Matur nuwun kanggo ngunjungi Nature.com.Versi browser sing sampeyan gunakake nduweni dhukungan winates kanggo CSS.Kanggo pengalaman sing paling apik, disaranake sampeyan nggunakake browser sing dianyari (utawa mateni mode kompatibilitas ing Internet Explorer).Sauntara kuwi, 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 potensial beracun (PTEs) beda-beda ing sabagéan gedhé wilayah kutha lan pinggiran kutha. Mula, angel kanggo prédhiksi spasial isi PTE ing lemah kasebut. Total 115 sampel dipikolehi saka Frydek Mistek ing Republik Ceko (Konsentrasi Kalsium lan Kalium), (Kalsium lan Kalium). ditemtokake nggunakake spektrometri emisi plasma sing digandhengake induktif.Variabel respon yaiku Ni lan prediktor yaiku Ca, Mg, lan K.Matriks korélasi antarane variabel respon lan variabel prediktor nuduhake korelasi sing nyenengake antarane unsur kasebut.Asil prediksi nuduhake yen Regresi Mesin Vektor Pendukung (SVMR) bisa ditindakake kanthi apik, sanajan kesalahan estimasi root mean square (RMSE) lan kesalahan absolute rata-rata (RMSE) 43 mg (RMSE) lan 43 mg. (166.946 mg/kg) luwih dhuwur tinimbang metode liyane sing diterapake.Model campuran kanggo Empiris Bayesian Kriging-Multiple Linear Regression (EBK-MLR) performa kurang apik, sing dibuktekake kanthi koefisien determinasi kurang saka 0.1.Model Empiris Bayesian Kriging-Support Vector Machine Regression (EBK99) kanthi model RM4 paling apik (EBK99MR) mg/kg) lan nilai MAE (77,368 mg/kg) lan koefisien determinasi dhuwur (R2 = 0,637). Hasil teknik pemodelan EBK-SVMR divisualisasikan menggunakan peta self-organizing. lan SVMR minangka teknik efektif kanggo prédhiksi konsentrasi Ni ing lemah kutha lan pinggiran kutha.
Nikel (Ni) dianggep minangka mikronutrien kanggo tetanduran amarga nyumbang kanggo fiksasi nitrogen atmosfer (N) lan metabolisme urea, sing loro-lorone dibutuhake kanggo germination wiji. pupuk adhedhasar nikel kanggo ngoptimalake fiksasi nitrogen2.Terus aplikasi pupuk basis nikel kanggo nambah lemah lan nambah kemampuan legum kanggo mbenakake nitrogen ing lemah terus nambah konsentrasi nikel ing lemah.Sanajan nikel minangka mikronutrien kanggo tetanduran, asupan sing berlebihan ing lemah bisa nyebabake luwih mbebayani tinimbang nikel lan keracunan pH lemah. minangka nutrisi penting kanggo tuwuh tanduran1.Miturut Liu3, Ni wis ditemokake minangka unsur penting kaping 17 sing dibutuhake kanggo pangembangan lan pertumbuhan tanduran. Kajaba iku, wesi basis nikel lan artikel electroplated wis akeh digunakake ing kitchenware, aksesoris ballroom, pasokan industri pangan, listrik, kabel lan kabel, turbin jet, implan bedhah, tekstil, lan galangan kapal5.Ni-tingkat sugih ing lemah (ie, lemah lumahing) wis lantaran kanggo loro sumber antropogenik lan alam, nanging sumber alamiah tinimbang Ni6. nikel kalebu letusan gunung geni, vegetasi, kebakaran alas, lan proses geologi; Nanging, sumber antropogenik kalebu baterei nikel / kadmium ing industri baja, electroplating, busur welding, diesel lan lenga bahan bakar, lan emisi atmosfer saka pembakaran batu bara lan sampah lan endhot akumulasi nikel7,8.Miturut Freedman lan Hutchinson9 lan Manyiwa et al. 10, sumber utama polusi topsoil ing lingkungan langsung lan jejer utamané nikel-tembaga basis smelters lan tambang.Lemah ndhuwur watara kilang nikel-tembaga Sudbury ing Kanada wis tingkat paling dhuwur saka kontaminasi nikel ing 26.000 mg / kg11. Ing kontras, polusi nikel ing Rusia nyebabake produksi luwih dhuwur ing Rusia. lemah11.Miturut Sedhekah dkk. 12, jumlah nikel HNO3-extractable ing tanah arable ndhuwur wilayah (produksi nikel ing Rusia) sawetara saka 6,25 kanggo 136,88 mg / kg, cocog kanggo rata-rata 30,43 mg / kg lan konsentrasi baseline saka 25 mg / kg.Miturut kabata-phosphorus fertilizers ing fertilizers-urban fertilizers ing 11. Lemah sajrone mangsa panen sing terus-terusan bisa nginfus utawa ngrusak lemah.Efek potensial nikel ing manungsa bisa nyebabake kanker liwat mutagenesis, karusakan kromosom, generasi Z-DNA, perbaikan eksisi DNA sing diblokir, utawa proses epigenetik13. Ing eksperimen kewan, nikel ditemokake duweni potensi nyebabake macem-macem tumor, lan komplek karsinogenik bisa dadi tumor eksokel.
Evaluasi kontaminasi lemah wis berkembang ing jaman saiki amarga akeh masalah kesehatan sing muncul saka hubungan lemah-tanduran, hubungan biologi lemah lan lemah, degradasi ekologis, lan penilaian dampak lingkungan. predictive soil mapping (PSM) .Miturut Minasny lan McBratney16, predictive soil mapping (DSM) wis kabukten minangka subdisiplin ilmu tanah sing penting. sistem”.McBratney et al. 17 negesake 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) yaiku teknik pemodelan DSM sing nggawe peta digital kanthi bantuan komputer nggunakake data sing signifikan lan minimal.
Deutsch18 lan Olea19 nemtokake geostatistik minangka "koleksi teknik numerik sing gegayutan karo perwakilan atribut spasial, utamane nggunakake model stokastik, kayata cara analisis deret wektu nggambarake data temporal." Utamane, geostatistik kalebu evaluasi variogram, sing ngidini Ngitung lan nemtokake dependensi nilai spasial saka saben dataset20.Gumiaux et al. 20 luwih nggambarake yen evaluasi variograms ing geostatistics adhedhasar telung prinsip, kalebu (a) ngitung skala korélasi data, (b) ngenali lan ngitung anisotropi ing disparity dataset lan (c) saliyane kanggo njupuk menyang akun kesalahan gawan saka data pangukuran dipisahake saka efek lokal, efek ing area. geostatistika, kalebu kriging umum, co-kriging, kriging biasa, kriging Bayesian empiris, cara kriging prasaja lan Techniques interpolasi kondhang liyane kanggo peta utawa prédhiksi PTE, karakteristik lemah, lan jinis lemah.
Machine Learning Algorithm (MLA) minangka teknik sing relatif anyar sing nggunakake kelas data non-linear sing luwih gedhe, didhukung dening algoritma sing utamane digunakake kanggo data mining, ngenali pola ing data, lan bola-bali ditrapake kanggo klasifikasi ing bidang ilmiah kayata ilmu lemah lan tugas bali. 22 (alas acak kanggo estimasi logam abot ing lemah pertanian), Sakizadeh et al. 23 (modeling nggunakake mesin vektor dhukungan lan jaringan syaraf tiruan) polusi lemah ).Saliyane, Vega et al. 24 (CART kanggo modeling retensi logam abot lan adsorpsi ing lemah) Sun et al. 25 (aplikasi kubist yaiku distribusi Cd ing lemah) lan algoritma liyane kayata tetanggan k-paling cedhak, regresi stimulasi umum, lan regresi sing didorong 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 menehi komentar babagan kekurangan lan sawetara kesalahan ing pemetaan lemah sing diprediksi.Ilmuwan lemah wis nyoba macem-macem teknik kanggo ngoptimalake efektifitas, akurasi, lan prediksi pemetaan lan prakiraan DSM.Kombinasi kahanan sing durung mesthi lan verifikasi minangka salah sawijining macem-macem aspek sing diintegrasi menyang DSM kanggo ngoptimalake efektifitas lan nyuda cacat. 15 njelaske nganggo bentuk garis sing prilaku validasi lan kahanan sing durung mesthi ngenalaken dening nggawe peta lan prediksi kudu divalidasi independen kanggo nambah kualitas peta. Watesan saka DSM amarga kualitas lemah buyar geografis, kang melu komponen kahanan sing durung mesthi; Nanging, lack of kepastian ing DSM bisa njedhul saka macem-macem sumber kesalahan, yaiku kesalahan kovariat, kesalahan model, kesalahan lokasi, lan kesalahan analitis 31. Kesalahan modelling sing disebabake ing MLA lan proses geostatistik digandhengake karo kurang pangerten, pungkasane ndadékaké oversimplification saka proses nyata32. Preduli saka sifat modeling modeling bisa dadi parameter modeling ora akurat. prediksi, utawa interpolasi33. Bubar, tren DSM anyar wis muncul sing ningkatake integrasi geostatistik lan MLA ing pemetaan lan prakiraan. Sawetara ilmuwan lan penulis lemah, 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 Kriging Jaringan Syaraf Tiruan (ANN-RK), Kriging Residual Perceptron Multilayer (MLP-RK), Kriging Residual Jaringan Syaraf Regresi Umum (GR- NNRK)36, Jaringan Syaraf Tiruan Kriging-Multilayer Perceptron (ANN-K-MLP)37 lan Pengolahan Regresi Co.
Miturut Sergeev et al., nggabungake macem-macem teknik pemodelan duweni potensi kanggo ngilangi cacat lan ningkatake efisiensi model hibrida sing diasilake tinimbang ngembangake model tunggal. Ing konteks iki, makalah anyar iki nyatakake yen perlu kanggo ngetrapake algoritma gabungan geostatistik lan MLA kanggo nggawe model hibrida sing optimal kanggo prédhiksi pengayaan Ni ing kutha lan wilayah pinggiran kutha. kanthi model Support Vector Machine (SVM) lan Multiple Linear Regression (MLR). Hibridisasi EBK karo MLA apa wae ora dingerteni. ngidini variasi spasial39.EBK wis digunakake ing macem-macem studi, kalebu nganalisa distribusi karbon organik ing lemah tani40, netepake polusi lemah41 lan pemetaan sifat lemah42.
Saliyane, 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 dkk.46 Nemtokake atribut spasial lan pengelompokan unsur.Wang dkk. 44 njelasake yen SeOM minangka teknik sinau sing kuat sing dikenal kanthi kemampuan kanggo ngelompokake lan mbayangake masalah non-linear. Ora kaya teknik pangenalan pola liyane kayata analisis komponen utama, clustering fuzzy, clustering hierarkis, lan nggawe keputusan multi-kriteria, SeOM luwih apik kanggo ngatur lan ngenali pola PTE.Miturut Wang et al. 44, SeOM bisa nglumpukake sacara spasial distribusi neuron sing gegandhengan lan nyedhiyakake visualisasi data resolusi dhuwur.SeOM bakal nggambarake data prediksi Ni kanggo entuk model sing paling apik kanggo menehi ciri asil kanggo interpretasi langsung.
Makalah iki nduweni tujuan kanggo ngasilake model pemetaan sing kuat kanthi akurasi optimal kanggo prédhiksi isi nikel ing lemah kutha lan pinggiran kutha. tambahan; mula, kita bakal nyoba kanggo njawab pitakonan riset sing bisa ngasilake model campuran.Nanging, carane akurat model kanggo prédhiksi unsur target?Uga, apa tingkat evaluasi efisiensi adhedhasar validasi lan akurasi evaluasi?Mulane, ancas tartamtu saka panliten iki yaiku (a) nggawe model campuran gabungan kanggo SVMR utawa MLR nggunakake EBK minangka model campuran sing paling apik, (b) mbandhingake model campuran sing paling apik, (b) konsentrasi ing lemah kutha utawa pinggiran kutha, lan (d) aplikasi SeOM kanggo nggawe peta variasi spasial nikel resolusi dhuwur.
Panliten iki ditindakake ing Republik Ceko, khususe ing distrik Frydek Mistek ing wilayah Moravia-Silesia (pirsani Gambar 1). Géografi wilayah sing ditliti iku banget kasar lan akèh-akèhé minangka bagéan saka wilayah Moravia-Silesia Beskidy, sing minangka bagéan saka pinggir njaba Pagunungan Carpathian. Wilayah studi dumunung ing antarane 49 ′ ′ ′ ′ ′ ′ ′ ′ ′ ″ 49° ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′ ′. E, lan dhuwuré antara 225 lan 327 m; Nanging, sistem klasifikasi Koppen kanggo negara iklim wilayah iki dirating minangka Cfb = iklim samudra sedheng, Ana akeh udan sanajan ing sasi garing. Suhu rada beda-beda ing saindhenging taun antarane −5 °C lan 24 °C, arang tiba ing ngisor −14 °C utawa ndhuwur 30 °C, dene rata-rata survey taunan 5685. area kabeh wilayah 1.208 kilometer persegi, karo 39,38% saka tanah lestarekake lan 49,36% saka jangkoan alas. Ing tangan liyane, area digunakake ing panaliten iki kira-kira 889,8 kilometer persegi. Ing lan watara Ostrava, industri baja lan karya logam banget aktif. lan baja paduan (nikel nambah kekuatan paduan nalika njaga keuletan lan ketangguhan sing apik), lan tetanèn intensif kayata aplikasi pupuk fosfat lan produksi ternak minangka sumber riset potensial nikel ing wilayah kasebut (contone, nambah nikel menyang wedhus kanggo ningkatake tingkat pertumbuhan ing wedhus lan sapi sing kurang dipakani). Prosès plating nikel.Sipat lemah gampang dibédakaké saka werna lemah, struktur, lan isi karbonat.Tekstur lemah medium nganti alus, asalé saka bahan induk.Sifat koluvial, aluvial utawa aeolian.Sawetara wilayah lemah katon bintik-bintik ing permukaan lan lemah, asring karo beton lan pemutihan.Nanging, jinis kambisol sing paling umum yaiku stagnosol lan 8. elevasi saka 455,1 nganti 493,5 m, cambisol ndominasi Republik Ceko49.
Peta area sinau [Peta area sinau digawe nggunakake ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Gunggunge 115 conto lemah ndhuwur dipikolehi saka lemah kutha lan pinggiran kutha ing distrik Frydek Mistek. Pola sampel sing digunakake yaiku kothak biasa kanthi conto lemah jarak 2 × 2 km, lan lemah ndhuwur diukur ing kedalaman 0 nganti 20 cm nggunakake piranti GPS genggam (Leica Zeno 5 GPS, dikirim kanthi label kanthi bener ing paket Ziploc, tas lan GPS). Laboratorium.Sampel kasebut dikeringake kanthi hawa kanggo ngasilake sampel bubuk, ditumbuk kanthi sistem mekanis (Fritsch disc mill), lan diayak (ukuran ayakan 2 mm). Nyelehake 1 gram sampel lemah sing wis garing, homogen lan diayak ing botol teflon kanthi label sing jelas. Ing saben wadhah Teflon, dispense 7 ml HCl 35% lan 5% HCl otomatis (sing dispenser 35% HCl lan 5% HCl otomatis). siji kanggo saben asam), nutupi entheng lan ngidini conto ngadeg sewengi kanggo reaksi (program aqua regia). Selehake supernatan ing piring logam panas (suhu: 100 W lan 160 °C) suwene 2 jam kanggo nggampangake proses pencernaan sampel, banjur adhem. supernatan menyang tabung PVC 50 ml kanthi banyu deionisasi. Kajaba iku, 1 ml larutan pengenceran diencerke karo 9 ml banyu deionisasi lan disaring menyang tabung 12 ml sing disiapake kanggo konsentrasi pseudo PTE. Konsentrasi PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, K, Caductive, Pb, Zn, K, O) Gandheng Spektroskopi Emisi Optik Plasma) (Thermo Fisher Scientific, USA) miturut metode lan persetujuan standar. Njamin prosedur Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil).PTEs kanthi watesan deteksi ing ngisor setengah ora kalebu saka panliten iki. Watesan deteksi PTE iki yaiku 4.0,0.0. lan proses jaminan kualitas kanggo saben analisis dipesthekake kanthi nganalisa standar referensi. Kanggo mesthekake yen kesalahan diminimalisir, analisis kaping pindho ditindakake.
Empiris Bayesian Kriging (EBK) minangka salah siji saka akeh teknik interpolasi geostatistik sing digunakake ing modeling ing macem-macem lapangan kayata ilmu lemah. Ora kaya teknik interpolasi kriging liyane, EBK beda karo metode kriging tradisional kanthi nimbang kesalahan sing dikira model semivariogram. cara kanggo kahanan sing durung mesthi lan pemrograman sing ana gandhengane karo plot semivariogram iki sing dadi bagean sing kompleks banget saka metode kriging sing cukup. Proses interpolasi EBK ngetutake telung kritéria sing diusulake dening Krivoruchko50, (a) model ngira semivariogram saka dataset input (b) nilai ramalan anyar kanggo saben lokasi input adhedhasar data set data model lan semivariogram sing digawe. Aturan persamaan Bayesian diwenehi minangka posterior
Where \(Prob\left(A\right)\) nggantosi sadurungé, \(Prob\left(B\right)\) probabilitas marginal digatèkaké ing paling kasus, \(Prob (B,A)\ ) .Ing pitungan semivariogram adhedhasar aturan Bayes, kang nuduhake propensity pengamatan dataset sing bisa digawe saka semivariograms aturan saka semivariograms. carane kamungkinan iku kanggo nggawe dataset saka pengamatan saka semivariogram.
Mesin vektor dhukungan minangka algoritma pembelajaran mesin sing ngasilake hyperplane pamisah sing optimal kanggo mbedakake kelas sing identik nanging ora sacara linear. Vapnik51 nggawe algoritma klasifikasi maksud, nanging bubar digunakake kanggo ngatasi masalah berorientasi kemunduran.Miturut Li et al.52, SVM minangka salah sawijining teknik klasifikasi paling apik lan wis digunakake ing macem-macem komponen Regression Machine (Vector Regression) - SVMR) digunakake ing analisis iki.Cherkassky lan Mulier53 pionir SVMR minangka regresi basis kernel, komputasi sing dileksanakake nggunakake model regresi linear karo fungsi spasial multi-negara.John et al. al. 55, epsilon (ε)-SVMR nggunakake dataset dilatih kanggo njupuk model perwakilan minangka fungsi epsilon-ora sensitif sing Applied kanggo map data independen karo bias epsilon paling apik saka latihan ing data hubungan. Kesalahan jarak prasetel ora digatèkaké saka nilai nyata, lan yen kesalahan luwih gedhe tinimbang ε (ε), sifat lemah ngimbangi latihan kanggo subset model sing luwih amba. vektor.Persamaan sing diajokake dening Vapnik51 kapacak ing ngisor iki.
ing ngendi b makili ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) nggantosi fungsi kernel, \(\alpha\) nggantosi multiplier Lagrange, N Nggantosi set data numerik, \({x}_{k}\) nggantosi input data, lan \(y\) minangka operasi basis data GaSV sing digunakake minangka basis data GaSV. fungsi (RBF).Kernel RBF diterapake kanggo nemtokake model SVMR sing optimal, sing kritis kanggo entuk faktor set penalti sing paling subtle lan gamma parameter kernel (γ) kanggo data latihan PTE. Pisanan, kita ngevaluasi set latihan banjur nguji kinerja model ing set validasi. Parameter setir 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 pooled linier sing diitung nggunakake metode kuadrat paling sithik. variabel.Persamaan MLR yaiku
ing ngendi y minangka variabel respon, \(a\) minangka nyegat, n minangka jumlah prediktor, \({b}_{1}\) minangka regresi parsial saka koefisien, \({x}_{ i}\) minangka prediktor utawa variabel panjelasan, lan \({\ varepsilon }_{i}\) minangka kesalahan ing model, uga dikenal minangka kesalahan ing model.
Model campuran dipikolehi kanthi cara sandwiching EBK karo SVMR lan MLR. Iki ditindakake kanthi ngekstrak nilai prediksi saka interpolasi EBK. Nilai prediksi sing dipikolehi saka interpolasi Ca, K, lan Mg dipikolehi liwat proses kombinasi kanggo entuk variabel anyar, kayata CaK, CaMg, lan KMg. variabel sing dipikolehi yaiku Ca, K, Mg, CaK, CaMg, KMg lan CaKMg. Bayesian Kriging-Multiple Linear Regression (EBK_MLR).Biasane, variabel Ca, K, Mg, CaK, CaMg, KMg, lan CaKMg digunakake minangka kovariat minangka prediktor isi Ni ing lemah kutha lan pinggiran kutha. Gambar 2.
Nggunakake SeOM wis dadi alat sing populer kanggo ngatur, ngevaluasi, lan prakiraan data ing sektor finansial, kesehatan, industri, statistik, ilmu tanah, lan liya-liyane.SeOM digawe nggunakake jaringan syaraf tiruan lan metode pembelajaran tanpa pengawasan kanggo organisasi, evaluasi, lan prediksi. variabel vektor input-dimensi43,56.Melssen et al. 57 njlèntrèhaké sambungan saka vektor input menyang jaringan saraf liwat lapisan input siji menyang vektor output kanthi vektor bobot siji. Output sing diasilake dening SeOM minangka peta rong dimensi sing kasusun saka neuron utawa simpul sing beda-beda sing dirajut dadi peta topologi heksagonal, bunder, utawa persegi miturut jarak. 0.904, masing-masing, dipilih, yaiku unit peta 55 (5 × 11). Struktur neuron ditemtokake miturut jumlah simpul ing persamaan empiris.
Jumlah data sing digunakake ing panliten iki yaiku 115 sampel. Pendekatan acak digunakake kanggo mbagi 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. Proses validasi silang sepuluh kali, diulang kaping lima. Variabel sing diprodhuksi dening interpolasi EBK digunakake minangka prediktor utawa variabel panjelasan kanggo prédhiksi variabel target (PTE). Pemodelan ditangani ing RStudio nggunakake perpustakaan paket (Kohonen), perpustakaan (caret), perpustakaan (modelr), perpustakaan ("e1071", perpustakaan ("plyr"), perpustakaan ("plyr"), perpustakaan ("plyr") ("Metrik").
Maneka warna parameter validasi digunakake kanggo nemtokake model sing paling cocok kanggo prédhiksi konsentrasi nikel ing lemah lan kanggo ngevaluasi akurasi model lan validasi. gedhene ing ukuran independen njlèntrèhaké daya prediktif saka model, nalika MAE nemtokake nilai kuantitatif nyata.Nilai R2 kudu dhuwur kanggo ngira-ngira model campuran paling apik nggunakake paramèter validasi, sing nyedhaki Nilai kanggo 1, sing luwih dhuwur akurasi.Miturut Li et al. 59, nilai kritéria R2 0,75 utawa luwih dianggep minangka prediktor sing apik; saka 0,5 nganti 0,75 minangka kinerja model sing bisa ditampa, lan ing ngisor iki 0,5 minangka kinerja model sing ora bisa ditampa. Nalika milih model nggunakake metode evaluasi kritéria validasi RMSE lan MAE, nilai sing luwih murah sing dipikolehi cukup lan dianggep minangka pilihan sing paling apik. Persamaan ing ngisor iki nggambarake cara verifikasi.
ngendi n nggantosi ukuran saka Nilai diamati \ ({Y}_{i}\) makili respon diukur, lan \({\widehat{Y}}_{i}\) uga nggantosi prédhiksi Nilai respon, mulane, kanggo pisanan i pengamatan.
Gambaran statistik variabel prediktor lan respon ditampilake ing Tabel 1, nuduhake rata-rata, standar deviasi (SD), koefisien variasi (CV), minimal, maksimum, kurtosis, lan skewness. Nilai minimal lan maksimum unsur ana ing urutan mudun Mg < Ca < K < Ni lan Ca < Mg < K < Ni , mungguh saka area tanggap saka variabel (rasio area sampel). 4,86 kanggo 42,39 mg / kg. Perbandingan Ni karo rata-rata donya (29 mg / kg) lan rata-rata Eropah (37 mg / kg) nuduhake yen rata-rata geometris diitung sakabèhé kanggo wilayah sinau ana ing kisaran lumayan. luwih dhuwur.Semono uga, konsentrasi rata-rata Frydek Mistek ing lemah kutha lan pinggiran kutha ing panliten saiki (Ni 16,15 mg / kg) luwih dhuwur tinimbang watesan sing diidini 60 (10,2 mg / kg) kanggo Ni ing lemah kutha Polandia sing dilapurake dening Różański et al. lemah kutha ing Tuscany dibandhingake sinau 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 nyatakake konsentrasi Ni rata-rata 17.6 mg / kg ing pertambangan lawas lan wilayah industri kutha ing Saxony-Anhalt, sing luwih dhuwur tinimbang konsentrasi nikel ing Saxony-Anhalt. area (16,15 mg / kg). Riset saiki. Isi nikel sing berlebihan ing lemah ing sawetara wilayah kutha lan pinggiran kutha ing wilayah sing diteliti bisa uga disebabake dening industri wesi lan baja lan industri logam. Iki cocog karo panlitene Khodadoust et al. 64 yen industri baja lan pengerjaan logam minangka sumber utama kontaminasi nikel ing lemah. Nanging, prediktor kasebut uga berkisar antara 538,70 mg/kg dadi 69.161,80 mg/kg kanggo Ca, 497,51 mg/kg dadi 3535,68 mg/kg kanggo K, lan 685,68 mg/kg kanggo K, lan 685,68 mg/kg kanggo 685,68 mg/kg. Mg.Jakovljevic et al. 65 nyelidiki total isi Mg lan K lemah ing Serbia tengah. Dheweke nemokake yen konsentrasi total (410 mg / kg lan 400 mg / kg, masing-masing) luwih murah tinimbang konsentrasi Mg lan K saka panliten saiki. (590 mg/kg) lan K (810 mg/kg) Isi ing lemah ndhuwur luwih murah tinimbang unsur tunggal ing panliten iki.A panaliten 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 isi Ca sing luwih dhuwur ing panliten iki.
Amarga konsentrasi sing diukur saka unsur sampel sing beda-beda, distribusi set data saka unsur kasebut nuduhake skewness sing beda-beda. Kemiringan lan kurtosis unsur kasebut beda-beda gumantung saka 1,53 nganti 7,24 lan 2,49 nganti 54,16. lan puncaké.Kira-kira CV unsur-unsur kasebut uga nuduhaké yèn K, Mg, lan Ni nuduhaké variabilitas moderat, déné Ca duwé variabilitas sing dhuwur banget. CV K, Ni lan Mg nerangake distribusi seragam.
Korélasi saka variabel prediktor karo unsur respon nuduhake korélasi puas antarane unsur (pirsani Gambar 3). Korelasi nuduhake yen CaK nuduhake korélasi moderat karo nilai r = 0,53, kaya CaNi. Sanajan Ca lan K nuduhake asosiasi andhap asor karo saben liyane, peneliti kayata Kingston et al. 68 lan Santo69 nyaranake yen tingkat ing lemah berbanding terbalik. Nanging, Ca lan Mg antagonistik karo K, nanging CaK hubungane apik. Iki bisa uga amarga aplikasi pupuk kayata kalium karbonat, sing 56% luwih dhuwur ing kalium. nitrat, lan potash ditrapake ing lemah kanggo nambah tingkat kekurangane. Nikel ana hubungane karo Ca, K lan Mg kanthi nilai r = 0,52, 0,63 lan 0,55. efek beracun saka nikel ing lemah.
Matriks korelasi kanggo unsur sing nuduhake hubungan antarane prediktor lan respon (Cathetan: tokoh iki kalebu scatterplot antarane unsur, tingkat pinunjul adhedhasar p <0,001).
Gambar 4 nggambarake distribusi spasial 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 hots sugih kalsium ing sisih lor-kulon lan dhuwur. kamungkinan amarga nggunakake quicklime (kalsium oksida) kanggo ngurangi acidity lemah lan digunakake ing pabrik baja minangka oksigen alkalin ing proses steelmaking. Ing tangan liyane, petani liyane luwih seneng nggunakake calcium hidroksida ing lemah asam kanggo netralake pH, kang uga nambah isi calcium lemah71. Kalium uga nuduhake titik panas ing sisih lor-kulon lan wétan minangka pola paling dhuwur ing peta. dadi amarga NPK lan aplikasi potash.Iki konsisten karo pasinaon liyane, kayata Madaras lan Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, sing diamati sing stabil lemah lan perawatan karo KCl lan NPK ngasilaken ing dhuwur isi K ing lemah. Pengayaan Kalium spasial ing sisih lor-kulon peta distribusi bisa uga amarga nggunakake pupuk adhedhasar kalium kayata kalium klorida, kalium sulfat, kalium nitrat, potash, lan potash kanggo nambah isi kalium ing lemah miskin.Zádorová et al. 76 lan Tlustoš et al. 77 njlentrehake yen aplikasi pupuk basis K nambah isi K ing lemah lan bakal nambah isi nutrisi lemah kanthi signifikan ing jangka panjang, utamane K lan Mg nuduhake titik panas ing lemah. Titik panas sing relatif moderat ing sisih lor-kulon peta lan kidul-wétan peta. chlorosis.Pupuk basis magnesium, kayata kalium magnesium sulfat, magnesium sulfat, lan Kieserite, nambani kekurangan (tanduran katon ungu, abang, utawa coklat, nuduhake kekurangan magnesium) ing lemah kanthi kisaran pH normal6. Akumulasi nikel ing lumahing lemah kutha lan pinggiran kutha bisa uga amarga aktivitas antropogenik kayata produksi baja tahan karat.
Distribusi spasial unsur [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 ditampilake ing Tabel 2. Ing sisih liya, RMSE lan MAE saka Ni padha cedhak karo nol (0,86 RMSE, -0,08 MAE). Ing sisih liya, nilai RMSE lan MAE saka K bisa ditampa. EBK kanggo prédhiksi Ni ditemokake luwih apik tinimbang asil John et al. 54 nggunakake kriging synergistic kanggo prédhiksi konsentrasi S ing lemah nggunakake data diklumpukake padha. Output EBK kita sinau hubungan karo Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 lan John et al. 82, utamané K lan Ni.
Kinerja metode individu kanggo prédhiksi isi nikel ing lemah kutha lan pinggiran kutha dievaluasi kanthi nggunakake kinerja model (Tabel 3). Validasi model lan evaluasi akurasi dikonfirmasi manawa prediktor Ca_Mg_K sing digabungake karo model EBK SVMR ngasilake kinerja sing paling apik.Model kalibrasi Ca_Mg_K-EBK-EBK_SVMRan model kesalahan R2 (elektronik absolut) lan kesalahan kuadrat EBK_SVMRan. 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) . (0,663 mg/kg R2) lan Ca_Mg-EBK_SVMR (0,643 = R2); asil RMSE lan MAE padha luwih dhuwur tinimbang sing kanggo Ca_Mg_K-EBK_SVMR (R2 0.637) (ndeleng Tabel 3). Kajaba iku, RMSE lan MAE saka Ca_Mg-EBK_SVMR (RMSE = 1664.64 lan MAE = 1031.49) model 17.5 lan 1. Ca_Mg_K-EBK_SVMR.Mangkono uga, model RMSE lan MAE saka 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 sing diwilang kanthi asil data sing paling apik. pas.Ing dhuwur RSME lan MAE diamati.Miturut Kebonye dkk. 46 lan john et al. 54, sing nyedhaki RMSE lan MAE menyang nol, asil sing luwih apik.SVMR lan EBK_SVMR nduweni nilai RSME lan MAE kuantitatif sing luwih dhuwur. Ditemokake yen prakiraan RSME terus-terusan luwih dhuwur tinimbang nilai MAE, nuduhake anané outlier. outliers.Iki tegese dataset sing luwih heterogen, sing luwih dhuwur nilai MAE lan RMSE. Akurasi penilaian cross-validasi model campuran Ca_Mg_K-EBK_SVMR kanggo prédhiksi isi Ni ing lemah kutha lan pinggiran kutha yaiku 63,70%.Miturut Li et al. 59, tingkat akurasi iki minangka tingkat kinerja model sing bisa ditampa. Asil saiki dibandhingake karo studi sadurunge dening Tarasov et al. 36 model hibrida kang digawe MLPRK (Multilayer Perceptron Residual Kriging), related kanggo indeks evaluasi akurasi EBK_SVMR kacarita ing sinau saiki, RMSE (210) lan The MAE (167.5) luwih dhuwur tinimbang asil kita ing sinau saiki (RMSE 95.479, MAE 77.368) . Tarasov et al. 36 (0,544), cetha yen koefisien determinasi (R2) luwih dhuwur ing model campuran iki. Margin kesalahan (RMSE lan MAE) (EBK SVMR) kanggo model campuran kaping pindho luwih murah. Mangkono uga, Sergeev et al.34 nyathet 0,28 (R2) kanggo model hibrida sing dikembangake (Multilayer Kriginger 3) nalika ngrekam Residu 3 saiki. (R2).Tingkat akurasi prediksi model iki (EBK SVMR) yaiku 63,7%, dene akurasi prediksi dipikolehi dening Sergeev et al. 34 yaiku 28%.Peta pungkasan (Gambar 5) digawe nggunakake model EBK_SVMR lan Ca_Mg_K minangka prediktor nuduhake prediksi titik panas lan moderat nganti nikel ing kabeh wilayah sinau. Iki tegese konsentrasi nikel ing wilayah sinau 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/).]
Disajikake ing Figure 6 yaiku konsentrasi PTE minangka bidang komposisi sing kasusun saka neuron individu. Ora ana pesawat komponen sing nuduhake pola warna sing padha kaya sing ditampilake. Nanging, jumlah neuron sing cocog saben peta sing digambar yaiku 55. SeOM diprodhuksi nggunakake macem-macem warna, lan pola warna sing luwih mirip, luwih bisa dibandhingake karo sifat-sifat sampel kasebut. Dadi, CaK lan CaMg nuduhake sawetara podho karo neuron urutan dhuwur banget lan pola werna kurang nganti moderat. Loro-lorone model prédhiksi konsentrasi Ni ing lemah kanthi nampilake werna medium nganti dhuwur kayata abang, oranye lan kuning. pola distribusi planar komponen model nuduhake pola werna dhuwur sing nuduhake konsentrasi potensial nikel ing lemah (pirsani Gambar 4). Bidang komponen model CakMg nuduhake pola warna sing maneka warna saka ngisor nganti dhuwur miturut skala warna sing akurat. proporsi konsentrasi nikel ing lemah kutha lan pinggiran kutha.Gambar 7 nggambarake metode kontur ing pengelompokan k-means ing peta, dipérang dadi telung klompok adhedhasar nilai sing diprediksi ing saben model. Metode kontur nggambarake jumlah klaster sing optimal. Saka 115 sampel lemah sing diklumpukake, kategori 1 entuk sampel lemah paling akeh. Sampel.Kombinasi prediktor planar pitung komponen disederhanakake kanggo ngidini interpretasi kluster sing bener.Amarga akeh proses antropogenik lan alam sing mengaruhi pambentukan lemah, angel duwe pola kluster sing dibedakake kanthi bener ing peta SeOM78 sing disebarake.
Output bidang komponen dening saben variabel Empiris Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Peta SeOM digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen klasifikasi kluster sing 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 pinggir kutha.Panliten kasebut nguji teknik pemodelan sing beda-beda, nggabungake unsur karo teknik pemodelan, kanggo entuk cara sing paling apik kanggo prédhiksi konsentrasi nikel ing lemah. nandheske distribusi spasial planar saka komponen dipamerake dening EBK_SVMR (pirsani Figure 5).Asil nuduhake yen support vektor mesin model regresi (Ca Mg K-SVMR) prédhiksi konsentrasi Ni ing lemah minangka model siji, nanging validasi lan akurasi paramèter evaluasi nuduhake kesalahane dhuwur banget ing syarat-syarat RMSE lan MAE. Ing tangan liyane, modeling Nilai saka modeling uga kurang saka EBKKM. koefisien determinasi (R2).Asil apik dipikolehi nggunakake EBK SVMR lan unsur gabungan (CaKMg) kanthi kesalahan RMSE lan MAE sing kurang kanthi akurasi 63,7%. Pranyata gabungan algoritma EBK karo algoritma machine learning bisa ngasilake algoritma hibrida sing bisa prédhiksi konsentrasi PTE ing lemah.Asil kasebut nuduhake yen nggunakake prediksi konsentrasi Ca Mg Ni K ing area sinau bisa nambah prediksi konsentrasi Ca Mg Ni K ing area sinau. Iki tegese aplikasi terus-terusan pupuk basis nikel lan polusi industri lemah dening industri baja nduweni kecenderungan kanggo nambah konsentrasi nikel ing lemah. Panliten iki nuduhake yen model EBK bisa ngurangi tingkat kesalahan lan nambah akurasi model distribusi spasial lemah ing kutha utawa peri-urban lemah. Kajaba iku, kita propose nggunakake EBK kanggo hybridize karo macem-macem algoritma machine learning.Konsentrasi Ni padha mbadek nggunakake unsur minangka covariates; Nanging, nggunakake luwih akeh kovariat bakal ningkatake kinerja model kasebut, sing bisa dianggep minangka watesan saka karya sing saiki.
PlantProbs.net.Nikel ing Tanduran lan Lemah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nickel advances in modern environmental toxicology.surroundings.toxicology.11, 145-183 (1987).
Cempel, M. & Nikel, G. Nikel: Tinjauan saka 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 smelter nikel-tembaga ing Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam abot ing lemah, tetanduran lan risiko sing ana hubungane karo ruminansia ing 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. Trace elements in soil and… – Google Scholar https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Unsur+ing+lemah+lan+tanduran.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Diakses 24 Nov 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian nikel industry on heavy metal concentrations in agricultural soils and grasses in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Panyerepan lan retensi nikel ing banyu ngombe ana hubungane karo asupan pangan lan sensitivitas nikel.aplikasi toksikologi.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​NM; Analisis tren unsur sing bisa 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 Digital Soil Mapping: Sejarah Brief lan Sawetara Pelajaran.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 Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=id&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).