Dankon pro vizito de Nature.com.La retumila versio, kiun vi uzas, havas limigitan subtenon por CSS.Por la plej bona sperto, ni rekomendas, ke vi uzu ĝisdatigitan retumilon (aŭ malŝaltu kongruecreĝimon en Internet Explorer).Dume, por certigi daŭran subtenon, ni montros la retejon sen stiloj kaj JavaScript.
Grunda poluado estas granda problemo kaŭzita de homaj aktivecoj.La spaca distribuado de potenciale toksaj elementoj (PTE) varias en la plej multaj urbaj kaj ĉirkaŭurbaj areoj. Tial estas malfacile antaŭvidi la enhavon de PTE en tiaj grundoj. Entute 115 specimenoj estis akiritaj de Frydek Mistek en Ĉeĥio. indukte kunligita plasmo-emisiospektrometrio.La respondvariablo estas Ni kaj la prognoziloj estas Ca, Mg, kaj K.La korelacia matrico inter la respondvariablo kaj la prognoza variablo montras kontentigan korelacion inter la elementoj.La prognozorezultoj montris, ke Support Vector Machine Regression (SVMR) funkciis bone, kvankam ĝia laŭtaksa radika mezuma kvadrata eraro (RMSE) (235,974 mg/kg) (235,974 mg)/mg/mg/mg/mg. estis pli altaj ol la aliaj metodoj aplikitaj.Miksitaj modeloj por Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) rezultas malbone, kiel pruvas per koeficientoj de determino malpli ol 0.1.La Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) modelo estis la plej bona modelo, kun malalta valoro de RMSE (95.) kaj RMSE (95.) mg/379. s ​​kaj alta koeficiento de determino (R2 = 0.637).La EBK-SVMR-modeliga tekniko eligo estas bildigita uzante mem-organizan mapo.Clustered neŭronoj en la ebeno de la hibrida modelo CakMg-EBK-SVMR-komponento montras multoblajn kolorpadronojn kiuj antaŭdiras Ni-koncentriĝojn en urbaj kaj ĉirkaŭurbaj grundoj.La rezultoj montras efikan koncentriĝon en urbaj kaj perurbaj grundoj. urbaj grundoj.
Nikelo (Ni) estas konsiderita mikronutraĵo por plantoj ĉar ĝi kontribuas al atmosfera nitrogena fiksado (N) kaj ureometabolo, kiuj ambaŭ estas bezonataj por semĝermado. Krom ĝia kontribuo al semĝermado, Ni povas funkcii kiel funga kaj bakteria inhibilo kaj antaŭenigi plantodisvolviĝon. La manko de nikelo en la grundo permesas al la planto sorbi ĝin, ekz. El-bazitaj sterkoj por optimumigi nitrogenan fiksadon2.Daŭra aplikado de nikel-bazitaj sterkoj por riĉigi la grundon kaj pliigi la kapablon de legomoj fiksi nitrogenon en la grundo senĉese pliigas la nikelan koncentriĝon en la grundo.Kvankam nikelo estas mikronutraĵo por plantoj, ĝia troa konsumado en la grundo povas fari pli da damaĝo ol bono. kiel esenca nutraĵo por plantokresko1.Laŭ Liu3, Ni estis trovita esti la 17-a grava elemento bezonata por planto-disvolviĝo kaj kresko.Krome al la rolo de nikelo en planto-disvolviĝo kaj kresko, homoj bezonas ĝin por diversaj aplikoj.Electroplating, la produktado de nikelo-bazitaj alojoj, kaj la fabrikado de ŝalti aparatoj kaj sparkiloj ĉiuj postulas en la industria aloja industrio bazita en diversaj alojoj aldono en la industria aloja nikelaldono. kaj electroplated artikoloj estis vaste uzataj en kuirilaro, balsalonaj akcesoraĵoj, nutraĵa industrio provizoj, elektra, drato kaj kablo, jetturbinoj, kirurgiaj enplantaĵoj, teksaĵoj, kaj ŝipkonstruado5.Ni-riĉaj niveloj en grundoj (t.e., surfacaj grundoj) estis atribuitaj al kaj antropogenaj kaj naturaj fontoj, sed ĉefe, Ni estas natura fonto de vulgaraj fontoj prefere ol antropogenaj fontoj de vulgaraj naturaj fontoj. vegetaĵaro, arbaraj fajroj kaj geologiaj procezoj;tamen, antropogenaj fontoj inkluzivas nikelajn/kadmiajn bateriojn en la ŝtalindustrio, electroplating, arkveldado, dizelo kaj fueloleoj, kaj atmosferaj emisioj de karbbruligo kaj rubo kaj ŝlimo forbruligo Nikelamasiĝo7,8.Laŭ Freedman kaj Hutchinson9 kaj Manyiwa et al.10, la ĉefaj fontoj de supra grundopoluado en la tuja kaj apuda medio estas ĉefe nikel-kupro-bazitaj fandejoj kaj minoj.La supra grundo ĉirkaŭ la Sudbury-nikel-kupra rafinejo en Kanado havis la plej altajn nivelojn de nikelpoluado je 26,000 mg/kg11.En kontrasto, poluado de norvega koncentriĝo rezultigis pli altan produktadon de alnikelo en Rusio. ms et al.12, la kvanto de HNO3-ekstraktebla nikelo en la plej alta kultivebla tero de la regiono (nikela produktado en Rusio) variis de 6,25 ĝis 136,88 mg/kg, respondante al meznombro de 30,43 mg/kg kaj bazlinia koncentriĝo de 25 mg/kg.Laŭ kabata 11, la aplikado de fosforigaj enurbaj sterkoj dum sezono de fosforaj sofor-urbaj sterkoj en agrikulturo sinsekve en la 11-a jaro. s povas infuzi aŭ polui la grundon.La eblaj efikoj de nikelo en homoj povas konduki al kancero per mutagenezo, kromosoma damaĝo, Z-DNA-generacio, blokita DNA-detranĉa riparo, aŭ epigenetikaj procezoj13.En bestaj eksperimentoj, oni trovis, ke nikelo havas la potencialon kaŭzi diversajn tumorojn, kaj karcinogenaj nikelaj kompleksoj povas eksacerigi tumorojn.
Takso de grunda poluado prosperis en la lastaj tempoj pro vasta gamo de sano-rilataj aferoj devenanta de grundo-plantaj rilatoj, grundo- kaj biologiaj rilatoj, ekologia degenero kaj media efiko. tive soil mapping (PSM).Laŭ Minasny kaj McBratney16, prognoza soilmapping (DSM) pruvis esti elstara subdisciplino de grundscienco.Lagacherie kaj McBratney, 2006 difinas DSM kiel "la kreadon kaj plenigon de spacaj grundaj informsistemoj helpe de surloke kaj laboratorioj observaj metodoj kaj ne-spaciaj observaj metodoj kaj spaciaj metodoj.17 skizas, ke la nuntempa DSM aŭ PSM estas la plej efika tekniko por antaŭdiri aŭ mapi la spacan distribuadon de PTE-oj, grundotipoj kaj grundotrajtoj.Geostatistiko kaj Machine Learning Algorithms (MLA) estas DSM-modelaj teknikoj kiuj kreas ciferecigitajn mapojn helpe de komputiloj uzantaj signifajn kaj minimumajn datumojn.
Deutsch18 kaj Olea19 difinas geostatistikon kiel "la kolekton de nombraj teknikoj kiuj traktas la reprezentadon de spacaj atributoj, plejparte utiligante stokastikajn modelojn, kiel ekzemple kiel temposerianalizo karakterizas tempajn datenojn."Ĉefe, geostatistiko implikas la taksadon de variogramoj, kiuj permesas Kvantigi kaj difini la dependecojn de spacaj valoroj de ĉiu datumaro20.Gumiaux et al.20 plue ilustras, ke la taksado de variogramoj en geostatistiko baziĝas sur tri principoj, inkluzive de (a) komputado de la skalo de datumkorelacio, (b) identigado kaj komputado de anizotropio en datumaro malegaleco kaj (c) krom konsidero de la eneca eraro de la mezurdatenoj apartigitaj de la lokaj efikoj, la areaj efikoj estas ankaŭ uzataj pri kriging koncepto, multaj Konstrui-efektoj estas uzataj en ĝeneralaj kalkuloj pri geostatistiko. ko-kriging, ordinara kriging, empiria Bayesian kriging, simpla kriging metodo kaj aliaj konataj interpolaj teknikoj por mapi aŭ antaŭdiri PTE, grundokarakterizaĵojn, kaj grundotipojn.
Maŝinlernado-Algoritmoj (MLA) estas relative nova tekniko kiu utiligas pli grandajn ne-liniajn datumklasojn, nutritajn de algoritmoj ĉefe uzataj por datenminado, identigante ŝablonojn en datenoj, kaj plurfoje aplikitaj al klasifiko en sciencaj kampoj kiel ekzemple grundscienco kaj resendaj taskoj. Multnombraj esplorartikoloj dependas de MLA-modeloj por antaŭdiri kiel ekzemple PTE en Tan et al.22 (hazardaj arbaroj por pezmetala takso en agrikulturaj grundoj), Sakizadeh et al.23 (modelado uzante subtenajn vektorajn maŝinojn kaj artefaritajn neŭralaj retoj) grundopoluado ).Krome, Vega et al.24 (ĈARO por modeligado de pezmetala reteno kaj adsorbado en grundo) Sun et al.25 (apliko de kubisto estas la distribuado de Cd en grundo) kaj aliaj algoritmoj kiel ekzemple k-plej proksima najbaro, ĝeneraligita akcelita regreso, kaj akcelita regreso Arboj ankaŭ aplikis MLA por antaŭdiri PTE en grundo.
La aplikado de DSM-algoritmoj en prognozo aŭ mapado alfrontas plurajn defiojn.Multaj aŭtoroj opinias, ke MLA superas geostatistikon kaj inverse.Kvankam unu estas pli bona ol la alia, la kombinaĵo de la du plibonigas la nivelon de precizeco de mapado aŭ antaŭdiro en DSM15.Woodcock kaj Gopal26 Finke27;Pontius kaj Cheuk28 kaj Grunwald29 komentas mankojn kaj iujn erarojn en antaŭvidita grundomapado.Grosciencistoj provis diversajn teknikojn por optimumigi la efikecon, precizecon kaj antaŭvideblecon de DSM-mapado kaj prognozo.La kombinaĵo de necerteco kaj konfirmo estas unu el multaj malsamaj aspektoj integritaj en DSM kaj malpliigi la efikecon.15 skizas ke la validuma konduto kaj necerteco enkondukitaj per mapkreado kaj antaŭdiro devus esti sendepende validigitaj por plibonigi mapkvaliton. La limigoj de la DSM ŝuldiĝas al geografie disigita grundokvalito, kiu implikas komponenton de necerteco;tamen, la manko de certeco en la DSM povas ekestiĝi de multoblaj fontoj de eraro, nome kovarianta eraro, modeleraro, lokaeraro, kaj analiza Eraro 31.Modelaj malprecizecoj induktitaj en MLA kaj geostatistikaj procezoj estas rilataj al manko de kompreno, finfine kondukante al trosimpligo de la reala procezo32. Sendepende de la naturo de la modeligado de modeloj, parametroj, neprecizecoj estas atribuitaj al modelado, parametroj aŭ neprecizecoj. interpolado33.Lastatempe aperis nova DSM-tendenco, kiu promocias la integriĝon de geostatistiko kaj MLA en mapado kaj prognozo.Pluraj grundaj sciencistoj kaj aŭtoroj, kiel Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 kaj Tarasov et al.37 ekspluatis la precizan kvaliton de geostatistiko kaj maŝinlernado por generi hibridajn modelojn, kiuj plibonigas la efikecon de prognozado kaj mapado.kvalito.Kelkaj el ĉi tiuj hibridaj aŭ kombinitaj algoritmo-modeloj estas Artefarita Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Ĝeneraligita Regression Neural Network Residual Kriging (GR- NNRK)36, Artefarita Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 kaj Regression Co-MLP-Process37.
Laŭ Sergeev et al., kombini diversajn modeligajn teknikojn havas la eblecon elimini difektojn kaj pliigi la efikecon de la rezulta hibrida modelo prefere ol evoluigi ĝian ununuran modelon. En ĉi tiu kunteksto, ĉi tiu nova artikolo argumentas, ke necesas apliki kombinitan algoritmon de geostatistiko kaj MLA por krei optimumajn hibridajn modelojn por antaŭdiri Ni-riĉigon en urbaj kaj ĉirkaŭurbaj areoj. Maŝino (SVM) kaj Multobla Lineara Regresio (MLR) modeloj. Hibridigo de EBK kun iu MLA ne estas konata. La multoblaj miksitaj modeloj viditaj estas kombinaĵoj de ordinara, resta, regresa kriging, kaj MLA.EBK estas geostatistika interpola metodo kiu utiligas space stokastikan procezon kiu estas lokalizita kiel ne-senmova parametroj kun difinaj kampoj de variaj, difinaj parametroj por spaciaj kampoj. .EBK estis uzata en diversaj studoj, inkluzive de analizado de la distribuo de organika karbono en farm-grundoj40, taksado de grunda poluo41 kaj mapado de grundaj trajtoj42.
Aliflanke, Self-Organizing Graph (SeOM) estas lerna algoritmo kiu estis aplikita en diversaj artikoloj kiel ekzemple Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 kaj Kebonye et al.46 Determini la spacajn atributojn kaj grupigon de elementoj.Wang et al.44 skizas ke SeOM estas potenca lerna tekniko konata pro sia kapablo grupigi kaj imagi ne-liniajn problemojn. Male al aliaj padronrekonoteknikoj kiel ekzemple ĉefkomponentanalizo, malklarkontura kunigo, hierarkia grupigo kaj plurkriteria decidofarado, SeOM pli bone organizas kaj identigas PTE-padronojn.Laŭ Wang et al.44, SeOM povas space grupigi la distribuadon de rilataj neŭronoj kaj provizi alt-rezolucian datuman bildigon.SeOM bildigos Ni-prognozajn datumojn por akiri la plej bonan modelon por karakterizi la rezultojn por rekta interpreto.
Ĉi tiu artikolo celas generi fortikan mapan modelon kun optimuma precizeco por antaŭdiri nikelenhavon en urbaj kaj ĉirkaŭurbaj grundoj.Ni hipotezas, ke la fidindeco de la miksita modelo plejparte dependas de la influo de aliaj modeloj alkroĉitaj al la bazmodelo.Ni agnoskas la defiojn alfrontantajn la DSM, kaj dum ĉi tiuj defioj estas traktitaj sur multoblaj frontoj en geomodeloj, la pliiĝaj kombinaĵoj de geomodeloj aperas kiel pliigaj statistikoj kaj progresoj en MLA;tial, ni provos respondi esplordemandojn kiuj povas doni miksitajn modelojn.Tamen, kiom preciza estas la modelo ĉe antaŭdiro de la cela elemento?Ankaŭ, kia estas la nivelo de efikeco-taksado bazita sur validumado kaj precizeca taksado?Tial, la specifaj celoj de ĉi tiu studo estis (a) krei kombinitan miksaĵmodelon por SVMR aŭ MLR uzante EBK (koncentriĝomodelon) proponante la plej bonan modelon de antaŭdiro por kompari la modelon de koncentriĝo por kompari la modelon de EBK. en urbaj aŭ ĉirkaŭurbaj grundoj, kaj (d) la apliko de SeOM por krei alt-rezolucian mapon de nikela spaca vario.
La studo estas farata en Ĉeĥio, specife en la distrikto Frydek Mistek en la Moravia-Silezia regiono (vidu figuron 1).La geografio de la studa areo estas tre kruda kaj plejparte estas parto de la Moravia-Silezia Beskidy-regiono, kiu estas parto de la ekstera rando de Karpataj Montoj.La studa areo situas inter 49° 20′ 20′ 20′ 20′ 20′ 20′ 20′ 20′ 20′ 20′ 25 kaj 327 m;tamen, la Koppen klasifika sistemo por la klimata stato de la regiono estas taksita kiel Cfb = temperita oceana klimato, Estas multe da pluvokvanto eĉ en la sekaj monatoj. Temperaturoj varias iomete tra la jaro inter −5 °C kaj 24 °C, malofte falas sub −14 °C aŭ super 30 °C, dum la averaĝa jara tuta enketo estas inter 528 mm kaj areo estas ĉirkaŭ 7 la ĉirkaŭkalkulata areo. 1.208 kvadrataj kilometroj, kun 39,38% de la kultivita tero kaj 49,36% de la arbara kovrado.Aliflanke, la areo uzata en ĉi tiu studo estas ĉirkaŭ 889,8 kvadrataj kilometroj.En kaj ĉirkaŭ Ostrava, la ŝtalindustrio kaj metalfabrikoj estas tre aktivaj.Metalmuelejoj, la ŝtalindustrio, kie oni uzas nikelo-reziston al korodo (ekz. aloja rezisto al nikelo) (ekz. la forto de la alojo konservante ĝian bonan muldeblecon kaj fortikecon), kaj intensa agrikulturo kiel ekzemple fosfata sterko-apliko kaj brutproduktado estas esploraj potencialaj fontoj de nikelo en la regiono (ekz., aldonado de nikelo al ŝafidoj por pliigi kreskorapidecojn en ŝafidoj kaj malaltmanĝaj brutaro). Aliaj industriaj uzoj de nikelo en esploraj areoj inkluzivas ĝian uzon en senelektroteksaĵo kaj distingeblaj trajtoj de elektroteksaĵo kaj tajlado facile distingeblas. grunda koloro, strukturo kaj karbonatenhavo.La grunda teksturo estas meza ĝis fajna, derivita de la gepatra materialo.Ili estas koluviaj, aluviaj aŭ eolaj en naturo.Kelkaj grundaj areoj aperas makulitaj en la surfaco kaj subgrundo, ofte kun betono kaj blankigado.Tamen, kambisoloj kaj stagnosoloj estas la plej oftaj grundotipoj en la regiono de 34548.154548. kambisoloj regas Ĉeĥion49.
Studa areomapo [La studa areomapo estis kreita per ArcGIS Desktop (ESRI, Inc, versio 10.7, URL: https://desktop.arcgis.com).]
Entute 115 supragrundoprovaĵoj estis akiritaj de urbaj kaj ĉirkaŭurbaj grundoj en la Frydek Mistek-distrikto. La specimena ŝablono uzita estis regula krado kun grundaj specimenoj interspacigitaj 2 × 2 km, kaj supra grundo estis mezurita je profundo de 0 ĝis 20 cm uzante porteblan GPS-aparaton (Leica Zeno 5 GPS). specimenoj estis aersekigitaj por produkti pulverigitajn specimenojn, pulverigitajn per mekanika sistemo (Fritsch-diska muelejo), kaj kribritaj (kribrilgrandeco 2 mm). Metu 1 gramon da sekigitaj, homogenigitaj kaj kribritaj grundaj specimenoj en klare etikeditaj teflonaj boteloj. En ĉiu Teflona vazo, dispezu 7 ml da 35% Hcl por aŭtomata dispensado de 35% HCl. ĉiu acido), kovru malpeze kaj lasu la specimenojn stari dum la nokto por la reago (akva regia programo).Metu la supernatante sur varma metala plato (temperaturo: 100 W kaj 160 °C) dum 2 h por faciligi la digesta procezo de la specimenoj, tiam malvarmigi.Transloki la supernatant al 50 ml volumetra flakon, difluita de 50 ml de akvo defluo al 50 ml superflua filtrilo. en 50 ml PVC-tubon kun dejonigita akvo.Aldone, 1 ml de la dilua solvaĵo estis diluita per 9 ml da dejonigita akvo kaj filtrita en 12 ml-tubon preparitan por PTE-pseŭdokoncentriĝo.La koncentriĝoj de PTEoj (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, KCP-O estis determinita per Optimaĵo, Mg,KP-O). Spectroscopy) (Thermo Fisher Scientific, Usono) laŭ normaj metodoj kaj interkonsento. Certigu Quality Assurance and Control (QA/QC) proceduroj (SRM NIST 2711a Montana II Soil).PTE-oj kun detektlimoj sub duono estis ekskluditaj de ĉi tiu studo.La detektolimo de la PTE uzata en ĉi tiu studo estis 0.00004.Kvalita kontrolo por ĉiu analizo certigas aldone la kvalito-kontrolo. ing referencaj normoj.Por certigi ke eraroj estas minimumigitaj, duobla analizo estis farita.
Empirical Bayesian Kriging (EBK) estas unu el multaj geostatistikaj interpolaj teknikoj uzitaj en modeligado en diversaj kampoj kiel ekzemple grundscienco. Male al aliaj kriging-interpolaj teknikoj, EBK diferencas de tradiciaj kriging-metodoj per konsiderado de la eraro taksita per la duonvariograma modelo. En EBK-interpolado, pluraj duonvariogramaj modeloj estas komputitaj dum interpolado kaj unuopaj teknikoj, prefere kun interpolado kaj necerteco, faras la metodojn de interpolado kaj necerteco. ĉi tiu grafikaĵo de la duonvariogramo, kiu konsistigas tre kompleksan parton de sufiĉa kriging-metodo. La interpola procezo de EBK sekvas la tri kriteriojn proponitajn de Krivoruchko50, (a) la modelo taksas la duonvariogramon el la eniga datumaro (b) la novan antaŭviditan valoron por ĉiu eniga datumarloko bazita sur la generita duonvariogramo kaj (c) la fina modelo estas donita de la postaĵa simulado de Bayo estas donita aro.
Kie \(Prob\left(A\right)\) reprezentas la antaŭan, \(Prob\left(B\right)\) marĝena probableco estas ignorita en la plej multaj kazoj, \(Prob (B,A)\ ). s kiom verŝajne estas krei datumaron de observoj el la duonvariogramo.
Subtena vektora maŝino estas maŝina lernado-algoritmo, kiu generas optimuman apartigantan hiperebenon por distingi identajn sed ne lineare sendependajn klasojn.Vapnik51 kreis la intencan klasifikan algoritmon, sed ĝi ĵus estis uzata por solvi regres-orientitajn problemojn.Laŭ Li et al.52, SVM estas unu el la plej bonaj klasifikteknikoj kaj estis uzata en diversaj regresaj komponantoj de SVM en ĉi tiu Vektoro. analizo.Cherkassky kaj ​​Mulier53 iniciatis SVMR kiel kern-bazita regreso, kies komputado estis farita uzante linearan regresan modelon kun plurlandaj spacaj funkcioj.John et al54 raportas, ke SVMR-modeligado utiligas hiperplanan linearan regreson, kiu kreas neliniajn rilatojn kaj permesas spacajn funkciojn.55, epsilono (ε)-SVMR uzas la trejnitan datumseron por akiri reprezentmodelon kiel epsilon-sensivan funkcion kiu estas aplikata por mapi la datenojn sendepende kun la plej bona epsilonbiaso de trejnado sur korelaciitaj datumoj. La antaŭfiksita distanceraro estas ignorita de la fakta valoro, kaj se la eraro estas pli granda ol ε (ε), la grundaj proprietoj ankaŭ kompensas la datumon de epsilono subtenas al la komplekso de subtena modelo. kvacio proponita de Vapnik51 estas montrita malsupre.
kie b reprezentas la skalaran sojlon, \(K\left({x}_{,}{ x}_{k}\right)\) reprezentas la kernan funkcion, \(\alpha\) reprezentas la Lagrange-multiplikaton, N Reprezentas nombran datumseron, \({x}_{k}\) reprezentas datenenigon, kaj \(y\) estas la datenproduktaĵo, kiu estas la ŝlosila operacio, kiu SV radiano Gaunel estas uzata. bazfunkcio (RBF).La RBF-kerno estas aplikata por determini la optimuman SVMR-modelon, kiu estas kritika por akiri la plej subtilan punan aron faktoron C kaj kernan parametron gama (γ) por la PTE-trejnaddatumoj.Unue, ni taksis la trejnan aron kaj poste testis la modelan agadon sur la validiga aro.La direkta parametro uzata estas sigma kaj la metodovaloro estas svRadials.
Multobla lineara regresa modelo (MLR) estas regresa modelo, kiu reprezentas la rilaton inter la respondvariablo kaj kelkaj prognozaj variabloj per uzado de linearaj kunigitaj parametroj kalkulitaj per la metodo de malplej kvadrataj. En MLR, modelo de malplej kvadrataj estas prognoza funkcio de grundaj propraĵoj post elekto de klarigaj variabloj. Estas necese uzi la respondon por establi liniaran rilaton per la klariganta variablo kun la linia interrilato. LR-ekvacio estas
kie y estas la respondvariablo, \(a\) estas la interkapto, n estas la nombro da prognoziloj, \({b}_{1}\) estas la parta regreso de la koeficientoj, \({x}_{ i}\) reprezentas prognozilon aŭ klarigan variablon, kaj \({\varepsilon }_{i}\) reprezentas la eraron en la modelo, ankaŭ konata kiel la restaĵo.
Miksitaj modeloj estis akiritaj per sandviĉo de EBK kun SVMR kaj MLR. Ĉi tio estas farita per eltiro de antaŭviditaj valoroj el EBK-interpolado. La antaŭviditaj valoroj akiritaj de la interpolitaj Ca, K kaj Mg estas akiritaj per kombineca procezo por akiri novajn variablojn, kiel CaK, CaMg kaj KMg. La elementoj Ca, K, kaj Mg estas akiritaj la kvara variaj, tiam la variaj Ca, K kaj Mg estas akiritaj de la kvara variaj CaM. , K, Mg, CaK, CaMg, KMg kaj CaKMg.Ĉi tiuj variabloj fariĝis niaj prognoziloj, helpante antaŭdiri nikelkoncentriĝojn en urbaj kaj ĉirkaŭurbaj grundoj.La SVMR-algoritmo estis farita sur la antaŭdiroj por akiri miksitan modelon Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM) ankaŭ estas empirika algoritma miksaĵo por akiri MLR-algoritmon por la variablo. ian Kriging-Multiple Linear Regression (EBK_MLR).Tipe, la variabloj Ca, K, Mg, CaK, CaMg, KMg, kaj CaKMg estas uzataj kiel kunvariaĵoj kiel antaŭdiroj de Ni-enhavo en urbaj kaj perurbaj grundoj.La plej akceptebla modelo akirita (EBK_SVM aŭ EBK_MLR) estos tiam studata mem-organizita per ĉi tiu grafikaĵo.
Uzado de SeOM fariĝis populara ilo por organizi, taksi kaj prognozi datumojn en la financa sektoro, sanservo, industrio, statistiko, pedologio kaj pli. SeOM estas kreita per artefaritaj neŭralaj retoj kaj nekontrolitaj lernmetodoj por organizo, taksado kaj antaŭdiro. En ĉi tiu studo, SeOM estis uzata por bildigi Ni-koncentriĝojn bazitajn sur la plej bona modelo por antaŭdiri Ni-urbajn procezojn en vektoroj kaj enigaĵoj en vektoro. variabloj43,56.Melssen et al.57 priskribas la ligon de eniga vektoro en neŭralan reton per ununura enirtavolo al produktaĵvektoro kun ununura pezvektoro.La eligo generita de SeOM estas dudimensia mapo konsistanta el malsamaj neŭronoj aŭ nodoj teksitaj en sesangulajn, cirkulajn aŭ kvadratajn topologiajn mapojn laŭ ilia proksimeco.Komparante mapgrandecojn bazitajn sur metrika, kvantiga eraro (QE) kaj topografa modeleraro (TE),4090. ly, estas elektita, kio estas 55-mapa unuo (5 × 11). La neŭrona strukturo estas determinita laŭ la nombro da nodoj en la empiria ekvacio.
La nombro da datumoj uzataj en ĉi tiu studo estas 115 specimenoj. Hazarda aliro estis uzata por dividi la datumojn en testajn datumojn (25% por validumado) kaj trejnajn datumajn arojn (75% por kalibrado). La trejna datumo estas uzata por generi la regresan modelon (kalibrado), kaj la testa datumaro estas uzata por kontroli la ĝeneraligan kapablon. validadprocezo, ripetita kvin fojojn.La variabloj produktitaj per EBK-interpolado estas uzataj kiel prognoziloj aŭ klarigaj variabloj por antaŭdiri la celvariablon (PTE).Modelado estas pritraktata en RStudio uzante la pakaĵbibliotekon (Kohonen), library(caret), library(modelr), library ("e1071″), library ("plyr"), library ("plyr") kaj prospektobiblioteko ("plyr"). .
Diversaj validumparametroj estis uzitaj por determini la plej bonan modelon taŭgan por antaŭdiri nikelkoncentriĝojn en grundo kaj taksi la precizecon de la modelo kaj ĝia validumado.Hibridigaj modeloj estis taksitaj uzante averaĝan absolutan eraron (MAE), radikan averaĝan kvadratan eraron (RMSE), kaj R-kvadratan aŭ koeficientan determinon (R2). prognoza potenco de la modelo, dum MAE determinas la realan kvantan valoron.La R2-valoro devas esti alta por taksi la plej bonan miksaĵan modelon uzante la validigajn parametrojn, ju pli proksima la valoro estas al 1, des pli alta la precizeco.Laŭ Li et al.59, R2 kriteriovaloro de 0.75 aŭ pli granda estas konsiderita bona prognozilo;de 0,5 ĝis 0,75 estas akceptebla modela agado, kaj sub 0,5 estas neakceptebla modela agado. Kiam oni elektas modelon per la taksadmetodoj de RMSE kaj MAE-validigaj kriterioj, la pli malaltaj valoroj akiritaj estis sufiĉaj kaj estis konsideritaj la plej bona elekto. La sekva ekvacio priskribas la konfirmmetodon.
kie n reprezentas la grandecon de la observita valoro\({Y}_{i}\) reprezentas la mezuran respondon, kaj \({\widehat{Y}}_{i}\) ankaŭ reprezentas la antaŭviditan respondvaloron, tial, por la unuaj i observoj.
Statistikaj priskriboj de prognozaj kaj respondaj variabloj estas prezentitaj en Tabelo 1, montrante mezumon, norman devion (SD), koeficienton de variado (CV), minimumon, maksimumon, kurtozon kaj skewness. La minimumaj kaj maksimumaj valoroj de la elementoj estas en malkreskanta ordo de Mg < Ca < K < Ni kaj Ca < Mg < K < Ni, respektive. 39 mg/kg.Komparo de Ni kun la monda mezumo (29 mg/kg) kaj la eŭropa mezumo (37 mg/kg) montris, ke la totala kalkulita geometria meznombro por la studa areo estis ene de la tolerebla intervalo.Tamen, kiel montrite de Kabata-Pendias11, komparo de la meza nikelo (Ni) koncentriĝo en la nuna studo kun agrikulturaj mezumoj montras, ke la nuna koncentriĝo de agrikulturaj mezumoj estas la pli alta koncentriĝo de S-Liweden en la nuna koncentriĝo de S-Liweden. dek Mistek en urbaj kaj perurbaj grundoj en la nuna studo (Ni 16.15 mg/kg) estis pli alta ol la alleblas limo de 60 (10.2 mg/kg) por Ni en polaj urbaj grundoj raportitaj de Różański et al.Furthermore, Bretzel kaj Calderisi61 registris tre malaltajn averaĝajn Ni-koncentriĝojn (1.78 mg/kg) ankaŭ trovis pli malaltajn en urbaj studaĵoj komparitaj al Tusca. nikelkoncentriĝo (12,34 mg/kg) en Honkongaj urbaj grundoj, kiu estas pli malalta ol la nuna nikelo koncentriĝo en ĉi tiu studo.Birke et al63 raportis mezan Ni-koncentriĝon de 17,6 mg/kg en malnova minindustria kaj urba industria areo en Saksio-Anhalto, Germanio, kiu estis 1,45 mg/kg pli alta ol la averaĝa Ni-koncentriĝo en la areo. antaŭurbaj areoj de la studregiono povas esti plejparte atribuitaj al la fer-ŝtalindustrio kaj metalindustrio. Ĉi tio kongruas kun la studo de Khodadoust et al.64 ke la ŝtalindustrio kaj metalprilaborado estas la ĉefaj fontoj de nikela poluado en grundoj.Tamen, la antaŭdiroj ankaŭ variis de 538,70 mg/kg ĝis 69,161,80 mg/kg por Ca, 497,51 mg/kg ĝis 3535,68 mg/kg por K, kaj 685,68 mg/kg por K, kaj 685,685 mg/kg/kg por K, kaj 685,68 mg/kg/kg. .65 esploris la totalan Mg kaj K enhavon de grundoj en centra Serbio. Ili trovis, ke la totalaj koncentriĝoj (410 mg/kg kaj 400 mg/kg, respektive) estis pli malaltaj ol la Mg kaj K koncentriĝoj de la aktuala studo. 590 mg/kg) kaj k (810 mg/kg) La enhavo en la supro estas pli malalta ol la ununura elemento en ĉi tiu studo. Lastatempa studo de Pongrac et al.67 montris, ke la totala Ca enhavo analizita en 3 malsamaj grundoj en Skotlando, UK (Mylnefield-grundo, Balruddery-grundo kaj Hartwood-grundo) indikis pli altan Ca-enhavon en ĉi tiu studo.
Pro la malsamaj mezuritaj koncentriĝoj de la provitaj elementoj, la datumaraj distribuoj de la elementoj elmontras malsaman deformadon.La deformeco kaj kurtozo de la elementoj intervalis de 1,53 ĝis 7,24 kaj 2,49 ĝis 54,16, respektive.Ĉiuj kalkulitaj elementoj havas dekliniĝecon kaj kurtozo-nivelojn super +1, tiel indikante la ĝustan direkton de la skew-datumo laŭtaksa CV, ke la skew-datumo estas neregula en la ĝusta direkto de la taksita distribuo. la elementoj ankaŭ montras ke K, Mg, kaj Ni elmontras moderan ŝanĝeblecon, dum Ca havas ekstreme altan ŝanĝeblecon. La CV-oj de K, Ni kaj Mg klarigas ilian unuforman distribuon. Krome, la Ca-distribuo estas neunuforma kaj eksteraj fontoj povas influi ĝian riĉignivelon.
La korelacio de la antaŭdiraj variabloj kun la respondaj elementoj indikis kontentigan korelacion inter la elementoj (vidu Figuro 3).La korelacio indikis, ke CaK elmontris moderan korelacion kun r-valoro = 0.53, same kiel CaNi.Kvankam Ca kaj K montras modestajn asociojn inter si, esploristoj kiel Kingston et al.68 kaj Santo69 sugestas, ke iliaj niveloj en grundo estas inverse proporciaj.Tamen, Ca kaj Mg estas antagonismaj al K, sed CaK bone korelacias.Tio povas esti pro la aplikado de sterkoj kiel kalia karbonato, kiu estas 56% pli alta en kalio.Kalio estis modere korelaciita kun magnezio (KM 63, ar tiuj du elementoj proksime rilatas al magnezio (KM 63). um sulfato, kalio-magnezionitrato kaj kalio estas aplikataj al grundoj por pliigi iliajn mankonivelojn.Nikel estas modere korelaciita kun Ca, K kaj Mg kun r-valoroj = 0,52, 0,63 kaj 0,55, respektive.La rilatoj implikantaj kalcion, magnezion, kaj PTE-ojn reduktas la komplekson de nikelo, absceso kaj seninhibicio de kalcio, sed seninhibicio de kalcio. de troa magnezio, kaj ambaŭ magnezio kaj kalcio reduktas la toksajn efikojn de nikelo en grundo.
Korelacia matrico por elementoj montrantaj la rilaton inter prognoziloj kaj respondoj (Noto: ĉi tiu figuro inkluzivas disvastigon inter elementoj, signifoniveloj baziĝas sur p < 0,001).
Figuro 4 ilustras la spacan distribuadon de elementoj.Laŭ Burgos et al70, la aplikado de spaca distribuo estas tekniko uzata por kvantigi kaj reliefigi varmajn punktojn en poluitaj areoj.La riĉigaj niveloj de Ca en Fig. 4 videblas en la nordokcidenta parto de la spaca distribua mapo. oksido) por redukti la grundan acidecon kaj ĝian uzon en ŝtalfabrikoj kiel alkala oksigeno en la ŝtalfaradprocezo. Aliflanke, aliaj kamparanoj preferas uzi kalcian hidroksidon en acidaj grundoj por neŭtraligi pH, kiu ankaŭ pliigas la kalcian enhavon de la grundo71.Kalio ankaŭ montras varmajn punktojn en la nordokcidento kaj oriento de la mapo. NPK kaj kalio-aplikoj.Ĉi tio kongruas kun aliaj studoj, kiel Madaras kaj Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, kiuj observis, ke grundostabiligo kaj traktado kun KCl kaj NPK rezultigis altan K-enhavon en la grundo.Spaca Kalia riĉiĝo en la nordokcidento de la distribua mapo povas esti pro la uzo de kalio-bazitaj sterkoj kiel kalioklorido, kaliosulfato, kalionitrato, kalio kaj kalio por pliigi la kalioenhavon de malriĉaj grundoj.Zádorová et al.76 kaj Tlustoš et al.77 skizis, ke la aplikado de K-bazitaj sterkoj pliigis la K-enhavon en la grundo kaj signife pliigus la grundan nutraĵenhavon longtempe, precipe K kaj Mg montrante varman punkton en la grundo. Relative moderaj varmpunktoj en la nordokcidento de la mapo kaj la sudoriento de la mapo.Koloida fiksado en grundo malplenigas la koncentriĝon de magnezio en flava grundo en magnezio malplenigas la koncentriĝon de intermagnezio en la grundo. klorozo.Magnezio-bazitaj sterkoj, kiel kalia magnezia sulfato, magnezia sulfato kaj Kieserito, traktas mankojn (plantoj aperas purpuraj, ruaj a brunaj, indikante magnezian mankon) en grundoj kun normala pH-intervalo6.La amaso de nikelo sur urbaj kaj perurbaj grundaj surfacoj povas esti pro tia, kia la graveco de agrikulturo neoksidebla produktad87 en agrikulturo neoksidebla ŝtalo.
Spaca distribuado de elementoj [spaca distribua mapo estis kreita per ArcGIS Desktop (ESRI, Inc, Versio 10.7, URL: https://desktop.arcgis.com).]
La modelaj agado-indekrezultoj por la elementoj uzataj en ĉi tiu studo estas montritaj en Tabelo 2. Aliflanke, la RMSE kaj MAE de Ni estas ambaŭ proksimaj al nulo (0.86 RMSE, -0.08 MAE). Aliflanke, ambaŭ RMSE kaj MAE-valoroj de K estas akcepteblaj.RMSE kaj MAE-rezultoj estis pli grandaj por kalcio kaj magnezio. ĉi tiu studo uzante EBK por antaŭdiri Ni estis trovitaj esti pli bona ol la rezultoj de John et al.54 uzante sinergian kriging por antaŭdiri S-koncentriĝojn en grundo uzante la samajn kolektitajn datumojn. La EBK-produktaĵoj, kiujn ni studis, korelacias kun tiuj de Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 kaj John et al.82, precipe K kaj Ni.
La agado de individuaj metodoj por antaŭdiri nikelenhavon en urbaj kaj perurbaj grundoj estis taksita uzante la agadon de la modeloj (Tabelo 3).Modela validumado kaj precizeca taksado konfirmis, ke la prognozilo Ca_Mg_K kombinita kun la EBK SVMR-modelo donis la plej bonan rendimenton.Kalibrado modelo Ca_Mg_K-EBK_SVMR estis absoluta eraro (eraro mean) kaj kvadrata eraro R2, RMSE. 7 (R2), 95,479 mg/kg (RMSE) kaj 77,368 mg/kg (MAE) Ca_Mg_K-SVMR estis 0,663 (R2), 235,974 mg/kg (RMSE) kaj 166,946 mg/kg (MAE). _Mg-EBK_SVMR (0,643 = R2);iliaj RMSE kaj MAE-rezultoj estis pli altaj ol tiuj por Ca_Mg_K-EBK_SVMR (R2 0.637) (vidu Tabelon 3). Krome, la RMSE kaj MAE de la Ca_Mg-EBK_SVMR (RMSE = 1664.64 kaj MAE = 1031.49) modelo estas 17.4 el _EBK_M respektive, kiuj estas 17.4-K_M pli grandaj ol tiuj, kiuj estas 13.4-K_M. K_SVMR. Same, la RMSE kaj MAE de la Ca_Mg-K SVMR (RMSE = 235.974 kaj MAE = 166.946) modelo estas 2.5 kaj 2.2 pli grandaj ol tiuj de la Ca_Mg_K-EBK_SVMR RMSE kaj MAE, respektive. estis observitaj.Laŭ Kebonye et al.46 kaj john et al.54, ju pli proksimaj la RMSE kaj MAE estas al nulo, des pli bonaj estas la rezultoj. SVMR kaj EBK_SVMR havas pli altajn kvantigitajn RSME kaj MAE-valorojn.Oni observis, ke la RSME-taksoj estis konstante pli altaj ol la MAE-valoroj, indikante la ĉeeston de eksteruloj.Laŭ Legates kaj McCabe83, la mezuro, en kiu la indikilo de MAERMSE superas la absolutan eraron, estas rekomendita. .Ĉi tio signifas, ke ju pli heterogena la datumaro, des pli altaj la MAE kaj RMSE-valoroj.La precizeco de krucvalidiga taksado de la miksita modelo Ca_Mg_K-EBK_SVMR por antaŭdiri Ni-enhavon en urbaj kaj antaŭurbaj grundoj estis 63,70%.Laŭ Li et al.59, ĉi tiu nivelo de precizeco estas akceptebla modela agado.La nunaj rezultoj estas komparitaj kun antaŭa studo de Tarasov et al.36 kies hibrida modelo kreis MLPRK (Multilayer Perceptron Residual Kriging), rilate al la EBK_SVMR-precizeca taksado-indekso raportita en la nuna studo, RMSE (210) kaj The MAE (167.5) estis pli altaj ol niaj rezultoj en la nuna studo (RMSE 95.479, MAE 77.36.36, komparante la nunan studon kun la nuna studo). Tarasov et al.36 (0,544), estas klare, ke la koeficiento de determino (R2) estas pli alta en ĉi tiu miksita modelo.La marĝeno de eraro (RMSE kaj MAE) (EBK SVMR) por la miksita modelo estas duoble pli malalta. Same, Sergeev et al.34 registris 0,28 (R2) por la evoluinta hibrida modelo (Multilayer-Kriging-modelo) registris (Multilayer-Kriging) nuna studo (R270) registris la nunan studon. ).La prognoza precizeco-nivelo de ĉi tiu modelo (EBK SVMR) estas 63,7%, dum la prognoza precizeco akirita de Sergeev et al.34 estas 28%.La fina mapo (Fig. 5) kreita uzante la modelon EBK_SVMR kaj Ca_Mg_K kiel prognozilo montras antaŭdirojn de varmaj punktoj kaj modera al nikelo sur la tuta studa areo.Ĉi tio signifas, ke la koncentriĝo de nikelo en la studa areo estas ĉefe modera, kun pli altaj koncentriĝoj en iuj specifaj areoj.
La fina prognoza mapo estas reprezentita uzante la hibridan modelon EBK_SVMR kaj uzante Ca_Mg_K kiel la prognozilon. [La spaca distribua mapo estis kreita per RStudio (versio 1.4.1717: https://www.rstudio.com/).]
Prezentitaj en Figuro 6 estas PTE-koncentriĝoj kiel kompona ebeno konsistanta el individuaj neŭronoj.Neniu el la komponentaj ebenoj elmontris la saman kolorpadronon kiel montrita.Tamen, la taŭga nombro da neŭronoj per desegnita mapo estas 55.SeOM estas produktita uzante diversajn kolorojn, kaj ju pli similaj la koloraj ŝablonoj, des pli kompareblaj la propraĵoj de la specimenoj. Neŭronoj kaj plej malaltaj neŭronoj. Tiel, CaK kaj CaMg dividas iujn similecojn kun tre alt-ordaj neŭronoj kaj malalt-al-moderaj kolorpadronoj. Ambaŭ modeloj antaŭdiras la koncentriĝon de Ni en grundo montrante mezajn ĝis altajn nuancojn de koloroj kiel ruĝa, oranĝa kaj flava. modelo montris altan kolorpadronon indikantan la eblan koncentriĝon de nikelo en la grundo (vidu figuron 4).La CakMg-modela komponentebeno montras diversan kolorpadronon de malalta ĝis alta laŭ preciza kolorskalo.Furthermore, la antaŭdiro de la modelo de nikela enhavo (CakMg) estas simila al la spaca distribuo de nikelo montrita en figuroj 5-a kaj mezaj proporcioj de urba kaj urba koncentriĝo montras malaltajn kaj urbajn proporciojn. ils.Figuro 7 bildigas la konturmetodon en la k-mezgrupo sur la mapo, dividita en tri aretojn surbaze de la antaŭvidita valoro en ĉiu modelo.La konturmetodo reprezentas la optimuman nombron da aretoj.El la 115 grundaj specimenoj kolektitaj, kategorio 1 akiris la plej multajn grundajn specimenojn, 74.Areto 2 ricevis 33 specimenojn, dum kiu korekta kombinaĵo estis ricevita 33 specimenoj. grapollego.Pro la multnombraj antropogenaj kaj naturaj procezoj influantaj grundoformadon, estas malfacile havi taŭge diferencigitajn grapolpadronojn en distribuita SeOM-mapo78.
Komponenta ebena eligo de ĉiu variablo de Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [SeOM-mapoj estis kreitaj per RStudio (versio 1.4.1717: https://www.rstudio.com/).]
Malsamaj grupaj klasifikkomponentoj [SeOM-mapoj estis kreitaj per RStudio (versio 1.4.1717: https://www.rstudio.com/).]
La nuna studo klare ilustras modeligajn teknikojn por nikelaj koncentriĝoj en urbaj kaj periurbaj grundoj. La studo testis malsamajn modeligajn teknikojn, kombinante elementojn kun modeligaj teknikoj, por akiri la plej bonan manieron antaŭdiri nikelajn koncentriĝojn en grundo. de komponentoj elmontritaj de EBK_SVMR (vidu Figuron 5). La rezultoj montras, ke la subtena vektora maŝina regresa modelo (CA Mg K-SVMR) (R2). Bonaj rezultoj estis akiritaj uzante EBK SVMR kaj kombinitajn elementojn (CAKMG) kun malaltaj RMSE kaj MAE Antaŭdiro de NI en grundoj. Ĉi tio signifas, ke la kontinua apliko de nikel-bazitaj sterkoj kaj industria poluado de la grundo fare de la ŝtala industrio havas emon pliigi la koncentriĝon de nikelo en la grundo. Ĉi tiu studo malkaŝis, ke EBK-modelo povas redukti la nivelon de la nivelo de la nivelo de la nivelo de la nivelo de la nivelo de la nivelo de la nivelo de la nivelo de la nivelo de la nivelo de la grundo. Te en grundo;krome, ni proponas uzi EBK por hibridigi kun diversaj maŝinlernado-algoritmoj.Ni-koncentriĝoj estis antaŭviditaj uzante elementojn kiel kovariaĵojn;tamen, uzi pli da kovariaĵoj multe plibonigus la agadon de la modelo, kiu povas esti konsiderata limigo de la nuna laboro.Alia limigo de ĉi tiu studo estas, ke la nombro da datumaroj estas 115. Sekve, se pli da datumoj estas provizitaj, la agado de la proponita optimumigita hibridiga metodo povas esti plibonigita.
PlantProbs.net.Nikel en Plantoj kaj Grundo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Alirite la 28an de aprilo 2021).
Kasprzak, KS Nickel progresas en moderna media toksologio.ĉirkaŭaĵo.toksologio.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Revizio de ĝiaj fontoj kaj media toksologio.Pola J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Poluant-enigaĵo de la atmosfero kaj amasiĝo en grundo kaj vegetaĵaro proksime de nikel-kupra fandado en Sudbury, Ontario, Kanado.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Pezmetaloj en grundo, plantoj kaj riskoj asociitaj kun paŝtantaj remaĉuloj proksime de la Selebi-Phikwe kupro-nikela minejo en Bocvano.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00902-x (02902-x).
Cabata-Pendias.Kabata-Pendias A. 2011. Oligoelementoj en grundo kaj... – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+in+soils+in+soils+and+NY+2%2%2+9+2%2+2+9+NY+2+%2%20+2+2+%20. +CRC+Press&btnG= (Konsultita la 24an de novembro 2020).
Almås, A., Singh, B., Agrikulturo, TS-NJ de & 1995, nedifinita.Efikoj de la rusa nikelindustrio sur pezmetalaj koncentriĝoj en agrikulturaj grundoj kaj herboj en Soer-Varanger, Norvegio.agris.fao.org.
Nielsen, GD et al.Nikel-sorbado kaj reteno en trinkakvo rilatas al manĝokonsumado kaj nikelo-sentemo.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel-karcinogenezo, mutacio, epigenetiko aŭ selektado.ĉirkaŭaĵoj.Sano-Perspektivo.107, 2 (1999).
Ajmano, komputilo;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Tendenca analizo de potenciale toksaj elementoj: bibliometria revizio.Media Geokemio kaj Sano.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: Mallonga Historio kaj Kelkaj Lecionoj.Geoderma 264, 301-311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Pri cifereca grundomapado.Geoderma 117 (1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press+37%2C5%2C+37%2C+Accessed%2C+3. 2021).