Nikli kontsentratsioonide ennustamine eeslinna- ja linnamuldades, kasutades segatud empiirilist Bayesi krigimist ja tugivektori masina regressiooni

Täname, et külastasite veebisaiti Nature.com. Kasutataval brauseri versioonil on CSS-i tugi piiratud. Parima kasutuskogemuse tagamiseks soovitame teil kasutada uuendatud brauserit (või lülitada Internet Exploreris ühilduvusrežiim välja). Seni kuvame jätkuva toe tagamiseks saiti ilma stiilide ja JavaScriptita.
Pinnase reostus on suur inimtegevusest tingitud probleem. Potentsiaalselt toksiliste elementide (PTE) ruumiline jaotus on enamikus linna- ja linnalähedastes piirkondades erinev. Seetõttu on selliste muldade PTE sisaldust ruumiliselt raske ennustada. Frydek Mistekilt Tšehhi Vabariigist saadi kokku 115 proovi.Kaltsiumi (MgK) ja magneesiumi (MgKi) kontsentratsiooni määramiseks kasutati induktiivsidestatud plasma emissioonispektromeetria.Vastuse muutuja on Ni ja ennustajad on Ca, Mg ja K. Korrelatsioonimaatriks reaktsioonimuutuja ja ennustaja muutuja vahel näitab rahuldavat korrelatsiooni elementide vahel.Prognoosimistulemused näitasid, et tugivektori masina regressioon (SVMR) toimis hästi, kuigi selle hinnanguline ruutkeskmine viga (RM)7 (mg235 kgE)7 (mg235 kgSE) (.6kgSE)7. 946 mg/kg) olid kõrgemad kui teistel kasutatud meetoditel. Empiirilise Bayesi krigingi-mitme lineaarse regressiooni (EBK-MLR) segamudelid toimivad halvasti, mida tõendavad määramiskoefitsiendid, mis on väiksemad kui 0,1. Empiirilise Bayesi krigingi-toetuse vektormasina regressiooni (EBK-SVMR) mudel oli madal.7RM3 mg/9kg.7RM3 mg/9kg. 68 mg/kg) väärtused ja kõrge määramiskoefitsient (R2 = 0,637). EBK-SVMR modelleerimistehnika väljund visualiseeritakse iseorganiseeruva kaardi abil. CakMg-EBK-SVMR komponendi hübriidmudeli tasapinnas olevad rühmitatud neuronid näitavad mitut värvimustrit, mis ennustavad Ni kontsentratsiooni linna- ja lähiümbruses. keelata mullad.
Niklit (Ni) peetakse taimede mikroelemendiks, kuna see aitab kaasa õhulämmastiku sidumisele (N) ja karbamiidi metabolismile, mis on mõlemad vajalikud seemnete idanemiseks. Lisaks oma panusele seemnete idanemisse võib Ni toimida seente ja bakterite pärssijana ning soodustada taimede arengut. Nikli puudumine pinnases võimaldab taimel seda omastada, roheliste lehtedega, näiteks nikkelhernega. -põhised väetised lämmastiku sidumise optimeerimiseks2.Niklipõhiste väetiste jätkuv kasutamine pinnase rikastamiseks ja kaunviljade lämmastiku sidumise võime suurendamiseks mullas suurendab pidevalt nikli kontsentratsiooni mullas. Kuigi nikkel on taimede jaoks mikrotoitaine, võib selle liigne pH mullas kahjustada ja mulla toksilisust minimeerida. ke rauda kui taimede kasvu hädavajalikku toitainet1.Liu3 kohaselt on Ni 17. oluline element, mis on vajalik taimede arenguks ja kasvuks.Lisaks nikli rollile taimede arengus ja kasvus vajab inimene seda mitmesugusteks rakendusteks. Galvaneerimine, niklipõhiste sulamite tootmine ja mitmesugused tööstuslikud kasutusalad, autotööstuses on vaja süüteseadmete lisamist, elektriliste pistikute tootmist. niklipõhiseid sulameid ja galvaniseeritud esemeid on laialdaselt kasutatud kööginõudes, ballisaalitarvikutes, toiduainetööstuse tarvikutes, elektri-, juhtme- ja kaablitarvikutes, reaktiivturbiinides, kirurgilistes implantaatides, tekstiilitoodetes ja laevaehituses5. Ni-rikaste ainete sisaldust pinnases (st pinnamuldades) on seostatud nii inimtekkeliste kui ka looduslike nikliallikatega, kuid pigem on nikli allikad looduslikud, mitte aga antropogeensed4. kaanipursked, taimestik, metsatulekahjud ja geoloogilised protsessid;inimtekkeliste allikate hulka kuuluvad aga terasetööstuses kasutatavad nikkel/kaadmiumpatareid, galvaniseerimine, kaarkeevitus, diislikütus ja kütteõlid ning söe põlemisel ning jäätmete ja muda põletamisel tekkivad atmosfääriheitmed Nikli akumulatsioon7,8.Freedmani ja Hutchinsoni9 ning Manyiwa et al.10, on peamisteks pinnase pinnase reostuse allikateks lähi- ja külgnevas keskkonnas peamiselt nikli-vasepõhised sulatusahjud ja -kaevandused.Kanadas asuva Sudbury nikli-vase rafineerimistehase ümbruses oli kõrgeim niklisaaste – 26 000 mg/kg11. Seevastu Venemaa Norkeli tootmine põhjustas suuremat pinnasereostust11. kooskõlas Alms jt.12, HNO3-ga ekstraheeritava nikli kogus piirkonna tipppõllumaal (nikli tootmine Venemaal) oli vahemikus 6,25 kuni 136,88 mg/kg, mis vastab keskmisele 30,43 mg/kg ja lähtekontsentratsioonile 25 mg/kg. põllukultuuride hooajad võivad mulda infundeerida või saastada. Nikli võimalik mõju inimestele võib põhjustada vähki mutageneesi, kromosomaalsete kahjustuste, Z-DNA tekke, blokeeritud DNA ekstsisiooni parandamise või epigeneetiliste protsesside kaudu.13. Loomkatsetes on leitud, et nikkel võib põhjustada mitmesuguseid kasvajaid ja selline kompleksne kasvaja võib olla kantserbatserogeenne.
Mulla saastatuse hindamine on viimasel ajal edenenud paljude tervisega seotud probleemide tõttu, mis tulenevad mulla ja taimede suhetest, mulla ja mulla bioloogilistest suhetest, ökoloogilisest lagunemisest ja keskkonnamõju hindamisest. Siiani on potentsiaalselt toksiliste elementide (PTE) (nt Ni) ruumiline prognoosimine pinnases olnud töömahukas ja aeganõudev, kasutades traditsioonilisi pinnase kaardistamise meetodeid. (PSM).Minasny ja McBratney16 järgi on ennustav pinnase kaardistamine (DSM) osutunud mullateaduse silmapaistvaks aladistsipliiniks.Lagacherie ja McBratney, 2006 defineerivad DSM-i kui „ruumilise mullainfosüsteemide loomist ja täitmist in situ ja laboratoorsete mullavaatluste ja mittespaatialiste süsteemide abil.17 kirjeldavad, et kaasaegne DSM või PSM on kõige tõhusam tehnika PTE-de, pinnasetüüpide ja mullaomaduste ruumilise jaotuse ennustamiseks või kaardistamiseks. Geostatistics and Machine Learning Algorithms (MLA) on DSM-i modelleerimistehnikad, mis loovad arvutite abil digiteeritud kaarte, kasutades olulisi ja minimaalseid andmeid.
Deutsch18 ja Olea19 defineerivad geostatistikat kui "numbriliste tehnikate kogumit, mis tegelevad ruumiliste atribuutide esitamisega, kasutades peamiselt stohhastilisi mudeleid, näiteks seda, kuidas aegridade analüüs iseloomustab ajalisi andmeid."Peamiselt hõlmab geostatistika variogrammide hindamist, mis võimaldavad kvantifitseerida ja määratleda ruumiliste väärtuste sõltuvusi igast andmekogumist20.Gumiaux et al.20 illustreerivad veelgi, et variogrammide hindamine geostatistikas põhineb kolmel põhimõttel, sealhulgas (a) andmete korrelatsiooni skaala arvutamine, (b) anisotroopia tuvastamine ja arvutamine andmekogude ebavõrdsuses ning (c) Lisaks lokaalsetest mõõtmisandmetes sisalduvate vigade arvessevõtmisele, on nendes valdkondades kasutatavad geopoleerimismeetodid ka mitmed interpoleerimisefektid. istika, sealhulgas üldine kriging, kaaskriging, tavaline kriging, empiiriline Bayesi kriging, lihtne krigimise meetod ja muud tuntud interpolatsioonitehnikad PTE, mulla omaduste ja mullatüüpide kaardistamiseks või ennustamiseks.
Masinõppe algoritmid (MLA) on suhteliselt uus tehnika, mis kasutab suuremaid mittelineaarseid andmeklasse, mida toidavad algoritmid, mida kasutatakse peamiselt andmete kaevandamiseks, andmete mustrite tuvastamiseks ja mida kasutatakse korduvalt klassifitseerimisel sellistes teadusvaldkondades nagu mullateadus ja tagastamisülesanded. Paljud uurimistööd tuginevad MLA mudelitele, et ennustada PTE-d muldades, nagu Tan jt.22 (juhuslikud metsad raskmetallide hindamiseks põllumajandusmuldades), Sakizadeh et al.23 (modelleerimine tugivektori masinate ja tehisnärvivõrkude abil) pinnase reostus ).Lisaks on Vega et al.24 (CART raskmetallide kinnipidamise ja adsorptsiooni modelleerimiseks pinnases) Sun et al.25 (kubisti rakendamine on Cd jaotus pinnases) ja muud algoritmid, nagu k-lähim naaber, üldistatud võimendatud regressioon ja võimendatud regressioon Puud rakendasid ka MLA-d PTE ennustamiseks pinnases.
DSM-i algoritmide rakendamine ennustamisel või kaardistamisel seisab silmitsi mitme väljakutsega.Paljud autorid usuvad, et MLA on parem kui geostatistika ja vastupidi.Kuigi üks on parem kui teine, parandab nende kahe kombinatsioon DSM-is kaardistamise või prognoosimise täpsust15.Woodcock ja Gopal26 Finke27;Pontius ja Cheuk28 ja Grunwald29 kommenteerivad prognoositud pinnase kaardistamise puudujääke ja mõningaid vigu.Mullateadlased on proovinud erinevaid tehnikaid, et optimeerida DSM-i kaardistamise ja prognoosimise tõhusust, täpsust ja prognoositavust.Ebakindluse ja kontrolli kombinatsioon on üks paljudest erinevatest aspektidest, mis on DSM-i integreeritud, et optimeerida tõhusust ja vähendada defekte.15 kirjeldavad, et kaardi loomise ja prognoosimisega kaasnevat valideerimiskäitumist ja ebakindlust tuleks kaardi kvaliteedi parandamiseks valideerida sõltumatult. DSM-i piirangud tulenevad geograafiliselt hajutatud mullakvaliteedist, mis hõlmab ebakindluse komponenti;kindluse puudumine DSM-is võib aga tuleneda mitmest veaallikast, nimelt ühismuutujast, mudeliveast, asukohaveast ja analüütilisest veast. 31. MLA-s ja geostatistilistes protsessides esilekutsutud modelleerimise ebatäpsused on seotud arusaamatusega, mis lõppkokkuvõttes viib tegeliku protsessi liigsele lihtsustamisele. ioonid ehk interpolatsioon33.Viimasel ajal on ilmnenud uus DSM-i suund, mis soodustab geostatistika ja MLA integreerimist kaardistamisel ja prognoosimisel.Mitmed mullateadlased ja autorid, nagu Sergeev et al.34;Subbotina et al.35;Tarasov jt.36 ja Tarasov et al.37 on kasutanud geostatistika ja masinõppe täpset kvaliteeti hübriidmudelite loomiseks, mis parandavad prognoosimise ja kaardistamise tõhusust.kvaliteet.Mõned neist hübriid- või kombineeritud algoritmimudelitest on tehisnärvivõrgu krigistamine (ANN-RK), mitmekihiline pertseptroni jääkkriging (MLP-RK), üldistatud regressiooniga närvivõrgu jääkkriimine (GR-NNRK)36, tehisnärvivõrgu krigistamine-mitmekihiline pertseptron (ANN-K-MLP)37 ja regressioonid8.
Sergeevi jt sõnul võib erinevate modelleerimistehnikate kombineerimine pigem defekte kõrvaldada ja saadava hübriidmudeli tõhusust, mitte selle üksiku mudeli väljatöötamist. Selles kontekstis väidetakse selles uues artiklis, et optimaalsete hübriidmudelite loomiseks on vaja rakendada geostatistika ja MLA kombineeritud algoritmi, et luua optimaalseid hübriidmudeleid Ni rikastumise ennustamiseks linna- ja linnalähedastes piirkondades. Masina (SVM) ja mitme lineaarse regressiooni (MLR) mudelid. EBK hübridiseerimine ühegi MLA-ga ei ole teada. Nähtud mitmed segamudelid on tavalise, jääk-, regressioonikrigimise kombinatsioonid ja MLA.EBK on geostatistiline interpolatsioonimeetod, mis kasutab ruumiliselt stohhastilist protsessi, mis on lokaliseeritud variatsiooniväljana, mis võimaldab defineeritud/lokaliseerimiseta parameetrivälja3,9 üle defineeritud lokaliseerimisvälja9. .EBK-d on kasutatud mitmesugustes uuringutes, sealhulgas orgaanilise süsiniku jaotuse analüüsimisel talumuldades40, mulla saastatuse hindamisel41 ja mulla omaduste kaardistamisel42.
Teisest küljest on Self-Organizing Graph (SeOM) õppimisalgoritm, mida on rakendatud erinevates artiklites, nagu Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 ja Kebonye jt.46 Määrake elementide ruumilised atribuudid ja rühmitus.Wang et al.44 kirjeldavad, et SeOM on võimas õppetehnika, mis on tuntud oma võime poolest mittelineaarseid probleeme rühmitada ja ette kujutada.Erinevalt teistest mustrituvastustehnikatest, nagu põhikomponentide analüüs, udune klasterdamine, hierarhiline klasterdamine ja mitme kriteeriumi alusel otsuste tegemine, suudab SeOM paremini organiseerida ja tuvastada PTE mustreid.Wang et al.44, SeOM saab ruumiliselt rühmitada seotud neuronite jaotust ja pakkuda kõrge eraldusvõimega andmete visualiseerimist.SeOM visualiseerib Ni ennustusandmed, et saada parim mudel tulemuste iseloomustamiseks otseseks tõlgendamiseks.
Selle artikli eesmärk on luua optimaalse täpsusega töökindel kaardistamismudel niklisisalduse ennustamiseks linna- ja linnalähedastes muldades. Oletame, et segamudeli usaldusväärsus sõltub peamiselt teiste baasmudeliga seotud mudelite mõjust. Tunnistame DSM-i ees seisvaid väljakutseid ja kuigi neid väljakutseid käsitletakse mitmel rindel, näivad mudelite ja geostaadiumide edusammude kombinatsioon;Seetõttu püüame vastata uurimisküsimustele, mis võivad anda segamudeleid.Kuid kui täpne on mudel sihtelemendi ennustamisel?Samuti, milline on valideerimisel ja täpsuse hindamisel põhineva efektiivsuse hindamise tase? Seetõttu oli selle uuringu konkreetsed eesmärgid (a) luua kombineeritud segumudel SVMR-i või MLR-i jaoks, kasutades baasmudelina EBK-d, (b) linnade segude prognoosimiseks või parimate kontsentratsioonide mudelite võrdlemine s ja (d) SeOM-i rakendamine nikli ruumilise variatsiooni kõrge eraldusvõimega kaardi loomiseks.
Uuring viiakse läbi Tšehhi Vabariigis, täpsemalt Frydek Misteki rajoonis Moraavia-Sileesia piirkonnas (vt joonis 1). Uuritava ala geograafia on väga konarlik ja on enamasti osa Moraavia-Sileesia Beskidide piirkonnast, mis on osa Karpaatide mäestiku välisservast. Uurimisala asub vahemikus 41°201′04°201′00. ′ E ja kõrgus on 225–327 m;piirkonna kliimaseisundi Koppeni klassifikatsioonisüsteemi hinnanguks on aga Cfb = parasvöötme ookeanikliima. Sademeid on palju ka kuivadel kuudel. Temperatuurid varieeruvad aastaringselt veidi –5 °C ja 24 °C vahel, langedes harva alla –14 °C või üle 30 °C, samas kui aasta keskmine sademete hulk jääb vahemikku 58 mm4 ja uuringu pindala on 7 mm4. 1208 ruutkilomeetrit, kus on 39,38% haritavast maast ja 49,36% metsast.Teisalt on selles uuringus kasutatud pindala umbes 889,8 ruutkilomeetrit.Ostravas ja selle ümbruses on terasetööstus ja metallitööstus väga aktiivne.Metallivabrikud, terasetööstus, kus niklit kasutatakse roostevaba terase ja roostevaba terase vastupidavuse suurendamiseks (nt roostevaba terase vastu) sulami tugevus, säilitades samal ajal selle hea plastilisuse ja sitkuse), ning intensiivne põllumajandus, nagu fosfaatväetiste kasutamine ja loomakasvatus, on piirkonna potentsiaalsed nikliallikad (nt nikli lisamine talledele, et suurendada tallede ja vähesöödetud veiste kasvukiirust, muud tööstuslikud kasutusalad, sealhulgas nikli elektrooniline kasutamine, sealhulgas elektrooniline plaatimine). Mulla omadused on kergesti eristatavad mulla värvist, struktuurist ja karbonaadisisaldusest.Mulla tekstuur on keskmisest kuni peene, saadud lähtematerjalist.Nad on oma olemuselt kolluviaalsed, loopealsed või eoolilised.Mõned mullapiirkonnad on pinnases ja aluspinnases laigulised, sageli betooni ja pleegitamisega.Samas on kambsoolid ja seismajäägid piirkonnas kõige levinumad pinnasetüübid4 kuni48. 493,5 m, Tšehhis domineerivad kamboolid49.
Uuringupiirkonna kaart [Uurimisala kaart loodi ArcGIS Desktopi abil (ESRI, Inc, versioon 10.7, URL: https://desktop.arcgis.com).]
Kokku saadi Frydek Misteki linnaosa linna- ja lähiümbruse muldadest 115 pinnase pinnaseproovi. Kasutatud proovimuster oli tavaline ruudustik, mille mullaproovid olid üksteisest 2 × 2 km kaugusel, ja pinnase pinnast mõõdeti 0 kuni 20 cm sügavuselt käeshoitava GPS-seadme abil (Leica Zeno 5 pakendatud GPS, korrektselt pakitud GPS). s kuivatati õhu käes, et saada pulbristatud proove, pulbristati mehaanilise süsteemiga (Fritschi ketasveski) ja sõeluti (sõela suurus 2 mm). Asetage 1 gramm kuivatatud, homogeniseeritud ja sõelutud mullaproove selgelt märgistatud teflonpudelitesse. Igasse teflonnõusse laske 7 ml 35% HCl-i ja 3 ml NO3 jaoks automaatset proovi katta. s seisma üleöö reaktsiooni ajaks (aqua regia programm). Asetage supernatant kuumale metallplaadile (temperatuur: 100 W ja 160 °C) 2 tunniks, et hõlbustada proovide seedimist, seejärel jahutage. Viige supernatant 50 ml mõõtekolbi ja lahjendage 50 ml-ni PVC-ga lahjendatud vesi. ioniseeritud vesi.Lisaks lahjendati 1 ml lahjenduslahust 9 ml deioniseeritud veega ja filtriti 12 ml tuubi, mis valmistati ette PTE pseudokontsentreerimiseks. PTE-de (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) kontsentratsioonid määrati EPS-i spetsifikatsioonilise induktiivsuse meetodiga (Op. rmo Fisher Scientific, USA) vastavalt standardmeetoditele ja kokkuleppele.Tagage kvaliteedi tagamise ja kontrolli (QA/QC) protseduurid (SRM NIST 2711a Montana II Soil).Sellest uuringust jäeti välja PTE-d, mille avastamispiirid on alla poole.Selles uuringus kasutatud PTE avastamispiir oli 0,0004.(teie).Lisaks tagavad kvaliteedikontrolli ja kvaliteedikontrolli iga analüüsi jaoks. et vead oleksid viidud miinimumini, viidi läbi topeltanalüüs.
Empiiriline Bayesi kriging (EBK) on üks paljudest geostatistilistest interpolatsioonitehnikatest, mida kasutatakse modelleerimisel erinevates valdkondades, näiteks mullateaduses. Erinevalt teistest krigimise interpolatsioonitehnikatest erineb EBK traditsioonilistest krigimise meetoditest, võttes arvesse semivariogrammi mudeli abil hinnatud viga. EBK interpoleerimisel arvutatakse interpoleerimise käigus pigem mitu poolvariogrammi mudelit, mitte ühe interpoleerimise meetodil. ja programmeerimine, mis on seotud selle poolvariogrammi joonistamisega, mis moodustab piisava krigimise meetodi väga keerulise osa. EBK interpoleerimisprotsess järgib kolme Krivoruchko pakutud kriteeriumi50, (a) mudel hindab poolvariogrammi sisendandmekogumi põhjal (b) iga sisendandmestiku asukoha uus prognoositav väärtus põhineb genereeritud poolvariatsioonigrammil A ja mudelist koostatakse lõplik reeglistik. antud tagantjärele
Kus \(Prob\left(A\right)\) tähistab prioriteedit, siis \(tõenäosus\vasak(B\parem)\) marginaalset tõenäosust eiratakse enamikul juhtudel, \(Prob (B,A)\ ) . Poolvariogrammi arvutamine põhineb Bayesi reeglil, mis näitab vaatlusandmekogumite kalduvust, mida saab määrata, kasutades poolvariogrammi tõenäolist väärtust, mille abil saab määrata poolvariogrammi, mille poolvariogramm on siis võimalik. selleks on semivariogrammi põhjal vaatlusandmestiku loomine.
Tugivektormasin on masinõppealgoritm, mis genereerib optimaalse eraldava hüpertasandi, et eristada identseid, kuid mitte lineaarselt sõltumatuid klasse. Vapnik51 lõi kavatsuste klassifitseerimisalgoritmi, kuid seda on hiljuti kasutatud regressioonile orienteeritud probleemide lahendamiseks. Li et al.52 kohaselt on SVM üks paremini kasutatud klassifikaatorite regressitehnikas (SV-masinate komponentide regressitehnikas ja S-i valdkonnas.S. ioon – SVMR) kasutati selles analüüsis.Cherkassky ja ​​Mulier53 tegid SVMR-i teerajajaks tuumapõhise regressioonina, mille arvutamisel kasutati mitme riigi ruumifunktsioonidega lineaarse regressiooni mudelit.John et al54 teatavad, et SVMR-i modelleerimine kasutab hüpertasandilist lineaarset regressiooni, mis võimaldab luua ja luua mittelineaarseid seoseid.55, epsilon (ε)-SVMR kasutab treenitud andmestikku esitusmudeli saamiseks epsiloni suhtes mittetundliku funktsioonina, mida rakendatakse andmete kaardistamiseks sõltumatult parima epsiloni kallutatusega korrelatsiooniandmete põhjal treenimisest. Eelseadistatud kauguse viga ignoreeritakse tegelikust väärtusest ja kui viga on suurem kui ε(ε), vähendab alamkomplekti koolituse alamhulka ka kompleksse andmekomplekti kompenseerimiseks. Vapnik51 pakutud võrrand on näidatud allpool.
kus b tähistab skalaarset läve, \(K\left({x}_{,}{ x}_{k}\right)\) tähistab kerneli funktsiooni, \(\alpha\) tähistab Lagrange'i kordajat, N tähistab numbrilist andmestikku, \({x}_{k}\) tähistab andmesisendit ja võti \(y\O) on kasutatava kerneli võti. Gaussi radiaalne baasfunktsioon (RBF). RBF-i tuuma kasutatakse optimaalse SVMR-mudeli määramiseks, mis on ülioluline, et saada PTE treeningandmete jaoks kõige peenem trahvikomplekti tegur C ja tuumaparameetri gamma (γ).Esmalt hindasime koolituskomplekti ja seejärel testisime mudeli jõudlust valideerimiskomplektis. Juhtimisparameeter on kasutatav väärtusRadials ja meetodi väärtusRadials.
Mitmekordne lineaarne regressioonimudel (MLR) on regressioonimudel, mis esindab seost vastuse muutuja ja mitme ennustava muutuja vahel, kasutades lineaarseid kogutud parameetreid, mis arvutatakse vähimruutude meetodil. MLR-is on vähimruutude mudel mulla omaduste ennustav funktsioon pärast selgitavate muutujate valimist. On vaja kasutada vastust, et luua lineaarne seos muutuja ja muutuja vahel, kasutades selgitavat lineaarset seost. muutujad.MLR võrrand on
kus y on vastuse muutuja, \(a\) on lõikepunkt, n on ennustajate arv, \({b}_{1}\) on koefitsientide osaline regressioon, \({x}_{ i}\) tähistab ennustavat või selgitavat muutujat ja \({\varepsilon }_{i}\) esindab ka mudelis tuntud viga.
Segamudelid saadi, ühendades EBK SVMR-i ja MLR-iga. Seda tehakse prognoositud väärtuste ekstraheerimisega EBK interpolatsioonist. Interpoleeritud Ca, K ja Mg prognoositud väärtused saadakse kombinatoorse protsessi abil, et saada uusi muutujaid, nagu CaK, CaMg ja KMg. Seejärel saadakse elemendid kõigist muutujatest Ca, K, Ca, M ja aM. on Ca, K, Mg, CaK, CaMg, KMg ja CaKMg. Nendest muutujatest said meie ennustajad, mis aitasid ennustada nikli kontsentratsiooni linna- ja linnalähedastes muldades. SVMR-i algoritm viidi läbi ennustajatel, et saada segamudel Empiiriline Bayesi Kriging-Support-Support Model (EBK_SVM). ian Kriging-Multiple Linear Regression (EBK_MLR).Tavaliselt kasutatakse muutujaid Ca, K, Mg, CaK, CaMg, KMg ja CaKMg Ni sisalduse ennustajatena linna- ja linnalähedastes muldades. Kõige vastuvõetavam mudel, mis on saadud (EBK_SVM või EBK_MLR) on selle uuringu visualiseerimise graafikul2.
SeOM-i kasutamine on muutunud populaarseks vahendiks andmete korraldamiseks, hindamiseks ja prognoosimiseks finantssektoris, tervishoius, tööstuses, statistikas, mullateaduses ja mujal.SeOM luuakse tehisnärvivõrkude ja järelevalveta õppemeetodite abil organiseerimiseks, hindamiseks ja prognoosimiseks.Selles uuringus kasutati SeOM-i Ni kontsentratsioonide visualiseerimiseks, mis põhines parimal mudelil Ni prognoosimiseks linnades ja keskkonnas kasutatavate andmetena. vektori muutujad43,56.Melssen et al.57 kirjeldavad sisendvektori ühendamist närvivõrku ühe sisendkihi kaudu ühe kaaluvektoriga väljundvektoriga.SeOM-i genereeritud väljund on kahemõõtmeline kaart, mis koosneb erinevatest neuronitest või sõlmedest, mis on kootud vastavalt nende lähedusele kuusnurkseteks, ringikujulisteks või ruudukujulisteks topoloogilisteks kaartideks. Võrreldes kaardi suurusi koos meetermõõdustiku veaga (E,QTE quantization, the Metric error)0. Valitakse vastavalt 086 ja 0,904, mis on 55 kaardi ühik (5 × 11). Neuronite struktuur määratakse empiirilise võrrandi sõlmede arvu järgi.
Selles uuringus kasutatud andmete arv on 115 valimit. Andmete jagamiseks katseandmeteks (valideerimiseks 25%) ja treeningandmeteks (75% kalibreerimiseks) kasutati juhuslikku lähenemisviisi. Treenimise andmekogumit kasutatakse regressioonimudeli genereerimiseks (kalibreerimine) ja testandmestikku kasutatakse üldistusvõime kontrollimiseks. -valideerimisprotsess, korratakse viis korda. EBK interpolatsiooniga toodetud muutujaid kasutatakse sihtmuutuja (PTE) ennustamiseks ennustajate või selgitavate muutujatena. Modelleerimine toimub RStudios pakettide abil teek (Kohonen), teek (caret), raamatukogu (mudel), teek (“e1071″), teek (“plyr”-teek), teek (, “plyr””),sr.
Parima nikli kontsentratsiooni prognoosimiseks pinnases sobiva mudeli määramiseks ning mudeli täpsuse ja selle valideerimise hindamiseks kasutati erinevaid valideerimisparameetreid. Hübridisatsioonimudeleid hinnati keskmise absoluutvea (MAE), ruutkeskmise vea (RMSE) ja R-ruudu või koefitsiendi määramise (R2) abil. R2 defineerib proportsioonide dispersiooni RM-i sõltumatute mõõtmete ja variatsiooni järgi vastuses regressiooni võimsuses ja variatsioonis. mudel, samas kui MAE määrab tegeliku kvantitatiivse väärtuse.R2 väärtus peab olema kõrge, et hinnata parimat segumudelit valideerimisparameetrite abil, mida lähemal on väärtus 1-le, seda suurem on täpsus.Li et al.59, R2 kriteeriumi väärtust 0,75 või rohkem peetakse heaks ennustajaks;0,5 kuni 0,75 on vastuvõetav mudeli jõudlus ja alla 0,5 on vastuvõetamatu mudeli jõudlus. RMSE ja MAE valideerimiskriteeriumide hindamismeetoditega mudeli valimisel piisas saadud madalamatest väärtustest ja neid peeti parimaks valikuks. Järgmine võrrand kirjeldab kontrollimeetodit.
kus n tähistab vaadeldud väärtuse suurust\({Y}_{i}\) tähistab mõõdetud vastust ja \({\widehat{Y}}_{i}\) tähistab ka prognoositud vastuse väärtust, seega esimeste i vaatluste puhul.
Prognoosimis- ja vastusemuutujate statistilised kirjeldused on toodud tabelis 1, näidates keskmist, standardhälvet (SD), variatsioonikoefitsienti (CV), miinimumi, maksimumi, kurtoosi ja kaldsust. Elementide miinimum- ja maksimumväärtused on kahanevas järjekorras Mg < Ca < K < Ni ja Ca < Mg < K < Ni, vastavalt. Kontsentratsioonid vahemikus 8 valimi pindala (4 N i) vastuse vahemikku. 2,39 mg/kg.Nii võrdlus maailma keskmise (29 mg/kg) ja Euroopa keskmisega (37 mg/kg) näitas, et üldine arvutatud geomeetriline keskmine uuringupiirkonna kohta jäi talutavasse vahemikku. Sellegipoolest, nagu näitas Kabata-Pendias11, näitab keskmise nikli (Ni) kontsentratsiooni võrdlus praeguses uuringus, et praeguses uuringus on nikli (Ni) kontsentratsiooni keskmine kontsentratsioon kõrgem põllumajanduslikus mullas. Mistek linna- ja linnalähedastes muldades käesolevas uuringus (Ni 16,15 mg/kg) oli kõrgem kui lubatud piir 60 (10,2 mg/kg) Poola linnamuldades, millest teatasid Różański jt. Peale selle registreerisid Bretzel ja Calderisi61 uuringus väga madala keskmise Ni kontsentratsiooni (1,78 mg/kg) võrreldes linnapinnases 2,78 mg/kg. nikli kontsentratsioon (12,34 mg/kg) Hongkongi linnamuldades, mis on madalam kui praegune nikli kontsentratsioon selles uuringus.Birke jt63 teatasid Saksamaal Saksi-Anhalti liidumaa vanas kaevandus- ja linnatööstuspiirkonnas keskmisest Ni kontsentratsioonist 17,6 mg/kg, mis oli 1,45 mg/kg kõrgem kui keskmine pinnase liigne sisaldus linna pinnases. Uuritava piirkonna eeslinnapiirkondi võib seostada peamiselt raua- ja terasetööstuse ning metallitööstusega. See on kooskõlas Khodadousti jt uuringuga.64, et terasetööstus ja metallitööstus on peamised nikliga saasteallikad pinnases. Ennustajad jäid aga ka vahemikku 538,70 mg/kg kuni 69 161,80 mg/kg Ca puhul, 497,51 mg/kg kuni 3535,68 mg/kg K ja 685 kuni .58 mg/kg Ja.5 mg/kg Ja.5 mg/kg. et al.65 uurisid Kesk-Serbia muldade magneesiumi ja kaaliumi kogusisaldust. Nad leidsid, et üldkontsentratsioonid (vastavalt 410 mg/kg ja 400 mg/kg) olid madalamad kui käesoleva uuringu Mg ja K kontsentratsioonid. Erastamatu, Ida-Poolas hindasid Orzechowski ja Smolczynski66 Ca, Mg/kg (keskmiselt 9 Mg/kg) ja K kogusisaldust (5 mg/kg Mg10 ja 0 kg). /kg) ja K (810 mg/kg) Pinnase pinnase sisaldus on madalam kui selle uuringu üksikelement. Pongrac et al.67 näitas, et Ühendkuningriigis Šotimaal kolmes erinevas mullas (Mylnefieldi muld, Balruddery muld ja Hartwoodi muld) analüüsitud Ca kogusisaldus näitas selles uuringus kõrgemat Ca sisaldust.
Valimi elementide erinevate mõõdetud kontsentratsioonide tõttu on elementide andmestiku jaotused erinevad. Elementide kaldusus ja kurtoos jäid vastavalt vahemikku 1,53 kuni 7,24 ja 2,49 kuni 54,16. Kõikidel arvutatud elementidel on kaldsuse ja kurtoosi tase, mis on õiges suunas üle +1, seega on andmete jaotuse tase üle +1. .Elementide hinnangulised CV-d näitavad ka, et K, Mg ja Ni varieeruvus on mõõdukas, Ca on aga äärmiselt suur. K, Ni ja Mg CV-d selgitavad nende ühtlast jaotumist. Lisaks on Ca jaotus ebaühtlane ja välised allikad võivad mõjutada selle rikastamist.
Ennustavate muutujate korrelatsioon vastuseelementidega näitas rahuldavat korrelatsiooni elementide vahel (vt joonis 3). Korrelatsioon näitas, et CaK-l oli mõõdukas korrelatsioon r väärtusega = 0,53, nagu ka CaNi. Kuigi Ca ja K näitavad üksteisega tagasihoidlikku seost, on teadlased nagu Kingston et al.68 ja Santo69 viitavad sellele, et nende tase pinnases on pöördvõrdeline.Siiski on Ca ja Mg K-le antagonistlikud, kuid CaK korreleerub hästi. Selle põhjuseks võib olla väetiste, näiteks kaaliumkarbonaadi kasutamine, mille kaaliumisisaldus on 56% kõrgem.Kaalium oli magneesiumiga mõõdukas korrelatsioonis (KM-i kaaliumitööstuses on omavahel tihedalt seotud elemente). sulfaati, kaaliummagneesiumnitraati ja kaaliumkloriidi kantakse muldadele, et suurendada nende defitsiidi taset.Nikkel on mõõdukas korrelatsioonis Ca, K ja Mg-ga, mille r väärtused on vastavalt 0,52, 0,63 ja 0,55. Kaltsiumi, magneesiumi ja PTE-de, näiteks kaltsiumi, magneesiumi ja PTE-de (nt nikli) seosed on keerulised, kuid kaltsiumi ja kaltsiumi liigset toimet ei vähenda. vähendada nikli toksilist mõju pinnases.
Elementide korrelatsioonimaatriks, mis näitab seost ennustajate ja vastuste vahel (Märkus: see joonis sisaldab elementide vahelist hajuvust, olulisuse tasemed põhinevad p < 0,001).
Joonis 4 illustreerib elementide ruumilist jaotust. Burgose jt70 järgi on ruumilise jaotuse rakendamine meetod, mida kasutatakse saastatud piirkondade kuumade kohtade kvantifitseerimiseks ja esiletõstmiseks. Joonisel 4 kujutatud Ca rikastustasemed on näha ruumilise jaotuse kaardi loodeosas. Joonisel on kujutatud mõõduka kuni kõrge Ca rikastamise kaart. kustutamata lubi (kaltsiumoksiid) mulla happesuse vähendamiseks ja selle kasutamine terasetehastes leeliselise hapnikuna terasetootmisprotsessis. Teisest küljest eelistavad teised põllumehed kasutada pH neutraliseerimiseks happelistes muldades kaltsiumhüdroksiidi, mis suurendab ka mulla kaltsiumisisaldust71.Kaalium näitab ka mõõdukaid kuumi kohti põllumajandusliku kogukonna loode- ja idaosas. NPK ja kaaliumkloriidi rakendused. See on kooskõlas teiste uuringutega, nagu Madaras ja Lipavský72, Madaras et al.73, Pulkrabová jt 74, Asare jt 75, kes täheldasid, et mulla stabiliseerimine ning töötlemine KCl ja NPK-ga andis tulemuseks kõrge K sisalduse mullas.Ruumiline Kaaliumi rikastumine levikukaardi loodeosas võib olla tingitud kaaliumipõhiste väetiste, nagu kaaliumkloriid, kaaliumsulfaat, kaaliumnitraat, kaaliumkloriid ja kaalium, kasutamine vaeste muldade kaaliumisisalduse suurendamiseks.Zádorová et al.76 ja Tlustoš jt.77 tõi välja, et K-põhiste väetiste kasutamine suurendas mulla K sisaldust ja pikemas perspektiivis suurendaks oluliselt mulla toitainete sisaldust, eriti K ja Mg, mis näitavad kuuma kohta mullas.Suhteliselt mõõdukad levialad kaardi loodeosas ja kaardi kagus. Kolloidne kinnitumine mullas põhjustab kollaseks. siumipõhised väetised, nagu kaaliummagneesiumsulfaat, magneesiumsulfaat ja kieserite, ravivad normaalse pH-vahemikuga muldade puudusi (taimed on lillad, punased või pruunid, mis näitab magneesiumipuudust)6. Nikli kogunemine linna- ja linnalähedastele pinnasepindadele võib olla tingitud sellisest inimtekkelise põllumajandustegevusest8.
Elementide ruumiline jaotus [ruumiline jaotuskaart loodi ArcGIS Desktopiga (ESRI, Inc, versioon 10.7, URL: https://desktop.arcgis.com).]
Selles uuringus kasutatud elementide mudeli jõudlusindeksi tulemused on toodud tabelis 2. Teisest küljest on Ni RMSE ja MAE mõlemad nullilähedased (0,86 RMSE, -0,08 MAE). Teisest küljest on vastuvõetavad nii K RMSE kui ka MAE väärtused. RMSE ja MAE tulemused olid kaltsiumi ja magneesiumi puhul suuremad. Selle uuringu MARME tulemused on suuremad ning tänu erinevatele uuringutulemustele MAE ja RMSE ja K MAE. EBK Ni ennustamiseks osutus paremaks kui Johni jt tulemused.54 kasutades sünergilist krigistamist, et ennustada S kontsentratsioone pinnases, kasutades samu kogutud andmeid. Meie uuritud EBK väljundid korreleeruvad Fabijaczyki jt tulemustega.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 ja John et al.82, eriti K ja Ni.
Üksikute meetodite toimivust niklisisalduse ennustamiseks linna- ja linnalähedastes muldades hinnati mudelite jõudluse abil (tabel 3).Mudelite valideerimine ja täpsuse hindamine kinnitas, et Ca_Mg_K ennustaja kombineerituna EBK SVMR mudeliga andis parima tulemuse.Kalibreerimismudel Ca_Mg_K-EBK_SVMR mudel oli absoluutne viga R2, root mean. 95,479 mg/kg (RMSE) ja 77,368 mg/kg (MAE) Ca_Mg_K-SVMR oli 0,663 (R2), 235,974 mg/kg (RMSE) ja 166,946 mg/kg (MAE). Sellegipoolest saadi Ca_Mg_K-6-3 mg/kg Ca_Mg_Mg/kg jaoks Ca_Mg_Mg/kg head R2 väärtused (RMSE). SVMR (0,643 = R2);nende RMSE ja MAE tulemused olid kõrgemad kui Ca_Mg_K-EBK_SVMR (R2 0,637) omad (vt tabel 3). Lisaks on Ca_Mg-EBK_SVMR (RMSE = 1664,64 ja MAE = 1031,49) mudeli RMSE ja MAE väärtused (RMSE = 1664,64 ja MAE = 1031,49), mis on vastavalt 17,4 M, Ca- K, mis on 17,4 M, 13,5 ja _SVMR.Samuti on Ca_Mg-K SVMR (RMSE = 235,974 ja MAE = 166,946) mudeli RMSE ja MAE väärtused 2,5 ja 2,2 võrra suuremad kui Ca_Mg_K-EBK_SVMR RMSE ja MAE omad. See näitab, kui kontsentreeritud on RMSE andmete kogumi RMSE ja MAE arvutatud joon. Vastavalt Kebonye jt.46 ja john et al.54, mida lähemal on RMSE ja MAE nullile, seda paremad on tulemused. SVMR ja EBK_SVMR kvantiseeritud RSME ja MAE väärtused on kõrgemad. Täheldati, et RSME hinnangud olid pidevalt kõrgemad kui MAE väärtused, mis viitab kõrvalekallete olemasolule. Legatesi ja McCabe'i83 järgi ületab RMSE soovitusliku vea keskmine näitaja (MAE) ers.See tähendab, et mida heterogeensem on andmestik, seda kõrgemad on MAE ja RMSE väärtused.Li jt andmetel oli Ca_Mg_K-EBK_SVMR segamudeli ristvalideerimise hindamise täpsus linna- ja eeslinnamuldade Ni sisalduse ennustamiseks 63,70%.59, on see täpsusaste vastuvõetav mudeli jõudlusmäär. Käesolevaid tulemusi võrreldakse Tarasovi jt eelmise uuringuga.36, mille hübriidmudel lõi MLPRK (Multilayyer Perceptron Residual Kriging), mis on seotud praeguses uuringus esitatud EBK_SVMR täpsuse hindamisindeksiga, RMSE (210) ja MAE (167,5) oli kõrgem kui meie tulemused käesolevas uuringus (RMSE 95.479, MAE 77.368). ov jt.36 (0,544), on selge, et determinatsioonikoefitsient (R2) on selles segamudelis kõrgem.Segamudeli veamarginaal (RMSE ja MAE) (EBK SVMR) on kaks korda madalam. Sarnaselt registreerisid Sergeev jt34 väljatöötatud hübriidmudeli (mitmekihilise pertseptroni uuringus) väärtuse 0,28 (R2), samas kui voolutugevuse uuringus (mitmekihiline tajumine uuring) accioon (Niijääk7) (2). selle mudeli uratsitase (EBK SVMR) on 63,7%, samas kui Sergeevi jt saadud ennustustäpsus.34 on 28%. EBK_SVMR mudelit ja Ca_Mg_K ennustajana koostatud lõplik kaart (joonis 5) näitab kuumade kohtade ja mõõduka kuni nikli ennustusi kogu uuringupiirkonnas. See tähendab, et nikli kontsentratsioon uuritavas piirkonnas on peamiselt mõõdukas, mõnes konkreetses piirkonnas on kontsentratsioon suurem.
Lõplik ennustuskaart on esitatud hübriidmudeli EBK_SVMR ja ennustajana Ca_Mg_K abil.[Ruumiline jaotuskaart loodi RStudio abil (versioon 1.4.1717: https://www.rstudio.com/).]
Joonisel 6 on kujutatud PTE kontsentratsioonid kompositsioonitasandina, mis koosneb üksikutest neuronitest. Ühelgi komponenttasandil ei olnud sama värvimustrit, nagu näidatud. Siiski on sobiv neuronite arv joonistatud kaardi kohta 55. SeOM toodetakse mitmesuguste värvide abil ja mida sarnasemad on värvimustrid, seda võrreldavamad on proovide omadused, nende üksikute elementide sarnased värvid, värviskaala (According) mustrid üksikutele kõrgetele neuronitele ja enamikele madalatele neuronitele. Seega on CaK-l ja CaMg-l mõningaid sarnasusi väga kõrge järgu neuronite ja madala kuni mõõduka värvimustritega. Mõlemad mudelid ennustavad Ni kontsentratsiooni pinnases, kuvades keskmise kuni kõrge värvitoonid, nagu punane, oranž ja kollane. KMg-mudel kuvab palju kõrgeid värviskaala mustreid, mis põhinevad suurel ja keskmisel täpsel värvijaotusplaanil ja madalal kuni madalal täpsel värvijaotusel. mudeli komponentide muster näitas kõrget värvimustrit, mis näitab nikli potentsiaalset kontsentratsiooni pinnases (vt joonis 4). CakMg mudeli komponendi tasapinnal on vastavalt täpsele värviskaalale mitmekesine värvimuster madalast kõrgeni. Lisaks on mudeli niklisisalduse (CakMg) prognoos sarnane nikli kontsentratsiooni ruumilise jaotusega linnas, mis on näidatud joonistel B oth nickel, high proportsions of nics and 5. -linnamullad.Joonis 7 kujutab kontuurimeetodit kaardil k-keskmiste rühmituses, mis on jagatud kolmeks klastriks iga mudeli prognoositava väärtuse alusel.Kontuurmeetod esindab optimaalset klastrite arvu.115 kogutud mullaproovist sai 1. kategooria kõige rohkem mullaproove, 1. kategooria sai kõige rohkem mullaproove, 74.Klastri proove 23, samas kui clustri proove 23-8. kombinatsiooni lihtsustati, et võimaldada klastrite õiget tõlgendamist. Arvukate inimtekkeliste ja looduslike protsesside tõttu, mis mõjutavad mulla teket, on hajutatud SeOM-i kaardil keeruline õigesti eristada klastri mustreid78.
Komponenttasandi väljund iga Empiirilise Bayesi Krigingi tugivektori masina (EBK_SVM_SeOM) muutujaga.[SeOM-kaardid loodi RStudio abil (versioon 1.4.1717: https://www.rstudio.com/).]
Erinevad klastrite klassifitseerimise komponendid [SeOM-kaardid loodi RStudio abil (versioon 1.4.1717: https://www.rstudio.com/).]
Käesolev uuring illustreerib selgelt linna- ja linnalähedaste muldade nikli kontsentratsioonide modelleerimistehnikaid.Uuringus testiti erinevaid modelleerimistehnikaid, kombineerides elemente modelleerimistehnikatega, et saada parim viis nikli kontsentratsiooni ennustamiseks pinnases. Modelleerimismeetodi SeOM-i kompositsioonilised tasapinnalised ruumilised tunnused näitasid kõrget värvimustrit madalast kuni kõrgeni pinnase täpsel kontsentratsiooniplaanil. EBK_SVMR eksponeeritud komponentide jaotus (vt joonis 5). Tulemused näitavad, et tugivektori masina regressioonimudel (Ca Mg K-SVMR) ennustab Ni kontsentratsiooni pinnases ühe mudelina, kuid valideerimis- ja täpsuse hindamise parameetrid näitavad RMSE ja MAE osas väga suuri vigu. Teisest küljest on modelleerimistehnika puhul kasutatud kaasterminali deLR väärtust madal EBK. (R2).Head tulemused saadi kasutades EBK SVMR-i ja kombineeritud elemente (CaKMg) madalate RMSE ja MAE vigadega 63,7% täpsusega. Selgub, et EBK algoritmi kombineerimine masinõppe algoritmiga võib genereerida hübriidalgoritmi, mis suudab ennustada PTE-de kontsentratsiooni uuringupiirkonnas. Nii võib ennustada Ni-de kontsentratsiooni ennustamiseks pinnases. Ni tulemused näitavad, et kasutades Ca Mg-d pinnases. mullad.See tähendab, et niklipõhiste väetiste pidev kasutamine ja pinnase tööstuslik saastamine terasetööstuse poolt suurendab nikli kontsentratsiooni pinnases.Uuring näitas, et EBK mudel võib vähendada vigade taset ja parandada mulla ruumilise jaotuse mudeli täpsust linna- või linnalähedastes muldades. Üldiselt pakume mudelit PTE MR-i prognoosimiseks ja rakendamiseks;lisaks teeme ettepaneku kasutada EBK-d hübridiseerimiseks erinevate masinõppe algoritmidega. Ni kontsentratsioonid ennustati, kasutades elemente ühismuutujatena;aga rohkemate ühismuutujate kasutamine parandaks oluliselt mudeli jõudlust, mida võib pidada praeguse töö piiranguks.Selle uuringu teine ​​piirang on see, et andmestike arv on 115.Seega, kui esitatakse rohkem andmeid, saab pakutud optimeeritud hübridisatsioonimeetodi jõudlust parandada.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Kasutatud 28. aprillil 2021).
Kasprzak, KS Nikkel saavutab edu kaasaegses keskkonnatoksikoloogias.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Ülevaade selle allikatest ja keskkonnatoksikoloogiast. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Saasteainete sisend atmosfäärist ja akumuleerumine pinnasesse ja taimestikusse nikli-vasesulatustehase lähedal Sudburys Ontario osariigis Kanadas.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Raskmetallid pinnases, taimedes ja mäletsejaliste karjatamisega seotud riskid Selebi-Phikwe vase-niklikaevanduse lähedal Botswanas.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-x (020128).
Cabata-Pendias.Kabata-Pendias A. 2011. Mikroelemendid mullas ja… – Google Scholar https://scholar.google.com/scholar?hl=et&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+th+tNYs. 29%3A+CRC+Press&btnG= (Kasutatud 24. novembril 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian Nikkel industry on heavy metal koncentrations in põllumajandus soils and grasss in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Nikli imendumine ja säilimine joogivees on seotud toidu tarbimise ja nikli tundlikkusega.toksikoloogia.rakendus.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nikli kantserogenees, mutatsioon, epigeneetika või valik.ümbrus.Tervise perspektiiv.107, 2 (1999).
Ajman, arvuti;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Potentsiaalselt toksiliste elementide trendianalüüs: bibliomeetriline ülevaade. 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. Digitaalse pinnase kaardistamise kohta.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=et&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +ns.page+3Press+t26+ avaldatud 28. aprillil 2021).


Postitusaeg: 22. juuli 2022