Bedankt voor uw bezoek aan Nature.com. De browserversie die u gebruikt, biedt beperkte ondersteuning voor CSS. Voor de beste ervaring raden we u aan een bijgewerkte browser te gebruiken (of de compatibiliteitsmodus in Internet Explorer uit te schakelen). Om de ondersteuning te blijven garanderen, tonen we de site in de tussentijd zonder stijlen en JavaScript.
Bodemverontreiniging is een groot probleem dat wordt veroorzaakt door menselijke activiteiten. De ruimtelijke verdeling van potentieel toxische elementen (PTE's) varieert in de meeste stedelijke en semi-stedelijke gebieden. Daarom is het moeilijk om de concentratie van PTE's in dergelijke bodems ruimtelijk te voorspellen. In totaal werden 115 monsters genomen van Frydek Mistek in Tsjechië. De concentraties van calcium (Ca), magnesium (Mg), kalium (K) en nikkel (Ni) werden bepaald met behulp van inductief gekoppelde plasma-emissiespectrometrie. De responsvariabele is Ni en de voorspellende variabelen zijn Ca, Mg en K. De correlatiematrix tussen de responsvariabele en de voorspellende variabelen toont een bevredigende correlatie tussen de elementen. De voorspellingsresultaten toonden aan dat Support Vector Machine Regression (SVMR) goed presteerde, hoewel de geschatte wortelgemiddelde kwadratische fout (RMSE) (235,974 mg/kg) en gemiddelde absolute fout (MAE) (166,946 mg/kg) hoger waren dan die van de andere toegepaste methoden. Gemengde modellen voor empirische Bayesiaanse Kriging-meervoudige lineaire regressie De EBK-MLR-modellen presteren slecht, zoals blijkt uit de determinatiecoëfficiënten lager dan 0,1. Het Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR)-model was het beste model, met lage RMSE-waarden (95,479 mg/kg) en MAE-waarden (77,368 mg/kg) en een hoge determinatiecoëfficiënt (R² = 0,637). De output van de EBK-SVMR-modelleringstechniek wordt gevisualiseerd met behulp van een zelforganiserende kaart. Geclusterde neuronen in het vlak van de hybride modelcomponent CakMg-EBK-SVMR tonen meerdere kleurpatronen die de Ni-concentraties in stedelijke en semi-stedelijke bodems voorspellen. De resultaten tonen aan dat de combinatie van EBK en SVMR een effectieve techniek is voor het voorspellen van Ni-concentraties in stedelijke en semi-stedelijke bodems.
Nikkel (Ni) wordt beschouwd als een micronutriënt voor planten omdat het bijdraagt ​​aan de binding van atmosferische stikstof (N) en het ureummetabolisme, die beide nodig zijn voor zaadkieming. Naast de bijdrage aan zaadkieming kan Ni ook fungeren als een remmer van schimmels en bacteriën en de plantenontwikkeling bevorderen. Een tekort aan nikkel in de bodem zorgt ervoor dat planten het opnemen, wat resulteert in chlorose van de bladeren. Zo hebben bijvoorbeeld cowpeas en sperziebonen de toepassing van nikkelhoudende meststoffen nodig om de stikstofbinding te optimaliseren.² Voortdurende toepassing van nikkelhoudende meststoffen om de bodem te verrijken en het vermogen van peulgewassen om stikstof in de bodem te binden te vergroten, verhoogt de nikkelconcentratie in de bodem voortdurend. Hoewel nikkel een micronutriënt voor planten is, kan een overmatige opname ervan in de bodem meer kwaad dan goed doen. De toxiciteit van nikkel in de bodem verlaagt de pH van de bodem en belemmert de opname van ijzer, een essentiële voedingsstof voor plantengroei.¹ Volgens Liu³ is Ni het 17e belangrijkste element dat nodig is voor de ontwikkeling en groei van planten. Naast de rol van nikkel in de ontwikkeling en groei van planten, hebben mensen het nodig voor diverse andere doeleinden. van toepassingen. Galvaniseren, de productie van nikkellegeringen en de fabricage van ontstekingssystemen en bougies in de auto-industrie vereisen allemaal het gebruik van nikkel in diverse industriële sectoren. Daarnaast worden nikkellegeringen en gegalvaniseerde artikelen veelvuldig gebruikt in keukengerei, balzaalaccessoires, benodigdheden voor de voedingsmiddelenindustrie, elektrische draden en kabels, straalturbines, chirurgische implantaten, textiel en scheepsbouw5. Nikkelrijke niveaus in bodems (d.w.z. oppervlaktebodems) worden toegeschreven aan zowel antropogene als natuurlijke bronnen, maar voornamelijk is nikkel een natuurlijke bron in plaats van een antropogene4,6. Natuurlijke bronnen van nikkel zijn onder andere vulkaanuitbarstingen, vegetatie, bosbranden en geologische processen; antropogene bronnen zijn echter onder andere nikkel/cadmium-batterijen in de staalindustrie, galvaniseren, booglassen, diesel en stookolie, en atmosferische emissies van kolenverbranding en afval- en slibverbranding. Nikkelaccumulatie7,8. Volgens Freedman en Hutchinson9 en Manyiwa et al. 10. De belangrijkste bronnen van bodemverontreiniging in de directe en aangrenzende omgeving zijn voornamelijk nikkel-koper-smelterijen en -mijnen. De bovengrond rond de nikkel-koper-raffinaderij in Sudbury, Canada, vertoonde de hoogste concentraties nikkelverontreiniging met 26.000 mg/kg.11 Daarentegen heeft vervuiling door nikkelproductie in Rusland geleid tot hogere nikkelconcentraties in de Noorse bodem.11 Volgens Alms et al. 12. De hoeveelheid met HNO3 extraheerbaar nikkel in de beste akkerbouwgrond van de regio (nikkelproductie in Rusland) varieerde van 6,25 tot 136,88 mg/kg, wat overeenkomt met een gemiddelde van 30,43 mg/kg en een basisconcentratie van 25 mg/kg. Volgens Kabata 11 kan de toepassing van fosfaatkunstmest in landbouwgronden in stedelijke of semi-stedelijke gebieden gedurende opeenvolgende teeltseizoenen de bodem verrijken of contamineren. De potentiële effecten van nikkel bij mensen kunnen leiden tot kanker door middel van mutagenese, chromosomale schade, Z-DNA-vorming, geblokkeerde DNA-excisiereparatie of epigenetische processen13. In dierproeven is gebleken dat nikkel een verscheidenheid aan tumoren kan veroorzaken, en dat kankerverwekkende nikkelcomplexen dergelijke tumoren kunnen verergeren.
Bodemverontreinigingsonderzoeken zijn de laatste tijd sterk toegenomen vanwege een breed scala aan gezondheidsproblemen die voortvloeien uit de relatie tussen bodem en plant, de relatie tussen bodem en bodembiologie, ecologische degradatie en milieueffectrapportage. Tot nu toe was de ruimtelijke voorspelling van potentieel toxische elementen (PTE's) zoals nikkel in de bodem met traditionele methoden arbeidsintensief en tijdrovend. De komst van digitale bodemkartering (DSM) en het huidige succes ervan¹⁵ hebben de voorspellende bodemkartering (PSM) aanzienlijk verbeterd. Volgens Minasny en McBratney¹⁶ is voorspellende bodemkartering (DSM) uitgegroeid tot een prominent subvakgebied binnen de bodemkunde. Lagacherie en McBratney (2006) definiëren DSM als "het creëren en vullen van ruimtelijke bodeminformatiesystemen door middel van in situ en laboratoriumobservatiemethoden en ruimtelijke en niet-ruimtelijke bodeminferentiesystemen". McBratney et al. Uit punt 17 blijkt dat de hedendaagse DSM of PSM de meest effectieve techniek is voor het voorspellen of in kaart brengen van de ruimtelijke verdeling van potentieel toxische elementen (PTE's), bodemtypen en bodemeigenschappen. Geostatistiek en machine learning-algoritmen (MLA) zijn DSM-modelleringstechnieken die met behulp van computers gedigitaliseerde kaarten creëren met zowel significante als minimale gegevens.
Deutsch18 en Olea19 definiëren geostatistiek als “de verzameling numerieke technieken die zich bezighouden met de representatie van ruimtelijke attributen, voornamelijk met behulp van stochastische modellen, zoals hoe tijdreeksanalyse temporele data karakteriseert.” Geostatistiek omvat in de eerste plaats de evaluatie van variogrammen, waarmee de afhankelijkheden van ruimtelijke waarden uit elke dataset gekwantificeerd en gedefinieerd kunnen worden20. Gumiaux et al. Figuur 20 illustreert verder dat de evaluatie van variogrammen in de geostatistiek gebaseerd is op drie principes, waaronder (a) het berekenen van de schaal van de datacorrelatie, (b) het identificeren en berekenen van anisotropie in de datasetdispariteit en (c) naast het in rekening brengen van de inherente meetfout van de data, los van de lokale effecten, worden ook de gebiedseffecten geschat. Voortbouwend op deze concepten worden in de geostatistiek veel interpolatietechnieken gebruikt, waaronder algemene kriging, co-kriging, gewone kriging, empirische Bayesiaanse kriging, de eenvoudige krigingmethode en andere bekende interpolatietechnieken om PTE, bodemkenmerken en bodemtypen in kaart te brengen of te voorspellen.
Machine learning-algoritmen (MLA) zijn een relatief nieuwe techniek die gebruikmaakt van grotere, niet-lineaire dataklassen. Deze technieken worden voornamelijk toegepast in data mining, het identificeren van patronen in data en herhaaldelijk gebruikt voor classificatie in wetenschappelijke vakgebieden zoals bodemkunde en andere taken. Talrijke onderzoeksartikelen maken gebruik van MLA-modellen om potentieel toxische elementen (PTE) in bodems te voorspellen, zoals Tan et al. 22 (random forests voor de schatting van zware metalen in landbouwgronden), Sakizadeh et al. 23 (modellering met behulp van support vector machines en kunstmatige neurale netwerken voor bodemverontreiniging). Daarnaast hebben Vega et al. 24 (CART voor het modelleren van de retentie en adsorptie van zware metalen in de bodem), Sun et al. 25 (toepassing van cubist op de verspreiding van Cd in de bodem) en andere algoritmen zoals k-nearest neighbor, generalized boosted regression en boosted regression trees MLA ook toegepast om PTE in de bodem te voorspellen.
De toepassing van DSM-algoritmen bij voorspellingen of kartering stuit op verschillende uitdagingen. Veel auteurs zijn van mening dat MLA superieur is aan geostatistiek en vice versa. Hoewel de ene beter is dan de andere, verbetert de combinatie van beide de nauwkeurigheid van kartering of voorspellingen in DSM15. Woodcock en Gopal26, Finke27, Pontius en Cheuk28 en Grunwald29 geven commentaar op tekortkomingen en enkele fouten in voorspelde bodemkartering. Bodemkundigen hebben verschillende technieken geprobeerd om de effectiviteit, nauwkeurigheid en voorspelbaarheid van DSM-kartering en -voorspelling te optimaliseren. De combinatie van onzekerheid en verificatie is een van de vele aspecten die in DSM zijn geïntegreerd om de effectiviteit te optimaliseren en gebreken te verminderen. Agyeman et al.15 stellen echter dat het validatiegedrag en de onzekerheid die door kaartcreatie en voorspelling worden geïntroduceerd, onafhankelijk gevalideerd moeten worden om de kaartkwaliteit te verbeteren. De beperkingen van DSM zijn te wijten aan de geografisch verspreide bodemkwaliteit, wat een component van onzekerheid met zich meebrengt; De onzekerheid in het DSM kan echter voortkomen uit meerdere foutbronnen, namelijk covariantiefouten, modelfouten, locatiefouten en analytische fouten 31. Modelleringsonnauwkeurigheden die worden veroorzaakt in MLA- en geostatistische processen worden geassocieerd met een gebrek aan begrip, wat uiteindelijk leidt tot een oversimplificatie van het werkelijke proces 32. Ongeacht de aard van de modellering kunnen onnauwkeurigheden worden toegeschreven aan modelparameters, wiskundige modelvoorspellingen of interpolatie 33. Recentelijk is er een nieuwe DSM-trend ontstaan ​​die de integratie van geostatistiek en MLA in kartering en voorspelling bevordert. Verschillende bodemkundigen en auteurs, zoals Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 en Tarasov et al. 37, hebben de nauwkeurige kwaliteit van geostatistiek en machine learning benut om hybride modellen te genereren die de efficiëntie van voorspelling en kartering verbeteren. kwaliteit. Enkele van deze hybride of gecombineerde algoritmemodellen zijn Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 en Co-Kriging en Gaussian Process Regression38.
Volgens Sergeev et al. kan het combineren van verschillende modelleringstechnieken de tekortkomingen elimineren en de efficiëntie van het resulterende hybride model verhogen, in plaats van een enkel model te ontwikkelen. In deze context betoogt dit nieuwe artikel dat het noodzakelijk is om een ​​gecombineerd algoritme van geostatistiek en MLA toe te passen om optimale hybride modellen te creëren voor het voorspellen van Ni-verrijking in stedelijke en semi-stedelijke gebieden. Deze studie zal gebruikmaken van Empirical Bayesian Kriging (EBK) als basismodel en dit combineren met Support Vector Machine (SVM) en Multiple Linear Regression (MLR) modellen. Hybridisatie van EBK met MLA is nog niet bekend. De verschillende gemengde modellen die worden gebruikt, zijn combinaties van gewone kriging, residuele kriging, regressiekriging en MLA. EBK is een geostatistische interpolatiemethode die gebruikmaakt van een ruimtelijk stochastisch proces dat gelokaliseerd is als een niet-stationair/stationair willekeurig veld met gedefinieerde lokalisatieparameters over het veld, waardoor ruimtelijke variatie mogelijk is.39 EBK is gebruikt in diverse studies, waaronder de analyse van de verspreiding van organische koolstof in landbouwgewassen. bodems40, het beoordelen van bodemverontreiniging41 en het in kaart brengen van bodemeigenschappen42.
Aan de andere kant is Self-Organizing Graph (SeOM) een leeralgoritme dat is toegepast in diverse artikelen, zoals die van Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 en Kebonye et al. 46, om de ruimtelijke kenmerken en groepering van elementen te bepalen. Wang et al. 44 beschrijven dat SeOM een krachtige leermethode is die bekend staat om zijn vermogen om niet-lineaire problemen te groeperen en te visualiseren. In tegenstelling tot andere patroonherkenningstechnieken zoals principale componentenanalyse, fuzzy clustering, hiërarchische clustering en multicriteria besluitvorming, is SeOM beter in het organiseren en identificeren van PTE-patronen. Volgens Wang et al. 44 kan SeOM de ruimtelijke verdeling van gerelateerde neuronen groeperen en datavisualisatie met hoge resolutie bieden. SeOM visualiseert Ni-voorspellingsdata om het beste model te verkrijgen dat de resultaten karakteriseert voor directe interpretatie.
Dit artikel heeft als doel een robuust karteringsmodel te ontwikkelen met optimale nauwkeurigheid voor het voorspellen van het nikkelgehalte in stedelijke en semi-stedelijke bodems. We veronderstellen dat de betrouwbaarheid van het gemengde model voornamelijk afhangt van de invloed van andere modellen die aan het basismodel zijn gekoppeld. We erkennen de uitdagingen waarmee de DSM (Downtown Surface Methodology) te maken heeft, en hoewel deze uitdagingen op meerdere fronten worden aangepakt, lijkt de combinatie van vooruitgang in geostatistiek en MLA-modellen (Multi-Layer Analysis) een incrementele bijdrage te leveren. Daarom zullen we proberen onderzoeksvragen te beantwoorden die mogelijk gemengde modellen opleveren. Maar hoe nauwkeurig is het model in het voorspellen van het doelelement? En wat is het niveau van efficiëntie-evaluatie op basis van validatie en nauwkeurigheidsevaluatie? De specifieke doelstellingen van deze studie waren daarom: (a) het creëren van een gecombineerd mengmodel voor SVMR (Surface-to-Velocity Mixture Relation) of MLR (Multi-Layer Relation) met EBK (Equivalent Base-Kinsey) als basismodel, (b) het vergelijken van de resulterende modellen, (c) het voorstellen van het beste mengmodel voor het voorspellen van Ni-concentraties in stedelijke of semi-stedelijke bodems, en (d) de toepassing van SeOM (Self-Equisite Mixture Map) om een ​​kaart met hoge resolutie van de ruimtelijke variatie van nikkel te creëren.
Het onderzoek wordt uitgevoerd in Tsjechië, meer specifiek in het district Frydek Mistek in de regio Moravië-Silezië (zie Figuur 1). Het onderzoeksgebied is zeer ruig en maakt grotendeels deel uit van de regio Beskiden in Moravië-Silezië, die aan de buitenrand van het Karpatengebergte ligt. Het onderzoeksgebied bevindt zich tussen 49° 41′ 0′ N en 18° 20′ 0′ O, en de hoogte varieert tussen 225 en 327 m. Het Köppen-classificatiesysteem voor de klimaattoestand van de regio classificeert het gebied echter als Cfb = gematigd oceanisch klimaat. Er valt veel regen, zelfs in de droge maanden. De temperaturen variëren licht gedurende het jaar tussen -5 °C en 24 °C, en dalen zelden onder -14 °C of stijgen boven 30 °C, terwijl de gemiddelde jaarlijkse neerslag tussen 685 en 752 mm ligt.47 Het geschatte onderzoeksgebied van het gehele gebied is 1208 vierkante kilometer, met 39,38% bebouwd land en 49,36% bos. Het gebied dat in deze studie is gebruikt, is daarentegen ongeveer 889,8 vierkante kilometer. In en rond Ostrava zijn de staalindustrie en metaalbewerking zeer actief. Metaalfabrieken, de staalindustrie waar nikkel wordt gebruikt in roestvrij staal (bijvoorbeeld voor weerstand tegen atmosferische corrosie) en gelegeerd staal (nikkel verhoogt de sterkte van de legering met behoud van de goede ductiliteit en taaiheid), en intensieve landbouw zoals het gebruik van fosfaatkunstmest en De veeteelt is een potentiële bron van nikkel in de regio (bijvoorbeeld door nikkel toe te voegen aan lammeren om de groeisnelheid te verhogen en aan runderen die weinig voer krijgen). Andere industriële toepassingen van nikkel in onderzoeksgebieden zijn onder andere het gebruik ervan in galvanisatie, waaronder galvanisch nikkel en chemisch nikkelplateren. Bodemeigenschappen zijn gemakkelijk te onderscheiden aan de hand van de kleur, structuur en het carbonaatgehalte. De bodemtextuur is middelmatig tot fijn, afgeleid van het moedermateriaal. Ze zijn colluviaal, alluviaal of eolisch van aard. Sommige bodemgebieden vertonen vlekken aan de oppervlakte en in de ondergrond, vaak met betonachtige structuren en verbleking. Cambisolen en stagnosolen zijn echter de meest voorkomende bodemtypen in de regio48. Met hoogtes variërend van 455,1 tot 493,5 m domineren cambisolen Tsjechië49.
Kaart van het onderzoeksgebied [De kaart van het onderzoeksgebied is gemaakt met ArcGIS Desktop (ESRI, Inc, versie 10.7, URL: https://desktop.arcgis.com).]
In totaal werden 115 monsters van de bovengrond verzameld uit stedelijke en semi-stedelijke gebieden in het district Frydek Mistek. Het gebruikte bemonsteringspatroon was een regelmatig raster met bodemmonsters op een afstand van 2 × 2 km van elkaar. De bovengrond werd gemeten op een diepte van 0 tot 20 cm met behulp van een draagbaar GPS-apparaat (Leica Zeno 5 GPS). De monsters werden verpakt in Ziploc-zakjes, correct gelabeld en naar het laboratorium verzonden. De monsters werden aan de lucht gedroogd om gepoederde monsters te verkrijgen, vervolgens mechanisch vermalen (Fritsch schijfmolen) en gezeefd (zeefgrootte 2 mm). Doe 1 gram gedroogde, gehomogeniseerde en gezeefde bodemmonsters in duidelijk gelabelde teflonflessen. Voeg in elke teflonfles 7 ml 35% HCl en 3 ml 65% HNO3 toe (met behulp van een automatische doseerder – één voor elk zuur), dek de flessen lichtjes af en laat de monsters een nacht staan ​​voor de reactie (koningswaterprogramma). Verwarm het supernatant gedurende 2 uur op een hete metalen plaat (temperatuur: 100 W en 160 °C) om het digestieproces van de monsters te bevorderen en laat het vervolgens afkoelen. Breng het supernatant over in een maatkolf van 50 ml en verdun tot 50 ml met gedemineraliseerd water. Filter vervolgens het verdunde supernatant in een PVC-buis van 50 ml met gedemineraliseerd water. Daarnaast werd 1 ml van de verdunningsoplossing verdund met 9 ml gedemineraliseerd water en gefilterd in een buis van 12 ml, klaargemaakt voor pseudo-concentratie van PTE's. De concentraties van PTE's (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) werden bepaald met ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) volgens standaardmethoden en -overeenkomsten. Zorg voor kwaliteitsborging en -controle (QA/QC) procedures (SRM NIST 2711a Montana II). Bodem). PTE's met detectielimieten lager dan de helft werden uitgesloten van dit onderzoek. De detectielimiet van de in dit onderzoek gebruikte PTE was 0,0004. (jij). Daarnaast wordt het kwaliteitscontrole- en kwaliteitsborgingsproces voor elke analyse gewaarborgd door het analyseren van referentiestandaarden. Om ervoor te zorgen dat fouten tot een minimum werden beperkt, werd een dubbele analyse uitgevoerd.
Empirische Bayesiaanse Kriging (EBK) is een van de vele geostatistische interpolatietechnieken die worden gebruikt bij het modelleren in diverse vakgebieden, zoals bodemkunde. In tegenstelling tot andere kriging-interpolatietechnieken, verschilt EBK van traditionele krigingmethoden doordat rekening wordt gehouden met de fout die wordt geschat door het semivariogrammodel. Bij EBK-interpolatie worden tijdens de interpolatie meerdere semivariogrammodellen berekend, in plaats van één enkel semivariogram. Interpolatietechnieken brengen onzekerheid en programmering met zich mee die gepaard gaan met het plotten van het semivariogram, wat een zeer complex onderdeel vormt van een voldoende krigingmethode. Het interpolatieproces van EBK volgt de drie criteria die door Krivoruchko50 zijn voorgesteld: (a) het model schat het semivariogram op basis van de invoergegevensset, (b) de nieuwe voorspelde waarde voor elke locatie in de invoergegevensset op basis van het gegenereerde semivariogram en (c) het uiteindelijke model wordt berekend op basis van een gesimuleerde gegevensset. De Bayesiaanse vergelijkingregel wordt gegeven als een posterior.
Waarbij \(Prob\left(A\right)\) de prior vertegenwoordigt, wordt de marginale kans \(Prob\left(B\right)\) in de meeste gevallen genegeerd, \(Prob (B,A)\ ). De semivariogramberekening is gebaseerd op de regel van Bayes, die de waarschijnlijkheid aangeeft van observatiegegevenssets die kunnen worden gecreëerd uit semivariogrammen. De waarde van het semivariogram wordt vervolgens bepaald met behulp van de regel van Bayes, die aangeeft hoe waarschijnlijk het is om een ​​gegevensset van observaties te creëren uit het semivariogram.
Een support vector machine (SVM) is een machine learning-algoritme dat een optimaal scheidend hypervlak genereert om identieke, maar niet lineair onafhankelijke klassen te onderscheiden. Vapnik51 ontwikkelde het intentieclassificatie-algoritme, maar het is recentelijk ook gebruikt om regressie-georiënteerde problemen op te lossen. Volgens Li et al.52 is SVM een van de beste classificatietechnieken en wordt het in diverse vakgebieden gebruikt. De regressiecomponent van SVM (Support Vector Machine Regression – SVMR) werd in deze analyse gebruikt. Cherkassky en Mulier53 waren pioniers in SVMR als een op kernels gebaseerde regressie, waarvan de berekening werd uitgevoerd met behulp van een lineair regressiemodel met ruimtelijke functies voor meerdere landen. John et al.54 melden dat SVMR-modellering gebruikmaakt van lineaire regressie met hypervlakken, wat niet-lineaire relaties creëert en ruimtelijke functies mogelijk maakt. Volgens Vohland et al. 55, epsilon (ε)-SVMR gebruikt de getrainde dataset om een ​​representatiemodel te verkrijgen als een epsilon-ongevoelige functie die wordt toegepast om de data onafhankelijk in kaart te brengen met de beste epsilon-bias uit training op gecorreleerde data. De vooraf ingestelde afstandsfout wordt genegeerd ten opzichte van de werkelijke waarde, en als de fout groter is dan ε(ε), compenseren de bodemeigenschappen deze. Het model reduceert ook de complexiteit van de trainingsdata tot een bredere subset van ondersteuningsvectoren. De door Vapnik51 voorgestelde vergelijking wordt hieronder weergegeven.
waarbij b de scalaire drempelwaarde voorstelt, \(K\left({x}_{,}{ x}_{k}\right)\) de kernelfunctie voorstelt, \(\alpha\) de Lagrange-multiplier voorstelt, N een numerieke dataset voorstelt, \({x}_{k}\) de data-input voorstelt en \(y\) de data-output is. Een van de belangrijkste kernels die gebruikt worden, is de SVMR-bewerking, een Gaussische radiale basisfunctie (RBF). De RBF-kernel wordt toegepast om het optimale SVMR-model te bepalen, wat cruciaal is voor het verkrijgen van de meest subtiele straffactor C en kernelparameter gamma (γ) voor de PTE-trainingsdata. Eerst hebben we de trainingsset geëvalueerd en vervolgens de modelprestaties getest op de validatieset. De gebruikte stuurparameter is sigma en de methodewaarde is svmRadial.
Een meervoudig lineair regressiemodel (MLR) is een regressiemodel dat de relatie tussen de responsvariabele en een aantal voorspellende variabelen weergeeft door gebruik te maken van lineaire gepoolde parameters die berekend zijn met de kleinste-kwadratenmethode. In MLR is een kleinste-kwadratenmodel een voorspellende functie van bodemeigenschappen na selectie van verklarende variabelen. Het is noodzakelijk om de respons te gebruiken om een ​​lineaire relatie met de verklarende variabelen vast te stellen. PTE werd gebruikt als responsvariabele om een ​​lineaire relatie met de verklarende variabelen vast te stellen. De MLR-vergelijking is
waarbij y de responsvariabele is, \(a\) het intercept, n het aantal predictoren, \({b}_{1}\) de partiële regressie van de coëfficiënten, \({x}_{ i}\) een predictor of verklarende variabele, en \({\varepsilon }_{i}\) de fout in het model, ook wel het residu genoemd.
Gemengde modellen werden verkregen door EBK te combineren met SVMR en MLR. Dit werd gedaan door voorspelde waarden te extraheren uit EBK-interpolatie. De voorspelde waarden verkregen uit de geïnterpoleerde Ca, K en Mg werden via een combinatorisch proces gebruikt om nieuwe variabelen te verkrijgen, zoals CaK, CaMg en KMg. De elementen Ca, K en Mg werden vervolgens gecombineerd om een ​​vierde variabele te verkrijgen, CaKMg. In totaal werden de volgende variabelen verkregen: Ca, K, Mg, CaK, CaMg, KMg en CaKMg. Deze variabelen werden onze voorspellers, die hielpen bij het voorspellen van nikkelconcentraties in stedelijke en semi-stedelijke bodems. Het SVMR-algoritme werd toegepast op de voorspellers om een ​​gemengd model Empirische Bayesiaanse Kriging-Support Vector Machine (EBK_SVM) te verkrijgen. Op dezelfde manier werden variabelen ook door het MLR-algoritme geleid om een ​​gemengd model Empirische Bayesiaanse Kriging-Meervoudige Lineaire Regressie (EBK_MLR) te verkrijgen. Doorgaans werden de variabelen Ca, K, Mg, CaK, CaMg, KMg en CaKMg worden gebruikt als covariaten om het Ni-gehalte in stedelijke en semi-stedelijke bodems te voorspellen. Het meest geschikte model (EBK_SVM of EBK_MLR) wordt vervolgens gevisualiseerd met behulp van een zelforganiserende grafiek. De workflow van deze studie wordt weergegeven in Figuur 2.
Het gebruik van SeOM is een populair hulpmiddel geworden voor het organiseren, evalueren en voorspellen van data in de financiële sector, de gezondheidszorg, de industrie, de statistiek, de bodemkunde en meer. SeOM wordt gecreëerd met behulp van kunstmatige neurale netwerken en onbegeleide leermethoden voor organisatie, evaluatie en voorspelling. In deze studie werd SeOM gebruikt om Ni-concentraties te visualiseren op basis van het beste model voor het voorspellen van Ni in stedelijke en semi-stedelijke bodems. De data die in de SeOM-evaluatie worden verwerkt, worden gebruikt als n-dimensionale vectorvariabelen43,56.Melssen et al. 57 beschrijft de verbinding van een invoervector in een neuraal netwerk via een enkele invoerlaag naar een uitvoervector met een enkele gewichtsvector. De uitvoer gegenereerd door SeOM is een tweedimensionale kaart bestaande uit verschillende neuronen of knooppunten die, afhankelijk van hun nabijheid, zijn verweven tot hexagonale, cirkelvormige of vierkante topologische kaarten. Door de kaartgroottes te vergelijken op basis van metriek, kwantiseringsfout (QE) en topografische fout (TE), wordt het SeOM-model met respectievelijk 0,086 en 0,904 geselecteerd, wat een kaarteenheid van 55 (5 × 11) is. De neuronstructuur wordt bepaald aan de hand van het aantal knooppunten in de empirische vergelijking.
Het aantal gegevens dat in deze studie is gebruikt, bedraagt ​​115 monsters. Er werd een willekeurige aanpak gebruikt om de gegevens te verdelen in testgegevens (25% voor validatie) en trainingsgegevens (75% voor kalibratie). De trainingsgegevens worden gebruikt om het regressiemodel te genereren (kalibratie), en de testgegevens worden gebruikt om het generalisatievermogen te verifiëren58. Dit werd gedaan om de geschiktheid van verschillende modellen voor het voorspellen van het nikkelgehalte in bodems te beoordelen. Alle gebruikte modellen ondergingen een tienvoudige kruisvalidatie, die vijf keer werd herhaald. De variabelen die door EBK-interpolatie worden geproduceerd, worden gebruikt als voorspellers of verklarende variabelen om de doelvariabele (PTE) te voorspellen. De modellering wordt uitgevoerd in RStudio met behulp van de pakketten library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) en libraries (“Metrics”).
Er werden verschillende validatieparameters gebruikt om het meest geschikte model te bepalen voor het voorspellen van nikkelconcentraties in de bodem en om de nauwkeurigheid van het model en de validatie ervan te evalueren. Hybridisatiemodellen werden geëvalueerd met behulp van de gemiddelde absolute fout (MAE), de wortel van de gemiddelde kwadratische fout (RMSE) en de R-kwadraat of determinatiecoëfficiënt (R²). R² definieert de variantie van de proporties in het antwoord, weergegeven door het regressiemodel. RMSE en de omvang van de variantie in onafhankelijke metingen beschrijven het voorspellend vermogen van het model, terwijl MAE de werkelijke kwantitatieve waarde bepaalt. De R²-waarde moet hoog zijn om het beste mengmodel te evalueren met behulp van de validatieparameters; hoe dichter de waarde bij 1 ligt, hoe hoger de nauwkeurigheid. Volgens Li et al. 59 wordt een R²-criteriumwaarde van 0,75 of hoger beschouwd als een goede voorspeller; Een waarde tussen 0,5 en 0,75 duidt op acceptabele modelprestaties, terwijl een waarde onder 0,5 onacceptabel is. Bij het selecteren van een model met behulp van de RMSE- en MAE-validatiecriteria, worden lagere waarden als voldoende beschouwd en als de beste keuze gezien. De volgende vergelijking beschrijft de verificatiemethode.
waarbij n de grootte van de waargenomen waarde vertegenwoordigt, \({Y}_{i}\) de gemeten respons vertegenwoordigt, en \({\widehat{Y}}_{i}\) tevens de voorspelde responswaarde vertegenwoordigt, dus voor de eerste i waarnemingen.
Statistische beschrijvingen van de voorspellende en responsvariabelen worden gepresenteerd in Tabel 1, met daarin het gemiddelde, de standaarddeviatie (SD), de variatiecoëfficiënt (CV), het minimum, het maximum, de kurtosis en de scheefheid. De minimum- en maximumwaarden van de elementen zijn in aflopende volgorde: Mg < Ca < K < Ni en Ca < Mg < K < Ni. De concentraties van de responsvariabele (Ni) in het onderzoeksgebied varieerden van 4,86 ​​tot 42,39 mg/kg. Een vergelijking van Ni met het wereldgemiddelde (29 mg/kg) en het Europese gemiddelde (37 mg/kg) toonde aan dat het berekende geometrische gemiddelde voor het onderzoeksgebied binnen de acceptabele grenzen lag. Niettemin, zoals Kabata-Pendias11 heeft aangetoond, laat een vergelijking van de gemiddelde nikkelconcentratie (Ni) in dit onderzoek met landbouwgronden in Zweden zien dat de gemiddelde nikkelconcentratie in dit onderzoek hoger is. Evenzo is de gemiddelde concentratie van Frydek Mistek in stedelijke en semi-stedelijke bodems in dit onderzoek (Ni) De concentratie van nikkel (16,15 mg/kg) was hoger dan de toegestane limiet van 60 mg/kg (10,2 mg/kg) voor nikkel in Poolse stedelijke bodems, zoals gerapporteerd door Różański et al. Bovendien registreerden Bretzel en Calderisi61 zeer lage gemiddelde nikkelconcentraties (1,78 mg/kg) in stedelijke bodems in Toscane in vergelijking met de huidige studie. Jim62 vond ook een lagere nikkelconcentratie (12,34 mg/kg) in stedelijke bodems in Hongkong, wat lager is dan de huidige nikkelconcentratie in deze studie. Birke et al63 rapporteerden een gemiddelde nikkelconcentratie van 17,6 mg/kg in een oud mijn- en stedelijk industriegebied in Saksen-Anhalt, Duitsland, wat 1,45 mg/kg hoger was dan de gemiddelde nikkelconcentratie in het gebied (16,15 mg/kg). Huidig ​​onderzoek. Het te hoge nikkelgehalte in bodems in sommige stedelijke en voorstedelijke gebieden van het onderzoeksgebied kan voornamelijk worden toegeschreven aan de ijzer- en staalindustrie en de metaalindustrie. Dit komt overeen met de studie van Khodadoust et al. 64 dat de staalindustrie en metaalbewerking de belangrijkste bronnen van nikkelverontreiniging in de bodem zijn. De voorspellende waarden varieerden echter ook van 538,70 mg/kg tot 69.161,80 mg/kg voor Ca, van 497,51 mg/kg tot 3535,68 mg/kg voor K en van 685,68 mg/kg tot 5970,05 mg/kg voor Mg. Jakovljevic et al. 65 onderzochten het totale Mg- en K-gehalte van bodems in centraal Servië. Ze vonden dat de totale concentraties (respectievelijk 410 mg/kg en 400 mg/kg) lager waren dan de Mg- en K-concentraties in de huidige studie. In Oost-Polen beoordeelden Orzechowski en Smolczynski66 het totale gehalte aan Ca, Mg en K en toonden gemiddelde concentraties van Ca (1100 mg/kg), Mg (590 mg/kg) en K (810 mg/kg) in de bovengrond, die lager zijn dan de concentraties van de afzonderlijke elementen in deze studie. Een recente studie van Pongrac et al. 67 toonde aan dat het totale Ca-gehalte, geanalyseerd in 3 verschillende bodems in Schotland, VK (Mylnefield-bodem, Balruddery-bodem en Hartwood-bodem), een hoger Ca-gehalte aangaf dan in deze studie.
Door de verschillende gemeten concentraties van de bemonsterde elementen vertonen de datasets een verschillende scheefheid. De scheefheid en kurtosis van de elementen varieerden respectievelijk van 1,53 tot 7,24 en van 2,49 tot 54,16. Alle berekende elementen hebben een scheefheid en kurtosis boven +1, wat aangeeft dat de dataverdeling onregelmatig is, naar rechts scheefgetrokken en een piek vertoont. De geschatte variatiecoëfficiënten (CV's) van de elementen laten ook zien dat K, Mg en Ni een matige variabiliteit vertonen, terwijl Ca een extreem hoge variabiliteit heeft. De CV's van K, Ni en Mg verklaren hun uniforme verdeling. Bovendien is de Ca-verdeling niet uniform en kunnen externe bronnen de verrijking ervan beïnvloeden.
De correlatie tussen de voorspellende variabelen en de respons-elementen duidde op een bevredigende correlatie tussen de elementen (zie Figuur 3). De correlatie gaf aan dat CaK een matige correlatie vertoonde met een r-waarde van 0,53, evenals CaNi. Hoewel Ca en K slechts bescheiden verbanden met elkaar vertonen, hebben onderzoekers zoals Kingston et al. Uit onderzoek 68 en Santo69 blijkt dat hun concentraties in de bodem omgekeerd evenredig zijn. Calcium en magnesium zijn echter antagonistisch ten opzichte van kalium, terwijl calcium en kalium wel goed correleren. Dit kan te wijten zijn aan de toepassing van meststoffen zoals kaliumcarbonaat, dat 56% meer kalium bevat. Kalium vertoonde een matige correlatie met magnesium (KM r = 0,63). In de meststoffenindustrie zijn deze twee elementen nauw met elkaar verbonden, omdat kaliummagnesiumsulfaat, kaliummagnesiumnitraat en potas aan de bodem worden toegevoegd om de tekorten te verhogen. Nikkel vertoont een matige correlatie met calcium, kalium en magnesium met r-waarden van respectievelijk 0,52, 0,63 en 0,55. De relaties tussen calcium, magnesium en potentieel toxische elementen zoals nikkel zijn complex, maar desalniettemin remt magnesium de calciumopname, vermindert calcium de effecten van overtollig magnesium en verminderen zowel magnesium als calcium de toxische effecten van nikkel in de bodem.
Correlatiematrix voor elementen die de relatie tussen voorspellende variabelen en responsen weergeeft (Opmerking: deze figuur bevat een spreidingsdiagram tussen elementen, significantieniveaus zijn gebaseerd op p < 0,001).
Figuur 4 illustreert de ruimtelijke verdeling van elementen. Volgens Burgos et al.70 is de toepassing van ruimtelijke verdeling een techniek die wordt gebruikt om hotspots in vervuilde gebieden te kwantificeren en te benadrukken. De verrijkingsniveaus van Ca in Fig. 4 zijn te zien in het noordwestelijke deel van de ruimtelijke verdelingskaart. De figuur toont hotspots met een matige tot hoge Ca-verrijking. De calciumverrijking in het noordwesten van de kaart is waarschijnlijk te wijten aan het gebruik van ongebluste kalk (calciumoxide) om de bodemzuurheid te verminderen en het gebruik ervan in staalfabrieken als alkalische zuurstof in het staalproductieproces. Aan de andere kant geven sommige boeren er de voorkeur aan om calciumhydroxide in zure bodems te gebruiken om de pH te neutraliseren, wat ook het calciumgehalte van de bodem verhoogt71. Kalium vertoont ook hotspots in het noordwesten en oosten van de kaart. Het noordwesten is een belangrijke landbouwregio en het patroon van matige tot hoge kaliumconcentraties kan te wijten zijn aan de toepassing van NPK en kaliummeststoffen. Dit komt overeen met andere studies, zoals die van Madaras en Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, die observeerden dat bodemstabilisatie en behandeling met KCl en NPK resulteerden in een hoog K-gehalte in de bodem. De ruimtelijke kaliumverrijking in het noordwesten van de verspreidingskaart kan te wijten zijn aan het gebruik van kaliumhoudende meststoffen zoals kaliumchloride, kaliumsulfaat, kaliumnitraat, potas en kaliumchloride om het kaliumgehalte van arme bodems te verhogen. Zádorová et al. 76 en Tlustoš et al. Uit onderzoek 77 blijkt dat de toepassing van K-meststoffen het K-gehalte in de bodem verhoogt en op de lange termijn het nutriëntengehalte van de bodem aanzienlijk zal verhogen, met name K en Mg, die een hotspot in de bodem vertonen. Relatief gematigde hotspots bevinden zich in het noordwesten en het zuidoosten van de kaart. Colloïdale fixatie in de bodem vermindert de concentratie magnesium in de bodem. Een tekort aan magnesium in de bodem veroorzaakt geelachtige chlorose tussen de nerven bij planten. Magnesiummeststoffen, zoals kaliummagnesiumsulfaat, magnesiumsulfaat en kieseriet, behandelen tekorten (planten zien er paars, rood of bruin uit, wat wijst op een magnesiumtekort) in bodems met een normale pH-waarde6. De accumulatie van nikkel op stedelijke en semi-stedelijke bodemoppervlakken kan te wijten zijn aan antropogene activiteiten zoals landbouw en het belang van nikkel in de roestvrijstaalproductie78.
Ruimtelijke verdeling van elementen [de kaart met de ruimtelijke verdeling is gemaakt met ArcGIS Desktop (ESRI, Inc, versie 10.7, URL: https://desktop.arcgis.com).]
De resultaten van de modelprestatie-index voor de elementen die in dit onderzoek zijn gebruikt, worden weergegeven in Tabel 2. Aan de andere kant liggen de RMSE en MAE van Ni beide dicht bij nul (0,86 RMSE, -0,08 MAE). Aan de andere kant zijn de RMSE- en MAE-waarden van K acceptabel. De RMSE- en MAE-resultaten waren hoger voor calcium en magnesium. De hogere MAE- en RMSE-resultaten voor Ca en K zijn te wijten aan de verschillende datasets. De RMSE en MAE van dit onderzoek met behulp van EBK om Ni te voorspellen bleken beter te zijn dan de resultaten van John et al. 54 die synergistische kriging gebruikten om S-concentraties in de bodem te voorspellen met dezelfde verzamelde gegevens. De door ons bestudeerde EBK-uitkomsten correleren met die van Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 en John et al. 82, met name K en Ni.
De prestaties van individuele methoden voor het voorspellen van het nikkelgehalte in stedelijke en semi-stedelijke bodems werden geëvalueerd aan de hand van de prestaties van de modellen (Tabel 3). Modelvalidatie en nauwkeurigheidsevaluatie bevestigden dat de Ca_Mg_K-voorspeller in combinatie met het EBK SVMR-model de beste prestaties leverde. De R²-waarde, de wortelgemiddelde kwadratische fout (RMSE) en de gemiddelde absolute fout (MAE) van het kalibratiemodel Ca_Mg_K-EBK_SVMR waren respectievelijk 0,637 (R²), 95,479 mg/kg (RMSE) en 77,368 mg/kg (MAE). Voor Ca_Mg_K-SVMR waren deze waarden respectievelijk 0,663 (R²), 235,974 mg/kg (RMSE) en 166,946 mg/kg (MAE). Desondanks werden goede R²-waarden verkregen voor Ca_Mg_K-SVMR (0,663 mg/kg R²) en Ca_Mg-EBK_SVMR. (0,643 = R2); Hun RMSE- en MAE-resultaten waren hoger dan die voor Ca_Mg_K-EBK_SVMR (R2 0,637) (zie Tabel 3). Bovendien zijn de RMSE en MAE van het Ca_Mg-EBK_SVMR-model (RMSE = 1664,64 en MAE = 1031,49) respectievelijk 17,5 en 13,4, wat groter is dan die van Ca_Mg_K-EBK_SVMR. Evenzo zijn de RMSE en MAE van het Ca_Mg-K SVMR-model (RMSE = 235,974 en MAE = 166,946) respectievelijk 2,5 en 2,2 groter dan die van Ca_Mg_K-EBK_SVMR. De berekende RMSE-resultaten geven aan hoe geconcentreerd de dataset is rond de best passende lijn. Hogere RMSE- en MAE-waarden werden waargenomen. Volgens Volgens Kebonye et al. 46 en John et al. 54 geldt dat hoe dichter de RMSE en MAE bij nul liggen, hoe beter de resultaten zijn. SVMR en EBK_SVMR hebben hogere gekwantificeerde RMSE- en MAE-waarden. Er werd waargenomen dat de RMSE-schattingen consistent hoger waren dan de MAE-waarden, wat wijst op de aanwezigheid van uitschieters. Volgens Legates en McCabe83 wordt de mate waarin de RMSE de gemiddelde absolute fout (MAE) overschrijdt aanbevolen als indicator voor de aanwezigheid van uitschieters. Dit betekent dat hoe heterogener de dataset, hoe hoger de MAE- en RMSE-waarden. De nauwkeurigheid van de kruisvalidatiebeoordeling van het Ca_Mg_K-EBK_SVMR-mengmodel voor het voorspellen van het Ni-gehalte in stedelijke en voorstedelijke bodems was 63,70%. Volgens Li et al. 59 is dit nauwkeurigheidsniveau een acceptabele modelprestatie. De huidige resultaten worden vergeleken met een eerdere studie van Tarasov et al. 36 wiens hybride model MLPRK (Multilayer Perceptron Residual Kriging) creëerde, gerelateerd aan de EBK_SVMR nauwkeurigheidsevaluatie-index die in de huidige studie wordt gerapporteerd, RMSE (210) en de MAE (167,5) was hoger dan onze resultaten in de huidige studie (RMSE 95,479, MAE 77,368). Echter, bij vergelijking van de R² van de huidige studie (0,637) met die van Tarasov et al. Uit figuur 36 (0,544) blijkt duidelijk dat de determinatiecoëfficiënt (R²) hoger is in dit gemengde model. De foutmarge (RMSE en MAE) (EBK SVMR) voor het gemengde model is twee keer lager. Sergeev et al.34 registreerden een R² van 0,28 voor het ontwikkelde hybride model (Multilayer Perceptron Residual Kriging), terwijl Ni in deze studie een R² van 0,637 registreerde. De voorspellingsnauwkeurigheid van dit model (EBK SVMR) is 63,7%, terwijl de voorspellingsnauwkeurigheid van Sergeev et al.34 28% is. De uiteindelijke kaart (figuur 5), gemaakt met het EBK_SVMR-model en Ca_Mg_K als voorspeller, toont voorspellingen van hotspots en matige tot hoge nikkelconcentraties over het gehele onderzoeksgebied. Dit betekent dat de nikkelconcentratie in het onderzoeksgebied overwegend matig is, met hogere concentraties in enkele specifieke gebieden.
De uiteindelijke voorspellingskaart wordt weergegeven met behulp van het hybride model EBK_SVMR en Ca_Mg_K als voorspeller. [De ruimtelijke verspreidingskaart is gemaakt met RStudio (versie 1.4.1717: https://www.rstudio.com/).]
Figuur 6 toont de PTE-concentraties als een compositievlak bestaande uit individuele neuronen. Geen van de componentvlakken vertoonde hetzelfde kleurpatroon als weergegeven. Het juiste aantal neuronen per getekende kaart is echter 55. SeOM wordt geproduceerd met behulp van verschillende kleuren, en hoe meer de kleurpatronen op elkaar lijken, hoe beter de eigenschappen van de monsters vergelijkbaar zijn. Volgens hun precieze kleurschaal vertoonden individuele elementen (Ca, K en Mg) vergelijkbare kleurpatronen als individuele neuronen met een hoge concentratie en de meeste neuronen met een lage concentratie. CaK en CaMg vertonen dus overeenkomsten met neuronen van zeer hoge orde en kleurpatronen van lage tot gemiddelde intensiteit. Beide modellen voorspellen de concentratie van Ni in de bodem door middel van middelmatige tot hoge kleurtinten zoals rood, oranje en geel. Het KMg-model toont veel patronen met een hoge concentratie op basis van precieze verhoudingen en vlekken met een lage tot gemiddelde concentratie. Op een precieze kleurschaal van laag naar hoog vertoonde het vlakke distributiepatroon van de componenten van het model een patroon met een hoge concentratie, wat de potentiële concentratie van nikkel in de bodem aangeeft (zie Figuur 4). Het componentvlak van het CakMg-model De grafiek toont een divers kleurenpatroon van laag tot hoog volgens een nauwkeurige kleurenschaal. Bovendien is de voorspelling van het nikkelgehalte (CakMg) door het model vergelijkbaar met de ruimtelijke verdeling van nikkel in figuur 5. Beide grafieken tonen hoge, gemiddelde en lage concentraties nikkel in stedelijke en semi-stedelijke bodems. Figuur 7 toont de contourmethode in de k-means-groepering op de kaart, verdeeld in drie clusters op basis van de voorspelde waarde in elk model. De contourmethode vertegenwoordigt het optimale aantal clusters. Van de 115 verzamelde bodemmonsters kreeg categorie 1 de meeste monsters, namelijk 74. Cluster 2 ontving 33 monsters, terwijl cluster 3 8 monsters ontving. De zevencomponenten planaire predictorcombinatie werd vereenvoudigd om een ​​correcte clusterinterpretatie mogelijk te maken. Vanwege de talrijke antropogene en natuurlijke processen die de bodemvorming beïnvloeden, is het moeilijk om goed gedifferentieerde clusterpatronen te verkrijgen in een gedistribueerde SeOM-kaart78.
Componentvlakuitvoer per variabele van de Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [SeOM-kaarten zijn gemaakt met RStudio (versie 1.4.1717: https://www.rstudio.com/).]
Verschillende clusterclassificatiecomponenten [SeOM-kaarten zijn gemaakt met RStudio (versie 1.4.1717: https://www.rstudio.com/).]
De huidige studie illustreert duidelijk modelleertechnieken voor nikkelconcentraties in stedelijke en semi-stedelijke bodems. De studie testte verschillende modelleertechnieken, waarbij elementen werden gecombineerd met modelleertechnieken, om de beste manier te vinden om nikkelconcentraties in de bodem te voorspellen. De ruimtelijke planaire kenmerken van de SeOM-samenstelling van de modelleertechniek vertoonden een sterk kleurpatroon van laag naar hoog op een nauwkeurige kleurschaal, wat duidt op Ni-concentraties in de bodem. De ruimtelijke distributiekaart bevestigt echter de planaire ruimtelijke verdeling van componenten zoals weergegeven door EBK_SVMR (zie Figuur 5). De resultaten tonen aan dat het support vector machine regressiemodel (Ca Mg K-SVMR) de concentratie van Ni in de bodem als een enkel model voorspelt, maar de validatie- en nauwkeurigheidsevaluatieparameters vertonen zeer hoge fouten in termen van RMSE en MAE. Aan de andere kant is de modelleertechniek die gebruikt wordt met het EBK_MLR-model ook gebrekkig vanwege de lage waarde van de determinatiecoëfficiënt (R²). Goede resultaten werden verkregen met behulp van EBK SVMR en gecombineerde elementen (CaKMg) met lage RMSE- en MAE-fouten en een nauwkeurigheid van 63,7%. Het blijkt dat de combinatie van het EBK-algoritme met een machine learning-algoritme een hybride algoritme kan opleveren dat de concentratie van potentieel toxische elementen (PTE's) in de bodem kan voorspellen. De resultaten tonen aan dat het gebruik van Ca, Mg en K als voorspellers voor de voorspelling van Ni-concentraties in het onderzoeksgebied de voorspelling van Ni in de bodem kan verbeteren. Dit betekent dat de continue toepassing van nikkelhoudende meststoffen en industriële bodemvervuiling door de staalindustrie de neiging heeft de concentratie van nikkel in de bodem te verhogen. Deze studie toonde aan dat het EBK-model de foutmarge kan verkleinen en de nauwkeurigheid van het model voor de ruimtelijke verdeling van bodem in stedelijke of semi-stedelijke gebieden kan verbeteren. Over het algemeen stellen we voor om het EBK-SVMR-model toe te passen voor het beoordelen en voorspellen van PTE's in de bodem; daarnaast stellen we voor om EBK te combineren met verschillende machine learning-algoritmen. Ni-concentraties werden voorspeld met behulp van elementen als covariaten; Het gebruik van meer covariaten zou de prestaties van het model echter aanzienlijk verbeteren, wat als een beperking van het huidige onderzoek kan worden beschouwd. Een andere beperking van deze studie is het aantal datasets, namelijk 115. Daarom zouden de prestaties van de voorgestelde geoptimaliseerde hybridisatiemethode verbeterd kunnen worden als er meer data beschikbaar zouden komen.
PlantProbs.net.Nikkel in planten en bodem https://plantprobs.net/plant/nutrientImbalances/sodium.html (geraadpleegd op 28 april 2021).
Kasprzak, KS. Nikkelvooruitgang in de moderne milieutoxicologie. Surroundings. Toxicology. 11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikkel: Een overzicht van de bronnen en milieutoxicologie. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC. Invoer van verontreinigende stoffen uit de atmosfeer en accumulatie in bodem en vegetatie nabij een nikkel-kopersmelterij in Sudbury, Ontario, Canada. can.J. Bot. 58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Zware metalen in bodem, planten en risico's verbonden aan grazende herkauwers in de buurt van de Selebi-Phikwe koper-nikkelmijn in Botswana. Omgeving. Geochemie. Gezondheid. https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Sporenelementen in bodem en… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Geraadpleegd op 24 november 2020).
Almås, A., Singh, B., Landbouw, TS-NJ van & 1995, niet gedefinieerd. Effecten van de Russische nikkelindustrie op de concentraties zware metalen in landbouwgrond en gras in Soer-Varanger, Noorwegen. agris.fao.org.
Nielsen, GD et al. Nikkelabsorptie en -retentie in drinkwater zijn gerelateerd aan voedselinname en nikkelgevoeligheid. Toxicologie. Toepassing. Farmacodynamiek. 154, 67–75 (1999).
Costa, M. & Klein, CB. Nikkelcarcinogenese, mutatie, epigenetica of selectie. Omgeving. Gezondheidsperspectief. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Trendanalyse van potentieel toxische elementen: een bibliometrische review. Environmental Geochemistry and Health. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitale bodemkartering: een korte geschiedenis en enkele lessen. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Over digitale bodemkartering.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistische reservoirmodellering,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Geraadpleegd op 28 april 2021).