Nikkelipitoisuuksien ennustaminen esikaupunki- ja kaupunkimaaperässä käyttämällä empiiristä Bayesin kriging- ja tukivektorikoneregressiota

Kiitos vierailustasi Nature.comissa. Käyttämäsi selainversio tukee rajoitetusti CSS:ää. Parhaan kokemuksen saamiseksi suosittelemme käyttämään päivitettyä selainta (tai poistamaan yhteensopivuustilan Internet Explorerissa). Tällä välin tuen jatkamisen varmistamiseksi näytämme sivuston ilman tyylejä ja JavaScriptiä.
Maaperän saastuminen on suuri ihmisen toiminnan aiheuttama ongelma. Mahdollisesti myrkyllisten alkuaineiden (PTE) alueellinen jakautuminen vaihtelee useimmilla kaupungeissa ja kaupunkien lähialueilla. Tästä syystä on vaikea ennustaa PTE-pitoisuuksia tällaisissa maaperässä. Frydek Mistekiltä Tšekin tasavallasta saatiin yhteensä 115 näytettä. Kalsium (MgK)) ja kaliumin (MgK) pitoisuudet määritettiin. induktiivisesti kytketty plasmaemissiospektrometria. Vastemuuttuja on Ni ja ennustajat ovat Ca, Mg ja K. Korrelaatiomatriisi vastemuuttujan ja ennustusmuuttujan välillä osoittaa tyydyttävän korrelaation elementtien välillä. Ennustetulokset osoittivat, että tukivektorikoneregressio (SVMR) suoriutui hyvin, vaikka sen arvioitu arvo on 4 (mg235.6kgE)4 (mg235.6kgSE)9. 946 mg/kg) olivat korkeampia kuin muut käytetyt menetelmät. Empiirisen Bayesin Kriging-Multiple Lineaar Regression (EBK-MLR) sekamallit toimivat huonosti, mistä on osoituksena alle 0,1:n määrityskertoimet. Empiirinen Bayesin Kriging-tukivektorikoneregressio (EBK-SVMR) (5 mg/kg). 68 mg/kg) arvot ja korkea määrityskerroin (R2 = 0,637). EBK-SVMR-mallinnustekniikan tulos visualisoidaan itseorganisoituvan kartan avulla. CakMg-EBK-SVMR-hybridimallin tasossa olevat klusteroidut neuronit näyttävät useita värikuvioita, jotka ennustavat Ni-pitoisuuksia kaupunkien ja esikaupunkien maaperässä. Tulokset osoittavat tehokkaan EBK-ur- SV-tekniikan yhdyskunta- ja lähimaaperässä. kieltää maaperät.
Nikkeliä (Ni) pidetään kasvien hivenravinteena, koska se edistää ilmakehän typen sitoutumista (N) ja urea-aineenvaihduntaa, joita molempia tarvitaan siementen itämiseen. Sen lisäksi, että Ni vaikuttaa siementen itämiseen, se voi toimia sienten ja bakteerien estäjänä ja edistää kasvien kehitystä. Maaperän nikkelin puute mahdollistaa sen, että kasvi voi imeytyä vihreiden lehtien, esim. nikkeliherneen leviämisen ja leviämisen seurauksena. -pohjaiset lannoitteet optimoimaan typen sitoutumista2.Nikkelipohjaisten lannoitteiden jatkuva käyttö rikastaa maaperää ja lisää palkokasvien kykyä sitoa typpeä maaperässä lisää jatkuvasti nikkelipitoisuutta maaperässä.Vaikka nikkeli on kasvien hivenravinne, sen liiallinen pH-arvo voi aiheuttaa enemmän haittaa maaperän haitalle ja myrkyllisyydelle maaperässä. raudan välttämätön ravintoaine kasvien kasvulle1.Liu3:n mukaan Ni on todettu olevan 17. tärkeä kasvien kehitykselle ja kasvulle tarvittava alkuaine. Nikkelin roolin lisäksi kasvien kehityksessä ja kasvussa ihminen tarvitsee sitä moniin eri sovelluksiin. Galvanointi, nikkelipohjaisten metalliseosten valmistus sekä teollinen käyttö edellyttää sytytyslaitteiden ja kipinälaitteiden lisäämistä autoteollisuudessa. nikkelipohjaisia ​​seoksia ja galvanoituja esineitä on käytetty laajalti keittiövälineissä, juhlasalitarvikkeissa, elintarviketeollisuuden tarvikkeissa, sähkö-, johto- ja kaapeleissa, suihkuturbiineissa, kirurgisissa implanteissa, tekstiileissä ja laivanrakennuksessa5.Rikkaiden nikkelipitoisuuksien maaperässä (eli pintamaaperässä) on katsottu johtuvan sekä antropogeenisista että luonnollisista nikkelin lähteistä, mutta pikemminkin4 nikkelin lähteistä kuin istropogeenisista lähteistä. canic eruptions, kasvillisuus, metsäpalot ja geologiset prosessit;Ihmisperäisiä lähteitä ovat kuitenkin terästeollisuuden nikkeli/kadmiumparistot, galvanointi, kaarihitsaus, diesel ja polttoöljyt sekä hiilen poltosta ja jätteen ja lietteen poltosta johtuvat päästöt ilmakehään Nikkelin kerääntyminen7,8.Freedmanin ja Hutchinsonin9 ja Manyiwa et al.10, pääasialliset pintamaaperän pilaantumisen lähteet välittömässä ja lähiympäristössä ovat pääasiassa nikkeli-kuparipohjaisia ​​sulattoja ja kaivoksia.Kanadassa sijaitsevan Sudburyn nikkeli-kuparinjalostamon ympärillä olevalla maaperällä oli korkein nikkelin saastuminen, 26 000 mg/kg11. Sitä vastoin Venäjällä Norjan maaperän saastuminen johti11 korkeampaan maaperän tuotantoon. Alms et al.12, HNO3:lla uutettavan nikkelin määrä alueen huippupeltoalueella (nikkelin tuotanto Venäjällä) vaihteli välillä 6,25-136,88 mg/kg, mikä vastaa keskiarvoa 30,43 mg/kg ja peruspitoisuutta 25 mg/kg. satokaudet voivat infusoida tai saastuttaa maaperän. Nikkelin mahdolliset vaikutukset ihmisissä voivat johtaa syöpään mutageneesin, kromosomivaurioiden, Z-DNA:n muodostumisen, estyneen DNA-leikkauksen korjauksen tai epigeneettisten prosessien kautta.
Maaperän saastumisen arvioinnit ovat kukoistaneet viime aikoina useiden terveyteen liittyvien ongelmien vuoksi, jotka johtuvat maaperän ja kasvien välisistä suhteista, maaperän ja maaperän biologisista suhteista, ekologisesta rappeutumisesta ja ympäristövaikutusten arvioinnista. Tähän mennessä maaperän mahdollisesti myrkyllisten elementtien (PTE:iden), kuten Ni:n, alueellinen ennustaminen on ollut työlästä ja aikaa vievää, mikä parantaa perinteisten maaperän kartoitusmenetelmien avulla. (PSM).Minasnyn ja McBratneyn16 mukaan ennustava maaperäkartoitus (DSM) on osoittautunut merkittäväksi maaperätieteen alatieteenalaksi. Lagacherie ja McBratney, 2006 määrittelevät DSM:n "tilallisten maaperätietojärjestelmien luomiseksi ja täyttämiseksi käyttämällä in situ ja laboratorio maaperän havainnointimenetelmiä ja ei-spatitiallisia menetelmiä".17 hahmotellaan, että nykyaikainen DSM tai PSM on tehokkain tekniikka PTE:iden, maaperätyyppien ja maaperän ominaisuuksien alueellisen jakautumisen ennustamiseen tai kartoittamiseen. Geostatistics and Machine Learning Algorithms (MLA) ovat DSM-mallinnustekniikoita, jotka luovat digitoituja karttoja tietokoneiden avulla käyttämällä merkittävää ja minimaalista dataa.
Deutsch18 ja Olea19 määrittelevät geostatistiikan "kokoelmaksi numeerisia tekniikoita, jotka käsittelevät spatiaalisia attribuutteja ja käyttävät pääasiassa stokastisia malleja, kuten kuinka aikasarjaanalyysi luonnehtii ajallista dataa".Ensisijaisesti geostatistiikkaan kuuluu variogrammien arviointi, joiden avulla voidaan kvantifioida ja määritellä paikka-arvojen riippuvuudet jokaisesta tietojoukosta20.Gumiaux et al.20 havainnollistaa edelleen, että variogrammien arviointi geostatistiikassa perustuu kolmeen periaatteeseen, mukaan lukien (a) tietojen korrelaation asteikon laskeminen, (b) anisotropian tunnistaminen ja laskeminen tietojoukon eroissa ja (c) lisäksi, että mittaustietojen luontaisen virheen huomioon ottaminen paikallisista käsitteistä erottuu, nämä aluevaikutukset ovat myös moninaisia ​​geopoliittisia vaikutuksia. istiikka, mukaan lukien yleinen kriging, yhteiskriging, tavallinen kriging, empiirinen Bayesin kriging, yksinkertainen kriging-menetelmä ja muut hyvin tunnetut interpolointitekniikat PTE:n, maaperän ominaisuuksien ja maaperätyyppien kartoittamiseksi tai ennustamiseksi.
Machine Learning Algorithms (MLA) on suhteellisen uusi tekniikka, joka käyttää suurempia epälineaarisia tietoluokkia, ja sitä tukevat algoritmit, joita käytetään ensisijaisesti tiedon louhinnassa, datamallien tunnistamisessa ja joita käytetään toistuvasti luokittelussa tieteenaloilla, kuten maaperätieteessä ja palautustehtävissä. Monet tutkimuspaperit perustuvat MLA-malleihin ennustaakseen PTE:tä maaperässä, kuten Tan et al.22 (satunnaiset metsät raskasmetallien arviointiin maatalousmailla), Sakizadeh et al.23 (mallinnus käyttäen tukivektorikoneita ja keinotekoisia hermoverkkoja) maaperän saastuminen). Lisäksi Vega et al.24 (CART raskasmetallien pidättymisen ja adsorption mallintamiseen maaperässä) Sun et al.25 (kubistin soveltaminen on Cd:n jakautumista maaperään) ja muut algoritmit, kuten k-lähin naapuri, yleistetty tehostettu regressio ja tehostettu regressio Puut käyttivät myös MLA:ta ennustamaan PTE:tä maaperässä.
DSM-algoritmien soveltaminen ennustamiseen tai kartoitukseen kohtaa useita haasteita. Monet kirjoittajat uskovat, että MLA on parempi kuin geostatistiikka ja päinvastoin.Vaikka toinen on parempi kuin toinen, näiden kahden yhdistelmä parantaa kartoituksen tai ennustamisen tarkkuutta DSM15.Woodcockissa ja Gopal26 Finke27:ssä;Pontius ja Cheuk28 ja Grunwald29 kommentoivat puutteita ja joitakin virheitä ennustetussa maaperän kartoituksessa.Maantieteelliset tutkijat ovat kokeilleet erilaisia ​​tekniikoita optimoidakseen DSM-kartoituksen ja -ennusteen tehokkuutta, tarkkuutta ja ennustettavuutta.Epävarmuuden ja todentamisen yhdistelmä on yksi monista eri näkökohdista, jotka on integroitu DSM:ään tehokkuuden optimoimiseksi ja vikojen vähentämiseksi.15 pääpiirteissään, että karttojen luomisen ja ennustamisen aiheuttama validointikäyttäytyminen ja epävarmuus tulisi validoida itsenäisesti karttojen laadun parantamiseksi. DSM:n rajoitukset johtuvat maantieteellisesti hajaantuneesta maaperän laadusta, johon liittyy epävarmuustekijä;DSM:n epävarmuuden puute voi kuitenkin johtua useista virhelähteistä, nimittäin kovariaattivirheestä, mallivirheestä, sijaintivirheestä ja analyyttisestä virheestä 31. MLA:ssa ja geostatistisissa prosesseissa aiheutetut mallinnuksen epätarkkuudet liittyvät ymmärryksen puutteeseen, mikä johtaa lopulta todellisen prosessin liialliseen yksinkertaistamiseen. ioneja tai interpolaatiota33.Viime aikoina on ilmaantunut uusi DSM-trendi, joka edistää geostatistiikan ja MLA:n integrointia kartoitukseen ja ennustamiseen. Useat maaperän tutkijat ja kirjoittajat, kuten Sergeev et al.34;Subbotina et ai.35;Tarasov et ai.36 ja Tarasov et ai.37 ovat hyödyntäneet geostatistiikan ja koneoppimisen tarkkaa laatua luodakseen hybridimalleja, jotka parantavat ennustamisen ja kartoituksen tehokkuutta.laatu.Jotkin näistä hybridi- tai yhdistetyistä algoritmimalleista ovat keinotekoinen hermoverkkokriging (ANN-RK), monikerroksinen perceptronin jäännöskriging (MLP-RK), yleistetty regressiohermoverkon jäännöskriging (GR-NNRK)36, keinotekoisen hermoverkon kriging-monikerroksinen perceptron (ANN-K-MLP)37 ja Gaugression8.
Sergeevin ym. mukaan eri mallinnustekniikoiden yhdistäminen voi eliminoida virheitä ja lisätä tuloksena olevan hybridimallin tehokkuutta sen sijaan, että kehitettäisiin sen yksittäistä mallia. Tässä yhteydessä tässä uudessa artikkelissa väitetään, että on tarpeen soveltaa yhdistettyä geostatistiikan ja MLA-algoritmia, jotta voidaan luoda optimaaliset hybridimallit Ni-rikastumisen ennustamiseksi kaupunkien ja lähiympäristön alueilla. Konemallit (SVM) ja Multiple Linear Regression (MLR) -mallit. EBK:n hybridisaatiota minkään MLA:n kanssa ei tunneta. Nähdyt useat sekamallit ovat tavallisen, jäännös-, regressiokrigingin yhdistelmiä, ja MLA.EBK on geostatistinen interpolointimenetelmä, joka käyttää spatiaalisesti stokastista prosessia, joka on lokalisoitu määritetyllä satunnaiskentällä, joka sallii muuttuvan parametrikentän9 yli staattisen kentän. .EBK:ta on käytetty erilaisissa tutkimuksissa, mukaan lukien orgaanisen hiilen jakautumisen analysointi maatilojen maaperässä40, maaperän saastumisen arvioiminen41 ja maaperän ominaisuuksien kartoittaminen42.
Toisaalta Self-Organizing Graph (SeOM) on oppimisalgoritmi, jota on käytetty useissa artikkeleissa, kuten Li et al.43, Wang et ai.44, Hossain Bhuiyan et ai.45 ja Kebonye et al.46 Määritä elementtien spatiaaliset attribuutit ja ryhmittely. Wang et al.44 hahmotellaan, että SeOM on tehokas oppimistekniikka, joka tunnetaan kyvystään ryhmitellä ja kuvitella epälineaarisia ongelmia. Toisin kuin muut kuviontunnistustekniikat, kuten pääkomponenttianalyysi, sumea klusterointi, hierarkkinen klusterointi ja monikriteerien päätöksenteko, SeOM on parempi organisoimaan ja tunnistamaan PTE-kuvioita. Wang et al.44, SeOM voi spatiaalisesti ryhmitellä toisiinsa liittyvien hermosolujen jakautumisen ja tarjota korkearesoluutioisen datan visualisoinnin.SeOM visualisoi Ni-ennustustiedot saadakseen parhaan mallin tulosten karakterisoimiseksi suoraa tulkintaa varten.
Tämän artikkelin tavoitteena on luoda vankka kartoitusmalli, jonka tarkkuus on optimaalinen nikkelipitoisuuden ennustamiseen kaupunki- ja lähimaaperässä. Oletamme, että sekamallin luotettavuus riippuu pääasiassa muiden perusmalliin liitettyjen mallien vaikutuksesta. Ymmärrämme DSM:n kohtaamat haasteet, ja vaikka näihin haasteisiin vastataan useilla rintamilla, mallin ja geostamenttien yhdistelmä näyttää olevan mallillista;siksi yritämme vastata tutkimuskysymyksiin, joista voi saada sekamalleja.Kuinka tarkka malli on kuitenkin kohdeelementin ennustamisessa?Mikä on myös validointiin ja tarkkuusarviointiin perustuva tehokkuuden arvioinnin taso?Siksi tämän tutkimuksen erityistavoitteina oli (a) luoda yhdistetty seosmalli SVMR:lle tai MLR:lle käyttäen EBK:ta perusmallina, (b) vertailla maaperän pitoisuuden ennustettaviksi urbaania mallia (c) vertailla tuloksia maaperän pitoisuuden ehdottamiseen. s ja (d) SeOM:n soveltaminen korkearesoluutioisen nikkelin spatiaalisen vaihtelun kartan luomiseen.
Tutkimus tehdään Tšekin tasavallassa, erityisesti Frydek Mistekin alueella Moravia-Sleesian alueella (katso kuva 1). Tutkimusalueen maantiede on erittäin karu ja se on enimmäkseen osa Määri-Sleesian Beskidy-aluetta, joka on osa Karpaattien ulkoreunaa. Tutkimusalue sijaitsee välillä N:o 401′041′201. ′ E, ja korkeus on 225–327 m;Alueen ilmaston tilan Koppen-luokitusjärjestelmä on kuitenkin luokiteltu Cfb = lauhkea valtameri-ilmasto, Sademäärä on paljon myös kuivina kuukausina. Lämpötilat vaihtelevat hieman ympäri vuoden -5 °C ja 24 °C välillä, harvoin alle -14 °C tai yli 30 °C, kun taas vuoden keskimääräinen sademäärä on 56 mm:n välillä 25 mm4. 1 208 neliökilometriä, jossa 39,38 % viljelymaasta ja 49,36 % metsien peittävyydestä. Toisaalta tässä tutkimuksessa käytetty ala on noin 889,8 neliökilometriä. Ostravassa ja sen ympäristössä terästeollisuus ja metallitehdas ovat erittäin aktiivisia. Metallitehtaat, terästeollisuus, jossa nikkeliä käytetään ruostumattomaan teräkseen ja esim. ruostumattomaan teräkseen. lejeeringin lujuus säilyttäen samalla sen hyvän sitkeyden ja sitkeyden), ja intensiivinen maatalous, kuten fosfaattilannoitteiden levitys ja karjantuotanto, ovat potentiaalisia nikkelin lähteitä alueella (esim. nikkelin lisääminen karitsoihin karitsojen ja vähän ruokittujen nautojen kasvunopeuden lisäämiseksi). Muita nikkelin teollisia käyttökohteita ovat muun muassa nikkelin käyttö sähköisessä platnikoinnissa. Maaperän ominaisuudet ovat helposti erotettavissa maaperän väristä, rakenteesta ja karbonaattipitoisuudesta. Maaperän rakenne on keski-hieno, peräisin perusmateriaalista. Ne ovat luonteeltaan kolluviaalisia, tulvia tai eolilaisia. Jotkut maaperän alueet näyttävät pinnassa ja pohjamaassa täpliltä, ​​usein betonin ja valkaisun kanssa. Kuitenkin cambisols ja stagnosols ovat alueen yleisimpiä maatyyppejä. 493,5 m, cambisolit hallitsevat Tšekin tasavaltaa49.
Tutkimusalueen kartta [Tutkimusalueen kartta luotiin ArcGIS Desktopilla (ESRI, Inc, versio 10.7, URL: https://desktop.arcgis.com).]
Frydek Mistekin kaupunginosasta kaupunki- ja esikaupunkimaista saatiin yhteensä 115 pintamaanäytettä. Näytekuviona käytettiin säännöllistä ruudukkoa, jossa maanäytteet olivat 2 × 2 km:n päässä toisistaan, ja pintamaa mitattiin 0-20 cm:n syvyydeltä käsin pidettävällä GPS-laitteella (Leica Zeno 5:n näytteenotto ja paketti GPS). s ilmakuivattiin jauhettujen näytteiden valmistamiseksi, jauhettiin mekaanisella järjestelmällä (Fritsch-kiekkomylly) ja seulottiin (seulakoko 2 mm). Laita 1 gramma kuivattuja, homogenisoituja ja seulottuja maanäytteitä selvästi merkittyihin teflonpulloihin. Anna jokaiseen teflonastiaan annostella 7 ml 35 % HCl:a ja 3 ml NO3 annostelemalla 7 ml 35 % HCl:a ja 3 ml NO3. s seisoa yön yli reaktiota varten (aqua regia -ohjelma) .Aseta supernatantti kuumalle metallilevylle (lämpötila: 100 W ja 160 °C) 2 tunniksi helpottaaksesi näytteiden pilkkomista, jäähdytä sitten. Siirrä supernatantti 50 ml:n mittapulloon ja laimenna 50 ml:ksi vesiliuosta suodattimella. ionisoitua vettä.Lisäksi 1 ml laimennusliuosta laimennettiin 9 ml:lla deionisoitua vettä ja suodatettiin 12 ml:n putkeen, joka oli valmistettu PTE-pseudokonsentraatiota varten. PTE:iden (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) pitoisuudet määritettiin EPC:llä (Oppy Spectronisoituva) rmo Fisher Scientific, USA) standardimenetelmien ja sopimuksen mukaisesti.Varmista laadunvarmistus- ja valvontamenettelyt (QA/QC) (SRM NIST 2711a Montana II Soil).PTE:t, joiden havaitsemisraja on alle puolet, suljettiin pois tästä tutkimuksesta.Tässä tutkimuksessa käytetyn PTE:n havaitsemisraja oli 0,0004.(sinä).Lisäksi laadunvarmistusprosessin ja laadunvarmistusprosessin varmistamiseksi. että virheet minimoituivat, suoritettiin kaksoisanalyysi.
Empiirinen Bayesian Kriging (EBK) on yksi monista geostatistisista interpolaatiotekniikoista, joita käytetään mallintamiseen eri aloilla, kuten maaperätieteessä. Toisin kuin muut kriging-interpolointitekniikat, EBK eroaa perinteisistä kriging-menetelmistä ottamalla huomioon semivariogrammimallin arvioiman virheen. EBK-interpoloinnissa lasketaan useita semivariogrammimalleja, jotka on tarkoitettu unipolointitekniikalla yhden interpolointitekniikan aikana. ja tähän semivariogrammin piirtämiseen liittyvä ohjelmointi, joka muodostaa erittäin monimutkaisen osan riittävästä kriging-menetelmästä. EBK:n interpolointiprosessi noudattaa Krivoruchkon ehdottamia kolmea kriteeriä50, (a) malli estimoi semivariogrammin syöttötietojoukosta (b) uusi ennustettu arvo kullekin syötetietojoukon sijainnille perustuen generoituun puolivariaatioon A simuloituun sääntöön. annetaan jälkikäteen
Missä \(Prob\left(A\oikea)\) edustaa prioria, \(Todennäköisyys\vasen(B\oikea)\) marginaalitodennäköisyys jätetään useimmissa tapauksissa huomiotta, \(Prob (B,A)\ ) .Puolivariogrammin laskenta perustuu Bayesin sääntöön, joka näyttää havainnointitietojoukkojen taipumuksen, joka voidaan määrittää käyttämällä todennäköistä tilan semivariogrammin arvoa. se on luoda tietojoukko havainnoista semivariogrammista.
Tukivektorikone on koneoppimisalgoritmi, joka luo optimaalisen erottelevan hypertason identtisten, mutta ei lineaarisesti riippumattomien luokkien erottamiseksi. Vapnik51 loi tarkoituksenmukaisen luokittelualgoritmin, mutta sitä on viime aikoina käytetty regressiosuuntautuneiden ongelmien ratkaisemiseen. Li et al.52 mukaan SVM on yksi parhaista SVM-luokittelutekniikoista, joita on käytetty eri regressio- ja regressiotekniikoissa. ioni – SVMR) käytettiin tässä analyysissä. Cherkassky ja ​​Mulier53 aloittivat SVMR:n ydinpohjaisena regressiona, jonka laskenta suoritettiin käyttämällä lineaarista regressiomallia useiden maiden spatiaalisilla funktioilla. John et al54 raportoivat, että SVMR-mallinnus käyttää hypertason lineaarista spatiaalista regressiota, joka mahdollistaa alccordtials-funktioita.55, epsilon (ε)-SVMR käyttää harjoitettua tietojoukkoa esitysmallin saamiseksi epsilonille epäherkänä funktiona, jota sovelletaan tietojen kartoittamiseen itsenäisesti parhaan epsilonin poikkeaman avulla korreloidun datan harjoittelusta. Esiasetettu etäisyysvirhe jätetään huomiotta todellisesta arvosta, ja jos virhe on suurempi kuin ε(ε), myös maaperän osajoukko pienentää harjoitusmallin vektoriteettia. Vapnik51:n ehdottama yhtälö on esitetty alla.
missä b edustaa skalaarikynnystä, \(K\left({x}_{,}{ x}_{k}\right)\) edustaa ydinfunktiota, \(\alpha\) edustaa Lagrange-kerrointa, N edustaa numeerista tietojoukkoa, \({x}_{k}\) edustaa datasyötettä, ja MR-avain on datan syöttö, ja MR-avain on \(y\O) -toiminto. Gaussin säteittäinen perusfunktio (RBF). RBF-ydintä käytetään optimaalisen SVMR-mallin määrittämiseen, mikä on kriittistä hienovaraisimman sakkojoukon tekijän C ja ytimen parametrin gamma (γ) saamiseksi PTE-harjoitustiedoille. Ensin arvioimme harjoitusjoukon ja testasimme sitten mallin suorituskykyä validointijoukossa. Ohjausparametrina käytetään arvoaRadials ja menetelmän arvo sigalma.
Moninkertainen lineaarinen regressiomalli (MLR) on regressiomalli, joka edustaa vastemuuttujan ja useiden ennustusmuuttujien välistä suhdetta käyttämällä lineaarisia yhdistettyjä parametreja, jotka on laskettu pienimmän neliösumman menetelmällä. MLR:ssä pienimmän neliösumman malli on maaperän ominaisuuksien ennustava funktio selittävien muuttujien valinnan jälkeen. On tarpeen käyttää vastetta määrittämään lineaarinen suhde muuttujien kanssa, joita käytettiin selittävänä RPTE:n kanssa. muuttujat. MLR-yhtälö on
missä y on vastemuuttuja, \(a\) on leikkauspiste, n on ennustajien lukumäärä, \({b}_{1}\) on kertoimien osittainen regressio, \({x}_{ i}\) on ennustaja tai selittävä muuttuja ja \({\varepsilon }_{i}\) edustaa myös mallin virhettä.
Sekamalleja saatiin kerrostelemalla EBK SVMR:n ja MLR:n kanssa. Tämä tehdään poimimalla ennustetut arvot EBK-interpoloinnista. Interpoloiduista Ca:sta, K:sta ja Mg:stä saadut ennustetut arvot saadaan kombinatorisella prosessilla uusien muuttujien, kuten CaK, CaMg ja KMg, saamiseksi. Alkuaineet saadaan sitten yhdisteltyinä kaikki muuttujat Ca, K, CaM ja aK. ovat Ca, K, Mg, CaK, CaMg, KMg ja CaKMg. Näistä muuttujista tuli ennustajamme, jotka auttoivat ennustamaan nikkelipitoisuuksia kaupunki- ja lähimaaperässä. SVMR-algoritmi suoritettiin ennustajille sekamallin saamiseksi Empiirinen Bayesian Kriging-Support Vector Machine (EBK_SVM). ian Kriging-Multiple Linear Regression (EBK_MLR). Tyypillisesti muuttujia Ca, K, Mg, CaK, CaMg, KMg ja CaKMg käytetään kovariaatteina Ni-pitoisuuden ennustajina kaupunki- ja lähimaaperässä. Hyväksyttävin saatu malli (EBK_SVM tai EBK_MLR) on sitten visualisoivassa tutkimuksessa2.
SeOM:n käyttämisestä on tullut suosittu työkalu tietojen järjestämiseen, arvioimiseen ja ennustamiseen finanssisektorilla, terveydenhuollossa, teollisuudessa, tilastoissa, maaperätieteessä ja muilla aloilla.SeOM on luotu keinotekoisten hermoverkkojen ja ohjaamattomien oppimismenetelmien avulla organisointiin, arviointiin ja ennustamiseen. Tässä tutkimuksessa SeOM:a käytettiin visualisoimaan Ni-pitoisuudet parhaaseen malliin perustuen Ni-pitoisuuksien ennustamiseen kaupunkien ja ympäristön maaperän arvioinnissa. vektorimuuttujat43,56.Melssen et ai.57 kuvaavat syöttövektorin kytkemistä hermoverkkoon yhden tulokerroksen kautta lähtövektoriin, jolla on yksi painovektori. SeOM:n tuottama lähtö on kaksiulotteinen kartta, joka koostuu eri neuroneista tai solmuista, jotka on kudottu kuusikulmaisiin, ympyrä- tai neliömäisiin topologisiin karttoihin niiden läheisyyden mukaan. Vertaamalla karttavirheitä (E, karttojen kokoa metrisen virheen (E, Q) ja topografisen virheen (0) kanssa. Valitaan 086 ja 0,904, mikä on 55-kartan yksikkö (5 × 11). Hermosolurakenne määräytyy empiirisen yhtälön solmujen lukumäärän mukaan.
Tässä tutkimuksessa käytettyjen tietojen määrä on 115 näytettä. Satunnaista lähestymistapaa käytettiin tietojen jakamiseen testidataksi (25 % validointia varten) ja harjoitustietosarjoiksi (75 % kalibrointiin). Harjoitusaineistoa käytetään regressiomallin luomiseen (kalibrointi), ja testiaineistoa käytetään yleistyskyvyn todentamiseen58. Tämä tehtiin eri mallien arvioimiseksi käytettyjen maaperän sisällön ennustettavuudesta. -validointiprosessi, toistetaan viisi kertaa. EBK-interpoloinnilla tuotettuja muuttujia käytetään ennustajina tai selittävinä muuttujina kohdemuuttujan (PTE) ennustamiseen. Mallinnus hoidetaan RStudiossa käyttämällä paketteja kirjasto (Kohonen), kirjasto (caret), kirjasto (malli), kirjasto ("e1071"), kirjasto ("plyr") kirjasto (,"plyr") sr.
Useilla validointiparametreilla määritettiin paras malli, joka soveltuu nikkelipitoisuuksien ennustamiseen maaperässä sekä arvioitiin mallin tarkkuutta ja sen validointia. Hybridisaatiomallit arvioitiin käyttämällä absoluuttista keskivirhettä (MAE), neliövirheen keskiarvoa (RMSE) ja R-neliö- eli kertoimen määritystä (R2). mallia, kun taas MAE määrittää todellisen kvantitatiivisen arvon. R2-arvon on oltava korkea, jotta voidaan arvioida paras sekoitusmalli validointiparametreja käyttäen, mitä lähempänä arvoa 1, sitä suurempi tarkkuus. Li et al.59, R2-kriteerin arvoa 0,75 tai suurempi pidetään hyvänä ennustajana;0,5 - 0,75 on hyväksyttävä mallin suorituskyky ja alle 0,5 ei ole hyväksyttävä mallin suorituskyky. Valittaessa mallia RMSE- ja MAE-validointikriteerien arviointimenetelmillä, saadut pienemmät arvot olivat riittäviä ja niitä pidettiin parhaana valinnana. Seuraava yhtälö kuvaa varmennusmenetelmää.
missä n edustaa havaitun arvon kokoa\({Y}_{i}\) edustaa mitattua vastetta, ja \({\widehat{Y}}_{i}\) edustaa myös ennustettua vastearvoa, joten ensimmäisille i havainnoille.
Ennustaja- ja vastemuuttujien tilastolliset kuvaukset on esitetty taulukossa 1, jossa näkyy keskiarvo, keskihajonta (SD), variaatiokerroin (CV), minimi, maksimi, kurtoosi ja vinous. Alkioiden minimi- ja maksimiarvot ovat laskevassa järjestyksessä Mg < Ca < K < Ni ja Ca < Mg < K < Ni. Vastaavasti. Pitoisuudet 4 tutkimuksesta vaihteluvälistä 8 näytteen vaihteluväliä (N 6 vaihteluväliä) n. 2,39 mg/kg.Ni:n vertailu maailman keskiarvoon (29 mg/kg) ja Euroopan keskiarvoon (37 mg/kg) osoitti, että tutkimusalueen laskettu geometrinen keskiarvo oli siedettävällä alueella. Kuitenkin, kuten Kabata-Pendias11 osoittaa, keskimääräisen nikkelin (Ni) pitoisuuden vertailu tässä tutkimuksessa osoittaa, että maatalouden nykyinen keskimääräinen nikkeli (Ni) -pitoisuus on nykyisessä tutkimuksessa korkeampi. Nykyisessä tutkimuksessa (Ni 16,15 mg/kg) oli korkeampi kuin sallittu raja 60 (10,2 mg/kg) Ni:lle Puolan kaupunkimailla, jotka ovat raportoineet Różański et al. Lisäksi Bretzel ja Calderisi61 kirjasivat erittäin alhaiset keskimääräiset Ni-pitoisuudet (1,78 mg/kg) kaupunkimaassa verrattuna nykyiseen Tucanym/kg. nikkelipitoisuus (12,34 mg/kg) Hongkongin kaupunkimailla, mikä on alhaisempi kuin tämän tutkimuksen nykyinen nikkelipitoisuus.Birke et al63 raportoivat keskimääräiseksi nikkelipitoisuudeksi 17,6 mg/kg vanhalla kaivos- ja kaupunkiteollisuusalueella Sachsen-Anhaltissa, Saksassa, mikä oli 1,45 mg/kg korkeampi kuin keskimääräinen maaperän liiallinen nikkelipitoisuus urbaanissa tutkimuksessa (.Cur.1 mg/kg). Tutkimusalueen taajama-alueet voivat johtua pääasiassa rauta- ja terästeollisuudesta sekä metalliteollisuudesta. Tämä on yhdenmukainen Khodadoustin et al. tutkimuksen kanssa.64, että terästeollisuus ja metallintyöstö ovat tärkeimmät maaperän nikkelin saastumisen lähteet. Ennustajat vaihtelivat kuitenkin myös välillä 538,70 mg/kg - 69 161,80 mg/kg Ca, 497,51 mg/kg - 3535,68 mg/kg K ja 685 - .5 mg/kg Ja.5 mg/kg. et ai.65 tutki maaperän Mg- ja K-pitoisuuksia Keski-Serbiassa. He havaitsivat, että kokonaispitoisuudet (410 mg/kg ja 400 mg/kg) olivat alhaisemmat kuin nykyisen tutkimuksen Mg- ja K-pitoisuudet. Erottamaton, Itä-Puolassa Orzechowski ja Smolczynski66 arvioivat Ca-, Mg- ja K-pitoisuudet (5 mg/kg keskimäärin) (5 mg/kg) /kg) ja K (810 mg/kg) Pintakerroksen pitoisuus on pienempi kuin yksittäinen alkuaine tässä tutkimuksessa. Pongrac et al.67 osoitti, että 3:ssa eri maassa Skotlannissa, Isossa-Britanniassa (Mylnefield-maa, Balruddery-maa ja Hartwood-maa) analysoitu Ca-pitoisuus osoitti korkeampaa Ca-pitoisuutta tässä tutkimuksessa.
Näytteiksi otettujen alkuaineiden eri mitattujen pitoisuuksien vuoksi elementtien tietojoukkojakaumat osoittavat erilaista vinoutta. Elementtien vino ja kaaret vaihtelivat välillä 1,53 - 7,24 ja 2,49 - 54,16. Kaikilla lasketuilla elementeillä on vino- ja kaartumissuunnassa epäsäännölliset jakaumatasot yli +1, jolloin tiedoissa on säännöllinen jakauma, joka on oikeassa suhteessa. .Elementtien arvioidut CV:t osoittavat myös, että K, Mg ja Ni vaihtelevat kohtalaisesti, kun taas Ca on erittäin suuri. K:n, Ni:n ja Mg:n CV:t selittävät niiden tasaisen jakautumisen. Lisäksi Ca-jakauma on epätasainen ja ulkoiset lähteet voivat vaikuttaa sen rikastustasoon.
Ennustemuuttujien korrelaatio vasteelementtien kanssa osoitti tyydyttävää korrelaatiota elementtien välillä (katso kuva 3). Korrelaatio osoitti, että CaK osoitti kohtalaista korrelaatiota r-arvon kanssa = 0,53, kuten myös CaNi. Vaikka Ca ja K osoittavat vaatimattomia assosiaatioita keskenään, tutkijat, kuten Kingston et al.68 ja Santo69 viittaavat siihen, että niiden pitoisuudet maaperässä ovat käänteisesti verrannollisia. Ca ja Mg ovat kuitenkin K:n vastaisia, mutta CaK korreloi hyvin. Tämä voi johtua lannoitteiden, kuten kaliumkarbonaatin, käytöstä, joka on 56 % korkeampi kaliumissa. Kalium korreloi kohtalaisesti magnesiumin kanssa (KM:n kaliumin teollisuudessa on läheistä alkuainetta). sulfaattia, kaliummagnesiumnitraattia ja kaliumia levitetään maaperään niiden puutostason lisäämiseksi. Nikkeli korreloi kohtalaisesti Ca:n, K:n ja Mg:n kanssa, ja r-arvot ovat 0,52, 0,63 ja 0,55. Kalsiumin, magnesiumin ja magnesiumin ja PTE:n, kuten nikkelin, kalsiumin ja PTE:n väliset suhteet ovat monimutkaisia, mutta kalsiumin ylimääräisiä vaikutuksia ei ole. vähentää nikkelin myrkyllisiä vaikutuksia maaperässä.
Elementtien korrelaatiomatriisi, joka näyttää ennustajien ja vasteiden välisen suhteen (Huom: tämä kuva sisältää sirontakaavion elementtien välillä, merkitsevyystasot perustuvat p < 0,001).
Kuva 4 havainnollistaa elementtien alueellista jakautumista. Burgosin ym. mukaan70 spatiaalisen jakauman soveltaminen on tekniikka, jota käytetään saastuneiden alueiden kuumien pisteiden kvantifiointiin ja korostukseen. Kuvan 4 Ca:n rikastumistasot näkyvät alueellisen leviämiskartan luoteisosassa. Kuvassa näkyy kohtalaisesta korkeaan Ca-rikastumiskartta. poltettu kalkki (kalsiumoksidi) vähentää maaperän happamuutta ja sen käyttö terästehtaissa emäksisenä hapena teräksenvalmistusprosessissa. Toisaalta muut viljelijät käyttävät mieluummin kalsiumhydroksidia happamassa maaperässä pH:n neutraloimiseksi, mikä myös lisää maaperän kalsiumpitoisuutta71. Kalium näyttää myös kohtalaisia ​​kuumia kohtia maan luoteis- ja pohjoisosassa, toukokuussa ja itäisessä maataloudessa. NPK- ja potaskasovellukset. Tämä on yhdenmukainen muiden tutkimusten kanssa, kuten Madaras ja Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, jotka havaitsivat, että maaperän stabilointi ja käsittely KCl:lla ja NPK:lla johti korkeaan K-pitoisuuteen maaperässä.Tilallinen kaliumin rikastuminen levinneisyyskartan luoteisosassa voi johtua kaliumpohjaisten lannoitteiden, kuten kaliumkloridin, kaliumsulfaatin, kaliumnitraatin, potaskan ja potaskan käytöstä köyhien maaperän kaliumpitoisuuden lisäämiseksi.Zádorová et al.76 ja Tlustoš et ai.77 totesi, että K-pohjaisten lannoitteiden levittäminen lisäsi maaperän K-pitoisuutta ja nostaisi merkittävästi maaperän ravinnepitoisuutta pitkällä aikavälillä, erityisesti K- ja Mg-pitoisuuksia, jotka osoittavat kuuman pisteen maaperässä.Suhteellisen kohtalaiset kuumat kohdat kartan luoteisosassa ja kartan kaakkoisosassa. Kolloidinen kiinnittyminen maaperään aiheuttaa keltaisen aineen. siumpohjaiset lannoitteet, kuten kaliummagnesiumsulfaatti, magnesiumsulfaatti ja kieserite, hoitavat puutteita (kasvit näyttävät purppuranpunaisilta, punaisilta tai ruskeilta, mikä viittaa magnesiumin puutteeseen) maaperässä, jonka pH-alue on normaali6. Nikkelin kerääntyminen kaupunkien ja kaupunkien lähialueiden teräspinnoille voi johtua maaperän viljelyttömästä maataloudesta.
Elementtien tilajakauma [tilajakaumakartta luotiin ArcGIS Desktopilla (ESRI, Inc, versio 10.7, URL: https://desktop.arcgis.com).]
Tässä tutkimuksessa käytettyjen elementtien mallin suorituskykyindeksin tulokset on esitetty taulukossa 2. Toisaalta Ni:n RMSE ja MAE ovat molemmat lähellä nollaa (0,86 RMSE, -0,08 MAE). Toisaalta sekä K:n RMSE- että MAE-arvot ovat hyväksyttäviä. RMSE- ja MAE-tulokset olivat suurempia kalsiumin ja magnesiumin osalta. Tämä MAE-tulokset olivat suurempia kalsiumilla ja magnesiumilla. EBK ennustaa Ni havaittiin paremmin kuin tulokset John et al.54 synergististä krigingiä ennustamaan maaperän S-pitoisuuksia samoilla kerätyillä tiedoilla. Tutkimamme EBK-tulokset korreloivat Fabijaczykin et al.41, Yan et ai.79, Beguin et ai.80, Adhikary et ai.81 ja John et ai.82, erityisesti K ja Ni.
Yksittäisten menetelmien tehokkuutta nikkelipitoisuuden ennustamiseksi kaupunki- ja lähimaaperässä arvioitiin mallien suorituskyvyn avulla (taulukko 3). Mallin validointi ja tarkkuusarviointi vahvistivat, että Ca_Mg_K-ennustaja yhdistettynä EBK SVMR -malliin tuotti parhaan suorituskyvyn. Kalibrointimalli Ca_Mg_K-EBK_SVMR-malli oli absoluuttinen virhe R2, root-keskiarvo 6) 7 neliövirhe (RM2, 6) 7 neliövirhe R2, 0.3. 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). Hyvät R2-arvot saatiin kuitenkin Ca_6-Mg_Mg/kg:lle Ca_Mg_Mg. SVMR (0,643 = R2);niiden RMSE- ja MAE-tulokset olivat korkeammat kuin Ca_Mg_K-EBK_SVMR (R2 0,637) (katso taulukko 3). Lisäksi Ca_Mg-EBK_SVMR-mallin RMSE ja MAE (RMSE = 1664,64 ja MAE = 1031,49) ovat 17,4 M, jotka ovat Ca_Mg-131,49 suurempia. _SVMR. Samoin Ca_Mg-K SVMR (RMSE = 235,974 ja MAE = 166,946) mallin RMSE ja MAE ovat 2,5 ja 2,2 suurempia kuin Ca_Mg_K-EBK_SVMR RMSE ja MAE, vastaavasti. Kebonyen et al.46 ja john et ai.54, mitä lähempänä RMSE ja MAE ovat nollaa, sitä paremmat tulokset ovat. SVMR:llä ja EBK_SVMR:llä on korkeammat kvantisoidut RSME- ja MAE-arvot. Havaittiin, että RSME-estimaatit olivat jatkuvasti korkeampia kuin MAE-arvot, mikä viittaa poikkeavien tekijöiden esiintymiseen. Legatesin ja McCaben mukaan83, absoluuttisen virheen keskimääräinen esiintymisaste (RMSE) ylittää. Tämä tarkoittaa, että mitä heterogeenisempi aineisto on, sitä korkeammat MAE- ja RMSE-arvot ovat. Ca_Mg_K-EBK_SVMR-sekamallin ristiinvalidoinnin tarkkuus Ni-pitoisuuden ennustamiseksi kaupunkien ja esikaupunkien maaperässä oli 63,70%.Li et al.59, tämä tarkkuustaso on hyväksyttävä mallin suorituskyky.Näitä tuloksia verrataan Tarasovin et al.:n aikaisempaan tutkimukseen.36, jonka hybridimalli loi MLPRK:n (Multilayer Perceptron Residual Kriging), joka liittyy nykyisessä tutkimuksessa raportoituun EBK_SVMR-tarkkuuden arviointiindeksiin, RMSE (210) ja MAE (167,5) oli korkeampi kuin tuloksemme tässä tutkimuksessa (RMSE 95.479, MAE 77.368). ov et ai.36 (0,544), on selvää, että determinaatiokerroin (R2) on korkeampi tässä sekamallissa. Virhemarginaali (RMSE ja MAE) (EBK SVMR) sekamallissa on kaksi kertaa pienempi. Samoin Sergeev et al.34 kirjasivat 0,28 (R2) kehitetylle hybridimallille (Multilayyer Perceptron -tutkimus), kun taas R2-ennuste. tämän mallin uracy-taso (EBK SVMR) on 63,7 %, kun taas Sergeevin et al.34 on 28%. Lopullinen kartta (Kuva 5), ​​joka on luotu käyttämällä EBK_SVMR-mallia ja Ca_Mg_K ennustajana, näyttää ennusteet kuumista pisteistä ja kohtalaisesta nikkeliin koko tutkimusalueella. Tämä tarkoittaa, että nikkelin pitoisuus tutkimusalueella on pääosin kohtalainen, korkeampia pitoisuuksia joillakin tietyillä alueilla.
Lopullinen ennustekartta esitetään hybridimallilla EBK_SVMR ja Ca_Mg_K:lla ennustajana.[Patiaalinen jakautumiskartta luotiin RStudiolla (versio 1.4.1717: https://www.rstudio.com/).]
Kuvassa 6 on esitetty PTE-pitoisuudet yksittäisistä hermosoluista koostuvana kokoonpanotasona. Mikään komponenttitasoista ei osoittanut samaa värikuviota kuin kuvassa. Sopiva neuronien määrä piirrettyä karttaa kohti on kuitenkin 55.SeOM tuotetaan käyttämällä erilaisia ​​värejä, ja mitä samankaltaisempia värikuvioita ovat, sitä verrattavissa on yksittäisten elementtien ominaisuudet, K, samankaltaiset värit ja niiden täsmälliset värit. kuvioita yksittäisiin korkeisiin hermosoluihin ja useimpiin mataleihin hermosoluihin. Siten CaK:lla ja CaMg:llä on joitain yhtäläisyyksiä erittäin korkealuokkaisten hermosolujen ja matalasta kohtalaiseen värikuvioiden kanssa. Molemmat mallit ennustavat Ni:n pitoisuutta maaperässä näyttämällä värien keskisävyjä, kuten punaista, oranssia ja keltaista. KMg-malli näyttää monia suuria värisävyjä, jotka perustuvat matalaan ja keskitarkkaan värijakaumaan. mallin komponenttien kuvio osoitti korkean värikuvion, joka osoitti nikkelin potentiaalisen pitoisuuden maaperässä (katso kuva 4). CakMg-mallin komponenttitaso näyttää vaihtelevan värikuvion matalasta korkeaan tarkan väriasteikon mukaan. Lisäksi mallin ennuste nikkelipitoisuudesta (CakMg) on ​​samanlainen kuin nikkelin tilajakauma kaupunkien nikkelipitoisuuksien korkeassa, keskisuuressa ja 5 kuvassa. -kaupunkimaat.Kuva 7 esittää ääriviivamenetelmää kartalla k-keskiarvojen ryhmittelyssä jaettuna kolmeen klusteriin kunkin mallin ennustetun arvon perusteella. Ääriviivamenetelmä edustaa optimaalista klusterimäärää. Kerätyistä 115 maaperänäytteestä luokka 1 sai eniten maanäytteitä, 74. Ryhmän ennusteenäyte 23, kun taas cluster planterit sai seitsemän tai 8. yhdistelmää yksinkertaistettiin oikean klusterin tulkinnan mahdollistamiseksi. Lukuisten ihmisen ja luonnollisten prosessien vuoksi, jotka vaikuttavat maaperän muodostumiseen, on vaikea saada kunnolla erotettuja klusterikuvioita hajautetussa SeOM-kartassa78.
Komponenttitason tulos kunkin Empiirisen Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) -muuttujan avulla.[SeOM-kartat luotiin RStudiolla (versio 1.4.1717: https://www.rstudio.com/).]
Erilaiset klusterin luokittelukomponentit [SeOM-kartat luotiin RStudiolla (versio 1.4.1717: https://www.rstudio.com/).]
Nykyinen tutkimus havainnollistaa selkeästi kaupunki- ja lähimaaperän nikkelipitoisuuksien mallinnustekniikoita.Tutkimuksessa testattiin erilaisia ​​mallinnustekniikoita, joissa yhdistettiin elementtejä mallinnustekniikoihin, jotta saatiin paras tapa ennustaa nikkelipitoisuudet maaperässä. Mallinnustekniikan SeOM-koostumustason tasomaiset tilapiirteet osoittivat korkean värikuvion matalasta korkeaan maaperän tarkalla pohjaväriasteikolla. EBK_SVMR:n osoittamien komponenttien jakauma (katso kuva 5). Tulokset osoittavat, että tukivektorikoneregressiomalli (Ca Mg K-SVMR) ennustaa maaperän Ni-pitoisuuden yhtenä mallina, mutta validointi- ja tarkkuusarviointiparametrit osoittavat erittäin suuria virheitä RMSE:n ja MAE:n suhteen. (R2). Hyviä tuloksia saatiin käyttämällä EBK SVMR:ää ja yhdistettyjä elementtejä (CaKMg) alhaisilla RMSE- ja MAE-virheillä 63,7 prosentin tarkkuudella. Osoittautuu, että EBK-algoritmin yhdistäminen koneoppimisalgoritmiin voi tuottaa hybridi-algoritmin, joka voi ennustaa PTE:iden pitoisuuden ennustamaan nikkelin pitoisuutta maaperässä, kuten Ni-tulokset voivat parantaa maaperän Ca Mg:n pitoisuutta. maaperät.Tämä tarkoittaa sitä, että jatkuvalla nikkelipohjaisten lannoitteiden levityksellä ja terästeollisuuden aiheuttamalla maaperän teollisella saastuttamisella on taipumus lisätä nikkelin pitoisuutta maaperässä.Tämä tutkimus paljasti, että EBK-malli voi vähentää virhetasoa ja parantaa maaperän tilajakaumamallin tarkkuutta kaupunki- tai lähimaaperässä.Yleensä ehdotamme maaperän arvioimiseksi EBK- ja -SV-mallin soveltamista PTE-maassa.Lisäksi ehdotamme EBK:n käyttöä hybridisoitumaan erilaisten koneoppimisalgoritmien kanssa. Ni-pitoisuudet ennustettiin käyttämällä elementtejä kovariaatteina;Useamman kovariaatin käyttö kuitenkin parantaisi mallin suorituskykyä huomattavasti, mitä voidaan pitää nykyisen työn rajoituksena. Toinen tämän tutkimuksen rajoitus on, että tietojoukkojen lukumäärä on 115. Jos siis toimitetaan enemmän dataa, ehdotetun optimoidun hybridisaatiomenetelmän suorituskykyä voidaan parantaa.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Käytetty 28. huhtikuuta 2021).
Kasprzak, KS Nikkeli edistyy modernissa ympäristötoksikologiassa.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Katsaus sen lähteisiin ja ympäristötoksikologiaan. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Saasteiden päästö ilmakehästä ja kerääntyminen maaperään ja kasvillisuuteen lähellä nikkeli-kuparisulattoa Sudburyssa, Ontariossa, Kanadassa.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Raskasmetallit maaperässä, kasveja ja riskejä, jotka liittyvät laiduntaviin märehtijöihin lähellä Selebi-Phikwen kupari-nikkelikaivoksia Botswanassa.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-x020128.
Cabata-Pendias.Kabata-Pendias A. 2011. Hivenaineet maaperässä ja… – Google Scholar https://scholar.google.com/scholar?hl=fi&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+th+tNYs. 29%3A+CRC+Press&btnG= (Käytetty 24. marraskuuta 2020).
Almås, A., Singh, B., Agriculture, TS-NJ, & 1995, undefined. Venäjän nikkeliteollisuuden vaikutukset raskasmetallipitoisuuksiin maatalousmailla ja ruohoilla Soer-Varangerissa, Norjassa.agris.fao.org.
Nielsen, GD et al. Nikkelin imeytyminen ja kertyminen juomaveteen liittyvät ruoan saantiin ja nikkeliherkkyyteen.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nikkelin karsinogeneesi, mutaatio, epigenetiikka tai valinta. ympäristö. Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Mahdollisesti myrkyllisten elementtien trendianalyysi: bibliometrinen katsaus. 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. Digitaalisesta maaperän kartoituksesta. 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=fi&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +n.=3+Press+s%C+Oxford+s%C+ julkaistu 28.4.2021).


Postitusaika: 22.7.2022