Terima kasih kerana melayari Nature.com. Versi pelayar yang anda gunakan mempunyai sokongan CSS yang terhad. Untuk pengalaman terbaik, kami mengesyorkan anda menggunakan pelayar yang dikemas kini (atau mematikan mod keserasian dalam Internet Explorer). Sementara itu, untuk memastikan sokongan berterusan, kami akan memaparkan laman web tanpa gaya dan JavaScript.
Pencemaran tanah merupakan masalah besar yang disebabkan oleh aktiviti manusia. Taburan ruang unsur-unsur berpotensi toksik (PTE) berbeza-beza di kebanyakan kawasan bandar dan pinggir bandar. Oleh itu, sukar untuk meramalkan kandungan PTE dalam tanah tersebut secara ruang. Sebanyak 115 sampel telah diperoleh daripada Frydek Mistek di Republik Czech. Kepekatan kalsium (Ca), magnesium (Mg), kalium (K) dan nikel (Ni) telah ditentukan menggunakan spektrometri pelepasan plasma bergandingan secara induktif. Pembolehubah tindak balas ialah Ni dan peramalnya ialah Ca, Mg, dan K. Matriks korelasi antara pembolehubah tindak balas dan pembolehubah peramal menunjukkan korelasi yang memuaskan antara unsur-unsur tersebut. Keputusan ramalan menunjukkan bahawa Regresi Mesin Vektor Sokongan (SVMR) menunjukkan prestasi yang baik, walaupun anggaran ralat punca kuasa dua min (RMSE) (235.974 mg/kg) dan ralat mutlak min (MAE) (166.946 mg/kg) adalah lebih tinggi daripada kaedah lain yang digunakan. Model campuran untuk Regresi Linear Berbilang Bayesian Kriging-Empirikal (EBK-MLR) menunjukkan prestasi yang buruk, seperti yang dibuktikan. dengan pekali penentuan kurang daripada 0.1. Model Regresi Mesin Vektor Sokongan Bayesian Kriging Empirikal (EBK-SVMR) adalah model terbaik, dengan nilai RMSE (95.479 mg/kg) dan MAE (77.368 mg/kg) yang rendah dan pekali penentuan yang tinggi (R2 = 0.637). Output teknik pemodelan EBK-SVMR divisualisasikan menggunakan peta pengatur kendiri. Neuron berkelompok dalam satah model hibrid komponen CakMg-EBK-SVMR menunjukkan pelbagai corak warna yang meramalkan kepekatan Ni dalam tanah bandar dan peri-bandar. Keputusan menunjukkan bahawa menggabungkan EBK dan SVMR adalah teknik yang berkesan untuk meramalkan kepekatan Ni dalam tanah bandar dan peri-bandar.
Nikel (Ni) dianggap sebagai mikronutrien untuk tumbuhan kerana ia menyumbang kepada penetapan nitrogen atmosfera (N) dan metabolisme urea, yang kedua-duanya diperlukan untuk percambahan biji benih. Selain sumbangannya kepada percambahan biji benih, Ni boleh bertindak sebagai perencat kulat dan bakteria serta menggalakkan perkembangan tumbuhan. Kekurangan nikel dalam tanah membolehkan tumbuhan menyerapnya, mengakibatkan klorosis daun. Contohnya, kacang lembu dan kacang buncis memerlukan penggunaan baja berasaskan nikel untuk mengoptimumkan penetapan nitrogen2. Penggunaan baja berasaskan nikel yang berterusan untuk memperkayakan tanah dan meningkatkan keupayaan kekacang untuk menetapkan nitrogen dalam tanah secara berterusan meningkatkan kepekatan nikel dalam tanah. Walaupun nikel adalah mikronutrien untuk tumbuhan, pengambilannya yang berlebihan dalam tanah boleh membawa lebih banyak keburukan daripada kebaikan. Ketoksikan nikel dalam tanah meminimumkan pH tanah dan menghalang pengambilan zat besi sebagai nutrien penting untuk pertumbuhan tumbuhan1. Menurut Liu3, Ni didapati sebagai unsur penting ke-17 yang diperlukan untuk perkembangan dan pertumbuhan tumbuhan. Selain peranan nikel dalam perkembangan dan pertumbuhan tumbuhan, manusia memerlukannya untuk pelbagai aplikasi. Penyaduran elektro, penghasilan baja berasaskan nikel aloi, dan pembuatan peranti pencucuh dan palam pencucuh dalam industri automotif semuanya memerlukan penggunaan nikel dalam pelbagai sektor perindustrian. Di samping itu, aloi berasaskan nikel dan artikel bersadur elektrik telah digunakan secara meluas dalam peralatan dapur, aksesori dewan tarian, bekalan industri makanan, elektrik, wayar dan kabel, turbin jet, implan pembedahan, tekstil dan pembinaan kapal5. Tahap kaya Ni dalam tanah (iaitu, tanah permukaan) telah dikaitkan dengan sumber antropogenik dan semula jadi, tetapi terutamanya, Ni adalah sumber semula jadi dan bukannya antropogenik4,6. Sumber semula jadi nikel termasuk letusan gunung berapi, tumbuh-tumbuhan, kebakaran hutan dan proses geologi; walau bagaimanapun, sumber antropogenik termasuk bateri nikel/kadmium dalam industri keluli, penyaduran elektrik, kimpalan arka, diesel dan minyak bahan api dan pelepasan atmosfera daripada pembakaran arang batu dan pembakaran sisa dan enap cemar Pengumpulan nikel7,8. Menurut Freedman dan Hutchinson9 dan Manyiwa et al. 10, sumber utama pencemaran tanah atas di persekitaran terdekat dan bersebelahan terutamanya adalah pelebur dan lombong berasaskan nikel-kuprum. Tanah atas di sekitar kilang penapisan nikel-kuprum Sudbury di Kanada mempunyai tahap pencemaran nikel tertinggi pada 26,000 mg/kg11. Sebaliknya, pencemaran daripada pengeluaran nikel di Rusia telah mengakibatkan kepekatan nikel yang lebih tinggi dalam tanah Norway11. Menurut Alms et al. 12, jumlah nikel yang boleh diekstrak HNO3 di tanah pertanian teratas di rantau ini (pengeluaran nikel di Rusia) adalah antara 6.25 hingga 136.88 mg/kg, bersamaan dengan purata 30.43 mg/kg dan kepekatan asas 25 mg/kg. Menurut kabata 11, penggunaan baja fosforus dalam tanah pertanian di tanah bandar atau peri-bandar semasa musim tanaman berturut-turut boleh meresap atau mencemari tanah. Kesan berpotensi nikel pada manusia boleh menyebabkan kanser melalui mutagenesis, kerosakan kromosom, penjanaan Z-DNA, pembaikan pengasingan DNA yang disekat, atau proses epigenetik13. Dalam eksperimen haiwan, nikel didapati berpotensi menyebabkan pelbagai tumor, dan kompleks nikel karsinogenik boleh memburukkan lagi tumor tersebut.
Penilaian pencemaran tanah telah berkembang pesat kebelakangan ini disebabkan oleh pelbagai isu berkaitan kesihatan yang timbul daripada hubungan tanah-tumbuhan, hubungan biologi tanah dan tanah, degradasi ekologi, dan penilaian impak alam sekitar. Sehingga kini, ramalan spatial bagi unsur-unsur berpotensi toksik (PTE) seperti Ni dalam tanah telah menjadi sukar dan memakan masa menggunakan kaedah tradisional. Kemunculan pemetaan tanah digital (DSM) dan kejayaannya sekarang15 telah meningkatkan pemetaan tanah ramalan (PSM) dengan ketara. Menurut Minasny dan McBratney16, pemetaan tanah ramalan (DSM) telah terbukti sebagai subdisiplin sains tanah yang terkemuka. Lagacherie dan McBratney, 2006 mentakrifkan DSM sebagai "penciptaan dan pengisian sistem maklumat tanah spatial melalui penggunaan kaedah pemerhatian in situ dan makmal serta sistem inferens tanah spatial dan bukan spatial". McBratney et al. 17 menggariskan bahawa DSM atau PSM kontemporari adalah teknik yang paling berkesan untuk meramalkan atau memetakan taburan ruang PTE, jenis tanah dan sifat tanah. Geostatistik dan Algoritma Pembelajaran Mesin (MLA) ialah teknik pemodelan DSM yang mencipta peta digital dengan bantuan komputer menggunakan data yang signifikan dan minimum.
Deutsch18 dan Olea19 mentakrifkan geostatistik sebagai “koleksi teknik berangka yang berkaitan dengan perwakilan atribut ruang, terutamanya menggunakan model stokastik, seperti bagaimana analisis siri masa mencirikan data temporal.” Terutamanya, geostatistik melibatkan penilaian variogram, yang membolehkan Mengkuantifikasi dan menentukan kebergantungan nilai ruang daripada setiap set data20. Gumiaux et al. 20 seterusnya menggambarkan bahawa penilaian variogram dalam geostatistik adalah berdasarkan tiga prinsip, termasuk (a) mengira skala korelasi data, (b) mengenal pasti dan mengira anisotropi dalam ketaksamaan set data dan (c) sebagai tambahan kepada Selain mengambil kira ralat bawaan data pengukuran yang dipisahkan daripada kesan setempat, kesan kawasan juga dianggarkan. Berdasarkan konsep ini, banyak teknik interpolasi digunakan dalam geostatistik, termasuk kriging umum, kriging bersama, kriging biasa, kriging Bayesian empirikal, kaedah kriging mudah dan teknik interpolasi lain yang terkenal untuk memetakan atau meramalkan PTE, ciri tanah dan jenis tanah.
Algoritma Pembelajaran Mesin (MLA) ialah teknik yang agak baharu yang menggunakan kelas data tak linear yang lebih besar, didorong oleh algoritma yang digunakan terutamanya untuk perlombongan data, mengenal pasti corak dalam data dan berulang kali digunakan untuk pengelasan dalam bidang saintifik seperti sains tanah dan tugasan pemulangan. Banyak kertas penyelidikan bergantung pada model MLA untuk meramalkan PTE dalam tanah, seperti Tan et al. 22 (hutan rawak untuk anggaran logam berat dalam tanah pertanian), Sakizadeh et al. 23 (pemodelan menggunakan mesin vektor sokongan dan rangkaian saraf buatan) pencemaran tanah). Di samping itu, Vega et al. 24 (CART untuk pemodelan pengekalan dan penjerapan logam berat dalam tanah) Sun et al. 25 (aplikasi kubis ialah taburan Cd dalam tanah) dan algoritma lain seperti k-jiran terdekat, regresi rangsangan umum dan regresi rangsangan. Trees juga menggunakan MLA untuk meramalkan PTE dalam tanah.
Aplikasi algoritma DSM dalam ramalan atau pemetaan menghadapi beberapa cabaran. Ramai penulis percaya bahawa MLA adalah lebih baik daripada geostatistik dan sebaliknya. Walaupun satu lebih baik daripada yang lain, gabungan kedua-duanya meningkatkan tahap ketepatan pemetaan atau ramalan dalam DSM15. Woodcock dan Gopal26 Finke27; Pontius dan Cheuk28 dan Grunwald29 mengulas tentang kekurangan dan beberapa ralat dalam pemetaan tanah yang diramalkan. Saintis tanah telah mencuba pelbagai teknik untuk mengoptimumkan keberkesanan, ketepatan dan kebolehramalan pemetaan dan ramalan DSM. Gabungan ketidakpastian dan pengesahan adalah salah satu daripada banyak aspek berbeza yang disepadukan ke dalam DSM untuk mengoptimumkan keberkesanan dan mengurangkan kecacatan. Walau bagaimanapun, Agyeman et al. 15 menggariskan bahawa tingkah laku pengesahan dan ketidakpastian yang diperkenalkan oleh penciptaan peta dan ramalan harus disahkan secara bebas untuk meningkatkan kualiti peta. Batasan DSM adalah disebabkan oleh kualiti tanah yang tersebar secara geografi, yang melibatkan komponen ketidakpastian; Walau bagaimanapun, kekurangan kepastian dalam DSM mungkin timbul daripada pelbagai sumber ralat, iaitu ralat kovariat, ralat model, ralat lokasi dan Ralat analitikal 31. Ketidaktepatan pemodelan yang disebabkan dalam proses MLA dan geostatistik dikaitkan dengan kekurangan pemahaman, yang akhirnya membawa kepada penyederhanaan proses sebenar yang berlebihan32. Tanpa mengira sifat pemodelan, ketidaktepatan boleh dikaitkan dengan parameter pemodelan, ramalan model matematik atau interpolasi33. Baru-baru ini, trend DSM baharu telah muncul yang menggalakkan penyepaduan geostatistik dan MLA dalam pemetaan dan ramalan. Beberapa saintis dan penulis tanah, seperti Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 dan Tarasov et al. 37 telah mengeksploitasi kualiti geostatistik dan pembelajaran mesin yang tepat untuk menghasilkan model hibrid yang meningkatkan kecekapan ramalan dan pemetaan. kualiti. Sebahagian daripada model algoritma hibrid atau gabungan ini ialah Kriging Rangkaian Neural Buatan (ANN-RK), Kriging Sisa Perseptron Berbilang Lapisan (MLP-RK), Kriging Sisa Rangkaian Neural Regresi Umum (GR-NNRK)36, Kriging Rangkaian Neural Buatan-Perseptron Berbilang Lapisan (ANN-K-MLP)37 dan Ko-Kriging dan Regresi Proses Gaussian38.
Menurut Sergeev et al., menggabungkan pelbagai teknik pemodelan berpotensi untuk menghapuskan kecacatan dan meningkatkan kecekapan model hibrid yang terhasil daripada membangunkan model tunggalnya. Dalam konteks ini, kertas kerja baharu ini berpendapat bahawa adalah perlu untuk menggunakan algoritma gabungan geostatistik dan MLA untuk mencipta model hibrid optimum bagi meramalkan pengayaan Ni di kawasan bandar dan pinggir bandar. Kajian ini akan bergantung pada Empirical Bayesian Kriging (EBK) sebagai model asas dan mencampurkannya dengan model Support Vector Machine (SVM) dan Regresi Linear Berganda (MLR). Hibridisasi EBK dengan mana-mana MLA tidak diketahui. Model campuran berganda yang dilihat adalah gabungan kriging biasa, baki, regresi, dan MLA. EBK ialah kaedah interpolasi geostatistik yang menggunakan proses stokastik ruang yang dilokalisasikan sebagai medan rawak tidak pegun/pegun dengan parameter penyetempatan yang ditakrifkan di atas medan, yang membolehkan variasi ruang39. EBK telah digunakan dalam pelbagai kajian, termasuk menganalisis taburan karbon organik dalam tanah ladang40, menilai pencemaran tanah41 dan memetakan tanah. sifat-sifat42.
Sebaliknya, Graf Penyusunan Sendiri (SeOM) ialah algoritma pembelajaran yang telah diaplikasikan dalam pelbagai artikel seperti Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 dan Kebonye et al. 46 Menentukan atribut ruang dan pengelompokan elemen. Wang et al. 44 menggariskan bahawa SeOM ialah teknik pembelajaran yang hebat yang dikenali kerana keupayaannya untuk mengumpulkan dan membayangkan masalah tak linear. Tidak seperti teknik pengecaman corak lain seperti analisis komponen utama, pengelompokan kabur, pengelompokan hierarki dan pembuatan keputusan berbilang kriteria, SeOM lebih baik dalam mengatur dan mengenal pasti corak PTE. Menurut Wang et al. 44, SeOM boleh mengumpulkan taburan neuron berkaitan secara ruang dan menyediakan visualisasi data resolusi tinggi. SeOM akan memvisualisasikan data ramalan Ni untuk mendapatkan model terbaik bagi mencirikan keputusan untuk tafsiran langsung.
Kertas kerja ini bertujuan untuk menghasilkan model pemetaan yang teguh dengan ketepatan optimum untuk meramalkan kandungan nikel dalam tanah bandar dan peri-bandar. Kami membuat hipotesis bahawa kebolehpercayaan model campuran bergantung terutamanya pada pengaruh model lain yang dilampirkan pada model asas. Kami mengakui cabaran yang dihadapi oleh DSM, dan walaupun cabaran ini ditangani dalam pelbagai aspek, gabungan kemajuan dalam geostatistik dan model MLA nampaknya bertambah; oleh itu, kami akan cuba menjawab soalan penyelidikan yang mungkin menghasilkan model campuran. Walau bagaimanapun, sejauh manakah ketepatan model dalam meramalkan elemen sasaran? Selain itu, apakah tahap penilaian kecekapan berdasarkan pengesahan dan penilaian ketepatan? Oleh itu, matlamat khusus kajian ini adalah untuk (a) mencipta model campuran gabungan untuk SVMR atau MLR menggunakan EBK sebagai model asas, (b) membandingkan model yang terhasil (c) mencadangkan model campuran terbaik untuk meramalkan kepekatan Ni dalam tanah bandar atau peri-bandar, dan (d) aplikasi SeOM untuk mencipta peta resolusi tinggi variasi ruang nikel.
Kajian ini sedang dijalankan di Republik Czech, khususnya di daerah Frydek Mistek di wilayah Moravia-Silesia (lihat Rajah 1). Geografi kawasan kajian adalah sangat lasak dan kebanyakannya merupakan sebahagian daripada wilayah Moravia-Silesia Beskidy, yang merupakan sebahagian daripada pinggir luar Pergunungan Carpathian. Kawasan kajian terletak di antara 49° 41′ 0′ U dan 18° 20′ 0′ E, dan altitudnya adalah antara 225 dan 327 m; Walau bagaimanapun, sistem klasifikasi Koppen untuk keadaan iklim rantau ini dinilai sebagai Cfb = iklim lautan sederhana. Terdapat banyak hujan walaupun pada bulan-bulan kering. Suhu berbeza sedikit sepanjang tahun antara −5 °C dan 24 °C, jarang jatuh di bawah −14 °C atau melebihi 30 °C, manakala purata hujan tahunan adalah antara 685 dan 752 mm47. Anggaran kawasan tinjauan keseluruhan kawasan ialah 1,208 kilometer persegi, dengan 39.38% daripada tanah yang ditanam dan 49.36% daripada liputan hutan. Sebaliknya, kawasan yang digunakan dalam kajian ini ialah kira-kira 889.8 kilometer persegi. Di dalam dan sekitar Ostrava, industri keluli dan kerja logam sangat aktif. Kilang logam, industri keluli di mana nikel digunakan dalam keluli tahan karat (contohnya untuk ketahanan terhadap kakisan atmosfera) dan keluli aloi (nikel meningkatkan kekuatan aloi sambil mengekalkan kemuluran dan ketahanannya yang baik), dan pertanian intensif seperti penggunaan baja fosfat dan pengeluaran ternakan adalah sumber nikel yang berpotensi dalam penyelidikan. rantau ini (contohnya, menambah nikel kepada anak biri-biri untuk meningkatkan kadar pertumbuhan anak biri-biri dan lembu yang kurang makan). Kegunaan nikel industri lain dalam bidang penyelidikan termasuk penggunaannya dalam penyaduran elektro, termasuk penyaduran nikel dan proses penyaduran nikel tanpa elektro. Sifat tanah mudah dibezakan daripada warna, struktur dan kandungan karbonat tanah. Tekstur tanah adalah sederhana hingga halus, berasal daripada bahan induk. Ia bersifat kolovial, aluvial atau aeolian. Sesetengah kawasan tanah kelihatan berbintik-bintik di permukaan dan bawah tanah, selalunya dengan konkrit dan pelunturan. Walau bagaimanapun, kambisol dan stagnosol adalah jenis tanah yang paling biasa di rantau ini48. Dengan ketinggian antara 455.1 hingga 493.5 m, kambisol mendominasi Republik Czech49.
Peta kawasan kajian [Peta kawasan kajian telah dicipta menggunakan ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Sebanyak 115 sampel tanah atas telah diperoleh daripada tanah bandar dan peri-bandar di daerah Frydek Mistek. Corak sampel yang digunakan ialah grid biasa dengan sampel tanah yang dijarakkan 2 × 2 km antara satu sama lain, dan tanah atas diukur pada kedalaman 0 hingga 20 cm menggunakan peranti GPS pegang tangan (Leica Zeno 5 GPS). Sampel dibungkus dalam beg Ziploc, dilabelkan dengan betul, dan dihantar ke makmal. Sampel dikeringkan di udara untuk menghasilkan sampel yang dihancurkan, dihancurkan oleh sistem mekanikal (kilang cakera Fritsch), dan diayak (saiz ayak 2 mm). Letakkan 1 gram sampel tanah yang dikeringkan, dihomogenkan dan diayak dalam botol teflon yang dilabel dengan jelas. Dalam setiap bekas Teflon, keluarkan 7 ml 35% HCl dan 3 ml 65% HNO3 (menggunakan dispenser automatik – satu untuk setiap asid), tutup perlahan dan biarkan sampel semalaman untuk tindak balas (program aqua regia). Letakkan supernatan pada plat logam panas (suhu: 100 W dan (160 °C) selama 2 jam untuk memudahkan proses pencernaan sampel, kemudian sejukkan. Pindahkan supernatan ke dalam kelalang isipadu 50 ml dan cairkan kepada 50 ml dengan air ternyahion. Selepas itu, tapis supernatan yang telah dicairkan ke dalam tiub PVC 50 ml dengan air ternyahion. Selain itu, 1 ml larutan pencairan dicairkan dengan 9 ml air ternyahion dan ditapis ke dalam tiub 12 ml yang disediakan untuk pseudo-pemekatan PTE. Kepekatan PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditentukan oleh ICP-OES (Spektroskopi Pelepasan Optik Plasma Bergandingan Secara Induktif) (Thermo Fisher Scientific, USA) mengikut kaedah dan perjanjian standard. Pastikan prosedur Jaminan dan Kawalan Kualiti (QA/QC) (SRM NIST 2711a Montana II Soil). PTE dengan had pengesanan di bawah separuh dikecualikan daripada kajian ini. Had pengesanan PTE yang digunakan dalam kajian ini ialah 0.0004.(anda). Di samping itu, proses kawalan kualiti dan jaminan kualiti untuk setiap analisis dipastikan dengan menganalisis piawaian rujukan. Bagi memastikan ralat dapat diminimumkan, analisis berganda telah dijalankan.
Kriging Bayesian Empirikal (EBK) merupakan salah satu daripada banyak teknik interpolasi geostatistik yang digunakan dalam pemodelan dalam pelbagai bidang seperti sains tanah. Tidak seperti teknik interpolasi kriging yang lain, EBK berbeza daripada kaedah kriging tradisional dengan mempertimbangkan ralat yang dianggarkan oleh model semivariogram. Dalam interpolasi EBK, beberapa model semivariogram dikira semasa interpolasi, bukannya semivariogram tunggal. Teknik interpolasi memberi laluan kepada ketidakpastian dan pengaturcaraan yang berkaitan dengan plot semivariogram ini yang merupakan bahagian yang sangat kompleks dalam kaedah kriging yang mencukupi. Proses interpolasi EBK mengikuti tiga kriteria yang dicadangkan oleh Krivoruchko50, (a) model menganggarkan semivariogram daripada set data input (b) nilai ramalan baharu untuk setiap lokasi set data input berdasarkan semivariogram yang dijana dan (c) model A akhir dikira daripada set data simulasi. Peraturan persamaan Bayesian diberikan sebagai posterior
Dengan \(Prob\left(A\right)\) mewakili kebarangkalian marginal \(Prob\left(B\right)\) terdahulu, diabaikan dalam kebanyakan kes, \(Prob (B,A)\). Pengiraan semivariogram adalah berdasarkan peraturan Bayes, yang menunjukkan kecenderungan set data pemerhatian yang boleh dicipta daripada semivariogram. Nilai semivariogram kemudiannya ditentukan menggunakan peraturan Bayes, yang menyatakan sejauh mana kemungkinan ia mencipta set data pemerhatian daripada semivariogram.
Mesin vektor sokongan ialah algoritma pembelajaran mesin yang menjana hipersatah pemisah optimum untuk membezakan kelas yang sama tetapi tidak bebas secara linear. Vapnik51 mencipta algoritma pengelasan niat, tetapi baru-baru ini ia telah digunakan untuk menyelesaikan masalah berorientasikan regresi. Menurut Li et al.52, SVM ialah salah satu teknik pengelas terbaik dan telah digunakan dalam pelbagai bidang. Komponen regresi SVM (Regresi Mesin Vektor Sokongan – SVMR) telah digunakan dalam analisis ini. Cherkassky dan Mulier53 mempelopori SVMR sebagai regresi berasaskan kernel, yang pengiraannya dilakukan menggunakan model regresi linear dengan fungsi ruang berbilang negara. John et al.54 melaporkan bahawa pemodelan SVMR menggunakan regresi linear hipersatah, yang mewujudkan hubungan tak linear dan membolehkan fungsi ruang. Menurut Vohland et al. 55, epsilon (ε)-SVMR menggunakan set data terlatih untuk mendapatkan model perwakilan sebagai fungsi tidak sensitif epsilon yang digunakan untuk memetakan data secara bebas dengan bias epsilon terbaik daripada latihan pada data berkorelasi. Ralat jarak pratetap diabaikan daripada nilai sebenar, dan jika ralat lebih besar daripada ε(ε), sifat tanah akan mengimbanginya. Model ini juga mengurangkan kerumitan data latihan kepada subset vektor sokongan yang lebih luas. Persamaan yang dicadangkan oleh Vapnik51 ditunjukkan di bawah.
di mana b mewakili ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) mewakili fungsi kernel, \(\alpha\) mewakili pengganda Lagrange, N Mewakili set data berangka, \({x}_{k}\) mewakili input data, dan \(y\) ialah output data. Salah satu kernel utama yang digunakan ialah operasi SVMR, iaitu fungsi asas jejari Gaussian (RBF). Kernel RBF digunakan untuk menentukan model SVMR optimum, yang penting untuk mendapatkan faktor set penalti C yang paling halus dan parameter kernel gamma (γ) untuk data latihan PTE. Pertama, kami menilai set latihan dan kemudian menguji prestasi model pada set pengesahan. Parameter stereng yang digunakan ialah sigma dan nilai kaedah ialah svmRadial.
Model regresi linear berganda (MLR) ialah model regresi yang mewakili hubungan antara pembolehubah tindak balas dan beberapa pembolehubah peramal dengan menggunakan parameter terkumpul linear yang dikira menggunakan kaedah kuasa dua terkecil. Dalam MLR, model kuasa dua terkecil ialah fungsi ramalan sifat tanah selepas pemilihan pembolehubah penjelasan. Adalah perlu untuk menggunakan tindak balas untuk mewujudkan hubungan linear menggunakan pembolehubah penjelasan. PTE digunakan sebagai pembolehubah tindak balas untuk mewujudkan hubungan linear dengan pembolehubah penjelasan. Persamaan MLR ialah
dengan y ialah pembolehubah tindak balas, \(a\) ialah pintasan, n ialah bilangan peramal, \({b}_{1}\) ialah regresi separa bagi pekali, \({x}_{ i}\) mewakili peramal atau pembolehubah penjelasan, dan \({\varepsilon }_{i}\) mewakili ralat dalam model, juga dikenali sebagai baki.
Model campuran diperoleh dengan mengapit EBK dengan SVMR dan MLR. Ini dilakukan dengan mengekstrak nilai ramalan daripada interpolasi EBK. Nilai ramalan yang diperoleh daripada Ca, K, dan Mg yang diinterpolasi diperoleh melalui proses gabungan untuk mendapatkan pembolehubah baharu, seperti CaK, CaMg, dan KMg. Unsur Ca, K dan Mg kemudiannya digabungkan untuk mendapatkan pembolehubah keempat, CaKMg. Secara keseluruhan, pembolehubah yang diperoleh ialah Ca, K, Mg, CaK, CaMg, KMg dan CaKMg. Pembolehubah ini menjadi peramal kami, membantu meramalkan kepekatan nikel dalam tanah bandar dan peri-bandar. Algoritma SVMR telah dilakukan pada peramal untuk mendapatkan model campuran Mesin Vektor Sokongan Bayesian Kriging Empirikal (EBK_SVM). Begitu juga, pembolehubah juga disalurkan melalui algoritma MLR untuk mendapatkan model campuran Regresi Linear Berbilang Bayesian Kriging Empirikal (EBK_MLR). Biasanya, pembolehubah Ca, K, Mg, CaK, CaMg, KMg, dan CaKMg digunakan sebagai kovariat sebagai peramal kandungan Ni dalam tanah bandar dan peri-bandar. Model yang paling boleh diterima yang diperoleh (EBK_SVM atau EBK_MLR) kemudiannya akan divisualisasikan menggunakan graf penyusunan kendiri. Aliran kerja kajian ini ditunjukkan dalam Rajah 2.
Penggunaan SeOM telah menjadi alat yang popular untuk mengatur, menilai dan meramalkan data dalam sektor kewangan, penjagaan kesihatan, industri, statistik, sains tanah dan banyak lagi. SeOM dicipta menggunakan rangkaian saraf tiruan dan kaedah pembelajaran tanpa pengawasan untuk organisasi, penilaian dan ramalan. Dalam kajian ini, SeOM digunakan untuk menggambarkan kepekatan Ni berdasarkan model terbaik untuk meramalkan Ni dalam tanah bandar dan peri-bandar. Data yang diproses dalam penilaian SeOM digunakan sebagai n pembolehubah vektor dimensi input43,56. Melssen et al. 57 menerangkan sambungan vektor input ke dalam rangkaian saraf melalui lapisan input tunggal kepada vektor output dengan vektor pemberat tunggal. Output yang dihasilkan oleh SeOM ialah peta dua dimensi yang terdiri daripada neuron atau nod berbeza yang ditenun ke dalam peta topologi heksagon, bulat atau segi empat sama mengikut jaraknya. Membandingkan saiz peta berdasarkan metrik, ralat kuantisasi (QE) dan ralat topografi (TE), model SeOM dengan masing-masing 0.086 dan 0.904 dipilih, iaitu unit 55 peta (5 × 11). Struktur neuron ditentukan mengikut bilangan nod dalam persamaan empirikal.
Bilangan data yang digunakan dalam kajian ini ialah 115 sampel. Pendekatan rawak telah digunakan untuk membahagikan data kepada data ujian (25% untuk pengesahan) dan set data latihan (75% untuk penentukuran). Set data latihan digunakan untuk menjana model regresi (penentukuran), dan set data ujian digunakan untuk mengesahkan keupayaan generalisasi58. Ini dilakukan untuk menilai kesesuaian pelbagai model untuk meramalkan kandungan nikel dalam tanah. Semua model yang digunakan telah melalui proses pengesahan silang sepuluh kali ganda, diulang sebanyak lima kali. Pembolehubah yang dihasilkan oleh interpolasi EBK digunakan sebagai peramal atau pembolehubah penjelasan untuk meramalkan pembolehubah sasaran (PTE). Pemodelan dikendalikan dalam RStudio menggunakan pakej library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) dan library (“Metrik”).
Pelbagai parameter pengesahan telah digunakan untuk menentukan model terbaik yang sesuai untuk meramalkan kepekatan nikel dalam tanah dan untuk menilai ketepatan model dan pengesahannya. Model hibridisasi telah dinilai menggunakan ralat mutlak min (MAE), ralat punca min kuasa dua (RMSE), dan penentuan pekali R-kuasa dua (R2). R2 mentakrifkan varians perkadaran dalam jawapan, yang diwakili oleh model regresi. RMSE dan magnitud varians dalam ukuran bebas menggambarkan kuasa ramalan model, manakala MAE menentukan nilai kuantitatif sebenar. Nilai R2 mestilah tinggi untuk menilai model campuran terbaik menggunakan parameter pengesahan, semakin hampir nilainya kepada 1, semakin tinggi ketepatannya. Menurut Li et al. 59, nilai kriteria R2 0.75 atau lebih besar dianggap sebagai peramal yang baik; dari 0.5 hingga 0.75 adalah prestasi model yang boleh diterima, dan di bawah 0.5 adalah prestasi model yang tidak boleh diterima. Apabila memilih model menggunakan kaedah penilaian kriteria pengesahan RMSE dan MAE, nilai yang lebih rendah yang diperoleh adalah mencukupi dan dianggap sebagai pilihan terbaik. Persamaan berikut menerangkan kaedah pengesahan.
dengan n mewakili saiz nilai yang diperhatikan\({Y}_{i}\) mewakili tindak balas yang diukur, dan \({\widehat{Y}}_{i}\) juga mewakili nilai tindak balas yang diramalkan, oleh itu, untuk pemerhatian i yang pertama.
Huraian statistik bagi peramal dan pembolehubah tindak balas dibentangkan dalam Jadual 1, menunjukkan min, sisihan piawai (SD), pekali variasi (CV), minimum, maksimum, kurtosis, dan kecondongan. Nilai minimum dan maksimum unsur-unsur adalah dalam tertib menurun Mg < Ca < K < Ni dan Ca < Mg < K < Ni, masing-masing. Kepekatan pembolehubah tindak balas (Ni) yang disampel dari kawasan kajian adalah antara 4.86 hingga 42.39 mg/kg. Perbandingan Ni dengan purata dunia (29 mg/kg) dan purata Eropah (37 mg/kg) menunjukkan bahawa purata geometri keseluruhan yang dikira untuk kawasan kajian berada dalam julat yang boleh diterima. Walau bagaimanapun, seperti yang ditunjukkan oleh Kabata-Pendias11, perbandingan purata kepekatan nikel (Ni) dalam kajian semasa dengan tanah pertanian di Sweden menunjukkan bahawa purata kepekatan nikel semasa adalah lebih tinggi. Begitu juga, purata kepekatan Frydek Mistek dalam tanah bandar dan peri-bandar dalam kajian semasa (Ni 16.15 mg/kg) adalah lebih tinggi daripada had yang dibenarkan. daripada 60 (10.2 mg/kg) untuk Ni dalam tanah bandar Poland yang dilaporkan oleh Różański et al. Tambahan pula, Bretzel dan Calderisi61 mencatatkan purata kepekatan Ni yang sangat rendah (1.78 mg/kg) dalam tanah bandar di Tuscany berbanding kajian semasa. Jim62 juga mendapati kepekatan nikel yang lebih rendah (12.34 mg/kg) dalam tanah bandar Hong Kong, yang lebih rendah daripada kepekatan nikel semasa dalam kajian ini. Birke et al63 melaporkan purata kepekatan Ni sebanyak 17.6 mg/kg di kawasan perlombongan dan perindustrian bandar lama di Saxony-Anhalt, Jerman, yang 1.45 mg/kg lebih tinggi daripada purata kepekatan Ni di kawasan tersebut (16.15 mg/kg). Kajian semasa. Kandungan nikel yang berlebihan dalam tanah di beberapa kawasan bandar dan pinggir bandar di kawasan kajian mungkin disebabkan terutamanya oleh industri besi dan keluli serta industri logam. Ini selaras dengan kajian oleh Khodadoust et al. 64 bahawa industri keluli dan kerja logam merupakan sumber utama pencemaran nikel dalam tanah. Walau bagaimanapun, peramal juga berkisar antara 538.70 mg/kg hingga 69,161.80 mg/kg untuk Ca, 497.51 mg/kg hingga 3535.68 mg/kg untuk K, dan 685.68 mg/kg hingga 5970.05 mg/kg untuk Mg. Jakovljevic et al. 65 telah mengkaji jumlah kandungan Mg dan K dalam tanah di Serbia tengah. Mereka mendapati bahawa jumlah kepekatan (masing-masing 410 mg/kg dan 400 mg/kg) adalah lebih rendah daripada kepekatan Mg dan K dalam kajian semasa. Tidak dapat dibezakan, di timur Poland, Orzechowski dan Smolczynski66 menilai jumlah kandungan Ca, Mg dan K dan menunjukkan purata kepekatan Ca (1100 mg/kg), Mg (590 mg/kg) dan K (810 mg/kg). Kandungan dalam tanah atas adalah lebih rendah daripada unsur tunggal dalam kajian ini. Satu kajian terbaru oleh Pongrac et al. 67 menunjukkan bahawa jumlah kandungan Ca yang dianalisis dalam 3 tanah berbeza di Scotland, UK (tanah Mylnefield, tanah Balruddery dan tanah Hartwood) menunjukkan kandungan Ca yang lebih tinggi dalam kajian ini.
Disebabkan oleh kepekatan unsur-unsur yang diukur yang berbeza, taburan set data unsur-unsur menunjukkan kecondongan yang berbeza. Kecondongan dan kurtosis unsur-unsur masing-masing adalah antara 1.53 hingga 7.24 dan 2.49 hingga 54.16. Semua unsur yang dikira mempunyai tahap kecondongan dan kurtosis di atas +1, sekali gus menunjukkan bahawa taburan data adalah tidak sekata, condong ke arah yang betul dan memuncak. CV unsur-unsur yang dianggarkan juga menunjukkan bahawa K, Mg, dan Ni mempamerkan kebolehubahan yang sederhana, manakala Ca mempunyai kebolehubahan yang sangat tinggi. CV K, Ni dan Mg menjelaskan taburan seragamnya. Tambahan pula, taburan Ca adalah tidak seragam dan sumber luaran mungkin mempengaruhi tahap pengayaannya.
Korelasi pembolehubah peramal dengan elemen tindak balas menunjukkan korelasi yang memuaskan antara elemen (lihat Rajah 3). Korelasi menunjukkan bahawa CaK mempamerkan korelasi sederhana dengan nilai r = 0.53, begitu juga CaNi. Walaupun Ca dan K menunjukkan perkaitan yang sederhana antara satu sama lain, penyelidik seperti Kingston et al. 68 dan Santo69 mencadangkan bahawa tahapnya dalam tanah adalah berkadar songsang. Walau bagaimanapun, Ca dan Mg adalah antagonis kepada K, tetapi CaK berkorelasi dengan baik. Ini mungkin disebabkan oleh penggunaan baja seperti kalium karbonat, yang 56% lebih tinggi dalam kalium. Kalium berkorelasi sederhana dengan magnesium (KM r = 0.63). Dalam industri baja, kedua-dua unsur ini berkait rapat kerana kalium magnesium sulfat, kalium magnesium nitrat, dan potash digunakan pada tanah untuk meningkatkan tahap kekurangannya. Nikel berkorelasi sederhana dengan Ca, K dan Mg dengan nilai r = 0.52, 0.63 dan 0.55, masing-masing. Hubungan yang melibatkan kalsium, magnesium, dan PTE seperti nikel adalah kompleks, tetapi walau bagaimanapun, magnesium menghalang penyerapan kalsium, kalsium mengurangkan kesan magnesium berlebihan, dan kedua-dua magnesium dan kalsium mengurangkan kesan toksik nikel dalam tanah.
Matriks korelasi untuk elemen yang menunjukkan hubungan antara peramal dan respons (Nota: rajah ini merangkumi plot serakan antara elemen, tahap keertian adalah berdasarkan p < 0,001).
Rajah 4 menggambarkan taburan ruang unsur-unsur. Menurut Burgos et al.70, aplikasi taburan ruang adalah teknik yang digunakan untuk mengukur dan menonjolkan titik panas di kawasan tercemar. Tahap pengayaan Ca dalam Rajah 4 dapat dilihat di bahagian barat laut peta taburan ruang. Rajah tersebut menunjukkan titik panas pengayaan Ca sederhana hingga tinggi. Pengayaan kalsium di barat laut peta kemungkinan besar disebabkan oleh penggunaan kapur tohor (kalsium oksida) untuk mengurangkan keasidan tanah dan penggunaannya di kilang keluli sebagai oksigen alkali dalam proses pembuatan keluli. Sebaliknya, petani lain lebih suka menggunakan kalsium hidroksida dalam tanah berasid untuk meneutralkan pH, yang juga meningkatkan kandungan kalsium tanah. Kalium juga menunjukkan titik panas di barat laut dan timur peta. Barat Laut adalah komuniti pertanian utama, dan corak kalium sederhana hingga tinggi mungkin disebabkan oleh aplikasi NPK dan potash. Ini selaras dengan kajian lain, seperti Madaras dan Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, yang memerhatikan bahawa penstabilan tanah dan Rawatan dengan KCl dan NPK menghasilkan kandungan K yang tinggi di dalam tanah. Pengayaan Kalium ruang di barat laut peta taburan mungkin disebabkan oleh penggunaan baja berasaskan kalium seperti kalium klorida, kalium sulfat, kalium nitrat, potash, dan potash untuk meningkatkan kandungan kalium tanah yang kurang subur. Zádorová et al. 76 dan Tlustoš et al. 77 menggariskan bahawa penggunaan baja berasaskan K meningkatkan kandungan K dalam tanah dan akan meningkatkan kandungan nutrien tanah dengan ketara dalam jangka masa panjang, terutamanya K dan Mg yang menunjukkan titik panas dalam tanah. Titik panas yang agak sederhana di barat laut peta dan tenggara peta. Penetapan koloid dalam tanah mengurangkan kepekatan magnesium dalam tanah. Kekurangannya dalam tanah menyebabkan tumbuhan menunjukkan klorosis intervein kekuningan. Baja berasaskan magnesium, seperti kalium magnesium sulfat, magnesium sulfat dan Kieserite, merawat kekurangan (tumbuhan kelihatan ungu, merah atau coklat, menunjukkan kekurangan magnesium) dalam tanah dengan julat pH normal6. Pengumpulan nikel pada permukaan tanah bandar dan peri-bandar mungkin disebabkan oleh aktiviti antropogenik seperti pertanian dan kepentingan nikel dalam pengeluaran keluli tahan karat78.
Taburan ruang elemen [peta taburan ruang telah dicipta menggunakan ArcGIS Desktop (ESRI, Inc, Versi 10.7, URL: https://desktop.arcgis.com).]
Keputusan indeks prestasi model untuk unsur-unsur yang digunakan dalam kajian ini ditunjukkan dalam Jadual 2. Sebaliknya, RMSE dan MAE bagi Ni kedua-duanya hampir kepada sifar (0.86 RMSE, -0.08 MAE). Sebaliknya, kedua-dua nilai RMSE dan MAE bagi K boleh diterima. Keputusan RMSE dan MAE adalah lebih besar untuk kalsium dan magnesium. Keputusan MAE dan RMSE bagi Ca dan K adalah lebih besar disebabkan oleh set data yang berbeza. RMSE dan MAE bagi kajian ini yang menggunakan EBK untuk meramalkan Ni didapati lebih baik daripada keputusan John et al. 54 menggunakan kriging sinergi untuk meramalkan kepekatan S dalam tanah menggunakan data yang sama yang dikumpul. Output EBK yang kami kaji berkorelasi dengan output Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 dan John et al. 82, terutamanya K dan Ni.
Prestasi kaedah individu untuk meramal kandungan nikel dalam tanah bandar dan peri-bandar telah dinilai menggunakan prestasi model (Jadual 3). Pengesahan model dan penilaian ketepatan mengesahkan bahawa peramal Ca_Mg_K yang digabungkan dengan model EBK SVMR menghasilkan prestasi terbaik. Model penentukuran Ca_Mg_K-EBK_SVMR model R2, ralat punca min kuasa dua (RMSE) dan ralat min mutlak (MAE) ialah 0.637 (R2), 95.479 mg/kg (RMSE) dan 77.368 mg/kg (MAE). Ca_Mg_K-SVMR ialah 0.663 (R2), 235.974 mg/kg (RMSE) dan 166.946 mg/kg (MAE). Walau bagaimanapun, nilai R2 yang baik telah diperolehi untuk Ca_Mg_K-SVMR (0.663 mg/kg R2) dan Ca_Mg-EBK_SVMR (0.643 = R2); Keputusan RMSE dan MAE mereka adalah lebih tinggi daripada Ca_Mg_K-EBK_SVMR (R2 0.637) (lihat Jadual 3). Di samping itu, RMSE dan MAE bagi model Ca_Mg-EBK_SVMR (RMSE = 1664.64 dan MAE = 1031.49) masing-masing adalah 17.5 dan 13.4, yang mana lebih besar daripada Ca_Mg_K-EBK_SVMR. Begitu juga, RMSE dan MAE bagi model Ca_Mg-K SVMR (RMSE = 235.974 dan MAE = 166.946) masing-masing adalah 2.5 dan 2.2 lebih besar daripada RMSE dan MAE Ca_Mg_K-EBK_SVMR. Keputusan RMSE yang dikira menunjukkan betapa tertumpunya set data dengan garis padanan terbaik. RSME dan MAE yang lebih tinggi diperhatikan. Menurut Kebonye et al. 46 dan john et al. 54, semakin hampir RMSE dan MAE kepada sifar, semakin baik keputusannya. SVMR dan EBK_SVMR mempunyai nilai RSME dan MAE terkuantum yang lebih tinggi. Telah diperhatikan bahawa anggaran RSME secara konsisten lebih tinggi daripada nilai MAE, menunjukkan kehadiran outlier. Menurut Legates dan McCabe83, sejauh mana RMSE melebihi min ralat mutlak (MAE) disyorkan sebagai penunjuk kehadiran outlier. Ini bermakna semakin heterogen set data, semakin tinggi nilai MAE dan RMSE. Ketepatan penilaian pengesahan silang model campuran Ca_Mg_K-EBK_SVMR untuk meramalkan kandungan Ni dalam tanah bandar dan pinggir bandar ialah 63.70%. Menurut Li et al. 59, tahap ketepatan ini adalah kadar prestasi model yang boleh diterima. Keputusan semasa dibandingkan dengan kajian terdahulu oleh Tarasov et al. 36 yang model hibridnya mencipta MLPRK (Multilayer Perceptron Residual Kriging), berkaitan dengan indeks penilaian ketepatan EBK_SVMR yang dilaporkan dalam kajian semasa, RMSE (210) dan MAE (167.5) adalah lebih tinggi daripada keputusan kami dalam kajian semasa (RMSE 95.479, MAE 77.368). Walau bagaimanapun, apabila membandingkan R2 kajian semasa (0.637) dengan Tarasov et al. 36 (0.544), jelas bahawa pekali penentuan (R2) adalah lebih tinggi dalam model campuran ini. Margin ralat (RMSE dan MAE) (EBK SVMR) untuk model campuran adalah dua kali lebih rendah. Begitu juga, Sergeev et al. 34 mencatatkan 0.28 (R2) untuk model hibrid yang dibangunkan (Multilayer Perceptron Residual Kriging), manakala Ni dalam kajian semasa mencatatkan 0.637 (R2). Tahap ketepatan ramalan model ini (EBK SVMR) ialah 63.7%, manakala ketepatan ramalan yang diperoleh oleh Sergeev et al. 34 ialah 28%. Peta akhir (Rajah 5) yang dihasilkan menggunakan model EBK_SVMR dan Ca_Mg_K sebagai peramal menunjukkan ramalan titik panas dan sederhana hingga nikel di seluruh kawasan kajian. Ini bermakna kepekatan nikel di kawasan kajian adalah sederhana, dengan kepekatan yang lebih tinggi di beberapa kawasan tertentu.
Peta ramalan akhir diwakili menggunakan model hibrid EBK_SVMR dan menggunakan Ca_Mg_K sebagai peramal. [Peta taburan ruang telah dicipta menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Kepekatan PTE yang ditunjukkan dalam Rajah 6 adalah satah komposisi yang terdiri daripada neuron individu. Tiada satah komponen mempamerkan corak warna yang sama seperti yang ditunjukkan. Walau bagaimanapun, bilangan neuron yang sesuai bagi setiap peta yang dilukis ialah 55. SeOM dihasilkan menggunakan pelbagai warna, dan semakin serupa corak warna, semakin setanding sifat sampel. Mengikut skala warna yang tepat, unsur individu (Ca, K, dan Mg) menunjukkan corak warna yang serupa dengan neuron tinggi tunggal dan kebanyakan neuron rendah. Oleh itu, CaK dan CaMg berkongsi beberapa persamaan dengan neuron tertib sangat tinggi dan corak warna rendah hingga sederhana. Kedua-dua model meramalkan kepekatan Ni dalam tanah dengan memaparkan rona warna sederhana hingga tinggi seperti merah, oren dan kuning. Model KMg memaparkan banyak corak warna tinggi berdasarkan perkadaran yang tepat dan tompok warna rendah hingga sederhana. Pada skala warna yang tepat dari rendah ke tinggi, corak taburan satah komponen model menunjukkan corak warna tinggi yang menunjukkan kepekatan nikel yang berpotensi dalam tanah (lihat Rajah 4). Satah komponen model CakMg menunjukkan corak warna yang pelbagai dari rendah ke tinggi mengikut warna yang tepat. skala. Tambahan pula, ramalan kandungan nikel (CakMg) model adalah serupa dengan taburan ruang nikel yang ditunjukkan dalam Rajah 5. Kedua-dua graf menunjukkan perkadaran kepekatan nikel yang tinggi, sederhana dan rendah di tanah bandar dan peri-bandar. Rajah 7 menggambarkan kaedah kontur dalam pengelompokan k-means pada peta, dibahagikan kepada tiga kelompok berdasarkan nilai ramalan dalam setiap model. Kaedah kontur mewakili bilangan kelompok yang optimum. Daripada 115 sampel tanah yang dikumpul, kategori 1 memperoleh sampel tanah terbanyak, 74. Kelompok 2 menerima 33 sampel, manakala kelompok 3 menerima 8 sampel. Gabungan peramal planar tujuh komponen telah dipermudahkan untuk membolehkan tafsiran kelompok yang betul. Disebabkan oleh pelbagai proses antropogenik dan semula jadi yang mempengaruhi pembentukan tanah, adalah sukar untuk membezakan corak kelompok dengan betul dalam peta SeOM yang teragih78.
Output satah komponen oleh setiap pembolehubah Mesin Vektor Sokongan Kriging Bayesian Empirikal (EBK_SVM_SeOM). [Peta SeOM dicipta menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen pengelasan kluster yang berbeza [Peta SeOM telah dicipta menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Kajian semasa dengan jelas menggambarkan teknik pemodelan untuk kepekatan nikel dalam tanah bandar dan peri-bandar. Kajian ini menguji teknik pemodelan yang berbeza, menggabungkan elemen dengan teknik pemodelan, untuk mendapatkan cara terbaik untuk meramalkan kepekatan nikel dalam tanah. Ciri-ciri spatial planar komposisi SeOM bagi teknik pemodelan mempamerkan corak warna yang tinggi dari rendah ke tinggi pada skala warna yang tepat, menunjukkan kepekatan Ni dalam tanah. Walau bagaimanapun, peta taburan spatial mengesahkan taburan spatial planar komponen yang dipamerkan oleh EBK_SVMR (lihat Rajah 5). Keputusan menunjukkan bahawa model regresi mesin vektor sokongan (Ca Mg K-SVMR) meramalkan kepekatan Ni dalam tanah sebagai model tunggal, tetapi parameter pengesahan dan penilaian ketepatan menunjukkan ralat yang sangat tinggi dari segi RMSE dan MAE. Sebaliknya, teknik pemodelan yang digunakan dengan model EBK_MLR juga cacat kerana nilai pekali penentuan (R2) yang rendah. Keputusan yang baik diperoleh menggunakan EBK SVMR dan elemen gabungan (CaKMg) dengan ralat RMSE dan MAE yang rendah dengan ketepatan 63.7%. Ternyata menggabungkan algoritma EBK dengan algoritma pembelajaran mesin boleh menjana algoritma hibrid yang boleh meramalkan kepekatan PTE dalam tanah. Keputusan menunjukkan bahawa penggunaan Ca, Mg, K sebagai peramal untuk meramalkan kepekatan Ni di kawasan kajian boleh meningkatkan ramalan Ni dalam tanah. Ini bermakna penggunaan baja berasaskan nikel dan pencemaran industri tanah secara berterusan oleh industri keluli mempunyai kecenderungan untuk meningkatkan kepekatan nikel dalam tanah. Kajian ini mendedahkan bahawa model EBK boleh mengurangkan tahap ralat dan meningkatkan ketepatan model taburan ruang tanah di tanah bandar atau peri-bandar. Secara amnya, kami mencadangkan untuk menggunakan model EBK-SVMR untuk menilai dan meramalkan PTE dalam tanah; di samping itu, kami mencadangkan untuk menggunakan EBK untuk menghibridkan dengan pelbagai algoritma pembelajaran mesin. Kepekatan Ni diramalkan menggunakan unsur sebagai kovariat; walau bagaimanapun, menggunakan lebih banyak kovariat akan meningkatkan prestasi model dengan ketara, yang boleh dianggap sebagai batasan kerja semasa. Satu lagi batasan kajian ini ialah bilangan set data ialah 115. Oleh itu, jika lebih banyak data disediakan, prestasi kaedah hibridisasi yang dioptimumkan yang dicadangkan boleh dipertingkatkan.
PlantProbs.net.Nikel dalam Tumbuhan dan Tanah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses pada 28 April 2021).
Kasprzak, KS Nickel maju dalam toksikologi alam sekitar moden.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Satu kajian semula sumbernya dan toksikologi alam sekitar. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Input bahan pencemar dari atmosfera dan pengumpulan dalam tanah dan tumbuh-tumbuhan berhampiran pelebur nikel-kuprum di Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam berat dalam tanah, tumbuhan dan risiko yang berkaitan dengan ruminan ragut berhampiran lombong tembaga-nikel Selebi-Phikwe di Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Unsur surih dalam tanah dan… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Unsur+ Surih+dalam+tanah+dan+tumbuhan.+ed+ke+4.+New+York+%28NY%29%3A+CRC+Press&btnG= (Diakses pada 24 Nov 2020).
Almås, A., Singh, B., Pertanian, TS-NJ tahun & 1995, tidak ditakrifkan. Kesan industri nikel Rusia terhadap kepekatan logam berat dalam tanah dan rumput pertanian di Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Penyerapan dan pengekalan nikel dalam air minuman berkaitan dengan pengambilan makanan dan kepekaan nikel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Karsinogenesis nikel, mutasi, epigenetik atau pemilihan. persekitaran. Perspektif Kesihatan.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analisis trend unsur-unsur yang berpotensi toksik: kajian bibliometrik. Geokimia dan Kesihatan Alam Sekitar. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Pemetaan Tanah Digital: Sejarah Ringkas dan Beberapa Pengajaran. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Mengenai pemetaan tanah digital.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Pemodelan Takungan Geostatistik Deutsch.CV,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistik+Pemodelan+Takungan+%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Diakses pada 28 April 2021).