Spas ji bo serdana Nature.com. Guhertoya geroka ku hûn bikar tînin piştgiriya CSS-ê bi sînor e. Ji bo ezmûna çêtirîn, em pêşniyar dikin ku hûn gerokek nûvekirî bikar bînin (an jî moda lihevhatinê di Internet Explorer-ê de vemirînin). Di vê navberê de, ji bo ku piştgiriya berdewam misoger bikin, em ê malperê bêyî şêwaz û JavaScript-ê nîşan bidin.
Qirêjiya axê pirsgirêkek mezin e ku ji ber çalakiyên mirovan çêdibe. Belavbûna fezayî ya hêmanên potansiyel jehrîn (PTE) li piraniya deverên bajarî û derdora bajarî diguhere. Ji ber vê yekê, pêşbînîkirina naveroka PTE di van axan de dijwar e. Bi tevahî 115 nimûne ji Frydek Mistek li Komara Çek hatin wergirtin. Têkeliyên kalsiyûm (Ca), magnezyûm (Mg), potasyûm (K) û nîkel (Ni) bi karanîna spektrometriya emîsyona plazmaya bi enduksîyonê ve girêdayî hatin destnîşankirin. Guhêrbarê bersivê Ni ye û pêşbînîker Ca, Mg, û K ne. Matrîksa korelasyonê di navbera guhêrbarê bersivê û guhêrbarê pêşbînîker de korelasyonek têrker di navbera hêmanan de nîşan dide. Encamên pêşbînîkirinê nîşan dan ku Regresyona Makîneya Vektora Piştgiriyê (SVMR) baş performans kir, her çend xeletiya wê ya navînî ya çargoşeyî ya texmînkirî (RMSE) (235.974 mg/kg) û xeletiya navînî ya mutleq (MAE) (166.946 mg/kg) ji rêbazên din ên hatine sepandin bilindtir bûn. Modelên tevlihev ji bo Regresyona Xêzik a Pirjimar a Bayesian a Empirîkî (EBK-MLR) xirab performans dikin, wekî ku ji hêla ve hatî îsbat kirin. katsayiyên diyarkirinê ji 0.1 kêmtir in. Modela Regresyona Makîneya Vektor a Piştgiriyê ya Kriging a Bayesian a Empirîkî (EBK-SVMR) modela çêtirîn bû, bi nirxên RMSE (95.479 mg/kg) û MAE (77.368 mg/kg) nizm û katsayiya diyarkirinê ya bilind (R2 = 0.637). Derana teknîka modelkirinê ya EBK-SVMR bi karanîna nexşeyek xwerêxistinkirinê tê xuyang kirin. Nêronên komkirî di plana pêkhateya modela hîbrîd CakMg-EBK-SVMR de gelek şêwazên rengîn nîşan didin ku konsantrasyonên Ni di axên bajarî û derdora bajarî de pêşbînî dikin. Encam nîşan didin ku hevgirtina EBK û SVMR teknîkek bi bandor e ji bo pêşbînîkirina konsantrasyonên Ni di axên bajarî û derdora bajarî de.
Nîkel (Ni) ji bo nebatan wekî mîkronutrîyek tê hesibandin ji ber ku ew beşdarî girêdana nîtrojena atmosferîk (N) û metabolîzma ureayê dibe, ku her du jî ji bo şînbûna tovan hewce ne. Ji bilî beşdariya wê di şînbûna tovan de, Ni dikare wekî astengkerek fungî û bakterî tevbigere û pêşveçûna nebatan pêşve bibe. Kêmbûna nîkelê di axê de dihêle ku nebat wê bihelîne, ku di encamê de kloroza pelan çêdibe. Mînakî, nok û fasûliyên kesk ji bo baştirkirina girêdana nîtrojenê hewceyê sepandina gubreyan li ser bingeha nîkelê ne2.Sepandina berdewam a gubreyan li ser bingeha nîkelê ji bo dewlemendkirina axê û zêdekirina şiyana legumanan ji bo girêdana nîtrojenê di axê de bi berdewamî rêjeya nîkelê di axê de zêde dike.Her çend nîkel ji bo nebatan mîkronutrîyek be jî, vexwarina wê ya zêde di axê de dikare ji sûdê bêtir zirarê bide.Jehrîbûna nîkelê di axê de pH-ya axê kêm dike û astengiya wergirtina hesinê wekî xurekek bingehîn ji bo mezinbûna nebatan1.Li gorî Liu3, Ni wekî hêmana girîng a 17-an a ku ji bo pêşkeftin û mezinbûna nebatan hewce ye hatiye dîtin.Ji bilî rola nîkelê di pêşkeftin û mezinbûna nebatan de, mirov ji bo cûrbecûr serîlêdanan hewceyê wê ne.Elektroplatkirin, hilberîna alavên li ser bingeha nîkelê, û çêkirina alavên pêxistinê û buxçikan di pîşesaziya otomobîlan de hemî hewceyê karanîna nîkelê di sektorên pîşesaziyê yên cûrbecûr de dike. Wekî din, alloyên li ser bingeha nîkelê û tiştên elektroplatkirî bi berfirehî di amûrên metbexê, aksesûarên salona dansê, pêdiviyên pîşesaziya xwarinê, elektrîkê, têl û kabloyê, turbînên jet, împlantên cerrahî, tekstîl û çêkirina keştiyan de hatine bikar anîn5. Asta dewlemend a Nî di axê de (ango, axên rûyê erdê) hem ji çavkaniyên antropojenîk û hem jî ji çavkaniyên xwezayî ve hatî veqetandin, lê di serî de, Nî çavkaniyek xwezayî ye ne ku antropojenîk4,6. Çavkaniyên xwezayî yên nîkelê teqînên volkanîk, nebatan, şewatên daristanan û pêvajoyên jeolojîk in; lêbelê, çavkaniyên antropojenîk bataryayên nîkel/kadmiyûmê di pîşesaziya pola, elektroplatkirin, kaynakirina kevanê, mazot û rûnên sotemeniyê, û emisyonên atmosferîk ji şewitandina komirê û şewitandina bermayiyan û çamûrê de kombûna nîkelê7,8 vedihewîne. Li gorî Freedman û Hutchinson9 û Manyiwa et al. 10, çavkaniyên sereke yên qirêjiya axa jorîn li jîngeha nêzîk û cîran bi giranî kargehên helandinê û madenên li ser bingeha nîkel-sifir in. Axa jorîn a li dora rafineriya nîkel-sifir a Sudbury li Kanadayê xwedî asta herî bilind a qirêjiya nîkelê bû bi 26,000 mg/kg11. Berevajî vê, qirêjiya ji ber hilberîna nîkelê li Rûsyayê bûye sedema rêjeyên nîkelê yên bilindtir li axa Norwêcê11. Li gorî Alms et al. 12, mîqdara nîkelê ku ji HNO3 tê derxistin di erdê çandiniyê yê herî bilind ê herêmê de (hilberîna nîkelê li Rûsyayê) ji 6.25 heta 136.88 mg/kg diguhere, ku bi navînî 30.43 mg/kg û rêjeya bingehîn 25 mg/kg re têkildar e. Li gorî kabata 11, sepandina gubreya fosforê li axên çandiniyê yên li axên bajarî an derdora bajarî di demsalên çandiniyê yên li pey hev de dikare axê tevlihev bike an jî qirêj bike. Bandorên potansiyel ên nîkelê li ser mirovan dikarin bi rêya mutagenezê, zirara kromozomal, çêbûna Z-DNA, tamîrkirina rakirina DNA-ya astengkirî, an pêvajoyên epîgenetîk bibin sedema penceşêrê13. Di ceribandinên heywanan de, nîkel hatiye dîtin ku potansiyela çêkirina cûrbecûr tumoran heye, û kompleksên nîkelê yên kanserojenîk dikarin tumorên weha xirabtir bikin.
Nirxandinên qirêjbûna axê di demên dawî de ji ber rêzek berfireh a pirsgirêkên tenduristiyê yên ku ji têkiliyên ax-nebat, ax û têkiliyên biyolojîkî yên axê, hilweşîna ekolojîk û nirxandina bandora jîngehê derdikevin holê, geş bûne. Heta niha, pêşbîniya fezayî ya hêmanên potansiyel jehrîn (PTE) yên wekî Ni di axê de bi karanîna rêbazên kevneşopî dijwar û demdirêj bûye. Derketina holê ya nexşeya axê ya dîjîtal (DSM) û serkeftina wê ya niha15 nexşeya pêşbînîkirî ya axê (PSM) pir baştir kiriye. Li gorî Minasny û McBratney16, nexşeya pêşbînîkirî ya axê (DSM) îspat kiriye ku dîsîplînek girîng a zanista axê ye. Lagacherie û McBratney, 2006 DSM wekî "afirandin û dagirtina pergalên agahdariya axê ya fezayî bi karanîna rêbazên çavdêriya di cîh û laboratîfê de û pergalên texmînkirina axê yên fezayî û ne-fezayî" pênase dikin. McBratney û yên din. 17 destnîşan dikin ku DSM an PSM ya hemdem teknîka herî bibandor e ji bo pêşbînîkirin an nexşekirina belavbûna fezayî ya PTE, celebên axê û taybetmendiyên axê. Algorîtmayên Jeoîstatîstîk û Fêrbûna Makîneyê (MLA) teknîkên modelkirina DSM ne ku nexşeyên dîjîtal bi alîkariya komputeran bi karanîna daneyên girîng û kêmtirîn diafirînin.
Deutsch18 û Olea19 jeoîstatîstîkê wekî "berhevoka teknîkên hejmarî yên ku bi temsîlkirina taybetmendiyên fezayî re mijûl dibin, bi giranî modelên stokastîk bikar tînin, wekî mînak analîza rêzenivîsa demê çawa daneyên demkî diyar dike." Di serî de, jeoîstatîstîk nirxandina varyograman vedihewîne, ku dihêle hûn girêdayîbûna nirxên fezayî ji her komek daneyan bihejmêrin û diyar bikin20. Gumiaux et al. 20 bêtir nîşan didin ku nirxandina varyograman di jeoîstatîstîkê de li ser sê prensîban e, di nav de (a) hesabkirina pîvana têkiliya daneyan, (b) destnîşankirin û hesabkirina anîzotropiyê di newekheviya daneyan de û (c) ji bilî berçavgirtina xeletiya xwerû ya daneyên pîvandinê yên ji bandorên herêmî veqetandî, bandorên deverê jî têne texmîn kirin. Li ser bingeha van têgehan, gelek teknîkên interpolasyonê di jeoîstatîstîkê de têne bikar anîn, di nav de kriging giştî, hev-kriging, kriging asayî, kriging Bayesian a empîrîk, rêbaza kriging sade û teknîkên din ên interpolasyonê yên navdar ji bo nexşekirin an pêşbînîkirina PTE, taybetmendiyên axê û celebên axê.
Algorîtmayên Fêrbûna Makîneyê (MLA) teknîkek nisbeten nû ye ku çînên daneyên ne-xêzik ên mezintir bikar tîne, ku ji hêla algorîtmayên ku bi giranî ji bo kolandina daneyan, destnîşankirina qalibên di daneyan de têne bikar anîn, û bi dubare ji bo dabeşkirinê di warên zanistî yên wekî zanista axê û peywirên vegerê de têne sepandin, ve têne xurt kirin. Gelek gotarên lêkolînê ji bo pêşbînîkirina PTE di axê de li ser modelên MLA-yê disekinin, wek Tan et al. 22 (daristanên rasthatî ji bo texmîna metalên giran di axên çandiniyê de), Sakizadeh et al. 23 (modelkirin bi karanîna makîneyên vektor ên piştgirî û torên neural ên sûnî) qirêjiya axê). Wekî din, Vega et al. 24 (CART ji bo modelkirina ragirtin û adsorpsiyona metalên giran di axê de) Sun et al. 25 (serlêdana kubîst belavkirina Cd di axê de ye) û algorîtmayên din ên wekî k-cîranê herî nêzîk, regresyona zêdekirî ya giştî, û regresyona zêdekirî Dar jî MLA-yê ji bo pêşbînîkirina PTE di axê de bikar anîn.
Bikaranîna algorîtmayên DSM di pêşbînîkirin an nexşekirinê de bi çend pirsgirêkan re rû bi rû ye. Gelek nivîskar bawer dikin ku MLA ji jeoîstatîstîkê çêtir e û berevajî vê. Her çend yek ji ya din çêtir be jî, tevlîheviya herduyan asta rastbûna nexşekirin an pêşbîniyê di DSM15 de baştir dike.Woodcock û Gopal26 Finke27; Pontius û Cheuk28 û Grunwald29 li ser kêmasî û hin xeletiyên di nexşekirina axê ya pêşbînîkirî de şîrove dikin.Zanyarên axê gelek teknîk ceribandine da ku bandor, rastbûn û pêşbînîkirina nexşekirin û pêşbîniya DSM-ê baştir bikin.Têkeliya nezelaliyê û verastkirinê yek ji gelek aliyên cûda ye ku di DSM-ê de hatine entegre kirin da ku bandorkeriyê baştir bikin û kêmasiyan kêm bikin.Lêbelê, Agyeman û yên din15 destnîşan dikin ku tevgera pejirandinê û nezelaliya ku ji hêla afirandin û pêşbîniya nexşeyê ve hatî destnîşan kirin divê bi serbixwe were pejirandin da ku kalîteya nexşeyê baştir bike.Sînorkirinên DSM-ê ji ber kalîteya axê ya bi erdnîgarî belavbûyî ne, ku pêkhateyek nezelaliyê vedihewîne; lêbelê, nebûna teqeziyê di DSM de dibe ku ji gelek çavkaniyên xeletiyê derkeve, ango xeletiya hevguherbar, xeletiya modelê, xeletiya cih, û xeletiya analîtîk 31. Nerastiyên modelkirinê yên ku di MLA û pêvajoyên jeoîstatîstîkî de çêdibin bi nebûna têgihîştinê ve girêdayî ne, ku di dawiyê de dibe sedema hêsankirina zêde ya pêvajoya rastîn 32. Bêyî ku cewhera modelkirinê çi be, nerastî dikarin bi parametreyên modelkirinê, pêşbîniyên modela matematîkî, an jî interpolasyonê ve werin girêdan 33. Di demên dawî de, meyleke nû ya DSM derketiye holê ku entegrasyona jeoîstatîstîk û MLA di nexşe û pêşbîniyê de pêş dixe. Çend zanyar û nivîskarên axê, wekî Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 û Tarasov et al. 37, ji kalîteya rast a jeoîstatîstîk û fêrbûna makîneyê sûd wergirtine da ku modelên hîbrîd çêbikin ku bandora pêşbîniyê û nexşekirinê baştir dikin. qalîte. Hin ji van modelên algorîtmayên hîbrîd an jî yên hevgirtî Kriging a Tora Neural a Artificial (ANN-RK), Kriging a Bermayî ya Perceptronên Pirqatî (MLP-RK), Kriging a Bermayî ya Tora Neural a Regresyonî ya Giştî (GR-NNRK)36, Kriging a Tora Neural a Artificial-Perceptronên Pirqatî (ANN-K-MLP)37 û Hev-Kriging û Regresyon a Pêvajoya Gaussî38 ne.
Li gorî Sergeev û hevkarên wî, hevgirtina teknîkên cûrbecûr ên modelkirinê xwedî potansiyela ji holê rakirina kêmasiyan û zêdekirina karîgeriya modela hîbrîd a encam e, li şûna pêşxistina modela wê ya yekane. Di vê çarçoveyê de, ev gotara nû arguman dike ku pêdivî ye ku algorîtmayek hevbeş a jeoîstatîstîk û MLA were sepandin da ku modelên hîbrîd ên çêtirîn werin afirandin da ku dewlemendkirina Ni li deverên bajarî û derdora bajarî pêşbînî bikin. Ev lêkolîn dê li ser Kriging Bayesian a Empirîkî (EBK) wekî modela bingehîn bisekine û wê bi modelên Makîneya Vektor a Piştgiriyê (SVM) û Regresyona Xêzik a Pirjimar (MLR) re tevlihev bike. Hîbrîdasyona EBK bi her MLA nayê zanîn. Modelên pirjimar ên tevlihev ên ku têne dîtin kombînasyonên kriginga asayî, mayî, regresyonê ne, û MLA.EBK rêbazek interpolasyona jeoîstatîstîkî ye ku pêvajoyek stokastîk a cîhî bikar tîne ku wekî zeviyek rasthatî ya ne-stasyonî/stasyonî bi parametreyên herêmî yên diyarkirî li ser zeviyê tê herêmî kirin, ku destûrê dide guherîna cîhî39.EBK di gelek lêkolînan de hatiye bikar anîn, di nav de analîzkirina belavbûna karbona organîk di axên çandiniyê40, nirxandina qirêjiya axê41 û nexşeya taybetmendiyên axê42.
Ji aliyekî din ve, Grafîka Xwerêxistinkirinê (SeOM) algorîtmayek fêrbûnê ye ku di gelek gotaran de wekî Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 û Kebonye et al. 46 hatiye sepandin. Taybetmendiyên cîhî û komkirina hêmanan diyar dike. Wang et al. 44 destnîşan dike ku SeOM teknîkek fêrbûnê ya bihêz e ku bi şiyana xwe ya komkirin û xeyalkirina pirsgirêkên ne-xêzik tê zanîn. Berevajî teknîkên din ên naskirina şablonan wekî analîza pêkhateya sereke, komkirina fuzzy, komkirina hiyerarşîk, û biryardana pir-krîterî, SeOM di rêxistinkirin û destnîşankirina şablonên PTE de çêtir e. Li gorî Wang et al. 44, SeOM dikare belavkirina neuronên têkildar bi cîhî kom bike û dîtbarîkirina daneyên çareseriya bilind peyda bike. SeOM dê daneyên pêşbîniya Ni dîtbarî bike da ku modela çêtirîn bi dest bixe da ku encaman ji bo şîrovekirina rasterast diyar bike.
Ev gotar armanc dike ku modelek nexşerêyê ya bihêz bi rastbûna çêtirîn ji bo pêşbînîkirina naveroka nîkelê di axên bajarî û derdora bajarî de çêbike. Em texmîn dikin ku pêbaweriya modela tevlihev bi giranî bi bandora modelên din ên bi modela bingehîn ve girêdayî ye. Em dijwarîyên ku DSM pê re rû bi rû ye qebûl dikin, û her çend ev dijwarî li ser gelek eniyan têne çareser kirin jî, tevliheviya pêşketinên di jeoîstatîstîk û modelên MLA de xuya dike ku zêde dibe; ji ber vê yekê, em ê hewl bidin ku bersiva pirsên lêkolînê yên ku dibe ku modelên tevlihev derxînin bidin. Lêbelê, model çiqas rast e di pêşbînîkirina hêmana hedef de? Her weha, asta nirxandina karîgeriyê li ser bingeha pejirandin û nirxandina rastbûnê çi ye? Ji ber vê yekê, armancên taybetî yên vê lêkolînê ev bûn: (a) afirandina modelek tevlihev a hevbeş ji bo SVMR an MLR bi karanîna EBK wekî modela bingehîn, (b) berawirdkirina modelên encam (c) pêşniyarkirina modela tevlihev a çêtirîn ji bo pêşbînîkirina konsantrasyonên Ni di axên bajarî an derdora bajarî de, û (d) sepandina SeOM ji bo afirandina nexşeyek çareseriya bilind a guherîna fezayî ya nîkel.
Ev lêkolîn li Komara Çek, bi taybetî li navçeya Frydek Mistek li herêma Moravia-Silesia (li Wêne 1 binêre) tê kirin. Erdnîgariya herêma lêkolînê pir dijwar e û bi piranî beşek ji herêma Beskidy ya Moravia-Silesia ye, ku beşek ji qiraxa derve ya Çiyayên Karpatî ye. Herêma lêkolînê di navbera 49° 41′ 0′ N û 18° 20′ 0′ E de ye, û bilindahî di navbera 225 û 327 m de ye; lêbelê, pergala dabeşkirina Koppen ji bo rewşa avhewayî ya herêmê wekî Cfb = avhewaya nerm a okyanûsî tê nirxandin. Tewra di mehên hişk de jî gelek baran dibare. Germahî di seranserê salê de di navbera −5 °C û 24 °C de hinekî diguhere, kêm caran ji −14 °C an jî ji 30 °C jortir dikeve, lê barîna navînî ya salane di navbera 685 û 752 mm47 de ye. Qada lêkolînê ya texmînkirî ya tevahiya herêmê 1,208 kîlometre çargoşe ye, ku 39.38% ji erdê çandiniyê û 49.36% ji daristanê pêk tê. Ji hêla din ve, qada ku di vê lêkolînê de hatî bikar anîn nêzîkî 889.8 kîlometre çargoşe ye. Li Ostrava û derdora wê, pîşesaziya pola û kargehên metal pir çalak in. Kargehên metal, pîşesaziya pola ku nîkel tê de di pola zengarnegir de tê bikar anîn (mînak ji bo berxwedana li hember korozyona atmosferîk) û pola hevbendiyê (nîkel hêza hevbendiyê zêde dike dema ku nermbûn û hişkbûna wê ya baş diparêze), û çandiniya dijwar wekî sepandina gubreya fosfatê û hilberîna heywanan çavkaniyên potansiyel ên lêkolînê yên nîkelê li herêmê ne. (mînak, zêdekirina nîkelê li berxan ji bo zêdekirina rêjeyên mezinbûnê di berx û dewarên kêm-xwarin de). Bikaranînên din ên pîşesaziyê yên nîkelê di warên lêkolînê de karanîna wê di elektroplatkirinê de, di nav de elektroplatkirina nîkelê û pêvajoyên elektroplatkirina nîkelê ye. Taybetmendiyên axê bi hêsanî ji rengê axê, avahî û naveroka karbonatê têne cûdakirin. Tekstûra axê navîn heta nazik e, ji materyalê dêûbav tê wergirtin. Ew bi xwezayê koluvîyal, aluvîyal an aeolî ne. Hin deverên axê li ser rûyê erdê û binê axê xalxalî xuya dikin, pir caran bi beton û spîkirinê. Lêbelê, kambîsol û stagnosol celebên axê yên herî gelemperî li herêmê ne48. Bi bilindahiyên ji 455.1 heta 493.5 m, kambîsol li Komara Çek serdest in49.
Nexşeya herêma lêkolînê [Nexşeya herêma lêkolînê bi karanîna ArcGIS Desktop (ESRI, Inc, guhertoya 10.7, URL: https://desktop.arcgis.com) hatiye çêkirin.]
Bi tevahî 115 nimûneyên axa jorîn ji axên bajarî û derdora bajarî yên navçeya Frydek Mistek hatin wergirtin. Şêweya nimûneyê ya ku hat bikaranîn toreke rêkûpêk bû ku nimûneyên axê 2 × 2 km ji hev dûr bûn, û axa jorîn di kûrahiya 0 heta 20 cm de bi karanîna amûrek GPS-ê ya destan (Leica Zeno 5 GPS) hat pîvandin. Nimûne di kîsikên Ziploc de tên pakkirin, bi awayekî rast tên nîşankirin û ji laboratûarê re tên şandin. Nimûne ji bo hilberandina nimûneyên tozkirî di hewayê de tên hişkkirin, bi pergala mekanîkî (aşê dîskê Fritsch) tên tozkirin û tên parzûnkirin (mezinahiya parzûnê 2 mm). 1 gram nimûneyên axê yên hişkkirî, homojenkirî û parzûnkirî di şûşeyên teflonê yên bi nîşanek zelal de bi cîh bikin. Di her konteynera Teflonê de, 7 ml ji %35 HCl û 3 ml ji %65 HNO3 (bi karanîna belavkerek otomatîk - yek ji bo her asîdê) belav bikin, bi sivikî bigirin û bihêlin nimûne tevahiya şevê ji bo reaksiyonê bisekinin (bernameya aqua regia). Sermayê li ser plakaya metal a germ bi cîh bikin (germahî: 100 W û 160 °C) bo 2 demjimêran ji bo hêsankirina pêvajoya helandina nimûneyan, paşê sar bikin. Sermayê veguhezînin firaxek volûmetrîk a 50 ml û bi ava deîyonîze heta 50 ml têkel bikin. Piştî vê yekê, sermayê têkelkirî têxin nav lûleyek PVC ya 50 ml bi ava deîyonîzekirî. Wekî din, 1 ml ji çareseriya têkelkirinê bi 9 ml ava deîyonîzekirî têkel kirin û têxin nav lûleyek 12 ml ku ji bo konsantrasyona pseudo ya PTE hatî amadekirin. Konsantrasyonên PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) li gorî rêbazên standard û rêkeftinê bi ICP-OES (Spektroskopiya Weşandina Optîkî ya Plazmaya Bi Enduktîf ve Girêdayî) (Thermo Fisher Scientific, USA) hatin destnîşankirin. Prosedûrên Piştrastkirin û Kontrolkirina Kalîteyê (QA/QC) misoger bikin (SRM NIST 2711a Montana II Soil). PTE-yên bi sînorên tespîtkirinê yên di bin nîvê de ji vê lêkolînê hatin derxistin. Sînorê tespîtkirinê ya PTE-yê ku di vê lêkolînê de hatî bikar anîn 0.0004 bû.(tu). Wekî din, pêvajoya kontrolkirin û misogerkirina kalîteyê ji bo her analîzê bi analîzkirina standardên referansê ve tê misoger kirin. Ji bo ku xeletî kêmtirîn bibin, analîzek ducarî hate kirin.
Kriging Bayesian a Empirîkî (EBK) yek ji gelek teknîkên interpolasyona jeostatîstîkî ye ku di modelkirinê de di warên cihêreng ên wekî zanista axê de tê bikar anîn. Berevajî teknîkên din ên interpolasyona kriging, EBK ji rêbazên kriging ên kevneşopî bi berçavgirtina xeletiya ku ji hêla modela nîvvaryogramê ve tê texmîn kirin cuda ye. Di interpolasyona EBK de, çend modelên nîvvaryogramê di dema interpolasyonê de têne hesibandin, li şûna yek nîvvaryogramê. Teknîkên interpolasyonê rê li ber nezelalî û bernamekirina bi vê xêzkirina nîvvaryogramê ve vedikin ku beşek pir tevlihev a rêbazek kriging a têr pêk tîne. Pêvajoya interpolasyonê ya EBK sê pîvanên ku ji hêla Krivoruchko50 ve hatine pêşniyar kirin dişopîne, (a) model nîvvaryogramê ji daneya têketinê texmîn dike (b) nirxa nû ya pêşbînîkirî ji bo her cîhê daneya têketinê li ser bingeha nîvvaryograma çêkirî û (c) modela A ya dawîn ji daneya simulasyonkirî tê hesibandin. Qaîdeya hevkêşeya Bayesian wekî paşverû tê dayîn.
Li cihê ku \(Prob\left(A\right)\) îhtîmala marjînal a \(Prob\left(B\right)\) di pir rewşan de tê paşguhkirin, \(Prob(B,A)\). Hesabkirina nîvvaryogramê li ser bingeha qaîdeya Bayes e, ku meyla setên daneyên çavdêriyê yên ku dikarin ji nîvvaryograman werin afirandin nîşan dide. Nirxa nîvvaryogramê dûv re bi karanîna qaîdeya Bayes tê destnîşankirin, ku diyar dike ka çiqas îhtîmal e ku komek daneyên çavdêriyan ji nîvvaryogramê were afirandin.
Makîneyeke vektora piştgirîyê algorîtmayeke fêrbûna makîneyê ye ku hîperplaneke veqetandî ya çêtirîn çêdike da ku çînên wekhev lê ne bi awayekî xêzikî serbixwe ji hev cuda bike. Vapnik51 algorîtmaya dabeşkirina niyetê afirand, lê ew di demên dawî de ji bo çareserkirina pirsgirêkên regresyonê hatiye bikar anîn. Li gorî Li et al.52, SVM yek ji baştirîn teknîkên dabeşker e û di warên cûrbecûr de hatiye bikar anîn. Pêkhateya regresyonê ya SVM (Regresyona Makîneya Vektora Piştgiriyê - SVMR) di vê analîzê de hate bikar anîn. Cherkassky û Mulier53 SVMR wekî regresyonek li ser bingeha kernel pêşeng kirin, ku hesabkirina wê bi karanîna modelek regresyona xêzikî bi fonksiyonên fezayî yên pir-welatî hate kirin. John et al54 radigihînin ku modela SVMR regresyona xêzikî ya hîperplanê bikar tîne, ku têkiliyên ne-xêzikî diafirîne û destûrê dide fonksiyonên fezayî. Li gorî Vohland et al. 55, epsilon (ε)-SVMR daneya perwerdekirî bikar tîne da ku modelek temsîlkirinê wekî fonksiyonek bêhesas a epsilon bi dest bixe ku ji bo nexşeya daneyan bi serbixwe bi xeletiya epsilon a çêtirîn ji perwerdehiya li ser daneyên têkildar tê sepandin. Xeletiya dûrbûna pêşwext ji nirxa rastîn nayê hesibandin, û heke xeletî ji ε(ε) mezintir be, taybetmendiyên axê wê telafî dikin. Model di heman demê de tevliheviya daneyên perwerdehiyê kêm dike bo komek vektorên piştgiriyê yên berfirehtir. Hevkêşeya ku ji hêla Vapnik51 ve hatî pêşniyar kirin li jêr tê nîşandan.
ku b nîşana sînorê skalar temsîl dike, \(K\left({x}_{,}{ x}_{k}\right)\) fonksiyona kernel temsîl dike, \(\alpha\) pirzêkera Lagrange temsîl dike, N komek daneya hejmarî temsîl dike, \({x}_{k}\) têketina daneyan temsîl dike, û \(y\) derana daneyan e. Yek ji kernelên sereke yên ku têne bikar anîn operasyona SVMR ye, ku fonksiyonek bingehîn a radyal a Gaussian (RBF) ye. Kernela RBF ji bo destnîşankirina modela SVMR ya çêtirîn tê sepandin, ku ji bo bidestxistina faktora seta cezayê ya herî nazik C û gama parametreya kernel (γ) ji bo daneyên perwerdehiya PTE girîng e. Pêşî, me seta perwerdehiyê nirxand û dûv re performansa modelê li ser seta pejirandinê ceriband. Parametreya rêvebirinê ya ku tê bikar anîn sigma ye û nirxa rêbazê svmRadial e.
Modelek regresyona xêzikî ya piralî (MLR) modelek regresyonê ye ku têkiliya di navbera guhêrbarê bersivê û hejmarek guhêrbarên pêşbînîker de bi karanîna parametreyên xêzikî yên komkirî yên ku bi rêbaza kêmtirîn çargoşeyan têne hesibandin temsîl dike. Di MLR de, modela kêmtirîn çargoşeyan fonksiyonek pêşbînîker a taybetmendiyên axê ye piştî hilbijartina guhêrbarên şiroveker. Pêdivî ye ku bersiv were bikar anîn da ku têkiliyek xêzikî bi karanîna guhêrbarên şiroveker were saz kirin. PTE wekî guhêrbarê bersivê hate bikar anîn da ku têkiliyek xêzikî bi guhêrbarên şiroveker re were saz kirin. Hevkêşeya MLR ev e:
ku y guhêrbarê bersivê ye, \(a\) qutkirî ye, n hejmara pêşbînîkeran e, \({b}_{1}\) regresyona qismî ya koefîsyentan e, \({x}_{i}\) pêşbînîker an guhêrbarê şiroveker temsîl dike, û \({\varepsilon }_{i}\) xeletiya di modelê de temsîl dike, ku wekî bermayiyek jî tê zanîn.
Modelên tevlihev bi sandwîçkirina EBK bi SVMR û MLR re hatin bidestxistin. Ev bi derxistina nirxên pêşbînîkirî ji interpolasyona EBK tê kirin. Nirxên pêşbînîkirî yên ji Ca, K, û Mg yên interpolkirî hatine bidestxistin bi pêvajoyek kombînatorî têne bidestxistin da ku guhêrbarên nû, wek CaK, CaMg, û KMg, werin bidestxistin. Hêmanên Ca, K û Mg dûv re têne hev kirin da ku guhêrbarek çaremîn, CaKMg, were bidestxistin. Bi tevahî, guhêrbarên ku hatine bidestxistin Ca, K, Mg, CaK, CaMg, KMg û CaKMg ne. Ev guhêrbar bûn pêşbînkerên me, ku ji bo pêşbînîkirina konsantrasyonên nîkelê di axên bajarî û derdora bajarî de dibin alîkar. Algorîtmaya SVMR li ser pêşbînkeran hate kirin da ku Makîneya Vektor a Piştgiriyê ya Bayesian Kriging-Empîrîkî ya modela tevlihev (EBK_SVM) were bidestxistin. Bi heman rengî, guhêrbar jî bi rêya algorîtmaya MLR têne derbas kirin da ku modela tevlihev a Bayesian Kriging-Regresyona Xêzik a Pirjimar a Bayesian Kriging-Empîrîkî (EBK_MLR) were bidestxistin. Bi gelemperî, guhêrbarên Ca, K, Mg, CaK, CaMg, KMg, û CaKMg wekî hevguherbarên pêşbînkerên naveroka Ni di axên bajarî û derdora bajarî de têne bikar anîn. Modela herî qebûlkirî ya ku hatî bidestxistin (EBK_SVM an EBK_MLR) dê dûv re bi karanîna grafîkek xwe-rêxistinkirî were xuyang kirin. Herikîna karê vê lêkolînê di Wêne 2 de tê nîşandan.
Bikaranîna SeOM bûye amûrek populer ji bo rêxistinkirin, nirxandin û pêşbînîkirina daneyan di sektora darayî, tenduristiyê, pîşesaziyê, îstatîstîkê, zanista axê û hwd. SeOM bi karanîna torên neuralî yên sûnî û rêbazên fêrbûna bêçavdêrî ji bo rêxistinkirin, nirxandin û pêşbînîkirinê tê afirandin. Di vê lêkolînê de, SeOM ji bo dîtina konsantrasyonên Ni li ser bingeha modela çêtirîn ji bo pêşbînîkirina Ni di axên bajarî û derdora bajarî de hate bikar anîn. Daneyên ku di nirxandina SeOM de hatine pêvajoy kirin wekî n guhêrbarên vektor ên têketin-alî têne bikar anîn43,56.Melssen et al. 57 girêdana vektoreke têketinê bi toreke neuralî re bi rêya tebeqeyeke têketinê ya yekane bi vektoreke derketinê bi vektoreke giraniya yekane ve rave dikin. Derana ku ji hêla SeOM ve hatî çêkirin nexşeyek du-alî ye ku ji neuron an girêkên cûda pêk tê ku li gorî nêzîkbûna wan di nexşeyên topolojîk ên şeşalî, dorhêlî, an çargoşeyî de hatine hunandin. Bi berawirdkirina mezinahiyên nexşeyê li ser bingeha metrîk, xeletiya kûantîzasyonê (QE) û xeletiya topografîk (TE), modela SeOM bi rêzê ve bi 0.086 û 0.904 tê hilbijartin, ku yekîneyeke 55-nexşeyî ye (5 × 11). Avahiya neuronê li gorî hejmara girêkan di hevkêşeya empîrîk de tê destnîşankirin.
Hejmara daneyên ku di vê lêkolînê de hatine bikar anîn 115 nimûne ye. Ji bo dabeşkirina daneyan bo daneyên testê (25% ji bo piştrastkirinê) û setên daneyên perwerdeyê (75% ji bo kalibrasyonê), rêbazek rasthatî hat bikar anîn. Seta daneyên perwerdeyê ji bo çêkirina modela regresyonê (kalibrasyon) tê bikar anîn, û seta daneyên testê ji bo verastkirina şiyana giştîkirinê tê bikar anîn58. Ev ji bo nirxandina guncawbûna modelên cûrbecûr ji bo pêşbînîkirina naveroka nîkelê di axê de hat kirin. Hemî modelên ku hatine bikar anîn ji pêvajoyek deh-qatî ya pejirandina xaçerêyî derbas bûn, ku pênc caran hate dubarekirin. Guhêrbarên ku ji hêla interpolasyona EBK ve têne hilberandin wekî pêşbînîker an guherbarên raveker têne bikar anîn da ku guherbara hedef (PTE) pêşbînî bikin. Modelkirin di RStudio de bi karanîna pakêtên pirtûkxane (Kohonen), pirtûkxane (caret), pirtûkxane (modelr), pirtûkxane ("e1071"), pirtûkxane ("plyr"), pirtûkxane ("caTools"), pirtûkxane ("prospectr") û pirtûkxaneyan ("Metrics") tê rêvebirin.
Ji bo destnîşankirina modela herî guncaw ji bo pêşbînîkirina konsantrasyonên nîkelê di axê de û ji bo nirxandina rastbûna model û pejirandina wê, parametreyên pejirandinê yên cûrbecûr hatin bikar anîn. Modelên hîbrîdasyonê bi karanîna xeletiya navînî ya mutleq (MAE), xeletiya koka navînî ya çargoşe (RMSE), û diyarkirina R-çargoşe an jî koefîsyent (R2) hatin nirxandin. R2 guherîna rêjeyan di bersivê de, ku ji hêla modela regresyonê ve tê temsîl kirin, diyar dike. RMSE û mezinahiya guherînê di pîvanên serbixwe de hêza pêşbînîkirinê ya modelê diyar dikin, di heman demê de MAE nirxa hejmarî ya rastîn diyar dike. Divê nirxa R2 bilind be da ku modela tevliheviya çêtirîn bi karanîna parametreyên pejirandinê were nirxandin, her ku nirx nêzîkî 1 be, rastbûn ew qas bilindtir e. Li gorî Li et al. 59, nirxek krîtera R2 ya 0.75 an jî mezintir wekî pêşbînkerek baş tê hesibandin; ji 0.5 heta 0.75 performansa modela qebûlkirî ye, û di bin 0.5 de performansa modela nayê qebûlkirin e. Dema ku modelek bi karanîna rêbazên nirxandina krîterên pejirandina RMSE û MAE tê hilbijartin, nirxên kêmtir ên hatine bidestxistin têr bûn û wekî hilbijartina çêtirîn hatin hesibandin. Hevkêşeya jêrîn rêbaza verastkirinê diyar dike.
li vir n mezinahiya nirxa çavdêrîkirî temsîl dike \({Y}_{i}\) bersiva pîvandî temsîl dike, û \({\widehat{Y}}_{i}\) jî nirxa bersiva pêşbînîkirî temsîl dike, ji ber vê yekê, ji bo çavdêriyên yekem ên i.
Danasînên îstatîstîkî yên guherbarên pêşbînîker û bersivê di Tabloya 1-ê de têne pêşkêş kirin, ku navînî, devîasyona standard (SD), katsayiya guherînê (CV), herî kêm, herî zêde, kurtoz û xêzbûnê nîşan didin. Nirxên herî kêm û herî zêde yên hêmanan bi rêza kêmbûnê ya Mg < Ca < K < Ni û Ca < Mg < K < Ni ne. Konsantrasyonên guherbara bersivê (Ni) yên ku ji herêma lêkolînê hatine nimûnekirin ji 4.86 heta 42.39 mg/kg diguherin. Berawirdkirina Ni bi navînîya cîhanê (29 mg/kg) û navînîya Ewropî (37 mg/kg) nîşan da ku navînîya geometrîk a giştî ya hesabkirî ji bo herêma lêkolînê di nav rêza tehmûlkirinê de bû. Lêbelê, wekî ku ji hêla Kabata-Pendias11 ve hatî nîşandan, berawirdkirina têkelîya navînî ya nîkel (Ni) di lêkolîna heyî de bi axên çandiniyê yên li Swêdê nîşan dide ku têkelîya navînî ya nîkelê ya heyî bilindtir e. Bi heman awayî, têkelîya navînî ya Frydek Mistek di axên bajarî û derdora bajarî de di lêkolîna heyî de (Ni 16.15 mg/kg) ji Sînorê destûrdayî yê 60 (10.2 mg/kg) ji bo Ni di axên bajarî yên Polonyayê de ku ji hêla Różański et al. ve hatî ragihandin. Wekî din, Bretzel û Calderisi61 di axên bajarî yên Toskanayê de li gorî lêkolîna heyî rêjeyên navînî yên Ni pir kêm (1.78 mg/kg) tomar kirin. Jim62 di axên bajarî yên Hong Kongê de jî rêjeyek nîkelê kêmtir (12.34 mg/kg) dît, ku ji rêjeya nîkelê ya heyî di vê lêkolînê de kêmtir e. Birke et al63 di herêmeke kevn a madenê û pîşesaziya bajarî de li Saxony-Anhalt, Almanya rêjeyek navînî ya Ni 17.6 mg/kg ragihand, ku ji rêjeya navînî ya Ni li herêmê (16.15 mg/kg) 1.45 mg/kg bilindtir bû. Lêkolîna heyî. Naveroka nîkelê ya zêde di axên li hin deverên bajarî û derbajarî yên herêma lêkolînê de dibe ku bi giranî ji ber pîşesaziya hesin û pola û pîşesaziya metalê be. Ev bi lêkolîna Khodadoust et al. re lihevhatî ye. 64 nîşan da ku pîşesaziya pola û karê metalî çavkaniyên sereke yên qirêjbûna nîkelê di axê de ne. Lêbelê, pêşbînîker jî ji 538.70 mg/kg heta 69,161.80 mg/kg ji bo Ca, 497.51 mg/kg heta 3535.68 mg/kg ji bo K, û 685.68 mg/kg heta 5970.05 mg/kg ji bo Mg diguherin. Jakovljevic et al. 65 li ser naveroka giştî ya Mg û K di axên li navenda Serbistanê de lêkolîn kirin. Wan dît ku rêjeya giştî (bi rêzê ve 410 mg/kg û 400 mg/kg) ji rêjeya Mg û K ya lêkolîna heyî kêmtir bû. Li rojhilatê Polonyayê, Orzechowski û Smolczynski66 rêjeya giştî ya Ca, Mg û K nirxandin û rêjeya navînî ya Ca (1100 mg/kg), Mg (590 mg/kg) û K (810 mg/kg) nîşan dan. Naveroka di axa jorîn de ji ya hêmana yekane di vê lêkolînê de kêmtir e. Lêkolînek vê dawiyê ji hêla Pongrac et al. 67 ve nîşan da ku naveroka giştî ya Ca ya ku di 3 axên cûda de li Skotlanda, Keyaniya Yekbûyî (ax Mylnefield, axa Balruddery û axa Hartwood) hatî analîzkirin, di vê lêkolînê de rêjeya Ca ya bilindtir nîşan da.
Ji ber rêjeyên pîvandî yên cuda yên hêmanên nimûnekirî, belavkirinên setên daneyên hêmanan xêzbûnek cuda nîşan didin. Xêzbûn û kurtoza hêmanan bi rêzê ve ji 1.53 heta 7.24 û ji 2.49 heta 54.16 diguhere. Hemî hêmanên hesabkirî astên xêzbûn û kurtozê ji +1 jortir in, ev yek nîşan dide ku belavkirina daneyan ne rêkûpêk e, di rêça rast de xêzkirî ye û gihîştiye lûtkeyê. CV-yên texmînkirî yên hêmanan jî nîşan didin ku K, Mg, û Ni guherbariyek nerm nîşan didin, di heman demê de Ca xwedî guherbariyek pir zêde ye. CV-yên K, Ni û Mg belavbûna wan a yekreng rave dikin. Wekî din, belavkirina Ca ne yekreng e û çavkaniyên derveyî dikarin bandorê li asta dewlemendkirina wê bikin.
Têkiliya guhêrbarên pêşbînîker bi hêmanên bersivê re têkiliyek têrker di navbera hêmanan de nîşan da (li Wêne 3 binêre). Têkiliya nîşan da ku CaK têkiliyek nerm bi nirxa r = 0.53 nîşan da, her weha CaNi jî. Her çend Ca û K têkiliyên nerm bi hev re nîşan didin jî, lêkolînerên wekî Kingston et al. 68 û Santo69 nîşan didin ku asta wan di axê de bi awayekî berevajî hev in. Lêbelê, Ca û Mg dijberê K ne, lê CaK baş bi hev re têkildar e. Ev dibe ku ji ber sepandina gubreyan be wekî karbonata potasyûmê, ku potasyûm %56 zêdetir e. Potasyûm bi magnezyûmê re bi awayekî nerm ve girêdayî bû (KM r = 0.63). Di pîşesaziya gubreyan de, ev her du hêman bi hev re têkildar in ji ber ku sulfata potasyûm magnezyûmê, nîtrata potasyûm magnezyûmê û potasyûm li ser axê têne sepandin da ku asta kêmasiya wan zêde bikin. Nîkel bi nirxên r = 0.52, 0.63 û 0.55 bi awayekî nerm ve girêdayî ye. Têkiliyên ku kalsiyûm, magnezyûm û PTE-yên wekî nîkel tê de hene tevlihev in, lê dîsa jî, magnezyûm vegirtina kalsiyûmê asteng dike, kalsiyûm bandorên magnezyûma zêde kêm dike, û hem magnezyûm û hem jî kalsiyûm bandorên jehrî yên nîkelê di axê de kêm dikin.
Matrîksa korelasyonê ji bo hêmanan têkiliya di navbera pêşbînîker û bersivan de nîşan dide (Nîşe: ev wêne nexşeya belavbûnê di navbera hêmanan de vedihewîne, astên girîngiyê li ser bingeha p < 0,001 in).
Wêneya 4 belavbûna fezayî ya hêmanan nîşan dide. Li gorî Burgos et al70, sepandina belavbûna fezayî teknîkek e ku ji bo hejmartin û ronîkirina xalên germ li deverên qirêj tê bikar anîn. Asta dewlemendkirina Ca di Wêneya 4 de li beşa bakur-rojavayê nexşeya belavbûna fezayî tê dîtin. Wêne xalên germ ên dewlemendkirina Ca yên navîn heta bilind nîşan dide. Dewlemendkirina kalsiyûmê li bakurê rojavayê nexşeyê muhtemelen ji ber karanîna giloverê zû (oksîda kalsiyûmê) ji bo kêmkirina asîdîteya axê û karanîna wê di kargehên pola de wekî oksîjena alkalîn di pêvajoya çêkirina pola de ye. Ji hêla din ve, cotkarên din tercîh dikin ku hîdroksîda kalsiyûmê di axên asîdî de bikar bînin da ku pH-ê bêbandor bikin, ku ev jî naveroka kalsiyûmê ya axê zêde dike71. Potasyûm di heman demê de xalên germ li bakur-rojava û rojhilatê nexşeyê nîşan dide. Bakur-rojava civatek çandiniyê ya sereke ye, û qaliba navîn-heta-bilind a potasyûmê dibe ku ji ber sepanên NPK û potasyûmê be. Ev bi lêkolînên din re lihevhatî ye, wek Madaras û Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ku dîtine ku ax îstîqrar û dermankirina bi KCl û NPK bû sedema rêjeya bilind a K di axê de. Dewlemendbûna potasyûmê ya cîhî li bakurê rojavayê nexşeya belavkirinê dibe ku ji ber karanîna gubreyan li ser bingeha potasyûmê yên wekî klorîda potasyûmê, sulfata potasyûmê, nîtrata potasyûmê, potasyûmê û potasyûmê be ji bo zêdekirina rêjeya potasyûmê ya axên xizan. Zádorová et al. 76 û Tlustoš et al. 77 destnîşan kir ku sepandina gubreyan li ser bingeha K rêjeya K di axê de zêde dike û di demek dirêj de dê rêjeya xurekên axê bi girîngî zêde bike, nemaze K û Mg di axê de xalek germ nîşan didin. Xalên germ ên nisbeten nerm li bakur-rojavayê nexşeyê û başûrê rojhilatê nexşeyê ne. Sabîtbûna koloîdî di axê de rêjeya magnezyûmê di axê de kêm dike. Kêmbûna wê di axê de dibe sedema ku nebat kloroza navberî ya zer nîşan bidin. Gubreyan li ser bingeha magnezyûmê, wekî potasyûm magnezyûm sulfate, magnezyûm sulfate, û Kieserite, kêmasiyên (nebat binefşî, sor, an qehweyî xuya dikin, ku kêmasiya magnezyûmê nîşan dide) di axên bi rêzek pH-ya normal de derman dikin6. Berhevkirina nîkelê li ser rûyên axê yên bajarî û derdora bajarî dibe ku ji ber çalakiyên antropojenîk ên wekî çandinî û girîngiya nîkelê di hilberîna pola zengarnegir de be78.
Belavbûna fezayî ya hêmanan [nexşeya belavbûna fezayî bi karanîna ArcGIS Desktop (ESRI, Inc, Versiyon 10.7, URL: https://desktop.arcgis.com) hate çêkirin.]
Encamên endeksa performansa modelê ji bo hêmanên ku di vê lêkolînê de hatine bikar anîn di Tabloya 2-an de têne nîşandan. Ji aliyekî din ve, RMSE û MAE ya Ni herdu jî nêzîkî sifirê ne (0.86 RMSE, -0.08 MAE). Ji aliyê din ve, hem nirxên RMSE û hem jî MAE yên K qebûlkirî ne. Encamên RMSE û MAE ji bo kalsiyûm û magnezyûmê mezintir bûn. Encamên MAE û RMSE yên Ca û K ji ber daneyên cuda mezintir in. RMSE û MAE yên vê lêkolînê yên ku EBK ji bo pêşbînîkirina Ni bikar tînin, ji encamên John et al. 54 yên ku kriginga sînerjîk bikar tînin da ku konsantrasyonên S di axê de bi karanîna heman daneyên berhevkirî pêşbînî bikin, çêtir hatin dîtin. Derketinên EBK-ê yên ku me lêkolîn kirin bi yên Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 û John et al. 82 re têkildar in, nemaze K û Ni.
Performansa rêbazên ferdî ji bo pêşbînîkirina naveroka nîkelê di axên bajarî û derdora bajarî de bi karanîna performansa modelan hate nirxandin (Tabloya 3). Pejirandina modelê û nirxandina rastbûnê piştrast kir ku pêşbînkerê Ca_Mg_K bi modela EBK SVMR re performansa çêtirîn nîşan da. Modela kalibrasyonê Ca_Mg_K-EBK_SVMR modela R2, xeletiya navînî ya çargoşe (RMSE) û xeletiya navînî ya mutleq (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) û 77.368 mg/kg (MAE) bûn. Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) û 166.946 mg/kg (MAE) bû. Digel vê yekê, nirxên R2 yên baş ji bo Ca_Mg_K-SVMR (0.663 mg/kg R2) û Ca_Mg-EBK_SVMR (0.643 = R2) hatin bidestxistin; Encamên RMSE û MAE yên wan ji yên Ca_Mg_K-EBK_SVMR (R2 0.637) bilindtir bûn (li Tabloya 3 binêre). Wekî din, RMSE û MAE yên modela Ca_Mg-EBK_SVMR (RMSE = 1664.64 û MAE = 1031.49) bi rêzê ve 17.5 û 13.4 in, ku ji yên Ca_Mg_K-EBK_SVMR mezintir in. Bi heman awayî, RMSE û MAE yên modela Ca_Mg-K SVMR (RMSE = 235.974 û MAE = 166.946) bi rêzê ve 2.5 û 2.2 ji yên RMSE û MAE yên Ca_Mg_K-EBK_SVMR mezintir in. Encamên RMSE yên hesabkirî nîşan didin ka seta daneyan çiqas bi xeta çêtirîn re kom bûye. RSME û MAE yên bilindtir hatin dîtin. Li gorî Kebonye et al. 46 û john et al. 54, her ku RMSE û MAE nêzîkî sifirê bin, encam ewqas çêtir dibin. SVMR û EBK_SVMR nirxên RSME û MAE yên kûantîfkirî yên bilindtir hene. Hat dîtin ku texmînên RSME bi domdarî ji nirxên MAE bilindtir bûn, ku hebûna nirxên derveyî nîşan dide. Li gorî Legates û McCabe83, asta ku RMSE ji xeletiya navînî ya mutleq (MAE) derbas dibe wekî nîşaneyek hebûna nirxên derveyî tê pêşniyar kirin. Ev tê vê wateyê ku daneyên çiqas nehevseng bin, nirxên MAE û RMSE ewqas bilindtir in. Rastbûna nirxandina pejirandina xaçerê ya modela tevlihev a Ca_Mg_K-EBK_SVMR ji bo pêşbînîkirina naveroka Ni di axên bajarî û derbajarî de %63.70 bû. Li gorî Li et al. 59, ev asta rastbûnê rêjeyek performansa modela qebûlkirî ye. Encamên heyî bi lêkolînek berê ya Tarasov et al. ve têne berhev kirin. 36 ku modela wê ya hîbrîd MLPRK (Pirlayer Perceptron Residual Kriging) çêkiriye, têkildarî endeksa nirxandina rastbûna EBK_SVMR ku di lêkolîna heyî de hatiye ragihandin, RMSE (210) û MAE (167.5) ji encamên me yên di lêkolîna heyî de bilindtir bû (RMSE 95.479, MAE 77.368). Lêbelê, dema ku R2 ya lêkolîna heyî (0.637) bi ya Tarasov et al. re tê berhev kirin. 36 (0.544), diyar e ku katsayiya diyarkeriyê (R2) di vê modela tevlihev de bilindtir e. Marja xeletiyê (RMSE û MAE) (EBK SVMR) ji bo modela tevlihev du qat kêmtir e. Bi heman awayî, Sergeev et al.34 ji bo modela hîbrîd a pêşkeftî (Multilayer Perceptron Residual Kriging) 0.28 (R2) tomar kir, lê Ni di lêkolîna heyî de 0.637 (R2) tomar kir. Asta rastbûna pêşbîniyê ya vê modelê (EBK SVMR) 63.7% e, lê rastbûna pêşbîniyê ya ku ji hêla Sergeev et al. 34 ve hatî bidestxistin 28% e. Nexşeya dawîn (Wêne 5) ku bi karanîna modela EBK_SVMR û Ca_Mg_K wekî pêşbînker hatî çêkirin pêşbîniyên xalên germ û nerm heta nîkel li seranserê qada lêkolînê nîşan dide. Ev tê vê wateyê ku rêjeya nîkelê li qada lêkolînê bi piranî nerm e, bi rêjeya bilindtir li hin deverên taybetî.
Nexşeya pêşbîniyê ya dawî bi karanîna modela hîbrîd EBK_SVMR û bi karanîna Ca_Mg_K wekî pêşbînker tê temsîlkirin.[Nexşeya belavbûna fezayî bi karanîna RStudio (guhertoya 1.4.1717: https://www.rstudio.com/) hate afirandin.]
Di Şekil 6 de têkeliyên PTE wekî planeke pêkhateyê ya ji neuronên takekesî pêk tê têne pêşkêş kirin. Ti planên pêkhateyan heman şêweya rengîn nîşan nedan wekî ku tê xuyang kirin. Lêbelê, hejmara guncaw a neuronan ji bo her nexşeya xêzkirî 55 e. SeOM bi karanîna cûrbecûr rengan tê hilberandin, û her ku şêweyên rengîn bêtir dişibin hev, taybetmendiyên nimûneyan jî ewqas bêtir berawirdî dibin. Li gorî pîvana wan a rengîn a rast, hêmanên takekesî (Ca, K, û Mg) şêweyên rengîn ên mîna neuronên bilind ên yekane û piraniya neuronên nizm nîşan dan. Bi vî rengî, CaK û CaMg hin dişibin neuronên rêza pir bilind û şêweyên rengîn ên nizm-ber-navîn. Her du model jî bi nîşandana rengên navîn heta bilind ên rengan wekî sor, porteqalî û zer, têkeliya Ni di axê de pêşbînî dikin. Modela KMg li ser bingeha rêjeyên rast û perçeyên rengîn ên nizm heta navîn gelek şêweyên rengîn ên bilind nîşan dide. Li ser pîvanek rengîn a rast ji nizm heta bilind, şêweya belavkirina planar a pêkhateyên modelê şêweyek rengîn a bilind nîşan da ku têkeliya potansiyel a nîkelê di axê de nîşan dide (li Şekil 4 binêre). Plana pêkhateya modela CakMg şêweyek rengîn a cihêreng ji nizm heta bilind li gorî rengek rast nîşan dide. pîvan. Wekî din, pêşbîniya modelê ya naveroka nîkelê (CakMg) dişibihe belavbûna cîhî ya nîkelê ku di Wêne 5 de tê nîşandan. Her du grafîk rêjeyên bilind, navîn û nizm ên konsantrasyonên nîkelê di axên bajarî û derdora bajarî de nîşan didin. Wêne 7 rêbaza konturê di koma k-means de li ser nexşeyê nîşan dide, ku li gorî nirxa pêşbînîkirî di her modelê de li sê koman hatiye dabeş kirin. Rêbaza konturê hejmara çêtirîn a koman temsîl dike. Ji 115 nimûneyên axê yên hatine berhevkirin, kategoriya 1 herî zêde nimûneyên axê, 74, bi dest xist. Koma 2 33 nimûne wergirt, dema ku koma 3 8 nimûne wergirt. Têkeliya pêşbînkerê planar a heft-pêkhateyan hate hêsankirin da ku şîrovekirina rast a komê bide. Ji ber gelek pêvajoyên antropojenîk û xwezayî yên ku bandorê li avakirina axê dikin, dijwar e ku di nexşeyek SeOM-ê ya belavkirî de şêwazên komê yên bi rêkûpêk cuda werin hebûn78.
Derana balafirê pêkhateyan ji hêla her guhêrbarê Makîneya Vektorê Piştgiriya Kriging a Bayesian a Empirîkî (EBK_SVM_SeOM) ve hatî çêkirin.[Nexşeyên SeOM bi karanîna RStudio (guhertoya 1.4.1717: https://www.rstudio.com/) hatin çêkirin.]
Pêkhateyên dabeşkirina komên cuda [nexşeyên SeOM bi karanîna RStudio (guhertoya 1.4.1717: https://www.rstudio.com/) hatin afirandin.]
Lêkolîna heyî teknîkên modelkirinê ji bo rêjeyên nîkelê di axên bajarî û derdora bajarî de bi awayekî zelal nîşan dide. Lêkolînê teknîkên modelkirinê yên cûda ceriband, hêmanan bi teknîkên modelkirinê re hevber kir, da ku rêya çêtirîn ji bo pêşbînîkirina rêjeyên nîkelê di axê de bi dest bixe. Taybetmendiyên cîhî yên planar ên pêkhateya SeOM ên teknîka modelkirinê şêweyek rengîn a bilind ji nizm ber bi bilind li ser pîvanek rengîn a rast nîşan da, ku rêjeyên Ni di axê de nîşan dide. Lêbelê, nexşeya belavkirina cîhî belavkirina cîhî ya planar a pêkhateyan ku ji hêla EBK_SVMR ve hatî nîşandan piştrast dike (li Wêne 5 binêre). Encam nîşan didin ku modela regresyona makîneya vektora piştgirîyê (Ca Mg K-SVMR) rêjeyên Ni di axê de wekî modelek yekane pêşbînî dike, lê parametreyên pejirandin û nirxandina rastbûnê di warê RMSE û MAE de xeletiyên pir zêde nîşan didin. Ji hêla din ve, teknîka modelkirinê ya ku bi modela EBK_MLR re tê bikar anîn jî ji ber nirxa nizm a katsayiya diyarkirinê (R2) xelet e. Encamên baş bi karanîna EBK SVMR û hêmanên hevgirtî (CaKMg) bi xeletiyên RMSE û MAE yên nizm bi rastbûnek 63.7% hatin bidestxistin. Derdikeve holê ku hevberkirina algorîtmaya EBK bi Algorîtmaya fêrbûna makîneyê dikare algorîtmayek hîbrîd çêbike ku dikare rêjeya PTE-yan di axê de pêşbînî bike. Encam nîşan didin ku karanîna CaMgK wekî pêşbînîker ji bo pêşbînîkirina rêjeya Ni di qada lêkolînê de dikare pêşbîniya Ni di axê de baştir bike. Ev tê vê wateyê ku sepandina domdar a gubreyan li ser bingeha nîkelê û qirêjiya pîşesaziyê ya axê ji hêla pîşesaziya pola ve meyla zêdekirina rêjeya nîkelê di axê de heye. Vê lêkolînê eşkere kir ku modela EBK dikare asta xeletiyê kêm bike û rastbûna modela belavbûna fezayî ya axê di axên bajarî an derdora bajarî de baştir bike. Bi gelemperî, em pêşniyar dikin ku modela EBK-SVMR bikar bînin da ku PTE di axê de binirxînin û pêşbînî bikin; ji bilî vê, em pêşniyar dikin ku EBK bikar bînin da ku bi algorîtmayên cûda yên fêrbûna makîneyê re hîbrîd bibin. Rêjeyên Ni bi karanîna hêmanan wekî hevguherbar hatin pêşbînîkirin; lêbelê, karanîna bêtir hevguherbaran dê performansa modelê pir baştir bike, ku dikare wekî sînorkirinek xebata heyî were hesibandin. Sînorkirinek din a vê lêkolînê ev e ku hejmara setên daneyan 115 e. Ji ber vê yekê, heke bêtir daneyên werin peyda kirin, performansa rêbaza hîbrîdasyona çêtirînkirî ya pêşniyarkirî dikare were baştir kirin.
PlantProbs.net. Nîkel di Nebat û Axê de https://plantprobs.net/plant/nutrientImbalances/sodium.html (Di 28ê Nîsana 2021an de hatiye dîtin).
Kasprzak, KS Nîkel di toksîkolojiya jîngehê ya nûjen de pêşve diçe.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Nirxandinek li ser çavkaniyên wê û toksîkolojiya jîngehê. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Têketina gemarî ji atmosferê û kombûna wê di ax û nebatan de li nêzîkî kargeheke helandina nîkel-sifir li Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. û yên din. Metalên giran di ax, nebatan de û xetereyên têkildarî çêrandina ajalên riwekan ên nêzîkî madena sifir-nîkelê Selebi-Phikwe li Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementên şopîner di ax û… de – 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= (Di 24 Mijdar 2020 de hat dîtin).
Almås, A., Singh, B., Çandinî, TS-NJ ya & 1995, nehatiye pênasekirin. Bandorên pîşesaziya nîkelê ya Rûsyayê li ser rêjeyên metalên giran di ax û giyayên çandiniyê de li Soer-Varanger, Norwêc.agris.fao.org.
Nielsen, GD û yên din. Vegirtin û ragirtina nîkelê di ava vexwarinê de bi wergirtina xwarinê û hesasiyeta nîkelê ve girêdayî ye. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Karsînogenez, mutasyon, epîgenetîk an hilbijartin. Derdor. Perspektîfa Tenduristiyê. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analîza trendê ya hêmanên potansiyel jehrîn: nirxandinek bibliyometrîk. Jeokîmya û Tenduristiya Jîngehê. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Nexşeya Axê ya Dîjîtal: Dîrokek Kurte û Hin Ders. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Li ser nexşeya axa dîjîtal.
Deutsch.CV Modelkirina Jeoîstatîstîkî ya Bendavan,… – 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= (Di 28ê Nîsana 2021an de hat dîtin).