Хвала вам што сте посетили Nature.com. Верзија прегледача коју користите има ограничену подршку за CSS. За најбоље искуство, препоручујемо вам да користите ажурирани прегледач (или да искључите режим компатибилности у Internet Explorer-у). У међувремену, како бисмо осигурали континуирану подршку, приказиваћемо сајт без стилова и JavaScript-а.
Загађење земљишта је велики проблем изазван људским активностима. Просторна дистрибуција потенцијално токсичних елемената (ПТЕ) варира у већини урбаних и приурбаних подручја. Стога је тешко просторно предвидети садржај ПТЕ у таквим земљиштима. Укупно 115 узорака је добијено из Фридек Мистека у Чешкој Републици. Концентрације калцијума (Ca), магнезијума (Mg), калијума (K) и никла (Ni) одређене су коришћењем индуктивно спрегнуте плазма емисионе спектрометрије. Променљива одговора је Ni, а предиктори су Ca, Mg и K. Матрица корелације између променљиве одговора и променљиве предиктора показује задовољавајућу корелацију између елемената. Резултати предвиђања показали су да је регресија векторских машина за подршку (SVMR) добро функционисала, иако су њене процењене средње квадратне грешке (RMSE) (235,974 мг/кг) и средња апсолутна грешка (MAE) (166,946 мг/кг) биле веће него код других примењених метода. Мешовити модели за емпиријску Бајесову кригинг-вишеструку линеарну регресију (EBK-MLR) слабо функционишу, што је доказано из... коефицијенти детерминације мањи од 0,1. Модел емпиријске Бајесове кригинг-потпорне векторске машинске регресије (EBK-SVMR) био је најбољи модел, са ниским вредностима RMSE (95,479 мг/кг) и MAE (77,368 мг/кг) и високим коефицијентом детерминације (R2 = 0,637). Излаз технике моделирања EBK-SVMR визуелизује се коришћењем самоорганизујуће мапе. Груписани неурони у равни хибридног модела компоненте CakMg-EBK-SVMR показују вишеструке обрасце боја који предвиђају концентрације Ni у урбаним и периурбаним земљиштима. Резултати показују да је комбиновање EBK и SVMR ефикасна техника за предвиђање концентрација Ni у урбаним и периурбаним земљиштима.
Никл (Ni) се сматра микронутријентом за биљке јер доприноси фиксацији атмосферског азота (N) и метаболизму урее, што је неопходно за клијање семена. Поред доприноса клијању семена, Ni може деловати као инхибитор гљивица и бактерија и подстаћи развој биљака. Недостатак никла у земљишту омогућава биљци да га апсорбује, што доводи до хлорозе лишћа. На пример, црни грашак и боранија захтевају примену ђубрива на бази никла како би се оптимизовала фиксација азота2. Континуирана примена ђубрива на бази никла ради обогаћивања земљишта и повећања способности махунарки да фиксирају азот у земљишту континуирано повећава концентрацију никла у земљишту. Иако је никл микронутријент за биљке, његов прекомерни унос у земљиште може учинити више штете него користи. Токсичност никла у земљишту минимизира pH вредност земљишта и омета усвајање гвожђа као есенцијалног хранљивог састојка за раст биљака1. Према Лиуу3, утврђено је да је Ni 17. важан елемент потребан за развој и раст биљака. Поред улоге никла у развоју и расту биљака, људима је потребан за разне примене. Галванизација, производња легура на бази никла, и производња уређаја за паљење и свећица у аутомобилској индустрији захтевају употребу никла у различитим индустријским секторима. Поред тога, легуре на бази никла и галванизовани производи се широко користе у кухињском посуђу, додацима за балске дворане, прехрамбеној индустрији, електричним уређајима, жицама и кабловима, млазним турбинама, хируршким имплантатима, текстилу и бродоградњи5. Нивои богати Ni у земљишту (тј. површинском земљишту) приписују се и антропогеним и природним изворима, али првенствено је Ni природни извор, а не антропогени4,6. Природни извори никла укључују вулканске ерупције, вегетацију, шумске пожаре и геолошке процесе; међутим, антропогени извори укључују никл/кадмијум батерије у челичној индустрији, галванизацију, електролучно заваривање, дизел и лож уље, као и атмосферске емисије од сагоревања угља и спаљивања отпада и муља. Акумулација никла7,8. Према Фридману и Хачинсону9 и Мањиви и др. 10, главни извори загађења површинског слоја земљишта у непосредној и суседној околини су углавном топионице и рудници на бази никла и бакра. Површни слој земљишта око рафинерије никла и бакра Садбери у Канади имао је највиши ниво контаминације никлом, 26.000 мг/кг11. Насупрот томе, загађење од производње никла у Русији довело је до већих концентрација никла у норвешком земљишту11. Према Алмсу и др. 12, количина никла који се може екстраховати помоћу HNO3 у најплоднијим обрадивим површинама региона (производња никла у Русији) кретала се од 6,25 до 136,88 мг/кг, што одговара просеку од 30,43 мг/кг и основној концентрацији од 25 мг/кг. Према Кабати 11, примена фосфорних ђубрива у пољопривредним земљиштима у урбаним или приурбаним земљиштима током узастопних сезона усева може инфузирати или контаминирати земљиште. Потенцијални ефекти никла код људи могу довести до рака кроз мутагенезу, оштећење хромозома, стварање З-ДНК, блокирану поправку ексцизије ДНК или епигенетске процесе 13. У експериментима на животињама, утврђено је да никл има потенцијал да изазове разне туморе, а канцерогени комплекси никла могу погоршати такве туморе.
Процене контаминације земљишта су процветале у последње време због широког спектра здравствених проблема који произилазе из односа земљишта и биљака, земљишта и биолошких односа земљишта, еколошке деградације и процене утицаја на животну средину. До данас је просторно предвиђање потенцијално токсичних елемената (ПТЕ) као што је Ni у земљишту било мукотрпно и дуготрајно коришћењем традиционалних метода. Појава дигиталног мапирања земљишта (ДСМ) и његов тренутни успех15 значајно су побољшали предиктивно мапирање земљишта (ПСМ). Према Минаснију и Мекбратнију16, предиктивно мапирање земљишта (ДСМ) показало се као истакнута поддисциплина науке о земљишту. Лагашери и Мекбратни, 2006. дефинишу ДСМ као „стварање и попуњавање просторних информационих система о земљишту кроз употребу метода посматрања in situ и лабораторијских метода и просторних и непросторних система закључивања о земљишту“. Мекбратни и др. 17 указује да је савремени DSM или PSM најефикаснија техника за предвиђање или мапирање просторне расподеле PTE, типова земљишта и својстава земљишта. Геостатистика и алгоритми машинског учења (MLA) су технике DSM моделирања које креирају дигитализоване мапе уз помоћ рачунара користећи значајне и минималне податке.
Дојч18 и Олеа19 дефинишу геостатистику као „скуп нумеричких техника које се баве представљањем просторних атрибута, углавном користећи стохастичке моделе, као што је начин на који анализа временских серија карактерише временске податке“. Првенствено, геостатистика укључује процену вариограма, који омогућавају квантификацију и дефинисање зависности просторних вредности из сваког скупа података20. Гумио и др.20 даље илуструју да се процена вариограма у геостатистици заснива на три принципа, укључујући (а) израчунавање скале корелације података, (б) идентификовање и израчунавање анизотропије у диспаритету скупова података и (ц) поред тога што се узима у обзир инхерентна грешка података мерења одвојена од локалних ефеката, процењују се и ефекти површине. На основу ових концепата, у геостатистици се користе многе технике интерполације, укључујући општи кригинг, ко-кригинг, обични кригинг, емпиријски Бајесов кригинг, једноставну методу кригинга и друге добро познате технике интерполације за мапирање или предвиђање PTE, карактеристика земљишта и типова земљишта.
Алгоритми машинског учења (MLA) су релативно нова техника која користи веће нелинеарне класе података, подстакнуте алгоритмима који се првенствено користе за анализу података, идентификовање образаца у подацима и који се више пута примењују на класификацију у научним областима као што су наука о земљишту и задаци враћања. Бројни истраживачки радови ослањају се на MLA моделе за предвиђање PTE у земљишту, као што су Тан и др. 22 (случајне шуме за процену тешких метала у пољопривредним земљиштима), Сакизадех и др. 23 (моделирање коришћењем машина вектора подршке и вештачких неуронских мрежа) загађење земљишта). Поред тога, Вега и др. 24 (CART за моделирање задржавања и адсорпције тешких метала у земљишту), Сун и др. 25 (примена кубистичке дистрибуције Cd у земљишту) и други алгоритми као што су k-најближи сусед, генерализована појачана регресија и појачана регресиона стабла такође су применили MLA за предвиђање PTE у земљишту.
Примена DSM алгоритама у предвиђању или мапирању суочава се са неколико изазова. Многи аутори верују да је MLA супериорнија од геостатистике и обрнуто. Иако је једно боље од другог, комбинација ова два побољшава ниво тачности мапирања или предвиђања у DSM15. Вудкок и Гопал26 Финке27; Понтијус и Чеук28 и Грунвалд29 коментаришу недостатке и неке грешке у предвиђеном мапирању земљишта. Научници који се баве земљиштем испробали су разне технике како би оптимизовали ефикасност, тачност и предвидљивост DSM мапирања и прогнозирања. Комбинација неизвесности и верификације је један од многих различитих аспеката интегрисаних у DSM како би се оптимизовала ефикасност и смањили недостаци. Међутим, Агјеман и др.15 истичу да понашање валидације и неизвесност уведене креирањем и предвиђањем мапе треба независно валидирати како би се побољшао квалитет мапе. Ограничења DSM-а су последица географски дисперзованог квалитета земљишта, што укључује компоненту неизвесности; Међутим, недостатак сигурности у DSM-у може настати из више извора грешака, наиме коваријантне грешке, грешке модела, грешке локације и аналитичке грешке 31. Нетачности моделирања изазване у MLA и геостатистичким процесима повезане су са недостатком разумевања, што на крају доводи до претераног поједностављивања стварног процеса 32. Без обзира на природу моделирања, нетачности се могу приписати параметрима моделирања, предвиђањима математичког модела или интерполацији 33. Недавно се појавио нови DSM тренд који промовише интеграцију геостатистике и MLA у мапирању и прогнозирању. Неколико научника и аутора који се баве тлом, као што су Сергејев и др. 34; Суботина и др. 35; Тарасов и др. 36 и Тарасов и др. 37, искористили су тачан квалитет геостатистике и машинског учења за генерисање хибридних модела који побољшавају ефикасност прогнозирања и мапирања. квалитет. Неки од ових хибридних или комбинованих алгоритамских модела су кригинг вештачких неуронских мрежа (ANN-RK), вишеслојни перцептронски резидуални кригинг (MLP-RK), генерализовани регресиони неуронски кригинг резидуалних неуронских мрежа (GR-NNRK)36, кригинг вештачких неуронских мрежа - вишеслојни перцептрон (ANN-K-MLP)37 и ко-кригинг и Гаусов процесни регресиони модел38.
Према Сергејеву и др., комбиновање различитих техника моделирања има потенцијал да елиминише недостатке и повећа ефикасност резултујућег хибридног модела, уместо да се развија његов јединствени модел. У том контексту, овај нови рад тврди да је неопходно применити комбиновани алгоритам геостатистике и MLA да би се створили оптимални хибридни модели за предвиђање обогаћивања Ni у урбаним и приурбаним подручјима. Ова студија ће се ослањати на емпиријски Бајесов кригинг (EBK) као основни модел и комбиновати га са моделима машине вектора подршке (SVM) и вишеструке линеарне регресије (MLR). Хибридизација EBK са било којим MLA није позната. Вишеструки мешовити модели који се виде су комбинације обичног, резидуалног, регресионог кригинга и MLA. EBK је геостатистичка метода интерполације која користи просторно стохастички процес који је локализован као нестационарно/стационарно случајно поље са дефинисаним параметрима локализације преко поља, омогућавајући просторне варијације 39. EBK је коришћен у разним студијама, укључујући анализу дистрибуције органског угљеника у пољопривредним земљиштима 40, процену загађења земљишта 41 и мапирање својстава земљишта 42.
С друге стране, самоорганизујући граф (SeOM) је алгоритам учења који је примењен у разним чланцима као што су Ли и др. 43, Ванг и др. 44, Хосаин Бхуијан и др. 45 и Кебоње и др. 46 Одређивање просторних атрибута и груписања елемената. Ванг и др. 44 наводе да је SeOM моћна техника учења позната по својој способности груписања и замишљања нелинеарних проблема. За разлику од других техника препознавања образаца као што су анализа главних компоненти, фази кластеровање, хијерархијско кластеровање и вишекритеријумско одлучивање, SeOM је бољи у организовању и идентификацији PTE образаца. Према Вангу и др. 44, SeOM може просторно груписати дистрибуцију повезаних неурона и обезбедити визуелизацију података високе резолуције. SeOM ће визуелизовати податке о предвиђању Ni како би добио најбољи модел за карактеризацију резултата за директну интерпретацију.
Овај рад има за циљ да генерише робустан модел мапирања са оптималном тачношћу за предвиђање садржаја никла у урбаним и периурбаним земљиштима. Претпостављамо да поузданост мешовитог модела углавном зависи од утицаја других модела везаних за основни модел. Свесни смо изазова са којима се суочава DSM, и док се ови изазови решавају на више фронтова, комбинација напретка у геостатистици и MLA модела изгледа постепена; стога ћемо покушати да одговоримо на истраживачка питања која могу резултирати мешовитим моделима. Међутим, колико је модел тачан у предвиђању циљног елемента? Такође, који је ниво процене ефикасности заснован на валидацији и процени тачности? Стога су специфични циљеви ове студије били да се (а) креира комбиновани модел мешавине за SVMR или MLR користећи EBK као основни модел, (б) упореде резултујући модели, (ц) предложи најбољи модел мешавине за предвиђање концентрација Ni у урбаним или периурбаним земљиштима и (д) примена SeOM-а за креирање мапе високе резолуције просторних варијација никла.
Студија се спроводи у Чешкој Републици, тачније у округу Фридек Мистек у Моравско-шлеском региону (видети слику 1). Географија подручја истраживања је веома неравна и углавном је део региона Моравско-шлески Бескиди, који је део спољног обода Карпата. Подручје истраживања налази се између 49° 41′ 0′ северне географске ширине и 18° 20′ 0′ источне географске дужине, а надморска висина је између 225 и 327 м; Међутим, Копенов систем класификације за климатско стање региона оцењен је као Cfb = умерена океанска клима. Има пуно падавина чак и у сушним месецима. Температуре се благо разликују током године између -5 °C и 24 °C, ретко падајући испод -14 °C или изнад 30 °C, док је просечна годишња количина падавина између 685 и 752 мм47. Процењена површина истраживања целог подручја је 1.208 квадратних километара, са 39,38% обрадивог земљишта и 49,36% шумског покривача. С друге стране, површина коришћена у овој студији је око 889,8 квадратних километара. У Острави и околини, челична индустрија и металуршки радови су веома активни. Металуршке фабрике, челична индустрија где се никл користи у нерђајућим челицима (нпр. за отпорност на атмосферску корозију) и легираним челицима (никл повећава чврстоћу легуре уз одржавање њене добре дуктилности и жилавости), и интензивна пољопривреда као што је примена фосфатних ђубрива и сточарство су потенцијални извори никла у региону. (нпр. додавање никла јагњади ради повећања стопе раста код јагњади и говеда која се лоше хране). Друге индустријске употребе никла у истраживачким областима укључују његову употребу у галванизацији, укључујући процесе галванизације никлом и процесе безструјног никловања. Својства земљишта се лако разликују од боје земљишта, структуре и садржаја карбоната. Текстура земљишта је средња до фина, потиче од матичног материјала. По природи су колувијалне, алувијалне или еолске. Нека подручја земљишта изгледају шарено на површини и у подземљу, често са бетоном и избељивањем. Међутим, камбисоли и стагносоли су најчешћи типови земљишта у региону48. Са надморском висином од 455,1 до 493,5 м, камбисоли доминирају у Чешкој Републици49.
Мапа подручја истраживања [Мапа подручја истраживања је креирана помоћу ArcGIS Desktop-а (ESRI, Inc, верзија 10.7, URL: https://desktop.arcgis.com).]
Укупно 115 узорака површинског слоја земљишта је добијено из урбаних и приурбаних земљишта у округу Фридек Мистек. Коришћени образац узорковања био је правилна мрежа са узорцима земљишта распоређеним на растојању 2 × 2 км, а површинско земљиште је мерено на дубини од 0 до 20 цм помоћу ручног ГПС уређаја (Leica Zeno 5 GPS). Узорци су упаковани у Зиплоц кесе, правилно обележени и послати у лабораторију. Узорци су сушени на ваздуху да би се добили уситњени узорци, уситњени механичким системом (Фричов млин са дисковима) и просејани (величина сита 2 мм). Ставити 1 грам осушених, хомогенизованих и просејаних узорака земљишта у јасно обележене тефлонске боце. У сваку тефлонску посуду сипати 7 мл 35% HCl и 3 мл 65% HNO3 (користећи аутоматски дозатор - по један за сваку киселину), лагано покрити и оставити узорке да одстоје преко ноћи ради реакције (програм царска вода). Супернатант ставити на врућу металну плочу (температура: 100 W) и 160 °C) током 2 сата да би се олакшао процес варења узорака, а затим охладити. Супернатант пребацити у мерну посуду од 50 мл и разблажити до 50 мл дејонизованом водом. Након тога, филтрирати разблажени супернатант у ПВЦ епрувету од 50 мл са дејонизованом водом. Додатно, 1 мл раствора за разблаживање је разблажен са 9 мл дејонизоване воде и филтриран у епрувету од 12 мл припремљену за ПТЕ псеудо-концентрацију. Концентрације ПТЕ (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) су одређене помоћу ICP-OES (индуктивно спрегнута плазма оптичка емисиона спектроскопија) (Thermo Fisher Scientific, САД) према стандардним методама и договору. Обезбедити процедуре осигурања и контроле квалитета (QA/QC) (SRM NIST 2711a Montana II Soil). ПТЕ са границама детекције испод половине су искључени из ове студије. Граница детекције ПТЕ коришћеног у овој студији била је 0,0004 (ви). Поред тога, процес контроле и обезбеђивања квалитета за сваку анализу је обезбеђен анализом референтних стандарда. Да би се осигурало да су грешке минимизиране, извршена је двострука анализа.
Емпиријски Бајесов кригинг (ЕБК) је једна од многих геостатистичких интерполационих техника које се користе у моделирању у различитим областима као што је наука о земљишту. За разлику од других техника кригинг интерполације, ЕБК се разликује од традиционалних кригинг метода узимајући у обзир грешку процењену моделом семивариограма. Код ЕБК интерполације, неколико модела семивариограма се израчунава током интерполације, уместо једног семивариограма. Технике интерполације отклањају неизвесност и програмирање повезано са овим цртањем семивариограма који представља веома сложен део довољне кригинг методе. Процес интерполације ЕБК прати три критеријума које је предложио Криворучко50, (а) модел процењује семивариограм из улазног скупа података, (б) нову предвиђену вредност за сваку локацију улазног скупа података на основу генерисаног семивариограма и (ц) коначни модел се израчунава из симулираног скупа података. Бајесово правило једначине је дато као постериорна...
Где \(Prob\left(A\right)\) представља претходну, \(Prob\left(B\right)\) маргинална вероватноћа се игнорише у већини случајева, \(Prob (B,A)\). Израчунавање семивариограма заснива се на Бајесовом правилу, које показује склоност скупова података посматрања да се могу креирати из семивариограма. Вредност семивариограма се затим одређује помоћу Бајесовог правила, које наводи колика је вероватноћа да се креира скуп података посматрања из семивариограма.
Машина вектора подршке је алгоритам машинског учења који генерише оптималну раздвајајућу хиперраван како би разликовао идентичне, али не линеарно независне класе. Вапник51 је креирао алгоритам класификације намере, али је недавно коришћен за решавање проблема оријентисаних на регресију. Према Ли и др.52, SVM је једна од најбољих техника класификације и користи се у разним областима. Регресиона компонента SVM-а (Регресија вектора подршке – SVMR) коришћена је у овој анализи. Черкаски и Мулијер53 су били пионири SVMR-а као регресије засноване на језгру, чије је израчунавање извршено коришћењем линеарног регресионог модела са просторним функцијама за више земаља. Џон и др.54 извештавају да SVMR моделирање користи линеарну регресију хиперравни, која ствара нелинеарне односе и омогућава просторне функције. Према Воланду и др. 55, епсилон (ε)-SVMR користи обучени скуп података да би добио модел репрезентације као функцију неосетљиву на епсилон која се примењује за независно мапирање података са најбољим епсилонским пристрасним одступањем из обуке на корелираним подацима. Унапред подешена грешка удаљености се игнорише из стварне вредности, а ако је грешка већа од ε(ε), својства тла је компензују. Модел такође смањује сложеност података за обуку на шири подскуп вектора подршке. Једначина коју је предложио Вапник51 приказана је испод.
где b представља скаларни праг, \(K\left({x}_{,}{x}_{k}\right)\) представља функцију језгра, \(\alpha\) представља Лагранжов множилац, N представља нумерички скуп података, \({x}_{k}\) представља улазне податке, а \(y\) је излазни подаци. Једно од кључних језгара које се користи је SVMR операција, која је Гаусов радијални базни функција (RBF). RBF језгро се примењује за одређивање оптималног SVMR модела, што је кључно за добијање најсуптилнијег фактора скупа казни C и параметра језгра гама (γ) за PTE податке за обуку. Прво смо проценили скуп за обуку, а затим тестирали перформансе модела на скупу за валидацију. Коришћени параметар управљања је сигма, а вредност методе је svmRadial.
Модел вишеструке линеарне регресије (MLR) је регресиони модел који представља везу између променљиве одзива и низа предикторских променљивих коришћењем линеарних обједињених параметара израчунатих методом најмањих квадрата. У MLR-у, модел најмањих квадрата је предиктивна функција својстава земљишта након избора објашњавајућих променљивих. Потребно је користити одзив да би се успоставио линеарни однос коришћењем објашњавајућих променљивих. PTE је коришћен као променљива одзива да би се успоставио линеарни однос са објашњавајућим променљивим. Једначина MLR је
где је y променљива одзива, \(a\) је пресец на тачки са тачком кривине, n је број предиктора, \({b}_{1}\) је парцијална регресија коефицијената, \({x}_{i}\) представља предиктор или објашњавајућу променљиву, а \({\varepsilon}_{i}\) представља грешку у моделу, такође познату као резидуал.
Мешовити модели су добијени комбиновањем EBK са SVMR и MLR. То се ради екстракцијом предвиђених вредности из EBK интерполације. Предвиђене вредности добијене из интерполираних Ca, K и Mg добијају се комбинованим процесом да би се добиле нове променљиве, као што су CaK, CaMg и KMg. Елементи Ca, K и Mg се затим комбинују да би се добила четврта променљива, CaKMg. Укупно, добијене променљиве су Ca, K, Mg, CaK, CaMg, KMg и CaKMg. Ове променљиве су постале наши предиктори, помажући у предвиђању концентрација никла у урбаним и приурбаним земљиштима. SVMR алгоритам је примењен на предикторима да би се добио мешовити модел Емпиријске Бајесове кригинге-Подпорне векторске машине (EBK_SVM). Слично томе, променљиве се такође пропуштају кроз MLR алгоритам да би се добио мешовити модел Емпиријске Бајесове кригинге-Вишеструке линеарне регресије (EBK_MLR). Типично, променљиве Ca, K, Mg, CaK, CaMg, KMg и CaKMg се користе као коваријабле као предиктори садржаја Ni у урбаним и периурбаним земљиштима. Добијени најприхватљивији модел (EBK_SVM или EBK_MLR) ће затим бити визуелизован коришћењем самоорганизујућег графика. Ток рада ове студије је приказан на слици 2.
Коришћење SeOM-а постало је популаран алат за организовање, процену и прогнозирање података у финансијском сектору, здравству, индустрији, статистици, науци о земљишту и још много тога. SeOM је креиран коришћењем вештачких неуронских мрежа и метода ненадзираног учења за организацију, процену и предвиђање. У овој студији, SeOM је коришћен за визуелизацију концентрација Ni на основу најбољег модела за предвиђање Ni у урбаним и периурбаним земљиштима. Подаци обрађени у SeOM евалуацији користе се као n улазно-димензионалних векторских променљивих 43,56. Мелсен и др. 57 описује везу улазног вектора у неуронску мрежу преко једног улазног слоја са излазним вектором са једним тежинским вектором. Излаз који генерише SeOM је дводимензионална мапа која се састоји од различитих неурона или чворова утканих у хексагоналне, кружне или квадратне тополошке мапе према њиховој близини. Упоређујући величине мапа на основу метричке грешке, грешке квантизације (QE) и топографске грешке (TE), изабран је SeOM модел са 0,086 и 0,904, респективно, што је јединица од 55 мапа (5 × 11). Структура неурона је одређена према броју чворова у емпиријској једначини.
Број података коришћених у овој студији је 115 узорака. Коришћен је случајни приступ за поделу података на тест податке (25% за валидацију) и скупове података за обуку (75% за калибрацију). Скуп података за обуку користи се за генерисање регресионог модела (калибрација), а скуп података за тест се користи за верификацију могућности генерализације58. Ово је урађено да би се проценила погодност различитих модела за предвиђање садржаја никла у земљиштима. Сви коришћени модели прошли су кроз десетоструки процес унакрсне валидације, поновљен пет пута. Променљиве произведене EBK интерполацијом користе се као предиктори или објашњавајуће променљиве за предвиђање циљне променљиве (PTE). Моделирање се обрађује у RStudio-у коришћењем пакета library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) и libraries(“Metrics”).
Различити параметри валидације коришћени су да би се одредио најбољи модел погодан за предвиђање концентрација никла у земљишту и да би се проценила тачност модела и његова валидација. Модели хибридизације су процењени коришћењем средње апсолутне грешке (MAE), средње квадратне грешке корена (RMSE) и R-квадрата или одређивања коефицијента (R2). R2 дефинише варијансу пропорција у одговору, представљену регресионим моделом. RMSE и величина варијансе у независним мерама описују предиктивну моћ модела, док MAE одређује стварну квантитативну вредност. Вредност R2 мора бити висока да би се проценио најбољи модел смеше коришћењем параметара валидације, што је вредност ближа 1, то је тачност већа. Према Ли и др. 59, вредност критеријума R2 од 0,75 или већа сматра се добрим предиктором; од 0,5 до 0,75 су прихватљиве перформансе модела, а испод 0,5 су неприхватљиве перформансе модела. Приликом избора модела коришћењем метода процене критеријума валидације RMSE и MAE, ниже добијене вредности су биле довољне и сматране су најбољим избором. Следећа једначина описује метод верификације.
где n представља величину посматране вредности \({Y}_{i}\) представља измерени одзив, а \({\widehat{Y}}_{i}\) такође представља предвиђену вредност одзива, дакле, за првих i посматрања.
Статистички описи предикторских и одговорних варијабли представљени су у Табели 1, приказујући средњу вредност, стандардну девијацију (SD), коефицијент варијације (CV), минимум, максимум, куртозис и асиметрију. Минималне и максималне вредности елемената су у опадајућем редоследу Mg < Ca < K < Ni и Ca < Mg < K < Ni, респективно. Концентрације одговорне варијабле (Ni) узорковане из подручја истраживања кретале су се од 4,86 ​​до 42,39 мг/кг. Поређење Ni са светским просеком (29 мг/кг) и европским просеком (37 мг/кг) показало је да је укупна израчуната геометријска средина за подручје истраживања била у оквиру толерантног опсега. Ипак, као што је показао Кабата-Пендијас11, поређење просечне концентрације никла (Ni) у тренутној студији са пољопривредним земљиштима у Шведској показује да је тренутна просечна концентрација никла већа. Слично томе, средња концентрација Фридек Мистека у урбаним и приурбаним земљиштима у тренутној студији (Ni 16,15 мг/кг) била је већа од дозвољене. граница од 60 (10,2 мг/кг) за Ni у пољским урбаним земљиштима коју су известили Рожански и др. Штавише, Брецел и Калдеризи61 забележили су веома ниске средње концентрације Ni (1,78 мг/кг) у урбаним земљиштима у Тоскани у поређењу са тренутном студијом. Џим62 је такође пронашао нижу концентрацију никла (12,34 мг/кг) у урбаним земљиштима Хонг Конга, што је ниже од тренутне концентрације никла у овој студији. Бирке и др.63 известили су о просечној концентрацији Ni од 17,6 мг/кг у старој рударској и урбаној индустријској зони у Саксонији-Анхалт, Немачка, што је било 1,45 мг/кг више од просечне концентрације Ni у том подручју (16,15 мг/кг). Тренутна истраживања. Прекомерни садржај никла у земљиштима у неким урбаним и приградским подручјима истраживаног подручја може се углавном приписати индустрији гвожђа и челика и металуршкој индустрији. Ово је у складу са студијом Ходадуста и др. 64 да су челична индустрија и обрада метала главни извори контаминације никлом у земљишту. Међутим, предиктори су се такође кретали од 538,70 мг/кг до 69.161,80 мг/кг за Ca, 497,51 мг/кг до 3.535,68 мг/кг за K и 685,68 мг/кг до 5.970,05 мг/кг за Mg. Јаковљевић и др. 65 истраживали су укупан садржај Mg и K у земљишту у централној Србији. Утврдили су да су укупне концентрације (410 мг/кг и 400 мг/кг, респективно) биле ниже од концентрација Mg и K у тренутној студији. Источна студија, у источној Пољској, Оржеховски и Смолчински66 проценили су укупан садржај Ca, Mg и K и показали просечне концентрације Ca (1100 мг/кг), Mg (590 мг/кг) и K (810 мг/кг). Садржај у површинском слоју земљишта је нижи него код појединачног елемента у овој студији. Недавна студија Понграца и др.67 показала је да је укупан садржај Ca анализиран у 3 различита земљишта у Шкотској, Уједињено Краљевство (земљиште Милнфилд, земљиште Балрудери и земљиште Хартвуд) показао већи садржај Ca у овој студији.
Због различитих измерених концентрација узоркованих елемената, дистрибуције елемената у скуповима података показују различиту асиметрију. Асиметрија и куртоза елемената кретале су се од 1,53 до 7,24 и 2,49 до 54,16, респективно. Сви израчунати елементи имају нивое асиметрије и куртозе изнад +1, што указује на то да је дистрибуција података неправилна, искривљена у правом смеру и са врхунцима. Процењене варијабилности елемената такође показују да K, Mg и Ni показују умерену варијабилност, док Ca има изузетно високу варијабилност. Варијабилности K, Ni и Mg објашњавају њихову равномерну дистрибуцију. Штавише, дистрибуција Ca је неравномерна и спољни извори могу утицати на њен ниво обогаћивања.
Корелација предикторских варијабли са елементима одговора указала је на задовољавајућу корелацију између елемената (видети слику 3). Корелација је показала да је CaK показао умерену корелацију са r вредношћу = 0,53, као и CaNi. Иако Ca и K показују скромне међусобне везе, истраживачи попут Кингстона и др. 68 и Санто69 сугеришу да су њихови нивои у земљишту обрнуто пропорционални. Међутим, Ca и Mg су антагонистички настројени према K, али CaK добро корелира. То може бити због примене ђубрива као што је калијум карбонат, који је 56% већи у калијуму. Калијум је био умерено у корелацији са магнезијумом (KM r = 0,63). У индустрији ђубрива, ова два елемента су уско повезана јер се калијум магнезијум сулфат, калијум магнезијум нитрат и поташа примењују на земљишта како би се повећали нивои њиховог недостатка. Никл је умерено у корелацији са Ca, K и Mg са r вредностима ​​= 0,52, 0,63 и 0,55, респективно. Односи који укључују калцијум, магнезијум и PTE као што је никл су сложени, али ипак, магнезијум инхибира апсорпцију калцијума, калцијум смањује ефекте вишка магнезијума, а и магнезијум и калцијум смањују токсичне ефекте никла у земљишту.
Матрица корелације за елементе која приказује везу између предиктора и одговора (Напомена: ова слика укључује дијаграм расејања између елемената, нивои значајности су засновани на p < 0,001).
Слика 4 илуструје просторну дистрибуцију елемената. Према Бургосу и др.70, примена просторне дистрибуције је техника која се користи за квантификацију и истицање жаришта у загађеним подручјима. Нивои обогаћивања Ca на слици 4 могу се видети у северозападном делу мапе просторне дистрибуције. Слика приказује жаришта умереног до високог обогаћивања Ca. Обогаћивање калцијумом на северозападу мапе је вероватно последица употребе живог креча (калцијум оксида) за смањење киселости земљишта и његове употребе у челичанама као алкалног кисеоника у процесу производње челика. С друге стране, други пољопривредници више воле да користе калцијум хидроксид у киселим земљиштима за неутрализацију pH вредности, што такође повећава садржај калцијума у ​​земљишту71. Калијум такође показује жаришта на северозападу и истоку мапе. Северозапад је главна пољопривредна заједница, а умерено-високи образац калијума може бити последица примене NPK и поташе. Ово је у складу са другим студијама, као што су Мадарас и Липавски72, Мадарас и др.73, Пулкрабова и др.74, Асаре и др.75, који су приметили да стабилизација земљишта и Третман са KCl и NPK резултирао је високим садржајем K у земљишту. Просторно обогаћивање калијумом на северозападу карте дистрибуције може бити последица употребе ђубрива на бази калијума као што су калијум хлорид, калијум сулфат, калијум нитрат, поташа и поташа како би се повећао садржај калијума у ​​сиромашним земљиштима. Задорова и др. 76 и Тлустош и др. 77 је навео да примена ђубрива на бази K повећава садржај K у земљишту и да ће значајно повећати садржај хранљивих материја у земљишту на дужи рок, посебно K и Mg, што показује жариште у земљишту. Релативно умерена жаришта налазе се на северозападу карте и југоистоку карте. Колоидна фиксација у земљишту смањује концентрацију магнезијума у ​​земљишту. Његов недостатак у земљишту узрокује да биљке показују жућкасту интервенску хлорозу. Ђубрива на бази магнезијума, као што су калијум магнезијум сулфат, магнезијум сулфат и кизерит, третирају недостатке (биљке изгледају љубичасто, црвено или смеђе, што указује на недостатак магнезијума) у земљиштима са нормалним pH опсегом6. Акумулација никла на површинама урбаног и приурбаног земљишта може бити последица антропогених активности као што су пољопривреда и значај никла у производњи нерђајућег челика78.
Просторна расподела елемената [мапа просторне расподеле је креирана помоћу ArcGIS Desktop-а (ESRI, Inc, верзија 10.7, URL: https://desktop.arcgis.com).]
Резултати индекса перформанси модела за елементе коришћене у овој студији приказани су у Табели 2. С друге стране, RMSE и MAE за Ni су близу нуле (0,86 RMSE, -0,08 MAE). С друге стране, и RMSE и MAE вредности за K су прихватљиве. Резултати RMSE и MAE били су већи за калцијум и магнезијум. Резултати MAE и RMSE за Ca и K су већи због различитих скупова података. Утврђено је да су RMSE и MAE ове студије која користи EBK за предвиђање Ni бољи од резултата Џона и др. 54 који користе синергијски кригинг за предвиђање концентрација S у земљишту користећи исте прикупљене податке. Излази EBK које смо проучавали корелирају са резултатима Фабијачика и др. 41, Јана и др. 79, Бегина и др. 80, Адхикарија и др. 81 и Џона и др. 82, посебно K и Ni.
Перформансе појединачних метода за предвиђање садржаја никла у урбаним и периурбаним земљиштима процењене су коришћењем перформанси модела (Табела 3). Валидација модела и процена тачности потврдиле су да је предиктор Ca_Mg_K у комбинацији са EBK SVMR моделом дао најбоље перформансе. Калибрациони модел Ca_Mg_K-EBK_SVMR модел R2, средња квадратна грешка (RMSE) и средња апсолутна грешка (MAE) биле су 0,637 (R2), 95,479 мг/кг (RMSE) и 77,368 мг/кг (MAE) Ca_Mg_K-SVMR је био 0,663 (R2), 235,974 мг/кг (RMSE) и 166,946 мг/кг (MAE). Ипак, добре R2 вредности су добијене за Ca_Mg_K-SVMR (0,663 мг/кг R2) и Ca_Mg-EBK_SVMR (0,643 = R2); Њихови резултати RMSE и MAE били су виши од оних за Ca_Mg_K-EBK_SVMR (R2 0,637) (видети Табелу 3). Поред тога, RMSE и MAE модела Ca_Mg-EBK_SVMR (RMSE = 1664,64 и MAE = 1031,49) су 17,5 и 13,4, респективно, што је веће од оних за Ca_Mg_K-EBK_SVMR. Слично томе, RMSE и MAE модела Ca_Mg-K SVMR (RMSE = 235,974 и MAE = 166,946) су 2,5 и 2,2 већи од оних за Ca_Mg_K-EBK_SVMR RMSE и MAE, респективно. Израчунати резултати RMSE показују колико је скуп података концентрисан са линијом најбољег поклапања. Примећени су виши RSME и MAE. Према Кебоњеу и др. 46 и Џон и др. 54, што су RMSE и MAE ближи нули, то су резултати бољи. SVMR и EBK_SVMR имају веће квантизоване RSME и MAE вредности. Примећено је да су процене RSME биле константно веће од MAE вредности, што указује на присуство аутлајера. Према Легејту и Мекејбу 83, степен у којем RMSE прелази средњу апсолутну грешку (MAE) препоручује се као индикатор присуства аутлајера. То значи да што је скуп података хетерогенији, то су веће MAE и RMSE вредности. Тачност унакрсне валидације мешовитог модела Ca_Mg_K-EBK_SVMR за предвиђање садржаја Ni у урбаним и приградским земљиштима била је 63,70%. Према Ли и др. 59, овај ниво тачности је прихватљива стопа перформанси модела. Садашњи резултати су упоређени са претходном студијом Тарасова и др. 36 чији је хибридни модел креирао MLPRK (Вишеслојни перцептронски резидуални кригинг), повезан са индексом процене тачности EBK_SVMR приказаним у тренутној студији, RMSE (210) и MAE (167,5) је био већи од наших резултата у тренутној студији (RMSE 95,479, MAE 77,368). Међутим, када се упореди R2 тренутне студије (0,637) са оним Тарасова и др. 36 (0,544), јасно је да је коефицијент детерминације (R2) већи у овом мешовитом моделу. Маргина грешке (RMSE и MAE) (EBK SVMR) за мешовити модел је два пута нижа. Слично томе, Сергејев и др.34 забележили су 0,28 (R2) за развијени хибридни модел (Вишеслојни перцептронски резидуални кригинг), док је Ni у тренутној студији забележио 0,637 (R2). Ниво тачности предвиђања овог модела (EBK SVMR) је 63,7%, док је тачност предвиђања коју су добили Сергејев и др.34 28%. Коначна мапа (Сл. 5) креирана коришћењем EBK_SVMR модела и Ca_Mg_K као предиктора приказује предвиђања врућих тачака и умереног до никла на целом подручју истраживања. То значи да је концентрација никла у подручју истраживања углавном умерена, са вишим концентрацијама у неким специфичним областима.
Коначна мапа предвиђања је представљена коришћењем хибридног модела EBK_SVMR и коришћењем Ca_Mg_K као предиктора. [Мапа просторне дистрибуције је креирана помоћу програма RStudio (верзија 1.4.1717: https://www.rstudio.com/).]
На слици 6 приказане су концентрације PTE као раван састава која се састоји од појединачних неурона. Ниједна од компонентних равни није показала исти образац боја као што је приказано. Међутим, одговарајући број неурона по нацртаној мапи је 55. SeOM се производи коришћењем различитих боја, и што су обрасци боја сличнији, то су својства узорака упоредивија. Према њиховој прецизној скали боја, појединачни елементи (Ca, K и Mg) показали су сличне обрасце боја као појединачни неурони високог реда и већина неурона ниског реда. Дакле, CaK и CaMg деле неке сличности са неуронима веома високог реда и обрасцима боја ниског до умереног реда. Оба модела предвиђају концентрацију Ni у земљишту приказујући средње до високе нијансе боја као што су црвена, наранџаста и жута. KMg модел приказује многе обрасце боја високог реда на основу прецизних пропорција и мрља боја ниског до средњег реда. На прецизној скали боја од ниског до високог, планарни образац расподеле компоненти модела показао је образац боје високог реда који указује на потенцијалну концентрацију никла у земљишту (видети слику 4). Компонентна раван CakMg модела показује разноврстан образац боја од ниског до високог према тачној скали боја. скала. Штавише, предвиђање модела садржаја никла (CakMg) је слично просторној расподели никла приказаној на слици 5. Оба графикона приказују високе, средње и ниске уделе концентрација никла у урбаним и приурбаним земљиштима. Слика 7 приказује контурну методу у k-means груписању на мапи, подељену у три кластера на основу предвиђене вредности у сваком моделу. Контурна метода представља оптималан број кластера. Од 115 прикупљених узорака земљишта, категорија 1 је добила највише узорака земљишта, 74. Кластер 2 је примио 33 узорка, док је кластер 3 примио 8 узорака. Комбинација планарних предиктора од седам компоненти је поједностављена како би се омогућила исправна интерпретација кластера. Због бројних антропогених и природних процеса који утичу на формирање земљишта, тешко је имати правилно диференциране обрасце кластера на дистрибуираној SeOM мапи78.
Излаз компонентне равни сваке променљиве емпиријске Бајесове кригинг машине за подршку вектора (EBK_SVM_SeOM).[SeOM мапе су креиране помоћу RStudio-а (верзија 1.4.1717: https://www.rstudio.com/).]
Различите компоненте класификације кластера [SeOM мапе су креиране помоћу RStudio-а (верзија 1.4.1717: https://www.rstudio.com/).]
Тренутна студија јасно илуструје технике моделирања концентрација никла у урбаним и приурбаним земљиштима. Студија је тестирала различите технике моделирања, комбинујући елементе са техникама моделирања, како би се постигао најбољи начин за предвиђање концентрација никла у земљишту. Композиционе планарне просторне карактеристике SeOM технике моделирања показале су висок образац боја од ниске до високе на прецизној скали боја, што указује на концентрације Ni у земљишту. Међутим, мапа просторне дистрибуције потврђује планарну просторну дистрибуцију компоненти коју је показао EBK_SVMR (видети слику 5). Резултати показују да модел регресије векторске машине подршке (CaMgK-SVMR) предвиђа концентрацију Ni у земљишту као један модел, али параметри валидације и процене тачности показују веома високе грешке у смислу RMSE и MAE. С друге стране, техника моделирања која се користи са EBK_MLR моделом је такође мањкава због ниске вредности коефицијента детерминације (R2). Добри резултати су добијени коришћењем EBK SVMR и комбинованих елемената (CaKMg) са ниским RMSE и MAE грешкама са тачношћу од 63,7%. Испоставља се да комбиновање EBK алгоритма са... Алгоритам машинског учења може генерисати хибридни алгоритам који може предвидети концентрацију ПТЕ у земљишту. Резултати показују да коришћење CaMgK као предиктора за предвиђање концентрација Ni у подручју истраживања може побољшати предвиђање Ni у земљишту. То значи да континуирана примена ђубрива на бази никла и индустријско загађење земљишта од стране челичне индустрије имају тенденцију повећања концентрације никла у земљишту. Ова студија је открила да EBK модел може смањити ниво грешке и побољшати тачност модела просторне расподеле земљишта у урбаним или периурбаним земљиштима. Генерално, предлажемо да се EBK-SVMR модел примени за процену и предвиђање ПТЕ у земљишту; поред тога, предлажемо да се EBK користи за хибридизацију са различитим алгоритмима машинског учења. Концентрације Ni су предвиђене коришћењем елемената као коваријата; међутим, коришћење више коваријата би значајно побољшало перформансе модела, што се може сматрати ограничењем тренутног рада. Још једно ограничење ове студије је да је број скупова података 115. Стога, ако се обезбеди више података, перформансе предложене оптимизоване методе хибридизације могу се побољшати.
PlantProbs.net. Никл у биљкама и земљишту https://plantprobs.net/plant/nutrientImbalances/sodium.html (приступљено 28. априла 2021).
Каспржак, К. С. Никл напредује у модерној еколошкој токсикологији.surroundings.toxicology.11, 145–183 (1987).
Цемпел, М. и Никел, Г. Никел: Преглед његових извора и еколошке токсикологије. Пољски журнал за животну средину. Студије 15, 375–382 (2006).
Фридман, Б. и Хачинсон, Т.Ц. Унос загађивача из атмосфере и акумулација у земљишту и вегетацији у близини топионице никла и бакра у Садберију, Онтарио, Канада.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Манива, Т. и др. Тешки метали у земљишту, биљкама и ризици повезани са испашом преживара у близини рудника бакра и никла Селеби-Фикве у Боцвани. Околина. Геохемија. Здравље https://doi.org/10.1007/s10653-021-00918-x (2021).
Кабата-Пендијас.Кабата-Пендијас А. 2011. Елементи у траговима у земљишту и… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (приступљено 24. новембра 2020).
Алмас, А., Синг, Б., Пољопривреда, TS-NJ од и 1995, недефинисано. Утицаји руске индустрије никла на концентрације тешких метала у пољопривредном земљишту и травама у Сер-Варангеру, Норвешка. agris.fao.org.
Нилсен, ГД и др. Апсорпција и задржавање никла у води за пиће повезани су са уносом хране и осетљивошћу на никл. токсикологија. примена. фармакодинамика. 154, 67–75 (1999).
Коста, М. и Клајн, Ц. Б. Никлова канцерогенеза, мутација, епигенетика или селекција. Околина. Здравствена перспектива. 107, 2 (1999).
Ајман, ПЦ; Ајадо, СК; Боровка, Л.; Бини, ЈКМ; Саркоди, ВЈО; Кобоње, ​​НМ; Анализа трендова потенцијално токсичних елемената: библиометријски преглед. Геохемија животне средине и здравље. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасни, Б. и Мекбратни, А. Б. Дигитално мапирање земљишта: Кратка историја и неке лекције. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
МцБратнеи, АБ, Мендонца Сантос, МЛ & Минасни, Б. О дигиталном мапирању тла. Геодерма 117(1-2), 3-52.хттпс://дои.орг/10.1016/С0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистичко моделирање резервоара,… – 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= (приступљено 28. априла 2021).