Nature.com сайтад зочилсонд баярлалаа. Таны ашиглаж буй хөтчийн хувилбар нь CSS-г хязгаарлагдмал дэмждэг. Хамгийн сайн ашиглахын тулд бид танд шинэчилсэн хөтөч ашиглахыг зөвлөж байна (эсвэл Internet Explorer дээр нийцтэй байдлын горимыг унтраах). Энэ хооронд үргэлжлүүлэн дэмжлэг үзүүлэхийн тулд бид сайтыг загвар болон JavaScript-гүй харуулах болно.
Хөрсний бохирдол нь хүний ​​буруутай үйл ажиллагаанаас үүдэлтэй томоохон асуудал юм. Хортой байж болзошгүй элементүүдийн (PTEs) орон зайн тархалт ихэнх хот суурин газар болон хот орчмын бүс нутагт харилцан адилгүй байдаг. Иймд ийм хөрс дэх PTE-ийн агуулгыг орон зайн хувьд урьдчилан таамаглахад хэцүү байдаг.Чех улсын Фрайдек Мистек (Cagnesium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) болон бусад газраас нийт 115 дээж авсан. никелийн (Ni) концентрацийг индуктив хосолсон плазмын ялгарлын спектрометр ашиглан тодорхойлсон. Хариултын хувьсагч нь Ni, урьдчилан таамаглагч нь Ca, Mg, ба K байна. Хариултын хувьсагч ба таамаглагч хувьсагчийн хоорондын хамаарлын матриц нь элементүүдийн хоорондын хангалттай хамаарлыг харуулж байна. Урьдчилан таамаглах үр дүн нь (Дэмжлэгийн Вектор Машины Регрессийн язгуурыг сайн гүйцэтгэсэн боловч SV MR дөрвөлжингийн алдаа) гэдгийг харуулсан. (235.974 мг/кг) болон дундаж үнэмлэхүй алдаа (MAE) (166.946 мг/кг) нь хэрэглэсэн бусад аргуудаас өндөр байсан. Эмпирик Байезийн кригинг-Олон шугаман регрессийн (EBK-MLR) холимог загварууд муу ажиллаж байгаа нь 0.1-ээс бага детерминацийн коэффициентээр нотлогддог. (EBK-SVMR) загвар нь RMSE (95.479 мг/кг) болон MAE (77.368 мг/кг) бага утгатай, детерминацийн өндөр коэффициенттэй (R2 = 0.637) хамгийн шилдэг загвар байв. EBK-SVMR загварчлалын аргын гаралтыг өөрөө зохион байгуулах газрын зураг ашиглан дүрсэлсэн болно. SVKb-г-ийн олон тооны мэдрэлийн эсүүд нь SVKb-г-ийн олон тооны бүрэлдэхүүн хэсгүүдийг харуулж байна. Хотын болон хотын захын хөрсөн дэх Ni-ийн агууламжийг урьдчилан таамаглах өнгөний хэв маяг. Үр дүн нь EBK болон SVMR-ийг хослуулах нь хот болон захын хөрсөнд Ni-ийн концентрацийг таамаглах үр дүнтэй арга болохыг харуулж байна.
Никель (Ni) нь үрийн соёололтод шаардлагатай агаар мандлын азот (N) ба мочевин бодисын солилцоонд хувь нэмэр оруулдаг тул ургамлын бичил тэжээлийн элемент гэж үздэг. Ni нь үрийн соёололтод хувь нэмэр оруулахаас гадна мөөгөнцөр, бактерийн дарангуйлагч болж, ургамлын хөгжилд хувь нэмэр оруулдаг. вандуй, ногоон шош нь азотын нягтралыг оновчтой болгохын тулд никель дээр суурилсан бордоо хэрэглэхийг шаарддаг2. Хөрсийг баяжуулж, буурцагт ургамлын азотыг хөрсөнд бэхлэх чадварыг нэмэгдүүлэхийн тулд никель дээр суурилсан бордоог үргэлжлүүлэн хэрэглэх нь хөрсөн дэх никелийн агууламжийг тасралтгүй нэмэгдүүлдэг. сайн.Хөрс дэх никелийн хоруу чанар нь хөрсний рН-ыг бууруулж, ургамлын өсөлтөд зайлшгүй шаардлагатай тэжээл болох төмрийг шингээхэд саад учруулдаг1. Liu3-ийн дагуу Ni нь ургамлын хөгжил, өсөлтөд шаардлагатай 17 дахь чухал элемент болох нь тогтоогдсон. Ургамлын хөгжил, өсөлтөд никелийн үүрэг гүйцэтгэхээс гадна хүн төрөлхтөн төрөл бүрийн хэрэглээ, төрөл бүрийн үйлдвэрлэл, төрөл бүрийн үйлдвэрлэлд шаардлагатай байдаг. Автомашины үйлдвэрт гал асаах төхөөрөмж, оч залгуур зэрэг нь үйлдвэрлэлийн янз бүрийн салбарт никель ашиглахыг шаарддаг. Үүнээс гадна никель дээр суурилсан хайлш, цахилгаанаар бүрсэн эдлэлийг гал тогооны хэрэгсэл, латин дагалдах хэрэгсэл, хүнсний үйлдвэрлэлийн хангамж, цахилгаан, утас, кабель, тийрэлтэт турбин, мэс заслын суулгац, нэхмэл эдлэл, усан онгоцны гадаргуу зэрэгт өргөнөөр ашиглаж ирсэн. Антропоген болон байгалийн аль алинд нь хамааралтай байсан боловч үндсэндээ Ни нь антропоген гэхээсээ илүү байгалийн эх үүсвэр юм4,6.Никелийн байгалийн эх үүсвэрт галт уулын дэлбэрэлт, ургамалжилт, ойн түймэр, геологийн үйл явц; Гэсэн хэдий ч хүний ​​үйл ажиллагааны эх үүсвэрт гангийн үйлдвэрлэлийн никель/кадми батерей, цахилгаанаар бүрэх, нуман гагнуур, дизель түлш, мазут, нүүрсний шаталт, хог хаягдал, лагийг шатаахаас үүдэлтэй агаар мандалд ялгарах Никелийн хуримтлал зэрэг орно. 10-р сарын 10-нд ойрын болон ойр орчмын өнгөн хөрсний бохирдлын гол эх үүсвэр нь голчлон никель-зэс хайлуулах үйлдвэрүүд болон уурхайнууд юм. Канадын Садбери никель-зэс боловсруулах үйлдвэрийн орчмын хөрсний дээд хэсэгт никелийн бохирдлын хэмжээ хамгийн өндөр буюу 26,000 мг/кг байсан нь ОХУ-д үйлдвэрлэлийн хэмжээ өндөр байжээ. Норвегийн хөрсөн дэх никелийн агууламж11.Alms et al. 12-р сарын 12-нд тус бүс нутгийн тариалангийн талбайн (ОХУ-ын никель үйлдвэрлэл) HNO3-ын олборлох никелийн хэмжээ 6.25-136.88 мг/кг хооронд хэлбэлзэж, дундаж 30.43 мг/кг, суурь концентраци 25 мг/кг байна. эсвэл хот орчмын хөрс хөрсөнд нэвчүүлэх, бохирдуулах аюултай. Никелийн хүний ​​биед үзүүлэх болзошгүй нөлөө нь мутагенез, хромосомын гэмтэл, Z-ДНХ үүсэх, ДНХ-ийн задралын засвар эсвэл эпигенетик процессоор хорт хавдар үүсгэдэг13. Амьтанд хийсэн туршилтаар никель нь янз бүрийн хорт хавдар, хорт хавдар үүсгэдэг, хорт хавдар үүсгэдэг болохыг тогтоожээ. ийм хавдрыг улам хүндрүүлнэ.
Хөрс, ургамлын харилцаа, хөрс, хөрсний биологийн харилцаа, экологийн доройтол, байгаль орчинд үзүүлэх нөлөөллийн үнэлгээ зэргээс үүдэлтэй эрүүл мэндтэй холбоотой өргөн хүрээний асуудлуудын улмаас хөрсний бохирдлын үнэлгээ сүүлийн үед эрчимтэй хөгжиж байна. Өнөөдрийг хүртэл хөрсөн дэх Ni зэрэг хорт бодис (PTE) -ийг орон зайн урьдчилан таамаглах нь уламжлалт арга, тоон боловсруулалтыг ашиглан цаг хугацаа их шаарддаг. Одоогийн амжилт15 хөрсний урьдчилан таамаглах зураглалыг (ХЗМ) ихээхэн сайжруулсан. Минасни, МакБратни16 нарын үзэж байгаагаар урьдчилан таамагласан хөрсний зураглал (DSM) нь хөрс судлалын томоохон салбар болох нь батлагдсан. Лагачери ба МакБратни, 2006 DSM-ийг "хөрсний орон зайн мэдээллийн системийг бий болгох, дүүргэх, орон зайн хөрсний ажиглалтын аргуудыг ашиглах" гэж тодорхойлсон. болон орон зайн бус хөрсний дүгнэлтийн систем”.McBratney et al. 17 орчин үеийн DSM эсвэл PSM нь PTE, хөрсний төрөл, хөрсний шинж чанарын орон зайн тархалтыг урьдчилан таамаглах эсвэл зураглах хамгийн үр дүнтэй арга юм. Геостатистик ба Машин сургалтын алгоритмууд (MLA) нь компьютерийн тусламжтайгаар чухал бөгөөд хамгийн бага өгөгдөл ашиглан дижитал зураглал үүсгэдэг DSM загварчлалын арга техник юм.
Deutsch18, Olea19 нар геостатистикийг "цаг хугацааны цувааны дүн шинжилгээ нь цаг хугацааны өгөгдлийг хэрхэн тодорхойлдог гэх мэт стохастик загваруудыг голчлон ашигладаг орон зайн шинж чанаруудын төлөөлөлтэй холбоотой тоон аргуудын цуглуулга" гэж тодорхойлсон. Юуны өмнө геостатистик нь өгөгдлийн багц бүрээс орон зайн утгын хамаарлыг тоолж, тодорхойлох боломжийг олгодог вариограммын үнэлгээг агуулдаг20.Gumiaux et al. Геостатистикийн вариограммыг үнэлэх нь (а) өгөгдлийн корреляцийн масштабыг тооцоолох, (б) өгөгдлийн багцын зөрүү дэх анизотропийг тодорхойлох, тооцоолох, (в) хэмжилтийн өгөгдлийн төрөлхийн алдааг харгалзан үзэхээс гадна орон нутгийн нөлөөллөөс тусгаарлагдсан, олон тооны интерполяци хийх зэрэг гурван зарчим дээр суурилдаг болохыг харуулж байна. Ерөнхий кригинг, ко-кригинг, энгийн кригинг, эмпирик Байезийн кригинг, энгийн кригингийн арга болон бусад сайн мэддэг интерполяцийн аргуудыг геостатистикт PTE, хөрсний шинж чанар, хөрсний төрлийг зураглах эсвэл таамаглахад ашигладаг.
Machine Learning Algorithms (MLA) нь шугаман бус өгөгдлийн ангиллыг ашигладаг харьцангуй шинэ техник бөгөөд үндсэндээ өгөгдөл олборлох, өгөгдлийн хэв маягийг тодорхойлох, хөрс судлал, буцаах даалгавар зэрэг шинжлэх ухааны салбарт ангилалд олон удаа хэрэглэгдэх алгоритмуудаар тэжээгддэг. Олон тооны судалгааны баримтууд нь MLA загварт тулгуурладаг. 22 (хөдөө аж ахуйн хөрсөнд хүнд металлын тооцоолол хийх санамсаргүй ой), Сакизадех нар. 23 (тусламжийн вектор машин ба хиймэл мэдрэлийн сүлжээ ашиглан загварчлах) хөрсний бохирдол ).Үүнээс гадна Vega et al. 24 (Хөрсөн дэх хүнд металлын хадгалалт, шингээлтийг загварчлахад зориулсан CART) Sun et al. 25 (cubist-ийн хэрэглээ нь Cd-ийн хөрсөн дэх тархалт) болон k-хамгийн ойрын хөрш, ерөнхий нэмэгдүүлсэн регресс, нэмэгдүүлсэн регресс зэрэг бусад алгоритмуудыг Модууд мөн хөрсөнд PTE-ийг таамаглахын тулд MLA ашигласан.
Таамаглал эсвэл зураглалд DSM алгоритмыг ашиглах нь хэд хэдэн сорилттой тулгардаг. Олон зохиогчид MLA нь геостатистикаас давуу ба эсрэгээрээ гэж үздэг. Хэдийгээр нэг нь нөгөөгөөсөө илүү сайн боловч энэ хоёрын хослол нь DSM15.Woodcock болон Gopal26 Finke27 дахь зураглал эсвэл таамаглалын нарийвчлалын түвшинг сайжруулдаг; Pontius, Cheuk28, Grunwald29 нар урьдчилан таамагласан хөрсний зураглал дахь дутагдал, зарим алдааны талаар тайлбарлаж байна. Хөрсний эрдэмтэд DSM зураглал болон таамаглалын үр нөлөө, нарийвчлал, урьдчилан таамаглах чадварыг оновчтой болгохын тулд янз бүрийн арга техникийг туршиж үзсэн. Тодорхойгүй байдал, баталгаажуулалтын хослол нь DSM-д нэгтгэгдэж, үр дүнтэй байдлыг бууруулах олон янзын талуудын нэг юм. 15 газрын зургийн чанарыг сайжруулахын тулд газрын зураг үүсгэх, урьдчилан таамаглах замаар нэвтрүүлсэн баталгаажуулалтын зан төлөв, тодорхойгүй байдлыг бие даан баталгаажуулах ёстойг тоймлон харуулав. DSM-ийн хязгаарлалт нь тодорхой бус байдлын бүрэлдэхүүн хэсэг болох газарзүйн тархсан хөрсний чанараас шалтгаална; Гэсэн хэдий ч DSM-ийн тодорхой бус байдал нь алдааны олон эх үүсвэрээс, тухайлбал ковариацын алдаа, загварын алдаа, байршлын алдаа, аналитик алдаа 31-ээс үүдэлтэй байж болно. MLA болон геостатистикийн процесст үүссэн загварчлалын алдаа нь ойлголт дутмагтай холбоотой бөгөөд эцэст нь бодит үйл явцыг хэт хялбарчлахад хүргэдэг32. загварчлалын параметрүүд, математик загварын таамаглал эсвэл интерполяци33. Сүүлийн үед геостатистик ба MLA-г зураглал, таамаглалд нэгтгэхийг дэмжсэн шинэ DSM чиг хандлага бий болсон. Сергеев нар зэрэг хэд хэдэн хөрс судлаач, зохиогчид. 34; Субботина нар. 35; Тарасов болон бусад. 36 болон Тарасов нар. 37 нь геостатистик болон машин сургалтын үнэн зөв чанарыг ашиглан таамаглал, зураглалын үр ашгийг дээшлүүлэх эрлийз загваруудыг бий болгосон. чанар. Эдгээр эрлийз эсвэл хосолсон алгоритмын загваруудын зарим нь Хиймэл мэдрэлийн сүлжээний кригинг (ANN-RK), олон давхаргат перцептрон үлдэгдэл кригинг (MLP-RK), ерөнхий регрессийн мэдрэлийн сүлжээний үлдэгдэл кригинг (GR- NNRK)36, хиймэл мэдрэлийн сүлжээний кригинг-олон давхаргат перцептрон-Кингинг (MLP-7) ба Ga-NKan3) юм. Процессын регресс38.
Сергеев нарын үзэж байгаагаар янз бүрийн загварчлалын аргуудыг хослуулах нь түүний дан загварыг боловсруулахаас илүү согогийг арилгах, үр дүнд бий болсон эрлийз загварын үр ашгийг нэмэгдүүлэх боломжтой юм. Энэ хүрээнд энэ шинэ баримт бичигт геостатистикийн болон MLA-ийн хосолсон алгоритмыг ашиглах шаардлагатай гэж үзэж байна. Суурь загвар болох Kriging (EBK) ба үүнийг Support Vector Machine (SVM) болон Multiple Linear Regression (MLR) загваруудтай хольсон. EBK-г ямар ч MLA-тай эрлийзжүүлэх нь тодорхойгүй байна. Харагдсан олон холимог загварууд нь энгийн, үлдэгдэл, регрессийн кригингийн хослолууд бөгөөд MLA.EBK нь геостатистик интерполяци хийх спам, спаститик интерполяцийн арга юм. Орон зайн хэлбэлзлийг бий болгох боломжийг олгодог орон зайн параметрүүдийг тодорхойлсон суурин бус/хөдөлгөөнгүй санамсаргүй талбай39. EBK-ийг фермийн хөрсөнд органик нүүрстөрөгчийн тархалт40 дүн шинжилгээ хийх, хөрсний бохирдлыг үнэлэх41, хөрсний шинж чанарыг зураглах42 зэрэг олон төрлийн судалгаанд ашигласан.
Нөгөө талаас, Өөрийгөө зохион байгуулах график (SeOM) нь Ли нар гэх мэт янз бүрийн нийтлэлд хэрэглэгдэж байсан сургалтын алгоритм юм. 43, Ван нар. 44, Hossain Bhuiyan et al. 45 ба Кебонье нар.46 Элементүүдийн орон зайн шинж чанар, бүлэглэлийг тодорхойлох.Wang et al. SeOM нь шугаман бус асуудлуудыг бүлэглэх, төсөөлөх чадвараараа алдартай сургалтын хүчирхэг техник юм. Үндсэн бүрэлдэхүүн хэсгүүдийн дүн шинжилгээ, тодорхой бус кластер, шаталсан кластер, олон шалгуурт шийдвэр гаргах зэрэг хэв маягийг таних аргуудаас ялгаатай нь SeOM нь PTE загваруудыг зохион байгуулж, тодорхойлохдоо Wang et al. 44, SeOM нь холбогдох нейронуудын тархалтыг орон зайн байдлаар бүлэглэж, өндөр нарийвчлалтай өгөгдлийн дүрслэлийг хангаж чадна.SeOM нь шууд тайлбарлах үр дүнг тодорхойлох хамгийн сайн загварыг олж авахын тулд Ni таамаглалын өгөгдлийг дүрслэн харуулах болно.
Энэхүү баримт бичиг нь хот суурин газрын болон хот орчмын хөрсөнд никелийн агууламжийг урьдчилан таамаглах оновчтой нарийвчлал бүхий бат бөх зураглалын загварыг бий болгохыг зорьж байна. Холимог загварын найдвартай байдал нь үндсэн загварт хавсаргасан бусад загваруудын нөлөөллөөс ихээхэн хамаардаг гэж бид таамаглаж байна. Бид DSM-д тулгарч буй сорилтуудыг хүлээн зөвшөөрч байгаа бөгөөд эдгээр сорилтуудыг олон талт фронтод геостатийн загваруудын хослолоор шийдэж байгаа мэт харагдаж байна. өсөлттэй байх; Иймээс бид холимог загвар гаргаж болох судалгааны асуултуудад хариулахыг хичээх болно. Гэсэн хэдий ч загвар нь зорилтот элементийг таамаглахад хэр үнэн зөв бэ? Мөн баталгаажуулалт, нарийвчлалын үнэлгээнд суурилсан үр ашгийн үнэлгээний түвшин ямар байдаг вэ? Иймээс энэхүү судалгааны тодорхой зорилго нь (a) SVMR эсвэл MLR загварыг (суурь болгон харьцуулах) SVMR эсвэл MLR загварыг ашиглан холимог холимог загварыг бий болгох, (суурь болгон) Хотын болон хот орчмын хөрсөнд Ni-ийн концентрацийг урьдчилан таамаглах хамгийн сайн хольцын загварыг санал болгох ба (г) никелийн орон зайн өөрчлөлтийн өндөр нарийвчлалтай газрын зургийг бий болгохын тулд SeOM ашиглах.
Судалгааг Бүгд Найрамдах Чех улсад, тухайлбал Моравиа-Силезийн бүсийн Фридек Мистек дүүрэгт хийж байна (Зураг 1). Судалгааны талбайн газарзүй нь маш бартаатай бөгөөд гол төлөв Карпатын нурууны гадна талын захын хэсэг болох Моравиа-Силезийн Бескиди мужийн нэг хэсэг юм. Судалгааны талбай нь N°1°1°-аас N°1°-ийн хооронд байрладаг. 20′ 0′ E, өндөр нь 225-аас 327 м-ийн хооронд; Гэсэн хэдий ч тус бүс нутгийн цаг уурын төлөв байдлын Коппен ангиллын систем нь Cfb = далайн сэрүүн уур амьсгалтай, хуурай саруудад ч хур тунадас ихтэй байдаг. Температур нь жилийн туршид -5 ° C-аас 24 ° C-ийн хооронд бага зэрэг өөрчлөгддөг, ховор тохиолдолд -14 ° C-аас доош буюу 30 ° C-аас дээш байдаг бол жилийн дундаж хур тунадас 77 25 мм байна. Нийт талбайн тооцоолсон судалгааны талбай нь 1208 хавтгай дөрвөлжин км бөгөөд тариалангийн талбайн 39.38%, ойн бүрхэвчийн 49.36% юм. Нөгөөтэйгүүр, энэхүү судалгаанд ашигласан талбай нь 889.8 хавтгай дөрвөлжин км.Острава болон түүний эргэн тойронд гангийн үйлдвэр, металлын үйлдвэрүүд маш идэвхтэй байдаг. Агаар мандлын зэврэлтэнд тэсвэртэй) болон хайлштай ган (никель нь уян хатан чанар, бат бөх чанарыг хадгалахын зэрэгцээ хайлшийн бат бөх чанарыг нэмэгдүүлдэг), фосфатын бордоо хэрэглэх, мал аж ахуйн үйлдвэрлэл зэрэг эрчимжсэн газар тариалан зэрэг нь бүс нутагт никелийн боломжит эх үүсвэр юм (жишээ нь, хурганд никель нэмэх, үйлдвэрлэлийн өсөлтийн хурдыг нэмэгдүүлэх). Судалгааны чиглэлээр никель бүрэх, цахилгаангүй никель бүрэх зэрэг үйлдлүүд орно. Хөрсний шинж чанар нь хөрсний өнгө, бүтэц, карбонатын агууламжаас амархан ялгагдах боломжтой. Хөрсний бүтэц нь дундаас нарийн ширхэгтэй, үндсэн материалаас гаралтай. Тэдгээр нь коллювийн, аллювийн эсвэл аэолин шинж чанартай байдаг. Зарим хөрсний хэсэг нь ихэвчлэн гадаргын гадаргуутай, гүний хөрстэй, хөрсний гадаргуутай байдаг. цайруулах.Гэхдээ тус бүс нутагт хамгийн түгээмэл хөрсний төрлүүд нь камбизол ба стагнозол48. 455.1-493.5 м-ийн өндөртэй, БНЧУ-д камбизол зонхилдог49.
Судалгааны бүсийн газрын зураг [Судалгааны бүсийн газрын зургийг ArcGIS Desktop (ESRI, Inc, 10.7 хувилбар, URL: https://desktop.arcgis.com) ашиглан бүтээсэн.]
Фрайдек Мистек дүүргийн хот суурин газрын болон хот орчмын хөрснөөс нийт 115 өнгөн хөрсний дээж авсан. Дээжийн загвар нь хөрсний дээжийг 2 × 2 км-ийн зайд байрлуулсан энгийн сүлжээ бөгөөд өнгөн хөрсийг гар GPS төхөөрөмж ашиглан 0-20 см гүнд хэмжсэн (Leica Zenoamples 5 гэсэн шошготой, GPSS гэсэн шошготой, савлагаатай). Дээжийг агаарт хатааж нунтагласан дээж гаргаж, механик системээр нунтаглаж (Шишүүрийн хэмжээ 2 мм) шигшүүрээр шүүсэн. 1 грамм хатаасан, нэгэн төрлийн болгосон, шигших хөрсний дээжийг тодорхой шошготой тефлон саванд хийнэ. Тефлон саванд тус бүрд 5 мл 3 мл 3 мл-ийн хэмжээтэй хатаасан хөрсний дээж хийнэ. 65% HNO3 (автомат диспенсер ашиглан – хүчил тус бүрт нэг нэгээр), бага зэрэг таглаж, дээжийг нэг шөнийн дотор урвалд оруулна (aqua regia хөтөлбөр) .Дээжийг задлах процессыг хөнгөвчлөхийн тулд дээд давхаргыг халуун металл хавтан дээр (температур: 100 Вт ба 160 ° C) 2 цагийн турш байрлуулж, дараа нь супернатантыг хөргөнө5. ионгүйжүүлсэн усаар 50 мл хүртэл шингэлнэ. Үүний дараа шингэрүүлсэн шингэнийг ионгүйжүүлсэн устай 50 мл PVC хоолойд шүүнэ. Нэмж хэлэхэд 1 мл шингэлэх уусмалыг 9 мл ионгүйжүүлсэн усаар шингэлж, PTE псевдоконцентрацид бэлтгэсэн 12 мл-ийн хоолойд шүүнэ. Концентраци, C, PTE, Cb, Mr. Zn, Ca, Mg, K) ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) стандарт арга, тохиролцооны дагуу тодорхойлсон. Чанарын баталгаажуулалт ба хяналт (QA/QC) процедурыг (SRM NIST 2711a Монтана II Хөрс) баталгаажуулна уу). Энэхүү судалгаанд ашигласан PTE нь 0.0004.(та) юм. Үүнээс гадна шинжилгээ бүрийн чанарын хяналт, чанарын баталгаажуулалтын үйл явц нь лавлагааны стандартад дүн шинжилгээ хийх замаар баталгаажсан. Алдааг багасгахын тулд давхар шинжилгээ хийсэн.
Эмпирик Байесийн кригинг (EBK) нь хөрс судлал зэрэг олон салбарт загварчлалд хэрэглэгддэг геостатистикийн интерполяцийн олон аргуудын нэг юм. Бусад кригингийн интерполяцийн аргуудаас ялгаатай нь EBK нь хагас вариограммын загвараар тооцоолсон алдааг харгалзан үздэгээрээ уламжлалт кригингийн аргуудаас ялгаатай. EBK интерполяцид дан, хэд хэдэн хагас вариограмм интерполяцийн үед ашигладаг. хагасвариограмм.Интерполяцийн аргууд нь хангалттай кригингийн аргын маш нарийн төвөгтэй хэсгийг бүрдүүлдэг хагасвариограммыг зурахтай холбоотой тодорхойгүй байдал, програмчлалыг бий болгодог. EBK-ийн интерполяцийн үйл явц нь Криворучко50-ын санал болгосон гурван шалгуурыг дагаж мөрддөг, (a) загвар нь хагас вариограммыг тооцоолдог (а) оролтын өгөгдлийн багц тус бүрийн таамагласан өгөгдлийн багцад тулгуурлан хагас вариограммыг тооцдог. хагас вариограмм ба (в) загварчилсан өгөгдлийн багцаас эцсийн А загварыг тооцоолно. Байесын тэгшитгэлийн дүрмийг арын хэлбэрээр өгсөн болно.
\(Prob\left(A\right)\) нь өмнөхийг илэрхийлдэг бол \(Prob\left(B\right)\) ахиу магадлалыг ихэнх тохиолдолд үл тоомсорлодог \(Prob (B,A)\ ) . Хагас вариограммын тооцоолол нь Байесийн дүрэмд суурилдаг бөгөөд энэ нь ажиглалтын өгөгдлийн багцын хандлагыг харуулдаг бөгөөд дараа нь semivariogram-ийн утгыг ашиглан үүсгэж болно. Бэйсийн дүрэм нь хагасвариограммаас ажиглалтын өгөгдлийн багц үүсгэх магадлалыг илэрхийлдэг.
Туслах вектор машин нь ижил боловч шугаман бус ангиллыг ялгах оновчтой тусгаарлах гипер хавтгайг үүсгэдэг машин сургалтын алгоритм юм. Vapnik51 нь зорилго ангилах алгоритмыг бүтээсэн боловч саяхан регрессийн баримжаатай асуудлыг шийдвэрлэхэд ашиглагдаж байна. Li et al.52-ын дагуу SVM нь регрессийн төрөл бүрийн бүрэлдэхүүн хэсгүүдийн нэг юм. (Векторын машины регрессийн дэмжлэг – SVMR)-ийг энэ шинжилгээнд ашигласан. Черкасский, Мулиер53 нар SVMR-ийг цөмд суурилсан регрессийн хувьд анхлан гаргасан бөгөөд тооцооллыг олон орны орон зайн функц бүхий шугаман регрессийн загвар ашиглан хийсэн. Жон нар54 SVMR загварчлал нь шугаман бус регрессийн харилцааг үүсгэж, шугаман бус регрессийн хамаарлыг бий болгодог гэж мэдээлсэн. функцууд.Vohland et al.-ийн дагуу. 55, epsilon (ε)-SVMR нь сургагдсан өгөгдлийн багцыг эпсилон мэдрэмжгүй функц болгон дүрслэх загварыг ашигладаг бөгөөд энэ нь харилцан хамаарал бүхий өгөгдлийн сургалтаас авсан хамгийн сайн эпсилон хэвийсэн утга бүхий өгөгдлийг бие даан зураглахад хэрэглэгддэг. Урьдчилан тогтоосон зайны алдааг бодит утгаас үл тоомсорлодог бөгөөд хэрэв алдаа нь ε(ε)-ээс их байвал хөрсний өгөгдлийн цогц шинж чанарыг бүрдүүлдэг. Туслах векторуудын илүү өргөн дэд багц. Vapnik51-ийн санал болгосон тэгшитгэлийг доор үзүүлэв.
Энд b нь скаляр босгыг, \(K\left({x}_{,}{ x}_{k}\right)\) нь цөмийн функцийг, \(\альфа\) нь Лагранжийн үржүүлэгчийг, N тоон өгөгдлийн багцыг, \({x}_{k}\) нь өгөгдлийн оролтыг, өгөгдлийн оролтыг ашигладаг түлхүүр нь \(O)-ыг илэрхийлнэ. Гауссын радиаль суурь функц (RBF) болох SVMR үйл ажиллагаа. RBF цөм нь PTE сургалтын өгөгдлийн хамгийн нарийн торгуулийн багц хүчин зүйл C болон цөмийн параметрийн гамма (γ)-ийг олж авахад чухал ач холбогдолтой SVMR-ийн оновчтой загварыг тодорхойлоход хэрэглэгддэг. Эхлээд бид сургалтын багцыг үнэлж, дараа нь загварын гүйцэтгэлийг туршиж үзлээ. svmRadial.
Олон шугаман регрессийн загвар (MLR) нь хариултын хувьсагч ба хэд хэдэн таамаглагч хувьсагчийн хоорондын хамаарлыг хамгийн бага квадратын аргаар тооцоолсон шугаман нэгтгэсэн параметрүүдийг ашиглан илэрхийлдэг регрессийн загвар юм. MLR-д хамгийн бага квадратын загвар нь тайлбарлагч хувьсагчдыг сонгосны дараа хөрсний шинж чанарыг урьдчилан таамаглах функц юм. Тайлбарлах шугамыг ашиглан хариултыг ашиглах шаардлагатай. тайлбарлагч хувьсагчтай шугаман хамаарлыг тогтоох хувьсагч.MLR тэгшитгэл нь
Энд y нь хариултын хувьсагч, \(a\) нь огтлолцол, n нь таамаглагчдын тоо, \({b}_{1}\) нь коэффициентүүдийн хэсэгчилсэн регресс, \({x}_{ i}\) нь таамаглагч буюу тайлбарлагч хувьсагч, \({\varepsilon }_{i}\) нь мөн загварт мэдэгдэж буй алдааг илэрхийлдэг.
Холимог загваруудыг EBK-ийг SVMR болон MLR-тай хавчуулж гаргаж авсан. Үүнийг EBK интерполяциас урьдчилан таамагласан утгуудыг гаргаж авдаг. Интерполяцлагдсан Ca, K, Mg-ээс олж авсан таамагласан утгуудыг нэгтгэх процессоор олж авч CaK, CaMg, CaMg зэрэг шинэ хувьсагчдыг гаргаж, дараа нь M-ийн дөрөв дэх элементийг олж авдаг. хувьсагч, CaKMg. Ерөнхийдөө олж авсан хувьсагчид нь Ca, K, Mg, CaK, CaMg, KMg болон CaKMg байна. Эдгээр хувьсагч нь бидний таамаглагч болж, хотын болон хотын захын хөрсөнд никелийн концентрацийг таамаглахад тусалсан. SVMR алгоритмыг таамаглагчид дээр гүйцэтгэсэн бөгөөд холимог машин Empirical Bayport Kriup-ийн холимог загварчлалыг гаргаж авсан. (EBK_SVM). Үүний нэгэн адил хувьсагчдыг MLR алгоритмаар дамжуулж, холимог загварыг Эмпирик Байезийн кригинг-Олон шугаман регресс (EBK_MLR) олж авдаг. Ихэвчлэн Ca, K, Mg, CaK, CaMg, KMg, CaKMg хувьсагчдыг хотын пери- болон covariates-д таамаглах байдлаар ашигладаг. хөрс. Олж авсан хамгийн зөвшөөрөгдөх загварыг (EBK_SVM эсвэл EBK_MLR) дараа нь өөрөө зохион байгуулах график ашиглан дүрслэн үзүүлнэ. Энэхүү судалгааны ажлын явцыг Зураг 2-т үзүүлэв.
SeOM-ийг ашиглах нь санхүүгийн салбар, эрүүл мэнд, аж үйлдвэр, статистик, хөрс судлал болон бусад салбарт өгөгдлийг цэгцлэх, үнэлэх, урьдчилан таамаглах түгээмэл хэрэгсэл болсон.SeOM нь зохион байгуулалт, үнэлгээ, таамаглалд зориулсан хиймэл мэдрэлийн сүлжээ, хяналтгүй сургалтын аргуудыг ашиглан бүтээгдсэн. Энэхүү судалгаанд SeOM-ийг хотын захын хамгийн сайн үйл явцын загварт үндэслэн Ni төвлөрлийг төсөөлөхөд ашигласан болно. SeOM үнэлгээнд n оролтын хэмжээст вектор хувьсагч болгон ашигладаг43,56.Melssen et al. 57 нь оролтын векторыг мэдрэлийн сүлжээнд нэг оролтын давхаргаар дамжуулан нэг жингийн вектор бүхий гаралтын вектортой холбохыг дүрсэлдэг. SeOM-ээр үүсгэсэн гаралт нь ойролцоох байдлын дагуу зургаан өнцөгт, дугуй, дөрвөлжин топологийн зураглалд сүлжсэн өөр өөр нейрон эсвэл зангилаанаас бүрдэх хоёр хэмжээст газрын зураг юм. Газрын зургийн хэмжээг харьцуулах (метрик, алдааны загвар (SeQ, алдаа) болон алдааны загвар (SeQ)). 0.086 ба 0.904-ийг тус тус сонгосон бөгөөд энэ нь 55 газрын зургийн нэгж (5 × 11). Нейроны бүтцийг эмпирик тэгшитгэлийн зангилааны тоогоор тодорхойлно.
Энэхүү судалгаанд ашигласан өгөгдлийн тоо 115 түүвэр байна. Өгөгдлийг туршилтын өгөгдөл (баталгаажуулалтын 25%) болон сургалтын өгөгдлийн багц (75% шалгалт тохируулга) болгон хуваахад санамсаргүй аргыг ашигласан. Сургалтын өгөгдлийн багцыг регрессийн загвар (шалгалт тохируулга) үүсгэхэд ашигладаг бөгөөд тестийн өгөгдлийн багцыг ерөнхийлөн тооцоолох чадварыг шалгахад ашигладаг58. Энэ нь янз бүрийн загваруудын агуулгыг урьдчилан таамаглахад тохиромжтой эсэхийг үнэлэх зорилгоор хийгдсэн. ашигласан нь арав дахин хөндлөн баталгаажуулалтын процессоор дамжсан бөгөөд таван удаа давтагдсан. EBK интерполяциар үүсгэсэн хувьсагчдыг зорилтот хувьсагчийг (PTE) таамаглахын тулд урьдчилан таамаглагч эсвэл тайлбарлагч хувьсагч болгон ашигладаг. Загварчлалыг RStudio-д library(Kohonen), library(caret), library(modelr), library("e107),s"ol"tolibaba("e107),s"ol"-ийн багцуудыг ашиглан зохицуулдаг. library("prospectr") болон номын сангууд ("Metrics").
Хөрсөн дэх никелийн агууламжийг урьдчилан таамаглахад тохиромжтой хамгийн сайн загварыг тодорхойлох, загвар болон түүний баталгаажуулалтыг үнэлэхийн тулд янз бүрийн баталгаажуулалтын параметрүүдийг ашигласан. Гибридизацийн загварыг дундаж үнэмлэхүй алдаа (MAE), язгуур квадрат алдаа (RMSE), R-квадрат буюу коэффициент тодорхойлох (R2) ашиглан үнэлэв. загвар.RMSE болон бие даасан хэмжигдэхүүн дэх дисперсийн хэмжээ нь загварын таамаглах хүчийг тодорхойлдог бол MAE нь бодит тоон утгыг тодорхойлдог. Баталгаажуулалтын параметрүүдийг ашиглан хамгийн сайн хольцын загварыг үнэлэхийн тулд R2 утга өндөр байх ёстой, утга 1-д ойртох тусам нарийвчлал өндөр байна.Li et al. 59, R2 шалгуурын утга 0.75 ба түүнээс дээш байвал сайн таамаглагч гэж үзнэ; 0.5-аас 0.75 хүртэлх нь загварын гүйцэтгэлийг хүлээн зөвшөөрч, 0.5-аас доош бол загварын гүйцэтгэлийг хүлээн зөвшөөрөх боломжгүй. RMSE болон MAE баталгаажуулалтын шалгуурын үнэлгээний аргыг ашиглан загварыг сонгохдоо олж авсан доод утгууд нь хангалттай байсан бөгөөд хамгийн сайн сонголт гэж үзсэн. Дараах тэгшитгэл нь баталгаажуулах аргыг тайлбарласан болно.
Энд n нь ажиглагдсан утгын хэмжээг илэрхийлнэ\({Y}_{i}\) хэмжсэн хариуг, \({\widehat{Y}}_{i}\) нь мөн эхний i ажиглалтын хувьд урьдчилан таамагласан хариултын утгыг илэрхийлнэ.
Урьдчилан таамаглагч болон хариултын хувьсагчдын статистик тодорхойлолтыг Хүснэгт 1-д үзүүлэв. Энэ нь дундаж, стандарт хазайлт (SD), хэлбэлзлийн коэффициент (CV), хамгийн бага, максимум, хазайлт, хазайлт зэргийг харуулсан болно. Элементүүдийн хамгийн бага ба хамгийн их утгууд нь Mg < Ca < K < Ni ба Ca < Mg < K < Ni, түүврээс хамаарч буурах дарааллаар байна. Судалгааны талбай нь 4.86-аас 42.39 мг/кг хооронд хэлбэлзэж байв. Ni-ийг дэлхийн дундаж (29 мг/кг) ба Европын дундаж (37 мг/кг)-тай харьцуулах нь судалгааны талбайн нийт тооцоолсон геометрийн дундаж нь зөвшөөрөгдөх хязгаарт багтаж байгааг харуулж байна. Гэсэн хэдий ч Кабата-Пендиас11-ээс харахад одоогийн судалгаанд байгаа соёлын дундаж агууламжийг харьцуулсан байна. Шведэд одоогийн дундаж никелийн агууламж өндөр байгааг харуулж байна. Үүний нэгэн адил хотын болон хот орчмын хөрсөнд Frydek Mistek-ийн дундаж агууламж (Ni 16.15 мг/кг) Польшийн хотын хөрсөн дэх Ni-ийн зөвшөөрөгдөх 60 (10.2 мг/кг) хэмжээнээс өндөр байна. Одоогийн судалгаатай харьцуулахад Тоскан дахь хотын хөрсөнд Ni-ийн дундаж агууламж маш бага (1.78 мг/кг) байна. Жим62 мөн Хонг Конгийн хотын хөрсөнд никелийн бага агууламжийг (12.34 мг/кг) илрүүлсэн нь энэ судалгаагаар одоогийн никелийн агууламжаас доогуур байна. Бирке нар 63 хуучин хотын аж үйлдвэрийн бүсэд Ni-ийн дундаж агууламж 176 мг/кг байна гэж мэдээлсэн. Германы Саксони-Анхальт, энэ нь тухайн нутаг дэвсгэр дэх Ni-ийн дундаж агууламжаас (16.15 мг/кг) 1.45 мг/кг-аар их байсан. Одоогийн судалгаа. Судалгааны талбайн зарим хот, захын бүсүүдийн хөрсөн дэх никелийн хэт их агууламж нь голчлон төмөр, гангийн үйлдвэр, металлын үйлдвэрлэлтэй холбоотой байж болох юм. Энэ нь Ходоуст нартай хийсэн судалгаатай нийцэж байна. 64 гангийн үйлдвэрлэл, металл боловсруулах үйлдвэрүүд нь хөрсний никелийн бохирдлын гол эх үүсвэр болдог. Гэсэн хэдий ч урьдчилан таамаглах хүчин зүйлүүд нь Ca 538.70 мг/кг-аас 69,161.80 мг/кг, К-ийн хувьд 497.51 мг/кг-аас 3535.68 мг/кг, К-ийн хувьд 6905.68 мг/кг, 6905.6 мг/кг хооронд хэлбэлзэж байна. Mg.Jakovljevic нар. 65 Төв Сербийн хөрсний нийт Mg болон K агууламжийг судалсан. Тэд нийт концентраци (410 мг/кг ба 400 мг/кг тус тус) нь одоогийн судалгааны Mg ба К концентрациас бага байгааг олж тогтоосон. Зүүн Польш, Орзеховски, Смолчинскид ялгагдахааргүй, Mg болон К-ийн дундаж агууламжийг үнэлэв. (1100 мг/кг), Mg (590 мг/кг) ба К (810 мг/кг) өнгөн хөрсөн дэх агууламж нь энэ судалгааны нэг элементээс бага байна. Понграк нар саяхан хийсэн судалгаа. Их Британийн Шотландын 3 өөр хөрсөнд (Mylnefield хөрс, Балруддерийн хөрс, Хартвудын хөрс) шинжилгээ хийсэн Ca-ийн нийт агууламж нь энэ судалгаанд Ca агууламж өндөр байгааг харуулж байна.
Дээж авсан элементүүдийн хэмжсэн концентраци өөр өөр байдаг тул элементүүдийн өгөгдлийн багцын тархалт нь өөр өөр хазайлттай байна. Элементүүдийн хазайлт ба муруйлт нь 1.53-аас 7.24, 2.49-54.16 хооронд хэлбэлзэж байна. Тооцоолсон бүх элементүүд нь хазайлт ба куртозын хэмжээнээс дээш +1 байна. зөв чиглэлд хазайж, оргилд хүрэв. Элементүүдийн тооцоолсон CV-ээс харахад K, Mg, Ni, дунд зэргийн хэлбэлзэлтэй байдаг бол Ca нь маш өндөр хэлбэлзэлтэй байдаг. K, Ni, Mg-ийн CV нь тэдний жигд тархалтыг тайлбарладаг. Цаашилбал, Ca тархалт нь жигд бус бөгөөд гадаад эх үүсвэр нь түүний баяжуулалтын түвшинд нөлөөлж болзошгүй.
Урьдчилан таамаглах хувьсагчдын хариу урвалын элементүүдтэй хамаарал нь элементүүдийн хооронд хангалттай хамаарал байгааг харуулж байна (Зураг 3-ыг үзнэ үү). Корреляци нь CaK нь CaNi-тэй адил r утга = 0.53-тай дунд зэргийн хамаарал байгааг харуулж байна. Хэдийгээр Ca, K нь бие биентэйгээ даруухан хамааралтай байгааг Kingston et al. 68 ба Санто69 нь хөрсөн дэх тэдгээрийн түвшин урвуу пропорциональ байгааг харуулж байна. Гэсэн хэдий ч Ca ба Mg нь K-тэй зөрчилддөг боловч CaK нь сайн хамааралтай байдаг. Энэ нь калийн агууламжаас 56% их байдаг калийн карбонат зэрэг бордоо хэрэглэснээс үүдэлтэй байж болох юм. Калийн магнийн сульфат, калийн магнийн нитрат, калийн агууламжийг хөрсөнд түрхэж, тэдгээрийн дутагдлыг нэмэгдүүлдэг. Никель нь Ca, K, Mg-тэй дунд зэргийн хамааралтай бөгөөд r = 0.52, 0.63, 0.55 байна. нарийн төвөгтэй боловч магни нь кальцийн шимэгдэлтийг дарангуйлдаг, кальци нь илүүдэл магнийн нөлөөг бууруулж, магни, кальци хоёулаа хөрсөн дэх никелийн хорт нөлөөг бууруулдаг.
Урьдчилан таамаглагчид болон хариултуудын хоорондын хамаарлыг харуулсан элементүүдийн корреляцийн матриц (Тэмдэглэл: энэ зурагт элементүүдийн хоорондох тархалтын график багтсан бөгөөд ач холбогдлын түвшин p < 0,001 дээр үндэслэсэн болно).
Зураг 4-т элементүүдийн орон зайн тархалтыг харуулав. Burgos et al70-ийн дагуу орон зайн тархалтын хэрэглээ нь бохирдсон газар дахь халуун цэгүүдийг тоолж, тодруулахад ашигладаг арга юм. Зураг 4-т Ca-ийн баяжуулалтын түвшинг орон зайн тархалтын газрын баруун хойд хэсэгт харж болно. Зурагт умард дахь тогоонд хамгийн их халуунаар баяжуулж байгааг харуулж байна. Газрын зураг нь хөрсний хүчиллэгийг бууруулахын тулд шохойн шохойг (кальцийн исэл) ашиглаж, гангийн үйлдвэрт ган хайлуулах үйл явцад шүлтлэг хүчилтөрөгч болгон ашигладагтай холбоотой байх. Нөгөөтэйгүүр, бусад тариаланчид рН-ийг саармагжуулахын тулд хүчиллэг хөрсөнд кальцийн гидроксидыг ашиглахыг илүүд үздэг бөгөөд энэ нь хөрсний кальцийн агууламжийг мөн хамгийн халуун, зүүн бүсийн газрын зурагт харуулж байна. Баруун хойд хэсэг нь хөдөө аж ахуйн томоохон бүлгэм бөгөөд дунд болон өндөр калийн хэв шинж нь NPK болон калийн хэрэглээтэй холбоотой байж болох юм. Энэ нь Мадарас ба Липавски72, Мадарас нар 73, Пулкрабова нар 74, Асаре нар 75 зэрэг бусад судалгаатай нийцэж байгаа бөгөөд тэдгээр нь хөрсөнд KC-ийн агууламж өндөр тогтворжиж, KC-ийн агууламж өндөртэй харьцаж, хөрсөнд NP-ээр эмчлэхэд үр дүн ажиглагдаж байна. Тархалтын газрын баруун хойд хэсэгт байрлах орон зайн калийн баяжуулалт нь калийн хлорид, калийн сульфат, калийн нитрат, поташ, кали зэрэг калийн суурьтай бордоог ашиглан ядуу хөрсний калийн агууламжийг нэмэгдүүлэхтэй холбоотой байж болох юм.Zádorová нар. 76 болон Tlustoš et al. 77-д К-д суурилсан бордоо хэрэглэх нь хөрсөн дэх К-ийн агууламжийг нэмэгдүүлж, урт хугацаанд хөрсний шим тэжээлийн агууламжийг мэдэгдэхүйц нэмэгдүүлэх, ялангуяа K, Mg нь хөрсөнд халуун цэг байгааг харуулж байна. Газрын зургийн баруун хойд болон зүүн өмнөд хэсэгт харьцангуй дунд зэргийн халуун цэгүүд байна. Хөрс дэх коллоид тогтоц нь хөрсөнд агуулагдах магни багасахад хүргэдэг. шаргал судал хоорондын хлороз илэрдэг. Калийн магнийн сульфат, магнийн сульфат, кизерит зэрэг магнийн суурьтай бордоо нь хэвийн рН-ийн хэлбэлзэлтэй хөрсөн дэх дутагдлыг эмчилдэг (ургамал нь нил ягаан, улаан, хүрэн өнгөтэй байдаг нь магнийн дутагдлыг илтгэнэ). хөдөө аж ахуй зэрэг хүний ​​үйл ажиллагаа, зэвэрдэггүй гангийн үйлдвэрлэлд никелийн ач холбогдол78.
Элементүүдийн орон зайн хуваарилалт [орон зайн тархалтын зургийг ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) ашиглан бүтээсэн.]
Энэхүү судалгаанд ашигласан элементүүдийн гүйцэтгэлийн загварын индексийн үр дүнг Хүснэгт 2-т үзүүлэв. Нөгөөтэйгүүр Ni-ийн RMSE ба MAE хоёулаа тэгтэй ойролцоо байна (0.86 RMSE, -0.08 MAE). Нөгөө талаас K-ийн RMSE болон MAE утгууд хоёулаа зөвшөөрөгдөх боломжтой. RMSE болон MAE үр дүн нь кальци, RMSE болон магний нөлөөллөөс хамаарч өөр өөр байна. өгөгдлийн багц. Ni-ийг таамаглахад EBK ашигласан энэхүү судалгааны RMSE болон MAE нь John et al. 54 ижил цуглуулсан өгөгдлүүдийг ашиглан хөрсөн дэх S-ийн концентрацийг таамаглахад синергетик кригинг ашиглан 54. Бидний судалсан EBK гаралт нь Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 болон John et al. 82, ялангуяа К ба Ни.
Хот болон хот орчмын хөрсөнд никелийн агуулгыг урьдчилан таамаглах бие даасан аргуудын гүйцэтгэлийг загваруудын гүйцэтгэлийг ашиглан үнэлэв (Хүснэгт 3). Загварын баталгаажуулалт, нарийвчлалын үнэлгээ нь Ca_Mg_K таамаглагчийг EBK SVMR загвартай хослуулан хамгийн сайн гүйцэтгэлийг өгсөн болохыг баталсан. Тохируулгын загвар Ca_MgRM2, язгуурын дундаж алдаа (REBKRM2) Үнэмлэхүй алдаа (MAE) нь 0.637 (R2), 95.479 мг/кг (RMSE) ба 77.368 мг/кг (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 мг/кг (RMSE) ба 166.946 мг/кг (MAE2-аас бага) байсан. Ca_Mg_K-SVMR (0.663 мг/кг R2) ба Ca_Mg-EBK_SVMR (0.643 = R2); Тэдний RMSE болон MAE үр дүн нь Ca_Mg_K-EBK_SVMR (R2 0.637)-аас өндөр байсан (Хүснэгт 3-ыг үзнэ үү). Үүнээс гадна Ca_Mg-EBK_SVMR (RMSE = 1664.64 ба MAE = 1031.49) загварын RMSE ба MAE нь 135-аас их байна. Ca_Mg_K-EBK_SVMR. Үүний нэгэн адил Ca_Mg-K SVMR (RMSE = 235.974 ба MAE = 166.946) загварын RMSE ба MAE нь Ca_Mg_K-EBK_SVMR загвараас 2.5 ба 2.2-оор их байна. хамгийн сайн тохирох шугам. Өндөр RSME болон MAE ажиглагдсан. Kebonye et al. 46 ба Жон нар. 54, RMSE болон MAE нь тэг рүү ойртох тусам үр дүн нь сайн байх болно.SVMR болон EBK_SVMR нь RSME болон MAE-ийн тоон утгуудаас өндөр байна. RSME-ийн тооцоолол нь MAE утгуудаас тогтмол өндөр байгаа нь хэт давсан үзүүлэлт байгааг харуулж байна. өгөгдлийн багц нь олон төрлийн бус байх тусам MAE болон RMSE-ийн утга өндөр байна гэсэн үг юм. Хотын болон хотын захын хөрсөнд Ni-ийн агууламжийг урьдчилан таамаглах Ca_Mg_K-EBK_SVMR холимог загварын хөндлөн баталгаажуулалтын үнэлгээний нарийвчлал нь 63.70% байсан.Li et al. 59, нарийвчлалын энэ түвшин нь хүлээн зөвшөөрөгдөх загвар гүйцэтгэлийн түвшин юм. Одоогийн үр дүнг Тарасов нар өмнөх судалгаатай харьцуулсан болно. 36-ийн эрлийз загвар нь одоогийн судалгаанд мэдээлэгдсэн EBK_SVMR нарийвчлалын үнэлгээний индекстэй холбоотой MLPRK (Multilayer Perceptron Residual Kriging)-ийг үүсгэсэн RMSE (210) ба MAE (167.5) нь одоогийн судалгааны үр дүнгээс (RMSE 95.479, MAE67-ийн өмнөх үеийнхээс) өндөр байсан. Тарасов нартай хийсэн одоогийн судалгаа (0.637). 36 (0.544)-ээс харахад энэ холимог загварт детерминацийн коэффициент (R2) өндөр байгаа нь тодорхой байна. Холимог загварын алдааны хэмжээ (RMSE ба MAE) (EBK SVMR) хоёр дахин бага байна. Үүний нэгэн адил, Сергеев нар.34 боловсруулсан эрлийз загварт (Multilay-ийн судалгаанд) 0.28 (R2) тэмдэглэсэн байна. 0.637 (R2). Энэ загварын таамаглалын нарийвчлалын түвшин (EBK SVMR) 63.7%, харин Сергеев нар олж авсан таамаглалын нарийвчлал. 34 нь 28% байна. EBK_SVMR загвар болон Ca_Mg_K-ийг урьдчилан таамаглагч болгон ашиглан бүтээсэн эцсийн газрын зураг (Зураг. 5) нь судалгааны бүх талбайн халуун цэгүүд болон дунд болон никелийн таамаглалыг харуулж байна. Энэ нь судалгааны бүс дэх никелийн агууламж голчлон дунд зэрэг, зарим тодорхой бүс нутагт илүү өндөр агууламжтай гэсэн үг юм.
Эцсийн таамаглалын газрын зургийг EBK_SVMR эрлийз загвар болон таамаглагч болгон Ca_Mg_K ашиглан дүрсэлсэн болно.[Орон зайн тархалтын газрын зургийг RStudio (хувилбар 1.4.1717: https://www.rstudio.com/) ашиглан үүсгэсэн.]
Зураг 6-д PTE-ийн концентрацийг бие даасан нейронуудаас бүрдсэн найрлагын хавтгайд үзүүлэв. Бүрэлдэхүүн хэсгүүдийн аль нь ч зурагт үзүүлсэнтэй ижил өнгийн хэв маягийг харуулсангүй. Гэсэн хэдий ч зурсан газрын зураг бүрт нейроны тохирох тоо 55 байна. SeOM нь янз бүрийн өнгө ашиглан үйлдвэрлэгддэг ба өнгөний хэв маяг их байх тусам дээжийн шинж чанар нь тэдгээрийн шинж чанар, тэдгээрийн өнгө, элементийн хуваарийн дагуу харьцуулж болно. Mg) нь дан өндөр мэдрэлийн эсүүд болон ихэнх бага мэдрэлийн эсүүдтэй ижил төстэй өнгөний хэв маягийг харуулсан. Иймээс CaK болон CaMg нь маш өндөр эрэмбийн мэдрэлийн эсүүд болон бага-дунд зэргийн өнгөний хэв маягтай зарим ижил төстэй талуудыг хуваалцдаг. Хоёр загвар нь улаан, улбар шар, шар зэрэг дундаас өндөр өнгийг харуулах замаар хөрсөн дэх Ni-ийн концентрацийг урьдчилан таамагладаг. KMg загвар нь олон тооны өндөр болон дунд зэргийн өнгөт хээ дээр суурилан харуулдаг. Баганаас өндөр хүртэл нарийн өнгөний хуваарь, загварын бүрэлдэхүүн хэсгүүдийн хавтгай тархалтын загвар нь хөрсөн дэх никелийн боломжит концентрацийг харуулсан өндөр өнгөний хэв маягийг харуулсан (Зураг 4-ийг үз). CakMg загварын бүрэлдэхүүн хэсгийн хавтгай нь нарийн өнгөт хуваарийн дагуу баганаас өндөр хүртэлх олон төрлийн өнгөний хэв маягийг харуулж байна. Цаашилбал, загварын таамаглал нь никелийн агууламжийн тархалтыг (Cakckni-д ижил төстэй байдлаар) харуулж байна. 5.Хоёр графикт хот суурин газрын болон хот орчмын хөрсөнд никелийн агууламжийн их, дунд, бага хувь хэмжээг харуулж байна. Зураг 7-д загвар тус бүрийн таамагласан утгыг үндэслэн гурван кластерт хуваасан k-орлогын бүлэгт контурын аргыг дүрсэлсэн болно. Контурын арга нь цуглуулсан кластеруудын оновчтой тоог харуулж байна. дээж, 74. 2-р кластер 33 дээж, 3-р кластер 8 дээж хүлээн авсан. Долоон бүрэлдэхүүн хэсэгтэй хавтгай урьдчилан таамаглагчийн хослолыг кластерын зөв тайлбарлахын тулд хялбаршуулсан. Хөрс үүсэхэд нөлөөлж буй олон тооны антропоген болон байгалийн үйл явцын улмаас тархсан SeOM78-д кластерийн хэв маягийг зөв ялгахад хэцүү байдаг.
Эмпирик Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) хувьсагч бүрийн бүрэлдэхүүн хэсгийн хавтгай гаралт.[SeOM газрын зургийг RStudio (1.4.1717 хувилбар: https://www.rstudio.com/) ашиглан үүсгэсэн.]
Өөр өөр кластер ангиллын бүрэлдэхүүн хэсгүүд [SeOM газрын зургийг RStudio ашиглан үүсгэсэн (хувилбар 1.4.1717: https://www.rstudio.com/).]
Одоогийн судалгаа нь хот суурин газрын болон хот орчмын хөрсөнд никелийн агууламжийг загварчлах арга техникийг тодорхой харуулж байна. Судалгаагаар хөрсөн дэх никелийн концентрацийг урьдчилан таамаглах хамгийн сайн аргыг олж авахын тулд янз бүрийн загварчлалын техникийг элементүүдийг загварчлалын техниктэй хослуулсан. Орон зайн тархалтын зураг нь EBK_SVMR-д үзүүлсэн бүрэлдэхүүн хэсгүүдийн хавтгай орон зайн тархалтыг баталж байна (Зураг 5-ыг үзнэ үү). Үр дүнгээс харахад дэмжлэгийн вектор машины регрессийн загвар (Ca Mg K-SVMR) нь хөрсөн дэх Ni-ийн концентрацийг нэг загвараар урьдчилан таамаглаж байгаа боловч баталгаажуулалт, нарийвчлалын үнэлгээний параметрүүд нь RMSE болон бусад загварчлалын техникийг ашиглахад маш өндөр алдаатай байгааг харуулж байна. EBK_MLR загвар нь детерминацийн коэффициентийн (R2) бага утгаас шалтгаалж мөн алдаатай байна. EBK SVMR болон RMSE болон MAE бага алдаатай 63.7%-ийн нарийвчлалтай хосолсон элементүүдийг (CaKMg) ашиглан сайн үр дүнд хүрсэн. EBK алгоритмыг машин сурах алгоритмтай хослуулах нь алгоритм үүсгэх боломжтой болох нь харагдаж байна. Энэ нь хөрсөн дэх PTE-ийн концентрацийг урьдчилан таамаглах боломжтой. Судалгааны талбай дахь Ni-ийн концентрацийг урьдчилан таамаглахад Ca Mg K-ийг урьдчилан таамаглах хүчин зүйл болгон ашиглах нь хөрсөнд Ni-ийн таамаглалыг сайжруулах боломжтой болохыг харуулж байна. Энэ нь гангийн үйлдвэрүүд никель бордоог тасралтгүй хэрэглэх, хөрсийг үйлдвэрлэлийн бохирдлыг бий болгох нь хөрсөн дэх никелийн агууламжийг нэмэгдүүлэх хандлагатай байна гэсэн үг юм. хот суурин газрын болон хот орчмын хөрсөнд хөрсний орон зайн тархалтын загвар. Ерөнхийдөө бид хөрсөн дэх PTE-ийг үнэлэх, таамаглахад EBK-SVMR загварыг ашиглахыг санал болгож байна; Нэмж дурдахад бид янз бүрийн машин сургалтын алгоритмуудтай эрлийзжүүлэхэд EBK ашиглахыг санал болгож байна. Ni концентрацийг элементүүдийг ковариат болгон ашиглан урьдчилан таамагласан; гэхдээ илүү олон ковариат ашиглах нь загварын гүйцэтгэлийг ихээхэн сайжруулах бөгөөд энэ нь одоогийн ажлын хязгаарлалт гэж үзэж болно. Энэхүү судалгааны өөр нэг хязгаарлалт нь өгөгдлийн багцын тоо 115 байна. Иймд хэрэв илүү олон өгөгдөл өгөх юм бол санал болгож буй оновчтой эрлийзжүүлэх аргын гүйцэтгэлийг сайжруулах боломжтой.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021 оны 4-р сарын 28-нд хандсан).
Каспрзак, К.С.Никель орчин үеийн байгаль орчны токсиологи.орч.токсологи дахь дэвшил.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Түүний эх сурвалж, хүрээлэн буй орчны токсикологийн тойм. Польш Ж. Байгаль орчин. Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Канадын Онтарио мужийн Садбери дахь никель-зэс хайлуулах үйлдвэрийн ойролцоох хөрс, ургамалд агаар мандалд орж буй бохирдуулагч бодис, хуримтлал.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Ботсвана дахь Селеби-Пиквегийн зэс-никелийн уурхайн ойролцоох хөрсөн дэх хүнд металл, ургамал, бэлчээрийн хивэгч малтай холбоотой эрсдэл.
Cabata-Pendias.Kabata-Pendias A. 2011. Хөрс дэх ул мөр элемент ба… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Хөрс+ба+ургамал дахь+элементүүд.+4-р+хэвлэл.+Нью+Йорк+%28NY%29%3A+CRC+Press&btnG= (2020 оны 11-р сарын 24-нд хандсан).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Оросын никель үйлдвэрлэлийн Норвегийн Соер-Варангер дахь хөдөө аж ахуйн хөрс, өвс ургамал дахь хүнд металлын агууламжид үзүүлэх нөлөө.agris.fao.org.
Nielsen, GD et al. Ундны усанд никелийн шингээлт ба хадгалалт нь хүнсний хэрэглээ болон никелийн мэдрэмжтэй холбоотой. токсикологи. Хэрэглээ. Фармакодинамик.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, мутаци, эпигенетик эсвэл сонгомол. хүрээлэн буй орчин. Эрүүл мэндийн хэтийн төлөв.107, 2 (1999).
Ажман, PC; Ажадо, SK; Борувка, Л.; Бини, JKM; Саркоди, VYO; Кобонье, НМ; Хортой байж болзошгүй 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.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and some Lessons.Geoderma 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 Геостатистик усан сангийн загварчлал,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Геостатистикийн+Усан сангийн загварчлал%2C +Oxford+University+Press%2C+376+pages.+&btnG= (2021 оны 4-р сарын 28-нд хандсан).