Gracias por visitar Nature.com. La versión del navegador que está usando tiene soporte limitado para CSS. Para obtener la mejor experiencia, le recomendamos que use un navegador actualizado (o desactive el modo de compatibilidad en Internet Explorer). Mientras tanto, para garantizar un soporte continuo, mostraremos el sitio sin estilos ni JavaScript.
La contaminación del suelo es un gran problema causado por las actividades humanas. La distribución espacial de los elementos potencialmente tóxicos (PTEs) varía en la mayoría de las áreas urbanas y periurbanas. Por lo tanto, es difícil predecir espacialmente el contenido de PTE en dichos suelos. Se obtuvo un total de 115 muestras de Frydek Mistek en la República Checa. son Ca, Mg y K. La matriz de correlación entre la variable de respuesta y la variable predictora muestra una correlación satisfactoria entre los elementos. Los resultados de la predicción mostraron que la regresión de máquina de vectores de soporte (SVMR) funcionó bien, aunque su error cuadrático medio estimado (RMSE) (235.974 mg/kg) y el error absoluto medio (MAE) (166.946 mg/kg) fueron más altos que los otros métodos aplicados. -MLR) funcionan mal, como lo demuestran los coeficientes de determinación inferiores a 0,1. El modelo Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) fue el mejor modelo, con valores bajos de RMSE (95,479 mg/kg) y MAE (77,368 mg/kg) y alto coeficiente de determinación (R2 = 0,637). izing map. Las neuronas agrupadas en el plano del modelo híbrido CakMg-EBK-SVMR muestran múltiples patrones de color que predicen las concentraciones de Ni en suelos urbanos y periurbanos. Los resultados demuestran que la combinación de EBK y SVMR es una técnica eficaz para predecir las concentraciones de Ni en suelos urbanos y periurbanos.
El níquel (Ni) se considera un micronutriente para las plantas porque contribuye a la fijación del nitrógeno atmosférico (N) y al metabolismo de la urea, ambos necesarios para la germinación de las semillas. Además de su contribución a la germinación de las semillas, el Ni puede actuar como un inhibidor de hongos y bacterias y promover el desarrollo de las plantas. La falta de níquel en el suelo permite que la planta lo absorba, lo que provoca la clorosis de las hojas. Por ejemplo, el caupí y las judías verdes requieren la aplicación de fertilizantes a base de níquel para optimizar la fijación de nitrógeno. para enriquecer el suelo y aumentar la capacidad de las leguminosas para fijar nitrógeno en el suelo aumenta continuamente la concentración de níquel en el suelo. Aunque el níquel es un micronutriente para las plantas, su ingesta excesiva en el suelo puede hacer más daño que bien. La toxicidad del níquel en el suelo minimiza el pH del suelo y dificulta la absorción de hierro como nutriente esencial para el crecimiento de las plantas. para una variedad de aplicaciones. La galvanoplastia, la producción de aleaciones a base de níquel y la fabricación de dispositivos de encendido y bujías en la industria automotriz requieren el uso de níquel en varios sectores industriales. Además, las aleaciones a base de níquel y los artículos electrochapados se han utilizado ampliamente en utensilios de cocina, accesorios para salones de baile, suministros para la industria alimentaria, electricidad, alambres y cables, turbinas de chorro, implantes quirúrgicos, textiles y construcción naval. El Ni es una fuente natural y no antropogénica4,6. Las fuentes naturales de níquel incluyen erupciones volcánicas, vegetación, incendios forestales y procesos geológicos;sin embargo, las fuentes antropogénicas incluyen baterías de níquel/cadmio en la industria del acero, galvanoplastia, soldadura por arco, diesel y fuel oil, y emisiones atmosféricas de la combustión del carbón y la incineración de desechos y lodos. Acumulación de níquel7,8. Según Freedman y Hutchinson9 y Manyiwa et al.10, las principales fuentes de contaminación de la capa superior del suelo en el entorno inmediato y adyacente son principalmente fundiciones y minas a base de níquel-cobre. La capa superior del suelo alrededor de la refinería de níquel-cobre de Sudbury en Canadá tenía los niveles más altos de contaminación por níquel con 26 000 mg/kg11.12, la cantidad de níquel extraíble con HNO3 en las principales tierras cultivables de la región (producción de níquel en Rusia) osciló entre 6,25 y 136,88 mg/kg, lo que corresponde a una media de 30,43 mg/kg y una concentración de referencia de 25 mg/kg. el suelo. Los efectos potenciales del níquel en los seres humanos pueden provocar cáncer a través de la mutagénesis, el daño cromosómico, la generación de Z-DNA, la reparación por escisión bloqueada del ADN o los procesos epigenéticos.
Las evaluaciones de la contaminación del suelo han prosperado en los últimos tiempos debido a una amplia gama de problemas relacionados con la salud que surgen de las relaciones suelo-planta, las relaciones biológicas del suelo y del suelo, la degradación ecológica y la evaluación del impacto ambiental. Hasta la fecha, la predicción espacial de elementos potencialmente tóxicos (PTEs) como el Ni en el suelo ha sido laboriosa y lleva mucho tiempo utilizando métodos tradicionales. ha demostrado ser una subdisciplina destacada de la ciencia del suelo. Lagacherie y McBratney, 2006 definen DSM como "la creación y llenado de sistemas de información espacial del suelo mediante el uso de métodos de observación in situ y de laboratorio y sistemas de inferencia espacial y no espacial del suelo". McBratney et al.17 describen que el DSM o PSM contemporáneo es la técnica más efectiva para predecir o mapear la distribución espacial de PTE, tipos de suelo y propiedades del suelo. Los algoritmos de geoestadística y aprendizaje automático (MLA) son técnicas de modelado de DSM que crean mapas digitalizados con la ayuda de computadoras usando datos significativos y mínimos.
Deutsch18 y Olea19 definen la geoestadística como “la colección de técnicas numéricas que se ocupan de la representación de atributos espaciales, empleando principalmente modelos estocásticos, como la forma en que el análisis de series temporales caracteriza los datos temporales”.Principalmente, la geoestadística implica la evaluación de variogramas, que permiten cuantificar y definir las dependencias de los valores espaciales de cada conjunto de datos20. Gumiaux et al.20 ilustran además que la evaluación de variogramas en geoestadística se basa en tres principios, que incluyen (a) calcular la escala de correlación de datos, (b) identificar y calcular la anisotropía en la disparidad del conjunto de datos y (c) además de tener en cuenta el error inherente de los datos de medición separados de los efectos locales, también se estiman los efectos del área. Sobre la base de estos conceptos, se utilizan muchas técnicas de interpolación en geoestadística, incluido kriging general, co-kriging, kriging ordinario, empírico Bay kriging esian, método kriging simple y otras técnicas de interpolación bien conocidas para mapear o predecir PTE, características del suelo y tipos de suelo.
Los algoritmos de aprendizaje automático (MLA) son una técnica relativamente nueva que emplea clases de datos no lineales más grandes, impulsada por algoritmos que se utilizan principalmente para la extracción de datos, la identificación de patrones en los datos y se aplican repetidamente a la clasificación en campos científicos como la ciencia del suelo y tareas de retorno. Numerosos trabajos de investigación se basan en modelos MLA para predecir el PTE en suelos, como Tan et al.22 (bosques aleatorios para la estimación de metales pesados ​​en suelos agrícolas), Sakizadeh et al.23 (modelización mediante máquinas de vectores de soporte y redes neuronales artificiales) contaminación del suelo). Además, Vega et al.24 (CART para modelar la retención y adsorción de metales pesados ​​en el suelo) Sun et al.25 (la aplicación de cubista es la distribución de Cd en el suelo) y otros algoritmos como k-vecino más cercano, regresión potenciada generalizada y regresión potenciada Los árboles también aplicaron MLA para predecir el PTE en el suelo.
La aplicación de algoritmos DSM en predicción o mapeo enfrenta varios desafíos. Muchos autores creen que MLA es superior a la geoestadística y viceversa. Aunque uno es mejor que el otro, la combinación de los dos mejora el nivel de precisión del mapeo o predicción en DSM15. Woodcock y Gopal26 Finke27;Pontius y Cheuk28 y Grunwald29 comentan sobre las deficiencias y algunos errores en el mapeo de suelos predicho. Los científicos del suelo han probado una variedad de técnicas para optimizar la efectividad, precisión y previsibilidad del mapeo y pronóstico del DSM. La combinación de incertidumbre y verificación es uno de los muchos aspectos diferentes integrados en el DSM para optimizar la efectividad y reducir los defectos. Sin embargo, Agyeman et al.15 describen que el comportamiento de validación y la incertidumbre introducida por la creación y predicción de mapas deben validarse de forma independiente para mejorar la calidad del mapa. Las limitaciones del DSM se deben a la calidad del suelo geográficamente disperso, que implica un componente de incertidumbre;sin embargo, la falta de certeza en el DSM puede deberse a múltiples fuentes de error, a saber, error de covariable, error de modelo, error de ubicación y error analítico 31. Las imprecisiones de modelado inducidas en MLA y los procesos geoestadísticos están asociadas con una falta de comprensión, lo que en última instancia lleva a una simplificación excesiva del proceso real32. Independientemente de la naturaleza del modelado, las imprecisiones pueden atribuirse a parámetros de modelado, predicciones de modelos matemáticos o interpolación33. surgió que promueve la integración de la geoestadística y MLA en el mapeo y el pronóstico. Varios científicos y autores del suelo, como Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 y Tarasov et al.37 han explotado la calidad precisa de la geoestadística y el aprendizaje automático para generar modelos híbridos que mejoran la eficiencia de la previsión y el mapeo.Algunos de estos modelos de algoritmos híbridos o combinados son Kriging de red neuronal artificial (ANN-RK), Kriging residual de perceptrón multicapa (MLP-RK), Kriging residual de red neuronal de regresión generalizada (GR-NNRK)36, Kriging de red neuronal artificial-Perceptrón multicapa (ANN-K-MLP)37 y Co-Kriging y Gaussian Process Regression38.
Según Sergeev et al., la combinación de varias técnicas de modelado tiene el potencial de eliminar defectos y aumentar la eficiencia del modelo híbrido resultante en lugar de desarrollar un modelo único. En este contexto, este nuevo artículo argumenta que es necesario aplicar un algoritmo combinado de geoestadística y MLA para crear modelos híbridos óptimos para predecir el enriquecimiento de Ni en áreas urbanas y periurbanas. R). Se desconoce la hibridación de EBK con cualquier MLA. Los múltiples modelos mixtos observados son combinaciones de kriging ordinario, residual, de regresión y MLA. EBK es un método de interpolación geoestadística que utiliza un proceso estocástico espacial que se localiza como un campo aleatorio no estacionario/estacionario con parámetros de localización definidos sobre el campo, lo que permite la variación espacial39. EBK se ha utilizado en una variedad de estudios, incluido el análisis de la distribución de carbono orgánico en suelos agrícolas40 , evaluando la contaminación del suelo41 y mapeando las propiedades del suelo42.
Por otro lado, Self-Organizing Graph (SeOM) es un algoritmo de aprendizaje que se ha aplicado en diversos artículos como el de Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 y Kebonye et al.46 Determinar los atributos espaciales y la agrupación de elementos. Wang et al.44 describen que SeOM es una poderosa técnica de aprendizaje conocida por su capacidad para agrupar e imaginar problemas no lineales. A diferencia de otras técnicas de reconocimiento de patrones, como el análisis de componentes principales, la agrupación difusa, la agrupación jerárquica y la toma de decisiones de criterios múltiples, SeOM es mejor para organizar e identificar patrones PTE. Según Wang et al.44, SeOM puede agrupar espacialmente la distribución de neuronas relacionadas y proporcionar visualización de datos de alta resolución. SeOM visualizará datos de predicción de Ni para obtener el mejor modelo para caracterizar los resultados para la interpretación directa.
Este documento tiene como objetivo generar un modelo de mapeo robusto con precisión óptima para predecir el contenido de níquel en suelos urbanos y periurbanos. Presumimos que la confiabilidad del modelo mixto depende principalmente de la influencia de otros modelos adjuntos al modelo base. Reconocemos los desafíos que enfrenta el DSM, y aunque estos desafíos se abordan en múltiples frentes, la combinación de avances en geoestadística y modelos MLA parece ser incremental;por lo tanto, intentaremos responder preguntas de investigación que pueden producir modelos mixtos. Sin embargo, ¿qué tan preciso es el modelo para predecir el elemento objetivo? Además, ¿cuál es el nivel de evaluación de eficiencia basado en la validación y la evaluación de precisión? Por lo tanto, los objetivos específicos de este estudio fueron (a) crear un modelo de mezcla combinado para SVMR o MLR utilizando EBK como modelo base, (b) comparar los modelos resultantes (c) proponer el mejor modelo de mezcla para predecir concentraciones de Ni en suelos urbanos o periurbanos, y (d) la aplicación de SeOM para crear un mapa de alta resolución de la variación espacial del níquel.
El estudio se está llevando a cabo en la República Checa, específicamente en el distrito de Frydek Mistek en la región de Moravia-Silesia (ver Figura 1). La geografía del área de estudio es muy accidentada y es mayormente parte de la región de Moravia-Silesia Beskidy, que es parte del borde exterior de las montañas de los Cárpatos. 327 metros;sin embargo, el sistema de clasificación de Koppen para el estado climático de la región se clasifica como Cfb = clima oceánico templado. Hay mucha lluvia incluso en los meses secos. Las temperaturas varían ligeramente a lo largo del año entre −5 °C y 24 °C, rara vez bajan de −14 °C o superan los 30 °C, mientras que la precipitación media anual está entre 685 y 752 mm47. El área de estudio estimada de toda el área es de 1.208 kilómetros cuadrados, con 3 El 9,38 % de la tierra cultivada y el 49,36 % de la cobertura forestal. Por otro lado, el área utilizada en este estudio es de aproximadamente 889,8 kilómetros cuadrados. En Ostrava y sus alrededores, la industria siderúrgica y la metalurgia son muy activas. investigar fuentes potenciales de níquel en la región (p. ej., agregar níquel a los corderos para aumentar las tasas de crecimiento en corderos y ganado de baja alimentación). Otros usos industriales del níquel en áreas de investigación incluyen su uso en galvanoplastia, incluidos los procesos de niquelado electrolítico y niquelado electrolítico. Las propiedades del suelo se distinguen fácilmente del color, la estructura y el contenido de carbonato del suelo. suelo, a menudo con hormigón y blanqueado. Sin embargo, los cambisoles y los estagnosoles son los tipos de suelo más comunes en la región48. Con elevaciones que van desde los 455,1 a los 493,5 m, los cambisoles dominan la República Checa49.
Mapa del área de estudio [El mapa del área de estudio se creó utilizando ArcGIS Desktop (ESRI, Inc, versión 10.7, URL: https://desktop.arcgis.com)].
Se obtuvo un total de 115 muestras de suelo urbano y periurbano en el distrito de Frydek Mistek. El patrón de muestra utilizado fue una cuadrícula regular con muestras de suelo separadas 2 × 2 km, y la capa superior del suelo se midió a una profundidad de 0 a 20 cm con un dispositivo GPS portátil (Leica Zeno 5 GPS). Las muestras se empaquetan en bolsas Ziploc, se etiquetan adecuadamente y se envían al laboratorio. pulverizado por un sistema mecánico (molino de discos Fritsch) y tamizado (tamaño del tamiz de 2 mm). Coloque 1 gramo de muestras de suelo secas, homogeneizadas y tamizadas en botellas de teflón claramente etiquetadas. en una placa de metal caliente (temperatura: 100 W y 160 °C) durante 2 h para facilitar el proceso de digestión de las muestras, luego enfriar. Transferir el sobrenadante a un matraz volumétrico de 50 ml y diluir a 50 ml con agua desionizada. Después de eso, filtrar el sobrenadante diluido en un tubo de PVC de 50 ml con agua desionizada. Tubo de ml preparado para pseudoconcentración de PTE. Las concentraciones de PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) se determinaron mediante ICP-OES (Espectroscopía de emisión óptica de plasma acoplado inductivamente) (Thermo Fisher Scientific, EE. UU.) de acuerdo con métodos estándar y acuerdos. los límites de detección por debajo de la mitad se excluyeron de este estudio. El límite de detección del PTE utilizado en este estudio fue 0.0004. (usted). Además, el proceso de control de calidad y garantía de calidad para cada análisis se garantiza mediante el análisis de estándares de referencia. Para garantizar que los errores se minimizaron, se realizó un doble análisis.
Empirical Bayesian Kriging (EBK) es una de las muchas técnicas de interpolación geoestadística utilizadas en el modelado en diversos campos, como la ciencia del suelo. A diferencia de otras técnicas de interpolación de kriging, EBK se diferencia de los métodos de kriging tradicionales al considerar el error estimado por el modelo de semivariograma. En la interpolación EBK, se calculan varios modelos de semivariograma durante la interpolación, en lugar de un solo semivariograma. Es una parte muy compleja de un método de kriging suficiente. El proceso de interpolación de EBK sigue los tres criterios propuestos por Krivoruchko50, (a) el modelo estima el semivariograma a partir del conjunto de datos de entrada (b) el nuevo valor predicho para cada ubicación del conjunto de datos de entrada en función del semivariograma generado y (c) el modelo A final se calcula a partir de un conjunto de datos simulado.
Donde \(Prob\left(A\right)\) representa la probabilidad marginal anterior, \(Prob\left(B\right)\) se ignora en la mayoría de los casos, \(Prob (B,A)\). .
Una máquina de vectores de soporte es un algoritmo de aprendizaje automático que genera un hiperplano de separación óptimo para distinguir clases idénticas pero no linealmente independientes. Vapnik51 creó el algoritmo de clasificación de intención, pero recientemente se ha utilizado para resolver problemas orientados a la regresión. Según Li et al.52, SVM es una de las mejores técnicas de clasificación y se ha utilizado en varios campos. En este análisis se utilizó el componente de regresión de SVM (Support Vector Machine Regression - SVMR). fue pionera en SVMR como una regresión basada en kernel, cuyo cálculo se realizó utilizando un modelo de regresión lineal con funciones espaciales de varios países. John et al54 informan que el modelado SVMR emplea regresión lineal hiperplana, que crea relaciones no lineales y permite funciones espaciales. Según Vohland et al.55, epsilon (ε)-SVMR utiliza el conjunto de datos entrenado para obtener un modelo de representación como una función insensible a epsilon que se aplica para mapear los datos de forma independiente con el mejor sesgo epsilon del entrenamiento en datos correlacionados. El error de distancia preestablecido se ignora del valor real, y si el error es mayor que ε(ε), las propiedades del suelo lo compensan. El modelo también reduce la complejidad de los datos de entrenamiento a un subconjunto más amplio de vectores de soporte. La ecuación propuesta por Vapnik51 se muestra a continuación.
donde b representa el umbral escalar, \(K\left({x}_{,}{ x}_{k}\right)\) representa la función del núcleo, \(\alpha\) representa el multiplicador de Lagrange, N representa un conjunto de datos numérico, \({x}_{k}\) representa la entrada de datos y \(y\) es la salida de datos. Uno de los núcleos clave utilizados es la operación SVMR, que es una función de base radial gaussiana (RBF). Se aplica el núcleo RBF para determinar el modelo SVMR óptimo, que es fundamental para obtener el factor C del conjunto de penalización más sutil y el parámetro gamma (γ) del kernel para los datos de entrenamiento de PTE. Primero, evaluamos el conjunto de entrenamiento y luego probamos el rendimiento del modelo en el conjunto de validación. El parámetro de dirección utilizado es sigma y el valor del método es svmRadial.
Un modelo de regresión lineal múltiple (MLR) es un modelo de regresión que representa la relación entre la variable de respuesta y una serie de variables predictoras mediante el uso de parámetros combinados lineales calculados mediante el método de mínimos cuadrados. En MLR, un modelo de mínimos cuadrados es una función predictiva de las propiedades del suelo después de la selección de variables explicativas. Es necesario utilizar la respuesta para establecer una relación lineal mediante variables explicativas.
donde y es la variable de respuesta, \(a\) es el intercepto, n es el número de predictores, \({b}_{1}\) es la regresión parcial de los coeficientes, \({x}_{ i}\) representa un predictor o variable explicativa, y \({\varepsilon }_{i}\) representa el error en el modelo, también conocido como residual.
Los modelos mixtos se obtuvieron interpolando EBK con SVMR y MLR. Esto se hace extrayendo los valores predichos de la interpolación EBK. Los valores predichos obtenidos a partir de los interpolados Ca, K y Mg se obtienen a través de un proceso combinatorio para obtener nuevas variables, como CaK, CaMg y KMg. Los elementos Ca, K y Mg se combinan luego para obtener una cuarta variable, CaKMg. En general, las variables obtenidas son Ca, K, Mg, CaK, Ca Mg, KMg y CaKMg. Estas variables se convirtieron en nuestros predictores, lo que ayudó a predecir las concentraciones de níquel en suelos urbanos y periurbanos. El algoritmo SVMR se realizó en los predictores para obtener un modelo mixto Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). K, Mg, CaK, CaMg, KMg y CaKMg se utilizan como covariables para predecir el contenido de Ni en suelos urbanos y periurbanos. El modelo obtenido más aceptable (EBK_SVM o EBK_MLR) se visualizará luego mediante un gráfico autoorganizado. El flujo de trabajo de este estudio se muestra en la Figura 2.
El uso de SeOM se ha convertido en una herramienta popular para organizar, evaluar y pronosticar datos en el sector financiero, el cuidado de la salud, la industria, las estadísticas, la ciencia del suelo y más. SeOM se crea usando redes neuronales artificiales y métodos de aprendizaje no supervisados ​​para la organización, evaluación y predicción. En este estudio, SeOM se usó para visualizar las concentraciones de Ni basadas en el mejor modelo para predecir Ni en suelos urbanos y periurbanos.57 describen la conexión de un vector de entrada en una red neuronal a través de una sola capa de entrada a un vector de salida con un solo vector de peso. La salida generada por SeOM es un mapa bidimensional que consta de diferentes neuronas o nodos entretejidos en mapas topológicos hexagonales, circulares o cuadrados según su proximidad. -unidad de mapa (5 × 11). La estructura de la neurona se determina de acuerdo con el número de nodos en la ecuación empírica
El número de datos utilizados en este estudio es de 115 muestras. Se utilizó un enfoque aleatorio para dividir los datos en datos de prueba (25 % para validación) y conjuntos de datos de entrenamiento (75 % para calibración). El conjunto de datos de entrenamiento se usa para generar el modelo de regresión (calibración) y el conjunto de datos de prueba se usa para verificar la capacidad de generalización58. Esto se hizo para evaluar la idoneidad de varios modelos para predecir el contenido de níquel en los suelos. La interpolación EBK se utiliza como predictores o variables explicativas para predecir la variable objetivo (PTE). El modelado se maneja en RStudio usando los paquetes library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) y library(“Metrics”).
Se utilizaron varios parámetros de validación para determinar el mejor modelo adecuado para predecir las concentraciones de níquel en el suelo y para evaluar la precisión del modelo y su validación. Los modelos de hibridación se evaluaron utilizando el error absoluto medio (MAE), el error cuadrático medio (RMSE) y R-cuadrado o determinación del coeficiente (R2). R2 define la variación de las proporciones en la respuesta, representada por el modelo de regresión. El valor debe ser alto para evaluar el mejor modelo de mezcla utilizando los parámetros de validación, cuanto más cerca esté el valor de 1, mayor será la precisión. Según Li et al.59, un valor de criterio R2 de 0,75 o mayor se considera un buen predictor;de 0,5 a 0,75 es un rendimiento aceptable del modelo, y por debajo de 0,5 es un rendimiento inaceptable del modelo. Al seleccionar un modelo utilizando los métodos de evaluación de criterios de validación RMSE y MAE, los valores más bajos obtenidos fueron suficientes y se consideraron la mejor opción. La siguiente ecuación describe el método de verificación.
donde n representa el tamaño del valor observado\({Y}_{i}\) representa la respuesta medida, y \({\widehat{Y}}_{i}\) también representa el valor de respuesta pronosticado, por lo tanto, para las primeras i observaciones.
Las descripciones estadísticas de las variables predictoras y de respuesta se presentan en la Tabla 1, que muestra la media, la desviación estándar (SD), el coeficiente de variación (CV), el mínimo, el máximo, la curtosis y la asimetría. Los valores mínimo y máximo de los elementos están en orden decreciente de Mg < Ca < K < Ni y Ca < Mg < K < Ni, respectivamente. con el promedio mundial (29 mg/kg) y el promedio europeo (37 mg/kg) mostró que la media geométrica general calculada para el área de estudio estaba dentro del rango tolerable. Sin embargo, como lo muestra Kabata-Pendias11, una comparación de la concentración promedio de níquel (Ni) en el estudio actual con suelos agrícolas en Suecia muestra que la concentración promedio actual de níquel es más alta. mg/kg) fue mayor que el límite permitido de 60 (10,2 mg/kg) para Ni en suelos urbanos polacos informado por Różański et al. Además, Bretzel y Calderisi61 registraron concentraciones medias de Ni muy bajas (1,78 mg/kg) en suelos urbanos en Toscana en comparación con el estudio actual. Jim62 también encontró una concentración de níquel más baja (12,34 mg/kg) en suelos urbanos de Hong Kong, que es más baja que la concentración de níquel actual en este estudio .Birke et al63 informaron una concentración promedio de Ni de 17,6 mg/kg en una antigua zona industrial urbana y minera en Sajonia-Anhalt, Alemania, que era 1,45 mg/kg más alta que la concentración promedio de Ni en el área (16,15 mg/kg). Investigación actual.64 que la industria siderúrgica y metalúrgica son las principales fuentes de contaminación por níquel en los suelos. Sin embargo, los predictores también variaron de 538,70 mg/kg a 69.161,80 mg/kg para Ca, de 497,51 mg/kg a 3535,68 mg/kg para K y de 685,68 mg/kg a 5970,05 mg/kg para Mg. Jakovljevic et al.65 investigaron el contenido total de Mg y K de los suelos en Serbia central. Encontraron que las concentraciones totales (410 mg/kg y 400 mg/kg, respectivamente) eran más bajas que las concentraciones de Mg y K del estudio actual. Indistinguibles, en el este de Polonia, Orzechowski y Smolczynski66 evaluaron el contenido total de Ca, Mg y K y mostraron concentraciones promedio de Ca (1100 mg/kg), Mg (590 mg/kg) y K (8 10 mg/kg) El contenido en la capa superior del suelo es más bajo que el elemento único en este estudio. Un estudio reciente de Pongrac et al.67 mostró que el contenido total de Ca analizado en 3 suelos diferentes en Escocia, Reino Unido (suelo Mylnefield, suelo Balruddery y suelo Hartwood) indicó un mayor contenido de Ca en este estudio.
Debido a las diferentes concentraciones medidas de los elementos muestreados, las distribuciones del conjunto de datos de los elementos muestran una asimetría diferente. La asimetría y la curtosis de los elementos variaron de 1,53 a 7,24 y de 2,49 a 54,16, respectivamente. , Mg y Ni exhiben una variabilidad moderada, mientras que Ca tiene una variabilidad extremadamente alta. Los CV de K, Ni y Mg explican su distribución uniforme. Además, la distribución de Ca no es uniforme y las fuentes externas pueden afectar su nivel de enriquecimiento.
La correlación de las variables predictoras con los elementos de respuesta indicó una correlación satisfactoria entre los elementos (ver Figura 3). La correlación indicó que CaK exhibió una correlación moderada con un valor de r = 0.53, al igual que CaNi. Aunque Ca y K muestran asociaciones modestas entre sí, investigadores como Kingston et al.68 y Santo69 sugieren que sus niveles en el suelo son inversamente proporcionales. Sin embargo, el Ca y el Mg son antagónicos al K, pero CaK se correlaciona bien. Esto puede deberse a la aplicación de fertilizantes como el carbonato de potasio, que es un 56 % más alto en potasio. El potasio se correlacionó moderadamente con el magnesio (KM r = 0,63). niveles. El níquel está moderadamente correlacionado con Ca, K y Mg con valores de r = 0.52, 0.63 y 0.55, respectivamente. Las relaciones que involucran calcio, magnesio y PTE como el níquel son complejas, pero sin embargo, el magnesio inhibe la absorción de calcio, el calcio reduce los efectos del exceso de magnesio y tanto el magnesio como el calcio reducen los efectos tóxicos del níquel en el suelo.
Matriz de correlación para elementos que muestra la relación entre predictores y respuestas (Nota: esta figura incluye un diagrama de dispersión entre elementos, los niveles de significación se basan en p < 0,001).
La Figura 4 ilustra la distribución espacial de los elementos. Según Burgos et al70, la aplicación de la distribución espacial es una técnica utilizada para cuantificar y resaltar puntos calientes en áreas contaminadas. Los niveles de enriquecimiento de Ca en la Fig. 4 se pueden ver en la parte noroeste del mapa de distribución espacial. La figura muestra puntos calientes de enriquecimiento de Ca de moderado a alto. molinos como oxígeno alcalino en el proceso de fabricación de acero. Por otro lado, otros agricultores prefieren usar hidróxido de calcio en suelos ácidos para neutralizar el pH, lo que también aumenta el contenido de calcio del suelo71. El potasio también muestra puntos calientes en el noroeste y el este del mapa. 73, Pulkrabová et al.74, Asare et al.75, quienes observaron que la estabilización del suelo y el tratamiento con KCl y NPK dieron como resultado un alto contenido de K en el suelo.El enriquecimiento espacial de potasio en el noroeste del mapa de distribución puede deberse al uso de fertilizantes a base de potasio como cloruro de potasio, sulfato de potasio, nitrato de potasio, potasa y potasa para aumentar el contenido de potasio en suelos pobres.Zádorová et al.76 y Tlustoš et al.77 describió que la aplicación de fertilizantes a base de K aumentó el contenido de K en el suelo y aumentaría significativamente el contenido de nutrientes del suelo a largo plazo, especialmente K y Mg mostrando un punto caliente en el suelo. Puntos calientes relativamente moderados en el noroeste del mapa y el sureste del mapa. La fijación coloidal en el suelo reduce la concentración de magnesio en el suelo. y kieserita, tratan las deficiencias (las plantas aparecen de color púrpura, rojo o marrón, lo que indica una deficiencia de magnesio) en suelos con un rango de pH normal6. La acumulación de níquel en las superficies de suelos urbanos y periurbanos puede deberse a actividades antropogénicas como la agricultura y la importancia del níquel en la producción de acero inoxidable78.
Distribución espacial de elementos [el mapa de distribución espacial se creó utilizando ArcGIS Desktop (ESRI, Inc, versión 10.7, URL: https://desktop.arcgis.com)].
Los resultados del índice de rendimiento del modelo para los elementos utilizados en este estudio se muestran en la Tabla 2. Por otro lado, el RMSE y MAE de Ni están cerca de cero (0,86 RMSE, -0,08 MAE). Por otro lado, los valores de K tanto RMSE como MAE son aceptables. Los resultados de RMSE y MAE fueron mayores para el calcio y el magnesio. Se encontró que Ni era mejor que los resultados de John et al.54 utilizando kriging sinérgico para predecir las concentraciones de S en el suelo utilizando los mismos datos recopilados. Los resultados de EBK que estudiamos se correlacionan con los de Fabijaczyk et al.41, Yan et al.79, Béguin et al.80, Adhikary et al.81 y Juan et al.82, especialmente K y Ni.
El rendimiento de los métodos individuales para predecir el contenido de níquel en suelos urbanos y periurbanos se evaluó utilizando el rendimiento de los modelos (Tabla 3). La validación del modelo y la evaluación de la precisión confirmaron que el predictor Ca_Mg_K combinado con el modelo EBK SVMR produjo el mejor rendimiento. El modelo de calibración Ca_Mg_K-EBK_SVMR modelo R2, el error cuadrático medio (RMSE) y el error absoluto medio (MAE) fueron 0,637 (R2), 95,479 mg/kg ( RMSE) y 77,368 mg/kg (MAE) Ca_Mg_K-SVMR fue 0,663 (R2), 235,974 mg/kg (RMSE) y 166,946 mg/kg (MAE). No obstante, se obtuvieron buenos valores de R2 para Ca_Mg_K-SVMR (0,663 mg/kg R2) y Ca_Mg-EBK_SVMR (0,64 3 = R2);sus resultados de RMSE y MAE fueron superiores a los de Ca_Mg_K-EBK_SVMR (R2 0,637) (ver Tabla 3). Además, los RMSE y MAE del modelo Ca_Mg-EBK_SVMR (RMSE = 1664,64 y MAE = 1031,49) son 17,5 y 13,4, respectivamente, que son mayores que los del Ca_Mg_K-EBK _SVMR. Asimismo, el RMSE y MAE del modelo Ca_Mg-K SVMR (RMSE = 235,974 y MAE = 166,946) son 2,5 y 2,2 mayores que los del modelo Ca_Mg_K-EBK_SVMR RMSE y MAE, respectivamente. a Kebonye et al.46 y Juan et al.54, cuanto más cerca estén de cero el RMSE y el MAE, mejores serán los resultados. SVMR y EBK_SVMR tienen valores RSME y MAE cuantificados más altos. Se observó que las estimaciones de RSME eran consistentemente más altas que los valores MAE, lo que indica la presencia de valores atípicos. conjunto de datos, mayores son los valores MAE y RMSE. La precisión de la evaluación de validación cruzada del modelo mixto Ca_Mg_K-EBK_SVMR para predecir el contenido de Ni en suelos urbanos y suburbanos fue del 63,70%. Según Li et al.59, este nivel de precisión es una tasa de rendimiento del modelo aceptable. Los resultados actuales se comparan con un estudio anterior de Tarasov et al.36 cuyo modelo híbrido creó MLPRK (Multilayer Perceptron Residual Kriging), relacionado con el índice de evaluación de precisión EBK_SVMR informado en el estudio actual, RMSE (210) y MAE (167,5) fue superior a nuestros resultados en el estudio actual (RMSE 95,479, MAE 77,368). Sin embargo, al comparar el R2 del estudio actual (0,637) con el de Tarasov et al.36 (0.544), es claro que el coeficiente de determinación (R2) es mayor en este modelo mixto. El margen de error (RMSE y MAE) (EBK SVMR) para el modelo mixto es dos veces menor. Asimismo, Sergeev et al.34 registraron 0.28 (R2) para el modelo híbrido desarrollado (Multilayer Perceptron Residual Kriging), mientras que Ni en el presente estudio registró 0.637 (R2). El nivel de precisión de predicción de este modelo (EBK SVMR) es del 63,7%, mientras que la precisión de predicción obtenida por Sergeev et al.34 es 28%. El mapa final (Fig. 5) creado usando el modelo EBK_SVMR y Ca_Mg_K como un predictor muestra predicciones de puntos calientes y de moderado a níquel en toda el área de estudio. Esto significa que la concentración de níquel en el área de estudio es principalmente moderada, con concentraciones más altas en algunas áreas específicas.
El mapa de predicción final se representa usando el modelo híbrido EBK_SVMR y usando Ca_Mg_K como predictor. [El mapa de distribución espacial se creó usando RStudio (versión 1.4.1717: https://www.rstudio.com/)].
En la Figura 6 se presentan las concentraciones de PTE como un plano de composición que consta de neuronas individuales. Ninguno de los planos componentes exhibió el mismo patrón de color que se muestra. Sin embargo, el número apropiado de neuronas por mapa dibujado es 55. El SeOM se produce utilizando una variedad de colores, y cuanto más similares sean los patrones de color, más comparables serán las propiedades de las muestras. CaK y CaMg comparten algunas similitudes con neuronas de muy alto orden y patrones de color bajos a moderados. Ambos modelos predicen la concentración de Ni en el suelo al mostrar tonos de colores medios a altos como rojo, naranja y amarillo. El modelo KMg muestra muchos patrones de colores altos basados ​​en proporciones precisas y parches de colores bajos a medios. El plano del componente del modelo kMg muestra un patrón de color diverso de menor a mayor de acuerdo con una escala de color precisa. Además, la predicción del contenido de níquel (CakMg) del modelo es similar a la distribución espacial del níquel que se muestra en la Figura 5. Ambos gráficos muestran proporciones altas, medias y bajas de concentraciones de níquel en suelos urbanos y periurbanos. número de conglomerados. De las 115 muestras de suelo recolectadas, la categoría 1 obtuvo la mayor cantidad de muestras de suelo, 74. El conglomerado 2 recibió 33 muestras, mientras que el conglomerado 3 recibió 8 muestras. La combinación de predictor planar de siete componentes se simplificó para permitir la interpretación correcta del conglomerado. Debido a los numerosos procesos antropogénicos y naturales que afectan la formación del suelo, es difícil tener patrones de conglomerados correctamente diferenciados en un mapa SeOM distribuido78.
Salida del plano de componentes por cada variable de la máquina de vectores de soporte Empirical Bayesian Kriging (EBK_SVM_SeOM). [Los mapas de SeOM se crearon con RStudio (versión 1.4.1717: https://www.rstudio.com/).]
Diferentes componentes de clasificación de conglomerados [Los mapas SeOM se crearon utilizando RStudio (versión 1.4.1717: https://www.rstudio.com/).]
El estudio actual ilustra claramente las técnicas de modelado para las concentraciones de níquel en suelos urbanos y periurbanos. El estudio probó diferentes técnicas de modelado, combinando elementos con técnicas de modelado, para obtener la mejor manera de predecir las concentraciones de níquel en el suelo. Las características espaciales planas de composición SeOM de la técnica de modelado exhibieron un patrón de color alto de menor a mayor en una escala de color precisa, lo que indica las concentraciones de Ni en el suelo. Sin embargo, el mapa de distribución espacial confirma la distribución espacial plana de los componentes exhibidos por EBK_SVMR (ver Figura 5). Los resultados muestran que el modelo de regresión máquina de vectores de soporte (Ca Mg K-SVMR) predice la concentración de Ni en el suelo como un solo modelo, pero los parámetros de validación y evaluación de precisión muestran errores muy altos en términos de RMSE y MAE. Por otro lado, la técnica de modelado empleada con el modelo EBK_MLR también es deficiente debido al bajo valor del coeficiente de determinación (R2). Se obtuvieron buenos resultados usando EBK SVMR y elementos combinados (CaKMg) con errores de RMSE y MAE bajos con una precisión de 63,7 %. Resulta que la combinación del algoritmo EBK con un algoritmo de aprendizaje automático puede generar un algoritmo híbrido que puede predecir la concentración de PTE en el suelo. Los resultados muestran que el uso de Ca Mg K como predictores para predecir las concentraciones de Ni en el área de estudio puede mejorar la predicción de Ni en los suelos. Esto significa que la aplicación continua de fertilizantes a base de níquel y la contaminación industrial del suelo por parte de la industria del acero tiene una tendencia a aumentar la concentración de níquel en el suelo. del modelo de distribución espacial del suelo en suelos urbanos o periurbanos. En general, proponemos aplicar el modelo EBK-SVMR para evaluar y predecir PTE en suelo;además, proponemos usar EBK para hibridar con varios algoritmos de aprendizaje automático. Las concentraciones de Ni se predijeron usando elementos como covariables;sin embargo, el uso de más covariables mejoraría en gran medida el rendimiento del modelo, lo que puede considerarse una limitación del trabajo actual. Otra limitación de este estudio es que el número de conjuntos de datos es de 115. Por lo tanto, si se proporcionan más datos, se puede mejorar el rendimiento del método de hibridación optimizado propuesto.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Consultado el 28 de abril de 2021).
Kasprzak, KS Nickel avances en toxicología ambiental moderna.entorno.toxicología.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Una revisión de sus fuentes y toxicología ambiental.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Entrada de contaminantes de la atmósfera y acumulación en el suelo y la vegetación cerca de una fundición de níquel-cobre en Sudbury, Ontario, Canadá.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Metales pesados ​​en el suelo, las plantas y los riesgos asociados con el pastoreo de rumiantes cerca de la mina de cobre y níquel Selebi-Phikwe en Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementos traza en suelo y… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A+CR C+Press&btnG= (Consultado el 24 de noviembre de 2020).
Almås, A., Singh, B., Agriculture, TS-NJ de & 1995, indefinido. Efectos de la industria rusa del níquel sobre las concentraciones de metales pesados ​​en suelos agrícolas y pastos en Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. La absorción y retención de níquel en el agua potable están relacionadas con la ingesta de alimentos y la sensibilidad al níquel. Toxicología. Aplicación. Farmacodinámica. 154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogénesis, mutación, epigenética o selección.entorno.Perspectiva de Salud.107, 2 (1999).
Ajmán, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Análisis de tendencias de elementos potencialmente tóxicos: una revisión bibliométrica. Geoquímica ambiental y salud. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Mapeo digital de suelos: una breve historia y algunas lecciones. Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sobre el mapeo digital de suelos. 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%2C+376+pages.+&btnG= (Consultado el 28 de abril 2021).