ขอบคุณที่เข้าชม Nature.com เบราว์เซอร์ที่คุณใช้อยู่มีการรองรับ CSS อย่างจำกัด เพื่อประสบการณ์การใช้งานที่ดีที่สุด เราขอแนะนำให้คุณใช้เบราว์เซอร์เวอร์ชันล่าสุด (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้ เพื่อให้มั่นใจว่าเว็บไซต์จะยังคงได้รับการสนับสนุนต่อไป เราจะแสดงเว็บไซต์โดยไม่มีสไตล์และ JavaScript
มลภาวะทางดินเป็นปัญหาใหญ่ที่เกิดจากกิจกรรมของมนุษย์ การกระจายตัวของธาตุที่เป็นพิษ (PTEs) ในพื้นที่ต่างๆ แตกต่างกันไปในเขตเมืองและชานเมืองส่วนใหญ่ ดังนั้นจึงเป็นการยากที่จะคาดการณ์ปริมาณ PTEs ในดินเหล่านั้นในเชิงพื้นที่ งานวิจัยนี้ได้เก็บตัวอย่างดินจำนวน 115 ตัวอย่างจาก Frydek Mistek ในสาธารณรัฐเช็ก และทำการวิเคราะห์ความเข้มข้นของแคลเซียม (Ca) แมกนีเซียม (Mg) โพแทสเซียม (K) และนิกเกล (Ni) โดยใช้เทคนิคสเปกโทรเมตรีการปล่อยพลาสมาแบบเหนี่ยวนำ (Inductively Coupled Plasma Emission Spectrometry: ICP) ตัวแปรตอบสนองคือ Ni และตัวแปรทำนายคือ Ca, Mg และ K เมทริกซ์สหสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรทำนายแสดงให้เห็นถึงความสัมพันธ์ที่น่าพอใจระหว่างธาตุต่างๆ ผลการทำนายแสดงให้เห็นว่า Support Vector Machine Regression (SVMR) ทำงานได้ดี แม้ว่าค่าความคลาดเคลื่อนรากกำลังสองเฉลี่ย (RMSE) (235.974 มก./กก.) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) (166.946 มก./กก.) ที่ประมาณได้จะสูงกว่าวิธีการอื่นๆ ที่ใช้ แบบจำลองผสมสำหรับเชิงประจักษ์ แบบจำลอง Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ทำงานได้ไม่ดีนัก ดังที่เห็นได้จากค่าสัมประสิทธิ์การกำหนด (R²) ที่น้อยกว่า 0.1 แบบจำลอง Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) เป็นแบบจำลองที่ดีที่สุด โดยมีค่า RMSE ต่ำ (95.479 มก./กก.) และ MAE ต่ำ (77.368 มก./กก.) และค่าสัมประสิทธิ์การกำหนดสูง (R² = 0.637) ผลลัพธ์ของเทคนิคการสร้างแบบจำลอง EBK-SVMR ถูกแสดงภาพโดยใช้แผนที่จัดระเบียบตนเอง (Self-Organizing Map) กลุ่มเซลล์ประสาทในระนาบของส่วนประกอบแบบจำลองไฮบริด CakMg-EBK-SVMR แสดงรูปแบบสีหลายแบบที่ทำนายความเข้มข้นของ Ni ในดินในเมืองและรอบนอกเมือง ผลลัพธ์แสดงให้เห็นว่าการรวม EBK และ SVMR เป็นเทคนิคที่มีประสิทธิภาพในการทำนายความเข้มข้นของ Ni ในดินในเมืองและรอบนอกเมือง
นิกเกล (Ni) ถือเป็นธาตุอาหารรองสำหรับพืช เนื่องจากมีส่วนช่วยในการตรึงไนโตรเจน (N) จากบรรยากาศและการเผาผลาญยูเรีย ซึ่งทั้งสองอย่างนี้จำเป็นต่อการงอกของเมล็ด นอกจากจะมีส่วนช่วยในการงอกของเมล็ดแล้ว นิกเกลยังสามารถยับยั้งเชื้อราและแบคทีเรีย และส่งเสริมการเจริญเติบโตของพืช การขาดนิกเกลในดินทำให้พืชดูดซึมนิกเกลเข้าไป ทำให้ใบเหลือง ตัวอย่างเช่น ถั่วฝักยาวและถั่วเขียวจำเป็นต้องใช้ปุ๋ยที่มีนิกเกลเป็นส่วนประกอบเพื่อเพิ่มประสิทธิภาพในการตรึงไนโตรเจน² การใช้ปุ๋ยที่มีนิกเกลเป็นส่วนประกอบอย่างต่อเนื่องเพื่อเพิ่มความอุดมสมบูรณ์ของดินและเพิ่มความสามารถของพืชตระกูลถั่วในการตรึงไนโตรเจนในดิน จะทำให้ความเข้มข้นของนิกเกลในดินเพิ่มขึ้นอย่างต่อเนื่อง แม้ว่านิกเกลจะเป็นธาตุอาหารรองสำหรับพืช แต่การดูดซึมมากเกินไปในดินอาจก่อให้เกิดอันตรายมากกว่าประโยชน์ ความเป็นพิษของนิกเกลในดินจะลดค่า pH ของดินและขัดขวางการดูดซึมธาตุเหล็กซึ่งเป็นธาตุอาหารที่จำเป็นต่อการเจริญเติบโตของพืช¹ จากข้อมูลของ Liu³ พบว่านิกเกลเป็นธาตุสำคัญลำดับที่ 17 ที่จำเป็นต่อการเจริญเติบโตของพืช นอกจากบทบาทของนิกเกลในการพัฒนาของพืชแล้ว และการเจริญเติบโต มนุษย์ต้องการนิกเกลสำหรับการใช้งานที่หลากหลาย การชุบโลหะด้วยไฟฟ้า การผลิตโลหะผสมนิกเกล และการผลิตอุปกรณ์จุดระเบิดและหัวเทียนในอุตสาหกรรมยานยนต์ ล้วนต้องการใช้นิกเกลในภาคอุตสาหกรรมต่างๆ นอกจากนี้ โลหะผสมนิกเกลและผลิตภัณฑ์ชุบโลหะด้วยไฟฟ้ายังถูกนำมาใช้กันอย่างแพร่หลายในเครื่องครัว อุปกรณ์สำหรับห้องจัดเลี้ยง อุปกรณ์สำหรับอุตสาหกรรมอาหาร อุปกรณ์ไฟฟ้า สายไฟและสายเคเบิล กังหันเจ็ท อุปกรณ์ปลูกถ่ายทางการแพทย์ สิ่งทอ และการต่อเรือ5 ระดับนิกเกลสูงในดิน (เช่น ดินชั้นบน) เกิดจากทั้งแหล่งกำเนิดจากกิจกรรมของมนุษย์และแหล่งกำเนิดตามธรรมชาติ แต่โดยหลักแล้ว นิกเกลมีแหล่งกำเนิดตามธรรมชาติมากกว่าจากกิจกรรมของมนุษย์4,6 แหล่งกำเนิดตามธรรมชาติของนิกเกล ได้แก่ การระเบิดของภูเขาไฟ พืชพรรณ ไฟป่า และกระบวนการทางธรณีวิทยา อย่างไรก็ตาม แหล่งกำเนิดจากกิจกรรมของมนุษย์ ได้แก่ แบตเตอรี่นิกเกล/แคดเมียมในอุตสาหกรรมเหล็ก การชุบด้วยไฟฟ้า การเชื่อมด้วยไฟฟ้า น้ำมันดีเซลและน้ำมันเชื้อเพลิง และการปล่อยมลพิษทางอากาศจากการเผาไหม้ถ่านหินและการเผาขยะและกากตะกอน การสะสมของนิกเกล7,8 ตามที่ Freedman และ Hutchinson9 และ Manyiwa et al. 10 ระบุว่า แหล่งที่มาหลักของมลพิษในดินชั้นบนในสภาพแวดล้อมโดยรอบและบริเวณใกล้เคียงส่วนใหญ่มาจากโรงถลุงและเหมืองแร่ที่ใช้โลหะนิกเกล-ทองแดงเป็นหลัก ดินชั้นบนรอบโรงกลั่นนิกเกล-ทองแดง Sudbury ในแคนาดามีระดับการปนเปื้อนของนิกเกลสูงที่สุดที่ 26,000 มก./กก.11 ในทางตรงกันข้าม มลพิษจากการผลิตนิกเกลในรัสเซียส่งผลให้ความเข้มข้นของนิกเกลในดินของนอร์เวย์สูงขึ้น11 ตามที่ Alms et al. 12 ปริมาณนิกเกลที่สกัดได้ด้วย HNO3 ในพื้นที่เพาะปลูกชั้นดีของภูมิภาค (การผลิตนิกเกลในรัสเซีย) มีค่าตั้งแต่ 6.25 ถึง 136.88 มิลลิกรัม/กิโลกรัม ซึ่งสอดคล้องกับค่าเฉลี่ย 30.43 มิลลิกรัม/กิโลกรัม และความเข้มข้นพื้นฐาน 25 มิลลิกรัม/กิโลกรัม ตามที่ kabata 11 ระบุ การใช้ปุ๋ยฟอสฟอรัสในดินเกษตรกรรมในเขตเมืองหรือชานเมืองในช่วงฤดูกาลเพาะปลูกต่อเนื่องกัน อาจทำให้ดินปนเปื้อนหรือซึมเข้าไปได้ ผลกระทบที่อาจเกิดขึ้นจากนิกเกลในมนุษย์อาจนำไปสู่โรคมะเร็งผ่านการกลายพันธุ์ ความเสียหายของโครโมโซม การสร้าง Z-DNA การปิดกั้นการซ่อมแซม DNA หรือกระบวนการทางพันธุกรรม13 ในการทดลองกับสัตว์ พบว่านิกเกลมีศักยภาพที่จะก่อให้เกิดเนื้องอกหลายชนิด และสารประกอบนิกเกลที่เป็นสารก่อมะเร็งอาจทำให้เนื้องอกดังกล่าวรุนแรงขึ้น
การประเมินการปนเปื้อนของดินเฟื่องฟูในช่วงไม่กี่ปีที่ผ่านมาเนื่องจากปัญหาสุขภาพที่หลากหลายซึ่งเกิดจากความสัมพันธ์ระหว่างดินกับพืช ความสัมพันธ์ระหว่างดินและสิ่งมีชีวิตในดิน การเสื่อมโทรมของระบบนิเวศ และการประเมินผลกระทบต่อสิ่งแวดล้อม จนถึงปัจจุบัน การคาดการณ์เชิงพื้นที่ของธาตุที่เป็นพิษ (PTEs) เช่น นิกเกล ในดิน เป็นเรื่องที่ยุ่งยากและใช้เวลานานโดยใช้วิธีการแบบดั้งเดิม การเกิดขึ้นของการทำแผนที่ดินแบบดิจิทัล (DSM) และความสำเร็จในปัจจุบัน¹⁵ ได้ปรับปรุงการทำแผนที่ดินเชิงพยากรณ์ (PSM) อย่างมาก ตามที่ Minasny และ McBratney¹⁶ กล่าวไว้ การทำแผนที่ดินเชิงพยากรณ์ (DSM) ได้พิสูจน์แล้วว่าเป็นสาขาย่อยที่โดดเด่นของวิทยาศาสตร์ดิน Lagacherie และ McBratney, 2006 นิยาม DSM ว่า “การสร้างและการเติมระบบข้อมูลดินเชิงพื้นที่โดยใช้วิธีการสังเกตในสถานที่และในห้องปฏิบัติการ และระบบการอนุมานดินเชิงพื้นที่และไม่เชิงพื้นที่” McBratney et al. 17 ระบุว่า DSM หรือ PSM ในปัจจุบันเป็นเทคนิคที่มีประสิทธิภาพมากที่สุดสำหรับการทำนายหรือการทำแผนที่การกระจายตัวเชิงพื้นที่ของ PTEs ประเภทของดิน และคุณสมบัติของดิน สถิติทางภูมิศาสตร์และอัลกอริธึมการเรียนรู้ของเครื่อง (MLA) เป็นเทคนิคการสร้างแบบจำลอง DSM ที่สร้างแผนที่ดิจิทัลด้วยความช่วยเหลือของคอมพิวเตอร์โดยใช้ข้อมูลจำนวนมากและข้อมูลน้อยที่สุด
Deutsch18 และ Olea19 นิยามภูมิสถิติว่า “ชุดของเทคนิคเชิงตัวเลขที่เกี่ยวข้องกับการแสดงคุณลักษณะเชิงพื้นที่ โดยส่วนใหญ่ใช้แบบจำลองเชิงสุ่ม เช่นเดียวกับที่การวิเคราะห์อนุกรมเวลาแสดงลักษณะข้อมูลเชิงเวลา” โดยหลักแล้ว ภูมิสถิติเกี่ยวข้องกับการประเมินวาเรียแกรม ซึ่งช่วยให้สามารถวัดปริมาณและกำหนดความสัมพันธ์ของค่าเชิงพื้นที่จากแต่ละชุดข้อมูลได้20 Gumiaux et al. ข้อ 20 ยังแสดงให้เห็นเพิ่มเติมว่าการประเมินวาเรียแกรมในภูมิสถิตินั้นอิงตามหลักการสามประการ ได้แก่ (ก) การคำนวณขนาดของความสัมพันธ์ของข้อมูล (ข) การระบุและการคำนวณความไม่สมมาตรในความแตกต่างของชุดข้อมูล และ (ค) นอกเหนือจากการคำนึงถึงข้อผิดพลาดโดยธรรมชาติของข้อมูลการวัดที่แยกออกจากผลกระทบในระดับท้องถิ่นแล้ว ยังมีการประมาณผลกระทบของพื้นที่ด้วย โดยอาศัยแนวคิดเหล่านี้ เทคนิคการประมาณค่าแบบสอดแทรกหลายวิธีจึงถูกนำมาใช้ในภูมิสถิติ รวมถึงการครีกิงทั่วไป การโคครีกิง การครีกิงแบบธรรมดา การครีกิงแบบเบย์เซียนเชิงประจักษ์ วิธีการครีกิงแบบง่าย และเทคนิคการประมาณค่าแบบสอดแทรกอื่นๆ ที่เป็นที่รู้จักกันดี เพื่อสร้างแผนที่หรือทำนาย PTE คุณลักษณะของดิน และประเภทของดิน
อัลกอริทึมการเรียนรู้ของเครื่อง (MLA) เป็นเทคนิคที่ค่อนข้างใหม่ซึ่งใช้คลาสข้อมูลที่ไม่เป็นเชิงเส้นขนาดใหญ่ โดยอาศัยอัลกอริทึมที่ใช้เป็นหลักในการทำเหมืองข้อมูล การระบุรูปแบบในข้อมูล และนำไปประยุกต์ใช้ซ้ำ ๆ ในการจำแนกประเภทในสาขาวิทยาศาสตร์ เช่น วิทยาศาสตร์ดินและงานที่เกี่ยวข้องกับผลตอบแทน งานวิจัยจำนวนมากใช้แบบจำลอง MLA เพื่อทำนาย PTE ในดิน เช่น Tan et al. 22 (ป่าสุ่มสำหรับการประมาณค่าโลหะหนักในดินทางการเกษตร) Sakizadeh et al. 23 (การสร้างแบบจำลองโดยใช้เครื่องสนับสนุนเวกเตอร์และโครงข่ายประสาทเทียม) มลพิษในดิน) นอกจากนี้ Vega et al. 24 (CART สำหรับการสร้างแบบจำลองการกักเก็บและการดูดซับโลหะหนักในดิน) Sun et al. 25 (การประยุกต์ใช้ Cubist ในการกระจาย Cd ในดิน) และอัลกอริทึมอื่น ๆ เช่น k-nearest neighbor, generalized boosted regression และ boosted regression Trees ก็ได้ประยุกต์ใช้ MLA เพื่อทำนาย PTE ในดินเช่นกัน
การประยุกต์ใช้อัลกอริธึม DSM ในการทำนายหรือการทำแผนที่เผชิญกับความท้าทายหลายประการ ผู้เขียนหลายคนเชื่อว่า MLA ดีกว่า geostatistics และในทางกลับกัน แม้ว่าวิธีหนึ่งจะดีกว่าอีกวิธีหนึ่ง แต่การรวมกันของทั้งสองวิธีจะช่วยปรับปรุงระดับความแม่นยำของการทำแผนที่หรือการทำนายใน DSM15 Woodcock และ Gopal26 Finke27; Pontius และ Cheuk28 และ Grunwald29 แสดงความคิดเห็นเกี่ยวกับข้อบกพร่องและข้อผิดพลาดบางประการในการทำแผนที่ดินที่ทำนายไว้ นักวิทยาศาสตร์ด้านดินได้ลองใช้เทคนิคต่างๆ เพื่อเพิ่มประสิทธิภาพ ความแม่นยำ และความสามารถในการทำนายของการทำแผนที่และการพยากรณ์ DSM การรวมกันของความไม่แน่นอนและการตรวจสอบเป็นหนึ่งในหลายๆ ด้านที่บูรณาการเข้ากับ DSM เพื่อเพิ่มประสิทธิภาพและลดข้อบกพร่อง อย่างไรก็ตาม Agyeman et al. 15 ระบุว่าพฤติกรรมการตรวจสอบและความไม่แน่นอนที่เกิดจากการสร้างแผนที่และการทำนายควรได้รับการตรวจสอบอย่างอิสระเพื่อปรับปรุงคุณภาพของแผนที่ ข้อจำกัดของ DSM เกิดจากคุณภาพดินที่กระจายตัวทางภูมิศาสตร์ ซึ่งเกี่ยวข้องกับองค์ประกอบของความไม่แน่นอน อย่างไรก็ตาม ความไม่แน่นอนใน DSM อาจเกิดจากแหล่งที่มาของข้อผิดพลาดหลายประการ ได้แก่ ข้อผิดพลาดของตัวแปร ข้อผิดพลาดของแบบจำลอง ข้อผิดพลาดของตำแหน่ง และข้อผิดพลาดในการวิเคราะห์ 31 ความไม่แม่นยำในการสร้างแบบจำลองที่เกิดขึ้นในกระบวนการ MLA และทางภูมิสถิติเกี่ยวข้องกับการขาดความเข้าใจ ซึ่งท้ายที่สุดนำไปสู่การทำให้กระบวนการจริงง่ายเกินไป 32 ไม่ว่าลักษณะของการสร้างแบบจำลองจะเป็นอย่างไร ความไม่แม่นยำสามารถเกิดจากพารามิเตอร์การสร้างแบบจำลอง การคาดการณ์ของแบบจำลองทางคณิตศาสตร์ หรือการประมาณค่าในช่วง 33 เมื่อเร็วๆ นี้ แนวโน้ม DSM ใหม่ได้เกิดขึ้นซึ่งส่งเสริมการบูรณาการภูมิสถิติและ MLA ในการทำแผนที่และการพยากรณ์ นักวิทยาศาสตร์ด้านดินและผู้เขียนหลายคน เช่น Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 และ Tarasov et al. 37 ได้ใช้ประโยชน์จากคุณภาพที่แม่นยำของภูมิสถิติและการเรียนรู้ของเครื่องจักรเพื่อสร้างแบบจำลองไฮบริดที่ปรับปรุงประสิทธิภาพของการพยากรณ์และการทำแผนที่ คุณภาพ โมเดลอัลกอริทึมแบบไฮบริดหรือแบบผสมเหล่านี้บางส่วน ได้แก่ Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 และ Co-Kriging และ Gaussian Process Regression38
ตามที่ Sergeev และคณะกล่าวไว้ การผสมผสานเทคนิคการสร้างแบบจำลองต่างๆ มีศักยภาพที่จะขจัดข้อบกพร่องและเพิ่มประสิทธิภาพของแบบจำลองไฮบริดที่ได้ แทนที่จะพัฒนาแบบจำลองเดี่ยวๆ ในบริบทนี้ บทความใหม่นี้จึงเสนอว่าจำเป็นต้องใช้อัลกอริธึมแบบผสมผสานระหว่างภูมิสถิติและ MLA เพื่อสร้างแบบจำลองไฮบริดที่เหมาะสมที่สุดในการทำนายการสะสมของ Ni ในเขตเมืองและชานเมือง การศึกษานี้จะใช้ Empirical Bayesian Kriging (EBK) เป็นแบบจำลองพื้นฐานและผสมผสานกับแบบจำลอง Support Vector Machine (SVM) และ Multiple Linear Regression (MLR) การผสมผสาน EBK กับ MLA ใดๆ ยังไม่เป็นที่รู้จัก แบบจำลองผสมหลายแบบที่เห็นนั้นเป็นการรวมกันของ Kriging แบบธรรมดา แบบตกค้าง แบบถดถอย และ MLA EBK เป็นวิธีการประมาณค่าแบบภูมิสถิติที่ใช้กระบวนการสุ่มเชิงพื้นที่ซึ่งถูกจำกัดเป็นสนามสุ่มที่ไม่คงที่/คงที่ด้วยพารามิเตอร์การจำกัดที่กำหนดไว้เหนือสนาม ทำให้สามารถแปรผันเชิงพื้นที่ได้39 EBK ถูกนำมาใช้ในการศึกษาต่างๆ มากมาย รวมถึงการวิเคราะห์การกระจายตัวของคาร์บอนอินทรีย์ใน ดินในฟาร์ม40 การประเมินมลพิษในดิน41 และการทำแผนที่คุณสมบัติของดิน42
ในทางกลับกัน Self-Organizing Graph (SeOM) เป็นอัลกอริธึมการเรียนรู้ที่ถูกนำไปใช้ในบทความต่างๆ เช่น Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 และ Kebonye et al.46 เพื่อกำหนดคุณลักษณะเชิงพื้นที่และการจัดกลุ่มองค์ประกอบ Wang et al. 44 ระบุว่า SeOM เป็นเทคนิคการเรียนรู้ที่มีประสิทธิภาพซึ่งเป็นที่รู้จักในด้านความสามารถในการจัดกลุ่มและจินตนาการถึงปัญหาที่ไม่เป็นเชิงเส้น แตกต่างจากเทคนิคการรู้จำรูปแบบอื่นๆ เช่น การวิเคราะห์ส่วนประกอบหลัก การจัดกลุ่มแบบฟัซซี การจัดกลุ่มแบบลำดับชั้น และการตัดสินใจแบบหลายเกณฑ์ SeOM มีความสามารถในการจัดระเบียบและระบุรูปแบบ PTE ได้ดีกว่า ตามที่ Wang et al. 44 กล่าวไว้ SeOM สามารถจัดกลุ่มการกระจายของเซลล์ประสาทที่เกี่ยวข้องในเชิงพื้นที่และให้การแสดงภาพข้อมูลที่มีความละเอียดสูง SeOM จะแสดงภาพข้อมูลการทำนาย Ni เพื่อให้ได้แบบจำลองที่ดีที่สุดในการกำหนดลักษณะผลลัพธ์สำหรับการตีความโดยตรง
บทความนี้มีจุดมุ่งหมายเพื่อสร้างแบบจำลองการทำแผนที่ที่แข็งแกร่งและมีความแม่นยำสูงสุดสำหรับการทำนายปริมาณนิกเกลในดินในเขตเมืองและชานเมือง เราตั้งสมมติฐานว่าความน่าเชื่อถือของแบบจำลองผสมนั้นขึ้นอยู่กับอิทธิพลของแบบจำลองอื่นๆ ที่เชื่อมโยงกับแบบจำลองพื้นฐานเป็นหลัก เราตระหนักถึงความท้าทายที่เผชิญอยู่ในการทำแผนที่ดิจิทัล (DSM) และในขณะที่ความท้าทายเหล่านี้กำลังได้รับการแก้ไขในหลายด้าน การผสมผสานความก้าวหน้าในด้านภูมิสถิติและแบบจำลอง MLA ดูเหมือนจะเป็นไปอย่างค่อยเป็นค่อยไป ดังนั้นเราจะพยายามตอบคำถามวิจัยที่อาจนำไปสู่แบบจำลองผสม อย่างไรก็ตาม แบบจำลองมีความแม่นยำเพียงใดในการทำนายธาตุเป้าหมาย และระดับของการประเมินประสิทธิภาพโดยพิจารณาจากการตรวจสอบความถูกต้องและการประเมินความแม่นยำเป็นอย่างไร ดังนั้นเป้าหมายเฉพาะของการศึกษาครั้งนี้คือ (ก) สร้างแบบจำลองผสมแบบรวมสำหรับ SVMR หรือ MLR โดยใช้ EBK เป็นแบบจำลองพื้นฐาน (ข) เปรียบเทียบแบบจำลองที่ได้ (ค) เสนอแบบจำลองผสมที่ดีที่สุดสำหรับการทำนายความเข้มข้นของ Ni ในดินในเขตเมืองหรือชานเมือง และ (ง) การประยุกต์ใช้ SeOM เพื่อสร้างแผนที่ความละเอียดสูงของการแปรผันเชิงพื้นที่ของนิกเกล
การศึกษานี้ดำเนินการในสาธารณรัฐเช็ก โดยเฉพาะในเขต Frydek Mistek ในภูมิภาคโมราเวีย-ไซลีเซีย (ดูรูปที่ 1) ภูมิประเทศของพื้นที่ศึกษามีความขรุขระมาก และส่วนใหญ่เป็นส่วนหนึ่งของภูมิภาคเบสกีดี โมราเวีย-ไซลีเซีย ซึ่งเป็นส่วนหนึ่งของขอบนอกของเทือกเขาคาร์พาเทียน พื้นที่ศึกษาตั้งอยู่ระหว่างละติจูด 49° 41′ 0′ เหนือ และลองจิจูด 18° 20′ 0′ ตะวันออก และระดับความสูงอยู่ระหว่าง 225 ถึง 327 เมตร อย่างไรก็ตาม ระบบการจำแนกภูมิอากาศของ Koppen สำหรับภูมิภาคนี้จัดอยู่ในระดับ Cfb = ภูมิอากาศแบบมหาสมุทรเขตอบอุ่น มีปริมาณน้ำฝนมากแม้ในฤดูแล้ง อุณหภูมิเปลี่ยนแปลงเล็กน้อยตลอดทั้งปีระหว่าง -5 °C ถึง 24 °C โดยแทบจะไม่ลดลงต่ำกว่า -14 °C หรือสูงกว่า 30 °C ในขณะที่ปริมาณน้ำฝนเฉลี่ยต่อปีอยู่ระหว่าง 685 ถึง 752 มม.47 พื้นที่สำรวจโดยประมาณของพื้นที่ทั้งหมดคือ 1,208 ตารางกิโลเมตร โดยมีพื้นที่เพาะปลูก 39.38% และพื้นที่ป่า 49.36% ในทางกลับกัน พื้นที่ที่ใช้ในการศึกษาครั้งนี้มีประมาณ 889.8 ตารางกิโลเมตร ในและรอบๆ โอสตราวา อุตสาหกรรมเหล็กและโรงงานโลหะมีความคึกคักมาก โรงงานโลหะ อุตสาหกรรมเหล็กที่ใช้โลหะนิกเกลในเหล็กกล้าไร้สนิม (เช่น เพื่อต้านทานการกัดกร่อนในบรรยากาศ) และเหล็กอัลลอย (นิกเกลช่วยเพิ่มความแข็งแรงของโลหะผสมในขณะที่ยังคงรักษาความยืดหยุ่นและความเหนียวที่ดี) และการเกษตรแบบเข้มข้น เช่น การใช้ปุ๋ยฟอสเฟต และการผลิตปศุสัตว์เป็นแหล่งวิจัยที่มีศักยภาพของนิกเกลในภูมิภาคนี้ (เช่น การเติมนิกเกลให้กับลูกแกะเพื่อเพิ่มอัตราการเจริญเติบโตของลูกแกะและโคที่กินอาหารน้อย) การใช้งานทางอุตสาหกรรมอื่นๆ ของนิกเกลในพื้นที่วิจัย ได้แก่ การใช้ในกระบวนการชุบด้วยไฟฟ้า รวมถึงกระบวนการชุบนิกเกลด้วยไฟฟ้าและกระบวนการชุบนิกเกลแบบไม่ใช้ไฟฟ้า คุณสมบัติของดินสามารถแยกแยะได้ง่ายจากสี โครงสร้าง และปริมาณคาร์บอเนตของดิน เนื้อดินมีตั้งแต่ปานกลางถึงละเอียด ได้มาจากวัสดุต้นกำเนิด ดินเหล่านี้มีลักษณะเป็นดินตะกอน ดินตะกอนน้ำพา หรือดินที่เกิดจากลมพัด บางพื้นที่ดินมีลักษณะเป็นจุดด่างในดินชั้นบนและชั้นล่าง มักมีคอนกรีตและสีซีดจาง อย่างไรก็ตาม ดินแคมบิโซลและดินสแตกโนโซลเป็นประเภทดินที่พบมากที่สุดในภูมิภาคนี้48 ด้วยระดับความสูงตั้งแต่ 455.1 ถึง 493.5 เมตร ดินแคมบิโซลจึงเป็นดินที่พบมากที่สุดในสาธารณรัฐเช็ก49
แผนที่พื้นที่ศึกษา [แผนที่พื้นที่ศึกษานี้สร้างขึ้นโดยใช้ ArcGIS Desktop (ESRI, Inc, เวอร์ชัน 10.7, URL: https://desktop.arcgis.com)]
มีการเก็บตัวอย่างดินชั้นบนทั้งหมด 115 ตัวอย่างจากพื้นที่ในเมืองและชานเมืองของเขต Frydek Mistek รูปแบบการเก็บตัวอย่างเป็นแบบตารางปกติ โดยเว้นระยะห่างระหว่างตัวอย่างดิน 2 × 2 กิโลเมตร และวัดความลึกของดินชั้นบนที่ 0 ถึง 20 เซนติเมตร โดยใช้เครื่อง GPS แบบพกพา (Leica Zeno 5 GPS) ตัวอย่างถูกบรรจุในถุงซิปล็อก ติดฉลากอย่างถูกต้อง และจัดส่งไปยังห้องปฏิบัติการ ตัวอย่างถูกทำให้แห้งด้วยอากาศเพื่อให้ได้ตัวอย่างที่เป็นผงละเอียด จากนั้นจึงบดด้วยระบบกลไก (เครื่องบดจาน Fritsch) และร่อน (ขนาดตะแกรง 2 มิลลิเมตร) ใส่ตัวอย่างดินแห้งที่บดละเอียดและร่อนแล้ว 1 กรัมลงในขวดเทฟลอนที่ติดฉลากอย่างชัดเจน ในแต่ละขวดเทฟลอน ให้เติมกรดไฮโดรคลอริก 35% จำนวน 7 มิลลิลิตร และกรดไนตริก 65% จำนวน 3 มิลลิลิตร (โดยใช้เครื่องจ่ายอัตโนมัติ – หนึ่งเครื่องสำหรับแต่ละกรด) ปิดฝาเบาๆ และปล่อยให้ตัวอย่างตั้งทิ้งไว้ข้ามคืนเพื่อให้เกิดปฏิกิริยา (ตามโปรแกรมกรดอะควาเรเจีย) นำสารละลายส่วนบนไปวางบนแผ่นโลหะร้อน (อุณหภูมิ: 100 วัตต์ และ 160 องศาเซลเซียส) เป็นเวลา 2 ชั่วโมง เพื่อช่วยในการย่อยสลายตัวอย่าง จากนั้นจึงปล่อยให้เย็นลง ถ่ายสารละลายส่วนบนลงในขวดปริมาตร 50 มิลลิลิตร แล้วเจือจางด้วยน้ำปราศจากไอออนจนครบ 50 มิลลิลิตร หลังจากนั้น กรองสารละลายส่วนบนที่เจือจางแล้วลงในหลอด PVC ขนาด 50 มิลลิลิตร ด้วยน้ำปราศจากไอออน นอกจากนี้ นำสารละลายที่เจือจางแล้ว 1 มิลลิลิตร มาเจือจางด้วยน้ำปราศจากไอออน 9 มิลลิลิตร แล้วกรองลงในหลอดขนาด 12 มิลลิลิตร ที่เตรียมไว้สำหรับการหาความเข้มข้นเสมือนของ PTE ความเข้มข้นของ PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ถูกกำหนดโดย ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ตามวิธีการมาตรฐานและข้อตกลง ตรวจสอบให้แน่ใจว่าได้ปฏิบัติตามขั้นตอนการประกันคุณภาพและการควบคุมคุณภาพ (QA/QC) (SRM NIST 2711a) (ดินมอนทานา II) PTE ที่มีขีดจำกัดการตรวจจับต่ำกว่าครึ่งหนึ่งถูกยกเว้นจากการศึกษาครั้งนี้ ขีดจำกัดการตรวจจับของ PTE ที่ใช้ในการศึกษาครั้งนี้คือ 0.0004 (คุณ) นอกจากนี้ กระบวนการควบคุมคุณภาพและการประกันคุณภาพสำหรับการวิเคราะห์แต่ละครั้งได้รับการรับรองโดยการวิเคราะห์มาตรฐานอ้างอิง เพื่อให้แน่ใจว่าข้อผิดพลาดลดลงเหลือน้อยที่สุด จึงได้ทำการวิเคราะห์ซ้ำสองครั้ง
การประมาณค่าแบบ Kriging ด้วย Bayesian ในเชิงประจักษ์ (Empirical Bayesian Kriging: EBK) เป็นหนึ่งในเทคนิคการประมาณค่าเชิงสถิติทางภูมิศาสตร์หลายวิธีที่ใช้ในการสร้างแบบจำลองในสาขาต่างๆ เช่น วิทยาศาสตร์ดิน แตกต่างจากเทคนิคการประมาณค่าแบบ Kriging อื่นๆ EBK แตกต่างจากวิธีการ Kriging แบบดั้งเดิมโดยการพิจารณาข้อผิดพลาดที่ประเมินโดยแบบจำลองเซมิแวริโอแกรม ในการประมาณค่าแบบ EBK จะมีการคำนวณแบบจำลองเซมิแวริโอแกรมหลายแบบในระหว่างการประมาณค่า แทนที่จะใช้เซมิแวริโอแกรมเพียงแบบเดียว เทคนิคการประมาณค่าช่วยลดความไม่แน่นอนและการเขียนโปรแกรมที่เกี่ยวข้องกับการพล็อตเซมิแวริโอแกรม ซึ่งเป็นส่วนที่ซับซ้อนมากของวิธีการ Kriging ที่มีประสิทธิภาพ กระบวนการประมาณค่าของ EBK เป็นไปตามเกณฑ์สามข้อที่เสนอโดย Krivoruchko50 ได้แก่ (ก) แบบจำลองประมาณค่าเซมิแวริโอแกรมจากชุดข้อมูลอินพุต (ข) ค่าที่ทำนายใหม่สำหรับแต่ละตำแหน่งของชุดข้อมูลอินพุตโดยอิงจากเซมิแวริโอแกรมที่สร้างขึ้น และ (ค) แบบจำลองสุดท้ายจะถูกคำนวณจากชุดข้อมูลจำลอง กฎสมการ Bayesian จะถูกกำหนดให้เป็นค่าภายหลัง
โดยที่ \(Prob\left(A\right)\) แทนความน่าจะเป็นก่อนหน้า และ \(Prob\left(B\right)\) แทนความน่าจะเป็นส่วนย่อย ซึ่งในกรณีส่วนใหญ่จะถูกละเลย \(Prob (B,A)\ ) การคำนวณเซมิแวริโอแกรมนั้นอิงตามกฎของเบย์ส ซึ่งแสดงให้เห็นถึงแนวโน้มของชุดข้อมูลการสังเกตที่สามารถสร้างขึ้นจากเซมิแวริโอแกรมได้ จากนั้นจึงกำหนดค่าของเซมิแวริโอแกรมโดยใช้กฎของเบย์ส ซึ่งระบุว่ามีความน่าจะเป็นมากน้อยเพียงใดในการสร้างชุดข้อมูลการสังเกตจากเซมิแวริโอแกรม
เครื่องสนับสนุนเวกเตอร์ (Support Vector Machine – SVM) เป็นอัลกอริธึมการเรียนรู้ของเครื่องที่สร้างไฮเปอร์เพลนแยกที่เหมาะสมที่สุดเพื่อแยกแยะคลาสที่เหมือนกันแต่ไม่ได้เป็นอิสระเชิงเส้น Vapnik51 สร้างอัลกอริธึมการจำแนกประเภทตามเจตนา แต่เมื่อเร็วๆ นี้ได้ถูกนำมาใช้เพื่อแก้ปัญหาที่มุ่งเน้นการถดถอย ตามที่ Li et al.52 กล่าวไว้ SVM เป็นหนึ่งในเทคนิคการจำแนกประเภทที่ดีที่สุดและถูกนำไปใช้ในหลากหลายสาขา ส่วนประกอบการถดถอยของ SVM (Support Vector Machine Regression – SVMR) ถูกนำมาใช้ในการวิเคราะห์นี้ Cherkassky และ ​​Mulier53 เป็นผู้บุกเบิก SVMR ในฐานะการถดถอยแบบเคอร์เนล ซึ่งการคำนวณดำเนินการโดยใช้แบบจำลองการถดถอยเชิงเส้นที่มีฟังก์ชันเชิงพื้นที่หลายประเทศ John et al.54 รายงานว่าการสร้างแบบจำลอง SVMR ใช้การถดถอยเชิงเส้นไฮเปอร์เพลน ซึ่งสร้างความสัมพันธ์ที่ไม่เป็นเชิงเส้นและอนุญาตให้ใช้ฟังก์ชันเชิงพื้นที่ ตามที่ Vohland et al. 55, epsilon (ε)-SVMR ใช้ชุดข้อมูลที่ฝึกฝนแล้วเพื่อสร้างแบบจำลองการแสดงผลเป็นฟังก์ชันที่ไม่ไวต่อ epsilon ซึ่งใช้ในการแมปข้อมูลอย่างอิสระด้วยค่าความเอนเอียง epsilon ที่ดีที่สุดจากการฝึกฝนบนข้อมูลที่มีความสัมพันธ์กัน ข้อผิดพลาดระยะทางที่กำหนดไว้ล่วงหน้าจะถูกละเลยจากค่าจริง และหากข้อผิดพลาดมีขนาดใหญ่กว่า ε(ε) คุณสมบัติของดินจะชดเชยข้อผิดพลาดนั้น แบบจำลองนี้ยังช่วยลดความซับซ้อนของข้อมูลการฝึกฝนให้เหลือเพียงชุดย่อยของเวกเตอร์สนับสนุนที่กว้างขึ้น สมการที่เสนอโดย Vapnik51 แสดงไว้ด้านล่าง
โดยที่ b แทนค่าเกณฑ์สเกลาร์, \(K\left({x}_{,}{ x}_{k}\right)\) แทนฟังก์ชันเคอร์เนล, \(\alpha\) แทนตัวคูณลากรางจ์, N แทนชุดข้อมูลตัวเลข, \({x}_{k}\) แทนข้อมูลขาเข้า และ \(y\) คือข้อมูลขาออก หนึ่งในเคอร์เนลหลักที่ใช้คือการดำเนินการ SVMR ซึ่งเป็นฟังก์ชันฐานรัศมีแบบเกาส์เซียน (RBF) เคอร์เนล RBF ถูกนำมาใช้เพื่อกำหนดแบบจำลอง SVMR ที่เหมาะสมที่สุด ซึ่งมีความสำคัญอย่างยิ่งต่อการได้มาซึ่งปัจจัยชุดค่าปรับ C และพารามิเตอร์เคอร์เนลแกมมา (γ) ที่ละเอียดอ่อนที่สุดสำหรับข้อมูลการฝึกอบรม PTE ก่อนอื่น เราได้ประเมินชุดข้อมูลการฝึกอบรมแล้วจึงทดสอบประสิทธิภาพของแบบจำลองบนชุดข้อมูลตรวจสอบ พารามิเตอร์การควบคุมที่ใช้คือซิกมาและค่าวิธีคือ svmRadial
แบบจำลองการถดถอยเชิงเส้นหลายตัวแปร (MLR) คือแบบจำลองการถดถอยที่แสดงความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรทำนายจำนวนหนึ่ง โดยใช้พารามิเตอร์เชิงเส้นรวมที่คำนวณโดยใช้วิธีกำลังสองน้อยที่สุด ใน MLR แบบจำลองกำลังสองน้อยที่สุดเป็นฟังก์ชันทำนายคุณสมบัติของดินหลังจากเลือกตัวแปรอธิบายแล้ว จำเป็นต้องใช้ตัวแปรตอบสนองเพื่อสร้างความสัมพันธ์เชิงเส้นโดยใช้ตัวแปรอธิบาย PTE ถูกใช้เป็นตัวแปรตอบสนองเพื่อสร้างความสัมพันธ์เชิงเส้นกับตัวแปรอธิบาย สมการ MLR คือ
โดยที่ y คือตัวแปรตอบสนอง, \(a\) คือค่าคงที่, n คือจำนวนตัวแปรทำนาย, \({b}_{1}\) คือค่าสัมประสิทธิ์การถดถอยบางส่วน, \({x}_{ i}\) แทนตัวแปรทำนายหรือตัวแปรอธิบาย และ \({\varepsilon }_{i}\) แทนค่าความคลาดเคลื่อนในแบบจำลอง หรือที่เรียกว่าค่าตกค้าง
แบบจำลองผสมได้มาจากการนำ EBK มาใช้ร่วมกับ SVMR และ MLR โดยการดึงค่าที่ทำนายได้จากการประมาณค่าแบบ EBK ค่าที่ทำนายได้จากการประมาณค่า Ca, K และ Mg จะถูกนำไปใช้ในกระบวนการเชิงผสมเพื่อให้ได้ตัวแปรใหม่ เช่น CaK, CaMg และ KMg จากนั้นจึงรวมธาตุ Ca, K และ Mg เข้าด้วยกันเพื่อให้ได้ตัวแปรที่สี่ คือ CaKMg โดยรวมแล้ว ตัวแปรที่ได้คือ Ca, K, Mg, CaK, CaMg, KMg และ CaKMg ตัวแปรเหล่านี้กลายเป็นตัวทำนายของเรา ซึ่งช่วยในการทำนายความเข้มข้นของนิกเกลในดินในเขตเมืองและชานเมือง อัลกอริทึม SVMR ถูกนำมาใช้กับตัวทำนายเพื่อให้ได้แบบจำลองผสม Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM) ในทำนองเดียวกัน ตัวแปรต่างๆ ก็ถูกส่งผ่านอัลกอริทึม MLR เพื่อให้ได้แบบจำลองผสม Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR) โดยทั่วไปแล้ว ตัวแปรต่างๆ Ca, K, Mg, CaK, CaMg, KMg และ CaKMg ถูกใช้เป็นตัวแปรเสริมเพื่อทำนายปริมาณ Ni ในดินในเขตเมืองและชานเมือง จากนั้นแบบจำลองที่ยอมรับได้มากที่สุด (EBK_SVM หรือ EBK_MLR) จะถูกแสดงผลด้วยกราฟจัดระเบียบตนเอง ขั้นตอนการทำงานของงานวิจัยนี้แสดงในรูปที่ 2
การใช้ SeOM ได้กลายเป็นเครื่องมือที่ได้รับความนิยมในการจัดระเบียบ ประเมิน และพยากรณ์ข้อมูลในภาคการเงิน การดูแลสุขภาพ อุตสาหกรรม สถิติ วิทยาศาสตร์ดิน และอื่นๆ SeOM ถูกสร้างขึ้นโดยใช้โครงข่ายประสาทเทียมและวิธีการเรียนรู้แบบไม่กำกับดูแลเพื่อการจัดระเบียบ การประเมิน และการพยากรณ์ ในการศึกษาครั้งนี้ SeOM ถูกใช้เพื่อแสดงภาพความเข้มข้นของ Ni โดยอิงจากแบบจำลองที่ดีที่สุดสำหรับการพยากรณ์ Ni ในดินในเขตเมืองและชานเมือง ข้อมูลที่ประมวลผลในการประเมิน SeOM ถูกใช้เป็นตัวแปรเวกเตอร์มิติอินพุต n ตัว43,56 Melssen et al. 57 อธิบายถึงการเชื่อมต่อของเวกเตอร์อินพุตเข้าสู่โครงข่ายประสาทเทียมผ่านเลเยอร์อินพุตเดียวไปยังเวกเตอร์เอาต์พุตที่มีเวกเตอร์น้ำหนักเดียว เอาต์พุตที่สร้างโดย SeOM คือแผนที่สองมิติที่ประกอบด้วยเซลล์ประสาทหรือโหนดต่างๆ ที่ถักทอเป็นแผนที่เชิงโทโพโลยีแบบหกเหลี่ยม วงกลม หรือสี่เหลี่ยมตามความใกล้เคียง เมื่อเปรียบเทียบขนาดแผนที่ตามเมตริก ข้อผิดพลาดในการควอนไทเซชัน (QE) และข้อผิดพลาดเชิงโทโพโลยี (TE) โมเดล SeOM ที่มีค่า 0.086 และ 0.904 ตามลำดับ จะถูกเลือก ซึ่งเป็นหน่วยแผนที่ 55 (5 × 11) โครงสร้างของเซลล์ประสาทถูกกำหนดตามจำนวนโหนดในสมการเชิงประจักษ์
จำนวนข้อมูลที่ใช้ในการศึกษาครั้งนี้คือ 115 ตัวอย่าง ใช้วิธีการสุ่มในการแบ่งข้อมูลออกเป็นชุดข้อมูลทดสอบ (25% สำหรับการตรวจสอบความถูกต้อง) และชุดข้อมูลฝึกฝน (75% สำหรับการปรับเทียบ) ชุดข้อมูลฝึกฝนใช้ในการสร้างแบบจำลองการถดถอย (การปรับเทียบ) และชุดข้อมูลทดสอบใช้เพื่อตรวจสอบความสามารถในการสรุปผล58 ซึ่งทำขึ้นเพื่อประเมินความเหมาะสมของแบบจำลองต่างๆ ในการทำนายปริมาณนิกเกลในดิน แบบจำลองทั้งหมดที่ใช้ผ่านกระบวนการตรวจสอบความถูกต้องแบบไขว้ 10 เท่า ทำซ้ำ 5 ครั้ง ตัวแปรที่ได้จากการประมาณค่าแบบ EBK ใช้เป็นตัวทำนายหรือตัวแปรอธิบายเพื่อทำนายตัวแปรเป้าหมาย (PTE) การสร้างแบบจำลองดำเนินการใน RStudio โดยใช้แพ็กเกจ library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) และ libraries (“Metrics”)
มีการใช้พารามิเตอร์การตรวจสอบความถูกต้องต่างๆ เพื่อกำหนดแบบจำลองที่ดีที่สุดที่เหมาะสมสำหรับการทำนายความเข้มข้นของนิกเกลในดิน และเพื่อประเมินความแม่นยำของแบบจำลองและการตรวจสอบความถูกต้อง แบบจำลองแบบผสมได้รับการประเมินโดยใช้ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ค่าความคลาดเคลื่อนกำลังสองเฉลี่ยราก (RMSE) และค่า R-squared หรือค่าสัมประสิทธิ์การกำหนด (R2) R2 กำหนดความแปรปรวนของสัดส่วนในคำตอบ ซึ่งแสดงโดยแบบจำลองการถดถอย RMSE และขนาดความแปรปรวนในการวัดอิสระอธิบายถึงพลังการทำนายของแบบจำลอง ในขณะที่ MAE กำหนดค่าเชิงปริมาณที่แท้จริง ค่า R2 ต้องสูงเพื่อประเมินแบบจำลองแบบผสมที่ดีที่สุดโดยใช้พารามิเตอร์การตรวจสอบความถูกต้อง ยิ่งค่าใกล้เคียงกับ 1 มากเท่าใด ความแม่นยำก็จะยิ่งสูงขึ้นเท่านั้น ตามที่ Li et al. 59 กล่าวไว้ ค่าเกณฑ์ R2 ที่ 0.75 หรือมากกว่าถือว่าเป็นตัวทำนายที่ดี ค่า RMSE และ MAE อยู่ระหว่าง 0.5 ถึง 0.75 ถือว่าประสิทธิภาพของแบบจำลองเป็นที่ยอมรับได้ และค่าที่ต่ำกว่า 0.5 ถือว่าประสิทธิภาพของแบบจำลองไม่เป็นที่ยอมรับ เมื่อเลือกแบบจำลองโดยใช้วิธีการประเมิน RMSE และ MAE ค่าที่ต่ำกว่าถือว่าเพียงพอและเป็นตัวเลือกที่ดีที่สุด สมการต่อไปนี้อธิบายวิธีการตรวจสอบ
โดยที่ n แทนขนาดของค่าที่สังเกตได้ \({Y}_{i}\) แทนการตอบสนองที่วัดได้ และ \({\widehat{Y}}_{i}\) ยังแทนค่าการตอบสนองที่ทำนายได้ด้วย ดังนั้น สำหรับการสังเกต i ครั้งแรก
ตารางที่ 1 แสดงคำอธิบายทางสถิติของตัวแปรทำนายและตัวแปรตอบสนอง โดยแสดงค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน (SD) สัมประสิทธิ์การแปรผัน (CV) ค่าต่ำสุด ค่าสูงสุด ค่าความโค้ง และค่าความเบ้ ค่าต่ำสุดและสูงสุดของธาตุเรียงลำดับจากมากไปน้อยดังนี้ Mg < Ca < K < Ni และ Ca < Mg < K < Ni ตามลำดับ ความเข้มข้นของตัวแปรตอบสนอง (Ni) ที่เก็บตัวอย่างจากพื้นที่ศึกษาอยู่ในช่วง 4.86 ถึง 42.39 มก./กก. เมื่อเปรียบเทียบ Ni กับค่าเฉลี่ยโลก (29 มก./กก.) และค่าเฉลี่ยยุโรป (37 มก./กก.) พบว่าค่าเฉลี่ยเรขาคณิตโดยรวมที่คำนวณได้สำหรับพื้นที่ศึกษานั้นอยู่ในช่วงที่ยอมรับได้ อย่างไรก็ตาม ดังที่ Kabata-Pendias11 แสดงไว้ การเปรียบเทียบความเข้มข้นเฉลี่ยของนิกเกล (Ni) ในการศึกษาปัจจุบันกับดินทางการเกษตรในสวีเดนแสดงให้เห็นว่าความเข้มข้นเฉลี่ยของนิกเกลในปัจจุบันสูงกว่า ในทำนองเดียวกัน ความเข้มข้นเฉลี่ยของ Frydek Mistek ในดินในเมืองและรอบนอกเมืองในการศึกษาปัจจุบัน (Ni 16.15 มก./กก.) สูงกว่าขีดจำกัดที่อนุญาต 60 (10.2 มก./กก.) สำหรับ Ni ในดินเมืองของโปแลนด์ที่รายงานโดย Różański et al. นอกจากนี้ Bretzel และ Calderisi61 บันทึกความเข้มข้นของ Ni เฉลี่ยที่ต่ำมาก (1.78 มก./กก.) ในดินเมืองในทัสคานีเมื่อเทียบกับการศึกษาปัจจุบัน Jim62 ยังพบความเข้มข้นของนิกเกลที่ต่ำกว่า (12.34 มก./กก.) ในดินเมืองของฮ่องกง ซึ่งต่ำกว่าความเข้มข้นของนิกเกลในปัจจุบันในการศึกษานี้ Birke et al63 รายงานความเข้มข้นของ Ni เฉลี่ย 17.6 มก./กก. ในพื้นที่เหมืองแร่เก่าและอุตสาหกรรมในเมืองในแซกโซนี-อันฮัลท์ ประเทศเยอรมนี ซึ่งสูงกว่าความเข้มข้นของ Ni เฉลี่ยในพื้นที่ (16.15 มก./กก.) 1.45 มก./กก. งานวิจัยปัจจุบัน ปริมาณนิกเกลที่มากเกินไปในดินในบางพื้นที่เมืองและชานเมืองของพื้นที่ศึกษาอาจเกิดจากอุตสาหกรรมเหล็กและเหล็กกล้าและโลหะเป็นหลัก อุตสาหกรรม. สิ่งนี้สอดคล้องกับการศึกษาของ Khodadoust et al. 64 ที่ระบุว่าอุตสาหกรรมเหล็กและการแปรรูปโลหะเป็นแหล่งหลักของการปนเปื้อนของนิกเกลในดิน อย่างไรก็ตาม ตัวทำนายยังอยู่ในช่วง 538.70 มก./กก. ถึง 69,161.80 มก./กก. สำหรับ Ca, 497.51 มก./กก. ถึง 3535.68 มก./กก. สำหรับ K และ 685.68 มก./กก. ถึง 5970.05 มก./กก. สำหรับ Mg Jakovljevic et al. 65 ได้ทำการตรวจสอบปริมาณ Mg และ K รวมในดินในภาคกลางของเซอร์เบีย พวกเขาพบว่าความเข้มข้นรวม (410 มก./กก. และ 400 มก./กก. ตามลำดับ) ต่ำกว่าความเข้มข้นของ Mg และ K ในการศึกษาปัจจุบัน ในทำนองเดียวกัน ในภาคตะวันออกของโปแลนด์ Orzechowski และ Smolczynski66 ได้ประเมินปริมาณ Ca, Mg และ K รวม และแสดงให้เห็นว่าความเข้มข้นเฉลี่ยของ Ca (1100 มก./กก.), Mg (590 มก./กก.) และ K (810 มก./กก.) ในดินชั้นบนนั้นต่ำกว่าปริมาณธาตุเดี่ยวในการศึกษานี้ การศึกษาล่าสุดโดย Pongrac et al. 67 แสดงให้เห็นว่าปริมาณ Ca รวมที่วิเคราะห์ในดิน 3 ชนิดที่แตกต่างกันในสกอตแลนด์ สหราชอาณาจักร (ดิน Mylnefield, ดิน Balruddery และดิน Hartwood) บ่งชี้ว่ามีปริมาณ Ca สูงกว่าในการศึกษานี้
เนื่องจากความเข้มข้นที่วัดได้ของธาตุตัวอย่างแตกต่างกัน การกระจายข้อมูลของธาตุจึงแสดงค่าความเบ้ที่แตกต่างกัน ค่าความเบ้และความโค้งของธาตุมีค่าตั้งแต่ 1.53 ถึง 7.24 และ 2.49 ถึง 54.16 ตามลำดับ ธาตุที่คำนวณได้ทั้งหมดมีค่าความเบ้และความโค้งสูงกว่า +1 ซึ่งบ่งชี้ว่าการกระจายข้อมูลไม่สม่ำเสมอ เบ้ไปทางขวา และมีจุดสูงสุด ค่าสัมประสิทธิ์ความแปรผัน (CV) ที่ประมาณได้ของธาตุยังแสดงให้เห็นว่า K, Mg และ Ni มีความแปรผันปานกลาง ในขณะที่ Ca มีความแปรผันสูงมาก ค่า CV ของ K, Ni และ Mg อธิบายถึงการกระจายตัวที่สม่ำเสมอของธาตุเหล่านี้ นอกจากนี้ การกระจายตัวของ Ca ไม่สม่ำเสมอ และแหล่งภายนอกอาจส่งผลต่อระดับความเข้มข้นของมัน
ความสัมพันธ์ของตัวแปรทำนายกับองค์ประกอบตอบสนองบ่งชี้ว่ามีความสัมพันธ์ที่น่าพอใจระหว่างองค์ประกอบต่างๆ (ดูรูปที่ 3) ความสัมพันธ์ดังกล่าวแสดงให้เห็นว่า CaK มีความสัมพันธ์ปานกลางด้วยค่า r = 0.53 เช่นเดียวกับ CaNi แม้ว่า Ca และ K จะแสดงความสัมพันธ์กันในระดับปานกลาง แต่นักวิจัยเช่น Kingston et al. งานวิจัยหมายเลข 68 และ Santo69 ชี้ให้เห็นว่าระดับของธาตุเหล่านี้ในดินมีความสัมพันธ์ผกผันกัน อย่างไรก็ตาม แคลเซียมและแมกนีเซียมมีฤทธิ์ต้านโพแทสเซียม แต่แคลเซียมและโพแทสเซียมมีความสัมพันธ์กันดี อาจเป็นเพราะการใช้ปุ๋ยเคมี เช่น โพแทสเซียมคาร์บอเนต ซึ่งมีโพแทสเซียมสูงกว่าถึง 56% โพแทสเซียมมีความสัมพันธ์ปานกลางกับแมกนีเซียม (KM r = 0.63) ในอุตสาหกรรมปุ๋ย ธาตุทั้งสองนี้มีความสัมพันธ์กันอย่างใกล้ชิด เนื่องจากมีการใช้โพแทสเซียมแมกนีเซียมซัลเฟต โพแทสเซียมแมกนีเซียมไนเตรต และโพแทสในดินเพื่อเพิ่มระดับธาตุที่ขาดแคลน นิกเกลมีความสัมพันธ์ปานกลางกับแคลเซียม โพแทสเซียม และแมกนีเซียม โดยมีค่า r เท่ากับ 0.52, 0.63 และ 0.55 ตามลำดับ ความสัมพันธ์ระหว่างแคลเซียม แมกนีเซียม และโลหะหนักที่เป็นพิษ เช่น นิกเกลนั้นซับซ้อน แต่ถึงกระนั้น แมกนีเซียมก็ยับยั้งการดูดซึมแคลเซียม แคลเซียมช่วยลดผลกระทบของแมกนีเซียมส่วนเกิน และทั้งแมกนีเซียมและแคลเซียมช่วยลดผลกระทบที่เป็นพิษของนิกเกลในดิน
เมทริกซ์สหสัมพันธ์สำหรับองค์ประกอบต่างๆ แสดงความสัมพันธ์ระหว่างตัวแปรทำนายและตัวแปรตอบสนอง (หมายเหตุ: รูปนี้รวมถึงแผนภาพกระจายระหว่างองค์ประกอบต่างๆ ระดับนัยสำคัญอ้างอิงจาก p < 0.001)
รูปที่ 4 แสดงการกระจายตัวเชิงพื้นที่ของธาตุต่างๆ ตามที่ Burgos et al70 กล่าวไว้ การประยุกต์ใช้การกระจายตัวเชิงพื้นที่เป็นเทคนิคที่ใช้ในการวัดปริมาณและเน้นจุดที่มีความเข้มข้นสูงในพื้นที่ปนเปื้อน ระดับความเข้มข้นของ Ca ในรูปที่ 4 สามารถเห็นได้ในส่วนตะวันตกเฉียงเหนือของแผนที่การกระจายตัวเชิงพื้นที่ รูปแสดงให้เห็นจุดที่มีความเข้มข้นของ Ca ในระดับปานกลางถึงสูง ความเข้มข้นของแคลเซียมในส่วนตะวันตกเฉียงเหนือของแผนที่น่าจะเกิดจากการใช้ปูนขาว (แคลเซียมออกไซด์) เพื่อลดความเป็นกรดของดินและการใช้ในโรงงานเหล็กเป็นออกซิเจนอัลคาไลน์ในกระบวนการผลิตเหล็ก ในทางกลับกัน เกษตรกรบางรายนิยมใช้แคลเซียมไฮดรอกไซด์ในดินที่เป็นกรดเพื่อปรับค่า pH ให้เป็นกลาง ซึ่งจะเพิ่มปริมาณแคลเซียมในดินด้วย71 โพแทสเซียมก็แสดงจุดที่มีความเข้มข้นสูงในส่วนตะวันตกเฉียงเหนือและตะวันออกของแผนที่เช่นกัน ส่วนตะวันตกเฉียงเหนือเป็นชุมชนเกษตรกรรมที่สำคัญ และรูปแบบของโพแทสเซียมในระดับปานกลางถึงสูงอาจเกิดจากการใช้ปุ๋ย NPK และโพแทส ซึ่งสอดคล้องกับการศึกษาอื่นๆ เช่น Madaras และ Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75 ซึ่งสังเกตว่าการทำให้ดินคงตัวและการบำบัดด้วย KCl และ NPK ส่งผลให้ดินมีปริมาณ K สูง การเพิ่มขึ้นของโพแทสเซียมในพื้นที่ทางตะวันตกเฉียงเหนือของแผนที่การกระจายตัวอาจเกิดจากการใช้ปุ๋ยที่มีโพแทสเซียมเป็นส่วนประกอบ เช่น โพแทสเซียมคลอไรด์ โพแทสเซียมซัลเฟต โพแทสเซียมไนเตรต โพแทช และโพแทช เพื่อเพิ่มปริมาณโพแทสเซียมในดินที่เสื่อมโทรม Zádorová et al. 76 และ Tlustoš et al. 77 ระบุว่าการใช้ปุ๋ยที่มีโพแทสเซียมเป็นส่วนประกอบจะเพิ่มปริมาณโพแทสเซียมในดินและจะเพิ่มปริมาณธาตุอาหารในดินอย่างมีนัยสำคัญในระยะยาว โดยเฉพาะโพแทสเซียมและแมกนีเซียมซึ่งแสดงให้เห็นจุดที่มีความเข้มข้นสูงในดิน จุดที่มีความเข้มข้นปานกลางอยู่ในทิศตะวันตกเฉียงเหนือและทิศตะวันออกเฉียงใต้ของแผนที่ การตรึงคอลลอยด์ในดินทำให้ความเข้มข้นของแมกนีเซียมในดินลดลง การขาดแมกนีเซียมในดินทำให้พืชแสดงอาการคลอโรซิสสีเหลืองระหว่างเส้นใบ ปุ๋ยที่มีแมกนีเซียมเป็นส่วนประกอบ เช่น โพแทสเซียมแมกนีเซียมซัลเฟต แมกนีเซียมซัลเฟต และคีเซอไรต์ ช่วยแก้ไขภาวะขาดแมกนีเซียม (พืชมีสีม่วง แดง หรือน้ำตาล ซึ่งบ่งบอกถึงการขาดแมกนีเซียม) ในดินที่มีค่า pH ปกติ 6 การสะสมของนิกเกลบนผิวดินในเมืองและรอบนอกเมืองอาจเกิดจากกิจกรรมของมนุษย์ เช่น การเกษตรและความสำคัญของนิกเกลในการผลิตเหล็กกล้าไร้สนิม 78
การกระจายตัวเชิงพื้นที่ขององค์ประกอบ [แผนที่การกระจายตัวเชิงพื้นที่สร้างขึ้นโดยใช้ ArcGIS Desktop (ESRI, Inc, เวอร์ชัน 10.7, URL: https://desktop.arcgis.com)]
ผลลัพธ์ดัชนีประสิทธิภาพของแบบจำลองสำหรับองค์ประกอบที่ใช้ในการศึกษานี้แสดงอยู่ในตารางที่ 2 ในทางกลับกัน ค่า RMSE และ MAE ของ Ni มีค่าใกล้เคียงกับศูนย์ทั้งคู่ (0.86 RMSE, -0.08 MAE) ในขณะเดียวกัน ค่า RMSE และ MAE ของ K อยู่ในระดับที่ยอมรับได้ ผลลัพธ์ RMSE และ MAE มีค่ามากกว่าสำหรับแคลเซียมและแมกนีเซียม ผลลัพธ์ MAE และ RMSE ของ Ca และ K มีค่ามากกว่าเนื่องจากชุดข้อมูลที่แตกต่างกัน พบว่าค่า RMSE และ MAE ของการศึกษานี้ที่ใช้ EBK ในการทำนาย Ni ดีกว่าผลลัพธ์ของ John et al. 54 ที่ใช้ synergistic kriging ในการทำนายความเข้มข้นของ S ในดินโดยใช้ข้อมูลที่เก็บรวบรวมชุดเดียวกัน ผลลัพธ์ EBK ที่เราศึกษา correlates กับผลลัพธ์ของ Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 และ John et al. 82 โดยเฉพาะ K และ Ni
ประสิทธิภาพของวิธีการแต่ละวิธีในการทำนายปริมาณนิกเกลในดินในเขตเมืองและชานเมืองได้รับการประเมินโดยใช้ประสิทธิภาพของแบบจำลอง (ตารางที่ 3) การตรวจสอบความถูกต้องของแบบจำลองและการประเมินความแม่นยำยืนยันว่าตัวทำนาย Ca_Mg_K ที่รวมกับแบบจำลอง EBK SVMR ให้ประสิทธิภาพที่ดีที่สุด ค่า R2, ค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (RMSE) และค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ของแบบจำลองการสอบเทียบ Ca_Mg_K-EBK_SVMR คือ 0.637 (R2), 95.479 มก./กก. (RMSE) และ 77.368 มก./กก. (MAE) ตามลำดับ ส่วน Ca_Mg_K-SVMR คือ 0.663 (R2), 235.974 มก./กก. (RMSE) และ 166.946 มก./กก. (MAE) อย่างไรก็ตาม ได้ค่า R2 ที่ดีสำหรับ Ca_Mg_K-SVMR (0.663 มก./กก. R2) และ Ca_Mg-EBK_SVMR (0.643 = R2); ค่า RMSE และ MAE ของแบบจำลองเหล่านี้สูงกว่าค่าของ Ca_Mg_K-EBK_SVMR (R2 0.637) (ดูตารางที่ 3) นอกจากนี้ ค่า RMSE และ MAE ของแบบจำลอง Ca_Mg-EBK_SVMR (RMSE = 1664.64 และ MAE = 1031.49) มีค่า 17.5 และ 13.4 ตามลำดับ ซึ่งมากกว่าค่าของ Ca_Mg_K-EBK_SVMR ในทำนองเดียวกัน ค่า RMSE และ MAE ของแบบจำลอง Ca_Mg-K SVMR (RMSE = 235.974 และ MAE = 166.946) มีค่ามากกว่าค่า RMSE และ MAE ของ Ca_Mg_K-EBK_SVMR 2.5 และ 2.2 ตามลำดับ ค่า RMSE ที่คำนวณได้บ่งชี้ว่าชุดข้อมูลมีความเข้มข้นกับเส้นที่เหมาะสมที่สุดมากน้อยเพียงใด พบว่าค่า RMSE และ MAE สูงขึ้น ตามที่ Kebonye กล่าวไว้ ตามที่ Li et al. 46 และ John et al. 54 กล่าวไว้ ยิ่งค่า RMSE และ MAE ใกล้เคียงกับศูนย์มากเท่าไร ผลลัพธ์ก็จะยิ่งดีขึ้นเท่านั้น SVMR และ EBK_SVMR มีค่า RMSE และ MAE ที่วัดได้สูงกว่า พบว่าค่าประมาณ RMSE สูงกว่าค่า MAE อย่างสม่ำเสมอ ซึ่งบ่งชี้ว่ามีค่าผิดปกติ ตามที่ Legates และ McCabe83 กล่าวไว้ ขอบเขตที่ RMSE เกินกว่าค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) แนะนำให้ใช้เป็นตัวบ่งชี้การมีอยู่ของค่าผิดปกติ ซึ่งหมายความว่ายิ่งชุดข้อมูลมีความไม่สม่ำเสมอมากเท่าไร ค่า MAE และ RMSE ก็จะยิ่งสูงขึ้นเท่านั้น ความแม่นยำของการประเมินการตรวจสอบแบบไขว้ของแบบจำลองผสม Ca_Mg_K-EBK_SVMR สำหรับการทำนายปริมาณ Ni ในดินในเมืองและชานเมืองอยู่ที่ 63.70% ตามที่ Li et al. 59 กล่าวไว้ ระดับความแม่นยำนี้เป็นอัตราประสิทธิภาพของแบบจำลองที่ยอมรับได้ ผลลัพธ์ในปัจจุบันถูกนำมาเปรียบเทียบกับการศึกษาครั้งก่อนโดย Tarasov et al. 36 ซึ่งแบบจำลองไฮบริดที่สร้าง MLPRK (Multilayer Perceptron Residual Kriging) เกี่ยวข้องกับดัชนีการประเมินความแม่นยำ EBK_SVMR ที่รายงานในการศึกษาปัจจุบัน RMSE (210) และ MAE (167.5) สูงกว่าผลลัพธ์ของเราในการศึกษาปัจจุบัน (RMSE 95.479, MAE 77.368) อย่างไรก็ตาม เมื่อเปรียบเทียบ R2 ของการศึกษาปัจจุบัน (0.637) กับของ Tarasov et al. 36 (0.544) เห็นได้ชัดว่าค่าสัมประสิทธิ์การกำหนด (R2) สูงกว่าในแบบจำลองผสมนี้ ขอบเขตความคลาดเคลื่อน (RMSE และ MAE) (EBK SVMR) สำหรับแบบจำลองผสมนั้นต่ำกว่าสองเท่า ในทำนองเดียวกัน Sergeev et al.34 บันทึกค่า 0.28 (R2) สำหรับแบบจำลองไฮบริดที่พัฒนาขึ้น (Multilayer Perceptron Residual Kriging) ในขณะที่ Ni ในการศึกษาปัจจุบันบันทึกค่า 0.637 (R2) ระดับความแม่นยำในการทำนายของแบบจำลองนี้ (EBK SVMR) คือ 63.7% ในขณะที่ความแม่นยำในการทำนายที่ได้จาก Sergeev et al.34 คือ 28% แผนที่สุดท้าย (รูปที่ 5) ที่สร้างขึ้นโดยใช้แบบจำลอง EBK_SVMR และ Ca_Mg_K เป็นตัวทำนาย แสดงการทำนายจุดร้อนและระดับปานกลางถึงนิกเกลทั่วพื้นที่ศึกษาทั้งหมด ซึ่งหมายความว่าความเข้มข้นของนิกเกลในพื้นที่ศึกษาโดยส่วนใหญ่อยู่ในระดับปานกลาง โดยมีความเข้มข้นสูงกว่าในบางพื้นที่เฉพาะ
แผนที่การทำนายขั้นสุดท้ายแสดงโดยใช้แบบจำลองไฮบริด EBK_SVMR และใช้ Ca_Mg_K เป็นตัวทำนาย [แผนที่การกระจายเชิงพื้นที่สร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
ภาพที่ 6 แสดงความเข้มข้นของ PTE ในรูปแบบระนาบองค์ประกอบที่ประกอบด้วยเซลล์ประสาทแต่ละเซลล์ ไม่มีระนาบองค์ประกอบใดแสดงรูปแบบสีเดียวกันดังที่แสดงไว้ อย่างไรก็ตาม จำนวนเซลล์ประสาทที่เหมาะสมต่อแผนที่ที่วาดคือ 55 SeOM ถูกสร้างขึ้นโดยใช้สีที่หลากหลาย และยิ่งรูปแบบสีคล้ายคลึงกันมากเท่าใด คุณสมบัติของตัวอย่างก็จะยิ่งเปรียบเทียบกันได้มากขึ้นเท่านั้น ตามมาตราส่วนสีที่แม่นยำ ธาตุแต่ละชนิด (Ca, K และ Mg) แสดงรูปแบบสีที่คล้ายคลึงกับเซลล์ประสาทระดับสูงเดี่ยวและเซลล์ประสาทระดับต่ำส่วนใหญ่ ดังนั้น CaK และ CaMg จึงมีความคล้ายคลึงกันกับเซลล์ประสาทลำดับสูงมากและรูปแบบสีระดับต่ำถึงปานกลาง ทั้งสองแบบจำลองทำนายความเข้มข้นของ Ni ในดินโดยแสดงเฉดสีระดับกลางถึงสูง เช่น สีแดง สีส้ม และสีเหลือง แบบจำลอง KMg แสดงรูปแบบสีสูงจำนวนมากโดยอิงจากสัดส่วนที่แม่นยำและจุดสีระดับต่ำถึงปานกลาง บนมาตราส่วนสีที่แม่นยำจากต่ำไปสูง รูปแบบการกระจายตัวของระนาบองค์ประกอบของแบบจำลองแสดงรูปแบบสีสูงซึ่งบ่งชี้ถึงความเข้มข้นของนิกเกลในดินที่อาจเกิดขึ้นได้ (ดูภาพที่ 4) ระนาบองค์ประกอบของแบบจำลอง CakMg แสดงให้เห็น รูปแบบสีที่หลากหลายจากต่ำไปสูงตามมาตราส่วนสีที่แม่นยำ นอกจากนี้ การคาดการณ์ปริมาณนิกเกล (CakMg) ของแบบจำลองยังคล้ายกับการกระจายตัวเชิงพื้นที่ของนิกเกลที่แสดงในรูปที่ 5 กราฟทั้งสองแสดงสัดส่วนความเข้มข้นของนิกเกลในระดับสูง ปานกลาง และต่ำในดินในเขตเมืองและรอบนอกเมือง รูปที่ 7 แสดงวิธีการสร้างเส้นชั้นความสูงในการจัดกลุ่ม k-means บนแผนที่ โดยแบ่งออกเป็นสามกลุ่มตามค่าที่คาดการณ์ในแต่ละแบบจำลอง วิธีการสร้างเส้นชั้นความสูงแสดงถึงจำนวนกลุ่มที่เหมาะสมที่สุด จากตัวอย่างดิน 115 ตัวอย่างที่เก็บรวบรวม กลุ่มที่ 1 ได้รับตัวอย่างดินมากที่สุด 74 ตัวอย่าง กลุ่มที่ 2 ได้รับ 33 ตัวอย่าง ในขณะที่กลุ่มที่ 3 ได้รับ 8 ตัวอย่าง การรวมตัวทำนายระนาบเจ็ดองค์ประกอบได้รับการทำให้ง่ายขึ้นเพื่อให้สามารถตีความกลุ่มได้อย่างถูกต้อง เนื่องจากกระบวนการที่เกิดจากมนุษย์และธรรมชาติจำนวนมากที่ส่งผลต่อการก่อตัวของดิน จึงเป็นเรื่องยากที่จะมีรูปแบบกลุ่มที่แตกต่างกันอย่างเหมาะสมในแผนที่ SeOM แบบกระจาย78
ระนาบส่วนประกอบที่ได้จากตัวแปรแต่ละตัวของ Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) [แผนที่ SeOM สร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
ส่วนประกอบการจำแนกกลุ่มคลัสเตอร์ที่แตกต่างกัน [แผนที่ SeOM สร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
งานวิจัยปัจจุบันแสดงให้เห็นอย่างชัดเจนถึงเทคนิคการสร้างแบบจำลองสำหรับความเข้มข้นของนิกเกลในดินในเขตเมืองและชานเมือง งานวิจัยนี้ได้ทดสอบเทคนิคการสร้างแบบจำลองที่แตกต่างกัน โดยการผสมผสานองค์ประกอบต่างๆ เข้ากับเทคนิคการสร้างแบบจำลอง เพื่อหาวิธีที่ดีที่สุดในการทำนายความเข้มข้นของนิกเกลในดิน คุณลักษณะเชิงพื้นที่ระนาบขององค์ประกอบ SeOM ของเทคนิคการสร้างแบบจำลองแสดงให้เห็นรูปแบบสีสูงจากต่ำไปสูงบนมาตราส่วนสีที่แม่นยำ ซึ่งบ่งชี้ถึงความเข้มข้นของ Ni ในดิน อย่างไรก็ตาม แผนที่การกระจายเชิงพื้นที่ยืนยันการกระจายเชิงพื้นที่ระนาบขององค์ประกอบที่แสดงโดย EBK_SVMR (ดูรูปที่ 5) ผลลัพธ์แสดงให้เห็นว่าแบบจำลองการถดถอยของเครื่องจักรเวกเตอร์สนับสนุน (Ca Mg K-SVMR) ทำนายความเข้มข้นของ Ni ในดินได้เป็นแบบจำลองเดียว แต่พารามิเตอร์การตรวจสอบและการประเมินความแม่นยำแสดงข้อผิดพลาดสูงมากในแง่ของ RMSE และ MAE ในทางกลับกัน เทคนิคการสร้างแบบจำลองที่ใช้กับแบบจำลอง EBK_MLR ก็มีข้อบกพร่องเช่นกันเนื่องจากค่าสัมประสิทธิ์การกำหนด (R2) ต่ำ ได้ผลลัพธ์ที่ดีโดยใช้ EBK SVMR และองค์ประกอบที่รวมกัน (CaKMg) โดยมีค่า RMSE และ MAE ต่ำ ข้อผิดพลาดมีความแม่นยำ 63.7% ปรากฏว่าการรวมอัลกอริทึม EBK กับอัลกอริทึมการเรียนรู้ของเครื่องสามารถสร้างอัลกอริทึมแบบผสมผสานที่สามารถทำนายความเข้มข้นของ PTE ในดินได้ ผลลัพธ์แสดงให้เห็นว่าการใช้ Ca Mg K เป็นตัวทำนายเพื่อทำนายความเข้มข้นของ Ni ในพื้นที่ศึกษา สามารถปรับปรุงการทำนาย Ni ในดินได้ ซึ่งหมายความว่าการใช้ปุ๋ยที่มีนิกเกลอย่างต่อเนื่องและมลพิษทางอุตสาหกรรมของดินจากอุตสาหกรรมเหล็กมีแนวโน้มที่จะเพิ่มความเข้มข้นของนิกเกลในดิน การศึกษานี้เปิดเผยว่าแบบจำลอง EBK สามารถลดระดับข้อผิดพลาดและปรับปรุงความแม่นยำของแบบจำลองการกระจายตัวเชิงพื้นที่ของดินในดินในเมืองหรือชานเมืองได้ โดยทั่วไป เราเสนอให้ใช้แบบจำลอง EBK-SVMR เพื่อประเมินและทำนาย PTE ในดิน นอกจากนี้ เราเสนอให้ใช้ EBK เพื่อผสมผสานกับอัลกอริทึมการเรียนรู้ของเครื่องต่างๆ ความเข้มข้นของ Ni ถูกทำนายโดยใช้ธาตุเป็นตัวแปรเสริม อย่างไรก็ตาม การใช้ตัวแปรเสริมเพิ่มเติมจะช่วยปรับปรุงประสิทธิภาพของแบบจำลองได้อย่างมาก ซึ่งอาจถือเป็นข้อจำกัดของงานวิจัยปัจจุบัน ข้อจำกัดอีกประการหนึ่งของการศึกษาครั้งนี้คือจำนวนชุดข้อมูลมีเพียง 115 ชุด ดังนั้น หากมีข้อมูลเพิ่มเติม ประสิทธิภาพของวิธีการผสมผสานแบบปรับให้เหมาะสมที่เสนอมาก็จะสามารถปรับปรุงได้
PlantProbs.net. นิกเกลในพืชและดิน https://plantprobs.net/plant/nutrientImbalances/sodium.html (เข้าถึงเมื่อ 28 เมษายน 2021)
Kasprzak, KS ความก้าวหน้าของนิกเกิลในพิษวิทยาทางสิ่งแวดล้อมสมัยใหม่ surroundings.toxicology.11, 145–183 (1987)
Cempel, M. & Nikel, G. นิกเกล: การทบทวนแหล่งที่มาและพิษวิทยาทางสิ่งแวดล้อม Polish J. Environment.Stud.15, 375–382 (2006)
Freedman, B. & Hutchinson, TC การป้อนมลพิษจากบรรยากาศและการสะสมในดินและพืชพรรณใกล้โรงถลุงนิกเกล-ทองแดงในซัดเบอรี ออนแทรีโอ ประเทศแคนาดา can.J. Bot.58(1), 108-132. https://doi.org/10.1139/b80-014 (1980)
Manyiwa, T. และคณะ โลหะหนักในดิน พืช และความเสี่ยงที่เกี่ยวข้องกับการเลี้ยงสัตว์เคี้ยวเอื้องในบริเวณใกล้เคียงเหมืองทองแดง-นิกเกิล Selebi-Phikwe ในบอตสวานา ธรณีเคมี สุขภาพ https://doi.org/10.1007/s10653-021-00918-x (2021)
Cabata-Pendias.Kabata-Pendias A. 2011. ธาตุติดตามในดินและ… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (เข้าถึงเมื่อ 24 พฤศจิกายน 2020).
Almås, A., Singh, B., เกษตรกรรม, TS-NJ ของ & 1995, ไม่ระบุ ผลกระทบของอุตสาหกรรมนิกเกลของรัสเซียต่อความเข้มข้นของโลหะหนักในดินเกษตรและหญ้าใน Soer-Varanger ประเทศนอร์เวย์ agris.fao.org
Nielsen, GD และคณะ การดูดซึมและการกักเก็บนิกเกิลในน้ำดื่มมีความสัมพันธ์กับการบริโภคอาหารและความไวต่อนิกเกิล พิษวิทยา การประยุกต์ใช้ เภสัชพลศาสตร์ 154, 67–75 (1999)
Costa, M. & Klein, CB การเกิดมะเร็งจากนิกเกิล การกลายพันธุ์ เอพิเจเนติกส์ หรือการคัดเลือก สภาพแวดล้อม มุมมองด้านสุขภาพ 107, 2 (1999)
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; การวิเคราะห์แนวโน้มของธาตุที่มีศักยภาพเป็นพิษ: การทบทวนบรรณมาตรศาสตร์ ธรณีเคมีสิ่งแวดล้อมและสุขภาพ Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9
Minasny, B. & McBratney, AB การทำแผนที่ดินแบบดิจิทัล: ประวัติโดยย่อและบทเรียนบางประการ Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)
McBratney, AB, Mendonça Santos, ML & Minasny, B. ในการทำแผนที่ดินดิจิทัล Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)
Deutsch.CV การสร้างแบบจำลองอ่างเก็บน้ำทางสถิติภูมิศาสตร์… – 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= (เข้าถึงเมื่อ 28 เมษายน 2021)