Merci d'avoir visité Nature.com. La version du navigateur que vous utilisez a un support limité pour CSS. Pour une expérience optimale, nous vous recommandons d'utiliser un navigateur mis à jour (ou de désactiver le mode de compatibilité dans Internet Explorer). En attendant, pour assurer un support continu, nous afficherons le site sans styles ni JavaScript.
La pollution des sols est un problème majeur causé par les activités humaines. La distribution spatiale des éléments potentiellement toxiques (ETP) varie dans la plupart des zones urbaines et périurbaines. Par conséquent, il est difficile de prédire spatialement la teneur en ETP de ces sols. Au total, 115 échantillons ont été obtenus à Frydek Mistek en République tchèque. Les concentrations de calcium (Ca), de magnésium (Mg), de potassium (K) et de nickel (Ni) ont été déterminées par spectrométrie d'émission à plasma à couplage inductif. La variable de réponse est Ni et les prédicteurs sont Ca, Mg et K. La matrice de corrélation entre la variable de réponse et la variable prédictive montre une corrélation satisfaisante entre les éléments. Les résultats de la prédiction ont montré que la régression par machine à vecteurs de support (SVMR) était performante, bien que son erreur quadratique moyenne (RMSE) estimée (235,974 mg/kg) et son erreur absolue moyenne (MAE) (166,946 mg/kg) soient supérieures à celles des autres méthodes appliquées. Modèles mixtes pour le krigeage bayésien empirique-régression linéaire multiple (EBK-MLR) ont de faibles performances, comme en témoignent les coefficients de détermination inférieurs à 0,1. Le modèle de régression par machine à vecteurs de support de krigeage bayésien empirique (EBK-SVMR) était le meilleur modèle, avec de faibles valeurs RMSE (95,479 mg/kg) et MAE (77,368 mg/kg) et un coefficient de détermination élevé (R2 = 0,637). La sortie de la technique de modélisation EBK-SVMR est visualisée à l'aide d'une carte auto-organisatrice. Les neurones groupés dans le plan du composant CakMg-EBK-SVMR du modèle hybride présentent plusieurs modèles de couleurs qui prédisent les concentrations de Ni dans les sols urbains et périurbains. Les résultats démontrent que la combinaison d'EBK et de SVMR est une technique efficace pour prédire les concentrations de Ni dans les sols urbains et périurbains.
Le nickel (Ni) est considéré comme un micronutriment pour les plantes car il contribue à la fixation de l'azote atmosphérique (N) et au métabolisme de l'urée, deux éléments nécessaires à la germination des graines. Outre sa contribution à la germination des graines, le Ni peut agir comme un inhibiteur fongique et bactérien et favoriser le développement des plantes. Le manque de nickel dans le sol permet à la plante de l'absorber, ce qui entraîne une chlorose des feuilles. Par exemple, le niébé et les haricots verts nécessitent l'application d'engrais à base de nickel pour optimiser la fixation de l'azote2. L'application continue d'engrais à base de nickel pour enrichir le sol et augmenter la capacité des légumineuses à fixer l'azote dans le sol augmente continuellement la concentration en nickel dans le sol. Bien que le nickel soit un micronutriment pour les plantes, son apport excessif dans le sol peut faire plus de mal que de bien. La toxicité du nickel dans le sol minimise le pH du sol et entrave l'absorption du fer, nutriment essentiel à la croissance des plantes1. Selon Liu3, le Ni s'est avéré être le 17e élément important nécessaire au développement et à la croissance des plantes. Outre le rôle du nickel dans le développement et la croissance des plantes, les humains Français en ont besoin pour une variété d'applications.La galvanoplastie, la production d'alliages à base de nickel et la fabrication de dispositifs d'allumage et de bougies d'allumage dans l'industrie automobile nécessitent toutes l'utilisation de nickel dans divers secteurs industriels.En outre, les alliages à base de nickel et les articles galvanisés ont été largement utilisés dans les ustensiles de cuisine, les accessoires de salle de bal, les fournitures de l'industrie alimentaire, l'électricité, les fils et câbles, les turbines à réaction, les implants chirurgicaux, les textiles et la construction navale5.Les niveaux riches en Ni dans les sols (c'est-à-dire les sols de surface) ont été attribués à des sources anthropiques et naturelles, mais principalement, le Ni est une source naturelle plutôt qu'anthropique4,6.Les sources naturelles de nickel comprennent les éruptions volcaniques, la végétation, les feux de forêt et les processus géologiques ; cependant, les sources anthropiques comprennent les batteries nickel/cadmium dans l'industrie sidérurgique, la galvanoplastie, le soudage à l'arc, le diesel et les fiouls, et les émissions atmosphériques provenant de la combustion du charbon et de l'incinération des déchets et des boues Accumulation de nickel7,8.Selon Freedman et Hutchinson9 et Manyiwa et al. 10, les principales sources de pollution de la couche arable dans l'environnement immédiat et adjacent sont principalement les fonderies et les mines de nickel-cuivre. La couche arable autour de l'affinerie de nickel-cuivre de Sudbury au Canada présentait les niveaux les plus élevés de contamination au nickel, soit 26 000 mg/kg11. En revanche, la pollution provenant de la production de nickel en Russie a entraîné des concentrations de nickel plus élevées dans le sol norvégien11. Selon Alms et al. 12, la quantité de nickel extractible par HNO3 dans les principales terres arables de la région (production de nickel en Russie) variait de 6,25 à 136,88 mg/kg, correspondant à une moyenne de 30,43 mg/kg et à une concentration de base de 25 mg/kg. Selon Kabata 11, l'application d'engrais phosphorés dans les sols agricoles urbains ou périurbains au cours des saisons de culture successives peut infuser ou contaminer le sol. Les effets potentiels du nickel chez l'homme peuvent conduire au cancer par mutagenèse, dommages chromosomiques, génération d'ADN-Z, réparation par excision d'ADN bloquée ou processus épigénétiques13. Dans les expériences sur les animaux, il a été découvert que le nickel avait le potentiel de provoquer diverses tumeurs, et les complexes de nickel cancérigènes peuvent exacerber ces tumeurs.
Français Les évaluations de la contamination des sols ont prospéré ces derniers temps en raison d'un large éventail de problèmes de santé découlant des relations sol-plante, des relations sol-biologie du sol, de la dégradation écologique et de l'évaluation de l'impact environnemental. À ce jour, la prédiction spatiale des éléments potentiellement toxiques (ETP) tels que le Ni dans le sol a été laborieuse et longue en utilisant les méthodes traditionnelles. L'avènement de la cartographie numérique des sols (DSM) et son succès actuel15 ont grandement amélioré la cartographie prédictive des sols (PSM). Selon Minasny et McBratney16, la cartographie prédictive des sols (DSM) s'est avérée être une sous-discipline importante de la science du sol. Lagacherie et McBratney, 2006 définissent la DSM comme « la création et le remplissage de systèmes d'information spatiale sur les sols grâce à l'utilisation de méthodes d'observation in situ et en laboratoire et de systèmes d'inférence spatiale et non spatiale des sols ». McBratney et al. 17 soulignent que le DSM ou le PSM contemporain est la technique la plus efficace pour prédire ou cartographier la distribution spatiale des PTE, des types de sols et des propriétés du sol. La géostatistique et les algorithmes d'apprentissage automatique (MLA) sont des techniques de modélisation DSM qui créent des cartes numérisées à l'aide d'ordinateurs en utilisant des données importantes et minimales.
Français Deutsch18 et Olea19 définissent la géostatistique comme « l'ensemble des techniques numériques qui traitent de la représentation des attributs spatiaux, en utilisant principalement des modèles stochastiques, comme la façon dont l'analyse des séries chronologiques caractérise les données temporelles ». La géostatistique implique principalement l'évaluation de variogrammes, qui permettent de quantifier et de définir les dépendances des valeurs spatiales de chaque ensemble de données20.Gumiaux et al. 20 illustrent en outre que l'évaluation des variogrammes en géostatistique est basée sur trois principes, notamment (a) le calcul de l'échelle de corrélation des données, (b) l'identification et le calcul de l'anisotropie dans la disparité des ensembles de données et (c) en plus de En plus de prendre en compte l'erreur inhérente des données de mesure séparées des effets locaux, les effets de surface sont également estimés. En s'appuyant sur ces concepts, de nombreuses techniques d'interpolation sont utilisées en géostatistique, notamment le krigeage général, le co-krigeage, le krigeage ordinaire, le krigeage bayésien empirique, la méthode de krigeage simple et d'autres techniques d'interpolation bien connues pour cartographier ou prédire le PTE, les caractéristiques du sol et les types de sol.
Les algorithmes d'apprentissage automatique (MLA) sont une technique relativement nouvelle qui utilise des classes de données non linéaires plus grandes, alimentées par des algorithmes principalement utilisés pour l'exploration de données, l'identification de modèles dans les données et appliqués à plusieurs reprises à la classification dans des domaines scientifiques tels que la science du sol et les tâches de retour. De nombreux articles de recherche s'appuient sur des modèles MLA pour prédire le PTE dans les sols, tels que Tan et al. 22 (forêts aléatoires pour l'estimation des métaux lourds dans les sols agricoles), Sakizadeh et al. 23 (modélisation à l'aide de machines à vecteurs de support et de réseaux de neurones artificiels) pollution des sols). De plus, Vega et al. 24 (CART pour la modélisation de la rétention et de l'adsorption des métaux lourds dans le sol) Sun et al. 25 (l'application du cubiste est la distribution du Cd dans le sol) et d'autres algorithmes tels que le k-plus proche voisin, la régression boostée généralisée et les arbres de régression boostés ont également appliqué le MLA pour prédire le PTE dans le sol.
Français L'application des algorithmes DSM à la prédiction ou à la cartographie est confrontée à plusieurs défis. De nombreux auteurs pensent que l'AML est supérieure à la géostatistique et vice versa. Bien que l'un soit meilleur que l'autre, la combinaison des deux améliore le niveau de précision de la cartographie ou de la prédiction dans le DSM15. Woodcock et Gopal26 Finke27 ; Pontius et Cheuk28 et Grunwald29 commentent les déficiences et certaines erreurs dans la cartographie des sols prédite. Les pédologues ont essayé diverses techniques pour optimiser l'efficacité, la précision et la prévisibilité de la cartographie et des prévisions du DSM. La combinaison de l'incertitude et de la vérification est l'un des nombreux aspects différents intégrés au DSM pour optimiser l'efficacité et réduire les défauts. Cependant, Agyeman et al. 15 soulignent que le comportement de validation et l'incertitude introduits par la création et la prédiction de cartes doivent être validés indépendamment pour améliorer la qualité de la carte. Les limites du DSM sont dues à la qualité des sols géographiquement dispersée, qui implique une composante d'incertitude ; Cependant, le manque de certitude dans le DSM peut provenir de multiples sources d'erreur, à savoir l'erreur de covariable, l'erreur de modèle, l'erreur de localisation et l'erreur analytique 31. Les inexactitudes de modélisation induites dans les processus MLA et géostatistiques sont associées à un manque de compréhension, conduisant finalement à une simplification excessive du processus réel32. Quelle que soit la nature de la modélisation, les inexactitudes peuvent être attribuées aux paramètres de modélisation, aux prédictions du modèle mathématique ou à l'interpolation33. Récemment, une nouvelle tendance DSM est apparue qui favorise l'intégration de la géostatistique et du MLA dans la cartographie et les prévisions. Plusieurs pédologues et auteurs, tels que Sergeev et al. 34 ; Subbotina et al. 35 ; Tarasov et al. 36 et Tarasov et al. 37 ont exploité la qualité précise de la géostatistique et de l'apprentissage automatique pour générer des modèles hybrides qui améliorent l'efficacité des prévisions et de la cartographie. qualité. Certains de ces modèles d'algorithmes hybrides ou combinés sont le krigeage de réseau neuronal artificiel (ANN-RK), le krigeage résiduel de perceptron multicouche (MLP-RK), le krigeage résiduel de réseau neuronal de régression généralisée (GR-NNRK)36, le krigeage de réseau neuronal artificiel-perceptron multicouche (ANN-K-MLP)37 et le co-krigeage et la régression de processus gaussien38.
Français Selon Sergeev et al., la combinaison de diverses techniques de modélisation a le potentiel d'éliminer les défauts et d'augmenter l'efficacité du modèle hybride résultant plutôt que de développer son modèle unique. Dans ce contexte, ce nouvel article soutient qu'il est nécessaire d'appliquer un algorithme combiné de géostatistique et de MLA pour créer des modèles hybrides optimaux afin de prédire l'enrichissement en Ni dans les zones urbaines et périurbaines. Cette étude s'appuiera sur le krigeage bayésien empirique (EBK) comme modèle de base et le combinera avec des modèles de machine à vecteurs de support (SVM) et de régression linéaire multiple (MLR). L'hybridation de l'EBK avec un MLA n'est pas connue. Les multiples modèles mixtes observés sont des combinaisons de krigeage ordinaire, résiduel, de régression et de MLA. L'EBK est une méthode d'interpolation géostatistique qui utilise un processus spatialement stochastique localisé comme un champ aléatoire non stationnaire/stationnaire avec des paramètres de localisation définis sur le champ, permettant une variation spatiale39. L'EBK a été utilisé dans une variété d'études, y compris l'analyse de la distribution du carbone organique dans les sols agricoles40, l'évaluation du sol pollution41 et cartographie des propriétés du sol42.
D'autre part, le graphique auto-organisateur (SeOM) est un algorithme d'apprentissage qui a été appliqué dans divers articles tels que Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 et Kebonye et al.46 Déterminer les attributs spatiaux et le regroupement des éléments. Wang et al. 44 soulignent que SeOM est une technique d'apprentissage puissante connue pour sa capacité à regrouper et à imaginer des problèmes non linéaires. Contrairement à d'autres techniques de reconnaissance de formes telles que l'analyse en composantes principales, le clustering flou, le clustering hiérarchique et la prise de décision multicritère, SeOM est meilleur pour organiser et identifier les modèles PTE. Selon Wang et al. 44, SeOM peut regrouper spatialement la distribution des neurones associés et fournir une visualisation de données haute résolution. SeOM visualisera les données de prédiction Ni pour obtenir le meilleur modèle pour caractériser les résultats pour une interprétation directe.
Cet article vise à générer un modèle de cartographie robuste avec une précision optimale pour prédire la teneur en nickel dans les sols urbains et périurbains. Nous émettons l'hypothèse que la fiabilité du modèle mixte dépend principalement de l'influence d'autres modèles attachés au modèle de base. Nous reconnaissons les défis auxquels est confronté le DSM, et bien que ces défis soient traités sur plusieurs fronts, la combinaison des avancées en géostatistique et en modèles MLA semble être progressive ; par conséquent, nous tenterons de répondre à des questions de recherche qui peuvent donner lieu à des modèles mixtes. Cependant, quelle est la précision du modèle pour prédire l'élément cible ? De plus, quel est le niveau d'évaluation de l'efficacité basé sur la validation et l'évaluation de la précision ? Par conséquent, les objectifs spécifiques de cette étude étaient de (a) créer un modèle de mélange combiné pour SVMR ou MLR en utilisant EBK comme modèle de base, (b) comparer les modèles résultants (c) proposer le meilleur modèle de mélange pour prédire les concentrations de Ni dans les sols urbains ou périurbains, et (d) l'application de SeOM pour créer une carte haute résolution de la variation spatiale du nickel.
Français L'étude est menée en République tchèque, plus précisément dans le district de Frydek Mistek dans la région de Moravie-Silésie (voir figure 1). La géographie de la zone d'étude est très accidentée et fait principalement partie de la région des Beskides de Moravie-Silésie, qui fait partie de la bordure extérieure des Carpates. La zone d'étude est située entre 49° 41′ 0′ N et 18° 20′ 0′ E, et l'altitude est comprise entre 225 et 327 m ; Cependant, le système de classification de Koppen pour l'état climatique de la région est classé comme Cfb = climat océanique tempéré. Il y a beaucoup de précipitations même pendant les mois secs. Les températures varient légèrement tout au long de l'année entre −5 °C et 24 °C, descendant rarement en dessous de −14 °C ou au-dessus de 30 °C, tandis que les précipitations annuelles moyennes sont comprises entre 685 et 752 mm47. La zone d'enquête estimée de l'ensemble de la zone est de 1 208 kilomètres carrés, avec 39,38 % des terres cultivées et 49,36 % de la couverture forestière. D'autre part, la zone utilisée dans cette étude est d'environ 889,8 kilomètres carrés. À Ostrava et dans ses environs, l'industrie sidérurgique et les usines métallurgiques sont très actives. Les usines de métaux, l'industrie sidérurgique où le nickel est utilisé dans les aciers inoxydables (par exemple pour la résistance à la corrosion atmosphérique) et les aciers alliés (le nickel augmente la résistance de l'alliage tout en conservant sa bonne ductilité et sa ténacité), et l'agriculture intensive comme le phosphate L'application d'engrais et la production animale sont des sources potentielles de nickel pour la recherche dans la région (par exemple, l'ajout de nickel aux agneaux pour augmenter les taux de croissance des agneaux et des bovins à faible alimentation). D'autres utilisations industrielles du nickel dans les domaines de recherche comprennent son utilisation dans la galvanoplastie, y compris les procédés de galvanoplastie du nickel et de nickelage autocatalytique. Les propriétés du sol sont facilement distinguables de la couleur, de la structure et de la teneur en carbonate du sol. La texture du sol est moyenne à fine, dérivée du matériau parent. Ils sont de nature colluviale, alluviale ou éolienne. Certaines zones de sol apparaissent marbrées à la surface et au sous-sol, souvent avec du béton et du blanchiment. Cependant, les cambisols et les stagnosols sont les types de sols les plus courants dans la région48. Avec des altitudes allant de 455,1 à 493,5 m, les cambisols dominent la République tchèque49.
Carte de la zone d'étude [La carte de la zone d'étude a été créée à l'aide d'ArcGIS Desktop (ESRI, Inc, version 10.7, URL : https://desktop.arcgis.com).]
Au total, 115 échantillons de terre végétale ont été prélevés sur des sols urbains et périurbains du district de Frydek Mistek. Le modèle d'échantillonnage utilisé était une grille régulière avec des échantillons de sol espacés de 2 × 2 km, et la terre végétale a été mesurée à une profondeur de 0 à 20 cm à l'aide d'un appareil GPS portable (Leica Zeno 5 GPS). Les échantillons sont emballés dans des sacs Ziploc, correctement étiquetés, et expédiés au laboratoire. Les échantillons ont été séchés à l'air pour produire des échantillons pulvérisés, pulvérisés par un système mécanique (broyeur à disques Fritsch) et tamisés (taille du tamis 2 mm). Placer 1 gramme d'échantillons de sol séchés, homogénéisés et tamisés dans des bouteilles en téflon clairement étiquetées. Dans chaque récipient en téflon, distribuer 7 ml de HCl à 35 % et 3 ml de HNO3 à 65 % (à l'aide d'un distributeur automatique - un pour chaque acide), couvrir légèrement et laisser les échantillons reposer toute la nuit pour la réaction (programme d'eau régale). Placer Le surnageant a été placé sur une plaque métallique chaude (température : 100 W et 160 °C) pendant 2 h pour faciliter la digestion des échantillons, puis refroidi. Transférer le surnageant dans une fiole jaugée de 50 ml et diluer à 50 ml avec de l’eau déionisée. Filtrer ensuite le surnageant dilué dans un tube en PVC de 50 ml contenant de l’eau déionisée. De plus, 1 ml de la solution de dilution a été dilué avec 9 ml d’eau déionisée et filtré dans un tube de 12 ml préparé pour la pseudo-concentration de PTE. Les concentrations de PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ont été déterminées par ICP-OES (spectroscopie d’émission optique à plasma à couplage inductif) (Thermo Fisher Scientific, États-Unis) conformément aux méthodes et accords standard. Assurer les procédures d’assurance et de contrôle de la qualité (AQ/CQ) (SRM NIST 2711a Montana II). Sol). Les PTE avec des limites de détection inférieures à la moitié ont été exclus de cette étude. La limite de détection du PTE utilisé dans cette étude était de 0,0004.(vous). De plus, le processus de contrôle et d'assurance qualité pour chaque analyse est assuré par l'analyse des normes de référence. Pour garantir que les erreurs étaient minimisées, une double analyse a été réalisée.
Le krigeage bayésien empirique (EBK) est l'une des nombreuses techniques d'interpolation géostatistique utilisées en modélisation dans divers domaines tels que la science du sol. Contrairement à d'autres techniques d'interpolation par krigeage, l'EBK diffère des méthodes de krigeage traditionnelles en prenant en compte l'erreur estimée par le modèle de semi-variogramme. Dans l'interpolation EBK, plusieurs modèles de semi-variogramme sont calculés pendant l'interpolation, plutôt qu'un seul semi-variogramme. Les techniques d'interpolation cèdent la place à l'incertitude et à la programmation associées à ce tracé du semi-variogramme qui constitue une partie très complexe d'une méthode de krigeage suffisante. Le processus d'interpolation de l'EBK suit les trois critères proposés par Krivoruchko50, (a) le modèle estime le semi-variogramme à partir de l'ensemble de données d'entrée (b) la nouvelle valeur prédite pour chaque emplacement de l'ensemble de données d'entrée en fonction du semi-variogramme généré et (c) le modèle final est calculé à partir d'un ensemble de données simulées. La règle de l'équation bayésienne est donnée sous la forme d'une équation postérieure
Où \(Prob\left(A\right)\) représente la probabilité a priori, \(Prob\left(B\right)\) la probabilité marginale est ignorée dans la plupart des cas, \(Prob (B,A)\ ). Le calcul du semi-variogramme est basé sur la règle de Bayes, qui montre la propension des ensembles de données d'observation qui peuvent être créés à partir de semi-variogrammes. La valeur du semi-variogramme est ensuite déterminée à l'aide de la règle de Bayes, qui indique la probabilité de créer un ensemble de données d'observations à partir du semi-variogramme.
Français Une machine à vecteurs de support est un algorithme d'apprentissage automatique qui génère un hyperplan de séparation optimal pour distinguer des classes identiques mais non linéairement indépendantes. Vapnik51 a créé l'algorithme de classification d'intention, mais il a récemment été utilisé pour résoudre des problèmes orientés vers la régression. Selon Li et al.52, SVM est l'une des meilleures techniques de classification et a été utilisée dans divers domaines. Le composant de régression de SVM (Support Vector Machine Regression - SVMR) a été utilisé dans cette analyse. Cherkassky et Mulier53 ont été les pionniers de SVMR en tant que régression basée sur le noyau, dont le calcul a été effectué à l'aide d'un modèle de régression linéaire avec des fonctions spatiales multi-pays. John et al.54 rapportent que la modélisation SVMR utilise la régression linéaire d'hyperplan, qui crée des relations non linéaires et permet des fonctions spatiales. Selon Vohland et al. 55, epsilon (ε)-SVMR utilise l'ensemble de données formé pour obtenir un modèle de représentation sous la forme d'une fonction insensible à epsilon qui est appliquée pour cartographier les données indépendamment avec le meilleur biais epsilon issu de la formation sur des données corrélées. L'erreur de distance prédéfinie est ignorée de la valeur réelle, et si l'erreur est supérieure à ε(ε), les propriétés du sol la compensent. Le modèle réduit également la complexité des données de formation à un sous-ensemble plus large de vecteurs de support. L'équation proposée par Vapnik51 est présentée ci-dessous.
où b représente le seuil scalaire, \(K\left({x}_{,}{ x}_{k}\right)\) représente la fonction noyau, \(\alpha\) représente le multiplicateur de Lagrange, N représente un ensemble de données numériques, \({x}_{k}\) représente l'entrée de données et \(y\) est la sortie de données.L'un des noyaux clés utilisés est l'opération SVMR, qui est une fonction de base radiale gaussienne (RBF).Le noyau RBF est appliqué pour déterminer le modèle SVMR optimal, qui est essentiel pour obtenir le facteur d'ensemble de pénalités C et le paramètre de noyau gamma (γ) les plus subtils pour les données d'entraînement PTE.Tout d'abord, nous avons évalué l'ensemble d'entraînement, puis testé les performances du modèle sur l'ensemble de validation.Le paramètre de pilotage utilisé est sigma et la valeur de la méthode est svmRadial.
Un modèle de régression linéaire multiple (MLR) est un modèle de régression qui représente la relation entre la variable de réponse et un certain nombre de variables prédictives en utilisant des paramètres groupés linéaires calculés à l'aide de la méthode des moindres carrés. Dans le MLR, un modèle des moindres carrés est une fonction prédictive des propriétés du sol après sélection des variables explicatives. Il est nécessaire d'utiliser la réponse pour établir une relation linéaire en utilisant des variables explicatives. PTE a été utilisé comme variable de réponse pour établir une relation linéaire avec les variables explicatives. L'équation MLR est
où y est la variable de réponse, \(a\) est l'ordonnée à l'origine, n est le nombre de prédicteurs, \({b}_{1}\) est la régression partielle des coefficients, \({x}_{ i}\) représente un prédicteur ou une variable explicative, et \({\varepsilon }_{i}\) représente l'erreur dans le modèle, également appelée résidu.
Français Des modèles mixtes ont été obtenus en prenant en sandwich EBK avec SVMR et MLR. Cela se fait en extrayant les valeurs prédites de l'interpolation EBK. Les valeurs prédites obtenues à partir des éléments Ca, K et Mg interpolés sont obtenues par un processus combinatoire pour obtenir de nouvelles variables, telles que CaK, CaMg et KMg. Les éléments Ca, K et Mg sont ensuite combinés pour obtenir une quatrième variable, CaKMg. Globalement, les variables obtenues sont Ca, K, Mg, CaK, CaMg, KMg et CaKMg. Ces variables sont devenues nos prédicteurs, aidant à prédire les concentrations de nickel dans les sols urbains et périurbains. L'algorithme SVMR a été exécuté sur les prédicteurs pour obtenir un modèle mixte Krigeage bayésien empirique-Machine à vecteurs de support (EBK_SVM). De même, les variables sont également canalisées via l'algorithme MLR pour obtenir un modèle mixte Krigeage bayésien empirique-Régression linéaire multiple (EBK_MLR). Typiquement, les variables Ca, K, Mg, CaK, CaMg, KMg et CaKMg sont utilisés comme covariables comme prédicteurs de la teneur en Ni dans les sols urbains et périurbains. Le modèle le plus acceptable obtenu (EBK_SVM ou EBK_MLR) sera ensuite visualisé à l'aide d'un graphique auto-organisé. Le flux de travail de cette étude est illustré à la figure 2.
L'utilisation de SeOM est devenue un outil populaire pour organiser, évaluer et prévoir les données dans le secteur financier, la santé, l'industrie, les statistiques, la science du sol, etc. SeOM est créé à l'aide de réseaux neuronaux artificiels et de méthodes d'apprentissage non supervisées pour l'organisation, l'évaluation et la prédiction. Dans cette étude, SeOM a été utilisé pour visualiser les concentrations de Ni sur la base du meilleur modèle de prédiction de Ni dans les sols urbains et périurbains. Les données traitées dans l'évaluation SeOM sont utilisées comme variables vectorielles à n dimensions d'entrée43,56. Melssen et al. 57 décrivent la connexion d'un vecteur d'entrée dans un réseau neuronal via une seule couche d'entrée à un vecteur de sortie avec un seul vecteur de pondération. La sortie générée par SeOM est une carte bidimensionnelle composée de différents neurones ou nœuds tissés dans des cartes topologiques hexagonales, circulaires ou carrées en fonction de leur proximité. En comparant les tailles de carte basées sur la métrique, l'erreur de quantification (QE) et l'erreur topographique (TE), le modèle SeOM avec 0,086 et 0,904, respectivement, est sélectionné, ce qui est une unité de 55 cartes (5 × 11). La structure du neurone est déterminée en fonction du nombre de nœuds dans l'équation empirique
Français Le nombre de données utilisées dans cette étude est de 115 échantillons. Une approche aléatoire a été utilisée pour diviser les données en données de test (25 % pour la validation) et en ensembles de données d'entraînement (75 % pour l'étalonnage). L'ensemble de données d'entraînement est utilisé pour générer le modèle de régression (étalonnage) et l'ensemble de données de test est utilisé pour vérifier la capacité de généralisation58. Cela a été fait pour évaluer l'adéquation de divers modèles pour prédire la teneur en nickel dans les sols. Tous les modèles utilisés ont subi un processus de validation croisée en dix étapes, répété cinq fois. Les variables produites par l'interpolation EBK sont utilisées comme prédicteurs ou variables explicatives pour prédire la variable cible (PTE). La modélisation est gérée dans RStudio à l'aide des packages library(Kohonen), library(caret), library(modelr), library(“e1071”), library(“plyr”), library(“caTools”), library(”prospectr”) et libraries(“Metrics”).
Français Différents paramètres de validation ont été utilisés pour déterminer le meilleur modèle adapté à la prédiction des concentrations de nickel dans le sol et pour évaluer la précision du modèle et sa validation. Les modèles d'hybridation ont été évalués à l'aide de l'erreur absolue moyenne (MAE), de l'erreur quadratique moyenne (RMSE) et du R au carré ou de la détermination du coefficient (R2). R2 définit la variance des proportions dans la réponse, représentée par le modèle de régression. Le RMSE et l'ampleur de la variance dans des mesures indépendantes décrivent le pouvoir prédictif du modèle, tandis que le MAE détermine la valeur quantitative réelle. La valeur R2 doit être élevée pour évaluer le meilleur modèle de mélange à l'aide des paramètres de validation, plus la valeur est proche de 1, plus la précision est élevée. Selon Li et al. 59, une valeur de critère R2 de 0,75 ou plus est considérée comme un bon prédicteur ; de 0,5 à 0,75 est une performance de modèle acceptable, et en dessous de 0,5 est une performance de modèle inacceptable. Lors de la sélection d'un modèle à l'aide des méthodes d'évaluation des critères de validation RMSE et MAE, les valeurs inférieures obtenues étaient suffisantes et ont été considérées comme le meilleur choix. L'équation suivante décrit la méthode de vérification.
où n représente la taille de la valeur observée\({Y}_{i}\) représente la réponse mesurée, et \({\widehat{Y}}_{i}\) représente également la valeur de réponse prédite, donc, pour les i premières observations.
Français Les descriptions statistiques des variables prédictives et de réponse sont présentées dans le tableau 1, indiquant la moyenne, l'écart type (ET), le coefficient de variation (CV), le minimum, le maximum, l'aplatissement et l'asymétrie. Les valeurs minimales et maximales des éléments sont classées par ordre décroissant de Mg < Ca < K < Ni et Ca < Mg < K < Ni, respectivement. Les concentrations de la variable de réponse (Ni) échantillonnées dans la zone d'étude variaient de 4,86 ​​à 42,39 mg/kg. La comparaison du Ni avec la moyenne mondiale (29 mg/kg) et la moyenne européenne (37 mg/kg) a montré que la moyenne géométrique globale calculée pour la zone d'étude se situait dans la plage tolérable. Néanmoins, comme le montre Kabata-Pendias11, une comparaison de la concentration moyenne en nickel (Ni) dans l'étude actuelle avec les sols agricoles en Suède montre que la concentration moyenne actuelle en nickel est plus élevée. De même, la concentration moyenne de Frydek Mistek dans les sols urbains et périurbains dans l'étude actuelle (Ni Français 16,15 mg/kg) était supérieure à la limite autorisée de 60 (10,2 mg/kg) pour le Ni dans les sols urbains polonais rapportée par Różański et al. De plus, Bretzel et Calderisi61 ont enregistré de très faibles concentrations moyennes de Ni (1,78 mg/kg) dans les sols urbains en Toscane par rapport à l'étude actuelle. Jim62 a également trouvé une concentration de nickel plus faible (12,34 mg/kg) dans les sols urbains de Hong Kong, ce qui est inférieur à la concentration actuelle en nickel dans cette étude. Birke et al63 ont rapporté une concentration moyenne de Ni de 17,6 mg/kg dans une ancienne zone minière et industrielle urbaine de Saxe-Anhalt, en Allemagne, ce qui était 1,45 mg/kg supérieur à la concentration moyenne de Ni dans la région (16,15 mg/kg). Recherches actuelles. La teneur excessive en nickel dans les sols de certaines zones urbaines et suburbaines de la zone d'étude peut être principalement attribuée à l'industrie sidérurgique et à l'industrie métallurgique. Ceci est cohérent avec l'étude de Khodadoust et al. 64 que l'industrie sidérurgique et la métallurgie sont les principales sources de contamination des sols par le nickel.Cependant, les prédicteurs variaient également de 538,70 mg/kg à 69 161,80 mg/kg pour Ca, de 497,51 mg/kg à 3 535,68 mg/kg pour K et de 685,68 mg/kg à 5 970,05 mg/kg pour Mg.Jakovljevic et al. 65 ont étudié la teneur totale en Mg et K des sols du centre de la Serbie. Ils ont constaté que les concentrations totales (410 mg/kg et 400 mg/kg, respectivement) étaient inférieures aux concentrations en Mg et K de l'étude actuelle. Indiscernables, dans l'est de la Pologne, Orzechowski et Smolczynski66 ont évalué la teneur totale en Ca, Mg et K et ont montré des concentrations moyennes de Ca (1100 mg/kg), Mg (590 mg/kg) et K (810 mg/kg). La teneur dans la couche arable est inférieure à celle de l'élément unique dans cette étude. Une étude récente de Pongrac et al. 67 a montré que la teneur totale en Ca analysée dans 3 sols différents en Écosse, au Royaume-Uni (sol de Mylnefield, sol de Balruddery et sol de Hartwood) indiquait une teneur en Ca plus élevée dans cette étude.
Français En raison des différentes concentrations mesurées des éléments échantillonnés, les distributions des ensembles de données des éléments présentent une asymétrie différente. L'asymétrie et la courbure des éléments variaient respectivement de 1,53 à 7,24 et de 2,49 à 54,16. Tous les éléments calculés ont des niveaux d'asymétrie et de courbure supérieurs à +1, indiquant ainsi que la distribution des données est irrégulière, asymétrique dans la bonne direction et culminante. Les CV estimés des éléments montrent également que K, Mg et Ni présentent une variabilité modérée, tandis que Ca a une variabilité extrêmement élevée. Les CV de K, Ni et Mg expliquent leur distribution uniforme. De plus, la distribution de Ca n'est pas uniforme et des sources externes peuvent affecter son niveau d'enrichissement.
La corrélation des variables prédictives avec les éléments de réponse a indiqué une corrélation satisfaisante entre les éléments (voir la figure 3). La corrélation a indiqué que CaK présentait une corrélation modérée avec une valeur r = 0,53, tout comme CaNi. Bien que Ca et K présentent des associations modestes entre eux, des chercheurs tels que Kingston et al. 68 et Santo69 suggèrent que leurs niveaux dans le sol sont inversement proportionnels.Cependant, Ca et Mg sont antagonistes à K, mais CaK est bien corrélé.Cela peut être dû à l'application d'engrais tels que le carbonate de potassium, qui est 56% plus élevé en potassium.Le potassium était modérément corrélé au magnésium (KM r = 0,63).Dans l'industrie des engrais, ces deux éléments sont étroitement liés car le sulfate de potassium et de magnésium, le nitrate de potassium et de magnésium et la potasse sont appliqués aux sols pour augmenter leurs niveaux de carence.Le nickel est modérément corrélé à Ca, K et Mg avec des valeurs r = 0,52, 0,63 et 0,55, respectivement.Les relations impliquant le calcium, le magnésium et les PTE tels que le nickel sont complexes, mais néanmoins, le magnésium inhibe l'absorption du calcium, le calcium réduit les effets de l'excès de magnésium, et le magnésium et le calcium réduisent les effets toxiques du nickel dans le sol.
Matrice de corrélation pour les éléments montrant la relation entre les prédicteurs et les réponses (Remarque : cette figure comprend un nuage de points entre les éléments, les niveaux de signification sont basés sur p < 0,001).
Français La figure 4 illustre la distribution spatiale des éléments. Selon Burgos et al70, l'application de la distribution spatiale est une technique utilisée pour quantifier et mettre en évidence les points chauds dans les zones polluées. Les niveaux d'enrichissement en Ca sur la figure 4 peuvent être observés dans la partie nord-ouest de la carte de distribution spatiale. La figure montre des points chauds d'enrichissement en Ca modérés à élevés. L'enrichissement en calcium dans le nord-ouest de la carte est probablement dû à l'utilisation de chaux vive (oxyde de calcium) pour réduire l'acidité du sol et à son utilisation dans les aciéries comme oxygène alcalin dans le processus de fabrication de l'acier. D'autre part, d'autres agriculteurs préfèrent utiliser de l'hydroxyde de calcium dans les sols acides pour neutraliser le pH, ce qui augmente également la teneur en calcium du sol71. Le potassium montre également des points chauds dans le nord-ouest et l'est de la carte. Le Nord-Ouest est une importante communauté agricole, et le profil modéré à élevé de potassium peut être dû aux applications de NPK et de potasse. Ceci est cohérent avec d'autres études, telles que Madaras et Lipavský72, Madaras et al.73, Français Pulkrabová et al.74, Asare et al.75, qui ont observé que la stabilisation du sol et le traitement avec KCl et NPK entraînaient une teneur élevée en K dans le sol. L'enrichissement spatial en potassium dans le nord-ouest de la carte de distribution peut être dû à l'utilisation d'engrais à base de potassium tels que le chlorure de potassium, le sulfate de potassium, le nitrate de potassium, la potasse et la potasse pour augmenter la teneur en potassium des sols pauvres. Zádorová et al. 76 et Tlustoš et al. 77 a souligné que l'application d'engrais à base de K augmentait la teneur en K du sol et augmenterait considérablement la teneur en éléments nutritifs du sol à long terme, en particulier K et Mg montrant un point chaud dans le sol.Points chauds relativement modérés dans le nord-ouest de la carte et le sud-est de la carte.La fixation colloïdale dans le sol épuise la concentration de magnésium dans le sol.Son manque dans le sol provoque chez les plantes une chlorose interveineuse jaunâtre.Les engrais à base de magnésium, tels que le sulfate de potassium et de magnésium, le sulfate de magnésium et la kiesérite, traitent les carences (les plantes apparaissent violettes, rouges ou brunes, indiquant une carence en magnésium) dans les sols avec une plage de pH normale6.L'accumulation de nickel sur les surfaces des sols urbains et périurbains peut être due à des activités anthropiques telles que l'agriculture et à l'importance du nickel dans la production d'acier inoxydable78.
Répartition spatiale des éléments [la carte de répartition spatiale a été créée à l'aide d'ArcGIS Desktop (ESRI, Inc, version 10.7, URL : https://desktop.arcgis.com).]
Français Les résultats de l'indice de performance du modèle pour les éléments utilisés dans cette étude sont présentés dans le tableau 2. D'autre part, le RMSE et le MAE de Ni sont tous deux proches de zéro (0,86 RMSE, -0,08 MAE). D'autre part, les valeurs RMSE et MAE de K sont acceptables. Les résultats RMSE et MAE étaient plus élevés pour le calcium et le magnésium. Ca et K Les résultats MAE et RMSE sont plus importants en raison de différents ensembles de données. Le RMSE et le MAE de cette étude utilisant EBK pour prédire Ni se sont avérés meilleurs que les résultats de John et al. 54 utilisant le krigeage synergique pour prédire les concentrations de S dans le sol en utilisant les mêmes données collectées. Les résultats EBK que nous avons étudiés sont en corrélation avec ceux de Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 et John et al. 82, en particulier K et Ni.
Français Les performances des méthodes individuelles de prédiction de la teneur en nickel dans les sols urbains et périurbains ont été évaluées à l'aide des performances des modèles (tableau 3). La validation du modèle et l'évaluation de la précision ont confirmé que le prédicteur Ca_Mg_K combiné au modèle EBK SVMR a donné les meilleures performances. Modèle d'étalonnage Le R2 du modèle Ca_Mg_K-EBK_SVMR, l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE) étaient de 0,637 (R2), 95,479 mg/kg (RMSE) et 77,368 mg/kg (MAE) Le Ca_Mg_K-SVMR était de 0,663 (R2), 235,974 mg/kg (RMSE) et 166,946 mg/kg (MAE). Néanmoins, de bonnes valeurs de R2 ont été obtenues pour le Ca_Mg_K-SVMR (0,663 mg/kg R2) et le Ca_Mg-EBK_SVMR (0,643 = R2); Français leurs résultats RMSE et MAE étaient plus élevés que ceux du Ca_Mg_K-EBK_SVMR (R2 0,637) (voir tableau 3). De plus, le RMSE et le MAE du modèle Ca_Mg-EBK_SVMR (RMSE = 1664,64 et MAE = 1031,49) sont respectivement de 17,5 et 13,4, ce qui est plus grand que ceux du Ca_Mg_K-EBK_SVMR. De même, le RMSE et le MAE du modèle Ca_Mg-K SVMR (RMSE = 235,974 et MAE = 166,946) sont respectivement 2,5 et 2,2 plus grands que ceux du RMSE et du MAE du Ca_Mg_K-EBK_SVMR. Les résultats RMSE calculés indiquent à quel point l'ensemble de données est concentré avec la ligne de meilleur ajustement. Des RSME et MAE plus élevés ont été observés. Selon Kebonye et al. Français 46 et john et al. 54, plus le RMSE et le MAE sont proches de zéro, meilleurs sont les résultats. SVMR et EBK_SVMR ont des valeurs RSME et MAE quantifiées plus élevées. Il a été observé que les estimations RSME étaient systématiquement plus élevées que les valeurs MAE, indiquant la présence de valeurs aberrantes. Selon Legates et McCabe83, la mesure dans laquelle le RMSE dépasse l'erreur absolue moyenne (MAE) est recommandée comme indicateur de la présence de valeurs aberrantes. Cela signifie que plus l'ensemble de données est hétérogène, plus les valeurs MAE et RMSE sont élevées. La précision de l'évaluation de validation croisée du modèle mixte Ca_Mg_K-EBK_SVMR pour prédire la teneur en Ni dans les sols urbains et suburbains était de 63,70 %. Selon Li et al. 59, ce niveau de précision est un taux de performance de modèle acceptable. Les présents résultats sont comparés à une étude précédente de Tarasov et al. 36 dont le modèle hybride a créé MLPRK (Multilayer Perceptron Residual Kriging), lié à l'indice d'évaluation de la précision EBK_SVMR rapporté dans l'étude actuelle, RMSE (210) et le MAE (167,5) était supérieur à nos résultats dans l'étude actuelle (RMSE 95,479, MAE 77,368).Cependant, en comparant le R2 de l'étude actuelle (0,637) avec celui de Tarasov et al. Français 36 (0,544), il est clair que le coefficient de détermination (R2) est plus élevé dans ce modèle mixte. La marge d'erreur (RMSE et MAE) (EBK SVMR) pour le modèle mixte est deux fois plus faible. De même, Sergeev et al.34 ont enregistré 0,28 (R2) pour le modèle hybride développé (Multilayer Perceptron Residual Kriging), tandis que Ni dans l'étude actuelle a enregistré 0,637 (R2). Le niveau de précision de prédiction de ce modèle (EBK SVMR) est de 63,7 %, tandis que la précision de prédiction obtenue par Sergeev et al. 34 est de 28 %. La carte finale (Fig. 5) créée à l'aide du modèle EBK_SVMR et de Ca_Mg_K comme prédicteur montre des prédictions de points chauds et de nickel modéré à sur toute la zone d'étude. Cela signifie que la concentration de nickel dans la zone d'étude est principalement modérée, avec des concentrations plus élevées dans certaines zones spécifiques.
La carte de prédiction finale est représentée à l'aide du modèle hybride EBK_SVMR et en utilisant Ca_Mg_K comme prédicteur. [La carte de distribution spatiale a été créée à l'aide de RStudio (version 1.4.1717 : https://www.rstudio.com/).]
La figure 6 présente les concentrations de PTE sous forme de plan de composition composé de neurones individuels. Aucun des plans composants ne présente le même motif de couleur que celui indiqué. Cependant, le nombre approprié de neurones par carte dessinée est de 55. Le SeOM est produit à l'aide d'une variété de couleurs, et plus les motifs de couleur sont similaires, plus les propriétés des échantillons sont comparables. Selon leur échelle de couleurs précise, les éléments individuels (Ca, K et Mg) ont montré des motifs de couleur similaires à ceux des neurones d'ordre élevé uniques et de la plupart des neurones d'ordre faible. Ainsi, CaK et CaMg partagent certaines similitudes avec les neurones d'ordre très élevé et des motifs de couleur faibles à modérés. Les deux modèles prédisent la concentration de Ni dans le sol en affichant des teintes moyennes à élevées de couleurs telles que le rouge, l'orange et le jaune. Le modèle KMg affiche de nombreux motifs de couleur élevés basés sur des proportions précises et des taches de couleur faibles à moyennes. Sur une échelle de couleur précise, de faible à élevée, le motif de distribution planaire des composants du modèle a montré un motif de couleur élevé indiquant la concentration potentielle de nickel dans le sol (voir figure 4). Le composant du modèle CakMg Le plan montre un motif de couleur diversifié, de faible à élevé, selon une échelle de couleurs précise. De plus, la prédiction du modèle de la teneur en nickel (CakMg) est similaire à la distribution spatiale du nickel présentée dans la figure 5. Les deux graphiques montrent des proportions élevées, moyennes et faibles de concentrations de nickel dans les sols urbains et périurbains. La figure 7 illustre la méthode des contours dans le groupement k-means sur la carte, divisé en trois groupes en fonction de la valeur prédite dans chaque modèle. La méthode des contours représente le nombre optimal de groupes. Sur les 115 échantillons de sol collectés, la catégorie 1 a obtenu le plus grand nombre d'échantillons de sol, 74. Le groupe 2 a reçu 33 échantillons, tandis que le groupe 3 a reçu 8 échantillons. La combinaison de prédicteurs plans à sept composants a été simplifiée pour permettre une interprétation correcte des groupes. En raison des nombreux processus anthropiques et naturels affectant la formation des sols, il est difficile d'avoir des modèles de groupes correctement différenciés dans une carte SeOM distribuée78.
Sortie du plan des composants par chaque variable de la machine à vecteurs de support de krigeage bayésien empirique (EBK_SVM_SeOM). [Les cartes SeOM ont été créées à l'aide de RStudio (version 1.4.1717 : https://www.rstudio.com/).]
Différents composants de classification de cluster [Les cartes SeOM ont été créées à l'aide de RStudio (version 1.4.1717 : https://www.rstudio.com/).]
Français L'étude actuelle illustre clairement les techniques de modélisation des concentrations de nickel dans les sols urbains et périurbains. L'étude a testé différentes techniques de modélisation, combinant des éléments avec des techniques de modélisation, afin d'obtenir la meilleure façon de prédire les concentrations de nickel dans le sol. Les caractéristiques spatiales planaires de composition SeOM de la technique de modélisation ont montré un motif de couleur élevé de faible à élevé sur une échelle de couleurs précise, indiquant les concentrations de Ni dans le sol. Cependant, la carte de distribution spatiale confirme la distribution spatiale planaire des composants présentée par EBK_SVMR (voir Figure 5). Les résultats montrent que le modèle de régression à vecteur de support (Ca Mg K-SVMR) prédit la concentration de Ni dans le sol comme un modèle unique, mais les paramètres de validation et d'évaluation de la précision montrent des erreurs très élevées en termes de RMSE et MAE. D'autre part, la technique de modélisation utilisée avec le modèle EBK_MLR est également défectueuse en raison de la faible valeur du coefficient de détermination (R2). De bons résultats ont été obtenus en utilisant EBK SVMR et des éléments combinés (CaKMg) avec de faibles erreurs RMSE et MAE avec une précision de 63,7 %.Il s'avère que la combinaison de l'algorithme EBK avec un algorithme d'apprentissage automatique peut générer un algorithme hybride capable de prédire la concentration de PTE dans le sol.Les résultats montrent que l'utilisation de Ca Mg K comme prédicteurs pour prédire les concentrations de Ni dans la zone d'étude peut améliorer la prédiction de Ni dans les sols.Cela signifie que l'application continue d'engrais à base de nickel et la pollution industrielle du sol par l'industrie sidérurgique ont tendance à augmenter la concentration de nickel dans le sol.Cette étude a révélé que le modèle EBK peut réduire le niveau d'erreur et améliorer la précision du modèle de distribution spatiale du sol dans les sols urbains ou périurbains.En général, nous proposons d'appliquer le modèle EBK-SVMR pour évaluer et prédire le PTE dans le sol ; en outre, nous proposons d'utiliser EBK pour hybrider avec divers algorithmes d'apprentissage automatique.Les concentrations de Ni ont été prédites en utilisant des éléments comme covariables ; Cependant, l'utilisation de plus de covariables améliorerait considérablement les performances du modèle, ce qui peut être considéré comme une limitation du travail actuel.Une autre limitation de cette étude est que le nombre d'ensembles de données est de 115.Par conséquent, si davantage de données sont fournies, les performances de la méthode d'hybridation optimisée proposée peuvent être améliorées.
PlantProbs.net.Nickel dans les plantes et le sol https://plantprobs.net/plant/nutrientImbalances/sodium.html (consulté le 28 avril 2021).
Kasprzak, KS Progrès du nickel dans la toxicologie environnementale moderne.environment.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel : une revue de ses sources et de sa toxicologie environnementale.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Apport de polluants provenant de l'atmosphère et accumulation dans le sol et la végétation à proximité d'une fonderie de nickel-cuivre à Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Métaux lourds dans le sol, les plantes et risques associés au pâturage des ruminants près de la mine de cuivre-nickel de Selebi-Phikwe au Botswana.environs.Géochimie.Santé https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Éléments traces dans le sol et… – 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= (consulté le 24 novembre 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, indéfini.Effets de l'industrie russe du nickel sur les concentrations de métaux lourds dans les sols agricoles et les graminées à Soer-Varanger, Norvège.agris.fao.org.
Nielsen, GD et al.L'absorption et la rétention du nickel dans l'eau potable sont liées à l'apport alimentaire et à la sensibilité au nickel.toxicologie.application.Pharmacodynamique.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenèse, mutation, épigénétique ou sélection.environment.Health Perspective.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analyse des tendances des éléments potentiellement toxiques : une revue bibliométrique.Géochimie environnementale et santé.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Cartographie numérique des sols : une brève histoire et quelques leçons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML et Minasny, B. Sur la cartographie numérique des sols. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Modélisation géostatistique des réservoirs,… – 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= (consulté le 28 avril 2021).