Salamat sa pagbisita sa Nature.com. Limitado ang suporta para sa CSS sa bersyon ng browser na iyong ginagamit. Para sa pinakamahusay na karanasan, inirerekomenda namin na gumamit ka ng na-update na browser (o i-off ang compatibility mode sa Internet Explorer). Samantala, upang matiyak ang patuloy na suporta, ipapakita namin ang site nang walang mga estilo at JavaScript.
Ang polusyon sa lupa ay isang malaking problema na dulot ng mga aktibidad ng tao. Ang spatial distribution ng mga potentially toxic elements (PTEs) ay nag-iiba-iba sa karamihan ng mga urban at peri-urban na lugar. Samakatuwid, mahirap hulaan ang spatial na nilalaman ng mga PTE sa mga naturang lupa. Isang kabuuang 115 sample ang nakuha mula sa Frydek Mistek sa Czech Republic. Ang mga konsentrasyon ng calcium (Ca), magnesium (Mg), potassium (K) at nickel (Ni) ay natukoy gamit ang inductively coupled plasma emission spectrometry. Ang response variable ay Ni at ang mga predictor ay Ca, Mg, at K. Ang correlation matrix sa pagitan ng response variable at predictor variable ay nagpapakita ng kasiya-siyang ugnayan sa pagitan ng mga elemento. Ipinakita ng mga resulta ng prediksyon na ang Support Vector Machine Regression (SVMR) ay mahusay na gumanap, bagaman ang tinantyang root mean square error (RMSE) (235.974 mg/kg) at mean absolute error (MAE) (166.946 mg/kg) ay mas mataas kaysa sa iba pang mga pamamaraan na ginamit. Ang mga mixed model para sa Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ay hindi maganda ang pagganap, gaya ng ebidensya. sa pamamagitan ng mga koepisyent ng determinasyon na mas mababa sa 0.1. Ang modelong Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ang pinakamahusay na modelo, na may mababang halaga ng RMSE (95.479 mg/kg) at MAE (77.368 mg/kg) at mataas na koepisyent ng determinasyon (R2 = 0.637). Ang output ng pamamaraan ng pagmomodelo ng EBK-SVMR ay nakikita gamit ang isang self-organizing map. Ang mga clustered neuron sa plane ng hybrid model na CakMg-EBK-SVMR component ay nagpapakita ng maraming pattern ng kulay na humuhula sa mga konsentrasyon ng Ni sa mga lupang urban at peri-urban. Ipinapakita ng mga resulta na ang pagsasama-sama ng EBK at SVMR ay isang epektibong pamamaraan para sa paghula ng mga konsentrasyon ng Ni sa mga lupang urban at peri-urban.
Ang Nickel (Ni) ay itinuturing na isang micronutrient para sa mga halaman dahil nakakatulong ito sa atmospheric nitrogen fixation (N) at urea metabolism, na parehong kinakailangan para sa pagtubo ng buto. Bukod sa kontribusyon nito sa pagtubo ng buto, ang Ni ay maaaring magsilbing fungal at bacterial inhibitor at nagtataguyod ng pag-unlad ng halaman. Ang kakulangan ng nickel sa lupa ay nagbibigay-daan sa halaman na masipsip ito, na nagreresulta sa chlorosis ng mga dahon. Halimbawa, ang mga cowpeas at green beans ay nangangailangan ng aplikasyon ng nickel-based fertilizers upang ma-optimize ang nitrogen fixation2. Ang patuloy na aplikasyon ng nickel-based fertilizers upang pagyamanin ang lupa at mapataas ang kakayahan ng mga legume na mag-ayos ng nitrogen sa lupa ay patuloy na nagpapataas ng konsentrasyon ng nickel sa lupa. Bagama't ang nickel ay isang micronutrient para sa mga halaman, ang labis na paggamit nito sa lupa ay maaaring magdulot ng mas maraming pinsala kaysa sa kabutihan. Ang toxicity ng nickel sa lupa ay nagpapaliit sa pH ng lupa at humahadlang sa pagsipsip ng iron bilang isang mahalagang nutrient para sa paglaki ng halaman1. Ayon kay Liu3, ang Ni ay natuklasang ika-17 mahalagang elemento na kinakailangan para sa pag-unlad at paglaki ng halaman. Bilang karagdagan sa papel ng nickel sa pag-unlad at paglaki ng halaman, kailangan ito ng mga tao para sa iba't ibang aplikasyon. Electroplating, ang produksyon ng nickel-based Ang mga haluang metal, at ang paggawa ng mga ignition device at spark plug sa industriya ng automotive ay pawang nangangailangan ng paggamit ng nickel sa iba't ibang sektor ng industriya. Bukod pa rito, ang mga nickel-based alloy at mga electroplated na artikulo ay malawakang ginagamit sa mga kagamitan sa kusina, mga aksesorya sa ballroom, mga suplay sa industriya ng pagkain, mga kagamitang elektrikal, alambre at kable, mga jet turbine, mga surgical implant, mga tela, at paggawa ng barko.5. Ang mga antas na mayaman sa Ni sa mga lupa (ibig sabihin, mga lupa sa ibabaw) ay maiuugnay sa parehong pinagmumulan ng tao at natural, ngunit pangunahin na, ang Ni ay isang natural na pinagmumulan sa halip na tao4,6. Kabilang sa mga natural na pinagmumulan ng nickel ang mga pagsabog ng bulkan, mga halaman, mga sunog sa kagubatan, at mga prosesong heolohikal; gayunpaman, kabilang sa mga pinagmumulan ng tao ang mga baterya ng nickel/cadmium sa industriya ng bakal, electroplating, arc welding, diesel at fuel oil, at mga emisyon sa atmospera mula sa pagkasunog ng karbon at pagsunog ng basura at putik. Akumulasyon ng nickel7,8.Ayon kina Freedman at Hutchinson9 at Manyiwa et al. 10, ang mga pangunahing pinagmumulan ng polusyon sa ibabaw ng lupa sa agarang at katabing kapaligiran ay pangunahing mga smelter at minahan na nakabase sa nickel-copper. Ang ibabaw na lupa sa paligid ng Sudbury nickel-copper refinery sa Canada ang may pinakamataas na antas ng kontaminasyon ng nickel sa 26,000 mg/kg11. Sa kabaligtaran, ang polusyon mula sa produksyon ng nickel sa Russia ay nagresulta sa mas mataas na konsentrasyon ng nickel sa lupa ng Norway11. Ayon kay Alms et al. 12, ang dami ng HNO3-extractable nickel sa pinakamataas na lupang sakahan sa rehiyon (produksyon ng nickel sa Russia) ay mula 6.25 hanggang 136.88 mg/kg, na katumbas ng mean na 30.43 mg/kg at baseline concentration na 25 mg/kg. Ayon sa kabata 11, ang paglalagay ng phosphorus fertilizers sa mga lupang pang-agrikultura sa mga lungsod o peri-urban na lupa sa magkakasunod na panahon ng pananim ay maaaring magdulot o makahawa sa lupa. Ang mga potensyal na epekto ng nickel sa mga tao ay maaaring humantong sa kanser sa pamamagitan ng mutagenesis, pinsala sa chromosome, pagbuo ng Z-DNA, naharang na pagkukumpuni ng DNA excision, o mga prosesong epigenetic13. Sa mga eksperimento sa hayop, natuklasang may potensyal ang nickel na magdulot ng iba't ibang tumor, at ang mga carcinogenic nickel complex ay maaaring magpalala sa mga naturang tumor.
Ang mga pagtatasa ng kontaminasyon sa lupa ay umunlad nitong mga nakaraang panahon dahil sa malawak na hanay ng mga isyung may kaugnayan sa kalusugan na nagmumula sa mga ugnayan ng lupa-halaman, mga ugnayan sa lupa at lupa, degradasyon sa ekolohiya, at pagtatasa ng epekto sa kapaligiran. Sa ngayon, ang spatial prediction ng mga potensyal na nakalalasong elemento (PTE) tulad ng Ni sa lupa ay naging matrabaho at matagal gamit ang mga tradisyonal na pamamaraan. Ang pagdating ng digital soil mapping (DSM) at ang kasalukuyang tagumpay nito15 ay lubos na nagpabuti sa predictive soil mapping (PSM). Ayon kina Minasny at McBratney16, ang predictive soil mapping (DSM) ay napatunayang isang kilalang subdisiplina ng agham ng lupa. Tinukoy nina Lagacherie at McBratney, 2006 ang DSM bilang "ang paglikha at pagpuno ng mga spatial soil information system sa pamamagitan ng paggamit ng mga in situ at laboratory observational methods at spatial at non-spatial soil inference systems".McBratney et al. Binabalangkas ng 17 na ang kontemporaryong DSM o PSM ang pinakamabisang pamamaraan para sa paghula o pagmamapa ng spatial distribution ng mga PTE, uri ng lupa, at mga katangian ng lupa. Ang Geostatistics at Machine Learning Algorithms (MLA) ay mga pamamaraan sa pagmomodelo ng DSM na lumilikha ng mga digitized na mapa sa tulong ng mga computer gamit ang makabuluhan at kaunting datos.
Tinutukoy nina Deutsch18 at Olea19 ang geostatistics bilang "ang koleksyon ng mga numerical na pamamaraan na tumatalakay sa representasyon ng mga spatial na katangian, pangunahin na gumagamit ng mga stochastic na modelo, tulad ng kung paano kinikilala ng time series analysis ang temporal na datos." Pangunahin, ang geostatistics ay kinabibilangan ng pagsusuri ng mga variogram, na nagbibigay-daan sa Quantify at tukuyin ang mga dependency ng mga spatial na halaga mula sa bawat dataset20. Inilalarawan pa nina Gumiaux et al. 20 na ang pagsusuri ng mga variogram sa geostatistics ay batay sa tatlong prinsipyo, kabilang ang (a) pagkalkula ng laki ng ugnayan ng datos, (b) pagtukoy at pagkalkula ng anisotropy sa disparity ng dataset at (c) bilang karagdagan sa. Bukod sa pagsasaalang-alang sa likas na error ng datos ng pagsukat na nakahiwalay sa mga lokal na epekto, tinatantya rin ang mga epekto sa lugar. Batay sa mga konseptong ito, maraming pamamaraan ng interpolasyon ang ginagamit sa geostatistics, kabilang ang pangkalahatang kriging, co-kriging, ordinaryong kriging, empirical Bayesian kriging, simpleng pamamaraan ng kriging at iba pang kilalang pamamaraan ng interpolasyon upang imapa o mahulaan ang PTE, mga katangian ng lupa, at mga uri ng lupa.
Ang Machine Learning Algorithms (MLA) ay isang medyo bagong pamamaraan na gumagamit ng mas malalaking non-linear na klase ng datos, na pinapagana ng mga algorithm na pangunahing ginagamit para sa data mining, pagtukoy ng mga pattern sa datos, at paulit-ulit na inilalapat sa klasipikasyon sa mga siyentipikong larangan tulad ng agham ng lupa at mga gawain sa pagbabalik. Maraming mga papel sa pananaliksik ang umaasa sa mga modelo ng MLA upang mahulaan ang PTE sa mga lupa, tulad nina Tan et al. 22 (random forests para sa pagtatantya ng heavy metal sa mga lupang pang-agrikultura), Sakizadeh et al. 23 (pagmomodelo gamit ang mga support vector machine at artipisyal na neural network) polusyon sa lupa). Bilang karagdagan, sina Vega et al. 24 (CART para sa pagmomodelo ng pagpapanatili at adsorption ng heavy metal sa lupa) Sun et al. 25 (ang aplikasyon ng cubist ay ang distribusyon ng Cd sa lupa) at iba pang mga algorithm tulad ng k-nearest neighbor, generalized boosted regression, at boosted regression. Inilapat din ng Trees ang MLA upang mahulaan ang PTE sa lupa.
Ang aplikasyon ng mga algorithm ng DSM sa prediksyon o pagmamapa ay nahaharap sa ilang mga hamon. Naniniwala ang maraming may-akda na ang MLA ay nakahihigit sa geostatistics at vice versa. Bagama't ang isa ay mas mahusay kaysa sa isa, ang kombinasyon ng dalawa ay nagpapabuti sa antas ng katumpakan ng pagmamapa o prediksyon sa DSM15. Nagkomento sina Woodcock at Gopal26 Finke27; Pontius at Cheuk28 at Grunwald29 tungkol sa mga kakulangan at ilang mga pagkakamali sa hinulaang pagmamapa ng lupa. Sinubukan ng mga siyentipiko sa lupa ang iba't ibang mga pamamaraan upang ma-optimize ang pagiging epektibo, katumpakan, at kakayahang mahulaan ng pagmamapa at pagtataya ng DSM. Ang kumbinasyon ng kawalan ng katiyakan at pag-verify ay isa sa maraming iba't ibang aspeto na isinama sa DSM upang ma-optimize ang pagiging epektibo at mabawasan ang mga depekto. Gayunpaman, binabalangkas nina Agyeman et al. 15 na ang pag-uugali ng pagpapatunay at kawalan ng katiyakan na ipinakilala ng paglikha at prediksyon ng mapa ay dapat na ma-validate nang nakapag-iisa upang mapabuti ang kalidad ng mapa. Ang mga limitasyon ng DSM ay dahil sa kalidad ng lupa na nakakalat sa heograpiya, na kinabibilangan ng isang bahagi ng kawalan ng katiyakan; Gayunpaman, ang kakulangan ng katiyakan sa DSM ay maaaring magmula sa maraming pinagmumulan ng error, katulad ng covariate error, model error, location error, at analytical Error 31. Ang mga kamalian sa pagmomodelo na dulot ng MLA at mga prosesong geostatistical ay nauugnay sa kakulangan ng pag-unawa, na sa huli ay humahantong sa labis na pagpapasimple ng totoong proseso32. Anuman ang uri ng pagmomodelo, ang mga kamalian ay maaaring maiugnay sa mga parameter ng pagmomodelo, mga hula sa matematikal na modelo, o interpolasyon33. Kamakailan lamang, isang bagong trend sa DSM ang lumitaw na nagtataguyod ng pagsasama ng geostatistics at MLA sa pagmamapa at pagtataya. Maraming siyentipiko at may-akda sa lupa, tulad nina Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 at Tarasov et al. 37 ang nagsamantala sa tumpak na kalidad ng geostatistics at machine learning upang makabuo ng mga hybrid na modelo na nagpapabuti sa kahusayan ng pagtataya at pagmamapa. kalidad. Ang ilan sa mga hybrid o pinagsamang modelo ng algorithm na ito ay ang 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 at Co-Kriging at Gaussian Process Regression38.
Ayon kay Sergeev et al., ang pagsasama-sama ng iba't ibang pamamaraan ng pagmomodelo ay may potensyal na alisin ang mga depekto at mapataas ang kahusayan ng nagreresultang hybrid model sa halip na bumuo ng iisang modelo nito. Sa kontekstong ito, ikinakatuwiran ng bagong papel na ito na kinakailangang maglapat ng pinagsamang algorithm ng geostatistics at MLA upang lumikha ng pinakamainam na hybrid models upang mahulaan ang pagpapayaman ng Ni sa mga urban at peri-urban na lugar. Ang pag-aaral na ito ay aasa sa Empirical Bayesian Kriging (EBK) bilang base model at ihalo ito sa Support Vector Machine (SVM) at Multiple Linear Regression (MLR) models. Hindi pa alam ang hybridization ng EBK sa anumang MLA. Ang mga multiple mixed models na nakikita ay mga kombinasyon ng ordinary, residual, regression kriging, at MLA. Ang EBK ay isang geostatistical interpolation method na gumagamit ng spatially stochastic process na naisalokal bilang isang non-stationary/stationary random field na may tinukoy na localization parameters sa field, na nagpapahintulot sa spatial variation39. Ginamit ang EBK sa iba't ibang pag-aaral, kabilang ang pagsusuri sa distribusyon ng organic carbon sa mga lupang sakahan40, pagtatasa ng polusyon sa lupa41 at pagmamapa ng lupa. mga katangian42.
Sa kabilang banda, ang Self-Organizing Graph (SeOM) ay isang learning algorithm na inilapat sa iba't ibang artikulo tulad nina Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 at Kebonye et al. 46. Tukuyin ang mga spatial na katangian at pagpapangkat ng mga elemento. Binalangkas nina Wang et al. 44 na ang SeOM ay isang makapangyarihang pamamaraan sa pagkatuto na kilala sa kakayahang pangkatin at isipin ang mga non-linear na problema. Hindi tulad ng ibang mga pamamaraan sa pagkilala ng pattern tulad ng principal component analysis, fuzzy clustering, hierarchical clustering, at multi-criteria decision making, ang SeOM ay mas mahusay sa pag-oorganisa at pagtukoy ng mga PTE pattern. Ayon kay Wang et al. 44, maaaring pangkatin ng SeOM ang distribusyon ng mga kaugnay na neuron sa spatial na paraan at magbigay ng high-resolution data visualization. Ipapakita ng SeOM ang Ni prediction data upang makuha ang pinakamahusay na modelo upang makilala ang mga resulta para sa direktang interpretasyon.
Nilalayon ng papel na ito na bumuo ng isang matatag na modelo ng pagmamapa na may pinakamainam na katumpakan para sa paghula ng nilalaman ng nickel sa mga lupang urban at peri-urban. Ipinapalagay namin na ang pagiging maaasahan ng halo-halong modelo ay pangunahing nakasalalay sa impluwensya ng iba pang mga modelo na nakakabit sa base model. Kinikilala namin ang mga hamong kinakaharap ng DSM, at habang ang mga hamong ito ay tinutugunan sa maraming aspeto, ang kombinasyon ng mga pagsulong sa geostatistics at mga modelo ng MLA ay tila unti-unti; samakatuwid, susubukan naming sagutin ang mga tanong sa pananaliksik na maaaring magbunga ng halo-halong mga modelo. Gayunpaman, gaano katumpakan ang modelo sa paghula ng target na elemento? Gayundin, ano ang antas ng pagsusuri ng kahusayan batay sa pagpapatunay at pagsusuri ng katumpakan? Samakatuwid, ang mga partikular na layunin ng pag-aaral na ito ay (a) lumikha ng isang pinagsamang modelo ng halo para sa SVMR o MLR gamit ang EBK bilang base model, (b) ihambing ang mga nagresultang modelo (c) imungkahi ang pinakamahusay na modelo ng halo para sa paghula ng mga konsentrasyon ng Ni sa mga lupang urban o peri-urban, at (d) ang aplikasyon ng SeOM upang lumikha ng isang high-resolution na mapa ng pagkakaiba-iba ng spatial ng nickel.
Isinasagawa ang pag-aaral sa Czech Republic, partikular sa distrito ng Frydek Mistek sa rehiyon ng Moravia-Silesian (tingnan ang Larawan 1). Ang heograpiya ng lugar na pinag-aaralan ay napaka-mabatong at kadalasang bahagi ng rehiyon ng Moravia-Silesian Beskidy, na bahagi ng panlabas na gilid ng Carpathian Mountains. Ang lugar na pinag-aaralan ay matatagpuan sa pagitan ng 49° 41′ 0′ N at 18° 20′ 0′ E, at ang altitud ay nasa pagitan ng 225 at 327 m; Gayunpaman, ang sistema ng klasipikasyon ng Koppen para sa klimatikong estado ng rehiyon ay na-rate bilang Cfb = katamtamang klima sa karagatan. Maraming ulan kahit sa mga tuyong buwan. Ang mga temperatura ay bahagyang nag-iiba sa buong taon sa pagitan ng −5 °C at 24 °C, bihirang bumaba sa ibaba ng −14 °C o higit sa 30 °C, habang ang average na taunang presipitasyon ay nasa pagitan ng 685 at 752 mm47. Ang tinantyang lawak ng survey ng buong lugar ay 1,208 kilometro kuwadrado, na may 39.38% ng lupang sinasaka at 49.36% ng sakop ng kagubatan. Sa kabilang banda, ang lawak na ginamit sa pag-aaral na ito ay humigit-kumulang 889.8 kilometro kuwadrado. Sa at sa paligid ng Ostrava, ang industriya ng bakal at mga pagawaan ng metal ay napaka-aktibo. Ang mga metal mill, ang industriya ng bakal kung saan ginagamit ang nickel sa mga hindi kinakalawang na bakal (hal. para sa paglaban sa atmospheric corrosion) at mga alloy steel (pinapataas ng nickel ang lakas ng alloy habang pinapanatili ang mahusay na ductility at toughness nito), at ang masinsinang agrikultura tulad ng aplikasyon ng phosphate fertilizer at produksyon ng mga hayop ay mga potensyal na mapagkukunan ng nickel sa pananaliksik. rehiyon (hal., pagdaragdag ng nickel sa mga kordero upang mapataas ang mga rate ng paglaki ng mga kordero at mga baka na kulang sa pagkain). Ang iba pang mga pang-industriya na gamit ng nickel sa mga lugar ng pananaliksik ay kinabibilangan ng paggamit nito sa electroplating, kabilang ang electroplating nickel at mga proseso ng electroless nickel plating. Ang mga katangian ng lupa ay madaling makilala mula sa kulay, istraktura, at nilalaman ng lupa. Ang tekstura ng lupa ay katamtaman hanggang pino, na nagmula sa materyal na magulang. Ang mga ito ay colluvial, alluvial o aeolian sa kalikasan. Ang ilang mga lugar ng lupa ay lumilitaw na may mga batik-batik sa ibabaw at ilalim ng lupa, kadalasang may kongkreto at pagpapaputi. Gayunpaman, ang mga cambisol at stagnosol ang pinakakaraniwang uri ng lupa sa rehiyon48. Sa mga elevation na mula 455.1 hanggang 493.5 m, ang mga cambisol ang nangingibabaw sa Czech Republic49.
Mapa ng lugar ng pag-aaral [Ang mapa ng lugar ng pag-aaral ay ginawa gamit ang ArcGIS Desktop (ESRI, Inc, bersyon 10.7, URL: https://desktop.arcgis.com).]
Isang kabuuang 115 na sample ng topsoil ang nakuha mula sa mga lupang urban at peri-urban sa distrito ng Frydek Mistek. Ang sample pattern na ginamit ay isang regular na grid na may mga sample ng lupa na may pagitan na 2 × 2 km, at ang topsoil ay sinukat sa lalim na 0 hanggang 20 cm gamit ang isang handheld GPS device (Leica Zeno 5 GPS). Ang mga sample ay nakabalot sa mga Ziploc bag, wastong nilagyan ng label, at ipinadala sa laboratoryo. Ang mga sample ay pinatuyo sa hangin upang makagawa ng mga dinurog na sample, dinurog gamit ang isang mekanikal na sistema (Fritsch disc mill), at sinala (laki ng salaan na 2 mm). Maglagay ng 1 gramo ng pinatuyong, homogenized, at sinalang mga sample ng lupa sa mga bote ng teflon na may malinaw na label. Sa bawat sisidlan ng Teflon, maglagay ng 7 ml ng 35% HCl at 3 ml ng 65% HNO3 (gamit ang isang awtomatikong dispenser – isa para sa bawat acid), takpan nang bahagya at hayaang tumayo ang mga sample nang magdamag para sa reaksyon (aqua regia program). Ilagay ang supernatant sa isang mainit na metal plate (temperatura: 100 W at (160 °C) sa loob ng 2 oras upang mapadali ang proseso ng pagtunaw ng mga sample, pagkatapos ay palamigin. Ilipat ang supernatant sa isang 50 ml volumetric flask at palabnawin sa 50 ml gamit ang deionized na tubig. Pagkatapos nito, salain ang diluted supernatant sa isang 50 ml PVC tube na may deionized na tubig. Bukod pa rito, 1 ml ng dilution solution ay diluted na may 9 ml ng deionized na tubig at sinala sa isang 12 ml tube na inihanda para sa PTE pseudo-concentration. Ang mga konsentrasyon ng PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ay tinukoy gamit ang ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ayon sa mga karaniwang pamamaraan at kasunduan. Tiyakin ang mga pamamaraan ng Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil). Ang mga PTE na may mga limitasyon sa pagtuklas na mas mababa sa kalahati ay hindi isinama sa pag-aaral na ito. Ang limitasyon sa pagtuklas ng PTE na ginamit sa pag-aaral na ito ay 0.0004.(ikaw).Bilang karagdagan, ang proseso ng pagkontrol sa kalidad at pagtiyak ng kalidad para sa bawat pagsusuri ay tinitiyak sa pamamagitan ng pagsusuri ng mga pamantayang sanggunian.Upang matiyak na mababawasan ang mga pagkakamali, isang dobleng pagsusuri ang isinagawa.
Ang Empirical Bayesian Kriging (EBK) ay isa sa maraming geostatistical interpolation techniques na ginagamit sa pagmomodelo sa magkakaibang larangan tulad ng agham ng lupa. Hindi tulad ng ibang kriging interpolation techniques, ang EBK ay naiiba sa tradisyonal na kriging methods sa pamamagitan ng pagsasaalang-alang sa error na tinantya ng semivariogram model. Sa EBK interpolation, maraming semivariogram models ang kinukuwenta habang interpolation, sa halip na isang semivariogram. Ang interpolation techniques ay nagbibigay-daan para sa uncertainty at programming na nauugnay sa plotting na ito ng semivariogram na bumubuo ng isang napakakumplikadong bahagi ng isang sapat na kriging method. Ang proseso ng interpolation ng EBK ay sumusunod sa tatlong pamantayan na iminungkahi ni Krivoruchko50, (a) tinatantya ng modelo ang semivariogram mula sa input dataset (b) ang bagong hinulaang halaga para sa bawat lokasyon ng input dataset batay sa nabuong semivariogram at (c) ang pangwakas na A model ay kinukuwenta mula sa isang simulated dataset. Ang Bayesian equation rule ay ibinibigay bilang isang posterior
Kung saan ang \(Prob\left(A\right)\) ay kumakatawan sa prior, ang \(Prob\left(B\right)\) marginal probability ay binabalewala sa karamihan ng mga kaso, \(Prob (B,A)\). Ang pagkalkula ng semivariogram ay batay sa panuntunan ni Bayes, na nagpapakita ng posibilidad ng mga dataset ng obserbasyon na maaaring malikha mula sa mga semivariogram. Ang halaga ng semivariogram ay tinutukoy gamit ang panuntunan ni Bayes, na nagsasaad kung gaano ito malamang na lumikha ng isang dataset ng mga obserbasyon mula sa semivariogram.
Ang support vector machine ay isang machine learning algorithm na bumubuo ng isang optimal separating hyperplane upang makilala ang magkapareho ngunit hindi linearly independent na mga klase. Nilikha ni Vapnik51 ang intent classification algorithm, ngunit kamakailan lamang ito ay ginamit upang malutas ang mga problemang nakatuon sa regression. Ayon kay Li et al.52, ang SVM ay isa sa mga pinakamahusay na pamamaraan ng classifier at ginamit sa iba't ibang larangan. Ang regression component ng SVM (Support Vector Machine Regression – SVMR) ang ginamit sa pagsusuring ito. Pinangunahan nina Cherkassky at Mulier53 ang SVMR bilang isang kernel-based regression, na ang pagkalkula ay isinagawa gamit ang isang linear regression model na may multi-country spatial functions. Iniulat nina John et al.54 na ang SVMR modeling ay gumagamit ng hyperplane linear regression, na lumilikha ng mga nonlinear na relasyon at nagbibigay-daan para sa mga spatial function. Ayon kay Vohland et al. Sa Fig. 55, ginagamit ng epsilon (ε)-SVMR ang sinanay na dataset upang makakuha ng isang representation model bilang isang epsilon-insensitive function na inilalapat upang imapa ang data nang nakapag-iisa gamit ang pinakamahusay na epsilon bias mula sa pagsasanay sa correlated data. Ang preset distance error ay hindi pinapansin mula sa aktwal na halaga, at kung ang error ay mas malaki kaysa sa ε(ε), binabayaran ito ng mga katangian ng lupa. Binabawasan din ng modelo ang complexity ng training data sa isang mas malawak na subset ng mga support vector. Ang equation na iminungkahi ni Vapnik51 ay ipinapakita sa ibaba.
kung saan ang b ay kumakatawan sa scalar threshold, ang \(K\left({x}_{,}{ x}_{k}\right)\) ay kumakatawan sa kernel function, ang \(\alpha\) ay kumakatawan sa Lagrange multiplier, ang N ay kumakatawan sa isang numeric dataset, ang \({x}_{k}\) ay kumakatawan sa data input, at ang \(y\) ay ang data output. Isa sa mga pangunahing kernel na ginamit ay ang SVMR operation, na isang Gaussian radial basis function (RBF). Ang RBF kernel ay inilapat upang matukoy ang pinakamainam na SVMR model, na mahalaga upang makuha ang pinaka-banayad na penalty set factor C at kernel parameter gamma (γ) para sa PTE training data. Una, sinuri namin ang training set at pagkatapos ay sinubukan ang performance ng modelo sa validation set. Ang steering parameter na ginamit ay sigma at ang method value ay svmRadial.
Ang multiple linear regression model (MLR) ay isang regression model na kumakatawan sa ugnayan sa pagitan ng response variable at ng ilang predictor variable gamit ang linear pooled parameters na kinalkula gamit ang least squares method. Sa MLR, ang least squares model ay isang predictive function ng mga katangian ng lupa pagkatapos pumili ng mga explanatory variable. Kinakailangang gamitin ang tugon upang magtatag ng linear na relasyon gamit ang mga explanatory variable. Ginamit ang PTE bilang response variable upang magtatag ng linear na relasyon sa mga explanatory variable. Ang MLR equation ay
kung saan ang y ay ang response variable, ang \(a\) ay ang intercept, ang n ay ang bilang ng mga predictor, ang \({b}_{1}\) ay ang partial regression ng mga coefficients, ang \({x}_{ i}\) ay kumakatawan sa isang predictor o explanatory variable, at ang \({\varepsilon }_{i}\) ay kumakatawan sa error sa modelo, na kilala rin bilang residual.
Ang mga pinaghalong modelo ay nakuha sa pamamagitan ng pagsasama-sama ng EBK sa SVMR at MLR. Ginagawa ito sa pamamagitan ng pagkuha ng mga hinulaang halaga mula sa interpolation ng EBK. Ang mga hinulaang halaga na nakuha mula sa interpolated na Ca, K, at Mg ay nakuha sa pamamagitan ng isang prosesong kombinatoryal upang makakuha ng mga bagong baryabol, tulad ng CaK, CaMg, at KMg. Ang mga elementong Ca, K at Mg ay pinagsama upang makakuha ng pang-apat na baryabol, ang CaKMg. Sa pangkalahatan, ang mga baryabol na nakuha ay Ca, K, Mg, CaK, CaMg, KMg at CaKMg. Ang mga baryabol na ito ang naging aming mga predictor, na nakatulong upang mahulaan ang mga konsentrasyon ng nickel sa mga lupang urban at peri-urban. Ang algorithm ng SVMR ay isinagawa sa mga predictor upang makakuha ng isang pinaghalong modelo na Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Katulad nito, ang mga baryabol ay ipinapadala rin sa algorithm ng MLR upang makakuha ng isang pinaghalong modelo na Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Karaniwan, ang mga baryabol na Ca, K, Mg, Ang CaK, CaMg, KMg, at CaKMg ay ginagamit bilang mga covariate bilang predictor ng nilalaman ng Ni sa mga lupang urban at peri-urban. Ang pinaka-katanggap-tanggap na modelo na nakuha (EBK_SVM o EBK_MLR) ay ipapakita gamit ang isang self-organizing graph. Ang daloy ng trabaho ng pag-aaral na ito ay ipinapakita sa Figure 2.
Ang paggamit ng SeOM ay naging isang popular na kagamitan para sa pag-oorganisa, pagsusuri, at pagtataya ng datos sa sektor ng pananalapi, pangangalagang pangkalusugan, industriya, estadistika, agham ng lupa, at marami pang iba. Ang SeOM ay nilikha gamit ang mga artipisyal na neural network at mga hindi pinangangasiwaang pamamaraan ng pagkatuto para sa organisasyon, pagsusuri, at prediksyon. Sa pag-aaral na ito, ginamit ang SeOM upang mailarawan ang mga konsentrasyon ng Ni batay sa pinakamahusay na modelo para sa paghula ng Ni sa mga lupang urban at peri-urban. Ang datos na naproseso sa pagsusuri ng SeOM ay ginagamit bilang n input-dimensional vector variables43,56. Melssen et al. Inilalarawan ng 57 ang koneksyon ng isang input vector sa isang neural network sa pamamagitan ng isang input layer patungo sa isang output vector na may isang weight vector. Ang output na nabuo ng SeOM ay isang two-dimensional na mapa na binubuo ng iba't ibang neuron o node na hinabi sa hexagonal, circular, o square topological maps ayon sa kanilang kalapitan. Sa paghahambing ng mga laki ng mapa batay sa metric, quantization error (QE) at topographic error (TE), ang SeOM model na may 0.086 at 0.904, ayon sa pagkakabanggit, ay napili, na isang 55-map unit (5 × 11). Ang istruktura ng neuron ay tinutukoy ayon sa bilang ng mga node sa empirical equation.
Ang bilang ng datos na ginamit sa pag-aaral na ito ay 115 na sample. Isang random na pamamaraan ang ginamit upang hatiin ang datos sa test data (25% para sa validation) at training datasets (75% para sa calibration). Ang training dataset ay ginagamit upang bumuo ng regression model (calibration), at ang test dataset ay ginagamit upang beripikahin ang kakayahan sa generalization.58 Ginawa ito upang masuri ang pagiging angkop ng iba't ibang modelo para sa paghula ng nickel content sa mga lupa. Ang lahat ng modelong ginamit ay dumaan sa sampung beses na proseso ng cross-validation, na inulit nang limang beses. Ang mga variable na ginawa ng EBK interpolation ay ginagamit bilang mga predictor o explanatory variable upang mahulaan ang target variable (PTE). Ang pagmomodelo ay hinahawakan sa RStudio gamit ang mga package na library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) at mga library (“Metrics”).
Ginamit ang iba't ibang parametro ng pagpapatunay upang matukoy ang pinakamahusay na modelo na angkop para sa paghula ng mga konsentrasyon ng nickel sa lupa at upang masuri ang katumpakan ng modelo at ang pagpapatunay nito. Sinuri ang mga modelo ng hybridization gamit ang mean absolute error (MAE), root mean square error (RMSE), at R-squared o coefficient determination (R2). Tinutukoy ng R2 ang variance ng mga proporsyon sa sagot, na kinakatawan ng regression model. Inilalarawan ng RMSE at variance magnitude sa mga independent measure ang predictive power ng modelo, habang tinutukoy ng MAE ang aktwal na quantitative value. Dapat mataas ang halaga ng R2 upang masuri ang pinakamahusay na modelo ng halo gamit ang mga parametro ng pagpapatunay, mas malapit ang halaga sa 1, mas mataas ang katumpakan. Ayon kay Li et al. 59, ang halaga ng R2 criterion na 0.75 o mas mataas ay itinuturing na isang mahusay na predictor; mula 0.5 hanggang 0.75 ay katanggap-tanggap na pagganap ng modelo, at mas mababa sa 0.5 ay hindi katanggap-tanggap na pagganap ng modelo. Kapag pumipili ng modelo gamit ang mga pamamaraan ng pagsusuri ng RMSE at MAE validation criteria, ang mas mababang mga halagang nakuha ay sapat at itinuturing na pinakamahusay na pagpipilian. Inilalarawan ng sumusunod na equation ang paraan ng pagpapatunay.
kung saan ang n ay kumakatawan sa laki ng naobserbahang halaga\({Y}_{i}\) ay kumakatawan sa nasukat na tugon, at ang \({\widehat{Y}}_{i}\) ay kumakatawan din sa hinulaang halaga ng tugon, samakatuwid, para sa unang i na obserbasyon.
Ang mga istatistikal na paglalarawan ng mga predictor at response variable ay ipinapakita sa Table 1, na nagpapakita ng mean, standard deviation (SD), coefficient of variation (CV), minimum, maximum, kurtosis, at skewness. Ang minimum at maximum na halaga ng mga elemento ay nasa decreasing order ng Mg < Ca < K < Ni at Ca < Mg < K < Ni, ayon sa pagkakabanggit. Ang mga konsentrasyon ng response variable (Ni) na kinuha mula sa lugar ng pag-aaral ay mula 4.86 hanggang 42.39 mg/kg. Ang paghahambing ng Ni sa world average (29 mg/kg) at European average (37 mg/kg) ay nagpakita na ang pangkalahatang kalkuladong geometric mean para sa lugar ng pag-aaral ay nasa loob ng tolerable range. Gayunpaman, tulad ng ipinakita ni Kabata-Pendias11, ang paghahambing ng average na konsentrasyon ng nickel (Ni) sa kasalukuyang pag-aaral sa mga lupang pang-agrikultura sa Sweden ay nagpapakita na ang kasalukuyang average na konsentrasyon ng nickel ay mas mataas. Gayundin, ang mean concentration ng Frydek Mistek sa mga urban at peri-urban na lupa sa kasalukuyang pag-aaral (Ni 16.15 mg/kg) ay mas mataas kaysa sa pinapayagang limitasyon. ng 60 (10.2 mg/kg) para sa Ni sa mga lupang urbano ng Poland na iniulat nina Różański et al. Bukod pa rito, sina Bretzel at Calderisi61 ay nakapagtala ng napakababang mean Ni concentrations (1.78 mg/kg) sa mga lupang urbano sa Tuscany kumpara sa kasalukuyang pag-aaral. Natagpuan din ni Jim62 ang mas mababang konsentrasyon ng nickel (12.34 mg/kg) sa mga lupang urbano ng Hong Kong, na mas mababa kaysa sa kasalukuyang konsentrasyon ng nickel sa pag-aaral na ito. Iniulat nina Birke et al63 ang average na konsentrasyon ng Ni na 17.6 mg/kg sa isang lumang lugar ng pagmimina at industriyal sa urbano sa Saxony-Anhalt, Germany, na 1.45 mg/kg na mas mataas kaysa sa average na konsentrasyon ng Ni sa lugar (16.15 mg/kg). Kasalukuyang pananaliksik. Ang labis na nilalaman ng nickel sa mga lupa sa ilang mga urbano at suburbanong lugar ng lugar ng pag-aaral ay maaaring pangunahing maiugnay sa industriya ng bakal at bakal at industriya ng metal. Ito ay naaayon sa pag-aaral nina Khodadoust et al. 64 na ang industriya ng bakal at paggawa ng metal ang pangunahing pinagmumulan ng kontaminasyon ng nickel sa mga lupa. Gayunpaman, ang mga predictor ay mula 538.70 mg/kg hanggang 69,161.80 mg/kg para sa Ca, 497.51 mg/kg hanggang 3535.68 mg/kg para sa K, at 685.68 mg/kg hanggang 5970.05 mg/kg para sa Mg. Jakovljevic et al. Sinuri ng 65 ang kabuuang nilalaman ng Mg at K ng mga lupa sa gitnang Serbia. Natuklasan nila na ang kabuuang konsentrasyon (410 mg/kg at 400 mg/kg, ayon sa pagkakabanggit) ay mas mababa kaysa sa konsentrasyon ng Mg at K ng kasalukuyang pag-aaral. Hindi mapagkaiba, sa silangang Poland, sinuri nina Orzechowski at Smolczynski66 ang kabuuang nilalaman ng Ca, Mg at K at nagpakita ng average na konsentrasyon ng Ca (1100 mg/kg), Mg (590 mg/kg) at K (810 mg/kg). Ang nilalaman sa topsoil ay mas mababa kaysa sa nag-iisang elemento sa pag-aaral na ito. Ipinakita ng isang kamakailang pag-aaral nina Pongrac et al. 67 na ang kabuuang nilalaman ng Ca na sinuri sa 3 magkakaibang lupa sa Scotland, UK (lupa ng Mylnefield, lupa ng Balruddery at lupa ng Hartwood) ay nagpahiwatig ng mas mataas na nilalaman ng Ca sa pag-aaral na ito.
Dahil sa magkakaibang nasukat na konsentrasyon ng mga elementong kinuhanan ng sampol, ang mga distribusyon ng data set ng mga elemento ay nagpapakita ng magkakaibang skewness. Ang skewness at kurtosis ng mga elemento ay mula 1.53 hanggang 7.24 at 2.49 hanggang 54.16, ayon sa pagkakabanggit. Ang lahat ng nakalkulang elemento ay may mga antas ng skewness at kurtosis na higit sa +1, kaya nagpapahiwatig na ang distribusyon ng datos ay irregular, skewed sa tamang direksyon at peak. Ipinapakita rin ng tinantyang CV ng mga elemento na ang K, Mg, at Ni ay nagpapakita ng katamtamang variability, habang ang Ca ay may napakataas na variability. Ipinapaliwanag ng mga CV ng K, Ni at Mg ang kanilang pare-parehong distribusyon. Bukod dito, ang distribusyon ng Ca ay hindi pare-pareho at ang mga panlabas na pinagmumulan ay maaaring makaapekto sa antas ng pagpapayaman nito.
Ang ugnayan ng mga baryabol na prediktor sa mga elemento ng tugon ay nagpapahiwatig ng isang kasiya-siyang ugnayan sa pagitan ng mga elemento (tingnan ang Pigura 3). Ipinahiwatig ng ugnayan na ang CaK ay nagpakita ng katamtamang ugnayan na may halagang r = 0.53, gayundin ang CaNi. Bagama't ang Ca at K ay nagpapakita ng katamtamang kaugnayan sa isa't isa, ang mga mananaliksik tulad nina Kingston et al. Iminumungkahi ng 68 at Santo69 na ang kanilang mga antas sa lupa ay kabaligtaran na proporsyonal. Gayunpaman, ang Ca at Mg ay magkasalungat sa K, ngunit ang CaK ay may mahusay na kaugnayan. Maaaring ito ay dahil sa aplikasyon ng mga pataba tulad ng potassium carbonate, na 56% na mas mataas sa potassium. Ang potassium ay may katamtamang kaugnayan sa magnesium (KM r = 0.63). Sa industriya ng pataba, ang dalawang elementong ito ay malapit na magkaugnay dahil ang potassium magnesium sulfate, potassium magnesium nitrate, at potash ay inilalapat sa mga lupa upang mapataas ang kanilang mga antas ng kakulangan. Ang nickel ay may katamtamang kaugnayan sa Ca, K at Mg na may mga halagang r = 0.52, 0.63 at 0.55, ayon sa pagkakabanggit. Ang mga ugnayang kinasasangkutan ng calcium, magnesium, at mga PTE tulad ng nickel ay kumplikado, ngunit gayunpaman, pinipigilan ng magnesium ang pagsipsip ng calcium, binabawasan ng calcium ang mga epekto ng labis na magnesium, at parehong binabawasan ng magnesium at calcium ang mga nakalalasong epekto ng nickel sa lupa.
Correlation matrix para sa mga elementong nagpapakita ng ugnayan sa pagitan ng mga predictor at mga tugon (Paalala: ang pigurang ito ay may kasamang scatterplot sa pagitan ng mga elemento, ang mga antas ng kahalagahan ay batay sa p < 0,001).
Inilalarawan ng Figure 4 ang spatial distribution ng mga elemento. Ayon kay Burgos et al. 70, ang aplikasyon ng spatial distribution ay isang pamamaraan na ginagamit upang mabilang at ma-highlight ang mga hot spot sa mga maruming lugar. Ang mga antas ng enrichment ng Ca sa Fig. 4 ay makikita sa hilagang-kanlurang bahagi ng spatial distribution map. Ipinapakita ng figure ang katamtaman hanggang mataas na Ca enrichment hotspots. Ang calcium enrichment sa hilagang-kanluran ng mapa ay malamang dahil sa paggamit ng quicklime (calcium oxide) upang mabawasan ang acidity ng lupa at ang paggamit nito sa mga steel mill bilang alkaline oxygen sa proseso ng paggawa ng bakal. Sa kabilang banda, mas gusto ng ibang mga magsasaka na gumamit ng calcium hydroxide sa acidic na lupa upang i-neutralize ang pH, na nagpapataas din sa calcium content ng lupa. Nagpapakita rin ang Potassium ng mga hot spot sa hilagang-kanluran at silangan ng mapa. Ang Northwest ay isang pangunahing komunidad ng agrikultura, at ang katamtaman hanggang mataas na pattern ng potassium ay maaaring dahil sa mga aplikasyon ng NPK at potash. Ito ay naaayon sa iba pang mga pag-aaral, tulad nina Madaras at Lipavský72, Madaras et al. 73, Pulkrabová et al. 74, Asare et al. 75, na nag-obserba na ang soil stabilization at Ang paggamot gamit ang KCl at NPK ay nagresulta sa mataas na nilalaman ng K sa lupa. Ang pagpapayaman ng spatial Potassium sa hilagang-kanluran ng mapa ng distribusyon ay maaaring dahil sa paggamit ng mga pataba na nakabatay sa potassium tulad ng potassium chloride, potassium sulfate, potassium nitrate, potash, at potash upang mapataas ang nilalaman ng potassium ng mga lupang hindi gaanong mayaman sa potassium. Zádorová et al. 76 at Tlustoš et al. Binalangkas sa 77 na ang paglalapat ng mga pataba na nakabase sa K ay nagpapataas ng nilalaman ng K sa lupa at makabuluhang magpapataas ng nilalaman ng sustansya sa lupa sa katagalan, lalo na ang K at Mg na nagpapakita ng isang mainit na lugar sa lupa. Medyo katamtamang mga hotspot sa hilagang-kanluran ng mapa at timog-silangan ng mapa. Ang colloidal fixation sa lupa ay nakakabawas sa konsentrasyon ng magnesium sa lupa. Ang kakulangan nito sa lupa ay nagiging sanhi ng pagpapakita ng madilaw-dilaw na intervein chlorosis sa mga halaman. Ang mga pataba na nakabase sa magnesium, tulad ng potassium magnesium sulfate, magnesium sulfate, at Kieserite, ay ginagamot ang mga kakulangan (ang mga halaman ay lumilitaw na lila, pula, o kayumanggi, na nagpapahiwatig ng kakulangan sa magnesium) sa mga lupa na may normal na hanay ng pH6. Ang akumulasyon ng nickel sa mga ibabaw ng lupa sa lungsod at peri-urban ay maaaring dahil sa mga aktibidad ng tao tulad ng agrikultura at ang kahalagahan ng nickel sa produksyon ng hindi kinakalawang na asero78.
Distribusyon ng mga elemento sa espasyo [ang mapa ng distribusyon ng espasyo ay nilikha gamit ang ArcGIS Desktop (ESRI, Inc, Bersyon 10.7, URL: https://desktop.arcgis.com).]
Ang mga resulta ng model performance index para sa mga elementong ginamit sa pag-aaral na ito ay ipinapakita sa Table 2. Sa kabilang banda, ang RMSE at MAE ng Ni ay parehong malapit sa zero (0.86 RMSE, -0.08 MAE). Sa kabilang banda, ang parehong halaga ng RMSE at MAE ng K ay katanggap-tanggap. Mas mataas ang mga resulta ng RMSE at MAE para sa calcium at magnesium. Mas malaki ang mga resulta ng Ca at K para sa MAE at RMSE dahil sa magkakaibang dataset. Ang RMSE at MAE ng pag-aaral na ito gamit ang EBK upang mahulaan ang Ni ay natagpuang mas mahusay kaysa sa mga resulta nina John et al. 54 gamit ang synergistic kriging upang mahulaan ang mga konsentrasyon ng S sa lupa gamit ang parehong nakalap na datos. Ang mga output ng EBK na aming pinag-aralan ay may kaugnayan sa mga kina Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 at John et al. 82, lalo na ang K at Ni.
Ang pagganap ng mga indibidwal na pamamaraan para sa paghula ng nilalaman ng nickel sa mga lupang urban at peri-urban ay sinuri gamit ang pagganap ng mga modelo (Talahanayan 3). Kinumpirma ng pagpapatunay ng modelo at pagsusuri ng katumpakan na ang Ca_Mg_K predictor na sinamahan ng EBK SVMR model ay nagbunga ng pinakamahusay na pagganap. Ang calibration model na Ca_Mg_K-EBK_SVMR model na R2, root mean square error (RMSE) at mean absolute error (MAE) ay 0.637 (R2), 95.479 mg/kg (RMSE) at 77.368 mg/kg (MAE) at ang Ca_Mg_K-SVMR ay 0.663 (R2), 235.974 mg/kg (RMSE) at 166.946 mg/kg (MAE). Gayunpaman, magagandang halaga ng R2 ang nakuha para sa Ca_Mg_K-SVMR (0.663 mg/kg R2) at Ca_Mg-EBK_SVMR (0.643 = R2); Ang kanilang mga resulta ng RMSE at MAE ay mas mataas kaysa sa mga resulta ng Ca_Mg_K-EBK_SVMR (R2 0.637) (tingnan ang Talahanayan 3). Bilang karagdagan, ang RMSE at MAE ng modelong Ca_Mg-EBK_SVMR (RMSE = 1664.64 at MAE = 1031.49) ay 17.5 at 13.4, ayon sa pagkakabanggit, na mas malaki kaysa sa mga resulta ng Ca_Mg_K-EBK_SVMR. Gayundin, ang RMSE at MAE ng modelong Ca_Mg-K SVMR (RMSE = 235.974 at MAE = 166.946) ay 2.5 at 2.2 na mas malaki kaysa sa mga resulta ng Ca_Mg_K-EBK_SVMR RMSE at MAE, ayon sa pagkakabanggit. Ang mga kinakalkulang resulta ng RMSE ay nagpapahiwatig kung gaano ka-concentrate ang data set sa line of best fit. Mas mataas na RSME at MAE ang naobserbahan. Ayon kay Kebonye et al. 46 at john et al. 54, mas malapit ang RMSE at MAE sa zero, mas maganda ang resulta. Ang SVMR at EBK_SVMR ay may mas mataas na quantized na halaga ng RSME at MAE. Naobserbahan na ang mga pagtatantya ng RSME ay palaging mas mataas kaysa sa mga halaga ng MAE, na nagpapahiwatig ng pagkakaroon ng mga outlier. Ayon kina Legates at McCabe83, ang lawak kung saan ang RMSE ay lumalagpas sa mean absolute error (MAE) ay inirerekomenda bilang isang tagapagpahiwatig ng pagkakaroon ng mga outlier. Nangangahulugan ito na mas heterogeneous ang dataset, mas mataas ang mga halaga ng MAE at RMSE. Ang katumpakan ng cross-validation assessment ng Ca_Mg_K-EBK_SVMR mixed model para sa paghula ng nilalaman ng Ni sa mga urban at suburban na lupa ay 63.70%. Ayon kay Li et al. 59, ang antas ng katumpakan na ito ay isang katanggap-tanggap na rate ng pagganap ng modelo. Ang kasalukuyang mga resulta ay inihambing sa isang nakaraang pag-aaral nina Tarasov et al. 36 na ang hybrid model ay lumikha ng MLPRK (Multilayer Perceptron Residual Kriging), na may kaugnayan sa EBK_SVMR accuracy evaluation index na iniulat sa kasalukuyang pag-aaral, ang RMSE (210) at Ang MAE (167.5) ay mas mataas kaysa sa aming mga resulta sa kasalukuyang pag-aaral (RMSE 95.479, MAE 77.368). Gayunpaman, nang ikumpara ang R2 ng kasalukuyang pag-aaral (0.637) sa kay Tarasov et al. 36 (0.544), malinaw na ang coefficient of determination (R2) ay mas mataas sa mixed model na ito. Ang margin of error (RMSE at MAE) (EBK SVMR) para sa mixed model ay dalawang beses na mas mababa. Gayundin, si Sergeev et al. 34 ay nagtala ng 0.28 (R2) para sa binuong hybrid model (Multilayer Perceptron Residual Kriging), habang ang Ni sa kasalukuyang pag-aaral ay nagtala ng 0.637 (R2). Ang antas ng katumpakan ng prediksyon ng modelong ito (EBK SVMR) ay 63.7%, habang ang katumpakan ng prediksyon na nakuha ni Sergeev et al. 34 ay 28%. Ang pangwakas na mapa (Fig. 5) na nilikha gamit ang EBK_SVMR model at Ca_Mg_K bilang predictor ay nagpapakita ng mga prediksyon ng mga hot spot at katamtaman hanggang nickel sa buong lugar ng pag-aaral. Nangangahulugan ito na ang konsentrasyon ng nickel sa lugar ng pag-aaral ay pangunahing katamtaman, na may mas mataas na konsentrasyon sa ilang partikular na lugar.
Ang pangwakas na mapa ng prediksyon ay kinakatawan gamit ang hybrid model na EBK_SVMR at gamit ang Ca_Mg_K bilang predictor. [Ang spatial distribution map ay nilikha gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Ipinapakita sa Figure 6 ang mga konsentrasyon ng PTE bilang isang composition plane na binubuo ng mga indibidwal na neuron. Wala sa mga component plane ang nagpakita ng parehong color pattern gaya ng ipinapakita. Gayunpaman, ang naaangkop na bilang ng mga neuron sa bawat iginuhit na mapa ay 55. Ang SeOM ay nalilikha gamit ang iba't ibang kulay, at kung mas magkatulad ang mga color pattern, mas maihahambing ang mga katangian ng mga sample. Ayon sa kanilang tumpak na color scale, ang mga indibidwal na elemento (Ca, K, at Mg) ay nagpakita ng magkatulad na color pattern sa mga single high neuron at karamihan sa mga low neuron. Kaya, ang CaK at CaMg ay may ilang pagkakatulad sa mga very high-order neuron at low-to-moderate na color pattern. Hinuhulaan ng parehong modelo ang konsentrasyon ng Ni sa lupa sa pamamagitan ng pagpapakita ng medium hanggang high hues ng mga kulay tulad ng pula, orange at dilaw. Ipinapakita ng KMg model ang maraming high color pattern batay sa mga tiyak na proporsyon at low hanggang medium color patch. Sa isang tumpak na color scale mula mababa hanggang mataas, ang planar distribution pattern ng mga component ng modelo ay nagpakita ng high color pattern na nagpapahiwatig ng potensyal na konsentrasyon ng nickel sa lupa (tingnan ang Figure 4). Ang CakMg model component plane ay nagpapakita ng magkakaibang color pattern mula mababa hanggang mataas ayon sa isang tumpak na kulay. iskala. Bukod pa rito, ang prediksyon ng modelo sa nilalaman ng nickel (CakMg) ay katulad ng spatial distribution ng nickel na ipinapakita sa Figure 5. Ang parehong graph ay nagpapakita ng mataas, katamtaman, at mababang proporsyon ng konsentrasyon ng nickel sa mga lupang urban at peri-urban. Inilalarawan ng Figure 7 ang contour method sa k-means grouping sa mapa, na hinati sa tatlong kumpol batay sa hinulaang halaga sa bawat modelo. Ang contour method ay kumakatawan sa pinakamainam na bilang ng mga kumpol. Sa 115 na sample ng lupa na nakolekta, ang kategorya 1 ang nakakuha ng pinakamaraming sample ng lupa, 74. Ang Cluster 2 ay nakatanggap ng 33 sample, habang ang cluster 3 ay nakatanggap ng 8 sample. Ang kombinasyon ng seven-component planar predictor ay pinasimple upang magbigay-daan sa tamang interpretasyon ng kumpol. Dahil sa maraming prosesong anthropogenic at natural na nakakaapekto sa pagbuo ng lupa, mahirap magkaroon ng maayos na pagkakaiba-iba ng mga pattern ng kumpol sa isang ipinamahaging mapa ng SeOM78.
Output ng component plane ng bawat variable na Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [Ang mga mapa ng SeOM ay nilikha gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Iba't ibang bahagi ng klasipikasyon ng kumpol [Ang mga mapa ng SeOM ay nilikha gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Malinaw na inilalarawan ng kasalukuyang pag-aaral ang mga pamamaraan ng pagmomodelo para sa mga konsentrasyon ng nickel sa mga lupang urban at peri-urban. Sinubukan ng pag-aaral ang iba't ibang pamamaraan ng pagmomodelo, pinagsasama ang mga elemento sa mga pamamaraan ng pagmomodelo, upang makuha ang pinakamahusay na paraan upang mahulaan ang mga konsentrasyon ng nickel sa lupa. Ang SeOM compositional planar spatial features ng pamamaraan ng pagmomodelo ay nagpakita ng mataas na pattern ng kulay mula mababa hanggang mataas sa isang tumpak na iskala ng kulay, na nagpapahiwatig ng mga konsentrasyon ng Ni sa lupa. Gayunpaman, kinukumpirma ng spatial distribution map ang planar spatial distribution ng mga bahaging ipinakita ng EBK_SVMR (tingnan ang Figure 5). Ipinapakita ng mga resulta na hinuhulaan ng support vector machine regression model (Ca Mg K-SVMR) ang konsentrasyon ng Ni sa lupa bilang isang modelo, ngunit ang mga parameter ng pagsusuri ng pagpapatunay at katumpakan ay nagpapakita ng napakataas na mga error sa mga tuntunin ng RMSE at MAE. Sa kabilang banda, ang pamamaraan ng pagmomodelo na ginamit sa modelo ng EBK_MLR ay may depekto rin dahil sa mababang halaga ng coefficient of determination (R2). Nakakuha ng magagandang resulta gamit ang EBK SVMR at pinagsamang mga elemento (CaKMg) na may mababang RMSE at MAE error na may katumpakan na 63.7%. Lumalabas na ang pagsasama-sama ng EBK algorithm sa isang machine learning algorithm maaaring makabuo ng isang hybrid algorithm na maaaring mahulaan ang konsentrasyon ng mga PTE sa lupa. Ipinapakita ng mga resulta na ang paggamit ng Ca, Mg, at K bilang mga predictor upang mahulaan ang mga konsentrasyon ng Ni sa lugar ng pag-aaral ay maaaring mapabuti ang prediksyon ng Ni sa mga lupa. Nangangahulugan ito na ang patuloy na aplikasyon ng mga pataba na nakabatay sa nickel at polusyon sa industriya ng lupa ng industriya ng bakal ay may tendensiyang pataasin ang konsentrasyon ng nickel sa lupa. Ipinakita ng pag-aaral na ito na ang modelo ng EBK ay maaaring mabawasan ang antas ng error at mapabuti ang katumpakan ng modelo ng distribusyon ng lupa sa mga urban o peri-urban na lupa. Sa pangkalahatan, iminumungkahi naming ilapat ang modelo ng EBK-SVMR upang masuri at mahulaan ang PTE sa lupa; bilang karagdagan, iminumungkahi naming gamitin ang EBK upang mag-hybridize gamit ang iba't ibang algorithm ng machine learning. Ang mga konsentrasyon ng Ni ay hinulaan gamit ang mga elemento bilang mga covariate; gayunpaman, ang paggamit ng mas maraming covariate ay lubos na magpapabuti sa pagganap ng modelo, na maaaring ituring na isang limitasyon ng kasalukuyang gawain. Ang isa pang limitasyon ng pag-aaral na ito ay ang bilang ng mga dataset ay 115. Samakatuwid, kung mas maraming data ang ibibigay, ang pagganap ng iminungkahing na-optimize na pamamaraan ng hybridization ay maaaring mapabuti.
PlantProbs.net.Nikel sa mga Halaman at Lupa https://plantprobs.net/plant/nutrientImbalances/sodium.html (Na-access noong 28 Abril 2021).
Kasprzak, KS Sumusulong ang Nickel sa modernong toksikolohiya sa kapaligiran.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Isang pagsusuri sa mga pinagmumulan nito at toksikolohiya sa kapaligiran. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Polutanteng pumapasok mula sa atmospera at akumulasyon sa lupa at mga halaman malapit sa isang smelter ng nickel-copper sa Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Mga mabibigat na metal sa lupa, mga halaman at mga panganib na nauugnay sa mga ruminant na nagpapastol malapit sa minahan ng tanso-nickel ng Selebi-Phikwe sa Botswana. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Mga elementong bakas sa lupa at… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Mga Elementong Bakas+sa+mga+lupa+at+mga+planta.+ika-4+na edisyon.+New+York+%28NY%29%3A+CRC+Press&btnG= (Na-access noong 24 Nob 2020).
Almås, A., Singh, B., Agrikultura, TS-NJ ng & 1995, hindi natukoy. Mga epekto ng industriya ng nickel ng Russia sa mga konsentrasyon ng mabibigat na metal sa mga lupang pang-agrikultura at damo sa Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Ang pagsipsip at pagpapanatili ng nickel sa inuming tubig ay may kaugnayan sa pagkonsumo ng pagkain at sensitibidad ng nickel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutasyon, epigenetics o seleksyon. kapaligiran. Perspektibong Pangkalusugan.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Pagsusuri ng trend ng mga potensyal na nakalalasong elemento: isang bibliometric na pagsusuri. Environmental Geochemistry and Health. Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: Isang Maikling Kasaysayan at Ilang Aral. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sa digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Pagmomodelo ng Geostatistikal na Reservoir ng Deutsch.CV,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Na-access noong ika-28 ng Abril 2021).