پیش‌بینی غلظت نیکل در خاک‌های حومه‌ای و شهری با استفاده از ترکیب تجربی کریجینگ بیزی و رگرسیون ماشین بردار پشتیبان

از اینکه از Nature.com بازدید کردید متشکریم. نسخه مرورگری که استفاده می کنید پشتیبانی محدودی از CSS دارد. برای بهترین تجربه، توصیه می کنیم از یک مرورگر به روز شده استفاده کنید (یا حالت سازگاری را در اینترنت اکسپلورر خاموش کنید).
آلودگی خاک یک مشکل بزرگ ناشی از فعالیت‌های انسانی است. توزیع فضایی عناصر بالقوه سمی (PTEs) در بیشتر مناطق شهری و حومه شهری متفاوت است. بنابراین، پیش‌بینی فضایی محتوای PTE در چنین خاک‌هایی دشوار است. در مجموع 115 نمونه از Frydek Mistek در جمهوری چک، (CalciumKelnicita) و (CalciumKalmagita) (Ca) و کلسیم (CalciumK) (Ca) و کلسیم (CalciumK) و کلسیم (Ca) (Ca) در خاک‌ها به دست آمد. غلظت ها با استفاده از طیف سنجی نشر پلاسما جفت شده القایی تعیین شد. متغیر پاسخ Ni و پیش بینی کننده ها کلسیم، منیزیم و پتاسیم هستند. ماتریس همبستگی بین متغیر پاسخ و متغیر پیش بینی، همبستگی رضایت بخشی بین عناصر را نشان می دهد. کیلوگرم) و میانگین خطای مطلق (MAE) (946/166 میلی‌گرم بر کیلوگرم) بیشتر از روش‌های دیگر اعمال شده بود. بهترین مدل، با مقادیر RMSE کم (95.479 mg/kg) و MAE (77.368 mg/kg) و ضریب تعیین از پیش بالا (R2 = 0.637). خروجی تکنیک مدل‌سازی EBK-SVMR با استفاده از یک نقشه خودسازمان‌دهی تجسم می‌شود. نورون‌های خوشه‌ای در صفحه الگوی چندگانه رنگی Ca-MG-M نشان می‌دهند. نتایج نشان می‌دهد که ترکیب EBK و SVMR یک تکنیک موثر برای پیش‌بینی غلظت نیکل در خاک‌های شهری و حاشیه‌شهری است.
نیکل (Ni) یک ریزمغذی برای گیاهان در نظر گرفته می شود زیرا به تثبیت نیتروژن اتمسفر (N) و متابولیسم اوره کمک می کند، که هر دو برای جوانه زنی بذر لازم هستند. نیکل علاوه بر نقشی که در جوانه زنی بذر دارد، می تواند به عنوان یک بازدارنده قارچی و باکتریایی عمل کرده و رشد گیاه را تقویت کند. کمبود نیکل در خاک، به عنوان مثال برای برگ سبز، به گیاه اجازه می دهد تا آن را جذب کند. استفاده از کودهای مبتنی بر نیکل برای بهینه سازی تثبیت نیتروژن 2. استفاده مداوم از کودهای مبتنی بر نیکل برای غنی سازی خاک و افزایش توانایی حبوبات برای تثبیت نیتروژن در خاک، غلظت نیکل را به طور مداوم در خاک افزایش می دهد. اگرچه نیکل یک عنصر ریز مغذی برای گیاهان در خاک مضر است. pH خاک و مانع از جذب آهن به عنوان یک ماده مغذی ضروری برای رشد گیاه می شود. طبق گفته Liu3، نیکل هفدهمین عنصر مهم مورد نیاز برای رشد و نمو گیاه است. علاوه بر نقش نیکل در رشد و نمو گیاهان، انسان ها برای کاربردهای مختلف به آن نیاز دارند. آبکاری، تولید آبکاری، تولید دستگاه های مبتنی بر نیکل و همه دستگاه های مبتنی بر نیکل، همه دستگاه های مبتنی بر نیکل manufact و manufact. استفاده از نیکل در بخش‌های مختلف صنعتی. علاوه بر این، آلیاژهای نیکل و محصولات آبکاری شده به طور گسترده در ظروف آشپزخانه، لوازم جانبی سالن رقص، لوازم صنایع غذایی، برق، سیم و کابل، توربین‌های جت، کاشت‌های جراحی، منسوجات و کشتی‌سازی مورد استفاده قرار گرفته‌اند. منابع طبیعی به جای انسان زایی.با این حال، منابع انسانی شامل باتری‌های نیکل/کادمیم در صنعت فولاد، آبکاری، جوش قوس الکتریکی، دیزل و روغن‌های سوختی، و انتشارات جوی ناشی از احتراق زغال‌سنگ و زباله‌ها و لجن سوزاندن نیکل تجمع نیکل هستند.10، منابع اصلی آلودگی خاک سطحی در محیط نزدیک و مجاور عمدتاً ذوب و معادن مبتنی بر نیکل مس هستند. خاک بالای اطراف پالایشگاه نیکل-مس سادبری در کانادا دارای بالاترین سطح آلودگی نیکل با غلظت 26000 میلی گرم بر کیلوگرم در خاک روسیه است. با توجه به Alms و همکاران.12، مقدار نیکل قابل استخراج با HNO3 در زمین‌های قابل کشت برتر منطقه (تولید نیکل در روسیه) از 6.25 تا 136.88 میلی‌گرم بر کیلوگرم متغیر بود که مربوط به میانگین 30.43 میلی‌گرم بر کیلوگرم و غلظت پایه 25 میلی‌گرم بر کیلوگرم بود. با توجه به کاربرد کاباتا کاباتا (kabatafer-kg) یا خاک‌های شهری 11، 136.88/136. خاکها در طول فصول زراعی متوالی می توانند خاک را تزریق یا آلوده کنند. اثرات بالقوه نیکل در انسان ممکن است از طریق جهش زایی، آسیب کروموزومی، تولید Z-DNA، ترمیم قطع DNA مسدود شده، یا فرآیندهای اپی ژنتیک منجر به سرطان شود.
ارزیابی های آلودگی خاک در زمان های اخیر به دلیل طیف گسترده ای از موضوعات مرتبط با سلامت ناشی از روابط گیاهی خاک ، روابط بیولوژیکی خاک و خاک ، تخریب اکولوژیکی و ارزیابی اثرات زیست محیطی شکوفا شده است. برای تاریخ ، پیش بینی مکانی عناصر سمی (PTES) مانند NI در خاک ، با استفاده از روش های سنتی و زمان بندی سنتی ، جریان سنتی را انجام داده است. PSM). با توجه به Minasny و McBratney16 ، نقشه برداری از خاک پیش بینی شده (DSM) ثابت شده است که یک زیرزمین برجسته از علم خاک است. لاگاچری و مکبراتنی ، 2006 DSM را به عنوان "ایجاد و پر کردن سیستم های اطلاعاتی خاک فضایی با استفاده از روش های موجود در سایت و سیستم های آزمایشگاهی Nonference and Spatial و Spatial-Spatial و Spatial-Spatial و Spatial-Spatial و Spatial-Spatial و Spatial-Spatial و Spatial-Spatial17 بیان می‌کند که DSM یا PSM معاصر مؤثرترین تکنیک برای پیش‌بینی یا نقشه‌برداری توزیع فضایی PTE، نوع خاک و ویژگی‌های خاک است. الگوریتم‌های زمین آمار و یادگیری ماشین (MLA) تکنیک‌های مدل‌سازی DSM هستند که نقشه‌های دیجیتالی را با کمک رایانه‌ها با استفاده از داده‌های مهم و حداقلی ایجاد می‌کنند.
Deutsch18 و Olea19 زمین آمار را به عنوان "مجموعه ای از تکنیک های عددی که با نمایش ویژگی های مکانی سروکار دارد، عمدتاً از مدل های تصادفی استفاده می کند، مانند اینکه چگونه تحلیل سری های زمانی داده های زمانی را مشخص می کند" تعریف می کنند.در درجه اول، زمین آمار شامل ارزیابی واریوگرام‌ها می‌شود که امکان کمی‌سازی و تعیین وابستگی‌های مقادیر فضایی از هر مجموعه داده را فراهم می‌کند. Gumiaux و همکاران.20 همچنین نشان می‌دهد که ارزیابی واریوگرام‌ها در زمین آمار بر اساس سه اصل است، از جمله (الف) محاسبه مقیاس همبستگی داده‌ها، (ب) شناسایی و محاسبه ناهمسانگردی در نابرابری داده‌ها و (ج) علاوه بر در نظر گرفتن خطای ذاتی اندازه‌گیری، بسیاری از داده‌های اندازه‌گیری که از تکنیک‌های اندازه‌گیری جدا شده در این اثرات محلی نیز جدا می‌شوند. زمین آمار، از جمله کریجینگ عمومی، هم کریجینگ، کریجینگ معمولی، کریجینگ تجربی بیزی، روش کریجینگ ساده و سایر تکنیک‌های درونیابی معروف برای نقشه‌برداری یا پیش‌بینی PTE، ویژگی‌های خاک، و انواع خاک.
الگوریتم‌های یادگیری ماشین (MLA) یک تکنیک نسبتاً جدید است که از کلاس‌های داده غیرخطی بزرگ‌تر استفاده می‌کند، که توسط الگوریتم‌هایی که عمدتاً برای داده‌کاوی، شناسایی الگوها در داده‌ها استفاده می‌شوند، و به طور مکرر برای طبقه‌بندی در زمینه‌های علمی مانند خاک‌شناسی و وظایف برگشتی استفاده می‌شوند، تغذیه می‌شوند. مقالات تحقیقاتی متعددی بر مدل‌های MLA در مدل‌های خاک، مانند PTE برای پیش‌بینی تکیه می‌کنند.22 (جنگلهای تصادفی برای تخمین فلزات سنگین در خاکهای کشاورزی)، ساکی زاده و همکاران.23 (مدل سازی با استفاده از ماشین های بردار پشتیبان و شبکه های عصبی مصنوعی) آلودگی خاک).24 (CART برای مدلسازی نگهداری و جذب فلزات سنگین در خاک) Sun et al.25 (کاربرد کوبیست توزیع کادمیوم در خاک است) و الگوریتم های دیگری مانند k-نزدیکترین همسایه، رگرسیون تقویت شده تعمیم یافته و رگرسیون تقویت شده درختان نیز MLA را برای پیش بینی PTE در خاک اعمال کردند.
کاربرد الگوریتم‌های DSM در پیش‌بینی یا نقشه‌برداری با چالش‌های متعددی مواجه است. بسیاری از نویسندگان بر این باورند که MLA نسبت به زمین‌آمار برتری دارد و بالعکس. اگرچه یکی بهتر از دیگری است، ترکیب این دو سطح دقت نقشه‌برداری یا پیش‌بینی را در DSM15 بهبود می‌بخشد. Woodcock and Gopal26 Finke27;Pontius و Cheuk28 و Grunwald29 در مورد کمبودها و برخی از خطاها در نقشه‌برداری پیش‌بینی‌شده خاک اظهار نظر می‌کنند. دانشمندان خاک تکنیک‌های مختلفی را برای بهینه‌سازی اثربخشی، دقت و قابلیت پیش‌بینی نقشه‌برداری و پیش‌بینی DSM امتحان کرده‌اند. ترکیب عدم قطعیت و تأیید یکی از جنبه‌های مختلف است که DSM را بهینه می‌کند.15 بیان می کند که رفتار اعتبار سنجی و عدم قطعیت معرفی شده توسط ایجاد و پیش بینی نقشه باید به طور مستقل برای بهبود کیفیت نقشه تایید شود. محدودیت های DSM به دلیل کیفیت خاک از نظر جغرافیایی پراکنده است که شامل مولفه ای از عدم قطعیت است.با این حال، عدم قطعیت در DSM ممکن است از چندین منبع خطا ناشی شود، یعنی خطای متغیر، خطای مدل، خطای مکان و خطای تحلیلی 31. عدم دقت مدل‌سازی ناشی از MLA و فرآیندهای زمین آماری با عدم درک مرتبط است، که در نهایت منجر به ساده‌سازی بیش از حد ویژگی‌های مدل در فرآیند واقعی می‌شود. پارامترها، پیش‌بینی‌های مدل ریاضی یا درون‌یابی33. اخیراً یک روند جدید DSM ظهور کرده است که ادغام زمین‌آمار و MLA را در نقشه‌برداری و پیش‌بینی ترویج می‌کند.34;ساببوتینا و همکاران35;تاراسوف و همکاران36 و تاراسوف و همکاران.37 از کیفیت دقیق زمین آمار و یادگیری ماشین برای تولید مدل های ترکیبی استفاده کرده اند که کارایی پیش بینی و نقشه برداری را بهبود می بخشد.برخی از این مدل های الگوریتم ترکیبی یا ترکیبی عبارتند از: کریجینگ شبکه عصبی مصنوعی (ANN-RK)، کریجینگ باقیمانده پرسپترون چندلایه (MLP-RK)، کریجینگ باقیمانده شبکه عصبی رگرسیون تعمیم یافته (GR-NNRK)36، شبکه عصبی مصنوعی Kriging-Multilayer Perceptron (ANN-Processon3-K-MLP) و Regression-K-MLP-36.
به گفته سرگیف و همکاران، ترکیب تکنیک‌های مدل‌سازی مختلف، پتانسیل حذف عیوب و افزایش کارایی مدل ترکیبی حاصل را به جای توسعه مدل واحد آن دارد. در این زمینه، این مقاله جدید استدلال می‌کند که لازم است الگوریتم ترکیبی زمین‌آمار و MLA برای ایجاد مدل‌های ترکیبی بهینه برای پیش‌بینی نواحی کریپیری-بایری در نواحی کریپیری-ریغال بکار گرفته شود. (EBK) به عنوان مدل پایه و ترکیب آن با ماشین بردار پشتیبان (SVM) و مدل‌های رگرسیون خطی چندگانه (MLR). هیبریداسیون EBK با هر MLA شناخته شده نیست. میدان تصادفی یونی/ایستا با پارامترهای محلی سازی تعریف شده در مزرعه، که امکان تغییرات فضایی را فراهم می کند.
از سوی دیگر، خود سازماندهی گراف (SeOM) یک الگوریتم یادگیری است که در مقالات مختلفی مانند لی و همکاران استفاده شده است.43، وانگ و همکاران.44، حسین بهویان و همکاران.45 و Kebonye et al.46 تعیین ویژگی های فضایی و گروه بندی عناصر. Wang et al.44 بیان می کند که SeOM یک تکنیک یادگیری قدرتمند است که به دلیل توانایی آن در گروه بندی و تصور مسائل غیر خطی شناخته شده است. برخلاف سایر تکنیک های تشخیص الگو مانند تجزیه و تحلیل مؤلفه های اصلی، خوشه بندی فازی، خوشه بندی سلسله مراتبی و تصمیم گیری چند معیاره، SeOM در سازماندهی و شناسایی الگوهای PTE بهتر است. طبق گفته Wang.44، SeOM می‌تواند توزیع نورون‌های مرتبط را به‌صورت فضایی گروه‌بندی کند و تجسم داده‌ها را با وضوح بالا ارائه دهد.SeOM داده‌های پیش‌بینی Ni را برای به دست آوردن بهترین مدل برای توصیف نتایج برای تفسیر مستقیم تجسم می‌کند.
هدف این مقاله تولید یک مدل نقشه برداری قوی با دقت بهینه برای پیش‌بینی میزان نیکل در خاک‌های شهری و حومه شهری است. ما فرض می‌کنیم که قابلیت اطمینان مدل مختلط عمدتاً به تأثیر مدل‌های دیگر متصل به مدل پایه بستگی دارد. ما چالش‌های پیش روی DSM را تصدیق می‌کنیم، و در حالی که این چالش‌ها در مدل‌های چندگانه آماری به نظر می‌رسند، در حال بررسی هستند. al;بنابراین، ما سعی خواهیم کرد به سؤالات تحقیقی که ممکن است مدل‌های مختلط را ارائه دهند، پاسخ دهیم. با این حال، مدل در پیش‌بینی عنصر هدف چقدر دقیق است؟ همچنین، سطح ارزیابی کارایی براساس اعتبارسنجی و ارزیابی دقت چقدر است؟ بنابراین، اهداف خاص این مطالعه (الف) ایجاد یک مدل مخلوط ترکیبی برای SVMR یا MLR با استفاده از مدل EBK (مدل پیشنهادی بهترین نتیجه) غلظت نیکل در خاک های شهری یا حومه شهری، و (د) استفاده از SeOM برای ایجاد یک نقشه با وضوح بالا از تغییرات فضایی نیکل.
این مطالعه در جمهوری چک، به ویژه در منطقه Frydek Mistek در منطقه Moravia-Silesian در حال انجام است (شکل 1 را ببینید). جغرافیای منطقه مورد مطالعه بسیار ناهموار است و بیشتر بخشی از منطقه Moravia-Silesian Beskidy است که بخشی از حاشیه بیرونی کوه‌های کارپات است. منطقه مورد مطالعه بین 40°20 ℃ 49° ℃ و 49°20 ℃ واقع شده است. و ارتفاع آن بین 225 تا 327 متر است.با این حال، سیستم طبقه‌بندی کوپن برای وضعیت آب و هوایی منطقه به‌عنوان Cfb = آب و هوای معتدل اقیانوسی رتبه‌بندی می‌شود، حتی در ماه‌های خشک بارندگی زیادی وجود دارد. دما در طول سال کمی بین ۵- تا ۲۴ درجه سانتی‌گراد تغییر می‌کند، به ندرت به زیر ۱۴-۲ درجه سانتی‌گراد یا بالاتر از ۷ میلی‌متر ۵ درجه سانتی‌گراد می‌رسد. از کل مساحت 1208 کیلومتر مربع است که 39.38 درصد از زمین های زیر کشت و 49.36 درصد پوشش جنگلی را شامل می شود. از سوی دیگر، مساحت مورد استفاده در این مطالعه حدود 889.8 کیلومتر مربع است. در استراوا و اطراف آن، صنعت فولاد و کارهای فلزی بسیار فعال هستند. نیکل استحکام آلیاژ را افزایش می دهد و در عین حال شکل پذیری و چقرمگی خوب خود را حفظ می کند، و کشاورزی فشرده مانند کاربرد کود فسفاته و تولید دام منابع بالقوه نیکل در منطقه هستند (به عنوان مثال، افزودن نیکل به بره ها برای افزایش نرخ رشد در بره ها و گاوهای کم تغذیه). ویژگی های خاک به راحتی از رنگ، ساختار و محتوای کربنات خاک قابل تشخیص است. بافت خاک متوسط ​​تا ریز است که از ماده اصلی به دست می آید. طبیعت آنها کولوویال، آبرفتی یا بادی است. برخی از مناطق خاک در سطح و زیر خاک خالدار به نظر می رسند، اغلب با بتن و سفیدکننده. 455.1 تا 493.5 متر، کامبیسول ها بر جمهوری چک تسلط دارند49.
نقشه منطقه مطالعه [نقشه منطقه مورد مطالعه با استفاده از ArcGIS Desktop (ESRI، Inc، نسخه 10.7، URL: https://desktop.arcgis.com) ایجاد شده است.]
در مجموع 115 نمونه خاک سطحی از خاک های شهری و حومه شهری در منطقه فریدک میستک به دست آمد. الگوی نمونه مورد استفاده یک شبکه منظم با نمونه های خاک با فاصله 2×2 کیلومتر بود و خاک سطحی در عمق 0 تا 20 سانتی متر با استفاده از دستگاه جی پی اس دستی اندازه گیری شد (Leica Zeno 5 به کیسه های بسته بندی شده، بسته بندی شده توسط Leica Zeno 5. نمونه‌ها در هوا خشک شدند تا نمونه‌های پودر شده تولید شوند، توسط سیستم مکانیکی (آسیاب دیسکی فریچ) پودر شدند و الک شدند (اندازه الک 2 میلی‌متر). تلگراف – یک عدد برای هر اسید)، به آرامی بپوشانید و اجازه دهید نمونه ها یک شبه برای واکنش بایستند (برنامه aqua regia). مایع رویی را روی صفحه فلزی داغ (درجه حرارت: 100 وات و 160 درجه سانتیگراد) به مدت 2 ساعت قرار دهید تا فرآیند هضم نمونه ها تسهیل شود، سپس خنک شود. مایع رویی را با حجم 5 میلی لیتر آب رقیق شده به یک فلاش 50 میلی لیتری آب رقیق شده منتقل کنید. مایع رویی رقیق شده در یک لوله PVC 50 میلی لیتری با آب دیونیزه شده است. علاوه بر این، 1 میلی لیتر از محلول رقیق شده با 9 میلی لیتر آب دیونیزه رقیق شده و در لوله 12 میلی لیتری آماده شده برای PTE شبه غلظت فیلتر شد. طیف‌سنجی انتشار نوری پلاسما) (Thermo Fisher Scientific, USA) طبق روش‌ها و توافق‌نامه‌های استاندارد. از روش‌های تضمین کیفیت و کنترل (QA/QC) اطمینان حاصل کنید (SRM NIST 2711a Montana II Soil). فرآیند تضمین کیفیت برای هر تجزیه و تحلیل با تجزیه و تحلیل استانداردهای مرجع تضمین می شود. برای اطمینان از اینکه خطاها به حداقل می رسد، یک تجزیه و تحلیل دوگانه انجام شد.
کریجینگ تجربی بیزی (EBK) یکی از بسیاری از تکنیک‌های درونیابی زمین آماری است که در مدل‌سازی در زمینه‌های مختلف مانند علم خاک مورد استفاده قرار می‌گیرد. تکنیک‌های عملیات راه را برای عدم قطعیت و برنامه‌نویسی مرتبط با این رسم نیمه متغیروگرام که بخش بسیار پیچیده‌ای از یک روش کریجینگ کافی را تشکیل می‌دهد. یک مجموعه داده شبیه سازی شده. قاعده معادله بیزی به صورت پسین ارائه شده است
جایی که \(Prob\left(A\right)\) نشان‌دهنده قبلی است، \(Prob\left(B\right)\) در بیشتر موارد احتمال حاشیه نادیده گرفته می‌شود، \(Prob (B,A)\). ، که بیان می کند چقدر احتمال دارد که مجموعه داده ای از مشاهدات از نیم متغیره ایجاد شود.
ماشین بردار پشتیبان یک الگوریتم یادگیری ماشینی است که یک ابرصفحه جداکننده بهینه برای تشخیص کلاس‌های یکسان اما نه مستقل خطی ایجاد می‌کند. Vapnik51 الگوریتم طبقه‌بندی قصد را ایجاد کرد، اما اخیراً برای حل مشکلات رگرسیون‌محور از آن استفاده شده است. طبق گفته‌های Li و همکاران 52، SVM یکی از بهترین تکنیک‌های رده‌بندی SV در زمینه‌های مختلف رده‌بندی SV است. در این تحلیل از رگرسیون - SVMR استفاده شد. Cherkassky و Mulier53 پیشگام SVMR به عنوان یک رگرسیون مبتنی بر هسته بودند، که محاسبه آن با استفاده از یک مدل رگرسیون خطی با توابع فضایی چند کشوری انجام شد. جان و همکاران54 گزارش می‌دهند که مدل‌سازی SVMR اجازه می‌دهد که مدل‌سازی SVMR از توابع رگرسیون رگرسیون برای صفحه‌ای خطی، غیررکوردی استفاده می‌کند. به Vohland و همکاران.55، epsilon (ε)-SVMR از مجموعه داده آموزش‌دیده برای به دست آوردن یک مدل نمایش به عنوان یک تابع غیر حساس به اپسیلون استفاده می‌کند که برای ترسیم داده‌ها به طور مستقل با بهترین سوگیری اپسیلون از آموزش بر روی داده‌های همبسته استفاده می‌شود. خطای فاصله از پیش تعیین‌شده از مقدار واقعی نادیده گرفته می‌شود، و اگر خطا بزرگ‌تر از ε(ε) باشد، ویژگی‌های پیچیده‌ای از داده‌های آموزشی را نیز کاهش می‌دهد. معادله پیشنهادی Vapnik51 در زیر نشان داده شده است.
جایی که b نشان دهنده آستانه اسکالر، \(K\left({x}_{,}{ x}_{k}\right)\) نشان دهنده تابع هسته، \(\alpha\) نشان دهنده ضریب لاگرانژ، N نشان دهنده یک مجموعه داده عددی، \({x}_{k}\) نشان دهنده مجموعه داده ها، و M داده های مورد استفاده کلید ورودی است. یک تابع پایه شعاعی گاوسی (RBF). هسته RBF برای تعیین مدل SVMR بهینه استفاده می شود، که برای به دست آوردن ظریف ترین مجموعه جریمه ضریب C و گامای پارامتر هسته (γ) برای داده های آموزشی PTE بسیار مهم است. ابتدا مجموعه آموزشی را ارزیابی کردیم و سپس عملکرد مدل را روی مجموعه اعتبارسنجی آزمایش کردیم.
مدل رگرسیون خطی چندگانه (MLR) یک مدل رگرسیونی است که نشان‌دهنده رابطه بین متغیر پاسخ و تعدادی از متغیرهای پیش‌بینی‌کننده با استفاده از پارامترهای تلفیقی خطی محاسبه‌شده با استفاده از روش حداقل مربعات است. در MLR، مدل حداقل مربعات یک تابع پیش‌بینی‌کننده از ویژگی‌های خاک پس از انتخاب متغیرهای توضیحی است. لازم است از متغیرهای خطی استفاده شده برای ایجاد یک پاسخ خطی استفاده شود. رابطه با متغیرهای توضیحی. معادله MLR است
که در آن y متغیر پاسخ، \(a\) فاصله، n تعداد پیش‌بینی‌کننده‌ها، \({b}_{1}\) رگرسیون جزئی ضرایب است، \({x}_{i}\) یک متغیر پیش‌بینی‌کننده یا توضیحی را نشان می‌دهد، و \({\varepsilon }_{i}\) نیز نشان‌دهنده مدل reid است.
مدل‌های ترکیبی با ساندویچ کردن EBK با SVMR و MLR به‌دست آمدند. این کار با استخراج مقادیر پیش‌بینی‌شده از درون‌یابی EBK انجام می‌شود. مقادیر پیش‌بینی‌شده به‌دست‌آمده از درون‌یابی Ca، K و Mg از طریق یک فرآیند ترکیبی به‌دست می‌آیند تا متغیرهای جدیدی مانند CaK، CaMg و Mg ترکیب می‌شوند تا چهار عنصر CaK، CaMg و ترکیب a و ترکیب شوند. KMg.به طور کلی، متغیرهای به‌دست‌آمده عبارتند از: Ca، K، Mg، CaK، CaMg، KMg و CaKMg. این متغیرها به پیش‌بینی‌کننده‌های ما تبدیل شدند و به پیش‌بینی غلظت نیکل در خاک‌های شهری و حومه‌شهری کمک کردند. s همچنین از طریق الگوریتم MLR برای به دست آوردن یک مدل ترکیبی تجربی بیزی-کریجینگ-رگرسیون خطی چندگانه (EBK_MLR) لوله‌گذاری می‌شوند. معمولاً متغیرهای Ca، K، Mg، CaK، CaMg، KMg و CaKMg به عنوان متغیرهای کمکی به عنوان پیش‌بینی‌کننده‌های قابل قبول ترین مدل Ni-Murban در شهری و BKV مدل استفاده می‌شوند. _MLR) سپس با استفاده از یک نمودار خودسازماندهی تجسم خواهد شد. گردش کار این مطالعه در شکل 2 نشان داده شده است.
استفاده از SeOM به ابزاری محبوب برای سازماندهی، ارزیابی و پیش‌بینی داده‌ها در بخش‌های مالی، بهداشت و درمان، صنعت، آمار، خاک‌شناسی و غیره تبدیل شده است. SeOM با استفاده از شبکه‌های عصبی مصنوعی و روش‌های یادگیری بدون نظارت برای سازماندهی، ارزیابی و پیش‌بینی ایجاد می‌شود. در این مطالعه، SeOM برای تجسم غلظت نیکل بر اساس بهترین مدل برای پیش‌بینی داده‌های شهری استفاده شده است. متغیرهای بردار قرار داده 43،56. Melssen et al.57 اتصال یک بردار ورودی به یک شبکه عصبی را از طریق یک لایه ورودی منفرد به یک بردار خروجی با یک بردار وزنی منفرد توصیف می‌کند. خروجی تولید شده توسط SeOM یک نقشه دو بعدی متشکل از نورون‌ها یا گره‌های مختلف است که در نقشه‌های توپولوژیکی شش ضلعی، دایره‌ای یا مربعی بافته شده‌اند. 0.086 و 0.904 به ترتیب انتخاب شده است که یک واحد نقشه 55 (5 × 11) است. ساختار نورون با توجه به تعداد گره ها در معادله تجربی تعیین می شود.
تعداد داده‌های مورد استفاده در این مطالعه 115 نمونه است. برای تقسیم داده‌ها به داده‌های آزمون (25 درصد برای اعتبارسنجی) و مجموعه داده‌های آموزشی (75 درصد برای کالیبراسیون) از رویکرد تصادفی استفاده شد. از مجموعه داده‌های آموزشی برای تولید مدل رگرسیون (کالیبراسیون) و مجموعه داده‌های آزمون برای تأیید توانایی تعمیم استفاده شد. d فرآیند اعتبار سنجی متقابل، پنج بار تکرار شده است. متغیرهای تولید شده توسط درون یابی EBK به عنوان پیش بینی کننده یا متغیرهای توضیحی برای پیش بینی متغیر هدف (PTE) استفاده می شود. ") و کتابخانه ها ("متریکس").
پارامترهای اعتبارسنجی مختلف برای تعیین بهترین مدل مناسب برای پیش‌بینی غلظت نیکل در خاک و ارزیابی دقت مدل و اعتبارسنجی آن مورد استفاده قرار گرفت. در معیارهای مستقل، قدرت پیش‌بینی مدل را توصیف می‌کند، در حالی که MAE مقدار کمی واقعی را تعیین می‌کند. برای ارزیابی بهترین مدل مخلوط با استفاده از پارامترهای اعتبارسنجی، مقدار R2 باید بالا باشد، هر چه مقدار به 1 نزدیک‌تر باشد، دقت بالاتری دارد.59، یک مقدار معیار R2 0.75 یا بیشتر، پیش‌بینی‌کننده خوبی در نظر گرفته می‌شود.از 0.5 تا 0.75 عملکرد مدل قابل قبول و زیر 0.5 عملکرد مدل غیرقابل قبول است. هنگام انتخاب مدل با استفاده از روش های ارزیابی معیارهای اعتبار سنجی RMSE و MAE، مقادیر کمتر به دست آمده کافی بوده و بهترین انتخاب در نظر گرفته شده است. معادله زیر روش تأیید را شرح می دهد.
که در آن n نشان دهنده اندازه مقدار مشاهده شده\({Y}_{i}\) نشان دهنده پاسخ اندازه گیری شده است، و \({\widehat{Y}}_{i}\) نیز مقدار پاسخ پیش بینی شده را نشان می دهد، بنابراین، برای اولین مشاهدات i.
توصیفات آماری متغیرهای پیش‌بینی‌کننده و پاسخ در جدول 1 ارائه شده‌اند که میانگین، انحراف معیار (SD)، ضریب تغییرات (CV)، حداقل، حداکثر، کشش و چولگی را نشان می‌دهد. مقادیر حداقل و حداکثر عناصر به ترتیب کاهشی Mg با توجه به غلظت‌های مختلف اندازه‌گیری‌شده عناصر نمونه‌برداری شده، توزیع مجموعه داده‌های عناصر چولگی متفاوتی را نشان می‌دهد. چولگی و کشیدگی عناصر به ترتیب از 1.53 تا 7.24 و 2.49 تا 54.16 متغیر است. همه عناصر محاسبه‌شده دارای چولگی و چولگی سطوح چولگی و کرشیدگی بالاتر از 1+ هستند، بنابراین نشان می‌دهد که داده‌ها به راست و جهت CV تنظیم شده است. s از عناصر همچنین نشان می دهد که پتاسیم، منیزیم و نیکل دارای تنوع متوسط ​​هستند، در حالی که کلسیم دارای تنوع بسیار بالایی است. CVهای K، Ni و Mg توزیع یکنواخت آنها را توضیح می دهند.
همبستگی متغیرهای پیش‌بینی‌کننده با عناصر پاسخ، همبستگی رضایت‌بخشی را بین عناصر نشان می‌دهد (شکل 3 را ببینید). این همبستگی نشان داد که CaK همبستگی متوسطی را با مقدار r = 0.53 نشان می‌دهد، همانطور که CaNi هم چنین بود. اگرچه Ca و K ارتباط متوسطی با یکدیگر نشان می‌دهند، محققانی مانند کینگز.68 و Santo69 نشان می دهند که سطوح آنها در خاک نسبت معکوس دارد. با این حال، کلسیم و منیزیم با پتاسیم متضاد هستند، اما CaK همبستگی خوبی دارد. این ممکن است به دلیل استفاده از کودهایی مانند کربنات پتاسیم باشد که در پتاسیم 56 درصد بیشتر است. پتاسیم در صنعت همبستگی متوسطی داشت. دو عنصر ارتباط نزدیکی با هم دارند زیرا سولفات منیزیم پتاسیم، نیترات پتاسیم منیزیم و پتاس برای افزایش سطح کمبود آنها در خاک ها اعمال می شود. نیکل با مقادیر کلسیم، پتاسیم و منیزیم به ترتیب با مقادیر r = 0.52، 0.63 و 0.55 کل ​​کل همبستگی متوسطی دارد. اما با این وجود، منیزیم جذب کلسیم را مهار می کند، کلسیم اثرات منیزیم اضافی را کاهش می دهد و منیزیم و کلسیم هر دو اثرات سمی نیکل را در خاک کاهش می دهند.
ماتریس همبستگی برای عناصر نشان‌دهنده رابطه بین پیش‌بینی‌کننده‌ها و پاسخ‌ها (توجه: این شکل شامل یک نمودار پراکندگی بین عناصر است، سطوح معنی‌داری بر اساس p <0,001 است).
شکل 4 توزیع فضایی عناصر را نشان می دهد. طبق گفته بورگوس و همکاران 70، استفاده از توزیع فضایی تکنیکی است که برای تعیین کمیت و برجسته کردن نقاط داغ در مناطق آلوده استفاده می شود. سطوح غنی سازی کلسیم در شکل 4 در قسمت شمال غربی نقشه توزیع فضایی قابل مشاهده است. احتمالاً به دلیل استفاده از آهک زنده (اکسید کلسیم) برای کاهش اسیدیته خاک و استفاده از آن در کارخانه های فولادسازی به عنوان اکسیژن قلیایی در فرآیند فولادسازی است. از طرف دیگر، سایر کشاورزان ترجیح می دهند از هیدروکسید کلسیم در خاک های اسیدی برای خنثی کردن pH استفاده کنند که همچنین باعث افزایش محتوای کلسیم خاک می شود. الگوی نرخ به بالا پتاسیم ممکن است به دلیل کاربردهای NPK و پتاس باشد. این با سایر مطالعات مانند Madaras و Lipavský72، Madaras و همکاران 73، Pulkrabová و همکاران 74، Asare و همکاران 75 مطابقت دارد، که مشاهده کردند که تثبیت و تیمار خاک با محتوای KCl و NPK بالا منجر به خاک شد.غنی‌سازی فضایی پتاسیم در شمال غربی نقشه توزیع ممکن است به دلیل استفاده از کودهای مبتنی بر پتاسیم مانند کلرید پتاسیم، سولفات پتاسیم، نیترات پتاسیم، پتاس و پتاس برای افزایش محتوای پتاسیم در خاک‌های ضعیف باشد. Zádorov.76 و Tlustoš و همکاران.77 اشاره کرد که استفاده از کودهای مبتنی بر پتاسیم باعث افزایش محتوای پتاسیم در خاک شده و در درازمدت محتوای عناصر غذایی خاک را به میزان قابل توجهی افزایش می دهد، به ویژه پتاسیم و منیزیم که نقطه داغی را در خاک نشان می دهد. نقاط گرم نسبتاً متوسط ​​در شمال غربی نقشه و جنوب شرقی نقشه. تثبیت کلوئیدی در خاک باعث کاهش غلظت خاک در خاک می شود. در کلروز. چر و اهمیت نیکل در تولید فولاد زنگ نزن78.
توزیع فضایی عناصر [نقشه توزیع فضایی با استفاده از ArcGIS Desktop ایجاد شد (ESRI، Inc، نسخه 10.7، URL: https://desktop.arcgis.com).]
نتایج شاخص عملکرد مدل برای عناصر مورد استفاده در این مطالعه در جدول 2 نشان داده شده است. از سوی دیگر، RMSE و MAE Ni هر دو نزدیک به صفر هستند (0.86 RMSE، -0.08 MAE). از سوی دیگر، هر دو مقادیر RMSE و MAE K قابل قبول هستند. نتایج RMSE و MAE برای کلسیم و کلسیم داده‌های بزرگتر و MAE متفاوت بودند. RMSE و MAE این مطالعه با استفاده از EBK برای پیش‌بینی Ni بهتر از نتایج جان و همکاران بودند.54 با استفاده از کریجینگ هم افزایی برای پیش بینی غلظت S در خاک با استفاده از داده های جمع آوری شده یکسان.41، یان و همکاران.79، Beguin و همکاران.80، آدیکاری و همکاران.81 و جان و همکاران.82، به ویژه K و Ni.
عملکرد روش‌های فردی برای پیش‌بینی میزان نیکل در خاک‌های شهری و حاشیه‌شهری با استفاده از عملکرد مدل‌ها مورد ارزیابی قرار گرفت (جدول 3). اعتبارسنجی و ارزیابی دقت مدل تأیید کرد که پیش‌بینی‌کننده Ca_Mg_K همراه با مدل EBK SVMR بهترین عملکرد را به همراه داشت. MAE) 0.637 (R2)، 95.479 mg/kg (RMSE) و 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2)، 235.974 mg/kg (RMSE) و 166.946 mg/kg به دست آمد. SVMR (0.663 mg/kg R2) و Ca_Mg-EBK_SVMR (0.643 = R2).نتایج RMSE و MAE آنها بالاتر از Ca_Mg_K-EBK_SVMR بود (R2 0.637) (به جدول 3 مراجعه کنید). Ca_Mg_K-EBK_SVMR. به همین ترتیب، RMSE و MAE مدل Ca_Mg-K SVMR (RMSE = 235.974 و MAE = 166.946) 2.5 و 2.2 بزرگتر از مجموعه Ca_Mg_K-EBK_SVM هستند. با خط بهترین تناسب است. RSME و MAE بالاتر مشاهده شد. طبق گفته Kebonye و همکاران.46 و جان و همکاران.54، هرچه RMSE و MAE به صفر نزدیک‌تر باشند، نتایج بهتری دریافت می‌کنند. SVMR و EBK_SVMR مقادیر RSME و MAE کوانتیزه‌شده بالاتری دارند. مشاهده شد که تخمین‌های RSME به طور مداوم بالاتر از مقادیر MAE بودند، که نشان‌دهنده وجود موارد دورافتاده است. با توجه به وسعت eeebe83، مک‌سی‌ای (McMA) از مقدار مطلق (Legates و McMASE) بیشتر است. به عنوان شاخصی برای حضور پرت توصیه می شود. این بدان معنی است که هرچه مجموعه داده ناهمگن تر باشد، مقادیر MAE و RMSE بالاتر است. دقت ارزیابی اعتبار متقابل مدل مخلوط Ca_Mg_K-EBK_SVMR برای پیش بینی میزان نیکل در خاک های شهری و حومه شهری 70/63 درصد بود.59، این سطح از دقت یک نرخ عملکرد مدل قابل قبول است. نتایج حاضر با مطالعه قبلی توسط Tarasov و همکاران مقایسه شده است.36 که مدل ترکیبی آنها MLPRK (کریجینگ باقیمانده پرسپترون چندلایه) را ایجاد کرد، مربوط به شاخص ارزیابی دقت EBK_SVMR گزارش شده در مطالعه حاضر، RMSE (210) و MAE (167.5) بالاتر از نتایج ما در مطالعه فعلی (RMSE 95.479، MAE 95.6، MAE 77، 77) بود. با تاراسوف و همکاران.36 (0.544)، واضح است که ضریب تعیین (R2) در این مدل مختلط بالاتر است. حاشیه خطا (RMSE و MAE) (EBK SVMR) برای مدل مختلط دو برابر کمتر است. به همین ترتیب، Sergeev و همکاران 0.28 (R2) را برای مدل ترکیبی توسعه یافته ثبت کردند. 0.637 (R2). سطح دقت پیش بینی این مدل (EBK SVMR) 63.7٪ است، در حالی که دقت پیش بینی به دست آمده توسط Sergeev و همکاران.34 28% است. نقشه نهایی (شکل 5) ایجاد شده با استفاده از مدل EBK_SVMR و Ca_Mg_K به عنوان پیش بینی کننده، پیش بینی نقاط داغ و متوسط ​​تا نیکل را در کل منطقه مورد مطالعه نشان می دهد. این به این معنی است که غلظت نیکل در منطقه مورد مطالعه عمدتاً متوسط ​​است و در برخی مناطق خاص غلظت بیشتری دارد.
نقشه پیش بینی نهایی با استفاده از مدل ترکیبی EBK_SVMR و با استفاده از Ca_Mg_K به عنوان پیش بینی نشان داده شده است.[نقشه توزیع مکانی با استفاده از RStudio (نسخه 1.4.1717: https://www.rstudio.com/) ایجاد شد
در شکل 6 غلظت های PTE به عنوان یک صفحه ترکیب متشکل از نورون های منفرد ارائه شده است. هیچ یک از صفحات جزء همان الگوی رنگی را نشان ندادند. با این حال، تعداد مناسب نورون ها در هر نقشه ترسیم شده 55 است. SeOM با استفاده از رنگ های متنوع تولید می شود، و هر چه الگوهای رنگی شبیه تر باشد، ویژگی های Ka در مقیاس رنگی دقیق تر، عناصر رنگی Ka و رنگ های مشابه با نمونه ها (Ac) دقیق تر نشان داده می شود. الگوهای تک نورون‌های بالا و بیشتر نورون‌های پایین. بنابراین، CaK و CaMg شباهت‌هایی با نورون‌های بسیار مرتبه بالا و الگوهای رنگی کم تا متوسط ​​دارند. هر دو مدل با نمایش رنگ‌های متوسط ​​تا زیاد رنگ‌هایی مانند قرمز، نارنجی و زرد، تعداد زیادی از الگوهای رنگی بالا و الگوهای رنگی کم‌رنگ را بر اساس طرح‌های رنگی بالا و نسبت رنگی کم به من نشان می‌دهند. الگوی توزیع اجزای مدل الگوی رنگی بالایی را نشان می‌دهد که نشان‌دهنده غلظت بالقوه نیکل در خاک است (شکل 4 را ببینید). صفحه اجزای مدل CakMg یک الگوی رنگی متنوع از کم به زیاد را مطابق با مقیاس رنگی دقیق نشان می‌دهد. غلظت نیکل در خاک شهری و حومه شهری. شکل 7 روش کانتور را در گروه بندی k-means روی نقشه نشان می دهد که بر اساس مقدار پیش بینی شده در هر مدل به سه خوشه تقسیم شده است. روش کانتور تعداد بهینه خوشه ها را نشان می دهد. از 115 نمونه خاک جمع آوری شده، رده 1 2 نمونه خاک دریافت کرده است. s. ترکیب هفت جزئی پیش‌بینی‌کننده مسطح ساده‌سازی شد تا امکان تفسیر خوشه‌ای صحیح فراهم شود. به دلیل فرآیندهای انسانی و طبیعی متعددی که بر تشکیل خاک تأثیر می‌گذارند، داشتن الگوهای خوشه‌ای به‌درستی در یک نقشه SeOM توزیع‌شده دشوار است.
خروجی صفحه کامپوننت توسط هر متغیر ماشین بردار پشتیبان کریجینگ بیزی تجربی (EBK_SVM_SeOM).[نقشه های SeOM با استفاده از RStudio (نسخه 1.4.1717: https://www.rstudio.com/) ایجاد شدند.
اجزای مختلف طبقه بندی خوشه [نقشه های SeOM با استفاده از RStudio (نسخه 1.4.1717: https://www.rstudio.com/) ایجاد شده است.]
مطالعه حاضر به وضوح تکنیک‌های مدل‌سازی غلظت نیکل را در خاک‌های شهری و حاشیه‌شهری نشان می‌دهد. این مطالعه تکنیک‌های مدل‌سازی مختلف را آزمایش کرد، ترکیب عناصر با تکنیک‌های مدل‌سازی، برای به دست آوردن بهترین روش برای پیش‌بینی غلظت نیکل در خاک. نقشه توزیع فضایی مسطح اجزای نمایش داده شده توسط EBK_SVMR را تأیید می کند (شکل 5 را ببینید). نتایج نشان می دهد که مدل رگرسیون ماشین بردار پشتیبان (Ca Mg K-SVMR) غلظت نیکل را در خاک به عنوان یک مدل پیش بینی می کند، اما پارامترهای اعتبارسنجی و ارزیابی دقت خطاهای بسیار بالایی را نشان می دهد و از روش MAKORM با استفاده از مدل دستی EMLn استفاده می کند. مدل همچنین به دلیل مقدار کم ضریب تعیین (R2) دارای نقص است. نتایج خوبی با استفاده از EBK SVMR و عناصر ترکیبی (CaKMg) با خطاهای RMSE و MAE کم با دقت 63.7٪ به دست آمد. معلوم شد که ترکیب EBK می تواند الگوریتم EBK را با یک الگوریتم الگوریتم یادگیری ماشینی، غلظت اولیه خاک را با یک الگوریتم یادگیری ماشین ایجاد کند. نتایج نشان می‌دهد که استفاده از کلسیم منیزیم پتاسیم به‌عنوان پیش‌بینی‌کننده غلظت نیکل در منطقه مورد مطالعه می‌تواند پیش‌بینی نیکل را در خاک‌ها بهبود بخشد. این بدان معناست که کاربرد مداوم کودهای مبتنی بر نیکل و آلودگی صنعتی خاک توسط صنعت فولاد، تمایل به افزایش غلظت نیکل در خاک دارد. به طور کلی، ما پیشنهاد می‌کنیم که مدل EBK-SVMR را برای ارزیابی و پیش‌بینی PTE در خاک اعمال کنیم.علاوه بر این، ما پیشنهاد می‌کنیم از EBK برای هیبرید کردن با الگوریتم‌های مختلف یادگیری ماشین استفاده کنیم. غلظت نیکل با استفاده از عناصر به‌عنوان متغیرهای کمکی پیش‌بینی شد.با این حال، استفاده از متغیرهای کمکی بیشتر عملکرد مدل را تا حد زیادی بهبود می بخشد، که می توان آن را محدودیتی برای کار فعلی در نظر گرفت. محدودیت دیگر این مطالعه این است که تعداد مجموعه داده ها 115 است. بنابراین، در صورت ارائه داده های بیشتر، عملکرد روش هیبریداسیون بهینه پیشنهادی را می توان بهبود بخشید.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (دسترسی در 28 آوریل 2021).
Kasprzak، KS نیکل پیشرفت در سم شناسی محیطی مدرن. اطرافیان. toxicology.11، 145-183 (1987).
Cempel، M. و نیکل، G. نیکل: مروری بر منابع آن و سم شناسی محیطی. لهستانی J. Environment.Stud.15، 375-382 (2006).
Freedman، B. & Hutchinson، TC ورودی آلاینده از جو و تجمع در خاک و پوشش گیاهی در نزدیکی یک کارخانه ذوب نیکل مس در سادبری، انتاریو، کانادا.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa، T. و همکاران. فلزات سنگین در خاک، گیاهان و خطرات مرتبط با چرای نشخوارکنندگان در نزدیکی معدن مس نیکل Selebi-Phikwe در Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-0281-009.
Cabata-Pendias.Kabata-Pendias A. 2011. عناصر کمیاب در خاک و… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+and%Y+Trace+Elements+in+th+So. NY%29%3A+CRC+Press&btnG= (دسترسی در 24 نوامبر 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of صنعت نیکل روسیه بر غلظت فلزات سنگین در خاکهای کشاورزی و علفها در Soer-Varanger, Norway.agris.fao.org.
Nielsen، GD و همکاران. جذب و احتباس نیکل در آب آشامیدنی با مصرف غذا و حساسیت به نیکل مرتبط است.toxicology.application.Pharmacodynamics.154، 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
عجمان، کامپیوتر;آجادو، SK;بورووکا، ال.بینی، JKM;سارکودی، VYO؛Cobonye، NM؛تجزیه و تحلیل روند عناصر بالقوه سمی: یک بررسی کتاب سنجی. ژئوشیمی و سلامت محیطی. اسپرینگر 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. در مورد نقشه برداری خاک دیجیتال. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV مدل‌سازی مخزن زمین آماری،… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +PresscG+n% لغو شده در 28 آوریل 2021).


زمان ارسال: ژوئیه-22-2022