გმადლობთ, რომ ეწვიეთ Nature.com-ს. თქვენს მიერ გამოყენებულ ბრაუზერის ვერსიას CSS-ის შეზღუდული მხარდაჭერა აქვს. საუკეთესო გამოცდილებისთვის გირჩევთ გამოიყენოთ განახლებული ბრაუზერი (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში). ამასობაში, მხარდაჭერის უწყვეტი უზრუნველყოფის მიზნით, საიტს სტილებისა და JavaScript-ის გარეშე ვაჩვენებთ.
ნიადაგის დაბინძურება ადამიანის საქმიანობით გამოწვეული დიდი პრობლემაა. პოტენციურად ტოქსიკური ელემენტების (PTE) სივრცითი განაწილება განსხვავდება ურბანულ და ურბანულ ტერიტორიების უმეტესობაში. ამიტომ, ასეთ ნიადაგებში PTE-ების შემცველობის სივრცითი პროგნოზირება რთულია. ჩეხეთის რესპუბლიკაში, ფრიდეკ მისტეკიდან სულ 115 ნიმუში იქნა აღებული. კალციუმის (Ca), მაგნიუმის (Mg), კალიუმის (K) და ნიკელის (Ni) კონცენტრაციები განისაზღვრა ინდუქციურად შეწყვილებული პლაზმური ემისიის სპექტრომეტრიის გამოყენებით. საპასუხო ცვლადია Ni, ხოლო პროგნოზირებადი ფაქტორებია Ca, Mg და K. საპასუხო ცვლადსა და პროგნოზირებად ცვლადს შორის კორელაციის მატრიცა აჩვენებს დამაკმაყოფილებელ კორელაციას ელემენტებს შორის. პროგნოზირების შედეგებმა აჩვენა, რომ დამხმარე ვექტორული მანქანური რეგრესია (SVMR) კარგად მუშაობდა, თუმცა მისი შეფასებული საშუალო კვადრატული შეცდომა (RMSE) (235.974 მგ/კგ) და საშუალო აბსოლუტური შეცდომა (MAE) (166.946 მგ/კგ) უფრო მაღალი იყო, ვიდრე სხვა გამოყენებულ მეთოდებს. ემპირიული ბაიესის კრიგინგ-მრავალჯერადი ხაზოვანი რეგრესიის (EBK-MLR) შერეული მოდელები ცუდად მუშაობენ, რასაც ადასტურებს დეტერმინაციის კოეფიციენტები 0.1-ზე ნაკლებია. ემპირიული ბაიესის კრიგინგ-საყრდენი ვექტორული მანქანის რეგრესიის (EBK-SVMR) მოდელი იყო საუკეთესო მოდელი, დაბალი RMSE (95.479 მგ/კგ) და MAE (77.368 მგ/კგ) მნიშვნელობებით და დეტერმინაციის მაღალი კოეფიციენტით (R2 = 0.637). EBK-SVMR მოდელირების ტექნიკის გამომავალი ვიზუალიზებულია თვითორგანიზებადი რუკის გამოყენებით. ჰიბრიდული მოდელის CakMg-EBK-SVMR კომპონენტის სიბრტყეში კლასტერული ნეირონები აჩვენებენ მრავალ ფერად ნიმუშს, რომლებიც პროგნოზირებენ Ni კონცენტრაციებს ურბანულ და ურბანულ ნიადაგებში. შედეგები აჩვენებს, რომ EBK-სა და SVMR-ის გაერთიანება ეფექტური ტექნიკაა Ni კონცენტრაციების პროგნოზირებისთვის ურბანულ და ურბანულ ნიადაგებში.
ნიკელი (Ni) მცენარეებისთვის მიკროელემენტად ითვლება, რადგან ის ხელს უწყობს ატმოსფერულ აზოტის ფიქსაციას (N) და შარდოვანას მეტაბოლიზმს, რომლებიც ორივე აუცილებელია თესლის აღმოცენებისთვის. თესლის აღმოცენებაში წვლილის გარდა, Ni-ს შეუძლია იმოქმედოს როგორც სოკოვანი და ბაქტერიული ინჰიბიტორი და ხელი შეუწყოს მცენარის განვითარებას. ნიადაგში ნიკელის ნაკლებობა მცენარეს საშუალებას აძლევს შეიწოვოს იგი, რაც იწვევს ფოთლების ქლოროზს. მაგალითად, ძროხის ბარდას და მწვანე ლობიოს აზოტის ფიქსაციის ოპტიმიზაციისთვის ნიკელზე დაფუძნებული სასუქების გამოყენება სჭირდება.2 ნიკელზე დაფუძნებული სასუქების მუდმივი გამოყენება ნიადაგის გასამდიდრებლად და პარკოსნების მიერ ნიადაგში აზოტის დაფიქსირების უნარის გასაზრდელად, მუდმივად ზრდის ნიკელის კონცენტრაციას ნიადაგში. მიუხედავად იმისა, რომ ნიკელი მცენარეებისთვის მიკროელემენტია, ნიადაგში მისი ჭარბი მიღება შეიძლება უფრო მეტ ზიანს აყენებდეს, ვიდრე სიკეთეს.ნიკელის ტოქსიკურობა ნიადაგში მინიმუმამდე ამცირებს ნიადაგის pH-ს და ხელს უშლის რკინის, როგორც მცენარის ზრდისთვის აუცილებელი საკვები ნივთიერების, შეწოვას.1 ლიუს თქმით,3, Ni აღმოჩნდა მე-17 მნიშვნელოვანი ელემენტი, რომელიც აუცილებელია მცენარის განვითარებისა და ზრდისთვის.ნიკელის როლის გარდა მცენარეთა განვითარებასა და ზრდაში, ადამიანებს ის სხვადასხვა დანიშნულებით სჭირდებათ.გალვანიზაცია, ნიკელზე დაფუძნებული შენადნობების წარმოება, და საავტომობილო ინდუსტრიაში ანთების მოწყობილობებისა და სანთლების წარმოება მოითხოვს ნიკელის გამოყენებას სხვადასხვა სამრეწველო სექტორში. გარდა ამისა, ნიკელზე დაფუძნებული შენადნობები და ელექტროლიზებული ნაწარმი ფართოდ გამოიყენება სამზარეულოს ჭურჭელში, საბანკეტო დარბაზების აქსესუარებში, კვების მრეწველობის მომარაგებაში, ელექტრო, მავთულხლართებსა და კაბელებში, რეაქტიული ტურბინებში, ქირურგიულ იმპლანტებში, ტექსტილსა და გემთმშენებლობაში.5. ნიადაგებში (ანუ ზედაპირულ ნიადაგებში) ნიკელით მდიდარი დონე მიეწერება როგორც ანთროპოგენურ, ასევე ბუნებრივ წყაროებს, მაგრამ, პირველ რიგში, Ni არის ბუნებრივი წყარო და არა ანთროპოგენური4,6. ნიკელის ბუნებრივი წყაროებია ვულკანური ამოფრქვევები, მცენარეულობა, ტყის ხანძრები და გეოლოგიური პროცესები; თუმცა, ანთროპოგენური წყაროებია ნიკელ/კადმიუმის ბატარეები ფოლადის ინდუსტრიაში, ელექტროლიზება, რკალური შედუღება, დიზელის და მაზუთები, ასევე ატმოსფერული გამონაბოლქვი ქვანახშირის წვის და ნარჩენებისა და ნალექის დაწვის შედეგად. ნიკელის დაგროვება7,8. ფრიდმანისა და ჰატჩინსონის9 და მანივას და სხვების მიხედვით. 10, უშუალო და მიმდებარე გარემოში ნიადაგის ზედა ფენის დაბინძურების ძირითადი წყაროები ძირითადად ნიკელ-სპილენძის შემცველი დნობი და მაღაროებია. კანადაში, სუდბერის ნიკელ-სპილენძის გადამამუშავებელი ქარხნის მიმდებარე ნიადაგის ზედა ფენას ნიკელის დაბინძურების ყველაზე მაღალი დონე ჰქონდა - 26,000 მგ/კგ11. ამის საპირისპიროდ, რუსეთში ნიკელის წარმოებით გამოწვეული დაბინძურებამ ნორვეგიის ნიადაგში ნიკელის უფრო მაღალი კონცენტრაცია გამოიწვია11. ალმსის და სხვების თანახმად. 12-ში, რეგიონის ყველაზე მაღალმთიან სახნავ-სათესი მიწებში (ნიკელის წარმოება რუსეთში) HNO3-ით მოპოვებადი ნიკელის რაოდენობა მერყეობდა 6.25-დან 136.88 მგ/კგ-მდე, რაც შეესაბამება საშუალოდ 30.43 მგ/კგ-ს და საბაზისო კონცენტრაციას 25 მგ/კგ-ს. kabata 11-ის თანახმად, ფოსფორის სასუქების გამოყენებამ სასოფლო-სამეურნეო ნიადაგებში ურბანულ ან ურბანულ მიწებზე თანმიმდევრული მოსავლის სეზონების განმავლობაში შეიძლება გამოიწვიოს ნიადაგის შეღწევა ან დაბინძურება. ნიკელის პოტენციურმა ზემოქმედებამ ადამიანებზე შეიძლება გამოიწვიოს კიბო მუტაგენეზის, ქრომოსომული დაზიანების, Z-დნმ-ის გენერაციის, დნმ-ის ამოკვეთის დაბლოკვის აღდგენის ან ეპიგენეტიკური პროცესების გზით. ცხოველებზე ჩატარებულმა ექსპერიმენტებმა აჩვენა, რომ ნიკელს შეუძლია გამოიწვიოს სხვადასხვა სიმსივნეები, ხოლო კანცეროგენული ნიკელის კომპლექსებმა შეიძლება გაამწვავოს ასეთი სიმსივნეები.
ნიადაგის დაბინძურების შეფასებები ბოლო დროს აყვავდა ჯანმრთელობასთან დაკავშირებული ფართო სპექტრის პრობლემების გამო, რომლებიც წარმოიქმნება ნიადაგ-მცენარეთა ურთიერთობებიდან, ნიადაგისა და ნიადაგის ბიოლოგიური ურთიერთობებიდან, ეკოლოგიური დეგრადაციიდან და გარემოზე ზემოქმედების შეფასებიდან. დღეისათვის, ნიადაგში პოტენციურად ტოქსიკური ელემენტების (PTE), როგორიცაა Ni, სივრცითი პროგნოზირება შრომატევადი და დროის მომთხოვნია ტრადიციული მეთოდების გამოყენებით. ციფრული ნიადაგის რუკების (DSM) გაჩენამ და მისმა ამჟამინდელმა წარმატებამ15 მნიშვნელოვნად გააუმჯობესა ნიადაგის პროგნოზირებადი რუკების (PSM) შექმნა. მინასნისა და მაკბრატნის16 თანახმად, ნიადაგის პროგნოზირებადი რუკები (DSM) ნიადაგის მეცნიერების მნიშვნელოვან ქვედისციპლინად იქცა. ლაგაშერი და მაკბრატნი, 2006, DSM-ს განსაზღვრავენ, როგორც „სივრცითი ნიადაგის საინფორმაციო სისტემების შექმნას და შევსებას ადგილზე და ლაბორატორიული დაკვირვების მეთოდების, ასევე სივრცითი და არასივრცითი ნიადაგის ინფერენციული სისტემების გამოყენებით“. მაკბრატნი და სხვ. 17-ში აღნიშნულია, რომ თანამედროვე DSM ან PSM არის ყველაზე ეფექტური ტექნიკა PTE-ების, ნიადაგის ტიპებისა და ნიადაგის თვისებების სივრცითი განაწილების პროგნოზირების ან რუკების შესაქმნელად. გეოსტატისტიკა და მანქანური სწავლების ალგორითმები (MLA) არის DSM მოდელირების ტექნიკა, რომელიც ქმნის ციფრულ რუკებს კომპიუტერების დახმარებით, მნიშვნელოვანი და მინიმალური მონაცემების გამოყენებით.
დოიჩი18 და ოლეა19 გეოსტატისტიკას განსაზღვრავენ, როგორც „რიცხვითი ტექნიკის ერთობლიობას, რომელიც ეხება სივრცითი ატრიბუტების წარმოდგენას, ძირითადად სტოქასტური მოდელების გამოყენებით, როგორიცაა, მაგალითად, თუ როგორ ახასიათებს დროითი სერიების ანალიზი დროით მონაცემებს“. პირველ რიგში, გეოსტატისტიკა გულისხმობს ვარიოგრამების შეფასებას, რომლებიც საშუალებას იძლევა რაოდენობრივად გამოვთვალოთ და განვსაზღვროთ სივრცითი მნიშვნელობების დამოკიდებულებები თითოეული მონაცემთა ნაკრებიდან20. გუმიო და სხვ. 20 დამატებით ასახავს, ​​რომ გეოსტატისტიკაში ვარიოგრამების შეფასება სამ პრინციპს ეფუძნება, მათ შორის (ა) მონაცემთა კორელაციის მასშტაბის გამოთვლას, (ბ) მონაცემთა ნაკრებების დისპარიტეტში ანიზოტროპიის იდენტიფიცირებას და გამოთვლას და (გ) ლოკალური ეფექტებისგან გამოყოფილი გაზომვის მონაცემების თანდაყოლილი შეცდომის გათვალისწინების გარდა, ასევე ფასდება ფართობის ეფექტები. ამ კონცეფციებზე დაყრდნობით, გეოსტატისტიკაში გამოიყენება ინტერპოლაციის მრავალი ტექნიკა, მათ შორის ზოგადი კრიგინგი, კო-კრიგინგი, ჩვეულებრივი კრიგინგი, ემპირიული ბაიესის კრიგინგი, მარტივი კრიგინგი მეთოდი და სხვა ცნობილი ინტერპოლაციის ტექნიკა PTE-ს, ნიადაგის მახასიათებლებისა და ნიადაგის ტიპების პროგნოზირების ან დასაგეგმად.
მანქანური სწავლების ალგორითმები (MLA) შედარებით ახალი ტექნიკაა, რომელიც იყენებს უფრო დიდ არაწრფივ მონაცემთა კლასებს, რომლებიც ძირითადად გამოიყენება მონაცემთა მოპოვებისთვის, მონაცემებში ნიმუშების იდენტიფიცირებისთვის და განმეორებით გამოიყენება კლასიფიკაციისთვის სამეცნიერო სფეროებში, როგორიცაა ნიადაგის მეცნიერება და დაბრუნების ამოცანები. მრავალი კვლევითი ნაშრომი ეყრდნობა MLA მოდელებს ნიადაგში PTE-ს პროგნოზირებისთვის, როგორიცაა Tan და სხვ. 22 (შემთხვევითი ტყეები სასოფლო-სამეურნეო ნიადაგებში მძიმე მეტალების შეფასებისთვის), Sakizadeh და სხვ. 23 (მოდელირება დამხმარე ვექტორული მანქანების და ხელოვნური ნეირონული ქსელების გამოყენებით) ნიადაგის დაბინძურება). გარდა ამისა, Vega და სხვ. 24 (CART მძიმე მეტალების შეკავებისა და ადსორბციის მოდელირებისთვის ნიადაგში), Sun და სხვ. 25 (კუბისტის გამოყენება არის Cd-ს განაწილება ნიადაგში) და სხვა ალგორითმები, როგორიცაა k-უახლოესი მეზობელი, განზოგადებული გაძლიერებული რეგრესია და გაძლიერებული რეგრესიული ხეები. MLA ასევე გამოიყენება ნიადაგში PTE-ს პროგნოზირებისთვის.
DSM ალგორითმების გამოყენება პროგნოზირებაში ან რუკების შედგენაში რამდენიმე გამოწვევის წინაშე დგას. ბევრი ავტორი თვლის, რომ MLA აღემატება გეოსტატისტიკას და პირიქით. მიუხედავად იმისა, რომ ერთი მეორეზე უკეთესია, ორის კომბინაცია აუმჯობესებს DSM-ში რუკების შედგენის ან პროგნოზირების სიზუსტის დონეს15. ვუდკოკი და გოპალი26 ფინკე27; პონტიუსი და ჩეუკი28 და გრუნვალდი29 კომენტარს აკეთებენ ნიადაგის რუკების პროგნოზირების ნაკლოვანებებსა და ზოგიერთ შეცდომაზე. ნიადაგის მეცნიერებმა სცადეს სხვადასხვა ტექნიკა DSM რუკების შედგენისა და პროგნოზირების ეფექტურობის, სიზუსტისა და პროგნოზირების ოპტიმიზაციისთვის. გაურკვევლობისა და ვერიფიკაციის კომბინაცია არის ერთ-ერთი მრავალი განსხვავებული ასპექტიდან, რომელიც ინტეგრირებულია DSM-ში ეფექტურობის ოპტიმიზაციისა და დეფექტების შემცირების მიზნით. თუმცა, აგიემანი და სხვ.15 აღნიშნავენ, რომ რუკის შექმნითა და პროგნოზირებით შემოტანილი ვალიდაციის ქცევა და გაურკვევლობა დამოუკიდებლად უნდა დადასტურდეს რუკის ხარისხის გასაუმჯობესებლად. DSM-ის შეზღუდვები განპირობებულია გეოგრაფიულად გაფანტული ნიადაგის ხარისხით, რაც მოიცავს გაურკვევლობის კომპონენტს; თუმცა, DSM-ში დარწმუნებულობის ნაკლებობა შეიძლება გამოწვეული იყოს შეცდომის მრავალი წყაროთი, კერძოდ, კოვარიაციის შეცდომით, მოდელის შეცდომით, მდებარეობის შეცდომით და ანალიტიკური შეცდომით 31. MLA-სა და გეოსტატისტურ პროცესებში გამოწვეული მოდელირების უზუსტობები დაკავშირებულია გაგების ნაკლებობასთან, რაც საბოლოოდ რეალური პროცესის ზედმეტად გამარტივებას იწვევს 32. მოდელირების ბუნების მიუხედავად, უზუსტობები შეიძლება მივაწეროთ მოდელირების პარამეტრებს, მათემატიკურ მოდელის პროგნოზებს ან ინტერპოლაციას 33. ცოტა ხნის წინ, DSM-ის ახალი ტენდენცია გაჩნდა, რომელიც ხელს უწყობს გეოსტატისტიკისა და MLA-ს ინტეგრაციას რუკების შედგენასა და პროგნოზირებაში. ნიადაგის რამდენიმე მეცნიერმა და ავტორმა, როგორიცაა სერგეევი და სხვ. 34; სუბბოტინა და სხვ. 35; ტარასოვი და სხვ. 36 და ტარასოვი და სხვ. 37, გამოიყენეს გეოსტატისტიკისა და მანქანური სწავლების ზუსტი ხარისხი ჰიბრიდული მოდელების გენერირებისთვის, რომლებიც აუმჯობესებენ პროგნოზირებისა და რუკების შედგენის ეფექტურობას. ხარისხი. ამ ჰიბრიდული ან კომბინირებული ალგორითმის მოდელებიდან ზოგიერთია ხელოვნური ნერვული ქსელის კრიგინგი (ANN-RK), მრავალშრიანი პერცეპტრონის ნარჩენი კრიგინგი (MLP-RK), განზოგადებული რეგრესიული ნერვული ქსელის ნარჩენი კრიგინგი (GR-NNRK)36, ხელოვნური ნერვული ქსელის კრიგინგი - მრავალშრიანი პერცეპტრონი (ANN-K-MLP)37 და კო-კრიგინგი და გაუსის პროცესის რეგრესია38.
სერგეევის და სხვების აზრით, სხვადასხვა მოდელირების ტექნიკის გაერთიანებას აქვს დეფექტების აღმოფხვრის და შედეგად მიღებული ჰიბრიდული მოდელის ეფექტურობის გაზრდის პოტენციალი, მისი ერთიანი მოდელის შემუშავების ნაცვლად. ამ კონტექსტში, ეს ახალი ნაშრომი ამტკიცებს, რომ აუცილებელია გეოსტატისტიკისა და MLA-ს კომბინირებული ალგორითმის გამოყენება ოპტიმალური ჰიბრიდული მოდელების შესაქმნელად, რათა პროგნოზირდეს Ni-ით გამდიდრება ურბანულ და ურბანულ ტერიტორიებზე. ეს კვლევა დაეყრდნობა ემპირიულ ბაიესის კრიგინგს (EBK), როგორც საბაზისო მოდელს და შეურიებს მას დამხმარე ვექტორული მანქანის (SVM) და მრავალჯერადი ხაზოვანი რეგრესიის (MLR) მოდელებთან. EBK-ს ჰიბრიდიზაცია ნებისმიერ MLA-სთან უცნობია. ნანახი მრავალჯერადი შერეული მოდელები წარმოადგენს ჩვეულებრივი, ნარჩენი, რეგრესიული კრიგინგის და MLA-ს კომბინაციებს. EBK არის გეოსტატიკური ინტერპოლაციის მეთოდი, რომელიც იყენებს სივრცით სტოქასტურ პროცესს, რომელიც ლოკალიზებულია როგორც არასტაციონარული/სტაციონარული შემთხვევითი ველი განსაზღვრული ლოკალიზაციის პარამეტრებით ველზე, რაც იძლევა სივრცითი ვარიაციის საშუალებას39. EBK გამოყენებულია სხვადასხვა კვლევაში, მათ შორის სასოფლო-სამეურნეო ნიადაგებში ორგანული ნახშირბადის განაწილების ანალიზში40, ნიადაგის დაბინძურების შეფასებაში41 და ნიადაგის თვისებების რუკაზე დატანაში42.
მეორე მხრივ, თვითორგანიზებადი გრაფი (SeOM) არის სწავლის ალგორითმი, რომელიც გამოყენებულია სხვადასხვა სტატიაში, როგორიცაა ლი და სხვ. 43, ვანგი და სხვ. 44, ჰოსეინ ბჰუიანი და სხვ. 45 და კებონიე და სხვ. 46 ელემენტების სივრცითი ატრიბუტებისა და დაჯგუფების განსაზღვრა. ვანგი და სხვ. 44 აღნიშნავენ, რომ SeOM არის ძლიერი სწავლის ტექნიკა, რომელიც ცნობილია არაწრფივი პრობლემების დაჯგუფებისა და წარმოდგენის უნარით. სხვა ნიმუშების ამოცნობის ტექნიკებისგან განსხვავებით, როგორიცაა მთავარი კომპონენტების ანალიზი, ფაზური კლასტერიზაცია, იერარქიული კლასტერიზაცია და მრავალკრიტერიუმიანი გადაწყვეტილების მიღება, SeOM უკეთესია PTE ნიმუშების ორგანიზებასა და იდენტიფიცირებაში. ვანგის და სხვ. 44 თანახმად, SeOM-ს შეუძლია სივრცით დააჯგუფოს დაკავშირებული ნეირონების განაწილება და უზრუნველყოს მაღალი გარჩევადობის მონაცემთა ვიზუალიზაცია. SeOM ვიზუალიზაციას უკეთებს Ni პროგნოზირების მონაცემებს, რათა მიიღოს საუკეთესო მოდელი შედეგების დასახასიათებლად პირდაპირი ინტერპრეტაციისთვის.
ამ ნაშრომის მიზანია შექმნას სანდო რუკების მოდელი ოპტიმალური სიზუსტით ურბანულ და ურბანულ ნიადაგებში ნიკელის შემცველობის პროგნოზირებისთვის. ჩვენ ვვარაუდობთ, რომ შერეული მოდელის სანდოობა ძირითადად დამოკიდებულია საბაზო მოდელზე მიმაგრებული სხვა მოდელების გავლენასთან. ჩვენ ვაღიარებთ DSM-ის წინაშე არსებულ გამოწვევებს და მიუხედავად იმისა, რომ ეს გამოწვევები მრავალ ფრონტზე განიხილება, გეოსტატისტიკისა და MLA მოდელების მიღწევების კომბინაცია, როგორც ჩანს, თანდათანობითი ჩანს; ამიტომ, ჩვენ შევეცდებით ვუპასუხოთ კვლევით კითხვებს, რომლებმაც შეიძლება გამოიწვიოს შერეული მოდელები. თუმცა, რამდენად ზუსტია მოდელი სამიზნე ელემენტის პროგნოზირებისას? ასევე, რა დონის ეფექტურობის შეფასებაა ვალიდაციისა და სიზუსტის შეფასების საფუძველზე? ამიტომ, ამ კვლევის კონკრეტული მიზნები იყო (ა) SVMR-ისთვის ან MLR-ისთვის კომბინირებული ნარევის მოდელის შექმნა EBK-ის, როგორც საბაზო მოდელის გამოყენებით, (ბ) მიღებული მოდელების შედარება (გ) ურბანულ ან ურბანულ ნიადაგებში Ni კონცენტრაციების პროგნოზირების საუკეთესო ნარევის მოდელის შეთავაზება და (დ) SeOM-ის გამოყენება ნიკელის სივრცითი ვარიაციის მაღალი გარჩევადობის რუკის შესაქმნელად.
კვლევა ჩეხეთის რესპუბლიკაში, კერძოდ, მორავია-სილეზიის რეგიონში, ფრიდეკ მისტეკის რაიონში (იხ. სურათი 1). საკვლევი ტერიტორიის გეოგრაფია ძალიან უხეშია და ძირითადად მორავია-სილეზიის ბესკიდიის რეგიონის ნაწილია, რომელიც კარპატების მთების გარე კიდის ნაწილია. საკვლევი ტერიტორია მდებარეობს ჩრდილოეთ განედის 49° 41′ 0′ და აღმოსავლეთ განედის 18° 20′ 0′ შორის, ხოლო სიმაღლე 225-დან 327 მეტრამდეა; თუმცა, რეგიონის კლიმატური მდგომარეობის კოპენის კლასიფიკაციის სისტემა შეფასებულია, როგორც Cfb = ზომიერი ოკეანური კლიმატი. მშრალ თვეებშიც კი ბევრი ნალექია. ტემპერატურა წლის განმავლობაში ოდნავ მერყეობს -5°C-დან 24°C-მდე, იშვიათად ეცემა -14°C-ზე დაბლა ან 30°C-ზე მაღლა, ხოლო საშუალო წლიური ნალექი 685-დან 752 მმ-მდეა. მთელი ტერიტორიის სავარაუდო საკვლევი ფართობი 1,208 კვადრატული კილომეტრია, სადაც 39.38% დამუშავებული მიწაა და 49.36% ტყით დაფარული. მეორეს მხრივ, ამ კვლევაში გამოყენებული ფართობი დაახლოებით 889.8 კვადრატული კილომეტრია. ოსტრავასა და მის შემოგარენში ფოლადის ინდუსტრია და ლითონის ქარხნები ძალიან აქტიურია. ლითონის ქარხნები, ფოლადის ინდუსტრია, სადაც ნიკელი გამოიყენება უჟანგავ ფოლადებში (მაგ. ატმოსფერული კოროზიისადმი მდგრადობისთვის) და შენადნობ ფოლადებში (ნიკელი ზრდის შენადნობის სიმტკიცეს, ამავდროულად ინარჩუნებს მის კარგ პლასტიურობას და სიმტკიცეს), და ინტენსიური სოფლის მეურნეობა, როგორიცაა ფოსფატური სასუქების გამოყენება და მეცხოველეობა, ნიკელის კვლევის პოტენციური წყაროებია რეგიონში. (მაგ., ნიკელის დამატება ბატკნებში ბატკნებისა და ღარიბი ძროხების ზრდის ტემპის გასაზრდელად). ნიკელის სხვა სამრეწველო გამოყენება კვლევის სფეროებში მოიცავს მის გამოყენებას ელექტრომობილიზაციაში, მათ შორის ნიკელის ელექტრომობილიზაციასა და ელექტრონულად ნიკელის მოპირკეთების პროცესებში. ნიადაგის თვისებები ადვილად განასხვავება შესაძლებელია ნიადაგის ფერის, სტრუქტურისა და კარბონატის შემცველობისგან. ნიადაგის ტექსტურა საშუალოდან წვრილიდან არის, რაც მიღებულია საწყისი მასალისგან. ისინი კოლუვიური, ალუვიური ან ეოლიური ხასიათისაა. ნიადაგის ზოგიერთი უბანი ზედაპირზე და ქვენიადაგში ჭრელი ჩანს, ხშირად ბეტონითა და გაუფერულებით. თუმცა, კამბისოლები და სტაგნოზოლები რეგიონში ყველაზე გავრცელებული ნიადაგის ტიპებია48. სიმაღლეები 455.1-დან 493.5 მ-მდე მერყეობს, კამბისოლები დომინირებენ ჩეხეთის რესპუბლიკაში49.
საკვლევი ტერიტორიის რუკა [საკვლევი ტერიტორიის რუკა შეიქმნა ArcGIS Desktop-ის გამოყენებით (ESRI, Inc, ვერსია 10.7, URL: https://desktop.arcgis.com).]
ფრიდეკ მისტეკის რაიონში ურბანული და ურბანული მიწებიდან სულ 115 ნიადაგის ზედა ფენის ნიმუში იქნა აღებული. გამოყენებული ნიმუში იყო რეგულარული ბადე, ნიადაგის ნიმუშები ერთმანეთისგან 2 × 2 კმ დაშორებით იყო განლაგებული, ხოლო ზედა ფენა იზომებოდა 0-დან 20 სმ სიღრმეზე ხელის GPS მოწყობილობის (Leica Zeno 5 GPS) გამოყენებით. ნიმუშები შეფუთულია Ziploc პარკებში, სათანადოდ არის მონიშნული და იგზავნება ლაბორატორიაში. ნიმუშები გაშრა ჰაერზე დაფხვნილი ნიმუშების მისაღებად, დაფხვნილი იქნა მექანიკური სისტემით (Fritsch-ის დისკური წისქვილი) და გაცერით (საცრის ზომა 2 მმ). მოათავსეთ 1 გრამი გამხმარი, ჰომოგენიზებული და გაცრილი ნიადაგის ნიმუშები მკაფიოდ მონიშნულ ტეფლონის ბოთლებში. თითოეულ ტეფლონის ჭურჭელში ჩაასხით 7 მლ 35%-იანი HCl და 3 მლ 65%-იანი HNO3 (ავტომატური დისპენსერის გამოყენებით - თითოეული მჟავისთვის ერთი), ოდნავ დააფარეთ თავსახური და გააჩერეთ ნიმუშები მთელი ღამით რეაქციისთვის (aqua regia პროგრამა). მოათავსეთ ზედა ფენა ცხელ ლითონის ფირფიტაზე (ტემპერატურა: 100 ვატი და 160 °C) 2 საათის განმავლობაში ნიმუშების მონელების პროცესის გასაადვილებლად, შემდეგ გააგრილეთ. გადაიტანეთ ზედაპირული სითხე 50 მლ მოცულობით კოლბაში და გააზავეთ 50 მლ-მდე დეიონიზებული წყლით. ამის შემდეგ, გაფილტრეთ განზავებული ზედაპირული სითხე 50 მლ PVC მილში დეიონიზებული წყლით. გარდა ამისა, განზავებული ხსნარის 1 მლ განზავდა 9 მლ დეიონიზებულ წყალში და გაფილტრეს 12 მლ მილში, რომელიც მომზადდა PTE ფსევდოკონცენტრაციისთვის. PTE-ების (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) კონცენტრაციები განისაზღვრა ICP-OES (ინდუქციურად შეერთებული პლაზმური ოპტიკური ემისიის სპექტროსკოპია) (Thermo Fisher Scientific, აშშ) სტანდარტული მეთოდებისა და შეთანხმების შესაბამისად. უზრუნველყოფილი იქნა ხარისხის უზრუნველყოფისა და კონტროლის (QA/QC) პროცედურები (SRM NIST 2711a Montana II Soil). PTE-ები, რომელთა აღმოჩენის ზღვრები ნახევარზე ნაკლები იყო, გამოირიცხა ამ კვლევიდან. ამ კვლევაში გამოყენებული PTE-ს აღმოჩენის ზღვარი იყო 0.0004. (თქვენ). გარდა ამისა, თითოეული ანალიზის ხარისხის კონტროლისა და ხარისხის უზრუნველყოფის პროცესი უზრუნველყოფილია საცნობარო სტანდარტების ანალიზით. შეცდომების მინიმიზაციის უზრუნველსაყოფად, ჩატარდა ორმაგი ანალიზი.
ემპირიული ბაიესის კრიგინგი (EBK) ერთ-ერთია მრავალი გეოსტატისტური ინტერპოლაციის ტექნიკიდან, რომელიც გამოიყენება მოდელირებაში სხვადასხვა სფეროში, როგორიცაა ნიადაგმცოდნეობა. კრიგინგის სხვა ინტერპოლაციის ტექნიკისგან განსხვავებით, EBK განსხვავდება ტრადიციული კრიგინგის მეთოდებისგან ნახევარვარიოგრამის მოდელით შეფასებული შეცდომის გათვალისწინებით. EBK ინტერპოლაციის დროს, ინტერპოლაციის დროს გამოითვლება რამდენიმე ნახევარვარიოგრამის მოდელი და არა ერთი ნახევარვარიოგრამი. ინტერპოლაციის ტექნიკა გზას უხსნის ნახევარვარიოგრამის ამ ასახვასთან დაკავშირებულ გაურკვევლობას და პროგრამირებას, რაც წარმოადგენს საკმარისი კრიგინგის მეთოდის უაღრესად რთულ ნაწილს. EBK ინტერპოლაციის პროცესი მიჰყვება კრივორუჩკოს მიერ შემოთავაზებულ სამ კრიტერიუმს50: (ა) მოდელი აფასებს ნახევარვარიოგრამას შეყვანის მონაცემთა ნაკრებიდან (ბ) თითოეული შეყვანის მონაცემთა ნაკრების მდებარეობის ახალ პროგნოზირებულ მნიშვნელობას გენერირებული ნახევარვარიოგრამის საფუძველზე და (გ) საბოლოო A მოდელი გამოითვლება სიმულირებული მონაცემთა ნაკრებიდან. ბაიესის განტოლების წესი მოცემულია როგორც პოსტერიორი
სადაც \(Prob\left(A\right)\) წარმოადგენს აპრიორულს, \(Prob\left(B\right)\) ზღვრული ალბათობა უმეტეს შემთხვევაში იგნორირებულია, \(Prob(B,A)\). ნახევარვარიოგრამის გამოთვლა ეფუძნება ბეიზის წესს, რომელიც აჩვენებს ნახევარვარიოგრამებიდან შექმნილი დაკვირვების მონაცემთა ნაკრებების მიდრეკილებას. ნახევარვარიოგრამის მნიშვნელობა შემდეგ განისაზღვრება ბეიზის წესის გამოყენებით, რომელიც განსაზღვრავს, თუ რამდენად სავარაუდოა ნახევარვარიოგრამიდან დაკვირვებების მონაცემთა ნაკრების შექმნა.
დამხმარე ვექტორული მანქანა არის მანქანური სწავლების ალგორითმი, რომელიც წარმოქმნის ოპტიმალურ გამყოფ ჰიპერსიბრტყეს იდენტური, მაგრამ არა წრფივად დამოუკიდებელი კლასების გამოსაყოფად. ვაპნიკმა51 შექმნა განზრახვის კლასიფიკაციის ალგორითმი, მაგრამ ის ახლახანს გამოიყენება რეგრესიაზე ორიენტირებული პრობლემების გადასაჭრელად. ლი და სხვების52 თანახმად, SVM ერთ-ერთი საუკეთესო კლასიფიკატორის ტექნიკაა და გამოიყენება სხვადასხვა სფეროში. ამ ანალიზში გამოყენებული იქნა SVM-ის (მხარდამჭერი ვექტორული მანქანის რეგრესია – SVMR) რეგრესიის კომპონენტი. ჩერკასკიმ და მულიერმა53 შექმნეს SVMR, როგორც ბირთვზე დაფუძნებული რეგრესია, რომლის გამოთვლაც შესრულდა მრავალქვეყნიანი სივრცითი ფუნქციების მქონე წრფივი რეგრესიის მოდელის გამოყენებით. ჯონი და სხვები54 იუწყებიან, რომ SVMR მოდელირება იყენებს ჰიპერსიბრტყის წრფივ რეგრესიას, რომელიც ქმნის არაწრფივ ურთიერთობებს და იძლევა სივრცითი ფუნქციების საშუალებას. ვოლანდის და სხვების თანახმად, 55, epsilon (ε)-SVMR იყენებს გაწვრთნილ მონაცემთა ნაკრებებს წარმომადგენლობის მოდელის მისაღებად, როგორც ეპსილონის მიმართ არამგრძნობიარე ფუნქციისა, რომელიც გამოიყენება მონაცემების დამოუკიდებლად დასაკავშირებლად კორელირებულ მონაცემებზე გაწვრთნის საუკეთესო ეპსილონის გადახრით. წინასწარ განსაზღვრული მანძილის შეცდომა იგნორირებულია ფაქტობრივი მნიშვნელობიდან და თუ შეცდომა ε(ε)-ზე მეტია, ნიადაგის თვისებები აკომპენსირებს მას. მოდელი ასევე ამცირებს გაწვრთნილი მონაცემების სირთულეს დამხმარე ვექტორების უფრო ფართო ქვესიმრავლემდე. Vapnik51-ის მიერ შემოთავაზებული განტოლება ნაჩვენებია ქვემოთ.
სადაც b წარმოადგენს სკალარული ზღურბლის მნიშვნელობას, \(K\left({x}_{,}{ x}_{k}\right)\) წარმოადგენს ბირთვის ფუნქციას, \(\alpha\) წარმოადგენს ლაგრანჟის მამრავლს, N წარმოადგენს რიცხვით მონაცემთა ერთობლიობას, \(x}_{k}\) წარმოადგენს მონაცემთა შეყვანას და \(y\) არის მონაცემთა გამომავალი. გამოყენებული ერთ-ერთი ძირითადი ბირთვი არის SVMR ოპერაცია, რომელიც არის გაუსის რადიალური ბაზისური ფუნქცია (RBF). RBF ბირთვი გამოიყენება ოპტიმალური SVMR მოდელის დასადგენად, რაც კრიტიკულია PTE სასწავლო მონაცემებისთვის ყველაზე დახვეწილი საჯარიმო ნაკრების ფაქტორის C და ბირთვის პარამეტრის გამა (γ) მისაღებად. პირველ რიგში, ჩვენ შევაფასეთ სასწავლო ნაკრები და შემდეგ გამოვცადეთ მოდელის მუშაობა ვალიდაციის ნაკრებზე. გამოყენებული მართვის პარამეტრი არის sigma და მეთოდის მნიშვნელობა არის svmRadial.
მრავალჯერადი წრფივი რეგრესიის მოდელი (MLR) არის რეგრესიის მოდელი, რომელიც წარმოადგენს რეაგირების ცვლადსა და პროგნოზირების ცვლადების რაოდენობას შორის ურთიერთობას უმცირესი კვადრატების მეთოდით გამოთვლილი წრფივი გაერთიანებული პარამეტრების გამოყენებით. MLR-ში უმცირესი კვადრატების მოდელი არის ნიადაგის თვისებების პროგნოზირებადი ფუნქცია განმარტებითი ცვლადების შერჩევის შემდეგ. აუცილებელია პასუხის გამოყენება განმარტებითი ცვლადების გამოყენებით წრფივი ურთიერთობის დასადგენად. PTE გამოყენებული იქნა როგორც რეაგირების ცვლადი განმარტებით ცვლადებთან წრფივი ურთიერთობის დასადგენად. MLR განტოლება არის
სადაც y არის საპასუხო ცვლადი, \(a\) არის გადაკვეთა, n არის პროგნოზირების ფაქტორების რაოდენობა, \({b}_{1}\) არის კოეფიციენტების ნაწილობრივი რეგრესია, \({x}_{i}\) წარმოადგენს პროგნოზირების ან განმარტებით ცვლადს და \({\varepsilon }_{i}\) წარმოადგენს მოდელში არსებულ შეცდომას, რომელიც ასევე ცნობილია როგორც ნარჩენი.
შერეული მოდელები მიღებული იქნა EBK-ის SVMR-თან და MLR-თან შეერთებით. ეს ხდება EBK ინტერპოლაციიდან პროგნოზირებული მნიშვნელობების ამოღებით. ინტერპოლირებული Ca, K და Mg-დან მიღებული პროგნოზირებული მნიშვნელობები მიიღება კომბინატორიული პროცესით ახალი ცვლადების, როგორიცაა CaK, CaMg და KMg, მისაღებად. Ca, K და Mg ელემენტები შემდეგ გაერთიანებულია მეოთხე ცვლადის, CaKMg-ის მისაღებად. საერთო ჯამში, მიღებული ცვლადებია Ca, K, Mg, CaK, CaMg, KMg და CaKMg. ეს ცვლადები გახდა ჩვენი პროგნოზირების ფაქტორები, რაც ხელს უწყობს ნიკელის კონცენტრაციების პროგნოზირებას ურბანულ და ურბანულ ნიადაგებში. SVMR ალგორითმი შესრულდა პროგნოზირების ფაქტორებზე შერეული მოდელის ემპირიული ბაიესის კრიგინგ-მხარდაჭერის ვექტორული მანქანის (EBK_SVM) მისაღებად. ანალოგიურად, ცვლადები ასევე გადადის MLR ალგორითმში შერეული მოდელის ემპირიული ბაიესის კრიგინგ-მრავალჯერადი ხაზოვანი რეგრესიის (EBK_MLR) მისაღებად. როგორც წესი, ცვლადები Ca, K, Mg, CaK, CaMg, KMg და CaKMg გამოიყენება კოვარიატებად, როგორც ურბანულ და ურბანულ მიდამოებში Ni-ის შემცველობის პროგნოზირების ფაქტორები. მიღებული ყველაზე მისაღები მოდელი (EBK_SVM ან EBK_MLR) შემდეგ ვიზუალიზებული იქნება თვითორგანიზებადი გრაფიკის გამოყენებით. ამ კვლევის სამუშაო პროცესი ნაჩვენებია ნახაზ 2-ში.
SeOM-ის გამოყენება პოპულარულ ინსტრუმენტად იქცა ფინანსური სექტორის, ჯანდაცვის, მრეწველობის, სტატისტიკის, ნიადაგმცოდნეობისა და სხვა სფეროებში მონაცემების ორგანიზების, შეფასებისა და პროგნოზირებისთვის. SeOM იქმნება ხელოვნური ნეირონული ქსელებისა და ორგანიზაციის, შეფასებისა და პროგნოზირებისთვის უკონტროლო სწავლების მეთოდების გამოყენებით. ამ კვლევაში, SeOM გამოყენებული იქნა Ni კონცენტრაციების ვიზუალიზაციისთვის, ურბანულ და ურბანულ ნიადაგებში Ni-ის პროგნოზირების საუკეთესო მოდელის საფუძველზე. SeOM-ის შეფასებაში დამუშავებული მონაცემები გამოიყენება როგორც n შეყვანის განზომილებიანი ვექტორული ცვლადები43,56. მელსენი და სხვ. 57 აღწერს შეყვანის ვექტორის ნერვულ ქსელში ერთი შეყვანის ფენის მეშვეობით ერთი წონის ვექტორის მქონე გამომავალ ვექტორთან დაკავშირებას. SeOM-ის მიერ გენერირებული გამომავალი არის ორგანზომილებიანი რუკა, რომელიც შედგება სხვადასხვა ნეირონების ან კვანძებისგან, რომლებიც ჩაქსოვილი არიან ექვსკუთხა, წრიულ ან კვადრატულ ტოპოლოგიურ რუკებში მათი სიახლოვის მიხედვით. მეტრული, კვანტიზაციის შეცდომის (QE) და ტოპოგრაფიული შეცდომის (TE) საფუძველზე რუკის ზომების შედარებისას, შერჩეულია SeOM მოდელი, შესაბამისად 0.086 და 0.904, რომელიც წარმოადგენს 55 რუკის ერთეულს (5 × 11). ნეირონის სტრუქტურა განისაზღვრება ემპირიულ განტოლებაში კვანძების რაოდენობის მიხედვით.
ამ კვლევაში გამოყენებული მონაცემების რაოდენობაა 115 ნიმუში. შემთხვევითი მიდგომა გამოიყენეს მონაცემების დასაყოფად სატესტო მონაცემებად (25% ვალიდაციისთვის) და სასწავლო მონაცემთა ნაკრებებად (75% კალიბრაციისთვის). სასწავლო მონაცემთა ნაკრები გამოიყენება რეგრესიული მოდელის (კალიბრაციის) გენერირებისთვის, ხოლო სატესტო მონაცემთა ნაკრები გამოიყენება განზოგადების უნარის დასადასტურებლად.58 ეს გაკეთდა ნიადაგში ნიკელის შემცველობის პროგნოზირებისთვის სხვადასხვა მოდელების შესაფერისობის შესაფასებლად. ყველა გამოყენებულმა მოდელმა გაიარა ათჯერადი ჯვარედინი ვალიდაციის პროცესი, რომელიც ხუთჯერ განმეორდა. EBK ინტერპოლაციით წარმოქმნილი ცვლადები გამოიყენება როგორც პროგნოზირების ან განმარტებითი ცვლადები სამიზნე ცვლადის (PTE) პროგნოზირებისთვის. მოდელირება ხორციელდება RStudio-ში შემდეგი პაკეტების გამოყენებით: library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) და libraries (“Metrics”).
ნიადაგში ნიკელის კონცენტრაციების პროგნოზირებისთვის შესაფერისი საუკეთესო მოდელის დასადგენად და მოდელისა და მისი ვალიდაციის სიზუსტის შესაფასებლად გამოყენებული იქნა სხვადასხვა ვალიდაციის პარამეტრი. ჰიბრიდიზაციის მოდელები შეფასდა საშუალო აბსოლუტური შეცდომის (MAE), საშუალო კვადრატული შეცდომის (RMSE) და R-კვადრატის ან კოეფიციენტის განსაზღვრის (R2) გამოყენებით. R2 განსაზღვრავს პასუხში პროპორციების ვარიაციას, რომელიც წარმოდგენილია რეგრესიული მოდელით. RMSE და ვარიაციის სიდიდე დამოუკიდებელ საზომებში აღწერს მოდელის პროგნოზირების ძალას, ხოლო MAE განსაზღვრავს ფაქტობრივ რაოდენობრივ მნიშვნელობას. ვალიდაციის პარამეტრების გამოყენებით საუკეთესო ნარევის მოდელის შესაფასებლად R2 მნიშვნელობა მაღალი უნდა იყოს, რაც უფრო ახლოს არის მნიშვნელობა 1-თან, მით უფრო მაღალია სიზუსტე. ლი და სხვ. 59-ის მიხედვით, R2 კრიტერიუმის მნიშვნელობა 0.75 ან მეტი ითვლება კარგ პროგნოზირებად; 0.5-დან 0.75-მდე მისაღები მოდელის მუშაობაა, ხოლო 0.5-ზე ნაკლები მიუღებელია მოდელის მუშაობა. RMSE და MAE ვალიდაციის კრიტერიუმების შეფასების მეთოდების გამოყენებით მოდელის შერჩევისას, მიღებული უფრო დაბალი მნიშვნელობები საკმარისი იყო და საუკეთესო არჩევნად ითვლებოდა. შემდეგი განტოლება აღწერს ვერიფიკაციის მეთოდს.
სადაც n წარმოადგენს დაკვირვებული მნიშვნელობის ზომას\({Y}_{i}\) წარმოადგენს გაზომილ რეაქციას და \({\widehat{Y}}_{i}\) ასევე წარმოადგენს პროგნოზირებულ პასუხის მნიშვნელობას, შესაბამისად, პირველი i დაკვირვებებისთვის.
პროგნოზირებისა და რეაგირების ცვლადების სტატისტიკური აღწერილობები წარმოდგენილია ცხრილში 1, რომელიც აჩვენებს საშუალოს, სტანდარტულ გადახრას (SD), ვარიაციის კოეფიციენტს (CV), მინიმუმს, მაქსიმუმს, კურტოზს და ასიმეტრიას. ელემენტების მინიმალური და მაქსიმალური მნიშვნელობები მოცემულია შესაბამისად Mg < Ca < K < Ni და Ca < Mg < K < Ni კლებადი თანმიმდევრობით. კვლევის არეალიდან აღებული რეაგირების ცვლადის (Ni) კონცენტრაციები მერყეობდა 4.86-დან 42.39 მგ/კგ-მდე. Ni-ის შედარებამ მსოფლიო საშუალო მაჩვენებელთან (29 მგ/კგ) და ევროპის საშუალო მაჩვენებელთან (37 მგ/კგ) აჩვენა, რომ კვლევის არეალისთვის გამოთვლილი გეომეტრიული საშუალო დასაშვებ ფარგლებში იყო. მიუხედავად ამისა, როგორც კაბატა-პენდიასმა აჩვენა11, მიმდინარე კვლევაში ნიკელის (Ni) საშუალო კონცენტრაციის შედარება შვედეთის სასოფლო-სამეურნეო ნიადაგებთან აჩვენებს, რომ ნიკელის ამჟამინდელი საშუალო კონცენტრაცია უფრო მაღალია. ანალოგიურად, მიმდინარე კვლევაში ფრიდეკ მისტეკის საშუალო კონცენტრაცია ურბანულ და ურბანულ ნიადაგებში (Ni 16.15 მგ/კგ) უფრო მაღალი იყო, ვიდრე როჟანსკის და სხვების მიერ პოლონეთის ურბანულ ნიადაგებში ნიკელის დასაშვები ზღვარი 60-ია (10.2 მგ/კგ). გარდა ამისა, ბრეტცელმა და კალდერისიმ61 ტოსკანაში ურბანულ ნიადაგებში ნიკელის ძალიან დაბალი საშუალო კონცენტრაცია (1.78 მგ/კგ) დააფიქსირეს მიმდინარე კვლევასთან შედარებით. ჯიმმა62 ასევე აღმოაჩინა ნიკელის უფრო დაბალი კონცენტრაცია (12.34 მგ/კგ) ჰონგ-კონგის ურბანულ ნიადაგებში, რაც ამ კვლევაში ნიკელის ამჟამინდელ კონცენტრაციაზე დაბალია. ბირკემ და სხვებმა63 გერმანიაში, საქსონია-ანჰალტში, ძველ სამთო და ურბანულ ინდუსტრიულ ზონაში ნიკელის საშუალო კონცენტრაცია 17.6 მგ/კგ-ს შეადგენდა, რაც 1.45 მგ/კგ-ით მეტი იყო ამ ტერიტორიაზე ნიკელის საშუალო კონცენტრაციაზე (16.15 მგ/კგ). მიმდინარე კვლევა. კვლევის ტერიტორიის ზოგიერთ ურბანულ და გარეუბნულ რაიონში ნიადაგებში ნიკელის ჭარბი შემცველობა ძირითადად შეიძლება მიეწეროს რკინისა და ფოლადის ინდუსტრიას და ლითონის ინდუსტრიას. ეს შეესაბამება ხოდადოუსტის და სხვების კვლევას. 64-ში აღნიშნულია, რომ ნიადაგებში ნიკელის დაბინძურების ძირითადი წყარო ფოლადის მრეწველობა და ლითონის დამუშავებაა. თუმცა, პროგნოზირების ფაქტორები ასევე მერყეობდა 538.70 მგ/კგ-დან 69,161.80 მგ/კგ-მდე კალიუმისთვის, 497.51 მგ/კგ-დან 3535.68 მგ/კგ-მდე კალიუმისთვის და 685.68 მგ/კგ-დან 5970.05 მგ/კგ-მდე მაგნიუმისთვის. იაკოვლევიჩი და სხვ. 65-მა გამოიკვლია ცენტრალური სერბეთის ნიადაგებში მაგნიუმის და კალიუმის საერთო შემცველობა. მათ აღმოაჩინეს, რომ საერთო კონცენტრაციები (შესაბამისად, 410 მგ/კგ და 400 მგ/კგ) უფრო დაბალი იყო, ვიდრე მიმდინარე კვლევის Mg და K კონცენტრაციები. აღმოსავლეთ პოლონეთში, ორჟეხოვსკიმ და სმოლჩინსკიმ66 შეაფასეს კალციუმის, მაგნიუმის და კალიუმის საერთო შემცველობა და აჩვენეს კალციუმის (1100 მგ/კგ), მაგნიუმის (590 მგ/კგ) და კალიუმის (810 მგ/კგ) საშუალო კონცენტრაციები. ნიადაგის ზედა ფენაში შემცველობა უფრო დაბალია, ვიდრე ამ კვლევაში მოცემული ცალკეული ელემენტის. პონგრაკის და სხვების67 მიერ ჩატარებულმა ბოლოდროინდელმა კვლევამ აჩვენა, რომ შოტლანდიაში, დიდ ბრიტანეთში, 3 სხვადასხვა ნიადაგში (მილნეფილდის ნიადაგი, ბალრუდერის ნიადაგი და ჰარტვუდის ნიადაგი) გაანალიზებული კალციუმის საერთო შემცველობა ამ კვლევაში კალციუმის უფრო მაღალ შემცველობაზე მიუთითებდა.
ნიმუშის ელემენტების განსხვავებული გაზომილი კონცენტრაციების გამო, ელემენტების მონაცემთა ნაკრებების განაწილება ავლენს განსხვავებულ ასიმეტრიას. ელემენტების ასიმეტრია და კურტოზი მერყეობდა შესაბამისად 1.53-დან 7.24-მდე და 2.49-დან 54.16-მდე. ყველა გამოთვლილ ელემენტს აქვს ასიმეტრიისა და კურტოზის დონე +1-ზე მეტი, რაც მიუთითებს, რომ მონაცემთა განაწილება არის არარეგულარული, სწორი მიმართულებით ასიმეტრიული და პიკური. ელემენტების სავარაუდო CV ასევე აჩვენებს, რომ K, Mg და Ni ავლენენ ზომიერ ცვალებადობას, ხოლო Ca-ს აქვს უკიდურესად მაღალი ცვალებადობა. K, Ni და Mg-ს CV ხსნის მათ ერთგვაროვან განაწილებას. გარდა ამისა, Ca განაწილება არაერთგვაროვანია და გარე წყაროებმა შეიძლება გავლენა მოახდინონ მის გამდიდრების დონეზე.
პროგნოზირების ცვლადების კორელაციამ საპასუხო ელემენტებთან მიუთითა ელემენტებს შორის დამაკმაყოფილებელ კორელაციაზე (იხ. სურათი 3). კორელაციამ აჩვენა, რომ CaK-მა აჩვენა ზომიერი კორელაცია r მნიშვნელობით = 0.53, ისევე როგორც CaNi-მ. მიუხედავად იმისა, რომ Ca და K ერთმანეთთან ზომიერ კავშირს ავლენენ, ისეთი მკვლევარები, როგორებიც არიან კინგსტონი და სხვ. 68 და Santo69 ვარაუდობენ, რომ მათი დონე ნიადაგში უკუპროპორციულია. თუმცა, Ca და Mg ანტაგონისტურია K-ს მიმართ, მაგრამ CaK კარგად კორელირებს. ეს შეიძლება გამოწვეული იყოს ისეთი სასუქების გამოყენებით, როგორიცაა კალიუმის კარბონატი, რომელშიც კალიუმი 56%-ით მეტია. კალიუმი ზომიერად კორელირებდა მაგნიუმთან (KM r = 0.63). სასუქების ინდუსტრიაში ეს ორი ელემენტი მჭიდრო კავშირშია, რადგან კალიუმის მაგნიუმის სულფატი, კალიუმის მაგნიუმის ნიტრატი და კალიუმი გამოიყენება ნიადაგში მათი დეფიციტის დონის გასაზრდელად. ნიკელი ზომიერად კორელირებს Ca-სთან, K-სთან და Mg-თან, შესაბამისად, r მნიშვნელობებით = 0.52, 0.63 და 0.55. კალციუმის, მაგნიუმის და PTE-ების, როგორიცაა ნიკელი, შორის ურთიერთობები რთულია, მაგრამ მიუხედავად ამისა, მაგნიუმი აფერხებს კალციუმის შეწოვას, კალციუმი ამცირებს მაგნიუმის ჭარბი ეფექტებს და როგორც მაგნიუმი, ასევე კალციუმი ამცირებს ნიკელის ტოქსიკურ ეფექტებს ნიადაგში.
ელემენტების კორელაციის მატრიცა, რომელიც აჩვენებს პროგნოზირებად ფაქტორებსა და პასუხებს შორის კავშირს (შენიშვნა: ეს ფიგურა მოიცავს ელემენტებს შორის გაფანტვის დიაგრამას, მნიშვნელობის დონეები ეფუძნება p < 0,001-ს).
სურათი 4 ასახავს ელემენტების სივრცულ განაწილებას. ბურგოსის და სხვების70 მიხედვით, სივრცითი განაწილების გამოყენება არის ტექნიკა, რომელიც გამოიყენება დაბინძურებულ ადგილებში ცხელი წერტილების რაოდენობრივი განსაზღვრისა და გამოკვეთისთვის. ნახ. 4-ზე Ca-ს გამდიდრების დონეები ჩანს სივრცითი განაწილების რუკის ჩრდილო-დასავლეთ ნაწილში. სურათი გვიჩვენებს Ca-ს საშუალოდან მაღალამდე გამდიდრების ცხელ წერტილებს. რუკის ჩრდილო-დასავლეთით კალციუმით გამდიდრება, სავარაუდოდ, განპირობებულია ნიადაგის მჟავიანობის შესამცირებლად უცხიმო კირის (კალციუმის ოქსიდის) გამოყენებით და მისი გამოყენებით ფოლადის ქარხნებში, როგორც ტუტე ჟანგბადი ფოლადის წარმოების პროცესში. მეორეს მხრივ, სხვა ფერმერები მჟავე ნიადაგებში კალციუმის ჰიდროქსიდის გამოყენებას ურჩევნიათ pH-ის გასანეიტრალებლად, რაც ასევე ზრდის ნიადაგის კალციუმის შემცველობას71. კალიუმი ასევე აჩვენებს ცხელ წერტილებს რუკის ჩრდილო-დასავლეთ და აღმოსავლეთ ნაწილში. ჩრდილო-დასავლეთი არის ძირითადი სასოფლო-სამეურნეო თემი და კალიუმის ზომიერიდან მაღალამდე ნიმუში შეიძლება განპირობებული იყოს NPK-ის და კალიუმის გამოყენებით. ეს შეესაბამება სხვა კვლევებს, როგორიცაა Madaras and Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, რომლებმაც დააკვირდნენ, რომ ნიადაგი KCl-ით და NPK-ით სტაბილიზაციამ და დამუშავებამ ნიადაგში კალიუმის მაღალი შემცველობა გამოიწვია. გავრცელების რუკის ჩრდილო-დასავლეთით კალიუმით სივრცითი გამდიდრება შესაძლოა განპირობებული იყოს კალიუმის შემცველი სასუქების, როგორიცაა კალიუმის ქლორიდი, კალიუმის სულფატი, კალიუმის ნიტრატი, კალიუმი და კალიუმი, გამოყენებით, რათა გაიზარდოს ღარიბ ნიადაგებში კალიუმის შემცველობა. ზადოროვა და სხვ. 76 და ტლუსტოში და სხვ. 77-ში აღნიშნულია, რომ კალიუმის შემცველი სასუქების გამოყენება ზრდის კალიუმის შემცველობას ნიადაგში და მნიშვნელოვნად გაზრდის ნიადაგის საკვები ნივთიერებების შემცველობას გრძელვადიან პერსპექტივაში, განსაკუთრებით კალიუმის და მაგნიუმის, რომლებიც ნიადაგში ცხელ წერტილებს წარმოადგენენ. შედარებით ზომიერი ცხელი წერტილებია რუკის ჩრდილო-დასავლეთით და სამხრეთ-აღმოსავლეთით. ნიადაგში კოლოიდური ფიქსაცია ამცირებს მაგნიუმის კონცენტრაციას ნიადაგში. მისი ნაკლებობა ნიადაგში იწვევს მცენარეებში მოყვითალო ძარღვთაშორისი ქლოროზის გამოვლენას. მაგნიუმის შემცველი სასუქები, როგორიცაა კალიუმის მაგნიუმის სულფატი, მაგნიუმის სულფატი და კიზერიტი, მკურნალობენ დეფიციტს (მცენარეები იისფერი, წითელი ან ყავისფერი ჩანს, რაც მიუთითებს მაგნიუმის დეფიციტზე) ნორმალური pH დიაპაზონის მქონე ნიადაგებში. ნიკელის დაგროვება ურბანულ და ურბანულ-პერიფერიულ ნიადაგის ზედაპირებზე შეიძლება გამოწვეული იყოს ანთროპოგენური საქმიანობით, როგორიცაა სოფლის მეურნეობა და ნიკელის მნიშვნელობა უჟანგავი ფოლადის წარმოებაში.
ელემენტების სივრცითი განაწილება [სივრცითი განაწილების რუკა შეიქმნა ArcGIS Desktop-ის გამოყენებით (ESRI, Inc, ვერსია 10.7, URL: https://desktop.arcgis.com).]
ამ კვლევაში გამოყენებული ელემენტების მოდელის მუშაობის ინდექსის შედეგები ნაჩვენებია ცხრილში 2. მეორეს მხრივ, Ni-ის RMSE და MAE ორივე ნულთან ახლოსაა (0.86 RMSE, -0.08 MAE). მეორეს მხრივ, K-ის როგორც RMSE, ასევე MAE მნიშვნელობები მისაღებია. RMSE და MAE შედეგები უფრო მაღალი იყო კალციუმის და მაგნიუმის შემთხვევაში. Ca და K MAE და RMSE შედეგები უფრო მაღალია მონაცემთა სხვადასხვა ნაკრების გამო. ამ კვლევის RMSE და MAE, რომელიც იყენებს Ni-ს პროგნოზირებისთვის EBK-ს, უკეთესი აღმოჩნდა, ვიდრე ჯონის და სხვების 54 შედეგებს, რომლებიც იყენებენ სინერგიულ კრიგინგს ნიადაგში S კონცენტრაციების პროგნოზირებისთვის იმავე შეგროვებული მონაცემების გამოყენებით. ჩვენს მიერ შესწავლილი EBK შედეგები შეესაბამება ფაბიაჩიკის და სხვების 41, იანის და სხვების 79, ბეგუინის და სხვების 80, ადიკარის და სხვების 81 და ჯონის და სხვების 82 შედეგებს, განსაკუთრებით K-ს და Ni-ს.
ურბანულ და ქალაქის მიმდებარე ნიადაგებში ნიკელის შემცველობის პროგნოზირების ცალკეული მეთოდების ეფექტურობა შეფასდა მოდელების ეფექტურობის გამოყენებით (ცხრილი 3). მოდელის ვალიდაციამ და სიზუსტის შეფასებამ დაადასტურა, რომ Ca_Mg_K პროგნოზირების მოწყობილობა EBK SVMR მოდელთან ერთად საუკეთესო შედეგს იძლევა. კალიბრაციის მოდელი Ca_Mg_K-EBK_SVMR მოდელი R2, საშუალო კვადრატული შეცდომის (RMSE) და საშუალო აბსოლუტური შეცდომის (MAE) მაჩვენებლები იყო 0.637 (R2), 95.479 მგ/კგ (RMSE) და 77.368 მგ/კგ (MAE). Ca_Mg_K-SVMR-ის მაჩვენებლები იყო 0.663 (R2), 235.974 მგ/კგ (RMSE) და 166.946 მგ/კგ (MAE). მიუხედავად ამისა, კარგი R2 მნიშვნელობები იქნა მიღებული Ca_Mg_K-SVMR-ისთვის (0.663 მგ/კგ R2) და Ca_Mg-EBK_SVMR-ისთვის (0.643 = R2); მათი RMSE და MAE შედეგები უფრო მაღალი იყო, ვიდრე Ca_Mg_K-EBK_SVMR-ის (R2 0.637) შედეგები (იხ. ცხრილი 3). გარდა ამისა, Ca_Mg-EBK_SVMR (RMSE = 1664.64 და MAE = 1031.49) მოდელის RMSE და MAE შესაბამისად 17.5 და 13.4-ია, რაც უფრო მეტია, ვიდრე Ca_Mg_K-EBK_SVMR-ის. ანალოგიურად, Ca_Mg-K SVMR (RMSE = 235.974 და MAE = 166.946) მოდელის RMSE და MAE შესაბამისად 2.5 და 2.2-ით მეტია, ვიდრე Ca_Mg_K-EBK_SVMR-ის RMSE და MAE. გამოთვლილი RMSE შედეგები მიუთითებს, თუ რამდენად კონცენტრირებულია მონაცემთა ნაკრები საუკეთესო შესაბამისობის ხაზთან. დაფიქსირდა უფრო მაღალი RSME და MAE. კებონიეს და სხვების მიხედვით. 46 და ჯონ და სხვ. 54, რაც უფრო ახლოსაა RMSE და MAE ნულთან, მით უკეთესი შედეგებია. SVMR-სა და EBK_SVMR-ს უფრო მაღალი კვანტიზებული RSME და MAE მნიშვნელობები აქვთ. დაფიქსირდა, რომ RSME შეფასებები მუდმივად მაღალი იყო MAE მნიშვნელობებზე, რაც გამონაკლისების არსებობაზე მიუთითებს. ლეგეითსის და მაკკეიბის83 მიხედვით, გამონაკლისების არსებობის ინდიკატორად რეკომენდებულია ის, თუ რამდენად აღემატება RMSE საშუალო აბსოლუტურ შეცდომას (MAE). ეს ნიშნავს, რომ რაც უფრო ჰეტეროგენულია მონაცემთა ნაკრები, მით უფრო მაღალია MAE და RMSE მნიშვნელობები. ქალაქისა და გარეუბნების ნიადაგებში Ni შემცველობის პროგნოზირებისთვის Ca_Mg_K-EBK_SVMR შერეული მოდელის ჯვარედინი ვალიდაციის შეფასების სიზუსტე 63.70% იყო. ლი და სხვ. 59 მიხედვით, სიზუსტის ეს დონე მოდელის მუშაობის მისაღები მაჩვენებელია. ამჟამინდელი შედეგები შედარებულია ტარასოვის და სხვ. მიერ ჩატარებულ წინა კვლევასთან. 36-ის ჰიბრიდული მოდელი, რომელიც MLPRK-ს (მრავალშრიანი პერცეპტრონის ნარჩენი კრიგინგი) შექმნის, მიმდინარე კვლევაში მოხსენებულ EBK_SVMR სიზუსტის შეფასების ინდექსთან, RMSE (210) და MAE (167.5) დაკავშირებული იყო ჩვენს შედეგებთან მიმდინარე კვლევაში (RMSE 95.479, MAE 77.368). თუმცა, მიმდინარე კვლევის R2-ის (0.637) ტარასოვის და სხვების R2-თან შედარებისას. 36 (0.544)-დან ირკვევა, რომ ამ შერეულ მოდელში დეტერმინაციის კოეფიციენტი (R2) უფრო მაღალია. შერეული მოდელის შეცდომის ზღვარი (RMSE და MAE) (EBK SVMR) ორჯერ დაბალია. ანალოგიურად, სერგეევმა და სხვებმა34 შემუშავებული ჰიბრიდული მოდელისთვის (მრავალშრიანი პერცეპტრონის ნარჩენი კრიგინგი) 0.28 (R2) დააფიქსირეს, ხოლო მიმდინარე კვლევაში Ni-მ 0.637 (R2) დააფიქსირა. ამ მოდელის (EBK SVMR) პროგნოზირების სიზუსტის დონე 63.7%-ია, ხოლო სერგეევის და სხვ.34 მიერ მიღებული პროგნოზირების სიზუსტე 28%-ია. საბოლოო რუკა (ნახ. 5), რომელიც შეიქმნა EBK_SVMR მოდელისა და Ca_Mg_K-ის, როგორც პროგნოზირების ფაქტორის გამოყენებით, აჩვენებს ცხელი წერტილების და ზომიერიდან ნიკელის პროგნოზებს მთელ საკვლევ ტერიტორიაზე. ეს ნიშნავს, რომ ნიკელის კონცენტრაცია საკვლევ ტერიტორიაზე ძირითადად ზომიერია, უფრო მაღალი კონცენტრაციით ზოგიერთ კონკრეტულ ტერიტორიაზე.
საბოლოო პროგნოზირების რუკა წარმოდგენილია ჰიბრიდული მოდელის EBK_SVMR გამოყენებით და Ca_Mg_K-ის, როგორც პროგნოზირების გამოყენებით. [სივრცითი განაწილების რუკა შეიქმნა RStudio-ს გამოყენებით (ვერსია 1.4.1717: https://www.rstudio.com/).]
ნახაზ 6-ში წარმოდგენილია PTE კონცენტრაციები, როგორც შემადგენლობის სიბრტყე, რომელიც შედგება ინდივიდუალური ნეირონებისგან. კომპონენტური სიბრტყეებიდან არცერთს არ ავლენდა იგივე ფერის ნიმუშს, როგორც ნაჩვენებია. თუმცა, ნეირონების შესაბამისი რაოდენობა დახატულ რუკაზე არის 55. SeOM წარმოიქმნება სხვადასხვა ფერის გამოყენებით და რაც უფრო მსგავსია ფერის ნიმუშები, მით უფრო შედარებადია ნიმუშების თვისებები. მათი ზუსტი ფერის შკალის მიხედვით, ცალკეულმა ელემენტებმა (Ca, K და Mg) აჩვენეს მსგავსი ფერის ნიმუშები ცალკეული მაღალი ნეირონების და დაბალი ნეირონების უმეტესობის მიმართ. ამრიგად, CaK-ს და CaMg-ს აქვთ გარკვეული მსგავსება ძალიან მაღალი რიგის ნეირონებთან და დაბალიდან საშუალომდე ფერის ნიმუშებთან. ორივე მოდელი პროგნოზირებს Ni-ს კონცენტრაციას ნიადაგში ფერების საშუალოდან მაღალამდე ელფერების ჩვენებით, როგორიცაა წითელი, ნარინჯისფერი და ყვითელი. KMg მოდელი აჩვენებს მრავალ მაღალი ფერის ნიმუშს ზუსტი პროპორციების და დაბალიდან საშუალომდე ფერის ლაქების საფუძველზე. დაბალიდან მაღალამდე ზუსტი ფერის შკალაზე, მოდელის კომპონენტების ბრტყელი განაწილების ნიმუშმა აჩვენა მაღალი ფერის ნიმუში, რაც მიუთითებს ნიკელის პოტენციურ კონცენტრაციაზე ნიადაგში (იხ. სურათი 4). CakMg მოდელის კომპონენტების სიბრტყე აჩვენებს მრავალფეროვან ფერის ნიმუშს დაბალიდან მაღალამდე ზუსტი ფერის მიხედვით. მასშტაბი. გარდა ამისა, მოდელის მიერ ნიკელის შემცველობის (CakMg) პროგნოზირება მსგავსია ნიკელის სივრცითი განაწილებისა, რომელიც ნაჩვენებია ნახაზ 5-ზე. ორივე გრაფიკი აჩვენებს ნიკელის კონცენტრაციის მაღალ, საშუალო და დაბალ პროპორციებს ურბანულ და ურბანულ ნიადაგებში. სურათი 7 ასახავს კონტურულ მეთოდს რუკაზე k-საშუალო დაჯგუფებაში, დაყოფილი სამ კლასტერად თითოეულ მოდელში პროგნოზირებული მნიშვნელობის მიხედვით. კონტურული მეთოდი წარმოადგენს კლასტერების ოპტიმალურ რაოდენობას. შეგროვებული 115 ნიადაგის ნიმუშიდან, კატეგორია 1-მა მიიღო ნიადაგის ყველაზე მეტი ნიმუში, 74. კლასტერ 2-მა მიიღო 33 ნიმუში, ხოლო კლასტერ 3-მა - 8 ნიმუში. შვიდი კომპონენტიანი სიბრტყის პროგნოზირების კომბინაცია გამარტივდა კლასტერის სწორი ინტერპრეტაციის უზრუნველსაყოფად. ნიადაგის ფორმირებაზე მოქმედი მრავალი ანთროპოგენური და ბუნებრივი პროცესის გამო, რთულია სწორად დიფერენცირებული კლასტერული ნიმუშების ქონა განაწილებულ SeOM რუკაზე78.
კომპონენტის სიბრტყის გამომავალი თითოეული ემპირიული ბაიესის კრიგინგის დამხმარე ვექტორული მანქანის (EBK_SVM_SeOM) ცვლადის მიერ. [SeOM რუკები შეიქმნა RStudio-ს გამოყენებით (ვერსია 1.4.1717: https://www.rstudio.com/).]
სხვადასხვა კლასტერული კლასიფიკაციის კომპონენტები [SeOM რუკები შეიქმნა RStudio-ს გამოყენებით (ვერსია 1.4.1717: https://www.rstudio.com/).]
მიმდინარე კვლევა ნათლად ასახავს ნიკელის კონცენტრაციის მოდელირების ტექნიკას ურბანულ და ურბანულ ნიადაგებში. კვლევაში გამოსცადეს მოდელირების სხვადასხვა ტექნიკა, ელემენტების მოდელირების ტექნიკასთან შერწყმით, რათა მიღწეულიყო ნიადაგში ნიკელის კონცენტრაციის პროგნოზირების საუკეთესო გზა. მოდელირების ტექნიკის SeOM კომპოზიციური სიბრტყოვანი სივრცითი მახასიათებლები ავლენდა მაღალი ფერის ნიმუშს დაბალიდან მაღალამდე ზუსტ ფერთა შკალაზე, რაც მიუთითებს Ni კონცენტრაციებზე ნიადაგში. თუმცა, სივრცითი განაწილების რუკა ადასტურებს კომპონენტების სიბრტყოვან სივრცით განაწილებას, რომელიც ავლენს EBK_SVMR-ს (იხ. სურათი 5). შედეგები აჩვენებს, რომ დამხმარე ვექტორული მანქანური რეგრესიის მოდელი (Ca Mg K-SVMR) პროგნოზირებს Ni კონცენტრაციას ნიადაგში, როგორც ერთ მოდელს, მაგრამ ვალიდაციისა და სიზუსტის შეფასების პარამეტრები აჩვენებს ძალიან მაღალ შეცდომებს RMSE-სა და MAE-ს თვალსაზრისით. მეორეს მხრივ, EBK_MLR მოდელთან გამოყენებული მოდელირების ტექნიკა ასევე ნაკლოვანია დეტერმინაციის კოეფიციენტის (R2) დაბალი მნიშვნელობის გამო. კარგი შედეგები მიღებულ იქნა EBK SVMR-ისა და კომბინირებული ელემენტების (CaKMg) გამოყენებით დაბალი RMSE და MAE შეცდომებით, 63.7%-იანი სიზუსტით. აღმოჩნდა, რომ EBK ალგორითმის კომბინირებით მანქანური სწავლების ალგორითმს შეუძლია შექმნას ჰიბრიდული ალგორითმი, რომელსაც შეუძლია ნიადაგში PTE-ების კონცენტრაციის პროგნოზირება. შედეგები აჩვენებს, რომ Ca Mg K-ის, როგორც პროგნოზირების ფაქტორის გამოყენება Ni-ის კონცენტრაციის პროგნოზირებისთვის კვლევის არეალში, შეუძლია გააუმჯობესოს Ni-ის პროგნოზირება ნიადაგებში. ეს ნიშნავს, რომ ნიკელზე დაფუძნებული სასუქების უწყვეტი გამოყენება და ნიადაგის სამრეწველო დაბინძურება ფოლადის ინდუსტრიის მიერ ზრდის ნიკელის კონცენტრაციას ნიადაგში. ამ კვლევამ აჩვენა, რომ EBK მოდელს შეუძლია შეამციროს შეცდომის დონე და გააუმჯობესოს ნიადაგის სივრცითი განაწილების მოდელის სიზუსტე ურბანულ ან ურბანულ ნიადაგებში. ზოგადად, ჩვენ ვთავაზობთ EBK-SVMR მოდელის გამოყენებას ნიადაგში PTE-ს შესაფასებლად და პროგნოზირებისთვის; გარდა ამისა, ჩვენ ვთავაზობთ EBK-ის გამოყენებას სხვადასხვა მანქანური სწავლების ალგორითმებთან ჰიბრიდიზაციისთვის. Ni კონცენტრაციები იწინასწარმეტყველა ელემენტების, როგორც კოვარიატების გამოყენებით; თუმცა, მეტი კოვარიატის გამოყენება მნიშვნელოვნად გააუმჯობესებს მოდელის მუშაობას, რაც შეიძლება ჩაითვალოს მიმდინარე სამუშაოს შეზღუდვად. ამ კვლევის კიდევ ერთი შეზღუდვა ის არის, რომ მონაცემთა ნაკრებების რაოდენობა 115-ია. ამიტომ, თუ მეტი მონაცემი იქნება მოწოდებული, შემოთავაზებული ოპტიმიზირებული ჰიბრიდიზაციის მეთოდის მუშაობა შეიძლება გაუმჯობესდეს.
PlantProbs.net. ნიკელი მცენარეებსა და ნიადაგში https://plantprobs.net/plant/nutrientImbalances/sodium.html (წვდომის თარიღი: 2021 წლის 28 აპრილი).
კასპრაკი, კანსასი ნიკელის მიღწევები თანამედროვე გარემოსდაცვით ტოქსიკოლოგიაში. surroundings.toxicology.11, 145–183 (1987).
სემპელი, მ. და ნიკელი, გ. ნიკელი: მისი წყაროებისა და გარემოსდაცვითი ტოქსიკოლოგიის მიმოხილვა. Polish J. Environment. Stud.15, 375–382 (2006).
ფრიდმანი, ბ. და ჰატჩინსონი, თ.კ. დამაბინძურებლების შეღწევა ატმოსფეროდან და დაგროვება ნიადაგსა და მცენარეულობაში ნიკელ-სპილენძის საამქროს მახლობლად, სადბერიში, ონტარიო, კანადა. can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
მანივა, თ. და სხვ. მძიმე მეტალები ნიადაგში, მცენარეებში და რისკები, რომლებიც დაკავშირებულია ბოტსვანაში, სელები-ფიკვეს სპილენძ-ნიკელის მაღაროს მახლობლად მცოხნავ ცხოველებთან. გარემო. გეოქიმია. ჯანმრთელობა https://doi.org/10.1007/s10653-021-00918-x (2021).
კაბატა-პენდიასი. კაბატა-პენდიასი ა. 2011. მიკროელემენტები ნიადაგსა და… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (წვდომის თარიღი: 24 ნოემბერი, 2020).
ალმასი, ა., სინგჰი, ბ., სოფლის მეურნეობა, TS-NJ & 1995, განუსაზღვრელი. რუსეთის ნიკელის ინდუსტრიის გავლენა მძიმე მეტალების კონცენტრაციაზე სასოფლო-სამეურნეო ნიადაგებსა და ბალახებში სოერ-ვარანგერში, ნორვეგია.agris.fao.org.
ნილსენი, გ.დ. და სხვ. ნიკელის შეწოვა და შეკავება სასმელ წყალში დაკავშირებულია საკვების მიღებასთან და ნიკელის მიმართ მგრძნობელობასთან. ტოქსიკოლოგია. გამოყენება. ფარმაკოდინამიკა.154, 67–75 (1999).
კოსტა, მ. და კლაინი, CB ნიკელის კანცეროგენეზი, მუტაცია, ეპიგენეტიკა ან სელექცია. გარემო. ჯანმრთელობის პერსპექტივა. 107, 2 (1999).
აჯმანი, პ.კ.; აჯადო, ს.კ.; ბორუვკა, ლ.; ბინი, ჯ.კ.მ.; სარკოდი, ვიო; კობონიე, ​​ნ.მ.; პოტენციურად ტოქსიკური ელემენტების ტენდენციების ანალიზი: ბიბლიომეტრიული მიმოხილვა. გარემოს გეოქიმია და ჯანმრთელობა. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
მინასნი, ბ. და მაკბრატნი, ა.ბ. ნიადაგის ციფრული რუკების შედგენა: მოკლე ისტორია და რამდენიმე გაკვეთილი. გეოდერმა 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ნიადაგის ციფრული რუკების შესახებ. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV გეოსტატისტიკური წყალსაცავის მოდელირება,… – 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= (წვდომის თარიღი: 2021 წლის 28 აპრილი).