Havaittiin, että RSME-estimaatit olivat johdonmukaisesti korkeampia kuin MAE-arvot, mikä viittaa poikkeavien arvojen esiintymiseen. Legatesin ja McCaben83 mukaan RMSE:n keskimääräisen absoluuttisen virheen (MAE) ylittämistä suositellaan poikkeavien arvojen esiintymisen indikaattoriksi. Tämä tarkoittaa, että mitä heterogeenisempi aineisto on, sitä korkeammat MAE- ja RMSE-arvot ovat. Ca_Mg_K-EBK_SVMR-sekamallin ristivalidointiarvioinnin tarkkuus kaupunki- ja esikaupunkialueiden maaperän nikkelipitoisuuden ennustamisessa oli 63,70 %. Li et al. 59:n mukaan tämä tarkkuustaso on hyväksyttävä mallin suorituskykyaste. Nykyisiä tuloksia verrataan Tarasovin ym. aiempaan tutkimukseen. 36, jonka hybridimalli loi MLPRK:n (Multilayer Perceptron Residual Kriging), joka liittyy tässä tutkimuksessa raportoituun EBK_SVMR-tarkkuuden arviointi-indeksiin, RMSE (210) ja MAE (167,5) oli korkeampi kuin omat tuloksemme tässä tutkimuksessa (RMSE 95,479, MAE 77,368). Kuitenkin, kun verrataan nykyisen tutkimuksen R2-arvoa (0,637) Tarasovin ym. vastaavaan tulokseen... 36 (0,544) perusteella on selvää, että määrityskerroin (R2) on tässä sekamallissa korkeampi. Sekamallin virhemarginaali (RMSE ja MAE) (EBK SVMR) on kaksi kertaa pienempi. Samoin Sergeev et al.34 kirjasivat kehitetylle hybridimallille (Multilayer Perceptron Residual Kriging) arvon 0,28 (R2), kun taas Ni:n nykyisessä tutkimuksessa se oli 0,637 (R2). Tämän mallin (EBK SVMR) ennustetarkkuustaso on 63,7 %, kun taas Sergeevin et al.34 saama ennustetarkkuus on 28 %. Lopullinen kartta (kuva 5), ​​joka on luotu käyttämällä EBK_SVMR-mallia ja Ca_Mg_K:ta ennustajana, näyttää ennusteet kuumista pisteistä ja kohtalaisesta nikkeliin koko tutkimusalueella. Tämä tarkoittaa, että nikkelin pitoisuus tutkimusalueella on pääosin kohtalainen, ja joillakin tietyillä alueilla pitoisuudet ovat korkeampia.
Lopullinen ennustekartta on esitetty käyttämällä hybridimallia EBK_SVMR ja Ca_Mg_K:ta ennustajana. [Alueellinen jakaumakartta luotiin käyttämällä RStudio-ohjelmistoa (versio 1.4.1717: https://www.rstudio.com/).]
Kuvassa 6 on esitetty PTE-pitoisuudet yksittäisistä neuroneista koostuvana koostumustasona. Mikään komponenttitasoista ei osoittanut samaa värikuviota kuin kuvassa. Sopiva neuronien määrä piirrettyä karttaa kohden on kuitenkin 55. SeOM tuotetaan käyttämällä erilaisia ​​värejä, ja mitä samankaltaisempia värikuviot ovat, sitä vertailukelpoisempia näytteiden ominaisuudet ovat. Tarkan väriasteikonsa mukaan yksittäiset alkuaineet (Ca, K ja Mg) osoittivat samanlaisia ​​värikuvioita kuin yksittäiset korkean asteen neuronit ja useimmat matalan asteen neuronit. Näin ollen CaK:lla ja CaMg:llä on joitakin yhtäläisyyksiä erittäin korkean asteen neuronien ja matalan tai kohtalaisen värikuvioiden kanssa. Molemmat mallit ennustavat Ni-pitoisuuden maaperässä näyttämällä keski- ja korkeita värisävyjä, kuten punaista, oranssia ja keltaista. KMg-malli näyttää monia korkeita värikuvioita tarkkojen mittasuhteiden ja matalan ja keskitason värilaikkujen perusteella. Tarkalla väriasteikolla matalasta korkeaan mallin komponenttien tasomainen jakaumakuvio osoitti korkeaa värikuviota, joka osoittaa nikkelin mahdollisen pitoisuuden maaperässä (katso kuva 4). CakMg-mallin komponenttitaso näyttää monipuolisen värikuvion matalasta korkeaan tarkan värianalyysin mukaisesti. mittakaava. Lisäksi mallin ennuste nikkelipitoisuudesta (CakMg) on ​​samanlainen kuin kuvassa 5 esitetty nikkelin alueellinen jakauma. Molemmat kaaviot osoittavat korkeita, keskisuuria ja matalia nikkelipitoisuuksien osuuksia kaupunkien ja esikaupunkien maaperässä. Kuva 7 esittää kartan k-keskiarvojen ryhmittelyssä käyrämenetelmää, joka on jaettu kolmeen klusteriin kunkin mallin ennustetun arvon perusteella. Muotomenetelmä edustaa optimaalista klusterien lukumäärää. Kerätyistä 115 maanäytteestä luokka 1 sai eniten maanäytteitä, 74. Klusteri 2 sai 33 näytettä, kun taas klusteri 3 sai 8 näytettä. Seitsemän komponentin tasomainen ennustajayhdistelmä yksinkertaistettiin, jotta klusterien tulkinta olisi oikea. Koska maaperän muodostumiseen vaikuttaa lukuisia ihmisen aiheuttamia ja luonnollisia prosesseja, on vaikea saada oikein eroteltuja klusterikuvioita hajautetussa SeOM-kartassa78.
Kunkin empiirisen Bayes-krigingin tukivektorikoneen (EBK_SVM_SeOM) muuttujan tuottama komponenttitaso. [SeOM-kartat luotiin RStudiolla (versio 1.4.1717: https://www.rstudio.com/).]
Eri klusteriluokittelukomponentit [SeOM-kartat luotiin RStudiolla (versio 1.4.1717: https://www.rstudio.com/).]
Tämä tutkimus havainnollistaa selvästi mallinnustekniikoita nikkelipitoisuuksille kaupunkien ja esikaupunkien maaperässä. Tutkimuksessa testattiin erilaisia ​​mallinnustekniikoita yhdistämällä elementtejä mallinnustekniikoihin, jotta saatiin paras tapa ennustaa nikkelipitoisuuksia maaperässä. Mallinnustekniikan SeOM-koostumukselliset tasomaiset spatiaaliset piirteet osoittivat korkean värikuvion matalasta korkeaan tarkalla väriasteikolla, mikä osoittaa maaperän nikkelipitoisuuksia. Spatiaalinen jakaumakartta kuitenkin vahvistaa EBK_SVMR:n osoittaman komponenttien tasomaisen spatiaalisen jakauman (katso kuva 5). Tulokset osoittavat, että tukivektorikoneregressiomalli (CaMgK-SVMR) ennustaa maaperän nikkelipitoisuuden yhtenä mallina, mutta validointi- ja tarkkuuden arviointiparametrit osoittavat erittäin suuria virheitä RMSE:n ja MAE:n suhteen. Toisaalta EBK_MLR-mallin kanssa käytetty mallinnustekniikka on myös virheellinen määrityskertoimen (R2) alhaisen arvon vuoksi. Hyviä tuloksia saatiin käyttämällä EBK SVMR:ää ja yhdistettyjä elementtejä (CaKMg) alhaisilla RMSE- ja MAE-virheillä 63,7 prosentin tarkkuudella. Käy ilmi, että yhdistämällä EBK-algoritmi koneoppimisalgoritmiin voidaan tuottaa... hybridialgoritmi, joka voi ennustaa PTE-yhdisteiden pitoisuuksia maaperässä. Tulokset osoittavat, että Ca:n, Mg:n ja K:n käyttö ennustajina Ni-pitoisuuksien ennustamiseksi tutkimusalueella voi parantaa Ni-pitoisuuden ennustamista maaperässä. Tämä tarkoittaa, että nikkelipohjaisten lannoitteiden jatkuva käyttö ja terästeollisuuden aiheuttama maaperän saastuminen lisäävät yleensä nikkelin pitoisuutta maaperässä. Tämä tutkimus paljasti, että EBK-malli voi vähentää virhetasoa ja parantaa maaperän alueellisen jakautumisen mallin tarkkuutta kaupunkien tai esikaupunkien maaperässä. Yleisesti ottaen ehdotamme EBK-SVMR-mallin käyttöä maaperän PTE-yhdisteiden arvioimiseksi ja ennustamiseksi; lisäksi ehdotamme EBK:n käyttöä hybridisointiin erilaisten koneoppimisalgoritmien kanssa. Ni-pitoisuudet ennustettiin käyttämällä elementtejä kovariaatteina; useampien kovariaattien käyttö parantaisi kuitenkin huomattavasti mallin suorituskykyä, mitä voidaan pitää nykyisen työn rajoituksena. Toinen tämän tutkimuksen rajoitus on, että tietojoukkojen määrä on 115. Siksi, jos dataa on enemmän, ehdotetun optimoidun hybridisaatiomenetelmän suorituskykyä voidaan parantaa.
PlantProbs.net.Nikkeli kasveissa ja maaperässä https://plantprobs.net/plant/nutrientImbalances/sodium.html (Luettu 28. huhtikuuta 2021).
Kasprzak, KS Nikkelin edistysaskeleet nykyaikaisessa ympäristötoksikologiassa.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Katsaus sen lähteisiin ja ympäristötoksikologiaan. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Ilmakehästä peräisin olevien epäpuhtauksien päästöt ja kertyminen maaperään ja kasvillisuuteen nikkeli-kuparisulaton lähellä Sudburyssa, Ontariossa, Kanadassa. can.J. Bot.58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. ym. Raskasmetallit maaperässä, kasveissa ja märehtijöiden laiduntamiseen liittyvät riskit Selebi-Phikwen kupari-nikkelikaivoksen lähellä Botswanassa. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Hivenaineet maaperässä ja… – 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= (Luettu 24. marraskuuta 2020).
Almås, A., Singh, B., Maatalous, TS-NJ vuodelta 1995 ja vuodelta 1995, määrittelemätön. Venäjän nikkeliteollisuuden vaikutukset raskasmetallipitoisuuksiin maatalousmaissa ja ruohoissa Soer-Varangerissa, Norjassa.agris.fao.org.
Nielsen, GD et al. Nikkelin imeytyminen ja pidättyminen juomavedessä liittyvät ruoan saantiin ja nikkeliherkkyyteen. toksikologia.sovellus. Farmakodynamiikka. 154, 67–75 (1999).
Costa, M. & Klein, CB Nikkelin karsinogeneesi, mutaatio, epigenetiikka vai valinta. Ympäristö. Terveysnäkökulma. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Mahdollisesti myrkyllisten alkuaineiden trendianalyysi: bibliometrinen katsaus. Ympäristögeokemia ja terveys. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitaalinen maaperäkartoitus: Lyhyt historia ja joitakin opetuksia. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Digitaalisesta maaperän kartoituksesta. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistinen säiliömallinnus,… – 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= (Luettu 28. huhtikuuta 2021).