Hvala što ste posjetili Nature.com. Verzija preglednika koju koristite ima ograničenu podršku za CSS. Za najbolje iskustvo preporučujemo da koristite ažurirani preglednik (ili isključite način rada kompatibilnosti u Internet Exploreru). U međuvremenu, kako bismo osigurali stalnu podršku, prikazat ćemo web mjesto bez stilova i JavaScripta.
Onečišćenje tla veliki je problem uzrokovan ljudskim aktivnostima. Prostorna raspodjela potencijalno toksičnih elemenata (PTE) varira u većini urbanih i periurbanih područja. Stoga je teško prostorno predvidjeti sadržaj PTE u takvim tlima. Ukupno 115 uzoraka dobiveno je od Frydek Misteka u Češkoj Republici. Koncentracije kalcija (Ca), magnezija (Mg), kalija (K) i nikla (Ni) određene su pomoću induktivno spregnuta emisijska spektrometrija plazme. Varijabla odgovora je Ni, a prediktori su Ca, Mg i K. Korelacijska matrica između varijable odgovora i varijable prediktora pokazuje zadovoljavajuću korelaciju između elemenata. Rezultati predviđanja pokazali su da je strojna regresija potpornog vektora (SVMR) imala dobre rezultate, iako je procijenjena korijen srednje kvadratne pogreške (RMSE) (235,974 mg/kg) i srednja apsolutna pogreška (MA E) (166,946 mg/kg) bile su veće od ostalih primijenjenih metoda. Mješoviti modeli za empirijsku Bayesovu kriging-višestruku linearnu regresiju (EBK-MLR) imaju lošu izvedbu, što je dokazano koeficijentima determinacije manjim od 0,1. Model empirijske Bayesove kriging-potporne vektorske strojne regresije (EBK-SVMR) bio je najbolji model, s niskim RMSE (95,479 mg/kg). kg) i MAE (77,368 mg/kg) vrijednosti i visok koeficijent determinacije (R2 = 0,637). Izlaz tehnike modeliranja EBK-SVMR vizualiziran je pomoću samoorganizirajuće karte. Skupljeni neuroni u ravnini komponente hibridnog modela CakMg-EBK-SVMR pokazuju višestruke uzorke boja koji predviđaju koncentracije Ni u urbanim i periurbanim tlima. Rezultati pokazuju da kombiniranje EBK i SVMR je učinkovita tehnika za predviđanje koncentracije Ni u urbanim i periurbanim tlima.
Nikal (Ni) se smatra mikronutrijentom za biljke jer pridonosi atmosferskoj fiksaciji dušika (N) i metabolizmu uree, a oba su potrebna za klijanje sjemena. Osim svog doprinosa klijanju sjemena, Ni može djelovati kao gljivični i bakterijski inhibitor te pospješiti razvoj biljaka. Nedostatak nikla u tlu omogućuje biljci da ga apsorbira, što rezultira klorozom lišća. Na primjer, crni grah i zeleni grah zahtijevaju primjenu gnojiva na bazi nikla za optimizaciju fiksacije dušika2. Kontinuirana primjena gnojiva na bazi nikla za obogaćivanje tla i povećanje sposobnosti mahunarki da fiksiraju dušik u tlu kontinuirano povećava koncentraciju nikla u tlu. Iako je nikal mikronutrijent za biljke, njegov prekomjerni unos u tlo može učiniti više štete nego koristi. Toksičnost nikla u tlu je minimalna povećava pH tla i sprječava unos željeza kao esencijalnog nutrijenta za rast biljaka1. Prema Liu3, Ni je utvrđeno da je 17. važan element potreban za razvoj i rast biljaka. Osim uloge nikla u razvoju i rastu biljaka, ljudima je potreban za razne primjene. Galvanska obrada, proizvodnja legura na bazi nikla i proizvodnja uređaja za paljenje i svjećica u automobilskoj industriji zahtijevaju upotreba nikla u raznim industrijskim sektorima. Osim toga, legure na bazi nikla i galvanizirani artikli naširoko su korišteni u kuhinjskom posuđu, dodacima za plesne dvorane, potrošnom materijalu za prehrambenu industriju, elektrici, žici i kabelima, mlaznim turbinama, kirurškim implantatima, tekstilu i brodogradnji. pogeni4,6. Prirodni izvori nikla uključuju vulkanske erupcije, vegetaciju, šumske požare i geološke procese;međutim, antropogeni izvori uključuju nikal/kadmijeve baterije u industriji čelika, galvanizaciji, elektrolučnom zavarivanju, dizelskom gorivu i loživim uljima te atmosferske emisije od izgaranja ugljena i spaljivanja otpada i mulja Akumulacija nikla7,8. Prema Freedmanu i Hutchinsonu9 i Manyiwa et al.10, glavni izvori onečišćenja gornjeg sloja tla u neposrednom i susjednom okruženju uglavnom su talionice i rudnici na bazi nikla i bakra. Gornji sloj tla oko rafinerije nikla i bakra u Sudburyju u Kanadi imao je najviše razine kontaminacije niklom od 26 000 mg/kg11. Nasuprot tome, onečišćenje od proizvodnje nikla u Rusiji rezultiralo je višim koncentracijama nikla u norveškom tlu11. Accord ing. Almsu i dr.12, količina nikla koji se može ekstrahirati HNO3 na vrhunskom obradivom zemljištu u regiji (proizvodnja nikla u Rusiji) kretala se od 6,25 do 136,88 mg/kg, što odgovara prosjeku od 30,43 mg/kg i osnovnoj koncentraciji od 25 mg/kg. Prema kabati 11, primjena fosfornih gnojiva u poljoprivrednim tlima u urbanim ili periurbanim tlima tijekom uzastopnih kr op godišnja doba mogu uliti ili kontaminirati tlo. Potencijalni učinci nikla kod ljudi mogu dovesti do raka mutagenezom, oštećenjem kromosoma, stvaranjem Z-DNA, blokiranim popravkom ekscizije DNK ili epigenetskim procesima13. U pokusima na životinjama otkriveno je da nikal ima potencijal izazvati razne tumore, a kancerogeni kompleksi nikla mogu pogoršati takve tumore.
Procjene onečišćenja tla procvjetale su u novije vrijeme zbog širokog spektra problema povezanih sa zdravljem koji proizlaze iz odnosa tlo-biljka, bioloških odnosa tla i tla, ekološke degradacije i procjene utjecaja na okoliš. Do danas je prostorno predviđanje potencijalno toksičnih elemenata (PTE) kao što je Ni u tlu korištenjem tradicionalnih metoda bilo mukotrpno i dugotrajno. Pojava digitalnog kartiranja tla (DSM) i njegov trenutačni uspjeh15 imali su veliki uspjeh. znatno poboljšano prediktivno kartiranje tla (PSM). Prema Minasnyju i McBratneyju16, prediktivno kartiranje tla (DSM) pokazalo se istaknutom poddisciplinom znanosti o tlu. Lagacherie i McBratney, 2006. definiraju DSM kao "stvaranje i popunjavanje prostornih informacijskih sustava tla korištenjem in situ i laboratorijskih metoda promatranja te prostornog i neprostornog zaključivanja tla sustavi”.McBratney et al.17 ističe da je suvremeni DSM ili PSM najučinkovitija tehnika za predviđanje ili kartiranje prostorne distribucije PTE-ova, tipova tla i svojstava tla. Geostatistika i algoritmi strojnog učenja (MLA) su DSM tehnike modeliranja koje stvaraju digitalizirane karte uz pomoć računala koristeći značajne i minimalne podatke.
Deutsch18 i Olea19 definiraju geostatistiku kao "zbirku numeričkih tehnika koje se bave reprezentacijom prostornih atributa, uglavnom koristeći stohastičke modele, poput načina na koji analiza vremenskih serija karakterizira vremenske podatke."Prvenstveno, geostatistika uključuje procjenu variograma, koji omogućuju kvantificiranje i definiranje ovisnosti prostornih vrijednosti iz svakog skupa podataka20.Gumiaux et al.20 dodatno ilustriraju da se procjena variograma u geostatistici temelji na tri principa, uključujući (a) izračunavanje ljestvice korelacije podataka, (b) identificiranje i izračunavanje anizotropije u disparitetu skupa podataka i (c) uz uzimanje u obzir inherentne pogreške mjernih podataka odvojenih od lokalnih učinaka, procjenjuju se i učinci područja. Na temelju ovih koncepata, mnoge tehnike interpolacije koriste se u geostatistici, uključujući opći kriging, co-kriging, obični kriging, empirijski Bayesov kriging, jednostavnu metodu kriginga i druge dobro poznate tehnike interpolacije za mapiranje ili predviđanje PTE-a, karakteristika tla i tipova tla.
Algoritmi strojnog učenja (MLA) relativno su nova tehnika koja koristi veće nelinearne klase podataka, potaknuta algoritmima koji se primarno koriste za rudarenje podataka, identificiranje uzoraka u podacima i opetovano se primjenjuju na klasifikaciju u znanstvenim poljima kao što su znanost o tlu i zadaci vraćanja. Brojni istraživački radovi oslanjaju se na MLA modele za predviđanje PTE u tlu, kao što su Tan et al.22 (nasumične šume za procjenu teških metala u poljoprivrednim tlima), Sakizadeh et al.23 (modeliranje pomoću strojeva za potporne vektore i umjetnih neuronskih mreža) onečišćenje tla). Osim toga, Vega i sur.24 (CART za modeliranje zadržavanja teških metala i adsorpcije u tlu) Sun et al.25 (primjena kubista je distribucija Cd u tlu) i drugi algoritmi kao što su k-najbliži susjed, generalizirana pojačana regresija i pojačana regresija Stabla su također primijenila MLA za predviđanje PTE u tlu.
Primjena DSM algoritama u predviđanju ili kartiranju suočava se s nekoliko izazova. Mnogi autori vjeruju da je MLA superiorniji od geostatistike i obrnuto. Iako je jedan bolji od drugog, kombinacija ta dva poboljšava razinu točnosti kartiranja ili predviđanja u DSM15. Woodcock i Gopal26 Finke27;Pontius i Cheuk28 i Grunwald29 komentiraju nedostatke i neke pogreške u predviđenom kartiranju tla. Znanstvenici za tlo isprobali su razne tehnike za optimizaciju učinkovitosti, točnosti i predvidljivosti DSM kartiranja i predviđanja. Kombinacija nesigurnosti i verifikacije jedan je od mnogih različitih aspekata integriranih u DSM za optimizaciju učinkovitosti i smanjenje nedostataka. Međutim, Agyeman et al.15 ističe da valjanost ponašanja i nesigurnosti uvedene izradom karte i predviđanjem trebaju biti neovisno validirani kako bi se poboljšala kvaliteta karte. Ograničenja DSM-a su zbog geografski raspršene kvalitete tla, koja uključuje komponentu nesigurnosti;međutim, nedostatak sigurnosti u DSM-u može proizaći iz više izvora pogreške, naime kovarijatne pogreške, pogreške modela, pogreške lokacije i analitičke pogreške 31. Netočnosti modeliranja uzrokovane MLA i geostatističkim procesima povezane su s nedostatkom razumijevanja, što u konačnici dovodi do pretjeranog pojednostavljivanja stvarnog procesa32. Bez obzira na prirodu modeliranja, netočnosti se mogu pripisati parametrima modeliranja, matematičkim predviđanja s matičkim modelom ili interpolacija33. Nedavno se pojavio novi trend DSM koji promiče integraciju geostatistike i MLA u kartiranju i predviđanju. Nekoliko znanstvenika i autora za tlo, poput Sergeeva et al.34;Subbotina i sur.35;Tarasov i sur.36 i Tarasov et al.37 iskoristili su točnu kvalitetu geostatistike i strojnog učenja za generiranje hibridnih modela koji poboljšavaju učinkovitost predviđanja i kartiranja.Neki od ovih hibridnih ili kombiniranih modela algoritama su Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 i Co-Kriging i Gaussov proces regresije ion38.
Prema Sergeevu i dr., kombiniranje različitih tehnika modeliranja ima potencijal eliminirati nedostatke i povećati učinkovitost dobivenog hibridnog modela, umjesto razvijanja njegovog jedinstvenog modela. U tom kontekstu, ovaj novi rad tvrdi da je potrebno primijeniti kombinirani algoritam geostatistike i MLA za stvaranje optimalnih hibridnih modela za predviđanje obogaćivanja Ni u urbanim i periurbanim područjima. Ova će se studija oslanjati na empirijski Bayesian Kriging (EBK) kao osnovni model i pomiješajte ga s Support Vector Machine (SVM) i modelima višestruke linearne regresije (MLR). Hibridizacija EBK s bilo kojim MLA nije poznata. Višestruki mješoviti modeli koji se vide su kombinacije običnog, rezidualnog, regresijskog kriginga i MLA. EBK je metoda geostatističke interpolacije koja koristi prostorno stohastički proces koji je lokaliziran kao nestacionarno/stacionarno slučajno polje s definiranim parametrima lokalizacije preko polja, dopuštajući prostorne varijacije39. EBK je korišten u raznim studijama, uključujući analizu distribucije organskog ugljika u tlima farmi40, procjenu onečišćenja tla41 i kartiranje svojstava tla42.
S druge strane, samoorganizirajući graf (SeOM) je algoritam učenja koji je primijenjen u raznim člancima kao što su Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 i Kebonye et al.46 Odrediti prostorne atribute i grupiranje elemenata.Wang et al.44 ističe da je SeOM moćna tehnika učenja poznata po svojoj sposobnosti grupiranja i zamišljanja nelinearnih problema. Za razliku od drugih tehnika prepoznavanja uzoraka kao što su analiza glavnih komponenti, neizrazito grupiranje, hijerarhijsko grupiranje i donošenje višekriterijskih odluka, SeOM je bolji u organiziranju i identificiranju PTE uzoraka. Prema Wangu i sur.44, SeOM može prostorno grupirati distribuciju povezanih neurona i pružiti vizualizaciju podataka visoke rezolucije. SeOM će vizualizirati podatke predviđanja Ni kako bi se dobio najbolji model za karakterizaciju rezultata za izravnu interpretaciju.
Ovaj rad ima za cilj generirati robustan model kartiranja s optimalnom točnošću za predviđanje sadržaja nikla u urbanim i periurbanim tlima. Pretpostavljamo da pouzdanost mješovitog modela uglavnom ovisi o utjecaju drugih modela povezanih s osnovnim modelom. Priznajemo izazove s kojima se suočava DSM, a iako se ti izazovi rješavaju na više frontova, kombinacija napretka u geostatistici i MLA modelima čini se da je inkrementalna. ;stoga ćemo pokušati odgovoriti na istraživačka pitanja koja bi mogla dati mješovite modele. Međutim, koliko je precizan model u predviđanju ciljanog elementa? Također, koja je razina procjene učinkovitosti na temelju validacije i procjene točnosti? Stoga su specifični ciljevi ove studije bili (a) stvoriti kombinirani model mješavine za SVMR ili MLR koristeći EBK kao osnovni model, (b) usporediti rezultirajuće modele (c) predložiti najbolji model mješavine za predviđanje koncentracija Ni u urbanim sredinama ili periurbana tla, i (d) primjena SeOM-a za izradu karte visoke rezolucije prostorne varijacije nikla.
Studija se provodi u Češkoj Republici, točnije u okrugu Frydek Mistek u regiji Moravia-Slesia (vidi sliku 1). Geografija područja istraživanja je vrlo neravan i uglavnom je dio regije Moravia-Slesia Beskidy, koja je dio vanjskog ruba Karpata. Područje istraživanja nalazi se između 49° 41′ 0′ N i 18° 20′ 0 ′ E, a nadmorska visina je između 225 i 327 m;međutim, Koppenov sustav klasifikacije za klimatsko stanje regije ocijenjen je kao Cfb = umjerena oceanska klima, ima mnogo oborina čak iu sušnim mjesecima. Temperature lagano variraju tijekom godine između −5 °C i 24 °C, rijetko padajući ispod −14 °C ili iznad 30 °C, dok je prosječna godišnja količina oborina između 685 i 752 mm47. Procijenjeno područje istraživanja cijelog područja je 1.208 četvornih kilometara, s 39,38% obradive zemlje i 49,36% pokrivenosti šumama. S druge strane, područje korišteno u ovoj studiji je oko 889,8 četvornih kilometara. U i oko Ostrave, industrija čelika i metalne tvornice su vrlo aktivne. Metalne tvornice, industrija čelika u kojoj se nikal koristi u nehrđajućim čelicima (npr. za otpornost na atmosfersku koroziju) i legiranim čelicima (nikal povećava snaga legure uz zadržavanje njene dobre rastezljivosti i žilavosti), te intenzivna poljoprivreda kao što je primjena fosfatnog gnojiva i stočarska proizvodnja potencijalni su izvori nikla za istraživanje u regiji (npr. dodavanje nikla janjadi za povećanje stope rasta janjadi i slabo hranjene stoke). Druge industrijske upotrebe nikla u istraživačkim područjima uključuju njegovu upotrebu u galvanizaciji, uključujući galvanizaciju nikla i nikla bez elektrolita. procesi presvlake. Svojstva tla lako se razlikuju od boje tla, strukture i sadržaja karbonata. Tekstura tla je srednja do fina, potječe od matičnog materijala. Po prirodi su koluvijalne, aluvijalne ili eolske. Neka područja tla izgledaju šarena na površini i podzemlju, često s betonom i izbjeljivanjem. Međutim, kambisoli i stagnosoli su najčešći tipovi tla u regiji48. nadmorske visine u rasponu od 455,1 do 493,5 m, kambisoli dominiraju Češkom Republikom49.
Karta područja proučavanja [Karta područja proučavanja stvorena je pomoću ArcGIS Desktop (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Ukupno 115 uzoraka gornjeg sloja tla dobiveno je iz urbanog i periurbanog tla u okrugu Frydek Mistek. Korišteni uzorak uzorka bila je pravilna mreža s uzorcima tla razmaknutim 2 × 2 km, a gornji sloj tla mjeren je na dubini od 0 do 20 cm pomoću ručnog GPS uređaja (Leica Zeno 5 GPS). Uzorci su pakirani u Ziploc vrećice, pravilno označeni i otpremljeni u laboratorij. Uzorak su osušeni na zraku kako bi se proizveli usitnjeni uzorci, usitnjeni mehaničkim sustavom (mlin s diskovima Fritsch) i prosijani (veličina sita 2 mm). Stavite 1 gram osušenih, homogeniziranih i prosijanih uzoraka tla u jasno označene teflonske boce. U svaku teflonsku posudu ulijte 7 ml 35% HCl i 3 ml 65% HNO3 (pomoću automatskog dozatora – jedan za svaku kiselinu), pokrijte lagano i ostavite uzorke da odstoje preko noći za reakciju (program aqua regia). Stavite supernatant na vruću metalnu ploču (temperatura: 100 W i 160 °C) na 2 sata kako biste olakšali proces probave uzoraka, zatim ohladite. Prenesite supernatant u odmjernu tikvicu od 50 ml i razrijedite do 50 ml s deioniziranom vodom. Nakon toga, filtrirajte razrijeđeni supernatant u 5 PVC epruveta od 0 ml s deioniziranom vodom. Dodatno, 1 ml otopine za razrjeđivanje razrijeđeno je s 9 ml deionizirane vode i filtrirano u epruvetu od 12 ml pripremljenu za pseudokoncentraciju PTE. Koncentracije PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) određene su ICP-OES (Inductively Coupled Plasma Optical Emission Spectro) scopy) (Thermo Fisher Scientific, SAD) u skladu sa standardnim metodama i sporazumom. Osigurajte postupke osiguranja i kontrole kvalitete (QA/QC) (SRM NIST 2711a Montana II Tlo). PTE s granicama detekcije ispod polovice isključeni su iz ove studije. Granica detekcije PTE korištene u ovoj studiji bila je 0,0004. (vi). Osim toga, kontrola kvalitete i postupak osiguranja kvalitete za svaku analizu osiguran je analnim yzing referentnih standarda. Kako bi se osiguralo da su pogreške svedene na minimum, izvršena je dvostruka analiza.
Empirijski Bayesian Kriging (EBK) jedna je od mnogih tehnika geostatističke interpolacije koja se koristi u modeliranju u različitim područjima kao što je znanost o tlu. Za razliku od drugih tehnika interpolacije kriginga, EBK se razlikuje od tradicionalnih metoda kriginga uzimajući u obzir pogrešku procijenjenu modelom semivariograma. U EBK interpolaciji, nekoliko modela semivariograma izračunava se tijekom interpolacije, umjesto jednog semivariograma. Tehnike interpolacije stvaraju mjesto za nesigurnost i programiranje povezano s ovim iscrtavanjem semivariograma koji čini vrlo složen dio metode dovoljnog kriginga. Proces interpolacije EBK slijedi tri kriterija koje je predložio Krivoruchko50, (a) model procjenjuje semivariogram iz ulaznog skupa podataka (b) nova predviđena vrijednost za svaku lokaciju ulaznog skupa podataka na temelju generiranog semivariograma i (c) konačni model A izračunava se iz simuliranog skupa podataka. Pravilo Bayesove jednadžbe dano je kao posterior
Gdje \(Prob\left(A\right)\) predstavlja prethodnu, \(Prob\left(B\right)\) marginalna vjerojatnost se u većini slučajeva zanemaruje, \(Prob (B,A)\ ). Izračun semivariograma temelji se na Bayesovom pravilu, koje pokazuje sklonost skupova podataka opažanja koji se mogu stvoriti iz semivariograma. Vrijednost semivariograma zatim se određuje pomoću Bayesovog pravila, koje navodi kolika je vjerojatnost stvaranja skupa podataka opažanja iz semivariograma.
Stroj s potpornim vektorom algoritam je strojnog učenja koji generira optimalnu razdvajajuću hiperravninu za razlikovanje identičnih, ali ne i linearno neovisnih klasa. Vapnik51 je stvorio algoritam klasifikacije namjere, ali se nedavno koristio za rješavanje problema usmjerenih na regresiju. Prema Liju i dr.52, SVM je jedna od najboljih tehnika klasifikatora i koristi se u raznim područjima. Regresijska komponenta SVM-a (Support Vector Machine Regression – SVMR) korišten je u ovoj analizi. Cherkassky i ​​Mulier53 uveli su SVMR kao regresiju temeljenu na jezgri, čiji je izračun izveden korištenjem linearnog regresijskog modela s prostornim funkcijama više zemalja. John i suradnici54 izvješćuju da SVMR modeliranje koristi hiperravninsku linearnu regresiju, koja stvara nelinearne odnose i omogućuje prostorne funkcije. Prema Vohlandu i sur.55, epsilon (ε)-SVMR koristi obučeni skup podataka za dobivanje reprezentativnog modela kao funkcije neosjetljive na epsilon koja se primjenjuje za mapiranje podataka neovisno s najboljom epsilon pristranošću iz obuke na koreliranim podacima. Unaprijed postavljena pogreška udaljenosti zanemaruje se od stvarne vrijednosti, a ako je pogreška veća od ε(ε), svojstva tla je kompenziraju. Model također smanjuje složenost podataka za obuku na širi podskup potporni vektori. Jednadžba koju je predložio Vapnik51 prikazana je dolje.
gdje b predstavlja skalarni prag, \(K\lijevo({x}_{,}{ x}_{k}\desno)\) predstavlja kernel funkciju, \(\alpha\) predstavlja Lagrangeov multiplikator, N predstavlja numerički skup podataka, \({x}_{k}\) predstavlja unos podataka, a \(y\) je izlaz podataka. Jedna od ključnih jezgri koja se koristi je operacija SVMR, koja je Gaussov radijal osnovna funkcija (RBF). RBF jezgra primjenjuje se za određivanje optimalnog SVMR modela, koji je kritičan za dobivanje najsuptilnijeg faktora kaznenog skupa C i parametra jezgre gama (γ) za PTE podatke obuke. Prvo smo procijenili skup obuke, a zatim testirali izvedbu modela na skupu za validaciju. Korišteni parametar upravljanja je sigma, a vrijednost metode je svmRadial.
Model višestruke linearne regresije (MLR) je regresijski model koji predstavlja odnos između varijable odgovora i niza varijabli prediktora pomoću linearnih skupnih parametara izračunatih metodom najmanjih kvadrata. U MLR model najmanjih kvadrata je prediktivna funkcija svojstava tla nakon odabira varijabli objašnjenja. Potrebno je upotrijebiti odgovor za uspostavljanje linearnog odnosa pomoću varijabli objašnjenja. PTE je korišten kao varijabla odgovora za uspostavljanje linije ar odnos s eksplanatornim varijablama. MLR jednadžba je
gdje je y varijabla odgovora, \(a\) presretanje, n je broj prediktora, \({b}_{1}\) je djelomična regresija koeficijenata, \({x}_{ i}\) predstavlja prediktor ili varijablu objašnjenja, a \({\varepsilon }_{i}\) predstavlja pogrešku u modelu, također poznatu kao rezidual.
Mješoviti modeli dobiveni su spajanjem EBK sa SVMR i MLR. To se radi izdvajanjem predviđenih vrijednosti iz EBK interpolacije. Predviđene vrijednosti dobivene iz interpoliranih Ca, K i Mg dobivene su kombinatornim postupkom za dobivanje novih varijabli, kao što su CaK, CaMg i KMg. Elementi Ca, K i Mg se zatim kombiniraju kako bi se dobila četvrta varijabla, CaKMg. Sve u svemu, dobivene varijable su Ca, K, Mg, CaK, CaMg, KMg i CaKMg. Ove varijable postale su naši prediktori, pomažući u predviđanju koncentracije nikla u urbanim i periurbanim tlima. SVMR algoritam je izveden na prediktorima kako bi se dobio mješoviti model Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Slično, varijable se također propuštaju kroz MLR algoritam da se dobije mješoviti model empirijske Bayesove kriging-višestruke linearne regresije (EBK_MLR). Obično se varijable Ca, K, Mg, CaK, CaMg, KMg i CaKMg koriste kao kovarijable kao prediktori sadržaja Ni u urbanim i periurbanim tlima. Dobiveni najprihvatljiviji model (EBK_SVM ili EBK_MLR) zatim će se vizualizirati pomoću samoorganizirajućeg grafa. Tijek rada ove studije prikazano je na slici 2.
Korištenje SeOM-a postalo je popularan alat za organiziranje, procjenu i predviđanje podataka u financijskom sektoru, zdravstvu, industriji, statistici, znanosti o tlu itd. SeOM se stvara korištenjem umjetnih neuronskih mreža i nenadziranih metoda učenja za organizaciju, procjenu i predviđanje. U ovoj je studiji SeOM korišten za vizualizaciju koncentracija Ni na temelju najboljeg modela za predviđanje Ni u urbanim i periurbanim tlima. Podaci obrađeni u SeOM evaluaciji koriste se kao n ulaz -dimenzionalne vektorske varijable43,56.Melssen i sur.57 opisuju vezu ulaznog vektora u neuronsku mrežu kroz jedan ulazni sloj na izlazni vektor s jednim težinskim vektorom. Izlaz koji generira SeOM je dvodimenzionalna mapa koja se sastoji od različitih neurona ili čvorova utkanih u heksagonalne, kružne ili kvadratne topološke mape prema njihovoj blizini. Uspoređujući veličine karte na temelju metrike, kvantizacijske pogreške (QE) i topografske pogreške (TE), SeOM model s Odabrano je 0,086 odnosno 0,904, što je jedinica od 55 mapa (5 × 11). Struktura neurona određena je prema broju čvorova u empirijskoj jednadžbi
Broj podataka korištenih u ovoj studiji je 115 uzoraka. Nasumični pristup korišten je za dijeljenje podataka u testne podatke (25% za provjeru valjanosti) i skupove podataka za obuku (75% za kalibraciju). Skup podataka za obuku koristi se za generiranje regresijskog modela (kalibracija), a skup testnih podataka koristi se za provjeru sposobnosti generalizacije58. To je učinjeno kako bi se procijenila prikladnost različitih modela za predviđanje sadržaja nikla u tlu. Svi korišteni modeli prošli kroz proces deseterostruke unakrsne provjere, ponovljen pet puta. Varijable proizvedene EBK interpolacijom koriste se kao prediktori ili eksplanatorne varijable za predviđanje ciljne varijable (PTE). Modeliranjem se rukuje u RStudiu pomoću paketa library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr” ) i knjižnice ("Metrika").
Različiti validacijski parametri korišteni su za određivanje najboljeg modela prikladnog za predviđanje koncentracija nikla u tlu i za procjenu točnosti modela i njegove validacije. Hibridizacijski modeli procijenjeni su pomoću srednje apsolutne pogreške (MAE), korijena srednje kvadratne pogreške (RMSE) i R-kvadrata ili određivanja koeficijenta (R2). R2 definira varijancu proporcija u odgovoru, predstavljenu regresijskim modelom. RMSE i veličina varijance u neovisnim mjerama opisuje prediktivnu moć modela, dok MAE određuje stvarnu kvantitativnu vrijednost. Vrijednost R2 mora biti visoka da bi se procijenio najbolji model mješavine pomoću validacijskih parametara, što je vrijednost bliža 1, to je veća točnost. Prema Li et al.59, vrijednost R2 kriterija od 0,75 ili veća smatra se dobrim prediktorom;od 0,5 do 0,75 je prihvatljiva izvedba modela, a ispod 0,5 je neprihvatljiva izvedba modela. Pri odabiru modela pomoću metoda evaluacije kriterija validacije RMSE i MAE, niže dobivene vrijednosti bile su dovoljne i smatrane su najboljim izborom. Sljedeća jednadžba opisuje metodu verifikacije.
gdje n predstavlja veličinu promatrane vrijednosti\({Y}_{i}\) predstavlja izmjereni odgovor, a \({\widehat{Y}}_{i}\) također predstavlja predviđenu vrijednost odgovora, dakle, za prvih i opažanja.
Statistički opisi varijabli prediktora i odgovora prikazani su u tablici 1, prikazujući srednju vrijednost, standardnu ​​devijaciju (SD), koeficijent varijacije (CV), minimum, maksimum, kurtosis i zakrivljenost. Minimalne i maksimalne vrijednosti elemenata su u padajućem redoslijedu Mg < Ca < K < Ni i Ca < Mg < K < Ni, respektivno. Koncentracije varijable odgovora (Ni) uzorkovane s područja istraživanja kretale su se od 4,86 ​​do 42,39 mg/kg. Usporedba Ni sa svjetskim prosjekom (29 mg/kg) i europskim prosjekom (37 mg/kg) pokazala je da je ukupna izračunata geometrijska sredina za područje istraživanja bila unutar tolerantnog raspona. Ipak, kao što je pokazalo Kabata-Pendias11, usporedba prosječne koncentracije nikla (Ni) u trenutnoj studiji s poljoprivrednim tlima u Švedskoj pokazuje da je trenutna prosječna koncentracija nikla viša. Isto tako, srednja koncentracija nikla Frydek Mistek u urbanim i periurbanim tlima u trenutnoj studiji (Ni 16,15 mg/kg) bio je viši od dopuštene granice od 60 (10,2 mg/kg) za Ni u poljskim urbanim tlima koje su objavili Różański i dr. Nadalje, Bretzel i Calderisi61 zabilježili su vrlo niske srednje koncentracije Ni (1,78 mg/kg) u urbanim tlima u Toskani u usporedbi s trenutnom studijom. Jim62 također pronašli su nižu koncentraciju nikla (12,34 mg/kg) u urbanim tlima Hong Konga, što je niže od trenutne koncentracije nikla u ovoj studiji. Birke i suradnici63 izvijestili su o prosječnoj koncentraciji nikla od 17,6 mg/kg u starom rudarskom i urbanom industrijskom području u Saskoj-Anhaltu u Njemačkoj, što je bilo 1,45 mg/kg više od prosječne koncentracije nikla u tom području (16,15 mg/kg). Trenutačno istraživanje. Prekomjerni sadržaj nikla u tlima u nekim urbanim i prigradskim područjima područja istraživanja može se uglavnom pripisati industriji željeza i čelika i metalnoj industriji. To je u skladu sa studijom Khodadousta i sur.64 da su industrija čelika i obrada metala glavni izvori onečišćenja tla niklom. Međutim, prediktori su također bili u rasponu od 538,70 mg/kg do 69 161,80 mg/kg za Ca, 497,51 mg/kg do 3535,68 mg/kg za K i 685,68 mg/kg do 5970,05 mg/kg za Mg. Jakovljević i dr. al.65 istraživali su ukupni sadržaj Mg i K u tlima u središnjoj Srbiji. Otkrili su da su ukupne koncentracije (410 mg/kg odnosno 400 mg/kg) niže od koncentracija Mg i K iz trenutne studije. Nerazlučivo, u istočnoj Poljskoj, Orzechowski i Smolczynski66 procijenili su ukupni sadržaj Ca, Mg i K i pokazali prosječne koncentracije Ca (1100 mg/kg), Mg (59 0 mg/kg) i K (810 mg/kg) Sadržaj u površinskom sloju tla niži je od pojedinačnog elementa u ovoj studiji. Nedavna studija Pongrac et al.67 pokazalo je da ukupni sadržaj Ca analiziran u 3 različita tla u Škotskoj, UK (tlo Mylnefield, tlo Balruddery i tlo Hartwood) ukazuje na viši sadržaj Ca u ovoj studiji.
Zbog različitih izmjerenih koncentracija uzorkovanih elemenata, distribucije skupa podataka elemenata pokazuju različitu asimetriju. Asimetrija i kurtoza elemenata kretala su se u rasponu od 1,53 do 7,24 odnosno 2,49 do 54,16. Svi izračunati elementi imaju razine asimetrije i kurtoze iznad +1, što ukazuje da je distribucija podataka nepravilna, zakošena u pravom smjeru i vršna. Procijenjeni CV-ovi elemenata također pokazuju da K, Mg i Ni pokazuju umjerenu varijabilnost, dok Ca ima izuzetno visoku varijabilnost. CV-ovi K, Ni i Mg objašnjavaju njihovu jednoliku distribuciju. Nadalje, distribucija Ca nije jednolika i vanjski izvori mogu utjecati na razinu obogaćenja.
Korelacija prediktorskih varijabli s elementima odgovora pokazala je zadovoljavajuću korelaciju između elemenata (vidi sliku 3). Korelacija je pokazala da CaK pokazuje umjerenu korelaciju s r vrijednošću = 0,53, kao i CaNi. Iako Ca i K pokazuju skromne međusobne povezanosti, istraživači poput Kingstona i sur.68 i Santo69 sugeriraju da su njihove razine u tlu obrnuto proporcionalne. Međutim, Ca i Mg su antagonisti s K, ali CaK dobro korelira. To može biti posljedica primjene gnojiva kao što je kalijev karbonat, koji ima 56% više kalija. Kalij je bio umjereno povezan s magnezijem (KM r = 0,63). U industriji gnojiva ova su dva elementa blisko povezana jer kalij-magnezij-sulfat, kalij-magnezij-nitrat i potaša primjenjuju se na tlo kako bi se povećala njihova razina nedostatka. Nikal je umjereno povezan s Ca, K i Mg s r vrijednostima = 0,52, 0,63 i 0,55, respektivno. Odnosi koji uključuju kalcij, magnezij i PTE-ove kao što je nikal su složeni, ali unatoč tome, magnezij inhibira kalcij ab sorpcijom, kalcij smanjuje učinke viška magnezija, a i magnezij i kalcij smanjuju toksične učinke nikla u tlu.
Korelacijska matrica za elemente koja pokazuje odnos između prediktora i odgovora (Napomena: ova slika uključuje dijagram raspršenosti između elemenata, razine značajnosti temelje se na p < 0,001).
Slika 4 ilustrira prostornu distribuciju elemenata. Prema Burgosu i suradnicima70, primjena prostorne distribucije je tehnika koja se koristi za kvantificiranje i isticanje vrućih točaka u zagađenim područjima. Razine obogaćenja Ca na slici 4 mogu se vidjeti u sjeverozapadnom dijelu karte prostorne distribucije. Slika prikazuje žarišne točke umjerenog do visokog obogaćenja Ca. Obogaćenje kalcijem na sjeverozapadu karte vjerojatno je posljedica upotrebe živog vapna (kalcijev oksid) za smanjenje kiselosti tla i njegovu upotrebu u čeličanama kao alkalnog kisika u procesu proizvodnje čelika. S druge strane, drugi poljoprivrednici radije koriste kalcijev hidroksid u kiselim tlima za neutralizaciju pH, što također povećava sadržaj kalcija u tlu71. Kalij također pokazuje vruće točke na sjeverozapadu i istoku karte. Sjeverozapad je glavna poljoprivredna zajednica, a uzorak umjeren do visok kalija može biti posljedica primjene NPK i potaše. Ovo je u skladu s drugim studijama, kao što su Madaras i Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, koji su uočili da stabilizacija tla i obrada s KCl i NPK rezultiraju visokim sadržajem K u tlu.Prostorno obogaćivanje kalijem na sjeverozapadu karte distribucije može biti posljedica upotrebe gnojiva na bazi kalija kao što su kalijev klorid, kalijev sulfat, kalijev nitrat, kalijev klorid i pepelika za povećanje sadržaja kalija u siromašnim tlima. Zádorová et al.76 i Tlustoš i sur.77 istaknuo je da je primjena gnojiva na bazi K povećala sadržaj K u tlu i da bi dugoročno značajno povećala sadržaj hranjivih tvari u tlu, posebno K i Mg pokazujući vruće točke u tlu. Relativno umjerene žarišne točke na sjeverozapadu karte i jugoistoku karte. Koloidna fiksacija u tlu smanjuje koncentraciju magnezija u tlu. Njegov nedostatak u tlu uzrokuje žutu boju biljaka. Gnojiva na bazi magnezija, kao što su kalijev magnezijev sulfat, magnezijev sulfat i Kieserite, liječe nedostatke (biljke izgledaju ljubičaste, crvene ili smeđe, što ukazuje na nedostatak magnezija) u tlima s normalnim pH rasponom6. Akumulacija nikla na urbanim i periurbanim površinama tla može biti posljedica antropogenih aktivnosti kao što su poljoprivreda i važnost nikla u proizvodnji nehrđajućeg čelika78.
Prostorna distribucija elemenata [karta prostorne distribucije stvorena je pomoću ArcGIS Desktop (ESRI, Inc, verzija 10.7, URL: https://desktop.arcgis.com).]
Rezultati indeksa izvedbe modela za elemente korištene u ovoj studiji prikazani su u tablici 2. S druge strane, RMSE i MAE Ni blizu su nuli (0,86 RMSE, -0,08 MAE). S druge strane, i RMSE i MAE vrijednosti K su prihvatljive. Rezultati RMSE i MAE bili su veći za kalcij i magnezij. Rezultati Ca i K MAE i RMSE veći su zbog različitih skupova podataka. RMSE i MA Utvrđeno je da su E ove studije koja koristi EBK za predviđanje Ni bolja od rezultata Johna i sur.54 korištenjem sinergističkog kriginga za predviđanje koncentracija S u tlu korištenjem istih prikupljenih podataka. Rezultati EBK koje smo proučavali koreliraju s onima Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 i John et al.82, osobito K i Ni.
Učinkovitost pojedinačnih metoda za predviđanje sadržaja nikla u urbanim i periurbanim tlima procijenjena je pomoću izvedbe modela (Tablica 3). Validacija modela i procjena točnosti potvrdili su da Ca_Mg_K prediktor u kombinaciji s EBK SVMR modelom daje najbolju izvedbu. Kalibracijski model Ca_Mg_K-EBK_SVMR model R2, srednja kvadratna pogreška (RMSE) i srednja apsolutna pogreška (MAE) bile su 0 .637 (R2), 95,479 mg/kg (RMSE) i 77,368 mg/kg (MAE) Ca_Mg_K-SVMR bio je 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). Bez obzira na to, dobre R2 vrijednosti su dobivene za Ca_Mg_K-SVMR (0,663 mg/kg R2) i Ca_Mg-EBK_SVMR (0,643 = R2);njihovi rezultati RMSE i MAE bili su viši od onih za Ca_Mg_K-EBK_SVMR (R2 0,637) (vidi tablicu 3). Osim toga, RMSE i MAE Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) modela su 17,5 odnosno 13,4, što je više od onih za Ca_Mg_K-EBK _SVMR. Isto tako, RMSE i MAE Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) modela su 2,5 i 2,2 veći od onih Ca_Mg_K-EBK_SVMR RMSE i MAE, respektivno. Izračunati RMSE rezultati pokazuju koliko je skup podataka koncentriran s linijom najboljeg uklapanja. Viši RSME i MAE bili su promatrano.Prema Kebonye i sur.46 i john et al.54, što su RMSE i MAE bliže nuli, to su rezultati bolji. SVMR i EBK_SVMR imaju više kvantizirane RSME i MAE vrijednosti. Uočeno je da su RSME procjene dosljedno više od MAE vrijednosti, što ukazuje na prisutnost odstupanja. Prema Legatesu i McCabeu83, opseg u kojem RMSE premašuje srednju apsolutnu pogrešku (MAE) preporučuje se kao pokazatelj prisutnosti izvan To znači da što je skup podataka heterogeniji, to su veće vrijednosti MAE i RMSE. Točnost procjene unakrsne validacije Ca_Mg_K-EBK_SVMR mješovitog modela za predviđanje sadržaja Ni u urbanim i prigradskim tlima bila je 63,70%. Prema Li et al.59, ova razina točnosti je prihvatljiva stopa izvedbe modela. Sadašnji rezultati uspoređeni su s prethodnom studijom Tarasova i sur.36 čiji je hibridni model stvorio MLPRK (Multilayer Perceptron Residual Kriging), povezan s EBK_SVMR indeksom procjene točnosti prijavljenim u trenutnoj studiji, RMSE (210) i MAE (167,5) bili su viši od naših rezultata u trenutnoj studiji (RMSE 95,479, MAE 77,368). Međutim, kada se usporedi R2 trenutne studije (0,637) s tim od Tarasov et al.36 (0,544), jasno je da je koeficijent determinacije (R2) viši u ovom mješovitom modelu. Margina pogreške (RMSE i MAE) (EBK SVMR) za mješoviti model dva je puta niža. Isto tako, Sergeev et al.34 zabilježili su 0,28 (R2) za razvijeni hibridni model (Multilayer Perceptron Residual Kriging), dok je Ni u trenutnoj studiji zabilježio 0,63 7 (R2). Razina točnosti predviđanja ovog modela (EBK SVMR) je 63,7%, dok je točnost predviđanja koju su dobili Sergeev et al.34 iznosi 28%. Konačna karta (Sl. 5) izrađena korištenjem modela EBK_SVMR i Ca_Mg_K kao prediktora pokazuje predviđanja vrućih točaka i umjerenog do nikla na cijelom području istraživanja. To znači da je koncentracija nikla u području istraživanja uglavnom umjerena, s višim koncentracijama u nekim određenim područjima.
Konačna karta predviđanja predstavljena je korištenjem hibridnog modela EBK_SVMR i korištenjem Ca_Mg_K kao prediktora.[Mapa prostorne distribucije stvorena je korištenjem RStudio (verzija 1.4.1717: https://www.rstudio.com/).]
Na slici 6 prikazane su koncentracije PTE kao ravnina sastava koja se sastoji od pojedinačnih neurona. Nijedna od ravnina komponenti nije imala isti uzorak boja kao što je prikazano. Međutim, odgovarajući broj neurona po nacrtanoj karti je 55. SeOM je proizveden korištenjem različitih boja, a što su uzorci boja sličniji, to su svojstva uzoraka usporediva. Prema njihovoj preciznoj skali boja, pojedinačni elementi (Ca, K i Mg) pokazali su sličan uzorak boja s do pojedinačnih visokih neurona i većine niskih neurona. Dakle, CaK i CaMg dijele neke sličnosti s neuronima vrlo visokog reda i niskim do umjerenim uzorcima boja. Oba modela predviđaju koncentraciju Ni u tlu prikazujući srednje do visoke nijanse boja kao što su crvena, narančasta i žuta. KMg model prikazuje mnoge visoke uzorke boja na temelju preciznih proporcija i niskih do srednjih mrlja boja. Na preciznoj ljestvici boja od niske do visoke, planarni uzorak distribucije komponente modela pokazale su visoki uzorak boja koji ukazuje na potencijalnu koncentraciju nikla u tlu (vidi sliku 4). Ravnina komponenti modela CakMg pokazuje raznolik uzorak boja od niske do visoke u skladu s točnom ljestvicom boja. Nadalje, model predviđanja sadržaja nikla (CakMg) sličan je prostornoj distribuciji nikla prikazanoj na slici 5. Oba grafikona pokazuju visoke, srednje i niske udjele koncentracija nikla u urbanim i perifernim područjima zabranjena tla. Slika 7 prikazuje konturnu metodu u grupiranju k-srednjih vrijednosti na karti, podijeljenu u tri klastera na temelju predviđene vrijednosti u svakom modelu. Konturna metoda predstavlja optimalan broj klastera. Od 115 prikupljenih uzoraka tla, kategorija 1 dobila je najviše uzoraka tla, 74. Klaster 2 primio je 33 uzorka, dok je klaster 3 primio 8 uzoraka. Kombinacija sedmokomponentnog planarnog prediktora pojednostavljeno kako bi se omogućilo ispravno tumačenje klastera. Zbog brojnih antropogenih i prirodnih procesa koji utječu na formiranje tla, teško je imati ispravno diferencirane uzorke klastera u distribuiranoj SeOM karti78.
Izlaz ravnine komponente svake varijable Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[SeOM karte stvorene su pomoću RStudio (verzija 1.4.1717: https://www.rstudio.com/).]
Različite komponente klasifikacije klastera [SeOM karte su stvorene pomoću RStudio (verzija 1.4.1717: https://www.rstudio.com/).]
Trenutna studija jasno ilustrira tehnike modeliranja za koncentracije nikla u urbanim i periurbanim tlima. Studija je testirala različite tehnike modeliranja, kombinirajući elemente s tehnikama modeliranja, kako bi se dobio najbolji način za predviđanje koncentracija nikla u tlu. SeOM kompozicijske planarne prostorne značajke tehnike modeliranja pokazale su jak uzorak boja od niske do visoke na točnoj ljestvici boja, pokazujući koncentracije Ni u tlu. Međutim, mapa prostorne distribucije potvrđuje planarnu prostornu distribuciju komponenata koju prikazuje EBK_SVMR (vidi sliku 5). Rezultati pokazuju da strojni regresijski model potpornog vektora (Ca Mg K-SVMR) predviđa koncentraciju Ni u tlu kao jedinstveni model, ali parametri za provjeru valjanosti i procjenu točnosti pokazuju vrlo visoke pogreške u pogledu RMSE i MAE. S druge strane, tehnika modeliranja koja se koristi s modelom EBK_MLR također je manjkava zbog niske vrijednosti koeficijenta determinacije (R2). Dobri rezultati dobiveni su upotrebom EBK SVMR i kombiniranih elemenata (CaKMg) s niskim RMSE i MAE pogreškama s točnošću od 63,7%. Ispostavilo se da se kombinacijom EBK algoritma s algoritmom strojnog učenja može generirati hibridni algoritam koji može predvidjeti koncentraciju PTE u tlu. Rezultati pokazuju da korištenje Ca Mg K kao prediktora za predviđanje Ni koncentracije u istraživanom području mogu poboljšati predviđanje Ni u tlima. To znači da kontinuirana primjena gnojiva na bazi nikla i industrijsko onečišćenje tla od strane industrije čelika ima tendenciju povećanja koncentracije nikla u tlu. Ova studija je otkrila da EBK model može smanjiti razinu pogreške i poboljšati točnost modela prostorne distribucije tla u urbanim ili periurbanim tlima. Općenito, predlažemo primjenu EBK-SVMR modela procijeniti i predvidjeti PTE u tlu;osim toga, predlažemo korištenje EBK za hibridizaciju s različitim algoritmima strojnog učenja. Koncentracije Ni predviđene su korištenjem elemenata kao kovarijabli;međutim, korištenje većeg broja kovarijabli uvelike bi poboljšalo izvedbu modela, što se može smatrati ograničenjem trenutnog rada. Još jedno ograničenje ove studije je da je broj skupova podataka 115. Stoga, ako se pruži više podataka, izvedba predložene metode optimizirane hibridizacije može se poboljšati.
PlantProbs.net.Nikal u biljkama i tlu https://plantprobs.net/plant/nutrientImbalances/sodium.html (pristupljeno 28. travnja 2021.).
Kasprzak, KS Nikal napreduje u modernoj toksikologiji okoliša.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikal: Pregled njegovih izvora i toksikologije okoliša. Poljski J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Unos onečišćujućih tvari iz atmosfere i nakupljanje u tlu i vegetaciji u blizini talionice nikal-bakra u Sudburyju, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Teški metali u tlu, biljkama i rizici povezani s ispašom preživača u blizini rudnika bakra i nikla Selebi-Phikwe u Bocvani. surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementi u tragovima u tlu i… – Google znalac https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Elementi u tragovima+u+zemlji+i+biljkama.+4th+ed.+New+York+%28NY%29 %3A+CRC+Press&btnG= (pristupljeno 24. studenog 2020.).
Almås, A., Singh, B., Poljoprivreda, TS-NJ od & 1995, nedefinirano. Učinci ruske industrije nikla na koncentracije teških metala u poljoprivrednim tlima i travama u Soer-Varangeru, Norveška.agris.fao.org.
Nielsen, GD et al. Apsorpcija i zadržavanje nikla u vodi za piće povezani su s unosom hrane i osjetljivošću na nikal.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​​NM;Analiza trenda potencijalno toksičnih elemenata: bibliometrijski pregled. Geokemija okoliša i zdravlje. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitalno kartiranje tla: Kratka povijest i neke lekcije. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitalnom kartiranju tla. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Ac prestao 28. travnja 2021.).