Cảm ơn bạn đã ghé thăm Nature.com. Phiên bản trình duyệt bạn đang sử dụng có hỗ trợ CSS hạn chế. Để có trải nghiệm tốt nhất, chúng tôi khuyên bạn nên sử dụng trình duyệt được cập nhật (hoặc tắt chế độ tương thích trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo hỗ trợ liên tục, chúng tôi sẽ hiển thị trang web mà không có kiểu dáng và JavaScript.
Ô nhiễm đất là một vấn đề lớn do các hoạt động của con người gây ra. Sự phân bố không gian của các nguyên tố độc hại tiềm tàng (PTEs) rất khác nhau ở hầu hết các khu vực đô thị và ngoại ô. Do đó, việc dự đoán hàm lượng PTEs trong các loại đất này theo không gian rất khó khăn. Tổng cộng 115 mẫu đất đã được thu thập từ Frydek Mistek ở Cộng hòa Séc. Nồng độ canxi (Ca), magiê (Mg), kali (K) và niken (Ni) được xác định bằng phương pháp quang phổ phát xạ plasma cảm ứng (ICP-ESP). Biến phản hồi là Ni và các biến dự báo là Ca, Mg và K. Ma trận tương quan giữa biến phản hồi và biến dự báo cho thấy mối tương quan tốt giữa các nguyên tố. Kết quả dự đoán cho thấy phương pháp hồi quy máy vectơ hỗ trợ (SVMR) hoạt động tốt, mặc dù sai số bình phương trung bình gốc (RMSE) ước tính (235,974 mg/kg) và sai số tuyệt đối trung bình (MAE) (166,946 mg/kg) cao hơn so với các phương pháp khác được áp dụng. Mô hình hỗn hợp cho hồi quy tuyến tính đa biến Kriging Bayes thực nghiệm (EBK-MLR) Các phương pháp khác hoạt động kém hiệu quả, được chứng minh bằng hệ số xác định nhỏ hơn 0,1. Mô hình hồi quy máy vectơ hỗ trợ Kriging Bayes thực nghiệm (EBK-SVMR) là mô hình tốt nhất, với giá trị RMSE thấp (95,479 mg/kg) và MAE thấp (77,368 mg/kg) và hệ số xác định cao (R2 = 0,637). Kết quả của kỹ thuật mô hình hóa EBK-SVMR được trực quan hóa bằng bản đồ tự tổ chức. Các nơron được nhóm lại trong mặt phẳng của thành phần mô hình lai CakMg-EBK-SVMR hiển thị nhiều mẫu màu dự đoán nồng độ Ni trong đất đô thị và ngoại ô. Kết quả chứng minh rằng việc kết hợp EBK và SVMR là một kỹ thuật hiệu quả để dự đoán nồng độ Ni trong đất đô thị và ngoại ô.
Niken (Ni) được coi là một vi chất dinh dưỡng cho cây trồng vì nó góp phần vào quá trình cố định nitơ trong khí quyển (N) và chuyển hóa urê, cả hai đều cần thiết cho sự nảy mầm của hạt. Ngoài đóng góp vào sự nảy mầm của hạt, Ni còn có thể hoạt động như một chất ức chế nấm và vi khuẩn, đồng thời thúc đẩy sự phát triển của cây trồng. Sự thiếu hụt niken trong đất khiến cây hấp thụ nó, dẫn đến hiện tượng vàng lá. Ví dụ, đậu đũa và đậu xanh cần bón phân chứa niken để tối ưu hóa quá trình cố định nitơ2. Việc tiếp tục bón phân chứa niken để làm giàu đất và tăng khả năng cố định nitơ của cây họ đậu trong đất liên tục làm tăng nồng độ niken trong đất. Mặc dù niken là một vi chất dinh dưỡng cho cây trồng, nhưng việc hấp thụ quá mức trong đất có thể gây hại nhiều hơn lợi. Độc tính của niken trong đất làm giảm độ pH của đất và cản trở sự hấp thụ sắt như một chất dinh dưỡng thiết yếu cho sự phát triển của cây trồng1. Theo Liu3, Ni được tìm thấy là nguyên tố quan trọng thứ 17 cần thiết cho sự phát triển và tăng trưởng của cây trồng. Ngoài vai trò của niken trong sự phát triển và tăng trưởng của cây trồng, con người cũng cần nó cho nhiều mục đích khác nhau. Ứng dụng. Mạ điện, sản xuất hợp kim gốc niken, và sản xuất thiết bị đánh lửa và bugi trong ngành công nghiệp ô tô đều yêu cầu sử dụng niken trong các lĩnh vực công nghiệp khác nhau. Ngoài ra, hợp kim gốc niken và các sản phẩm mạ điện được sử dụng rộng rãi trong đồ dùng nhà bếp, phụ kiện phòng khiêu vũ, vật tư công nghiệp thực phẩm, điện, dây và cáp, tuabin phản lực, cấy ghép phẫu thuật, dệt may và đóng tàu5. Hàm lượng niken cao trong đất (tức là đất bề mặt) được cho là do cả nguồn gốc nhân tạo và tự nhiên, nhưng chủ yếu, niken là nguồn gốc tự nhiên hơn là nhân tạo4,6. Các nguồn niken tự nhiên bao gồm phun trào núi lửa, thảm thực vật, cháy rừng và các quá trình địa chất; tuy nhiên, các nguồn nhân tạo bao gồm pin niken/cadmi trong ngành công nghiệp thép, mạ điện, hàn hồ quang, dầu diesel và dầu nhiên liệu, và khí thải từ quá trình đốt than và đốt chất thải và bùn. Sự tích tụ niken7,8. Theo Freedman và Hutchinson9 và Manyiwa et al. 10. Các nguồn gây ô nhiễm đất mặt chính trong môi trường xung quanh và lân cận chủ yếu là các nhà máy luyện kim và mỏ khai thác niken-đồng. Đất mặt xung quanh nhà máy lọc niken-đồng Sudbury ở Canada có mức độ ô nhiễm niken cao nhất ở mức 26.000 mg/kg11. Ngược lại, ô nhiễm từ sản xuất niken ở Nga đã dẫn đến nồng độ niken cao hơn trong đất Na Uy11. Theo Alms et al. Theo Kabata 11, lượng niken có thể chiết xuất bằng HNO3 trong đất canh tác tốt nhất của khu vực (sản xuất niken ở Nga) dao động từ 6,25 đến 136,88 mg/kg, tương ứng với mức trung bình là 30,43 mg/kg và nồng độ cơ bản là 25 mg/kg. Việc bón phân lân vào đất nông nghiệp ở khu vực đô thị hoặc ngoại ô trong các mùa vụ liên tiếp có thể làm nhiễm hoặc gây ô nhiễm đất. Tác động tiềm tàng của niken đối với con người có thể dẫn đến ung thư thông qua đột biến, tổn thương nhiễm sắc thể, tạo ra Z-DNA, ngăn chặn quá trình sửa chữa cắt bỏ DNA hoặc các quá trình biểu sinh. Trong các thí nghiệm trên động vật, niken được phát hiện có khả năng gây ra nhiều loại khối u, và các phức hợp niken gây ung thư có thể làm trầm trọng thêm các khối u đó.
Việc đánh giá ô nhiễm đất đã phát triển mạnh mẽ trong thời gian gần đây do nhiều vấn đề liên quan đến sức khỏe phát sinh từ mối quan hệ giữa đất và thực vật, mối quan hệ giữa đất và sinh vật trong đất, sự suy thoái sinh thái và đánh giá tác động môi trường. Cho đến nay, việc dự đoán không gian các nguyên tố độc hại tiềm tàng (PTEs) như Ni trong đất vẫn tốn nhiều công sức và thời gian khi sử dụng các phương pháp truyền thống. Sự ra đời của bản đồ đất kỹ thuật số (DSM) và thành công hiện tại của nó¹⁵ đã cải thiện đáng kể việc lập bản đồ đất dự đoán (PSM). Theo Minasny và McBratney¹⁶, lập bản đồ đất dự đoán (DSM) đã được chứng minh là một phân ngành nổi bật của khoa học đất. Lagacherie và McBratney, 2006 định nghĩa DSM là “việc tạo ra và điền vào các hệ thống thông tin đất không gian thông qua việc sử dụng các phương pháp quan sát tại chỗ và trong phòng thí nghiệm cũng như các hệ thống suy luận đất không gian và phi không gian”. McBratney et al. Mục 17 nêu rõ rằng DSM hoặc PSM hiện đại là kỹ thuật hiệu quả nhất để dự đoán hoặc lập bản đồ phân bố không gian của PTE, loại đất và đặc tính đất. Thống kê địa lý và thuật toán học máy (MLA) là các kỹ thuật mô hình hóa DSM tạo ra bản đồ số hóa với sự trợ giúp của máy tính bằng cách sử dụng dữ liệu đáng kể và tối thiểu.
Deutsch18 và Olea19 định nghĩa địa thống kê là “tập hợp các kỹ thuật số xử lý việc biểu diễn các thuộc tính không gian, chủ yếu sử dụng các mô hình ngẫu nhiên, chẳng hạn như cách phân tích chuỗi thời gian mô tả dữ liệu thời gian.” Về cơ bản, địa thống kê liên quan đến việc đánh giá variogram, cho phép định lượng và xác định sự phụ thuộc của các giá trị không gian từ mỗi tập dữ liệu20.Gumiaux et al. Mục 20 minh họa thêm rằng việc đánh giá variogram trong địa thống kê dựa trên ba nguyên tắc, bao gồm (a) tính toán quy mô tương quan dữ liệu, (b) xác định và tính toán tính dị hướng trong sự khác biệt của tập dữ liệu và (c) ngoài việc tính đến sai số vốn có của dữ liệu đo lường được tách biệt khỏi các hiệu ứng cục bộ, các hiệu ứng khu vực cũng được ước tính. Dựa trên các khái niệm này, nhiều kỹ thuật nội suy được sử dụng trong địa thống kê, bao gồm kriging tổng quát, co-kriging, kriging thông thường, kriging Bayes thực nghiệm, phương pháp kriging đơn giản và các kỹ thuật nội suy nổi tiếng khác để lập bản đồ hoặc dự đoán PTE, đặc điểm đất và loại đất.
Các thuật toán học máy (MLA) là một kỹ thuật tương đối mới sử dụng các lớp dữ liệu phi tuyến tính lớn hơn, được thúc đẩy bởi các thuật toán chủ yếu được sử dụng để khai thác dữ liệu, xác định các mẫu trong dữ liệu và được áp dụng lặp đi lặp lại cho phân loại trong các lĩnh vực khoa học như khoa học đất và các nhiệm vụ hồi quy. Nhiều bài báo nghiên cứu dựa trên các mô hình MLA để dự đoán PTE trong đất, chẳng hạn như Tan et al. 22 (rừng ngẫu nhiên để ước tính kim loại nặng trong đất nông nghiệp), Sakizadeh et al. 23 (mô hình hóa bằng cách sử dụng máy vectơ hỗ trợ và mạng nơ-ron nhân tạo) ô nhiễm đất). Ngoài ra, Vega et al. 24 (CART để mô hình hóa sự giữ lại và hấp phụ kim loại nặng trong đất), Sun et al. 25 (ứng dụng cubist là sự phân bố Cd trong đất) và các thuật toán khác như k-nearest neighbor, generalized boosted regression và boosted regression Trees cũng đã áp dụng MLA để dự đoán PTE trong đất.
Việc ứng dụng các thuật toán DSM trong dự đoán hoặc lập bản đồ gặp phải một số thách thức. Nhiều tác giả tin rằng MLA vượt trội hơn so với địa thống kê và ngược lại. Mặc dù một trong hai phương pháp tốt hơn phương pháp kia, nhưng sự kết hợp của cả hai sẽ cải thiện mức độ chính xác của việc lập bản đồ hoặc dự đoán trong DSM15. Woodcock và Gopal26 Finke27; Pontius và Cheuk28 và Grunwald29 đã bình luận về những thiếu sót và một số lỗi trong việc lập bản đồ đất dự đoán. Các nhà khoa học về đất đã thử nhiều kỹ thuật khác nhau để tối ưu hóa hiệu quả, độ chính xác và khả năng dự đoán của việc lập bản đồ và dự báo DSM. Sự kết hợp giữa sự không chắc chắn và xác minh là một trong nhiều khía cạnh khác nhau được tích hợp vào DSM để tối ưu hóa hiệu quả và giảm thiểu sai sót. Tuy nhiên, Agyeman et al. 15 nêu rõ rằng hành vi xác thực và sự không chắc chắn do việc tạo bản đồ và dự đoán gây ra cần được xác thực độc lập để cải thiện chất lượng bản đồ. Những hạn chế của DSM là do chất lượng đất phân tán về mặt địa lý, bao gồm một thành phần không chắc chắn; Tuy nhiên, sự thiếu chắc chắn trong DSM có thể phát sinh từ nhiều nguồn lỗi, cụ thể là lỗi biến số, lỗi mô hình, lỗi vị trí và lỗi phân tích 31. Sự không chính xác trong mô hình gây ra trong MLA và các quy trình địa thống kê có liên quan đến sự thiếu hiểu biết, cuối cùng dẫn đến việc đơn giản hóa quá mức quá trình thực tế32. Bất kể bản chất của mô hình, sự không chính xác có thể được quy cho các tham số mô hình, dự đoán mô hình toán học hoặc nội suy33. Gần đây, một xu hướng DSM mới đã xuất hiện, thúc đẩy sự tích hợp địa thống kê và MLA trong lập bản đồ và dự báo. Một số nhà khoa học và tác giả về đất, chẳng hạn như Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 và Tarasov et al. 37 đã khai thác chất lượng chính xác của địa thống kê và học máy để tạo ra các mô hình lai giúp cải thiện hiệu quả dự báo và lập bản đồ. chất lượng. Một số mô hình thuật toán lai hoặc kết hợp này là Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 và Co-Kriging và Gaussian Process Regression38.
Theo Sergeev và cộng sự, việc kết hợp nhiều kỹ thuật mô hình hóa khác nhau có tiềm năng loại bỏ các khiếm khuyết và tăng hiệu quả của mô hình lai tạo thu được thay vì phát triển một mô hình đơn lẻ. Trong bối cảnh này, bài báo mới này lập luận rằng cần thiết phải áp dụng thuật toán kết hợp giữa địa thống kê và MLA để tạo ra các mô hình lai tối ưu nhằm dự đoán sự gia tăng nồng độ Ni ở các khu vực đô thị và ngoại ô. Nghiên cứu này sẽ dựa trên phương pháp Kriging Bayes thực nghiệm (EBK) làm mô hình cơ sở và kết hợp nó với các mô hình Máy hỗ trợ vectơ (SVM) và Hồi quy tuyến tính đa biến (MLR). Việc kết hợp EBK với bất kỳ MLA nào vẫn chưa được biết đến. Các mô hình hỗn hợp đa dạng được thấy là sự kết hợp của các phương pháp thông thường, phương pháp dư, phương pháp hồi quy kriging và MLA. EBK là một phương pháp nội suy địa thống kê sử dụng một quá trình ngẫu nhiên không gian được định vị như một trường ngẫu nhiên không ổn định/ổn định với các tham số định vị được xác định trên trường, cho phép biến đổi không gian39. EBK đã được sử dụng trong nhiều nghiên cứu, bao gồm phân tích sự phân bố carbon hữu cơ trong đất nông nghiệp40, đánh giá ô nhiễm đất41 và lập bản đồ các đặc tính của đất42.
Mặt khác, Đồ thị Tự tổ chức (SeOM) là một thuật toán học tập đã được áp dụng trong nhiều bài báo như Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 và Kebonye et al.46 để xác định các thuộc tính không gian và nhóm các phần tử. Wang et al. 44 nêu rõ rằng SeOM là một kỹ thuật học tập mạnh mẽ được biết đến với khả năng nhóm và hình dung các vấn đề phi tuyến tính. Không giống như các kỹ thuật nhận dạng mẫu khác như phân tích thành phần chính, phân cụm mờ, phân cụm phân cấp và ra quyết định đa tiêu chí, SeOM tốt hơn trong việc tổ chức và xác định các mẫu PTE. Theo Wang et al. 44, SeOM có thể nhóm không gian phân bố của các nơ-ron liên quan và cung cấp hình ảnh hóa dữ liệu độ phân giải cao. SeOM sẽ hình ảnh hóa dữ liệu dự đoán Ni để có được mô hình tốt nhất nhằm mô tả kết quả để diễn giải trực tiếp.
Bài báo này nhằm mục đích tạo ra một mô hình lập bản đồ mạnh mẽ với độ chính xác tối ưu để dự đoán hàm lượng niken trong đất đô thị và ngoại ô. Chúng tôi giả định rằng độ tin cậy của mô hình hỗn hợp chủ yếu phụ thuộc vào ảnh hưởng của các mô hình khác được gắn vào mô hình cơ sở. Chúng tôi thừa nhận những thách thức mà DSM đang phải đối mặt, và trong khi những thách thức này đang được giải quyết trên nhiều mặt trận, sự kết hợp giữa những tiến bộ trong địa thống kê và các mô hình MLA dường như chỉ mang tính gia tăng; do đó, chúng tôi sẽ cố gắng trả lời các câu hỏi nghiên cứu có thể tạo ra các mô hình hỗn hợp. Tuy nhiên, mô hình này chính xác đến mức nào trong việc dự đoán nguyên tố mục tiêu? Ngoài ra, mức độ đánh giá hiệu quả dựa trên đánh giá xác thực và độ chính xác là như thế nào? Do đó, các mục tiêu cụ thể của nghiên cứu này là (a) tạo ra một mô hình hỗn hợp kết hợp cho SVMR hoặc MLR sử dụng EBK làm mô hình cơ sở, (b) so sánh các mô hình thu được, (c) đề xuất mô hình hỗn hợp tốt nhất để dự đoán nồng độ Ni trong đất đô thị hoặc ngoại ô, và (d) ứng dụng SeOM để tạo ra bản đồ độ phân giải cao về sự biến đổi không gian của niken.
Nghiên cứu này đang được tiến hành tại Cộng hòa Séc, cụ thể là tại huyện Frydek Mistek thuộc vùng Moravia-Silesian (xem Hình 1). Địa hình khu vực nghiên cứu rất hiểm trở và chủ yếu thuộc vùng Beskidy của Moravia-Silesian, một phần của rìa ngoài dãy núi Carpathian. Khu vực nghiên cứu nằm giữa vĩ độ 49° 41′ 0′ N và kinh độ 18° 20′ 0′ E, và độ cao từ 225 đến 327 m; Tuy nhiên, hệ thống phân loại Koppen về trạng thái khí hậu của khu vực được xếp hạng là Cfb = khí hậu đại dương ôn đới, có nhiều mưa ngay cả trong những tháng khô hạn. Nhiệt độ dao động nhẹ trong suốt năm, từ -5°C đến 24°C, hiếm khi xuống dưới -14°C hoặc trên 30°C, trong khi lượng mưa trung bình hàng năm nằm trong khoảng từ 685 đến 752 mm47. Diện tích khảo sát ước tính của toàn khu vực là 1.208 km², với 39,38% là đất canh tác và 49,36% là rừng. Mặt khác, diện tích được sử dụng trong nghiên cứu này là khoảng 889,8 km². Trong và xung quanh Ostrava, ngành công nghiệp thép và luyện kim rất phát triển. Các nhà máy luyện kim, ngành công nghiệp thép nơi niken được sử dụng trong thép không gỉ (ví dụ: để chống ăn mòn khí quyển) và thép hợp kim (niken làm tăng độ bền của hợp kim trong khi vẫn duy trì độ dẻo và độ dai tốt), và nông nghiệp thâm canh như bón phân lân và chăn nuôi đang được nghiên cứu. các nguồn niken tiềm năng trong khu vực (ví dụ: bổ sung niken cho cừu non để tăng tốc độ tăng trưởng ở cừu non và gia súc được cho ăn ít). Các ứng dụng công nghiệp khác của niken trong các lĩnh vực nghiên cứu bao gồm sử dụng nó trong mạ điện, bao gồm các quy trình mạ niken điện phân và mạ niken không điện phân. Các đặc tính của đất dễ dàng phân biệt được dựa trên màu sắc, cấu trúc và hàm lượng cacbonat của đất. Kết cấu đất từ ​​trung bình đến mịn, có nguồn gốc từ vật liệu gốc. Chúng có bản chất là đất tích tụ, đất phù sa hoặc đất gió. Một số khu vực đất có vẻ lốm đốm ở bề mặt và lớp đất dưới, thường có bê tông và bị tẩy trắng. Tuy nhiên, đất cambisol và đất stagnosol là các loại đất phổ biến nhất trong khu vực48. Với độ cao dao động từ 455,1 đến 493,5 m, đất cambisol chiếm ưu thế ở Cộng hòa Séc49.
Bản đồ khu vực nghiên cứu [Bản đồ khu vực nghiên cứu được tạo bằng ArcGIS Desktop (ESRI, Inc, phiên bản 10.7, URL: https://desktop.arcgis.com).]
Tổng cộng 115 mẫu đất mặt được thu thập từ đất đô thị và ngoại ô thuộc quận Frydek Mistek. Mẫu được lấy theo dạng lưới đều đặn với các mẫu đất cách nhau 2 × 2 km, và độ sâu của đất mặt được đo từ 0 đến 20 cm bằng thiết bị GPS cầm tay (Leica Zeno 5 GPS). Các mẫu được đóng gói trong túi Ziploc, dán nhãn đúng cách và vận chuyển đến phòng thí nghiệm. Các mẫu được phơi khô trong không khí để tạo thành mẫu bột, sau đó được nghiền nhỏ bằng hệ thống cơ học (máy nghiền đĩa Fritsch) và sàng lọc (kích thước sàng 2 mm). Cho 1 gam mẫu đất khô, đồng nhất và đã sàng lọc vào các chai Teflon được dán nhãn rõ ràng. Trong mỗi chai Teflon, cho 7 ml HCl 35% và 3 ml HNO3 65% (sử dụng máy phân phối tự động – mỗi loại một chai), đậy nhẹ và để các mẫu qua đêm cho phản ứng xảy ra (chương trình aqua regia). Đặt phần dung dịch phía trên lên một tấm kim loại nóng. (nhiệt độ: 100 W và 160 °C) trong 2 giờ để tạo điều kiện thuận lợi cho quá trình phân hủy mẫu, sau đó làm nguội. Chuyển phần dịch nổi vào bình định mức 50 ml và pha loãng đến 50 ml bằng nước khử ion. Sau đó, lọc phần dịch nổi đã pha loãng vào ống PVC 50 ml bằng nước khử ion. Ngoài ra, lấy 1 ml dung dịch pha loãng và pha loãng với 9 ml nước khử ion, sau đó lọc vào ống 12 ml đã chuẩn bị để cô đặc giả các kim loại độc hại (PTE). Nồng độ các PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) được xác định bằng ICP-OES (Quang phổ phát xạ plasma cảm ứng) (Thermo Fisher Scientific, Hoa Kỳ) theo các phương pháp tiêu chuẩn và thỏa thuận. Đảm bảo các quy trình Đảm bảo và Kiểm soát Chất lượng (QA/QC) (SRM NIST 2711a Montana II Soil). Các PTE có giới hạn phát hiện dưới một nửa được loại trừ khỏi nghiên cứu này. Giới hạn phát hiện của PTE được sử dụng trong nghiên cứu này là 0,0004.(bạn).Ngoài ra, quy trình kiểm soát chất lượng và đảm bảo chất lượng cho mỗi phân tích được đảm bảo bằng cách phân tích các tiêu chuẩn tham chiếu. Để đảm bảo giảm thiểu sai sót, phân tích kép đã được thực hiện.
Phương pháp nội suy Bayes thực nghiệm (EBK) là một trong nhiều kỹ thuật nội suy địa thống kê được sử dụng trong mô hình hóa ở nhiều lĩnh vực khác nhau như khoa học đất. Không giống như các kỹ thuật nội suy kriging khác, EBK khác với các phương pháp kriging truyền thống ở chỗ xem xét sai số được ước tính bởi mô hình semivariogram. Trong nội suy EBK, một số mô hình semivariogram được tính toán trong quá trình nội suy, thay vì chỉ một semivariogram duy nhất. Các kỹ thuật nội suy tạo điều kiện cho sự không chắc chắn và lập trình liên quan đến việc vẽ biểu đồ semivariogram này, vốn là một phần rất phức tạp của một phương pháp kriging hiệu quả. Quá trình nội suy của EBK tuân theo ba tiêu chí được đề xuất bởi Krivoruchko50, (a) mô hình ước tính semivariogram từ tập dữ liệu đầu vào (b) giá trị dự đoán mới cho mỗi vị trí của tập dữ liệu đầu vào dựa trên semivariogram được tạo ra và (c) mô hình cuối cùng được tính toán từ một tập dữ liệu mô phỏng. Quy tắc phương trình Bayes được đưa ra như một hậu nghiệm.
Trong đó, \(Prob\left(A\right)\) biểu thị xác suất tiên nghiệm, \(Prob\left(B\right)\) là xác suất biên, thường bị bỏ qua trong hầu hết các trường hợp, \(Prob (B,A)\ ) . Việc tính toán semivariogram dựa trên quy tắc Bayes, cho thấy xu hướng của các tập dữ liệu quan sát có thể được tạo ra từ semivariogram. Giá trị của semivariogram sau đó được xác định bằng cách sử dụng quy tắc Bayes, cho biết xác suất tạo ra một tập dữ liệu quan sát từ semivariogram là bao nhiêu.
Máy vectơ hỗ trợ (SVM) là một thuật toán học máy tạo ra một siêu mặt phẳng phân tách tối ưu để phân biệt các lớp giống hệt nhau nhưng không độc lập tuyến tính. Vapnik51 đã tạo ra thuật toán phân loại ý định, nhưng gần đây nó đã được sử dụng để giải quyết các vấn đề hướng hồi quy. Theo Li et al.52, SVM là một trong những kỹ thuật phân loại tốt nhất và đã được sử dụng trong nhiều lĩnh vực. Thành phần hồi quy của SVM (Máy vectơ hỗ trợ hồi quy – SVMR) đã được sử dụng trong phân tích này. Cherkassky và Mulier53 đã tiên phong SVMR như một phương pháp hồi quy dựa trên hạt nhân, việc tính toán được thực hiện bằng cách sử dụng mô hình hồi quy tuyến tính với các hàm không gian đa quốc gia. John et al54 báo cáo rằng mô hình SVMR sử dụng hồi quy tuyến tính siêu mặt phẳng, tạo ra các mối quan hệ phi tuyến tính và cho phép các hàm không gian. Theo Vohland et al. 55, epsilon (ε)-SVMR sử dụng tập dữ liệu đã được huấn luyện để thu được mô hình biểu diễn dưới dạng hàm không nhạy cảm với epsilon được áp dụng để ánh xạ dữ liệu một cách độc lập với độ lệch epsilon tốt nhất từ ​​quá trình huấn luyện trên dữ liệu tương quan. Sai số khoảng cách được thiết lập trước được bỏ qua từ giá trị thực tế, và nếu sai số lớn hơn ε(ε), các thuộc tính của đất sẽ bù đắp cho nó. Mô hình này cũng làm giảm độ phức tạp của dữ liệu huấn luyện xuống một tập con rộng hơn của các vectơ hỗ trợ. Phương trình do Vapnik51 đề xuất được hiển thị bên dưới.
Trong đó, b biểu thị ngưỡng vô hướng, \(K\left({x}_{,}{ x}_{k}\right)\) biểu thị hàm nhân, \(\alpha\) biểu thị hệ số nhân Lagrange, N biểu thị tập dữ liệu số, \({x}_{k}\) biểu thị dữ liệu đầu vào và \(y\) là dữ liệu đầu ra. Một trong những hàm nhân quan trọng được sử dụng là phép toán SVMR, là hàm cơ sở xuyên tâm Gaussian (RBF). Hàm nhân RBF được áp dụng để xác định mô hình SVMR tối ưu, điều này rất quan trọng để có được hệ số tập hợp phạt C và tham số nhân gamma (γ) tinh tế nhất cho dữ liệu huấn luyện PTE. Đầu tiên, chúng tôi đánh giá tập huấn luyện và sau đó kiểm tra hiệu suất của mô hình trên tập xác thực. Tham số điều khiển được sử dụng là sigma và giá trị phương pháp là svmRadial.
Mô hình hồi quy tuyến tính bội (MLR) là một mô hình hồi quy biểu diễn mối quan hệ giữa biến phản hồi và một số biến dự báo bằng cách sử dụng các tham số tuyến tính tổng hợp được tính toán bằng phương pháp bình phương nhỏ nhất. Trong MLR, mô hình bình phương nhỏ nhất là một hàm dự báo các đặc tính của đất sau khi lựa chọn các biến giải thích. Cần sử dụng biến phản hồi để thiết lập mối quan hệ tuyến tính bằng cách sử dụng các biến giải thích. PTE được sử dụng làm biến phản hồi để thiết lập mối quan hệ tuyến tính với các biến giải thích. Phương trình MLR là
trong đó y là biến phản hồi, \(a\) là hệ số chặn, n là số lượng biến dự đoán, \({b}_{1}\) là hồi quy riêng phần của các hệ số, \({x}_{ i}\) đại diện cho một biến dự đoán hoặc biến giải thích, và \({\varepsilon }_{i}\) đại diện cho sai số trong mô hình, còn được gọi là phần dư.
Các mô hình hỗn hợp được tạo ra bằng cách kết hợp EBK với SVMR và MLR. Điều này được thực hiện bằng cách trích xuất các giá trị dự đoán từ phép nội suy EBK. Các giá trị dự đoán thu được từ Ca, K và Mg được nội suy thông qua một quy trình tổ hợp để thu được các biến mới, chẳng hạn như CaK, CaMg và KMg. Sau đó, các nguyên tố Ca, K và Mg được kết hợp để thu được biến thứ tư, CaKMg. Nhìn chung, các biến thu được là Ca, K, Mg, CaK, CaMg, KMg và CaKMg. Các biến này trở thành các biến dự đoán của chúng tôi, giúp dự đoán nồng độ niken trong đất đô thị và ngoại ô. Thuật toán SVMR được thực hiện trên các biến dự đoán để thu được mô hình hỗn hợp Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Tương tự, các biến cũng được đưa qua thuật toán MLR để thu được mô hình hỗn hợp Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Thông thường, các biến Ca, K, Mg, CaK, CaMg, KMg và CaKMg được sử dụng làm biến phụ thuộc để dự đoán hàm lượng Ni trong đất đô thị và ngoại ô. Mô hình được chấp nhận nhất (EBK_SVM hoặc EBK_MLR) sau đó sẽ được trực quan hóa bằng đồ thị tự tổ chức. Quy trình làm việc của nghiên cứu này được thể hiện trong Hình 2.
Việc sử dụng SeOM đã trở thành một công cụ phổ biến để tổ chức, đánh giá và dự báo dữ liệu trong lĩnh vực tài chính, chăm sóc sức khỏe, công nghiệp, thống kê, khoa học đất và nhiều lĩnh vực khác. SeOM được tạo ra bằng cách sử dụng mạng nơ-ron nhân tạo và các phương pháp học không giám sát để tổ chức, đánh giá và dự đoán. Trong nghiên cứu này, SeOM được sử dụng để trực quan hóa nồng độ Ni dựa trên mô hình tốt nhất để dự đoán Ni trong đất đô thị và ngoại ô. Dữ liệu được xử lý trong quá trình đánh giá SeOM được sử dụng dưới dạng các biến vectơ đầu vào có chiều n43,56.Melssen et al. Mục 57 mô tả sự kết nối của một vectơ đầu vào vào mạng nơ-ron thông qua một lớp đầu vào duy nhất đến một vectơ đầu ra với một vectơ trọng số duy nhất. Đầu ra do SeOM tạo ra là một bản đồ hai chiều bao gồm các nơ-ron hoặc nút khác nhau được dệt thành các bản đồ tôpô hình lục giác, hình tròn hoặc hình vuông theo khoảng cách của chúng. So sánh kích thước bản đồ dựa trên số liệu, lỗi lượng tử hóa (QE) và lỗi địa hình (TE), mô hình SeOM với lần lượt là 0,086 và 0,904 được chọn, tương ứng với đơn vị bản đồ 55 (5 × 11). Cấu trúc nơ-ron được xác định theo số lượng nút trong phương trình thực nghiệm.
Số lượng dữ liệu được sử dụng trong nghiên cứu này là 115 mẫu. Phương pháp ngẫu nhiên được sử dụng để chia dữ liệu thành dữ liệu kiểm tra (25% để xác thực) và tập dữ liệu huấn luyện (75% để hiệu chỉnh). Tập dữ liệu huấn luyện được sử dụng để tạo ra mô hình hồi quy (hiệu chỉnh), và tập dữ liệu kiểm tra được sử dụng để xác minh khả năng khái quát hóa58. Điều này được thực hiện để đánh giá sự phù hợp của các mô hình khác nhau trong việc dự đoán hàm lượng niken trong đất. Tất cả các mô hình được sử dụng đều trải qua quy trình kiểm định chéo mười lần, lặp lại năm lần. Các biến được tạo ra bằng phương pháp nội suy EBK được sử dụng làm biến dự đoán hoặc biến giải thích để dự đoán biến mục tiêu (PTE). Việc lập mô hình được thực hiện trong RStudio bằng cách sử dụng các gói library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(“specturer”) và libraries (“Metrics”).
Nhiều tham số xác thực khác nhau đã được sử dụng để xác định mô hình phù hợp nhất để dự đoán nồng độ niken trong đất và để đánh giá độ chính xác của mô hình và quá trình xác thực của nó. Các mô hình lai ghép được đánh giá bằng cách sử dụng sai số tuyệt đối trung bình (MAE), sai số bình phương trung bình gốc (RMSE) và hệ số xác định bình phương (R2). R2 xác định phương sai của tỷ lệ trong câu trả lời, được biểu diễn bởi mô hình hồi quy. RMSE và độ lớn phương sai trong các phép đo độc lập mô tả sức mạnh dự đoán của mô hình, trong khi MAE xác định giá trị định lượng thực tế. Giá trị R2 phải cao để đánh giá mô hình hỗn hợp tốt nhất bằng cách sử dụng các tham số xác thực, giá trị càng gần 1 thì độ chính xác càng cao. Theo Li et al. 59, giá trị tiêu chí R2 từ 0,75 trở lên được coi là một mô hình dự đoán tốt; từ 0,5 đến 0,75 là hiệu suất mô hình chấp nhận được, và dưới 0,5 là hiệu suất mô hình không thể chấp nhận được. Khi lựa chọn một mô hình bằng cách sử dụng các phương pháp đánh giá tiêu chí xác thực RMSE và MAE, các giá trị thấp hơn thu được là đủ và được coi là lựa chọn tốt nhất. Phương trình sau đây mô tả phương pháp xác minh.
trong đó n biểu thị kích thước của giá trị quan sát được, \({Y}_{i}\) biểu thị phản hồi đo được, và \({\widehat{Y}_{i}\) cũng biểu thị giá trị phản hồi dự đoán, do đó, đối với i quan sát đầu tiên.
Mô tả thống kê của các biến dự báo và biến phản hồi được trình bày trong Bảng 1, cho thấy giá trị trung bình, độ lệch chuẩn (SD), hệ số biến thiên (CV), giá trị tối thiểu, giá trị tối đa, độ nhọn và độ xiên. Giá trị tối thiểu và tối đa của các nguyên tố được sắp xếp theo thứ tự giảm dần là Mg < Ca < K < Ni và Ca < Mg < K < Ni, tương ứng. Nồng độ của biến phản hồi (Ni) được lấy mẫu từ khu vực nghiên cứu dao động từ 4,86 ​​đến 42,39 mg/kg. So sánh Ni với mức trung bình thế giới (29 mg/kg) và mức trung bình châu Âu (37 mg/kg) cho thấy giá trị trung bình hình học tổng thể được tính toán cho khu vực nghiên cứu nằm trong phạm vi cho phép. Tuy nhiên, như Kabata-Pendias11 đã chỉ ra, so sánh nồng độ niken (Ni) trung bình trong nghiên cứu hiện tại với đất nông nghiệp ở Thụy Điển cho thấy nồng độ niken trung bình hiện tại cao hơn. Tương tự, nồng độ trung bình của Frydek Mistek trong đất đô thị và ngoại ô trong nghiên cứu hiện tại (Ni 16,15 Nồng độ niken (10,2 mg/kg) trong đất đô thị Ba Lan được báo cáo bởi Różański et al. cao hơn giới hạn cho phép là 60 (10,2 mg/kg). Hơn nữa, Bretzel và Calderisi61 đã ghi nhận nồng độ niken trung bình rất thấp (1,78 mg/kg) trong đất đô thị ở Tuscany so với nghiên cứu hiện tại. Jim62 cũng tìm thấy nồng độ niken thấp hơn (12,34 mg/kg) trong đất đô thị ở Hồng Kông, thấp hơn nồng độ niken hiện tại trong nghiên cứu này. Birke et al63 đã báo cáo nồng độ niken trung bình là 17,6 mg/kg trong một khu vực khai thác mỏ và công nghiệp đô thị cũ ở Saxony-Anhalt, Đức, cao hơn 1,45 mg/kg so với nồng độ niken trung bình trong khu vực (16,15 mg/kg). Nghiên cứu hiện tại cho thấy hàm lượng niken vượt quá mức cho phép trong đất ở một số khu vực đô thị và ngoại ô của khu vực nghiên cứu chủ yếu là do ngành công nghiệp sắt thép và công nghiệp kim loại. Điều này phù hợp với nghiên cứu của Khodadoust et al. 64 cho thấy ngành công nghiệp thép và gia công kim loại là nguồn gây ô nhiễm niken chính trong đất. Tuy nhiên, các yếu tố dự báo cũng dao động từ 538,70 mg/kg đến 69.161,80 mg/kg đối với Ca, từ 497,51 mg/kg đến 3535,68 mg/kg đối với K và từ 685,68 mg/kg đến 5970,05 mg/kg đối với Mg. Jakovljevic et al. 65 đã điều tra tổng hàm lượng Mg và K trong đất ở miền trung Serbia. Họ nhận thấy rằng tổng nồng độ (lần lượt là 410 mg/kg và 400 mg/kg) thấp hơn nồng độ Mg và K trong nghiên cứu hiện tại. Tương tự, ở miền đông Ba Lan, Orzechowski và Smolczynski66 đã đánh giá tổng hàm lượng Ca, Mg và K và cho thấy nồng độ trung bình của Ca (1100 mg/kg), Mg (590 mg/kg) và K (810 mg/kg) trong lớp đất mặt thấp hơn so với từng nguyên tố riêng lẻ trong nghiên cứu này. Một nghiên cứu gần đây của Pongrac et al. 67 cho thấy tổng hàm lượng Ca được phân tích trong 3 loại đất khác nhau ở Scotland, Vương quốc Anh (đất Mylnefield, đất Balruddery và đất Hartwood) cho thấy hàm lượng Ca cao hơn trong nghiên cứu này.
Do nồng độ đo được của các nguyên tố được lấy mẫu khác nhau, phân bố dữ liệu của các nguyên tố thể hiện độ lệch khác nhau. Độ lệch và độ nhọn của các nguyên tố lần lượt nằm trong khoảng từ 1,53 đến 7,24 và từ 2,49 đến 54,16. Tất cả các nguyên tố được tính toán đều có mức độ lệch và độ nhọn trên +1, cho thấy phân bố dữ liệu không đều, lệch về phía bên phải và có đỉnh nhọn. Hệ số biến thiên (CV) ước tính của các nguyên tố cũng cho thấy K, Mg và Ni thể hiện sự biến thiên vừa phải, trong khi Ca có sự biến thiên cực kỳ cao. CV của K, Ni và Mg giải thích sự phân bố đồng đều của chúng. Hơn nữa, sự phân bố của Ca không đồng đều và các nguồn bên ngoài có thể ảnh hưởng đến mức độ làm giàu của nó.
Mối tương quan giữa các biến dự báo và các yếu tố phản hồi cho thấy mối tương quan thỏa đáng giữa các yếu tố (xem Hình 3). Mối tương quan cho thấy CaK có mối tương quan vừa phải với giá trị r = 0,53, tương tự như CaNi. Mặc dù Ca và K cho thấy mối liên hệ khiêm tốn với nhau, các nhà nghiên cứu như Kingston et al. 68 và Santo69 cho thấy nồng độ của chúng trong đất tỷ lệ nghịch với nhau. Tuy nhiên, Ca và Mg đối kháng với K, nhưng CaK lại tương quan tốt. Điều này có thể là do việc bón phân như kali cacbonat, có hàm lượng kali cao hơn 56%. Kali có tương quan vừa phải với magiê (KM r = 0,63). Trong ngành công nghiệp phân bón, hai nguyên tố này có mối liên hệ chặt chẽ vì kali magiê sulfat, kali magiê nitrat và kali cacbonat được bón vào đất để tăng mức độ thiếu hụt của chúng. Niken có tương quan vừa phải với Ca, K và Mg với giá trị r lần lượt là 0,52, 0,63 và 0,55. Mối quan hệ giữa canxi, magiê và các kim loại nặng độc hại như niken rất phức tạp, nhưng dù sao thì magiê ức chế sự hấp thụ canxi, canxi làm giảm tác động của magiê dư thừa, và cả magiê và canxi đều làm giảm tác động độc hại của niken trong đất.
Ma trận tương quan giữa các phần tử thể hiện mối quan hệ giữa các biến dự đoán và biến phản hồi (Lưu ý: hình này bao gồm biểu đồ phân tán giữa các phần tử, mức độ ý nghĩa dựa trên p < 0,001).
Hình 4 minh họa sự phân bố không gian của các nguyên tố. Theo Burgos et al70, việc ứng dụng phân bố không gian là một kỹ thuật được sử dụng để định lượng và làm nổi bật các điểm nóng trong các khu vực bị ô nhiễm. Mức độ làm giàu Ca trong Hình 4 có thể được nhìn thấy ở phần tây bắc của bản đồ phân bố không gian. Hình này cho thấy các điểm nóng làm giàu Ca từ trung bình đến cao. Sự làm giàu canxi ở phía tây bắc của bản đồ có thể là do việc sử dụng vôi sống (canxi oxit) để giảm độ chua của đất và việc sử dụng nó trong các nhà máy thép như oxy kiềm trong quá trình sản xuất thép. Mặt khác, một số nông dân khác lại thích sử dụng canxi hydroxit trong đất chua để trung hòa độ pH, điều này cũng làm tăng hàm lượng canxi trong đất71. Kali cũng cho thấy các điểm nóng ở phía tây bắc và phía đông của bản đồ. Tây Bắc là một cộng đồng nông nghiệp lớn, và mô hình kali từ trung bình đến cao có thể là do việc bón NPK và kali cacbonat. Điều này phù hợp với các nghiên cứu khác, chẳng hạn như Madaras và Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, người đã quan sát thấy rằng việc ổn định đất và xử lý bằng KCl và NPK dẫn đến hàm lượng K cao trong đất. Sự làm giàu Kali theo không gian ở phía tây bắc của bản đồ phân bố có thể là do việc sử dụng các loại phân bón gốc kali như kali clorua, kali sulfat, kali nitrat, kali cacbonat và kali cacbonat để tăng hàm lượng kali trong đất nghèo.Zádorová et al. 76 và Tlustoš et al. Mục 77 nêu rõ rằng việc bón phân gốc K làm tăng hàm lượng K trong đất và về lâu dài sẽ làm tăng đáng kể hàm lượng chất dinh dưỡng trong đất, đặc biệt là K và Mg, cho thấy điểm nóng trong đất. Các điểm nóng tương đối vừa phải ở phía tây bắc và đông nam của bản đồ. Sự cố định keo trong đất làm giảm nồng độ magiê trong đất. Sự thiếu hụt magiê trong đất khiến cây trồng biểu hiện hiện tượng vàng lá giữa các gân. Phân bón gốc magiê, chẳng hạn như kali magiê sulfat, magiê sulfat và Kieserite, điều trị sự thiếu hụt (cây trồng có màu tím, đỏ hoặc nâu, cho thấy sự thiếu hụt magiê) trong đất có phạm vi pH bình thường6. Sự tích tụ niken trên bề mặt đất đô thị và ngoại ô có thể là do các hoạt động của con người như nông nghiệp và tầm quan trọng của niken trong sản xuất thép không gỉ78.
Phân bố không gian của các yếu tố [bản đồ phân bố không gian được tạo bằng ArcGIS Desktop (ESRI, Inc, Phiên bản 10.7, URL: https://desktop.arcgis.com).]
Kết quả chỉ số hiệu suất mô hình cho các nguyên tố được sử dụng trong nghiên cứu này được thể hiện trong Bảng 2. Mặt khác, RMSE và MAE của Ni đều gần bằng 0 (0,86 RMSE, -0,08 MAE). Ngược lại, cả giá trị RMSE và MAE của K đều ở mức chấp nhận được. Kết quả RMSE và MAE lớn hơn đối với canxi và magiê. Kết quả MAE và RMSE của Ca và K lớn hơn do các tập dữ liệu khác nhau. RMSE và MAE của nghiên cứu này sử dụng EBK để dự đoán Ni được thấy là tốt hơn so với kết quả của John et al. 54 sử dụng phương pháp kriging hiệp đồng để dự đoán nồng độ S trong đất bằng cách sử dụng cùng dữ liệu thu thập được. Các kết quả đầu ra EBK mà chúng tôi nghiên cứu tương quan với các kết quả của Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 và John et al. 82, đặc biệt là K và Ni.
Hiệu suất của từng phương pháp dự đoán hàm lượng niken trong đất đô thị và ngoại ô được đánh giá bằng hiệu suất của các mô hình (Bảng 3). Việc xác thực mô hình và đánh giá độ chính xác đã xác nhận rằng mô hình dự đoán Ca_Mg_K kết hợp với mô hình EBK SVMR cho hiệu suất tốt nhất. Mô hình hiệu chuẩn Ca_Mg_K-EBK_SVMR có hệ số tương quan R2, sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE) lần lượt là 0,637 (R2), 95,479 mg/kg (RMSE) và 77,368 mg/kg (MAE). Mô hình Ca_Mg_K-SVMR có hệ số tương quan R2 là 0,663 (R2), 235,974 mg/kg (RMSE) và 166,946 mg/kg (MAE). Tuy nhiên, giá trị R2 tốt cũng được thu được đối với Ca_Mg_K-SVMR (0,663 mg/kg R2) và Ca_Mg-EBK_SVMR (0,643 mg/kg R2). = R2); Kết quả RMSE và MAE của chúng cao hơn so với Ca_Mg_K-EBK_SVMR (R2 0,637) (xem Bảng 3). Ngoài ra, RMSE và MAE của mô hình Ca_Mg-EBK_SVMR (RMSE = 1664,64 và MAE = 1031,49) lần lượt là 17,5 và 13,4, lớn hơn so với Ca_Mg_K-EBK_SVMR. Tương tự, RMSE và MAE của mô hình Ca_Mg-K SVMR (RMSE = 235,974 và MAE = 166,946) lần lượt lớn hơn 2,5 và 2,2 so với RMSE và MAE của Ca_Mg_K-EBK_SVMR. Kết quả RMSE được tính toán cho thấy mức độ tập trung của tập dữ liệu với đường hồi quy tốt nhất. RMSE và MAE cao hơn đã được quan sát thấy. Theo Theo Kebonye et al. 46 và John et al. 54, RMSE và MAE càng gần bằng 0 thì kết quả càng tốt. SVMR và EBK_SVMR có giá trị RSME và MAE được lượng tử hóa cao hơn. Quan sát thấy rằng các ước tính RSME luôn cao hơn giá trị MAE, cho thấy sự hiện diện của các giá trị ngoại lệ. Theo Legates và McCabe 83, mức độ RMSE vượt quá sai số tuyệt đối trung bình (MAE) được khuyến nghị là một chỉ báo về sự hiện diện của các giá trị ngoại lệ. Điều này có nghĩa là tập dữ liệu càng không đồng nhất thì giá trị MAE và RMSE càng cao. Độ chính xác của đánh giá kiểm định chéo của mô hình hỗn hợp Ca_Mg_K-EBK_SVMR để dự đoán hàm lượng Ni trong đất đô thị và ngoại ô là 63,70%. Theo Li et al. 59, mức độ chính xác này là tỷ lệ hiệu suất mô hình chấp nhận được. Kết quả hiện tại được so sánh với một nghiên cứu trước đó của Tarasov et al. 36, mô hình lai tạo ra MLPRK (Multilayer Perceptron Residual Kriging), liên quan đến chỉ số đánh giá độ chính xác EBK_SVMR được báo cáo trong nghiên cứu hiện tại, RMSE (210) và MAE (167,5) cao hơn kết quả của chúng tôi trong nghiên cứu hiện tại (RMSE 95,479, MAE 77,368). Tuy nhiên, khi so sánh R2 của nghiên cứu hiện tại (0,637) với nghiên cứu của Tarasov et al. 36 (0,544), rõ ràng là hệ số xác định (R2) cao hơn trong mô hình hỗn hợp này. Sai số biên (RMSE và MAE) (EBK SVMR) cho mô hình hỗn hợp thấp hơn hai lần. Tương tự, Sergeev et al.34 ghi nhận 0,28 (R2) cho mô hình lai được phát triển (Multilayer Perceptron Residual Kriging), trong khi Ni trong nghiên cứu hiện tại ghi nhận 0,637 (R2). Mức độ chính xác dự đoán của mô hình này (EBK SVMR) là 63,7%, trong khi độ chính xác dự đoán thu được bởi Sergeev et al.34 là 28%. Bản đồ cuối cùng (Hình 5) được tạo bằng cách sử dụng mô hình EBK_SVMR và Ca_Mg_K làm biến dự báo cho thấy dự đoán về các điểm nóng và nồng độ niken từ trung bình đến vừa phải trên toàn bộ khu vực nghiên cứu. Điều này có nghĩa là nồng độ niken trong khu vực nghiên cứu chủ yếu ở mức trung bình, với nồng độ cao hơn ở một số khu vực cụ thể.
Bản đồ dự đoán cuối cùng được thể hiện bằng mô hình lai EBK_SVMR và sử dụng Ca_Mg_K làm biến dự báo. [Bản đồ phân bố không gian được tạo bằng RStudio (phiên bản 1.4.1717: https://www.rstudio.com/).]
Hình 6 trình bày nồng độ PTE dưới dạng mặt phẳng cấu tạo gồm các nơ-ron riêng lẻ. Không có mặt phẳng cấu tạo nào thể hiện cùng một mẫu màu như hình minh họa. Tuy nhiên, số lượng nơ-ron thích hợp cho mỗi bản đồ được vẽ là 55. SeOM được tạo ra bằng nhiều màu sắc khác nhau, và mẫu màu càng giống nhau thì tính chất của các mẫu càng tương đồng. Theo thang màu chính xác của chúng, các nguyên tố riêng lẻ (Ca, K và Mg) cho thấy các mẫu màu tương tự với các nơ-ron bậc cao đơn lẻ và hầu hết các nơ-ron bậc thấp. Do đó, CaK và CaMg có một số điểm tương đồng với các nơ-ron bậc rất cao và các mẫu màu từ thấp đến trung bình. Cả hai mô hình đều dự đoán nồng độ Ni trong đất bằng cách hiển thị các sắc độ màu từ trung bình đến cao như đỏ, cam và vàng. Mô hình KMg hiển thị nhiều mẫu màu cao dựa trên tỷ lệ chính xác và các mảng màu từ thấp đến trung bình. Trên thang màu chính xác từ thấp đến cao, mẫu phân bố mặt phẳng của các thành phần của mô hình cho thấy mẫu màu cao, cho thấy nồng độ niken tiềm năng trong đất (xem Hình 4). Mặt phẳng cấu tạo của mô hình CakMg cho thấy mẫu màu đa dạng từ thấp đến cao theo một thang màu chính xác. Hơn nữa, dự đoán của mô hình về hàm lượng niken (CakMg) tương tự như sự phân bố không gian của niken được thể hiện trong Hình 5. Cả hai đồ thị đều cho thấy tỷ lệ nồng độ niken cao, trung bình và thấp trong đất đô thị và ngoại ô. Hình 7 mô tả phương pháp đường đồng mức trong việc phân nhóm k-means trên bản đồ, được chia thành ba cụm dựa trên giá trị dự đoán trong mỗi mô hình. Phương pháp đường đồng mức thể hiện số lượng cụm tối ưu. Trong số 115 mẫu đất được thu thập, loại 1 thu được nhiều mẫu đất nhất, 74 mẫu. Cụm 2 nhận được 33 mẫu, trong khi cụm 3 nhận được 8 mẫu. Sự kết hợp của bộ dự đoán phẳng bảy thành phần đã được đơn giản hóa để cho phép giải thích cụm chính xác. Do có nhiều quá trình nhân tạo và tự nhiên ảnh hưởng đến sự hình thành đất, nên rất khó để có được các mô hình cụm được phân biệt đúng cách trong bản đồ SeOM phân bố.78
Mặt phẳng thành phần được tạo ra bởi mỗi biến của Máy hỗ trợ vectơ Kriging Bayes thực nghiệm (EBK_SVM_SeOM). [Các bản đồ SeOM được tạo bằng RStudio (phiên bản 1.4.1717: https://www.rstudio.com/).]
Các thành phần phân loại cụm khác nhau [Bản đồ SeOM được tạo bằng RStudio (phiên bản 1.4.1717: https://www.rstudio.com/).]
Nghiên cứu hiện tại minh họa rõ ràng các kỹ thuật mô hình hóa nồng độ niken trong đất đô thị và ngoại ô. Nghiên cứu đã thử nghiệm các kỹ thuật mô hình hóa khác nhau, kết hợp các yếu tố với các kỹ thuật mô hình hóa, để tìm ra cách tốt nhất để dự đoán nồng độ niken trong đất. Đặc điểm không gian phẳng thành phần SeOM của kỹ thuật mô hình hóa thể hiện một mô hình màu sắc cao từ thấp đến cao trên thang màu chính xác, cho thấy nồng độ Ni trong đất. Tuy nhiên, bản đồ phân bố không gian xác nhận sự phân bố không gian phẳng của các thành phần được thể hiện bởi EBK_SVMR (xem Hình 5). Kết quả cho thấy mô hình hồi quy máy vectơ hỗ trợ (Ca Mg K-SVMR) dự đoán nồng độ Ni trong đất như một mô hình đơn lẻ, nhưng các tham số đánh giá độ chính xác và xác thực cho thấy sai số rất cao về RMSE và MAE. Mặt khác, kỹ thuật mô hình hóa được sử dụng với mô hình EBK_MLR cũng bị lỗi do giá trị hệ số xác định (R2) thấp. Kết quả tốt đã đạt được khi sử dụng EBK SVMR và các yếu tố kết hợp (CaKMg) với sai số RMSE và MAE thấp với độ chính xác là 63,7%. Điều này cho thấy việc kết hợp thuật toán EBK với thuật toán học máy là một giải pháp hiệu quả. Có thể tạo ra một thuật toán lai có khả năng dự đoán nồng độ các kim loại độc hại (PTE) trong đất. Kết quả cho thấy việc sử dụng Ca, Mg, K làm biến dự báo để dự đoán nồng độ Ni trong khu vực nghiên cứu có thể cải thiện khả năng dự đoán Ni trong đất. Điều này có nghĩa là việc sử dụng liên tục phân bón gốc niken và ô nhiễm công nghiệp đất do ngành công nghiệp thép có xu hướng làm tăng nồng độ niken trong đất. Nghiên cứu này cho thấy mô hình EBK có thể giảm mức độ sai số và cải thiện độ chính xác của mô hình phân bố không gian đất trong đất đô thị hoặc ngoại ô. Nhìn chung, chúng tôi đề xuất áp dụng mô hình EBK-SVMR để đánh giá và dự đoán PTE trong đất; ngoài ra, chúng tôi đề xuất sử dụng EBK để kết hợp với các thuật toán học máy khác nhau. Nồng độ Ni được dự đoán bằng cách sử dụng các nguyên tố làm biến phụ; tuy nhiên, việc sử dụng nhiều biến phụ hơn sẽ cải thiện đáng kể hiệu suất của mô hình, điều này có thể được coi là một hạn chế của công trình hiện tại. Một hạn chế khác của nghiên cứu này là số lượng tập dữ liệu là 115. Do đó, nếu cung cấp thêm dữ liệu, hiệu suất của phương pháp lai tối ưu được đề xuất có thể được cải thiện.
PlantProbs.net.Niken trong cây trồng và đất https://plantprobs.net/plant/nutrientImbalances/sodium.html (Truy cập ngày 28 tháng 4 năm 2021).
Kasprzak, KS. Những tiến bộ của niken trong độc học môi trường hiện đại. môi trường xung quanh. độc học. 11, 145–183 (1987).
Cempel, M. & Nikel, G. Niken: Tổng quan về các nguồn và độc tính môi trường của nó. Tạp chí Môi trường Ba Lan. Nghiên cứu. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Đầu vào chất ô nhiễm từ khí quyển và sự tích tụ trong đất và thảm thực vật gần một nhà máy luyện niken-đồng ở Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. và cộng sự. Kim loại nặng trong đất, thực vật và rủi ro liên quan đến việc chăn thả gia súc nhai lại gần mỏ đồng-niken Selebi-Phikwe ở Botswana. Địa hóa học. Sức khỏe https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Các nguyên tố vi lượng trong đất và… – 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= (Truy cập ngày 24 tháng 11 năm 2020).
Almås, A., Singh, B., Nông nghiệp, TS-NJ của & 1995, không xác định. Ảnh hưởng của ngành công nghiệp niken của Nga đến nồng độ kim loại nặng trong đất nông nghiệp và cỏ ở Soer-Varanger, Na Uy. agris.fao.org.
Nielsen, GD et al. Sự hấp thụ và giữ lại niken trong nước uống có liên quan đến lượng thức ăn nạp vào và độ nhạy cảm với niken. Độc học. Ứng dụng. Dược động học. 154, 67–75 (1999).
Costa, M. & Klein, CB. Sự gây ung thư do niken, đột biến, biểu sinh học hoặc chọn lọc. Môi trường xung quanh. Quan điểm về sức khỏe. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; Phân tích xu hướng các nguyên tố có khả năng gây độc: đánh giá thư mục. Địa hóa môi trường và sức khỏe. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB. Lập bản đồ đất kỹ thuật số: Lịch sử ngắn gọn và một số bài học. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Về bản đồ đất kỹ thuật số.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= (Truy cập ngày 28 tháng 4 năm 2021).