Dėkojame, kad apsilankėte Nature.com. Jūsų naudojama naršyklės versija turi ribotą CSS palaikymą. Kad užtikrintumėte geriausią patirtį, rekomenduojame naudoti atnaujintą naršyklę (arba išjungti suderinamumo režimą „Internet Explorer“). Tuo tarpu, siekdami užtikrinti nuolatinį palaikymą, svetainę rodysime be stilių ir „JavaScript“.
Dirvožemio tarša yra didelė žmogaus veiklos sukelta problema. Potencialiai toksiškų elementų (PTE) erdvinis pasiskirstymas daugumoje miestų ir priemiesčių teritorijų skiriasi. Todėl sunku erdviškai numatyti PTE kiekį tokiuose dirvožemiuose. Iš Frydek Mistek Čekijoje buvo gauta iš viso 115 mėginių. Kalcio (Ca), magnio (Mg), kalio (K) ir nikelio (Ni) koncentracijos buvo nustatytos naudojant induktyviai sujungtą plazmos emisijos spektrometriją. Atsako kintamasis yra Ni, o prognozuojantys kintamieji yra Ca, Mg ir K. Koreliacijos matrica tarp atsako kintamojo ir prognozuojamojo kintamojo rodo patenkinamą koreliaciją tarp elementų. Prognozavimo rezultatai parodė, kad atraminių vektorių mašininė regresija (SVMR) veikė gerai, nors jos apskaičiuota vidutinė kvadratinė paklaida (RMSE) (235,974 mg/kg) ir vidutinė absoliuti paklaida (MAE) (166,946 mg/kg) buvo didesnės nei kitų taikytų metodų. Mišrūs empirinės Bajeso krigingo-daugybinės tiesinės regresijos (EBK-MLR) modeliai veikia prastai, ką rodo determinacijos koeficientai. mažesnis nei 0,1. Empirinis Bajeso krigingo-atraminės vektoriaus mašinos regresijos (EBK-SVMR) modelis buvo geriausias, pasižymėjęs mažomis RMSE (95,479 mg/kg) ir MAE (77,368 mg/kg) vertėmis bei dideliu nustatymo koeficientu (R2 = 0,637). EBK-SVMR modeliavimo technikos rezultatas vizualizuojamas naudojant savaime organizuojamą žemėlapį. Klasterizuoti neuronai hibridinio modelio CakMg-EBK-SVMR komponento plokštumoje rodo kelis spalvų modelius, kurie prognozuoja Ni koncentraciją miesto ir priemiesčio dirvožemiuose. Rezultatai rodo, kad EBK ir SVMR derinimas yra efektyvi Ni koncentracijų miesto ir priemiesčio dirvožemiuose prognozavimo technika.
Nikelis (Ni) laikomas augalų mikroelementu, nes jis prisideda prie atmosferos azoto (N) fiksacijos ir karbamido metabolizmo, kurie abu yra būtini sėklų dygimui. Be indėlio į sėklų dygimą, Ni gali veikti kaip grybelinis ir bakterinis inhibitorius bei skatinti augalų vystymąsi. Nikelio trūkumas dirvožemyje leidžia augalui jį absorbuoti, todėl lapai gali chloruotis. Pavyzdžiui, žirneliai ir žaliosios pupelės reikalauja naudoti nikelio pagrindu pagamintas trąšas, kad būtų optimizuota azoto fiksacija2. Nuolatinis nikelio pagrindu pagamintų trąšų naudojimas dirvožemiui praturtinti ir ankštinių augalų gebėjimui fiksuoti azotą dirvožemyje padidinti nuolat didina nikelio koncentraciją dirvožemyje. Nors nikelis yra augalų mikroelementas, jo per didelis suvartojimas dirvožemyje gali padaryti daugiau žalos nei naudos. Nikelio toksiškumas dirvožemyje sumažina dirvožemio pH ir trukdo įsisavinti geležį, kaip pagrindinę augalų augimui reikalingą maistinę medžiagą1. Pasak Liu3, nustatyta, kad Ni yra 17-as svarbus elementas, būtinas augalų vystymuisi ir augimui. Be nikelio vaidmens augalų vystymuisi ir augimui, žmonėms jo reikia įvairiems tikslams.Galvanizavimui, nikelio pagrindu pagamintų lydinių gamybai ir... Automobilių pramonės uždegimo įtaisams ir uždegimo žvakėms įvairiuose pramonės sektoriuose reikalingas nikelis. Be to, nikelio lydiniai ir galvanizuoti gaminiai plačiai naudojami virtuvės reikmenyse, pobūvių salių aksesuaruose, maisto pramonės reikmenyse, elektros gaminiuose, laiduose ir kabeliuose, reaktyvinėse turbinose, chirurginiuose implantuose, tekstilės gaminiuose ir laivų statyboje5. Ni turtingas dirvožemio kiekis (t. y. paviršiniame dirvožemyje) buvo siejamas tiek su antropogeniniais, tiek su natūraliais šaltiniais, tačiau pirmiausia Ni yra natūralus, o ne antropogeninis šaltinis4,6. Natūralūs nikelio šaltiniai yra ugnikalnių išsiveržimai, augmenija, miškų gaisrai ir geologiniai procesai; tačiau antropogeniniai šaltiniai yra nikelio/kadmio baterijos plieno pramonėje, galvanizavimas, lankinis suvirinimas, dyzelinas ir mazutas, taip pat atmosferos išmetamieji teršalai deginant anglis ir atliekas bei dumblą. Nikelio kaupimasis7,8. Remiantis Freedman ir Hutchinson9 bei Manyiwa ir kt. 10, pagrindiniai viršutinio dirvožemio taršos šaltiniai artimiausioje ir gretimoje aplinkoje yra nikelio ir vario lydyklos ir kasyklos. Viršutiniame dirvožemio sluoksnyje aplink Sudbury nikelio ir vario perdirbimo gamyklą Kanadoje buvo didžiausias nikelio užterštumas – 26 000 mg/kg11. Tuo tarpu tarša iš nikelio gamybos Rusijoje lėmė didesnę nikelio koncentraciją Norvegijos dirvožemyje11. Pasak Alms ir kt. 12, HNO3 išgaunamo nikelio kiekis regiono aukščiausios rūšies ariamojoje žemėje (nikelio gamyba Rusijoje) svyravo nuo 6,25 iki 136,88 mg/kg, tai atitinka vidutiniškai 30,43 mg/kg ir pradinę 25 mg/kg koncentraciją. Remiantis kabata 11, fosforo trąšų naudojimas miesto ar priemiesčio dirvožemiuose per vieną po kito einančius derliaus nuėmimo sezonus gali užteršti dirvožemį arba jį užteršti. Galimas nikelio poveikis žmonėms gali sukelti vėžį dėl mutagenezės, chromosomų pažeidimo, Z-DNR susidarymo, blokuoto DNR iškirpimo taisymo arba epigenetinių procesų13. Eksperimentais su gyvūnais nustatyta, kad nikelis gali sukelti įvairius navikus, o kancerogeniniai nikelio kompleksai gali tokius navikus paūminti.
Pastaruoju metu dirvožemio užterštumo vertinimai suklestėjo dėl daugybės su sveikata susijusių problemų, kylančių dėl dirvožemio ir augalų santykių, dirvožemio ir dirvožemio biologinių ryšių, ekologinės degradacijos ir poveikio aplinkai vertinimo. Iki šiol potencialiai toksiškų elementų (PTE), tokių kaip Ni, dirvožemyje, erdvinis prognozavimas naudojant tradicinius metodus buvo sunkus ir daug laiko reikalaujantis. Skaitmeninio dirvožemio žemėlapių sudarymo (DSM) atsiradimas ir dabartinė jo sėkmė15 labai pagerino nuspėjamąjį dirvožemio žemėlapių sudarymą (PSM). Pasak Minasny ir McBratney16, nuspėjamasis dirvožemio žemėlapių sudarymas (DSM) pasirodė esąs svarbi dirvožemio mokslo subdisciplina. Lagacherie ir McBratney, 2006 m., DSM apibrėžia kaip „erdvinių dirvožemio informacinių sistemų kūrimą ir pildymą naudojant in situ ir laboratorinius stebėjimo metodus bei erdvines ir neerdvines dirvožemio išvadų sistemas“. McBratney ir kt. 17 teigiama, kad šiuolaikinis DSM arba PSM yra efektyviausia technika PTE, dirvožemio tipų ir dirvožemio savybių erdvinio pasiskirstymo prognozavimui arba kartografavimui. Geostatistika ir mašininio mokymosi algoritmai (MLA) yra DSM modeliavimo metodai, kurie sukuria skaitmeninius žemėlapius kompiuterių pagalba, naudojant reikšmingus ir minimalius duomenis.
Deutsch18 ir Olea19 apibrėžia geostatistiką kaip „skaitmeninių metodų, skirtų erdvinių atributų vaizdavimui, rinkinį, daugiausia taikant stochastinius modelius, pvz., kaip laiko eilučių analizė apibūdina laiko duomenis“. Visų pirma, geostatistika apima variogramų vertinimą, kuris leidžia kiekybiškai įvertinti ir apibrėžti erdvinių reikšmių priklausomybes iš kiekvieno duomenų rinkinio20. Gumiaux ir kt. 20 paveiksle toliau iliustruojama, kad variogramų vertinimas geostatistikoje grindžiamas trimis principais: (a) duomenų koreliacijos masto apskaičiavimu, (b) duomenų rinkinio neatitikimų anizotropijos nustatymu ir apskaičiavimu ir (c) be to, kad atsižvelgiama į matavimo duomenų, atskirtų nuo vietinių efektų, vidinę paklaidą, taip pat įvertinami ploto efektai. Remiantis šiomis koncepcijomis, geostatistikoje naudojama daug interpoliacijos metodų, įskaitant bendrąjį krigingą, kokrigingą, paprastąjį krigingą, empirinį Bajeso krigingą, paprastojo krigingo metodą ir kitus gerai žinomus interpoliacijos metodus, skirtus PTE, dirvožemio savybėms ir dirvožemio tipams nustatyti arba numatyti.
Mašininio mokymosi algoritmai (MLA) yra palyginti nauja technika, kuri naudoja didesnes netiesines duomenų klases, kurias skatina algoritmai, daugiausia naudojami duomenų gavybai, duomenų modelių nustatymui ir pakartotinai taikomi klasifikavimui tokiose mokslo srityse kaip dirvožemio mokslas ir grąžinimo užduotys. Daugybė mokslinių straipsnių remiasi MLA modeliais, kad numatytų PTE dirvožemyje, pvz., Tan ir kt. 22 (atsitiktiniai miškai sunkiųjų metalų kiekiui žemės ūkio dirvožemiuose įvertinti), Sakizadeh ir kt. 23 (modeliavimas naudojant atraminių vektorių mašinas ir dirbtinius neuroninius tinklus) dirvožemio tarša). Be to, Vega ir kt. 24 (CART sunkiųjų metalų sulaikymo ir adsorbcijos dirvožemyje modeliavimui), Sun ir kt. 25 (kubinio metodo taikymas yra Cd pasiskirstymas dirvožemyje) ir kiti algoritmai, pvz., k-artimiausias kaimynas, apibendrinta sustiprinta regresija ir sustiprintos regresijos medžiai. MLA taip pat taikė PTE dirvožemyje prognozavimui.
DSM algoritmų taikymas prognozavimui ar kartografavimui susiduria su keletu iššūkių. Daugelis autorių mano, kad MLA yra pranašesnis už geostatistiką ir atvirkščiai. Nors vienas yra geresnis už kitą, jų derinys pagerina žemėlapių sudarymo ar prognozavimo tikslumą DSM15. Woodcock ir Gopal26 Finke27; Pontius ir Cheuk28 bei Grunwald29 komentuoja trūkumus ir kai kurias klaidas prognozuojamame dirvožemio kartografavime. Dirvožemio mokslininkai išbandė įvairius metodus, siekdami optimizuoti DSM žemėlapių sudarymo ir prognozavimo efektyvumą, tikslumą ir nuspėjamumą. Neapibrėžtumo ir patikrinimo derinys yra vienas iš daugelio skirtingų aspektų, integruotų į DSM, siekiant optimizuoti efektyvumą ir sumažinti defektus. Tačiau Agyeman ir kt.15 pabrėžia, kad žemėlapio kūrimo ir prognozavimo metu atsirandantis patvirtinimo elgesys ir neapibrėžtumas turėtų būti patvirtinti atskirai, siekiant pagerinti žemėlapio kokybę. DSM apribojimai kyla dėl geografiškai išsklaidytos dirvožemio kokybės, kuri apima neapibrėžtumo komponentą; Tačiau DSM neapibrėžtumas gali kilti dėl kelių klaidų šaltinių, būtent kovariatinės paklaidos, modelio paklaidos, vietos paklaidos ir analitinės paklaidos31. Modeliavimo netikslumai, atsirandantys MLA ir geostatistiniuose procesuose, yra susiję su supratimo stoka, kuri galiausiai veda prie realaus proceso per didelio supaprastinimo32. Nepriklausomai nuo modeliavimo pobūdžio, netikslumai gali būti siejami su modeliavimo parametrais, matematinio modelio prognozėmis arba interpoliacija33. Neseniai atsirado nauja DSM tendencija, skatinanti geostatistikos ir MLA integraciją į kartografavimą ir prognozavimą. Keletas dirvožemio mokslininkų ir autorių, tokių kaip Sergeev ir kt.34; Subbotina ir kt.35; Tarasov ir kt.36 ir Tarasov ir kt.37, pasinaudojo tikslia geostatistikos ir mašininio mokymosi kokybe, kad sukurtų hibridinius modelius, kurie pagerina prognozavimo ir kartografavimo efektyvumą. kokybė. Kai kurie iš šių hibridinių arba kombinuotų algoritmų modelių yra dirbtinio neuroninio tinklo krigingas (ANN-RK), daugiasluoksnis perceptrono liekamasis krigingas (MLP-RK), apibendrintas regresinis neuroninio tinklo liekamasis krigingas (GR-NNRK)36, dirbtinio neuroninio tinklo krigingas su daugiasluoksniu perceptronu (ANN-K-MLP)37 ir kokrigingas bei Gauso proceso regresija38.
Pasak Sergejevo ir kt., įvairių modeliavimo metodų derinimas gali pašalinti defektus ir padidinti gauto hibridinio modelio efektyvumą, o ne kurti vieną modelį. Atsižvelgiant į tai, šiame naujame straipsnyje teigiama, kad norint sukurti optimalius hibridinius modelius, skirtus prognozuoti Ni sodrinimą miesto ir priemiesčių zonose, būtina taikyti kombinuotą geostatistikos ir MLA algoritmą. Šiame tyrime bus naudojamas empirinis Bajeso krigingas (EBK) kaip bazinis modelis ir jis bus derinamas su atraminių vektorių mašinos (SVM) ir daugybinės tiesinės regresijos (MLR) modeliais. EBK hibridizacija su bet kokiu MLA nežinoma. Apžvelgti keli mišrūs modeliai yra įprasto, liekamojo, regresinio krigingo ir MLA deriniai. EBK yra geostatistinis interpoliacijos metodas, kuris naudoja erdviškai stochastinį procesą, lokalizuotą kaip nestacionarus/stacionarus atsitiktinis laukas su apibrėžtais lokalizacijos parametrais lauke, leidžiančiu erdvinį kitimą39. EBK buvo naudojamas įvairiuose tyrimuose, įskaitant organinės anglies pasiskirstymo žemės ūkio dirvožemiuose analizę40, dirvožemio taršos vertinimą41 ir dirvožemio savybių kartografavimą42.
Kita vertus, savarankiškai organizuojamas grafikas (SeOM) yra mokymosi algoritmas, kuris buvo taikomas įvairiuose straipsniuose, tokiuose kaip Li ir kt. 43, Wang ir kt. 44, Hossain Bhuiyan ir kt. 45 ir Kebonye ir kt. 46. Nustatykite elementų erdvinius požymius ir grupavimą. Wang ir kt. 44 pabrėžia, kad SeOM yra galinga mokymosi technika, žinoma dėl savo gebėjimo grupuoti ir įsivaizduoti netiesines problemas. Skirtingai nuo kitų modelių atpažinimo metodų, tokių kaip pagrindinių komponentų analizė, neapibrėžtas klasterizavimas, hierarchinis klasterizavimas ir daugiakriteris sprendimų priėmimas, SeOM geriau organizuoja ir identifikuoja PTE modelius. Pasak Wang ir kt. 44, SeOM gali erdviškai grupuoti susijusių neuronų pasiskirstymą ir užtikrinti didelės skiriamosios gebos duomenų vizualizaciją. SeOM vizualizuos Ni prognozavimo duomenis, kad gautų geriausią modelį rezultatams apibūdinti tiesioginei interpretacijai.
Šio straipsnio tikslas – sukurti patikimą žemėlapių modelį su optimaliu tikslumu nikelio kiekiui miesto ir priemiesčio dirvožemiuose prognozuoti. Mes keliame hipotezę, kad mišraus modelio patikimumas daugiausia priklauso nuo kitų prie bazinio modelio pridėtų modelių įtakos. Mes pripažįstame DSM kylančius iššūkius ir, nors šie iššūkiai sprendžiami įvairiais aspektais, geostatistikos ir MLA modelių pažangos derinys atrodo esąs laipsniškas; todėl bandysime atsakyti į tyrimo klausimus, kurie gali lemti mišrių modelių atsiradimą. Tačiau koks yra modelio tikslumas prognozuojant tikslinį elementą? Be to, koks yra efektyvumo įvertinimo lygis, pagrįstas patvirtinimu ir tikslumo įvertinimu? Todėl konkretūs šio tyrimo tikslai buvo (a) sukurti kombinuotą mišinio modelį SVMR arba MLR, naudojant EBK kaip bazinį modelį, (b) palyginti gautus modelius, (c) pasiūlyti geriausią mišinio modelį Ni koncentracijai miesto arba priemiesčio dirvožemiuose prognozuoti ir (d) pritaikyti SeOM, siekiant sukurti didelės skiriamosios gebos nikelio erdvinio kitimo žemėlapį.
Tyrimas atliekamas Čekijos Respublikoje, konkrečiai Frydek Misteko rajone, Moravijos-Silezijos regione (žr. 1 pav.). Tyrimo srities geografija yra labai raižyta ir daugiausia yra Moravijos-Silezijos Beskidų regiono, kuris yra Karpatų kalnų išorinio pakraščio dalis, dalis. Tyrimo sritis yra tarp 49° 41′ 0′ šiaurės platumos ir 18° 20′ 0′ rytų ilgumos, o aukštis virš jūros lygio yra nuo 225 iki 327 m; Tačiau Koppeno klasifikacijos sistema regiono klimato būklei įvertinti yra Cfb = vidutinis vandenyninis klimatas. Net ir sausais mėnesiais iškrenta daug kritulių. Temperatūra ištisus metus šiek tiek svyruoja nuo −5 °C iki 24 °C, retai nukrenta žemiau −14 °C ar aukščiau 30 °C, o vidutinis metinis kritulių kiekis yra nuo 685 iki 752 mm47. Apskaičiuotas viso ploto plotas yra 1 208 kvadratiniai kilometrai, iš kurių 39,38 % dirbamos žemės ir 49,36 % miškų. Kita vertus, šiame tyrime naudotas plotas yra apie 889,8 kvadratinio kilometro. Ostravoje ir aplink ją labai aktyvi plieno pramonė ir metalo apdirbimo gamyklos. Metalo gamyklos, plieno pramonė, kurioje nikelis naudojamas nerūdijančiame pliene (pvz., atsparumui atmosferos korozijai) ir legiruotame pliene (nikelis padidina lydinio stiprumą, išlaikant gerą jo plastiškumą ir tvirtumą), ir intensyvi žemės ūkis, pavyzdžiui, fosfatinių trąšų naudojimas ir gyvulininkystė, yra potencialūs nikelio šaltiniai regione. (pvz., nikelio davimas ėriukams, siekiant padidinti ėriukų ir mažai šeriamų galvijų augimo tempą). Kiti pramoniniai nikelio panaudojimo tyrimų srityse būdai apima jo naudojimą galvanizavimo procese, įskaitant galvanizavimo nikeliu ir beelektrodinį nikelio dengimą. Dirvožemio savybes lengva atskirti pagal dirvožemio spalvą, struktūrą ir karbonatų kiekį. Dirvožemio tekstūra yra vidutinė arba smulki, gaunama iš pagrindinės medžiagos. Jie yra koluviniai, aliuviniai arba eoliniai. Kai kurios dirvožemio sritys paviršiuje ir podirvyje atrodo margos, dažnai su betonu ir balinimu. Tačiau labiausiai paplitę dirvožemio tipai regione yra rudžemiai ir stagnozėliai48. Čekijos Respublikoje vyrauja rudžemiai, kurių aukštis svyruoja nuo 455,1 iki 493,5 m49.
Tyrimo srities žemėlapis [Tyrimo srities žemėlapis buvo sukurtas naudojant „ArcGIS Desktop“ (ESRI, Inc, 10.7 versija, URL: https://desktop.arcgis.com).]
Iš miesto ir priemiesčio dirvožemio Frydek Mistek rajone iš viso buvo paimta 115 viršutinio dirvožemio sluoksnio mėginių. Mėginių ėmimo schema buvo taisyklingas tinklelis, kuriame dirvožemio mėginiai buvo išdėstyti 2 × 2 km atstumu vienas nuo kito, o viršutinis dirvožemio sluoksnis buvo matuojamas 0–20 cm gylyje naudojant rankinį GPS įrenginį („Leica Zeno 5 GPS“). Mėginiai supakuojami į užsegamus maišelius, tinkamai paženklinami ir siunčiami į laboratoriją. Mėginiai buvo džiovinami ore, kad būtų gauti milteliai, susmulkinami mechanine sistema („Fritsch“ diskiniu malūnu) ir sijojami (sieto dydis 2 mm). Į aiškiai paženklintus tefloninius butelius įdėkite 1 gramą džiovintų, homogenizuotų ir sijotų dirvožemio mėginių. Į kiekvieną tefloninį indą įpilkite 7 ml 35 % HCl ir 3 ml 65 % HNO3 (naudodami automatinį dozatorių – po vieną kiekvienai rūgščiai), lengvai uždenkite ir leiskite mėginiams pastovėti per naktį reakcijai (karališkojo vandens programa). Viršslanis supilamas ant karštos metalinės plokštelės (temperatūra: 100 W ir...). (160 °C) 2 val., kad būtų lengviau skaidyti mėginius, tada atvėsinkite. Supernatantą perkelkite į 50 ml matavimo kolbą ir praskieskite iki 50 ml dejonizuotu vandeniu. Po to praskiestą supernatantą filtruokite į 50 ml PVC mėgintuvėlį su dejonizuotu vandeniu. Be to, 1 ml skiedimo tirpalo buvo praskiestas 9 ml dejonizuoto vandens ir filtruotas į 12 ml mėgintuvėlį, paruoštą PTE pseudokoncentracijai. PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) koncentracijos buvo nustatytos ICP-OES (induktyviai sujungtos plazmos optinės emisijos spektroskopijos) metodu („Thermo Fisher Scientific“, JAV) pagal standartinius metodus ir susitarimą. Užtikrinti kokybės užtikrinimo ir kontrolės (QA/QC) procedūras (SRM NIST 2711a Montana II Soil). PTE, kurių aptikimo riba yra mažesnė nei pusė, buvo neįtraukti į šį tyrimą. Šiame tyrime naudoto PTE aptikimo riba buvo 0,0004 (jūsų). Be to, kiekvienos analizės kokybės kontrolės ir kokybės užtikrinimo procesas užtikrinamas analizuojant etaloninius standartus. Siekiant sumažinti klaidas, buvo atlikta dviguba analizė.
Empirinis Bajeso krigingas (EBK) yra vienas iš daugelio geostatistinių interpoliacijos metodų, naudojamų modeliavimui įvairiose srityse, tokiose kaip dirvožemio mokslas. Skirtingai nuo kitų krigingo interpoliacijos metodų, EBK skiriasi nuo tradicinių krigingo metodų tuo, kad atsižvelgiama į pusvariograminio modelio įvertintą paklaidą. EBK interpoliacijos metu apskaičiuojami keli pusvariograminiai modeliai, o ne viena pusvariogramė. Interpoliacijos metodai leidžia atsižvelgti į neapibrėžtumą ir programavimą, susijusį su pusvariogramės braižymu, kuris yra labai sudėtinga pakankamo krigingo metodo dalis. EBK interpoliacijos procesas atitinka tris Krivoruchko50 pasiūlytus kriterijus: (a) modelis įvertina pusvariogramę iš įvesties duomenų rinkinio, (b) nauja numatoma vertė kiekvienoje įvesties duomenų rinkinio vietoje, pagrįsta sugeneruota pusvariograma, ir (c) galutinis A modelis apskaičiuojamas iš imituoto duomenų rinkinio. Bajeso lygties taisyklė pateikiama kaip aposteriorinė...
Kur \(Prob\left(A\right)\) reiškia ankstesnę tikimybę, \(Prob\left(B\right)\) ribinė tikimybė daugeliu atvejų ignoruojama, \(Prob (B,A)\). Pusvariogramės skaičiavimas pagrįstas Bajeso taisykle, kuri parodo stebėjimų duomenų rinkinių, kuriuos galima sukurti iš pusvariogramų, polinkį. Pusvariogramės vertė nustatoma naudojant Bajeso taisyklę, kuri nurodo, kokia tikimybė sukurti stebėjimų duomenų rinkinį iš pusvariogramės.
Atraminių vektorių mašina yra mašininio mokymosi algoritmas, kuris generuoja optimalią atskyrimo hiperplokštumą, kad atskirtų identiškas, bet ne tiesiškai nepriklausomas klases. Vapnik51 sukūrė ketinimų klasifikavimo algoritmą, tačiau neseniai jis buvo naudojamas regresijos pagrindu veikiančioms problemoms spręsti. Pasak Li ir kt.52, SVM yra viena geriausių klasifikavimo technikų ir buvo naudojama įvairiose srityse. Šioje analizėje buvo naudojamas SVM (atraminių vektorių mašinos regresija – SVMR) regresijos komponentas. Cherkassky ir ​​Mulier53 buvo SVMR pradininkai kaip branduolio pagrindu sukurta regresija, kurios skaičiavimas buvo atliktas naudojant tiesinės regresijos modelį su kelių šalių erdvinėmis funkcijomis. John ir kt.54 praneša, kad SVMR modeliavime naudojama hiperplokštumos tiesinė regresija, kuri sukuria netiesinius ryšius ir leidžia naudoti erdvines funkcijas. Pasak Vohland ir kt. 55, epsilon (ε)-SVMR naudoja apmokytą duomenų rinkinį, kad gautų reprezentacijos modelį kaip epsilonui nejautrią funkciją, kuri taikoma duomenims nepriklausomai atvaizduoti su geriausiu epsiloniniu poslinkiu, gautu apmokant koreliuojamus duomenis. Iš anksto nustatyta atstumo paklaida ignoruojama nuo faktinės vertės, o jei paklaida yra didesnė nei ε(ε), dirvožemio savybės ją kompensuoja. Modelis taip pat sumažina mokymo duomenų sudėtingumą iki platesnio atraminių vektorių pogrupio. Vapnik51 pasiūlyta lygtis parodyta žemiau.
kur b žymi skaliarinę slenkstį, \(K\left({x}_{,}{ x}_{k}\right)\) žymi branduolio funkciją, \(\alpha\) žymi Lagranžo daugiklį, N žymi skaitmeninį duomenų rinkinį, \({x}_{k}\) žymi duomenų įvestį, o \(y\) – duomenų išvestį. Vienas iš pagrindinių naudojamų branduolių yra SVMR operacija, kuri yra Gauso radialinė bazinė funkcija (RBF). RBF branduolys taikomas optimaliam SVMR modeliui nustatyti, kuris yra labai svarbus norint gauti kuo tikslesnį baudų rinkinio koeficientą C ir branduolio parametrą gama (γ) PTE mokymo duomenims. Pirmiausia įvertinome mokymo rinkinį, o tada išbandėme modelio veikimą patvirtinimo rinkinyje. Naudojamas valdymo parametras yra sigma, o metodo reikšmė – svmRadial.
Daugialypės tiesinės regresijos modelis (MLR) yra regresijos modelis, kuris vaizduoja ryšį tarp atsako kintamojo ir daugelio prognozuojamųjų kintamųjų, naudodamas tiesinius jungtinius parametrus, apskaičiuotus mažiausių kvadratų metodu. MLR mažiausių kvadratų modelyje tai yra dirvožemio savybių prognozavimo funkcija, pasirinkus aiškinamuosius kintamuosius. Būtina naudoti atsaką, kad būtų galima nustatyti tiesinį ryšį naudojant aiškinamuosius kintamuosius. PTE buvo naudojamas kaip atsako kintamasis, siekiant nustatyti tiesinį ryšį su aiškinamaisiais kintamaisiais. MLR lygtis yra
kur y yra atsako kintamasis, \(a\) yra ašies perėmimo taškas, n yra prognozuojamųjų kintamųjų skaičius, \({b}_{1}\) yra koeficientų dalinė regresija, \({x}_{i}\) reiškia prognozuojamąjį arba aiškinamąjį kintamąjį, o \({\varepsilon }_{i}\) reiškia modelio paklaidą, dar vadinamą likučiu.
Mišrūs modeliai buvo gauti sujungiant EBK su SVMR ir MLR. Tai atliekama išgaunant prognozuojamas vertes iš EBK interpoliacijos. Prognozuojamos vertės, gautos iš interpoliuotų Ca, K ir Mg, gaunamos kombinatoriniu procesu, siekiant gauti naujus kintamuosius, tokius kaip CaK, CaMg ir KMg. Tada elementai Ca, K ir Mg sujungiami, kad būtų gautas ketvirtasis kintamasis – CaKMg. Apskritai gauti kintamieji yra Ca, K, Mg, CaK, CaMg, KMg ir CaKMg. Šie kintamieji tapo mūsų prognozuojamaisiais veiksniais, padėjusiais prognozuoti nikelio koncentraciją miesto ir priemiesčio dirvožemiuose. SVMR algoritmas buvo atliktas su prognozuojamaisiais veiksniais, siekiant gauti mišraus modelio empirinį Bajeso krigingo-atraminių vektorių mašiną (EBK_SVM). Panašiai kintamieji taip pat perduodami per MLR algoritmą, kad būtų gautas mišraus modelio empirinis Bajeso krigingo-daugybinės tiesinės regresijos (EBK_MLR) modelis. Paprastai kintamieji Ca, K, Mg, CaK, CaMg, KMg ir CaKMg naudojami kaip kovariantai, prognozuojantys Ni kiekį miesto ir priemiesčių dirvožemiuose. Gautas priimtiniausias modelis (EBK_SVM arba EBK_MLR) bus vizualizuotas naudojant savaime organizuojamą grafiką. Šio tyrimo darbo eiga parodyta 2 paveiksle.
SeOM naudojimas tapo populiaria priemone duomenų tvarkymui, vertinimui ir prognozavimui finansų sektoriuje, sveikatos priežiūros srityje, pramonėje, statistikoje, dirvožemio moksle ir kt. SeOM kuriamas naudojant dirbtinius neuroninius tinklus ir neprižiūrimus mokymosi metodus organizavimui, vertinimui ir prognozavimui. Šiame tyrime SeOM buvo naudojamas Ni koncentracijoms vizualizuoti, remiantis geriausiu Ni prognozavimo modeliu miesto ir priemiesčių dirvožemiuose. SeOM vertinime apdoroti duomenys naudojami kaip n įvesties dimensijų vektoriniai kintamieji43,56. Melssen ir kt. 57 aprašo įvesties vektoriaus prijungimą prie neuroninio tinklo per vieną įvesties sluoksnį prie išvesties vektoriaus su vienu svorio vektoriumi. SeOM generuojamas rezultatas yra dvimatis žemėlapis, sudarytas iš skirtingų neuronų arba mazgų, sujungtų į šešiakampius, apskritus arba kvadratinius topologinius žemėlapius pagal jų artumą. Lyginant žemėlapių dydžius pagal metriką, kvantavimo paklaidą (QE) ir topografinę paklaidą (TE), pasirenkamas SeOM modelis su atitinkamai 0,086 ir 0,904, kuris yra 55 žemėlapių vienetas (5 × 11). Neuronų struktūra nustatoma pagal mazgų skaičių empirinėje lygtyje.
Šiame tyrime naudotų duomenų skaičius yra 115 imčių. Duomenims suskirstyti į bandymų duomenis (25 % patvirtinimui) ir mokymo duomenų rinkinius (75 % kalibravimui) buvo naudojamas atsitiktinis metodas. Mokymo duomenų rinkinys naudojamas regresijos modeliui (kalibravimui) generuoti, o bandymų duomenų rinkinys – apibendrinimo gebėjimui patikrinti58. Tai buvo padaryta siekiant įvertinti įvairių modelių tinkamumą prognozuoti nikelio kiekį dirvožemyje. Visi naudoti modeliai praėjo dešimties kartų kryžminio patvirtinimo procesą, pakartotą penkis kartus. EBK interpoliacijos būdu gauti kintamieji naudojami kaip prognozuojantys arba aiškinamieji kintamieji tiksliniam kintamajam (PTE) prognozuoti. Modeliavimas atliekamas „RStudio“ programoje naudojant paketus library(Kohonen), library(caret), library(modelr), library(„e1071“), library(„plyr“), library(„caTools“), library(„prospectr“) ir libraries („Metrics“).
Siekiant nustatyti geriausią modelį, tinkamą nikelio koncentracijai dirvožemyje prognozuoti, ir įvertinti modelio tikslumą bei jo patvirtinimą, buvo naudojami įvairūs patvirtinimo parametrai. Hibridizacijos modeliai buvo įvertinti naudojant vidutinę absoliučiąją paklaidą (MAE), vidutinę kvadratinę paklaidą (RMSE) ir R kvadrato arba koeficiento nustatymą (R2). R2 apibrėžia atsakyme esančių proporcijų dispersiją, kurią vaizduoja regresinis modelis. RMSE ir dispersijos dydis nepriklausomuose matavimuose apibūdina modelio prognozavimo galią, o MAE nustato faktinę kiekybinę vertę. R2 vertė turi būti didelė, kad būtų galima įvertinti geriausią mišinio modelį naudojant patvirtinimo parametrus, kuo vertė arčiau 1, tuo didesnis tikslumas. Pasak Li ir kt. 59, R2 kriterijaus vertė, lygi 0,75 ar didesnė, laikoma geru prognozavimo veiksniu; nuo 0,5 iki 0,75 yra priimtinas modelio veikimas, o mažesnė nei 0,5 – nepriimtinas modelio veikimas. Renkantis modelį naudojant RMSE ir MAE patvirtinimo kriterijų vertinimo metodus, gautos mažesnės vertės buvo pakankamos ir buvo laikomos geriausiu pasirinkimu. Ši lygtis apibūdina patvirtinimo metodą.
kur n reiškia stebimos vertės dydį \({Y}_{i}\) reiškia išmatuotą atsaką, o \({\widehat{Y}}_{i}\) taip pat reiškia numatomą atsako vertę pirmiesiems i stebėjimams.
Statistiniai prognozuojamųjų ir atsako kintamųjų aprašymai pateikti 1 lentelėje, kur parodytas vidurkis, standartinis nuokrypis (SN), variacijos koeficientas (VK), minimumas, maksimumas, ekscesas ir asimetrija. Elementų minimalios ir maksimalios vertės pateikiamos atitinkamai mažėjančia tvarka: Mg < Ca < K < Ni ir Ca < Mg < K < Ni. Atsako kintamojo (Ni) koncentracijos, paimtos iš tyrimo srities, svyravo nuo 4,86 ​​iki 42,39 mg/kg. Palyginus Ni su pasaulio vidurkiu (29 mg/kg) ir Europos vidurkiu (37 mg/kg), paaiškėjo, kad bendras apskaičiuotas geometrinis vidurkis tyrimo srityje buvo toleruotinos ribose. Nepaisant to, kaip parodė Kabata-Pendias11, palyginus vidutinę nikelio (Ni) koncentraciją šiame tyrime su žemės ūkio dirvožemiais Švedijoje, matyti, kad dabartinė vidutinė nikelio koncentracija yra didesnė. Taip pat vidutinė Frydek Mistek koncentracija miesto ir priemiesčio dirvožemiuose šiame tyrime (Ni 16,15 mg/kg) buvo didesnė už leistiną ribą. 60 (10,2 mg/kg) Ni kiekio Lenkijos miestų dirvožemiuose, apie kurį pranešė Różański ir kt. Be to, Bretzel ir Calderisi61 užfiksavo labai mažą vidutinę Ni koncentraciją (1,78 mg/kg) miestų dirvožemiuose Toskanoje, palyginti su dabartiniu tyrimu. Jim62 taip pat nustatė mažesnę nikelio koncentraciją (12,34 mg/kg) Honkongo miestų dirvožemiuose, kuri yra mažesnė nei dabartinė nikelio koncentracija šiame tyrime. Birke ir kt.63 pranešė apie vidutinę 17,6 mg/kg Ni koncentraciją senoje kasybos ir miesto pramonės zonoje Saksonijoje-Anhalte, Vokietijoje, kuri buvo 1,45 mg/kg didesnė nei vidutinė Ni koncentracija šioje vietovėje (16,15 mg/kg). Dabartiniai tyrimai. Per didelis nikelio kiekis dirvožemiuose kai kuriose miesto ir priemiesčių zonose tyrimo zonoje gali būti daugiausia siejamas su geležies ir plieno pramone bei metalo pramone. Tai atitinka Khodadoust ir kt. tyrimą. 64, kad plieno pramonė ir metalo apdirbimas yra pagrindiniai nikelio užterštumo dirvožemiuose šaltiniai. Tačiau prognozinės vertės taip pat svyravo nuo 538,70 mg/kg iki 69 161,80 mg/kg Ca, nuo 497,51 mg/kg iki 3535,68 mg/kg K ir nuo 685,68 mg/kg iki 5970,05 mg/kg Mg. Jakovljevic ir kt. 65 tyrė bendrą Mg ir K kiekį dirvožemiuose centrinėje Serbijoje. Jie nustatė, kad bendra koncentracija (atitinkamai 410 mg/kg ir 400 mg/kg) buvo mažesnė nei dabartinio tyrimo Mg ir K koncentracijos. Panašiai rytų Lenkijoje Orzechowski ir Smolczynski 66 įvertino bendrą Ca, Mg ir K kiekį ir nustatė vidutines Ca (1100 mg/kg), Mg (590 mg/kg) ir K (810 mg/kg) koncentracijas. Šiame tyrime viršutiniame dirvožemio sluoksnyje kiekis yra mažesnis nei vieno elemento. Neseniai Pongrac ir kt. atliktas tyrimas 67 parodė, kad bendras Ca kiekis, išanalizuotas 3 skirtinguose dirvožemiuose Škotijoje, JK (Mylnefield, Balruddery ir Hartwood dirvožemiuose), šiame tyrime parodė didesnį Ca kiekį.
Dėl skirtingų išmatuotų imtų elementų koncentracijų, elementų duomenų rinkinių pasiskirstymas pasižymi skirtingu asimetrija. Elementų asimetrija ir ekscesas atitinkamai svyravo nuo 1,53 iki 7,24 ir nuo 2,49 iki 54,16. Visų apskaičiuotų elementų asimetrijos ir eksceso lygiai yra didesni nei +1, o tai rodo, kad duomenų pasiskirstymas yra netaisyklingas, iškreiptas teisinga kryptimi ir pasiekęs piką. Įvertinti elementų variacijos koeficientai taip pat rodo, kad K, Mg ir Ni pasižymi vidutiniu kintamumu, o Ca – itin dideliu. K, Ni ir Mg variacijos koeficientai paaiškina jų tolygų pasiskirstymą. Be to, Ca pasiskirstymas yra netolygus, o išoriniai šaltiniai gali turėti įtakos jo praturtėjimo lygiui.
Prognozuojamųjų kintamųjų koreliacija su atsako elementais parodė patenkinamą koreliaciją tarp elementų (žr. 3 pav.). Koreliacija parodė, kad CaK parodė vidutinę koreliaciją, kai r reikšmė = 0,53, kaip ir CaNi. Nors Ca ir K rodo nedidelį ryšį tarpusavyje, tokie tyrėjai kaip Kingston ir kt. 68 ir Santo69 rodo, kad jų kiekis dirvožemyje yra atvirkščiai proporcingas. Tačiau Ca ir Mg yra antagonistiniai K, tačiau CaK gerai koreliuoja. Tai gali būti dėl tokių trąšų kaip kalio karbonatas, kuriame kalio yra 56 % daugiau, naudojimo. Kalis vidutiniškai koreliavo su magniu (KM r = 0,63). Trąšų pramonėje šie du elementai yra glaudžiai susiję, nes kalio magnio sulfatas, kalio magnio nitratas ir potašas naudojami dirvožemiui, siekiant padidinti jų trūkumo lygį. Nikelis vidutiniškai koreliuoja su Ca, K ir Mg, o r vertės yra atitinkamai 0,52, 0,63 ir 0,55. Ryšiai tarp kalcio, magnio ir PTE, tokių kaip nikelis, yra sudėtingi, tačiau nepaisant to, magnis slopina kalcio absorbciją, kalcis sumažina magnio pertekliaus poveikį, o tiek magnis, tiek kalcis sumažina toksinį nikelio poveikį dirvožemyje.
Elementų koreliacijos matrica, rodanti ryšį tarp prognozuojamųjų veiksnių ir atsakų (pastaba: šiame paveiksle pateikta sklaidos diagrama tarp elementų, reikšmingumo lygiai pagrįsti p < 0,001).
4 paveiksle pavaizduotas elementų erdvinis pasiskirstymas. Pasak Burgos ir kt.70, erdvinio pasiskirstymo taikymas yra technika, naudojama kiekybiškai įvertinti ir išryškinti karštąsias vietas užterštose vietovėse. Ca sodrinimo lygiai 4 paveiksle matomi šiaurės vakarų erdvinio pasiskirstymo žemėlapio dalyje. Paveiksle pavaizduotos vidutinio arba didelio Ca sodrinimo karštosios vietos. Kalcio sodrinimas šiaurės vakarų žemėlapio dalyje greičiausiai atsiranda dėl negesintų kalkių (kalcio oksido) naudojimo dirvožemio rūgštingumui mažinti ir jų naudojimo plieno gamyklose kaip šarminio deguonies plieno gamybos procese. Kita vertus, kiti ūkininkai renkasi naudoti kalcio hidroksidą rūgščiame dirvožemyje, kad neutralizuotų pH, o tai taip pat padidina kalcio kiekį dirvožemyje71. Kalis taip pat rodo karštąsias vietas šiaurės vakarų ir rytų žemėlapio dalyse. Šiaurės vakarai yra svarbi žemės ūkio bendruomenė, o vidutinio arba didelio kalio kiekio modelis gali būti dėl NPK ir potašo naudojimo. Tai atitinka kitus tyrimus, tokius kaip Madaras ir Lipavský72, Madaras ir kt.73, Pulkrabová ir kt.74, Asare ir kt.75, kurie pastebėjo, kad Dirvožemio stabilizavimas ir apdorojimas KCl ir NPK lėmė didelį kalio kiekį dirvožemyje. Erdvinis kalio padidėjimas šiaurės vakarų pasiskirstymo žemėlapyje gali būti dėl kalio pagrindu pagamintų trąšų, tokių kaip kalio chloridas, kalio sulfatas, kalio nitratas, potašas ir potašas, naudojimo siekiant padidinti kalio kiekį neturtinguose dirvožemiuose. Zádorová ir kt. 76 ir Tlustoš ir kt. 77 teigiama, kad kalio pagrindo trąšų naudojimas padidino kalio kiekį dirvožemyje ir ilgainiui žymiai padidins dirvožemio maistinių medžiagų kiekį, ypač kalio ir magnio, kurie dirvožemyje rodo karštąsias vietas. Santykinai vidutinio stiprumo karštosios vietos yra žemėlapio šiaurės vakaruose ir pietryčiuose. Koloidinė fiksacija dirvožemyje mažina magnio koncentraciją dirvožemyje. Jo trūkumas dirvožemyje sukelia augalams gelsvą tarpgyslinę chlorozę. Magnio pagrindo trąšos, tokios kaip kalio magnio sulfatas, magnio sulfatas ir kizeritas, gydo magnio trūkumą (augalai atrodo violetinės, raudonos arba rudos spalvos, o tai rodo magnio trūkumą) dirvožemiuose, kurių pH yra normalus6. Nikelio kaupimasis miesto ir priemiesčio dirvožemio paviršiuje gali būti susijęs su antropogenine veikla, pavyzdžiui, žemės ūkiu, ir nikelio svarba nerūdijančio plieno gamyboje78.
Elementų erdvinis pasiskirstymas [erdvinio pasiskirstymo žemėlapis sukurtas naudojant „ArcGIS Desktop“ (ESRI, Inc, 10.7 versija, URL: https://desktop.arcgis.com).]
Šiame tyrime naudotų elementų modelio našumo indekso rezultatai pateikti 2 lentelėje. Kita vertus, Ni RMSE ir MAE yra artimi nuliui (0,86 RMSE, -0,08 MAE). Kita vertus, tiek RMSE, tiek MAE vertės K yra priimtinos. RMSE ir MAE rezultatai buvo didesni kalcio ir magnio atveju. Ca ir K MAE bei RMSE rezultatai yra didesni dėl skirtingų duomenų rinkinių. Šio tyrimo, naudojant EBK Ni prognozavimui, RMSE ir MAE buvo geresni nei John ir kt. 54 rezultatai, gauti naudojant sinergetinį krigingą S koncentracijai dirvožemyje prognozuoti naudojant tuos pačius surinktus duomenis. Mūsų tirti EBK rezultatai koreliuoja su Fabijaczyk ir kt. 41, Yan ir kt. 79, Beguin ir kt. 80, Adhikary ir kt. 81 ir John ir kt. 82 rezultatais, ypač su K ir Ni.
Atskirų nikelio kiekio miesto ir priemiesčių dirvožemiuose prognozavimo metodų našumas buvo įvertintas naudojant modelių našumą (3 lentelė). Modelio validavimas ir tikslumo įvertinimas patvirtino, kad Ca_Mg_K prognozavimo priemonė kartu su EBK SVMR modeliu davė geriausius rezultatus. Kalibravimo modelio Ca_Mg_K-EBK_SVMR R2, vidutinė kvadratinė paklaida (RMSE) ir vidutinė absoliuti paklaida (MAE) buvo 0,637 (R2), 95,479 mg/kg (RMSE) ir 77,368 mg/kg (MAE). Ca_Mg_K-SVMR buvo 0,663 (R2), 235,974 mg/kg (RMSE) ir 166,946 mg/kg (MAE). Nepaisant to, geros R2 vertės buvo gautos Ca_Mg_K-SVMR (0,663 mg/kg R2) ir Ca_Mg-EBK_SVMR (0,643 = R2); Jų RMSE ir MAE rezultatai buvo didesni nei Ca_Mg_K-EBK_SVMR (R2 0,637) (žr. 3 lentelę). Be to, Ca_Mg-EBK_SVMR (RMSE = 1664,64 ir MAE = 1031,49) modelio RMSE ir MAE yra atitinkamai 17,5 ir 13,4, t. y. didesni nei Ca_Mg_K-EBK_SVMR. Taip pat Ca_Mg-K SVMR (RMSE = 235,974 ir MAE = 166,946) modelio RMSE ir MAE yra atitinkamai 2,5 ir 2,2 didesni nei Ca_Mg_K-EBK_SVMR RMSE ir MAE. Apskaičiuoti RMSE rezultatai rodo, koks koncentruotas yra duomenų rinkinys su geriausiai tinkančia linija. Pastebėtas didesnis RSME ir MAE. Remiantis Kebonye ir kt. 46 ir john ir kt. 54 duomenimis, kuo arčiau nulio yra RMSE ir MAE, tuo geresni rezultatai. SVMR ir EBK_SVMR turi didesnes kvantuotas RSME ir MAE vertes. Pastebėta, kad RSME įverčiai buvo nuosekliai didesni nei MAE vertės, o tai rodo išskirtinių reikšmių buvimą. Pasak Legates ir McCabe83, RMSE viršijimo laipsnis už vidutinę absoliučiąją paklaidą (MAE) rekomenduojamas kaip išskirtinių reikšmių buvimo rodiklis. Tai reiškia, kad kuo heterogeniškesnis duomenų rinkinys, tuo didesnės MAE ir RMSE vertės. Ca_Mg_K-EBK_SVMR mišraus modelio, skirto Ni kiekiui miesto ir priemiesčių dirvožemiuose prognozuoti, kryžminio patvirtinimo įvertinimo tikslumas buvo 63,70 %. Pasak Li ir kt. 59, toks tikslumo lygis yra priimtinas modelio našumo rodiklis. Dabartiniai rezultatai palyginami su ankstesniu Tarasov ir kt. tyrimu. 36, kurių hibridinis modelis sukūrė MLPRK (daugiasluoksnį perceptronų liekamųjų krigingų metodą), susijusį su EBK_SVMR tikslumo vertinimo indeksu, pateiktu šiame tyrime, RMSE (210), o MAE (167,5) buvo didesnis nei mūsų rezultatai šiame tyrime (RMSE 95,479, MAE 77,368). Tačiau lyginant dabartinio tyrimo R2 (0,637) su Tarasovo ir kt. 36 (0,544) aišku, kad šiame mišriame modelyje nustatymo koeficientas (R2) yra didesnis. Mišraus modelio paklaidos riba (RMSE ir MAE) (EBK SVMR) yra dvigubai mažesnė. Panašiai Sergeev ir kt. 34 užfiksavo 0,28 (R2) sukurtame hibridiniame modelyje (daugiasluoksnis perceptroninis liekamasis krigingas), o Ni šiame tyrime užfiksavo 0,637 (R2). Šio modelio (EBK SVMR) prognozavimo tikslumo lygis yra 63,7 %, o Sergeev ir kt. 34 gautas prognozavimo tikslumas yra 28 %. Galutinis žemėlapis (5 pav.), sukurtas naudojant EBK_SVMR modelį ir Ca_Mg_K kaip prognozavimo priemonę, rodo karštųjų taškų ir vidutinio iki nikelio prognozes visoje tyrimo srityje. Tai reiškia, kad nikelio koncentracija tyrimo srityje yra daugiausia vidutinė, o kai kuriose konkrečiose vietose ji yra didesnė.
Galutinis prognozavimo žemėlapis pateikiamas naudojant hibridinį modelį EBK_SVMR ir Ca_Mg_K kaip prognozavimo priemonę.[Erdvinio pasiskirstymo žemėlapis sukurtas naudojant RStudio (1.4.1717 versija: https://www.rstudio.com/).]
6 paveiksle pateiktos PTE koncentracijos kaip sudėties plokštuma, sudaryta iš atskirų neuronų. Nė viena iš komponentų plokštumų nerodė tokio paties spalvų modelio, kaip parodyta. Tačiau tinkamas neuronų skaičius viename nubraižytame žemėlapyje yra 55. SeOM gaunamas naudojant įvairias spalvas, ir kuo panašesni spalvų modeliai, tuo labiau palyginamos mėginių savybės. Pagal tikslią spalvų skalę, atskiri elementai (Ca, K ir Mg) parodė panašius spalvų modelius kaip ir pavieniai aukštos eilės neuronai ir dauguma žemos eilės neuronų. Taigi, CaK ir CaMg turi tam tikrų panašumų su labai aukštos eilės neuronais ir žemos bei vidutinės eilės spalvų modeliais. Abu modeliai prognozuoja Ni koncentraciją dirvožemyje, rodydami vidutinius ir aukštus spalvų atspalvius, tokius kaip raudona, oranžinė ir geltona. KMg modelis rodo daug aukštų spalvų modelių, pagrįstų tiksliomis proporcijomis ir žemos bei vidutinės spalvų dėmėmis. Tikslioje spalvų skalėje nuo žemos iki aukštos modelio komponentų plokštuminis pasiskirstymo modelis parodė aukštą spalvų modelį, rodantį galimą nikelio koncentraciją dirvožemyje (žr. 4 paveikslą). CakMg modelio komponentų plokštuma rodo įvairų spalvų modelį nuo žemos iki aukštos pagal tikslų spalvų... mastelis. Be to, modelio nikelio kiekio (CakMg) prognozė yra panaši į 5 paveiksle parodytą erdvinį nikelio pasiskirstymą. Abu grafikai rodo didelę, vidutinę ir mažą nikelio koncentracijos dalį miesto ir priemiesčio dirvožemiuose. 7 paveiksle pavaizduotas kontūrų metodas k vidurkių grupėje žemėlapyje, suskirstytas į tris klasterius pagal kiekvieno modelio prognozuojamą vertę. Kontūrų metodas rodo optimalų klasterių skaičių. Iš 115 surinktų dirvožemio mėginių 1 kategorija gavo daugiausia dirvožemio mėginių – 74. 2 klasteris gavo 33 mėginius, o 3 klasteris – 8. Septynių komponentų plokštuminis prognozavimo derinys buvo supaprastintas, kad būtų galima teisingai interpretuoti klasterius. Dėl daugybės antropogeninių ir natūralių procesų, turinčių įtakos dirvožemio formavimuisi, paskirstytame SeOM žemėlapyje sunku tinkamai diferencijuoti klasterių modelius78.
Kiekvieno empirinio Bajeso krigingo atraminių vektorių mašinos (EBK_SVM_SeOM) kintamojo išvestis komponentų plokštumoje. [SeOM žemėlapiai buvo sukurti naudojant „RStudio“ (1.4.1717 versija: https://www.rstudio.com/).]
Skirtingi klasterių klasifikavimo komponentai [SeOM žemėlapiai buvo sukurti naudojant „RStudio“ (1.4.1717 versija: https://www.rstudio.com/).]
Šis tyrimas aiškiai iliustruoja nikelio koncentracijos miesto ir priemiesčio dirvožemiuose modeliavimo metodus. Tyrime buvo išbandyti skirtingi modeliavimo metodai, derinant elementus su modeliavimo metodais, siekiant gauti geriausią būdą prognozuoti nikelio koncentraciją dirvožemyje. SeOM kompoziciniai plokštuminiai erdviniai elementai, kuriuos naudoja modeliavimo technika, parodė aukštą spalvų modelį nuo žemos iki aukštos tikslioje spalvų skalėje, rodantį Ni koncentraciją dirvožemyje. Tačiau erdvinio pasiskirstymo žemėlapis patvirtina EBK_SVMR parodytą plokštuminį erdvinį komponentų pasiskirstymą (žr. 5 pav.). Rezultatai rodo, kad atraminis vektoriaus mašinos regresijos modelis (CaMgK-SVMR) prognozuoja Ni koncentraciją dirvožemyje kaip vienas modelis, tačiau patvirtinimo ir tikslumo vertinimo parametrai rodo labai dideles paklaidas pagal RMSE ir MAE. Kita vertus, modeliavimo metodas, naudojamas su EBK_MLR modeliu, taip pat yra ydingas dėl mažos nustatymo koeficiento (R2) vertės. Geri rezultatai gauti naudojant EBK SVMR ir kombinuotus elementus (CaKMg) su mažomis RMSE ir MAE paklaidomis, o tikslumas – 63,7 %. Pasirodo, kad derinant EBK algoritmą su mašininio mokymosi algoritmu galima generuoti... hibridinis algoritmas, galintis numatyti PTE koncentraciją dirvožemyje. Rezultatai rodo, kad naudojant Ca, Mg, K kaip prognozuojančius veiksnius Ni koncentracijai tyrimo zonoje prognozuoti, galima pagerinti Ni prognozavimą dirvožemyje. Tai reiškia, kad nuolatinis nikelio pagrindu pagamintų trąšų naudojimas ir pramoninė dirvožemio tarša plieno pramonėje turi tendenciją didinti nikelio koncentraciją dirvožemyje. Šis tyrimas atskleidė, kad EBK modelis gali sumažinti paklaidų lygį ir pagerinti dirvožemio erdvinio pasiskirstymo miesto ar priemiesčio dirvožemiuose modelio tikslumą. Apskritai siūlome taikyti EBK-SVMR modelį PTE dirvožemyje vertinimui ir prognozavimui; be to, siūlome naudoti EBK hibridizacijai su įvairiais mašininio mokymosi algoritmais. Ni koncentracijos buvo prognozuojamos naudojant elementus kaip kovariantus; tačiau daugiau kovariantų naudojimas labai pagerintų modelio našumą, o tai galima laikyti dabartinio darbo apribojimu. Kitas šio tyrimo apribojimas yra tas, kad duomenų rinkinių skaičius yra 115. Todėl, pateikus daugiau duomenų, siūlomo optimizuoto hibridizacijos metodo našumas gali būti pagerintas.
PlantProbs.net.Nikelis augaluose ir dirvožemyje https://plantprobs.net/plant/nutrientImbalances/sodium.html (žiūrėta 2021 m. balandžio 28 d.).
Kasprzak, KS Nikelio pažanga šiuolaikinėje aplinkos toksikologijoje.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. ir Nikel, G. Nickel: šaltinių ir aplinkos toksikologijos apžvalga. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. ir Hutchinson, TC. Teršalų patekimas iš atmosferos ir kaupimasis dirvožemyje bei augmenijoje netoli nikelio ir vario lydymo krosnies Sadberyje, Ontarijuje, Kanadoje. can.J. Bot.58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. ir kt. Sunkieji metalai dirvožemyje, augaluose ir rizika, susijusi su atrajojančiųjų ganymu netoli Selebi-Phikwe vario ir nikelio kasyklos Botsvanoje. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Mikroelementai dirvožemyje ir… – „Google Scholar“ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Mikroelementai+soils+and+plants.+4-asis+leidimas+New+York+%28NY%29%3A+CRC+Press&btnG= (žiūrėta 2020 m. lapkričio 24 d.).
Almås, A., Singh, B., Žemės ūkis, TS-NJ, 1995 m., neapibrėžta. Rusijos nikelio pramonės poveikis sunkiųjų metalų koncentracijai žemės ūkio paskirties dirvožemiuose ir žolėse Soer-Varanger regione, Norvegijoje. agris.fao.org.
Nielsen, GD ir kt. Nikelio absorbcija ir susilaikymas geriamajame vandenyje yra susiję su maisto vartojimu ir jautrumu nikeliui. toksikologija. taikymas. Farmakodinamika. 154, 67–75 (1999).
Costa, M. ir Klein, CB Nikelio kancerogenezė, mutacija, epigenetika arba atranka. Aplinka. Sveikatos perspektyva. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Potencialiai toksiškų elementų tendencijų analizė: bibliometrinė apžvalga. Aplinkos geochemija ir sveikata. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. ir McBratney, AB. Skaitmeninis dirvožemio kartografavimas: trumpa istorija ir kelios pamokos. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Dėl skaitmeninio dirvožemio kartografavimo.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistinis rezervuarų modeliavimas,… – „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= (žiūrėta 2021 m. balandžio 28 d.).