Σας ευχαριστούμε που επισκεφτήκατε το Nature.com. Η έκδοση του προγράμματος περιήγησης που χρησιμοποιείτε έχει περιορισμένη υποστήριξη για CSS. Για την καλύτερη εμπειρία, σας συνιστούμε να χρησιμοποιήσετε ένα ενημερωμένο πρόγραμμα περιήγησης (ή να απενεργοποιήσετε τη λειτουργία συμβατότητας στον Internet Explorer). Στο μεταξύ, για να διασφαλίσουμε τη συνεχή υποστήριξη, θα εμφανίζουμε τον ιστότοπο χωρίς στυλ και JavaScript.
Η ρύπανση του εδάφους είναι ένα μεγάλο πρόβλημα που προκαλείται από ανθρώπινες δραστηριότητες. Η χωρική κατανομή των δυνητικά τοξικών στοιχείων (PTEs) ποικίλλει στις περισσότερες αστικές και περιαστικές περιοχές. Ως εκ τούτου, είναι δύσκολο να προβλεφθεί χωρικά η περιεκτικότητα σε PTEs σε τέτοια εδάφη. Συνολικά λήφθηκαν 115 δείγματα από το Frydek Mistek στην Τσεχική Δημοκρατία.Calcium Οι συγκεντρώσεις προσδιορίστηκαν χρησιμοποιώντας επαγωγικά συζευγμένη φασματομετρία εκπομπής πλάσματος. Η μεταβλητή απόκρισης είναι Ni και οι προγνωστικοί παράγοντες είναι Ca, Mg και K. Ο πίνακας συσχέτισης μεταξύ της μεταβλητής απόκρισης και της μεταβλητής πρόβλεψης δείχνει μια ικανοποιητική συσχέτιση μεταξύ των στοιχείων. Τα αποτελέσματα της πρόβλεψης έδειξαν ότι το Support Vector Machine Regression. kg) και το μέσο απόλυτο σφάλμα (MAE) (166,946 mg/kg) ήταν υψηλότερα από τις άλλες μεθόδους που εφαρμόστηκαν. Τα μικτά μοντέλα για την Εμπειρική Bayesian Kriging-Πολλαπλή Γραμμική Παλινδρόμηση (EBK-MLR) δεν έχουν καλή απόδοση, όπως αποδεικνύεται από συντελεστές προσδιορισμού μικρότεροι από 0,1. καλύτερο μοντέλο, με χαμηλές τιμές RMSE (95,479 mg/kg) και MAE (77,368 mg/kg) και υψηλό συντελεστή προσδιορισμού (R2 = 0,637) s σε αστικά και περιαστικά εδάφη. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός EBK και SVMR είναι μια αποτελεσματική τεχνική για την πρόβλεψη των συγκεντρώσεων Ni σε αστικά και περιαστικά εδάφη.
Το νικέλιο (Ni) θεωρείται μικροθρεπτικό για τα φυτά επειδή συμβάλλει στη δέσμευση του ατμοσφαιρικού αζώτου (Ν) και στον μεταβολισμό της ουρίας, τα οποία απαιτούνται για τη βλάστηση των σπόρων. Εκτός από τη συμβολή του στη βλάστηση των σπόρων, το Ni μπορεί να λειτουργήσει ως αναστολέας μυκήτων και βακτηρίων και να προάγει την ανάπτυξη των φυτών. η εφαρμογή λιπασμάτων με βάση το νικέλιο για τη βελτιστοποίηση της δέσμευσης αζώτου2. Η συνεχής εφαρμογή λιπασμάτων με βάση το νικέλιο για τον εμπλουτισμό του εδάφους και την αύξηση της ικανότητας των οσπρίων να δεσμεύουν άζωτο στο έδαφος αυξάνει συνεχώς τη συγκέντρωση νικελίου στο έδαφος. pH του εδάφους και εμποδίζει την πρόσληψη του σιδήρου ως βασικού θρεπτικού συστατικού για την ανάπτυξη των φυτών1. Σύμφωνα με τον Liu3, το Ni έχει βρεθεί ότι είναι το 17ο σημαντικό στοιχείο που απαιτείται για την ανάπτυξη και την ανάπτυξη των φυτών. Εκτός από το ρόλο του νικελίου στην ανάπτυξη και ανάπτυξη των φυτών, οι άνθρωποι το χρειάζονται για διάφορες εφαρμογές. χρήση νικελίου σε διάφορους βιομηχανικούς τομείς.Επιπλέον, τα κράματα με βάση το νικέλιο και τα επιμεταλλωμένα είδη έχουν χρησιμοποιηθεί ευρέως σε μαγειρικά σκεύη, αξεσουάρ αιθουσών χορού, προμήθειες βιομηχανίας τροφίμων, ηλεκτρικά, σύρματα και καλώδια, τουρμπίνες jet, χειρουργικά εμφυτεύματα, υφάσματα και ναυπηγική5. Φυσική πηγή και όχι ανθρωπογενής4,6.Οι φυσικές πηγές νικελίου περιλαμβάνουν ηφαιστειακές εκρήξεις, βλάστηση, δασικές πυρκαγιές και γεωλογικές διεργασίες.Ωστόσο, οι ανθρωπογενείς πηγές περιλαμβάνουν μπαταρίες νικελίου/καδμίου στη βιομηχανία χάλυβα, ηλεκτρολυτική επιμετάλλωση, συγκόλληση τόξου, ντίζελ και μαζούτ και ατμοσφαιρικές εκπομπές από την καύση άνθρακα και τα απόβλητα και την αποτέφρωση λάσπης Συσσώρευση νικελίου7,8.10, οι κύριες πηγές ρύπανσης του επιφανειακού εδάφους στο άμεσο και παρακείμενο περιβάλλον είναι κυρίως τα μεταλλουργεία και τα ορυχεία με βάση το νικέλιο. Το ανώτερο έδαφος γύρω από το διυλιστήριο νικελίου-χαλκού Sudbury στον Καναδά είχε τα υψηλότερα επίπεδα μόλυνσης από νικέλιο στα 26.000 mg/kg11. Σύμφωνα με τους Alms et al.12, η ποσότητα του εκχυλίσιμου νικελίου με HNO3 στην κορυφαία καλλιεργήσιμη γη της περιοχής (παραγωγή νικελίου στη Ρωσία) κυμαινόταν από 6,25 έως 136,88 mg/kg, που αντιστοιχεί σε μέσο όρο 30,43 mg/kg και σε βασική συγκέντρωση 25 mg/kg. Τα εδάφη κατά τη διάρκεια διαδοχικών καλλιεργειών μπορούν να εμποτίσουν ή να μολύνουν το έδαφος. Οι πιθανές επιδράσεις του νικελίου στον άνθρωπο μπορεί να οδηγήσουν σε καρκίνο μέσω μεταλλαξογένεσης, χρωμοσωμικών βλαβών, δημιουργίας Z-DNA, μπλοκαρισμένης επιδιόρθωσης εκτομής DNA ή επιγενετικών διεργασιών13. Σε πειράματα σε ζώα, το νικέλιο έχει βρεθεί ότι έχει τη δυνατότητα να προκαλέσει μια ποικιλία καρκινογόνων όγκων.
Οι αξιολογήσεις μόλυνσης από το έδαφος έχουν ακμάσει τα τελευταία χρόνια λόγω ενός ευρέος φάσματος ζητημάτων που σχετίζονται με την υγεία που προκύπτουν από τις σχέσεις του εδάφους-φυτών, οι βιολογικές σχέσεις του εδάφους και του εδάφους, η οικολογική αποικοδόμηση και η εκτίμηση των περιβαλλοντικών επιπτώσεων. Η πρόβλεψη της χαρτογράφησης εδάφους (DSM) έχει αποδειχθεί ότι είναι μια εξέχουσα υποδισκοπτία της επιστήμης του εδάφους.17 περιγράφουν ότι το σύγχρονο DSM ή PSM είναι η πιο αποτελεσματική τεχνική για την πρόβλεψη ή τη χαρτογράφηση της χωρικής κατανομής των PTE, των τύπων εδάφους και των ιδιοτήτων του εδάφους. Οι γεωστατιστικές και οι αλγόριθμοι μηχανικής μάθησης (MLA) είναι τεχνικές μοντελοποίησης DSM που δημιουργούν ψηφιοποιημένους χάρτες με τη βοήθεια υπολογιστών χρησιμοποιώντας σημαντικά και ελάχιστα δεδομένα.
Οι Deutsch18 και Olea19 ορίζουν τη γεωστατιστική ως «τη συλλογή αριθμητικών τεχνικών που ασχολούνται με την αναπαράσταση χωρικών χαρακτηριστικών, χρησιμοποιώντας κυρίως στοχαστικά μοντέλα, όπως το πώς η ανάλυση χρονοσειρών χαρακτηρίζει τα χρονικά δεδομένα».Κατά κύριο λόγο, η γεωστατιστική περιλαμβάνει την αξιολόγηση βαριογραμμάτων, τα οποία επιτρέπουν την ποσοτικοποίηση και τον καθορισμό των εξαρτήσεων των χωρικών τιμών από κάθε σύνολο δεδομένων20.Gumiaux et al.20 δείχνουν περαιτέρω ότι η αξιολόγηση των βαριογραμμάτων στη γεωστατιστική βασίζεται σε τρεις αρχές, συμπεριλαμβανομένου (α) τον υπολογισμό της κλίμακας συσχέτισης δεδομένων, (β) τον προσδιορισμό και τον υπολογισμό της ανισοτροπίας στην ανισοτροπία των δεδομένων και (γ) Εκτός από τη λήψη υπόψη του εγγενούς λάθους των μετρήσεων, οι τεχνικές που χρησιμοποιούνται διαχωρίζονται από τις τοπικές επιδράσεις. γεωστατιστικές, συμπεριλαμβανομένου του γενικού κρίγινγκ, του συν-κρυγκινγκ, του συνηθισμένου κρίγινγκ, του εμπειρικού κρίγινγκ Bayes, της απλής μεθόδου κρίγινγκ και άλλων γνωστών τεχνικών παρεμβολής για τη χαρτογράφηση ή την πρόβλεψη PTE, τα χαρακτηριστικά του εδάφους και τους τύπους εδάφους.
Οι αλγόριθμοι μηχανικής μάθησης (MLA) είναι μια σχετικά νέα τεχνική που χρησιμοποιεί μεγαλύτερες μη γραμμικές τάξεις δεδομένων, που τροφοδοτούνται από αλγόριθμους που χρησιμοποιούνται κυρίως για εξόρυξη δεδομένων, αναγνώριση μοτίβων στα δεδομένα και εφαρμόζονται επανειλημμένα στην ταξινόμηση σε επιστημονικά πεδία όπως η επιστήμη του εδάφους και οι εργασίες επιστροφής. Πολυάριθμες ερευνητικές εργασίες βασίζονται σε μοντέλα MLA σε μοντέλα εδάφους, όπως PTE.22 (τυχαία δάση για εκτίμηση βαρέων μετάλλων σε γεωργικά εδάφη), Sakizadeh et al.23 (μοντελοποίηση με χρήση μηχανών φορέων υποστήριξης και τεχνητά νευρωνικά δίκτυα) ρύπανση του εδάφους ).Επιπλέον, οι Vega et al.24 (ΚΑΛΑΘΙ για μοντελοποίηση κατακράτησης και προσρόφησης βαρέων μετάλλων στο έδαφος) Sun et al.25 (εφαρμογή του κυβισμού είναι η κατανομή του Cd στο έδαφος) και άλλοι αλγόριθμοι όπως k-πλησιέστερος γείτονας, γενικευμένη ενισχυμένη παλινδρόμηση και ενισχυμένη παλινδρόμηση Τα δέντρα εφάρμοσαν επίσης MLA για την πρόβλεψη PTE στο έδαφος.
Η εφαρμογή των αλγορίθμων DSM στην πρόβλεψη ή τη χαρτογράφηση αντιμετωπίζει πολλές προκλήσεις. Πολλοί συγγραφείς πιστεύουν ότι το MLA είναι ανώτερο από τη γεωστατιστική και το αντίστροφο. Αν και το ένα είναι καλύτερο από το άλλο, ο συνδυασμός των δύο βελτιώνει το επίπεδο ακρίβειας της χαρτογράφησης ή της πρόβλεψης στο DSM15. Woodcock και Gopal26 Finke27.Οι Pontius και Cheuk28 και Grunwald29 σχολιάζουν ελλείψεις και ορισμένα λάθη στην προβλεπόμενη χαρτογράφηση του εδάφους. Οι επιστήμονες του εδάφους έχουν δοκιμάσει μια ποικιλία τεχνικών για να βελτιστοποιήσουν την αποτελεσματικότητα, την ακρίβεια και την προβλεψιμότητα της χαρτογράφησης και της πρόβλεψης DSM. Ο συνδυασμός αβεβαιότητας και επαλήθευσης είναι μία από τις πολλές διαφορετικές πτυχές της μείωσης της αποτελεσματικότητας και της βελτιστοποίησης του AgSMowever.15 σκιαγραφούν ότι η συμπεριφορά επικύρωσης και η αβεβαιότητα που εισάγονται από τη δημιουργία και την πρόβλεψη χάρτη θα πρέπει να επικυρώνονται ανεξάρτητα για τη βελτίωση της ποιότητας του χάρτη. Οι περιορισμοί του DSM οφείλονται στη γεωγραφικά διάσπαρτη ποιότητα του εδάφους, η οποία περιλαμβάνει μια συνιστώσα αβεβαιότητας.Ωστόσο, η έλλειψη βεβαιότητας στο DSM μπορεί να προκύψει από πολλαπλές πηγές λάθους, δηλαδή σφάλμα συμμεταβλητής, σφάλμα μοντέλου, σφάλμα τοποθεσίας και αναλυτικό σφάλμα 31. Οι ανακρίβειες μοντελοποίησης που προκαλούνται στο MLA και στις γεωστατιστικές διαδικασίες συνδέονται με έλλειψη κατανόησης, οδηγώντας τελικά σε υπερβολική απλοποίηση του μοντέλου. παραμέτρων, προβλέψεις μαθηματικών μοντέλων ή παρεμβολή33. Πρόσφατα, εμφανίστηκε μια νέα τάση DSM που προωθεί την ενσωμάτωση της γεωστατιστικής και του MLA στη χαρτογράφηση και την πρόβλεψη. Αρκετοί εδαφολόγοι και συγγραφείς, όπως ο Sergeev et al.34;Subbotina et al.35;Οι Tarasov et al.36 και Tarasov et al.37 έχουν εκμεταλλευτεί την ακριβή ποιότητα των γεωστατιστικών και της μηχανικής μάθησης για να δημιουργήσουν υβριδικά μοντέλα που βελτιώνουν την αποτελεσματικότητα της πρόβλεψης και της χαρτογράφησης.ποιότητα. Μερικά από αυτά τα μοντέλα υβριδικών ή συνδυασμένων αλγορίθμων είναι το Τεχνητό Νευρωνικό Δίκτυο Kriging (ANN-RK), το Υπολειπόμενο Κρίγινγκ Πολυστρωματικού Perceptron (MLP-RK), το Υπολειμματικό Κρίγινγκ Νευρωνικού Δικτύου Γενικευμένης Παλινδρόμησης (GR- NNRK)36, το Τεχνητό Νευρωνικό Δίκτυο Kriging-Πολυστρωματικό Perceptron (ANN-Multilayer Perceptron)38-K-ΜΛΠ και το CoMLP38.
Σύμφωνα με τους Sergeev et al., ο συνδυασμός διαφόρων τεχνικών μοντελοποίησης έχει τη δυνατότητα να εξαλείψει ελαττώματα και να αυξήσει την αποτελεσματικότητα του προκύπτοντος υβριδικού μοντέλου αντί να αναπτύξει το ενιαίο μοντέλο του. (EBK) ως το βασικό μοντέλο και αναμείξτε το με μοντέλα Support Vector Machine (SVM) και Multiple Linear Regression (MLR). Ο υβριδισμός του EBK με οποιοδήποτε MLA δεν είναι γνωστός. Τα πολλαπλά μικτά μοντέλα που εμφανίζονται είναι συνδυασμοί συνηθισμένου, υπολειπόμενου, kriging παλινδρόμησης και MLA. EBK είναι μια γεωστατιστική μέθοδος που δεν τοπικά ισχνοποιείται ιοντικό/στάσιμο τυχαίο πεδίο με καθορισμένες παραμέτρους εντοπισμού στο χωράφι, επιτρέποντας χωρική διακύμανση39. Το EBK έχει χρησιμοποιηθεί σε ποικίλες μελέτες, συμπεριλαμβανομένης της ανάλυσης της κατανομής του οργανικού άνθρακα στα εδάφη των αγροκτημάτων40, της αξιολόγησης της ρύπανσης του εδάφους41 και της χαρτογράφησης των ιδιοτήτων του εδάφους42.
Από την άλλη πλευρά, το Self-Organizing Graph (SeOM) είναι ένας αλγόριθμος μάθησης που έχει εφαρμοστεί σε διάφορα άρθρα όπως οι Li et al.43, Wang et αϊ.44, Hossain Bhuiyan et al.45 και Kebonye et al.46 Προσδιορίστε τις χωρικές ιδιότητες και την ομαδοποίηση των στοιχείων.Wang et al.44 περιγράφουν ότι το SeOM είναι μια ισχυρή τεχνική εκμάθησης γνωστή για την ικανότητά του να ομαδοποιεί και να φαντάζεται μη γραμμικά προβλήματα. Σε αντίθεση με άλλες τεχνικές αναγνώρισης προτύπων όπως η ανάλυση κύριων συστατικών, η ασαφής ομαδοποίηση, η ιεραρχική ομαδοποίηση και η λήψη αποφάσεων πολλαπλών κριτηρίων, το SeOM είναι καλύτερο στην οργάνωση και τον εντοπισμό μοτίβων PTE. Σύμφωνα με τον Wang.44, το SeOM μπορεί να ομαδοποιήσει χωρικά την κατανομή των σχετικών νευρώνων και να παρέχει οπτικοποίηση δεδομένων υψηλής ανάλυσης. Το SeOM θα οπτικοποιήσει δεδομένα πρόβλεψης Ni για να αποκτήσει το καλύτερο μοντέλο για τον χαρακτηρισμό των αποτελεσμάτων για άμεση ερμηνεία.
Αυτή η εργασία στοχεύει στη δημιουργία ενός ισχυρού μοντέλου χαρτογράφησης με βέλτιστη ακρίβεια για την πρόβλεψη της περιεκτικότητας σε νικέλιο σε αστικά και περιαστικά εδάφη. Υποθέτουμε ότι η αξιοπιστία του μικτού μοντέλου εξαρτάται κυρίως από την επιρροή άλλων μοντέλων που συνδέονται με το βασικό μοντέλο. Αναγνωρίζουμε τις προκλήσεις που αντιμετωπίζει το DSM και ενώ αυτές οι προκλήσεις αντιμετωπίζονται εκ των προτέρων σε πολλαπλά μοντέλα στατιστικής κατάστασης al;Ως εκ τούτου, θα προσπαθήσουμε να απαντήσουμε σε ερευνητικά ερωτήματα που μπορεί να αποδώσουν μικτά μοντέλα. Ωστόσο, πόσο ακριβές είναι το μοντέλο στην πρόβλεψη του στοιχείου στόχου; Επίσης, ποιο είναι το επίπεδο αξιολόγησης απόδοσης με βάση την αξιολόγηση επικύρωσης και ακρίβειας; Επομένως, οι συγκεκριμένοι στόχοι αυτής της μελέτης ήταν (α) να δημιουργηθεί ένα μοντέλο συνδυασμένου μείγματος για SVMR ή MLR χρησιμοποιώντας το μοντέλο βάσης EBK (bK) Συγκεντρώσεις Ni σε αστικά ή περιαστικά εδάφη και (δ) την εφαρμογή SeOM για τη δημιουργία ενός χάρτη υψηλής ανάλυσης της χωρικής διακύμανσης του νικελίου.
Η μελέτη διεξάγεται στην Τσεχική Δημοκρατία, συγκεκριμένα στην περιοχή Frydek Mistek στην περιοχή Μοραβίας-Σιλεσίας (βλ. Εικόνα 1). Η γεωγραφία της περιοχής μελέτης είναι πολύ ανώμαλη και αποτελεί ως επί το πλείστον μέρος της περιοχής Μοραβίας-Σιλεσίας Beskidy, η οποία αποτελεί μέρος του εξωτερικού χείλους των Καρπαθίων Βουνών. Η περιοχή μελέτης βρίσκεται μεταξύ 49°20 ′ 4 , και το υψόμετρο είναι μεταξύ 225 και 327 m.Ωστόσο, το σύστημα ταξινόμησης Koppen για την κλιματική κατάσταση της περιοχής βαθμολογείται ως Cfb = εύκρατο ωκεάνιο κλίμα. Υπάρχουν πολλές βροχοπτώσεις ακόμη και κατά τους ξηρούς μήνες. Οι θερμοκρασίες ποικίλλουν ελαφρώς κατά τη διάρκεια του έτους μεταξύ -5 °C και 24 °C, σπάνια πέφτουν κάτω από -14 °C ή πάνω από 30 °C η μέση ετήσια βροχόπτωση είναι 7 °C. της συνολικής έκτασης είναι 1.208 τετραγωνικά χιλιόμετρα, με το 39,38% της καλλιεργούμενης γης και το 49,36% της δασικής κάλυψης. Από την άλλη πλευρά, η έκταση που χρησιμοποιείται σε αυτή τη μελέτη είναι περίπου 889,8 τετραγωνικά χιλιόμετρα. Μέσα και γύρω από την Οστράβα, η χαλυβουργία και τα μεταλλουργεία είναι πολύ ενεργές. Μύλοι μετάλλου Το νικέλιο αυξάνει την αντοχή του κράματος διατηρώντας την καλή ολκιμότητα και σκληρότητά του) και η εντατική γεωργία όπως η εφαρμογή φωσφορικών λιπασμάτων και η κτηνοτροφική παραγωγή αποτελούν ερευνητικές πιθανές πηγές νικελίου στην περιοχή (π.χ. προσθήκη νικελίου στα αρνιά για αύξηση των ρυθμών ανάπτυξης στα αρνιά και τα βοοειδή χαμηλής τροφής). Οι ιδιότητες του εδάφους διακρίνονται εύκολα από το χρώμα, τη δομή και την περιεκτικότητα σε ανθρακικά άλατα. Η υφή του εδάφους είναι μέτρια προς λεπτή, προέρχεται από το μητρικό υλικό. Έχουν κολλουβιακή, αλλουβιακή ή αιολική φύση. Ορισμένες εδαφικές περιοχές εμφανίζονται διάστικτες στην επιφάνεια και στο υπέδαφος, συχνά με σκυρόδεμα και λεύκανση. 455,1 έως 493,5 μ., οι καμπισόλες κυριαρχούν στην Τσεχία49.
Χάρτης περιοχής μελέτης [Ο χάρτης της περιοχής μελέτης δημιουργήθηκε χρησιμοποιώντας το ArcGIS Desktop (ESRI, Inc, έκδοση 10.7, URL: https://desktop.arcgis.com).]
Συνολικά λήφθηκαν 115 δείγματα επιφανειακού εδάφους από αστικά και περιαστικά εδάφη στην περιοχή Frydek Mistek. Το δείγμα που χρησιμοποιήθηκε ήταν ένα κανονικό πλέγμα με δείγματα εδάφους σε απόσταση 2 × 2 km μεταξύ τους και το φυτικό έδαφος μετρήθηκε σε βάθος 0 έως 20 cm χρησιμοποιώντας μια συσκευή GPS χειρός (Leica Zeno 5 είναι τοποθετημένη σε σακούλες και GPS). y. Τα δείγματα ξηράνθηκαν στον αέρα για να παραχθούν κονιοποιημένα δείγματα, κονιοποιήθηκαν με μηχανικό σύστημα (μύλος δίσκου Fritsch) και κοσκινίστηκαν (μέγεθος κόσκινου 2 mm). Τοποθετήστε 1 γραμμάριο ξηρών, ομογενοποιημένων και κοσκινισμένων δειγμάτων εδάφους σε σαφώς επισημασμένες φιάλες από τεφλόν. διανομέας – ένας για κάθε οξύ), καλύψτε ελαφρά και αφήστε τα δείγματα να παραμείνουν όλη τη νύχτα για την αντίδραση (πρόγραμμα aqua regia). Τοποθετήστε το υπερκείμενο σε θερμή μεταλλική πλάκα (θερμοκρασία: 100 W και 160 °C) για 2 ώρες για να διευκολυνθεί η διαδικασία πέψης των δειγμάτων, στη συνέχεια ψύξτε. το αραιωμένο υπερκείμενο σε σωλήνα PVC 50 ml με απιονισμένο νερό. Επιπλέον, 1 ml του διαλύματος αραίωσης αραιώθηκε με 9 ml απιονισμένου νερού και διηθήθηκε σε ένα σωλήνα 12 ml που παρασκευάστηκε για ψευδοσυγκέντρωση PTE. upled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) σύμφωνα με τυπικές μεθόδους και συμφωνία. Εξασφαλίστε διαδικασίες Διασφάλισης Ποιότητας και Ελέγχου (QA/QC) (SRM NIST 2711a Montana II Soil). Τα PTE με όρια ανίχνευσης κάτω από το μισό αποκλείστηκαν από αυτήν τη μελέτη. Η διαδικασία διασφάλισης ποιότητας για κάθε ανάλυση διασφαλίζεται με την ανάλυση προτύπων αναφοράς. Για να διασφαλιστεί ότι ελαχιστοποιήθηκαν τα σφάλματα, πραγματοποιήθηκε διπλή ανάλυση.
Το Empirical Bayesian Kriging (EBK) είναι μία από τις πολλές τεχνικές γεωστατιστικής παρεμβολής που χρησιμοποιούνται στη μοντελοποίηση σε διάφορα πεδία, όπως η επιστήμη του εδάφους. Σε αντίθεση με άλλες τεχνικές παρεμβολής kriging, η EBK διαφέρει από τις παραδοσιακές μεθόδους kriging λαμβάνοντας υπόψη το σφάλμα που εκτιμάται από το μοντέλο ημιβαριογράμματος. Οι τεχνικές ιονισμού ανοίγουν τη θέση τους για την αβεβαιότητα και τον προγραμματισμό που σχετίζονται με αυτήν την γραφική παράσταση του ημιβαριογράμματος που αποτελεί ένα εξαιρετικά περίπλοκο μέρος μιας επαρκούς μεθόδου kriging. Η διαδικασία παρεμβολής του EBK ακολουθεί τα τρία κριτήρια που προτείνει ο Krivoruchko50, (α) το μοντέλο εκτιμά το ημιβαριόγραμμα από το εισερχόμενο (β) τη νέα προβλεπόμενη τιμή του συνόλου δεδομένων semi. ένα προσομοιωμένο σύνολο δεδομένων. Ο κανόνας της εξίσωσης Bayes δίνεται ως μεταγενέστερος
Όπου το \(Prob\left(A\right)\) αντιπροσωπεύει την προηγούμενη, η οριακή πιθανότητα \(Prob\left(B\right)\) αγνοείται στις περισσότερες περιπτώσεις, \(Prob (B,A)\ ). , το οποίο δηλώνει πόσο πιθανό είναι να δημιουργηθεί ένα σύνολο δεδομένων παρατηρήσεων από το ημιβαριόγραμμα.
Μια μηχανή υποστήριξης διανυσμάτων είναι ένας αλγόριθμος μηχανικής μάθησης που δημιουργεί ένα βέλτιστο διαχωριστικό υπερεπίπεδο για τη διάκριση πανομοιότυπων αλλά όχι γραμμικά ανεξάρτητων κλάσεων. Ο Vapnik51 δημιούργησε τον αλγόριθμο ταξινόμησης πρόθεσης, αλλά πρόσφατα χρησιμοποιήθηκε για την επίλυση προβλημάτων προσανατολισμένων στην παλινδρόμηση. Η παλινδρόμηση – SVMR) χρησιμοποιήθηκε σε αυτήν την ανάλυση. Ο Cherkassky και ο Mulier53 πρωτοστάτησαν στο SVMR ως παλινδρόμηση βασισμένη στον πυρήνα, ο υπολογισμός του οποίου πραγματοποιήθηκε χρησιμοποιώντας ένα μοντέλο γραμμικής παλινδρόμησης με χωρικές συναρτήσεις πολλών χωρών. Ο John et al54 αναφέρει ότι η μοντελοποίηση SVMR χρησιμοποιεί regressions στους Vohland et al.55, το epsilon (ε)-SVMR χρησιμοποιεί το εκπαιδευμένο σύνολο δεδομένων για να αποκτήσει ένα μοντέλο αναπαράστασης ως συνάρτηση που δεν είναι ευαίσθητη στο έψιλον που εφαρμόζεται για να χαρτογραφήσει τα δεδομένα ανεξάρτητα με την καλύτερη προκατάληψη έψιλον από την εκπαίδευση σε συσχετισμένα δεδομένα. διανύσματα υποστήριξης. Η εξίσωση που προτείνεται από τον Vapnik51 φαίνεται παρακάτω.
όπου το b αντιπροσωπεύει το βαθμωτό όριο, το \(K\left({x}_{,}{ x}_{k}\right)\) αντιπροσωπεύει τη συνάρτηση του πυρήνα, το \(\alpha\) αντιπροσωπεύει τον πολλαπλασιαστή Lagrange, το N Αντιπροσωπεύει ένα αριθμητικό σύνολο δεδομένων, το \({x}_{k}\) αντιπροσωπεύει το σύνολο δεδομένων που χρησιμοποιείται και το M είναι η λειτουργία που χρησιμοποιείται το κλειδί \(y\ne). μια συνάρτηση ακτινικής βάσης Gaussian (RBF). Ο πυρήνας RBF εφαρμόζεται για τον προσδιορισμό του βέλτιστου μοντέλου SVMR, το οποίο είναι κρίσιμο για την απόκτηση του πιο λεπτού συνόλου ποινών παράγοντα C και παραμέτρου πυρήνα (γ) για τα δεδομένα εκπαίδευσης PTE. Αρχικά, αξιολογήσαμε το σύνολο εκπαίδευσης και στη συνέχεια δοκιμάσαμε την απόδοση του μοντέλου στο σύνολο επικύρωσης.
Ένα μοντέλο πολλαπλής γραμμικής παλινδρόμησης (MLR) είναι ένα μοντέλο παλινδρόμησης που αντιπροσωπεύει τη σχέση μεταξύ της μεταβλητής απόκρισης και ενός αριθμού μεταβλητών πρόβλεψης χρησιμοποιώντας γραμμικές συγκεντρωτικές παραμέτρους που υπολογίζονται χρησιμοποιώντας τη μέθοδο ελαχίστων τετραγώνων. Στο MLR, ένα μοντέλο ελαχίστων τετραγώνων είναι μια προγνωστική συνάρτηση των ιδιοτήτων του εδάφους μετά από επιλογή επεξηγηματικών μεταβλητών. σχέση με τις επεξηγηματικές μεταβλητές.Η εξίσωση MLR είναι
όπου y είναι η μεταβλητή απόκρισης, \(a\) είναι η τομή, n είναι ο αριθμός των προβλέψεων, \({b}_{1}\) είναι η μερική παλινδρόμηση των συντελεστών, \({x}_{ i}\) αντιπροσωπεύει μια προγνωστική ή επεξηγηματική μεταβλητή και το \({\varepsilon }_{i}\) αντιπροσωπεύει επίσης το reid, γνωστό ως το μοντέλο.
Τα μικτά μοντέλα λήφθηκαν με σάντουιτς EBK με SVMR και MLR. Αυτό γίνεται εξάγοντας τις προβλεπόμενες τιμές από την παρεμβολή EBK. KMg.Συνολικά, οι μεταβλητές που ελήφθησαν είναι Ca, K, Mg, CaK, CaMg, KMg και CaKMg. Αυτές οι μεταβλητές έγιναν οι προγνωστικοί μας παράγοντες, βοηθώντας στην πρόβλεψη των συγκεντρώσεων νικελίου σε αστικά και περιαστικά εδάφη. Ο αλγόριθμος SVMR εκτελέστηκε στους προγνωστικούς παράγοντες για να ληφθεί ένα μικτό μοντέλο KrijingSimictorSimiable-Simictory-Mvaricalup. s διοχετεύονται επίσης μέσω του αλγόριθμου MLR για τη λήψη ενός μικτού μοντέλου Εμπειρική Bayesian Kriging-Πολλαπλή Γραμμική Παλινδρόμηση (EBK_MLR). Συνήθως, οι μεταβλητές Ca, K, Mg, CaK, CaMg, KMg και CaKMg χρησιμοποιούνται ως συμμεταβλητές. _MLR) θα οπτικοποιηθεί στη συνέχεια χρησιμοποιώντας ένα γράφημα αυτο-οργάνωσης. Η ροή εργασίας αυτής της μελέτης φαίνεται στο Σχήμα 2.
Η χρήση του SeOM έχει γίνει ένα δημοφιλές εργαλείο για την οργάνωση, αξιολόγηση και πρόβλεψη δεδομένων στον χρηματοοικονομικό τομέα, την υγειονομική περίθαλψη, τη βιομηχανία, τις στατιστικές, την επιστήμη του εδάφους και άλλα. put-dimensional vector variables43,56.Melssen et al.57 περιγράφουν τη σύνδεση ενός διανύσματος εισόδου σε ένα νευρωνικό δίκτυο μέσω ενός μόνο στρώματος εισόδου σε ένα διάνυσμα εξόδου με ένα ενιαίο διάνυσμα βάρους. Η έξοδος που δημιουργείται από το SeOM είναι ένας δισδιάστατος χάρτης που αποτελείται από διαφορετικούς νευρώνες ή κόμβους υφασμένους σε εξαγωνικούς, κυκλικούς ή τετράγωνους τοπολογικούς χάρτες σύμφωνα με την εγγύτητά τους. Επιλέγονται 0,086 και 0,904, αντίστοιχα, που είναι μια μονάδα 55 χαρτών (5 × 11). Η δομή του νευρώνα προσδιορίζεται σύμφωνα με τον αριθμό των κόμβων στην εμπειρική εξίσωση
Ο αριθμός των δεδομένων που χρησιμοποιήθηκαν σε αυτήν τη μελέτη είναι 115 δείγματα. Χρησιμοποιήθηκε μια τυχαία προσέγγιση για τον διαχωρισμό των δεδομένων σε δεδομένα δοκιμής (25% για επικύρωση) και σε σύνολα δεδομένων εκπαίδευσης (75% για βαθμονόμηση). Το σύνολο δεδομένων εκπαίδευσης χρησιμοποιείται για τη δημιουργία του μοντέλου παλινδρόμησης (βαθμονόμηση) και το σύνολο δεδομένων δοκιμής χρησιμοποιείται για την επαλήθευση της ικανότητας γενίκευσης58. d διαδικασία διασταυρούμενης επικύρωσης, επαναλαμβανόμενη πέντε φορές. Οι μεταβλητές που παράγονται από παρεμβολή EBK χρησιμοποιούνται ως προγνωστικές ή επεξηγηματικές μεταβλητές για την πρόβλεψη της μεταβλητής στόχου (PTE). Η μοντελοποίηση γίνεται στο RStudio χρησιμοποιώντας τη βιβλιοθήκη πακέτων(Kohonen), library(caret), library(modelr), library("e1071" libraryol),"pl. ”) και βιβλιοθήκες (“Metrics”).
Χρησιμοποιήθηκαν διάφορες παράμετροι επικύρωσης για τον προσδιορισμό του καλύτερου μοντέλου που είναι κατάλληλο για την πρόβλεψη των συγκεντρώσεων νικελίου στο έδαφος και για την αξιολόγηση της ακρίβειας του μοντέλου και της επικύρωσής του. Τα μοντέλα υβριδισμού αξιολογήθηκαν χρησιμοποιώντας μέσο απόλυτο σφάλμα (MAE), μέσο τετραγωνικό σφάλμα ρίζας (RMSE) και προσδιορισμό R-τετράγωνο ή συντελεστή (R2). σε ανεξάρτητα μέτρα περιγράφουν την προγνωστική ισχύ του μοντέλου, ενώ το MAE καθορίζει την πραγματική ποσοτική τιμή. Η τιμή R2 πρέπει να είναι υψηλή για να αξιολογηθεί το καλύτερο μοντέλο μείγματος χρησιμοποιώντας τις παραμέτρους επικύρωσης, όσο πιο κοντά είναι η τιμή στο 1, τόσο μεγαλύτερη είναι η ακρίβεια. Σύμφωνα με τους Li et al.59, μια τιμή κριτηρίου R2 0,75 ή μεγαλύτερη θεωρείται καλός προγνωστικός παράγοντας.από 0,5 έως 0,75 είναι αποδεκτή απόδοση μοντέλου και κάτω από 0,5 είναι απαράδεκτη απόδοση μοντέλου. Κατά την επιλογή ενός μοντέλου χρησιμοποιώντας τις μεθόδους αξιολόγησης των κριτηρίων επικύρωσης RMSE και MAE, οι χαμηλότερες τιμές που ελήφθησαν ήταν επαρκείς και θεωρήθηκαν η καλύτερη επιλογή. Η ακόλουθη εξίσωση περιγράφει τη μέθοδο επαλήθευσης.
όπου το n αντιπροσωπεύει το μέγεθος της παρατηρούμενης τιμής\({Y}_{i}\) αντιπροσωπεύει τη μετρούμενη απόκριση και το \({\widehat{Y}}_{i}\) αντιπροσωπεύει επίσης την προβλεπόμενη τιμή απόκρισης, επομένως, για τις πρώτες παρατηρήσεις i.
Οι στατιστικές περιγραφές των μεταβλητών πρόβλεψης και απόκρισης παρουσιάζονται στον Πίνακα 1, δείχνοντας μέση, τυπική απόκλιση (SD), συντελεστή διακύμανσης (CV), ελάχιστο, μέγιστο, κύρτωση και λοξότητα. Οι ελάχιστες και οι μέγιστες τιμές των στοιχείων είναι σε φθίνουσα σειρά Mg < Ca < K < Ni και Ca < Mg < K < Ni, αντίστοιχα. 86 έως 42,39 mg/kg. Σύγκριση του Ni με τον παγκόσμιο μέσο όρο (29 mg/kg) και τον ευρωπαϊκό μέσο όρο (37 mg/kg) έδειξε ότι ο συνολικός υπολογισμένος γεωμετρικός μέσος όρος για την περιοχή μελέτης ήταν εντός του ανεκτού εύρους. Ωστόσο, όπως φαίνεται από το Kabata-Pendias11, μια σύγκριση της τρέχουσας μέσης συγκέντρωσης του εδάφους (σε τρέχουσα μέση μελέτη εδάφους). Ομοίως, η μέση συγκέντρωση του Frydek Mistek σε αστικά και περιαστικά εδάφη στην τρέχουσα μελέτη (Ni 16,15 mg/kg) ήταν υψηλότερη από το επιτρεπόμενο όριο των 60 (10,2 mg/kg) για το Ni σε πολωνικά αστικά εδάφη που αναφέρθηκε από τους Różański et al.Furthermore, Ni 16,15 mg/kg εδάφη στην Τοσκάνη σε σύγκριση με την τρέχουσα μελέτη. Ο Jim62 βρήκε επίσης χαμηλότερη συγκέντρωση νικελίου (12,34 mg/kg) στα αστικά εδάφη του Χονγκ Κονγκ, η οποία είναι χαμηλότερη από την τρέχουσα συγκέντρωση νικελίου σε αυτή τη μελέτη. Οι Birke et al63 ανέφεραν μέση συγκέντρωση Ni 17,6 mg/kg σε μια παλιά εξόρυξη και αστική βιομηχανική περιοχή. 16,15 mg/kg). Τρέχουσα έρευνα. Η υπερβολική περιεκτικότητα σε νικέλιο σε εδάφη σε ορισμένες αστικές και προαστιακές περιοχές της περιοχής μελέτης μπορεί να αποδοθεί κυρίως στη βιομηχανία σιδήρου και χάλυβα και στη βιομηχανία μετάλλων. Αυτό συμφωνεί με τη μελέτη των Khodadoust et al.64 ότι η χαλυβουργία και η μεταλλουργία είναι οι κύριες πηγές μόλυνσης από νικέλιο στα εδάφη.Ωστόσο, οι προγνωστικοί παράγοντες κυμαίνονταν επίσης από 538,70 mg/kg έως 69.161,80 mg/kg για Ca, 497,51 mg/kg έως 3535,68 mg/kg έως 3535,68 mg/kg για 7,5 mg/kg για K.6,5 mg/kg για K.6. Οι Mg.Jakovljevic et al.65 ερεύνησαν τη συνολική περιεκτικότητα σε Mg και K των εδαφών στην κεντρική Σερβία. Βρήκαν ότι οι συνολικές συγκεντρώσεις (410 mg/kg και 400 mg/kg, αντίστοιχα) ήταν χαμηλότερες από τις συγκεντρώσεις Mg και K της τρέχουσας μελέτης. Αδιάκριτα, στην ανατολική Πολωνία, οι Orzechowski και Smolczynski έδειξαν ότι η συνολική περιεκτικότητα και η μέση συγκέντρωση Mg1 και η μέση περιεκτικότητα σε Mg1 του Ca g), Mg (590 mg/kg) και K (810 mg/kg) Η περιεκτικότητα στο φυτικό έδαφος είναι χαμηλότερη από το μεμονωμένο στοιχείο σε αυτή τη μελέτη. Μια πρόσφατη μελέτη των Pongrac et al.67 έδειξε ότι η συνολική περιεκτικότητα σε Ca που αναλύθηκε σε 3 διαφορετικά εδάφη στη Σκωτία, στο Ηνωμένο Βασίλειο (έδαφος Mylnefield, έδαφος Balruddery και έδαφος Hartwood) έδειξε υψηλότερη περιεκτικότητα σε Ca σε αυτή τη μελέτη.
Λόγω των διαφορετικών μετρούμενων συγκεντρώσεων των στοιχείων του δείγματος, οι κατανομές των συνόλων δεδομένων των στοιχείων παρουσιάζουν διαφορετική λοξότητα. Η λοξότητα και η κύρτωση των στοιχείων κυμαίνονταν από 1,53 έως 7,24 και 2,49 έως 54,16, αντίστοιχα. Όλα τα υπολογιζόμενα στοιχεία έχουν λοξότητα και επίπεδα κύρτωσης πάνω από +1, υποδεικνύοντας έτσι ότι τα δεδομένα κατανομής είναι ορθά και ρυθμιζόμενα με βάση το +1. Τα s των στοιχείων δείχνουν επίσης ότι το K, Mg και Ni εμφανίζουν μέτρια μεταβλητότητα, ενώ το Ca έχει εξαιρετικά υψηλή μεταβλητότητα. Τα CV των K, Ni και Mg εξηγούν την ομοιόμορφη κατανομή τους. Επιπλέον, η κατανομή Ca είναι ανομοιόμορφη και εξωτερικές πηγές μπορεί να επηρεάσουν το επίπεδο εμπλουτισμού του.
Η συσχέτιση των μεταβλητών πρόβλεψης με τα στοιχεία απόκρισης έδειξε μια ικανοποιητική συσχέτιση μεταξύ των στοιχείων (βλ. Εικόνα 3). Η συσχέτιση έδειξε ότι το CaK εμφάνισε μέτρια συσχέτιση με τιμή r = 0,53, όπως και το CaNi. Αν και το Ca και το K δείχνουν μέτριες συσχετίσεις μεταξύ τους, ερευνητές όπως ο al. Kingston.68 και Santo69 προτείνουν ότι τα επίπεδά τους στο έδαφος είναι αντιστρόφως ανάλογα. Ωστόσο, το Ca και το Mg είναι ανταγωνιστικά με το Κ, αλλά το CaK συσχετίζεται καλά. Αυτό μπορεί να οφείλεται στην εφαρμογή λιπασμάτων όπως το ανθρακικό κάλιο, το οποίο είναι 56% υψηλότερο σε κάλιο. δύο στοιχεία συνδέονται στενά επειδή το θειικό κάλιο μαγνήσιο, το νιτρικό κάλιο μαγνήσιο και η ποτάσα εφαρμόζονται στα εδάφη για να αυξηθούν τα επίπεδα ανεπάρκειάς τους. Το νικέλιο συσχετίζεται μέτρια με τα Ca, K και Mg με τιμές r = 0,52, 0,63 και 0,63 και 0,55, αντίστοιχα, όπως οι συσχετίσεις του cal και TE, αντίστοιχα. , αλλά παρόλα αυτά, το μαγνήσιο αναστέλλει την απορρόφηση του ασβεστίου, το ασβέστιο μειώνει τις επιπτώσεις της περίσσειας μαγνησίου και τόσο το μαγνήσιο όσο και το ασβέστιο μειώνουν τις τοξικές επιδράσεις του νικελίου στο έδαφος.
Πίνακας συσχέτισης για στοιχεία που δείχνει τη σχέση μεταξύ προγνωστικών και αποκρίσεων (Σημείωση: αυτό το σχήμα περιλαμβάνει ένα διάγραμμα διασποράς μεταξύ των στοιχείων, τα επίπεδα σημαντικότητας βασίζονται στο p < 0,001).
Το Σχήμα 4 απεικονίζει τη χωρική κατανομή των στοιχείων. Σύμφωνα με τους Burgos et al. πιθανόν λόγω της χρήσης άσβεστου (οξειδίου του ασβεστίου) για τη μείωση της οξύτητας του εδάφους και της χρήσης του σε χαλυβουργεία ως αλκαλικό οξυγόνο στη διαδικασία παραγωγής χάλυβα. Από την άλλη πλευρά, άλλοι αγρότες προτιμούν να χρησιμοποιούν υδροξείδιο του ασβεστίου σε όξινα εδάφη για να εξουδετερώσουν το pH, το οποίο αυξάνει επίσης την περιεκτικότητα σε ασβέστιο του εδάφους71. Το μοτίβο συχνότητας προς υψηλό κάλιο μπορεί να οφείλεται σε εφαρμογές NPK και ποτάσας. Αυτό είναι σύμφωνο με άλλες μελέτες, όπως Madaras and Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, οι οποίοι παρατήρησαν ότι η σταθεροποίηση του εδάφους και η επεξεργασία με υψηλή περιεκτικότητα σε KCl και KPK οδήγησαν στο χώμα σε υψηλή περιεκτικότητα σε KCl και NPK.Ο χωρικός εμπλουτισμός καλίου στα βορειοδυτικά του χάρτη κατανομής μπορεί να οφείλεται στη χρήση λιπασμάτων με βάση το κάλιο, όπως χλωριούχο κάλιο, θειικό κάλιο, νιτρικό κάλιο, ποτάσα και ποτάσα για την αύξηση της περιεκτικότητας σε κάλιο των φτωχών εδαφών .Zádorov.76 και Tlustoš et al.77 υπογράμμισε ότι η εφαρμογή λιπασμάτων με βάση το Κ αύξησε την περιεκτικότητα σε Κ στο έδαφος και θα αύξανε σημαντικά την περιεκτικότητα σε θρεπτικά συστατικά του εδάφους μακροπρόθεσμα, ειδικά K και Mg που δείχνουν ένα θερμό σημείο στο έδαφος. Σχετικά μέτρια hotspots στα βορειοδυτικά του χάρτη και στα νοτιοανατολικά του χάρτη. στη χλώρωση. Λιπάσματα με βάση το μαγνήσιο, όπως το θειικό κάλιο μαγνήσιο, το θειικό μαγνήσιο και ο κισερίτης, αντιμετωπίζουν ελλείψεις (τα φυτά εμφανίζονται μωβ, κόκκινα ή καφέ, υποδηλώνοντας έλλειψη μαγνησίου) σε εδάφη με φυσιολογικό εύρος pH6. και τη σημασία του νικελίου στην παραγωγή ανοξείδωτου χάλυβα78.
Χωρική κατανομή στοιχείων [ο χωρικός χάρτης κατανομής δημιουργήθηκε χρησιμοποιώντας το ArcGIS Desktop (ESRI, Inc, Έκδοση 10.7, URL: https://desktop.arcgis.com).]
Τα αποτελέσματα του δείκτη απόδοσης του μοντέλου για τα στοιχεία που χρησιμοποιούνται σε αυτήν τη μελέτη φαίνονται στον Πίνακα 2. Από την άλλη πλευρά, τα RMSE και MAE του Ni είναι και τα δύο κοντά στο μηδέν (0,86 RMSE, -0,08 MAE). Τα RMSE και MAE αυτής της μελέτης που χρησιμοποιούν το EBK για την πρόβλεψη του Ni βρέθηκαν να είναι καλύτερα από τα αποτελέσματα των John et al.54 με τη χρήση συνεργιστικού kriging για την πρόβλεψη των συγκεντρώσεων S στο έδαφος χρησιμοποιώντας τα ίδια συλλεγμένα δεδομένα. Τα αποτελέσματα EBK που μελετήσαμε συσχετίζονται με αυτά των Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et αϊ.81 και John et al.82, ιδιαίτερα Κ και Νι.
Η απόδοση μεμονωμένων μεθόδων για την πρόβλεψη της περιεκτικότητας σε νικέλιο σε αστικά και περιαστικά εδάφη αξιολογήθηκε χρησιμοποιώντας την απόδοση των μοντέλων (Πίνακας 3). Η επικύρωση και η αξιολόγηση του μοντέλου επιβεβαίωσαν ότι ο προγνωστικός παράγοντας Ca_Mg_K σε συνδυασμό με το μοντέλο EBK SVMR απέδωσε την καλύτερη απόδοση. Μοντέλο βαθμονόμησης (Ca_Mg_K-EBK) MAE) ήταν 0,637 (R2), 95,479 mg/kg (RMSE) και 77,368 mg/kg (MAE) Ca_Mg_K-SVMR ήταν 0,663 (R2), 235,974 mg/kg (RMSE) και 166,946 mg/kg (RMSE), λήφθηκε 166,946 mg/kg για το R-2kg. SVMR (0,663 mg/kg R2) και Ca_Mg-EBK_SVMR (0,643 = R2);Τα αποτελέσματά τους RMSE και MAE ήταν υψηλότερα από εκείνα για το Ca_Mg_K-EBK_SVMR (R2 0,637) (βλ. Πίνακα 3). Επιπλέον, το RMSE και το MAE του Ca_Mg-EBK_SVMR (RMSE = 1664,64 και MAE = 1031,49 είναι αντίστοιχα μεγαλύτερα από το μοντέλο και είναι αντίστοιχα μεγαλύτερα από τα 5). Ca_Mg_K-EBK_SVMR. Ομοίως, τα RMSE και MAE του μοντέλου Ca_Mg-K SVMR (RMSE = 235.974 και MAE = 166.946) είναι 2,5 και 2,2 μεγαλύτερα από αυτά του συνόλου Ca_Mg_K-EBK_SVM. είναι με τη γραμμή της καλύτερης προσαρμογής.Παρατηρήθηκαν υψηλότερα RSME και MAE.Σύμφωνα με τους Kebonye et al.46 και John et al.54, όσο πιο κοντά είναι τα RMSE και MAE στο μηδέν, τόσο καλύτερα τα αποτελέσματα. Τα SVMR και EBK_SVMR έχουν υψηλότερες κβαντισμένες τιμές RSME και MAE. Παρατηρήθηκε ότι οι εκτιμήσεις RSME ήταν σταθερά υψηλότερες από τις τιμές MAE, υποδεικνύοντας την παρουσία ακραίων τιμών. Συνιστάται ως δείκτης παρουσίας ακραίων τιμών. Αυτό σημαίνει ότι όσο πιο ετερογενές είναι το σύνολο δεδομένων, τόσο υψηλότερες είναι οι τιμές MAE και RMSE. Η ακρίβεια της αξιολόγησης διασταυρούμενης επικύρωσης του μικτού μοντέλου Ca_Mg_K-EBK_SVMR για την πρόβλεψη της περιεκτικότητας σε Ni σε αστικά και προάστια εδάφη ήταν 63,70%. Σύμφωνα με το Li .59, αυτό το επίπεδο ακρίβειας είναι ένα αποδεκτό ποσοστό απόδοσης του μοντέλου. Τα παρόντα αποτελέσματα συγκρίνονται με μια προηγούμενη μελέτη των Tarasov et al.36 του οποίου το υβριδικό μοντέλο δημιούργησε το MLPRK (Multilayer Perceptron Residual Kriging), που σχετίζεται με τον δείκτη αξιολόγησης ακρίβειας EBK_SVMR που αναφέρθηκε στην τρέχουσα μελέτη, το RMSE (210) και το MAE (167,5) ήταν υψηλότερα από τα αποτελέσματά μας στην τρέχουσα μελέτη (RMSE 95.479, MAE 77). με αυτόν των Tarasov et al.36 (0,544), είναι σαφές ότι ο συντελεστής προσδιορισμού (R2) είναι υψηλότερος σε αυτό το μικτό μοντέλο. Το περιθώριο σφάλματος (RMSE και MAE) (EBK SVMR) για το μικτό μοντέλο είναι δύο φορές χαμηλότερο. Ομοίως, οι Sergeev et al.34 κατέγραψαν 0,28 (R2) για το μοντέλο που αναπτύχθηκε το Perult Results. 0,637 (R2). Το επίπεδο ακρίβειας πρόβλεψης αυτού του μοντέλου (EBK SVMR) είναι 63,7%, ενώ η ακρίβεια πρόβλεψης που ελήφθη από τους Sergeev et al.34 είναι 28%.Ο τελικός χάρτης (Εικ. 5) που δημιουργήθηκε χρησιμοποιώντας το μοντέλο EBK_SVMR και Ca_Mg_K ως πρόβλεψη δείχνει προβλέψεις θερμών σημείων και μέτριου έως νικελίου σε ολόκληρη την περιοχή μελέτης. Αυτό σημαίνει ότι η συγκέντρωση νικελίου στην περιοχή μελέτης είναι κυρίως μέτρια, με υψηλότερες συγκεντρώσεις σε ορισμένες συγκεκριμένες περιοχές.
Ο τελικός χάρτης πρόβλεψης αναπαρίσταται χρησιμοποιώντας το υβριδικό μοντέλο EBK_SVMR και χρησιμοποιώντας Ca_Mg_K ως πρόβλεψη.[Ο χάρτης χωρικής κατανομής δημιουργήθηκε χρησιμοποιώντας το RStudio (έκδοση 1.4.1717: https://www.rstudio.com/).]
Στο Σχήμα 6 παρουσιάζονται συγκεντρώσεις PTE ως επίπεδο σύνθεσης που αποτελείται από μεμονωμένους νευρώνες. Κανένα από τα επίπεδα συστατικών δεν εμφάνισε το ίδιο χρωματικό σχέδιο όπως φαίνεται. Ωστόσο, ο κατάλληλος αριθμός νευρώνων ανά σχεδιασμένο χάρτη είναι 55. Το SeOM παράγεται χρησιμοποιώντας μια ποικιλία χρωμάτων και όσο πιο παρόμοια είναι τα χρωματικά μοτίβα, τόσο πιο συγκρίσιμες οι ιδιότητες των μεμονωμένων δειγμάτων χρώματος, το Kag κλιμάκωση των επιμέρους στοιχείων χρώματος και τα παρόμοια στοιχεία χρώματος M. μοτίβα στους μεμονωμένους υψηλούς νευρώνες και στους περισσότερους χαμηλούς νευρώνες. Έτσι, το CaK και το CaMg μοιράζονται ορισμένες ομοιότητες με νευρώνες πολύ υψηλής τάξης και χαμηλού έως μέτριου χρωματικού μοτίβου. Και τα δύο μοντέλα προβλέπουν τη συγκέντρωση Ni στο έδαφος εμφανίζοντας μεσαίες έως υψηλές αποχρώσεις χρωμάτων όπως κόκκινο, πορτοκαλί και κίτρινο. Το μοντέλο KMg εμφανίζει πολλά σχέδια υψηλής ακρίβειας χρώματος και χαμηλή κλίμακα χρώματος με βάση την ακριβή αναλογία χρωμάτων σε χαμηλή κλίμακα. Το σχέδιο κατανομής των συστατικών του μοντέλου έδειξε υψηλό χρωματικό μοτίβο που υποδεικνύει τη δυνητική συγκέντρωση νικελίου στο έδαφος (βλ. Εικόνα 4). Το επίπεδο συστατικού μοντέλου CakMg εμφανίζει ένα διαφορετικό χρωματικό σχέδιο από χαμηλό σε υψηλό σύμφωνα με μια ακριβή χρωματική κλίμακα. Επιπλέον, η πρόβλεψη του μοντέλου της περιεκτικότητας σε νικέλιο (CakMg) είναι παρόμοια με τη χωρική αναλογία που φαίνεται στη χαμηλή αναλογία Fig. συγκεντρώσεις νικελίου σε αστικά και περιαστικά εδάφη. Το Σχήμα 7 απεικονίζει τη μέθοδο περιγράμματος στην ομαδοποίηση k-means στον χάρτη, χωρισμένη σε τρεις ομάδες με βάση την προβλεπόμενη τιμή σε κάθε μοντέλο. Η μέθοδος περιγράμματος αντιπροσωπεύει τον βέλτιστο αριθμό συστάδων. Από τα 115 δείγματα εδάφους που συλλέχθηκαν, η κατηγορία 1 έλαβε τα περισσότερα δείγματα εδάφους sterlu 3. η κατηγορία 1 έλαβε τα περισσότερα δείγματα εδάφους sterluC. s. Ο επίπεδος συνδυασμός πρόβλεψης επτά συστατικών απλοποιήθηκε για να επιτρέψει τη σωστή ερμηνεία συστάδων. Λόγω των πολυάριθμων ανθρωπογενών και φυσικών διεργασιών που επηρεάζουν το σχηματισμό του εδάφους, είναι δύσκολο να υπάρχουν σωστά διαφοροποιημένα μοτίβα συστάδων σε έναν κατανεμημένο χάρτη SeOM78.
Έξοδος επιπέδου στοιχείων από κάθε μεταβλητή Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Οι χάρτες SeOM δημιουργήθηκαν χρησιμοποιώντας το RStudio (έκδοση 1.4.1717: https://www.rstudio.com/).]
Διαφορετικά στοιχεία ταξινόμησης συμπλέγματος [Οι χάρτες SeOM δημιουργήθηκαν χρησιμοποιώντας το RStudio (έκδοση 1.4.1717: https://www.rstudio.com/).]
Η τρέχουσα μελέτη δείχνει ξεκάθαρα τεχνικές μοντελοποίησης για συγκεντρώσεις νικελίου σε αστικά και περιαστικά εδάφη. Η μελέτη εξέτασε διαφορετικές τεχνικές μοντελοποίησης, συνδυάζοντας στοιχεία με τεχνικές μοντελοποίησης, για να ληφθεί ο καλύτερος τρόπος πρόβλεψης των συγκεντρώσεων νικελίου στο έδαφος. Ο χάρτης επιβεβαιώνει την επίπεδη χωρική κατανομή των συστατικών που παρουσιάζεται από το EBK_SVMR (βλ. Εικόνα 5). Τα αποτελέσματα δείχνουν ότι το μοντέλο παλινδρόμησης μηχανής διανύσματος υποστήριξης (Ca Mg K-SVMR) προβλέπει τη συγκέντρωση του Ni στο έδαφος ως μεμονωμένο μοντέλο, αλλά οι παράμετροι αξιολόγησης επικύρωσης και ακρίβειας δείχνουν πολύ υψηλά σφάλματα από την τεχνική MAKORM σε όρους χρήσης του μοντέλου other_EMLn Το μοντέλο είναι επίσης ελαττωματικό λόγω της χαμηλής τιμής του συντελεστή προσδιορισμού (R2). Καλά αποτελέσματα λήφθηκαν χρησιμοποιώντας EBK SVMR και συνδυασμένα στοιχεία (CaKMg) με σφάλματα χαμηλού RMSE και MAE με ακρίβεια 63,7%. Αποδεικνύεται ότι ο συνδυασμός του EBK αλγόριθμου μπορεί να δημιουργήσει τον αλγόριθμο algorithm algorithm σε έναν αλγόριθμο μηχανικής μάθησης. Τα αποτελέσματα δείχνουν ότι η χρήση Ca Mg K ως προβλέψεων για την πρόβλεψη των συγκεντρώσεων Ni στην περιοχή μελέτης μπορεί να βελτιώσει την πρόβλεψη του Ni στα εδάφη. Αυτό σημαίνει ότι η συνεχής εφαρμογή λιπασμάτων με βάση το νικέλιο και η βιομηχανική ρύπανση του εδάφους από τη χαλυβουργία έχει μια τάση να αυξάνει τη συγκέντρωση νικελίου στο έδαφος. Γενικά, προτείνουμε την εφαρμογή του μοντέλου EBK-SVMR για την αξιολόγηση και την πρόβλεψη PTE στο έδαφος.Επιπλέον, προτείνουμε τη χρήση EBK για υβριδισμό με διάφορους αλγόριθμους μηχανικής μάθησης. Οι συγκεντρώσεις Ni προβλέφθηκαν χρησιμοποιώντας στοιχεία ως συμμεταβλητές.Ωστόσο, η χρήση περισσότερων συμμεταβλητών θα βελτίωνε σημαντικά την απόδοση του μοντέλου, κάτι που μπορεί να θεωρηθεί περιορισμός της τρέχουσας εργασίας. Ένας άλλος περιορισμός αυτής της μελέτης είναι ότι ο αριθμός των συνόλων δεδομένων είναι 115. Επομένως, εάν παρέχονται περισσότερα δεδομένα, η απόδοση της προτεινόμενης βελτιστοποιημένης μεθόδου υβριδισμού μπορεί να βελτιωθεί.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Πρόσβαση στις 28 Απριλίου 2021).
Kasprzak, KS Nickel προόδους στη σύγχρονη περιβαλλοντική τοξικολογία.περιβάλλοντα.τοξικολογία.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Μια ανασκόπηση των πηγών του και της περιβαλλοντικής τοξικολογίας. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Εισαγωγή ρύπων από την ατμόσφαιρα και συσσώρευση στο έδαφος και τη βλάστηση κοντά σε ένα μεταλλουργείο νικελίου-χαλκού στο Sudbury, Οντάριο, Καναδάς.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Βαρέα μέταλλα στο έδαφος, φυτά και κίνδυνοι που σχετίζονται με τη βοσκή μηρυκαστικών κοντά στο ορυχείο χαλκού-νικελίου Selebi-Phikwe στη Μποτσουάνα.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-0281-009).
Cabata-Pendias.Kabata-Pendias A. 2011. Ιχνοστοιχεία στο έδαφος και… – Google Scholar https://scholar.google.com/scholar?hl=el&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+New+th+Scholar. NY%29%3A+CRC+Press&btnG= (Πρόσβαση στις 24 Νοεμβρίου 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Επιδράσεις της ρωσικής βιομηχανίας νικελίου σε συγκεντρώσεις βαρέων μετάλλων σε γεωργικά εδάφη και χόρτα στο Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Η απορρόφηση και η κατακράτηση νικελίου στο πόσιμο νερό σχετίζονται με την πρόσληψη τροφής και την ευαισθησία στο νικέλιο.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Ανάλυση τάσης δυνητικά τοξικών στοιχείων: βιβλιομετρική ανασκόπηση. 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 land 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=el&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C λήγει στις 28 Απριλίου 2021).
Ώρα δημοσίευσης: 22 Ιουλίου 2022