Hvala vam što ste posjetili Nature.com. Verzija pretraživača koju koristite ima ograničenu podršku za CSS. Za najbolje iskustvo, preporučujemo da koristite ažurirani pretraživač (ili isključite način kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali kontinuiranu podršku, prikazat ćemo stranicu bez stilova i JavaScripta.
Zagađenje tla je veliki problem uzrokovan ljudskim aktivnostima. Prostorna distribucija potencijalno toksičnih elemenata (PTE) varira u većini urbanih i periurbanih područja. Zbog toga je teško prostorno predvidjeti sadržaj PTE u takvim tlima. Ukupno 115 uzoraka je dobijeno iz Frydek Mistek u Češkoj Republici. Koncentracija magnezija (Cag) je određena pomoću kalija (Cag) i kalijuma (MKag) spektrometrija emisije induktivno spregnute plazme. Varijabla odgovora je Ni, a prediktori su Ca, Mg i K. Matrica korelacije između varijable odgovora i prediktorske varijable pokazuje zadovoljavajuću korelaciju između elemenata. Rezultati predviđanja su pokazali da je Mašinska regresija potpornog vektora (SVMR) imala dobar učinak, iako je njena srednja kvadratna greška (procijenjena srednja vrijednost od 3 mg5 kg SE9) (166,946 mg/kg) bili su veći od ostalih primijenjenih metoda. Mješoviti modeli za empirijsku Bayesovu Kriging-višestruku linearnu regresiju (EBK-MLR) imaju loš učinak, o čemu svjedoče koeficijenti determinacije manji od 0,1. i MAE (77,368 mg/kg) vrijednosti i visoki koeficijent determinacije (R2 = 0,637). Izlaz tehnike modeliranja EBK-SVMR je vizualiziran korištenjem samoorganizirajuće mape. Klasterizirani neuroni u ravni hibridnog modela CakMg-EBK-SVMR komponenta pokazuju višestruke uzorke boja koji pokazuju urbanu koncentraciju i perikom SVMR koncentraciju. je efikasna tehnika za predviđanje koncentracija Ni u urbanim i prigradskim tlima.
Nikl (Ni) se smatra mikronutrijentom za biljke jer doprinosi fiksaciji atmosferskog azota (N) i metabolizmu uree, a oba su potrebna za klijanje semena. Pored svog doprinosa klijanju semena, Ni može delovati kao inhibitor gljivica i bakterija i podsticati razvoj biljaka. Nedostatak nikla u tlu, omogućava biljci da apsorbuje hlor kao primer. primjena gnojiva na bazi nikla za optimizaciju fiksacije dušika2. Kontinuirana primjena gnojiva na bazi nikla za obogaćivanje tla i povećanje sposobnosti mahunarki da fiksiraju dušik u tlu kontinuirano povećava koncentraciju nikla u tlu. Iako je nikl mikronutrijent za biljke, njegova prekomjerna štetnost može učiniti više štetnih mikronutrijenata u tlu. smanjuje pH u tlu i ometa uzimanje željeza kao esencijalnog nutrijenta za rast biljaka1.Prema Liu3, Ni je utvrđeno kao 17. važan element potreban za razvoj i rast biljaka. Osim uloge nikla u razvoju i rastu biljaka, ljudima je potreban za razne primjene.Galvanizacija, proizvodnja svih uređaja u proizvodnji i proizvodnji nikla i niklmoparka zahtijevaju svi uređaji za proizvodnju ikonilovanih utikača. upotreba nikla u raznim industrijskim sektorima. Osim toga, legure na bazi nikla i galvanizovani proizvodi su naširoko korišteni u kuhinjskom posuđu, priboru za plesne dvorane, potrepštinama za prehrambenu industriju, električnim, žičanim i kablovskim, mlaznim turbinama, hirurškim implantatima, tekstilu i brodogradnji5. Nivoi bogati niklom u tlu (tj. su površinski izvori prirodnog izvora i tla prije svega) antropogeni4,6.Prirodni izvori nikla uključuju vulkanske erupcije, vegetaciju, šumske požare i geološke procese;međutim, antropogeni izvori uključuju nikl/kadmijum baterije u industriji čelika, galvanizaciju, elektrolučno zavarivanje, dizel i loživo ulje, i atmosferske emisije iz sagorevanja uglja i spaljivanja otpada i mulja Akumulacija nikla7,8.Prema Freedmanu i Hutchinsonu i dr.9 i mnogima.10, glavni izvori zagađenja gornjeg sloja tla u neposrednoj i susjednoj okolini su uglavnom topionice i rudnici na bazi nikla i bakra. Gornji sloj tla oko rafinerije nikl-bakara Sudbury u Kanadi imao je najveći nivo kontaminacije niklom od 26.000 mg/kg11. Nasuprot tome, proizvodnja nikla u Rusiji11 rezultirala je većom koncentracijom nikla u Rusiji1. .Prema Alms et al.12, količina nikla koji se može ekstrahirati HNO3 u najvećim obradivim površinama u regionu (proizvodnja nikla u Rusiji) kretala se od 6,25 do 136,88 mg/kg, što odgovara prosječnoj koncentraciji od 30,43 mg/kg i osnovnoj koncentraciji od 25 mg/kg. tokom uzastopnih sezona useva može uliti ili kontaminirati tlo. Potencijalni efekti nikla kod ljudi mogu dovesti do raka kroz mutagenezu, hromozomsko oštećenje, stvaranje Z-DNK, blokiranu popravku ekscizije DNK ili epigenetske procese.
Procjene kontaminacije tla su procvjetale u posljednje vrijeme zbog širokog spektra zdravstvenih problema koji proističu iz odnosa između tla i biljke, bioloških odnosa tla i tla, ekološke degradacije i procjene uticaja na životnu sredinu. Do danas je prostorno predviđanje potencijalno toksičnih elemenata (PTE) kao što je Ni u tlu bilo naporno i dugotrajno korišćenje tradicionalnih metoda DS15. su uvelike poboljšali prediktivno mapiranje tla (PSM). Prema Minasnyju i McBratneyju16, prediktivno mapiranje tla (DSM) se pokazalo kao istaknuta poddisciplina nauke o tlu. Lagacherie i McBratney, 2006. definišu DSM kao „stvaranje i popunjavanje prostornih informacionih sistema i metoda rada na zemljišnim ne- prostorno posmatranje sistemi zaključivanja tla”.McBratney et al.17 ističe da je savremeni DSM ili PSM najefikasnija tehnika za predviđanje ili mapiranje prostorne distribucije PTE, tipova tla i svojstava tla. Geostatistika i algoritmi mašinskog učenja (MLA) su tehnike DSM modeliranja koje kreiraju digitalizovane karte uz pomoć računara koristeći značajne i minimalne podatke.
Deutsch18 i Olea19 definiraju geostatistiku kao „zbirku numeričkih tehnika koje se bave predstavljanjem prostornih atributa, uglavnom koristeći stohastičke modele, kao što je kako analiza vremenskih serija karakterizira vremenske podatke.Prije svega, geostatistika uključuje evaluaciju variograma, koji omogućavaju kvantificiranje i definiranje ovisnosti prostornih vrijednosti iz svakog skupa podataka20.Gumiaux et al.20 dalje ilustruju da je evaluacija variograma u geostatistici zasnovana na tri principa, uključujući (a) izračunavanje skale korelacije podataka, (b) identifikaciju i izračunavanje anizotropije u disparitetu skupova podataka i (c) pored uzimanja u obzir inherentne greške mjernih podataka odvojenih od lokalnog koncepta, ovi efekti se također koriste u geostatskom konceptu, mnogi efekti se koriste u geostatskom području. s, uključujući opći kriging, ko-kriging, obični kriging, empirijski Bayesian kriging, jednostavnu metodu kriginga i druge dobro poznate tehnike interpolacije za mapiranje ili predviđanje PTE, karakteristike tla i tipove tla.
Algoritmi mašinskog učenja (MLA) su relativno nova tehnika koja koristi veće nelinearne klase podataka, potaknute algoritmima koji se prvenstveno koriste za rudarenje podataka, identifikaciju obrazaca u podacima i više puta se primenjuju na klasifikaciju u naučnim oblastima kao što su nauka o tlu i zadaci povratka.22 (slučajne šume za procjenu teških metala u poljoprivrednim zemljištima), Sakizadeh et al.23 (modeliranje korištenjem mašina za vektore podrške i umjetnih neuronskih mreža) zagađenje tla). Osim toga, Vega et al.24 (CART za modeliranje zadržavanja i adsorpcije teških metala u tlu) Sun et al.25 (primjena cubista je distribucija Cd u tlu) i drugi algoritmi kao što su k-najbliži susjed, generalizirana pojačana regresija i pojačana regresija. Drveće također primjenjuje MLA za predviđanje PTE u tlu.
Primena DSM algoritama u predviđanju ili mapiranju suočava se sa nekoliko izazova. Mnogi autori veruju da je MLA superiornija od geostatistike i obrnuto. Iako je jedan bolji od drugog, kombinacija ova dva poboljšava nivo tačnosti mapiranja ili predviđanja u DSM15. Woodcock i Gopal26 Finke27;Pontius i Cheuk28 i Grunwald29 komentarišu nedostatke i neke greške u predviđenom mapiranju tla. Naučnici za tlo su isprobali različite tehnike za optimizaciju efikasnosti, tačnosti i predvidljivosti DSM mapiranja i predviđanja. Kombinacija nesigurnosti i verifikacije je jedan od mnogih različitih aspekata kako bi se DSM smanjili, kako bi se optimizirali.15 ističe da ponašanje validacije i nesigurnost uvedene kreiranjem karte i predviđanjem treba da budu nezavisno validirani kako bi se poboljšao kvalitet karte. Ograničenja DSM-a su posljedica geografski raspršenog kvaliteta tla, što uključuje komponentu nesigurnosti;međutim, nedostatak sigurnosti u DSM-u može proizaći iz više izvora grešaka, naime kovarijatne greške, greške modela, greške lokacije i analitičke greške 31. Nepreciznosti modeliranja izazvane MLA i geostatističkim procesima povezane su s nedostatkom razumijevanja, što u konačnici dovodi do prevelikog pojednostavljenja stvarnog procesa32. predviđanja drugih modela, ili interpolacija33. Nedavno se pojavio novi DSM trend koji promoviše integraciju geostatistike i MLA u mapiranju i predviđanju. Nekoliko naučnika i autora tla, kao što su Sergeev et al.34;Subbotina i dr.35;Tarasov i dr.36 i Tarasov i dr.37 su iskoristili tačan kvalitet geostatistike i mašinskog učenja za generisanje hibridnih modela koji poboljšavaju efikasnost predviđanja i mapiranja.kvaliteta. Neki od ovih hibridnih ili kombinovanih algoritamskih modela su Kriging umjetne neuronske mreže (ANN-RK), višeslojni perceptron rezidualni kriging (MLP-RK), generalizirana regresija neuronske mreže rezidualnog kriginga (GR-NNRK)36, Kriging umjetne neuronske mreže-višeslojni proces perceptrona (ANN-RK) i Regresijski proces-MLPKN37 i GaMLKN87 .
Prema Sergejevu i saradnicima, kombinovanje različitih tehnika modeliranja ima potencijal da eliminiše nedostatke i poveća efikasnost rezultujućeg hibridnog modela, a ne da razvija njegov jedinstveni model. U ovom kontekstu, ovaj novi rad tvrdi da je neophodno primeniti kombinovani algoritam geostatistike i MLA da bi se stvorili optimalni hibridni modeli za predviđanje obogaćivanja Kriginga Ni-urbanskog zaliva na urbanim i peri-urbanskim područjima. osnovni model i pomiješati ga sa Support Vector Machine (SVM) i modelima višestruke linearne regresije (MLR). Hibridizacija EBK s bilo kojim MLA nije poznata. Višestruki mješoviti modeli koji se vide su kombinacije običnog, rezidualnog, regresijskog kriginga, i MLA. EBK je metoda geostatističke interpolacije koja koristi proces koji nije definiran kao prostorno lokalno stoharansko polje koje je prostorno lokalno stoharansko. parametara na terenu, omogućavajući prostorne varijacije39.EBK je korišten u različitim studijama, uključujući analizu raspodjele organskog ugljika u poljoprivrednim zemljištima40, procjenu zagađenja tla41 i mapiranje svojstava tla42.
S druge strane, samoorganizirajući graf (SeOM) je algoritam učenja koji je primijenjen u raznim člancima kao što su Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 i Kebonye et al.46 Odrediti prostorne atribute i grupisanje elemenata. Wang et al.44 ističu da je SeOM moćna tehnika učenja poznata po svojoj sposobnosti da grupiše i zamišlja nelinearne probleme. Za razliku od drugih tehnika prepoznavanja obrazaca kao što su analiza glavnih komponenti, rasplinuto grupiranje, hijerarhijsko grupiranje i donošenje odluka po više kriterijuma, SeOM je bolji u organizaciji i identifikaciji PTE obrazaca. Prema Wang et al.44, SeOM može prostorno grupirati distribuciju povezanih neurona i pružiti vizualizaciju podataka visoke rezolucije. SeOM će vizualizirati podatke predviđanja Ni kako bi dobio najbolji model za karakterizaciju rezultata za direktnu interpretaciju.
Ovaj rad ima za cilj generirati robustan model mapiranja s optimalnom preciznošću za predviđanje sadržaja nikla u urbanim i periurbanim tlima. Pretpostavljamo da pouzdanost mješovitog modela uglavnom ovisi o utjecaju drugih modela prikačenih na osnovni model. Priznajemo izazove s kojima se suočava DSM, i dok se ovi izazovi rješavaju u višestrukim izazovima u geostatskom modelu i napreduju u geostatskom modelu. ;stoga ćemo pokušati odgovoriti na istraživačka pitanja koja mogu dati mješovite modele. Međutim, koliko je model tačan u predviđanju ciljnog elementa? Također, koji je nivo evaluacije efikasnosti na temelju validacije i procjene tačnosti? Stoga su specifični ciljevi ove studije bili (a) kreirati kombinovani model mješavine za SVMR ili MLR (koristeći model za koncentraciju kao osnovni model) komponovati model koncentracije kao osnovni model. s u urbanim ili periurbanim tlima, i (d) primjena SeOM-a za kreiranje mape prostornih varijacija nikla visoke rezolucije.
Studija se provodi u Češkoj Republici, tačnije u okrugu Frydek Mistek u Moravsko-šlezijskoj regiji (vidi sliku 1). Geografija istraživanog područja je vrlo hrapava i uglavnom je dio Moravsko-šleskog Beskidskog regiona, koji je dio vanjskog ruba Karpata između 14°20′ i 149°20′ ′ 0′ E, a nadmorska visina je između 225 i 327 m;međutim, Koppen klasifikacijski sistem za klimatsko stanje regiona je ocijenjen kao Cfb = umjerena okeanska klima. Ima dosta padavina čak iu sušnim mjesecima. Temperature lagano variraju tokom cijele godine između -5 °C i 24 °C, rijetko padaju ispod -14 °C ili iznad 30 °C, dok je prosječna godišnja procjena površine između 7 mm i 68 cipi. ukupna površina je 1.208 kvadratnih kilometara, sa 39,38% obradive zemlje i 49,36% pokrivenosti šumama. S druge strane, površina korišćena u ovoj studiji je oko 889,8 kvadratnih kilometara. U i okolini Ostrave, industrija čelika i metaloprerađivačke industrije su veoma aktivne. y čelici (nikl povećava čvrstoću legure uz zadržavanje njene dobre duktilnosti i žilavosti), a intenzivna poljoprivreda kao što je primjena fosfatnih đubriva i stočarska proizvodnja su istraživački potencijalni izvori nikla u regiji (npr. dodavanje nikla jagnjadima za povećanje stope rasta, uključujući njegovu upotrebu u elektrotehnici za jagnjad i nisko hranjenje). nikliranje i procesi niklovanja bez elektronike. Svojstva tla se lako razlikuju od boje, strukture i sadržaja karbonata tla. Tekstura tla je srednje do fina, potiče od matičnog materijala. Koluvijalne su, aluvijalne ili eolske prirode. Neke površine tla izgledaju prošarane na površini i podzemlju, najčešće su stabilne, pa su najčešće stabilne i stabilne. il tipovi u regionu48. Sa nadmorskim visinama u rasponu od 455,1 do 493,5 m, kambisoli dominiraju Češkom Republikom49.
Mapa studijskog područja [Mapa studijskog područja kreirana je pomoću ArcGIS Desktop (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Ukupno 115 uzoraka gornjeg sloja tla dobijeno je iz urbanih i prigradskih tala u okrugu Frydek Mistek. Korišteni uzorak uzorka je bio pravilna mreža s uzorcima tla na razmaku od 2 × 2 km, a gornji sloj zemlje je izmjeren na dubini od 0 do 20 cm pomoću ručnog GPS uređaja (Leica Zeno 5 GPS-a, paket uzoraka za rad u paketu sa uzorcima). osušeni su na zraku kako bi se dobili usitnjeni uzorci, usitnjeni mehaničkim sistemom (Fritsch disk mlin) i prosijani (veličina sita 2 mm). Stavite 1 gram osušenih, homogeniziranih i prosijanih uzoraka tla u jasno označene teflonske boce. ), lagano pokrijte i ostavite uzorke da odstoje preko noći za reakciju (aqua regia program). .Stavite supernatant na vruću metalnu ploču (temperatura: 100 W i 160 °C) na 2 h da biste olakšali proces varenja uzoraka, a zatim ohladite. Prebacite supernatant u 50 ml tečnicu sa volumetrijskom tikvicom za razblaživanje 50 ml vode i razblažite 50 ml vode. PVC epruveta od 50 ml sa dejonizovanom vodom. Dodatno, 1 ml rastvora za razblaživanje je razblažen sa 9 ml dejonizovane vode i filtriran u epruvetu od 12 ml pripremljenu za PTE pseudo-koncentraciju. Koncentracije PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca) određivane su pomoću Optima E, Pb, Zn, Ca. misija spektroskopija) (Thermo Fisher Scientific, SAD) prema standardnim metodama i sporazumu. Osigurati procedure osiguranja i kontrole kvaliteta (QA/QC) (SRM NIST 2711a Montana II Soil).PTE-ovi s granicama detekcije ispod polovine isključeni su iz ove studije. Granica detekcije PTE korištenog u ovoj studiji osigurava da je svaki proces kontrole kvaliteta bio 0, a kvalitet je bio 0. analizom referentnih standarda. Kako bi se osiguralo da su greške minimizirane, izvršena je dvostruka analiza.
Empirijski Bayesian Kriging (EBK) je jedna od mnogih geostatističkih interpolacijskih tehnika koje se koriste u modeliranju u različitim oblastima kao što je nauka o tlu. Za razliku od drugih tehnika kriging interpolacije, EBK se razlikuje od tradicionalnih metoda kriginga uzimajući u obzir grešku procijenjenu modelom semivariograma. U EBK interpolaciji, nekoliko semivariogramskih interpolacijskih modela čine semivariogramski način, a radije semivariogramski modeli čine semivariogramski način. za nesigurnost i programiranje povezano s ovim crtanjem semivariograma koji čini vrlo složen dio dovoljne metode kriginga. Proces interpolacije EBK-a slijedi tri kriterija koje je predložio Krivoruchko50, (a) model procjenjuje semivariogram iz ulaznog skupa podataka (b) nova predviđena vrijednost za svaki ulazni skup podataka i generirani konačan model semi je baziran na simuliranom modelu inputa. skup podataka.Bajesovo pravilo jednadžbe je dato kao aposterior
Gdje \(Prob\left(A\right)\) predstavlja prethodnu, \(Prob\left(B\right)\) marginalna vjerovatnoća se u većini slučajeva zanemaruje, \(Prob (B,A)\ ). Izračunavanje semivariograma je zasnovano na Bayesovom pravilu, koje pokazuje sklonost skupova podataka posmatranja koji se mogu kreirati iz semivariogramskog pravila kako se tada određuje semivariogramska vrijednost. je kreiranje skupa podataka zapažanja iz semivariograma.
Mašina vektora podrške je algoritam za mašinsko učenje koji generiše optimalnu hiperravninu za razdvajanje za razlikovanje identičnih, ali ne i linearno nezavisnih klasa. Vapnik51 je kreirao algoritam za klasifikaciju namera, ali se nedavno koristio za rešavanje problema orijentisanih na regresiju. Prema Li et al.52, SVM je jedna od najboljih tehnika klasifikatora u različitim tehnikama za regresiju – korišćena je komponenta za regresiranje vektora -S. SVMR) je korišten u ovoj analizi. Cherkassky i Mulier53 su pioniri SVMR kao regresiju zasnovanu na kernelu, čije je izračunavanje izvedeno korištenjem modela linearne regresije sa prostornim funkcijama za više zemalja. John et al54 izvještavaju da SVMR modeliranje koristi hiperravninsku linearnu regresiju, koja omogućava hiperravninsku linearnu regresiju i omogućava neograničenu linearnu regresiju Volanda i drugih.55, epsilon (ε)-SVMR koristi obučeni skup podataka za dobivanje modela reprezentacije kao funkcije neosjetljive na epsilon koja se primjenjuje za mapiranje podataka neovisno s najboljom epsilon pristranošću od obuke na koreliranim podacima. Unaprijed postavljena greška udaljenosti se zanemaruje od stvarne vrijednosti, a ako je greška veća od ε(ε), on takođe podržava vektorski model uvježbavanja kako bi se kompenzirala široka svojstva tla. s. Jednačina koju je predložio Vapnik51 prikazana je ispod.
gdje b predstavlja skalarni prag, \(K\left({x}_{,}{ x}_{k}\right)\) predstavlja funkciju kernela, \(\alpha\) predstavlja Lagrangeov množitelj, N predstavlja numerički skup podataka, \({x}_{k}\) predstavlja unos podataka, a \(y\) je korišteni radijalan kernel GaSV operacije, a \(y\) je korišćeni radijalan kernel podataka. osnovna funkcija (RBF). RBF kernel se primjenjuje za određivanje optimalnog SVMR modela, koji je kritičan za dobijanje najsuptilnijeg faktora skupa kazne C i parametra jezgre gama (γ) za PTE trening podatke. Prvo smo procijenili skup za obuku, a zatim testirali performanse modela na skupu za validaciju. Korišteni upravljački parametar je sigma, a vrijednost metode je svm.
Model višestruke linearne regresije (MLR) je regresijski model koji predstavlja odnos između varijable odgovora i broja prediktorskih varijabli korištenjem linearnih objedinjenih parametara izračunatih metodom najmanjih kvadrata. U MLR modelu najmanjih kvadrata je prediktivna funkcija svojstava tla nakon odabira eksplanatornih varijabli. Neophodno je koristiti odgovor da bi se uspostavio eksplanarni linearni odnos P uz pomoć varijable za uspostavljanje eksplane linearne varijable. planatorne varijable. MLR jednadžba je
gdje je y varijabla odgovora, \(a\) je presretak, n je broj prediktora, \({b}_{1}\) je parcijalna regresija koeficijenata, \({x}_{ i}\) predstavlja prediktor ili varijablu objašnjenja, a \({\varepsilon }_{i} the\) predstavlja također grešku u modelu.
Mješoviti modeli su dobijeni spajanjem EBK sa SVMR i MLR. Ovo se radi izdvajanjem predviđenih vrijednosti iz EBK interpolacije. Predviđene vrijednosti dobijene iz interpoliranih Ca, K i Mg dobijaju se kombinatornim procesom da se dobiju nove varijable, kao što su CaK, CaMg i KMg. Dobijene varijable su Ca, K, Mg, CaK, CaMg, KMg i CaKMg. Ove varijable su postale naši prediktori, pomažući da se predvidi koncentracije nikla u urbanim i prigradskim tlima. SVMR algoritam je izveden na prediktorima kako bi se dobio mješoviti model Empirijska Bayesian Kriging-Support Vektorska varijabla (Similar mix a SVM Vector Machine). ed model Empirijska Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Tipično, varijable Ca, K, Mg, CaK, CaMg, KMg i CaKMg se koriste kao kovarijate kao prediktori sadržaja Ni u urbanim i periurbanim tlima. Najprihvatljiviji model koji se dobije (EBK_SVR) će se tada samoizučavati (EBK_SVM) pomoću vizuelnog rada ove studije. prikazano na slici 2.
Korištenje SeOM-a postalo je popularan alat za organiziranje, evaluaciju i predviđanje podataka u financijskom sektoru, zdravstvu, industriji, statistici, znanosti o tlu i još mnogo toga. SeOM je kreiran korištenjem umjetnih neuronskih mreža i metoda nenadgledanog učenja za organizaciju, evaluaciju i predviđanje. U ovoj studiji, SeOM je korišten za vizualizaciju koncentracija Ni baziran na najboljem modelu Ni-procjene u urbanom modelu, tako da su korišteni podaci za peridikt i peridikt procesa. kao n ulazno-dimenzionalnih vektorskih varijabli43,56.Melssen et al.57 opisuju vezu ulaznog vektora u neuronsku mrežu preko jednog ulaznog sloja na izlazni vektor sa jednim vektorom težine. Izlaz generiran od strane SeOM je dvodimenzionalna mapa koja se sastoji od različitih neurona ili čvorova utkanih u heksagonalne, kružne ili kvadratne topološke mape prema njihovoj blizini.Upoređivanje veličina karte s metričkom greškom mape i metričkom greškom SepoQE ( TEQ0E). 86 i 0,904 je odabrano, što je jedinica od 55 mapa (5 × 11). Struktura neurona je određena prema broju čvorova u empirijskoj jednadžbi
Broj podataka korištenih u ovoj studiji je 115 uzoraka. Slučajni pristup je korišten za podjelu podataka na testne podatke (25% za validaciju) i skupove podataka za obuku (75% za kalibraciju). Skup podataka za obuku se koristi za generiranje regresijskog modela (kalibracija), a skup podataka testa se koristi za verifikaciju sposobnosti generalizacije58. Ovo je urađeno kako bi se predvidio sadržaj modela za procjenu različitih modela. korišteno je prošlo kroz desetostruki proces unakrsne validacije, ponovljen pet puta. Varijable proizvedene EBK interpolacijom se koriste kao prediktori ili objašnjavajuće varijable za predviđanje ciljne varijable (PTE). Modeliranjem se rukuje u RStudiu koristeći biblioteku paketa (Kohonen), biblioteku (caret), biblioteku (modelr), biblioteku ("e1071" biblioteku "pspective") i biblioteke (“Metrike”).
Korišteni su različiti parametri validacije za određivanje najboljeg modela pogodnog za predviđanje koncentracije nikla u tlu i za procjenu tačnosti modela i njegove validacije. Modeli hibridizacije su evaluirani korištenjem srednje apsolutne greške (MAE), srednje kvadratne greške (RMSE) i R-kvadrata ili određivanja koeficijenta (R2). tude u nezavisnim mjerama opisuju prediktivnu moć modela, dok MAE određuje stvarnu kvantitativnu vrijednost. Vrijednost R2 mora biti visoka da bi se procijenio najbolji model mješavine pomoću parametara validacije, što je vrijednost bliža 1, to je veća tačnost. Prema Li et al.59, vrijednost kriterija R2 od 0,75 ili veća smatra se dobrim prediktorom;od 0,5 do 0,75 je prihvatljiva izvedba modela, a ispod 0,5 je neprihvatljiva performansa modela. Prilikom odabira modela korištenjem metoda evaluacije kriterija RMSE i MAE validacije, niže dobivene vrijednosti bile su dovoljne i smatrane su najboljim izborom. Sljedeća jednačina opisuje metodu verifikacije.
gdje n predstavlja veličinu posmatrane vrijednosti\({Y}_{i}\) predstavlja izmjereni odgovor, a \({\widehat{Y}}_{i}\) također predstavlja predviđenu vrijednost odgovora, dakle, za prvih i opservacija.
Statistički opisi prediktorskih varijabli i varijabli odgovora prikazani su u Tabeli 1, prikazujući srednju vrijednost, standardnu ​​devijaciju (SD), koeficijent varijacije (CV), minimum, maksimum, kurtozis i skewness. Minimalne i maksimalne vrijednosti elemenata su u opadajućem redoslijedu od Mg < Ca < K < Ni i Ca < Mg < K < Ni, respektivno od varijable od 4 koncentraciji uzorka od 4 8 Ni. 2,39 mg/kg. Poređenje Ni sa svjetskim prosjekom (29 mg/kg) i evropskim prosjekom (37 mg/kg) pokazalo je da je ukupna izračunata geometrijska sredina za područje istraživanja bila unutar podnošljivog raspona. Ipak, kao što pokazuje Kabata-Pendias11, poređenje prosječne koncentracije nikla (Ni) u trenutnoj studiji s trenutnom srednjom koncentracijom nikla (Ni) u trenutnoj studiji pokazuje da je srednja koncentracija nikla (Ni) u trenutnoj studiji sa trenutnom srednjom koncentracijom FLikenika veća. Mistek u urbanim i prigradskim tlima u trenutnoj studiji (Ni 16,15 mg/kg) bio je veći od dozvoljene granice od 60 (10,2 mg/kg) za Ni u poljskim urbanim tlima koje su objavili Różański et al. Nadalje, Bretzel i Calderisi61 su zabilježili vrlo niske srednje koncentracije Ni (1,78 mg/kg) u urbanoj struji u usporedbi s nižom strujom u gradu Tuscany 6 kg koncentracija (12,34 mg/kg) u urbanim tlima Hong Konga, što je niže od trenutne koncentracije nikla u ovoj studiji. Birke et al63 izvijestili su o prosječnoj koncentraciji Ni od 17,6 mg/kg u staroj rudarskoj i urbanoj industrijskoj zoni u Saksoniji-Anhalt, Njemačka, što je bilo 1,45 mg/kg više od prosječne koncentracije nikla u urbanom području i 15 kg viška Ni u urbanom području. prigradska područja područja istraživanja mogu se uglavnom pripisati industriji željeza i čelika i metalnoj industriji. Ovo je u skladu sa studijom Khodadousta et al.64 da su industrija čelika i obrada metala glavni izvori kontaminacije niklom u tlu. Međutim, prediktori su se kretali i od 538,70 mg/kg do 69,161,80 mg/kg za Ca, 497,51 mg/kg do 3535,68 mg/kg za K, i 8 mg/kg do 68 mg/kg 68 mg. ljević i dr.65 su istraživali ukupan sadržaj Mg i K u zemljištu u centralnoj Srbiji. Otkrili su da su ukupne koncentracije (410 mg/kg i 400 mg/kg, respektivno) niže od koncentracija Mg i K u trenutnoj studiji. g (590 mg/kg) i K (810 mg/kg) Sadržaj u gornjem sloju tla je niži od pojedinačnog elementa u ovoj studiji. Nedavna studija Pongrac et al.67 pokazalo je da je ukupan sadržaj Ca analiziran u 3 različita tla u Škotskoj, UK (Mylnefield tlo, Balruddery tlo i Hartwood tlo) ukazuje na viši sadržaj Ca u ovoj studiji.
Zbog različitih izmjerenih koncentracija uzorkovanih elemenata, distribucije elemenata skupa podataka pokazuju različitu asimetriju. Kosina i kurtozis elemenata kretali su se u rasponu od 1,53 do 7,24 i 2,49 do 54,16, respektivno. Svi izračunati elementi imaju kosinu i kurtozis distribuciju, tako da je distribucija udesnom i kurtozisom raspoređena u pravom smjeru iznad +1. ed. Procijenjeni CV elemenata također pokazuju da K, Mg i Ni pokazuju umjerenu varijabilnost, dok Ca ima izuzetno visoku varijabilnost. CV-ovi K, Ni i Mg objašnjavaju njihovu ujednačenu distribuciju. Nadalje, distribucija Ca je neujednačena i vanjski izvori mogu utjecati na nivo obogaćivanja.
Korelacija prediktorskih varijabli sa elementima odgovora pokazala je zadovoljavajuću korelaciju između elemenata (vidi sliku 3). Korelacija je pokazala da CaK pokazuje umjerenu korelaciju sa r vrijednošću = 0,53, kao i CaNi. Iako Ca i K pokazuju skromnu povezanost jedni s drugima, istraživači kao što su Kingston et al.68 i Santo69 sugeriraju da su njihovi nivoi u tlu obrnuto proporcionalni. Međutim, Ca i Mg su antagonistički prema K, ali CaK dobro korelira. To može biti zbog primjene gnojiva kao što je kalijum karbonat, koji je 56% veći u kalijumu. Kalijum je bio u umjerenoj korelaciji sa dva elementa magnezija u KM3,06feri su u bliskoj korelaciji sa magnezijumom u industriji. je povezan jer se kalijum magnezijum sulfat, kalijum magnezijum nitrat i potaša primjenjuju na tla kako bi se povećao njihov nivo nedostatka. Nikl je umjereno povezan sa Ca, K i Mg sa r vrijednostima = 0,52, 0,63 i 0,55, respektivno. Odnosi koji uključuju kalcijum, i kelov TE kompleks su bez magnezijevog kompleksa, ali bez magnezijevog kompleksa. S apsorpcijom kalcija, kalcij smanjuje efekte viška magnezija, a i magnezij i kalcij smanjuju toksične efekte nikla u tlu.
Korelaciona matrica za elemente koja pokazuje odnos između prediktora i odgovora (Napomena: ova slika uključuje dijagram raspršenja između elemenata, nivoi značajnosti su zasnovani na p < 0,001).
Slika 4 ilustruje prostornu distribuciju elemenata. Prema Burgosu et al70, primjena prostorne distribucije je tehnika koja se koristi za kvantifikaciju i isticanje vrućih tačaka u zagađenim područjima. Nivoi obogaćivanja Ca na slici 4 mogu se vidjeti u sjeverozapadnom dijelu mape prostorne distribucije. zbog upotrebe živog vapna (kalcijum oksida) za smanjenje kiselosti tla i njegove upotrebe u čeličanama kao alkalnog kisika u procesu proizvodnje čelika. S druge strane, drugi farmeri radije koriste kalcijev hidroksid u kiselim tlima za neutralizaciju pH, što također povećava sadržaj kalcija u tlu71. Kalij je također na karti sjevera i najtoplijeg načina poljoprivredne zajednice. -visoki obrazac kalijuma može biti posljedica primjene NPK i potaše. Ovo je u skladu s drugim studijama, kao što su Madaras i Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, koji su primijetili da stabilizacija tla i tretman sa KCl i NPK rezultira visokim sadržajem K u tlu.Prostorno obogaćivanje kalijem na sjeverozapadu karte distribucije može biti posljedica upotrebe gnojiva na bazi kalija kao što su kalij hlorid, kalijum sulfat, kalijum nitrat, potaša i potaša za povećanje sadržaja kalija u siromašnim zemljištima. Zádorová et al.76 i Tlustoš i dr.77 ističe da primjena gnojiva na bazi K povećava sadržaj K u tlu i značajno povećava sadržaj hranjivih tvari u tlu na dugi rok, posebno K i Mg koji pokazuju vruću tačku u tlu. Relativno umjerena žarišta na sjeverozapadu karte i jugoistočno od karte. intervenska hloroza. Gnojiva na bazi magnezijuma, kao što su kalijum magnezijum sulfat, magnezijum sulfat i kiserit, liječe nedostatke (biljke izgledaju ljubičaste, crvene ili smeđe, što ukazuje na nedostatak magnezija) na tlima s normalnim pH rasponom6. kel u proizvodnji nerđajućeg čelika78.
Prostorna distribucija elemenata [mapa prostorne distribucije kreirana je pomoću ArcGIS Desktop (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Rezultati indeksa performansi modela za elemente korištene u ovoj studiji prikazani su u Tabeli 2. S druge strane, RMSE i MAE za Ni su oba blizu nule (0,86 RMSE, -0,08 MAE). S druge strane, i RMSE i MAE vrijednosti K su prihvatljive. Rezultati RMSE i MAE su bili veći za kalcij i magnezij i MAE su bili veći zbog rezultata za kalcij i magnezij i KSE, a rezultati MAE i C a su veliki. Utvrđeno je da je E ove studije koristeći EBK za predviđanje Ni bolji od rezultata John et al.54 korištenjem sinergističkog kriginga za predviđanje koncentracija S u tlu koristeći iste prikupljene podatke. EBK rezultati koje smo proučavali koreliraju s onima Fabijaczyka et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 i John et al.82, posebno K i Ni.
Performanse pojedinačnih metoda za predviđanje sadržaja nikla u urbanim i prigradskim tlima ocjenjivane su korištenjem performansi modela (Tabela 3). Validacija modela i procjena tačnosti potvrdili su da je Ca_Mg_K prediktor u kombinaciji sa EBK SVMR modelom dao najbolje performanse. Kalibracijski model Ca_Mg_K-EBK0 srednja greška modela (SVEMA srednja kvadratna greška, RE2RM0). 637 (R2), 95,479 mg/kg (RMSE) i 77,368 mg/kg (MAE) Ca_Mg_K-SVMR je bio 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). Ipak, dobijene su dobre vrijednosti za Ca_Mg_K- 6 (MAE) i MMR_. Ca_Mg-EBK_SVMR (0,643 = R2);njihovi rezultati RMSE i MAE bili su veći od onih za Ca_Mg_K-EBK_SVMR (R2 0,637) (vidi tabelu 3). Osim toga, RMSE i MAE modela Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) su 17,4, a od 13,4 su veći od 13,4 i Ca, odnosno EBK_SVMR. Isto tako, RMSE i MAE Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) modela su 2,5 i 2,2 veći od onih za Ca_Mg_K-EBK_SVMR RMSE i MAE, redom. Uočeni su E. Prema Kebonye et al.46 i John et al.54, što su RMSE i MAE bliže nuli, to su bolji rezultati. SVMR i EBK_SVMR imaju veće kvantizirane vrijednosti RSME i MAE. Uočeno je da su procjene RSME konstantno veće od vrijednosti MAE, što ukazuje na prisustvo odstupanja. To znači da što je skup podataka heterogeniji, to su veće vrijednosti MAE i RMSE. Preciznost procjene unakrsne validacije mješovitog modela Ca_Mg_K-EBK_SVMR za predviđanje sadržaja Ni u urbanim i prigradskim tlima iznosila je 63,70%.Prema Li et al.59, ovaj nivo tačnosti je prihvatljiva stopa performansi modela. Sadašnji rezultati su upoređeni sa prethodnom studijom Tarasova et al.36 čiji je hibridni model stvorio MLPRK (Multilayer Perceptron Residual Kriging), koji se odnosi na indeks procjene tačnosti EBK_SVMR prijavljen u trenutnoj studiji, RMSE (210) i MAE (167,5) je bio veći od naših rezultata u trenutnoj studiji (RMSE 95.479, MAE 77.38 u odnosu na trenutnu studiju (R77.36). da Tarasov et al.36 (0,544), jasno je da je koeficijent determinacije (R2) veći u ovom mješovitom modelu. Margina greške (RMSE i MAE) (EBK SVMR) za mješoviti model je dva puta niža. Isto tako, Sergejev i saradnici 34 zabilježili su 0,28 (R2) za razvijeni hibridni model (R2), dok je za razvijeni hibridni model Percept (ron Nil7) zabilježio struju (ron Nila7). R2). Nivo tačnosti predviđanja ovog modela (EBK SVMR) je 63,7%, dok je tačnost predviđanja dobijena od strane Sergejeva i sar.34 iznosi 28%. Konačna karta (slika 5) kreirana korištenjem EBK_SVMR modela i Ca_Mg_K kao prediktora pokazuje predviđanja vrućih tačaka i umjerenog do nikla na cijelom području istraživanja. To znači da je koncentracija nikla u istraživanom području uglavnom umjerena, sa većim koncentracijama u nekim specifičnim područjima.
Konačna mapa predviđanja je predstavljena korišćenjem hibridnog modela EBK_SVMR i korišćenjem Ca_Mg_K kao prediktora.[Mapa prostorne distribucije kreirana je pomoću RStudia (verzija 1.4.1717: https://www.rstudio.com/).]
Na slici 6 su prikazane koncentracije PTE kao ravni kompozicije koja se sastoji od pojedinačnih neurona. Nijedna od ravni komponenti nije pokazivala isti uzorak boja kao što je prikazano. Međutim, odgovarajući broj neurona po nacrtanoj mapi je 55. SeOM se proizvodi korištenjem različitih boja, a što su obrasci boja sličniji, to su uporedivije osobine uzoraka, to su uporedivije osobine uzoraka. pojedinačni visoki neuroni i većina niskih neurona. Dakle, CaK i CaMg dijele neke sličnosti s neuronima vrlo visokog reda i uzorcima boja niske do umjerene boje. Oba modela predviđaju koncentraciju Ni u tlu prikazujući srednje do visoke nijanse boja kao što su crvena, narandžasta i žuta. KMg model prikazuje mnoge visoke uzorke boja na osnovu preciznih proporcija boja i niskih do niskih komponenti boja. model je pokazao visok uzorak boja koji ukazuje na potencijalnu koncentraciju nikla u tlu (vidi Sliku 4). Ravan komponente CakMg modela pokazuje raznolik uzorak boja od niske do visoke prema tačnoj skali boja. Nadalje, predviđanje sadržaja nikla (CakMg) modela je slično prostornoj distribuciji nikla i srednje koncentracije nikla, prikazanoj na slici 5 niske koncentracije periporB u urbanim sredinama. tla. Na slici 7 prikazana je konturna metoda u grupisanju k-srednja na karti, podijeljena u tri klastera na osnovu predviđene vrijednosti u svakom modelu. Metoda konture predstavlja optimalan broj klastera. Od 115 prikupljenih uzoraka tla, kategorija 1 je dobila najviše uzoraka tla, 74. Klaster 2, dok je pristiglo 33 uzorka cluster plana 3 od 38 uzoraka. pojednostavljeno kako bi se omogućila ispravna interpretacija klastera. Zbog brojnih antropogenih i prirodnih procesa koji utječu na formiranje tla, teško je pravilno diferencirati obrasce klastera u distribuiranoj mapi SeOM78.
Izlaz u ravni komponente svake varijable Empiričke Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[SeOM mape su kreirane pomoću RStudia (verzija 1.4.1717: https://www.rstudio.com/).]
Različite komponente klasifikacije klastera [SeOM mape su kreirane pomoću RStudia (verzija 1.4.1717: https://www.rstudio.com/).]
Trenutna studija jasno ilustruje tehnike modeliranja koncentracije nikla u urbanim i periurbanim tlima. Studija je testirala različite tehnike modeliranja, kombinujući elemente sa tehnikama modeliranja, kako bi se dobio najbolji način za predviđanje koncentracije nikla u tlu. Kompozicione planarne prostorne karakteristike SeOM tehnike modeliranja pokazale su visoku koncentraciju boja od niske do visoke, tako da je niska koncentracija boja bila precizna u niskoj do visokoj skali boja. mapa distribucije potvrđuje planarnu prostornu distribuciju komponenti koju pokazuje EBK_SVMR (vidi sliku 5). Rezultati pokazuju da regresijski model mašine za podršku vektora (Ca Mg K-SVMR) predviđa koncentraciju Ni u tlu kao jedan model, ali parametri validacije i procene tačnosti pokazuju veoma velike greške u smislu RMSE i MAE modela koji se takođe koristi ručnim modelom. na nisku vrijednost koeficijenta determinacije (R2). Dobri rezultati su dobijeni korištenjem EBK SVMR i kombinovanih elemenata (CaKMg) sa niskim RMSE i MAE greškama sa tačnošću od 63,7%. Ispada da kombinovanje EBK algoritma sa algoritmom mašinskog učenja može generisati koncentraciju koja može generisati koncentraciju koja može da predvidi koncentraciju od P. kao prediktori za predviđanje koncentracije Ni u istraživanom području mogu poboljšati predviđanje Ni u tlu. To znači da kontinuirana primjena gnojiva na bazi nikla i industrijsko zagađenje tla od strane industrije čelika ima tendenciju povećanja koncentracije nikla u tlu. Ova studija je otkrila da EBK model može smanjiti nivo greške u urbanoj distribuciji ili poboljšati opću distribuciju nikla. predlažemo primjenu EBK-SVMR modela za procjenu i predviđanje PTE u tlu;osim toga, predlažemo korištenje EBK-a za hibridizaciju s različitim algoritmima strojnog učenja. Ni koncentracije su predviđene korištenjem elemenata kao kovarijata;međutim, korištenje više kovarijata bi uvelike poboljšalo performanse modela, što se može smatrati ograničenjem trenutnog rada. Još jedno ograničenje ove studije je da je broj skupova podataka 115. Stoga, ako se pruži više podataka, performanse predložene optimizirane metode hibridizacije mogu se poboljšati.
PlantProbs.net.Nikal u biljkama i zemljištu https://plantprobs.net/plant/nutrientImbalances/sodium.html (pristupljeno 28. aprila 2021.).
Kasprzak, KS Napredak nikla u modernoj ekološkoj toksikologiji.okolina.toksikologija.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Pregled njegovih izvora i toksikologije životne sredine.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Unos zagađivača iz atmosfere i akumulacija u tlu i vegetaciji u blizini topionice nikla i bakra u Sudburyju, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Teški metali u tlu, biljkama i rizici povezani s ispašom preživača u blizini rudnika bakra i nikla Selebi-Phikwe u Bocvani.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00911).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementi u tragovima u tlu i… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+tsoils.NY+2+2+2+2+tla+2+2% %3A+CRC+Press&btnG= (pristupljeno 24. novembra 2020.).
Almås, A., Singh, B., Poljoprivreda, TS-NJ od & 1995, nedefinisano. Efekti ruske industrije nikla na koncentracije teških metala u poljoprivrednim zemljištima i travi u Soer-Varangeru, Norveška.agris.fao.org.
Nielsen, GD et al. Apsorpcija i zadržavanje nikla u vodi za piće povezani su sa unosom hrane i osjetljivošću na nikl.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Karcinogeneza nikla, mutacija, epigenetika ili selekcija.okruženje.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Analiza trenda potencijalno toksičnih elemenata: bibliometrijski pregled. Environmental Geochemistry and Health. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitalno mapiranje tla: kratka povijest i neke lekcije. Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitalnom mapiranju tla. 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 +OxfordsG+A%2C +OxfordssG+2%C+OxfordssG+2% pristupljeno 28. aprila 2021.).