Hatur nuhun pikeun ngadatangan Nature.com.Vérsi browser anu anjeun anggo gaduh dukungan terbatas pikeun CSS. Kanggo pangalaman pangsaéna, kami nyarankeun yén anjeun nganggo browser anu diropéa (atanapi mareuman modeu kasaluyuan dina Internet Explorer).
Polusi taneuh mangrupikeun masalah anu ageung disababkeun ku kagiatan manusa. Distribusi spasial unsur berpotensi toksik (PTEs) variasina di sabagéan ageung daérah pakotaan sareng peri-urban. Ku kituna, hese sacara spasial ngaduga eusi PTE dina taneuh sapertos kitu. Jumlahna aya 115 sampel dicandak tina Frydek Mistek di Républik Céko (Konsentrasi Kalsium sareng Kalium), (Kalsium sareng Kalium) Céko. ditangtukeun ngagunakeun spéktrométri émisi plasma gandeng induktif.Variabel réspon nyaéta Ni jeung prediktor nyaéta Ca, Mg, jeung K.Matriks korélasi antara variabel réspon jeung variabel prediktor némbongkeun korelasi nyugemakeun antara unsur-unsur.Hasil prediksi némbongkeun yén Régrési Mesin Véktor Rojongan (SVMR) dipigawé kalawan hadé, sanajan estimasi root mean square error (RMSE.99) jeung 43 kasalahan mean square (RMSE) jeung 43 mg. (166.946 mg/kg) leuwih luhur batan métode séjénna nu diterapkeun.Modél campuran pikeun Empiris Bayesian Kriging-Multiple Linear Regression (EBK-MLR) performa goréng, dibuktikeun ku koefisien determinasi kurang ti 0.1.The Empiris Bayesian Kriging-Support Véktor Mesin Regression (EBK9.5 model pangalusna) (EBK9.5 Modél Mesin Véktor pangalusna) mg/kg) jeung nilai MAE (77.368 mg/kg) jeung koefisien determinasi anu luhur (R2 = 0.637). Kaluaran téhnik modeling EBK-SVMR divisualisasikeun ngagunakeun peta swa-organisasi. Neuron gugus dina pesawat model hibrid CakMg-EBK-SVMR komponén nunjukkeun sababaraha pola warna di urban. jeung SVMR mangrupa téhnik éféktif pikeun ngaramal konsentrasi Ni dina taneuh urban jeung peri-urban.
Nikel (Ni) dianggap mikronutrien pikeun pepelakan sabab nyumbang kana fiksasi nitrogén atmosfir (N) jeung métabolisme uréa, duanana nu diperlukeun pikeun pengecambahan siki. pupuk dumasar-nikel pikeun ngaoptimalkeun fiksasi nitrogén2. Neruskeun aplikasi pupuk dumasar-nikel pikeun enrich taneuh sarta ngaronjatkeun kamampuh legumes pikeun ngalereskeun nitrogén dina taneuh terus ngaronjatkeun konsentrasi nikel dina taneuh.Sanajan nikel mangrupakeun mikronutrient pikeun tutuwuhan, asupan kaleuleuwihan na dina taneuh bisa ngarugikeun leuwih ti alus. Salaku hiji gizi penting pikeun tutuwuhan growth1.According mun Liu3, Ni geus kapanggih jadi unsur penting 17th diperlukeun pikeun ngembangkeun tutuwuhan jeung growth.In salian peran nikel di ngembangkeun tutuwuhan jeung tumuwuhna, manusa merlukeun eta pikeun rupa-rupa applications.Electroplating, produksi alloy dumasar-nikel, sarta pembuatan rupa-rupa alat-alat ignition jeung industri sparkling merlukeun sagala rupa alat-alat ignition jeung industri sparkling. Sajaba ti éta, alloy dumasar-nikel jeung artikel electroplated geus loba dipaké dina kitchenware, asesoris ballroom, suplai industri pangan, listrik, kawat jeung kabel, turbin jet, implants bedah, tékstil, sarta shipbuilding5.Ni-tingkat euyeub di taneuh (ie, taneuh permukaan) geus attributed ka duanana sumber antropogenik jeung alam, tapi utamana sumber anthropogenic jeung alam, tapi sumber alam 6. nikel kaasup bitu vulkanik, vegetasi, kahuruan leuweung, jeung prosés géologis; kumaha oge, sumber antropogenik kaasup accu nikel / cadmium dina industri baja, electroplating, las busur, solar jeung minyak suluh, sarta émisi atmosfir tina durukan batubara jeung runtah sarta sludge incineration akumulasi nikel7,8. Numutkeun Freedman na Hutchinson9 jeung Manyiwa et al. 10, sumber utama polusi topsoil di lingkungan saharita sarta padeukeut utamana nikel basis tambaga smelters jeung tambang. Taneuh luhur sabudeureun kilang lisah nikel-tambaga Sudbury di Kanada miboga tingkat pangluhurna kontaminasi nikel dina 26.000 mg / kg11. Dina kontras, polusi nikel di Rusia ngahasilkeun leuwih luhur dina produksi Norwegia. taneuh11.Nurutkeun Sedekah dkk. 12, jumlah nikel HNO3-extractable di darat garapan luhur wewengkon urang (produksi nikel di Rusia) ranged ti 6,25 nepi ka 136,88 mg / kg, pakait jeung mean 30,43 mg / kg sarta konsentrasi dasar 25 mg / kg. Numutkeun kabata-phosphorus fertilizers urban di fertilizers urban 11, numutkeun kana kabata-phosphorusgrikultur. taneuh salila usum pamotongan saterusna bisa infuse atawa ngotorkeun taneuh. Balukar poténsi nikel dina manusa bisa ngakibatkeun kanker ngaliwatan mutagenesis, karuksakan kromosom, generasi Z-DNA, diblokir perbaikan DNA excision, atawa prosés epigenetic13.Dina percobaan sato, nikel geus kapanggih boga potensi pikeun ngabalukarkeun rupa-rupa tumor, jeung karsinogenik bisa jadi nickel nickel kompléx.
assessments kontaminasi taneuh geus flourished di kali panganyarna alatan rupa-rupa isu nu patali jeung kaséhatan timbul tina hubungan taneuh-tutuwuhan, taneuh jeung hubungan biologis taneuh, degradasi ékologis, sarta assessment dampak lingkungan. Nepi ka ayeuna, prediksi spasial unsur berpotensi toksik (PTEs) kayaning Ni dina taneuh geus laborious jeung waktu-consuming waktu ngagunakeun métode tradisional DSM. predictive soil mapping (PSM).Numutkeun Minasny sareng McBratney16, predictive soil mapping (DSM) parantos kabuktosan janten subdisiplin élmu taneuh.Lagacherie sareng McBratney, 2006 ngahartikeun DSM salaku "nyiptakeun sareng ngeusian sistem informasi taneuh spasial ngaliwatan pamakean metode observasional taneuh non-situ sareng spatial laboratorium. sistem".McBratney dkk. 17 outline yén DSM kontemporer atawa PSM teh téhnik paling éféktif pikeun ngaramal atawa pemetaan sebaran spasial PTEs, jenis taneuh jeung sipat taneuh.Geostatistics jeung Machine Learning Algoritma (MLA) téhnik modeling DSM nu nyieun peta digitized kalayan bantuan komputer ngagunakeun data signifikan jeung minimal.
Deutsch18 sareng Olea19 ngahartikeun geostatistika salaku "kumpulan téknik numerik anu ngungkulan representasi atribut spasial, utamana ngagunakeun modél stokastik, sapertos kumaha analisis séri waktos ciri data temporal." Utamana, geostatistics ngalibatkeun evaluasi variograms, nu ngidinan Ngitung jeung nangtukeun dependensi nilai spasial tina unggal dataset20.Gumiaux et al. 20 salajengna ngagambarkeun yén evaluasi variograms dina geostatistics dumasar kana tilu prinsip, kaasup (a) ngitung skala korelasi data, (b) ngaidentipikasi jeung ngitung anisotropy di disparity dataset jeung (c) sajaba ti salian nyokot kana akun kasalahan alamiah tina data pangukuran dipisahkeun tina épék lokal. geostatistika, kaasup kriging umum, ko-kriging, kriging biasa, kriging Bayesian empiris, metoda kriging basajan jeung téhnik interpolasi well-dipikawanoh séjén pikeun peta atawa prediksi PTE, ciri taneuh, sarta jenis taneuh.
Algoritma Pembelajaran Mesin (MLA) mangrupikeun téknik anu kawilang énggal anu ngagunakeun kelas data non-linier anu langkung ageung, didorong ku algoritma anu utamina dianggo pikeun pertambangan data, ngaidentipikasi pola data, sareng sababaraha kali dilarapkeun kana klasifikasi dina widang ilmiah sapertos élmu taneuh sareng tugas mulang. 22 (leuweung acak pikeun estimasi logam beurat dina taneuh tatanén), Sakizadeh dkk. 23 (modeling ngagunakeun mesin vektor rojongan tur jaringan neural jieunan) polusi taneuh ).Sajaba ti éta, Vega et al. 24 (CART pikeun modeling ingetan logam beurat jeung adsorption dina taneuh) Sun et al. 25 (aplikasi kubist nyaéta distribusi Cd dina taneuh) sareng algoritma sanésna sapertos tatangga k-pangdeukeutna, régrési dorongan umum, sareng régrési dorongan Tangkal ogé nerapkeun MLA pikeun ngaduga PTE dina taneuh.
Aplikasi algoritma DSM dina prediksi atawa pemetaan nyanghareupan sababaraha tantangan.Loba pangarang yakin yén MLA téh punjul ti geostatistics sarta sabalikna.Sanajan hiji leuwih hade tinimbang nu sejen, kombinasi duanana ngaronjatkeun tingkat akurasi pemetaan atawa prediksi di DSM15.Woodcock na Gopal26 Finke27; Pontius na Cheuk28 na Grunwald29 komentar on deficiencies sarta sababaraha kasalahan dina diprediksi pemetaan taneuh.Ilmuwan taneuh geus diusahakeun rupa-rupa téhnik pikeun ngaoptimalkeun efektivitas, akurasi, sarta predictability tina pemetaan DSM na forecasting.The kombinasi kateupastian jeung verifikasi mangrupa salah sahiji loba aspék béda terpadu kana DSM pikeun ngaoptimalkeun efektivitas jeung ngurangan defects. 15 outline yén paripolah validasi jeung kateupastian diwanohkeun ku nyieun peta jeung prediksi kudu disahkeun sacara mandiri pikeun ngaronjatkeun kualitas peta.Keterbatasan DSM téh alatan kualitas taneuh dispersed géografis, nu ngawengku komponén kateupastian; kumaha oge, kurangna kapastian dina DSM bisa timbul tina sababaraha sumber kasalahan, nyaéta kasalahan kovariat, kasalahan model, kasalahan lokasi, sarta Kasalahan analitik 31. Modeling inaccuracies ngainduksi dina MLA jeung prosés geostatistical pakait sareng kurangna pamahaman, pamustunganana ngabalukarkeun oversimplification tina prosés nyata32. Paduli sifat modeling modeling bisa jadi teu akurat parameter modeling, kitu ogé modeling modeling, teu nganggap parameter modeling teu akurat. prediksi, atawa interpolasi33. Anyar, trend DSM anyar geus mecenghul nu promotes integrasi geostatistics jeung MLA dina pemetaan jeung forecasting.Sababaraha élmuwan taneuh jeung pangarang, kayaning Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 sarta Tarasov et al. 37 geus dieksploitasi kualitas akurat geostatistics sarta learning mesin keur ngahasilkeun model hibrid nu ngaronjatkeun efisiensi tina forecasting jeung pemetaan. kualitas.Sababaraha model algoritma hibrid atanapi gabungan ieu nyaéta Kriging Jaringan Syaraf Tiruan (ANN-RK), Kriging Residual Multilayer Perceptron (MLP-RK), Kriging Residual Jaringan Neural Regression Umum (GR- NNRK)36, Jaringan Syaraf Tiruan Kriging-Multilayer Perceptron (ANN-K-MLP)37 sareng Processing Co.
Numutkeun Sergeev et al., ngagabungkeun rupa téhnik modeling boga potensi pikeun ngaleungitkeun defects sarta ngaronjatkeun efisiensi tina model hibrid dihasilkeun tinimbang ngembangkeun model tunggal na.Dina kontéks ieu, makalah anyar ieu boga pamadegan yén perlu nerapkeun algoritma gabungan geostatistics jeung MLA pikeun nyieun model hibrid optimal pikeun ngaduga Ni enrichment di urban jeung wewengkon peri-urban. kalawan Rojongan Véktor Mesin (SVM) jeung model Multiple Linear Regression (MLR). Hibridisasi EBK kalawan MLA wae teu dipikawanoh. The sababaraha model campuran katempo téh kombinasi biasa, residual, regression kriging, sarta MLA.EBK mangrupakeun metoda interpolasi geostatistika nu utilizes a spasial stochastic prosés nu didefinisikeun stochastics médan lokal / médan-médan lokal salaku parameter non-stasioner acak. ngamungkinkeun pikeun variasi spasial39.EBK geus dipaké dina rupa-rupa studi, kaasup nganalisis distribusi karbon organik dina taneuh tani40, assessing polusi taneuh41 jeung pemetaan sipat taneuh42.
Di sisi anu sanésna, Self-Organizing Graph (SeOM) mangrupikeun algoritma pembelajaran anu parantos diterapkeun dina sababaraha tulisan sapertos Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 jeung Kebonye dkk.46 Nangtukeun atribut spasial jeung grup unsur.Wang dkk. 44 outline yén SeOM mangrupakeun téhnik learning kuat dipikawanoh pikeun kamampuhna pikeun grup na ngabayangkeun masalah non-linier. Teu kawas téhnik pangakuan pola lianna kayaning analisis komponén poko, clustering Fuzzy, clustering hirarki, sarta multi-kriteria pembuatan kaputusan, SeOM téh hadé dina pangatur sarta identifying pola PTE.Numutkeun Wang et al. 44, SeOM sacara spasial tiasa ngagolongkeun sebaran neuron anu aya hubunganana sareng nyayogikeun visualisasi data resolusi luhur.SeOM bakal ngabayangkeun data prediksi Ni pikeun kéngingkeun modél anu pangsaéna pikeun ngacirian hasil pikeun interpretasi langsung.
Tulisan ieu boga tujuan pikeun ngahasilkeun modél pemetaan anu kuat kalayan akurasi optimal pikeun ngaramal eusi nikel dina taneuh pakotaan sareng peri-urban. Urang hipotésis yén réliabilitas modél campuran utamana gumantung kana pangaruh modél séjén anu napel kana modél dasar. Urang ngaku tangtangan anu disanghareupan ku DSM, sareng samentawis tantangan-tantangan ieu muncul dina sababaraha kamajuan sareng model MLA. nambahan; Ku kituna, urang bakal nyoba ngajawab patarosan panalungtikan anu bisa ngahasilkeun model campuran. Tapi, kumaha akurat model dina ngaramal unsur target? Oge, kumaha tingkat évaluasi efisiensi dumasar kana validasi jeung akurasi evaluasi? Ku kituna, tujuan husus tina ulikan ieu nya éta pikeun (a) nyieun model campuran gabungan pikeun SVMR atawa MLR ngagunakeun EBK salaku model dasar campuran, (b) ngabandingkeun model campuran pangalusna, (b) konsentrasi dina taneuh urban atawa peri-urban, jeung (d) aplikasi SeOM pikeun nyieun peta resolusi luhur variasi spasial nikel.
Panarikan ieu dibutuhkeun di Républik Ceko, khusus dina kabupaten kaluaranna basebek di Mohalia-Mohalia-Silancy (ningali Gerjaan Agydia-parepatan E, sarta jangkungna nyaeta antara 225 jeung 327 m; kumaha oge, sistem klasifikasi Koppen pikeun kaayaan iklim wewengkon dipeunteun salaku Cfb = iklim samudra sedeng, Aya loba curah hujan sanajan dina bulan garing. Suhu rada béda sapanjang taun antara −5 °C jeung 24 °C, jarang ragrag handap −14 °C atawa saluhureuna 30 °C, sedengkeun rata-rata curah hujan taunan 52.4 mm per taun. wewengkon sakabeh wewengkon 1.208 kilométer pasagi, kalawan 39,38% tina lahan dibudidayakan sarta 49,36% tina liputan leuweung. Di sisi séjén, wewengkon dipaké dina ulikan ieu ngeunaan 889,8 kilométer pasagi. Di na sabudeureun Ostrava, industri baja jeung karya logam aktip pisan. Mills logam, anu dipaké dina industri baja tahan karat di nickel. jeung steels alloy (nikel ngaronjatkeun kakuatan alloy bari ngajaga ductility alus sarta kateguhan na), sarta tatanén intensif kayaning aplikasi pupuk fosfat jeung produksi ternak mangrupa sumber poténsi panalungtikan nikel di wewengkon (misalna nambahkeun nikel ka domba pikeun ngaronjatkeun laju tumuwuh di domba jeung sapi low-fed). lianna di wewengkon panalungtikan electronickel sarta pamakéan electroplating na electroplating na. Prosés plating nikel.Sipat taneuh gampang dibédakeun tina warna taneuh, struktur, jeung kandungan karbonat.Tekstur taneuh sedeng nepi ka halus, diturunkeun tina bahan indukna.Sipatna sifatna koluvial, aluvial atawa aeolian.Sababaraha wewengkon taneuh kaciri belang-belang dina beungeut cai jeung taneuh, mindeng jeung beton jeung pemutihan.Najan kitu, kambisol paling umum dina taneuh. élévasi mimitian ti 455,1 nepi ka 493,5 m, cambisols ngadominasi Céko49.
Peta wewengkon ulikan [Peta wewengkon ulikan dijieun maké ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Jumlahna aya 115 sampel topsoil dicandak tina taneuh urban jeung peri-urban di distrik Frydek Mistek. Pola sampel dipaké nyaéta grid biasa kalawan sampel taneuh dipisah 2 × 2 km eta, sarta topsoil ieu diukur dina jero 0 nepi ka 20 cm ngagunakeun alat GPS leungeun-diayakeun (Leica Zeno 5 GPS). Sampel anu digaringkeun hawa pikeun ngahasilkeun sampel pulverized, pulverized ku sistem mékanis (Fritsch disc mill), sarta sieved (saringan ukuran 2 mm). Tempat 1 gram garing, homogenized jeung sieved sampel taneuh dina botol teflon jelas dilabélan. hiji keur unggal asam), nutupan enteng tur ngidinan sampel nangtung sapeuting pikeun réaksi (program aqua regia). Teundeun supernatant dina pelat métal panas (suhu: 100 W jeung 160 ° C) salila 2 h pikeun mempermudah prosés nyerna sampel, lajeng tiis. Mindahkeun supernatant ka 50 ml volumetric flask50 ml cai jeung éncér cai diluted. supernatan kana tabung PVC 50 ml kalayan cai deionisasi.Tambahanana, 1 ml larutan éncér éncér jeung 9 ml cai deionisasi sarta disaring kana tabung 12 ml anu disiapkeun pikeun PTE pseudo-konsentrasi.Konsentrasi PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Caduct, determinant by Mg, KCP-O). Gandeng Plasma Optical Émisi Spéktroskopi) (Thermo Fisher Scientific, AS) nurutkeun kana métode baku sarta agreement.Ensure Quality Assurance and Control (QA/QC) prosedur (SRM NIST 2711a Montana II Soil).PTEs kalawan wates deteksi handap satengah anu kaasup ti ulikan ieu.The wates deteksi kualitas PTE 0.0 ieu dipaké dina kontrol kualitas PTE 0.0 ieu. sarta prosés jaminan kualitas pikeun tiap analisis geus ensured ku analisa standar rujukan. Pikeun mastikeun yén kasalahan anu minimal, analisis ganda ieu dipigawé.
Empiris Bayesian Kriging (EBK) nyaéta salah sahiji tina loba téhnik interpolasi geostatistika dipaké dina modeling dina rupa-rupa widang kayaning elmu taneuh. Teu kawas téhnik interpolasi kriging lianna, EBK béda ti métode kriging tradisional ku tempo kasalahan estimasi ku model semivariogram. Dina interpolasi EBK, sababaraha téhnik semivariogram interpolasi, tinimbang semivariograms diitung salila semivariogram interpolasi. jalan pikeun kateupastian jeung programming pakait sareng plot tina semivariogram ieu nu constitutes bagian kacida kompleks tina metoda kriging cukup.Prosés interpolasi EBK nuturkeun tilu kriteria nu diajukeun ku Krivoruchko50, (a) model estimasi semivariogram tina dataset input (b) nilai prediksi anyar pikeun tiap lokasi input data dumasar kana model set data ahir (semivariogram nu dihasilkeun). Aturan persamaan Bayesian dirumuskeun salaku posterior
Dimana \ (Prob \ kénca (A \ katuhu) \) ngawakilan prior, \ (Prob \ kénca (B \ katuhu) \) probabiliti marginal dipaliré di hal nu ilahar, \ (Prob (B, A) \ .Itungan semivariogram dumasar kana aturan Bayes ', nu nembongkeun propensity observasi observasi nu bisa dijieun tina semivariograms nilai nu nangtukeun nilai semivariograms. kumaha kamungkinan nyieun susunan data observasi tina semivariogram.
A mesin vektor rojongan mangrupakeun algoritma mesin learning nu dibangkitkeun hiji hyperplane misahkeun optimal pikeun ngabedakeun kelas idéntik tapi teu linier bebas.Vapnik51 dijieun algoritma klasifikasi hajat, tapi geus anyar geus dipaké pikeun ngajawab masalah regression-berorientasi.Numutkeun Li et al.52, SVM mangrupakeun salah sahiji téhnik classifier pangalusna sarta geus dipaké dina rupa-rupa komponén Regression Mesin SVM (Véctor Regression). – SVMR) dipaké dina analisis ieu.Cherkassky jeung Mulier53 naratas SVMR salaku régrési dumasar-kernel, komputasi anu dipigawé ngagunakeun modél régrési linier jeung fungsi spasial multi-nagara. al. 55, epsilon (ε) -SVMR ngagunakeun dataset dilatih pikeun ménta model representasi salaku hiji fungsi epsilon-merhatikeun nu dilarapkeun ka peta data mandiri jeung bias epsilon pangalusna tina latihan dina data correlated. Kasalahan jarak prasetél teu dipaliré tina nilai sabenerna, sarta lamun kasalahan anu leuwih badag batan ε (ε), sipat taneuh ngimbangan eta. vectors.The persamaan diajukeun ku Vapnik51 ditémbongkeun di handap ieu.
dimana b ngagambarkeun bangbarung skalar, \(K\left({x}_{,}{ x}_{k}\right)\) ngagambarkeun fungsi kernel, \(\alpha\) ngagambarkeun multiplier Lagrange, N Ngawakilan set data numerik, \({x}_{k}\) ngagambarkeun input data, jeung \(y\) mangrupa operasi data basis GaSV. fungsi (RBF).Kernel RBF diterapkeun pikeun nangtukeun model SVMR optimal, nu kritis pikeun ménta paling halus set pinalti faktor C jeung parameter kernel gamma (γ) pikeun data latihan PTE. Kahiji, urang dievaluasi set latihan lajeng diuji kinerja model dina set validasi. Parameter steering dipaké nyaéta sigma jeung nilai metoda nyaeta svmRadial.
Modél régrési liniér berganda (MLR) nyaéta modél régrési anu ngagambarkeun hubungan antara variabel réspon jeung sajumlah variabel prediktor ku cara ngagunakeun parameter pooled linier anu diitung ngagunakeun métode kuadrat terkecil. variabel.Persamaan MLR nyaeta
dimana y nyaéta variabel réspon, \(a\) nyaéta intercept, n nyaéta jumlah prediktor, \({b}_{1}\) nyaéta régrési parsial tina koefisien, \({x}_{ i}\) ngagambarkeun prediktor atawa variabel explanatory, sarta \({\varepsilon }_{i}\) ngagambarkeun kasalahan dina modél, ogé dipikawanoh salaku résidu.
Modél campuran dicandak ku cara sandwiching EBK sareng SVMR sareng MLR. Hal ieu dilakukeun ku cara nimba nilai prediksi tina interpolasi EBK. Nilai prediksi anu dicandak tina interpolasi Ca, K, sareng Mg dicandak ngaliwatan prosés kombinatorial pikeun meunangkeun variabel anyar, sapertos CaK, CaMg, sareng KMg. Variabel anu dicandak nyaéta Ca, K, Mg, CaK, CaMg, KMg sareng CaKMg. Variabel ieu janten prediktor kami, ngabantosan ngaduga konsentrasi nikel dina taneuh urban sareng peri-urban. Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Biasana, variabel Ca, K, Mg, CaK, CaMg, KMg, jeung CaKMg dipaké salaku kovariat salaku prediktor eusi Ni dina taneuh urban jeung peri-urban. Gambar 2.
Ngagunakeun SeOM geus jadi alat populér pikeun pangatur, evaluating, sarta forecasting data dina sektor finansial, kasehatan, industri, statistik, elmu taneuh, sarta leuwih.SeOM dijieun maké jaringan neural jieunan sarta métode learning unsupervised pikeun organisasi, evaluasi, sarta prediksi. variabel vektor input-dimensi43,56.Melssen et al. 57 ngajéntrékeun sambungan véktor input kana jaringan saraf ngaliwatan lapisan input tunggal ka véktor kaluaran kalayan véktor beurat tunggal. Kaluaran anu dihasilkeun ku SeOM nyaéta peta dua diménsi anu diwangun ku neuron béda atawa titik anyaman kana peta topologi héksagonal, sirkular, atawa pasagi numutkeun jarakna. Ngabandingkeun ukuran peta dumasar kana métrik, kasalahan kuantisasi (QE . 0.904, masing-masing, dipilih, nyaéta unit 55-peta (5 × 11). Struktur neuron ditangtukeun dumasar kana jumlah titik dina persamaan empiris.
Jumlah data anu digunakeun dina ieu panalungtikan nyaéta 115 sampel. Pendekatan acak digunakeun pikeun ngabagi data jadi data tés (25% pikeun validasi) jeung set data latihan (75% pikeun kalibrasi). Prosés validasi silang sapuluh kali, diulang lima kali. Variabel anu dihasilkeun ku interpolasi EBK dipaké salaku prediktor atawa variabel explanatory keur prediksi variabel target (PTE). Modeling diatur dina RStudio ngagunakeun perpustakaan bungkusan (Kohonen), perpustakaan (caret), perpustakaan (modelr), perpustakaan ("e1071″), perpustakaan ("plyrol") perpustakaan ("plyrol"), perpustakaan ("plyrol"), perpustakaan ("plyrol") ("Metrik").
Rupa-rupa parameter validasi dipaké pikeun nangtukeun modél pangalusna cocog pikeun ngaramal konsentrasi nikel dina taneuh sarta evaluate akurasi model jeung validasi na.Model hibridisasi dievaluasi ngagunakeun mean absolute error (MAE), root mean square error (RMSE), sarta R-kuadrat atawa koefisien determinasi (R2). gedena dina ukuran bebas ngajelaskeun kakuatan prediksi model, sedengkeun MAE nangtukeun nilai kuantitatif sabenerna.Nilai R2 kudu luhur mun evaluate model campuran pangalusna ngagunakeun parameter validasi, nu ngadeukeutan nilai 1, nu leuwih luhur akurasi.Nurutkeun Li et al. 59, nilai kriteria R2 0,75 atawa leuwih gede dianggap prediktor alus; ti 0,5 nepi ka 0,75 kinerja modél bisa ditarima, sarta handap 0,5 kinerja model unacceptable. Nalika milih model ngagunakeun métode evaluasi kriteria validasi RMSE jeung MAE, nilai handap dimeunangkeun cukup jeung dianggap pilihan pangalusna. Persamaan handap ngajelaskeun metoda verifikasi.
dimana n ngagambarkeun ukuran tina nilai observasi \ ({Y}_{i}\) ngagambarkeun respon diukur, sarta \({\ widehat{Y}}_{i}\) ogé ngagambarkeun nilai respon diprediksi, kituna, pikeun i observasi munggaran.
Déskripsi statistik variabel prediktor jeung réspon dipidangkeun dina Tabél 1, némbongkeun rata-rata, simpangan baku (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, jeung skewness. Nilai minimum jeung maksimum unsur aya dina nurunna urutan Mg < Ca < K < Ni jeung Ca < Mg < K
Korélasi variabel prediktor jeung elemen respon nunjukkeun korelasi nyugemakeun antara elemen (tingali Gambar 3). Korelasi nunjukkeun yén CaK exhibited korelasi sedeng kalawan nilai r = 0,53, sakumaha tuh CaNi. Sanajan Ca jeung K némbongkeun asosiasi modest saling, peneliti kayaning Kingston et al. 68 sarta Santo69 nunjukkeun yén tingkat maranéhanana dina taneuh anu tibalik proporsional. Tapi, Ca jeung Mg anu antagonis ka K, tapi CaK correlates well. Ieu bisa jadi alatan aplikasi pupuk kayaning kalium karbonat, nu 56% leuwih luhur dina kalium. Kalium ieu moderately correlated kalawan magnésium (KM r = 0,63, dina industri magnésium kalium nu patali jeung magnésium). nitrat, jeung potash diterapkeun kana taneuh pikeun ngaronjatkeun tingkat kakuranganna. Nikel dikorelasikeun sedeng jeung Ca, K jeung Mg kalawan nilai r = 0,52, 0,63 jeung 0,55, masing-masing. épék toksik nikel dina taneuh.
Matriks korelasi pikeun elemen anu nunjukkeun hubungan antara prediktor sareng réspon (Catetan: inohong ieu kalebet scatterplot antara unsur, tingkat signifikansi dumasar kana p <0,001).
Gambar 4 ngagambarkeun sebaran spasial unsur.Numutkeun Burgos dkk70, aplikasi sebaran spasial nyaéta téhnik dipaké pikeun ngitung jeung nyorot hot spot di wewengkon polusi.Tingkat pengayaan Ca dina Gbr. 4 bisa ditempo dina bagian kalér-kuloneun peta sebaran spasial.The inohong nembongkeun sedeng ka kalér-kuloneun hots enrichment luhur. kamungkinan alatan pamakéan quicklime (kalsium oksida) pikeun ngurangan kaasaman taneuh sarta pamakéan na di pabrik baja salaku oksigén basa dina prosés steelmaking. Di sisi séjén, patani séjén resep ngagunakeun kalsium hidroksida dina taneuh asam pikeun neutralize pH, nu ogé ngaronjatkeun kandungan kalsium taneuh71. Kalium ogé nembongkeun titik panas di kalér-kuloneun jeung wétan bisa jadi pola utama kalium-kuloneun dina peta. jadi alatan NPK jeung potash applications.This konsisten jeung studi séjén, saperti Madaras jeung Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, anu observasi yén stabilisasi taneuh jeung perlakuan jeung KCl jeung NPK nyababkeun eusi K luhur dina taneuh. Pengayaan Kalium spasial di kalér-kuloneun peta distribusi bisa jadi alatan pamakéan pupuk dumasar-kalium kayaning kalium klorida, kalium sulfat, kalium nitrat, potash, sarta potash pikeun ngaronjatkeun eusi kalium taneuh goréng.Zádorová dkk. 76 sarta Tlustoš et al. 77 outlined yén aplikasi pupuk dumasar-K ngaronjatkeun kandungan K dina taneuh sarta sacara signifikan bakal ngaronjatkeun kandungan gizi taneuh dina jangka panjang, utamana K jeung Mg némbongkeun titik panas dina taneuh.Hotspots rélatif sedeng di kalér-kuloneun peta jeung tenggara peta.Fiksasi koloid dina taneuh depletes konsentrasi magnésium di jero taneuh. chlorosis.Pupuk basis magnésium, kayaning kalium magnésium sulfat, magnésium sulfat, sarta Kieserite, ngubaran deficiencies (tutuwuhan muncul wungu, beureum, atawa coklat, nunjukkeun kakurangan magnésium) dina taneuh kalawan rentang pH normal6. Akumulasi nikel dina surfaces taneuh urban jeung peri-urban bisa jadi alatan kagiatan antropogenik kayaning agriculture baja8.
Distribusi spasial elemen [peta distribusi spasial dijieun maké ArcGIS Desktop (ESRI, Inc, Vérsi 10.7, URL: https://desktop.arcgis.com).]
Hasil indéks kinerja modél pikeun unsur-unsur anu digunakeun dina ulikan ieu dipidangkeun dina Tabél 2. Di sisi séjén, RMSE jeung MAE tina Ni duanana deukeut enol (0,86 RMSE, -0,08 MAE). EBK pikeun ngaduga Ni kapanggih leuwih hade tinimbang hasil John et al. 54 ngagunakeun kriging sinergis pikeun prediksi konsentrasi S dina taneuh ngagunakeun data dikumpulkeun sarua. Kaluaran EBK kami diulik correlate jeung pamadegan Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 jeung John et al. 82, utamana K jeung Ni.
Kinerja métode individu pikeun ngaramal eusi nikel dina taneuh urban jeung peri-urban ieu dievaluasi ngagunakeun kinerja model (Table 3). Validasi model jeung evaluasi akurasi dikonfirmasi yén prediktor Ca_Mg_K digabungkeun jeung model EBK SVMR yielded kinerja pangalusna.Calibration model Ca_Mg_K-EBK-EBK_SVMRan model kasalahan R2 (R2, EBK_SVMRan model) jeung kasalahan absolut (Akar EBK) jeung kasalahan kuadrat. éta 0,637 (R2), 95,479 mg / kg (RMSE) jeung 77,368 mg / kg (MAE) Ca_Mg_K-SVMR éta 0,663 (R2), 235,974 mg / kg (RMSE) jeung 166,946 mg / kg (MAE). (0,663 mg / kg R2) jeung Ca_Mg-EBK_SVMR (0,643 = R2); hasil RMSE jeung MAE maranéhanana éta leuwih luhur ti maranéhanana pikeun Ca_Mg_K-EBK_SVMR (R2 0.637) (tingali Table 3). Sajaba ti éta, RMSE jeung MAE tina Ca_Mg-EBK_SVMR (RMSE = 1664.64 jeung MAE = 1031.49) model anu 17,5 jeung 13, nu masing-masing leuwih badag batan 13. Ca_Mg_K-EBK_SVMR. Kitu ogé, modél RMSE sareng MAE tina Ca_Mg-K SVMR (RMSE = 235.974 sareng MAE = 166.946) nyaéta 2.5 sareng 2.2 langkung ageung tibatan Ca_Mg_K-EBK_SVMR RMSE sareng MAE masing-masing. fit.Tingkat RSME jeung MAE dititénan.Numutkeun Kebonye dkk. 46 jeung john et al. 54, langkung caket RMSE sareng MAE ka nol, langkung saé hasilna.SVMR sareng EBK_SVMR gaduh nilai RSME sareng MAE anu dikuantisasi langkung luhur. Dititénan yén estimasi RSME sacara konsistén langkung luhur tibatan nilai MAE, nunjukkeun ayana outlier. Numutkeun Legates sareng McCabe83, sajauh mana aya kasalahan RMSE anu disarankeun (sakumaha ayana kasalahan mutlak RMSE) disarankeun. outliers.Ieu hartina beuki hétérogén dataset, nu leuwih luhur nilai MAE na RMSE.Katepatan tina cross-validasi assessment tina model campuran Ca_Mg_K-EBK_SVMR keur prediksi eusi Ni dina taneuh urban jeung suburban éta 63.70%.Nurutkeun Li et al. 59, tingkat akurasi ieu mangrupa laju kinerja model ditarima. Hasil ayeuna dibandingkeun jeung ulikan saméméhna ku Tarasov et al. 36 anu model hibrida dijieun MLPRK (Multilayer Perceptron Residual Kriging), patali jeung EBK_SVMR indéks evaluasi akurasi dilaporkeun dina ulikan ayeuna, RMSE (210) jeung The MAE (167.5) éta leuwih luhur ti hasil urang dina ulikan ayeuna (RMSE 95.479, MAE 77.368) . Tarasov et al. 36 (0.544), jelas yén koefisien determinasi (R2) langkung luhur dina modél campuran ieu. Margin kasalahan (RMSE sareng MAE) (EBK SVMR) pikeun modél campuran dua kali langkung handap. (R2) .Tingkat akurasi prediksi model ieu (EBK SVMR) nyaeta 63,7%, sedengkeun akurasi prediksi diala ku Sergeev et al. 34 mangrupa 28%.Peta ahir (Gbr. 5) dijieun maké modél EBK_SVMR na Ca_Mg_K salaku prediktor nembongkeun prediksi titik panas tur sedeng pikeun nikel ngaliwatan sakabéh wewengkon ulikan. Ieu ngandung harti yén konsentrasi nikel di wewengkon ulikan utamana sedeng, kalawan konsentrasi luhur di sababaraha wewengkon husus.
Peta prediksi ahir digambarkeun ngagunakeun modél hibrid EBK_SVMR sarta ngagunakeun Ca_Mg_K salaku prediktor.[Peta distribusi spasial dijieun maké RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Dipidangkeun dina Gambar 6 konsentrasi PTE salaku pesawat komposisi diwangun ku neuron individu.Euweuh sahiji planes komponén exhibited pola warna anu sarua sakumaha ditémbongkeun.Najan kitu, jumlah luyu neuron per peta digambar nyaeta 55.SeOM dihasilkeun ngagunakeun rupa-rupa kelir, sarta leuwih sarupa pola warna, leuwih comparable sipat tina sampel.Numutkeun warna individu, warna K, jeung warna maranéhanana. pola ka neuron tinggi tunggal jeung neuron paling low.Ku kituna, CaK na CaMg babagi sababaraha kamiripan jeung neuron urutan pisan tinggi na low-to-sedeng patterns.Both model ngaramal konsentrasi Ni dina taneuh ku mintonkeun sedeng pikeun hues luhur tina kelir kayaning beureum, oranyeu jeung konéng.Model KMg mintonkeun loba pola warna luhur dumasar kana skala warna low nepi ka sedeng. pola distribusi planar komponén modél nunjukkeun pola warna anu luhur nunjukkeun konsentrasi poténsi nikel dina taneuh (tingali Gambar 4).Komponén pesawat modél CakMg nunjukkeun pola warna anu rupa-rupa ti low ka luhur nurutkeun skala warna anu akurat. proporsi konsentrasi nikel dina taneuh urban jeung peri-urban.Gambar 7 ngagambarkeun métode kontur dina k-means grouping dina peta, dibagi jadi tilu klaster dumasar kana nilai prediksi dina unggal model.Metode kontur ngagambarkeun jumlah optimal klaster.Tina 115 sampel taneuh dikumpulkeun, kategori 1 narima sampel taneuh panglobana.C38 2, 7 kluster narima sampel taneuh, 7 4 sampel. samples.The kombinasi prediktor planar tujuh-komponén ieu disederhanakeun pikeun ngidinan pikeun interpretasi klaster bener. Alatan loba prosés anthropogenic jeung alam mangaruhan formasi taneuh, hese boga pola klaster differentiated leres dina SeOM map78 disebarkeun.
Kaluaran pesawat komponén ku unggal variabel Empiris Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Peta SeOM dijieun maké RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponén klasifikasi klaster anu béda [peta SeOM didamel nganggo RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Ulikan ayeuna jelas illustrates téhnik modeling pikeun konsentrasi nikel dina urban jeung peri-urban soils.The ulikan nguji téhnik modeling béda, ngagabungkeun elemen jeung téhnik modeling, pikeun ménta cara pangalusna keur prediksi konsentrasi nikel dina taneuh.The SeOM komposisi planar fitur spasial tina téknik modeling némbongkeun pola warna luhur ti low ka luhur dina skala warna taneuh akurat, dina skala nikel dina skala sebaran akurat, dina peta sebaran nikel. confirms sebaran spasial planar komponén exhibited ku EBK_SVMR (tingali Gambar 5). Hasilna nunjukkeun yén modél régrési mesin vektor rojongan (Ca Mg K-SVMR) prédiksi konsentrasi Ni dina taneuh salaku model tunggal, tapi validasi jeung evaluasi akurasi parameter nembongkeun kasalahan pisan tinggi dina watesan RMSE na MAE. Di sisi séjén, modeling nilai low tina modeling, sarta modeling EBKM. koefisien determinasi (R2).Hasil anu alus dicandak ngagunakeun EBK SVMR sareng elemen gabungan (CaKMg) kalayan kasalahan RMSE sareng MAE rendah kalayan akurasi 63,7%. Tétéla ngagabungkeun algoritma EBK sareng algoritma machine learning tiasa ngahasilkeun algoritma hibrida anu tiasa ngaramal konsentrasi PTE dina taneuh. Ieu ngandung harti yén aplikasi terus-terusan pupuk dumasar-nikel jeung polusi industri taneuh ku industri baja boga kacenderungan pikeun ngaronjatkeun konsentrasi nikel dina taneuh.Ulikan ieu ngungkabkeun yén modél EBK bisa ngurangan tingkat kasalahan sarta ngaronjatkeun akurasi model distribusi spasial taneuh di perkotaan atawa taneuh peri-urban. Sajaba ti éta, urang ngajukeun ngagunakeun EBK pikeun hibridisasi jeung sagala rupa algoritma mesin learning.Konsentrasi Ni diprediksi ngagunakeun elemen salaku kovariat; kumaha oge, ngagunakeun leuwih kovariates bakal greatly ngaronjatkeun kinerja model, nu bisa dianggap watesan karya ayeuna. Watesan sejen ulikan ieu yén jumlah datasets nyaeta 115. Ku kituna, lamun leuwih data disadiakeun, kinerja metoda hibridisasi dioptimalkeun diusulkeun bisa ningkat.
PlantProbs.net.Nickel dina Tutuwuhan jeung Taneuh https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nikel kamajuan dina toxicology.surroundings.toxicology.11 lingkungan modern, 11, 145-183 (1987).
Cempel, M. & Nikel, G. nikel: A review ngeunaan sumber na toxicology lingkungan.Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Input Polutan ti atmosfir sarta akumulasi dina taneuh jeung vegetasi deukeut smelter nikel-tambaga di Sudbury, Ontario, Canada.can.J. Bot.58 (1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam beurat dina taneuh, tutuwuhan jeung resiko pakait sareng grazing ruminansia deukeut tambang tambaga-nikel Selebi-Phikwe di Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Trace elements in soil and… – Google Scholar https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Unsur+dina+tanah+jeung+tutuwuhan.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Diaksés 24 Nov 2020).
Almås, A., Singh, B., Tatanén, TS-NJ tina & 1995, undefined.Pangaruh industri nikel Rusia dina konsentrasi logam beurat dina taneuh tatanén jeung jukut di Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Nyerep nikel sareng ingetan dina cai nginum aya hubunganana sareng asupan tuangeun sareng sensitipitas nikel.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB nikel carcinogenesis, mutasi, epigenetics atanapi selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, NM; Analisis tren unsur berpotensi toksik: tinjauan bibliometric. Géokimia Lingkungan sareng Kaséhatan.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Sajarah singket jeung Sababaraha Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Dina pemetaan taneuh digital.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+halaman.+&btnG= (Diaksés 28 April 2021).
waktos pos: Jul-22-2022
