Matur nuwun sampun ngunjungi Nature.com. Versi browser sing sampeyan gunakake nduweni dhukungan CSS sing winates. Kanggo pengalaman sing paling apik, disaranake sampeyan nggunakake browser sing dianyari (utawa mateni mode kompatibilitas ing Internet Explorer). Kangge, kanggo njamin dhukungan sing terus-terusan, kita bakal nampilake situs tanpa gaya lan JavaScript.
Polusi lemah minangka masalah gedhe sing disebabake dening aktivitas manungsa. Distribusi spasial unsur-unsur sing duweni potensi beracun (PTE) beda-beda ing sebagian besar wilayah kutha lan pinggiran kutha. Mulane, angel prédhiksi sacara spasial isi PTE ing lemah kasebut. Total 115 sampel dijupuk saka Frydek Mistek ing Republik Ceko. Konsentrasi kalsium (Ca), magnesium (Mg), kalium (K) lan nikel (Ni) ditemtokake nggunakake spektrometri emisi plasma sing digandeng induktif. Variabel respon yaiku Ni lan prediktor yaiku Ca, Mg, lan K. Matriks korelasi antarane variabel respon lan variabel prediktor nuduhake korelasi sing nyukupi antarane unsur-unsur kasebut. Asil prediksi nuduhake yen Regresi Mesin Vektor Dhukungan (SVMR) ditindakake kanthi apik, sanajan kesalahan kuadrat akar rata-rata sing diestimasikake (RMSE) (235,974 mg/kg) lan kesalahan absolut rata-rata (MAE) (166,946 mg/kg) luwih dhuwur tinimbang metode liyane sing diterapake. Model campuran kanggo Regresi Linear Berganda Bayesian Kriging Empiris (EBK-MLR) ditindakake kanthi ala, kaya sing dibuktekake. kanthi koefisien determinasi kurang saka 0,1. Model Regresi Mesin Vektor Kriging-Support Bayesian Empirikal (EBK-SVMR) minangka model sing paling apik, kanthi nilai RMSE (95,479 mg/kg) lan MAE (77,368 mg/kg) sing endhek lan koefisien determinasi sing dhuwur (R2 = 0,637). Output teknik pemodelan EBK-SVMR divisualisasikake nggunakake peta sing ngatur dhewe. Neuron kluster ing bidang komponen model hibrida CakMg-EBK-SVMR nuduhake pirang-pirang pola warna sing prédhiksi konsentrasi Ni ing lemah kutha lan peri-urban. Asil kasebut nduduhake manawa nggabungake EBK lan SVMR minangka teknik sing efektif kanggo prédhiksi konsentrasi Ni ing lemah kutha lan peri-urban.
Nikel (Ni) dianggep minangka mikronutrien kanggo tanduran amarga nyumbang kanggo fiksasi nitrogen atmosfer (N) lan metabolisme urea, sing loro-lorone dibutuhake kanggo perkecambahan wiji. Saliyane kontribusine kanggo perkecambahan wiji, Ni bisa tumindak minangka inhibitor jamur lan bakteri lan ningkatake perkembangan tanduran. Kekurangan nikel ing lemah ngidini tanduran nyerep, sing nyebabake klorosis godhong. Contone, kacang tunggak lan kacang buncis mbutuhake aplikasi pupuk berbasis nikel kanggo ngoptimalake fiksasi nitrogen2. Aplikasi pupuk berbasis nikel sing terus-terusan kanggo ngayahi lemah lan nambah kemampuan kacang-kacangan kanggo ndandani nitrogen ing lemah terus-terusan nambah konsentrasi nikel ing lemah. Sanajan nikel minangka mikronutrien kanggo tanduran, asupan sing berlebihan ing lemah bisa luwih mbebayani tinimbang apik. Keracunan nikel ing lemah nyuda pH lemah lan ngalangi penyerapan wesi minangka nutrisi penting kanggo pertumbuhan tanduran1. Miturut Liu3, Ni wis ditemokake minangka unsur penting kaping 17 sing dibutuhake kanggo perkembangan lan pertumbuhan tanduran. Saliyane peran nikel ing perkembangan lan pertumbuhan tanduran, manungsa mbutuhake kanggo macem-macem aplikasi. Elektroplating, produksi berbasis nikel paduan, lan pabrikasi piranti pengapian lan busi ing industri otomotif kabeh mbutuhake panggunaan nikel ing macem-macem sektor industri. Kajaba iku, paduan berbasis nikel lan barang-barang sing dilapisi elektroda wis digunakake sacara wiyar ing piranti pawon, aksesoris ballroom, pasokan industri panganan, listrik, kawat lan kabel, turbin jet, implan bedhah, tekstil, lan galangan kapal5. Tingkat sugih Ni ing lemah (yaiku, lemah permukaan) wis disebabake dening sumber antropogenik lan alami, nanging utamane, Ni minangka sumber alami tinimbang antropogenik4,6. Sumber alami nikel kalebu letusan gunung berapi, vegetasi, kebakaran hutan, lan proses geologi; Nanging, sumber antropogenik kalebu baterei nikel/kadmium ing industri baja, elektroplating, pengelasan busur, solar lan lenga bahan bakar, lan emisi atmosfer saka pembakaran batu bara lan pembakaran limbah lan lumpur Akumulasi nikel7,8. Miturut Freedman lan Hutchinson9 lan Manyiwa et al. 10, sumber utama polusi lemah ndhuwur ing lingkungan langsung lan sacedhake utamane yaiku peleburan lan tambang berbasis nikel-tembaga. Lemah ndhuwur ing sekitar kilang nikel-tembaga Sudbury ing Kanada duwe tingkat kontaminasi nikel paling dhuwur yaiku 26.000 mg/kg11. Kosok baline, polusi saka produksi nikel ing Rusia nyebabake konsentrasi nikel sing luwih dhuwur ing lemah Norwegia11. Miturut Alms et al. 12, jumlah nikel sing bisa diekstrak HNO3 ing lahan pertanian paling dhuwur ing wilayah kasebut (produksi nikel ing Rusia) kisarane saka 6,25 nganti 136,88 mg/kg, sing cocog karo rata-rata 30,43 mg/kg lan konsentrasi dhasar 25 mg/kg. Miturut kabata 11, aplikasi pupuk fosfor ing lemah pertanian ing lemah kutha utawa peri-urban sajrone musim panen berturut-turut bisa nyuntikake utawa ngrusak lemah. Efek potensial nikel ing manungsa bisa nyebabake kanker liwat mutagenesis, kerusakan kromosom, generasi Z-DNA, perbaikan eksisi DNA sing diblokir, utawa proses epigenetik 13. Ing eksperimen kewan, nikel wis ditemokake duwe potensi kanggo nyebabake macem-macem tumor, lan kompleks nikel karsinogenik bisa nambah tumor kasebut.
Penilaian kontaminasi lemah wis berkembang pesat akhir-akhir iki amarga macem-macem masalah sing ana gandhengane karo kesehatan sing muncul saka hubungan lemah-tanduran, hubungan biologis lemah lan lemah, degradasi ekologis, lan penilaian dampak lingkungan. Nganti saiki, prediksi spasial unsur-unsur beracun sing potensial (PTE) kayata Ni ing lemah wis angel lan mbuwang wektu nggunakake metode tradisional. Muncule pemetaan lemah digital (DSM) lan suksese saiki15 wis ningkatake pemetaan lemah prediktif (PSM). Miturut Minasny lan McBratney16, pemetaan lemah prediktif (DSM) wis kabukten dadi subdisiplin ilmu lemah sing penting. Lagacherie lan McBratney, 2006 netepake DSM minangka "panggawean lan pengisian sistem informasi lemah spasial liwat panggunaan metode observasi in situ lan laboratorium lan sistem inferensi lemah spasial lan non-spasial". McBratney et al. 17 njlentrehake manawa DSM utawa PSM kontemporer minangka teknik sing paling efektif kanggo prédhiksi utawa pemetaan distribusi spasial PTE, jinis lemah, lan sifat lemah. Geostatistik lan Algoritma Pembelajaran Mesin (MLA) minangka teknik pemodelan DSM sing nggawe peta digital kanthi bantuan komputer nggunakake data sing signifikan lan minimal.
Deutsch18 lan Olea19 netepake geostatistik minangka "koleksi teknik numerik sing ana gandhengane karo perwakilan atribut spasial, utamane nggunakake model stokastik, kayata kepiye analisis runtun wektu menehi ciri data temporal." Utamane, geostatistik nglibatake evaluasi variogram, sing ngidini Kuantifikasi lan nemtokake katergantungan nilai spasial saka saben dataset20. Gumiaux et al. 20 luwih nggambarake manawa evaluasi variogram ing geostatistik adhedhasar telung prinsip, kalebu (a) ngitung skala korelasi data, (b) ngenali lan ngitung anisotropi ing disparitas dataset lan (c) saliyane Saliyane nganggep kesalahan sing ana ing data pangukuran sing dipisahake saka efek lokal, efek area uga diestimasikake. Mbangun konsep kasebut, akeh teknik interpolasi sing digunakake ing geostatistik, kalebu kriging umum, co-kriging, kriging biasa, kriging Bayesian empiris, metode kriging prasaja lan teknik interpolasi liyane sing misuwur kanggo memetakan utawa prédhiksi PTE, karakteristik lemah, lan jinis lemah.
Algoritma Pembelajaran Mesin (MLA) minangka teknik sing relatif anyar sing nggunakake kelas data non-linier sing luwih gedhe, didorong dening algoritma sing utamane digunakake kanggo penambangan data, ngenali pola ing data, lan bola-bali diterapake kanggo klasifikasi ing bidang ilmiah kayata ilmu lemah lan tugas bali. Akeh makalah riset gumantung ing model MLA kanggo prédhiksi PTE ing lemah, kayata Tan et al. 22 (alas acak kanggo estimasi logam abot ing lemah pertanian), Sakizadeh et al. 23 (pemodelan nggunakake mesin vektor dhukungan lan jaringan saraf buatan) polusi lemah). Kajaba iku, Vega et al. 24 (CART kanggo pemodelan retensi logam abot lan adsorpsi ing lemah) Sun et al. 25 (aplikasi kubis yaiku distribusi Cd ing lemah) lan algoritma liyane kayata k-nearest neighbor, regresi boosted umum, lan regresi boosted Wit-witan uga ngetrapake MLA kanggo prédhiksi PTE ing lemah.
Aplikasi algoritma DSM ing prediksi utawa pemetaan ngadhepi sawetara tantangan. Akeh penulis percaya yen MLA luwih unggul tinimbang geostatistik lan kosok balene. Sanajan siji luwih apik tinimbang liyane, kombinasi loro kasebut nambah tingkat akurasi pemetaan utawa prediksi ing DSM15. Woodcock lan Gopal26 Finke27; Pontius lan Cheuk28 lan Grunwald29 komentar babagan kekurangan lan sawetara kesalahan ing pemetaan lemah sing diprediksi. Ilmuwan lemah wis nyoba macem-macem teknik kanggo ngoptimalake efektifitas, akurasi, lan prediktabilitas pemetaan lan prakiraan DSM. Kombinasi ketidakpastian lan verifikasi minangka salah sawijining aspek sing beda sing diintegrasi menyang DSM kanggo ngoptimalake efektifitas lan nyuda cacat. Nanging, Agyeman et al. 15 njlentrehake manawa prilaku validasi lan ketidakpastian sing dikenalake dening nggawe peta lan prediksi kudu divalidasi kanthi mandiri kanggo nambah kualitas peta. Watesan DSM amarga kualitas lemah sing kasebar sacara geografis, sing kalebu komponen ketidakpastian; Nanging, kekurangan kepastian ing DSM bisa uga muncul saka pirang-pirang sumber kesalahan, yaiku kesalahan kovariat, kesalahan model, kesalahan lokasi, lan Kesalahan analitis 31. Ketidakakuratan pemodelan sing disebabake ing proses MLA lan geostatistik digandhengake karo kekurangan pangerten, sing pungkasane nyebabake penyederhanaan proses nyata sing berlebihan32. Preduli saka sifat pemodelan, ketidakakuratan bisa disebabake dening parameter pemodelan, prediksi model matematika, utawa interpolasi33. Bubar, tren DSM anyar muncul sing ningkatake integrasi geostatistik lan MLA ing pemetaan lan prakiraan. Sawetara ilmuwan lemah lan penulis, kayata Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 lan Tarasov et al. 37 wis ngeksploitasi kualitas geostatistik lan pembelajaran mesin sing akurat kanggo ngasilake model hibrida sing nambah efisiensi prakiraan lan pemetaan. kualitas. Sawetara model algoritma hibrida utawa gabungan iki yaiku Jaringan Saraf Tiruan Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Regresi Umum Jaringan Saraf Tiruan Kriging Residual (GR-NNRK)36, Jaringan Saraf Tiruan Kriging-Multilayer Perceptron (ANN-K-MLP)37 lan Regresi Proses Co-Kriging lan Gaussian38.
Miturut Sergeev et al., nggabungake macem-macem teknik pemodelan nduweni potensi kanggo ngilangi cacat lan nambah efisiensi model hibrida sing diasilake tinimbang ngembangake model tunggal. Ing konteks iki, makalah anyar iki mbantah manawa perlu ngetrapake algoritma gabungan geostatistik lan MLA kanggo nggawe model hibrida sing optimal kanggo prédhiksi pengayaan Ni ing wilayah kutha lan peri-urban. Panliten iki bakal gumantung marang Empirical Bayesian Kriging (EBK) minangka model dhasar lan nyampur karo model Support Vector Machine (SVM) lan Multiple Linear Regression (MLR). Hibridisasi EBK karo MLA apa wae ora dingerteni. Model campuran ganda sing katon yaiku kombinasi saka kriging biasa, residual, regresi, lan MLA. EBK minangka metode interpolasi geostatistik sing nggunakake proses stokastik spasial sing dilokalisasi minangka lapangan acak non-stasioner/stasioner kanthi parameter lokalisasi sing ditetepake ing lapangan, sing ngidini variasi spasial 39. EBK wis digunakake ing macem-macem panliten, kalebu nganalisis distribusi karbon organik ing lemah pertanian 40, netepake polusi lemah 41 lan pemetaan lemah. sipat-sipat42.
Ing sisih liya, Self-Organizing Graph (SeOM) minangka algoritma pembelajaran sing wis diterapake ing macem-macem artikel kayata Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 lan Kebonye et al. 46 Nemtokake atribut spasial lan pengelompokan elemen. Wang et al. 44 njlentrehake manawa SeOM minangka teknik pembelajaran sing kuat sing dikenal amarga kemampuane kanggo nglumpukake lan mbayangake masalah non-linier. Ora kaya teknik pangenalan pola liyane kayata analisis komponen utama, kluster fuzzy, kluster hierarkis, lan pengambilan keputusan multi-kriteria, SeOM luwih apik ing ngatur lan ngenali pola PTE. Miturut Wang et al. 44, SeOM bisa nglumpukake distribusi neuron sing gegandhengan kanthi spasial lan nyedhiyakake visualisasi data resolusi dhuwur. SeOM bakal nggambarake data prediksi Ni kanggo entuk model paling apik kanggo menehi ciri asil kanggo interpretasi langsung.
Makalah iki nduweni tujuan kanggo ngasilake model pemetaan sing kuat kanthi akurasi optimal kanggo prédhiksi kandungan nikel ing lemah kutha lan peri-urban. Kita duwe hipotesis manawa linuwih model campuran utamane gumantung marang pengaruh model liyane sing dipasang ing model dhasar. Kita ngakoni tantangan sing diadhepi DSM, lan nalika tantangan kasebut ditangani ing pirang-pirang bidang, kombinasi kemajuan ing geostatistik lan model MLA katon bertahap; mulane, kita bakal nyoba mangsuli pitakon riset sing bisa ngasilake model campuran. Nanging, sepira akurat model kasebut ing prédhiksi unsur target? Uga, apa tingkat evaluasi efisiensi adhedhasar validasi lan evaluasi akurasi? Mula, tujuan khusus saka panliten iki yaiku (a) nggawe model campuran gabungan kanggo SVMR utawa MLR nggunakake EBK minangka model dhasar, (b) mbandhingake model sing diasilake (c) ngusulake model campuran sing paling apik kanggo prédhiksi konsentrasi Ni ing lemah kutha utawa peri-urban, lan (d) aplikasi SeOM kanggo nggawe peta resolusi dhuwur saka variasi spasial nikel.
Panliten iki ditindakake ing Republik Ceko, khususé ing distrik Frydek Mistek ing wilayah Moravia-Silesia (deleng Gambar 1). Géografi wilayah panliten iki kasar banget lan umumé minangka bagéan saka wilayah Moravia-Silesia Beskidy, sing minangka bagéan saka pinggiran njaba Pegunungan Carpathian. Wilayah panliten iki dumunung ing antarane 49° 41′ 0′ N lan 18° 20′ 0′ E, lan dhuwuré antara 225 lan 327 m; Nanging, sistem klasifikasi Koppen kanggo kahanan iklim wilayah kasebut dirating minangka Cfb = iklim samudra sedheng. Ana akeh udan sanajan ing sasi-sasi garing. Suhu beda-beda rada sajrone setaun antarane −5 °C lan 24 °C, arang mudhun ing ngisor −14 °C utawa ndhuwur 30 °C, dene curah hujan rata-rata taunan antarane 685 lan 752 mm47. Wilayah survey sing diestimasikake saka kabeh wilayah kasebut yaiku 1.208 kilometer persegi, kanthi 39,38% lahan budidaya lan 49,36% saka jangkoan alas. Ing sisih liya, wilayah sing digunakake ing panliten iki yaiku udakara 889,8 kilometer persegi. Ing lan sekitar Ostrava, industri baja lan pabrik logam aktif banget. Pabrik logam, industri baja ing ngendi nikel digunakake ing baja tahan karat (contone kanggo tahan korosi atmosfer) lan baja paduan (nikel nambah kekuatan paduan nalika njaga daktilitas lan ketangguhan sing apik), lan pertanian intensif kayata aplikasi pupuk fosfat lan produksi ternak minangka sumber potensial riset nikel ing. wilayah kasebut (contone, nambahake nikel menyang wedhus kanggo nambah tingkat pertumbuhan ing wedhus lan sapi sing kurang pangan). Panggunaan nikel industri liyane ing area riset kalebu panggunaane ing elektroplating, kalebu elektroplating nikel lan proses pelapisan nikel tanpa elektro. Sifat lemah gampang dibedakake saka warna lemah, struktur, lan kandungan karbonat. Tekstur lemah medium nganti alus, asale saka bahan induk. Sifat kasebut koluvial, alluvial utawa aeolian. Sawetara area lemah katon belang-belang ing permukaan lan lemah ngisor, asring ana beton lan pemutihan. Nanging, cambisol lan stagnosol minangka jinis lemah sing paling umum ing wilayah kasebut. Kanthi elevasi wiwit saka 455,1 nganti 493,5 m, cambisol ndominasi Republik Ceko.
Peta wilayah studi [Peta wilayah studi digawe nggunakake ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Total 115 sampel lemah ndhuwur dijupuk saka lemah kutha lan pinggiran kutha ing distrik Frydek Mistek. Pola sampel sing digunakake yaiku kothak biasa kanthi sampel lemah sing jaraké 2 × 2 km, lan lemah ndhuwur diukur ing jerone 0 nganti 20 cm nggunakake piranti GPS genggam (Leica Zeno 5 GPS). Sampel dikemas ing kantong Ziploc, diwenehi label kanthi bener, lan dikirim menyang laboratorium. Sampel kasebut dikeringake nganggo udara kanggo ngasilake sampel sing wis dilumatkan, dilumatkan nganggo sistem mekanik (pabrik cakram Fritsch), lan diayak (ukuran ayakan 2 mm). Selehake 1 gram sampel lemah sing wis garing, dihomogenisasi, lan diayak ing botol teflon sing diwenehi label kanthi jelas. Ing saben wadhah Teflon, wenehake 7 ml 35% HCl lan 3 ml 65% HNO3 (nggunakake dispenser otomatis - siji kanggo saben asam), tutup entheng lan supaya sampel ngadeg sewengi kanggo reaksi (program aqua regia). Selehake supernatan ing piring logam panas (suhu: 100 W lan (160 °C) sajrone 2 jam kanggo nggampangake proses pencernaan sampel, banjur adhemake. Pindahake supernatan menyang labu ukur 50 ml lan encerake nganti 50 ml nganggo banyu deionisasi. Sawise iku, saring supernatan sing wis diencerake menyang tabung PVC 50 ml nganggo banyu deionisasi. Kajaba iku, 1 ml larutan pengencer diencerake karo 9 ml banyu deionisasi lan disaring menyang tabung 12 ml sing disiapake kanggo pseudo-konsentrasi PTE. Konsentrasi PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditemtokake dening ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) miturut metode lan kesepakatan standar. Priksa prosedur Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil). PTE kanthi watesan deteksi ing ngisor setengah ora kalebu ing panliten iki. Watesan deteksi PTE sing digunakake ing panliten iki yaiku 0.0004.(sampeyan). Kajaba iku, proses kontrol kualitas lan jaminan kualitas kanggo saben analisis dijamin kanthi nganalisis standar referensi. Kanggo mesthekake yen kesalahan bisa diminimalake, analisis ganda ditindakake.
Kriging Bayesian Empiris (EBK) minangka salah sawijining teknik interpolasi geostatistik sing digunakake ing pemodelan ing macem-macem bidang kayata ilmu lemah. Ora kaya teknik interpolasi kriging liyane, EBK beda karo metode kriging tradisional kanthi nimbang kesalahan sing diestimasikake dening model semivariogram. Ing interpolasi EBK, sawetara model semivariogram diitung sajrone interpolasi, tinimbang semivariogram tunggal. Teknik interpolasi menehi dalan kanggo ketidakpastian lan pemrograman sing ana gandhengane karo plot semivariogram iki sing minangka bagean sing rumit banget saka metode kriging sing cukup. Proses interpolasi EBK ngetutake telung kritéria sing diusulake dening Krivoruchko50, (a) model ngira-ngira semivariogram saka dataset input (b) nilai prediksi anyar kanggo saben lokasi dataset input adhedhasar semivariogram sing digawe lan (c) model A pungkasan diitung saka dataset simulasi. Aturan persamaan Bayesian diwenehake minangka posterior
Ing ngendi \(Prob\left(A\right)\) makili probabilitas marginal prior, \(Prob\left(B\right)\) diabaikan ing umume kasus, \(Prob (B,A)\). Pitungan semivariogram adhedhasar aturan Bayes, sing nuduhake kecenderungan set data observasi sing bisa digawe saka semivariogram. Nilai semivariogram banjur ditemtokake nggunakake aturan Bayes, sing nyatakake sepira kamungkinan nggawe set data observasi saka semivariogram.
Mesin vektor dhukungan yaiku algoritma pembelajaran mesin sing ngasilake hyperplane pamisahan optimal kanggo mbedakake kelas sing identik nanging ora independen linier. Vapnik51 nggawe algoritma klasifikasi maksud, nanging bubar digunakake kanggo ngrampungake masalah sing berorientasi regresi. Miturut Li et al.52, SVM minangka salah sawijining teknik klasifikasi paling apik lan wis digunakake ing macem-macem bidang. Komponen regresi SVM (Support Vector Machine Regression - SVMR) digunakake ing analisis iki. Cherkassky lan Mulier53 miwiti SVMR minangka regresi berbasis kernel, sing komputasine ditindakake nggunakake model regresi linier kanthi fungsi spasial multi-negara. John et al54 nglaporake manawa pemodelan SVMR nggunakake regresi linier hyperplane, sing nggawe hubungan nonlinier lan ngidini fungsi spasial. Miturut Vohland et al. 55, epsilon (ε)-SVMR nggunakake dataset sing wis dilatih kanggo entuk model representasi minangka fungsi sing ora sensitif marang epsilon sing ditrapake kanggo memetakan data kanthi independen kanthi bias epsilon paling apik saka latihan ing data sing berkorelasi. Kesalahan jarak sing wis disetel diabaikan saka nilai nyata, lan yen kesalahan luwih gedhe tinimbang ε(ε), sifat lemah bakal ngimbangi. Model kasebut uga nyuda kerumitan data latihan dadi subset vektor dhukungan sing luwih jembar. Persamaan sing diusulake dening Vapnik51 dituduhake ing ngisor iki.
ing ngendi b makili ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) makili fungsi kernel, \(\alpha\) makili pengali Lagrange, N Makili dataset numerik, \({x}_{k}\) makili input data, lan \(y\) minangka output data. Salah sawijining kernel utama sing digunakake yaiku operasi SVMR, yaiku fungsi basis radial Gaussian (RBF). Kernel RBF ditrapake kanggo nemtokake model SVMR sing optimal, sing penting kanggo entuk faktor set penalti C sing paling alus lan parameter kernel gamma (γ) kanggo data latihan PTE. Kaping pisanan, kita ngevaluasi set latihan banjur nguji kinerja model ing set validasi. Parameter kemudi sing digunakake yaiku sigma lan nilai metode yaiku svmRadial.
Model regresi linier berganda (MLR) yaiku model regresi sing nggambarake hubungan antarane variabel respon lan sawetara variabel prediktor kanthi nggunakake parameter gabungan linier sing diitung nggunakake metode kuadrat paling cilik. Ing MLR, model kuadrat paling cilik minangka fungsi prediktif saka sifat lemah sawise pemilihan variabel panjelasan. Perlu nggunakake respon kanggo netepake hubungan linier nggunakake variabel panjelasan. PTE digunakake minangka variabel respon kanggo netepake hubungan linier karo variabel panjelasan. Persamaan MLR yaiku
ing ngendi y minangka variabel respon, \(a\) minangka intersep, n minangka jumlah prediktor, \({b}_{1}\) minangka regresi parsial saka koefisien, \({x}_{ i}\) makili prediktor utawa variabel panjelas, lan \({\varepsilon }_{i}\) makili kesalahan ing model, uga dikenal minangka residual.
Model campuran dipikolehi kanthi nggabungake EBK karo SVMR lan MLR. Iki ditindakake kanthi njupuk nilai prediksi saka interpolasi EBK. Nilai prediksi sing dipikolehi saka Ca, K, lan Mg sing diinterpolasi dipikolehi liwat proses kombinatorial kanggo entuk variabel anyar, kayata CaK, CaMg, lan KMg. Unsur Ca, K lan Mg banjur digabungake kanggo entuk variabel kaping papat, CaKMg. Sakabèhé, variabel sing dipikolehi yaiku Ca, K, Mg, CaK, CaMg, KMg lan CaKMg. Variabel kasebut dadi prediktor, mbantu prédhiksi konsentrasi nikel ing lemah kutha lan peri-urban. Algoritma SVMR ditindakake ing prediktor kanggo entuk model campuran Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Kajaba iku, variabel uga disalurake liwat algoritma MLR kanggo entuk model campuran Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Biasane, variabel Ca, K, Mg, CaK, CaMg, KMg, lan CaKMg digunakake minangka kovariat minangka prediktor kandungan Ni ing lemah kutha lan peri-urban. Model sing paling bisa ditampa sing dipikolehi (EBK_SVM utawa EBK_MLR) banjur bakal divisualisasikake nggunakake grafik sing ngatur dhewe. Alur kerja panliten iki dituduhake ing Gambar 2.
Nggunakake SeOM wis dadi alat sing populer kanggo ngatur, ngevaluasi, lan ngramalake data ing sektor keuangan, perawatan kesehatan, industri, statistik, ilmu lemah, lan liya-liyane. SeOM digawe nggunakake jaringan saraf buatan lan metode pembelajaran tanpa pengawasan kanggo organisasi, evaluasi, lan prediksi. Ing panliten iki, SeOM digunakake kanggo nggambarake konsentrasi Ni adhedhasar model paling apik kanggo ngramalake Ni ing lemah kutha lan peri-urban. Data sing diproses ing evaluasi SeOM digunakake minangka variabel vektor dimensi input n43,56. Melssen et al. 57 njlèntrèhaké sambungan vektor input menyang jaringan saraf liwat lapisan input tunggal menyang vektor output kanthi vektor bobot tunggal. Output sing diasilaké déning SeOM yaiku peta rong dimensi sing kasusun saka neuron utawa simpul sing béda-béda sing dirajut dadi peta topologi heksagonal, bunder, utawa kothak miturut jaraké. Mbandhingaké ukuran peta adhedhasar metrik, kesalahan kuantisasi (QE) lan kesalahan topografi (TE), model SeOM kanthi 0,086 lan 0,904, dipilih, yaiku unit 55-peta (5 × 11). Struktur neuron ditemtokake miturut jumlah simpul ing persamaan empiris.
Cacahing data sing digunakake ing panliten iki yaiku 115 sampel. Pendekatan acak digunakake kanggo misahake data dadi data uji (25% kanggo validasi) lan set data latihan (75% kanggo kalibrasi). Dataset latihan digunakake kanggo ngasilake model regresi (kalibrasi), lan dataset uji digunakake kanggo verifikasi kemampuan generalisasi58. Iki ditindakake kanggo netepake kesesuaian macem-macem model kanggo prédhiksi kandungan nikel ing lemah. Kabeh model sing digunakake ngliwati proses validasi silang sepuluh kali lipat, diulang kaping lima. Variabel sing diasilake dening interpolasi EBK digunakake minangka prediktor utawa variabel panjelas kanggo prédhiksi variabel target (PTE). Pemodelan ditangani ing RStudio nggunakake paket library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) lan library (“Metrics”).
Maneka warna parameter validasi digunakake kanggo nemtokake model paling apik sing cocog kanggo prédhiksi konsentrasi nikel ing lemah lan kanggo ngevaluasi akurasi model lan validasine. Model hibridisasi dievaluasi nggunakake kesalahan absolut rata-rata (MAE), kesalahan kuadrat rata-rata akar (RMSE), lan penentuan koefisien R-kuadrat (R2). R2 nemtokake varians proporsi ing jawaban, sing diwakili dening model regresi. RMSE lan gedhene varians ing ukuran independen nggambarake daya prediktif model, dene MAE nemtokake nilai kuantitatif sing nyata. Nilai R2 kudu dhuwur kanggo ngevaluasi model campuran paling apik nggunakake parameter validasi, luwih cedhak nilaine karo 1, luwih dhuwur akurasine. Miturut Li et al. 59, nilai kriteria R2 0,75 utawa luwih gedhe dianggep minangka prediktor sing apik; saka 0,5 nganti 0,75 minangka kinerja model sing bisa ditampa, lan ing ngisor 0,5 minangka kinerja model sing ora bisa ditampa. Nalika milih model nggunakake metode evaluasi kriteria validasi RMSE lan MAE, nilai sing luwih murah sing dipikolehi cukup lan dianggep minangka pilihan sing paling apik. Persamaan ing ngisor iki nggambarake metode verifikasi.
ing ngendi n makili ukuran nilai sing diamati\({Y}_{i}\) makili respon sing diukur, lan \({\widehat{Y}}_{i}\) uga makili nilai respon sing diprediksi, mulane, kanggo pengamatan i pisanan.
Katrangan statistik babagan variabel prediktor lan respon dituduhake ing Tabel 1, sing nuduhake rata-rata, standar deviasi (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, lan skewness. Nilai minimum lan maksimum unsur-unsur kasebut ana ing urutan mudhun saka Mg < Ca < K < Ni lan Ca < Mg < K < Ni. Konsentrasi variabel respon (Ni) sing disampel saka area panliten kisaran saka 4,86 ​​nganti 42,39 mg/kg. Perbandingan Ni karo rata-rata donya (29 mg/kg) lan rata-rata Eropa (37 mg/kg) nuduhake yen rata-rata geometris sing diitung sakabèhé kanggo area panliten ana ing kisaran sing bisa ditoleransi. Nanging, kaya sing dituduhake dening Kabata-Pendias11, perbandingan konsentrasi nikel (Ni) rata-rata ing panliten saiki karo lemah pertanian ing Swedia nuduhake yen konsentrasi nikel rata-rata saiki luwih dhuwur. Kajaba iku, konsentrasi rata-rata Frydek Mistek ing lemah kutha lan peri-urban ing panliten saiki (Ni 16,15 mg/kg) luwih dhuwur tinimbang watesan sing diidinake. saka 60 (10,2 mg/kg) kanggo Ni ing lemah kutha Polandia sing dilapurake dening Różański et al. Salajengipun, Bretzel lan Calderisi61 nyathet konsentrasi Ni rata-rata sing sithik banget (1,78 mg/kg) ing lemah kutha ing Tuscany dibandhingake karo panliten saiki. Jim62 uga nemokake konsentrasi nikel sing luwih murah (12,34 mg/kg) ing lemah kutha Hong Kong, sing luwih murah tinimbang konsentrasi nikel saiki ing panliten iki. Birke et al63 nglaporake konsentrasi Ni rata-rata 17,6 mg/kg ing wilayah pertambangan lan industri kutha lawas ing Saxony-Anhalt, Jerman, sing 1,45 mg/kg luwih dhuwur tinimbang konsentrasi Ni rata-rata ing wilayah kasebut (16,15 mg/kg). Riset saiki. Kandungan nikel sing akeh banget ing lemah ing sawetara wilayah kutha lan pinggiran kutha ing wilayah panliten bisa uga disebabake dening industri wesi lan baja lan industri logam. Iki konsisten karo panliten dening Khodadoust et al. 64 menawa industri baja lan pengerjaan logam minangka sumber utama kontaminasi nikel ing lemah. Nanging, prediktor uga wiwit saka 538,70 mg/kg nganti 69.161,80 mg/kg kanggo Ca, 497,51 mg/kg nganti 3535,68 mg/kg kanggo K, lan 685,68 mg/kg nganti 5970,05 mg/kg kanggo Mg. Jakovljevic et al. 65 nyelidiki total kandungan Mg lan K ing lemah ing Serbia tengah. Dheweke nemokake yen total konsentrasi (410 mg/kg lan 400 mg/kg, masing-masing) luwih murah tinimbang konsentrasi Mg lan K ing panliten saiki. Ora bisa dibedakake, ing Polandia sisih wétan, Orzechowski lan Smolczynski66 netepake total kandungan Ca, Mg lan K lan nuduhake konsentrasi rata-rata Ca (1100 mg/kg), Mg (590 mg/kg) lan K (810 mg/kg). Kandungan ing lemah ndhuwur luwih murah tinimbang unsur tunggal ing panliten iki. Panliten anyar dening Pongrac et al. 67 nuduhake yen total kandungan Ca sing dianalisis ing 3 lemah sing beda ing Skotlandia, Inggris (lemah Mylnefield, lemah Balruddery lan lemah Hartwood) nuduhake kandungan Ca sing luwih dhuwur ing panliten iki.
Amarga konsentrasi sing diukur saka unsur-unsur sing disampel beda-beda, distribusi set data unsur-unsur kasebut nuduhake kemiringan sing beda-beda. Kemiringan lan kurtosis unsur-unsur kasebut kisarane saka 1,53 nganti 7,24 lan 2,49 nganti 54,16. Kabeh unsur sing diitung duwe tingkat kemiringan lan kurtosis ing ndhuwur +1, saengga nuduhake yen distribusi data ora teratur, miring ing arah sing bener lan memuncak. CV unsur sing diestimasikake uga nuduhake yen K, Mg, lan Ni nuduhake variabilitas moderat, dene Ca duwe variabilitas sing dhuwur banget. CV K, Ni lan Mg nerangake distribusi seragam. Salajengipun, distribusi Ca ora seragam lan sumber eksternal bisa mengaruhi tingkat pengayaan.
Korelasi variabel prediktor karo unsur respon nuduhake korelasi sing nyukupi antarane unsur (waca Gambar 3). Korelasi kasebut nuduhake yen CaK nuduhake korelasi moderat kanthi nilai r = 0,53, kaya CaNi. Sanajan Ca lan K nuduhake asosiasi sing moderat karo siji liyane, peneliti kayata Kingston et al. 68 lan Santo69 nuduhake yen tingkatane ing lemah iku proporsional kosok baline. Nanging, Ca lan Mg iku antagonis karo K, nanging CaK berkorelasi apik. Iki bisa uga amarga aplikasi pupuk kayata kalium karbonat, sing 56% luwih dhuwur ing kalium. Kalium berkorelasi moderat karo magnesium (KM r = 0,63). Ing industri pupuk, loro unsur iki raket banget amarga kalium magnesium sulfat, kalium magnesium nitrat, lan potash diterapake ing lemah kanggo nambah tingkat kekurangane. Nikel berkorelasi moderat karo Ca, K lan Mg kanthi nilai r = 0,52, 0,63 lan 0,55. Hubungan sing nglibatake kalsium, magnesium, lan PTE kayata nikel iku kompleks, nanging sanajan mangkono, magnesium nyegah penyerapan kalsium, kalsium nyuda efek magnesium sing berlebihan, lan magnesium lan kalsium nyuda efek beracun nikel ing lemah.
Matriks korelasi kanggo unsur sing nuduhake hubungan antarane prediktor lan respon (Cathetan: gambar iki kalebu scatterplot antarane unsur, tingkat signifikansi adhedhasar p < 0,001).
Gambar 4 nggambarake distribusi spasial unsur-unsur. Miturut Burgos et al70, aplikasi distribusi spasial minangka teknik sing digunakake kanggo ngetung lan nyorot titik panas ing wilayah sing tercemar. Tingkat pengayaan Ca ing Gambar 4 bisa dideleng ing sisih lor-kulon peta distribusi spasial. Gambar kasebut nuduhake titik panas pengayaan Ca moderat nganti dhuwur. Pengayaan kalsium ing sisih lor-kulon peta kasebut kemungkinan amarga panggunaan kapur tohor (kalsium oksida) kanggo nyuda kaasaman lemah lan panggunaane ing pabrik baja minangka oksigen alkali ing proses nggawe baja. Ing sisih liya, petani liyane luwih seneng nggunakake kalsium hidroksida ing lemah asam kanggo netralake pH, sing uga nambah kandungan kalsium lemah71. Kalium uga nuduhake titik panas ing sisih lor-kulon lan wetan peta. Northwest minangka komunitas pertanian utama, lan pola kalium moderat nganti dhuwur bisa uga amarga aplikasi NPK lan potash. Iki konsisten karo panliten liyane, kayata Madaras lan Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, sing mirsani manawa stabilisasi lemah lan Perawatan nganggo KCl lan NPK nyebabake kandungan K sing dhuwur ing lemah. Pengayaan Kalium spasial ing sisih lor-kulon peta distribusi bisa uga amarga panggunaan pupuk berbasis kalium kayata kalium klorida, kalium sulfat, kalium nitrat, kalium, lan kalium kanggo nambah kandungan kalium ing lemah sing kurang subur. Zádorová et al. 76 lan Tlustoš et al. 77 njlentrehake manawa aplikasi pupuk berbasis K nambah kandungan K ing lemah lan bakal nambah kandungan nutrisi lemah kanthi signifikan ing jangka panjang, utamane K lan Mg sing nuduhake titik panas ing lemah. Titik panas sing relatif moderat ing sisih lor-kulon peta lan sisih kidul-wetan peta. Fiksasi koloid ing lemah ngurangi konsentrasi magnesium ing lemah. Kekurangane ing lemah nyebabake tanduran nuduhake klorosis intervein kekuningan. Pupuk berbasis magnesium, kayata kalium magnesium sulfat, magnesium sulfat, lan Kieserite, ngobati kekurangan (tanduran katon ungu, abang, utawa coklat, nuduhake kekurangan magnesium) ing lemah kanthi kisaran pH normal6. Akumulasi nikel ing permukaan lemah kutha lan peri-urban bisa uga amarga kegiatan antropogenik kayata pertanian lan pentinge nikel ing produksi baja tahan karat78.
Distribusi spasial elemen [peta distribusi spasial digawe nggunakake ArcGIS Desktop (ESRI, Inc, Versi 10.7, URL: https://desktop.arcgis.com).]
Asil indeks kinerja model kanggo unsur sing digunakake ing panliten iki dituduhake ing Tabel 2. Ing sisih liya, RMSE lan MAE saka Ni loro-lorone cedhak karo nol (0,86 RMSE, -0,08 MAE). Ing sisih liya, nilai RMSE lan MAE saka K bisa ditampa. Asil RMSE lan MAE luwih gedhe kanggo kalsium lan magnesium. Asil Ca lan K MAE lan RMSE luwih gedhe amarga dataset sing beda. RMSE lan MAE saka panliten iki sing nggunakake EBK kanggo prédhiksi Ni ditemokake luwih apik tinimbang asil John et al. 54 nggunakake kriging sinergis kanggo prédhiksi konsentrasi S ing lemah nggunakake data sing dikumpulake sing padha. Output EBK sing ditliti berkorelasi karo output Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 lan John et al. 82, utamane K lan Ni.
Kinerja metode individu kanggo prédhiksi kandungan nikel ing lemah kutha lan peri-urban dievaluasi nggunakake kinerja model (Tabel 3). Validasi model lan evaluasi akurasi ngonfirmasi manawa prediktor Ca_Mg_K sing digabungake karo model EBK SVMR ngasilake kinerja sing paling apik. Model kalibrasi Ca_Mg_K-EBK_SVMR model R2, kesalahan kuadrat rata-rata akar (RMSE) lan kesalahan absolut rata-rata (MAE) yaiku 0,637 (R2), 95,479 mg/kg (RMSE) lan 77,368 mg/kg (MAE) Ca_Mg_K-SVMR yaiku 0,663 (R2), 235,974 mg/kg (RMSE) lan 166,946 mg/kg (MAE). Nanging, nilai R2 sing apik dipikolehi kanggo Ca_Mg_K-SVMR (0,663 mg/kg R2) lan Ca_Mg-EBK_SVMR (0,643 = R2); Asil RMSE lan MAE luwih dhuwur tinimbang Ca_Mg_K-EBK_SVMR (R2 0.637) (deleng Tabel 3). Kajaba iku, RMSE lan MAE saka model Ca_Mg-EBK_SVMR (RMSE = 1664.64 lan MAE = 1031.49) yaiku 17.5 lan 13.4, sing luwih gedhe tinimbang Ca_Mg_K-EBK_SVMR. Kajaba iku, RMSE lan MAE saka model Ca_Mg-K SVMR (RMSE = 235.974 lan MAE = 166.946) yaiku 2.5 lan 2.2 luwih gedhe tinimbang Ca_Mg_K-EBK_SVMR RMSE lan MAE. Asil RMSE sing diitung nuduhake sepira konsentrasi set data karo garis sing paling cocog. RSME lan MAE sing luwih dhuwur diamati. Miturut Kebonye et al. 46 lan john et al. 54, saya cedhak RMSE lan MAE karo nol, saya apik asilé. SVMR lan EBK_SVMR duwé nilai RSME lan MAE sing wis dikuantisasi luwih dhuwur. Diamati manawa prakiraan RSME sacara konsisten luwih dhuwur tinimbang nilai MAE, sing nuduhaké anané outlier. Miturut Legates lan McCabe83, ombone RMSE ngluwihi kesalahan absolut rata-rata (MAE) dianjurake minangka indikator anané outlier. Iki tegesé luwih heterogen dataset, saya dhuwur nilai MAE lan RMSE. Akurasi penilaian validasi silang model campuran Ca_Mg_K-EBK_SVMR kanggo prédhiksi isi Ni ing lemah kutha lan suburban yaiku 63,70%. Miturut Li et al. 59, tingkat akurasi iki minangka tingkat kinerja model sing bisa ditampa. Asil saiki dibandhingake karo panliten sadurunge dening Tarasov et al. 36 sing model hibrida nggawe MLPRK (Multilayer Perceptron Residual Kriging), sing ana gandhengane karo indeks evaluasi akurasi EBK_SVMR sing dilapurake ing panliten saiki, RMSE (210) lan MAE (167.5) luwih dhuwur tinimbang asil kita ing panliten saiki (RMSE 95.479, MAE 77.368). Nanging, nalika mbandhingake R2 saka panliten saiki (0.637) karo Tarasov et al. 36 (0,544), jelas yen koefisien determinasi (R2) luwih dhuwur ing model campuran iki. Margin kesalahan (RMSE lan MAE) (EBK SVMR) kanggo model campuran kaping pindho luwih murah. Kajaba iku, Sergeev et al. 34 nyathet 0,28 (R2) kanggo model hibrida sing dikembangake (Multilayer Perceptron Residual Kriging), dene Ni ing panliten saiki nyathet 0,637 (R2). Tingkat akurasi prediksi model iki (EBK SVMR) yaiku 63,7%, dene akurasi prediksi sing dipikolehi dening Sergeev et al. 34 yaiku 28%. Peta pungkasan (Gambar 5) sing digawe nggunakake model EBK_SVMR lan Ca_Mg_K minangka prediktor nuduhake prediksi titik panas lan moderat nganti nikel ing kabeh wilayah panliten. Iki tegese konsentrasi nikel ing wilayah panliten utamane moderat, kanthi konsentrasi sing luwih dhuwur ing sawetara wilayah tartamtu.
Peta prediksi pungkasan diwakili nggunakake model hibrida EBK_SVMR lan nggunakake Ca_Mg_K minangka prediktor. [Peta distribusi spasial digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Ing Gambar 6, konsentrasi PTE minangka bidang komposisi sing kasusun saka neuron individu. Ora ana bidang komponen sing nuduhake pola warna sing padha kaya sing dituduhake. Nanging, jumlah neuron sing cocog saben peta sing digambar yaiku 55. SeOM diprodhuksi nggunakake macem-macem warna, lan pola warna sing luwih padha, sifat sampel sing luwih bisa dibandhingake. Miturut skala warna sing tepat, unsur individu (Ca, K, lan Mg) nuduhake pola warna sing padha karo neuron tunggal sing dhuwur lan umume neuron sing kurang. Dadi, CaK lan CaMg nuduhake sawetara kamiripan karo neuron tingkat dhuwur banget lan pola warna sing kurang nganti sedheng. Kaloro model kasebut prédhiksi konsentrasi Ni ing lemah kanthi nampilake warna medium nganti dhuwur kayata abang, oranye lan kuning. Model KMg nampilake akeh pola warna sing dhuwur adhedhasar proporsi sing tepat lan tambalan warna sing kurang nganti sedheng. Ing skala warna sing tepat saka kurang nganti dhuwur, pola distribusi planar komponen model nuduhake pola warna sing dhuwur sing nuduhake konsentrasi potensial nikel ing lemah (waca Gambar 4). Bidang komponen model CakMg nuduhake pola warna sing maneka warna saka kurang nganti dhuwur miturut warna sing akurat. skala. Salajengipun, prediksi model babagan kandungan nikel (CakMg) sami kaliyan distribusi spasial nikel ingkang dipuntedahaken ing Gambar 5. Kaloro grafik kasebut nuduhake proporsi konsentrasi nikel ingkang dhuwur, sedheng, lan endhek ing lemah kutha lan peri-kutha. Gambar 7 nggambarake metode kontur ing klompok k-means ing peta, dipérang dados tigang kluster adhedhasar nilai prediksi ing saben model. Metode kontur nggambarake jumlah kluster ingkang optimal. Saking 115 sampel lemah ingkang dipunklumpukake, kategori 1 pikantuk sampel lemah paling kathah, 74. Kluster 2 nampi 33 sampel, dene kluster 3 nampi 8 sampel. Kombinasi prediktor planar pitung komponen dipunsederhanakaken supados saged ngidinaken interpretasi kluster ingkang leres. Amarga kathah proses antropogenik lan alami ingkang mengaruhi pembentukan lemah, angel kangge mbedakaken pola kluster kanthi leres ing peta SeOM ingkang disebaraken78.
Output bidang komponen dening saben variabel Mesin Vektor Dhukungan Bayesian Kriging Empirikal (EBK_SVM_SeOM). [Peta SeOM digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen klasifikasi kluster sing beda-beda [Peta SeOM digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Panliten saiki kanthi jelas nggambarake teknik pemodelan kanggo konsentrasi nikel ing lemah kutha lan pinggiran kutha. Panliten iki nguji macem-macem teknik pemodelan, nggabungake unsur karo teknik pemodelan, kanggo entuk cara paling apik kanggo prédhiksi konsentrasi nikel ing lemah. Fitur spasial planar komposisi SeOM saka teknik pemodelan nuduhake pola warna sing dhuwur saka endhek nganti dhuwur ing skala warna sing akurat, sing nuduhake konsentrasi Ni ing lemah. Nanging, peta distribusi spasial ngonfirmasi distribusi spasial planar komponen sing ditampilake dening EBK_SVMR (waca Gambar 5). Asil kasebut nuduhake yen model regresi mesin vektor dhukungan (Ca Mg K-SVMR) prédhiksi konsentrasi Ni ing lemah minangka model tunggal, nanging parameter validasi lan evaluasi akurasi nuduhake kesalahan sing dhuwur banget ing babagan RMSE lan MAE. Ing sisih liya, teknik pemodelan sing digunakake karo model EBK_MLR uga cacat amarga nilai koefisien determinasi (R2) sing kurang. Asil sing apik dipikolehi nggunakake EBK SVMR lan unsur gabungan (CaKMg) kanthi kesalahan RMSE lan MAE sing kurang kanthi akurasi 63,7%. Jebul nggabungake algoritma EBK karo algoritma pembelajaran mesin bisa ngasilake algoritma hibrida sing bisa prédhiksi konsentrasi PTE ing lemah. Asil kasebut nuduhake yen nggunakake Ca Mg K minangka prediktor kanggo prédhiksi konsentrasi Ni ing wilayah panliten bisa nambah prédhiksi Ni ing lemah. Iki tegese aplikasi pupuk berbasis nikel lan polusi industri lemah kanthi industri baja nduweni kecenderungan kanggo nambah konsentrasi nikel ing lemah. Panliten iki nuduhake yen model EBK bisa nyuda tingkat kesalahan lan nambah akurasi model distribusi spasial lemah ing lemah kutha utawa peri-urban. Umumé, kita ngusulake kanggo ngetrapake model EBK-SVMR kanggo netepake lan prédhiksi PTE ing lemah; saliyane iku, kita ngusulake kanggo nggunakake EBK kanggo hibridisasi karo macem-macem algoritma pembelajaran mesin. Konsentrasi Ni diprediksi nggunakake unsur minangka kovariat; Nanging, nggunakake luwih akeh kovariat bakal nambah kinerja model, sing bisa dianggep minangka watesan saka karya saiki. Watesan liyane saka panliten iki yaiku jumlah set data yaiku 115. Mulane, yen luwih akeh data sing diwenehake, kinerja metode hibridisasi sing dioptimalake sing diusulake bisa ditingkatake.
PlantProbs.net.Nikel ing Tanduran lan Lemah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nickel maju ing toksikologi lingkungan modern.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Tinjauan babagan sumber lan toksikologi lingkungan. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Input polutan saka atmosfer lan akumulasi ing lemah lan vegetasi cedhak pabrik peleburan nikel-tembaga ing Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Logam berat ing lemah, tanduran lan risiko sing ana gandhengane karo ruminansia sing mangan suket cedhak tambang tembaga-nikel Selebi-Phikwe ing Botswana. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Unsur renik ing lemah lan… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Unsur+ Renik+ing+soil+lan+tanaman.+ed+4.+New+York+%28NY%29%3A+CRC+Press&btnG= (Diakses 24 Nov 2020).
Almås, A., Singh, B., Pertanian, TS-NJ taun & 1995, durung ditemtokake. Efek industri nikel Rusia marang konsentrasi logam abot ing lemah pertanian lan suket ing Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Panyerapan lan retensi nikel ing banyu ngombe ana hubungane karo asupan panganan lan sensitivitas nikel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Karsinogenesis nikel, mutasi, epigenetik utawa seleksi. lingkungan. Perspektif Kesehatan.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analisis tren unsur-unsur sing duweni potensi beracun: tinjauan bibliometrik. Geokimia lan Kesehatan Lingkungan. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Pemetaan Tanah Digital: Sejarah Singkat lan Sawetara Piwulang. 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).
Pemodelan Reservoir Geostatistik Deutsch.CV,… – 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).