Vă mulțumim că ați vizitat Nature.com. Versiunea browserului pe care o utilizați are suport limitat pentru CSS. Pentru o experiență optimă, vă recomandăm să utilizați un browser actualizat (sau să dezactivați modul de compatibilitate în Internet Explorer). Între timp, pentru a asigura asistență continuă, vom afișa site-ul fără stiluri și JavaScript.
Poluarea solului este o problemă majoră cauzată de activitățile umane. Distribuția spațială a elementelor potențial toxice (ETP) variază în majoritatea zonelor urbane și periurbane. Prin urmare, este dificil să se prezică spațial conținutul de ETP în astfel de soluri. Un total de 115 probe au fost obținute de la Frydek Mistek în Republica Cehă. Concentrațiile de calciu (Ca), magneziu (Mg), potasiu (K) și nichel (Ni) au fost determinate utilizând spectrometria de emisie cu plasmă cuplată inductiv. Variabila de răspuns este Ni, iar predictorii sunt Ca, Mg și K. Matricea de corelație dintre variabila de răspuns și variabila predictor arată o corelație satisfăcătoare între elemente. Rezultatele predicției au arătat că Regresia Automată cu Vectori de Suport (SVMR) a avut performanțe bune, deși eroarea medie pătratică estimată (RMSE) (235,974 mg/kg) și eroarea absolută medie (MAE) (166,946 mg/kg) au fost mai mari decât celelalte metode aplicate. Modelele mixte pentru Regresia Liniară Multiplă Kriging Bayesiană Empirică (EBK-MLR) au performanțe slabe, după cum reiese din Coeficienți de determinare mai mici de 0,1. Modelul Empirical Bayesian Kriging-Suport Vector Machine Regression (EBK-SVMR) a fost cel mai bun model, cu valori RMSE (95,479 mg/kg) și MAE (77,368 mg/kg) scăzute și un coeficient de determinare ridicat (R2 = 0,637). Rezultatul tehnicii de modelare EBK-SVMR este vizualizat folosind o hartă autoorganizată. Neuronii grupați în planul componentei modelului hibrid CakMg-EBK-SVMR prezintă multiple modele de culoare care prezic concentrațiile de Ni în solurile urbane și periurbane. Rezultatele demonstrează că combinarea EBK și SVMR este o tehnică eficientă pentru prezicerea concentrațiilor de Ni în solurile urbane și periurbane.
Nichelul (Ni) este considerat un micronutrient pentru plante, deoarece contribuie la fixarea azotului atmosferic (N) și la metabolismul ureei, ambele fiind necesare pentru germinarea semințelor. Pe lângă contribuția sa la germinarea semințelor, Ni poate acționa ca inhibitor fungic și bacterian și poate promova dezvoltarea plantelor. Lipsa nichelului din sol permite plantei să îl absoarbă, rezultând cloroza frunzelor. De exemplu, mazărea și fasolea verde necesită aplicarea de îngrășăminte pe bază de nichel pentru a optimiza fixarea azotului2. Aplicarea continuă a îngrășămintelor pe bază de nichel pentru a îmbogăți solul și a crește capacitatea leguminoaselor de a fixa continuu azotul în sol crește concentrația de nichel din sol. Deși nichelul este un micronutrient pentru plante, aportul său excesiv în sol poate face mai mult rău decât bine. Toxicitatea nichelului în sol minimizează pH-ul solului și împiedică absorbția fierului ca nutrient esențial pentru creșterea plantelor1. Potrivit lui Liu3, Ni s-a constatat că este al 17-lea element important necesar pentru dezvoltarea și creșterea plantelor. Pe lângă rolul nichelului în dezvoltarea și creșterea plantelor, oamenii au nevoie de el pentru o varietate de aplicații. Galvanizarea, producția de Aliajele pe bază de nichel și fabricarea dispozitivelor de aprindere și a bujiilor în industria auto necesită utilizarea nichelului în diverse sectoare industriale. În plus, aliajele pe bază de nichel și articolele electrolizate au fost utilizate pe scară largă în articole de bucătărie, accesorii pentru săli de bal, consumabile pentru industria alimentară, instalații electrice, sârmă și cablu, turbine cu reacție, implanturi chirurgicale, textile și construcții navale5. Nivelurile bogate în Ni din soluri (adică solurile de suprafață) au fost atribuite atât surselor antropice, cât și celor naturale, dar în principal, Ni este o sursă naturală, mai degrabă decât antropogenă4,6. Sursele naturale de nichel includ erupțiile vulcanice, vegetația, incendiile forestiere și procesele geologice; cu toate acestea, sursele antropice includ bateriile nichel/cadmiu din industria siderurgică, galvanizarea, sudarea cu arc, motorina și păcura, precum și emisiile atmosferice provenite din arderea cărbunelui și incinerarea deșeurilor și nămolurilor. Acumularea de nichel7,8. Conform lui Freedman și Hutchinson9 și Manyiwa și colab. 10, principalele surse de poluare a solului vegetal în mediul imediat și adiacent sunt în principal topitoriile și minele pe bază de nichel-cupru. Solul vegetal din jurul rafinăriei de nichel-cupru Sudbury din Canada a avut cele mai ridicate niveluri de contaminare cu nichel, la 26.000 mg/kg11. În schimb, poluarea provenită din producția de nichel din Rusia a dus la concentrații mai mari de nichel în solul norvegian11. Potrivit lui Alms și colab. 12, cantitatea de nichel extractibil din HNO3 din terenurile arabile de top din regiune (producția de nichel în Rusia) a variat între 6,25 și 136,88 mg/kg, corespunzând unei medii de 30,43 mg/kg și unei concentrații inițiale de 25 mg/kg. Conform studiului Kabata 11, aplicarea îngrășămintelor cu fosfor în solurile agricole din mediul urban sau periurban în timpul sezoanelor agricole succesive poate infuza sau contamina solul. Efectele potențiale ale nichelului asupra oamenilor pot duce la cancer prin mutageneză, leziuni cromozomiale, generare de ADN-Z, blocarea reparării prin excizie a ADN-ului sau procese epigenetice 13. În experimentele pe animale, s-a constatat că nichelul are potențialul de a provoca o varietate de tumori, iar complexele cancerigene de nichel pot exacerba astfel de tumori.
Evaluările contaminării solului au înflorit în ultima vreme datorită unei game largi de probleme legate de sănătate care decurg din relațiile sol-plantă, relațiile biologice dintre sol și sol, degradarea ecologică și evaluarea impactului asupra mediului. Până în prezent, predicția spațială a elementelor potențial toxice (PTE), cum ar fi Ni, în sol a fost laborioasă și consumatoare de timp folosind metode tradiționale. Apariția cartografierii digitale a solului (DSM) și succesul său actual15 au îmbunătățit considerabil cartografierea predictivă a solului (PSM). Potrivit lui Minasny și McBratney16, cartografierea predictivă a solului (DSM) s-a dovedit a fi o subdisciplină proeminentă a științei solului. Lagacherie și McBratney, 2006 definesc DSM ca „crearea și completarea sistemelor informaționale spațiale despre sol prin utilizarea metodelor de observație in situ și de laborator și a sistemelor de inferență spațială și non-spațială a solului”. McBratney și colab. 17 subliniază faptul că DSM sau PSM contemporan este cea mai eficientă tehnică pentru prezicerea sau cartografierea distribuției spațiale a PTE-urilor, tipurilor de sol și proprietăților solului. Geostatistica și algoritmii de învățare automată (MLA) sunt tehnici de modelare DSM care creează hărți digitalizate cu ajutorul computerelor folosind date semnificative și minime.
Deutsch18 și Olea19 definesc geostatistica ca fiind „colecția de tehnici numerice care se ocupă de reprezentarea atributelor spațiale, utilizând în principal modele stocastice, cum ar fi modul în care analiza seriilor temporale caracterizează datele temporale”. În principal, geostatistica implică evaluarea variogramelor, care permit cuantificarea și definirea dependențelor valorilor spațiale din fiecare set de date20. Gumiaux și colab.20 ilustrează în continuare faptul că evaluarea variogramelor în geostatistica se bazează pe trei principii, inclusiv (a) calcularea scalei de corelație a datelor, (b) identificarea și calcularea anizotropiei în disparitatea setului de date și (c) pe lângă luarea în considerare a erorii inerente a datelor de măsurare separate de efectele locale, se estimează și efectele de suprafață. Bazându-se pe aceste concepte, în geostatistica sunt utilizate multe tehnici de interpolare, inclusiv kriging general, co-kriging, kriging obișnuit, kriging bayesian empiric, metoda kriging simplă și alte tehnici de interpolare bine-cunoscute pentru a cartografia sau prezice PTE, caracteristicile solului și tipurile de sol.
Algoritmii de învățare automată (MLA) sunt o tehnică relativ nouă care utilizează clase de date neliniare mai mari, alimentate de algoritmi utilizați în principal pentru extragerea datelor, identificarea modelelor în date și aplicați în mod repetat la clasificare în domenii științifice, cum ar fi știința pedologiei și sarcinile de returnare. Numeroase lucrări de cercetare se bazează pe modele MLA pentru a prezice PTE în soluri, cum ar fi Tan și colab. 22 (păduri aleatorii pentru estimarea metalelor grele în solurile agricole), Sakizadeh și colab. 23 (modelare folosind mașini vectoriale de suport și rețele neuronale artificiale) poluarea solului). În plus, Vega și colab. 24 (CART pentru modelarea retenției și adsorbției metalelor grele în sol), Sun și colab. 25 (aplicarea cubistului este distribuția Cd în sol) și alți algoritmi, cum ar fi k-cel mai apropiat vecin, regresia amplificată generalizată și regresia amplificată. Arborii au aplicat, de asemenea, MLA pentru a prezice PTE în sol.
Aplicarea algoritmilor DSM în predicție sau cartografiere se confruntă cu mai multe provocări. Mulți autori consideră că MLA este superioară geostatisticii și invers. Deși una este mai bună decât cealaltă, combinarea celor două îmbunătățește nivelul de precizie al cartografierii sau predicției în DSM15. Woodcock și Gopal26 Finke27; Pontius și Cheuk28 și Grunwald29 comentează deficiențele și unele erori în cartografierea predictivă a solului. Specialiștii în pedologie au încercat o varietate de tehnici pentru a optimiza eficacitatea, precizia și predictibilitatea cartografierii și prognozării DSM. Combinația dintre incertitudine și verificare este unul dintre numeroasele aspecte integrate în DSM pentru a optimiza eficacitatea și a reduce defectele. Cu toate acestea, Agyeman și colab.15 subliniază că comportamentul de validare și incertitudinea introduse prin crearea și predicția hărților ar trebui validate independent pentru a îmbunătăți calitatea hărții. Limitările DSM se datorează calității solului dispersate geografic, care implică o componentă de incertitudine; Cu toate acestea, lipsa de certitudine în DSM poate proveni din mai multe surse de eroare, și anume eroarea covariată, eroarea de model, eroarea de localizare și eroarea analitică31. Inexactitățile de modelare induse în MLA și procesele geostatistice sunt asociate cu o lipsă de înțelegere, ceea ce duce în cele din urmă la simplificarea excesivă a procesului real32. Indiferent de natura modelării, inexactitățile pot fi atribuite parametrilor de modelare, predicțiilor modelului matematic sau interpolării33. Recent, a apărut o nouă tendință DSM care promovează integrarea geostatisticii și MLA în cartografiere și prognoză. Mai mulți oameni de știință și autori specializați în sol, precum Sergeev și colab.34; Subbotina și colab.35; Tarasov și colab.36 și Tarasov și colab.37, au exploatat calitatea precisă a geostatisticii și a învățării automate pentru a genera modele hibride care îmbunătățesc eficiența prognozei și cartografierii. calitate. Unele dintre aceste modele de algoritmi hibride sau combinați sunt Kriging-ul rețelelor neuronale artificiale (ANN-RK), Kriging-ul rezidual cu perceptron multistrat (MLP-RK), Kriging-ul rezidual cu regresie generalizată (GR-NNRK)36, Kriging-ul rețelelor neuronale artificiale cu perceptron multistrat (ANN-K-MLP)37 și Co-Kriging-ul și regresia procesului gaussian38.
Conform lui Sergeev și colab., combinarea diferitelor tehnici de modelare are potențialul de a elimina defectele și de a crește eficiența modelului hibrid rezultat, mai degrabă decât dezvoltarea unui singur model. În acest context, această nouă lucrare susține că este necesară aplicarea unui algoritm combinat de geostatistică și MLA pentru a crea modele hibride optime care să prezică îmbogățirea cu Ni în zonele urbane și periurbane. Acest studiu se va baza pe Krigingul Bayesian Empiric (EBK) ca model de bază și îl va combina cu modelele Support Vector Machine (SVM) și Regresie Liniară Multiplă (MLR). Hibridizarea EBK cu orice MLA nu este cunoscută. Modelele mixte multiple observate sunt combinații de kriging obișnuit, rezidual, de regresie și MLA. EBK este o metodă de interpolare geostatistică care utilizează un proces stochastic spațial, localizat ca un câmp aleatoriu nestaționar/staționar cu parametri de localizare definiți pe câmp, permițând variația spațială39. EBK a fost utilizat într-o varietate de studii, inclusiv analiza distribuției carbonului organic în solurile agricole40, evaluarea poluării solului41 și cartografierea proprietăților solului42.
Pe de altă parte, Graful Autoorganizator (SeOM) este un algoritm de învățare care a fost aplicat în diverse articole, cum ar fi Li și colab. 43, Wang și colab. 44, Hossain Bhuiyan și colab. 45 și Kebonye și colab. 46. Determină atributele spațiale și gruparea elementelor. Wang și colab. 44 subliniază faptul că SeOM este o tehnică puternică de învățare, cunoscută pentru capacitatea sa de a grupa și imagina probleme neliniare. Spre deosebire de alte tehnici de recunoaștere a tiparelor, cum ar fi analiza componentelor principale, clusteringul fuzzy, clusteringul ierarhic și luarea deciziilor multicriteriale, SeOM este mai bun la organizarea și identificarea tiparelor PTE. Conform lui Wang și colab. 44, SeOM poate grupa spațial distribuția neuronilor înrudiți și poate oferi vizualizare a datelor de înaltă rezoluție. SeOM va vizualiza datele de predicție Ni pentru a obține cel mai bun model pentru a caracteriza rezultatele pentru interpretare directă.
Această lucrare își propune să genereze un model robust de cartografiere cu precizie optimă pentru prezicerea conținutului de nichel în solurile urbane și periurbane. Ipotezăm că fiabilitatea modelului mixt depinde în principal de influența altor modele atașate modelului de bază. Recunoaștem provocările cu care se confruntă DSM și, deși aceste provocări sunt abordate pe mai multe fronturi, combinarea progreselor în geostatistică și modelele MLA pare a fi incrementală; prin urmare, vom încerca să răspundem la întrebările de cercetare care pot genera modele mixte. Cu toate acestea, cât de precis este modelul în prezicerea elementului țintă? De asemenea, care este nivelul de evaluare a eficienței bazat pe validare și evaluarea preciziei? Prin urmare, obiectivele specifice ale acestui studiu au fost (a) crearea unui model de amestec combinat pentru SVMR sau MLR folosind EBK ca model de bază, (b) compararea modelelor rezultate, (c) propunerea celui mai bun model de amestec pentru prezicerea concentrațiilor de Ni în solurile urbane sau periurbane și (d) aplicarea SeOM pentru a crea o hartă de înaltă rezoluție a variației spațiale a nichelului.
Studiul se desfășoară în Republica Cehă, mai exact în districtul Frydek Mistek din regiunea Moravia-Silezia (a se vedea Figura 1). Geografia zonei studiate este foarte accidentată și face parte în mare parte din regiunea Beskidy Moravia-Silezia, care face parte din marginea exterioară a Munților Carpați. Zona studiată este situată între 49° 41′ 0′ N și 18° 20′ 0′ E, iar altitudinea este cuprinsă între 225 și 327 m; Cu toate acestea, sistemul de clasificare Koppen pentru starea climatică a regiunii este evaluat ca Cfb = climat oceanic temperat. Există precipitații abundente chiar și în lunile secetoase. Temperaturile variază ușor pe parcursul anului între -5 °C și 24 °C, scăzând rareori sub -14 °C sau peste 30 °C, în timp ce precipitațiile medii anuale sunt între 685 și 752 mm47. Suprafața estimată a întregii zone este de 1.208 kilometri pătrați, cu 39,38% din terenul cultivat și 49,36% din acoperirea forestieră. Pe de altă parte, suprafața utilizată în acest studiu este de aproximativ 889,8 kilometri pătrați. În Ostrava și în jurul ei, industria siderurgică și fabricile de metal sunt foarte active. Fabricile de metal, industria siderurgică unde nichelul este utilizat în oțeluri inoxidabile (de exemplu, pentru rezistența la coroziunea atmosferică) și oțeluri aliate (nichelul crește rezistența aliajului, menținându-i în același timp ductilitatea și tenacitatea bună), și agricultura intensivă, cum ar fi aplicarea îngrășămintelor cu fosfați și producția de animale, sunt surse potențiale de nichel pentru cercetare în regiune. (de exemplu, adăugarea de nichel la miei pentru a crește ratele de creștere la miei și bovine cu hrănire redusă). Alte utilizări industriale ale nichelului în domeniile de cercetare includ utilizarea sa în galvanizare, inclusiv procesele de galvanizare cu nichel și nichelare electrolitică. Proprietățile solului se disting ușor de culoarea, structura și conținutul de carbonați ai solului. Textura solului este medie spre fină, derivată din materialul parental. Acestea sunt de natură coluvială, aluvială sau eoliană. Unele zone de sol apar pătate la suprafață și în subsol, adesea cu beton și decolorare. Cu toate acestea, cambisolurile și stagnosolurile sunt cele mai comune tipuri de sol din regiune48. Cu altitudini cuprinse între 455,1 și 493,5 m, cambisolurile domină Republica Cehă49.
Harta zonei de studiu [Harta zonei de studiu a fost creată folosind ArcGIS Desktop (ESRI, Inc, versiunea 10.7, URL: https://desktop.arcgis.com).]
Un total de 115 probe de sol vegetal au fost obținute din soluri urbane și periurbane din districtul Frydek Mistek. Modelul de prelevare a fost o grilă regulată, cu probe de sol distanțate la 2 × 2 km una de cealaltă, iar solul vegetal a fost măsurat la o adâncime de 0 până la 20 cm folosind un dispozitiv GPS portabil (Leica Zeno 5 GPS). Probele sunt ambalate în pungi Ziploc, etichetate corespunzător și expediate la laborator. Probele au fost uscate la aer pentru a produce probe pulverizate, pulverizate printr-un sistem mecanic (moară cu discuri Fritsch) și cernute (dimensiunea sitei 2 mm). Se plasează 1 gram de probe de sol uscate, omogenizate și cernute în sticle de teflon clar etichetate. În fiecare vas de teflon, se distribuie 7 ml de HCl 35% și 3 ml de HNO3 65% (folosind un dozator automat - câte unul pentru fiecare acid), se acoperă ușor și se lasă probele să stea peste noapte pentru reacție (program aqua regia). Se plasează supernatantul pe o placă metalică fierbinte (temperatură: 100 W și 160 °C) timp de 2 ore pentru a facilita procesul de digestie a probelor, apoi se răcește. Se transferă supernatantul într-un balon cotat de 50 ml și se diluează până la 50 ml cu apă deionizată. După aceea, se filtrează supernatantul diluat într-un tub PVC de 50 ml cu apă deionizată. În plus, 1 ml din soluția de diluție a fost diluat cu 9 ml de apă deionizată și filtrat într-un tub de 12 ml pregătit pentru pseudo-concentrarea PTE. Concentrațiile de PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) au fost determinate prin ICP-OES (Spectroscopia cu Emisie Optică cu Plasmă Cuplată Inductiv) (Thermo Fisher Scientific, SUA) conform metodelor standard și acordurilor. Se asigură procedurile de Asigurare și Control al Calității (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-urile cu limite de detecție sub jumătate au fost excluse din acest studiu. Limita de detecție a PTE utilizată în acest studiu a fost 0,0004.(dvs.).În plus, procesul de control al calității și de asigurare a calității pentru fiecare analiză este asigurat prin analizarea standardelor de referință.Pentru a se asigura că erorile au fost reduse la minimum, a fost efectuată o dublă analiză.
Krigingul Bayesian Empiric (EBK) este una dintre numeroasele tehnici de interpolare geostatistică utilizate în modelare în diverse domenii, cum ar fi știința solului. Spre deosebire de alte tehnici de interpolare kriging, EBK diferă de metodele kriging tradiționale prin luarea în considerare a erorii estimate de modelul semivariogramei. În interpolarea EBK, în timpul interpolării se calculează mai multe modele de semivariogramă, mai degrabă decât o singură semivariogramă. Tehnicile de interpolare fac loc incertitudinii și programării asociate cu această reprezentare grafică a semivariogramei, care constituie o parte extrem de complexă a unei metode kriging suficiente. Procesul de interpolare al EBK urmează cele trei criterii propuse de Krivoruchko50, (a) modelul estimează semivariograma din setul de date de intrare (b) noua valoare prezisă pentru fiecare locație a setului de date de intrare pe baza semivariogramei generate și (c) modelul final A este calculat dintr-un set de date simulat. Regula ecuației Bayesiene este dată ca o distribuție a posteriori
Unde \(Prob\left(A\right)\) reprezintă probabilitatea a priori, probabilitatea marginală \(Prob\left(B\right)\) este ignorată în majoritatea cazurilor, \(Prob (B,A)\). Calculul semivariogramei se bazează pe regula lui Bayes, care arată tendința seturilor de date de observație care pot fi create din semivariograme. Valoarea semivariogramei este apoi determinată folosind regula lui Bayes, care indică cât de probabil este să se creeze un set de date de observații din semivariogramă.
O mașină cu vectori suport este un algoritm de învățare automată care generează un hiperplan de separare optim pentru a distinge clasele identice, dar nu liniar independente. Vapnik51 a creat algoritmul de clasificare a intenției, dar acesta a fost recent utilizat pentru a rezolva probleme orientate spre regresie. Conform lui Li și colab.52, SVM este una dintre cele mai bune tehnici de clasificare și a fost utilizată în diverse domenii. Componenta de regresie a SVM (Support Vector Machine Regression – SVMR) a fost utilizată în această analiză. Cherkassky și ​​Mulier53 au fost pionierii SVMR ca o regresie bazată pe kernel, al cărei calcul a fost efectuat folosind un model de regresie liniară cu funcții spațiale multi-țară. John și colab.54 raportează că modelarea SVMR utilizează regresia liniară hiperplană, care creează relații neliniare și permite funcții spațiale. Conform lui Vohland și colab. 55, epsilon (ε)-SVMR utilizează setul de date antrenat pentru a obține un model de reprezentare ca o funcție insensibilă la epsilon, care este aplicată pentru a mapa datele independent, cu cea mai bună abatere epsilon din antrenamentul pe date corelate. Eroarea de distanță presetată este ignorată din valoarea reală, iar dacă eroarea este mai mare decât ε(ε), proprietățile solului o compensează. Modelul reduce, de asemenea, complexitatea datelor de antrenament la un subset mai larg de vectori de suport. Ecuația propusă de Vapnik51 este prezentată mai jos.
unde b reprezintă pragul scalar, \(K\left({x}_{,}{x}_{k}\right)\) reprezintă funcția kernel, \(\alpha\) reprezintă multiplicatorul Lagrange, N reprezintă un set de date numerice, \({x}_{k}\) reprezintă datele de intrare, iar \(y\) reprezintă datele de ieșire. Unul dintre kernelurile cheie utilizate este operația SVMR, care este o funcție de bază radială gaussiană (RBF). Nucleul RBF este aplicat pentru a determina modelul SVMR optim, care este esențial pentru a obține cel mai subtil factor de penalizare C și parametrul kernelului gamma (γ) pentru datele de antrenament PTE. Mai întâi, am evaluat setul de antrenament și apoi am testat performanța modelului pe setul de validare. Parametrul de direcționare utilizat este sigma, iar valoarea metodei este svmRadial.
Un model de regresie liniară multiplă (MLR) este un model de regresie care reprezintă relația dintre variabila de răspuns și o serie de variabile predictoare utilizând parametri liniari grupați calculați folosind metoda celor mai mici pătrate. În MLR, un model al celor mai mici pătrate este o funcție predictivă a proprietăților solului după selectarea variabilelor explicative. Este necesar să se utilizeze răspunsul pentru a stabili o relație liniară folosind variabile explicative. PTE a fost utilizat ca variabilă de răspuns pentru a stabili o relație liniară cu variabilele explicative. Ecuația MLR este
unde y este variabila de răspuns, \(a\) este intersecția cu axa, n este numărul de predictori, \({b}_{1}\) este regresia parțială a coeficienților, \({x}_{i}\) reprezintă o variabilă predictoare sau explicativă, iar \({\varepsilon }_{i}\) reprezintă eroarea din model, cunoscută și sub numele de reziduu.
Modele mixte au fost obținute prin combinarea EBK cu SVMR și MLR. Acest lucru se realizează prin extragerea valorilor prezise din interpolarea EBK. Valorile prezise obținute din Ca, K și Mg interpolate sunt obținute printr-un proces combinatorial pentru a obține noi variabile, cum ar fi CaK, CaMg și KMg. Elementele Ca, K și Mg sunt apoi combinate pentru a obține o a patra variabilă, CaKMg. În total, variabilele obținute sunt Ca, K, Mg, CaK, CaMg, KMg și CaKMg. Aceste variabile au devenit predictorii noștri, ajutând la prezicerea concentrațiilor de nichel în solurile urbane și periurbane. Algoritmul SVMR a fost aplicat predictorilor pentru a obține un model mixt de tip Kriging Bayesian Empiric-Support Vector Machine (EBK_SVM). În mod similar, variabilele sunt, de asemenea, transmise prin algoritmul MLR pentru a obține un model mixt de tip Kriging Bayesian Empiric-Multiple Linear Regression (EBK_MLR). De obicei, variabilele Ca, K, Mg, CaK, CaMg, KMg și CaKMg sunt utilizate ca și covariate, predictori ai conținutului de Ni în solurile urbane și periurbane. Cel mai acceptabil model obținut (EBK_SVM sau EBK_MLR) va fi apoi vizualizat folosind un graf autoorganizat. Fluxul de lucru al acestui studiu este prezentat în Figura 2.
Utilizarea SeOM a devenit un instrument popular pentru organizarea, evaluarea și prognozarea datelor în sectorul financiar, asistență medicală, industrie, statistică, știința pedologiei și multe altele. SeOM este creat folosind rețele neuronale artificiale și metode de învățare nesupervizate pentru organizare, evaluare și predicție. În acest studiu, SeOM a fost utilizat pentru a vizualiza concentrațiile de Ni pe baza celui mai bun model pentru prezicerea Ni în solurile urbane și periurbane. Datele procesate în evaluarea SeOM sunt utilizate ca variabile vectoriale dimensionale de intrare n43,56. Melssen și colab. Figura 57 descrie conexiunea unui vector de intrare într-o rețea neuronală printr-un singur strat de intrare la un vector de ieșire cu un singur vector de ponderare. Ieșirea generată de SeOM este o hartă bidimensională formată din diferiți neuroni sau noduri țesute în hărți topologice hexagonale, circulare sau pătrate în funcție de proximitatea lor. Comparând dimensiunile hărților pe baza metricii, erorii de cuantizare (QE) și erorii topografice (TE), este selectat modelul SeOM cu 0,086 și respectiv 0,904, care este o unitate de 55 de hărți (5 × 11). Structura neuronilor este determinată în funcție de numărul de noduri din ecuația empirică.
Numărul de date utilizate în acest studiu este de 115 eșantioane. S-a utilizat o abordare aleatorie pentru a împărți datele în date de test (25% pentru validare) și seturi de date de antrenament (75% pentru calibrare). Setul de date de antrenament este utilizat pentru a genera modelul de regresie (calibrare), iar setul de date de test este utilizat pentru a verifica capacitatea de generalizare58. Acest lucru a fost realizat pentru a evalua adecvarea diferitelor modele pentru prezicerea conținutului de nichel din soluri. Toate modelele utilizate au trecut printr-un proces de validare încrucișată de zece ori, repetat de cinci ori. Variabilele produse prin interpolare EBK sunt utilizate ca predictori sau variabile explicative pentru a prezice variabila țintă (PTE). Modelarea este gestionată în RStudio folosind pachetele library(Kohonen), library(caret), library(modelr), library(„e1071″), library(„plyr”), library(„caTools”), library(” prospectr”) și libraries(„Metrics”).
Au fost utilizați diverși parametri de validare pentru a determina cel mai bun model potrivit pentru prezicerea concentrațiilor de nichel în sol și pentru a evalua acuratețea modelului și validarea acestuia. Modelele de hibridizare au fost evaluate folosind eroarea absolută medie (MAE), eroarea medie pătratică (RMSE) și R-pătrat sau determinarea coeficientului (R2). R2 definește varianța proporțiilor din răspuns, reprezentată de modelul de regresie. RMSE și magnitudinea varianței în măsurătorile independente descriu puterea predictivă a modelului, în timp ce MAE determină valoarea cantitativă reală. Valoarea R2 trebuie să fie mare pentru a evalua cel mai bun model de amestec folosind parametrii de validare; cu cât valoarea este mai aproape de 1, cu atât acuratețea este mai mare. Conform lui Li și colab. 59, o valoare a criteriului R2 de 0,75 sau mai mare este considerată un predictor bun; de la 0,5 la 0,75 este o performanță acceptabilă a modelului, iar sub 0,5 este o performanță inacceptabilă a modelului. La selectarea unui model folosind metodele de evaluare a criteriilor de validare RMSE și MAE, valorile mai mici obținute au fost suficiente și au fost considerate cea mai bună alegere. Următoarea ecuație descrie metoda de verificare.
unde n reprezintă mărimea valorii observate\({Y}_{i}\) reprezintă răspunsul măsurat, iar \({\widehat{Y}}_{i}\) reprezintă, de asemenea, valoarea de răspuns prezisă, prin urmare, pentru primele i observații.
Descrierile statistice ale variabilelor predictor și de răspuns sunt prezentate în Tabelul 1, indicând media, deviația standard (DS), coeficientul de variație (CV), minimul, maximul, kurtoza și asimetria. Valorile minime și maxime ale elementelor sunt în ordine descrescătoare: Mg < Ca < K < Ni și Ca < Mg < K < Ni, respectiv. Concentrațiile variabilei de răspuns (Ni) prelevate din zona studiată au variat de la 4,86 ​​la 42,39 mg/kg. Compararea Ni cu media mondială (29 mg/kg) și media europeană (37 mg/kg) a arătat că media geometrică generală calculată pentru zona studiată s-a încadrat în intervalul tolerabil. Cu toate acestea, așa cum arată Kabata-Pendias11, o comparație a concentrației medii de nichel (Ni) în studiul actual cu solurile agricole din Suedia arată că concentrația medie actuală de nichel este mai mare. De asemenea, concentrația medie de Frydek Mistek în solurile urbane și periurbane din studiul actual (Ni 16,15 mg/kg) a fost mai mare decât limita admisibilă de 60 (10,2 mg/kg) pentru Ni în solurile urbane poloneze raportată de Różański și colab. În plus, Bretzel și Calderisi61 au înregistrat concentrații medii de Ni foarte scăzute (1,78 mg/kg) în solurile urbane din Toscana, comparativ cu studiul actual. Jim62 a constatat, de asemenea, o concentrație mai mică de nichel (12,34 mg/kg) în solurile urbane din Hong Kong, care este mai mică decât concentrația actuală de nichel din acest studiu. Birke și colab.63 au raportat o concentrație medie de Ni de 17,6 mg/kg într-o veche zonă minieră și industrială urbană din Saxonia-Anhalt, Germania, care a fost cu 1,45 mg/kg mai mare decât concentrația medie de Ni din zonă (16,15 mg/kg). Cercetări actuale. Conținutul excesiv de nichel din soluri din unele zone urbane și suburbane ale zonei studiate poate fi atribuit în principal industriei siderurgice și industriei metalurgice. Acest lucru este în concordanță cu studiul realizat de Khodadoust și colab. 64 conform căruia industria siderurgică și prelucrarea metalelor sunt principalele surse de contaminare cu nichel în soluri. Cu toate acestea, predictorii au variat, de asemenea, de la 538,70 mg/kg la 69.161,80 mg/kg pentru Ca, 497,51 mg/kg la 3.535,68 mg/kg pentru K și 685,68 mg/kg la 5.970,05 mg/kg pentru Mg. Jakovljevic și colab. 65 au investigat conținutul total de Mg și K din solurile din centrul Serbiei. Aceștia au descoperit că concentrațiile totale (410 mg/kg și, respectiv, 400 mg/kg) au fost mai mici decât concentrațiile de Mg și K din studiul actual. În mod identic, în estul Poloniei, Orzechowski și Smolczynski66 au evaluat conținutul total de Ca, Mg și K și au arătat concentrații medii de Ca (1100 mg/kg), Mg (590 mg/kg) și K (810 mg/kg). Conținutul din solul vegetal este mai mic decât cel al elementului individual din acest studiu. Un studiu recent realizat de Pongrac și colab.67 a arătat că conținutul total de Ca analizat în 3 soluri diferite din Scoția, Marea Britanie (solul Mylnefield, solul Balruddery și solul Hartwood) a indicat un conținut mai mare de Ca în acest studiu.
Datorită concentrațiilor diferite măsurate ale elementelor eșantionate, distribuțiile setului de date ale elementelor prezintă asimetrii diferite. Asimetria și kurtoza elementelor au variat de la 1,53 la 7,24 și respectiv de la 2,49 la 54,16. Toate elementele calculate au niveluri de asimetrie și kurtoză peste +1, indicând astfel că distribuția datelor este neregulată, asimetrică în direcția corectă și cu vârfuri. CV-urile estimate ale elementelor arată, de asemenea, că K, Mg și Ni prezintă o variabilitate moderată, în timp ce Ca are o variabilitate extrem de mare. CV-urile K, Ni și Mg explică distribuția lor uniformă. În plus, distribuția Ca este neuniformă, iar sursele externe pot afecta nivelul său de îmbogățire.
Corelația variabilelor predictoare cu elementele de răspuns a indicat o corelație satisfăcătoare între elemente (vezi Figura 3). Corelația a indicat că CaK a prezentat o corelație moderată cu o valoare r = 0,53, la fel ca și CaNi. Deși Ca și K prezintă asocieri modeste unul cu celălalt, cercetători precum Kingston și colab. 68 și Santo69 sugerează că nivelurile lor în sol sunt invers proporționale. Cu toate acestea, Ca și Mg sunt antagonice față de K, dar CaK se corelează bine. Acest lucru se poate datora aplicării îngrășămintelor precum carbonatul de potasiu, care este cu 56% mai mare în potasiu. Potasiul a fost moderat corelat cu magneziul (KM r = 0,63). În industria îngrășămintelor, aceste două elemente sunt strâns legate, deoarece sulfatul de potasiu și magneziu, azotatul de potasiu și magneziu și potasiul sunt aplicate pe soluri pentru a crește nivelurile de deficiență ale acestora. Nichelul este moderat corelat cu Ca, K și Mg, cu valori r = 0,52, 0,63 și respectiv 0,55. Relațiile care implică calciu, magneziu și PTE-uri, cum ar fi nichelul, sunt complexe, dar, cu toate acestea, magneziul inhibă absorbția calciului, calciul reduce efectele excesului de magneziu, iar atât magneziul, cât și calciul reduc efectele toxice ale nichelului în sol.
Matricea de corelație pentru elemente care arată relația dintre predictori și răspunsuri (Notă: această figură include o diagramă de dispersie între elemente, nivelurile de semnificație se bazează pe p < 0,001).
Figura 4 ilustrează distribuția spațială a elementelor. Conform lui Burgos și colab.70, aplicarea distribuției spațiale este o tehnică utilizată pentru a cuantifica și evidenția punctele fierbinți din zonele poluate. Nivelurile de îmbogățire cu Ca din Fig. 4 pot fi observate în partea de nord-vest a hărții distribuției spațiale. Figura prezintă puncte fierbinți cu îmbogățire moderată până la ridicată a Ca. Îmbogățirea cu calciu în nord-vestul hărții se datorează probabil utilizării varului nestins (oxid de calciu) pentru a reduce aciditatea solului și utilizării acestuia în oțelării ca oxigen alcalin în procesul de fabricare a oțelului. Pe de altă parte, alți fermieri preferă să utilizeze hidroxid de calciu în solurile acide pentru a neutraliza pH-ul, ceea ce crește și conținutul de calciu al solului71. Potasiul prezintă, de asemenea, puncte fierbinți în nord-vestul și estul hărții. Nord-vestul este o comunitate agricolă importantă, iar modelul moderat-ridicat de potasiu se poate datora aplicațiilor de NPK și potasiu. Acest lucru este în concordanță cu alte studii, cum ar fi Madaras și Lipavský72, Madaras și colab.73, Pulkrabová și colab.74, Asare și colab.75, care s-a observat că stabilizarea solului și tratarea cu KCl și NPK au dus la un conținut ridicat de K în sol. Îmbogățirea spațială cu potasiu în nord-vestul hărții de distribuție se poate datora utilizării îngrășămintelor pe bază de potasiu, cum ar fi clorura de potasiu, sulfatul de potasiu, azotatul de potasiu, potasiul și potasiul de potasiu pentru a crește conținutul de potasiu al solurilor sărace. Zádorová și colab. 76 și Tlustoš și colab. 77 a subliniat că aplicarea îngrășămintelor pe bază de K a crescut conținutul de K din sol și ar crește semnificativ conținutul de nutrienți din sol pe termen lung, în special K și Mg, care prezintă un punct fierbinte în sol. Puncte fierbinți relativ moderate în nord-vestul hărții și sud-estul hărții. Fixarea coloidală în sol epuizează concentrația de magneziu din sol. Lipsa acestuia în sol face ca plantele să prezinte cloroză intervenoasă gălbuie. Îngrășămintele pe bază de magneziu, cum ar fi sulfatul de potasiu și magneziu, sulfatul de magneziu și kieseritul, tratează deficiențele (plantele apar violet, roșu sau maro, indicând deficit de magneziu) în solurile cu un interval de pH normal6. Acumularea de nichel pe suprafețele solului urban și periurban se poate datora activităților antropice, cum ar fi agricultura și importanței nichelului în producția de oțel inoxidabil78.
Distribuția spațială a elementelor [harta distribuției spațiale a fost creată folosind ArcGIS Desktop (ESRI, Inc, versiunea 10.7, URL: https://desktop.arcgis.com).]
Rezultatele indicelui de performanță al modelului pentru elementele utilizate în acest studiu sunt prezentate în Tabelul 2. Pe de altă parte, RMSE și MAE pentru Ni sunt ambele apropiate de zero (0,86 RMSE, -0,08 MAE). Pe de altă parte, atât valorile RMSE, cât și MAE pentru K sunt acceptabile. Rezultatele RMSE și MAE au fost mai mari pentru calciu și magneziu. Rezultatele RMSE pentru Ca și K, MAE și RMSE sunt mai mari datorită seturilor de date diferite. RMSE și MAE ale acestui studiu care utilizează EBK pentru a prezice Ni s-au dovedit a fi mai bune decât rezultatele obținute de John și colab. 54, care au utilizat kriging sinergic pentru a prezice concentrațiile de S în sol, folosind aceleași date colectate. Rezultatele EBK studiate de noi se corelează cu cele ale lui Fabijaczyk și colab. 41, Yan și colab. 79, Beguin și colab. 80, Adhikary și colab. 81 și John și colab. 82, în special pentru K și Ni.
Performanța metodelor individuale de prezicere a conținutului de nichel în solurile urbane și periurbane a fost evaluată utilizând performanța modelelor (Tabelul 3). Validarea modelului și evaluarea acurateței au confirmat că predictorul Ca_Mg_K combinat cu modelul EBK SVMR a dat cea mai bună performanță. Modelul de calibrare Ca_Mg_K-EBK_SVMR R2, eroarea medie pătratică (RMSE) și eroarea absolută medie (MAE) au fost 0,637 (R2), 95,479 mg/kg (RMSE) și 77,368 mg/kg (MAE). Ca_Mg_K-SVMR a fost 0,663 (R2), 235,974 mg/kg (RMSE) și 166,946 mg/kg (MAE). Cu toate acestea, s-au obținut valori bune ale R2 pentru Ca_Mg_K-SVMR (0,663 mg/kg R2) și Ca_Mg-EBK_SVMR (0,643 = R2); Rezultatele lor RMSE și MAE au fost mai mari decât cele pentru Ca_Mg_K-EBK_SVMR (R2 0,637) (vezi Tabelul 3). În plus, RMSE și MAE ale modelului Ca_Mg-EBK_SVMR (RMSE = 1664,64 și MAE = 1031,49) sunt de 17,5 și respectiv 13,4, care sunt mai mari decât cele ale Ca_Mg_K-EBK_SVMR. De asemenea, RMSE și MAE ale modelului Ca_Mg-K SVMR (RMSE = 235,974 și MAE = 166,946) sunt cu 2,5 și respectiv 2,2 mai mari decât cele ale Ca_Mg_K-EBK_SVMR RMSE și MAE, respectiv. Rezultatele RMSE calculate indică cât de concentrat este setul de date cu linia de cea mai bună potrivire. S-au observat valori RSME și MAE mai mari. Conform Kebonye și colab. 46 și john și colab. 54, cu cât RMSE și MAE sunt mai aproape de zero, cu atât rezultatele sunt mai bune. SVMR și EBK_SVMR au valori RSME și MAE cuantizate mai mari. S-a observat că estimările RSME au fost constant mai mari decât valorile MAE, indicând prezența valorilor aberante. Conform lui Legates și McCabe83, măsura în care RMSE depășește eroarea absolută medie (MAE) este recomandată ca indicator al prezenței valorilor aberante. Aceasta înseamnă că, cu cât setul de date este mai eterogen, cu atât valorile MAE și RMSE sunt mai mari. Precizia evaluării prin validare încrucișată a modelului mixt Ca_Mg_K-EBK_SVMR pentru prezicerea conținutului de Ni în solurile urbane și suburbane a fost de 63,70%. Conform lui Li și colab. 59, acest nivel de precizie reprezintă o rată acceptabilă de performanță a modelului. Rezultatele actuale sunt comparate cu un studiu anterior realizat de Tarasov și colab. 36 al căror model hibrid a creat MLPRK (Multilayer Perceptron Residual Kriging), corelat cu indicele de evaluare a preciziei EBK_SVMR raportat în studiul actual, RMSE (210) și MAE (167,5) a fost mai mare decât rezultatele noastre din studiul actual (RMSE 95,479, MAE 77,368). Cu toate acestea, atunci când se compară R2 al studiului actual (0,637) cu cel al lui Tarasov și colab. 36 (0,544), este clar că coeficientul de determinare (R2) este mai mare în acest model mixt. Marja de eroare (RMSE și MAE) (EBK SVMR) pentru modelul mixt este de două ori mai mică. În mod similar, Sergeev și colab.34 au înregistrat 0,28 (R2) pentru modelul hibrid dezvoltat (Multilayer Perceptron Residual Kriging), în timp ce Ni în studiul actual a înregistrat 0,637 (R2). Nivelul de precizie de predicție al acestui model (EBK SVMR) este de 63,7%, în timp ce precizia de predicție obținută de Sergeev și colab.34 este de 28%. Harta finală (Fig. 5) creată folosind modelul EBK_SVMR și Ca_Mg_K ca predictor arată predicții ale punctelor fierbinți și moderate spre nichel pe întreaga zonă de studiu. Aceasta înseamnă că concentrația de nichel în zona de studiu este în principal moderată, cu concentrații mai mari în unele zone specifice.
Harta finală de predicție este reprezentată folosind modelul hibrid EBK_SVMR și Ca_Mg_K ca predictor. [Harta distribuției spațiale a fost creată folosind RStudio (versiunea 1.4.1717: https://www.rstudio.com/).]
În Figura 6 sunt prezentate concentrațiile de PTE ca un plan de compoziție format din neuroni individuali. Niciunul dintre planurile componente nu a prezentat același model de culoare ca cel arătat. Cu toate acestea, numărul corespunzător de neuroni per hartă desenată este 55. SeOM este produs folosind o varietate de culori, iar cu cât modelele de culoare sunt mai similare, cu atât proprietățile probelor sunt mai comparabile. Conform scalei lor precise de culoare, elementele individuale (Ca, K și Mg) au prezentat modele de culoare similare cu neuronii individuali de ordin înalt și majoritatea neuronilor de ordin scăzut. Astfel, CaK și CaMg au unele asemănări cu neuronii de ordin foarte înalt și modele de culoare de ordin scăzut spre moderat. Ambele modele prezic concentrația de Ni în sol prin afișarea nuanțelor medii spre înalte, cum ar fi roșu, portocaliu și galben. Modelul KMg afișează multe modele de culoare înaltă bazate pe proporții precise și pete de culoare de ordin scăzut spre mediu. Pe o scală de culoare precisă de la mic la mare, modelul de distribuție planară al componentelor modelului a arătat un model de culoare înaltă indicând concentrația potențială de nichel în sol (vezi Figura 4). Planul componentelor modelului CakMg prezintă un model de culoare divers de la mic la mare, conform unui... scală precisă a culorilor. În plus, predicția modelului privind conținutul de nichel (CakMg) este similară cu distribuția spațială a nichelului prezentată în Figura 5. Ambele grafice prezintă proporții ridicate, medii și scăzute ale concentrațiilor de nichel în solurile urbane și periurbane. Figura 7 prezintă metoda conturului în gruparea k-means de pe hartă, împărțită în trei clustere pe baza valorii prezise în fiecare model. Metoda conturului reprezintă numărul optim de clustere. Dintre cele 115 probe de sol colectate, categoria 1 a obținut cele mai multe probe de sol, 74. Clusterul 2 a primit 33 de probe, în timp ce clusterul 3 a primit 8 probe. Combinația de predictori planari cu șapte componente a fost simplificată pentru a permite interpretarea corectă a clusterelor. Datorită numeroaselor procese antropogene și naturale care afectează formarea solului, este dificil să existe modele de clustere diferențiate corect într-o hartă SeOM distribuită78.
Rezultatul planului componentei pentru fiecare variabilă de tip Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Hărțile SeOM au fost create folosind RStudio (versiunea 1.4.1717: https://www.rstudio.com/).]
Diferite componente de clasificare a clusterelor [Hărțile SeOM au fost create folosind RStudio (versiunea 1.4.1717: https://www.rstudio.com/).]
Studiul actual ilustrează clar tehnicile de modelare a concentrațiilor de nichel în solurile urbane și periurbane. Studiul a testat diferite tehnici de modelare, combinând elemente cu tehnici de modelare, pentru a obține cea mai bună modalitate de a prezice concentrațiile de nichel în sol. Caracteristicile spațiale planare compoziționale SeOM ale tehnicii de modelare au prezentat un model de culoare ridicat de la mic la mare pe o scală de culoare precisă, indicând concentrațiile de Ni în sol. Cu toate acestea, harta distribuției spațiale confirmă distribuția spațială planară a componentelor prezentată de EBK_SVMR (vezi Figura 5). Rezultatele arată că modelul de regresie cu mașină cu vectori suport (CaMgK-SVMR) prezice concentrația de Ni în sol ca model unic, dar parametrii de validare și evaluare a preciziei arată erori foarte mari în ceea ce privește RMSE și MAE. Pe de altă parte, tehnica de modelare utilizată cu modelul EBK_MLR este, de asemenea, defectuoasă din cauza valorii scăzute a coeficientului de determinare (R2). Rezultate bune au fost obținute utilizând EBK SVMR și elemente combinate (CaKMg) cu erori RMSE și MAE scăzute, cu o precizie de 63,7%. Se pare că combinarea algoritmului EBK cu un algoritm de învățare automată... Algoritmul poate genera un algoritm hibrid care poate prezice concentrația de PTE-uri în sol. Rezultatele arată că utilizarea CaMgK ca predictori pentru a prezice concentrațiile de Ni în zona de studiu poate îmbunătăți predicția Ni în soluri. Aceasta înseamnă că aplicarea continuă a îngrășămintelor pe bază de nichel și poluarea industrială a solului de către industria siderurgică au tendința de a crește concentrația de nichel în sol. Acest studiu a relevat că modelul EBK poate reduce nivelul de eroare și poate îmbunătăți acuratețea modelului de distribuție spațială a solului în solurile urbane sau periurbane. În general, propunem să aplicăm modelul EBK-SVMR pentru a evalua și prezice PTE în sol; în plus, propunem să utilizăm EBK pentru hibridizare cu diverși algoritmi de învățare automată. Concentrațiile de Ni au fost prezise folosind elemente ca și covariate; cu toate acestea, utilizarea mai multor covariate ar îmbunătăți considerabil performanța modelului, ceea ce poate fi considerat o limitare a lucrării actuale. O altă limitare a acestui studiu este că numărul de seturi de date este de 115. Prin urmare, dacă sunt furnizate mai multe date, performanța metodei de hibridizare optimizată propusă poate fi îmbunătățită.
PlantProbs.net. Nichelul în plante și sol https://plantprobs.net/plant/nutrientImbalances/sodium.html (Accesat la 28 aprilie 2021).
Kasprzak, KS Progrese în toxicologia modernă a mediului înconjurător în domeniul nichelului. Toxicologie. 11, 145–183 (1987).
Cempel, M. și Nikel, G. Nichel: O analiză a surselor sale și a toxicologiei mediului. Polish J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. și Hutchinson, TC. Intrarea de poluanți din atmosferă și acumularea în sol și vegetație în apropierea unei topitorii de nichel-cupru din Sudbury, Ontario, Canada. can. J. Bot. 58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. și colab. Metale grele în sol, plante și riscuri asociate cu pășunatul rumegătorilor în apropierea minei de cupru-nichel Selebi-Phikwe din Botswana. Împrejurimi. Geochimie. Sănătate https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias. Kabata-Pendias A. 2011. Oligoelemente în sol și… – 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= (Accesat la 24 noiembrie 2020).
Almås, A., Singh, B., Agricultură, TS-NJ din & 1995, nedefinit. Efectele industriei rusești a nichelului asupra concentrațiilor de metale grele din solurile agricole și ierburi din Soer-Varanger, Norvegia.agris.fao.org.
Nielsen, GD și colab. Absorbția și retenția nichelului în apa potabilă sunt legate de aportul alimentar și de sensibilitatea la nichel. Toxicologie. Aplicații. Farmacodinamică. 154, 67–75 (1999).
Costa, M. & Klein, CB Carcinogeneza, mutația, epigenetica sau selecția nichelului. Mediul înconjurător. Perspectiva Sănătății. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analiza tendințelor elementelor potențial toxice: o analiză bibliometrică. Geochimie a mediului și sănătate. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. și McBratney, AB. Cartografierea digitală a solului: o scurtă istorie și câteva lecții. 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 Modelare geostatisticală a rezervoarelor,… – 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= (Accesat la 28 aprilie 2021).