Obrigado por visitar Nature.com. A versão do navegador que você está usando tem suporte limitado para CSS. Para uma melhor experiência, recomendamos que você use um navegador atualizado (ou desative o modo de compatibilidade no Internet Explorer). Enquanto isso, para garantir a continuidade do suporte, exibiremos o site sem estilos e JavaScript.
A poluição do solo é um grande problema causado pelas atividades humanas. A distribuição espacial de elementos potencialmente tóxicos (EPTs) varia na maioria das áreas urbanas e periurbanas. Portanto, é difícil prever espacialmente o teor de EPTs nesses solos. Um total de 115 amostras foram obtidas em Frydek Mistek, na República Tcheca. As concentrações de cálcio (Ca), magnésio (Mg), potássio (K) e níquel (Ni) foram determinadas por espectrometria de emissão de plasma acoplado indutivamente. A variável resposta é o Ni e os preditores são Ca, Mg e K. A matriz de correlação entre a variável resposta e a variável preditora mostra uma correlação satisfatória entre os elementos. Os resultados da predição mostraram que a Regressão por Máquina de Vetores de Suporte (SVMR) apresentou bom desempenho, embora seu erro quadrático médio (RMSE) estimado (235,974 mg/kg) e erro absoluto médio (MAE) (166,946 mg/kg) tenham sido maiores do que os dos outros métodos aplicados. Modelos mistos para Krigagem Bayesiana Empírica - Regressão Linear Múltipla. O modelo EBK-MLR apresentou desempenho insatisfatório, evidenciado por coeficientes de determinação inferiores a 0,1. O modelo de Regressão por Máquina de Vetores de Suporte com Krigagem Bayesiana Empírica (EBK-SVMR) foi o mais adequado, com baixos valores de RMSE (95,479 mg/kg) e MAE (77,368 mg/kg) e alto coeficiente de determinação (R² = 0,637). A saída da técnica de modelagem EBK-SVMR é visualizada por meio de um mapa auto-organizável. Neurônios agrupados no plano do componente híbrido CakMg-EBK-SVMR exibem múltiplos padrões de cores que predizem as concentrações de Ni em solos urbanos e periurbanos. Os resultados demonstram que a combinação de EBK e SVMR é uma técnica eficaz para predizer as concentrações de Ni em solos urbanos e periurbanos.
O níquel (Ni) é considerado um micronutriente para as plantas porque contribui para a fixação de nitrogênio atmosférico (N) e para o metabolismo da ureia, ambos necessários para a germinação das sementes. Além de sua contribuição para a germinação, o Ni pode atuar como inibidor de fungos e bactérias e promover o desenvolvimento vegetal. A falta de níquel no solo permite que a planta o absorva, resultando em clorose foliar. Por exemplo, o feijão-caupi e o feijão-verde requerem a aplicação de fertilizantes à base de níquel para otimizar a fixação de nitrogênio. A aplicação contínua de fertilizantes à base de níquel para enriquecer o solo e aumentar a capacidade das leguminosas de fixar nitrogênio no solo aumenta continuamente a concentração de níquel no solo. Embora o níquel seja um micronutriente para as plantas, sua ingestão excessiva no solo pode ser mais prejudicial do que benéfica. A toxicidade do níquel no solo minimiza o pH do solo e dificulta a absorção de ferro, um nutriente essencial para o crescimento das plantas. Segundo Liu, o Ni é o 17º elemento mais importante para o desenvolvimento e crescimento das plantas. Além de seu papel no desenvolvimento e crescimento vegetal, o níquel também é necessário para diversas funções humanas. Aplicações. A galvanoplastia, a produção de ligas à base de níquel e a fabricação de dispositivos de ignição e velas de ignição na indústria automotiva requerem o uso de níquel em vários setores industriais. Além disso, ligas à base de níquel e artigos galvanizados têm sido amplamente utilizados em utensílios de cozinha, acessórios para salões de baile, suprimentos para a indústria alimentícia, componentes elétricos, fios e cabos, turbinas a jato, implantes cirúrgicos, têxteis e construção naval.5 Níveis elevados de níquel em solos (ou seja, solos superficiais) têm sido atribuídos a fontes antropogênicas e naturais, mas, principalmente, o níquel é uma fonte natural em vez de antropogênica.4,6 As fontes naturais de níquel incluem erupções vulcânicas, vegetação, incêndios florestais e processos geológicos; no entanto, as fontes antropogênicas incluem baterias de níquel/cádmio na indústria siderúrgica, galvanoplastia, soldagem a arco, diesel e óleos combustíveis e emissões atmosféricas da combustão de carvão e incineração de resíduos e lodo. Acumulação de níquel.7,8 De acordo com Freedman e Hutchinson9 e Manyiwa et al. 10, as principais fontes de poluição do solo superficial no ambiente imediato e adjacente são principalmente fundições e minas de níquel-cobre. O solo superficial ao redor da refinaria de níquel-cobre de Sudbury, no Canadá, apresentou os níveis mais altos de contaminação por níquel, com 26.000 mg/kg11. Em contraste, a poluição proveniente da produção de níquel na Rússia resultou em concentrações mais elevadas de níquel no solo norueguês11. De acordo com Alms et al. 12, a quantidade de níquel extraível com HNO3 nas melhores terras aráveis ​​da região (produção de níquel na Rússia) variou de 6,25 a 136,88 mg/kg, correspondendo a uma média de 30,43 mg/kg e uma concentração basal de 25 mg/kg. De acordo com kabata 11, a aplicação de fertilizantes fosfatados em solos agrícolas urbanos ou periurbanos durante sucessivas safras pode impregnar ou contaminar o solo. Os potenciais efeitos do níquel em humanos podem levar ao câncer por meio de mutagênese, danos cromossômicos, geração de DNA-Z, bloqueio do reparo por excisão de DNA ou processos epigenéticos13. Em experimentos com animais, o níquel demonstrou potencial para causar diversos tumores, e complexos carcinogênicos de níquel podem exacerbar tais tumores.
As avaliações de contaminação do solo têm se proliferado nos últimos tempos devido a uma ampla gama de problemas de saúde decorrentes das relações solo-planta, do solo e das relações biológicas do solo, da degradação ecológica e da avaliação do impacto ambiental. Até o momento, a predição espacial de elementos potencialmente tóxicos (EPTs), como o níquel (Ni), no solo tem sido trabalhosa e demorada utilizando métodos tradicionais. O advento do mapeamento digital do solo (MDS) e seu sucesso atual¹⁵ aprimoraram significativamente o mapeamento preditivo do solo (MPS). De acordo com Minasny e McBratney¹⁶, o mapeamento preditivo do solo (MDS) provou ser uma subdisciplina proeminente da ciência do solo. Lagacherie e McBratney (2006) definem MDS como “a criação e o preenchimento de sistemas de informação espacial do solo por meio do uso de métodos de observação in situ e de laboratório e sistemas de inferência espacial e não espacial do solo”. 17 destaca que o DSM ou PSM contemporâneo é a técnica mais eficaz para prever ou mapear a distribuição espacial de PTEs, tipos de solo e propriedades do solo. Geoestatística e Algoritmos de Aprendizado de Máquina (MLA) são técnicas de modelagem de DSM que criam mapas digitalizados com a ajuda de computadores, utilizando dados significativos e mínimos.
Deutsch18 e Olea19 definem geoestatística como “o conjunto de técnicas numéricas que lidam com a representação de atributos espaciais, empregando principalmente modelos estocásticos, como a análise de séries temporais caracteriza dados temporais”. Primordialmente, a geoestatística envolve a avaliação de variogramas, que permitem quantificar e definir as dependências de valores espaciais de cada conjunto de dados20.Gumiaux et al. A Figura 20 ilustra ainda que a avaliação de variogramas em geoestatística baseia-se em três princípios, incluindo (a) o cálculo da escala de correlação dos dados, (b) a identificação e o cálculo da anisotropia na disparidade do conjunto de dados e (c) além de levar em consideração o erro inerente dos dados de medição separados dos efeitos locais, os efeitos de área também são estimados. Com base nesses conceitos, muitas técnicas de interpolação são usadas em geoestatística, incluindo krigagem geral, co-krigagem, krigagem ordinária, krigagem bayesiana empírica, método de krigagem simples e outras técnicas de interpolação bem conhecidas para mapear ou prever elementos potencialmente tóxicos (EPT), características do solo e tipos de solo.
Os algoritmos de aprendizado de máquina (MLA) são uma técnica relativamente nova que emprega classes de dados não lineares maiores, impulsionada por algoritmos usados ​​principalmente para mineração de dados, identificação de padrões em dados e repetidamente aplicados à classificação em campos científicos como ciência do solo e outras tarefas. Numerosos artigos de pesquisa utilizam modelos de MLA para prever elementos potencialmente tóxicos (EPT) em solos, como Tan et al. 22 (florestas aleatórias para estimativa de metais pesados ​​em solos agrícolas), Sakizadeh et al. 23 (modelagem usando máquinas de vetores de suporte e redes neurais artificiais para poluição do solo). Além disso, Vega et al. 24 (CART para modelagem de retenção e adsorção de metais pesados ​​no solo), Sun et al. 25 (aplicação do Cubist na distribuição de cádmio no solo) e outros algoritmos como k-vizinhos mais próximos, regressão impulsionada generalizada e árvores de regressão impulsionadas também aplicaram MLA para prever EPT no solo.
A aplicação de algoritmos de DSM (Modelagem Digital de Solos) em predição ou mapeamento enfrenta diversos desafios. Muitos autores acreditam que a MLA (Avaliação Multidimensional) é superior à geoestatística e vice-versa. Embora uma seja melhor que a outra, a combinação das duas melhora o nível de precisão do mapeamento ou da predição em DSM15. Woodcock e Gopal26, Finke27; Pontius e Cheuk28 e Grunwald29 comentam sobre deficiências e alguns erros no mapeamento de solos preditivo. Cientistas do solo têm tentado diversas técnicas para otimizar a eficácia, a precisão e a previsibilidade do mapeamento e da predição em DSM. A combinação de incerteza e verificação é um dos muitos aspectos diferentes integrados ao DSM para otimizar a eficácia e reduzir defeitos. No entanto, Agyeman et al.15 destacam que o comportamento de validação e a incerteza introduzida pela criação e predição do mapa devem ser validados independentemente para melhorar a qualidade do mapa. As limitações do DSM devem-se à qualidade do solo geograficamente dispersa, que envolve um componente de incerteza; No entanto, a falta de certeza no DSM pode surgir de múltiplas fontes de erro, nomeadamente erro de covariável, erro de modelo, erro de localização e erro analítico.³¹ As imprecisões de modelagem induzidas em processos de aprendizado de máquina e geoestatísticos estão associadas à falta de compreensão, levando, em última análise, à simplificação excessiva do processo real.³² Independentemente da natureza da modelagem, as imprecisões podem ser atribuídas a parâmetros de modelagem, previsões de modelos matemáticos ou interpolação.³³ Recentemente, surgiu uma nova tendência em DSM que promove a integração da geoestatística e do aprendizado de máquina no mapeamento e na previsão. Diversos cientistas do solo e autores, como Sergeev et al.³⁴; Subbotina et al.³⁵; Tarasov et al.³⁶ e Tarasov et al.³⁷, exploraram a precisão da geoestatística e do aprendizado de máquina para gerar modelos híbridos que melhoram a eficiência da previsão e do mapeamento. qualidade. Alguns desses modelos de algoritmo híbridos ou combinados são Krigagem de Rede Neural Artificial (ANN-RK), Krigagem Residual de Perceptron Multicamadas (MLP-RK), Krigagem Residual de Rede Neural de Regressão Generalizada (GR-NNRK)36, Krigagem de Rede Neural Artificial-Perceptron Multicamadas (ANN-K-MLP)37 e Co-Krigagem e Regressão de Processo Gaussiano38.
De acordo com Sergeev et al., a combinação de diversas técnicas de modelagem tem o potencial de eliminar defeitos e aumentar a eficiência do modelo híbrido resultante, em vez de desenvolver um modelo único. Nesse contexto, este novo artigo argumenta que é necessário aplicar um algoritmo combinado de geoestatística e regressão linear múltipla (RLM) para criar modelos híbridos ótimos para prever o enriquecimento de níquel em áreas urbanas e periurbanas. Este estudo utilizará a Krigagem Bayesiana Empírica (EBK) como modelo base e a combinará com modelos de Máquina de Vetores de Suporte (SVM) e Regressão Linear Múltipla (RLM). A hibridização da EBK com qualquer RLM ainda não foi explorada. Os múltiplos modelos mistos observados são combinações de krigagem ordinária, residual, de regressão e RLM. A EBK é um método de interpolação geoestatística que utiliza um processo espacialmente estocástico localizado como um campo aleatório não estacionário/estacionário com parâmetros de localização definidos sobre o campo, permitindo variação espacial. A EBK tem sido utilizada em diversos estudos, incluindo a análise da distribuição de carbono orgânico em fazendas. solos40, avaliação da poluição do solo41 e mapeamento das propriedades do solo42.
Por outro lado, o Grafo Auto-Organizável (SeOM) é um algoritmo de aprendizado que tem sido aplicado em diversos artigos, como Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 e Kebonye et al. 46, para determinar os atributos espaciais e o agrupamento de elementos. Wang et al. 44 destacam que o SeOM é uma poderosa técnica de aprendizado conhecida por sua capacidade de agrupar e representar problemas não lineares. Diferentemente de outras técnicas de reconhecimento de padrões, como análise de componentes principais, agrupamento fuzzy, agrupamento hierárquico e tomada de decisão multicritério, o SeOM é mais eficiente na organização e identificação de padrões de PTE (Probabilidade de Eventos Positivos). De acordo com Wang et al. 44, o SeOM pode agrupar espacialmente a distribuição de neurônios relacionados e fornecer visualização de dados de alta resolução. O SeOM visualizará os dados de predição de Ni para obter o melhor modelo para caracterizar os resultados e permitir a interpretação direta.
Este artigo tem como objetivo gerar um modelo de mapeamento robusto com precisão ideal para prever o teor de níquel em solos urbanos e periurbanos. Nossa hipótese é que a confiabilidade do modelo misto depende principalmente da influência de outros modelos associados ao modelo base. Reconhecemos os desafios enfrentados pelo Mapeamento de Superfície Digital (MSD) e, embora esses desafios estejam sendo abordados em múltiplas frentes, a combinação de avanços em geoestatística e modelos de Regressão Linear Múltipla (RLM) parece ser incremental; portanto, buscaremos responder a questões de pesquisa que possam gerar modelos mistos. No entanto, qual a precisão do modelo na previsão do elemento alvo? Além disso, qual o nível de avaliação da eficiência com base na validação e na avaliação da precisão? Portanto, os objetivos específicos deste estudo foram: (a) criar um modelo de mistura combinado para Regressão Linear Variável Simples (RLV) ou Regressão Linear Múltipla (RLM) usando o modelo EBK como base; (b) comparar os modelos resultantes; (c) propor o melhor modelo de mistura para prever as concentrações de Ni em solos urbanos ou periurbanos; e (d) aplicar o Mapeamento de Superfície de Informação Geográfica (MSI) para criar um mapa de alta resolução da variação espacial do níquel.
O estudo está sendo realizado na República Tcheca, especificamente no distrito de Frydek Mistek, na região da Morávia-Silésia (ver Figura 1). A geografia da área de estudo é muito acidentada e faz parte, em sua maior parte, da região dos Besquides da Morávia-Silésia, que integra a orla externa dos Montes Cárpatos. A área de estudo está localizada entre 49° 41′ 0′ N e 18° 20′ 0′ E, e a altitude varia entre 225 e 327 m; No entanto, o sistema de classificação de Köppen para o estado climático da região é classificado como Cfb = clima oceânico temperado. Há muita chuva mesmo nos meses secos. As temperaturas variam ligeiramente ao longo do ano entre −5 °C e 24 °C, raramente caindo abaixo de −14 °C ou acima de 30 °C, enquanto a precipitação média anual fica entre 685 e 752 mm. A área estimada para o levantamento é de 1.208 quilômetros quadrados, com 39,38% de terras cultivadas e 49,36% de cobertura florestal. Por outro lado, a área utilizada neste estudo é de cerca de 889,8 quilômetros quadrados. Em Ostrava e arredores, a indústria siderúrgica e metalúrgica é muito ativa. As usinas metalúrgicas, a indústria siderúrgica onde o níquel é usado em aços inoxidáveis ​​(por exemplo, para resistência à corrosão atmosférica) e aços-liga (o níquel aumenta a resistência da liga, mantendo sua boa ductilidade e tenacidade), e a agricultura intensiva, como a aplicação de fertilizantes fosfatados e a pecuária, são atividades importantes. A produção é uma das fontes potenciais de níquel na região, segundo pesquisas (por exemplo, a adição de níquel a cordeiros para aumentar as taxas de crescimento e ao gado alimentado com pouca ração). Outros usos industriais do níquel em áreas de pesquisa incluem seu uso em galvanoplastia, incluindo processos de niquelagem eletrolítica e niquelagem química. As propriedades do solo são facilmente distinguíveis pela cor, estrutura e teor de carbonato. A textura do solo é média a fina, derivada do material de origem. São de natureza coluvial, aluvial ou eólica. Algumas áreas do solo apresentam manchas na superfície e no subsolo, frequentemente com aspecto de concreto e descoloração. No entanto, os cambissolos e estagnossolos são os tipos de solo mais comuns na região. Com altitudes que variam de 455,1 a 493,5 m, os cambissolos predominam na República Tcheca.
Mapa da área de estudo [O mapa da área de estudo foi criado usando o ArcGIS Desktop (ESRI, Inc, versão 10.7, URL: https://desktop.arcgis.com).]
Um total de 115 amostras de solo superficial foram obtidas de solos urbanos e periurbanos no distrito de Frydek Mistek. O padrão de amostragem utilizado foi uma grade regular com amostras de solo espaçadas em intervalos de 2 × 2 km, e o solo superficial foi medido a uma profundidade de 0 a 20 cm utilizando um dispositivo GPS portátil (Leica Zeno 5 GPS). As amostras foram acondicionadas em sacos Ziploc, devidamente etiquetadas e enviadas ao laboratório. As amostras foram secas ao ar para produzir amostras pulverizadas, pulverizadas por um sistema mecânico (moinho de discos Fritsch) e peneiradas (peneira de 2 mm). Coloque 1 grama de amostra de solo seca, homogeneizada e peneirada em frascos de teflon claramente etiquetados. Em cada frasco de teflon, adicione 7 ml de HCl a 35% e 3 ml de HNO3 a 65% (utilizando um dispensador automático – um para cada ácido), cubra levemente e deixe as amostras em repouso durante a noite para a reação (programa com água régia). Coloque o sobrenadante em uma placa de metal aquecida (temperatura: 100 W e 160 °C) por 2 horas para facilitar o processo de digestão das amostras e, em seguida, deixe esfriar. Transfira o sobrenadante para um balão volumétrico de 50 ml e complete o volume para 50 ml com água deionizada. Em seguida, filtre o sobrenadante diluído para um tubo de PVC de 50 ml contendo água deionizada. Adicionalmente, 1 ml da solução de diluição foi diluído com 9 ml de água deionizada e filtrado para um tubo de 12 ml preparado para a pseudoconcentração de elementos-traço potencialmente tóxicos (ETPs). As concentrações de ETPs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) foram determinadas por ICP-OES (Espectroscopia de Emissão Óptica com Plasma Indutivamente Acoplado) (Thermo Fisher Scientific, EUA) de acordo com os métodos e protocolos padrão. Assegure-se a aplicação dos procedimentos de Garantia e Controle de Qualidade (GQ/CQ) (SRM). NIST 2711a Montana II Solo). Os PTEs com limites de detecção abaixo da metade foram excluídos deste estudo. O limite de detecção do PTE utilizado neste estudo foi de 0,0004. Além disso, o processo de controle e garantia de qualidade para cada análise é assegurado pela análise de padrões de referência. Para garantir a minimização de erros, uma análise dupla foi realizada.
A Krigagem Bayesiana Empírica (EBK) é uma das muitas técnicas de interpolação geoestatística utilizadas na modelagem em diversos campos, como a ciência do solo. Ao contrário de outras técnicas de interpolação por krigagem, a EBK difere dos métodos tradicionais de krigagem por considerar o erro estimado pelo modelo de semivariograma. Na interpolação por EBK, vários modelos de semivariograma são calculados durante a interpolação, em vez de um único semivariograma. As técnicas de interpolação levam em conta a incerteza e a complexidade de programação associadas à plotagem do semivariograma, que constitui uma parte altamente complexa de um método de krigagem eficiente. O processo de interpolação da EBK segue os três critérios propostos por Krivoruchko⁵⁰: (a) o modelo estima o semivariograma a partir do conjunto de dados de entrada; (b) o novo valor previsto para cada localização do conjunto de dados de entrada é baseado no semivariograma gerado; e (c) o modelo final é calculado a partir de um conjunto de dados simulados. A regra da equação Bayesiana é dada como uma distribuição posterior.
Onde \(Prob\left(A\right)\) representa a probabilidade a priori, \(Prob\left(B\right)\) a probabilidade marginal é ignorada na maioria dos casos, \(Prob (B,A)\ ). O cálculo do semivariograma é baseado na regra de Bayes, que mostra a propensão de conjuntos de dados de observação que podem ser criados a partir de semivariogramas. O valor do semivariograma é então determinado usando a regra de Bayes, que indica a probabilidade de criar um conjunto de dados de observações a partir do semivariograma.
Uma máquina de vetores de suporte (SVM) é um algoritmo de aprendizado de máquina que gera um hiperplano de separação ótimo para distinguir classes idênticas, mas não linearmente independentes. Vapnik51 criou o algoritmo de classificação de intenção, mas recentemente ele tem sido usado para resolver problemas orientados à regressão. De acordo com Li et al.52, a SVM é uma das melhores técnicas de classificação e tem sido usada em diversas áreas. O componente de regressão da SVM (Regressão por Máquina de Vetores de Suporte – SVMR) foi usado nesta análise. Cherkassky e Mulier53 foram pioneiros na SVMR como uma regressão baseada em kernel, cujo cálculo foi realizado usando um modelo de regressão linear com funções espaciais multicountry. John et al54 relatam que a modelagem SVMR emprega regressão linear por hiperplano, que cria relações não lineares e permite funções espaciais. De acordo com Vohland et al. 55, epsilon (ε)-SVMR usa o conjunto de dados treinado para obter um modelo de representação como uma função insensível a epsilon que é aplicada para mapear os dados independentemente com o melhor viés epsilon do treinamento em dados correlacionados. O erro de distância predefinido é ignorado do valor real e, se o erro for maior que ε(ε), as propriedades do solo o compensam. O modelo também reduz a complexidade dos dados de treinamento para um subconjunto mais amplo de vetores de suporte. A equação proposta por Vapnik51 é mostrada abaixo.
onde b representa o limiar escalar, \(K\left({x}_{,}{ x}_{k}\right)\) representa a função kernel, \(\alpha\) representa o multiplicador de Lagrange, N representa um conjunto de dados numéricos, \({x}_{k}\) representa a entrada de dados e \(y\) é a saída de dados. Um dos principais kernels utilizados é a operação SVMR, que é uma função de base radial gaussiana (RBF). O kernel RBF é aplicado para determinar o modelo SVMR ideal, o que é crucial para obter o fator de penalização C e o parâmetro do kernel gama (γ) mais sutis para os dados de treinamento do PTE. Primeiro, avaliamos o conjunto de treinamento e, em seguida, testamos o desempenho do modelo no conjunto de validação. O parâmetro de direcionamento utilizado é sigma e o valor do método é svmRadial.
Um modelo de regressão linear múltipla (RLM) é um modelo de regressão que representa a relação entre a variável resposta e diversas variáveis ​​preditoras, utilizando parâmetros lineares agrupados calculados pelo método dos mínimos quadrados. Na RLM, um modelo de mínimos quadrados é uma função preditiva das propriedades do solo após a seleção das variáveis ​​explicativas. É necessário utilizar a variável resposta para estabelecer uma relação linear com as variáveis ​​explicativas. O PTE foi utilizado como variável resposta para estabelecer uma relação linear com as variáveis ​​explicativas. A equação da RLM é
onde y é a variável resposta, \(a\) é o intercepto, n é o número de preditores, \({b}_{1}\) é a regressão parcial dos coeficientes, \({x}_{ i}\) representa um preditor ou variável explicativa e \({\varepsilon }_{i}\) representa o erro no modelo, também conhecido como resíduo.
Os modelos mistos foram obtidos pela intercalação de EBK com SVMR e MLR. Isso é feito extraindo os valores preditos da interpolação EBK. Os valores preditos obtidos a partir dos valores interpolados de Ca, K e Mg são obtidos por meio de um processo combinatório para gerar novas variáveis, como CaK, CaMg e KMg. Os elementos Ca, K e Mg são então combinados para obter uma quarta variável, CaKMg. No geral, as variáveis ​​obtidas são Ca, K, Mg, CaK, CaMg, KMg e CaKMg. Essas variáveis ​​se tornaram nossos preditores, auxiliando na predição das concentrações de níquel em solos urbanos e periurbanos. O algoritmo SVMR foi aplicado aos preditores para obter um modelo misto de Krigagem Bayesiana Empírica-Máquina de Vetores de Suporte (EBK_SVM). De forma semelhante, as variáveis ​​também são processadas pelo algoritmo MLR para obter um modelo misto de Krigagem Bayesiana Empírica-Regressão Linear Múltipla (EBK_MLR). Tipicamente, as variáveis Os elementos Ca, K, Mg, CaK, CaMg, KMg e CaKMg são utilizados como covariáveis ​​na previsão do teor de Ni em solos urbanos e periurbanos. O modelo mais adequado obtido (EBK_SVM ou EBK_MLR) será então visualizado utilizando um grafo auto-organizável. O fluxograma deste estudo é apresentado na Figura 2.
O uso do SeOM tornou-se uma ferramenta popular para organizar, avaliar e prever dados nos setores financeiro, de saúde, industrial, estatístico, de ciência do solo e muito mais. O SeOM é criado usando redes neurais artificiais e métodos de aprendizado não supervisionado para organização, avaliação e previsão. Neste estudo, o SeOM foi usado para visualizar as concentrações de Ni com base no melhor modelo para prever Ni em solos urbanos e periurbanos. Os dados processados ​​na avaliação do SeOM são usados ​​como variáveis ​​vetoriais de entrada de dimensão n43,56.Melssen et al. 57 descreve a conexão de um vetor de entrada em uma rede neural através de uma única camada de entrada para um vetor de saída com um único vetor de peso. A saída gerada pelo SeOM é um mapa bidimensional composto por diferentes neurônios ou nós entrelaçados em mapas topológicos hexagonais, circulares ou quadrados, de acordo com sua proximidade. Comparando os tamanhos dos mapas com base na métrica, erro de quantização (QE) e erro topográfico (TE), o modelo SeOM com 0,086 e 0,904, respectivamente, é selecionado, o que corresponde a uma unidade de mapa de 55 (5 × 11). A estrutura do neurônio é determinada de acordo com o número de nós na equação empírica.
O número de dados utilizados neste estudo é de 115 amostras. Uma abordagem aleatória foi usada para dividir os dados em conjuntos de dados de teste (25% para validação) e de treinamento (75% para calibração). O conjunto de dados de treinamento é usado para gerar o modelo de regressão (calibração), e o conjunto de dados de teste é usado para verificar a capacidade de generalização. Isso foi feito para avaliar a adequação de vários modelos para prever o teor de níquel em solos. Todos os modelos utilizados passaram por um processo de validação cruzada de dez vezes, repetido cinco vezes. As variáveis ​​produzidas pela interpolação EBK são usadas como preditores ou variáveis ​​explicativas para prever a variável alvo (PTE). A modelagem é feita no RStudio usando os pacotes library(Kohonen), library(caret), library(modelr), library(“e1071”), library(“plyr”), library(“caTools”), library(”prospect”) e libraries(“Metrics”).
Diversos parâmetros de validação foram utilizados para determinar o melhor modelo adequado para prever as concentrações de níquel no solo e para avaliar a precisão do modelo e sua validação. Os modelos de hibridização foram avaliados utilizando o erro médio absoluto (MAE), o erro quadrático médio (RMSE) e o coeficiente de determinação (R²). O R² define a variância das proporções na resposta, representada pelo modelo de regressão. O RMSE e a magnitude da variância em medidas independentes descrevem o poder preditivo do modelo, enquanto o MAE determina o valor quantitativo real. O valor de R² deve ser alto para avaliar o melhor modelo de mistura utilizando os parâmetros de validação; quanto mais próximo de 1, maior a precisão. De acordo com Li et al. 59, um valor de R² de 0,75 ou superior é considerado um bom preditor; Valores entre 0,5 e 0,75 representam um desempenho aceitável do modelo, enquanto valores abaixo de 0,5 indicam desempenho inaceitável. Ao selecionar um modelo utilizando os critérios de validação RMSE e MAE, os valores mais baixos obtidos foram considerados suficientes e, portanto, a melhor escolha. A equação a seguir descreve o método de verificação.
onde n representa o tamanho do valor observado, \({Y}_{i}\) representa a resposta medida e \({\widehat{Y}}_{i}\) também representa o valor da resposta prevista, portanto, para as primeiras i observações.
As descrições estatísticas das variáveis ​​preditoras e de resposta são apresentadas na Tabela 1, mostrando a média, o desvio padrão (DP), o coeficiente de variação (CV), o mínimo, o máximo, a curtose e a assimetria. Os valores mínimo e máximo dos elementos estão em ordem decrescente de Mg < Ca < K < Ni e Ca < Mg < K < Ni, respectivamente. As concentrações da variável de resposta (Ni) amostradas na área de estudo variaram de 4,86 ​​a 42,39 mg/kg. A comparação do Ni com a média mundial (29 mg/kg) e a média europeia (37 mg/kg) mostrou que a média geométrica calculada para a área de estudo estava dentro da faixa tolerável. No entanto, como mostrado por Kabata-Pendias¹¹, uma comparação da concentração média de níquel (Ni) no presente estudo com solos agrícolas na Suécia mostra que a concentração média de níquel atual é maior. Da mesma forma, a concentração média de Frydek Mistek em solos urbanos e periurbanos no presente estudo (Ni 16,15 mg/kg) foi superior ao limite permitido de 60 (10,2 mg/kg) para Ni em solos urbanos poloneses relatado por Różański et al. Além disso, Bretzel e Calderisi61 registraram concentrações médias de Ni muito baixas (1,78 mg/kg) em solos urbanos na Toscana em comparação com o presente estudo. Jim62 também encontrou uma concentração de níquel mais baixa (12,34 mg/kg) em solos urbanos de Hong Kong, que é inferior à concentração de níquel encontrada neste estudo. Birke et al63 relataram uma concentração média de Ni de 17,6 mg/kg em uma antiga área industrial urbana e de mineração na Saxônia-Anhalt, Alemanha, que foi 1,45 mg/kg superior à concentração média de Ni na área (16,15 mg/kg). A pesquisa atual sugere que o teor excessivo de níquel em solos em algumas áreas urbanas e suburbanas da área de estudo pode ser atribuído principalmente à indústria siderúrgica e metalúrgica. Isso está de acordo com o estudo de Khodadoust et al. 64 que a indústria siderúrgica e metalúrgica são as principais fontes de contaminação por níquel nos solos. No entanto, os preditores também variaram de 538,70 mg/kg a 69.161,80 mg/kg para Ca, de 497,51 mg/kg a 3.535,68 mg/kg para K e de 685,68 mg/kg a 5.970,05 mg/kg para Mg. Jakovljevic et al. 65 investigaram o teor total de Mg e K em solos na Sérvia central. Eles descobriram que as concentrações totais (410 mg/kg e 400 mg/kg, respectivamente) eram menores do que as concentrações de Mg e K do presente estudo. De forma semelhante, no leste da Polônia, Orzechowski e Smolczynski66 avaliaram o teor total de Ca, Mg e K e mostraram concentrações médias de Ca (1100 mg/kg), Mg (590 mg/kg) e K (810 mg/kg). O teor na camada superficial do solo é menor do que o de cada elemento individual neste estudo. Um estudo recente de Pongrac et al.67 mostrou que o teor total de Ca analisado em 3 solos diferentes na Escócia, Reino Unido (solo de Mylnefield, solo de Balruddery e solo de Hartwood) indicou um teor de Ca maior do que neste estudo.
Devido às diferentes concentrações medidas dos elementos amostrados, as distribuições dos conjuntos de dados dos elementos apresentam diferentes assimetrias. A assimetria e a curtose dos elementos variaram de 1,53 a 7,24 e de 2,49 a 54,16, respectivamente. Todos os elementos calculados apresentam níveis de assimetria e curtose acima de +1, indicando que a distribuição dos dados é irregular, assimétrica à direita e com pico acentuado. Os coeficientes de variação (CVs) estimados dos elementos também mostram que K, Mg e Ni exibem variabilidade moderada, enquanto Ca apresenta variabilidade extremamente alta. Os CVs de K, Ni e Mg explicam sua distribuição uniforme. Além disso, a distribuição de Ca não é uniforme e fontes externas podem afetar seu nível de enriquecimento.
A correlação das variáveis ​​preditoras com os elementos de resposta indicou uma correlação satisfatória entre os elementos (ver Figura 3). A correlação indicou que o CaK apresentou correlação moderada com valor r = 0,53, assim como o CaNi. Embora Ca e K mostrem associações modestas entre si, pesquisadores como Kingston et al. Os resultados de 68 e Santo69 sugerem que seus níveis no solo são inversamente proporcionais. No entanto, Ca e Mg são antagônicos a K, mas a correlação entre Ca e K é boa. Isso pode ser devido à aplicação de fertilizantes como o carbonato de potássio, que possui 56% mais potássio. O potássio apresentou correlação moderada com o magnésio (KM r = 0,63). Na indústria de fertilizantes, esses dois elementos estão intimamente relacionados, pois o sulfato de potássio e magnésio, o nitrato de potássio e magnésio e o potássio são aplicados aos solos para aumentar seus níveis de deficiência. O níquel apresenta correlação moderada com Ca, K e Mg, com valores de r = 0,52, 0,63 e 0,55, respectivamente. As relações envolvendo cálcio, magnésio e elementos potencialmente tóxicos (EPTs), como o níquel, são complexas, mas, mesmo assim, o magnésio inibe a absorção de cálcio, o cálcio reduz os efeitos do excesso de magnésio e tanto o magnésio quanto o cálcio reduzem os efeitos tóxicos do níquel no solo.
Matriz de correlação dos elementos mostrando a relação entre preditores e respostas (Nota: esta figura inclui um gráfico de dispersão entre os elementos; os níveis de significância são baseados em p < 0,001).
A Figura 4 ilustra a distribuição espacial dos elementos. De acordo com Burgos et al.70, a aplicação da distribuição espacial é uma técnica utilizada para quantificar e destacar pontos críticos em áreas poluídas. Os níveis de enriquecimento de Ca na Figura 4 podem ser observados na parte noroeste do mapa de distribuição espacial. A figura mostra pontos críticos de enriquecimento de Ca de moderado a alto. O enriquecimento de cálcio no noroeste do mapa provavelmente se deve ao uso de cal viva (óxido de cálcio) para reduzir a acidez do solo e ao seu uso em siderúrgicas como oxigenador alcalino no processo de fabricação do aço. Por outro lado, outros agricultores preferem usar hidróxido de cálcio em solos ácidos para neutralizar o pH, o que também aumenta o teor de cálcio do solo71. O potássio também apresenta pontos críticos no noroeste e leste do mapa. O noroeste é uma importante região agrícola, e o padrão de potássio de moderado a alto pode ser devido à aplicação de NPK e potássio. Isso está de acordo com outros estudos, como Madaras e Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, que observaram que a estabilização do solo e o tratamento com KCl e NPK resultaram em alto teor de K no solo. O enriquecimento espacial de potássio no noroeste do mapa de distribuição pode ser devido ao uso de fertilizantes à base de potássio, como cloreto de potássio, sulfato de potássio, nitrato de potássio, potassa e fosfato de potássio para aumentar o teor de potássio de solos pobres. Zádorová et al. 76 e Tlustoš et al. 77 destacou que a aplicação de fertilizantes à base de potássio aumentou o teor de potássio no solo e aumentaria significativamente o teor de nutrientes do solo a longo prazo, especialmente potássio e magnésio, mostrando um ponto crítico no solo. Pontos críticos relativamente moderados no noroeste e sudeste do mapa. A fixação coloidal no solo depleta a concentração de magnésio no solo. Sua falta no solo faz com que as plantas apresentem clorose internervada amarelada. Fertilizantes à base de magnésio, como sulfato de potássio e magnésio, sulfato de magnésio e kieserita, tratam deficiências (as plantas apresentam coloração roxa, vermelha ou marrom, indicando deficiência de magnésio) em solos com pH normal6. O acúmulo de níquel em superfícies de solo urbanas e periurbanas pode ser devido a atividades antropogênicas, como a agricultura, e à importância do níquel na produção de aço inoxidável78.
Distribuição espacial dos elementos [o mapa de distribuição espacial foi criado usando o ArcGIS Desktop (ESRI, Inc, versão 10.7, URL: https://desktop.arcgis.com).]
Os resultados do índice de desempenho do modelo para os elementos utilizados neste estudo são apresentados na Tabela 2. Por outro lado, o RMSE e o MAE do Ni são ambos próximos de zero (RMSE 0,86, MAE -0,08). Já os valores de RMSE e MAE do K são aceitáveis. Os resultados de RMSE e MAE foram maiores para cálcio e magnésio. Os resultados de MAE e RMSE para Ca e K são maiores devido aos diferentes conjuntos de dados. O RMSE e o MAE deste estudo, utilizando EBK para prever Ni, foram considerados melhores do que os resultados de John et al.⁵⁴, que utilizaram krigagem sinérgica para prever as concentrações de S no solo com os mesmos dados coletados. Os resultados do EBK que estudamos correlacionam-se com os de Fabijaczyk et al.⁴¹, Yan et al.⁷⁹, Beguin et al.⁸⁰, Adhikary et al.⁸¹ e John et al.⁸², especialmente para K e Ni.
O desempenho dos métodos individuais para prever o teor de níquel em solos urbanos e periurbanos foi avaliado utilizando o desempenho dos modelos (Tabela 3). A validação do modelo e a avaliação da precisão confirmaram que o preditor Ca_Mg_K combinado com o modelo EBK SVMR apresentou o melhor desempenho. O modelo de calibração Ca_Mg_K-EBK_SVMR apresentou R², erro quadrático médio (RMSE) e erro absoluto médio (MAE) de 0,637 (R²), 95,479 mg/kg (RMSE) e 77,368 mg/kg (MAE), respectivamente. Já o modelo Ca_Mg_K-SVMR apresentou R² de 0,663, 235,974 mg/kg (RMSE) e 166,946 mg/kg (MAE). Apesar disso, bons valores de R² foram obtidos para Ca_Mg_K-SVMR (0,663 mg/kg R²) e Ca_Mg_K-EBK_SVMR (0,643 = R2); Os resultados de RMSE e MAE foram maiores do que os do modelo Ca_Mg_K-EBK_SVMR (R² = 0,637) (ver Tabela 3). Além disso, o RMSE e o MAE do modelo Ca_Mg-EBK_SVMR (RMSE = 1664,64 e MAE = 1031,49) são 17,5 e 13,4, respectivamente, valores maiores do que os do modelo Ca_Mg_K-EBK_SVMR. Da mesma forma, o RMSE e o MAE do modelo Ca_Mg-K SVMR (RMSE = 235,974 e MAE = 166,946) são 2,5 e 2,2 vezes maiores do que os do modelo Ca_Mg_K-EBK_SVMR, respectivamente. Os resultados de RMSE calculados indicam o quão concentrado o conjunto de dados está em relação à linha de melhor ajuste. Valores mais altos de RMSE e MAE foram observados. De acordo com Kebonye et al. 46 e john et al. 54, quanto mais próximos de zero estiverem o RMSE e o MAE, melhores serão os resultados. SVMR e EBK_SVMR apresentam valores quantizados de RMSE e MAE mais elevados. Observou-se que as estimativas de RMSE foram consistentemente maiores que os valores de MAE, indicando a presença de outliers. De acordo com Legates e McCabe83, a extensão em que o RMSE excede o erro médio absoluto (MAE) é recomendada como um indicador da presença de outliers. Isso significa que quanto mais heterogêneo for o conjunto de dados, maiores serão os valores de MAE e RMSE. A acurácia da avaliação de validação cruzada do modelo misto Ca_Mg_K-EBK_SVMR para prever o teor de Ni em solos urbanos e suburbanos foi de 63,70%. De acordo com Li et al. 59, esse nível de acurácia é uma taxa de desempenho aceitável para o modelo. Os resultados atuais são comparados a um estudo anterior de Tarasov et al. 36 cujo modelo híbrido criou MLPRK (Multilayer Perceptron Residual Kriging), relacionado ao índice de avaliação de precisão EBK_SVMR relatado no presente estudo, RMSE (210) e MAE (167,5) foram maiores do que nossos resultados no presente estudo (RMSE 95,479, MAE 77,368). No entanto, ao comparar o R² do presente estudo (0,637) com o de Tarasov et al. 36 (0,544), fica claro que o coeficiente de determinação (R²) é maior neste modelo misto. A margem de erro (RMSE e MAE) (EBK SVMR) para o modelo misto é duas vezes menor. Da mesma forma, Sergeev et al.34 registraram 0,28 (R²) para o modelo híbrido desenvolvido (Multilayer Perceptron Residual Kriging), enquanto o Ni no presente estudo registrou 0,637 (R²). O nível de precisão da previsão deste modelo (EBK SVMR) é de 63,7%, enquanto a precisão da previsão obtida por Sergeev et al.34 é de 28%. O mapa final (Fig. 5) criado usando o modelo EBK_SVMR e Ca_Mg_K como preditor mostra previsões de pontos críticos e concentrações moderadas a altas de níquel em toda a área de estudo. Isso significa que a concentração de níquel na área de estudo é principalmente moderada, com concentrações mais altas em algumas áreas específicas.
O mapa de previsão final é representado usando o modelo híbrido EBK_SVMR e utilizando Ca_Mg_K como preditor. [O mapa de distribuição espacial foi criado usando o RStudio (versão 1.4.1717: https://www.rstudio.com/).]
A Figura 6 apresenta as concentrações de elementos potencialmente tóxicos (EPT) como um plano de composição constituído por neurônios individuais. Nenhum dos planos de componentes exibiu o mesmo padrão de cores mostrado. No entanto, o número apropriado de neurônios por mapa desenhado é 55. O SeOM é produzido usando uma variedade de cores e, quanto mais semelhantes os padrões de cores, mais comparáveis ​​as propriedades das amostras. De acordo com sua escala de cores precisa, os elementos individuais (Ca, K e Mg) mostraram padrões de cores semelhantes a neurônios individuais de alta ordem e à maioria dos neurônios de baixa ordem. Assim, CaK e CaMg compartilham algumas semelhanças com neurônios de ordem muito alta e padrões de cores de baixa a moderada. Ambos os modelos predizem a concentração de Ni no solo exibindo tonalidades de cores médias a altas, como vermelho, laranja e amarelo. O modelo KMg exibe muitos padrões de cores altas com base em proporções precisas e manchas de cores baixas a médias. Em uma escala de cores precisa de baixa a alta, o padrão de distribuição planar dos componentes do modelo mostrou um padrão de cores altas, indicando a concentração potencial de níquel no solo (ver Figura 4). O plano de componentes do modelo CaKMg mostra uma cor diversificada. padrão de baixo a alto de acordo com uma escala de cores precisa. Além disso, a previsão do modelo para o teor de níquel (CakMg) é semelhante à distribuição espacial de níquel mostrada na Figura 5. Ambos os gráficos mostram proporções altas, médias e baixas de concentrações de níquel em solos urbanos e periurbanos. A Figura 7 apresenta o método de contorno no agrupamento k-means no mapa, dividido em três clusters com base no valor previsto em cada modelo. O método de contorno representa o número ideal de clusters. Das 115 amostras de solo coletadas, a categoria 1 obteve o maior número de amostras, 74. O cluster 2 recebeu 33 amostras, enquanto o cluster 3 recebeu 8 amostras. A combinação do preditor planar de sete componentes foi simplificada para permitir a interpretação correta dos clusters. Devido aos inúmeros processos antropogênicos e naturais que afetam a formação do solo, é difícil obter padrões de clusters adequadamente diferenciados em um mapa SeOM distribuído.
Saída do plano de componentes para cada variável da Máquina de Vetores de Suporte de Krigagem Bayesiana Empírica (EBK_SVM_SeOM). [Os mapas SeOM foram criados usando o RStudio (versão 1.4.1717: https://www.rstudio.com/).]
Diferentes componentes de classificação de clusters [Os mapas SeOM foram criados usando o RStudio (versão 1.4.1717: https://www.rstudio.com/).]
O presente estudo ilustra claramente técnicas de modelagem para concentrações de níquel em solos urbanos e periurbanos. O estudo testou diferentes técnicas de modelagem, combinando elementos com técnicas de modelagem, para obter a melhor maneira de prever as concentrações de níquel no solo. As características espaciais planares da composição da matéria orgânica do solo (SeOM) da técnica de modelagem exibiram um padrão de cores elevado, de baixo a alto, em uma escala de cores precisa, indicando as concentrações de Ni no solo. No entanto, o mapa de distribuição espacial confirma a distribuição espacial planar dos componentes exibida pelo modelo EBK_SVMR (ver Figura 5). Os resultados mostram que o modelo de regressão por máquina de vetores de suporte (Ca Mg K-SVMR) prevê a concentração de Ni no solo como um modelo único, mas os parâmetros de validação e avaliação de precisão mostram erros muito altos em termos de RMSE e MAE. Por outro lado, a técnica de modelagem empregada com o modelo EBK_MLR também apresenta falhas devido ao baixo valor do coeficiente de determinação (R²). Bons resultados foram obtidos usando o modelo EBK_SVMR e elementos combinados (CaKMg) com baixos erros de RMSE e MAE e uma precisão de 63,7%. Verificou-se que a combinação do algoritmo EBK com um algoritmo de aprendizado de máquina pode gerar um algoritmo híbrido capaz de prever a concentração de elementos potencialmente tóxicos (EPTs) no solo. Os resultados mostram que o uso de Ca, Mg e K como preditores para prever as concentrações de Ni na área de estudo pode melhorar a previsão de Ni nos solos. Isso significa que a aplicação contínua de fertilizantes à base de níquel e a poluição industrial do solo pela indústria siderúrgica tendem a aumentar a concentração de níquel no solo. Este estudo revelou que o modelo EBK pode reduzir o nível de erro e melhorar a precisão do modelo de distribuição espacial do solo em áreas urbanas ou periurbanas. Em geral, propomos aplicar o modelo EBK-SVMR para avaliar e prever EPTs no solo; além disso, propomos usar o EBK em conjunto com vários algoritmos de aprendizado de máquina. As concentrações de Ni foram previstas usando elementos como covariáveis. No entanto, o uso de mais covariáveis ​​melhoraria significativamente o desempenho do modelo, o que pode ser considerado uma limitação do presente trabalho. Outra limitação deste estudo é o número de conjuntos de dados, que é de apenas 115. Portanto, se mais dados forem fornecidos, o desempenho do método de hibridização otimizado proposto poderá ser aprimorado.
PlantProbs.net. Níquel em plantas e solo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Acessado em 28 de abril de 2021).
Kasprzak, KS Nickel advances in modern environmental toxicology.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Níquel: Uma revisão de suas fontes e toxicologia ambiental. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Entrada de poluentes da atmosfera e acúmulo no solo e na vegetação perto de uma fundição de níquel-cobre em Sudbury, Ontário, Canadá.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metais pesados ​​no solo, plantas e riscos associados ao pastoreio de ruminantes perto da mina de cobre-níquel Selebi-Phikwe em Botswana. Surroundings. Geochemistry. Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementos traço no solo e… – 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= (Acessado em 24 de novembro de 2020).
Almås, A., Singh, B., Agricultura, TS-NJ de & 1995, indefinido.Efeitos da indústria russa de níquel nas concentrações de metais pesados ​​em solos agrícolas e pastagens em Soer-Varanger, Noruega.agris.fao.org.
Nielsen, GD et al. Absorção e retenção de níquel na água potável estão relacionadas à ingestão de alimentos e à sensibilidade ao níquel. toxicologia.aplicação.farmacodinâmica.154, 67–75 (1999).
Costa, M. & Klein, CB Carcinogênese do níquel, mutação, epigenética ou seleção.envolvimento.Perspectiva de Saúde.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Análise de tendências de elementos potencialmente tóxicos: uma revisão bibliométrica. Geoquímica Ambiental e Saúde. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Mapeamento digital de solos: uma breve história e algumas lições. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sobre mapeamento digital de solos.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Modelagem Geoestatística de Reservatórios Deutsch.CV,… – 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= (Acessado em 28 de abril de 2021).