ขอขอบคุณที่เยี่ยมชม Nature.com เวอร์ชันเบราว์เซอร์ที่คุณใช้มีการรองรับ CSS อย่างจำกัด เพื่อประสบการณ์ที่ดีที่สุด เราขอแนะนำให้คุณใช้เบราว์เซอร์ที่อัปเดตแล้ว (หรือปิดโหมดการทำงานร่วมกันใน Internet Explorer) ในระหว่างนี้ เพื่อให้มั่นใจว่ามีการรองรับอย่างต่อเนื่อง เราจะแสดงไซต์โดยไม่มีสไตล์และ JavaScript
มลพิษทางดินเป็นปัญหาใหญ่ที่เกิดจากกิจกรรมของมนุษย์ การกระจายเชิงพื้นที่ของธาตุที่มีพิษ (PTEs) แตกต่างกันในพื้นที่เมืองและชานเมืองส่วนใหญ่ ดังนั้นจึงเป็นการยากที่จะคาดการณ์ปริมาณ PTEs ในดินดังกล่าวในเชิงพื้นที่ ตัวอย่างทั้งหมด 115 ตัวอย่างได้รับจาก Frydek Mistek ในสาธารณรัฐเช็ก ความเข้มข้นของแคลเซียม (Ca) แมกนีเซียม (Mg) โพแทสเซียม (K) และนิกเกิล (Ni) ถูกกำหนดโดยใช้เครื่องสเปกโตรมิเตอร์การปล่อยพลาสมาแบบเหนี่ยวนำ ตัวแปรตอบสนองคือ Ni และตัวทำนายคือ Ca, Mg และ K เมทริกซ์ความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรทำนายแสดงให้เห็นถึงความสัมพันธ์ที่น่าพอใจระหว่างธาตุ ผลการทำนายแสดงให้เห็นว่า Support Vector Machine Regression (SVMR) ทำงานได้ดี แม้ว่าค่ารากที่สองของค่าผิดพลาดเฉลี่ย (RMSE) (235.974 มก./กก.) และค่าผิดพลาดสัมบูรณ์เฉลี่ย (MAE) (166.946 มก./กก.) ที่ประมาณไว้จะสูงกว่าวิธีอื่นที่นำมาใช้ก็ตาม แบบจำลองผสมสำหรับ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) มีประสิทธิภาพต่ำ ดังจะเห็นได้จากค่าสัมประสิทธิ์การกำหนดที่น้อยกว่า 0.1 แบบจำลอง Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) เป็นแบบจำลองที่ดีที่สุด โดยมีค่า RMSE ต่ำ (95.479 มก./กก.) และค่า MAE (77.368 มก./กก.) และค่าสัมประสิทธิ์การกำหนดที่สูง (R2 = 0.637) ผลลัพธ์ของเทคนิคการสร้างแบบจำลอง EBK-SVMR จะแสดงโดยใช้แผนที่ที่จัดระเบียบตัวเอง นิวรอนที่เป็นกลุ่มในระนาบของส่วนประกอบ CakMg-EBK-SVMR ของแบบจำลองไฮบริดแสดงรูปแบบสีหลายสีที่ทำนายความเข้มข้นของ Ni ในดินในเมืองและรอบเมือง ผลลัพธ์แสดงให้เห็นว่าการใช้ EBK และ SVMR ร่วมกันเป็นเทคนิคที่มีประสิทธิภาพในการทำนายความเข้มข้นของ Ni ในดินในเมืองและรอบเมือง
นิกเกิล (Ni) ถือเป็นธาตุอาหารรองสำหรับพืชเนื่องจากมีส่วนช่วยในการตรึงไนโตรเจนในบรรยากาศ (N) และการเผาผลาญยูเรีย ซึ่งทั้งสองอย่างนี้จำเป็นต่อการงอกของเมล็ด นอกจากการมีส่วนช่วยในการงอกของเมล็ดแล้ว นิกเกิลยังทำหน้าที่เป็นสารยับยั้งเชื้อราและแบคทีเรีย และส่งเสริมการพัฒนาของพืชได้อีกด้วย การขาดนิกเกิลในดินทำให้พืชสามารถดูดซับได้ ส่งผลให้ใบซีด ตัวอย่างเช่น ถั่วพร้าและถั่วเขียวต้องใส่ปุ๋ยที่มีนิกเกิลเป็นส่วนประกอบเพื่อให้ตรึงไนโตรเจนได้เหมาะสมที่สุด2การใช้ปุ๋ยที่มีนิกเกิลเป็นส่วนประกอบอย่างต่อเนื่องเพื่อเสริมสร้างดินและเพิ่มความสามารถของพืชตระกูลถั่วในการตรึงไนโตรเจนในดินจะส่งผลให้ความเข้มข้นของนิกเกิลในดินเพิ่มขึ้นอย่างต่อเนื่องแม้ว่านิกเกิลจะเป็นธาตุอาหารรองสำหรับพืช แต่การได้รับนิกเกิลมากเกินไปในดินอาจก่อให้เกิดผลเสียมากกว่าผลดีความเป็นพิษของนิกเกิลในดินจะลดค่า pH ของดินและขัดขวางการดูดซึมธาตุเหล็กซึ่งเป็นสารอาหารที่จำเป็นต่อการเจริญเติบโตของพืช1ตามที่ Liu3 กล่าว พบว่านิกเกิลเป็นธาตุสำคัญลำดับที่ 17 ที่จำเป็นต่อการพัฒนาและการเติบโตของพืชนอกเหนือจากบทบาทของนิกเกิล มนุษย์ต้องการนิกเกิลเพื่อการใช้งานที่หลากหลายในการพัฒนาและการเจริญเติบโตของพืช การชุบด้วยไฟฟ้า การผลิตโลหะผสมที่มีส่วนประกอบของนิกเกิล และการผลิตอุปกรณ์จุดระเบิดและหัวเทียนในอุตสาหกรรมยานยนต์ ล้วนต้องใช้นิกเกิลในภาคอุตสาหกรรมต่างๆ นอกจากนี้ โลหะผสมที่มีส่วนประกอบของนิกเกิลและสิ่งของที่ชุบด้วยไฟฟ้ายังใช้กันอย่างแพร่หลายในเครื่องครัว อุปกรณ์ในห้องบอลรูม อุปกรณ์อุตสาหกรรมอาหาร ไฟฟ้า สายไฟและเคเบิล กังหันไอพ่น ชิ้นส่วนศัลยกรรม สิ่งทอ และการต่อเรือ5 ระดับของนิกเกิลที่อุดมในดิน (เช่น ดินบนผิวดิน) นั้นมีสาเหตุมาจากทั้งแหล่งที่เกิดจากมนุษย์และจากธรรมชาติ แต่โดยหลักแล้ว นิกเกิลเป็นแหล่งจากธรรมชาติมากกว่าที่จะเกิดจากมนุษย์4,6 แหล่งนิกเกิลตามธรรมชาติ ได้แก่ การระเบิดของภูเขาไฟ พืชพรรณ ไฟป่า และกระบวนการทางธรณีวิทยา อย่างไรก็ตาม แหล่งที่มาจากการกระทำของมนุษย์ ได้แก่ แบตเตอรี่นิกเกิล/แคดเมียมในอุตสาหกรรมเหล็ก การชุบด้วยไฟฟ้า การเชื่อมด้วยอาร์ก น้ำมันดีเซลและน้ำมันเชื้อเพลิง และการปล่อยมลพิษจากบรรยากาศจากการเผาไหม้ถ่านหิน และการเผาขยะและตะกอน การสะสมของนิกเกิล7,8 ตามข้อมูลของ Freedman และ Hutchinson9 และ Manyiwa และคณะ10 แหล่งที่มาหลักของมลพิษดินชั้นบนในสภาพแวดล้อมโดยตรงและใกล้เคียงนั้นส่วนใหญ่เป็นโรงหลอมและเหมืองแร่ที่ใช้โลหะนิกเกิล-ทองแดง ดินชั้นบนรอบๆ โรงกลั่นโลหะนิกเกิล-ทองแดงในเมืองซัดเบอรี ประเทศแคนาดามีระดับการปนเปื้อนของนิกเกิลสูงสุดที่ 26,000 มก./กก.11 ในทางตรงกันข้าม มลพิษจากการผลิตนิกเกิลในรัสเซียส่งผลให้มีความเข้มข้นของนิกเกิลในดินของนอร์เวย์สูงขึ้น11 ตามข้อมูลของ Alms และคณะ 12 ปริมาณนิกเกิลที่สกัดได้จาก HNO3 ในพื้นที่เพาะปลูกชั้นนำของภูมิภาค (การผลิตนิกเกิลในรัสเซีย) อยู่ในช่วง 6.25 ถึง 136.88 มก./กก. ซึ่งเทียบเท่ากับค่าเฉลี่ย 30.43 มก./กก. และความเข้มข้นเริ่มต้นที่ 25 มก./กก. ตามที่ระบุใน kabata 11 การใช้ปุ๋ยฟอสฟอรัสในดินเกษตรในดินในเขตเมืองหรือรอบเมืองในช่วงฤดูเพาะปลูกติดต่อกันสามารถแทรกซึมหรือปนเปื้อนดินได้ ผลกระทบที่อาจเกิดขึ้นของนิกเกิลในมนุษย์อาจนำไปสู่โรคมะเร็งผ่านการกลายพันธุ์ ความเสียหายของโครโมโซม การสร้าง Z-DNA การซ่อมแซมการตัด DNA ที่ถูกบล็อก หรือกระบวนการทางเอพิเจเนติกส์13 ในการทดลองกับสัตว์ พบว่านิกเกิลมีศักยภาพในการทำให้เกิดเนื้องอกได้หลายชนิด และสารประกอบนิกเกิลที่ก่อมะเร็งอาจทำให้เนื้องอกดังกล่าวรุนแรงขึ้นได้
การประเมินการปนเปื้อนของดินได้รับความนิยมมากขึ้นในช่วงไม่กี่ปีที่ผ่านมา เนื่องจากมีปัญหาด้านสุขภาพมากมายที่เกิดจากความสัมพันธ์ระหว่างดินกับพืช ความสัมพันธ์ทางชีวภาพของดินและดิน การเสื่อมโทรมของระบบนิเวศ และการประเมินผลกระทบต่อสิ่งแวดล้อม จนถึงปัจจุบัน การทำนายองค์ประกอบที่มีพิษ (PTE) เช่น นิเกิลในดินในเชิงพื้นที่นั้นต้องใช้ความพยายามและใช้เวลานานเมื่อใช้วิธีการแบบดั้งเดิม การถือกำเนิดของการทำแผนที่ดินแบบดิจิทัล (DSM) และความสำเร็จในปัจจุบัน15 ได้ช่วยปรับปรุงการทำแผนที่ดินเชิงทำนาย (PSM) ให้ดีขึ้นอย่างมาก ตามที่ Minasny และ McBratney16 กล่าว การทำแผนที่ดินเชิงทำนาย (DSM) ได้รับการพิสูจน์แล้วว่าเป็นสาขาย่อยที่โดดเด่นของวิทยาดิน Lagacherie และ McBratney, 2006 ให้คำจำกัดความของ DSM ว่า "การสร้างและการเติมเต็มระบบข้อมูลดินเชิงพื้นที่โดยใช้วิธีการสังเกตในแหล่งและในห้องปฏิบัติการ และระบบอนุมานดินเชิงพื้นที่และนอกพื้นที่" McBratney et al. 17 โครงร่างที่ระบุว่า DSM หรือ PSM ร่วมสมัยเป็นเทคนิคที่มีประสิทธิภาพมากที่สุดในการคาดการณ์หรือทำแผนที่การกระจายเชิงพื้นที่ของ PTE ประเภทของดิน และคุณสมบัติของดิน อัลกอริทึมภูมิสถิติและการเรียนรู้ของเครื่องจักร (MLA) เป็นเทคนิคการสร้างแบบจำลอง DSM ที่สร้างแผนที่ในรูปแบบดิจิทัลด้วยความช่วยเหลือของคอมพิวเตอร์โดยใช้ข้อมูลที่สำคัญและน้อยที่สุด
Deutsch18 และ Olea19 ให้คำจำกัดความของภูมิสถิติว่า "ชุดเทคนิคเชิงตัวเลขที่เกี่ยวข้องกับการแสดงคุณลักษณะเชิงพื้นที่ โดยส่วนใหญ่ใช้แบบจำลองสุ่ม เช่น การวิเคราะห์อนุกรมเวลาแสดงลักษณะของข้อมูลเชิงเวลา" ในเบื้องต้น ภูมิสถิติเกี่ยวข้องกับการประเมินวาไรโอแกรม ซึ่งช่วยให้สามารถวัดปริมาณและกำหนดความสัมพันธ์ของค่าเชิงพื้นที่จากชุดข้อมูลแต่ละชุดได้20 Gumiaux et al. 20 แสดงให้เห็นเพิ่มเติมว่าการประเมินวาริโอแกรมในสถิติภูมิสารสนเทศนั้นอิงตามหลักการสามประการ ได้แก่ (ก) การคำนวณมาตราส่วนของความสัมพันธ์ของข้อมูล (ข) การระบุและคำนวณแอนไอโซทรอปีในความแตกต่างของชุดข้อมูล และ (ค) นอกเหนือจากการคำนึงถึงข้อผิดพลาดโดยธรรมชาติของข้อมูลการวัดที่แยกออกจากผลกระทบในท้องถิ่นแล้ว ผลกระทบของพื้นที่ยังได้รับการประมาณการอีกด้วย โดยอาศัยแนวคิดเหล่านี้ เทคนิคการสอดแทรกต่างๆ มากมายถูกใช้ในสถิติภูมิสารสนเทศ รวมถึงคริกกิ้งทั่วไป คริกกิ้งร่วม คริกกิ้งธรรมดา คริกกิ้งเบย์เซียนเชิงประจักษ์ วิธีคริกกิ้งง่าย และเทคนิคการสอดแทรกอื่นๆ ที่รู้จักกันดี เพื่อทำแผนที่หรือทำนาย PTE ลักษณะของดิน และประเภทของดิน
อัลกอริทึมการเรียนรู้ของเครื่อง (MLA) เป็นเทคนิคใหม่ที่ใช้คลาสข้อมูลไม่เชิงเส้นขนาดใหญ่ ซึ่งขับเคลื่อนโดยอัลกอริทึมที่ใช้เป็นหลักสำหรับการขุดข้อมูล การระบุรูปแบบในข้อมูล และนำไปใช้ซ้ำแล้วซ้ำเล่าในการจำแนกประเภทในสาขาวิทยาศาสตร์ เช่น วิทยาดิน และงานส่งคืน งานวิจัยจำนวนมากอาศัยโมเดล MLA เพื่อคาดการณ์ PTE ในดิน เช่น Tan et al. 22 (ป่าสุ่มสำหรับการประมาณโลหะหนักในดินที่ใช้ทางการเกษตร) Sakizadeh et al. 23 (การสร้างแบบจำลองโดยใช้เครื่องจักรเวกเตอร์สนับสนุนและเครือข่ายประสาทเทียม) มลพิษทางดิน นอกจากนี้ Vega et al. 24 (CART สำหรับการสร้างแบบจำลองการกักเก็บและการดูดซับโลหะหนักในดิน) Sun et al. 25 (การประยุกต์ใช้ลัทธิลูกบาศก์คือการกระจายของ Cd ในดิน) และอัลกอริทึมอื่น ๆ เช่น เพื่อนบ้านที่ใกล้ที่สุด k, การถดถอยแบบบูสต์ทั่วไป และการถดถอยแบบบูสต์ Trees ยังได้นำ MLA ไปใช้เพื่อคาดการณ์ PTE ในดินอีกด้วย
การประยุกต์ใช้ขั้นตอนวิธีของ DSM ในการทำนายหรือทำแผนที่ต้องเผชิญกับความท้าทายหลายประการ ผู้เขียนหลายคนเชื่อว่า MLA เหนือกว่าภูมิสถิติและในทางกลับกัน แม้ว่าวิธีหนึ่งจะดีกว่าอีกวิธีหนึ่ง แต่การใช้ทั้งสองวิธีร่วมกันจะช่วยเพิ่มระดับความแม่นยำของการทำแผนที่หรือการทำนายใน DSM15 Woodcock และ Gopal26 Finke27; Pontius และ Cheuk28 และ Grunwald29 แสดงความคิดเห็นเกี่ยวกับข้อบกพร่องและข้อผิดพลาดบางประการในการทำแผนที่ดินที่ทำนายไว้ นักวิทยาศาสตร์ด้านดินได้พยายามใช้เทคนิคต่างๆ มากมายเพื่อเพิ่มประสิทธิภาพ ความแม่นยำ และความคาดเดาได้ของการทำแผนที่และการพยากรณ์ของ DSM การรวมกันของความไม่แน่นอนและการยืนยันเป็นเพียงหนึ่งในหลายแง่มุมที่รวมอยู่ใน DSM เพื่อเพิ่มประสิทธิภาพและลดข้อบกพร่อง อย่างไรก็ตาม Agyeman และคณะ15 อธิบายว่าพฤติกรรมการตรวจสอบและความไม่แน่นอนที่เกิดจากการสร้างและทำนายแผนที่ควรได้รับการตรวจสอบโดยอิสระเพื่อปรับปรุงคุณภาพแผนที่ ข้อจำกัดของ DSM เกิดจากคุณภาพของดินที่กระจายตัวทางภูมิศาสตร์ ซึ่งเกี่ยวข้องกับองค์ประกอบของความไม่แน่นอน อย่างไรก็ตาม การขาดความแน่นอนใน DSM อาจเกิดขึ้นจากแหล่งที่มาของข้อผิดพลาดหลายแหล่ง ได้แก่ ข้อผิดพลาดของตัวแปรร่วม ข้อผิดพลาดของแบบจำลอง ข้อผิดพลาดของตำแหน่ง และข้อผิดพลาดในการวิเคราะห์ 31 ความไม่แม่นยำของการสร้างแบบจำลองที่เกิดขึ้นในกระบวนการ MLA และภูมิสถิติสัมพันธ์กับการขาดความเข้าใจ ซึ่งท้ายที่สุดนำไปสู่การทำให้กระบวนการจริงง่ายเกินไป32 ไม่ว่าลักษณะของการสร้างแบบจำลองจะเป็นอย่างไร ความไม่แม่นยำอาจเกิดจากพารามิเตอร์การสร้างแบบจำลอง การทำนายแบบจำลองทางคณิตศาสตร์ หรือการสอดแทรก33 เมื่อไม่นานมานี้ มีแนวโน้มใหม่ของ DSM ที่เกิดขึ้น ซึ่งส่งเสริมการผสานรวมภูมิสถิติและ MLA ในการทำแผนที่และการพยากรณ์ นักวิทยาศาสตร์ด้านดินและนักเขียนหลายคน เช่น Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 และ Tarasov et al. 37 ได้ใช้ประโยชน์จากคุณภาพที่แม่นยำของภูมิสถิติและการเรียนรู้ของเครื่องจักรเพื่อสร้างแบบจำลองไฮบริดที่ปรับปรุงประสิทธิภาพของการพยากรณ์และการทำแผนที่ คุณภาพ โมเดลอัลกอริทึมไฮบริดหรือรวมกันเหล่านี้บางส่วน ได้แก่ Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Residual Network Neural Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 และ Co-Kriging และ Gaussian Process Regression38
ตามที่ Sergeev et al. การรวมเทคนิคการสร้างแบบจำลองต่างๆ เข้าด้วยกันมีศักยภาพในการขจัดข้อบกพร่องและเพิ่มประสิทธิภาพของแบบจำลองไฮบริดที่ได้แทนที่จะพัฒนาแบบจำลองเดี่ยว ในบริบทนี้ เอกสารใหม่นี้โต้แย้งว่าจำเป็นต้องใช้อัลกอริทึมแบบผสมผสานของภูมิสถิติและ MLA เพื่อสร้างแบบจำลองไฮบริดที่เหมาะสมที่สุดเพื่อทำนายการเพิ่มจำนวนของ Ni ในพื้นที่เมืองและชานเมือง การศึกษานี้จะใช้ Empirical Bayesian Kriging (EBK) เป็นแบบจำลองพื้นฐานและผสมกับแบบจำลอง Support Vector Machine (SVM) และแบบจำลอง Multiple Linear Regression (MLR) การผสมพันธุ์ของ EBK กับ MLA ใดๆ ไม่เป็นที่ชัดเจน แบบจำลองผสมหลายแบบที่พบคือการรวมกันของ kriging ธรรมดา ส่วนที่เหลือ การถดถอย และ MLAEBK เป็นวิธีการแทรกแซงทางภูมิสถิติที่ใช้กระบวนการสุ่มเชิงพื้นที่ซึ่งอยู่ในรูปของสนามสุ่มที่ไม่นิ่ง/นิ่งที่มีพารามิเตอร์การกำหนดตำแหน่งที่กำหนดไว้เหนือสนาม ซึ่งทำให้เกิดการแปรผันเชิงพื้นที่39EBK ถูกใช้ในงานศึกษามากมาย รวมถึงการวิเคราะห์การกระจายของ คาร์บอนอินทรีย์ในดินฟาร์ม40 การประเมินมลพิษในดิน41 และการทำแผนที่คุณสมบัติของดิน42
ในทางกลับกัน Self-Organizing Graph (SeOM) เป็นอัลกอริทึมการเรียนรู้ที่ถูกนำไปใช้ในบทความต่างๆ เช่น Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 และ Kebonye et al.46 กำหนดคุณลักษณะเชิงพื้นที่และการจัดกลุ่มขององค์ประกอบWang et al. 44 สรุปว่า SeOM เป็นเทคนิคการเรียนรู้ที่มีประสิทธิภาพที่รู้จักกันในความสามารถในการจัดกลุ่มและจินตนาการถึงปัญหาที่ไม่เป็นเชิงเส้นซึ่งต่างจากเทคนิคการจดจำรูปแบบอื่นๆ เช่น การวิเคราะห์องค์ประกอบหลัก การจัดกลุ่มแบบฟัซซี การจัดกลุ่มแบบลำดับชั้น และการตัดสินใจตามเกณฑ์หลายประการ SeOM ดีกว่าในการจัดระเบียบและระบุรูปแบบ PTE ตามที่ Wang et al. 44 ระบุ SeOM สามารถจัดกลุ่มการกระจายของเซลล์ประสาทที่เกี่ยวข้องในเชิงพื้นที่และให้ภาพข้อมูลที่มีความละเอียดสูง SeOM จะแสดงภาพข้อมูลการทำนาย Ni เพื่อให้ได้แบบจำลองที่ดีที่สุดเพื่อกำหนดลักษณะผลลัพธ์สำหรับการตีความโดยตรง
เอกสารนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองการทำแผนที่ที่แข็งแกร่งพร้อมความแม่นยำที่เหมาะสมที่สุดสำหรับการคาดการณ์ปริมาณนิกเกิลในดินในเขตเมืองและชานเมือง เราตั้งสมมติฐานว่าความน่าเชื่อถือของแบบจำลองผสมนั้นขึ้นอยู่กับอิทธิพลของแบบจำลองอื่นที่แนบกับแบบจำลองพื้นฐานเป็นหลัก เราตระหนักถึงความท้าทายที่ DSM เผชิญ และในขณะที่ความท้าทายเหล่านี้กำลังได้รับการแก้ไขในหลาย ๆ ด้าน การรวมกันของความก้าวหน้าในสถิติภูมิสารสนเทศและแบบจำลอง MLA ดูเหมือนว่าจะค่อยเป็นค่อยไป ดังนั้น เราจะพยายามตอบคำถามการวิจัยที่อาจให้แบบจำลองผสม อย่างไรก็ตาม แบบจำลองมีความแม่นยำเพียงใดในการคาดการณ์องค์ประกอบเป้าหมาย นอกจากนี้ ระดับการประเมินประสิทธิภาพตามการตรวจสอบความถูกต้องและการประเมินความแม่นยำอยู่ที่เท่าใด ดังนั้น เป้าหมายเฉพาะของการศึกษาครั้งนี้คือ (ก) สร้างแบบจำลองส่วนผสมผสมสำหรับ SVMR หรือ MLR โดยใช้ EBK เป็นแบบจำลองพื้นฐาน (ข) เปรียบเทียบแบบจำลองที่ได้ (ค) เสนอแบบจำลองส่วนผสมที่ดีที่สุดสำหรับการคาดการณ์ความเข้มข้นของนิกเกิลในดินในเขตเมืองหรือชานเมือง และ (ง) การนำ SeOM มาใช้เพื่อสร้างแผนที่ความละเอียดสูงของความแปรผันในเชิงพื้นที่ของนิกเกิล
การศึกษากำลังดำเนินการอยู่ในสาธารณรัฐเช็กโดยเฉพาะในเขตฟรีเดก มิสเทก ในภูมิภาคโมราเวีย-ซิเลเซีย (ดูรูปที่ 1) ภูมิศาสตร์ของพื้นที่ศึกษามีความขรุขระมากและเป็นส่วนใหญ่เป็นส่วนหนึ่งของภูมิภาคเบสกิดิ ภูมิภาคโมราเวีย-ซิเลเซีย ซึ่งเป็นส่วนหนึ่งของขอบนอกของเทือกเขาคาร์เพเทียน พื้นที่ศึกษาตั้งอยู่ระหว่างละติจูด 49° 41′ 0′ เหนือ และละติจูด 18° 20′ 0′ ตะวันออก และมีระดับความสูงระหว่าง 225 ถึง 327 ม. อย่างไรก็ตามระบบการจำแนก Koppen สำหรับสภาพภูมิอากาศของภูมิภาคได้รับการจัดอันดับเป็น Cfb = ภูมิอากาศมหาสมุทรแบบอบอุ่น มีฝนตกมากแม้ในช่วงเดือนที่แห้งแล้ง อุณหภูมิจะแตกต่างกันเล็กน้อยตลอดทั้งปีระหว่าง −5 °C และ 24 °C โดยไม่ค่อยต่ำกว่า −14 °C หรือสูงกว่า 30 °C ในขณะที่ปริมาณน้ำฝนเฉลี่ยรายปีอยู่ระหว่าง 685 ถึง 752 มม.47 พื้นที่สำรวจโดยประมาณของพื้นที่ทั้งหมดคือ 1,208 ตารางกิโลเมตร โดยมีพื้นที่เพาะปลูก 39.38% และพื้นที่ป่าไม้ 49.36% ในทางกลับกัน พื้นที่ที่ใช้ในการศึกษาครั้งนี้มีประมาณ 889.8 ตารางกิโลเมตร ในและรอบ ๆ เมืองออสตราวา อุตสาหกรรมเหล็กกล้าและโรงงานโลหะมีความคึกคักมากโรงงานโลหะอุตสาหกรรมเหล็กกล้าที่ใช้นิกเกิลในการผลิตสเตนเลส (เช่น เพื่อความต้านทานต่อการกัดกร่อนในบรรยากาศ) และเหล็กกล้าโลหะผสม (นิกเกิลช่วยเพิ่มความแข็งแรงของโลหะผสมในขณะที่ยังคงความเหนียวและความเหนียวที่ดีไว้ได้) และการเกษตรแบบเข้มข้น เช่น การใช้ปุ๋ยฟอสเฟตและการผลิตปศุสัตว์เป็นแหล่งนิกเกิลที่มีศักยภาพในการวิจัยในภูมิภาคนี้ (เช่น การเติมนิกเกิลในลูกแกะเพื่อเพิ่มอัตราการเจริญเติบโตของลูกแกะและวัวที่กินอาหารน้อย) การใช้นิกเกิลในอุตสาหกรรมอื่นๆ ในพื้นที่วิจัย ได้แก่ การใช้ในการชุบด้วยไฟฟ้า ซึ่งรวมถึงการชุบนิกเกิลด้วยไฟฟ้าและกระบวนการชุบนิกเกิลโดยไม่ใช้ไฟฟ้า คุณสมบัติของดินสามารถแยกแยะได้ง่ายจากสี โครงสร้าง และปริมาณคาร์บอเนตของดิน เนื้อดินมีระดับปานกลางถึงละเอียด ซึ่งได้มาจากวัสดุต้นกำเนิด ดินมีลักษณะเป็นตะกอน ตะกอนน้ำพา หรือลมพัดผ่าน พื้นที่ดินบางส่วนมีรอยด่างบนพื้นผิวและใต้ดิน มักมีคอนกรีตและการฟอกขาว อย่างไรก็ตาม แคมบิซอลและสแตกโนซอลเป็นประเภทของดินที่พบมากที่สุดในภูมิภาคนี้48 ด้วยระดับความสูงตั้งแต่ 455.1 ถึง 493.5 เมตร แคมบิซอลจึงครอบงำสาธารณรัฐเช็ก49
แผนที่พื้นที่ศึกษา [แผนที่พื้นที่ศึกษาสร้างขึ้นโดยใช้ ArcGIS Desktop (ESRI, Inc, เวอร์ชัน 10.7, URL: https://desktop.arcgis.com)]
ไทย ตัวอย่างดินชั้นบนทั้งหมด 115 ตัวอย่างได้รับจากดินในเขตเมืองและชานเมืองในเขต Frydek Mistek รูปแบบตัวอย่างที่ใช้เป็นตารางปกติโดยตัวอย่างดินมีระยะห่างกัน 2 × 2 กม. และวัดดินชั้นบนที่ความลึก 0 ถึง 20 ซม. โดยใช้เครื่อง GPS แบบพกพา (Leica Zeno 5 GPS) ตัวอย่างจะถูกบรรจุในถุงซิปล็อก ติดฉลากอย่างถูกต้อง และส่งไปที่ห้องปฏิบัติการ นำตัวอย่างไปตากให้แห้งเพื่อผลิตตัวอย่างที่บดเป็นผง บดโดยใช้ระบบกลไก (เครื่องบดจาน Fritsch) และร่อน (ขนาดตะแกรง 2 มม.) ใส่ตัวอย่างดินแห้งที่ผ่านการทำให้เป็นเนื้อเดียวกันและร่อนแล้ว 1 กรัมลงในขวดเทฟลอนที่มีฉลากติดอย่างชัดเจน ในแต่ละภาชนะเทฟลอน ให้จ่าย HCl 35% จำนวน 7 มล. และ HNO3 65% จำนวน 3 มล. (โดยใช้เครื่องจ่ายอัตโนมัติ – เครื่องละหนึ่งขวดต่อกรดหนึ่งชนิด) ปิดฝาให้แน่นและปล่อยตัวอย่างทิ้งไว้ข้ามคืนเพื่อให้เกิดปฏิกิริยา (โปรแกรม Aqua Regia) วาง นำส่วนที่เป็นของเหลวใสวางบนแผ่นโลหะร้อน (อุณหภูมิ 100 วัตต์และ 160 องศาเซลเซียส) เป็นเวลา 2 ชั่วโมง เพื่อให้กระบวนการย่อยตัวอย่างเป็นไปได้ง่าย จากนั้นจึงปล่อยให้เย็น ถ่ายส่วนที่เป็นของเหลวใสลงในขวดตวงขนาด 50 มล. แล้วเจือจางด้วยน้ำดีไอออนไนซ์ให้ได้ 50 มล. หลังจากนั้น กรองส่วนที่เป็นของเหลวใสที่เจือจางแล้วลงในหลอด PVC ขนาด 50 มล. พร้อมด้วยน้ำดีไอออนไนซ์ นอกจากนี้ เจือจางสารละลายเจือจาง 1 มล. ด้วยน้ำดีไอออนไนซ์ 9 มล. แล้วกรองในหลอดขนาด 12 มล. ที่เตรียมไว้สำหรับการสร้างความเข้มข้นเทียมของ 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, สหรัฐอเมริกา) ตามวิธีการมาตรฐานและข้อตกลง รับรองขั้นตอนการประกันคุณภาพและการควบคุม (QA/QC) (SRM NIST 2711a Montana II Soil) PTE ที่มีขีดจำกัดการตรวจจับต่ำกว่าครึ่งหนึ่งจะถูกแยกออกจากการศึกษานี้ ขีดจำกัดการตรวจจับของ PTE ที่ใช้ในการศึกษานี้คือ 0.0004 (คุณ) นอกจากนี้ กระบวนการควบคุมคุณภาพและการรับรองคุณภาพสำหรับการวิเคราะห์แต่ละครั้งยังได้รับการรับรองโดยการวิเคราะห์มาตรฐานอ้างอิง เพื่อให้แน่ใจว่าข้อผิดพลาดลดลงน้อยที่สุด จึงได้ดำเนินการวิเคราะห์สองครั้ง
Empirical Bayesian Kriging (EBK) เป็นหนึ่งในเทคนิคการสอดแทรกทางภูมิสถิติมากมายที่ใช้ในการสร้างแบบจำลองในสาขาต่างๆ เช่น วิทยาดิน ซึ่งแตกต่างจากเทคนิคการสอดแทรกแบบคริกกิ้งอื่นๆ EBK แตกต่างจากวิธีการคริกกิ้งแบบดั้งเดิมโดยพิจารณาจากข้อผิดพลาดที่ประมาณโดยแบบจำลองเซมิวาเรียม ในการสอดแทรกแบบ EBK จะมีการคำนวณแบบจำลองเซมิวาเรียมหลายแบบระหว่างการสอดแทรก แทนที่จะเป็นเซมิวาเรียมแบบเดียว เทคนิคการสอดแทรกทำให้เกิดความไม่แน่นอนและการเขียนโปรแกรมที่เกี่ยวข้องกับการพล็อตเซมิวาเรียมนี้ ซึ่งประกอบเป็นส่วนที่ซับซ้อนอย่างมากของวิธีการคริกกิ้งที่เพียงพอ กระบวนการสอดแทรกของ EBK ปฏิบัติตามเกณฑ์สามประการที่ Krivoruchko50 เสนอ (ก) แบบจำลองประมาณค่าเซมิวาเรียมจากชุดข้อมูลอินพุต (ข) ค่าใหม่ที่คาดการณ์ไว้สำหรับตำแหน่งชุดข้อมูลอินพุตแต่ละชุดโดยอิงจากเซมิวาเรียมที่สร้างขึ้น และ (ค) แบบจำลอง A สุดท้ายจะคำนวณจากชุดข้อมูลจำลอง กฎของสมการเบย์เซียนกำหนดให้เป็นค่าภายหลัง
โดยที่ \(Prob\left(A\right)\) แสดงถึงค่าก่อนหน้า ความน่าจะเป็นส่วนขอบของ \(Prob\left(B\right)\) จะถูกละเว้นในกรณีส่วนใหญ่ \(Prob (B,A)\ ) การคำนวณเซมิแวริโอแกรมอิงตามกฎของเบย์ส ซึ่งแสดงความโน้มเอียงของชุดข้อมูลการสังเกตที่สามารถสร้างจากเซมิแวริโอแกรม จากนั้นค่าของเซมิแวริโอแกรมจะถูกกำหนดโดยใช้กฎของเบย์ส ซึ่งระบุถึงความน่าจะเป็นที่จะสร้างชุดข้อมูลการสังเกตจากเซมิแวริโอแกรม
เครื่องจักรเวกเตอร์สนับสนุนเป็นอัลกอริทึมการเรียนรู้ของเครื่องที่สร้างไฮเปอร์เพลนแยกที่เหมาะสมที่สุดเพื่อแยกแยะคลาสที่เหมือนกันแต่ไม่เป็นอิสระเชิงเส้น Vapnik51 ได้สร้างอัลกอริทึมการจำแนกประเภทเจตนา แต่เมื่อไม่นานมานี้ได้ถูกนำมาใช้ในการแก้ปัญหาที่มุ่งเน้นการถดถอย ตามที่ Li et al.52 ระบุว่า SVM เป็นหนึ่งในเทคนิคการจำแนกประเภทที่ดีที่สุดและถูกใช้ในหลายสาขา ส่วนประกอบการถดถอยของ SVM (Support Vector Machine Regression – SVMR) ถูกใช้ในการวิเคราะห์นี้ Cherkassky และ ​​Mulier53 เป็นผู้บุกเบิก SVMR เป็นการถดถอยแบบอิงเคอร์เนล ซึ่งการคำนวณดำเนินการโดยใช้แบบจำลองการถดถอยเชิงเส้นที่มีฟังก์ชันเชิงพื้นที่หลายประเทศ John et al54 รายงานว่าการสร้างแบบจำลอง SVMR ใช้การถดถอยเชิงเส้นของไฮเปอร์เพลน ซึ่งสร้างความสัมพันธ์ที่ไม่เป็นเชิงเส้นและอนุญาตให้มีฟังก์ชันเชิงพื้นที่ ตามที่ Vohland et al.55 ระบุว่า 55 epsilon (ε)-SVMR ใช้ชุดข้อมูลที่ฝึกแล้วเพื่อให้ได้แบบจำลองการแสดงเป็นฟังก์ชันที่ไม่ไวต่อ epsilon ซึ่งใช้ในการแมปข้อมูลอย่างเป็นอิสระด้วยค่าความเอนเอียง epsilon ที่ดีที่สุดจากการฝึกด้วยข้อมูลที่สัมพันธ์กัน ข้อผิดพลาดของระยะทางที่ตั้งไว้ล่วงหน้าจะถูกละเว้นจากค่าจริง และถ้าข้อผิดพลาดมีค่ามากกว่า ε(ε) คุณสมบัติของดินจะชดเชยข้อผิดพลาดนั้น แบบจำลองยังลดความซับซ้อนของข้อมูลฝึกให้เหลือเฉพาะเวกเตอร์รองรับชุดย่อยที่กว้างขึ้น สมการที่ Vapnik51 เสนอแสดงไว้ด้านล่าง
โดยที่ b แทนเกณฑ์สเกลาร์ \(K\left({x}_{,}{ x}_{k}\right)\) แทนฟังก์ชันเคอร์เนล \(\alpha\) แทนตัวคูณลาเกรนจ์ N แทนชุดข้อมูลตัวเลข \({x}_{k}\) แทนข้อมูลอินพุต และ \(y\) แทนข้อมูลเอาท์พุต เคอร์เนลหลักตัวหนึ่งที่ใช้คือการดำเนินการ SVMR ซึ่งเป็นฟังก์ชันพื้นฐานรัศมีแบบเกาส์เซียน (RBF) เคอร์เนล RBF นำมาใช้เพื่อกำหนดโมเดล SVMR ที่เหมาะสมที่สุด ซึ่งถือเป็นสิ่งสำคัญในการรับปัจจัยชุดโทษ C ที่ละเอียดอ่อนที่สุดและพารามิเตอร์เคอร์เนลแกมมา (γ) สำหรับข้อมูลฝึก PTE ก่อนอื่น เราประเมินชุดฝึกแล้วจึงทดสอบประสิทธิภาพของโมเดลบนชุดการตรวจสอบ พารามิเตอร์การควบคุมที่ใช้คือซิกม่า และค่าเมธอดคือ svmRadial
แบบจำลองการถดถอยเชิงเส้นหลายตัวแปร (MLR) เป็นแบบจำลองการถดถอยที่แสดงความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรทำนายจำนวนหนึ่งโดยใช้พารามิเตอร์รวมเชิงเส้นที่คำนวณโดยใช้วิธีการกำลังสองน้อยที่สุด ใน MLR แบบจำลองกำลังสองน้อยที่สุดคือฟังก์ชันการทำนายคุณสมบัติของดินหลังจากเลือกตัวแปรอธิบาย จำเป็นต้องใช้การตอบสนองเพื่อสร้างความสัมพันธ์เชิงเส้นโดยใช้ตัวแปรอธิบาย PTE ถูกใช้เป็นตัวแปรตอบสนองเพื่อสร้างความสัมพันธ์เชิงเส้นกับตัวแปรอธิบาย สมการ MLR คือ
โดยที่ y คือตัวแปรตอบสนอง \(a\) คือค่าตัดขวาง n คือจำนวนตัวทำนาย \({b}_{1}\) คือการถดถอยบางส่วนของสัมประสิทธิ์ \({x}_{ i}\) แสดงถึงตัวทำนายหรือตัวแปรอธิบาย และ \({\varepsilon }_{i}\) แสดงถึงข้อผิดพลาดในแบบจำลอง ซึ่งเรียกอีกอย่างหนึ่งว่าค่าที่เหลือ
เราได้แบบจำลองผสมจากการนำ EBK มาประกบกับ SVMR และ MLR ซึ่งทำได้โดยการดึงค่าที่ทำนายไว้จากการสอดแทรก EBK ค่าที่ทำนายไว้จากการสอดแทรก Ca, K และ Mg ได้มาโดยผ่านกระบวนการผสมผสานเพื่อให้ได้ตัวแปรใหม่ เช่น CaK, CaMg และ KMg จากนั้นนำองค์ประกอบ Ca, K และ Mg มาผสมกันเพื่อให้ได้ตัวแปรที่สี่ คือ CaKMg โดยรวมแล้ว ตัวแปรที่ได้คือ Ca, K, Mg, CaK, CaMg, KMg และ CaKMg ตัวแปรเหล่านี้กลายมาเป็นตัวทำนายของเรา ซึ่งช่วยในการทำนายความเข้มข้นของนิกเกิลในดินในเขตเมืองและชานเมือง เราได้ดำเนินการอัลกอริทึม SVMR กับตัวทำนายเพื่อให้ได้เครื่องเวกเตอร์รองรับคริกกิ้ง-เชิงประจักษ์แบบเบย์เซียนผสม (EBK_SVM) ในทำนองเดียวกัน ตัวแปรยังถูกส่งผ่านอัลกอริทึม MLR เพื่อให้ได้เครื่องเวกเตอร์รองรับคริกกิ้ง-เชิงประจักษ์แบบเบย์เซียนผสม (EBK_MLR) โดยทั่วไปแล้ว ตัวแปร Ca, K, Mg, CaK, CaMg, KMg และ CaKMg ถูกใช้เป็นตัวแปรร่วมเพื่อทำนายปริมาณ Ni ในดินในเขตเมืองและชานเมือง จากนั้นแบบจำลองที่ยอมรับได้มากที่สุด (EBK_SVM หรือ EBK_MLR) จะถูกแสดงภาพโดยใช้กราฟที่จัดระเบียบตัวเอง เวิร์กโฟลว์ของการศึกษานี้แสดงอยู่ในรูปที่ 2
การใช้ SeOM ได้กลายเป็นเครื่องมือที่นิยมใช้ในการจัดระเบียบ ประเมิน และคาดการณ์ข้อมูลในภาคการเงิน การดูแลสุขภาพ อุตสาหกรรม สถิติ วิทยาดิน และอื่นๆ อีกมากมาย SeOM ถูกสร้างขึ้นโดยใช้เครือข่ายประสาทเทียมและวิธีการเรียนรู้โดยไม่มีการดูแลสำหรับการจัดระเบียบ การประเมิน และการคาดการณ์ ในการศึกษาครั้งนี้ SeOM ถูกใช้เพื่อแสดงภาพความเข้มข้นของ Ni โดยอิงจากแบบจำลองที่ดีที่สุดในการคาดการณ์ Ni ในดินในเมืองและรอบเมือง ข้อมูลที่ประมวลผลในการประเมิน SeOM จะถูกใช้เป็นตัวแปรเวกเตอร์มิติอินพุต n ตัว43,56 Melssen et al. 57 อธิบายการเชื่อมต่อของเวกเตอร์อินพุตในเครือข่ายประสาทผ่านชั้นอินพุตเดียวไปยังเวกเตอร์เอาต์พุตที่มีเวกเตอร์น้ำหนักตัวเดียวเอาต์พุตที่สร้างโดย SeOM เป็นแผนที่สองมิติที่ประกอบด้วยนิวรอนหรือโหนดต่างๆ ที่ทอเป็นแผนที่โทโพโลยีรูปหกเหลี่ยม วงกลม หรือสี่เหลี่ยมตามความใกล้ชิดของพวกมันเมื่อเปรียบเทียบขนาดแผนที่โดยอิงตามเมตริก ข้อผิดพลาดในการวัดเชิงปริมาณ (QE) และข้อผิดพลาดในการกำหนดตำแหน่ง (TE) จะเลือกแบบจำลอง SeOM ที่มีค่า 0.086 และ 0.904 ตามลำดับ ซึ่งเป็นหน่วย 55 แผนที่ (5 × 11) โครงสร้างนิวรอนจะถูกกำหนดตามจำนวนโหนดในสมการเชิงประจักษ์
จำนวนข้อมูลที่ใช้ในการศึกษานี้คือ 115 ตัวอย่าง โดยใช้วิธีการสุ่มเพื่อแบ่งข้อมูลออกเป็นข้อมูลทดสอบ (25% สำหรับการตรวจสอบความถูกต้อง) และชุดข้อมูลฝึกอบรม (75% สำหรับการสอบเทียบ) โดยใช้ชุดข้อมูลฝึกอบรมเพื่อสร้างแบบจำลองการถดถอย (การสอบเทียบ) และใช้ชุดข้อมูลทดสอบเพื่อตรวจสอบความสามารถในการสรุปความทั่วไป58 ซึ่งทำขึ้นเพื่อประเมินความเหมาะสมของแบบจำลองต่างๆ ในการคาดการณ์ปริมาณนิกเกิลในดิน แบบจำลองทั้งหมดที่ใช้ต้องผ่านกระบวนการตรวจสอบไขว้แบบ 10 เท่า ทำซ้ำ 5 ครั้ง ตัวแปรที่สร้างขึ้นโดยการสอดแทรก EBK จะใช้เป็นตัวทำนายหรือตัวแปรอธิบายเพื่อคาดการณ์ตัวแปรเป้าหมาย (PTE) การสร้างแบบจำลองดำเนินการใน RStudio โดยใช้แพ็กเกจ library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) และ libraries (“Metrics”)
มีการใช้พารามิเตอร์การตรวจสอบความถูกต้องต่างๆ เพื่อกำหนดแบบจำลองที่ดีที่สุดที่เหมาะสมในการทำนายความเข้มข้นของนิกเกิลในดินและเพื่อประเมินความแม่นยำของแบบจำลองและการตรวจสอบความถูกต้อง แบบจำลองการผสมพันธุ์ได้รับการประเมินโดยใช้ข้อผิดพลาดสัมบูรณ์เฉลี่ย (MAE) ข้อผิดพลาดรากที่สองของค่ากลาง (RMSE) และการกำหนดค่า R-squared หรือค่าสัมประสิทธิ์ (R2) R2 กำหนดความแปรปรวนของสัดส่วนในคำตอบที่แสดงโดยแบบจำลองการถดถอย RMSE และขนาดของความแปรปรวนในหน่วยวัดอิสระอธิบายถึงพลังการทำนายของแบบจำลอง ในขณะที่ MAE กำหนดค่าเชิงปริมาณที่แท้จริง ค่า R2 จะต้องสูงเพื่อประเมินแบบจำลองส่วนผสมที่ดีที่สุดโดยใช้พารามิเตอร์การตรวจสอบความถูกต้อง ยิ่งค่าใกล้ 1 มากเท่าใด ความแม่นยำก็จะสูงขึ้นเท่านั้น ตามที่ Li et al. 59 กล่าวไว้ ค่าเกณฑ์ R2 ที่ 0.75 ขึ้นไปถือว่าเป็นตัวทำนายที่ดี ค่าตั้งแต่ 0.5 ถึง 0.75 ถือเป็นประสิทธิภาพของโมเดลที่ยอมรับได้ และค่าต่ำกว่า 0.5 ถือเป็นประสิทธิภาพของโมเดลที่ยอมรับไม่ได้ เมื่อเลือกโมเดลโดยใช้เกณฑ์การประเมินการตรวจสอบ RMSE และ MAE ค่าที่ได้ต่ำกว่าก็เพียงพอและถือว่าเป็นตัวเลือกที่ดีที่สุด สมการต่อไปนี้จะอธิบายวิธีการตรวจสอบ
โดยที่ n แทนขนาดของค่าที่สังเกตได้\({Y}_{i}\) แสดงถึงการตอบสนองที่วัดได้ และ \({\widehat{Y}}_{i}\) ยังแสดงถึงค่าการตอบสนองที่คาดการณ์ไว้ด้วย ดังนั้น จึงใช้ได้สำหรับการสังเกต i ครั้งแรก
คำอธิบายทางสถิติของตัวแปรทำนายและตัวแปรตอบสนองจะแสดงอยู่ในตารางที่ 1 โดยแสดงค่าเฉลี่ย ค่าเบี่ยงเบนมาตรฐาน (SD) ค่าสัมประสิทธิ์การแปรผัน (CV) ค่าต่ำสุด ค่าสูงสุด ค่าเบ้ และความเบ้ ค่าต่ำสุดและค่าสูงสุดของธาตุต่างๆ เรียงตามลำดับจาก Mg < Ca < K < Ni และ Ca < Mg < K < Ni จากมากไปน้อย ตามลำดับ ความเข้มข้นของตัวแปรตอบสนอง (Ni) ที่สุ่มตัวอย่างจากพื้นที่ศึกษาอยู่ในช่วง 4.86 ถึง 42.39 มก./กก. การเปรียบเทียบ Ni กับค่าเฉลี่ยของโลก (29 มก./กก.) และค่าเฉลี่ยของยุโรป (37 มก./กก.) แสดงให้เห็นว่าค่าเฉลี่ยเรขาคณิตที่คำนวณโดยรวมสำหรับพื้นที่ศึกษานั้นอยู่ในช่วงที่ยอมรับได้ อย่างไรก็ตาม ตามที่แสดงโดย Kabata-Pendias11 การเปรียบเทียบความเข้มข้นของนิกเกิลเฉลี่ย (Ni) ในการศึกษาปัจจุบันกับดินทางการเกษตรในสวีเดนแสดงให้เห็นว่าความเข้มข้นของนิกเกิลเฉลี่ยในปัจจุบันสูงกว่า ในทำนองเดียวกัน ความเข้มข้นเฉลี่ยของ Frydek Mistek ในดินในเขตเมืองและชานเมืองใน การศึกษาปัจจุบัน (Ni 16.15 มก./กก.) สูงกว่าขีดจำกัดที่อนุญาตที่ 60 (10.2 มก./กก.) สำหรับ Ni ในดินในเมืองของโปแลนด์ที่รายงานโดย Różański et al นอกจากนี้ Bretzel และ Calderisi61 บันทึกความเข้มข้นของ Ni เฉลี่ยต่ำมาก (1.78 มก./กก.) ในดินในเมืองของทัสคานีเมื่อเทียบกับการศึกษาปัจจุบัน Jim62 ยังพบความเข้มข้นของนิกเกิลที่ต่ำกว่า (12.34 มก./กก.) ในดินในเมืองของฮ่องกง ซึ่งต่ำกว่าความเข้มข้นของนิกเกิลในปัจจุบันในการศึกษาครั้งนี้ Birke et al63 รายงานว่าความเข้มข้นของ Ni เฉลี่ยอยู่ที่ 17.6 มก./กก. ในเขตเหมืองแร่และอุตสาหกรรมในเมืองเก่าในแซกโซนี-อันฮัลท์ ประเทศเยอรมนี ซึ่งสูงกว่าความเข้มข้นของ Ni เฉลี่ยในพื้นที่ (16.15 มก./กก.) 1.45 มก./กก. การวิจัยปัจจุบัน ปริมาณนิกเกิลที่มากเกินไปในดินในเขตเมืองและชานเมืองบางแห่งของพื้นที่ศึกษาอาจเกิดจากอุตสาหกรรมเหล็กและเหล็กกล้าและโลหะเป็นหลัก อุตสาหกรรม ซึ่งสอดคล้องกับการศึกษาวิจัยของ Khodadoust et al. 64 ที่ว่าอุตสาหกรรมเหล็กกล้าและการทำงานโลหะเป็นแหล่งหลักของการปนเปื้อนของนิกเกิลในดิน อย่างไรก็ตาม ตัวทำนายยังมีช่วงตั้งแต่ 538.70 มก./กก. ถึง 69,161.80 มก./กก. สำหรับ Ca, 497.51 มก./กก. ถึง 3,535.68 มก./กก. สำหรับ K และ 685.68 มก./กก. ถึง 5,970.05 มก./กก. สำหรับ Mg Jakovljevic et al. 65 ได้ตรวจสอบปริมาณ Mg และ K ทั้งหมดในดินบริเวณตอนกลางของประเทศเซอร์เบีย พบว่าความเข้มข้นทั้งหมด (410 มก./กก. และ 400 มก./กก. ตามลำดับ) ต่ำกว่าความเข้มข้นของ Mg และ K ของการศึกษาปัจจุบัน ไม่สามารถแยกแยะได้ว่าในโปแลนด์ตะวันออก Orzechowski และ Smolczynski66 ได้ประเมินปริมาณ Ca, Mg และ K ทั้งหมด และแสดงความเข้มข้นเฉลี่ยของ Ca (1,100 มก./กก.), Mg (590 มก./กก.) และ K (810 มก./กก.) ปริมาณในดินชั้นบนต่ำกว่าธาตุเดี่ยวในการศึกษาครั้งนี้ การศึกษาเมื่อเร็วๆ นี้โดย Pongrac และคณะ67 แสดงให้เห็นว่าปริมาณ Ca ทั้งหมดที่วิเคราะห์ในดิน 3 ชนิดที่แตกต่างกันในประเทศสกอตแลนด์ สหราชอาณาจักร (ดิน Mylnefield, ดิน Balruddery และดิน Hartwood) บ่งชี้ว่ามีปริมาณ Ca ที่สูงกว่าในการศึกษาครั้งนี้
เนื่องจากความเข้มข้นที่วัดได้ของธาตุที่สุ่มตัวอย่างต่างกัน การกระจายตัวของชุดข้อมูลของธาตุจึงมีความเบ้ต่างกัน ความเบ้และความโด่งของธาตุต่างๆ มีช่วงตั้งแต่ 1.53 ถึง 7.24 และ 2.49 ถึง 54.16 ตามลำดับ องค์ประกอบที่คำนวณได้ทั้งหมดมีความเบ้และความโด่งในระดับสูงกว่า +1 ซึ่งบ่งชี้ว่าการกระจายตัวของข้อมูลไม่สม่ำเสมอ เบ้ไปในทิศทางที่ถูกต้อง และมีค่าสูงสุด ค่า CV โดยประมาณของธาตุยังแสดงให้เห็นว่า K, Mg และ Ni มีความแปรปรวนปานกลาง ในขณะที่ Ca มีความแปรปรวนสูงมาก ค่า CV ของ K, Ni และ Mg อธิบายการกระจายตัวที่สม่ำเสมอ นอกจากนี้ การกระจายตัวของ Ca ยังมีความไม่สม่ำเสมอ และแหล่งภายนอกอาจส่งผลต่อระดับความเข้มข้นขององค์ประกอบดังกล่าว
ความสัมพันธ์ระหว่างตัวแปรทำนายกับองค์ประกอบการตอบสนองแสดงให้เห็นถึงความสัมพันธ์ที่น่าพอใจระหว่างองค์ประกอบ (ดูรูปที่ 3) ความสัมพันธ์ดังกล่าวบ่งชี้ว่า CaK แสดงความสัมพันธ์ในระดับปานกลาง โดยมีค่า r = 0.53 เช่นเดียวกับ CaNi แม้ว่า Ca และ K แสดงความสัมพันธ์กันในระดับปานกลาง แต่ผู้วิจัยเช่น Kingston และคณะ 68 และ Santo69 แนะนำว่าระดับของธาตุเหล่านี้ในดินนั้นแปรผกผันกัน อย่างไรก็ตาม Ca และ Mg เป็นปฏิปักษ์กับ K แต่ CaK มีความสัมพันธ์กันได้ดี อาจเกิดจากการใช้ปุ๋ย เช่น โพแทสเซียมคาร์บอเนต ซึ่งมีโพแทสเซียมสูงกว่า 56% โพแทสเซียมมีความสัมพันธ์ปานกลางกับแมกนีเซียม (KM r = 0.63) ในอุตสาหกรรมปุ๋ย ทั้งสององค์ประกอบนี้มีความสัมพันธ์กันอย่างใกล้ชิด เนื่องจากโพแทสเซียมแมกนีเซียมซัลเฟต โพแทสเซียมแมกนีเซียมไนเตรต และโพแทชถูกนำไปใช้ในดินเพื่อเพิ่มระดับการขาดธาตุ นิกเกิลมีความสัมพันธ์ปานกลางกับ Ca, K และ Mg โดยมีค่า r = 0.52, 0.63 และ 0.55 ตามลำดับ ความสัมพันธ์ที่เกี่ยวข้องกับแคลเซียม แมกนีเซียม และ PTE เช่น นิกเกิลนั้นซับซ้อน แต่ถึงกระนั้น แมกนีเซียมก็ยับยั้งการดูดซึมแคลเซียม แคลเซียมลดผลกระทบของแมกนีเซียมส่วนเกิน และทั้งแมกนีเซียมและแคลเซียมก็ลดผลกระทบที่เป็นพิษของนิกเกิลในดิน
เมทริกซ์ความสัมพันธ์สำหรับองค์ประกอบที่แสดงความสัมพันธ์ระหว่างตัวทำนายและการตอบสนอง (หมายเหตุ: รูปนี้รวมถึงกราฟแบบกระจายระหว่างองค์ประกอบ ระดับความสำคัญขึ้นอยู่กับ p < 0.001)
รูปที่ 4 แสดงให้เห็นการกระจายเชิงพื้นที่ของธาตุต่างๆ ตามที่ Burgos et al70 กล่าวไว้ การใช้การกระจายเชิงพื้นที่เป็นเทคนิคที่ใช้ในการวัดและเน้นจุดร้อนในพื้นที่ที่มีมลพิษ ระดับความเข้มข้นของแคลเซียมในรูปที่ 4 สามารถมองเห็นได้ในส่วนตะวันตกเฉียงเหนือของแผนที่การกระจายเชิงพื้นที่ รูปแสดงจุดความเข้มข้นของแคลเซียมในระดับปานกลางถึงสูง ความเข้มข้นของแคลเซียมในทิศตะวันตกเฉียงเหนือของแผนที่น่าจะเกิดจากการใช้ปูนขาว (แคลเซียมออกไซด์) เพื่อลดความเป็นกรดของดิน และการใช้ปูนขาวดังกล่าวในโรงงานเหล็กเป็นออกซิเจนที่มีฤทธิ์เป็นด่างในกระบวนการผลิตเหล็ก ในทางกลับกัน เกษตรกรรายอื่นๆ ชอบใช้แคลเซียมไฮดรอกไซด์ในดินที่เป็นกรดเพื่อทำให้ค่า pH เป็นกลาง ซึ่งจะเพิ่มปริมาณแคลเซียมในดินด้วย71 โพแทสเซียมยังแสดงจุดร้อนในทิศตะวันตกเฉียงเหนือและทิศตะวันออกของแผนที่อีกด้วย ทิศตะวันตกเฉียงเหนือเป็นชุมชนเกษตรกรรมหลัก และรูปแบบโพแทสเซียมในระดับปานกลางถึงสูงอาจเกิดจากการใช้ NPK และโพแทช ซึ่งสอดคล้องกับการศึกษาอื่นๆ เช่น Madaras และ Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75 ซึ่งสังเกตเห็นว่าการปรับปรุงสภาพดินและการบำบัดด้วย KCl และ NPK ส่งผลให้มีปริมาณโพแทสเซียมสูงในดิน การเพิ่มปริมาณโพแทสเซียมในเชิงพื้นที่ทางทิศตะวันตกเฉียงเหนือของแผนที่การกระจายอาจเกิดจากการใช้ปุ๋ยที่มีโพแทสเซียมเป็นส่วนประกอบ เช่น โพแทสเซียมคลอไรด์ โพแทสเซียมซัลเฟต โพแทสเซียมไนเตรต โพแทช และโพแทช เพื่อเพิ่มปริมาณโพแทสเซียมในดินที่มีคุณภาพต่ำ Zádorová et al. 76 และ Tlustoš et al. 77 ระบุว่าการใช้ปุ๋ยที่มี K เป็นส่วนประกอบจะทำให้ปริมาณ K ในดินเพิ่มขึ้นและจะเพิ่มปริมาณธาตุอาหารในดินอย่างมีนัยสำคัญในระยะยาว โดยเฉพาะอย่างยิ่ง K และ Mg ที่แสดงจุดร้อนในดินจุดร้อนที่ค่อนข้างปานกลางทางทิศตะวันตกเฉียงเหนือของแผนที่และทิศตะวันออกเฉียงใต้ของแผนที่การตรึงคอลลอยด์ในดินจะทำให้ความเข้มข้นของแมกนีเซียมในดินลดลงการขาดคอลลอยด์ในดินทำให้พืชแสดงอาการคลอโรซิสระหว่างเส้นใบสีเหลืองปุ๋ยที่มีแมกนีเซียมเป็นส่วนประกอบ เช่น โพแทสเซียมแมกนีเซียมซัลเฟต แมกนีเซียมซัลเฟต และคีเซอไรต์ ช่วยรักษาภาวะขาดแมกนีเซียม (พืชมีสีม่วง แดง หรือน้ำตาล ซึ่งบ่งชี้ว่าขาดแมกนีเซียม) ในดินที่มีค่า pH ในช่วงปกติ6การสะสมของนิกเกิลบนพื้นผิวดินในเขตเมืองและรอบเมืองอาจเกิดจากกิจกรรมของมนุษย์ เช่น เกษตรกรรมและความสำคัญของนิกเกิลในการผลิตเหล็กกล้าไร้สนิม78
การกระจายเชิงพื้นที่ขององค์ประกอบ [แผนที่การกระจายเชิงพื้นที่ถูกสร้างขึ้นโดยใช้ ArcGIS Desktop (ESRI, Inc, เวอร์ชัน 10.7, URL: https://desktop.arcgis.com)]
ผลลัพธ์ดัชนีประสิทธิภาพของแบบจำลองสำหรับธาตุที่ใช้ในการศึกษานี้แสดงอยู่ในตารางที่ 2 ในทางกลับกัน RMSE และ MAE ของ Ni ทั้งคู่อยู่ใกล้ศูนย์ (0.86 RMSE, -0.08 MAE) ในทางกลับกัน ค่า RMSE และ MAE ของ K ทั้งสองค่าเป็นที่ยอมรับได้ ผลลัพธ์ RMSE และ MAE มีค่ามากกว่าสำหรับแคลเซียมและแมกนีเซียม ผลลัพธ์ MAE และ RMSE ของ Ca และ K มีค่ามากกว่าเนื่องจากชุดข้อมูลที่แตกต่างกัน พบว่า RMSE และ MAE ของการศึกษานี้โดยใช้ EBK เพื่อคาดการณ์ Ni ดีกว่าผลลัพธ์ของ John et al. 54 ที่ใช้ synergistic kriging เพื่อคาดการณ์ความเข้มข้นของ S ในดินโดยใช้ข้อมูลที่รวบรวมชุดเดียวกัน ผลลัพธ์ EBK ที่เราศึกษามีความสัมพันธ์กับผลลัพธ์ของ 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
ประสิทธิภาพของวิธีการแต่ละวิธีในการทำนายปริมาณนิกเกิลในดินในเขตเมืองและชานเมืองได้รับการประเมินโดยใช้ประสิทธิภาพของแบบจำลอง (ตารางที่ 3) การตรวจสอบความถูกต้องของแบบจำลองและการประเมินความแม่นยำยืนยันว่าตัวทำนาย Ca_Mg_K ที่ใช้ร่วมกับแบบจำลอง EBK SVMR ให้ประสิทธิภาพที่ดีที่สุด แบบจำลองการปรับเทียบ Ca_Mg_K-EBK_SVMR แบบจำลอง R2, ข้อผิดพลาดรากที่สองของค่ากลาง (RMSE) และข้อผิดพลาดสัมบูรณ์เฉลี่ย (MAE) เท่ากับ 0.637 (R2), 95.479 มก./กก. (RMSE) และ 77.368 มก./กก. (MAE) Ca_Mg_K-SVMR เท่ากับ 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 = ร2); ผลลัพธ์ RMSE และ MAE ของพวกเขาสูงกว่าผลลัพธ์ของ Ca_Mg_K-EBK_SVMR (R2 0.637) (ดูตารางที่ 3) นอกจากนี้ RMSE และ MAE ของแบบจำลอง Ca_Mg-EBK_SVMR (RMSE = 1664.64 และ MAE = 1031.49) คือ 17.5 และ 13.4 ตามลำดับ ซึ่งมากกว่าผลลัพธ์ของ Ca_Mg_K-EBK_SVMR ในทำนองเดียวกัน RMSE และ MAE ของแบบจำลอง Ca_Mg-K SVMR (RMSE = 235.974 และ MAE = 166.946) ก็มากกว่าผลลัพธ์ของ RMSE และ MAE ของ Ca_Mg_K-EBK_SVMR 2.5 และ 2.2 ตามลำดับ ผลลัพธ์ RMSE ที่คำนวณได้บ่งชี้ว่าชุดข้อมูลมีความเข้มข้นมากเพียงใดในเส้นที่เหมาะสมที่สุด สังเกตได้ว่า RSME และ MAE สูงขึ้น ตาม Kebonye et al. 46 และ john et al. 54 ยิ่ง RMSE และ MAE ใกล้ศูนย์มากเท่าไร ผลลัพธ์ก็จะดีเท่านั้นSVMR และ EBK_SVMR มีค่า RSME และ MAE ที่ถูกวัดปริมาณได้สูงกว่า พบว่าค่าประมาณของ RSME สูงกว่าค่า MAE อย่างสม่ำเสมอ ซึ่งบ่งชี้ถึงการมีอยู่ของค่าที่ผิดปกติ ตามที่ Legates และ McCabe83 ระบุว่าระดับที่ RMSE เกินค่าข้อผิดพลาดสัมบูรณ์เฉลี่ย (MAE) แนะนำให้ใช้เป็นตัวบ่งชี้การมีอยู่ของค่าที่ผิดปกติ ซึ่งหมายความว่ายิ่งชุดข้อมูลมีความไม่สม่ำเสมอมากเท่าไร ค่า MAE และ RMSE ก็จะยิ่งสูงขึ้นเท่านั้น ความแม่นยำของการประเมินการตรวจสอบแบบไขว้ของแบบจำลองผสม Ca_Mg_K-EBK_SVMR เพื่อทำนายปริมาณ Ni ในดินในเขตเมืองและชานเมืองอยู่ที่ 63.70% ตามที่ Li et al. 59 ระบุว่าระดับความแม่นยำนี้ถือเป็นอัตราประสิทธิภาพของแบบจำลองที่ยอมรับได้ ผลลัพธ์ปัจจุบันนี้ได้รับการเปรียบเทียบกับการศึกษาครั้งก่อนโดย Tarasov et al. 36 ซึ่งโมเดลไฮบริดที่สร้าง MLPRK (Multilayer Perceptron Residual Kriging) ซึ่งเกี่ยวข้องกับดัชนีการประเมินความแม่นยำ EBK_SVMR ที่รายงานในการศึกษาปัจจุบัน RMSE (210) และ MAE (167.5) สูงกว่าผลลัพธ์ของเราในการศึกษาปัจจุบัน (RMSE 95.479, MAE 77.368) อย่างไรก็ตาม เมื่อเปรียบเทียบ R2 ของการศึกษาปัจจุบัน (0.637) กับ R2 ของ Tarasov et al. 36 (0.544) ชัดเจนว่าค่าสัมประสิทธิ์การกำหนด (R2) สูงกว่าในแบบจำลองผสมนี้ ขอบเขตของข้อผิดพลาด (RMSE และ MAE) (EBK SVMR) สำหรับแบบจำลองผสมนั้นต่ำกว่าสองเท่า ในทำนองเดียวกัน Sergeev et al.34 บันทึก 0.28 (R2) สำหรับแบบจำลองไฮบริดที่พัฒนาขึ้น (Multilayer Perceptron Residual Kriging) ในขณะที่ Ni ในการศึกษาปัจจุบันบันทึก 0.637 (R2) ระดับความแม่นยำในการทำนายของแบบจำลองนี้ (EBK SVMR) คือ 63.7% ในขณะที่ความแม่นยำในการทำนายที่ Sergeev et al.34 ได้มาคือ 28% แผนที่สุดท้าย (รูปที่ 5) ที่สร้างขึ้นโดยใช้แบบจำลอง EBK_SVMR และ Ca_Mg_K เป็นตัวทำนายแสดงการทำนายจุดร้อนและระดับปานกลางถึงนิกเกิลในพื้นที่ศึกษาทั้งหมด ซึ่งหมายความว่าความเข้มข้นของนิกเกิลในพื้นที่ศึกษานั้นอยู่ในระดับปานกลางเป็นหลัก โดยมีความเข้มข้นที่สูงกว่าในบางพื้นที่เฉพาะ
แผนที่การทำนายขั้นสุดท้ายจะแสดงโดยใช้โมเดลไฮบริด EBK_SVMR และใช้ Ca_Mg_K เป็นตัวทำนาย [แผนที่การกระจายเชิงพื้นที่ถูกสร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
รูปที่ 6 แสดงความเข้มข้นของ PTE ในระนาบองค์ประกอบที่ประกอบด้วยนิวรอนแต่ละอัน ระนาบองค์ประกอบไม่มีอันใดแสดงรูปแบบสีเดียวกันตามที่แสดง อย่างไรก็ตาม จำนวนนิวรอนที่เหมาะสมต่อแผนที่ที่วาดคือ 55 นิวรอน SeOM ผลิตขึ้นโดยใช้สีต่างๆ และยิ่งรูปแบบสีมีความคล้ายคลึงกันมากเท่าใด คุณสมบัติของตัวอย่างก็จะเปรียบเทียบได้มากขึ้นเท่านั้น ตามมาตราส่วนสีที่แม่นยำ องค์ประกอบแต่ละอัน (Ca, K และ Mg) แสดงรูปแบบสีที่คล้ายคลึงกันกับนิวรอนเดี่ยวที่มีค่าสูง และนิวรอนส่วนใหญ่ที่มีค่าต่ำ ดังนั้น CaK และ CaMg จึงมีความคล้ายคลึงกันกับนิวรอนที่มีลำดับสูงมากและรูปแบบสีต่ำถึงปานกลาง ทั้งสองแบบจำลองทำนายความเข้มข้นของ Ni ในดินโดยแสดงเฉดสีปานกลางถึงสูง เช่น แดง ส้ม และเหลือง แบบจำลอง KMg แสดงรูปแบบสีสูงมากมายตามสัดส่วนที่แม่นยำและจุดสีต่ำถึงปานกลาง ในมาตราส่วนสีที่แม่นยำจากต่ำไปสูง รูปแบบการกระจายแบบระนาบของส่วนประกอบของแบบจำลองแสดงรูปแบบสีสูงซึ่งบ่งชี้ถึงความเข้มข้นที่เป็นไปได้ของนิกเกิลในดิน (ดูรูปที่ 4) แบบจำลอง CakMg ระนาบส่วนประกอบแสดงรูปแบบสีที่หลากหลายจากต่ำไปสูงตามมาตราส่วนสีที่แม่นยำ นอกจากนี้ การทำนายปริมาณนิกเกิล (CakMg) ของแบบจำลองยังคล้ายกับการกระจายเชิงพื้นที่ของนิกเกิลที่แสดงในรูปที่ 5 กราฟทั้งสองแสดงสัดส่วนความเข้มข้นของนิกเกิลในดินในเขตเมืองและชานเมืองในระดับสูง ปานกลาง และต่ำ รูปที่ 7 แสดงวิธีเส้นชั้นความสูงในกลุ่ม k-means บนแผนที่ โดยแบ่งออกเป็น 3 คลัสเตอร์ตามค่าที่ทำนายไว้ในแต่ละแบบจำลอง วิธีเส้นชั้นความสูงแสดงจำนวนคลัสเตอร์ที่เหมาะสมที่สุด จากตัวอย่างดิน 115 ตัวอย่างที่เก็บรวบรวม ประเภท 1 ได้ตัวอย่างดินมากที่สุด คือ 74 ตัวอย่าง คลัสเตอร์ 2 ได้รับตัวอย่าง 33 ตัวอย่าง ในขณะที่คลัสเตอร์ 3 ได้รับตัวอย่าง 8 ตัวอย่าง ชุดตัวทำนายแบบระนาบ 7 องค์ประกอบได้รับการปรับให้เรียบง่ายขึ้นเพื่อให้ตีความคลัสเตอร์ได้อย่างถูกต้อง เนื่องจากกระบวนการทางมนุษย์และทางธรรมชาติจำนวนมากที่ส่งผลต่อการก่อตัวของดิน จึงยากที่จะแยกความแตกต่างระหว่างรูปแบบคลัสเตอร์ได้อย่างถูกต้องในแผนที่ SeOM แบบกระจาย78
เอาท์พุตระนาบส่วนประกอบโดยตัวแปร Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) แต่ละตัว [แผนที่ SeOM ถูกสร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
ส่วนประกอบการจำแนกคลัสเตอร์ที่แตกต่างกัน [แผนที่ SeOM ถูกสร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
การศึกษาปัจจุบันแสดงให้เห็นเทคนิคการสร้างแบบจำลองสำหรับความเข้มข้นของนิกเกิลในดินในเมืองและชานเมืองได้อย่างชัดเจน การศึกษานี้ได้ทดสอบเทคนิคการสร้างแบบจำลองต่างๆ โดยการรวมองค์ประกอบต่างๆ เข้ากับเทคนิคการสร้างแบบจำลอง เพื่อให้ได้แนวทางที่ดีที่สุดในการคาดการณ์ความเข้มข้นของนิกเกิลในดิน ลักษณะเชิงพื้นที่แบบระนาบขององค์ประกอบ SeOM ของเทคนิคการสร้างแบบจำลองแสดงให้เห็นรูปแบบสีสูงจากต่ำไปสูงบนมาตราส่วนสีที่แม่นยำ ซึ่งบ่งชี้ถึงความเข้มข้นของ Ni ในดิน อย่างไรก็ตาม แผนที่การกระจายเชิงพื้นที่ยืนยันการกระจายเชิงพื้นที่แบบระนาบของส่วนประกอบที่แสดงโดย EBK_SVMR (ดูรูปที่ 5) ผลลัพธ์แสดงให้เห็นว่าแบบจำลองการถดถอยของเครื่องเวกเตอร์สนับสนุน (Ca Mg K-SVMR) ทำนายความเข้มข้นของ Ni ในดินเป็นแบบจำลองเดียว แต่พารามิเตอร์การตรวจสอบและการประเมินความแม่นยำแสดงให้เห็นข้อผิดพลาดที่สูงมากในแง่ของ RMSE และ MAE ในทางกลับกัน เทคนิคการสร้างแบบจำลองที่ใช้กับแบบจำลอง EBK_MLR ก็มีข้อบกพร่องเช่นกันเนื่องจากค่าสัมประสิทธิ์การกำหนด (R2) ต่ำ ได้ผลลัพธ์ที่ดีโดยใช้ EBK SVMR และองค์ประกอบรวม ​​(CaKMg) ที่มีค่า RMSE ต่ำ และข้อผิดพลาด MAE ด้วยความแม่นยำ 63.7% ปรากฏว่าการรวมอัลกอริทึม EBK เข้ากับอัลกอริทึมการเรียนรู้ของเครื่องสามารถสร้างอัลกอริทึมไฮบริดที่สามารถคาดการณ์ความเข้มข้นของ PTE ในดินได้ ผลลัพธ์แสดงให้เห็นว่าการใช้ Ca Mg K เป็นตัวทำนายเพื่อคาดการณ์ความเข้มข้นของ Ni ในพื้นที่ศึกษาสามารถปรับปรุงการคาดการณ์ Ni ในดินได้ ซึ่งหมายความว่าการใช้ปุ๋ยที่มีนิกเกิลเป็นส่วนประกอบอย่างต่อเนื่องและมลพิษทางดินจากอุตสาหกรรมโดยอุตสาหกรรมเหล็กมีแนวโน้มที่จะเพิ่มความเข้มข้นของนิกเกิลในดิน การศึกษาครั้งนี้เผยให้เห็นว่าแบบจำลอง EBK สามารถลดระดับข้อผิดพลาดและปรับปรุงความแม่นยำของแบบจำลองการกระจายเชิงพื้นที่ของดินในดินในเขตเมืองหรือชานเมือง โดยทั่วไป เราเสนอให้ใช้แบบจำลอง EBK-SVMR เพื่อประเมินและคาดการณ์ PTE ในดิน นอกจากนี้เรายังเสนอให้ใช้ EBK เพื่อไฮบริดไดซ์กับอัลกอริทึมการเรียนรู้ของเครื่องต่างๆ ความเข้มข้นของ Ni ได้รับการคาดการณ์โดยใช้ธาตุเป็นตัวแปรร่วม อย่างไรก็ตาม การใช้โคเวอเรียตมากขึ้นจะช่วยปรับปรุงประสิทธิภาพของแบบจำลองได้อย่างมาก ซึ่งถือเป็นข้อจำกัดของงานปัจจุบันได้ ข้อจำกัดอีกประการของการศึกษาครั้งนี้คือจำนวนชุดข้อมูลที่มี 115 ชุด ดังนั้น หากมีการจัดเตรียมข้อมูลเพิ่มเติม ก็สามารถปรับปรุงประสิทธิภาพของวิธีการไฮบริดิเซชันที่เหมาะสมที่สุดที่เสนอได้
PlantProbs.net.นิกเกิลในพืชและดิน https://plantprobs.net/plant/nutrientImbalances/sodium.html (เข้าถึงเมื่อ 28 เมษายน 2021)
Kasprzak, KS Nickel ก้าวหน้าในสาขาพิษวิทยาสิ่งแวดล้อมสมัยใหม่ สภาพแวดล้อม พิษวิทยา 11, 145–183 (1987)
Cempel, M. และ Nikel, G. Nickel: การทบทวนแหล่งที่มาและพิษวิทยาสิ่งแวดล้อม Polish J. Environment.Stud.15, 375–382 (2006)
Freedman, B. & Hutchinson, TC การนำมลพิษจากบรรยากาศและการสะสมในดินและพืชพรรณใกล้โรงหลอมนิกเกิล-ทองแดงในเมืองซัดเบอรี รัฐออนแทรีโอ ประเทศแคนาดา can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)
Manyiwa, T. et al. โลหะหนักในดิน พืช และความเสี่ยงที่เกี่ยวข้องกับสัตว์เคี้ยวเอื้องที่กินหญ้าใกล้เหมืองทองแดง-นิกเกิล Selebi-Phikwe ในประเทศบอตสวานา สภาพแวดล้อม ธรณีเคมี สุขภาพ https://doi.org/10.1007/s10653-021-00918-x (2021)
Cabata-Pendias.Kabata-Pendias A. 2011. ธาตุอาหารรองในดินและ… – 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 และ 1995, ไม่ได้กำหนด ผลกระทบของอุตสาหกรรมนิกเกิลของรัสเซียต่อความเข้มข้นของโลหะหนักในดินและหญ้าทางการเกษตรใน Soer-Varanger ประเทศนอร์เวย์ agris.fao.org
Nielsen, GD และคณะ การดูดซึมและการกักเก็บนิกเกิลในน้ำดื่มเกี่ยวข้องกับการบริโภคอาหารและความไวต่อนิกเกิล การประยุกต์ใช้พิษวิทยา เภสัชพลศาสตร์ 154, 67–75 (1999)
Costa, M. & Klein, CB การก่อมะเร็งนิกเกิล การกลายพันธุ์ เอพิเจเนติกส์ หรือการคัดเลือก สภาพแวดล้อม Health Perspective 107, 2 (1999)
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; การวิเคราะห์แนวโน้มขององค์ประกอบที่มีพิษที่อาจเกิดขึ้น: การทบทวนข้อมูลทางบรรณานุกรม ธรณีเคมีสิ่งแวดล้อมและสุขภาพ Springer Science & Business Media BV 2020 https://doi.org/10.1007/s10653-020-00742-9
Minasny, B. และ 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 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%2C+376+pages.+&btnG= (เข้าถึงเมื่อ 28 เมษายน 2021)