Hvala, ker ste obiskali Nature.com. Različica brskalnika, ki jo uporabljate, ima omejeno podporo za CSS. Za najboljšo izkušnjo priporočamo, da uporabite posodobljen brskalnik (ali izklopite način združljivosti v Internet Explorerju). Medtem bomo za zagotovitev nadaljnje podpore spletno mesto prikazali brez slogov in JavaScripta.
Onesnaženost tal je velik problem, ki ga povzročajo človeške dejavnosti. Prostorska porazdelitev potencialno strupenih elementov (PTE) se v večini urbanih in primestnih območij razlikuje. Zato je prostorsko težko napovedati vsebnost PTE v takšnih tleh. Iz Frydek Mistka na Češkem je bilo pridobljenih skupno 115 vzorcev. Koncentracije kalcija (Ca), magnezija (Mg), kalija (K) in niklja (Ni) so bile določene z uporabo emisijske spektrometrije z induktivno sklopljeno plazmo. Odzivna spremenljivka je Ni, napovedovalci pa Ca, Mg in K. Korelacijska matrika med odzivno spremenljivko in napovedovalno spremenljivko kaže zadovoljivo korelacijo med elementi. Rezultati napovedi so pokazali, da se je regresija s podpornimi vektorji (SVMR) dobro obnesla, čeprav sta bili njeni ocenjeni koren povprečne kvadratne napake (RMSE) (235,974 mg/kg) in povprečna absolutna napaka (MAE) (166,946 mg/kg) višji kot pri drugih uporabljenih metodah. Mešani modeli za empirično Bayesovo kriging-večkratno linearno regresijo (EBK-MLR) delujejo slabo, kar dokazuje ... koeficienti determinacije manjši od 0,1. Model empirične Bayesove krigingove regresije s podpornimi vektorji (EBK-SVMR) je bil najboljši model z nizkimi vrednostmi RMSE (95,479 mg/kg) in MAE (77,368 mg/kg) ter visokim koeficientom determinacije (R2 = 0,637). Izhod tehnike modeliranja EBK-SVMR je vizualiziran z uporabo samoorganizirajočega se zemljevida. Združeni nevroni v ravnini hibridnega modela komponente CakMg-EBK-SVMR kažejo več barvnih vzorcev, ki napovedujejo koncentracije Ni v urbanih in primestnih tleh. Rezultati kažejo, da je kombinacija EBK in SVMR učinkovita tehnika za napovedovanje koncentracij Ni v urbanih in primestnih tleh.
Nikelj (Ni) velja za mikrohranilo za rastline, ker prispeva k fiksaciji atmosferskega dušika (N) in presnovi sečnine, ki sta oba potrebna za kalitev semen. Poleg prispevka k kalitvi semen lahko Ni deluje kot zaviralec gliv in bakterij ter spodbuja razvoj rastlin. Pomanjkanje niklja v tleh omogoča rastlini, da ga absorbira, kar povzroči klorozo listov. Na primer, kravji grah in zeleni fižol zahtevata uporabo gnojil na osnovi niklja za optimizacijo fiksacije dušika2. Nadaljnja uporaba gnojil na osnovi niklja za obogatitev tal in povečanje sposobnosti stročnic za fiksacijo dušika v tleh nenehno povečuje koncentracijo niklja v tleh. Čeprav je nikelj mikrohranilo za rastline, lahko njegov prekomerni vnos v tla povzroči več škode kot koristi. Toksičnost niklja v tleh zmanjšuje pH tal in ovira absorpcijo železa kot bistvenega hranila za rast rastlin1. Po Liu3 je bilo ugotovljeno, da je Ni 17. pomemben element, potreben za razvoj in rast rastlin. Poleg vloge niklja pri razvoju in rasti rastlin ga ljudje potrebujejo za različne namene. Galvanizacija, proizvodnja zlitin na osnovi niklja, in izdelava vžigalnih naprav in svečk v avtomobilski industriji zahtevajo uporabo niklja v različnih industrijskih sektorjih. Poleg tega se zlitine na osnovi niklja in galvanizirani izdelki pogosto uporabljajo v kuhinjski posodi, dodatkih za plesne dvorane, živilski industriji, električnih napravah, žicah in kablih, reaktivnih turbinah, kirurških vsadkih, tekstilu in ladjedelništvu5. Ravni, bogate z nikljem, v tleh (tj. površinskih tleh) so bile pripisane tako antropogenim kot naravnim virom, vendar je nikelj predvsem naravni vir in ne antropogeni4,6. Naravni viri niklja vključujejo vulkanske izbruhe, vegetacijo, gozdne požare in geološke procese; vendar pa antropogeni viri vključujejo nikljeve/kadmijeve baterije v jeklarski industriji, galvanizacijo, obločno varjenje, dizelsko gorivo in kurilno olje ter atmosferske emisije zaradi zgorevanja premoga in sežiganja odpadkov in blata. Kopičenje niklja7,8. Po Freedmanu in Hutchinsonu9 ter Manyiwi in sod. 10, glavni viri onesnaženja zgornje plasti tal v neposrednem in sosednjem okolju so predvsem talilnice in rudniki na osnovi niklja in bakra. Zgornja plast tal okoli rafinerije niklja in bakra Sudbury v Kanadi je imela najvišjo stopnjo onesnaženosti z nikljem, in sicer 26.000 mg/kg11. Nasprotno pa je onesnaženje zaradi proizvodnje niklja v Rusiji povzročilo višje koncentracije niklja v norveških tleh11. Po Almsu in sod. 12 se je količina niklja, ki ga je mogoče ekstrahirati s HNO3, na najboljših obdelovalnih površinah v regiji (proizvodnja niklja v Rusiji) gibala od 6,25 do 136,88 mg/kg, kar ustreza povprečju 30,43 mg/kg in osnovni koncentraciji 25 mg/kg. Po Kabati 11 lahko uporaba fosfornih gnojil v kmetijskih tleh v mestnih ali primestnih tleh med zaporednimi sezonami pridelave prepoji ali onesnaži tla. Potencialni učinki niklja pri ljudeh lahko povzročijo raka zaradi mutageneze, kromosomskih poškodb, nastajanja Z-DNA, blokiranega popravljanja ekscizije DNK ali epigenetskih procesov 13. V poskusih na živalih je bilo ugotovljeno, da lahko nikelj povzroči različne tumorje, rakotvorni nikljevi kompleksi pa lahko takšne tumorje poslabšajo.
Ocene onesnaženosti tal so v zadnjem času zacvetele zaradi številnih zdravstvenih vprašanj, ki izhajajo iz odnosov med tlemi in rastlinami, tlemi in biološkimi odnosi v tleh, ekološke degradacije in ocene vplivov na okolje. Do danes je bilo prostorsko napovedovanje potencialno strupenih elementov (PTE), kot je Ni, v tleh z uporabo tradicionalnih metod naporno in dolgotrajno. Pojav digitalnega kartiranja tal (DSM) in njegov trenutni uspeh15 sta močno izboljšala napovedno kartiranje tal (PSM). Po mnenju Minasnyja in McBratneyja16 se je napovedno kartiranje tal (DSM) izkazalo za pomembno poddisciplino talne znanosti. Lagacherie in McBratney, 2006, opredeljujeta DSM kot »ustvarjanje in polnjenje prostorskih informacijskih sistemov o tleh z uporabo opazovalnih metod in situ in laboratorijskih metod ter prostorskih in neprostorskih sistemov sklepanja o tleh«. McBratney et al. 17 opisuje, da je sodobni DSM ali PSM najučinkovitejša tehnika za napovedovanje ali kartiranje prostorske porazdelitve PTE, tipov tal in lastnosti tal. Geostatistika in algoritmi strojnega učenja (MLA) so tehnike modeliranja DSM, ki ustvarjajo digitalizirane zemljevide s pomočjo računalnikov z uporabo pomembnih in minimalnih podatkov.
Deutsch18 in Olea19 opredeljujejo geostatistiko kot »zbirko numeričnih tehnik, ki se ukvarjajo z reprezentacijo prostorskih atributov, predvsem z uporabo stohastičnih modelov, na primer, kako analiza časovnih vrst označuje časovne podatke.« Geostatistika v prvi vrsti vključuje vrednotenje variogramov, ki omogočajo kvantifikacijo in definiranje odvisnosti prostorskih vrednosti iz vsakega nabora podatkov20. Gumiaux in sod.20 nadalje ponazarjajo, da vrednotenje variogramov v geostatistiki temelji na treh načelih, vključno z (a) izračunom obsega korelacije podatkov, (b) identifikacijo in izračunom anizotropije v neskladju nabora podatkov in (c) poleg tega, da se poleg upoštevanja inherentne napake merilnih podatkov, ločenih od lokalnih učinkov, ocenijo tudi učinki površine. Na podlagi teh konceptov se v geostatistiki uporablja veliko interpolacijskih tehnik, vključno s splošnim krigingom, ko-krigingom, navadnim krigingom, empiričnim Bayesovim krigingom, metodo preprostega kriginga in drugimi dobro znanimi interpolacijskimi tehnikami za kartiranje ali napovedovanje PTE, značilnosti tal in vrst tal.
Algoritmi strojnega učenja (MLA) so relativno nova tehnika, ki uporablja večje nelinearne podatkovne razrede, ki jih poganjajo algoritmi, ki se uporabljajo predvsem za podatkovno rudarjenje, prepoznavanje vzorcev v podatkih in se večkrat uporabljajo za klasifikacijo na znanstvenih področjih, kot so pedologija in naloge vračanja. Številni raziskovalni članki se za napovedovanje PTE v tleh opirajo na modele MLA, kot so Tan in sod. 22 (naključni gozdovi za oceno težkih kovin v kmetijskih tleh), Sakizadeh in sod. 23 (modeliranje z uporabo strojev podpornih vektorjev in umetnih nevronskih mrež) onesnaženost tal). Poleg tega so Vega in sod. 24 (CART za modeliranje zadrževanja in adsorpcije težkih kovin v tleh), Sun in sod. 25 (uporaba kubistične porazdelitve Cd v tleh) in drugi algoritmi, kot so k-najbližji sosed, posplošena okrepljena regresija in okrepljena regresijska drevesa, prav tako uporabili MLA za napovedovanje PTE v tleh.
Uporaba algoritmov DSM pri napovedovanju ali kartiranju se sooča z več izzivi. Mnogi avtorji menijo, da je MLA boljša od geostatistike in obratno. Čeprav je ena boljša od druge, kombinacija obeh izboljša raven natančnosti kartiranja ali napovedovanja v DSM15. Woodcock in Gopal26 Finke27; Pontius in Cheuk28 ter Grunwald29 komentirajo pomanjkljivosti in nekatere napake pri napovedanem kartiranju tal. Znanstveniki za tla so preizkusili različne tehnike za optimizacijo učinkovitosti, natančnosti in predvidljivosti kartiranja in napovedovanja DSM. Kombinacija negotovosti in preverjanja je eden od mnogih različnih vidikov, integriranih v DSM za optimizacijo učinkovitosti in zmanjšanje napak. Vendar Agyeman in sodelavci15 poudarjajo, da je treba vedenje validacije in negotovost, ki ju uvaja ustvarjanje in napovedovanje kart, neodvisno potrditi, da se izboljša kakovost kart. Omejitve DSM so posledica geografsko razpršene kakovosti tal, ki vključuje komponento negotovosti; Vendar pa lahko pomanjkanje gotovosti v DSM izhaja iz več virov napak, in sicer iz kovariatne napake, napake modela, napake lokacije in analitične napake 31. Netočnosti modeliranja, ki nastanejo pri MLA in geostatističnih procesih, so povezane s pomanjkanjem razumevanja, kar na koncu vodi do poenostavitve dejanskega procesa 32. Ne glede na naravo modeliranja je mogoče netočnosti pripisati parametrom modeliranja, napovedim matematičnega modela ali interpolaciji 33. Pred kratkim se je pojavil nov trend DSM, ki spodbuja integracijo geostatistike in MLA v kartiranje in napovedovanje. Več znanstvenikov in avtorjev, ki se ukvarjajo s talnimi procesi, kot so Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 in Tarasov et al. 37, je izkoristilo natančnost geostatistike in strojnega učenja za ustvarjanje hibridnih modelov, ki izboljšujejo učinkovitost napovedovanja in kartiranja. kakovost. Nekateri od teh hibridnih ali kombiniranih algoritmičnih modelov so umetno nevronsko omrežje kriging (ANN-RK), večplastni perceptronski rezidualni kriging (MLP-RK), generaliziran regresijski nevronski omrežje rezidualni kriging (GR-NNRK)36, umetno nevronsko omrežje kriging-večplastni perceptron (ANN-K-MLP)37 ter ko-kriging in Gaussova procesna regresija38.
Po mnenju Sergeeva in sodelavcev ima kombiniranje različnih tehnik modeliranja potencial za odpravo napak in povečanje učinkovitosti nastalega hibridnega modela, namesto da bi razvijali en sam model. V tem kontekstu ta novi članek trdi, da je treba uporabiti kombiniran algoritem geostatistike in MLA za ustvarjanje optimalnih hibridnih modelov za napovedovanje obogatitve z Ni v urbanih in primestnih območjih. Ta študija se bo zanašala na empirični Bayesov kriging (EBK) kot osnovni model in ga kombinirala z modeli podpornega vektorskega stroja (SVM) in večkratne linearne regresije (MLR). Hibridizacija EBK s katerim koli MLA ni znana. Opaženi večkratni mešani modeli so kombinacije navadnega, rezidualnega, regresijskega kriginga in MLA. EBK je geostatistična interpolacijska metoda, ki uporablja prostorsko stohastični proces, ki je lokaliziran kot nestacionarno/stacionarno naključno polje z definiranimi parametri lokalizacije po polju, kar omogoča prostorsko variacijo39. EBK je bil uporabljen v različnih študijah, vključno z analizo porazdelitve organskega ogljika v kmetijskih tleh40, ocenjevanjem onesnaženosti tal41 in kartiranjem lastnosti tal42.
Po drugi strani pa je samoorganizirajoči se graf (SeOM) učni algoritem, ki je bil uporabljen v različnih člankih, kot so Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 in Kebonye et al. 46. Določanje prostorskih atributov in združevanja elementov. Wang et al. 44 opisujejo, da je SeOM močna učna tehnika, znana po svoji sposobnosti združevanja in predstavljanja nelinearnih problemov. Za razliko od drugih tehnik prepoznavanja vzorcev, kot so analiza glavnih komponent, mehko združevanje v skupine, hierarhično združevanje v skupine in večkriterijsko odločanje, je SeOM boljši pri organiziranju in prepoznavanju vzorcev PTE. Po Wang et al. 44 lahko SeOM prostorsko združi porazdelitev sorodnih nevronov in zagotovi vizualizacijo podatkov visoke ločljivosti. SeOM bo vizualiziral podatke o napovedi Ni, da bi dobil najboljši model za karakterizacijo rezultatov za neposredno interpretacijo.
Namen tega članka je ustvariti robusten model kartiranja z optimalno natančnostjo za napovedovanje vsebnosti niklja v urbanih in primestnih tleh. Domnevamo, da je zanesljivost mešanega modela odvisna predvsem od vpliva drugih modelov, povezanih z osnovnim modelom. Zavedamo se izzivov, s katerimi se sooča DSM, in čeprav se ti izzivi obravnavajo na več frontah, se zdi, da je kombinacija napredka v geostatistiki in modelih MLA postopna; zato bomo poskušali odgovoriti na raziskovalna vprašanja, ki lahko privedejo do mešanih modelov. Vendar pa, kako natančen je model pri napovedovanju ciljnega elementa? Kakšna je tudi raven ocene učinkovitosti, ki temelji na validaciji in oceni natančnosti? Zato so bili specifični cilji te študije (a) ustvariti kombiniran mešani model za SVMR ali MLR z uporabo EBK kot osnovnega modela, (b) primerjati nastale modele, (c) predlagati najboljši mešani model za napovedovanje koncentracij Ni v urbanih ali primestnih tleh in (d) uporaba SeOM za ustvarjanje visokoločljivostnega zemljevida prostorskih variacij niklja.
Študija se izvaja na Češkem, natančneje v okrožju Frydek Mistek v Moravsko-šlezijski regiji (glej sliko 1). Geografija preučevanega območja je zelo razgibana in večinoma spada v Moravsko-šlezijske Beskide, ki so del zunanjega roba Karpatov. Preučevano območje se nahaja med 49° 41′ 0′ severne zemljepisne širine in 18° 20′ 0′ vzhodne zemljepisne širine, nadmorska višina pa je med 225 in 327 m; Vendar pa je Koppnov klasifikacijski sistem za podnebno stanje regije ocenjen kot Cfb = zmerno oceansko podnebje. Veliko padavin je tudi v sušnih mesecih. Temperature se skozi leto nekoliko spreminjajo med -5 °C in 24 °C, redko padejo pod -14 °C ali nad 30 °C, povprečna letna količina padavin pa je med 685 in 752 mm47. Ocenjena površina raziskovanja celotnega območja je 1208 kvadratnih kilometrov, od tega 39,38 % obdelanih zemljišč in 49,36 % gozdnih površin. Po drugi strani pa je površina, uporabljena v tej študiji, približno 889,8 kvadratnih kilometrov. V Ostravi in ​​okolici sta jeklarska industrija in kovinske obrati zelo aktivni. Kovinske talilnice, jeklarska industrija, kjer se nikelj uporablja v nerjavnih jeklih (npr. za odpornost proti atmosferski koroziji) in legiranih jeklih (nikelj poveča trdnost zlitine, hkrati pa ohranja njeno dobro duktilnost in žilavost), ter intenzivno kmetijstvo, kot sta uporaba fosfatnih gnojil in živinoreja, so raziskovalni potencialni viri niklja v regiji. (npr. dodajanje niklja jagnjetom za povečanje stopnje rasti pri jagnjetih in govedu z nizko stopnjo hranjenja). Druge industrijske uporabe niklja na raziskovalnih področjih vključujejo njegovo uporabo pri galvanizaciji, vključno s postopki galvanizacije niklja in breztokovnega nikljanja. Lastnosti tal se zlahka razlikujejo po barvi, strukturi in vsebnosti karbonata. Tekstura tal je srednje do fina, izhaja iz matične snovi. Po naravi so koluvialne, aluvialne ali eolske. Nekatera območja tal so na površini in v podtalju lisasta, pogosto z betonom in beljenjem. Vendar pa so kambisoli in stagnosoli najpogostejši tipi tal v regiji48. Z nadmorskimi višinami od 455,1 do 493,5 m prevladujejo kambisoli49.
Zemljevid območja študije [Zemljevid območja študije je bil ustvarjen z uporabo programa ArcGIS Desktop (ESRI, Inc, različica 10.7, URL: https://desktop.arcgis.com).]
Skupno je bilo odvzetih 115 vzorcev površinske plasti tal iz mestnih in primestnih tal v okrožju Frydek Mistek. Uporabljen vzorec vzorčenja je bila pravilna mreža z vzorci tal, razporejenimi 2 × 2 km narazen, površinska plast tal pa je bila izmerjena na globini od 0 do 20 cm z ročno GPS napravo (Leica Zeno 5 GPS). Vzorci so pakirani v vrečke Ziploc, ustrezno označeni in poslani v laboratorij. Vzorci so bili posušeni na zraku, da so nastali vzorci v prahu, zmleti z mehanskim sistemom (Fritschev diskasti mlin) in presejani (velikost sita 2 mm). 1 gram posušenih, homogeniziranih in presejanih vzorcev tal dajte v jasno označene teflonske steklenice. V vsako teflonsko posodo dajte 7 ml 35 % HCl in 3 ml 65 % HNO3 (z avtomatskim dozatorjem – po en za vsako kislino), rahlo pokrijte in pustite vzorce stati čez noč, da se reakcija izvede (program aqua regia). Supernatant postavite na vročo kovinsko ploščo (temperatura: 100 W). in 160 °C) 2 uri, da se olajša proces prebave vzorcev, nato ohladi. Supernatant prenesite v 50 ml merilno bučko in razredčite na 50 ml z deionizirano vodo. Nato razredčeni supernatant filtrirajte v 50 ml PVC epruveto z deionizirano vodo. Poleg tega je bil 1 ml raztopine za redčenje razredčen z 9 ml deionizirane vode in filtriran v 12 ml epruveto, pripravljeno za psevdokoncentracijo PTE. Koncentracije PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) so bile določene z ICP-OES (optična emisijska spektroskopija z induktivno sklopljeno plazmo) (Thermo Fisher Scientific, ZDA) v skladu s standardnimi metodami in dogovorom. Zagotovite postopke zagotavljanja in nadzora kakovosti (QA/QC) (SRM NIST 2711a Montana II Soil). PTE z mejami detekcije pod polovico so bili iz te študije izključeni. Meja detekcije PTE, uporabljenega v tej študiji, je bila 0,0004 (vi). Poleg tega je postopek nadzora in zagotavljanja kakovosti za vsako analizo zagotovljen z analizo referenčnih standardov. Za zagotovitev zmanjšanja napak je bila izvedena dvojna analiza.
Empirični Bayesov kriging (EBK) je ena od mnogih geostatističnih interpolacijskih tehnik, ki se uporabljajo pri modeliranju na različnih področjih, kot je pedologija. Za razliko od drugih tehnik kriginga se EBK razlikuje od tradicionalnih metod kriginga po tem, da upošteva napako, ocenjeno z modelom semivariograma. Pri interpolaciji EBK se med interpolacijo izračuna več modelov semivariogramov namesto enega samega semivariograma. Tehnike interpolacije odpravljajo negotovost in programiranje, povezano s tem risanjem semivariograma, ki predstavlja zelo kompleksen del zadostne metode kriginga. Postopek interpolacije EBK sledi trem kriterijem, ki jih je predlagal Krivoruchko50: (a) model oceni semivariogram iz vhodnega nabora podatkov, (b) nova napovedana vrednost za vsako lokacijo vhodnega nabora podatkov na podlagi ustvarjenega semivariograma in (c) končni model A se izračuna iz simuliranega nabora podatkov. Pravilo Bayesove enačbe je podano kot posteriorna
Kjer \(Prob\left(A\right)\) predstavlja apriorno verjetnost, \(Prob\left(B\right)\) se v večini primerov prezre, \(Prob (B,A)\). Izračun semivariograma temelji na Bayesovem pravilu, ki prikazuje nagnjenost opazovalnih naborov podatkov, ki jih je mogoče ustvariti iz semivariogramov. Vrednost semivariograma se nato določi z uporabo Bayesovega pravila, ki določa verjetnost ustvarjanja opazovalnega nabora podatkov iz semivariograma.
Stroj podpornih vektorjev je algoritem strojnega učenja, ki generira optimalno ločevalno hiperravnino za razlikovanje enakih, vendar ne linearno neodvisnih razredov. Vapnik51 je ustvaril algoritem za klasifikacijo namenov, vendar se je pred kratkim uporabljal za reševanje problemov, usmerjenih v regresijo. Po Li et al.52 je SVM ena najboljših tehnik klasifikacije in se uporablja na različnih področjih. V tej analizi je bila uporabljena regresijska komponenta SVM (Support Vector Machine Regression – SVMR). Cherkassky in ​​Mulier53 sta bila pionirja SVMR kot regresije na osnovi jedra, katere izračun je bil izveden z uporabo linearnega regresijskega modela z večdržavnimi prostorskimi funkcijami. John et al.54 poročajo, da modeliranje SVMR uporablja linearno regresijo hiperravnine, ki ustvarja nelinearne odnose in omogoča prostorske funkcije. Po Vohland et al. 55, epsilon (ε)-SVMR uporablja naučen nabor podatkov za pridobitev predstavitvenega modela kot epsilon-neobčutljive funkcije, ki se uporabi za neodvisno preslikavo podatkov z najboljšo epsilon pristranskostjo iz učenja na koreliranih podatkih. Prednastavljena napaka razdalje se pri dejanski vrednosti prezre, in če je napaka večja od ε(ε), jo lastnosti tal kompenzirajo. Model tudi zmanjša kompleksnost učnih podatkov na širšo podmnožico podpornih vektorjev. Enačba, ki jo je predlagal Vapnik51, je prikazana spodaj.
kjer b predstavlja skalarni prag, \(K(x}_{,}{x}_{k})\) predstavlja funkcijo jedra, \(alpha\) predstavlja Lagrangejev multiplikator, N predstavlja numerični nabor podatkov, \(x}_{k}\) predstavlja vhodne podatke in \(y\) so izhodni podatki. Eno ključnih uporabljenih jeder je operacija SVMR, ki je Gaussova radialna bazna funkcija (RBF). Jedro RBF se uporablja za določitev optimalnega modela SVMR, kar je ključnega pomena za pridobitev najsubtilnejšega faktorja kazni C in parametra jedra gama (γ) za učne podatke PTE. Najprej smo ocenili učni nabor in nato preizkusili delovanje modela na validacijskem naboru. Uporabljeni parameter krmiljenja je sigma, vrednost metode pa je svmRadial.
Večkratni linearni regresijski model (MLR) je regresijski model, ki predstavlja razmerje med odzivno spremenljivko in številnimi napovednimi spremenljivkami z uporabo linearnih združenih parametrov, izračunanih z metodo najmanjših kvadratov. V MLR je model najmanjših kvadratov napovedna funkcija lastnosti tal po izbiri pojasnjevalnih spremenljivk. Za vzpostavitev linearnega razmerja z uporabo pojasnjevalnih spremenljivk je treba uporabiti odziv. PTE je bil uporabljen kot odzivna spremenljivka za vzpostavitev linearnega razmerja s pojasnjevalnimi spremenljivkami. Enačba MLR je
kjer je y odzivna spremenljivka, \(a\) je presečišče, n je število napovedovalcev, \({b}_{1}\) je delna regresija koeficientov, \({x}_{i}\) predstavlja napovedovalec ali pojasnjevalno spremenljivko in \({\varepsilon}_{i}\) predstavlja napako v modelu, znano tudi kot ostanek.
Mešani modeli so bili pridobljeni z združevanjem EBK z SVMR in MLR. To se naredi z ekstrakcijo napovedanih vrednosti iz interpolacije EBK. Napovedane vrednosti, pridobljene iz interpoliranih Ca, K in Mg, so pridobljene s kombinatoričnim postopkom za pridobitev novih spremenljivk, kot so CaK, CaMg in KMg. Elementi Ca, K in Mg se nato združijo, da se dobi četrta spremenljivka, CaKMg. Na splošno so pridobljene spremenljivke Ca, K, Mg, CaK, CaMg, KMg in CaKMg. Te spremenljivke so postale naši napovedovalci, ki pomagajo napovedati koncentracije niklja v urbanih in primestnih tleh. Algoritem SVMR je bil izveden na napovedovalcih, da se dobi mešani model empiričnega Bayesovega kriginga s podpornimi vektorji (EBK_SVM). Podobno se spremenljivke prevajajo tudi skozi algoritem MLR, da se dobi mešani model empiričnega Bayesovega kriginga z večkratno linearno regresijo (EBK_MLR). Običajno so spremenljivke Ca, K, Mg, CaK, CaMg, KMg in CaKMg se uporabljata kot kovariata za napovedovanje vsebnosti Ni v urbanih in primestnih tleh. Pridobljeni najsprejemljivejši model (EBK_SVM ali EBK_MLR) bo nato vizualiziran z uporabo samoorganizirajočega se grafa. Potek dela te študije je prikazan na sliki 2.
Uporaba SeOM je postala priljubljeno orodje za organiziranje, vrednotenje in napovedovanje podatkov v finančnem sektorju, zdravstvu, industriji, statistiki, pedologiji in še več. SeOM je ustvarjen z uporabo umetnih nevronskih mrež in metod nenadzorovanega učenja za organizacijo, vrednotenje in napovedovanje. V tej študiji je bil SeOM uporabljen za vizualizacijo koncentracij Ni na podlagi najboljšega modela za napovedovanje Ni v urbanih in primestnih tleh. Podatki, obdelani pri vrednotenju SeOM, se uporabljajo kot n vhodnih dimenzijskih vektorskih spremenljivk43,56.Melssen et al. 57 opisuje povezavo vhodnega vektorja v nevronsko mrežo preko ene same vhodne plasti z izhodnim vektorjem z enim samim utežnim vektorjem. Izhod, ki ga generira SeOM, je dvodimenzionalni zemljevid, ki ga sestavljajo različni nevroni ali vozlišča, vtkani v šestkotne, krožne ali kvadratne topološke zemljevide glede na njihovo bližino. Z primerjavo velikosti zemljevidov na podlagi metrike, napake kvantizacije (QE) in topografske napake (TE) je izbran model SeOM z 0,086 oziroma 0,904, kar je enota s 55 zemljevidi (5 × 11). Struktura nevronov je določena glede na število vozlišč v empirični enačbi.
V tej študiji je bilo uporabljenih 115 vzorcev podatkov. Za razdelitev podatkov na testne podatke (25 % za validacijo) in učne nabore podatkov (75 % za kalibracijo) je bil uporabljen naključni pristop. Učni nabor podatkov se uporablja za generiranje regresijskega modela (kalibracija), testni nabor podatkov pa za preverjanje sposobnosti posploševanja58. To je bilo storjeno za oceno primernosti različnih modelov za napovedovanje vsebnosti niklja v tleh. Vsi uporabljeni modeli so bili podvrženi desetkratnemu postopku navzkrižne validacije, ki je bil ponovljen petkrat. Spremenljivke, pridobljene z interpolacijo EBK, se uporabljajo kot napovedovalci ali pojasnjevalne spremenljivke za napovedovanje ciljne spremenljivke (PTE). Modeliranje se izvaja v programu RStudio z uporabo paketov library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") in libraries("Metrics").
Za določitev najboljšega modela, primernega za napovedovanje koncentracij niklja v tleh, ter za oceno natančnosti modela in njegove validacije so bili uporabljeni različni parametri validacije. Modeli hibridizacije so bili ovrednoteni z uporabo povprečne absolutne napake (MAE), korenske povprečne kvadratne napake (RMSE) in R-kvadrata ali določitve koeficienta (R2). R2 določa varianco deležev v odgovoru, ki ga predstavlja regresijski model. RMSE in velikost variance v neodvisnih merah opisujeta napovedno moč modela, medtem ko MAE določa dejansko kvantitativno vrednost. Vrednost R2 mora biti visoka, da se z uporabo parametrov validacije oceni najboljši model mešanice, bližje kot je vrednost 1, večja je natančnost. Po Li et al. 59 se vrednost kriterija R2 0,75 ali več šteje za dober napovedovalec; od 0,5 do 0,75 je sprejemljiva zmogljivost modela, pod 0,5 pa je nesprejemljiva zmogljivost modela. Pri izbiri modela z uporabo metod ocenjevanja kriterijev validacije RMSE in MAE so bile nižje pridobljene vrednosti zadostne in so bile obravnavane kot najboljša izbira. Naslednja enačba opisuje metodo preverjanja.
kjer n predstavlja velikost opazovane vrednosti \({Y}_{i}\) predstavlja izmerjeni odziv in \({\widehat{Y}}_{i}\) predstavlja tudi predvideno vrednost odziva, torej za prvih i opazovanj.
Statistični opisi napovednih in odzivnih spremenljivk so predstavljeni v tabeli 1, ki prikazuje povprečje, standardni odklon (SD), koeficient variacije (CV), minimum, maksimum, kurtozo in asimetrijo. Minimalne in maksimalne vrednosti elementov so v padajočem vrstnem redu Mg < Ca < K < Ni oziroma Ca < Mg < K < Ni. Koncentracije odzivne spremenljivke (Ni), vzorčene na preučevanem območju, so se gibale od 4,86 ​​do 42,39 mg/kg. Primerjava Ni s svetovnim povprečjem (29 mg/kg) in evropskim povprečjem (37 mg/kg) je pokazala, da je bila skupna izračunana geometrijska sredina za preučevano območje znotraj sprejemljivega območja. Kljub temu, kot je pokazal Kabata-Pendias11, primerjava povprečne koncentracije niklja (Ni) v trenutni študiji s kmetijskimi tlemi na Švedskem kaže, da je trenutna povprečna koncentracija niklja višja. Prav tako je bila povprečna koncentracija tal v Frydek Mistek v mestnih in primestnih tleh v trenutni študiji (Ni 16,15 mg/kg) višja od dovoljene. Meja 60 (10,2 mg/kg) za Ni v poljskih urbanih tleh, o kateri so poročali Różański in sod. Poleg tega sta Bretzel in Calderisi61 zabeležila zelo nizke povprečne koncentracije Ni (1,78 mg/kg) v urbanih tleh v Toskani v primerjavi s trenutno študijo. Jim62 je ugotovil tudi nižjo koncentracijo niklja (12,34 mg/kg) v urbanih tleh Hongkonga, kar je nižje od trenutne koncentracije niklja v tej študiji. Birke in sod.63 so poročali o povprečni koncentraciji Ni 17,6 mg/kg v starem rudarskem in urbano-industrijskem območju v Saški-Anhaltu v Nemčiji, kar je bilo 1,45 mg/kg več od povprečne koncentracije Ni na tem območju (16,15 mg/kg). Trenutne raziskave. Prekomerno vsebnost niklja v tleh na nekaterih urbanih in primestnih območjih preučevanega območja je mogoče pripisati predvsem železarski in jeklarski industriji ter kovinski industriji. To je skladno s študijo Khodadoust in sod. 64, da sta jeklarska industrija in kovinska industrija glavna vira onesnaženja tal z nikljem. Vendar so se napovedovalci gibali tudi od 538,70 mg/kg do 69.161,80 mg/kg za Ca, od 497,51 mg/kg do 3.535,68 mg/kg za K in od 685,68 mg/kg do 5.970,05 mg/kg za Mg. Jakovljević in sod. 65 je raziskoval skupno vsebnost Mg in K v tleh v osrednji Srbiji. Ugotovili so, da so bile skupne koncentracije (410 mg/kg oziroma 400 mg/kg) nižje od koncentracij Mg in K v tej študiji. Podobno sta Orzechowski in Smolczynski66 v vzhodni Poljski ocenila skupno vsebnost Ca, Mg in K ter pokazala povprečne koncentracije Ca (1100 mg/kg), Mg (590 mg/kg) in K (810 mg/kg). Vsebnost v zgornjo plast tal je nižja kot pri posameznem elementu v tej študiji. Nedavna študija Pongraca in sodelavcev67 je pokazala, da je skupna vsebnost Ca, analizirana v treh različnih tleh na Škotskem v Združenem kraljestvu (zemlja Mylnefield, zemlja Balruddery in zemlja Hartwood), pokazala višjo vsebnost Ca v tej študiji.
Zaradi različnih izmerjenih koncentracij vzorčenih elementov kažejo porazdelitve elementov v naboru podatkov različno asimetrijo. Asimetrija in kurtoza elementov sta se gibali od 1,53 do 7,24 oziroma od 2,49 do 54,16. Vsi izračunani elementi imajo raven asimetrije in kurtoze nad +1, kar kaže na to, da je porazdelitev podatkov nepravilna, nagnjena v pravo smer in ima vrh. Ocenjeni koeficienti variacije elementov kažejo tudi, da K, Mg in Ni kažejo zmerno variabilnost, medtem ko ima Ca izjemno visoko variabilnost. Koeficienti variacije K, Ni in Mg pojasnjujejo njihovo enakomerno porazdelitev. Poleg tega porazdelitev Ca ni enakomerna in zunanji viri lahko vplivajo na njeno stopnjo obogatitve.
Korelacija napovednih spremenljivk z odzivnimi elementi je pokazala zadovoljivo korelacijo med elementi (glej sliko 3). Korelacija je pokazala, da je CaK pokazal zmerno korelacijo z vrednostjo r = 0,53, prav tako kot CaNi. Čeprav Ca in K kažeta skromne medsebojne povezave, so raziskovalci, kot sta Kingston in sod. 68 in Santo69 nakazujeta, da so njihove ravni v tleh obratno sorazmerne. Vendar pa sta Ca in Mg antagonistična do K, medtem ko se CaK dobro ujema. To je lahko posledica uporabe gnojil, kot je kalijev karbonat, ki ima za 56 % več kalija. Kalij je bil zmerno povezan z magnezijem (KM r = 0,63). V industriji gnojil sta ta dva elementa tesno povezana, saj se kalijev magnezijev sulfat, kalijev magnezijev nitrat in pepelika uporabljajo v tleh za povečanje njihove ravni pomanjkanja. Nikelj je zmerno povezan s Ca, K in Mg z vrednostmi r = 0,52, 0,63 oziroma 0,55. Razmerja med kalcijem, magnezijem in PTE, kot je nikelj, so kompleksna, vendar kljub temu magnezij zavira absorpcijo kalcija, kalcij zmanjšuje učinke presežka magnezija, magnezij in kalcij pa zmanjšujeta toksične učinke niklja v tleh.
Korelacijska matrika za elemente, ki prikazuje razmerje med napovedovalci in odzivi (opomba: ta slika vključuje razpršeni diagram med elementi, stopnje pomembnosti temeljijo na p < 0,001).
Slika 4 prikazuje prostorsko porazdelitev elementov. Po Burgosu in sodelavcih70 je uporaba prostorske porazdelitve tehnika, ki se uporablja za kvantificiranje in poudarjanje vročih točk na onesnaženih območjih. Stopnje obogatitve s Ca na sliki 4 so vidne v severozahodnem delu zemljevida prostorske porazdelitve. Slika prikazuje vroče točke z zmerno do visoko obogatitvijo s Ca. Obogatitev s kalcijem na severozahodu zemljevida je verjetno posledica uporabe živega apna (kalcijevega oksida) za zmanjšanje kislosti tal in njegove uporabe v jeklarnah kot alkalnega kisika v procesu proizvodnje jekla. Po drugi strani pa drugi kmetje raje uporabljajo kalcijev hidroksid v kislih tleh za nevtralizacijo pH, kar prav tako poveča vsebnost kalcija v tleh71. Kalij prav tako prikazuje vroče točke na severozahodu in vzhodu zemljevida. Severozahod je pomembna kmetijska skupnost, zmerno do visoko vsebnost kalija pa je lahko posledica uporabe NPK in pepelike. To je skladno z drugimi študijami, kot so Madaras in Lipavský72, Madaras in sodelavci73, Pulkrabová in sodelavci74, Asare in sodelavci75, ki so opazili, da stabilizacija tal in Obdelava s KCl in NPK je povzročila visoko vsebnost K v tleh. Prostorska obogatitev s kalijem na severozahodu zemljevida razširjenosti je lahko posledica uporabe gnojil na osnovi kalija, kot so kalijev klorid, kalijev sulfat, kalijev nitrat, pepelika in pepelika, za povečanje vsebnosti kalija v revnih tleh. Zádorová et al. 76 in Tlustoš et al. 77 je poudaril, da uporaba gnojil na osnovi K poveča vsebnost K v tleh in dolgoročno znatno poveča vsebnost hranil v tleh, zlasti K in Mg, ki kažeta vročo točko v tleh. Relativno zmerne vroče točke na severozahodu in jugovzhodu zemljevida. Koloidna fiksacija v tleh zmanjša koncentracijo magnezija v tleh. Njegovo pomanjkanje v tleh povzroči, da rastline kažejo rumenkasto medžilno klorozo. Gnojila na osnovi magnezija, kot so kalijev magnezijev sulfat, magnezijev sulfat in kieserit, odpravljajo pomanjkljivosti (rastline so videti vijolične, rdeče ali rjave, kar kaže na pomanjkanje magnezija) v tleh z normalnim pH razponom6. Kopičenje niklja na mestnih in primestnih površinah tal je lahko posledica antropogenih dejavnosti, kot sta kmetijstvo, in pomen niklja pri proizvodnji nerjavnega jekla78.
Prostorska porazdelitev elementov [zemljevid prostorske porazdelitve je bil ustvarjen z uporabo programa ArcGIS Desktop (ESRI, Inc, različica 10.7, URL: https://desktop.arcgis.com).]
Rezultati indeksa učinkovitosti modela za elemente, uporabljene v tej študiji, so prikazani v tabeli 2. Po drugi strani pa sta RMSE in MAE za Ni blizu nič (0,86 RMSE, -0,08 MAE). Po drugi strani pa sta tako RMSE kot MAE za K sprejemljivi. Rezultati RMSE in MAE so bili večji za kalcij in magnezij. Rezultati MAE in RMSE za Ca in K so večji zaradi različnih naborov podatkov. Ugotovljeno je bilo, da sta RMSE in MAE te študije z uporabo EBK za napovedovanje Ni boljša od rezultatov Johna in sodelavcev 54, ki so uporabili sinergistični kriging za napovedovanje koncentracij S v tleh z uporabo istih zbranih podatkov. Izhodi EBK, ki smo jih preučevali, se ujemajo z rezultati Fabijaczyka in sodelavcev 41, Yana in sodelavcev 79, Beguina in sodelavcev 80, Adhikaryja in sodelavcev 81 ter Johna in sodelavcev 82, zlasti za K in Ni.
Učinkovitost posameznih metod za napovedovanje vsebnosti niklja v urbanih in primestnih tleh je bila ocenjena z uporabo učinkovitosti modelov (tabela 3). Validacija modela in ocena natančnosti sta potrdili, da je napovedovalec Ca_Mg_K v kombinaciji z modelom EBK SVMR dal najboljšo učinkovitost. Kalibracijski model Ca_Mg_K-EBK_SVMR R2, korenska srednja kvadratna napaka (RMSE) in srednja absolutna napaka (MAE) sta bili 0,637 (R2), 95,479 mg/kg (RMSE) in 77,368 mg/kg (MAE). Ca_Mg_K-SVMR je bil 0,663 (R2), 235,974 mg/kg (RMSE) in 166,946 mg/kg (MAE). Kljub temu so bile za Ca_Mg_K-SVMR (0,663 mg/kg R2) in Ca_Mg-EBK_SVMR (0,643 = R2) pridobljene dobre vrednosti R2; Njihovi rezultati RMSE in MAE so bili višji od rezultatov za Ca_Mg_K-EBK_SVMR (R2 0,637) (glej tabelo 3). Poleg tega sta RMSE in MAE modela Ca_Mg-EBK_SVMR (RMSE = 1664,64 in MAE = 1031,49) 17,5 oziroma 13,4, kar je več od rezultatov za Ca_Mg_K-EBK_SVMR. Prav tako sta RMSE in MAE modela Ca_Mg-K SVMR (RMSE = 235,974 in MAE = 166,946) za 2,5 oziroma 2,2 večja od rezultatov RMSE oziroma MAE za Ca_Mg_K-EBK_SVMR. Izračunani rezultati RMSE kažejo, kako koncentriran je nabor podatkov z linijo najboljšega ujemanja. Opaženi so bili višji RSME in MAE. Po Kebonye et al. 46 in john et al. 54, bližje kot sta RMSE in MAE ničli, boljši so rezultati. SVMR in EBK_SVMR imata višje kvantizirane vrednosti RSME in MAE. Ugotovljeno je bilo, da so bile ocene RSME dosledno višje od vrednosti MAE, kar kaže na prisotnost izstopajočih vrednosti. Po Legatesu in McCabeju83 se kot indikator prisotnosti izstopajočih vrednosti priporoča obseg, v katerem RMSE presega povprečno absolutno napako (MAE). To pomeni, da bolj heterogen kot je nabor podatkov, višje so vrednosti MAE in RMSE. Natančnost ocene navzkrižne validacije mešanega modela Ca_Mg_K-EBK_SVMR za napovedovanje vsebnosti Ni v mestnih in primestnih tleh je bila 63,70 %. Po Li et al. 59 je ta raven natančnosti sprejemljiva stopnja delovanja modela. Sedanji rezultati so primerjani s prejšnjo študijo Tarasova et al. 36, čigar hibridni model je ustvaril MLPRK (večplastni perceptronski rezidualni kriging), povezan z indeksom ocenjevanja natančnosti EBK_SVMR, o katerem poročamo v tej študiji, RMSE (210) in MAE (167,5) je bil višji od naših rezultatov v tej študiji (RMSE 95,479, MAE 77,368). Vendar pa pri primerjavi R2 te študije (0,637) z rezultatom Tarasova in sodelavcev... 36 (0,544) je jasno, da je koeficient determinacije (R2) v tem mešanem modelu višji. Meja napake (RMSE in MAE) (EBK SVMR) za mešani model je dvakrat nižja. Podobno so Sergeev in sod.34 zabeležili 0,28 (R2) za razviti hibridni model (Multilayer Perceptron Residual Kriging), medtem ko je Ni v trenutni študiji zabeležil 0,637 (R2). Stopnja natančnosti napovedi tega modela (EBK SVMR) je 63,7 %, medtem ko je natančnost napovedi, ki so jo dobili Sergeev in sod.34, 28 %. Končni zemljevid (slika 5), ​​ustvarjen z uporabo modela EBK_SVMR in Ca_Mg_K kot napovedovalca, prikazuje napovedi vročih točk in zmernega do niklja na celotnem preučevanem območju. To pomeni, da je koncentracija niklja na preučevanem območju večinoma zmerna, z višjimi koncentracijami na nekaterih specifičnih območjih.
Končni napovedni zemljevid je predstavljen z uporabo hibridnega modela EBK_SVMR in Ca_Mg_K kot napovedovalca. [Zemljevid prostorske porazdelitve je bil ustvarjen z uporabo programa RStudio (različica 1.4.1717: https://www.rstudio.com/).]
Na sliki 6 so predstavljene koncentracije PTE kot kompozicijska ravnina, ki jo sestavljajo posamezni nevroni. Nobena od komponentnih ravnin ni pokazala enakega barvnega vzorca, kot je prikazano. Vendar pa je ustrezno število nevronov na narisani zemljevid 55. SeOM se proizvaja z uporabo različnih barv in bolj podobni kot so barvni vzorci, bolj primerljive so lastnosti vzorcev. Glede na njihovo natančno barvno lestvico so posamezni elementi (Ca, K in Mg) pokazali podobne barvne vzorce kot posamezni visoki nevroni in večina nizkih nevronov. Tako imata CaK in CaMg nekaj podobnosti z zelo visokimi nevroni in nizkimi do srednjimi barvnimi vzorci. Oba modela napovedujeta koncentracijo Ni v tleh s prikazom srednjih do visokih odtenkov barv, kot so rdeča, oranžna in rumena. Model KMg prikazuje številne visoke barvne vzorce na podlagi natančnih razmerij in nizkih do srednjih barvnih madežev. Na natančni barvni lestvici od nizke do visoke je vzorec ravninske porazdelitve komponent modela pokazal visok barvni vzorec, ki kaže na potencialno koncentracijo niklja v tleh (glej sliko 4). Komponentna ravnina modela CakMg prikazuje raznolik barvni vzorec od nizke do visoke v skladu z natančno barvno lestvico. lestvici. Poleg tega je napoved modela o vsebnosti niklja (CakMg) podobna prostorski porazdelitvi niklja, prikazani na sliki 5. Oba grafa prikazujeta visoke, srednje in nizke deleže koncentracij niklja v urbanih in primestnih tleh. Slika 7 prikazuje konturno metodo v skupini k-sredstev na zemljevidu, razdeljeno v tri skupine na podlagi predvidene vrednosti v vsakem modelu. Konturna metoda predstavlja optimalno število skupin. Od 115 zbranih vzorcev tal je kategorija 1 pridobila največ vzorcev tal, 74. Skupina 2 je prejela 33 vzorcev, skupina 3 pa 8 vzorcev. Sedemkomponentna kombinacija planarnih napovedovalcev je bila poenostavljena, da bi omogočila pravilno interpretacijo skupin. Zaradi številnih antropogenih in naravnih procesov, ki vplivajo na nastanek tal, je težko imeti pravilno diferencirane vzorce skupin na porazdeljeni karti SeOM78.
Izhod komponentne ravnine za vsako spremenljivko empiričnega Bayesovega kriginga podpornega vektorskega stroja (EBK_SVM_SeOM). [Zemljevidi SeOM so bili ustvarjeni z uporabo RStudio (različica 1.4.1717: https://www.rstudio.com/).]
Različne komponente klasifikacije grozdov [Zemljevidi SeOM so bili ustvarjeni z uporabo programa RStudio (različica 1.4.1717: https://www.rstudio.com/).]
Trenutna študija jasno prikazuje tehnike modeliranja koncentracij niklja v urbanih in primestnih tleh. Študija je preizkusila različne tehnike modeliranja, ki so kombinirale elemente z tehnikami modeliranja, da bi dosegla najboljši način za napovedovanje koncentracij niklja v tleh. Sestavne ravninske prostorske značilnosti SeOM tehnike modeliranja so pokazale visok barvni vzorec od nizke do visoke na natančni barvni lestvici, kar kaže na koncentracije Ni v tleh. Vendar pa zemljevid prostorske porazdelitve potrjuje ravninsko prostorsko porazdelitev komponent, ki jo prikazuje EBK_SVMR (glej sliko 5). Rezultati kažejo, da regresijski model podpornih vektorjev (CaMgK-SVMR) napoveduje koncentracijo Ni v tleh kot en sam model, vendar parametri validacije in ocenjevanja natančnosti kažejo zelo visoke napake v smislu RMSE in MAE. Po drugi strani pa je tehnika modeliranja, uporabljena z modelom EBK_MLR, pomanjkljiva tudi zaradi nizke vrednosti koeficienta determinacije (R2). Dobri rezultati so bili pridobljeni z uporabo EBK SVMR in kombiniranih elementov (CaKMg) z nizkimi napakami RMSE in MAE z natančnostjo 63,7 %. Izkazalo se je, da je kombinacija algoritma EBK z Algoritem strojnega učenja lahko ustvari hibridni algoritem, ki lahko napove koncentracijo PTE v tleh. Rezultati kažejo, da lahko uporaba CaMgK kot napovedovalca za napovedovanje koncentracij Ni na preučevanem območju izboljša napoved Ni v tleh. To pomeni, da imata stalna uporaba gnojil na osnovi niklja in industrijsko onesnaževanje tal s strani jeklarske industrije tendenco povečati koncentracijo niklja v tleh. Ta študija je pokazala, da lahko model EBK zmanjša stopnjo napake in izboljša natančnost modela prostorske porazdelitve tal v mestnih ali primestnih tleh. Na splošno predlagamo uporabo modela EBK-SVMR za oceno in napovedovanje PTE v tleh; poleg tega predlagamo uporabo EBK za hibridizacijo z različnimi algoritmi strojnega učenja. Koncentracije Ni so bile napovedane z uporabo elementov kot kovariat; vendar bi uporaba več kovariat močno izboljšala delovanje modela, kar lahko štejemo za omejitev trenutnega dela. Druga omejitev te študije je, da je število naborov podatkov 115. Zato je mogoče, če je zagotovljenih več podatkov, izboljšati delovanje predlagane optimizirane metode hibridizacije.
PlantProbs.net. Nikelj v rastlinah in tleh https://plantprobs.net/plant/nutrientImbalances/sodium.html (dostopano 28. aprila 2021).
Kasprzak, KS Nikelj napreduje v sodobni okoljski toksikologiji.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. in Nikel, G. Nikelj: Pregled njegovih virov in okoljske toksikologije. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. in Hutchinson, TC Vnos onesnaževal iz ozračja in njihovo kopičenje v tleh in vegetaciji v bližini talilnice niklja in bakra v Sudburyju v Ontariu v Kanadi. can.J. Bot.58(1), 108–132. https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Težke kovine v tleh, rastlinah in tveganja, povezana s pašo prežvekovalcev v bližini rudnika bakra in niklja Selebi-Phikwe v Bocvani. Okolica. Geokemija. Zdravje https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementi v sledovih v tleh in… – 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= (dostopano 24. novembra 2020).
Almås, A., Singh, B., Kmetijstvo, TS-NJ od in 1995, nedoločeno. Vplivi ruske industrije niklja na koncentracije težkih kovin v kmetijskih tleh in travah v Soer-Varangerju na Norveškem. agris.fao.org.
Nielsen, GD et al. Absorpcija in zadrževanje niklja v pitni vodi sta povezana z vnosom hrane in občutljivostjo na nikelj. toksikologija. uporaba. farmakodinamika. 154, 67–75 (1999).
Costa, M. in Klein, CB Nikljeva karcinogeneza, mutacija, epigenetika ali selekcija. Okolje. Zdravstvena perspektiva. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Trendna analiza potencialno strupenih elementov: bibliometrični pregled. Okoljska geokemija in zdravje. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. in McBratney, AB Digitalno kartiranje tal: kratka zgodovina in nekaj spoznanj. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitalnem kartiranju tal. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistično modeliranje rezervoarjev,… – 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= (dostopano 28. aprila 2021).