Asante kwa kutembelea Nature.com. Toleo la kivinjari unachotumia lina usaidizi mdogo kwa CSS. Kwa matumizi bora, tunapendekeza utumie kivinjari kilichosasishwa (au uzime hali ya utangamano katika Internet Explorer). Wakati huo huo, ili kuhakikisha usaidizi unaoendelea, tutaonyesha tovuti bila mitindo na JavaScript.
Uchafuzi wa udongo ni tatizo kubwa linalosababishwa na shughuli za binadamu. Usambazaji wa anga wa vipengele vinavyoweza kuwa na sumu (PTEs) hutofautiana katika maeneo mengi ya mijini na pembezoni mwa miji. Kwa hivyo, ni vigumu kutabiri kwa anga kiwango cha PTE katika udongo kama huo. Jumla ya sampuli 115 zilipatikana kutoka Frydek Mistek katika Jamhuri ya Cheki. Viwango vya Kalsiamu (Ca), magnesiamu (Mg), potasiamu (K) na nikeli (Ni) viliamuliwa kwa kutumia spektrometri ya utoaji wa plasma iliyounganishwa kwa njia ya kuchochea. Kigezo cha majibu ni Ni na vitabiri ni Ca, Mg, na K. Jedwali la uwiano kati ya kigezo cha majibu na kigezo cha kutabiri linaonyesha uhusiano wa kuridhisha kati ya vipengele. Matokeo ya utabiri yalionyesha kuwa Usaidizi wa Urejeshaji wa Mashine ya Vekta (SVMR) ulifanya vizuri, ingawa kosa lake la wastani wa mzizi linalokadiriwa (RMSE) (235.974 mg/kg) na kosa kamili la wastani (MAE) (166.946 mg/kg) lilikuwa kubwa kuliko njia zingine zilizotumika. Mifumo mchanganyiko ya Urejeshaji wa Empirical Bayesian Kriging-Multiple Linear (EBK-MLR) hufanya kazi. hafifu, kama inavyothibitishwa na viambajengo vya uamuzi chini ya 0.1. Mfano wa Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ulikuwa mfano bora zaidi, ukiwa na thamani za chini za RMSE (95.479 mg/kg) na MAE (77.368 mg/kg) ​​na mgawo wa juu wa uamuzi (R2 = 0.637). Matokeo ya mbinu ya uundaji wa EBK-SVMR yanaonekana kwa kutumia ramani inayojipanga. Niuroni zilizounganishwa katika ndege ya sehemu ya modeli mseto ya CakMg-EBK-SVMR zinaonyesha mifumo mingi ya rangi inayotabiri viwango vya Ni katika udongo wa mijini na pembezoni mwa miji. Matokeo yanaonyesha kuwa kuchanganya EBK na SVMR ni mbinu bora ya kutabiri viwango vya Ni katika udongo wa mijini na pembezoni mwa miji.
Nikeli (Ni) inachukuliwa kuwa virutubisho vidogo kwa mimea kwa sababu inachangia uwekaji wa nitrojeni angahewa (N) na umetaboli wa urea, ambavyo vyote vinahitajika kwa ajili ya kuota kwa mbegu. Mbali na mchango wake katika kuota kwa mbegu, Nikeli inaweza kufanya kazi kama kizuizi cha kuvu na bakteria na kukuza ukuaji wa mimea. Ukosefu wa nikeli kwenye udongo huruhusu mmea kunyonya, na kusababisha klorosisi ya majani. Kwa mfano, kunde na maharagwe mabichi huhitaji matumizi ya mbolea zenye nikeli ili kuboresha uwekaji wa nitrojeni.2. Matumizi endelevu ya mbolea zenye nikeli ili kurutubisha udongo na kuongeza uwezo wa kunde kurekebisha nitrojeni kwenye udongo huongeza mkusanyiko wa nikeli kwenye udongo kila mara.Ingawa nikeli ni virutubisho vidogo kwa mimea, ulaji wake mwingi kwenye udongo unaweza kusababisha madhara zaidi kuliko mema. Sumu ya nikeli kwenye udongo hupunguza pH ya udongo na kuzuia ufyonzaji wa chuma kama virutubisho muhimu kwa ukuaji wa mimea.1.Kulingana na Liu3, Nikili imeonekana kuwa kipengele cha 17 muhimu kinachohitajika kwa ukuaji na ukuaji wa mimea.Mbali na jukumu la nikeli katika ukuaji na ukuaji wa mimea, wanadamu wanaihitaji kwa matumizi mbalimbali.Utengenezaji wa umeme, uzalishaji wa nikeli unaotegemea nikeli aloi, na utengenezaji wa vifaa vya kuwasha na plagi za cheche katika tasnia ya magari vyote vinahitaji matumizi ya nikeli katika sekta mbalimbali za viwanda. Zaidi ya hayo, aloi zinazotokana na nikeli na vitu vilivyofunikwa kwa umeme vimetumika sana katika vyombo vya jikoni, vifaa vya ukumbi wa michezo, vifaa vya tasnia ya chakula, umeme, waya na kebo, turbine za ndege, vipandikizi vya upasuaji, nguo, na ujenzi wa meli5. Viwango vyenye utajiri wa Ni katika udongo (yaani, udongo wa juu) vimehusishwa na vyanzo vya anthropogenic na asili, lakini kimsingi, Ni ni chanzo asilia badala ya anthropogenic4,6. Vyanzo asilia vya nikeli ni pamoja na milipuko ya volkeno, mimea, moto wa misitu, na michakato ya kijiolojia; hata hivyo, vyanzo vya anthropogenic ni pamoja na betri za nikeli/kadimiamu katika tasnia ya chuma, uchomaji wa umeme, kulehemu kwa arc, mafuta ya dizeli na mafuta, na uzalishaji wa angahewa kutokana na mwako wa makaa ya mawe na uchomaji taka na tope Mkusanyiko wa nikeli7,8. Kulingana na Freedman na Hutchinson9 na Manyiwa et al. 10, vyanzo vikuu vya uchafuzi wa udongo wa juu katika mazingira ya karibu na yaliyo karibu ni viyeyusho na migodi inayotokana na nikeli-shaba. Udongo wa juu unaozunguka kiwanda cha kusafisha nikeli-shaba cha Sudbury nchini Kanada ulikuwa na viwango vya juu zaidi vya uchafuzi wa nikeli kwa miligramu 26,000/kg11. Kwa upande mwingine, uchafuzi kutokana na uzalishaji wa nikeli nchini Urusi umesababisha viwango vya juu vya nikeli katika udongo wa Norway11. Kulingana na Alms et al. 12, kiasi cha nikeli inayoweza kutolewa HNO3 katika ardhi inayolimwa zaidi katika eneo hilo (uzalishaji wa nikeli nchini Urusi) kilikuwa kati ya 6.25 hadi 136.88 mg/kg, sawa na wastani wa 30.43 mg/kg na mkusanyiko wa awali wa 25 mg/kg. Kulingana na kabata 11, matumizi ya mbolea ya fosforasi katika udongo wa kilimo katika udongo wa mijini au kando ya miji wakati wa misimu ya mazao mfululizo yanaweza kuingiza au kuchafua udongo. Madhara yanayowezekana ya nikeli kwa binadamu yanaweza kusababisha saratani kupitia mabadiliko ya jeni, uharibifu wa kromosomu, kizazi cha Z-DNA, ukarabati wa DNA uliozuiwa, au michakato ya epigenetic13. Katika majaribio ya wanyama, nikeli imeonekana kuwa na uwezo wa kusababisha uvimbe mbalimbali, na michanganyiko ya nikeli inayosababisha saratani inaweza kuzidisha uvimbe kama huo.
Tathmini za uchafuzi wa udongo zimeshamiri katika siku za hivi karibuni kutokana na masuala mbalimbali yanayohusiana na kiafya yanayotokana na uhusiano wa udongo na mimea, uhusiano wa kibiolojia wa udongo na udongo, uharibifu wa ikolojia, na tathmini ya athari za mazingira. Hadi sasa, utabiri wa anga wa vipengele vinavyoweza kuwa na sumu (PTEs) kama vile Ni katika udongo umekuwa mgumu na unaotumia muda mwingi kwa kutumia mbinu za kitamaduni. Ujio wa uchoraji ramani wa udongo wa kidijitali (DSM) na mafanikio yake ya sasa15 yameboresha sana uchoraji ramani wa udongo wa utabiri (PSM). Kulingana na Minasny na McBratney16, uchoraji ramani wa udongo wa utabiri (DSM) umethibitika kuwa ni taaluma ndogo maarufu ya sayansi ya udongo. Lagacherie na McBratney, 2006 wanafafanua DSM kama "uundaji na ujazaji wa mifumo ya taarifa za udongo wa anga kupitia matumizi ya mbinu za uchunguzi wa ndani na maabara na mifumo ya utambuzi wa udongo wa anga na isiyo ya anga".McBratney et al. 17 inaeleza kwamba DSM au PSM ya kisasa ndiyo mbinu bora zaidi ya kutabiri au kuchora ramani ya usambazaji wa anga wa PTE, aina za udongo na sifa za udongo. Jiostatistiki na Algorithimu za Kujifunza kwa Mashine (MLA) ni mbinu za uundaji wa modeli za DSM zinazounda ramani za kidijitali kwa msaada wa kompyuta kwa kutumia data muhimu na ndogo.
Deutsch18 na Olea19 hufafanua jiostatistiki kama "mkusanyiko wa mbinu za nambari zinazoshughulikia uwakilishi wa sifa za anga, hasa kwa kutumia mifano ya stochastiki, kama vile jinsi uchanganuzi wa mfululizo wa wakati unavyoainisha data ya muda." Kimsingi, jiostatistiki inahusisha tathmini ya variogramu, ambazo huruhusu Kupima na kufafanua utegemezi wa thamani za anga kutoka kwa kila seti ya data20. Gumiaux et al. 20 wanaonyesha zaidi kwamba tathmini ya variogramu katika jiostatistiki inategemea kanuni tatu, ikiwa ni pamoja na (a) kuhesabu kiwango cha uwiano wa data, (b) kutambua na kuhesabu anisotropi katika tofauti ya seti ya data na (c) pamoja na Mbali na kuzingatia kosa la asili la data ya kipimo iliyotengwa na athari za ndani, athari za eneo pia zinakadiriwa. Kwa kuzingatia dhana hizi, mbinu nyingi za uingiliaji kati hutumiwa katika jiostatistiki, ikiwa ni pamoja na kriging ya jumla, co-kriging, kriging ya kawaida, kriging ya Bayesian ya majaribio, mbinu rahisi ya kriging na mbinu zingine zinazojulikana za uingiliaji kati ili kuchora ramani au kutabiri PTE, sifa za udongo, na aina za udongo.
Algorithimu za Kujifunza kwa Mashine (MLA) ni mbinu mpya kiasi inayotumia madarasa makubwa ya data yasiyo ya mstari, yanayochochewa na algorithimu zinazotumika kimsingi kwa uchimbaji wa data, kutambua mifumo katika data, na kutumika mara kwa mara katika uainishaji katika nyanja za kisayansi kama vile sayansi ya udongo na kazi za kurudisha. Karatasi nyingi za utafiti hutegemea mifano ya MLA kutabiri PTE katika udongo, kama vile Tan et al. 22 (misitu isiyo ya kawaida kwa ajili ya makadirio ya metali nzito katika udongo wa kilimo), Sakizadeh et al. 23 (kuunda modeli kwa kutumia mashine za vekta za usaidizi na mitandao ya neva bandia) uchafuzi wa udongo). Zaidi ya hayo, Vega et al. 24 (CART kwa ajili ya kuunda modeli ya uhifadhi na ufyonzaji wa metali nzito katika udongo) Sun et al. 25 (matumizi ya ujazo ni usambazaji wa Cd katika udongo) na algorithimu zingine kama vile jirani wa k-karibu, urejeshaji ulioimarishwa wa jumla, na urejeshaji ulioimarishwa. Miti pia ilitumia MLA kutabiri PTE katika udongo.
Utumiaji wa algoriti za DSM katika utabiri au uchoraji ramani unakabiliwa na changamoto kadhaa. Waandishi wengi wanaamini kwamba MLA ni bora kuliko takwimu za kijiografia na kinyume chake. Ingawa moja ni bora kuliko nyingine, mchanganyiko wa hizo mbili huboresha kiwango cha usahihi wa uchoraji ramani au utabiri katika DSM15. Woodcock na Gopal26 Finke27; Pontius na Cheuk28 na Grunwald29 wanatoa maoni kuhusu mapungufu na baadhi ya makosa katika uchoraji ramani wa udongo uliotabiriwa. Wanasayansi wa udongo wamejaribu mbinu mbalimbali ili kuboresha ufanisi, usahihi, na utabiri wa uchoraji ramani na utabiri wa DSM. Mchanganyiko wa kutokuwa na uhakika na uthibitishaji ni mojawapo ya vipengele vingi tofauti vilivyojumuishwa katika DSM ili kuboresha ufanisi na kupunguza kasoro. Hata hivyo, Agyeman et al. 15 wanaelezea kwamba tabia ya uthibitishaji na kutokuwa na uhakika inayoletwa na uundaji na utabiri wa ramani inapaswa kuthibitishwa kwa kujitegemea ili kuboresha ubora wa ramani. Mapungufu ya DSM yanatokana na ubora wa udongo uliotawanyika kijiografia, ambao unahusisha sehemu ya kutokuwa na uhakika; Hata hivyo, ukosefu wa uhakika katika DSM unaweza kutokea kutokana na vyanzo vingi vya makosa, yaani hitilafu ya covariate, hitilafu ya modeli, hitilafu ya eneo, na Hitilafu ya uchambuzi 31. Kuunda mifumo isiyo sahihi inayosababishwa katika MLA na michakato ya kijiografia inahusishwa na ukosefu wa uelewa, na hatimaye kusababisha kurahisisha kupita kiasi mchakato halisi32. Bila kujali aina ya uundaji, ukosefu wa usahihi unaweza kuhusishwa na vigezo vya uundaji, utabiri wa modeli ya hisabati, au utafsirishaji33. Hivi majuzi, mwelekeo mpya wa DSM umeibuka ambao unakuza ujumuishaji wa jiostatistiki na MLA katika uchoraji ramani na utabiri. Wanasayansi na waandishi kadhaa wa udongo, kama vile Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 na Tarasov et al. 37 wametumia ubora sahihi wa jiostatistiki na ujifunzaji wa mashine ili kutoa modeli mseto zinazoboresha ufanisi wa utabiri na uchoraji ramani. ubora.Baadhi ya mifumo hii ya algoriti mseto au iliyounganishwa ni Kriging ya Mtandao wa Neva Bandia (ANN-RK), Kriging ya Mabaki ya Perceptron ya Tabaka Nyingi (MLP-RK), Kriging ya Mabaki ya Mtandao wa Neva ya Urejeshaji wa Jumla (GR-NNRK)36, Kriging ya Mtandao wa Neva Bandia-Perceptron ya Tabaka Nyingi (ANN-K-MLP)37 na Kriging ya Pamoja na Urejeshaji wa Mchakato wa Gaussian38.
Kulingana na Sergeev et al., kuchanganya mbinu mbalimbali za uundaji wa modeli kuna uwezo wa kuondoa kasoro na kuongeza ufanisi wa modeli mseto inayotokana badala ya kutengeneza modeli yake moja. Katika muktadha huu, karatasi hii mpya inasema kwamba ni muhimu kutumia algoriti ya pamoja ya jiostatistiki na MLA ili kuunda modeli bora mseto ili kutabiri utajiri wa Ni katika maeneo ya mijini na pembezoni mwa miji. Utafiti huu utategemea Empirical Bayesian Kriging (EBK) kama modeli ya msingi na kuichanganya na modeli za Support Vector Machine (SVM) na Multiple Linear Regression (MLR). Mseto wa EBK na MLA yoyote haujulikani. Mifumo mingi mchanganyiko inayoonekana ni michanganyiko ya kriging ya kawaida, iliyobaki, ya regression, na MLA.EBK ni mbinu ya uingiliaji wa jiostatistiki inayotumia mchakato wa stochastic wa anga ambao umejikita kama uwanja wa nasibu usiosimama/usiosimama wenye vigezo vya ujanibishaji vilivyoainishwa juu ya uwanja, kuruhusu tofauti za anga39.EBK imetumika katika tafiti mbalimbali, ikiwa ni pamoja na kuchambua usambazaji wa kaboni hai katika udongo wa shamba40, kutathmini uchafuzi wa udongo41 na kuchora ramani ya udongo. mali42.
Kwa upande mwingine, Grafu ya Kujipanga (SeOM) ni algoriti ya kujifunza ambayo imetumika katika makala mbalimbali kama vile Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 na Kebonye et al. 46. Amua sifa za anga na upangaji wa vipengele. Wang et al. 44 wanaelezea kwamba SeOM ni mbinu yenye nguvu ya kujifunza inayojulikana kwa uwezo wake wa kupanga na kufikiria matatizo yasiyo ya mstari. Tofauti na mbinu zingine za utambuzi wa ruwaza kama vile uchambuzi mkuu wa vipengele, upangaji wa makundi yasiyoeleweka, upangaji wa kihierarkia, na kufanya maamuzi ya vigezo vingi, SeOM ni bora katika kupanga na kutambua ruwaza za PTE. Kulingana na Wang et al. 44, SeOM inaweza kupanga usambazaji wa niuroni zinazohusiana kwa njia ya anga na kutoa taswira ya data ya ubora wa juu. SeOM itaonyesha data ya utabiri wa Ni ili kupata modeli bora ya kuainisha matokeo kwa tafsiri ya moja kwa moja.
Karatasi hii inalenga kutoa modeli imara ya uchoraji ramani yenye usahihi bora wa kutabiri kiwango cha nikeli katika udongo wa mijini na pembezoni mwa miji. Tunadhani kwamba uaminifu wa modeli mchanganyiko hutegemea zaidi ushawishi wa modeli zingine zilizounganishwa na modeli ya msingi. Tunatambua changamoto zinazoikabili DSM, na ingawa changamoto hizi zinashughulikiwa kwa pande nyingi, mchanganyiko wa maendeleo katika modeli za jiografia na MLA unaonekana kuwa wa hatua kwa hatua; kwa hivyo, tutajaribu kujibu maswali ya utafiti ambayo yanaweza kutoa modeli mchanganyiko. Hata hivyo, modeli ni sahihi kiasi gani katika kutabiri kipengele lengwa? Pia, ni kiwango gani cha tathmini ya ufanisi kulingana na uthibitishaji na tathmini ya usahihi? Kwa hivyo, malengo mahususi ya utafiti huu yalikuwa (a) kuunda modeli ya mchanganyiko wa pamoja kwa SVMR au MLR kwa kutumia EBK kama modeli ya msingi, (b) kulinganisha modeli zinazotokana (c) kupendekeza modeli bora ya mchanganyiko kwa ajili ya kutabiri viwango vya Ni katika udongo wa mijini au pembezoni mwa miji, na (d) matumizi ya SeOM kuunda ramani ya ubora wa juu ya tofauti za anga za nikeli.
Utafiti huu unafanywa katika Jamhuri ya Cheki, haswa katika wilaya ya Frydek Mistek katika eneo la Moravia-Silesian (tazama Mchoro 1). Jiografia ya eneo la utafiti ni ngumu sana na kwa kiasi kikubwa ni sehemu ya eneo la Moravia-Silesian Beskidy, ambalo ni sehemu ya ukingo wa nje wa Milima ya Carpathian. Eneo la utafiti liko kati ya 49° 41′ 0′ N na 18° 20′ 0′ E, na mwinuko ni kati ya mita 225 na 327; Hata hivyo, mfumo wa uainishaji wa Koppen kwa hali ya hewa ya eneo hilo umekadiriwa kuwa Cfb = hali ya hewa ya bahari yenye joto la wastani, Kuna mvua nyingi hata katika miezi ya kiangazi. Halijoto hutofautiana kidogo mwaka mzima kati ya −5 °C na 24 °C, mara chache huanguka chini ya −14 °C au zaidi ya 30 °C, huku wastani wa mvua kwa mwaka ukiwa kati ya 685 na 752 mm47. Eneo linalokadiriwa la utafiti wa eneo lote ni kilomita za mraba 1,208, huku 39.38% ya ardhi iliyolimwa na 49.36% ya eneo la misitu. Kwa upande mwingine, eneo linalotumika katika utafiti huu ni takriban kilomita za mraba 889.8. Ndani na karibu na Ostrava, tasnia ya chuma na kazi za chuma zinafanya kazi sana. Viwanda vya chuma, tasnia ya chuma ambapo nikeli hutumika katika vyuma vya pua (km kwa upinzani dhidi ya kutu ya angahewa) na vyuma vya aloi (nikeli huongeza nguvu ya aloi huku ikidumisha unyumbufu na uimara wake mzuri), na kilimo kikali kama vile matumizi ya mbolea ya fosfeti na uzalishaji wa mifugo ni vyanzo vya utafiti vinavyowezekana vya nikeli katika eneo hilo (km, kuongeza nikeli kwa wana-kondoo ili kuongeza viwango vya ukuaji kwa wana-kondoo na ng'ombe wasiolishwa vizuri). Matumizi mengine ya viwandani ya nikeli katika maeneo ya utafiti ni pamoja na matumizi yake katika uchongaji wa umeme, ikiwa ni pamoja na uchongaji wa nikeli wa umeme na michakato ya uchongaji wa nikeli usiotumia umeme. Sifa za udongo zinaweza kutofautishwa kwa urahisi kutokana na rangi ya udongo, muundo, na kiwango cha kaboneti. Umbile la udongo ni la wastani hadi laini, linalotokana na nyenzo mama. Ni la kawaida, la alluvial au aeolian. Baadhi ya maeneo ya udongo huonekana kuwa na madoa kwenye uso na udongo wa chini, mara nyingi yakiwa na zege na bleach. Hata hivyo, cambisols na stagnosols ndizo aina za udongo zinazojulikana zaidi katika eneo hilo48. Kwa mwinuko unaoanzia mita 455.1 hadi 493.5, cambisols hutawala Jamhuri ya Czech49.
Ramani ya eneo la masomo [Ramani ya eneo la masomo iliundwa kwa kutumia ArcGIS Desktop (ESRI, Inc, toleo la 10.7, URL: https://desktop.arcgis.com).]
Jumla ya sampuli 115 za udongo wa juu zilipatikana kutoka kwa udongo wa mijini na kando ya miji katika wilaya ya Frydek Mistek. Mfano uliotumika ulikuwa gridi ya kawaida yenye sampuli za udongo zilizowekwa umbali wa kilomita 2 × 2, na udongo wa juu ulipimwa kwa kina cha sentimita 0 hadi 20 kwa kutumia kifaa cha GPS kinachoshikiliwa kwa mkono (Leica Zeno 5 GPS). Sampuli hufungashwa kwenye mifuko ya Ziploc, zikiwa na lebo ipasavyo, na kusafirishwa hadi maabara. Sampuli zilikaushwa kwa hewa ili kutoa sampuli zilizosagwa, zikisagwa kwa mfumo wa mitambo (Kinu cha diski cha Fritsch), na kuchujwa (ungo wa ukubwa wa milimita 2). Weka gramu 1 ya sampuli za udongo zilizokaushwa, zilizosagwa na kuchujwa katika chupa za teflon zilizo na lebo wazi. Katika kila chombo cha Teflon, toa mililita 7 za HCl 35% na mililita 3 za HNO3 65% (kwa kutumia kisambazaji otomatiki - kimoja kwa kila asidi), funika kidogo na uache sampuli zisimame usiku kucha kwa ajili ya mmenyuko (programu ya aqua regia). Weka supernatant kwenye bamba la chuma moto (joto: 100 W na 160 °C) kwa saa 2 ili kurahisisha mchakato wa usagaji wa sampuli, kisha zipoe. Hamisha supernatant kwenye chupa ya ujazo ya 50 ml na uchanganye hadi 50 ml na maji yaliyoondolewa ioni. Baada ya hapo, chuja supernatant iliyopunguzwa kwenye bomba la PVC la 50 ml na maji yaliyoondolewa ioni. Zaidi ya hayo, 1 ml ya myeyusho wa upunguzaji ilipunguzwa na 9 ml ya maji yaliyoondolewa ioni na kuchujwa kwenye bomba la 12 ml lililoandaliwa kwa mkusanyiko bandia wa PTE. Viwango vya PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) viliamuliwa na ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) kulingana na mbinu na makubaliano ya kawaida. Hakikisha taratibu za Uhakikisho na Udhibiti wa Ubora (QA/QC) (SRM NIST 2711a Montana II Soil). PTE zenye mipaka ya kugundua chini ya nusu zilitengwa kwenye utafiti huu. Kikomo cha kugundua cha PTE Iliyotumika katika utafiti huu ilikuwa 0.0004.(wewe). Zaidi ya hayo, mchakato wa udhibiti wa ubora na uhakikisho wa ubora kwa kila uchanganuzi unahakikishwa kwa kuchanganua viwango vya marejeleo. Ili kuhakikisha kwamba makosa yalipunguzwa, uchanganuzi maradufu ulifanywa.
Kriging ya Bayesian ya Kielektroniki (EBK) ni mojawapo ya mbinu nyingi za utohozi wa kijiografia zinazotumika katika uundaji wa modeli katika nyanja mbalimbali kama vile sayansi ya udongo. Tofauti na mbinu zingine za utohozi wa kriging, EBK hutofautiana na mbinu za kitamaduni za kriging kwa kuzingatia hitilafu iliyokadiriwa na modeli ya semivariogramu. Katika utohozi wa EBK, modeli kadhaa za semivariogramu huhesabiwa wakati wa utohozi, badala ya semivariogramu moja. Mbinu za utohozi hutoa njia ya kutokuwa na uhakika na programu inayohusiana na uchoraji huu wa semivariogramu ambao ni sehemu changamano sana ya mbinu ya kutosha ya kriging. Mchakato wa utohozi wa EBK unafuata vigezo vitatu vilivyopendekezwa na Krivoruchko50, (a) modeli inakadiria semivariogramu kutoka kwa seti ya data ya ingizo (b) thamani mpya iliyotabiriwa kwa kila eneo la seti ya data ya ingizo kulingana na semivariogramu iliyozalishwa na (c) modeli ya mwisho ya A inahesabiwa kutoka kwa seti ya data iliyoigwa. Sheria ya mlinganyo wa Bayesian imetolewa kama sehemu ya nyuma
Ambapo \(Prob\left(A\right)\) inawakilisha uwezekano wa pembezoni wa awali, \(Prob\left(B\right)\) hupuuzwa katika hali nyingi, \(Prob (B,A)\ ). Hesabu ya semivariogramu inategemea sheria ya Bayes, ambayo inaonyesha mwelekeo wa seti za data za uchunguzi ambazo zinaweza kuundwa kutoka semivariogramu. Thamani ya semivariogramu kisha huamuliwa kwa kutumia sheria ya Bayes, ambayo inasema jinsi ilivyo uwezekano wa kuunda seti ya data ya uchunguzi kutoka semivariogramu.
Mashine ya vekta ya usaidizi ni algoriti ya kujifunza mashine ambayo hutoa hyperplane bora inayotenganisha ili kutofautisha madarasa yanayofanana lakini si huru kwa mstari. Vapnik51 iliunda algoriti ya uainishaji wa nia, lakini hivi karibuni imetumika kutatua matatizo yanayolenga urejeshaji. Kulingana na Li et al.52, SVM ni mojawapo ya mbinu bora za uainishaji na imetumika katika nyanja mbalimbali. Sehemu ya urejeshaji ya SVM (Urejeshaji wa Mashine ya Vekta ya Usaidizi - SVMR) ilitumika katika uchanganuzi huu. Cherkassky na Mulier53 walianzisha SVMR kama urejeshaji unaotegemea kernel, ambao hesabu yake ilifanywa kwa kutumia modeli ya urejeshaji wa mstari yenye vitendaji vya anga vya nchi nyingi. John et al54 wanaripoti kwamba uundaji wa SVMR hutumia urejeshaji wa mstari wa hyperplane, ambao huunda uhusiano usio wa mstari na huruhusu vitendaji vya anga. Kulingana na Vohland et al. 55, epsilon (ε)-SVMR hutumia seti ya data iliyofunzwa kupata modeli ya uwakilishi kama kitendakazi kisichojali epsilon ambacho hutumika kupanga data kwa kujitegemea kwa upendeleo bora wa epsilon kutoka kwa mafunzo kwenye data inayohusiana. Hitilafu ya umbali uliowekwa mapema hupuuzwa kutoka kwa thamani halisi, na ikiwa hitilafu ni kubwa kuliko ε(ε), sifa za udongo hulipa fidia. Mfano pia hupunguza ugumu wa data ya mafunzo hadi kundi kubwa zaidi la vekta za usaidizi. Mlinganyo uliopendekezwa na Vapnik51 umeonyeshwa hapa chini.
ambapo b inawakilisha kizingiti cha scalar, \(K\left({x}_{,}{ x}_{k}\right)\) inawakilisha kitendakazi cha kernel, \(\alpha\) inawakilisha kizidishi cha Lagrange, N Inawakilisha seti ya data ya nambari, \({x}_{k}\) inawakilisha ingizo la data, na \(y\) ni matokeo ya data. Mojawapo ya kerneli muhimu zinazotumika ni operesheni ya SVMR, ambayo ni kitendakazi cha msingi wa radial wa Gaussian (RBF). Kernel ya RBF inatumika kubaini modeli bora ya SVMR, ambayo ni muhimu kupata kipengele cha adhabu C chenye ujanja zaidi na gamma ya kigezo cha kernel (γ) kwa data ya mafunzo ya PTE. Kwanza, tulitathmini seti ya mafunzo na kisha tukajaribu utendaji wa modeli kwenye seti ya uthibitishaji. Kigezo cha uendeshaji kinachotumika ni sigma na thamani ya mbinu ni svmRadial.
Mfano wa urejeshaji wa mstari mwingi (MLR) ni mfano wa urejeshaji unaowakilisha uhusiano kati ya kigezo cha majibu na idadi ya vigezo vya utabiri kwa kutumia vigezo vilivyounganishwa kwa mstari vilivyohesabiwa kwa kutumia mbinu ya mraba mdogo. Katika MLR, mfano wa mraba mdogo ni kazi ya utabiri wa sifa za udongo baada ya uteuzi wa vigezo vya maelezo. Ni muhimu kutumia jibu ili kuanzisha uhusiano wa mstari kwa kutumia vigezo vya maelezo. PTE ilitumika kama kigezo cha majibu ili kuanzisha uhusiano wa mstari na vigezo vya maelezo. Mlinganyo wa MLR ni
ambapo y ni kigezo cha majibu, \(a\) ni kukatiza, n ni idadi ya vitabiri, \({b}_{1}\) ni urejeshaji wa sehemu wa viambatisho, \({x}_{ i}\) inawakilisha kigezo cha utabiri au maelezo, na \({\varepsilon }_{i}\) inawakilisha hitilafu katika modeli, ambayo pia inajulikana kama mabaki.
Mifumo mchanganyiko ilipatikana kwa kuunganisha EBK na SVMR na MLR. Hii inafanywa kwa kutoa thamani zilizotabiriwa kutoka kwa utafsiri wa EBK. Thamani zilizotabiriwa zilizopatikana kutoka kwa Ca, K, na Mg zilizounganishwa hupatikana kupitia mchakato wa mchanganyiko ili kupata vigezo vipya, kama vile CaK, CaMg, na KMg. Vipengele Ca, K na Mg kisha huunganishwa ili kupata kigezo cha nne, CaKMg. Kwa ujumla, vigezo vilivyopatikana ni Ca, K, Mg, CaK, CaMg, KMg na CaKMg. Vigezo hivi vilikuwa vitabiri vyetu, na kusaidia kutabiri viwango vya nikeli katika udongo wa mijini na pembezoni mwa miji. Algorithm ya SVMR ilifanywa kwenye vitabiri ili kupata modeli mchanganyiko Mashine ya Vekta ya Empirical Bayesian Kriging-Support (EBK_SVM). Vile vile, vigezo pia hupitishwa kupitia algorithm ya MLR ili kupata modeli mchanganyiko Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Kwa kawaida, vigezo Ca, K, Mg, CaK, CaMg, KMg, na CaKMg hutumika kama viashiria vya kiwango cha Ni katika udongo wa mijini na pembezoni mwa miji. Mfano unaokubalika zaidi uliopatikana (EBK_SVM au EBK_MLR) utaonyeshwa kwa kutumia grafu inayojipanga. Mtiririko wa kazi wa utafiti huu umeonyeshwa kwenye Mchoro 2.
Kutumia SeOM kumekuwa chombo maarufu cha kupanga, kutathmini, na kutabiri data katika sekta ya fedha, huduma ya afya, tasnia, takwimu, sayansi ya udongo, na zaidi. SeOM imeundwa kwa kutumia mitandao bandia ya neva na mbinu za kujifunza zisizosimamiwa kwa ajili ya kupanga, kutathmini, na kutabiri. Katika utafiti huu, SeOM ilitumika kuibua viwango vya Ni kulingana na mfumo bora wa kutabiri Ni katika udongo wa mijini na pembezoni mwa miji. Data iliyosindikwa katika tathmini ya SeOM hutumika kama vigezo vya vekta ya pembejeo n43,56.Melssen et al. 57 inaelezea muunganisho wa vekta ya kuingiza kwenye mtandao wa neva kupitia safu moja ya kuingiza hadi vekta ya kutoa yenye vekta ya uzito mmoja. Matokeo yanayotokana na SeOM ni ramani ya pande mbili inayojumuisha niuroni au nodi tofauti zilizosukwa katika ramani za topolojia zenye hexagonal, duara, au mraba kulingana na ukaribu wao. Kwa kulinganisha ukubwa wa ramani kulingana na hitilafu ya kipimo, upimaji (QE) na hitilafu ya topografia (TE), modeli ya SeOM yenye 0.086 na 0.904, mtawalia, huchaguliwa, ambayo ni kitengo cha ramani 55 (5 × 11). Muundo wa niuroni huamuliwa kulingana na idadi ya nodi katika mlinganyo wa majaribio.
Idadi ya data iliyotumika katika utafiti huu ni sampuli 115. Mbinu ya nasibu ilitumika kugawanya data katika data ya majaribio (25% kwa ajili ya uthibitishaji) na seti za data za mafunzo (75% kwa ajili ya urekebishaji). Seti ya data ya mafunzo hutumika kutoa modeli ya urekebishaji (urekebishaji), na seti ya data ya majaribio hutumika kuthibitisha uwezo wa ujumlishaji58. Hii ilifanyika ili kutathmini ufaa wa modeli mbalimbali za kutabiri kiwango cha nikeli kwenye udongo. Mifumo yote iliyotumika ilipitia mchakato wa uthibitishaji mtambuka wa mara kumi, unaorudiwa mara tano. Vigezo vinavyozalishwa na utafsiri wa EBK hutumika kama vitabiri au vigezo vya maelezo ili kutabiri kigezo lengwa (PTE). Uundaji wa modeli hushughulikiwa katika RStudio kwa kutumia maktaba ya vifurushi (Kohonen), maktaba (caret), maktaba (modelr), maktaba (“e1071″), maktaba (“plyr”), maktaba (“caTools”), maktaba (“prospecter”) na maktaba (“Metrics”).
Vigezo mbalimbali vya uthibitishaji vilitumika kubaini modeli bora inayofaa kwa kutabiri viwango vya nikeli kwenye udongo na kutathmini usahihi wa modeli na uthibitishaji wake. Mifumo ya mseto ilitathminiwa kwa kutumia hitilafu kamili ya wastani (MAE), hitilafu ya mraba wa wastani wa mizizi (RMSE), na uamuzi wa mgawo wa R-mraba au R-mraba (R2). R2 hufafanua tofauti ya uwiano katika jibu, inayowakilishwa na modeli ya urejeshaji. RMSE na ukubwa wa tofauti katika vipimo huru huelezea nguvu ya utabiri wa modeli, huku MAE ikiamua thamani halisi ya kiasi. Thamani ya R2 lazima iwe juu ili kutathmini modeli bora ya mchanganyiko kwa kutumia vigezo vya uthibitishaji, kadiri thamani ilivyo karibu na 1, ndivyo usahihi unavyoongezeka. Kulingana na Li et al. 59, thamani ya kigezo cha R2 ya 0.75 au zaidi inachukuliwa kuwa kitabiri kizuri; kutoka 0.5 hadi 0.75 ni utendaji wa modeli unaokubalika, na chini ya 0.5 ni utendaji wa modeli usiokubalika. Wakati wa kuchagua modeli kwa kutumia mbinu za tathmini ya vigezo vya uthibitishaji vya RMSE na MAE, thamani za chini zilizopatikana zilitosha na zilizingatiwa kuwa chaguo bora. Mlinganyo ufuatao unaelezea njia ya uthibitishaji.
ambapo n inawakilisha ukubwa wa thamani iliyoonekana\({Y}_{i}\) inawakilisha mwitikio uliopimwa, na \({\widehat{Y}}_{i}\) pia inawakilisha thamani ya mwitikio iliyotabiriwa, kwa hivyo, kwa uchunguzi wa kwanza wa i.
Maelezo ya takwimu ya vigeu vya utabiri na majibu yanawasilishwa katika Jedwali la 1, kuonyesha wastani, kupotoka kwa kawaida (SD), mgawo wa tofauti (CV), kiwango cha chini, kiwango cha juu, kurtosis, na ulegevu. Thamani za chini na za juu za vipengele ziko katika mpangilio unaopungua wa Mg < Ca < K < Ni na Ca < Mg < K < Ni, mtawalia. Viwango vya kigeu cha majibu (Ni) vilivyochukuliwa kutoka eneo la utafiti vilikuwa kati ya 4.86 hadi 42.39 mg/kg. Ulinganisho wa Ni na wastani wa dunia (29 mg/kg) na wastani wa Ulaya (37 mg/kg) ulionyesha kuwa wastani wa jumla wa kijiometri uliohesabiwa kwa eneo la utafiti ulikuwa ndani ya kiwango kinachoweza kuvumilika. Hata hivyo, kama inavyoonyeshwa na Kabata-Pendias11, ulinganisho wa wastani wa mkusanyiko wa nikeli (Ni) katika utafiti wa sasa na udongo wa kilimo nchini Uswidi unaonyesha kuwa wastani wa mkusanyiko wa nikeli wa sasa ni wa juu zaidi. Vile vile, wastani wa mkusanyiko wa Frydek Mistek katika udongo wa mijini na wa pembezoni mwa miji katika utafiti wa sasa (Ni 16.15 mg/kg) ulikuwa juu kuliko unaoruhusiwa. kikomo cha 60 (10.2 mg/kg) kwa Ni katika udongo wa mijini wa Poland kilichoripotiwa na Różański et al. Zaidi ya hayo, Bretzel na Calderisi61 walirekodi viwango vya chini sana vya wastani wa Ni (1.78 mg/kg) katika udongo wa mijini huko Tuscany ikilinganishwa na utafiti wa sasa. Jim62 pia alipata kiwango cha chini cha nikeli (12.34 mg/kg) katika udongo wa mijini wa Hong Kong, ambacho ni cha chini kuliko kiwango cha sasa cha nikeli katika utafiti huu. Birke et al63 waliripoti wastani wa mkusanyiko wa Ni wa 17.6 mg/kg katika eneo la zamani la uchimbaji madini na viwanda vya mijini huko Saxony-Anhalt, Ujerumani, ambacho kilikuwa 1.45 mg/kg juu kuliko wastani wa mkusanyiko wa Ni katika eneo hilo (16.15 mg/kg). Utafiti wa sasa. Kiwango kikubwa cha nikeli katika udongo katika baadhi ya maeneo ya mijini na vitongoji vya eneo la utafiti kinaweza kuhusishwa zaidi na tasnia ya chuma na chuma na tasnia ya chuma. Hii inaendana na utafiti wa Khodadoust et al. 64 kwamba tasnia ya chuma na ufundi wa chuma ndio vyanzo vikuu vya uchafuzi wa nikeli katika udongo. Hata hivyo, viashiria pia vilikuwa kati ya 538.70 mg/kg hadi 69,161.80 mg/kg kwa Ca, 497.51 mg/kg hadi 3535.68 mg/kg kwa K, na 685.68 mg/kg hadi 5970.05 mg/kg kwa Mg.Jakovljevic et al. 65 walichunguza jumla ya kiwango cha Mg na K katika udongo katikati mwa Serbia. Waligundua kuwa viwango vya jumla (410 mg/kg na 400 mg/kg, mtawalia) vilikuwa chini kuliko viwango vya Mg na K vya utafiti wa sasa. Haiwezekani kutofautisha, mashariki mwa Poland, Orzechowski na Smolczynski66 walipima jumla ya kiwango cha Ca, Mg na K na kuonyesha viwango vya wastani vya Ca (1100 mg/kg), Mg (590 mg/kg) na K (810 mg/kg). Kiwango katika udongo wa juu ni cha chini kuliko kipengele kimoja katika utafiti huu. Utafiti wa hivi karibuni uliofanywa na Pongrac et al. 67 ulionyesha kuwa jumla ya kiwango cha Ca kilichochambuliwa katika udongo 3 tofauti huko Scotland, Uingereza (udongo wa Mylnefield, udongo wa Balruddery na udongo wa Hartwood) kilionyesha kiwango cha juu cha Ca katika utafiti huu.
Kutokana na viwango tofauti vilivyopimwa vya vipengele vilivyochukuliwa sampuli, usambazaji wa seti ya data ya vipengele unaonyesha upotovu tofauti. Upotovu na kurtosis ya vipengele vilikuwa kati ya 1.53 hadi 7.24 na 2.49 hadi 54.16, mtawalia. Vipengele vyote vilivyohesabiwa vina viwango vya upotovu na kurtosis zaidi ya +1, hivyo kuonyesha kwamba usambazaji wa data si wa kawaida, umepinda katika mwelekeo sahihi na umefikia kilele. CV zilizokadiriwa za vipengele pia zinaonyesha kwamba K, Mg, na Ni zinaonyesha utofauti wa wastani, huku Ca ina utofauti mkubwa sana. CV za K, Ni na Mg zinaelezea usambazaji wao sare. Zaidi ya hayo, usambazaji wa Ca haufanani na vyanzo vya nje vinaweza kuathiri kiwango chake cha utajiri.
Uwiano wa vigeu vya kitabiri na vipengele vya majibu ulionyesha uhusiano wa kuridhisha kati ya vipengele (tazama Mchoro 3). Uwiano ulionyesha kuwa CaK ilionyesha uhusiano wa wastani na thamani ya r = 0.53, kama vile CaNi. Ingawa Ca na K zinaonyesha uhusiano wa wastani kati yao, watafiti kama vile Kingston et al. 68 na Santo69 zinaonyesha kwamba viwango vyao katika udongo vina uwiano kinyume. Hata hivyo, Ca na Mg ni kinyume na K, lakini CaK ina uhusiano mzuri. Hii inaweza kuwa kutokana na matumizi ya mbolea kama vile potasiamu kaboneti, ambayo ni ya juu kwa 56% katika potasiamu. Potasiamu ilihusiana kwa kiasi na magnesiamu (KM r = 0.63). Katika tasnia ya mbolea, vipengele hivi viwili vina uhusiano wa karibu kwa sababu sulfate ya magnesiamu ya potasiamu, nitrati ya magnesiamu ya potasiamu, na potashi hutumika kwenye udongo ili kuongeza viwango vyao vya upungufu. Nikeli ina uhusiano wa kiasi na Ca, K na Mg yenye thamani ya r = 0.52, 0.63 na 0.55, mtawalia. Uhusiano unaohusisha kalsiamu, magnesiamu, na PTE kama vile nikeli ni ngumu, lakini hata hivyo, magnesiamu huzuia unyonyaji wa kalsiamu, kalsiamu hupunguza athari za magnesiamu iliyozidi, na magnesiamu na kalsiamu hupunguza athari za sumu za nikeli kwenye udongo.
Jedwali la uhusiano kwa vipengele vinavyoonyesha uhusiano kati ya vitabiri na majibu (Kumbuka: takwimu hii inajumuisha mchoro wa kutawanyika kati ya vipengele, viwango vya umuhimu vinategemea p < 0,001).
Mchoro 4 unaonyesha usambazaji wa vipengele katika anga. Kulingana na Burgos et al70, matumizi ya usambazaji wa anga ni mbinu inayotumika kupima na kuangazia sehemu zenye joto kali katika maeneo yaliyochafuliwa. Viwango vya utajiri wa Ca katika Mchoro 4 vinaweza kuonekana katika sehemu ya kaskazini magharibi ya ramani ya usambazaji wa anga. Mchoro unaonyesha sehemu zenye joto kali za utajiri wa Ca wastani hadi juu. Utajiri wa kalsiamu kaskazini magharibi mwa ramani huenda unatokana na matumizi ya chokaa cha haraka (oksidi ya kalsiamu) kupunguza asidi ya udongo na matumizi yake katika viwanda vya chuma kama oksijeni ya alkali katika mchakato wa kutengeneza chuma. Kwa upande mwingine, wakulima wengine wanapendelea kutumia hidroksidi ya kalsiamu katika udongo wenye asidi ili kupunguza pH, ambayo pia huongeza kiwango cha kalsiamu katika udongo71. Potasiamu pia inaonyesha sehemu zenye joto kali kaskazini magharibi na mashariki mwa ramani. Kaskazini Magharibi ni jumuiya kubwa ya kilimo, na muundo wa wastani hadi wa juu wa potasiamu unaweza kuwa kutokana na matumizi ya NPK na potashi. Hii inaendana na tafiti zingine, kama vile Madaras na Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al. al.75, ambao waliona kwamba uimarishaji wa udongo na matibabu na KCl na NPK yalisababisha kiwango cha juu cha K kwenye udongo. Utajiri wa Potasiamu katika anga kaskazini magharibi mwa ramani ya usambazaji unaweza kuwa kutokana na matumizi ya mbolea zenye msingi wa potasiamu kama vile kloridi ya potasiamu, sulfate ya potasiamu, nitrati ya potasiamu, potashi, na potashi ili kuongeza kiwango cha potasiamu katika udongo duni. Zádorová et al. 76 na Tlustoš et al. 77 ilielezea kwamba matumizi ya mbolea zenye msingi wa K yaliongeza kiwango cha K kwenye udongo na yangeongeza kwa kiasi kikubwa kiwango cha virutubisho kwenye udongo kwa muda mrefu, hasa K na Mg zinazoonyesha sehemu ya moto kwenye udongo. Maeneo yenye joto la wastani kaskazini magharibi mwa ramani na kusini-mashariki mwa ramani. Kujikunja kwa koloidi kwenye udongo hupunguza mkusanyiko wa magnesiamu kwenye udongo. Ukosefu wake kwenye udongo husababisha mimea kuonyesha chlorosis ya manjano ya intervein. Mbolea zenye msingi wa magnesiamu, kama vile potasiamu magnesiamu sulfate, magnesiamu sulfate, na Kieserite, hutibu upungufu (mimea huonekana ya zambarau, nyekundu, au kahawia, ikionyesha upungufu wa magnesiamu) katika udongo wenye kiwango cha kawaida cha pH6. Mkusanyiko wa nikeli kwenye nyuso za udongo za mijini na pembezoni mwa miji unaweza kuwa kutokana na shughuli za kibinadamu kama vile kilimo na umuhimu wa nikeli katika uzalishaji wa chuma cha pua78.
Usambazaji wa vipengele vya anga [ramani ya usambazaji wa anga iliundwa kwa kutumia ArcGIS Desktop (ESRI, Inc, Toleo la 10.7, URL: https://desktop.arcgis.com).]
Matokeo ya faharasa ya utendaji wa modeli kwa vipengele vilivyotumika katika utafiti huu yanaonyeshwa katika Jedwali la 2. Kwa upande mwingine, RMSE na MAE ya Ni zote ziko karibu na sifuri (0.86 RMSE, -0.08 MAE). Kwa upande mwingine, thamani zote mbili za RMSE na MAE za K zinakubalika. Matokeo ya RMSE na MAE yalikuwa makubwa zaidi kwa kalsiamu na magnesiamu. Matokeo ya Ca na K MAE na RMSE ni makubwa zaidi kutokana na seti tofauti za data. RMSE na MAE ya utafiti huu kwa kutumia EBK kutabiri Ni yalionekana kuwa bora kuliko matokeo ya John et al. 54 kwa kutumia kriging ya harambee kutabiri viwango vya S kwenye udongo kwa kutumia data ile ile iliyokusanywa. Matokeo ya EBK tuliyosoma yanahusiana na yale ya Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 na John et al. 82, haswa K na Ni.
Utendaji wa mbinu za kibinafsi za kutabiri kiwango cha nikeli katika udongo wa mijini na pembezoni mwa miji ulitathminiwa kwa kutumia utendaji wa mifumo hiyo (Jedwali 3). Uthibitishaji wa modeli na tathmini ya usahihi ilithibitisha kwamba kitabiri cha Ca_Mg_K pamoja na modeli ya EBK SVMR kilionyesha utendaji bora zaidi. Mfano wa urekebishaji Ca_Mg_K-EBK_SVMR modeli R2, kosa la mraba la wastani wa mizizi (RMSE) na kosa kamili la wastani (MAE) vilikuwa 0.637 (R2), 95.479 mg/kg (RMSE) na 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ilikuwa 0.663 (R2), 235.974 mg/kg (RMSE) na 166.946 mg/kg (MAE). Hata hivyo, thamani nzuri za R2 zilipatikana kwa Ca_Mg_K-SVMR (0.663 mg/kg R2) na Ca_Mg-EBK_SVMR (0.643 = R2); matokeo yao ya RMSE na MAE yalikuwa juu kuliko yale ya Ca_Mg_K-EBK_SVMR (R2 0.637) (tazama Jedwali la 3). Zaidi ya hayo, RMSE na MAE ya modeli ya Ca_Mg-EBK_SVMR (RMSE = 1664.64 na MAE = 1031.49) ni 17.5 na 13.4, mtawalia, ambayo ni makubwa kuliko yale ya Ca_Mg_K-EBK_SVMR. Vile vile, RMSE na MAE ya modeli ya Ca_Mg-K SVMR (RMSE = 235.974 na MAE = 166.946) ni makubwa kwa 2.5 na 2.2 kuliko yale ya Ca_Mg_K-EBK_SVMR RMSE na MAE, mtawalia. Matokeo ya RMSE yaliyohesabiwa yanaonyesha jinsi seti ya data ilivyojikita katika mstari wa ufaafu bora. RSME na MAE za juu zilizingatiwa. Kulingana na Kebonye et al. 46 na john et al. 54, kadiri RMSE na MAE zinavyokaribia sifuri, ndivyo matokeo yanavyokuwa bora zaidi. SVMR na EBK_SVMR zina thamani za juu za RSME na MAE zilizopimwa. Ilibainika kuwa makadirio ya RSME yalikuwa juu zaidi kuliko thamani za MAE, ikionyesha uwepo wa vitu vya nje. Kulingana na Legates na McCabe83, kiwango ambacho RMSE inazidi wastani wa kosa kamili (MAE) kinapendekezwa kama kiashiria cha uwepo wa vitu vya nje. Hii ina maana kwamba kadiri seti ya data inavyotofautiana zaidi, ndivyo thamani za MAE na RMSE zinavyokuwa juu zaidi. Usahihi wa tathmini ya uthibitisho mtambuka wa modeli mchanganyiko ya Ca_Mg_K-EBK_SVMR kwa ajili ya kutabiri kiwango cha Ni katika udongo wa mijini na vitongoji ilikuwa 63.70%. Kulingana na Li et al. 59, kiwango hiki cha usahihi ni kiwango kinachokubalika cha utendaji wa modeli. Matokeo ya sasa yanalinganishwa na utafiti uliopita na Tarasov et al. 36 ambao modeli mseto iliunda MLPRK (Multilayer Perceptron Residual Kriging), inayohusiana na faharisi ya tathmini ya usahihi wa EBK_SVMR iliyoripotiwa katika utafiti wa sasa, RMSE (210) na MAE (167.5) ilikuwa juu kuliko matokeo yetu katika utafiti wa sasa (RMSE 95.479, MAE 77.368). Hata hivyo, wakati wa kulinganisha R2 ya utafiti wa sasa (0.637) na ile ya Tarasov et al. 36 (0.544), ni wazi kwamba mgawo wa uamuzi (R2) ni wa juu zaidi katika modeli hii mchanganyiko. Kiwango cha hitilafu (RMSE na MAE) (EBK SVMR) kwa modeli mchanganyiko ni mara mbili chini. Vile vile, Sergeev et al.34 walirekodi 0.28 (R2) kwa modeli mseto iliyotengenezwa (Multilayer Perceptron Residual Kriging), huku Ni katika utafiti wa sasa wakirekodi 0.637 (R2). Kiwango cha usahihi wa utabiri wa modeli hii (EBK SVMR) ni 63.7%, huku usahihi wa utabiri uliopatikana na Sergeev et al. 34 ni 28%. Ramani ya mwisho (Mchoro 5) iliyoundwa kwa kutumia modeli ya EBK_SVMR na Ca_Mg_K kama kitabiri inaonyesha utabiri wa maeneo yenye joto na wastani hadi nikeli katika eneo lote la utafiti. Hii ina maana kwamba mkusanyiko wa nikeli katika eneo la utafiti ni wa wastani zaidi, huku viwango vya juu zaidi katika baadhi ya maeneo maalum.
Ramani ya mwisho ya utabiri inawakilishwa kwa kutumia modeli mseto EBK_SVMR na kwa kutumia Ca_Mg_K kama kitabiri.[Ramani ya usambazaji wa anga iliundwa kwa kutumia RStudio (toleo la 1.4.1717: https://www.rstudio.com/).]
Imewasilishwa katika Mchoro 6 ni viwango vya PTE kama mpangilio wa muundo unaojumuisha niuroni za kibinafsi. Hakuna hata moja kati ya ndege za vipengele iliyoonyesha mpangilio sawa wa rangi kama inavyoonyeshwa. Hata hivyo, idadi inayofaa ya niuroni kwa kila ramani iliyochorwa ni 55. SeOM huzalishwa kwa kutumia rangi mbalimbali, na kadiri mifumo ya rangi inavyofanana zaidi, ndivyo sifa za sampuli zinavyolingana zaidi. Kulingana na kipimo chao sahihi cha rangi, elementi za kibinafsi (Ca, K, na Mg) zilionyesha mifumo sawa ya rangi na niuroni moja kubwa na niuroni nyingi za chini. Kwa hivyo, CaK na CaMg zinafanana na niuroni za mpangilio wa juu sana na mifumo ya rangi ya chini hadi wastani. Mifumo yote miwili hutabiri mkusanyiko wa Ni katika udongo kwa kuonyesha rangi za kati hadi juu kama vile nyekundu, chungwa na njano. Mfano wa KMg unaonyesha mifumo mingi ya rangi ya juu kulingana na uwiano sahihi na viraka vya rangi ya chini hadi ya kati. Katika kipimo sahihi cha rangi kutoka chini hadi juu, muundo wa usambazaji wa pande wa vipengele vya mfumo ulionyesha muundo wa rangi ya juu unaoonyesha mkusanyiko unaowezekana wa nikeli katika udongo (tazama Mchoro 4). Mfumo wa sehemu ya mfumo wa CakMg unaonyesha muundo tofauti wa rangi kutoka chini hadi juu kulingana na rangi sahihi. Kipimo. Zaidi ya hayo, utabiri wa modeli ya kiwango cha nikeli (CakMg) ni sawa na usambazaji wa nafasi wa nikeli unaoonyeshwa kwenye Mchoro 5. Grafu zote mbili zinaonyesha uwiano wa juu, wa kati na wa chini wa viwango vya nikeli katika udongo wa mijini na wa pembezoni mwa miji. Mchoro 7 unaonyesha mbinu ya kontua katika kundi la k-means kwenye ramani, limegawanywa katika makundi matatu kulingana na thamani iliyotabiriwa katika kila modeli. Mbinu ya kontua inawakilisha idadi bora ya makundi. Kati ya sampuli 115 za udongo zilizokusanywa, kundi la 1 lilipata sampuli nyingi zaidi za udongo, 74. Kundi la 2 lilipokea sampuli 33, huku kundi la 3 likipokea sampuli 8. Mchanganyiko wa utabiri wa mpangilio wa vipengele saba umerahisishwa ili kuruhusu tafsiri sahihi ya kundi. Kutokana na michakato mingi ya anthropogenic na asilia inayoathiri uundaji wa udongo, ni vigumu kuwa na mifumo ya makundi iliyotofautishwa ipasavyo katika ramani iliyosambazwa ya SeOM78.
Pato la sehemu ya sehemu kwa kila kigezo cha Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Ramani za SeOM ziliundwa kwa kutumia RStudio (toleo la 1.4.1717: https://www.rstudio.com/).]
Vipengele tofauti vya uainishaji wa makundi [Ramani za SeOM ziliundwa kwa kutumia RStudio (toleo la 1.4.1717: https://www.rstudio.com/).]
Utafiti wa sasa unaonyesha wazi mbinu za uundaji wa nikeli katika udongo wa mijini na pembezoni mwa miji. Utafiti ulijaribu mbinu tofauti za uundaji wa nikeli, ukichanganya vipengele na mbinu za uundaji wa nikeli, ili kupata njia bora ya kutabiri viwango vya nikeli katika udongo. Sifa za anga za mpangilio wa SeOM za mbinu ya uundaji wa nikeli zilionyesha muundo wa rangi ya juu kutoka chini hadi juu kwenye kipimo sahihi cha rangi, zikionyesha viwango vya Ni katika udongo. Hata hivyo, ramani ya usambazaji wa anga inathibitisha usambazaji wa anga wa vipengele vilivyoonyeshwa na EBK_SVMR (tazama Mchoro 5). Matokeo yanaonyesha kuwa modeli ya urekebishaji wa mashine ya vekta ya usaidizi (Ca Mg K-SVMR) inatabiri mkusanyiko wa Ni katika udongo kama modeli moja, lakini vigezo vya tathmini ya uthibitishaji na usahihi vinaonyesha makosa makubwa sana kulingana na RMSE na MAE. Kwa upande mwingine, mbinu ya uundaji wa nikeli iliyotumika na modeli ya EBK_MLR pia ina kasoro kutokana na thamani ya chini ya mgawo wa uamuzi (R2). Matokeo mazuri yalipatikana kwa kutumia EBK SVMR na vipengele vilivyounganishwa (CaKMg) vyenye makosa ya chini ya RMSE na MAE yenye usahihi wa 63.7%. Inageuka kuwa kuchanganya EBK Algoriti yenye algoriti ya kujifunza kwa mashine inaweza kutoa algoriti mseto ambayo inaweza kutabiri mkusanyiko wa PTE kwenye udongo. Matokeo yanaonyesha kuwa kutumia Ca Mg K kama vitabiri kutabiri viwango vya Ni katika eneo la utafiti kunaweza kuboresha utabiri wa Ni katika udongo. Hii ina maana kwamba matumizi endelevu ya mbolea zinazotokana na nikeli na uchafuzi wa udongo wa viwandani na tasnia ya chuma yana tabia ya kuongeza mkusanyiko wa nikeli kwenye udongo. Utafiti huu ulionyesha kuwa modeli ya EBK inaweza kupunguza kiwango cha makosa na kuboresha usahihi wa modeli ya usambazaji wa nafasi ya udongo katika udongo wa mijini au kando ya miji. Kwa ujumla, tunapendekeza kutumia modeli ya EBK-SVMR kutathmini na kutabiri PTE kwenye udongo; kwa kuongezea, tunapendekeza kutumia EBK kuchanganya na algoriti mbalimbali za kujifunza kwa mashine. Viwango vya Ni vilitabiriwa kwa kutumia vipengele kama covariates; hata hivyo, kutumia covariates zaidi kungeboresha sana utendaji wa modeli, ambayo inaweza kuchukuliwa kuwa kikomo cha kazi ya sasa. Kikwazo kingine cha utafiti huu ni kwamba idadi ya seti za data ni 115. Kwa hivyo, ikiwa data zaidi itatolewa, utendaji wa njia iliyopendekezwa ya mseto ulioboreshwa unaweza kuboreshwa.
PlantProbs.net.Nikeli katika Mimea na Udongo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Ilifikiwa 28 Aprili 2021).
Kasprzak, KS Nickel inasonga mbele katika sumu ya kisasa ya mazingira.surroundings.sumu.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Mapitio ya vyanzo vyake na sumu ya mazingira. Kipolishi J. Mazingira.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Uchafuzi kutoka angahewa na mkusanyiko katika udongo na mimea karibu na kiyeyushi cha nikeli-shaba huko Sudbury, Ontario, Kanada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metali nzito katika udongo, mimea na hatari zinazohusiana na wanyama wanaowinda karibu na mgodi wa shaba-nikeli wa Selebi-Phikwe nchini Botswana. surroundings. Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Vipengele vya kufuatilia katika udongo na… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Vipengele vya kufuatilia+ katika udongo+na+mimea.+chapisho+la+4.+New+York+%28NY%29%3A+CRC+Press&btnG= (Ilifikiwa 24 Novemba 2020).
Almås, A., Singh, B., Kilimo, TS-NJ ya & 1995, haijafafanuliwa. Athari za tasnia ya nikeli ya Urusi kwenye viwango vya metali nzito katika udongo na nyasi za kilimo huko Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Unyonyaji na uhifadhi wa nikeli katika maji ya kunywa vinahusiana na ulaji wa chakula na unyeti wa nikeli. matumizi ya sumu.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nikeli kansa, mabadiliko ya jeni, epijenetiki au uteuzi. mazingira. Mtazamo wa Afya.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Uchambuzi wa mitindo ya vipengele vinavyoweza kuwa na sumu: mapitio ya bibliometriki. Jiokemia ya Mazingira na Afya. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Ramani ya Udongo Dijitali: Historia Fupi na Baadhi ya Masomo. Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Kwenye ramani ya udongo dijitali.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Uundaji wa Miundo ya Hifadhi ya Kijiografia ya Deutsch.CV,… – 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= (Ilifikiwa 28 Aprili 2021).