Gràcies per visitar Nature.com. La versió del navegador que utilitzeu té un suport limitat per a CSS. Per obtenir la millor experiència, us recomanem que utilitzeu un navegador actualitzat (o desactiveu el mode de compatibilitat a Internet Explorer). Mentrestant, per garantir un suport continuat, mostrarem el lloc sense estils ni JavaScript.
La contaminació del sòl és un gran problema causat per les activitats humanes. La distribució espacial dels elements potencialment tòxics (PTE) varia a la majoria de les zones urbanes i periurbanes. Per tant, és difícil predir espacialment el contingut de PTE en aquests sòls. Es van obtenir un total de 115 mostres de Frydek Mistek a la República Txeca. Espectrometria d'emissió de plasma acoblada inductivament. La variable de resposta és Ni i els predictors són Ca, Mg i K. La matriu de correlació entre la variable resposta i la variable predictora mostra una correlació satisfactòria entre els elements. Els resultats de la predicció van mostrar que la regressió de la màquina del vector de suport (SVMR) va funcionar bé, tot i que el seu error quadrat mitjà estimat (RMSE) (235,974 mg/kg) i error absolut (235,976 mg/kg) eren superiors als altres mètodes aplicats.Els models mixts per a la regressió lineal múltiple empírica Bayesian Kriging (EBK-MLR) funcionen malament, com ho demostren els coeficients de determinació inferiors a 0,1. s i alt coeficient de determinació (R2 = 0,637). La sortida de la tècnica de modelització EBK-SVMR es visualitza mitjançant un mapa autoorganitzat. Les neurones agrupades en el pla del model híbrid CakMg-EBK-SVMR component mostren múltiples patrons de color que prediuen concentracions de Ni en sòls urbans i periurbans. sòls urbans.
El níquel (Ni) es considera un micronutrient per a les plantes perquè contribueix a la fixació del nitrogen atmosfèric (N) i al metabolisme de la urea, tots dos necessaris per a la germinació de llavors. A més de la seva contribució a la germinació de llavors, el Ni pot actuar com a inhibidor de fongs i bacteris i promoure el desenvolupament de les plantes. adobs basats en el per optimitzar la fixació de nitrogen 2. L'aplicació contínua de fertilitzants a base de níquel per enriquir el sòl i augmentar la capacitat dels llegums per fixar nitrogen al sòl augmenta contínuament la concentració de níquel al sòl. Encara que el níquel és un micronutrient per a les plantes, la seva ingesta excessiva al sòl pot fer més mal que bé. Com a nutrient essencial per al creixement de les plantes1. Segons Liu3, s'ha trobat que el Ni és el 17è element important necessari per al desenvolupament i creixement de les plantes. A més del paper del níquel en el desenvolupament i el creixement de les plantes, els humans el necessiten per a una varietat d'aplicacions. La galvanoplastia, la producció d'aliatges a base de níquel i la fabricació de dispositius d'encesa i bugies requereixen a més d'altres sectors industrials d'aliatges de níquel per a l'ús de níquel. i els articles galvanitzats s'han utilitzat àmpliament en estris de cuina, accessoris de saló de ball, subministraments de la indústria alimentària, electricitat, filferro i cable, turbines de reacció, implants quirúrgics, tèxtils i construcció naval. vegetació, incendis forestals i processos geològics;tanmateix, les fonts antropogèniques inclouen les bateries de níquel/cadmi a la indústria siderúrgica, galvanoplastia, soldadura per arc, gasoil i fuel-oils, i emissions atmosfèriques de la combustió de carbó i la incineració de residus i fangs Acumulació de níquel7,8.Segons Freedman i Hutchinson9 i Manyiwa et al.El 10, les principals fonts de contaminació de la terra vegetal a l'entorn immediat i adjacent són principalment les mines i les mines a base de níquel-coure. La part superior del sòl al voltant de la refineria de níquel-coure de Sudbury al Canadà va tenir els nivells més alts de contaminació per níquel amb 26.000 mg/kg11. ms et al.El 12, la quantitat de níquel extractable amb HNO3 a les terres cultivables més importants de la regió (producció de níquel a Rússia) oscil·lava entre 6,25 i 136,88 mg/kg, que correspon a una mitjana de 30,43 mg/kg i una concentració inicial de 25 mg/kg. Els efectes potencials del níquel en humans poden provocar càncer a través de la mutagènesi, danys cromosòmics, generació d'ADN Z, reparació d'escisió d'ADN bloquejada o processos epigenètics.
Les avaluacions de contaminació del sòl han prosperat en els últims temps a causa d'una àmplia gamma de problemes relacionats amb la salut derivats de les relacions sòl-planta, les relacions biològiques del sòl i el sòl, la degradació ecològica i l'avaluació de l'impacte ambiental. Cartografia de sòls tiva (PSM). Segons Minasny i McBratney16, la cartografia predictiva de sòls (DSM) ha demostrat ser una subdisciplina destacada de la ciència del sòl. Lagacherie i McBratney, 2006 defineixen el DSM com "la creació i ompliment de sistemes d'informació espacial del sòl mitjançant l'ús de sistemes d'observació in situ i de laboratori i mètodes d'observació espacial i no espacial".17 descriuen que el DSM o PSM contemporani és la tècnica més eficaç per predir o cartografiar la distribució espacial de PTE, tipus de sòl i propietats del sòl. La geoestadística i els algoritmes d'aprenentatge automàtic (MLA) són tècniques de modelització DSM que creen mapes digitalitzats amb l'ajuda d'ordinadors utilitzant dades significatives i mínimes.
Deutsch18 i Olea19 defineixen la geoestadística com "la col·lecció de tècniques numèriques que s'ocupen de la representació d'atributs espacials, emprant principalment models estocàstics, com ara com l'anàlisi de sèries temporals caracteritza les dades temporals".Principalment, la geoestadística implica l'avaluació de variogrames, que permeten quantificar i definir les dependències dels valors espacials de cada conjunt de dades20.Gumiaux et al.20 il·lustren més que l'avaluació dels variogrames en geoestadística es basa en tres principis, que inclouen (a) calcular l'escala de correlació de dades, (b) identificar i calcular l'anisotropia en la disparitat del conjunt de dades i (c) a més de tenir en compte l'error inherent de les dades de mesura separades dels efectes locals, els efectes de l'àrea també s'utilitzen en conceptes d'interpolació. co-kriging, kriging ordinari, kriging bayesià empíric, mètode de kriging simple i altres tècniques d'interpolació conegudes per mapejar o predir PTE, característiques del sòl i tipus de sòl.
Els algorismes d'aprenentatge automàtic (MLA) són una tècnica relativament nova que empra classes de dades no lineals més grans, alimentades per algorismes utilitzats principalment per a la mineria de dades, identificar patrons de dades i aplicats repetidament a la classificació en camps científics com ara la ciència del sòl i les tasques de retorn.22 (boscos aleatoris per a l'estimació de metalls pesants en sòls agrícoles), Sakizadeh et al.23 (modelització mitjançant màquines de vectors de suport i xarxes neuronals artificials) contaminació del sòl ).A més, Vega et al.24 (CART per modelar la retenció i l'adsorció de metalls pesants al sòl) Sun et al.25 (l'aplicació de cubista és la distribució de Cd al sòl) i altres algorismes com el veí més proper k, la regressió augmentada generalitzada i la regressió augmentada. Els arbres també van aplicar MLA per predir el PTE al sòl.
L'aplicació d'algorismes DSM en predicció o cartografia s'enfronta a diversos reptes. Molts autors creuen que la MLA és superior a la geoestadística i viceversa. Encara que un és millor que l'altre, la combinació dels dos millora el nivell de precisió de la cartografia o predicció en DSM15.Woodcock i Gopal26 Finke27;Pontius i Cheuk28 i Grunwald29 comenten deficiències i alguns errors en la cartografia de sòls predites. Els científics del sòl han provat una varietat de tècniques per optimitzar l'eficàcia, la precisió i la predictibilitat de la cartografia i la predicció DSM. La combinació d'incertesa i verificació és un dels molts aspectes diferents integrats en DSM.15 esbossen que el comportament de validació i la incertesa introduïts per la creació i predicció de mapes s'han de validar de manera independent per millorar la qualitat dels mapes. Les limitacions del DSM es deuen a la qualitat del sòl dispersa geogràficament, que implica un component d'incertesa;tanmateix, la falta de certesa en el DSM pot sorgir de múltiples fonts d'error, és a dir, error de covariable, error de model, error d'ubicació i error analític 31. Les imprecisions de modelització induïdes en els processos MLA i geoestadístics s'associen a una manca de comprensió, que finalment condueixen a una simplificació excessiva del procés real32. interpolació33.Recentment, ha sorgit una nova tendència del DSM que promou la integració de la geoestadística i la MLA en la cartografia i la predicció. Diversos científics del sòl i autors, com Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 i Tarasov et al.37 han aprofitat la qualitat precisa de la geoestadística i l'aprenentatge automàtic per generar models híbrids que milloren l'eficiència de la predicció i la cartografia.Qualitat. Alguns d'aquests models d'algorisme híbrids o combinats són el Kriging de xarxes neuronals artificials (ANN-RK), el Kriging residual de perceptrons multicapa (MLP-RK), el Kriging residual de xarxes neuronals de regressió generalitzada (GR-NNRK)36, el Kriging de xarxes neuronals artificials-Perceptró multicapa (ANN-K-MLP)38 i els processaments de regressió Co-MLP38 i Gau.
Segons Sergeev et al., la combinació de diverses tècniques de modelització té el potencial d'eliminar defectes i augmentar l'eficiència del model híbrid resultant en lloc de desenvolupar el seu model únic. En aquest context, aquest nou treball argumenta que és necessari aplicar un algorisme combinat de geoestadística i MLA per crear models híbrids òptims per predir l'enriquiment de Ni a les zones urbanes i periurbanes. Models de màquina (SVM) i regressió lineal múltiple (MLR). No es coneix la hibridació d'EBK amb cap MLA. Els múltiples models mixts que es veuen són combinacions de kriging de regressió ordinari, residual i MLA.EBK és un mètode d'interpolació geoestadística que utilitza un procés espacialment estocàstic que es localitza com un camp no estacionari per a la definició de paràmetres de localització, amb camps de localització no estacionaris i per a la definició de camps de localització. .EBK s'ha utilitzat en una varietat d'estudis, incloent l'anàlisi de la distribució del carboni orgànic en sòls de granja40, l'avaluació de la contaminació del sòl41 i el mapeig de les propietats del sòl42.
D'altra banda, Self-Organizing Graph (SeOM) és un algorisme d'aprenentatge que s'ha aplicat en diversos articles com Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 i Kebonye et al.46 Determinar els atributs espacials i l'agrupació d'elements.Wang et al.44 descriuen que SeOM és una tècnica d'aprenentatge potent coneguda per la seva capacitat per agrupar i imaginar problemes no lineals. A diferència d'altres tècniques de reconeixement de patrons com l'anàlisi de components principals, agrupació difusa, agrupació jeràrquica i presa de decisions multicriteri, SeOM és millor per organitzar i identificar patrons PTE. Segons Wang et al.44, SeOM pot agrupar espacialment la distribució de neurones relacionades i proporcionar una visualització de dades d'alta resolució. SeOM visualitzarà les dades de predicció de Ni per obtenir el millor model per caracteritzar els resultats per a la interpretació directa.
Aquest article pretén generar un model de cartografia robust amb una precisió òptima per predir el contingut de níquel en sòls urbans i periurbans. Presentem la hipòtesi que la fiabilitat del model mixt depèn principalment de la influència d'altres models units al model base. Reconeixem els reptes als quals s'enfronta el DSM i, si bé aquests reptes s'aborden en múltiples fronts, les combinacions d'estadístiques i avenços en models geogràfics apareixen com a estadístiques incrementals i MLA;per tant, intentarem respondre preguntes d'investigació que poden produir models mixts. No obstant això, quina precisió és el model a l'hora de predir l'element objectiu? A més, quin és el nivell d'avaluació de l'eficiència basat en la validació i l'avaluació de la precisió? Per tant, els objectius específics d'aquest estudi eren (a) crear un model de barreja combinada per a SVMR o MLR utilitzant EBKb (Nic) com a model de concentració per comparar el millor model de concentració per a la predicció del resultat. en sòls urbans o periurbans, i (d) l'aplicació de SeOM per crear un mapa d'alta resolució de la variació espacial del níquel.
L'estudi s'està duent a terme a la República Txeca, concretament al districte de Frydek Mistek a la regió de Moràvia-Silèsia (vegeu la figura 1). La geografia de l'àrea d'estudi és molt accidentada i forma part principalment de la regió de Beskidy de Moràvia-Silesia, que forma part de la vora exterior de les muntanyes dels Carpats. 25 i 327 m;No obstant això, el sistema de classificació de Koppen per a l'estat climàtic de la regió es classifica com a Cfb = clima oceànic temperat, hi ha molta pluja fins i tot en els mesos secs. Les temperatures varien lleugerament durant l'any entre −5 °C i 24 °C, rarament cauen per sota dels −14 °C o per sobre dels 30 °C, mentre que la precipitació mitjana anual total de l'enquesta està entre 52 i 7 mm. 1.208 quilòmetres quadrats, amb el 39,38% de les terres conreades i el 49,36% de la cobertura forestal. D'altra banda, l'àrea utilitzada en aquest estudi és d'uns 889,8 quilòmetres quadrats. A Ostrava i als voltants, la indústria siderúrgica i les metal·lúrgies són molt actives. Molins de metall, la indústria siderúrgica on s'utilitza níquel per a la resistència a la corrosió (p. la força de l'aliatge mantenint la seva bona ductilitat i duresa), i l'agricultura intensiva com l'aplicació de fertilitzants fosfats i la producció ramadera són fonts potencials d'investigació de níquel a la regió (per exemple, afegir níquel als xais per augmentar les taxes de creixement en xais i bestiar de baixa alimentació). color, estructura i contingut de carbonats del sòl. La textura del sòl és mitjana a fina, derivada del material matriu. Són de naturalesa col·luvial, al·luvial o eòlica. Algunes zones del sòl apareixen taques a la superfície i al subsòl, sovint amb formigó i blanqueig. No obstant això, els cambisols i els estagnosols són els tipus de sòls més comuns a la regió, des del 15 al 454548. els cambisols dominen la República Txeca49.
Mapa de la zona d'estudi [El mapa de la zona d'estudi es va crear amb ArcGIS Desktop (ESRI, Inc, versió 10.7, URL: https://desktop.arcgis.com).]
Es van obtenir un total de 115 mostres de terra vegetal de sòls urbans i periurbans al districte de Frydek Mistek. El patró de mostra utilitzat va ser una quadrícula regular amb mostres de sòl espaciades a 2 × 2 km, i es va mesurar la terra vegetal a una profunditat de 0 a 20 cm mitjançant un dispositiu GPS de mà (Leica Zeno 5 GPS). les mostres es van assecar a l'aire per produir mostres polveritzades, polveritzades per un sistema mecànic (molí de discos Fritsch) i tamisades (tamís de mida 2 mm). Col·loqueu 1 gram de mostres de terra seques, homogeneïtzades i tamisades en ampolles de tefló clarament etiquetades. cada àcid), tapeu lleugerament i deixeu reposar les mostres durant la nit per a la reacció (programa aqua regia). Col·loqueu el sobrenedant en una placa metàl·lica calenta (temperatura: 100 W i 160 °C) durant 2 h per facilitar el procés de digestió de les mostres, després refredeu. Transferiu el sobrenedant a un matràs aforat de 50 ml, diluint amb aigua i 50 ml. En un tub de PVC de 50 ml amb aigua desionitzada. A més, 1 ml de la solució de dilució es va diluir amb 9 ml d'aigua desionitzada i es va filtrar en un tub de 12 ml preparat per a la pseudoconcentració de PTE. Espectroscòpia) (Thermo Fisher Scientific, EUA) segons mètodes estàndard i acord. Assegureu-vos els procediments d'assegurament i control de qualitat (QA/QC) (SRM NIST 2711a Montana II Soil). Els PTE amb límits de detecció inferiors a la meitat es van excloure d'aquest estudi. Per tal de minimitzar els errors, es va realitzar una doble anàlisi.
El krigeig bayesià empíric (EBK) és una de les moltes tècniques d'interpolació geoestadística utilitzades en la modelització en diversos camps com la ciència del sòl. A diferència d'altres tècniques d'interpolació de kriging, l'EBK es diferencia dels mètodes tradicionals de kriging en considerar l'error estimat pel model de semivariograma. El procés d'interpolació d'EBK segueix els tres criteris proposats per Krivoruchko50, (a) el model estima el semivariograma a partir del conjunt de dades d'entrada (b) el nou valor previst per a cada ubicació del conjunt de dades d'entrada basant-se en el semivariograma generat i (c) el model final es calcula a partir del conjunt de dades de simulació posterior.
On \(Prob\left(A\right)\) representa la probabilitat marginal anterior, \(Prob\left(B\right)\) s'ignora en la majoria dels casos, \(Prob (B,A)\ ). El càlcul del semivariograma es basa en la regla de Bayes, que mostra la propensió dels conjunts de dades d'observació que es poden crear a partir de quin estat de semivariograma determina el semivariograma. s la probabilitat de crear un conjunt de dades d'observacions a partir del semivariograma.
Una màquina de vectors de suport és un algorisme d'aprenentatge automàtic que genera un hiperplà de separació òptim per distingir classes idèntiques però no linealment independents. Vapnik51 va crear l'algoritme de classificació d'intencions, però recentment s'ha utilitzat per resoldre problemes orientats a la regressió. Segons Li et al. Cherkassky i ​​Mulier53 van ser pioners en SVMR com a regressió basada en el nucli, el càlcul de la qual es va realitzar mitjançant un model de regressió lineal amb funcions espacials de diversos països.55, l'èpsilon (ε)-SVMR utilitza el conjunt de dades entrenat per obtenir un model de representació com a funció insensible a l'èpsilon que s'aplica per mapejar les dades de manera independent amb el millor biaix d'èpsilon de l'entrenament en dades correlacionades. A continuació es mostra la quació proposada per Vapnik51.
on b representa el llindar escalar, \(K\left({x}_{,}{ x}_{k}\right)\) representa la funció del nucli, \(\alpha\) representa el multiplicador de Lagrange, N representa un conjunt de dades numèrics, \({x}_{k}\) representa l'entrada de dades i \(y\) és l'operació de dades que s'utilitza, i \(y\) és l'operació de dades que s'utilitza. funció base (RBF). El nucli RBF s'aplica per determinar el model SVMR òptim, que és fonamental per obtenir el factor C del conjunt de penalitzacions més subtil i el paràmetre gamma (γ) del nucli per a les dades d'entrenament PTE. Primer, vam avaluar el conjunt d'entrenament i després vam provar el rendiment del model al conjunt de validació. El paràmetre de direcció utilitzat és sigma i el valor del mètode és svRadial.
Un model de regressió lineal múltiple (MLR) és un model de regressió que representa la relació entre la variable resposta i un nombre de variables predictores mitjançant l'ús de paràmetres agrupats lineals calculats mitjançant el mètode dels mínims quadrats. En MLR, un model de mínims quadrats és una funció predictiva de les propietats del sòl després de la selecció de variables explicatives. Cal utilitzar la resposta per establir una relació lineal amb la variable explicativa. L'equació LR és
on y és la variable de resposta, \(a\) és la intercepció, n és el nombre de predictors, \({b}_{1}\) és la regressió parcial dels coeficients, \({x}_{ i}\) representa una variable predictiva o explicativa i \({\varepsilon }_{i}\) representa l'error del model, també conegut com a residu.
Es van obtenir models mixtes entrepançant EBK amb SVMR i MLR. Això es fa extraient valors predits de la interpolació EBK. Els valors predits obtinguts a partir dels Ca, K i Mg interpolats s'obtenen mitjançant un procés combinatori per obtenir noves variables, com ara CaK, CaMg i KMg. , K, Mg, CaK, CaMg, KMg i CaKMg. Aquestes variables es van convertir en els nostres predictors, ajudant a predir les concentracions de níquel en sòls urbans i periurbans. L'algorisme SVMR es va realitzar als predictors per obtenir un model mixt Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). ian Kriging-Regressió lineal múltiple (EBK_MLR). Normalment, les variables Ca, K, Mg, CaK, CaMg, KMg i CaKMg s'utilitzen com a covariables com a predictors del contingut de Ni en sòls urbans i periurbans. A continuació, es mostrarà el model més acceptable obtingut (EBK_SVM o EBK_MLR).
L'ús de SeOM s'ha convertit en una eina popular per organitzar, avaluar i preveure dades en el sector financer, la salut, la indústria, les estadístiques, la ciència del sòl i més. SeOM es crea utilitzant xarxes neuronals artificials i mètodes d'aprenentatge no supervisat per a l'organització, l'avaluació i la predicció. variables43,56.Melssen et al.57 descriuen la connexió d'un vector d'entrada a una xarxa neuronal a través d'una sola capa d'entrada a un vector de sortida amb un sol vector de pes. La sortida generada per SeOM és un mapa bidimensional format per diferents neurones o nodes teixits en mapes topològics hexagonals, circulars o quadrats segons la seva proximitat. Es selecciona ly, que és una unitat de 55 mapes (5 × 11). L'estructura de la neurona es determina segons el nombre de nodes de l'equació empírica.
El nombre de dades utilitzades en aquest estudi és de 115 mostres. Es va utilitzar un enfocament aleatori per dividir les dades en dades de prova (25% per a la validació) i conjunts de dades d'entrenament (75% per al calibratge). El conjunt de dades d'entrenament s'utilitza per generar el model de regressió (calibració) i el conjunt de dades de prova s'utilitza per verificar la capacitat de generalització. procés de validació, repetit cinc vegades. Les variables produïdes per la interpolació EBK s'utilitzen com a predictors o variables explicatives per predir la variable objectiu (PTE). El modelatge es gestiona a RStudio mitjançant la biblioteca de paquets (Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”) i biblioteques (“plyr”), biblioteques (“plyr”) i biblioteques prospectives (“plyr”). .
Es van utilitzar diversos paràmetres de validació per determinar el millor model adequat per predir les concentracions de níquel al sòl i per avaluar l'exactitud del model i la seva validació. Els models d'hibridació es van avaluar mitjançant l'error absolut mitjà (MAE), l'error quadrat mitjà (RMSE) i la determinació de R-quadrat o coeficient (R2). poder predictiu del model, mentre que MAE determina el valor quantitatiu real. El valor R2 ha de ser alt per avaluar el millor model de barreja utilitzant els paràmetres de validació, com més a prop estigui el valor d'1, més gran serà la precisió. Segons Li et al.59, un valor del criteri R2 de 0,75 o més es considera un bon predictor;de 0,5 a 0,75 és un rendiment acceptable del model, i per sota de 0,5 és un rendiment inacceptable del model. Quan es va seleccionar un model mitjançant els mètodes d'avaluació dels criteris de validació RMSE i MAE, els valors inferiors obtinguts van ser suficients i es van considerar la millor opció. L'equació següent descriu el mètode de verificació.
on n representa la mida del valor observat\({Y}_{i}\) representa la resposta mesurada, i \({\widehat{Y}}_{i}\) també representa el valor de resposta previst, per tant, per a les primeres i observacions.
Les descripcions estadístiques de les variables predictores i de resposta es presenten a la Taula 1, mostrant la mitjana, la desviació estàndard (DE), el coeficient de variació (CV), el mínim, el màxim, la curtosi i la asimetria. Els valors mínims i màxims dels elements estan en ordre decreixent de Mg < Ca < K < Ni i Ca < Mg < K < Ni, respectivament. 39 mg/kg. La comparació de Ni amb la mitjana mundial (29 mg/kg) i la mitjana europea (37 mg/kg) va mostrar que la mitjana geomètrica global calculada per a l'àrea d'estudi es trobava dins del rang tolerable. No obstant això, tal com mostra Kabata-Pendias11, una comparació de la concentració mitjana de níquel (Ni) en l'estudi actual amb la concentració mitjana de sòls agrícoles en els sòls de la concentració mitjana actual és més alta. dek Mistek en sòls urbans i periurbans en l'estudi actual (Ni 16,15 mg/kg) va ser superior al límit admissible de 60 (10,2 mg/kg) per Ni als sòls urbans polonesos reportats per Różański et al. concentració de níquel (12,34 mg/kg) als sòls urbans de Hong Kong, que és inferior a la concentració actual de níquel en aquest estudi. Birke et al63 van informar d'una concentració mitjana de Ni de 17,6 mg/kg en una antiga zona industrial minera i urbana de Saxònia-Anhalt, Alemanya, que era 1,45 mg/kg més alta que la concentració mitjana de Ni a la zona (excés de concentració de níquel a la zona). Les àrees suburbanes de l'àrea d'estudi es poden atribuir principalment a la indústria siderúrgica i a la indústria del metall. Això és coherent amb l'estudi de Khodadoust et al.64 que la indústria siderúrgica i la metal·lúrgia són les principals fonts de contaminació per níquel als sòls. No obstant això, els predictors també van oscil·lar entre 538,70 mg/kg i 69.161,80 mg/kg per a Ca, 497,51 mg/kg a 3535,68 mg/kg per a K, i 685,685,685,68 mg/kg per al K i 685,658 mg/kg/kg .65 van investigar el contingut total de Mg i K dels sòls al centre de Sèrbia. Van trobar que les concentracions totals (410 mg/kg i 400 mg/kg, respectivament) eren inferiors a les concentracions de Mg i K de l'estudi actual. 590 mg/kg) i K (810 mg/kg) El contingut de la capa superior del sòl és inferior al de l'element únic d'aquest estudi. Un estudi recent de Pongrac et al.67 van mostrar que el contingut total de Ca analitzat en 3 sòls diferents a Escòcia, Regne Unit (sòl de Mylnefield, sòl de Balruddery i sòl de Hartwood) indicava un contingut de Ca més elevat en aquest estudi.
A causa de les diferents concentracions mesurades dels elements mostrejats, les distribucions del conjunt de dades dels elements presenten diferents asimetries. La sessió i la curtosi dels elements oscil·laven entre 1,53 i 7,24 i entre 2,49 i 54,16, respectivament. Tots els elements calculats tenen nivells d'asimetria i curtosi per sobre de +1, la qual cosa indica que les dades estimades són irregulars en la direcció correcta de la distribució skew. els elements també mostren que K, Mg i Ni presenten una variabilitat moderada, mentre que Ca té una variabilitat extremadament alta. Els CV de K, Ni i Mg expliquen la seva distribució uniforme. A més, la distribució de Ca no és uniforme i les fonts externes poden afectar el seu nivell d'enriquiment.
La correlació de les variables predictores amb els elements de resposta va indicar una correlació satisfactòria entre els elements (vegeu la figura 3). La correlació va indicar que CaK presentava una correlació moderada amb el valor r = 0,53, igual que CaNi. Encara que Ca i K mostren associacions modestes entre si, investigadors com Kingston et al.68 i Santo69 suggereixen que els seus nivells al sòl són inversament proporcionals. No obstant això, Ca i Mg són antagònics al K, però CaK es correlaciona bé. Això pot ser degut a l'aplicació de fertilitzants com el carbonat de potassi, que és un 56% superior en potassi. El potassi estava moderadament correlacionat amb el magnesi (KM 63). El sulfat de um, el nitrat de magnesi potàssic i la potassa s'apliquen als sòls per augmentar els seus nivells de deficiència. El níquel està moderadament correlacionat amb Ca, K i Mg amb valors de r = 0,52, 0,63 i 0,55, respectivament. d'excés de magnesi, i tant el magnesi com el calci redueixen els efectes tòxics del níquel al sòl.
Matriu de correlació d'elements que mostra la relació entre predictors i respostes (Nota: aquesta figura inclou un diagrama de dispersió entre elements, els nivells de significació es basen en p < 0,001).
La figura 4 il·lustra la distribució espacial dels elements. Segons Burgos et al70, l'aplicació de la distribució espacial és una tècnica utilitzada per quantificar i destacar punts calents en zones contaminades. Els nivells d'enriquiment de Ca de la figura 4 es poden veure a la part nord-oest del mapa de distribució espacial. D'altra banda, altres agricultors prefereixen utilitzar hidròxid de calci en sòls àcids per neutralitzar el pH, que també augmenta el contingut de calci del sòl71. El potassi també mostra punts calents al nord-oest i l'est del mapa. Aplicacions de NPK i potassa. Això és coherent amb altres estudis, com Madaras i Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, que van observar que l'estabilització del sòl i el tractament amb KCl i NPK van donar lloc a un alt contingut de K al sòl.L'enriquiment espacial de potassi al nord-oest del mapa de distribució pot ser degut a l'ús de fertilitzants basats en potassi com ara clorur de potassi, sulfat de potassi, nitrat de potassi, potassa i potassi per augmentar el contingut de potassi dels sòls pobres.Zádorová et al.76 i Tlustoš et al.77 va destacar que l'aplicació de fertilitzants basats en K augmentaria el contingut de K al sòl i augmentaria significativament el contingut de nutrients del sòl a llarg termini, especialment K i Mg mostrant un punt calent al sòl. Punts calents relativament moderats al nord-oest del mapa i al sud-est del mapa. clorosi. Els fertilitzants a base de magnesi, com el sulfat de magnesi potassi, el sulfat de magnesi i la Kieserita, tracten les deficiències (les plantes apareixen morades, vermelles o marrons, indicant deficiència de magnesi) en sòls amb un rang de pH normal6.
Distribució espacial dels elements [el mapa de distribució espacial es va crear amb ArcGIS Desktop (ESRI, Inc, versió 10.7, URL: https://desktop.arcgis.com).]
Els resultats de l'índex de rendiment del model dels elements utilitzats en aquest estudi es mostren a la taula 2. D'altra banda, el RMSE i el MAE de Ni són tots dos propers a zero (0,86 RMSE, -0,08 MAE). D'altra banda, els dos valors RMSE i MAE de K són acceptables. es va trobar que aquest estudi que utilitzava EBK per predir Ni era millor que els resultats de John et al.54 utilitzant kriging sinèrgic per predir les concentracions de S al sòl utilitzant les mateixes dades recollides. Els resultats d'EBK que vam estudiar es correlacionen amb els de Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 i John et al.82, especialment K i Ni.
El rendiment dels mètodes individuals per predir el contingut de níquel en sòls urbans i periurbans es va avaluar mitjançant el rendiment dels models (taula 3). La validació del model i l'avaluació de la precisió van confirmar que el predictor Ca_Mg_K combinat amb el model EBK SVMR va obtenir el millor rendiment. 7 (R2), 95,479 mg/kg (RMSE) i 77,368 mg/kg (MAE) Ca_Mg_K-SVMR va ser de 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). No obstant això, s'han obtingut bons valors R2. _Mg-EBK_SVMR (0,643 = R2);els seus resultats de RMSE i MAE van ser superiors als de Ca_Mg_K-EBK_SVMR (R2 0,637) (vegeu la taula 3). A més, el RMSE i el MAE del model Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) són 17,4 de 49 i 17,4 K, respectivament, més grans que els Ca_Mg-EBK_g. K_SVMR. Així mateix, el RMSE i el MAE del model Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) són 2,5 i 2,2 més grans que els del Ca_Mg_K-EBK_SVMR RMSE i MAE, respectivament. es van observar.Segons Kebonye et al.46 i john et al.54, com més a prop estiguin l'RMSE i el MAE a zero, millors són els resultats. SVMR i EBK_SVMR tenen valors RSME i MAE quantificats més alts. .Això significa que com més heterogeni és el conjunt de dades, més alts són els valors de MAE i RMSE. La precisió de l'avaluació de validació creuada del model mixt Ca_Mg_K-EBK_SVMR per predir el contingut de Ni en sòls urbans i suburbans va ser del 63,70%.Segons Li et al.59, aquest nivell de precisió és una taxa de rendiment del model acceptable. Els resultats actuals es comparen amb un estudi anterior de Tarasov et al.36, el model híbrid del qual va crear MLPRK (Multilayer Perceptron Residual Kriging), relacionat amb l'índex d'avaluació de la precisió EBK_SVMR reportat en l'estudi actual, RMSE (210) i The MAE (167,5) van ser superiors als nostres resultats en l'estudi actual (RMSE 95,479, MAE 77,36, 77,36 de l'estudi actual amb l'estudi actual). Tarasov et al.36 (0,544), és evident que el coeficient de determinació (R2) és més alt en aquest model mixt. El marge d'error (RMSE i MAE) (EBK SVMR) per al model mixt és dues vegades més baix. De la mateixa manera, Sergeev et al.34 van registrar 0,28 (R2) per al model desenvolupat (R2) mentre que l'estudi híbrid multicapa (Multilayer Kriging.27) va registrar l'estudi actual de Nisidual Percept. ).El nivell de precisió de predicció d'aquest model (EBK SVMR) és del 63,7%, mentre que la precisió de predicció obtinguda per Sergeev et al.34 és del 28%. El mapa final (Fig. 5) creat utilitzant el model EBK_SVMR i Ca_Mg_K com a predictor mostra prediccions de punts calents i de moderat a níquel a tota l'àrea d'estudi. Això vol dir que la concentració de níquel a l'àrea d'estudi és principalment moderada, amb concentracions més elevades en algunes zones específiques.
El mapa de predicció final es representa mitjançant el model híbrid EBK_SVMR i utilitzant Ca_Mg_K com a predictor. [El mapa de distribució espacial es va crear amb RStudio (versió 1.4.1717: https://www.rstudio.com/).]
A la figura 6 es presenten concentracions de PTE com un pla de composició format per neurones individuals. Cap dels plànols components presentava el mateix patró de color que es mostra. Tanmateix, el nombre adequat de neurones per mapa dibuixat és de 55. SeOM es produeix amb una varietat de colors, i com més semblants siguin els patrons de color, més comparables són les propietats de les mostres. Per tant, CaK i CaMg comparteixen algunes similituds amb neurones d'ordre molt alt i patrons de color de baix a moderat. Ambdós models prediuen la concentració de Ni al sòl mostrant tonalitats mitjanes a altes de colors com el vermell, taronja i groc. El model CakMg mostra un patró de color diferent de baix a alt segons una escala de color precisa. A més, la predicció del model del contingut de níquel (CakMg) és similar a la distribució espacial de níquel que es mostra a la figura 5. Proporcions de concentració mitjana i baixa de níquel urbana i urbana a la figura 5. Ils. La figura 7 mostra el mètode de contorn en l'agrupació de k-means del mapa, dividit en tres grups basats en el valor previst en cada model. El mètode de contorn representa el nombre òptim de clústers. De les 115 mostres de sòl recollides, la categoria 1 va obtenir la majoria de mostres de sòl, 74. El clúster 2 va rebre 33 mostres simplificades, mentre que la mostra va rebre 33 mostres simplificades. interpretació de clústers. A causa dels nombrosos processos antropogènics i naturals que afecten la formació del sòl, és difícil tenir patrons de clúster ben diferenciats en un mapa SeOM distribuït78.
Sortida del plànol de components per cada variable empírica Bayesian Kriging Vector Machine (EBK_SVM_SeOM). [Els mapes SeOM es van crear mitjançant RStudio (versió 1.4.1717: https://www.rstudio.com/).]
Diferents components de classificació de clúster [els mapes SeOM es van crear mitjançant RStudio (versió 1.4.1717: https://www.rstudio.com/).]
L’estudi actual il·lustra clarament les tècniques de modelatge per a les concentracions de níquel en sòls urbans i periurbans. L’estudi va provar diferents tècniques de modelatge, combinant elements amb tècniques de modelatge, per obtenir la millor manera de predir les concentracions de níquel en el sòl del sòl. La composició SEM compositiva plana plana espacial de la tècnica de modelització va mostrar un patró de color elevat de baixa a alta en una escala de color precisa, indicant NI concentracions de NI en la secció El mapa de distribució ial confirma la distribució espacial plana dels components exhibits per EBK_SVMR (vegeu la figura 5). Els resultats mostren que el model de regressió de la màquina vector També es defensa a causa del baix valor del coeficient de determinació (R2). Els resultats es van obtenir mitjançant EBK SVMR i elements combinats (CAKMG) amb errors de baixa RMSE i MAE amb una precisió del 63,7%. demostra que l’ús de ca mg k com a predictors per predir les concentracions de Ni a la zona d’estudi pot millorar la predicció de Ni en sòls S. en general, proposem aplicar el model EBK-SVMR per avaluar i predir el PTE al sòl;a més, proposem utilitzar EBK per hibridar amb diversos algorismes d'aprenentatge automàtic. Les concentracions de Ni es van predir utilitzant elements com a covariables;tanmateix, utilitzar més covariables milloraria molt el rendiment del model, cosa que es pot considerar una limitació del treball actual. Una altra limitació d'aquest estudi és que el nombre de conjunts de dades és de 115. Per tant, si es proporcionen més dades, es pot millorar el rendiment del mètode d'hibridació optimitzat proposat.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Consultat el 28 d'abril de 2021).
Kasprzak, KS Avenços del níquel en la toxicologia ambiental moderna.entorns.toxicologia.11, 145–183 (1987).
Cempel, M. i Nikel, G. Nickel: Una revisió de les seves fonts i toxicologia ambiental.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Entrada de contaminants de l'atmosfera i acumulació al sòl i la vegetació prop d'una fosa de níquel-coure a Sudbury, Ontario, Canadà.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metalls pesants al sòl, plantes i riscos associats al pasturatge de remugants a prop de la mina de coure-níquel Selebi-Phikwe a Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (02902-x).
Cabata-Pendias.Kabata-Pendias A. 2011. Oligoelements al sòl i… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+in+soils++4+%2+9+9+%2+2+NewYork+9%2+9+%2+2++4+%2+2+2 +CRC+Premsa&btnG= (Consultat el 24 de novembre de 2020).
Almås, A., Singh, B., Agricultura, TS-NJ de i 1995, undefined.
Nielsen, GD et al. L'absorció i la retenció de níquel a l'aigua potable estan relacionades amb la ingesta d'aliments i la sensibilitat al níquel.toxicologia.aplicació.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Carcinogènesi, mutació, epigenètica o selecció del níquel.entorn.Perspectiva de la salut.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​​NM;Anàlisi de tendències d'elements potencialment tòxics: una revisió bibliomètrica. Geoquímica ambiental i salut.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Cartografia digital del sòl: una breu història i algunes lliçons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.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=ca&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press+3&bds2C+37%2GAccess. 2021).