Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümü CSS için sınırlı desteğe sahiptir. En iyi deneyim için, güncel bir tarayıcı kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz. Bu arada, desteğin devamını sağlamak 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 kentsel çevre bölgesinde farklılık göstermektedir. Bu nedenle, bu tür topraklardaki PTE içeriğini mekansal olarak tahmin etmek zordur. Çek Cumhuriyeti'ndeki Frydek Mistek'ten toplam 115 örnek alınmıştır. Kalsiyum (Ca), magnezyum (Mg), potasyum (K) ve nikel (Ni) konsantrasyonları, indüktif olarak eşleştirilmiş plazma emisyon spektrometresi kullanılarak belirlenmiştir. Yanıt değişkeni Ni, tahmin ediciler ise Ca, Mg ve K'dir. Yanıt değişkeni ile tahmin edici değişken arasındaki korelasyon matrisi, elementler arasında tatmin edici bir korelasyon göstermektedir. Tahmin sonuçları, Destek Vektör Makinesi Regresyonunun (SVMR) iyi performans gösterdiğini, ancak tahmini kök ortalama kare hatasının (RMSE) (235.974 mg/kg) ve ortalama mutlak hatasının (MAE) (166.946 mg/kg) uygulanan diğer yöntemlerden daha yüksek olduğunu göstermiştir. Ampirik Bayes Kriging-Çoklu Doğrusal Regresyon için Karma Modeller (EBK-MLR) modeli, 0,1'den düşük belirleme katsayılarıyla kanıtlandığı üzere, düşük performans göstermiştir. Ampirik Bayes 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 model olmuştur. EBK-SVMR modelleme tekniğinin çıktısı, kendi kendini organize eden bir harita kullanılarak görselleştirilmiştir. Hibrit model CakMg-EBK-SVMR bileşeninin düzlemindeki kümelenmiş nöronlar, kentsel ve kentsel çevre topraklarındaki Ni konsantrasyonlarını tahmin eden çoklu renk desenleri göstermektedir. Sonuçlar, EBK ve SVMR'nin birleştirilmesinin, kentsel ve kentsel çevre topraklarındaki 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 maddesi olarak kabul edilir; bunların her ikisi de tohum çimlenmesi için gereklidir. Tohum çimlenmesine katkısının yanı sıra, Ni mantar ve bakteri inhibitörü olarak da işlev görebilir ve bitki gelişimini destekleyebilir. Toprakta nikel eksikliği, bitkinin onu emmesine ve yaprakların klorozuna neden olur. Örneğin, bezelye ve yeşil fasulye, azot fiksasyonunu optimize etmek için nikel bazlı gübrelerin uygulanmasını gerektirir². Toprağı zenginleştirmek ve baklagillerin toprakta azot fiksasyon yeteneğini artırmak için nikel bazlı gübrelerin sürekli uygulanması, topraktaki nikel konsantrasyonunu sürekli olarak artırır. Nikel bitkiler için bir mikro besin maddesi olmasına rağmen, topraktaki aşırı alımı faydadan çok zarar verebilir. Topraktaki nikelin toksisitesi, toprak pH'ını düşürür ve bitki büyümesi için gerekli bir besin maddesi olan demirin alımını engeller¹. Liu'ya³ göre, Ni'nin bitki gelişimi ve büyümesi için gerekli olan 17. önemli element olduğu bulunmuştur. Nikelin bitki gelişimindeki rolüne ek olarak ve Büyüme sürecinde, insanlar çeşitli uygulamalar için nikele ihtiyaç duyarlar. Elektrokaplama, nikel bazlı alaşımların üretimi ve otomotiv endüstrisinde ateşleme cihazları ve bujilerin imalatı, çeşitli endüstriyel sektörlerde nikel kullanımını gerektirir. Ayrıca, nikel bazlı alaşımlar ve elektrokaplama ürünleri mutfak eşyalarında, balo salonu aksesuarlarında, gıda endüstrisi malzemelerinde, elektrikte, tel ve kablolarda, jet türbinlerinde, cerrahi implantlarda, tekstilde ve gemi yapımında yaygın olarak kullanılmaktadır.5 Topraklardaki (yani yüzey topraklarındaki) nikel açısından zengin seviyeler hem antropojenik hem de doğal kaynaklara atfedilmiştir, ancak öncelikle nikel, antropojenik olmaktan ziyade doğal bir kaynaktır.4,6 Doğal nikel 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 akaryakıtlar ve kömür yakımından ve atık ve çamur yakımından kaynaklanan atmosferik emisyonlar yer alır.7,8 Freedman ve Hutchinson'a9 ve Manyiwa vd.'ye göre, 10. Yakın ve bitişik çevredeki üst toprak kirliliğinin ana kaynakları esas olarak nikel-bakır bazlı eritme tesisleri ve madenlerdir. Kanada'daki Sudbury nikel-bakır rafinerisinin çevresindeki üst toprakta 26.000 mg/kg ile en yüksek nikel kirliliği seviyeleri tespit edilmiştir.11. Buna karşılık, Rusya'daki nikel üretiminden kaynaklanan kirlilik, Norveç topraklarında daha yüksek nikel konsantrasyonlarına yol açmıştır.11. Alms ve diğerlerine göre, 12. Bölgedeki en verimli tarım arazilerinde (Rusya'daki nikel üretimi) HNO3 ile ekstrakte edilebilen nikel miktarı 6,25 ile 136,88 mg/kg arasında değişmekte olup, bu da ortalama 30,43 mg/kg ve temel konsantrasyonun 25 mg/kg'a karşılık gelmektedir. Kabata'ya göre 11, kentsel veya kentsel çevre topraklarında ardışık ürün sezonlarında fosforlu gübrelerin uygulanması toprağı kirletebilir veya toprağa nüfuz edebilir. Nikelin insanlarda potansiyel etkileri, mutagenez, 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 tümörleri şiddetlendirebileceği bulunmuştur.
Toprak-bitki ilişkileri, toprak ve toprak biyolojik ilişkileri, ekolojik bozulma ve çevresel etki değerlendirmesi gibi sağlıkla ilgili birçok sorun nedeniyle, toprak kirliliği değerlendirmeleri son zamanlarda büyük önem kazanmıştır. Bugüne kadar, toprakta 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 günümüzdeki başarısı¹⁵, tahmine dayalı toprak haritalamayı (PSM) büyük ölçüde geliştirmiştir. Minasny ve McBratney¹⁶'e göre, tahmine dayalı toprak haritalama (DSM), toprak biliminin önde gelen bir alt disiplini olduğunu kanıtlamıştır. Lagacherie ve McBratney, 2006, DSM'yi "yerinde ve laboratuvar gözlem yöntemleri ve mekansal ve mekansal olmayan toprak çıkarım sistemlerinin kullanımı yoluyla mekansal toprak bilgi sistemlerinin oluşturulması ve doldurulması" olarak tanımlamaktadır. McBratney vd. 17. madde, çağdaş DSM veya PSM'nin, potansiyel toksik elementlerin, toprak tiplerinin ve toprak özelliklerinin mekansal dağılımını tahmin etmek veya haritalamak için en etkili teknik olduğunu ortaya koymaktadır. Jeoistatistik ve Makine Öğrenmesi Algoritmaları (MLA), önemli ve minimum veri kullanarak bilgisayarlar yardımıyla sayısallaştırılmış haritalar oluşturan DSM modelleme teknikleridir.
Deutsch18 ve Olea19, jeoistatistikleri “zamansal verileri karakterize etme biçimi gibi, esas olarak stokastik modeller kullanan, mekansal özelliklerin temsilini ele alan sayısal teknikler bütünü” olarak tanımlar. Jeoistatistik öncelikle varyogramların değerlendirilmesini içerir; bu da her veri kümesindeki mekansal değerlerin bağımlılıklarını nicelleştirmeye ve tanımlamaya olanak tanır20. Gumiaux vd. 20. madde, jeoistatistikte varyogramların değerlendirilmesinin üç ilkeye dayandığını daha da göstermektedir: (a) veri korelasyonunun ölçeğinin hesaplanması, (b) veri kümesi eşitsizliğindeki anizotropinin belirlenmesi ve hesaplanması ve (c) yerel etkilerden ayrı olarak ölçüm verilerinin doğal hatasının dikkate alınmasına ek olarak, alan etkilerinin de tahmin edilmesi. Bu kavramlara dayanarak, jeoistatistikte PTE, toprak özellikleri ve toprak tiplerini haritalamak veya tahmin etmek için genel kriging, co-kriging, sıradan kriging, ampirik Bayes kriging, basit kriging yöntemi ve diğer iyi bilinen enterpolasyon teknikleri de dahil olmak üzere birçok enterpolasyon tekniği kullanılmaktadır.
Makine Öğrenmesi Algoritmaları (MLA), öncelikle veri madenciliği, veri içindeki örüntüleri belirleme ve toprak bilimi ve geri dönüş görevleri gibi bilimsel alanlarda sınıflandırmaya tekrar tekrar uygulanan algoritmalarla beslenen, daha büyük doğrusal olmayan veri sınıflarını kullanan nispeten yeni bir tekniktir. Çok sayıda araştırma makalesi, topraklardaki PTE'yi tahmin etmek için MLA modellerine dayanmaktadır; 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. Ayrıca, Vega vd. 24 (toprakta ağır metal tutulumu ve adsorpsiyonunu modellemek için CART), Sun vd. 25 (toprakta Cd dağılımında kübist uygulaması) ve k-en yakın komşu, genelleştirilmiş güçlendirilmiş regresyon ve güçlendirilmiş regresyon ağaçları gibi diğer algoritmalar da topraktaki PTE'yi tahmin etmek için MLA'yı uygulamıştır.
DSM algoritmalarının tahmin veya haritalama uygulamalarında çeşitli zorluklarla karşılaşılmaktadır. Birçok yazar, MLA'nın jeoistatistiğe göre üstün olduğuna ve bunun tersinin de geçerli olduğuna inanmaktadır. Her ne kadar biri diğerinden daha iyi olsa da, ikisinin birleşimi DSM'de haritalama veya tahminin doğruluğunu artırır.15 Woodcock ve Gopal26, Finke27; Pontius ve Cheuk28 ve Grunwald29, tahmin edilen toprak haritalamasındaki eksiklikler ve bazı hatalar hakkında yorum yapmaktadır. Toprak bilimciler, DSM haritalama ve tahmininin etkinliğini, doğruluğunu ve tahmin edilebilirliğini optimize etmek için çeşitli teknikler denemiştir. Belirsizlik ve doğrulamanın birleşimi, etkinliği optimize etmek ve kusurları azaltmak için DSM'ye entegre edilen birçok farklı unsurdan biridir. Bununla birlikte, Agyeman vd. 15, harita oluşturma ve tahmin tarafından ortaya konan doğrulama davranışı ve belirsizliğin, harita kalitesini iyileştirmek için bağımsız olarak doğrulanması gerektiğini belirtmektedir. DSM'nin sınırlamaları, belirsizlik bileşenini içeren coğrafi olarak dağılmış toprak kalitesinden kaynaklanmaktadır; Ancak, DSM'deki belirsizlik, birden fazla hata kaynağından kaynaklanabilir; bunlar arasında kovaryat hatası, model hatası, konum hatası ve analitik hata bulunur. 31. MLA ve jeoistatistiksel süreçlerde ortaya çıkan modelleme hataları, anlayış eksikliğiyle ilişkilidir ve nihayetinde gerçek sürecin aşırı basitleştirilmesine yol açar. 32. Modellemenin doğası ne olursa olsun, hatalar modelleme parametrelerine, matematiksel model tahminlerine veya interpolasyona atfedilebilir. 33. Son zamanlarda, haritalama ve tahminlemede jeoistatistik ve MLA'nın entegrasyonunu teşvik eden yeni bir DSM trendi ortaya çıkmıştır. Sergeev vd. 34; Subbotina vd. 35; Tarasov vd. 36 ve Tarasov vd. 37 gibi birçok toprak bilimci ve yazar, tahminleme ve haritalamanın verimliliğini artıran hibrit modeller oluşturmak için jeoistatistik ve makine öğrenmesinin doğru kalitesinden yararlanmıştır. Kalite. Bu hibrit veya birleştirilmiş algoritma modellerinden bazıları Yapay Sinir Ağı Kriging (ANN-RK), Çok Katmanlı Algılayıcı Artık Kriging (MLP-RK), Genelleştirilmiş Regresyon Sinir Ağı Artık Kriging (GR-NNRK)36, Yapay Sinir Ağı Kriging-Çok Katmanlı Algılayıcı (ANN-K-MLP)37 ve Co-Kriging ve Gauss Süreci Regresyonu38'dur.
Sergeev ve diğerlerine göre, çeşitli modelleme tekniklerinin birleştirilmesi, tek bir model geliştirmek yerine, ortaya çıkan hibrit modelin kusurlarını ortadan kaldırma ve verimliliğini artırma potansiyeline sahiptir. Bu bağlamda, bu yeni makale, kentsel ve kentsel çevre alanlarında Ni zenginleşmesini tahmin etmek için optimal 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 birleştirecektir. EBK'nin herhangi bir MLA ile hibritleştirilmesi bilinmemektedir. Görülen çoklu karma modeller, sıradan, kalıntı, regresyon kriging ve MLA'nın kombinasyonlarıdır. EBK, tanımlanmış yerelleştirme parametreleriyle alan üzerinde durağan olmayan/durağan rastgele bir alan olarak yerelleştirilen, mekansal varyasyona izin veren, mekansal olarak stokastik bir süreci kullanan bir jeoistatistiksel enterpolasyon yöntemidir.39 EBK, tarım topraklarında organik karbon dağılımının analizi de dahil olmak üzere çeşitli çalışmalarda kullanılmıştır.40 Toprak kirliliğinin değerlendirilmesi41 ve toprak özelliklerinin haritalanması42.
Öte yandan, Kendini Düzenleyen Grafik (SeOM), Li vd. 43, Wang vd. 44, Hossain Bhuiyan vd. 45 ve Kebonye vd. 46 gibi çeşitli makalelerde uygulanan bir öğrenme algoritmasıdır ve elemanların uzamsal özelliklerini ve gruplandırılmasını belirler. Wang vd. 44, SeOM'un doğrusal olmayan problemleri gruplandırma ve görselleştirme yeteneğiyle bilinen güçlü bir öğrenme tekniği olduğunu belirtmektedir. Ana bileşen analizi, bulanık kümeleme, hiyerarşik kümeleme ve çok kriterli karar verme gibi diğer örüntü tanıma tekniklerinden farklı olarak, SeOM, PTE örüntülerini düzenleme ve tanımlamada daha iyidir. Wang vd. 44'e göre, SeOM, ilgili nöronların dağılımını uzamsal olarak gruplandırabilir 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 kentsel çevre topraklarındaki nikel içeriğini tahmin etmek için optimum doğrulukta sağlam bir haritalama modeli oluşturmayı amaçlamaktadır. Karma modelin güvenilirliğinin esas olarak temel modele bağlı diğer modellerin etkisine bağlı olduğunu varsayıyoruz. DSM'nin karşılaştığı zorlukların farkındayız ve bu zorluklar birçok cephede ele alınırken, jeoistatistik ve MLA modellerindeki gelişmelerin birleşimi artımlı görünmektedir; bu nedenle, karma modeller üretebilecek araştırma sorularını yanıtlamaya çalışacağız. Ancak, model hedef elementi tahmin etmede ne kadar doğrudur? Ayrıca, doğrulama ve doğruluk değerlendirmesine dayalı verimlilik değerlendirme düzeyi nedir? Bu nedenle, bu çalışmanın özel hedefleri (a) EBK'yi temel model olarak kullanarak SVMR veya MLR için birleşik bir karışım modeli oluşturmak, (b) ortaya çıkan modelleri karşılaştırmak, (c) kentsel veya kentsel çevre topraklarında Ni konsantrasyonlarını tahmin etmek için en iyi karışım modelini önermek ve (d) nikelin mekansal varyasyonunun yüksek çözünürlüklü bir haritasını oluşturmak için SeOM'un uygulanmasıdır.
Çalışma, Çek Cumhuriyeti'nde, özellikle Moravya-Silezya bölgesindeki Frydek Mistek bölgesinde yürütülmektedir (bkz. Şekil 1). Çalışma alanının coğrafyası oldukça engebeli olup, çoğunlukla Karpat Dağları'nın dış kenarında yer alan Moravya-Silezya Beskidy bölgesinin bir parçasıdır. Çalışma alanı 49° 41′ 0′ Kuzey enlemi ve 18° 20′ 0′ Doğu boylamı arasında yer almakta olup, rakımı 225 ile 327 metre arasındadır. Ancak, Köppen sınıflandırma sistemine göre bölgenin iklim durumu Cfb = ılıman okyanus iklimi olarak derecelendirilmiştir. Kurak aylarda bile bol miktarda yağış vardır. Sıcaklıklar yıl boyunca -5 °C ile 24 °C arasında hafifçe değişmekte, nadiren -14 °C'nin altına veya 30 °C'nin üzerine düşmektedir; ortalama yıllık yağış miktarı ise 685 ile 752 mm arasındadır. Tüm alanın tahmini araştırma alanı 1.208 kilometrekaredir ve bunun %39,38'i ekili arazi, %49,36'sı ise orman örtüsüdür. Öte yandan, bu çalışmada kullanılan alan yaklaşık 889,8 kilometrekaredir. Ostrava ve çevresinde çelik endüstrisi ve metal işleme tesisleri oldukça aktiftir. Metal fabrikaları, nikelin paslanmaz çeliklerde (örneğin atmosferik korozyona karşı direnç için) ve alaşımlı çeliklerde (nikel, alaşımın iyi sünekliğini ve tokluğunu korurken mukavemetini artırır) kullanıldığı çelik endüstrisi ve fosfat gibi yoğun tarım faaliyetleri mevcuttur. Bölgedeki potansiyel nikel kaynakları arasında gübre uygulaması ve hayvancılık üretimi yer almaktadır (örneğin, kuzularda büyüme oranlarını artırmak için kuzulara nikel eklenmesi ve düşük beslenmiş sığırlar). Araştırma alanlarındaki diğer endüstriyel nikel kullanımları arasında elektrokaplama, elektrokaplama nikel ve kimyasal nikel kaplama işlemleri yer almaktadır. Toprak özellikleri, toprak rengi, yapısı ve karbonat içeriğinden kolayca ayırt edilebilir. Toprak dokusu, ana materyalden türetilmiş orta ila ince yapıdadır. Bunlar kolüvyal, alüvyal veya rüzgarla taşınmış topraklardır. Bazı toprak alanları yüzeyde ve alt toprakta benekli görünür, genellikle beton ve ağartma ile birlikte. Bununla birlikte, kambisoller ve stagnosoller bölgedeki en yaygın toprak tipleridir48. 455,1 ila 493,5 m arasında değişen rakımlarla kambisoller 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 çevre topraklarından toplam 115 adet üst toprak örneği alındı. Kullanılan örnekleme deseni, 2 × 2 km aralıklarla yerleştirilmiş toprak örnekleriyle düzenli bir ızgaraydı ve üst toprak, elde taşınabilir bir GPS cihazı (Leica Zeno 5 GPS) kullanılarak 0 ila 20 cm derinlikte ölçüldü. Örnekler, uygun şekilde etiketlenmiş Ziploc poşetlere paketlendi ve laboratuvara gönderildi. Örnekler, toz haline getirilmiş örnekler elde etmek için havada kurutuldu, mekanik bir sistem (Fritsch disk değirmeni) ile toz haline getirildi ve elendi (elek boyutu 2 mm). 1 gram kurutulmuş, homojenleştirilmiş ve elenmiş toprak örneği, açıkça etiketlenmiş teflon şişelere konuldu. Her bir teflon kaba, 7 ml %35 HCl ve 3 ml %65 HNO3 (otomatik dağıtıcı kullanarak - her asit için bir tane) eklendi, hafifçe örtüldü ve örneklerin reaksiyon için bir gece bekletilmesi sağlandı (aqua regia programı). Örneklerin sindirim sürecini kolaylaştırmak için, üst sıvı 2 saat boyunca sıcak bir metal plaka üzerinde (sıcaklık: 100 W ve 160 °C) ısıtılır, ardından soğutulur. Üst sıvı 50 ml'lik bir hacimsel şişeye aktarılır ve deiyonize su ile 50 ml'ye kadar seyreltilir. Daha sonra, seyreltilmiş üst sıvı deiyonize su ile 50 ml'lik bir PVC tüpe süzülür. Ek olarak, seyreltme çözeltisinin 1 ml'si 9 ml deiyonize su ile seyreltilir ve PTE pseudo-konsantrasyonu için hazırlanan 12 ml'lik bir tüpe süzülür. PTE'lerin (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) konsantrasyonları, standart yöntemlere ve anlaşmaya göre ICP-OES (İndüktif Olarak Eşleştirilmiş Plazma Optik Emisyon Spektroskopisi) (Thermo Fisher Scientific, ABD) ile belirlenir. Kalite Güvence ve Kontrol (QA/QC) prosedürlerinin (SRM NIST 2711a Montana II) sağlanması sağlanır. Toprak). Tespit limitleri yarıdan düşük olan PTE'ler bu çalışmadan çıkarılmıştır. Bu çalışmada kullanılan PTE'nin tespit limiti 0,0004'tür. Ayrıca, her analiz için kalite kontrol ve kalite güvence süreci, referans standartlarının analiz edilmesiyle sağlanmıştır. Hataların en aza indirilmesi 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, yarı varyogram modeli tarafından tahmin edilen hatayı dikkate alarak geleneksel kriging yöntemlerinden ayrılır. EBK enterpolasyonunda, tek bir yarı varyogram yerine, enterpolasyon sırasında birkaç yarı varyogram modeli hesaplanır. Enterpolasyon teknikleri, yeterli bir kriging yönteminin oldukça karmaşık bir parçasını oluşturan yarı varyogramın çizimiyle ilişkili belirsizliği ve programlamayı ortadan kaldırır. EBK'nin enterpolasyon süreci, Krivoruchko50 tarafından önerilen üç kriteri izler: (a) model, girdi veri setinden yarı varyogramı tahmin eder, (b) oluşturulan yarı varyograma dayalı olarak her girdi veri seti konumu için yeni tahmin edilen değer ve (c) nihai A modeli simüle edilmiş bir veri setinden hesaplanır. Bayes denklem kuralı, sonradan verilen bir sonuç olarak verilir.
Burada \(Prob\left(A\right)\) önsel olasılığı temsil eder, \(Prob\left(B\right)\) marjinal olasılık çoğu durumda göz ardı edilir, \(Prob (B,A)\ ). Yarı varyogram hesaplaması, yarı varyogramlardan oluşturulabilecek gözlem veri setlerinin eğilimini gösteren Bayes kuralına dayanır. Yarı varyogramın değeri daha sonra, yarı varyogramdan bir gözlem veri seti oluşturmanın ne kadar olası olduğunu belirten Bayes kuralı kullanılarak belirlenir.
Destek vektör makinesi (SVM), özdeş ancak doğrusal olarak bağımsız olmayan sınıfları ayırt etmek için en uygun ayırıcı hiper düzlemi oluşturan bir makine öğrenme algoritmasıdır. Vapnik51, niyet sınıflandırma algoritmasını oluşturmuştur, ancak son zamanlarda regresyon odaklı problemleri çözmek için kullanılmaktadır. Li vd.52'ye göre, SVM en iyi sınıflandırıcı tekniklerinden biridir ve çeşitli alanlarda kullanılmaktadır. Bu analizde SVM'nin regresyon bileşeni (Destek Vektör Makinesi Regresyonu – SVMR) kullanılmıştır. Cherkassky ve Mulier53, SVMR'yi çekirdek tabanlı bir regresyon olarak öncülük etmiş ve hesaplaması çok ülkeli mekansal fonksiyonlara sahip doğrusal bir regresyon modeli kullanılarak gerçekleştirilmiştir. John vd.54, SVMR modellemesinin doğrusal olmayan ilişkiler yaratan ve mekansal fonksiyonlara izin veren hiper düzlem doğrusal regresyonunu kullandığını bildirmektedir. Vohland vd.'ye göre... 55, epsilon (ε)-SVMR, eğitilmiş veri setini, korelasyonlu veriler üzerinde eğitimden elde edilen en iyi epsilon sapmasıyla verileri bağımsız olarak eşlemek için uygulanan, epsilon'a duyarsız bir fonksiyon olarak bir temsil modeli elde etmek için kullanır. Önceden belirlenmiş 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 indirger. Vapnik51 tarafından önerilen denklem aşağıda gösterilmiştir.
Burada b, skaler eşiği, \(K\left({x}_{,}{ x}_{k}\right)\) çekirdek fonksiyonunu, \(\alpha\) Lagrange çarpanını, N sayısal veri kümesini, \({x}_{k}\) veri girişini ve \(y\) veri çıkışını temsil eder. Kullanılan temel çekirdeklerden biri, Gauss radyal taban fonksiyonu (RBF) olan SVMR işlemidir. RBF çekirdeği, PTE eğitim verileri için en ince ceza kümesi faktörü C ve çekirdek parametresi gama (γ)'yı elde etmek için kritik olan optimal SVMR modelini belirlemek için uygulanır. İlk olarak, eğitim kümesini değerlendirdik ve ardından model performansını doğrulama kümesinde 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 tahmin değişkeni arasındaki ilişkiyi temsil eden bir regresyon modelidir. MLR'de, en küçük kareler modeli, açıklayıcı değişkenlerin seçilmesinden sonra toprak özelliklerinin tahmin fonksiyonudur. Açıklayıcı değişkenler kullanılarak doğrusal bir ilişki kurmak için yanıt değişkeninin kullanılması gereklidir. PTE, açıklayıcı değişkenlerle doğrusal bir ilişki kurmak için yanıt değişkeni olarak kullanılmıştır. MLR denklemi şu şekildedir:
Burada y yanıt değişkeni, \(a\) kesişim noktası, n tahmin edici sayısı, \({b}_{1}\) katsayıların kısmi regresyonu, \({x}_{ i}\) bir tahmin edici veya açıklayıcı değişkeni temsil eder ve \({\varepsilon }_{i}\) modeldeki hatayı, diğer adıyla kalıntıyı temsil eder.
EBK, SVMR ve MLR algoritmaları birleştirilerek karma modeller elde edildi. Bu işlem, EBK interpolasyonundan tahmin edilen değerlerin çıkarılmasıyla gerçekleştirildi. İnterpolasyon yoluyla elde edilen Ca, K ve Mg değerlerinden elde edilen tahmin edilen değerler, CaK, CaMg ve KMg gibi yeni değişkenler elde etmek için bir kombinatoryal bir işlemle elde edildi. Daha sonra Ca, K ve Mg elementleri birleştirilerek dördüncü bir değişken olan CaKMg elde edildi. 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 tahmin edicilerimiz oldu. SVMR algoritması, karma bir model olan Ampirik Bayes Kriging-Destek Vektör Makinesi (EBK_SVM) elde etmek için tahmin ediciler üzerinde uygulandı. Benzer şekilde, değişkenler ayrıca karma bir model olan Ampirik Bayes Kriging-Çoklu Doğrusal Regresyon (EBK_MLR) elde etmek için MLR algoritmasından geçirildi. Tipik olarak, Ca, K ve Mg değişkenleri... Kentsel ve kentsel çevre topraklarındaki Ni içeriğinin tahmincisi olarak K, Mg, CaK, CaMg, KMg ve CaKMg yardımcı değişkenler olarak kullanılmıştır. Elde edilen en kabul edilebilir model (EBK_SVM veya EBK_MLR) daha sonra kendi kendini düzenleyen bir grafik kullanılarak görselleştirilecektir. Bu çalışmanın iş akışı Şekil 2'de gösterilmiştir.
SeOM kullanımı, finans sektörü, sağlık hizmetleri, endüstri, istatistik, toprak bilimi ve daha birçok alanda verilerin düzenlenmesi, değerlendirilmesi ve tahmin edilmesi için popüler bir araç haline gelmiştir. SeOM, düzenleme, değerlendirme ve tahmin için yapay sinir ağları ve denetimsiz öğrenme yöntemleri kullanılarak oluşturulmuştur. Bu çalışmada, kentsel ve kentsel çevre topraklarında Ni'yi tahmin etmek için en iyi modele dayalı olarak Ni konsantrasyonlarını görselleştirmek için SeOM kullanılmıştır. SeOM değerlendirmesinde işlenen veriler, n giriş boyutlu vektör değişkenleri olarak kullanılır43,56.Melssen vd. 57, tek bir giriş katmanı aracılığıyla bir sinir ağına bir giriş vektörünün, tek bir ağırlık vektörüyle bir çıkış vektörüne bağlanmasını tanımlar. SeOM tarafından üretilen çıktı, yakınlıklarına göre altıgen, dairesel veya kare topolojik haritalara örülmüş farklı nöronlardan veya düğümlerden oluşan iki boyutlu bir haritadır. Harita boyutlarını metrik, niceleme hatası (QE) ve topografik hata (TE) temelinde karşılaştırarak, sırasıyla 0,086 ve 0,904 değerlerine sahip SeOM modeli seçilir; bu da 55 harita birimidir (5 × 11). Nöron yapısı, ampirik denklemdeki düğüm sayısına göre belirlenir.
Bu çalışmada kullanılan veri sayısı 115 örnektir. Veriler, test verisi (%25 doğrulama için) ve eğitim verisi (%75 kalibrasyon için) olmak üzere rastgele bir yaklaşımla ikiye ayrılmıştır. Eğitim verisi, regresyon modelini (kalibrasyon) oluşturmak için, test verisi ise genelleme yeteneğini doğrulamak için kullanılmıştır. Bu, toprakta nikel içeriğini tahmin etmek için çeşitli modellerin uygunluğunu değerlendirmek amacıyla yapılmıştır. Kullanılan tüm modeller, beş kez tekrarlanan on katlı çapraz doğrulama sürecinden geçmiştir. EBK interpolasyonu ile üretilen değişkenler, hedef değişkeni (PTE) tahmin etmek için tahmin edici veya açıklayıcı değişkenler olarak kullanılmıştır. Modelleme, RStudio'da library(Kohonen), library(caret), library(modelr), library("e1071"), library("plyr"), library("caTools"), library("prospectr") ve libraries("Metrics") paketleri kullanılarak gerçekleştirilmiştir.
Toprakta nikel konsantrasyonlarını tahmin etmek için en uygun modeli belirlemek ve modelin doğruluğunu ve geçerliliğini değerlendirmek için çeşitli doğrulama parametreleri kullanılmıştır. Hibritleştirme modelleri, ortalama mutlak hata (MAE), kök ortalama kare hatası (RMSE) ve R-kare veya belirleme katsayısı (R2) kullanılarak değerlendirilmiştir. R2, regresyon modeli tarafından temsil edilen yanıttaki oranların varyansını tanımlar. RMSE ve bağımsız ölçümlerdeki 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 yüksektir. Li vd. 59'a göre, 0,75 veya daha yüksek bir R2 kriter değeri iyi bir tahminci olarak kabul edilir; 0,5 ile 0,75 arası kabul edilebilir model performansı, 0,5'in altı ise kabul edilemez model performansı olarak değerlendirilir. RMSE ve MAE doğrulama kriterleri değerlendirme yöntemleri kullanılarak bir model seçilirken, elde edilen daha düşük değerler yeterli kabul edilir ve en iyi seçim olarak değerlendirilir. Aşağıdaki denklem doğrulama yöntemini açıklamaktadır.
Burada n, gözlemlenen değerin büyüklüğünü, \({Y}_{i}\) ölçülen yanıtı ve \({\widehat{Y}}_{i}\) ise ilk i gözlem için tahmin edilen yanıt değerini temsil eder.
Öngörücü ve yanıt değişkenlerinin istatistiksel tanımları, ortalama, standart sapma (SD), varyasyon katsayısı (CV), minimum, maksimum, basıklık ve çarpıklık değerlerini gösteren Tablo 1'de sunulmuştur. Elementlerin minimum ve maksimum değerleri sırasıyla Mg < Ca < K < Ni ve Ca < Mg < K < Ni şeklinde azalan sıradadır. Çalışma alanından örneklenen yanıt değişkeninin (Ni) konsantrasyonları 4,86 ​​ile 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 ortalamanın kabul edilebilir aralıkta olduğunu göstermiştir. Bununla birlikte, Kabata-Pendias'ın¹¹ gösterdiği gibi, mevcut çalışmadaki ortalama nikel (Ni) konsantrasyonunun İsveç'teki tarım topraklarıyla karşılaştırılması, mevcut ortalama nikel konsantrasyonunun daha yüksek olduğunu göstermektedir. Benzer şekilde, mevcut çalışmada kentsel ve kentsel çevre topraklarındaki Frydek Mistek'in ortalama konsantrasyonu (Ni 16,15) Polonya kentsel topraklarında Ni için izin verilen limit olan 60 mg/kg'dan (Różański ve ark. tarafından bildirilen 10,2 mg/kg) daha yüksek bir değer tespit edildi. Ayrıca, Bretzel ve Calderisi61, mevcut çalışmaya kıyasla Toskana'daki kentsel topraklarda çok düşük ortalama Ni konsantrasyonları (1,78 mg/kg) kaydetti. Jim62 de Hong Kong kentsel topraklarında daha düşük bir nikel konsantrasyonu (12,34 mg/kg) buldu ki bu, bu çalışmadaki mevcut nikel konsantrasyonundan daha düşüktür. Birke ve ark.63, Almanya'nın Saksonya-Anhalt bölgesindeki eski bir madencilik ve kentsel sanayi alanında ortalama 17,6 mg/kg Ni konsantrasyonu bildirdi ki bu, bölgedeki ortalama Ni konsantrasyonundan (16,15 mg/kg) 1,45 mg/kg daha yüksektir. Mevcut araştırma. Çalışma alanının bazı kentsel ve banliyö bölgelerindeki topraklardaki aşırı nikel içeriği, esas olarak demir ve çelik endüstrisine ve metal endüstrisine atfedilebilir. Bu, Khodadoust ve ark. tarafından yapılan çalışma ile tutarlıdır. Jakovljevic ve ark. 64, çelik endüstrisi ve metal işlemenin topraklardaki nikel kirliliğinin ana kaynakları olduğunu belirtmektedir. Bununla birlikte, tahmin ediciler 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. 65 numaralı çalışma, Orta Sırbistan'daki toprakların toplam Mg ve K içeriğini araştırmıştır. Toplam konsantrasyonların (sırasıyla 410 mg/kg ve 400 mg/kg) mevcut çalışmadaki Mg ve K konsantrasyonlarından daha düşük olduğunu bulmuşlardır. Benzer şekilde, Doğu Polonya'da Orzechowski ve Smolczynski66, toplam Ca, Mg ve K içeriğini değerlendirmiş ve ortalama Ca (1100 mg/kg), Mg (590 mg/kg) ve K (810 mg/kg) konsantrasyonlarını göstermiştir. Üst topraktaki içerik, bu çalışmadaki tek elementten daha düşüktür. Pongrac ve ark.67 tarafından yapılan yakın tarihli bir çalışma, İskoçya, İngiltere'deki 3 farklı toprakta (Mylnefield toprağı, Balruddery toprağı ve Hartwood toprağı) analiz edilen toplam Ca içeriğinin bu çalışmadakinden daha yüksek olduğunu göstermiştir.
Örneklenen elementlerin ölçülen konsantrasyonlarının farklı olması nedeniyle, elementlerin veri seti dağılımları farklı çarpıklık değerleri sergilemektedir. Elementlerin çarpıklık ve basıklık değerleri sırasıyla 1,53 ile 7,24 ve 2,49 ile 54,16 arasında değişmektedir. Hesaplanan tüm elementlerin çarpıklık ve basıklık seviyeleri +1'in üzerindedir; bu da veri dağılımının düzensiz, sağa doğru çarpık ve tepeli olduğunu göstermektedir. Elementlerin tahmini varyasyon katsayıları (CV'ler) 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 dağılımını açıklamaktadır. Ayrıca, Ca dağılımı düzgün değildir ve dış kaynaklar zenginleşme seviyesini etkileyebilir.
Tahmin değişkenlerinin yanıt unsurlarıyla olan korelasyonu, unsurlar arasında tatmin edici bir korelasyon olduğunu gösterdi (bkz. Şekil 3). Korelasyon, CaK'nın r değeri = 0,53 ile orta düzeyde bir korelasyon gösterdiğini, CaNi'nin de aynı şekilde olduğunu gösterdi. Ca ve K birbirleriyle mütevazı ilişkiler gösterse de, Kingston ve diğerleri gibi araştırmacılar... 68 ve Santo69, topraktaki seviyelerinin ters orantılı olduğunu öne sürmektedir. Bununla birlikte, Ca ve Mg, K'ye karşı antagonistik etki gösterirken, CaK iyi bir korelasyon göstermektedir. Bu durum, potasyum içeriği %56 daha yüksek olan potasyum karbonat gibi gübrelerin uygulanmasından kaynaklanabilir. Potasyum, magnezyum ile orta derecede korelasyon göstermiştir (KM r = 0,63). Gübre endüstrisinde, bu iki element yakından ilişkilidir çünkü potasyum magnezyum sülfat, potasyum magnezyum nitrat ve potasyum karbonat, eksiklik seviyelerini artırmak için topraklara uygulanmaktadır. Nikel, sırasıyla r değerleri ​​0,52, 0,63 ve 0,55 olan Ca, K ve Mg ile orta derecede korelasyon göstermektedir. Kalsiyum, magnezyum ve nikel gibi PTE'leri içeren ilişkiler karmaşıktır, ancak yine de magnezyum kalsiyum emilimini engeller, kalsiyum aşırı magnezyumun etkilerini azaltır ve hem magnezyum hem de kalsiyum topraktaki nikelin toksik etkilerini azaltır.
Öngörücüler ve yanıtlar arasındaki ilişkiyi gösteren elemanlar için korelasyon matrisi (Not: Bu şekil, elemanlar arasındaki saçılım grafiğini içermektedir, anlamlılık düzeyleri p < 0,001'e dayanmaktadır).
Şekil 4, elementlerin mekansal dağılımını göstermektedir. Burgos ve ark.70'e göre, mekansal dağılım uygulaması, kirlenmiş alanlardaki sıcak noktaları nicelleştirmek ve vurgulamak için kullanılan bir tekniktir. Şekil 4'teki Ca zenginleşme seviyeleri, mekansal dağılım haritasının kuzeybatı kısmında görülebilir. Şekil, orta ila yüksek Ca zenginleşme sıcak noktalarını göstermektedir. Haritanın kuzeybatısındaki kalsiyum zenginleşmesi, toprak asitliğini azaltmak için kireç (kalsiyum oksit) kullanımından ve çelik üretim sürecinde alkali oksijen olarak çelik fabrikalarında kullanımından kaynaklanıyor olabilir. Öte yandan, diğer çiftçiler asidik topraklarda pH'ı nötralize etmek için kalsiyum hidroksit kullanmayı tercih ederler, bu da toprağın kalsiyum içeriğini artırır71. Potasyum da haritanın kuzeybatı ve doğusunda sıcak noktalar göstermektedir. Kuzeybatı, önemli bir tarım topluluğudur ve orta ila yüksek potasyum deseni, NPK ve potasyum gübre uygulamalarından kaynaklanıyor olabilir. Bu, Madaras ve Lipavský72, Madaras ve ark.73 gibi diğer çalışmalarla tutarlıdır. Pulkrabová ve ark.74, Asare ve ark.75, toprak stabilizasyonunun ve KCl ve NPK ile muamele edilmesinin toprakta yüksek K içeriğine yol açtığını gözlemlemiştir. Dağılım haritasının kuzeybatısındaki mekansal potasyum zenginleşmesi, potasyum klorür, potasyum sülfat, potasyum nitrat, potasyum ve potasyum gibi potasyum bazlı gübrelerin, verimsiz toprakların potasyum içeriğini artırmak için kullanılmasından kaynaklanıyor olabilir. Zádorová ve ark.76 ve Tlustoš ve ark. 77 numaralı kaynakta, K bazlı gübrelerin uygulanmasının topraktaki K içeriğini artırdığı ve uzun vadede toprak besin içeriğini, özellikle K ve Mg'yi önemli ölçüde artıracağı, toprakta bir sıcak nokta oluşturduğu belirtilmiştir. Haritanın kuzeybatısında ve güneydoğusunda nispeten orta düzeyde sıcak noktalar bulunmaktadır. Topraktaki kolloidal fiksasyon, topraktaki magnezyum konsantrasyonunu azaltır. Topraktaki eksikliği, bitkilerde sarımsı damar arası klorozuna neden olur. Potasyum magnezyum sülfat, magnezyum sülfat ve Kieserit gibi magnezyum bazlı gübreler, normal pH aralığındaki topraklarda eksiklikleri (bitkiler mor, kırmızı veya kahverengi görünür, bu da magnezyum eksikliğini gösterir) giderir.6 Kentsel ve kentsel çevre toprak yüzeylerinde nikel birikimi, tarım gibi insan faaliyetlerinden ve paslanmaz çelik üretiminde nikelin öneminden kaynaklanabilir.78
Öğelerin 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 indeksi sonuçları Tablo 2'de gösterilmiştir. Öte yandan, Ni'nin RMSE ve MAE değerleri sıfıra yakındır (0,86 RMSE, -0,08 MAE). Diğer yandan, K'nin hem RMSE hem de MAE değerleri kabul edilebilir düzeydedir. Kalsiyum ve magnezyum için RMSE ve MAE sonuçları daha büyüktür. Ca ve K'nin MAE ve RMSE sonuçları, farklı veri kümelerinden dolayı daha büyüktür. Bu çalışmada Ni'yi tahmin etmek için EBK kullanılarak elde edilen RMSE ve MAE değerleri, aynı toplanan verileri kullanarak toprakta S konsantrasyonlarını tahmin etmek için sinerjik kriging kullanan John vd. 54'ün sonuçlarından daha iyi bulunmuştur. İncelediğimiz EBK çıktıları, özellikle K ve Ni için Fabijaczyk vd. 41, Yan vd. 79, Beguin vd. 80, Adhikary vd. 81 ve John vd. 82'nin çıktılarıyla korelasyon göstermektedir.
Kentsel ve kentsel çevre topraklarındaki nikel içeriğini tahmin etmeye yönelik bireysel yöntemlerin performansı, modellerin performansı kullanılarak değerlendirilmiştir (Tablo 3). Model doğrulama ve doğruluk değerlendirmesi, EBK SVMR modeliyle birleştirilmiş Ca_Mg_K tahmincisinin en iyi performansı verdiğini doğrulamıştır. Kalibrasyon modeli Ca_Mg_K-EBK_SVMR modelinin R2, kök ortalama kare hatası (RMSE) ve ortalama mutlak hatası (MAE) sırasıyla 0,637 (R2), 95,479 mg/kg (RMSE) ve 77,368 mg/kg (MAE) iken, Ca_Mg_K-SVMR modelinin R2, RMSE ve MAE değerleri sırasıyla 0,663 (R2), RMSE ve MAE değerleri sırasıyla 235,974 mg/kg (RMSE) ve MAE değerleri sırasıyla 166,946 mg/kg (MAE) olmuştur. Bununla birlikte, Ca_Mg_K-SVMR (0,663 mg/kg R2) ve Ca_Mg-EBK_SVMR için iyi R2 değerleri elde edilmiştir. (0.643 = R2); RMSE ve MAE sonuçları, Ca_Mg_K-EBK_SVMR (R2 0,637) modeline göre daha yüksekti (Tablo 3'e bakınız). Ayrıca, Ca_Mg-EBK_SVMR modelinin RMSE ve MAE değerleri (RMSE = 1664,64 ve MAE = 1031,49) sırasıyla 17,5 ve 13,4 olup, Ca_Mg_K-EBK_SVMR modelinin değerlerinden daha büyüktür. Benzer şekilde, Ca_Mg-K SVMR modelinin RMSE ve MAE değerleri (RMSE = 235,974 ve MAE = 166,946) sırasıyla 2,5 ve 2,2 kat daha büyüktür. Hesaplanan RMSE sonuçları, veri setinin en iyi uyum çizgisiyle ne kadar yoğunlaştığını göstermektedir. Daha yüksek RMSE ve MAE değerleri gözlemlenmiştir. Kebonye vd. 46 ve John vd. 54'e göre, RMSE ve MAE sıfıra ne kadar yakınsa sonuçlar o kadar iyidir. SVMR ve EBK_SVMR daha yüksek nicelleştirilmiş RSME ve MAE değerlerine sahiptir. RSME tahminlerinin sürekli olarak MAE değerlerinden daha yüksek olduğu gözlemlenmiştir, bu da aykırı değerlerin varlığını göstermektedir. Legates ve McCabe83'e göre, RMSE'nin ortalama mutlak hatayı (MAE) aşma derecesi, aykırı değerlerin varlığının bir göstergesi olarak önerilmektedir. Bu, veri kümesi ne kadar heterojen olursa, MAE ve RMSE değerlerinin o kadar yüksek olacağı anlamına gelir. Kentsel ve banliyö topraklarında Ni içeriğini tahmin etmek için Ca_Mg_K-EBK_SVMR karma modelinin çapraz doğrulama değerlendirmesinin doğruluğu %63,70'tir. Li vd. 59'a göre, bu doğruluk seviyesi kabul edilebilir bir model performans oranıdır. Mevcut sonuçlar, Tarasov vd. tarafından yapılan önceki bir çalışma ile karşılaştırılmıştır. 36 numaralı çalışmada hibrit model olarak oluşturulan MLPRK (Çok Katmanlı Algılayıcı Artık Kriging) ile ilgili olarak, mevcut çalışmada bildirilen EBK_SVMR doğruluk değerlendirme indeksi, RMSE (210) ve MAE (167,5) değerleri, mevcut çalışmamızdaki sonuçlardan (RMSE 95,479, MAE 77,368) daha yüksekti. Bununla birlikte, mevcut çalışmanın R2 değerini (0,637) Tarasov ve ark.'nınkiyle karşılaştırdığımızda... 36 (0.544)'te, 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 ark.34, geliştirilen hibrit model (Çok Katmanlı Algılayıcı Artık Kriging) için 0,28 (R2) kaydederken, mevcut çalışmada Ni için 0,637 (R2) kaydedilmiştir. Bu modelin (EBK SVMR) tahmin doğruluğu seviyesi %63,7 iken, Sergeev ve ark.34 tarafından elde edilen tahmin doğruluğu %28'dir. EBK_SVMR modeli ve Ca_Mg_K'yı tahmin edici olarak kullanarak oluşturulan nihai harita (Şekil 5), tüm çalışma alanında sıcak noktaların ve orta ila yüksek nikel konsantrasyonlarının tahminlerini göstermektedir. Bu, çalışma alanındaki nikel konsantrasyonunun çoğunlukla orta düzeyde olduğu, bazı belirli alanlarda daha yüksek konsantrasyonlar olduğu anlamına gelir.
Son tahmin haritası, hibrit model EBK_SVMR ve tahminleyici olarak Ca_Mg_K kullanılarak temsil edilmiştir. [Mekansal dağılım haritası RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturulmuştur.]
Şekil 6'da, bireysel nöronlardan oluşan bir kompozisyon düzlemi olarak PTE konsantrasyonları sunulmuştur. Bileşen düzlemlerinin hiçbiri gösterilen renk deseniyle aynı renk desenini sergilememiştir. Bununla birlikte, 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. Hassas renk ölçeklerine göre, bireysel elementler (Ca, K ve Mg), tek yüksek nöronlara ve çoğu düşük nörona benzer renk desenleri göstermiştir. Bu nedenle, CaK ve CaMg, çok yüksek dereceli nöronlar ve düşük ila orta renk desenleriyle bazı benzerlikler paylaşmaktadır. Her iki model de kırmızı, turuncu ve sarı gibi orta ila yüksek renk tonlarını göstererek toprakta Ni konsantrasyonunu tahmin etmektedir. KMg modeli, hassas oranlara ve düşük ila orta renk yamalarına dayalı birçok yüksek renk deseni göstermektedir. Düşükten yükseğe hassas bir renk ölçeğinde, modelin bileşenlerinin düzlemsel dağılım deseni, toprakta nikelin potansiyel konsantrasyonunu gösteren yüksek bir renk deseni göstermiştir (bkz. Şekil 4). CakMg modelinin bileşen düzlemi çeşitli bir renk deseni göstermektedir. Renk deseni, doğru bir renk ölçeğine göre düşükten yükseğe doğru sıralanmıştır. Ayrıca, modelin nikel içeriği (CakMg) tahmini, Şekil 5'te gösterilen nikelin mekansal dağılımına benzerdir. Her iki grafik de kentsel ve kentsel çevre topraklarında yüksek, orta ve düşük oranlarda nikel konsantrasyonlarını göstermektedir. Şekil 7, her modelde tahmin edilen değere göre üç kümeye ayrılmış haritada k-ortalamalar gruplamasında kontur yöntemini göstermektedir. Kontur yöntemi, optimum küme sayısını temsil eder. Toplanan 115 toprak örneğinden, kategori 1 en fazla toprak örneğini (74) almıştır. Küme 2 33 örnek alırken, küme 3 8 örnek almıştır. Yedi bileşenli düzlemsel tahmin edici kombinasyonu, doğru küme yorumlamasına olanak sağlamak için basitleştirilmiştir. Toprak oluşumunu etkileyen çok sayıda antropojenik ve doğal süreç nedeniyle, dağıtılmış bir SeOM haritasında doğru şekilde farklılaştırılmış küme desenlerine sahip olmak zordur78.
Her bir Ampirik Bayes Kriging Destek Vektör Makinesi (EBK_SVM_SeOM) değişkeni tarafından üretilen bileşen düzlemi çıktısı. [SeOM haritaları RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturulmuştur.]
Farklı küme sınıflandırma bileşenleri [SeOM haritaları RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturulmuştur.]
Bu çalışma, kentsel ve kentsel çevre topraklarındaki nikel konsantrasyonları için modelleme tekniklerini açıkça göstermektedir. Çalışma, toprakta nikel konsantrasyonlarını tahmin etmenin en iyi yolunu elde etmek için farklı modelleme tekniklerini test etmiş ve elementleri modelleme teknikleriyle birleştirmiştir. Modelleme tekniğinin SeOM kompozisyonel düzlemsel uzamsal özellikleri, toprakta Ni konsantrasyonlarını gösteren doğru bir renk ölçeğinde düşükten yükseğe doğru yüksek bir renk deseni sergilemiştir. Bununla birlikte, uzamsal dağılım haritası, EBK_SVMR tarafından sergilenen bileşenlerin düzlemsel uzamsal dağılımını doğrulamaktadır (bkz. Şekil 5). Sonuçlar, destek vektör makinesi regresyon modelinin (Ca Mg K-SVMR) toprakta Ni konsantrasyonunu tek bir model olarak tahmin ettiğini, ancak doğrulama ve doğruluk değerlendirme parametrelerinin RMSE ve MAE açısından çok yüksek hatalar gösterdiğini ortaya koymaktadır. Öte yandan, EBK_MLR modeliyle kullanılan modelleme tekniği de düşük belirleme katsayısı (R2) değeri nedeniyle kusurludur. EBK SVMR ve birleştirilmiş elementler (CaKMg) kullanılarak düşük RMSE ve MAE hatalarıyla %100 doğruluk elde edilmiştir. %63,7. EBK algoritmasının bir makine öğrenme algoritmasıyla birleştirilmesinin, toprakta PTE konsantrasyonunu tahmin edebilen hibrit bir algoritma oluşturabileceği ortaya çıkmıştır. Sonuçlar, çalışma alanındaki Ni konsantrasyonlarını tahmin etmek için Ca, Mg, K'yı tahmin edici olarak kullanmanın, topraklardaki Ni tahminini iyileştirebileceğini göstermektedir. Bu, nikel bazlı gübrelerin sürekli uygulanmasının ve çelik endüstrisi tarafından toprağın endüstriyel kirliliğinin, topraktaki nikel konsantrasyonunu artırma eğiliminde olduğu anlamına gelir. Bu çalışma, EBK modelinin hata seviyesini azaltabileceğini ve kentsel veya kentsel çevre topraklarında toprak mekansal dağılım modelinin doğruluğunu artırabileceğini ortaya koymuştur. Genel olarak, toprakta PTE'yi değerlendirmek ve tahmin etmek için EBK-SVMR modelini uygulamayı öneriyoruz; ayrıca, EBK'yı çeşitli makine öğrenme algoritmalarıyla hibritleştirmeyi öneriyoruz. Ni konsantrasyonları, elementler kovaryat olarak kullanılarak tahmin edilmiştir; Ancak, daha fazla kovaryat kullanmak modelin performansını büyük ölçüde iyileştirecektir ki bu da mevcut çalışmanın bir sınırlaması olarak değerlendirilebilir. Bu çalışmanın bir diğer sınırlaması ise veri setlerinin sayısının 115 olmasıdır. Bu nedenle, daha fazla veri sağlanırsa, önerilen optimize edilmiş hibritleştirme 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 çevresel toksikolojideki gelişmeler.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikel: Kaynakları ve çevresel toksikolojisi üzerine bir inceleme. Polonya Çevre Çalışmaları Dergisi 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Atmosferden gelen kirletici madde girişi ve Kanada, Ontario, Sudbury'deki bir nikel-bakır eritme tesisinin yakınındaki toprak 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 yakınlarında otlayan geviş getiren hayvanlarla ilişkili toprak, bitki ve risklerdeki ağır metaller. Çevre. Jeokimya. Sağlık https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Toprakta ve bitkilerde iz elementler… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (Erişim tarihi: 24 Kasım 2020).
Almås, A., Singh, B., Tarım, TS-NJ & 1995, tanımlanmamış. Rus nikel endüstrisinin Norveç'in Soer-Varanger bölgesindeki tarım topraklarında ve otlarında ağır metal konsantrasyonları üzerindeki etkileri. agris.fao.org.
Nielsen, GD ve diğerleri. İçme suyunda nikel emilimi ve tutulumu, besin 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: bir bibliyometrik inceleme. Çevre Jeokimyası 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 Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Erişim tarihi: 28 Nisan 2021).