תודה שביקרתם באתר Nature.com. גרסת הדפדפן בה אתם משתמשים כוללת תמיכה מוגבלת ב-CSS. לחוויית המשתמש הטובה ביותר, אנו ממליצים להשתמש בדפדפן מעודכן (או לכבות את מצב התאימות ב-Internet Explorer). בינתיים, כדי להבטיח תמיכה מתמשכת, נציג את האתר ללא סגנונות ו-JavaScript.
זיהום קרקע הוא בעיה גדולה הנגרמת מפעילויות אנושיות. הפיזור המרחבי של יסודות רעילים פוטנציאליים (PTEs) משתנה ברוב האזורים העירוניים והפרי-עירוניים. לכן, קשה לחזות באופן מרחבי את תכולת ה-PTEs בקרקעות כאלה. סך של 115 דגימות התקבלו מפרידק מיסטק בצ'כיה. ריכוזי סידן (Ca), מגנזיום (Mg), אשלגן (K) וניקל (Ni) נקבעו באמצעות ספקטרומטריית פליטת פלזמה מצומדת אינדוקטיבית. משתנה התגובה הוא Ni והמנבאים הם Ca, Mg ו-K. מטריצת הקורלציה בין משתנה התגובה למשתנה המנבא מראה מתאם משביע רצון בין היסודות. תוצאות החיזוי הראו שרגרסיית מכונת וקטור תמיכה (SVMR) ביצעה ביצועים טובים, אם כי שגיאת השורש הממוצעת הריבועית (RMSE) (235.974 מ"ג/ק"ג) והשגיאה המוחלטת הממוצעת (MAE) (166.946 מ"ג/ק"ג) המשוערת שלה היו גבוהות יותר מהשיטות האחרות שיושמו. מודלים מעורבים עבור רגרסיה אמפירית בייסיאנית-לינארית מרובה (EBK-MLR) ביצעו ביצועים גרועים, כפי שמעידים. באמצעות מקדמי נחישות נמוכים מ-0.1. מודל רגרסיה אמפירית בייסיאנית של קריגינג-תמיכה בווקטור מכונת EBK-SVMR (EBK-SVMR) היה המודל הטוב ביותר, עם ערכי RMSE נמוכים (95.479 מ"ג/ק"ג) ו-MAE (77.368 מ"ג/ק"ג) ומקדם נחישות גבוה (R2 = 0.637). פלט טכניקת המידול EBK-SVMR מוצג באמצעות מפה מאורגנת עצמית. נוירונים מקובצים במישור של רכיב המודל ההיברידי CakMg-EBK-SVMR מציגים דפוסי צבע מרובים החוזים ריכוזי ניקל בקרקעות עירוניות ופריא-עירוניות. התוצאות מראות כי שילוב EBK ו-SVMR הוא טכניקה יעילה לחיזוי ריכוזי ניקל בקרקעות עירוניות ופריא-עירוניות.
ניקל (Ni) נחשב למיקרו-נוטריינט לצמחים מכיוון שהוא תורם לקיבוע חנקן (N) אטמוספרי ולמטבוליזם של אוריאה, שניהם נחוצים לנביטת זרעים. בנוסף לתרומתו לנביטת זרעים, ניקל יכול לשמש כמעכב פטרייתי וחיידקי ולקדם את התפתחות הצמח. חוסר ניקל בקרקע מאפשר לצמח לספוג אותו, וכתוצאה מכך כלורוזיס של העלים. לדוגמה, אפונה בקר ושעועית ירוקה דורשים יישום של דשנים מבוססי ניקל כדי לייעל את קיבוע החנקן2. יישום מתמשך של דשנים מבוססי ניקל כדי להעשיר את הקרקע ולהגביר את יכולתן של קטניות לקבע חנקן בקרקע מגביר באופן רציף את ריכוז הניקל בקרקע. למרות שניקל הוא מיקרו-נוטריינט לצמחים, צריכתו המוגזמת בקרקע יכולה לגרום ליותר נזק מתועלת. רעילות הניקל בקרקע ממזערת את רמת החומציות של הקרקע ומעכבת את ספיגת הברזל כחומר מזין חיוני לגדילת צמחים1. לדברי ליו3, ניקל נמצא כיסוד ה-17 החשוב הנדרש להתפתחות וצמיחת צמחים. בנוסף לתפקידו של ניקל בהתפתחות וצמיחת צמחים, בני אדם זקוקים לו למגוון יישומים. אלקטרוליטיזציה, ייצור של סגסוגות מבוססות ניקל, וייצור התקני הצתה ומצתים בתעשיית הרכב, כולם דורשים שימוש בניקל במגוון מגזרים תעשייתיים. בנוסף, סגסוגות מבוססות ניקל ומוצרים מצופים אלקטרוליטיים נמצאים בשימוש נרחב בכלי מטבח, אביזרים לאולמות נשפים, אספקה ​​לתעשיית המזון, חשמל, חוטים וכבלים, טורבינות סילון, שתלים כירורגיים, טקסטיל ובניית ספינות. רמות עשירות בניקל בקרקעות (כלומר, קרקעות עיליות) יוחסו למקורות אנתרופוגניים וטבעיים כאחד, אך בעיקר, ניקל הוא מקור טבעי ולא אנתרופוגני. מקורות טבעיים של ניקל כוללים התפרצויות געשיות, צמחייה, שריפות יער ותהליכים גיאולוגיים; עם זאת, מקורות אנתרופוגניים כוללים סוללות ניקל/קדמיום בתעשיית הפלדה, ציפוי אלקטרוליטי, ריתוך קשת, סולר ושמני דלק, ופליטות אטמוספריות משריפת פחם ושריפת פסולת ובוצה. הצטברות ניקל. לדברי פרידמן והאצ'ינסון ומאניווה ואחרים. 10, המקורות העיקריים לזיהום שכבת הקרקע העליונה בסביבה הקרובה והסמוכה הם בעיקר מפעלי התכה ומכרות מבוססי ניקל-נחושת. שכבת הקרקע העליונה סביב בית הזיקוק לניקל-נחושת בסאדברי בקנדה הייתה בעלת רמות זיהום הניקל הגבוהות ביותר, 26,000 מ"ג/ק"ג. לעומת זאת, זיהום מייצור ניקל ברוסיה הביא לריכוזי ניקל גבוהים יותר בקרקע הנורבגית. לדברי אלמס ואחרים. 12, כמות הניקל הניתן לחילוץ HNO3 באדמה החקלאית המובילה באזור (ייצור ניקל ברוסיה) נעה בין 6.25 ל-136.88 מ"ג/ק"ג, המקבילה לממוצע של 30.43 מ"ג/ק"ג וריכוז בסיסי של 25 מ"ג/ק"ג. על פי קבטה 11, יישום דשני זרחן בקרקעות חקלאיות בקרקעות עירוניות או פרי-עירוניות במהלך עונות גידול עוקבות עלול להחדיר או לזהם את הקרקע. ההשפעות הפוטנציאליות של ניקל בבני אדם עלולות להוביל לסרטן באמצעות מוטגנזה, נזק כרומוזומלי, יצירת DNA Z, תיקון כריתה חסום של DNA או תהליכים אפיגנטיים 13. בניסויים בבעלי חיים, נמצא כי ניקל עלול לגרום למגוון גידולים, וקומפלקסי ניקל מסרטנים עלולים להחריף גידולים כאלה.
הערכות זיהום קרקע פרחו לאחרונה עקב מגוון רחב של בעיות בריאותיות הנובעות מיחסי קרקע-צמח, קרקע ויחסים ביולוגיים של קרקע, הידרדרות אקולוגית והערכת השפעה סביבתית. עד היום, ניבוי מרחבי של יסודות רעילים פוטנציאליים (PTEs) כמו ניקל בקרקע היה מייגע וגזל זמן תוך שימוש בשיטות מסורתיות. הופעתו של מיפוי קרקע דיגיטלי (DSM) והצלחתו הנוכחית15 שיפרו מאוד את מיפוי הקרקע החזוי (PSM). לדברי מינאסני ומקברטני16, מיפוי קרקע חזוי (DSM) הוכח כתת-תחום בולט של מדעי הקרקע. לגאצ'רי ומקברטני, 2006 מגדירים DSM כ"יצירה ומילוי של מערכות מידע קרקע מרחביות באמצעות שימוש בשיטות תצפית באתר ובמעבדה ומערכות הסקה קרקע מרחביות ולא מרחביות". מקברטני ואח'. 17 מתארים כי ה-DSM או PSM העכשוויים הם הטכניקה היעילה ביותר לחיזוי או מיפוי של התפלגות מרחבית של PTEs, סוגי קרקע ותכונות קרקע. אלגוריתמים של גיאוסטטיקה ולמידת מכונה (MLA) הם טכניקות מידול DSM היוצרות מפות דיגיטליות בעזרת מחשבים המשתמשות בנתונים משמעותיים ומינימליים.
דויטש18 ואולאה19 מגדירים גיאוסטטיסטיקה כ"אוסף של טכניקות נומריות העוסקות בייצוג של תכונות מרחביות, בעיקר באמצעות מודלים סטוכסטיים, כגון כיצד ניתוח סדרות זמן מאפיין נתונים זמניים". בעיקר, גיאוסטטיסטיקה כוללת הערכה של וראיוגרמות, המאפשרות לכמת ולהגדיר את התלות של ערכים מרחביים מכל מערך נתונים20. גומיאו ואחרים20 ממחישים עוד כי הערכה של וראיוגרמות בגיאוסטטיסטיקה מבוססת על שלושה עקרונות, כולל (א) חישוב קנה המידה של קורלציה של נתונים, (ב) זיהוי וחישוב אניזוטרופיה בפער במערך הנתונים ו-(ג) בנוסף להתחשבות בשגיאה הטבועה של נתוני המדידה המופרדים מההשפעות המקומיות, מוערכות גם השפעות השטח. בהתבסס על מושגים אלה, טכניקות אינטרפולציה רבות משמשות בגיאוסטטיסטיקה, כולל קריגינג כללי, קו-קריגינג, קריגינג רגיל, קריגינג אמפירי בייסיאני, שיטת קריגינג פשוטה וטכניקות אינטרפולציה ידועות אחרות למיפוי או חיזוי PTE, מאפייני קרקע וסוגי קרקע.
אלגוריתמי למידת מכונה (MLA) הם טכניקה חדשה יחסית המשתמשת בקבוצות נתונים גדולות יותר שאינן ליניאריות, המונעות על ידי אלגוריתמים המשמשים בעיקר לכריית נתונים, זיהוי דפוסים בנתונים, ומיושמים שוב ושוב לסיווג בתחומים מדעיים כמו מדעי הקרקע ומשימות החזרה. מאמרי מחקר רבים מסתמכים על מודלים של MLA כדי לחזות זיהום קרקע (PTE) בקרקעות, כגון Tan et al. 22 (יערות אקראיים להערכת מתכות כבדות בקרקעות חקלאיות), Sakizadeh et al. 23 (מידול באמצעות מכונות וקטור תמיכה ורשתות עצביות מלאכותיות) זיהום קרקע). בנוסף, Vega et al. 24 (CART למידול אצירת מתכות כבדות וספיחה בקרקע), Sun et al. 25 (יישום של cubist הוא התפלגות Cd בקרקע) ואלגוריתמים אחרים כגון k-nearest neighbor, generalized boosted regression, ו-boosted regression Trees גם יישמו MLA כדי לחזות זיהום קרקע בקרקע.
יישום אלגוריתמי DSM בחיזוי או מיפוי עומד בפני מספר אתגרים. מחברים רבים מאמינים כי MLA עדיף על גיאוסטטיסטיקה ולהיפך. למרות שאחד טוב יותר מהשני, השילוב של השניים משפר את רמת הדיוק של המיפוי או החיזוי ב-DSM15. Woodcock and Gopal26 Finke27; Pontius and Cheuk28 and Grunwald29 מעירים על ליקויים וכמה שגיאות במיפוי קרקע חזוי. מדעני קרקע ניסו מגוון טכניקות כדי לייעל את היעילות, הדיוק והחיזוי של מיפוי וחיזוי DSM. השילוב של אי ודאות ואימות הוא אחד מהיבטים רבים ושונים המשולבים ב-DSM כדי לייעל את היעילות ולהפחית פגמים. עם זאת, Agyeman ואחרים15 מתארים כי התנהגות האימות וחוסר הוודאות המוכנסים על ידי יצירת מפה וחיזוי צריכות להיות מאומתות באופן עצמאי כדי לשפר את איכות המפה. המגבלות של DSM נובעות מאיכות הקרקע הפזורה גיאוגרפית, הכוללת מרכיב של אי ודאות; עם זאת, חוסר הוודאות ב-DSM עשוי לנבוע ממקורות שגיאה מרובים, דהיינו שגיאה במשתנים משותפים, שגיאת מודל, שגיאת מיקום ושגיאה אנליטית 31. אי דיוקים במידול הנגרמים בתהליכים MLA וגיאוסטטיסטיים קשורים לחוסר הבנה, מה שמוביל בסופו של דבר לפישוט יתר של התהליך האמיתי 32. ללא קשר לאופי המידול, ניתן לייחס אי דיוקים לפרמטרי מידול, לחיזוי מודל מתמטי או לאינטרפולציה 33. לאחרונה צצה מגמה חדשה ב-DSM המקדמת את השילוב של גיאוסטטיסטיקה ו-MLA במיפוי ובחיזוי. מספר מדעני קרקע ומחברים, כגון סרגייב ואחרים 34; סובוטינה ואחרים 35; טרסוב ואחרים 36 וטרסוב ואחרים 37 ניצלו את האיכות המדויקת של גיאוסטטיסטיקה ולמידת מכונה כדי לייצר מודלים היברידיים המשפרים את יעילות החיזוי והמיפוי. איכות. חלק ממודלי האלגוריתמים ההיברידיים או המשולבים הללו הם קריגינג של רשת עצבית מלאכותית (ANN-RK), קריגינג שיורי פרספטרון רב שכבתי (MLP-RK), קריגינג שיורי של רשת עצבית מוכללת (GR-NNRK)36, קריגינג של רשת עצבית מלאכותית - פרספטרון רב שכבתי (ANN-K-MLP)37 ורגרסיה של תהליך גאוסי וקו-קריגינג38.
על פי סרגייב ועמיתיו, שילוב של טכניקות מידול שונות טוען כי יש פוטנציאל לבטל פגמים ולהגביר את יעילות המודל ההיברידי המתקבל, במקום לפתח מודל יחיד. בהקשר זה, מאמר חדש זה טוען כי יש צורך ליישם אלגוריתם משולב של גיאוסטטיסטיקה ו-MLA כדי ליצור מודלים היברידיים אופטימליים לחיזוי העשרת ניקל באזורים עירוניים ופריא-עירוניים. מחקר זה יסתמך על קריגינג אמפירי בייסיאני (EBK) כמודל הבסיס וישלב אותו עם מודלים של מכונת וקטור תמיכה (SVM) ורגרסיה לינארית מרובה (MLR). הכלאה של EBK עם כל MLA אינה ידועה. המודלים המעורבים המרובים שנצפו הם שילובים של קריגינג רגיל, שיורי, קריגינג רגרסיה ו-MLA. EBK היא שיטת אינטרפולציה גיאוסטטיסטית המשתמשת בתהליך סטוכסטי מרחבי הממוקם כשדה אקראי לא נייח/נייח עם פרמטרי לוקליזציה מוגדרים על פני השדה, המאפשרים שונות מרחבית. EBK שימש במגוון מחקרים, כולל ניתוח התפלגות הפחמן האורגני בקרקעות חקלאיות, הערכת זיהום קרקע ומיפוי קרקע. מאפיינים42.
מצד שני, גרף ארגון עצמי (SeOM) הוא אלגוריתם למידה שיושם במאמרים שונים כגון Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 ו-Kebonye et al. 46 קבעו את התכונות המרחביות וקיבוץ האלמנטים. Wang et al. 44 מתארים כי SeOM היא טכניקת למידה רבת עוצמה הידועה ביכולתה לקבץ ולדמיין בעיות לא ליניאריות. שלא כמו טכניקות אחרות לזיהוי תבניות כגון ניתוח רכיבים עיקריים, אשכולות מטושטשים, אשכולות היררכיים וקבלת החלטות מרובות קריטריונים, SeOM טובה יותר בארגון וזיהוי תבניות PTE. לדברי Wang et al. 44, SeOM יכול לקבץ באופן מרחבי את התפלגות הנוירונים הקשורים ולספק ויזואליזציה של נתונים ברזולוציה גבוהה. SeOM ידמיין נתוני חיזוי Ni כדי לקבל את המודל הטוב ביותר לאפיון התוצאות לצורך פרשנות ישירה.
מאמר זה שואף ליצור מודל מיפוי חזק בעל דיוק אופטימלי לחיזוי תכולת ניקל בקרקעות עירוניות ופריאוריוניות. אנו משערים כי מהימנות המודל המעורב תלויה בעיקר בהשפעתם של מודלים אחרים המחוברים למודל הבסיס. אנו מכירים באתגרים העומדים בפני ה-DSM, ובעוד שאתגרים אלה מטופלים במספר חזיתות, השילוב של התקדמות במודלים גיאוסטטיסטיים ומודלים MLA נראה כהדרגתי; לכן, ננסה לענות על שאלות מחקר שעשויות להניב מודלים מעורבים. עם זאת, עד כמה מדויק המודל בחיזוי רכיב המטרה? כמו כן, מהי רמת הערכת היעילות המבוססת על אימות והערכת דיוק? לכן, המטרות הספציפיות של מחקר זה היו (א) ליצור מודל תערובת משולב עבור SVMR או MLR באמצעות EBK כמודל הבסיס, (ב) להשוות את המודלים המתקבלים (ג) להציע את מודל התערובת הטוב ביותר לחיזוי ריכוזי ניקל בקרקעות עירוניות או פריאוריוניות, ו-(ד) יישום של SeOM ליצירת מפה ברזולוציה גבוהה של וריאציה מרחבית של ניקל.
המחקר מתבצע בצ'כיה, ובפרט במחוז פרידק מיסטק באזור מורביה-שלזיה (ראה איור 1). הגיאוגרפיה של אזור המחקר היא קשוחה מאוד ומהווה בעיקר חלק מאזור הבסקידים מורביה-שלזיה, המהווה חלק מהשוליים החיצוניים של הרי הקרפטים. אזור המחקר ממוקם בין 49° 41′ 0′ צפון ל-18° 20′ 0′ מזרח, והגובה הוא בין 225 ל-327 מטר; עם זאת, מערכת הסיווג של קופן למצב האקלים של האזור מדורגת כ-Cfb = אקלים אוקייני ממוזג. יש הרבה גשמים אפילו בחודשים היבשים. הטמפרטורות משתנות מעט לאורך כל השנה בין −5°C ל-24°C, לעיתים רחוקות יורדות מתחת ל-−14°C או מעל 30°C, בעוד שהמשקעים השנתיים הממוצעים הם בין 685 ל-752 מ"מ47. שטח הסקר המשוער של האזור כולו הוא 1,208 קמ"ר, כאשר 39.38% מהאדמה המעובדת ו-49.36% מכיסוי היער. מצד שני, השטח בו נעשה שימוש במחקר זה הוא כ-889.8 קמ"ר. באוסטרבה וסביבתה, תעשיית הפלדה ומפעלי המתכת פעילות מאוד. מפעלי מתכת, תעשיית הפלדה שבה משתמשים בניקל בפלדות אל חלד (למשל לעמידות בפני קורוזיה אטמוספרית) ופלדות סגסוגת (ניקל מגביר את חוזק הסגסוגת תוך שמירה על גמישותה וקשיחותה הטובות), וחקלאות אינטנסיבית כגון יישום דשן פוספט וייצור בעלי חיים הם מקורות מחקר פוטנציאליים לניקל באזור. (למשל, הוספת ניקל לטלאים כדי להגביר את קצב הגדילה של טלאים ובקר שזקוק לתזונה נמוכה). שימושים תעשייתיים אחרים של ניקל בתחומי מחקר כוללים את השימוש בו בציפוי אלקטרוליטי, כולל ציפוי ניקל אלקטרוליטי ותהליכי ציפוי ניקל ללא אלקטרוליטי. תכונות הקרקע ניתנות להבחנה בקלות מצבע הקרקע, מבנהה ותכולת הפחמן. מרקם הקרקע בינוני עד עדין, נגזר מחומר האם. הן בעלות אופי קולוביאלי, סחף או אאולי. אזורי קרקע מסוימים נראים מנומרים על פני השטח ובתת הקרקע, לעתים קרובות עם בטון והלבנה. עם זאת, קמביסולים וסטגנוסולים הם סוגי הקרקע הנפוצים ביותר באזור48. עם גבהים הנעים בין 455.1 ל-493.5 מ', קמביסולים שולטים בצ'כיה49.
מפת אזור המחקר [מפת אזור המחקר נוצרה באמצעות ArcGIS Desktop (ESRI, Inc, גרסה 10.7, כתובת אתר: https://desktop.arcgis.com).]
סך של 115 דגימות שכבת קרקע עילית נאספו מקרקעות עירוניות ופריא-עירוניות במחוז פרידק מיסטק. תבנית הדגימה בה נעשה שימוש הייתה רשת רגילה עם דגימות קרקע במרווחים של 2 × 2 ק"מ זו מזו, ושכבת שכבת הקרקע העליונה נמדדה בעומק של 0 עד 20 ס"מ באמצעות מכשיר GPS ידני (Leica Zeno 5 GPS). הדגימות נארזו בשקיות Ziploc, מתויגות כראוי ונשלחו למעבדה. הדגימות יובשו באוויר כדי לייצר דגימות כתוש, כתשו אותן על ידי מערכת מכנית (טחנת דיסק Fritsch) וסונו (גודל מסננת 2 מ"מ). הניחו 1 ​​גרם של דגימות קרקע מיובשות, הומוגניות ומסוננות בבקבוקי טפלון המסומנים בבירור. בכל כלי טפלון, הכניסו 7 מ"ל של 35% HCl ו-3 מ"ל של 65% HNO3 (באמצעות מתקן אוטומטי - אחד לכל חומצה), כסו קלות ותנו לדגימות לעמוד למשך הלילה לתגובה (תוכנית מי מלכים). הניחו את הנוזל העליון על צלחת מתכת חמה (טמפרטורה: 100 וואט ו...). 160 מעלות צלזיוס) למשך שעתיים כדי להקל על תהליך העיכול של הדגימות, ולאחר מכן לקרר. להעביר את הסופרנטנט לבקבוק מדידה של 50 מ"ל ולדלל עד 50 מ"ל עם מים מזוקקים. לאחר מכן, לסנן את הסופרנטנט המדולל לתוך צינור PVC של 50 מ"ל עם מים מזוקקים. בנוסף, 1 מ"ל מתמיסת הדילול דולל עם 9 מ"ל של מים מזוקקים וסונן לתוך צינור של 12 מ"ל שהוכן לריכוז פסאודו של PTE. ריכוזי ה-PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) נקבעו על ידי ICP-OES (ספקטרוסקופיית פליטה אופטית של פלזמה מצומדת אינדוקטיבית) (Thermo Fisher Scientific, ארה"ב) בהתאם לשיטות והסכמות סטנדרטיות. להבטיח נהלי אבטחת איכות ובקרה (QA/QC) (SRM NIST 2711a Montana II Soil). PTEs עם גבולות גילוי מתחת למחצית לא נכללו במחקר זה. גבול הגילוי של ה-PTE ששימש במחקר זה היה 0.0004.(אתה).בנוסף, תהליך בקרת האיכות ואבטחת האיכות עבור כל ניתוח מובטח על ידי ניתוח סטנדרטים ייחוס.כדי להבטיח שהטעויות ממוזערות, בוצע ניתוח כפול.
קריגינג אמפירי בייסיאני (EBK) היא אחת מטכניקות אינטרפולציה גיאוסטטיסטיות רבות המשמשות במידול בתחומים מגוונים כמו מדעי הקרקע. שלא כמו טכניקות אינטרפולציה אחרות של קריגינג, EBK שונה משיטות קריגינג מסורתיות בכך שהיא מתחשבת בשגיאה המוערכת על ידי מודל הסמי-וריוגרמה. באינטרפולציה של EBK, מחושבים מספר מודלים של סמי-וריוגרמה במהלך האינטרפולציה, ולא סמי-וריוגרמה אחת. טכניקות אינטרפולציה מפנה את מקומן לחוסר הוודאות והתכנות הקשורים לעיצוב זה של הסמי-וריוגרמה המהווה חלק מורכב ביותר משיטת קריגינג מספקת. תהליך האינטרפולציה של EBK עוקב אחר שלושת הקריטריונים שהוצעו על ידי קריבורוצ'קו50, (א) המודל מעריך את הסמי-וריוגרמה ממערך הנתונים הקלט (ב) הערך החזוי החדש עבור כל מיקום במערך הנתונים הקלט בהתבסס על הסמי-וריוגרמה שנוצרה ו-(ג) מודל A הסופי מחושב ממערך נתונים מדומה. כלל המשוואה הבייסיאנית ניתן כ-posterior...
כאשר \(Prob\left(A\right)\) מייצג את ההסתברות השולית הקודמת, \(Prob\left(B\right)\) מתעלמים ממנה ברוב המקרים, \(Prob (B,A)\). חישוב הסמי-וריוגרמה מבוסס על כלל בייס, המציג את הנטייה של מערכי נתוני תצפיות שניתן ליצור מסמי-וריוגרמות. ערך הסמי-וריוגרמה נקבע לאחר מכן באמצעות כלל בייס, הקובע את הסבירות ליצור מערך נתונים של תצפיות מהסמי-וריוגרמה.
מכונת וקטור תמיכה היא אלגוריתם למידת מכונה המייצר היפר-מישור הפרדה אופטימלי כדי להבחין בין מחלקות זהות אך לא עצמאיות ליניארית. Vapnik51 יצר את אלגוריתם סיווג הכוונה, אך לאחרונה הוא שימש לפתרון בעיות מוכוונות רגרסיה. לדברי Li et al.52, SVM היא אחת מטכניקות הסיווג הטובות ביותר והיא שימשה בתחומים שונים. רכיב הרגרסיה של SVM (Support Vector Machine Regression – SVMR) שימש בניתוח זה. Cherkassky and ​​Mulier53 היו חלוצים ב-SVMR כרגרסיה מבוססת ליבה, שחישובה בוצע באמצעות מודל רגרסיה ליניארית עם פונקציות מרחביות רב-ארציות. John et al54 מדווחים כי מידול SVMR משתמש ברגרסיה ליניארית היפר-מישורית, היוצרת קשרים לא ליניאריים ומאפשרת פונקציות מרחביות. לדברי Vohland et al. 55, אפסילון (ε)-SVMR משתמש בקבוצת הנתונים המאומנת כדי לקבל מודל ייצוג כפונקציה שאינה רגישה לאפסילון, המוחלת על מיפוי הנתונים באופן עצמאי עם ההטיה הטובה ביותר לאפסילון מאימון על נתונים מתואמים. שגיאת המרחק המוגדרת מראש מתעלמת מהערך בפועל, ואם השגיאה גדולה מ-ε(ε), תכונות הקרקע מפצות עליה. המודל גם מפחית את מורכבות נתוני האימון לתת-קבוצה רחבה יותר של וקטורי תמיכה. המשוואה שהוצעה על ידי Vapnik51 מוצגת להלן.
כאשר b מייצג את סף הסקלר, \(K\left({x}_{,}{x}_{k}\right)\) מייצג את פונקציית הליבה, \(\alpha\) מייצג את מכפיל לגראנז', N מייצג מערך נתונים מספרי, \({x}_{k}\) מייצג קלט נתונים, ו-\(y\) הוא פלט נתונים. אחד הליבות המרכזיות בהן נעשה שימוש הוא פעולת SVMR, שהיא פונקציית בסיס רדיאלית גאוסית (RBF). ליבת RBF מיושם כדי לקבוע את מודל SVMR האופטימלי, שהוא קריטי להשגת גורם סט העונשין העדין ביותר C ופרמטר הליבה גמא (γ) עבור נתוני אימון PTE. ראשית, הערכנו את סט האימון ולאחר מכן בדקנו את ביצועי המודל על סט האימות. פרמטר ההיגוי בו נעשה שימוש הוא sigma וערך השיטה הוא svmRadial.
מודל רגרסיה לינארית מרובה (MLR) הוא מודל רגרסיה המייצג את הקשר בין משתנה התגובה למספר משתני חיזוי באמצעות פרמטרים ליניאריים מקובצים המחושבים בשיטת הריבועים הפחותים. ב-MLR, מודל הריבועים הפחותים הוא פונקציית חיזוי של תכונות קרקע לאחר בחירת משתני הסבר. יש צורך להשתמש בתגובה כדי ליצור קשר ליניארי באמצעות משתני הסבר. PTE שימש כמשתנה התגובה כדי ליצור קשר ליניארי עם המשתנים המסבירים. משוואת MLR היא
כאשר y הוא משתנה התגובה, \(a\) הוא נקודת החיתוך, n הוא מספר המנבאים, \({b}_{1}\) היא הרגרסיה החלקית של המקדמים, \({x}_{i}\) מייצג משתנה מנבא או משתנה מסביר, ו- \({\varepsilon }_{i}\) מייצג את השגיאה במודל, המכונה גם שארית.
מודלים מעורבים התקבלו על ידי שילוב EBK עם SVMR ו-MLR. הדבר נעשה על ידי חילוץ ערכים חזויים מאינטרפולציה של EBK. הערכים החזויים המתקבלים מה-Ca, K ו-Mg שעברו אינטרפולציה מתקבלים באמצעות תהליך קומבינטורית כדי לקבל משתנים חדשים, כגון CaK, CaMg ו-KMg. לאחר מכן, היסודות Ca, K ו-Mg משולבים כדי לקבל משתנה רביעי, CaKMg. בסך הכל, המשתנים המתקבלים הם Ca, K, Mg, CaK, CaMg, KMg ו-CaKMg. משתנים אלה הפכו למנבאים שלנו, ועזרו לחזות ריכוזי ניקל בקרקעות עירוניות ופריא-עירוניות. אלגוריתם ה-SVMR בוצע על המנבאים כדי לקבל מודל מעורב של מכונת וקטור תמיכה אמפירית בייסיאנית קריגינג-Bayesian (EBK_SVM). באופן דומה, משתנים מועברים גם הם דרך אלגוריתם ה-MLR כדי לקבל מודל מעורב של רגרסיה לינארית מרובה לינארית אמפירית בייסיאנית קריגינג (EBK_MLR). בדרך כלל, המשתנים Ca, K, Mg, CaK, CaMg, KMg ו-CaKMg משמשים כמשתנים קוברטיביים כמנבאים של תכולת ניקל בקרקעות עירוניות ופריא-עירוניות. לאחר מכן, המודל המקובל ביותר שהתקבל (EBK_SVM או EBK_MLR) יוצג באמצעות גרף מארגן את עצמו. תהליך העבודה של מחקר זה מוצג באיור 2.
השימוש ב-SeOM הפך לכלי פופולרי לארגון, הערכה וחיזוי נתונים במגזר הפיננסי, שירותי הבריאות, התעשייה, הסטטיסטיקה, מדעי הקרקע ועוד. SeOM נוצר באמצעות רשתות עצביות מלאכותיות ושיטות למידה לא מפוקחות לארגון, הערכה וחיזוי. במחקר זה, SeOM שימש להמחשת ריכוזי ניקל על סמך המודל הטוב ביותר לחיזוי ניקל בקרקעות עירוניות ופרא-עירוניות. הנתונים שעובדו בהערכת SeOM משמשים כ-n משתני וקטור ממדי קלט43,56. מלסן ואח'. 57 מתארים את החיבור של וקטור קלט לרשת נוירונים דרך שכבת קלט יחידה לווקטור פלט עם וקטור משקל יחיד. הפלט שנוצר על ידי SeOM הוא מפה דו-ממדית המורכבת מנוירונים או צמתים שונים השזורים למפות טופולוגיות משושות, מעגליות או מרובעות בהתאם לקרבתם. בהשוואת גדלי מפה המבוססים על מטרי, שגיאת כימות (QE) ושגיאה טופוגרפית (TE), נבחר מודל SeOM עם 0.086 ו-0.904 בהתאמה, שהוא יחידה של 55 מפות (5 × 11). מבנה הנוירונים נקבע בהתאם למספר הצמתים במשוואה האמפירית.
מספר הנתונים בו נעשה שימוש במחקר זה הוא 115 דגימות. נעשה שימוש בגישה אקראית כדי לפצל את הנתונים לנתוני בדיקה (25% לאימות) ומערכי נתוני אימון (75% לכיול). מערך הנתונים לאימון משמש ליצירת מודל הרגרסיה (כיול), ומערך הנתונים לבדיקה משמש לאימות יכולת ההכללה58. הדבר נעשה כדי להעריך את התאמתם של מודלים שונים לחיזוי תכולת ניקל בקרקעות. כל המודלים בהם נעשה שימוש עברו תהליך אימות צולב של עשרה פעמים, שחזר על עצמו חמש פעמים. המשתנים המופקים על ידי אינטרפולציה של EBK משמשים כמנבאים או משתני הסבר לחיזוי משתנה היעד (PTE). מידול מטופל ב-RStudio באמצעות החבילות library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library(" prospectr") וספריות ("Metrics").
פרמטרים שונים של אימות שימשו לקביעת המודל הטוב ביותר המתאים לחיזוי ריכוזי ניקל בקרקע ולהערכת דיוק המודל ותיקופו. מודלים של הכלאה הוערכו באמצעות שגיאה מוחלטת ממוצעת (MAE), שגיאת שורש ממוצע הריבועים (RMSE) וקביעת R בריבוע או מקדם (R2). R2 מגדיר את השונות של הפרופורציות בתשובה, המיוצגת על ידי מודל הרגרסיה. RMSE וגודל השונות במדידות בלתי תלויות מתארים את כוח הניבוי של המודל, בעוד ש-MAE קובע את הערך הכמותי בפועל. ערך ה-R2 חייב להיות גבוה כדי להעריך את מודל התערובת הטוב ביותר באמצעות פרמטרי האימות, ככל שהערך קרוב יותר ל-1, כך הדיוק גבוה יותר. על פי לי ואחרים 59, ערך קריטריון R2 של 0.75 ומעלה נחשב לגורם ניבוי טוב; מ-0.5 עד 0.75 הוא ביצועי מודל מקובלים, ומתחת ל-0.5 הוא ביצועי מודל בלתי מקובלים. בעת בחירת מודל באמצעות שיטות הערכת קריטריוני האימות RMSE ו-MAE, הערכים הנמוכים יותר שהתקבלו היו מספיקים ונחשבו לבחירה הטובה ביותר. המשוואה הבאה מתארת ​​את שיטת האימות.
כאשר n מייצג את גודל הערך הנצפה \({Y}_{i}\) מייצג את התגובה הנמדדת, ו- \({\widehat{Y}}_{i}\) מייצג גם את ערך התגובה החזוי, לכן, עבור התצפיות i הראשונות.
תיאורים סטטיסטיים של משתני ניבוי ותגובה מוצגים בטבלה 1, המציגים ממוצע, סטיית תקן (SD), מקדם השונות (CV), מינימום, מקסימום, קורטוזיס והטיה. ערכי המינימום והמקסימום של היסודות הם בסדר יורד של Mg < Ca < K < Ni ו-Ca < Mg < K < Ni, בהתאמה. ריכוזי משתנה התגובה (Ni) שנדגם מאזור המחקר נעו בין 4.86 ל-42.39 מ"ג/ק"ג. השוואה של Ni לממוצע העולמי (29 מ"ג/ק"ג) ולממוצע האירופי (37 מ"ג/ק"ג) הראתה כי הממוצע הגיאומטרי המחושב הכולל עבור אזור המחקר היה בטווח הנסבל. עם זאת, כפי שמוצג על ידי Kabata-Pendias11, השוואה של ריכוז הניקל (Ni) הממוצע במחקר הנוכחי עם קרקעות חקלאיות בשוודיה מראה כי ריכוז הניקל הממוצע הנוכחי גבוה יותר. באופן דומה, הריכוז הממוצע של Frydek Mistek בקרקעות עירוניות ופריא-עירוניות במחקר הנוכחי (Ni 16.15 מ"ג/ק"ג) היה גבוה מהמותר. גבול של 60 (10.2 מ"ג/ק"ג) עבור ניקל בקרקעות עירוניות פולניות שדווח על ידי רוז'אנסקי ואחרים. יתר על כן, ברצל וקאלדריסי61 רשמו ריכוזי ניקל ממוצעים נמוכים מאוד (1.78 מ"ג/ק"ג) בקרקעות עירוניות בטוסקנה בהשוואה למחקר הנוכחי. ג'ים62 מצאו גם ריכוז ניקל נמוך יותר (12.34 מ"ג/ק"ג) בקרקעות עירוניות בהונג קונג, שהוא נמוך מריכוז הניקל הנוכחי במחקר זה. בירקה ואחרים63 דיווחו על ריכוז ניקל ממוצע של 17.6 מ"ג/ק"ג באזור כרייה ותעשייה עירונית ישן בסקסוניה-אנהלט, גרמניה, שהיה גבוה ב-1.45 מ"ג/ק"ג מריכוז הניקל הממוצע באזור (16.15 מ"ג/ק"ג). מחקר עדכני. תכולת הניקל המוגזמת בקרקעות באזורים עירוניים ופרבריים מסוימים של אזור המחקר עשויה להיות מיוחסת בעיקר לתעשיית הברזל והפלדה ולתעשיית המתכת. זה עולה בקנה אחד עם המחקר של חודאדוסט ואחרים. 64 שתעשיית הפלדה ועיבוד המתכת הן המקורות העיקריים לזיהום ניקל בקרקעות. עם זאת, גם המנבאים נעו בין 538.70 מ"ג/ק"ג ל-69,161.80 מ"ג/ק"ג עבור סידן, 497.51 מ"ג/ק"ג ל-3535.68 מ"ג/ק"ג עבור אשלגן, ו-685.68 מ"ג/ק"ג ל-5970.05 מ"ג/ק"ג עבור מגנזיום. יאקובליביץ' ואח'. 65 חקרו את תכולת המגנזיום והקלציום הכוללת בקרקעות במרכז סרביה. הם מצאו שהריכוזים הכוללים (410 מ"ג/ק"ג ו-400 מ"ג/ק"ג, בהתאמה) היו נמוכים יותר מריכוזי המגנזיום והקלציום במחקר הנוכחי. באופן דומה, במזרח פולין, אורצ'צ'ובסקי וסמולצ'ינסקי66 העריכו את התכולה הכוללת של סידן, מגנזיום וקלציום והראו ריכוזים ממוצעים של סידן (1100 מ"ג/ק"ג), מגנזיום (590 מ"ג/ק"ג) וקלציום (810 מ"ג/ק"ג). התכולה בקרקע העליונה נמוכה יותר מאשר באלמנט בודד במחקר זה. מחקר שנערך לאחרונה על ידי פונגראץ ואחרים67 הראה שתכולת הסידן הכוללת שנותחה ב-3 קרקעות שונות בסקוטלנד, בריטניה (אדמת מילנפילד, אדמת בלרודרי ואדמת הרטווד) הצביעה על תכולת סידן גבוהה יותר במחקר זה.
עקב ריכוזי המדידה השונים של היסודות שנדגמו, התפלגויות מערך הנתונים של היסודות מציגות הטיה שונה. ההטיה והקורטוזיס של היסודות נעו בין 1.53 ל-7.24 ו-2.49 ל-54.16, בהתאמה. לכל היסודות המחושבים יש רמות הטיה וקורטוזיס מעל +1, דבר המצביע על כך שהתפלגות הנתונים אינה סדירה, מוטה בכיוון הנכון והגיעה לשיא. ערכי ה-CV המשוערים של היסודות מראים גם כי K, Mg ו-Ni מציגים שונות בינונית, בעוד של-Ca יש שונות גבוהה ביותר. ערכי ה-CV של K, Ni ו-Mg מסבירים את התפלגותם האחידה. יתר על כן, התפלגות Ca אינה אחידה ומקורות חיצוניים עשויים להשפיע על רמת העשרתה.
המתאם של משתני החיזוי עם רכיבי התגובה הצביע על מתאם משביע רצון בין הרכיבים (ראה איור 3). המתאם הצביע על כך ש-CaK הראה מתאם בינוני עם ערך r = 0.53, וכך גם CaNi. למרות ש-Ca ו-K מראים קשרים צנועים זה עם זה, חוקרים כמו קינגסטון ואח'. 68 ו-Santo69 מצביעים על כך שרמותיהם בקרקע הן ביחס הפוך. עם זאת, Ca ו-Mg אנטגוניסטיים ל-K, אך CaK מתואם היטב. ייתכן שזה נובע משימוש בדשנים כמו אשלגן פחמתי, שהוא גבוה ב-56% באשלגן. אשלגן היה מתואם במידה בינונית עם מגנזיום (KM r = 0.63). בתעשיית הדשנים, שני יסודות אלה קשורים זה לזה באופן הדוק מכיוון שאשלגן מגנזיום גופרתי, אשלגן מגנזיום חנקתי ואשלג מיושמים על קרקעות כדי להגביר את רמות המחסור בהן. ניקל מתואם במידה בינונית עם Ca, K ו-Mg עם ערכי r = 0.52, 0.63 ו-0.55, בהתאמה. הקשרים הכוללים סידן, מגנזיום וחומרים ממשפחת ה-PTE כמו ניקל הם מורכבים, אך למרות זאת, מגנזיום מעכב את ספיגת הסידן, סידן מפחית את ההשפעות של עודף מגנזיום, ומגנזיום וסידן כאחד מפחיתים את ההשפעות הרעילות של ניקל בקרקע.
מטריצת קורלציה עבור אלמנטים המציגה את הקשר בין גורמים מנבאים לתגובות (הערה: איור זה כולל תרשים פיזור בין אלמנטים, רמות מובהקות מבוססות על p < 0,001).
איור 4 ממחיש את ההתפלגות המרחבית של היסודות. על פי בורגוס ואחרים70, יישום ההתפלגות המרחבית הוא טכניקה המשמשת לכימות והדגשת נקודות חמות באזורים מזוהמים. ניתן לראות את רמות ההעשרה של סידן באיור 4 בחלק הצפון-מערבי של מפת ההתפלגות המרחבית. האיור מציג נקודות חמות של העשרה בינונית עד גבוהה של סידן. העשרת הסידן בצפון-מערב המפה נובעת ככל הנראה משימוש בסיד חי (תחמוצת סידן) כדי להפחית את חומציות הקרקע ושימושו במפעלי פלדה כחמצן בסיסי בתהליך ייצור הפלדה. מצד שני, חקלאים אחרים מעדיפים להשתמש בסידן הידרוקסיד בקרקעות חומציות כדי לנטרל את ה-pH, מה שמגביר גם את תכולת הסידן של הקרקע71. אשלגן מציג גם נקודות חמות בצפון-מערב ובמזרח המפה. צפון-מערב המדינה הוא קהילה חקלאית מרכזית, והדפוס הבינוני-גבוה של אשלגן עשוי להיות תוצאה של יישומים של NPK ואשלג. זה עולה בקנה אחד עם מחקרים אחרים, כגון מדאראס וליפבסקי72, מדאראס ואחרים73, פולקרבובה ואחרים74, אסארה ואחרים75, אשר... נצפה כי ייצוב הקרקע וטיפול ב-KCl ו-NPK הביאו לתכולת K גבוהה בקרקע. העשרת אשלגן מרחבית בצפון-מערב מפת התפוצה עשויה להיות תוצאה של שימוש בדשנים מבוססי אשלגן כגון אשלגן כלורי, אשלגן גופרתי, אשלגן חנקתי, אשלגן ואשלג להגברת תכולת האשלגן בקרקעות עניות. Zádorová et al. 76 ו- Tlustoš et al. 77 ציין כי מריחת דשנים מבוססי אשלגן (K) הגבירה את תכולת האשלגן בקרקע ויגדילה משמעותית את תכולת חומרי המזון בקרקע בטווח הארוך, במיוחד אשלגן ומגנזיום המציגים נקודה חמה בקרקע. נקודות חמות מתונות יחסית בצפון מערב המפה ובדרום מזרח המפה. קיבוע קולואידי בקרקע מדלדל את ריכוז המגנזיום בקרקע. מחסור בו בקרקע גורם לצמחים להפגין כלורוזיס בין-ורידי צהבהב. דשנים מבוססי מגנזיום, כגון אשלגן מגנזיום גופרתי, מגנזיום גופרתי וקיזריט, מטפלים בחסרים (צמחים נראים סגולים, אדומים או חומים, מה שמעיד על מחסור במגנזיום) בקרקעות עם טווח pH תקין6. הצטברות ניקל על פני קרקע עירוניים ופריא-עירוניים עשויה לנבוע מפעילויות אנתרופוגניות כמו חקלאות וחשיבות הניקל בייצור נירוסטה78.
פיזור מרחבי של אלמנטים [מפת פיזור מרחבי נוצרה באמצעות ArcGIS Desktop (ESRI, Inc, גרסה 10.7, כתובת אתר: https://desktop.arcgis.com).]
תוצאות מדד ביצועי המודל עבור היסודות ששימשו במחקר זה מוצגות בטבלה 2. מצד שני, ה-RMSE וה-MAE של Ni קרובים שניהם לאפס (0.86 RMSE, -0.08 MAE). מצד שני, ערכי RMSE ו-MAE של K מקובלים. תוצאות RMSE ו-MAE היו גבוהות יותר עבור סידן ומגנזיום. תוצאות MAE ו-RMSE של Ca ו-K גדולות יותר עקב מערכי נתונים שונים. ה-RMSE וה-MAE של מחקר זה, המשתמש ב-EBK לחיזוי Ni, נמצאו טובים יותר מתוצאותיהם של John et al. 54, המשתמשים בקריגינג סינרגטי לחיזוי ריכוזי S בקרקע תוך שימוש באותם נתונים שנאספו. תוצרי ה-EBK שחקרנו תואמים לאלו של Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 וג'ון et al. 82, במיוחד K ו-Ni.
ביצועי השיטות האינדיבידואליות לחיזוי תכולת ניקל בקרקעות עירוניות ופריא-עירוניות הוערכו באמצעות ביצועי המודלים (טבלה 3). אימות המודל והערכת דיוק אישרו כי מנבא Ca_Mg_K בשילוב עם מודל EBK SVMR הניב את הביצועים הטובים ביותר. מודל הכיול Ca_Mg_K-EBK_SVMR מודל R2, שגיאת שורש ממוצע הריבועים (RMSE) ושגיאת ממוצעת מוחלטת (MAE) היו 0.637 (R2), 95.479 מ"ג/ק"ג (RMSE) ו-77.368 מ"ג/ק"ג (MAE). Ca_Mg_K-SVMR היה 0.663 (R2), 235.974 מ"ג/ק"ג (RMSE) ו-166.946 מ"ג/ק"ג (MAE). עם זאת, ערכי R2 טובים התקבלו עבור Ca_Mg_K-SVMR (0.663 מ"ג/ק"ג R2) ו-Ca_Mg-EBK_SVMR (0.643 = R2); תוצאות ה-RMSE וה-MAE שלהם היו גבוהות יותר מאלה של Ca_Mg_K-EBK_SVMR (R2 0.637) (ראה טבלה 3). בנוסף, ה-RMSE וה-MAE של מודל Ca_Mg-EBK_SVMR (RMSE = 1664.64 ו-MAE = 1031.49) הם 17.5 ו-13.4, בהתאמה, שהם גדולים מאלה של Ca_Mg_K-EBK_SVMR. באופן דומה, ה-RMSE וה-MAE של מודל Ca_Mg-K SVMR (RMSE = 235.974 ו-MAE = 166.946) גדולים ב-2.5 ו-2.2 מאלה של RMSE ו-MAE של Ca_Mg_K-EBK_SVMR, בהתאמה. תוצאות ה-RMSE המחושבות מצביעות על מידת ריכוז מערך הנתונים עם קו ההתאמה הטוב ביותר. נצפו RSME ו-MAE גבוהים יותר. על פי Kebonye et al. al. 46 ו-john et al. 54, ככל שה-RMSE וה-MAE קרובים יותר לאפס, כך התוצאות טובות יותר. ל-SVMR ול-EBK_SVMR יש ערכי RSME ו-MAE כמותיים גבוהים יותר. נצפה כי אומדני ה-RSME היו גבוהים באופן עקבי מערכי ה-MAE, דבר המצביע על נוכחות חריגים. על פי Legates ו-McKabe83, המידה שבה ה-RMSE עולה על השגיאה המוחלטת הממוצעת (MAE) מומלצת כאינדיקטור לנוכחות חריגים. משמעות הדבר היא שככל שמערך הנתונים הטרוגני יותר, כך ערכי ה-MAE וה-RMSE גבוהים יותר. דיוק הערכת האימות הצולב של המודל המעורב Ca_Mg_K-EBK_SVMR לחיזוי תכולת ניקל בקרקעות עירוניות ופרבריות היה 63.70%. על פי Li et al. 59, רמת דיוק זו היא שיעור ביצועי מודל מקובל. התוצאות הנוכחיות מושוות למחקר קודם של Tarasov et al. 36 שהמודל ההיברידי שלהם יצר MLPRK (Multilayer Perceptron Residual Kriging), הקשור למדד הערכת הדיוק של EBK_SVMR שדווח במחקר הנוכחי, RMSE (210) ו-MAE (167.5) היה גבוה יותר מהתוצאות שלנו במחקר הנוכחי (RMSE 95.479, MAE 77.368). עם זאת, כאשר משווים את ה-R2 של המחקר הנוכחי (0.637) לזה של Tarasov et al. 36 (0.544), ברור שמקדם הדטרמינציה (R2) גבוה יותר במודל מעורב זה. מרווח הטעות (RMSE ו-MAE) (EBK SVMR) עבור המודל המעורב נמוך פי שניים. באופן דומה, סרגייב ועמיתיו 34 רשמו 0.28 (R2) עבור המודל ההיברידי שפותח (Multilayer Perceptron Residual Kriging), בעוד ש-Ni במחקר הנוכחי רשם 0.637 (R2). רמת דיוק החיזוי של מודל זה (EBK SVMR) היא 63.7%, בעוד שדיוק החיזוי שהתקבל על ידי סרגייב ועמיתיו 34 הוא 28%. המפה הסופית (איור 5) שנוצרה באמצעות מודל EBK_SVMR ו-Ca_Mg_K כגורם מנבא מראה תחזיות של נקודות חמות וניקל בינוני עד ניקל על פני כל אזור המחקר. משמעות הדבר היא שריכוז הניקל באזור המחקר הוא בעיקר בינוני, עם ריכוזים גבוהים יותר באזורים ספציפיים מסוימים.
מפת החיזוי הסופית מיוצגת באמצעות המודל ההיברידי EBK_SVMR ושימוש ב-Ca_Mg_K כגורם חיזוי. [מפת ההתפלגות המרחבית נוצרה באמצעות RStudio (גרסה 1.4.1717: https://www.rstudio.com/).]
באיור 6 מוצגים ריכוזי PTE כמישור הרכב המורכב מנוירונים בודדים. אף אחד ממישורי הרכיבים לא הציג את אותה תבנית צבע כפי שמוצג. עם זאת, המספר המתאים של נוירונים לכל מפה מצוירת הוא 55. SeOM מיוצר באמצעות מגוון צבעים, וככל שדפוסי הצבע דומים יותר, כך תכונות הדגימות דומות יותר. בהתאם לסולם הצבעים המדויק שלהם, אלמנטים בודדים (Ca, K ו-Mg) הראו דפוסי צבע דומים לנוירונים בודדים בעלי ריכוז ניקל גבוה ולרוב הנוירונים בעלי ריכוז ניקל נמוך. לפיכך, CaK ו-CaMg חולקים קווי דמיון מסוימים עם נוירונים מסדר גבוה מאוד ודפוסי צבע נמוכים עד בינוניים. שני המודלים חוזים את ריכוז הניקל בקרקע על ידי הצגת גוונים בינוניים עד גבוהים של צבעים כמו אדום, כתום וצהוב. מודל KMg מציג דפוסי צבע גבוהים רבים המבוססים על פרופורציות מדויקות וכתמי צבע נמוכים עד בינוניים. בסולם צבעים מדויק מנמוך לגבוה, דפוס ההתפלגות המישורי של רכיבי המודל הראה דפוס צבע גבוה המצביע על הריכוז הפוטנציאלי של ניקל בקרקע (ראה איור 4). מישור הרכיבים של מודל CakMg מציג דפוס צבע מגוון מנמוך לגבוה בהתאם ל... סולם צבעים מדויק. יתר על כן, ניבוי המודל של תכולת ניקל (CakMg) דומה להתפלגות המרחבית של ניקל המוצגת באיור 5. שני הגרפים מראים פרופורציות גבוהות, בינוניות ונמוכות של ריכוזי ניקל בקרקעות עירוניות ופריאוריוניות. איור 7 מתאר את שיטת הקונטורה בקבוצת k-means במפה, מחולקת לשלושה אשכולות בהתבסס על הערך החזוי בכל מודל. שיטת הקונטורה מייצגת את המספר האופטימלי של אשכולות. מתוך 115 דגימות הקרקע שנאספו, קטגוריה 1 קיבלה את מספר דגימות הקרקע הרב ביותר, 74. אשכול 2 קיבל 33 דגימות, בעוד שאשכול 3 קיבל 8 דגימות. שילוב החיזוי המישורי בן שבעת הרכיבים פושט כדי לאפשר פרשנות נכונה של אשכולות. בשל התהליכים האנתרופוגניים והטבעיים הרבים המשפיעים על היווצרות הקרקע, קשה לקבל דפוסי אשכול מובחנים כראוי במפת SeOM מבוזרת.
פלט מישור רכיבים על ידי כל משתנה אמפירי של מכונת תמיכה וקטורית קריגינג בייסיאנית (EBK_SVM_SeOM). [מפות SeOM נוצרו באמצעות RStudio (גרסה 1.4.1717: https://www.rstudio.com/).]
רכיבי סיווג אשכולות שונים [מפות SeOM נוצרו באמצעות RStudio (גרסה 1.4.1717: https://www.rstudio.com/).]
המחקר הנוכחי מדגים בבירור טכניקות מידול לריכוזי ניקל בקרקעות עירוניות ופריאוריוניות. המחקר בחן טכניקות מידול שונות, תוך שילוב אלמנטים עם טכניקות מידול, כדי להשיג את הדרך הטובה ביותר לחזות ריכוזי ניקל בקרקע. מאפייני המרחב המישוריים ההרכביים של SeOM של טכניקת המידול הציגו דפוס צבע גבוה מנמוך לגבוה בסולם צבעים מדויק, המצביע על ריכוזי ניקל בקרקע. עם זאת, מפת ההתפלגות המרחבית מאשרת את ההתפלגות המרחבית המישורית של הרכיבים המוצגת על ידי EBK_SVMR (ראה איור 5). התוצאות מראות שמודל הרגרסיה של מכונת וקטור התמיכה (CaMgK-SVMR) מנבא את ריכוז הניקל בקרקע כמודל יחיד, אך פרמטרי האימות וההערכה של הדיוק מראים שגיאות גבוהות מאוד מבחינת RMSE ו-MAE. מצד שני, טכניקת המידול בה נעשה שימוש עם מודל EBK_MLR פגומה גם בשל הערך הנמוך של מקדם הקביעה (R2). תוצאות טובות התקבלו באמצעות EBK SVMR ואלמנטים משולבים (CaKMg) עם שגיאות RMSE ו-MAE נמוכות עם דיוק של 63.7%. מסתבר ששילוב אלגוריתם EBK עם אלגוריתם למידת מכונה יכול לייצר אלגוריתם היברידי שיכול לחזות את ריכוז ה-PTE בקרקע. התוצאות מראות כי שימוש ב-CaMgK כגורמים מנבאים לחיזוי ריכוזי ניקל באזור המחקר יכול לשפר את חיזוי ה-Ni בקרקעות. משמעות הדבר היא שיישום מתמשך של דשנים מבוססי ניקל וזיהום תעשייתי של הקרקע על ידי תעשיית הפלדה נוטים להגביר את ריכוז הניקל בקרקע. מחקר זה גילה כי מודל EBK יכול להפחית את רמת השגיאה ולשפר את הדיוק של מודל התפלגות המרחבית של הקרקע בקרקעות עירוניות או פרי-עירוניות. באופן כללי, אנו מציעים ליישם את מודל EBK-SVMR כדי להעריך ולחזות PTE בקרקע; בנוסף, אנו מציעים להשתמש ב-EBK כדי להכליא עם אלגוריתמים שונים של למידת מכונה. ריכוזי ניקל ניבאו באמצעות אלמנטים כמשתנים משותפים; עם זאת, שימוש ביותר משתנים משותפים ישפר מאוד את ביצועי המודל, דבר שניתן לראותו כמגבלה של העבודה הנוכחית. מגבלה נוספת של מחקר זה היא שמספר מערכי הנתונים הוא 115. לכן, אם יסופקו נתונים נוספים, ניתן לשפר את ביצועי שיטת ההכלאה האופטימלית המוצעת.
PlantProbs.net. ניקל בצמחים ובקרקע https://plantprobs.net/plant/nutrientImbalances/sodium.html (גישה אחרונה: 28 באפריל 2021).
קספרזק, ק.ס. ניקל מתקדמים בטוקסיקולוגיה סביבתית מודרנית. סביבה. טוקסיקולוגיה. 11, 145–183 (1987).
Cempel, M. & Nickel, G. Nickel: סקירה של מקורותיו וטוקסיקולוגיה סביבתית. Polish J. Environment.Stud.15, 375–382 (2006).
פרידמן, ב. והאצ'ינסון, TC קלט מזהמים מהאטמוספרה והצטברות בקרקע ובצמחייה ליד מפעל להתכת ניקל-נחושת בסודברי, אונטריו, קנדה. can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. מתכות כבדות בקרקע, צמחים וסיכונים הקשורים לרעות מעלי גירה ליד מכרה הנחושת-ניקל סלבי-פיקווה בבוטסואנה. surroundings. Geochemistry. Health https://doi.org/10.1007/s10653-021-00918-x (2021).
קבטה-פנדיאס.קבטה-פנדיאס א. 2011. יסודות קורט בקרקע ו... – גוגל סקולר 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= (גישה אחרונה: 24 בנובמבר 2020).
אלמאס, א., סינג, ב., חקלאות, TS-NJ של & 1995, לא מוגדר. השפעות תעשיית הניקל הרוסית על ריכוזי מתכות כבדות בקרקעות חקלאיות ועשבים בסור-ורנגר, נורבגיה. agris.fao.org.
Nielsen, GD et al. ספיגה ושימור ניקל במי שתייה קשורים לצריכת מזון ורגישות לניקל. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
קוסטה, מ. וקליין, CB קרצינוגנזה של ניקל, מוטציה, אפיגנטיקה או ברירה. סביבה. פרספקטיבה בריאותית. 107, 2 (1999).
אג'מן, פ.סי.; אג'דו, ס.ק.; בורובקה, ל.; ביני, י.ק.מ.; סרקודי, וי.יו.; קובוניה, ניו מקסיקו; ניתוח מגמות של יסודות רעילים פוטנציאליים: סקירה ביבליומטרית. גיאוכימיה סביבתית ובריאות. ספרינגר מדע וביזנס מדיה בי.וי. 2020. https://doi.org/10.1007/s10653-020-00742-9.
מינאסני, ב. ומקברטני, AB מיפוי קרקע דיגיטלי: היסטוריה קצרה וכמה לקחים. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV מידול גיאוסטטיסטי של מאגרים,... – גוגל סקולר 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= (גישה אחרונה: 28 באפריל 2021).