Hvala vam što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu podršku za CSS. Za najbolje iskustvo preporučujemo da koristite ažurirani preglednik (ili isključite način kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazat ćemo stranicu bez stilova i JavaScripta.
Onečišćenje tla veliki je problem uzrokovan ljudskim aktivnostima. Prostorna raspodjela potencijalno toksičnih elemenata (PTE) varira u većini urbanih i periurbanih područja. Stoga je teško prostorno predvidjeti sadržaj PTE u takvim tlima. Ukupno 115 uzoraka dobiveno je iz Frydek Mistka u Češkoj Republici. Koncentracije kalcija (Ca), magnezija (Mg), kalija (K) i nikla (Ni) određene su pomoću emisijske spektrometrije s induktivno spregnutom plazmom. Varijabla odziva je Ni, a prediktori su Ca, Mg i K. Matrica korelacije između varijable odziva i varijable prediktora pokazuje zadovoljavajuću korelaciju između elemenata. Rezultati predviđanja pokazali su da je Support Vector Machine Regression (SVMR) dobro funkcionirala, iako su njezine procijenjene srednja kvadratna pogreška (RMSE) (235,974 mg/kg) i srednja apsolutna pogreška (MAE) (166,946 mg/kg) bile veće od ostalih primijenjenih metoda. Mješoviti modeli za empirijsku Bayesovu Kriging-višestruku linearnu regresiju (EBK-MLR) slabo funkcioniraju, što dokazuje... koeficijenti determinacije manji od 0,1. Model empirijske Bayesove Kriging-Support Vector Machine regresije (EBK-SVMR) bio je najbolji model, s niskim vrijednostima RMSE (95,479 mg/kg) i MAE (77,368 mg/kg) te visokim koeficijentom determinacije (R2 = 0,637). Izlaz tehnike modeliranja EBK-SVMR vizualiziran je pomoću samoorganizirajuće karte. Grupirani neuroni u ravnini hibridnog modela komponente CakMg-EBK-SVMR pokazuju više uzoraka boja koji predviđaju koncentracije Ni u urbanim i periurbanim tlima. Rezultati pokazuju da je kombiniranje EBK i SVMR učinkovita tehnika za predviđanje koncentracija Ni u urbanim i periurbanim tlima.
Nikal (Ni) se smatra mikronutrijentom za biljke jer doprinosi fiksaciji atmosferskog dušika (N) i metabolizmu uree, a oboje je potrebno za klijanje sjemena. Osim doprinosa klijanju sjemena, Ni može djelovati kao inhibitor gljivica i bakterija te poticati razvoj biljaka. Nedostatak nikla u tlu omogućuje biljci da ga apsorbira, što rezultira klorozom lišća. Na primjer, kravlji grah i zeleni grah zahtijevaju primjenu gnojiva na bazi nikla kako bi se optimizirala fiksacija dušika2. Kontinuirana primjena gnojiva na bazi nikla radi obogaćivanja tla i povećanja sposobnosti mahunarki da fiksiraju dušik u tlu kontinuirano povećava koncentraciju nikla u tlu. Iako je nikal mikronutrijent za biljke, njegov prekomjerni unos u tlo može učiniti više štete nego koristi. Toksičnost nikla u tlu smanjuje pH tla i ometa unos željeza kao esencijalnog hranjivog tvari za rast biljaka1. Prema Liu3, utvrđeno je da je Ni 17. važan element potreban za razvoj i rast biljaka. Osim uloge nikla u razvoju i rastu biljaka, ljudima je potreban za razne primjene. Galvanizacija, proizvodnja legura na bazi nikla, i proizvodnja uređaja za paljenje i svjećica u automobilskoj industriji zahtijevaju upotrebu nikla u raznim industrijskim sektorima. Osim toga, legure na bazi nikla i galvanizirani artikli široko se koriste u kuhinjskom posuđu, dodacima za plesne dvorane, prehrambenoj industriji, električnim uređajima, žicama i kabelima, mlaznim turbinama, kirurškim implantatima, tekstilu i brodogradnji5. Razine bogate Ni u tlu (tj. površinskom tlu) pripisuju se i antropogenim i prirodnim izvorima, ali prvenstveno je Ni prirodni izvor, a ne antropogeni4,6. Prirodni izvori nikla uključuju vulkanske erupcije, vegetaciju, šumske požare i geološke procese; međutim, antropogeni izvori uključuju nikal/kadmijeve baterije u čeličnoj industriji, galvanizaciju, elektrolučno zavarivanje, dizelska i loživa ulja te atmosferske emisije iz izgaranja ugljena i spaljivanja otpada i mulja. Nakupljanje nikla7,8. Prema Freedmanu i Hutchinsonu9 i Manyiwi i suradnicima... 10, glavni izvori onečišćenja površinskog tla u neposrednom i susjednom okolišu uglavnom su topionice i rudnici na bazi nikla i bakra. Površinsko tlo oko rafinerije nikla i bakra Sudbury u Kanadi imalo je najviše razine onečišćenja niklom, 26 000 mg/kg11. Nasuprot tome, onečišćenje iz proizvodnje nikla u Rusiji rezultiralo je većim koncentracijama nikla u norveškom tlu11. Prema Almsu i suradnicima. 12, količina nikla koji se može ekstrahirati HNO3 u najplodnijim obradivim površinama regije (proizvodnja nikla u Rusiji) kretala se od 6,25 do 136,88 mg/kg, što odgovara prosjeku od 30,43 mg/kg i osnovnoj koncentraciji od 25 mg/kg. Prema kabati 11, primjena fosfornih gnojiva u poljoprivrednim tlima u urbanim ili periurbanim tlima tijekom uzastopnih sezona usjeva može prodrijeti ili kontaminirati tlo. Potencijalni učinci nikla kod ljudi mogu dovesti do raka putem mutageneze, oštećenja kromosoma, stvaranja Z-DNK, blokiranog popravka ekscizijom DNK ili epigenetskih procesa 13. U pokusima na životinjama utvrđeno je da nikal ima potencijal uzrokovati razne tumore, a kancerogeni kompleksi nikla mogu pogoršati takve tumore.
Procjene onečišćenja tla procvjetale su u posljednje vrijeme zbog širokog raspona zdravstvenih problema koji proizlaze iz odnosa tla i biljaka, odnosa tla i bioloških odnosa tla, ekološke degradacije i procjene utjecaja na okoliš. Do danas je prostorno predviđanje potencijalno toksičnih elemenata (PTE) poput Ni u tlu bilo mukotrpno i dugotrajno korištenjem tradicionalnih metoda. Pojava digitalnog mapiranja tla (DSM) i njegov trenutni uspjeh15 uvelike su poboljšali prediktivno mapiranje tla (PSM). Prema Minasnyju i McBratneyju16, prediktivno mapiranje tla (DSM) pokazalo se kao istaknuta poddisciplina znanosti o tlu. Lagacherie i McBratney, 2006. definiraju DSM kao „stvaranje i popunjavanje prostornih informacijskih sustava o tlu korištenjem in situ i laboratorijskih metoda promatranja te prostornih i neprostornih sustava zaključivanja o tlu“. McBratney i sur. 17. ističe da je suvremeni DSM ili PSM najučinkovitija tehnika za predviđanje ili mapiranje prostorne raspodjele PTE-ova, tipova tla i svojstava tla. Geostatistika i algoritmi strojnog učenja (MLA) su tehnike DSM modeliranja koje stvaraju digitalizirane karte uz pomoć računala koristeći značajne i minimalne podatke.
Deutsch18 i Olea19 definiraju geostatistiku kao „skup numeričkih tehnika koje se bave reprezentacijom prostornih atributa, uglavnom koristeći stohastičke modele, poput načina na koji analiza vremenskih serija karakterizira vremenske podatke.“ Geostatistika prvenstveno uključuje evaluaciju variograma, koji omogućuju kvantificiranje i definiranje ovisnosti prostornih vrijednosti iz svakog skupa podataka20. Gumiaux i sur.20 dodatno ilustriraju da se evaluacija variograma u geostatistici temelji na tri načela, uključujući (a) izračunavanje skale korelacije podataka, (b) identificiranje i izračunavanje anizotropije u disparitetu skupova podataka i (c) uz to. Osim što uzima u obzir inherentnu pogrešku podataka mjerenja odvojenu od lokalnih učinaka, procjenjuju se i učinci površine. Nadovezujući se na ove koncepte, u geostatistici se koriste mnoge tehnike interpolacije, uključujući opći kriging, ko-kriging, obični kriging, empirijski Bayesov kriging, jednostavnu metodu kriginga i druge dobro poznate tehnike interpolacije za mapiranje ili predviđanje PTE-a, karakteristika tla i tipova tla.
Algoritmi strojnog učenja (MLA) relativno su nova tehnika koja koristi veće nelinearne klase podataka, potaknute algoritmima koji se prvenstveno koriste za rudarenje podataka, identificiranje obrazaca u podacima i koji se više puta primjenjuju za klasifikaciju u znanstvenim područjima poput znanosti o tlu i zadataka vraćanja. Brojni istraživački radovi oslanjaju se na MLA modele za predviđanje PTE u tlu, kao što su Tan i sur. 22 (slučajne šume za procjenu teških metala u poljoprivrednim tlima), Sakizadeh i sur. 23 (modeliranje korištenjem strojeva potpornih vektora i umjetnih neuronskih mreža) onečišćenja tla). Osim toga, Vega i sur. 24 (CART za modeliranje zadržavanja i adsorpcije teških metala u tlu), Sun i sur. 25 (primjena kubističke distribucije Cd u tlu) i drugi algoritmi kao što su k-najbliži susjed, generalizirana pojačana regresija i pojačana regresijska stabla također su primijenili MLA za predviđanje PTE u tlu.
Primjena DSM algoritama u predviđanju ili mapiranju suočava se s nekoliko izazova. Mnogi autori vjeruju da je MLA superiorniji od geostatistike i obrnuto. Iako je jedan bolji od drugog, kombinacija ta dva poboljšava razinu točnosti mapiranja ili predviđanja u DSM-u15. Woodcock i Gopal26 Finke27; Pontius i Cheuk28 te Grunwald29 komentiraju nedostatke i neke pogreške u predviđenom mapiranju tla. Znanstvenici koji se bave tlom isprobali su razne tehnike kako bi optimizirali učinkovitost, točnost i predvidljivost DSM mapiranja i predviđanja. Kombinacija nesigurnosti i verifikacije jedan je od mnogih različitih aspekata integriranih u DSM kako bi se optimizirala učinkovitost i smanjili nedostaci. Međutim, Agyeman i suradnici15 ističu da ponašanje validacije i nesigurnost uvedene stvaranjem i predviđanjem karte trebaju biti neovisno validirane kako bi se poboljšala kvaliteta karte. Ograničenja DSM-a su posljedica geografski raspršene kvalitete tla, koja uključuje komponentu nesigurnosti; Međutim, nedostatak sigurnosti u DSM-u može proizaći iz više izvora pogrešaka, naime kovarijantne pogreške, pogreške modela, pogreške lokacije i analitičke pogreške 31. Netočnosti modeliranja uzrokovane MLA i geostatističkim procesima povezane su s nedostatkom razumijevanja, što u konačnici dovodi do prevelikog pojednostavljenja stvarnog procesa 32. Bez obzira na prirodu modeliranja, netočnosti se mogu pripisati parametrima modeliranja, predviđanjima matematičkog modela ili interpolaciji 33. Nedavno se pojavio novi DSM trend koji potiče integraciju geostatistike i MLA u kartiranju i predviđanju. Nekoliko znanstvenika i autora koji se bave tlom, kao što su Sergeev i sur. 34; Subbotina i sur. 35; Tarasov i sur. 36 i Tarasov i sur. 37, iskoristili su točnu kvalitetu geostatistike i strojnog učenja za generiranje hibridnih modela koji poboljšavaju učinkovitost predviđanja i kartiranja. kvaliteta. Neki od ovih hibridnih ili kombiniranih algoritamskih modela su kriging umjetne neuronske mreže (ANN-RK), višeslojni perceptronski rezidualni kriging (MLP-RK), generalizirani regresijski regresijski kriging neuronske mreže (GR-NNRK)36, višeslojni perceptronski kriging umjetne neuronske mreže (ANN-K-MLP)37 te kokriging i Gaussova procesna regresija38.
Prema Sergeevu i suradnicima, kombiniranje različitih tehnika modeliranja ima potencijal ukloniti nedostatke i povećati učinkovitost rezultirajućeg hibridnog modela, umjesto razvoja njegovog jedinstvenog modela. U tom kontekstu, ovaj novi rad tvrdi da je potrebno primijeniti kombinirani algoritam geostatistike i MLA kako bi se stvorili optimalni hibridni modeli za predviđanje obogaćivanja Ni u urbanim i periurbanim područjima. Ova studija će se oslanjati na empirijski Bayesov kriging (EBK) kao osnovni model i kombinirati ga s modelima Support Vector Machine (SVM) i Multiple Linear Regression (MLR). Hibridizacija EBK-a s bilo kojim MLA nije poznata. Višestruki miješani modeli koji se vide su kombinacije običnog, rezidualnog, regresijskog kriginga i MLA. EBK je geostatistička metoda interpolacije koja koristi prostorno stohastički proces koji je lokaliziran kao nestacionarno/stacionarno slučajno polje s definiranim parametrima lokalizacije preko polja, što omogućuje prostornu varijaciju 39. EBK je korišten u raznim studijama, uključujući analizu raspodjele organskog ugljika u poljoprivrednim tlima 40, procjenu onečišćenja tla 41 i mapiranje svojstava tla 42.
S druge strane, samoorganizirajući graf (SeOM) je algoritam učenja koji je primijenjen u raznim člancima kao što su Li i sur. 43, Wang i sur. 44, Hossain Bhuiyan i sur. 45 i Kebonye i sur. 46 Određivanje prostornih atributa i grupiranja elemenata. Wang i sur. 44 ističu da je SeOM moćna tehnika učenja poznata po svojoj sposobnosti grupiranja i zamišljanja nelinearnih problema. Za razliku od drugih tehnika prepoznavanja uzoraka kao što su analiza glavnih komponenti, fuzzy grupiranje, hijerarhijsko grupiranje i višekriterijalno donošenje odluka, SeOM je bolji u organiziranju i identificiranju PTE uzoraka. Prema Wangu i sur. 44, SeOM može prostorno grupirati distribuciju povezanih neurona i pružiti vizualizaciju podataka visoke rezolucije. SeOM će vizualizirati podatke o predviđanju Ni kako bi dobio najbolji model za karakterizaciju rezultata za izravnu interpretaciju.
Ovaj rad ima za cilj generirati robustan model mapiranja s optimalnom točnošću za predviđanje sadržaja nikla u urbanim i periurbanim tlima. Pretpostavljamo da pouzdanost miješanog modela uglavnom ovisi o utjecaju drugih modela pridruženih osnovnom modelu. Prepoznajemo izazove s kojima se suočava DSM i, iako se ti izazovi rješavaju na više frontova, kombinacija napretka u geostatistici i MLA modela čini se postupnom; stoga ćemo pokušati odgovoriti na istraživačka pitanja koja mogu rezultirati miješanim modelima. Međutim, koliko je model točan u predviđanju ciljanog elementa? Također, koja je razina procjene učinkovitosti na temelju validacije i procjene točnosti? Stoga su specifični ciljevi ove studije bili (a) stvoriti kombinirani model mješavine za SVMR ili MLR koristeći EBK kao osnovni model, (b) usporediti rezultirajuće modele, (c) predložiti najbolji model mješavine za predviđanje koncentracija Ni u urbanim ili periurbanim tlima i (d) primjena SeOM-a za stvaranje karte visoke rezolucije prostorne varijacije nikla.
Studija se provodi u Češkoj Republici, točnije u okrugu Frydek Mistek u Moravsko-šleskoj regiji (vidi sliku 1). Geografija područja istraživanja je vrlo neravna i uglavnom je dio regije Moravsko-šleski Beskidi, koja je dio vanjskog ruba Karpata. Područje istraživanja nalazi se između 49° 41′ 0′ N i 18° 20′ 0′ E, a nadmorska visina je između 225 i 327 m; Međutim, Koppenov klasifikacijski sustav za klimatsko stanje regije ocijenjen je kao Cfb = umjerena oceanska klima. Ima puno oborina čak i u suhim mjesecima. Temperature se tijekom godine neznatno razlikuju između -5 °C i 24 °C, rijetko padaju ispod -14 °C ili iznad 30 °C, dok je prosječna godišnja količina oborina između 685 i 752 mm47. Procijenjeno područje istraživanja cijelog područja iznosi 1208 četvornih kilometara, s 39,38% obrađenog zemljišta i 49,36% šumskog pokrova. S druge strane, područje korišteno u ovoj studiji iznosi oko 889,8 četvornih kilometara. U Ostravi i okolici, industrija čelika i metalurški radovi vrlo su aktivni. Tvornice metala, industrija čelika u kojoj se nikal koristi u nehrđajućim čelicima (npr. za otpornost na atmosfersku koroziju) i legiranim čelicima (nikal povećava čvrstoću legure uz održavanje dobre duktilnosti i žilavosti), te intenzivna poljoprivreda poput primjene fosfatnih gnojiva i stočarstva potencijalni su izvori nikla u regiji. (npr. dodavanje nikla janjadi radi povećanja stope rasta kod janjadi i slabo hranjene stoke). Druge industrijske upotrebe nikla u istraživačkim područjima uključuju njegovu upotrebu u galvanizaciji, uključujući galvanizaciju nikla i procese bezstrujnog niklanja. Svojstva tla lako se razlikuju od boje tla, strukture i sadržaja karbonata. Tekstura tla je srednja do fina, potječe od matičnog materijala. Koluvijalne su, aluvijalne ili eolske prirode. Neka područja tla izgledaju prošarana na površini i u podzemlju, često s betonom i izbjeljivanjem. Međutim, kambisoli i stagnosoli su najčešće vrste tla u regiji48. S nadmorskim visinama u rasponu od 455,1 do 493,5 m, kambisoli dominiraju Češkom Republikom49.
Karta područja istraživanja [Karta područja istraživanja izrađena je pomoću programa ArcGIS Desktop (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Ukupno je dobiveno 115 uzoraka površinskog sloja tla iz urbanih i periurbanih tala u okrugu Frydek Mistek. Korišteni uzorak uzorka bio je pravilna mreža s uzorcima tla razmaknutim 2 × 2 km, a površinski sloj tla mjeren je na dubini od 0 do 20 cm pomoću ručnog GPS uređaja (Leica Zeno 5 GPS). Uzorci su pakirani u Ziploc vrećice, pravilno označeni i poslani u laboratorij. Uzorci su sušeni na zraku kako bi se dobili usitnjeni uzorci, usitnjeni mehaničkim sustavom (Fritschov disk mlin) i prosijani (veličina sita 2 mm). Stavite 1 gram osušenih, homogeniziranih i prosijanih uzoraka tla u jasno označene teflonske boce. U svaku teflonsku posudu ulijte 7 ml 35% HCl i 3 ml 65% HNO3 (koristeći automatski dozator - po jedan za svaku kiselinu), lagano pokrijte i ostavite uzorke da stoje preko noći radi reakcije (program aqua regia). Supernatant stavite na vruću metalnu ploču (temperatura: 100 W) i 160 °C) tijekom 2 sata kako bi se olakšao proces probave uzoraka, a zatim ohladiti. Supernatant prebaciti u odmjernu tikvicu od 50 ml i razrijediti do 50 ml deioniziranom vodom. Nakon toga, filtrirati razrijeđeni supernatant u PVC epruvetu od 50 ml s deioniziranom vodom. Dodatno, 1 ml otopine za razrjeđivanje razrijeđen je s 9 ml deionizirane vode i filtriran u epruvetu od 12 ml pripremljenu za PTE pseudo-koncentraciju. Koncentracije PTE-a (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) određene su ICP-OES (optička emisijska spektroskopija s induktivno spregnutom plazmom) (Thermo Fisher Scientific, SAD) prema standardnim metodama i dogovoru. Osigurati postupke osiguranja i kontrole kvalitete (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-i s granicama detekcije ispod polovice isključeni su iz ove studije. Granica detekcije PTE-a korištenog u ovoj studiji bila je 0,0004 (vi). Osim toga, proces kontrole i osiguranja kvalitete za svaku analizu osigurava se analizom referentnih standarda. Kako bi se osiguralo minimiziranje pogrešaka, provedena je dvostruka analiza.
Empirijski Bayesov kriging (EBK) jedna je od mnogih geostatističkih interpolacijskih tehnika koje se koriste u modeliranju u različitim područjima poput znanosti o tlu. Za razliku od drugih tehnika kriging interpolacije, EBK se razlikuje od tradicionalnih kriging metoda uzimajući u obzir pogrešku procijenjenu modelom semivariograma. Kod EBK interpolacije, tijekom interpolacije izračunava se nekoliko modela semivariograma, umjesto jednog semivariograma. Tehnike interpolacije uklanjaju nesigurnost i programiranje povezano s ovim crtanjem semivariograma koji predstavlja vrlo složen dio metode dovoljnog kriginga. Proces interpolacije EBK-a slijedi tri kriterija koje je predložio Krivoruchko50, (a) model procjenjuje semivariogram iz ulaznog skupa podataka, (b) nova predviđena vrijednost za svaku lokaciju ulaznog skupa podataka na temelju generiranog semivariograma i (c) konačni model A izračunava se iz simuliranog skupa podataka. Pravilo Bayesove jednadžbe dano je kao posterior
Gdje \(Prob\left(A\right)\) predstavlja apriornu vjerojatnost, \(Prob\left(B\right)\) granična vjerojatnost se u većini slučajeva zanemaruje, \(Prob (B,A)\). Izračun semivariograma temelji se na Bayesovom pravilu, koje pokazuje sklonost stvaranja skupova podataka opažanja iz semivariograma. Vrijednost semivariograma zatim se određuje pomoću Bayesovog pravila, koje navodi koliko je vjerojatno stvaranje skupa podataka opažanja iz semivariograma.
Stroj potpornih vektora je algoritam strojnog učenja koji generira optimalnu razdvajajuću hiperravninu kako bi razlikovao identične, ali ne linearno neovisne klase. Vapnik51 stvorio je algoritam klasifikacije namjere, ali se nedavno koristi za rješavanje problema orijentiranih na regresiju. Prema Li i suradnicima52, SVM je jedna od najboljih tehnika klasifikacije i koristi se u raznim područjima. U ovoj analizi korištena je regresijska komponenta SVM-a (Support Vector Machine Regression – SVMR). Cherkassky i Mulier53 bili su pioniri SVMR-a kao regresije temeljene na jezgri, čije je izračunavanje izvršeno pomoću linearnog regresijskog modela s prostornim funkcijama za više zemalja. John i suradnici54 izvještavaju da SVMR modeliranje koristi linearnu regresiju hiperravnine, koja stvara nelinearne odnose i omogućuje prostorne funkcije. Prema Vohlandu i suradnicima... 55, epsilon (ε)-SVMR koristi obučeni skup podataka za dobivanje modela reprezentacije kao epsilon-neosjetljive funkcije koja se primjenjuje za neovisno mapiranje podataka s najboljom epsilon pristranošću iz obuke na koreliranim podacima. Unaprijed postavljena pogreška udaljenosti zanemaruje se u odnosu na stvarnu vrijednost, a ako je pogreška veća od ε(ε), svojstva tla je kompenziraju. Model također smanjuje složenost podataka za obuku na širi podskup potpornih vektora. Jednadžba koju je predložio Vapnik51 prikazana je u nastavku.
gdje b predstavlja skalarni prag, \(K\left({x}_{,}{x}_{k}\right)\) predstavlja kernel funkciju, \(\alpha\) predstavlja Lagrangeov multiplikator, N predstavlja numerički skup podataka, \({x}_{k}\) predstavlja ulaz podataka, a \(y\) su izlaz podataka. Jedna od ključnih korištenih kernela je SVMR operacija, koja je Gaussova radijalna bazna funkcija (RBF). RBF kernel se primjenjuje za određivanje optimalnog SVMR modela, što je ključno za dobivanje najsuptilnijeg faktora skupa kazni C i parametra kernela gama (γ) za PTE podatke za obuku. Prvo smo procijenili skup za obuku, a zatim testirali performanse modela na skupu za validaciju. Korišteni parametar upravljanja je sigma, a vrijednost metode je svmRadial.
Višestruki linearni regresijski model (MLR) je regresijski model koji predstavlja odnos između odzivne varijable i niza prediktorskih varijabli korištenjem linearnih združenih parametara izračunatih metodom najmanjih kvadrata. U MLR-u, model najmanjih kvadrata je prediktivna funkcija svojstava tla nakon odabira objašnjavajućih varijabli. Potrebno je koristiti odziv za uspostavljanje linearnog odnosa pomoću objašnjavajućih varijabli. PTE je korišten kao odzivna varijabla za uspostavljanje linearnog odnosa s objašnjavajućim varijablama. Jednadžba MLR je
gdje je y varijabla odziva, \(a\) je odsječak na osi, n je broj prediktora, \({b}_{1}\) je parcijalna regresija koeficijenata, \({x}_{ i}\) predstavlja prediktor ili objašnjavajuću varijablu, a \({\varepsilon}_{i}\) predstavlja pogrešku u modelu, također poznatu kao rezidual.
Mješoviti modeli dobiveni su spajanjem EBK-a sa SVMR-om i MLR-om. To se postiže izdvajanjem predviđenih vrijednosti iz EBK interpolacije. Predviđene vrijednosti dobivene interpoliranim Ca, K i Mg dobivaju se kombinatornim postupkom kako bi se dobile nove varijable, poput CaK, CaMg i KMg. Elementi Ca, K i Mg zatim se kombiniraju kako bi se dobila četvrta varijabla, CaKMg. Sveukupno, dobivene varijable su Ca, K, Mg, CaK, CaMg, KMg i CaKMg. Ove varijable postale su naši prediktori, pomažući u predviđanju koncentracija nikla u urbanim i periurbanim tlima. SVMR algoritam proveden je na prediktorima kako bi se dobio miješani model Empirijskog Bayesovog Kriginga-Support Vector Machine (EBK_SVM). Slično tome, varijable se također provlače kroz MLR algoritam kako bi se dobio miješani model Empirijskog Bayesovog Kriginga-Višestruke linearne regresije (EBK_MLR). Tipično, varijable Ca, K, Mg, CaK, CaMg, KMg i CaKMg koriste se kao kovarijante kao prediktori sadržaja Ni u urbanim i periurbanim tlima. Dobiveni najprihvatljiviji model (EBK_SVM ili EBK_MLR) zatim će se vizualizirati pomoću samoorganizirajućeg grafa. Tijek rada ove studije prikazan je na slici 2.
Korištenje SeOM-a postalo je popularan alat za organiziranje, evaluaciju i predviđanje podataka u financijskom sektoru, zdravstvu, industriji, statistici, znanosti o tlu i još mnogo toga. SeOM se stvara korištenjem umjetnih neuronskih mreža i metoda nenadziranog učenja za organizaciju, evaluaciju i predviđanje. U ovoj studiji, SeOM je korišten za vizualizaciju koncentracija Ni na temelju najboljeg modela za predviđanje Ni u urbanim i periurbanim tlima. Podaci obrađeni u SeOM evaluaciji koriste se kao n ulazno-dimenzionalnih vektorskih varijabli43,56.Melssen i sur. 57 opisuje vezu ulaznog vektora u neuronsku mrežu putem jednog ulaznog sloja s izlaznim vektorom s jednim težinskim vektorom. Izlaz generiran SeOM-om je dvodimenzionalna mapa koja se sastoji od različitih neurona ili čvorova utkanih u heksagonalne, kružne ili kvadratne topološke mape prema njihovoj blizini. Uspoređujući veličine mapa na temelju metrike, pogreške kvantizacije (QE) i topografske pogreške (TE), odabran je SeOM model s 0,086 odnosno 0,904, što je jedinica od 55 mapa (5 × 11). Struktura neurona određena je prema broju čvorova u empirijskoj jednadžbi.
Broj podataka korištenih u ovoj studiji je 115 uzoraka. Korišten je slučajni pristup za podjelu podataka na testne podatke (25% za validaciju) i skupove podataka za učenje (75% za kalibraciju). Skup podataka za učenje koristi se za generiranje regresijskog modela (kalibracija), a skup podataka za testiranje koristi se za provjeru sposobnosti generalizacije58. To je učinjeno kako bi se procijenila prikladnost različitih modela za predviđanje sadržaja nikla u tlu. Svi korišteni modeli prošli su deseterostruki proces unakrsne validacije, ponovljen pet puta. Varijable dobivene EBK interpolacijom koriste se kao prediktori ili objašnjavajuće varijable za predviđanje ciljne varijable (PTE). Modeliranje se obrađuje u RStudio-u pomoću paketa library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") i libraries("Metrics").
Različiti parametri validacije korišteni su za određivanje najboljeg modela prikladnog za predviđanje koncentracija nikla u tlu te za procjenu točnosti modela i njegove validacije. Modeli hibridizacije procijenjeni su pomoću srednje apsolutne pogreške (MAE), srednje kvadratne pogreške korijena (RMSE) i R-kvadrata ili određivanja koeficijenta (R2). R2 definira varijancu proporcija u odgovoru, predstavljenu regresijskim modelom. RMSE i veličina varijance u neovisnim mjerama opisuju prediktivnu moć modela, dok MAE određuje stvarnu kvantitativnu vrijednost. Vrijednost R2 mora biti visoka za procjenu najboljeg modela smjese pomoću parametara validacije, što je vrijednost bliža 1, to je veća točnost. Prema Li i suradnicima 59, vrijednost kriterija R2 od 0,75 ili veća smatra se dobrim prediktorom; od 0,5 do 0,75 je prihvatljiva izvedba modela, a ispod 0,5 je neprihvatljiva izvedba modela. Prilikom odabira modela korištenjem metoda procjene kriterija validacije RMSE i MAE, niže dobivene vrijednosti bile su dovoljne i smatrane su najboljim izborom. Sljedeća jednadžba opisuje metodu verifikacije.
gdje n predstavlja veličinu opažene vrijednosti\({Y}_{i}\) predstavlja izmjereni odziv, a \({\widehat{Y}}_{i}\) također predstavlja predviđenu vrijednost odziva, dakle, za prvih i opažanja.
Statistički opisi prediktorskih i odzivnih varijabli prikazani su u Tablici 1, koja prikazuje srednju vrijednost, standardnu ​​devijaciju (SD), koeficijent varijacije (CV), minimum, maksimum, kurtozu i asimetriju. Minimalne i maksimalne vrijednosti elemenata su u silaznom redoslijedu Mg < Ca < K < Ni i Ca < Mg < K < Ni. Koncentracije odzivne varijable (Ni) uzorkovane s područja istraživanja kretale su se od 4,86 ​​do 42,39 mg/kg. Usporedba Ni sa svjetskim prosjekom (29 mg/kg) i europskim prosjekom (37 mg/kg) pokazala je da je ukupna izračunata geometrijska sredina za područje istraživanja bila unutar podnošljivog raspona. Ipak, kako je pokazao Kabata-Pendias11, usporedba prosječne koncentracije nikla (Ni) u trenutnoj studiji s poljoprivrednim tlima u Švedskoj pokazuje da je trenutna prosječna koncentracija nikla veća. Slično tome, srednja koncentracija Frydek Mistek u urbanim i periurbanim tlima u trenutnoj studiji (Ni 16,15 mg/kg) bila je veća od dopuštene. granica od 60 (10,2 mg/kg) za Ni u poljskim urbanim tlima koju su izvijestili Różański i suradnici. Nadalje, Bretzel i Calderisi61 zabilježili su vrlo niske srednje koncentracije Ni (1,78 mg/kg) u urbanim tlima u Toskani u usporedbi s trenutnom studijom. Jim62 također je pronašao nižu koncentraciju nikla (12,34 mg/kg) u urbanim tlima Hong Konga, što je niže od trenutne koncentracije nikla u ovoj studiji. Birke i suradnici63 izvijestili su o prosječnoj koncentraciji Ni od 17,6 mg/kg u starom rudarskom i urbano-industrijskom području u Saskoj-Anhaltu u Njemačkoj, što je bilo 1,45 mg/kg više od prosječne koncentracije Ni u tom području (16,15 mg/kg). Trenutna istraživanja. Prekomjerni sadržaj nikla u tlima u nekim urbanim i prigradskim područjima istraživanog područja može se uglavnom pripisati industriji željeza i čelika te metalnoj industriji. To je u skladu sa studijom Khodadousta i suradnika. 64 da su industrija čelika i obrada metala glavni izvori onečišćenja tla niklom. Međutim, prediktori su se također kretali od 538,70 mg/kg do 69.161,80 mg/kg za Ca, 497,51 mg/kg do 3.535,68 mg/kg za K i 685,68 mg/kg do 5.970,05 mg/kg za Mg. Jakovljević i sur. 65 istraživali su ukupni sadržaj Mg i K u tlima središnje Srbije. Otkrili su da su ukupne koncentracije (410 mg/kg i 400 mg/kg) bile niže od koncentracija Mg i K u trenutnoj studiji. Nerazlučivo, u istočnoj Poljskoj, Orzechowski i Smolczynski66 procijenili su ukupni sadržaj Ca, Mg i K te pokazali prosječne koncentracije Ca (1100 mg/kg), Mg (590 mg/kg) i K (810 mg/kg). Sadržaj u površinskom sloju tla niži je od pojedinačnog elementa u ovoj studiji. Nedavna studija Pongraca i suradnika67 pokazala je da ukupni sadržaj Ca analiziran u 3 različita tla u Škotskoj, Ujedinjeno Kraljevstvo (tlo Mylnefield, tlo Balruddery i tlo Hartwood) ukazuje na veći sadržaj Ca u ovoj studiji.
Zbog različitih izmjerenih koncentracija uzorkovanih elemenata, distribucije elemenata u skupu podataka pokazuju različitu asimetriju. Asimetrija i kurtoza elemenata kretale su se od 1,53 do 7,24, odnosno od 2,49 do 54,16. Svi izračunati elementi imaju razinu asimetrije i kurtoze iznad +1, što ukazuje na to da je distribucija podataka nepravilna, iskrivljena u pravom smjeru i ima vrhunac. Procijenjeni CV-ovi elemenata također pokazuju da K, Mg i Ni pokazuju umjerenu varijabilnost, dok Ca ima izuzetno visoku varijabilnost. CV-ovi K, Ni i Mg objašnjavaju njihovu ujednačenu distribuciju. Nadalje, distribucija Ca nije ujednačena i vanjski izvori mogu utjecati na razinu obogaćenja.
Korelacija prediktorskih varijabli s elementima odgovora pokazala je zadovoljavajuću korelaciju između elemenata (vidi sliku 3). Korelacija je pokazala da CaK pokazuje umjerenu korelaciju s r vrijednošću = 0,53, kao i CaNi. Iako Ca i K pokazuju skromne međusobne veze, istraživači poput Kingstona i suradnika... 68 i Santo69 sugeriraju da su njihove razine u tlu obrnuto proporcionalne. Međutim, Ca i Mg su antagonisti prema K, ali CaK dobro korelira. To može biti zbog primjene gnojiva poput kalijevog karbonata, koji ima 56% više kalija. Kalij je bio umjereno koreliran s magnezijem (KM r = 0,63). U industriji gnojiva, ova dva elementa su usko povezana jer se kalijev magnezijev sulfat, kalijev magnezijev nitrat i potaša primjenjuju u tlo kako bi se povećala razina njihovog nedostatka. Nikal je umjereno koreliran s Ca, K i Mg s vrijednostima r = 0,52, 0,63 i 0,55. Odnosi koji uključuju kalcij, magnezij i PTE-ove poput nikla su složeni, ali ipak, magnezij inhibira apsorpciju kalcija, kalcij smanjuje učinke viška magnezija, a i magnezij i kalcij smanjuju toksične učinke nikla u tlu.
Matrica korelacije za elemente koja prikazuje odnos između prediktora i odgovora (Napomena: ova slika uključuje dijagram raspršenja između elemenata, razine značajnosti temelje se na p < 0,001).
Slika 4 ilustrira prostornu distribuciju elemenata. Prema Burgosu i suradnicima70, primjena prostorne distribucije je tehnika koja se koristi za kvantificiranje i isticanje vrućih točaka u onečišćenim područjima. Razine obogaćenja Ca na slici 4 mogu se vidjeti u sjeverozapadnom dijelu karte prostorne distribucije. Slika prikazuje vruća mjesta umjerenog do visokog obogaćenja Ca. Obogaćivanje kalcijem na sjeverozapadu karte vjerojatno je posljedica upotrebe živog vapna (kalcijev oksid) za smanjenje kiselosti tla i njegove upotrebe u čeličanama kao alkalnog kisika u procesu proizvodnje čelika. S druge strane, drugi poljoprivrednici radije koriste kalcijev hidroksid u kiselim tlima za neutralizaciju pH-a, što također povećava sadržaj kalcija u tlu71. Kalij također pokazuje vruća mjesta na sjeverozapadu i istoku karte. Sjeverozapad je glavna poljoprivredna zajednica, a umjereni do visoki obrazac kalija može biti posljedica primjene NPK i potaše. To je u skladu s drugim studijama, kao što su Madaras i Lipavský72, Madaras i suradnici73, Pulkrabová i suradnici74, Asare i suradnici75, koji su primijetili da stabilizacija tla i Tretman s KCl i NPK rezultirao je visokim udjelom K u tlu. Prostorno obogaćivanje kalijem na sjeverozapadu karte rasprostranjenosti može biti posljedica upotrebe gnojiva na bazi kalija kao što su kalijev klorid, kalijev sulfat, kalijev nitrat, potaša i kalij kako bi se povećao udio kalija u siromašnim tlima. Zádorová i sur. 76 i Tlustoš i sur. 77 je istaknuo da primjena gnojiva na bazi K povećava sadržaj K u tlu i dugoročno bi značajno povećala sadržaj hranjivih tvari u tlu, posebno K i Mg koji pokazuju žarište u tlu. Relativno umjerena žarišta nalaze se na sjeverozapadu karte i jugoistoku karte. Koloidna fiksacija u tlu smanjuje koncentraciju magnezija u tlu. Njegov nedostatak u tlu uzrokuje da biljke pokazuju žućkastu intervensku klorozu. Gnojiva na bazi magnezija, poput kalijevog magnezijevog sulfata, magnezijevog sulfata i kieserita, tretiraju nedostatke (biljke izgledaju ljubičasto, crveno ili smeđe, što ukazuje na nedostatak magnezija) u tlima s normalnim pH rasponom6. Nakupljanje nikla na urbanim i periurbanim površinama tla može biti posljedica antropogenih aktivnosti poput poljoprivrede i važnosti nikla u proizvodnji nehrđajućeg čelika78.
Prostorna distribucija elemenata [karta prostorne distribucije izrađena je pomoću ArcGIS Desktopa (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Rezultati indeksa performansi modela za elemente korištene u ovoj studiji prikazani su u Tablici 2. S druge strane, RMSE i MAE za Ni su blizu nule (0,86 RMSE, -0,08 MAE). S druge strane, obje vrijednosti RMSE i MAE za K su prihvatljive. Rezultati RMSE i MAE bili su veći za kalcij i magnezij. Rezultati MAE i RMSE za Ca i K su veći zbog različitih skupova podataka. RMSE i MAE ove studije koja koristi EBK za predviđanje Ni pokazali su se boljim od rezultata Johna i suradnika 54 koji su koristili sinergijski kriging za predviđanje koncentracija S u tlu koristeći iste prikupljene podatke. Izlazi EBK-a koje smo proučavali koreliraju s onima Fabijaczyka i suradnika 41, Yana i suradnika 79, Beguina i suradnika 80, Adhikaryja i suradnika 81 i Johna i suradnika 82, posebno K i Ni.
Učinkovitost pojedinačnih metoda za predviđanje sadržaja nikla u urbanim i periurbanim tlima procijenjena je korištenjem performansi modela (Tablica 3). Validacija modela i evaluacija točnosti potvrdile su da je prediktor Ca_Mg_K u kombinaciji s EBK SVMR modelom dao najbolje performanse. Kalibracijski model Ca_Mg_K-EBK_SVMR R2, srednja kvadratna pogreška (RMSE) i srednja apsolutna pogreška (MAE) bile su 0,637 (R2), 95,479 mg/kg (RMSE) i 77,368 mg/kg (MAE) Ca_Mg_K-SVMR bio je 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). Ipak, dobre R2 vrijednosti dobivene su za Ca_Mg_K-SVMR (0,663 mg/kg R2) i Ca_Mg-EBK_SVMR (0,643 = R2); Njihovi rezultati RMSE i MAE bili su viši od onih za Ca_Mg_K-EBK_SVMR (R2 0,637) (vidi Tablicu 3). Osim toga, RMSE i MAE modela Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) iznose 17,5 odnosno 13,4, što je više od rezultata Ca_Mg_K-EBK_SVMR. Slično tome, RMSE i MAE modela Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) veći su za 2,5 odnosno 2,2 od rezultata RMSE i MAE za Ca_Mg_K-EBK_SVMR. Izračunati rezultati RMSE pokazuju koliko je skup podataka koncentriran s linijom najboljeg prilagođavanja. Uočeni su viši RSME i MAE. Prema Kebonyeu i suradnicima... 46 i john i sur. 54, što su RMSE i MAE bliži nuli, to su rezultati bolji. SVMR i EBK_SVMR imaju veće kvantizirane vrijednosti RSME i MAE. Uočeno je da su procjene RSME bile dosljedno veće od vrijednosti MAE, što ukazuje na prisutnost outliera. Prema Legatesu i McCabeu83, mjera u kojoj RMSE premašuje srednju apsolutnu pogrešku (MAE) preporučuje se kao pokazatelj prisutnosti outliera. To znači da što je skup podataka heterogeniji, to su vrijednosti MAE i RMSE veće. Točnost procjene unakrsne validacije miješanog modela Ca_Mg_K-EBK_SVMR za predviđanje sadržaja Ni u urbanim i prigradskim tlima bila je 63,70%. Prema Li i sur. 59, ova razina točnosti je prihvatljiva stopa performansi modela. Sadašnji rezultati uspoređuju se s prethodnom studijom Tarasova i sur. 36 čiji je hibridni model stvorio MLPRK (Višeslojni perceptronski rezidualni kriging), povezan s indeksom procjene točnosti EBK_SVMR prijavljenim u trenutnoj studiji, RMSE (210) i MAE (167,5) bio je veći od naših rezultata u trenutnoj studiji (RMSE 95,479, MAE 77,368). Međutim, kada se usporedi R2 trenutne studije (0,637) s onim Tarasova i suradnika. 36 (0,544), jasno je da je koeficijent determinacije (R2) veći u ovom miješanom modelu. Margina pogreške (RMSE i MAE) (EBK SVMR) za miješani model je dva puta niža. Slično tome, Sergeev i sur.34 zabilježili su 0,28 (R2) za razvijeni hibridni model (Multilayer Perceptron Residual Kriging), dok je Ni u trenutnoj studiji zabilježio 0,637 (R2). Razina točnosti predviđanja ovog modela (EBK SVMR) iznosi 63,7%, dok je točnost predviđanja koju su dobili Sergeev i sur.34 28%. Konačna karta (slika 5) stvorena korištenjem EBK_SVMR modela i Ca_Mg_K kao prediktora prikazuje predviđanja vrućih točaka i umjerenog do nikla na cijelom području istraživanja. To znači da je koncentracija nikla u području istraživanja uglavnom umjerena, s višim koncentracijama u nekim specifičnim područjima.
Konačna karta predviđanja predstavljena je korištenjem hibridnog modela EBK_SVMR i korištenjem Ca_Mg_K kao prediktora. [Karta prostorne distribucije izrađena je pomoću RStudio programa (verzija 1.4.1717: https://www.rstudio.com/).]
Na slici 6 prikazane su koncentracije PTE-a kao kompozicijska ravnina koja se sastoji od pojedinačnih neurona. Nijedna od komponentnih ravnina nije pokazala isti uzorak boja kao što je prikazano. Međutim, odgovarajući broj neurona po nacrtanoj mapi je 55. SeOM se proizvodi korištenjem različitih boja, a što su sličniji uzorci boja, to su svojstva uzoraka usporedivija. Prema njihovoj preciznoj ljestvici boja, pojedinačni elementi (Ca, K i Mg) pokazali su slične uzorke boja kao pojedinačni visoki neuroni i većina niskih neurona. Dakle, CaK i CaMg dijele neke sličnosti s neuronima vrlo visokog reda i uzorcima boja niskog do umjerenog reda. Oba modela predviđaju koncentraciju Ni u tlu prikazivanjem srednjih do visokih nijansi boja poput crvene, narančaste i žute. KMg model prikazuje mnoge uzorke visokih boja na temelju preciznih proporcija i mrlja boja niskog do srednjeg reda. Na preciznoj ljestvici boja od niskog do visokog, planarni uzorak raspodjele komponenti modela pokazao je visok uzorak boja koji ukazuje na potencijalnu koncentraciju nikla u tlu (vidi sliku 4). Komponentna ravnina modela CakMg pokazuje raznolik uzorak boja od niskog do visokog prema točnoj boji. skala. Nadalje, predviđanje modela sadržaja nikla (CakMg) slično je prostornoj raspodjeli nikla prikazanoj na slici 5. Oba grafa prikazuju visoke, srednje i niske udjele koncentracija nikla u urbanim i periurbanim tlima. Slika 7 prikazuje konturnu metodu u k-means grupiranju na karti, podijeljenu u tri klastera na temelju predviđene vrijednosti u svakom modelu. Konturna metoda predstavlja optimalni broj klastera. Od 115 prikupljenih uzoraka tla, kategorija 1 dobila je najviše uzoraka tla, 74. Klaster 2 primio je 33 uzorka, dok je klaster 3 primio 8 uzoraka. Kombinacija planarnih prediktora sa sedam komponenti pojednostavljena je kako bi se omogućila ispravna interpretacija klastera. Zbog brojnih antropogenih i prirodnih procesa koji utječu na formiranje tla, teško je imati pravilno diferencirane uzorke klastera na distribuiranoj SeOM karti78.
Izlaz komponentne ravnine svake varijable empirijskog Bayesovog kriginškog potpornog vektorskog stroja (EBK_SVM_SeOM).[SeOM mape su kreirane pomoću RStudio programa (verzija 1.4.1717: https://www.rstudio.com/).]
Različite komponente klasifikacije klastera [SeOM karte su kreirane pomoću RStudio programa (verzija 1.4.1717: https://www.rstudio.com/).]
Trenutna studija jasno ilustrira tehnike modeliranja koncentracija nikla u urbanim i periurbanim tlima. Studija je testirala različite tehnike modeliranja, kombinirajući elemente s tehnikama modeliranja, kako bi se dobio najbolji način predviđanja koncentracija nikla u tlu. SeOM kompozicijske planarne prostorne značajke tehnike modeliranja pokazale su visok uzorak boja od niske do visoke na točnoj ljestvici boja, što ukazuje na koncentracije Ni u tlu. Međutim, karta prostorne raspodjele potvrđuje planarnu prostornu raspodjelu komponenti koju pokazuje EBK_SVMR (vidi sliku 5). Rezultati pokazuju da model regresije potpornih vektora (CaMgK-SVMR) predviđa koncentraciju Ni u tlu kao jedan model, ali parametri validacije i procjene točnosti pokazuju vrlo visoke pogreške u smislu RMSE i MAE. S druge strane, tehnika modeliranja korištena s modelom EBK_MLR također je manjkava zbog niske vrijednosti koeficijenta determinacije (R2). Dobri rezultati dobiveni su korištenjem EBK SVMR-a i kombiniranih elemenata (CaKMg) s niskim RMSE i MAE pogreškama s točnošću od 63,7%. Ispostavilo se da kombiniranje EBK algoritma s... Algoritam strojnog učenja može generirati hibridni algoritam koji može predvidjeti koncentraciju PTE-a u tlu. Rezultati pokazuju da korištenje CaMgK kao prediktora za predviđanje koncentracija Ni u području istraživanja može poboljšati predviđanje Ni u tlu. To znači da kontinuirana primjena gnojiva na bazi nikla i industrijsko onečišćenje tla od strane industrije čelika imaju tendenciju povećanja koncentracije nikla u tlu. Ova studija otkrila je da EBK model može smanjiti razinu pogreške i poboljšati točnost modela prostorne raspodjele tla u urbanim ili periurbanim tlima. Općenito, predlažemo primjenu EBK-SVMR modela za procjenu i predviđanje PTE-a u tlu; osim toga, predlažemo korištenje EBK-a za hibridizaciju s raznim algoritmima strojnog učenja. Koncentracije Ni predviđene su korištenjem elemenata kao kovarijanti; međutim, korištenje više kovarijanti uvelike bi poboljšalo performanse modela, što se može smatrati ograničenjem trenutnog rada. Još jedno ograničenje ove studije je da je broj skupova podataka 115. Stoga, ako se osigura više podataka, performanse predložene optimizirane metode hibridizacije mogu se poboljšati.
PlantProbs.net. Nikal u biljkama i tlu https://plantprobs.net/plant/nutrientImbalances/sodium.html (pristupljeno 28. travnja 2021.).
Kasprzak, KS Napredak nikla u modernoj toksikologiji okoliša.okolišna.toksikologija.11, 145–183 (1987).
Cempel, M. i Nikel, G. Nikel: Pregled njegovih izvora i toksikologije okoliša. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Unos onečišćujućih tvari iz atmosfere i nakupljanje u tlu i vegetaciji u blizini topionice nikla i bakra u Sudburyju, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. i dr. Teški metali u tlu, biljkama i rizici povezani s ispašom preživača u blizini rudnika bakra i nikla Selebi-Phikwe u Bocvani. Okolica. Geokemija. Zdravlje https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementi u tragovima u tlu i… – 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= (Pristupljeno 24. studenog 2020.).
Almås, A., Singh, B., Poljoprivreda, TS-NJ od & 1995, nedefinirano. Utjecaji ruske industrije nikla na koncentracije teških metala u poljoprivrednim tlima i travama u Soer-Varangeru, Norveška. agris.fao.org.
Nielsen, GD i dr. Apsorpcija i zadržavanje nikla u vodi za piće povezani su s unosom hrane i osjetljivošću na nikal. toksikologija. primjena. farmakodinamika. 154, 67–75 (1999).
Costa, M. i Klein, CB Nikalna karcinogeneza, mutacija, epigenetika ili selekcija. Okolina. Zdravstvena perspektiva. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analiza trenda potencijalno toksičnih elemenata: bibliometrijski pregled. Geokemija okoliša i zdravlje. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. i McBratney, AB Digitalno mapiranje tla: Kratka povijest i neke lekcije. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitalnom kartiranju tla. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatističko modeliranje ležišta,… – 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= (pristupljeno 28. travnja 2021.).