Շնորհակալություն Nature.com կայք այցելելու համար: Ձեր օգտագործած դիտարկիչի տարբերակը սահմանափակ աջակցություն ունի CSS-ի համար: Լավագույն փորձի համար խորհուրդ ենք տալիս օգտագործել թարմացված դիտարկիչ (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում): Մինչդեռ, շարունակական աջակցությունն ապահովելու համար, մենք կայքը կցուցադրենք առանց ոճերի և JavaScript-ի:
Հողի աղտոտումը մարդկային գործունեության հետևանքով առաջացած մեծ խնդիր է: Հնարավոր թունավոր տարրերի (ՊՏԷ) տարածական բաշխումը տարբեր է քաղաքային և քաղաքամերձ տարածքների մեծ մասում: Հետևաբար, դժվար է տարածականորեն կանխատեսել ՊՏԷ-ների պարունակությունը նման հողերում: Չեխիայի Ֆրիդեկ Միստեկից ընդհանուր առմամբ ստացվել է 115 նմուշ: Կալցիումի (Ca), մագնեզիումի (Mg), կալիումի (K) և նիկելի (Ni) կոնցենտրացիաները որոշվել են ինդուկտիվորեն միացված պլազմային էմիսիոն սպեկտրոմետրիայի միջոցով: Արձագանքման փոփոխականը Ni-ն է, իսկ կանխատեսողներն են Ca, Mg և K: Արձագանքման փոփոխականի և կանխատեսող փոփոխականի միջև կորելյացիայի մատրիցը ցույց է տալիս տարրերի միջև բավարար կորելյացիա: Կանխատեսման արդյունքները ցույց են տվել, որ օժանդակ վեկտորային մեքենայական ռեգրեսիան (SVMR) լավ է աշխատել, չնայած դրա գնահատված միջին քառակուսի սխալը (RMSE) (235.974 մգ/կգ) և միջին բացարձակ սխալը (MAE) (166.946 մգ/կգ) ավելի բարձր էին, քան կիրառված մյուս մեթոդները: Էմպիրիկ բայեսյան կրիգինգ-բազմակի գծային ռեգրեսիայի (EBK-MLR) խառը մոդելները վատ են աշխատում, ինչպես վկայում է... Որոշման գործակիցները 0.1-ից փոքր են։ Էմպիրիկ Բայեսյան Կրիգինգ-Աջակցող Վեկտորային Մեքենայի Ռեգրեսիայի (EBK-SVMR) մոդելը լավագույն մոդելն էր՝ ցածր RMSE (95.479 մգ/կգ) և MAE (77.368 մգ/կգ) արժեքներով և բարձր որոշման գործակցով (R2 = 0.637): EBK-SVMR մոդելավորման տեխնիկայի արդյունքը պատկերացվում է ինքնակազմակերպվող քարտեզի միջոցով։ Հիբրիդային մոդելի CakMg-EBK-SVMR բաղադրիչի հարթության վրա կլաստերացված նեյրոնները ցույց են տալիս բազմաթիվ գունային նախշեր, որոնք կանխատեսում են Ni կոնցենտրացիաները քաղաքային և քաղաքամերձ հողերում։ Արդյունքները ցույց են տալիս, որ EBK-ի և SVMR-ի համադրությունը արդյունավետ մեթոդ է քաղաքային և քաղաքամերձ հողերում Ni կոնցենտրացիաները կանխատեսելու համար։
Նիկելը (Ni) համարվում է բույսերի միկրոէլեմենտ, քանի որ այն նպաստում է մթնոլորտային ազոտի ֆիքսացիային (N) և միզանյութի նյութափոխանակությանը, որոնք երկուսն էլ անհրաժեշտ են սերմերի ծլման համար: Սերմերի ծլմանը նպաստելուց բացի, Ni-ն կարող է գործել որպես սնկային և մանրէային արգելակիչ և խթանել բույսերի զարգացումը: Հողում նիկելի բացակայությունը թույլ է տալիս բույսին կլանել այն, ինչը հանգեցնում է տերևների քլորոզի: Օրինակ՝ կովի ոլոռը և կանաչ լոբին պահանջում են նիկելի վրա հիմնված պարարտանյութերի կիրառում՝ ազոտի ֆիքսացիան օպտիմալացնելու համար:2 Նիկելի վրա հիմնված պարարտանյութերի շարունակական կիրառումը հողը հարստացնելու և լոբազգիների՝ հողում ազոտը կլանելու ունակությունը մեծացնելու համար անընդհատ մեծացնում է նիկելի կոնցենտրացիան հողում:Չնայած նիկելը բույսերի համար միկրոէլեմենտ է, հողում դրա չափազանց մեծ ընդունումը կարող է ավելի շատ վնաս հասցնել, քան օգուտ:Նիկելի թունավորությունը հողում նվազագույնի է հասցնում հողի pH-ը և խոչընդոտում է երկաթի կլանումը որպես բույսերի աճի համար անհրաժեշտ սննդանյութ:1 Լյուի3 խոսքով՝ Ni-ն համարվում է բույսերի զարգացման և աճի համար անհրաժեշտ 17-րդ կարևոր տարրը:Բացի բույսերի զարգացման և աճի մեջ նիկելի դերից, մարդիկ այն կարիք ունեն տարբեր կիրառությունների համար:Էլեկտրագլանումը, նիկելի վրա հիմնված համաձուլվածքների արտադրությունը, և ավտոմոբիլային արդյունաբերության մեջ բռնկման սարքերի և կայծային մոմերի արտադրությունը պահանջում է նիկելի օգտագործում տարբեր արդյունաբերական ոլորտներում: Բացի այդ, նիկելի վրա հիմնված համաձուլվածքները և էլեկտրոլիզացված արտադրանքը լայնորեն օգտագործվել են խոհանոցային պարագաներում, պարահանդեսային պարագաներում, սննդի արդյունաբերության պարագաներում, էլեկտրական, մետաղալարերի և մալուխների, ռեակտիվ տուրբինների, վիրաբուժական իմպլանտների, տեքստիլի և նավաշինության մեջ5: Հողերում (այսինքն՝ մակերեսային հողերում) Ni-ով հարուստ մակարդակները վերագրվել են ինչպես մարդածին, այնպես էլ բնական աղբյուրներին, բայց հիմնականում Ni-ն բնական աղբյուր է, այլ ոչ թե մարդածին4,6: Նիկելի բնական աղբյուրները ներառում են հրաբխային ժայթքումներ, բուսականություն, անտառային հրդեհներ և երկրաբանական գործընթացներ. սակայն մարդածին աղբյուրները ներառում են նիկել/կադմիումային մարտկոցներ պողպատի արդյունաբերության մեջ, էլեկտրոլիզացում, աղեղային եռակցում, դիզելային և վառելիքային յուղեր, ինչպես նաև ածխի այրման և թափոնների ու տիղմի այրման մթնոլորտային արտանետումներ, նիկելի կուտակում7,8: Ֆրիդմանի և Հաչինսոնի9 և Մանյիվայի և այլոց կարծիքով: 10-ում, անմիջական և հարակից միջավայրում վերին հողի աղտոտման հիմնական աղբյուրները հիմնականում նիկել-պղնձի վրա հիմնված հալոցարաններն ու հանքերն են: Կանադայի Սադբերիի նիկել-պղնձի վերամշակման գործարանի շրջակայքի վերին հողում նիկելի աղտոտման ամենաբարձր մակարդակն էր՝ 26,000 մգ/կգ11: Ի տարբերություն դրա, Ռուսաստանում նիկելի արտադրությունից աղտոտումը հանգեցրել է նիկելի ավելի բարձր կոնցենտրացիաների Նորվեգիայի հողում11: Ալմսի և այլոց կարծիքով՝ 12-ում, տարածաշրջանի լավագույն վարելահողերում (նիկելի արտադրությունը Ռուսաստանում) HNO3-ով արդյունահանվող նիկելի քանակը տատանվում էր 6.25-ից մինչև 136.88 մգ/կգ, ինչը համապատասխանում է միջին 30.43 մգ/կգ-ի և 25 մգ/կգ բազային կոնցենտրացիայի: Ըստ kabata 11-ի, քաղաքային կամ քաղաքամերձ հողերի գյուղատնտեսական հողերում ֆոսֆորային պարարտանյութերի կիրառումը հաջորդական բերքահավաքի սեզոնների ընթացքում կարող է ներծծել կամ աղտոտել հողը: Նիկելի հնարավոր ազդեցությունը մարդկանց վրա կարող է հանգեցնել քաղցկեղի՝ մուտագենեզի, քրոմոսոմային վնասվածքի, Z-ԴՆԹ-ի առաջացման, ԴՆԹ-ի արգելափակված հեռացման վերականգնման կամ էպիգենետիկ գործընթացների միջոցով:13 Կենդանիների վրա կատարված փորձերի արդյունքում պարզվել է, որ նիկելը կարող է առաջացնել տարբեր ուռուցքներ, և քաղցկեղածին նիկելի համալիրները կարող են սրել նման ուռուցքները:
Վերջերս հողի աղտոտվածության գնահատումները ծաղկում են ապրել՝ հող-բույս ​​փոխհարաբերություններից, հողից և հողի կենսաբանական փոխհարաբերություններից, էկոլոգիական քայքայումից և շրջակա միջավայրի վրա ազդեցության գնահատումից բխող առողջության հետ կապված լայն շրջանակի խնդիրների պատճառով: Մինչ օրս հողում պոտենցիալ թունավոր տարրերի (PTE), ինչպիսին է Ni-ն, տարածական կանխատեսումը աշխատատար և ժամանակատար է եղել ավանդական մեթոդների կիրառմամբ: Հողի թվային քարտեզագրման (DSM) ի հայտ գալը և դրա ներկայիս հաջողությունը15 զգալիորեն բարելավել են կանխատեսող հողի քարտեզագրումը (PSM): Մինասնիի և ՄաքԲրատնիի16 խոսքերով՝ կանխատեսող հողի քարտեզագրումը (DSM) ապացուցել է, որ հողագիտության առաջատար ենթաճյուղ է: Լագաշերին և ՄաքԲրատնին, 2006թ., DSM-ը սահմանում են որպես «տարածական հողային տեղեկատվական համակարգերի ստեղծում և լրացում՝ տեղում և լաբորատոր դիտարկման մեթոդների, ինչպես նաև տարածական և ոչ տարածական հողային եզրակացության համակարգերի օգտագործման միջոցով»: ՄաքԲրատնի և այլք: 17-ը նշում է, որ ժամանակակից DSM-ը կամ PSM-ը PTE-ների, հողի տեսակների և հողի հատկությունների տարածական բաշխման կանխատեսման կամ քարտեզագրման ամենաարդյունավետ մեթոդն է: Երկրավիճակագրությունը և մեքենայական ուսուցման ալգորիթմները (MLA) DSM մոդելավորման տեխնիկաներ են, որոնք ստեղծում են թվայնացված քարտեզներ՝ օգտագործելով համակարգիչներ՝ օգտագործելով նշանակալի և նվազագույն տվյալներ:
Դոյչը18 և Օլեան19 երկրաբանական վիճակագրությունը սահմանում են որպես «տարածական ատրիբուտների ներկայացման հետ կապված թվային մեթոդների հավաքածու, որը հիմնականում օգտագործում է ստոխաստիկ մոդելներ, օրինակ՝ թե ինչպես է ժամանակային շարքերի վերլուծությունը բնութագրում ժամանակային տվյալները»։ Հիմնականում, երկրաբանական վիճակագրությունը ներառում է վարիոգրամների գնահատում, որոնք թույլ են տալիս քանակականացնել և սահմանել յուրաքանչյուր տվյալների բազմությունից տարածական արժեքների կախվածությունները20։ Գումիոն և այլք։ 20-ը լրացուցիչ ցույց է տալիս, որ երկրաբանական վիճակագրության մեջ վարիոգրամների գնահատումը հիմնված է երեք սկզբունքների վրա՝ (ա) տվյալների փոխկապակցվածության մասշտաբի հաշվարկ, (բ) տվյալների բազմության անհամապատասխանության անիզոտրոպիայի նույնականացում և հաշվարկ, և (գ) տեղային էֆեկտներից առանձնացված չափման տվյալների ներքին սխալը հաշվի առնելուց բացի, գնահատվում են նաև մակերեսային էֆեկտները։ Այս հասկացությունների վրա հիմնվելով՝ երկրաբանական վիճակագրության մեջ օգտագործվում են բազմաթիվ ինտերպոլյացիայի տեխնիկաներ, այդ թվում՝ ընդհանուր կրիգինգ, համատեղ կրիգինգ, սովորական կրիգինգ, էմպիրիկ բայեսյան կրիգինգ, պարզ կրիգինգի մեթոդ և այլ հայտնի ինտերպոլյացիայի տեխնիկաներ՝ PTE-ն, հողի բնութագրերը և հողի տեսակները քարտեզագրելու կամ կանխատեսելու համար։
Մեքենայական ուսուցման ալգորիթմները (MLA) համեմատաբար նոր տեխնիկա են, որոնք օգտագործում են ավելի մեծ ոչ գծային տվյալների դասեր, որոնք սնուցվում են հիմնականում տվյալների արդյունահանման, տվյալների մեջ օրինաչափությունների նույնականացման և գիտական ​​ոլորտներում, ինչպիսիք են հողագիտությունը և վերադարձի առաջադրանքները, դասակարգման համար բազմիցս կիրառվող ալգորիթմներով: Բազմաթիվ հետազոտական ​​աշխատանքներ հիմնվում են MLA մոդելների վրա՝ հողերում PTE-ն կանխատեսելու համար, ինչպիսիք են՝ Tan et al. 22 (գյուղատնտեսական հողերում ծանր մետաղների գնահատման համար պատահական անտառներ), Sakizadeh et al. 23 (մոդելավորում՝ օգտագործելով օժանդակ վեկտորային մեքենաներ և արհեստական ​​նեյրոնային ցանցեր) հողի աղտոտվածությունը: Բացի այդ, Vega et al. 24 (CART՝ հողում ծանր մետաղների պահպանման և ադսորբցիայի մոդելավորման համար), Sun et al. 25 (կուբիստի կիրառումը Cd-ի բաշխումն է հողում) և այլ ալգորիթմներ, ինչպիսիք են k-ամենամոտ հարևանը, ընդհանրացված խթանված ռեգրեսիան և խթանված ռեգրեսիայի ծառերը: MLA-ն նույնպես կիրառվել է հողում PTE-ն կանխատեսելու համար:
DSM ալգորիթմների կիրառումը կանխատեսման կամ քարտեզագրման մեջ բախվում է մի շարք մարտահրավերների: Շատ հեղինակներ կարծում են, որ MLA-ն գերազանցում է աշխարհագրական վիճակագրությանը և հակառակը: Չնայած մեկը մյուսից լավն է, երկուսի համադրությունը բարելավում է DSM-ում քարտեզագրման կամ կանխատեսման ճշգրտության մակարդակը15: Վուդքոքը և Գոպալը26 Ֆինկեն27; Պոնտիուսը և Չուկը28 և Գրունվալդը29 մեկնաբանում են կանխատեսված հողի քարտեզագրման թերությունները և որոշ սխալներ: Հողագետները փորձել են տարբեր մեթոդներ՝ DSM քարտեզագրման և կանխատեսման արդյունավետությունը, ճշգրտությունը և կանխատեսելիությունը օպտիմալացնելու համար: Անորոշության և ստուգման համադրությունը DSM-ում ինտեգրված բազմաթիվ տարբեր ասպեկտներից մեկն է՝ արդյունավետությունը օպտիմալացնելու և թերությունները նվազեցնելու համար: Այնուամենայնիվ, Ագիեմանը և այլք15 նշում են, որ քարտեզի ստեղծման և կանխատեսման միջոցով ներմուծված վավերացման վարքագիծը և անորոշությունը պետք է անկախ վավերացվեն՝ քարտեզի որակը բարելավելու համար: DSM-ի սահմանափակումները պայմանավորված են աշխարհագրորեն ցրված հողի որակով, որը ներառում է անորոշության բաղադրիչ. սակայն, DSM-ում որոշակիության պակասը կարող է առաջանալ սխալի բազմաթիվ աղբյուրներից, մասնավորապես՝ կովարիատային սխալից, մոդելի սխալից, տեղորոշման սխալից և վերլուծական սխալից 31: MLA-ում և աշխարհագրական գործընթացներում առաջացած մոդելավորման անճշտությունները կապված են հասկանալու պակասի հետ, ինչը, ի վերջո, հանգեցնում է իրական գործընթացի չափազանց պարզեցմանը 32: Անկախ մոդելավորման բնույթից, անճշտությունները կարող են վերագրվել մոդելավորման պարամետրերին, մաթեմատիկական մոդելի կանխատեսումներին կամ ինտերպոլյացիային 33: Վերջերս ի հայտ է եկել DSM-ի նոր միտում, որը խթանում է աշխարհագրական վիճակագրության և MLA-ի ինտեգրումը քարտեզագրման և կանխատեսման մեջ: Մի շարք հողագետներ և հեղինակներ, ինչպիսիք են Սերգեևը և այլք 34; Սուբբոտինան և այլք 35; Տարասովը և այլք 36 և Տարասովը և այլք 37, օգտագործել են աշխարհագրական վիճակագրության և մեքենայական ուսուցման ճշգրիտ որակը՝ հիբրիդային մոդելներ ստեղծելու համար, որոնք բարելավում են կանխատեսման և քարտեզագրման արդյունավետությունը: որակը։ Այս հիբրիդային կամ համակցված ալգորիթմային մոդելներից մի քանիսն են՝ արհեստական ​​նեյրոնային ցանցի կրիգինգը (ANN-RK), բազմաշերտ պերցեպտրոնային մնացորդային կրիգինգը (MLP-RK), ընդհանրացված ռեգրեսիոն նեյրոնային ցանցի մնացորդային կրիգինգը (GR-NNRK)36, արհեստական ​​նեյրոնային ցանցի կրիգինգ-բազմաշերտ պերցեպտրոնը (ANN-K-MLP)37 և համատեղ կրիգինգը և գաուսյան պրոցեսների ռեգրեսիան38։
Սերգեևի և այլոց կարծիքով, տարբեր մոդելավորման մեթոդների համադրությունը հնարավորություն ունի վերացնելու թերությունները և բարձրացնելու ստացված հիբրիդային մոդելի արդյունավետությունը՝ մեկ մոդել մշակելու փոխարեն: Այս համատեքստում, այս նոր հոդվածում նշվում է, որ անհրաժեշտ է կիրառել գեոստատիստիկայի և MLA-ի համակցված ալգորիթմ՝ քաղաքային և քաղաքամերձ տարածքներում Ni հարստացումը կանխատեսելու համար օպտիմալ հիբրիդային մոդելներ ստեղծելու համար: Այս ուսումնասիրությունը կհիմնվի էմպիրիկ բայեսյան կրիգինգի (EBK) վրա որպես հիմնական մոդել և կխառնվի այն Աջակցող վեկտորային մեքենայի (SVM) և բազմակի գծային ռեգրեսիայի (MLR) մոդելների հետ: EBK-ի հիբրիդացումը ցանկացած MLA-ի հետ հայտնի չէ: Դիտարկվող բազմակի խառը մոդելները սովորական, մնացորդային, ռեգրեսիոն կրիգինգի և MLA-ի համադրություններ են: EBK-ն գեոստատիստիկական ինտերպոլյացիայի մեթոդ է, որն օգտագործում է տարածականորեն ստոխաստիկ գործընթաց, որը տեղայնացված է որպես ոչ ստացիոնար/ստացիոնար պատահական դաշտ՝ դաշտում սահմանված տեղայնացման պարամետրերով, թույլ տալով տարածական տատանումներ39: EBK-ն օգտագործվել է մի շարք ուսումնասիրություններում, ներառյալ գյուղատնտեսական հողերում օրգանական ածխածնի բաշխման վերլուծությունը40, հողի աղտոտվածության գնահատումը41 և հողի հատկությունների քարտեզագրումը42:
Մյուս կողմից, ինքնակազմակերպվող գրաֆը (SeOM) ուսուցման ալգորիթմ է, որը կիրառվել է տարբեր հոդվածներում, ինչպիսիք են Լի և այլք։ 43, Վան և այլք։ 44, Հոսեյն Բհուիյան և այլք։ 45 և Կեբոնյե և այլք։ 46 Որոշեք տարրերի տարածական ատրիբուտները և խմբավորումը։ Վան և այլք։ 44 նշում են, որ SeOM-ը հզոր ուսուցման տեխնիկա է, որը հայտնի է ոչ գծային խնդիրներ խմբավորելու և պատկերացնելու իր ունակությամբ։ Ի տարբերություն այլ օրինաչափությունների ճանաչման տեխնիկաների, ինչպիսիք են գլխավոր բաղադրիչների վերլուծությունը, աղոտ կլաստերացումը, հիերարխիկ կլաստերացումը և բազմաչափորոշիչ որոշումների կայացումը, SeOM-ն ավելի լավ է կազմակերպում և նույնականացնում PTE օրինաչափությունները։ Վան և այլք։ 44-ի համաձայն, SeOM-ը կարող է տարածականորեն խմբավորել կապված նեյրոնների բաշխումը և ապահովել բարձր թույլտվությամբ տվյալների վիզուալիզացիա։ SeOM-ը կվիզուալիզացնի Ni կանխատեսման տվյալները՝ ստանալու համար լավագույն մոդելը՝ արդյունքները բնութագրելու համար՝ ուղղակի մեկնաբանության համար։
Այս հոդվածի նպատակն է ստեղծել կայուն քարտեզագրման մոդել՝ քաղաքային և քաղաքամերձ հողերում նիկելի պարունակությունը կանխատեսելու օպտիմալ ճշգրտությամբ: Մենք ենթադրում ենք, որ խառը մոդելի հուսալիությունը հիմնականում կախված է բազային մոդելին կցված այլ մոդելների ազդեցությունից: Մենք գիտակցում ենք DSM-ի առջև ծառացած մարտահրավերները, և չնայած այդ մարտահրավերները լուծվում են բազմաթիվ ճակատներում, գեոստատիկայի և MLA մոդելների առաջընթացի համադրությունը, կարծես, աստիճանական է. հետևաբար, մենք կփորձենք պատասխանել հետազոտական ​​հարցերին, որոնք կարող են հանգեցնել խառը մոդելների: Այնուամենայնիվ, որքանո՞վ է ճշգրիտ մոդելը թիրախային տարրը կանխատեսելու հարցում: Բացի այդ, ո՞րն է արդյունավետության գնահատման մակարդակը՝ հիմնված վավերացման և ճշգրտության գնահատման վրա: Հետևաբար, այս ուսումնասիրության հատուկ նպատակներն էին՝ (ա) ստեղծել SVMR-ի կամ MLR-ի համար համակցված խառնուրդի մոդել՝ օգտագործելով EBK-ն որպես բազային մոդել, (բ) համեմատել ստացված մոդելները, (գ) առաջարկել քաղաքային կամ քաղաքամերձ հողերում Ni կոնցենտրացիաները կանխատեսելու լավագույն խառնուրդի մոդելը, և (դ) SeOM-ի կիրառումը՝ նիկելի տարածական տատանումների բարձր թույլտվությամբ քարտեզ ստեղծելու համար:
Ուսումնասիրությունն իրականացվում է Չեխիայի Հանրապետությունում, մասնավորապես՝ Մորավիա-Սիլեզյան տարածաշրջանի Ֆրիդեկ Միստեկ շրջանում (տե՛ս նկար 1): Ուսումնասիրության տարածքի աշխարհագրությունը շատ կոպիտ է և հիմնականում Մորավիա-Սիլեզյան Բեսկիդյան տարածաշրջանի մի մասն է, որը Կարպատյան լեռների արտաքին եզրի մի մասն է: Ուսումնասիրության տարածքը գտնվում է 49° 41′ 0′ հյուսիսային լայնության և 18° 20′ 0′ արևելյան լայնության միջև, իսկ բարձրությունը՝ 225-ից 327 մ: Սակայն, տարածաշրջանի կլիմայական վիճակի համար Կոպպենի դասակարգման համակարգը գնահատվում է որպես Cfb = չափավոր օվկիանոսային կլիմա։ Նույնիսկ չոր ամիսներին շատ տեղումներ են լինում։ Ջերմաստիճանը տարվա ընթացքում փոքր-ինչ տատանվում է -5°C-ից մինչև 24°C, հազվադեպ է իջնում ​​-14°C-ից ցածր կամ 30°C-ից բարձր, մինչդեռ տարեկան միջին տեղումները կազմում են 685-ից մինչև 752 մմ։ Ամբողջ տարածքի գնահատված ուսումնասիրված տարածքը կազմում է 1208 քառակուսի կիլոմետր, որից մշակովի հողերի 39.38%-ը և անտառածածկույթի 49.36%-ը։ Մյուս կողմից, այս ուսումնասիրության մեջ օգտագործված տարածքը կազմում է մոտ 889.8 քառակուսի կիլոմետր։ Օստրավայում և շրջակայքում պողպատաձուլական արդյունաբերությունը և մետաղամշակման գործարանները շատ ակտիվ են։ Մետաղագործական գործարանները, պողպատաձուլական արդյունաբերությունը, որտեղ նիկելն օգտագործվում է չժանգոտվող պողպատներում (օրինակ՝ մթնոլորտային կոռոզիային դիմադրողականության համար) և համաձուլվածքային պողպատներում (նիկելը մեծացնում է համաձուլվածքի ամրությունը՝ պահպանելով դրա լավ ճկունությունը և կարծրությունը), և ինտենսիվ գյուղատնտեսությունը, ինչպիսիք են ֆոսֆատային պարարտանյութերի կիրառումը և անասնապահությունը, տարածաշրջանում նիկելի հետազոտական ​​​​հնարավոր աղբյուրներ են։ (օրինակ՝ գառներին նիկել ավելացնելը՝ գառների և ցածր կերակրվող անասունների աճի տեմպը մեծացնելու համար): Նիկելի այլ արդյունաբերական կիրառությունները հետազոտական ​​ոլորտներում ներառում են դրա օգտագործումը էլեկտրոլիտիկ ծածկույթում, ներառյալ նիկելի էլեկտրոլիտիկ ծածկույթը և էլեկտրոլիտիկ չնիկելապատման գործընթացները: Հողի հատկությունները հեշտությամբ տարբերվում են հողի գույնից, կառուցվածքից և կարբոնատի պարունակությունից: Հողի կառուցվածքը միջինից մինչև նուրբ է, ստացվում է մայր նյութից: Դրանք բնույթով կոլյուվիալ, ալյուվիալ կամ էոլային են: Որոշ հողային տարածքներ մակերեսին և ենթահողում խայտաբղետ են թվում, հաճախ՝ բետոնով և սպիտակեցմամբ: Այնուամենայնիվ, կամբիսոլները և ստագնոզոլները տարածաշրջանում ամենատարածված հողի տեսակներն են48: 455.1-ից մինչև 493.5 մ բարձրություններով կամբիսոլները գերակշռում են Չեխիայում49:
Ուսումնասիրության տարածքի քարտեզ [Ուսումնասիրության տարածքի քարտեզը ստեղծվել է ArcGIS Desktop-ի միջոցով (ESRI, Inc, տարբերակ 10.7, URL: https://desktop.arcgis.com):]
Ֆրիդեկ Միստեկ շրջանի քաղաքային և քաղաքամերձ հողերից վերցվել է ընդհանուր առմամբ 115 հողի վերին շերտի նմուշ։ Օգտագործված նմուշի ձևը սովորական ցանց էր՝ հողի նմուշները տեղադրված 2 × 2 կմ հեռավորության վրա, և վերին շերտը չափվել է 0-ից 20 սմ խորության վրա՝ օգտագործելով ձեռքի GPS սարք (Leica Zeno 5 GPS): Նմուշները փաթեթավորվել են Ziploc տոպրակների մեջ, պատշաճ կերպով պիտակավորվել և ուղարկվել լաբորատորիա։ Նմուշները չորացվել են օդում՝ փոշիացված նմուշներ ստանալու համար, փոշիացվել են մեխանիկական համակարգով (Fritsch սկավառակային ջրաղաց) և մաղվել (մաղի չափսը՝ 2 մմ): 1 գրամ չորացրած, համասեռացված և մաղված հողի նմուշները տեղադրվել են հստակ պիտակավորված տեֆլոնե շշերի մեջ։ Յուրաքանչյուր տեֆլոնե տարայի մեջ լցնել 7 մլ 35% HCl և 3 մլ 65% HNO3 (օգտագործելով ավտոմատ բաշխիչ՝ մեկը յուրաքանչյուր թթվի համար), թեթևակի ծածկել և թողնել նմուշները գիշերը կանգնեն ռեակցիայի համար (aqua regia ծրագիր): Վերին շերտը տեղադրել տաք մետաղական ափսեի վրա (ջերմաստիճանը՝ 100 Վտ և 160°C) 2 ժամ՝ նմուշների մարսման գործընթացը հեշտացնելու համար, ապա սառեցրեք։ Վերին շերտը տեղափոխեք 50 մլ ծավալային սրվակի մեջ և նոսրացրեք մինչև 50 մլ ապաիոնացված ջրով։ Դրանից հետո նոսրացված վերին շերտը զտեք 50 մլ ՊՎՔ խողովակի մեջ ապաիոնացված ջրով։ Բացի այդ, նոսրացման լուծույթի 1 մլ-ը նոսրացվեց 9 մլ ապաիոնացված ջրով և զտվեց 12 մլ խողովակի մեջ, որը պատրաստվել էր PTE կեղծ-կոնցենտրացիայի համար։ PTE-ների (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) կոնցենտրացիաները որոշվել են ICP-OES (Ինդուկտիվորեն միացված պլազմային օպտիկական արտանետումների սպեկտրոսկոպիա) (Thermo Fisher Scientific, ԱՄՆ) միջոցով՝ համաձայն ստանդարտ մեթոդների և համաձայնագրերի։ Ապահովեք որակի ապահովման և վերահսկողության (QA/QC) ընթացակարգերը (SRM NIST 2711a Montana II Soil)։ Կեսից ցածր հայտնաբերման սահմաններով PTE-ները բացառվել են այս ուսումնասիրությունից։ Այս ուսումնասիրության մեջ օգտագործված PTE-ի հայտնաբերման սահմանը էր 0.0004 (դուք): Բացի այդ, յուրաքանչյուր վերլուծության որակի վերահսկման և որակի ապահովման գործընթացն ապահովվում է հղման ստանդարտների վերլուծությամբ: Սխալները նվազագույնի հասցնելու համար իրականացվել է կրկնակի վերլուծություն:
Էմպիրիկ Բայեսյան Կրիգինգը (EBK) բազմաթիվ աշխարհագրական ինտերպոլյացիայի մեթոդներից մեկն է, որն օգտագործվում է մոդելավորման մեջ տարբեր ոլորտներում, ինչպիսին է հողագիտությունը: Կրիգինգի ինտերպոլյացիայի այլ մեթոդներից տարբերվող EBK-ն տարբերվում է ավանդական կրիգինգի մեթոդներից՝ հաշվի առնելով կիսավարիոգրամ մոդելի կողմից գնահատված սխալը: EBK ինտերպոլյացիայի ժամանակ ինտերպոլյացիայի ընթացքում հաշվարկվում են մի քանի կիսավարիոգրամ մոդելներ, այլ ոչ թե մեկ կիսավարիոգրամ: Ինտերպոլյացիայի տեխնիկան տեղ է զիջում կիսավարիոգրամի այս գծագրման հետ կապված անորոշությանը և ծրագրավորմանը, որը կազմում է բավարար կրիգինգի մեթոդի բարդ մասը: EBK ինտերպոլյացիայի գործընթացը հետևում է Կրիվորուչկոյի50 կողմից առաջարկված երեք չափանիշներին՝ (ա) մոդելը գնահատում է կիսավարիոգրամը մուտքային տվյալների բազմությունից, (բ) յուրաքանչյուր մուտքային տվյալների բազմության տեղանքի համար նոր կանխատեսված արժեքը՝ հիմնված ստեղծված կիսավարիոգրամի վրա, և (գ) վերջնական A մոդելը հաշվարկվում է մոդելավորված տվյալների բազմությունից: Բայեսյան հավասարման կանոնը տրված է որպես հետին
Որտեղ \(Prob\left(A\right)\)-ը ներկայացնում է նախնականը, \(Prob\left(B\right)\) սահմանային հավանականությունը շատ դեպքերում անտեսվում է, \(Prob(B,A)\): Կիսավարիոգրամի հաշվարկը հիմնված է Բայեսի կանոնի վրա, որը ցույց է տալիս կիսավարիոգրամներից ստեղծված դիտարկումների տվյալների բազմությունների հակվածությունը: Կիսավարիոգրամի արժեքը այնուհետև որոշվում է Բայեսի կանոնի միջոցով, որը ցույց է տալիս, թե որքան հավանական է կիսավարիոգրամից դիտարկումների տվյալների բազմություն ստեղծելը:
Աջակցող վեկտորային մեքենան մեքենայական ուսուցման ալգորիթմ է, որը ստեղծում է օպտիմալ բաժանող հիպերհարթություն՝ նույնական, բայց ոչ գծային անկախ դասերը տարբերակելու համար: Վապնիկը51 ստեղծել է մտադրության դասակարգման ալգորիթմը, բայց վերջերս այն օգտագործվել է ռեգրեսիոն կողմնորոշված ​​խնդիրներ լուծելու համար: Լիի և այլոց52 համաձայն, SVM-ը դասակարգման լավագույն մեթոդներից մեկն է և օգտագործվել է տարբեր ոլորտներում: Այս վերլուծության մեջ օգտագործվել է SVM-ի (Աջակցող վեկտորային մեքենայի ռեգրեսիա – SVMR) ռեգրեսիոն բաղադրիչը: Չերկասսկին և Մուլիերը53 առաջամարտիկ են եղել SVMR-ում որպես միջուկի վրա հիմնված ռեգրեսիա, որի հաշվարկը կատարվել է բազմաերկրային տարածական ֆունկցիաներով գծային ռեգրեսիայի մոդելի միջոցով: Ջոնը և այլք54 հաղորդում են, որ SVMR մոդելավորումը կիրառում է հիպերհարթության գծային ռեգրեսիա, որը ստեղծում է ոչ գծային հարաբերություններ և թույլ է տալիս տարածական ֆունկցիաներ: Վոհլանդի և այլոց համաձայն... 55-ում, epsilon (ε)-SVMR-ը օգտագործում է մարզված տվյալների բազմությունը՝ էպսիլոն-անզգայուն ֆունկցիայի տեսքով ներկայացուցչական մոդել ստանալու համար, որը կիրառվում է տվյալները անկախ քարտեզագրելու համար՝ փոխկապակցված տվյալների վրա մարզումից ստացված լավագույն էպսիլոնային շեղումով: Նախապես սահմանված հեռավորության սխալը անտեսվում է իրական արժեքից, և եթե սխալը մեծ է ε(ε)-ից, հողի հատկությունները փոխհատուցում են այն: Մոդելը նաև նվազեցնում է մարզման տվյալների բարդությունը՝ հասցնելով այն աջակցության վեկտորների ավելի լայն ենթաբազմության: Վապնիկի51 կողմից առաջարկված հավասարումը ներկայացված է ստորև:
որտեղ b-ն ներկայացնում է սկալյար շեմը, \(K\left({x}_{,}{ x}_{k}\right)\)-ն ներկայացնում է միջուկի ֆունկցիան, \(\alpha\)-ն ներկայացնում է Լագրանժի բազմապատկիչը, N-ը՝ թվային տվյալների բազմությունը, \(x}_{k}\)-ն ներկայացնում է տվյալների մուտքագրումը, իսկ \(y\)-ն՝ տվյալների ելքագրումը։ Օգտագործվող հիմնական միջուկներից մեկը SVMR գործողությունն է, որը գաուսյան ռադիալ հիմքի ֆունկցիա է (RBF): RBF միջուկը կիրառվում է SVMR օպտիմալ մոդելը որոշելու համար, որը կարևոր է PTE մարզման տվյալների համար ամենանուրբ տուգանքային բազմության գործակից C-ն և միջուկի պարամետր գամմա (γ) ստանալու համար։ Սկզբում մենք գնահատեցինք մարզման բազմությունը, ապա փորձարկեցինք մոդելի աշխատանքը վավերացման բազմության վրա։ Օգտագործվող կառավարման պարամետրը սիգման է, իսկ մեթոդի արժեքը՝ svmRadial-ը։
Բազմակի գծային ռեգրեսիայի մոդելը (MLR) ռեգրեսիայի մոդել է, որը ներկայացնում է արձագանքման փոփոխականի և մի շարք կանխատեսող փոփոխականների միջև եղած կապը՝ օգտագործելով գծային համախմբված պարամետրեր, որոնք հաշվարկվում են նվազագույն քառակուսիների մեթոդով: MLR-ում նվազագույն քառակուսիների մոդելը հողի հատկությունների կանխատեսող ֆունկցիա է բացատրական փոփոխականների ընտրությունից հետո: Անհրաժեշտ է օգտագործել արձագանքը՝ բացատրական փոփոխականների միջոցով գծային կապ հաստատելու համար: PTE-ն օգտագործվել է որպես արձագանքման փոփոխական՝ բացատրական փոփոխականների հետ գծային կապ հաստատելու համար: MLR հավասարումն է
որտեղ y-ը պատասխանի փոփոխականն է, \(a\)-ն՝ հատվող կետը, n-ը՝ կանխատեսողների քանակը, \({b}_{1}\)-ն՝ գործակիցների մասնակի ռեգրեսիան, \(x}_{i}\)-ն ներկայացնում է կանխատեսող կամ բացատրող փոփոխական, իսկ \({\varepsilon }_{i}\)-ն ներկայացնում է մոդելի սխալը, որը նաև հայտնի է որպես մնացորդ։
Խառը մոդելները ստացվել են EBK-ն SVMR-ի և MLR-ի հետ սենդվիչով տեղադրելով։ Սա արվում է EBK ինտերպոլյացիայից կանխատեսված արժեքները հանելով։ Ինտերպոլացված Ca, K և Mg-ից ստացված կանխատեսված արժեքները ստացվում են համակցված գործընթացով՝ նոր փոփոխականներ, ինչպիսիք են CaK-ը, CaMg-ը և KMg-ն, ստանալու համար։ Ca, K և Mg տարրերը այնուհետև համակցվում են՝ չորրորդ փոփոխական՝ CaKMg ստանալու համար։ Ընդհանուր առմամբ, ստացված փոփոխականներն են Ca, K, Mg, CaK, CaMg, KMg և CaKMg։ Այս փոփոխականները դարձան մեր կանխատեսողները՝ օգնելով կանխատեսել նիկելի կոնցենտրացիաները քաղաքային և քաղաքամերձ հողերում։ SVMR ալգորիթմը կատարվել է կանխատեսողների վրա՝ խառը մոդելի էմպիրիկ բայեսյան կրիգինգ-աջակցող վեկտորային մեքենա (EBK_SVM) ստանալու համար։ Նմանապես, փոփոխականները նույնպես խողովակաշարով անցնում են MLR ալգորիթմով՝ խառը մոդելի էմպիրիկ բայեսյան կրիգինգ-բազմակի գծային ռեգրեսիա (EBK_MLR) ստանալու համար։ Սովորաբար, Ca, K, Mg, CaK փոփոխականները, CaMg-ը, KMg-ն և CaKMg-ն օգտագործվում են որպես քաղաքային և քաղաքամերձ հողերում Ni-ի պարունակության կանխատեսողներ։ Ստացված ամենաընդունելի մոդելը (EBK_SVM կամ EBK_MLR) այնուհետև կներկայացվի ինքնակազմակերպվող գրաֆիկի միջոցով։ Այս ուսումնասիրության աշխատանքային հոսքը ներկայացված է նկար 2-ում։
SeOM-ի օգտագործումը դարձել է ֆինանսական ոլորտում, առողջապահության, արդյունաբերության, վիճակագրության, հողագիտության և այլ ոլորտներում տվյալների կազմակերպման, գնահատման և կանխատեսման համար տարածված գործիք: SeOM-ը ստեղծվում է արհեստական ​​նեյրոնային ցանցերի և կազմակերպման, գնահատման և կանխատեսման համար չվերահսկվող ուսուցման մեթոդների միջոցով: Այս ուսումնասիրության մեջ SeOM-ը օգտագործվել է Ni-ի կոնցենտրացիաները պատկերացնելու համար՝ հիմնվելով քաղաքային և քաղաքամերձ հողերում Ni-ի կանխատեսման լավագույն մոդելի վրա: SeOM գնահատման մեջ մշակված տվյալները օգտագործվում են որպես n մուտքային-չափական վեկտորային փոփոխականներ43,56: Մելսեն և այլք: 57-ը նկարագրում է մուտքային վեկտորի միացումը նեյրոնային ցանցին մեկ մուտքային շերտի միջոցով ելքային վեկտորի հետ՝ մեկ կշռային վեկտորով։ SeOM-ի կողմից ստեղծված ելքային արդյունքը երկչափ քարտեզ է, որը բաղկացած է տարբեր նեյրոններից կամ հանգույցներից, որոնք հյուսված են վեցանկյուն, շրջանաձև կամ քառակուսի տոպոլոգիական քարտեզների մեջ՝ ըստ իրենց մոտիկության։ Քարտեզի չափերը համեմատելով մետրիկայի, քվանտացման սխալի (QE) և տեղագրական սխալի (TE) վրա հիմնված, ընտրվում է համապատասխանաբար 0.086 և 0.904 SeOM մոդելը, որը 55 քարտեզի միավոր է (5 × 11)։ Նեյրոնի կառուցվածքը որոշվում է էմպիրիկ հավասարման հանգույցների քանակի համաձայն։
Այս ուսումնասիրության մեջ օգտագործված տվյալների քանակը 115 նմուշ է: Տվյալները բաժանելու համար օգտագործվել է պատահական մոտեցում՝ թեստային տվյալների (25%՝ վավերացման համար) և մարզման տվյալների հավաքածուների (75%՝ տրամաչափման համար): Մարզման տվյալների հավաքածուն օգտագործվում է ռեգրեսիոն մոդել (տրամաչափում) ստեղծելու համար, իսկ թեստային տվյալների հավաքածուն՝ ընդհանրացման ունակությունը ստուգելու համար58: Սա արվել է հողերում նիկելի պարունակությունը կանխատեսելու համար տարբեր մոդելների պիտանիությունը գնահատելու համար: Օգտագործված բոլոր մոդելները անցել են տասնապատիկ խաչաձև վավերացման գործընթաց, որը կրկնվել է հինգ անգամ: EBK ինտերպոլյացիայի միջոցով ստեղծված փոփոխականները օգտագործվում են որպես կանխատեսողներ կամ բացատրական փոփոխականներ՝ նպատակային փոփոխականը (PTE) կանխատեսելու համար: Մոդելավորումը կատարվում է RStudio-ում՝ օգտագործելով library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) և libraries («Metrics») փաթեթները:
Հողում նիկելի կոնցենտրացիաների կանխատեսման համար լավագույն մոդելը որոշելու և մոդելի ու դրա վավերացման ճշգրտությունը գնահատելու համար օգտագործվել են տարբեր վավերացման պարամետրեր։ Հիբրիդացման մոդելները գնահատվել են միջին բացարձակ սխալի (MAE), միջին քառակուսի սխալի արմատի (RMSE) և R-քառակուսի կամ գործակցի որոշման (R2) միջոցով։ R2-ը սահմանում է պատասխանի համամասնությունների դիսպերսիան, որը ներկայացված է ռեգրեսիոն մոդելով։ RMSE-ն և անկախ չափումներում դիսպերսիայի մեծությունը նկարագրում են մոդելի կանխատեսողական ուժը, մինչդեռ MAE-ն որոշում է իրական քանակական արժեքը։ Վավերացման պարամետրերի միջոցով լավագույն խառնուրդի մոդելը գնահատելու համար R2 արժեքը պետք է բարձր լինի, որքան արժեքը մոտ է 1-ին, այնքան բարձր է ճշգրտությունը։ Լիի և այլոց 59-ի համաձայն, R2 չափանիշի 0.75 կամ ավելի արժեքը համարվում է լավ կանխատեսող. 0.5-ից մինչև 0.75-ը ընդունելի մոդելի կատարողական է, իսկ 0.5-ից ցածրը՝ անընդունելի մոդելի կատարողական։ RMSE և MAE վավերացման չափանիշների գնահատման մեթոդներով մոդել ընտրելիս ստացված ցածր արժեքները բավարար էին և համարվում էին լավագույն ընտրությունը։ Հետևյալ հավասարումը նկարագրում է ստուգման մեթոդը։
որտեղ n-ը ներկայացնում է դիտարկվող արժեքի չափը\({Y}_{i}\)-ն ներկայացնում է չափված արձագանքը, իսկ \({\widehat{Y}}_{i}\)-ն նույնպես ներկայացնում է կանխատեսված արձագանքի արժեքը, հետևաբար, առաջին i դիտարկումների համար։
Կանխատեսող և արձագանքող փոփոխականների վիճակագրական նկարագրությունները ներկայացված են աղյուսակ 1-ում, որոնք ցույց են տալիս միջինը, ստանդարտ շեղումը (ՍՇ), վարիացիայի գործակիցը (ՎԳ), նվազագույնը, առավելագույնը, կուրտոզը և թեքությունը: Տարրերի նվազագույն և առավելագույն արժեքները համապատասխանաբար նվազման կարգով են՝ Mg < Ca < K < Ni և Ca < Mg < K < Ni: Ուսումնասիրության տարածքից նմուշառված արձագանքող փոփոխականի (Ni) կոնցենտրացիաները տատանվում էին 4.86-ից մինչև 42.39 մգ/կգ: Ni-ի համեմատությունը համաշխարհային միջինի (29 մգ/կգ) և եվրոպական միջինի (37 մգ/կգ) հետ ցույց տվեց, որ ուսումնասիրության տարածքի համար հաշվարկված ընդհանուր երկրաչափական միջինը գտնվում էր տանելի սահմաններում: Այնուամենայնիվ, ինչպես ցույց է տվել Կաբատա-Պենդիասը11, ներկայիս ուսումնասիրության մեջ նիկելի (Ni) միջին կոնցենտրացիայի համեմատությունը Շվեդիայի գյուղատնտեսական հողերի հետ ցույց է տալիս, որ ներկայիս միջին նիկելի կոնցենտրացիան ավելի բարձր է: Նմանապես, ներկայիս ուսումնասիրության մեջ քաղաքային և քաղաքամերձ հողերում Ֆրիդեկ Միստեկի միջին կոնցենտրացիան (Ni 16.15 մգ/կգ) ավելի բարձր էր, քան... Ռոժանսկիի և այլոց կողմից ներկայացված՝ Լեհաստանի քաղաքային հողերում Ni-ի թույլատրելի սահմանը 60 է (10.2 մգ/կգ): Ավելին, Բրետցելը և Կալդերիսին61 Տոսկանայի քաղաքային հողերում գրանցել են Ni-ի շատ ցածր միջին կոնցենտրացիաներ (1.78 մգ/կգ)՝ համեմատած ներկայիս ուսումնասիրության հետ: Ջիմը62 նաև Հոնկոնգի քաղաքային հողերում հայտնաբերել են նիկելի ավելի ցածր կոնցենտրացիա (12.34 մգ/կգ), որը ցածր է այս ուսումնասիրության մեջ առկա նիկելի կոնցենտրացիայից: Բիրկեն և այլք63 Գերմանիայի Սաքսոնիա-Անհալթ նահանգի հին հանքարդյունաբերական և քաղաքային արդյունաբերական տարածքում Ni-ի միջին կոնցենտրացիան կազմել է 17.6 մգ/կգ, որը 1.45 մգ/կգ-ով ավելի բարձր է տարածքում Ni-ի միջին կոնցենտրացիայից (16.15 մգ/կգ): Ընթացիկ հետազոտություն: Ուսումնասիրության տարածքի որոշ քաղաքային և արվարձանային տարածքների հողերում նիկելի չափազանց պարունակությունը կարող է հիմնականում պայմանավորված լինել երկաթի և պողպատի արդյունաբերությամբ և մետաղագործությամբ: Սա համապատասխանում է Խոդադուստի և այլոց ուսումնասիրությանը: 64-ը ցույց է տալիս, որ պողպատի արդյունաբերությունը և մետաղամշակումը հողերում նիկելի աղտոտման հիմնական աղբյուրներն են։ Այնուամենայնիվ, կանխատեսող գործոնները նույնպես տատանվում էին 538.70 մգ/կգ-ից մինչև 69,161.80 մգ/կգ՝ Ca-ի համար, 497.51 մգ/կգ-ից մինչև 3535.68 մգ/կգ՝ K-ի համար, և 685.68 մգ/կգ-ից մինչև 5970.05 մգ/կգ՝ Mg-ի համար։ Յակովլևիչ և այլք։ 65-ը ուսումնասիրել է կենտրոնական Սերբիայի հողերում Mg և K ընդհանուր պարունակությունը: Նրանք պարզել են, որ ընդհանուր կոնցենտրացիաները (համապատասխանաբար 410 մգ/կգ և 400 մգ/կգ) ավելի ցածր էին, քան ներկայիս ուսումնասիրության Mg և K կոնցենտրացիաները: Աննշան է, որ արևելյան Լեհաստանում Օրժեխովսկին և Սմոլչինսկին66 գնահատել են Ca, Mg և K ընդհանուր պարունակությունը և ցույց են տվել Ca (1100 մգ/կգ), Mg (590 մգ/կգ) և K (810 մգ/կգ) միջին կոնցենտրացիաներ: Հողի վերին շերտում պարունակությունը ավելի ցածր է, քան այս ուսումնասիրության մեջ նշված առանձին տարրի դեպքում: Պոնգրակի և այլոց կողմից 67 վերջերս կատարված ուսումնասիրությունը ցույց է տվել, որ Մեծ Բրիտանիայի Շոտլանդիայի 3 տարբեր հողերում (Միլնֆիլդի հող, Բալրուդերիի հող և Հարթվուդի հող) վերլուծված Ca ընդհանուր պարունակությունը ցույց է տվել Ca ավելի բարձր պարունակություն այս ուսումնասիրության մեջ:
Նմուշառված տարրերի տարբեր չափված կոնցենտրացիաների պատճառով, տարրերի տվյալների բազմության բաշխումները ցուցաբերում են տարբեր թեքություն։ Տարրերի թեքությունը և կուրտոզը համապատասխանաբար տատանվում էին 1.53-ից մինչև 7.24 և 2.49-ից մինչև 54.16։ Բոլոր հաշվարկված տարրերն ունեն +1-ից բարձր թեքության և կուրտոզի մակարդակներ, ինչը ցույց է տալիս, որ տվյալների բաշխումը անկանոն է, թեքված է ճիշտ ուղղությամբ և հասել է գագաթնակետի։ Տարրերի գնահատված CV-ները նաև ցույց են տալիս, որ K-ն, Mg-ն և Ni-ն ցուցաբերում են չափավոր փոփոխականություն, մինչդեռ Ca-ն ունի չափազանց բարձր փոփոխականություն։ K-ի, Ni-ի և Mg-ի CV-ները բացատրում են դրանց միատարր բաշխումը։ Ավելին, Ca բաշխումը ոչ միատարր է, և արտաքին աղբյուրները կարող են ազդել դրա հարստացման մակարդակի վրա։
Կանխատեսող փոփոխականների և արձագանքի տարրերի համահարաբերակցությունը ցույց տվեց տարրերի միջև բավարար համահարաբերակցություն (տե՛ս նկար 3): Համահարաբերակցությունը ցույց տվեց, որ CaK-ը ցուցաբերեց չափավոր համահարաբերակցություն՝ r արժեք = 0.53, ինչպես նաև CaNi-ը: Չնայած Ca-ն և K-ն ցուցաբերում են չափավոր համահարաբերակցություններ միմյանց հետ, այնպիսի հետազոտողներ, ինչպիսիք են Քինգսթոնը և այլք,... 68-ը և Սանտո69-ը ենթադրում են, որ դրանց մակարդակները հողում հակադարձ համեմատական ​​են: Այնուամենայնիվ, Ca-ն և Mg-ն հակադրվում են K-ին, բայց CaK-ն լավ է համընկնում: Սա կարող է պայմանավորված լինել այնպիսի պարարտանյութերի կիրառմամբ, ինչպիսին է կալիումի կարբոնատը, որը 56%-ով ավելի բարձր է կալիումի պարունակությամբ: Կալիումը չափավոր համընկնում էր մագնեզիումի հետ (KM r = 0.63): Պարարտանյութերի արդյունաբերության մեջ այս երկու տարրերը սերտորեն կապված են, քանի որ կալիումի մագնեզիումի սուլֆատը, կալիումի մագնեզիումի նիտրատը և կալիումը կիրառվում են հողերում՝ դրանց անբավարարության մակարդակը բարձրացնելու համար: Նիկելը չափավոր համընկնում է Ca-ի, K-ի և Mg-ի հետ՝ r արժեքներով = համապատասխանաբար 0.52, 0.63 և 0.55: Կալցիումի, մագնեզիումի և PTE-ների, ինչպիսին է նիկելը, միջև եղած փոխհարաբերությունները բարդ են, բայց այնուամենայնիվ, մագնեզիումը կանխում է կալցիումի կլանումը, կալցիումը նվազեցնում է մագնեզիումի ավելցուկի ազդեցությունը, և մագնեզիումը և կալցիումը նվազեցնում են նիկելի թունավոր ազդեցությունը հողում:
Կանխատեսողների և արձագանքների միջև կապը ցույց տվող տարրերի համար կորելացիայի մատրից (Նշում. այս նկարը ներառում է տարրերի միջև ցրման գրաֆիկ, նշանակալիության մակարդակները հիմնված են p < 0,001-ի վրա):
Նկար 4-ը պատկերում է տարրերի տարածական բաշխումը: Բուրգոսի և այլոց70 համաձայն, տարածական բաշխման կիրառումը տեխնիկա է, որն օգտագործվում է աղտոտված տարածքներում տաք կետերը քանակականացնելու և ընդգծելու համար: Նկար 4-ում Ca-ի հարստացման մակարդակները կարելի է տեսնել տարածական բաշխման քարտեզի հյուսիսարևմտյան մասում: Նկարը ցույց է տալիս Ca-ի միջինից բարձր հարստացման տաք կետեր: Քարտեզի հյուսիսարևմտյան մասում կալցիումի հարստացումը, հավանաբար, պայմանավորված է հողի թթվայնությունը նվազեցնելու համար չհանգած կրի (կալցիումի օքսիդ) օգտագործմամբ և պողպատաձուլական գործարաններում դրա օգտագործմամբ որպես ալկալային թթվածին պողպատաձուլական գործընթացում: Մյուս կողմից, այլ ֆերմերներ նախընտրում են օգտագործել կալցիումի հիդրօքսիդ թթվային հողերում՝ pH-ը չեզոքացնելու համար, ինչը նույնպես մեծացնում է հողի կալցիումի պարունակությունը71: Կալիումը նույնպես ցույց է տալիս տաք կետեր քարտեզի հյուսիսարևմտյան և արևելյան մասերում: Հյուսիսարևմտյան մասը խոշոր գյուղատնտեսական համայնք է, և կալիումի միջինից բարձր օրինաչափությունը կարող է պայմանավորված լինել NPK-ի և կալիումի կիրառմամբ: Սա համապատասխանում է այլ ուսումնասիրություններին, ինչպիսիք են Մադարասի և Լիպավսկու72, Մադարասի և այլոց73, Պուլկրաբովայի և այլոց74, Ասարեի և այլոց75 ուսումնասիրությունները, որոնք նկատել են, որ հողը KCl-ով և NPK-ով կայունացումը և մշակումը հանգեցրին հողում կալիումի բարձր պարունակության: Բաշխման քարտեզի հյուսիս-արևմուտքում տարածական կալիումի հարստացումը կարող է պայմանավորված լինել կալիումի վրա հիմնված պարարտանյութերի, ինչպիսիք են կալիումի քլորիդը, կալիումի սուլֆատը, կալիումի նիտրատը, կալիումը և պոտաշը՝ աղքատ հողերում կալիումի պարունակությունը բարձրացնելու համար: Զադորովա և այլք, 76 և Տլուստոշ և այլք: 77-ում նշվում է, որ կալիումի վրա հիմնված պարարտանյութերի կիրառումը մեծացնում է կալիումի պարունակությունը հողում և երկարաժամկետ հեռանկարում զգալիորեն կբարձրացնի հողի սննդանյութերի պարունակությունը, մասնավորապես՝ կալիումը և մագնեզիումը, որոնք հողում ցույց են տալիս տաք կետեր։ Քարտեզի հյուսիս-արևմուտքում և հարավ-արևելքում համեմատաբար չափավոր տաք կետեր կան։ Հողում կոլոիդային ֆիքսացիան նվազեցնում է մագնեզիումի կոնցենտրացիան հողում։ Դրա պակասը հողում բույսերի մոտ առաջացնում է դեղնավուն միջերակային քլորոզ։ Մագնեզիումի վրա հիմնված պարարտանյութերը, ինչպիսիք են կալիումի մագնեզիումի սուլֆատը, մագնեզիումի սուլֆատը և կիեզերիտը, բուժում են անբավարարությունները (բույսերը երևում են մանուշակագույն, կարմիր կամ շագանակագույն, ինչը վկայում է մագնեզիումի անբավարարության մասին) նորմալ pH միջակայք ունեցող հողերում։ Քաղաքային և քաղաքամերձ հողերի մակերեսներին նիկելի կուտակումը կարող է պայմանավորված լինել մարդածին գործունեությամբ, ինչպիսիք են գյուղատնտեսությունը և նիկելի կարևորությունը չժանգոտվող պողպատի արտադրության մեջ։78
Տարրերի տարածական բաշխում [տարածական բաշխման քարտեզը ստեղծվել է ArcGIS Desktop-ի միջոցով (ESRI, Inc, տարբերակ 10.7, URL: https://desktop.arcgis.com):]
Այս ուսումնասիրության մեջ օգտագործված տարրերի մոդելի կատարողականության ինդեքսի արդյունքները ներկայացված են աղյուսակ 2-ում: Մյուս կողմից, Ni-ի RMSE-ն և MAE-ն երկուսն էլ մոտ են զրոյի (0.86 RMSE, -0.08 MAE): Մյուս կողմից, K-ի և՛ RMSE, և՛ MAE արժեքները ընդունելի են: RMSE-ի և MAE-ի արդյունքները ավելի մեծ էին կալցիումի և մագնեզիումի համար: Ca և K MAE և RMSE արդյունքները ավելի մեծ են՝ տարբեր տվյալների հավաքածուների պատճառով: Այս ուսումնասիրության RMSE-ն և MAE-ն, որն օգտագործում էր Ni-ը կանխատեսելու համար EBK-ն, ավելի լավ էին, քան Ջոնի և այլոց 54 արդյունքները, որոնք օգտագործում էին սիներգիստական ​​կրիգինգ՝ հողում S կոնցենտրացիաները կանխատեսելու համար՝ օգտագործելով նույն հավաքված տվյալները: Մեր ուսումնասիրած EBK արդյունքները համապատասխանում են Ֆաբիյաչիկի և այլոց 41, Յանի և այլոց 79, Բեգուինի և այլոց 80, Ադհիկարիի և այլոց 81 և Ջոնի և այլոց 82 արդյունքներին, մասնավորապես K-ին և Ni-ին:
Քաղաքային և քաղաքամերձ հողերում նիկելի պարունակության կանխատեսման առանձին մեթոդների արդյունավետությունը գնահատվել է մոդելների արդյունավետության միջոցով (տե՛ս աղյուսակ 3): Մոդելի վավերացումը և ճշգրտության գնահատումը հաստատել են, որ Ca_Mg_K կանխատեսիչը EBK SVMR մոդելի հետ համատեղ ապահովել է լավագույն արդյունավետությունը: Ca_Mg_K-EBK_SVMR մոդելի R2 կալիբրացման միջին քառակուսի սխալը (RMSE) և միջին բացարձակ սխալը (MAE) կազմել են 0.637 (R2), 95.479 մգ/կգ (RMSE) և 77.368 մգ/կգ (MAE): Ca_Mg_K-SVMR-ը կազմել է 0.663 (R2), 235.974 մգ/կգ (RMSE) և 166.946 մգ/կգ (MAE): Այնուամենայնիվ, Ca_Mg_K-SVMR-ի (0.663 մգ/կգ R2) և Ca_Mg-EBK_SVMR-ի (0.643 = R2) համար ստացվել են լավ R2 արժեքներ: Նրանց RMSE և MAE արդյունքները ավելի բարձր էին, քան Ca_Mg_K-EBK_SVMR-ի (R2 0.637) արդյունքները (տե՛ս աղյուսակ 3): Բացի այդ, Ca_Mg-EBK_SVMR (RMSE = 1664.64 և MAE = 1031.49) մոդելի RMSE-ն և MAE-ն համապատասխանաբար 17.5 և 13.4 են, որոնք ավելի մեծ են, քան Ca_Mg_K-EBK_SVMR-ի արդյունքները: Նմանապես, Ca_Mg-K SVMR (RMSE = 235.974 և MAE = 166.946) մոդելի RMSE-ն և MAE-ն համապատասխանաբար 2.5 և 2.2-ով ավելի մեծ են, քան Ca_Mg_K-EBK_SVMR RMSE-ն և MAE-ն: Հաշվարկված RMSE արդյունքները ցույց են տալիս, թե որքանով է տվյալների հավաքածուն կենտրոնացված լավագույն համապատասխանության գծի հետ: Դիտարկվել են ավելի բարձր RSME և MAE: Ըստ Կեբոնյեի և այլոց՝ 46 և Ջոն և այլք 54, որքան մոտ են RMSE-ն և MAE-ն զրոյին, այնքան ավելի լավ են արդյունքները: SVMR-ը և EBK_SVMR-ն ունեն ավելի բարձր քվանտացված RSME և MAE արժեքներ: Նկատվել է, որ RSME գնահատականները մշտապես ավելի բարձր էին, քան MAE արժեքները, ինչը ցույց է տալիս արտառոց արժեքների առկայությունը: Ըստ Լեգեյթսի և Մաքքեյբի83, որպես արտառոց արժեքների առկայության ցուցիչ խորհուրդ է տրվում այն ​​չափը, որով RMSE-ն գերազանցում է միջին բացարձակ սխալը (MAE): Սա նշանակում է, որ որքան տարասեռ է տվյալների հավաքածուն, այնքան բարձր են MAE և RMSE արժեքները: Քաղաքային և արվարձանային հողերում Ni պարունակությունը կանխատեսելու համար Ca_Mg_K-EBK_SVMR խառը մոդելի խաչաձև վավերացման գնահատման ճշգրտությունը կազմել է 63.70%: Ըստ Լիի և այլք 59, ճշգրտության այս մակարդակը ընդունելի մոդելի կատարողականի մակարդակ է: Ներկայիս արդյունքները համեմատվում են Տարասովի և այլոց նախորդ ուսումնասիրության հետ: 36-ը, որի հիբրիդային մոդելը ստեղծել է MLPRK (Բազմաշերտ ընկալտրոնային մնացորդային կրիգինգ) մեթոդը, որը կապված է ներկայիս ուսումնասիրության մեջ ներկայացված EBK_SVMR ճշգրտության գնահատման ինդեքսի՝ RMSE (210) և MAE (167.5) հետ, ավելի բարձր էր, քան մեր ներկայիս ուսումնասիրության արդյունքները (RMSE 95.479, MAE 77.368): Այնուամենայնիվ, երբ համեմատում ենք ներկայիս ուսումնասիրության R2-ը (0.637) Տարասովի և այլոց R2-ի հետ,... 36 (0.544)-ից պարզ է դառնում, որ այս խառը մոդելում որոշման գործակիցը (R2) ավելի բարձր է: Խառը մոդելի համար սխալի մարժան (RMSE և MAE) (EBK SVMR) երկու անգամ ցածր է: Նմանապես, Սերգեևը և այլք34 գրանցել են 0.28 (R2) մշակված հիբրիդային մոդելի (Multilayer Perceptron Residual Kriging) համար, մինչդեռ ներկայիս ուսումնասիրության մեջ Ni-ն գրանցել է 0.637 (R2): Այս մոդելի (EBK SVMR) կանխատեսման ճշգրտության մակարդակը կազմում է 63.7%, մինչդեռ Սերգեևի և այլոց34 կողմից ստացված կանխատեսման ճշգրտությունը կազմում է 28%: Վերջնական քարտեզը (Նկար 5), որը ստեղծվել է EBK_SVMR մոդելի և Ca_Mg_K-ի որպես կանխատեսողի միջոցով, ցույց է տալիս տաք կետերի և միջինից մինչև նիկելի կանխատեսումները ամբողջ ուսումնասիրության տարածքում: Սա նշանակում է, որ նիկելի կոնցենտրացիան ուսումնասիրության տարածքում հիմնականում միջին է, որոշ կոնկրետ տարածքներում՝ ավելի բարձր կոնցենտրացիաներով:
Վերջնական կանխատեսման քարտեզը ներկայացված է EBK_SVMR հիբրիդային մոդելի միջոցով և Ca_Mg_K-ի որպես կանխատեսող օգտագործելով։ [Տարածական բաշխման քարտեզը ստեղծվել է RStudio-ի միջոցով (տարբերակ 1.4.1717: https://www.rstudio.com/):]
Նկար 6-ում ներկայացված են PTE կոնցենտրացիաները որպես առանձին նեյրոններից բաղկացած կազմի հարթություն։ Բաղադրիչ հարթություններից ոչ մեկը չի ցուցաբերել նույն գունային պատկերը, ինչպես ցույց է տրված։ Այնուամենայնիվ, գծված քարտեզի վրա նեյրոնների համապատասխան քանակը 55 է։ SeOM-ը ստացվում է տարբեր գույների միջոցով, և որքան ավելի նման են գունային պատկերները, այնքան ավելի համեմատելի են նմուշների հատկությունները։ Իրենց ճշգրիտ գունային մասշտաբի համաձայն, առանձին տարրերը (Ca, K և Mg) ցույց են տվել նմանատիպ գունային պատկերներ առանձին բարձր նեյրոնների և ցածր նեյրոնների մեծ մասի հետ։ Այսպիսով, CaK-ը և CaMg-ը որոշ նմանություններ ունեն շատ բարձր կարգի նեյրոնների և ցածրից մինչև միջին գունային պատկերների հետ։ Երկու մոդելներն էլ կանխատեսում են Ni-ի կոնցենտրացիան հողում՝ ցուցադրելով գույների միջինից մինչև բարձր երանգներ, ինչպիսիք են կարմիրը, նարնջագույնը և դեղինը։ KMg մոդելը ցուցադրում է բազմաթիվ բարձր գունային պատկերներ՝ հիմնված ճշգրիտ համամասնությունների և ցածրից մինչև միջին գունային բծերի վրա։ Ցածրից մինչև բարձր ճշգրիտ գունային մասշտաբի վրա մոդելի բաղադրիչների հարթ բաշխման պատկերը ցույց է տվել բարձր գունային պատկեր, որը ցույց է տալիս նիկելի պոտենցիալ կոնցենտրացիան հողում (տե՛ս նկար 4)։ CakMg մոդելի բաղադրիչի հարթությունը ցույց է տալիս բազմազան գունային պատկեր՝ ցածրից մինչև բարձր՝ համաձայն ճշգրիտ գույնի։ մասշտաբ։ Ավելին, մոդելի կողմից նիկելի պարունակության (CakMg) կանխատեսումը նման է նկար 5-ում ներկայացված նիկելի տարածական բաշխմանը։ Երկու գրաֆիկներն էլ ցույց են տալիս նիկելի կոնցենտրացիաների բարձր, միջին և ցածր համամասնությունները քաղաքային և քաղաքամերձ հողերում։ Նկար 7-ը պատկերում է ուրվագծային մեթոդը քարտեզի վրա k-միջինների խմբավորման մեջ, որը բաժանված է երեք կլաստերների՝ հիմնվելով յուրաքանչյուր մոդելում կանխատեսված արժեքի վրա։ Ուրվագծային մեթոդը ներկայացնում է կլաստերների օպտիմալ քանակը։ Հավաքված 115 հողի նմուշներից 1-ին կատեգորիան ստացել է ամենաշատ հողի նմուշները՝ 74։ 2-րդ կլաստերը ստացել է 33 նմուշ, մինչդեռ 3-րդ կլաստերը՝ 8 նմուշ։ Յոթ բաղադրիչից բաղկացած հարթ կանխատեսողի համադրությունը պարզեցվել է՝ կլաստերի ճիշտ մեկնաբանությունը թույլ տալու համար։ Հողի ձևավորմանը ազդող բազմաթիվ մարդածին և բնական գործընթացների պատճառով դժվար է ունենալ ճիշտ տարբերակված կլաստերային նախշեր բաշխված SeOM քարտեզում78։
Բաղադրիչների հարթության ելքը յուրաքանչյուր էմպիրիկ բայեսյան կրիգինգի աջակցության վեկտորային մեքենայի (EBK_SVM_SeOM) փոփոխականի կողմից։ [SeOM քարտեզները ստեղծվել են RStudio-ի միջոցով (տարբերակ 1.4.1717: https://www.rstudio.com/):]
Տարբեր կլաստերային դասակարգման բաղադրիչներ [SeOM քարտեզները ստեղծվել են RStudio-ի միջոցով (տարբերակ 1.4.1717: https://www.rstudio.com/):]
Այս ուսումնասիրությունը հստակորեն պատկերում է քաղաքային և քաղաքամերձ հողերում նիկելի կոնցենտրացիաների մոդելավորման տեխնիկաները: Ուսումնասիրությունը փորձարկել է մոդելավորման տարբեր տեխնիկաներ՝ համատեղելով տարրերը մոդելավորման տեխնիկայի հետ՝ հողում նիկելի կոնցենտրացիաները կանխատեսելու լավագույն միջոցը ստանալու համար: Մոդելավորման տեխնիկայի SeOM կազմային հարթ տարածական առանձնահատկությունները ցույց են տվել բարձր գունային պատկեր՝ ցածրից մինչև բարձր՝ ճշգրիտ գունային սանդղակով, ինչը ցույց է տալիս Ni կոնցենտրացիաները հողում: Այնուամենայնիվ, տարածական բաշխման քարտեզը հաստատում է EBK_SVMR-ի կողմից ցուցադրված բաղադրիչների հարթ տարածական բաշխումը (տե՛ս նկար 5): Արդյունքները ցույց են տալիս, որ օժանդակ վեկտորային մեքենայական ռեգրեսիայի մոդելը (Ca Mg K-SVMR) կանխատեսում է Ni-ի կոնցենտրացիան հողում որպես մեկ մոդել, բայց վավերացման և ճշգրտության գնահատման պարամետրերը ցույց են տալիս շատ բարձր սխալներ RMSE-ի և MAE-ի առումով: Մյուս կողմից, EBK_MLR մոդելի հետ կիրառվող մոդելավորման տեխնիկան նույնպես թերի է՝ որոշման գործակցի (R2) ցածր արժեքի պատճառով: Լավ արդյունքներ են ստացվել EBK SVMR-ի և համակցված տարրերի (CaKMg) միջոցով՝ ցածր RMSE և MAE սխալներով՝ 63.7% ճշգրտությամբ: Պարզվում է, որ EBK ալգորիթմի համադրությունը... Մեքենայական ուսուցման ալգորիթմը կարող է ստեղծել հիբրիդային ալգորիթմ, որը կարող է կանխատեսել հողում PTE-ների կոնցենտրացիան: Արդյունքները ցույց են տալիս, որ Ca Mg K-ի օգտագործումը որպես կանխատեսողներ՝ ուսումնասիրության տարածքում Ni կոնցենտրացիաները կանխատեսելու համար, կարող է բարելավել հողերում Ni-ի կանխատեսումը: Սա նշանակում է, որ նիկելի վրա հիմնված պարարտանյութերի շարունակական կիրառումը և պողպատաձուլական արդյունաբերության կողմից հողի արդյունաբերական աղտոտումը հակված են բարձրացնելու նիկելի կոնցենտրացիան հողում: Այս ուսումնասիրությունը ցույց է տվել, որ EBK մոդելը կարող է նվազեցնել սխալի մակարդակը և բարելավել հողի տարածական բաշխման մոդելի ճշգրտությունը քաղաքային կամ քաղաքամերձ հողերում: Ընդհանուր առմամբ, մենք առաջարկում ենք կիրառել EBK-SVMR մոդելը՝ հողում PTE-ն գնահատելու և կանխատեսելու համար. բացի այդ, մենք առաջարկում ենք օգտագործել EBK-ն՝ տարբեր մեքենայական ուսուցման ալգորիթմների հետ հիբրիդացման համար: Ni կոնցենտրացիաները կանխատեսվել են՝ օգտագործելով տարրերը որպես կովարիատներ. սակայն ավելի շատ կովարիատների օգտագործումը զգալիորեն կբարելավի մոդելի աշխատանքը, ինչը կարելի է համարել ներկայիս աշխատանքի սահմանափակում: Այս ուսումնասիրության մեկ այլ սահմանափակումն այն է, որ տվյալների հավաքածուների քանակը 115 է: Հետևաբար, եթե տրամադրվեն ավելի շատ տվյալներ, առաջարկվող օպտիմիզացված հիբրիդացման մեթոդի աշխատանքը կարող է բարելավվել:
PlantProbs.net. Նիկելը բույսերում և հողում https://plantprobs.net/plant/nutrientImbalances/sodium.html (Մուտք գործվել է 2021 թվականի ապրիլի 28-ին):
Կասպրժակ, Կանզաս Նիկելի առաջընթացը ժամանակակից շրջակա միջավայրի տոքսիկոլոգիայում։ Surroundings.toxicology.11, 145–183 (1987)։
Քեմպել, Մ. և Նիկել, Գ. Նիկել. Դրա աղբյուրների և շրջակա միջավայրի տոքսիկոլոգիայի վերանայում: Polish J. Environment.Stud.15, 375–382 (2006):
Ֆրիդման, Բ. և Հաչինսոն, Թ.Ս. Մթնոլորտից աղտոտիչների ներմուծում և կուտակում հողում ու բուսականության մեջ Սադբերիում, Օնտարիո, Կանադա, նիկել-պղնձի հալման գործարանի մոտ։ can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)։
Մանիվա, Թ. և այլք։ Ծանր մետաղներ հողում, բույսերում և ռիսկեր, որոնք կապված են Բոտսվանայի Սելեբի-Ֆիկվե պղնձ-նիկելի հանքի մոտ գտնվող արածեցնող կենդանիների հետ։ Surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021)։
Cabata-Pendias.Kabata-Pendias A. 2011. Հետքի տարրեր հողում և… – 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= (Մուտք գործված է՝ 24 նոյեմբերի, 2020թ.):
Ալմոս, Ա., Սինգհ, Բ., Գյուղատնտեսություն, TS-NJ & 1995, անորոշ։ Ռուսաստանի նիկելի արդյունաբերության ազդեցությունը գյուղատնտեսական հողերում և խոտածածկույթներում ծանր մետաղների կոնցենտրացիաների վրա Սոեր-Վարանգերում, Նորվեգիա։agris.fao.org։
Նիլսեն, Գ.Դ. և այլք։ Նիկելի կլանումը և պահպանումը խմելու ջրում կապված են սննդի ընդունման և նիկելի նկատմամբ զգայունության հետ։ toxicology.application.Pharmacodynamics.154, 67–75 (1999)։
Կոստա, Մ. և Քլեյն, ՍԲ Նիկելի քաղցկեղածինացում, մուտացիա, էպիգենետիկա կամ ընտրություն։ Շրջակա միջավայր։ Առողջապահական հեռանկար։ 107, 2 (1999)։
Աջման, Պ.Կ.; Աջադո, Ս.Կ.; Բորուվկա, Լ.; Բինի, Ջ.Կ.Մ.; Սարկոդի, Վ.Յ.Օ.; Կոբոնյե, Ն.Մ.; Հնարավոր թունավոր տարրերի միտումների վերլուծություն. մատենագիտական ​​​​ակնարկ: Շրջակա միջավայրի երկրաքիմիա և առողջություն: Springer Science & Business Media BV 2020: https://doi.org/10.1007/s10653-020-00742-9:
Մինասնի, Բ. և ՄաքԲրատնի, Ա.Բ. Հողի թվային քարտեզագրում. համառոտ պատմություն և մի քանի դասեր։ Geoderma 264, 301–311։ https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)։
McBratney, AB, Mendonça Santos, ML & Minasny, B. Թվային հողի քարտեզագրման մասին:
Deutsch.CV Ջրամբարների աշխարհագրական մոդելավորում,… – 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= (Մուտք գործվել է 2021 թվականի ապրիլի 28-ին):