Terima kasih kerana melawati Nature.com.Versi penyemak imbas yang anda gunakan mempunyai sokongan terhad untuk CSS.Untuk pengalaman terbaik, kami mengesyorkan agar anda menggunakan penyemak imbas yang dikemas kini (atau matikan mod keserasian dalam Internet Explorer).Sementara itu, untuk memastikan sokongan berterusan, kami akan memaparkan tapak tanpa gaya dan JavaScript.
Pencemaran tanah adalah 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, adalah sukar untuk meramalkan kandungan PTE dalam tanah tersebut secara spatial. Sebanyak 115 sampel telah diperolehi daripada Frydek Mistek di Republik Czech. Kepekatan magnesium (Kalsium dan Kalium), (Kalsium dan Kalium). ditentukan menggunakan spektrometri pelepasan plasma yang digandingkan secara induktif. Pembolehubah bergerak balas ialah Ni dan peramalnya ialah Ca, Mg, dan K. Matriks korelasi antara pembolehubah bergerak balas dan pembolehubah peramal menunjukkan korelasi yang memuaskan antara elemen. Keputusan ramalan menunjukkan Regresi Mesin Vektor Sokongan (SVMR) menunjukkan prestasi yang baik, walaupun anggaran punca ralat min kuasa dua (RMSE.5kg) dianggarkan (RMSE973) dan ralat mean kuasa dua (RMSE973) (RMSE) yang dianggarkan yang memuaskan. (166.946 mg/kg) adalah lebih tinggi daripada kaedah lain yang digunakan. Model campuran untuk Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) berprestasi lemah, seperti yang dibuktikan oleh pekali penentuan kurang daripada 0.1. Model Empirikal Bayesian Kriging-Support Vector Machine Regression (EBK99) dengan model terbaik RM49 (EBK99). mg/kg) dan nilai MAE (77.368 mg/kg) dan pekali penentuan yang tinggi (R2 = 0.637). Output teknik pemodelan EBK-SVMR divisualisasikan menggunakan peta penyusunan sendiri. Neuron berkelompok dalam satah model hibrid CakMg-EBK-SVMR menunjukkan hasil kepekatan berbilang tanah EBK bandar yang meramalkan hasil kepekatan warna EBK bandar dan Ni. dan SVMR ialah teknik yang berkesan untuk meramalkan kepekatan Ni dalam tanah bandar dan pinggir 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 dan menggalakkan perkembangan tumbuhan. Kekurangan nikel dalam tanah membolehkan tumbuhan menyerapnya, mengakibatkan penggunaan daun hijau dan klorosis. baja berasaskan nikel untuk mengoptimumkan penetapan nitrogen2. Penggunaan baja berasaskan nikel yang berterusan untuk memperkayakan tanah dan meningkatkan keupayaan kekacang untuk mengikat nitrogen dalam tanah secara berterusan meningkatkan kepekatan nikel dalam tanah. Walaupun nikel adalah mikronutrien untuk tumbuhan, pengambilan berlebihan dalam tanah boleh mendatangkan lebih banyak mudarat daripada kebaikan tanah. sebagai nutrien penting untuk pertumbuhan tumbuhan1.Menurut Liu3, Ni telah didapati sebagai elemen penting ke-17 yang diperlukan untuk pembangunan dan pertumbuhan tumbuhan.Selain peranan nikel dalam pembangunan dan pertumbuhan tumbuhan, manusia memerlukannya untuk pelbagai aplikasi.Penyaduran elektrik, pengeluaran aloi berasaskan nikel, dan pembuatan semua peranti penyalaan dan industri palam pencucuh dalam pelbagai industri memerlukan pencucuhan. sektor.Selain itu, aloi berasaskan nikel dan barang saduran telah digunakan secara meluas dalam peralatan dapur, aksesori bilik tarian, bekalan industri makanan, elektrik, wayar dan kabel, turbin jet, implan pembedahan, tekstil dan pembinaan kapal5.Tahap yang kaya dengan Ni dalam tanah (iaitu, tanah permukaan) telah dikaitkan dengan kedua-dua sumber antropogenik dan semula jadi, tetapi terutamanya sumber antropogenik dan semula jadi, dan bukannya sumber Ni6togenik4. nikel termasuk letusan gunung berapi, tumbuh-tumbuhan, kebakaran hutan, dan proses geologi; 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 sisa dan insinerasi enap cemar Pengumpulan nikel7,8.Menurut Freedman dan Hutchinson9 dan Manyiwa et al. 10, sumber utama pencemaran tanah atas dalam persekitaran terdekat dan bersebelahan adalah terutamanya peleburan dan lombong berasaskan tembaga nikel. Tanah teratas di sekitar kilang penapisan nikel-tembaga Sudbury di Kanada mempunyai tahap pencemaran nikel tertinggi pada 26,000 mg/kg11. Sebaliknya, pencemaran nikel di Rusia menyebabkan pencemaran lebih tinggi di Rusia. tanah11.Menurut Sedekah et al. 12, jumlah nikel yang boleh diekstrak HNO3 di tanah pertanian teratas di rantau ini (pengeluaran nikel di Rusia) berjulat antara 6.25 hingga 136.88 mg/kg, bersamaan dengan min 30.43 mg/kg dan kepekatan asas 25 mg/kg. Menurut kabata-fosforus-urbanisasi dalam fertilizer tanah atau phosphorussurban 11, penggunaan asas 30.43 mg/kg. tanah semasa musim tanaman berturut-turut boleh meresap atau mencemarkan tanah.Kesan potensi nikel pada manusia boleh membawa kepada kanser melalui mutagenesis, kerosakan kromosom, penjanaan Z-DNA, pembaikan pemotongan DNA yang disekat, atau proses epigenetik13.Dalam eksperimen haiwan, nikel telah didapati berpotensi menyebabkan pelbagai tumor, dan kompleks karsinogenik tumor.
Penilaian pencemaran tanah telah berkembang pesat sejak kebelakangan ini disebabkan oleh pelbagai isu berkaitan kesihatan yang timbul daripada hubungan tanah-tumbuhan, hubungan biologi tanah dan tanah, kemerosotan ekologi dan penilaian kesan alam sekitar. Sehingga kini, ramalan spatial unsur-unsur yang berpotensi toksik (PTE) seperti Ni dalam tanah telah menyusahkan dan memakan masa yang lama dengan menggunakan kaedah tradisional digital (DSM) telah meningkatkan kejayaan (kejayaan DSM semasa) yang hebat. pemetaan tanah ramalan (PSM).Menurut Minasny dan McBratney16, pemetaan tanah ramalan (DSM) telah terbukti sebagai subdisiplin yang menonjol dalam sains tanah.Lagacherie dan McBratney, 2006 mendefinisikan DSM sebagai "penciptaan dan pengisian sistem maklumat tanah spatial melalui penggunaan kaedah pemerhatian dan pemerhatian tanah in situ dan makmal. sistem”.McBratney et al. 17 menggariskan bahawa DSM atau PSM kontemporari adalah teknik yang paling berkesan untuk meramal atau memetakan taburan ruang PTE, jenis tanah dan sifat tanah. Geostatistik dan Algoritma Pembelajaran Mesin (MLA) ialah teknik pemodelan DSM yang mencipta peta berdigit dengan bantuan komputer menggunakan data yang ketara dan minimum.
Deutsch18 dan Olea19 mentakrifkan geostatistik sebagai "kumpulan teknik berangka yang berurusan dengan perwakilan sifat spatial, terutamanya menggunakan model stokastik, seperti cara analisis siri masa mencirikan data temporal." Terutamanya, geostatistik melibatkan penilaian variogram, yang membenarkan Mengukur dan menentukan kebergantungan nilai spatial daripada setiap dataset20.Gumiaux et al. 20 seterusnya menggambarkan bahawa penilaian variogram dalam geostatistik adalah berdasarkan tiga prinsip, termasuk (a) pengiraan skala korelasi data, (b) mengenal pasti dan mengira anisotropi dalam ketaksamaan dataset dan (c) sebagai tambahan kepada Selain mengambil kira ralat yang wujud dalam data pengukuran yang diasingkan daripada kesan tempatan, kesan binaan juga digunakan dalam konsep ini. geostatistik, termasuk kriging am, kriging bersama, kriging biasa, kriging Bayesian empirikal, kaedah kriging mudah dan teknik interpolasi terkenal lain untuk memetakan atau meramal PTE, ciri tanah dan jenis tanah.
Algoritma Pembelajaran Mesin (MLA) ialah teknik yang agak baharu yang menggunakan kelas data bukan linear yang lebih besar, didorong oleh algoritma yang digunakan terutamanya untuk perlombongan data, mengenal pasti corak dalam data, dan berulang kali digunakan untuk klasifikasi dalam bidang saintifik seperti sains tanah dan tugas pengembalian. 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 tiruan) pencemaran tanah ).Selain itu, Vega et al. 24 (CART untuk memodelkan pengekalan logam berat dan penjerapan dalam tanah) Sun et al. 25 (aplikasi kubist ialah taburan Cd dalam tanah) dan algoritma lain seperti jiran terhampir k, regresi rangsangan umum dan regresi rangsangan Pokok juga menggunakan MLA untuk meramalkan PTE dalam tanah.
Aplikasi algoritma DSM dalam ramalan atau pemetaan menghadapi beberapa cabaran.Ramai penulis percaya bahawa MLA lebih unggul daripada geostatistik dan begitu juga 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 kesilapan dalam pemetaan tanah yang diramalkan. Para 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. 15 menggariskan bahawa tingkah laku pengesahan dan ketidakpastian yang diperkenalkan oleh penciptaan dan ramalan peta harus disahkan secara bebas untuk meningkatkan kualiti peta. Had 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 MLA dan proses geostatistik dikaitkan dengan kekurangan pemahaman, akhirnya membawa kepada penyederhanaan proses sebenar yang berlebihan32. Tanpa mengira sifat model pemodelan yang tidak tepat, atribut model tidak tepat, tidak tepat. ramalan, atau interpolasi33. Baru-baru ini, trend DSM baharu telah muncul yang menggalakkan penyepaduan geostatistik dan MLA dalam pemetaan dan peramalan. Beberapa saintis dan pengarang 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 menjana model hibrid yang meningkatkan kecekapan peramalan dan pemetaan. kualiti.Beberapa model hibrid atau gabungan algoritma ini ialah Kriging Rangkaian Neural Buatan (ANN-RK), Kriging Residual Perceptron Berbilang Lapisan (MLP-RK), Kriging Sisa Rangkaian Neural Regresi Umum (GR- NNRK)36, Rangkaian Neural Buatan Kriging-Multilayer Perceptron (ANN-K-MLP) dan Pemprosesan Semula Gajah-K-MLP37 dan Co.
Menurut Sergeev et al., menggabungkan pelbagai teknik pemodelan mempunyai potensi untuk menghapuskan kecacatan dan meningkatkan kecekapan model hibrid yang terhasil daripada membangunkan model tunggalnya. Dalam konteks ini, kertas baru ini berpendapat bahawa adalah perlu untuk menggunakan gabungan algoritma geostatistik dan MLA untuk mencipta model hibrid optimum untuk meramalkan pengayaan Ni di kawasan bandar dan pinggir bandar. dengan model Mesin Vektor Sokongan (SVM) dan Regresi Linear Berganda (MLR). Hibridisasi EBK dengan mana-mana MLA tidak diketahui. Model campuran berbilang yang dilihat ialah gabungan kriging regresi biasa, baki, dan MLA. EBK ialah kaedah interpolasi geostatistik yang menggunakan proses stokastik spatial, bukan pegun yang ditakrifkan sebagai medan stokastik setempat yang ditakrifkan secara rawak medan/setempat membenarkan variasi spatial39.EBK telah digunakan dalam pelbagai kajian, termasuk menganalisis taburan karbon organik dalam tanah ladang40, menilai pencemaran tanah41 dan memetakan sifat tanah42.
Sebaliknya, Graf Penyusunan Kendiri (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 Tentukan atribut ruang dan pengelompokan unsur.Wang et al. 44 menggariskan bahawa SeOM ialah teknik pembelajaran yang berkuasa yang terkenal dengan keupayaannya untuk mengumpulkan dan membayangkan masalah bukan linear. Tidak seperti teknik pengecaman corak lain seperti analisis komponen utama, pengelompokan kabur, pengelompokan hierarki dan membuat keputusan berbilang kriteria, SeOM lebih baik dalam mengatur dan mengenal pasti corak PTE. Menurut Wang et al. 44, SeOM boleh mengelompokkan taburan neuron berkaitan secara spatial dan menyediakan visualisasi data resolusi tinggi. SeOM akan memvisualisasikan data ramalan Ni untuk mendapatkan model terbaik untuk mencirikan keputusan untuk tafsiran langsung.
Kertas kerja ini bertujuan untuk menjana model pemetaan teguh dengan ketepatan optimum untuk meramalkan kandungan nikel dalam tanah bandar dan pinggir bandar. Kami membuat hipotesis bahawa kebolehpercayaan model campuran bergantung terutamanya pada pengaruh model lain yang dilampirkan pada model asas. Kami mengakui cabaran yang dihadapi DSM, dan sementara cabaran ini dilihat sebagai kombinasi dari pelbagai kemajuan dan model geostatistik MLA. tambahan; oleh itu, kami akan cuba menjawab persoalan kajian yang mungkin menghasilkan model bercampur. Namun begitu, sejauh manakah ketepatan model dalam meramalkan elemen sasaran? Selain itu, apakah tahap penilaian kecekapan berdasarkan penilaian pengesahan dan ketepatan? Oleh itu, matlamat khusus kajian ini adalah untuk (a) mencipta model campuran gabungan untuk SVMR atau MLR menggunakan EBK sebagai model campuran terbaik, (b) meramalkan model campuran terbaik, (b) kepekatan dalam tanah bandar atau pinggir bandar, dan (d) aplikasi SeOM untuk mencipta peta variasi spatial nikel resolusi tinggi.
Kajian 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 sebahagian daripada wilayah Moravia-Silesia Beskidy, yang merupakan sebahagian daripada rim luar Pergunungan Carpathian. Kawasan kajian terletak di antara 49 ′ ′ ′ 4° 4 dan 1′ ′ ′ ′ 4° E, dan ketinggian adalah antara 225 dan 327 m; bagaimanapun, sistem klasifikasi Koppen untuk keadaan iklim di 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 anggaran purata 5685 mm hujan tahunan adalah antara 7285 mm. keluasan keseluruhan kawasan adalah 1,208 kilometer persegi, dengan 39.38% daripada tanah yang ditanam dan 49.36% daripada liputan hutan. Sebaliknya, kawasan yang digunakan dalam kajian ini adalah kira-kira 889.8 kilometer persegi. Di dalam dan sekitar Ostrava, industri keluli dan kerja logam sangat aktif. Kilang logam, adalah industri keluli tahan karat di mana toskel keluli tahan karat digunakan. dan keluli aloi (nikel meningkatkan kekuatan aloi sambil mengekalkan kemuluran dan keliatannya yang baik), dan pertanian intensif seperti penggunaan baja fosfat dan pengeluaran ternakan merupakan sumber penyelidikan yang berpotensi bagi nikel di rantau ini (cth, menambah nikel kepada kambing untuk meningkatkan kadar pertumbuhan dalam kambing dan lembu yang diberi makan rendah). proses penyaduran nikel.Sifat tanah mudah dibezakan daripada warna tanah, struktur, dan kandungan karbonat.Tekstur tanah adalah sederhana hingga halus, berasal daripada bahan induk.Ia bersifat koluvial, aluvium atau aeolian.Sesetengah kawasan tanah kelihatan berbintik-bintik di permukaan dan bawah tanah, selalunya dengan konkrit dan pelunturan.Walau bagaimanapun, kebanyakan jenis kambisol adalah tanah4 dan stagnosol. ketinggian antara 455.1 hingga 493.5 m, kambisol menguasai Republik Czech49.
Peta kawasan kajian [Peta kawasan kajian telah dibuat menggunakan ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Sebanyak 115 sampel tanah atas telah diperolehi daripada tanah bandar dan pinggir bandar di daerah Frydek Mistek. Corak sampel yang digunakan ialah grid biasa dengan jarak sampel tanah 2 × 2 km, dan tanah atas diukur pada kedalaman 0 hingga 20 cm menggunakan peranti GPS pegang tangan (Leica Zeno 5 GPS, dilabelkan dengan betul ke dalam beg dan GPS). makmal. Sampel-sampel telah dikeringkan dengan udara untuk menghasilkan sampel yang dilumatkan, dilumatkan oleh sistem mekanikal (kilang cakera Fritsch), dan diayak (saiz ayak 2 mm). Letakkan 1 gram sampel tanah yang telah dikeringkan, dihomogenkan dan diayak dalam botol teflon yang dilabel dengan jelas. Dalam setiap bekas Teflon, keluarkan 7 ml 35% ml HCl6 dan 35% ml HCl dispenser secara automatik. satu untuk setiap asid), tutup sedikit dan biarkan sampel berdiri 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 penghadaman sampel, kemudian sejukkan. Pindahkan supernatan ke dalam 50 ml kelalang isipadu, air yang dicairkan ke dalam kelalang volumetrik50 ml yang dicairkan. supernatan 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 kepekatan pseudo PTE. Kepekatan PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn ICP-O) ditentukan oleh Mg ICP-O, Spektroskopi Pelepasan Optik Plasma Berganding) (Thermo Fisher Scientific, USA) mengikut kaedah dan persetujuan standard.Pastikan prosedur Jaminan dan Kawalan Kualiti (QA/QC) (SRM NIST 2711a Montana II Soil).PTE dengan had pengesanan di bawah separuh telah dikecualikan daripada kajian ini. Had pengesanan bagi PTE0.0 ini adalah kawalan kualiti 4.0.0(you). dan proses jaminan kualiti bagi setiap analisis dipastikan dengan menganalisis piawaian rujukan. Untuk memastikan ralat diminimumkan, analisis berganda telah dilakukan.
Empirikal Bayesian Kriging (EBK) ialah 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 membuat semivariogram, dan bukannya semivariogram tunggal. cara untuk ketidakpastian dan pengaturcaraan yang dikaitkan dengan pemplotan semivariogram ini yang membentuk bahagian yang sangat kompleks bagi kaedah kriging yang mencukupi. Proses interpolasi EBK mengikut tiga kriteria yang dicadangkan oleh Krivoruchko50, (a) model menganggarkan semivariogram daripada dataset input (b) nilai ramalan baharu bagi setiap lokasi input berdasarkan dan set data set model terjana ( semivariogram model yang dijana. Peraturan persamaan Bayesian diberikan sebagai posterior
Di mana \(Prob\left(A\right)\) mewakili sebelumnya, \(Prob\left(B\right)\) kebarangkalian marginal diabaikan dalam kebanyakan kes, \(Prob (B,A)\ ) . Pengiraan semivariogram adalah berdasarkan peraturan Bayes, yang menunjukkan kecenderungan kumpulan data cerapan yang boleh dicipta daripada set data keadaan semivariogram, yang kemudiannya ditentukan oleh nilai semivariogram Bayes. kemungkinan besar untuk mencipta set data pemerhatian daripada semivariogram.
Mesin vektor sokongan ialah algoritma pembelajaran mesin yang menjana hyperplane pemisah yang optimum untuk membezakan kelas yang sama tetapi tidak bebas secara linear.Vapnik51 mencipta algoritma pengelasan niat, tetapi baru-baru ini telah digunakan untuk menyelesaikan masalah berorientasikan regresi. Menurut Li et al.52, SVM ialah salah satu teknik pengelas terbaik bagi SVM.Komponen Regresi SVM. – SVMR) telah digunakan dalam analisis ini.Cherkassky dan ​​Mulier53 mempelopori SVMR sebagai regresi berasaskan kernel, yang pengiraannya dilakukan menggunakan model regresi linear dengan fungsi spatial berbilang negara. John et al54 melaporkan bahawa pemodelan SVMR menggunakan regresi linear hyperplane, yang membolehkan fungsi e-linearspatial kord tidak linear. 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 kepada model subset yang lebih kompleks. vektor.Persamaan yang dicadangkan oleh Vapnik51 ditunjukkan di bawah.
di mana b mewakili ambang skalar, \(K\left({x}_{,}{ x}_{k}\kanan)\) mewakili fungsi kernel, \(\alpha\) mewakili pengganda Lagrange, N Mewakili set data berangka, \({x}_{k}\) mewakili input data dan \(y\) ialah operasi inti GaMRus, yang merupakan operasi inti SV yang digunakan. fungsi (RBF).Inti RBF digunakan untuk menentukan model SVMR yang optimum, yang penting untuk mendapatkan faktor C set penalti paling halus dan parameter kernel gamma (γ) untuk data latihan PTE. Mula-mula, 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 bergerak balas dan sebilangan pembolehubah peramal dengan menggunakan parameter terkumpul linear yang dikira menggunakan kaedah kuasa dua terkecil. Dalam MLR, model kuasa dua terkecil ialah fungsi ramalan bagi sifat tanah selepas pemilihan pembolehubah penjelasan. Ia adalah perlu untuk menggunakan tindak balas untuk mewujudkan hubungan linear dengan pembolehubah linear digunakan sebagai pembolehubah penerang. pembolehubah.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 sisa.
Model campuran diperoleh dengan mengapit EBK dengan SVMR dan MLR. Ini dilakukan dengan mengekstrak nilai ramalan daripada interpolasi EBK. Nilai ramalan yang diperoleh daripada interpolasi Ca, K, dan Mg diperolehi melalui proses gabungan untuk mendapatkan pembolehubah baru, seperti CaK, CaMg, dan KMg. Unsur Ca, K dan Mg yang digabungkan menjadi empat. pembolehubah yang diperolehi ialah Ca, K, Mg, CaK, CaMg, KMg dan CaKMg.Pembolehubah ini menjadi peramal kami, membantu meramal kepekatan nikel dalam tanah bandar dan pinggir bandar.Algoritma SVMR telah dilakukan pada peramal untuk mendapatkan model campuran Mesin Vektor Sokongan Bayesian Kriging Empirikal (EBK_SVM). Begitu juga dengan algoritma pembolehubah MLR bercampur, melalui paip bercampur. Bayesian Kriging-Regression Linear Berbilang (EBK_MLR). Lazimnya, pembolehubah Ca, K, Mg, CaK, CaMg, KMg, dan CaKMg digunakan sebagai kovariat sebagai peramal kandungan Ni dalam tanah bandar dan pinggir bandar. Model yang paling boleh diterima yang diperolehi (EBK_SVM atau EBK_MLR) kemudiannya akan divisualisasikan oleh kajian aliran kerja menggunakan graf ini. Rajah 2.
Menggunakan 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 data-data n SeOM yang digunakan di kawasan bandar dan sebagai evaluasi tanah. pembolehubah vektor berdimensi input43,56.Melssen et al. 57 menghuraikan sambungan vektor input ke dalam rangkaian saraf melalui lapisan input tunggal kepada vektor keluaran dengan vektor berat tunggal. Output yang dijana oleh SeOM ialah peta dua dimensi yang terdiri daripada neuron atau nod berbeza yang dijalin ke dalam peta topologi heksagon, bulat atau segi empat sama mengikut kedekatannya. Membandingkan saiz peta berdasarkan ralat metrik, kuantisasi (6.TE0) dan model (QE.00) dan kepada model kuantisasi (QE.00). 0.904, masing-masing, 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 digunakan untuk membahagikan data kepada data ujian (25% untuk pengesahan) dan set data latihan (75% untuk penentukuran). Dataset latihan digunakan untuk menjana model regresi (penentukuran), dan dataset ujian digunakan untuk mengesahkan kebolehan generalisasi58. Ini dilakukan untuk menilai kesesuaian pelbagai model kandungan nikel yang digunakan untuk meramalkan model kandungan nikel tanah yang digunakan dalam model regresi. proses pengesahan silang sepuluh kali ganda, diulang lima kali. Pembolehubah yang dihasilkan oleh interpolasi EBK digunakan sebagai peramal atau pembolehubah penjelasan untuk meramalkan pembolehubah sasaran (PTE). Pemodelan dikendalikan dalam RStudio menggunakan perpustakaan pakej(Kohonen), perpustakaan(karet), perpustakaan(pemodel), perpustakaan("e1071″), perpustakaan("plyr") perpustakaan, perpustakaan("plyr"), perpustakaan("plyr"), perpustakaan("plyr") (“Metrik”).
Pelbagai parameter pengesahan digunakan untuk menentukan model terbaik yang sesuai untuk meramalkan kepekatan nikel dalam tanah dan untuk menilai ketepatan model dan pengesahannya.Model penghibridan dinilai menggunakan ralat mutlak min (MAE), ralat min kuasa dua akar (RMSE), dan penentuan R-kuasa dua atau pekali (R2).R2 mentakrifkan varians dalam jawapan dan model progresi. magnitud 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 tinggi 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 diperolehi adalah mencukupi dan dianggap sebagai pilihan terbaik. Persamaan berikut menerangkan kaedah pengesahan.
di mana 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 pertama.
Perihalan statistik pembolehubah peramal dan 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 susunan menurun Mg < Ca < K < Ni dan Ca < Mg < K < Ni) masing-masing daripada julat sampel kajian daripada julat nisbah (Ni) yang berbeza. 4.86 hingga 42.39 mg/kg. Perbandingan Ni dengan purata dunia (29 mg/kg) dan purata Eropah (37 mg/kg) menunjukkan bahawa min geometri keseluruhan yang dikira untuk kawasan kajian adalah dalam julat yang boleh diterima. Namun begitu, seperti yang ditunjukkan oleh Kabata-Pendias11, perbandingan purata kepekatan nikel (Ni) dalam tanah Sweden menunjukkan kepekatan purata nikel (Ni) dalam tanah budaya semasa. lebih tinggi.Begitu juga, purata kepekatan Frydek Mistek dalam tanah bandar dan pinggir bandar dalam kajian semasa (Ni 16.15 mg/kg) adalah lebih tinggi daripada had yang dibenarkan iaitu 60 (10.2 mg/kg) untuk Ni dalam tanah bandar Poland yang dilaporkan oleh Różański et al.Tambahan pula, Bretzel dan Kepekatan Calderisi mg/kg sangat rendah (me61kg) direkodkan Bretzel dan Calderisi sangat rendah. tanah bandar di Tuscany berbanding dengan kajian semasa.Jim62 juga mendapati kepekatan nikel yang lebih rendah (12.34 mg/kg) di 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 lama dan perindustrian bandar di Saxony-Anhalt4 yang lebih tinggi daripada purata kepekatan Nikel/Anhalt di Saxony-Anhalt4. keluasan (16.15 mg/kg).Penyelidikan 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 dan industri logam.Ini selaras dengan kajian oleh Khodadoust et al. 64 bahawa industri keluli dan kerja logam adalah sumber utama pencemaran nikel dalam tanah. Walau bagaimanapun, peramal juga berjulat 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 685.09 mg/kg untuk K, dan 685.68 mg/kg. Mg.Jakovljevic et al. 65 menyiasat jumlah kandungan Mg dan K tanah di tengah Serbia. 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, Mg0kg dan jumlah purata Kg0 dan Ca10kg. (590 mg/kg) dan K (810 mg/kg) Kandungan dalam tanah atas adalah lebih rendah daripada unsur tunggal dalam kajian ini. 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 terukur yang berbeza bagi unsur sampel, taburan set data bagi unsur menunjukkan kecondongan yang berbeza. Kecondongan dan kurtosis unsur masing-masing berjulat antara 1.53 hingga 7.24 dan 2.49 hingga 54.16. Semua elemen yang dikira mempunyai kecondongan dan tahap kurtosis yang betul di atas +1. dan memuncak. Anggaran CV unsur-unsur juga menunjukkan bahawa K, Mg, dan Ni mempamerkan kebolehubahan yang sederhana, manakala Ca mempunyai kebolehubahan yang sangat tinggi. CV K, Ni dan Mg menerangkan taburan seragamnya. Tambahan pula, taburan Ca tidak seragam dan sumber luaran boleh menjejaskan 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 dengan CaNi. Walaupun Ca dan K menunjukkan perkaitan sederhana antara satu sama lain, penyelidik seperti Kingston et al. 68 dan Santo69 mencadangkan bahawa paras mereka di 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, industri magnesium kalium yang rapat). 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 bagaimanapun, magnesium menghalang penyerapan kalsium dan magnesium yang berlebihan mengurangkan magnesium dan magnesium yang berlebihan. kesan toksik nikel dalam tanah.
Matriks korelasi untuk elemen yang menunjukkan hubungan antara peramal dan tindak balas (Nota: angka ini termasuk plot serakan antara elemen, tahap keertian adalah berdasarkan p < 0,001).
Rajah 4 menggambarkan taburan spatial unsur.Menurut Burgos et al70, aplikasi taburan spatial adalah teknik yang digunakan untuk mengukur dan menyerlahkan titik panas di kawasan tercemar.Tahap pengayaan Ca dalam Rajah 4 boleh dilihat di bahagian barat laut peta taburan spatial.Rajah menunjukkan hots memperkayakan kalsium di barat laut yang sederhana hingga tinggi. berkemungkinan disebabkan oleh penggunaan kapur cepat (kalsium oksida) untuk mengurangkan keasidan tanah dan penggunaannya dalam kilang keluli sebagai oksigen beralkali dalam proses pembuatan keluli. Sebaliknya, petani lain lebih suka menggunakan kalsium hidroksida dalam tanah berasid untuk meneutralkan pH, yang juga meningkatkan kandungan kalsium dalam tanah71. Kalium juga menunjukkan titik panas di barat laut dan timur boleh menjadi corak utama bagi komuniti kalium-barat laut dan timur laut. disebabkan oleh aplikasi NPK dan potash. Ini adalah konsisten dengan kajian lain, seperti Madaras dan Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, yang memerhatikan bahawa penstabilan dan rawatan tanah dengan KCl dan NPK menghasilkan kandungan K yang tinggi dalam tanah. Pengayaan Potassium Spatial di barat laut peta taburan mungkin disebabkan oleh penggunaan baja berasaskan kalium seperti kalium klorida, kalium sulfat, kalium nitrat, kalium, dan kalium untuk meningkatkan kandungan kalium tanah yang lemah.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 menunjukkan titik panas di dalam tanah. Titik panas yang agak sederhana di barat laut peta dan tenggara peta. Penetapan koloid dalam tanah menyebabkan kepekatan magnesium dalam tanah berkurangan di dalam tanah. Ia menunjukkan kekurangan magnesium dalam tanah. klorosis.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 yang normal6. Pengumpulan nikel pada permukaan tanah bandar dan pinggir bandar mungkin disebabkan oleh aktiviti antropogenik dan kepentingan pertanian7nikkel8 keluli tahan karat.
Pengagihan spatial elemen [peta pengedaran spatial telah dibuat 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 Ni kedua-duanya hampir kepada sifar (0.86 RMSE, -0.08 MAE). Sebaliknya, kedua-dua nilai RMSE dan MAE K boleh diterima. Keputusan RMSE dan MAE adalah lebih besar untuk kalsium dan magnesium. Ca dan K MAE hasil kajian MAE dan RMSE yang berbeza ini lebih besar. EBK untuk meramalkan Ni didapati lebih baik daripada keputusan John et al. 54 menggunakan kriging sinergistik untuk meramalkan kepekatan S dalam tanah menggunakan data terkumpul yang sama. Output EBK yang kami kaji berkorelasi dengan keluaran 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 meramalkan kandungan nikel dalam tanah bandar dan pinggir bandar dinilai menggunakan prestasi model (Jadual 3). Pengesahan model dan penilaian ketepatan mengesahkan bahawa peramal Ca_Mg_K digabungkan dengan model EBK SVMR menghasilkan prestasi terbaik. Model penentukuran Ca_Mg_K-EBK-EBK_SVMRan model ralat mean (R2, EBK_SVMR) mutlak dan ralat kuasa dua mean (RMEBK_SVMRan model) 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). Namun begitu, nilai Ca_were R2 yang baik diperolehi. (0.663 mg/kg R2) dan Ca_Mg-EBK_SVMR (0.643 = R2); keputusan RMSE dan MAE mereka adalah lebih tinggi daripada untuk 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) adalah 17.5 dan 1.49), masing-masing adalah lebih besar daripada 1.3. Ca_Mg_K-EBK_SVMR.Begitu juga, model RMSE dan MAE bagi Ca_Mg-K SVMR (RMSE = 235.974 dan MAE = 166.946) adalah 2.5 dan 2.2 lebih besar daripada model Ca_Mg_K-EBK_SVMR RMSE dan MAE bagi hasil pengiraan data tertumpu RMSE dan MAE. sesuai.RSME dan MAE yang lebih tinggi diperhatikan.Menurut Kebonye et al. 46 dan john et al. 54, semakin hampir RMSE dan MAE adalah kepada sifar, lebih baik hasilnya. SVMR dan EBK_SVMR mempunyai nilai RSME dan MAE terkuantisasi yang lebih tinggi. Telah diperhatikan bahawa anggaran RSME secara konsisten lebih tinggi daripada nilai MAE, menunjukkan kehadiran outlier. Menurut Legates dan McCabe83, sejauh mana ralat mutlak RMSE yang disyorkan) outlier. Ini bermakna lebih heterogen dataset, lebih tinggi nilai MAE dan RMSE. Ketepatan penilaian silang pengesahan model campuran Ca_Mg_K-EBK_SVMR untuk meramal kandungan Ni dalam tanah bandar dan pinggir bandar ialah 63.70%.Menurut Li et al. 59, tahap ketepatan ini ialah kadar prestasi model yang boleh diterima. Keputusan sekarang dibandingkan dengan kajian terdahulu oleh Tarasov et al. 36 yang model hibridnya mencipta MLPRK (Multilayer Perceptron Residual Kriging), yang berkaitan dengan indeks penilaian ketepatan EBK_SVMR yang dilaporkan dalam kajian semasa, RMSE (210) dan The MAE (167.5) adalah lebih tinggi daripada keputusan kami dalam kajian semasa (RMSE 95.479, MAE 77.368). Walau bagaimanapun, apabila membandingkan R02 dengan kajian semasa (37.368). Tarasov et al. 36 (0.544), adalah 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 merekodkan 0.28 (R2) untuk model hibrid yang dibangunkan (Multilayer Kriging6 Perceptron) yang dibangunkan (Multilayer Kriging6 Perceptron), manakala kajian Arus Berbilang-bilang Kriging6. (R2).Tahap ketepatan ramalan model ini (EBK SVMR) ialah 63.7%, manakala ketepatan ramalan yang diperolehi oleh Sergeev et al. 34 ialah 28%.Peta akhir (Rajah 5) yang dibuat 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 terutamanya, 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 pengedaran spatial telah dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Dibentangkan dalam Rajah 6 ialah kepekatan PTE sebagai satah komposisi yang terdiri daripada neuron individu.Tiada satu pun pesawat 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-sifat sampel tersebut.Mengikut skala warna, warna K, dan unsur-unsur yang serupa. corak kepada 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 warna sederhana hingga tinggi warna seperti merah, oren dan kuning. Model KMg memaparkan banyak corak warna tinggi berdasarkan tompok warna berskala rendah hingga sederhana rendah dan perkadaran warna sederhana tinggi hingga rendah. corak taburan satah komponen model menunjukkan corak warna yang tinggi menunjukkan potensi kepekatan nikel dalam tanah (lihat Rajah 4). Satah komponen model CakMg menunjukkan corak warna yang pelbagai dari rendah ke tinggi mengikut skala warna yang tepat. Tambahan pula, ramalan model kandungan nikel (CakMg) adalah serupa dengan taburan spatial Rajah Bogurth 5 dan medium rendah nikel. perkadaran kepekatan nikel dalam tanah bandar dan pinggir bandar.Rajah 7 menggambarkan kaedah kontur dalam kumpulan k-means pada peta, dibahagikan kepada tiga kelompok berdasarkan nilai ramalan dalam setiap model.Kaedah kontur mewakili bilangan gugusan yang optimum.Daripada 115 sampel tanah yang dikumpul, kategori 1 memperoleh sampel tanah terbanyak3 74, sampel tanah Cluster 3, 24 menerima terbanyak. sampel. Gabungan peramal satah tujuh komponen telah dipermudahkan untuk membolehkan tafsiran kelompok yang betul. Disebabkan oleh banyak proses antropogenik dan semula jadi yang mempengaruhi pembentukan tanah, adalah sukar untuk mempunyai corak kelompok yang dibezakan dengan betul dalam peta SeOM yang diedarkan78.
Output satah komponen oleh setiap pembolehubah Mesin Vektor Sokongan Bayesian Kriging (EBK_SVM_SeOM) Empirikal.[Peta SeOM dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen klasifikasi kluster yang berbeza [Peta SeOM telah dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Kajian semasa dengan jelas menggambarkan teknik pemodelan untuk kepekatan nikel dalam tanah bandar dan pinggir 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 satah komposisi SeOM bagi teknik pemodelan mempamerkan corak warna yang tinggi dari rendah ke tinggi pada skala kepekatan warna tanah yang tepat, dalam peta kepekatan Niwpatital yang tepat, dalam peta kepekatan nikel yang tepat, dalam skala warna yang tepat. mengesahkan taburan spatial planar komponen yang ditunjukkan 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 penilaian pengesahan dan ketepatan menunjukkan ralat yang sangat tinggi dari segi RMSE dan MAE. Sebaliknya, model pemodelan yang digunakan adalah rendah dengan nilai EBKM_ yang digunakan. pekali penentuan (R2).Keputusan yang baik diperolehi menggunakan EBK SVMR dan unsur gabungan (CaKMg) dengan ralat RMSE dan MAE yang rendah dengan ketepatan 63.7%.Ternyata penggabungan algoritma EBK dengan algoritma pembelajaran mesin dapat menghasilkan algoritma hibrid yang dapat meramalkan kepekatan PTE dalam tanah.Hasil kajian menunjukkan bahawa penggunaan Ca Mg Ni K dalam kawasan kajian dapat meramalkan penggunaan Ca Mg Ni K sebagai peramal meningkatkan kepekatan kajian. tanah.Ini bermakna penggunaan berterusan baja berasaskan nikel dan pencemaran industri tanah oleh industri keluli mempunyai kecenderungan untuk meningkatkan kepekatan nikel dalam tanah.Kajian ini mendedahkan bahawa model EBK dapat mengurangkan tahap ralat dan meningkatkan ketepatan model taburan spatial tanah di bandar atau tanah peri-bandar.Secara amnya, kami meramalkan model EBK dan PTE-SV untuk mengaplikasikan model EBK dalam tanah; sebagai tambahan, kami mencadangkan untuk menggunakan EBK untuk menghibridkan dengan pelbagai algoritma pembelajaran mesin. Kepekatan Ni telah diramalkan menggunakan unsur sebagai kovariat; walau bagaimanapun, menggunakan lebih banyak kovariat akan meningkatkan prestasi model, yang boleh dianggap sebagai pengehadan kerja semasa. Satu lagi had kajian ini ialah bilangan set data ialah 115. Oleh itu, jika lebih banyak data disediakan, prestasi kaedah penghibridan optimum 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 Nikel kemajuan dalam toksikologi persekitaran moden.persekitaran.toksikologi.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikel: Kajian semula sumbernya dan toksikologi alam sekitar.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Input pencemar daripada atmosfera dan pengumpulan dalam tanah dan tumbuh-tumbuhan berhampiran peleburan 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, tumbuh-tumbuhan dan risiko yang dikaitkan 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. Surih unsur dalam tanah dan… – Google Scholar https://scholar.google.com/scholar?hl=ms&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Unsur+dalam+tanah+dan+tumbuhan.+ed+4.+New+York+%28NY%29%3A+CRC+Press&btnG= (Diakses 24 Nov 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Kesan industri nikel Rusia pada kepekatan logam berat dalam tanah pertanian dan rumput di Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Penyerapan dan pengekalan nikel dalam air minuman adalah berkaitan dengan pengambilan makanan dan kepekaan nikel.aplikasi toksikologi.Farmakodinamik.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 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. 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=ms&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+halaman.+&btnG= (Diakses pada 28 April 2021).