Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümünde CSS desteği sınırlıdır. En iyi deneyim için güncel bir tarayıcı kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz. Bu arada, sürekli desteğin sağlanması için siteyi stiller ve JavaScript olmadan görüntüleyeceğiz.
Toprak kirliliği insan faaliyetlerinden kaynaklanan büyük bir sorundur. Potansiyel olarak toksik elementlerin (PTE'ler) mekansal dağılımı çoğu kentsel ve kent çevresi alanda değişmektedir. Bu nedenle, bu tür topraklardaki PTE içeriğini mekansal olarak tahmin etmek zordur. Çek Cumhuriyeti'ndeki Frydek Mistek'ten toplam 115 örnek alındı. Kalsiyum (Ca), magnezyum (Mg), potasyum (K) ve nikel (Ni) konsantrasyonları endüktif olarak eşleştirilmiş plazma emisyon spektrometrisi kullanılarak belirlendi. Tepki değişkeni Ni ve öngörücüler Ca, Mg ve K'dir. Tepki değişkeni ile öngörücü değişken arasındaki korelasyon matrisi, elementler arasında tatmin edici bir korelasyon göstermektedir. Tahmin sonuçları, Destek Vektör Makinesi Regresyonunun (SVMR) iyi performans gösterdiğini, ancak tahmini ortalama karekök hatası (RMSE) (235,974 mg/kg) ve ortalama mutlak hatasının (MAE) (166,946 mg/kg) uygulanan diğer yöntemlerden daha yüksek olduğunu göstermiştir. Ampirik Bayesçi Kriging-Çoklu Doğrusal Modeller için Karma Modeller Regresyon (EBK-MLR), 0,1'den küçük belirleme katsayılarıyla kanıtlandığı gibi zayıf bir performans göstermektedir. Ampirik Bayesçi Kriging-Destek Vektör Makinesi Regresyonu (EBK-SVMR) modeli, düşük RMSE (95,479 mg/kg) ve MAE (77,368 mg/kg) değerleri ve yüksek belirleme katsayısı (R2 = 0,637) ile en iyi modeldi. EBK-SVMR modelleme tekniği çıktısı, kendi kendini organize eden bir harita kullanılarak görselleştirilir. Hibrit model CakMg-EBK-SVMR bileşeninin düzlemindeki kümelenmiş nöronlar, kentsel ve kent çevresi topraklardaki Ni konsantrasyonlarını tahmin eden çoklu renk desenleri göstermektedir. Sonuçlar, EBK ve SVMR'nin birleştirilmesinin kentsel ve kent çevresi topraklardaki Ni konsantrasyonlarını tahmin etmek için etkili bir teknik olduğunu göstermektedir.
Nikel (Ni), atmosferik azot fiksasyonuna (N) ve üre metabolizmasına katkıda bulunduğu için bitkiler için bir mikro besin olarak kabul edilir; bunların her ikisi de tohum çimlenmesi için gereklidir. Tohum çimlenmesine katkısının yanı sıra, Ni mantar ve bakteri inhibitörü olarak etki edebilir ve bitki gelişimini destekleyebilir. Topraktaki nikel eksikliği, bitkinin onu emmesine izin verir ve bu da yapraklarda klorozla sonuçlanır. Örneğin, börülce ve yeşil fasulye, azot fiksasyonunu optimize etmek için nikel bazlı gübrelerin uygulanmasını gerektirir2. Toprağı zenginleştirmek ve baklagillerin topraktaki azotu sabitleme yeteneğini artırmak için nikel bazlı gübrelerin sürekli uygulanması, topraktaki nikel konsantrasyonunu sürekli olarak artırır. Nikel bitkiler için bir mikro besin olmasına rağmen, topraktaki aşırı alımı yarardan çok zarar verebilir. Topraktaki nikelin toksisitesi, toprak pH'ını en aza indirir ve bitki büyümesi için gerekli bir besin olan demirin emilimini engeller1. Liu3'e göre, Ni'nin bitki gelişimi ve büyümesi için gerekli olan 17. önemli element olduğu bulunmuştur. Nikelin bitkideki rolüne ek olarak Gelişim ve büyüme, insanların buna çeşitli uygulamalar için ihtiyacı vardır. Elektrokaplama, nikel bazlı alaşımların üretimi ve otomotiv endüstrisinde ateşleme cihazları ve bujilerin üretimi, çeşitli endüstriyel sektörlerde nikel kullanımını gerektirir. Ek olarak, nikel bazlı alaşımlar ve elektrokaplama ürünleri mutfak eşyaları, balo salonu aksesuarları, gıda endüstrisi malzemeleri, elektrik, tel ve kablo, jet türbinleri, cerrahi implantlar, tekstiller ve gemi yapımında yaygın olarak kullanılmıştır.5. Topraklardaki (yani yüzey topraklarındaki) Ni açısından zengin seviyeler hem antropojenik hem de doğal kaynaklara atfedilmiştir, ancak öncelikle Ni, antropojenik olmaktan çok doğal bir kaynaktır.4,6. Nikelin doğal kaynakları arasında volkanik patlamalar, bitki örtüsü, orman yangınları ve jeolojik süreçler bulunur; Ancak, antropojenik kaynaklar arasında çelik endüstrisindeki nikel/kadmiyum piller, elektrokaplama, ark kaynağı, dizel ve yakıt yağları ve kömür yanması ve atık ve çamur yakma işlemlerinden kaynaklanan atmosferik emisyonlar yer almaktadır. Nikel birikimi7,8. Freedman ve Hutchinson9 ve Manyiwa ve diğerlerine göre10, yakın ve bitişik çevredeki üst toprak kirliliğinin ana kaynakları esas olarak nikel-bakır bazlı izabe ocakları ve madenlerdir. Kanada'daki Sudbury nikel-bakır rafinerisi etrafındaki üst toprak, 26.000 mg/kg11 ile en yüksek nikel kirliliği seviyelerine sahipti. Buna karşılık, Rusya'daki nikel üretiminden kaynaklanan kirlilik, Norveç topraklarında daha yüksek nikel konsantrasyonlarına neden olmuştur11. Alms ve diğerlerine göre 12, bölgenin en verimli ekilebilir arazisindeki (Rusya'daki nikel üretimi) HNO3 ile çıkarılabilir nikel miktarı 6,25 ila 136,88 mg/kg arasında değişmekte olup, bu da ortalama 30,43 mg/kg ve temel konsantrasyon olarak 25 mg/kg'a karşılık gelmektedir. Kabata'ya göre 11, ardışık ürün mevsimlerinde kentsel veya kentsel çevre topraklarındaki tarımsal topraklara fosforlu gübrelerin uygulanması toprağı infüze edebilir veya kirletebilir. Nikelin insanlardaki potansiyel etkileri, mutagenezi, kromozomal hasar, Z-DNA oluşumu, bloke edilmiş DNA eksizyon onarımı veya epigenetik süreçler yoluyla kansere yol açabilir. 13 Hayvan deneylerinde, nikelin çeşitli tümörlere neden olma potansiyeline sahip olduğu ve kanserojen nikel komplekslerinin bu tür tümörleri daha da kötüleştirebileceği bulunmuştur.
Toprak kirliliği değerlendirmeleri, toprak-bitki ilişkileri, toprak ve toprak biyolojik ilişkileri, ekolojik bozulma ve çevresel etki değerlendirmesinden kaynaklanan çok çeşitli sağlık sorunları nedeniyle son zamanlarda gelişmiştir. Bugüne kadar, topraktaki Ni gibi potansiyel olarak toksik elementlerin (PTE'ler) mekansal tahmini, geleneksel yöntemler kullanılarak zahmetli ve zaman alıcı olmuştur. Dijital toprak haritalamanın (DSM) ortaya çıkışı ve mevcut başarısı15, tahmini toprak haritalamasını (PSM) büyük ölçüde iyileştirmiştir. Minasny ve McBratney'e16 göre, tahmini toprak haritalama (DSM), toprak biliminin önemli bir alt disiplini olduğunu kanıtlamıştır. Lagacherie ve McBratney, 2006 DSM'yi "yerinde ve laboratuvar gözlem yöntemleri ile mekansal ve mekansal olmayan toprak çıkarım sistemlerinin kullanımı yoluyla mekansal toprak bilgi sistemlerinin oluşturulması ve doldurulması" olarak tanımlamaktadır. McBratney ve diğerleri. 17 Çağdaş DSM veya PSM'nin, PTE'lerin, toprak tiplerinin ve toprak özelliklerinin mekansal dağılımını tahmin etmek veya haritalamak için en etkili teknik olduğunu özetlemektedir. Jeoistatistik ve Makine Öğrenme Algoritmaları (MLA), önemli ve asgari veriler kullanılarak bilgisayarların yardımıyla sayısallaştırılmış haritalar oluşturan DSM modelleme teknikleridir.
Deutsch18 ve Olea19 jeoistatistikleri “esas olarak stokastik modeller kullanan, zaman serisi analizinin zamansal verileri nasıl karakterize ettiği gibi, mekansal niteliklerin temsiliyle ilgilenen sayısal tekniklerin koleksiyonu” olarak tanımlar. Öncelikle, jeoistatistik, her veri kümesinden mekansal değerlerin bağımlılıklarını nicelleştirmeye ve tanımlamaya izin veren variogramların değerlendirilmesini içerir20.Gumiaux ve diğerleri. 20, jeoistatistikte varyogram değerlendirmesinin (a) veri korelasyonunun ölçeğinin hesaplanması, (b) veri kümesi eşitsizliğindeki anizotropinin belirlenmesi ve hesaplanması ve (c) ek olarak, (a) yerel etkilerden ayrı olarak ölçüm verilerinin içsel hatasını hesaba katmanın yanı sıra, alan etkileri de tahmin edilir. Bu kavramlara dayanarak, jeoistatistikte genel kriging, eş-kriging, sıradan kriging, ampirik Bayes kriging, basit kriging yöntemi ve diğer iyi bilinen enterpolasyon teknikleri dahil olmak üzere birçok enterpolasyon tekniği PTE'yi, toprak özelliklerini ve toprak tiplerini haritalamak veya tahmin etmek için kullanılır.
Makine Öğrenmesi Algoritmaları (MLA), öncelikle veri madenciliği, verilerdeki kalıpları belirleme ve toprak bilimi ve geri dönüş görevleri gibi bilimsel alanlarda sınıflandırmaya tekrar tekrar uygulanan algoritmalar tarafından desteklenen, daha büyük doğrusal olmayan veri sınıflarını kullanan nispeten yeni bir tekniktir. Çok sayıda araştırma makalesi, topraklardaki PTE'yi tahmin etmek için MLA modellerine güvenir, örneğin Tan vd. 22 (tarımsal topraklarda ağır metal tahmini için rastgele ormanlar), Sakizadeh vd. 23 (destek vektör makineleri ve yapay sinir ağları kullanılarak modelleme) toprak kirliliği). Ek olarak, Vega vd. 24 (toprakta ağır metal tutulumunu ve adsorpsiyonunu modellemek için CART), Sun vd. 25 (kübist uygulaması topraktaki Cd dağılımıdır) ve k-en yakın komşu, genelleştirilmiş artırılmış regresyon ve artırılmış regresyon Ağaçları gibi diğer algoritmalar da topraktaki PTE'yi tahmin etmek için MLA'yı uyguladı.
DSM algoritmalarının tahmin veya haritalamada uygulanması çeşitli zorluklarla karşı karşıyadır. Birçok yazar, MLA'nın jeoistatistikten ve tam tersinin de üstün olduğuna inanmaktadır. Biri diğerinden daha iyi olmasına rağmen, ikisinin birleşimi DSM'deki haritalama veya tahminin doğruluk düzeyini artırır15. Woodcock ve Gopal26 Finke27; Pontius ve Cheuk28 ve Grunwald29 öngörülen toprak haritalamasındaki eksiklikler ve bazı hatalar hakkında yorum yapmaktadır. Toprak bilimcileri, DSM haritalama ve tahmininin etkinliğini, doğruluğunu ve öngörülebilirliğini optimize etmek için çeşitli teknikler denemiştir. Belirsizlik ve doğrulamanın birleşimi, etkinliği optimize etmek ve kusurları azaltmak için DSM'ye entegre edilen birçok farklı yönlerden biridir. Bununla birlikte, Agyeman ve ark.15 harita oluşturma ve tahminle ortaya çıkan doğrulama davranışının ve belirsizliğin harita kalitesini iyileştirmek için bağımsız olarak doğrulanması gerektiğini özetlemektedir. DSM'nin sınırlamaları, belirsizlik bileşeni içeren coğrafi olarak dağılmış toprak kalitesinden kaynaklanmaktadır; Ancak, DSM'deki kesinlik eksikliği, kovaryat hatası, model hatası, konum hatası ve analitik hata olmak üzere birden fazla hata kaynağından kaynaklanabilir. 31. MLA ve jeoistatistiksel süreçlerde ortaya çıkan modelleme yanlışlıkları, gerçek sürecin aşırı basitleştirilmesine yol açan bir anlayış eksikliğiyle ilişkilidir. 32. Modellemenin doğasından bağımsız olarak, yanlışlıklar modelleme parametrelerine, matematiksel model tahminlerine veya enterpolasyona atfedilebilir. 33. Son zamanlarda, haritalama ve tahminde jeoistatistik ve MLA'nın entegrasyonunu teşvik eden yeni bir DSM eğilimi ortaya çıkmıştır. Sergeev ve ark. 34; Subbotina ve ark. 35; Tarasov ve ark. 36 ve Tarasov ve ark. 37 gibi çeşitli toprak bilimcileri ve yazarlar, tahmin ve haritalamanın verimliliğini artıran hibrit modeller üretmek için jeoistatistiğin ve makine öğreniminin doğru kalitesinden yararlanmıştır. kalite.Bu hibrit veya birleşik algoritma modellerinden bazıları şunlardır: Yapay Sinir Ağı Krigingi (ANN-RK), Çok Katmanlı Algılayıcı Artık Krigingi (MLP-RK), Genelleştirilmiş Regresyon Sinir Ağı Artık Krigingi (GR-NNRK)36, Yapay Sinir Ağı Kriging-Çok Katmanlı Algılayıcı (ANN-K-MLP)37 ve Eş-Kriging ve Gauss Süreci Regresyonu38.
Sergeev ve diğerlerine göre, çeşitli modelleme tekniklerini birleştirmek, tek bir model geliştirmektense kusurları ortadan kaldırma ve ortaya çıkan hibrit modelin verimliliğini artırma potansiyeline sahiptir. Bu bağlamda, bu yeni makale, kentsel ve kent çevresi alanlarda Ni zenginleşmesini tahmin etmek için optimum hibrit modeller oluşturmak amacıyla jeoistatistik ve MLA'nın birleşik bir algoritmasının uygulanmasının gerekli olduğunu savunmaktadır. Bu çalışma, temel model olarak Ampirik Bayes Kriging'i (EBK) kullanacak ve bunu Destek Vektör Makinesi (SVM) ve Çoklu Doğrusal Regresyon (MLR) modelleriyle karıştıracaktır. EBK'nin herhangi bir MLA ile hibridizasyonu bilinmemektedir. Görülen çoklu karışık modeller, sıradan, artık, regresyon krigingi ve MLA'nın kombinasyonlarıdır. EBK, alan üzerinde tanımlanmış yerelleştirme parametrelerine sahip durağan olmayan/durağan bir rastgele alan olarak yerelleştirilen ve mekansal varyasyona izin veren mekansal olarak stokastik bir süreç kullanan bir jeoistatistiksel enterpolasyon yöntemidir39. EBK, çiftliklerdeki organik karbon dağılımının analiz edilmesi de dahil olmak üzere çeşitli çalışmalarda kullanılmıştır topraklar40, toprak kirliliğinin değerlendirilmesi41 ve toprak özelliklerinin haritalanması42.
Öte yandan, Öz-Organize Grafik (SeOM), Li vd. 43, Wang vd. 44, Hossain Bhuiyan vd. 45 ve Kebonye vd. 46 gibi çeşitli makalelerde uygulanmış bir öğrenme algoritmasıdır. Elemanların mekansal niteliklerini ve gruplandırmasını belirleyin. Wang vd. 44, SeOM'un doğrusal olmayan problemleri gruplama ve hayal etme yeteneği ile bilinen güçlü bir öğrenme tekniği olduğunu özetlemektedir. Başlıca bileşen analizi, bulanık kümeleme, hiyerarşik kümeleme ve çok kriterli karar verme gibi diğer desen tanıma tekniklerinin aksine, SeOM PTE desenlerini organize etme ve tanımlamada daha iyidir. Wang vd. 44'e göre, SeOM ilgili nöronların dağılımını mekansal olarak gruplayabilir ve yüksek çözünürlüklü veri görselleştirmesi sağlayabilir. SeOM, sonuçları doğrudan yorumlamak için en iyi modeli elde etmek üzere Ni tahmin verilerini görselleştirecektir.
Bu makale, kentsel ve kent çevresi topraklarında nikel içeriğini tahmin etmek için optimum doğrulukta sağlam bir haritalama modeli oluşturmayı amaçlamaktadır. Karışık modelin güvenilirliğinin esas olarak temel modele bağlı diğer modellerin etkisine bağlı olduğunu varsayıyoruz. DSM'nin karşı karşıya olduğu zorlukları kabul ediyoruz ve bu zorluklar birden fazla cephede ele alınırken, jeoistatistik ve MLA modellerindeki ilerlemelerin birleşimi artımlı görünmektedir; bu nedenle, karışık modeller üretebilecek araştırma sorularını yanıtlamaya çalışacağız. Ancak, model hedef elementi tahmin etmede ne kadar doğrudur? Ayrıca, doğrulama ve doğruluk değerlendirmesine dayalı verimlilik değerlendirmesinin düzeyi nedir? Bu nedenle, bu çalışmanın belirli hedefleri şunlardır: (a) EBK'yi temel model olarak kullanarak SVMR veya MLR için birleşik bir karışım modeli oluşturmak, (b) ortaya çıkan modelleri karşılaştırmak, (c) kentsel veya kent çevresi topraklarında Ni konsantrasyonlarını tahmin etmek için en iyi karışım modelini önermek ve (d) nikel mekansal değişiminin yüksek çözünürlüklü bir haritasını oluşturmak için SeOM'nin uygulanması.
Çalışma Çek Cumhuriyeti'nde, özellikle Moravya-Silezya bölgesindeki Frydek Mistek bölgesinde yürütülmektedir (bkz. Şekil 1). Çalışma alanının coğrafyası oldukça engebelidir ve çoğunlukla Karpat Dağları'nın dış kenarının bir parçası olan Moravya-Silezya Beskidy bölgesinin bir parçasıdır. Çalışma alanı 49° 41′ 0′ K ile 18° 20′ 0′ D arasında yer almakta olup, rakım 225 ile 327 m arasındadır; Ancak, bölgenin iklim durumu için Koppen sınıflandırma sistemi Cfb = ılıman okyanus iklimi olarak derecelendirilmiştir, Kurak aylarda bile çok fazla yağış vardır. Sıcaklıklar yıl boyunca -5 °C ile 24 °C arasında hafifçe değişir, nadiren -14 °C'nin altına veya 30 °C'nin üzerine düşer, ortalama yıllık yağış ise 685 ile 752 mm arasındadır47. Tüm alanın tahmini araştırma alanı 1.208 kilometrekare olup, %39,38'i ekili arazi ve %49,36'sı orman örtüsü ile kaplıdır. Öte yandan, bu çalışmada kullanılan alan yaklaşık 889,8 kilometrekaredir. Ostrava ve çevresinde çelik endüstrisi ve metal işleri çok aktiftir. Metal fabrikaları, nikelin paslanmaz çeliklerde (örneğin atmosferik korozyona direnç için) ve alaşımlı çeliklerde (nikel, alaşımın iyi sünekliğini ve tokluğunu korurken mukavemetini artırır) kullanıldığı çelik endüstrisi ve yoğun tarım gibi Fosfatlı gübre uygulaması ve hayvancılık, bölgedeki nikelin araştırma potansiyeli kaynaklarıdır (örneğin, kuzularda ve düşük beslenmiş sığırlarda büyüme oranlarını artırmak için kuzulara nikel eklenmesi). Nikelin araştırma alanlarındaki diğer endüstriyel kullanımları arasında elektrokaplama, elektroliz nikel kaplama ve kimyasalsız nikel kaplama işlemleri de dahil olmak üzere kullanımı yer alır. Toprak özellikleri, toprak renginden, yapısından ve karbonat içeriğinden kolayca ayırt edilebilir. Toprak dokusu, ana materyalden türetilen orta ila incedir. Doğaları gereği kolüvyonlu, alüvyonlu veya eoliyendirler. Bazı toprak alanları, genellikle beton ve beyazlama ile yüzeyde ve alt toprakta benekli görünür. Bununla birlikte, bölgedeki en yaygın toprak tipleri cambisol ve stagnosol'dür48. 455,1 ila 493,5 m arasında değişen yüksekliklerle cambisoller Çek Cumhuriyeti'ne hakimdir49.
Çalışma alanı haritası [Çalışma alanı haritası ArcGIS Desktop (ESRI, Inc, sürüm 10.7, URL: https://desktop.arcgis.com) kullanılarak oluşturulmuştur.]
Frydek Mistek bölgesindeki kentsel ve kentsel olmayan topraklardan toplam 115 üst toprak örneği alındı. Örnekleme deseni olarak, toprak örnekleri 2 × 2 km aralıklarla yerleştirilmiş düzenli bir ızgara kullanıldı ve üst toprak, elde taşınan bir GPS cihazı (Leica Zeno 5 GPS) kullanılarak 0 ila 20 cm derinlikte ölçüldü. Örnekler Ziploc torbalara paketlenir, uygun şekilde etiketlenir ve laboratuvara gönderilir. Örnekler, toz haline getirilmiş örnekler üretmek için hava ile kurutuldu, mekanik bir sistemle (Fritsch disk değirmeni) toz haline getirildi ve elendi (eleme boyutu 2 mm). 1 gram kurutulmuş, homojenize edilmiş ve elenmiş toprak örneğini açıkça etiketlenmiş teflon şişelere koyun. Her bir teflon kaba 7 ml %35 HCl ve 3 ml %65 HNO3 (otomatik bir dağıtıcı kullanarak - her asit için bir tane) koyun, hafifçe örtün ve örneklerin reaksiyon için bir gece bekletin (aqua regia programı) .Süpernatantı, numunelerin sindirim sürecini kolaylaştırmak için 2 saat boyunca sıcak bir metal plakaya (sıcaklık: 100 W ve 160 °C) yerleştirin, ardından soğutun.Süpernatantı 50 ml'lik bir balona aktarın ve deiyonize suyla 50 ml'ye seyreltin.Daha sonra, seyreltilmiş süpernatantı deiyonize suyla 50 ml'lik bir PVC tüpe süzün.Ek olarak, seyreltme çözeltisinin 1 ml'si 9 ml deiyonize suyla seyreltildi ve PTE psödo-konsantrasyonu için hazırlanmış 12 ml'lik bir tüpe süzüldü.PTE konsantrasyonları (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) standart yöntemlere ve anlaşmaya göre ICP-OES (Endüktif Eşleşmiş Plazma Optik Emisyon Spektroskopisi) (Thermo Fisher Scientific, ABD) ile belirlendi.Kalite Güvence ve Kontrol (KG/KK) prosedürlerinin sağlanması (SRM NIST 2711a Montana II Toprak). Yarı yarıya düşük tespit limitlerine sahip PTE'ler bu çalışmadan hariç tutulmuştur. Bu çalışmada kullanılan PTE'nin tespit limiti 0,0004'tür.(siz). Ayrıca her analiz için kalite kontrol ve kalite güvence süreci referans standartlarının analiz edilmesiyle sağlanmaktadır. Hataların en aza indirildiğinden emin olmak için çift analiz yapılmıştır.
Ampirik Bayes Kriging (EBK), toprak bilimi gibi çeşitli alanlarda modellemede kullanılan birçok jeoistatistiksel enterpolasyon tekniğinden biridir. Diğer kriging enterpolasyon tekniklerinden farklı olarak EBK, yarıvariogram modeli tarafından tahmin edilen hatayı dikkate alarak geleneksel kriging yöntemlerinden farklıdır. EBK enterpolasyonunda, tek bir yarıvariogram yerine enterpolasyon sırasında birkaç yarıvariogram modeli hesaplanır. Enterpolasyon teknikleri, yeterli bir kriging yönteminin oldukça karmaşık bir bölümünü oluşturan yarıvariogramın bu çizimiyle ilişkili belirsizlik ve programlamanın önünü açar. EBK'nın enterpolasyon süreci Krivoruchko50 tarafından önerilen üç kriteri takip eder, (a) model yarıvariogramı giriş veri setinden tahmin eder (b) üretilen yarıvariograma dayalı olarak her giriş veri seti konumu için yeni tahmin edilen değer ve (c) son A modeli simüle edilmiş bir veri setinden hesaplanır. Bayes denklemi kuralı, bir arka
Burada \(Prob\left(A\right)\) önseli temsil eder, \(Prob\left(B\right)\) marjinal olasılık çoğu durumda göz ardı edilir, \(Prob (B,A)\ ). Yarıvariogram hesaplaması, yarıvariogramlardan oluşturulabilecek gözlem veri kümelerinin eğilimini gösteren Bayes kuralına dayanır. Yarıvariogramın değeri daha sonra, yarıvariogramdan bir gözlem veri kümesi oluşturma olasılığını belirten Bayes kuralı kullanılarak belirlenir.
Destek vektör makinesi, özdeş ancak doğrusal olarak bağımsız olmayan sınıfları ayırt etmek için optimum bir ayırma hiperdüzlemi üreten bir makine öğrenme algoritmasıdır. Vapnik51, niyet sınıflandırma algoritmasını oluşturmuştur ancak son zamanlarda regresyon odaklı problemleri çözmek için kullanılmaya başlanmıştır. Li vd.52'ye göre, SVM en iyi sınıflandırıcı tekniklerinden biridir ve çeşitli alanlarda kullanılmıştır. Bu analizde SVM'nin regresyon bileşeni (Destek Vektör Makinesi Regresyonu - SVMR) kullanılmıştır. Cherkassky ve ​​Mulier53, çok ülkeli mekansal işlevlere sahip doğrusal bir regresyon modeli kullanılarak hesaplanması yapılan çekirdek tabanlı bir regresyon olarak SVMR'ye öncülük etmiştir. John vd.54, SVMR modellemesinin, doğrusal olmayan ilişkiler oluşturan ve mekansal işlevlere izin veren hiperdüzlem doğrusal regresyonunu kullandığını bildirmektedir. Vohland vd. 55, epsilon (ε)-SVMR, eğitilmiş veri setini, ilişkili veriler üzerinde eğitimden elde edilen en iyi epsilon önyargısıyla verileri bağımsız olarak eşlemek için uygulanan epsilon duyarsız bir fonksiyon olarak bir gösterim modeli elde etmek için kullanır. Önceden ayarlanmış mesafe hatası gerçek değerden göz ardı edilir ve hata ε(ε)'den büyükse, toprak özellikleri bunu telafi eder. Model ayrıca eğitim verilerinin karmaşıklığını daha geniş bir destek vektörleri alt kümesine indirir. Vapnik51 tarafından önerilen denklem aşağıda gösterilmiştir.
Burada b skaler eşiği, \(K\left({x}_{,}{ x}_{k}\right)\) çekirdek fonksiyonunu, \(\alpha\) Lagrange çarpanını, N sayısal bir veri kümesini, \({x}_{k}\) veri girişini ve \(y\) veri çıkışını temsil eder. Kullanılan temel çekirdeklerden biri, Gauss radyal tabanlı bir fonksiyon (RBF) olan SVMR işlemidir. RBF çekirdeği, PTE eğitim verileri için en ince ceza kümesi faktörü C ve çekirdek parametresi gamma (γ) elde etmek için kritik olan optimum SVMR modelini belirlemek için uygulanır. İlk olarak, eğitim setini değerlendirdik ve ardından model performansını doğrulama setinde test ettik. Kullanılan yönlendirme parametresi sigma ve yöntem değeri svmRadial'dir.
Çoklu doğrusal regresyon modeli (MLR), en küçük kareler yöntemi kullanılarak hesaplanan doğrusal birleştirilmiş parametreler kullanılarak yanıt değişkeni ile bir dizi öngörücü değişken arasındaki ilişkiyi temsil eden bir regresyon modelidir. MLR'de, en küçük kareler modeli, açıklayıcı değişkenlerin seçilmesinden sonra toprak özelliklerinin tahmini bir fonksiyonudur. Açıklayıcı değişkenleri kullanarak doğrusal bir ilişki kurmak için yanıtı kullanmak gerekir. Açıklayıcı değişkenlerle doğrusal bir ilişki kurmak için yanıt değişkeni olarak PTE kullanıldı. MLR denklemi
Burada y yanıt değişkenidir, \(a\) kesişimdir, n öngörücülerin sayısıdır, \({b}_{1}\) katsayıların kısmi regresyonudur, \({x}_{ i}\) bir öngörücü veya açıklayıcı değişkeni temsil eder ve \({\varepsilon }_{i}\) modeldeki hatayı, yani kalıntıyı temsil eder.
Karma modeller, EBK'yi SVMR ve MLR ile sıkıştırarak elde edildi. Bu, EBK interpolasyonundan tahmin edilen değerlerin çıkarılmasıyla yapılır. İnterpole edilen Ca, K ve Mg'den elde edilen tahmin edilen değerler, CaK, CaMg ve KMg gibi yeni değişkenler elde etmek için bir kombinasyonel işlemle elde edilir. Daha sonra Ca, K ve Mg elementleri, dördüncü bir değişken olan CaKMg'yi elde etmek için birleştirilir. Genel olarak, elde edilen değişkenler Ca, K, Mg, CaK, CaMg, KMg ve CaKMg'dir. Bu değişkenler, kentsel ve kentsel çevre topraklarındaki nikel konsantrasyonlarını tahmin etmeye yardımcı olan tahmincilerimiz haline geldi. SVMR algoritması, karışık bir model Ampirik Bayes Kriging-Destek Vektör Makinesi (EBK_SVM) elde etmek için tahminciler üzerinde gerçekleştirildi. Benzer şekilde, değişkenler de karışık bir model Ampirik Bayes Kriging-Çoklu Doğrusal Regresyon (EBK_MLR) elde etmek için MLR algoritmasından geçirilir. Tipik olarak, değişkenler Kentsel ve kent çevresi topraklardaki Ni içeriğinin tahmin edicileri olarak Ca, K, Mg, CaK, CaMg, KMg ve CaKMg yardımcı değişkenleri kullanılmıştır. Elde edilen en kabul edilebilir model (EBK_SVM veya EBK_MLR) daha sonra kendi kendini organize eden bir grafik kullanılarak görselleştirilecektir. Bu çalışmanın iş akışı Şekil 2'de gösterilmiştir.
SeOM kullanımı, finans sektörü, sağlık hizmetleri, endüstri, istatistik, toprak bilimi ve daha fazlasında verileri düzenlemek, değerlendirmek ve tahmin etmek için popüler bir araç haline gelmiştir. SeOM, organizasyon, değerlendirme ve tahmin için yapay sinir ağları ve gözetimsiz öğrenme yöntemleri kullanılarak oluşturulur. Bu çalışmada SeOM, kentsel ve kent çevresi topraklarda Ni'yi tahmin etmek için en iyi modele dayalı olarak Ni konsantrasyonlarını görselleştirmek için kullanılmıştır. SeOM değerlendirmesinde işlenen veriler n giriş boyutlu vektör değişkeni olarak kullanılmıştır43,56.Melssen ve ark. 57, tek bir giriş katmanı aracılığıyla bir giriş vektörünün bir sinir ağına tek bir ağırlık vektörüne sahip bir çıkış vektörüne bağlanmasını açıklar. SeOM tarafından üretilen çıkış, yakınlıklarına göre altıgen, dairesel veya kare topolojik haritalara dokunmuş farklı nöronlardan veya düğümlerden oluşan iki boyutlu bir haritadır. Harita boyutları metrik, niceleme hatası (QE) ve topografik hata (TE) temelinde karşılaştırıldığında, sırasıyla 0,086 ve 0,904 olan SeOM modeli seçilir; bu, 55 haritalık bir birimdir (5 × 11). Nöron yapısı, ampirik denklemdeki düğüm sayısına göre belirlenir.
Bu çalışmada kullanılan veri sayısı 115 örneklemdir. Verileri test verilerine (%25 doğrulama için) ve eğitim veri kümelerine (%75 kalibrasyon için) ayırmak için rastgele bir yaklaşım kullanılmıştır. Eğitim veri kümesi, regresyon modelini (kalibrasyon) oluşturmak için ve test veri kümesi genelleme yeteneğini doğrulamak için kullanılmıştır58. Bu, topraklardaki nikel içeriğini tahmin etmek için çeşitli modellerin uygunluğunu değerlendirmek için yapılmıştır. Kullanılan tüm modeller, beş kez tekrarlanan on katlı bir çapraz doğrulama sürecinden geçmiştir. EBK enterpolasyonu ile üretilen değişkenler, hedef değişkeni (PTE) tahmin etmek için öngörücü veya açıklayıcı değişkenler olarak kullanılmıştır. Modelleme, library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) ve library (“Metrics”) paketleri kullanılarak RStudio'da işlenmiştir.
Topraktaki nikel konsantrasyonlarını tahmin etmek için en uygun modeli belirlemek ve modelin doğruluğunu ve geçerliliğini değerlendirmek için çeşitli doğrulama parametreleri kullanılmıştır. Hibridizasyon modelleri ortalama mutlak hata (MAE), kök ortalama kare hatası (RMSE) ve R-kare veya katsayı belirleme (R2) kullanılarak değerlendirilmiştir. R2, regresyon modeliyle temsil edilen cevaptaki oranların varyansını tanımlar. Bağımsız ölçümlerdeki RMSE ve varyans büyüklüğü modelin tahmin gücünü tanımlarken, MAE gerçek nicel değeri belirler. Doğrulama parametrelerini kullanarak en iyi karışım modelini değerlendirmek için R2 değeri yüksek olmalıdır, değer 1'e ne kadar yakınsa doğruluk o kadar yüksek olur. Li vd.'ye göre 59, 0,75 veya daha büyük bir R2 kriteri değeri iyi bir tahmin edici olarak kabul edilir; 0,5 ile 0,75 arası kabul edilebilir model performansı, 0,5'in altı ise kabul edilemez model performansıdır. RMSE ve MAE doğrulama kriteri değerlendirme yöntemleri kullanılarak model seçimi yapılırken elde edilen düşük değerler yeterli bulunmuş ve en iyi seçim olarak değerlendirilmiştir. Aşağıdaki denklem doğrulama yöntemini açıklamaktadır.
Burada n, gözlenen değerin büyüklüğünü temsil eder, \({Y}_{i}\) ölçülen yanıtı temsil eder ve \({\widehat{Y}}_{i}\) de öngörülen yanıt değerini temsil eder, bu nedenle ilk i gözlem için.
Tahmin edici ve yanıt değişkenlerinin istatistiksel açıklamaları, ortalama, standart sapma (SD), varyasyon katsayısı (CV), minimum, maksimum, basıklık ve çarpıklığı gösteren Tablo 1'de sunulmuştur. Elementlerin minimum ve maksimum değerleri sırasıyla Mg < Ca < K < Ni ve Ca < Mg < K < Ni'nin azalan sırasına göredir. Çalışma alanından örneklenen yanıt değişkeninin (Ni) konsantrasyonları 4,86 ​​ila 42,39 mg/kg arasında değişmiştir. Ni'nin dünya ortalaması (29 mg/kg) ve Avrupa ortalaması (37 mg/kg) ile karşılaştırılması, çalışma alanı için hesaplanan genel geometrik ortalama değerinin tolere edilebilir aralıkta olduğunu göstermiştir. Bununla birlikte, Kabata-Pendias11 tarafından gösterildiği gibi, mevcut çalışmadaki ortalama nikel (Ni) konsantrasyonunun İsveç'teki tarım topraklarıyla karşılaştırılması, mevcut ortalama nikel konsantrasyonunun daha yüksek olduğunu göstermektedir. Benzer şekilde, mevcut çalışmadaki kentsel ve kentsel çevre topraklarındaki Frydek Mistek'in ortalama konsantrasyonu (Ni 16,15 mg/kg) Różański ve arkadaşları tarafından bildirilen Polonya kentsel topraklarındaki Ni için izin verilen sınır olan 60'tan (10,2 mg/kg) daha yüksekti. Ayrıca, Bretzel ve Calderisi61, mevcut çalışmayla karşılaştırıldığında Toskana'daki kentsel topraklarda çok düşük ortalama Ni konsantrasyonları (1,78 mg/kg) kaydetti. Jim62 ayrıca Hong Kong kentsel topraklarında daha düşük bir nikel konsantrasyonu (12,34 mg/kg) buldu; bu, bu çalışmadaki mevcut nikel konsantrasyonundan daha düşüktür. Birke ve arkadaşları63, Almanya'nın Saksonya-Anhalt kentindeki eski bir madencilik ve kentsel endüstri bölgesinde ortalama 17,6 mg/kg Ni konsantrasyonu bildirdi; bu, bölgedeki ortalama Ni konsantrasyonundan (16,15 mg/kg) 1,45 mg/kg daha yüksekti. Mevcut araştırma. Çalışma alanındaki bazı kentsel ve banliyö alanlarındaki topraklardaki aşırı nikel içeriği, esas olarak demir-çelik endüstrisi ve metal endüstrisine atfedilebilir. Bu, Khodadoust ve arkadaşları tarafından yapılan çalışmayla tutarlıdır. al. 64 çelik endüstrisi ve metal işçiliğinin topraklardaki nikel kirliliğinin başlıca kaynakları olduğunu belirtmektedir. Ancak, öngörücüler Ca için 538,70 mg/kg ile 69.161,80 mg/kg, K için 497,51 mg/kg ile 3535,68 mg/kg ve Mg için 685,68 mg/kg ile 5970,05 mg/kg arasında değişmektedir. Jakovljevic ve ark. 65, Orta Sırbistan'daki toprakların toplam Mg ve K içeriğini araştırdı. Toplam konsantrasyonların (sırasıyla 410 mg/kg ve 400 mg/kg) mevcut çalışmadaki Mg ve K konsantrasyonlarından daha düşük olduğunu buldular. Ayırt edilemez bir şekilde, doğu Polonya'da, Orzechowski ve Smolczynski66 toplam Ca, Mg ve K içeriğini değerlendirdi ve ortalama Ca (1100 mg/kg), Mg (590 mg/kg) ve K (810 mg/kg) konsantrasyonları gösterdi. Üst topraktaki içerik, bu çalışmadaki tek elementten daha düşüktür. Pongrac ve ark.67 tarafından yakın zamanda yapılan bir çalışma, Birleşik Krallık, İskoçya'daki 3 farklı toprakta (Mylnefield toprağı, Balruddery toprağı ve Hartwood toprağı) analiz edilen toplam Ca içeriğinin bu çalışmada daha yüksek bir Ca içeriğine işaret ettiğini göstermiştir.
Örneklenen elementlerin ölçülen konsantrasyonlarının farklı olması nedeniyle, elementlerin veri kümesi dağılımları farklı çarpıklıklar sergilemektedir. Elementlerin çarpıklığı ve basıklığı sırasıyla 1,53 ila 7,24 ve 2,49 ila 54,16 arasında değişmektedir. Hesaplanan tüm elementlerin çarpıklık ve basıklık seviyeleri +1'in üzerindedir ve bu da veri dağılımının düzensiz, doğru yönde çarpık ve sivri olduğunu göstermektedir. Elementlerin tahmini CV'leri ayrıca K, Mg ve Ni'nin orta düzeyde değişkenlik gösterdiğini, Ca'nın ise son derece yüksek değişkenliğe sahip olduğunu göstermektedir. K, Ni ve Mg'nin CV'leri bunların düzgün dağılımlarını açıklamaktadır. Ayrıca, Ca dağılımı düzgün değildir ve dış kaynaklar zenginleşme seviyesini etkileyebilir.
Tahmin edici değişkenlerin yanıt elemanlarıyla korelasyonu, elemanlar arasında tatmin edici bir korelasyon olduğunu gösterdi (bkz. Şekil 3). Korelasyon, CaK'nin r değeri = 0,53 ile orta düzeyde korelasyon gösterdiğini gösterdi, tıpkı CaNi gibi. Ca ve K birbirleriyle orta düzeyde ilişki gösterse de, Kingston ve ark. gibi araştırmacılar 68 ve Santo69, topraktaki seviyelerinin ters orantılı olduğunu öne sürmektedir. Bununla birlikte, Ca ve Mg, K'ye antagonistiktir, ancak CaK iyi bir korelasyona sahiptir. Bunun nedeni, potasyumda %56 daha yüksek olan potasyum karbonat gibi gübrelerin uygulanması olabilir. Potasyum, magnezyumla orta düzeyde korelasyona sahipti (KM r = 0,63). Gübre endüstrisinde, bu iki element yakından ilişkilidir, çünkü potasyum magnezyum sülfat, potasyum magnezyum nitrat ve potas, eksiklik seviyelerini artırmak için toprağa uygulanır. Nikel, Ca, K ve Mg ile orta düzeyde korelasyona sahiptir ve r değerleri sırasıyla = 0,52, 0,63 ve 0,55'tir. Kalsiyum, magnezyum ve nikel gibi PTE'leri içeren ilişkiler karmaşıktır, ancak yine de magnezyum kalsiyum emilimini engeller, kalsiyum fazla magnezyumun etkilerini azaltır ve hem magnezyum hem de kalsiyum, nikelin topraktaki toksik etkilerini azaltır.
Tahmin ediciler ile yanıtlar arasındaki ilişkiyi gösteren elemanlar için korelasyon matrisi (Not: Bu şekil elemanlar arasındaki saçılma grafiğini içermektedir, anlamlılık düzeyleri p < 0,001'e dayanmaktadır).
Şekil 4 elementlerin mekansal dağılımını göstermektedir. Burgos ve diğerlerine göre70 mekansal dağılım uygulaması kirli alanlardaki sıcak noktaları ölçmek ve vurgulamak için kullanılan bir tekniktir. Şekil 4'teki Ca zenginleştirme seviyeleri mekansal dağılım haritasının kuzeybatı kısmında görülebilir. Şekil orta ila yüksek Ca zenginleştirme sıcak noktalarını göstermektedir. Haritanın kuzeybatısındaki kalsiyum zenginleşmesi muhtemelen toprak asitliğini azaltmak için kireç (kalsiyum oksit) kullanımından ve çelik üretim sürecinde alkali oksijen olarak çelik fabrikalarında kullanılmasından kaynaklanmaktadır. Öte yandan diğer çiftçiler pH'ı nötrleştirmek için asidik topraklarda kalsiyum hidroksit kullanmayı tercih etmektedir; bu da toprağın kalsiyum içeriğini artırmaktadır71. Potasyum da haritanın kuzeybatı ve doğusunda sıcak noktalar göstermektedir. Kuzeybatı önemli bir tarım topluluğudur ve orta ila yüksek potasyum deseni NPK ve potasyum uygulamalarından kaynaklanıyor olabilir. Bu Madaras ve Lipavský72, Madaras ve al.73, Pulkrabová ve ark.74, Asare ve ark.75, toprak stabilizasyonunun ve KCl ve NPK ile muamelenin toprakta yüksek K içeriğine yol açtığını gözlemleyenler. Dağılım haritasının kuzeybatısındaki mekansal Potasyum zenginleşmesi, zayıf toprakların potasyum içeriğini artırmak için potasyum klorür, potasyum sülfat, potasyum nitrat, potas ve potas gibi potasyum bazlı gübrelerin kullanılmasından kaynaklanıyor olabilir.Zádorová ve ark.76 ve Tlustoš ve ark. 77, K bazlı gübrelerin uygulanmasının topraktaki K içeriğini artırdığını ve uzun vadede toprak besin içeriğini, özellikle K ve Mg'yi toprakta sıcak bir nokta göstererek önemli ölçüde artıracağını özetlemiştir. Haritanın kuzeybatısında ve güneydoğusunda nispeten orta düzeyde sıcak noktalar bulunmaktadır. Topraktaki kolloidal fiksasyon, topraktaki magnezyum konsantrasyonunu azaltır. Topraktaki eksikliği bitkilerde sarımsı damar arası kloroz görülmesine neden olur. Potasyum magnezyum sülfat, magnezyum sülfat ve Kieserit gibi magnezyum bazlı gübreler, normal pH aralığındaki topraklardaki eksiklikleri (bitkiler mor, kırmızı veya kahverengi görünür, bu da magnezyum eksikliğini gösterir) giderir6. Kentsel ve kent çevresi toprak yüzeylerinde nikel birikimi, tarım gibi antropojenik faaliyetlerden ve nikelin paslanmaz çelik üretimindeki öneminden kaynaklanıyor olabilir78.
Elemanların mekansal dağılımı [mekansal dağılım haritası ArcGIS Desktop (ESRI, Inc, Sürüm 10.7, URL: https://desktop.arcgis.com) kullanılarak oluşturulmuştur.]
Bu çalışmada kullanılan elementler için model performans endeksi sonuçları Tablo 2'de gösterilmiştir. Öte yandan, Ni'nin RMSE ve MAE'si sıfıra yakındır (0,86 RMSE, -0,08 MAE). Öte yandan, K'nin hem RMSE hem de MAE değerleri kabul edilebilirdir. RMSE ve MAE sonuçları kalsiyum ve magnezyum için daha büyüktür. Ca ve K MAE ve RMSE sonuçları farklı veri kümeleri nedeniyle daha büyüktür. Ni'yi tahmin etmek için EBK kullanan bu çalışmanın RMSE ve MAE'si, aynı toplanan verileri kullanarak topraktaki S konsantrasyonlarını tahmin etmek için sinerjik kriging kullanan John ve ark.'nın sonuçlarından daha iyi bulunmuştur. Çalıştığımız EBK çıktıları, özellikle K ve Ni olmak üzere Fabijaczyk ve ark. 41, Yan ve ark. 79, Beguin ve ark. 80, Adhikary ve ark. 81 ve John ve ark. 82'nin çıktılarıyla ilişkilidir.
Kentsel ve kent çevresi topraklarında nikel içeriğini tahmin etmek için bireysel yöntemlerin performansı, modellerin performansı kullanılarak değerlendirildi (Tablo 3). Model doğrulama ve doğruluk değerlendirmesi, Ca_Mg_K tahmincisinin EBK SVMR modeliyle birleştirilmesinin en iyi performansı verdiğini doğruladı. Kalibrasyon modeli Ca_Mg_K-EBK_SVMR modeli R2, kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) 0,637 (R2), 95,479 mg/kg (RMSE) ve 77,368 mg/kg (MAE) idi. Ca_Mg_K-SVMR 0,663 (R2), 235,974 mg/kg (RMSE) ve 166,946 mg/kg (MAE) idi. Bununla birlikte, Ca_Mg_K-SVMR (0,663 mg/kg R2) ve Ca_Mg-EBK_SVMR için iyi R2 değerleri elde edildi (0,643 = R2); RMSE ve MAE sonuçları Ca_Mg_K-EBK_SVMR (R2 0,637) sonuçlarından daha yüksekti (bkz. Tablo 3). Ek olarak, Ca_Mg-EBK_SVMR (RMSE = 1664,64 ve MAE = 1031,49) modelinin RMSE ve MAE değerleri sırasıyla 17,5 ve 13,4'tür ve Ca_Mg_K-EBK_SVMR'nin değerlerinden daha büyüktür. Benzer şekilde, Ca_Mg-K SVMR (RMSE = 235,974 ve MAE = 166,946) modelinin RMSE ve MAE değerleri sırasıyla Ca_Mg_K-EBK_SVMR RMSE ve MAE'nin değerlerinden 2,5 ve 2,2 daha büyüktür. Hesaplanan RMSE sonuçları, veri kümesinin en iyi uyum çizgisiyle ne kadar yoğunlaştığını gösterir. Daha yüksek RSME ve MAE gözlemlendi. Kebonye ve ark. 46 ile john ve ark. 54'e göre, RMSE ve MAE sıfıra ne kadar yakınsa sonuçlar o kadar iyi olur. SVMR ve EBK_SVMR daha yüksek niceliksel RSME ve MAE değerlerine sahiptir. RSME tahminlerinin sürekli olarak MAE değerlerinden daha yüksek olduğu ve bunun da aykırı değerlerin varlığına işaret ettiği gözlemlenmiştir. Legates ve McCabe'ye göre83, RMSE'nin ortalama mutlak hatayı (MAE) aşma derecesi, aykırı değerlerin varlığının bir göstergesi olarak önerilmektedir. Bu, veri kümesi ne kadar heterojense, MAE ve RMSE değerlerinin o kadar yüksek olduğu anlamına gelir. Kentsel ve banliyö topraklarında Ni içeriğini tahmin etmek için Ca_Mg_K-EBK_SVMR karışık modelinin çapraz doğrulama değerlendirmesinin doğruluğu %63,70'tir. Li ve ark.'na göre 59, bu doğruluk düzeyi kabul edilebilir bir model performans oranıdır. Mevcut sonuçlar Tarasov ve ark. tarafından yapılan önceki bir çalışmayla karşılaştırılmıştır. 36 Bu çalışmanın hibrit modeli, mevcut çalışmada bildirilen EBK_SVMR doğruluk değerlendirme endeksi, RMSE (210) ve MAE (167,5) ile ilgili olarak MLPRK'yi (Çok Katmanlı Algılayıcı Kalan Kriging) oluşturmuştur. Bu, mevcut çalışmadaki sonuçlarımızdan (RMSE 95,479, MAE 77,368) daha yüksekti. Ancak mevcut çalışmanın R2 değeri (0,637) Tarasov ve ark. 36 (0,544), bu karma modelde belirleme katsayısının (R2) daha yüksek olduğu açıktır. Karma model için hata payı (RMSE ve MAE) (EBK SVMR) iki kat daha düşüktür. Benzer şekilde, Sergeev ve arkadaşları34 geliştirilen hibrit model (Çok Katmanlı Algılayıcı Kalan Kriging) için 0,28 (R2) kaydederken, mevcut çalışmadaki Ni 0,637 (R2) kaydetti. Bu modelin (EBK SVMR) tahmin doğruluğu seviyesi %63,7 iken, Sergeev ve arkadaşları34 tarafından elde edilen tahmin doğruluğu %28'dir. EBK_SVMR modeli ve tahmin edici olarak Ca_Mg_K kullanılarak oluşturulan son harita (Şekil 5), tüm çalışma alanı üzerinde sıcak noktalar ve ortadan nikele kadar tahminleri göstermektedir. Bu, çalışma alanındaki nikel konsantrasyonunun çoğunlukla orta düzeyde olduğu, bazı belirli alanlarda daha yüksek konsantrasyonlara sahip olduğu anlamına gelir.
Son tahmin haritası, hibrit model EBK_SVMR kullanılarak ve tahmin edici olarak Ca_Mg_K kullanılarak temsil edilmiştir. [Mekansal dağılım haritası RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturulmuştur.]
Şekil 6'da, tek tek nöronlardan oluşan bir kompozisyon düzlemi olarak PTE konsantrasyonları sunulmaktadır. Bileşen düzlemlerinin hiçbiri gösterildiği gibi aynı renk desenini göstermemiştir. Ancak, çizilen harita başına uygun nöron sayısı 55'tir. SeOM çeşitli renkler kullanılarak üretilir ve renk desenleri ne kadar benzerse, örneklerin özellikleri o kadar karşılaştırılabilir olur. Kesin renk ölçeklerine göre, tek tek elementler (Ca, K ve Mg) tek yüksek nöronlara ve çoğu düşük nörona benzer renk desenleri göstermiştir. Bu nedenle, CaK ve CaMg çok yüksek sıralı nöronlar ve düşük ila orta renk desenleriyle bazı benzerlikler paylaşır. Her iki model de kırmızı, turuncu ve sarı gibi orta ila yüksek renk tonlarını göstererek topraktaki Ni konsantrasyonunu tahmin eder. KMg modeli, kesin oranlara ve düşük ila orta renk yamalarına dayalı olarak birçok yüksek renk deseni gösterir. Düşükten yükseğe kesin bir renk ölçeğinde, modelin bileşenlerinin düzlemsel dağılım deseni, topraktaki potansiyel nikel konsantrasyonunu gösteren yüksek bir renk deseni göstermiştir (bkz. Şekil 4). CakMg model bileşen düzlemi Düşükten yükseğe doğru doğru bir renk skalasına göre çeşitli bir renk deseni gösterir. Dahası, modelin nikel içeriği (CakMg) tahmini, Şekil 5'te gösterilen nikelin mekansal dağılımına benzerdir. Her iki grafik de kentsel ve kent çevresi topraklarında yüksek, orta ve düşük nikel konsantrasyon oranlarını gösterir. Şekil 7, her modelde tahmin edilen değere göre üç kümeye ayrılmış haritadaki k-ortalamalar gruplandırmasında kontur yöntemini tasvir eder. Kontur yöntemi, optimum küme sayısını temsil eder. Toplanan 115 toprak örneğinden, kategori 1 en fazla toprak örneğini, 74, elde etti. Küme 2 33 örnek alırken, küme 3 8 örnek aldı. Yedi bileşenli düzlemsel tahminci kombinasyonu, doğru küme yorumlamasına izin vermek için basitleştirildi. Toprak oluşumunu etkileyen çok sayıda antropojenik ve doğal süreç nedeniyle, dağıtılmış bir SeOM haritasında düzgün şekilde farklılaştırılmış küme desenlerine sahip olmak zordur78.
Her bir Ampirik Bayes Kriging Destek Vektör Makinesi (EBK_SVM_SeOM) değişkeni tarafından bileşen düzlemi çıktısı.[SeOM haritaları RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturuldu.]
Farklı küme sınıflandırma bileşenleri [SeOM haritaları RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturuldu.]
Mevcut çalışma, kentsel ve kent çevresi topraklarında nikel konsantrasyonları için modelleme tekniklerini açıkça göstermektedir. Çalışma, topraktaki nikel konsantrasyonlarını tahmin etmenin en iyi yolunu elde etmek için elemanları modelleme teknikleriyle birleştirerek farklı modelleme tekniklerini test etti. Modelleme tekniğinin SeOM kompozisyonel düzlemsel mekansal özellikleri, topraktaki Ni konsantrasyonlarını gösteren doğru bir renk ölçeğinde düşükten yükseğe doğru yüksek bir renk deseni sergiledi. Ancak, mekansal dağılım haritası, EBK_SVMR tarafından sergilenen bileşenlerin düzlemsel mekansal dağılımını doğrulamaktadır (bkz. Şekil 5). Sonuçlar, destek vektör makinesi regresyon modelinin (Ca Mg K-SVMR) topraktaki Ni konsantrasyonunu tek bir model olarak tahmin ettiğini, ancak doğrulama ve doğruluk değerlendirme parametrelerinin RMSE ve MAE açısından çok yüksek hatalar gösterdiğini göstermektedir. Öte yandan, EBK_MLR modeliyle kullanılan modelleme tekniği de belirleme katsayısının (R2) düşük değeri nedeniyle hatalıdır. EBK SVMR ve düşük RMSE ve MAE hatalarına sahip birleştirilmiş elemanlar (CaKMg) kullanılarak iyi sonuçlar elde edilmiştir. %63,7 doğruluk.EBK algoritmasının bir makine öğrenimi algoritmasıyla birleştirilmesinin, topraktaki PTE konsantrasyonunu tahmin edebilen bir hibrit algoritma üretebileceği ortaya çıktı.Sonuçlar, çalışma alanındaki Ni konsantrasyonlarını tahmin etmek için öngörücü olarak Ca Mg K kullanılmasının, topraktaki Ni tahminini iyileştirebileceğini göstermektedir.Bu, nikel bazlı gübrelerin sürekli uygulanması ve çelik endüstrisi tarafından toprağın endüstriyel olarak kirletilmesinin, topraktaki nikel konsantrasyonunu artırma eğiliminde olduğu anlamına gelir.Bu çalışma, EBK modelinin hata seviyesini azaltabileceğini ve kentsel veya kent çevresi topraklarda toprağın mekansal dağılımının modelinin doğruluğunu artırabileceğini ortaya koymuştur.Genel olarak, EBK-SVMR modelini topraktaki PTE'yi değerlendirmek ve tahmin etmek için uygulamayı öneriyoruz; ayrıca, EBK'yi çeşitli makine öğrenimi algoritmalarıyla hibritleştirmek için kullanmayı öneriyoruz.Ni konsantrasyonları, elemanlar yardımcı değişken olarak kullanılarak tahmin edildi; Ancak daha fazla yardımcı değişken kullanılması modelin performansını büyük ölçüde iyileştirecektir, bu da mevcut çalışmanın bir sınırlaması olarak düşünülebilir. Bu çalışmanın bir diğer sınırlaması ise veri setlerinin sayısının 115 olmasıdır. Bu nedenle, daha fazla veri sağlanırsa önerilen optimize edilmiş hibridizasyon yönteminin performansı iyileştirilebilir.
PlantProbs.net.Bitkilerde ve Toprakta Nikel https://plantprobs.net/plant/nutrientImbalances/sodium.html (Erişim tarihi 28 Nisan 2021).
Kasprzak, KS Nikel modern çevre toksikolojisinde ilerlemeler.çevre.toksikolojisi.11, 145–183 (1987).
Cempel, M. ve Nikel, G. Nikel: Kaynakları ve çevresel toksikolojisi üzerine bir inceleme. Lehçe J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Sudbury, Ontario, Kanada'daki bir nikel-bakır izabe ocağının yakınındaki atmosferden gelen kirletici girdisi ve toprakta ve bitki örtüsünde birikimi.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. ve diğerleri.Botsvana'daki Selebi-Phikwe bakır-nikel madeni yakınında otlayan geviş getiren hayvanlarla ilişkili topraktaki ve bitkilerdeki ağır metaller ve riskler.Çevre.Jeokimya.Sağlık https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Toprak ve… içindeki eser elementler – Google Akademik 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= (Erişim tarihi 24 Kas 2020).
Almås, A., Singh, B., Tarım, TS-NJ of & 1995, tanımsız. Rus nikel endüstrisinin Norveç'in Soer-Varanger bölgesindeki tarımsal topraklarda ve otlarda ağır metal konsantrasyonlarına etkileri. agris.fao.org.
Nielsen, GD ve diğerleri. İçme suyundaki nikel emilimi ve tutulması gıda alımı ve nikel duyarlılığı ile ilişkilidir. Toksikoloji. Uygulama. Farmakodinamik. 154, 67–75 (1999).
Costa, M. & Klein, CB Nikel karsinogenezi, mutasyon, epigenetik veya seçilim.çevre.Sağlık Perspektifi.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Potansiyel olarak toksik elementlerin trend analizi: bibliyometrik bir inceleme.Çevresel Jeokimya ve Sağlık.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Dijital Toprak Haritalama: Kısa Bir Tarihçe ve Bazı Dersler. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Dijital toprak haritalama üzerine.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Jeoistatistiksel Rezervuar Modellemesi,… – Google Akademik 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= (Erişim tarihi 28 Nisan 2021).