Köszönjük, hogy felkereste a Nature.com weboldalt. Az Ön által használt böngészőverzió korlátozottan támogatja a CSS-t. A legjobb élmény érdekében javasoljuk, hogy használjon egy frissített böngészőt (vagy kapcsolja ki a kompatibilitási módot az Internet Explorerben). Időközben a folyamatos támogatás biztosítása érdekében stílusok és JavaScript nélkül jelenítjük meg az oldalt.
A talajszennyezés az emberi tevékenységek által okozott nagy probléma. A potenciálisan mérgező elemek (PTE-k) térbeli eloszlása ​​a legtöbb városi és városkörnyéki területen változó. Ezért nehéz térben megjósolni a PTE-k tartalmát az ilyen talajokban. Összesen 115 mintát szereztek be a csehországi Frydek Mistektől. A kalcium (Ca), magnézium (Mg), kálium (K) és nikkel (Ni) koncentrációját induktív csatolású plazmaemissziós spektrometriával határozták meg. A válaszváltozó a Ni, a prediktorok pedig a Ca, Mg és K. A válaszváltozó és a prediktor változó közötti korrelációs mátrix kielégítő korrelációt mutat az elemek között. Az előrejelzési eredmények azt mutatták, hogy a Support Vector Machine Regresszió (SVMR) jól teljesített, bár a becsült négyzetes középérték hibája (RMSE) (235,974 mg/kg) és az átlagos abszolút hiba (MAE) (166,946 mg/kg) magasabb volt, mint a többi alkalmazott módszeré. Az empirikus Bayes-i Kriging-Többszörös lineáris regresszió (EBK-MLR) vegyes modelljei rosszul teljesítenek, amint azt a meghatározási együtthatók is bizonyítják. kevesebb, mint 0,1. Az empirikus Bayes-i Kriging-Support Vector Machine Regresszió (EBK-SVMR) modell volt a legjobb modell, alacsony RMSE (95,479 mg/kg) és MAE (77,368 mg/kg) értékekkel és magas meghatározási együtthatóval (R2 = 0,637). Az EBK-SVMR modellezési technika kimenetét önszerveződő térkép segítségével vizualizálják. A hibrid modell CakMg-EBK-SVMR komponensének síkjában lévő klaszterezett neuronok több színmintázatot mutatnak, amelyek a városi és városkörnyéki talajok Ni-koncentrációit jósolják. Az eredmények azt mutatják, hogy az EBK és az SVMR kombinálása hatékony technika a városi és városkörnyéki talajok Ni-koncentrációinak előrejelzésére.
A nikkelt (Ni) a növények mikrotápanyagának tekintik, mivel hozzájárul a légköri nitrogénmegkötéshez (N) és a karbamid-anyagcseréhez, amelyek mindkettő szükséges a magok csírázásához. A magok csírázásához való hozzájárulása mellett a Ni gomba- és baktériumgátlóként is működhet, és elősegítheti a növények fejlődését. A nikkel hiánya a talajban lehetővé teszi a növény számára, hogy felszívja azt, ami a levelek klorózisát eredményezi. Például a tehénborsó és a zöldbab esetében nikkel alapú műtrágyák alkalmazására van szükség a nitrogénmegkötés optimalizálása érdekében2. A nikkel alapú műtrágyák folyamatos alkalmazása a talaj gazdagítása és a hüvelyesek nitrogénmegkötő képességének növelése érdekében folyamatosan növeli a nikkel koncentrációját a talajban. Bár a nikkel mikrotápanyag a növények számára, a talajba történő túlzott bevitele több kárt okozhat, mint hasznot. A nikkel toxicitása a talajban minimalizálja a talaj pH-értékét, és akadályozza a vas felvételét, mint a növények növekedéséhez elengedhetetlen tápanyagot1. Liu3 szerint a Ni a 17. fontos elem, amely a növények fejlődéséhez és növekedéséhez szükséges. A nikkel növények fejlődésében és növekedésében betöltött szerepe mellett az embereknek számos alkalmazáshoz szükségük van rá. Galvanizálás, nikkel alapú ötvözetek gyártása és... Az autóiparban használt gyújtóberendezések és gyújtógyertyák mind nikkel használatát igénylik a különböző ipari szektorokban. Ezenkívül a nikkel alapú ötvözeteket és a galvanizált cikkeket széles körben használják konyhai eszközökben, báltermi kiegészítőkben, élelmiszeripari kellékekben, elektromos termékekben, vezetékekben és kábelekben, sugárhajtású turbinákban, sebészeti implantátumokban, textilekben és hajóépítésben5. A talajok (azaz a felszíni talajok) nikkelben gazdag szintjét mind antropogén, mind természetes forrásoknak tulajdonítják, de elsősorban a Ni természetes forrás, nem pedig antropogén4,6. A nikkel természetes forrásai közé tartoznak a vulkánkitörések, a növényzet, az erdőtüzek és a geológiai folyamatok; azonban az antropogén források közé tartoznak az acéliparban használt nikkel/kadmium akkumulátorok, a galvanizálás, az ívhegesztés, a dízel- és fűtőolajok, valamint a szénégetésből és a hulladék- és iszapégetésből származó légköri kibocsátások. Nikkel felhalmozódása7,8. Freedman és Hutchinson9, valamint Manyiwa és munkatársai szerint... 10, a termőtalaj szennyezésének fő forrásai a közvetlen és szomszédos környezetben főként nikkel-réz alapú kohók és bányák. A kanadai Sudbury nikkel-réz finomító körüli termőtalajban volt a legmagasabb a nikkelszennyezettség, 26 000 mg/kg11. Ezzel szemben az oroszországi nikkeltermelésből származó szennyezés magasabb nikkelkoncentrációt eredményezett a norvég talajban11. Alms és munkatársai szerint... 12, a régió felső szántóterületein (nikkeltermelés Oroszországban) a HNO3-mal kivonható nikkel mennyisége 6,25 és 136,88 mg/kg között mozgott, ami átlagosan 30,43 mg/kg-os koncentrációnak és 25 mg/kg-os alapkoncentrációnak felel meg. A kabata 11 szerint a foszfor műtrágyák mezőgazdasági talajokban, városi vagy városkörnyéki talajokban történő alkalmazása az egymást követő termesztési szezonokban bejuthat vagy szennyezheti a talajt. A nikkel lehetséges hatásai az emberekre mutagenezis, kromoszóma-károsodás, Z-DNS-képződés, blokkolt DNS-kivágási javítás vagy epigenetikai folyamatok révén rákhoz vezethetnek. Állatkísérletekben kimutatták, hogy a nikkel különféle daganatokat okozhat, és a rákkeltő nikkelkomplexek súlyosbíthatják ezeket a daganatokat.
A talajszennyezettség-felmérések az utóbbi időben virágkorukat élik a talaj-növény kapcsolatokból, a talaj és talaj biológiai kapcsolataiból, az ökológiai degradációból és a környezeti hatásvizsgálatokból eredő számos egészségügyi probléma miatt. A mai napig a potenciálisan mérgező elemek (PTE-k), például a talajban lévő nikkel térbeli előrejelzése munkaigényes és időigényes volt a hagyományos módszerekkel. A digitális talajtérképezés (DSM) megjelenése és jelenlegi sikere15 jelentősen javította a prediktív talajtérképezést (PSM). Minasny és McBratney16 szerint a prediktív talajtérképezés (DSM) a talajtudomány kiemelkedő részterületének bizonyult. Lagacherie és McBratney, 2006 a DSM-et úgy határozza meg, mint „térbeli talajinformációs rendszerek létrehozása és feltöltése helyszíni és laboratóriumi megfigyelési módszerek, valamint térbeli és nem térbeli talajkövetkeztető rendszerek alkalmazásával”. McBratney et al. A 17-es ábra felvázolja, hogy a kortárs DSM vagy PSM a leghatékonyabb technika a PTE-k, talajtípusok és talajtulajdonságok térbeli eloszlásának előrejelzésére vagy feltérképezésére. A geostatisztika és a gépi tanulási algoritmusok (MLA) olyan DSM modellezési technikák, amelyek jelentős és minimális adatok felhasználásával számítógépek segítségével digitalizált térképeket hoznak létre.
Deutsch18 és Olea19 a geostatisztikát úgy definiálják, mint „a térbeli attribútumok ábrázolásával foglalkozó numerikus technikák gyűjteménye, főként sztochasztikus modelleket alkalmazva, például azt, hogy az idősoros elemzés hogyan jellemzi az időbeli adatokat.” A geostatisztika elsősorban a variogramok kiértékelését foglalja magában, amelyek lehetővé teszik az egyes adatkészletekből származó térbeli értékek függőségeinek számszerűsítését és meghatározását20. Gumiaux et al. A 20. ábra tovább szemlélteti, hogy a variogramok kiértékelése a geostatisztikában három elven alapul, beleértve (a) az adatkorreláció skálájának kiszámítását, (b) az adatkészlet-diszparitás anizotrópiájának azonosítását és kiszámítását, valamint (c) a lokális hatásoktól elkülönített mérési adatok inherens hibájának figyelembevétele mellett a területi hatásokat is becsülik. Ezen koncepciókra építve számos interpolációs technikát alkalmaznak a geostatisztikában, beleértve az általános kriginget, a ko-kriginget, a hagyományos kriginget, az empirikus Bayes-i kriginget, az egyszerű kriging módszert és más jól ismert interpolációs technikákat a PTE, a talajjellemzők és a talajtípusok feltérképezésére vagy előrejelzésére.
A gépi tanulási algoritmusok (MLA) viszonylag új technikák, amelyek nagyobb, nemlineáris adatosztályokat alkalmaznak, és amelyeket elsősorban adatbányászatra, adatminták azonosítására és olyan tudományos területeken, mint a talajtudomány és a visszatérési feladatok osztályozására használt algoritmusok táplálnak. Számos kutatási cikk támaszkodik MLA modellekre a talajok PTE-jének előrejelzésére, mint például Tan és munkatársai 22 (véletlenszerű erdők a nehézfémek becsléséhez mezőgazdasági talajokban), Sakizadeh és munkatársai 23 (modellezés támogató vektorgépek és mesterséges neurális hálózatok használatával) talajszennyezés). Ezenkívül Vega és munkatársai 24 (CART a nehézfémek visszatartásának és adszorpciójának modellezésére a talajban), Sun és munkatársai 25 (a kubista alkalmazása a Cd eloszlása ​​a talajban) és más algoritmusok, mint például a k-legközelebbi szomszéd, az általánosított fokozott regresszió és a fokozott regressziós fák is alkalmazták az MLA-t a talaj PTE-jének előrejelzésére.
A DSM algoritmusok alkalmazása az előrejelzésben vagy térképezésben számos kihívással néz szembe. Sok szerző úgy véli, hogy az MLA jobb, mint a geostatisztika, és fordítva. Bár az egyik jobb, mint a másik, a kettő kombinációja javítja a DSM-ben a térképezés vagy az előrejelzés pontosságát15. Woodcock és Gopal26 Finke27; Pontius és Cheuk28, valamint Grunwald29 a talajtérképezés előrejelzett hiányosságairól és egyes hibáiról számolnak be. A talajtudósok számos technikát próbáltak ki a DSM-térképezés és -előrejelzés hatékonyságának, pontosságának és kiszámíthatóságának optimalizálására. A bizonytalanság és az ellenőrzés kombinációja a DSM-be integrált számos különböző szempont egyike a hatékonyság optimalizálása és a hibák csökkentése érdekében. Agyeman és munkatársai15 azonban felvázolják, hogy a térképkészítés és -előrejelzés által bevezetett validációs viselkedést és bizonytalanságot függetlenül validálni kell a térképminőség javítása érdekében. A DSM korlátai a földrajzilag szétszórt talajminőségnek köszönhetők, amely magában foglalja a bizonytalanság egy összetevőjét; A DSM bizonytalansága azonban több hibaforrásból is adódhat, nevezetesen kovariáns hibából, modellhibából, helymeghatározási hibából és analitikai hibából31. Az MLA-ban és a geostatisztikai folyamatokban kiváltott modellezési pontatlanságok a megértés hiányával járnak, ami végső soron a valós folyamat túlzott leegyszerűsítéséhez vezet32. A modellezés jellegétől függetlenül a pontatlanságok a modellezési paramétereknek, a matematikai modell-előrejelzéseknek vagy az interpolációnak tulajdoníthatók33. Az utóbbi időben egy új DSM-trend jelent meg, amely a geostatisztika és az MLA integrációját szorgalmazza a térképezésben és az előrejelzésben. Számos talajtudós és szerző, például Szergejev és munkatársai34; Subbotina és munkatársai35; Tarasov és munkatársai36 és Tarasov és munkatársai37 kihasználták a geostatisztika és a gépi tanulás pontosságát hibrid modellek létrehozására, amelyek javítják az előrejelzés és a térképezés hatékonyságát. minőség. Ezen hibrid vagy kombinált algoritmusmodellek némelyike ​​a mesterséges neurális hálózati kriging (ANN-RK), a többrétegű perceptron reziduális kriging (MLP-RK), az általánosított regressziós neurális hálózati reziduális kriging (GR-NNRK)36, a mesterséges neurális hálózati kriging-többrétegű perceptron (ANN-K-MLP)37, valamint a ko-kriging és Gauss-folyamat regresszió38.
Szergejev és munkatársai szerint a különböző modellezési technikák kombinálása potenciálisan kiküszöbölheti a hibákat és növelheti a kapott hibrid modell hatékonyságát, ahelyett, hogy egyetlen modellt fejlesztenének ki. Ebben az összefüggésben ez az új tanulmány amellett érvel, hogy a geostatisztika és az MLA kombinált algoritmusát kell alkalmazni az optimális hibrid modellek létrehozásához a Ni-dúsulás előrejelzésére városi és városkörnyéki területeken. Ez a tanulmány az empirikus Bayes-i Kriginget (EBK) használja alapmodellként, és azt Support Vector Machine (SVM) és többszörös lineáris regressziós (MLR) modellekkel ötvözi. Az EBK hibridizációja bármely MLA-val nem ismert. A vizsgált többszörös vegyes modellek a hagyományos, a reziduális, a regressziós kriging és az MLA kombinációi. Az EBK egy geostatisztikai interpolációs módszer, amely egy térben sztochasztikus folyamatot használ, amelyet nem stacionárius/stacionárius véletlenszerű mezőként lokalizálnak, meghatározott lokalizációs paraméterekkel a mező felett, lehetővé téve a térbeli variációt39. Az EBK-t számos tanulmányban alkalmazták, többek között a szerves szén eloszlásának elemzésében a mezőgazdasági talajokban40, a talajszennyezés41 felmérésében és a talajtulajdonságok42 feltérképezésében.
Másrészről az önszerveződő gráf (SeOM) egy tanulási algoritmus, amelyet számos cikkben alkalmaztak, például Li és munkatársai43, Wang és munkatársai44, Hossain Bhuiyan és munkatársai45 és Kebonye és munkatársai46. Az elemek térbeli attribútumai és csoportosítása meghatározására szolgáló eszközök. Wang és munkatársai44 felvázolják, hogy a SeOM egy hatékony tanulási technika, amely a nemlineáris problémák csoportosítására és elképzelésére való képességéről ismert. Más mintázatfelismerési technikákkal, mint például a főkomponens-analízis, a fuzzy klaszterezés, a hierarchikus klaszterezés és a többkritériumos döntéshozatal, ellentétben a SeOM jobban szervezi és azonosítja a PTE-mintákat. Wang és munkatársai44 szerint a SeOM képes térben csoportosítani a kapcsolódó neuronok eloszlását, és nagy felbontású adatvizualizációt biztosít. A SeOM vizualizálja a Ni-predikciós adatokat, hogy a legjobb modellt kapja az eredmények jellemzésére a közvetlen értelmezés érdekében.
Ez a tanulmány egy robusztus, optimális pontosságú térképezési modell létrehozását célozza a városi és városkörnyéki talajok nikkeltartalmának előrejelzésére. Feltételezésünk szerint a vegyes modell megbízhatósága főként az alapmodellhez kapcsolódó egyéb modellek hatásától függ. Elismerjük a DSM előtt álló kihívásokat, és bár ezeket a kihívásokat több fronton is kezelik, a geostatisztika és az MLA modellek fejlődésének kombinációja fokozatosnak tűnik; ezért megpróbálunk olyan kutatási kérdésekre választ adni, amelyek vegyes modellekhez vezethetnek. De mennyire pontos a modell a célelem előrejelzésében? Továbbá, milyen szintű hatékonyságértékelés történik a validáció és a pontosságértékelés alapján? Ezért a tanulmány konkrét céljai a következők voltak: (a) egy kombinált keverékmodell létrehozása SVMR vagy MLR számára az EBK alapmodell felhasználásával, (b) a kapott modellek összehasonlítása, (c) a legjobb keverékmodell javaslata a városi vagy városkörnyéki talajok Ni-koncentrációjának előrejelzésére, és (d) a SeOM alkalmazása a nikkel térbeli változásának nagy felbontású térképének létrehozására.
A tanulmányt Csehországban, konkrétan a Morva-Sziléziai régióban található Frýdek Mistek járásában végzik (lásd az 1. ábrát). A vizsgálati terület földrajza nagyon vadregényes, és nagyrészt a Morva-Sziléziai Beszkidek régió részét képezi, amely a Kárpátok külső pereméhez tartozik. A vizsgálati terület az északi szélesség 49° 41′ 0′ és a keleti hosszúság 18° 20′ 0′ között található, a tengerszint feletti magasság 225 és 327 m között van; A Koppen-féle osztályozási rendszer azonban a régió éghajlati állapotát Cfb-ként = mérsékelt óceáni éghajlatként osztályozza. Még a száraz hónapokban is sok csapadék esik. A hőmérséklet az év során kismértékben ingadozik −5 °C és 24 °C között, ritkán csökken −14 °C alá vagy 30 °C fölé, míg az átlagos éves csapadékmennyiség 685 és 752 mm között van47. A teljes terület becsült felmérési területe 1208 négyzetkilométer, a megművelt földterület 39,38%-ával és 49,36%-ával erdősültségű. Másrészt a tanulmányban felhasznált terület körülbelül 889,8 négyzetkilométer. Ostravában és környékén az acélipar és a fémmegmunkálás nagyon aktív. A fémművek, az acélipar, ahol nikkelt használnak rozsdamentes acélokban (pl. a légköri korrózióval szembeni ellenállás érdekében) és ötvözött acélokban (a nikkel növeli az ötvözet szilárdságát, miközben megőrzi jó képlékenységét és szívósságát), valamint az intenzív mezőgazdaság, mint például a foszfáttrágya kijuttatása és az állattenyésztés, a régió potenciális nikkelforrásai. (pl. nikkel hozzáadása bárányoknak a bárányok és az alacsony takarmányozású szarvasmarhák növekedési ütemének fokozása érdekében). A nikkel egyéb ipari felhasználási területei a kutatási területeken magukban foglalják a galvanizálásban való alkalmazását, beleértve a nikkel galvanizálását és az elektrolitikus nikkelezési eljárásokat. A talaj tulajdonságai könnyen megkülönböztethetők a talaj színétől, szerkezetétől és karbonáttartalmától. A talaj textúrája közepes vagy finom, az alapanyagból származik. Természetüknél fogva kolluviális, alluviális vagy eolikus. Egyes talajterületek foltosnak tűnnek a felszínen és az altalajban, gyakran betonnal és fehéredéssel. A régióban azonban a kambiszolok és a sztagnoszolok a leggyakoribb talajtípusok48. A 455,1 és 493,5 m közötti tengerszint feletti magassággal a kambiszolok dominálnak49.
Vizsgálati terület térképe [A vizsgálati terület térképét az ArcGIS Desktop (ESRI, Inc, 10.7 verzió, URL: https://desktop.arcgis.com) segítségével készítettük.]
Összesen 115 termőtalajmintát vettek városi és városkörnyéki talajokból a Frydek Mistek kerületben. A mintavételi minta szabályos rács volt, ahol a talajminták 2 × 2 km távolságra voltak egymástól, és a termőtalajt 0-20 cm mélységben mérték kézi GPS-készülékkel (Leica Zeno 5 GPS). A mintákat Ziploc zacskókba csomagolták, megfelelően felcímkézték, és a laboratóriumba szállították. A mintákat levegőn szárították, hogy porított mintákat kapjanak, mechanikus rendszerrel (Fritsch tárcsás malom) porították, majd szitálták (2 mm-es szitaméret). Helyezzen 1 gramm szárított, homogenizált és szitált talajmintát egyértelműen felcímkézett teflon palackokba. Minden teflon edénybe mérjen 7 ml 35%-os HCl-t és 3 ml 65%-os HNO3-at (automatikus adagolóval - minden savhoz egyet), fedje le vékonyan, és hagyja a mintákat egy éjszakán át állni a reakció érdekében (királyvíz program). Helyezze a felülúszót egy forró fémlapra (hőmérséklet: 100 W és 160 °C-on) 2 órán át, hogy megkönnyítse a minták emésztési folyamatát, majd hűtse le. A felülúszót vigye át egy 50 ml-es mérőlombikba, és hígítsa fel 50 ml-re ioncserélt vízzel. Ezután szűrje le a hígított felülúszót egy 50 ml-es PVC csőbe ioncserélt vízzel. Ezenkívül 1 ml hígító oldatot 9 ml ioncserélt vízzel hígítottunk, és egy 12 ml-es csőbe szűrtük, amelyet a PTE pszeudokoncentrációjához készítettünk elő. A PTE-k (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) koncentrációját ICP-OES-sel (induktív csatolású plazma optikai emissziós spektroszkópia) (Thermo Fisher Scientific, USA) határoztuk meg a standard módszerek és a megállapodás szerint. Minőségbiztosítási és -ellenőrzési (QA/QC) eljárások biztosítása (SRM NIST 2711a Montana II Soil). A fele alatti kimutatási határértékű PTE-ket kizártuk ebből a vizsgálatból. A vizsgálatban használt PTE kimutatási határa 0,0004 (Ön) volt. Ezenkívül minden elemzés minőségellenőrzési és minőségbiztosítási folyamatát referencia standardok elemzésével biztosítják. A hibák minimalizálása érdekében kettős elemzést végeztek.
Az empirikus Bayes-i Kriging (EBK) egyike a számos geostatisztikai interpolációs technikának, amelyeket a modellezésben használnak különböző területeken, például a talajtudományban. Más kriging interpolációs technikákkal ellentétben az EBK abban különbözik a hagyományos kriging módszerektől, hogy figyelembe veszi a félvariogram modell által becsült hibát. Az EBK interpoláció során több félvariogram modellt számítanak ki az interpoláció során egyetlen félvariogram helyett. Az interpolációs technikák helyet adnak a félvariogram ábrázolásával járó bizonytalanságnak és programozásnak, amely egy elégséges kriging módszer rendkívül összetett részét képezi. Az EBK interpolációs folyamata a Krivoruchko50 által javasolt három kritériumot követi: (a) a modell a bemeneti adatkészletből becsüli meg a félvariogramot, (b) a generált félvariogram alapján minden bemeneti adatkészlet helyére új előrejelzett értéket számít ki, és (c) a végső A modellt egy szimulált adatkészletből számítják ki. A Bayes-i egyenlet szabálya utólagos
Ahol a \(Prob\left(A\right)\) az előzőt jelöli, a \(Prob\left(B\right)\) határvalószínűséget a legtöbb esetben figyelmen kívül hagyjuk, \(Prob (B,A)\). A félvariogram kiszámítása a Bayes-szabályon alapul, amely megmutatja, hogy a megfigyelési adathalmazok milyen valószínűséggel hozhatók létre a félvariogramokból. A félvariogram értékét ezután a Bayes-szabály segítségével határozzuk meg, amely azt mondja meg, hogy mekkora a valószínűsége annak, hogy a félvariogramból megfigyelési adathalmaz jöjjön létre.
A support vector machine egy gépi tanulási algoritmus, amely egy optimális elválasztó hipersíkot generál azonos, de nem lineárisan független osztályok megkülönböztetésére. Vapnik51 alkotta meg a szándék osztályozási algoritmust, de azt a közelmúltban regresszióorientált problémák megoldására is használták. Li és munkatársai52 szerint az SVM az egyik legjobb osztályozási technika, és számos területen alkalmazzák. Az SVM (Support Vector Machine Regression – SVMR) regressziós komponensét használták ebben az elemzésben. Cherkassky és ​​Mulier53 úttörő szerepet játszottak az SVMR-ben kernel alapú regresszióként, amelynek kiszámítását több országra kiterjedő térbeli függvényekkel rendelkező lineáris regressziós modell segítségével végezték. John és munkatársai54 arról számolnak be, hogy az SVMR modellezés hipersík lineáris regressziót alkalmaz, amely nemlineáris kapcsolatokat hoz létre és lehetővé teszi a térbeli függvények használatát. Vohland és munkatársai szerint... Az 55-ös ábrán az epsilon (ε)-SVMR a betanított adathalmazt használja egy reprezentációs modell előállítására epsilon-inszenzitív függvényként, amelyet az adatok független leképezésére alkalmaznak a korrelált adatokon történő betanításból származó legjobb epsilon-torzítással. Az előre beállított távolsághibát a tényleges értékből figyelmen kívül hagyják, és ha a hiba nagyobb, mint ε(ε), a talajtulajdonságok kompenzálják azt. A modell a betanítási adatok összetettségét is csökkenti a támasztóvektorok szélesebb részhalmazára. A Vapnik51 által javasolt egyenlet az alábbiakban látható.
ahol b a skaláris küszöbértéket, \(K\left({x}_{,}{ x}_{k}\right)\) a kernelfüggvényt, \(\alpha\) a Lagrange-szorzót, N egy numerikus adathalmazt, \({x}_{k}\) az adatbemenetet, \(y\) pedig az adatkimenetet jelöli. Az egyik kulcsfontosságú kernel az SVMR művelet, amely egy Gauss-féle radiális bázisfüggvény (RBF). Az RBF kernelt az optimális SVMR modell meghatározására alkalmazzák, ami kritikus fontosságú a PTE tanulóadatok legfinomabb büntetőhalmaz-tényezőjének, a C büntetőhalmaz-tényezőnek és a gamma (γ) kernelparaméternek a megszerzéséhez. Először kiértékeltük a tanulóhalmazt, majd teszteltük a modell teljesítményét a validációs halmazon. A használt irányító paraméter a sigma, a metódus értéke pedig az svmRadial.
A többszörös lineáris regressziós modell (MLR) egy olyan regressziós modell, amely a válaszváltozó és számos prediktív változó közötti kapcsolatot ábrázolja a legkisebb négyzetek módszerével számított lineáris összevont paraméterek felhasználásával. Az MLR-ben a legkisebb négyzetek modellje a talajtulajdonságok prediktív függvénye a magyarázó változók kiválasztása után. A választ kell használni a magyarázó változók segítségével lineáris kapcsolat megállapításához. A magyarázó változókkal való lineáris kapcsolat megállapításához válaszváltozóként PTE-t használtunk. Az MLR egyenlet a következő:
ahol y a válaszváltozó, \(a\) a tengelymetszet, n a prediktorok száma, \({b}_{1}\) az együtthatók parciális regressziója, \({x}_{i}\) egy prediktor vagy magyarázó változót jelöl, és \({\varepsilon }_{i}\) a modellben lévő hibát, más néven a reziduálist jelöli.
Vegyes modelleket kaptunk az EBK, az SVMR és az MLR szendvicsezésével. Ezt az EBK interpolációból előrejelzett értékek kinyerésével végeztük. Az interpolált Ca, K és Mg által előrejelzett értékeket kombinatorikus eljárással kaptuk meg, így új változókat, például CaK-t, CaMg-et és KMg-et kaptunk. A Ca, K és Mg elemeket ezután kombináltuk, hogy egy negyedik változót, a CaKMg-et kapjuk. Összességében a kapott változók a Ca, K, Mg, CaK, CaMg, KMg és CaKMg. Ezek a változók váltak a prediktorainkká, segítve a nikkelkoncentrációk előrejelzését a városi és városkörnyéki talajokban. Az SVMR algoritmust a prediktorokon végeztük el, hogy egy vegyes modellű empirikus Bayes-i Kriging-Support Vector Machine (EBK_SVM) modellt kapjunk. Hasonlóképpen, a változókat az MLR algoritmuson is átvezettük, hogy egy vegyes modellű empirikus Bayes-i Kriging-Multiple Linear Regression (EBK_MLR) modellt kapjunk. Jellemzően a Ca, K, Mg, CaK, CaMg, KMg és A CaKMg-t kovariánsként használják a városi és városkörnyéki talajok Ni-tartalmának előrejelzőjeként. A kapott legelfogadhatóbb modellt (EBK_SVM vagy EBK_MLR) ezután egy önszerveződő gráf segítségével vizualizálják. A tanulmány munkafolyamatát a 2. ábra mutatja.
A SeOM használata népszerű eszközzé vált az adatok rendszerezésére, értékelésére és előrejelzésére a pénzügyi szektorban, az egészségügyben, az iparban, a statisztikában, a talajtudományban és egyebekben. A SeOM-ot mesterséges neurális hálózatok és felügyelet nélküli tanulási módszerek segítségével hozzák létre a rendszerezéshez, értékeléshez és előrejelzéshez. Ebben a tanulmányban a SeOM-ot a Ni koncentrációjának vizualizálására használták a városi és városkörnyéki talajok Ni-jének előrejelzésére szolgáló legjobb modell alapján. A SeOM értékelés során feldolgozott adatokat n bemeneti dimenziós vektorváltozóként használják43,56. Melssen et al. Az 57. ábra egy bemeneti vektor neurális hálózatba való kapcsolását írja le egyetlen bemeneti rétegen keresztül egy kimeneti vektorhoz, egyetlen súlyvektorral. A SeOM által generált kimenet egy kétdimenziós térkép, amely különböző neuronokból vagy csomópontokból áll, amelyek hatszögletű, kör alakú vagy négyzet alakú topológiai térképekbe vannak szőve a közelségük szerint. A térképméretek összehasonlításakor a metrika, a kvantálási hiba (QE) és a topográfiai hiba (TE) alapján a 0,086-os és a 0,904-es SeOM modellt választják, amely egy 55 térképből álló egység (5 × 11). A neuronstruktúrát az empirikus egyenletben szereplő csomópontok száma határozza meg.
A tanulmányban felhasznált adatok száma 115 minta. Véletlenszerű megközelítést alkalmaztunk az adatok tesztadatokra (25% validációra) és tanulóadatkészletekre (75% kalibrációra) osztására. A tanulóadatkészletet a regressziós modell (kalibráció) generálására, a tesztadatkészletet pedig az általánosíthatósági képesség ellenőrzésére használjuk58. Ezt a különböző modellek talajok nikkeltartalmának előrejelzésére való alkalmasságának felmérésére tettük. Minden felhasznált modell tízszeres keresztvalidációs folyamaton ment keresztül, amelyet ötször ismételtünk meg. Az EBK interpolációval előállított változókat prediktorként vagy magyarázó változóként használjuk a célváltozó (PTE) előrejelzéséhez. A modellezést az RStudio-ban a library(Kohonen), library(caret), library(modelr), library(„e1071″), library(„plyr”), library(„caTools”), library(”prospectr”) és libraries („Metrics”) csomagok segítségével végezzük.
Különböző validációs paramétereket alkalmaztak a talaj nikkelkoncentrációjának előrejelzésére alkalmas legjobb modell meghatározására, valamint a modell pontosságának és validálásának értékelésére. A hibridizációs modelleket átlagos abszolút hibával (MAE), átlagos négyzetes hibával (RMSE) és R-négyzet vagy együttható meghatározással (R2) értékelték. Az R2 a válaszban lévő arányok varianciáját határozza meg, amelyet a regressziós modell képvisel. Az RMSE és a variancia nagysága a független mérésekben a modell prediktív erejét írja le, míg a MAE a tényleges mennyiségi értéket határozza meg. Az R2 értéknek magasnak kell lennie ahhoz, hogy a validációs paraméterek segítségével a legjobb keverékmodellt lehessen értékelni, minél közelebb van az érték 1-hez, annál nagyobb a pontosság. Li és munkatársai szerint 59 a 0,75-ös vagy annál nagyobb R2 kritériumértéket tekintik jó prediktornak; 0,5 és 0,75 között az elfogadható modellteljesítmény, 0,5 alatt pedig az elfogadhatatlan modellteljesítmény. Az RMSE és MAE validációs kritériumértékelési módszerekkel kiválasztott modell esetében az alacsonyabb értékek voltak elegendőek, és ezeket tekintették a legjobb választásnak. A következő egyenlet leírja az ellenőrzési módszert.
ahol n a megfigyelt érték nagyságát jelöli, \({Y}_{i}\) a mért választ jelöli, és \({\widehat{Y}}_{i}\) szintén az előre jelzett válaszértéket jelöli, tehát az első i megfigyelésre.
Az előrejelző és válaszváltozók statisztikai leírását az 1. táblázat mutatja, amely az átlagot, a szórást (SD), a variációs koefficienst (CV), a minimumot, a maximumot, a csúcsosságot és a ferdeséget mutatja. Az elemek minimum- és maximumértékei csökkenő sorrendben szerepelnek: Mg < Ca < K < Ni, illetve Ca < Mg < K < Ni. A vizsgálati területről vett mintákban a válaszváltozó (Ni) koncentrációja 4,86 ​​és 42,39 mg/kg között mozgott. A Ni összehasonlítása a világátlaggal (29 mg/kg) és az európai átlaggal (37 mg/kg) azt mutatta, hogy a vizsgálati területre vonatkozó összesített számított geometriai átlag a tolerálható tartományon belül volt. Mindazonáltal, amint azt Kabata-Pendias11 is mutatja, a jelenlegi vizsgálatban mért átlagos nikkel (Ni) koncentrációjának összehasonlítása a svédországi mezőgazdasági talajokkal azt mutatja, hogy a jelenlegi átlagos nikkelkoncentráció magasabb. Hasonlóképpen, a Frydek Mistek átlagos koncentrációja a városi és városkörnyéki talajokban a jelenlegi vizsgálatban (Ni 16,15 mg/kg) magasabb volt, mint a megengedett határérték. 60 (10,2 mg/kg) Ni-t a lengyel városi talajokban, amiről Różański és munkatársai számoltak be. Továbbá Bretzel és Calderisi61 nagyon alacsony átlagos Ni-koncentrációt (1,78 mg/kg) regisztráltak Toszkána városi talajaiban a jelenlegi tanulmányhoz képest. Jim62 szintén alacsonyabb nikkelkoncentrációt (12,34 mg/kg) talált Hongkong városi talajaiban, ami alacsonyabb, mint a jelenlegi nikkelkoncentráció ebben a tanulmányban. Birke és munkatársai63 17,6 mg/kg átlagos Ni-koncentrációt jelentettek egy régi bányászati ​​és városi ipari területen Szász-Anhaltban, Németországban, ami 1,45 mg/kg-mal magasabb volt, mint a terület átlagos Ni-koncentrációja (16,15 mg/kg).Jelenlegi kutatások. A vizsgálati terület egyes városi és elővárosi területein a talajok túlzott nikkeltartalma főként a vas- és acéliparnak, valamint a fémiparnak tulajdonítható. Ez összhangban van Khodadoust és munkatársai tanulmányával. 64, hogy az acélipar és a fémmegmunkálás a talajok nikkelszennyezésének fő forrása. A prediktor értékek azonban Ca esetében 538,70 mg/kg és 69 161,80 mg/kg, K esetében 497,51 mg/kg és 3535,68 mg/kg, Mg esetében pedig 685,68 mg/kg és 5970,05 mg/kg között mozogtak. Jakovljevic et al. 65-ös tanulmány Közép-Szerbia talajainak teljes Mg- és K-tartalmát vizsgálta. Azt találták, hogy a teljes koncentrációk (410 mg/kg, illetve 400 mg/kg) alacsonyabbak voltak, mint a jelenlegi vizsgálatban mért Mg- és K-koncentrációk. Kelet-Lengyelországban Orzechowski és Smolczynski66 a Ca, Mg és K teljes tartalmát mérték, és átlagosan Ca (1100 mg/kg), Mg (590 mg/kg) és K (810 mg/kg) koncentrációkat mutattak ki. A termőtalajban a tartalom alacsonyabb, mint az egyes elemek esetében ebben a vizsgálatban. Pongrac és munkatársai67 nemrégiben végzett tanulmánya kimutatta, hogy Skóciában, az Egyesült Királyságban 3 különböző talajban (Mylnefield talaj, Balruddery talaj és Hartwood talaj) elemzett teljes Ca-tartalom magasabb Ca-tartalmat mutatott ebben a vizsgálatban.
A mintában szereplő elemek eltérő mért koncentrációi miatt az elemek adathalmaz-eloszlása ​​eltérő ferdeséget mutat. Az elemek ferdesége és csúcsossága rendre 1,53 és 7,24, illetve 2,49 és 54,16 között mozgott. Az összes számított elem ferdeségi és csúcsossági szintje +1 felett van, ami azt jelzi, hogy az adateloszlás szabálytalan, a helyes irányba ferde és csúcsos. Az elemek becsült variációs együtthatói azt is mutatják, hogy a K, Mg és Ni mérsékelt változékonyságot mutat, míg a Ca rendkívül magas változékonyságot mutat. A K, Ni és Mg variációs együtthatói magyarázzák egyenletes eloszlásukat. Továbbá a Ca eloszlása ​​nem egyenletes, és külső források befolyásolhatják a dúsulási szintjét.
A prediktor változók és a válaszadó elemek közötti korreláció kielégítő korrelációt mutatott az elemek között (lásd a 3. ábrát). A korreláció azt jelezte, hogy a CaK mérsékelt korrelációt mutatott 0,53 r értékkel, akárcsak a CaNi. Bár a Ca és a K szerény összefüggéseket mutatnak egymással, olyan kutatók, mint Kingston és munkatársai... A 68-as és a Santo69-es tanulmányok arra utalnak, hogy a talajban lévő szintjük fordítottan arányos. A Ca és a Mg azonban ellentétes a K-mal, de a CaK jól korrelál. Ez a műtrágyák, például a kálium-karbonát alkalmazásának tudható be, amelynek káliumtartalma 56%-kal magasabb. A kálium mérsékelten korrelált a magnéziummal (KM r = 0,63). A műtrágyaiparban ez a két elem szorosan összefügg, mivel kálium-magnézium-szulfátot, kálium-magnézium-nitrátot és káliumot alkalmaznak a talajokon a hiányosságok növelése érdekében. A nikkel mérsékelten korrelál a Ca-val, K-mal és Mg-mal, r értéke 0,52, 0,63 és 0,55. A kalciumot, magnéziumot és a PTE-ket, például a nikkelt érintő kapcsolatok összetettek, de mindazonáltal a magnézium gátolja a kalcium felszívódását, a kalcium csökkenti a felesleges magnézium hatásait, és mind a magnézium, mind a kalcium csökkenti a nikkel toxikus hatásait a talajban.
Az elemek korrelációs mátrixa, amely a prediktorok és a válaszok közötti kapcsolatot mutatja (Megjegyzés: ez az ábra az elemek közötti szóródási diagramot is tartalmazza, a szignifikanciaszintek p < 0,001-en alapulnak).
A 4. ábra az elemek térbeli eloszlását szemlélteti. Burgos és munkatársai70 szerint a térbeli eloszlás alkalmazása egy olyan technika, amelyet a szennyezett területeken található forró pontok számszerűsítésére és kiemelésére használnak. A 4. ábrán látható Ca dúsulási szintje a térbeli eloszlási térkép északnyugati részén látható. Az ábra közepes vagy magas Ca dúsulási forró pontokat mutat. A térkép északnyugati részén a kalcium dúsulása valószínűleg az égetett mész (kalcium-oxid) talaj savasságának csökkentésére való használatának, valamint acélművekben az acélgyártási folyamatban lúgos oxigénként való használatának köszönhető. Másrészt más gazdák a kalcium-hidroxidot részesítik előnyben savas talajokban a pH semlegesítésére, ami szintén növeli a talaj kalciumtartalmát71. A kálium szintén forró pontokat mutat a térkép északnyugati és keleti részén. Az északnyugat jelentős mezőgazdasági közösség, és a kálium közepes vagy magas mintázata az NPK és a kálium alkalmazásának tudható be. Ez összhangban van más tanulmányokkal, például Madaras és Lipavský72, Madaras és munkatársai73, Pulkrabová és munkatársai74, Asare és munkatársai75 tanulmányaival, akik megfigyelték, hogy A talajstabilizáció, valamint a KCl-lal és NPK-val végzett kezelés magas K-tartalmat eredményezett a talajban. Az eloszlási térkép északnyugati részén a kálium térbeli feldúsulása a kálium alapú műtrágyák, például kálium-klorid, kálium-szulfát, kálium-nitrát, hamuzsír és hamuzsír használatának tudható be, amelyek a gyenge talajok káliumtartalmának növelését szolgálják. Zádorová et al. 76 és Tlustoš et al. A 77-es számú tanulmány felvázolta, hogy a K-alapú műtrágyák alkalmazása növelte a talaj K-tartalmát, és hosszú távon jelentősen növelni fogja a talaj tápanyagtartalmát, különösen a K és Mg esetében, amely forró pontot mutat a talajban. Viszonylag mérsékelt forró pontok találhatók a térkép északnyugati és délkeleti részén. A talajban lévő kolloidális fixáció csökkenti a magnézium koncentrációját a talajban. Hiánya a talajban sárgás köztes klorózist okoz a növényeken. A magnéziumalapú műtrágyák, mint például a kálium-magnézium-szulfát, a magnézium-szulfát és a kizerit, a hiányosságokat (a növények lilás, piros vagy barna színűek, ami magnéziumhiányt jelez) kezelik a normál pH-tartományú talajokban. A nikkel felhalmozódása a városi és városkörnyéki talajfelszíneken antropogén tevékenységeknek, például a mezőgazdaságnak és a nikkel rozsdamentes acélgyártásban betöltött fontosságának tudható be.
Az elemek térbeli eloszlása ​​[a térbeli eloszlási térképet az ArcGIS Desktop (ESRI, Inc, 10.7-es verzió, URL: https://desktop.arcgis.com) segítségével készítettük.]
Az ebben a tanulmányban használt elemek modellteljesítmény-index eredményeit a 2. táblázat mutatja. Másrészt a Ni RMSE és MAE értékei is közel vannak a nullához (0,86 RMSE, -0,08 MAE). Másrészt a K RMSE és MAE értékei is elfogadhatóak. Az RMSE és MAE eredmények nagyobbak voltak a kalcium és a magnézium esetében. A Ca és K MAE és RMSE eredményei nagyobbak a különböző adatkészletek miatt. Az EBK-t használó Ni előrejelzésére irányuló vizsgálat RMSE és MAE értékei jobbnak bizonyultak, mint John és munkatársai 54 eredményei, akik szinergikus krigelést alkalmaztak a talaj S-koncentrációinak előrejelzésére ugyanazon gyűjtött adatok felhasználásával. Az általunk vizsgált EBK kimenetek korrelálnak Fabijaczyk és munkatársai 41, Yan és munkatársai 79, Beguin és munkatársai 80, Adhikary és munkatársai 81 és John és munkatársai 82 eredményeivel, különösen a K és a Ni esetében.
A városi és városkörnyéki talajok nikkeltartalmának előrejelzésére szolgáló egyes módszerek teljesítményét a modellek teljesítményének felhasználásával értékelték (3. táblázat). A modell validálása és pontosságának értékelése megerősítette, hogy a Ca_Mg_K prediktor az EBK SVMR modellel kombinálva eredményezte a legjobb teljesítményt. A Ca_Mg_K-EBK_SVMR kalibrációs modell R2, az átlagos négyzetes hiba (RMSE) és az átlagos abszolút hiba (MAE) 0,637 (R2), 95,479 mg/kg (RMSE) és 77,368 mg/kg (MAE) volt. A Ca_Mg_K-SVMR 0,663 (R2), 235,974 mg/kg (RMSE) és 166,946 mg/kg (MAE) volt. Mindazonáltal jó R2 értékeket kaptunk a Ca_Mg_K-SVMR (0,663 mg/kg R2) és a Ca_Mg-EBK_SVMR (0,643 = R2) esetében; RMSE és MAE eredményeik magasabbak voltak, mint a Ca_Mg_K-EBK_SVMR esetében (R2 0,637) (lásd a 3. táblázatot). Ezenkívül a Ca_Mg-EBK_SVMR (RMSE = 1664,64 és MAE = 1031,49) modell RMSE és MAE értékei 17,5, illetve 13,4, ami nagyobb, mint a Ca_Mg_K-EBK_SVMR értékei. Hasonlóképpen, a Ca_Mg-K SVMR (RMSE = 235,974 és MAE = 166,946) modell RMSE és MAE értékei 2,5, illetve 2,2-szer nagyobbak, mint a Ca_Mg_K-EBK_SVMR RMSE, illetve MAE értékei. A számított RMSE eredmények azt jelzik, hogy az adathalmaz mennyire koncentrált a legjobban illeszkedő egyenessel. Magasabb RSME és MAE értékeket figyeltek meg. Kebonye és munkatársai szerint... 46 és john et al. 54 szerint minél közelebb van az RMSE és a MAE a nullához, annál jobbak az eredmények. Az SVMR és az EBK_SVMR magasabb kvantált RSME és MAE értékekkel rendelkezik. Megfigyelték, hogy az RSME becslések következetesen magasabbak voltak, mint a MAE értékek, ami kiugró értékek jelenlétére utal. Legates és McCabe83 szerint az RMSE átlagos abszolút hibát (MAE) meghaladó mértéke ajánlott a kiugró értékek jelenlétének indikátoraként. Ez azt jelenti, hogy minél heterogénebb az adathalmaz, annál magasabbak a MAE és az RMSE értékek. A Ca_Mg_K-EBK_SVMR vegyes modell keresztvalidációs értékelésének pontossága a városi és elővárosi talajok Ni-tartalmának előrejelzésére 63,70% volt. Li et al. 59 szerint ez a pontossági szint elfogadható modellteljesítményi arány. A jelenlegi eredményeket Tarasov et al. korábbi tanulmányával hasonlítjuk össze. 36, akiknek hibrid modellje létrehozta az MLPRK-t (többrétegű perceptron reziduális kriging), amely a jelenlegi vizsgálatban közölt EBK_SVMR pontosságértékelési indexhez kapcsolódik, az RMSE (210) és a MAE (167,5) magasabb volt, mint a jelenlegi vizsgálatban kapott eredményeink (RMSE 95,479, MAE 77,368). Azonban, amikor a jelenlegi vizsgálat R2-jét (0,637) összehasonlítottuk Tarasov és munkatársai eredményével... A 36-os (0,544) ábrán látható, hogy a meghatározási együttható (R2) magasabb ebben a vegyes modellben. A vegyes modell hibahatára (RMSE és MAE) (EBK SVMR) kétszerese. Hasonlóképpen, Sergeev és munkatársai34 0,28-as (R2) értéket regisztráltak a kifejlesztett hibrid modell (többrétegű perceptron reziduális kriging) esetében, míg a jelenlegi vizsgálatban a Ni 0,637-et (R2) regisztrált. A modell (EBK SVMR) előrejelzési pontossági szintje 63,7%, míg Sergeev és munkatársai34 által kapott előrejelzési pontosság 28%. Az EBK_SVMR modell és a Ca_Mg_K prediktor felhasználásával létrehozott végső térkép (5. ábra) a forró pontok és a közepestől a nikkelig terjedő előrejelzéseket mutatja a teljes vizsgálati területen. Ez azt jelenti, hogy a nikkel koncentrációja a vizsgálati területen főként közepes, egyes területeken magasabb koncentrációkkal.
A végső predikciós térképet az EBK_SVMR hibrid modellel és a Ca_Mg_K prediktorral ábrázoltuk. [A térbeli eloszlási térképet az RStudio (1.4.1717 verzió: https://www.rstudio.com/) segítségével készítettük.]
A 6. ábrán a PTE-koncentrációk láthatók egy összetételi síkban, amely az egyes neuronokból áll. Egyik komponenssík sem mutatta ugyanazt a színmintát, mint amilyennel a képen látható. Azonban a rajzolt térképen lévő neuronok megfelelő száma 55. A SeOM-ot különféle színek felhasználásával állítják elő, és minél hasonlóbbak a színminták, annál összehasonlíthatóbbak a minták tulajdonságai. Pontos színskálájuk szerint az egyes elemek (Ca, K és Mg) hasonló színmintákat mutattak, mint az egyes magas rendű neuronok és a legtöbb alacsony rendű neuron. Így a CaK és a CaMg bizonyos hasonlóságokat mutat a nagyon magas rendű neuronokkal és az alacsony-közepes színmintákkal. Mindkét modell a talaj Ni-koncentrációját a közepes és magas színárnyalatok, például a vörös, a narancs és a sárga megjelenítésével jósolja meg. A KMg modell számos magas színmintát jelenít meg pontos arányok és alacsony-közepes színfoltok alapján. Az alacsonytól a magasig terjedő pontos színskálán a modell komponenseinek síkbeli eloszlási mintázata magas színmintát mutatott, ami a nikkel potenciális koncentrációját jelzi a talajban (lásd a 4. ábrát). A CakMg modell komponenssíkja változatos színmintát mutat alacsonytól a magasig egy pontos színbecslés szerint. skála. Továbbá a modell nikkeltartalomra (CakMg) vonatkozó előrejelzése hasonló a nikkel 5. ábrán látható térbeli eloszlásához. Mindkét grafikon a nikkelkoncentrációk magas, közepes és alacsony arányát mutatja a városi és városkörnyéki talajokban. A 7. ábra a kontúrmódszert ábrázolja a térképen a k-középértékek csoportosításában, három klaszterre osztva az egyes modellekben előrejelzett érték alapján. A kontúrmódszer a klaszterek optimális számát jelenti. A 115 begyűjtött talajminta közül az 1. kategóriába tartozott a legtöbb talajminta, 74. A 2. klaszter 33, míg a 3. klaszter 8 mintát kapott. A hétkomponensű síkbeli előrejelző kombinációt egyszerűsítették a klaszterek helyes értelmezése érdekében. A talajképződést befolyásoló számos antropogén és természetes folyamat miatt nehéz megfelelően megkülönböztetni a klasztermintákat egy elosztott SeOM térképen78.
Az egyes Empirikus Bayes-i Kriging Support Vector Machine (EBK_SVM_SeOM) változók komponens sík kimenete. [Az SeOM térképeket az RStudio (1.4.1717 verzió: https://www.rstudio.com/) segítségével készítettük.]
Különböző klaszterosztályozási komponensek [A SeOM térképeket az RStudio (1.4.1717 verzió: https://www.rstudio.com/) segítségével készítettük.]
A jelenlegi tanulmány világosan szemlélteti a városi és városkörnyéki talajok nikkelkoncentrációjának modellezési technikáit. A tanulmány különböző modellezési technikákat tesztelt, elemeket kombinálva modellezési technikákkal, hogy a lehető legjobb módszert találja a talaj nikkelkoncentrációjának előrejelzésére. A modellezési technika SeOM kompozíciós síkbeli térbeli jellemzői magas színmintázatot mutattak alacsonytól magasig egy pontos színskálán, jelezve a talaj Ni-koncentrációját. A térbeli eloszlási térkép azonban megerősíti az EBK_SVMR által mutatott komponensek síkbeli térbeli eloszlását (lásd az 5. ábrát). Az eredmények azt mutatják, hogy a támogató vektor gépi regressziós modell (CaMgK-SVMR) egyetlen modellként jósolja meg a talaj Ni-koncentrációját, de az validációs és pontosságértékelési paraméterek nagyon magas hibákat mutatnak az RMSE és a MAE tekintetében. Másrészt az EBK_MLR modellel alkalmazott modellezési technika is hibás a meghatározási együttható (R2) alacsony értéke miatt. Jó eredményeket kaptunk az EBK SVMR és a kombinált elemek (CaKMg) használatával alacsony RMSE és MAE hibákkal, 63,7%-os pontossággal. Kiderült, hogy az EBK algoritmus gépi tanulási algoritmussal való kombinálása generálhat egy... hibrid algoritmus, amely képes megjósolni a PTE-k koncentrációját a talajban. Az eredmények azt mutatják, hogy a Ca, Mg, K prediktorként való használata a Ni koncentrációjának előrejelzésére a vizsgált területen javíthatja a Ni előrejelzését a talajban. Ez azt jelenti, hogy a nikkel alapú műtrágyák folyamatos alkalmazása és a talaj ipari szennyezése az acélipar által hajlamos növelni a nikkel koncentrációját a talajban. Ez a tanulmány kimutatta, hogy az EBK modell csökkentheti a hibaszintet és javíthatja a talaj térbeli eloszlásának modelljének pontosságát városi vagy városkörnyéki talajokban. Általánosságban elmondható, hogy az EBK-SVMR modell alkalmazását javasoljuk a talajban lévő PTE felmérésére és előrejelzésére; emellett azt javasoljuk, hogy az EBK-t hibridizáljuk különböző gépi tanulási algoritmusokkal. A Ni koncentrációkat elemek kovariánsként való felhasználásával jósoltuk meg; azonban több kovariáns használata jelentősen javítaná a modell teljesítményét, ami a jelenlegi munka korlátjának tekinthető. A tanulmány további korlátja, hogy az adathalmazok száma 115. Ezért, ha több adat áll rendelkezésre, a javasolt optimalizált hibridizációs módszer teljesítménye javítható.
PlantProbs.net.Nikkel növényekben és talajban https://plantprobs.net/plant/nutrientImbalances/sodium.html (Hozzáférés: 2021. április 28.).
Kasprzak, KS Nikkel előrelépések a modern környezeti toxikológiában. surroundings.toxicology.11, 145–183 (1987).
Cempel, M. és Nikel, G. Nickel: Forrásai és környezeti toxikológiája áttekintése. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. és Hutchinson, TC A légkörből származó szennyező anyagok felhalmozódása a talajban és a növényzetben egy nikkel-réz kohó közelében, Sudburyben, Ontarióban, Kanadában. can.J. Bot.58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Nehézfémek a talajban, a növényekben és a kérődzők legeltetésével kapcsolatos kockázatok a botswanai Selebi-Phikwe réz-nikkel bánya közelében. surroundings. Geochemistry. Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Nyomelemek a talajban és… – 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= (Hozzáférés: 2020. november 24.).
Almås, A., Singh, B., Mezőgazdaság, TS-NJ 1995-ből, meghatározatlan. Az orosz nikkelipar hatása a nehézfémek koncentrációjára a mezőgazdasági talajokban és füvekben Soer-Varangerben, Norvégiában. agris.fao.org.
Nielsen, GD et al. A nikkel felszívódása és visszatartása az ivóvízben összefügg a táplálékbevitellel és a nikkelérzékenységgel. toxikológia. alkalmazás. farmakodinamika. 154, 67–75 (1999).
Costa, M. és Klein, CB Nikkel karcinogenezis, mutáció, epigenetika vagy szelekció. Környezet. Egészségügyi perspektíva. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Potenciálisan toxikus elemek trendelemzése: bibliometriai áttekintés. Környezeti geokémia és egészség. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. és McBratney, AB. Digitális talajtérképezés: rövid történet és néhány tanulság. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. A digitális talajtérképezésről.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatisztikai Tartálymodellezés,… – 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= (Hozzáférés: 2021. április 28.).