Takk for at du besøker Nature.com. Nettleserversjonen du bruker har begrenset støtte for CSS. For best mulig opplevelse anbefaler vi at du bruker en oppdatert nettleser (eller slår av kompatibilitetsmodus i Internet Explorer). I mellomtiden, for å sikre fortsatt støtte, vil vi vise nettstedet uten stiler og JavaScript.
Jordforurensning er et stort problem forårsaket av menneskelig aktivitet. Den romlige fordelingen av potensielt giftige elementer (PTE) varierer i de fleste urbane og peri-urbane områder. Derfor er det vanskelig å romlig forutsi innholdet av PTE i slike jordtyper. Totalt 115 prøver ble innhentet fra Frydek Mistek i Tsjekkia. Kalsium (Ca), magnesium (Mg), kalium (K) og nikkel (Ni) konsentrasjoner ble bestemt ved hjelp av induktivt koblet plasmaemisjonsspektrometri. Responsvariabelen er Ni, og prediktorene er Ca, Mg og K. Korrelasjonsmatrisen mellom responsvariabelen og prediktorvariabelen viser en tilfredsstillende korrelasjon mellom elementene. Prediksjonsresultatene viste at Support Vector Machine Regresion (SVMR) presterte bra, selv om den estimerte rotmiddelkvadratfeilen (RMSE) (235,974 mg/kg) og gjennomsnittlig absolutt feil (MAE) (166,946 mg/kg) var høyere enn de andre metodene som ble brukt. Blandede modeller for empirisk bayesiansk Kriging-multippel lineær regresjon (EBK-MLR) presterer dårlig, noe som er vist. med bestemmelseskoeffisienter mindre enn 0,1. Den empiriske Bayesianske Kriging-Support Vector Machine Regression (EBK-SVMR)-modellen var den beste modellen, med lave RMSE- (95,479 mg/kg) og MAE-verdier (77,368 mg/kg) og høy bestemmelseskoeffisient (R2 = 0,637). Utdataene fra EBK-SVMR-modelleringsteknikken visualiseres ved hjelp av et selvorganiserende kart. Grupperte nevroner i planet til hybridmodellen CakMg-EBK-SVMR-komponenten viser flere fargemønstre som predikerer Ni-konsentrasjoner i urbane og peri-urbane jordarter. Resultatene viser at det å kombinere EBK og SVMR er en effektiv teknikk for å predikere Ni-konsentrasjoner i urbane og peri-urbane jordarter.
Nikkel (Ni) regnes som et mikronæringsstoff for planter fordi det bidrar til atmosfærisk nitrogenfiksering (N) og ureametabolisme, som begge er nødvendige for frøspiring. I tillegg til å bidra til frøspiring, kan Ni fungere som en sopp- og bakteriehemmer og fremme planteutvikling. Mangelen på nikkel i jorden lar planten absorbere det, noe som resulterer i klorose av bladene. For eksempel krever vinaerter og grønne bønner påføring av nikkelbasert gjødsel for å optimalisere nitrogenfikseringen2. Fortsatt påføring av nikkelbasert gjødsel for å berike jorden og øke belgfruktenes evne til å fiksere nitrogen i jorden øker kontinuerlig nikkelkonsentrasjonen i jorden. Selv om nikkel er et mikronæringsstoff for planter, kan overdrevent inntak i jorden gjøre mer skade enn gagn. Toksisiteten til nikkel i jord minimerer jordens pH og hindrer opptaket av jern som et essensielt næringsstoff for plantevekst1. I følge Liu3 har Ni vist seg å være det 17. viktige elementet som kreves for planteutvikling og vekst. I tillegg til nikkels rolle i planteutvikling og vekst, trenger mennesker det til en rekke bruksområder. Elektroplettering, produksjon av Nikkelbaserte legeringer og produksjon av tenningsanordninger og tennplugger i bilindustrien krever alle bruk av nikkel i ulike industrisektorer. I tillegg har nikkelbaserte legeringer og galvaniserte artikler blitt mye brukt i kjøkkenutstyr, ballromstilbehør, forsyninger til næringsmiddelindustrien, elektrisk utstyr, ledninger og kabler, jetturbiner, kirurgiske implantater, tekstiler og skipsbygging5. Ni-rike nivåer i jord (dvs. overflatejord) har blitt tilskrevet både menneskeskapte og naturlige kilder, men primært er Ni en naturlig kilde snarere enn menneskeskapt4,6. Naturlige kilder til nikkel inkluderer vulkanutbrudd, vegetasjon, skogbranner og geologiske prosesser. Menneskeskapte kilder inkluderer imidlertid nikkel-/kadmiumbatterier i stålindustrien, galvanisering, lysbuesveising, diesel og fyringsoljer, og atmosfæriske utslipp fra kullforbrenning og avfalls- og slamforbrenning. Nikkelopphopning7,8. I følge Freedman og Hutchinson9 og Manyiwa et al. 10, hovedkildene til matjordforurensning i nærmiljøet og nærområdet er hovedsakelig nikkel-kobberbaserte smelteverk og gruver. Matjorden rundt nikkel-kobberraffineriet i Sudbury i Canada hadde de høyeste nivåene av nikkelforurensning med 26 000 mg/kg11. I motsetning til dette har forurensning fra nikkelproduksjon i Russland resultert i høyere nikkelkonsentrasjoner i norsk jord11. Ifølge Alms et al. 12 varierte mengden HNO3-ekstraherbart nikkel i regionens beste dyrkbare land (nikkelproduksjon i Russland) fra 6,25 til 136,88 mg/kg, tilsvarende et gjennomsnitt på 30,43 mg/kg og en grunnlinjekonsentrasjon på 25 mg/kg. I følge kabata 11 kan bruk av fosforgjødsel i jordbruksjord i urbane eller peri-urbane jordarter i løpet av påfølgende avlingssesonger infusere eller forurense jorden. De potensielle effektene av nikkel hos mennesker kan føre til kreft gjennom mutagenese, kromosomskade, Z-DNA-generering, blokkert DNA-eksisjonsreparasjon eller epigenetiske prosesser 13. I dyreforsøk har det vist seg at nikkel har potensial til å forårsake en rekke svulster, og kreftfremkallende nikkelkomplekser kan forverre slike svulster.
Vurderinger av jordforurensning har blomstret i den senere tid på grunn av en rekke helserelaterte problemer som følge av forholdet mellom jord og plante, jord og jordbiologiske forhold, økologisk forringelse og vurdering av miljøpåvirkninger. Til dags dato har romlig prediksjon av potensielt giftige elementer (PTE) som Ni i jord vært arbeidskrevende og tidkrevende ved bruk av tradisjonelle metoder. Fremveksten av digital jordkartlegging (DSM) og dens nåværende suksess15 har forbedret prediktiv jordkartlegging (PSM) betraktelig. Ifølge Minasny og McBratney16 har prediktiv jordkartlegging (DSM) vist seg å være en fremtredende underdisiplin innen jordvitenskap. Lagacherie og McBratney, 2006 definerer DSM som «oppretting og utfylling av romlige jordinformasjonssystemer ved bruk av in situ- og laboratorieobservasjonsmetoder og romlige og ikke-romlige jordinferenssystemer». McBratney et al. 17 beskriver at den moderne DSM eller PSM er den mest effektive teknikken for å forutsi eller kartlegge den romlige fordelingen av PTE-er, jordtyper og jordegenskaper. Geostatistikk og maskinlæringsalgoritmer (MLA) er DSM-modelleringsteknikker som lager digitaliserte kart ved hjelp av datamaskiner som bruker betydelige og minimale data.
Deutsch18 og Olea19 definerer geostatistikk som «samlingen av numeriske teknikker som omhandler representasjon av romlige attributter, hovedsakelig ved bruk av stokastiske modeller, for eksempel hvordan tidsserieanalyse karakteriserer tidsdata.» Geostatistikk involverer primært evaluering av variogrammer, som tillater kvantifisering og avhengigheter av romlige verdier fra hvert datasett20. Gumiaux et al.20 illustrerer videre at evalueringen av variogrammer i geostatistikk er basert på tre prinsipper, inkludert (a) beregning av skalaen for datakorrelasjon, (b) identifisering og beregning av anisotropi i datasettdisparitet og (c) i tillegg til å ta hensyn til den iboende feilen i måledataene atskilt fra de lokale effektene, estimeres også arealeffektene. Byggende på disse konseptene brukes mange interpolasjonsteknikker i geostatistikk, inkludert generell kriging, ko-kriging, vanlig kriging, empirisk bayesiansk kriging, enkel kriging-metode og andre velkjente interpolasjonsteknikker for å kartlegge eller forutsi PTE, jordegenskaper og jordtyper.
Maskinlæringsalgoritmer (MLA) er en relativt ny teknikk som benytter større ikke-lineære dataklasser, drevet av algoritmer som primært brukes til datautvinning, identifisering av mønstre i data, og gjentatte ganger brukt til klassifisering innen vitenskapelige felt som jordvitenskap og returoppgaver. Tallrike forskningsartikler er avhengige av MLA-modeller for å forutsi PTE i jord, som Tan et al. 22 (tilfeldige skoger for tungmetallestimering i jordbruksjord), Sakizadeh et al. 23 (modellering ved hjelp av støttevektormaskiner og kunstige nevrale nettverk) jordforurensning). I tillegg har Vega et al. 24 (CART for modellering av tungmetallretensjon og adsorpsjon i jord) Sun et al. 25 (anvendelse av kubist er fordelingen av Cd i jord) og andre algoritmer som k-nærmeste neighbor, generalisert boosted regresjon og boosted regresjonstrener også brukt MLA for å forutsi PTE i jord.
Bruken av DSM-algoritmer i prediksjon eller kartlegging står overfor flere utfordringer. Mange forfattere mener at MLA er bedre enn geostatistikk og omvendt. Selv om den ene er bedre enn den andre, forbedrer kombinasjonen av de to nøyaktighetsnivået til kartlegging eller prediksjon i DSM15. Woodcock og Gopal26 Finke27; Pontius og Cheuk28 og Grunwald29 kommenterer mangler og noen feil i predikert jordkartlegging. Jordforskere har prøvd en rekke teknikker for å optimalisere effektiviteten, nøyaktigheten og forutsigbarheten til DSM-kartlegging og -prognoser. Kombinasjonen av usikkerhet og verifisering er ett av mange forskjellige aspekter som er integrert i DSM for å optimalisere effektiviteten og redusere feil. Agyeman et al.15 skisserer imidlertid at valideringsatferden og usikkerheten som introduseres ved kartoppretting og prediksjon, bør valideres uavhengig for å forbedre kartkvaliteten. Begrensningene til DSM skyldes geografisk spredt jordkvalitet, som involverer en komponent av usikkerhet; Mangelen på sikkerhet i DSM kan imidlertid oppstå fra flere feilkilder, nemlig kovariatfeil, modellfeil, lokaliseringsfeil og analytisk feil 31. Modelleringsunøyaktigheter indusert i MLA og geostatistiske prosesser er forbundet med mangel på forståelse, noe som til slutt fører til overforenkling av den virkelige prosessen32. Uavhengig av modelleringens art, kan unøyaktigheter tilskrives modelleringsparametere, matematiske modellprediksjoner eller interpolasjon33. Nylig har en ny DSM-trend dukket opp som fremmer integreringen av geostatistikk og MLA i kartlegging og prognoser. Flere jordforskere og forfattere, som Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 og Tarasov et al. 37, har utnyttet den nøyaktige kvaliteten til geostatistikk og maskinlæring for å generere hybridmodeller som forbedrer effektiviteten til prognoser og kartlegging. kvalitet. Noen av disse hybride eller kombinerte algoritmemodellene er 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 og Co-Kriging og Gaussisk prosessregresjon38.
Ifølge Sergeev et al. har kombinasjonen av ulike modelleringsteknikker potensial til å eliminere defekter og øke effektiviteten til den resulterende hybridmodellen i stedet for å utvikle en enkelt modell. I denne sammenhengen argumenterer denne nye artikkelen for at det er nødvendig å anvende en kombinert algoritme av geostatistikk og MLA for å lage optimale hybridmodeller for å forutsi Ni-anriking i urbane og peri-urbane områder. Denne studien vil stole på empirisk bayesiansk Kriging (EBK) som basismodell og blande den med Support Vector Machine (SVM) og Multiple Linear Regression (MLR) modeller. Hybridisering av EBK med en hvilken som helst MLA er ikke kjent. De multiple blandede modellene som er sett er kombinasjoner av ordinær, residual, regresjonskriging og MLA. EBK er en geostatistisk interpolasjonsmetode som bruker en romlig stokastisk prosess som er lokalisert som et ikke-stasjonært/stasjonært tilfeldig felt med definerte lokaliseringsparametere over feltet, noe som tillater romlig variasjon39. EBK har blitt brukt i en rekke studier, inkludert analyse av fordelingen av organisk karbon i jordbruksjord40, vurdering av jordforurensning41 og kartlegging av jord egenskaper42.
På den annen side er Self-Organizing Graph (SeOM) en læringsalgoritme som har blitt brukt i diverse artikler som Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 og Kebonye et al. 46. Bestem de romlige attributtene og grupperingen av elementer. Wang et al. 44 beskriver at SeOM er en kraftig læringsteknikk kjent for sin evne til å gruppere og forestille seg ikke-lineære problemer. I motsetning til andre mønstergjenkjenningsteknikker som prinsipalkomponentanalyse, fuzzy clustering, hierarkisk clustering og flerkriteriebeslutningstaking, er SeOM bedre til å organisere og identifisere PTE-mønstre. I følge Wang et al. 44 kan SeOM romlig gruppere fordelingen av relaterte nevroner og gi datavisualisering med høy oppløsning. SeOM vil visualisere Ni-prediksjonsdata for å få den beste modellen for å karakterisere resultatene for direkte tolkning.
Denne artikkelen tar sikte på å generere en robust kartleggingsmodell med optimal nøyaktighet for å forutsi nikkelinnhold i urbane og peri-urbane jordarter. Vi antar at påliteligheten til den blandede modellen hovedsakelig avhenger av påvirkningen fra andre modeller knyttet til basismodellen. Vi erkjenner utfordringene DSM står overfor, og selv om disse utfordringene blir adressert på flere fronter, ser kombinasjonen av fremskritt innen geostatistikk og MLA-modeller ut til å være trinnvis. Derfor vil vi forsøke å svare på forskningsspørsmål som kan gi blandede modeller. Men hvor nøyaktig er modellen til å forutsi målelementet? Hva er også nivået av effektivitetsevaluering basert på validering og nøyaktighetsevaluering? Derfor var de spesifikke målene for denne studien å (a) lage en kombinert blandingsmodell for SVMR eller MLR ved å bruke EBK som basismodell, (b) sammenligne de resulterende modellene, (c) foreslå den beste blandingsmodellen for å forutsi Ni-konsentrasjoner i urbane eller peri-urbane jordarter, og (d) anvendelsen av SeOM for å lage et kart med høy oppløsning over romlig variasjon i nikkel.
Studien utføres i Tsjekkia, nærmere bestemt i Frydek Mistek-distriktet i Mähren-Schlesien-regionen (se figur 1). Geografien i studieområdet er svært ulendt og er for det meste en del av Mähren-Schlesien-Beskidene, som er en del av den ytre kanten av Karpatene. Studieområdet ligger mellom 49° 41′ 0′ N og 18° 20′ 0′ Ø, og høyden er mellom 225 og 327 m; Koppen-klassifiseringssystemet for regionens klimatiske tilstand er imidlertid vurdert som Cfb = temperert oseanisk klima. Det er mye nedbør selv i de tørre månedene. Temperaturene varierer noe gjennom året mellom −5 °C og 24 °C, og faller sjelden under −14 °C eller over 30 °C, mens den gjennomsnittlige årlige nedbøren er mellom 685 og 752 mm47. Det estimerte undersøkelsesområdet for hele området er 1 208 kvadratkilometer, med 39,38 % av dyrket mark og 49,36 % av skogdekket. På den annen side er arealet som ble brukt i denne studien omtrent 889,8 kvadratkilometer. I og rundt Ostrava er stålindustrien og metallverkene svært aktive. Metallverk, stålindustrien der nikkel brukes i rustfritt stål (f.eks. for motstand mot atmosfærisk korrosjon) og legeringsstål (nikkel øker legeringens styrke samtidig som den opprettholder dens gode duktilitet og seighet), og intensivt jordbruk som fosfatgjødselpåføring og husdyrproduksjon er potensielle forskningskilder til nikkel i regionen. (f.eks. å tilsette nikkel til lam for å øke vekstraten hos lam og lavfôret storfe). Andre industrielle bruksområder for nikkel innen forskningsområder inkluderer bruk i galvanisering, inkludert galvanisering av nikkel og elektroløse nikkelbelegningsprosesser. Jordegenskaper kan lett skilles fra jordfarge, struktur og karbonatinnhold. Jordteksturen er middels til fin, avledet fra grunnmaterialet. De er kolluviale, alluviale eller eoliske av natur. Noen jordområder virker flekkete i overflaten og undergrunnen, ofte med betong og bleking. Imidlertid er cambisoler og stagnosoler de vanligste jordtypene i regionen48. Med høyder fra 455,1 til 493,5 m dominerer cambisoler Tsjekkia49.
Kart over studieområdet [Kartet over studieområdet ble laget ved hjelp av ArcGIS Desktop (ESRI, Inc, versjon 10.7, URL: https://desktop.arcgis.com).]
Totalt 115 matjordprøver ble innhentet fra urbane og peri-urbane jordarter i Frydek Mistek-distriktet. Prøvemønsteret som ble brukt var et regelmessig rutenett med jordprøver plassert 2 × 2 km fra hverandre, og matjorden ble målt i en dybde på 0 til 20 cm ved hjelp av en håndholdt GPS-enhet (Leica Zeno 5 GPS). Prøvene pakkes i Ziploc-poser, merkes riktig og sendes til laboratoriet. Prøvene ble lufttørket for å produsere pulveriserte prøver, pulverisert av et mekanisk system (Fritsch-skivemølle) og siktet (siktstørrelse 2 mm). Plasser 1 gram tørkede, homogeniserte og siktede jordprøver i tydelig merkede teflonflasker. I hver teflonbeholder dispenserer du 7 ml 35 % HCl og 3 ml 65 % HNO3 (ved hjelp av en automatisk dispenser – én for hver syre), dekker lett til og la prøvene stå over natten for reaksjonen (aqua regia-program). Plasser supernatanten på en varm metallplate (temperatur: 100 W og 160 °C) i 2 timer for å lette fordøyelsesprosessen av prøvene, og avkjøl deretter. Overfør supernatanten til en 50 ml målekolbe og fortynn til 50 ml med avionisert vann. Filtrer deretter den fortynnede supernatanten over i et 50 ml PVC-rør med avionisert vann. I tillegg ble 1 ml av fortynningsløsningen fortynnet med 9 ml avionisert vann og filtrert over i et 12 ml rør klargjort for PTE-pseudokonsentrasjon. Konsentrasjonene av PTE-er (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ble bestemt ved ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) i henhold til standardmetoder og avtaler. Sikre kvalitetssikrings- og kontrollprosedyrer (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-er med deteksjonsgrenser under halvparten ble ekskludert fra denne studien. Deteksjonsgrensen for PTE-en som ble brukt i denne studien var 0,0004.(du).I tillegg sikres kvalitetskontrollen og kvalitetssikringsprosessen for hver analyse ved å analysere referansestandarder.For å sikre at feil ble minimert, ble det utført en dobbelanalyse.
Empirisk Bayesiansk Kriging (EBK) er en av mange geostatistiske interpolasjonsteknikker som brukes i modellering innen ulike felt, som jordvitenskap. I motsetning til andre kriging-interpolasjonsteknikker, skiller EBK seg fra tradisjonelle krigingsmetoder ved å ta hensyn til feilen som estimeres av semivariogrammodellen. I EBK-interpolasjon beregnes flere semivariogrammodeller under interpolasjon, i stedet for et enkelt semivariogram. Interpolasjonsteknikker gir plass til usikkerheten og programmeringen knyttet til denne plottingen av semivariogrammet, som utgjør en svært kompleks del av en tilstrekkelig krigingmetode. Interpolasjonsprosessen til EBK følger de tre kriteriene foreslått av Krivoruchko50: (a) modellen estimerer semivariogrammet fra inngangsdatasettet, (b) den nye predikerte verdien for hver inngangsdatasettplassering basert på det genererte semivariogrammet, og (c) den endelige A-modellen beregnes fra et simulert datasett. Den Bayesianske ligningsregelen er gitt som en posterior
Der \(Prob\left(A\right)\) representerer den forutgående, \(Prob\left(B\right)\) marginale sannsynligheten ignoreres i de fleste tilfeller, \(Prob (B,A)\). Semivariogramberegningen er basert på Bayes' regel, som viser tilbøyeligheten til observasjonsdatasett som kan opprettes fra semivariogrammer. Verdien av semivariogrammet bestemmes deretter ved hjelp av Bayes' regel, som angir hvor sannsynlig det er å opprette et datasett av observasjoner fra semivariogrammet.
En støttevektormaskin er en maskinlæringsalgoritme som genererer et optimalt separerende hyperplan for å skille identiske, men ikke lineært uavhengige klasser. Vapnik51 opprettet intensjonsklassifiseringsalgoritmen, men den har nylig blitt brukt til å løse regresjonsorienterte problemer. I følge Li et al.52 er SVM en av de beste klassifiseringsteknikkene og har blitt brukt på ulike felt. Regresjonskomponenten i SVM (Support Vector Machine Regression – SVMR) ble brukt i denne analysen. Cherkassky og Mulier53 var pionerer innen SVMR som en kjernebasert regresjon, hvis beregning ble utført ved hjelp av en lineær regresjonsmodell med romlige funksjoner for flere land. John et al.54 rapporterer at SVMR-modellering benytter hyperplan lineær regresjon, som skaper ikke-lineære forhold og tillater romlige funksjoner. I følge Vohland et al. 55, epsilon (ε)-SVMR bruker det trente datasettet til å oppnå en representasjonsmodell som en epsilon-ufølsom funksjon som brukes til å kartlegge dataene uavhengig med den beste epsilon-forspenningen fra trening på korrelerte data. Den forhåndsinnstilte avstandsfeilen ignoreres fra den faktiske verdien, og hvis feilen er større enn ε(ε), kompenserer jordegenskapene for den. Modellen reduserer også kompleksiteten til treningsdataene til et bredere delsett av støttevektorer. Ligningen foreslått av Vapnik51 er vist nedenfor.
hvor b representerer den skalære terskelen, \(K\left({x}_{,}{x}_{k}\right)\) representerer kjernefunksjonen, \(\alpha\) representerer Lagrange-multiplikatoren, N representerer et numerisk datasett, \({x}_{k}\) representerer datainndata, og \(y\) er datautdata. En av de viktigste kjernene som brukes er SVMR-operasjonen, som er en Gaussisk radial basisfunksjon (RBF). RBF-kjernen brukes til å bestemme den optimale SVMR-modellen, som er kritisk for å oppnå den mest subtile straffesettfaktoren C og kjerneparameteren gamma (γ) for PTE-treningsdataene. Først evaluerte vi treningssettet og testet deretter modellens ytelse på valideringssettet. Styringsparameteren som brukes er sigma, og metodeverdien er svmRadial.
En multippel lineær regresjonsmodell (MLR) er en regresjonsmodell som representerer forholdet mellom responsvariabelen og en rekke prediktorvariabler ved å bruke lineære samlede parametere beregnet ved hjelp av minste kvadraters metode. I MLR er en minste kvadraters modell en prediktiv funksjon av jordegenskaper etter valg av forklaringsvariabler. Det er nødvendig å bruke responsen til å etablere en lineær sammenheng ved hjelp av forklaringsvariabler. PTE ble brukt som responsvariabel for å etablere en lineær sammenheng med de forklaringsvariablene. MLR-ligningen er
hvor y er responsvariabelen, \(a\) er skjæringspunktet, n er antall prediktorer, \({b}_{1}\) er den partielle regresjonen av koeffisientene, \({x}_{i}\) representerer en prediktor eller forklarende variabel, og \({\varepsilon }_{i}\) representerer feilen i modellen, også kjent som residualet.
Blandede modeller ble oppnådd ved å blande EBK med SVMR og MLR. Dette gjøres ved å trekke ut predikerte verdier fra EBK-interpolasjon. De predikerte verdiene oppnådd fra den interpolerte Ca, K og Mg oppnås gjennom en kombinatorisk prosess for å oppnå nye variabler, som CaK, CaMg og KMg. Elementene Ca, K og Mg kombineres deretter for å oppnå en fjerde variabel, CaKMg. Totalt sett er de oppnådde variablene Ca, K, Mg, CaK, CaMg, KMg og CaKMg. Disse variablene ble våre prediktorer, og hjalp til med å forutsi nikkelkonsentrasjoner i urbane og peri-urbane jordarter. SVMR-algoritmen ble utført på prediktorene for å oppnå en blandet modell Empirisk Bayesiansk Kriging-Support Vector Machine (EBK_SVM). På samme måte sendes variabler også gjennom MLR-algoritmen for å oppnå en blandet modell Empirisk Bayesiansk Kriging-Multiple Linear Regresion (EBK_MLR). Vanligvis er variablene Ca, K, Mg, CaK, CaMg, KMg og CaKMg brukes som kovariater som prediktorer for Ni-innhold i urbane og peri-urbane jordarter. Den mest akseptable modellen som oppnås (EBK_SVM eller EBK_MLR) vil deretter bli visualisert ved hjelp av en selvorganiserende graf. Arbeidsflyten i denne studien er vist i figur 2.
Bruk av SeOM har blitt et populært verktøy for å organisere, evaluere og prognostisere data innen finanssektoren, helsevesenet, industrien, statistikk, jordvitenskap og mer. SeOM lages ved hjelp av kunstige nevrale nettverk og uovervåkede læringsmetoder for organisering, evaluering og prediksjon. I denne studien ble SeOM brukt til å visualisere Ni-konsentrasjoner basert på den beste modellen for å forutsi Ni i urbane og peri-urbane jordarter. Dataene som behandles i SeOM-evalueringen brukes som n inngangsdimensjonale vektorvariabler43,56. Melssen et al. 57 beskriver tilkoblingen av en inngangsvektor til et nevralt nettverk gjennom et enkelt inngangslag til en utgangsvektor med en enkelt vektvektor. Utgangen generert av SeOM er et todimensjonalt kart som består av forskjellige nevroner eller noder vevd inn i sekskantede, sirkulære eller firkantede topologiske kart i henhold til deres nærhet. Ved å sammenligne kartstørrelser basert på metrisk, kvantiseringsfeil (QE) og topografisk feil (TE), velges SeOM-modellen med henholdsvis 0,086 og 0,904, som er en 55-kartenhet (5 × 11). Nevronstrukturen bestemmes i henhold til antall noder i den empiriske ligningen.
Antall data som ble brukt i denne studien er 115 prøver. En tilfeldig tilnærming ble brukt til å dele dataene inn i testdata (25 % for validering) og treningsdatasett (75 % for kalibrering). Treningsdatasettet brukes til å generere regresjonsmodellen (kalibrering), og testdatasettet brukes til å verifisere generaliseringsevnen58. Dette ble gjort for å vurdere egnetheten til ulike modeller for å forutsi nikkelinnhold i jord. Alle modellene som ble brukt, gikk gjennom en tifoldig kryssvalideringsprosess, gjentatt fem ganger. Variablene produsert av EBK-interpolasjon brukes som prediktorer eller forklarende variabler for å forutsi målvariabelen (PTE). Modellering håndteres i RStudio ved hjelp av pakkene library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library(" prospectr") og libraries ("Metrics").
Ulike valideringsparametere ble brukt for å bestemme den beste modellen som var egnet for å forutsi nikkelkonsentrasjoner i jord og for å evaluere modellens nøyaktighet og validering. Hybridiseringsmodeller ble evaluert ved hjelp av gjennomsnittlig absolutt feil (MAE), rotmiddelkvadratfeil (RMSE) og R-kvadrat eller koeffisientbestemmelse (R2). R2 definerer variansen av proporsjonene i svaret, representert av regresjonsmodellen. RMSE og variansstørrelse i uavhengige målinger beskriver modellens prediktive kraft, mens MAE bestemmer den faktiske kvantitative verdien. R2-verdien må være høy for å evaluere den beste blandingsmodellen ved hjelp av valideringsparametrene. Jo nærmere verdien er 1, desto høyere er nøyaktigheten. I følge Li et al. 59 anses en R2-kriteriumverdi på 0,75 eller høyere som en god prediktor; fra 0,5 til 0,75 er akseptabel modellytelse, og under 0,5 er uakseptabel modellytelse. Ved valg av en modell ved hjelp av RMSE- og MAE-valideringskriterier, var de lavere verdiene som ble oppnådd tilstrekkelige og ble ansett som det beste valget. Følgende ligning beskriver verifiseringsmetoden.
hvor n representerer størrelsen på den observerte verdien, \({Y}_{i}\) representerer den målte responsen, og \({\widehat{Y}}_{i}\) representerer også den predikerte responsverdien, derfor for de første i observasjonene.
Statistiske beskrivelser av prediktor- og responsvariabler presenteres i tabell 1, og viser gjennomsnitt, standardavvik (SD), variasjonskoeffisient (CV), minimum, maksimum, kurtose og skjevhet. Minimums- og maksimumsverdiene for elementene er i synkende rekkefølge Mg < Ca < K < Ni og Ca < Mg < K < Ni, henholdsvis. Konsentrasjonene av responsvariabelen (Ni) som ble tatt fra studieområdet varierte fra 4,86 ​​til 42,39 mg/kg. Sammenligning av Ni med verdensgjennomsnittet (29 mg/kg) og det europeiske gjennomsnittet (37 mg/kg) viste at det totale beregnede geometriske gjennomsnittet for studieområdet var innenfor det tolererbare området. Likevel, som vist av Kabata-Pendias11, viser en sammenligning av den gjennomsnittlige nikkelkonsentrasjonen (Ni) i den nåværende studien med jordbruksjord i Sverige at den nåværende gjennomsnittlige nikkelkonsentrasjonen er høyere. På samme måte var den gjennomsnittlige konsentrasjonen av Frydek Mistek i urbane og peri-urbane jordarter i den nåværende studien (Ni 16,15 mg/kg) høyere enn det tillatte. grense på 60 (10,2 mg/kg) for Ni i polsk byjord rapportert av Różański et al. Videre registrerte Bretzel og Calderisi61 svært lave gjennomsnittlige Ni-konsentrasjoner (1,78 mg/kg) i byjord i Toscana sammenlignet med den nåværende studien. Jim62 fant også en lavere nikkelkonsentrasjon (12,34 mg/kg) i byjord i Hongkong, som er lavere enn den nåværende nikkelkonsentrasjonen i denne studien. Birke et al63 rapporterte en gjennomsnittlig Ni-konsentrasjon på 17,6 mg/kg i et gammelt gruve- og byindustriområde i Sachsen-Anhalt, Tyskland, som var 1,45 mg/kg høyere enn den gjennomsnittlige Ni-konsentrasjonen i området (16,15 mg/kg). Nåværende forskning. Det overdrevne nikkelinnholdet i jord i noen by- og forstadsområder i studieområdet kan hovedsakelig tilskrives jern- og stålindustrien og metallindustrien. Dette er i samsvar med studien av Khodadoust et al. 64 at stålindustrien og metallbearbeiding er de viktigste kildene til nikkelforurensning i jord. Imidlertid varierte prediktorene også fra 538,70 mg/kg til 69 161,80 mg/kg for Ca, 497,51 mg/kg til 3535,68 mg/kg for K, og 685,68 mg/kg til 5970,05 mg/kg for Mg. Jakovljevic et al. 65 undersøkte det totale Mg- og K-innholdet i jordsmonnet i det sentrale Serbia. De fant at de totale konsentrasjonene (henholdsvis 410 mg/kg og 400 mg/kg) var lavere enn Mg- og K-konsentrasjonene i den nåværende studien. Tilsvarende vurderte Orzechowski og Smolczynski66 i Øst-Polen det totale innholdet av Ca, Mg og K og viste gjennomsnittlige konsentrasjoner av Ca (1100 mg/kg), Mg (590 mg/kg) og K (810 mg/kg). Innholdet i matjorda er lavere enn for det enkelte elementet i denne studien. En nylig studie av Pongrac et al. 67 viste at det totale Ca-innholdet analysert i 3 forskjellige jordtyper i Skottland, Storbritannia (Mylnefield-jord, Balruddery-jord og Hartwood-jord) indikerte et høyere Ca-innhold i denne studien.
På grunn av de forskjellige målte konsentrasjonene av de samplede elementene, viser datasettfordelingene av elementene ulik skjevhet. Skjevheten og kurtose for elementene varierte fra henholdsvis 1,53 til 7,24 og 2,49 til 54,16. Alle beregnede elementer har skjevhets- og kurtosenivåer over +1, noe som indikerer at datafordelingen er uregelmessig, skjev i riktig retning og toppet. De estimerte CV-ene for elementene viser også at K, Mg og Ni viser moderat variasjon, mens Ca har ekstremt høy variasjon. CV-ene for K, Ni og Mg forklarer deres ensartede fordeling. Videre er Ca-fordelingen ikke-uniform, og eksterne kilder kan påvirke anrikningsnivået.
Korrelasjonen mellom prediktorvariablene og responselementene indikerte en tilfredsstillende korrelasjon mellom elementene (se figur 3). Korrelasjonen indikerte at CaK viste moderat korrelasjon med r-verdi = 0,53, i likhet med CaNi. Selv om Ca og K viser beskjedne assosiasjoner med hverandre, har forskere som Kingston et al. 68 og Santo69 antyder at nivåene deres i jord er omvendt proporsjonale. Ca og Mg er imidlertid antagonistiske mot K, men CaK korrelerer godt. Dette kan skyldes bruk av gjødsel som kaliumkarbonat, som er 56 % høyere i kalium. Kalium var moderat korrelert med magnesium (KM r = 0,63). I gjødselindustrien er disse to elementene nært beslektet fordi kaliummagnesiumsulfat, kaliummagnesiumnitrat og potash brukes på jord for å øke mangelnivåene. Nikkel er moderat korrelert med Ca, K og Mg med r-verdier = henholdsvis 0,52, 0,63 og 0,55. Forholdene mellom kalsium, magnesium og PTE-er som nikkel er komplekse, men magnesium hemmer likevel kalsiumabsorpsjon, kalsium reduserer effekten av overflødig magnesium, og både magnesium og kalsium reduserer de giftige effektene av nikkel i jord.
Korrelasjonsmatrise for elementer som viser forholdet mellom prediktorer og responser (Merk: denne figuren inkluderer et spredningsplott mellom elementene, signifikansnivåene er basert på p < 0,001).
Figur 4 illustrerer den romlige fordelingen av elementer. Ifølge Burgos et al.70 er anvendelsen av romlig fordeling en teknikk som brukes til å kvantifisere og fremheve hotspots i forurensede områder. Anrikningsnivåene av Ca i figur 4 kan sees i den nordvestlige delen av kartet over romlig fordeling. Figuren viser hotspots med moderat til høy Ca-anriking. Kalsiumanrikningen nordvest på kartet skyldes sannsynligvis bruk av brent kalk (kalsiumoksid) for å redusere jordens surhet og bruken i stålverk som alkalisk oksygen i stålproduksjonsprosessen. På den annen side foretrekker andre bønder å bruke kalsiumhydroksid i sur jord for å nøytralisere pH, noe som også øker kalsiuminnholdet i jorden71. Kalium viser også hotspots nordvest og øst på kartet. Nordvest er et stort landbrukssamfunn, og det moderate til høye mønsteret av kalium kan skyldes NPK- og potash-applikasjoner. Dette er i samsvar med andre studier, som Madaras og Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, som observerte at jordstabilisering og behandling med KCl og NPK resulterte i høyt K-innhold i jorden. Romlig kaliumberikelse nordvest på utbredelseskartet kan skyldes bruk av kaliumbasert gjødsel som kaliumklorid, kaliumsulfat, kaliumnitrat, kalium og kalium for å øke kaliuminnholdet i mager jord. Zádorová et al. 76 og Tlustoš et al. 77 skisserte at bruk av K-basert gjødsel økte K-innholdet i jorden og ville øke jordens næringsinnhold betydelig på lang sikt, spesielt K og Mg viser et hotspot i jorden. Relativt moderate hotspots nordvest på kartet og sørøst på kartet. Kolloidal fiksering i jord reduserer konsentrasjonen av magnesium i jorden. Mangel på dette i jorden fører til at planter viser gulaktig mellomveisklorose. Magnesiumbasert gjødsel, som kaliummagnesiumsulfat, magnesiumsulfat og kieseritt, behandler mangler (planter ser lilla, røde eller brune ut, noe som indikerer magnesiummangel) i jord med et normalt pH-område6. Akkumulering av nikkel på urbane og peri-urbane jordoverflater kan skyldes menneskeskapte aktiviteter som jordbruk og viktigheten av nikkel i produksjon av rustfritt stål78.
Romlig fordeling av elementer [kart over romlig fordeling ble opprettet ved hjelp av ArcGIS Desktop (ESRI, Inc, versjon 10.7, URL: https://desktop.arcgis.com).]
Resultatene fra modellytelsesindeksen for elementene som ble brukt i denne studien er vist i tabell 2. På den annen side er RMSE og MAE for Ni begge nær null (0,86 RMSE, -0,08 MAE). På den annen side er både RMSE- og MAE-verdiene for K akseptable. RMSE- og MAE-resultatene var større for kalsium og magnesium. Ca og K MAE- og RMSE-resultatene er større på grunn av forskjellige datasett. RMSE og MAE i denne studien som brukte EBK for å forutsi Ni, ble funnet å være bedre enn resultatene til John et al. 54 som brukte synergistisk kriging for å forutsi S-konsentrasjoner i jord ved bruk av de samme innsamlede dataene. EBK-utfallene vi studerte korrelerer med resultatene til Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 og John et al. 82, spesielt K og Ni.
Ytelsen til individuelle metoder for å predikere nikkelinnhold i urbane og peri-urbane jordarter ble evaluert ved hjelp av modellenes ytelse (tabell 3). Modellvalidering og nøyaktighetsevaluering bekreftet at Ca_Mg_K-prediktoren kombinert med EBK SVMR-modellen ga best ytelse. Kalibreringsmodell Ca_Mg_K-EBK_SVMR modell R2, rotmiddelkvadratfeil (RMSE) og gjennomsnittlig absolutt feil (MAE) var 0,637 (R2), 95,479 mg/kg (RMSE) og 77,368 mg/kg (MAE). Ca_Mg_K-SVMR var 0,663 (R2), 235,974 mg/kg (RMSE) og 166,946 mg/kg (MAE). Likevel ble gode R2-verdier oppnådd for Ca_Mg_K-SVMR (0,663 mg/kg R2) og Ca_Mg-EBK_SVMR (0,643 = R2); RMSE- og MAE-resultatene deres var høyere enn for Ca_Mg_K-EBK_SVMR (R2 0,637) (se tabell 3). I tillegg er RMSE og MAE for Ca_Mg-EBK_SVMR-modellen (RMSE = 1664,64 og MAE = 1031,49) henholdsvis 17,5 og 13,4, som er større enn for Ca_Mg_K-EBK_SVMR. På samme måte er RMSE og MAE for Ca_Mg-K SVMR-modellen (RMSE = 235,974 og MAE = 166,946) 2,5 og 2,2 større enn for henholdsvis Ca_Mg_K-EBK_SVMR RMSE og MAE. De beregnede RMSE-resultatene indikerer hvor konsentrert datasettet er med den beste tilpasningslinjen. Høyere RSME og MAE ble observert. I følge Kebonye et al. al. 46 og john et al. 54, jo nærmere RMSE og MAE er null, desto bedre er resultatene. SVMR og EBK_SVMR har høyere kvantiserte RSME- og MAE-verdier. Det ble observert at RSME-estimatene var gjennomgående høyere enn MAE-verdiene, noe som indikerer tilstedeværelsen av uteliggere. I følge Legates og McCabe83 anbefales graden av RMSE som overstiger den gjennomsnittlige absolutte feilen (MAE) som en indikator på tilstedeværelsen av uteliggere. Dette betyr at jo mer heterogent datasettet er, desto høyere er MAE- og RMSE-verdiene. Nøyaktigheten av kryssvalideringsvurderingen av den blandede modellen Ca_Mg_K-EBK_SVMR for å forutsi Ni-innhold i urbane og forstadsjordarter var 63,70 %. I følge Li et al. 59 er dette nøyaktighetsnivået en akseptabel modellytelsesrate. De nåværende resultatene sammenlignes med en tidligere studie av Tarasov et al. 36 hvis hybridmodell skapte MLPRK (Multilayer Perceptron Residual Kriging), relatert til EBK_SVMR nøyaktighetsevalueringsindeksen rapportert i den nåværende studien, RMSE (210) og MAE (167,5) var høyere enn resultatene våre i den nåværende studien (RMSE 95,479, MAE 77,368). Når man imidlertid sammenligner R2 i den nåværende studien (0,637) med Tarasov et al. 36 (0,544), er det tydelig at bestemmelseskoeffisienten (R2) er høyere i denne blandede modellen. Feilmarginen (RMSE og MAE) (EBK SVMR) for den blandede modellen er dobbelt så lav. På samme måte registrerte Sergeev et al.34 0,28 (R2) for den utviklede hybridmodellen (Multilayer Perceptron Residual Kriging), mens Ni i den nåværende studien registrerte 0,637 (R2). Prediksjonsnøyaktigheten til denne modellen (EBK SVMR) er 63,7 %, mens prediksjonsnøyaktigheten oppnådd av Sergeev et al.34 er 28 %. Det endelige kartet (fig. 5) laget ved hjelp av EBK_SVMR-modellen og Ca_Mg_K som prediktor viser prediksjoner av hotspots og moderat til nikkel over hele studieområdet. Dette betyr at konsentrasjonen av nikkel i studieområdet hovedsakelig er moderat, med høyere konsentrasjoner i noen spesifikke områder.
Det endelige prediksjonskartet er representert ved hjelp av hybridmodellen EBK_SVMR og med Ca_Mg_K som prediktor. [Det romlige distribusjonskartet ble opprettet ved hjelp av RStudio (versjon 1.4.1717: https://www.rstudio.com/).]
Figur 6 viser PTE-konsentrasjoner som et komposisjonsplan bestående av individuelle nevroner. Ingen av komponentplanene viste samme fargemønster som vist. Imidlertid er det passende antallet nevroner per tegnet kart 55. SeOM produseres ved hjelp av en rekke farger, og jo mer like fargemønstrene er, desto mer sammenlignbare er egenskapene til prøvene. I henhold til deres presise fargeskala viste individuelle elementer (Ca, K og Mg) lignende fargemønstre som enkeltstående høyordens nevroner og de fleste lavordens nevroner. Dermed deler CaK og CaMg noen likheter med svært høyordens nevroner og lav til moderat fargemønstre. Begge modellene forutsier konsentrasjonen av Ni i jord ved å vise middels til høye fargenyanser som rød, oransje og gul. KMg-modellen viser mange høye fargemønstre basert på presise proporsjoner og lave til middels fargeflekker. På en presis fargeskala fra lav til høy viste det plane fordelingsmønsteret til komponentene i modellen et høyt fargemønster som indikerer den potensielle konsentrasjonen av nikkel i jorden (se figur 4). CakMg-modellens komponentplan viser et mangfoldig fargemønster fra lav til høy i henhold til en nøyaktig fargeskala. Videre er modellens prediksjon av nikkelinnhold (CakMg) lik den romlige fordelingen av nikkel vist i figur 5. Begge grafene viser høye, middels og lave andeler av nikkelkonsentrasjoner i urbane og peri-urbane jordarter. Figur 7 viser konturmetoden i k-gjennomsnittsgrupperingen på kartet, delt inn i tre klynger basert på den predikerte verdien i hver modell. Konturmetoden representerer det optimale antallet klynger. Av de 115 jordprøvene som ble samlet inn, fikk kategori 1 flest jordprøver, 74. Klynge 2 mottok 33 prøver, mens klynge 3 mottok 8 prøver. Den syv-komponent plane prediktorkombinasjonen ble forenklet for å muliggjøre korrekt klyngetolkning. På grunn av de mange menneskeskapte og naturlige prosessene som påvirker jorddannelsen, er det vanskelig å ha riktig differensierte klyngemønstre i et distribuert SeOM-kart78.
Komponentplanutdata fra hver variabel i Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [SeOM-kart ble opprettet ved hjelp av RStudio (versjon 1.4.1717: https://www.rstudio.com/).]
Ulike komponenter for klyngeklassifisering [SeOM-kart ble opprettet ved hjelp av RStudio (versjon 1.4.1717: https://www.rstudio.com/).]
Den nåværende studien illustrerer tydelig modelleringsteknikker for nikkelkonsentrasjoner i urbane og peri-urbane jordarter. Studien testet forskjellige modelleringsteknikker, og kombinerte elementer med modelleringsteknikker, for å oppnå den beste måten å forutsi nikkelkonsentrasjoner i jord. SeOM-komposisjonsmessige plane romlige trekk ved modelleringsteknikken viste et høyt fargemønster fra lavt til høyt på en nøyaktig fargeskala, noe som indikerer Ni-konsentrasjoner i jorden. Imidlertid bekrefter det romlige fordelingskartet den plane romlige fordelingen av komponenter vist av EBK_SVMR (se figur 5). Resultatene viser at støttevektormaskinens regresjonsmodell (CaMgK-SVMR) forutsier konsentrasjonen av Ni i jord som en enkelt modell, men validerings- og nøyaktighetsevalueringsparametrene viser svært høye feil når det gjelder RMSE og MAE. På den annen side er modelleringsteknikken som brukes med EBK_MLR-modellen også feilaktig på grunn av den lave verdien av bestemmelseskoeffisienten (R2). Gode resultater ble oppnådd ved bruk av EBK SVMR og kombinerte elementer (CaKMg) med lave RMSE- og MAE-feil med en nøyaktighet på 63,7 %. Det viser seg at kombinasjonen av EBK-algoritmen med En maskinlæringsalgoritme kan generere en hybridalgoritme som kan forutsi konsentrasjonen av PTE-er i jord. Resultatene viser at bruk av CaMgK som prediktorer for å forutsi Ni-konsentrasjoner i studieområdet kan forbedre prediksjonen av Ni i jord. Dette betyr at kontinuerlig påføring av nikkelbasert gjødsel og industriell forurensning av jorda fra stålindustrien har en tendens til å øke konsentrasjonen av nikkel i jorda. Denne studien viste at EBK-modellen kan redusere feilnivået og forbedre nøyaktigheten til modellen for jordfordeling i urbane eller peri-urbane jordarter. Generelt foreslår vi å bruke EBK-SVMR-modellen for å vurdere og forutsi PTE i jord; i tillegg foreslår vi å bruke EBK til å hybridisere med ulike maskinlæringsalgoritmer. Ni-konsentrasjoner ble forutsagt ved å bruke elementer som kovariater; bruk av flere kovariater vil imidlertid forbedre modellens ytelse betraktelig, noe som kan betraktes som en begrensning i det nåværende arbeidet. En annen begrensning i denne studien er at antallet datasett er 115. Derfor, hvis flere data gis, kan ytelsen til den foreslåtte optimaliserte hybridiseringsmetoden forbedres.
PlantProbs.net. Nikkel i planter og jord https://plantprobs.net/plant/nutrientImbalances/sodium.html (Besøkt 28. april 2021).
Kasprzak, KS Nickel fremskritt innen moderne miljøtoksikologi.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. og Nikel, G. Nikkel: En gjennomgang av kilder og miljøtoksikologi. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Forurensningstilførsel fra atmosfæren og akkumulering i jord og vegetasjon nær et nikkel-kobber-smelteverk i Sudbury, Ontario, Canada. can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Tungmetaller i jord, planter og risikoer forbundet med beitende drøvtyggere nær Selebi-Phikwe kobber-nikkelgruve i Botswana. surroundings. Geochemistry. Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Sporstoffer i jord og… – 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= (Besøkt 24. november 2020).
Almås, A., Singh, B., Jordbruk, TS-NJ av & 1995, udefinert. Effekter av russisk nikkelindustri på tungmetallkonsentrasjoner i jordbruksjord og gress i Sør-Varanger, Norge. agris.fao.org.
Nielsen, GD et al. Nikkelabsorpsjon og -retensjon i drikkevann er relatert til matinntak og nikkelfølsomhet. toksikologi. anvendelse. Farmakodynamikk. 154, 67–75 (1999).
Costa, M. & Klein, CB Nikkelkarsinogenese, mutasjon, epigenetikk eller seleksjon. Omgivelser. Helseperspektiv. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Trendanalyse av potensielt giftige elementer: en bibliometrisk gjennomgang. Miljøgeokemi og helse. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. og McBratney, AB Digital jordkartlegging: En kort historie og noen lærdommer. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistisk reservoarmodellering,… – 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= (Besøkt 28. april 2021).