Terima kasih telah mengunjungi Nature.com. Versi peramban yang Anda gunakan memiliki dukungan terbatas untuk CSS. Untuk pengalaman terbaik, kami sarankan Anda menggunakan peramban yang diperbarui (atau matikan mode kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan berkelanjutan, kami akan menampilkan situs tanpa gaya dan JavaScript.
Pencemaran tanah merupakan masalah besar yang disebabkan oleh aktivitas manusia. Distribusi spasial unsur-unsur berpotensi toksik (PTE) bervariasi di sebagian besar daerah perkotaan dan pinggiran kota. Oleh karena itu, sulit untuk memprediksi secara spasial kandungan PTE dalam tanah tersebut. Sebanyak 115 sampel diperoleh dari Frydek Mistek di Republik Ceko. Konsentrasi kalsium (Ca), magnesium (Mg), kalium (K), dan nikel (Ni) ditentukan menggunakan spektrometri emisi plasma gandeng induktif. Variabel responsnya adalah Ni dan prediktornya adalah Ca, Mg, dan K. Matriks korelasi antara variabel respons dan variabel prediktor menunjukkan korelasi yang memuaskan antara unsur-unsur tersebut. Hasil prediksi menunjukkan bahwa Support Vector Machine Regression (SVMR) berkinerja baik, meskipun estimasi root mean square error (RMSE) (235,974 mg/kg) dan mean absolute error (MAE) (166,946 mg/kg) lebih tinggi daripada metode lain yang diterapkan. Model campuran untuk Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) Model-model tersebut berkinerja buruk, sebagaimana dibuktikan oleh koefisien determinasi kurang dari 0,1. Model Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) adalah model terbaik, dengan nilai RMSE rendah (95,479 mg/kg) dan MAE (77,368 mg/kg) serta koefisien determinasi tinggi (R2 = 0,637). Output teknik pemodelan EBK-SVMR divisualisasikan menggunakan peta pengorganisasian diri (self-organizing map). Neuron yang dikelompokkan pada bidang komponen model hibrida CakMg-EBK-SVMR menunjukkan beberapa pola warna yang memprediksi konsentrasi Ni dalam tanah perkotaan dan pinggiran kota. Hasil penelitian menunjukkan bahwa kombinasi EBK dan SVMR merupakan teknik yang efektif untuk memprediksi konsentrasi Ni dalam tanah perkotaan dan pinggiran kota.
Nikel (Ni) dianggap sebagai mikronutrien bagi tanaman karena berkontribusi pada fiksasi nitrogen atmosfer (N) dan metabolisme urea, yang keduanya diperlukan untuk perkecambahan biji. Selain kontribusinya pada perkecambahan biji, Ni dapat bertindak sebagai penghambat jamur dan bakteri serta mendorong perkembangan tanaman. Kekurangan nikel dalam tanah memungkinkan tanaman untuk menyerapnya, yang mengakibatkan klorosis daun. Misalnya, kacang panjang dan kacang hijau membutuhkan aplikasi pupuk berbasis nikel untuk mengoptimalkan fiksasi nitrogen². Aplikasi pupuk berbasis nikel secara terus menerus untuk memperkaya tanah dan meningkatkan kemampuan tanaman polong untuk memfiksasi nitrogen dalam tanah terus meningkatkan konsentrasi nikel dalam tanah. Meskipun nikel merupakan mikronutrien bagi tanaman, asupan yang berlebihan di dalam tanah dapat lebih berbahaya daripada bermanfaat. Toksisitas nikel dalam tanah meminimalkan pH tanah dan menghambat penyerapan zat besi sebagai nutrisi penting untuk pertumbuhan tanaman¹. Menurut Liu³, Ni telah ditemukan sebagai unsur penting ke-17 yang dibutuhkan untuk perkembangan dan pertumbuhan tanaman. Selain peran nikel dalam perkembangan dan pertumbuhan tanaman, manusia membutuhkannya untuk berbagai hal. Aplikasi. Pelapisan listrik, produksi paduan berbasis nikel, dan pembuatan perangkat pengapian dan busi di industri otomotif semuanya membutuhkan penggunaan nikel di berbagai sektor industri. Selain itu, paduan berbasis nikel dan barang-barang yang dilapisi listrik telah banyak digunakan dalam peralatan dapur, aksesori ruang dansa, perlengkapan industri makanan, listrik, kawat dan kabel, turbin jet, implan bedah, tekstil, dan pembuatan kapal5. Tingkat kaya Ni dalam tanah (yaitu, tanah permukaan) telah dikaitkan dengan sumber antropogenik dan alami, tetapi terutama, Ni adalah sumber alami daripada antropogenik4,6. Sumber alami nikel meliputi letusan gunung berapi, vegetasi, kebakaran hutan, dan proses geologis; namun, sumber antropogenik meliputi baterai nikel/kadmium di industri baja, pelapisan listrik, pengelasan busur, diesel dan minyak bakar, dan emisi atmosfer dari pembakaran batubara dan pembakaran limbah dan lumpur. Akumulasi nikel7,8. Menurut Freedman dan Hutchinson9 dan Manyiwa dkk. 10. Sumber utama pencemaran lapisan tanah atas di lingkungan terdekat dan sekitarnya sebagian besar berasal dari pabrik peleburan dan tambang berbasis nikel-tembaga. Lapisan tanah atas di sekitar kilang nikel-tembaga Sudbury di Kanada memiliki tingkat kontaminasi nikel tertinggi yaitu 26.000 mg/kg11. Sebaliknya, pencemaran dari produksi nikel di Rusia telah mengakibatkan konsentrasi nikel yang lebih tinggi di tanah Norwegia11. Menurut Alms dkk. 12. Jumlah nikel yang dapat diekstrak dengan HNO3 di lahan pertanian terbaik di wilayah tersebut (produksi nikel di Rusia) berkisar antara 6,25 hingga 136,88 mg/kg, yang sesuai dengan rata-rata 30,43 mg/kg dan konsentrasi dasar 25 mg/kg. Menurut kabata 11, penerapan pupuk fosfor pada tanah pertanian di tanah perkotaan atau pinggiran kota selama musim tanam berturut-turut dapat mencemari atau mengkontaminasi tanah. Potensi efek nikel pada manusia dapat menyebabkan kanker melalui mutasi, kerusakan kromosom, pembentukan Z-DNA, perbaikan eksisi DNA yang terblokir, atau proses epigenetik 13. Dalam percobaan pada hewan, nikel telah ditemukan berpotensi menyebabkan berbagai tumor, dan kompleks nikel karsinogenik dapat memperburuk tumor tersebut.
Penilaian kontaminasi tanah telah berkembang pesat akhir-akhir ini karena berbagai masalah kesehatan yang timbul dari hubungan tanah-tanaman, hubungan tanah dan biologi tanah, degradasi ekologis, dan penilaian dampak lingkungan. Hingga saat ini, prediksi spasial unsur-unsur berpotensi toksik (PTE) seperti Ni dalam tanah masih sulit dan memakan waktu menggunakan metode tradisional. Munculnya pemetaan tanah digital (DSM) dan keberhasilannya saat ini¹⁵ telah sangat meningkatkan pemetaan tanah prediktif (PSM). Menurut Minasny dan McBratney¹⁶, pemetaan tanah prediktif (DSM) telah terbukti menjadi subdisiplin ilmu tanah yang menonjol. Lagacherie dan McBratney, 2006 mendefinisikan DSM sebagai “pembuatan dan pengisian sistem informasi tanah spasial melalui penggunaan metode observasi in situ dan laboratorium serta sistem inferensi tanah spasial dan non-spasial”. McBratney dkk. 17 menguraikan bahwa DSM atau PSM kontemporer adalah teknik yang paling efektif untuk memprediksi atau memetakan distribusi spasial PTE, jenis tanah, dan sifat tanah. Geostatistik dan Algoritma Pembelajaran Mesin (MLA) adalah teknik pemodelan DSM yang membuat peta digital dengan bantuan komputer menggunakan data yang signifikan dan minimal.
Deutsch18 dan Olea19 mendefinisikan geostatistik sebagai “kumpulan teknik numerik yang berkaitan dengan representasi atribut spasial, terutama menggunakan model stokastik, seperti bagaimana analisis deret waktu mengkarakterisasi data temporal.” Terutama, geostatistik melibatkan evaluasi variogram, yang memungkinkan Kuantifikasi dan mendefinisikan ketergantungan nilai spasial dari setiap dataset20.Gumiaux et al. 20 lebih lanjut mengilustrasikan bahwa evaluasi variogram dalam geostatistik didasarkan pada tiga prinsip, termasuk (a) menghitung skala korelasi data, (b) mengidentifikasi dan menghitung anisotropi dalam perbedaan dataset dan (c) selain memperhitungkan kesalahan inheren data pengukuran yang dipisahkan dari efek lokal, efek area juga diperkirakan. Berdasarkan konsep-konsep ini, banyak teknik interpolasi digunakan dalam geostatistik, termasuk kriging umum, co-kriging, kriging biasa, kriging Bayesian empiris, metode kriging sederhana dan teknik interpolasi terkenal lainnya untuk memetakan atau memprediksi PTE, karakteristik tanah, dan jenis tanah.
Algoritma Pembelajaran Mesin (MLA) adalah teknik yang relatif baru yang menggunakan kelas data non-linier yang lebih besar, didukung oleh algoritma yang terutama digunakan untuk penambangan data, mengidentifikasi pola dalam data, dan berulang kali diterapkan pada klasifikasi di bidang ilmiah seperti ilmu tanah dan tugas pengembalian. Banyak makalah penelitian mengandalkan model MLA untuk memprediksi PTE dalam tanah, seperti Tan et al. 22 (random forests untuk estimasi logam berat dalam tanah pertanian), Sakizadeh et al. 23 (pemodelan menggunakan support vector machines dan jaringan saraf tiruan) polusi tanah). Selain itu, Vega et al. 24 (CART untuk pemodelan retensi dan adsorpsi logam berat dalam tanah), Sun et al. 25 (aplikasi cubist adalah distribusi Cd dalam tanah) dan algoritma lain seperti k-nearest neighbor, generalized boosted regression, dan boosted regression Trees juga menerapkan MLA untuk memprediksi PTE dalam tanah.
Penerapan algoritma DSM dalam prediksi atau pemetaan menghadapi beberapa tantangan. Banyak penulis percaya bahwa MLA lebih unggul daripada geostatistik dan sebaliknya. Meskipun salah satunya lebih baik daripada yang lain, kombinasi keduanya meningkatkan tingkat akurasi pemetaan atau prediksi dalam DSM15. Woodcock dan Gopal26 Finke27; Pontius dan Cheuk28 dan Grunwald29 mengomentari kekurangan dan beberapa kesalahan dalam pemetaan tanah yang diprediksi. Ilmuwan tanah telah mencoba berbagai teknik untuk mengoptimalkan efektivitas, akurasi, dan prediktabilitas pemetaan dan peramalan DSM. Kombinasi ketidakpastian dan verifikasi adalah salah satu dari banyak aspek berbeda yang terintegrasi ke dalam DSM untuk mengoptimalkan efektivitas dan mengurangi cacat. Namun, Agyeman dkk. 15 menguraikan bahwa perilaku validasi dan ketidakpastian yang diperkenalkan oleh pembuatan dan prediksi peta harus divalidasi secara independen untuk meningkatkan kualitas peta. Keterbatasan DSM disebabkan oleh kualitas tanah yang tersebar secara geografis, yang melibatkan komponen ketidakpastian; Namun, kurangnya kepastian dalam DSM dapat timbul dari berbagai sumber kesalahan, yaitu kesalahan kovariat, kesalahan model, kesalahan lokasi, dan kesalahan analitis 31. Ketidakakuratan pemodelan yang ditimbulkan dalam proses MLA dan geostatistik dikaitkan dengan kurangnya pemahaman, yang pada akhirnya menyebabkan penyederhanaan proses sebenarnya 32. Terlepas dari sifat pemodelannya, ketidakakuratan dapat dikaitkan dengan parameter pemodelan, prediksi model matematika, atau interpolasi 33. Baru-baru ini, tren DSM baru telah muncul yang mendorong integrasi geostatistik dan MLA dalam pemetaan dan peramalan. Beberapa ilmuwan tanah dan penulis, seperti Sergeev dkk. 34; Subbotina dkk. 35; Tarasov dkk. 36 dan Tarasov dkk. 37 telah memanfaatkan kualitas akurat geostatistik dan pembelajaran mesin untuk menghasilkan model hibrida yang meningkatkan efisiensi peramalan dan pemetaan. Kualitas. Beberapa model algoritma hibrida atau gabungan ini adalah Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 dan Co-Kriging dan Gaussian Process Regression38.
Menurut Sergeev dkk., menggabungkan berbagai teknik pemodelan berpotensi menghilangkan kekurangan dan meningkatkan efisiensi model hibrida yang dihasilkan daripada mengembangkan model tunggalnya. Dalam konteks ini, makalah baru ini berpendapat bahwa perlu menerapkan algoritma gabungan geostatistik dan MLA untuk membuat model hibrida optimal untuk memprediksi pengayaan Ni di daerah perkotaan dan pinggiran kota. Studi ini akan mengandalkan Empirical Bayesian Kriging (EBK) sebagai model dasar dan mencampurnya dengan Support Vector Machine (SVM) dan model Multiple Linear Regression (MLR). Hibridisasi EBK dengan MLA apa pun belum diketahui. Model campuran ganda yang terlihat adalah kombinasi dari kriging biasa, residual, regresi, dan MLA. EBK adalah metode interpolasi geostatistik yang menggunakan proses stokastik spasial yang terlokalisasi sebagai medan acak non-stasioner/stasioner dengan parameter lokalisasi yang ditentukan di atas medan, memungkinkan variasi spasial39. EBK telah digunakan dalam berbagai studi, termasuk menganalisis distribusi karbon organik di tanah pertanian40, menilai pencemaran tanah41 dan pemetaan sifat tanah42.
Di sisi lain, Self-Organizing Graph (SeOM) adalah algoritma pembelajaran yang telah diterapkan dalam berbagai artikel seperti Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 dan Kebonye et al.46 untuk menentukan atribut spasial dan pengelompokan elemen. Wang et al. 44 menguraikan bahwa SeOM adalah teknik pembelajaran yang ampuh yang dikenal karena kemampuannya untuk mengelompokkan dan memvisualisasikan masalah non-linear. Tidak seperti teknik pengenalan pola lainnya seperti analisis komponen utama, pengelompokan fuzzy, pengelompokan hierarkis, dan pengambilan keputusan multi-kriteria, SeOM lebih baik dalam mengatur dan mengidentifikasi pola PTE. Menurut Wang et al. 44, SeOM dapat mengelompokkan distribusi neuron terkait secara spasial dan memberikan visualisasi data resolusi tinggi. SeOM akan memvisualisasikan data prediksi Ni untuk mendapatkan model terbaik untuk mengkarakterisasi hasil untuk interpretasi langsung.
Makalah ini bertujuan untuk menghasilkan model pemetaan yang kuat dengan akurasi optimal untuk memprediksi kandungan nikel dalam tanah perkotaan dan pinggiran kota. Kami berhipotesis bahwa keandalan model campuran terutama bergantung pada pengaruh model lain yang melekat pada model dasar. Kami mengakui tantangan yang dihadapi DSM, dan meskipun tantangan ini sedang diatasi di berbagai bidang, kombinasi kemajuan dalam geostatistik dan model MLA tampaknya bersifat bertahap; oleh karena itu, kami akan mencoba menjawab pertanyaan penelitian yang dapat menghasilkan model campuran. Namun, seberapa akurat model tersebut dalam memprediksi elemen target? Selain itu, bagaimana tingkat evaluasi efisiensi berdasarkan validasi dan evaluasi akurasi? Oleh karena itu, tujuan spesifik dari penelitian ini adalah untuk (a) membuat model campuran gabungan untuk SVMR atau MLR menggunakan EBK sebagai model dasar, (b) membandingkan model yang dihasilkan, (c) mengusulkan model campuran terbaik untuk memprediksi konsentrasi Ni dalam tanah perkotaan atau pinggiran kota, dan (d) penerapan SeOM untuk membuat peta resolusi tinggi variasi spasial nikel.
Penelitian ini dilakukan di Republik Ceko, khususnya di distrik Frydek Mistek di wilayah Moravia-Silesia (lihat Gambar 1). Geografi wilayah penelitian sangat terjal dan sebagian besar merupakan bagian dari wilayah Beskidy Moravia-Silesia, yang merupakan bagian dari tepi luar Pegunungan Carpathia. Wilayah penelitian terletak antara 49° 41′ 0′ N dan 18° 20′ 0′ E, dan ketinggiannya antara 225 dan 327 m; Namun, sistem klasifikasi Koppen untuk kondisi iklim wilayah tersebut dinilai sebagai Cfb = iklim laut sedang. Curah hujan cukup tinggi bahkan di bulan-bulan kering. Suhu bervariasi sedikit sepanjang tahun antara −5 °C dan 24 °C, jarang turun di bawah −14 °C atau di atas 30 °C, sedangkan curah hujan tahunan rata-rata antara 685 dan 752 mm47. Perkiraan luas area survei keseluruhan adalah 1.208 kilometer persegi, dengan 39,38% lahan pertanian dan 49,36% tutupan hutan. Di sisi lain, area yang digunakan dalam penelitian ini sekitar 889,8 kilometer persegi. Di dalam dan sekitar Ostrava, industri baja dan pengolahan logam sangat aktif. Pabrik logam, industri baja di mana nikel digunakan dalam baja tahan karat (misalnya untuk ketahanan terhadap korosi atmosfer) dan baja paduan (nikel meningkatkan kekuatan paduan sambil mempertahankan keuletan dan ketangguhannya yang baik), Pertanian intensif seperti aplikasi pupuk fosfat dan produksi ternak merupakan sumber potensial nikel di wilayah tersebut (misalnya, menambahkan nikel pada domba untuk meningkatkan laju pertumbuhan pada domba dan sapi yang diberi makan sedikit). Penggunaan industri nikel lainnya di area penelitian meliputi penggunaannya dalam pelapisan listrik, termasuk proses pelapisan nikel dan pelapisan nikel tanpa listrik. Sifat tanah mudah dibedakan dari warna tanah, struktur, dan kandungan karbonat. Tekstur tanah sedang hingga halus, berasal dari bahan induk. Tanah tersebut bersifat koluvial, aluvial, atau aeolian. Beberapa area tanah tampak berbintik-bintik di permukaan dan lapisan bawah tanah, seringkali dengan beton dan pemutih. Namun, cambisol dan stagnosol adalah jenis tanah yang paling umum di wilayah tersebut48. Dengan ketinggian mulai dari 455,1 hingga 493,5 m, cambisol mendominasi Republik Ceko49.
Peta wilayah studi [Peta wilayah studi dibuat menggunakan ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Sebanyak 115 sampel tanah lapisan atas diperoleh dari tanah perkotaan dan pinggiran kota di distrik Frydek Mistek. Pola pengambilan sampel yang digunakan adalah grid teratur dengan sampel tanah berjarak 2 × 2 km, dan tanah lapisan atas diukur pada kedalaman 0 hingga 20 cm menggunakan perangkat GPS genggam (Leica Zeno 5 GPS). Sampel dikemas dalam kantong Ziploc, diberi label dengan benar, dan dikirim ke laboratorium. Sampel dikeringkan di udara untuk menghasilkan sampel bubuk, dihaluskan dengan sistem mekanis (penggiling cakram Fritsch), dan diayak (ukuran ayakan 2 mm). Tempatkan 1 gram sampel tanah kering, homogen, dan diayak ke dalam botol teflon yang diberi label dengan jelas. Di setiap wadah Teflon, masukkan 7 ml HCl 35% dan 3 ml HNO3 65% (menggunakan dispenser otomatis – satu untuk setiap asam), tutup dengan longgar dan biarkan sampel didiamkan semalaman untuk reaksi (program aqua regia). Tempatkan supernatan di atas pelat logam panas. (suhu: 100 W dan 160 °C) selama 2 jam untuk memfasilitasi proses pencernaan sampel, kemudian dinginkan. Pindahkan supernatan ke labu volumetrik 50 ml dan encerkan hingga 50 ml dengan air deionisasi. Setelah itu, saring supernatan yang telah diencerkan ke dalam tabung PVC 50 ml dengan air deionisasi. Selain itu, 1 ml larutan pengenceran diencerkan dengan 9 ml air deionisasi dan disaring ke dalam tabung 12 ml yang disiapkan untuk pseudo-konsentrasi PTE. Konsentrasi PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditentukan dengan ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) sesuai dengan metode standar dan kesepakatan. Pastikan prosedur Jaminan dan Kontrol Mutu (QA/QC) (SRM NIST 2711a Montana II Soil). PTE dengan batas deteksi di bawah Setengahnya dikeluarkan dari penelitian ini. Batas deteksi PTE yang digunakan dalam penelitian ini adalah 0,0004. (Anda). Selain itu, proses kontrol kualitas dan jaminan kualitas untuk setiap analisis dipastikan dengan menganalisis standar referensi. Untuk memastikan bahwa kesalahan diminimalkan, analisis ganda dilakukan.
Kriging Bayesian Empiris (EBK) adalah salah satu dari banyak teknik interpolasi geostatistik yang digunakan dalam pemodelan di berbagai bidang seperti ilmu tanah. Tidak seperti teknik interpolasi kriging lainnya, EBK berbeda dari metode kriging tradisional dengan mempertimbangkan kesalahan yang diperkirakan oleh model semivariogram. Dalam interpolasi EBK, beberapa model semivariogram dihitung selama interpolasi, bukan hanya satu semivariogram. Teknik interpolasi memberikan ruang bagi ketidakpastian dan pemrograman yang terkait dengan plot semivariogram ini yang merupakan bagian yang sangat kompleks dari metode kriging yang memadai. Proses interpolasi EBK mengikuti tiga kriteria yang diusulkan oleh Krivoruchko50, (a) model memperkirakan semivariogram dari dataset input (b) nilai prediksi baru untuk setiap lokasi dataset input berdasarkan semivariogram yang dihasilkan dan (c) model akhir dihitung dari dataset simulasi. Aturan persamaan Bayesian diberikan sebagai posterior.
Di mana \(Prob\left(A\right)\) mewakili prior, \(Prob\left(B\right)\) probabilitas marginal diabaikan dalam sebagian besar kasus, \(Prob (B,A)\ ). Perhitungan semivariogram didasarkan pada aturan Bayes, yang menunjukkan kecenderungan kumpulan data observasi yang dapat dibuat dari semivariogram. Nilai semivariogram kemudian ditentukan menggunakan aturan Bayes, yang menyatakan seberapa besar kemungkinan untuk membuat kumpulan data observasi dari semivariogram.
Support Vector Machine (SVM) adalah algoritma pembelajaran mesin yang menghasilkan hyperplane pemisah optimal untuk membedakan kelas yang identik tetapi tidak independen secara linier. Vapnik51 menciptakan algoritma klasifikasi tujuan, tetapi baru-baru ini digunakan untuk menyelesaikan masalah berorientasi regresi. Menurut Li dkk.52, SVM adalah salah satu teknik pengklasifikasi terbaik dan telah digunakan di berbagai bidang. Komponen regresi SVM (Support Vector Machine Regression – SVMR) digunakan dalam analisis ini. Cherkassky dan Mulier53 mempelopori SVMR sebagai regresi berbasis kernel, yang perhitungannya dilakukan menggunakan model regresi linier dengan fungsi spasial multi-negara. John dkk.54 melaporkan bahwa pemodelan SVMR menggunakan regresi linier hyperplane, yang menciptakan hubungan nonlinier dan memungkinkan fungsi spasial. Menurut Vohland dkk. 55, epsilon (ε)-SVMR menggunakan dataset terlatih untuk memperoleh model representasi sebagai fungsi yang tidak sensitif terhadap epsilon yang diterapkan untuk memetakan data secara independen dengan bias epsilon terbaik dari pelatihan pada data yang berkorelasi. Kesalahan jarak yang telah ditetapkan diabaikan dari nilai sebenarnya, dan jika kesalahannya lebih besar dari ε(ε), sifat tanah mengkompensasinya. Model ini juga mengurangi kompleksitas data pelatihan ke subset vektor pendukung yang lebih luas. Persamaan yang diusulkan oleh Vapnik51 ditunjukkan di bawah ini.
di mana b mewakili ambang batas skalar, \(K\left({x}_{,}{ x}_{k}\right)\) mewakili fungsi kernel, \(\alpha\) mewakili pengali Lagrange, N mewakili dataset numerik, \({x}_{k}\) mewakili input data, dan \(y\) adalah output data. Salah satu kernel kunci yang digunakan adalah operasi SVMR, yang merupakan fungsi basis radial Gaussian (RBF). Kernel RBF diterapkan untuk menentukan model SVMR optimal, yang sangat penting untuk mendapatkan faktor set penalti C dan parameter kernel gamma (γ) yang paling halus untuk data pelatihan PTE. Pertama, kami mengevaluasi set pelatihan dan kemudian menguji kinerja model pada set validasi. Parameter pengarah yang digunakan adalah sigma dan nilai metodenya adalah svmRadial.
Model regresi linier berganda (MLR) adalah model regresi yang merepresentasikan hubungan antara variabel respons dan sejumlah variabel prediktor dengan menggunakan parameter gabungan linier yang dihitung menggunakan metode kuadrat terkecil. Dalam MLR, model kuadrat terkecil merupakan fungsi prediktif dari sifat-sifat tanah setelah pemilihan variabel penjelas. Penting untuk menggunakan respons untuk membangun hubungan linier menggunakan variabel penjelas. PTE digunakan sebagai variabel respons untuk membangun hubungan linier dengan variabel penjelas. Persamaan MLR adalah
di mana y adalah variabel respons, \(a\) adalah intersep, n adalah jumlah prediktor, \({b}_{1}\) adalah regresi parsial dari koefisien, \({x}_{ i}\) mewakili prediktor atau variabel penjelas, dan \({\varepsilon }_{i}\) mewakili kesalahan dalam model, juga dikenal sebagai residual.
Model campuran diperoleh dengan menggabungkan EBK dengan SVMR dan MLR. Hal ini dilakukan dengan mengekstrak nilai prediksi dari interpolasi EBK. Nilai prediksi yang diperoleh dari interpolasi Ca, K, dan Mg diperoleh melalui proses kombinatorial untuk mendapatkan variabel baru, seperti CaK, CaMg, dan KMg. Unsur Ca, K, dan Mg kemudian digabungkan untuk mendapatkan variabel keempat, CaKMg. Secara keseluruhan, variabel yang diperoleh adalah Ca, K, Mg, CaK, CaMg, KMg, dan CaKMg. Variabel-variabel ini menjadi prediktor kami, yang membantu memprediksi konsentrasi nikel dalam tanah perkotaan dan pinggiran kota. Algoritma SVMR diterapkan pada prediktor untuk mendapatkan model campuran Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Demikian pula, variabel juga diolah melalui algoritma MLR untuk mendapatkan model campuran Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Biasanya, Variabel Ca, K, Mg, CaK, CaMg, KMg, dan CaKMg digunakan sebagai kovariat sebagai prediktor kandungan Ni dalam tanah perkotaan dan pinggiran kota. Model yang paling dapat diterima (EBK_SVM atau EBK_MLR) kemudian akan divisualisasikan menggunakan grafik pengorganisasian diri (self-organizing graph). Alur kerja penelitian ini ditunjukkan pada Gambar 2.
Penggunaan SeOM telah menjadi alat populer untuk mengorganisasi, mengevaluasi, dan memprediksi data di sektor keuangan, perawatan kesehatan, industri, statistik, ilmu tanah, dan banyak lagi. SeOM dibuat menggunakan jaringan saraf tiruan dan metode pembelajaran tanpa pengawasan untuk pengorganisasian, evaluasi, dan prediksi. Dalam penelitian ini, SeOM digunakan untuk memvisualisasikan konsentrasi Ni berdasarkan model terbaik untuk memprediksi Ni di tanah perkotaan dan pinggiran kota. Data yang diproses dalam evaluasi SeOM digunakan sebagai variabel vektor input berdimensi n43,56. Melssen et al. 57 menjelaskan koneksi vektor input ke jaringan saraf melalui satu lapisan input ke vektor output dengan satu vektor bobot. Output yang dihasilkan oleh SeOM adalah peta dua dimensi yang terdiri dari berbagai neuron atau node yang terjalin menjadi peta topologi heksagonal, melingkar, atau persegi sesuai dengan kedekatannya. Dengan membandingkan ukuran peta berdasarkan metrik, kesalahan kuantisasi (QE) dan kesalahan topografi (TE), model SeOM dengan 0,086 dan 0,904, masing-masing, dipilih, yang merupakan unit 55 peta (5 × 11). Struktur neuron ditentukan sesuai dengan jumlah node dalam persamaan empiris.
Jumlah data yang digunakan dalam penelitian ini adalah 115 sampel. Pendekatan acak digunakan untuk membagi data menjadi data uji (25% untuk validasi) dan data pelatihan (75% untuk kalibrasi). Data pelatihan digunakan untuk menghasilkan model regresi (kalibrasi), dan data uji digunakan untuk memverifikasi kemampuan generalisasi58. Hal ini dilakukan untuk menilai kesesuaian berbagai model untuk memprediksi kandungan nikel dalam tanah. Semua model yang digunakan melalui proses validasi silang sepuluh kali lipat, diulang lima kali. Variabel yang dihasilkan oleh interpolasi EBK digunakan sebagai prediktor atau variabel penjelas untuk memprediksi variabel target (PTE). Pemodelan ditangani di RStudio menggunakan paket library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) dan libraries (“Metrics”).
Berbagai parameter validasi digunakan untuk menentukan model terbaik yang sesuai untuk memprediksi konsentrasi nikel dalam tanah dan untuk mengevaluasi akurasi model dan validasinya. Model hibridisasi dievaluasi menggunakan mean absolute error (MAE), root mean square error (RMSE), dan R-squared atau koefisien determinasi (R2). R2 mendefinisikan varians proporsi dalam jawaban, yang diwakili oleh model regresi. RMSE dan besaran varians dalam pengukuran independen menggambarkan daya prediksi model, sedangkan MAE menentukan nilai kuantitatif sebenarnya. Nilai R2 harus tinggi untuk mengevaluasi model campuran terbaik menggunakan parameter validasi, semakin dekat nilainya ke 1, semakin tinggi akurasinya. Menurut Li et al. 59, nilai kriteria R2 sebesar 0,75 atau lebih dianggap sebagai prediktor yang baik; Nilai RMSE antara 0,5 hingga 0,75 menunjukkan kinerja model yang dapat diterima, sedangkan nilai di bawah 0,5 menunjukkan kinerja model yang tidak dapat diterima. Saat memilih model menggunakan metode evaluasi kriteria validasi RMSE dan MAE, nilai yang lebih rendah dianggap memadai dan merupakan pilihan terbaik. Persamaan berikut menjelaskan metode verifikasi tersebut.
di mana n mewakili ukuran nilai yang diamati, \({Y}_{i}\) mewakili respons yang diukur, dan \({\widehat{Y}}_{i}\) juga mewakili nilai respons yang diprediksi, oleh karena itu, untuk i pengamatan pertama.
Deskripsi statistik variabel prediktor dan respons disajikan pada Tabel 1, menunjukkan nilai rata-rata, simpangan baku (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, dan kemiringan. Nilai minimum dan maksimum unsur-unsur tersebut berada dalam urutan menurun Mg < Ca < K < Ni dan Ca < Mg < K < Ni, berturut-turut. Konsentrasi variabel respons (Ni) yang diambil sampelnya dari area penelitian berkisar antara 4,86 ​​hingga 42,39 mg/kg. Perbandingan Ni dengan rata-rata dunia (29 mg/kg) dan rata-rata Eropa (37 mg/kg) menunjukkan bahwa rata-rata geometris keseluruhan yang dihitung untuk area penelitian berada dalam kisaran yang dapat ditoleransi. Meskipun demikian, seperti yang ditunjukkan oleh Kabata-Pendias11, perbandingan konsentrasi nikel (Ni) rata-rata dalam penelitian ini dengan tanah pertanian di Swedia menunjukkan bahwa konsentrasi nikel rata-rata saat ini lebih tinggi. Demikian pula, konsentrasi rata-rata Frydek Mistek pada tanah perkotaan dan pinggiran kota dalam penelitian ini (Ni Konsentrasi nikel rata-rata (16,15 mg/kg) lebih tinggi daripada batas yang diizinkan sebesar 60 (10,2 mg/kg) untuk Ni dalam tanah perkotaan Polandia yang dilaporkan oleh Różański et al. Selanjutnya, Bretzel dan Calderisi61 mencatat konsentrasi Ni rata-rata yang sangat rendah (1,78 mg/kg) dalam tanah perkotaan di Tuscany dibandingkan dengan penelitian saat ini. Jim62 juga menemukan konsentrasi nikel yang lebih rendah (12,34 mg/kg) dalam tanah perkotaan Hong Kong, yang lebih rendah daripada konsentrasi nikel saat ini dalam penelitian ini. Birke et al63 melaporkan konsentrasi Ni rata-rata sebesar 17,6 mg/kg di daerah pertambangan dan industri perkotaan lama di Saxony-Anhalt, Jerman, yang 1,45 mg/kg lebih tinggi daripada konsentrasi Ni rata-rata di daerah tersebut (16,15 mg/kg). Penelitian saat ini. Kandungan nikel yang berlebihan dalam tanah di beberapa daerah perkotaan dan pinggiran kota di wilayah penelitian mungkin terutama disebabkan oleh industri besi dan baja serta industri logam. Hal ini konsisten dengan penelitian oleh Khodadoust dkk. 64 bahwa industri baja dan pengolahan logam merupakan sumber utama kontaminasi nikel di tanah. Namun, prediktornya juga berkisar dari 538,70 mg/kg hingga 69.161,80 mg/kg untuk Ca, 497,51 mg/kg hingga 3535,68 mg/kg untuk K, dan 685,68 mg/kg hingga 5970,05 mg/kg untuk Mg. Jakovljevic dkk. 65 menyelidiki kandungan total Mg dan K dalam tanah di Serbia tengah. Mereka menemukan bahwa konsentrasi total (masing-masing 410 mg/kg dan 400 mg/kg) lebih rendah daripada konsentrasi Mg dan K dalam penelitian ini. Tidak dapat dibedakan, di Polandia timur, Orzechowski dan Smolczynski66 menilai kandungan total Ca, Mg, dan K dan menunjukkan konsentrasi rata-rata Ca (1100 mg/kg), Mg (590 mg/kg), dan K (810 mg/kg). Kandungan di lapisan tanah atas lebih rendah daripada unsur tunggal dalam penelitian ini. Sebuah penelitian terbaru oleh Pongrac et al. 67 menunjukkan bahwa kandungan total Ca yang dianalisis dalam 3 tanah berbeda di Skotlandia, Inggris (tanah Mylnefield, tanah Balruddery, dan tanah Hartwood) menunjukkan kandungan Ca yang lebih tinggi dalam penelitian ini.
Karena perbedaan konsentrasi unsur-unsur yang diukur, distribusi data unsur-unsur tersebut menunjukkan kemiringan (skewness) yang berbeda. Kemiringan dan kurtosis unsur-unsur tersebut berkisar antara 1,53 hingga 7,24 dan 2,49 hingga 54,16, masing-masing. Semua unsur yang dihitung memiliki tingkat kemiringan dan kurtosis di atas +1, sehingga menunjukkan bahwa distribusi data tidak teratur, miring ke arah kanan, dan berpuncak. Estimasi CV (koefisien variasi) unsur-unsur juga menunjukkan bahwa K, Mg, dan Ni menunjukkan variabilitas sedang, sedangkan Ca memiliki variabilitas yang sangat tinggi. CV K, Ni, dan Mg menjelaskan distribusi seragamnya. Lebih lanjut, distribusi Ca tidak seragam dan sumber eksternal dapat memengaruhi tingkat pengayaannya.
Korelasi variabel prediktor dengan elemen respons menunjukkan korelasi yang memuaskan antara elemen-elemen tersebut (lihat Gambar 3). Korelasi tersebut menunjukkan bahwa CaK menunjukkan korelasi sedang dengan nilai r = 0,53, demikian pula CaNi. Meskipun Ca dan K menunjukkan hubungan yang moderat satu sama lain, para peneliti seperti Kingston dkk. 68 dan Santo69 menunjukkan bahwa kadar unsur-unsur tersebut dalam tanah berbanding terbalik. Namun, Ca dan Mg bersifat antagonis terhadap K, tetapi CaK berkorelasi baik. Hal ini mungkin disebabkan oleh aplikasi pupuk seperti kalium karbonat, yang 56% lebih tinggi kandungan kaliumnya. Kalium berkorelasi sedang dengan magnesium (KM r = 0,63). Dalam industri pupuk, kedua unsur ini sangat terkait karena kalium magnesium sulfat, kalium magnesium nitrat, dan kalium klorida diaplikasikan ke tanah untuk meningkatkan kadar kekurangan unsur-unsur tersebut. Nikel berkorelasi sedang dengan Ca, K, dan Mg dengan nilai r = 0,52, 0,63, dan 0,55, masing-masing. Hubungan yang melibatkan kalsium, magnesium, dan PTE seperti nikel bersifat kompleks, tetapi meskipun demikian, magnesium menghambat penyerapan kalsium, kalsium mengurangi efek kelebihan magnesium, dan baik magnesium maupun kalsium mengurangi efek toksik nikel dalam tanah.
Matriks korelasi untuk elemen-elemen yang menunjukkan hubungan antara prediktor dan respons (Catatan: gambar ini mencakup scatterplot antar elemen, tingkat signifikansi didasarkan pada p < 0,001).
Gambar 4 mengilustrasikan distribusi spasial unsur-unsur. Menurut Burgos et al70, penerapan distribusi spasial adalah teknik yang digunakan untuk mengukur dan menyoroti titik-titik panas di daerah yang tercemar. Tingkat pengayaan Ca pada Gambar 4 dapat dilihat di bagian barat laut peta distribusi spasial. Gambar tersebut menunjukkan titik-titik panas pengayaan Ca sedang hingga tinggi. Pengayaan kalsium di barat laut peta kemungkinan disebabkan oleh penggunaan kapur tohor (kalsium oksida) untuk mengurangi keasaman tanah dan penggunaannya di pabrik baja sebagai oksigen alkali dalam proses pembuatan baja. Di sisi lain, petani lain lebih suka menggunakan kalsium hidroksida di tanah asam untuk menetralkan pH, yang juga meningkatkan kandungan kalsium tanah71. Kalium juga menunjukkan titik-titik panas di barat laut dan timur peta. Barat Laut adalah komunitas pertanian utama, dan pola kalium sedang hingga tinggi mungkin disebabkan oleh aplikasi NPK dan kalium. Hal ini konsisten dengan penelitian lain, seperti Madaras dan Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, yang mengamati bahwa stabilisasi tanah dan perlakuan dengan KCl dan NPK menghasilkan kandungan K yang tinggi dalam tanah. Pengayaan Kalium spasial di barat laut peta distribusi mungkin disebabkan oleh penggunaan pupuk berbasis kalium seperti kalium klorida, kalium sulfat, kalium nitrat, kalium klorida, dan kalium klorida untuk meningkatkan kandungan kalium pada tanah miskin. Zádorová et al. 76 dan Tlustoš et al. 77 menguraikan bahwa penerapan pupuk berbasis K meningkatkan kandungan K dalam tanah dan akan secara signifikan meningkatkan kandungan unsur hara tanah dalam jangka panjang, terutama K dan Mg yang menunjukkan titik panas di tanah. Titik panas yang relatif moderat di barat laut peta dan tenggara peta. Fiksasi koloid dalam tanah mengurangi konsentrasi magnesium dalam tanah. Kekurangan magnesium dalam tanah menyebabkan tanaman menunjukkan klorosis intervein kekuningan. Pupuk berbasis magnesium, seperti kalium magnesium sulfat, magnesium sulfat, dan Kieserite, mengatasi kekurangan (tanaman tampak ungu, merah, atau coklat, menunjukkan kekurangan magnesium) pada tanah dengan kisaran pH normal6. Akumulasi nikel pada permukaan tanah perkotaan dan pinggiran kota mungkin disebabkan oleh aktivitas antropogenik seperti pertanian dan pentingnya nikel dalam produksi baja tahan karat78.
Distribusi spasial elemen [peta distribusi spasial dibuat menggunakan ArcGIS Desktop (ESRI, Inc, Versi 10.7, URL: https://desktop.arcgis.com).]
Hasil indeks kinerja model untuk elemen yang digunakan dalam penelitian ini ditunjukkan pada Tabel 2. Di sisi lain, RMSE dan MAE Ni keduanya mendekati nol (0,86 RMSE, -0,08 MAE). Di sisi lain, nilai RMSE dan MAE K dapat diterima. Hasil RMSE dan MAE lebih besar untuk kalsium dan magnesium. Hasil MAE dan RMSE Ca dan K lebih besar karena perbedaan dataset. RMSE dan MAE dari penelitian ini menggunakan EBK untuk memprediksi Ni ditemukan lebih baik daripada hasil John dkk. 54 yang menggunakan kriging sinergistik untuk memprediksi konsentrasi S dalam tanah menggunakan data yang sama yang dikumpulkan. Keluaran EBK yang kami teliti berkorelasi dengan hasil Fabijaczyk dkk. 41, Yan dkk. 79, Beguin dkk. 80, Adhikary dkk. 81 dan John dkk. 82, terutama K dan Ni.
Kinerja masing-masing metode untuk memprediksi kandungan nikel dalam tanah perkotaan dan pinggiran kota dievaluasi menggunakan kinerja model (Tabel 3). Validasi model dan evaluasi akurasi mengkonfirmasi bahwa prediktor Ca_Mg_K yang dikombinasikan dengan model EBK SVMR menghasilkan kinerja terbaik. Model kalibrasi Ca_Mg_K-EBK_SVMR memiliki nilai R2, root mean square error (RMSE), dan mean absolute error (MAE) masing-masing sebesar 0,637 (R2), 95,479 mg/kg (RMSE), dan 77,368 mg/kg (MAE). Sedangkan Ca_Mg_K-SVMR memiliki nilai R2 sebesar 0,663 (R2), 235,974 mg/kg (RMSE), dan 166,946 mg/kg (MAE). Meskipun demikian, nilai R2 yang baik diperoleh untuk Ca_Mg_K-SVMR (0,663 mg/kg R2) dan Ca_Mg_K-EBK_SVMR. (0,643 = R2); Hasil RMSE dan MAE mereka lebih tinggi daripada hasil untuk Ca_Mg_K-EBK_SVMR (R2 0,637) (lihat Tabel 3). Selain itu, RMSE dan MAE dari model Ca_Mg-EBK_SVMR (RMSE = 1664,64 dan MAE = 1031,49) masing-masing adalah 17,5 dan 13,4, yang lebih besar daripada Ca_Mg_K-EBK_SVMR. Demikian pula, RMSE dan MAE dari model Ca_Mg-K SVMR (RMSE = 235,974 dan MAE = 166,946) masing-masing 2,5 dan 2,2 lebih besar daripada RMSE dan MAE dari Ca_Mg_K-EBK_SVMR. Hasil RMSE yang dihitung menunjukkan seberapa terkonsentrasi kumpulan data dengan garis kecocokan terbaik. RMSE dan MAE yang lebih tinggi diamati. Menurut Kebonye dkk. 46 dan John dkk. 54, semakin dekat RMSE dan MAE ke nol, semakin baik hasilnya. SVMR dan EBK_SVMR memiliki nilai RSME dan MAE terkuantisasi yang lebih tinggi. Diamati bahwa estimasi RSME secara konsisten lebih tinggi daripada nilai MAE, menunjukkan adanya outlier. Menurut Legates dan McCabe83, sejauh mana RMSE melebihi mean absolute error (MAE) direkomendasikan sebagai indikator adanya outlier. Ini berarti bahwa semakin heterogen dataset, semakin tinggi nilai MAE dan RMSE. Akurasi penilaian validasi silang model campuran Ca_Mg_K-EBK_SVMR untuk memprediksi kandungan Ni dalam tanah perkotaan dan pinggiran kota adalah 63,70%. Menurut Li dkk. 59, tingkat akurasi ini merupakan tingkat kinerja model yang dapat diterima. Hasil penelitian ini dibandingkan dengan penelitian sebelumnya oleh Tarasov dkk. 36 yang model hibridanya menciptakan MLPRK (Multilayer Perceptron Residual Kriging), terkait dengan indeks evaluasi akurasi EBK_SVMR yang dilaporkan dalam penelitian ini, RMSE (210) dan MAE (167,5) lebih tinggi daripada hasil kami dalam penelitian ini (RMSE 95,479, MAE 77,368). Namun, ketika membandingkan R2 dari penelitian ini (0,637) dengan R2 dari Tarasov et al. 36 (0,544), jelas bahwa koefisien determinasi (R2) lebih tinggi pada model campuran ini. Margin kesalahan (RMSE dan MAE) (EBK SVMR) untuk model campuran dua kali lebih rendah. Demikian pula, Sergeev dkk.34 mencatat 0,28 (R2) untuk model hibrida yang dikembangkan (Multilayer Perceptron Residual Kriging), sedangkan Ni dalam penelitian ini mencatat 0,637 (R2). Tingkat akurasi prediksi model ini (EBK SVMR) adalah 63,7%, sedangkan akurasi prediksi yang diperoleh oleh Sergeev dkk. 34 adalah 28%. Peta akhir (Gambar 5) yang dibuat menggunakan model EBK_SVMR dan Ca_Mg_K sebagai prediktor menunjukkan prediksi titik panas dan konsentrasi nikel sedang hingga tinggi di seluruh area penelitian. Ini berarti bahwa konsentrasi nikel di area penelitian sebagian besar sedang, dengan konsentrasi lebih tinggi di beberapa area tertentu.
Peta prediksi akhir direpresentasikan menggunakan model hibrida EBK_SVMR dan menggunakan Ca_Mg_K sebagai prediktor. [Peta distribusi spasial dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Gambar 6 menyajikan konsentrasi PTE sebagai bidang komposisi yang terdiri dari neuron individual. Tidak satu pun bidang komponen yang menunjukkan pola warna yang sama seperti yang ditunjukkan. Namun, jumlah neuron yang tepat per peta yang digambar adalah 55. SeOM diproduksi menggunakan berbagai warna, dan semakin mirip pola warnanya, semakin sebanding sifat sampelnya. Menurut skala warna yang tepat, elemen individual (Ca, K, dan Mg) menunjukkan pola warna yang mirip dengan neuron tinggi tunggal dan sebagian besar neuron rendah. Dengan demikian, CaK dan CaMg memiliki beberapa kesamaan dengan neuron tingkat sangat tinggi dan pola warna rendah hingga sedang. Kedua model memprediksi konsentrasi Ni dalam tanah dengan menampilkan corak warna sedang hingga tinggi seperti merah, oranye, dan kuning. Model KMg menampilkan banyak pola warna tinggi berdasarkan proporsi yang tepat dan bercak warna rendah hingga sedang. Pada skala warna yang tepat dari rendah ke tinggi, pola distribusi planar komponen model menunjukkan pola warna tinggi yang menunjukkan potensi konsentrasi nikel dalam tanah (lihat Gambar 4). Bidang komponen model CakMg menunjukkan Pola warna yang beragam dari rendah hingga tinggi sesuai dengan skala warna yang akurat. Selanjutnya, prediksi model terhadap kandungan nikel (CakMg) mirip dengan distribusi spasial nikel yang ditunjukkan pada Gambar 5. Kedua grafik menunjukkan proporsi konsentrasi nikel yang tinggi, sedang, dan rendah di tanah perkotaan dan pinggiran kota. Gambar 7 menggambarkan metode kontur dalam pengelompokan k-means pada peta, dibagi menjadi tiga klaster berdasarkan nilai prediksi di setiap model. Metode kontur mewakili jumlah klaster yang optimal. Dari 115 sampel tanah yang dikumpulkan, kategori 1 memperoleh sampel tanah terbanyak, yaitu 74. Klaster 2 menerima 33 sampel, sedangkan klaster 3 menerima 8 sampel. Kombinasi prediktor planar tujuh komponen disederhanakan untuk memungkinkan interpretasi klaster yang benar. Karena banyaknya proses antropogenik dan alami yang memengaruhi pembentukan tanah, sulit untuk memiliki pola klaster yang terdiferensiasi dengan baik dalam peta SeOM terdistribusi78.
Output bidang komponen oleh setiap variabel Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [Peta SeOM dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen klasifikasi klaster yang berbeda [Peta SeOM dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Studi ini dengan jelas mengilustrasikan teknik pemodelan untuk konsentrasi nikel dalam tanah perkotaan dan pinggiran kota. Studi ini menguji berbagai teknik pemodelan, menggabungkan elemen dengan teknik pemodelan, untuk mendapatkan cara terbaik dalam memprediksi konsentrasi nikel dalam tanah. Fitur spasial planar komposisi SeOM dari teknik pemodelan menunjukkan pola warna tinggi dari rendah ke tinggi pada skala warna yang akurat, menunjukkan konsentrasi Ni dalam tanah. Namun, peta distribusi spasial mengkonfirmasi distribusi spasial planar komponen yang ditunjukkan oleh EBK_SVMR (lihat Gambar 5). Hasil menunjukkan bahwa model regresi mesin vektor pendukung (Ca Mg K-SVMR) memprediksi konsentrasi Ni dalam tanah sebagai model tunggal, tetapi parameter validasi dan evaluasi akurasi menunjukkan kesalahan yang sangat tinggi dalam hal RMSE dan MAE. Di sisi lain, teknik pemodelan yang digunakan dengan model EBK_MLR juga cacat karena nilai koefisien determinasi (R2) yang rendah. Hasil yang baik diperoleh menggunakan EBK SVMR dan elemen gabungan (CaKMg) dengan kesalahan RMSE dan MAE yang rendah dengan akurasi 63,7%. Ternyata, menggabungkan algoritma EBK dengan algoritma pembelajaran mesin dapat menghasilkan algoritma hibrida yang dapat memprediksi konsentrasi PTE dalam tanah. Hasil penelitian menunjukkan bahwa penggunaan Ca, Mg, K sebagai prediktor untuk memprediksi konsentrasi Ni di area penelitian dapat meningkatkan prediksi Ni dalam tanah. Ini berarti bahwa penggunaan pupuk berbasis nikel secara terus menerus dan polusi industri terhadap tanah oleh industri baja cenderung meningkatkan konsentrasi nikel dalam tanah. Studi ini mengungkapkan bahwa model EBK dapat mengurangi tingkat kesalahan dan meningkatkan akurasi model distribusi spasial tanah di tanah perkotaan atau pinggiran kota. Secara umum, kami mengusulkan untuk menerapkan model EBK-SVMR untuk menilai dan memprediksi PTE dalam tanah; selain itu, kami mengusulkan untuk menggunakan EBK untuk dihibridisasi dengan berbagai algoritma pembelajaran mesin. Konsentrasi Ni diprediksi menggunakan unsur-unsur sebagai kovariat; Namun, penggunaan lebih banyak kovariat akan sangat meningkatkan kinerja model, yang dapat dianggap sebagai keterbatasan dari penelitian ini. Keterbatasan lain dari penelitian ini adalah jumlah dataset yang hanya 115. Oleh karena itu, jika lebih banyak data disediakan, kinerja metode hibridisasi yang dioptimalkan yang diusulkan dapat ditingkatkan.
PlantProbs.net.Nikel dalam Tanaman dan Tanah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Kemajuan nikel dalam toksikologi lingkungan modern. sekitar.toksikologi.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikel: Tinjauan tentang sumber dan toksikologi lingkungannya. Jurnal Studi Lingkungan Polandia. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC. Masukan polutan dari atmosfer dan akumulasi di tanah dan vegetasi di dekat pabrik peleburan nikel-tembaga di Sudbury, Ontario, Kanada. can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. dkk. Logam berat dalam tanah, tanaman, dan risiko yang terkait dengan penggembalaan ruminansia di dekat tambang tembaga-nikel Selebi-Phikwe di Botswana. Sekitarnya. Geokimia. Kesehatan https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Unsur jejak dalam tanah dan… – 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= (Diakses 24 Nov 2020).
Almås, A., Singh, B., Pertanian, TS-NJ tahun 1995, tidak terdefinisi. Pengaruh industri nikel Rusia terhadap konsentrasi logam berat dalam tanah pertanian dan rumput di Soer-Varanger, Norwegia. agris.fao.org.
Nielsen, GD dkk. Penyerapan dan retensi nikel dalam air minum berhubungan dengan asupan makanan dan sensitivitas nikel. Toksikologi. Aplikasi. Farmakodinamika. 154, 67–75 (1999).
Costa, M. & Klein, CB Karsinogenesis nikel, mutasi, epigenetik atau seleksi. Lingkungan. Perspektif Kesehatan. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​NM; Analisis tren unsur-unsur yang berpotensi toksik: tinjauan bibliometrik. Geokimia Lingkungan dan Kesehatan. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Pemetaan Tanah Digital: Sejarah Singkat dan Beberapa Pelajaran. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Tentang pemetaan tanah digital.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – 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= (Diakses 28 April 2021).