Շնորհակալություն Nature.com այցելելու համար: Բրաուզերի տարբերակը, որը դուք օգտագործում եք, սահմանափակ աջակցություն ունի CSS-ին: Լավագույն փորձի համար խորհուրդ ենք տալիս օգտագործել թարմացված դիտարկիչ (կամ անջատել համատեղելիության ռեժիմը Internet Explorer-ում): Մինչդեռ շարունակական աջակցությունն ապահովելու համար մենք կայքը կցուցադրենք առանց ոճերի և JavaScript-ի:
Հողի աղտոտվածությունը մեծ խնդիր է մարդու գործունեության հետևանքով: Պոտենցիալ թունավոր տարրերի (PTEs) տարածական բաշխումը տարբեր է քաղաքային և մերձքաղաքային տարածքներում: Հետևաբար, դժվար է կանխատեսել PTE-ների պարունակությունը նման հողերում: Ընդհանուր առմամբ 115 նմուշ է ստացվել Frydek Mistek-ից Չեխիայում: կոնցենտրացիաները որոշվել են ինդուկտիվորեն զուգակցված պլազմայի արտանետումների սպեկտրոմետրիայի միջոցով: Արձագանքման փոփոխականը Ni-ն է, իսկ կանխագուշակողներն են՝ Ca, Mg և K: Արձագանքման փոփոխականի և կանխատեսող փոփոխականի միջև հարաբերակցության մատրիցը ցույց է տալիս տարրերի միջև բավարար հարաբերակցություն: Կանխատեսման արդյունքները ցույց են տվել, որ Support Vector Machine Regression (SVM4 իր քառակուսի ռեգրեսիան) կգ) և միջին բացարձակ սխալը (MAE) (166,946 մգ/կգ) ավելի բարձր էին, քան կիրառված մյուս մեթոդները: Էմպիրիկ Բայեսյան Կրիգինգ-Բազմակի գծային ռեգրեսիայի (EBK-MLR) խառը մոդելները վատ են գործում, ինչի մասին վկայում են 0,1-ից ցածր որոշման գործակիցները: լավագույն մոդելը՝ ցածր RMSE (95,479 մգ/կգ) և MAE (77,368 մգ/կգ) արժեքներով և որոշման բարձր գործակից (R2 = 0,637): EBK-SVMR մոդելավորման տեխնիկայի արդյունքը վիզուալիզացվում է ինքնակազմակերպվող քարտեզի միջոցով: Կլաստերային նեյրոնները ցույց են տալիս նեյրոնները, որոնք ցույց են տալիս բազմակի նեյրոններ, որոնք ցույց են տալիս նեյրոնները՝ բազմապատիկ նեյրոններ, որոնք ցույց են տալիս նեյրոններ՝ բազմակի գունային K-MgR օրինաչափություն: s քաղաքային և մերձքաղաքային հողերում: Արդյունքները ցույց են տալիս, որ EBK-ի և SVMR-ի համատեղումը արդյունավետ տեխնիկա է քաղաքային և մերձքաղաքային հողերում Ni-ի կոնցենտրացիաների կանխատեսման համար:
Նիկելը (Ni) համարվում է բույսերի միկրոէլեմենտ, քանի որ այն նպաստում է մթնոլորտային ազոտի ֆիքսմանը (N) և միզանյութի նյութափոխանակությանը, որոնք երկուսն էլ անհրաժեշտ են սերմերի բողբոջման համար: Բացի սերմերի բողբոջմանը նպաստող, Ni-ը կարող է գործել որպես սնկային և բակտերիաների արգելակիչ և նպաստել բույսերի զարգացմանը: Նիկելի վրա հիմնված պարարտանյութերի կիրառումը ազոտի ֆիքսման օպտիմալացման համար2. Նիկելի վրա հիմնված պարարտանյութերի շարունակական կիրառումը հողը հարստացնելու և հատիկաընդեղենային բույսերի կարողությունը հողում ազոտը ամրացնելու համար շարունակաբար մեծացնում է նիկելի կոնցենտրացիան հողում: Չնայած նիկելը միկրոտարր է բույսերի համար ավելի վնասակար, քան հողի ավելցուկը վնասակար է: հողի pH-ը և խոչընդոտում է երկաթի կլանմանը որպես բույսերի աճի համար անհրաժեշտ սննդանյութ1: Ըստ Liu3-ի, Ni-ն 17-րդ կարևոր տարրն է բույսերի զարգացման և աճի համար: Բացի նիկելի դերից բույսերի զարգացման և աճի մեջ, մարդիկ դրա կարիքն ունեն մի շարք կիրառումների համար: նիկելի օգտագործումը տարբեր արդյունաբերական ոլորտներում: Բացի այդ, նիկելի վրա հիմնված համաձուլվածքները և էլեկտրապատված իրերը լայնորեն օգտագործվել են խոհանոցային պարագաների, պարահանդեսային պարագաների, սննդի արդյունաբերության պարագաների, էլեկտրականության, մետաղալարերի և մալուխների, ռեակտիվ տուրբինների, վիրաբուժական իմպլանտների, տեքստիլների և նավաշինության մեջ:5: բնական աղբյուրը, այլ ոչ թե մարդածին4,6. Նիկելի բնական աղբյուրները ներառում են հրաբխային ժայթքումները, բուսականությունը, անտառային հրդեհները և երկրաբանական գործընթացները.Այնուամենայնիվ, մարդածին աղբյուրները ներառում են նիկել/կադմիումային մարտկոցներ պողպատի արդյունաբերության մեջ, էլեկտրապատումը, աղեղային եռակցումը, դիզելային և մազութային յուղերը և մթնոլորտային արտանետումները ածխի այրումից և թափոնների և տիղմի այրումից Նիկելի կուտակումը7,8:10, անմիջական և հարակից շրջակա միջավայրի հողի վերին շերտի աղտոտման հիմնական աղբյուրները հիմնականում նիկելային պղնձի վրա հիմնված նորվեգական ձուլարաններն ու հանքերն են: Կանադայի Սադբերի նիկել-պղնձամշակման գործարանի վերին հողը նիկելով աղտոտվածության ամենաբարձր մակարդակն է ունեցել՝ 26,000 մգ/կգ, Ռուսաստանում11: Ըստ Alms et al.12, HNO3 արդյունահանվող նիկելի քանակը տարածաշրջանի լավագույն վարելահողերում (նիկելի արտադրությունը Ռուսաստանում) տատանվել է 6,25-ից մինչև 136,88 մգ/կգ, որը համապատասխանում է միջինը 30,43 մգ/կգ և 25 մգ/կգ ելակետային կոնցենտրացիան: Բուսաբուծության հաջորդական սեզոնների ընթացքում հողերը կարող են ներթափանցել կամ աղտոտել հողը: Նիկելի պոտենցիալ ազդեցությունը մարդկանց վրա կարող է հանգեցնել քաղցկեղի մուտագենեզի, քրոմոսոմային վնասի, Z-DNA-ի առաջացման, ԴՆԹ-ի արգելափակված հեռացման վերականգնման կամ էպիգենետիկ պրոցեսների միջոցով13: Կենդանիների վրա կատարված փորձերում պարզվել է, որ նիկելը կարող է առաջացնել մի շարք ուռուցքային բարդ ուռուցքներ,
Soil contamination assessments have flourished in recent times due to a wide range of health-related issues arising from soil-plant relationships, soil and soil biological relationships, ecological degradation, and environmental impact assessment.To date, spatial prediction of potentially toxic elements (PTEs) such as Ni in soil has been laborious and time-consuming using traditional methods.The advent of digital soil mapping (DSM) and its current success15 have greatly improved predictive soil mapping (PSM).According to Minasny and McBratney16, predictive soil mapping (DSM) has proven to be a prominent subdiscipline of soil science.Lagacherie and McBratney, 2006 define DSM as “the creation and filling of spatial soil information systems through the use of in situ and laboratory observational methods and spatial and non-spatial soil inference systems”.McBratney et al.17 ուրվագծում է, որ ժամանակակից DSM կամ PSM-ը PTE-ների տարածական բաշխումը կանխատեսելու կամ քարտեզագրելու ամենաարդյունավետ մեթոդն է: Երկրավիճակագրությունը և մեքենայական ուսուցման ալգորիթմները (MLA) DSM մոդելավորման տեխնիկա են, որոնք թվայնացված քարտեզներ են ստեղծում համակարգիչների օգնությամբ՝ օգտագործելով նշանակալի և նվազագույն տվյալներ:
Deutsch18-ը և Olea19-ը սահմանում են երկրավիճակագրությունը որպես «թվային տեխնիկայի հավաքածու, որը վերաբերում է տարածական ատրիբուտների ներկայացմանը, հիմնականում օգտագործելով ստոխաստիկ մոդելներ, օրինակ, թե ինչպես է ժամանակային շարքերի վերլուծությունը բնութագրում ժամանակային տվյալները»:Հիմնականում աշխարհագրական վիճակագրությունը ներառում է վարիոգրամների գնահատում, որոնք թույլ են տալիս քանակականացնել և սահմանել տարածական արժեքների կախվածությունը յուրաքանչյուր տվյալների բազայից20:Gumiaux et al.20-ը նաև ցույց է տալիս, որ երկրավիճակագրության մեջ վարիոգրամների գնահատումը հիմնված է երեք սկզբունքների վրա, ներառյալ (ա) տվյալների փոխկապակցման սանդղակի հաշվարկը, (բ) տվյալների անհամապատասխանության մեջ անիզոտրոպության բացահայտումը և հաշվարկումը և (գ) ի լրումն չափումների ներհատուկ սխալը հաշվի առնելու, օգտագործվում են բազմաթիվ գնահատականներ: գեոստատիստիկա, ներառյալ ընդհանուր կրիգինգը, համակրիգինգը, սովորական կրիգինգը, էմպիրիկ բայեսյան կրիգինգը, պարզ կրիգինգի մեթոդը և այլ հայտնի ինտերպոլացիոն տեխնիկա՝ PTE-ի, հողի բնութագրերի և հողի տեսակների քարտեզագրման կամ կանխատեսման համար:
Մեքենայական ուսուցման ալգորիթմները (MLA) համեմատաբար նոր տեխնիկա են, որոնք օգտագործում են տվյալների ոչ գծային ավելի մեծ դասեր, որոնք հիմնված են ալգորիթմների վրա, որոնք հիմնականում օգտագործվում են տվյալների արդյունահանման, տվյալների օրինաչափությունների նույնականացման համար և բազմիցս կիրառվում են դասակարգման համար գիտական ​​ոլորտներում, ինչպիսիք են հողագիտությունը և վերադարձի առաջադրանքները: Բազմաթիվ հետազոտական ​​փաստաթղթեր հիմնված են MLA մոդելների վրա, ինչպիսիք են PTE-ը կանխատեսելու համար:22 (պատահական անտառներ ծանր մետաղների գնահատման համար գյուղատնտեսական հողերում), Սակիզադեն և այլք.23 (մոդելավորում՝ օգտագործելով օժանդակ վեկտորային մեքենաներ և արհեստական ​​նեյրոնային ցանցեր) հողի աղտոտում ։ Բացի այդ, Vega et al.24 (ՍԱՌԹ՝ հողում ծանր մետաղների պահպանման և կլանման մոդելավորման համար) Sun et al.25 (կուբիստի կիրառումը Cd-ի բաշխումն է հողում) և այլ ալգորիթմներ, ինչպիսիք են k-մոտակա հարևանը, ընդհանրացված ուժեղացված ռեգրեսիան և ուժեղացված ռեգրեսիան Ծառերը նույնպես կիրառել են MLA հողում PTE կանխատեսելու համար:
DSM ալգորիթմների կիրառումը կանխատեսման կամ քարտեզագրման մեջ բախվում է մի քանի մարտահրավերների: Շատ հեղինակներ կարծում են, որ MLA-ն գերադասում է գեոստատիստիկայից և հակառակը: Թեև մեկը մյուսից լավն է, երկուսի համադրությունը բարելավում է քարտեզագրման կամ կանխատեսման ճշգրտության մակարդակը DSM15.Woodcock-ում և Gopal26 Finke27-ում:Pontius-ը և Cheuk28-ը և Grunwald-ը29 մեկնաբանում են հողի կանխատեսված քարտեզագրման թերությունները և որոշ սխալները: Հողի գիտնականները փորձել են մի շարք մեթոդներ՝ օպտիմալացնելու DSM քարտեզագրման և կանխատեսման արդյունավետությունը, ճշգրտությունը և կանխատեսելիությունը:15-ը ուրվագծում է, որ քարտեզի ստեղծման և կանխատեսման արդյունքում ներդրված վավերացման վարքագիծը և անորոշությունը պետք է ինքնուրույն վավերացվեն քարտեզի որակը բարելավելու համար: DSM-ի սահմանափակումները պայմանավորված են աշխարհագրորեն ցրված հողի որակով, որը ներառում է անորոշության բաղադրիչ.Այնուամենայնիվ, DSM-ում որոշակիության բացակայությունը կարող է առաջանալ սխալի բազմաթիվ աղբյուրներից, մասնավորապես՝ կովարիատիվ սխալից, մոդելի սխալից, տեղակայման սխալից և վերլուծական սխալից: պարամետրեր, մաթեմատիկական մոդելների կանխատեսումներ կամ ինտերպոլացիա33:Վերջերս ի հայտ եկավ նոր DSM միտում, որը նպաստում է երկրաբանության և MLA-ի ինտեգրմանը քարտեզագրման և կանխատեսման մեջ: Մի քանի հողագետներ և հեղինակներ, ինչպիսիք են Սերգեևը և այլք:34;Subbotina et al.35;Տարասովը և այլն:36 and Tarasov et al.37-ն օգտագործել են գեոստատիստիկայի և մեքենայական ուսուցման ճշգրիտ որակը՝ ստեղծելու հիբրիդային մոդելներ, որոնք բարելավում են կանխատեսումների և քարտեզագրման արդյունավետությունը:որակ: Այս հիբրիդային կամ համակցված ալգորիթմի մոդելներից են Արհեստական ​​նեյրոնային ցանցի կրիգինգը (ANN-RK), բազմաշերտ պերցեպտրոնի մնացորդային կրիգինգը (MLP-RK), ընդհանրացված ռեգրեսիոն նեյրոնային ցանցի մնացորդային կրիգինգը (GR-NNRK)36, արհեստական ​​նեյրոնային ցանցի կրիգինգը-բազմաշերտ պերցեպտրոնը (ANN-Kriging) և MLP-կապրոցեսիոնը3-Կ-ն:
Ըստ Սերգեևի և այլոց, մոդելավորման տարբեր մեթոդների համադրումը հնարավորություն ունի վերացնելու թերությունները և բարձրացնելու արդյունքում ստացված հիբրիդային մոդելի արդյունավետությունը, այլ ոչ թե մշակելու իր մեկ մոդելը: (EBK) որպես հիմնական մոդել և խառնել այն Support Vector Machine (SVM) և Multiple Linear Regression (MLR) մոդելների հետ: EBK-ի հիբրիդացումը որևէ MLA-ի հետ հայտնի չէ: Դիտարկվող բազմաթիվ խառը մոդելները սովորական, մնացորդային, ռեգրեսիոն կրիգինգի և MLA-ի համակցություններ են: իացիոն/ստացիոնար պատահական դաշտ՝ դաշտի վրա սահմանված տեղայնացման պարամետրերով, որը թույլ է տալիս տարածական տատանումներ39: EBK-ն օգտագործվել է մի շարք ուսումնասիրություններում, ներառյալ՝ վերլուծելով օրգանական ածխածնի բաշխումը գյուղատնտեսական հողերում40, գնահատելով հողի աղտոտվածությունը41 և քարտեզագրելով հողի հատկությունները42:
Մյուս կողմից, Self-Organizing Graph (SeOM) ուսուցման ալգորիթմ է, որը կիրառվել է տարբեր հոդվածներում, ինչպիսիք են Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 and Kebonye et al.46 Որոշեք տարրերի տարածական հատկանիշները և խմբավորումը:Wang et al.44-ը ցույց է տալիս, որ SeOM-ը հզոր ուսուցման տեխնիկա է, որը հայտնի է ոչ գծային խնդիրներ խմբավորելու և պատկերացնելու ունակությամբ: Ի տարբերություն այլ օրինաչափությունների ճանաչման մեթոդների, ինչպիսիք են հիմնական բաղադրիչների վերլուծությունը, մշուշոտ կլաստերավորումը, հիերարխիկ կլաստերավորումը և բազմաչափ որոշումներ կայացնելը, SeOM-ն ավելի լավ է կազմակերպում և նույնականացնում PTE օրինաչափությունները: Ըստ Wang-ի:44, SeOM-ը կարող է տարածականորեն խմբավորել հարակից նեյրոնների բաշխումը և ապահովել բարձր լուծաչափով տվյալների վիզուալիզացիա:SeOM-ը կպատկերացնի Ni կանխատեսման տվյալները՝ ուղղակի մեկնաբանության արդյունքները բնութագրելու լավագույն մոդելը ստանալու համար:
Այս աշխատության նպատակն է ստեղծել կայուն քարտեզագրման մոդել՝ օպտիմալ ճշգրտությամբ՝ քաղաքային և մերձքաղաքային հողերում նիկելի պարունակությունը կանխատեսելու համար: Մենք ենթադրում ենք, որ խառը մոդելի հուսալիությունը հիմնականում կախված է բազային մոդելին կցված այլ մոդելների ազդեցությունից: ալ;Հետևաբար, մենք կփորձենք պատասխանել հետազոտական ​​հարցերին, որոնք կարող են բերել խառը մոդելներ: Այնուամենայնիվ, որքանո՞վ է ճշգրիտ մոդելը թիրախ տարրը կանխատեսելիս: Նաև, ո՞րն է արդյունավետության գնահատման մակարդակը՝ հիմնված վավերացման և ճշգրտության գնահատման վրա: Հետևաբար, այս հետազոտության հատուկ նպատակներն էին (ա) ստեղծել համակցված խառնուրդ մոդել SVMR-ի կամ MLR-ի համար՝ օգտագործելով EBK մոդելը: Ni-ի կոնցենտրացիաները քաղաքային կամ մերձքաղաքային հողերում և (դ) SeOM-ի կիրառումը նիկելի տարածական տատանումների բարձր լուծաչափով քարտեզ ստեղծելու համար:
Հետազոտությունն իրականացվում է Չեխիայում, մասնավորապես Մորավիա-Սիլեզյան տարածաշրջանի Ֆրիդեկ Միստեկ շրջանում (տես Նկար 1): Ուսումնասիրվող տարածքի աշխարհագրությունը շատ խորդուբորդ է և հիմնականում Մորավիա-Սիլեզիայի Բեսկիդի շրջանի մի մասն է, որը Կարպատյան լեռների արտաքին եզրի մի մասն է: , իսկ բարձրությունը 225-ից 327 մ է;Այնուամենայնիվ, Koppen-ի դասակարգման համակարգը տարածաշրջանի կլիմայական վիճակի համար գնահատվում է որպես Cfb = բարեխառն օվկիանոսային կլիմա: Շատ տեղումներ են նույնիսկ չոր ամիսներին: Ջերմաստիճանը փոքր-ինչ տատանվում է տարվա ընթացքում −5 °C-ից մինչև 24 °C, հազվադեպ է իջնում ​​−14 °C-ից ցածր կամ 30 °C-ից բարձր, մինչդեռ տարեկան միջին տեղումների քանակը 75 °C-ից բարձր է: ամբողջ տարածքը կազմում է 1208 քառ. Նիկելը մեծացնում է համաձուլվածքի ամրությունը՝ պահպանելով դրա լավ ճկունությունն ու ամրությունը), իսկ ինտենսիվ գյուղատնտեսությունը, ինչպիսիք են ֆոսֆատ պարարտանյութի կիրառումը և անասնաբուծությունը, տարածաշրջանում նիկելի պոտենցիալ աղբյուրներն են (օրինակ՝ գառների վրա նիկելի ավելացում՝ գառների և ցածր կերակուր անասունների աճի տեմպերը բարձրացնելու համար): Հողի հատկությունները հեշտությամբ տարբերվում են հողի գույնից, կառուցվածքից և կարբոնատային պարունակությունից: Հողի կառուցվածքը միջինից նուրբ է, ստացվում է հիմնական նյութից: Դրանք կոլյուվիալ, ալյուվիալ կամ էոլյան բնույթ ունեն: Որոշ հողատարածքներ մակերեսին և ենթահողում հայտնվում են խայտաբղետ, հաճախ բետոնով և սպիտակեցումով: 455,1-ից մինչև 493,5 մ, կամբիզոլները գերակշռում են Չեխիայում49:
Ուսումնասիրության տարածքի քարտեզ [Ուսումնական տարածքի քարտեզը ստեղծվել է ArcGIS Desktop-ի միջոցով (ESRI, Inc, տարբերակ 10.7, URL՝ https://desktop.arcgis.com):]
Ընդհանուր առմամբ 115 հողի վերին նմուշ է ստացվել Ֆրիդեկ Միսթեք թաղամասի քաղաքային և մերձքաղաքային հողերից: Օգտագործված նմուշը սովորական ցանց էր՝ 2 × 2 կմ հեռավորության վրա գտնվող հողի նմուշներով, իսկ հողի վերին շերտը չափվել է 0-ից 20 սմ խորության վրա՝ օգտագործելով ձեռքի GPS սարքը (Leica Zeno 5-ը լաբորատոր փաթեթով փաթեթավորված է GPSS-ում): y. Նմուշները չորացվեցին օդով, որպեսզի ստացվեն փոշիացված նմուշներ, փոշիացվեցին մեխանիկական համակարգով (Fritsch սկավառակի գործարան) և մաղվեցին (մաղի չափը 2 մմ): Տեղադրեք 1 գրամ չորացրած, համասեռացված և մաղված հողի նմուշները հստակ պիտակավորված տեֆլոնի շշերի մեջ: Յուրաքանչյուր տեֆլոնի տարայի մեջ 6% 3% NOl ինքնաշեն 35% մլ 35% NOl և 35% մլ NOl լցրեք: Դիսպենսեր – մեկը յուրաքանչյուր թթվի համար), թեթև ծածկեք և թողեք նմուշները գիշերը կանգնեն ռեակցիայի համար (aqua regia ծրագիր): Տեղադրեք վերին նյութը տաք մետաղական ափսեի վրա (ջերմաստիճանը՝ 100 Վտ և 160 °C) 2 ժամ՝ նմուշների մարսողության գործընթացը հեշտացնելու համար, այնուհետև սառչեք: Զտեք ֆիլտրը 0 ml ֆիլտրացված ջրի հետ՝ 50 մլ ծավալով: նոսրացված վերին նյութը 50 մլ PVC խողովակի մեջ դեիոնացված ջրով: Բացի այդ, նոսրացման 1 մլ լուծույթը նոսրացվել է 9 մլ դեիոնացված ջրով և զտվել 12 մլ խողովակի մեջ, որը պատրաստված է PTE կեղծ կոնցենտրացիայի համար: բարձրացված պլազմային օպտիկական արտանետումների սպեկտրոսկոպիա (Thermo Fisher Scientific, ԱՄՆ) ստանդարտ մեթոդների և համաձայնագրի համաձայն: Ապահովել որակի ապահովման և վերահսկման (QA/QC) ընթացակարգերը (SRM NIST 2711a Մոնտանա II հող): PTE-ները, որոնց հայտնաբերման սահմանաչափերը կիսով չափ ցածր են, բացառվել են այս ուսումնասիրությունից։ Յուրաքանչյուր վերլուծության համար որակի ապահովման գործընթացը ապահովվում է հղման ստանդարտների վերլուծությամբ: Սխալները նվազագույնի հասցնելու համար իրականացվել է կրկնակի վերլուծություն:
Էմպիրիկ Բայեսյան Կրիգինգը (EBK) գեոստատիկական ինտերպոլացիայի բազմաթիվ մեթոդներից մեկն է, որն օգտագործվում է տարբեր ոլորտներում մոդելավորման համար, ինչպիսին է հողագիտությունը: Կիսավարիոգրամի այս գծագրման հետ կապված անորոշությունը և ծրագրավորումը ճանապարհ են բացում, որը կազմում է բավարար կրիգինգի մեթոդի խիստ բարդ մաս: EBK-ի ինտերպոլացիայի գործընթացը հետևում է Krivoruchko50-ի առաջարկած երեք չափանիշներին. մոդելավորված տվյալների բազա: Բայեսյան հավասարման կանոնը տրված է որպես հետևի
Այնտեղ, որտեղ \(Prob\left(A\right)\) ներկայացնում է նախորդը, \(Prob\left(B\right)\) սահմանային հավանականությունը շատ դեպքերում անտեսվում է, \(Prob (B,A)\ ): Կիսավարիոգրամի հաշվարկը հիմնված է Բայեսի կանոնի վրա, որը ցույց է տալիս, որ հակվածությունը ստեղծվում է դիտարկման տիրույթների քանակից: , որը նշում է, թե որքան հավանական է կիսավարիոգրամից դիտումների հավաքածու ստեղծելը:
Աջակցող վեկտորային մեքենան մեքենայական ուսուցման ալգորիթմ է, որը ստեղծում է օպտիմալ տարանջատող հիպերպլան՝ նույնական, բայց ոչ գծային անկախ դասերը տարբերելու համար: Vapnik51-ը ստեղծեց մտադրության դասակարգման ալգորիթմը, սակայն վերջերս այն օգտագործվել է ռեգրեսիոն ուղղված խնդիրներ լուծելու համար: Ըստ Li et al.52-ի, SVM-ը SVM-ը լավագույն դասակարգման տեխնիկաներից մեկն է: Ռեգրեսիա – SVMR) օգտագործվել է այս վերլուծության մեջ: Չերկասսկին և Mulier53-ը ստեղծեցին SVMR-ն որպես միջուկի վրա հիմնված ռեգրեսիա, որի հաշվարկն իրականացվել է գծային ռեգրեսիոն մոդելի միջոցով՝ բազմակողմ տարածական ֆունկցիաներով: John et al54-ը հայտնում է, որ SVMR մոդելավորումը թույլ է տալիս ստեղծել ոչ ռեգրեսիոնային և գծային հարաբերություններ, որոնք օգտագործում են ոչ ռեգրեսիոնային և գծային հարաբերություններ: Vohland et al.55, epsilon (ε)-SVMR-ն օգտագործում է վարժեցված տվյալների բազան՝ որպես էպսիլոնային անզգայուն գործառույթ ստանալու համար ներկայացման մոդել, որը կիրառվում է տվյալների քարտեզագրման համար անկախ էպսիլոնի ենթակողմից՝ կապված փոխկապակցված տվյալների վրա վարժանքից: Նախադրված հեռավորության սխալը անտեսվում է իրական արժեքից, և եթե սխալը ավելի մեծ է, քան ε(ε), նվազեցնում է դրա բարդության մոդելը: աջակցության վեկտորներ: Vapnik51-ի առաջարկած հավասարումը ներկայացված է ստորև:
որտեղ b-ն ներկայացնում է սկալյար շեմը, \(K\left({x}_{,}{ x}_{k}\right)\) ներկայացնում է միջուկի ֆունկցիան, \(\alpha\) ներկայացնում է Lagrange-ի բազմապատկիչ, N-ը ներկայացնում է թվային տվյալների բազա, \({x}_{k}\) ներկայացնում է տվյալների հավաքածուն, իսկ M-ն օգտագործվող տվյալների մուտքագրումն է, և \(y\ne-ի մուտքագրումն է): Գաուսյան ճառագայթային հիմքի ֆունկցիա (RBF): RBF միջուկը կիրառվում է օպտիմալ SVMR մոդելը որոշելու համար, որը կարևոր է PTE-ի ուսուցման տվյալների համար առավել նուրբ տույժերի հավաքածուի գործակից C և միջուկի պարամետրի գամմա (γ) ստանալու համար: Սկզբում մենք գնահատեցինք ուսուցման հավաքածուն և այնուհետև փորձարկեցինք մոդելի կատարումը վավերացման հավաքածուի վրա:
Բազմակի գծային ռեգրեսիոն մոդելը (MLR) ռեգրեսիոն մոդել է, որը ներկայացնում է արձագանքման փոփոխականի և մի շարք կանխագուշակող փոփոխականների միջև կապը՝ օգտագործելով գծային միավորված պարամետրերը, որոնք հաշվարկված են նվազագույն քառակուսիների մեթոդով: MLR-ում նվազագույն քառակուսիների մոդելը հողի հատկությունների կանխատեսող ֆունկցիա է բացատրական փոփոխականների ընտրությունից հետո: կապը բացատրական փոփոխականների հետ: MLR հավասարումն է
որտեղ y-ն պատասխանի փոփոխականն է, \(a\)-ը ընդհատումը, n-ը կանխատեսողների թիվը, \({b}_{1}\)-ը գործակիցների մասնակի ռեգրեսիան է, \({x}_{ i}\)-ը ներկայացնում է կանխատեսող կամ բացատրական փոփոխական, իսկ \({\varepsilon }_{i}\)-ը ներկայացնում է նաև որպես մոդել, որը հայտնի է որպես մոդել:
Խառը մոդելները ստացվել են EBK-ի SVMR-ի և MLR-ի հետ սենդվիչով: Սա արվում է կանխատեսված արժեքները հանելով EBK ինտերպոլացիայից: Կախված K-ից և Mg-ից ստացված կանխատեսված արժեքները ստացվում են համակցված գործընթացի միջոցով՝ նոր փոփոխականներ ստանալու համար, ինչպիսիք են CaK, CaMg և չորս տարրեր, որոնք միավորվում են K, Ca. KMg: Ընդհանուր առմամբ, ստացված փոփոխականներն են՝ Ca, K, Mg, CaK, CaMg, KMg և CaKMg: Այս փոփոխականները դարձան մեր կանխատեսումները՝ օգնելով կանխատեսել նիկելի կոնցենտրացիաները քաղաքային և մերձքաղաքային հողերում: s-ը նաև խողովակաշարով անցնում է MLR ալգորիթմի միջոցով՝ ձեռք բերելու էմպիրիկ բայեսյան կրիգինգ-Բազմաթիվ գծային ռեգրեսիա (EBK_MLR): Սովորաբար, Ca, K, Mg, CaK, CaMg, KMg և CaKMg փոփոխականները օգտագործվում են որպես կովարիատներ: _MLR) այնուհետև կարտացոլվի ինքնակազմակերպվող գրաֆիկի միջոցով: Այս ուսումնասիրության աշխատանքային ընթացքը ներկայացված է Նկար 2-ում:
SeOM-ի օգտագործումը դարձել է ֆինանսական հատվածի, առողջապահության, արդյունաբերության, վիճակագրության, հողագիտության և այլնի տվյալների կազմակերպման, գնահատման և կանխատեսման հանրաճանաչ գործիք: SeOM-ը ստեղծվել է արհեստական ​​նեյրոնային ցանցերի և չվերահսկվող ուսուցման մեթոդների միջոցով կազմակերպման, գնահատման և կանխատեսման համար: put-dimensional vector variables43,56.Melssen et al.57 նկարագրում է մուտքային վեկտորի միացումը նեյրոնային ցանցին մեկ մուտքային շերտի միջոցով ելքային վեկտորի հետ մեկ քաշի վեկտորով: SeOM-ի կողմից ստեղծվող ելքը երկչափ քարտեզ է, որը բաղկացած է տարբեր նեյրոններից կամ հանգույցներից, որոնք հյուսված են վեցանկյուն, շրջանաձև կամ քառակուսի տոպոլոգիական քարտեզներում՝ ըստ իրենց մոտիկության: Ընտրված է համապատասխանաբար 0,086 և 0,904, որը 55 քարտեզի միավոր է (5 × 11): Նեյրոնի կառուցվածքը որոշվում է ըստ էմպիրիկ հավասարման հանգույցների քանակի:
Այս ուսումնասիրության մեջ օգտագործված տվյալների թիվը 115 նմուշ է: Օգտագործվել է պատահական մոտեցում՝ տվյալները բաժանելու համար փորձարկման տվյալների (25% վավերացման համար) և ուսումնական տվյալների հավաքածուների (75% չափորոշման համար): Ուսուցման տվյալների հավաքածուն օգտագործվում է ռեգրեսիոն մոդելի ստեղծման համար, իսկ թեստային տվյալների բազան օգտագործվում է ընդհանրացման կարողությունը ստուգելու համար58: d խաչաձև վավերացման գործընթաց, որը կրկնվել է հինգ անգամ: EBK ինտերպոլացիայի արդյունքում արտադրված փոփոխականները օգտագործվում են որպես կանխատեսողներ կամ բացատրական փոփոխականներ՝ նպատակային փոփոխականը (PTE) կանխատեսելու համար: Մոդելավորումն իրականացվում է RStudio-ում՝ օգտագործելով փաթեթների գրադարանը (Kohonen), գրադարանը (caret), գրադարանը (modelr), library ("e1071"), "pl library"("e1071")," ») և գրադարաններ («Մետրիկա»):
Վավերացման տարբեր պարամետրեր են օգտագործվել հողում նիկելի կոնցենտրացիաների կանխատեսման համար հարմար լավագույն մոդելը որոշելու և մոդելի և դրա վավերացման մոդելի ճշգրտությունը գնահատելու համար: անկախ չափումներում նկարագրում են մոդելի կանխատեսող հզորությունը, մինչդեռ MAE-ն որոշում է իրական քանակական արժեքը: R2 արժեքը պետք է լինի բարձր՝ լավագույն խառնուրդի մոդելը գնահատելու համար՝ օգտագործելով վավերացման պարամետրերը, որքան արժեքը մոտ է 1-ին, այնքան բարձր է ճշգրտությունը: Ըստ Li et al.59, R2 չափանիշի արժեքը 0,75 կամ ավելի է համարվում լավ կանխատեսող;0,5-ից մինչև 0,75-ը ընդունելի մոդելի կատարումն է, իսկ 0,5-ից ցածրը՝ անընդունելի մոդելի կատարումը: RMSE և MAE վավերացման չափանիշների գնահատման մեթոդներով մոդել ընտրելիս ստացված ցածր արժեքները բավարար էին և համարվում էին լավագույն ընտրությունը: Հետևյալ հավասարումը նկարագրում է ստուգման մեթոդը:
որտեղ n-ը ներկայացնում է դիտարկված արժեքի չափը\({Y}_{i}\) ներկայացնում է չափված պատասխանը, և \({\widehat{Y}}_{i}\) նաև ներկայացնում է կանխատեսված պատասխանի արժեքը, հետևաբար, առաջին i դիտարկումների համար:
Կանխատեսող և արձագանքման փոփոխականների վիճակագրական նկարագրությունները ներկայացված են Աղյուսակ 1-ում՝ ցույց տալով միջինը, ստանդարտ շեղումը (SD), տատանումների գործակիցը (CV), նվազագույնը, առավելագույնը, կուրտոզը և թեքությունը: Տարրերի նվազագույն և առավելագույն արժեքները Mg < Ca < K < Ni և Ca < Mg < K < Ni-ի նվազման կարգով (համապատասխանաբար, ուսումնասիրության տիրույթից կախված N տիրույթից): 86-ից 42,39 մգ/կգ: Ni-ի համեմատությունը համաշխարհային միջինի (29 մգ/կգ) և եվրոպական միջինի (37 մգ/կգ) հետ ցույց է տվել, որ ընդհանուր հաշվարկված երկրաչափական միջին կոնցենտրացիան ուսումնասիրվող տարածքի համար եղել է հանդուրժելի միջակայքում: Նմանապես, Frydek Mistek-ի միջին կոնցենտրացիան քաղաքային և մերձքաղաքային հողերում ընթացիկ հետազոտության մեջ (Ni 16,15 մգ/կգ) ավելի բարձր է եղել, քան 60 (10,2 մգ/կգ) թույլատրելի կոնցենտրացիայի սահմանաչափը Ni-ի համար Լեհաստանի քաղաքային հողերում, հաղորդում է Różański et al.Furthermore, Bretzel low61mg/Calderi (Bretzel low61 և Calderi low61 մգ/կգ): Տոսկանայի հողերը՝ համեմատած ընթացիկ հետազոտության հետ: Ջիմ62-ը նաև հայտնաբերել է նիկելի ավելի ցածր կոնցենտրացիան (12,34 մգ/կգ) Հոնկոնգի քաղաքային հողերում, ինչը ցածր է այս հետազոտության մեջ նիկելի ներկայիս կոնցենտրացիայից: Birke et al63-ը հայտնել է, որ Ni-ի միջին կոնցենտրացիան 17,6 մգ/կգ է հին հանքարդյունաբերության և քաղաքային արդյունաբերական տարածքում (Գերմանիայում, 1 մգ/կգ ավելի բարձր, քան Սաքսոնիա-5-ի քաղաքային արդյունաբերական տարածքում: 16.15 մգ/կգ): Ընթացիկ հետազոտություն: Ուսումնասիրվող տարածքի որոշ քաղաքային և ծայրամասային տարածքներում հողերում նիկելի ավելցուկային պարունակությունը կարող է հիմնականում վերագրվել երկաթի և պողպատի արդյունաբերությանը և մետաղական արդյունաբերությանը: Սա համահունչ է Խոդադուստի և այլոց կատարած ուսումնասիրությանը:64, որ պողպատի արդյունաբերությունը և մետաղագործությունը հողերում նիկելի աղտոտման հիմնական աղբյուրներն են: Այնուամենայնիվ, կանխագուշակները տատանվում էին նաև 538,70 մգ/կգ-ից մինչև 69,161,80 մգ/կգ Ca-ի համար, 497,51 մգ/կգ-ից մինչև 3535,68 մգ/կգ մինչև 3535,68 մգ/կգ՝ 3535,68 մգ/կգ 70-ից մինչև 8 մգ/կգ K. Mg.Jakovljevic et al.65-ը հետազոտել է կենտրոնական Սերբիայի հողերի Mg-ի և K-ի ընդհանուր պարունակությունը: Նրանք պարզել են, որ ընդհանուր կոնցենտրացիաները (համապատասխանաբար 410 մգ/կգ և 400 մգ/կգ) ավելի ցածր են, քան ընթացիկ հետազոտության Mg և K կոնցենտրացիաները: Լեհաստանի արևելյան հատվածում Օրժեչովսկին և Սմոլչինսկին գնահատել են Mg1-ի և Mg1-ի միջին պարունակությունը: g), Mg (590 մգ/կգ) և K (810 մգ/կգ) Հողի վերին շերտում պարունակությունը ավելի ցածր է, քան այս հետազոտության մեկ տարրը: Pongrac et al.67-ը ցույց տվեց, որ 3 տարբեր հողերում վերլուծված Ca ընդհանուր պարունակությունը Շոտլանդիայում, Մեծ Բրիտանիայում (Mylnefield-ի հող, Balruddery-ի և Hartwood-ի հող) ցույց է տվել Ca-ի ավելի բարձր պարունակություն այս հետազոտության մեջ:
Նմուշառված տարրերի տարբեր չափված կոնցենտրացիաների պատճառով տարրերի տվյալների հավաքածուի բաշխումները ցուցաբերում են տարբեր թեքություն: Տարրերի թեքությունը և թեքությունը տատանվել են համապատասխանաբար 1,53-ից 7,24 և 2,49-ից 54,16-ի միջակայքում: Բոլոր հաշվարկված տարրերն ունեն թեքության և թեքության մակարդակներ, այդպիսով ցույց տալով, որ ճիշտ բաշխվածությունը C-ով և կարգավորված է: Տարրերի s-ը նաև ցույց է տալիս, որ K, Mg և Ni ցուցադրում են չափավոր փոփոխականություն, մինչդեռ Ca-ն ունի չափազանց բարձր փոփոխականություն: K, Ni և Mg-ի CV-ները բացատրում են դրանց միատեսակ բաշխումը: Ավելին, Ca բաշխումը ոչ միատեսակ է, և արտաքին աղբյուրները կարող են ազդել դրա հարստացման մակարդակի վրա:
Կանխատեսող փոփոխականների հարաբերակցությունը պատասխանի տարրերի հետ ցույց տվեց բավարար հարաբերակցություն տարրերի միջև (տես նկար 3): Հարաբերակցությունը ցույց տվեց, որ CaK-ն դրսևորեց չափավոր հարաբերակցություն r արժեքով = 0.53, ինչպես և CaNi: Չնայած Ca-ն և K-ն ցույց են տալիս համեստ կապեր միմյանց հետ, հետազոտողները, ինչպիսիք են Քինգսը:68-ը և Santo69-ը ենթադրում են, որ հողում դրանց մակարդակները հակադարձ համեմատական ​​են: Այնուամենայնիվ, Ca-ն և Mg-ն հակառակ են K-ին, բայց CaK-ը լավ փոխկապակցված է: Դա կարող է պայմանավորված լինել այնպիսի պարարտանյութերի կիրառմամբ, ինչպիսին է կալիումի կարբոնատը, որը 56%-ով ավելի բարձր է կալիումում: երկու տարրերը սերտորեն կապված են, քանի որ կալիումի մագնեզիումի սուլֆատը, կալիումի մագնեզիումի նիտրատը և կալիումի մագնեզիումի նիտրատը և կալիումի մագնեզիումի նիտրատը և պոտաշը կիրառվում են հողերի վրա՝ բարձրացնելու դրանց դեֆիցիտի մակարդակը: Նիկելը չափավոր փոխկապակցված է Ca, K և Mg-ի հետ՝ r արժեքներով = 0.52, 0.63 և 0.63 և 0.55, ինչպիսիք են կալցիումի բարդությունը, համապատասխանաբար, հարաբերակցությունը magnicum-ին: , բայց, այնուամենայնիվ, մագնեզիումը արգելակում է կալցիումի կլանումը, կալցիումը նվազեցնում է մագնեզիումի ավելցուկի ազդեցությունը, և մագնեզիումը և կալցիումը նվազեցնում են նիկելի թունավոր ազդեցությունը հողում:
Կոռելյացիոն մատրիցա տարրերի համար, որոնք ցույց են տալիս գուշակողների և պատասխանների միջև կապը (Նշում. այս ցուցանիշը ներառում է տարրերի միջև ցրված գծապատկեր, նշանակալիության մակարդակները հիմնված են p <0,001-ի վրա):
Գծապատկեր 4-ը ցույց է տալիս տարրերի տարածական բաշխումը: Ըստ Բուրգոսի և այլոց70, տարածական բաշխման կիրառումը տեխնիկա է, որն օգտագործվում է աղտոտված տարածքներում թեժ կետերը քանակականացնելու և ընդգծելու համար: Նկար 4-ում Ca-ի հարստացման մակարդակները կարելի է տեսնել տարածական բաշխման քարտեզի հյուսիս-արևմտյան մասում: Նկարը ցույց է տալիս հարստացված հյուսիս-արևմտյան հարստացված տաք կետերը: Հավանաբար, հողի թթվայնությունը նվազեցնելու համար կրաքարի (կալցիումի օքսիդ) օգտագործման և պողպատի գործարաններում որպես ալկալային թթվածին օգտագործելու պատճառով պողպատի արտադրության գործընթացում: Մյուս կողմից, այլ ֆերմերներ նախընտրում են օգտագործել կալցիումի հիդրօքսիդը թթվային հողերում՝ չեզոքացնելու համար pH-ը, ինչը նաև մեծացնում է հողի կալցիումի պարունակությունը71: Կալիումի բարձր մակարդակը կարող է պայմանավորված լինել NPK-ի և պոտաշի կիրառմամբ: Սա համահունչ է այլ հետազոտությունների, ինչպիսիք են Madaras and Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ովքեր նկատել են, որ հողի կայունացումը և KCl-ի և NPK-ի բարձր պարունակությամբ հողի մշակումը հանգեցրել է հողի բարձր պարունակության:Տարածական կալիումի հարստացումը բաշխման քարտեզի հյուսիս-արևմուտքում կարող է պայմանավորված լինել կալիումի վրա հիմնված պարարտանյութերի օգտագործմամբ, ինչպիսիք են կալիումի քլորիդը, կալիումի սուլֆատը, կալիումի նիտրատը, պոտաշը և պոտաշը՝ աղքատ հողերում կալիումի պարունակությունը բարձրացնելու համար:76 և Tlustoš et al.77-ը ընդգծեց, որ K-ի վրա հիմնված պարարտանյութերի կիրառումը մեծացնում է K-ի պարունակությունը հողում և զգալիորեն կբարձրացնի հողի սննդանյութերի պարունակությունը երկարաժամկետ հեռանկարում, հատկապես K-ն և Mg-ը, որոնք ցույց են տալիս հողում տաք կետ: Քարտեզի հյուսիս-արևմուտքում և քարտեզի հարավ-արևելքում համեմատաբար չափավոր թեժ կետերը: քլորոզում: Մագնեզիումի վրա հիմնված պարարտանյութերը, ինչպիսիք են կալիումի մագնեզիումի սուլֆատը, մագնեզիումի սուլֆատը և կիեզերիտը, բուժում են թերությունները (բույսերը հայտնվում են մանուշակագույն, կարմիր կամ շագանակագույն, ինչը ցույց է տալիս մագնեզիումի պակասը) նորմալ pH-ի տիրույթ ունեցող հողերում: ուր և նիկելի նշանակությունը չժանգոտվող պողպատի արտադրության մեջ78.
Տարրերի տարածական բաշխումը [տարածական բաշխման քարտեզը ստեղծվել է ArcGIS Desktop-ի միջոցով (ESRI, Inc, տարբերակ 10.7, URL՝ https://desktop.arcgis.com):]
Այս հետազոտության մեջ օգտագործված տարրերի մոդելի կատարողականի ինդեքսի արդյունքները ներկայացված են Աղյուսակ 2-ում: Մյուս կողմից, Ni-ի RMSE-ն և MAE-ը երկուսն էլ մոտ են զրոյին (0,86 RMSE, -0,08 MAE): Մյուս կողմից, K-ի և՛ RMSE, և՛ MAE արժեքները ընդունելի են: RMSE և MAE արդյունքներն ավելի մեծ էին կալցիումի և KK տվյալներից ավելի մեծ, և մագնիսական KK տվյալներից ավելի մեծ են: Այս հետազոտության RMSE-ն և MAE-ն, օգտագործելով EBK-ն Ni-ի կանխատեսման համար, ավելի լավ են գտնվել, քան John et al-ի արդյունքները:54 օգտագործելով սիներգիստական ​​կրիգինգ՝ հողում S-ի կոնցենտրացիաները կանխատեսելու համար՝ օգտագործելով նույն հավաքագրված տվյալները:41, Yan et al.79, Beguin et al.80, Adhikary et al.81 և John et al.82, հատկապես Կ և Նի.
Քաղաքային և մերձքաղաքային հողերում նիկելի պարունակության կանխատեսման առանձին մեթոդների կատարումը գնահատվել է մոդելների կատարողականության միջոցով (Աղյուսակ 3): Մոդելի վավերացումը և ճշգրտության գնահատումը հաստատեցին, որ Ca_Mg_K կանխատեսիչը համատեղված EBK SVMR մոդելի հետ տվել է լավագույն կատարումը: Calibration մոդելը Ca_Mg_K-EBK. MAE) եղել են 0,637 (R2), 95,479 մգ/կգ (RMSE) և 77,368 մգ/կգ (MAE): Ca_Mg_K-SVMR եղել է 0,663 (R2), 235,974 մգ/կգ (RMSE) և 166,946 մգ/կգ (RMSE) և 166,946 մգ/կգ (RMSE) ստացվել է ավելի լավ՝ R-2 Kg արժեքով: SVMR (0,663 մգ/կգ R2) և Ca_Mg-EBK_SVMR (0,643 = R2);նրանց RMSE և MAE արդյունքներն ավելի բարձր էին, քան Ca_Mg_K-EBK_SVMR-ի (R2 0.637) (տես Աղյուսակ 3): Բացի այդ, Ca_Mg-EBK_SVMR-ի RMSE և MAE (RMSE = 1664.64 և MAE = 1031.49, որոնք համապատասխանաբար ավելի մեծ են, քան 1031.49 մոդելը) Ca_Mg_K-EBK_SVMR: Նմանապես, Ca_Mg-K SVMR (RMSE = 235.974 և MAE = 166.946) մոդելի RMSE-ն և MAE-ը 2.5 և 2.2-ով ավելի մեծ են, քան Ca_Mg_K-EBK_SVM-ի տվյալները: Լավագույն համապատասխանության գծով է: Դիտարկվել են բարձրագույն RSME և MAE: Ըստ Kebonye et al.46 և John et al.54, որքան մոտ են RMSE-ն և MAE-ը զրոյին, այնքան ավելի լավ են արդյունքները: SVMR-ը և EBK_SVMR-ն ունեն ավելի բարձր քվանտացված RSME և MAE արժեքներ: Նկատվեց, որ RSME-ի գնահատականները հետևողականորեն ավելի բարձր էին, քան MAE արժեքները, ինչը ցույց է տալիս արտանետումների առկայությունը: առաջարկվում է որպես արտանետումների առկայության ցուցիչ: Սա նշանակում է, որ որքան ավելի տարասեռ է տվյալների բազան, այնքան բարձր են MAE և RMSE արժեքները: Քաղաքային և ծայրամասային հողերում Ni-ի պարունակությունը կանխատեսելու համար Ca_Mg_K-EBK_SVMR խառը մոդելի խաչաձև վավերացման գնահատման ճշգրտությունը կազմել է 63,70%:59, ճշտության այս մակարդակը մոդելի կատարողականի ընդունելի ցուցանիշ է: Ներկայիս արդյունքները համեմատվում են Տարասովի և այլոց նախորդ հետազոտության հետ:36, որի հիբրիդային մոդելը ստեղծեց MLPRK (Multilayer Perceptron Residual Kriging), կապված EBK_SVMR ճշգրտության գնահատման ինդեքսի հետ, որը ներկայացված է ընթացիկ ուսումնասիրության մեջ, RMSE (210) և The MAE (167.5) ավելի բարձր էին, քան ընթացիկ ուսումնասիրության մեր արդյունքները (RMSE 95.479, MAE 95.479, MAE 77. Տարասովի և այլոց հետ:36 (0,544), պարզ է, որ որոշման գործակիցը (R2) ավելի բարձր է այս խառը մոդելում: Սխալների սահմանը (RMSE և MAE) (EBK SVMR) խառը մոդելի համար երկու անգամ ավելի ցածր է: Նմանապես, Սերգեևը և ուրիշները 34-ը գրանցել են 0,28 (R2) (R2) (R2)՝ մշակված հիբրիդային մոդելի համար: 0.637 (R2): Այս մոդելի (EBK SVMR) կանխատեսման ճշգրտության մակարդակը 63.7% է, մինչդեռ կանխատեսման ճշգրտությունը ստացվել է Սերգեևի և այլոց կողմից:34-ը 28% է: Վերջնական քարտեզը (Նկար 5), որը ստեղծվել է EBK_SVMR մոդելի և Ca_Mg_K-ի միջոցով որպես կանխատեսիչ, ցույց է տալիս թեժ կետերի և միջինից մինչև նիկելի կանխատեսումները ամբողջ ուսումնասիրության տարածքում: Սա նշանակում է, որ նիկելի կոնցենտրացիան ուսումնասիրվող տարածքում հիմնականում չափավոր է, որոշ կոնկրետ տարածքներում ավելի բարձր կոնցենտրացիաներով:
Վերջնական կանխատեսման քարտեզը ներկայացված է EBK_SVMR հիբրիդային մոդելի միջոցով և որպես կանխատեսիչ՝ օգտագործելով Ca_Mg_K:[Տարածական բաշխման քարտեզը ստեղծվել է RStudio-ի միջոցով (տարբերակ 1.4.1717. https://www.rstudio.com/):]
Նկար 6-ում ներկայացված են PTE կոնցենտրացիաները՝ որպես առանձին նեյրոններից կազմված կոմպոզիցիայի հարթություն: Բաղադրիչ հարթություններից և ոչ մեկը ցույց չի տվել նույն գույնի նախշը, ինչպես ցույց է տրված: Այնուամենայնիվ, նեյրոնների համապատասխան թիվը յուրաքանչյուր գծված քարտեզի համար 55 է: նախշերը միայնակ բարձր նեյրոնների և շատ ցածր նեյրոնների հետ: Այսպիսով, CaK-ն և CaMg-ը որոշ նմանություններ ունեն շատ բարձր կարգի նեյրոնների և ցածրից մինչև միջին գույնի օրինաչափությունների հետ: Երկու մոդելներն էլ կանխատեսում են Ni-ի կոնցենտրացիան հողում` ցուցադրելով գույների միջինից բարձր երանգներ, ինչպիսիք են կարմիրը, նարնջագույնը և դեղինը: Մոդելի բաղադրիչների բաշխման նախշը ցույց է տվել բարձր գունային նախշ, որը ցույց է տալիս նիկելի պոտենցիալ կոնցենտրացիան հողում (տես Նկար 4): CakMg մոդելի բաղադրիչ հարթությունը ցույց է տալիս գունային բազմազան նախշը ցածրից բարձր՝ ըստ ճշգրիտ գունային սանդղակի: Ավելին, նիկելի պարունակության մոդելի կանխատեսումը (CakMg) նման է նիկելի պարունակության (CakMg) կանխատեսմանը: Նիկելի կոնցենտրացիաները քաղաքային և մերձքաղաքային հողերում: Նկար 7-ը պատկերում է ուրվագծային մեթոդը k-means խմբավորման քարտեզի վրա՝ բաժանված երեք կլաստերների՝ հիմնված յուրաքանչյուր մոդելի կանխատեսված արժեքի վրա: Եզրագծային մեթոդը ներկայացնում է կլաստերների օպտիմալ թիվը: Հավաքված 115 հողի նմուշներից, կատեգորիան 1 ստացել է ամենաշատ հողի 4 նմուշը, իսկ 1 կատեգորիան ստացել է ամենից շատ հողի 3 նմուշ: s. Յոթ բաղադրիչից բաղկացած հարթ կանխագուշակող համակցությունը պարզեցվել է կլաստերների ճիշտ մեկնաբանությունը թույլ տալու համար: Հողի ձևավորման վրա ազդող բազմաթիվ մարդածին և բնական գործընթացների պատճառով դժվար է բաշխված SeOM քարտեզում ճիշտ տարբերակված կլաստերային օրինաչափություններ ունենալ78:
Բաղադրիչի հարթության ելքը յուրաքանչյուր էմպիրիկ Բայեսյան Կրիգինգի աջակցման վեկտորային մեքենայի (EBK_SVM_SeOM) փոփոխականի կողմից:[SeOM քարտեզները ստեղծվել են RStudio-ի միջոցով (տարբերակ 1.4.1717. https://www.rstudio.com/):]
Կլաստերների դասակարգման տարբեր բաղադրիչներ [SeOM քարտեզները ստեղծվել են RStudio-ի միջոցով (տարբերակ 1.4.1717. https://www.rstudio.com/):]
Ընթացիկ ուսումնասիրությունը հստակ ցույց է տալիս քաղաքային և մերձքաղաքային հողերում նիկելի կոնցենտրացիաների մոդելավորման տեխնիկան: Ուսումնասիրությունը փորձարկեց տարբեր մոդելավորման տեխնիկա՝ միավորելով տարրերը մոդելավորման տեխնիկայի հետ՝ հողում նիկելի կոնցենտրացիաների կանխատեսման լավագույն միջոցը ստանալու համար: Քարտեզը հաստատում է EBK_SVMR-ի կողմից ցուցադրված բաղադրիչների հարթ տարածական բաշխումը (տես Նկար 5): Արդյունքները ցույց են տալիս, որ օժանդակ վեկտորի մեքենայի ռեգրեսիոն մոդելը (Ca Mg K-SVMR) կանխատեսում է Ni-ի կոնցենտրացիան հողում որպես մեկ մոդել, սակայն վավերացման և ճշտության գնահատման պարամետրերը ցույց են տալիս շատ բարձր սխալներ և MAKORM ձեռքով մոդելի գործածման մեթոդով: մոդելը նույնպես թերի է որոշման գործակցի (R2) ցածր արժեքի պատճառով։ Լավ արդյունքներ են ստացվել՝ օգտագործելով EBK SVMR և համակցված տարրերը (CaKMg) ցածր RMSE և MAE սխալներով՝ 63,7% ճշգրտությամբ։ արդյունքները ցույց են տալիս, որ Ca Mg K-ի օգտագործումը որպես կանխատեսող Ni-ի կոնցենտրացիաները հետազոտվող տարածքում կարող է բարելավել Ni-ի կանխատեսումը հողերում: Սա նշանակում է, որ պողպատի արդյունաբերության կողմից նիկելի վրա հիմնված պարարտանյութերի շարունակական կիրառումը և հողի արդյունաբերական աղտոտումը միտում ունի բարձրացնելու նիկելի կոնցենտրացիան հողում: Ընդհանուր առմամբ, մենք առաջարկում ենք կիրառել EBK-SVMR մոդելը հողում PTE-ը գնահատելու և կանխատեսելու համար.Բացի այդ, մենք առաջարկում ենք EBK-ն օգտագործել տարբեր մեքենայական ուսուցման ալգորիթմների հետ հիբրիդացնելու համար: Ni-ի կոնցենտրացիաները կանխատեսվել են՝ օգտագործելով տարրերը որպես կովարիատներ.Այնուամենայնիվ, ավելի շատ կովարիատների օգտագործումը զգալիորեն կբարելավի մոդելի արդյունավետությունը, ինչը կարելի է համարել ընթացիկ աշխատանքի սահմանափակում: Այս հետազոտության մեկ այլ սահմանափակում այն ​​է, որ տվյալների հավաքածուների թիվը 115 է: Հետևաբար, եթե տրամադրվեն ավելի շատ տվյալներ, առաջարկվող օպտիմալացված հիբրիդացման մեթոդի կատարումը կարող է բարելավվել:
PlantProbs.net.Նիկելը բույսերում և հողում https://plantprobs.net/plant/nutrientImbalances/sodium.html (Մուտք գործած է 2021 թվականի ապրիլի 28-ին):
Kasprzak, KS Nickel-ի առաջընթացը ժամանակակից բնապահպանական toxicology.surroundings.toxicology.11, 145–183 (1987):
Cempel, M. & Nikel, G. Nickel.
Freedman, B. & Hutchinson, TC Մթնոլորտից աղտոտող նյութերի մուտքագրում և հողի և բուսականության մեջ կուտակում նիկել-պղնձաձուլարանի մոտ Սադբերիում, Օնտարիո, Կանադա.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980):
Manyiwa, T. et al. Ծանր մետաղները հողում, բույսերում և վտանգները, որոնք կապված են Բոտսվանայի Սելեբի-Ֆիկվե պղնձ-նիկելի հանքի մոտ արածեցնող որոճողների հետ.շրջապատում. Geochemistry.Health
Cabata-Pendias.Kabata-Pendias A. 2011. Հետագծային տարրեր հողում և… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+andY+th+Sholar. NY%29%3A+CRC+Press&btnG= (Մուտք է գործել 2020թ. նոյեմբերի 24):
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined: Ռուսական նիկելի արդյունաբերության ազդեցությունները գյուղատնտեսական հողերում և խոտերի ծանր մետաղների կոնցենտրացիաների վրա Soer-Varanger, Norway.agris.fao.org-ում:
Nielsen, GD et al. Նիկելի կլանումը և խմելու ջրի մեջ պահպանումը կապված են սննդի ընդունման և նիկելի զգայունության հետ.toxicology.application.Pharmacodynamics.154, 67–75 (1999):
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999):
Աջման, PC;Աջադո, SK;Բորովկա, Լ.Բինի, JKM;Սարկոդի, VYO;Կոբոնյե, NM;Պոտենցիալ թունավոր տարրերի միտումների վերլուծություն. բիբլիոմետրիկ ակնարկ. Շրջակա միջավայրի երկրաքիմիա և առողջություն.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. Թվային հողի քարտեզագրման մասին:
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 դադարեցվել է 2021 թվականի ապրիլի 28-ին):