Прагназаванне канцэнтрацыі нікеля ў прыгарадных і гарадскіх глебах з выкарыстаннем змешанага эмпірычнага байесаўскага крыгінга і машыннай рэгрэсіі апорнага вектара

Дзякуй за наведванне Nature.com. Версія браўзера, якой вы карыстаецеся, мае абмежаваную падтрымку CSS. Для найлепшага вопыту мы рэкамендуем вам выкарыстоўваць абноўлены браўзер (або выключыць рэжым сумяшчальнасці ў Internet Explorer). Тым часам, каб забяспечыць пастаянную падтрымку, мы будзем адлюстроўваць сайт без стыляў і JavaScript.
Забруджванне глебы з'яўляецца вялікай праблемай, выкліканай дзейнасцю чалавека. Прасторавае размеркаванне патэнцыйна таксічных элементаў (PTE) вар'іруецца ў большасці гарадскіх і прыгарадных раёнаў. Такім чынам, цяжка прасторава прагназаваць утрыманне PTE ў такіх глебах. Усяго 115 узораў былі атрыманы ад Фрыдэка Містэка ў Чэхіі. Канцэнтрацыі кальцыя (Ca), магнію (Mg), калія (K) і нікеля (Ni) былі вызначаны з дапамогай эмісійная спектраметрыя з індуктыўна звязанай плазмай. Зменная адказу - Ni, а прэдыктары - Ca, Mg і K. Матрыца карэляцыі паміж зменнай рэакцыі і зменнай прагназавання паказвае здавальняючую карэляцыю паміж элементамі. Вынікі прагназавання паказалі, што машынная рэгрэсія апорнага вектара (SVMR) спрацавала добра, хаця яе ацэначная сярэднеквадратычная памылка (RMSE) (235,974 мг/кг) і сярэдняя абсалютная памылка (MA) E) (166,946 мг/кг) былі вышэй, чым іншыя метады. Змешаныя мадэлі эмпірычнай байесаўскай крыгінга-множнай лінейнай рэгрэсіі (EBK-MLR) працуюць дрэнна, пра што сведчаць каэфіцыенты дэтэрмінацыі менш за 0,1. Мадэль эмпірычнай байесаўскай вектарнай машыннай рэгрэсіі крыгінга (EBK-SVMR) была лепшай мадэллю з нізкім RMSE (95,479 мг/кг). кг) і MAE (77,368 мг/кг) і высокі каэфіцыент дэтэрмінацыі (R2 = 0,637). Выхад метаду мадэлявання EBK-SVMR візуалізуецца з дапамогай самаарганізуючай карты. Кластарныя нейроны ў плоскасці кампанента гібрыднай мадэлі CakMg-EBK-SVMR паказваюць некалькі каляровых узораў, якія прадказваюць канцэнтрацыю Ni ў гарадскіх і прыгарадных глебах. Вынікі дэманструюць, што спалучэнне EBK і SVMR з'яўляецца эфектыўным метадам для прагназавання канцэнтрацыі Ni ў гарадскіх і прыгарадных глебах.
Нікель (Ni) лічыцца мікраэлементам для раслін, таму што ён спрыяе фіксацыі атмасфернага азоту (N) і метабалізму мачавіны, якія неабходныя для прарастання насення. Акрамя свайго ўкладу ў прарастанне насення, Ni можа дзейнічаць як інгібітар грыбкоў і бактэрый і спрыяць развіццю раслін. Недахоп нікеля ў глебе дазваляе раслінам паглынаць яго, што прыводзіць да хлорозу лісця. Напрыклад, каровіны гарох і зялёная фасолю патрабуюць прымянення угнаенняў на аснове нікеля для аптымізацыі фіксацыі азоту 2. Працяг унясення ўгнаенняў на аснове нікеля для ўзбагачэння глебы і павышэння здольнасці бабовых фіксаваць азот у глебе пастаянна павялічвае канцэнтрацыю нікеля ў глебе. Нягледзячы на ​​​​тое, што нікель з'яўляецца мікраэлементам для раслін, яго празмернае паступленне ў глебу можа прынесці больш шкоды, чым карысці. Таксічнасць нікеля ў глебе мінімальная зніжае рн глебы і перашкаджае паглынанню жалеза як важнага пажыўнага рэчыва для росту раслін.1.Паводле Лю3, нікель быў прызнаны 17-м важным элементам, неабходным для развіцця і росту раслін.Акрамя ролі нікеля ў развіцці і росце раслін, людзям ён патрэбны для розных прымянення.Гальваніка, вытворчасць сплаваў на аснове нікеля, а таксама вытворчасць прылад запальвання і свечак запальвання ў аўтамабільнай прамысловасці патрабуюць выкарыстанне нікеля ў розных прамысловых сектарах. Акрамя таго, сплавы на аснове нікеля і вырабы з гальванічным пакрыццём шырока выкарыстоўваюцца ў кухонным посудзе, аксэсуарах для бальных пакояў, прыладах харчовай прамысловасці, электратэхніцы, правадах і кабелях, рэактыўных турбінах, хірургічных імплантатах, тэкстылі і суднабудаванні5. Багатыя нікелем ўзроўні ў глебах (г.зн. паверхневых глебах) тлумачацца як антрапагеннымі, так і прыроднымі крыніцамі, але ў першую чаргу Ni з'яўляецца прыроднай крыніцай, а не антрапалагічнай пагенныя4,6. Прыродныя крыніцы нікеля ўключаюць вывяржэнне вулканаў, расліннасць, лясныя пажары і геалагічныя працэсы;аднак антрапагенныя крыніцы ўключаюць нікелевыя/кадміевыя акумулятары ў сталеліцейнай прамысловасці, гальваніку, дугавую зварку, дызельнае паліва і мазут, а таксама выкіды ў атмасферу ад спальвання вугалю і спальвання адходаў і асадка Назапашванне нікеля 7,8.10, асноўнымі крыніцамі забруджвання верхняга пласта глебы ў непасрэдным і прылеглым асяроддзі з'яўляюцца ў асноўным плавільныя заводы і шахты на аснове нікеля і медзі. Верхняя частка глебы вакол медна-нікелевага завода ў Садберы ў Канадзе мела самы высокі ўзровень забруджвання нікелем - 26 000 мг/кг11. Наадварот, забруджванне ад вытворчасці нікеля ў Расіі прывяло да больш высокіх канцэнтрацый нікеля ў нарвежскай глебе11. інг да міласціны і інш.12, колькасць экстрагируемого HNO3 нікеля на найбольш ворных землях рэгіёну (вытворчасць нікеля ў Расіі) вагалася ад 6,25 да 136,88 мг/кг, што адпавядае сярэдняму 30,43 мг/кг і базавай канцэнтрацыі 25 мг/кг. Згодна з Kabata 11, прымяненне фосфарных угнаенняў у сельскагаспадарчых глебах у гарадскіх або прыгарадных глебах падчас паслядоўных кр сезоны могуць пранікнуць або забрудзіць глебу. Патэнцыйнае ўздзеянне нікеля на чалавека можа прывесці да раку праз мутагенез, храмасомныя пашкоджанні, генерацыю Z-ДНК, блакіроўку эксцызіі ДНК або эпігенетычныя працэсы13. У эксперыментах на жывёл было выяўлена, што нікель можа выклікаць розныя пухліны, а канцэрагенныя комплексы нікелю могуць пагоршыць такія пухліны.
Ацэнкі забруджвання глебы ў апошні час павялічыліся з-за шырокага спектру праблем, звязаных са здароўем, якія ўзнікаюць з узаемаадносін глеба-расліна, біялагічных адносін глебы і глебы, экалагічнай дэградацыі і ацэнкі ўздзеяння на навакольнае асяроддзе. На сённяшні дзень прасторавае прагназаванне патэнцыйна таксічных элементаў (PTE), такіх як Ni, у глебе з выкарыстаннем традыцыйных метадаў было працаёмкім і працаёмкім. З'яўленне лічбавага картаграфавання глебы (DSM) і яго цяперашні поспех15 маюць вялікі поспех. Палепшанае прагнастычнае картаграфаванне глебы (PSM). Згодна з Minasny і McBratney16, прагнастычнае картаванне глебы (DSM) зарэкамендавала сябе як важная субдысцыпліна глебазнаўства. Lagacherie і McBratney, 2006 вызначаюць DSM як «стварэнне і напаўненне прасторавых глебавых інфармацыйных сістэм шляхам выкарыстання метадаў назірання на месцы і лабараторных метадаў, а таксама прасторавых і непрасторавых высноваў аб глебе. сістэмы”.МакБратні і інш.17 паказвае, што сучасныя DSM або PSM з'яўляюцца найбольш эфектыўнымі метадамі для прагназавання або адлюстравання прасторавага размеркавання PTE, тыпаў глеб і ўласцівасцей глеб. Геастатыстыка і алгарытмы машыннага навучання (MLA) - гэта метады мадэлявання DSM, якія ствараюць алічбаваныя карты з дапамогай камп'ютараў з выкарыстаннем значных і мінімальных даных.
Deutsch18 і Olea19 вызначаюць геастатыстыку як «калекцыю лікавых метадаў, якія маюць справу з прадстаўленнем прасторавых атрыбутаў, галоўным чынам з выкарыстаннем стахастычных мадэляў, такіх як тое, як аналіз часовых шэрагаў характарызуе часовыя дадзеныя».У першую чаргу геастатыстыка прадугледжвае ацэнку варыяграм, якія дазваляюць колькасна вызначыць і вызначыць залежнасці прасторавых значэнняў ад кожнага набору даных20.Gumiaux et al.20 дадаткова ілюструюць, што ацэнка варыяграм у геастатыстыцы заснавана на трох прынцыпах, у тым ліку (а) вылічэнні маштабу карэляцыі даных, (б) выяўленні і вылічэнні анізатрапіі ў неадпаведнасці набору даных і (с) у дадатак да ўліку ўнутранай памылкі дадзеных вымярэнняў, аддзеленых ад лакальных эфектаў, таксама ацэньваюцца эфекты плошчы. На аснове гэтых канцэпцый у геастатыстыцы выкарыстоўваюцца многія метады інтэрпаляцыі, уключаючы агульны крыгінг, сукрыгінг, звычайны крыгінг, эмпірычны байесаўскі крыгінг, просты метад крыгінгу і іншыя добра вядомыя метады інтэрпаляцыі для адлюстравання або прагназавання PTE, характарыстык глебы і тыпаў глеб.
Алгарытмы машыннага навучання (MLA) з'яўляюцца адносна новай тэхнікай, якая выкарыстоўвае вялікія нелінейныя класы даных, падсілкоўваючыся алгарытмамі, якія ў асноўным выкарыстоўваюцца для аналізу даных, выяўлення заканамернасцей у даных і неаднаразова прымяняюцца для класіфікацыі ў такіх навуковых галінах, як глебазнаўства і задачы вяртання. Шматлікія даследчыя працы абапіраюцца на мадэлі MLA для прагназавання PTE ў глебах, такіх як Tan et al.22 (выпадковыя лясы для ацэнкі цяжкіх металаў у сельскагаспадарчых глебах), Sakizadeh et al.23 (мадэляванне з выкарыстаннем апорных вектарных машын і штучных нейронных сетак) забруджванне глебы).Акрамя таго, Vega et al.24 (CART для мадэлявання ўтрымання і адсорбцыі цяжкіх металаў у глебе) Sun et al.25 (ужыванне кубізму - гэта размеркаванне Cd у глебе) і іншыя алгарытмы, такія як k-бліжэйшы сусед, абагульненая ўзмоцненая рэгрэсія і ўзмоцненая рэгрэсія Дрэвы таксама прымянілі MLA для прагназавання PTE ў глебе.
Прымяненне алгарытмаў DSM у прагназаванні або картаграфаванні сутыкаецца з некалькімі праблемамі. Многія аўтары лічаць, што MLA пераўзыходзіць геастатыстыку і наадварот. Нягледзячы на ​​тое, што адзін лепшы за другі, спалучэнне абодвух павышае ўзровень дакладнасці адлюстравання або прагназавання ў DSM15. Вудкок і Гопал26 Фінке27;Pontius і Cheuk28 і Grunwald29 каментуюць недахопы і некаторыя памылкі ў прагназаваным картаграфаванні глебы. Глебазнаўцы спрабавалі выкарыстоўваць розныя метады для аптымізацыі эфектыўнасці, дакладнасці і прадказальнасці картаграфавання і прагназавання DSM. Спалучэнне нявызначанасці і праверкі з'яўляецца адным з многіх розных аспектаў, інтэграваных у DSM для аптымізацыі эфектыўнасці і памяншэння дэфектаў. Аднак Agyeman et al.15 паказвае, што паводзіны праверкі і нявызначанасць, унесеныя пры стварэнні карты і прагназаванні, павінны быць незалежна пацверджаны для паляпшэння якасці карты. Абмежаванні DSM абумоўлены геаграфічна разрозненай якасцю глебы, якая ўключае кампанент нявызначанасці;аднак недахоп упэўненасці ў DSM можа паўстаць з-за некалькіх крыніц памылак, а менавіта памылкі каварыянтаў, памылкі мадэлі, памылкі месцазнаходжання і аналітычнай памылкі 31. Недакладнасці мадэлявання, выкліканыя MLA і геастатыстычнымі працэсамі, звязаны з недахопам разумення, што ў канчатковым выніку прыводзіць да празмернага спрашчэння рэальнага працэсу32. Незалежна ад характару мадэлявання, недакладнасці можна аднесці да параметраў мадэлявання, матэматыкі прагнозы з дапамогай матычнай мадэлі, або інтэрпаляцыя33. Нядаўна з'явілася новая тэндэнцыя DSM, якая спрыяе інтэграцыі геастатыстыкі і MLA у картаграфаванне і прагназаванне. Некалькі глебазнаўцаў і аўтараў, такіх як Сяргееў і інш.34;Субоціна і інш.35;Тарасаў і інш.36 і Тарасаў і інш.37 выкарысталі дакладную якасць геастатыстыкі і машыннага навучання для стварэння гібрыдных мадэляў, якія павышаюць эфектыўнасць прагназавання і картаграфавання.якасці. Некаторыя з гэтых мадэляў гібрыдных або камбінаваных алгарытмаў - штучны нейронавы сеткавы крыгінг (ANN-RK), шматслаёвы персептронны рэшткавы крыгінг (MLP-RK), абагульненая рэгрэсія нейронавай сеткавага рэшткавага крыгінга (GR-NNRK)36, штучны нейронавы сеткавы крыгінг-шматслойны персептрон (ANN-K-MLP)37 і сукрыгінгаванне і рэгрэсія Гаўсавага працэсу іён38.
Па словах Сяргеева і інш., камбінаванне розных метадаў мадэлявання мае патэнцыял для ліквідацыі дэфектаў і павышэння эфектыўнасці атрыманай гібрыднай мадэлі, а не для распрацоўкі адной мадэлі. У гэтым кантэксце ў гэтай новай працы сцвярджаецца, што неабходна прымяніць камбінаваны алгарытм геастатыстыкі і MLA для стварэння аптымальных гібрыдных мадэляў для прагназавання ўзбагачэння Ni ў гарадскіх і прыгарадных раёнах. Гэта даследаванне будзе абапірацца на эмпірычны байесаўскі крыгінг (EBK) у якасці базавай мадэлі. і змяшайце яго з мадэлямі Support Vector Machine (SVM) і множнай лінейнай рэгрэсіі (MLR). Гібрыдызацыя EBK з якой-небудзь MLA невядома. Множныя змешаныя мадэлі, якія назіраюцца, уяўляюць сабой камбінацыі звычайнага, рэшткавага, рэгрэсійнага крыгінга і MLA.EBK - гэта метад геастатыстычнай інтэрпаляцыі, які выкарыстоўвае прасторава-выпадковы працэс, лакалізаваны як нестацыянарнае/стацыянарнае выпадковае поле з вызначанымі параметрамі лакалізацыі над полем, з улікам прасторавых варыяцый39. EBK выкарыстоўваўся ў розных даследаваннях, у тым ліку пры аналізе размеркавання арганічнага вугляроду ў сельскагаспадарчых глебах40, ацэнцы забруджвання глебы41 і картаграфаванні уласцівасцей глебы42.
З іншага боку, Self-Organizing Graph (SeOM) - гэта алгарытм навучання, які ўжываўся ў розных артыкулах, такіх як Li et al.43, Ван і інш.44, Хасэйн Бхуян і інш.45 і Kebonye et al.46 Вызначце прасторавыя атрыбуты і групоўку элементаў. Wang et al.44 паказвае, што SeOM з'яўляецца магутнай тэхнікай навучання, вядомай сваёй здольнасцю групаваць і ўяўляць нелінейныя праблемы. У адрозненне ад іншых метадаў распазнання вобразаў, такіх як аналіз галоўных кампанентаў, недакладная кластэрызацыя, іерархічная кластэрызацыя і шматкрытэрыяльнае прыняцце рашэнняў, SeOM лепш арганізоўвае і ідэнтыфікуе шаблоны PTE. Згодна з Wang et al.44, SeOM можа прасторава згрупаваць размеркаванне звязаных нейронаў і забяспечыць візуалізацыю даных з высокім разрозненнем. SeOM будзе візуалізаваць даныя прагназавання Ni, каб атрымаць найлепшую мадэль для характарыстыкі вынікаў для прамой інтэрпрэтацыі.
Мэта гэтага артыкула - стварыць надзейную картаграфічную мадэль з аптымальнай дакладнасцю для прагназавання ўтрымання нікеля ў гарадскіх і прыгарадных глебах. Мы мяркуем, што надзейнасць змешанай мадэлі ў асноўным залежыць ад уплыву іншых мадэляў, далучаных да базавай мадэлі. Мы прызнаем праблемы, якія стаяць перад DSM, і, хоць гэтыя праблемы вырашаюцца на розных франтах, спалучэнне дасягненняў геастатыстыкі і мадэляў MLA, здаецца, павялічваецца. ;такім чынам, мы паспрабуем адказаць на пытанні даследавання, якія могуць даць змешаныя мадэлі. Аднак наколькі дакладная мадэль для прагназавання мэтавага элемента? Акрамя таго, які ўзровень ацэнкі эфектыўнасці на аснове пацверджання і ацэнкі дакладнасці? Такім чынам, канкрэтнымі мэтамі гэтага даследавання было (а) стварыць мадэль камбінаванай сумесі для SVMR або MLR з выкарыстаннем EBK у якасці базавай мадэлі, (б) параўнаць атрыманыя мадэлі (в) прапанаваць лепшую мадэль сумесі для прагназавання канцэнтрацыі Ni ў гарадах або прыгарадныя глебы, і (d) прымяненне SeOM для стварэння карты з высокім дазволам прасторавых змяненняў нікеля.
Даследаванне праводзіцца ў Чэхіі, у прыватнасці, у раёне Фрыдэк-Містэк у Марава-Сілезскім рэгіёне (гл. малюнак 1). Геаграфія даследаванай тэрыторыі вельмі цяжкая і ў асноўным з'яўляецца часткай рэгіёна Марава-Сілезскіх Бескідаў, які з'яўляецца часткай вонкавага краю Карпацкіх гор. Тэрыторыя даследавання размешчана паміж 49° 41' 0' пн.ш. і 18° 20' 0 ′ E, а вышыня паміж 225 і 327 м;аднак сістэма класіфікацыі Кёппена для кліматычнага стану рэгіёну ацэньваецца як Cfb = умераны акіянічны клімат. Нават у засушлівыя месяцы выпадае шмат ападкаў. Тэмпература нязначна мяняецца на працягу года ад −5 °C да 24 °C, рэдка апускаючыся ніжэй за −14 °C або вышэй за 30 °C, у той час як сярэднегадавая колькасць ападкаў складае ад 685 да 752 мм47. Разліковая плошча даследавання ўсёй тэрыторыі складае 1208 квадратных кіламетраў, з 39,38% апрацоўванай зямлі і 49,36% ляснога пакрыцця. З іншага боку, тэрыторыя, выкарыстаная ў гэтым даследаванні, складае каля 889,8 квадратных кіламетраў. У Астраўцы і ваколіцах металургічная прамысловасць і металургічныя заводы вельмі актыўныя. Металургічныя заводы, металургічная прамысловасць, дзе нікель выкарыстоўваецца ў нержавеючай сталі (напрыклад, для ўстойлівасці да атмасфернай карозіі) і легаванай сталі (нікель павялічвае трываласць сплаву пры захаванні яго добрай пластычнасці і трываласці), а таксама інтэнсіўная сельская гаспадарка, такая як унясенне фасфатных угнаенняў і жывёлагадоўля, з'яўляюцца патэнцыйнымі крыніцамі нікеля ў рэгіёне для даследаванняў (напрыклад, даданне нікеля ягнятам для павелічэння хуткасці росту ягнят і буйной рагатай жывёлы з нізкім узроўнем кармлення). Іншыя прамысловыя прымянення нікеля ў даследчых галінах ўключаюць яго выкарыстанне ў гальванічным нікелі, у тым ліку ў гальванічным і электролитическим нікелі. Уласцівасці глебы лёгка адрозніць ад колеру глебы, яе структуры і ўтрымання карбанатаў. Тэкстура глебы ад сярэдняй да тонкай, атрыманая з зыходнага матэрыялу. Па сваёй прыродзе яны калювіяльныя, алювіяльныя або эолавыя. Некаторыя ўчасткі глебы выглядаюць плямістымі на паверхні і падглебе, часта з бетонам і адбельваннем. Аднак камбізолі і стагназолі з'яўляюцца найбольш распаўсюджанымі тыпамі глеб у рэгіёне48. вышыні ад 455,1 да 493,5 м, камбісолі дамінуюць у Чэхіі49.
Карта вобласці даследавання [Карта вобласці даследавання была створана з дапамогай ArcGIS Desktop (ESRI, Inc, версія 10.7, URL: https://desktop.arcgis.com).]
Усяго было атрымана 115 узораў верхняга пласта глебы з гарадскіх і прыгарадных глеб у раёне Фрыдэка Містэка. Выкарыстоўваная схема ўзору ўяўляла сабой рэгулярную сетку з узорамі глебы, размешчанымі на адлегласці 2 × 2 км адзін ад аднаго, і верхні пласт глебы вымяраўся на глыбіні ад 0 да 20 см з дапамогай ручной прылады GPS (Leica Zeno 5 GPS). Узоры запакоўваюць у пакеты Ziploc, належным чынам маркіруюць і адпраўляюць у лабараторыю. Узоры былі высушаны на паветры для атрымання здробненых узораў, здробненых з дапамогай механічнай сістэмы (дыскавая млын Фрыча) і прасеяных (памер сіта 2 мм). Змесціце 1 грам высушаных, гамагенізаваных і прасеяных узораў глебы ў выразна маркіраваныя тэфлонавыя бутэлькі. У кожны тэфлонавы посуд наліце ​​7 мл 35% HCl і 3 мл 65% HNO3 (з дапамогай аўтаматычнага дазатара - па адным для кожнай кіслаты), накрыйце злёгку і дайце пробам пастаяць на працягу ночы для рэакцыі (праграма царскай вады). Змясціце супернатант на гарачую металічную пласціну (тэмпература: 100 Вт і 160 °C) на 2 гадзіны, каб палегчыць працэс пераварвання ўзораў, затым астудзіце. Перанясіце супернатант у мерную колбу на 50 мл і развядзіце да 50 мл дэіянізаванай вадой. Пасля гэтага адфільтруйце разведзены супернатант у 5 Прабірка з ПВХ аб'ёмам 0 мл з дэіянізаванай вадой. Акрамя таго, 1 мл раствора для развядзення разбаўлялі 9 мл дэіянізаванай вады і фільтравалі ў прабірку аб'ёмам 12 мл, падрыхтаваную для псеўдаканцэнтрацыі PTE. Канцэнтрацыі PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) вызначалі з дапамогай ICP-OES (спектр аптычнага выпраменьвання з індуктыўна звязанай плазмай). scopy) (Thermo Fisher Scientific, ЗША) у адпаведнасці са стандартнымі метадамі і пагадненнем. Забяспечце працэдуры забеспячэння і кантролю якасці (QA/QC) (SRM NIST 2711a Montana II Soil). PTE з межамі выяўлення ніжэй за палову былі выключаны з гэтага даследавання. Мяжа выяўлення PTE, які выкарыстоўваўся ў гэтым даследаванні, складала 0,0004.(вы). Акрамя таго, кантроль якасці і працэс забеспячэння якасці для кожнага аналізу забяспечваецца анальным yzing эталонныя стандарты. Каб пераканацца, што памылкі былі зведзены да мінімуму, быў праведзены двайны аналіз.
Эмпірычны байесаўскі крыгінг (EBK) з'яўляецца адным з многіх метадаў геастатыстычнай інтэрпаляцыі, якія выкарыстоўваюцца ў мадэляванні ў розных галінах, такіх як глебазнаўства. У адрозненне ад іншых метадаў інтэрпаляцыі крыгінга, EBK адрозніваецца ад традыцыйных метадаў крыгінга тым, што ўлічвае памылку, ацэненую мадэллю семіварыаграмы. Пры інтэрпаляцыі EBK некалькі мадэляў семіварыаграмы вылічаюцца падчас інтэрпаляцыі, а не адна семіварыаграма. Метады інтэрпаляцыі саступаюць месца нявызначанасць і праграмаванне, звязанае з гэтым складаннем семіварыаграмы, якая з'яўляецца вельмі складанай часткай дастатковага метаду крыгінга. Працэс інтэрпаляцыі EBK адпавядае тром крытэрыям, прапанаваным Krivoruchko50: (a) мадэль ацэньвае семіварыяграму з уваходнага набору даных (b) новае прагназуемае значэнне для кожнага месцазнаходжання ўваходнага набору даных на аснове згенераванай семіварыаграмы і (c) канчатковая мадэль A вылічваецца з змадэляванага набору даных. Правіла ўраўнення Байеса дадзена як апастэрыёрнае
Дзе \(Prob\left(A\right)\) прадстаўляе апрыёр, \(Prob\left(B\right)\) гранічная верагоднасць у большасці выпадкаў ігнаруецца, \(Prob (B,A)\ ). Разлік семіварыаграмы заснаваны на правіле Байеса, якое паказвае схільнасць набораў дадзеных назірання, якія могуць быць створаны з семіварыяграм. Затым значэнне семіварыаграмы вызначаецца з дапамогай правіла Байеса, якое сцвярджае s наколькі імаверна стварыць набор даных назіранняў з семіварыаграмы.
Машына апорнага вектара - гэта алгарытм машыннага навучання, які генеруе аптымальную раздзяляльную гіперплоскасць для адрознення ідэнтычных, але не лінейна незалежных класаў. Vapnik51 стварыў алгарытм класіфікацыі намераў, але нядаўна ён выкарыстоўваўся для вырашэння праблем, арыентаваных на рэгрэсію. Згодна з Лі і інш. SVMR) быў выкарыстаны ў гэтым аналізе. Чаркаскі і Mulier53 сталі піянерамі SVMR як рэгрэсіі на аснове ядра, вылічэнні якой праводзіліся з выкарыстаннем мадэлі лінейнай рэгрэсіі з прасторавымі функцыямі для некалькіх краін. Джон і інш.55, эпсілон (ε)-SVMR выкарыстоўвае навучаны набор даных, каб атрымаць мадэль прадстаўлення ў выглядзе функцыі, неадчувальнай да эпсілонаў, якая прымяняецца для незалежнага адлюстравання даных з найлепшым зрушэннем эпсілон ад навучання на карэляваных даных. Зададзеная памылка адлегласці ігнаруецца з фактычнага значэння, і калі памылка большая за ε (ε), гэта кампенсуецца ўласцівасцямі глебы. Мадэль таксама памяншае складанасць навучальных даных да больш шырокага падмноства апорныя вектары.Ураўненне, прапанаванае Vapnik51, паказана ніжэй.
дзе b прадстаўляе скалярны парог, \(K\left({x}_{,}{ x}_{k}\right)\) прадстаўляе функцыю ядра, \(\alpha\) прадстаўляе множнік Лагранжа, N прадстаўляе лікавы набор даных, \({x}_{k}\) прадстаўляе ўваходныя даныя, а \(y\) — гэта выхад даных. Адным з ключавых ядраў, якія выкарыстоўваюцца, з'яўляецца аперацыя SVMR, якая з'яўляецца радыялам Гаўса базавая функцыя (RBF). Ядро RBF прымяняецца для вызначэння аптымальнай мадэлі SVMR, якая мае вырашальнае значэнне для атрымання найтанчэйшага каэфіцыента штрафнага набору C і гамы параметра ядра (γ) для вучэбных даных PTE. Спачатку мы ацанілі навучальны набор, а затым пратэставалі прадукцыйнасць мадэлі на наборы праверкі. Выкарыстаны параметр кіравання - сігма, а значэнне метаду - svmRadial.
Мадэль множнай лінейнай рэгрэсіі (MLR) - гэта рэгрэсійная мадэль, якая прадстаўляе ўзаемасувязь паміж зменнай адказу і шэрагам зменных прагназавання з дапамогай лінейных аб'яднаных параметраў, разлічаных метадам найменшых квадратаў. У MLR мадэль найменшых квадратаў з'яўляецца прагнастычнай функцыяй уласцівасцей глебы пасля выбару тлумачальных зменных. Неабходна выкарыстоўваць адказ, каб усталяваць лінейную залежнасць з дапамогай тлумачальных зменных. PTE выкарыстоўваўся ў якасці зменнай адказу для ўстанаўлення лініі ar сувязь з тлумачальнымі зменнымі. Ураўненне MLR ёсць
дзе y з'яўляецца зменнай адказу, \(a\) з'яўляецца адсекам, n з'яўляецца лікам прэдыктараў, \({b}_{1}\) з'яўляецца частковай рэгрэсіяй каэфіцыентаў, \({x}_{ i}\) прадстаўляе прэдыктар або тлумачальную зменную, і \({\varepsilon }_{i}\) прадстаўляе памылку ў мадэлі, таксама вядомую як астатак.
Змешаныя мадэлі былі атрыманы шляхам аб'яднання EBK з SVMR і MLR. Гэта робіцца шляхам вылучэння прагназаваных значэнняў з інтэрпаляцыі EBK. Прагназуемыя значэнні, атрыманыя з інтэрпаляваных Ca, K і Mg, атрымліваюцца з дапамогай камбінаторнага працэсу для атрымання новых зменных, такіх як CaK, CaMg і KMg. Затым элементы Ca, K і Mg аб'ядноўваюцца для атрымання чацвёртай зменнай CaKMg. У цэлым, Атрыманыя зменныя Ca, K, Mg, CaK, CaMg, KMg і CaKMg. Гэтыя зменныя сталі нашымі прадказальнікамі, дапамагаючы прагназаваць канцэнтрацыю нікелю ў гарадскіх і прыгарадных глебах. Алгарытм SVMR быў выкананы на прадказальніках для атрымання змешанай мадэлі эмпірычнай байесаўскай вектарнай машыны крыгінга (EBK_SVM). Падобным чынам, зменныя таксама прапускаюцца праз алгарытм MLR для атрымання змешаная мадэль эмпірычнай байесаўскай крыгінга-множнай лінейнай рэгрэсіі (EBK_MLR). Як правіла, зменныя Ca, K, Mg, CaK, CaMg, KMg і CaKMg выкарыстоўваюцца ў якасці варыянтаў у якасці прадказальнікаў утрымання Ni ў гарадскіх і прыгарадных глебах. Найбольш прымальная атрыманая мадэль (EBK_SVM або EBK_MLR) будзе візуалізавацца з дапамогай самаарганізуючага графіка. Працоўны працэс гэтага даследавання паказана на малюнку 2.
Выкарыстанне SeOM стала папулярным інструментам для арганізацыі, ацэнкі і прагназавання даных у фінансавым сектары, ахове здароўя, прамысловасці, статыстыцы, глебазнаўстве і інш. SeOM ствараецца з выкарыстаннем штучных нейронавых сетак і метадаў некантралюемага навучання для арганізацыі, ацэнкі і прагназавання. У гэтым даследаванні SeOM выкарыстоўваўся для візуалізацыі канцэнтрацый Ni на аснове найлепшай мадэлі для прагназавання Ni ў гарадскіх і прыгарадных глебах. Даныя, апрацаваныя ў ацэнцы SeOM, выкарыстоўваюцца як уваходныя дадзеныя -мерныя вектарныя зменныя43,56.Melssen et al.57 апісваюць злучэнне ўваходнага вектара ў нейронавую сетку праз адзін уваходны ўзровень з выхадным вектарам з адзіным вагавым вектарам. Выхад, згенераваны SeOM, уяўляе сабой двухмерную карту, якая складаецца з розных нейронаў або вузлоў, уплеценых у шасцікутныя, круглыя ​​або квадратныя тапалагічныя карты ў залежнасці ад іх блізкасці. Параўноўваючы памеры карты на аснове метрыкі, памылкі квантавання (QE) і тапаграфічнай памылкі (TE), мадэль SeOM з Выбіраецца 0,086 і 0,904 адпаведна, што з'яўляецца адзінкай карты 55 (5 × 11). Структура нейрона вызначаецца ў адпаведнасці з колькасцю вузлоў у эмпірычным раўнанні
Колькасць даных, выкарыстаных у гэтым даследаванні, складае 115 узораў. Выпадковы падыход быў выкарыстаны для падзелу даных на тэставыя (25 % для праверкі) і навучальныя наборы даных (75 % для каліброўкі). Навучальны набор даных выкарыстоўваецца для стварэння рэгрэсійнай мадэлі (каліброўкі), а тэставы набор даных выкарыстоўваецца для праверкі здольнасці да абагульнення58. Гэта было зроблена для ацэнкі прыдатнасці розных мадэляў для прагназавання ўтрымання нікеля ў глебах. Усе мадэлі выкарыстоўваліся прайшоў дзесяціразовы працэс перакрыжаванай праверкі, паўтораны пяць разоў. Зменныя, атрыманыя інтэрпаляцыяй EBK, выкарыстоўваюцца ў якасці прадказальнікаў або тлумачальных зменных для прагназавання мэтавай зменнай (PTE). Мадэляванне апрацоўваецца ў RStudio з выкарыстаннем пакетаў бібліятэка (Kohonen), бібліятэка (caret), бібліятэка (modelr), бібліятэка («e1071″), бібліятэка («plyr»), бібліятэка («caTools»), бібліятэка («prospectr» ) і бібліятэкі (“Метрыка”).
Для вызначэння найлепшай мадэлі, прыдатнай для прагназавання канцэнтрацыі нікеля ў глебе, а таксама для ацэнкі дакладнасці мадэлі і яе праверкі былі выкарыстаны розныя параметры праверкі. Мадэлі гібрыдызацыі ацэньваліся з выкарыстаннем сярэдняй абсалютнай памылкі (MAE), сярэднеквадратычнай памылкі (RMSE) і R-квадрата або вызначэння каэфіцыента (R2). R2 вызначае дысперсію прапорцый у адказе, прадстаўленым мадэллю рэгрэсіі. RMSE і велічыня дысперсіі ў незалежных вымярэннях апісвае прагназуючую здольнасць мадэлі, у той час як MAE вызначае фактычнае колькаснае значэнне. Значэнне R2 павінна быць высокім, каб ацаніць лепшую мадэль сумесі з дапамогай параметраў праверкі, чым бліжэй значэнне да 1, тым вышэй дакладнасць. Згодна з Лі і інш.59, значэнне крытэрыю R2 0,75 або больш лічыцца добрым прадказальнікам;ад 0,5 да 0,75 з'яўляецца прымальнай прадукцыйнасцю мадэлі, а ніжэй за 0,5 - непрымальнай прадукцыйнасцю мадэлі. Пры выбары мадэлі з выкарыстаннем метадаў ацэнкі крытэрыяў праверкі RMSE і MAE меншыя атрыманыя значэнні былі дастатковымі і лічыліся найлепшым выбарам. Наступнае ўраўненне апісвае метад праверкі.
дзе n уяўляе сабой памер назіранага значэння\({Y}_{i}\) уяўляе вымераны адказ, а \({\widehat{Y}}_{i}\) таксама ўяўляе прагназаванае значэнне адказу, такім чынам, для першых i назіранняў.
Статыстычныя апісанні зменных прэдыктара і рэакцыі прадстаўлены ў табліцы 1, дзе паказана сярэдняе значэнне, стандартнае адхіленне (SD), каэфіцыент варыяцыі (CV), мінімум, максімум, эксцэс і скажонасць. Мінімальныя і максімальныя значэнні элементаў размешчаны ў парадку змяншэння Mg < Ca < K < Ni і Ca < Mg < K < Ni адпаведна. 42,39 мг/кг. Параўнанне Ni з сярэднім у свеце (29 мг/кг) і сярэднім у Еўропе (37 мг/кг) паказала, што агульнае разлічанае сярэдняе геаметрычнае для даследаванай тэрыторыі было ў межах дапушчальнага дыяпазону. Тым не менш, як паказала Кабата-Пендыяс11, параўнанне сярэдняй канцэнтрацыі нікеля (Ni) у бягучым даследаванні з сельскагаспадарчымі глебамі ў Швецыі паказвае, што бягучая сярэдняя канцэнтрацыя нікелю вышэй. Сапраўды гэтак жа сярэдняя канцэнтрацыя Frydek Mistek у гарадскіх і прыгарадных глебах у бягучым даследаванні (Ni 16,15 мг/кг) быў вышэйшы за дапушчальную мяжу 60 (10,2 мг/кг) для Ni ў польскіх гарадскіх глебах, пра якую паведамляюць Różański et al. Акрамя таго, Bretzel і Calderisi61 зафіксавалі вельмі нізкія сярэднія канцэнтрацыі Ni (1,78 мг/кг) у гарадскіх глебах у Таскане ў параўнанні з бягучым даследаваннем. Jim62 таксама выявілі больш нізкую канцэнтрацыю нікелю (12,34 мг/кг) у гарадскіх глебах Ганконга, што ніжэй, чым цяперашняя канцэнтрацыя нікеля ў гэтым даследаванні. Бірке і інш.63 паведамілі пра сярэднюю канцэнтрацыю нікелю ў 17,6 мг/кг у старой горназдабыўной і гарадской прамысловай зоне ў Саксоніі-Ангальт, Германія, што было на 1,45 мг/кг вышэй, чым сярэдняя канцэнтрацыя нікелю ў гэтым раёне (16,15 мг/кг). Цяперашняе даследаванне. Празмернае ўтрыманне нікелю у глебах у некаторых гарадскіх і прыгарадных раёнах даследуемай вобласці можна ў асноўным аднесці да металургічнай і металургічнай прамысловасці. Гэта ўзгадняецца з даследаваннем Khodadoust et al.64 што сталеліцейная прамысловасць і металаапрацоўка з'яўляюцца асноўнымі крыніцамі забруджвання глеб нікелем. Аднак прадказальнікі таксама вагаліся ад 538,70 мг/кг да 69 161,80 мг/кг для Ca, ад 497,51 мг/кг да 3535,68 мг/кг для K і ад 685,68 мг/кг да 5970,05 мг/кг для Mg.Jakovljevic et al. інш.65 даследавалі агульнае ўтрыманне Mg і K у глебах у цэнтральнай Сербіі. Яны выявілі, што агульныя канцэнтрацыі (410 мг/кг і 400 мг/кг адпаведна) былі ніжэйшыя за канцэнтрацыі Mg і K у бягучым даследаванні. Неадметна, ва ўсходняй Польшчы Ажэхоўскі і Смольчынскі66 ацанілі агульнае ўтрыманне Ca, Mg і K і паказалі сярэднія канцэнтрацыі Ca (1100 мг/кг), Mg (59). 0 мг/кг) і К (810 мг/кг) Змест у верхнім пласце глебы ніжэй, чым у адным элементе ў гэтым даследаванні. Нядаўняе даследаванне Pongrac et al.67 паказалі, што агульнае ўтрыманне Ca, прааналізаванае ў 3 розных глебах у Шатландыі, Вялікабрытанія (глеба Майлнфілда, глеба Балраддэры і глеба Хартвуд), паказвае на больш высокае ўтрыманне Ca ў гэтым даследаванні.
З-за розных вымераных канцэнтрацый узятых у выбарцы элементаў размеркаванне набораў даных элементаў дэманструе розную асіметрыю. Асіізна і эксцэс элементаў вар'іраваліся адпаведна ад 1,53 да 7,24 і 2,49 да 54,16. Усе разлічаныя элементы маюць узровень асіфікацыі і эксцэсу вышэй за +1, што паказвае на тое, што размеркаванне даных нерэгулярнае, скажонае ў правільным кірунку і з пікам. Ацэначныя CV элементаў таксама паказваюць, што K, Mg і Ni дэманструюць умераную зменлівасць, у той час як Ca мае надзвычай высокую зменлівасць. CV K, Ni і Mg тлумачаць іх раўнамернае размеркаванне. Акрамя таго, размеркаванне Ca нераўнамернае, і знешнія крыніцы могуць паўплываць на ўзровень узбагачэння.
Карэляцыя прэдыктарных зменных з элементамі адказу паказвае на здавальняючую карэляцыю паміж элементамі (гл. малюнак 3). Карэляцыя паказвае, што CaK дэманструе ўмераную карэляцыю са значэннем r = 0,53, як і CaNi. Хоць Ca і K дэманструюць сціплыя сувязі адзін з адным, такія даследчыкі, як Kingston et al.68 і Santo69 мяркуюць, што іх узровень у глебе адваротна прапарцыйны. Аднак Ca і Mg антаганісты K, але CaK добра карэлюе. Гэта можа быць звязана з ужываннем такіх угнаенняў, як карбанат калію, у якім на 56% больш калію. Калій умерана карэлюе з магніем (KM r = 0,63). У прамысловасці ўгнаенняў гэтыя два элементы цесна звязаны, таму што сульфат калію, магнію і нітрат калію і калію ўносяцца ў глебу для павышэння ўзроўню іх дэфіцыту. Нікель умерана карэлюе з Ca, K і Mg са значэннямі r = 0,52, 0,63 і 0,55 адпаведна. Узаемасувязь паміж кальцыем, магніем і такімі PTE, як нікель, складаная, але, тым не менш, магній інгібіруе кальцый ab сорбцыі, кальцый памяншае ўздзеянне лішку магнію, а як магній, так і кальцый памяншаюць таксічнае дзеянне нікеля ў глебе.
Карэляцыйная матрыца для элементаў, якая паказвае ўзаемасувязь паміж прэдыктарамі і адказамі (Заўвага: гэты малюнак уключае дыяграму рассейвання паміж элементамі, узровень значнасці заснаваны на р <0,001).
Малюнак 4 ілюструе прасторавае размеркаванне элементаў. Згодна з Burgos et al70, прымяненне прасторавага размеркавання - гэта метад, які выкарыстоўваецца для колькаснай ацэнкі і вылучэння гарачых кропак у забруджаных раёнах. Узроўні ўзбагачэння Ca на малюнку 4 можна ўбачыць у паўночна-заходняй частцы карты прасторавага размеркавання. На малюнку паказаны гарачыя кропкі ўзбагачэння Ca ад сярэдняга да высокага. Узбагачэнне кальцыем на паўночным захадзе карты, верагодна, звязана з выкарыстаннем негашеной вапны (аксід кальцыя) для зніжэння кіслотнасці глебы і яе выкарыстанне на сталеліцейных заводах у якасці шчолачнага кіслароду ў працэсе вытворчасці сталі. З іншага боку, іншыя фермеры аддаюць перавагу выкарыстоўваць гідраксід кальцыя ў кіслых глебах для нейтралізацыі pH, што таксама павялічвае ўтрыманне кальцыя ў глебе71. Калій таксама паказвае гарачыя кропкі на паўночным захадзе і ўсходзе карты. Паўночна-Захад з'яўляецца буйной сельскагаспадарчай суполкай, і ўмерана-высокі ўзор калію можа быць звязана з ужываннем NPK і калійных угнаенняў. Гэта супадае з іншымі даследаваннямі, такімі як Madaras і Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, якія заўважылі, што стабілізацыя глебы і апрацоўка KCl і NPK прывялі да высокага ўтрымання калію ў глебе.Прасторавае ўзбагачэнне каліем на паўночным захадзе карты размеркавання можа быць звязана з выкарыстаннем угнаенняў на аснове калію, такіх як хларыд калію, сульфат калію, нітрат калію, калій і калій для павышэння ўтрымання калію ў бедных глебах.Zádorová et al.76 і Tlustoš et al.77 акрэсліў, што прымяненне калійных угнаенняў павялічвае ўтрыманне калію ў глебе і значна павялічвае ўтрыманне пажыўных рэчываў у глебе ў доўгатэрміновай перспектыве, асабліва K і Mg, якія паказваюць гарачую кропку ў глебе. Адносна ўмераныя гарачыя кропкі на паўночным захадзе карты і паўднёвым усходзе карты. Калоідная фіксацыя ў глебе зніжае канцэнтрацыю магнію ў глебе. Яго недахоп у глебе прымушае расліны дэманстраваць жоўты колер. Угнаенні на аснове магнію, такія як сульфат калію, магнію і кізерыт, ліквідуюць дэфіцыт (расліны выглядаюць фіялетавымі, чырвонымі або карычневымі, што паказвае на дэфіцыт магнію) у глебах з нармальным дыяпазонам рН у вытворчасці нержавеючай сталі78.
Прасторавае размеркаванне элементаў [карта прасторавага размеркавання створана з дапамогай ArcGIS Desktop (ESRI, Inc, версія 10.7, URL: https://desktop.arcgis.com).]
Вынікі індэксу прадукцыйнасці мадэлі для элементаў, якія выкарыстоўваюцца ў гэтым даследаванні, паказаны ў табліцы 2. З іншага боку, RMSE і MAE для Ni блізкія да нуля (0,86 RMSE, -0,08 MAE). З іншага боку, як RMSE, так і MAE значэнні K з'яўляюцца прымальнымі. Вынікі RMSE і MAE былі большымі для кальцыя і магнію. Вынікі Ca і K MAE і RMSE большыя з-за розных набораў даных. RMSE і MAE E гэтага даследавання з выкарыстаннем EBK для прагназавання Ni апынуліся лепшымі, чым вынікі John et al.54 з выкарыстаннем сінэргетычнага крыгінга для прагназавання канцэнтрацыі S у глебе з выкарыстаннем тых жа сабраных даных. Вынікі EBK, якія мы вывучалі, карэлююць з вынікамі Fabijaczyk et al.41, Ян і інш.79, Beguin і інш.80, Adhikary і інш.81 і Джон і інш.82, асабліва K і Ni.
Эфектыўнасць асобных метадаў прагназавання ўтрымання нікелю ў гарадскіх і прыгарадных глебах ацэньвалася з дапамогай мадэляў (табліца 3). Праверка мадэлі і ацэнка дакладнасці пацвердзілі, што прадказальнік Ca_Mg_K у спалучэнні з мадэллю EBK SVMR даў найлепшыя паказчыкі. Мадэль каліброўкі Ca_Mg_K-EBK_SVMR, мадэль R2, сярэднеквадратычная памылка (RMSE) і сярэдняя абсалютная памылка (MAE) былі 0 0,637 (R2), 95,479 мг/кг (RMSE) і 77,368 мг/кг (MAE) Ca_Mg_K-SVMR быў 0,663 (R2), 235,974 мг/кг (RMSE) і 166,946 мг/кг (MAE). Тым не менш, добрыя значэнні R2 былі атрыманы для Ca_Mg_K-SVMR (0,663 мг/кг R2) і Ca_Mg-EBK_SVMR (0,643 = R2);іх вынікі RMSE і MAE былі вышэй, чым для Ca_Mg_K-EBK_SVMR (R2 0,637) (гл. Табліцу 3). Акрамя таго, RMSE і MAE мадэлі Ca_Mg-EBK_SVMR (RMSE = 1664,64 і MAE = 1031,49) складаюць 17,5 і 13,4 адпаведна, што больш, чым у Ca_Mg_K-EBK _SVMR. Сапраўды гэтак жа, RMSE і MAE мадэлі Ca_Mg-K SVMR (RMSE = 235,974 і MAE = 166,946) на 2,5 і 2,2 большыя, чым у Ca_Mg_K-EBK_SVMR RMSE і MAE адпаведна. Разлічаныя вынікі RMSE паказваюць, наколькі канцэнтраваны набор даных з лініяй найлепшага супадзення. Больш высокія RSME і MAE былі назіралася.Паводле Kebonye et al.46 і Джон і інш.54, чым бліжэй RMSE і MAE да нуля, тым лепш вынікі. SVMR і EBK_SVMR маюць больш высокія квантаваныя значэнні RSME і MAE. Было заўважана, што ацэнкі RSME былі стабільна вышэйшымі за значэнні MAE, што паказвае на наяўнасць выкідаў. Згодна з Legates і McCabe83, ступень, у якой RMSE перавышае сярэднюю абсалютную памылку (MAE), рэкамендуецца ў якасці індыкатара наяўнасці па-за гэта азначае, што чым больш гетэрагенны набор даных, тым вышэй значэнні MAE і RMSE. Дакладнасць ацэнкі перакрыжаванай праверкі змешанай мадэлі Ca_Mg_K-EBK_SVMR для прагназавання ўтрымання Ni ў гарадскіх і прыгарадных глебах склала 63,70%. Па дадзеных Li et al.59, гэты ўзровень дакладнасці з'яўляецца прымальным паказчыкам прадукцыйнасці мадэлі. Цяперашнія вынікі параўноўваюцца з папярэднім даследаваннем Tarasov et al.36, чыя гібрыдная мадэль стварыла MLPRK (Multilayer Perceptron Residual Kriging), звязаны з індэксам ацэнкі дакладнасці EBK_SVMR, паведамленым у бягучым даследаванні, RMSE (210) і MAE (167,5) былі вышэй, чым нашы вынікі ў бягучым даследаванні (RMSE 95,479, MAE 77,368). Аднак, калі параўноўваць R2 бягучага даследавання (0,637) з гэтым Тарасава і інш.36 (0,544), відаць, што каэфіцыент дэтэрмінацыі (R2) вышэйшы ў гэтай змешанай мадэлі. Памылка (RMSE і MAE) (EBK SVMR) для змешанай мадэлі ў два разы меншая. Сапраўды гэтак жа, Сяргееў і інш. 7 (R2). Узровень дакладнасці прагнозу гэтай мадэлі (EBK SVMR) складае 63,7%, у той час як дакладнасць прагнозу, атрыманага Сяргеевым і соавт.34 складае 28%. Канчатковая карта (мал. 5), створаная з выкарыстаннем мадэлі EBK_SVMR і Ca_Mg_K у якасці прадказальніка, паказвае прагнозы гарачых кропак і ўмеранага да нікеля па ўсёй вобласці даследавання. Гэта азначае, што канцэнтрацыя нікеля ў вобласці даследавання ў асноўным умераная, з больш высокімі канцэнтрацыямі ў некаторых канкрэтных раёнах.
Канчатковая карта прагназавання прадстаўлена з дапамогай гібрыднай мадэлі EBK_SVMR і з выкарыстаннем Ca_Mg_K у якасці прадказальніка. [Карта прасторавага размеркавання была створана з дапамогай RStudio (версія 1.4.1717: https://www.rstudio.com/).]
На малюнку 6 прадстаўлены канцэнтрацыі PTE у выглядзе кампазіцыйнай плоскасці, якая складаецца з асобных нейронаў. Ні адна з плоскасцей кампанентаў не мела такога ж каляровага ўзору, як паказана. Аднак адпаведная колькасць нейронаў на намаляваную карту роўная 55. SeOM вырабляецца з выкарыстаннем розных колераў, і чым больш падобныя каляровыя ўзоры, тым больш супастаўныя ўласцівасці ўзораў. Згодна з іх дакладнай каляровай гамай, асобныя элементы (Ca, K і Mg) дэманстравалі падобны каляровы ўзор. s да адзінкавых высокіх нейронаў і большасці нізкіх нейронаў. Такім чынам, CaK і CaMg маюць некаторае падабенства з нейронамі вельмі высокага парадку і каляровымі ўзорамі ад нізкага да ўмеранага. Абедзве мадэлі прагназуюць канцэнтрацыю Ni ў глебе, паказваючы сярэднія і высокія адценні колераў, такія як чырвоны, аранжавы і жоўты. Мадэль KMg адлюстроўвае мноства высокіх каляровых узораў на аснове дакладных прапорцый і каляровых плям ад нізкага да сярэдняга. На дакладнай каляровай шкале ад нізкага да высокага плоскі малюнак размеркавання кампаненты мадэлі дэманструюць высокі каляровы малюнак, які паказвае патэнцыйную канцэнтрацыю нікеля ў глебе (гл. малюнак 4). Плоскасць кампанентаў мадэлі CakMg паказвае разнастайны каляровы малюнак ад нізкага да высокага ў адпаведнасці з дакладнай каляровай шкалой. Акрамя таго, прадказанне мадэлі ўтрымання нікеля (CakMg) падобна на прасторавае размеркаванне нікеля, паказанае на малюнку 5. Абодва графікі паказваюць высокія, сярэднія і нізкія прапорцыі канцэнтрацый нікелю ў горадзе і прылеглай мясцовасці. забароненыя глебы. Малюнак 7 адлюстроўвае контурны метад у групоўцы k-сярэдніх на карце, падзелены на тры кластары на аснове прагназуемага значэння ў кожнай мадэлі. Контурны метад прадстаўляе аптымальную колькасць кластараў. Са 115 сабраных узораў глебы катэгорыя 1 атрымала найбольшую колькасць узораў глебы, 74. Кластар 2 атрымаў 33 узоры, у той час як кластар 3 атрымаў 8 узораў. Камбінацыя сямікампанентнага планарнага прадказальніка была спрошчаны, каб забяспечыць правільную інтэрпрэтацыю кластараў. З-за шматлікіх антрапагенных і прыродных працэсаў, якія ўплываюць на фарміраванне глебы, цяжка правільна дыферэнцыраваць шаблоны кластараў на размеркаванай карце SeOM78.
Вывад плоскасці кампанентаў кожнай зменнай эмпірычнай байесаўскай машыны вектара падтрымкі Крыгінга (EBK_SVM_SeOM). Карты SeOM былі створаны з дапамогай RStudio (версія 1.4.1717: https://www.rstudio.com/).]
Розныя кампаненты кластарнай класіфікацыі [Карты SeOM былі створаны з дапамогай RStudio (версія 1.4.1717: https://www.rstudio.com/).]
Цяперашняе даследаванне наглядна дэманструе метады мадэлявання канцэнтрацыі нікелю ў гарадскіх і прыгарадных глебах. Даследаванне выпрабоўвала розныя метады мадэлявання, спалучаючы элементы з метадамі мадэлявання, каб атрымаць найлепшы спосаб прагназавання канцэнтрацыі нікеля ў глебе. Кампазіцыйныя плоскасныя прасторавыя асаблівасці метаду мадэлявання SeOM дэманстравалі яркі каляровы малюнак ад нізкага да высокага на дакладнай каляровай шкале, што паказвае канцэнтрацыю Ni ў глебе. Аднак карта прасторавага размеркавання пацвярджае плоскае прасторавае размеркаванне кампанентаў, прадэманстраванае EBK_SVMR (гл. малюнак 5). Вынікі паказваюць, што машынная рэгрэсійная мадэль апорнага вектара (Ca Mg K-SVMR) прадказвае канцэнтрацыю Ni ў глебе як адзіную мадэль, але параметры праверкі і ацэнкі дакладнасці паказваюць вельмі вялікія памылкі з пункту гледжання RMSE і MAE. З іншага боку, методыка мадэлявання, якая выкарыстоўваецца з мадэллю EBK_MLR, таксама мае недахопы з-за нізкага значэння каэфіцыента дэтэрмінацыі (R2). Добрыя вынікі былі атрыманы з выкарыстаннем EBK SVMR і камбінаваных элементаў (CaKMg) з нізкімі памылкамі RMSE і MAE з дакладнасцю 63,7%. Аказалася, што спалучэнне алгарытму EBK з алгарытмам машыннага навучання можа стварыць гібрыдны алгарытм, які можа прагназаваць канцэнтрацыю PTE ў глебе. Вынікі паказваюць, што выкарыстанне Ca Mg K у якасці прэдыктараў для прагназавання Ni канцэнтрацыі ў даследуемай вобласці могуць палепшыць прагназаванне Ni ў глебах. Гэта азначае, што бесперапыннае прымяненне ўгнаенняў на аснове нікеля і прамысловае забруджванне глебы сталеліцейнай прамысловасцю мае тэндэнцыю да павелічэння канцэнтрацыі нікеля ў глебе. Гэта даследаванне паказала, што мадэль EBK можа знізіць узровень памылак і павысіць дакладнасць мадэлі прасторавага размеркавання глебы ў гарадскіх або прыгарадных глебах. У цэлым мы прапануем прымяніць мадэль EBK-SVMR ацэньваць і прагназаваць ПТЭ ў глебе;акрамя таго, мы прапануем выкарыстоўваць EBK для гібрыдызацыі з рознымі алгарытмамі машыннага навучання. Канцэнтрацыі Ni былі прадказаны з выкарыстаннем элементаў у якасці ковариат;аднак выкарыстанне большай колькасці каварыятаў значна палепшыла б прадукцыйнасць мадэлі, што можна лічыць абмежаваннем бягучай працы. Іншым абмежаваннем гэтага даследавання з'яўляецца тое, што колькасць набораў даных складае 115. Такім чынам, калі будзе прадастаўлена больш даных, прадукцыйнасць прапанаванага аптымізаванага метаду гібрыдызацыі можа быць палепшана.
PlantProbs.net.Нікель у раслінах і глебе https://plantprobs.net/plant/nutrientImbalances/sodium.html (Прагледжана 28 красавіка 2021 г.).
Kasprzak, KS Nickel дасягненні ў сучаснай экалагічнай таксікалогіі. surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Агляд яго крыніц і экалагічнай таксікалогіі. Польскі J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC. Паступленне забруджвальных рэчываў з атмасферы і назапашванне ў глебе і расліннасці каля медна-нікелевага завода ў Садберы, Антарыё, Канада.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Цяжкія металы ў глебе, раслінах і рызыкі, звязаныя з выпасам жуйных каля медна-нікелевай шахты Selebi-Phikwe у Батсване. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Мікраэлементы ў глебе і… – 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= (Прагледжана 24 лістапада 2020 г.).
Almås, A., Singh, B., Сельская гаспадарка, TS-NJ & 1995, undefined. Эфекты расійскай нікелевай прамысловасці на канцэнтрацыю цяжкіх металаў у сельскагаспадарчых глебах і травах у Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Паглынанне і ўтрыманне нікеля ў пітной вадзе звязаны з прыёмам ежы і адчувальнасцю да нікелю. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Канцерогенез нікеля, мутацыя, эпігенетыка або адбор. Перспектыва аховы здароўя.
Аджман, ПК;Ахадо, SK;Бароўка, Л.;Біні, Дж.К.М.;Саркоди, В.Я.;Cobonye, ​​​​NM;Аналіз тэндэнцый патэнцыйна таксічных элементаў: бібліяметрычны агляд. Environmental Geochemistry and Health. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Лічбавае картаванне глебы: кароткая гісторыя і некаторыя ўрокі. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Аб лічбавым картаграфаванні глебы. 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= (Ac спынены 28 красавіка 2021 г.).


Час публікацыі: 22 ліпеня 2022 г