Grazas por visitar Nature.com.A versión do navegador que estás a usar ten compatibilidade limitada para CSS. Para obter unha mellor experiencia, recomendámosche que utilices un navegador actualizado (ou desactives o modo de compatibilidade en Internet Explorer). Mentres tanto, para garantir a asistencia continua, mostraremos o sitio sen estilos e JavaScript.
A contaminación do solo é un gran problema causado polas actividades humanas. A distribución espacial de elementos potencialmente tóxicos (PTE) varía na maioría das áreas urbanas e periurbanas. Polo tanto, é difícil predicir espacialmente o contido de PTE nestes solos. Obtivéronse un total de 115 mostras de Frydek Mistek na República Checa. espectrometría de emisión de plasma acoplado indutivamente.A variable de resposta é Ni e os preditores son Ca, Mg e K.A matriz de correlación entre a variable resposta e a variable preditor mostra unha correlación satisfactoria entre os elementos.Os resultados da predición mostraron que Support Vector Machine Regression (SVMR) funcionou ben, aínda que o seu erro cadrado medio estimado (RMSE) (235,976 mg/kg) e erro absoluto (235,976 mg/kg) foron superiores aos outros métodos aplicados.Os modelos mixtos de regresión lineal múltiple empírica Bayesian Kriging (EBK-MLR) funcionan mal, como demostran coeficientes de determinación inferiores a 0,1.O modelo Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) foi o mellor modelo, cun valor baixo de RMSE. s e alto coeficiente de determinación (R2 = 0,637).O resultado da técnica de modelado EBK-SVMR visualízase mediante un mapa autoorganizado. As neuronas agrupadas no plano do compoñente do modelo híbrido CakMg-EBK-SVMR mostran múltiples patróns de cores que predicen concentracións de Ni en solos urbanos e periurbanos. solos urbanos.
O níquel (Ni) considérase un micronutriente para as plantas porque contribúe á fixación do nitróxeno atmosférico (N) e ao metabolismo da urea, ambos os dous son necesarios para a xerminación das sementes. Ademais da súa contribución á xerminación das sementes, o Ni pode actuar como un inhibidor de fungos e bacterias e promover o desenvolvemento da planta. fertilizantes a base de el para optimizar a fixación de nitróxeno 2. A aplicación continuada de fertilizantes a base de níquel para enriquecer o chan e aumentar a capacidade das leguminosas para fixar nitróxeno no chan aumenta continuamente a concentración de níquel no chan. Aínda que o níquel é un micronutriente para as plantas, a súa inxestión excesiva no chan pode prexudicar máis que ben o níquel. como un nutriente esencial para o crecemento das plantas1.Segundo Liu3, o Ni é o decimoséptimo elemento importante necesario para o desenvolvemento e o crecemento das plantas. Ademais do papel do níquel no desenvolvemento e crecemento das plantas, os seres humanos necesítano para unha variedade de aplicacións. A galvanoplastia, a produción de aliaxes a base de níquel e a fabricación de dispositivos de ignición e bujías requiren no sector do níquel para o uso industrial de aliaxes industriais. e artigos electrochapados foron amplamente utilizados en utensilios de cociña, accesorios para salóns de baile, subministracións da industria alimentaria, electricidade, arame e cable, turbinas a chorro, implantes cirúrxicos, téxtiles e construción naval. vexetación, incendios forestais e procesos xeolóxicos;porén, as fontes antropoxénicas inclúen baterías de níquel/cadmio na industria siderúrxica, galvanoplastia, soldadura por arco, gasóleo e fuel oils, e as emisións atmosféricas da combustión de carbón e da incineración de residuos e lodos Acumulación de níquel7,8.Segundo Freedman e Hutchinson9 e Manyiwa et al.10, as principais fontes de contaminación da terra vexetal no ambiente inmediato e adxacente son principalmente fundicións e minas a base de níquel-cobre.O solo superior ao redor da refinería de níquel-cobre de Sudbury, en Canadá, tiña os niveis máis altos de contaminación por níquel, con 26.000 mg/kg11. Pola contra, a contaminación de níquel en Rusia provocou unha maior concentración de níquel en Rusia. ms et al.12, a cantidade de níquel extraíble con HNO3 nas principais terras cultivables da rexión (produción de níquel en Rusia) variou entre 6,25 e 136,88 mg/kg, o que corresponde a unha media de 30,43 mg/kg e unha concentración de referencia de 25 mg/kg. s poden infundir ou contaminar o chan.Os efectos potenciais do níquel en humanos poden provocar cancro a través da mutaxénese, danos cromosómicos, xeración de ADN Z, reparación de escisión de ADN bloqueada ou procesos epixenéticos13.En experimentos con animais, descubriuse que o níquel ten o potencial de causar unha variedade de tumores, e os complexos canceríxenos do níquel poden exacerbar tales complexos.
As avaliacións da contaminación do solo floreceron nos últimos tempos debido a unha ampla gama de problemas relacionados coa saúde derivados das relacións solo e plantas, relacións biolóxicas do solo e do solo, degradación ecolóxica e avaliación do impacto ambiental. tive soil mapping (PSM).Segundo Minasny e McBratney16, predictive soil mapping (DSM) demostrou ser unha subdisciplina destacada da ciencia do solo.Lagacherie e McBratney, 2006 definen DSM como “a creación e recheo de sistemas de información espacial do solo mediante o uso de métodos de observación in situ e de laboratorio e métodos de observación espacial e non-inferencial de sistemas espaciales.17 esbozan que o DSM ou PSM contemporáneo é a técnica máis eficaz para predicir ou mapear a distribución espacial dos PTE, tipos de solo e propiedades do solo. A xeoestatística e os algoritmos de aprendizaxe automática (MLA) son técnicas de modelado de DSM que crean mapas dixitalizados coa axuda de ordenadores utilizando datos significativos e mínimos.
Deutsch18 e Olea19 definen a xeoestatística como “a colección de técnicas numéricas que se ocupan da representación de atributos espaciais, empregando principalmente modelos estocásticos, como como a análise de series temporais caracteriza os datos temporais”.Principalmente, a xeoestatística implica a avaliación de variogramas, que permiten cuantificar e definir as dependencias dos valores espaciais de cada conxunto de datos20.Gumiaux et al.20 ilustran ademais que a avaliación dos variogramas en xeoestatística baséase en tres principios, incluíndo (a) calcular a escala de correlación de datos, (b) identificar e calcular a anisotropía na disparidade do conxunto de datos e (c) ademais de ter en conta o erro inherente dos datos de medición separados dos efectos locais, os efectos da área tamén se utilizan en xeoestatísticas. co-kriging, kriging ordinario, kriging empírico bayesiano, método de krige simple e outras técnicas de interpolación coñecidas para mapear ou predecir PTE, características do solo e tipos de solo.
Os algoritmos de aprendizaxe automática (MLA) son unha técnica relativamente nova que emprega clases de datos non lineais máis grandes, alimentadas por algoritmos utilizados principalmente para a minería de datos, identificación de patróns en datos e aplicados repetidamente á clasificación en campos científicos como a ciencia do solo e as tarefas de retorno.22 (bosques aleatorios para a estimación de metais pesados en solos agrícolas), Sakizadeh et al.23 (modelado mediante máquinas vectoriais de apoio e redes neuronais artificiais) contaminación do solo ).Ademais, Vega et al.24 (CART para modelar a retención e adsorción de metais pesados no solo) Sun et al.25 (a aplicación de cubista é a distribución de Cd no solo) e outros algoritmos como o veciño máis próximo k, a regresión potenciada xeneralizada e a regresión potenciada. As árbores tamén aplicaron MLA para predicir o PTE no solo.
A aplicación de algoritmos DSM na predición ou na cartografía enfróntase a varios retos.Moitos autores cren que o MLA é superior á xeoestatística e viceversa.Aínda que un é mellor que o outro, a combinación dos dous mellora o nivel de precisión da cartografía ou predición en DSM15.Woodcock e Gopal26 Finke27;Pontius e Cheuk28 e Grunwald29 comentan deficiencias e algúns erros na cartografía do solo previsto. Os científicos do solo probaron unha variedade de técnicas para optimizar a eficacia, precisión e previsibilidade da cartografía e predición DSM. A combinación de incerteza e verificación é un dos moitos aspectos diferentes integrados no DSM.15 esbozan que o comportamento de validación e a incerteza introducidas pola creación e predición de mapas deben validarse de forma independente para mellorar a calidade do mapa. As limitacións do DSM débense á calidade do solo dispersa xeograficamente, que implica un compoñente de incerteza;non obstante, a falta de certeza no DSM pode derivarse de múltiples fontes de erro, a saber, erro de covariable, erro de modelo, erro de localización e erro analítico 31. As imprecisións de modelado inducidas no MLA e os procesos xeoestatísticos están asociadas a unha falta de comprensión, que finalmente leva a unha simplificación excesiva do proceso real32. interpolación33.Recentemente, xurdiu unha nova tendencia DSM que promove a integración da xeoestatística e MLA na cartografía e a previsión.Varios científicos e autores do solo, como Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 e Tarasov et al.37 aproveitaron a calidade precisa da xeoestatística e da aprendizaxe automática para xerar modelos híbridos que melloren a eficiencia da previsión e da cartografía.calidade.Algúns destes modelos de algoritmos híbridos ou combinados son o Kriging de Rede Neuronal Artificial (ANN-RK), o Kriging Residual de Perceptrón Multicapa (MLP-RK), o Kriging Residual de Rede Neuronal de Regression Xeneralizada (GR- NNRK)36, o Kriging de Rede Neuronal Artificial-Perceptrón Multicapa (ANN-K-MLP)37 e o Procesamento de Regression Co-MLP37 e Gau.
Segundo Sergeev et al., a combinación de varias técnicas de modelado ten o potencial de eliminar defectos e aumentar a eficiencia do modelo híbrido resultante en lugar de desenvolver o seu modelo único. Neste contexto, este novo traballo argumenta que é necesario aplicar un algoritmo combinado de xeoestatística e MLA para crear modelos híbridos óptimos para predicir o enriquecemento de Ni en áreas urbanas e periurbanas. Modelos de máquina (SVM) e regresión lineal múltiple (MLR). Non se coñece a hibridación de EBK con ningún MLA. Os múltiples modelos mixtos vistos son combinacións de kriging de regresión ordinario, residual e MLA. EBK é un método de interpolación xeoestatística que utiliza un proceso estocástico espacialmente localizado como un campo non estacionario/paramétrico de localización variable, que permite definir un campo de localización variable. .EBK utilizouse nunha variedade de estudos, incluíndo a análise da distribución do carbono orgánico nos solos das explotacións40, a avaliación da contaminación do solo41 e a cartografía das propiedades do solo42.
Por outra banda, Self-Organizing Graph (SeOM) é un algoritmo de aprendizaxe que se aplicou en diversos artigos como Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 e Kebonye et al.46 Determinar os atributos espaciais e a agrupación de elementos.Wang et al.44 describen que SeOM é unha poderosa técnica de aprendizaxe coñecida pola súa capacidade para agrupar e imaxinar problemas non lineais. A diferenza doutras técnicas de recoñecemento de patróns como a análise de compoñentes principais, a agrupación difusa, a agrupación xerárquica e a toma de decisións multicriterio, a SeOM é mellor para organizar e identificar patróns de PTE. Segundo Wang et al.44, SeOM pode agrupar espacialmente a distribución de neuronas relacionadas e proporcionar visualización de datos de alta resolución. SeOM visualizará os datos de predición de Ni para obter o mellor modelo para caracterizar os resultados para a súa interpretación directa.
Este traballo pretende xerar un modelo de cartografía robusto cunha precisión óptima para predicir o contido de níquel en solos urbanos e periurbanos. A hipótese de que a fiabilidade do modelo mixto depende principalmente da influencia doutros modelos adxuntos ao modelo base.polo tanto, tentaremos responder a preguntas de investigación que poidan producir modelos mixtos. Non obstante, ¿que tan preciso é o modelo á hora de predecir o elemento obxectivo? Ademais, cal é o nivel de avaliación da eficiencia baseada na validación e na avaliación da precisión? Polo tanto, os obxectivos específicos deste estudo foron (a) crear un modelo de mestura combinada para SVMR ou MLR, utilizando EBKb (modelos de concentración) propoñendo o modelo base para predicir o resultado. en solos urbanos ou periurbanos, e (d) a aplicación de SeOM para crear un mapa de alta resolución da variación espacial do níquel.
O estudo está a levarse a cabo na República Checa, concretamente no distrito de Frydek Mistek, na rexión de Moravia-Silesia (ver Figura 1).A xeografía da zona de estudo é moi accidentada e forma parte maioritariamente da rexión de Moravia-Silesia Beskidy, que forma parte do bordo exterior dos Cárpatos. 25 e 327 m;con todo, o sistema de clasificación de Koppen para o estado climático da rexión está clasificado como Cfb = clima oceánico temperado. Hai moita choiva incluso nos meses secos. As temperaturas varían lixeiramente ao longo do ano entre -5 °C e 24 °C, raramente caen por debaixo dos -14 °C ou por riba dos 30 °C, mentres que a precipitación media anual estimada é entre 52 e 7 mm. 1.208 quilómetros cadrados, co 39,38% da terra cultivada e o 49,36% da cobertura forestal.Por outra banda, a superficie empregada neste estudo é duns 889,8 quilómetros cadrados.En Ostrava e arredores, a industria siderúrxica e metalúrxica son moi activas.As fábricas de metal, a industria siderúrxica onde se usa níquel para aumentar a resistencia á corrosión (p. a resistencia da aliaxe mantendo a súa boa ductilidade e dureza), e a agricultura intensiva, como a aplicación de fertilizantes fosfatados e a produción gandeira, son fontes potenciais de investigación de níquel na rexión (por exemplo, engadindo níquel aos cordeiros para aumentar as taxas de crecemento dos cordeiros e do gando de baixa alimentación). cor, estrutura e contido de carbonatos do solo.A textura do solo é de media a fina, derivada do material nai.Son de natureza coluvial, aluvial ou eólica.Algunhas zonas do solo aparecen moteadas na superficie e no subsolo, a miúdo con formigón e branqueamento.Non obstante, os cambisoles e os estagnosois son os tipos de solo máis comúns na rexión. os cambisoles dominan a República Checa49.
Mapa da área de estudo [O mapa da área de estudo foi creado usando ArcGIS Desktop (ESRI, Inc, versión 10.7, URL: https://desktop.arcgis.com).]
Obtivéronse un total de 115 mostras de terra vexetal de solos urbanos e periurbanos no distrito de Frydek Mistek. O patrón de mostra utilizado foi unha cuadrícula regular con mostras de solo separadas 2 × 2 km, e a terra vexetal foi medida a unha profundidade de 0 a 20 cm usando un dispositivo GPS de man (Leica Zeno 5 GPS). as mostras secáronse ao aire para producir mostras pulverizadas, pulverizáronse mediante un sistema mecánico (moíño de discos Fritsch) e cribáronse (tamaño da peneira 2 mm). Coloque 1 gramo de mostras de solo secas, homoxeneizadas e peneiradas en botellas de teflón claramente etiquetadas. cada ácido), cubra lixeiramente e deixe repousar as mostras durante a noite para a reacción (programa aqua regia).Coloque o sobrenadante nunha placa metálica quente (temperatura: 100 W e 160 °C) durante 2 h para facilitar o proceso de dixestión das mostras, despois arrefríe.Transferir o sobrenadante a un matraz aforado de 50 ml, filtrar a auga e filtrar 50 ml. nun tubo de PVC de 50 ml con auga desionizada. Adicionalmente, 1 ml da solución de dilución diluíuse con 9 ml de auga desionizada e filtróuse nun tubo de 12 ml preparado para a pseudoconcentración de PTE. As concentracións de PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg-O) foron determinadas por emisión óptica por medio de placas inducidas. Espectroscopia) (Thermo Fisher Scientific, EUA) segundo métodos e acordo estándar. Garantir os procedementos de Garantía e Control de Calidade (QA/QC) (SRM NIST 2711a Montana II Soil). Os PTE con límites de detección inferiores á metade foron excluídos deste estudo. O límite de detección do PTE utilizado neste estudo foi de 0,000. ing estándares de referencia.Para garantir que se minimizasen os erros, realizouse unha dobre análise.
Empirical Bayesian Kriging (EBK) é unha das moitas técnicas de interpolación xeoestatística utilizadas na modelización en diversos campos como a ciencia do solo. A diferenza doutras técnicas de interpolación de kriging, a EBK difire dos métodos tradicionais de kriging ao considerar o erro estimado polo modelo de semivariograma. O proceso de interpolación de EBK segue os tres criterios propostos por Krivoruchko50, (a) o modelo estima o semivariograma a partir do conxunto de datos de entrada (b) o novo valor previsto para cada localización do conxunto de datos de entrada baseándose no semivariograma xerado e (c) o conxunto de datos final simulado a partir do modelo de simulación posterior é dado.
Onde \(Prob\left(A\right)\) representa a probabilidade marxinal previa, \(Prob\left(B\right)\) ignórase na maioría dos casos, \(Prob (B,A)\ ). O cálculo do semivariograma baséase na regra de Bayes, que amosa a propensión dos conxuntos de datos de observación que se poden crear a partir do semivario mediante o que se determina o estado do semivario. s a probabilidade de crear un conxunto de datos de observacións a partir do semivariograma.
Unha máquina vectorial de soporte é un algoritmo de aprendizaxe automática que xera un hiperplano de separación óptimo para distinguir clases idénticas pero non linealmente independentes.Vapnik51 creou o algoritmo de clasificación de intencións, pero recentemente utilizouse para resolver problemas orientados á regresión. Segundo Li et al. análise.Cherkassky e Mulier53 foron pioneiros en SVMR como regresión baseada no núcleo, cuxo cálculo realizouse mediante un modelo de regresión lineal con funcións espaciais de varios países.55, epsilon (ε)-SVMR usa o conxunto de datos adestrado para obter un modelo de representación como unha función insensible á épsilon que se aplica para mapear os datos de forma independente co mellor sesgo de épsilon do adestramento en datos correlacionados. O erro de distancia preestablecida é ignorado do valor real, e se o erro é maior que ε (ε), as propiedades do solo o complexo do modelo de adestramento tamén o compensan. A continuación móstrase a cuestión proposta por Vapnik51.
onde b representa o limiar escalar, \(K\left({x}_{,}{ x}_{k}\right)\) representa a función do núcleo, \(\alpha\) representa o multiplicador de Lagrange, N representa un conxunto de datos numéricos, \({x}_{k}\) representa a entrada de datos, e \(y\) é a operación de saída de datos que se usa, SV é a operación radial de Gaunel O MR que se usa. función de base (RBF).O núcleo RBF aplícase para determinar o modelo SVMR óptimo, que é fundamental para obter o factor C do conxunto de penalizacións máis sutil e o parámetro gamma (γ) do núcleo para os datos de adestramento PTE. En primeiro lugar, avaliamos o conxunto de adestramento e despois probamos o rendemento do modelo no conxunto de validación. O parámetro de dirección utilizado é sigma e o valor do método é svRadial.
Un modelo de regresión lineal múltiple (MLR) é un modelo de regresión que representa a relación entre a variable resposta e unha serie de variables preditivas mediante o uso de parámetros agrupados lineais calculados mediante o método dos mínimos cadrados. En MLR, un modelo de mínimos cadrados é unha función preditiva das propiedades do solo despois da selección de variables explicativas. A ecuación LR é
onde y é a variable de resposta, \(a\) é a intersección, n é o número de preditores, \({b}_{1}\) é a regresión parcial dos coeficientes, \({x}_{ i}\) representa unha variable predictora ou explicativa e \({\varepsilon }_{i}\) representa o erro no modelo, tamén coñecido como residual.
Obtivéronse modelos mixtos mediante o emparedado de EBK con SVMR e MLR. Isto faise extraendo os valores previstos da interpolación EBK. Os valores previstos obtidos a partir dos Ca, K e Mg interpolados obtéñense mediante un proceso combinatorio para obter novas variables, como CaK, CaMg e KMg. , K, Mg, CaK, CaMg, KMg e CaKMg. Estas variables convertéronse nas nosas predictoras, axudando a predicir concentracións de níquel en solos urbanos e periurbanos. O algoritmo SVMR realizouse nos preditores para obter un modelo mixto Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). ian Kriging-Regresión lineal múltiple (EBK_MLR).Normalmente, as variables Ca, K, Mg, CaK, CaMg, KMg e CaKMg utilízanse como covariables como predictores do contido de Ni en solos urbanos e periurbanos. O modelo máis aceptable obtido (EBK_SVM ou EBK_MLR) móstrase entón un estudo de autoorganización mediante este gráfico.
O uso de SeOM converteuse nunha ferramenta popular para organizar, avaliar e prever datos no sector financeiro, saúde, industria, estatísticas, ciencia do solo, etc. variables43,56.Melssen et al.57 describen a conexión dun vector de entrada nunha rede neuronal a través dunha única capa de entrada a un vector de saída cun único vector de peso. A saída xerada por SeOM é un mapa bidimensional que consiste en diferentes neuronas ou nodos tecidos en mapas topolóxicos hexagonais, circulares ou cadrados segundo a súa proximidade. Comparar tamaños de mapa baseados en erros métricos, de cuantización (QE) e de modelos topográficos (TE) e 400.000. ly, é seleccionada, que é unha unidade de 55 mapas (5 × 11). A estrutura da neurona determínase segundo o número de nodos da ecuación empírica.
O número de datos utilizados neste estudo é de 115 mostras. Utilizouse un enfoque aleatorio para dividir os datos en datos de proba (25% para validación) e conxuntos de datos de adestramento (75% para calibración). proceso de validación, repetido cinco veces. As variables producidas pola interpolación EBK utilízanse como predictores ou variables explicativas para predecir a variable de destino (PTE). O modelado manéxase en RStudio mediante a biblioteca de paquetes (Kohonen), library(caret), library(modelr), library ("e1071″), library ("plyrtric"), library ("plyrtric"), library() .
Utilizáronse varios parámetros de validación para determinar o mellor modelo axeitado para predicir as concentracións de níquel no solo e para avaliar a precisión do modelo e a súa validación. Os modelos de hibridación avaliáronse mediante o erro absoluto medio (MAE), o erro cadrado medio medio (RMSE) e a determinación do R-cadrado ou coeficiente (R2). poder preditivo do modelo, mentres que MAE determina o valor cuantitativo real.O valor R2 debe ser alto para avaliar o mellor modelo de mestura utilizando os parámetros de validación, canto máis preto estea o valor de 1, maior será a precisión.Segundo Li et al.59, un valor do criterio R2 de 0,75 ou superior considérase un bo predictor;de 0,5 a 0,75 é un rendemento aceptable do modelo, e por debaixo de 0,5 é inaceptable o rendemento do modelo. Cando se selecciona un modelo mediante os métodos de avaliación dos criterios de validación RMSE e MAE, os valores máis baixos obtidos foron suficientes e consideráronse a mellor opción. A seguinte ecuación describe o método de verificación.
onde n representa o tamaño do valor observado\({Y}_{i}\) representa a resposta medida, e \({\widehat{Y}}_{i}\) tamén representa o valor de resposta previsto, polo tanto, para as primeiras i observacións.
As descricións estatísticas das variables predictoras e de resposta preséntanse na táboa 1, mostrando media, desviación estándar (DE), coeficiente de variación (CV), mínimo, máximo, curtose e asimetría. Os valores mínimos e máximos dos elementos están en orde decrecente de Mg < Ca < K < Ni e Ca < Mg < K < Ni, respectivamente. 39 mg/kg.A comparación de Ni coa media mundial (29 mg/kg) e a media europea (37 mg/kg) mostrou que a media xeométrica global calculada para a área de estudo estaba dentro do intervalo tolerable.Non obstante, como mostra Kabata-Pendias11, unha comparación da concentración media de níquel (Ni) no estudo actual coa concentración media de solos agrícolas mostra que a concentración media actual de Níquel en S Liweden é maior. O dek Mistek en solos urbanos e periurbanos no estudo actual (Ni 16,15 mg/kg) foi superior ao límite permitido de 60 (10,2 mg/kg) para Ni en solos urbanos polacos informados por Różański et al. concentración de níquel (12,34 mg/kg) nos solos urbanos de Hong Kong, que é inferior á concentración actual de níquel neste estudo.Birke et al63 informaron dunha concentración media de Ni de 17,6 mg/kg nunha antiga zona industrial mineira e urbana en Saxonia-Anhalt, Alemaña, que foi 1,45 mg/kg superior á concentración media de Ni na zona (exceso de níquel e níquel na zona urbana). as áreas suburbanas da área de estudo pódense atribuír principalmente á industria siderúrxica e á industria do metal. Isto é consistente co estudo de Khodadoust et al.64 que a industria siderúrxica e a industria metalúrxica son as principais fontes de contaminación por níquel dos solos. Non obstante, os preditores tamén oscilaban entre 538,70 mg/kg e 69.161,80 mg/kg para Ca, 497,51 mg/kg ata 3535,68 mg/kg para K e 685,68 mg/kg para K, e 685,685,685 mg/kg/kg para K. .65 investigaron o contido total de Mg e K dos solos no centro de Serbia. Descubriron que as concentracións totais (410 mg/kg e 400 mg/kg, respectivamente) eran inferiores ás concentracións de Mg e K do estudo actual. 590 mg/kg) e K (810 mg/kg) O contido no solo vexetal é menor que o único elemento deste estudo. Un estudo recente de Pongrac et al.67 mostraron que o contido total de Ca analizado en 3 solos diferentes en Escocia, Reino Unido (solo de Mylnefield, solo de Balruddery e solo de Hartwood) indicaba un contido de Ca máis elevado neste estudo.
Debido ás diferentes concentracións medidas dos elementos mostrados, as distribucións do conxunto de datos dos elementos presentan diferentes asimetrías. A asimetría e a curtose dos elementos oscilaron entre 1,53 e 7,24 e entre 2,49 e 54,16, respectivamente. os elementos tamén mostran que K, Mg e Ni presentan unha variabilidade moderada, mentres que o Ca ten unha variabilidade extremadamente alta. Os CV de K, Ni e Mg explican a súa distribución uniforme. Ademais, a distribución de Ca non é uniforme e as fontes externas poden afectar o seu nivel de enriquecemento.
A correlación das variables predictoras cos elementos de resposta indicaba unha correlación satisfactoria entre os elementos (ver Figura 3).A correlación indicaba que CaK presentaba unha correlación moderada co valor de r = 0,53, do mesmo xeito que o CaNi.Aínda que Ca e K mostran asociacións modestas entre si, investigadores como Kingston et al.68 e Santo69 suxiren que os seus niveis no solo son inversamente proporcionais.Non obstante, Ca e Mg son antagónicos ao K, pero CaK correlaciona ben.Isto pode deberse á aplicación de fertilizantes como o carbonato de potasio, que é un 56% máis alto en potasio.O potasio estivo moderadamente correlacionado co magnesio (KM 63). O sulfato de um, o nitrato de potasio, magnesio e potasio aplícanse aos solos para aumentar os seus niveis de deficiencia. O níquel está moderadamente correlacionado con Ca, K e Mg con valores de r = 0,52, 0,63 e 0,55, respectivamente. do exceso de magnesio, e tanto o magnesio como o calcio reducen os efectos tóxicos do níquel no chan.
Matriz de correlación para elementos que mostra a relación entre predictores e respostas (Nota: esta figura inclúe un diagrama de dispersión entre elementos, os niveis de significación baséanse en p < 0,001).
A figura 4 ilustra a distribución espacial dos elementos. Segundo Burgos et al70, a aplicación da distribución espacial é unha técnica empregada para cuantificar e resaltar os puntos quentes en zonas contaminadas. Os niveis de enriquecemento de Ca na Fig. 4 pódense observar na parte noroeste do mapa de distribución espacial. A figura mostra un enriquecemento de moderado a alto en Ca. óxido de calcio) para reducir a acidez do solo e o seu uso nas siderurxias como osíxeno alcalino no proceso de fabricación de aceiro. Por outra banda, outros agricultores prefiren usar hidróxido de calcio en solos ácidos para neutralizar o pH, o que tamén aumenta o contido de calcio do solo71. O potasio tamén mostra puntos quentes no noroeste e leste do mapa. Aplicacións de NPK e potasa.Isto é consistente con outros estudos, como Madaras e Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, que observaron que a estabilización do solo e o tratamento con KCl e NPK producían un alto contido de K no chan.O enriquecemento espacial de potasio no noroeste do mapa de distribución pode deberse ao uso de fertilizantes a base de potasio como cloruro de potasio, sulfato de potasio, nitrato de potasio, potasio e potasio para aumentar o contido de potasio dos solos pobres.Zádorová et al.76 e Tlustoš et al.77 subliñou que a aplicación de fertilizantes baseados en K aumentou o contido de K no chan e aumentaría significativamente o contido de nutrientes do solo a longo prazo, especialmente K e Mg que mostran un punto quente no solo. Puntos quentes relativamente moderados no noroeste do mapa e no sueste do mapa. A fixación coloidal no chan esgota a concentración de magnesio no chan, polo que o magnesio no chan fai que a concentración de magnesio intercambiase. clorose.Os fertilizantes baseados en magnesio, como o sulfato de magnesio potásico, o sulfato de magnesio e a Kieserita, tratan as deficiencias (as plantas aparecen de cor púrpura, vermella ou marrón, indicando deficiencia de magnesio) en solos cun intervalo de pH normal6.A acumulación de níquel en superficies urbanas e periurbanas pode deberse á importancia da agricultura e á produción de aceiro inoxidable87 en actividades antrópicas, como a agricultura e o níquel.
Distribución espacial de elementos [creouse o mapa de distribución espacial usando ArcGIS Desktop (ESRI, Inc, Versión 10.7, URL: https://desktop.arcgis.com).]
Os resultados do índice de rendemento do modelo para os elementos utilizados neste estudo móstranse na táboa 2. Por outra banda, o RMSE e o MAE de Ni son ambos próximos a cero (0,86 RMSE, -0,08 MAE). Por outra banda, os valores de RMSE e MAE de K son aceptables. Os resultados de RMSE e MAE foron maiores para o calcio e o magnesio. este estudo que utilizaba EBK para predicir o Ni resultou mellor que os resultados de John et al.54 utilizando kriging sinérxico para predicir as concentracións de S no solo utilizando os mesmos datos recollidos. Os resultados de EBK que estudamos correlacionan cos de Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 e John et al.82, especialmente K e Ni.
O rendemento dos métodos individuais para predicir o contido de níquel en solos urbanos e periurbanos avaliouse mediante o rendemento dos modelos (táboa 3). A validación do modelo e a avaliación da precisión confirmou que o predictor Ca_Mg_K combinado co modelo EBK SVMR deu o mellor rendemento. 7 (R2), 95,479 mg/kg (RMSE) e 77,368 mg/kg (MAE) Ca_Mg_K-SVMR foi de 0,663 (R2), 235,974 mg/kg (RMSE) e 166,946 mg/kg (MAE). _Mg-EBK_SVMR (0,643 = R2);os seus resultados de RMSE e MAE foron superiores aos de Ca_Mg_K-EBK_SVMR (R2 0,637) (ver a táboa 3). Ademais, o RMSE e o MAE do modelo Ca_Mg-EBK_SVMR (RMSE = 1664,64 e MAE = 1031,49) son 17,4 de Ca_Mg, respectivamente, máis grandes que os 17,4-EBK_g. K_SVMR. Así mesmo, o RMSE e o MAE do modelo Ca_Mg-K SVMR (RMSE = 235,974 e MAE = 166,946) son 2,5 e 2,2 máis grandes que os do Ca_Mg_K-EBK_SVMR RMSE e MAE, respectivamente. observáronse.Segundo Kebonye et al.46 e John et al.54, canto máis preto estean o RMSE e o MAE de cero, mellores serán os resultados. SVMR e EBK_SVMR teñen valores de RSME e MAE cuantificados máis altos. Observouse que as estimacións de RSME eran constantemente superiores aos valores de MAE, o que indica a presenza de valores atípicos. .Isto significa que canto máis heteroxéneo sexa o conxunto de datos, máis altos serán os valores MAE e RMSE. A precisión da avaliación de validación cruzada do modelo mixto Ca_Mg_K-EBK_SVMR para predicir o contido de Ni en solos urbanos e suburbanos foi do 63,70%. Segundo Li et al.59, este nivel de precisión é unha taxa de rendemento do modelo aceptable. Os resultados actuais compáranse cun estudo anterior de Tarasov et al.36 cuxo modelo híbrido creou MLPRK (Multilayer Perceptron Residual Kriging), relacionado co índice de avaliación da precisión EBK_SVMR informado no estudo actual, RMSE (210) e The MAE (167,5) foron superiores aos nosos resultados no estudo actual (RMSE 95,479, MAE 77,36, 77,36 e 77,36 do estudo actual ao comparar o estudo actual). Tarasov et al.36 (0,544), está claro que o coeficiente de determinación (R2) é maior neste modelo mixto. A marxe de erro (RMSE e MAE) (EBK SVMR) para o modelo mixto é dúas veces menor. Así mesmo, Sergeev et al.34 rexistraron 0,28 (R2) para o modelo desenvolvido (R2) mentres que o estudo híbrido multicapa (Multilayer Kriging Percept) rexistrou o actual Percept. ).O nivel de precisión da predición deste modelo (EBK SVMR) é do 63,7%, mentres que a precisión da predición obtida por Sergeev et al.34 é 28%.O mapa final (Fig. 5) creado usando o modelo EBK_SVMR e Ca_Mg_K como predictor mostra predicións de puntos quentes e de moderados a níquel en toda a área de estudo.Isto significa que a concentración de níquel na zona de estudo é principalmente moderada, con concentracións máis altas nalgunhas áreas específicas.
O mapa de predición final represéntase usando o modelo híbrido EBK_SVMR e usando Ca_Mg_K como predictor. [O mapa de distribución espacial creouse mediante RStudio (versión 1.4.1717: https://www.rstudio.com/).]
Na Figura 6 preséntanse concentracións de PTE como un plano de composición formado por neuronas individuais. Ningún dos planos compoñentes presenta o mesmo patrón de cores que se mostra. Non obstante, o número apropiado de neuronas por mapa debuxado é 55. SeOM prodúcese usando unha variedade de cores, e canto máis semellantes sexan os patróns de cores, máis comparables serán as propiedades das mostras. As neuronas e a maioría das neuronas baixas. Así, CaK e CaMg comparten algunhas semellanzas con neuronas de orde moi alta e patróns de cores de baixa a moderada. Ambos os modelos predín a concentración de Ni no chan mostrando matices de cores medios a altos como vermello, laranxa e amarelo. o modelo mostrou un patrón de cor alto que indica a concentración potencial de níquel no chan (ver Figura 4). O plano de compoñente do modelo CakMg mostra un patrón de cores variado de baixo a alto segundo unha escala de cores precisa. Ademais, a predición do modelo do contido de níquel (CakMg) é similar á distribución espacial do níquel que se mostra na Figura 5. As proporcións de níquel urbano, media e baixa en proporcións urbanas e altas mostran a figura 5. ils.A figura 7 representa o método de contorno na agrupación de k-medias do mapa, dividido en tres grupos en función do valor previsto en cada modelo.O método de contorno representa o número óptimo de racimos.Das 115 mostras de solo recollidas, a categoría 1 obtivo a maioría das mostras de solo, 74.Clúster 2 recibiu 33 mostras simplificadas, mentres que a combinación de sete compoñentes foi correcta. interpretación de clusters.Debido aos numerosos procesos antropoxénicos e naturais que afectan á formación do solo, é difícil ter patróns de clusters correctamente diferenciados nun mapa SeOM distribuído78.
Saída do plano de compoñentes por cada variable empírica Bayesian Kriging Vector Machine (EBK_SVM_SeOM).[Os mapas SeOM creáronse usando RStudio (versión 1.4.1717: https://www.rstudio.com/).]
Diferentes compoñentes de clasificación de clúster [Os mapas SeOM creáronse usando RStudio (versión 1.4.1717: https://www.rstudio.com/).]
O estudo actual ilustra claramente técnicas de modelado para concentracións de níquel en solos urbanos e periurbanos. O estudo probou diferentes técnicas de modelado, combinando elementos con técnicas de modelado, para obter o mellor xeito de predecir concentracións de níquel en solo. mapa de distribución ial confirma a plana distribución espacial dos compoñentes exhibidos por EBK_SVMR (ver figura 5). Os resultados demostran que o modelo de regresión da máquina de soporte (ca mg k-svmr) prevé a concentración de ni en solo como un modelo, pero a validación e a súa valoración, os parámetros de traballo. O modelo tamén é defectuado debido ao baixo valor do coeficiente de determinación (R2). Os resultados aproveitáronse usando EBK SVMR e elementos combinados (CAKMG) con baixos erros RMSE e MAE cunha precisión de 63,7%. e Os resultados demostran que o uso de ca mg k como predictores para predecir as concentracións de Ni na área de estudo pode mellorar a predición de Ni nos solos. Isto significa que a aplicación continua de fertilizantes a base de níquel e a contaminación industrial do solo polo siderúrxico ten unha tendencia a aumentar a concentración do níquano no modelo. Un solo. En xeral, propoñemos aplicar o modelo EBK-SVMR para avaliar e predicir PTE no solo;ademais, propoñemos utilizar EBK para hibridar con varios algoritmos de aprendizaxe automática. As concentracións de Ni foron predidas utilizando elementos como covariables;non obstante, o uso de máis covariables melloraría moito o rendemento do modelo, o que pode considerarse unha limitación do traballo actual.Outra limitación deste estudo é que o número de conxuntos de datos é de 115. Polo tanto, se se proporcionan máis datos, pódese mellorar o rendemento do método de hibridación optimizado proposto.
PlantProbs.net.Níquel en plantas e solo https://plantprobs.net/plant/nutrientImbalances/sodium.html (Consultado o 28 de abril de 2021).
Kasprzak, KS Os avances do níquel na toxicoloxía ambiental moderna.entornos.toxicoloxía.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Unha revisión das súas fontes e da toxicoloxía ambiental.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Entrada de contaminantes da atmosfera e acumulación no solo e na vexetación preto dunha fundición de níquel-cobre en Sudbury, Ontario, Canadá.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Metais pesados no solo, plantas e riscos asociados ao pastoreo de rumiantes preto da mina de cobre-níquel Selebi-Phikwe en Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00902-x (02902-x).
Cabata-Pendias.Kabata-Pendias A. 2011. Trace elements in soil and… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+in+soils.+New+and+9%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils. +CRC+Press&btnG= (Consultado o 24 de novembro de 2020).
Almås, A., Singh, B., Agriculture, TS-NJ de & 1995, undefined.
Nielsen, GD et al.A absorción e retención de níquel na auga potable están relacionadas coa inxestión de alimentos e a sensibilidade ao níquel.toxicoloxía.aplicación.Farmacodinamia.154, 67–75 (1999).
Costa, M. & Klein, CB Carcinoxénese, mutación, epixenética ou selección do níquel.entorno.Perspectiva da saúde.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Análise de tendencias de elementos potencialmente tóxicos: unha revisión bibliométrica. 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. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Xeostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press+3&bpages. 2021).
Hora de publicación: 22-Xul-2022