Faleminderit që vizituat Nature.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar për CSS. Për përvojën më të mirë, ju rekomandojmë të përdorni një shfletues të përditësuar (ose të çaktivizoni modalitetin e përputhshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne do ta shfaqim faqen pa stile dhe JavaScript.
Ndotja e tokës është një problem i madh i shkaktuar nga aktivitetet njerëzore. Shpërndarja hapësinore e elementëve potencialisht toksikë (PTE) ndryshon në shumicën e zonave urbane dhe periurbane. Prandaj, është e vështirë të parashikohet në mënyrë hapësinore përmbajtja e PTE-ve në toka të tilla. Një total prej 115 mostrash u morën nga Frydek Mistek në Republikën Çeke. Përqendrimet e kalciumit (Ca), magnezit (Mg), kaliumit (K) dhe nikelit (Ni) u përcaktuan duke përdorur spektrometrinë e emetimit të plazmës së çiftëzuar në mënyrë induktive. Variabli i përgjigjes është Ni dhe parashikuesit janë Ca, Mg dhe K. Matrica e korrelacionit midis variablit të përgjigjes dhe variablit parashikues tregon një korrelacion të kënaqshëm midis elementëve. Rezultatet e parashikimit treguan se Regresioni i Makinës së Vektorit Mbështetës (SVMR) performoi mirë, megjithëse gabimi i tij i vlerësuar i rrënjës mesatare katrore (RMSE) (235.974 mg/kg) dhe gabimi mesatar absolut (MAE) (166.946 mg/kg) ishin më të larta se metodat e tjera të aplikuara. Modelet e përziera për Regresionin Linear Empirik Bayesian Kriging-Shumëfish (EBK-MLR) performojnë dobët, siç dëshmohet nga koeficientët e përcaktimit më të vegjël se 0.1. Modeli Empirik Bayesian Kriging-Mbështetës i Makinës Vektoriale (EBK-SVMR) ishte modeli më i mirë, me vlera të ulëta RMSE (95.479 mg/kg) dhe MAE (77.368 mg/kg) dhe koeficient të lartë të përcaktimit (R2 = 0.637). Rezultati i teknikës së modelimit EBK-SVMR vizualizohet duke përdorur një hartë vetëorganizuese. Neuronet e grupuara në planin e komponentit CakMg-EBK-SVMR të modelit hibrid tregojnë modele të shumëfishta ngjyrash që parashikojnë përqendrimet e Ni në tokat urbane dhe periurbane. Rezultatet tregojnë se kombinimi i EBK dhe SVMR është një teknikë efektive për parashikimin e përqendrimeve të Ni në tokat urbane dhe periurbane.
Nikeli (Ni) konsiderohet një mikronutrient për bimët sepse kontribuon në fiksimin atmosferik të azotit (N) dhe metabolizmin e uresë, të dyja të nevojshme për mbirjen e farës. Përveç kontributit të tij në mbirjen e farës, Ni mund të veprojë si një frenues i kërpudhave dhe baktereve dhe të nxisë zhvillimin e bimëve. Mungesa e nikelit në tokë i lejon bimës ta thithë atë, duke rezultuar në klorozë të gjetheve. Për shembull, bizelet dhe fasulet e gjelbra kërkojnë aplikimin e plehrave me bazë nikeli për të optimizuar fiksimin e azotit2. Aplikimi i vazhdueshëm i plehrave me bazë nikeli për të pasuruar tokën dhe për të rritur aftësinë e bishtajoreve për të fiksuar azotin në tokë rrit vazhdimisht përqendrimin e nikelit në tokë. Megjithëse nikeli është një mikronutrient për bimët, marrja e tij e tepërt në tokë mund të bëjë më shumë dëm sesa dobi. Toksiciteti i nikelit në tokë minimizon pH-in e tokës dhe pengon thithjen e hekurit si një lëndë ushqyese thelbësore për rritjen e bimëve1. Sipas Liu3, Ni është gjetur të jetë elementi i 17-të i rëndësishëm i nevojshëm për zhvillimin dhe rritjen e bimëve. Përveç rolit të nikelit në zhvillimin dhe rritjen e bimëve, njerëzit kanë nevojë për të për një sërë aplikimesh. Elektrogalvanizimi, prodhimi i lidhjeve me bazë nikeli, dhe prodhimi i pajisjeve të ndezjes dhe kandelave në industrinë e automobilave kërkojnë të gjitha përdorimin e nikelit në sektorë të ndryshëm industrialë. Përveç kësaj, lidhjet me bazë nikeli dhe artikujt e elektro-galvanizuar janë përdorur gjerësisht në enë kuzhine, aksesorë sallash vallëzimi, furnizime të industrisë ushqimore, pajisje elektrike, tela dhe kabllo, turbina reaktive, implante kirurgjikale, tekstile dhe ndërtim anijesh5. Nivelet e pasura me Ni në toka (domethënë, toka sipërfaqësore) i janë atribuar burimeve antropogjene dhe natyrore, por kryesisht, Ni është një burim natyror dhe jo antropogjen4,6. Burimet natyrore të nikelit përfshijnë shpërthimet vullkanike, bimësinë, zjarret në pyje dhe proceset gjeologjike; megjithatë, burimet antropogjene përfshijnë bateritë nikel/kadmium në industrinë e çelikut, elektro-galvanizimin, saldimin me hark, naftën dhe vajrat e karburantit, dhe emetimet atmosferike nga djegia e qymyrit dhe djegia e mbeturinave dhe llumit. Akumulimi i nikelit7,8. Sipas Freedman dhe Hutchinson9 dhe Manyiwa et al. 10, burimet kryesore të ndotjes së shtresës sipërfaqësore të tokës në mjedisin e menjëhershëm dhe ngjitur janë kryesisht shkritoret dhe minierat me bazë nikeli-bakri. Shtresa sipërfaqësore e tokës përreth rafinerisë së nikelit-bakrit Sudbury në Kanada kishte nivelet më të larta të ndotjes së nikelit me 26,000 mg/kg11. Në të kundërt, ndotja nga prodhimi i nikelit në Rusi ka rezultuar në përqendrime më të larta të nikelit në tokën norvegjeze11. Sipas Alms et al. 12, sasia e nikelit të nxjerrë nga HNO3 në tokën më të punueshme të rajonit (prodhimi i nikelit në Rusi) varionte nga 6.25 në 136.88 mg/kg, që korrespondon me një mesatare prej 30.43 mg/kg dhe një përqendrim bazë prej 25 mg/kg. Sipas kabata 11, aplikimi i plehrave të fosforit në tokat bujqësore në tokat urbane ose peri-urbane gjatë sezoneve të njëpasnjëshme të mbjelljeve mund të injektojë ose kontaminojë tokën. Efektet e mundshme të nikelit tek njerëzit mund të çojnë në kancer përmes mutagjenezës, dëmtimit kromozomal, gjenerimit të ADN-së Z, riparimit të bllokuar të prerjes së ADN-së ose proceseve epigjenetike 13. Në eksperimentet me kafshë, është zbuluar se nikeli ka potencialin të shkaktojë një sërë tumoresh, dhe komplekset kancerogjene të nikelit mund t'i përkeqësojnë tumore të tilla.
Vlerësimet e kontaminimit të tokës kanë lulëzuar kohët e fundit për shkak të një game të gjerë çështjesh që lidhen me shëndetin që rrjedhin nga marrëdhëniet tokë-bimë, toka dhe marrëdhëniet biologjike të tokës, degradimi ekologjik dhe vlerësimi i ndikimit në mjedis. Deri më sot, parashikimi hapësinor i elementëve potencialisht toksikë (PTE) si Ni në tokë ka qenë i mundimshëm dhe kërkon shumë kohë duke përdorur metoda tradicionale. Ardhja e hartëzimit dixhital të tokës (DSM) dhe suksesi i saj aktual15 kanë përmirësuar shumë hartëzimin parashikues të tokës (PSM). Sipas Minasny dhe McBratney16, hartëzimi parashikues i tokës (DSM) është provuar të jetë një nëndisiplinë e shquar e shkencës së tokës. Lagacherie dhe McBratney, 2006 e përcaktojnë DSM si "krijimin dhe mbushjen e sistemeve hapësinore të informacionit të tokës përmes përdorimit të metodave vëzhguese in situ dhe laboratorike dhe sistemeve hapësinore dhe jo-hapësinore të inferencës së tokës". McBratney et al. 17 përshkruajnë se DSM ose PSM bashkëkohore është teknika më efektive për parashikimin ose hartëzimin e shpërndarjes hapësinore të PTE-ve, llojeve të tokës dhe vetive të tokës. Gjeostatistika dhe Algoritmet e Mësimit Automatik (MLA) janë teknika modelimi DSM që krijojnë harta të dixhitalizuara me ndihmën e kompjuterëve duke përdorur të dhëna të rëndësishme dhe minimale.
Deutsch18 dhe Olea19 e përkufizojnë gjeostatistikën si "mbledhjen e teknikave numerike që merren me përfaqësimin e atributeve hapësinore, duke përdorur kryesisht modele stokastike, siç është mënyra se si analiza e serive kohore karakterizon të dhënat kohore". Kryesisht, gjeostatistika përfshin vlerësimin e variogrameve, të cilat lejojnë përcaktimin sasior dhe të varësive të vlerave hapësinore nga secili grup të dhënash20. Gumiaux et al. 20 ilustrojnë më tej se vlerësimi i variogrameve në gjeostatistikë bazohet në tre parime, duke përfshirë (a) llogaritjen e shkallës së korrelacionit të të dhënave, (b) identifikimin dhe llogaritjen e anizotropisë në mospërputhjen e të dhënave dhe (c) përveç marrjes në konsideratë të gabimit të natyrshëm të të dhënave të matjes të ndara nga efektet lokale, vlerësohen edhe efektet e zonës. Duke u bazuar në këto koncepte, në gjeostatistikë përdoren shumë teknika interpolimi, duke përfshirë krigingun e përgjithshëm, bashkë-krigingun, krigingun e zakonshëm, krigingun empirik Bayesian, metodën e thjeshtë të krigingut dhe teknika të tjera të njohura të interpolimit për të hartëzuar ose parashikuar PTE-në, karakteristikat e tokës dhe llojet e tokës.
Algoritmet e Mësimit Automatik (MLA) janë një teknikë relativisht e re që përdor klasa më të mëdha të të dhënave jo-lineare, të nxitura nga algoritme të përdorura kryesisht për nxjerrjen e të dhënave, identifikimin e modeleve në të dhëna dhe të aplikuara në mënyrë të përsëritur për klasifikimin në fusha shkencore si shkenca e tokës dhe detyrat e kthimit. Punime të shumta kërkimore mbështeten në modelet MLA për të parashikuar PTE në toka, të tilla si Tan et al. 22 (pyjet e rastësishme për vlerësimin e metaleve të rënda në tokat bujqësore), Sakizadeh et al. 23 (modelimi duke përdorur makina vektoriale mbështetëse dhe rrjete nervore artificiale) ndotja e tokës). Përveç kësaj, Vega et al. 24 (CART për modelimin e mbajtjes dhe adsorbimit të metaleve të rënda në tokë), Sun et al. 25 (zbatimi i kubizmit është shpërndarja e Cd në tokë) dhe algoritme të tjera të tilla si k-fqini më i afërt, regresioni i përforcuar i përgjithësuar dhe Pemët e regresionit të përforcuar gjithashtu aplikuan MLA për të parashikuar PTE në tokë.
Zbatimi i algoritmeve DSM në parashikim ose hartëzim përballet me disa sfida. Shumë autorë besojnë se MLA është superiore ndaj gjeostatistikës dhe anasjelltas. Edhe pse njëra është më e mirë se tjetra, kombinimi i të dyjave përmirëson nivelin e saktësisë së hartëzimit ose parashikimit në DSM15. Woodcock dhe Gopal26 Finke27; Pontius dhe Cheuk28 dhe Grunwald29 komentojnë mbi mangësitë dhe disa gabime në hartëzimin e parashikuar të tokës. Shkencëtarët e tokës kanë provuar një sërë teknikash për të optimizuar efektivitetin, saktësinë dhe parashikueshmërinë e hartëzimit dhe parashikimit të DSM. Kombinimi i pasigurisë dhe verifikimit është një nga shumë aspekte të ndryshme të integruara në DSM për të optimizuar efektivitetin dhe për të zvogëluar defektet. Megjithatë, Agyeman et al. 15 përshkruajnë se sjellja e validimit dhe pasiguria e futur nga krijimi dhe parashikimi i hartës duhet të validohen në mënyrë të pavarur për të përmirësuar cilësinë e hartës. Kufizimet e DSM janë për shkak të cilësisë së tokës të shpërndarë gjeografikisht, e cila përfshin një komponent të pasigurisë; Megjithatë, mungesa e sigurisë në DSM mund të lindë nga burime të shumta gabimi, përkatësisht gabimi kovariant, gabimi i modelit, gabimi i vendndodhjes dhe Gabimi analitik 31. Pasaktësitë e modelimit të shkaktuara në MLA dhe proceset gjeostatistikore shoqërohen me mungesë të të kuptuarit, duke çuar në fund të fundit në thjeshtësimin e tepruar të procesit real 32. Pavarësisht nga natyra e modelimit, pasaktësitë mund t'i atribuohen parametrave të modelimit, parashikimeve të modelit matematikor ose interpolimit 33. Kohët e fundit, është shfaqur një trend i ri i DSM që promovon integrimin e gjeostatistikës dhe MLA-së në hartëzim dhe parashikim. Disa shkencëtarë dhe autorë të tokës, si Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 dhe Tarasov et al. 37 kanë shfrytëzuar cilësinë e saktë të gjeostatistikës dhe të të mësuarit automatik për të gjeneruar modele hibride që përmirësojnë efikasitetin e parashikimit dhe hartëzimit. cilësi. Disa nga këto modele algoritmesh hibride ose të kombinuara janë Kriging i Rrjetit Neuronal Artificial (ANN-RK), Kriging i Mbetur i Perceptronit Shumështresor (MLP-RK), Kriging i Mbetur i Rrjetit Neuronal të Regresionit të Përgjithshëm (GR-NNRK)36, Kriging i Rrjetit Neuronal Artificial - Perceptron Shumështresor (ANN-K-MLP)37 dhe Bashkë-Kriging dhe Regresioni i Procesit Gaussian38.
Sipas Sergeev et al., kombinimi i teknikave të ndryshme të modelimit ka potencialin për të eliminuar defektet dhe për të rritur efikasitetin e modelit hibrid që rezulton në vend të zhvillimit të modelit të tij të vetëm. Në këtë kontekst, ky punim i ri argumenton se është e nevojshme të aplikohet një algoritëm i kombinuar i gjeostatistikës dhe MLA-së për të krijuar modele optimale hibride për të parashikuar pasurimin e Ni në zonat urbane dhe periurbane. Ky studim do të mbështetet në Kriging Empirik Bayesian (EBK) si model bazë dhe do ta përziejë atë me Makinën Vektoriale Mbështetëse (SVM) dhe modelet e Regresionit Linear të Shumëfishtë (MLR). Hibridizimi i EBK me çdo MLA nuk dihet. Modelet e shumëfishta të përziera të vërejtura janë kombinime të Kriging të zakonshëm, rezidual, të regresionit dhe MLA-së. EBK është një metodë interpolimi gjeostatistik që përdor një proces hapësinor stokastik që lokalizohet si një fushë e rastësishme jo-stacionare/stacionare me parametra të përcaktuar lokalizimi mbi fushë, duke lejuar variacion hapësinor39. EBK është përdorur në një sërë studimesh, duke përfshirë analizimin e shpërndarjes së karbonit organik në tokat bujqësore40, vlerësimin e ndotjes së tokës41 dhe hartëzimin e vetive të tokës42.
Nga ana tjetër, Grafiku Vetë-Organizues (SeOM) është një algoritëm mësimi që është aplikuar në artikuj të ndryshëm si Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 dhe Kebonye et al. 46 Përcaktoni atributet hapësinore dhe grupimin e elementeve. Wang et al. 44 përshkruajnë se SeOM është një teknikë e fuqishme mësimi e njohur për aftësinë e saj për të grupuar dhe imagjinuar probleme jolineare. Ndryshe nga teknikat e tjera të njohjes së modeleve si analiza e komponentëve kryesorë, grupimi fuzzy, grupimi hierarkik dhe vendimmarrja me shumë kritere, SeOM është më i mirë në organizimin dhe identifikimin e modeleve PTE. Sipas Wang et al. 44, SeOM mund të grupojë në mënyrë hapësinore shpërndarjen e neuroneve të lidhura dhe të ofrojë vizualizim të të dhënave me rezolucion të lartë. SeOM do të vizualizojë të dhënat e parashikimit Ni për të marrë modelin më të mirë për të karakterizuar rezultatet për interpretim të drejtpërdrejtë.
Ky punim synon të gjenerojë një model të fuqishëm hartëzimi me saktësi optimale për parashikimin e përmbajtjes së nikelit në tokat urbane dhe peri-urbane. Ne hipotetizojmë se besueshmëria e modelit të përzier varet kryesisht nga ndikimi i modeleve të tjera të bashkangjitura në modelin bazë. Ne pranojmë sfidat me të cilat përballet DSM, dhe ndërsa këto sfida po adresohen në fronte të shumëfishta, kombinimi i përparimeve në gjeostatistikë dhe modelet MLA duket të jetë në rritje; prandaj, ne do të përpiqemi t'u përgjigjemi pyetjeve kërkimore që mund të japin modele të përziera. Megjithatë, sa i saktë është modeli në parashikimin e elementit të synuar? Gjithashtu, cili është niveli i vlerësimit të efikasitetit bazuar në vlerësimin e validimit dhe saktësisë? Prandaj, qëllimet specifike të këtij studimi ishin (a) të krijonin një model të kombinuar përzierjeje për SVMR ose MLR duke përdorur EBK si model bazë, (b) të krahasonin modelet që rezultojnë (c) të propozonin modelin më të mirë të përzierjes për parashikimin e përqendrimeve të Ni në tokat urbane ose peri-urbane, dhe (d) aplikimi i SeOM për të krijuar një hartë me rezolucion të lartë të variacionit hapësinor të nikelit.
Studimi po kryhet në Republikën Çeke, konkretisht në distriktin Frydek Mistek në rajonin Moravia-Silesian (shih Figurën 1). Gjeografia e zonës së studimit është shumë e ashpër dhe është kryesisht pjesë e rajonit Moravia-Silesian Beskidy, i cili është pjesë e skajit të jashtëm të Maleve Karpate. Zona e studimit ndodhet midis 49° 41′ 0′ N dhe 18° 20′ 0′ E, dhe lartësia është midis 225 dhe 327 m; Megjithatë, sistemi i klasifikimit Koppen për gjendjen klimatike të rajonit vlerësohet si Cfb = klimë oqeanike e butë. Ka shumë reshje shiu edhe në muajt e thatë. Temperaturat ndryshojnë pak gjatë gjithë vitit midis -5 °C dhe 24 °C, rrallë duke rënë nën -14 °C ose mbi 30 °C, ndërsa reshjet mesatare vjetore janë midis 685 dhe 752 mm47. Sipërfaqja e vlerësuar e studimit të të gjithë zonës është 1,208 kilometra katrorë, me 39.38% të tokës së kultivuar dhe 49.36% të mbulesës pyjore. Nga ana tjetër, zona e përdorur në këtë studim është rreth 889.8 kilometra katrorë. Në dhe përreth Ostravës, industria e çelikut dhe punimet metalike janë shumë aktive. Fabrikat metalike, industria e çelikut ku nikeli përdoret në çelik inox (p.sh. për rezistencë ndaj korrozionit atmosferik) dhe çelikët e aliazhit (nikeli rrit forcën e aliazhit duke ruajtur duktilitetin dhe fortësinë e tij të mirë), dhe bujqësia intensive siç është aplikimi i plehrave fosfatike dhe prodhimi blegtoral janë burime potenciale kërkimore të nikelit në rajon. (p.sh., shtimi i nikelit te qengjat për të rritur shkallën e rritjes te qengjat dhe bagëtitë me pak ushqyerje). Përdorime të tjera industriale të nikelit në fushat e kërkimit përfshijnë përdorimin e tij në elektrogalvanizim, duke përfshirë elektrogalvanizimin e nikelit dhe proceset e veshjes pa nikel. Vetitë e tokës dallohen lehtësisht nga ngjyra, struktura dhe përmbajtja e karbonatit të tokës. Tekstura e tokës është mesatare deri e imët, e nxjerrë nga materiali mëmë. Ato janë me natyrë koluviale, aluviale ose eoliane. Disa zona të tokës duken të njollosura në sipërfaqe dhe nëntokë, shpesh me beton dhe zbardhues. Megjithatë, kambisolet dhe stagnosolet janë llojet më të zakonshme të tokës në rajon48. Me lartësi që variojnë nga 455.1 në 493.5 m, kambisolet dominojnë Republikën Çeke49.
Harta e zonës së studimit [Harta e zonës së studimit u krijua duke përdorur ArcGIS Desktop (ESRI, Inc, versioni 10.7, URL: https://desktop.arcgis.com).]
Një total prej 115 mostrash të shtresës sipërfaqësore të tokës u morën nga tokat urbane dhe peri-urbane në rrethin Frydek Mistek. Modeli i mostrës së përdorur ishte një rrjetë e rregullt me ​​mostra dheu të vendosura 2 × 2 km larg njëra-tjetrës, dhe shtresa sipërfaqësore e tokës u mat në një thellësi prej 0 deri në 20 cm duke përdorur një pajisje GPS dore (Leica Zeno 5 GPS). Mostrat paketohen në qese Ziploc, etiketohen siç duhet dhe dërgohen në laborator. Mostrat u thanë në ajër për të prodhuar mostra të pluhurosura, u pluhurizuan nga një sistem mekanik (mulli me disk Fritsch) dhe u sitën (madhësia e sitës 2 mm). Vendosni 1 gram mostra dheu të thata, të homogjenizuara dhe të situra në shishe tefloni të etiketuara qartë. Në secilën enë tefloni, shpërndani 7 ml HCl 35% dhe 3 ml HNO3 65% (duke përdorur një shpërndarës automatik - një për secilin acid), mbulojeni lehtë dhe lërini mostrat të qëndrojnë gjatë natës për reagimin (programi aqua regia). Vendosni supernatantin në një pllakë metalike të nxehtë (temperatura: 100 W dhe 160 °C) për 2 orë për të lehtësuar procesin e tretjes së mostrave, pastaj ftohini. Transferoni supernatantin në një balonë volumetrike 50 ml dhe hollojeni në 50 ml me ujë të dejonizuar. Pas kësaj, filtroni supernatantin e holluar në një tub PVC 50 ml me ujë të dejonizuar. Përveç kësaj, 1 ml e tretësirës së hollimit u hollua me 9 ml ujë të dejonizuar dhe u filtrua në një tub 12 ml të përgatitur për pseudo-përqendrim PTE. Përqendrimet e PTE-ve (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) u përcaktuan nga ICP-OES (Spektroskopia e Emetimit Optik të Plazmës së Lidhur Induktivisht) (Thermo Fisher Scientific, SHBA) sipas metodave standarde dhe marrëveshjeve. Siguroni procedurat e Sigurimit dhe Kontrollit të Cilësisë (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-të me kufij zbulimi nën gjysmën u përjashtuan nga ky studim. Kufiri i zbulimit të PTE-së i përdorur në këtë studim ishte 0.0004. (ju). Përveç kësaj, procesi i kontrollit të cilësisë dhe sigurimit të cilësisë për secilën analizë sigurohet duke analizuar standardet referuese. Për të siguruar që gabimet të minimizohen, u krye një analizë e dyfishtë.
Krigimi Empirik Bayesian (EBK) është një nga shumë teknikat e interpolimit gjeostatistikor të përdorura në modelim në fusha të ndryshme si shkenca e tokës. Ndryshe nga teknikat e tjera të interpolimit të Kriging, EBK ndryshon nga metodat tradicionale të Kriging duke marrë në konsideratë gabimin e vlerësuar nga modeli i gjysmëvariogramit. Në interpolimin EBK, disa modele gjysmëvariogrami llogariten gjatë interpolimit, në vend të një gjysmëvariogrami të vetëm. Teknikat e interpolimit i hapin rrugën pasigurisë dhe programimit të lidhur me këtë paraqitje të gjysmëvariogramit që përbën një pjesë shumë komplekse të një metode të mjaftueshme të Kriging. Procesi i interpolimit të EBK ndjek tre kriteret e propozuara nga Krivoruchko50, (a) modeli vlerëson gjysmëvariogramin nga të dhënat hyrëse (b) vlerën e re të parashikuar për secilën vendndodhje të të dhënave hyrëse bazuar në gjysmëvariogramin e gjeneruar dhe (c) modeli përfundimtar A llogaritet nga një të dhëna e simuluar. Rregulli i ekuacionit Bayesian jepet si një ekuacion i pasmë.
Ku \(Prob\left(A\right)\) përfaqëson probabilitetin paraprak, \(Prob\left(B\right)\) probabiliteti marxhinal injorohet në shumicën e rasteve, \(Prob(B,A)\). Llogaritja e gjysmëvariogramës bazohet në rregullin e Bayes-it, i cili tregon prirjen e të dhënave të vëzhgimit që mund të krijohen nga gjysmëvariogramet. Vlera e gjysmëvariogramit përcaktohet më pas duke përdorur rregullin e Bayes-it, i cili thotë se sa e mundshme është të krijohet një grup të dhënash vëzhgimesh nga gjysmëvariogrami.
Një makinë vektoriale mbështetëse është një algoritëm i të mësuarit automatik që gjeneron një hiperplan optimal ndarës për të dalluar klasat identike, por jo linearisht të pavarura. Vapnik51 krijoi algoritmin e klasifikimit të qëllimit, por kohët e fundit është përdorur për të zgjidhur problemet e orientuara drejt regresionit. Sipas Li et al.52, SVM është një nga teknikat më të mira të klasifikuesit dhe është përdorur në fusha të ndryshme. Komponenti i regresionit të SVM (Regresioni i Makinës Vektoriale Mbështetëse - SVMR) u përdor në këtë analizë. Cherkassky dhe Mulier53 ishin pionierë të SVMR si një regresion i bazuar në bërthamë, llogaritja e të cilit u krye duke përdorur një model regresioni linear me funksione hapësinore shumëvendëshe. John et al.54 raportojnë se modelimi SVMR përdor regresion linear të hiperplanit, i cili krijon marrëdhënie jolineare dhe lejon funksione hapësinore. Sipas Vohland et al. 55, epsiloni (ε)-SVMR përdor të dhënat e trajnuara për të marrë një model përfaqësimi si një funksion i pandjeshëm ndaj epsilonit që zbatohet për të hartëzuar të dhënat në mënyrë të pavarur me paragjykimin më të mirë të epsilonit nga trajnimi në të dhënat e korreluara. Gabimi i distancës së paracaktuar injorohet nga vlera aktuale, dhe nëse gabimi është më i madh se ε(ε), vetitë e tokës e kompensojnë atë. Modeli gjithashtu zvogëlon kompleksitetin e të dhënave të trajnimit në një nëngrup më të gjerë të vektorëve mbështetës. Ekuacioni i propozuar nga Vapnik51 tregohet më poshtë.
ku b përfaqëson pragun skalar, \(K\left({x}_{,}{ x}_{k}\right)\) përfaqëson funksionin e bërthamës, \(\alpha\) përfaqëson shumëzuesin e Lagranzhit, N përfaqëson një grup të dhënash numerike, \({x}_{k}\) përfaqëson hyrjen e të dhënave dhe \(y\) është dalja e të dhënave. Një nga bërthamat kryesore të përdorura është operacioni SVMR, i cili është një funksion bazë radial Gaussian (RBF). Bërthama RBF zbatohet për të përcaktuar modelin optimal SVMR, i cili është kritik për të marrë faktorin më delikat të grupit të penalizimit C dhe parametrin gama të bërthamës (γ) për të dhënat e trajnimit PTE. Së pari, ne vlerësuam grupin e trajnimit dhe më pas testuam performancën e modelit në grupin e validimit. Parametri i drejtimit të përdorur është sigma dhe vlera e metodës është svmRadial.
Një model regresioni linear i shumëfishtë (MLR) është një model regresioni që përfaqëson marrëdhënien midis variablit të përgjigjes dhe një numri variablash parashikues duke përdorur parametra linearë të grumbulluar të llogaritur duke përdorur metodën e katrorëve më të vegjël. Në MLR, një model i katrorëve më të vegjël është një funksion parashikues i vetive të tokës pas përzgjedhjes së variablave shpjeguese. Është e nevojshme të përdoret përgjigja për të vendosur një marrëdhënie lineare duke përdorur variabla shpjeguese. PTE u përdor si variabël përgjigjeje për të vendosur një marrëdhënie lineare me variablat shpjeguese. Ekuacioni MLR është
ku y është variabli i përgjigjes, \(a\) është ndërprerësi, n është numri i parashikuesve, \({b}_{1}\) është regresioni i pjesshëm i koeficientëve, \({x}_{i}\) përfaqëson një variabël parashikues ose shpjegues, dhe \({\varepsilon }_{i}\) përfaqëson gabimin në model, i njohur edhe si mbetja.
Modelet e përziera u morën duke bashkuar EBK-në me SVMR dhe MLR. Kjo bëhet duke nxjerrë vlerat e parashikuara nga interpolimi EBK. Vlerat e parashikuara të marra nga Ca, K dhe Mg të interpoluara merren përmes një procesi kombinator për të marrë variabla të rinj, të tillë si CaK, CaMg dhe KMg. Elementet Ca, K dhe Mg kombinohen më pas për të marrë një variabël të katërt, CaKMg. Në përgjithësi, variablat e marra janë Ca, K, Mg, CaK, CaMg, KMg dhe CaKMg. Këto variabla u bënë parashikuesit tanë, duke ndihmuar në parashikimin e përqendrimeve të nikelit në tokat urbane dhe periurbane. Algoritmi SVMR u krye në parashikuesit për të marrë një model të përzier Empirike Bayesian Kriging-Mbështetëse Vektoriale Makinë (EBK_SVM). Në mënyrë të ngjashme, variablat gjithashtu kalojnë përmes algoritmit MLR për të marrë një model të përzier Empirike Bayesian Kriging-Regresion Linear i Shumëfishtë (EBK_MLR). Zakonisht, variablat Ca, K, Mg, CaK, CaMg, KMg dhe CaKMg përdoren si kovariante si parashikues të përmbajtjes së Ni në tokat urbane dhe periurbane. Modeli më i pranueshëm i përftuar (EBK_SVM ose EBK_MLR) do të vizualizohet më pas duke përdorur një grafik vetëorganizues. Fluksi i punës i këtij studimi tregohet në Figurën 2.
Përdorimi i SeOM është bërë një mjet popullor për organizimin, vlerësimin dhe parashikimin e të dhënave në sektorin financiar, kujdesin shëndetësor, industrinë, statistikat, shkencën e tokës dhe më shumë. SeOM është krijuar duke përdorur rrjete nervore artificiale dhe metoda të të mësuarit pa mbikëqyrje për organizimin, vlerësimin dhe parashikimin. Në këtë studim, SeOM u përdor për të vizualizuar përqendrimet e Ni bazuar në modelin më të mirë për parashikimin e Ni në tokat urbane dhe periurbane. Të dhënat e përpunuara në vlerësimin SeOM përdoren si n variabla vektoriale dimensionale hyrëse43,56. Melssen et al. 57 përshkruajnë lidhjen e një vektori hyrës në një rrjet nervor përmes një shtrese të vetme hyrëse në një vektor dalës me një vektor të vetëm peshe. Dalja e gjeneruar nga SeOM është një hartë dy-dimensionale e përbërë nga neurone ose nyje të ndryshme të endura në harta topologjike gjashtëkëndore, rrethore ose katrore sipas afërsisë së tyre. Duke krahasuar madhësitë e hartave bazuar në metrikë, gabimin e kuantizimit (QE) dhe gabimin topografik (TE), zgjidhet modeli SeOM me 0.086 dhe 0.904, përkatësisht, i cili është një njësi me 55 harta (5 × 11). Struktura e neuronit përcaktohet sipas numrit të nyjeve në ekuacionin empirik.
Numri i të dhënave të përdorura në këtë studim është 115 mostra. Një qasje e rastësishme u përdor për të ndarë të dhënat në të dhëna testimi (25% për validim) dhe grupe të dhënash trajnimi (75% për kalibrim). Seti i të dhënave të trajnimit përdoret për të gjeneruar modelin e regresionit (kalibrim), dhe seti i të dhënave të testimit përdoret për të verifikuar aftësinë e përgjithësimit58. Kjo u bë për të vlerësuar përshtatshmërinë e modeleve të ndryshme për parashikimin e përmbajtjes së nikelit në toka. Të gjitha modelet e përdorura kaluan nëpër një proces dhjetëfish të validimit të kryqëzuar, të përsëritur pesë herë. Variablat e prodhuara nga interpolimi EBK përdoren si parashikues ose variabla shpjegues për të parashikuar variablin e synuar (PTE). Modelimi trajtohet në RStudio duke përdorur paketat library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") dhe libraritë ("Metrics").
Parametra të ndryshëm validimi u përdorën për të përcaktuar modelin më të mirë të përshtatshëm për parashikimin e përqendrimeve të nikelit në tokë dhe për të vlerësuar saktësinë e modelit dhe validimin e tij. Modelet e hibridizimit u vlerësuan duke përdorur gabimin mesatar absolut (MAE), gabimin rrënjësor mesatar katror (RMSE) dhe përcaktimin e koeficientit R-katror ose R2. R2 përcakton variancën e proporcioneve në përgjigje, të përfaqësuar nga modeli i regresionit. RMSE dhe madhësia e variancës në matje të pavarura përshkruajnë fuqinë parashikuese të modelit, ndërsa MAE përcakton vlerën sasiore aktuale. Vlera R2 duhet të jetë e lartë për të vlerësuar modelin më të mirë të përzierjes duke përdorur parametrat e validimit, sa më afër që është vlera me 1, aq më e lartë është saktësia. Sipas Li et al. 59, një vlerë e kriterit R2 prej 0.75 ose më e madhe konsiderohet një parashikues i mirë; nga 0.5 në 0.75 është performanca e pranueshme e modelit, dhe nën 0.5 është performanca e papranueshme e modelit. Kur zgjidhet një model duke përdorur metodat e vlerësimit të kritereve të validimit RMSE dhe MAE, vlerat më të ulëta të marra ishin të mjaftueshme dhe u konsideruan si zgjedhja më e mirë. Ekuacioni i mëposhtëm përshkruan metodën e verifikimit.
ku n përfaqëson madhësinë e vlerës së vëzhguar\({Y}_{i}\) përfaqëson përgjigjen e matur, dhe \({\widehat{Y}}_{i}\) gjithashtu përfaqëson vlerën e parashikuar të përgjigjes, pra, për vëzhgimet e para i.
Përshkrimet statistikore të variablave parashikues dhe të përgjigjes paraqiten në Tabelën 1, duke treguar mesataren, devijimin standard (SD), koeficientin e variacionit (CV), minimumin, maksimumin, kurtozën dhe shtrembërimin. Vlerat minimale dhe maksimale të elementëve janë në rend zbritës të Mg < Ca < K < Ni dhe Ca < Mg < K < Ni, përkatësisht. Përqendrimet e variablit të përgjigjes (Ni) të marra nga zona e studimit varionin nga 4.86 në 42.39 mg/kg. Krahasimi i Ni me mesataren botërore (29 mg/kg) dhe mesataren evropiane (37 mg/kg) tregoi se mesatarja gjeometrike e përgjithshme e llogaritur për zonën e studimit ishte brenda diapazonit të tolerueshëm. Megjithatë, siç tregohet nga Kabata-Pendias11, një krahasim i përqendrimit mesatar të nikelit (Ni) në studimin aktual me tokat bujqësore në Suedi tregon se përqendrimi mesatar aktual i nikelit është më i lartë. Po kështu, përqendrimi mesatar i Frydek Mistek në tokat urbane dhe peri-urbane në studimin aktual (Ni 16.15 mg/kg) ishte më i lartë se Kufiri i lejuar prej 60 (10.2 mg/kg) për Ni në tokat urbane polake të raportuara nga Różański et al. Për më tepër, Bretzel dhe Calderisi61 regjistruan përqendrime mesatare shumë të ulëta të Ni (1.78 mg/kg) në tokat urbane në Toskanë krahasuar me studimin aktual. Jim62 gjithashtu gjeti një përqendrim më të ulët të nikelit (12.34 mg/kg) në tokat urbane të Hong Kongut, i cili është më i ulët se përqendrimi aktual i nikelit në këtë studim. Birke et al63 raportuan një përqendrim mesatar të Ni prej 17.6 mg/kg në një zonë të vjetër minierash dhe industriale urbane në Saksoni-Anhalt, Gjermani, i cili ishte 1.45 mg/kg më i lartë se përqendrimi mesatar i Ni në zonë (16.15 mg/kg). Hulumtimi aktual. Përmbajtja e tepërt e nikelit në toka në disa zona urbane dhe periferike të zonës së studimit mund t'i atribuohet kryesisht industrisë së hekurit dhe çelikut dhe industrisë së metaleve. Kjo është në përputhje me studimin nga Khodadoust et al. 64 se industria e çelikut dhe përpunimi i metaleve janë burimet kryesore të ndotjes së nikelit në toka. Megjithatë, parashikuesit varionin gjithashtu nga 538.70 mg/kg në 69,161.80 mg/kg për Ca, 497.51 mg/kg në 3535.68 mg/kg për K, dhe 685.68 mg/kg në 5970.05 mg/kg për Mg. Jakovljevic et al. 65 hetuan përmbajtjen totale të Mg dhe K në tokat në Serbinë qendrore. Ata zbuluan se përqendrimet totale (përkatësisht 410 mg/kg dhe 400 mg/kg) ishin më të ulëta se përqendrimet e Mg dhe K të studimit aktual. Pa dallim, në Poloninë lindore, Orzechowski dhe Smolczynski66 vlerësuan përmbajtjen totale të Ca, Mg dhe K dhe treguan përqendrime mesatare të Ca (1100 mg/kg), Mg (590 mg/kg) dhe K (810 mg/kg). Përmbajtja në shtresën sipërfaqësore të tokës është më e ulët se elementi i vetëm në këtë studim. Një studim i kohëve të fundit nga Pongrac et al. 67 tregoi se përmbajtja totale e Ca e analizuar në 3 toka të ndryshme në Skoci, Mbretëria e Bashkuar (toka Mylnefield, toka Balruddery dhe toka Hartwood) tregoi një përmbajtje më të lartë të Ca në këtë studim.
Për shkak të përqendrimeve të ndryshme të matura të elementëve të marrë në mostër, shpërndarjet e të dhënave të elementëve shfaqin shtrembërime të ndryshme. Shtrembërimi dhe kurtoza e elementëve varionin përkatësisht nga 1.53 në 7.24 dhe nga 2.49 në 54.16. Të gjithë elementët e llogaritur kanë nivele shtrembërimi dhe kurtoze mbi +1, duke treguar kështu se shpërndarja e të dhënave është e parregullt, e shtrembër në drejtimin e duhur dhe me kulm. CV-të e vlerësuara të elementëve tregojnë gjithashtu se K, Mg dhe Ni shfaqin ndryshueshmëri të moderuar, ndërsa Ca ka ndryshueshmëri jashtëzakonisht të lartë. CV-të e K, Ni dhe Mg shpjegojnë shpërndarjen e tyre uniforme. Për më tepër, shpërndarja e Ca është jo-uniforme dhe burimet e jashtme mund të ndikojnë në nivelin e pasurimit të saj.
Korrelacioni i variablave parashikues me elementët e përgjigjes tregoi një korrelacion të kënaqshëm midis elementëve (shih Figurën 3). Korrelacioni tregoi se CaK shfaqi korrelacion të moderuar me vlerën r = 0.53, ashtu si edhe CaNi. Megjithëse Ca dhe K tregojnë lidhje modeste me njëri-tjetrin, studiues të tillë si Kingston et al. 68 dhe Santo69 sugjerojnë që nivelet e tyre në tokë janë në përpjesëtim të zhdrejtë. Megjithatë, Ca dhe Mg janë antagonistë ndaj K, por CaK korrelon mirë. Kjo mund të jetë për shkak të aplikimit të plehrave si karbonati i kaliumit, i cili është 56% më i lartë në kalium. Kaliumi ishte i korreluar në mënyrë të moderuar me magnezin (KM r = 0.63). Në industrinë e plehrave, këto dy elementë janë të lidhur ngushtë sepse sulfati i magnezit të kaliumit, nitrat i magnezit të kaliumit dhe potasi aplikohen në toka për të rritur nivelet e tyre të mungesës. Nikeli është i korreluar në mënyrë të moderuar me Ca, K dhe Mg me vlera r = 0.52, 0.63 dhe 0.55, përkatësisht. Marrëdhëniet që përfshijnë kalciumin, magnezin dhe PTE-të si nikeli janë komplekse, por megjithatë, magnezi pengon thithjen e kalciumit, kalciumi zvogëlon efektet e magnezit të tepërt, dhe si magnezi ashtu edhe kalciumi zvogëlojnë efektet toksike të nikelit në tokë.
Matrica e korrelacionit për elementët që tregon marrëdhënien midis parashikuesve dhe përgjigjeve (Shënim: kjo figurë përfshin një grafik shpërndarjeje midis elementëve, nivelet e rëndësisë bazohen në p < 0,001).
Figura 4 ilustron shpërndarjen hapësinore të elementeve. Sipas Burgos et al.70, zbatimi i shpërndarjes hapësinore është një teknikë e përdorur për të përcaktuar sasinë dhe nxjerrë në pah pikat e nxehta në zonat e ndotura. Nivelet e pasurimit të Ca në Fig. 4 mund të shihen në pjesën veriperëndimore të hartës së shpërndarjes hapësinore. Figura tregon pikat e nxehta të pasurimit të Ca nga mesatarja deri në të lartë. Pasurimi i kalciumit në veriperëndim të hartës ka të ngjarë të jetë për shkak të përdorimit të gëlqeres së pashuar (oksid kalciumi) për të zvogëluar aciditetin e tokës dhe përdorimit të saj në fabrikat e çelikut si oksigjen alkalik në procesin e prodhimit të çelikut. Nga ana tjetër, fermerë të tjerë preferojnë të përdorin hidroksid kalciumi në toka acidike për të neutralizuar pH-in, i cili gjithashtu rrit përmbajtjen e kalciumit në tokë71. Kaliumi gjithashtu tregon pika të nxehta në veriperëndim dhe në lindje të hartës. Veriperëndimi është një komunitet i madh bujqësor, dhe modeli i moderuar deri në të lartë i kaliumit mund të jetë për shkak të aplikimeve të NPK dhe potasë. Kjo është në përputhje me studime të tjera, të tilla si Madaras dhe Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, të cilët vunë re se toka Stabilizimi dhe trajtimi me KCl dhe NPK rezultuan në përmbajtje të lartë të Kaliumit në tokë. Pasurimi hapësinor i kaliumit në veriperëndim të hartës së shpërndarjes mund të jetë për shkak të përdorimit të plehrave me bazë kaliumi, siç janë kloruri i kaliumit, sulfati i kaliumit, nitrat kaliumi, kaliumi dhe potasiumi për të rritur përmbajtjen e kaliumit në tokat e varfra. Zádorová et al. 76 dhe Tlustoš et al. 77 përshkroi se aplikimi i plehrave me bazë K rriti përmbajtjen e K në tokë dhe do të rriste ndjeshëm përmbajtjen e lëndëve ushqyese të tokës në planin afatgjatë, veçanërisht K dhe Mg që tregojnë një pikë të nxehtë në tokë. Pika të nxehta relativisht të moderuara në veriperëndim të hartës dhe juglindje të hartës. Fiksimi koloidal në tokë pakëson përqendrimin e magnezit në tokë. Mungesa e tij në tokë bën që bimët të shfaqin klorozë të verdhë në venat e ndërmjetme. Plehrat me bazë magnezi, të tilla si sulfati i magnezit të kaliumit, sulfati i magnezit dhe kieseriti, trajtojnë mangësitë (bimët duken vjollcë, të kuqe ose kafe, duke treguar mungesë magnezi) në toka me një gamë normale pH6. Akumulimi i nikelit në sipërfaqet e tokës urbane dhe peri-urbane mund të jetë për shkak të aktiviteteve antropogjene siç është bujqësia dhe rëndësia e nikelit në prodhimin e çelikut inox78.
Shpërndarja hapësinore e elementeve [harta e shpërndarjes hapësinore u krijua duke përdorur ArcGIS Desktop (ESRI, Inc, Versioni 10.7, URL: https://desktop.arcgis.com).]
Rezultatet e indeksit të performancës së modelit për elementët e përdorur në këtë studim tregohen në Tabelën 2. Nga ana tjetër, RMSE dhe MAE e Ni janë të dyja afër zeros (0.86 RMSE, -0.08 MAE). Nga ana tjetër, vlerat RMSE dhe MAE të K janë të pranueshme. Rezultatet e RMSE dhe MAE ishin më të mëdha për kalciumin dhe magnezin. Rezultatet e MAE dhe RMSE të Ca dhe K janë më të mëdha për shkak të grupeve të ndryshme të të dhënave. RMSE dhe MAE e këtij studimi duke përdorur EBK për të parashikuar Ni u gjetën të jenë më të mira se rezultatet e John et al. 54 duke përdorur kriging sinergjik për të parashikuar përqendrimet e S në tokë duke përdorur të njëjtat të dhëna të mbledhura. Rezultatet e EBK që studiuam korrespondojnë me ato të Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 dhe John et al. 82, veçanërisht K dhe Ni.
Performanca e metodave individuale për parashikimin e përmbajtjes së nikelit në tokat urbane dhe periurbane u vlerësua duke përdorur performancën e modeleve (Tabela 3). Validimi i modelit dhe vlerësimi i saktësisë konfirmuan se parashikuesi Ca_Mg_K i kombinuar me modelin EBK SVMR dha performancën më të mirë. Modeli i kalibrimit Ca_Mg_K-EBK_SVMR modeli R2, gabimi mesatar i rrënjës katrore (RMSE) dhe gabimi mesatar absolut (MAE) ishin 0.637 (R2), 95.479 mg/kg (RMSE) dhe 77.368 mg/kg (MAE). Ca_Mg_K-SVMR ishte 0.663 (R2), 235.974 mg/kg (RMSE) dhe 166.946 mg/kg (MAE). Megjithatë, vlera të mira R2 u morën për Ca_Mg_K-SVMR (0.663 mg/kg R2) dhe Ca_Mg-EBK_SVMR (0.643 = R2); Rezultatet e tyre të RMSE dhe MAE ishin më të larta se ato për Ca_Mg_K-EBK_SVMR (R2 0.637) (shih Tabelën 3). Përveç kësaj, RMSE dhe MAE e modelit Ca_Mg-EBK_SVMR (RMSE = 1664.64 dhe MAE = 1031.49) janë përkatësisht 17.5 dhe 13.4, të cilat janë më të mëdha se ato të Ca_Mg_K-EBK_SVMR. Po kështu, RMSE dhe MAE e modelit Ca_Mg-K SVMR (RMSE = 235.974 dhe MAE = 166.946) janë 2.5 dhe 2.2 më të mëdha se ato të RMSE dhe MAE të Ca_Mg_K-EBK_SVMR, përkatësisht. Rezultatet e llogaritura të RMSE tregojnë se sa i përqendruar është grupi i të dhënave me vijën e përshtatjes më të mirë. U vunë re RSME dhe MAE më të larta. Sipas Kebonye et al. 46 dhe john et al. 54, sa më afër zeros të jenë RMSE dhe MAE, aq më të mira janë rezultatet. SVMR dhe EBK_SVMR kanë vlera më të larta të kuantizuara RSME dhe MAE. U vu re se vlerësimet RSME ishin vazhdimisht më të larta se vlerat MAE, duke treguar praninë e vlerave të jashtëzakonshme. Sipas Legates dhe McCabe83, masa në të cilën RMSE tejkalon gabimin mesatar absolut (MAE) rekomandohet si një tregues i pranisë së vlerave të jashtëzakonshme. Kjo do të thotë që sa më heterogjen të jetë grupi i të dhënave, aq më të larta janë vlerat MAE dhe RMSE. Saktësia e vlerësimit të validimit të kryqëzuar të modelit të përzier Ca_Mg_K-EBK_SVMR për parashikimin e përmbajtjes së Ni në tokat urbane dhe suburbane ishte 63.70%. Sipas Li et al. 59, ky nivel saktësie është një shkallë e pranueshme e performancës së modelit. Rezultatet e tanishme krahasohen me një studim të mëparshëm nga Tarasov et al. 36, modeli hibrid i të cilit krijoi MLPRK (Multilayer Perceptron Residual Kriging), i lidhur me indeksin e vlerësimit të saktësisë EBK_SVMR të raportuar në studimin aktual, RMSE (210) dhe MAE (167.5) ishte më i lartë se rezultatet tona në studimin aktual (RMSE 95.479, MAE 77.368). Megjithatë, kur krahasohet R2 i studimit aktual (0.637) me atë të Tarasov et al. 36 (0.544), është e qartë se koeficienti i përcaktimit (R2) është më i lartë në këtë model të përzier. Marzhi i gabimit (RMSE dhe MAE) (EBK SVMR) për modelin e përzier është dy herë më i ulët. Po kështu, Sergeev et al.34 regjistruan 0.28 (R2) për modelin hibrid të zhvilluar (Multilayer Perceptron Residual Kriging), ndërsa Ni në studimin aktual regjistroi 0.637 (R2). Niveli i saktësisë së parashikimit të këtij modeli (EBK SVMR) është 63.7%, ndërsa saktësia e parashikimit e marrë nga Sergeev et al. 34 është 28%. Harta përfundimtare (Fig. 5) e krijuar duke përdorur modelin EBK_SVMR dhe Ca_Mg_K si parashikues tregon parashikime të pikave të nxehta dhe të moderuara deri në nikelin në të gjithë zonën e studimit. Kjo do të thotë që përqendrimi i nikelit në zonën e studimit është kryesisht i moderuar, me përqendrime më të larta në disa zona specifike.
Harta përfundimtare e parashikimit përfaqësohet duke përdorur modelin hibrid EBK_SVMR dhe duke përdorur Ca_Mg_K si parashikues. [Harta e shpërndarjes hapësinore u krijua duke përdorur RStudio (versioni 1.4.1717: https://www.rstudio.com/).]
Në Figurën 6 paraqiten përqendrimet e PTE si një plan përbërjeje që përbëhet nga neurone individuale. Asnjë nga planet përbërëse nuk shfaqi të njëjtin model ngjyre siç tregohet. Megjithatë, numri i duhur i neuroneve për hartë të vizatuar është 55. SeOM prodhohet duke përdorur një larmi ngjyrash, dhe sa më të ngjashme të jenë modelet e ngjyrave, aq më të krahasueshme janë vetitë e mostrave. Sipas shkallës së tyre të saktë të ngjyrave, elementët individualë (Ca, K dhe Mg) treguan modele të ngjashme ngjyrash me neuronet e vetme të larta dhe shumicën e neuroneve të ulëta. Kështu, CaK dhe CaMg ndajnë disa ngjashmëri me neuronet e rendit shumë të lartë dhe modelet e ngjyrave të ulëta deri të moderuara. Të dy modelet parashikojnë përqendrimin e Ni në tokë duke shfaqur nuanca mesatare deri të larta të ngjyrave si e kuqja, portokallia dhe e verdha. Modeli KMg shfaq shumë modele me ngjyra të larta bazuar në përmasa të sakta dhe njolla me ngjyra të ulëta deri të mesme. Në një shkallë të saktë ngjyrash nga e ulëta në të lartë, modeli i shpërndarjes planare të komponentëve të modelit tregoi një model me ngjyra të larta që tregon përqendrimin potencial të nikelit në tokë (shih Figurën 4). Plani i komponentëve të modelit CakMg tregon një model të larmishëm ngjyrash nga e ulëta në të lartë sipas një ngjyre të saktë. shkallë. Për më tepër, parashikimi i përmbajtjes së nikelit (CakMg) nga modeli është i ngjashëm me shpërndarjen hapësinore të nikelit të treguar në Figurën 5. Të dy grafikët tregojnë përmasa të larta, të mesme dhe të ulëta të përqendrimeve të nikelit në tokat urbane dhe peri-urbane. Figura 7 përshkruan metodën e konturit në grupimin k-means në hartë, të ndarë në tre grupe bazuar në vlerën e parashikuar në secilin model. Metoda e konturit përfaqëson numrin optimal të grupeve. Nga 115 mostrat e tokës të mbledhura, kategoria 1 mori më shumë mostra toke, 74. Grupi 2 mori 33 mostra, ndërsa grupi 3 mori 8 mostra. Kombinimi i parashikuesit planar me shtatë përbërës u thjeshtua për të lejuar interpretimin e saktë të grupeve. Për shkak të proceseve të shumta antropogjene dhe natyrore që ndikojnë në formimin e tokës, është e vështirë të kesh modele të grupimeve të diferencuara siç duhet në një hartë SeOM të shpërndarë78.
Prodhimi i planit të komponentëve nga secila variabël e Makinës Empirike Bayesian të Mbështetjes së Vektorit (EBK_SVM_SeOM). [Hartat SeOM u krijuan duke përdorur RStudio (versioni 1.4.1717: https://www.rstudio.com/).]
Komponentë të ndryshëm të klasifikimit të klasterit [hartat SeOM u krijuan duke përdorur RStudio (versioni 1.4.1717: https://www.rstudio.com/).]
Studimi aktual ilustron qartë teknikat e modelimit për përqendrimet e nikelit në tokat urbane dhe peri-urbane. Studimi testoi teknika të ndryshme modelimi, duke kombinuar elementët me teknikat e modelimit, për të marrë mënyrën më të mirë për të parashikuar përqendrimet e nikelit në tokë. Karakteristikat hapësinore planare përbërëse SeOM të teknikës së modelimit shfaqën një model të lartë ngjyrash nga e ulëta në të larta në një shkallë të saktë ngjyrash, duke treguar përqendrimet e Ni në tokë. Megjithatë, harta e shpërndarjes hapësinore konfirmon shpërndarjen hapësinore planare të komponentëve të shfaqur nga EBK_SVMR (shih Figurën 5). Rezultatet tregojnë se modeli i regresionit të makinës së vektorit mbështetës (Ca Mg K-SVMR) parashikon përqendrimin e Ni në tokë si një model të vetëm, por parametrat e vlerësimit të validimit dhe saktësisë tregojnë gabime shumë të larta në aspektin e RMSE dhe MAE. Nga ana tjetër, teknika e modelimit e përdorur me modelin EBK_MLR është gjithashtu e gabuar për shkak të vlerës së ulët të koeficientit të përcaktimit (R2). Rezultate të mira u morën duke përdorur EBK SVMR dhe elementë të kombinuar (CaKMg) me gabime të ulëta RMSE dhe MAE me një saktësi prej 63.7%. Rezulton se kombinimi i algoritmit EBK me një Algoritmi i të mësuarit automatik mund të gjenerojë një algoritëm hibrid që mund të parashikojë përqendrimin e PTE-ve në tokë. Rezultatet tregojnë se përdorimi i Ca, Mg, K si parashikues për të parashikuar përqendrimet e Ni në zonën e studimit mund të përmirësojë parashikimin e Ni në toka. Kjo do të thotë që aplikimi i vazhdueshëm i plehrave me bazë nikeli dhe ndotja industriale e tokës nga industria e çelikut ka një tendencë për të rritur përqendrimin e nikelit në tokë. Ky studim zbuloi se modeli EBK mund të zvogëlojë nivelin e gabimit dhe të përmirësojë saktësinë e modelit të shpërndarjes hapësinore të tokës në tokat urbane ose peri-urbane. Në përgjithësi, ne propozojmë të aplikojmë modelin EBK-SVMR për të vlerësuar dhe parashikuar PTE në tokë; përveç kësaj, ne propozojmë të përdorim EBK për të hibridizuar me algoritme të ndryshme të të mësuarit automatik. Përqendrimet e Ni u parashikuan duke përdorur elementë si kovariante; megjithatë, përdorimi i më shumë kovarianteve do të përmirësonte shumë performancën e modelit, gjë që mund të konsiderohet një kufizim i punës aktuale. Një kufizim tjetër i këtij studimi është se numri i të dhënave është 115. Prandaj, nëse ofrohen më shumë të dhëna, performanca e metodës së propozuar të hibridizimit të optimizuar mund të përmirësohet.
PlantProbs.net. Nikeli në Bimë dhe Tokë https://plantprobs.net/plant/nutrientImbalances/sodium.html (Qasur më 28 Prill 2021).
Kasprzak, KS Nikeli përparon në toksikologjinë moderne mjedisore.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Një përmbledhje e burimeve të tij dhe toksikologjisë mjedisore. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Hyrja e ndotësve nga atmosfera dhe akumulimi në tokë dhe bimësi pranë një shkritoreje nikeli-bakri në Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metalet e rënda në tokë, bimë dhe rreziqet që lidhen me kullotjen e kafshëve ripërtypëse pranë minierës së bakrit-nikelit Selebi-Phikwe në Botsvana. rrethinat. Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementet gjurmë në tokë dhe… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Elementet gjurmë+në+toka+dhe+bimë.+botimi i 4-të.+New+York+%28NY%29%3A+CRC+Press&btnG= (Qasur më 24 nëntor 2020).
Almås, A., Singh, B., Bujqësi, TS-NJ e & 1995, e papërcaktuar. Efektet e industrisë ruse të nikelit në përqendrimet e metaleve të rënda në tokat bujqësore dhe kullotat në Soer-Varanger, Norvegji.agris.fao.org.
Nielsen, GD et al. Thithja dhe mbajtja e nikelit në ujin e pijshëm lidhen me marrjen e ushqimit dhe ndjeshmërinë ndaj nikelit. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Karcinogjeneza e nikelit, mutacioni, epigjenetika ose përzgjedhja. Mjedisi. Perspektiva e Shëndetit. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analiza e trendit të elementëve potencialisht toksikë: një rishikim bibliometrik. Gjeokimia Mjedisore dhe Shëndeti. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Hartimi Dixhital i Tokës: Një Histori e Shkurtër dhe Disa Mësime. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Në hartën dixhitale të tokës.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Modelimi Gjeostatistikor i Rezervuarëve,… – 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= (Qasur më 28 Prill 2021).