Благодарим вас за посещение сайта Nature.com. Версия вашего браузера имеет ограниченную поддержку CSS. Для наилучшего взаимодействия с сайтом мы рекомендуем использовать обновленную версию браузера (или отключить режим совместимости в Internet Explorer). В настоящее время, для обеспечения дальнейшей поддержки, мы будем отображать сайт без стилей и JavaScript.
Загрязнение почвы — серьёзная проблема, вызванная деятельностью человека. Пространственное распределение потенциально токсичных элементов (ПТЭ) варьируется в большинстве городских и пригородных районов. Поэтому сложно пространственно предсказать содержание ПТЭ в таких почвах. Всего было получено 115 образцов из Фридек-Мистек в Чешской Республике. Концентрации кальция (Ca), магния (Mg), калия (K) и никеля (Ni) определялись с помощью спектрометрии с индуктивно связанной плазмой. Зависимой переменной является Ni, а предикторами — Ca, Mg и K. Корреляционная матрица между зависимой переменной и предикторами показывает удовлетворительную корреляцию между элементами. Результаты прогнозирования показали, что метод опорных векторов (SVMR) показал хорошие результаты, хотя его оценочная среднеквадратная ошибка (RMSE) (235,974 мг/кг) и средняя абсолютная ошибка (MAE) (166,946 мг/кг) были выше, чем у других примененных методов. Смешанные модели для эмпирического байесовского кригинга — множественная линейная регрессия Модель (EBK-MLR) показала низкую эффективность, о чем свидетельствуют коэффициенты детерминации менее 0,1. Модель эмпирического байесовского кригинга с использованием метода опорных векторов (EBK-SVMR) оказалась лучшей, с низкими значениями RMSE (95,479 мг/кг) и MAE (77,368 мг/кг) и высоким коэффициентом детерминации (R2 = 0,637). Результаты моделирования EBK-SVMR визуализируются с помощью самоорганизующейся карты. Кластеризованные нейроны в плоскости компонента гибридной модели CakMg-EBK-SVMR показывают множество цветовых паттернов, которые предсказывают концентрации Ni в городских и пригородных почвах. Результаты демонстрируют, что сочетание EBK и SVMR является эффективным методом прогнозирования концентраций Ni в городских и пригородных почвах.
Никель (Ni) считается микроэлементом для растений, поскольку он участвует в фиксации атмосферного азота (N) и метаболизме мочевины, которые необходимы для прорастания семян. Помимо участия в прорастании семян, Ni может действовать как ингибитор грибков и бактерий и способствовать развитию растений. Недостаток никеля в почве приводит к его поглощению растениями, вызывая хлороз листьев. Например, вигна и зеленая фасоль требуют применения никельсодержащих удобрений для оптимизации фиксации азота². Постоянное применение никельсодержащих удобрений для обогащения почвы и повышения способности бобовых фиксировать азот в почве непрерывно увеличивает концентрацию никеля в почве. Хотя никель является микроэлементом для растений, его чрезмерное поступление в почву может принести больше вреда, чем пользы. Токсичность никеля в почве снижает pH почвы и препятствует усвоению железа, необходимого питательного вещества для роста растений¹. По данным Лю³, никель занимает 17-е место среди важных элементов, необходимых для развития и роста растений. Помимо роли никеля в развитии и Для роста человечества никель необходим для самых разных целей. Гальваническое покрытие, производство никелевых сплавов, а также изготовление устройств зажигания и свечей зажигания в автомобильной промышленности требуют использования никеля в различных отраслях промышленности. Кроме того, никелевые сплавы и изделия с гальваническим покрытием широко используются в кухонной утвари, аксессуарах для бальных залов, товарах для пищевой промышленности, электротехнике, проводах и кабелях, реактивных турбинах, хирургических имплантатах, текстиле и судостроении5. Высокое содержание никеля в почвах (т.е. поверхностных почвах) объясняется как антропогенными, так и природными источниками, но в основном никель является природным, а не антропогенным источником4,6. Природные источники никеля включают вулканические извержения, растительность, лесные пожары и геологические процессы; однако антропогенные источники включают никель-кадмиевые батареи в сталелитейной промышленности, гальваническое покрытие, дуговую сварку, дизельное топливо и мазут, а также атмосферные выбросы от сжигания угля и отходов и шлама. Накопление никеля7,8. Согласно Фридману и Хатчинсону9 и Манива и др. 10. Основными источниками загрязнения верхнего слоя почвы в непосредственной и прилегающей среде являются в основном металлургические заводы и шахты, производящие никель и медь. В верхнем слое почвы вокруг никель-медноперерабатывающего завода в Садбери, Канада, был зафиксирован самый высокий уровень загрязнения никелем — 26 000 мг/кг11. В отличие от этого, загрязнение от производства никеля в России привело к более высоким концентрациям никеля в норвежской почве11. Согласно данным Alms et al. 12. Количество никеля, извлекаемого с помощью HNO3, на лучших пахотных землях региона (производство никеля в России) колебалось от 6,25 до 136,88 мг/кг, что соответствует среднему значению 30,43 мг/кг и базовой концентрации 25 мг/кг. По словам Кабаты 11, внесение фосфорных удобрений в сельскохозяйственные почвы в городских или пригородных районах в течение нескольких сезонов выращивания сельскохозяйственных культур может привести к насыщению или загрязнению почвы. Потенциальное воздействие никеля на человека может привести к раку посредством мутагенеза, повреждения хромосом, образования Z-ДНК, блокирования репарации ДНК путем вырезания или эпигенетических процессов13. В экспериментах на животных было обнаружено, что никель потенциально может вызывать различные опухоли, а канцерогенные комплексы никеля могут усугублять такие опухоли.
В последнее время значительно возрос интерес к оценке загрязнения почвы в связи с широким спектром проблем, связанных со здоровьем, возникающих из-за взаимоотношений почвы и растений, почвенной биологии, деградации окружающей среды и оценки воздействия на окружающую среду. До настоящего времени пространственное прогнозирование потенциально токсичных элементов (ПТЭ), таких как никель, в почве было трудоемким и длительным процессом при использовании традиционных методов. Появление цифрового картирования почв (ЦКП) и его нынешний успех15 значительно улучшили прогностическое картирование почв (ПКП). По мнению Минасни и МакБратни16, прогностическое картирование почв (ЦКП) зарекомендовало себя как важная поддисциплина почвоведения. Лагачери и МакБратни (2006) определяют ЦКП как «создание и заполнение пространственных информационных систем о почве с использованием методов наблюдений на месте и в лаборатории, а также пространственных и непространственных систем вывода информации о почве». МакБратни и др. В пункте 17 указано, что современная цифровая модель рельефа (ЦМР) или модель пространственного распределения почв (ПМР) является наиболее эффективным методом прогнозирования или картирования пространственного распределения потенциально опасных элементов, типов почв и их свойств. Геостатистика и алгоритмы машинного обучения (MLA) — это методы моделирования ЦМР, которые создают оцифрованные карты с помощью компьютеров, используя как значимые, так и минимальные данные.
Дойч18 и Олеа19 определяют геостатистику как «совокупность численных методов, которые занимаются представлением пространственных атрибутов, в основном с использованием стохастических моделей, например, как анализ временных рядов характеризует временные данные». В первую очередь, геостатистика включает в себя оценку вариограмм, которые позволяют количественно оценить и определить зависимости пространственных значений из каждого набора данных20. Гумио и др. На рисунке 20 дополнительно показано, что оценка вариограмм в геостатистике основана на трех принципах, включая (а) вычисление масштаба корреляции данных, (б) выявление и вычисление анизотропии в несоответствии наборов данных и (в) помимо учета присущей погрешности данных измерений, отделенной от локальных эффектов, также оцениваются эффекты площади. Основываясь на этих концепциях, в геостатистике используется множество методов интерполяции, включая общий кригинг, кокригинг, обычный кригинг, эмпирический байесовский кригинг, простой метод кригинга и другие известные методы интерполяции для картирования или прогнозирования PTE, характеристик почвы и типов почв.
Алгоритмы машинного обучения (MLA) — это относительно новая методика, использующая большие нелинейные классы данных, основанная на алгоритмах, применяемых в основном для интеллектуального анализа данных, выявления закономерностей в данных и многократно используемых для классификации в таких научных областях, как почвоведение и другие задачи. Многочисленные исследовательские работы опираются на модели MLA для прогнозирования потенциально токсичных элементов (PTE) в почвах, например, работы Tan et al. 22 (случайные леса для оценки содержания тяжелых металлов в сельскохозяйственных почвах), Sakizadeh et al. 23 (моделирование с использованием машин опорных векторов и искусственных нейронных сетей) (загрязнение почвы). Кроме того, Vega et al. 24 (CART для моделирования удержания и адсорбции тяжелых металлов в почве), Sun et al. 25 (применение алгоритма Cubist для анализа распределения Cd в почве) и другие алгоритмы, такие как метод k-ближайших соседей, обобщенная бустинговая регрессия и бустинговые деревья регрессии, также применяли MLA для прогнозирования PTE в почве.
Применение алгоритмов DSM в прогнозировании или картировании сталкивается с рядом проблем. Многие авторы считают, что MLA превосходит геостатистику и наоборот. Хотя один метод лучше другого, их комбинация повышает точность картирования или прогнозирования в DSM15. Вудкок и Гопал26, Финке27, Понтиус и Чеук28 и Грюнвальд29 отмечают недостатки и некоторые ошибки в прогнозируемом картировании почв. Почвоведы опробовали множество методов для оптимизации эффективности, точности и предсказуемости картирования и прогнозирования с помощью DSM. Сочетание неопределенности и проверки является одним из многих аспектов, интегрированных в DSM для оптимизации эффективности и уменьшения дефектов. Однако Агиман и др.15 отмечают, что поведение проверки и неопределенность, вносимые созданием и прогнозированием карт, должны быть независимо проверены для улучшения качества карт. Ограничения DSM обусловлены географически распределенным качеством почв, что включает в себя компонент неопределенности; Однако неопределенность в цифровой модели рельефа может возникать из-за множества источников ошибок, а именно ошибок ковариат, ошибок модели, ошибок местоположения и аналитических ошибок 31. Неточности моделирования, возникающие в процессах MLA и геостатистики, связаны с недостаточным пониманием, что в конечном итоге приводит к чрезмерному упрощению реального процесса32. Независимо от характера моделирования, неточности могут быть связаны с параметрами моделирования, математическими прогнозами модели или интерполяцией33. В последнее время появилась новая тенденция в цифровой модели рельефа, которая способствует интеграции геостатистики и MLA в картографирование и прогнозирование. Несколько почвоведов и авторов, таких как Сергеев и др. 34; Субботина и др. 35; Тарасов и др. 36 и Тарасов и др. 37, использовали точность геостатистики и машинного обучения для создания гибридных моделей, повышающих эффективность прогнозирования и картографирования. качество. Некоторые из этих гибридных или комбинированных алгоритмических моделей включают в себя искусственную нейронную сеть кригинга (ANN-RK), многослойный перцептрон с остаточным кригингом (MLP-RK), обобщенную регрессионную нейронную сеть с остаточным кригингом (GR-NNRK)36, искусственную нейронную сеть кригинга с многослойным перцептроном (ANN-K-MLP)37 и ко-кригинг и регрессию на основе гауссовских процессов38.
Согласно Сергееву и др., сочетание различных методов моделирования потенциально может устранить недостатки и повысить эффективность получаемой гибридной модели, в отличие от разработки единой модели. В этом контексте в данной статье утверждается, что необходимо применять комбинированный алгоритм геостатистики и MLA для создания оптимальных гибридных моделей прогнозирования обогащения никелем в городских и пригородных районах. В этом исследовании в качестве базовой модели будет использоваться эмпирический байесовский кригинг (EBK), который будет сочетаться с моделями опорных векторов (SVM) и множественной линейной регрессии (MLR). Гибридизация EBK с любым MLA неизвестна. Рассматриваемые множественные смешанные модели представляют собой комбинации обычного, остаточного, регрессионного кригинга и MLA. EBK — это метод геостатистической интерполяции, использующий пространственно-стохастический процесс, локализованный как нестационарное/стационарное случайное поле с заданными параметрами локализации по полю, что позволяет учитывать пространственную изменчивость39. EBK использовался в различных исследованиях, включая анализ распределения органического углерода в сельскохозяйственных почвах40. оценка загрязнения почвы41 и картирование свойств почвы42.
С другой стороны, самоорганизующийся граф (SeOM) — это алгоритм обучения, который применялся в различных статьях, таких как работы Ли и др. 43, Ванга и др. 44, Хоссейна Бхуияна и др. 45 и Кебонье и др. 46, для определения пространственных атрибутов и группировки элементов. Ванг и др. 44 отмечают, что SeOM — это мощный метод обучения, известный своей способностью группировать и визуализировать нелинейные задачи. В отличие от других методов распознавания образов, таких как анализ главных компонентов, нечеткая кластеризация, иерархическая кластеризация и многокритериальное принятие решений, SeOM лучше справляется с организацией и идентификацией паттернов PTE. По мнению Ванга и др. 44, SeOM может пространственно группировать распределение связанных нейронов и обеспечивать визуализацию данных высокого разрешения. SeOM визуализирует данные прогнозирования Ni для получения наилучшей модели, характеризующей результаты для непосредственной интерпретации.
Цель данной работы — создать надежную модель картирования с оптимальной точностью для прогнозирования содержания никеля в городских и пригородных почвах. Мы предполагаем, что надежность смешанной модели в основном зависит от влияния других моделей, включенных в базовую модель. Мы признаем проблемы, стоящие перед цифровым картографированием почв (DSM), и хотя эти проблемы решаются на нескольких фронтах, сочетание достижений в геостатистике и моделях MLA представляется постепенным; поэтому мы попытаемся ответить на исследовательские вопросы, которые могут привести к созданию смешанных моделей. Однако насколько точна модель в прогнозировании целевого элемента? Также, каков уровень оценки эффективности на основе валидации и оценки точности? Таким образом, конкретные цели данного исследования заключались в следующем: (а) создать комбинированную модель смешения для SVMR или MLR, используя EBK в качестве базовой модели, (б) сравнить полученные модели, (в) предложить наилучшую модель смешения для прогнозирования концентраций Ni в городских или пригородных почвах и (г) применить SeOM для создания карты пространственного распределения никеля высокого разрешения.
Исследование проводится в Чешской Республике, а именно в районе Фридек-Мистек в Моравско-Силезском регионе (см. рис. 1). Географический рельеф исследуемой территории очень пересеченный и в основном относится к Моравско-Силезским Бескидам, которые являются частью внешней окраины Карпатских гор. Исследуемая территория расположена между 49° 41′ 0′ с.ш. и 18° 20′ 0′ в.д., а высота над уровнем моря составляет от 225 до 327 м; Однако, согласно классификации Кёппена, климат региона относится к категории Cfb = умеренный океанический климат. Даже в засушливые месяцы выпадает много осадков. Температура в течение года незначительно колеблется от −5 °C до 24 °C, редко опускаясь ниже −14 °C или поднимаясь выше 30 °C, а среднегодовое количество осадков составляет от 685 до 752 мм47. Оценочная площадь исследуемой территории составляет 1208 квадратных километров, из которых 39,38% приходится на обрабатываемые земли и 49,36% – на лесные массивы. С другой стороны, площадь, использованная в данном исследовании, составляет около 889,8 квадратных километров. В Остраве и её окрестностях очень активна металлургическая промышленность и металлообрабатывающие предприятия. Металлургические заводы, сталелитейная промышленность, где никель используется в нержавеющих сталях (например, для защиты от атмосферной коррозии) и легированных сталях (никель повышает прочность сплава, сохраняя при этом его хорошую пластичность и ударную вязкость), а также интенсивное сельское хозяйство. Такие области, как применение фосфатных удобрений и животноводство, являются потенциальными источниками никеля в регионе (например, добавление никеля в рацион ягнят для увеличения темпов роста ягнят и низкокалорийного скота). Другие промышленные применения никеля в исследовательских областях включают его использование в гальваническом производстве, в том числе в процессах гальванического никелирования и химического никелирования. Свойства почвы легко различимы по цвету, структуре и содержанию карбонатов. Текстура почвы от средней до мелкозернистой, образована из материнской породы. Почвы имеют коллювиальный, аллювиальный или эоловый характер. Некоторые участки почвы имеют пятнистую поверхность и подпочву, часто с бетонными и отбеливающими включениями. Однако камбисолы и стагносолы являются наиболее распространенными типами почв в регионе48. На высотах от 455,1 до 493,5 м в Чешской Республике преобладают камбисолы49.
Карта исследуемой территории [Карта исследуемой территории создана с помощью ArcGIS Desktop (ESRI, Inc, версия 10.7, URL: https://desktop.arcgis.com).]
В общей сложности было получено 115 образцов верхнего слоя почвы из городских и пригородных районов района Фридек-Мистек. Использовалась регулярная сетка для отбора проб почвы с интервалом 2 × 2 км, а измерение верхнего слоя почвы проводилось на глубине от 0 до 20 см с помощью портативного GPS-устройства (Leica Zeno 5 GPS). Образцы упаковывались в пакеты Ziploc, надлежащим образом маркировались и отправлялись в лабораторию. Образцы высушивались на воздухе для получения измельченных образцов, измельчались механической системой (дисковая мельница Fritsch) и просеивались (размер сита 2 мм). 1 грамм высушенных, гомогенизированных и просеянных образцов почвы помещали в тефлоновые бутылки с четкой маркировкой. В каждую тефлоновую емкость добавляли 7 мл 35% HCl и 3 мл 65% HNO3 (используя автоматический дозатор – по одному для каждой кислоты), слегка закрывали крышкой и оставляли образцы на ночь для реакции. (Программа обработки царской водой). Поместите надосадочную жидкость на горячую металлическую пластину (температура: 100 Вт и 160 °C) на 2 часа для облегчения процесса разложения образцов, затем охладите. Перелейте надосадочную жидкость в мерную колбу объемом 50 мл и разбавьте деионизированной водой до 50 мл. После этого профильтруйте разбавленную надосадочную жидкость в ПВХ-пробирку объемом 50 мл с деионизированной водой. Дополнительно 1 мл раствора разбавили 9 мл деионизированной воды и профильтровали в пробирку объемом 12 мл, подготовленную для псевдоконцентрирования ПТЭ. Концентрации ПТЭ (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) определяли методом ICP-OES (оптическая эмиссионная спектроскопия с индуктивно связанной плазмой) (Thermo Fisher Scientific, США) в соответствии со стандартными методами и согласованными данными. Обеспечение контроля качества. (Процедуры контроля качества/обеспечения качества) (SRM NIST 2711a Montana II Soil). ПФЭ с пределами обнаружения ниже половины были исключены из данного исследования. Предел обнаружения ПФЭ, использованного в этом исследовании, составлял 0,0004. (вы). Кроме того, процесс контроля и обеспечения качества для каждого анализа гарантируется анализом эталонных стандартов. Для минимизации ошибок был проведен двойной анализ.
Эмпирический байесовский кригинг (ЭБК) — это один из многих геостатистических методов интерполяции, используемых в моделировании в различных областях, таких как почвоведение. В отличие от других методов кригинга, ЭБК отличается от традиционных методов кригинга тем, что учитывает ошибку, оцениваемую моделью семивариограммы. В процессе интерполяции ЭБК вычисляется несколько моделей семивариограммы, а не одна семивариограмма. Методы интерполяции позволяют избежать неопределенности и программирования, связанных с построением семивариограммы, что составляет весьма сложную часть достаточного метода кригинга. Процесс интерполяции ЭБК следует трем критериям, предложенным Криворучко50: (а) модель оценивает семивариограмму на основе входного набора данных; (б) новое прогнозируемое значение для каждого местоположения во входном наборе данных на основе сгенерированной семивариограммы; и (в) окончательная модель А вычисляется на основе смоделированного набора данных. Правило байесовского уравнения задается в виде апостериорного распределения.
Где \(Prob\left(A\right)\) представляет собой априорную вероятность, а \(Prob\left(B\right)\) маргинальная вероятность в большинстве случаев игнорируется, \(Prob (B,A)\ ). Расчет семивариограммы основан на правиле Байеса, которое показывает вероятность того, что наборы данных наблюдений могут быть созданы на основе семивариограмм. Значение семивариограммы затем определяется с помощью правила Байеса, которое показывает, насколько вероятно создание набора данных наблюдений на основе семивариограммы.
Метод опорных векторов (SVM) — это алгоритм машинного обучения, который генерирует оптимальную разделяющую гиперплоскость для различения идентичных, но не линейно независимых классов. Вапник51 создал алгоритм классификации намерений, но в последнее время он используется для решения задач, ориентированных на регрессию. По данным Ли и др.52, SVM является одним из лучших методов классификации и используется в различных областях. В данном анализе использовался компонент регрессии SVM (регрессия с использованием метода опорных векторов — SVMR). Черкасский и Мюлье53 впервые применили SVMR в качестве регрессии на основе ядра, вычисления которой выполнялись с использованием модели линейной регрессии с пространственными функциями для нескольких стран. Джон и др.54 сообщают, что моделирование SVMR использует линейную регрессию на основе гиперплоскости, которая создает нелинейные зависимости и позволяет использовать пространственные функции. По данным Воланда и др. 55. epsilon (ε)-SVMR использует обученный набор данных для получения модели представления в виде нечувствительной к epsilon функции, которая применяется для независимого отображения данных с наилучшим смещением epsilon, полученным в результате обучения на коррелированных данных. Заданная ошибка расстояния игнорируется из фактического значения, и если ошибка больше ε(ε), свойства почвы компенсируют ее. Модель также уменьшает сложность обучающих данных до более широкого подмножества опорных векторов. Уравнение, предложенное Вапником51, показано ниже.
где b представляет собой скалярный порог, \(K\left({x}_{,}{ x}_{k}\right)\) представляет собой функцию ядра, \(\alpha\) представляет собой множитель Лагранжа, N представляет собой числовой набор данных, \({x}_{k}\) представляет собой входные данные, а \(y\) — выходные данные. Одним из ключевых используемых ядер является операция SVMR, представляющая собой гауссову радиальную базисную функцию (RBF). Ядро RBF применяется для определения оптимальной модели SVMR, что имеет решающее значение для получения наиболее тонкого коэффициента штрафного множества C и параметра ядра гамма (γ) для обучающих данных PTE. Сначала мы оценили обучающий набор, а затем протестировали производительность модели на валидационном наборе. В качестве параметра управления используется сигма, а значение метода — svmRadial.
Модель множественной линейной регрессии (МЛР) — это регрессионная модель, которая описывает взаимосвязь между зависимой переменной и рядом независимых переменных с использованием линейных объединенных параметров, рассчитанных методом наименьших квадратов. В МЛР модель наименьших квадратов представляет собой функцию прогнозирования свойств почвы после выбора независимых переменных. Необходимо использовать зависимую переменную для установления линейной зависимости с помощью независимых переменных. В качестве зависимой переменной использовался PTE для установления линейной зависимости с независимыми переменными. Уравнение МЛР выглядит следующим образом:
где y — зависимая переменная, \(a\) — свободный член, n — количество предикторов, \({b}_{1}\) — частичная регрессия коэффициентов, \({x}_{ i}\) представляет собой предиктор или объясняющую переменную, а \({\varepsilon }_{i}\) представляет собой ошибку в модели, также известную как остаток.
Смешанные модели были получены путем объединения алгоритма EBK с алгоритмами SVMR и MLR. Это делается путем извлечения прогнозируемых значений из интерполяции EBK. Прогнозируемые значения, полученные из интерполированных значений Ca, K и Mg, получаются с помощью комбинаторного процесса для получения новых переменных, таких как CaK, CaMg и KMg. Затем элементы Ca, K и Mg объединяются для получения четвертой переменной, CaKMg. В целом, полученные переменные — это Ca, K, Mg, CaK, CaMg, KMg и CaKMg. Эти переменные стали нашими предикторами, помогающими прогнозировать концентрации никеля в городских и пригородных почвах. Алгоритм SVMR был применен к предикторам для получения смешанной модели эмпирического байесовского кригинга-машины опорных векторов (EBK_SVM). Аналогичным образом, переменные также проходят через алгоритм MLR для получения смешанной модели эмпирического байесовского кригинга-множественной линейной регрессии. (EBK_MLR). Как правило, переменные Ca, K, Mg, CaK, CaMg, KMg и CaKMg используются в качестве ковариат для прогнозирования содержания Ni в городских и пригородных почвах. Полученная наиболее приемлемая модель (EBK_SVM или EBK_MLR) затем визуализируется с помощью самоорганизующегося графа. Схема работы данного исследования показана на рисунке 2.
Использование SeOM стало популярным инструментом для организации, оценки и прогнозирования данных в финансовом секторе, здравоохранении, промышленности, статистике, почвоведении и других областях. SeOM создается с использованием искусственных нейронных сетей и методов обучения без учителя для организации, оценки и прогнозирования. В данном исследовании SeOM использовался для визуализации концентраций Ni на основе наилучшей модели прогнозирования Ni в городских и пригородных почвах. Данные, обработанные при оценке SeOM, используются в качестве n-мерных векторных переменных43,56.Мельссен и др. 57 описывает соединение входного вектора с нейронной сетью через один входной слой с выходным вектором, имеющим один вектор весов. Выход, генерируемый SeOM, представляет собой двумерную карту, состоящую из различных нейронов или узлов, объединенных в гексагональные, круговые или квадратные топологические карты в зависимости от их близости. Сравнивая размеры карт на основе метрики, ошибки квантования (QE) и топографической ошибки (TE), была выбрана модель SeOM с показателями 0,086 и 0,904 соответственно, что соответствует 55-картовой единице (5 × 11). Структура нейронов определяется в соответствии с количеством узлов в эмпирическом уравнении.
В данном исследовании использовано 115 образцов данных. Для разделения данных на тестовые данные (25% для валидации) и обучающие данные (75% для калибровки) использовался случайный подход. Обучающий набор данных используется для построения регрессионной модели (калибровка), а тестовый набор данных — для проверки способности к обобщению58. Это было сделано для оценки пригодности различных моделей для прогнозирования содержания никеля в почвах. Все используемые модели прошли десятикратную перекрестную валидацию, повторенную пять раз. Переменные, полученные с помощью интерполяции EBK, используются в качестве предикторов или объясняющих переменных для прогнозирования целевой переменной (PTE). Моделирование выполняется в RStudio с использованием пакетов library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) и libraries (“Metrics”).
Для определения наилучшей модели, подходящей для прогнозирования концентрации никеля в почве, и оценки точности модели и ее валидации использовались различные параметры валидации. Гибридные модели оценивались с использованием средней абсолютной ошибки (MAE), среднеквадратичной ошибки (RMSE) и коэффициента детерминации (R²). R² определяет дисперсию долей в ответе, представленном регрессионной моделью. RMSE и величина дисперсии в независимых измерениях описывают прогностическую способность модели, в то время как MAE определяет фактическое количественное значение. Значение R² должно быть высоким для оценки наилучшей смешанной модели с использованием параметров валидации; чем ближе значение к 1, тем выше точность. Согласно Ли и др. 59, значение критерия R² 0,75 или выше считается хорошим предиктором; Значения от 0,5 до 0,75 считаются приемлемыми для модели, а значения ниже 0,5 — неприемлемыми. При выборе модели с использованием критериев оценки RMSE и MAE, более низкие значения считались достаточными и рассматривались как наилучший выбор. Следующее уравнение описывает метод проверки.
где n представляет собой величину наблюдаемого значения, \({Y}_{i}\) представляет собой измеренный отклик, а \({\widehat{Y}}_{i}\) также представляет собой прогнозируемое значение отклика, следовательно, для первых i наблюдений.
Статистическое описание переменных-предикторов и переменных отклика представлено в таблице 1, где показаны среднее значение, стандартное отклонение (SD), коэффициент вариации (CV), минимум, максимум, эксцесс и асимметрия. Минимальные и максимальные значения элементов расположены в порядке убывания: Mg < Ca < K < Ni и Ca < Mg < K < Ni соответственно. Концентрации переменной отклика (Ni), отобранной в исследуемой области, варьировались от 4,86 ​​до 42,39 мг/кг. Сравнение Ni со среднемировым значением (29 мг/кг) и средним европейским значением (37 мг/кг) показало, что общее рассчитанное геометрическое среднее для исследуемой области находится в пределах допустимого диапазона. Тем не менее, как показано Кабата-Пендиасом11, сравнение средней концентрации никеля (Ni) в данном исследовании с сельскохозяйственными почвами Швеции показывает, что текущая средняя концентрация никеля выше. Аналогично, средняя концентрация Frydek Mistek в городских и пригородных почвах в В текущем исследовании концентрация никеля (16,15 мг/кг) оказалась выше допустимого предела в 60 мг/кг (10,2 мг/кг) для никеля в городских почвах Польши, о котором сообщали Рожанский и др. Кроме того, Бретцель и Кальдериси61 зафиксировали очень низкие средние концентрации никеля (1,78 мг/кг) в городских почвах Тосканы по сравнению с текущим исследованием. Джим62 также обнаружил более низкую концентрацию никеля (12,34 мг/кг) в городских почвах Гонконга, что ниже текущей концентрации никеля в данном исследовании. Бирке и др.63 сообщили о средней концентрации никеля 17,6 мг/кг в старом горнодобывающем и городском промышленном районе в Саксонии-Анхальт, Германия, что на 1,45 мг/кг выше средней концентрации никеля в этом районе (16,15 мг/кг). Избыточное содержание никеля в почвах некоторых городских и пригородных районов исследуемой территории может быть в основном связано с металлургической промышленностью. и металлургической промышленности. Это согласуется с исследованием Ходадуста и др. 64, согласно которому сталелитейная промышленность и металлообработка являются основными источниками загрязнения почв никелем. Однако значения предикторов также варьировались от 538,70 мг/кг до 69 161,80 мг/кг для Ca, от 497,51 мг/кг до 3535,68 мг/кг для K и от 685,68 мг/кг до 5970,05 мг/кг для Mg. Яковлевич и др. В исследовании 65 изучалось общее содержание Mg и K в почвах центральной Сербии. Было установлено, что общие концентрации (410 мг/кг и 400 мг/кг соответственно) были ниже, чем концентрации Mg и K в данном исследовании. Аналогично, в восточной Польше Оржеховский и Смольчинский66 оценили общее содержание Ca, Mg и K и показали средние концентрации Ca (1100 мг/кг), Mg (590 мг/кг) и K (810 мг/кг). Содержание в верхнем слое почвы ниже, чем содержание отдельных элементов в данном исследовании. Недавнее исследование Понграца и др.67 показало, что общее содержание Ca, проанализированное в 3 различных почвах в Шотландии, Великобритания (почва Майлнфилд, почва Балруддери и почва Хартвуд), показало более высокое содержание Ca в данном исследовании.
Из-за различий в измеренных концентрациях исследуемых элементов распределение данных по элементам демонстрирует разную асимметрию. Асимметрия и эксцесс элементов варьировались от 1,53 до 7,24 и от 2,49 до 54,16 соответственно. Все рассчитанные элементы имеют уровни асимметрии и эксцесса выше +1, что указывает на нерегулярное, асимметричное в правильном направлении и пикообразное распределение данных. Оцененные коэффициенты вариации (CV) элементов также показывают, что K, Mg и Ni демонстрируют умеренную изменчивость, в то время как Ca имеет чрезвычайно высокую изменчивость. Коэффициенты вариации K, Ni и Mg объясняют их равномерное распределение. Кроме того, распределение Ca является неравномерным, и внешние источники могут влиять на уровень его обогащения.
Корреляция переменных-предикторов с элементами ответа показала удовлетворительную корреляцию между элементами (см. рисунок 3). Корреляция показала, что CaK демонстрирует умеренную корреляцию со значением r = 0,53, как и CaNi. Хотя Ca и K показывают умеренную взаимосвязь друг с другом, исследователи, такие как Кингстон и др., 68 и Santo69 предполагают, что их уровни в почве обратно пропорциональны. Однако Ca и Mg антагонистичны K, но CaK хорошо коррелирует. Это может быть связано с применением удобрений, таких как карбонат калия, который на 56% более калийсодержащий. Калий умеренно коррелировал с магнием (KM r = 0,63). В индустрии удобрений эти два элемента тесно связаны, поскольку сульфат калия-магния, нитрат калия-магния и калий вносятся в почву для повышения уровня их дефицита. Никель умеренно коррелирует с Ca, K и Mg со значениями r = 0,52, 0,63 и 0,55 соответственно. Взаимосвязи между кальцием, магнием и потенциально токсичными элементами, такими как никель, сложны, но тем не менее, магний ингибирует усвоение кальция, кальций снижает воздействие избытка магния, а магний и кальций снижают токсическое воздействие никеля в почве.
Матрица корреляций для элементов, показывающая взаимосвязь между предикторами и ответами (Примечание: на этом рисунке представлена ​​диаграмма рассеяния между элементами, уровни значимости основаны на p < 0,001).
Рисунок 4 иллюстрирует пространственное распределение элементов. Согласно Бургосу и др.70, применение пространственного распределения — это метод, используемый для количественной оценки и выделения очагов загрязнения в загрязненных районах. Уровни обогащения Ca на рис. 4 видны в северо-западной части карты пространственного распределения. На рисунке показаны очаги умеренного и высокого обогащения Ca. Обогащение кальцием на северо-западе карты, вероятно, связано с использованием негашеной извести (оксида кальция) для снижения кислотности почвы и ее использованием на металлургических заводах в качестве щелочного кислорода в процессе производства стали. С другой стороны, другие фермеры предпочитают использовать гидроксид кальция в кислых почвах для нейтрализации pH, что также увеличивает содержание кальция в почве71. Калий также показывает очаги загрязнения на северо-западе и востоке карты. Северо-запад является крупным сельскохозяйственным регионом, и умеренно-высокое содержание калия может быть связано с применением NPK и калия. Это согласуется с другими исследованиями, такими как работы Мадараса и Липавского72, Мадараса и др. al.73, Pulkrabová et al.74, Asare et al.75, которые отметили, что стабилизация почвы и обработка KCl и NPK привели к высокому содержанию калия в почве. Пространственное обогащение калием на северо-западе карты распространения может быть связано с использованием калийсодержащих удобрений, таких как хлорид калия, сульфат калия, нитрат калия, калий и калий, для повышения содержания калия в бедных почвах. Zádorová et al. 76 и Tlustoš et al. 77 показал, что применение калийсодержащих удобрений увеличивает содержание калия в почве и в долгосрочной перспективе значительно повышает содержание питательных веществ в почве, особенно калия и магния, образуя очаги повышенной концентрации. Относительно умеренные очаги повышенной концентрации наблюдаются на северо-западе и юго-востоке карты. Коллоидная фиксация в почве снижает концентрацию магния. Его недостаток в почве приводит к появлению у растений желтоватого межжилкового хлороза. Магниевые удобрения, такие как сульфат калия-магния, сульфат магния и кизерит, устраняют дефицит (растения приобретают фиолетовый, красный или коричневый цвет, что указывает на дефицит магния) в почвах с нормальным диапазоном pH6. Накопление никеля на поверхности городских и пригородных почв может быть связано с антропогенной деятельностью, такой как сельское хозяйство, и важностью никеля в производстве нержавеющей стали78.
Пространственное распределение элементов [карта пространственного распределения создана с помощью ArcGIS Desktop (ESRI, Inc, версия 10.7, URL: https://desktop.arcgis.com).]
Результаты индексов эффективности модели для элементов, использованных в этом исследовании, показаны в таблице 2. С другой стороны, значения RMSE и MAE для Ni близки к нулю (0,86 RMSE, -0,08 MAE). С другой стороны, значения RMSE и MAE для K являются приемлемыми. Результаты RMSE и MAE были выше для кальция и магния. Значения MAE и RMSE для Ca и K выше из-за различий в наборах данных. Значения RMSE и MAE в этом исследовании, использующем EBK для прогнозирования Ni, оказались лучше, чем результаты Джона и др. 54, использующего синергетический кригинг для прогнозирования концентраций S в почве с использованием тех же собранных данных. Результаты EBK, которые мы изучали, коррелируют с результатами Фабиячика и др. 41, Яна и др. 79, Бегина и др. 80, Адхикари и др. 81 и Джона и др. 82, особенно для K и Ni.
Эффективность отдельных методов прогнозирования содержания никеля в городских и пригородных почвах оценивалась с использованием показателей моделей (таблица 3). Проверка моделей и оценка точности подтвердили, что предиктор Ca_Mg_K в сочетании с моделью EBK SVMR показал наилучшие результаты. Значения R2, ​​среднеквадратичной ошибки (RMSE) и средней абсолютной ошибки (MAE) для калибровочной модели Ca_Mg_K-EBK_SVMR составили 0,637 (R2), 95,479 мг/кг (RMSE) и 77,368 мг/кг (MAE), а для Ca_Mg_K-SVMR — 0,663 (R2), 235,974 мг/кг (RMSE) и 166,946 мг/кг (MAE). Тем не менее, хорошие значения R2 были получены для Ca_Mg_K-SVMR (0,663 мг/кг R2) и Ca_Mg-EBK_SVMR (0,643 = R2); Результаты RMSE и MAE для них были выше, чем для Ca_Mg_K-EBK_SVMR (R2 0,637) (см. Таблицу 3). Кроме того, RMSE и MAE модели Ca_Mg_EBK_SVMR (RMSE = 1664,64 и MAE = 1031,49) составляют 17,5 и 13,4 соответственно, что больше, чем у Ca_Mg_K-EBK_SVMR. Аналогично, RMSE и MAE модели Ca_Mg-K SVMR (RMSE = 235,974 и MAE = 166,946) на 2,5 и 2,2 больше, чем RMSE и MAE модели Ca_Mg_K-EBK_SVMR соответственно. Вычисленные результаты RMSE показывают, насколько сконцентрирован набор данных относительно линии наилучшего соответствия. Более высокие значения RSME и MAE были наблюдалось. Согласно Кебонье и др. 46 и Джону и др. 54, чем ближе RMSE и MAE к нулю, тем лучше результаты. SVMR и EBK_SVMR имеют более высокие квантованные значения RSME и MAE. Было замечено, что оценки RSME были постоянно выше значений MAE, что указывает на наличие выбросов. Согласно Легейтсу и Маккейбу83, степень, в которой RMSE превышает среднюю абсолютную ошибку (MAE), рекомендуется в качестве индикатора наличия выбросов. Это означает, что чем более гетерогенен набор данных, тем выше значения MAE и RMSE. Точность оценки перекрестной проверки смешанной модели Ca_Mg_K-EBK_SVMR для прогнозирования содержания Ni в городских и пригородных почвах составила 63,70%. Согласно Ли и др. 59, этот уровень точности является приемлемым показателем производительности модели. Полученные результаты сравниваются с результатами предыдущего исследования Тарасова и др. 36, в котором гибридная модель MLPRK (многослойный перцептрон с остаточным кригингом) была связана с индексом оценки точности EBK_SVMR, представленным в данном исследовании. RMSE (210) и MAE (167,5) были выше, чем в нашем исследовании (RMSE 95,479, MAE 77,368). Однако при сравнении R2 в данном исследовании (0,637) с результатами Тарасова и др. 36 (0,544), очевидно, что коэффициент детерминации (R2) выше в этой смешанной модели. Погрешность (RMSE и MAE) (EBK SVMR) для смешанной модели в два раза ниже. Аналогично, Сергеев и др.34 зафиксировали 0,28 (R2) для разработанной гибридной модели (многослойный перцептрон, остаточный кригинг), в то время как Ni в данном исследовании зафиксировал 0,637 (R2). Уровень точности прогнозирования этой модели (EBK SVMR) составляет 63,7%, в то время как точность прогнозирования, полученная Сергеевым и др.34, составляет 28%. Итоговая карта (рис. 5), созданная с использованием модели EBK_SVMR и Ca_Mg_K в качестве предиктора, показывает прогнозы горячих точек и умеренного содержания никеля по всей исследуемой области. Это означает, что концентрация никеля в исследуемой области в основном умеренная, с более высокими концентрациями в некоторых конкретных областях.
Итоговая карта прогнозирования представлена ​​с использованием гибридной модели EBK_SVMR и Ca_Mg_K в качестве предиктора. [Карта пространственного распределения была создана с помощью RStudio (версия 1.4.1717: https://www.rstudio.com/).]
На рисунке 6 представлены концентрации PTE в виде плоскости состава, состоящей из отдельных нейронов. Ни одна из плоскостей компонентов не демонстрировала тот же цветовой рисунок, что и показано. Однако соответствующее количество нейронов на построенной карте составляет 55. SeOM создается с использованием различных цветов, и чем больше сходство цветовых рисунков, тем более сопоставимы свойства образцов. В соответствии с их точной цветовой шкалой, отдельные элементы (Ca, K и Mg) демонстрировали цветовые рисунки, сходные с отдельными высокоуровневыми нейронами и большинством низкоуровневых нейронов. Таким образом, CaK и CaMg имеют некоторое сходство с нейронами очень высокого порядка и низко- и умеренно выраженными цветовыми рисунками. Обе модели предсказывают концентрацию Ni в почве, отображая средние и высокие оттенки цветов, такие как красный, оранжевый и желтый. Модель KMg отображает множество высоких цветовых рисунков, основанных на точных пропорциях, и низкие и средние цветовые пятна. На точной цветовой шкале от низкого до высокого планарное распределение компонентов модели показало высокий цветовой рисунок, указывающий на потенциальную концентрацию никеля в почве (см. рисунок 4). CaKMg Плоскость компонентов модели показывает разнообразную цветовую схему от низкой до высокой в ​​соответствии с точной цветовой шкалой. Кроме того, прогнозируемое моделью содержание никеля (CakMg) аналогично пространственному распределению никеля, показанному на рисунке 5. Оба графика показывают высокие, средние и низкие доли концентрации никеля в городских и пригородных почвах. На рисунке 7 показан контурный метод группировки k-средних на карте, разделенный на три кластера на основе прогнозируемого значения в каждой модели. Контурный метод представляет оптимальное количество кластеров. Из 115 собранных образцов почвы категория 1 получила наибольшее количество образцов – 74. Кластер 2 получил 33 образца, а кластер 3 – 8 образцов. Комбинация семикомпонентных планарных предикторов была упрощена для обеспечения правильной интерпретации кластеров. Из-за многочисленных антропогенных и природных процессов, влияющих на почвообразование, трудно получить правильно дифференцированные кластерные структуры на распределенной карте SeOM78.
Выходные данные плоскости компонентов для каждой переменной метода опорных векторов эмпирического байесовского кригинга (EBK_SVM_SeOM). [Карты SeOM были созданы с помощью RStudio (версия 1.4.1717: https://www.rstudio.com/).]
Различные компоненты кластерной классификации [Карты SeOM были созданы с помощью RStudio (версия 1.4.1717: https://www.rstudio.com/).]
Настоящее исследование наглядно демонстрирует методы моделирования концентрации никеля в городских и пригородных почвах. В исследовании были протестированы различные методы моделирования, сочетающие элементы с различными методами моделирования, чтобы определить наилучший способ прогнозирования концентрации никеля в почве. Плоско-пространственные характеристики состава SeOM, полученные с помощью предложенного метода моделирования, показали высокую цветовую гамму от низкой к высокой по точной цветовой шкале, что указывает на концентрацию Ni в почве. Однако карта пространственного распределения подтверждает плоскостное пространственное распределение компонентов, представленное EBK_SVMR (см. рисунок 5). Результаты показывают, что модель регрессии на основе метода опорных векторов (Ca Mg K-SVMR) прогнозирует концентрацию Ni в почве как единая модель, но параметры валидации и оценки точности показывают очень высокие ошибки с точки зрения RMSE и MAE. С другой стороны, метод моделирования, используемый с моделью EBK_MLR, также имеет недостатки из-за низкого значения коэффициента детерминации (R2). Хорошие результаты были получены с использованием EBK SVMR и комбинированных элементов (CaKMg) с низкими ошибками RMSE и MAE и высокой точностью. 63,7%. Оказывается, что сочетание алгоритма EBK с алгоритмом машинного обучения может создать гибридный алгоритм, способный прогнозировать концентрацию потенциально токсичных элементов в почве. Результаты показывают, что использование Ca, Mg и K в качестве предикторов для прогнозирования концентрации Ni в исследуемой области может улучшить прогнозирование Ni в почвах. Это означает, что непрерывное применение никелевых удобрений и промышленное загрязнение почвы сталелитейной промышленностью имеют тенденцию к увеличению концентрации никеля в почве. Данное исследование показало, что модель EBK может снизить уровень ошибки и повысить точность модели пространственного распределения почвы в городских или пригородных почвах. В целом, мы предлагаем применять модель EBK-SVMR для оценки и прогнозирования потенциально токсичных элементов в почве; кроме того, мы предлагаем использовать EBK для гибридизации с различными алгоритмами машинного обучения. Концентрации Ni прогнозировались с использованием элементов в качестве ковариат; Однако использование большего количества ковариат значительно улучшило бы производительность модели, что можно считать ограничением данной работы. Другим ограничением этого исследования является то, что количество наборов данных составляет 115. Поэтому, если будет предоставлено больше данных, производительность предложенного оптимизированного метода гибридизации может быть улучшена.
PlantProbs.net. Никель в растениях и почве https://plantprobs.net/plant/nutrientImbalances/sodium.html (Дата обращения: 28 апреля 2021 г.).
Каспржак, К.С. Никель: достижения в современной экологической токсикологии. Окружающая среда. Токсикология.11, 145–183 (1987).
Цемпель, М. и Никель, Г. Никель: Обзор его источников и экологической токсикологии. Polish J. Environment.Stud. 15, 375–382 (2006).
Фридман, Б. и Хатчинсон, Т.К. Поступление загрязняющих веществ из атмосферы и их накопление в почве и растительности вблизи никель-медноплавильного завода в Садбери, Онтарио, Канада. can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Маньива, Т. и др. Тяжелые металлы в почве, растениях и риски, связанные с выпасом жвачных животных вблизи медно-никелевого рудника Селеби-Фикве в Ботсване. Окрестности. Геохимия. Здоровье https://doi.org/10.1007/s10653-021-00918-x (2021).
Кабата-Пендиас. Кабата-Пендиас А. 2011. Микроэлементы в почве и… – 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= (Дата обращения: 24 ноября 2020 г.).
Алмас, А., Сингх, Б., Сельское хозяйство, TS-NJ of & 1995, не определено. Влияние российской никелевой промышленности на концентрацию тяжелых металлов в сельскохозяйственных почвах и травах в Сёр-Варангере, Норвегия. agris.fao.org.
Нильсен, Г.Д. и др. Всасывание и удержание никеля в питьевой воде связаны с приемом пищи и чувствительностью к никелю. Токсикология. Применение. Фармакодинамика. 154, 67–75 (1999).
Коста, М. и Кляйн, К.Б. Никелевый канцерогенез, мутация, эпигенетика или селекция. Окружающая среда. Перспектива здоровья. 107, 2 (1999).
Аджман, П.К.; Аджадо, С.К.; Борувка, Л.; Бини, Дж.К.М.; Саркоди, В.Й.О.; Кобонье, Н.М.; Анализ тенденций потенциально токсичных элементов: библиометрический обзор. Экологическая геохимия и здоровье. Springer Science & Business Media BV, 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасни, Б. и МакБратни, А.Б. Цифровое картирование почв: краткая история и некоторые уроки. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
МакБрэтни А.Б., Мендонса Сантос М.Л. и Минасни Б. О цифровом картировании почвы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистическое моделирование резервуаров… – 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= (Дата обращения: 28 апреля 2021 г.).