Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што ја користите има ограничена поддршка за CSS. За најдобро искуство, препорачуваме да користите ажуриран прелистувач (или да го исклучите режимот на компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме континуирана поддршка, ќе ја прикажеме страницата без стилови и JavaScript.
Загадувањето на почвата е голем проблем предизвикан од човековите активности. Просторната распределба на потенцијално токсичните елементи (PTE) варира во повеќето урбани и периурбани области. Затоа, тешко е просторно да се предвиди содржината на PTE во таквите почви. Вкупно 115 примероци беа добиени од Фредек Мистек во Чешката Република. Концентрациите на калциум (Ca), магнезиум (Mg), калиум (K) и никел (Ni) беа определени со употреба на индуктивно поврзана плазма емисиона спектрометрија. Променливата на одговор е Ni, а предикторите се Ca, Mg и K. Матрицата на корелација помеѓу променливата на одговор и предикторската променлива покажува задоволителна корелација помеѓу елементите. Резултатите од предвидувањето покажаа дека регресијата на потпорниот векторски машини (SVMR) се покажа добро, иако нејзината проценета средна квадратна грешка (RMSE) (235,974 mg/kg) и средната апсолутна грешка (MAE) (166,946 mg/kg) беа повисоки од другите применети методи. Мешаните модели за емпириска Баесова Кригинг-повеќекратна линеарна регресија (EBK-MLR) се покажаа лошо, како што е потврдено од коефициенти на детерминација помали од 0,1. Емпирискиот Баесов Кригинг-поддржувачки векторски машински модел (EBK-SVMR) беше најдобриот модел, со ниски вредности на RMSE (95,479 mg/kg) и MAE (77,368 mg/kg) и висок коефициент на детерминација (R2 = 0,637). Резултатот од техниката за моделирање EBK-SVMR е визуелизиран со помош на самоорганизирачка мапа. Кластерираните неврони во рамнината на хибридниот модел CakMg-EBK-SVMR компонента покажуваат повеќекратни обрасци на бои кои ги предвидуваат концентрациите на Ni во урбаните и периурбаните почви. Резултатите покажуваат дека комбинирањето на EBK и SVMR е ефикасна техника за предвидување на концентрациите на Ni во урбаните и периурбаните почви.
Никелот (Ni) се смета за микронутриент за растенијата бидејќи придонесува за фиксација на азот во атмосферата (N) и метаболизам на уреа, кои се потребни за ртење на семето. Покрај неговиот придонес за ртење на семето, Ni може да дејствува како габичен и бактериски инхибитор и да го промовира развојот на растенијата. Недостатокот на никел во почвата му овозможува на растението да го апсорбира, што резултира со хлороза на листовите. На пример, грашокот и зелениот грав бараат примена на ѓубрива на база на никел за оптимизирање на фиксацијата на азот2. Континуираната примена на ѓубрива на база на никел за збогатување на почвата и зголемување на способноста на мешунките да го фиксираат азотот во почвата континуирано ја зголемува концентрацијата на никел во почвата. Иако никелот е микронутриент за растенијата, неговиот прекумерен внес во почвата може да направи повеќе штета отколку добро. Токсичноста на никелот во почвата ја минимизира pH вредноста на почвата и го попречува апсорбирањето на железото како суштинска хранлива материја за раст на растенијата1. Според Лиу3, се покажа дека Ni е 17-ти важен елемент потребен за развој и раст на растенијата. Покрај улогата на никелот во развојот и растот на растенијата, на луѓето им е потребен за различни апликации. Галванизацијата, производство на легури на база на никел, и производството на уреди за палење и свеќички во автомобилската индустрија бараат употреба на никел во различни индустриски сектори. Покрај тоа, легури на база на никел и електрогалванизирани производи се широко користени во кујнски прибор, додатоци за балски сали, материјали за прехранбена индустрија, електрични инсталации, жици и кабли, млазни турбини, хируршки импланти, текстил и бродоградба5. Нивоата богати со Ni во почвите (т.е. површински почви) се припишуваат и на антропогени и на природни извори, но првенствено, Ni е природен извор, а не антропоген4,6. Природните извори на никел вклучуваат вулкански ерупции, вегетација, шумски пожари и геолошки процеси; сепак, антропогените извори вклучуваат никел/кадмиумски батерии во челичната индустрија, електрогалванизација, лачно заварување, дизел и мазут, како и атмосферски емисии од согорување на јаглен и согорување на отпад и тиња, акумулација на никел7,8. Според Фридман и Хачинсон9 и Манива и др. 10, главните извори на загадување на горниот слој на почвата во непосредната и соседната околина се главно топилниците и рудниците базирани на никел-бакар. Горниот слој на почвата околу рафинеријата за никел-бакар Садбери во Канада имаше највисоки нивоа на контаминација на никел од 26.000 мг/кг11. Спротивно на тоа, загадувањето од производството на никел во Русија резултираше со повисоки концентрации на никел во норвешката почва11. Според Алмс и сор. 12, количината на никел што може да се екстрахира со HNO3 во врвното обработливо земјиште во регионот (производство на никел во Русија) се движеше од 6,25 до 136,88 mg/kg, што одговара на просек од 30,43 mg/kg и базична концентрација од 25 mg/kg. Според kabata 11, примената на фосфорни ѓубрива во земјоделските почви во урбаните или периурбаните почви за време на последователни сезони на култури може да ја инфузира или контаминира почвата. Потенцијалните ефекти на никелот кај луѓето може да доведат до рак преку мутагенеза, хромозомско оштетување, генерирање на Z-ДНК, поправка на блокирана ексцизија на ДНК или епигенетски процеси13. Во експерименти со животни, откриено е дека никелот има потенцијал да предизвика различни тумори, а канцерогените комплекси на никел можат да ги влошат таквите тумори.
Проценките на контаминацијата на почвата доживеаја процут во последно време поради широк спектар на здравствени проблеми што произлегуваат од односите помеѓу почвата и растението, почвата и биолошките односи на почвата, еколошката деградација и проценката на влијанието врз животната средина. До денес, просторното предвидување на потенцијално токсични елементи (PTE) како што е Ni во почвата беше макотрпно и одземаше многу време со користење на традиционални методи. Појавата на дигиталното мапирање на почвата (DSM) и неговиот тековен успех15 значително го подобрија предвидливото мапирање на почвата (PSM). Според Минасни и МекБретни16, предвидливото мапирање на почвата (DSM) се покажа како истакната поддисциплина на науката за почвата. Лагачери и МекБретни, 2006 година, го дефинираат DSM како „создавање и пополнување на просторни информациски системи за почвата преку употреба на in situ и лабораториски методи на набљудување и просторни и непросторни системи за инференција на почвата“. МекБретни и др. 17 истакнуваат дека современиот DSM или PSM е најефикасната техника за предвидување или мапирање на просторната распределба на PTE, типовите на почва и својствата на почвата. Геостатистика и алгоритми за машинско учење (MLA) се техники на моделирање на DSM кои создаваат дигитализирани мапи со помош на компјутери користејќи значајни и минимални податоци.
Дојч18 и Олеа19 ја дефинираат геостатистиката како „збир на нумерички техники што се занимаваат со претставување на просторни атрибути, главно користејќи стохастички модели, како на пример како анализата на временски серии ги карактеризира временските податоци“. Првенствено, геостатистиката вклучува евалуација на вариограми, кои овозможуваат квантифицирање и дефинирање на зависностите на просторните вредности од секој збир на податоци20. Гумио и др. 20 понатаму илустрираат дека евалуацијата на вариограмите во геостатистиката се базира на три принципи, вклучувајќи (а) пресметување на скалата на корелација на податоците, (б) идентификување и пресметување на анизотропијата во диспаритетот на множеството податоци и (в) покрај земањето предвид на вродената грешка на податоците за мерење одделени од локалните ефекти, се проценуваат и ефектите на површината. Врз основа на овие концепти, во геостатистиката се користат многу техники на интерполација, вклучувајќи општ кригинг, ко-кригинг, обичен кригинг, емпириски Баесов кригинг, едноставен метод на кригинг и други добро познати техники на интерполација за мапирање или предвидување на PTE, карактеристики на почвата и типови на почвата.
Алгоритмите за машинско учење (MLA) се релативно нова техника која користи поголеми нелинеарни класи на податоци, поттикнати од алгоритми што првенствено се користат за рударство на податоци, идентификување на шеми во податоците и постојано се применуваат за класификација во научни области како што се науката за почвата и задачите за враќање. Бројни истражувачки трудови се потпираат на MLA модели за да предвидат PTE во почвите, како што се Tan et al. 22 (случајни шуми за проценка на тешки метали во земјоделски почви), Sakizadeh et al. 23 (моделирање со помош на машини за потпорни вектори и вештачки невронски мрежи) загадување на почвата). Покрај тоа, Vega et al. 24 (CART за моделирање на задржување и адсорпција на тешки метали во почвата), Sun et al. 25 (примена на кубистот е дистрибуцијата на Cd во почвата) и други алгоритми како што се k-најблискиот сосед, генерализирана засилена регресија и засилена регресија. Дрвјата исто така применија MLA за да предвидат PTE во почвата.
Примената на DSM алгоритмите во предвидувањето или мапирањето се соочува со неколку предизвици. Многу автори веруваат дека MLA е супериорна во однос на геостатистиката и обратно. Иако едната е подобра од другата, комбинацијата од двете го подобрува нивото на точност на мапирањето или предвидувањето во DSM15. Вудкок и Гопал26 Финке27; Понтиус и Чеук28 и Грунвалд29 коментираат за недостатоците и некои грешки во предвиденото мапирање на почвата. Научниците за почва пробале различни техники за да ја оптимизираат ефикасноста, точноста и предвидливоста на мапирањето и прогнозирањето на DSM. Комбинацијата на неизвесност и верификација е еден од многуте различни аспекти интегрирани во DSM за да се оптимизира ефикасноста и да се намалат дефектите. Сепак, Агиеман и сор.15 истакнуваат дека однесувањето на валидација и неизвесноста воведени со креирање и предвидување на мапата треба да бидат независно валидирани за да се подобри квалитетот на мапата. Ограничувањата на DSM се должат на географски дисперзираниот квалитет на почвата, што вклучува компонента на неизвесност; сепак, недостатокот на сигурност во DSM може да произлезе од повеќе извори на грешки, имено коваријантна грешка, грешка во моделот, грешка во локацијата и аналитичка грешка 31. Неточностите во моделирањето предизвикани во MLA и геостатистичките процеси се поврзани со недостаток на разбирање, што на крајот доведува до прекумерно поедноставување на реалниот процес 32. Без оглед на природата на моделирањето, неточностите може да се припишат на параметрите на моделирање, предвидувањата на математичкиот модел или интерполацијата 33. Неодамна, се појави нов тренд во DSM кој ја промовира интеграцијата на геостатистиката и MLA во мапирањето и прогнозирањето. Неколку научници и автори за почва, како што се Сергеев и др. 34; Субботина и др. 35; Тарасов и др. 36 и Тарасов и др. 37 го искористија точниот квалитет на геостатистиката и машинското учење за да генерираат хибридни модели кои ја подобруваат ефикасноста на прогнозирањето и мапирањето. квалитет. Некои од овие хибридни или комбинирани алгоритмски модели се Кригинг со вештачка невронска мрежа (ANN-RK), Кригинг со резидуален повеќеслоен перцептрон (MLP-RK), Кригинг со резидуален генерализирана невронска мрежа со резидуален систем за генерализирана регресија (GR-NNRK)36, Кригинг со вештачка невронска мрежа - повеќеслоен перцептрон (ANN-K-MLP)37 и ко-Кригинг и гаусова процесна регресија38.
Според Сергеев и сор., комбинирањето на различни техники за моделирање има потенцијал да ги елиминира дефектите и да ја зголеми ефикасноста на добиениот хибриден модел, наместо да го развива неговиот единствен модел. Во овој контекст, овој нов труд тврди дека е потребно да се примени комбиниран алгоритам на геостатистика и MLA за да се создадат оптимални хибридни модели за предвидување на збогатувањето со Ni во урбаните и периурбаните области. Оваа студија ќе се потпира на емпирискиот Баесов Кригинг (EBK) како основен модел и ќе го измеша со моделите на машина за потпорни вектори (SVM) и моделите на повеќекратна линеарна регресија (MLR). Хибридизацијата на EBK со која било MLA не е позната. Повеќекратните мешани модели што се гледаат се комбинации од обично, резидално, регресивно кригингирање и MLA. EBK е метод на геостатистичка интерполација што користи просторно стохастички процес кој е локализиран како нестационарно/стационарно случајно поле со дефинирани параметри за локализација низ полето, дозволувајќи просторна варијација39. EBK се користи во различни студии, вклучувајќи анализа на дистрибуцијата на органски јаглерод во земјоделските почви40, проценка на загадувањето на почвата41 и мапирање на својствата на почвата42.
Од друга страна, самоорганизирачкиот граф (SeOM) е алгоритам за учење кој е применет во разни статии како што се Ли и сор. 43, Ванг и сор. 44, Хосеин Бујан и сор. 45 и Кебонје и сор. 46. Определете ги просторните атрибути и групирањето на елементите. Ванг и сор. 44 истакнуваат дека SeOM е моќна техника на учење позната по својата способност да групира и замислува нелинеарни проблеми. За разлика од другите техники за препознавање на обрасци, како што се анализата на главните компоненти, фази групирање, хиерархиско групирање и донесување одлуки со повеќе критериуми, SeOM е подобар во организирањето и идентификувањето на PTE обрасци. Според Ванг и сор. 44, SeOM може просторно да ја групира дистрибуцијата на поврзани неврони и да обезбеди визуелизација на податоци со висока резолуција. SeOM ќе ги визуелизира податоците за предвидување на Ni за да го добие најдобриот модел за карактеризирање на резултатите за директна интерпретација.
Овој труд има за цел да генерира робустен модел на мапирање со оптимална точност за предвидување на содржината на никел во урбаните и периурбаните почви. Претпоставуваме дека сигурноста на мешаниот модел главно зависи од влијанието на другите модели поврзани со основниот модел. Ги признаваме предизвиците со кои се соочува DSM и додека овие предизвици се решаваат на повеќе фронтови, комбинацијата на напредок во геостатистиката и MLA моделите се чини дека е постепена; затоа, ќе се обидеме да одговориме на истражувачките прашања што можат да дадат мешани модели. Сепак, колку е точен моделот во предвидувањето на целниот елемент? Исто така, какво е нивото на евалуација на ефикасноста врз основа на валидацијата и евалуацијата на точноста? Затоа, специфичните цели на оваа студија беа да се (а) создаде комбиниран модел на мешавина за SVMR или MLR користејќи EBK како основен модел, (б) да се споредат добиените модели (в) да се предложи најдобриот модел на мешавина за предвидување на концентрациите на Ni во урбаните или периурбаните почви и (г) примена на SeOM за да се создаде мапа со висока резолуција на просторните варијации на никел.
Студијата се спроведува во Чешка, поточно во округот Фредек Мистек во Моравско-шлескиот регион (видете ја Слика 1). Географијата на проучуваната област е многу сурова и е претежно дел од Моравско-шлескиот регион Бескиди, кој е дел од надворешниот раб на Карпатите. Студиската област се наоѓа помеѓу 49° 41′ 0′ северна географска ширина и 18° 20′ 0′ источна географска ширина, а надморската височина е помеѓу 225 и 327 м; Сепак, системот за класификација на Копен за климатската состојба на регионот е оценет како Cfb = умерена океанска клима. Има многу врнежи од дожд дури и во сушните месеци. Температурите варираат малку во текот на годината помеѓу -5 °C и 24 °C, ретко паѓаат под -14 °C или над 30 °C, додека просечните годишни врнежи се помеѓу 685 и 752 mm47. Проценетата површина на истражувањето на целата област е 1.208 квадратни километри, со 39,38% од обработливото земјиште и 49,36% од шумската покривка. Од друга страна, површината што се користи во оваа студија е околу 889,8 квадратни километри. Во и околу Острава, челичната индустрија и металуршките фабрики се многу активни. Металските фабрики, челичната индустрија каде што никелот се користи во не'рѓосувачките челици (на пр. за отпорност на атмосферска корозија) и легираните челици (никелот ја зголемува цврстината на легурата, а воедно ја одржува нејзината добра еластичност и цврстина), и интензивното земјоделство, како што е примената на фосфатни ѓубрива и производството на добиток, се потенцијални извори на никел во регионот. (на пр., додавање никел кај јагнињата за зголемување на стапките на раст кај јагнињата и слабо хранетиот добиток). Други индустриски употреби на никелот во истражувачките области вклучуваат негова употреба во галванизација, вклучувајќи галванизација на никел и процеси на електроникулирање со никел. Својствата на почвата лесно се разликуваат од бојата на почвата, структурата и содржината на карбонат. Текстурата на почвата е средна до фина, добиена од матичниот материјал. Тие се колувијални, алувијални или еолски по природа. Некои почвени области се појавуваат шарени на површината и подземјето, често со бетон и белење. Сепак, камбисолите и стагносолите се најчестите типови почва во регионот48. Со надморски височини што се движат од 455,1 до 493,5 м, камбисолите доминираат во Чешка49.
Карта на подрачјето на проучување [Картата на подрачјето на проучување е креирана со користење на ArcGIS Desktop (ESRI, Inc, верзија 10.7, URL: https://desktop.arcgis.com).]
Вкупно 115 примероци од горниот слој на почвата беа добиени од урбани и периурбани почви во областа Фредек Мистек. Користениот модел на примероци беше правилна мрежа со примероци од почвата распоредени 2 × 2 км еден од друг, а горниот слој на почвата беше мерен на длабочина од 0 до 20 см со помош на рачен GPS уред (Leica Zeno 5 GPS). Примероците се спакувани во Ziploc кеси, соодветно означени и испратени во лабораторија. Примероците беа сушени на воздух за да се добијат пулверизирани примероци, пулверизирани со механички систем (Fritsch диск мелница) и просеани (големина на сито 2 mm). Ставете 1 грам сушени, хомогенизирани и просеани примероци од почвата во јасно означени тефлонски шишиња. Во секој тефлонски сад, додадете 7 ml 35% HCl и 3 ml 65% HNO3 (користејќи автоматски диспензер - по еден за секоја киселина), покријте лесно и оставете ги примероците да отстојат преку ноќ за реакцијата (програма aqua regia). Ставете го супернатантот на врела метална плоча (температура: 100 W и 160 °C) 2 часа за да се олесни процесот на варење на примероците, а потоа се лади. Префрлете го супернатантот во волуметриска колба од 50 ml и разредете го до 50 ml со дејонизирана вода. После тоа, филтрирајте го разредениот супернатант во ПВЦ цевка од 50 ml со дејонизирана вода. Дополнително, 1 ml од растворот за разредување беше разреден со 9 ml дејонизирана вода и филтриран во цевка од 12 ml подготвена за псевдо-концентрација на PTE. Концентрациите на PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) беа одредени со ICP-OES (Индуктивно поврзана плазма оптичка емисиона спектроскопија) (Thermo Fisher Scientific, САД) според стандардни методи и договор. Обезбедете процедури за обезбедување квалитет и контрола (QA/QC) (SRM NIST 2711a Montana II Soil). PTE со граници на детекција под половина беа исклучени од оваа студија. Границата на детекција на PTE што се користеше во оваа студија беше 0,0004. (вие). Покрај тоа, процесот на контрола и обезбедување на квалитет за секоја анализа е обезбеден со анализа на референтните стандарди. За да се осигури дека грешките се минимизирани, беше извршена двојна анализа.
Емпирискиот Баесов Кригинг (EBK) е една од многуте геостатистички техники на интерполација што се користат во моделирањето во различни области како што е науката за почвата. За разлика од другите техники на кригинг интерполација, EBK се разликува од традиционалните методи на кригинг по тоа што ја зема предвид грешката проценета од полувариограмскиот модел. Во EBK интерполацијата, неколку полувариограмски модели се пресметуваат за време на интерполацијата, наместо еден полувариограм. Техниките на интерполација отстапуваат место за неизвесноста и програмирањето поврзани со ова исцртување на полувариограмот што претставува многу сложен дел од доволен кригинг метод. Процесот на интерполација на EBK ги следи трите критериуми предложени од Криворучко50, (а) моделот го проценува полувариограмот од влезниот сет на податоци (б) новата предвидена вредност за секоја локација на влезниот сет на податоци врз основа на генерираниот полувариограм и (в) конечниот А модел се пресметува од симулиран сет на податоци. Правилото на Баесовата равенка е дадено како постериорна
Каде што \(Prob\left(A\right)\) претставува претходна, \(Prob\left(B\right)\) маргиналната веројатност се игнорира во повеќето случаи, \(Prob(B,A)\). Пресметката на полувариограмот се базира на Бајсовото правило, кое ја покажува склоноста на множествата податоци од набљудувањата што можат да се креираат од полувариограми. Вредноста на полувариограмот потоа се одредува со користење на Бајсовото правило, кое наведува колку е веројатно да се креира множество податоци од набљудувања од полувариограмот.
Машина за потпорен вектор е алгоритам за машинско учење кој генерира оптимална хиперрамнина за одвојување за да разликува идентични, но не линеарно независни класи. Вапник51 го создаде алгоритмот за класификација на намери, но неодамна се користи за решавање на проблеми ориентирани кон регресија. Според Ли и сор.52, SVM е една од најдобрите техники на класификација и се користи во различни области. Компонентата за регресија на SVM (Регресија на машина за потпорен вектор – SVMR) беше користена во оваа анализа. Черкаски и Мулиер53 го водеа SVMR како регресија базирана на јадро, чие пресметување беше извршено со користење на линеарен регресионен модел со просторни функции за повеќе земји. Џон и сор.54 известуваат дека моделирањето на SVMR користи линеарна регресија на хиперрамнина, која создава нелинеарни односи и овозможува просторни функции. Според Воланд и сор. 55, epsilon (ε)-SVMR го користи обучениот сет на податоци за да добие модел на репрезентација како функција нечувствителна на епсилон што се применува за независно мапирање на податоците со најдобра епсилонска пристрасност од обуката на корелирани податоци. Претходно поставената грешка на растојанието се игнорира од вистинската вредност, и ако грешката е поголема од ε(ε), својствата на почвата ја компензираат. Моделот, исто така, ја намалува сложеноста на податоците за обука на поширок подмножество на вектори за поддршка. Равенката предложена од Vapnik51 е прикажана подолу.
каде што b го претставува скаларниот праг, \(K\left({x}_{,}{ x}_{k}\right)\) ја претставува функцијата на јадрото, \(\alpha\) го претставува Лагранжовиот множител, N претставува нумерички сет на податоци, \({x}_{k}\) претставува влез на податоци, а \(y\) е излез на податоци. Едно од клучните кернели што се користат е SVMR операцијата, која е Гаусова радијална базна функција (RBF). RBF кернелот се применува за да се одреди оптималниот SVMR модел, што е клучно за да се добие најсуптилниот фактор на казнено множество C и параметарот на јадрото гама (γ) за податоците за обука на PTE. Прво, го евалуиравме множеството за обука, а потоа ги тестиравме перформансите на моделот на множеството за валидација. Параметарот за управување што се користи е sigma, а вредноста на методот е svmRadial.
Модел на повеќекратна линеарна регресија (MLR) е регресивен модел кој ја претставува врската помеѓу променливата на одговор и голем број предикторски променливи со користење на линеарни здружени параметри пресметани со методот на најмали квадрати. Во MLR, моделот на најмали квадрати е предикативна функција на својствата на почвата по избор на објаснувачки променливи. Потребно е да се користи одговорот за да се воспостави линеарна врска со користење на објаснувачки променливи. PTE беше користен како променлива на одговор за да се воспостави линеарна врска со објаснувачките променливи. Равенката на MLR е
каде што y е променливата на одговор, \(a\) е пресекот, n е бројот на предиктори, \({b}_{1}\) е делумната регресија на коефициентите, \({x}_{i}\) претставува предикторска или објаснувачка променлива, а \({\varepsilon }_{i}\) ја претставува грешката во моделот, позната и како остаток.
Мешани модели се добиени со спојување на EBK со SVMR и MLR. Ова се прави со извлекување на предвидените вредности од EBK интерполацијата. Предвидените вредности добиени од интерполираните Ca, K и Mg се добиваат преку комбинаторен процес за да се добијат нови варијабли, како што се CaK, CaMg и KMg. Елементите Ca, K и Mg потоа се комбинираат за да се добие четврта варијабла, CaKMg. Генерално, добиените варијабли се Ca, K, Mg, CaK, CaMg, KMg и CaKMg. Овие варијабли станаа наши предиктори, помагајќи да се предвидат концентрациите на никел во урбаните и периурбаните почви. SVMR алгоритмот беше извршен на предиктори за да се добие мешан модел на емпириска Баезијанска Кригинг-подржувачка векторска машина (EBK_SVM). Слично на тоа, варијаблите се пренесуваат и преку MLR алгоритмот за да се добие мешан модел на емпириска Баезијанска Кригинг-повеќекратна линеарна регресија (EBK_MLR). Типично, варијаблите Ca, K, Mg, CaK, CaMg, KMg и CaKMg се користат како коваријати како предиктори на содржината на Ni во урбаните и периурбаните почви. Најприфатливиот добиен модел (EBK_SVM или EBK_MLR) потоа ќе се визуелизира со помош на самоорганизирачки графикон. Работниот тек на оваа студија е прикажан на Слика 2.
Користењето на SeOM стана популарна алатка за организирање, евалуација и прогнозирање на податоци во финансискиот сектор, здравството, индустријата, статистиката, науката за почвата и друго. SeOM е креиран со употреба на вештачки невронски мрежи и методи на учење без надзор за организација, евалуација и предвидување. Во оваа студија, SeOM беше користен за визуелизација на концентрациите на Ni врз основа на најдобриот модел за предвидување на Ni во урбани и периурбани почви. Податоците обработени во евалуацијата на SeOM се користат како n влезно-димензионални векторски променливи43,56. Мелсен и др. 57 го опишуваат поврзувањето на влезен вектор во невронска мрежа преку еден влезен слој до излезен вектор со еден вектор на тежина. Излезот генериран од SeOM е дводимензионална мапа која се состои од различни неврони или јазли вткаени во хексагонални, кружни или квадратни тополошки мапи според нивната близина. Споредувајќи ги големините на мапата врз основа на метричка, квантизациски грешка (QE) и топографска грешка (TE), се избира SeOM моделот со 0,086 и 0,904, соодветно, што е единица од 55 мапи (5 × 11). Структурата на невроните се одредува според бројот на јазли во емпириската равенка.
Бројот на податоци што се користеа во оваа студија е 115 примероци. За поделба на податоците на тест податоци (25% за валидација) и сетови на податоци за обука (75% за калибрација) беше користен случаен пристап. Сетот на податоци за обука се користи за генерирање на регресиониот модел (калибрација), а тест сетот на податоци се користи за проверка на способноста за генерализација58. Ова беше направено за да се процени соодветноста на различните модели за предвидување на содржината на никел во почвите. Сите користени модели поминаа низ десеткратен процес на вкрстена валидација, повторен пет пати. Променливите произведени со EBK интерполација се користат како предиктори или објаснувачки променливи за предвидување на целната променлива (PTE). Моделирањето се извршува во RStudio со користење на пакетите library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) и библиотеки (“Metrics”).
Различни параметри за валидација беа користени за да се одреди најдобриот модел погоден за предвидување на концентрациите на никел во почвата и за да се оцени точноста на моделот и неговата валидација. Моделите за хибридизација беа оценети со употреба на средна апсолутна грешка (MAE), коренска средна квадратна грешка (RMSE) и R-квадрат или коефициентско одредување (R2). R2 ја дефинира варијансата на пропорциите во одговорот, претставена со регресиониот модел. RMSE и големината на варијансата во независните мерки ја опишуваат предикативната моќ на моделот, додека MAE ја одредува вистинската квантитативна вредност. Вредноста R2 мора да биде висока за да се оцени најдобриот модел на мешавина со употреба на параметрите за валидација, колку е поблиску вредноста до 1, толку е поголема точноста. Според Ли и сор. 59, вредност на критериумот R2 од 0,75 или поголема се смета за добар предиктор; од 0,5 до 0,75 е прифатлива изведба на моделот, а под 0,5 е неприфатлива изведба на моделот. При избор на модел со употреба на методите за евалуација на критериумите за валидација RMSE и MAE, пониските добиени вредности беа доволни и се сметаа за најдобар избор. Следната равенка го опишува методот за верификација.
каде што n ја претставува големината на набљудуваната вредност\({Y}_{i}\) го претставува измерениот одговор, а \({\widehat{Y}}_{i}\) исто така ја претставува предвидената вредност на одговор, според тоа, за првите i набљудувања.
Статистичките описи на предикторските и одговорните варијабли се прикажани во Табела 1, кои прикажуваат средна вредност, стандардна девијација (SD), коефициент на варијација (CV), минимум, максимум, куртоза и асиметрија. Минималните и максималните вредности на елементите се во опаѓачки редослед Mg < Ca < K < Ni и Ca < Mg < K < Ni, соодветно. Концентрациите на одговорната варијабла (Ni) земени од проучуваната област се движеа од 4,86 ​​до 42,39 mg/kg. Споредбата на Ni со светскиот просек (29 mg/kg) и европскиот просек (37 mg/kg) покажа дека вкупната пресметана геометриска средна вредност за проучуваната област е во рамките на толерантниот опсег. Сепак, како што е прикажано од Kabata-Pendias11, споредбата на просечната концентрација на никел (Ni) во тековната студија со земјоделските почви во Шведска покажува дека тековната просечна концентрација на никел е поголема. Слично на тоа, средната концентрација на Frydek Mistek во урбаните и периурбаните почви во тековната студија (Ni 16,15 mg/kg) беше повисока од дозволена граница од 60 (10,2 mg/kg) за Ni во полските урбани почви, објавена од Różański et al. Понатаму, Bretzel и Calderisi61 регистрирале многу ниски средни концентрации на Ni (1,78 mg/kg) во урбаните почви во Тоскана во споредба со тековната студија. Jim62, исто така, откриле пониска концентрација на никел (12,34 mg/kg) во урбаните почви во Хонг Конг, што е пониско од тековната концентрација на никел во оваа студија. Birke et al63 објавиле просечна концентрација на Ni од 17,6 mg/kg во стара рударска и урбана индустриска зона во Саксонија-Анхалт, Германија, што е за 1,45 mg/kg повисока од просечната концентрација на Ni во областа (16,15 mg/kg). Тековно истражување. Прекумерната содржина на никел во почвите во некои урбани и приградски области од областа на проучување може главно да се припише на индустријата за железо и челик и металната индустрија. Ова е во согласност со студијата на Khodadoust et al. 64 дека челичната индустрија и обработката на метали се главни извори на контаминација со никел во почвите. Сепак, предиктори, исто така, се движеа од 538,70 mg/kg до 69.161,80 mg/kg за Ca, 497,51 mg/kg до 3535,68 mg/kg за K и 685,68 mg/kg до 5970,05 mg/kg за Mg. Јаковљевиќ и др. 65 ја испитувале вкупната содржина на Mg и K во почвите во централна Србија. Тие откриле дека вкупните концентрации (410 mg/kg и 400 mg/kg, соодветно) биле пониски од концентрациите на Mg и K во тековната студија. Неразлично е што во источна Полска, Оржеховски и Смолчински66 ја процениле вкупната содржина на Ca, Mg и K и покажале просечни концентрации на Ca (1100 mg/kg), Mg (590 mg/kg) и K (810 mg/kg). Содржината во горниот слој на почвата е пониска од поединечниот елемент во оваа студија. Неодамнешна студија од Понграк и сор. 67 покажала дека вкупната содржина на Ca анализирана во 3 различни почви во Шкотска, Велика Британија (почва Милнфилд, почва Балрудери и почва Хартвуд) укажува на повисока содржина на Ca во оваа студија.
Поради различните измерени концентрации на примероците од елементите, распределбата на множествата податоци на елементите покажува различна асиметрија. Асиметријата и куртозата на елементите се движеа од 1,53 до 7,24 и од 2,49 до 54,16, соодветно. Сите пресметани елементи имаат нивоа на асиметрија и куртоза над +1, што укажува дека распределбата на податоците е неправилна, асиметрична во вистинската насока и достигнува врв. Проценетите CV вредности на елементите исто така покажуваат дека K, Mg и Ni покажуваат умерена варијабилност, додека Ca има исклучително висока варијабилност. CV вредностите на K, Ni и Mg ја објаснуваат нивната униформна распределба. Понатаму, распределбата на Ca е неуниформна и надворешните извори можат да влијаат на нејзиното ниво на збогатување.
Корелацијата на предикторските варијабли со елементите на одговор покажа задоволителна корелација помеѓу елементите (видете Слика 3). Корелацијата покажа дека CaK покажа умерена корелација со вредност r = 0,53, како и CaNi. Иако Ca и K покажуваат умерени асоцијации едни со други, истражувачи како што се Кингстон и др. 68 и Santo69 сугерираат дека нивните нивоа во почвата се обратно пропорционални. Сепак, Ca и Mg се антагонистички настроени кон K, но CaK добро корелира. Ова може да се должи на примената на ѓубрива како што е калиум карбонат, кој е за 56% повисок во калиумот. Калиумот беше умерено корелиран со магнезиумот (KM r = 0,63). Во индустријата за ѓубрива, овие два елементи се тесно поврзани бидејќи калиум магнезиум сулфат, калиум магнезиум нитрат и поташа се применуваат во почвите за да се зголемат нивните нивоа на недостаток. Никелот е умерено корелиран со Ca, K и Mg со вредности на r = 0,52, 0,63 и 0,55, соодветно. Односите што вклучуваат калциум, магнезиум и PTE како што е никелот се сложени, но сепак, магнезиумот ја инхибира апсорпцијата на калциум, калциумот ги намалува ефектите од вишокот магнезиум, а и магнезиумот и калциумот ги намалуваат токсичните ефекти на никелот во почвата.
Корелациска матрица за елементи што ја покажува врската помеѓу предикторите и одговорите (Забелешка: оваа слика вклучува дијаграм на расејување помеѓу елементите, нивоата на значајност се базираат на p < 0,001).
Слика 4 ја илустрира просторната распределба на елементите. Според Бургос и сор.70, примената на просторната распределба е техника што се користи за квантифицирање и истакнување на жариштата во загадените области. Нивоата на збогатување на Ca на Слика 4 може да се видат во северозападниот дел од мапата на просторна распределба. Сликата покажува умерени до високи жаришта на збогатување на Ca. Збогатувањето со калциум на северозапад од мапата веројатно се должи на употребата на негасена вар (калциум оксид) за намалување на киселоста на почвата и неговата употреба во челичарниците како алкален кислород во процесот на производство на челик. Од друга страна, други земјоделци претпочитаат да користат калциум хидроксид во кисели почви за да ја неутрализираат pH вредноста, што исто така ја зголемува содржината на калциум во почвата71. Калиумот, исто така, покажува жаришта на северозапад и исток од мапата. Северозападот е голема земјоделска заедница, а умерениот до висок модел на калиум може да се должи на апликациите на NPK и поташа. Ова е во согласност со други студии, како што се Мадарас и Липавски72, Мадарас и сор.73, Пулкрабова и сор.74, Асаре и сор.75, кои забележале дека почвата Стабилизацијата и третманот со KCl и NPK резултираа со висока содржина на калиум во почвата. Просторното збогатување на калиум на северозапад од картата на дистрибуција може да се должи на употребата на ѓубрива на база на калиум, како што се калиум хлорид, калиум сулфат, калиум нитрат, поташа и поташа за зголемување на содржината на калиум во сиромашните почви. Задорова и др. 76 и Тлустош и др. 77 наведува дека примената на ѓубрива на база на калиум ја зголемува содржината на калиум во почвата и значително ќе ја зголеми содржината на хранливи материи во почвата на долг рок, особено калиумот и магнезиумот покажуваат жешка точка во почвата. Релативно умерени жаришта на северозапад од мапата и југоисток од мапата. Колоидната фиксација во почвата ја намалува концентрацијата на магнезиум во почвата. Неговиот недостаток во почвата предизвикува растенијата да покажуваат жолтеникава хлороза во меѓувените. Ѓубривата на база на магнезиум, како што се калиум магнезиум сулфат, магнезиум сулфат и кизерит, ги третираат недостатоците (растенијата изгледаат виолетови, црвени или кафеави, што укажува на недостаток на магнезиум) во почви со нормален pH опсег6. Акумулацијата на никел на урбаните и периурбаните површини на почвата може да се должи на антропогени активности како што се земјоделството и важноста на никелот во производството на не'рѓосувачки челик78.
Просторна распределба на елементи [мапата на просторна распределба е креирана со користење на ArcGIS Desktop (ESRI, Inc, верзија 10.7, URL: https://desktop.arcgis.com).]
Резултатите од индексот на перформанси на моделот за елементите што се користат во оваа студија се прикажани во Табела 2. Од друга страна, RMSE и MAE на Ni се блиску до нула (0,86 RMSE, -0,08 MAE). Од друга страна, и вредностите на RMSE и MAE на K се прифатливи. Резултатите од RMSE и MAE беа поголеми за калциум и магнезиум. Резултатите од MAE и RMSE на Ca и K се поголеми поради различните збирки на податоци. RMSE и MAE од оваа студија со употреба на EBK за предвидување на Ni се покажаа како подобри од резултатите на John et al. 54 кои користеа синергистички кригинг за предвидување на концентрациите на S во почвата користејќи ги истите собрани податоци. Резултатите од EBK што ги проучувавме се во корелација со оние на Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 и John et al. 82, особено K и Ni.
Перформансите на поединечните методи за предвидување на содржината на никел во урбаните и периурбаните почви беа оценети со користење на перформансите на моделите (Табела 3). Валидацијата на моделот и евалуацијата на точноста потврдија дека предиктор Ca_Mg_K во комбинација со моделот EBK SVMR даде најдобри перформанси. Калибрацискиот модел Ca_Mg_K-EBK_SVMR модел R2, средната квадратна грешка (RMSE) и средната апсолутна грешка (MAE) беа 0,637 (R2), 95,479 mg/kg (RMSE) и 77,368 mg/kg (MAE). Ca_Mg_K-SVMR беше 0,663 (R2), 235,974 mg/kg (RMSE) и 166,946 mg/kg (MAE). Сепак, добри R2 вредности беа добиени за Ca_Mg_K-SVMR (0,663 mg/kg R2) и Ca_Mg-EBK_SVMR (0,643 = R2); Нивните RMSE и MAE резултати беа повисоки од оние за Ca_Mg_K-EBK_SVMR (R2 0,637) (видете Табела 3). Покрај тоа, RMSE и MAE на моделот Ca_Mg-EBK_SVMR (RMSE = 1664,64 и MAE = 1031,49) се 17,5 и 13,4, соодветно, што се поголеми од оние на Ca_Mg_K-EBK_SVMR. Слично на тоа, RMSE и MAE на моделот Ca_Mg-K SVMR (RMSE = 235,974 и MAE = 166,946) се 2,5 и 2,2 поголеми од оние на RMSE и MAE на Ca_Mg_K-EBK_SVMR, соодветно. Пресметаните RMSE резултати покажуваат колку е концентриран збирот на податоци со линијата на најдобро вклопување. Забележани се повисоки RSME и MAE. Според Kebonye et al. 46 и Џон и сор. 54, колку RMSE и MAE се поблиску до нула, толку се подобри резултатите. SVMR и EBK_SVMR имаат повисоки квантизирани RSME и MAE вредности. Беше забележано дека проценките на RSME беа постојано повисоки од вредностите на MAE, што укажува на присуство на отстапувања. Според Легејтс и МекКејб83, степенот до кој RMSE ја надминува средната апсолутна грешка (MAE) се препорачува како индикатор за присуство на отстапувања. Ова значи дека колку е похетероген збирот на податоци, толку се повисоки вредностите на MAE и RMSE. Точноста на вкрстената валидација на мешаниот модел Ca_Mg_K-EBK_SVMR за предвидување на содржината на Ni во урбаните и приградските почви беше 63,70%. Според Ли и сор. 59, ова ниво на точност е прифатлива стапка на перформанси на моделот. Сегашните резултати се споредуваат со претходна студија на Тарасов и сор. 36 чиј хибриден модел создаде MLPRK (Multilayer Perceptron Residual Kriging), поврзан со индексот на евалуација на точноста на EBK_SVMR објавен во тековната студија, RMSE (210) и MAE (167.5) беше повисок од нашите резултати во тековната студија (RMSE 95.479, MAE 77.368). Сепак, кога се споредува R2 од тековната студија (0.637) со оној на Тарасов и др. 36 (0,544), јасно е дека коефициентот на детерминација (R2) е поголем во овој мешан модел. Маргината на грешка (RMSE и MAE) (EBK SVMR) за мешаниот модел е два пати помала. Слично на тоа, Сергеев и сор.34 забележаа 0,28 (R2) за развиениот хибриден модел (Multilayer Perceptron Residual Kriging), додека Ni во тековната студија забележа 0,637 (R2). Нивото на точност на предвидување на овој модел (EBK SVMR) е 63,7%, додека точноста на предвидување добиена од Сергеев и сор.34 е 28%. Конечната мапа (Сл. 5) креирана со користење на моделот EBK_SVMR и Ca_Mg_K како предиктор покажува предвидувања за жаришта и умерен до никел во целата област на проучување. Ова значи дека концентрацијата на никел во областа на проучување е главно умерена, со повисоки концентрации во некои специфични области.
Конечната мапа на предвидување е претставена со користење на хибридниот модел EBK_SVMR и со користење на Ca_Mg_K како предиктор. [Мапата на просторната распределба е креирана со користење на RStudio (верзија 1.4.1717: https://www.rstudio.com/).]
На Слика 6 се претставени концентрациите на PTE како рамнина на состав што се состои од поединечни неврони. Ниту една од рамнините на компонентите не покажала ист шаблон на бои како што е прикажано. Сепак, соодветниот број на неврони по нацртана мапа е 55. SeOM се произведува со користење на различни бои, и колку се послични шаблоните на бои, толку се поспоредливи својствата на примероците. Според нивната прецизна скала на бои, поединечните елементи (Ca, K и Mg) покажаа слични шаблони на бои со единечни неврони со висок и повеќето неврони со низок ред. Така, CaK и CaMg делат некои сличности со неврони од многу висок ред и шаблони на бои од низок до умерен. И двата модели ја предвидуваат концентрацијата на Ni во почвата со прикажување средни до високи нијанси на бои како што се црвена, портокалова и жолта. Моделот KMg прикажува многу шаблони на високи бои врз основа на прецизни пропорции и ниски до средни дамки во боја. На прецизна скала на бои од ниско до високо, шаблонот на рамнинска дистрибуција на компонентите на моделот покажа шаблон на високи бои што укажува на потенцијалната концентрација на никел во почвата (видете Слика 4). Рамнината на компонентите на моделот CakMg покажува разновиден шаблон на бои од ниско до високо според точна шаблон на бои. размер. Понатаму, предвидувањето на содржината на никел (CakMg) од страна на моделот е слично на просторната распределба на никелот прикажана на Слика 5. И двата графикона покажуваат високи, средни и ниски пропорции на концентрации на никел во урбаните и периурбаните почви. Слика 7 го прикажува контурниот метод во k-средните групирања на мапата, поделени во три кластери врз основа на предвидената вредност во секој модел. Контурниот метод го претставува оптималниот број на кластери. Од собраните 115 примероци од почва, категорија 1 доби најмногу примероци од почва, 74. Кластер 2 доби 33 примероци, додека кластер 3 доби 8 примероци. Комбинацијата на седумкомпонентни планарни предиктори беше поедноставена за да се овозможи правилно толкување на кластерите. Поради бројните антропогени и природни процеси што влијаат на формирањето на почвата, тешко е да се имаат правилно диференцирани шеми на кластери во дистрибуирана SeOM мапа78.
Излез на рамнината на компонентите од секоја променлива на емпириската Баесовска Кригинг машина за поддршка на вектори (EBK_SVM_SeOM).[SeOM мапите се креирани со помош на RStudio (верзија 1.4.1717: https://www.rstudio.com/).]
Различни компоненти за класификација на кластери [SeOM мапите беа креирани со користење на RStudio (верзија 1.4.1717: https://www.rstudio.com/).]
Тековната студија јасно ги илустрира техниките за моделирање на концентрациите на никел во урбаните и периурбаните почви. Студијата тестираше различни техники за моделирање, комбинирајќи елементи со техники за моделирање, за да се добие најдобриот начин за предвидување на концентрациите на никел во почвата. Композициските планарни просторни карактеристики на SeOM на техниката за моделирање покажаа висок шаблон на бои од ниско до високо на точна скала на бои, што укажува на концентрации на Ni во почвата. Сепак, мапата на просторна распределба ја потврдува планарната просторна распределба на компонентите прикажана од EBK_SVMR (видете Слика 5). Резултатите покажуваат дека моделот на регресија на машината за поддршка на вектори (Ca Mg K-SVMR) ја предвидува концентрацијата на Ni во почвата како единствен модел, но параметрите за валидација и евалуација на точноста покажуваат многу високи грешки во однос на RMSE и MAE. Од друга страна, техниката на моделирање што се користи со моделот EBK_MLR е исто така погрешна поради ниската вредност на коефициентот на детерминација (R2). Добри резултати се добиени со користење на EBK SVMR и комбинирани елементи (CaKMg) со ниски RMSE и MAE грешки со точност од 63,7%. Излегува дека комбинирањето на алгоритмот EBK со Алгоритмот за машинско учење може да генерира хибриден алгоритам кој може да ја предвиди концентрацијата на PTE во почвата. Резултатите покажуваат дека користењето на CaMgK како предиктори за предвидување на концентрациите на Ni во областа на проучување може да го подобри предвидувањето на Ni во почвите. Ова значи дека континуираната примена на ѓубрива на база на никел и индустриското загадување на почвата од страна на челичната индустрија има тенденција да ја зголеми концентрацијата на никел во почвата. Оваа студија покажа дека моделот EBK може да го намали нивото на грешка и да ја подобри точноста на моделот на просторна распределба на почвата во урбани или периурбани почви. Општо земено, предлагаме да го примениме моделот EBK-SVMR за да ја процениме и предвидиме PTE во почвата; покрај тоа, предлагаме да го користиме EBK за хибридизација со различни алгоритми за машинско учење. Концентрациите на Ni беа предвидени со користење на елементи како коваријати; сепак, користењето на повеќе коваријати значително би ги подобрило перформансите на моделот, што може да се смета за ограничување на тековната работа. Друго ограничување на оваа студија е тоа што бројот на множества податоци е 115. Затоа, ако се обезбедат повеќе податоци, перформансите на предложениот оптимизиран метод на хибридизација може да се подобрат.
PlantProbs.net. Никел во растенијата и почвата https://plantprobs.net/plant/nutrientImbalances/sodium.html (Пристапено на 28 април 2021 година).
Каспржак, Канзас Никел напредува во модерната еколошка токсикологија.surroundings.toxicology.11, 145–183 (1987).
Кемпел, М. и Никел, Г. Никел: Преглед на неговите извори и еколошка токсикологија. Polish J. Environment.Stud.15, 375–382 (2006).
Фридман, Б. и Хачинсон, ТЦ Внес на загадувачи од атмосферата и акумулација во почвата и вегетацијата во близина на топилница за никел-бакар во Садбери, Онтарио, Канада. can.J. Bot.58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Манива, Т. и др. Тешки метали во почвата, растенијата и ризици поврзани со пасење преживари во близина на рудникот за бакар-никел Селеби-Фикве во Боцвана. околина. Геохемиска. Здравје https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Елементи во трагови во почвата и… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Траги+ Елементи+во+почви+и+растенија.+4-то+издание.+Њујорк+%28NY%29%3A+CRC+Press&btnG= (Пристапено на 24 ноември 2020 година).
Алмас, А., Синг, Б., Земјоделство, ТС-НЈ од & 1995, недефинирано. Ефекти на руската индустрија за никел врз концентрациите на тешки метали во земјоделските почви и треви во Соер-Варангер, Норвешка.agris.fao.org.
Nielsen, GD et al. Апсорпцијата и задржувањето на никел во водата за пиење се поврзани со внесувањето храна и чувствителноста на никел. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Коста, М. и Клајн, ЦБ. Карциногенеза, мутација, епигенетика или селекција на никел. околина. Здравствена перспектива. 107, 2 (1999).
Аџман, П.К.; Ајадо, С.К.; Борувка, Л.; Бини, Ј.К.М.; Саркоди, В.Ј.О.; Кобоње, Н.М.; Анализа на трендовите на потенцијално токсични елементи: библиометриски преглед. Геохемија на животната средина и здравје. Спрингер Сајанс и Бизнис Медиа Б.В. 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасни, Б. и МекБретни, АБ Дигитално мапирање на почвата: Кратка историја и неколку лекции. Геодерма 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. За дигитално мапирање на почвата. Геодерма 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистичко моделирање на акумулации,… – 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= (Пристапено на 28 април 2021 година).