Tak, fordi du besøgte Nature.com. Den browserversion, du bruger, har begrænset understøttelse af CSS. For den bedste oplevelse anbefaler vi, at du bruger en opdateret browser (eller slår kompatibilitetstilstand fra i Internet Explorer). I mellemtiden vil vi for at sikre fortsat support vise webstedet uden stilarter og JavaScript.
Jordforurening er et stort problem forårsaget af menneskelige aktiviteter. Den rumlige fordeling af potentielt giftige elementer (PTE'er) varierer i de fleste byområder og peri-urbane områder. Derfor er det vanskeligt rumligt at forudsige indholdet af PTE'er i sådanne jordarter. I alt 115 prøver blev opnået fra Frydek Mistek i Tjekkiet (Kassium), (K) og kaliumnikkel, (K) koncentrationen af ​​magnesium (K) s blev bestemt ved hjælp af induktivt koblet plasmaemissionsspektrometri. Responsvariablen er Ni, og prædiktorerne er Ca, Mg og K. Korrelationsmatricen mellem responsvariablen og prædiktorvariablen viser en tilfredsstillende korrelation mellem elementerne. Forudsigelsesresultaterne viste, at Support Vector Machine Regression (SVMR) klarede sig godt, selv om dens estimerede fejl (25 kg/MA) gennemsnitligt var godt (25 kgmrm). E) (166,946 mg/kg) var højere end de andre anvendte metoder. Blandede modeller for empirisk Bayesiansk Kriging-Multiple Linear Regression (EBK-MLR) klarer sig dårligt, hvilket fremgår af bestemmelseskoefficienter mindre end 0,1. Den empiriske Bayesianske Kriging-Support Vector Machine Regression (EBK-MLR)-modellen var lav 9,0 kg, 9,5 kg. og MAE-værdier (77,368 mg/kg) og høj bestemmelseskoefficient (R2 = 0,637). EBK-SVMR-modelleringsteknikkens output visualiseres ved hjælp af et selvorganiserende kort.Klyngede neuroner i planet af hybridmodellen CakMg-EBK-SVMR-komponenten viser flere farvemønstre, der forudsiger og peri-combiner-resultater i byer, der så prædikerer og peri-combiner-resultater. er en effektiv teknik til at forudsige Ni-koncentrationer i by- og peri-urbane jorder.
Nikkel (Ni) betragtes som et mikronæringsstof for planter, fordi det bidrager til atmosfærisk nitrogenfiksering (N) og urinstofmetabolisme, som begge er nødvendige for frøspiring. Udover sit bidrag til frøspiring kan Ni fungere som en svampe- og bakteriehæmmer og fremme planteudviklingen. Manglen på nikkel i jorden gør det muligt for planten at optage og grønne blade, f.eks. anvendelse af nikkelbaseret gødning for at optimere nitrogenfiksering2.Fortsat anvendelse af nikkelbaseret gødning for at berige jorden og øge bælgplanternes evne til at fiksere kvælstof i jorden øger løbende nikkelkoncentrationen i jorden.Selvom nikkel er et mikronæringsstof for planter, kan dets overdrevne gavn af nikkel gøre mere end så meget nikkel. jordens pH og hæmmer optagelsen af ​​jern som et essentielt næringsstof for plantevækst1.Ifølge Liu3 har Ni vist sig at være det 17. vigtige element, der kræves for planteudvikling og -vækst. Ud over nikkels rolle i planteudvikling og -vækst, har mennesker brug for det til en række forskellige applikationer. Galvanisering, produktion af nikkelbaserede legeringer kræver al fremstilling af tændrør og tændrør i alle former for tændrørsindustri og enheder i bilindustrien, industrisektorer.Derudover er nikkelbaserede legeringer og elektropletterede artikler blevet brugt i vid udstrækning i køkkenudstyr, balsaltilbehør, fødevareindustriens forsyninger, elektricitet, ledninger og kabler, jetturbiner, kirurgiske implantater, tekstiler og skibsbygning5. Ni-rige niveauer i jord (dvs. overfladejord) er blevet tilskrevet både en naturlig og en naturlig kilde, men snarere en naturlig kilde, og en naturlig kilde. ic4,6.Naturlige kilder til nikkel omfatter vulkanudbrud, vegetation, skovbrande og geologiske processer;menneskeskabte kilder omfatter dog nikkel/cadmium-batterier i stålindustrien, galvanisering, lysbuesvejsning, diesel- og brændselsolier og atmosfæriske emissioner fra kulforbrænding og affalds- og slamforbrænding Nikkelakkumulering7,8.Ifølge Freedman og Hutchinson9 og Manyiwa et al.10, er hovedkilderne til muldjordsforurening i det umiddelbare og tilstødende miljø hovedsageligt nikkel-kobber-baserede smelteværker og miner. Den øverste jord omkring Sudbury nikkel-kobber-raffinaderiet i Canada havde de højeste niveauer af nikkelforurening på 26.000 mg/kg11. Derimod har forurening fra norsk nikkel1 et als1 Rusland resulteret i højere nikkelproduktion i als1 og Rusland. .12, varierede mængden af ​​HNO3-ekstraherbart nikkel i regionens øverste agerjord (nikkelproduktion i Rusland) fra 6,25 til 136,88 mg/kg, svarende til et gennemsnit på 30,43 mg/kg og en basiskoncentration på 25 mg/kg. ive afgrødesæsoner kan infundere eller forurene jorden. De potentielle virkninger af nikkel hos mennesker kan føre til kræft gennem mutagenese, kromosombeskadigelse, Z-DNA-generering, blokeret DNA-udskæringsreparation eller epigenetiske processer13. I dyreforsøg har nikkel vist sig at have potentialet til at forårsage en række forskellige tumorer, og kræftfremkaldende kræftfremkaldende tumorer kan forårsage nikkel.
Jordforureningsvurderinger har floreret i nyere tid på grund af en bred vifte af sundhedsrelaterede problemer, der opstår fra jord-plante forhold, jord og jord biologiske forhold, økologisk nedbrydning og miljøkonsekvensvurdering. Hidtil har rumlig forudsigelse af potentielt toksiske elementer (PTE'er) såsom Ni i jorden været besværlige og tidskrævende, SM5. stærkt forbedret prædiktiv jordbundskortlægning (PSM).Ifølge Minasny og McBratney16 har prædiktiv jordbundskortlægning (DSM) vist sig at være en fremtrædende underdisciplin af jordbundsvidenskab. Lagacherie og McBratney, 2006 definerer DSM som "skabelsen og udfyldningen af ​​rumlige jordinformationssystemer gennem brugen af ​​sopatiske ikke-Montologiske og fysiske observationssystemer i laboratoriet og spatologiske laboratorier". cBratney et al.17 skitsere, at den nutidige DSM eller PSM er den mest effektive teknik til at forudsige eller kortlægge den rumlige fordeling af PTE'er, jordtyper og jordegenskaber. Geostatistics and Machine Learning Algorithms (MLA) er DSM-modelleringsteknikker, der skaber digitaliserede kort ved hjælp af computere, der bruger betydelige og minimale data.
Deutsch18 og Olea19 definerer geostatistik som "samlingen af ​​numeriske teknikker, der beskæftiger sig med repræsentationen af ​​rumlige attributter, hovedsageligt ved at anvende stokastiske modeller, såsom hvordan tidsserieanalyse karakteriserer tidsdata."Primært involverer geostatistik evaluering af variogrammer, som gør det muligt at kvantificere og definere afhængighederne af rumlige værdier fra hvert datasæt20.Gumiaux et al.20 illustrerer yderligere, at evalueringen af ​​variogrammer i geostatistik er baseret på tre principper, herunder (a) beregning af skalaen for datakorrelation, (b) identifikation og beregning af anisotropi i datasætdisparitet og (c) udover at tage højde for den iboende fejl i måledataene adskilt fra de lokale effekter, er der også estimeret mange effekter på geostaterne, der er anvendt i geostaterne, på disse områder. istik, herunder generel kriging, co-kriging, almindelig kriging, empirisk Bayesiansk kriging, simpel kriging-metode og andre velkendte interpolationsteknikker til at kortlægge eller forudsige PTE, jordkarakteristika og jordtyper.
Machine Learning Algorithms (MLA) er en relativt ny teknik, der anvender større ikke-lineære dataklasser, drevet af algoritmer, der primært bruges til datamining, identificering af mønstre i data og gentagne gange anvendt til klassificering inden for videnskabelige områder såsom jordbundsvidenskab og returneringsopgaver. Talrige forskningsartikler er afhængige af såsom PLATE-modeller i et al.22 (tilfældige skove til estimering af tungmetal i landbrugsjord), Sakizadeh et al.23 (modellering ved hjælp af støttevektormaskiner og kunstige neurale netværk) jordforurening ). Derudover har Vega et al.24 (CART til modellering af tungmetaltilbageholdelse og adsorption i jord) Sun et al.25 (anvendelse af kubistisk er fordelingen af ​​Cd i jord) og andre algoritmer såsom k-nærmeste nabo, generaliseret boostet regression og boostet regression Træer anvendte også MLA til at forudsige PTE i jord.
Anvendelsen af ​​DSM-algoritmer til forudsigelse eller kortlægning står over for flere udfordringer.Mange forfattere mener, at MLA er geostatistik overlegen og omvendt. Selvom den ene er bedre end den anden, forbedrer kombinationen af ​​de to nøjagtighedsniveauet af kortlægning eller forudsigelse i DSM15.Woodcock og Gopal26 Finke27;Pontius og Cheuk28 og Grunwald29 kommenterer mangler og nogle fejl i forudsagt jordbundskortlægning. Jordforskere har prøvet en række forskellige teknikker for at optimere effektiviteten, nøjagtigheden og forudsigeligheden af ​​DSM-kortlægning og -prognoser. Kombinationen af ​​usikkerhed og verifikation er en af ​​mange forskellige aspekter integreret i DSM, reducerer og optimerer effektivitet og defekter.15 skitsere, at valideringsadfærden og usikkerheden introduceret ved kortoprettelse og forudsigelse bør valideres uafhængigt for at forbedre kortkvaliteten. Begrænsningerne af DSM skyldes geografisk spredt jordkvalitet, som involverer en komponent af usikkerhed;den manglende sikkerhed i DSM kan imidlertid opstå fra flere fejlkilder, nemlig kovariatfejl, modelfejl, lokaliseringsfejl og analytisk fejl 31. Modelleringsunøjagtigheder induceret i MLA og geostatistiske processer er forbundet med manglende forståelse, hvilket i sidste ende fører til oversimplificering af den reelle proces, uanset modellens karakter32. atiske modelforudsigelser eller interpolation33. For nylig er der opstået en ny DSM-trend, der fremmer integrationen af ​​geostatistik og MLA i kortlægning og prognoser. Adskillige jordforskere og forfattere, såsom Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 og Tarasov et al.37 har udnyttet den nøjagtige kvalitet af geostatistik og maskinlæring til at generere hybridmodeller, der forbedrer effektiviteten af ​​prognoser og kortlægning.kvalitet.Nogle af disse hybride eller kombinerede algoritmemodeller er Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLPK3) Process.
Ifølge Sergeev et al., har kombinationen af ​​forskellige modelleringsteknikker potentialet til at eliminere defekter og øge effektiviteten af ​​den resulterende hybridmodel frem for at udvikle dens enkelte model. I denne sammenhæng argumenterer denne nye artikel for, at det er nødvendigt at anvende en kombineret algoritme af geostatistik og MLA for at skabe optimale hybridmodeller til at forudsige Ni-berigelse i byområder og empirisk basere på den empiriske Bugt-model. og bland det med Support Vector Machine (SVM) og Multiple Linear Regression (MLR) modeller.Hybridisering af EBK med en hvilken som helst MLA kendes ikke. De multiple blandede modeller, der ses, er kombinationer af ordinær, residual, regressionskriging, og MLA.EBK er en geostatistisk interpolationsmetode, der udnytter et rumligt stokastisk felt, der er lokalt stokastisk og lokalt stokastisk proces, som er lokalt stokastisk og ikke-defineret. , hvilket giver mulighed for rumlig variation39.EBK er blevet brugt i en række undersøgelser, herunder analyse af fordelingen af ​​organisk kulstof i landbrugsjord40, vurdering af jordforurening41 og kortlægning af jordegenskaber42.
På den anden side er Self-Organizing Graph (SeOM) en læringsalgoritme, der er blevet anvendt i forskellige artikler såsom Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 og Kebonye et al.46 Bestem de rumlige attributter og gruppering af elementer.Wang et al.44 skitsere, at SeOM er en kraftfuld læringsteknik, der er kendt for sin evne til at gruppere og forestille sig ikke-lineære problemer. I modsætning til andre mønstergenkendelsesteknikker såsom principal komponentanalyse, fuzzy clustering, hierarkisk clustering og multi-kriterie beslutningstagning, er SeOM bedre til at organisere og identificere PTE-mønstre.Ifølge Wang et al.44, kan SeOM rumligt gruppere fordelingen af ​​relaterede neuroner og give datavisualisering i høj opløsning. SeOM vil visualisere Ni-forudsigelsesdata for at opnå den bedste model til at karakterisere resultaterne til direkte fortolkning.
Dette papir har til formål at generere en robust kortlægningsmodel med optimal nøjagtighed til at forudsige nikkelindhold i by- og peri-urbane jorder. Vi antager, at pålideligheden af ​​den blandede model hovedsageligt afhænger af indflydelsen fra andre modeller knyttet til basismodellen. Vi anerkender de udfordringer, som DSM står over for, og mens disse udfordringer løses på flere fronter og i kombination af geostatistiske fronter og MLA-modeller, optræder MLA-modeller på flere fronter;derfor vil vi forsøge at besvare forskningsspørgsmål, der kan give blandede modeller. Hvor præcis er modellen dog til at forudsige målelementet? Ligeledes, hvad er niveauet for effektivitetsevaluering baseret på validering og nøjagtighedsevaluering? Derfor var de specifikke mål med denne undersøgelse at (a) skabe en kombineret blandingsmodel for SVMR eller MLR sammenligner den bedste model, som basen for EBK (foreslå den bedste model) forudsigelse af Ni-koncentrationer i by- eller peri-urbane jorde, og (d) anvendelsen af ​​SeOM til at skabe et højopløsningskort over nikkel rumlig variation.
Undersøgelsen udføres i Tjekkiet, nærmere bestemt i Frydek Mistek-distriktet i Moravia-Schlesien-regionen (se figur 1). Studieområdets geografi er meget barsk og er for det meste en del af Moravia-Schlesian Beskidy-regionen, som er en del af den ydre rand af Karpaterne. 0′ Ø, og højden er mellem 225 og 327 m;Koppens klassifikationssystem for regionens klimatiske tilstand er dog klassificeret som Cfb = tempereret oceanisk klima. Der falder meget nedbør selv i de tørre måneder. Temperaturerne varierer lidt hen over året mellem −5 °C og 24 °C, falder sjældent under −14 °C eller over 30 °C, mens det gennemsnitlige årlige nedbørsareal er 7 mm24 og det skønnede areal på 7 mm. er 1.208 kvadratkilometer, med 39,38% af den dyrkede jord og 49,36% af skovdækningen. På den anden side er arealet anvendt i denne undersøgelse omkring 889,8 kvadratkilometer. I og omkring Ostrava er stålindustrien og metalværkerne meget aktive. Metalværker, stålindustrien, hvor der anvendes nikkel- og nikkelfrit stål til modstandsdygtighed over for nikkel og nikkel (eg-nikkel) Så øger legeringens styrke, samtidig med at dens gode duktilitet og sejhed bevares), og intensivt landbrug såsom anvendelse af fosfatgødning og husdyrproduktion er forskningspotentielle kilder til nikkel i regionen (f.eks. tilsætning af nikkel til lam for at øge vækstraterne hos lam og lavfodret kvæg). let at skelne fra jordfarve, struktur og karbonatindhold. Jordteksturen er middel til fin, afledt af modermaterialet. De er colluviale, alluviale eller eoliske i naturen. Nogle jordområder forekommer plettet i overfladen og undergrunden, ofte med beton og blegning. Dog er cambisols og stagnosols i de mest almindelige soiltyper i de 5-4 regioner, der er fra 5 til 5-regioner. 493,5 m, cambisols dominerer Tjekkiet49.
Kort over undersøgelsesområde [Kort over undersøgelsesområde blev oprettet ved hjælp af ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com).]
I alt 115 muldjordsprøver blev opnået fra by- og peri-urbane jorder i Frydek Mistek-distriktet. Det anvendte prøvemønster var et regulært gitter med jordprøver med en afstand på 2 × 2 km fra hinanden, og muldjord blev målt i en dybde på 0 til 20 cm ved hjælp af en håndholdt GPS-enhed (Leica Zeno 5 er indpakket i posen og GPS). blev lufttørret til fremstilling af pulveriserede prøver, pulveriseret af et mekanisk system (Fritsch skivemølle) og sigtet (sigtestørrelse 2 mm). Anbring 1 gram tørrede, homogeniserede og sigtede jordprøver i tydeligt mærkede teflonflasker. I hver teflonbeholder dispenseres 7 ml 35 % HCl og 5 % 3 ml syre til hver dispenser og 5 % 3 ml syrebeholder. lad prøverne stå natten over til reaktionen (aqua regia-program). Placer supernatanten på en varm metalplade (temperatur: 100 W og 160 °C) i 2 timer for at lette fordøjelsesprocessen af ​​prøverne, og afkøl derefter. Overfør supernatanten til en 50 ml målekolbe og fortynd med det fortyndede vand til 50 ml. ml PVC-rør med deioniseret vand. Ydermere blev 1 ml af fortyndingsopløsningen fortyndet med 9 ml deioniseret vand og filtreret ind i et 12 ml rør forberedt til PTE pseudo-koncentration. Koncentrationerne af PTE'er (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, MgIn, K) blev bestemt af ICP- CoSuply Spectical Spectical Spectical (ICP- CoSuptro) (Thermo Fisher Scientific, USA) i henhold til standardmetoder og aftale.Sørg for kvalitetssikring og kontrol (QA/QC) procedurer (SRM NIST 2711a Montana II Soil).PTE'er med detektionsgrænser under halvdelen blev udelukket fra denne undersøgelse. Detektionsgrænsen for den PTE, der blev brugt i denne undersøgelse, var 0,0004. .For at sikre, at fejl blev minimeret, blev der udført en dobbeltanalyse.
Empirisk Bayesiansk Kriging (EBK) er en af ​​mange geostatistiske interpolationsteknikker, der bruges til modellering inden for forskellige områder såsom jordbundsvidenskab. I modsætning til andre kriging-interpolationsteknikker adskiller EBK sig fra traditionelle kriging-metoder ved at overveje fejlen estimeret af semivariogrammodellen. I EBK-interpolation fremstilles flere semivariogram-modeller i stedet for under en enkelt interpolationsmetode, hvor der beregnes univeriogram-modeller til interpolering. sikkerhed og programmering forbundet med denne plotning af semivariogrammet, der udgør en meget kompleks del af en tilstrækkelig kriging-metode. Interpolationsprocessen for EBK følger de tre kriterier, der er foreslået af Krivoruchko50, (a) modellen estimerer semivariogrammet fra input-datasættet (b) den nye forudsagte værdi for hver inputdatasætplacering baseret på den genererede semivariogram-model, en Bayesimuleret quariogram-model og (c). som en posterior
Hvor \(Sandsynlighed\venstre(A\højre)\) repræsenterer den forudgående, \(Sandsynlighed\venstre(B\højre)\) ignoreres marginal sandsynlighed i de fleste tilfælde, \(Sandsynlighed (B,A)\ ) .Semivariogramberegningen er baseret på Bayes' regel, som viser tilbøjeligheden af ​​observationsdatasæt, der kan oprettes ud fra semigramværdidatasæt, der så er sandsynligt, hvordan det er sandsynligt for semivariogrammerne. er at skabe et datasæt af observationer fra semivariogrammet.
En støttevektormaskine er en maskinlæringsalgoritme, der genererer et optimalt adskillende hyperplan for at skelne identiske, men ikke lineært uafhængige klasser.Vapnik51 skabte hensigtsklassifikationsalgoritmen, men den er for nylig blevet brugt til at løse regressionsorienterede problemer.Ifølge Li et al.52 er SVM en af ​​de bedste klassifikationsteknikker inden for forskellige og har været brugt til VM Regession Machine (SVM Regession Machine fields). – SVMR) blev brugt i denne analyse.Cherkassky og Mulier53 var banebrydende for SVMR som en kernebaseret regression, hvis beregning blev udført ved hjælp af en lineær regressionsmodel med rumlige funktioner i flere lande.John et al.54 rapporterer, at SVMR-modellering anvender hyperplane lineær regression, som skaber al-land-spatiale funktioner og muliggør ikke-online-spatiale funktioner et.h.55, epsilon (ε)-SVMR bruger det trænede datasæt til at opnå en repræsentationsmodel som en epsilon-ufølsom funktion, der anvendes til at kortlægge dataene uafhængigt med den bedste epsilon-bias fra træning på korrelerede data. Den forudindstillede afstandsfejl ignoreres fra den faktiske værdi, og hvis fejlen er større end ε(ε), reducerer den komplekse egenskaber af data til broaden også den komplekse data til broaden. støtte vektorer. Ligningen foreslået af Vapnik51 er vist nedenfor.
hvor b repræsenterer den skalære tærskel, \(K\left({x}_{,}{ x}_{k}\right)\) repræsenterer kernefunktionen, \(\alpha\) repræsenterer Lagrange-multiplikatoren, N repræsenterer et numerisk datasæt, \({x}_{k}\) repræsenterer datainput, og \(y\) er en radial funktion for data-nøglen, RB, som er en SV-MR-funktion. F). RBF-kernen anvendes til at bestemme den optimale SVMR-model, hvilket er afgørende for at opnå den mest subtile strafsætfaktor C og kerneparameter gamma (γ) for PTE-træningsdataene. Først evaluerede vi træningssættet og testede derefter modellens ydeevne på valideringssættet. Styreparameteren, der bruges, er sigma, og metodeværdien er svmRadial.
En multipel lineær regressionsmodel (MLR) er en regressionsmodel, der repræsenterer forholdet mellem responsvariablen og en række prædiktorvariabler ved at bruge lineære poolede parametre beregnet ved hjælp af mindste kvadraters metode. I MLR er en mindste kvadraters model en forudsigelig funktion af jordegenskaber efter valg af forklarende variable. Det er nødvendigt at bruge responsen ved at bruge en forklarende lineær sammenhæng med variablen, som den lineære relation til at etablere en variabel lineær sammenhæng med. forklarende variable. MLR-ligningen er
hvor y er responsvariablen, \(a\) er skæringspunktet, n er antallet af prædiktorer, \({b}_{1}\) er den partielle regression af koefficienterne, \({x}_{ i}\) repræsenterer en prædiktor eller forklarende variabel, og \({\varepsilon }_{i}\) repræsenterer fejlen i modellen,.
Blandede modeller blev opnået ved at sandwiche EBK med SVMR og MLR. Dette gøres ved at udtrække forudsagte værdier fra EBK-interpolation. De forudsagte værdier opnået fra de interpolerede Ca, K og Mg opnås gennem en kombinatorisk proces for at opnå nye variabler, såsom CaK, CaMg og KMg. Elementerne opnår Ca, K og alle variabler Ca, K, og Mg. opnåede variabler er Ca, K, Mg, CaK, CaMg, KMg og CaKMg. Disse variabler blev vores prædiktorer, der hjalp med at forudsige nikkelkoncentrationer i by- og peri-urbane jord. SVMR-algoritmen blev udført på prædiktorerne for at opnå en blandet model Empirisk Bayesian Kriging-Support Vector Machine (EBK_SVM er også blandet gennem MLRM-variablen til at opnå en). model Empirisk Bayesiansk Kriging-Multiple Linear Regression (EBK_MLR). Typisk bruges variablerne Ca, K, Mg, CaK, CaMg, KMg og CaKMg som kovariater som prædiktorer for Ni-indhold i by- og peri-urbane jordbund. Den mest acceptable model opnået (EBK_SVR ved hjælp af en selv-ML-undersøgelse) vil så blive vist i visualisering af denne undersøgelse. Figur 2.
At bruge SeOM er blevet et populært værktøj til at organisere, evaluere og forudsige data i den finansielle sektor, sundhedsvæsenet, industrien, statistik, jordbundsvidenskab og mere.SeOM er skabt ved hjælp af kunstige neurale netværk og uovervågede læringsmetoder til organisering, evaluering og forudsigelse. I denne undersøgelse blev SeOM brugt til at visualisere Ni-model for koncentrationer og forudsige de bedste i by-data i SeOM. evaluering bruges som n input-dimensionelle vektorvariable43,56.Melssen et al.57 beskriver forbindelsen af ​​en inputvektor ind i et neuralt netværk gennem et enkelt inputlag til en outputvektor med en enkelt vægtvektor. Outputtet genereret af SeOM er et todimensionelt kort bestående af forskellige neuroner eller noder vævet ind i hexagonale, cirkulære eller kvadratiske topologiske kort i henhold til deres nærhed.Sammenligning af kortstørrelser baseret på metrisk, fejlkvantitetsmodellen (E) og Fejl (6) og (6) henholdsvis 0,904 er valgt, hvilket er en 55-kort enhed (5 × 11). Neuronstrukturen bestemmes i henhold til antallet af noder i den empiriske ligning
Antallet af data anvendt i denne undersøgelse er 115 stikprøver. En tilfældig tilgang blev brugt til at opdele dataene i testdata (25 % til validering) og træningsdatasæt (75 % til kalibrering). Træningsdatasættet bruges til at generere regressionsmodellen (kalibrering), og testdatasættet bruges til at verificere generaliseringsevnen58. Dette blev gjort for at vurdere indholdsegnetheden af ​​forskellige nikkelmodeller til at forudsige forskellige nikkelmodeller. -valideringsproces, gentaget fem gange. Variablerne produceret af EBK-interpolation bruges som prædiktorer eller forklarende variabler til at forudsige målvariablen (PTE).Modellering håndteres i RStudio ved hjælp af pakkebiblioteket(Kohonen), bibliotek(caret), bibliotek(modelr), bibliotek(“e1071″(“pl”), bibliotek(”), bibliotek”), bibliotek(”), bibliotek(”), bibliotek(”), bibliotek(”), bibliotek(”)”) og biblioteker ("Metrics").
Forskellige valideringsparametre blev brugt til at bestemme den bedste model, der er egnet til at forudsige nikkelkoncentrationer i jord og til at evaluere nøjagtigheden af ​​modellen og dens validering.Hybridiseringsmodeller blev evalueret ved hjælp af gennemsnitlig absolut fejl (MAE), root mean square error (RMSE) og R-kvadrat- eller koefficientbestemmelse (R2). itude i uafhængige mål beskriver modellens forudsigelseskraft, mens MAE bestemmer den faktiske kvantitative værdi.R2-værdien skal være høj for at vurdere den bedste blandingsmodel ved hjælp af valideringsparametrene, jo tættere værdien er på 1, jo højere er nøjagtigheden.Ifølge Li et al.59 betragtes en R2-kriterieværdi på 0,75 eller større som en god prædiktor;fra 0,5 til 0,75 er acceptabel modelydeevne, og under 0,5 er uacceptabel modelydeevne. Når du vælger en model ved hjælp af RMSE- og MAE-valideringskriteriernes evalueringsmetoder, var de lavere opnåede værdier tilstrækkelige og blev betragtet som det bedste valg. Følgende ligning beskriver verifikationsmetoden.
hvor n repræsenterer størrelsen af ​​den observerede værdi\({Y}_{i}\) repræsenterer den målte respons, og \({\widehat{Y}}_{i}\) repræsenterer derfor også den forudsagte responsværdi for de første i-observationer.
Statistiske beskrivelser af prædiktor- og responsvariabler er præsenteret i Tabel 1, der viser middelværdi, standardafvigelse (SD), variationskoefficient (CV), minimum, maksimum, kurtosis og skævhed. Minimum- og maksimumværdierne af elementerne er i faldende rækkefølge af Mg < Ca < K < Ni og Ca < Mg < K < Ni, henholdsvis koncentrationer af variabel fra 4-prøven i koncentrationen af ​​4-prøven (Ni-undersøgelsen) 6. til 42,39 mg/kg.Sammenligning af Ni med verdensgennemsnittet (29 mg/kg) og det europæiske gennemsnit (37 mg/kg) viste, at det samlede beregnede geometriske gennemsnit for undersøgelsesområdet var inden for det tolerable område. Ikke desto mindre, som vist af Kabata-Pendias11, viser en sammenligning af den gennemsnitlige nikkel (Ni) nuværende koncentration i Sverige, at den nuværende nikkelkoncentration i Sverige er en højere koncentration af nikkel (Ni) i det nuværende nikkel. gennemsnitskoncentrationen af ​​Frydek Mistek i byjord og peri-urbane jord i den aktuelle undersøgelse (Ni 16,15 mg/kg) var højere end den tilladte grænse på 60 (10,2 mg/kg) for Ni i polsk byjord rapporteret af Różański et al. Ydermere registrerede Bretzel og Calderisi61 koncentrationerne mg/kg i byer meget lavt i Tuscany med så meget lav koncentration (17 kg strøm i Tuscany). Jim62 fandt også en lavere nikkelkoncentration (12,34 mg/kg) i byjord i Hongkong, hvilket er lavere end den nuværende nikkelkoncentration i denne undersøgelse. Birke et al63 rapporterede en gennemsnitlig Ni-koncentration på 17,6 mg/kg i et gammelt minedrift og byindustriområde i Sachsen-Anhalt, Tyskland, hvilket var 1,45 mg/kg højere end det gennemsnitlige nikkelindhold i 5 mg/kg i.C. jord i nogle by- og forstadsområder i undersøgelsesområdet kan hovedsageligt tilskrives jern- og stålindustrien og metalindustrien. Dette er i overensstemmelse med undersøgelsen af ​​Khodadoust et al.64, at stålindustrien og metalforarbejdning er de vigtigste kilder til nikkelforurening i jord. Forudsigelsesfaktorerne varierede dog også fra 538,70 mg/kg til 69.161,80 mg/kg for Ca, 497,51 mg/kg til 3535,68 mg/kg for K og 685,70 mg/kg. al.65 undersøgte det totale Mg- og K-indhold i jord i det centrale Serbien. De fandt, at de samlede koncentrationer (henholdsvis 410 mg/kg og 400 mg/kg) var lavere end Mg- og K-koncentrationerne i den aktuelle undersøgelse. I det østlige Polen vurderede Orzechowski og Smolczynski66 det gennemsnitlige indhold af Mg og K, (10 kg) af Mg og K (1 kg) 590 mg/kg) og K (810 mg/kg) Indholdet i muldjorden er lavere end det enkelte element i denne undersøgelse. En nylig undersøgelse af Pongrac et al.67 viste, at det totale Ca-indhold analyseret i 3 forskellige jorde i Skotland, UK (Mylnefield-jord, Balruddery-jord og Hartwood-jord) indikerede et højere Ca-indhold i denne undersøgelse.
Grundet de forskellige målte koncentrationer af de samplede elementer, udviser elementernes datasætfordelinger forskellig skævhed. Skævheden og kurtosis af elementerne varierede fra henholdsvis 1,53 til 7,24 og 2,49 til 54,16. Alle beregnede elementer har skævhed og kurtosis-retningsniveauer, der således ligger over +irregular-, kurtosis-retningsniveauet i +irregular- og kurtosis-retningen ed. De estimerede CV'er for grundstofferne viser også, at K, Mg og Ni udviser moderat variabilitet, mens Ca har ekstrem høj variabilitet. CV'erne for K, Ni og Mg forklarer deres ensartede fordeling. Ydermere er Ca-fordelingen uensartet, og eksterne kilder kan påvirke dets berigelsesniveau.
Korrelationen af ​​prædiktorvariablerne med responselementerne indikerede en tilfredsstillende sammenhæng mellem elementerne (se figur 3). Korrelationen indikerede, at CaK udviste moderat korrelation med r-værdi = 0,53, ligesom CaNi. Selvom Ca og K viser beskedne associationer til hinanden, viste forskere som Kingston et al.68 og Santo69 tyder på, at deres niveauer i jorden er omvendt proportionale. Ca og Mg er dog antagonistiske over for K, men CaK korrelerer godt. Dette kan skyldes anvendelsen af ​​gødninger såsom kaliumcarbonat, som er 56 % højere i kalium. Kalium var moderat korreleret med magnesium, fordi disse to grundstoffer3 er tæt forbundet med magnesium (K.6. kaliummagnesiumsulfat, kaliummagnesiumnitrat og kaliumchlorid påføres jorden for at øge deres mangelniveauer.Nikkel er moderat korreleret med Ca, K og Mg med r-værdier = henholdsvis 0,52, 0,63 og 0,55. Relationerne, der involverer calcium, magnesium og PTE, reducerer komplekse, men ikke-hiberende calciumabsorption, men ikke-hiberende calciumabsorption af overskydende magnesium, og både magnesium og calcium reducerer nikkels toksiske virkninger i jorden.
Korrelationsmatrix for elementer, der viser forholdet mellem prædiktorer og responser (Bemærk: denne figur inkluderer et scatterplot mellem elementer, signifikansniveauer er baseret på p < 0,001).
Figur 4 illustrerer den rumlige fordeling af grundstoffer.Ifølge Burgos et al70 er anvendelsen af ​​rumlig fordeling en teknik, der bruges til at kvantificere og fremhæve hot spots i forurenede områder. Berigelsesniveauerne af Ca i Fig. 4 kan ses i den nordvestlige del af det rumlige fordelingskort. Figuren viser moderat til høj Ca-berigelse af kalciumberigelse, som er sandsynligt kort over den nordvestlige berigelse af den nordvestlige kalkberigelse. calciumoxid) for at reducere jordens surhedsgrad og dets brug i stålværker som alkalisk oxygen i stålfremstillingsprocessen. På den anden side foretrækker andre landmænd at bruge calciumhydroxid i sure jorde for at neutralisere pH, hvilket også øger calciumindholdet i jorden71.Kalium viser også hot spots i den nordvestlige og østlige del af kortet. Nordvesten er et moderat til potassium, og det kan være et stort mønster af middel til potassium. askeapplikationer. Dette er i overensstemmelse med andre undersøgelser, såsom Madaras og Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, som observerede, at jordstabilisering og behandling med KCl og NPK resulterede i et højt K-indhold i jorden.Rumlig Kaliumberigelse i den nordvestlige del af udbredelseskortet kan skyldes brugen af ​​kaliumbaserede gødninger såsom kaliumchlorid, kaliumsulfat, kaliumnitrat, kaliumchlorid og kaliumchlorid for at øge kaliumindholdet i fattige jorder.Zádorová et al.76 og Tlustoš et al.77 skitserede, at anvendelsen af ​​K-baserede gødninger øgede K-indholdet i jorden og ville øge jordens næringsstofindhold betydeligt på længere sigt, især K og Mg, der viser et hot spot i jorden. Relativt moderate hotspots i den nordvestlige del af kortet og den sydøstlige del af kortet. Kolloid fiksering i jordens koncentration af magnesium udtømmer jorden i jorden til at gulne jorden. intervein chlorosis.Magnesium-baserede gødninger, såsom kaliummagnesiumsulfat, magnesiumsulfat og Kieserit, behandler mangler (planter fremstår lilla, røde eller brune, hvilket indikerer magnesiummangel) i jord med et normalt pH-område 6. Akkumuleringen af ​​nikkel på by- og peri-urbane jordarter kan have betydning for såkaldte nikkel- og ståloverflader, f.eks. produktion78.
Rumlig fordeling af elementer [rumlig fordelingskort blev oprettet ved hjælp af ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com).]
Modellens præstationsindeksresultater for de elementer, der er brugt i denne undersøgelse, er vist i tabel 2. På den anden side er RMSE og MAE for Ni begge tæt på nul (0,86 RMSE, -0,08 MAE). På den anden side er både RMSE og MAE værdier for K acceptable. RMSE og MAE resultater var større for K MAE r datasæt og MAEr datasæt. af denne undersøgelse, der brugte EBK til at forudsige Ni, viste sig at være bedre end resultaterne af John et al.54 ved hjælp af synergistisk kriging til at forudsige S-koncentrationer i jord ved hjælp af de samme indsamlede data. De EBK-output, vi undersøgte, korrelerer med dem fra Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 og John et al.82, især K og Ni.
Ydeevnen af ​​individuelle metoder til at forudsige nikkelindhold i by- og peri-urbane jorder blev evalueret ved hjælp af modellernes ydeevne (tabel 3). Modelvalidering og nøjagtighedsevaluering bekræftede, at Ca_Mg_K-prædiktoren kombineret med EBK SVMR-modellen gav den bedste ydeevne. Kalibreringsmodel- Ca_Mg_SVMA absolutte fejl (REBK_Mg_K) gennemsnitlig fejl (REBK_Mg_K) E) var 0,637 (R2), 95,479 mg/kg (RMSE) og 77,368 mg/kg (MAE). Ca_Mg_K-SVMR var 0,663 (R2), 235,974 mg/kg (RMSE) og 166,946 mg/kg (MAE). mg/kg R2) og Ca_Mg-EBK_SVMR (0,643 = R2);deres RMSE- og MAE-resultater var højere end dem for Ca_Mg_K-EBK_SVMR (R2 0,637) (se tabel 3). Derudover er RMSE og MAE for Ca_Mg-EBK_SVMR (RMSE = 1664,64 og MAE = 1031,49) modellen 137,4, hhv. EBK_SVMR. Ligeledes er RMSE og MAE for Ca_Mg-K SVMR (RMSE = 235.974 og MAE = 166.946) modellen 2,5 og 2,2 større end dem for Ca_Mg_K-EBK_SVMR RMSE og MAE, henholdsvis den beregnede linje med koncentreret og MAE. MAE blev observeret. Ifølge Kebonye et al.46 og john et al.54, jo tættere RMSE og MAE er på nul, desto bedre er resultaterne. SVMR og EBK_SVMR har højere kvantificerede RSME- og MAE-værdier. Det blev observeret, at RSME-estimaterne konsekvent var højere end MAE-værdierne, hvilket indikerer tilstedeværelsen af ​​afvigende værdier. Ifølge Legates og McCabe83 er den anbefalede tilstedeværelse i den absolutte tilstedeværelse af en ERMSE-værdien i forhold til den absolutte af outliers.Dette betyder, at jo mere heterogent datasættet er, desto højere er MAE- og RMSE-værdierne. Nøjagtigheden af ​​krydsvalideringsvurdering af Ca_Mg_K-EBK_SVMR blandet model til forudsigelse af Ni-indhold i by- og forstadsjord var 63,70%.Ifølge Li et al.59, er dette niveau af nøjagtighed en acceptabel modelydelsesrate. De nuværende resultater sammenlignes med en tidligere undersøgelse af Tarasov et al.36, hvis hybridmodel skabte MLPRK (Multilayer Perceptron Residual Kriging), relateret til EBK_SVMR-præcisionsevalueringsindekset rapporteret i det aktuelle studie, RMSE (210) og The MAE (167.5) var højere end vores resultater i det nuværende studie (RMSE 95.479, MAE 77.328 sammenlignet med det nuværende studie med (77.328) sammenlignet med det nuværende studie. af Tarasov et al.36 (0,544), er det tydeligt, at bestemmelseskoefficienten (R2) er højere i denne blandede model. Fejlmarginen (RMSE og MAE) (EBK SVMR) for den blandede model er to gange lavere. Ligeledes registrerede Sergeev et al.34 0,28 (R2) for den udviklede hybridmodel (Multilayer Current Perceptron) (Multilayer Current Perceptron 3), mens (Multilayer current Perceptron 7). forudsigelsesnøjagtighedsniveauet for denne model (EBK SVMR) er 63,7%, mens forudsigelsesnøjagtigheden opnået af Sergeev et al.34 er 28%.Det endelige kort (fig. 5) oprettet ved brug af EBK_SVMR-modellen og Ca_Mg_K som prædiktor viser forudsigelser af hot spots og moderat til nikkel over hele undersøgelsesområdet. Det betyder, at koncentrationen af ​​nikkel i undersøgelsesområdet hovedsageligt er moderat, med højere koncentrationer i nogle specifikke områder.
Det endelige forudsigelseskort er repræsenteret ved hjælp af hybridmodellen EBK_SVMR og ved at bruge Ca_Mg_K som forudsigeren.[Det rumlige fordelingskort blev oprettet ved hjælp af RStudio (version 1.4.1717: https://www.rstudio.com/).]
Præsenteret i figur 6 er PTE-koncentrationer som et sammensætningsplan bestående af individuelle neuroner. Ingen af ​​komponentplanerne udviste det samme farvemønster som vist. Det passende antal neuroner pr. tegnet kort er dog 55. SeOM produceres ved hjælp af en række forskellige farver, og jo mere ens farvemønstrene er, jo mere sammenlignelige egenskaber af de individuelle prøver med deres individuelle, farveskala, nøjagtige elementer og MC, farveskala, og MC. mønstre til enkelte høje neuroner og de fleste lave neuroner. Således deler CaK og CaMg nogle ligheder med neuroner af meget høj orden og lav-til-moderat farvemønstre. Begge modeller forudsiger koncentrationen af ​​Ni i jorden ved at vise mellemstore til høje nuancer af farver såsom rød, orange og gul. KMg-modellen viser mange høje farvemønstre baseret på en præcis farvefordeling med lav til høj farveplan, fra en præcis farveplan til lav farvefordeling og lave farveplaner. komponenter i modellen viste et højt farvemønster, der indikerer den potentielle koncentration af nikkel i jorden (se figur 4). CakMg-modellens komponentplan viser et forskelligartet farvemønster fra lav til høj i henhold til en nøjagtig farveskala. Desuden svarer modellens forudsigelse af nikkelindhold (CakMg) til den rumlige fordeling af nikkel, der er vist i mellemhøje koncentrationer i byer og i figur 5. forbud jordbund.Figur 7 afbilder konturmetoden i k-betyder grupperingen på kortet, opdelt i tre klynger baseret på den forudsagte værdi i hver model.Konturmetoden repræsenterer det optimale antal klynger.Af de 115 indsamlede jordprøver opnåede kategori 1 flest jordprøver, 74.klynge3-komponenter modtaget, mens prøven modtog 3-klynge 3, mens prøven blev modtaget. forudsigelseskombinationen blev forenklet for at give mulighed for korrekt klyngefortolkning. På grund af de talrige menneskeskabte og naturlige processer, der påvirker jorddannelsen, er det vanskeligt at have korrekt differentierede klyngemønstre i et distribueret SeOM-kort78.
Komponentplanoutput af hver empirisk Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variabel.[SeOM-kort blev oprettet ved hjælp af RStudio (version 1.4.1717: https://www.rstudio.com/).]
Forskellige klyngeklassifikationskomponenter [SeOM-kort blev oprettet ved hjælp af RStudio (version 1.4.1717: https://www.rstudio.com/).]
Den nuværende undersøgelse illustrerer tydeligt modelleringsteknikker for nikkelkoncentrationer i by- og peri-urbane jordbund. Undersøgelsen testede forskellige modelleringsteknikker, der kombinerede elementer med modelleringsteknikker, for at opnå den bedste måde at forudsige nikkelkoncentrationer i jord. De SeOM-kompositoriske plane rumlige træk ved modelleringsteknikken udviste et højt farvemønster fra lavt til højt i en så nøjagtig farveskala, som bekræfter den nikkelskala, som bekræfter den nikkelskala. plan rumlig fordeling af komponenter udstillet af EBK_SVMR (se figur 5). Resultaterne viser, at støttevektormaskinregressionsmodellen (Ca Mg K-SVMR) forudsiger koncentrationen af ​​Ni i jord som en enkelt model, men validerings- og nøjagtighedsevalueringsparametrene viser meget høje fejl med hensyn til RMSE og MAE. af bestemmelseskoefficienten (R2).Gode resultater blev opnået ved brug af EBK SVMR og kombinerede elementer (CaKMg) med lave RMSE- og MAE-fejl med en nøjagtighed på 63,7%.Det viser sig, at kombination af EBK-algoritmen med en maskinindlæringsalgoritme kan generere en hybridalgoritme, der kan forudsige, at koncentrationen af ​​M KTE forudsiger, så koncentrationen af ​​Ni til Ni forudsiger. i undersøgelsesområdet kan forbedre forudsigelsen af ​​Ni i jord. Det betyder, at stålindustriens kontinuerlige anvendelse af nikkelbaseret gødning og industriel forurening af jorden har en tendens til at øge koncentrationen af ​​nikkel i jorden. Denne undersøgelse afslørede, at EBK-modellen kan reducere fejlniveauet og forbedre nøjagtigheden af ​​modellen af ​​jordbundsmodellen i by- eller byjordsmodellen generelt til by- eller byjordsmodellen anvender den by- eller byjords- peri-SV-model. vurdere og forudsige PTE i jord;derudover foreslår vi at bruge EBK til at hybridisere med forskellige maskinlæringsalgoritmer. Ni-koncentrationer blev forudsagt ved hjælp af elementer som kovariater;dog ville brug af flere kovariater i høj grad forbedre modellens ydeevne, hvilket kan betragtes som en begrænsning af det nuværende arbejde.En anden begrænsning ved denne undersøgelse er, at antallet af datasæt er 115. Derfor, hvis der leveres flere data, kan ydeevnen af ​​den foreslåede optimerede hybridiseringsmetode forbedres.
PlantProbs.net.Nikkel i planter og jord https://plantprobs.net/plant/nutrientImbalances/sodium.html (Få adgang 28. april 2021).
Kasprzak, KS Nikkel gør fremskridt inden for moderne miljøtoksikologi.surroundings.toxicology.11, 145-183 (1987).
Cempel, M. & Nikel, G. Nickel: En gennemgang af dets kilder og miljøtoksikologi. Polsk J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Input af forurenende stoffer fra atmosfæren og ophobning i jord og vegetation nær en nikkel-kobber-smelter i Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Tungmetaller i jord, planter og risici forbundet med græssende drøvtyggere nær Selebi-Phikwe kobber-nikkel-minen i Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009181-x ().
Cabata-Pendias.Kabata-Pendias A. 2011. Sporelementer i jord og… – Google Scholar https://scholar.google.com/scholar?hl=da&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+plants.2+Y+nye+jord.2+Y+ny+jord.2+Y++jord. %3A+CRC+Press&btnG= (Åbnet 24. november 2020).
Almås, A., Singh, B., Agriculture, TS-NJ af & 1995, udefineret. Effekter af den russiske nikkelindustri på tungmetalkoncentrationer i landbrugsjord og græs i Soer-Varanger, Norge.agris.fao.org.
Nielsen, GD et al. Nikkelabsorption og -retention i drikkevand er relateret til fødeindtagelse og nikkelfølsomhed.toksikologi.applikation.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nikkelcarcinogenese, mutation, epigenetik eller selektion.omgivelser.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Trendanalyse af potentielt giftige elementer: en bibliometrisk gennemgang.Environmental Geochemistry and Health.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. 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=da&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2Cpage=April+University+Press%2C 021).