Asante kwa kutembelea Nature.com.Toleo la kivinjari unachotumia lina uwezo mdogo wa kutumia CSS.Kwa matumizi bora zaidi, tunapendekeza kwamba utumie kivinjari kilichosasishwa (au zima hali ya uoanifu 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.Mgawanyiko 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 kuhusu maudhui ya PTEs katika udongo huo.Jumla ya sampuli 115 zilipatikana kutoka kwa Frydek Mistek katika Jamhuri ya Cheki), magnesium nickium (KgCalcium), magnesium (KG), magnesium (KG) viwango viliamuliwa kwa kutumia spectrometry ya utoaji wa plasma iliyounganishwa kwa kufata. Tofauti ya majibu ni Ni na vitabiri ni Ca, Mg, na K. Matrix ya uwiano kati ya tofauti ya majibu na tofauti ya kitabiri inaonyesha uwiano wa kuridhisha kati ya vipengele.Matokeo ya utabiri yalionyesha kuwa Urekebishaji wa Mashine ya Kusaidia Vekta (SVMR) ulifanya vyema, ingawa makadirio ya mzizi wa97 wa maana ya mraba/RM23 (mg45) wa mzizi wa 45 (mg45) na mzizi wake wa wastani wa mg45 hitilafu kabisa (MAE) (166.946 mg/kg) zilikuwa za juu zaidi kuliko mbinu zingine zilizotumika. Miundo iliyochanganywa ya Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) haifanyi kazi vizuri, kama inavyothibitishwa na viambajengo vya ubainishaji chini ya 0.1.Mfano wa Empirical Bayesian Kriging-SVK ulikuwa ni mfano bora wa Mashine ya Bayesian Kriging-Sup yenye thamani za chini za RMSE (95.479 mg/kg) na MAE (77.368 mg/kg) na mgawo wa juu wa uamuzi (R2 = 0.637). Utoaji wa mbinu ya uundaji wa EBK-SVMR huonyeshwa kwa kutumia ramani inayojipanga. Neuroni zilizounganishwa katika ndege ya modeli ya mseto ya muundo wa mseto wa Nivrog huonyesha muundo wa rangi ya component ya KMg ambayo huonyesha muundo wa component ya KMg ya EBK-SVMR. na udongo wa pembezoni mwa miji.Matokeo yanaonyesha kuwa kuchanganya EBK na SVMR ni mbinu mwafaka ya kutabiri viwango vya Ni katika udongo wa mijini na pembezoni mwa miji.
Nickel (Ni) inachukuliwa kuwa kirutubisho kidogo kwa mimea kwa sababu inachangia urekebishaji wa nitrojeni ya angahewa (N) na kimetaboliki ya urea, ambayo yote yanahitajika kwa kuota kwa mbegu. Mbali na mchango wake katika kuota kwa mbegu, Ni inaweza kufanya kama kizuizi cha kuvu na bakteria na kukuza ukuaji wa mimea. zinahitaji uwekaji wa mbolea zenye nikeli ili kuongeza uwekaji wa nitrojeni2. Kuendelea kutumia mbolea zenye nikeli ili kurutubisha udongo na kuongeza uwezo wa mikunde kurekebisha naitrojeni kwenye udongo kwa kuendelea huongeza mkusanyiko wa nikeli kwenye udongo. Ingawa nikeli ni kirutubisho kidogo kwa mimea, unywaji wake wa kupindukia kwenye udongo unaweza kuleta madhara zaidi katika udongo na kupunguza pH ya nickel kwenye udongo. uchukuaji wa madini ya chuma kama kirutubisho muhimu kwa ukuaji wa mmea1.Kulingana na Liu3, Ni imepatikana kuwa kipengele cha 17 muhimu kinachohitajika kwa ukuzaji na ukuaji wa mmea. Mbali na jukumu la nikeli katika ukuzaji na ukuaji wa mimea, wanadamu wanaihitaji kwa matumizi mbalimbali.Upakuaji wa umeme, utengenezaji wa aloi zinazotegemea nikeli, na vifaa vya utengenezaji wa vichochezi vinavyohitaji utengenezaji wa tasnia ya kiwashi. nikeli katika sekta mbalimbali za viwanda. Aidha, aloi za nikeli na vitu vilivyowekwa umeme vimetumika sana katika vyombo vya jikoni, vifaa vya chumba cha mpira, vifaa vya tasnia ya chakula, umeme, waya na kebo, turbine za ndege, vipandikizi vya upasuaji, nguo na ujenzi wa meli kuliko anthropogenic4,6.Vyanzo vya asili 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/cadmium katika tasnia ya chuma, uchomaji umeme, uchomeleaji wa arc, dizeli na mafuta ya mafuta, na utoaji wa angahewa kutokana na mwako wa makaa ya mawe na uchomaji taka na uchomaji wa taka. 10, vyanzo vikuu vya uchafuzi wa udongo wa juu katika mazingira ya karibu na ya karibu ni viyeyushaji na migodi ya nikeli-shaba. Udongo wa juu karibu na kiwanda cha kusafisha nikeli-shaba cha Sudbury nchini Kanada ulikuwa na kiwango cha juu zaidi cha uchafuzi wa nikeli 26,000 mg/kg11. Kinyume chake, uzalishaji wa nikeli nchini Urusi una viwango vya juu vya uchafuzi wa nikeli. Udongo wa Norway11.Kulingana na Alms et al. 12, kiasi cha nikeli inayoweza kutolewa ya HNO3 katika ardhi ya juu ya kilimo ya kanda (uzalishaji wa nikeli nchini Urusi) ilikuwa kati ya 6.25 hadi 136.88 mg/kg, inayolingana na wastani wa 30.43 mg/kg na mkusanyiko wa msingi wa 25 mg/kg. Kulingana na kabata 11, uwekaji wa mbolea ya mijini katika ardhi ya mijini au fosforasi katika ardhi ya kilimo misimu ya mazao inayofuatana inaweza kuingiza au kuchafua udongo.Madhara yanayoweza kusababishwa na nikeli kwa binadamu yanaweza kusababisha saratani kupitia mutagenesis, uharibifu wa kromosomu, kizazi cha Z-DNA, urekebishaji wa utoboaji wa DNA uliozuiwa, au michakato ya epijenetiki13.Katika majaribio ya wanyama, nikeli imepatikana kuwa na uwezo wa kusababisha aina mbalimbali za uvimbe, na uvimbe wa nickel wa kansa unaweza kuwa na uvimbe.
Tathmini za uchafuzi wa udongo zimestawi katika siku za hivi majuzi kutokana na masuala mbalimbali yanayohusiana na afya yanayotokana na uhusiano wa mimea na udongo, uhusiano wa kibayolojia 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 in udongo umekuwa mgumu na unatumia muda mwingi kwa kutumia mbinu za kidijitali za kisasa (DS5M). kuboreshwa sana kwa utabiri wa ramani ya udongo (PSM).Kulingana na Minasny na McBratney16, utabiri wa ramani ya udongo (DSM) umethibitisha kuwa taaluma ndogo maarufu ya sayansi ya udongo.Lagacherie na McBratney, 2006 wanafafanua DSM kama "kuunda na kujaza mifumo ya taarifa za udongo wa anga kwa kutumia njia za anga na udongo wa anga. mifumo ya makisio”.McBratney et al. 17 inaeleza kuwa DSM au PSM ya kisasa ndiyo mbinu bora zaidi ya kutabiri au kuchora ramani ya usambazaji wa anga wa PTEs, aina za udongo na sifa za udongo. Takwimu za Geostatistics na Algorithms za Kujifunza Mashine (MLA) ni mbinu za uundaji wa DSM zinazounda ramani za dijiti kwa usaidizi wa kompyuta kwa kutumia data muhimu na ndogo.
Deutsch18 na Olea19 zinafafanua takwimu za jiografia kama "mkusanyiko wa mbinu za nambari zinazoshughulikia uwakilishi wa sifa za anga, hasa kwa kutumia mifano ya stochastic, kama vile jinsi uchanganuzi wa mfululizo wa saa unabainisha data ya muda." Kimsingi, takwimu za jiografia zinahusisha tathmini ya anuwai, ambayo huruhusu Kuhesabu na kufafanua utegemezi wa thamani za anga kutoka kwa kila hifadhidata20.Gumiaux et al. 20 inaonyesha zaidi kwamba tathmini ya arigrafia katika takwimu za kijiografia inategemea kanuni tatu, ikiwa ni pamoja na (a) kukokotoa ukubwa wa uunganisho wa data, (b) kutambua na kukokotoa anisotropi katika tofauti ya seti ya data na (c) pamoja na Kwa kuongezea kutilia maanani hitilafu ya asili ya data ya kipimo iliyotenganishwa na athari za eneo linalokadiriwa pia ni dhana hizi za upatanishi. hutumika katika takwimu za jiografia, ikiwa ni pamoja na kriging ya jumla, kriging ushirikiano, kriging ya kawaida, kriging ya Bayesian kriging, mbinu rahisi ya kriging na mbinu zingine zinazojulikana za ukalimani kuweka ramani au kutabiri PTE, sifa za udongo, na aina za udongo.
Kanuni za Kujifunza kwa Mashine (MLA) ni mbinu mpya kiasi inayotumia madarasa makubwa ya data yasiyo ya mstari, yanayochochewa na algoriti zinazotumiwa hasa kwa uchimbaji wa data, kutambua ruwaza katika data, na kutumika mara kwa mara katika uainishaji katika nyanja za kisayansi kama vile sayansi ya udongo na kazi za kurejesha. Karatasi nyingi za utafiti zinategemea miundo ya MLA kutabiri PTE kwenye udongo, kama vile Tan et al. 22 (misitu ya nasibu kwa ukadiriaji wa metali nzito katika udongo wa kilimo), Sakizadeh et al. 23 (mfano kwa kutumia mashine za vekta za usaidizi na mitandao ya neva bandia) uchafuzi wa udongo ).Aidha, Vega et al. 24 (CART kwa ajili ya kuiga uhifadhi wa metali nzito na adsorption katika udongo) Sun et al. 25 (utumiaji wa cubist ni usambazaji wa Cd kwenye udongo) na kanuni nyinginezo kama vile k-karibu ya jirani, urejeshaji ulioimarishwa wa jumla, na urejeshaji ulioimarishwa Miti pia ilitumia MLA kutabiri PTE kwenye udongo.
Utumiaji wa algoriti za DSM katika ubashiri au uchoraji wa ramani unakabiliwa na changamoto kadhaa.Waandishi wengi wanaamini kuwa MLA ni bora kuliko takwimu za kijiografia na kinyume chake.Ingawa moja ni bora kuliko nyingine, mchanganyiko wa hizi mbili huboresha kiwango cha usahihi wa ramani au utabiri katika DSM15.Woodcock na Gopal26 Finke27; Pontius na Cheuk28 na Grunwald29 wanatoa maoni kuhusu upungufu na baadhi ya hitilafu katika ramani iliyotabiriwa ya udongo. Wanasayansi wa udongo wamejaribu mbinu mbalimbali ili kuongeza ufanisi, usahihi, na kutabirika kwa ramani ya DSM na utabiri.Mchanganyiko wa kutokuwa na uhakika na uthibitishaji ni mojawapo ya vipengele vingi tofauti vinavyounganishwa katika DSM na kupunguza ufanisi. 15 inaeleza kuwa tabia ya uthibitishaji na kutokuwa na uhakika unaoletwa na uundaji na utabiri wa ramani unapaswa kuthibitishwa kivyake ili kuboresha ubora wa ramani. Vikwazo vya DSM ni kutokana na ubora wa udongo uliotawanywa kijiografia, ambao unahusisha kipengele cha kutokuwa na uhakika; hata hivyo, ukosefu wa uhakika katika DSM unaweza kutokea kutokana na vyanzo vingi vya makosa, yaani kosa la covariate, hitilafu ya mfano, hitilafu ya eneo, na Hitilafu ya uchambuzi 31. Ukosefu wa kielelezo unaosababishwa katika MLA na michakato ya kijiografia inahusishwa na ukosefu wa uelewa, hatimaye kusababisha kurahisisha mchakato halisi32. Bila kujali, asili isiyofaa ya mfano inaweza kuhusishwa na parameter. utabiri wa mfano wa hisabati, au tafsiri33.Hivi karibuni, mwelekeo mpya wa DSM umeibuka ambao unakuza ujumuishaji wa takwimu za kijiografia na MLA katika uchoraji wa ramani na utabiri.Wanasayansi na waandishi kadhaa wa udongo, kama vile Sergeev et al. 34; Subbotina et al. 35; Tarasov na wengine. 36 na Tarasov et al. 37 wametumia ubora sahihi wa takwimu za kijiografia na ujifunzaji wa mashine ili kuzalisha miundo mseto ambayo inaboresha ufanisi wa utabiri na uchoraji ramani. ubora.Baadhi ya miundo hii ya mseto au ya pamoja ya algorithm ni Upasuaji wa Mtandao wa Neural Artificial (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Residual Kriging (GR- NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron-MLP-anKsi-7KP na Mchakato wa Kuunganisha-Multilayer-MLP-ANNR3K Kurudi nyuma38.
Kulingana na Sergeev et al., kuchanganya mbinu mbalimbali za uigaji kuna uwezekano wa kuondoa kasoro na kuongeza ufanisi wa muundo wa mseto unaotokana badala ya kuendeleza modeli yake moja.Katika muktadha huu, karatasi hii mpya inabisha kwamba ni muhimu kutumia algoriti ya pamoja ya takwimu za kijiografia na MLA ili kuunda miundo bora zaidi ya mseto ili kutabiri uboreshaji wa Ni katika maeneo ya mijini na pembezoni. (EBK) kama kielelezo cha msingi na uchanganye na Mashine ya Usaidizi wa Vekta (SVM) na miundo ya Urejeleaji wa Mistari Nyingi (MLR). Mseto wa EBK na Mbunge yeyote haujulikani. Miundo mchanganyiko mingi inayoonekana ni michanganyiko ya ukadiriaji wa kawaida, mabaki, urejeshaji, na MLA.EBK ni mbinu ya ukalimani wa kijiografia ambayo hutumia uchakataji wa ndani kama kieneo. uga wa nasibu usiotulia/uliosimama na vigezo vilivyobainishwa vya ujanibishaji juu ya shamba, kuruhusu utofauti wa anga39.EBK imetumika katika tafiti mbalimbali, ikiwa ni pamoja na kuchanganua usambazaji wa kaboni hai katika udongo wa shamba40, kutathmini uchafuzi wa udongo41 na ramani ya mali ya udongo42.
Kwa upande mwingine, Grafu ya Kujipanga (SeOM) ni kanuni ya kujifunza ambayo imetumika katika vifungu mbalimbali kama vile Li et al. 43, Wang na wengine. 44, Hossain Bhuiyan et al. 45 na Kebonye et al.46 Bainisha sifa za anga na upangaji wa vipengele.Wang et al. 44 inaeleza kuwa SeOM ni mbinu ya kujifunza yenye nguvu inayojulikana kwa uwezo wake wa kupanga na kufikiria matatizo yasiyo ya mstari. Tofauti na mbinu nyingine za utambuzi wa ruwaza kama vile uchanganuzi wa vipengele muhimu, nguzo zisizoeleweka, mkusanyiko wa viwango, na kufanya maamuzi ya vigezo vingi, SeOM ni bora katika kupanga na kutambua mifumo ya PTE Kulingana na Wavuti. 44, SeOM inaweza kuweka katika vikundi usambazaji wa niuroni zinazohusiana na kutoa taswira ya data ya azimio la juu.SeOM itatoa taswira ya data ya utabiri wa Ni ili kupata kielelezo bora cha kubainisha matokeo kwa tafsiri ya moja kwa moja.
Karatasi hii inalenga kutoa muundo thabiti wa ramani kwa usahihi zaidi wa kutabiri maudhui ya nikeli katika udongo wa mijini na pembezoni mwa miji. Tunakisia kuwa kutegemewa kwa muundo mchanganyiko hutegemea ushawishi wa miundo mingine inayohusishwa na modeli ya msingi. Tunakubali changamoto zinazoikabili DSM, na ingawa changamoto hizi zinashughulikiwa kwa nyanja nyingi na muundo wa MLA unaonekana kuwa mchanganyiko. kwa hivyo, tutajaribu kujibu maswali ya utafiti ambayo yanaweza kutoa modeli mchanganyiko.Hata hivyo, modeli ni sahihi kwa 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 muundo wa mchanganyiko wa SVMR au MLR kwa kutumia EBK (mchanganyiko bora) kulinganisha miundo ya msingi ya kutabiri (EBK) kulinganisha modeli ya msingi Viwango vya Ni katika udongo wa mijini au pembezoni mwa miji , na (d) utumiaji wa SeOM kuunda ramani ya msongo wa juu wa mabadiliko ya anga ya nikeli.
Utafiti unafanywa katika Jamhuri ya Cheki, haswa katika wilaya ya Frydek Mistek katika eneo la Moravia-Silesian (ona Mchoro 1). Jiografia ya eneo la utafiti ni gumu sana na ni sehemu kubwa ya eneo la Moravia-Silesian Beskidy, ambalo ni sehemu ya ukingo wa nje wa Milima ya Carpathian.Eneo la utafiti linapatikana kati ya 4 na 0′19 ° 4 na 2′19 ° ′ 2′ 49 ° 0′ E, na urefu ni kati ya 225 na 327 m; hata hivyo, mfumo wa uainishaji wa Koppen wa hali ya hewa ya eneo hilo umekadiriwa kuwa Cfb = hali ya hewa ya joto ya bahari, Kuna mvua nyingi hata katika miezi ya kiangazi. Halijoto hutofautiana kidogo mwaka mzima kati ya -5 °C na 24 °C, mara chache huanguka chini -14 °C au zaidi ya 30 °C ya wastani ya 5 ° C na 5 kwa mwaka, wakati wa wastani wa 5 ° C na 5 ° C. mm47. Makadirio ya eneo la uchunguzi wa eneo lote ni kilomita za mraba 1,208, na 39.38% ya ardhi inayolimwa na 49.36% ya eneo la misitu. Kwa upande mwingine, eneo lililotumiwa katika utafiti huu ni takriban kilomita za mraba 889.8. Ndani na karibu na Ostrava, tasnia ya chuma na tasnia ya chuma hutumika sana, chuma cha chuma hutumika sana. (km kwa upinzani dhidi ya kutu ya anga) na vyuma vya aloi (nikeli huongeza uimara wa aloi huku ikidumisha uduvi mzuri na ukakamavu), na kilimo kikubwa kama vile uwekaji wa mbolea ya fosfati na uzalishaji wa mifugo ni vyanzo vinavyowezekana vya utafiti wa nikeli katika eneo hilo (kwa mfano, kuongeza nikeli kwa wana-kondoo ili kuongeza viwango vya ukuaji wa kondoo wa ng'ombe katika maeneo ya viwandani na matumizi ya chini ya nikeli). electroplating, ikiwa ni pamoja na nikeli electroplating na electroless nikeli mchakato wa mchovyo.Sifa za udongo ni rahisi kutofautishwa kutoka kwa rangi ya udongo, muundo, na maudhui ya carbonate. Muundo wa udongo ni kati na faini, inayotokana na nyenzo mama.Wao ni colluvial, alluvial au aeolian katika asili.Baadhi ya maeneo ya udongo kuonekana mottled katika uso na chini ya udongo, mara nyingi katika aina ya kawaida ya saruji na tulivu. kanda48.Pamoja na mwinuko wa kuanzia 455.1 hadi 493.5 m, cambisol hutawala Jamhuri ya Cheki49.
Ramani ya eneo la utafiti [Ramani ya eneo la utafiti iliundwa kwa kutumia Eneo-kazi la ArcGIS (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 pembezoni mwa miji katika wilaya ya Frydek Mistek. Sampuli ya mfano iliyotumika ilikuwa gridi ya kawaida yenye sampuli za udongo zilizotenganishwa kwa umbali wa kilomita 2 × 2, na udongo wa juu ulipimwa kwa kina cha sm 0 hadi 20 kwa kutumia kifaa cha GPS kilichoshikiliwa kwa mkono (Leica Zeno 5 zimewekwa kwenye vifurushi vya shi, Sampuli ya Ziplobelec iliyopakiwa vizuri GPS na Ziplobele za shi. kwa maabara.Sampuli zilikaushwa kwa hewa ili kutoa sampuli zilizopondwa, kupondwa kwa mfumo wa mitambo (Fritsch disc mill), na kuchujwa (ungo ukubwa wa milimita 2).Weka gramu 1 ya sampuli za udongo uliokaushwa, ulio na homojeni na ungo katika chupa za teflon zilizoandikwa wazi.Katika kila chombo cha Teflon, toa 5% ml 3% ya HC 3% ya HC. HNO3 (kwa kutumia kisambazaji kiotomatiki - moja kwa kila asidi), funika kidogo na uruhusu sampuli zisimame usiku kucha kwa ajili ya majibu (mpango wa aqua regia) .Weka kidude cha juu kwenye sahani ya chuma moto (joto: 100 W na 160 °C) kwa saa 2 ili kuwezesha mchakato wa usagaji chakula wa sampuli, kisha upoeze kiasi cha 50 ml hadi 5 ml ya joto. ml na maji yaliyotengwa. Baada ya hapo, chuja kiotomatiki kilichochemshwa kwenye bomba la PVC la mililita 50 na maji yaliyotolewa. Zaidi ya hayo, 1 ml ya suluhisho la dilution ilipunguzwa na 9 ml ya maji yaliyotolewa na kuchujwa ndani ya 12 ml tube iliyoandaliwa kwa PTE pseudo-concentration. Viwango vya PTEs, CNR, CNB, PTEs, CNB, PTEs, CNB Mg, K) zilibainishwa na ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) kulingana na mbinu na makubaliano ya kawaida.Hakikisha Taratibu za Uhakikisho wa Ubora na Udhibiti (QA/QC) (SRM NIST 2711a Montana II Soil).PTEs zilizotumika katika uchunguzi huu hazikujumuisha ugunduzi wa chini ya kikomo hiki cha PTE. ilikuwa 0.0004.(wewe).Aidha, mchakato wa udhibiti wa ubora na uhakikisho wa ubora kwa kila uchanganuzi unahakikishwa kwa kuchanganua viwango vya marejeleo.Ili kuhakikisha kuwa makosa yalipunguzwa, uchambuzi maradufu ulifanyika.
Empirical Bayesian Kriging (EBK) ni mojawapo ya mbinu nyingi za ukalimani wa kijiografia zinazotumiwa katika uundaji wa miundo katika nyanja mbalimbali kama vile sayansi ya udongo. Tofauti na mbinu nyingine za ukalimani wa kriging, EBK inatofautiana na mbinu za kitamaduni za kriging kwa kuzingatia hitilafu inayokadiriwa na modeli ya nusuvariogram. Mbinu za ukalimani za semivariogram. Mbinu za ukalimani hutoa nafasi kwa kutokuwa na uhakika na upangaji programu unaohusishwa na upangaji huu wa nusuvariogramu ambayo inajumuisha sehemu ngumu sana ya mbinu ya kutosha ya kriging. Mchakato wa kufasiri wa EBK hufuata vigezo vitatu vilivyopendekezwa na Krivoruchko50, (a) modeli hukadiria nusuvariogramu kwa kila seti mpya ya data iliyotabiriwa kutoka kwa seti mpya ya data. semivariogram na (c) kielelezo cha mwisho cha A kinakokotolewa kutoka kwa mkusanyiko wa data ulioiga. Kanuni ya mlinganyo wa Bayesian inatolewa kama sehemu ya nyuma.
Ambapo \(Prob\left(A\right)\) inawakilisha ya awali, \(Prob\left(B\right)\) uwezekano wa pembeni hupuuzwa katika hali nyingi, \(Prob (B,A)\ ) .Hesabu ya nusuvariogramu inategemea kanuni ya Bayes, ambayo inaonyesha uzito wa uchunguzi wa datasets ambayo inaweza kuundwa kutoka kwa semiovari ya semiovari. Sheria ya Bayes, ambayo inasema jinsi uwezekano wa kuunda mkusanyiko wa data kutoka kwa semivariogram.
Mashine ya vekta ya usaidizi ni kanuni ya kujifunza ya mashine ambayo huzalisha kipenyo bora zaidi cha kutenganisha ili kutofautisha madarasa yanayofanana lakini si yanayojitegemea kimstari. Vapnik51 iliunda algoriti ya uainishaji wa dhamira, lakini hivi majuzi imetumika kutatua matatizo yanayolenga urejeshi. Kulingana na Li et al.52, SVM ni mojawapo ya mbinu bora zaidi za kuainisha uainishaji na ujumuishaji wa sehemu mbalimbali za SVM zimetumika. Urekebishaji wa Mashine ya Vekta - SVMR) ilitumika katika uchanganuzi huu. Cherkassky na Mulier53 walianzisha SVMR kama urejeshaji msingi wa kernel, hesabu yake ilifanywa kwa kutumia muundo wa urejeshaji wa mstari na utendaji wa anga wa nchi nyingi. John et al54 wanaripoti kuwa uundaji wa SVMR unatumia utendakazi usio na mstari wa hewa ambao unaruhusu urejeshaji wa anga, na urejeshaji wa anga. kwa Vohland et al. 55, epsilon (ε)-SVMR hutumia mkusanyiko wa data uliofunzwa kupata kielelezo cha uwakilishi kama chaguo la kukokotoa lisilohisi epsilon ambalo linatumika kuweka data kivyake kwa upendeleo bora wa epsilon kutoka kwa mafunzo ya data iliyounganishwa. Hitilafu ya umbali iliyowekwa awali hupuuzwa kutoka kwa thamani halisi, na ikiwa hitilafu ni kubwa kuliko ε(ε), muundo wa data wa mafunzo hupunguza pia muundo mpana wa data. sehemu ndogo ya vidhibiti vya usaidizi. Mlinganyo uliopendekezwa na Vapnik51 umeonyeshwa hapa chini.
ambapo b inawakilisha kizingiti cha ukubwa, \(K\left({x}_{,}{ x}_{k}\kulia)\) inawakilisha kazi ya kernel, \(\alpha\) inawakilisha kizidishi cha Lagrange, N Inawakilisha mkusanyiko wa data wa nambari, \({x}_{k}\) inawakilisha ingizo la data, na \.rnels M SV ni utendakazi wa data ipi, na \(ym\) ni utendakazi wa data. ni kazi ya msingi ya radial ya Gaussian (RBF).Kiini cha RBF kinatumika kubainisha kielelezo bora cha SVMR, ambacho ni muhimu ili kupata kipengele cha hila zaidi cha seti ya adhabu C na kigezo cha kernel gamma (γ) kwa data ya mafunzo ya PTE. Kwanza, tulitathmini seti ya mafunzo na kisha tukajaribu utendakazi wa kielelezo kwenye seti ya uthibitishaji. Mbinu ya uendeshaji ni Rahisi ya kigezo na kigezo cha sidig.
Muundo wa urejeshaji wa laini nyingi (MLR) ni modeli ya urejeshi ambayo inawakilisha uhusiano kati ya kigezo cha majibu na idadi ya vigeu vya kutabiri kwa kutumia vigezo vilivyokusanywa kwa mstari vilivyokokotwa kwa kutumia mbinu ya miraba ndogo zaidi.Katika MLR, kielelezo cha miraba angalau ni kazi ya ubashiri ya sifa za udongo baada ya uteuzi wa vigeu vya maelezo. Ni muhimu kutumia jibu ili kuanzisha kigezo kilichotumika kama kigezo cha kielelezo kwa kutumia mstari wa maelezo.P. na vigeu vya maelezo.Mlinganyo wa MLR ni
ambapo y ni kigezo cha kujibu, \(a\) ni kikatizo, n ni idadi ya watabiri, \({b}_{1}\) ni urejeshaji wa sehemu ya coefficients, \({x}_{ i}\) inawakilisha ubashiri au utofauti wa maelezo, na \({\varepsilon }_{i}\) inawakilisha kosa linalojulikana pia kama modeli.
Miundo mchanganyiko ilipatikana kwa kuweka sandwich EBK na SVMR na MLR. Hii inafanywa kwa kutoa thamani zilizotabiriwa kutoka kwa tafsiri ya EBK. Thamani zilizotabiriwa zinazopatikana kutoka kwa mchanganyiko wa Ca, K, na Mg hupatikana kupitia mchakato wa ujumuishaji ili kupata viambajengo vipya, kama vile CaK, CaMg, na KMg, KMg na Mg Ca kupata vipengele vya nne. CaKMg.Kwa ujumla, vigeu vilivyopatikana ni Ca, K, Mg, CaK, CaMg, KMg na CaKMg. Vigezo hivi vikawa vibashiri wetu, na kusaidia kutabiri viwango vya nikeli katika udongo wa mijini na pembezoni mwa miji. Algorithm ya SVMR ilitekelezwa kwa vitabiri ili kupata muundo mchanganyiko Empirical Bayesian Kriging-Supports Machines_Support EBmilar). kupitia algoriti ya MLR ili kupata muundo mchanganyiko wa Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Kwa kawaida, vigeuzo vya Ca, K, Mg, CaK, CaMg, KMg, na CaKMg hutumika kama vibashiri vya utabiri wa maudhui ya Ni katika udongo wa mijini na wa pembezoni mwa miji unaopatikana au EBKMML inayokubalika zaidi (EBKMML itakayokubalika zaidi). kwa kutumia grafu inayojipanga yenyewe.Mtiririko wa kazi wa utafiti huu umeonyeshwa kwenye Mchoro 2.
Kutumia SeOM imekuwa zana maarufu ya kupanga, kutathmini na kutabiri data katika sekta ya fedha, huduma za afya, viwanda, takwimu, sayansi ya udongo na mengineyo.SeOM imeundwa kwa kutumia mitandao ya neva bandia na mbinu za kujifunza zisizosimamiwa za shirika, tathmini, na utabiri. katika tathmini ya SeOM hutumika kama vigeu vya n pembejeo-dimensional vekta43,56.Melssen et al. 57 eleza uunganisho wa vekta ya ingizo kwenye mtandao wa neva kupitia safu moja ya ingizo hadi vekta ya pato yenye vekta moja ya uzani. Toleo linalotolewa na SeOM ni ramani ya pande mbili inayojumuisha nyuroni au nodi tofauti zilizofumwa kwenye ramani za kitopolojia za hexagonal, duara, au mraba kulingana na ukaribu wao.Kulinganisha saizi za ramani kulingana na kipimo cha makosa ya QOME) na topografia ya makosa yenye 0.086 na 0.904, kwa mtiririko huo, imechaguliwa, ambayo ni kitengo cha ramani 55 (5 × 11). Muundo wa neuroni hutambuliwa kulingana na idadi ya nodes katika equation ya empirical.
Idadi ya data iliyotumika katika utafiti huu ni sampuli 115. Mbinu nasibu ilitumiwa kugawanya data katika data ya majaribio (25% kwa uthibitishaji) na seti za data za mafunzo (75% kwa urekebishaji).Mkusanyiko wa data wa mafunzo hutumika kutoa modeli ya urejeshi (urekebishaji), na mkusanyiko wa data wa majaribio hutumika kuthibitisha uwezo wa ujanibishaji58.Hii ilifanyika ili kutathmini utabiri wa maudhui yaliyotumika katika miundo mbalimbali ya udongo. mchakato wa uthibitishaji wa mara kumi, unaorudiwa mara tano. Vigezo vinavyotolewa na tafsiri ya EBK hutumika kama vibashiri au vigeu vya maelezo ili kutabiri kigezo lengwa (PTE). Uundaji wa muundo unashughulikiwa katika RStudio kwa kutumia maktaba ya vifurushi (Kohonen), maktaba(caret), maktaba(modelr), maktaba("e1071″), maktaba("plyr" maktaba), maktaba("plyr") maktaba ya kifaa cha kutazamia" ("Vipimo").
Vigezo mbalimbali vya uthibitishaji vilitumiwa kubainisha muundo bora unaofaa kwa kutabiri viwango vya nikeli kwenye udongo na kutathmini usahihi wa modeli na uthibitisho wake. Miundo ya mseto ilitathminiwa kwa kutumia hitilafu kuu ya maana (MAE), kosa la maana ya mzizi (RMSE), na uamuzi wa R-mraba au mgawo mgawo (R2). mfano.RMSE na ukubwa wa tofauti katika hatua za kujitegemea huelezea uwezo wa kutabiri wa mfano, wakati MAE huamua thamani halisi ya kiasi.Thamani ya R2 lazima iwe ya juu ili kutathmini muundo bora wa mchanganyiko kwa kutumia vigezo vya uthibitishaji, karibu thamani ni 1, usahihi wa juu.Kulingana na Li et al. 59, thamani ya kigezo cha R2 cha 0.75 au zaidi inachukuliwa kuwa kitabiri kizuri; kutoka 0.5 hadi 0.75 ni utendakazi wa kielelezo unaokubalika, na chini ya 0.5 utendakazi wa kielelezo haukubaliki. Wakati wa kuchagua kielelezo kwa kutumia mbinu za kutathmini vigezo vya uthibitishaji wa RMSE na MAE, maadili ya chini yaliyopatikana yalitosha na yalizingatiwa kuwa chaguo bora zaidi. Mlinganyo ufuatao unafafanua mbinu ya uthibitishaji.
ambapo n inawakilisha saizi ya thamani inayozingatiwa\({Y}_{i}\) inawakilisha jibu lililopimwa, na \({\widehat{Y}}_{i}\) pia inawakilisha thamani ya majibu iliyotabiriwa, kwa hivyo, kwa uchunguzi wa i wa kwanza.
Ufafanuzi wa takwimu wa vigeu vya ubashiri na majibu yanawasilishwa katika Jedwali la 1, likionyesha wastani, mkengeuko wa kawaida (SD), mgawo wa tofauti (CV), kiwango cha chini, cha juu zaidi, kurtosisi, na mkunjo. Thamani za chini na za juu zaidi za vipengee ziko katika mpangilio wa kupungua wa Mg < Ca < K < Ni na Ca < Mg < K < Ni, mtawalia kutoka kwa sampuli ya kigezo cha mkazo ( Ni, mtawalia). 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 uliokokotolewa kwa eneo la utafiti ulikuwa ndani ya safu inayoweza kuvumilika. Hata hivyo, kama inavyoonyeshwa na Kabata-Pendias11, ulinganisho wa wastani wa wastani wa nikeli ya nikeli (Nikeli) ya sasa ya utafiti kwenye udongo wa Nikeli ya Uswidi unaonyesha ukolezi wa udongo wa sasa wa nikeli (Nikeli) ya kilimo. Vilevile, wastani wa mkusanyiko wa Frydek Mistek katika udongo wa mijini na pembezoni mwa miji katika utafiti wa sasa (Ni 16.15 mg/kg) ulikuwa juu zaidi ya kiwango kinachoruhusiwa cha 60 (10.2 mg/kg) kwa Ni katika udongo wa mijini wa Polandi iliyoripotiwa na Różański et al.Zaidi ya hayo, rekodi ya chini ya Ni 61/7 ya Breederitzel na 1. katika udongo wa mijini wa Tuscany ikilinganishwa na utafiti wa sasa.Jim62 pia alipata ukolezi wa chini wa nikeli (12.34 mg/kg) katika udongo wa mijini wa Hong Kong, ambao ni wa chini kuliko ukolezi wa sasa wa 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 mijini katika eneo la viwanda la Ninhalt, Ujerumani, wastani wa miligramu 1,45-A. katika eneo (16.15 mg/kg).Utafiti wa sasa.Maudhui ya nikeli ya kupindukia katika udongo katika baadhi ya maeneo ya mijini na vitongoji vya eneo la utafiti yanaweza kuhusishwa zaidi na tasnia ya chuma na chuma na tasnia ya chuma.Hii inalingana na utafiti wa Khodadust et al. 64 kwamba tasnia ya chuma na ufundi chuma ndio vyanzo vikuu vya uchafuzi wa nikeli kwenye udongo.Hata hivyo, vitabiri pia vilianzia 538.70 mg/kg hadi 69,161.80 mg/kg kwa Ca, 497.51 mg/kg hadi 3535.68 mg/kg kwa K, na 6kg/5mg/5 mg kwa K Mg.Jakovljevic et al. 65 ilichunguza jumla ya maudhui ya Mg na K ya udongo katikati mwa Serbia. Waligundua kuwa viwango vya jumla (410 mg/kg na 400 mg/kg, mtawalia) vilikuwa chini ya viwango vya Mg na K vya utafiti wa sasa. Haiwezekani kutofautishwa, mashariki mwa Poland, Orzechowski na Smolczynski66 ilionyesha, wastani wa mkusanyiko wa M1 na Cash 0 K. mg/kg), Mg (590 mg/kg) na K (810 mg/kg) Maudhui katika udongo wa juu ni chini ya kipengele kimoja katika utafiti huu.Utafiti wa hivi majuzi wa Pongrac et al. 67 ilionyesha kuwa jumla ya maudhui ya Ca yaliyochanganuliwa katika udongo 3 tofauti nchini Scotland, Uingereza (udongo wa Mylnefield, udongo wa Balruddery na udongo wa Hartwood) ilionyesha maudhui ya juu ya Ca katika utafiti huu.
Kutokana na viwango tofauti vilivyopimwa vya vipengele vilivyotolewa sampuli, mgawanyo wa seti ya data ya vipengele huonyesha uminyanyiko tofauti. Uminyanyiko na kurtosisi ya vipengele vilianzia 1.53 hadi 7.24 na 2.49 hadi 54.16, mtawalia. Vipengee vyote vilivyokokotwa vina mkanganyiko na viwango vya kurtosisi zaidi ya +1, hivyo basi kuashiria kwamba mgawanyo sahihi wa data unaonyesha mwelekeo sahihi wa data. ilifikia kilele.Kadirio la CV za vipengee pia zinaonyesha kuwa K, Mg, na Ni zinaonyesha utofauti wa wastani, ilhali Ca ina utofauti wa hali ya juu sana. CV za K, Ni na Mg zinaelezea usambazaji wao sawa. Zaidi ya hayo, usambazaji wa Ca si sare na vyanzo vya nje vinaweza kuathiri kiwango chake cha uboreshaji.
Uwiano wa vigeu vya utabiri na vipengele vya majibu ulionyesha uwiano wa kuridhisha kati ya vipengele (ona Mchoro 3). Uwiano ulionyesha kuwa CaK ilionyesha uwiano wa wastani na thamani ya r = 0.53, kama vile CaNi. Ingawa Ca na K wanaonyesha uhusiano wa kawaida kati yao, watafiti kama vile Kingston et al. 68 na Santo69 zinapendekeza kwamba viwango vyao katika udongo vina uwiano tofauti.Hata hivyo, Ca na Mg zinapingana na K, lakini CaK inahusiana vyema.Hii inaweza kuwa ni kutokana na uwekaji wa mbolea kama vile potasiamu kabonati, ambayo ni 56% ya juu katika potasiamu.Potasiamu ilihusiana kwa kiasi na magnesiamu (KM 63, potasiamu karibu na sekta hii). salfati ya magnesiamu, nitrati ya magnesiamu na potashi huwekwa kwenye udongo ili kuongeza viwango vyake vya upungufu. Nickel ina uhusiano wa wastani na Ca, K na Mg na thamani za r = 0.52, 0.63 na 0.55, mtawalia. Mahusiano yanayohusisha kalsiamu, magnesiamu na PTE kama vile kizuizi cha kalsiamu na nikeli ya magnesiamu ni changamano la nickel ya kalsiamu na nikeli ya magnesiamu. hupunguza athari za magnesiamu ya ziada, na magnesiamu na kalsiamu zote hupunguza athari za sumu za nikeli kwenye udongo.
Uwiano wa vipengee vinavyoonyesha uhusiano kati ya vitabiri na majibu (Kumbuka: takwimu hii inajumuisha mgawanyiko kati ya vipengele, viwango vya umuhimu vinatokana na p <0,001).
Kielelezo cha 4 kinaonyesha usambazaji wa anga wa vipengele. Kulingana na Burgos et al70, matumizi ya usambazaji wa anga ni mbinu inayotumiwa kuhesabu na kuangazia maeneo yenye joto katika maeneo yenye uchafuzi. Viwango vya uboreshaji wa Ca katika Mchoro 4 vinaweza kuonekana katika sehemu ya kaskazini-magharibi ya ramani ya usambazaji wa anga. Kielelezo kinaonyesha urutubishaji wa kalsiamu ya wastani hadi ya juu katika ramani ya kalsiamu ya wastani hadi ya juu. kuna uwezekano kutokana na matumizi ya chokaa 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 maudhui ya kalsiamu katika udongo71. Potasiamu pia inaonyesha maeneo ya joto kaskazini-magharibi na kaskazini-mashariki na kaskazini-magharibi ya jamii ya kilimo ya wastani ya potasiamu. inaweza kuwa kutokana na matumizi ya NPK na potashi.Hii inalingana na tafiti zingine, kama vile Madaras na Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ambao waligundua kuwa uimarishaji wa udongo na matibabu kwa KCl na NPK ulisababisha maudhui ya juu ya K kwenye udongo. Kurutubishwa kwa Potasiamu katika sehemu ya kaskazini-magharibi ya ramani ya usambazaji kunaweza kuwa kutokana na matumizi ya mbolea zenye potasiamu kama vile kloridi ya potasiamu, salfati ya potasiamu, nitrati ya potasiamu, potashi na potashi ili kuongeza maudhui ya potasiamu katika udongo maskini.Zádorová et al. 76 na Tlustoš et al. 77 ilieleza kuwa utumiaji wa mbolea zenye msingi wa K huongeza kiwango cha K kwenye udongo na ungeongeza kwa kiasi kikubwa kiwango cha rutuba ya udongo kwa muda mrefu, hasa K na Mg kuonyesha sehemu yenye joto kwenye udongo. Sehemu za joto za wastani kaskazini-magharibi mwa ramani na kusini-mashariki mwa ramani. Uwekaji wa kolori kwenye udongo hupunguza mkusanyiko wa magnesiamu kwenye udongo wa manjano husababisha ukosefu wa mimea kwenye udongo wa manjano. chlorosis. Mbolea zenye magnesiamu, kama vile salfati ya magnesiamu, salfati ya magnesiamu na Kieserite, hutibu upungufu (mimea huonekana ya zambarau, nyekundu, au kahawia, kuonyesha upungufu wa magnesiamu) katika udongo wenye kiwango cha kawaida cha pH6. Mkusanyiko wa nikeli kwenye miji na pembezoni mwa miji katika maeneo ya mijini na ya pembezoni mwa miji katika shughuli za kilimo cha anthropogenic inaweza kuwa muhimu kwa kilimo cha chuma cha nick. uzalishaji78.
Usambazaji wa anga wa vipengele [ramani ya usambazaji anga iliundwa kwa kutumia ArcGIS Desktop (ESRI, Inc, Toleo la 10.7, URL: https://desktop.arcgis.com).]
Matokeo ya kielelezo cha utendaji wa vipengee vilivyotumika katika utafiti huu yanaonyeshwa katika Jedwali 2. Kwa upande mwingine, RMSE na MAE ya Ni zote zinakaribia sufuri (0.86 RMSE, -0.08 MAE). Kwa upande mwingine, thamani zote za RMSE na MAE za K zinakubalika. Matokeo ya RMSE na MAE yalikuwa makubwa zaidi kwa kalsiamu na magnesiamu ya matokeo tofauti na data ya KM na K. RMSE na MAE za utafiti huu kwa kutumia EBK kutabiri Ni zilipatikana kuwa bora kuliko matokeo ya John et al. 54 kwa kutumia ulinganifu wa kriging kutabiri viwango vya S kwenye udongo kwa kutumia data iliyokusanywa sawa. Matokeo ya EBK tuliyosoma yanahusiana na yale ya Fabijaczyk et al. 41, Yan na wengine. 79, Beguin et al. 80, Adhikary et al. 81 na Yohana et al. 82, hasa K na Ni.
Utendaji wa mbinu mahususi za kutabiri maudhui ya nikeli katika udongo wa mijini na pembezoni mwa miji ulitathminiwa kwa kutumia utendakazi wa miundo (Jedwali la 3). Uthibitishaji wa kielelezo na tathmini ya usahihi ulithibitisha kuwa kitabiri cha Ca_Mg_K pamoja na kielelezo cha EBK SVMR kilitoa utendakazi bora zaidi. Muundo wa urekebishaji wa Ca_Mg_M na mzizi wa maana wa mraba wa Ca_Mg_K-EBK2 (Mchoro wa Calibration wa Ca_Mg_K-EBK-EBK2) hitilafu kamili (MAE) ilikuwa 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 16kg (bila shaka, thamani ya R2) ilipatikana kwa R2. Ca_Mg_K-SVMR (0.663 mg/kg R2) na Ca_Mg-EBK_SVMR (0.643 = R2); matokeo yao ya RMSE na MAE yalikuwa ya juu zaidi kuliko yale ya Ca_Mg_K-EBK_SVMR (R2 0.637) (ona Jedwali 3). Aidha, RMSE na MAE ya Ca_Mg-EBK_SVMR (RMSE = 1664.64 na MAE = 1031.49) modeli ni 134, na kubwa ni 134.5. Ca_Mg_K-EBK_SVMR. Vilevile, RMSE na MAE ya Ca_Mg-K SVMR (RMSE = 235.974 na MAE = 166.946) modeli ni 2.5 na 2.2 kubwa kuliko zile za Ca_Mg_K-EBK_SVMR jinsi data inavyohesabiwa, kukokotwa kwa RMSE na MA. is with the best fit.Higher RSME na MAE 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 zaidi za RSME na MAE. Ilibainika kuwa makadirio ya RSME yalikuwa juu zaidi ya thamani za MAE, ikionyesha kuwepo kwa wauzaji wa nje.Kulingana na Legates na McCabe3 ina maana ya kosa3 (MAE) inapendekezwa kama kiashirio cha kuwepo kwa watoa huduma za nje.Hii ina maana kwamba kadiri mkusanyiko wa data unavyozidi kuwa tofauti, ndivyo thamani za MAE na RMSE zinavyopanda juu. Usahihi wa tathmini ya uthibitishaji mtambuka wa muundo mchanganyiko wa Ca_Mg_K-EBK_SVMR wa kutabiri maudhui ya Ni katika udongo wa mijini na mijini ulikuwa 63.70% hadi Litcco. 59, kiwango hiki cha usahihi ni kiwango cha utendaji kinachokubalika cha kielelezo.Matokeo ya sasa yanalinganishwa na utafiti wa awali wa Tarasov et al. 36 ambayo muundo wake wa mseto uliunda MLPRK (Multilayer Perceptron Residual Kriging), inayohusiana na faharasa ya tathmini ya usahihi ya EBK_SVMR iliyoripotiwa katika utafiti wa sasa, RMSE (210) na The MAE (167.5) ilikuwa ya juu kuliko matokeo yetu katika utafiti wa sasa (RMSE 95.479, MAE68 ya utafiti wa sasa wa 77). (0.637) na ile ya Tarasov et al. 36 (0.544), ni wazi kwamba mgawo wa uamuzi (R2) ni wa juu zaidi katika muundo huu mchanganyiko. Upeo wa hitilafu (RMSE na MAE) (EBK SVMR) kwa mtindo mchanganyiko ni mara mbili chini. Vile vile, Sergeev et al.34 walirekodi 0.28 (R2) kwa mfano wa mseto ulioendelezwa katika utafiti wa sasa wa Mugingridual, wakati wa utafiti wa Nigingridual 0.637 (R2).Kiwango cha usahihi wa utabiri wa muundo huu (EBK SVMR) ni 63.7%, wakati usahihi wa utabiri uliopatikana na Sergeev et al. 34 ni .
Ramani ya mwisho ya ubashiri inawakilishwa kwa kutumia muundo wa mseto EBK_SVMR na kutumia Ca_Mg_K kama kitabiri.[Ramani ya usambazaji anga iliundwa kwa kutumia RStudio (toleo la 1.4.1717: https://www.rstudio.com/).]
Iliyowasilishwa katika Mchoro wa 6 ni viwango vya PTE kama ndege ya utunzi inayojumuisha niuroni mahususi. Hakuna ndege ya kijenzi iliyoonyesha muundo wa rangi sawa na inavyoonyeshwa.Hata hivyo, idadi inayofaa ya niuroni kwa kila ramani iliyochorwa ni 55.SeOM inatolewa kwa kutumia rangi mbalimbali, na kadiri muundo wa rangi unavyofanana, ndivyo sifa za sampuli, mizani, rangi na vipengele vyake hulinganishwa zaidi. muundo wa rangi sawa na nyuroni moja za juu na nyuroni nyingi za chini. Kwa hivyo, CaK na CaMg hushiriki baadhi ya mfanano na nyuroni za hali ya juu sana na mifumo ya rangi ya chini hadi ya wastani. Miundo yote miwili inatabiri mkusanyiko wa Ni katika udongo kwa kuonyesha rangi za kati hadi za juu kama vile nyekundu, machungwa na njano. Muundo wa KMg unaonyesha miundo mingi ya rangi ya juu kulingana na uwiano sahihi hadi wa chini wa rangi na usambazaji wa rangi ya chini hadi ya chini. mchoro wa vipengele vya modeli ulionyesha mchoro wa rangi ya juu unaoonyesha uwezekano wa mkusanyiko wa nikeli kwenye udongo (ona Mchoro 4).Ndege ya kijenzi cha CakMg inaonyesha muundo wa rangi tofauti kutoka chini hadi juu kulingana na kipimo sahihi cha rangi. Zaidi ya hayo, ubashiri wa modeli wa maudhui ya nikeli (CakMg) ni sawa na usambazaji wa anga wa onyesho la wastani la nikeli na 5. ya viwango vya nikeli katika udongo wa mijini na pembezoni mwa miji.Mchoro wa 7 unaonyesha mbinu ya kontua katika kambi ya k-njia kwenye ramani, imegawanywa katika makundi matatu kulingana na thamani iliyotabiriwa katika kila modeli.Njia ya kontua inawakilisha idadi kamili ya makundi.Kati ya sampuli 115 zilizokusanywa, kategoria ya 1 ilipata sampuli nyingi za udongo 2, sampuli 3 za udongo ilipokea sampuli 2 za udongo 3luster zaidi. 3 zilipokea sampuli 8. Mchanganyiko wa vibashiri vilivyopangwa vya vipengele saba umerahisishwa ili kuruhusu tafsiri sahihi ya nguzo. Kwa sababu ya michakato mingi ya kianthropogenic na asili inayoathiri uundaji wa udongo, ni vigumu kuwa na ruwaza za nguzo zilizotofautishwa ipasavyo katika ramani ya SeOM iliyosambazwa78.
Utoaji wa sehemu ya ndege kwa kila kigezo cha Mashine ya Kivekta cha Usaidiaji cha Empirical Bayesian Kriging (EBK_SVM_SeOM).[Ramani za SeOM ziliundwa kwa kutumia RStudio (toleo la 1.4.1717: https://www.rstudio.com/).]
Vipengee tofauti vya uainishaji wa nguzo [ramani za SeOM ziliundwa kwa kutumia RStudio (toleo la 1.4.1717: https://www.rstudio.com/).]
Utafiti wa sasa unaonyesha kwa uwazi mbinu za uundaji wa viwango vya nikeli katika udongo wa mijini na pembezoni mwa miji. Utafiti huu ulijaribu mbinu tofauti za uigaji, kuchanganya vipengele na mbinu za uundaji, ili kupata njia bora ya kutabiri viwango vya nikeli kwenye udongo. Vipengele vya mpangilio vya muundo wa SeOM vya mbinu ya uundaji vilionyesha mchoro wa rangi ya juu kutoka chini hadi juu katika kipimo sahihi cha rangi ya Nikeli, jinsi ya kusambaza udongo kwa usahihi. inathibitisha usambazaji wa anga uliopangwa wa vipengee vilivyoonyeshwa na EBK_SVMR (ona Mchoro 5). Matokeo yanaonyesha kuwa modeli ya urejeleaji wa mashine ya vekta ya usaidizi (Ca Mg K-SVMR) inatabiri mkusanyiko wa Ni kwenye udongo kama modeli moja, lakini vigezo vya tathmini ya uthibitishaji na usahihi vinaonyesha makosa ya juu sana katika suala la RMSE na mbinu ya kuajiriwa kwa kutumia modeli nyingine ya MAE. Muundo wa EBK_MLR pia una hitilafu kwa sababu ya thamani ya chini ya mgawo wa uamuzi (R2).Matokeo mazuri yalipatikana kwa kutumia EBK SVMR na vipengele vilivyounganishwa (CaKMg) yenye hitilafu za chini za RMSE na MAE kwa usahihi wa 63.7%.Inabadilika kuwa kuchanganya algoriti ya EBK na algoriti ya EBK na algoriti ya mseto ya udongo ambayo inaweza kuonyesha algoriti ya mseto ya kujifunza kwenye udongo ambayoTE inaweza kutabiri algoriti ya kujifunza kwa mashine.TE kutumia Ca Mg K kama vitabiri vya kutabiri viwango vya Ni katika eneo la utafiti kunaweza kuboresha ubashiri wa Ni katika udongo.Hii ina maana kwamba utumizi unaoendelea wa mbolea inayotokana na nikeli na uchafuzi wa viwanda wa udongo na tasnia ya chuma una mwelekeo wa kuongeza mkusanyiko wa nikeli kwenye udongo.Utafiti huu ulifichua kuwa modeli ya EBK inaweza kupunguza kiwango cha makosa na kuboresha usambaaji wa udongo wa mijini. kwa ujumla, tunapendekeza kutumia mfano wa EBK-SVMR kutathmini na kutabiri PTE kwenye udongo; kwa kuongeza, tunapendekeza kutumia EBK kuchanganya na kanuni mbalimbali za kujifunza kwa mashine. Viwango vya Ni vilitabiriwa kwa kutumia vipengele kama covariates; hata hivyo, kutumia covariates zaidi kungeboresha sana utendakazi wa modeli, ambayo inaweza kuchukuliwa kuwa kizuizi cha kazi ya sasa.Kizuizi kingine cha utafiti huu ni kwamba idadi ya seti za data ni 115. Kwa hivyo, ikiwa data zaidi itatolewa, utendakazi wa mbinu iliyopendekezwa ya mseto iliyoboreshwa inaweza kuboreshwa.
PlantProbs.net.Nikeli katika Mimea na Udongo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Ilipitiwa tarehe 28 Aprili 2021).
Kasprzak, KS Nickel maendeleo katika toxicology mazingira ya kisasa.mazingira.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Mapitio ya vyanzo vyake na sumu ya mazingira.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Ingizo la uchafuzi kutoka angahewa na mlundikano katika udongo na mimea karibu na kiyeyusho cha nikeli-shaba huko Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Madini nzito katika udongo, mimea na hatari zinazohusiana na wanyama wanaocheua malisho 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. Fuatilia vipengele kwenye udongo na… - Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A+2011.+Trace+ Vipengele+katika+udongo+na+mimea.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Ilipitiwa tarehe 24 Nov 2020).
Almås, A., Singh, B., Kilimo, TS-NJ ya & 1995, haijafafanuliwa.Athari za sekta ya nikeli ya Urusi kwenye viwango vya metali nzito katika udongo wa kilimo na nyasi huko Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Nikeli kunyonya na kubaki katika maji ya kunywa kunahusiana na ulaji wa chakula na unyeti wa nikeli.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics au selection.mazingira.Mtazamo wa Afya.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​NM; Uchambuzi wa mwenendo wa 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, Ramani ya Udongo Dijitali ya AB: 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).
Deutsch.CV Geostatistical Reservoir Modeling,… – 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%tbc+3C+(7) 28 Aprili 2021).