Hatur nuhun parantos nganjang ka Nature.com. Versi browser anu anjeun anggo gaduh dukungan CSS anu terbatas. Pikeun pangalaman anu pangsaéna, kami nyarankeun anjeun nganggo browser anu diénggalan (atanapi mareuman modeu kompatibilitas dina Internet Explorer). Samentawis waktos, pikeun mastikeun dukungan anu terus-terusan, kami bakal nampilkeun situs tanpa gaya sareng JavaScript.
Pencemaran taneuh mangrupikeun masalah ageung anu disababkeun ku kagiatan manusa. Distribusi spasial unsur-unsur anu berpotensi toksik (PTE) bénten-bénten di kalolobaan daérah urban sareng peri-urban. Ku alatan éta, hésé pikeun ngaduga sacara spasial eusi PTE dina taneuh sapertos kitu. Total 115 sampel diala ti Frydek Mistek di Républik Céko. Konsentrasi kalsium (Ca), magnésium (Mg), kalium (K) sareng nikel (Ni) ditangtukeun nganggo spéktrométri émisi plasma anu digandengkeun sacara induktif. Variabel réspon nyaéta Ni sareng prediktorna nyaéta Ca, Mg, sareng K. Matriks korélasi antara variabel réspon sareng variabel prediktor nunjukkeun korélasi anu nyugemakeun antara unsur-unsur. Hasil prediksi nunjukkeun yén Regresi Mesin Vektor Dukungan (SVMR) berkinerja saé, sanaos perkiraan kasalahan akar rata-rata kuadrat (RMSE) (235,974 mg/kg) sareng kasalahan absolut rata-rata (MAE) (166,946 mg/kg) langkung luhur tibatan metode sanés anu diterapkeun. Modél campuran pikeun Regresi Linier Bayesian Kriging-Multiple (EBK-MLR) berkinerja goréng, sakumaha dibuktikeun. ku koéfisién determinasi kirang ti 0,1. Modél Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) mangrupikeun modél anu pangsaéna, kalayan nilai RMSE (95,479 mg/kg) sareng MAE (77,368 mg/kg) anu handap sareng koéfisién determinasi anu luhur (R2 = 0,637). Kaluaran téknik modél EBK-SVMR divisualisasikeun nganggo peta anu ngatur diri. Neuron anu dikelompokkeun dina bidang komponén modél hibrida CakMg-EBK-SVMR nunjukkeun sababaraha pola warna anu ngaduga konsentrasi Ni dina taneuh urban sareng peri-urban. Hasilna nunjukkeun yén ngagabungkeun EBK sareng SVMR mangrupikeun téknik anu efektif pikeun ngaduga konsentrasi Ni dina taneuh urban sareng peri-urban.
Nikel (Ni) dianggap mikronutrien pikeun pepelakan sabab nyumbang kana fiksasi nitrogén atmosfir (N) sareng métabolisme uréa, anu duanana diperyogikeun pikeun pengecambahan siki. Salian ti kontribusina kana pengecambahan siki, Ni tiasa bertindak salaku inhibitor jamur sareng baktéri sareng ngamajukeun kamekaran pepelakan. Kurangna nikel dina taneuh ngamungkinkeun pepelakan nyerepna, anu nyababkeun klorosis daun. Salaku conto, kacang tunggak sareng buncis meryogikeun aplikasi pupuk berbasis nikel pikeun ngaoptimalkeun fiksasi nitrogén2. Aplikasi pupuk berbasis nikel anu terus-terusan pikeun ngabeungharan taneuh sareng ningkatkeun kamampuan kacang-kacangan pikeun ngalereskeun nitrogén dina taneuh sacara terus-terusan ningkatkeun konsentrasi nikel dina taneuh. Sanaos nikel mangrupikeun mikronutrien pikeun pepelakan, asupan anu kaleuleuwihi dina taneuh tiasa langkung ngabahayakeun tibatan anu saé. Toksisitas nikel dina taneuh ngaminimalkeun pH taneuh sareng ngahalangan panyerepan beusi salaku nutrisi penting pikeun kamekaran pepelakan1. Numutkeun Liu3, Ni parantos kapendak janten unsur penting ka-17 anu diperyogikeun pikeun kamekaran sareng kamekaran pepelakan. Salian ti peran nikel dina kamekaran sareng kamekaran pepelakan, manusa peryogina pikeun rupa-rupa aplikasi. Elektroplating, produksi pupuk berbasis nikel logam campuran, sareng pabrikasi alat pengapian sareng busi dina industri otomotif sadayana meryogikeun panggunaan nikel dina sababaraha séktor industri. Salian ti éta, logam campuran berbasis nikel sareng barang-barang anu dilapis éléktroplés parantos seueur dianggo dina alat-alat dapur, asesoris ballroom, suplai industri pangan, listrik, kawat sareng kabel, turbin jet, implan bedah, tékstil, sareng pangwangunan kapal5. Kadar beunghar Ni dina taneuh (nyaéta, taneuh permukaan) parantos dikaitkeun sareng sumber antropogenik sareng alami, tapi utamina, Ni mangrupikeun sumber alami tinimbang antropogenik4,6. Sumber alami nikel kalebet letusan gunung berapi, vegetasi, kahuruan leuweung, sareng prosés géologis; kumaha oge, sumber antropogenik kalebet batré nikel / kadmium dina industri baja, éléktroplés, las busur, solar sareng minyak bahan bakar, sareng émisi atmosfir tina durukan batu bara sareng pembakaran runtah sareng leutak Akumulasi nikel7,8. Numutkeun Freedman sareng Hutchinson9 sareng Manyiwa et al. 10, sumber utama polusi taneuh luhur di lingkungan caket dieu sareng di sakurilingna utamina nyaéta pabrik peleburan sareng tambang anu didamel tina nikel-tambaga. Taneuh luhur di sakitar kilang nikel-tambaga Sudbury di Kanada ngagaduhan tingkat kontaminasi nikel pangluhurna nyaéta 26.000 mg/kg11. Sabalikna, polusi tina produksi nikel di Rusia parantos nyababkeun konsentrasi nikel anu langkung luhur dina taneuh Norwegia11. Numutkeun Alms et al. 12, jumlah nikel anu tiasa diekstrak HNO3 di lahan subur luhur di daérah éta (produksi nikel di Rusia) mimitian ti 6,25 dugi ka 136,88 mg/kg, anu pakait sareng rata-rata 30,43 mg/kg sareng konsentrasi dasar 25 mg/kg. Numutkeun kabata 11, aplikasi pupuk fosfor dina taneuh tatanén di taneuh urban atanapi peri-urban salami usum pepelakan berturut-turut tiasa nginfus atanapi ngotoran taneuh. Pangaruh poténsial nikel dina manusa tiasa nyababkeun kanker ngalangkungan mutagenesis, karusakan kromosom, generasi Z-DNA, perbaikan éksisi DNA anu diblokir, atanapi prosés epigenetik 13. Dina ékspérimén sato, nikel parantos kapendak gaduh poténsi pikeun nyababkeun rupa-rupa tumor, sareng kompleks nikel karsinogenik tiasa nganyenyerikeun tumor sapertos kitu.
Panilaian kontaminasi taneuh parantos mekar akhir-akhir ieu kusabab rupa-rupa masalah anu aya hubunganana sareng kaséhatan anu timbul tina hubungan taneuh-tutuwuhan, hubungan biologis taneuh sareng taneuh, degradasi ékologis, sareng panilaian dampak lingkungan. Nepi ka ayeuna, prediksi spasial unsur-unsur anu berpotensi toksik (PTE) sapertos Ni dina taneuh parantos hésé sareng nyéépkeun waktos nganggo metode tradisional. Munculna pemetaan taneuh digital (DSM) sareng kasuksésan ayeuna15 parantos ningkatkeun pemetaan taneuh prédiktif (PSM). Numutkeun Minasny sareng McBratney16, pemetaan taneuh prédiktif (DSM) parantos kabuktosan janten subdisiplin élmu taneuh anu penting. Lagacherie sareng McBratney, 2006 ngahartikeun DSM salaku "nyiptakeun sareng ngeusian sistem inpormasi taneuh spasial ngalangkungan panggunaan metode observasi in situ sareng laboratorium sareng sistem inferensi taneuh spasial sareng non-spasial". McBratney et al. 17 ngajelaskeun yén DSM atanapi PSM kontemporer mangrupikeun téknik anu paling efektif pikeun ngaduga atanapi memetakan distribusi spasial PTE, jinis taneuh sareng sipat taneuh. Geostatistik sareng Algoritma Pembelajaran Mesin (MLA) nyaéta téknik modél DSM anu nyiptakeun peta digital kalayan bantosan komputer nganggo data anu signifikan sareng minimal.
Deutsch18 sareng Olea19 ngahartikeun geostatistik salaku "kumpulan téknik numerik anu nguruskeun répréséntasi atribut spasial, utamina nganggo modél stokastik, sapertos kumaha analisis runtuyan waktu ngacirikeun data temporal." Utamana, geostatistik ngalibatkeun évaluasi variogram, anu ngamungkinkeun Kuantifikasi sareng nangtukeun katergantungan nilai spasial tina unggal sét data20. Gumiaux et al. 20 langkung ngajelaskeun yén évaluasi variogram dina geostatistik dumasar kana tilu prinsip, kalebet (a) ngitung skala korélasi data, (b) ngaidentipikasi sareng ngitung anisotropi dina disparitas sét data sareng (c) salian ti éta. Salian ti merhatikeun kasalahan bawaan tina data pangukuran anu dipisahkeun tina pangaruh lokal, pangaruh daérah ogé diestimasi. Ngawangun konsép ieu, seueur téknik interpolasi anu dianggo dina geostatistik, kalebet kriging umum, ko-kriging, kriging biasa, kriging Bayesian empiris, metode kriging saderhana sareng téknik interpolasi anu terkenal pikeun memetakan atanapi ngaduga PTE, karakteristik taneuh, sareng jinis taneuh.
Algoritma Pembelajaran Mesin (MLA) nyaéta téknik anu kawilang anyar anu ngagunakeun kelas data non-linier anu langkung ageung, didorong ku algoritma anu utamina dianggo pikeun panambangan data, ngaidentipikasi pola dina data, sareng diterapkeun sacara berulang kana klasifikasi dina widang ilmiah sapertos élmu taneuh sareng tugas mulang. Seueur makalah panilitian ngandelkeun modél MLA pikeun ngaduga PTE dina taneuh, sapertos Tan et al. 22 (leuweung acak pikeun estimasi logam beurat dina taneuh tatanén), Sakizadeh et al. 23 (pemodelan nganggo mesin véktor pendukung sareng jaringan saraf jieunan) polusi taneuh). Salaku tambahan, Vega et al. 24 (CART pikeun modél ingetan logam beurat sareng adsorpsi dina taneuh) Sun et al. 25 (aplikasi kubis nyaéta distribusi Cd dina taneuh) sareng algoritma sanés sapertos k-nearest neighbor, regresi dorongan umum, sareng regresi dorongan Tangkal ogé nerapkeun MLA pikeun ngaduga PTE dina taneuh.
Aplikasi algoritma DSM dina prediksi atanapi pemetaan nyanghareupan sababaraha tantangan. Seueur pangarang yakin yén MLA langkung unggul tibatan geostatistik sareng sabalikna. Sanaos anu hiji langkung saé tibatan anu sanés, kombinasi duanana ningkatkeun tingkat akurasi pemetaan atanapi prediksi dina DSM15. Woodcock sareng Gopal26 Finke27; Pontius sareng Cheuk28 sareng Grunwald29 mairan ngeunaan kakurangan sareng sababaraha kasalahan dina pemetaan taneuh anu diprediksi. Élmuwan taneuh parantos nyobian rupa-rupa téknik pikeun ngaoptimalkeun efektivitas, akurasi, sareng prediktabilitas pemetaan sareng ramalan DSM. Kombinasi kateupastian sareng verifikasi mangrupikeun salah sahiji tina seueur aspék anu béda anu diintegrasikeun kana DSM pikeun ngaoptimalkeun efektivitas sareng ngirangan cacad. Nanging, Agyeman et al. 15 ngajelaskeun yén paripolah validasi sareng kateupastian anu diwanohkeun ku nyiptakeun peta sareng prediksi kedah divalidasi sacara mandiri pikeun ningkatkeun kualitas peta. Watesan DSM disababkeun ku kualitas taneuh anu sumebar sacara geografis, anu ngalibatkeun komponén kateupastian; Nanging, kurangna kapastian dina DSM tiasa timbul tina sababaraha sumber kasalahan, nyaéta kasalahan kovariat, kasalahan modél, kasalahan lokasi, sareng Kasalahan analitis 31. Kateupastian modél anu diinduksi dina prosés MLA sareng geostatistik aya hubunganana sareng kurangna pamahaman, anu pamustunganana ngarah kana panyederhanaan anu kaleuleuwihi tina prosés nyata 32. Henteu paduli sifat modélna, ketidakakuratan tiasa disababkeun ku parameter modél, prediksi modél matematika, atanapi interpolasi 33. Anyar-anyar ieu, tren DSM énggal parantos muncul anu ngamajukeun integrasi geostatistik sareng MLA dina pemetaan sareng ramalan. Sababaraha élmuwan taneuh sareng pangarang, sapertos Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 sareng Tarasov et al. 37 parantos ngamangpaatkeun kualitas akurat geostatistik sareng pembelajaran mesin pikeun ngahasilkeun modél hibrida anu ningkatkeun efisiensi ramalan sareng pemetaan. kualitas. Sababaraha modél algoritma hibrida atanapi gabungan ieu nyaéta Jaringan Saraf Tiruan Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Regresi Umum Jaringan Saraf Tiruan Kriging Residual (GR-NNRK)36, Jaringan Saraf Tiruan Kriging-Multilayer Perceptron (ANN-K-MLP)37 sareng Co-Kriging sareng Regresi Prosés Gaussian38.
Numutkeun Sergeev et al., ngagabungkeun rupa-rupa téknik modél mibanda poténsi pikeun ngaleungitkeun cacad sareng ningkatkeun efisiensi modél hibrida anu dihasilkeun tinimbang ngembangkeun modél tunggalna. Dina kontéks ieu, makalah anyar ieu ngajukeun yén perlu nerapkeun algoritma gabungan geostatistik sareng MLA pikeun nyiptakeun modél hibrida anu optimal pikeun ngaduga pangayaan Ni di daérah urban sareng peri-urban. Panilitian ieu bakal ngandelkeun Empirical Bayesian Kriging (EBK) salaku modél dasar sareng nyampurnakeunana sareng modél Support Vector Machine (SVM) sareng Multiple Linear Regression (MLR). Hibridisasi EBK sareng MLA naon waé teu acan dipikanyaho. Modél campuran sababaraha anu katingali nyaéta kombinasi tina kriging biasa, sésa, régrési, sareng MLA. EBK mangrupikeun metode interpolasi geostatistik anu ngamangpaatkeun prosés stokastik spasial anu dilokalisasi salaku widang acak non-stasioner/stasioner kalayan parameter lokalisasi anu ditetepkeun di lapangan, ngamungkinkeun variasi spasial 39. EBK parantos dianggo dina rupa-rupa panilitian, kalebet nganalisis distribusi karbon organik dina taneuh pertanian 40, meunteun polusi taneuh 41 sareng memetakan taneuh. sipat42.
Di sisi séjén, Self-Organizing Graph (SeOM) nyaéta algoritma pembelajaran anu parantos diterapkeun dina rupa-rupa artikel sapertos Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 sareng Kebonye et al. 46 Nangtukeun atribut spasial sareng pengelompokan unsur. Wang et al. 44 ngajelaskeun yén SeOM mangrupikeun téknik pembelajaran anu kuat anu dikenal ku kamampuanna pikeun ngagolongkeun sareng ngabayangkeun masalah non-linier. Teu sapertos téknik pangakuan pola sanés sapertos analisis komponén utama, klaster fuzzy, klaster hirarkis, sareng pengambilan keputusan multi-kriteria, SeOM langkung saé dina ngatur sareng ngaidentipikasi pola PTE. Numutkeun Wang et al. 44, SeOM tiasa sacara spasial ngagolongkeun distribusi neuron anu aya hubunganana sareng nyayogikeun visualisasi data résolusi tinggi. SeOM bakal ngavisualisasikeun data prediksi Ni pikeun kéngingkeun modél anu pangsaéna pikeun ngacirikeun hasil pikeun interpretasi langsung.
Makalah ieu boga tujuan pikeun ngahasilkeun modél pemetaan anu kuat kalayan akurasi optimal pikeun ngaduga eusi nikel dina taneuh urban sareng peri-urban. Kami ngaduga yén reliabilitas modél campuran utamina gumantung kana pangaruh modél sanés anu napel kana modél dasar. Kami ngaku kana tantangan anu disanghareupan ku DSM, sareng sanaos tantangan ieu dibahas dina sababaraha aspék, kombinasi kamajuan dina géostatistik sareng modél MLA sigana ningkat; ku kituna, kami bakal nyobian ngajawab patarosan panalungtikan anu tiasa ngahasilkeun modél campuran. Nanging, sabaraha akurat modél dina ngaduga unsur target? Ogé, kumaha tingkat évaluasi efisiensi dumasar kana validasi sareng évaluasi akurasi? Ku alatan éta, tujuan khusus tina panilitian ieu nyaéta pikeun (a) nyiptakeun modél campuran gabungan pikeun SVMR atanapi MLR nganggo EBK salaku modél dasar, (b) ngabandingkeun modél anu dihasilkeun (c) ngajukeun modél campuran anu pangsaéna pikeun ngaduga konsentrasi Ni dina taneuh urban atanapi peri-urban, sareng (d) aplikasi SeOM pikeun nyiptakeun peta résolusi luhur tina variasi spasial nikel.
Panilitian ieu dilaksanakeun di Républik Céko, khususna di distrik Frydek Mistek di daérah Moravia-Silesia (tingali Gambar 1). Géografi daérah panilitian ieu kacida kasarna sareng kalolobaanana mangrupikeun bagian tina daérah Moravia-Silesia Beskidy, anu mangrupikeun bagian tina sisi luar Pagunungan Carpathian. Daérah panilitian ieu ayana antara 49° 41′ 0′ N sareng 18° 20′ 0′ E, sareng jangkungna antara 225 sareng 327 m; Nanging, sistem klasifikasi Koppen pikeun kaayaan iklim di daérah éta dipeunteun salaku Cfb = iklim samudra sedeng. Aya seueur curah hujan bahkan dina bulan-bulan garing. Suhu rada bénten sapanjang taun antara −5 °C sareng 24 °C, jarang turun di handap −14 °C atanapi di luhur 30 °C, sedengkeun présipitasi taunan rata-rata antara 685 sareng 752 mm47. Perkiraan daérah survey pikeun sakumna daérah nyaéta 1.208 kilométer pasagi, kalayan 39,38% lahan budidaya sareng 49,36% panutup leuweung. Di sisi anu sanés, daérah anu dianggo dina panilitian ieu nyaéta sakitar 889,8 kilométer pasagi. Di sareng sakitar Ostrava, industri baja sareng pabrik logam aktip pisan. Pabrik logam, industri baja dimana nikel dianggo dina baja tahan karat (misalna pikeun résistansi kana korosi atmosfir) sareng baja paduan (nikel ningkatkeun kakuatan paduan bari ngajaga daktilitas sareng kateguhanana anu saé), sareng tatanén intensif sapertos aplikasi pupuk fosfat sareng produksi ingon-ingon mangrupikeun sumber nikel poténsial panilitian di. daérah (contona, nambihan nikel kana domba pikeun ningkatkeun laju kamekaran dina domba sareng sapi anu kirang tuang). Kagunaan industri nikel anu sanés dina daérah panalungtikan kalebet panggunaanana dina éléktroplating, kalebet éléktroplating nikel sareng prosés palapis nikel tanpa éléktro. Sipat taneuh gampang dibédakeun tina warna taneuh, struktur, sareng eusi karbonat. Tékstur taneuhna sedeng dugi ka lemes, diturunkeun tina bahan induk. Éta mangrupikeun kolovial, aluvial atanapi aeolian. Sababaraha daérah taneuh katingalina belang-belang dina permukaan sareng handapeun taneuh, sering aya beton sareng pamutihan. Nanging, cambisol sareng stagnosol mangrupikeun jinis taneuh anu paling umum di daérah éta48. Kalayan elevasi ti 455,1 dugi ka 493,5 m, cambisol ngadominasi Républik Céko49.
Peta daérah ulikan [Peta daérah ulikan didamel nganggo ArcGIS Desktop (ESRI, Inc, vérsi 10.7, URL: https://desktop.arcgis.com).]
Sajumlah 115 sampel taneuh luhur dicandak tina taneuh perkotaan sareng peri-urban di distrik Frydek Mistek. Pola sampel anu dianggo nyaéta grid biasa kalayan sampel taneuh anu jarakna 2 × 2 km, sareng taneuh luhur diukur dina jerona 0 dugi ka 20 cm nganggo alat GPS anu dicekel (Leica Zeno 5 GPS). Sampel dibungkus dina kantong Ziploc, dilabélan kalayan leres, sareng dikirim ka laboratorium. Sampel dikeringkeun ku hawa pikeun ngahasilkeun sampel anu ditumbuk, ditumbuk ku sistem mékanis (pabrik cakram Fritsch), sareng diayak (ukuran ayakan 2 mm). Tempatkeun 1 gram sampel taneuh anu garing, dihomogenisasi sareng diayak dina botol teflon anu dilabélan kalayan jelas. Dina unggal wadah Teflon, kaluarkeun 7 ml 35% HCl sareng 3 ml 65% HNO3 (nganggo dispenser otomatis - hiji pikeun unggal asam), tutup enteng sareng antepkeun sampel sapeuting kanggo réaksi (program aqua regia). Tempatkeun supernatan dina pelat logam panas (suhu: 100 W sareng 160 °C) salami 2 jam pikeun ngagampangkeun prosés pencernaan sampel, teras tiiskeun. Pindahkeun supernatant kana labu ukur 50 ml sareng encerkeun janten 50 ml ku cai deionisasi. Saatos éta, saring supernatant anu diéncérkeun kana tabung PVC 50 ml sareng cai deionisasi. Salaku tambahan, 1 ml larutan éncér diéncérkeun ku 9 ml cai deionisasi sareng disaring kana tabung 12 ml anu disiapkeun pikeun pseudo-konsentrasi PTE. Konsentrasi PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditangtukeun ku ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) numutkeun metode sareng perjanjian standar. Pastikeun prosedur Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil). PTE kalayan wates deteksi di handap satengah dikaluarkeun tina panilitian ieu. Wates deteksi PTE anu dianggo dina panilitian ieu nyaéta 0.0004.(anjeun). Salian ti éta, prosés kontrol kualitas sareng jaminan kualitas pikeun unggal analisis dijamin ku cara nganalisis standar rujukan. Pikeun mastikeun yén kasalahan diminimalkeun, analisis ganda dilaksanakeun.
Kriging Bayesian Empiris (EBK) nyaéta salah sahiji tina seueur téknik interpolasi geostatistik anu dianggo dina modél dina rupa-rupa widang sapertos élmu taneuh. Teu sapertos téknik interpolasi kriging anu sanés, EBK béda ti metode kriging tradisional ku cara mertimbangkeun kasalahan anu diestimasi ku modél semivariogram. Dina interpolasi EBK, sababaraha modél semivariogram diitung nalika interpolasi, tinimbang hiji semivariogram. Téhnik interpolasi nyayogikeun jalan pikeun kateupastian sareng pamrograman anu aya hubunganana sareng plotting semivariogram ieu anu mangrupikeun bagian anu rumit pisan tina metode kriging anu cekap. Prosés interpolasi EBK nuturkeun tilu kriteria anu diusulkeun ku Krivoruchko50, (a) modél ngira-ngira semivariogram tina sét data input (b) nilai prediksi anyar pikeun unggal lokasi sét data input dumasar kana semivariogram anu dihasilkeun sareng (c) modél A ahir diitung tina sét data simulasi. Aturan persamaan Bayesian dibikeun salaku posterior
Dimana \(Prob\left(A\right)\) ngagambarkeun prior, probabilitas marginal \(Prob\left(B\right)\) dipaliré dina kalolobaan kasus, \(Prob (B,A)\). Itungan semivariogram dumasar kana aturan Bayes, anu nunjukkeun kacenderungan kumpulan data observasi anu tiasa didamel tina semivariogram. Nilai semivariogram teras ditangtukeun nganggo aturan Bayes, anu nyatakeun sabaraha kamungkinan pikeun nyiptakeun kumpulan data observasi tina semivariogram.
Mesin véktor pangrojong nyaéta algoritma pembelajaran mesin anu ngahasilkeun hyperplane anu misahkeun optimal pikeun ngabédakeun kelas anu idéntik tapi henteu mandiri sacara linier. Vapnik51 nyiptakeun algoritma klasifikasi maksud, tapi nembe dianggo pikeun ngarengsekeun masalah anu berorientasi régrési. Numutkeun Li et al.52, SVM mangrupikeun salah sahiji téknik klasifikasi anu pangsaéna sareng parantos dianggo dina sababaraha widang. Komponén régrési SVM (Support Vector Machine Regression - SVMR) dianggo dina analisis ieu. Cherkassky sareng ​​Mulier53 ngarintis SVMR salaku régrési berbasis kernel, anu itunganana dilakukeun nganggo modél régrési linier kalayan fungsi spasial multi-nagara. John et al54 ngalaporkeun yén modél SVMR nganggo régrési linier hyperplane, anu nyiptakeun hubungan nonlinier sareng ngamungkinkeun fungsi spasial. Numutkeun Vohland et al. 55, epsilon (ε)-SVMR nganggo sét data anu dilatih pikeun kéngingkeun modél répréséntasi salaku fungsi anu teu sénsitip kana epsilon anu diterapkeun pikeun memetakan data sacara mandiri kalayan bias epsilon anu pangsaéna tina latihan dina data anu berkorelasi. Kasalahan jarak anu tos ditangtukeun dipaliré tina nilai anu saleresna, sareng upami kasalahan langkung ageung tibatan ε(ε), sipat taneuh ngimbanganana. Modél ieu ogé ngirangan kompleksitas data latihan kana subkumpulan véktor pangrojong anu langkung lega. Persamaan anu diusulkeun ku Vapnik51 dipidangkeun di handap ieu.
dimana b ngagambarkeun ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) ngagambarkeun fungsi kernel, \(\alpha\) ngagambarkeun pangali Lagrange, N ngagambarkeun kumpulan data numerik, \({x}_{k}\) ngagambarkeun input data, sareng \(y\) nyaéta kaluaran data. Salah sahiji kernel konci anu dianggo nyaéta operasi SVMR, nyaéta fungsi dasar radial Gaussian (RBF). Kernel RBF diterapkeun pikeun nangtukeun modél SVMR optimal, anu penting pikeun kéngingkeun faktor set pinalti C anu paling halus sareng parameter kernel gamma (γ) pikeun data latihan PTE. Mimiti, urang meunteun set latihan teras nguji kinerja modél dina set validasi. Parameter steering anu dianggo nyaéta sigma sareng nilai metode nyaéta svmRadial.
Modél régrési linier berganda (MLR) nyaéta modél régrési anu ngagambarkeun hubungan antara variabel réspon sareng sababaraha variabel prédiktor ku ngagunakeun paraméter gabungan linier anu diitung nganggo metode kuadrat pangleutikna. Dina MLR, modél kuadrat pangleutikna nyaéta fungsi prédiktif sipat taneuh saatos dipilih variabel panjelasan. Perlu ngagunakeun réspon pikeun ngadegkeun hubungan linier nganggo variabel panjelasan. PTE dianggo salaku variabel réspon pikeun ngadegkeun hubungan linier sareng variabel panjelasan. Persamaan MLR nyaéta
dimana y nyaéta variabel réspon, \(a\) nyaéta intersep, n nyaéta jumlah prediktor, \({b}_{1}\) nyaéta régrési parsial tina koéfisién, \({x}_{ i}\) ngagambarkeun variabel prediktor atanapi panjelas, sareng \({\varepsilon }_{i}\) ngagambarkeun kasalahan dina modél, ogé katelah sésa.
Modél campuran diala ku cara ngahijikeun EBK sareng SVMR sareng MLR. Ieu dilakukeun ku cara ngekstrak nilai prediksi tina interpolasi EBK. Nilai prediksi anu diala tina Ca, K, sareng Mg anu diinterpolasi diala ngaliwatan prosés kombinatorial pikeun kéngingkeun variabel anyar, sapertos CaK, CaMg, sareng KMg. Unsur Ca, K sareng Mg teras digabungkeun pikeun kéngingkeun variabel kaopat, CaKMg. Sacara umum, variabel anu diala nyaéta Ca, K, Mg, CaK, CaMg, KMg sareng CaKMg. Variabel ieu janten prediktor kami, ngabantosan pikeun ngaduga konsentrasi nikel dina taneuh urban sareng peri-urban. Algoritma SVMR dilakukeun dina prediktor pikeun kéngingkeun modél campuran Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Nya kitu, variabel ogé dialirkeun ngaliwatan algoritma MLR pikeun kéngingkeun modél campuran Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Biasana, variabel Ca, K, Mg, CaK, CaMg, KMg, sareng CaKMg dianggo salaku kovariat salaku prediktor eusi Ni dina taneuh urban sareng peri-urban. Modél anu paling tiasa ditampi anu diala (EBK_SVM atanapi EBK_MLR) teras bakal divisualisasikeun nganggo grafik anu ngatur diri. Alur kerja panilitian ieu dipidangkeun dina Gambar 2.
Ngagunakeun SeOM parantos janten alat anu populér pikeun ngatur, meunteun, sareng ngaramal data dina séktor kauangan, kasehatan, industri, statistik, élmu taneuh, sareng seueur deui. SeOM didamel nganggo jaringan saraf jieunan sareng metode pembelajaran anu teu diawasi pikeun organisasi, évaluasi, sareng prédiksi. Dina panilitian ieu, SeOM dianggo pikeun ngabayangkeun konsentrasi Ni dumasar kana modél pangsaéna pikeun ngaramal Ni dina taneuh urban sareng peri-urban. Data anu diolah dina évaluasi SeOM dianggo salaku variabel véktor input-diménsi n43,56. Melssen et al. 57 ngajelaskeun sambungan véktor input kana jaringan saraf ngaliwatan lapisan input tunggal ka véktor output kalayan véktor beurat tunggal. Kaluaran anu dihasilkeun ku SeOM nyaéta peta dua diménsi anu diwangun ku neuron atanapi simpul anu béda-béda anu dianyam kana peta topologi heksagonal, sirkular, atanapi pasagi numutkeun jarakna. Ngabandingkeun ukuran peta dumasar kana métrik, kasalahan kuantisasi (QE) sareng kasalahan topografi (TE), modél SeOM kalayan 0,086 sareng 0,904, masing-masing, dipilih, nyaéta unit 55-peta (5 × 11). Struktur neuron ditangtukeun numutkeun jumlah simpul dina persamaan empiris.
Jumlah data anu dianggo dina ieu panilitian nyaéta 115 sampel. Pamarekan acak dianggo pikeun misahkeun data kana data tés (25% pikeun validasi) sareng set data latihan (75% pikeun kalibrasi). Set data latihan dianggo pikeun ngahasilkeun modél régrési (kalibrasi), sareng set data tés dianggo pikeun mastikeun kamampuan generalisasi. Ieu dilakukeun pikeun meunteun kasaluyuan rupa-rupa modél pikeun ngaramalkeun eusi nikel dina taneuh. Sadaya modél anu dianggo ngalangkungan prosés validasi silang sapuluh kali lipat, diulang lima kali. Variabel anu dihasilkeun ku interpolasi EBK dianggo salaku prediktor atanapi variabel panjelasan pikeun ngaramalkeun variabel target (PTE). Pemodelan diurus dina RStudio nganggo pakét perpustakaan (Kohonen), perpustakaan (caret), perpustakaan (modelr), perpustakaan ("e1071"), perpustakaan ("plyr"), perpustakaan ("caTools"), perpustakaan ("prospectr") sareng perpustakaan ("Metrik").
Rupa-rupa parameter validasi dianggo pikeun nangtukeun modél pangsaéna anu cocog pikeun ngaramal konsentrasi nikel dina taneuh sareng pikeun meunteun akurasi modél sareng validasina. Modél hibridisasi dievaluasi nganggo kasalahan absolut rata-rata (MAE), kasalahan akar rata-rata kuadrat (RMSE), sareng R-kuadrat atanapi koefisien panangtuan (R2). R2 ngahartikeun varian proporsi dina jawaban, anu diwakilan ku modél régrési. RMSE sareng magnitudo varian dina ukuran mandiri ngajelaskeun kakuatan prédiktif modél, sedengkeun MAE nangtukeun nilai kuantitatif anu saleresna. Nilai R2 kedah luhur pikeun meunteun modél campuran anu pangsaéna nganggo parameter validasi, beuki caket nilaina ka 1, beuki luhur akurasina. Numutkeun Li et al. 59, nilai kriteria R2 0,75 atanapi langkung ageung dianggap prediktor anu saé; ti 0,5 dugi ka 0,75 mangrupikeun kinerja modél anu tiasa ditampi, sareng di handap 0,5 mangrupikeun kinerja modél anu henteu tiasa ditampi. Nalika milih modél nganggo metode évaluasi kriteria validasi RMSE sareng MAE, nilai anu langkung handap anu diala cekap sareng dianggap pilihan anu pangsaéna. Persamaan di handap ieu ngajelaskeun metode verifikasi.
dimana n ngagambarkeun ukuran nilai anu diamati\({Y}_{i}\) ngagambarkeun réspon anu diukur, sareng \({\widehat{Y}}_{i}\) ogé ngagambarkeun nilai réspon anu diprediksi, ku kituna, pikeun observasi i anu munggaran.
Pedaran statistik ngeunaan variabel prediktor sareng réspon dipidangkeun dina Tabel 1, anu nunjukkeun rata-rata, standar deviasi (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, sareng skewness. Nilai minimum sareng maksimum unsur-unsur aya dina urutan anu nurun tina Mg < Ca < K < Ni sareng Ca < Mg < K < Ni, masing-masing. Konsentrasi variabel réspon (Ni) anu disampel ti daérah panilitian mimitian ti 4,86 ​​dugi ka 42,39 mg/kg. Babandingan Ni sareng rata-rata dunya (29 mg/kg) sareng rata-rata Éropa (37 mg/kg) nunjukkeun yén rata-rata géométri anu diitung sacara umum pikeun daérah panilitian aya dina kisaran anu tiasa ditolerir. Nanging, sapertos anu dipidangkeun ku Kabata-Pendias11, babandingan konsentrasi nikel (Ni) rata-rata dina panilitian ayeuna sareng taneuh tatanén di Swédia nunjukkeun yén konsentrasi nikel rata-rata ayeuna langkung luhur. Kitu ogé, konsentrasi rata-rata Frydek Mistek dina taneuh urban sareng peri-urban dina panilitian ayeuna (Ni 16,15 mg/kg) langkung luhur tibatan wates anu diidinan. tina 60 (10,2 mg/kg) pikeun Ni dina taneuh urban Polandia anu dilaporkeun ku Różański et al. Salajengna, Bretzel sareng Calderisi61 ngarékam konsentrasi Ni rata-rata anu handap pisan (1,78 mg/kg) dina taneuh urban di Tuscany dibandingkeun sareng panilitian ayeuna. Jim62 ogé mendakan konsentrasi nikel anu langkung handap (12,34 mg/kg) dina taneuh urban Hong Kong, anu langkung handap tibatan konsentrasi nikel ayeuna dina panilitian ieu. Birke et al63 ngalaporkeun konsentrasi Ni rata-rata 17,6 mg/kg di daérah pertambangan sareng industri urban lami di Saxony-Anhalt, Jerman, anu 1,45 mg/kg langkung luhur tibatan konsentrasi Ni rata-rata di daérah éta (16,15 mg/kg). Panilitian ayeuna. Kandungan nikel anu kaleuleuwihi dina taneuh di sababaraha daérah urban sareng suburban di daérah panilitian tiasa disababkeun utamina ku industri beusi sareng baja sareng industri logam. Ieu saluyu sareng panilitian ku Khodadoust et al. 64 yén industri baja sareng pangolahan logam mangrupikeun sumber utama kontaminasi nikel dina taneuh. Nanging, prediktorna ogé mimitian ti 538,70 mg/kg dugi ka 69.161,80 mg/kg pikeun Ca, 497,51 mg/kg dugi ka 3535,68 mg/kg pikeun K, sareng 685,68 mg/kg dugi ka 5970,05 mg/kg pikeun Mg. Jakovljevic et al. 65 nalungtik total eusi Mg sareng K dina taneuh di Serbia tengah. Aranjeunna mendakan yén total konsentrasi (masing-masing 410 mg/kg sareng 400 mg/kg) langkung handap tibatan konsentrasi Mg sareng K dina panilitian ayeuna. Teu tiasa dibédakeun, di Polandia wétan, Orzechowski sareng Smolczynski66 meunteun total eusi Ca, Mg sareng K sareng nunjukkeun rata-rata konsentrasi Ca (1100 mg/kg), Mg (590 mg/kg) sareng K (810 mg/kg). Eusi dina taneuh luhur langkung handap tibatan unsur tunggal dina panilitian ieu. Panilitian anyar ku Pongrac et al. 67 nunjukkeun yén total eusi Ca anu dianalisis dina 3 taneuh anu béda di Skotlandia, Inggris (taneuh Mylnefield, taneuh Balruddery sareng taneuh Hartwood) nunjukkeun eusi Ca anu langkung luhur dina panilitian ieu.
Kusabab konsentrasi anu diukur tina unsur-unsur anu disampel béda-béda, distribusi set data unsur-unsur nunjukkeun skewness anu béda-béda. Skewness sareng kurtosis unsur-unsur mimitian ti 1,53 dugi ka 7,24 sareng 2,49 dugi ka 54,16, masing-masing. Sadaya unsur anu diitung gaduh tingkat skewness sareng kurtosis di luhur +1, sahingga nunjukkeun yén distribusi data henteu teratur, miring dina arah anu leres sareng memuncak. CV anu diperkirakeun tina unsur-unsur ogé nunjukkeun yén K, Mg, sareng Ni nunjukkeun variabilitas anu sedeng, sedengkeun Ca gaduh variabilitas anu luhur pisan. CV K, Ni sareng Mg ngajelaskeun distribusi seragamna. Salajengna, distribusi Ca henteu seragam sareng sumber éksternal tiasa mangaruhan tingkat pengayaanna.
Korélasi variabel prediktor sareng unsur réspon nunjukkeun korélasi anu nyugemakeun antara unsur-unsur (tingali Gambar 3). Korélasi nunjukkeun yén CaK nunjukkeun korélasi sedeng kalayan nilai r = 0,53, sapertos CaNi. Sanaos Ca sareng K nunjukkeun asosiasi anu sedeng, panaliti sapertos Kingston et al. 68 sareng Santo69 nunjukkeun yén kadarna dina taneuh proporsional tibalik. Nanging, Ca sareng Mg antagonis sareng K, tapi CaK berkorelasi saé. Ieu tiasa disababkeun ku aplikasi pupuk sapertos kalium karbonat, anu 56% langkung luhur dina kalium. Kalium berkorelasi sedeng sareng magnesium (KM r = 0,63). Dina industri pupuk, dua unsur ieu raket patalina sabab kalium magnesium sulfat, kalium magnesium nitrat, sareng potash diterapkeun kana taneuh pikeun ningkatkeun tingkat kakuranganna. Nikel berkorelasi sedeng sareng Ca, K sareng Mg kalayan nilai r = 0,52, 0,63 sareng 0,55, masing-masing. Hubungan anu ngalibatkeun kalsium, magnesium, sareng PTE sapertos nikel rumit, tapi sanaos kitu, magnesium ngahalangan panyerepan kalsium, kalsium ngirangan pangaruh kaleuwihan magnesium, sareng magnesium sareng kalsium ngirangan pangaruh toksik nikel dina taneuh.
Matriks korélasi pikeun unsur-unsur anu nunjukkeun hubungan antara prediktor sareng réspon (Catetan: gambar ieu ngawengku scatterplot antara unsur-unsur, tingkat signifikansi dumasar kana p < 0,001).
Gambar 4 ngagambarkeun distribusi spasial unsur-unsur. Numutkeun Burgos et al. 70, aplikasi distribusi spasial nyaéta téknik anu dianggo pikeun ngitung sareng nyorot titik panas di daérah anu kacemar. Tingkat pengayaan Ca dina Gambar 4 tiasa ditingali di bagian kalér-kulon peta distribusi spasial. Gambar éta nunjukkeun titik panas pengayaan Ca sedeng dugi ka luhur. Pengayaan kalsium di kalér-kulon peta kamungkinan kusabab panggunaan kapur tohor (kalsium oksida) pikeun ngirangan kaasaman taneuh sareng panggunaanana di pabrik baja salaku oksigén basa dina prosés pembuatan baja. Di sisi anu sanés, patani sanés langkung milih nganggo kalsium hidroksida dina taneuh asam pikeun nétralkeun pH, anu ogé ningkatkeun kandungan kalsium taneuh. Kalium ogé nunjukkeun titik panas di kalér-kulon sareng wétan peta. Kalér-kulon mangrupikeun komunitas tatanén utama, sareng pola kalium sedeng dugi ka luhur tiasa disababkeun ku aplikasi NPK sareng potash. Ieu saluyu sareng panilitian sanés, sapertos Madaras sareng Lipavský72, Madaras et al. 73, Pulkrabová et al. 74, Asare et al. 75, anu niténan yén stabilisasi taneuh sareng perlakuan nganggo KCl sareng NPK ngahasilkeun kandungan K anu luhur dina taneuh. Pangayaan Kalium spasial di kalér-kulon peta distribusi tiasa disababkeun ku panggunaan pupuk berbasis kalium sapertos kalium klorida, kalium sulfat, kalium nitrat, potash, sareng potash pikeun ningkatkeun kandungan kalium dina taneuh anu goréng. Zádorová et al. 76 sareng Tlustoš et al. 77 ngajelaskeun yén aplikasi pupuk berbasis K ningkatkeun eusi K dina taneuh sareng bakal ningkatkeun sacara signifikan eusi nutrisi taneuh dina jangka panjang, khususna K sareng Mg anu nunjukkeun titik panas dina taneuh. Titik panas anu relatif sedeng di kalér-kulon peta sareng tenggara peta. Fiksasi koloid dina taneuh ngirangan konsentrasi magnesium dina taneuh. Kakuranganna dina taneuh nyababkeun pepelakan nunjukkeun klorosis intervein konéng. Pupuk berbasis magnésium, sapertos kalium magnésium sulfat, magnesium sulfat, sareng Kieserite, ngubaran kakurangan (tutuwuhan katingalina wungu, beureum, atanapi coklat, nunjukkeun kakurangan magnesium) dina taneuh kalayan kisaran pH normal6. Akumulasi nikel dina permukaan taneuh urban sareng peri-urban tiasa disababkeun ku kagiatan antropogenik sapertos tatanén sareng pentingna nikel dina produksi stainless steel78.
Distribusi spasial unsur [peta distribusi spasial didamel nganggo ArcGIS Desktop (ESRI, Inc, Versi 10.7, URL: https://desktop.arcgis.com).]
Hasil indéks kinerja modél pikeun unsur-unsur anu dianggo dina panilitian ieu dipidangkeun dina Tabel 2. Di sisi séjén, RMSE sareng MAE Ni duanana caket kana nol (0,86 RMSE, -0,08 MAE). Di sisi séjén, duanana nilai RMSE sareng MAE K tiasa ditampi. Hasil RMSE sareng MAE langkung ageung pikeun kalsium sareng magnesium. Hasil Ca sareng K MAE sareng RMSE langkung ageung kusabab sét data anu béda. RMSE sareng MAE tina panilitian ieu anu nganggo EBK pikeun ngaduga Ni kapanggih langkung saé tibatan hasil John et al. 54 anu nganggo kriging sinergis pikeun ngaduga konsentrasi S dina taneuh nganggo data anu dikumpulkeun anu sami. Kaluaran EBK anu kami pelajari berkorelasi sareng hasil Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 sareng John et al. 82, khususna K sareng Ni.
Kinerja metode individu pikeun ngaramalkeun eusi nikel dina taneuh urban sareng peri-urban dievaluasi nganggo kinerja modél (Tabel 3). Validasi modél sareng évaluasi akurasi mastikeun yén prediktor Ca_Mg_K digabungkeun sareng modél EBK SVMR ngahasilkeun kinerja anu pangsaéna. Modél kalibrasi Ca_Mg_K-EBK_SVMR modél R2, root mean square error (RMSE) sareng mean absolut error (MAE) nyaéta 0,637 (R2), 95,479 mg/kg (RMSE) sareng 77,368 mg/kg (MAE) Ca_Mg_K-SVMR nyaéta 0,663 (R2), 235,974 mg/kg (RMSE) sareng 166,946 mg/kg (MAE). Sanajan kitu, nilai R2 anu saé diala pikeun Ca_Mg_K-SVMR (0,663 mg/kg R2) sareng Ca_Mg-EBK_SVMR (0,643 = R2); Hasil RMSE sareng MAE na langkung luhur tibatan Ca_Mg_K-EBK_SVMR (R2 0.637) (tingali Tabel 3). Salian ti éta, RMSE sareng MAE tina modél Ca_Mg-EBK_SVMR (RMSE = 1664.64 sareng MAE = 1031.49) masing-masing nyaéta 17.5 sareng 13.4, anu langkung ageung tibatan Ca_Mg_K-EBK_SVMR. Kitu ogé, RMSE sareng MAE tina modél Ca_Mg-K SVMR (RMSE = 235.974 sareng MAE = 166.946) masing-masing nyaéta 2.5 sareng 2.2 langkung ageung tibatan Ca_Mg_K-EBK_SVMR RMSE sareng MAE. Hasil RMSE anu diitung nunjukkeun kumaha konsentrasi set data kalayan garis anu paling cocog. RSME sareng MAE anu langkung luhur dititénan. Numutkeun Kebonye et al. 46 sareng john et al. 54, beuki caket RMSE sareng MAE ka nol, beuki saé hasilna. SVMR sareng EBK_SVMR gaduh nilai RSME sareng MAE anu diukur langkung luhur. Katitén yén estimasi RSME sacara konsisten langkung luhur tibatan nilai MAE, nunjukkeun ayana outlier. Numutkeun Legates sareng McCabe83, tingkat RMSE ngaleuwihan kasalahan absolut rata-rata (MAE) disarankeun salaku indikator ayana outlier. Ieu ngandung harti yén beuki hétérogén dataset, beuki luhur nilai MAE sareng RMSE. Akurasi penilaian validasi silang modél campuran Ca_Mg_K-EBK_SVMR pikeun ngaduga eusi Ni dina taneuh urban sareng suburban nyaéta 63,70%. Numutkeun Li et al. 59, tingkat akurasi ieu mangrupikeun tingkat kinerja modél anu tiasa ditampi. Hasil ayeuna dibandingkeun sareng panilitian sateuacana ku Tarasov et al. 36 anu modél hibrida na nyiptakeun MLPRK (Multilayer Perceptron Residual Kriging), anu aya hubunganana sareng indéks évaluasi akurasi EBK_SVMR anu dilaporkeun dina panilitian ayeuna, RMSE (210) sareng MAE (167.5) langkung luhur tibatan hasil panilitian ayeuna (RMSE 95.479, MAE 77.368). Nanging, nalika ngabandingkeun R2 tina panilitian ayeuna (0.637) sareng Tarasov et al. 36 (0,544), jelas yén koéfisién determinasi (R2) langkung luhur dina modél campuran ieu. Margin kasalahan (RMSE sareng MAE) (EBK SVMR) pikeun modél campuran dua kali langkung handap. Kitu ogé, Sergeev et al. 34 ngarékam 0,28 (R2) pikeun modél hibrida anu dikembangkeun (Multilayer Perceptron Residual Kriging), sedengkeun Ni dina panilitian ayeuna ngarékam 0,637 (R2). Tingkat akurasi prediksi modél ieu (EBK SVMR) nyaéta 63,7%, sedengkeun akurasi prediksi anu diala ku Sergeev et al. 34 nyaéta 28%. Peta ahir (Gambar 5) anu didamel nganggo modél EBK_SVMR sareng Ca_Mg_K salaku prediktor nunjukkeun prediksi titik panas sareng sedeng dugi ka nikel di sakumna daérah panilitian. Ieu ngandung harti yén konsentrasi nikel di daérah panilitian utamina sedeng, kalayan konsentrasi anu langkung luhur di sababaraha daérah khusus.
Peta prediksi ahir digambarkeun nganggo modél hibrida EBK_SVMR sareng nganggo Ca_Mg_K salaku prediktor. [Peta distribusi spasial didamel nganggo RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Anu dipidangkeun dina Gambar 6 nyaéta konsentrasi PTE salaku bidang komposisi anu diwangun ku neuron individu. Teu aya hiji ogé bidang komponén anu nunjukkeun pola warna anu sami sapertos anu dipidangkeun. Nanging, jumlah neuron anu pas per peta anu digambar nyaéta 55. SeOM dihasilkeun nganggo rupa-rupa warna, sareng pola warna anu langkung sami, sipat sampelna langkung tiasa dibandingkeun. Numutkeun skala warna anu tepat, unsur individu (Ca, K, sareng Mg) nunjukkeun pola warna anu sami sareng neuron tunggal anu luhur sareng kalolobaan neuron anu handap. Ku kituna, CaK sareng CaMg ngabagi sababaraha kamiripan sareng neuron tingkat luhur pisan sareng pola warna anu handap dugi ka sedeng. Kadua modél ngaduga konsentrasi Ni dina taneuh ku cara nampilkeun warna sedeng dugi ka luhur sapertos beureum, oranyeu sareng konéng. Modél KMg nampilkeun seueur pola warna anu luhur dumasar kana proporsi anu tepat sareng tambalan warna anu handap dugi ka sedeng. Dina skala warna anu tepat ti handap dugi ka luhur, pola distribusi planar komponén modél nunjukkeun pola warna anu luhur anu nunjukkeun konsentrasi poténsial nikel dina taneuh (tingali Gambar 4). Bidang komponén modél CakMg nunjukkeun pola warna anu beragam ti handap dugi ka luhur numutkeun warna anu akurat. skala. Salajengna, prediksi modél ngeunaan eusi nikel (CakMg) sami sareng distribusi spasial nikel anu dipidangkeun dina Gambar 5. Kadua grafik nunjukkeun proporsi konsentrasi nikel anu luhur, sedeng sareng handap dina taneuh urban sareng peri-urban. Gambar 7 ngagambarkeun metode kontur dina kelompok k-means dina peta, dibagi kana tilu klaster dumasar kana nilai anu diprediksi dina unggal modél. Metode kontur ngagambarkeun jumlah klaster anu optimal. Tina 115 sampel taneuh anu dikumpulkeun, kategori 1 kéngingkeun sampel taneuh paling seueur, 74. Klaster 2 nampi 33 sampel, sedengkeun klaster 3 nampi 8 sampel. Kombinasi prediktor planar tujuh komponén disederhanakeun pikeun ngamungkinkeun interpretasi klaster anu leres. Kusabab seueur prosés antropogenik sareng alami anu mangaruhan formasi taneuh, hésé pikeun ngabédakeun pola klaster anu leres dina peta SeOM anu disebarkeun78.
Kaluaran bidang komponén ku unggal variabel Mesin Véktor Pangrojong Bayesian Kriging Empirikal (EBK_SVM_SeOM). [Peta SeOM didamel nganggo 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/).]
Panilitian ayeuna sacara jelas ngagambarkeun téknik modél pikeun konsentrasi nikel dina taneuh urban sareng peri-urban. Panilitian ieu nguji téknik modél anu béda, ngagabungkeun unsur-unsur sareng téknik modél, pikeun kéngingkeun cara anu pangsaéna pikeun ngaduga konsentrasi nikel dina taneuh. Fitur spasial planar komposisi SeOM tina téknik modél nunjukkeun pola warna anu luhur ti handap ka luhur dina skala warna anu akurat, nunjukkeun konsentrasi Ni dina taneuh. Nanging, peta distribusi spasial mastikeun distribusi spasial planar komponén anu dipidangkeun ku EBK_SVMR (tingali Gambar 5). Hasilna nunjukkeun yén modél régrési mesin véktor pangrojong (Ca Mg K-SVMR) ngaduga konsentrasi Ni dina taneuh salaku modél tunggal, tapi parameter validasi sareng évaluasi akurasi nunjukkeun kasalahan anu luhur pisan dina hal RMSE sareng MAE. Di sisi anu sanés, téknik modél anu dianggo sareng modél EBK_MLR ogé cacad kusabab nilai koéfisién determinasi (R2) anu handap. Hasil anu saé diala nganggo EBK SVMR sareng unsur gabungan (CaKMg) kalayan kasalahan RMSE sareng MAE anu handap kalayan akurasi 63,7%. Tétéla ngagabungkeun algoritma EBK sareng algoritma pembelajaran mesin tiasa ngahasilkeun algoritma hibrida anu tiasa ngaduga konsentrasi PTE dina taneuh. Hasilna nunjukkeun yén nganggo Ca Mg K salaku prediktor pikeun ngaduga konsentrasi Ni di daérah panilitian tiasa ningkatkeun prediksi Ni dina taneuh. Ieu ngandung harti yén aplikasi pupuk berbasis nikel sareng polusi industri taneuh ku industri baja condong ningkatkeun konsentrasi nikel dina taneuh. Panilitian ieu ngungkabkeun yén modél EBK tiasa ngirangan tingkat kasalahan sareng ningkatkeun akurasi modél distribusi spasial taneuh dina taneuh urban atanapi peri-urban. Sacara umum, kami ngusulkeun pikeun nerapkeun modél EBK-SVMR pikeun meunteun sareng ngaduga PTE dina taneuh; salian ti éta, kami ngusulkeun pikeun nganggo EBK pikeun hibridisasi sareng rupa-rupa algoritma pembelajaran mesin. Konsentrasi Ni diprediksi nganggo unsur salaku kovariat; kumaha oge, nganggo langkung seueur kovariat bakal ningkatkeun kinerja modél, anu tiasa dianggap watesan tina padamelan ayeuna. Watesan sanés tina panilitian ieu nyaéta jumlah set data nyaéta 115. Ku alatan éta, upami langkung seueur data disayogikeun, kinerja metode hibridisasi anu dioptimalkeun anu diusulkeun tiasa ditingkatkeun.
PlantProbs.net.Nikel dina Tutuwuhan sareng Taneuh https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diaksés 28 April 2021).
Kasprzak, KS Nickel maju dina toksikologi lingkungan modéren.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Tinjauan ngeunaan sumberna sareng toksikologi lingkungan. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Asupan polutan ti atmosfir sareng akumulasi dina taneuh sareng pepelakan caket pabrik peleburan nikel-tambaga di Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Logam beurat dina taneuh, pepelakan sareng résiko anu aya hubunganana sareng ruminansia anu ngahakan jukut caket 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. Unsur renik dina taneuh sareng… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Unsur+ Renik+ dina+soil+sareng+tanaman.+éd+ka-4.+New+York+%28NY%29%3A+CRC+Press&btnG= (Diaksés 24 Nopémber 2020).
Almås, A., Singh, B., Pertanian, TS-NJ tina & 1995, teu acan ditetepkeun. Pangaruh industri nikel Rusia kana konsentrasi logam beurat dina taneuh tatanén sareng jukut di Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Nyerep sareng ingetan nikel dina cai nginum aya hubunganana sareng asupan tuangeun sareng sensitivitas nikel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Karsinogenesis nikel, mutasi, épigenetik atanapi seleksi. sakurilingna. Perspektif Kaséhatan.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Analisis tren unsur-unsur anu berpotensi toksik: tinjauan bibliometrik. Géokimia Lingkungan sareng Kaséhatan. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Pemetaan Tanah Digital: Sajarah Singkat sareng Sababaraha Palajaran. 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 Pemodelan Reservoir Geostatistik,… – 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= (Diaksés 28 April 2021).