Nature.com сайтына киргениңиз үчүн рахмат. Сиз колдонуп жаткан браузердин версиясында CSS колдоосу чектелүү. Эң жакшы тажрыйба алуу үчүн, жаңыртылган браузерди колдонууну сунуштайбыз (же Internet Explorerде шайкештик режимин өчүрүү). Ошол эле учурда, үзгүлтүксүз колдоону камсыз кылуу үчүн, биз сайтты стилдерсиз жана JavaScriptсиз көрсөтөбүз.
Топурактын булганышы адамдын ишмердүүлүгүнөн келип чыккан чоң көйгөй. Потенциалдуу уулуу элементтердин (ПТЭ) мейкиндиктеги таралышы көпчүлүк шаардык жана шаар четиндеги аймактарда ар кандай. Ошондуктан, мындай топурактардагы ПТЭнин курамын мейкиндикте алдын ала айтуу кыйын. Чехиядагы Frydek Mistek компаниясынан жалпысынан 115 үлгү алынган. Кальцийдин (Ca), магнийдин (Mg), калийдин (K) жана никельдин (Ni) концентрациялары индуктивдүү байланышкан плазмалык эмиссиялык спектрометрияны колдонуу менен аныкталган. Жооп өзгөрмөсү Ni, ал эми предикторлор Ca, Mg жана K. Жооп өзгөрмөсү менен предиктор өзгөрмөсүнүн ортосундагы корреляция матрицасы элементтердин ортосунда канааттандырарлык корреляцияны көрсөтөт. Болжолдоо жыйынтыктары көрсөткөндөй, колдоочу вектордук машинанын регрессиясы (SVMR) жакшы иштеген, бирок анын болжолдуу орточо квадраттык катасы (RMSE) (235,974 мг/кг) жана орточо абсолюттук катасы (MAE) (166,946 мг/кг) колдонулган башка ыкмаларга караганда жогору болгон. Эмпирикалык Байес Кригинг-Көп сызыктуу регрессия (EBK-MLR) үчүн аралаш моделдер иштейт. начар, детерминация коэффициенттери 0,1ден аз экени далилденген. Эмпирикалык Байес Кригинг-Тиешелүү Вектордук Машина Регрессиясы (EBK-SVMR) модели эң мыкты модель болгон, RMSE (95,479 мг/кг) жана MAE (77,368 мг/кг) маанилери жана детерминациянын жогорку коэффициенти (R2 = 0,637) төмөн болгон. EBK-SVMR моделдөө ыкмасынын чыгышы өзүн-өзү уюштуруучу картаны колдонуу менен визуалдаштырылган. CakMg-EBK-SVMR гибриддик моделинин тегиздигиндеги кластердик нейрондор шаардык жана шаар четиндеги топурактардагы Ni концентрациясын алдын ала айткан бир нече түстүү үлгүлөрдү көрсөтөт. Жыйынтыктар EBK жана SVMRди айкалыштыруу шаардык жана шаар четиндеги топурактардагы Ni концентрациясын алдын ала айтуу үчүн натыйжалуу ыкма экенин көрсөтүп турат.
Никель (Ni) өсүмдүктөр үчүн микроэлемент деп эсептелет, анткени ал атмосфералык азоттун фиксациясына (N) жана мочевинанын алмашуусуна салым кошот, экөө тең үрөндүн өнүп чыгышы үчүн зарыл. Үрөндүн өнүп чыгышына кошкон салымынан тышкары, Ni грибоктук жана бактериялык ингибитор катары кызмат кылып, өсүмдүктөрдүн өнүгүшүнө өбөлгө түзө алат. Топурактагы никельдин жетишсиздиги өсүмдүктүн аны сиңирүүсүнө мүмкүндүк берет, натыйжада жалбырактардын хлорозу пайда болот. Мисалы, буурчак жана жашыл буурчак азоттун фиксациясын оптималдаштыруу үчүн никель негизиндеги жер семирткичтерди колдонууну талап кылат.2.Топуракты байытуу жана буурчак өсүмдүктөрүнүн топурактагы азотту фиксациялоо жөндөмүн жогорулатуу үчүн никель негизиндеги жер семирткичтерди колдонууну улантуу топурактагы никельдин концентрациясын тынымсыз жогорулатат. Никель өсүмдүктөр үчүн микроэлемент болгону менен, анын топуракка ашыкча кириши пайдадан көрө зыян келтириши мүмкүн.Топурактагы никельдин уулуулугу топурактын рН деңгээлин минималдаштырат жана темирдин өсүмдүктөрдүн өсүшү үчүн маанилүү азык катары сиңишине тоскоол болот.3 Лиунун айтымында, Ni өсүмдүктөрдүн өнүгүшү жана өсүшү үчүн зарыл болгон 17-маанилүү элемент экени аныкталган. Никельдин өсүмдүктөрдүн өнүгүшүндөгү жана өсүшүндөгү ролунан тышкары, адамдар аны ар кандай колдонмолор үчүн колдонушат. Электроддоплинг, никель негизиндеги өндүрүү Эритмелерди, ошондой эле автомобиль өнөр жайында от алдыруучу түзүлүштөрдү жана учкун шамдарын өндүрүү ар кандай өнөр жай тармактарында никелди колдонууну талап кылат. Мындан тышкары, никель негизиндеги эритмелер жана гальваникалык буюмдар ашкана идиштеринде, бал залынын аксессуарларында, тамак-аш өнөр жайы үчүн керектүү буюмдарда, электр, зым жана кабель, реактивдүү турбиналарда, хирургиялык имплантаттарда, текстильде жана кеме курууда кеңири колдонулуп келет5.Топурактардагы (б.а., жер үстүндөгү топурактардагы) никелге бай деңгээлдер антропогендик жана табигый булактарга байланыштуу деп эсептелет, бирок негизинен, никел антропогендик эмес, табигый булак болуп саналат4,6.Никелдин табигый булактарына жанар тоо атылышы, өсүмдүктөр, токой өрттөрү жана геологиялык процесстер кирет; бирок, антропогендик булактарга болот өнөр жайындагы никель/кадмий батареялары, гальваникалык каптоо, дого ширетүү, дизель жана күйүүчү майлар, ошондой эле көмүрдү күйгүзүүдөн жана калдыктарды жана шламды өрттөөдөн атмосферага бөлүнүп чыккан эмиссиялар киретНикелдин топтолушу7,8.Фридман жана Хатчинсондун9 жана Манива ж.б. айтымында. 10, жакынкы жана жакынкы чөйрөдөгү топурактын үстүнкү катмарынын булганышынын негизги булактары негизинен никель-жез негизиндеги эритүүчү заводдор жана шахталар болуп саналат. Канададагы Садберидеги никель-жезди кайра иштетүүчү заводдун айланасындагы үстүнкү топурак никель менен булгануунун эң жогорку деңгээлине ээ болгон, ал 26 000 мг/кг11 болгон. Ал эми Орусияда никель өндүрүүдөн улам булгануу Норвегия топурагында никельдин концентрациясынын жогорулашына алып келген11. Алмс жана башкалардын маалыматы боюнча. 12, аймактын эң мыкты айдоо жерлериндеги (Россияда никель өндүрүү) HNO3-экстракциялануучу никельдин көлөмү 6,25тен 136,88 мг/кгга чейин болгон, бул орточо 30,43 мг/кг жана баштапкы концентрация 25 мг/кг түзөт. Кабата 11ге ылайык, шаардык же шаар четиндеги топурактардагы айыл чарба топурактарына удаалаш түшүм мезгилдеринде фосфор жер семирткичтерин колдонуу топуракты сиңирип же булгашы мүмкүн. Никельдин адамдардагы потенциалдуу таасири мутагенез, хромосомалык бузулуу, Z-ДНКнын генерациясы, ДНКнын эксцизиясынын калыбына келүүсүнүн бузулушу же эпигенетикалык процесстер аркылуу ракка алып келиши мүмкүн13. Жаныбарлар менен жүргүзүлгөн эксперименттерде никель ар кандай шишиктерди пайда кылуу мүмкүнчүлүгүнө ээ экени аныкталган, ал эми канцерогендик никель комплекстери мындай шишиктерди күчөтүшү мүмкүн.
Топурактын булганышын баалоо акыркы учурларда топурак менен өсүмдүктүн ортосундагы мамилелерден, топурактын жана топурактын биологиялык мамилелеринен, экологиялык деградациядан жана айлана-чөйрөгө тийгизген таасирин баалоодон келип чыккан ден соолукка байланыштуу көптөгөн маселелерден улам гүлдөп-өнүгүп жатат. Бүгүнкү күнгө чейин топурактагы Ni сыяктуу потенциалдуу уулуу элементтердин (ПТЭ) мейкиндикте алдын ала айтуу салттуу ыкмаларды колдонуу менен көп эмгекти жана убакытты талап кылды. Санариптик топурак картасынын (ДСГ) пайда болушу жана анын азыркы ийгилиги15 топурактын алдын ала картасын (ПСГ) бир топ жакшыртты. Минасни менен МакБратнинин16 айтымында, топурактын алдын ала картасын түзүү (ДСГ) топурак таануунун көрүнүктүү тармагы болуп чыкты. Лагачери менен МакБратни, 2006 ДСГны "жергиликтүү жана лабораториялык байкоо ыкмаларын жана мейкиндик жана мейкиндик эмес топурактын тыянак чыгаруу системаларын колдонуу аркылуу мейкиндик топурак маалымат системаларын түзүү жана толтуруу" деп аныкташат. МакБратни жана башкалар. 17-сүрөттө заманбап DSM же PSM PTEлердин мейкиндиктеги бөлүштүрүлүшүн, топурактын түрлөрүн жана касиеттерин алдын ала айтуу же картага түшүрүү үчүн эң натыйжалуу ыкма экени баса белгиленген. Геостатистика жана машиналык окутуу алгоритмдери (MLA) - бул маанилүү жана минималдуу маалыматтарды колдонуп, компьютерлердин жардамы менен санариптештирилген карталарды түзгөн DSM моделдөө ыкмалары.
Deutsch18 жана Olea19 геостатистиканы "мейкиндик атрибуттарын чагылдыруу менен алектенген сандык ыкмалардын жыйындысы, негизинен стохастикалык моделдерди колдонуу менен, мисалы, убакыт катарларын талдоо убакыттык маалыматтарды кандайча мүнөздөйт" деп аныкташат. Негизинен, геостатистика вариограммаларды баалоону камтыйт, бул ар бир маалымат топтомунан мейкиндик маанилеринин көз карандылыгын сандык жактан аныктоого жана аныктоого мүмкүндүк берет20. Gumiaux et al. 20-сүрөттө геостатистикада вариограммаларды баалоо үч принципке негизделгени андан ары көрсөтүлөт, анын ичинде (а) маалыматтардын корреляциясынын масштабын эсептөө, (б) маалыматтар топтомунун айырмачылыгындагы анизотропияны аныктоо жана эсептөө жана (в) кошумча. Жергиликтүү таасирлерден бөлүнгөн өлчөө маалыматтарынын ички катасын эске алуудан тышкары, аймактык таасирлер да бааланат. Бул түшүнүктөргө таянып, геостатистикада көптөгөн интерполяция ыкмалары колдонулат, анын ичинде жалпы кригинг, биргелешкен кригинг, кадимки кригинг, эмпирикалык байес кригинг, жөнөкөй кригинг ыкмасы жана башка белгилүү интерполяция ыкмалары, топурактын мүнөздөмөлөрүн жана топурактын түрлөрүн картага түшүрүү же алдын ала айтуу үчүн.
Машиналык окутуу алгоритмдери (MLA) – бул негизинен маалыматтарды казып алуу, маалыматтардагы үлгүлөрдү аныктоо жана топурак таануу жана кайтаруу тапшырмалары сыяктуу илимий тармактарда классификациялоого бир нече жолу колдонулган, чоңураак сызыктуу эмес маалымат класстарын колдонгон салыштырмалуу жаңы ыкма. Көптөгөн изилдөө эмгектери топурактагы PTEни алдын ала айтуу үчүн MLA моделдерине таянат, мисалы, Тан жана башкалар. 22 (айыл чарба топурактарындагы оор металлдарды баалоо үчүн кокустук токойлор), Сакизаде жана башкалар. 23 (колдоочу вектордук машиналарды жана жасалма нейрон тармактарын колдонуу менен моделдөө) топурактын булганышы). Мындан тышкары, Вега жана башкалар. 24 (топуракта оор металлдарды кармоону жана адсорбцияны моделдөө үчүн CART), Сан жана башкалар. 25 (кубистти колдонуу – бул топуракта Cd бөлүштүрүү) жана k-жакынкы кошуна, жалпыланган күчөтүлгөн регрессия жана күчөтүлгөн регрессия сыяктуу башка алгоритмдер. Дарактар ​​​​топурактагы PTEни алдын ала айтуу үчүн MLAны да колдонушкан.
DSM алгоритмдерин божомолдоодо же картага түшүрүүдө колдонуу бир катар кыйынчылыктарга туш болот. Көптөгөн авторлор MLA геостатистикадан жогору жана тескерисинче деп эсептешет. Бири экинчисинен жакшыраак болгону менен, экөөнүн айкалышы DSM15теги картага түшүрүүнүн же божомолдоонун тактыгын жогорулатат. Вудкок жана Гопал26 Финке27; Понтий жана Чук28 жана Грунвальд29 топурактын болжолдонгон картасын түзүүдөгү кемчиликтер жана айрым каталар жөнүндө комментарий беришет. Топурак таануучулар DSM картага түшүрүүнүн жана божомолдоонун натыйжалуулугун, тактыгын жана алдын ала айтууга мүмкүндүгүн оптималдаштыруу үчүн ар кандай ыкмаларды колдонуп көрүштү. Белгисиздик менен текшерүүнүн айкалышы натыйжалуулукту оптималдаштыруу жана кемчиликтерди азайтуу үчүн DSMге интеграцияланган көптөгөн ар кандай аспектилердин бири болуп саналат. Бирок, Агиеман жана башкалар 15 картаны түзүү жана божомолдоо менен киргизилген валидация жүрүм-туруму жана белгисиздик картанын сапатын жакшыртуу үчүн көз карандысыз түрдө текшерилиши керектигин белгилешет. DSMдин чектөөлөрү географиялык жактан чачыранды топурактын сапатына байланыштуу, ал белгисиздиктин компонентин камтыйт; бирок, DSMдеги тактыктын жоктугу бир нече ката булактарынан, атап айтканда, ковариаттык катадан, моделдин катасынан, жайгашкан жердин катасынан жана аналитикалык катадан келип чыгышы мүмкүн. 31. MLA жана геостатистикалык процесстерде пайда болгон моделдөөдөгү так эместиктер түшүнүктүн жоктугу менен байланыштуу, акырында реалдуу процессти өтө жөнөкөйлөштүрүүгө алып келет.32. Моделдөөнүн мүнөзүнө карабастан, так эместиктер моделдөө параметрлерине, математикалык моделдин божомолдоруна же интерполяцияга байланыштуу болушу мүмкүн.33. Жакында эле карта түзүүдө жана божомолдоодо геостатистиканы жана MLAны интеграциялоону жайылткан жаңы DSM тенденциясы пайда болду. Сергеев жана башкалар 34; Субботина жана башкалар 35; Тарасов жана башкалар 36 жана Тарасов жана башкалар 37 сыяктуу бир нече топурак окумуштуулары жана авторлору болжолдоонун жана карта түзүүнүн натыйжалуулугун жогорулаткан гибриддик моделдерди түзүү үчүн геостатистиканын жана машиналык окутуунун так сапатын колдонушту. сапат. Бул гибриддик же айкалышкан алгоритм моделдеринин айрымдары Жасалма Нейрон Тармак Кригинг (ANN-RK), Көп катмарлуу Перцептрондук Кригинг (MLP-RK), Жалпыланган Регрессиялык Нейрон Тармактык Кригинг (GR-NNRK)36, Жасалма Нейрон Тармактык Кригинг-Көп катмарлуу Перцептрон (ANN-K-MLP)37 жана Ко-Кригинг жана Гаусс Процесстик Регрессия38.
Сергеев ж.б. боюнча, ар кандай моделдөө ыкмаларын айкалыштыруу кемчиликтерди жок кылууга жана пайда болгон гибриддик моделдин бирдиктүү моделин иштеп чыгуунун ордуна натыйжалуулугун жогорулатууга мүмкүндүк берет. Бул контекстте, бул жаңы макалада шаардык жана шаар четиндеги аймактарда никелдин байышын алдын ала айтуу үчүн оптималдуу гибриддик моделдерди түзүү үчүн геостатистиканын жана MLAнын айкалышкан алгоритмин колдонуу зарыл экени айтылат. Бул изилдөө базалык модель катары Эмпирикалык Байес Кригингине (EBK) таянат жана аны Колдоо Вектордук Машина (SVM) жана Көп Сызыктуу Регрессия (MLR) моделдери менен аралаштырат. EBKны кандайдыр бир MLA менен гибриддештирүү белгисиз. Көрүнүп турган көп аралаш моделдер кадимки, калдык, регрессиялык кригингдин жана MLAнын айкалыштары болуп саналат. EBK - бул мейкиндик вариациясына мүмкүндүк берген, талаа боюнча аныкталган локализация параметрлери менен стационардык эмес/стационардык кокустук талаа катары локалдаштырылган мейкиндиктик стохастикалык процессти колдонгон геостатистикалык интерполяция ыкмасы39. EBK ар кандай изилдөөлөрдө, анын ичинде чарба топурактарында органикалык көмүртектин таралышын талдоо40, топурактын булганышын баалоо41 жана топурактын касиеттерин картага түшүрүү42 колдонулган.
Башка жагынан алганда, Өзүн-өзү Уюштуруучу Граф (SeOM) - бул Ли жана башкалар 43, Ван жана башкалар 44, Хоссаин Бхуян жана башкалар 45 жана Кебонье жана башкалар сыяктуу ар кандай макалаларда колдонулган окуу алгоритми.46 Элементтердин мейкиндик атрибуттарын жана топторун аныктоо. Ван жана башкалар 44 SeOM сызыктуу эмес маселелерди топтоо жана элестетүү жөндөмү менен белгилүү болгон күчтүү окутуу ыкмасы экенин белгилешет. Негизги компоненттерди талдоо, бүдөмүк кластерлөө, иерархиялык кластерлөө жана көп критерийлүү чечим кабыл алуу сыяктуу башка үлгү таануу ыкмаларынан айырмаланып, SeOM PTE үлгүлөрүн уюштурууда жана аныктоодо жакшыраак. Ван жана башкалар 44түн айтымында, SeOM байланыштуу нейрондордун бөлүштүрүлүшүн мейкиндикте топтоштура алат жана жогорку чечилиштеги маалыматтарды визуализациялай алат. SeOM түз интерпретациялоо үчүн натыйжаларды мүнөздөө үчүн эң жакшы моделди алуу үчүн Ni божомолдоо маалыматтарын визуализациялайт.
Бул макала шаардык жана шаар четиндеги топурактардагы никельдин курамын алдын ала айтуу үчүн оптималдуу тактыктагы бекем карта түзүү моделин түзүүгө багытталган. Аралаш моделдин ишенимдүүлүгү негизинен базалык моделге тиркелген башка моделдердин таасиринен көз каранды деп болжолдойбуз. DSM туш болгон кыйынчылыктарды моюнга алабыз жана бул кыйынчылыктар бир нече багытта чечилип жатканда, геостатистикадагы жана MLA моделдериндеги жетишкендиктердин айкалышы инкременталдуу көрүнөт; ошондуктан, биз аралаш моделдерди бере турган изилдөө суроолоруна жооп берүүгө аракет кылабыз. Бирок, максаттуу элементти алдын ала айтууда модель канчалык так? Ошондой эле, валидацияга жана тактыкты баалоого негизделген натыйжалуулукту баалоо деңгээли кандай? Ошондуктан, бул изилдөөнүн конкреттүү максаттары (а) EBKны базалык модель катары колдонуп, SVMR же MLR үчүн айкалышкан аралашма моделин түзүү, (б) алынган моделдерди салыштыруу, (в) шаардык же шаар четиндеги топурактардагы Ni концентрациясын алдын ала айтуу үчүн эң жакшы аралашма моделин сунуштоо жана (г) никельдин мейкиндик өзгөрүүлөрүнүн жогорку чечилиштеги картасын түзүү үчүн SeOMду колдонуу болгон.
Изилдөө Чехия Республикасында, тактап айтканда, Моравия-Силезия аймагындагы Фридек-Мистек районунда жүргүзүлүүдө (1-сүрөттү караңыз). Изилдөө аймагынын географиясы абдан татаал жана көбүнчө Карпат тоолорунун сырткы четинин бир бөлүгү болгон Моравия-Силезия Бескиди аймагынын бир бөлүгү. Изилдөө аймагы 49° 41′ 0′ N жана 18° 20′ 0′ E ортосунда жайгашкан, ал эми бийиктиги 225 жана 327 м ортосунда; Бирок, аймактын климаттык абалы боюнча Коппен классификация системасы Cfb = мелүүн океандык климат катары бааланат. Кургак айларда да жаан-чачын көп болот. Жыл бою температура −5 °C жана 24 °C ортосунда бир аз өзгөрүп турат, сейрек учурларда −14 °Cден төмөн же 30 °Cден жогору түшөт, ал эми орточо жылдык жаан-чачын 685 жана 752 мм ортосунда болот.47. Бүтүндөй аймактын болжолдуу изилдөө аянты 1208 чарчы километрди түзөт, анын 39,38% айдоо жерлери жана 49,36% токой каптоосу. Башка жагынан алганда, бул изилдөөдө колдонулган аянт болжол менен 889,8 чарчы километрди түзөт. Остравада жана анын тегерегинде болот өнөр жайы жана металл заводдору абдан активдүү. Металл тегирмендери, никель дат баспас болоттордо (мисалы, атмосфералык коррозияга туруктуулук үчүн) жана легирленген болоттордо (никель жакшы ийкемдүүлүгүн жана катуулугун сактап калуу менен эритменин бекемдигин жогорулатат) колдонулган болот өнөр жайы жана фосфат жер семирткичтерин колдонуу жана мал чарбачылыгы сыяктуу интенсивдүү айыл чарбасы никельдин изилдөөнүн потенциалдуу булактары болуп саналат. аймакта (мисалы, козулардын жана аз семиртилген бодо малдын өсүү темпин жогорулатуу үчүн козуларга никель кошуу). Изилдөө аймактарында никелдин башка өнөр жайлык колдонулушуна аны электрокаптоодо колдонуу, анын ичинде электрокаптоодо никел жана электросиз никель каптоо процесстери кирет. Топурактын касиеттерин топурактын түсүнөн, түзүлүшүнөн жана карбонаттын курамынан оңой айырмалоого болот. Топурактын текстурасы ортодон майдага чейин, баштапкы материалдан алынган. Алар коллювиалдык, аллювиалдык же эолдук мүнөзгө ээ. Айрым топурак аймактары жер бетинде жана жер астындагы катмарларда тактар ​​​​бар, көбүнчө бетон жана агартуу менен. Бирок, камбизолдор жана стагнозолдор аймактагы эң кеңири таралган топурак түрлөрү болуп саналат48. Бийиктиги 455,1ден 493,5 мге чейин болгон камбизолдор Чехияда басымдуулук кылат49.
Изилдөө аймагынын картасы [Изилдөө аймагынын картасы ArcGIS Desktop (ESRI, Inc, 10.7 версиясы, URL: https://desktop.arcgis.com) аркылуу түзүлгөн.]
Фридек Мистек районундагы шаардык жана шаар четиндеги топурактардан жалпысынан 115 топурактын үстүнкү катмарынын үлгүлөрү алынган. Колдонулган үлгү схемасы топурактын үлгүлөрү 2 × 2 км аралыкта жайгашкан кадимки торчо болгон жана үстүнкү катмар колго кармалуучу GPS түзмөгү (Leica Zeno 5 GPS) аркылуу 0дон 20 смге чейинки тереңдикте өлчөнгөн. Үлгүлөр Ziploc баштыктарына таңгакталып, тийиштүү түрдө маркировкаланып, лабораторияга жөнөтүлгөн. Үлгүлөр майдаланган үлгүлөрдү алуу үчүн абада кургатылган, механикалык система (Фритч диск тегирмени) менен майдаланган жана электен өткөрүлгөн (электин өлчөмү 2 мм). 1 грамм кургатылган, гомогендештирилген жана электен өткөрүлгөн топурак үлгүлөрүн так белгиленген тефлон бөтөлкөлөрүнө салыңыз. Ар бир тефлон идишке 7 мл 35% HCl жана 3 мл 65% HNO3 куюңуз (автоматтык диспенсерди колдонуңуз - ар бир кислота үчүн бирден), жеңил жаап, үлгүлөрдү реакция үчүн түнү бою коюп коюңуз (aqua regia программасы). Үстүнкү катмарды ысык металл тарелкага коюңуз. (температура: 100 Вт жана 160 °C) үлгүлөрдү сиңирүү процессин жеңилдетүү үчүн 2 саатка муздатып, андан кийин муздатыңыз. Үстүнкү катмарды 50 мл көлөмдүү колбага салып, деионизацияланган суу менен 50 млге чейин суюлтуңуз. Андан кийин, суюлтулган үстүнкү катмарды деионизацияланган суу менен 50 мл ПВХ түтүкчөсүнө чыпкалаңыз. Мындан тышкары, суюлтулган эритменин 1 мли 9 мл деионизацияланган суу менен суюлтулуп, ПТЕ псевдо-концентрациясы үчүн даярдалган 12 мл түтүкчөсүнө чыпкаланган. ПТЕлердин (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) концентрациялары стандарттуу ыкмаларга жана макулдашууга ылайык ICP-OES (Индуктивдүү Кошулган Плазма Оптикалык Эмиссия Спектроскопиясы) (Thermo Fisher Scientific, АКШ) жардамы менен аныкталган. Сапатты камсыздоо жана көзөмөлдөө (QA/QC) процедураларын камсыз кылыңыз (SRM NIST 2711a Montana II Soil). Аныктоо чеги жарымынан төмөн болгон ПТЕлер бул изилдөөдөн алынып салынган. Аныктоо чеги Бул изилдөөдө колдонулган PTE 0,0004 болгон. (сиз). Мындан тышкары, ар бир анализ үчүн сапатты көзөмөлдөө жана сапатты камсыз кылуу процесси шилтеме стандарттарын талдоо менен камсыздалат. Каталардын минималдаштырылганын камсыз кылуу үчүн кош талдоо жүргүзүлдү.
Эмпирикалык Байес Кригинг (ЭБК) - топурак таануу сыяктуу ар кандай тармактарда моделдөөдө колдонулган көптөгөн геостатистикалык интерполяция ыкмаларынын бири. Башка кригинг интерполяция ыкмаларынан айырмаланып, ЭБК салттуу кригинг ыкмаларынан семивариограмма модели менен бааланган катаны эске алуу менен айырмаланат. ЭБК интерполяциясында интерполяция учурунда бир гана семивариограмма эмес, бир нече семивариограмма моделдери эсептелет. Интерполяция ыкмалары жетиштүү кригинг ыкмасынын өтө татаал бөлүгүн түзгөн семивариограмманын бул графигине байланыштуу белгисиздикке жана программалоого жол ачат. ЭБКнын интерполяция процесси Криворучко50 тарабынан сунушталган үч критерийге ылайык келет, (а) модель семивариограмманы киргизүү маалыматтар топтомунан баалайт (б) түзүлгөн семивариограммага негизделген ар бир киргизүү маалыматтар топтомунун жайгашкан жери үчүн жаңы болжолдонгон маанини жана (в) акыркы А модели симуляцияланган маалыматтар топтомунан эсептелет. Байес теңдемесинин эрежеси арткы катары берилет
Мында \(Prob\left(A\right)\) алдын ала маанини билдирет, \(Prob\left(B\right)\) чектик ыктымалдуулук көпчүлүк учурларда эске алынбайт, \(Prob (B,A)\). Жарым вариограмманы эсептөө Байестин эрежесине негизделген, ал жарым вариограммалардан түзүлүшү мүмкүн болгон байкоо маалыматтарынын топтомунун тенденциясын көрсөтөт. Андан кийин жарым вариограмманын мааниси Байестин эрежеси менен аныкталат, ал жарым вариограммадан байкоолордун маалыматтар топтомун түзүү канчалык ыктымалдуу экенин көрсөтөт.
Колдоо вектору машинасы - бул бирдей, бирок сызыктуу көз карандысыз эмес класстарды айырмалоо үчүн оптималдуу бөлүүчү гипертегиздикти түзгөн машина үйрөнүү алгоритми. Vapnik51 ниет классификациялоо алгоритмин түзгөн, бирок ал жакында эле регрессияга багытталган маселелерди чечүү үчүн колдонулган. Li жана башкалар.52 боюнча, SVM эң мыкты классификатор ыкмаларынын бири болуп саналат жана ар кандай тармактарда колдонулган. Бул анализде SVMдин (колдоо вектору машинасынын регрессиясы - SVMR) регрессиялык компоненти колдонулган. Черкасский жана Мюльер53 SVMRди ядрого негизделген регрессия катары пионер кылып көрсөтүшкөн, анын эсептөөсү көп өлкөлүү мейкиндик функциялары бар сызыктуу регрессиялык моделди колдонуу менен жүргүзүлгөн. Джон жана башкалар54 SVMR моделдөөсү сызыктуу эмес байланыштарды түзгөн жана мейкиндик функцияларына мүмкүндүк берген гипертегиздик сызыктуу регрессияны колдоноорун билдиришкен. Вохланд жана башкалар. 55-сүрөттө, epsilon (ε)-SVMR үйрөтүлгөн маалыматтар топтомун колдонуп, маалыматтарды корреляцияланган маалыматтар боюнча окутуудан эң жакшы эпсилондук ката менен көз карандысыз түрдө картага түшүрүү үчүн колдонулган эпсилонго сезгич эмес функция катары көрсөтүү моделин алат. Алдын ала коюлган аралык катасы чыныгы мааниден эске алынбайт жана эгер ката ε(ε)ден чоң болсо, топурактын касиеттери аны компенсациялайт. Модель ошондой эле окутуу маалыматтарынын татаалдыгын колдоо векторлорунун кеңири топтомуна чейин азайтат. Vapnik51 тарабынан сунушталган теңдеме төмөндө көрсөтүлгөн.
мында b скалярдык босогону, \(K\left({x}_{,}{ x}_{k}\right)\) ядро ​​функциясын, \(\alpha\) Лагранж көбөйткүчүн, N сандык маалыматтар топтомун, \({x}_{k}\) маалыматтарды киргизүүнү жана \(y\) маалыматтарды чыгарууну билдирет. Колдонулган негизги ядролордун бири - Гаусс радиалдык базистик функциясы (RBF) болгон SVMR операциясы. RBF ядросу оптималдуу SVMR моделин аныктоо үчүн колдонулат, бул PTE окутуу маалыматтары үчүн эң тымызын айып пул топтомунун C коэффициентин жана ядро ​​параметринин гаммасын (γ) алуу үчүн абдан маанилүү. Алгач биз окутуу топтомун баалап, андан кийин валидация топтомунда моделдин иштешин текшердик. Колдонулган башкаруу параметри sigma, ал эми методдун мааниси svmRadial.
Көп сызыктуу регрессиялык модель (КСР) – бул эң кичине квадраттар ыкмасын колдонуу менен эсептелген сызыктуу бириктирилген параметрлерди колдонуу менен жооп өзгөрмөсү менен бир катар божомолдоочу өзгөрмөлөрдүн ортосундагы байланышты көрсөткөн регрессиялык модель. КСРде эң кичине квадраттар модели – бул түшүндүрмө өзгөрмөлөрдү тандагандан кийин топурактын касиеттеринин божомолдоо функциясы. Түшүндүрмө өзгөрмөлөрдү колдонуп, сызыктуу байланышты түзүү үчүн жоопту колдонуу зарыл. Түшүндүрмө өзгөрмөлөр менен сызыктуу байланышты түзүү үчүн жооп өзгөрмөсү катары ПТЕ колдонулган. КСР теңдемеси төмөнкүдөй
мында y - жооп өзгөрмөсү, \(a\) - кесилиш чекит, n - предикторлордун саны, \({b}_{1}\) - коэффициенттердин жарым-жартылай регрессиясы, \({x}_{ i}\) - предиктор же түшүндүрмө өзгөрмөнү билдирет, ал эми \({\varepsilon }_{i}\) - калдык деп да аталган моделдеги катаны билдирет.
Аралаш моделдер EBKны SVMR жана MLR менен бириктирүү жолу менен алынган. Бул EBK интерполяциясынан болжолдонгон маанилерди алуу жолу менен жасалат. Интерполяцияланган Ca, K жана Mgдан алынган болжолдонгон маанилер CaK, CaMg жана KMg сыяктуу жаңы өзгөрмөлөрдү алуу үчүн комбинатордук процесс аркылуу алынат. Андан кийин Ca, K жана Mg элементтери төртүнчү өзгөрмөнү, CaKMg алуу үчүн бириктирилет. Жалпысынан алынган өзгөрмөлөр Ca, K, Mg, CaK, CaMg, KMg жана CaKMg. Бул өзгөрмөлөр биздин предикторлорубузга айланып, шаардык жана шаар четиндеги топурактардагы никельдин концентрациясын алдын ала айтууга жардам берди. SVMR алгоритми предикторлордо аралаш моделди алуу үчүн аткарылган Эмпирикалык Байес Кригинг-Төмөнкү Вектордук Машина (EBK_SVM). Ошо сыяктуу эле, өзгөрмөлөр да аралаш моделди алуу үчүн MLR алгоритми аркылуу түтүк аркылуу өткөрүлөт Эмпирикалык Байес Кригинг-Көп Сызыктуу Регрессия (EBK_MLR). Адатта, Ca, K, Mg, CaK өзгөрмөлөрү, CaMg, KMg жана CaKMg шаардык жана шаар четиндеги топурактардагы Ni курамынын предикторлору катары ковариаттар катары колдонулат. Андан кийин алынган эң алгылыктуу модель (EBK_SVM же EBK_MLR) өзүн-өзү уюштуруучу графиктин жардамы менен көрсөтүлөт. Бул изилдөөнүн жумуш агымы 2-сүрөттө көрсөтүлгөн.
SeOMду колдонуу каржы секторунда, саламаттыкты сактоодо, өнөр жайда, статистикада, топурак таанууда жана башка тармактарда маалыматтарды уюштуруу, баалоо жана божомолдоо үчүн популярдуу куралга айланды. SeOM уюштуруу, баалоо жана божомолдоо үчүн жасалма нейрон тармактарын жана көзөмөлсүз окутуу ыкмаларын колдонуу менен түзүлөт. Бул изилдөөдө SeOM шаардык жана шаар четиндеги топурактарда Niди божомолдоонун эң жакшы моделине негизделген Ni концентрациясын визуалдаштыруу үчүн колдонулган. SeOM баалоосунда иштетилген маалыматтар n киргизүү-өлчөмдүү вектордук өзгөрмөлөр катары колдонулат43,56.Мелссен жана башкалар. 57де нейрон тармагына бир киргизүү катмары аркылуу кирүү векторунун бир салмак вектору бар чыгуу векторуна туташуусу сүрөттөлөт. SeOM тарабынан түзүлгөн чыгуу – бул ар кандай нейрондордон же түйүндөрдөн турган, алардын жакындыгына жараша алты бурчтуу, тегерек же чарчы топологиялык карталарга токулган эки өлчөмдүү карта. Метрикалык, кванттоо катасы (QE) жана топографиялык ката (TE) негизинде картанын өлчөмдөрүн салыштырып, тиешелүүлүгүнө жараша 0,086 жана 0,904 болгон SeOM модели тандалып алынган, ал 55 карта бирдиги (5 × 11). Нейрондун түзүлүшү эмпирикалык теңдемедеги түйүндөрдүн санына жараша аныкталат.
Бул изилдөөдө колдонулган маалыматтардын саны 115 үлгүнү түзөт. Маалыматтарды тест маалыматтарына (25% валидация үчүн) жана окутуу маалыматтар топтомдоруна (75% калибрлөө үчүн) бөлүү үчүн кокустук ыкма колдонулган. Окуу маалыматтар топтому регрессиялык моделди (калибрлөө) түзүү үчүн колдонулат, ал эми тест маалыматтар топтому жалпылоо жөндөмүн текшерүү үчүн колдонулат58. Бул топурактагы никельдин курамын алдын ала айтуу үчүн ар кандай моделдердин ылайыктуулугун баалоо үчүн жасалган. Колдонулган бардык моделдер беш жолу кайталанган он эселенген кайчылаш валидациялоо процессинен өткөн. EBK интерполяциясы менен түзүлгөн өзгөрмөлөр максаттуу өзгөрмөнү (PTE) алдын ала айтуу үчүн божомолдоочу же түшүндүрүүчү өзгөрмөлөр катары колдонулат. Моделдөө RStudioдо пакеттер китепканасы (Kohonen), китепканасы (caret), китепканасы (modelr), китепканасы (“e1071″), китепканасы (“plyr”), китепканасы (“caTools”), китепканасы (“prospectr”) жана китепканалары (“Metrics”) аркылуу иштетилет.
Топурактагы никельдин концентрациясын алдын ала айтууга ылайыктуу эң жакшы моделди аныктоо жана моделдин тактыгын жана аны валидациялоону баалоо үчүн ар кандай валидация параметрлери колдонулган. Гибридизация моделдери орточо абсолюттук ката (MAE), орточо квадраттык ката (RMSE) жана R-квадрат же коэффициентти аныктоо (R2) аркылуу бааланган. R2 жооптогу пропорциялардын дисперсиясын аныктайт, ал регрессиялык модель менен көрсөтүлгөн. Көз карандысыз өлчөөлөрдөгү RMSE жана дисперсиянын чоңдугу моделдин алдын ала айтуу күчүн сүрөттөйт, ал эми MAE чыныгы сандык маанини аныктайт. Валидация параметрлерин колдонуу менен эң мыкты аралашма моделин баалоо үчүн R2 мааниси жогору болушу керек, мааниси 1ге канчалык жакын болсо, тактыгы ошончолук жогору болот. Ли жана башкалар 59 боюнча, R2 критерийинин мааниси 0,75 же андан жогору болсо, жакшы предиктор деп эсептелет; 0,5тен 0,75ке чейин моделдин алгылыктуу иштеши, ал эми 0,5тен төмөн болсо, моделдин алгылыксыз иштеши болуп саналат. RMSE жана MAE валидация критерийлерин баалоо ыкмаларын колдонуп моделди тандоодо алынган төмөнкү маанилер жетиштүү болгон жана эң жакшы тандоо деп эсептелген. Төмөнкү теңдеме текшерүү ыкмасын сүрөттөйт.
мында n байкалган маанинин өлчөмүн билдирет\({Y}_{i}\) өлчөнгөн жоопту билдирет, ал эми \({\widehat{Y}}_{i}\) да биринчи i байкоолор үчүн болжолдонгон жооп маанисин билдирет.
Болжолдоочу жана жооп өзгөрмөлөрүнүн статистикалык сүрөттөмөлөрү 1-таблицада келтирилген, анда орточо маани, стандарттык четтөө (SD), вариация коэффициенти (CV), минималдуу, максималдуу, куртоз жана кыйшайуу көрсөтүлгөн. Элементтердин минималдуу жана максималдуу маанилери тиешелүү түрдө Mg < Ca < K < Ni жана Ca < Mg < K < Ni азайып бараткан тартипте жайгашкан. Изилдөө аймагынан алынган жооп өзгөрмөсүнүн (Ni) концентрациясы 4,86дан 42,39 мг/кгга чейин болгон. Niди дүйнөлүк орточо көрсөткүч (29 мг/кг) жана Европанын орточо көрсөткүчү (37 мг/кг) менен салыштыруу изилдөө аймагы үчүн жалпы эсептелген геометриялык орточо көрсөткүч жол берилген диапазондо экенин көрсөттү. Ошого карабастан, Kabata-Pendias11 көрсөткөндөй, учурдагы изилдөөдөгү никельдин (Ni) орточо концентрациясын Швециядагы айыл чарба топурактары менен салыштыруу учурдагы орточо никель концентрациясынын жогору экенин көрсөтүп турат. Ошо сыяктуу эле, учурдагы изилдөөдө шаардык жана шаар четиндеги топурактардагы Frydek Mistekтин орточо концентрациясы (Ni 16,15 мг/кг) төмөнкүдөн жогору болгон. Рожански жана башкалар билдиргендей, поляк шаардык топурактарында Ni үчүн уруксат берилген 60 (10,2 мг/кг) чеги. Андан тышкары, Бретцель жана Калдериси61 азыркы изилдөөгө салыштырмалуу Тосканадагы шаардык топурактарда Niдин орточо концентрациясынын өтө төмөндүгүн (1,78 мг/кг) белгилешкен. Jim62 ошондой эле Гонконгдун шаардык топурактарында никельдин концентрациясынын төмөндүгүн (12,34 мг/кг) аныкташкан, бул ушул изилдөөдөгү азыркы никельдин концентрациясынан төмөн. Бирке жана башкалар63 Германиянын Саксония-Анхальт шаарындагы эски тоо-кен жана шаардык өнөр жай аймагында Niдин орточо концентрациясы 17,6 мг/кг экенин билдиришкен, бул аймактагы Niдин орточо концентрациясынан (16,15 мг/кг) 1,45 мг/кг жогору болгон. Учурдагы изилдөөлөр. Изилдөө аймагынын айрым шаардык жана шаар четиндеги аймактарындагы топурактардагы никельдин ашыкча болушу негизинен темир жана болот өнөр жайы жана металл өнөр жайы менен байланыштуу болушу мүмкүн. Бул Ходадуст жана башкалар тарабынан жүргүзүлгөн изилдөөгө дал келет. 64 болот өнөр жайы жана металл иштетүү топурактагы никель менен булгануунун негизги булактары болуп саналат. Бирок, божомолдоочу факторлор Ca үчүн 538,70 мг/кгдан 69 161,80 мг/кгга чейин, K үчүн 497,51 мг/кгдан 3535,68 мг/кгга чейин жана Mg үчүн 685,68 мг/кгдан 5970,05 мг/кгга чейин болгон. Яковлевич жана башкалар. 65 Сербиянын борбордук бөлүгүндөгү топурактардын жалпы Mg жана K курамын изилдеген. Алар жалпы концентрациялардын (тиешелүүлүгүнө жараша 410 мг/кг жана 400 мг/кг) учурдагы изилдөөдөгү Mg жана K концентрацияларынан төмөн экенин аныкташкан. Чыгыш Польшада Оржеховский жана Смольчинский66 Ca, Mg жана K жалпы курамын баалап, Ca (1100 мг/кг), Mg (590 мг/кг) жана K (810 мг/кг) орточо концентрацияларын көрсөтүшкөн. Топурактын үстүнкү катмарындагы курамы бул изилдөөдөгү бир элементтен төмөн. Понграк жана башкалар тарабынан жүргүзүлгөн жакында жүргүзүлгөн изилдөө Шотландиядагы, Улуу Британиядагы 3 башка топуракта (Милнефилд топурагы, Балруддери топурагы жана Хартвуд топурагы) талданган жалпы Ca курамы бул изилдөөдө Ca курамынын жогору экенин көрсөткөнүн көрсөттү.
Үлгү алынган элементтердин өлчөнгөн концентрацияларынын ар кандай болушунан улам, элементтердин маалыматтар топтомунун бөлүштүрүлүшү ар кандай кыйшыктыкты көрсөтөт. Элементтердин кыйшыктыгы жана куртоздугу тиешелүүлүгүнө жараша 1,53төн 7,24кө чейин жана 2,49дан 54,16га чейин болгон. Бардык эсептелген элементтерде кыйшыктык жана куртоздук деңгээлдер +1ден жогору, бул маалыматтардын бөлүштүрүлүшү туура эмес, туура багытта кыйшык жана чокуга жеткенин көрсөтүп турат. Элементтердин болжолдуу CV көрсөткүчтөрү ошондой эле K, Mg жана Ni орточо өзгөрмөлүүлүктү, ал эми Ca өтө жогорку өзгөрмөлүүлүккө ээ экенин көрсөтөт. K, Ni жана Mg CV көрсөткүчтөрү алардын бирдей бөлүштүрүлүшүн түшүндүрөт. Андан тышкары, Ca бөлүштүрүлүшү бирдей эмес жана тышкы булактар ​​анын байытуу деңгээлине таасир этиши мүмкүн.
Болжолдоочу өзгөрмөлөрдүн жооп элементтери менен корреляциясы элементтердин ортосундагы канааттандырарлык корреляцияны көрсөттү (3-сүрөттү караңыз). Корреляция CaK, CaNi сыяктуу эле, r мааниси = 0,53 менен орточо корреляцияны көрсөткөнүн көрсөттү. Ca жана K бири-бири менен орточо байланыштарды көрсөтсө да, Кингстон ж.б. сыяктуу изилдөөчүлөр... 68 жана Santo69 алардын топурактагы деңгээли тескери пропорционалдуу экенин көрсөтүп турат. Бирок, Ca жана Mg Kге антагонисттик, бирок CaK жакшы корреляцияланат. Бул калийдеги 56% жогору болгон калий карбонаты сыяктуу жер семирткичтерди колдонуудан улам болушу мүмкүн. Калий магний менен орточо корреляцияланган (KM r = 0.63). Жер семирткич өнөр жайында бул эки элемент тыгыз байланышта, анткени калий магний сульфаты, калий магний нитраты жана калий топуракка алардын жетишсиздигинин деңгээлин жогорулатуу үчүн колдонулат. Никель Ca, K жана Mg менен орточо корреляцияланат, r маанилери тиешелүүлүгүнө жараша = 0.52, 0.63 жана 0.55. Кальций, магний жана никель сыяктуу ФТЭ менен байланышкан байланыштар татаал, бирок ошого карабастан, магний кальцийдин сиңишине тоскоол болот, кальций ашыкча магнийдин таасирин азайтат жана магний да, кальций да топурактагы никельдин уулуу таасирин азайтат.
Болжолдоочулар менен жооптордун ортосундагы байланышты көрсөткөн элементтер үчүн корреляциялык матрица (Эскертүү: бул сүрөттө элементтердин ортосундагы чачыранды диаграмма камтылган, маанилүүлүк деңгээлдери p < 0,001ге негизделген).
4-сүрөттө элементтердин мейкиндиктеги бөлүштүрүлүшү көрсөтүлгөн. Бургос жана башкалардын айтымында, мейкиндиктеги бөлүштүрүүнү колдонуу булганган аймактардагы ысык чекиттерди сандык жактан аныктоо жана белгилөө үчүн колдонулган ыкма болуп саналат. 4-сүрөттөгү Санын байытуу деңгээлин мейкиндиктеги бөлүштүрүү картасынын түндүк-батыш бөлүгүнөн көрүүгө болот. Сүрөттө орточо жана жогорку Са байытуу ысык чекиттери көрсөтүлгөн. Картанын түндүк-батышындагы кальцийдин байышы топурактын кычкылдуулугун азайтуу үчүн тез акиташтын (кальций кычкылы) колдонулушуна жана аны болот заводдорунда болот эритүү процессинде щелочтуу кычкылтек катары колдонуусуна байланыштуу болушу мүмкүн. Башка жагынан алганда, башка дыйкандар кислоталуу топурактарда рН нейтралдаштыруу үчүн кальций гидроксидин колдонууну артык көрүшөт, бул топурактын кальций курамын да жогорулатат71. Калий картанын түндүк-батышында жана чыгышында ысык чекиттерди да көрсөтөт. Түндүк-батыш ири айыл чарба коомчулугу болуп саналат жана калийдин орточодон жогоркуга чейинки схемасы NPK жана калий кычкылтектерин колдонуудан улам болушу мүмкүн. Бул Мадарас жана Липавский72, Мадарас жана башкалардын73, Пулкрабова жана башкалардын74, Асаре жана башкалардын75 сыяктуу башка изилдөөлөрүнө дал келет, алар муну байкашкан Топуракты турукташтыруу жана KCl жана NPK менен иштетүү топурактагы калийдин жогорку курамына алып келди. Таралуу картасынын түндүк-батышындагы мейкиндиктеги калийдин байышы начар топурактардын калий курамын көбөйтүү үчүн калий хлориди, калий сульфаты, калий нитраты, калий жана калий сыяктуу калий негизиндеги жер семирткичтерди колдонуу менен байланыштуу болушу мүмкүн. Zádorova et al. 76 жана Tlustoš et al. 77-де калий негизиндеги жер семирткичтерди колдонуу топурактагы калийдин курамын жогорулатып, узак мөөнөттүү келечекте топурактагы азык заттардын курамын, айрыкча топурактагы ысык чекитти көрсөткөн калий жана магнийдин курамын бир топ жогорулатары белгиленген. Картанын түндүк-батышында жана картанын түштүк-чыгышында салыштырмалуу орточо ысык чекиттер. Топурактагы коллоиддик фиксация топурактагы магнийдин концентрациясын төмөндөтөт. Анын топурактагы жетишсиздиги өсүмдүктөрдүн саргыч интервенттик хлорозун пайда кылат. Калий магний сульфаты, магний сульфаты жана кизерит сыяктуу магний негизиндеги жер семирткичтер кадимки рН диапазонундагы топурактардагы жетишсиздиктерди (өсүмдүктөр кочкул кызыл, кызыл же күрөң түстө көрүнөт, бул магнийдин жетишсиздигин көрсөтөт) дарылайт6. Шаардык жана шаар четиндеги топурак беттеринде никельдин топтолушу айыл чарбасы сыяктуу антропогендик иш-аракеттерге жана дат баспас болоттон жасалган буюмдарды өндүрүүдөгү никельдин маанисине байланыштуу болушу мүмкүн78.
Элементтердин мейкиндиктеги бөлүштүрүлүшү [мейкиндиктеги бөлүштүрүү картасы ArcGIS Desktop (ESRI, Inc, 10.7 версиясы, URL: https://desktop.arcgis.com) аркылуу түзүлгөн.]
Бул изилдөөдө колдонулган элементтер үчүн моделдин иштөө индексинин жыйынтыктары 2-таблицада көрсөтүлгөн. Башка жагынан алганда, Niнин RMSE жана MAE көрсөткүчтөрү нөлгө жакын (0,86 RMSE, -0,08 MAE). Башка жагынан алганда, Kнин RMSE жана MAE маанилеринин экөө тең кабыл алынат. RMSE жана MAE жыйынтыктары кальций жана магний үчүн жогору болгон. Ca жана K MAE жана RMSE жыйынтыктары ар кандай маалыматтар топтомдорунан улам жогору. Ni алдын ала айтуу үчүн EBK колдонулган бул изилдөөнүн RMSE жана MAE көрсөткүчтөрү, ошол эле чогултулган маалыматтарды колдонуп, топурактагы S концентрациясын алдын ала айтуу үчүн синергетикалык кригингди колдонгон John et al. 54 жыйынтыктарына караганда жакшыраак экени аныкталды. Биз изилдеген EBK көрсөткүчтөрү Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 жана John et al. 82 жыйынтыктары менен, айрыкча K жана Ni менен байланыштуу.
Шаардык жана шаар четиндеги топурактардагы никельдин курамын алдын ала айтуу үчүн жеке ыкмалардын натыйжалуулугу моделдердин натыйжалуулугун колдонуу менен бааланган (3-таблица). Моделди валидациялоо жана тактыкты баалоо Ca_Mg_K предиктору EBK SVMR модели менен айкалышып, эң жакшы натыйжа бергенин тастыктады. Ca_Mg_K-EBK_SVMR калибрлөө модели R2, орточо квадраттык ката (RMSE) жана орточо абсолюттук ката (MAE) 0,637 (R2), 95,479 мг/кг (RMSE) жана 77,368 мг/кг (MAE) болгон. Ca_Mg_K-SVMR 0,663 (R2), 235,974 мг/кг (RMSE) жана 166,946 мг/кг (MAE) болгон. Ошого карабастан, Ca_Mg_K-SVMR (0,663 мг/кг R2) жана Ca_Mg-EBK_SVMR (0,643 = R2) үчүн жакшы R2 маанилери алынган; алардын RMSE жана MAE жыйынтыктары Ca_Mg_K-EBK_SVMR (R2 0.637) жыйынтыктарынан жогору болгон (3-таблицаны караңыз). Мындан тышкары, Ca_Mg-EBK_SVMR (RMSE = 1664.64 жана MAE = 1031.49) моделинин RMSE жана MAE көрсөткүчтөрү тиешелүүлүгүнө жараша 17.5 жана 13.4 түзөт, бул Ca_Mg_K-EBK_SVMR көрсөткүчтөрүнөн чоңураак. Ошо сыяктуу эле, Ca_Mg-K SVMR (RMSE = 235.974 жана MAE = 166.946) моделинин RMSE жана MAE көрсөткүчтөрү Ca_Mg_K-EBK_SVMR RMSE жана MAE көрсөткүчтөрүнөн тиешелүүлүгүнө жараша 2.5 жана 2.2 чоңураак. Эсептелген RMSE жыйынтыктары маалыматтар топтомунун эң жакшы туура келген сызыкка канчалык деңгээлде топтолгонун көрсөтүп турат. Жогорку RSME жана MAE байкалган. Кебонье жана башкалар боюнча... 46 жана Джон ж.б. 54, RMSE жана MAE нөлгө канчалык жакын болсо, натыйжалар ошончолук жакшы болот. SVMR жана EBK_SVMR жогорку квантталган RSME жана MAE маанилерине ээ. RSME баалоолору MAE маанилеринен дайыма жогору экени байкалган, бул четтөөчүлөрдүн бар экендигин көрсөтөт. Легейтс жана МакКейбдин айтымында, RMSE орточо абсолюттук катадан (MAE) ашып кетүү даражасы четтөөчүлөрдүн бар экендигинин индикатору катары сунушталат. Бул маалыматтар топтому канчалык гетерогендүү болсо, MAE жана RMSE маанилери ошончолук жогору экенин билдирет. Шаардык жана шаар четиндеги топурактардагы Ni курамын алдын ала айтуу үчүн Ca_Mg_K-EBK_SVMR аралаш моделинин кайчылаш валидациялык баалоосунун тактыгы 63,70% түзгөн. Ли ж.б. 59 боюнча, бул тактык деңгээли моделдин иштөө көрсөткүчүнүн алгылыктуу көрсөткүчү болуп саналат. Учурдагы жыйынтыктар Тарасов ж.б. тарабынан жүргүзүлгөн мурунку изилдөө менен салыштырылат. 36 гибриддик модели менен MLPRK (Multilayer Perceptron Residual Kriging) түзүлгөн, бул учурдагы изилдөөдө билдирилген EBK_SVMR тактык баалоо индексине байланыштуу, RMSE (210) жана MAE (167.5) учурдагы изилдөөдөгү биздин жыйынтыктардан (RMSE 95.479, MAE 77.368) жогору болгон. Бирок, учурдагы изилдөөнүн R2син (0.637) Тарасов ж.б. менен салыштырганда. 36 (0.544) сүрөтүнөн көрүнүп тургандай, бул аралаш моделде аныктоо коэффициенти (R2) жогору. Аралаш модел үчүн ката чеги (RMSE жана MAE) (EBK SVMR) эки эсе төмөн. Ошо сыяктуу эле, Сергеев жана башкалар34 иштелип чыккан гибриддик модель (Multilayer Perceptron Residual Kriging) үчүн 0.28 (R2) жазышкан, ал эми учурдагы изилдөөдө Ni 0.637 (R2) жазышкан. Бул моделдин (EBK SVMR) божомолдоо тактыгы 63.7%ды түзөт, ал эми Сергеев жана башкалар 34 тарабынан алынган божомолдоо тактыгы 28%ды түзөт. EBK_SVMR моделин жана Ca_Mg_K божомолдоочу катары колдонуу менен түзүлгөн акыркы карта (5-сүрөт) изилдөө аймагынын бардык жеринде ысык чекиттердин жана орточодон никельге чейинки болжолдоолорду көрсөтөт. Бул изилдөө аймагындагы никельдин концентрациясы негизинен орточо, айрым белгилүү бир аймактарда концентрациясы жогору экенин билдирет.
Акыркы божомол картасы EBK_SVMR гибриддик моделин жана Ca_Mg_K божомолдоочу катары колдонуу менен көрсөтүлгөн. [Мейкиндик бөлүштүрүү картасы RStudio (1.4.1717 версиясы: https://www.rstudio.com/) аркылуу түзүлгөн.]
6-сүрөттө жеке нейрондордон турган курамдык тегиздик катары PTE концентрациялары көрсөтүлгөн. Компоненттик тегиздиктердин бири да көрсөтүлгөндөй бирдей түс схемасын көрсөткөн эмес. Бирок, чийилген картадагы нейрондордун тиешелүү саны 55. SeOM ар кандай түстөрдү колдонуу менен өндүрүлөт жана түс схемалары канчалык окшош болсо, үлгүлөрдүн касиеттери ошончолук окшош болот. Алардын так түс масштабына ылайык, жеке элементтер (Ca, K жана Mg) бир жогорку нейрондорго жана көпчүлүк төмөнкү нейрондорго окшош түс схемаларын көрсөтүштү. Ошентип, CaK жана CaMg өтө жогорку тартиптеги нейрондор жана төмөнкүдөн орточого чейинки түс схемалары менен кээ бир окшоштуктарга ээ. Эки модель тең кызыл, кызгылт сары жана сары сыяктуу ортодон жогоркуга чейинки түстөрдү көрсөтүү менен топурактагы Ni концентрациясын алдын ала айтышат. KMg модели так пропорцияларга жана төмөнкүдөн орточого чейинки түстөгү тактарга негизделген көптөгөн жогорку түс схемаларын көрсөтөт. Төмөндөн жогоркуга чейинки так түс масштабында, моделдин компоненттеринин тегиздик бөлүштүрүү схемасы топурактагы никельдин потенциалдуу концентрациясын көрсөткөн жогорку түс схемасын көрсөттү (4-сүрөттү караңыз). CakMg моделинин компоненттик тегиздиги так түскө ылайык төмөнкүдөн жогоркуга чейинки ар кандай түс схемасын көрсөтөт. масштаб. Андан тышкары, моделдин никельдин курамын (CakMg) божомолу 5-сүрөттө көрсөтүлгөн никельдин мейкиндиктеги бөлүштүрүлүшүнө окшош. Эки график тең шаардык жана шаар четиндеги топурактардагы никель концентрациясынын жогорку, орто жана төмөнкү пропорцияларын көрсөтөт. 7-сүрөттө картадагы k-орточо топтоодогу контур ыкмасы көрсөтүлгөн, ал ар бир моделдеги болжолдонгон мааниге негизделген үч кластерге бөлүнгөн. Контур ыкмасы кластерлердин оптималдуу санын билдирет. Чогултулган 115 топурак үлгүлөрүнүн ичинен 1-категория эң көп топурак үлгүлөрүн, 74тү алган. 2-кластер 33 үлгүнү, ал эми 3-кластер 8 үлгүнү алган. Жети компоненттүү тегиздик предикторунун айкалышы кластерди туура чечмелөөгө мүмкүндүк берүү үчүн жөнөкөйлөтүлгөн. Топурактын пайда болушуна таасир этүүчү көптөгөн антропогендик жана табигый процесстерден улам, бөлүштүрүлгөн SeOM картасында туура дифференциацияланган кластердик үлгүлөргө ээ болуу кыйын78.
Ар бир Эмпирикалык Байес Кригинг колдоо вектору машинасынын (EBK_SVM_SeOM) өзгөрмөсү тарабынан компоненттик тегиздиктин чыгышы. [SeOM карталары RStudio (1.4.1717 версиясы: https://www.rstudio.com/) колдонуу менен түзүлгөн.]
Кластердик классификациянын ар кандай компоненттери [SeOM карталары RStudio (1.4.1717 версиясы: https://www.rstudio.com/) аркылуу түзүлгөн.]
Учурдагы изилдөө шаардык жана шаар четиндеги топурактардагы никельдин концентрациясын моделдөө ыкмаларын ачык көрсөтүп турат. Изилдөөдө топурактагы никельдин концентрациясын алдын ала айтуунун эң жакшы жолун алуу үчүн элементтерди моделдөө ыкмалары менен айкалыштырган ар кандай моделдөө ыкмалары сыналган. Моделдөө ыкмасынын SeOM курамдык тегиздик мейкиндик өзгөчөлүктөрү так түс шкаласында төмөнкүдөн жогоркуга чейин жогорку түстүү үлгүнү көрсөтүп, топурактагы Ni концентрациясын көрсөтөт. Бирок, мейкиндик бөлүштүрүү картасы EBK_SVMR тарабынан көрсөтүлгөн компоненттердин тегиздик мейкиндик бөлүштүрүлүшүн тастыктайт (5-сүрөттү караңыз). Жыйынтыктар көрсөткөндөй, колдоо векторунун машиналык регрессия модели (Ca Mg K-SVMR) топурактагы Ni концентрациясын бирдиктүү модель катары алдын ала айтат, бирок валидация жана тактыкты баалоо параметрлери RMSE жана MAE жагынан өтө жогорку каталарды көрсөтөт. Башка жагынан алганда, EBK_MLR моделинде колдонулган моделдөө ыкмасы аныктоо коэффициентинин (R2) төмөн маанисинен улам да кемчиликтүү. Жакшы натыйжалар EBK SVMR жана RMSE жана MAE каталары төмөн айкалышкан элементтерди (CaKMg) 63,7% тактык менен колдонуу менен алынган. Көрсө, EBK алгоритмин машиналык үйрөнүү алгоритми менен айкалыштыруу гибриддик алгоритмди түзө алат экен. топурактагы ПТЭ концентрациясын алдын ала айта алат. Жыйынтыктар көрсөткөндөй, изилдөө аймагындагы Ni концентрациясын алдын ала айтуу үчүн Ca Mg Kди предиктор катары колдонуу топурактагы Niнин алдын ала айтууну жакшырта алат. Бул никель негизиндеги жер семирткичтерди үзгүлтүксүз колдонуу жана болот өнөр жайы тарабынан топурактын өнөр жайлык булганышы топурактагы никельдин концентрациясын жогорулатуу тенденциясына ээ экенин билдирет. Бул изилдөө EBK модели ката деңгээлин төмөндөтүп, шаардык же шаар четиндеги топурактарда топурактын мейкиндиктеги бөлүштүрүлүшүнүн моделинин тактыгын жакшырта аларын көрсөттү. Жалпысынан алганда, биз топурактагы ПТЭни баалоо жана алдын ала айтуу үчүн EBK-SVMR моделин колдонууну сунуштайбыз; мындан тышкары, биз ар кандай машиналык үйрөнүү алгоритмдери менен гибриддештирүү үчүн EBKди колдонууну сунуштайбыз. Ni концентрациялары ковариаттар катары элементтерди колдонуу менен алдын ала айтылган; бирок, көбүрөөк ковариаттарды колдонуу моделдин иштешин бир топ жакшыртат, бул учурдагы иштин чектөөсү деп эсептесе болот. Бул изилдөөнүн дагы бир чектөөсү - маалыматтар топтомунун саны 115. Ошондуктан, эгерде көбүрөөк маалыматтар берилсе, сунушталган оптималдаштырылган гибриддештирүү ыкмасынын иштешин жакшыртууга болот.
PlantProbs.net. Өсүмдүктөрдөгү жана топурактагы никель https://plantprobs.net/plant/nutrientImbalances/sodium.html (Кирүү күнү 28-апрель, 2021-жыл).
Каспрзак, К.С. Никель заманбап экологиялык токсикологиядагы жетишкендиктер. айлана-чөйрө. токсикология.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Анын булактарына жана айлана-чөйрөнүн токсикологиясына сереп. Polish J. Environment.Stud.15, 375–382 (2006).
Фридман, Б. жана Хатчинсон, Т.К. Канаданын Онтарио штатындагы Садбери шаарындагы никель-жез эритүүчү заводдун жанындагы атмосферадан кирген булгоочу заттардын жана топуракта жана өсүмдүктөрдө топтолушунун таасири.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Манива, Т. жана башкалар. Ботсванадагы Селеби-Фикве жез-никель кенинин жанындагы топурактагы, өсүмдүктөрдөгү оор металлдар жана жайыттагы кепшөөчү жаныбарлар менен байланышкан тобокелдиктер. айлана-чөйрө. Геохимия. Ден соолук https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Топурактагы микроэлементтер жана… – 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= (Кирүү күнү 24-ноябрь, 2020-жыл).
Almås, A., Singh, B., Айыл чарба, TS-NJ of & 1995, аныкталбаган. Норвегиянын Соер-Варангер шаарындагы айыл чарба топурактарындагы жана чөптөрүндөгү оор металлдардын концентрациясына орус никель өнөр жайынын таасири. agris.fao.org.
Нильсен, Г.Д. жана башкалар. Ичүүчү сууда никельдин сиңиши жана кармалышы тамак-ашты кабыл алуу жана никельге сезгичтик менен байланыштуу. токсикология. колдонуу. Фармакодинамика.154, 67–75 (1999).
Коста, М. жана Клейн, КБ Никель канцерогенези, мутация, эпигенетика же тандоо. айлана-чөйрө. Ден соолукка көз караш. 107, 2 (1999).
Ажман, П.К.; Ажадо, С.К.; Борувка, Л.; Бини, Ж.К.М.; Саркоди, В.ЙО; Кобонье, Н.М.; Потенциалдуу уулуу элементтердин тенденцияларын талдоо: библиометриялык сереп. Айлана-чөйрөнүн геохимия жана ден соолук. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасни, Б. жана МакБратни, AB Санариптик топурак картасы: кыскача тарыхы жана кээ бир сабактар. Геодерма 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On санариптик топурак картасы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистикалык резервуарларды моделдөө,… – 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= (Кирүү күнү 28-апрель, 2021-жыл).