Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando supporta solo CSS. Per un'esperienza ottimale, ti consigliamo di utilizzare un browser aggiornato (o di disattivare la modalità compatibilità in Internet Explorer). Nel frattempo, per garantire un supporto continuo, visualizzeremo il sito senza stili e JavaScript.
L'inquinamento del suolo è un grosso problema causato dalle attività umane. La distribuzione spaziale degli elementi potenzialmente tossici (PTE) varia nella maggior parte delle aree urbane e periurbane. Pertanto, è difficile prevedere spazialmente il contenuto di PTE in tali suoli. Un totale di 115 campioni sono stati ottenuti da Frydek Mistek nella Repubblica Ceca. Le concentrazioni di calcio (Ca), magnesio (Mg), potassio (K) e nichel (Ni) sono state determinate utilizzando la spettrometria di emissione al plasma accoppiato induttivamente. La variabile di risposta è Ni e i predittori sono Ca, Mg e K. La matrice di correlazione tra la variabile di risposta e la variabile predittiva mostra una correlazione soddisfacente tra gli elementi. I risultati della previsione hanno mostrato che la regressione della macchina a vettori di supporto (SVMR) ha funzionato bene, sebbene il suo errore quadratico medio stimato (RMSE) (235,974 mg/kg) e l'errore assoluto medio (MAE) (166,946 mg/kg) fossero superiori rispetto agli altri metodi applicati. Modelli misti per Bayesiano empirico La regressione lineare multipla Kriging (EBK-MLR) ha prestazioni scadenti, come evidenziato da coefficienti di determinazione inferiori a 0,1. Il modello di regressione empirica bayesiana Kriging-Support Vector Machine (EBK-SVMR) è stato il modello migliore, con valori bassi di RMSE (95,479 mg/kg) e MAE (77,368 mg/kg) e coefficiente di determinazione elevato (R2 = 0,637). L'output della tecnica di modellazione EBK-SVMR è visualizzato utilizzando una mappa auto-organizzante. I neuroni raggruppati nel piano del componente del modello ibrido CakMg-EBK-SVMR mostrano molteplici modelli di colori che prevedono le concentrazioni di Ni nei suoli urbani e periurbani. I risultati dimostrano che la combinazione di EBK e SVMR è una tecnica efficace per prevedere le concentrazioni di Ni nei suoli urbani e periurbani.
Il nichel (Ni) è considerato un micronutriente per le piante perché contribuisce alla fissazione dell'azoto atmosferico (N) e al metabolismo dell'urea, entrambi necessari per la germinazione dei semi. Oltre al suo contributo alla germinazione dei semi, il Ni può agire come inibitore fungino e batterico e promuovere lo sviluppo delle piante. La mancanza di nichel nel terreno consente alla pianta di assorbirlo, con conseguente clorosi delle foglie. Ad esempio, i fagioli dall'occhio e i fagiolini richiedono l'applicazione di fertilizzanti a base di nichel per ottimizzare la fissazione dell'azoto2. L'applicazione continua di fertilizzanti a base di nichel per arricchire il terreno e aumentare la capacità dei legumi di fissare l'azoto nel terreno aumenta continuamente la concentrazione di nichel nel terreno. Sebbene il nichel sia un micronutriente per le piante, il suo eccessivo apporto nel terreno può fare più male che bene. La tossicità del nichel nel terreno riduce al minimo il pH del terreno e ostacola l'assorbimento del ferro come nutriente essenziale per la crescita delle piante1. Secondo Liu3, è stato scoperto che il Ni è il 17° elemento importante necessario per lo sviluppo e la crescita delle piante. Oltre al ruolo del nichel nello sviluppo e nella crescita delle piante, Gli esseri umani ne hanno bisogno per una varietà di applicazioni. La galvanica, la produzione di leghe a base di nichel e la fabbricazione di dispositivi di accensione e candele nell'industria automobilistica richiedono tutte l'uso del nichel in vari settori industriali. Inoltre, le leghe a base di nichel e gli articoli galvanici sono stati ampiamente utilizzati in utensili da cucina, accessori da sala da ballo, forniture per l'industria alimentare, elettricità, fili e cavi, turbine a reazione, impianti chirurgici, tessuti e costruzione navale5. I livelli ricchi di nichel nei terreni (ovvero terreni superficiali) sono stati attribuiti sia a fonti antropiche che naturali, ma principalmente, il Ni è una fonte naturale piuttosto che antropica4,6. Le fonti naturali di nichel includono eruzioni vulcaniche, vegetazione, incendi boschivi e processi geologici; tuttavia, le fonti antropiche includono batterie al nichel/cadmio nell'industria siderurgica, galvanica, saldatura ad arco, diesel e oli combustibili ed emissioni atmosferiche derivanti dalla combustione del carbone e dall'incenerimento di rifiuti e fanghi Accumulo di nichel7,8.Secondo Freedman e Hutchinson9 e Manyiwa et al. 10, le principali fonti di inquinamento dello strato superficiale del suolo nell'ambiente circostante e immediato sono principalmente fonderie e miniere a base di nichel-rame. Lo strato superficiale del suolo attorno alla raffineria di nichel-rame di Sudbury in Canada presentava i livelli più elevati di contaminazione da nichel, pari a 26.000 mg/kg11. Al contrario, l'inquinamento derivante dalla produzione di nichel in Russia ha determinato concentrazioni di nichel più elevate nel suolo norvegese11. Secondo Alms et al. 12, la quantità di nichel estraibile con HNO3 nei principali terreni arabili della regione (produzione di nichel in Russia) variava da 6,25 a 136,88 mg/kg, corrispondente a una media di 30,43 mg/kg e una concentrazione di base di 25 mg/kg. Secondo kabata 11, l'applicazione di fertilizzanti al fosforo nei terreni agricoli urbani o periurbani durante le successive stagioni di coltivazione può infondere o contaminare il terreno. I potenziali effetti del nichel sugli esseri umani possono portare al cancro attraverso mutagenesi, danni cromosomici, generazione di Z-DNA, riparazione per escissione del DNA bloccato o processi epigenetici13. Negli esperimenti sugli animali, si è scoperto che il nichel ha il potenziale di causare una varietà di tumori e i complessi cancerogeni del nichel possono esacerbare tali tumori.
Le valutazioni della contaminazione del suolo hanno registrato un notevole sviluppo negli ultimi tempi a causa di una vasta gamma di problematiche sanitarie derivanti dalle relazioni suolo-pianta, dalle relazioni suolo-biologia del suolo, dal degrado ecologico e dalla valutazione dell'impatto ambientale. Ad oggi, la previsione spaziale di elementi potenzialmente tossici (PTE) come il nichel nel suolo è stata laboriosa e dispendiosa in termini di tempo utilizzando metodi tradizionali. L'avvento della mappatura digitale del suolo (DSM) e il suo attuale successo15 hanno notevolmente migliorato la mappatura predittiva del suolo (PSM). Secondo Minasny e McBratney16, la mappatura predittiva del suolo (DSM) si è dimostrata una sottodisciplina di spicco della pedologia. Lagacherie e McBratney, 2006, definiscono la DSM come "la creazione e il riempimento di sistemi informativi spaziali sul suolo attraverso l'uso di metodi di osservazione in situ e in laboratorio e sistemi di inferenza spaziale e non spaziale sul suolo". McBratney et al. 17 sottolineano che il DSM o PSM contemporaneo è la tecnica più efficace per prevedere o mappare la distribuzione spaziale di PTE, tipi di suolo e proprietà del suolo. La geostatistica e gli algoritmi di apprendimento automatico (MLA) sono tecniche di modellazione DSM che creano mappe digitalizzate con l'ausilio di computer utilizzando dati significativi e minimi.
Deutsch18 e Olea19 definiscono la geostatistica come "l'insieme di tecniche numeriche che si occupano della rappresentazione di attributi spaziali, impiegando principalmente modelli stocastici, come l'analisi delle serie temporali che caratterizza i dati temporali". In primo luogo, la geostatistica prevede la valutazione di variogrammi, che consentono di quantificare e definire le dipendenze dei valori spaziali da ciascun dataset20. Gumiaux et al. 20 illustrano ulteriormente che la valutazione dei variogrammi in geostatistica si basa su tre principi, tra cui (a) il calcolo della scala di correlazione dei dati, (b) l'identificazione e il calcolo dell'anisotropia nella disparità del set di dati e (c) oltre a Oltre a tenere in considerazione l'errore intrinseco dei dati di misurazione separati dagli effetti locali, vengono stimati anche gli effetti dell'area. Sulla base di questi concetti, in geostatistica vengono utilizzate molte tecniche di interpolazione, tra cui il kriging generale, il co-kriging, il kriging ordinario, il kriging bayesiano empirico, il metodo del kriging semplice e altre note tecniche di interpolazione per mappare o prevedere PTE, caratteristiche del suolo e tipi di suolo.
Gli algoritmi di apprendimento automatico (MLA) sono una tecnica relativamente nuova che impiega classi di dati non lineari più grandi, alimentata da algoritmi utilizzati principalmente per il data mining, l'identificazione di modelli nei dati e ripetutamente applicati alla classificazione in campi scientifici come la pedologia e le attività di restituzione. Numerosi articoli di ricerca si basano su modelli MLA per prevedere l'PTE nei terreni, come Tan et al. 22 (foreste casuali per la stima dei metalli pesanti nei terreni agricoli), Sakizadeh et al. 23 (modellazione mediante macchine a vettori di supporto e reti neurali artificiali) inquinamento del suolo). Inoltre, Vega et al. 24 (CART per la modellazione della ritenzione e dell'adsorbimento dei metalli pesanti nel suolo) Sun et al. 25 (applicazione del cubista nella distribuzione del Cd nel suolo) e altri algoritmi come k-nearest neighbor, regressione generalizzata potenziata e alberi di regressione potenziata hanno anche applicato MLA per prevedere l'PTE nel suolo.
L'applicazione degli algoritmi DSM nella previsione o nella mappatura si scontra con diverse sfide. Molti autori ritengono che l'MLA sia superiore alla geostatistica e viceversa. Sebbene uno sia migliore dell'altro, la combinazione dei due migliora il livello di accuratezza della mappatura o della previsione nel DSM15. Woodcock e Gopal26 Finke27; Pontius e Cheuk28 e Grunwald29 commentano le carenze e alcuni errori nella mappatura del suolo prevista. Gli scienziati del suolo hanno provato diverse tecniche per ottimizzare l'efficacia, l'accuratezza e la prevedibilità della mappatura e delle previsioni del DSM. La combinazione di incertezza e verifica è uno dei tanti aspetti diversi integrati nel DSM per ottimizzare l'efficacia e ridurre i difetti. Tuttavia, Agyeman et al. 15 sottolineano che il comportamento di convalida e l'incertezza introdotti dalla creazione e dalla previsione della mappa dovrebbero essere convalidati in modo indipendente per migliorare la qualità della mappa. I limiti del DSM sono dovuti alla qualità del suolo geograficamente dispersa, che implica una componente di incertezza; Tuttavia, la mancanza di certezza nel DSM può derivare da molteplici fonti di errore, vale a dire errore di covariata, errore del modello, errore di posizione ed errore analitico 31. Le imprecisioni di modellazione indotte nei processi MLA e geostatistici sono associate a una mancanza di comprensione, che in ultima analisi porta a una semplificazione eccessiva del processo reale32. Indipendentemente dalla natura della modellazione, le imprecisioni possono essere attribuite a parametri di modellazione, previsioni di modelli matematici o interpolazione33. Recentemente, è emersa una nuova tendenza DSM che promuove l'integrazione di geostatistica e MLA nella mappatura e nelle previsioni. Diversi scienziati del suolo e autori, come Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 e Tarasov et al. 37 hanno sfruttato la qualità accurata della geostatistica e dell'apprendimento automatico per generare modelli ibridi che migliorano l'efficienza delle previsioni e della mappatura. qualità. Alcuni di questi modelli di algoritmi ibridi o combinati sono il Kriging di reti neurali artificiali (ANN-RK), il Kriging residuo del perceptron multistrato (MLP-RK), il Kriging residuo della rete neurale di regressione generalizzata (GR-NNRK)36, il Kriging di reti neurali artificiali-perceptron multistrato (ANN-K-MLP)37 e il Co-Kriging e la regressione del processo gaussiano38.
Secondo Sergeev et al., la combinazione di varie tecniche di modellazione ha il potenziale per eliminare i difetti e aumentare l'efficienza del modello ibrido risultante piuttosto che sviluppare il suo modello singolo. In questo contesto, questo nuovo articolo sostiene che è necessario applicare un algoritmo combinato di geostatistica e MLA per creare modelli ibridi ottimali per prevedere l'arricchimento di Ni nelle aree urbane e periurbane. Questo studio si baserà sull'Empirical Bayesian Kriging (EBK) come modello di base e lo mescolerà con modelli di Support Vector Machine (SVM) e Multiple Linear Regression (MLR). L'ibridazione di EBK con qualsiasi MLA non è nota. I modelli misti multipli visti sono combinazioni di kriging ordinario, residuo, di regressione e MLA. EBK è un metodo di interpolazione geostatistica che utilizza un processo spazialmente stocastico localizzato come un campo casuale non stazionario/stazionario con parametri di localizzazione definiti sul campo, consentendo la variazione spaziale39. EBK è stato utilizzato in una varietà di studi, tra cui l'analisi della distribuzione del carbonio organico nelle aziende agricole suoli40, valutazione dell'inquinamento del suolo41 e mappatura delle proprietà del suolo42.
D'altra parte, il Self-Organizing Graph (SeOM) è un algoritmo di apprendimento che è stato applicato in vari articoli come Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 e Kebonye et al. 46 Determinano gli attributi spaziali e il raggruppamento degli elementi. Wang et al. 44 sottolineano che SeOM è una potente tecnica di apprendimento nota per la sua capacità di raggruppare e immaginare problemi non lineari. A differenza di altre tecniche di riconoscimento di pattern come l'analisi delle componenti principali, il clustering fuzzy, il clustering gerarchico e il processo decisionale multicriteriale, SeOM è migliore nell'organizzare e identificare i pattern PTE. Secondo Wang et al. 44, SeOM può raggruppare spazialmente la distribuzione dei neuroni correlati e fornire una visualizzazione dei dati ad alta risoluzione. SeOM visualizzerà i dati di previsione Ni per ottenere il modello migliore per caratterizzare i risultati per l'interpretazione diretta.
Questo documento mira a generare un modello di mappatura robusto con accuratezza ottimale per prevedere il contenuto di nichel nei suoli urbani e periurbani. Ipotizziamo che l'affidabilità del modello misto dipenda principalmente dall'influenza di altri modelli collegati al modello di base. Riconosciamo le sfide che il DSM deve affrontare e, sebbene queste sfide vengano affrontate su più fronti, la combinazione di progressi nella geostatistica e nei modelli MLA sembra essere incrementale; pertanto, cercheremo di rispondere a domande di ricerca che potrebbero produrre modelli misti. Tuttavia, quanto è accurato il modello nel prevedere l'elemento target? Inoltre, qual è il livello di valutazione dell'efficienza basato sulla convalida e sulla valutazione dell'accuratezza? Pertanto, gli obiettivi specifici di questo studio erano (a) creare un modello di miscela combinato per SVMR o MLR utilizzando EBK come modello di base, (b) confrontare i modelli risultanti, (c) proporre il miglior modello di miscela per prevedere le concentrazioni di Ni nei suoli urbani o periurbani e (d) l'applicazione di SeOM per creare una mappa ad alta risoluzione della variazione spaziale del nichel.
Lo studio è stato condotto nella Repubblica Ceca, più precisamente nel distretto di Frydek Mistek nella regione della Moravia-Slesia (vedere Figura 1). La geografia dell'area di studio è molto accidentata e rientra principalmente nella regione dei Beschidi della Moravia-Slesia, che fa parte del margine esterno dei Monti Carpazi. L'area di studio si trova tra 49° 41′ 0′ N e 18° 20′ 0′ E, e l'altitudine è compresa tra 225 e 327 m; Tuttavia, il sistema di classificazione di Koppen per lo stato climatico della regione è classificato come Cfb = clima oceanico temperato, c'è molta pioggia anche nei mesi secchi. Le temperature variano leggermente durante l'anno tra -5 °C e 24 °C, raramente scendendo sotto -14 °C o sopra i 30 °C, mentre la precipitazione media annua è compresa tra 685 e 752 mm47. L'area di indagine stimata dell'intera area è di 1.208 chilometri quadrati, con il 39,38% del terreno coltivato e il 49,36% della copertura forestale. D'altra parte, l'area utilizzata in questo studio è di circa 889,8 chilometri quadrati. A Ostrava e nei dintorni, l'industria siderurgica e le lavorazioni dei metalli sono molto attive. Laminatoi, l'industria siderurgica in cui il nichel viene utilizzato negli acciai inossidabili (ad esempio per la resistenza alla corrosione atmosferica) e negli acciai legati (il nichel aumenta la resistenza della lega mantenendone una buona duttilità e tenacità) e agricoltura intensiva come L'applicazione di fertilizzanti fosfatici e la produzione di bestiame sono potenziali fonti di nichel per la ricerca nella regione (ad esempio, l'aggiunta di nichel agli agnelli per aumentare i tassi di crescita negli agnelli e nei bovini a basso contenuto di grassi). Altri usi industriali del nichel nelle aree di ricerca includono il suo utilizzo nella galvanica, compresi i processi di galvanica con nichel e di nichelatura chimica. Le proprietà del suolo sono facilmente distinguibili dal colore, dalla struttura e dal contenuto di carbonato. La tessitura del suolo è da media a fine, derivante dal materiale di origine. Sono di natura colluviale, alluvionale o eolica. Alcune aree del suolo appaiono screziate in superficie e nel sottosuolo, spesso con cemento e sbiancamento. Tuttavia, i cambisuoli e gli stagnosuoli sono i tipi di suolo più comuni nella regione48. Con altitudini che vanno da 455,1 a 493,5 m, i cambisuoli dominano la Repubblica Ceca49.
Mappa dell'area di studio [La mappa dell'area di studio è stata creata utilizzando ArcGIS Desktop (ESRI, Inc, versione 10.7, URL: https://desktop.arcgis.com).]
Sono stati ottenuti in totale 115 campioni di terreno superficiale da suoli urbani e periurbani nel distretto di Frydek Mistek. Il modello di campionamento utilizzato era una griglia regolare con campioni di terreno distanziati di 2 × 2 km e il terreno superficiale è stato misurato a una profondità da 0 a 20 cm utilizzando un dispositivo GPS portatile (Leica Zeno 5 GPS). I campioni sono stati confezionati in sacchetti Ziploc, opportunamente etichettati e spediti al laboratorio. I campioni sono stati essiccati all'aria per produrre campioni polverizzati, polverizzati da un sistema meccanico (mulino a dischi Fritsch) e setacciati (dimensione setaccio 2 mm). Mettere 1 grammo di campioni di terreno essiccati, omogeneizzati e setacciati in bottiglie di teflon chiaramente etichettate. In ogni contenitore di teflon, dispensare 7 ml di HCl al 35% e 3 ml di HNO3 al 65% (utilizzando un dosatore automatico, uno per ciascun acido), coprire leggermente e lasciare riposare i campioni per una notte per la reazione (programma acqua regia). Posizionare il surnatante su una piastra metallica calda (temperatura: 100 W e 160 °C) per 2 ore per facilitare il processo di digestione dei campioni, quindi raffreddare. Trasferire il surnatante in un matraccio volumetrico da 50 ml e diluire a 50 ml con acqua deionizzata. Successivamente, filtrare il surnatante diluito in una provetta in PVC da 50 ml con acqua deionizzata. Inoltre, 1 ml della soluzione di diluizione è stato diluito con 9 ml di acqua deionizzata e filtrato in una provetta da 12 ml preparata per la pseudo-concentrazione di PTE. Le concentrazioni di PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) sono state determinate mediante ICP-OES (spettroscopia ottica a plasma accoppiato induttivamente) (Thermo Fisher Scientific, USA) secondo metodi standard e accordi. Garantire le procedure di garanzia e controllo della qualità (QA/QC) (SRM NIST 2711a Montana II Soil). I PTE con limiti di rilevamento inferiori alla metà sono stati esclusi da questo studio. Il limite di rilevamento del PTE utilizzato in questo studio era 0,0004.(tu). Inoltre, il processo di controllo qualità e garanzia della qualità per ciascuna analisi è garantito dall'analisi di standard di riferimento. Per garantire che gli errori fossero ridotti al minimo, è stata eseguita una doppia analisi.
Il Kriging Bayesiano Empirico (EBK) è una delle tante tecniche di interpolazione geostatistica utilizzate nella modellazione in diversi campi come la pedologia. A differenza di altre tecniche di interpolazione di kriging, l'EBK differisce dai metodi di kriging tradizionali considerando l'errore stimato dal modello del semivariogramma. Nell'interpolazione EBK, vengono calcolati diversi modelli di semivariogramma durante l'interpolazione, anziché un singolo semivariogramma. Le tecniche di interpolazione lasciano spazio all'incertezza e alla programmazione associate a questa rappresentazione grafica del semivariogramma che costituisce una parte altamente complessa di un metodo di kriging sufficiente. Il processo di interpolazione dell'EBK segue i tre criteri proposti da Krivoruchko50, (a) il modello stima il semivariogramma dal set di dati di input (b) il nuovo valore previsto per ciascuna posizione del set di dati di input in base al semivariogramma generato e (c) il modello A finale viene calcolato da un set di dati simulato. La regola dell'equazione bayesiana è data come una regola a posteriori
Dove \(Prob\left(A\right)\) rappresenta la probabilità a priori, \(Prob\left(B\right)\) la probabilità marginale viene ignorata nella maggior parte dei casi, \(Prob (B,A)\ ). Il calcolo del semivariogramma si basa sulla regola di Bayes, che mostra la propensione dei set di dati di osservazione che possono essere creati dai semivariogrammi. Il valore del semivariogramma viene quindi determinato utilizzando la regola di Bayes, che indica la probabilità di creare un set di dati di osservazioni dal semivariogramma.
Una macchina a vettori di supporto è un algoritmo di apprendimento automatico che genera un iperpiano di separazione ottimale per distinguere classi identiche ma non linearmente indipendenti. Vapnik51 ha creato l'algoritmo di classificazione dell'intento, ma è stato recentemente utilizzato per risolvere problemi orientati alla regressione. Secondo Li et al.52, SVM è una delle migliori tecniche di classificazione ed è stata utilizzata in vari campi. In questa analisi è stato utilizzato il componente di regressione di SVM (Support Vector Machine Regression – SVMR). Cherkassky e Mulier53 hanno sperimentato SVMR come regressione basata sul kernel, il cui calcolo è stato eseguito utilizzando un modello di regressione lineare con funzioni spaziali multi-paese. John et al54 riferiscono che la modellazione SVMR impiega la regressione lineare dell'iperpiano, che crea relazioni non lineari e consente funzioni spaziali. Secondo Vohland et al. 55, epsilon (ε)-SVMR utilizza il set di dati addestrato per ottenere un modello di rappresentazione come funzione insensibile a epsilon che viene applicata per mappare i dati in modo indipendente con la migliore distorsione epsilon dall'addestramento sui dati correlati. L'errore di distanza preimpostato viene ignorato dal valore effettivo e, se l'errore è maggiore di ε(ε), le proprietà del suolo lo compensano. Il modello riduce anche la complessità dei dati di addestramento a un sottoinsieme più ampio di vettori di supporto. L'equazione proposta da Vapnik51 è mostrata di seguito.
dove b rappresenta la soglia scalare, \(K\left({x}_{,}{ x}_{k}\right)\) rappresenta la funzione kernel, \(\alpha\) rappresenta il moltiplicatore di Lagrange, N rappresenta un set di dati numerico, \({x}_{k}\) rappresenta l'input dei dati e \(y\) è l'output dei dati. Uno dei kernel chiave utilizzati è l'operazione SVMR, che è una funzione di base radiale gaussiana (RBF). Il kernel RBF viene applicato per determinare il modello SVMR ottimale, che è fondamentale per ottenere il fattore di penalità più sottile C e il parametro kernel gamma (γ) per i dati di addestramento PTE. Innanzitutto, abbiamo valutato il set di addestramento e poi testato le prestazioni del modello sul set di convalida. Il parametro di controllo utilizzato è sigma e il valore del metodo è svmRadial.
Un modello di regressione lineare multipla (MLR) è un modello di regressione che rappresenta la relazione tra la variabile di risposta e un numero di variabili predittive utilizzando parametri aggregati lineari calcolati utilizzando il metodo dei minimi quadrati. Nel MLR, un modello dei minimi quadrati è una funzione predittiva delle proprietà del suolo dopo la selezione delle variabili esplicative. È necessario utilizzare la risposta per stabilire una relazione lineare utilizzando variabili esplicative. PTE è stato utilizzato come variabile di risposta per stabilire una relazione lineare con le variabili esplicative. L'equazione MLR è
dove y è la variabile di risposta, \(a\) è l'intercetta, n è il numero di predittori, \({b}_{1}\) è la regressione parziale dei coefficienti, \({x}_{ i}\) rappresenta una variabile predittiva o esplicativa e \({\varepsilon }_{i}\) rappresenta l'errore nel modello, noto anche come residuo.
Modelli misti sono stati ottenuti inserendo EBK con SVMR e MLR. Ciò viene fatto estraendo i valori previsti dall'interpolazione EBK. I valori previsti ottenuti da Ca, K e Mg interpolati sono ottenuti attraverso un processo combinatorio per ottenere nuove variabili, come CaK, CaMg e KMg. Gli elementi Ca, K e Mg vengono quindi combinati per ottenere una quarta variabile, CaKMg. Nel complesso, le variabili ottenute sono Ca, K, Mg, CaK, CaMg, KMg e CaKMg. Queste variabili sono diventate i nostri predittori, aiutando a prevedere le concentrazioni di nichel nei suoli urbani e periurbani. L'algoritmo SVMR è stato eseguito sui predittori per ottenere un modello misto Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Analogamente, le variabili vengono anche incanalate attraverso l'algoritmo MLR per ottenere un modello misto Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). In genere, le variabili Ca, K, Mg, CaK, CaMg, KMg e CaKMg vengono utilizzati come covariate per predire il contenuto di Ni nei suoli urbani e periurbani. Il modello più accettabile ottenuto (EBK_SVM o EBK_MLR) verrà quindi visualizzato utilizzando un grafico auto-organizzante. Il flusso di lavoro di questo studio è illustrato nella Figura 2.
L'utilizzo di SeOM è diventato uno strumento popolare per organizzare, valutare e prevedere dati nel settore finanziario, sanitario, industriale, statistico, pedologico e altro ancora. SeOM è creato utilizzando reti neurali artificiali e metodi di apprendimento non supervisionato per l'organizzazione, la valutazione e la previsione. In questo studio, SeOM è stato utilizzato per visualizzare le concentrazioni di Ni in base al miglior modello per prevedere Ni nei suoli urbani e periurbani. I dati elaborati nella valutazione SeOM sono utilizzati come variabili vettoriali di input n-dimensionali43,56. Melssen et al. 57 descrivono la connessione di un vettore di input in una rete neurale attraverso un singolo strato di input a un vettore di output con un singolo vettore di peso. L'output generato da SeOM è una mappa bidimensionale composta da diversi neuroni o nodi intrecciati in mappe topologiche esagonali, circolari o quadrate in base alla loro prossimità. Confrontando le dimensioni della mappa in base alla metrica, all'errore di quantizzazione (QE) e all'errore topografico (TE), viene selezionato il modello SeOM con 0,086 e 0,904, rispettivamente, che è un'unità di 55 mappe (5 × 11). La struttura del neurone è determinata in base al numero di nodi nell'equazione empirica.
Il numero di dati utilizzati in questo studio è di 115 campioni. È stato utilizzato un approccio casuale per suddividere i dati in dati di test (25% per la convalida) e set di dati di addestramento (75% per la calibrazione). Il set di dati di addestramento viene utilizzato per generare il modello di regressione (calibrazione) e il set di dati di test viene utilizzato per verificare la capacità di generalizzazione58. Ciò è stato fatto per valutare l'idoneità di vari modelli per prevedere il contenuto di nichel nei terreni. Tutti i modelli utilizzati sono stati sottoposti a un processo di convalida incrociata decennale, ripetuto cinque volte. Le variabili prodotte dall'interpolazione EBK vengono utilizzate come predittori o variabili esplicative per prevedere la variabile target (PTE). La modellazione viene gestita in RStudio utilizzando i pacchetti library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) e libraries (“Metrics”).
Sono stati utilizzati vari parametri di convalida per determinare il modello migliore adatto a prevedere le concentrazioni di nichel nel suolo e per valutare l'accuratezza del modello e la sua convalida. I modelli di ibridazione sono stati valutati utilizzando l'errore assoluto medio (MAE), l'errore quadratico medio (RMSE) e R-quadrato o determinazione del coefficiente (R2). R2 definisce la varianza delle proporzioni nella risposta, rappresentata dal modello di regressione. RMSE e l'entità della varianza in misure indipendenti descrivono il potere predittivo del modello, mentre MAE determina il valore quantitativo effettivo. Il valore R2 deve essere elevato per valutare il miglior modello di miscela utilizzando i parametri di convalida; più il valore è vicino a 1, maggiore è l'accuratezza. Secondo Li et al. 59, un valore di criterio R2 pari o superiore a 0,75 è considerato un buon predittore; da 0,5 a 0,75 è una prestazione del modello accettabile, mentre al di sotto di 0,5 è una prestazione del modello inaccettabile. Quando si seleziona un modello utilizzando i metodi di valutazione dei criteri di convalida RMSE e MAE, i valori più bassi ottenuti sono stati sufficienti e sono stati considerati la scelta migliore. La seguente equazione descrive il metodo di verifica.
dove n rappresenta la dimensione del valore osservato\({Y}_{i}\) rappresenta la risposta misurata e \({\widehat{Y}}_{i}\) rappresenta anche il valore della risposta prevista, quindi, per le prime i osservazioni.
Le descrizioni statistiche delle variabili predittive e di risposta sono presentate nella Tabella 1, che mostra media, deviazione standard (DS), coefficiente di variazione (CV), minimo, massimo, curtosi e asimmetria. I valori minimo e massimo degli elementi sono in ordine decrescente di Mg < Ca < K < Ni e Ca < Mg < K < Ni, rispettivamente. Le concentrazioni della variabile di risposta (Ni) campionate dall'area di studio variavano da 4,86 ​​a 42,39 mg/kg. Il confronto del Ni con la media mondiale (29 mg/kg) e la media europea (37 mg/kg) ha mostrato che la media geometrica calcolata complessiva per l'area di studio rientrava nell'intervallo tollerabile. Tuttavia, come mostrato da Kabata-Pendias11, un confronto della concentrazione media di nichel (Ni) nello studio attuale con i suoli agricoli in Svezia mostra che l'attuale concentrazione media di nichel è più elevata. Allo stesso modo, la concentrazione media di Frydek Mistek nei suoli urbani e periurbani nello studio attuale (Ni 16,15 mg/kg) era superiore al limite consentito di 60 (10,2 mg/kg) per Ni nei suoli urbani polacchi riportato da Różański et al. Inoltre, Bretzel e Calderisi61 hanno registrato concentrazioni medie di Ni molto basse (1,78 mg/kg) nei suoli urbani in Toscana rispetto allo studio attuale. Jim62 ha anche trovato una concentrazione di nichel inferiore (12,34 mg/kg) nei suoli urbani di Hong Kong, che è inferiore all'attuale concentrazione di nichel in questo studio. Birke et al63 hanno riportato una concentrazione media di Ni di 17,6 mg/kg in una vecchia area mineraria e industriale urbana nella Sassonia-Anhalt, in Germania, che era 1,45 mg/kg superiore alla concentrazione media di Ni nell'area (16,15 mg/kg). Ricerca attuale. L'eccessivo contenuto di nichel nei suoli in alcune aree urbane e suburbane dell'area di studio può essere attribuito principalmente all'industria siderurgica e all'industria metallurgica. Ciò è coerente con studio di Khodadoust et al. 64 secondo cui l'industria siderurgica e la lavorazione dei metalli sono le principali fonti di contaminazione da nichel nei terreni. Tuttavia, i predittori variavano anche da 538,70 mg/kg a 69.161,80 mg/kg per Ca, da 497,51 mg/kg a 3.535,68 mg/kg per K e da 685,68 mg/kg a 5.970,05 mg/kg per Mg. Jakovljevic et al. 65 hanno studiato il contenuto totale di Mg e K nei suoli della Serbia centrale. Hanno scoperto che le concentrazioni totali (rispettivamente 410 mg/kg e 400 mg/kg) erano inferiori alle concentrazioni di Mg e K dello studio attuale. Indistinguibili, nella Polonia orientale, Orzechowski e Smolczynski66 hanno valutato il contenuto totale di Ca, Mg e K e hanno mostrato concentrazioni medie di Ca (1100 mg/kg), Mg (590 mg/kg) e K (810 mg/kg). Il contenuto nello strato superficiale del terreno è inferiore al singolo elemento in questo studio. Un recente studio di Pongrac et al. 67 ha mostrato che il contenuto totale di Ca analizzato in 3 diversi suoli in Scozia, Regno Unito (suolo di Mylnefield, suolo di Balruddery e suolo di Hartwood) indicava un contenuto di Ca più elevato in questo studio.
A causa delle diverse concentrazioni misurate degli elementi campionati, le distribuzioni dei set di dati degli elementi mostrano diverse asimmetrie. L'asimmetria e la curtosi degli elementi variavano rispettivamente da 1,53 a 7,24 e da 2,49 a 54,16. Tutti gli elementi calcolati presentano livelli di asimmetria e curtosi superiori a +1, indicando così che la distribuzione dei dati è irregolare, asimmetrica nella direzione corretta e con un picco. I CV stimati degli elementi mostrano anche che K, Mg e Ni mostrano una variabilità moderata, mentre Ca ha una variabilità estremamente elevata. I CV di K, Ni e Mg spiegano la loro distribuzione uniforme. Inoltre, la distribuzione di Ca non è uniforme e fonti esterne possono influenzare il suo livello di arricchimento.
La correlazione delle variabili predittive con gli elementi di risposta ha indicato una correlazione soddisfacente tra gli elementi (vedere Figura 3). La correlazione ha indicato che CaK ha mostrato una correlazione moderata con valore r = 0,53, così come CaNi. Sebbene Ca e K mostrino associazioni modeste tra loro, ricercatori come Kingston et al. 68 e Santo69 suggeriscono che i loro livelli nel terreno siano inversamente proporzionali. Tuttavia, Ca e Mg sono antagonisti di K, ma CaK è ben correlato. Ciò potrebbe essere dovuto all'applicazione di fertilizzanti come il carbonato di potassio, che è più ricco di potassio del 56%. Il potassio è risultato moderatamente correlato al magnesio (KM r = 0,63). Nell'industria dei fertilizzanti, questi due elementi sono strettamente correlati perché il solfato di magnesio e potassio, il nitrato di magnesio e potassio e la potassa vengono applicati ai terreni per aumentarne i livelli di carenza. Il nichel è moderatamente correlato con Ca, K e Mg con valori r = rispettivamente 0,52, 0,63 e 0,55. Le relazioni che coinvolgono calcio, magnesio e PTE come il nichel sono complesse, ma nonostante ciò, il magnesio inibisce l'assorbimento del calcio, il calcio riduce gli effetti del magnesio in eccesso e sia il magnesio che il calcio riducono gli effetti tossici del nichel nel terreno.
Matrice di correlazione per gli elementi che mostra la relazione tra predittori e risposte (Nota: questa figura include un diagramma di dispersione tra gli elementi, i livelli di significatività si basano su p < 0,001).
La Figura 4 illustra la distribuzione spaziale degli elementi. Secondo Burgos et al.70, l'applicazione della distribuzione spaziale è una tecnica utilizzata per quantificare ed evidenziare i punti caldi nelle aree inquinate. I livelli di arricchimento di Ca nella Figura 4 possono essere osservati nella parte nord-occidentale della mappa di distribuzione spaziale. La figura mostra punti caldi di arricchimento di Ca da moderati ad alti. L'arricchimento di calcio nella parte nord-occidentale della mappa è probabilmente dovuto all'uso di calce viva (ossido di calcio) per ridurre l'acidità del suolo e al suo utilizzo nelle acciaierie come ossigeno alcalino nel processo di produzione dell'acciaio. D'altra parte, altri agricoltori preferiscono utilizzare l'idrossido di calcio nei terreni acidi per neutralizzare il pH, il che aumenta anche il contenuto di calcio nel terreno71. Anche il potassio mostra punti caldi nella parte nord-occidentale e a est della mappa. Il Nord-ovest è una grande comunità agricola e il modello da moderato ad alto di potassio potrebbe essere dovuto alle applicazioni di NPK e potassa. Ciò è coerente con altri studi, come Madaras e Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, che hanno osservato che la stabilizzazione del suolo e il trattamento con KCl e NPK hanno portato a un elevato contenuto di K nel suolo. L'arricchimento spaziale di potassio nel nord-ovest della mappa di distribuzione potrebbe essere dovuto all'uso di fertilizzanti a base di potassio come cloruro di potassio, solfato di potassio, nitrato di potassio, potassa e potassa per aumentare il contenuto di potassio nei suoli poveri. Zádorová et al. 76 e Tlustoš et al. 77 ha sottolineato che l'applicazione di fertilizzanti a base di K ha aumentato il contenuto di K nel terreno e aumenterebbe significativamente il contenuto di nutrienti nel terreno a lungo termine, in particolare K e Mg mostrano un punto caldo nel terreno. Punti caldi relativamente moderati nel nord-ovest della mappa e nel sud-est della mappa. La fissazione colloidale nel terreno riduce la concentrazione di magnesio nel terreno. La sua mancanza nel terreno provoca nelle piante una clorosi intervenosa giallastra. I fertilizzanti a base di magnesio, come il solfato di potassio e magnesio, il solfato di magnesio e la kieserite, curano le carenze (le piante appaiono viola, rosse o marroni, indicando una carenza di magnesio) nei terreni con un intervallo di pH normale6. L'accumulo di nichel sulle superfici del terreno urbano e periurbano può essere dovuto ad attività antropiche come l'agricoltura e all'importanza del nichel nella produzione di acciaio inossidabile78.
Distribuzione spaziale degli elementi [la mappa della distribuzione spaziale è stata creata utilizzando ArcGIS Desktop (ESRI, Inc, versione 10.7, URL: https://desktop.arcgis.com).]
I risultati dell'indice di prestazione del modello per gli elementi utilizzati in questo studio sono mostrati nella Tabella 2. D'altra parte, RMSE e MAE di Ni sono entrambi prossimi allo zero (0,86 RMSE, -0,08 MAE). D'altra parte, entrambi i valori RMSE e MAE di K sono accettabili. I risultati RMSE e MAE sono stati maggiori per calcio e magnesio. I risultati MAE e RMSE di Ca e K sono maggiori a causa di diversi set di dati. RMSE e MAE di questo studio che utilizza EBK per prevedere Ni sono risultati migliori dei risultati di John et al. 54 che utilizza kriging sinergico per prevedere le concentrazioni di S nel suolo utilizzando gli stessi dati raccolti. Gli output EBK che abbiamo studiato sono correlati con quelli di Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 e John et al. 82, in particolare K e Ni.
Le prestazioni dei singoli metodi per la previsione del contenuto di nichel nei suoli urbani e periurbani sono state valutate utilizzando le prestazioni dei modelli (Tabella 3). La convalida del modello e la valutazione dell'accuratezza hanno confermato che il predittore Ca_Mg_K combinato con il modello EBK SVMR ha prodotto le migliori prestazioni. Modello di calibrazione R2, errore quadratico medio (RMSE) e errore assoluto medio (MAE) erano 0,637 (R2), 95,479 mg/kg (RMSE) e 77,368 mg/kg (MAE) Ca_Mg_K-SVMR era 0,663 (R2), 235,974 mg/kg (RMSE) e 166,946 mg/kg (MAE). Tuttavia, sono stati ottenuti buoni valori R2 per Ca_Mg_K-SVMR (0,663 mg/kg R2) e Ca_Mg-EBK_SVMR (0,643 = R2); i loro risultati RMSE e MAE erano più alti di quelli per Ca_Mg_K-EBK_SVMR (R2 0,637) (vedi Tabella 3). Inoltre, RMSE e MAE del modello Ca_Mg-EBK_SVMR (RMSE = 1664,64 e MAE = 1031,49) sono rispettivamente 17,5 e 13,4, che sono maggiori di quelli del modello Ca_Mg_K-EBK_SVMR. Allo stesso modo, RMSE e MAE del modello Ca_Mg-K SVMR (RMSE = 235,974 e MAE = 166,946) sono 2,5 e 2,2 più grandi di quelli del RMSE e MAE del modello Ca_Mg_K-EBK_SVMR, rispettivamente. I risultati RMSE calcolati indicano quanto è concentrato il set di dati con la linea di miglior adattamento. RSME e MAE più alti erano osservato.Secondo Kebonye et al. 46 e john et al. 54, più RMSE e MAE sono vicini a zero, migliori sono i risultati.SVMR ed EBK_SVMR hanno valori RSME e MAE quantizzati più elevati.È stato osservato che le stime RSME erano costantemente superiori ai valori MAE, indicando la presenza di valori anomali.Secondo Legates e McCabe83, la misura in cui RMSE supera l'errore assoluto medio (MAE) è raccomandata come indicatore della presenza di valori anomali.Ciò significa che più eterogeneo è il set di dati, maggiori sono i valori MAE e RMSE.L'accuratezza della valutazione della convalida incrociata del modello misto Ca_Mg_K-EBK_SVMR per la previsione del contenuto di Ni nei suoli urbani e suburbani è stata del 63,70%.Secondo Li et al. 59, questo livello di accuratezza è un tasso di prestazioni del modello accettabile. I risultati attuali sono confrontati con uno studio precedente di Tarasov et al. 36 il cui modello ibrido ha creato MLPRK (Multilayer Perceptron Residual Kriging), correlato all'indice di valutazione dell'accuratezza EBK_SVMR riportato nello studio attuale, RMSE (210) e Il MAE (167,5) era superiore ai nostri risultati nello studio attuale (RMSE 95,479, MAE 77,368). Tuttavia, quando si confronta l'R2 dello studio attuale (0,637) con quello di Tarasov et al. 36 (0,544), è chiaro che il coefficiente di determinazione (R2) è più alto in questo modello misto. Il margine di errore (RMSE e MAE) (EBK SVMR) per il modello misto è due volte inferiore. Allo stesso modo, Sergeev et al.34 hanno registrato 0,28 (R2) per il modello ibrido sviluppato (Multilayer Perceptron Residual Kriging), mentre il Ni nello studio attuale ha registrato 0,637 (R2). Il livello di accuratezza della previsione di questo modello (EBK SVMR) è del 63,7%, mentre l'accuratezza della previsione ottenuta da Sergeev et al. 34 è del 28%. La mappa finale (Fig. 5) creata utilizzando il modello EBK_SVMR e Ca_Mg_K come predittore mostra previsioni di punti caldi e da moderati a nichel sull'intera area di studio. Ciò significa che la concentrazione di nichel nell'area di studio è principalmente moderata, con concentrazioni più elevate in alcune aree specifiche.
La mappa di previsione finale è rappresentata utilizzando il modello ibrido EBK_SVMR e Ca_Mg_K come predittore. [La mappa di distribuzione spaziale è stata creata utilizzando RStudio (versione 1.4.1717: https://www.rstudio.com/).]
Nella Figura 6 sono presentate le concentrazioni di PTE come un piano di composizione costituito da singoli neuroni. Nessuno dei piani componenti ha mostrato lo stesso schema di colori mostrato. Tuttavia, il numero appropriato di neuroni per mappa disegnata è 55. SeOM viene prodotto utilizzando una varietà di colori e più simili sono gli schemi di colori, più comparabili sono le proprietà dei campioni. Secondo la loro precisa scala di colori, i singoli elementi (Ca, K e Mg) hanno mostrato schemi di colori simili ai singoli neuroni alti e alla maggior parte dei neuroni bassi. Pertanto, CaK e CaMg condividono alcune somiglianze con i neuroni di ordine molto alto e schemi di colori da bassi a moderati. Entrambi i modelli prevedono la concentrazione di Ni nel terreno mostrando tonalità di colori da medie ad alte come rosso, arancione e giallo. Il modello KMg mostra molti schemi di colori alti basati su proporzioni precise e macchie di colore da basse a medie. Su una scala di colori precisa da bassa ad alta, lo schema di distribuzione planare dei componenti del modello ha mostrato uno schema di colori alti che indica la potenziale concentrazione di nichel nel terreno (vedi Figura 4). Il piano dei componenti del modello CakMg mostra uno schema di colori diversi, da basso ad alto, secondo un'accurata scala di colori. Inoltre, la previsione del modello sul contenuto di nichel (CakMg) è simile alla distribuzione spaziale del nichel mostrata nella Figura 5. Entrambi i grafici mostrano proporzioni alte, medie e basse di concentrazioni di nichel nei suoli urbani e periurbani. La Figura 7 illustra il metodo del contorno nel raggruppamento k-means sulla mappa, suddiviso in tre cluster in base al valore previsto in ciascun modello. Il metodo del contorno rappresenta il numero ottimale di cluster. Dei 115 campioni di terreno raccolti, la categoria 1 ha ottenuto il maggior numero di campioni di terreno, 74. Il cluster 2 ha ricevuto 33 campioni, mentre il cluster 3 ha ricevuto 8 campioni. La combinazione del predittore planare a sette componenti è stata semplificata per consentire una corretta interpretazione dei cluster. A causa dei numerosi processi antropici e naturali che influenzano la formazione del suolo, è difficile avere schemi di cluster adeguatamente differenziati in una mappa SeOM distribuita78.
Output del piano dei componenti per ciascuna variabile Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Le mappe SeOM sono state create utilizzando RStudio (versione 1.4.1717: https://www.rstudio.com/).]
Diversi componenti di classificazione dei cluster [Le mappe SeOM sono state create utilizzando RStudio (versione 1.4.1717: https://www.rstudio.com/).]
Lo studio attuale illustra chiaramente le tecniche di modellazione per le concentrazioni di nichel nei suoli urbani e periurbani. Lo studio ha testato diverse tecniche di modellazione, combinando elementi con tecniche di modellazione, per ottenere il modo migliore per prevedere le concentrazioni di nichel nel suolo. Le caratteristiche spaziali planari composizionali SeOM della tecnica di modellazione hanno mostrato un pattern di colori elevato da basso ad alto su una scala di colori accurata, indicando le concentrazioni di Ni nel suolo. Tuttavia, la mappa di distribuzione spaziale conferma la distribuzione spaziale planare dei componenti esibita da EBK_SVMR (vedi Figura 5). I risultati mostrano che il modello di regressione della macchina a vettori di supporto (Ca Mg K-SVMR) prevede la concentrazione di Ni nel suolo come un singolo modello, ma i parametri di validazione e valutazione dell'accuratezza mostrano errori molto elevati in termini di RMSE e MAE. D'altra parte, la tecnica di modellazione impiegata con il modello EBK_MLR è anche difettosa a causa del basso valore del coefficiente di determinazione (R2). Buoni risultati sono stati ottenuti utilizzando EBK SVMR ed elementi combinati (CaKMg) con bassi errori RMSE e MAE con una precisione del 63,7%. Si scopre che la combinazione dell'algoritmo EBK con un algoritmo di apprendimento automatico può generare un algoritmo ibrido in grado di prevedere la concentrazione di PTE nel suolo. I risultati mostrano che l'utilizzo di Ca Mg K come predittori per prevedere le concentrazioni di Ni nell'area di studio può migliorare la previsione di Ni nei suoli. Ciò significa che l'applicazione continua di fertilizzanti a base di nichel e l'inquinamento industriale del suolo da parte dell'industria siderurgica tendono ad aumentare la concentrazione di nichel nel suolo. Questo studio ha rivelato che il modello EBK può ridurre il livello di errore e migliorare l'accuratezza del modello di distribuzione spaziale del suolo nei suoli urbani o periurbani. In generale, proponiamo di applicare il modello EBK-SVMR per valutare e prevedere PTE nel suolo; inoltre, proponiamo di utilizzare EBK per ibridare con vari algoritmi di apprendimento automatico. Le concentrazioni di Ni sono state previste utilizzando elementi come covariate; Tuttavia, l'utilizzo di più covariate migliorerebbe notevolmente le prestazioni del modello, il che può essere considerato una limitazione del lavoro attuale. Un'altra limitazione di questo studio è che il numero di set di dati è 115. Pertanto, se vengono forniti più dati, è possibile migliorare le prestazioni del metodo di ibridazione ottimizzato proposto.
PlantProbs.net.Nichel nelle piante e nel terreno https://plantprobs.net/plant/nutrientImbalances/sodium.html (consultato il 28 aprile 2021).
Kasprzak, KS Nickel avanza nella moderna tossicologia ambientale. dintorni. tossicologia. 11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: una revisione delle sue fonti e della tossicologia ambientale. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Apporto di inquinanti dall'atmosfera e accumulo nel suolo e nella vegetazione vicino a una fonderia di nichel-rame a Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metalli pesanti nel suolo, nelle piante e rischi associati al pascolo dei ruminanti vicino alla miniera di rame-nichel di Selebi-Phikwe in Botswana. Dintorni. Geochimica. Salute https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Oligoelementi nel suolo e… – 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= (consultato il 24 novembre 2020).
Almås, A., Singh, B., Agricoltura, TS-NJ del & 1995, indefinito. Effetti dell'industria russa del nichel sulle concentrazioni di metalli pesanti nei terreni agricoli e nelle erbe a Soer-Varanger, Norvegia.agris.fao.org.
Nielsen, GD et al. L'assorbimento e la ritenzione del nichel nell'acqua potabile sono correlati all'assunzione di cibo e alla sensibilità al nichel. tossicologia. applicazione. farmacodinamica. 154, 67–75 (1999).
Costa, M. & Klein, CB Carcinogenesi del nichel, mutazione, epigenetica o selezione. Ambiente. Prospettiva sanitaria. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analisi di tendenza di elementi potenzialmente tossici: una revisione bibliometrica. Geochimica ambientale e salute. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Mappatura digitale del suolo: una breve storia e alcune lezioni. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML e Minasny, B. Sulla mappatura digitale del suolo. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Modellazione geostatistica dei bacini idrografici,… – 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= (consultato il 28 aprile 2021).