Paldies, ka apmeklējāt vietni Nature.com. Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts. Lai nodrošinātu vislabāko pieredzi, iesakām izmantot atjauninātu pārlūkprogrammu (vai izslēgt saderības režīmu pārlūkprogrammā Internet Explorer). Tikmēr, lai nodrošinātu nepārtrauktu atbalstu, vietne tiks attēlota bez stiliem un JavaScript.
Augsnes piesārņojums ir liela problēma, ko izraisa cilvēku darbības. Potenciāli toksisko elementu (PTE) telpiskais sadalījums lielākajā daļā pilsētu un piepilsētu teritoriju atšķiras. Tāpēc ir grūti telpiski prognozēt PTE saturu šādās augsnēs. Kopumā no Frydek Mistek Čehijas Republikā tika iegūti 115 paraugi. Kalcija (Ca), magnija (Mg), kālija (K) un niķeļa (Ni) koncentrācijas tika noteiktas, izmantojot induktīvi saistītu plazmas emisijas spektrometriju. Atbildes mainīgais ir Ni, un prognozējošie mainīgie ir Ca, Mg un K. Korelācijas matrica starp atbildes mainīgo un prognozējošo mainīgo uzrāda apmierinošu korelāciju starp elementiem. Prognozēšanas rezultāti parādīja, ka atbalsta vektoru mašīnas regresija (SVMR) darbojās labi, lai gan tās aprēķinātā vidējā kvadrātiskā kļūda (RMSE) (235,974 mg/kg) un vidējā absolūtā kļūda (MAE) (166,946 mg/kg) bija augstākas nekā citām izmantotajām metodēm. Jauktie modeļi empīriskajai Bajesa kriginga-daudzkārtējai lineārajai regresijai (EBK-MLR) darbojas slikti, ko apliecina noteikšanas koeficienti. mazāk nekā 0,1. Empīriskā Bajesa Kriginga-Atbalsta Vektoru Mašīnas Regresijas (EBK-SVMR) modelis bija labākais modelis ar zemām RMSE (95,479 mg/kg) un MAE (77,368 mg/kg) vērtībām un augstu noteikšanas koeficientu (R2 = 0,637). EBK-SVMR modelēšanas tehnikas rezultāts tiek vizualizēts, izmantojot pašorganizējošu karti. Klasterizētie neironi hibrīda modeļa CakMg-EBK-SVMR komponentes plaknē parāda vairākus krāsu modeļus, kas paredz Ni koncentrāciju pilsētu un piepilsētu augsnēs. Rezultāti parāda, ka EBK un SVMR apvienošana ir efektīva metode Ni koncentrācijas prognozēšanai pilsētu un piepilsētu augsnēs.
Niķelis (Ni) tiek uzskatīts par augu mikroelementu, jo tas veicina atmosfēras slāpekļa (N) fiksāciju un urīnvielas metabolismu, kas abi ir nepieciešami sēklu dīgšanai. Papildus ieguldījumam sēklu dīgšanā, Ni var darboties kā sēnīšu un baktēriju inhibitors un veicināt augu attīstību. Niķeļa trūkums augsnē ļauj augam to absorbēt, kā rezultātā rodas lapu hloroze. Piemēram, govs zirņiem un zaļajām pupiņām ir nepieciešams lietot niķeļa bāzes mēslošanas līdzekļus, lai optimizētu slāpekļa fiksāciju2. Pastāvīga niķeļa bāzes mēslošanas līdzekļu lietošana, lai bagātinātu augsni un palielinātu pākšaugu spēju piesaistīt slāpekli augsnē, nepārtraukti palielina niķeļa koncentrāciju augsnē. Lai gan niķelis ir augu mikroelements, tā pārmērīga uzņemšana augsnē var nodarīt vairāk ļauna nekā laba. Niķeļa toksicitāte augsnē samazina augsnes pH līmeni un kavē dzelzs uzņemšanu kā būtisku barības vielu augu augšanai1. Saskaņā ar Liu3, ir konstatēts, ka Ni ir 17. svarīgais elements, kas nepieciešams augu attīstībai un augšanai. Papildus niķeļa lomai augu attīstībā un augšanā, cilvēkiem tas ir nepieciešams dažādiem mērķiem.Galvanizācijai, niķeļa bāzes sakausējumu ražošanai un Automobiļu rūpniecības aizdedzes ierīcēm un aizdedzes svecēm ir nepieciešams izmantot niķeli dažādās rūpniecības nozarēs. Turklāt niķeļa sakausējumi un galvanizēti izstrādājumi ir plaši izmantoti virtuves piederumos, balles zāļu aksesuāros, pārtikas rūpniecības piederumos, elektrības precēs, vados un kabeļos, reaktīvajās turbīnās, ķirurģiskajos implantos, tekstilizstrādājumos un kuģu būvē5. Ni bagātinātais līmenis augsnēs (t. i., virszemes augsnēs) ir saistīts gan ar antropogēniem, gan dabiskiem avotiem, taču galvenokārt Ni ir dabisks, nevis antropogēns avots4,6. Dabiskie niķeļa avoti ir vulkānu izvirdumi, veģetācija, mežu ugunsgrēki un ģeoloģiskie procesi; tomēr antropogēni avoti ir niķeļa/kadmija baterijas tērauda rūpniecībā, galvanizācija, loka metināšana, dīzeļdegviela un mazuts, kā arī atmosfēras emisijas no ogļu sadedzināšanas un atkritumu un dūņu sadedzināšanas. Niķeļa uzkrāšanās7,8. Saskaņā ar Frīdmana un Hačinsona9 un Manyivas et al. datiem 10, galvenie augsnes virskārtas piesārņojuma avoti tiešajā un blakus esošajā vidē galvenokārt ir niķeļa-vara kausēšanas rūpnīcas un raktuves. Augsnes slānī ap Sadberijas niķeļa-vara pārstrādes rūpnīcu Kanādā bija visaugstākais niķeļa piesārņojuma līmenis — 26 000 mg/kg11. Turpretī piesārņojums no niķeļa ražošanas Krievijā ir izraisījis augstāku niķeļa koncentrāciju Norvēģijas augsnē11. Saskaņā ar Almsa u. c. datiem 12. attēlā norādīts, ka HNO3 ekstrahējamā niķeļa daudzums reģiona augšējā aramzemē (niķeļa ražošana Krievijā) svārstījās no 6,25 līdz 136,88 mg/kg, kas atbilst vidējai koncentrācijai 30,43 mg/kg un bāzes koncentrācijai 25 mg/kg. Saskaņā ar kabata 11 attēlu, fosfora mēslošanas līdzekļu lietošana lauksaimniecības augsnēs pilsētu vai piepilsētu augsnēs secīgās kultūraugu sezonās var inficēt vai piesārņot augsni. Niķeļa iespējamā ietekme uz cilvēkiem var izraisīt vēzi mutaģenēzes, hromosomu bojājumu, Z-DNS ģenerēšanas, bloķētas DNS ekscīzijas labošanas vai epigenetisku procesu rezultātā.13. Pārbaudēs ar dzīvniekiem ir atklāts, ka niķelim piemīt spēja izraisīt dažādus audzējus, un kancerogēni niķeļa kompleksi var saasināt šādus audzējus.
Augsnes piesārņojuma novērtējumi pēdējā laikā ir uzplaukuši plaša spektra veselības problēmu dēļ, kas rodas augsnes un augu attiecībās, augsnes un augsnes bioloģiskajās attiecībās, ekoloģiskajā degradācijā un ietekmes uz vidi novērtējumā. Līdz šim potenciāli toksisko elementu (PTE), piemēram, Ni, telpiskā prognozēšana augsnē, izmantojot tradicionālās metodes, ir bijusi darbietilpīga un laikietilpīga. Digitālās augsnes kartēšanas (DSM) parādīšanās un tās pašreizējie panākumi15 ir ievērojami uzlabojuši paredzamo augsnes kartēšanu (PSM). Saskaņā ar Minasny un McBratney16, paredzamā augsnes kartēšana (DSM) ir izrādījusies ievērojama augsnes zinātnes apakšdisciplīna. Lagacherie un McBratney, 2006, definē DSM kā "telpisko augsnes informācijas sistēmu izveidi un aizpildīšanu, izmantojot in situ un laboratorijas novērošanas metodes, kā arī telpiskās un netelpiskās augsnes secinājumu sistēmas". McBratney et al. 17. piezīmē, ka mūsdienu DSM jeb PSM ir visefektīvākā metode PTE, augsnes tipu un augsnes īpašību telpiskā sadalījuma prognozēšanai vai kartēšanai. Ģeostatistika un mašīnmācīšanās algoritmi (MLA) ir DSM modelēšanas metodes, kas ar datoru palīdzību, izmantojot ievērojamus un minimālus datus, izveido digitalizētas kartes.
Doičs18 un Olea19 definē ģeostatistiku kā “skaitlisku metožu kopumu, kas nodarbojas ar telpisko atribūtu attēlošanu, galvenokārt izmantojot stohastiskus modeļus, piemēram, kā laika rindu analīze raksturo laika datus.” Ģeostatistika galvenokārt ietver variogramu novērtēšanu, kas ļauj kvantitatīvi noteikt un definēt telpisko vērtību atkarības no katra datu kopuma20. Gumiaux et al. 20. attēlā ir tālāk ilustrēts, ka variogrammu novērtēšana ģeostatistikā balstās uz trim principiem, tostarp (a) datu korelācijas mēroga aprēķināšanu, (b) datu kopas neatbilstības anizotropijas identificēšanu un aprēķināšanu un (c) papildus mērījumu datu raksturīgās kļūdas ņemšanai vērā, kas atdalīta no lokālajiem efektiem, tiek novērtēti arī laukuma efekti. Balstoties uz šiem jēdzieniem, ģeostatistikā tiek izmantotas daudzas interpolācijas metodes, tostarp vispārīgais krigings, kopkrigings, parastais krigings, empīriskais Bajesa krigings, vienkāršā kriginga metode un citas labi zināmas interpolācijas metodes, lai kartētu vai prognozētu PTE, augsnes īpašības un augsnes tipus.
Mašīnmācīšanās algoritmi (MLA) ir salīdzinoši jauna metode, kas izmanto lielākas nelineāras datu klases, ko darbina algoritmi, kurus galvenokārt izmanto datu ieguvei, datu modeļu identificēšanai un atkārtoti pielieto klasifikācijai tādās zinātnes jomās kā augsnes zinātne un atgriešanas uzdevumi. Daudzi pētījumi balstās uz MLA modeļiem, lai prognozētu PTE augsnē, piemēram, Tan et al. 22 (nejaušie meži smago metālu novērtēšanai lauksaimniecības augsnēs), Sakizadeh et al. 23 (modelēšana, izmantojot atbalsta vektoru mašīnas un mākslīgos neironu tīklus) augsnes piesārņojums). Turklāt Vega et al. 24 (CART smago metālu aiztures un adsorbcijas modelēšanai augsnē), Sun et al. 25 (kubista pielietojums ir Cd sadalījums augsnē) un citi algoritmi, piemēram, k-tuvākā kaimiņa, vispārināta pastiprināta regresija un pastiprinātas regresijas koki, arī izmantoja MLA, lai prognozētu PTE augsnē.
DSM algoritmu pielietošana prognozēšanā vai kartēšanā saskaras ar vairākām problēmām. Daudzi autori uzskata, ka MLA ir pārāka par ģeostatistiku un otrādi. Lai gan viena ir labāka par otru, abu kombinācija uzlabo kartēšanas vai prognozēšanas precizitātes līmeni DSM15. Woodcock un Gopal26 Finke27; Pontius un Cheuk28 un Grunwald29 komentē trūkumus un dažas kļūdas prognozētajā augsnes kartēšanā. Augsnes zinātnieki ir izmēģinājuši dažādas metodes, lai optimizētu DSM kartēšanas un prognozēšanas efektivitāti, precizitāti un paredzamību. Nenoteiktības un verifikācijas kombinācija ir viens no daudzajiem dažādajiem aspektiem, kas integrēti DSM, lai optimizētu efektivitāti un samazinātu defektus. Tomēr Agyeman et al.15 norāda, ka kartes izveides un prognozēšanas radītā validācijas uzvedība un nenoteiktība ir jāapstiprina neatkarīgi, lai uzlabotu kartes kvalitāti. DSM ierobežojumi ir saistīti ar ģeogrāfiski izkliedētu augsnes kvalitāti, kas ietver nenoteiktības komponentu; Tomēr DSM nenoteiktība var rasties vairāku kļūdu avotu dēļ, proti, kovariātu kļūdas, modeļa kļūdas, atrašanās vietas kļūdas un analītiskās kļūdas31. Modelēšanas neprecizitātes, kas rodas MLA un ģeostatistiskajos procesos, ir saistītas ar izpratnes trūkumu, kas galu galā noved pie reālā procesa pārmērīgas vienkāršošanas32. Neatkarīgi no modelēšanas veida, neprecizitātes var attiecināt uz modelēšanas parametriem, matemātiskā modeļa prognozēm vai interpolāciju33. Nesen ir parādījusies jauna DSM tendence, kas veicina ģeostatistikas un MLA integrāciju kartēšanā un prognozēšanā. Vairāki augsnes zinātnieki un autori, piemēram, Sergejev et al.34; Subbotina et al.35; Tarasov et al.36 un Tarasov et al.37, ir izmantojuši ģeostatistikas un mašīnmācīšanās precīzo kvalitāti, lai ģenerētu hibrīdmodeļus, kas uzlabo prognozēšanas un kartēšanas efektivitāti. kvalitāte. Daži no šiem hibrīdajiem vai kombinētajiem algoritmu modeļiem ir mākslīgā neironu tīkla krigings (ANN-RK), daudzslāņu perceptrona atlikumu krigings (MLP-RK), vispārinātās regresijas neironu tīkla atlikumu krigings (GR-NNRK)36, mākslīgā neironu tīkla krigings ar daudzslāņu perceptronu (ANN-K-MLP)37 un koprigings un Gausa procesa regresija38.
Saskaņā ar Sergejeva un līdzautoru teikto, dažādu modelēšanas metožu apvienošana var novērst defektus un palielināt iegūtā hibrīdmodeļa efektivitāti, nevis izstrādāt tā vienu modeli. Šajā kontekstā šajā jaunajā rakstā tiek apgalvots, ka ir nepieciešams izmantot kombinētu ģeostatistikas un MLA algoritmu, lai izveidotu optimālus hibrīdmodeļus Ni bagātināšanās prognozēšanai pilsētu un piepilsētu teritorijās. Šajā pētījumā kā bāzes modeli tiks izmantots empīriskais Bajesa krigings (EBK), un tas tiks apvienots ar atbalsta vektoru mašīnas (SVM) un vairāku lineāru regresijas (MLR) modeļiem. EBK hibridizācija ar jebkuru MLA nav zināma. Redzamie vairāki jauktie modeļi ir parastā, atlikumu, regresijas kriginga un MLA kombinācijas. EBK ir ģeostatistiska interpolācijas metode, kas izmanto telpiski stohastisku procesu, kas ir lokalizēts kā nestacionārs/stacionārs nejaušs lauks ar definētiem lokalizācijas parametriem visā laukā, pieļaujot telpiskas variācijas39. EBK ir izmantota dažādos pētījumos, tostarp organiskā oglekļa sadalījuma analīzē lauksaimniecības augsnē40, augsnes piesārņojuma novērtēšanā41 un augsnes īpašību kartēšanā42.
No otras puses, pašorganizējošais grafs (SeOM) ir mācību algoritms, kas ir izmantots dažādos rakstos, piemēram, Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 un Kebonye et al. 46. Nosakiet elementu telpiskos atribūtus un grupēšanu. Wang et al. 44 norāda, ka SeOM ir spēcīga mācību metode, kas pazīstama ar savu spēju grupēt un iztēloties nelineāras problēmas. Atšķirībā no citām modeļu atpazīšanas metodēm, piemēram, galveno komponentu analīzes, izplūdušās klasterizācijas, hierarhiskās klasterizācijas un daudzkritēriju lēmumu pieņemšanas, SeOM labāk organizē un identificē PTE modeļus. Saskaņā ar Wang et al. 44, SeOM var telpiski grupēt saistīto neironu sadalījumu un nodrošināt augstas izšķirtspējas datu vizualizāciju. SeOM vizualizēs Ni prognozēšanas datus, lai iegūtu labāko modeli rezultātu raksturošanai tiešai interpretācijai.
Šī raksta mērķis ir ģenerēt stabilu kartēšanas modeli ar optimālu precizitāti niķeļa satura prognozēšanai pilsētu un piepilsētu augsnēs. Mēs izvirzām hipotēzi, ka jauktā modeļa ticamība galvenokārt ir atkarīga no citu bāzes modelim pievienoto modeļu ietekmes. Mēs atzīstam DSM izaicinājumus, un, lai gan šie izaicinājumi tiek risināti vairākos aspektos, ģeostatistikas un MLA modeļu sasniegumu kombinācija šķiet pakāpeniska; tāpēc mēs centīsimies atbildēt uz pētniecības jautājumiem, kas varētu radīt jauktus modeļus. Tomēr, cik precīzs modelis ir mērķa elementa prognozēšanā? Kāds ir efektivitātes novērtējuma līmenis, pamatojoties uz validāciju un precizitātes novērtējumu? Tāpēc šī pētījuma konkrētie mērķi bija (a) izveidot kombinētu maisījuma modeli SVMR vai MLR, izmantojot EBK kā bāzes modeli, (b) salīdzināt iegūtos modeļus, (c) piedāvāt labāko maisījuma modeli Ni koncentrācijas prognozēšanai pilsētu vai piepilsētu augsnēs un (d) SeOM pielietošanu, lai izveidotu augstas izšķirtspējas niķeļa telpiskās variācijas karti.
Pētījums tiek veikts Čehijas Republikā, konkrētāk, Frjdekas Mistekas rajonā Morāvijas-Silēzijas reģionā (sk. 1. attēlu). Pētījuma teritorijas ģeogrāfija ir ļoti nelīdzena, un tā lielākoties ietilpst Morāvijas-Silēzijas Beskidu reģionā, kas ir daļa no Karpatu kalnu ārējās malas. Pētījuma teritorija atrodas starp 49° 41′ 0′ N un 18° 20′ 0′ E, un augstums virs jūras līmeņa ir no 225 līdz 327 m; Tomēr Koppena klasifikācijas sistēma reģiona klimatiskajam stāvoklim ir novērtēta kā Cfb = mērens okeāna klimats. Pat sausajos mēnešos ir daudz nokrišņu. Temperatūra gada laikā nedaudz svārstās no −5 °C līdz 24 °C, reti nokrītoties zem −14 °C vai virs 30 °C, savukārt vidējais gada nokrišņu daudzums ir no 685 līdz 752 mm47. Aptuvenā visas teritorijas apsekojuma platība ir 1208 kvadrātkilometri, no kuriem 39,38% ir kultivētās zemes un 49,36% ir mežu klāti. No otras puses, šajā pētījumā izmantotā platība ir aptuveni 889,8 kvadrātkilometri. Ostravā un tās apkārtnē tērauda rūpniecība un metālapstrāde ir ļoti aktīva. Metāla rūpnīcas, tērauda rūpniecība, kurā niķeli izmanto nerūsējošā tērauda (piemēram, izturībai pret atmosfēras koroziju) un leģētā tērauda (niķelis palielina sakausējuma izturību, vienlaikus saglabājot tā labo plastiskumu un stingrību) ražošanā, un intensīvā lauksaimniecība, piemēram, fosfātu mēslošanas līdzekļu lietošana un lopkopība, ir potenciālie niķeļa avoti reģionā. (piemēram, niķeļa pievienošana jēriem, lai palielinātu jēru un mazbaroto liellopu augšanas ātrumu). Citi niķeļa rūpnieciskie pielietojumi pētniecības jomās ietver tā izmantošanu galvanizācijā, tostarp niķeļa galvanizācijas un bezgalvaniskās niķelēšanas procesos. Augsnes īpašības ir viegli atšķiramas no augsnes krāsas, struktūras un karbonātu satura. Augsnes tekstūra ir vidēja līdz smalka, iegūta no pamatmateriāla. Tās ir koluviālas, aluviālas vai eoliskas. Dažas augsnes zonas virszemē un apakšaugsnē ir raibas, bieži vien ar betonu un balināšanu. Tomēr kambizoli un stagnozoli ir visizplatītākie augsnes veidi reģionā48. Ar augstumu no 455,1 līdz 493,5 m Čehijas Republikā dominē kambizoli49.
Pētījuma zonas karte [Pētījuma zonas karte tika izveidota, izmantojot ArcGIS Desktop (ESRI, Inc, 10.7 versija, URL: https://desktop.arcgis.com).]
Kopumā Frīdekmistekas rajonā no pilsētu un piepilsētu augsnēm tika iegūti 115 augsnes virskārtas paraugi. Izmantotais paraugu ņemšanas modelis bija regulārs režģis ar augsnes paraugiem, kas izvietoti 2 × 2 km attālumā viens no otra, un augsnes virskārta tika mērīta 0 līdz 20 cm dziļumā, izmantojot rokas GPS ierīci (Leica Zeno 5 GPS). Paraugi tiek iepakoti Ziploc maisiņos, pienācīgi marķēti un nosūtīti uz laboratoriju. Paraugi tika žāvēti gaisā, lai iegūtu pulverizētus paraugus, sasmalcināti ar mehānisku sistēmu (Fritsch disku dzirnavas) un izsijāti (sieta izmērs 2 mm). Ievietojiet 1 gramu žāvētu, homogenizētu un izsijātu augsnes paraugu skaidri marķētās teflona pudelēs. Katrā teflona traukā ielejiet 7 ml 35% HCl un 3 ml 65% HNO3 (izmantojot automātisko dozatoru - pa vienam katrai skābei), viegli pārklājiet un ļaujiet paraugiem nostāvēties nakti reakcijai (karaļūdens programma). Novietojiet supernatantu uz karstas metāla plāksnes (temperatūra: 100 W un 160 °C) 2 stundas, lai atvieglotu paraugu sagremošanas procesu, pēc tam atdzesē. Pārnes supernatantu uz 50 ml mērkolbu un atšķaida līdz 50 ml ar dejonizētu ūdeni. Pēc tam atšķaidīto supernatantu filtrē 50 ml PVC mēģenē ar dejonizētu ūdeni. Papildus 1 ml atšķaidīšanas šķīduma atšķaidīja ar 9 ml dejonizēta ūdens un filtrēja 12 ml mēģenē, kas sagatavota PTE pseidokoncentrācijai. PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) koncentrācijas noteica ar ICP-OES (induktīvi saistītas plazmas optiskās emisijas spektroskopijas) palīdzību (Thermo Fisher Scientific, ASV) saskaņā ar standarta metodēm un vienošanos. Kvalitātes nodrošināšanas un kontroles (QA/QC) procedūras (SRM NIST 2711a Montana II Soil). PTE ar noteikšanas robežām zem puses tika izslēgti no šī pētījuma. Šajā pētījumā izmantotā PTE noteikšanas robeža bija 0,0004 (jūs). Turklāt katras analīzes kvalitātes kontroles un kvalitātes nodrošināšanas process tiek nodrošināts, analizējot atsauces standartus. Lai nodrošinātu kļūdu samazināšanu līdz minimumam, tika veikta dubulta analīze.
Empīriskā Bajesa kriginga (EBK) metode ir viena no daudzajām ģeostatistiskām interpolācijas metodēm, ko izmanto modelēšanā dažādās jomās, piemēram, augsnes zinātnē. Atšķirībā no citām kriginga interpolācijas metodēm, EBK atšķiras no tradicionālajām kriginga metodēm, ņemot vērā pusvariogrammas modeļa aprēķināto kļūdu. EBK interpolācijā interpolācijas laikā tiek aprēķināti vairāki pusvariogrammas modeļi, nevis viena pusvariogramma. Interpolācijas metodes atbrīvo no nenoteiktības un programmēšanas, kas saistīta ar šo pusvariogrammas attēlošanu, kas veido ļoti sarežģītu pietiekamas kriginga metodes daļu. EBK interpolācijas process atbilst trim Krivoručko50 ierosinātajiem kritērijiem: (a) modelis novērtē pusvariogrammu no ievades datu kopas, (b) jaunā prognozētā vērtība katrai ievades datu kopas atrašanās vietai, pamatojoties uz ģenerēto pusvariogrammu, un (c) galīgais A modelis tiek aprēķināts no simulētas datu kopas. Bajesa vienādojuma likums ir dots kā aposteriorā
Kur \(Prob\left(A\right)\) apzīmē aprioro varbūtību, \(Prob\left(B\right)\) robežvarbūtība vairumā gadījumu tiek ignorēta, \(Prob (B,A)\). Semivariogrammas aprēķins ir balstīts uz Bejesa likumu, kas parāda novērojumu datu kopu tieksmi, ko var izveidot no semivariogrammām. Semivariogrammas vērtība pēc tam tiek noteikta, izmantojot Bejesa likumu, kas norāda, cik liela ir varbūtība izveidot novērojumu datu kopu no semivariogrammas.
Atbalsta vektoru mašīna ir mašīnmācīšanās algoritms, kas ģenerē optimālu atdalošu hiperplakni, lai atšķirtu identiskas, bet ne lineāri neatkarīgas klases. Vapnik51 izveidoja nolūka klasifikācijas algoritmu, taču nesen tas ir izmantots regresijas orientētu problēmu risināšanai. Saskaņā ar Li et al.52, SVM ir viena no labākajām klasifikatora metodēm un ir izmantota dažādās jomās. Šajā analīzē tika izmantota SVM (Support Vector Machine Regression – SVMR) regresijas komponente. Cherkassky un ​​Muler53 bija SVMR pionieri kā uz kodolu balstīta regresija, kuras aprēķināšana tika veikta, izmantojot lineāru regresijas modeli ar daudzvalstu telpiskām funkcijām. John et al.54 ziņo, ka SVMR modelēšanā tiek izmantota hiperplaknes lineāra regresija, kas rada nelineāras attiecības un ļauj izmantot telpiskās funkcijas. Saskaņā ar Vohland et al. 55, epsilon (ε)-SVMR izmanto apmācīto datu kopu, lai iegūtu reprezentācijas modeli kā epsilon nejutīgu funkciju, kas tiek piemērota, lai neatkarīgi kartētu datus ar labāko epsilon novirzi no apmācības ar korelētiem datiem. Iepriekš iestatītā attāluma kļūda tiek ignorēta no faktiskās vērtības, un, ja kļūda ir lielāka par ε(ε), augsnes īpašības to kompensē. Modelis arī samazina apmācības datu sarežģītību līdz plašākam atbalsta vektoru apakškopam. Vapnik51 piedāvātais vienādojums ir parādīts zemāk.
kur b apzīmē skalāro slieksni, \(K\left({x}_{,}{ x}_{k}\right)\) apzīmē kodola funkciju, \(\alpha\) apzīmē Lagranža reizinātāju, N apzīmē skaitlisku datu kopu, \({x}_{k}\) apzīmē datu ievadi un \(y\) ir datu izvadi. Viens no galvenajiem izmantotajiem kodoliem ir SVMR operācija, kas ir Gausa radiālā bāzes funkcija (RBF). RBF kodols tiek izmantots, lai noteiktu optimālo SVMR modeli, kas ir kritiski svarīgs, lai iegūtu visprecīzāko soda kopas koeficientu C un kodola parametru gamma (γ) PTE apmācības datiem. Vispirms mēs novērtējām apmācības kopu un pēc tam pārbaudījām modeļa veiktspēju validācijas kopā. Izmantotais stūrēšanas parametrs ir sigma, un metodes vērtība ir svmRadial.
Vairāku lineāru regresijas modeļu (MLR) pamatā ir regresijas modelis, kas attēlo attiecības starp atbildes reakcijas mainīgo un vairākiem prognozējošiem mainīgajiem, izmantojot lineārus apkopotus parametrus, kas aprēķināti, izmantojot mazāko kvadrātu metodi. MLR mazāko kvadrātu modelī ir augsnes īpašību prognozējoša funkcija pēc skaidrojošo mainīgo izvēles. Ir nepieciešams izmantot atbildes reakciju, lai izveidotu lineāru sakarību, izmantojot skaidrojošos mainīgos. PTE tika izmantots kā atbildes reakcijas mainīgais, lai izveidotu lineāru sakarību ar skaidrojošajiem mainīgajiem. MLR vienādojums ir
kur y ir atbildes mainīgais, \(a\) ir krustpunkts, n ir prognozētāju skaits, \({b}_{1}\) ir koeficientu daļēja regresija, \({x}_{i}\) apzīmē prognozētāju vai skaidrojošo mainīgo un \({\varepsilon }_{i}\) apzīmē modeļa kļūdu, kas pazīstama arī kā atlikums.
Jauktie modeļi tika iegūti, apvienojot EBK ar SVMR un MLR. Tas tiek panākts, iegūstot prognozētās vērtības no EBK interpolācijas. No interpolētā Ca, K un Mg iegūtās prognozētās vērtības tiek iegūtas, izmantojot kombinatorisku procesu, lai iegūtu jaunus mainīgos, piemēram, CaK, CaMg un KMg. Pēc tam elementi Ca, K un Mg tiek apvienoti, lai iegūtu ceturto mainīgo - CaKMg. Kopumā iegūtie mainīgie ir Ca, K, Mg, CaK, CaMg, KMg un CaKMg. Šie mainīgie kļuva par mūsu prognozētājiem, palīdzot prognozēt niķeļa koncentrāciju pilsētu un piepilsētu augsnēs. SVMR algoritms tika veikts ar prognozētājiem, lai iegūtu jauktu modeli - empīrisko Bajesa kriginga atbalsta vektoru mašīnu (EBK_SVM). Līdzīgi mainīgie tiek arī ievadīti caur MLR algoritmu, lai iegūtu jauktu modeli - empīrisko Bajesa kriginga daudzkārtējo lineāro regresiju (EBK_MLR). Parasti mainīgie Ca, K, Mg, CaK, CaMg, KMg un CaKMg tiek izmantoti kā kovariāti, lai prognozētu Ni saturu pilsētu un piepilsētu augsnēs. Iegūtais pieņemamākais modelis (EBK_SVM vai EBK_MLR) pēc tam tiks vizualizēts, izmantojot pašorganizējošu grafiku. Šī pētījuma darbplūsma ir parādīta 2. attēlā.
SeOM izmantošana ir kļuvusi par populāru rīku datu organizēšanai, novērtēšanai un prognozēšanai finanšu sektorā, veselības aprūpē, rūpniecībā, statistikā, augsnes zinātnē un citur. SeOM tiek izveidots, izmantojot mākslīgos neironu tīklus un nekontrolētas mācīšanās metodes organizēšanai, novērtēšanai un prognozēšanai. Šajā pētījumā SeOM tika izmantots, lai vizualizētu Ni koncentrācijas, pamatojoties uz labāko modeli Ni prognozēšanai pilsētu un piepilsētu augsnēs. SeOM novērtējumā apstrādātie dati tiek izmantoti kā n ievades dimensiju vektora mainīgie43,56. Melssen et al. 57 apraksta ievades vektora savienojumu ar neironu tīklu caur vienu ievades slāni ar izejas vektoru ar vienu svara vektoru. SeOM ģenerētā izeja ir divdimensiju karte, kas sastāv no dažādiem neironiem vai mezgliem, kas savīti sešstūra, apļa vai kvadrāta topoloģiskās kartēs atbilstoši to tuvumam. Salīdzinot karšu izmērus, pamatojoties uz metriku, kvantācijas kļūdu (QE) un topogrāfisko kļūdu (TE), tiek izvēlēts SeOM modelis ar attiecīgi 0,086 un 0,904, kas ir 55 karšu vienība (5 × 11). Neironu struktūra tiek noteikta atbilstoši mezglu skaitam empīriskajā vienādojumā.
Šajā pētījumā izmantoto datu skaits ir 115 paraugi. Datu sadalīšanai testa datos (25% validācijai) un apmācības datu kopās (75% kalibrēšanai) tika izmantota nejauša pieeja. Apmācības datu kopa tiek izmantota regresijas modeļa ģenerēšanai (kalibrēšanai), un testa datu kopa tiek izmantota vispārināšanas spējas pārbaudei58. Tas tika darīts, lai novērtētu dažādu modeļu piemērotību niķeļa satura prognozēšanai augsnēs. Visi izmantotie modeļi izgāja desmitkārtīgu krustvalidācijas procesu, kas tika atkārtots piecas reizes. Ar EBK interpolāciju iegūtie mainīgie tiek izmantoti kā prognozētāji vai skaidrojošie mainīgie, lai prognozētu mērķa mainīgo (PTE). Modelēšana tiek veikta RStudio, izmantojot pakotnes library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) un libraries (“Metrics”).
Lai noteiktu labāko modeli, kas piemērots niķeļa koncentrācijas prognozēšanai augsnē, un novērtētu modeļa precizitāti un tā validāciju, tika izmantoti dažādi validācijas parametri. Hibridizācijas modeļi tika novērtēti, izmantojot vidējo absolūto kļūdu (MAE), vidējo kvadrātisko kļūdu (RMSE) un R kvadrāta jeb koeficienta noteikšanu (R2). R2 nosaka proporciju dispersiju atbildē, ko attēlo regresijas modelis. RMSE un dispersijas lielums neatkarīgos mērījumos apraksta modeļa prognozēšanas spēju, savukārt MAE nosaka faktisko kvantitatīvo vērtību. Lai novērtētu labāko maisījuma modeli, izmantojot validācijas parametrus, R2 vērtībai jābūt augstai, jo tuvāk vērtība ir 1, jo augstāka ir precizitāte. Saskaņā ar Li et al. 59, R2 kritērija vērtība 0,75 vai lielāka tiek uzskatīta par labu prognozētāju; no 0,5 līdz 0,75 ir pieņemama modeļa veiktspēja, bet zem 0,5 ir nepieņemama modeļa veiktspēja. Izvēloties modeli, izmantojot RMSE un MAE validācijas kritēriju novērtēšanas metodes, iegūtās zemākās vērtības bija pietiekamas un tika uzskatītas par labāko izvēli. Turpmāk sniegtais vienādojums apraksta verifikācijas metodi.
kur n apzīmē novērotās vērtības lielumu \({Y}_{i}\) apzīmē izmērīto reakciju, un \({\widehat{Y}}_{i}\) apzīmē arī prognozēto reakcijas vērtību pirmajiem i novērojumiem.
Prognozējošu un atbildes mainīgo statistiskie apraksti ir sniegti 1. tabulā, parādot vidējo vērtību, standartnovirzi (SN), variācijas koeficientu (VK), minimumu, maksimumu, ekscesa koeficientu un asimetriju. Elementu minimālās un maksimālās vērtības ir attiecīgi dilstošā secībā: Mg < Ca < K < Ni un Ca < Mg < K < Ni. Atbildes mainīgā (Ni) koncentrācijas paraugos no pētījuma zonas svārstījās no 4,86 ​​līdz 42,39 mg/kg. Ni salīdzinājums ar pasaules vidējo rādītāju (29 mg/kg) un Eiropas vidējo rādītāju (37 mg/kg) parādīja, ka kopējais aprēķinātais ģeometriskais vidējais rādītājs pētījuma zonai bija pieļaujamajā diapazonā. Tomēr, kā parādīja Kabata-Pendias11, salīdzinot vidējo niķeļa (Ni) koncentrāciju pašreizējā pētījumā ar lauksaimniecības augsnēm Zviedrijā, redzams, ka pašreizējā vidējā niķeļa koncentrācija ir augstāka. Tāpat Frydek Mistek vidējā koncentrācija pilsētu un piepilsētu augsnēs pašreizējā pētījumā (Ni 16,15 mg/kg) bija augstāka par pieļaujamo robežvērtību. 60 (10,2 mg/kg) Ni Polijas pilsētu augsnēs, par ko ziņoja Różański et al. Turklāt Bretzel un Calderisi61 reģistrēja ļoti zemu vidējo Ni koncentrāciju (1,78 mg/kg) pilsētu augsnēs Toskānā, salīdzinot ar pašreizējo pētījumu. Jim62 arī konstatēja zemāku niķeļa koncentrāciju (12,34 mg/kg) Honkongas pilsētu augsnēs, kas ir zemāka nekā pašreizējā niķeļa koncentrācija šajā pētījumā. Birke et al.63 ziņoja par vidējo Ni koncentrāciju 17,6 mg/kg vecā kalnrūpniecības un pilsētas rūpniecības zonā Saksijā-Anhaltē, Vācijā, kas bija par 1,45 mg/kg augstāka nekā vidējā Ni koncentrācija šajā apgabalā (16,15 mg/kg). Pašreizējie pētījumi. Pārmērīgu niķeļa saturu augsnēs dažās pētījuma zonas pilsētu un piepilsētu teritorijās galvenokārt var attiecināt uz dzelzs un tērauda rūpniecību un metālrūpniecību. Tas atbilst Khodadoust et al. pētījumam. 64, ka tērauda rūpniecība un metālapstrāde ir galvenie niķeļa piesārņojuma avoti augsnē. Tomēr prognozējošie rādītāji svārstījās arī no 538,70 mg/kg līdz 69 161,80 mg/kg Ca, no 497,51 mg/kg līdz 3535,68 mg/kg K un no 685,68 mg/kg līdz 5970,05 mg/kg Mg. Jakovļevičs et al. 65 pētīja kopējo Mg un K saturu augsnēs Serbijas centrālajā daļā. Viņi atklāja, ka kopējās koncentrācijas (attiecīgi 410 mg/kg un 400 mg/kg) bija zemākas nekā pašreizējā pētījumā noteiktās Mg un K koncentrācijas. Līdzīgi arī Polijas austrumos Orzechowski un Smolczynski 66 novērtēja kopējo Ca, Mg un K saturu un uzrādīja vidējās Ca (1100 mg/kg), Mg (590 mg/kg) un K (810 mg/kg) koncentrācijas. Augsnes virskārtā saturs ir zemāks nekā atsevišķam elementam šajā pētījumā. Nesen Pongrac et al. 67 veikts pētījums parādīja, ka kopējais Ca saturs, kas analizēts 3 dažādās augsnēs Skotijā, Apvienotajā Karalistē (Mylnefield augsnē, Balruddery augsnē un Hartwood augsnē), norādīja uz augstāku Ca saturu šajā pētījumā.
Ņemot vērā atšķirīgās izmērītās paraugu ņemto elementu koncentrācijas, elementu datu kopu sadalījumiem ir atšķirīga asimetrija. Elementu asimetrija un ekscesa līmenis svārstījās attiecīgi no 1,53 līdz 7,24 un no 2,49 līdz 54,16. Visiem aprēķinātajiem elementiem ir asimetrijas un ekscesa līmenis virs +1, kas norāda, ka datu sadalījums ir neregulārs, novirzīts pareizajā virzienā un sasniedzis maksimumu. Aprēķinātie elementu variācijas koeficienti arī parāda, ka K, Mg un Ni uzrāda mērenu mainīgumu, savukārt Ca ir ārkārtīgi augsta mainīgums. K, Ni un Mg variācijas koeficienti izskaidro to vienmērīgo sadalījumu. Turklāt Ca sadalījums nav vienmērīgs, un ārēji avoti var ietekmēt tā bagātināšanas līmeni.
Prognozējošo mainīgo korelācija ar atbildes elementiem norādīja uz apmierinošu korelāciju starp elementiem (sk. 3. attēlu). Korelācija norādīja, ka CaK, tāpat kā CaNi, uzrādīja mērenu korelāciju ar r vērtību = 0,53. Lai gan Ca un K uzrāda mērenu savstarpējo saistību, tādi pētnieki kā Kingston et al. 68 un Santo69 liecina, ka to līmenis augsnē ir apgriezti proporcionāls. Tomēr Ca un Mg ir antagonistiski K, bet CaK labi korelē. Tas var būt saistīts ar tādu mēslošanas līdzekļu kā kālija karbonāta izmantošanu, kurā kālija saturs ir par 56% lielāks. Kālijs bija mēreni korelēts ar magniju (KM r = 0,63). Mēslošanas līdzekļu rūpniecībā šie divi elementi ir cieši saistīti, jo kālija magnija sulfāts, kālija magnija nitrāts un potašs tiek izmantoti augsnē, lai palielinātu to deficīta līmeni. Niķelis ir mēreni korelēts ar Ca, K un Mg, r vērtībām = attiecīgi 0,52, 0,63 un 0,55. Attiecības starp kalciju, magniju un PTE, piemēram, niķeli, ir sarežģītas, taču, neskatoties uz to, magnijs kavē kalcija uzsūkšanos, kalcijs samazina magnija pārpalikuma ietekmi, un gan magnijs, gan kalcijs samazina niķeļa toksisko iedarbību augsnē.
Elementu korelācijas matrica, kas parāda saistību starp prognozētājiem un atbildēm (Piezīme: šajā attēlā ir iekļauta izkliedes diagramma starp elementiem, nozīmīguma līmeņi ir balstīti uz p < 0,001).
4. attēlā ir parādīts elementu telpiskais sadalījums. Saskaņā ar Burgos et al.70, telpiskā sadalījuma pielietošana ir metode, ko izmanto, lai kvantitatīvi noteiktu un izceltu karstos punktus piesārņotās teritorijās. Ca bagātināšanās līmeņi 4. attēlā ir redzami telpiskā sadalījuma kartes ziemeļrietumu daļā. Attēlā parādīti mēreni līdz augsti Ca bagātināšanās karstie punkti. Kalcija bagātināšanās kartes ziemeļrietumos, visticamāk, ir saistīta ar nedzēsta kaļķa (kalcija oksīda) izmantošanu augsnes skābuma samazināšanai un tā izmantošanu tērauda rūpnīcās kā sārmainu skābekli tērauda ražošanas procesā. No otras puses, citi lauksaimnieki dod priekšroku kalcija hidroksīda izmantošanai skābās augsnēs, lai neitralizētu pH līmeni, kas arī palielina augsnes kalcija saturu71. Kālijs arī parāda karstos punktus kartes ziemeļrietumos un austrumos. Ziemeļrietumi ir nozīmīga lauksaimniecības kopiena, un mērenais līdz augstais kālija līmenis var būt saistīts ar NPK un potaša lietošanu. Tas atbilst citiem pētījumiem, piemēram, Madaras un Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, kuri novēroja, ka Augsnes stabilizācija un apstrāde ar KCl un NPK izraisīja augstu K saturu augsnē. Kālija telpiskā bagātināšanās izplatības kartes ziemeļrietumos var būt saistīta ar kāliju saturošu mēslošanas līdzekļu, piemēram, kālija hlorīda, kālija sulfāta, kālija nitrāta, potaša un potaša, izmantošanu, lai palielinātu kālija saturu nabadzīgās augsnēs. Zádorová et al. 76 un Tlustoš et al. 77. gadā tika norādīts, ka K bāzes mēslošanas līdzekļu lietošana palielināja K saturu augsnē un ilgtermiņā ievērojami palielinās augsnes barības vielu saturu, īpaši K un Mg, kam augsnē ir karstie punkti. Salīdzinoši mēreni karstie punkti ir kartes ziemeļrietumos un dienvidaustrumos. Koloidālā fiksācija augsnē samazina magnija koncentrāciju augsnē. Tā trūkums augsnē izraisa augiem dzeltenīgu starpdzīslu hlorozi. Magnija bāzes mēslošanas līdzekļi, piemēram, kālija magnija sulfāts, magnija sulfāts un kizerīts, novērš magnija trūkumu (augi izskatās violeti, sarkani vai brūni, norādot uz magnija deficītu) augsnēs ar normālu pH diapazonu6. Niķeļa uzkrāšanās pilsētu un piepilsētu augsnes virsmās var būt saistīta ar antropogēnām darbībām, piemēram, lauksaimniecību, un niķeļa nozīmi nerūsējošā tērauda ražošanā78.
Elementu telpiskais sadalījums [telpiskā sadalījuma karte tika izveidota, izmantojot ArcGIS Desktop (ESRI, Inc, 10.7. versija, URL: https://desktop.arcgis.com).]
Šajā pētījumā izmantoto elementu modeļa veiktspējas indeksa rezultāti ir parādīti 2. tabulā. No otras puses, Ni RMSE un MAE ir tuvu nullei (0,86 RMSE, -0,08 MAE). No otras puses, gan K RMSE, gan MAE vērtības ir pieņemamas. RMSE un MAE rezultāti bija lielāki kalcijam un magnijam. Ca un K MAE un RMSE rezultāti ir lielāki dažādu datu kopu dēļ. Šī pētījuma RMSE un MAE, izmantojot EBK Ni prognozēšanai, bija labāki nekā Džona et al. 54 rezultāti, izmantojot sinerģisko krigingu S koncentrācijas prognozēšanai augsnē, izmantojot tos pašus savāktos datus. Mūsu pētītie EBK rezultāti korelē ar Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 un Džona et al. 82 rezultātiem, īpaši K un Ni.
Atsevišķu niķeļa satura prognozēšanas metožu veiktspēja pilsētu un piepilsētu augsnēs tika novērtēta, izmantojot modeļu veiktspēju (3. tabula). Modeļa validācija un precizitātes novērtējums apstiprināja, ka Ca_Mg_K prognozētājs apvienojumā ar EBK SVMR modeli deva vislabāko veiktspēju. Kalibrēšanas modeļa Ca_Mg_K-EBK_SVMR R2 vidējā kvadrātiskā kļūda (RMSE) un vidējā absolūtā kļūda (MAE) bija 0,637 (R2), 95,479 mg/kg (RMSE) un 77,368 mg/kg (MAE). Ca_Mg_K-SVMR bija 0,663 (R2), 235,974 mg/kg (RMSE) un 166,946 mg/kg (MAE). Tomēr labas R2 vērtības tika iegūtas Ca_Mg_K-SVMR (0,663 mg/kg R2) un Ca_Mg-EBK_SVMR (0,643 = R2); to RMSE un MAE rezultāti bija augstāki nekā Ca_Mg_K-EBK_SVMR (R2 0,637) (sk. 3. tabulu). Turklāt Ca_Mg-EBK_SVMR (RMSE = 1664,64 un MAE = 1031,49) modeļa RMSE un MAE ir attiecīgi par 17,5 un 13,4, kas ir lielāki nekā Ca_Mg_K-EBK_SVMR. Tāpat Ca_Mg-K SVMR (RMSE = 235,974 un MAE = 166,946) modeļa RMSE un MAE ir attiecīgi par 2,5 un 2,2 lielāki nekā Ca_Mg_K-EBK_SVMR RMSE un MAE. Aprēķinātie RMSE rezultāti norāda, cik koncentrēts ir datu kopums ar vislabāk atbilstošo līniju. Tika novērots augstāks RSME un MAE. Saskaņā ar Kebonye et al. 46 un john et al. 54, jo tuvāk nullei ir RMSE un MAE, jo labāki rezultāti. SVMR un EBK_SVMR ir augstākas kvantizētās RSME un MAE vērtības. Tika novērots, ka RSME aplēses bija konsekventi augstākas par MAE vērtībām, norādot uz noviržu klātbūtni. Saskaņā ar Legates un McCabe83, apjoms, kādā RMSE pārsniedz vidējo absolūto kļūdu (MAE), ir ieteicams kā noviržu klātbūtnes indikators. Tas nozīmē, ka jo heterogēnāks ir datu kopums, jo augstākas ir MAE un RMSE vērtības. Ca_Mg_K-EBK_SVMR jauktā modeļa savstarpējās validācijas novērtējuma precizitāte Ni satura prognozēšanai pilsētu un piepilsētu augsnēs bija 63,70%. Saskaņā ar Li et al. 59, šis precizitātes līmenis ir pieņemams modeļa veiktspējas rādītājs. Pašreizējie rezultāti tiek salīdzināti ar iepriekšējo Tarasov et al. pētījumu. 36, kuru hibrīdmodelis izveidoja MLPRK (daudzslāņu perceptrona atlikumu krigingu), kas saistīts ar pašreizējā pētījumā ziņoto EBK_SVMR precizitātes novērtēšanas indeksu, RMSE (210) un MAE (167,5) bija augstāki nekā mūsu rezultāti pašreizējā pētījumā (RMSE 95,479, MAE 77,368). Tomēr, salīdzinot pašreizējā pētījuma R2 (0,637) ar Tarasova u.c. 36 (0,544) ir skaidrs, ka noteikšanas koeficients (R2) šajā jauktajā modelī ir augstāks. Jauktā modeļa kļūdas robeža (RMSE un MAE) (EBK SVMR) ir divas reizes mazāka. Tāpat Sergejevs et al.34 izstrādātajam hibrīdmodelim (daudzslāņu perceptrona atlikumu krigings) reģistrēja 0,28 (R2), savukārt Ni pašreizējā pētījumā reģistrēja 0,637 (R2). Šī modeļa (EBK SVMR) prognozēšanas precizitātes līmenis ir 63,7%, savukārt Sergejeva et al.34 iegūtā prognozēšanas precizitāte ir 28%. Galīgā karte (5. att.), kas izveidota, izmantojot EBK_SVMR modeli un Ca_Mg_K kā prognozētāju, parāda karsto punktu un mērenas līdz niķeļa koncentrācijas prognozes visā pētījuma teritorijā. Tas nozīmē, ka niķeļa koncentrācija pētījuma teritorijā galvenokārt ir mērena, dažās konkrētās vietās ir augstāka koncentrācija.
Galīgā prognozēšanas karte ir attēlota, izmantojot hibrīdmodeli EBK_SVMR un Ca_Mg_K kā prognozētāju.[Telpiskā sadalījuma karte tika izveidota, izmantojot RStudio (1.4.1717 versija: https://www.rstudio.com/).]
6. attēlā ir attēlotas PTE koncentrācijas kā kompozīcijas plakne, kas sastāv no atsevišķiem neironiem. Nevienā no komponentu plaknēm nebija redzams tāds pats krāsu modelis, kā parādīts. Tomēr atbilstošais neironu skaits uzzīmētajā kartē ir 55. SeOM tiek iegūts, izmantojot dažādas krāsas, un jo līdzīgāki ir krāsu modeļi, jo salīdzināmākas ir paraugu īpašības. Saskaņā ar to precīzo krāsu skalu atsevišķi elementi (Ca, K un Mg) parādīja līdzīgus krāsu modeļus kā atsevišķi augstas kārtas neironi un lielākā daļa zemas kārtas neironu. Tādējādi CaK un CaMg ir dažas līdzības ar ļoti augstas kārtas neironiem un zemas līdz vidējas krāsas modeļiem. Abi modeļi prognozē Ni koncentrāciju augsnē, parādot vidējas līdz augstas krāsas nokrāsas, piemēram, sarkanu, oranžu un dzeltenu. KMg modelis parāda daudzus augstas krāsas modeļus, pamatojoties uz precīzām proporcijām un zemas līdz vidējas krāsas plankumiem. Precīzā krāsu skalā no zemas līdz augstas modeļa komponentu plaknes sadalījuma modelis parādīja augstu krāsu modeli, kas norāda uz potenciālo niķeļa koncentrāciju augsnē (sk. 4. attēlu). CakMg modeļa komponentu plakne parāda daudzveidīgu krāsu modeli no zemas līdz augstai atbilstoši precīzam krāsu mērogs. Turklāt modeļa niķeļa satura (CakMg) prognoze ir līdzīga niķeļa telpiskajam sadalījumam, kas parādīts 5. attēlā. Abos grafikos ir redzamas augstas, vidējas un zemas niķeļa koncentrācijas proporcijas pilsētu un piepilsētu augsnēs. 7. attēlā ir attēlota kontūru metode k-vidējo vērtību grupā kartē, kas sadalīta trīs klasteros, pamatojoties uz prognozēto vērtību katrā modelī. Kontūru metode atspoguļo optimālo klasteru skaitu. No 115 savāktajiem augsnes paraugiem 1. kategorija ieguva visvairāk augsnes paraugu — 74. 2. klasteris saņēma 33 paraugus, bet 3. klasteris — 8 paraugus. Septiņu komponentu plaknes prognozētāja kombinācija tika vienkāršota, lai nodrošinātu pareizu klasteru interpretāciju. Sakarā ar daudzajiem antropogēnajiem un dabiskajiem procesiem, kas ietekmē augsnes veidošanos, izkliedētā SeOM kartē ir grūti iegūt pareizi diferencētus klasteru modeļus78.
Katra empīriskā Bajesa kriginga atbalsta vektoru mašīnas (EBK_SVM_SeOM) mainīgā komponentu plaknes izvade. [SeOM kartes tika izveidotas, izmantojot RStudio (1.4.1717. versija: https://www.rstudio.com/).]
Dažādi klasteru klasifikācijas komponenti [SeOM kartes tika izveidotas, izmantojot RStudio (1.4.1717. versija: https://www.rstudio.com/).]
Pašreizējais pētījums skaidri ilustrē modelēšanas metodes niķeļa koncentrācijas noteikšanai pilsētu un piepilsētu augsnēs. Pētījumā tika pārbaudītas dažādas modelēšanas metodes, apvienojot elementus ar modelēšanas metodēm, lai iegūtu labāko veidu, kā prognozēt niķeļa koncentrāciju augsnē. SeOM modelēšanas metodes kompozicionālās plaknes telpiskās iezīmes uzrādīja augstu krāsu rakstu no zemas līdz augstai precīzā krāsu skalā, norādot uz Ni koncentrāciju augsnē. Tomēr telpiskā sadalījuma karte apstiprina EBK_SVMR uzrādīto komponentu plaknes telpisko sadalījumu (sk. 5. attēlu). Rezultāti liecina, ka atbalsta vektoru mašīnas regresijas modelis (CaMgK-SVMR) prognozē Ni koncentrāciju augsnē kā viens modelis, bet validācijas un precizitātes novērtēšanas parametri uzrāda ļoti lielas kļūdas RMSE un MAE ziņā. No otras puses, modelēšanas metode, kas izmantota ar EBK_MLR modeli, ir arī kļūdaina zemās noteikšanas koeficienta (R2) vērtības dēļ. Labi rezultāti tika iegūti, izmantojot EBK SVMR un kombinētos elementus (CaKMg) ar zemām RMSE un MAE kļūdām ar precizitāti 63,7%. Izrādās, ka, apvienojot EBK algoritmu ar mašīnmācīšanās algoritmu, var ģenerēt hibrīdalgoritms, kas var prognozēt PTE koncentrāciju augsnē. Rezultāti liecina, ka Ca, Mg, K izmantošana kā prognozētāji Ni koncentrācijas prognozēšanai pētījuma apgabalā var uzlabot Ni prognozēšanu augsnē. Tas nozīmē, ka nepārtraukta niķeļa bāzes mēslošanas līdzekļu lietošana un augsnes rūpnieciskais piesārņojums, ko rada tērauda rūpniecība, mēdz palielināt niķeļa koncentrāciju augsnē. Šis pētījums atklāja, ka EBK modelis var samazināt kļūdu līmeni un uzlabot augsnes telpiskā sadalījuma modeļa precizitāti pilsētu vai piepilsētu augsnēs. Kopumā mēs ierosinām izmantot EBK-SVMR modeli, lai novērtētu un prognozētu PTE augsnē; turklāt mēs ierosinām izmantot EBK, lai hibridizētos ar dažādiem mašīnmācīšanās algoritmiem. Ni koncentrācijas tika prognozētas, izmantojot elementus kā kovariātus; tomēr, izmantojot vairāk kovariātu, ievērojami uzlabotos modeļa veiktspēja, ko var uzskatīt par pašreizējā darba ierobežojumu. Vēl viens šī pētījuma ierobežojums ir tas, ka datu kopu skaits ir 115. Tāpēc, ja tiek sniegts vairāk datu, var uzlabot ierosinātās optimizētās hibridizācijas metodes veiktspēju.
PlantProbs.net.Niķelis augos un augsnē https://plantprobs.net/plant/nutrientImbalances/sodium.html (apskatīts 2021. gada 28. aprīlī).
Kasprzaks, KS. Nikela sasniegumi mūsdienu vides toksikoloģijā.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. un Nikel, G. Nickel: Pārskats par tā avotiem un vides toksikoloģiju. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Piesārņotāju pieplūde no atmosfēras un to uzkrāšanās augsnē un veģetācijā netālu no niķeļa-vara kausētavas Sadberijā, Ontārio, Kanādā.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Smagie metāli augsnē, augos un riski, kas saistīti ar atgremotāju ganīšanu netālu no Selebi-Phikwe vara-niķeļa raktuves Botsvānā.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Mikroelementi augsnē un… – 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= (apskatīts 2020. gada 24. novembrī).
Almås, A., Singh, B., Lauksaimniecība, TS-NJ no & 1995, nav definēts. Krievijas niķeļa rūpniecības ietekme uz smago metālu koncentrāciju lauksaimniecības augsnēs un zālēs Soer-Varangerā, Norvēģijā.agris.fao.org.
Nielsen, GD et al. Niķeļa absorbcija un aizture dzeramajā ūdenī ir saistīta ar pārtikas uzņemšanu un jutību pret niķeli. toksikoloģija. pielietojums. Farmakodinamika. 154, 67–75 (1999).
Costa, M. un Klein, CB. Niķeļa kanceroģenēze, mutācija, epigenetika vai selekcija. Apkārtne. Veselības perspektīva. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Potenciāli toksisko elementu tendenču analīze: bibliometrisks pārskats. Vides ģeoķīmija un veselība. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. un McBratney, AB Digitālā augsnes kartēšana: īsa vēsture un dažas mācības. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Par digitālo augsnes kartēšanu.Ģeoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Ģeostatistiskā rezervuāru modelēšana,… – 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= (apskatīts 2021. gada 28. aprīlī).