Terima kasih telah mengunjungi Nature.com. Versi browser yang Anda gunakan memiliki dukungan terbatas untuk CSS. Untuk pengalaman terbaik, kami sarankan Anda menggunakan browser yang diperbarui (atau matikan mode kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan berkelanjutan, kami akan menampilkan situs tanpa gaya dan JavaScript.
Polusi tanah merupakan masalah besar yang disebabkan oleh aktivitas manusia. Distribusi spasial dari elemen-elemen yang berpotensi beracun (PTE) bervariasi di sebagian besar wilayah perkotaan dan pinggiran kota. Oleh karena itu, sulit untuk memprediksi secara spasial kandungan PTE di 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 yang digabungkan secara 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 elemen-elemen 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) 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) dan koefisien determinasi tinggi (R2 = 0,637). Output teknik pemodelan EBK-SVMR divisualisasikan menggunakan peta pengorganisasian sendiri. Neuron yang berkelompok dalam bidang komponen model hibrida CakMg-EBK-SVMR menunjukkan beberapa pola warna yang memprediksi konsentrasi Ni di tanah perkotaan dan pinggiran kota. Hasil menunjukkan bahwa menggabungkan EBK dan SVMR merupakan teknik yang efektif untuk memprediksi konsentrasi Ni di 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 terhadap perkecambahan biji, Ni dapat bertindak sebagai penghambat jamur dan bakteri dan meningkatkan perkembangan tanaman. Kekurangan nikel di dalam tanah memungkinkan tanaman untuk menyerapnya, yang mengakibatkan klorosis daun. Misalnya, kacang tunggak dan kacang hijau memerlukan aplikasi pupuk berbasis nikel untuk mengoptimalkan fiksasi nitrogen2. Aplikasi pupuk berbasis nikel yang berkelanjutan untuk memperkaya tanah dan meningkatkan kemampuan legum untuk mengikat nitrogen di dalam tanah secara terus-menerus meningkatkan konsentrasi nikel di dalam tanah. Meskipun nikel merupakan mikronutrien bagi tanaman, asupannya yang berlebihan di dalam tanah dapat lebih banyak merugikan daripada menguntungkan. Toksisitas nikel di dalam tanah meminimalkan pH tanah dan menghambat penyerapan zat besi sebagai nutrisi penting untuk pertumbuhan tanaman1. Menurut Liu3, Ni telah ditemukan sebagai elemen penting ke-17 yang diperlukan untuk perkembangan dan pertumbuhan tanaman. Selain peran nikel dalam perkembangan dan pertumbuhan tanaman, manusia membutuhkannya untuk berbagai macam fungsi. aplikasi. Elektroplating, produksi paduan berbasis nikel, dan pembuatan perangkat pengapian dan busi dalam industri otomotif semuanya memerlukan penggunaan nikel dalam berbagai sektor industri. Selain itu, paduan berbasis nikel dan artikel elektroplating telah banyak digunakan dalam peralatan dapur, aksesori ruang dansa, perlengkapan industri makanan, listrik, kawat dan kabel, turbin jet, implan bedah, tekstil, dan pembuatan kapal. Tingkat kaya Ni dalam tanah (yaitu, tanah permukaan) telah dikaitkan dengan sumber antropogenik dan alami, tetapi terutama, Ni adalah sumber alami daripada antropogenik. Sumber alami nikel termasuk letusan gunung berapi, vegetasi, kebakaran hutan, dan proses geologi; namun, sumber antropogenik termasuk baterai nikel/kadmium dalam industri baja, elektroplating, pengelasan busur, solar dan bahan bakar minyak, dan emisi atmosfer dari pembakaran batu bara dan pembakaran limbah dan lumpur Akumulasi nikel. Menurut Freedman dan Hutchinson dan Manyiwa et al. 10, sumber utama pencemaran tanah lapisan atas di lingkungan terdekat dan sekitarnya sebagian besar adalah peleburan dan pertambangan berbasis nikel-tembaga. Tanah lapisan atas di sekitar kilang nikel-tembaga Sudbury di Kanada memiliki kadar pencemaran nikel tertinggi sebesar 26.000 mg/kg11. Sebaliknya, pencemaran dari produksi nikel di Rusia telah mengakibatkan konsentrasi nikel yang lebih tinggi di tanah Norwegia11. Menurut Alms et al. 12, jumlah nikel yang dapat diekstraksi dengan HNO3 di lahan subur teratas 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 di tanah pertanian di tanah perkotaan atau pinggiran kota selama musim tanam berturut-turut dapat meresap atau mengontaminasi tanah. Efek potensial nikel pada manusia dapat menyebabkan kanker melalui mutagenesis, kerusakan kromosom, pembentukan Z-DNA, perbaikan eksisi DNA yang terhambat, atau proses epigenetik13. Dalam percobaan pada hewan, nikel diketahui memiliki potensi untuk menyebabkan berbagai tumor, dan kompleks nikel karsinogenik dapat memperburuk tumor tersebut.
Penilaian kontaminasi tanah telah berkembang pesat akhir-akhir ini karena berbagai macam masalah terkait kesehatan yang timbul dari hubungan tanah-tanaman, hubungan biologis tanah dan tanah, degradasi ekologi, dan penilaian dampak lingkungan. Hingga saat ini, prediksi spasial unsur-unsur yang berpotensi beracun (PTE) seperti Ni di tanah telah melelahkan 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 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 menangani representasi atribut spasial, terutama menggunakan model stokastik, seperti bagaimana analisis deret waktu mengkarakterisasi data temporal.” Geostatistik terutama melibatkan evaluasi variogram, yang memungkinkan mengukur dan menentukan ketergantungan nilai spasial dari setiap kumpulan data20.Gumiaux dkk. 20 lebih lanjut menggambarkan bahwa evaluasi variogram dalam geostatistik didasarkan pada tiga prinsip, meliputi (a) menghitung skala korelasi data, (b) mengidentifikasi dan menghitung anisotropi dalam disparitas himpunan data, dan (c) sebagai tambahan untuk Selain memperhitungkan kesalahan inheren dari 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, didorong 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 bergantung pada model MLA untuk memprediksi PTE dalam tanah, seperti Tan et al. 22 (hutan acak untuk estimasi logam berat di tanah pertanian), Sakizadeh et al. 23 (pemodelan menggunakan mesin vektor pendukung dan jaringan saraf tiruan) polusi tanah ). Selain itu, Vega et al. 24 (CART untuk pemodelan retensi dan adsorpsi logam berat di tanah) Sun et al. 25 (aplikasi kubisme adalah distribusi Cd di tanah) dan algoritma lain seperti k-nearest neighbor, regresi terdorong umum, dan regresi terdorong Pohon juga menerapkan MLA untuk memprediksi PTE di tanah.
Penerapan algoritma DSM dalam prediksi atau pemetaan menghadapi beberapa tantangan. Banyak penulis percaya bahwa MLA lebih unggul daripada geostatistik dan sebaliknya. Meskipun yang satu 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 satu dari banyak aspek berbeda yang terintegrasi ke dalam DSM untuk mengoptimalkan efektivitas dan mengurangi cacat. Namun, Agyeman et al. 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 muncul dari berbagai sumber kesalahan, yaitu kesalahan kovariat, kesalahan model, kesalahan lokasi, dan kesalahan analitis. 31. Ketidakakuratan pemodelan yang disebabkan dalam proses MLA dan geostatistik dikaitkan dengan kurangnya pemahaman, yang akhirnya mengarah pada penyederhanaan berlebihan dari proses sebenarnya. 32. Terlepas dari sifat pemodelan, ketidakakuratan dapat dikaitkan dengan parameter pemodelan, prediksi model matematika, atau interpolasi. 33. Baru-baru ini, tren DSM baru telah muncul yang mempromosikan integrasi geostatistik dan MLA dalam pemetaan dan peramalan. Beberapa ilmuwan tanah dan penulis, seperti Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 dan Tarasov et al. 37 telah mengeksploitasi kualitas geostatistik dan pembelajaran mesin yang akurat 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 et al., menggabungkan berbagai teknik pemodelan memiliki potensi untuk menghilangkan cacat dan meningkatkan efisiensi model hibrida yang dihasilkan daripada mengembangkan model tunggalnya. Dalam konteks ini, makalah baru ini berpendapat bahwa perlu untuk menerapkan algoritma gabungan geostatistik dan MLA untuk membuat model hibrida yang 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 model Support Vector Machine (SVM) dan Multiple Linear Regression (MLR). Hibridisasi EBK dengan MLA apa pun tidak diketahui. Beberapa model campuran yang terlihat adalah kombinasi dari ordinary, residual, regression kriging, dan MLA. EBK adalah metode interpolasi geostatistik yang menggunakan proses stokastik spasial yang dilokalisasi sebagai medan acak non-stasioner/stasioner dengan parameter lokalisasi yang ditentukan di atas medan, yang memungkinkan variasi spasial39. EBK telah digunakan dalam berbagai penelitian, termasuk menganalisis distribusi karbon organik di tanah pertanian40, menilai tanah polusi41 dan pemetaan sifat-sifat tanah42.
Di sisi lain, Self-Organizing Graph (SeOM) merupakan algoritma pembelajaran yang telah diaplikasikan dalam berbagai artikel seperti Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 dan Kebonye et al. 46 Menentukan atribut spasial dan pengelompokan elemen. Wang et al. 44 menguraikan bahwa SeOM merupakan teknik pembelajaran hebat yang dikenal karena kemampuannya untuk mengelompokkan dan membayangkan masalah non-linier. Tidak seperti teknik pengenalan pola lainnya seperti analisis komponen utama, pengelompokan fuzzy, pengelompokan hierarkis, dan pengambilan keputusan multikriteria, 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 memperoleh model terbaik guna mengkarakterisasi hasil untuk interpretasi langsung.
Makalah ini bertujuan untuk menghasilkan model pemetaan yang kuat dengan akurasi optimal untuk memprediksi kandungan nikel di 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 sementara tantangan ini ditangani di berbagai bidang, kombinasi kemajuan dalam geostatistik dan model MLA tampaknya bersifat inkremental; 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, apa tingkat evaluasi efisiensi berdasarkan validasi dan evaluasi akurasi? Oleh karena itu, tujuan khusus 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 di tanah perkotaan atau pinggiran kota, dan (d) penerapan SeOM untuk membuat peta resolusi tinggi dari 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 Carpathian. Wilayah penelitian terletak di antara 49° 41′ 0′ LU dan 18° 20′ 0′ BT, dan ketinggiannya antara 225 dan 327 m; Namun, sistem klasifikasi Koppen untuk kondisi iklim wilayah tersebut dinilai sebagai Cfb = iklim samudra sedang, Curah hujan sangat tinggi bahkan di bulan-bulan kering. Temperatur sedikit bervariasi 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. Luas wilayah survei yang diperkirakan dari seluruh wilayah adalah 1.208 kilometer persegi, dengan 39,38% lahan pertanian dan 49,36% tutupan hutan. Di sisi lain, wilayah yang digunakan dalam penelitian ini sekitar 889,8 kilometer persegi. Di dalam dan sekitar Ostrava, industri baja dan pabrik logam sangat aktif. Pabrik logam, industri baja tempat nikel digunakan dalam baja tahan karat (misalnya untuk ketahanan terhadap korosi atmosferik) dan baja paduan (nikel meningkatkan kekuatan paduan sambil mempertahankan keuletannya yang baik dan ketangguhan), dan pertanian intensif seperti aplikasi pupuk fosfat dan produksi ternak merupakan sumber potensial penelitian nikel di wilayah tersebut (misalnya, menambahkan nikel ke domba untuk meningkatkan laju pertumbuhan pada domba dan sapi yang diberi makan rendah). Penggunaan industri nikel lainnya di area penelitian mencakup penggunaannya dalam pelapisan listrik, termasuk pelapisan nikel secara listrik dan proses pelapisan nikel tanpa listrik. Sifat-sifat tanah mudah dibedakan dari warna tanah, struktur, dan kandungan karbonat. Tekstur tanah sedang hingga halus, berasal dari bahan induk. Sifatnya adalah koluvial, aluvial, atau aeolian. Beberapa area tanah tampak berbintik-bintik di permukaan dan lapisan tanah di bawahnya, sering kali dengan beton dan pemutihan. Namun, kambisol dan stagnosol adalah jenis tanah yang paling umum di wilayah tersebut48. Dengan ketinggian berkisar antara 455,1 hingga 493,5 m, kambisol mendominasi Republik Ceko49.
Peta area studi [Peta area 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 sampel yang digunakan adalah kisi-kisi teratur dengan jarak sampel tanah 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 dengan udara untuk menghasilkan sampel yang dihaluskan, dihaluskan dengan sistem mekanis (penggiling cakram Fritsch), dan diayak (ukuran saringan 2 mm). Tempatkan 1 gram sampel tanah yang dikeringkan, dihomogenkan, dan diayak dalam botol teflon yang diberi label dengan jelas. Di setiap wadah Teflon, keluarkan 7 ml HCl 35% dan 3 ml HNO3 65% (menggunakan dispenser otomatis – satu untuk setiap asam), tutup dengan ringan dan biarkan sampel berdiri semalam untuk reaksi (program aqua regia). Tempatkan supernatan pada pelat logam panas (suhu: 100 W dan 160 °C) selama 2 jam untuk memfasilitasi proses pencernaan sampel, kemudian dinginkan.Pindahkan supernatan ke dalam labu ukur 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 konsentrasi semu PTE.Konsentrasi PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditentukan oleh ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, AS) sesuai dengan metode dan kesepakatan standar.Pastikan prosedur Jaminan dan Kontrol Kualitas (QA/QC) (SRM NIST 2711a Montana II Soil).PTE dengan Batas deteksi di bawah setengahnya dikecualikan dari penelitian ini. Batas deteksi PTE yang digunakan dalam penelitian ini adalah 0,0004.(you).Selain itu, proses kontrol kualitas dan jaminan kualitas untuk setiap analisis dipastikan dengan menganalisis standar referensi.Untuk memastikan bahwa kesalahan diminimalkan, analisis ganda dilakukan.
Empirical Bayesian Kriging (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 diestimasi oleh model semivariogram. Dalam interpolasi EBK, beberapa model semivariogram dihitung selama interpolasi, bukan satu semivariogram tunggal. Teknik interpolasi memberi jalan bagi ketidakpastian dan pemrograman yang terkait dengan pembuatan plot semivariogram ini yang merupakan bagian yang sangat rumit dari metode kriging yang mencukupi. Proses interpolasi EBK mengikuti tiga kriteria yang diusulkan oleh Krivoruchko50, (a) model memperkirakan semivariogram dari kumpulan data input (b) nilai prediksi baru untuk setiap lokasi kumpulan data input berdasarkan semivariogram yang dihasilkan dan (c) model A akhir dihitung dari kumpulan data yang disimulasikan. Aturan persamaan Bayesian diberikan sebagai posterior
Jika \(Prob\left(A\right)\) menyatakan prior, maka probabilitas marginal \(Prob\left(B\right)\) diabaikan dalam kebanyakan kasus, \(Prob (B,A)\ ) . Perhitungan semivariogram didasarkan pada aturan Bayes, yang menunjukkan kecenderungan himpunan data observasi yang dapat dibuat dari semivariogram. Nilai semivariogram kemudian ditentukan menggunakan aturan Bayes, yang menyatakan seberapa besar kemungkinan untuk membuat himpunan data observasi dari semivariogram.
Support vector machine adalah algoritma pembelajaran mesin yang menghasilkan hiperbidang pemisah optimal untuk membedakan kelas yang identik tetapi tidak independen secara linear. Vapnik51 menciptakan algoritma klasifikasi intent, tetapi baru-baru ini digunakan untuk memecahkan masalah berorientasi regresi. Menurut Li et al.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 memelopori SVMR sebagai regresi berbasis kernel, yang komputasinya dilakukan menggunakan model regresi linier dengan fungsi spasial multinegara. John et al54 melaporkan bahwa pemodelan SVMR menggunakan regresi linier hiperbidang, yang menciptakan hubungan nonlinier dan memungkinkan fungsi spasial. Menurut Vohland et al. 55, epsilon (ε)-SVMR menggunakan kumpulan data 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 berkorelasi. Kesalahan jarak yang telah ditetapkan diabaikan dari nilai sebenarnya, dan jika kesalahan lebih besar dari ε(ε), sifat tanah mengompensasinya. 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 merupakan ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) merupakan fungsi kernel, \(\alpha\) merupakan pengali Lagrange, N merupakan himpunan data numerik, \({x}_{k}\) merupakan masukan data, dan \(y\) merupakan keluaran data.Salah satu kernel utama yang digunakan adalah operasi SVMR, yang merupakan fungsi basis radial Gaussian (RBF).Kernel RBF diterapkan untuk menentukan model SVMR optimal, yang sangat penting untuk memperoleh faktor himpunan penalti paling halus C dan parameter kernel gamma (γ) untuk data pelatihan PTE.Pertama, kami mengevaluasi himpunan pelatihan dan kemudian menguji kinerja model pada himpunan validasi.Parameter pengarah yang digunakan adalah sigma dan nilai metode adalah svmRadial.
Model regresi linier berganda (MLR) adalah model regresi yang menggambarkan hubungan antara variabel respon dengan sejumlah variabel prediktor dengan menggunakan parameter gabungan linier yang dihitung dengan metode kuadrat terkecil. Dalam MLR, model kuadrat terkecil adalah fungsi prediksi sifat tanah setelah pemilihan variabel penjelas. Respons perlu digunakan untuk membangun hubungan linier dengan variabel penjelas. PTE digunakan sebagai variabel respon untuk membangun hubungan linier dengan variabel penjelas. Persamaan MLR adalah
di mana y adalah variabel respon, \(a\) adalah intersep, n adalah jumlah prediktor, \({b}_{1}\) adalah regresi parsial dari koefisien, \({x}_{ i}\) menunjukkan variabel prediktor atau penjelas, dan \({\varepsilon }_{i}\) menunjukkan kesalahan dalam model, yang juga dikenal sebagai residual.
Model campuran diperoleh dengan menjepit EBK dengan SVMR dan MLR. Hal ini dilakukan dengan mengekstraksi nilai prediksi dari interpolasi EBK. Nilai prediksi yang diperoleh dari Ca, K, dan Mg yang diinterpolasi diperoleh melalui proses kombinatorial untuk mendapatkan variabel baru, seperti CaK, CaMg, dan KMg. Unsur-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, membantu memprediksi konsentrasi nikel di tanah perkotaan dan pinggiran kota. Algoritma SVMR dilakukan pada prediktor untuk mendapatkan model campuran Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Demikian pula, variabel juga disalurkan 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 di tanah perkotaan dan pinggiran kota.Model yang paling dapat diterima yang diperoleh (EBK_SVM atau EBK_MLR) kemudian akan divisualisasikan menggunakan grafik yang terorganisir sendiri.Alur kerja penelitian ini ditunjukkan pada Gambar 2.
Penggunaan SeOM telah menjadi alat yang populer untuk mengatur, mengevaluasi, dan memperkirakan 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 berdimensi input n43,56.Melssen dkk. 57 menggambarkan hubungan vektor masukan ke dalam jaringan saraf melalui satu lapisan masukan ke vektor keluaran dengan satu vektor bobot. Keluaran yang dihasilkan oleh SeOM adalah peta dua dimensi yang terdiri dari neuron atau simpul yang berbeda yang dijalin menjadi peta topologi heksagonal, melingkar, atau persegi sesuai dengan kedekatannya. 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 menurut jumlah simpul 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 set data pelatihan (75% untuk kalibrasi). Set data pelatihan digunakan untuk menghasilkan model regresi (kalibrasi), dan set 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 keakuratan 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 direpresentasikan oleh model regresi. RMSE dan besarnya varians dalam ukuran independen menggambarkan daya prediksi model, sementara MAE menentukan nilai kuantitatif aktual. Nilai R2 harus tinggi untuk mengevaluasi model campuran terbaik menggunakan parameter validasi, semakin dekat nilainya ke 1, semakin tinggi keakuratannya. Menurut Li et al. 59, nilai kriteria R2 sebesar 0,75 atau lebih besar dianggap sebagai prediktor yang baik; dari 0,5 hingga 0,75 adalah kinerja model yang dapat diterima, dan di bawah 0,5 adalah kinerja model yang tidak dapat diterima. Saat memilih model menggunakan metode evaluasi kriteria validasi RMSE dan MAE, nilai yang lebih rendah yang diperoleh sudah cukup dan dianggap sebagai pilihan terbaik. Persamaan berikut menjelaskan metode verifikasi.
di mana n melambangkan ukuran nilai yang diamati, \({Y}_{i}\) melambangkan respons yang diukur, dan \({\widehat{Y}}_{i}\) juga melambangkan nilai respons yang diprediksi, oleh karena itu, untuk i pengamatan pertama.
Deskripsi statistik variabel prediktor dan respons disajikan dalam Tabel 1, yang menunjukkan mean, standar deviasi (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, dan kemiringan. Nilai minimum dan maksimum unsur-unsur tersebut berurutan dalam urutan menurun Mg < Ca < K < Ni dan Ca < Mg < K < Ni. Konsentrasi variabel respons (Ni) yang diambil sampelnya dari area studi 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 geometrik yang dihitung secara keseluruhan untuk area studi berada dalam kisaran yang dapat ditoleransi. Meskipun demikian, seperti yang ditunjukkan oleh Kabata-Pendias11, perbandingan konsentrasi nikel (Ni) rata-rata dalam studi saat ini dengan tanah pertanian di Swedia menunjukkan bahwa konsentrasi nikel rata-rata saat ini lebih tinggi. Demikian pula, konsentrasi rata-rata Frydek Mistek di tanah perkotaan dan pinggiran kota dalam studi saat ini (Ni 16,15 mg/kg) lebih tinggi dari batas yang dibolehkan sebesar 60 (10,2 mg/kg) untuk Ni di tanah perkotaan Polandia yang dilaporkan oleh Różański et al. Lebih jauh, Bretzel dan Calderisi61 mencatat konsentrasi Ni rata-rata yang sangat rendah (1,78 mg/kg) di tanah perkotaan di Tuscany dibandingkan dengan penelitian saat ini. Jim62 juga menemukan konsentrasi nikel yang lebih rendah (12,34 mg/kg) di tanah perkotaan Hong Kong, yang lebih rendah dari konsentrasi nikel saat ini dalam penelitian ini. Birke et al63 melaporkan konsentrasi Ni rata-rata sebesar 17,6 mg/kg di area pertambangan dan industri perkotaan lama di Saxony-Anhalt, Jerman, yang 1,45 mg/kg lebih tinggi dari konsentrasi Ni rata-rata di area tersebut (16,15 mg/kg). Penelitian saat ini. Kandungan nikel yang berlebihan di tanah di beberapa area perkotaan dan pinggiran kota di area penelitian mungkin terutama disebabkan oleh industri besi dan baja serta industri logam. Hal ini konsisten dengan penelitian oleh Khodadoust et al. 64 bahwa industri baja dan pengerjaan logam merupakan sumber utama kontaminasi nikel dalam tanah. Namun, prediktor 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 et al. 65 menyelidiki total kandungan Mg dan K pada tanah di Serbia bagian tengah. Mereka menemukan bahwa total konsentrasi (masing-masing 410 mg/kg dan 400 mg/kg) lebih rendah daripada konsentrasi Mg dan K dalam penelitian saat ini. Tidak dapat dibedakan, di Polandia bagian timur, Orzechowski dan Smolczynski66 menilai total kandungan 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 elemen tunggal dalam penelitian ini. Sebuah penelitian terbaru oleh Pongrac et al.67 menunjukkan bahwa total kandungan 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 terukur dari unsur-unsur yang dijadikan sampel, distribusi himpunan data unsur-unsur tersebut menunjukkan kemiringan yang berbeda. Kemiringan dan kurtosis unsur-unsur tersebut berkisar antara 1,53 hingga 7,24 dan 2,49 hingga 54,16, berturut-turut. Semua unsur yang dihitung memiliki tingkat kemiringan dan kurtosis di atas +1, yang mengindikasikan bahwa distribusi data tidak teratur, miring ke arah yang benar, dan memuncak. Perkiraan CV unsur-unsur tersebut juga menunjukkan bahwa K, Mg, dan Ni menunjukkan variabilitas sedang, sementara Ca memiliki variabilitas yang sangat tinggi. CV K, Ni, dan Mg menjelaskan distribusinya yang seragam. Lebih jauh lagi, 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 menunjukkan bahwa CaK menunjukkan korelasi sedang dengan nilai r = 0,53, seperti halnya CaNi. Meskipun Ca dan K menunjukkan hubungan yang sederhana satu sama lain, para peneliti seperti Kingston et al. 68 dan Santo69 mengemukakan bahwa kadar mereka dalam tanah berbanding terbalik. Akan tetapi, Ca dan Mg bersifat antagonis terhadap K, tetapi CaK berkorelasi baik. Hal ini mungkin disebabkan oleh penerapan pupuk seperti kalium karbonat, yang 56% lebih tinggi kaliumnya. Kalium berkorelasi sedang dengan magnesium (KM r = 0,63). Dalam industri pupuk, kedua unsur ini saling berkaitan erat karena kalium magnesium sulfat, kalium magnesium nitrat, dan kalium digunakan pada tanah untuk meningkatkan kadar defisiensinya. Nikel berkorelasi sedang dengan Ca, K, dan Mg dengan nilai r masing-masing = 0,52, 0,63, dan 0,55. 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 yang menunjukkan hubungan antara prediktor dan respons (Catatan: gambar ini menyertakan diagram sebar antara 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 menyorot 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 besar 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. 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 di dalam tanah. Pengayaan Kalium Spasial di wilayah barat laut peta distribusi mungkin disebabkan oleh penggunaan pupuk berbasis kalium seperti kalium klorida, kalium sulfat, kalium nitrat, kalium, dan kalium fosfat untuk meningkatkan kandungan kalium di tanah yang buruk.Zádorová et al. 76 dan Tlustoš et al. 77 menggarisbawahi bahwa aplikasi pupuk berbasis K meningkatkan kandungan K dalam tanah dan akan secara signifikan meningkatkan kandungan nutrisi tanah dalam jangka panjang, terutama K dan Mg yang menunjukkan titik panas di dalam tanah. Titik panas yang relatif sedang di barat laut peta dan tenggara peta. Fiksasi koloid di dalam tanah menghabiskan konsentrasi magnesium di dalam tanah. Kekurangannya di dalam tanah menyebabkan tanaman menunjukkan klorosis intervein kekuningan. Pupuk berbasis magnesium, seperti kalium magnesium sulfat, magnesium sulfat, dan Kieserite, mengatasi defisiensi (tanaman tampak ungu, merah, atau cokelat, yang menunjukkan defisiensi magnesium) di dalam tanah dengan kisaran pH normal6. Akumulasi nikel di 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 performa model untuk unsur-unsur 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 kumpulan data yang berbeda. RMSE dan MAE penelitian ini menggunakan EBK untuk memprediksi Ni ditemukan lebih baik daripada hasil John et al. 54 menggunakan kriging sinergis untuk memprediksi konsentrasi S di tanah menggunakan data yang dikumpulkan yang sama. Keluaran EBK yang kami pelajari berkorelasi dengan keluaran Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 dan John et al. 82, terutama K dan Ni.
Kinerja masing-masing metode untuk memprediksi kandungan nikel di 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 model R2, root mean square error (RMSE) dan mean absolute error (MAE) adalah 0,637 (R2), 95,479 mg/kg (RMSE) dan 77,368 mg/kg (MAE) Ca_Mg_K-SVMR adalah 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-EBK_SVMR (0,643 = R2); Hasil RMSE dan MAE mereka lebih tinggi daripada hasil RMSE 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 hasil RMSE dan MAE 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 adalah 2,5 dan 2,2 lebih besar daripada hasil RMSE dan MAE Ca_Mg_K-EBK_SVMR. Hasil RMSE yang dihitung menunjukkan seberapa terkonsentrasinya kumpulan data dengan garis kecocokan terbaik. RSME dan MAE yang lebih tinggi diamati. Menurut Kebonye et al. 46 dan john et al. 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, yang menunjukkan adanya outlier. Menurut Legates dan McCabe 83, sejauh mana RMSE melebihi kesalahan absolut rata-rata (MAE) direkomendasikan sebagai indikator keberadaan outlier. Ini berarti bahwa semakin heterogen dataset, semakin tinggi nilai MAE dan RMSE. Keakuratan penilaian validasi silang model campuran Ca_Mg_K-EBK_SVMR untuk memprediksi kandungan Ni di tanah perkotaan dan pinggiran kota adalah 63,70%. Menurut Li et al. 59, tingkat akurasi ini adalah tingkat kinerja model yang dapat diterima. Hasil saat ini dibandingkan dengan penelitian sebelumnya oleh Tarasov et al. 36 yang model hibridanya menciptakan MLPRK (Multilayer Perceptron Residual Kriging), terkait dengan indeks evaluasi akurasi EBK_SVMR yang dilaporkan dalam penelitian saat ini, RMSE (210) dan MAE (167,5) lebih tinggi daripada hasil kami dalam penelitian saat ini (RMSE 95,479, MAE 77,368). Namun, ketika membandingkan R2 dari penelitian saat ini (0,637) dengan Tarasov et al. 36 (0,544), jelas bahwa koefisien determinasi (R2) lebih tinggi dalam model campuran ini. Margin kesalahan (RMSE dan MAE) (EBK SVMR) untuk model campuran dua kali lebih rendah. Demikian pula, Sergeev et al.34 mencatat 0,28 (R2) untuk model hibrida yang dikembangkan (Multilayer Perceptron Residual Kriging), sementara Ni dalam penelitian saat ini mencatat 0,637 (R2). Tingkat akurasi prediksi model ini (EBK SVMR) adalah 63,7%, sedangkan akurasi prediksi yang diperoleh oleh Sergeev et al. 34 adalah 28%. Peta akhir (Gbr. 5) yang dibuat menggunakan model EBK_SVMR dan Ca_Mg_K sebagai prediktor menunjukkan prediksi titik panas dan nikel sedang hingga tinggi di seluruh area penelitian. Ini berarti bahwa konsentrasi nikel di area penelitian sebagian besar sedang, dengan konsentrasi yang lebih tinggi di beberapa area tertentu.
Peta prediksi akhir direpresentasikan menggunakan model hibrid EBK_SVMR dan menggunakan Ca_Mg_K sebagai prediktor. [Peta distribusi spasial dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Yang disajikan dalam Gambar 6 adalah konsentrasi PTE sebagai bidang komposisi yang terdiri dari neuron-neuron individual. Tidak ada bidang komponen yang menunjukkan pola warna yang sama seperti yang ditunjukkan. Akan tetapi, jumlah neuron yang tepat per peta yang digambar adalah 55. SeOM diproduksi menggunakan berbagai warna, dan semakin mirip pola warnanya, semakin sebanding sifat-sifat sampelnya. Menurut skala warna yang tepat, elemen-elemen individual (Ca, K, dan Mg) menunjukkan pola warna yang mirip dengan neuron tunggal tingkat tinggi dan sebagian besar neuron tingkat rendah. Dengan demikian, CaK dan CaMg memiliki beberapa kesamaan dengan neuron tingkat sangat tinggi dan pola warna rendah hingga sedang. Kedua model tersebut memprediksi konsentrasi Ni dalam tanah dengan menampilkan corak warna sedang hingga tinggi seperti merah, jingga, 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 hingga tinggi, pola distribusi planar dari komponen-komponen model menunjukkan pola warna tinggi yang menunjukkan potensi konsentrasi nikel dalam tanah (lihat Gambar 4). Model CakMg bidang komponen menunjukkan pola warna yang beragam dari rendah hingga tinggi menurut skala warna yang akurat. Lebih jauh lagi, prediksi model terhadap kandungan nikel (CakMg) serupa 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 menunjukkan jumlah klaster yang optimal. Dari 115 sampel tanah yang dikumpulkan, kategori 1 memperoleh sampel tanah terbanyak, 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 dibedakan dengan benar dalam peta SeOM yang terdistribusi78.
Keluaran 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 terkini dengan jelas menggambarkan teknik pemodelan untuk konsentrasi nikel di tanah perkotaan dan pinggiran kota. Studi ini menguji berbagai teknik pemodelan, menggabungkan elemen dengan teknik pemodelan, untuk mendapatkan cara terbaik untuk memprediksi konsentrasi nikel di tanah. Fitur spasial planar komposisi SeOM dari teknik pemodelan menunjukkan pola warna tinggi dari rendah ke tinggi pada skala warna yang akurat, yang menunjukkan konsentrasi Ni di tanah. Namun, peta distribusi spasial mengonfirmasi 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 di tanah sebagai model tunggal, tetapi parameter evaluasi validasi dan 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 dengan 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 studi dapat meningkatkan prediksi Ni dalam tanah. Artinya, aplikasi pupuk berbasis nikel secara terus-menerus dan pencemaran tanah secara industri oleh industri baja memiliki kecenderungan untuk 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; sebagai tambahan, kami mengusulkan untuk menggunakan EBK untuk melakukan hibridisasi dengan berbagai algoritma pembelajaran mesin. Konsentrasi Ni diprediksi menggunakan unsur-unsur sebagai kovariat; Namun, penggunaan lebih banyak kovariat akan sangat meningkatkan performa model, yang dapat dianggap sebagai keterbatasan penelitian saat ini. Keterbatasan lain dari penelitian ini adalah jumlah set data yang hanya 115. Oleh karena itu, jika lebih banyak data disediakan, performa metode hibridisasi optimal yang diusulkan dapat ditingkatkan.
PlantProbs.net.Nickel pada Tanaman dan Tanah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nikel maju dalam toksikologi lingkungan modern. lingkungan. toksikologi.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikel: Tinjauan sumber dan toksikologi lingkungan. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Masukan polutan dari atmosfer dan akumulasi di tanah dan vegetasi di dekat peleburan nikel-tembaga di Sudbury, Ontario, Kanada.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam berat di tanah, tanaman, dan risiko yang terkait dengan penggembalaan ruminansia di dekat tambang tembaga-nikel Selebi-Phikwe di Botswana.lingkungan.Geokimia.Kesehatan https://doi.org/10.1007/s10653-021-00918-x (2021).
Bahasa Indonesia: Cabata-Pendias.Kabata-Pendias A. 2011. Elemen 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 & 1995, tidak terdefinisi. Dampak industri nikel Rusia terhadap konsentrasi logam berat di tanah pertanian dan rumput di Soer-Varanger, Norwegia.agris.fao.org.
Nielsen, GD et al. Penyerapan dan retensi nikel dalam air minum berhubungan dengan asupan makanan dan sensitivitas nikel. toksikologi. aplikasi. Farmakodinamik. 154, 67–75 (1999).
Costa, M. & Klein, CB Karsinogenesis nikel, mutasi, epigenetika 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 beracun: 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).