التنبؤ بتركيزات النيكل في تربة الضواحي والحضرية باستخدام كريجينج بايزي التجريبي المختلط ودعم انحدار آلة المتجهات

شكرًا لك على زيارة Nature.com ، إصدار المتصفح الذي تستخدمه يحتوي على دعم محدود لـ CSS ، وللحصول على أفضل تجربة ، نوصيك باستخدام متصفح محدث (أو إيقاف تشغيل وضع التوافق في Internet Explorer) ، وفي غضون ذلك ، لضمان استمرار الدعم ، سنعرض الموقع بدون أنماط وجافا سكريبت.
يعد تلوث التربة مشكلة كبيرة ناتجة عن الأنشطة البشرية ، ويختلف التوزيع المكاني للعناصر السامة (PTEs) في معظم المناطق الحضرية وشبه الحضرية ، لذلك من الصعب التنبؤ مكانيًا بمحتوى PTEs في مثل هذه التربة ، تم الحصول على إجمالي 115 عينة من Frydek Mistek في جمهورية التشيك ، تم تحديد الكالسيوم (Ca) والمغنيسيوم (Mg) والبوتاسيوم. قياس الطيف ، متغير الاستجابة هو Ni ، والمتنبئات هي Ca ، Mg ، و K وتظهر مصفوفة الارتباط بين متغير الاستجابة ومتغير المتنبئ ارتباطًا مرضيًا بين العناصر ، وأظهرت نتائج التنبؤ أن دعم انحدار آلة المتجه (SVMR) كان جيدًا ، على الرغم من أن جذره المقدر للخطأ التربيعي (RMSE) (235.974 مجم / كجم) وكان متوسط ​​الخطأ المطبق أعلى (MAE) (166.9 مجم / كجم) وطرق الخطأ المطبقة أعلى (166.9 مجم / كجم). كان أداء الانحدار الخطي المتعدد (EBK-MLR) ضعيفًا ، كما يتضح من معاملات التحديد التي تقل عن 0.1 ، وكان نموذج الانحدار الخطي التجريبي (EBK-SVMR) هو أفضل نموذج ، مع قيم RMSE منخفضة (95.479 مجم / كجم) وقيم MAE (77.368 مجم / كجم) ومعامل بصري عالي (0.6K) ناتج = معامل بصري. الخريطة المنظمة: تُظهر الخلايا العصبية المتجمعة في مستوى مكون النموذج الهجين CakMg-EBK-SVMR أنماط ألوان متعددة تتنبأ بتركيزات النيكل في التربة الحضرية وشبه الحضرية ، وتُظهر النتائج أن الجمع بين EBK و SVMR هو تقنية فعالة للتنبؤ بتركيزات النيكل في التربة الحضرية وشبه الحضرية.
يعتبر النيكل (Ni) من المغذيات الدقيقة للنباتات لأنه يساهم في تثبيت النيتروجين في الغلاف الجوي (N) وأيض اليوريا ، وكلاهما ضروري لإنبات البذور ، بالإضافة إلى مساهمته في إنبات البذور ، يمكن أن يعمل النيكل كمثبط للفطريات والبكتيريا ويعزز نمو النبات. ize تثبيت النيتروجين .2 استمرار استخدام الأسمدة القائمة على النيكل لإثراء التربة وزيادة قدرة البقوليات على تثبيت النيتروجين في التربة ، مما يؤدي باستمرار إلى زيادة تركيز النيكل في التربة ، وعلى الرغم من أن النيكل هو أحد المغذيات الدقيقة للنباتات ، إلا أن تناوله المفرط في التربة يمكن أن يضر أكثر مما ينفع. العنصر المهم المطلوب لتطوير النباتات ونموها ، فبالإضافة إلى دور النيكل في تطوير النباتات ونموها ، يحتاج الإنسان إليه في مجموعة متنوعة من التطبيقات. الطلاء الكهربائي ، وإنتاج السبائك القائمة على النيكل ، وتصنيع أجهزة الإشعال وشمعات الاحتراق في صناعة السيارات ، كلها تتطلب استخدام النيكل في مختلف القطاعات الصناعية ، بالإضافة إلى ذلك ، فقد تم استخدام سبائك النيكل والمواد الغذائية المستخدمة في صناعة الكابلات الكهربائية على نطاق واسع ومستلزمات صناعة الكرات والأسلاك الكهربائية المستخدمة في صناعة الكابلات والأسلاك النفاثة والإكسسوارات المستخدمة في صناعة الكرات والمطابخ. ، وبناء السفن .5 تُنسب المستويات الغنية بالنيكل في التربة (أي التربة السطحية) إلى كل من المصادر البشرية والطبيعية ، ولكن في المقام الأول ، يعتبر النيكل مصدرًا طبيعيًا وليس من مصادر بشرية المنشأ.ومع ذلك ، تشمل المصادر البشرية بطاريات النيكل / الكادميوم في صناعة الصلب ، والطلاء الكهربائي ، واللحام بالقوس الكهربائي ، والديزل وزيوت الوقود ، والانبعاثات الجوية من احتراق الفحم وترميد النفايات وحمأة النيكل ، وفقًا لـ Freedman و Hutchinson9 و Manyiwa et al.10 ، المصادر الرئيسية لتلوث التربة السطحية في البيئة المباشرة والمجاورة هي المصاهر والمناجم القائمة على النيكل والنحاس ، وكانت التربة العلوية حول مصفاة Sudbury لتكرير النيكل والنحاس في كندا أعلى مستويات تلوث بالنيكل عند 26000 مجم / كجم 11 ، في المقابل ، أدى التلوث الناتج عن إنتاج النيكل في روسيا إلى ارتفاع تركيزات النيكل في التربة النرويجية.في الشكل 12 ، تراوحت كمية النيكل المستخرج من HNO3 في أعلى الأراضي الصالحة للزراعة في المنطقة (إنتاج النيكل في روسيا) من 6.25 إلى 136.88 مجم / كجم ، وهو ما يقابل متوسط ​​30.43 مجم / كجم وتركيز أساسي يبلغ 25 مجم / كجم ، ووفقًا لـ kabata 11 ، فإن استخدام البشر لأسمدة الفوسفور في التربة الزراعية في التربة في المناطق الحضرية أو شبه الحضرية يمكن أن يؤدي إلى تلوث التربة بالنيكل المحتمل في التربة الحضرية أو حول المناطق الحضرية. الطفرات ، أو تلف الكروموسومات ، أو توليد Z-DNA ، أو حظر إصلاح استئصال الحمض النووي ، أو العمليات اللاجينية .13 في التجارب على الحيوانات ، وجد أن النيكل لديه القدرة على التسبب في مجموعة متنوعة من الأورام ، وقد تؤدي معقدات النيكل المسببة للسرطان إلى تفاقم هذه الأورام.
ازدهرت تقييمات تلوث التربة في الآونة الأخيرة بسبب مجموعة واسعة من القضايا المتعلقة بالصحة الناشئة عن العلاقات بين التربة والنبات ، والعلاقات البيولوجية للتربة والتربة ، والتدهور البيئي ، وتقييم الأثر البيئي. ، أثبت رسم الخرائط التنبؤية للتربة (DSM) أنه فرع فرعي بارز لعلوم التربة. يعرف Lagacherie and McBratney، 2006 DSM بأنه "إنشاء وملء أنظمة معلومات التربة المكانية من خلال استخدام أساليب الرصد في الموقع والمختبر وأنظمة استدلال التربة المكانية وغير المكانية". McBratney et al.17 يوضح أن DSM أو PSM المعاصر هو الأسلوب الأكثر فاعلية للتنبؤ أو رسم خرائط التوزيع المكاني لـ PTEs وأنواع التربة وخصائص التربة. الإحصاء الجغرافي وخوارزميات التعلم الآلي (MLA) هي تقنيات نمذجة DSM التي تنشئ خرائط رقمية بمساعدة أجهزة الكمبيوتر التي تستخدم الحد الأدنى من البيانات الهامة.
تعرف Deutsch18 و Olea19 علم الإحصاء الجغرافي بأنه "مجموعة من التقنيات العددية التي تتعامل مع تمثيل السمات المكانية ، باستخدام النماذج العشوائية بشكل أساسي ، مثل كيف يميز تحليل السلاسل الزمنية البيانات الزمنية."في المقام الأول ، يتضمن الإحصاء الجغرافي تقييم المتغيرات ، والتي تتيح التحديد الكمي وتحديد تبعيات القيم المكانية من كل مجموعة بيانات.20 توضح كذلك أن تقييم المتغيرات في الإحصاء الجغرافي يعتمد على ثلاثة مبادئ ، بما في ذلك (أ) حساب مقياس ارتباط البيانات ، (ب) تحديد وحساب تباين الخواص في تباين مجموعة البيانات و (ج) بالإضافة إلى مراعاة الخطأ المتأصل في بيانات القياس المنفصلة عن التأثيرات المحلية ، يتم أيضًا تقدير تأثيرات المنطقة ، بناءً على هذه المفاهيم ، kriging العادي و Bayesian kriging التجريبي وطريقة kriging البسيطة وتقنيات الاستيفاء الأخرى المعروفة لتخطيط أو التنبؤ بـ PTE وخصائص التربة وأنواع التربة.
تعد خوارزميات التعلم الآلي (MLA) تقنية جديدة نسبيًا تستخدم فئات بيانات غير خطية أكبر ، تغذيها الخوارزميات المستخدمة بشكل أساسي لاستخراج البيانات ، وتحديد الأنماط في البيانات ، ويتم تطبيقها بشكل متكرر على التصنيف في المجالات العلمية مثل علوم التربة والمهام المرتجعة. تعتمد أوراق بحثية عديدة على نماذج MLA للتنبؤ بـ PTE في التربة ، مثل Tan et al.22 (غابات عشوائية لتقدير المعادن الثقيلة في التربة الزراعية) ، ساكيزاده وآخرون.23 (النمذجة باستخدام آلات ناقلات الدعم والشبكات العصبية الاصطناعية) تلوث التربة) بالإضافة إلى Vega et al.24 (CART لنمذجة الاحتفاظ بالمعادن الثقيلة وامتصاصها في التربة) Sun et al.25 (تطبيق التكعيب هو توزيع الكادميوم في التربة) وخوارزميات أخرى مثل k- الجار الأقرب ، والانحدار المعزز المعمم ، والانحدار المعزز ، كما طبقت أشجار الانحدار MLA للتنبؤ بـ PTE في التربة.
يواجه تطبيق خوارزميات DSM في التنبؤ أو رسم الخرائط العديد من التحديات ، ويعتقد العديد من المؤلفين أن MLA متفوق على الإحصاء الجغرافي والعكس صحيح ، وعلى الرغم من أن أحدهما أفضل من الآخر ، إلا أن الجمع بين الاثنين يعمل على تحسين مستوى دقة رسم الخرائط أو التنبؤ في DSM15.علق بونتيوس وتشيوك وغرونوالد 29 على أوجه القصور وبعض الأخطاء في رسم خرائط التربة المتوقعة ، وقد جرب علماء التربة مجموعة متنوعة من التقنيات لتحسين فعالية ودقة وإمكانية التنبؤ برسم خرائط DSM والتنبؤ به ، ويعد الجمع بين عدم اليقين والتحقق أحد الجوانب المختلفة التي تم دمجها في DSM لتحسين الفعالية وتقليل العيوب.15 يوضح أنه يجب التحقق من صحة سلوك التحقق وعدم اليقين المقدم من إنشاء الخريطة والتنبؤ بشكل مستقل لتحسين جودة الخريطة ، وتعزى قيود DSM إلى جودة التربة المتناثرة جغرافيًا ، والتي تتضمن مكونًا من عدم اليقين ؛ومع ذلك ، قد ينشأ عدم اليقين في الدليل التشخيصي والإحصائي للاضطرابات النفسية من مصادر متعددة للخطأ ، وهي الخطأ المتغير ، وخطأ النموذج ، وخطأ الموقع ، والخطأ التحليلي. بشكل ضمني ، ظهر اتجاه جديد في الدليل التشخيصي والإحصائي للاضطرابات النفسية يعزز تكامل الإحصاء الجيولوجي و MLA في رسم الخرائط والتنبؤ بالعديد من علماء التربة والمؤلفين ، مثل سيرجيف وآخرون.34 ؛سوبوتينا وآخرون35 ؛تاراسوف وآخرون36 وتاراسوف وآخرون.37 استغلوا الجودة الدقيقة للإحصاءات الجيولوجية والتعلم الآلي لتوليد نماذج هجينة تعمل على تحسين كفاءة التنبؤ ورسم الخرائط.الجودة: بعض نماذج الخوارزميات الهجينة أو المجمعة هي الشبكة العصبية الاصطناعية Kriging (ANN-RK) ، متعددة الطبقات Perceptron المتبقي Kriging (MLP-RK) ، الانحدار المعمم للشبكة العصبية Kriging (GR- NNRK) 36 ، الشبكة العصبية الاصطناعية Kriging-Multilayer Percepting (ANN-K-MLP) و Gauss Regression 37.
وفقًا لـ Sergeev et al. ، فإن الجمع بين تقنيات النمذجة المختلفة لديه القدرة على القضاء على العيوب وزيادة كفاءة النموذج الهجين الناتج بدلاً من تطوير نموذج واحد. نماذج الانحدار الخطي المتعدد (MLR): تهجين EBK مع أي MLA غير معروف ، النماذج المختلطة المتعددة التي شوهدت هي مجموعات من الدراسات المكانية العادية والمتبقية والانحدارية ، و MLA.EBK هي طريقة استيفاء جيوإحصائي تستخدم عملية عشوائية مكانية يتم ترجمتها على أنها حقل عشوائي غير ثابت / ثابت على المجال العشوائي المحدد. تحليل توزيع الكربون العضوي في تربة المزرعة 40 ، وتقييم تلوث التربة 41 ورسم خرائط خصائص التربة 42.
من ناحية أخرى ، يعد الرسم البياني للتنظيم الذاتي (SeOM) خوارزمية تعليمية تم تطبيقها في مقالات مختلفة مثل Li et al.43 ، وانغ وآخرون.44 ، حسين بويان وآخرون.45 و Kebonye وآخرون 46 تحديد السمات المكانية وتجميع العناصر. Wang et al.44 يوضح أن SeOM هي تقنية تعليمية قوية معروفة بقدرتها على تجميع المشكلات غير الخطية وتخيلها ، على عكس تقنيات التعرف على الأنماط الأخرى مثل تحليل المكون الرئيسي ، والتجميع الضبابي ، والتكتل الهرمي ، واتخاذ القرار متعدد المعايير ، فإن SeOM أفضل في تنظيم وتحديد أنماط PTE ، وفقًا لـ Wang et al.44 ، يمكن لـ SeOM تجميع توزيع الخلايا العصبية ذات الصلة مكانيًا وتوفير تصور عالي الدقة للبيانات. سيقوم SeOM بتصور بيانات التنبؤ Ni للحصول على أفضل نموذج لوصف النتائج للتفسير المباشر.
تهدف هذه الورقة إلى إنشاء نموذج خرائط قوي مع الدقة المثلى للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية ، ونفترض أن موثوقية النموذج المختلط تعتمد بشكل أساسي على تأثير النماذج الأخرى المرتبطة بالنموذج الأساسي ، ونعترف بالتحديات التي تواجه الدليل التشخيصي والإحصائي للاضطرابات النفسية ، وبينما تتم معالجة هذه التحديات على جبهات متعددة ، يبدو أن الجمع بين التطورات في الإحصاء الجيولوجي ونماذج MLA ؛لذلك ، سنحاول الإجابة على أسئلة البحث التي قد تنتج نماذج مختلطة ، ومع ذلك ، ما مدى دقة النموذج في التنبؤ بالعنصر المستهدف ، وأيضًا ، ما هو مستوى تقييم الكفاءة استنادًا إلى التحقق من الصحة وتقييم الدقة؟ لذلك ، كانت الأهداف المحددة لهذه الدراسة هي (أ) إنشاء نموذج خليط مشترك لـ SVMR أو MLR باستخدام EBK كنموذج أساسي ، (ب) مقارنة النماذج الناتجة (نموذج ج) للتنبؤ الحضري للتركيزات الأفضل أو (ب) مقارنة النماذج الناتجة (ج) للتنبؤ الحضري. SeOM لإنشاء خريطة عالية الدقة للتنوع المكاني للنيكل.
يتم إجراء الدراسة في جمهورية التشيك ، وتحديداً في منطقة فريديك ميستك في منطقة مورافيا-سيليسيان (انظر الشكل 1) بين 225 و 327 م ؛ومع ذلك ، تم تصنيف نظام تصنيف Koppen للحالة المناخية للمنطقة على أنه Cfb = مناخ محيطي معتدل ، وهناك الكثير من الأمطار حتى في الأشهر الجافة ، وتتفاوت درجات الحرارة قليلاً على مدار العام بين -5 درجة مئوية و 24 درجة مئوية ، ونادراً ما تنخفض أقل من -14 درجة مئوية أو أعلى من 30 درجة مئوية ، في حين أن المتوسط ​​السنوي لهطول الأمطار يتراوح بين 685 و 752 مم مربع ، ومساحة المسح التقديرية 398٪ من مساحة الغابة المزروعة. من ناحية أخرى ، تبلغ المساحة المستخدمة في هذه الدراسة حوالي 889.8 كيلومترًا مربعًا ، وفي أوسترافا وحولها ، فإن صناعة الصلب والأعمال المعدنية نشطة للغاية. تعد مصانع المعادن وصناعة الصلب حيث يتم استخدام النيكل في الفولاذ المقاوم للصدأ (على سبيل المثال لمقاومة التآكل الجوي) وسبائك الفولاذ (يزيد النيكل من قوة السبيكة مع الحفاظ على قابلية إنتاج الفوسفات الجيدة والمنطقة الزراعية المحتملة) ، ، إضافة النيكل إلى الحملان لزيادة معدلات النمو في الحملان والماشية منخفضة التغذية) وتشمل الاستخدامات الصناعية الأخرى للنيكل في مجالات البحث استخدامه في الطلاء الكهربائي ، بما في ذلك طلاء النيكل بالكهرباء وعمليات الطلاء بالنيكل غير الكهربائي ، ويمكن تمييز خصائص التربة بسهولة عن لون التربة وبنيتها ومحتوى الكربونات ، كما أن نسيج التربة متوسط ​​إلى ناعم ، مشتق من المواد الغرينية السطحية. il ، غالبًا بالخرسانة والتبييض ، ومع ذلك ، فإن الكامبيزولات والستاجنوسول هي أكثر أنواع التربة شيوعًا في المنطقة.
خريطة منطقة الدراسة [تم إنشاء خريطة منطقة الدراسة باستخدام ArcGIS Desktop (ESRI، Inc ، الإصدار 10.7 ، URL: https://desktop.arcgis.com).]
تم الحصول على ما مجموعه 115 عينة من التربة السطحية من تربة حضرية وشبه حضرية في منطقة Frydek Mistek ، وكان نمط العينة المستخدم عبارة عن شبكة منتظمة مع عينات من التربة متباعدة 2 × 2 كم ، وتم قياس التربة السطحية على عمق 0 إلى 20 سم باستخدام جهاز GPS محمول (Leica Zeno 5 GPS). مطحنة قرصية) ، ومنخل (حجم الغربال 2 مم) ، ضع 1 جرام من عينات التربة المجففة والمتجانسة والمنخلية في زجاجات تفلون مميزة بوضوح ، في كل وعاء تفلون ، قم بتوزيع 7 مل من 35٪ حمض الهيدروكلوريك و 3 مل من 65٪ HNO3 (باستخدام موزع أوتوماتيكي - واحد لكل حمض) ، قم بتغطيتها برفق واترك العينات لتقف فوق لوح معدني ساخن للتفاعل (160 درجة مئوية). C) لمدة ساعتين لتسهيل عملية هضم العينات ، ثم تبريدها ، ثم قم بنقل المادة الطافية إلى دورق حجمي سعة 50 مل ، ثم قم بتخفيفه إلى 50 مل بالماء منزوع الأيونات ، ثم قم بترشيح المادة الطافية المخففة في أنبوب بولي كلوريد الفينيل بسعة 50 مل مع ماء منزوع الأيونات ، بالإضافة إلى ذلك ، تم تخفيف 1 مل من محلول التخفيف باستخدام 9 مل من الماء منزوع الأيونات وتركيزه. تم تحديد Cd ، Cr ، Cu ، Mn ، Ni ، Pb ، Zn ، Ca ، Mg ، K) بواسطة ICP-OES (دراسة طيفية الانبعاث البصري للبلازما المقترنة بالحث) (Thermo Fisher Scientific ، الولايات المتحدة الأمريكية) وفقًا للطرق القياسية والاتفاق. .0004. (أنت) بالإضافة إلى ذلك ، يتم ضمان عملية مراقبة الجودة وضمان الجودة لكل تحليل من خلال تحليل المعايير المرجعية. لضمان تقليل الأخطاء ، تم إجراء تحليل مزدوج.
تُعد تقنية كريغ البايزية التجريبية (EBK) واحدة من العديد من تقنيات الاستيفاء الجغرافي الإحصائي المستخدمة في النمذجة في مجالات متنوعة مثل علوم التربة. على عكس تقنيات الاستيفاء الأخرى في kriging ، يختلف EBK عن طرق kriging التقليدية من خلال النظر في الخطأ المقدّر بواسطة نموذج شبه المتغير. البرمجة المرتبطة برسم مخطط semivariogram هذا الذي يشكل جزءًا شديد التعقيد من طريقة kriging الكافية. تتبع عملية الاستيفاء لـ EBK المعايير الثلاثة التي اقترحها Krivoruchko ، (أ) يقدر النموذج مخطط semivariogram من مجموعة بيانات الإدخال (ب) القيمة الجديدة المتوقعة لكل موقع مجموعة بيانات الإدخال بناءً على نموذج semivariulated المحسوب و (c) المعادل النهائي. ior
حيث يمثل \ (Prob \ left (A \ right) \) السابق ، \ (Prob \ left (B \ right) \) يتم تجاهل الاحتمال الهامشي في معظم الحالات ، \ (Prob (B ، A) \) ، ويستند حساب مخطط نصف المتغير إلى قاعدة Bayes ، والتي تُظهر ميل مجموعات بيانات الملاحظة التي يمكن إنشاؤها من semivariograms. إيفاريوجرام.
آلة متجه الدعم هي خوارزمية التعلم الآلي التي تنشئ مستويًا فائقًا مثاليًا للفصل للتمييز بين الفئات المتطابقة ولكن ليست مستقلة خطيًا ، وقد أنشأ Vapnik51 خوارزمية تصنيف النية ، ولكن تم استخدامها مؤخرًا لحل المشكلات الموجهة نحو الانحدار ، وفقًا لـ Li et al 52 ، يعد SVM أحد أفضل تقنيات المصنفات وقد تم استخدامه في مختلف المجالات ، وكان مكون الانحدار لـ SVM (جهاز الانحدار - SVM) المستخدم في تحليل الانحدار. كان SVMR رائدًا باعتباره انحدارًا قائمًا على النواة ، وتم إجراء حسابه باستخدام نموذج الانحدار الخطي مع وظائف مكانية متعددة البلدان. ​​أفاد جون وآخرون أن نمذجة SVMR تستخدم الانحدار الخطي المفرط ، مما يخلق علاقات غير خطية ويسمح بالوظائف المكانية.55 ، epsilon (ε) -SVMR يستخدم مجموعة البيانات المدربة للحصول على نموذج تمثيلي كوظيفة غير حساسة لـ epsilon يتم تطبيقها لتعيين البيانات بشكل مستقل مع أفضل تحيز إبسيلون من التدريب على البيانات المرتبطة ، ويتم تجاهل خطأ المسافة المحددة مسبقًا من القيمة الفعلية ، وإذا كان الخطأ أكبر من ε (ε) ، فإن خصائص التدريب تعوضها عن طريق تعقيدها. يظهر apnik51 أدناه.
حيث يمثل b الحد القياسي ، ويمثل \ (K \ left ({x} _ {،} {x} _ {k} \ right) \) دالة kernel ، ويمثل \ (\ alpha \) مضاعف Lagrange ، ويمثل N مجموعة بيانات رقمية ، ويمثل \ ({x} _ {k} \) إدخال البيانات ، و \ (y \) هو مفتاح إخراج البيانات. F) يتم تطبيق نواة RBF لتحديد نموذج SVMR الأمثل ، وهو أمر بالغ الأهمية للحصول على عامل مجموعة العقوبات الأكثر دقة ومعامل جاما (γ) لبيانات تدريب PTE. أولاً ، قمنا بتقييم مجموعة التدريب ثم اختبرنا أداء النموذج على مجموعة التحقق ، معلمة التوجيه المستخدمة هي سيجما وقيمة الطريقة هي svmRadial.
نموذج الانحدار الخطي المتعدد (MLR) هو نموذج انحدار يمثل العلاقة بين متغير الاستجابة وعدد من متغيرات التوقع باستخدام المعلمات المجمعة الخطية المحسوبة باستخدام طريقة المربعات الصغرى ، وفي MLR ، يعتبر نموذج المربعات الصغرى دالة تنبؤية لخصائص التربة بعد اختيار المتغيرات التوضيحية ، ومن الضروري استخدام الاستجابة لإنشاء علاقة خطية باستخدام المتغيرات التوضيحية ، كما تم استخدام المتغيرات التفسيرية مع المتغيرات التوضيحية.
حيث y هو متغير الاستجابة ، \ (a \) هو التقاطع ، n هو عدد المتنبئين ، \ ({b} _ {1} \) هو الانحدار الجزئي للمعاملات ، \ ({x} _ {i} \) يمثل متنبئًا أو متغيرًا توضيحيًا ، و \ ({\ varepsilon} _ {i} \) يمثل الخطأ في النموذج ، والمعروف أيضًا باسم المتغير.
تم الحصول على النماذج المختلطة عن طريق شطيرة EBK مع SVMR و MLR ، ويتم ذلك عن طريق استخراج القيم المتوقعة من استيفاء EBK ، ويتم الحصول على القيم المتوقعة التي تم الحصول عليها من استيفاء Ca و K و Mg من خلال عملية اندماجية للحصول على متغيرات جديدة ، مثل CaK و CaMg و KMg ، ثم يتم دمج العناصر Ca و K و Mg للحصول على المتغير الرابع Ca و K و Mg. g و KMg و CaKMg أصبحت هذه المتغيرات تنبئنا ، مما يساعد على التنبؤ بتركيزات النيكل في التربة الحضرية وشبه الحضرية. تم إجراء خوارزمية SVMR على المتنبئين للحصول على نموذج مختلط التجريبية Bayesian Kriging-Support Vector Machine (EBK_SVM). عادةً ما يتم استخدام المتغيرات Ca ، K ، Mg ، CaK ، CaMg ، KMg ، و CaKMg كمتغيرات مشتركة كمتنبئات لمحتوى Ni في التربة الحضرية وشبه الحضرية ، ثم يتم تصور النموذج الأكثر قبولًا (EBK_SVM أو EBK_MLR) باستخدام رسم بياني التنظيم الذاتي.
أصبح استخدام SEOM أداة شائعة لتنظيم وتقييم وتنبؤ البيانات في القطاع المالي ، والرعاية الصحية ، والصناعة ، والإحصاءات ، وعلوم التربة ، والمزيد. متغيرات المتجهات imensional43،56.melssen et al.57 يصف اتصال متجه الإدخال بالشبكة العصبية من خلال طبقة إدخال واحدة إلى متجه الإخراج مع متجه وزن واحد. الناتج الناتج بواسطة SeOM عبارة عن خريطة ثنائية الأبعاد تتكون من خلايا عصبية أو عقد مختلفة منسوجة في خرائط طوبولوجية سداسية أو دائرية أو مربعة وفقًا لقربها. يتم تحديد بنية الخلايا العصبية وفقًا لعدد العقد في المعادلة التجريبية
بلغ عدد البيانات المستخدمة في هذه الدراسة 115 عينة ، وتم استخدام طريقة عشوائية لتقسيم البيانات إلى بيانات اختبار (25٪ للتحقق من الصحة) ومجموعات بيانات التدريب (75٪ للمعايرة) ، وتستخدم مجموعة بيانات التدريب لإنشاء نموذج الانحدار (المعايرة) ، ويتم استخدام مجموعة بيانات الاختبار للتحقق من قدرة التعميم ، وقد تم ذلك لتقييم مدى ملاءمة نماذج التربة المختلفة للتنبؤ بمحتوى النيكل المتكرر بخمس مرات. يتم استخدام استيفاء EBK كمتنبئات أو متغيرات تفسيرية للتنبؤ بالمتغير المستهدف (PTE). يتم التعامل مع النماذج في RStudio باستخدام مكتبة الحزم (Kohonen) ، والمكتبة (علامة الإقحام) ، والمكتبة (modelr) ، والمكتبة ("e1071 ″) ، والمكتبة (" plyr ") ، والمكتبة (" caTools ")" ، والمكتبة ("المكتبات (").
تم استخدام معاملات التحقق المختلفة لتحديد أفضل نموذج مناسب للتنبؤ بتركيزات النيكل في التربة ولتقييم دقة النموذج والتحقق من صحته ، وتم تقييم نماذج التهجين باستخدام متوسط ​​الخطأ المطلق (MAE) ، وجذر متوسط ​​الخطأ التربيعي (RMSE) ، وتحديد التربيع التربيعي أو المعامل (R2). تحدد R2 التباين في النسب في نموذج التباين ، وتمثله في قياس الانحدار المستقل في نموذج التباين. تحدد AE القيمة الكمية الفعلية. يجب أن تكون قيمة R2 عالية لتقييم أفضل نموذج للخليط باستخدام معلمات التحقق من الصحة ، فكلما اقتربت القيمة من 1 ، زادت الدقة ، وفقًا لـ Li et al.59 ، تعتبر قيمة معيار R2 البالغة 0.75 أو أكبر مؤشرًا جيدًا ؛من 0.5 إلى 0.75 هو أداء نموذج مقبول ، وأقل من 0.5 هو أداء نموذج غير مقبول. عند اختيار نموذج باستخدام طرق تقييم معايير التحقق من صحة RMSE و MAE ، كانت القيم الأقل التي تم الحصول عليها كافية واعتبرت الخيار الأفضل ، تصف المعادلة التالية طريقة التحقق.
حيث يمثل n حجم القيمة المرصودة \ ({Y} _ {i} \) يمثل الاستجابة المقاسة ، ويمثل \ ({\ واسع النطاق {Y}} _ {i} \) أيضًا قيمة الاستجابة المتوقعة ، وبالتالي ، بالنسبة لملاحظات i الأولى.
الأوصاف الإحصائية للتنبؤ ومتغيرات الاستجابة موضحة في الجدول 1 ، والتي توضح المتوسط ​​، والانحراف المعياري (SD) ، ومعامل التباين (CV) ، والحد الأدنى ، والحد الأقصى ، والتفرطح ، والانحراف. أظهر المتوسط ​​العالمي (29 مجم / كجم) والمتوسط ​​الأوروبي (37 مجم / كجم) أن المتوسط ​​الهندسي المحسوب الإجمالي لمنطقة الدراسة كان ضمن النطاق المسموح به ، ومع ذلك ، كما هو موضح في دراسة Kabata-Pendias ، فإن مقارنة متوسط ​​تركيز النيكل (Ni) في الدراسة الحالية مع التربة الزراعية في السويد يظهر أن متوسط ​​تركيز النيكل الحالي أعلى. أعلى من الحد المسموح به وهو 60 (10.2 مجم / كجم) للنيكل في التربة الحضرية البولندية التي أبلغ عنها Różański وآخرون علاوة على ذلك ، سجلت دراسة Bretzel و Calderisi متوسط ​​تركيز منخفض جدًا للنيكل (1.78 مجم / كجم) في التربة الحضرية في توسكانا مقارنة بالدراسة الحالية. تركيز النيكل البالغ 17.6 ملجم / كجم في منطقة تعدين قديمة ومنطقة صناعية حضرية في ساكسونيا أنهالت ، ألمانيا ، والذي كان أعلى بمقدار 1.45 ملجم / كجم من متوسط ​​تركيز النيكل في المنطقة (16.15 ملجم / كجم) ، البحث الحالي ، قد يُعزى محتوى النيكل الزائد في التربة في بعض المناطق الحضرية والضواحي في منطقة الدراسة بشكل أساسي إلى صناعة الحديد والصلب وصناعة المعادن ، وهذا يتفق مع دراسة خودادوست وآخرون.64 أن صناعة الصلب وتشغيل المعادن هي المصادر الرئيسية للتلوث بالنيكل في التربة ، ومع ذلك ، فقد تراوحت المؤشرات أيضًا من 538.70 مجم / كجم إلى 69161.80 مجم / كجم لـ Ca ، و 497.51 مجم / كجم إلى 3535.68 مجم / كجم لـ K ، و 685.68 مجم / كجم إلى 5970.05 مجم / كجم لـ Mg.Jakovljevic et al.قام 65 بالتحقيق في إجمالي محتوى Mg و K للتربة في وسط صربيا ، ووجدوا أن التركيزات الإجمالية (410 مجم / كجم و 400 مجم / كجم على التوالي) كانت أقل من تركيزات Mg و K في الدراسة الحالية. المحتوى في التربة السطحية أقل من العنصر الوحيد في هذه الدراسة دراسة حديثة بواسطة Pongrac et al.أظهر 67 أن إجمالي محتوى الكالسيوم الذي تم تحليله في 3 تربة مختلفة في اسكتلندا ، المملكة المتحدة (تربة Mylnefield ، تربة Balruddery وتربة Hartwood) يشير إلى محتوى أعلى من الكالسيوم في هذه الدراسة.
نظرًا للتركيزات المقاسة المختلفة للعناصر التي تم أخذ عينات منها ، فإن توزيعات مجموعة البيانات للعناصر تظهر انحرافًا مختلفًا ، وتراوح الانحراف والتفرطح للعناصر من 1.53 إلى 7.24 و 2.49 إلى 54.16 على التوالي ، وجميع العناصر المحسوبة لها مستويات انحراف وتفرطح أعلى من +1 ، مما يشير إلى أن توزيع البيانات غير منتظم ، وانحراف في الاتجاه الصحيح للعناصر المعتدلة وذروة ، كما تظهر السيرة الذاتية المقدرة التي تحتوي على K و Ca. القدرة: تشرح السير الذاتية لـ K و Ni و Mg توزيعها المنتظم ، علاوة على ذلك ، فإن توزيع الكالسيوم غير منتظم وقد تؤثر المصادر الخارجية على مستوى إثرائه.
أشارت العلاقة المتبادلة بين متغيرات التوقع مع عناصر الاستجابة إلى وجود علاقة مرضية بين العناصر (انظر الشكل 3) ، وأشار الارتباط إلى أن CaK أظهر ارتباطًا معتدلًا مع قيمة r = 0.53 ، كما فعل CaNi ، على الرغم من أن Ca و K يظهران ارتباطات متواضعة مع بعضهما البعض ، إلا أن الباحثين مثل Kingston et al.يشير كل من 68 و Santo69 إلى أن مستوياتهما في التربة متناسبة عكسيًا ، ومع ذلك ، فإن الكالسيوم والمغنيسيوم يتعارضان مع K ، لكن CaK يرتبط جيدًا ، وقد يكون هذا بسبب استخدام الأسمدة مثل كربونات البوتاسيوم ، والتي تزيد بنسبة 56٪ في البوتاسيوم ، ويرتبط البوتاسيوم ارتباطًا وثيقًا بالمغنيسيوم (KM r = 0.63) ، وهما عنصران مرتبطان بالبوتاسيوم والبوتاسيوم. يستخدم البوتاس في التربة لزيادة مستويات نقصها ، النيكل مرتبط بشكل معتدل مع الكالسيوم والبوتاسيوم والمغنيسيوم بقيم r = 0.52 و 0.63 و 0.55 على التوالي ، والعلاقات التي تشمل الكالسيوم والمغنيسيوم و PTEs مثل النيكل معقدة ، ولكن مع ذلك ، يمنع المغنيسيوم امتصاص الكالسيوم ، ويقلل الكالسيوم من تأثيرات المغنيسيوم الزائد ، ويقلل كل من المغنيسيوم والكالسيوم من التأثيرات السامة.
مصفوفة الارتباط للعناصر التي توضح العلاقة بين المتنبئين والاستجابات (ملاحظة: يتضمن هذا الشكل مخطط مبعثر بين العناصر ، وتستند مستويات الأهمية على p <0،001).
يوضح الشكل 4 التوزيع المكاني للعناصر ، وفقًا لـ Burgos et al70 ، فإن تطبيق التوزيع المكاني هو تقنية مستخدمة لتحديد النقاط الساخنة وإبرازها في المناطق الملوثة ، ويمكن رؤية مستويات التخصيب للكالسيوم في الشكل 4 في الجزء الشمالي الغربي من خريطة التوزيع المكاني ، ويوضح الشكل النقاط الساخنة لتخصيب الكالسيوم بدرجة متوسطة إلى عالية ، ومن المحتمل أن يؤدي استخدام الكالسيوم في تربة التربة إلى تقليل نسبة الكالسيوم في التربة بسبب الاستخدام السريع للكالسيوم. الأكسجين في عملية صناعة الصلب ، من ناحية أخرى ، يفضل المزارعون الآخرون استخدام هيدروكسيد الكالسيوم في التربة الحمضية لتحييد درجة الحموضة ، مما يزيد أيضًا من محتوى الكالسيوم في التربة. ová وآخرون 74 ، Asare et al.75 ، الذين لاحظوا أن تثبيت التربة ومعالجتها باستخدام KCl و NPK أدى إلى ارتفاع محتوى البوتاسيوم في التربة.قد يكون التخصيب المكاني للبوتاسيوم في الشمال الغربي من خريطة التوزيع ناتجًا عن استخدام الأسمدة القائمة على البوتاسيوم مثل كلوريد البوتاسيوم وكبريتات البوتاسيوم ونترات البوتاسيوم والبوتاس والبوتاس لزيادة محتوى البوتاسيوم في التربة الفقيرة.76 و Tlustoš وآخرون.أوضح 77 أن استخدام الأسمدة التي تحتوي على K زاد من محتوى K في التربة وسيزيد بشكل كبير من محتوى مغذيات التربة على المدى الطويل ، خاصة K و Mg يظهران بقعة ساخنة في التربة ، والنقاط الساخنة المعتدلة نسبيًا في الشمال الغربي من الخريطة وجنوب شرق الخريطة ، التثبيت الغرواني في التربة يستنزف تركيز المغنيسيوم في التربة ، نقص المغنيسيوم في التربة يؤدي إلى ظهور مثل البوتاسيوم المغنيسيوم في التربة. تعالج الكبريتات والكيسيريت أوجه القصور (تظهر النباتات أرجوانية أو حمراء أو بنية اللون ، مما يشير إلى نقص المغنيسيوم) في التربة ذات درجة الحموضة الطبيعية 6 - قد يكون تراكم النيكل على أسطح التربة في المناطق الحضرية وشبه الحضرية بسبب الأنشطة البشرية مثل الزراعة وأهمية النيكل في إنتاج الفولاذ المقاوم للصدأ.
التوزيع المكاني للعناصر [تم إنشاء خريطة التوزيع المكاني باستخدام ArcGIS Desktop (ESRI، Inc ، الإصدار 10.7 ، URL: https://desktop.arcgis.com).]
تظهر نتائج مؤشر أداء النموذج للعناصر المستخدمة في هذه الدراسة في الجدول 2 ، ومن ناحية أخرى ، فإن كلا من RMSE و MAE لـ Ni قريبان من الصفر (0.86 RMSE ، -0.08 MAE) ، ومن ناحية أخرى ، فإن قيم RMSE و MAE لـ K مقبولة ، وكانت نتائج RMSE و MAE أكبر بالنسبة للكالسيوم والمغنيسيوم. تم العثور على Ni ليكون أفضل من نتائج John et al.54 باستخدام krig التآزري للتنبؤ بتركيزات S في التربة باستخدام نفس البيانات المجمعة. ترتبط مخرجات EBK التي درسناها مع تلك الخاصة بـ Fabijaczyk et al.41 ، يان وآخرون.79 ، بيجوين وآخرون.80 ، Adhikary وآخرون.81 وجون وآخرون.82 ، وخاصة K و Ni.
تم تقييم أداء الطرق الفردية للتنبؤ بمحتوى النيكل في التربة الحضرية وشبه الحضرية باستخدام أداء النماذج (الجدول 3) ، وأكد التحقق من صحة النموذج وتقييم الدقة أن المتنبئ Ca_Mg_K جنبًا إلى جنب مع نموذج EBK SVMR أسفر عن أفضل أداء. كجم (RMSE) و 77.368 مجم / كجم (MAE) كان Ca_Mg_K-SVMR 0.663 (R2) ، 235.974 مجم / كجم (RMSE) و 166.946 مجم / كجم (MAE).كانت نتائج RMSE و MAE الخاصة بهم أعلى من تلك الخاصة بـ Ca_Mg_K-EBK_SVMR (R2 0.637) (انظر الجدول 3). بالإضافة إلى ذلك ، فإن RMSE و MAE لنموذج Ca_Mg-EBK_SVMR (RMSE = 1664.64 و MAE = 1031.49) هما 17.5 و 13.4 جم على التوالي ، وهما أكبر من Ca_B. RMSE و MAE لنموذج Ca_Mg-K SVMR (RMSE = 235.974 و MAE = 166.946) أكبر بمقدار 2.5 و 2.2 من تلك الموجودة في Ca_Mg_K-EBK_SVMR RMSE و MAE ، على التوالي. تشير نتائج RMSE المحسوبة إلى مدى تركيز مجموعة البيانات مع خط أفضل ملاءمة.46 وجون وآخرون.54 ، كلما اقتربت RMSE و MAE من الصفر ، كانت النتائج أفضل ، وتعني VMR و EBK_SVMR قيم أعلى من RSME و MAE ، وقد لوحظ أن تقديرات RSME كانت أعلى باستمرار من قيم MAE ، مما يشير إلى وجود القيم المتطرفة. ataset ، ارتفعت قيم MAE و RMSE. بلغت دقة تقييم التحقق المتبادل للنموذج المختلط Ca_Mg_K-EBK_SVMR للتنبؤ بمحتوى النيكل في التربة الحضرية والضواحي 63.70٪ ، وفقًا لـ Li et al.59 ، هذا المستوى من الدقة هو معدل أداء نموذج مقبول. تتم مقارنة النتائج الحالية بدراسة سابقة بواسطة Tarasov et al.36 الذي أنشأ نموذجها الهجين MLPRK (Multilayer Perceptron Residual Kriging) ، المرتبط بمؤشر تقييم دقة EBK_SVMR الذي تم الإبلاغ عنه في الدراسة الحالية ، كان RMSE (210) و MAE (167.5) أعلى من نتائجنا في الدراسة الحالية (RMSE 95.479 ، MAE 77.368) ومع ذلك ، عند مقارنة R2 من الدراسة الحالية (0.6).36 (0.544) ، من الواضح أن معامل التحديد (R2) أعلى في هذا النموذج المختلط ، وهامش الخطأ (RMSE و MAE) (EBK SVMR) للنموذج المختلط أقل مرتين ، وبالمثل ، سجل سيرجيف وآخرون. MR) 63.7٪ ، بينما دقة التنبؤ التي حصل عليها سيرجيف وآخرون.34 هي 28٪ الخريطة النهائية (الشكل 5) التي تم إنشاؤها باستخدام نموذج EBK_SVMR و Ca_Mg_K كمؤشر تظهر تنبؤات البقع الساخنة والمعتدلة إلى النيكل في منطقة الدراسة بأكملها ، وهذا يعني أن تركيز النيكل في منطقة الدراسة معتدل بشكل أساسي ، مع تركيزات أعلى في بعض المناطق المحددة.
يتم تمثيل خريطة التنبؤ النهائية باستخدام النموذج الهجين EBK_SVMR واستخدام Ca_Mg_K كمتوقع. [تم إنشاء خريطة التوزيع المكاني باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
يظهر في الشكل 6 تركيزات PTE كمستوى تكوين يتكون من الخلايا العصبية الفردية ، ولم تظهر أي من الطائرات المكونة نفس نمط اللون كما هو موضح ، ومع ذلك ، فإن العدد المناسب من الخلايا العصبية لكل خريطة مرسومة هو 55 ، ويتم إنتاج SeOM باستخدام مجموعة متنوعة من الألوان ، وكلما كانت أنماط الألوان أكثر تشابهًا ، كلما كانت خصائص العينات أكثر قابلية للمقارنة ، ووفقًا لمقياس الألوان الدقيق والعناصر الفردية (Ca ، K ، والخلايا العصبية) ، تشترك Mg في بعض أوجه التشابه مع الخلايا العصبية عالية الترتيب وأنماط الألوان المنخفضة إلى المتوسطة ، ويتنبأ كلا النموذجين بتركيز النيكل في التربة عن طريق عرض درجات ألوان متوسطة إلى عالية مثل الأحمر والبرتقالي والأصفر ، ويعرض نموذج KMg العديد من أنماط الألوان المرتفعة بناءً على نسب دقيقة وبقع ألوان منخفضة إلى متوسطة ، وعلى مقياس ألوان دقيق من الأقل إلى المرتفع ، أظهر نموذج التوزيع المستوي لمكونات نموذج اللون المرتفع في الشكل 4 ألوانًا متوسطة إلى عالية من الألوان. يُظهر نمط ألوان متنوع من الأقل إلى الأعلى وفقًا لمقياس ألوان دقيق ، علاوة على ذلك ، فإن توقع النموذج لمحتوى النيكل (CakMg) يشبه التوزيع المكاني للنيكل الموضح في الشكل 5 ، ويظهر كلا الرسمين نسبًا عالية ومتوسطة ومنخفضة من تركيزات النيكل في التربة الحضرية وشبه الحضرية. من بين 115 عينة من التربة التي تم جمعها ، حصلت الفئة 1 على معظم عينات التربة ، 74 ، تلقت المجموعة 2 33 عينة ، بينما تلقت المجموعة 3 8 عينات ، وتم تبسيط تركيبة التنبؤ المستوي المكون من سبعة مكونات للسماح بالتفسير الصحيح للعنقود ، نظرًا للعمليات البشرية والطبيعية العديدة التي تؤثر على تكوين التربة ، فمن الصعب الحصول على أنماط عنقودية متمايزة بشكل صحيح في خريطة SeOM الموزعة.
إخراج مستوى المكون بواسطة كل متغير من متغير آلة متجه دعم Bayesian Kriging التجريبية (EBK_SVM_SeOM). [تم إنشاء خرائط SeOM باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
مكونات مختلفة لتصنيف المجموعات [تم إنشاء خرائط SeOM باستخدام RStudio (الإصدار 1.4.1717: https://www.rstudio.com/).]
توضح الدراسة الحالية بوضوح تقنيات النمذجة لتركيزات النيكل في التربة الحضرية وشبه الحضرية ، واختبرت الدراسة تقنيات النمذجة المختلفة ، والجمع بين العناصر وتقنيات النمذجة ، للحصول على أفضل طريقة للتنبؤ بتركيزات النيكل في التربة ، وأظهرت الخصائص المكانية المستوية التركيبية لتقنية النمذجة من SeOM نمطًا لونيًا عاليًا من منخفض إلى مرتفع على مقياس ألوان دقيق ، مما يشير إلى تركيزات مكانية في التربة. K_SVMR (انظر الشكل 5). تُظهر النتائج أن نموذج انحدار آلة متجه الدعم (Ca Mg K-SVMR) يتنبأ بتركيز Ni في التربة كنموذج واحد ، لكن معلمات التحقق من الصحة وتقييم الدقة تظهر أخطاء عالية جدًا من حيث RMSE و MAE. العناصر المدمجة (CaKMg) مع أخطاء RMSE و MAE منخفضة بدقة 63.7٪ ، واتضح أن الجمع بين خوارزمية EBK مع خوارزمية التعلم الآلي يمكن أن يولد خوارزمية هجينة يمكنها التنبؤ بتركيز PTEs في التربة ، وأظهرت النتائج أن استخدام Ca Mg K كمنبئ للتنبؤ بتركيزات النيكل في منطقة الدراسة يمكن أن يحسن التنبؤ بالنيكل القائم على التربة في صناعة التربة. ency لزيادة تركيز النيكل في التربة ، كشفت هذه الدراسة أن نموذج EBK يمكن أن يقلل من مستوى الخطأ ويحسن دقة نموذج التوزيع المكاني للتربة في التربة الحضرية أو شبه الحضرية بشكل عام ، نقترح تطبيق نموذج EBK-SVMR لتقييم وتوقع PTE في التربة ؛بالإضافة إلى ذلك ، نقترح استخدام EBK للتهجين مع خوارزميات مختلفة للتعلم الآلي. تم التنبؤ بتركيزات ني باستخدام العناصر كمتغيرات مشتركة ؛ومع ذلك ، فإن استخدام المزيد من المتغيرات المشتركة من شأنه أن يحسن أداء النموذج بشكل كبير ، والذي يمكن اعتباره قيدًا على العمل الحالي. ومن القيود الأخرى لهذه الدراسة أن عدد مجموعات البيانات هو 115 ، لذلك ، إذا تم توفير المزيد من البيانات ، يمكن تحسين أداء طريقة التهجين المُحسَّنة المقترحة.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (تم الوصول إليه في 28 أبريل 2021).
تطورات نيكل Kasprzak، KS في علم السموم البيئية الحديثة. البيئة المحيطة. علم السموم 11، 145–183 (1987).
سيمبل ، إم ونيكل ، جي نيكل: مراجعة لمصادرها وعلم السموم البيئية ، بوليش جي البيئة ، ستود 15 ، 375-382 (2006).
Freedman، B. & Hutchinson، TC مدخلات الملوثات من الغلاف الجوي والتراكم في التربة والغطاء النباتي بالقرب من مصهر النيكل والنحاس في سودبيري ، أونتاريو ، كندا.بوت 58 (1) ، 108-132. https://doi.org/10.1139/b80-014 (1980).
مانيوا ، تي وآخرون ، المعادن الثقيلة في التربة والنباتات والمخاطر المرتبطة برعي المجترات بالقرب من منجم سيليبي-فيكوي للنحاس والنيكل في بوتسوانا ، المحيط ، الكيمياء الجيولوجية ، الصحة https://doi.org/10.1007/s10653-021-00918-x (2021).
cabata-pendias.kabata-pendias A. 2011. تتبع العناصر في التربة و ...-الباحث العلمي من Google https://scholar.google.com/scholar؟hl=en&as_sdt=0٪2C5&q=kabata-pendias+a. اضغط و BTNG = (تم الوصول إليه في 24 نوفمبر 2020).
Almås، A.، Singh، B.، Agriculture، TS-NJ of & 1995، undefined. تأثيرات صناعة النيكل الروسية على تركيزات المعادن الثقيلة في التربة الزراعية والأعشاب في Soer-Varanger ، Norway.agris.fao.org.
Nielsen، GD et al. يرتبط امتصاص النيكل والاحتفاظ به في مياه الشرب بتناول الطعام وحساسية النيكل.
Costa، ​​M. & Klein، CB Nickel carcinogenesis، mutation، epigenetics أو الانتقاء ، البيئة المحيطة ، منظور الصحة ، 107 ، 2 (1999).
عجمان، كمبيوتر شخصي؛أجادو ، SK ؛بوروفكا ، إل.بيني ، JKM ؛ساركودي ، VYO ؛كوبوني ، نيو مكسيكو ؛تحليل اتجاهات العناصر السامة المحتملة: مراجعة ببليومترية ، الكيمياء الجيولوجية البيئية والصحة ، شركة سبرينجر ساينس آند بيزنس ميديا ​​BV 2020 ، https://doi.org/10.1007/s10653-020-00742-9.
Minasny، B. & McBratney، AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264، 301–311.https: //doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney، AB، Mendonça Santos، ML & Minasny، B. على رسم الخرائط الرقمية للتربة.
Deutsch.CV Geostatistical Reservoir Modeling،… - الباحث العلمي من Google https://scholar.google.com/scholar؟hl=ar&as_sdt=0٪2C5&q=CV+Deutsch٪2C+2002٪2C+Geostatistical+Reservoir+Modeling٪2C + Oxford + University + Press٪ 2C + 21.


الوقت ما بعد: 22 يوليو - 2022