Nature.com сайтад зочилсонд баярлалаа. Таны ашиглаж буй хөтчийн хувилбар нь CSS-ийн дэмжлэг хязгаарлагдмал байна. Хамгийн сайн туршлагын тулд бид танд шинэчлэгдсэн хөтчийг ашиглахыг зөвлөж байна (эсвэл Internet Explorer дээр нийцтэй байдлын горимыг унтраах). Энэ хооронд бид үргэлжлүүлэн дэмжлэг үзүүлэхийн тулд сайтыг хэв маяг болон JavaScriptгүйгээр харуулах болно.
Хөрсний бохирдол нь хүний ​​үйл ажиллагаанаас үүдэлтэй томоохон асуудал юм. Хортой элементүүдийн (ХБЭ) орон зайн тархалт нь ихэнх хот суурин болон хотын захын бүсэд харилцан адилгүй байдаг. Тиймээс ийм хөрсөнд ХБЭ-ийн агууламжийг орон зайн хувьд урьдчилан таамаглахад хэцүү байдаг. Чех улсын Фрайдек Мистекээс нийт 115 дээж авсан. Кальци (Ca), магни (Mg), кали (K) болон никелийн (Ni) концентрацийг индуктив холбосон плазмын ялгаралтын спектрометр ашиглан тодорхойлсон. Хариу үйлдлийн хувьсагч нь Ni бөгөөд урьдчилан таамаглагч нь Ca, Mg, K юм. Хариу үйлдлийн хувьсагч болон урьдчилан таамаглагч хувьсагчийн хоорондох корреляцийн матриц нь элементүүдийн хоорондын хангалттай хамаарлыг харуулж байна. Урьдчилан таамаглах үр дүнгээс харахад Дэмжлэгийн Вектор Машины Регресс (SVMR) нь сайн ажилласан боловч түүний тооцоолсон үндсэн квадрат дундаж алдаа (RMSE) (235.974 мг/кг) ба дундаж үнэмлэхүй алдаа (MAE) (166.946 мг/кг) нь хэрэглэсэн бусад аргуудаас өндөр байсан. Эмпирик Байесийн Кригинг-Олон Шугаман Регресс (EBK-MLR)-ийн холимог загварууд нь ... муу, үүнийг 0.1-ээс бага тодорхойлох коэффициентоор нотолсон болно. Эмпирик Байесийн Кригинг-Дэмжлэг Вектор Машины Регресс (EBK-SVMR) загвар нь RMSE (95.479 мг/кг) болон MAE (77.368 мг/кг) утга багатай, тодорхойлох коэффициент өндөртэй (R2 = 0.637) хамгийн сайн загвар байв. EBK-SVMR загварчлалын техникийн гаралтыг өөрөө зохион байгуулалттай газрын зураг ашиглан дүрслэн харуулсан болно. CakMg-EBK-SVMR эрлийз загварын хавтгайд байрлах бөөгнөрсөн мэдрэлийн эсүүд нь хот болон хотын захын хөрсөнд Ni-ийн концентрацийг урьдчилан таамаглах олон өнгийн хэв маягийг харуулдаг. Үр дүнгээс харахад EBK болон SVMR-ийг хослуулах нь хот болон хотын захын хөрсөнд Ni-ийн концентрацийг урьдчилан таамаглах үр дүнтэй арга юм.
Никель (Ni) нь ургамлын бичил тэжээл гэж тооцогддог, учир нь энэ нь агаар мандлын азотын бэхэлгээ (N) болон мочевин солилцоонд нөлөөлдөг бөгөөд эдгээр нь хоёулаа үрийн соёололтод шаардлагатай байдаг. Үрийн соёололтод оруулах хувь нэмрээс гадна Ni нь мөөгөнцөр ба бактерийн дарангуйлагч болж, ургамлын хөгжлийг дэмждэг. Хөрсөнд никель дутагдсанаас ургамал үүнийг шингээж, навчис хлороз үүсгэдэг. Жишээлбэл, үхрийн вандуй, ногоон шош нь азотын бэхэлгээг оновчтой болгохын тулд никель дээр суурилсан бордоо хэрэглэхийг шаарддаг. Хөрсийг баяжуулж, буурцагт ургамлын хөрсөнд азотыг бэхлэх чадварыг нэмэгдүүлэхийн тулд никель дээр суурилсан бордоог тасралтгүй хэрэглэх нь хөрсөн дэх никелийн агууламжийг тасралтгүй нэмэгдүүлдэг. Никель нь ургамлын бичил тэжээл боловч хөрсөнд хэт их хэмжээгээр хэрэглэх нь сайнаас илүү хор хөнөөл учруулж болзошгүй. Хөрсөнд никелийн хоруу чанар нь хөрсний рН-ийг багасгаж, ургамлын өсөлтөд зайлшгүй шаардлагатай тэжээл болох төмрийн шингээлтийг саатуулдаг. Liu3-ийн хэлснээр Ni нь ургамлын хөгжил, өсөлтөд шаардлагатай 17 дахь чухал элемент болох нь тогтоогджээ. Ургамлын хөгжил, өсөлтөд никелийн гүйцэтгэх үүргээс гадна хүмүүст янз бүрийн хэрэглээнд шаардлагатай байдаг. Цахилгаан хавтанцар, никель дээр суурилсан бүтээгдэхүүн үйлдвэрлэх хайлш, автомашины үйлдвэрлэлд асаах төхөөрөмж, очлуур үйлдвэрлэх нь бүгд янз бүрийн үйлдвэрлэлийн салбарт никель ашиглахыг шаарддаг. Үүнээс гадна, никель дээр суурилсан хайлш болон электролизжүүлсэн эдлэлийг гал тогооны хэрэгсэл, бүжгийн өрөөний дагалдах хэрэгсэл, хүнсний үйлдвэрлэлийн хангамж, цахилгаан, утас, кабель, тийрэлтэт турбин, мэс заслын суулгац, нэхмэл эдлэл, хөлөг онгоцны үйлдвэрлэлд өргөнөөр ашиглаж ирсэн.5. Хөрсөнд (өөрөөр хэлбэл гадаргуугийн хөрс) никелээр баялаг түвшинг хүний ​​болон байгалийн гаралтай эх үүсвэртэй холбон үздэг боловч голчлон никел нь хүний ​​үйл ажиллагаанаас илүү байгалийн гаралтай эх үүсвэр юм.6. Никелийн байгалийн эх үүсвэрт галт уулын дэлбэрэлт, ургамал, ойн түймэр, геологийн үйл явц орно; гэсэн хэдий ч хүний ​​үйл ажиллагаанаас үүдэлтэй эх үүсвэрт гангийн үйлдвэрт никель/кадмийн батерей, электролиз, нуман гагнуур, дизель болон түлшний тос, нүүрсний шаталт, хаягдал, лаг шатаахаас үүдэлтэй агаар мандлын ялгаруулалт орно. Никель хуримтлал.7,8. Фридман, Хатчинсон,9, Манива нар. 10, ойрын болон зэргэлдээх орчны хөрсний бохирдлын гол эх үүсвэрүүд нь голчлон никель-зэс хайлуулах үйлдвэрүүд болон уурхайнууд юм. Канадын Садберигийн никель-зэс боловсруулах үйлдвэрийн орчмын хөрсөнд никелийн бохирдлын түвшин хамгийн өндөр буюу 26,000 мг/кг байсан11. Үүний эсрэгээр Орост никелийн үйлдвэрлэлээс үүдэлтэй бохирдол нь Норвегийн хөрсөнд никелийн агууламж өндөр байхад хүргэсэн11. Алмс болон бусад судлаачдын үзэж байгаагаар... 12, тус бүс нутгийн хамгийн сайн тариалангийн талбайд (Орост никелийн үйлдвэрлэл) HNO3-оор гаргаж авах боломжтой никелийн хэмжээ 6.25-136.88 мг/кг хооронд хэлбэлзэж байгаа нь дундаж нь 30.43 мг/кг, суурь агууламж нь 25 мг/кг байна. Кабата 11-ийн дагуу дараалсан ургацын улиралд хотын болон хотын захын хөрсөнд хөдөө аж ахуйн хөрсөнд фосфорын бордоо хэрэглэх нь хөрсийг шингээх эсвэл бохирдуулж болзошгүй юм. Хүний биед никелийн болзошгүй нөлөө нь мутагенез, хромосомын гэмтэл, Z-ДНХ үүсэх, ДНХ-ийн тайралтыг хаах, эсвэл эпигенетикийн процессоор дамжуулан хорт хавдар үүсгэдэг.13. Амьтны туршилтаар никель нь янз бүрийн хавдар үүсгэх боломжтой бөгөөд хорт хавдар үүсгэгч никелийн цогцолборууд нь ийм хавдрыг улам хүндрүүлж болзошгүйг тогтоожээ.
Хөрс-ургамлын харилцаа, хөрс ба хөрсний биологийн харилцаа, экологийн доройтол, хүрээлэн буй орчны нөлөөллийн үнэлгээнээс үүдэлтэй эрүүл мэндтэй холбоотой олон асуудлын улмаас хөрсний бохирдлын үнэлгээ сүүлийн үед цэцэглэн хөгжиж байна. Өнөөдрийг хүртэл хөрсөнд агуулагдах Ni зэрэг хортой элементүүдийн (PTE) орон зайн урьдчилсан тооцоо нь уламжлалт аргуудыг ашиглан хүнд хөдөлмөр, цаг хугацаа их шаардсан ажил болж байна. Хөрсний дижитал зураглал (DSM) бий болж, түүний одоогийн амжилт15 нь хөрсний урьдчилсан зураглалыг (PSM) эрс сайжруулсан. Минасни, МакБратни16 нарын үзэж байгаагаар хөрсний урьдчилсан зураглал (DSM) нь хөрсний шинжлэх ухааны гол салбар болох нь батлагдсан. Лагачери, МакБратни, 2006 он DSM-ийг "байр суурин болон лабораторийн ажиглалтын аргууд, орон зайн болон орон зайн бус хөрсний дүгнэлтийн системийг ашиглан орон зайн хөрсний мэдээллийн системийг бий болгох, дүүргэх" гэж тодорхойлсон. МакБратни нар 17-д орчин үеийн DSM буюу PSM нь PTE-ийн орон зайн тархалт, хөрсний төрөл, хөрсний шинж чанарыг урьдчилан таамаглах эсвэл зураглах хамгийн үр дүнтэй арга болохыг тоймлон харуулав. Геостатистик ба Машин Сургалтын Алгоритмууд (MLA) нь мэдэгдэхүйц бөгөөд хамгийн бага өгөгдлийг ашиглан компьютерийн тусламжтайгаар дижитал газрын зургийг үүсгэдэг DSM загварчлалын аргууд юм.
Deutsch18 болон Olea19 нь геостатистикийг "орон зайн шинж чанаруудыг дүрслэхтэй холбоотой тоон аргуудын цуглуулга бөгөөд голчлон стохастик загваруудыг ашигладаг, тухайлбал цаг хугацааны цувааны шинжилгээ нь цаг хугацааны өгөгдлийг хэрхэн тодорхойлдог вэ" гэж тодорхойлдог. Голчлон геостатистик нь өгөгдлийн багц бүрээс орон зайн утгуудын хамаарлыг тоон үзүүлэлтээр тодорхойлж, тодорхойлох боломжийг олгодог вариограммуудыг үнэлэхийг хамардаг20. Gumiaux et al. 20-т геостатистик дахь вариограммын үнэлгээ нь (a) өгөгдлийн корреляцийн цар хүрээг тооцоолох, (b) өгөгдлийн багцын зөрүү дэх анизотропийг тодорхойлох, тооцоолох, (c) үүнээс гадна гурван зарчим дээр суурилдаг болохыг харуулсан. Орон нутгийн нөлөөллөөс тусгаарлагдсан хэмжилтийн өгөгдлийн дотоод алдааг харгалзан үзэхээс гадна талбайн нөлөөллийг мөн тооцоолсон болно. Эдгээр ойлголтууд дээр үндэслэн геостатистикт олон интерполяцийн аргыг ашигладаг бөгөөд үүнд ерөнхий кригинг, хамтран кригинг, ердийн кригинг, эмпирик Байесийн кригинг, энгийн кригинг арга болон бусад алдартай интерполяцийн аргууд багтдаг бөгөөд үүнд PTE, хөрсний шинж чанар, хөрсний төрлийг зураглах эсвэл урьдчилан таамаглах орно.
Машин сургалтын алгоритмууд (MLA) нь харьцангуй шинэ арга бөгөөд голчлон өгөгдөл олборлох, өгөгдөл дэх хэв маягийг тодорхойлох, хөрсний шинжлэх ухаан, буцаах даалгавар зэрэг шинжлэх ухааны салбарт ангилалд олон удаа хэрэглэгддэг алгоритмуудаар тэжээгддэг шугаман бус өгөгдлийн том ангиллыг ашигладаг. Тан нар 22 (хөдөө аж ахуйн хөрсөнд хүнд металлын тооцооллын санамсаргүй ой), Сакизаде нар 23 (дэмжлэгийн вектор машин болон хиймэл мэдрэлийн сүлжээ ашиглан загварчлах) зэрэг олон тооны судалгааны өгүүллүүд хөрсөнд PTE-г урьдчилан таамаглахын тулд MLA загваруудад тулгуурладаг. Үүнээс гадна, Вега нар 24 (хөрсөнд хүнд металлын хадгалалт ба адсорбцийг загварчлах CART), Сан нар 25 (кубистыг хэрэглэх нь хөрсөнд Cd-ийн тархалт юм) болон k-хамгийн ойрын хөрш, ерөнхийлөн нэмэгдүүлсэн регресс, нэмэгдүүлсэн регресс зэрэг бусад алгоритмууд. Моднууд мөн хөрсөнд PTE-г урьдчилан таамаглахын тулд MLA-г ашигласан.
DSM алгоритмыг таамаглал эсвэл зураглалд ашиглах нь хэд хэдэн бэрхшээлтэй тулгардаг. Олон зохиогчид MLA нь геостатистикээс давуу гэж үздэг бөгөөд эсрэгээрээ ч мөн адил. Нэг нь нөгөөгөөсөө илүү боловч энэ хоёрын хослол нь DSM15 дахь зураглал эсвэл таамаглалын нарийвчлалын түвшинг сайжруулдаг. Вүүдкок болон Гопал26 Финке27; Понтиус болон Чеук28 болон Грунвальд29 нар хөрсний зураглалын таамаглалын дутагдал, зарим алдааны талаар тайлбар хийдэг. Хөрсний эрдэмтэд DSM зураглал болон таамаглалын үр нөлөө, нарийвчлал, урьдчилан таамаглах чадварыг оновчтой болгохын тулд янз бүрийн аргыг туршиж үзсэн. Тодорхойгүй байдал болон баталгаажуулалтын хослол нь үр нөлөөг оновчтой болгож, согогийг бууруулахын тулд DSM-д нэгтгэсэн олон өөр талуудын нэг юм. Гэсэн хэдий ч Агиеман нар 15 газрын зургийг бүтээх, таамаглах замаар нэвтрүүлсэн баталгаажуулалтын зан төлөв болон тодорхойгүй байдлыг газрын зургийн чанарыг сайжруулахын тулд бие даан баталгаажуулах ёстой гэж тодорхойлсон. DSM-ийн хязгаарлалт нь газарзүйн хувьд тархсан хөрсний чанараас үүдэлтэй бөгөөд энэ нь тодорхойгүй байдлын бүрэлдэхүүн хэсгийг агуулдаг; Гэсэн хэдий ч DSM-д тодорхойгүй байдал нь олон тооны алдааны эх үүсвэрээс үүдэлтэй байж болно, тухайлбал ковариатын алдаа, загварын алдаа, байршлын алдаа, аналитик алдаа 31. MLA болон геостатистик процессуудад үүссэн загварчлалын алдаа нь ойлголт дутмагтай холбоотой бөгөөд эцэст нь бодит үйл явцыг хэт хялбаршуулахад хүргэдэг32. Загварчлалын мөн чанараас үл хамааран алдааг загварчлалын параметрүүд, математикийн загварын таамаглал эсвэл интерполяцитай холбон тайлбарлаж болно33. Саяхан геостатистик болон MLA-г зураглал, урьдчилсан мэдээнд нэгтгэхийг дэмждэг шинэ DSM чиг хандлага гарч ирэв. Сергеев нар 34; Субботина нар 35; Тарасов нар 36, Тарасов нар 37 зэрэг хэд хэдэн хөрсний эрдэмтэн, зохиолчид геостатистик болон машин сургалтын нарийвчлалын чанарыг ашиглан урьдчилсан мэдээ, зураглалын үр ашгийг дээшлүүлдэг эрлийз загваруудыг бий болгосон. чанар. Эдгээр эрлийз эсвэл хосолсон алгоритмын загваруудын зарим нь Хиймэл мэдрэлийн сүлжээний кригинг (ANN-RK), Олон давхаргат перцептроны үлдэгдэл кригинг (MLP-RK), Ерөнхий регрессийн мэдрэлийн сүлжээний үлдэгдэл кригинг (GR-NNRK)36, Хиймэл мэдрэлийн сүлжээний кригинг-олон давхаргат перцептрон (ANN-K-MLP)37 болон Хамтран кригинг ба Гауссын процессын регресс38 юм.
Сергеев болон бусад судлаачдын үзэж байгаагаар янз бүрийн загварчлалын техникийг хослуулах нь согогийг арилгах, үүссэн эрлийз загварын үр ашгийг нэмэгдүүлэх боломжтой бөгөөд түүний дан загварыг боловсруулахаас илүүтэй юм. Энэ хүрээнд энэхүү шинэ өгүүлэлд хот суурин болон хотын захын бүсэд Ni баяжуулалтыг урьдчилан таамаглах оновчтой эрлийз загваруудыг бий болгохын тулд геостатистик болон MLA-ийн хосолсон алгоритмыг ашиглах шаардлагатай гэж үзэж байна. Энэхүү судалгаа нь Эмпирик Байесийн Кригинг (EBK)-г үндсэн загвар болгон ашиглаж, Дэмжлэгийн Вектор Машин (SVM) болон Олон Шугаман Регрессийн (MLR) загваруудтай холих болно. EBK-г аливаа MLA-тай эрлийзжүүлэх нь тодорхойгүй байна. Харагдаж буй олон холимог загварууд нь ердийн, үлдэгдэл, регрессийн кригинг болон MLA-ийн хослолууд юм. EBK нь орон зайн хувьд стохастик процессыг ашигладаг бөгөөд энэ нь талбай дээр тодорхойлсон байршлын параметрүүдтэй, тогтмол бус/суудалгүй санамсаргүй талбар хэлбэрээр байршдаг бөгөөд орон зайн хэлбэлзлийг бий болгодог геостатистик интерполяцийн арга юм. EBK-г фермийн хөрсөнд органик нүүрстөрөгчийн тархалтыг шинжлэх40, хөрсний бохирдлыг үнэлэх41, хөрсний шинж чанарыг зураглах42 зэрэг олон төрлийн судалгаанд ашигласан.
Нөгөөтэйгүүр, Өөрийгөө Зохион Бюйян болон бусад 45, Кебонье болон бусад 46 зэрэг янз бүрийн өгүүлэлд хэрэглэгдэж ирсэн сургалтын алгоритм юм. Орон зайн шинж чанар болон элементүүдийн бүлэглэлийг тодорхойлох. Ван болон бусад 44 нь SeOM нь шугаман бус асуудлуудыг бүлэглэж, төсөөлөх чадвараараа алдартай хүчирхэг сургалтын арга техник гэдгийг онцолсон. Үндсэн бүрэлдэхүүн хэсгийн шинжилгээ, бүдэг кластерчлал, шаталсан кластерчлал, олон шалгууртай шийдвэр гаргалт зэрэг бусад хэв маягийг таних аргуудаас ялгаатай нь SeOM нь PTE хэв маягийг зохион байгуулж, тодорхойлоход илүү сайн байдаг. Ван болон бусад 44-ийн үзэж байгаагаар SeOM нь холбогдох мэдрэлийн эсүүдийн тархалтыг орон зайн хувьд бүлэглэж, өндөр нягтралтай өгөгдлийн дүрслэлийг хангаж чаддаг. SeOM нь шууд тайлбарлах үр дүнг тодорхойлох хамгийн сайн загварыг олж авахын тулд Ni таамаглалын өгөгдлийг дүрслэн харуулах болно.
Энэхүү өгүүлэл нь хот суурин болон хотын захын хөрсөнд никелийн агууламжийг урьдчилан таамаглах оновчтой нарийвчлалтай бат бөх зураглалын загварыг бий болгох зорилготой юм. Холимог загварын найдвартай байдал нь үндсэн загварт хавсаргасан бусад загваруудын нөлөөллөөс голчлон хамаардаг гэж бид таамаглаж байна. Бид DSM-д тулгарч буй бэрхшээлүүдийг хүлээн зөвшөөрч байгаа бөгөөд эдгээр бэрхшээлийг олон чиглэлээр шийдвэрлэж байгаа ч геостатистик болон MLA загваруудын дэвшлийн хослол нь аажмаар нэмэгдэж байгаа бололтой; тиймээс бид холимог загвар гаргаж болзошгүй судалгааны асуултуудад хариулахыг хичээх болно. Гэсэн хэдий ч загвар нь зорилтот элементийг урьдчилан таамаглахад хэр нарийвчлалтай вэ? Түүнчлэн, баталгаажуулалт болон нарийвчлалын үнэлгээнд үндэслэсэн үр ашгийн үнэлгээний түвшин ямар байна вэ? Тиймээс энэхүү судалгааны тодорхой зорилго нь (a) EBK-г үндсэн загвар болгон ашиглан SVMR эсвэл MLR-ийн хосолсон холимог загварыг бий болгох, (b) үр дүнгийн загваруудыг харьцуулах, (c) хот суурин болон хотын захын хөрсөнд Ni-ийн агууламжийг урьдчилан таамаглах хамгийн сайн холимог загварыг санал болгох, (d) никелийн орон зайн өөрчлөлтийн өндөр нарийвчлалтай газрын зургийг бий болгохын тулд SeOM-ийг ашиглах явдал байв.
Судалгааг Чех улсад, ялангуяа Моравия-Силезийн бүс нутгийн Фридек Мистек дүүрэгт хийж байна (Зураг 1-ийг үзнэ үү). Судалгааны талбайн газарзүй нь маш бартаат бөгөөд ихэвчлэн Карпатын нурууны гадна талын захын нэг хэсэг болох Моравия-Силезийн Бескиди бүсийн нэг хэсэг юм. Судалгааны талбай нь 49° 41′ 0′ N ба 18° 20′ 0′ E хооронд байрладаг бөгөөд өндөр нь 225-327 м хооронд байдаг; Гэсэн хэдий ч тус бүс нутгийн цаг уурын төлөв байдлын Коппен ангиллын системийг Cfb = зөөлөн далайн уур амьсгал гэж үнэлдэг. Хуурай саруудад ч хур тунадас их ордог. Жилийн турш температур −5 °C-аас 24 °C хооронд бага зэрэг хэлбэлздэг бөгөөд −14 °C-аас доош эсвэл 30 °C-аас дээш ховор тохиолддог бол жилийн дундаж хур тунадас 685-752 мм хооронд байдаг. Нийт талбайн тооцоолсон судалгааны талбай нь 1,208 хавтгай дөрвөлжин километр бөгөөд тариалангийн талбайн 39.38%, ойн бүрхүүлийн 49.36% -ийг эзэлдэг. Нөгөөтэйгүүр, энэхүү судалгаанд ашигласан талбай нь ойролцоогоор 889.8 хавтгай дөрвөлжин километр юм. Острава болон түүний ойр орчимд гангийн үйлдвэрлэл, металлын үйлдвэрүүд маш идэвхтэй байдаг. Металл тээрэм, никель нь зэвэрдэггүй ган (жишээлбэл, агаар мандлын зэврэлтэнд тэсвэртэй) болон хайлшин ган (никель нь хайлшийн бат бөх чанарыг нэмэгдүүлж, сайн уян хатан чанар, хатуулгийг хадгалдаг)-д ашиглагддаг гангийн үйлдвэрлэл, фосфатын бордоо хэрэглэх, мал аж ахуй эрхлэх зэрэг эрчимтэй хөдөө аж ахуй нь никелийн судалгааны боломжит эх үүсвэр юм. бүс нутагт (жишээлбэл, хурга болон тэжээл багатай үхрийн өсөлтийн хурдыг нэмэгдүүлэхийн тулд хурганд никель нэмэх). Судалгааны чиглэлээр никелийг үйлдвэрлэлийн бусад хэрэглээнд электролиз хийхэд ашиглах, түүний дотор электролиз хийх никель болон электролизгүй никель бүрэх процесс орно. Хөрсний шинж чанарыг хөрсний өнгө, бүтэц, карбонатын агууламжаас амархан ялгаж болно. Хөрсний бүтэц нь дунд зэргээс нарийн бөгөөд эх материалаас гаралтай. Тэдгээр нь коллювийн, аллювийн эсвэл эолийн шинж чанартай байдаг. Зарим хөрсний талбай нь гадаргуу болон ёроолд толботой, ихэвчлэн бетон болон цайруулагчтай байдаг. Гэсэн хэдий ч камбисол ба стагнозол нь тус бүс нутагт хамгийн түгээмэл хөрсний төрөл юм48. 455.1-493.5 м хүртэл өндөртэй тул камбисолууд Чех улсад зонхилдог49.
Судалгааны талбайн газрын зураг [Судалгааны талбайн газрын зургийг ArcGIS Desktop (ESRI, Inc, хувилбар 10.7, URL: https://desktop.arcgis.com) ашиглан үүсгэсэн.]
Фрайдек Мистек дүүргийн хот суурин болон хотын захын хөрснөөс нийт 115 ширхэг хөрсний дээж авсан. Ашигласан дээжийн загвар нь хөрсний дээжийг 2 × 2 км зайтай байрлуулсан ердийн торон хэлбэртэй байсан бөгөөд хөрсний дээжийг гар GPS төхөөрөмж (Leica Zeno 5 GPS) ашиглан 0-20 см гүнд хэмжсэн. Дээжийг Ziploc уутанд савлаж, зохих ёсоор шошголоод лабораторид хүргэсэн. Дээжийг агаарт хатааж, нунтагласан дээж гаргаж, механик системээр (Фритч диск тээрэм) нунтаглаж, шигшсэн (шигшүүрийн хэмжээ 2 мм). 1 грамм хатаасан, нэгэн төрлийн болгож, шигшсэн хөрсний дээжийг тодорхой шошготой тефлон саванд хийнэ. Тефлон сав бүрт 7 мл 35% HCl болон 3 мл 65% HNO3 (автомат диспенсер ашиглан - хүчил тус бүрт нэг) хийж, хөнгөн таглаад дээжийг урвалд орохын тулд шөнөжин байлгана (aqua regia програм). Дээд давхаргыг халуун төмөр тавган дээр тавина. (температур: 100 Вт ба 160 °C) дээжийг задлах үйл явцыг хөнгөвчлөхийн тулд 2 цагийн турш байлгаад хөргөнө. Дээд давхаргыг 50 мл-ийн хэмжээст колбонд хийж, 50 мл хүртэл ионгүйжүүлсэн усаар шингэлнэ. Үүний дараа шингэрүүлсэн дээд давхаргыг 50 мл-ийн PVC хоолойд ионгүйжүүлсэн усаар шүүнэ. Нэмж дурдахад, 1 мл шингэрүүлэлтийн уусмалыг 9 мл ионгүйжүүлсэн усаар шингэлж, PTE псевдо-концентрацид бэлтгэсэн 12 мл хоолойд шүүнэ. PTE-ийн (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) концентрацийг стандарт арга, тохиролцооны дагуу ICP-OES (Индуктив хосолсон плазмын оптик ялгаралтын спектроскопи) (Thermo Fisher Scientific, USA) аргаар тодорхойлсон. Чанарын баталгаа, хяналтын (QA/QC) журмыг хангах (SRM NIST 2711a Montana II Soil). Илрүүлэх хязгаар нь хагасаас доош PTE-г энэхүү судалгаанаас хассан. Илрүүлэх хязгаар Энэхүү судалгаанд ашигласан PTE нь 0.0004 байсан. (та). Үүнээс гадна, шинжилгээ бүрийн чанарын хяналт болон чанарын баталгаажуулалтын үйл явцыг лавлагаа стандартыг шинжлэх замаар хангадаг. Алдааг хамгийн бага байлгахын тулд давхар шинжилгээ хийсэн.
Эмпирик Байесийн Кригинг (EBK) нь хөрсний шинжлэх ухаан гэх мэт олон янзын салбарт загварчлалд ашиглагддаг олон геостатистик интерполяцийн аргуудын нэг юм. Бусад кригинг интерполяцийн аргуудаас ялгаатай нь EBK нь хагас вариограммын загвараар тооцоолсон алдааг харгалзан уламжлалт кригинг аргуудаас ялгаатай. EBK интерполяцид ганц хагас вариограммын оронд хэд хэдэн хагас вариограммын загварыг интерполяцийн үед тооцоолдог. Интерполяцийн аргууд нь хангалттай кригинг аргын маш нарийн төвөгтэй хэсгийг бүрдүүлдэг хагас вариограммын энэхүү графиктай холбоотой тодорхойгүй байдал болон програмчлалыг зайлуулдаг. EBK-ийн интерполяцийн процесс нь Криворучко50-ийн санал болгосон гурван шалгуурыг дагадаг, (a) загвар нь оролтын өгөгдлийн багцаас хагас вариограммыг тооцоолдог (b) үүсгэсэн хагас вариограмм дээр үндэслэн оролтын өгөгдлийн багцын байршил бүрийн шинэ таамагласан утгыг тооцоолдог (c) эцсийн А загварыг симуляцилагдсан өгөгдлийн багцаас тооцоолдог. Байесийн тэгшитгэлийн дүрмийг апостериор хэлбэрээр өгдөг.
Энд \(Prob\left(A\right)\) нь өмнөх утгыг илэрхийлдэг бол \(Prob\left(B\right)\) захын магадлалыг ихэнх тохиолдолд үл тоомсорлодог, \(Prob (B,A)\ ). Хагас вариограммын тооцоолол нь Байесийн дүрэм дээр үндэслэсэн бөгөөд энэ нь хагас вариограммаас үүсгэж болох ажиглалтын өгөгдлийн багцын хандлагыг харуулдаг. Дараа нь хагас вариограммын утгыг Байесийн дүрмийг ашиглан тодорхойлдог бөгөөд энэ нь хагас вариограммаас ажиглалтын өгөгдлийн багц үүсгэх магадлалыг заадаг.
Дэмжлэгийн вектор машин гэдэг нь ижил боловч шугаман бие даасан бус ангиллыг ялгахын тулд оновчтой тусгаарлах гипер хавтгайг үүсгэдэг машин сургалтын алгоритм юм. Vapnik51 зорилгын ангиллын алгоритмыг бүтээсэн боловч саяхан регрессийн чиглэлтэй асуудлыг шийдвэрлэхэд ашиглагдаж байна. Li et al.52-ын үзэж байгаагаар SVM нь хамгийн сайн ангилагч техникүүдийн нэг бөгөөд янз бүрийн салбарт ашиглагдаж ирсэн. Энэхүү шинжилгээнд SVM-ийн регрессийн бүрэлдэхүүн хэсэг (Support Vector Machine Regression – SVMR)-ийг ашигласан. Черкасский болон Мюллер53 нар SVMR-ийг цөмд суурилсан регресс болгон анхлан боловсруулсан бөгөөд тооцооллыг олон улсын орон зайн функцтэй шугаман регрессийн загвар ашиглан гүйцэтгэсэн. Жон et al54 нь SVMR загварчлал нь шугаман бус харилцааг бий болгож, орон зайн функцийг зөвшөөрдөг гипер хавтгай шугаман регрессийг ашигладаг гэж мэдээлэв. Вохланд et al.-ын үзэж байгаагаар... 55, epsilon (ε)-SVMR нь сургагдсан өгөгдлийн багцыг ашиглан эпсилон мэдрэмтгий бус функц болгон төлөөллийн загварыг олж авдаг бөгөөд энэ нь корреляцитай өгөгдөл дээр сургалтаас хамгийн сайн эпсилоны хазайлттай өгөгдлийг бие даан зураглахад хэрэглэгддэг. Урьдчилан тогтоосон зайн алдааг бодит утгаас үл тоомсорлодог бөгөөд хэрэв алдаа нь ε(ε)-ээс их байвал хөрсний шинж чанар нь үүнийг нөхдөг. Загвар нь сургалтын өгөгдлийн нарийн төвөгтэй байдлыг тулгуур векторуудын илүү өргөн хүрээтэй дэд хэсэг болгон бууруулдаг. Vapnik51-ийн санал болгосон тэгшитгэлийг доор харуулав.
энд b нь скаляр босгыг, \(K\left({x}_{,}{ x}_{k}\right)\) нь цөмийн функцийг, \(\alpha\) нь Лагранжийн үржүүлэгчийг, N нь тоон өгөгдлийн багцыг, \({x}_{k}\) нь өгөгдлийн оролтыг, \(y\) нь өгөгдлийн гаралтыг илэрхийлнэ. Ашигласан гол цөмүүдийн нэг нь Гауссын радиаль суурь функц (RBF) болох SVMR үйлдэл юм. RBF цөмийг оновчтой SVMR загварыг тодорхойлоход ашигладаг бөгөөд энэ нь PTE сургалтын өгөгдлийн хамгийн нарийн торгуулийн багцын коэффициент C болон цөмийн параметрийн гамма (γ)-г олж авахад чухал ач холбогдолтой юм. Эхлээд бид сургалтын багцыг үнэлж, дараа нь баталгаажуулалтын багц дээрх загварын гүйцэтгэлийг туршсан. Ашигласан жолоодлогын параметр нь sigma бөгөөд аргын утга нь svmRadial юм.
Олон шугаман регрессийн загвар (MLR) нь хамгийн бага квадратын аргыг ашиглан тооцоолсон шугаман нэгтгэсэн параметрүүдийг ашиглан хариу үйлдэл хувьсагч ба хэд хэдэн таамаглагч хувьсагчдын хоорондын хамаарлыг илэрхийлдэг регрессийн загвар юм. MLR-д хамгийн бага квадратын загвар нь тайлбарлах хувьсагчдыг сонгосны дараа хөрсний шинж чанарын урьдчилан таамаглах функц юм. Тайлбарлах хувьсагчдыг ашиглан шугаман хамаарлыг тогтоохын тулд хариу үйлдлийг ашиглах шаардлагатай. Тайлбарлах хувьсагчтай шугаман хамаарлыг тогтоохын тулд PTE-г хариу үйлдэл хувьсагч болгон ашигласан. MLR тэгшитгэл нь
энд y нь хариу хувьсагч, \(a\) нь огтлолцол, n нь таамаглагчдын тоо, \({b}_{1}\) нь коэффициентуудын хэсэгчилсэн регресс, \({x}_{ i}\) нь таамаглагч буюу тайлбарлагч хувьсагч, \({\varepsilon }_{i}\) нь загвар дахь алдааг, мөн үлдэгдэл гэгддэг алдааг илэрхийлнэ.
Холимог загваруудыг EBK-г SVMR болон MLR-тэй хавсаргах замаар гаргаж авсан. Үүнийг EBK интерполяциас таамагласан утгуудыг гаргаж авах замаар хийдэг. Интерполяцилагдсан Ca, K, Mg-ээс олж авсан таамагласан утгуудыг CaK, CaMg, KMg зэрэг шинэ хувьсагчдыг олж авахын тулд комбинатор процессоор олж авдаг. Дараа нь Ca, K, Mg элементүүдийг нэгтгэж, дөрөв дэх хувьсагч болох CaKMg-ийг авдаг. Ерөнхийдөө олж авсан хувьсагчууд нь Ca, K, Mg, CaK, CaMg, KMg болон CaKMg юм. Эдгээр хувьсагчууд нь бидний таамаглагч болж, хот суурин газрын болон хотын захын хөрсөнд никелийн агууламжийг урьдчилан таамаглахад тусалсан. SVMR алгоритмыг таамаглагч дээр гүйцэтгэж, холимог загвар болох Эмпирик Байесийн Кригинг-Дэмжлэг Вектор Машин (EBK_SVM)-ийг авсан. Үүнтэй адилаар хувьсагчдыг MLR алгоритмаар дамжуулан холимог загвар болох Эмпирик Байесийн Кригинг-Олон Шугаман Регресс (EBK_MLR)-ийг олж авдаг. Ерөнхийдөө Ca, K, Mg, CaK хувьсагчдыг... CaMg, KMg, болон CaKMg-ийг хот суурин газрын болон хотын захын хөрсөнд Ni-ийн агууламжийг урьдчилан таамаглах ковариат болгон ашигладаг. Дараа нь олж авсан хамгийн хүлээн зөвшөөрөгдөх загварыг (EBK_SVM эсвэл EBK_MLR) өөрөө зохион байгуулалттай график ашиглан дүрслэн харуулна. Энэхүү судалгааны ажлын урсгалыг Зураг 2-т үзүүлэв.
SeOM ашиглах нь санхүүгийн салбар, эрүүл мэнд, аж үйлдвэр, статистик, хөрсний шинжлэх ухаан болон бусад салбарт өгөгдлийг зохион байгуулах, үнэлэх, урьдчилан таамаглах түгээмэл хэрэгсэл болсон. SeOM-ийг зохион байгуулах, үнэлэх, урьдчилан таамаглах зорилгоор хиймэл мэдрэлийн сүлжээ болон хяналтгүй сургалтын аргуудыг ашиглан бүтээдэг. Энэхүү судалгаанд SeOM-ийг хотын болон хотын захын хөрсөнд Ni-г урьдчилан таамаглах хамгийн сайн загварт үндэслэн Ni-ийн концентрацийг дүрслэхэд ашигласан. SeOM үнэлгээнд боловсруулсан өгөгдлийг n оролтын хэмжээст вектор хувьсагч болгон ашигладаг43,56. Мелссен нар. 57-д оролтын векторыг нэг оролтын давхаргаар дамжуулан мэдрэлийн сүлжээнд нэг жингийн вектортой гаралтын вектортой холбохыг тайлбарласан болно. SeOM-оор үүсгэгдсэн гаралт нь ойролцоо байдлаас нь хамааран зургаан өнцөгт, дугуй эсвэл дөрвөлжин топологийн газрын зурагт сүлжсэн өөр өөр мэдрэлийн эсүүд эсвэл зангилаанаас бүрдсэн хоёр хэмжээст газрын зураг юм. Метрийн, квантжуулалтын алдаа (QE) болон топографийн алдаа (TE) дээр үндэслэн газрын зургийн хэмжээг харьцуулж, тус тус 0.086 ба 0.904 бүхий SeOM загварыг сонгосон бөгөөд энэ нь 55 газрын зургийн нэгж (5 × 11) юм. Нейроны бүтцийг эмпирик тэгшитгэл дэх зангилааны тоогоор тодорхойлно.
Энэхүү судалгаанд ашигласан өгөгдлийн тоо нь 115 дээж юм. Өгөгдлийг туршилтын өгөгдөл (25% баталгаажуулалт) болон сургалтын өгөгдлийн багц (75% тохируулга) болгон хуваахын тулд санамсаргүй аргыг ашигласан. Сургалтын өгөгдлийн багцыг регрессийн загвар (тохируулга) үүсгэхэд ашигладаг бөгөөд туршилтын өгөгдлийн багцыг ерөнхийлөн дүгнэх чадварыг шалгахад ашигладаг58. Үүнийг хөрсөн дэх никелийн агууламжийг урьдчилан таамаглахад янз бүрийн загваруудын тохиромжтой байдлыг үнэлэх зорилгоор хийсэн. Ашигласан бүх загварууд таван удаа давтагдсан арван дахин хөндлөн баталгаажуулалтын процессоор дамжсан. EBK интерполяцийн үр дүнд үүссэн хувьсагчдыг зорилтот хувьсагчийг (PTE) урьдчилан таамаглахын тулд урьдчилан таамаглагч эсвэл тайлбарлагч хувьсагч болгон ашигладаг. Загварчлалыг RStudio дээр багц номын сан (Kohonen), номын сан (caret), номын сан (modelr), номын сан (“e1071″), номын сан (“plyr”), номын сан (“caTools”), номын сан (”prospectr”) болон номын сангууд (“Metrics”) ашиглан боловсруулдаг.
Хөрсөн дэх никелийн агууламжийг урьдчилан таамаглахад тохиромжтой хамгийн сайн загварыг тодорхойлох, загвар болон түүний баталгаажуулалтын нарийвчлалыг үнэлэхийн тулд янз бүрийн баталгаажуулалтын параметрүүдийг ашигласан. Эрлийзжүүлэлтийн загваруудыг дундаж үнэмлэхүй алдаа (MAE), язгуур квадрат алдаа (RMSE), R-квадрат буюу коэффициент тодорхойлох (R2) ашиглан үнэлсэн. R2 нь регрессийн загвараар илэрхийлэгдсэн хариулт дахь пропорцийн хэлбэлзлийг тодорхойлдог. Бие даасан хэмжүүр дэх RMSE болон хэлбэлзлийн хэмжээ нь загварын урьдчилан таамаглах чадварыг тодорхойлдог бол MAE нь бодит тоон утгыг тодорхойлдог. Баталгаажуулах параметрүүдийг ашиглан хамгийн сайн хольцын загварыг үнэлэхийн тулд R2 утга өндөр байх ёстой бөгөөд утга нь 1-тэй ойртох тусам нарийвчлал өндөр байна. Ли болон бусад 59-ийн дагуу R2 шалгуурын утга 0.75 ба түүнээс дээш байвал сайн урьдчилан таамаглагч гэж тооцогддог; 0.5-аас 0.75 хүртэлх нь хүлээн зөвшөөрөгдөх загварын гүйцэтгэл, 0.5-аас доош бол хүлээн зөвшөөрөгдөхгүй загварын гүйцэтгэл юм. RMSE болон MAE баталгаажуулалтын шалгуурын үнэлгээний аргыг ашиглан загвар сонгохдоо олж авсан бага утга нь хангалттай бөгөөд хамгийн сайн сонголт гэж үзсэн. Дараах тэгшитгэл нь баталгаажуулалтын аргыг тайлбарласан болно.
энд n нь ажиглагдсан утгын хэмжээг илэрхийлнэ\({Y}_{i}\) нь хэмжсэн хариуг илэрхийлнэ, \({\widehat{Y}}_{i}\) нь мөн эхний i ажиглалтын хувьд таамагласан хариуны утгыг илэрхийлнэ.
Урьдчилан таамаглагч болон хариу урвалын хувьсагчдын статистик тодорхойлолтыг Хүснэгт 1-д үзүүлсэн бөгөөд дундаж, стандарт хазайлт (SD), хэлбэлзлийн коэффициент (CV), хамгийн бага, хамгийн их, куртоз, гажуудлыг харуулав. Элементүүдийн хамгийн бага ба хамгийн их утга нь тус тус Mg < Ca < K < Ni болон Ca < Mg < K < Ni гэсэн буурах дарааллаар байна. Судалгааны талбайгаас түүвэрлэсэн хариу урвалын хувьсагчийн (Ni) концентраци нь 4.86-42.39 мг/кг хооронд хэлбэлзэж байв. Ni-г дэлхийн дундаж (29 мг/кг) болон Европын дундаж (37 мг/кг)-тай харьцуулж үзэхэд судалгааны талбайн нийт тооцоолсон геометрийн дундаж нь зөвшөөрөгдөх хязгаарт байгааг харуулав. Гэсэн хэдий ч Kabata-Pendias11-ээс үзүүлсэнчлэн, одоогийн судалгаанд хамрагдсан никелийн (Ni) дундаж концентрацийг Шведийн хөдөө аж ахуйн хөрстэй харьцуулж үзэхэд одоогийн дундаж никелийн агууламж өндөр байгааг харуулж байна. Үүнтэй адил одоогийн судалгаанд хотын болон хотын захын хөрсөнд Frydek Mistek-ийн дундаж агууламж (Ni 16.15 мг/кг) нь ...-аас өндөр байв. Рожански болон бусад судлаачдын мэдээлснээр Польшийн хотын хөрсөнд Ni-ийн зөвшөөрөгдөх хязгаар 60 (10.2 мг/кг) байна. Цаашилбал, Бретцел болон Калдериси61 нар одоогийн судалгаатай харьцуулахад Тоскана хотын хөрсөнд Ni-ийн дундаж агууламж маш бага (1.78 мг/кг) байгааг бүртгэжээ. Жим62 мөн Хонконгийн хотын хөрсөнд никелийн агууламж бага (12.34 мг/кг) байгааг тогтоосон бөгөөд энэ нь энэхүү судалгаанд байгаа одоогийн никелийн агууламжаас бага байна. Бирке болон бусад63 Германы Саксония-Анхальт дахь хуучин уул уурхай, хотын аж үйлдвэрийн бүсэд Ni-ийн дундаж агууламж 17.6 мг/кг байгааг мэдээлсэн бөгөөд энэ нь тухайн бүс нутгийн Ni-ийн дундаж агууламжаас (16.15 мг/кг) 1.45 мг/кг-аар их байна. Одоогийн судалгаа. Судалгааны талбайн зарим хот, захын хорооллын хөрсөнд никелийн агууламж хэт их байгаа нь голчлон төмөр, гангийн үйлдвэрлэл болон металлын үйлдвэрлэлтэй холбоотой байж болох юм. Энэ нь Ходадуст болон бусад судлаачдын судалгаатай нийцэж байна. 64 гангийн үйлдвэрлэл болон металл боловсруулах нь хөрсөнд никелийн бохирдлын гол эх үүсвэр болдог. Гэсэн хэдий ч урьдчилан таамаглах хүчин зүйлс нь кальцийн хувьд 538.70 мг/кг-аас 69,161.80 мг/кг, калийн хувьд 497.51 мг/кг-аас 3535.68 мг/кг, магний хувьд 685.68 мг/кг-аас 5970.05 мг/кг хүртэл хэлбэлзэж байв. Яковлевич нар. 65 нь Сербийн төв хэсэгт хөрсний нийт Mg болон K агууламжийг судалсан. Тэд нийт агууламж (тус тус 410 мг/кг ба 400 мг/кг) нь одоогийн судалгааны Mg болон K агууламжаас бага байгааг тогтоосон. Польшийн зүүн хэсэгт Оржеховский, Смолчинский нар66 кальцийн нийт агууламжийг үнэлж, Ca (1100 мг/кг), Mg (590 мг/кг) болон K (810 мг/кг) дундаж агууламжийг харуулсан. Өнгөн хөрсний агууламж нь энэхүү судалгааны дан элементээс бага байна. Понграк болон бусад судлаачдын саяхны судалгаагаар Шотланд, Их Британийн 3 өөр хөрсөнд (Милнефилдийн хөрс, Балруддери хөрс, Хартвудын хөрс) шинжилсэн нийт Ca агууламж нь энэхүү судалгаанд кальцийн агууламж өндөр байгааг харуулж байна.
Түүвэрлэсэн элементүүдийн хэмжсэн концентраци өөр өөр байдгаас шалтгаалан элементүүдийн өгөгдлийн багцын тархалт өөр өөр гажуудалтай байна. Элементүүдийн гажуудал ба куртоз нь тус тус 1.53-7.24, 2.49-54.16 хооронд хэлбэлзэж байна. Тооцоолсон бүх элементүүд нь гажуудал ба куртозын түвшин +1-ээс дээш байгаа нь өгөгдлийн тархалт жигд бус, зөв ​​чиглэлд гажуудсан, оргил үедээ хүрсэн болохыг харуулж байна. Элементүүдийн тооцоолсон CV нь K, Mg, Ni нь дунд зэргийн хувьсах чадвартай бол Ca нь маш өндөр хувьсах чадвартай болохыг харуулж байна. K, Ni, Mg-ийн CV нь тэдгээрийн жигд тархалтыг тайлбарладаг. Цаашилбал, Ca тархалт нь жигд бус бөгөөд гадны эх үүсвэрүүд нь түүний баяжуулалтын түвшинд нөлөөлж болзошгүй юм.
Урьдчилан таамаглагч хувьсагчдын хариу үйлдлийн элементүүдтэй хамаарал нь элементүүдийн хоорондын хангалттай хамаарлыг харуулсан (Зураг 3-ыг үзнэ үү). Харилцан хамаарал нь CaK нь r утга = 0.53-тай дунд зэргийн хамаарал үзүүлсэн бөгөөд CaNi ч мөн адил. Хэдийгээр Ca болон K нь хоорондоо бага зэрэг холбоотой байдаг ч Кингстон гэх мэт судлаачид ... 68 болон Santo69 нь хөрсөн дэх тэдгээрийн түвшин урвуу хамааралтай болохыг харуулж байна. Гэсэн хэдий ч Ca болон Mg нь K-тэй антагонист боловч CaK нь сайн хамааралтай байдаг. Энэ нь калийн карбонат зэрэг бордоо хэрэглэснээс үүдэлтэй байж болох бөгөөд энэ нь калийн агууламжаас 56% илүү байдаг. Кали нь магнитай дунд зэрэг хамааралтай байсан (KM r = 0.63). Бордооны үйлдвэрлэлд эдгээр хоёр элемент нь нягт холбоотой байдаг, учир нь калийн магнийн сульфат, калийн магнийн нитрат, кали зэргийг хөрсний дутагдлын түвшинг нэмэгдүүлэхийн тулд хэрэглэдэг. Никель нь Ca, K, Mg-тэй дунд зэрэг хамааралтай бөгөөд r утга нь тус тус 0.52, 0.63 ба 0.55 байна. Кальци, магни, никель зэрэг PTE-тэй холбоотой хамаарал нь нарийн төвөгтэй боловч магни нь кальцийн шингээлтийг дарангуйлдаг, кальци нь илүүдэл магнийн нөлөөг бууруулдаг бөгөөд магни, кальци хоёулаа хөрсөнд никелийн хортой нөлөөг бууруулдаг.
Урьдчилан таамаглагч ба хариу үйлдлийн хоорондын хамаарлыг харуулсан элементүүдийн корреляцийн матриц (Тайлбар: энэ зурагт элементүүдийн хоорондох тархалтын график багтсан бөгөөд ач холбогдлын түвшинг p < 0,001 дээр үндэслэсэн болно).
Зураг 4-т элементүүдийн орон зайн тархалтыг харуулав. Бургос болон бусад70-ын үзэж байгаагаар орон зайн тархалтыг хэрэглэх нь бохирдсон бүс нутагт халуун цэгүүдийг тоон үзүүлэлтээр тодорхойлж, тодруулахад ашигладаг арга юм. Зураг 4-т үзүүлсэн Ca-ийн баяжуулалтын түвшинг орон зайн тархалтын газрын зургийн баруун хойд хэсгээс харж болно. Зурагт дунд болон өндөр Ca баяжуулалтын халуун цэгүүдийг харуулж байна. Газрын зургийн баруун хойд хэсэгт кальцийн баяжуулалт нь хөрсний хүчиллэгийг бууруулахын тулд шохойн чулуу (кальцийн исэл) ашиглах, гангийн үйлдвэрт гангийн үйлдвэрлэлийн процесст шүлтлэг хүчилтөрөгч болгон ашиглахтай холбоотой байж болох юм. Нөгөөтэйгүүр, бусад фермерүүд хүчиллэг хөрсөнд кальцийн гидроксидийг рН-ийг саармагжуулахын тулд ашиглахыг илүүд үздэг бөгөөд энэ нь хөрсний кальцийн агууламжийг нэмэгдүүлдэг71. Кали нь газрын зургийн баруун хойд болон зүүн хэсэгт халуун цэгүүдийг харуулдаг. Баруун хойд хэсэг нь хөдөө аж ахуйн томоохон нийгэмлэг бөгөөд калийн дунд болон өндөр хэв маяг нь NPK болон калийн хэрэглээнээс үүдэлтэй байж болно. Энэ нь Мадарас болон Липавскй72, Мадарас нар73, Пулкрабова нар74, Асаре нар75 зэрэг бусад судалгаатай нийцэж байгаа бөгөөд тэд үүнийг ажигласан. Хөрсийг тогтворжуулж, KCl болон NPK-ээр боловсруулснаар хөрсөнд калийн агууламж өндөр байсан. Тархалтын газрын зургийн баруун хойд хэсэгт орон зайн калийн баяжуулалт нь муу хөрсний калийн агууламжийг нэмэгдүүлэхийн тулд калийн хлорид, калийн сульфат, калийн нитрат, калийн бордоо, калийн бордоо зэрэг калийн бордоог ашигласантай холбоотой байж болох юм. Zádorová et al. 76 болон Tlustoš et al. 77-д калийн дээр суурилсан бордоо хэрэглэх нь хөрсөн дэх калийн агууламжийг нэмэгдүүлж, урт хугацаанд хөрсний шим тэжээлийн агууламжийг мэдэгдэхүйц нэмэгдүүлэх, ялангуяа хөрсөнд халуун цэг байгааг харуулсан кали ба магни байгааг дурдсан. Газрын зургийн баруун хойд болон зүүн өмнөд хэсэгт харьцангуй дунд зэргийн халуун цэгүүд. Хөрсөнд коллоид бэхжилт нь хөрсөн дэх магнийн агууламжийг бууруулдаг. Хөрсөнд дутагдах нь ургамалд шаргал судасжилтын хлороз үүсгэдэг. Калийн магнийн сульфат, магнийн сульфат, кизерит зэрэг магнийн дээр суурилсан бордоо нь хэвийн рН-ийн хүрээтэй хөрсөнд дутагдлыг (ургамал нил ягаан, улаан эсвэл хүрэн өнгөтэй харагддаг нь магнийн дутагдлыг илтгэдэг) эмчилдэг.6 Хот суурин болон хотын захын хөрсний гадаргуу дээр никелийн хуримтлал нь хөдөө аж ахуй зэрэг хүний ​​үйл ажиллагаа, зэвэрдэггүй ган үйлдвэрлэлд никелийн ач холбогдол зэрэгтэй холбоотой байж болох юм78.
Элементүүдийн орон зайн тархалт [орон зайн тархалтын зургийг ArcGIS Desktop (ESRI, Inc, Хувилбар 10.7, URL: https://desktop.arcgis.com) ашиглан үүсгэсэн.]
Энэхүү судалгаанд ашигласан элементүүдийн загварын гүйцэтгэлийн индексийн үр дүнг Хүснэгт 2-т үзүүлэв. Нөгөөтэйгүүр, Ni-ийн RMSE болон MAE нь тэгтэй ойролцоо байна (0.86 RMSE, -0.08 MAE). Нөгөөтэйгүүр, K-ийн RMSE болон MAE утгууд хоёулаа хүлээн зөвшөөрөгдөхүйц байна. RMSE болон MAE-ийн үр дүн кальци, магнийн хувьд илүү өндөр байсан. Ca болон K-ийн MAE болон RMSE-ийн үр дүн нь өөр өөр өгөгдлийн багцаас шалтгаалан илүү өндөр байна. Ni-ийг урьдчилан таамаглахын тулд EBK ашигласан энэхүү судалгааны RMSE болон MAE нь ижил цуглуулсан өгөгдлийг ашиглан хөрсөн дэх S-ийн концентрацийг урьдчилан таамаглахын тулд синергетик кригинг ашигласан John et al. 54-ийн үр дүнгээс илүү сайн байсан. Бидний судалсан EBK-ийн гаралт нь Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81, John et al. 82-ийн үр дүнтэй, ялангуяа K болон Ni-тэй хамааралтай байна.
Хот суурин болон хотын захын хөрсөнд никелийн агууламжийг урьдчилан таамаглах бие даасан аргуудын гүйцэтгэлийг загваруудын гүйцэтгэлийг ашиглан үнэлсэн (Хүснэгт 3). Загварын баталгаажуулалт болон нарийвчлалын үнэлгээ нь Ca_Mg_K урьдчилсан таамаглагчийг EBK SVMR загвартай хослуулан хамгийн сайн гүйцэтгэл үзүүлсэн болохыг баталсан. Тохируулгын загвар Ca_Mg_K-EBK_SVMR загвар R2, дундаж квадрат алдаа (RMSE) ба дундаж үнэмлэхүй алдаа (MAE) нь 0.637 (R2), 95.479 мг/кг (RMSE) ба 77.368 мг/кг (MAE) байсан. Ca_Mg_K-SVMR нь 0.663 (R2), 235.974 мг/кг (RMSE) ба 166.946 мг/кг (MAE) байв. Гэсэн хэдий ч Ca_Mg_K-SVMR (0.663 мг/кг R2) болон Ca_Mg-EBK_SVMR (0.643 = R2)-ийн хувьд сайн R2 утгыг олж авсан; Тэдний RMSE болон MAE үр дүн нь Ca_Mg_K-EBK_SVMR (R2 0.637)-ийн үр дүнгээс өндөр байсан (Хүснэгт 3-ыг үзнэ үү). Үүнээс гадна, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ба MAE = 1031.49) загварын RMSE болон MAE нь тус тус 17.5 ба 13.4 байгаа нь Ca_Mg_K-EBK_SVMR-ийн үр дүнгээс их байна. Үүнтэй адилаар, Ca_Mg-K SVMR (RMSE = 235.974 ба MAE = 166.946) загварын RMSE болон MAE нь Ca_Mg_K-EBK_SVMR RMSE болон MAE-ийн үр дүнгээс тус тус 2.5 ба 2.2 том байна. Тооцоолсон RMSE үр дүн нь өгөгдлийн багц нь хамгийн сайн тохирох шугамтай хэр төвлөрсөн болохыг харуулж байна. Өндөр RSME болон MAE ажиглагдсан. Кебонье болон бусад судлаачдын үзэж байгаагаар... 46 болон Жон нар 54-т RMSE болон MAE тэгтэй ойртох тусам үр дүн нь сайн байна. SVMR болон EBK_SVMR нь квантжуулсан RSME болон MAE утга өндөр байна. RSME тооцоолол нь MAE утгуудаас тогтмол өндөр байсан нь гадуурх утга байгааг харуулж байна. Легейтс болон МакКейб83-ын үзэж байгаагаар RMSE нь дундаж үнэмлэхүй алдаанаас (MAE) хэр их давсан болохыг гадуурх утга байгааг илтгэх үзүүлэлт болгон санал болгож байна. Энэ нь өгөгдлийн багц олон янз байх тусам MAE болон RMSE утга өндөр байна гэсэн үг юм. Хот суурин газрын болон хотын захын хөрсөнд Ni агууламжийг урьдчилан таамаглах Ca_Mg_K-EBK_SVMR холимог загварын хөндлөн баталгаажуулалтын үнэлгээний нарийвчлал 63.70% байсан. Ли нар 59-ын үзэж байгаагаар энэ түвшний нарийвчлал нь хүлээн зөвшөөрөгдөх загварын гүйцэтгэлийн түвшин юм. Одоогийн үр дүнг Тарасов болон бусад хүмүүсийн өмнөх судалгаатай харьцуулсан болно. 36-д одоогийн судалгаанд мэдээлсэн EBK_SVMR нарийвчлалын үнэлгээний индекстэй холбоотой MLPRK (Multilayer Perceptron Residual Kriging)-ийг бүтээсэн эрлийз загвар нь RMSE (210) болон MAE (167.5) нь одоогийн судалгааны бидний үр дүнгээс (RMSE 95.479, MAE 77.368) өндөр байсан. Гэсэн хэдий ч одоогийн судалгааны R2-ийг (0.637) Тарасов болон бусад судалгааны үр дүнтэй харьцуулж үзэхэд. 36 (0.544)-аас харахад энэхүү холимог загварт тодорхойлох коэффициент (R2) өндөр байгаа нь тодорхой байна. Холимог загварын алдааны хязгаар (RMSE ба MAE) (EBK SVMR) хоёр дахин бага байна. Үүнтэй адилаар, Сергеев нар34 боловсруулсан эрлийз загвар (Multilayer Perceptron Residual Kriging)-д 0.28 (R2) бүртгэсэн бол одоогийн судалгаанд Ni 0.637 (R2) бүртгэсэн байна. Энэ загварын (EBK SVMR) таамаглалын нарийвчлалын түвшин 63.7% байгаа бол Сергеев нар34-ийн олж авсан таамаглалын нарийвчлал 28% байна. EBK_SVMR загвар болон Ca_Mg_K-г таамаглагч болгон ашиглан бүтээсэн эцсийн газрын зураг (Зураг 5) нь судалгааны бүх талбайд халуун цэгүүд болон дунд зэргээс никелийн таамаглалыг харуулж байна. Энэ нь судалгааны талбай дахь никелийн агууламж голчлон дунд зэрэг бөгөөд зарим тодорхой газарт илүү өндөр агууламжтай гэсэн үг юм.
Эцсийн урьдчилсан таамаглалын газрын зургийг EBK_SVMR эрлийз загвар болон Ca_Mg_K-г урьдчилан таамаглагч болгон ашиглан дүрсэлсэн. [Орон зайн тархалтын газрын зургийг RStudio (1.4.1717 хувилбар: https://www.rstudio.com/) ашиглан бүтээсэн.]
Зураг 6-д PTE-ийн концентрацийг бие даасан мэдрэлийн эсүүдээс бүрдсэн найрлагын хавтгай хэлбэрээр үзүүлэв. Бүрэлдэхүүн хэсгүүдийн аль нь ч үзүүлсэн шиг ижил өнгийн хээг харуулаагүй. Гэсэн хэдий ч зурсан газрын зураг дээрх мэдрэлийн эсүүдийн зохих тоо нь 55 байна. SeOM-ийг янз бүрийн өнгө ашиглан гаргаж авдаг бөгөөд өнгөний хээ нь ижил байх тусам дээжийн шинж чанарууд нь илүү харьцуулагддаг. Тэдний нарийн өнгөний цар хүрээний дагуу бие даасан элементүүд (Ca, K, Mg) нь дан өндөр мэдрэлийн эсүүд болон ихэнх бага мэдрэлийн эсүүдтэй ижил төстэй өнгөний хээг харуулсан. Тиймээс CaK болон CaMg нь маш өндөр эрэмбийн мэдрэлийн эсүүд болон бага ба дунд зэргийн өнгөний хээтэй зарим ижил төстэй байдлыг хуваалцдаг. Хоёр загвар хоёулаа улаан, улбар шар, шар зэрэг дунд ба өндөр өнгөний өнгийг харуулснаар хөрсөн дэх Ni-ийн агууламжийг урьдчилан таамагладаг. KMg загвар нь нарийн харьцаа болон бага ба дунд зэргийн өнгөний нөхөөс дээр үндэслэн олон өндөр өнгөний хээг харуулдаг. Багаас өндөр хүртэлх нарийн өнгөний цар хүрээ дээр загварын бүрэлдэхүүн хэсгүүдийн хавтгай тархалтын хээ нь хөрсөн дэх никелийн боломжит концентрацийг харуулсан өндөр өнгөний хээг харуулсан (Зураг 4-ийг үзнэ үү). CakMg загварын бүрэлдэхүүн хэсгийн хавтгай нь нарийн өнгөний дагуу бага ба өндөр хүртэл олон янзын өнгөний хээг харуулдаг. масштаб. Цаашилбал, загварын никелийн агууламжийн (CakMg) таамаглал нь Зураг 5-д үзүүлсэн никелийн орон зайн тархалттай төстэй юм. Хоёр график хоёулаа хот суурин болон хотын захын хөрсөнд никелийн агууламжийн өндөр, дунд, бага хувийг харуулж байна. Зураг 7-д газрын зураг дээрх k-дундаж бүлэглэл дэх контурын аргыг загвар тус бүрийн таамагласан утга дээр үндэслэн гурван кластерт хуваасан байдлаар дүрсэлсэн болно. Контурын арга нь кластерын оновчтой тоог илэрхийлнэ. Цуглуулсан 115 хөрсний дээжээс 1-р ангилалд хамгийн их хөрсний дээж буюу 74-ийг авсан. 2-р кластерт 33 дээж, 3-р кластерт 8 дээж авсан. Кластерыг зөв тайлбарлахын тулд долоон бүрэлдэхүүнтэй хавтгай таамаглагчийн хослолыг хялбаршуулсан. Хөрсний үүсэлд нөлөөлдөг олон тооны хүний ​​үйл ажиллагаа болон байгалийн үйл явцын улмаас тархсан SeOM газрын зурагт кластерын хэв маягийг зөв ялгахад хэцүү байдаг78.
Эмпирик Байесийн Кригингийн Дэмжлэгийн Вектор Машины (EBK_SVM_SeOM) хувьсагч бүрийн бүрэлдэхүүн хэсгийн хавтгайн гаралт. [SeOM газрын зургийг RStudio (1.4.1717 хувилбар: https://www.rstudio.com/) ашиглан үүсгэсэн.]
Кластерын ангиллын өөр өөр бүрэлдэхүүн хэсгүүд [SeOM газрын зургийг RStudio ашиглан үүсгэсэн (хувилбар 1.4.1717: https://www.rstudio.com/).]
Одоогийн судалгаагаар хот суурин болон хотын захын хөрсөнд никелийн агууламжийг загварчлах аргуудыг тодорхой харуулж байна. Судалгаагаар хөрсөнд никелийн агууламжийг урьдчилан таамаглах хамгийн сайн аргыг олж авахын тулд элементүүдийг загварчлалын аргуудтай хослуулан янз бүрийн загварчлалын аргуудыг туршиж үзсэн. Загварчлалын техникийн SeOM найрлагын хавтгай орон зайн онцлогууд нь нарийвчилсан өнгөний хэмжүүр дээр бага ба өндөр хүртэл өндөр өнгөний хэв маягийг харуулсан бөгөөд энэ нь хөрсөн дэх Ni-ийн агууламжийг харуулж байна. Гэсэн хэдий ч орон зайн тархалтын зураг нь EBK_SVMR-ээр харуулсан бүрэлдэхүүн хэсгүүдийн хавтгай орон зайн тархалтыг баталгаажуулдаг (Зураг 5-ыг үзнэ үү). Үр дүнгээс харахад тулгуур векторын машины регрессийн загвар (Ca Mg K-SVMR) нь хөрсөн дэх Ni-ийн агууламжийг дан загвар болгон урьдчилан таамаглаж байгаа боловч баталгаажуулалт болон нарийвчлалын үнэлгээний параметрүүд нь RMSE болон MAE-ийн хувьд маш өндөр алдаа харуулж байна. Нөгөөтэйгүүр, EBK_MLR загварт ашигласан загварчлалын арга нь тодорхойлох коэффициент (R2)-ийн бага утгаас шалтгаалан алдаатай байна. EBK SVMR болон 63.7% нарийвчлалтай бага RMSE болон MAE алдаатай хосолсон элементүүдийг (CaKMg) ашиглан сайн үр дүнд хүрсэн. EBK алгоритмыг машин сургалтын алгоритмтай хослуулснаар эрлийз алгоритм үүсгэж болно. хөрсөн дэх PTE-ийн агууламжийг урьдчилан таамаглаж чадна. Үр дүнгээс харахад судалгааны талбайд Ni-ийн агууламжийг урьдчилан таамаглахын тулд Ca Mg K-ийг урьдчилан таамаглагч болгон ашиглах нь хөрсөн дэх Ni-ийн урьдчилсан таамаглалыг сайжруулж чадна. Энэ нь никель дээр суурилсан бордоог тасралтгүй хэрэглэх, гангийн үйлдвэрийн хөрсийг бохирдуулах нь хөрсөн дэх никелийн агууламжийг нэмэгдүүлэх хандлагатай гэсэн үг юм. Энэхүү судалгаагаар EBK загвар нь алдааны түвшинг бууруулж, хотын болон хотын захын хөрсөнд хөрсний орон зайн тархалтын загварын нарийвчлалыг сайжруулж чадна гэдгийг харуулсан. Ерөнхийдөө бид хөрсөн дэх PTE-ийг үнэлэх, урьдчилан таамаглахын тулд EBK-SVMR загварыг ашиглахыг санал болгож байна; үүнээс гадна бид янз бүрийн машин сургалтын алгоритмуудтай эрлийзжүүлэхэд EBK ашиглахыг санал болгож байна. Ni-ийн концентрацийг элементүүдийг ковариат болгон ашиглан урьдчилан таамагласан; гэсэн хэдий ч илүү олон ковариат ашиглах нь загварын гүйцэтгэлийг ихээхэн сайжруулах бөгөөд үүнийг одоогийн ажлын хязгаарлалт гэж үзэж болно. Энэхүү судалгааны бас нэг хязгаарлалт нь өгөгдлийн багцын тоо 115 байна. Тиймээс хэрэв илүү их мэдээлэл өгвөл санал болгож буй оновчтой эрлийзжүүлэлтийн аргын гүйцэтгэлийг сайжруулж болно.
PlantProbs.net.Ургамал ба хөрсөн дэх никель https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021 оны 4-р сарын 28-нд хандсан).
Каспрзак, КС Никель орчин үеийн хүрээлэн буй орчны хор судлалын дэвшил.хүрээлэн буй орчин.хор судлал.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Эх сурвалж болон хүрээлэн буй орчны хор судлалын тойм. Poland J. Environment.Stud.15, 375–382 (2006).
Фридман, Б. & Хатчинсон, Т.К. Канадын Онтарио мужийн Садбери хотын никель-зэс хайлуулах үйлдвэрийн ойролцоох агаар мандлаас орж ирж буй бохирдуулагч болон хөрс, ургамалд хуримтлагдсан бохирдол.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Манива, Т. нар. Ботсвана дахь Селеби-Фикве зэс-никель уурхайн ойролцоох хөрс, ургамал дахь хүнд металлууд болон бэлчээрийн хивэгч амьтадтай холбоотой эрсдэлүүд. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Хөрсөн дэх ул мөрийн элементүүд ба… – 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= (2020 оны 11-р сарын 24-нд хандсан).
Алмас, А., Сингх, Б., Хөдөө аж ахуй, TS-NJ of & 1995, тодорхойгүй. Норвегийн Соер-Варангер дахь хөдөө аж ахуйн хөрс, өвсөнд агуулагдах хүнд металлын агууламжид Оросын никелийн үйлдвэрлэлийн нөлөө. agris.fao.org.
Нильсен, Г.Д. нар. Ундны усанд никелийн шингээлт ба хадгалалт нь хоол хүнс хэрэглэх болон никелийн мэдрэг чанартай холбоотой. хор судлал. хэрэглээ. Эмийн физиологи.154, 67–75 (1999).
Коста, М. & Клейн, CB Никель хорт хавдар үүсгэх, мутаци, эпигенетик эсвэл сонголт. хүрээлэн буй орчин. Эрүүл мэндийн хэтийн төлөв. 107, 2 (1999).
Ажман, П.К.; Ажадо, С.К.; Борувка, Л.; Бини, Ж.К.М.; Саркоди, В.Ё.; Кобонье, ​​Н.М.; Хортой элементүүдийн чиг хандлагын шинжилгээ: библиометрийн тойм. Байгаль орчны геохими ба эрүүл мэнд. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасни, Б. & МакБратни, AB Хөрсний дижитал зураглал: Товч түүх ба зарим сургамж. Геодерма 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Хөрсний дижитал зураглалын тухай. Геодерма 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистикийн Усан сангийн загварчлал,… – 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= (2021 оны 4-р сарын 28-нд хандсан).