Köszönjük, hogy meglátogatta a Nature.com webhelyet. Az Ön által használt böngészőverzió korlátozottan támogatja a CSS-t. A legjobb élmény érdekében javasoljuk, hogy használjon frissített böngészőt (vagy kapcsolja ki a kompatibilitási módot az Internet Explorerben). Addig is a folyamatos támogatás érdekében a webhelyet stílusok és JavaScript nélkül jelenítjük meg.
Az emberi tevékenység okozta nagy probléma a talajszennyezés. A potenciálisan toxikus elemek (PTE) térbeli eloszlása ​​a legtöbb városi és városkörnyéki területen változó. Ezért nehéz az ilyen talajok PTE-tartalmát térben megjósolni. Összesen 115 mintát nyertek a csehországi Frydek Mistek cégtől.Calcium weresnickel (Ca), and tastass (MgKN) és potálium koncentrációt határoztak meg. induktív csatolású plazma emissziós spektrometria.A válaszváltozó Ni, a prediktorok pedig a Ca, Mg és K.A válaszváltozó és a prediktorváltozó közötti korrelációs mátrix kielégítő korrelációt mutat az elemek között.Az előrejelzési eredmények azt mutatták, hogy a Support Vector Machine Regression (SVMR) jól teljesített, bár becsült értéke a becsült négyzetes hiba (RM)7 (mg235kgE)7 (mg235,6kgSE)4. 946 mg/kg) magasabbak voltak, mint a többi alkalmazott módszer.Az empirikus Bayes-féle kriging-többszörös lineáris regresszió (EBK-MLR) vegyes modelljei gyengén teljesítenek, amit a 0,1-nél kisebb determinációs együtthatók igazolnak.Az empirikus Bayes-féle Kriging-támogató vektorgép regresszió (EBK-SVMR) modellje 5 kg.7 legjobb.7RM9SE (5 kg-os) és 9SE-modell volt. 68 mg/kg) értékeket és magas determinációs együtthatót (R2 = 0,637). Az EBK-SVMR modellezési technika kimenetét egy önszerveződő térkép segítségével jelenítjük meg. A CakMg-EBK-SVMR hibrid modell síkjában a csoportosított neuronok több színmintát mutatnak, amelyek a Ni-koncentráció előrejelzését jelzik városi és városkörnyéki talajokban. tilalom a talajokat.
A nikkelt (Ni) a növények mikrotápanyagának tekintik, mivel hozzájárul a légköri nitrogén megkötéséhez (N) és a karbamid anyagcseréhez, amelyek mind a magvak csírázásához szükségesek. A nikkel a magok csírázásához való hozzájárulása mellett gombák és baktériumok gátlója is lehet, és elősegíti a növények fejlődését. A talajban lévő nikkelhiány lehetővé teszi a növény számára, hogy felszívja a leveleket, a zöldborsót és a klórózist, aminek eredményeként a nikkelborsó felszívódik. -alapú műtrágyák a nitrogén megkötésének optimalizálására2.A nikkel alapú műtrágyák folyamatos alkalmazása a talaj dúsítása és a hüvelyesek talaj nitrogénmegkötő képességének növelése érdekében folyamatosan növeli a talaj nikkelkoncentrációját. Bár a nikkel mikrotápanyag a növények számára, a túlzott pH-értéke több kárt okozhat a talajban, mint amennyi jót tesz a talajban. A vas, mint a növények növekedésének esszenciális tápanyaga1.A Liu3 szerint a nikkel a 17. fontos növényi fejlődéshez és növekedéshez szükséges elemnek bizonyult. A nikkelnek a növények fejlődésében és növekedésében betöltött szerepe mellett az embereknek sokféle alkalmazáshoz szüksége van rá. A galvanizálás, a nikkel alapú ötvözetek előállítása, valamint a különféle ipari alkalmazások gyártása, gyújtó- és gyújtószerkezetek gyártása minden autóiparban, elektromos gyújtó- és elektromos hálózatban. A nikkel alapú ötvözeteket és galvanizált cikkeket széles körben használták konyhai eszközökben, báltermi kellékekben, élelmiszeripari kellékekben, elektromos, vezetékekben és kábelekben, sugárturbinákban, sebészeti implantátumokban, textíliákban és hajógyártásban.5 A talajok (azaz a felszíni talajok) nikkel gazdag szintjét mind antropogén, mind természetes nikkelforrásnak tulajdonítják, de elsősorban az antropogén forrásoknak4, de inkább az antropogénnek4. canic kitörések, növényzet, erdőtüzek és geológiai folyamatok;azonban az antropogén források közé tartoznak az acélipari nikkel/kadmium akkumulátorok, galvanizálás, ívhegesztés, dízel és fűtőolajok, valamint a szénégetésből, valamint a hulladék- és iszapégetésből származó légköri kibocsátások Nikkel felhalmozódása7,8.Freedman és Hutchinson9 és Manyiwa et al.10, a közvetlen és a szomszédos környezetben a felső talajszennyezés fő forrásai elsősorban a nikkel-réz alapú olvasztók és bányák. A kanadai Sudbury nikkel-réz finomító körüli felső talajon volt a legmagasabb a nikkelszennyezettség szintje, 26 000 mg/kg11. Ezzel szemben az oroszországi norvégi termelés11 magasabb talajszennyezést eredményezett. Alms et al.12, a HNO3-mal kivonható nikkel mennyisége a régió legjelentősebb szántóföldjein (Oroszországban a nikkeltermelés) 6,25 és 136,88 mg/kg között mozgott, ami 30,43 mg/kg átlagnak és 25 mg/kg alapkoncentrációnak felel meg. A vetési időszakok beszivároghatják vagy szennyezhetik a talajt. A nikkel potenciális hatásai az emberben rákhoz vezethetnek mutagenezis, kromoszómakárosodás, Z-DNS-képződés, blokkolt DNS-kivágás javítása vagy epigenetikai folyamatok révén.13. Állatkísérletek során a nikkelről azt találták, hogy számos daganatot okozhat, és az ilyen komplex daganatok excisetikus hatásúak lehetnek.
A talajszennyezettség felmérése az utóbbi időben virágzott a talaj-növény kapcsolatokból, a talaj- és talajbiológiai kapcsolatokból, az ökológiai degradációból és a környezeti hatásvizsgálatból eredő számos egészségügyi probléma miatt. A talajban található potenciálisan toxikus elemek (PTE-k, például Ni) térbeli előrejelzése eddig munkaigényes és időigényes volt a hagyományos talajtérképezési módszerek segítségével. (PSM).Minasny és McBratney16 szerint a prediktív talajtérképezés (DSM) a talajtudomány kiemelkedő részterületének bizonyult.Lagacherie és McBratney, 2006 a DSM-et a következőképpen definiálja: „a térbeli talajinformációs rendszerek létrehozása és feltöltése in situ és laboratóriumi talajmegfigyelési és nem-spatitney-rendszerek etalon megfigyelési és térbeli megfigyelési módszerei révén”.17 felvázolják, hogy a kortárs DSM vagy PSM a leghatékonyabb technika a PTE-k, talajtípusok és talajtulajdonságok térbeli eloszlásának előrejelzésére vagy feltérképezésére. A geostatisztika és a gépi tanulási algoritmusok (MLA) olyan DSM modellezési technikák, amelyek jelentős és minimális adat felhasználásával számítógépek segítségével digitalizált térképeket készítenek.
Deutsch18 és Olea19 a geostatisztikát „a térbeli attribútumok reprezentálásával foglalkozó numerikus technikák gyűjteményeként határozza meg, főként sztochasztikus modelleket alkalmazva, például azt, hogy az idősorelemzés hogyan jellemzi az időbeli adatokat”.A geostatisztika elsősorban variogramok kiértékelését foglalja magában, amelyek lehetővé teszik az egyes adatkészletekből származó térbeli értékek számszerűsítését és függőségének meghatározását20.Gumiaux et al.20 szemlélteti továbbá, hogy a variogramok geostatisztikai kiértékelése három alapelven alapul, köztük (a) az adatkorrelációs skála kiszámításán, (b) az anizotrópia azonosításán és kiszámításán az adatkészlet-diszparitásban, valamint (c) amellett, hogy figyelembe veszik a mérési adatok eredendő hibáját, elválasztva a lokálistól, ezek a technikák a területre vonatkozó becsléseket is befolyásolják. isztika, beleértve az általános kriginget, a társkriginget, a közönséges kriginget, az empirikus Bayes-kriginget, az egyszerű kriging módszert és más jól ismert interpolációs technikákat a PTE, talajjellemzők és talajtípusok feltérképezésére vagy előrejelzésére.
A gépi tanulási algoritmusok (MLA) egy viszonylag új technika, amely nagyobb, nem lineáris adatosztályokat alkalmaz, elsősorban adatbányászathoz használt algoritmusok által táplálva, az adatok mintáinak azonosítására, és ismételten alkalmazzák osztályozásra olyan tudományos területeken, mint a talajtan és a visszaadási feladatok. Számos kutatási cikk támaszkodik MLA-modellekre a PTE előrejelzésében a talajban, mint például a Tan és munkatársai.22 (véletlenszerű erdők nehézfém-becsléshez mezőgazdasági talajokban), Sakizadeh et al.23 (modellezés támasztóvektor gépekkel és mesterséges neurális hálózatokkal) talajszennyezés ). Ezenkívül Vega et al.24 (CART nehézfém-visszatartás és talajban való adszorpció modellezésére) Sun et al.25 (a kubista alkalmazása a Cd talajbeli eloszlását jelenti) és más algoritmusok, mint például a k-legközelebbi szomszéd, az általánosított megnövelt regresszió és a megnövelt regresszió A fák MLA-t is alkalmaztak a PTE előrejelzésére a talajban.
A DSM-algoritmusok alkalmazása az előrejelzésben vagy feltérképezésben számos kihívással néz szembe.Sok szerző úgy véli, hogy az MLA jobb, mint a geostatisztika, és fordítva. Bár az egyik jobb, mint a másik, a kettő kombinációja javítja a leképezés vagy előrejelzés pontosságát a DSM15-ben.Woodcock és Gopal26 Finke27;Pontius és Cheuk28 és Grunwald29 az előre jelzett talajtérképezés hiányosságairól és néhány hibájáról nyilatkoznak. A talajkutatók különféle technikákat próbáltak ki a DSM-térképezés és előrejelzés hatékonyságának, pontosságának és kiszámíthatóságának optimalizálására. A bizonytalanság és a hitelesítés kombinációja a DSM-be integrált sok különböző szempont egyike a hatékonyság optimalizálása és a hibák csökkentése érdekében, AgyeHmanow.15 felvázolja, hogy a térképkészítés és előrejelzés által bevezetett érvényesítési viselkedést és bizonytalanságot függetlenül kell érvényesíteni a térkép minőségének javítása érdekében. A DSM korlátai a földrajzilag szétszórt talajminőségből adódnak, ami a bizonytalanság egy összetevőjével jár;azonban a DSM-ben a bizonyosság hiánya többféle hibaforrásból fakadhat, nevezetesen a kovariáns hibából, a modellhibából, a helymeghatározási hibából és az analitikai hibából 31. Az MLA-ban és a geostatisztikai folyamatokban előidézett modellezési pontatlanságok a megértés hiányával járnak, ami végső soron a valós folyamat túlzott leegyszerűsítéséhez vezet.32 ionok, vagy interpoláció33.A közelmúltban megjelent egy új DSM-irányzat, amely elősegíti a geostatisztika és az MLA integrálását a térképezésben és előrejelzésben.Számos talajkutató és szerző, például Szergejev et al.34;Subbotina et al.35;Tarasov et al.36 és Tarasov et al.37 a geostatisztika és a gépi tanulás pontos minőségét aknázták ki hibrid modellek létrehozására, amelyek javítják az előrejelzés és a térképezés hatékonyságát.minőség.E hibrid vagy kombinált algoritmus modellek némelyike ​​a következő: 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-Multlayer Perceptron (ANN-K-MLP)37 and Co-Regressions8.
Szergejev és munkatársai szerint a különféle modellezési technikák kombinálásával megvan a lehetőség a hibák kiküszöbölésére és az eredményül kapott hibrid modell hatékonyságának növelésére, nem pedig egyetlen modelljének fejlesztésére. Ebben az összefüggésben ez az új cikk azzal érvel, hogy szükség van a geostatisztika és az MLA kombinált algoritmusának alkalmazására, hogy optimális hibrid modelleket hozzunk létre a Ni-dúsulás előrejelzésére a városi és városkörnyéki területeken. Gépi (SVM) és többszörös lineáris regressziós (MLR) modellek. Az EBK hibridizálása bármely MLA-val nem ismert. A látott többszörös vegyes modellek a szokásos, reziduális, regressziós krigelés kombinációi, az MLA.EBK pedig egy geostatisztikai interpolációs módszer, amely egy térbeli sztochasztikus folyamatot használ, amely egy definiált, nem stacionárius paraméterező mezőként definiált, véletlenszerű, nem stacionárius mezőben9 található. Az .EBK-t számos tanulmányban használták, beleértve a szerves szén eloszlásának elemzését a mezőgazdasági talajokban40, a talajszennyezés felmérését41 és a talaj tulajdonságainak feltérképezését42.
Másrészt az Self-Organizing Graph (SeOM) egy tanulási algoritmus, amelyet különféle cikkekben alkalmaztak, például Li és munkatársai.43, Wang et al.44, Hossain Bhuiyan et al.45 és Kebonye et al.46 Határozza meg az elemek térbeli jellemzőit és csoportosítását.Wang et al.44 felvázolják, hogy a SeOM egy erőteljes tanulási technika, amely arról ismert, hogy képes csoportosítani és elképzelni a nemlineáris problémákat. Más mintafelismerő technikákkal, például a főkomponens-elemzéssel, a fuzzy klaszterezéssel, a hierarchikus klaszterezéssel és a többszempontú döntéshozatallal ellentétben a SeOM jobban képes a PTE-minták megszervezésére és azonosítására.Wang et al.44, a SeOM térben csoportosíthatja a kapcsolódó neuronok eloszlását, és nagy felbontású adatvizualizációt biztosít. A SeOM megjeleníti a Ni előrejelzési adatokat, hogy a legjobb modellt kapja az eredmények jellemzésére a közvetlen értelmezés érdekében.
Jelen cikk célja egy robusztus térképezési modell létrehozása optimális pontossággal a városi és városkörnyéki talajok nikkeltartalmának előrejelzésére. Feltételezzük, hogy a vegyes modell megbízhatósága főként az alapmodellhez csatolt egyéb modellek hatásától függ. Elismerjük a DSM előtt álló kihívásokat, és bár ezekkel a kihívásokkal több fronton is foglalkoznak, az MLA-modellezés és a geostabilitás terén elért előrelépések kombinációja látszólagos;ezért megkíséreljük megválaszolni azokat a kutatási kérdéseket, amelyek vegyes modelleket eredményezhetnek. Azonban mennyire pontos a modell a célelem előrejelzésében? Illetve milyen szintű a validáción és a pontosság értékelésén alapuló hatékonyságértékelés? Ezért a tanulmány konkrét célja az volt, hogy (a) kombinált keverék modellt hozzon létre SVMR vagy MLR számára az EBK-t alapmodellként használva az EBK-t alapmodellként, (b) összehasonlítsa az eredményt a legjobb talajkoncentráció modelljéhez. s , és (d) a SeOM alkalmazása a nikkel térbeli variációinak nagy felbontású térképének elkészítésére.
A vizsgálatot Csehországban, konkrétan a Morva-Sziléziai régióban található Frydek Mistek körzetben végzik (lásd 1. ábra). A vizsgált terület földrajzi elhelyezkedése nagyon zord, és nagyrészt a Morva-Sziléziai Beszkidek régió része, amely a Kárpátok külső peremének része. A vizsgált terület 41°201′41′081 ′ K, és a tengerszint feletti magasság 225 és 327 m között van;A térség éghajlati állapotára vonatkozó Koppen-besorolási rendszer szerint azonban Cfb = mérsékelt óceáni éghajlat, a száraz hónapokban is sok a csapadék. A hőmérséklet egész évben enyhén ingadozik –5 °C és 24 °C között, ritkán esik –14 °C alá vagy 30 °C fölé, míg a teljes éves csapadékmennyiség becslése 5625 és 7 mm között van. 1208 négyzetkilométer, a megművelt földterület 39,38%-ával és az erdőborítottság 49,36%-ával. Másrészt a tanulmányban felhasznált terület körülbelül 889,8 négyzetkilométer. Ostravában és környékén nagyon aktív az acélipar és a fémművek. Fémmalmok, az acélipar, ahol a nikkelt használják rozsdamentes acélok és rozsdamentes acélok ellenállásának növelésére. az ötvözet szilárdsága, miközben megőrzi jó képlékenységét és szívósságát), és az intenzív mezőgazdaság, mint például a foszfátműtrágya kijuttatása és az állattenyésztés a kutatás potenciális nikkelforrásai a régióban (pl. nikkel hozzáadása a bárányokhoz a bárányok és az alacsony takarmányozású szarvasmarhák növekedési ütemének növelése érdekében). A nikkel egyéb ipari felhasználásai közé tartozik a nikkel elektroplatnizálása a kutatásban. A talaj tulajdonságai könnyen megkülönböztethetők a talaj színétől, szerkezetétől és karbonáttartalmától. A talaj textúrája közepestől finomig terjed, az alapanyagból származik. Kolluviális, hordalékos vagy eolikus jellegűek. Egyes talajterületek foltosnak tűnnek a felszínen és az altalajban, gyakran betonnal és kifehéredéssel. A régióban azonban a cambiszolok és a stagnáló szolok a legelterjedtebb talajtípusok. 493,5 m, a cambiszolok uralják Csehországot49.
Vizsgálati terület térkép [A vizsgálati terület térképe az ArcGIS Desktop (ESRI, Inc., 10.7 verzió, URL: https://desktop.arcgis.com) segítségével készült.]
Összesen 115 termőtalajmintát vettek a Frydek Mistek körzet városi és városkörnyéki talajaiból. A mintaminta szabályos rács volt, egymástól 2 × 2 km távolságra elhelyezett talajmintákból, a termőtalajt pedig 0-20 cm mélységben mértük kézi GPS-eszközzel (Leica Zeno 5 mintacsomagolású GPS, megfelelően címkézett laboratórium és GPS-csomag).Samplesc. A porított mintákat levegőn szárítottuk, mechanikus rendszerrel porítottuk (Fritsch tárcsás malom), és szitáltuk (2 mm-es szitaméret). Tegyünk 1 gramm szárított, homogenizált és átszitált talajmintát jól láthatóan feliratozott teflonpalackokba. Minden teflonedénybe engedjen be 7 ml savat, és öntsön le automatikusan egy mintát a 35%-os HCl-hez és 3 ml NO3 adagolásához. s egy éjszakán át állni a reakcióhoz (aqua regia program) .Helyezze a felülúszót egy forró fémlemezre (hőmérséklet: 100 W és 160 °C) 2 órára, hogy megkönnyítse a minták emésztési folyamatát, majd hűtse le. A felülúszót 50 ml-es mérőlombikba öntse, és hígítsa fel 50 ml-es vízoldó csőben, majd 50 ml-re hígítsa fel víztelenítő csővel. ionizált víz.Ezenkívül a hígítóoldat 1 ml-ét 9 ml ionmentesített vízzel hígítottuk, és egy 12 ml-es, PTE pszeudokoncentrációra előkészített csőbe szűrtük. A PTE-k (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) koncentrációját EPS-Specifikációs-Oplektív-OES-val határoztuk meg. rmo Fisher Scientific, USA) szabványos módszerek és megállapodás szerint. Biztosítsa a minőségbiztosítási és ellenőrzési (QA/QC) eljárásokat (SRM NIST 2711a Montana II Soil).A fele alatti kimutatási határértékkel rendelkező PTE-ket kizártuk ebből a vizsgálatból. A vizsgálatban használt PTE kimutatási határa 0,0004 volt.(Ön).Ezen túlmenően a minőség-ellenőrzési és minőségbiztosítási eljárás is biztosítja a minőségbiztosítást. hogy a hibákat minimalizáljuk, kettős elemzést végeztünk.
Az empirikus Bayes-féle krigelés (EBK) egyike a sokféle geostatisztikai interpolációs technikának, amelyet különféle területeken, például talajtudományban alkalmaznak a modellezésben. Más kriging interpolációs technikákkal ellentétben az EBK abban különbözik a hagyományos krigelési módszerektől, hogy figyelembe veszi a szemivariogram modellel becsült hibát. Az EBK interpoláció során több félvariogrammodellt számolnak ki az univariációs technikák során, nem pedig egy interpoltálási technikát. és a félvariogram ilyen ábrázolásához kapcsolódó programozás, amely egy elégséges krigelési módszer rendkívül összetett részét képezi. Az EBK interpolációs folyamata a Krivoruchko által javasolt három kritériumot követi50, (a) a modell megbecsüli a félvariogramot a bemeneti adatkészletből (b) az új előre jelzett értéket minden bemeneti adatkészlet helyére a generált félvariációs diagram alapján, és (c) a végső Bay-szabványt a modellből állítják össze. utólag adott
Ahol a \(Prob\left(A\right)\) a prioritást jelöli, a \(Prob\left(B\right)\) határvalószínűséget a legtöbb esetben figyelmen kívül hagyjuk, a \(Prob (B,A)\ ) . A félvariogram számítása Bayes szabályán alapul, amely a megfigyelési adatkészletek hajlamát mutatja meg, amely a Bayi szabály alapján meghatározható. a szemivariogramból megfigyelések adathalmazának létrehozása.
A támogató vektorgép egy gépi tanulási algoritmus, amely optimális elválasztó hipersíkot generál az azonos, de nem lineárisan független osztályok megkülönböztetésére. A Vapnik51 létrehozta az intent osztályozási algoritmust, de a közelmúltban regresszióorientált problémák megoldására használták. Li et al.52 szerint az SVM az egyik legjobban használt osztályozó gépi komponens a regressziós port technikákban. ion – SVMR) használtuk ebben az elemzésben.Cherkassky és Mulier53 úttörő szerepet játszott az SVMR-ben, mint kernel-alapú regresszióban, amelynek kiszámítását több országra kiterjedő térbeli függvényekkel rendelkező lineáris regressziós modell segítségével végezték.John és munkatársai54 arról számolnak be, hogy az SVMR modellezés során a hipersíkú lineáris térbeli regressziót alkalmazzák, ami lehetővé teszi a Vocorcordia et al.55, Az epsilon (ε)-SVMR a betanított adatkészletet használja fel egy reprezentációs modell létrehozására epszilon-érzéketlen függvényként, amelyet az adatok független leképezésére alkalmaznak a legjobb epsilon torzítással a korrelált adatokon végzett betanításból. Az előre beállított távolsági hibát figyelmen kívül hagyja a tényleges értékből, és ha a hiba nagyobb, mint ε(ε), akkor a képzési modell összetettebb részhalmaza is kompenzálja a talaj tulajdonságait. tors.A Vapnik51 által javasolt egyenlet az alábbiakban látható.
ahol b a skaláris küszöböt jelöli, \(K\left({x}_{,}{ x}_{k}\right)\) a kernelfüggvényt, \(\alpha\) a Lagrange-szorzót, N egy numerikus adatkészletet, \({x}_{k}\) jelöli az adatbevitelt, a \({x}_{k}\) pedig az adatbeviteli kulcs, az SV pedig az adatbeviteli kulcsa, az MR pedig a \(y\O) művelet. a Gauss-féle radiális bázisfüggvény (RBF). Az RBF kernelt alkalmazzák az optimális SVMR-modell meghatározására, ami kritikus fontosságú a legfinomabb büntetőhalmaz C-tényezőjének és a kernelparaméter gamma-ának (γ) meghatározásához a PTE betanítási adatokhoz. Először is kiértékeltük a betanítási halmazt, majd teszteltük a modell teljesítményét az érvényesítő halmazon.
A többszörös lineáris regressziós modell (MLR) egy olyan regressziós modell, amely a válaszváltozó és számos előrejelző változó közötti kapcsolatot reprezentálja a legkisebb négyzetek módszerével számított lineáris összevont paraméterek használatával. Az MLR-ben a legkisebb négyzetek modellje a talaj tulajdonságainak prediktív függvénye a magyarázó változók kiválasztása után. A választ használni kell egy lineáris összefüggés megállapításához a változóval a változóval a magyarázó változókkal magyarázóként. változók.Az MLR egyenlet az
ahol y a válaszváltozó, \(a\) a metszéspont, n a prediktorok száma, \({b}_{1}\) az együtthatók részleges regressziója, \({x}_{ i}\) egy prediktor vagy magyarázó változó, és \({\varepszilon }_{i}\) a hiba is a modellben.
Vegyes modelleket kaptunk az EBK SVMR-rel és MLR-rel való szendvicsesítésével. Ez az EBK-interpolációból származó előrejelzett értékek kinyerésével történik. Az interpolált Ca, K és Mg becsült értékeit kombinatorikus eljárással kapjuk meg, hogy új változókat kapjunk, például CaK, CaMg és KMg. A negyedik változók összesíthetők Ca, K és CaM. a Ca, K, Mg, CaK, CaMg, KMg és CaKMg.Ezek a változók lettek a prediktoraink, segítve a városi és városkörnyéki talajok nikkelkoncentrációjának előrejelzését.Az SVMR algoritmust a prediktorokon végeztük, hogy vegyes modellt kapjunk Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). ian Kriging-Multiple Linear Regression (EBK_MLR).Általában a Ca, K, Mg, CaK, CaMg, KMg és CaKMg változókat használják kovariánsként a városi és városkörnyéki talajok Ni-tartalmának előrejelzőjeként. A kapott legelfogadhatóbb modell (EBK_SVM vagy EBK_MLR segítségével) a self-flow grafikon segítségével.
A SeOM használata az adatok szervezésének, értékelésének és előrejelzésének népszerű eszközévé vált a pénzügyi szektorban, az egészségügyben, az iparban, a statisztikákban, a talajtudományban és egyebekben. A SeOM mesterséges neurális hálózatok és felügyelt tanulási módszerek felhasználásával jött létre a szervezéshez, értékeléshez és előrejelzéshez. Ebben a tanulmányban a SeOM-t a Ni-koncentrációk megjelenítésére használták a legjobb modell alapján a Ni-koncentráció előrejelzésére a városokban és a környező területeken használt talajban. vektorváltozók43,56.Melssen et al.57 írják le egy bemeneti vektor összekapcsolását egy neurális hálózatba egyetlen bemeneti rétegen keresztül egy kimeneti vektorhoz egyetlen súlyvektorral. A SeOM által generált kimenet egy kétdimenziós térkép, amely különböző neuronokból vagy csomópontokból áll hatszögletű, kör- vagy négyzet alakú topológiai térképekké szőtt közelségük szerint. Összehasonlítása a közelségük szerint. 086, illetve 0,904 van kiválasztva, ami egy 55 térképes egység (5 × 11). A neuron szerkezetét az empirikus egyenletben szereplő csomópontok száma határozza meg.
A tanulmányban felhasznált adatok száma 115 minta. Véletlenszerű módszerrel osztották fel az adatokat tesztadatokra (25% a validáláshoz) és betanítási adatkészletekre (75% a kalibráláshoz). A betanítási adatkészletet a regressziós modell generálására (kalibrálás), a tesztadatkészletet pedig az általánosítási képesség ellenőrzésére használják. -érvényesítési folyamat, ötször megismétlve. Az EBK interpolációval előállított változókat prediktorként vagy magyarázó változóként használják a célváltozó (PTE) előrejelzésére. A modellezés az RStudio-ban a következő csomagok használatával történik: library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”Library),sr.,Metricraool”),sr.
Különféle validációs paraméterek segítségével határozták meg a legjobb modellt, amely alkalmas a talaj nikkelkoncentrációjának előrejelzésére, valamint a modell pontosságának és validálásának értékelésére. A hibridizációs modellek értékeléséhez az átlagos abszolút hiba (MAE), a négyzetes hiba (RMSE) és az R-négyzet vagy az együttható meghatározása (R2) szolgált. Az R2 meghatározza a független leíró modell arányainak varianciáját a regressziós mérőszámban és az SE varianciájában a válaszban. modell, míg a MAE határozza meg a tényleges mennyiségi értéket. Az R2 értéknek magasnak kell lennie ahhoz, hogy a validálási paraméterek segítségével a legjobb keverékmodell kiértékelhető legyen, minél közelebb van az érték 1-hez, annál nagyobb a pontosság. Li et al.Az 59. ábra szerint a 0,75-ös vagy nagyobb R2-kritérium jó előrejelzőnek tekinthető;0,5-től 0,75-ig az elfogadható modellteljesítmény, 0,5 alatti pedig elfogadhatatlan modellteljesítmény. Amikor az RMSE és MAE érvényesítési kritériumok értékelési módszereivel választottak ki egy modellt, a kapott alacsonyabb értékek elegendőek voltak, és a legjobb választásnak minősültek. A következő egyenlet az ellenőrzési módszert írja le.
ahol n a megfigyelt érték méretét jelöli\({Y}_{i}\) a mért választ, és \({\widehat{Y}}_{i}\) szintén a várható válaszértéket jelenti, ezért az első i megfigyeléseknél.
A prediktor- és válaszváltozók statisztikai leírását az 1. táblázat mutatja be, bemutatva az átlagot, a szórást (SD), a variációs együtthatót (CV), a minimumot, maximumot, a görbületet és a ferdeséget. Az elemek minimális és maximum értékei csökkenő sorrendben vannak: Mg < Ca < K < Ni és Ca < Mg < K < Ni. 2,39 mg/kg.A nikkel összehasonlítása a világátlaggal (29 mg/kg) és az európai átlaggal (37 mg/kg) azt mutatta, hogy a vizsgált terület teljes számított geometriai átlaga a tolerálható tartományon belül volt. Ennek ellenére, amint azt Kabata-Pendias11 kimutatta, az átlagos nikkel (Ni) koncentráció összehasonlítása a jelenlegi svédországi vizsgálatban azt mutatja, hogy a jelenlegi vizsgálatban a mezőgazdasági nikkel (Ni) koncentráció magasabb a mezőgazdasági átlagos talajkoncentrációval. A városi és városkörnyéki talajokon a jelenlegi vizsgálatban szereplő Mistek (Ni 16,15 mg/kg) magasabb volt, mint a Różański és munkatársai által közölt 60 (10,2 mg/kg) Ni megengedett határérték a lengyel városi talajokban. Továbbá Bretzel és Calderisi61 tanulmány nagyon alacsony átlagos Ni-koncentrációt (1,78 mg/kg) mért a jelenlegi városi talajban (1,78 mg/kg). nikkelkoncentráció (12,34 mg/kg) Hong Kong városi talajaiban, ami alacsonyabb, mint a jelenlegi nikkelkoncentráció ebben a tanulmányban.Birke és munkatársai63 17,6 mg/kg átlagos Ni-koncentrációról számoltak be egy régi bányászati ​​és városi ipari területen a németországi Szász-Anhaltban, ami 1,45 mg/kg-mal magasabb volt, mint a túlzott talaj nikkel koncentrációja a területen. A vizsgált terület burban területei főként a vas- és acéliparnak, valamint a fémiparnak tulajdoníthatók. Ez összhangban van Khodadoust és munkatársai tanulmányával.64, hogy az acélipar és a fémmegmunkálás a talajok nikkelszennyezésének fő forrása. A prediktorok azonban szintén 538,70 mg/kg és 69 161,80 mg/kg között mozogtak a kalcium esetében, 497,51 mg/kg és 3535,68 mg/kg között a K esetében, és 685,0 mg/kg és 685,5 mg/kg MJavic/68 mg/kg között. et al.65 Közép-Szerbia talajainak összes Mg- és K-tartalmát vizsgálták. Megállapították, hogy a teljes koncentrációk (410 mg/kg, illetve 400 mg/kg) alacsonyabbak voltak, mint a jelenlegi vizsgálat Mg- és K-koncentrációi. Megkülönböztethetetlen, Kelet-Lengyelországban Orzechowski és Smolczynski66 a teljes Ca-tartalmat (5 mg/kg mutatott átlagos Ca, Mg/0g és 0 kg) mérte. /kg) és K (810 mg/kg) A termőtalaj tartalom alacsonyabb, mint az egyetlen elem ebben a vizsgálatban. Pongrac et al.67 kimutatta, hogy a teljes Ca-tartalom 3 különböző talajban Skóciában (Egyesült Királyság) (Mylnefield talaj, Balruddery talaj és Hartwood talaj) magasabb Ca-tartalmat jelez ebben a vizsgálatban.
A mintavételezett elemek eltérő mért koncentrációi miatt az elemek adathalmaz-eloszlása ​​eltérő ferdeséget mutat. Az elemek ferdesége 1,53 és 7,24, illetve 2,49 és 54,16 között változott. Minden számított elemnek van ferdeségi és kanyarodási szintje, ami +1 feletti, az adatok jobb irányú eloszlása ​​és eloszlása ​​+1 felett van. .Az elemek becsült CV-jei is azt mutatják, hogy a K, Mg és Ni mérsékelt, míg a Ca rendkívül nagy variabilitást mutat. A K, Ni és Mg CV-jei magyarázzák egyenletes eloszlásukat. Ezenkívül a Ca eloszlása ​​nem egyenletes, és külső források befolyásolhatják a dúsulás mértékét.
A prediktorváltozók és a válaszelemek korrelációja kielégítő korrelációt mutatott az elemek között (lásd a 3. ábrát). A korreláció azt jelezte, hogy a CaK mérsékelt korrelációt mutatott r = 0,53 értékkel, csakúgy, mint a CaNi. Bár a Ca és a K szerény összefüggést mutatnak egymással, olyan kutatók, mint Kingston et al.68 és Santo69 azt sugallják, hogy szintjük a talajban fordítottan arányos.A Ca és a Mg azonban antagonista a K-val, de a CaK jól korrelál. Ennek oka lehet olyan műtrágyák kijuttatása, mint a kálium-karbonát, ami 56%-kal magasabb a káliumban. A kálium közepesen korrelált a magnéziummal (KM-ben a káliumipar szorosan összefügg). szulfátot, kálium-magnézium-nitrátot és hamuzsírt alkalmaznak a talajokra, hogy növeljék a hiányszintjüket. A nikkel mérsékelten korrelál a Ca-val, K-val és Mg-vel, r = 0,52, 0,63 és 0,55. A kalcium, magnézium és PTE-k, például a kalcium, magnézium és PTE-k közötti kapcsolatok gátolják a kalcium, a kalcium és a kalcium-felesleg hatását, de a kalcium és a kalcium hatását egyaránt csökkenti a nikkel. csökkenti a nikkel mérgező hatását a talajban.
A prediktorok és a válaszok közötti kapcsolatot mutató elemek korrelációs mátrixa (Megjegyzés: ez az ábra az elemek közötti szórást tartalmaz, a szignifikancia szintek p < 0,001-en alapulnak).
A 4. ábra az elemek térbeli eloszlását szemlélteti. Burgos és munkatársai70 szerint a térbeli eloszlás alkalmazása a szennyezett területek forró pontjainak számszerűsítésére és kiemelésére használt technika. A 4. ábrán szereplő Ca dúsítási szintjei a térbeli eloszlási térkép északnyugati részén láthatók. Az ábra a közepestől a magas Ca-dúsítástól a valószínű használathoz a melegpotenciál térképét mutatja égetett mész (kalcium-oxid) a talaj savasságának csökkentésére és az acélgyárakban történő lúgos oxigénként való felhasználása az acélgyártási folyamatban. Másrészt viszont más gazdálkodók inkább kalcium-hidroxidot használnak savas talajokban a pH semlegesítésére, ami szintén növeli a talaj kalciumtartalmát71. A kálium mérsékelt forró pontokat mutat a mezőgazdasági közösség északnyugati és keleti részén is. NPK és hamuzsír alkalmazások. Ez összhangban van más tanulmányokkal, mint például Madaras és Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, akik megfigyelték, hogy a talaj stabilizálása és KCl-val és NPK-val történő kezelése magas K-tartalmat eredményezett a talajban.Térbeli káliumdúsulás az elterjedési térkép északnyugati részén a kálium alapú műtrágyák, például kálium-klorid, kálium-szulfát, kálium-nitrát, hamuzsír és kálium-használatnak köszönhető a rossz talajok káliumtartalmának növelése érdekében.Zádorová et al.76 és Tlustoš et al.77 vázolta, hogy a K-alapú műtrágyák kijuttatása növeli a talaj K-tartalmát, és hosszú távon jelentősen megnöveli a talaj tápanyag-tartalmát, különösen a K és a Mg jelenléte a talajban. A térkép északnyugati részén és a térkép délkeleti részén viszonylag mérsékelt melegpontok. A nátrium-alapú műtrágyák, mint például a kálium-magnézium-szulfát, magnézium-szulfát és a kieserite, kezelik a hiányosságokat (a növények lilának, vörösnek vagy barnának tűnnek, ami magnéziumhiányt jelez) normál pH-tartományú talajokban6. A nikkel felhalmozódása a városi és a városkörnyéki talajfelületeken az antropogén agrogén-termelésnek, valamint az antropogén acéltermelésnek8 köszönhető.
Az elemek térbeli eloszlása ​​[a térbeli eloszlási térkép az ArcGIS Desktop (ESRI, Inc., 10.7-es verzió, URL: https://desktop.arcgis.com) segítségével készült.]
A tanulmányban használt elemek modell teljesítményindexének eredményeit a 2. táblázat mutatja. Másrészt a Ni RMSE és MAE értéke egyaránt közel van a nullához (0,86 RMSE, -0,08 MAE). Másrészt a K RMSE és MAE értéke egyaránt elfogadható. Az RMSE és a MAE eredmények nagyobbak voltak a kalcium és magnézium esetében. A MAE és a MAE különböző eredményei nagyobbak, és az RMSE és K MAE eredményei nagyobbak. Az EBK a Ni előrejelzésére jobbnak bizonyult, mint John és mtsai.54 szinergikus krigelés segítségével a talaj S-koncentrációinak előrejelzésére ugyanazon gyűjtött adatok felhasználásával. Az általunk vizsgált EBK-kimenetek korrelálnak Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 és John et al.82, különösen K és Ni.
A városi és városkörnyéki talajok nikkeltartalmának előrejelzésére szolgáló egyes módszerek teljesítményét a modellek teljesítményének felhasználásával értékeltük ki (3. táblázat). A modell validálása és a pontosság értékelése megerősítette, hogy a Ca_Mg_K prediktor az EBK SVMR modellel kombinálva adta a legjobb teljesítményt.Kalibrációs modell Ca_Mg_K-EBK_SVMR modell volt az abszolút hiba R2, gyökértéke 6) 7 volt az abszolút hiba R2, gyökértéke 6.3. 95,479 mg/kg (RMSE) és 77,368 mg/kg (MAE) Ca_Mg_K-SVMR 0,663 (R2), 235,974 mg/kg (RMSE) és 166,946 mg/kg (MAE). Mindazonáltal jó R2 értékeket kaptunk a Ca-6-3 mg/kg Ca_Mg_K-ra és Ca-6-3 Mg/kg-ra. SVMR (0,643 = R2);RMSE- és MAE-eredményeik magasabbak voltak, mint a Ca_Mg_K-EBK_SVMR-nél (R2 0,637) (lásd a 3. táblázatot). Ezenkívül a Ca_Mg-EBK_SVMR (RMSE = 1664,64 és MAE = 1031,49) modell RMSE és MAE értékei, amelyek Ca_Mg_K-17,4, illetve 13,4 M, illetve MAE = 1031,49 _SVMR. Hasonlóképpen, a Ca_Mg-K SVMR (RMSE = 235,974 és MAE = 166,946) modell RMSE és MAE értéke 2,5 és 2,2-szer nagyobb, mint a Ca_Mg_K-EBK_SVMR RMSE és MAE. Kebonye et al.46 és john et al.54, minél közelebb van az RMSE és a MAE nullához, annál jobbak az eredmények. Az SVMR és az EBK_SVMR kvantált RSME és MAE értékei magasabbak. Megfigyelték, hogy az RSME becslések következetesen magasabbak voltak, mint a MAE értékek, ami kiugró értékek jelenlétét jelzi. Legates és McCabe szerint83, a javasolt RM abszolút hiba mértéke meghaladja az ajánlott mutató átlagos értékét. ers.Ez azt jelenti, hogy minél heterogénebb az adathalmaz, annál magasabbak a MAE és RMSE értékek.A városi és külvárosi talajok Ni-tartalmának előrejelzésére szolgáló Ca_Mg_K-EBK_SVMR vegyes modell kereszt-validációs értékelésének pontossága 63,70% volt.Li et al.59, ez a pontossági szint elfogadható modellteljesítmény-arány. A jelen eredményeket Tarasov és munkatársai korábbi tanulmányával hasonlítják össze.36, amelynek hibrid modellje létrehozta az MLPRK-t (Multilayyer Perceptron Residual Kriging) a jelenlegi tanulmányban közölt EBK_SVMR pontossági értékelési indexhez kapcsolódóan, az RMSE (210) és a MAE (167,5) magasabb volt, mint a jelenlegi vizsgálatban elért eredményeink (RMSE 95.479, MAE 77.368). ov et al.36 (0,544), egyértelmű, hogy a determinációs együttható (R2) magasabb ebben a vegyes modellben. A hibahatár (RMSE és MAE) (EBK SVMR) a vegyes modell esetében kétszer alacsonyabb. Hasonlóképpen Sergeev és munkatársai34 0,28-at (R2) rögzítettek a kifejlesztett hibrid modellnél (Multilayer Perceptron), míg a R2-t (R0.0.The jelenlegi Kriging Perceptron tanulmányban). ennek a modellnek az uracy szintje (EBK SVMR) 63,7%, míg a Sergeev et al. által kapott előrejelzési pontosság.A 34 28%.Az EBK_SVMR modell és a Ca_Mg_K mint előrejelző felhasználásával készített végső térkép (5. ábra) a forró pontok és a mérsékelt-nikkel előrejelzését mutatja a teljes vizsgálati területen. Ez azt jelenti, hogy a nikkel koncentrációja a vizsgált területen főként mérsékelt, egyes területeken magasabb koncentrációval.
A végső előrejelzési térképet az EBK_SVMR hibrid modell és a Ca_Mg_K prediktor használatával ábrázoltuk.[A térbeli eloszlási térkép az RStudio segítségével készült (1.4.1717 verzió: https://www.rstudio.com/).]
A 6. ábrán a PTE koncentrációk láthatók, mint egyedi neuronokból álló kompozíciós sík. Egyik alkotósík sem mutatott ugyanolyan színmintát, mint az ábrán. A megfelelő neuronok száma rajzolt térképenként 55. A SeOM-t többféle szín felhasználásával állítják elő, és minél hasonlóbbak a színminták, annál összehasonlíthatóbbak a minták tulajdonságai, a minták pontos színezése, színskálája. mintázatok az egyes magas neuronokhoz és a legtöbb alacsony neuronhoz. Így a CaK és a CaMg némi hasonlóságot mutat a nagyon magas rendű neuronokkal és az alacsony-közepes színű mintázatokkal. Mindkét modell megjósolja a Ni koncentrációját a talajban azáltal, hogy közepes és magas színárnyalatokat jelenít meg, például vörös, narancs és sárga. A KMg modell sok nagy színarányú mintát és alacsony színeloszlású foltokat jelenít meg az alacsony és közepes pontosságú színek alapján. a modell komponenseinek mintázata magas színmintázatot mutatott, ami a nikkel potenciális koncentrációját jelzi a talajban (lásd a 4. ábrát). A CakMg modell komponenssíkja az alacsonytól a magasig változatos színmintát mutat egy pontos színskála szerint. Ezenkívül a modell nikkeltartalomra (CakMg) vonatkozó előrejelzése hasonló a nikkel városi koncentrációjának térbeli eloszlásához, amelyet a nikkelkörüli grafikonok mutatnak, alacsony és 5. ábra. -városi talajok.A 7. ábra a kontúrmódszert ábrázolja a térképen a k-közép csoportosításban, három klaszterre bontva az egyes modellekben előrejelzett érték alapján.A kontúrmódszer a klaszterek optimális számát reprezentálja.A 115 gyűjtött talajmintából az 1. kategória kapta a legtöbb talajmintát, 74. A klaszter 2. komponens mintát kapott, míg a cluster minta hét, míg a cluster minta hét, míg a cluster minta hét. A kombinációt leegyszerűsítettük, hogy lehetővé tegyük a klaszterek helyes értelmezését. A talajképződést befolyásoló számos antropogén és természeti folyamat miatt nehéz megfelelően differenciált klasztermintákat készíteni egy elosztott SeOM térképen78.
Az egyes Empirical Bayes Kriging Support Vector Machine (EBK_SVM_SeOM) változók komponenssík kimenete.[A SeOM-térképek az RStudio segítségével készültek (1.4.1717-es verzió: https://www.rstudio.com/).]
Különböző klaszterbesorolási összetevők [A SeOM-térképek az RStudio (1.4.1717-es verzió: https://www.rstudio.com/) segítségével készültek.]
A jelenlegi tanulmány egyértelműen szemlélteti a városi és városkörnyéki talajok nikkelkoncentrációjának modellezési technikáit. A tanulmány különböző modellezési technikákat tesztelt, elemeket modellezési technikákkal kombinálva, hogy a legjobb módszert kapják a talaj nikkelkoncentrációjának előrejelzésére. A modellezési technika SeOM kompozíciós síkbeli térbeli jellemzői magas színmintázatot mutattak az alacsonytól a magasig a pontos talajkoncentrációs skálán, a talajeloszlás pontos színskáláján. Az EBK_SVMR által kimutatott komponensek eloszlása ​​(lásd 5. ábra). Az eredmények azt mutatják, hogy a támasztóvektor gépi regressziós modell (Ca Mg K-SVMR) egyetlen modellként jósolja meg a Ni koncentrációját a talajban, de a validálási és pontossági kiértékelési paraméterek RMSE és MAE szempontjából nagyon nagy hibákat mutatnak. (R2).Jó eredményeket értek el az EBK SVMR és a kombinált elemek (CaKMg) alkalmazásával, alacsony RMSE és MAE hibával, 63,7%-os pontossággal. Kiderült, hogy az EBK algoritmus gépi tanulási algoritmussal való kombinálása egy hibrid algoritmust generálhat, amely képes megjósolni a PTE-k koncentrációját a vizsgálati területen. talajok. Ez azt jelenti, hogy a nikkel alapú műtrágyák folyamatos alkalmazása és az acélipar ipari talajszennyezése hajlamos a talaj nikkelkoncentrációjának növekedésére. Ez a tanulmány feltárta, hogy az EBK-modell csökkentheti a hibaszintet és javíthatja a talaj térbeli eloszlási modelljének pontosságát városi vagy városkörnyéki talajokban. Általánosságban elmondható, hogy a talaj előrejelzésére PTE-re vonatkozó modellt javasolunk EBK-SV;ezen kívül javasoljuk az EBK használatát különféle gépi tanulási algoritmusokkal való hibridizációhoz. A Ni-koncentrációkat kovariáns elemek felhasználásával jósoltuk meg;több kovariáns használata azonban nagyban javítaná a modell teljesítményét, ami a jelenlegi munka korlátjának tekinthető.A tanulmány másik korlátja, hogy az adathalmazok száma 115. Ezért, ha több adatot szolgáltatunk, a javasolt optimalizált hibridizációs módszer teljesítménye javítható.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Hozzáférés: 2021. április 28.).
Kasprzak, KS. A nikkel halad előre a modern környezeti toxikológiában.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: A források áttekintése és a környezeti toxikológia. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Szennyezőanyag-bevitel a légkörből és felhalmozódás a talajban és a növényzetben egy nikkel-réz kohó közelében Sudburyben, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Nehézfémek a talajban, a növények és a legelő kérődzőkkel kapcsolatos kockázatok a botswanai Selebi-Phikwe réz-nikkelbánya közelében.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-x (029128)
Cabata-Pendias.Kabata-Pendias A. 2011. Nyomelemek a talajban és… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+th+tNYs. 29%3A+CRC+Press&btnG= (Hozzáférés: 2020. november 24.).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian nikkel industry on heavy metal productions in agriculture soils and grass in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.A nikkel felszívódása és visszatartása az ivóvízben összefügg a táplálékfelvétellel és a nikkelérzékenységgel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nikkel karcinogenezis, mutáció, epigenetika vagy szelekció.környezet. Egészségügyi perspektíva.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Potenciálisan toxikus elemek trendelemzése: bibliometriai áttekintés.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. A digitális talajtérképezésről.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=hu&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +n=3+Press+b6%C+ Megjelent: 2021. április 28.).