Nature.com을 방문해 주셔서 감사합니다. 사용하시는 브라우저 버전은 CSS 지원이 제한적입니다. 최상의 경험을 위해 최신 브라우저를 사용하시거나 (Internet Explorer의 호환성 모드를 해제하세요) 주시기 바랍니다. 지속적인 지원을 위해 당분간은 스타일과 JavaScript를 적용하지 않고 사이트를 표시하겠습니다.
토양 오염은 인간 활동으로 인한 심각한 문제입니다. 잠재적 독성 원소(PTE)의 공간적 분포는 대부분의 도시 및 도시 외곽 지역에서 다양하게 나타납니다. 따라서 이러한 토양에서 PTE 함량을 공간적으로 예측하는 것은 어렵습니다. 체코 공화국의 프라이데크 미스테크(Frydek Mistek)에서 총 115개의 토양 샘플을 채취했습니다. 칼슘(Ca), 마그네슘(Mg), 칼륨(K), 니켈(Ni)의 농도는 유도 결합 플라즈마 방출 분광법(ICP-E)을 이용하여 측정했습니다. 반응 변수는 Ni이고 예측 변수는 Ca, Mg, K입니다. 반응 변수와 예측 변수 간의 상관 행렬은 원소들 간에 만족스러운 상관 관계를 보여줍니다. 예측 결과, 서포트 벡터 머신 회귀(SVMR)가 다른 방법들에 비해 추정된 제곱근 평균 오차(RMSE)(235.974 mg/kg)와 평균 절대 오차(MAE)(166.946 mg/kg)가 높았지만 우수한 성능을 보였습니다. 혼합 모델은 경험적 베이지안 크리깅-다중 선형 회귀를 사용했습니다. (EBK-MLR) 모델은 결정계수가 0.1 미만으로 나타나 성능이 저조한 것으로 나타났습니다. 경험적 베이지안 크리깅-서포트 벡터 머신 회귀(EBK-SVMR) 모델이 낮은 RMSE(95.479 mg/kg)와 MAE(77.368 mg/kg) 값, 그리고 높은 결정계수(R² = 0.637)를 보여 최적의 모델로 평가되었습니다. EBK-SVMR 모델링 기법의 결과는 자기조직화 맵(SOM)을 이용하여 시각화되었습니다. 하이브리드 모델 CakMg-EBK-SVMR 구성 요소의 평면에 클러스터링된 뉴런들은 도시 및 도시 근교 토양의 니켈 농도를 예측하는 다양한 색상 패턴을 보여줍니다. 본 연구 결과는 EBK와 SVMR을 결합한 기법이 도시 및 도시 근교 토양의 니켈 농도 예측에 효과적임을 입증합니다.
니켈(Ni)은 대기 중 질소 고정(N)과 요소 대사에 기여하기 때문에 식물의 미량 영양소로 여겨지며, 이 두 과정 모두 종자 발아에 필수적입니다. 니켈은 종자 발아에 기여하는 것 외에도 곰팡이와 박테리아를 억제하고 식물 발달을 촉진할 수 있습니다. 토양에 니켈이 부족하면 식물이 이를 흡수하여 잎의 엽록소 결핍증(황화현상)을 유발합니다. 예를 들어, 동부콩과 강낭콩은 질소 고정을 최적화하기 위해 니켈 기반 비료를 사용해야 합니다. 토양을 비옥하게 하고 콩과 식물의 질소 고정 능력을 향상시키기 위해 니켈 기반 비료를 지속적으로 사용하면 토양 내 니켈 농도가 지속적으로 증가합니다. 니켈은 식물의 미량 영양소이지만, 토양에 과도하게 존재하면 이롭기보다는 해롭습니다. 토양 내 니켈의 독성은 토양 pH를 낮추고 식물 성장에 필수적인 영양소인 철의 흡수를 방해합니다. Liu에 따르면, 니켈은 식물 발달 및 성장에 필요한 17번째로 중요한 원소로 밝혀졌습니다. 니켈은 식물 발달 및 성장에 중요한 역할을 할 뿐만 아니라 인간에게도 필요합니다. 니켈은 다양한 용도로 사용됩니다. 전기 도금, 니켈 기반 합금 생산, 자동차 산업의 점화 장치 및 스파크 플러그 제조 등 다양한 산업 분야에서 니켈이 필요합니다. 또한 니켈 기반 합금 및 전기 도금 제품은 주방용품, 무도장 용품, 식품 산업 용품, 전기, 전선 및 케이블, 제트 터빈, 수술용 임플란트, 섬유 및 조선업에 널리 사용됩니다.5 토양(즉, 표토)의 니켈 함량은 인위적 및 자연적 원인 모두에 기인하지만, 주로 인위적 원인보다는 자연적 원인에 기인합니다.4,6 니켈의 자연적 원인으로는 화산 폭발, 초목, 산불 및 지질학적 과정이 있습니다. 반면 인위적 원인으로는 철강 산업의 니켈/카드뮴 배터리, 전기 도금, 아크 용접, 디젤 및 연료유, 석탄 연소 및 폐기물 및 슬러지 소각으로 인한 대기 배출물이 있습니다.7,8 Freedman과 Hutchinson9 및 Manyiwa et al.에 따르면, 10. 바로 인근 환경에서 표토 오염의 주요 원인은 주로 니켈-구리 기반 제련소와 광산입니다. 캐나다 서드베리 니켈-구리 제련소 주변 표토는 26,000mg/kg으로 가장 높은 니켈 오염 수준을 보였습니다.11. 이와 대조적으로, 러시아의 니켈 생산으로 인한 오염은 노르웨이 토양에서 더 높은 니켈 농도를 초래했습니다.11. Alms et al.에 따르면, 12, 러시아의 니켈 생산지인 이 지역의 주요 경작지에서 HNO3로 추출 가능한 니켈의 양은 6.25~136.88 mg/kg 범위였으며, 평균은 30.43 mg/kg, 기준 농도는 25 mg/kg이었다. Kabata 11에 따르면, 연속적인 작물 재배 기간 동안 도시 또는 도시 근교의 농경지에 인산비료를 사용하면 토양에 니켈이 스며들거나 오염될 수 있다. 니켈은 인체에 돌연변이, 염색체 손상, Z-DNA 생성, DNA 절단 복구 차단 또는 후성유전학적 과정을 통해 암을 유발할 수 있다. 13 동물 실험에서 니켈은 다양한 종양을 유발할 가능성이 있는 것으로 나타났으며, 발암성 니켈 복합체는 이러한 종양을 악화시킬 수 있다.
토양-식물 관계, 토양과 토양 생물 관계, 생태계 파괴, 환경 영향 평가 등에서 비롯되는 광범위한 건강 관련 문제로 인해 최근 토양 오염 평가가 활발히 이루어지고 있습니다. 지금까지 전통적인 방법을 사용하여 토양 내 Ni과 같은 잠재적 독성 원소(PTE)의 공간적 예측은 노동 집약적이고 시간이 많이 소요되었습니다. 디지털 토양 매핑(DSM)의 등장과 현재의 성공은 예측 토양 매핑(PSM)을 크게 개선했습니다. Minasny와 McBratney에 따르면, 예측 토양 매핑(DSM)은 토양 과학의 중요한 하위 분야로 입증되었습니다. Lagacherie와 McBratney(2006)는 DSM을 "현장 및 실험실 관찰 방법과 공간 및 비공간 토양 추론 시스템을 사용하여 공간 토양 정보 시스템을 생성하고 채우는 것"으로 정의합니다. McBratney et al. 17. 현대적인 DSM 또는 PSM이 PTE, 토양 유형 및 토양 특성의 공간 분포를 예측하거나 매핑하는 데 가장 효과적인 기술임을 간략히 설명합니다. 지리통계학 및 머신러닝 알고리즘(MLA)은 중요하고 최소한의 데이터를 사용하여 컴퓨터를 통해 디지털 지도를 생성하는 DSM 모델링 기술입니다.
Deutsch18 및 Olea19는 지리통계학을 "주로 시계열 분석이 시간 데이터를 특징짓는 방식과 같은 확률 모델을 사용하여 공간 속성의 표현을 다루는 수치 기법 모음"으로 정의합니다. 지리통계학은 주로 베리오그램 평가를 포함하며, 이를 통해 각 데이터 세트의 공간 값의 종속성을 정량화하고 정의할 수 있습니다.20.Gumiaux et al. 20은 지리통계학에서 베리오그램 평가가 (a) 데이터 상관관계의 척도 계산, (b) 데이터셋 차이의 이방성 식별 및 계산, (c) 국지적 효과와 분리된 측정 데이터의 내재적 오차를 고려하는 것 외에도 면적 효과를 추정하는 세 가지 원칙에 기반한다는 것을 추가로 보여줍니다. 이러한 개념을 바탕으로 지리통계학에서는 일반 크리깅, 코크리깅, 일반 크리깅, 경험적 베이지안 크리깅, 단순 크리깅 방법 및 기타 잘 알려진 보간 기법을 포함한 다양한 보간 기법을 사용하여 PTE, 토양 특성 및 토양 유형을 매핑하거나 예측합니다.
머신러닝 알고리즘(MLA)은 데이터 마이닝, 데이터 패턴 식별 등에 주로 사용되는 알고리즘을 기반으로 하여 더 큰 규모의 비선형 데이터 클래스를 활용하는 비교적 새로운 기술입니다. 토양 과학 및 반환 작업과 같은 과학 분야의 분류에 반복적으로 적용되어 왔습니다. Tan et al. 22(농업 토양의 중금속 추정을 위한 랜덤 포레스트), Sakizadeh et al. 23(서포트 벡터 머신과 인공 신경망을 이용한 토양 오염 모델링) 등 수많은 연구 논문에서 토양 내 유해 중금속(PTE) 예측을 위해 MLA 모델을 활용했습니다. 또한 Vega et al. 24(토양 내 중금속 보유 및 흡착 모델링을 위한 CART), Sun et al. 25(토양 내 카드뮴 분포에 대한 Cubist 적용) 및 k-최근접 이웃, 일반화 부스팅 회귀, 부스팅 회귀 트리와 같은 다른 알고리즘들도 토양 내 유해 중금속 예측에 MLA를 적용했습니다.
DSM 알고리즘을 예측 또는 매핑에 적용하는 데에는 여러 가지 어려움이 있습니다. 많은 연구자들은 MLA가 지리통계학보다 우수하다고 생각하며, 반대로 지리통계학이 MLA보다 우수하다고 생각합니다. 어느 한쪽이 더 나은 것은 아니지만, 두 가지를 결합하면 DSM에서 매핑 또는 예측의 정확도가 향상됩니다.15 Woodcock과 Gopal26, Finke27, Pontius와 Cheuk28, Grunwald29는 예측된 토양 매핑의 결함과 일부 오류에 대해 언급했습니다. 토양 과학자들은 DSM 매핑 및 예측의 효율성, 정확성 및 예측 가능성을 최적화하기 위해 다양한 기술을 시도해 왔습니다. 불확실성과 검증의 결합은 효율성을 최적화하고 결함을 줄이기 위해 DSM에 통합된 여러 측면 중 하나입니다. 그러나 Agyeman 등15은 지도 생성 및 예측으로 인해 발생하는 검증 동작과 불확실성을 독립적으로 검증하여 지도 품질을 향상시켜야 한다고 주장합니다. DSM의 한계는 지리적으로 분산된 토양 품질 때문이며, 이는 불확실성 요소를 포함합니다. 그러나 DSM의 불확실성은 공변량 오류, 모델 오류, 위치 오류 및 분석 오류 등 여러 오류 원인에서 비롯될 수 있습니다.31 MLA 및 지리통계학적 과정에서 발생하는 모델링 부정확성은 이해 부족과 관련되어 궁극적으로 실제 과정을 지나치게 단순화하는 결과를 초래합니다.32 모델링의 특성과 관계없이 부정확성은 모델링 매개변수, 수학적 모델 예측 또는 보간법에 기인할 수 있습니다.33 최근 지리통계학과 MLA를 매핑 및 예측에 통합하는 새로운 DSM 트렌드가 등장했습니다. Sergeev 등34, Subbotina 등35, Tarasov 등36 및 Tarasov 등37과 같은 여러 토양 과학자 및 연구자들은 지리통계학과 머신러닝의 정확성을 활용하여 예측 및 매핑 효율성을 향상시키는 하이브리드 모델을 개발했습니다. 품질. 이러한 하이브리드 또는 결합 알고리즘 모델 중 일부는 인공 신경망 크리깅(ANN-RK), 다층 퍼셉트론 잔차 크리깅(MLP-RK), 일반화 회귀 신경망 잔차 크리깅(GR-NNRK)36, 인공 신경망 크리깅-다층 퍼셉트론(ANN-K-MLP)37 및 코크리깅 및 가우시안 프로세스 회귀38입니다.
Sergeev et al.에 따르면, 다양한 모델링 기법을 결합하면 단일 모델을 개발하는 것보다 결함을 제거하고 결과적인 하이브리드 모델의 효율성을 높일 수 있는 잠재력이 있습니다. 이러한 맥락에서, 본 논문은 도시 및 도시 외곽 지역의 니켈(Ni) 농축을 예측하기 위한 최적의 하이브리드 모델을 생성하기 위해 지리통계학과 다중선형회귀(MLA)의 결합 알고리즘을 적용하는 것이 필요하다고 주장합니다. 본 연구는 경험적 베이지안 크리깅(EBK)을 기본 모델로 사용하고, 이를 서포트 벡터 머신(SVM) 및 다중선형회귀(MLR) 모델과 결합합니다. EBK와 MLA의 결합에 대한 연구는 아직 알려져 있지 않습니다. 기존에 사용된 여러 혼합 모델은 일반 크리깅, 잔차 크리깅, 회귀 크리깅 및 MLA의 조합입니다. EBK는 공간적으로 확률적인 과정을 활용하는 지리통계학적 보간법으로, 정의된 국소화 매개변수를 갖는 비정상/정상 확률장으로 국소화되어 공간적 변이를 허용합니다.39 EBK는 농경지 토양의 유기 탄소 분포 분석을 포함한 다양한 연구에 사용되어 왔습니다.40 토양 오염 평가41 및 토양 특성 지도 작성42.
한편, 자기조직화 그래프(SeOM)는 Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45, Kebonye et al.46 등의 다양한 논문에서 적용된 학습 알고리즘으로, 요소의 공간적 속성과 그룹화를 파악합니다. Wang et al.44는 SeOM이 비선형 문제를 그룹화하고 시각화하는 능력으로 잘 알려진 강력한 학습 기법이라고 설명합니다. 주성분 분석, 퍼지 클러스터링, 계층적 클러스터링, 다기준 의사결정과 같은 다른 패턴 인식 기법과 달리, SeOM은 PTE 패턴을 구성하고 식별하는 데 더 효과적입니다. Wang et al.44에 따르면, SeOM은 관련 뉴런의 분포를 공간적으로 그룹화하고 고해상도 데이터 시각화를 제공할 수 있습니다. SeOM은 Ni 예측 데이터를 시각화하여 결과를 직접적으로 해석할 수 있도록 최적의 모델을 도출합니다.
본 논문은 도시 및 도시 근교 토양의 니켈 함량을 예측하는 데 최적의 정확도를 갖춘 견고한 매핑 모델을 개발하는 것을 목표로 합니다. 혼합 모델의 신뢰성은 기본 모델에 결합된 다른 모델들의 영향에 크게 좌우된다고 가정합니다. DSM(디지털 공간 변이 모델)이 직면한 과제들을 인지하고 있으며, 이러한 과제들을 다방면으로 해결해 나가고 있지만, 지리통계학과 MLA(다중 선형 회귀) 모델의 발전은 점진적인 수준에 그치고 있습니다. 따라서 본 연구에서는 혼합 모델을 도출할 수 있는 연구 질문에 대한 해답을 제시하고자 합니다. 그러나 이 모델은 목표 원소를 얼마나 정확하게 예측하는가? 또한, 검증 및 정확도 평가를 기반으로 한 효율성 평가 수준은 어느 정도인가? 따라서 본 연구의 구체적인 목표는 (a) EBK(Electronic Beam Ketz)를 기본 모델로 사용하여 SVMR(Self-Variation Model Regression) 또는 MLR(다중 선형 회귀)에 대한 결합 혼합 모델을 개발하고, (b) 생성된 모델들을 비교하고, (c) 도시 또는 도시 근교 토양의 니켈 농도 예측에 가장 적합한 혼합 모델을 제안하고, (d) SeOM(Self-Early Modeling)을 적용하여 니켈 공간 변이의 고해상도 지도를 제작하는 것입니다.
본 연구는 체코 공화국, 특히 모라비아-실레시아 지역의 프라이데크 미스테크(Frydek Mistek) 지구에서 수행되고 있다(그림 1 참조). 연구 지역의 지형은 매우 험준하며, 대부분 카르파티아 산맥 외곽의 일부인 모라비아-실레시아 베스키디(Beskidy) 지역에 속한다. 연구 지역은 북위 49° 41′ 0′와 동경 18° 20′ 0′ 사이에 위치하며, 고도는 225m에서 327m 사이다. 하지만 쾨펜 기후 분류 체계에 따르면 이 지역은 Cfb(온대 해양성 기후)로 분류됩니다. 건기에도 강수량이 많습니다. 연중 기온은 -5°C에서 24°C 사이에서 큰 변화 없이 유지되며, -14°C 이하로 떨어지거나 30°C 이상으로 올라가는 경우는 드뭅니다. 연평균 강수량은 685mm에서 752mm 사이입니다. 전체 조사 면적은 약 1,208㎢이며, 이 중 경작지는 39.38%, 산림은 49.36%를 차지합니다. 본 연구에 사용된 면적은 약 889.8㎢입니다. 오스트라바와 그 주변 지역에서는 제철소와 금속 가공 산업이 매우 활발합니다. 금속 공장, 스테인리스강(예: 대기 부식 저항성) 및 합금강(니켈은 합금의 강도를 높이면서 연성과 인성을 유지함)에 니켈을 사용하는 제철소, 그리고 인산비료 사용과 같은 집약적 농업이 활발하게 이루어지고 있습니다. 가축 생산은 이 지역에서 니켈의 잠재적 공급원으로 연구되고 있습니다(예: 어린 양의 성장 속도를 높이기 위해 어린 양에게 니켈을 첨가하거나 저사료 소에 첨가하는 경우). 연구 지역에서 니켈의 다른 산업적 용도는 전기 도금, 특히 니켈 전기 도금 및 무전해 니켈 도금 공정에 사용되는 것을 포함합니다. 토양의 특성은 토양 색상, 구조 및 탄산염 함량으로 쉽게 구분할 수 있습니다. 토양 질감은 모암에서 유래한 중간 내지 세립질입니다. 토양은 콜루비알, 충적토 또는 풍성토입니다. 일부 토양 지역은 표토와 심토에 얼룩덜룩한 무늬가 나타나며, 종종 콘크리트화 및 탈색 현상이 관찰됩니다. 그러나 이 지역에서 가장 흔한 토양 유형은 캄비솔과 스태그노솔입니다.48 해발 455.1m에서 493.5m에 이르는 체코 공화국에서는 캄비솔이 지배적입니다.49
연구 지역 지도 [본 연구 지역 지도는 ArcGIS Desktop(ESRI, Inc., 버전 10.7, URL: https://desktop.arcgis.com)을 이용하여 제작되었습니다.]
프라이데크 미스테크 지역의 도시 및 도시 외곽 토양에서 총 115개의 표토 샘플을 채취했습니다. 샘플 채취 패턴은 2 × 2 km 간격으로 배치된 규칙적인 격자 형태였으며, 표토는 휴대용 GPS 장치(Leica Zeno 5 GPS)를 사용하여 0~20 cm 깊이에서 측정했습니다. 샘플은 지퍼백에 담아 적절하게 라벨을 부착한 후 실험실로 운송했습니다. 샘플은 공기 건조하여 분쇄한 후, 기계식 분쇄기(Fritsch 디스크 밀)로 다시 분쇄하고 2 mm 체로 걸렀습니다. 건조, 균질화 및 체질된 토양 샘플 1g을 라벨이 명확하게 부착된 테플론 병에 담았습니다. 각 테플론 용기에 35% HCl 7ml와 65% HNO3 3ml(자동 분배기 사용 - 각 산마다 1ml씩)를 넣고 뚜껑을 가볍게 덮은 후 하룻밤 동안 반응(왕수 프로그램)을 진행했습니다. 상등액을 가열된 금속판(온도: 100W, 160°C) 위에 2시간 동안 놓아 시료의 분해 과정을 촉진한 후 식힙니다. 상등액을 50ml 부피 플라스크로 옮기고 탈이온수로 50ml까지 희석합니다. 그 후, 희석된 상등액을 탈이온수가 담긴 50ml PVC 튜브에 여과합니다. 추가로, 희석액 1ml를 탈이온수 9ml로 희석하여 PTE 유사농축을 위해 준비된 12ml 튜브에 여과합니다. PTE(As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K)의 농도는 표준 방법 및 합의에 따라 ICP-OES(유도결합 플라즈마 광학 방출 분광법)(Thermo Fisher Scientific, USA)를 사용하여 측정합니다. 품질 보증 및 관리(QA/QC) 절차(SRM NIST)를 준수합니다. 본 연구에서는 검출 한계가 0.0004 미만인 PTE(유해 중금속)는 제외하였다. 본 연구에 사용된 PTE의 검출 한계는 0.0004였다. 또한, 각 분석의 품질 관리 및 품질 보증 과정은 표준 물질 분석을 통해 보장되었다. 오류를 최소화하기 위해 이중 분석을 실시하였다.
경험적 베이지안 크리깅(EBK)은 토양 과학과 같은 다양한 분야의 모델링에 사용되는 여러 지리통계학적 보간 기법 중 하나입니다. 다른 크리깅 보간 기법과 달리 EBK는 세미베리오그램 모델에서 추정된 오차를 고려한다는 점에서 기존 크리깅 방법과 차이가 있습니다. EBK 보간에서는 단일 세미베리오그램이 아닌 여러 개의 세미베리오그램 모델을 계산합니다. 이러한 보간 기법은 크리깅 방법에서 매우 복잡한 부분인 세미베리오그램 플로팅과 관련된 불확실성과 프로그래밍 문제를 해결합니다. EBK의 보간 과정은 Krivoruchko50가 제안한 세 가지 기준을 따릅니다. (a) 입력 데이터셋에서 세미베리오그램을 추정하고, (b) 생성된 세미베리오그램을 기반으로 각 입력 데이터셋 위치에 대한 새로운 예측값을 계산하며, (c) 시뮬레이션된 데이터셋에서 최종 모델을 계산합니다. 베이지안 방정식 규칙은 사후 확률로 주어집니다.
여기서 \(Prob\left(A\right)\)는 사전 확률을 나타내고, \(Prob\left(B\right)\) 주변 확률은 대부분의 경우 무시되며, \(Prob(B,A)\)로 표시됩니다. 세미베리오그램 계산은 베이즈 정리에 기반하며, 이는 세미베리오그램으로부터 생성될 수 있는 관측 데이터셋의 경향성을 보여줍니다. 세미베리오그램 값은 베이즈 정리를 사용하여 결정되며, 이는 세미베리오그램으로부터 관측 데이터셋을 생성할 가능성을 나타냅니다.
서포트 벡터 머신(SVM)은 동일하지만 선형적으로 독립적이지 않은 클래스를 구분하기 위해 최적의 분리 초평면을 생성하는 머신 러닝 알고리즘입니다. Vapnik51은 의도 분류 알고리즘을 개발했지만, 최근에는 회귀 중심 문제를 해결하는 데 사용되고 있습니다. Li et al.52에 따르면 SVM은 최고의 분류기 기법 중 하나이며 다양한 분야에서 사용되고 있습니다. 본 분석에서는 SVM의 회귀 구성 요소(서포트 벡터 머신 회귀 – SVMR)를 사용했습니다. Cherkassky와 Mulier53은 커널 기반 회귀로서 SVMR을 개척했으며, 다중 국가 공간 함수를 갖는 선형 회귀 모델을 사용하여 계산을 수행했습니다. John et al.54는 SVMR 모델링이 비선형 관계를 생성하고 공간 함수를 허용하는 초평면 선형 회귀를 사용한다고 보고했습니다. Vohland et al.에 따르면, 55, 엡실론(ε)-SVMR은 훈련된 데이터셋을 사용하여 상관관계가 있는 데이터에 대한 훈련에서 얻은 최적의 엡실론 편향을 이용하여 데이터를 독립적으로 매핑하는 데 적용되는 엡실론에 둔감한 함수로서의 표현 모델을 얻습니다. 미리 설정된 거리 오차는 실제 값에서 무시되며, 오차가 ε(ε)보다 큰 경우 토양 특성이 이를 보정합니다. 또한 이 모델은 훈련 데이터의 복잡성을 더 넓은 범위의 서포트 벡터로 줄입니다. Vapnik51이 제안한 방정식은 아래와 같습니다.
여기서 b는 스칼라 임계값, \(K\left({x}_{,}{ x}_{k}\right)\)는 커널 함수, \(\alpha\)는 라그랑주 승수, N은 수치 데이터셋, \({x}_{k}\)는 데이터 입력, \(y\)는 데이터 출력을 나타냅니다. 사용된 주요 커널 중 하나는 가우시안 방사 기저 함수(RBF)인 SVMR 연산입니다. RBF 커널은 최적의 SVMR 모델을 결정하는 데 사용되며, 이는 PTE 훈련 데이터에 대해 가장 미묘한 페널티 집합 계수 C와 커널 매개변수 감마(γ)를 얻는 데 중요합니다. 먼저 훈련 세트를 평가한 다음 검증 세트에서 모델 성능을 테스트했습니다. 사용된 스티어링 매개변수는 시그마(sigma)이고 메서드 값은 svmRadial입니다.
다중 선형 회귀 모델(MLR)은 최소 제곱법을 사용하여 계산된 선형 풀링 매개변수를 통해 반응 변수와 여러 예측 변수 간의 관계를 나타내는 회귀 모델입니다. MLR에서 최소 제곱 모델은 설명 변수를 선택한 후 토양 특성의 예측 함수입니다. 설명 변수와 반응 변수 간의 선형 관계를 설정하기 위해서는 반응 변수를 사용해야 합니다. PTE를 반응 변수로 사용하여 설명 변수와의 선형 관계를 설정했습니다. MLR 방정식은 다음과 같습니다.
여기서 y는 반응 변수, \(a\)는 절편, n은 예측 변수의 개수, \({b}_{1}\)는 계수의 부분 회귀, \({x}_{ i}\)는 예측 변수 또는 설명 변수를 나타내고, \({\varepsilon }_{i}\)는 모델의 오차(잔차라고도 함)를 나타냅니다.
혼합 모델은 EBK와 SVMR, MLR을 결합하여 얻었습니다. 이는 EBK 보간에서 예측값을 추출함으로써 이루어집니다. 보간된 Ca, K, Mg의 예측값은 조합 과정을 통해 CaK, CaMg, KMg와 같은 새로운 변수를 생성합니다. 그런 다음 Ca, K, Mg 원소를 결합하여 네 번째 변수인 CaKMg를 얻습니다. 최종적으로 얻은 변수는 Ca, K, Mg, CaK, CaMg, KMg, CaKMg입니다. 이러한 변수들은 도시 및 도시 근교 토양의 니켈 농도를 예측하는 데 사용되는 예측 변수가 됩니다. 예측 변수에 SVMR 알고리즘을 적용하여 혼합 모델인 경험적 베이지안 크리깅-서포트 벡터 머신(EBK_SVM)을 얻었습니다. 마찬가지로, 변수들을 MLR 알고리즘에 적용하여 혼합 모델인 경험적 베이지안 크리깅-다중 선형 회귀(EBK_MLR)를 얻었습니다. 일반적으로 Ca, K, Mg, Mg, CaK, CaMg, KMg 및 CaKMg는 도시 및 준도시 토양의 Ni 함량을 예측하는 공변량으로 사용됩니다. 가장 적합한 모델(EBK_SVM 또는 EBK_MLR)은 자기 조직화 그래프를 사용하여 시각화됩니다. 본 연구의 워크플로는 그림 2에 나와 있습니다.
SeOM은 금융, 의료, 산업, 통계, 토양 과학 등 다양한 분야에서 데이터를 정리, 평가 및 예측하는 데 널리 사용되는 도구가 되었습니다. SeOM은 인공 신경망과 비지도 학습 방법을 사용하여 데이터 정리, 평가 및 예측을 위해 만들어졌습니다. 본 연구에서는 도시 및 도시 근교 토양의 Ni 농도를 예측하는 데 가장 적합한 모델을 기반으로 SeOM을 사용하여 Ni 농도를 시각화했습니다. SeOM 평가에 사용된 데이터는 n개의 입력 차원 벡터 변수로 사용되었습니다.43,56 Melssen et al. 57번 문헌에서는 입력 벡터가 단일 입력 레이어를 통해 신경망에 연결되어 단일 가중치 벡터를 가진 출력 벡터로 이어지는 과정을 설명합니다. SeOM에서 생성된 출력은 서로 다른 뉴런 또는 노드가 근접성에 따라 육각형, 원형 ​​또는 정사각형의 위상 맵으로 구성된 2차원 맵입니다. 맵 크기를 측정 기준, 양자화 오류(QE) 및 위상 오류(TE)를 기준으로 비교했을 때, 각각 0.086과 0.904의 값을 갖는 SeOM 모델이 선택되었으며, 이는 55개의 맵 단위(5 × 11)에 해당합니다. 뉴런 구조는 경험적 방정식의 노드 수에 따라 결정됩니다.
본 연구에서 사용된 데이터 수는 115개 샘플입니다. 무작위 분할 방식을 사용하여 데이터를 테스트 데이터(검증용 25%)와 훈련 데이터 세트(보정용 75%)로 나누었습니다. 훈련 데이터 세트는 회귀 모델 생성(보정)에 사용되고, 테스트 데이터 세트는 일반화 능력 검증에 사용됩니다.58 이는 토양 내 니켈 함량 예측에 대한 다양한 모델의 적합성을 평가하기 위해 수행되었습니다. 사용된 모든 모델은 10겹 교차 검증 과정을 5회 반복하여 거쳤습니다. EBK 보간법으로 생성된 변수는 목표 변수(PTE)를 예측하기 위한 예측 변수 또는 설명 변수로 사용됩니다. 모델링은 RStudio에서 library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(“prospectr”) 및 libraries(“Metrics”) 패키지를 사용하여 수행되었습니다.
토양 내 니켈 농도를 예측하는 데 가장 적합한 모델을 결정하고 모델의 정확도와 검증을 평가하기 위해 다양한 검증 매개변수를 사용했습니다. 혼합 모델은 평균 절대 오차(MAE), 제곱근 평균 제곱 오차(RMSE), 결정계수(R²)를 사용하여 평가했습니다. R²는 회귀 모델로 표현되는 결과의 비율 분산을 나타냅니다. RMSE와 독립 측정값의 분산 크기는 모델의 예측력을 나타내는 반면, MAE는 실제 정량적 값을 결정합니다. 검증 매개변수를 사용하여 최적의 혼합 모델을 평가하려면 R² 값이 높아야 하며, 값이 1에 가까울수록 정확도가 높습니다. Li et al.59에 따르면 R² 기준값이 0.75 이상이면 좋은 예측기로 간주됩니다. RMSE와 MAE 검증 기준을 사용하여 모델을 선택할 때, 얻어진 값이 낮을수록 적절하며 최적의 선택으로 간주됩니다. 다음 방정식은 검증 방법을 설명합니다.
여기서 n은 관측값의 크기를 나타내고, \({Y}_{i}\)는 측정된 응답을 나타내며, \({\widehat{Y}}_{i}\)는 예측된 응답 값을 나타냅니다. 따라서 처음 i개의 관측값에 대해 다음과 같습니다.
예측 변수와 반응 변수의 통계적 설명은 표 1에 제시되어 있으며, 평균, 표준 편차(SD), 변동 계수(CV), 최소값, 최대값, 첨도 및 왜도를 보여줍니다. 원소들의 최소값과 최대값은 각각 Mg < Ca < K < Ni 및 Ca < Mg < K < Ni 순으로 감소합니다. 연구 지역에서 채취한 반응 변수(Ni)의 농도는 4.86~42.39 mg/kg 범위였습니다. Ni 농도를 세계 평균(29 mg/kg) 및 유럽 평균(37 mg/kg)과 비교한 결과, 연구 지역의 전체 기하 평균은 허용 범위 내에 있었습니다. 그러나 Kabata-Pendias¹¹의 연구에서 나타난 바와 같이, 본 연구의 평균 니켈(Ni) 농도를 스웨덴 농경지 토양의 평균 농도와 비교했을 때, 본 연구의 평균 니켈 농도가 더 높은 것으로 나타났습니다. 마찬가지로, 본 연구에서 도시 및 도시 근교 토양의 Frydek Mistek 평균 농도도 유사한 경향을 보였습니다. (Ni 16.15 mg/kg)은 Różański et al.이 보고한 폴란드 도시 토양의 니켈 허용 기준치인 60(10.2 mg/kg)보다 높았습니다. 또한 Bretzel과 Calderisi61은 토스카나 도시 토양에서 본 연구보다 훨씬 낮은 평균 니켈 농도(1.78 mg/kg)를 기록했습니다. Jim62 역시 홍콩 도시 토양에서 본 연구의 니켈 농도보다 낮은 니켈 농도(12.34 mg/kg)를 발견했습니다. Birke et al.63은 독일 작센안할트의 오래된 광산 및 도시 산업 지역에서 평균 니켈 농도가 17.6 mg/kg이라고 보고했는데, 이는 해당 지역의 평균 니켈 농도(16.15 mg/kg)보다 1.45 mg/kg 높은 수치입니다. 본 연구 지역의 일부 도시 및 교외 지역 토양에서 니켈 함량이 과도하게 높은 것은 주로 철강 산업과 금속 산업 때문인 것으로 추정됩니다. Khodadoust et al. 64의 연구와 일치하게 철강 산업과 금속 가공이 토양의 니켈 오염의 주요 원인입니다. 그러나 예측 변수는 Ca의 경우 538.70 mg/kg ~ 69,161.80 mg/kg, K의 경우 497.51 mg/kg ~ 3535.68 mg/kg, Mg의 경우 685.68 mg/kg ~ 5970.05 mg/kg 범위에 있었습니다. Jakovljevic et al. 65번 연구에서는 세르비아 중부 토양의 총 Mg 및 K 함량을 조사했습니다. 그들은 총 농도(각각 410mg/kg 및 400mg/kg)가 본 연구의 Mg 및 K 농도보다 낮다는 것을 발견했습니다. 마찬가지로 폴란드 동부에서 Orzechowski와 Smolczynski66는 총 Ca, Mg 및 K 함량을 평가하여 표토의 평균 농도가 Ca(1100mg/kg), Mg(590mg/kg) 및 K(810mg/kg)임을 보여주었습니다. 이 함량은 본 연구의 단일 원소 함량보다 낮습니다. Pongrac 등67의 최근 연구에서는 영국 스코틀랜드의 세 가지 토양(Mylnefield 토양, Balruddery 토양 및 Hartwood 토양)에서 분석한 총 Ca 함량이 본 연구보다 높다는 것을 보여주었습니다.
측정된 원소 농도가 서로 다르기 때문에, 원소 데이터 세트의 분포는 각기 다른 왜도와 첨도를 나타냅니다. 원소들의 왜도와 첨도는 각각 1.53~7.24와 2.49~54.16의 범위에 있습니다. 계산된 모든 원소의 왜도와 첨도는 +1 이상이므로, 데이터 분포는 불규칙적이고 우측으로 치우쳐 있으며 첨도가 높은 형태를 보입니다. 추정된 변동계수(CV)를 보면 K, Mg, Ni는 중간 정도의 변동성을 보이는 반면, Ca는 매우 높은 변동성을 나타냅니다. K, Ni, Mg의 변동계수는 이들의 균일한 분포를 설명합니다. 또한, Ca의 분포는 불균일하며 외부 요인이 Ca의 농축 수준에 영향을 미쳤을 가능성이 있습니다.
예측 변수와 반응 요소 간의 상관관계는 요소들 간에 만족스러운 상관관계를 나타냈다(그림 3 참조). 상관관계 분석 결과, CaK는 r 값 0.53으로 중간 정도의 상관관계를 보였고, CaNi도 마찬가지였다. Ca와 K는 서로 미미한 상관관계를 보이지만, Kingston 등 연구진은 다음과 같이 보고했다. 68번과 Santo69번 연구에서는 토양 내 칼슘과 마그네슘의 함량이 반비례 관계임을 시사합니다. 그러나 칼슘과 마그네슘은 칼륨과 길항 작용을 하지만, 칼슘과 칼륨은 높은 상관관계를 보입니다. 이는 탄산칼륨과 같이 칼륨 함량이 56% 더 높은 비료의 사용 때문일 수 있습니다. 칼륨은 마그네슘과 중간 정도의 상관관계(KM r = 0.63)를 나타냈습니다. 비료 산업에서는 황산칼륨마그네슘, 질산칼륨마그네슘, 칼륨염 등을 토양에 시용하여 이들 원소의 결핍을 보충하기 때문에 이 두 원소는 밀접한 관련이 있습니다. 니켈은 칼슘, 칼륨, 마그네슘과 각각 r 값이 0.52, 0.63, 0.55로 중간 정도의 상관관계를 보였습니다. 칼슘, 마그네슘, 니켈과 같은 중금속 간의 관계는 복잡하지만, 마그네슘은 칼슘 흡수를 억제하고, 칼슘은 과잉 마그네슘의 영향을 완화하며, 마그네슘과 칼슘 모두 토양 내 니켈의 독성 효과를 감소시키는 것으로 나타났습니다.
예측 변수와 반응 변수 간의 관계를 보여주는 요소별 상관 행렬 (참고: 이 그림에는 요소 간의 산점도가 포함되어 있으며, 유의 수준은 p < 0.001을 기준으로 합니다).
그림 4는 원소들의 공간 분포를 보여줍니다. Burgos et al.70에 따르면, 공간 분포 분석은 오염 지역의 오염 집중 지역(핫스팟)을 정량화하고 강조하는 데 사용되는 기술입니다. 그림 4에서 칼슘(Ca)의 농축 수준은 공간 분포 지도의 북서쪽 부분에서 확인할 수 있습니다. 이 그림은 중간에서 높은 수준의 칼슘 농축 핫스팟을 보여줍니다. 지도 북서쪽의 칼슘 농축은 토양 산성도를 낮추기 위해 생석회(산화칼슘)를 사용하고, 제철소에서 제강 공정 중 알칼리성 산소로 사용하기 때문일 가능성이 높습니다. 한편, 일부 농부들은 산성 토양의 pH를 중화하기 위해 수산화칼슘을 사용하는데, 이 또한 토양의 칼슘 함량을 증가시킵니다.71 칼륨(Pot) 또한 지도 북서쪽과 동쪽에서 핫스팟을 나타냅니다. 북서쪽은 주요 농업 지역이며, 중간에서 높은 수준의 칼륨 농도 패턴은 NPK 비료와 칼륨 비료 사용 때문일 수 있습니다. 이는 Madaras and Lipavský72, Madaras et al.73 등의 다른 연구 결과와 일치합니다. Pulkrabová et al.74, Asare et al.75는 토양 안정화와 KCl 및 NPK 처리로 인해 토양의 K 함량이 높아진다는 것을 관찰했습니다. 분포 지도의 북서쪽에서 나타나는 공간적 칼륨 농축은 염화칼륨, 황산칼륨, 질산칼륨, 칼륨염과 같은 칼륨계 비료를 사용하여 척박한 토양의 칼륨 함량을 증가시킨 결과일 수 있습니다. Zádorová et al.76 및 Tlustoš et al. 77번 문헌에서는 칼륨 기반 비료를 사용하면 토양의 칼륨 함량이 증가하고 장기적으로 토양 영양소 함량이 크게 증가하며, 특히 칼륨과 마그네슘이 토양에서 고농도로 나타나는 지역이 있다고 설명했습니다. 지도의 북서쪽과 남동쪽에 비교적 중간 정도의 고농도 지역이 있습니다. 토양 내 콜로이드 고정으로 인해 토양 내 마그네슘 농도가 감소합니다. 토양에 마그네슘이 부족하면 식물은 잎맥 사이가 노랗게 변하는 엽록소 결핍증을 나타냅니다. 황산칼륨마그네슘, 황산마그네슘, 키저라이트와 같은 마그네슘 기반 비료는 정상 pH 범위의 토양에서 마그네슘 결핍(식물이 보라색, 빨간색 또는 갈색으로 변하는 것은 마그네슘 결핍을 나타냄)을 치료합니다.6 도시 및 도시 주변 토양 표면에 니켈이 축적되는 것은 농업과 같은 인위적인 활동과 스테인리스강 생산에서 니켈의 중요성 때문일 수 있습니다.78
요소들의 공간 분포 [공간 분포 지도는 ArcGIS Desktop(ESRI, Inc, 버전 10.7, URL: https://desktop.arcgis.com)을 사용하여 생성되었습니다.]
본 연구에 사용된 원소들에 대한 모델 성능 지표 결과는 표 2에 제시되어 있다. 한편, Ni의 RMSE와 MAE는 모두 0에 가까운 값(RMSE 0.86, MAE -0.08)을 보였다. K의 RMSE와 MAE 값 또한 허용 가능한 수준이었다. 칼슘과 마그네슘의 경우 RMSE와 MAE 값이 더 컸는데, 이는 데이터 세트의 차이 때문으로 추정된다. 본 연구에서 EBK를 이용하여 Ni을 예측한 결과, John et al.54의 연구 결과(동일한 데이터를 사용하여 토양 내 S 농도를 예측하기 위해 시너지 크리깅을 사용한 연구)보다 RMSE와 MAE 값이 더 우수한 것으로 나타났다. 본 연구의 EBK 출력 결과는 Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81, John et al.82의 연구 결과와, 특히 K와 Ni에서 높은 상관관계를 보였다.
도시 및 도시 근교 토양의 니켈 함량 예측을 위한 개별 방법들의 성능은 모델 성능을 이용하여 평가하였다(표 3). 모델 검증 및 정확도 평가 결과, Ca_Mg_K 예측 변수와 EBK_SVMR 모델을 결합한 모델이 가장 우수한 성능을 보였다. Ca_Mg_K-EBK_SVMR 모델의 R², 제곱근 평균 오차(RMSE), 평균 절대 오차(MAE)는 각각 0.637(R²), 95.479 mg/kg(RMSE), 77.368 mg/kg(MAE)이었고, Ca_Mg_K-SVMR 모델은 각각 0.663(R²), 235.974 mg/kg(RMSE), 166.946 mg/kg(MAE)이었다. 그럼에도 불구하고, Ca_Mg_K-SVMR(0.663 mg/kg R²)과 Ca_Mg-EBK_SVMR 모델 모두 양호한 R² 값을 나타냈다. (0.643 = R2); RMSE와 MAE 결과는 Ca_Mg_K-EBK_SVMR(R2 0.637)보다 높았습니다(표 3 참조). 또한, Ca_Mg-EBK_SVMR 모델(RMSE = 1664.64, MAE = 1031.49)의 RMSE와 MAE는 각각 17.5와 13.4로, Ca_Mg_K-EBK_SVMR보다 큽니다. 마찬가지로, Ca_Mg-K SVMR 모델(RMSE = 235.974, MAE = 166.946)의 RMSE와 MAE는 Ca_Mg_K-EBK_SVMR보다 각각 2.5와 2.2 더 큽니다. 계산된 RMSE 결과는 데이터 세트가 최적 적합선에 얼마나 집중되어 있는지를 나타냅니다. 더 높은 RMSE와 MAE가 관찰되었습니다. Kebonye et al. 46 및 John et al. 54에 따르면 RMSE와 MAE가 0에 가까울수록 결과가 더 좋습니다. SVMR과 EBK_SVMR은 더 높은 양자화된 RMSE 및 MAE 값을 보였습니다. RMSE 추정치가 MAE 값보다 지속적으로 높게 나타나 이상치가 존재함을 시사했습니다. Legates와 McCabe83에 따르면 RMSE가 평균 절대 오차(MAE)를 초과하는 정도는 이상치의 존재를 나타내는 지표로 권장됩니다. 즉, 데이터 세트가 이질적일수록 MAE와 RMSE 값이 높아집니다. 도시 및 교외 토양의 Ni 함량을 예측하기 위한 Ca_Mg_K-EBK_SVMR 혼합 모델의 교차 검증 정확도는 63.70%였습니다. Li et al. 59에 따르면 이 수준의 정확도는 허용 가능한 모델 성능입니다. 본 연구 결과는 Tarasov et al.의 이전 연구와 비교되었습니다. 36번 연구에서는 하이브리드 모델인 MLPRK(다층 퍼셉트론 잔차 크리깅)를 생성했는데, 이는 본 연구에서 보고된 EBK_SVMR 정확도 평가 지표와 관련이 있으며, RMSE(210)와 MAE(167.5)는 본 연구의 결과(RMSE 95.479, MAE 77.368)보다 높았습니다. 그러나 본 연구의 R2(0.637)를 Tarasov et al.의 결과와 비교했을 때, 36(0.544)에서 알 수 있듯이, 이 혼합 모델의 결정계수(R²)가 더 높습니다. 혼합 모델의 오차범위(RMSE 및 MAE)(EBK SVMR)는 두 배 더 낮습니다. 마찬가지로 Sergeev et al.34는 개발된 하이브리드 모델(다층 퍼셉트론 잔차 크리깅)에 대해 0.28(R²)을 기록한 반면, 본 연구에서는 Ni에 대해 0.637(R²)을 기록했습니다. 이 모델(EBK SVMR)의 예측 정확도는 63.7%인 반면, Sergeev et al.34가 얻은 예측 정확도는 28%입니다. EBK_SVMR 모델과 Ca_Mg_K를 예측 변수로 사용하여 생성된 최종 지도(그림 5)는 연구 지역 전체에 걸쳐 니켈 농도가 높은 지역과 중간 농도의 지역을 예측합니다. 이는 연구 지역의 니켈 농도가 주로 중간 수준이며, 특정 지역에서는 농도가 더 높다는 것을 의미합니다.
최종 예측 지도는 하이브리드 모델 EBK_SVMR과 예측 변수로 Ca_Mg_K를 사용하여 나타냈습니다. [공간 분포 지도는 RStudio(버전 1.4.1717: https://www.rstudio.com/)를 사용하여 생성되었습니다.]
그림 6은 개별 뉴런으로 구성된 구성 평면으로서 PTE 농도를 나타냅니다. 구성 평면 중 어느 것도 그림에 표시된 것과 동일한 색상 패턴을 나타내지 않았습니다. 그러나 그려진 지도당 적절한 뉴런 수는 55개입니다. SeOM은 다양한 색상을 사용하여 생성되며, 색상 패턴이 유사할수록 샘플의 특성을 더 잘 비교할 수 있습니다. 정확한 색상 척도에 따라 개별 원소(Ca, K, Mg)는 단일 고차 뉴런 및 대부분의 저차 뉴런과 유사한 색상 패턴을 보였습니다. 따라서 CaK와 CaMg는 매우 높은 차수의 뉴런 및 저차에서 중간차의 색상 패턴과 유사성을 공유합니다. 두 모델 모두 빨강, 주황, 노랑과 같은 중간에서 높은 색조를 표시하여 토양 내 Ni 농도를 예측합니다. KMg 모델은 정확한 비율과 저차에서 중간차의 색상 패치를 기반으로 많은 고차 색상 패턴을 나타냅니다. 저차에서 고차까지의 정확한 색상 척도에서 모델 구성 요소의 평면 분포 패턴은 토양 내 니켈의 잠재적 농도를 나타내는 고차 색상 패턴을 보였습니다(그림 4 참조). CaKMg 모델 구성 평면은 다양한 색상 패턴을 보여줍니다. 정확한 색상 척도에 따라 낮은 값에서 높은 값으로 표시됩니다. 또한, 모델의 니켈 함량(CakMg) 예측은 그림 5에 나타난 니켈의 공간 분포와 유사합니다. 두 그래프 모두 도시 및 도시 외곽 토양에서 니켈 농도가 높음, 중간, 낮음의 비율로 나타남을 보여줍니다. 그림 7은 각 모델의 예측값을 기준으로 세 개의 클러스터로 나뉜 지도상의 k-평균 그룹화에서 등고선 방법을 나타냅니다. 등고선 방법은 최적의 클러스터 수를 나타냅니다. 수집된 115개의 토양 샘플 중 범주 1에 가장 많은 74개의 샘플이 포함되었습니다. 클러스터 2에는 33개의 샘플이, 클러스터 3에는 8개의 샘플이 포함되었습니다. 7개 구성 요소로 이루어진 평면 예측기 조합을 단순화하여 클러스터를 정확하게 해석할 수 있도록 했습니다. 토양 형성에 영향을 미치는 수많은 인위적 및 자연적 과정으로 인해 분포된 토양 유기물(SeOM) 지도에서 클러스터 패턴을 적절하게 구분하기는 어렵습니다.78
각 경험적 베이지안 크리깅 지원 벡터 머신(EBK_SVM_SeOM) 변수에 의해 출력된 구성 요소 평면입니다. [SeOM 맵은 RStudio(버전 1.4.1717: https://www.rstudio.com/)를 사용하여 생성되었습니다.]
서로 다른 클러스터 분류 구성 요소 [SeOM 맵은 RStudio(버전 1.4.1717: https://www.rstudio.com/)를 사용하여 생성되었습니다.]
본 연구는 도시 및 도시 근교 토양의 니켈 농도 예측을 위한 모델링 기법을 명확하게 제시합니다. 다양한 모델링 기법과 여러 요소들을 조합하여 토양 내 니켈 농도를 가장 정확하게 예측하는 방법을 모색했습니다. 모델링 기법의 SeOM 구성 평면 공간 특성은 정확한 색상 척도에서 낮은 농도에서 높은 농도로 갈수록 색상이 변하는 패턴을 보여 토양 내 니켈 농도를 나타냅니다. 공간 분포 지도는 EBK_SVMR 모델에서 나타나는 구성 요소들의 평면 공간 분포를 확인시켜 줍니다(그림 5 참조). 연구 결과, 서포트 벡터 머신 회귀 모델(Ca Mg K-SVMR)은 단일 모델로서 토양 내 니켈 농도를 예측할 수 있지만, 검증 및 정확도 평가 지표에서 RMSE와 MAE 값이 매우 높게 나타났습니다. 반면, EBK_MLR 모델을 사용한 모델링 기법 또한 결정계수(R²) 값이 낮아 정확도가 떨어지는 것으로 나타났습니다. EBK SVMR과 여러 요소를 결합한 모델(CaKMg)을 사용했을 때 RMSE와 MAE 값이 낮고 정확도가 높은 양호한 결과를 얻었습니다. 63.7%. EBK 알고리즘과 머신러닝 알고리즘을 결합하면 토양 내 유해 중금속(PTE) 농도를 예측할 수 있는 하이브리드 알고리즘을 생성할 수 있음이 밝혀졌습니다. 연구 결과, Ca, Mg, K를 예측 변수로 사용하여 연구 지역의 토양 내 Ni 농도를 예측하면 예측 정확도가 향상되는 것으로 나타났습니다. 이는 니켈 기반 비료의 지속적인 사용과 철강 산업으로 인한 토양 오염이 토양 내 니켈 농도를 증가시키는 경향이 있음을 의미합니다. 본 연구는 EBK 모델이 도시 또는 도시 근교 토양의 공간 분포 모델에서 오차 수준을 줄이고 정확도를 향상시킬 수 있음을 보여줍니다. 따라서, 본 연구에서는 EBK-SVMR 모델을 토양 내 유해 중금속 평가 및 예측에 적용할 것을 제안하며, EBK를 다양한 머신러닝 알고리즘과 결합하여 사용할 것을 제안합니다. Ni 농도는 이러한 원소들을 공변량으로 사용하여 예측되었습니다. 하지만 더 많은 공변량을 사용하면 모델 성능이 크게 향상될 수 있는데, 이는 본 연구의 한계점으로 볼 수 있습니다. 또한, 데이터셋의 개수가 115개에 불과하다는 점도 본 연구의 한계입니다. 따라서 더 많은 데이터가 제공된다면 제안된 최적화된 하이브리드화 방법의 성능을 향상시킬 수 있을 것입니다.
PlantProbs.net.식물과 토양의 니켈 https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021년 4월 28일 접속).
Kasprzak, KS 니켈은 현대 환경 독성학의 발전을 이끌고 있습니다. 주변 환경 독성학. 11, 145–183 (1987).
Cempel, M. & Nikel, G. 니켈: 그 출처와 환경 독성에 대한 검토. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC 캐나다 온타리오주 서드베리의 니켈-구리 제련소 근처 토양 및 식물에 축적되는 대기 오염물질.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.보츠와나의 Selebi-Phikwe 구리-니켈 광산 근처 토양, 식물의 중금속 및 방목하는 반추동물과 관련된 위험.주변환경.지구화학.건강 https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. 토양 및 식물의 미량 원소… – 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= (2020년 11월 24일 접속).
Almås, A., Singh, B., 농업, TS-NJ 및 1995, 미정.노르웨이 Soer-Varanger의 농경지 토양 및 풀의 중금속 농도에 대한 러시아 니켈 산업의 영향.agris.fao.org.
Nielsen, GD et al. 음용수에서의 니켈 흡수 및 보유는 음식 섭취 및 니켈 민감도와 관련이 있습니다. 독성학. 응용. 약동학. 154, 67–75 (1999).
Costa, M. & Klein, CB 니켈 발암, 돌연변이, 후성유전학 또는 선택.주변환경.건강관점.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; 잠재적 독성 원소의 추세 분석: 문헌 계량학적 검토. 환경 지구화학 및 건강. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB 디지털 토양 매핑: 간략한 역사 및 몇 가지 교훈. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. 디지털 토양 매핑.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV 지리통계학적 저수지 모델링,… – Google 학술 검색 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= (2021년 4월 28일 접속).