Terima kasih telah mengunjungi Nature.com.Versi browser yang Anda gunakan memiliki dukungan terbatas untuk CSS.Untuk pengalaman terbaik, kami sarankan Anda menggunakan browser yang diperbarui (atau matikan mode kompatibilitas di Internet Explorer). Sementara itu, untuk memastikan dukungan yang berkelanjutan, kami akan menampilkan situs tanpa gaya dan JavaScript.
Polusi tanah adalah masalah besar yang disebabkan oleh aktivitas manusia. Distribusi spasial dari unsur-unsur yang berpotensi beracun (PTE) bervariasi di sebagian besar daerah perkotaan dan pinggiran kota. Oleh karena itu, sulit untuk memprediksi secara spasial kandungan PTE di tanah tersebut. Sebanyak 115 sampel diperoleh dari Frydek Mistek di Republik Ceko. Konsentrasi kalsium (Ca), magnesium (Mg), kalium (K), dan nikel (Ni) ditentukan dengan menggunakan spektrometri emisi plasma yang digabungkan secara induktif. Variabel responsnya adalah Ni dan prediktornya adalah Ca , Mg, dan K. Matriks korelasi antara variabel respon dan variabel prediktor menunjukkan korelasi yang memuaskan antar elemen. Hasil prediksi menunjukkan bahwa Support Vector Machine Regression (SVMR) bekerja dengan baik, meskipun estimasi root mean square error (RMSE) (235,974 mg/kg) dan mean absolute error (MAE) (166,946 mg/kg) lebih tinggi daripada metode lain yang diterapkan. MLR) berkinerja buruk, dibuktikan dengan koefisien determinasi kurang dari 0,1. Model Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) adalah model terbaik, dengan nilai RMSE rendah (95,479 mg/kg) dan MAE (77,368 mg/kg) dan koefisien determinasi tinggi (R2 = 0,637). Output teknik pemodelan EBK-SVMR divisualisasikan menggunakan self-organizing map.C neuron berkilau pada bidang model hibrida komponen CakMg-EBK-SVMR menunjukkan beberapa pola warna yang memprediksi konsentrasi Ni di tanah perkotaan dan pinggiran kota. Hasilnya menunjukkan bahwa menggabungkan EBK dan SVMR adalah teknik yang efektif untuk memprediksi konsentrasi Ni di tanah perkotaan dan pinggiran kota.
Nikel (Ni) dianggap sebagai mikronutrien untuk tanaman karena berkontribusi terhadap fiksasi nitrogen atmosfer (N) dan metabolisme urea, yang keduanya diperlukan untuk perkecambahan biji. Selain kontribusinya terhadap perkecambahan biji, Ni dapat bertindak sebagai penghambat jamur dan bakteri dan mendorong perkembangan tanaman. Kurangnya nikel dalam tanah memungkinkan tanaman untuk menyerapnya, mengakibatkan klorosis daun. Misalnya, kacang tunggak dan kacang hijau memerlukan aplikasi pupuk berbasis nikel untuk mengoptimalkan fiksasi nitrogen2. Aplikasi pupuk berbasis nikel yang berkelanjutan untuk memperkaya tanah dan meningkatkan kemampuan legum untuk mengikat nitrogen di dalam tanah secara terus menerus meningkatkan konsentrasi nikel dalam tanah. Meskipun nikel adalah mikronutrien untuk tanaman, asupannya yang berlebihan di dalam tanah dapat lebih berbahaya daripada kebaikan. Toksisitas nikel dalam tanah meminimalkan pH tanah dan menghambat penyerapan besi sebagai nutrisi penting untuk pertumbuhan tanaman. Menurut Liu3, Ni telah ditemukan sebagai elemen penting ke-17 yang diperlukan untuk perkembangan dan pertumbuhan tanaman. Selain peran nikel dalam perkembangan dan pertumbuhan tanaman, manusia membutuhkannya untuk berbagai penerapannya. Elektroplating, produksi paduan berbasis nikel, dan pembuatan perangkat pengapian dan busi dalam industri otomotif semuanya memerlukan penggunaan nikel di berbagai sektor industri. Selain itu, paduan berbasis nikel dan barang-barang yang dilapisi listrik telah banyak digunakan dalam peralatan dapur, aksesoris ballroom, perlengkapan industri makanan, listrik, kabel dan kabel, turbin jet, implan bedah, tekstil, dan pembuatan kapal. merupakan sumber alami daripada antropogenik4,6. Sumber nikel alami meliputi letusan gunung berapi, vegetasi, kebakaran hutan, dan proses geologis;namun, sumber antropogenik termasuk baterai nikel/kadmium dalam industri baja, elektroplating, las busur, solar dan bahan bakar minyak, dan emisi atmosfir dari pembakaran batu bara dan pembakaran limbah dan lumpur Akumulasi nikel7,8.Menurut Freedman dan Hutchinson9 dan Manyiwa et al.10, sumber utama polusi tanah lapisan atas di lingkungan terdekat dan berdekatan terutama adalah peleburan dan tambang berbasis nikel-tembaga. Tanah bagian atas di sekitar kilang nikel-tembaga Sudbury di Kanada memiliki tingkat kontaminasi nikel tertinggi pada 26.000 mg/kg11. Sebaliknya, polusi dari produksi nikel di Rusia telah menghasilkan konsentrasi nikel yang lebih tinggi di tanah Norwegia11. Menurut Alms et al.12, jumlah nikel yang dapat diekstraksi dengan HNO3 di lahan paling subur di kawasan itu (produksi nikel di Rusia) berkisar antara 6,25 hingga 136,88 mg/kg, setara dengan rata-rata 30,43 mg/kg dan konsentrasi dasar 25 mg/kg. efek potensial nikel pada manusia dapat menyebabkan kanker melalui mutagenesis, kerusakan kromosom, pembentukan Z-DNA, perbaikan eksisi DNA yang terhambat, atau proses epigenetik13. Pada percobaan hewan, nikel telah ditemukan berpotensi menyebabkan berbagai tumor, dan kompleks karsinogenik nikel dapat memperburuk tumor tersebut.
Penilaian kontaminasi tanah telah berkembang belakangan ini karena berbagai masalah terkait kesehatan yang timbul dari hubungan tanah-tanaman, hubungan biologis tanah dan tanah, degradasi ekologis, dan penilaian dampak lingkungan. Sampai saat ini, prediksi spasial unsur-unsur yang berpotensi beracun (PTE) seperti Ni dalam tanah telah melelahkan dan memakan waktu menggunakan metode tradisional. Munculnya pemetaan tanah digital (DSM) dan keberhasilannya saat ini15 telah sangat meningkatkan pemetaan tanah prediktif (PSM). Menurut Minasny dan McBratney16, pemetaan tanah prediktif ( DSM) telah terbukti menjadi subdisiplin ilmu tanah yang terkemuka. Lagacherie dan McBratney, 2006 mendefinisikan DSM sebagai “penciptaan dan pengisian sistem informasi tanah spasial melalui penggunaan metode pengamatan in situ dan laboratorium serta sistem inferensi tanah spasial dan non-spasial”. McBratney et al.17 menguraikan bahwa DSM atau PSM kontemporer adalah teknik yang paling efektif untuk memprediksi atau memetakan distribusi spasial PTE, jenis tanah, dan sifat tanah. Geostatistik dan Algoritma Pembelajaran Mesin (MLA) adalah teknik pemodelan DSM yang membuat peta digital dengan bantuan komputer menggunakan data signifikan dan minimal.
Deutsch18 dan Olea19 mendefinisikan geostatistik sebagai “kumpulan teknik numerik yang berhubungan dengan representasi atribut spasial, terutama menggunakan model stokastik, seperti bagaimana analisis deret waktu mencirikan data temporal.”Terutama, geostatistik melibatkan evaluasi variogram, yang memungkinkan Kuantifikasi dan tentukan ketergantungan nilai spasial dari setiap kumpulan data20.Gumiaux et al.20 mengilustrasikan lebih lanjut bahwa evaluasi variogram dalam geostatistik didasarkan pada tiga prinsip, termasuk (a) menghitung skala korelasi data, (b) mengidentifikasi dan menghitung anisotropi dalam disparitas kumpulan data dan (c) selain memperhitungkan kesalahan inheren dari data pengukuran yang dipisahkan dari efek lokal, efek area juga diperkirakan. Berdasarkan konsep ini, banyak teknik interpolasi digunakan dalam geostatistik, termasuk kriging umum, co-kriging, kriging biasa, kriging empiris Bayesian kriging, metode kriging sederhana dan teknik interpolasi terkenal lainnya untuk memetakan atau memprediksi PTE, karakteristik tanah, dan jenis tanah.
Algoritma Pembelajaran Mesin (MLA) adalah teknik yang relatif baru yang menggunakan kelas data non-linier yang lebih besar, didorong oleh algoritme yang terutama digunakan untuk penambangan data, mengidentifikasi pola dalam data, dan berulang kali diterapkan pada klasifikasi dalam bidang ilmiah seperti ilmu tanah dan tugas pengembalian. Banyak makalah penelitian mengandalkan model MLA untuk memprediksi PTE di tanah, seperti Tan et al.22 (hutan acak untuk estimasi logam berat di tanah pertanian), Sakizadeh et al.23 (pemodelan menggunakan mesin vektor pendukung dan jaringan syaraf tiruan) polusi tanah). Selain itu, Vega et al.24 (CART untuk pemodelan retensi logam berat dan adsorpsi dalam tanah) Sun et al.25 (penerapan kubisme adalah distribusi Cd dalam tanah) dan algoritma lain seperti k-nearest neighbor, generalized boosted regression, dan boosted regression Trees juga menerapkan MLA untuk memprediksi PTE dalam tanah.
Penerapan algoritma DSM dalam prediksi atau pemetaan menghadapi beberapa tantangan. Banyak penulis percaya bahwa MLA lebih unggul dari geostatistik dan sebaliknya. Meskipun yang satu lebih baik dari yang lain, kombinasi keduanya meningkatkan tingkat akurasi pemetaan atau prediksi di DSM15.Woodcock dan Gopal26 Finke27;Pontius dan Cheuk28 dan Grunwald29 mengomentari kekurangan dan beberapa kesalahan dalam memprediksi pemetaan tanah. Ilmuwan tanah telah mencoba berbagai teknik untuk mengoptimalkan efektivitas, akurasi, dan prediktabilitas pemetaan dan peramalan DSM. Kombinasi ketidakpastian dan verifikasi adalah salah satu dari banyak aspek berbeda yang diintegrasikan ke dalam DSM untuk mengoptimalkan efektivitas dan mengurangi cacat. Namun, Agyeman et al.15 garis besar bahwa perilaku validasi dan ketidakpastian yang diperkenalkan oleh pembuatan peta dan prediksi harus divalidasi secara independen untuk meningkatkan kualitas peta. Keterbatasan DSM disebabkan oleh kualitas tanah yang tersebar secara geografis, yang melibatkan komponen ketidakpastian;namun, kurangnya kepastian dalam DSM dapat muncul dari berbagai sumber kesalahan, yaitu kesalahan kovariat, kesalahan model, kesalahan lokasi, dan kesalahan analitik 31. Ketidakakuratan pemodelan yang diinduksi dalam MLA dan proses geostatistik dikaitkan dengan kurangnya pemahaman, yang pada akhirnya menyebabkan penyederhanaan yang berlebihan dari proses nyata 32. Terlepas dari sifat pemodelan, ketidakakuratan dapat dikaitkan dengan parameter pemodelan, prediksi model matematika, atau interpolasi 33. Baru-baru ini, tren DSM baru telah muncul yang mempromosikan integrasi geostatistik dan MLA dalam pemetaan dan peramalan. Beberapa ilmuwan dan penulis tanah, seperti Sergeev et al.34;Subbotina et al.35;Tarasov dkk.36 dan Tarasov dkk.37 telah mengeksploitasi kualitas geostatistik dan pembelajaran mesin yang akurat untuk menghasilkan model hibrida yang meningkatkan efisiensi peramalan dan pemetaan.Beberapa model algoritma hybrid atau gabungan tersebut adalah 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 dan Co-Kriging and Gaussian Process Regression38.
Menurut Sergeev et al., menggabungkan berbagai teknik pemodelan memiliki potensi untuk menghilangkan cacat dan meningkatkan efisiensi model hibrida yang dihasilkan daripada mengembangkan model tunggalnya. Dalam konteks ini, makalah baru ini berpendapat bahwa perlu menerapkan algoritma gabungan dari geostatistik dan MLA untuk membuat model hibrida yang optimal untuk memprediksi pengayaan Ni di daerah perkotaan dan pinggiran kota. ) model Hibridisasi EBK dengan MLA apa pun tidak diketahui. Beberapa model campuran yang terlihat adalah kombinasi dari biasa, residual, regresi kriging, dan MLA. EBK adalah metode interpolasi geostatistik yang menggunakan proses stokastik spasial yang dilokalkan sebagai medan acak non-stasioner/stasioner dengan parameter lokalisasi yang ditentukan di atas lapangan, memungkinkan variasi spasial39. EBK telah digunakan dalam berbagai penelitian, termasuk menganalisis distribusi karbon organik di tanah pertanian40, menilai polusi tanah 41 dan pemetaan sifat-sifat tanah42.
Di sisi lain, Self-Organizing Graph (SEOM) merupakan algoritma pembelajaran yang telah diterapkan di berbagai artikel seperti Li et al.43, Wang dkk.44, Hossain Bhuiyan dkk.45 dan Kebonye et al.46 Menentukan atribut spasial dan pengelompokan elemen. Wang et al.44 menguraikan bahwa SeOM adalah teknik pembelajaran yang kuat yang dikenal karena kemampuannya untuk mengelompokkan dan membayangkan masalah non-linear. Tidak seperti teknik pengenalan pola lainnya seperti analisis komponen utama, pengelompokan fuzzy, pengelompokan hierarkis, dan pengambilan keputusan multi-kriteria, SeOM lebih baik dalam mengatur dan mengidentifikasi pola PTE. Menurut Wang et al.44, SeOM dapat mengelompokkan distribusi neuron terkait secara spasial dan memberikan visualisasi data beresolusi tinggi. SeOM akan memvisualisasikan data prediksi Ni untuk mendapatkan model terbaik untuk mengkarakterisasi hasil untuk interpretasi langsung.
Makalah ini bertujuan untuk menghasilkan model pemetaan yang kuat dengan akurasi optimal untuk memprediksi kandungan nikel di tanah perkotaan dan pinggiran kota. Kami berhipotesis bahwa keandalan model campuran terutama tergantung pada pengaruh model lain yang melekat pada model dasar. Kami mengakui tantangan yang dihadapi DSM, dan sementara tantangan ini sedang ditangani di berbagai bidang, kombinasi kemajuan model geostatistik dan MLA tampaknya bersifat inkremental;oleh karena itu, kami akan mencoba untuk menjawab pertanyaan penelitian yang dapat menghasilkan model campuran. Namun, seberapa akurat model tersebut dalam memprediksi elemen target? Juga, apa tingkat evaluasi efisiensi berdasarkan evaluasi validasi dan akurasi? Oleh karena itu, tujuan khusus dari penelitian ini adalah untuk (a) membuat model campuran gabungan untuk SVMR atau MLR menggunakan EBK sebagai model dasar, (b) membandingkan model yang dihasilkan (c) mengusulkan model campuran terbaik untuk memprediksi konsentrasi Ni di tanah perkotaan atau pinggiran kota, dan (d) penerapan SeOM untuk membuat peta resolusi tinggi variasi spasial nikel.
Studi ini dilakukan di Republik Ceko, khususnya di distrik Frydek Mistek di wilayah Moravia-Silesia (lihat Gambar 1). Geografi wilayah studi sangat terjal dan sebagian besar merupakan bagian dari wilayah Beskidy Moravia-Silesia, yang merupakan bagian dari tepi luar Pegunungan Carpathian. Wilayah studi terletak antara 49° 41′ 0′ N dan 18° 20′ 0′ BT, dan ketinggian antara 225 dan 3 27 m;namun, sistem klasifikasi Koppen untuk keadaan iklim wilayah ini dinilai sebagai Cfb = iklim laut sedang, Ada banyak curah hujan bahkan di bulan-bulan kering. Suhu sedikit bervariasi sepanjang tahun antara −5 °C dan 24 °C, jarang turun di bawah −14 °C atau di atas 30 °C, sedangkan rata-rata curah hujan tahunan adalah antara 685 dan 752 mm47. Perkiraan luas wilayah survei seluruh wilayah adalah 1.208 kilometer persegi, dengan 3 9,38% dari lahan budidaya dan 49,36% dari tutupan hutan. Di sisi lain, area yang digunakan dalam penelitian ini adalah sekitar 889,8 kilometer persegi. Di dan sekitar Ostrava, industri baja dan pekerjaan logam sangat aktif. Pabrik logam, industri baja di mana nikel digunakan dalam baja tahan karat (misalnya untuk ketahanan terhadap korosi atmosfer) dan baja paduan (nikel meningkatkan kekuatan paduan sambil mempertahankan keuletan dan ketangguhannya yang baik), dan pertanian intensif seperti aplikasi pupuk fosfat dan produksi ternak adalah penelitian sumber potensial nikel di wilayah tersebut (misalnya, menambahkan nikel pada domba untuk meningkatkan tingkat pertumbuhan pada domba dan sapi yang kekurangan pakan). Kegunaan industri lain dari nikel di wilayah penelitian termasuk penggunaannya dalam pelapisan listrik, termasuk pelapisan nikel elektroplating dan proses pelapisan nikel tanpa listrik. Sifat-sifat tanah mudah dibedakan dari warna tanah, struktur, dan kandungan karbonat. Tekstur tanah sedang hingga halus, berasal dari bahan induk. Sifatnya koluvial, aluvial, atau aeolian. Beberapa area tanah tampak berbintik-bintik di permukaan dan di bawah tanah, seringkali dengan beton dan pemutihan. Namun, kambisol dan stagnosol adalah jenis tanah yang paling umum di wilayah tersebut48. Dengan ketinggian berkisar antara 455,1 hingga 493,5 m, kambisol mendominasi Republik Ceko49.
Peta wilayah studi [Peta wilayah studi dibuat menggunakan ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Sebanyak 115 sampel tanah lapisan atas diperoleh dari tanah perkotaan dan pinggiran kota di distrik Frydek Mistek. Pola sampel yang digunakan adalah grid reguler dengan sampel tanah berjarak 2 × 2 km terpisah, dan tanah lapisan atas diukur pada kedalaman 0 hingga 20 cm menggunakan perangkat GPS genggam (Leica Zeno 5 GPS). Sampel dikemas dalam kantong Ziploc, diberi label dengan benar, dan dikirim ke laboratorium. Sampel dikeringkan dengan udara untuk menghasilkan sampel bubuk, bubuk digiling dengan sistem mekanis (Fritsch disc mill), dan diayak (ukuran saringan 2 mm). Masukkan 1 gram sampel tanah kering, homogen, dan diayak ke dalam botol teflon berlabel jelas. Di setiap bejana Teflon, tuangkan 7 ml HCl 35% dan 3 ml HNO3 65% (menggunakan dispenser otomatis – satu untuk setiap asam), tutup rapat dan diamkan sampel selama semalam untuk reaksi (program aqua regia). Letakkan supernatan di atas pelat logam panas (suhu: 100 W dan 160 °C) selama 2 jam untuk memudahkan proses destruksi sampel, kemudian dinginkan. Pindahkan supernatan ke dalam labu ukur 50 ml dan encerkan hingga 50 ml dengan air deionisasi. Setelah itu, saring supernatan yang telah diencerkan ke dalam tabung PVC 50 ml dengan air deionisasi. Selanjutnya, 1 ml larutan pengenceran diencerkan dengan 9 ml air deionisasi dan disaring ke dalam tabung 12 ml disiapkan untuk konsentrasi semu PTE. Konsentrasi PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditentukan oleh ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) sesuai dengan metode dan kesepakatan standar. Pastikan prosedur Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil).PTE dengan batas deteksi di bawah setengah dikeluarkan dari penelitian ini. Batas deteksi PTE yang digunakan dalam penelitian ini adalah 0,0004.(Anda). Selain itu, kontrol kualitas dan proses jaminan kualitas untuk setiap analisis dipastikan dengan menganalisis standar referensi. Untuk memastikan bahwa kesalahan diminimalkan, analisis ganda dilakukan.
Empirical Bayesian Kriging (EBK) adalah salah satu dari banyak teknik interpolasi geostatistik yang digunakan dalam pemodelan di berbagai bidang seperti ilmu tanah. Tidak seperti teknik interpolasi kriging lainnya, EBK berbeda dari metode kriging tradisional dengan mempertimbangkan kesalahan yang diperkirakan oleh model semivariogram. Dalam interpolasi EBK, beberapa model semivariogram dihitung selama interpolasi, bukan semivariogram tunggal. bagian yang sangat kompleks dari metode kriging yang memadai. Proses interpolasi EBK mengikuti tiga kriteria yang diusulkan oleh Krivoruchko50, (a) model memperkirakan semivariogram dari dataset input (b) nilai prediksi baru untuk setiap lokasi dataset input berdasarkan pada semivariogram yang dihasilkan dan (c) model A akhir dihitung dari dataset simulasi. Persamaan aturan Bayesian diberikan sebagai posterior
\ (Prob \ kiri (a \ kanan) \) mewakili probabilitas marjinal sebelumnya, \ (prob \ kiri (b \ kanan) \) diabaikan dalam kebanyakan kasus, \ (b, a) \). Perhitungan semivariogram yang didasarkan pada aturan semu. Seberapa besar kemungkinan untuk membuat dataset pengamatan dari semivariogram.
Mesin vektor pendukung adalah algoritme pembelajaran mesin yang menghasilkan hyperplane pemisah yang optimal untuk membedakan kelas yang identik tetapi tidak independen secara linear. Vapnik51 menciptakan algoritme klasifikasi maksud, tetapi baru-baru ini digunakan untuk menyelesaikan masalah berorientasi regresi. Menurut Li et al.52, SVM adalah salah satu teknik pengklasifikasi terbaik dan telah digunakan di berbagai bidang. Komponen regresi SVM (Support Vector Machine Regression – SVMR) digunakan dalam analisis ini. Cherkassky dan Mulier53 memelopori SVMR sebagai kernel berbasis regresi, yang perhitungannya dilakukan dengan menggunakan model regresi linier dengan fungsi spasial multi-negara. John et al54 melaporkan bahwa pemodelan SVMR menggunakan regresi linier hyperplane, yang menciptakan hubungan nonlinier dan memungkinkan fungsi spasial. Menurut Vohland et al.55, epsilon (ε)-SVMR menggunakan dataset terlatih untuk mendapatkan model representasi sebagai fungsi tidak sensitif-epsilon yang diterapkan untuk memetakan data secara independen dengan bias epsilon terbaik dari pelatihan pada data berkorelasi. Kesalahan jarak prasetel diabaikan dari nilai aktual, dan jika kesalahan lebih besar dari ε(ε), properti tanah mengkompensasinya. Model ini juga mengurangi kompleksitas data pelatihan menjadi subset vektor pendukung yang lebih luas. Persamaan yang diusulkan oleh Vapnik51 ditunjukkan di bawah ini.
di mana b mewakili ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) mewakili fungsi kernel, \(\alpha\) mewakili pengali Lagrange, N Mewakili kumpulan data numerik, \({x}_{k}\) mewakili input data, dan \(y\) adalah output data. Salah satu kernel kunci yang digunakan adalah operasi SVMR, yang merupakan fungsi dasar radial Gaussian (RBF). Kernel RBF diterapkan untuk menentukan model SVMR optimal, yang sangat penting untuk mendapatkan faktor set penalti C dan parameter kernel gamma (γ) yang paling halus untuk data pelatihan PTE. Pertama, kami mengevaluasi set pelatihan dan kemudian menguji kinerja model pada set validasi. Parameter kemudi yang digunakan adalah sigma dan nilai metodenya adalah svmRadial.
Model regresi linier berganda (MLR) adalah model regresi yang merepresentasikan hubungan antara variabel respon dan sejumlah variabel prediktor dengan menggunakan parameter linear pooled yang dihitung dengan menggunakan metode kuadrat terkecil. Dalam MLR, model kuadrat terkecil adalah fungsi prediksi dari sifat-sifat tanah setelah pemilihan variabel penjelas. Untuk membangun hubungan linier dengan menggunakan variabel penjelas, diperlukan respon yang menggunakan PTE sebagai variabel respon untuk membangun hubungan linier dengan variabel penjelas. Persamaan MLR adalah
di mana y adalah variabel respons, \(a\) adalah intersep, n adalah jumlah prediktor, \({b}_{1}\) adalah regresi parsial dari koefisien, \({x}_{ i}\) mewakili variabel prediktor atau penjelas, dan \({\varepsilon }_{i}\) mewakili kesalahan dalam model, juga dikenal sebagai residual.
Model campuran diperoleh dengan cara menjepit EBK dengan SVMR dan MLR. Hal ini dilakukan dengan mengekstraksi nilai prediksi dari interpolasi EBK. Nilai prediksi yang diperoleh dari interpolasi Ca, K, dan Mg diperoleh melalui proses kombinatorial untuk mendapatkan variabel baru, seperti CaK, CaMg, dan KMg. Unsur Ca, K, dan Mg kemudian digabungkan untuk mendapatkan variabel keempat, CaKMg. Secara keseluruhan, variabel yang diperoleh adalah Ca, K, Mg, CaK, CaMg, KMg dan CaKMg. Variabel ini menjadi prediktor kami, membantu memprediksi konsentrasi nikel di tanah perkotaan dan pinggiran kota. Algoritma SVMR dilakukan pada prediktor untuk mendapatkan model campuran Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). Demikian pula, variabel juga disalurkan melalui algoritma MLR untuk mendapatkan model campuran Empirical Bayesian Kriging-Regresi Linear Berganda (EBK_MLR). Biasanya, variabel Ca, K, Mg, CaK, CaMg, KMg, dan CaKMg digunakan sebagai kovariat sebagai prediktor kandungan Ni pada tanah perkotaan dan peri-urban. Model yang paling dapat diterima yang diperoleh (EBK_SVM atau EBK_MLR) selanjutnya akan divisualisasikan menggunakan grafik swakelola. Alur kerja penelitian ini ditunjukkan pada Gambar 2.
Menggunakan SeOM telah menjadi alat yang populer untuk mengatur, mengevaluasi, dan meramalkan data di sektor keuangan, kesehatan, industri, statistik, ilmu tanah, dan banyak lagi. SEOM dibuat menggunakan jaringan saraf tiruan dan metode pembelajaran tanpa pengawasan untuk organisasi, evaluasi, dan prediksi. Dalam penelitian ini, SeOM digunakan untuk memvisualisasikan konsentrasi Ni berdasarkan model terbaik untuk memprediksi Ni di tanah perkotaan dan pinggiran kota. Data yang diproses dalam evaluasi SeOM digunakan sebagai n variabel vektor input-dimensi43,56.Melssen et al.57 menggambarkan koneksi vektor input ke dalam jaringan saraf melalui lapisan input tunggal ke vektor output dengan vektor bobot tunggal. Output yang dihasilkan oleh SeOM adalah peta dua dimensi yang terdiri dari neuron atau node yang berbeda yang dijalin menjadi peta topologi heksagonal, melingkar, atau persegi sesuai dengan kedekatannya. Membandingkan ukuran peta berdasarkan metrik, kesalahan kuantisasi (QE) dan kesalahan topografi (TE), model SeOM dengan 0,086 dan 0,904, masing-masing, dipilih, yaitu 55 -map unit (5 × 11). Struktur neuron ditentukan menurut jumlah node dalam persamaan empiris
Jumlah data yang digunakan dalam penelitian ini adalah 115 sampel. Pendekatan acak digunakan untuk membagi data menjadi data uji (25% untuk validasi) dan set data pelatihan (75% untuk kalibrasi). Dataset pelatihan digunakan untuk menghasilkan model regresi (kalibrasi), dan dataset uji digunakan untuk memverifikasi kemampuan generalisasi58. Hal ini dilakukan untuk menilai kesesuaian berbagai model untuk memprediksi kandungan nikel dalam tanah. Semua model yang digunakan melalui proses validasi silang sepuluh kali lipat, diulang lima kali. Variabel yang dihasilkan oleh EBK inter polasi digunakan sebagai prediktor atau variabel penjelas untuk memprediksi variabel target (PTE). Pemodelan ditangani di RStudio menggunakan paket library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) dan library (“Metrics”).
Berbagai parameter validasi digunakan untuk menentukan model terbaik yang cocok untuk memprediksi konsentrasi nikel dalam tanah dan untuk mengevaluasi akurasi model dan validasinya. Model hibridisasi dievaluasi menggunakan mean absolute error (MAE), root mean square error (RMSE), dan R-squared atau koefisien determinasi (R2). R2 mendefinisikan varians dari proporsi dalam jawaban, diwakili oleh model regresi.RMSE dan besaran varians dalam pengukuran independen menggambarkan kekuatan prediksi model, sedangkan MAE menentukan nilai kuantitatif aktual. Nilai R2 harus tinggi hingga mengevaluasi model campuran terbaik dengan menggunakan parameter validasi, semakin dekat nilainya dengan 1, semakin tinggi akurasinya. Menurut Li et al.59, nilai kriteria R2 sebesar 0,75 atau lebih dianggap sebagai prediktor yang baik;dari 0,5 hingga 0,75 adalah kinerja model yang dapat diterima, dan di bawah 0,5 adalah kinerja model yang tidak dapat diterima. Ketika memilih model menggunakan metode evaluasi kriteria validasi RMSE dan MAE, nilai yang lebih rendah diperoleh cukup dan dianggap sebagai pilihan terbaik. Persamaan berikut menjelaskan metode verifikasi.
di mana n mewakili ukuran nilai yang diamati\({Y}_{i}\) mewakili respons terukur, dan \({\widehat{Y}}_{i}\) juga mewakili nilai respons yang diprediksi, oleh karena itu, untuk i pengamatan pertama.
Deskripsi statistik variabel prediktor dan respon disajikan pada Tabel 1, menunjukkan mean, standar deviasi (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, dan skewness. Nilai minimum dan maksimum dari unsur-unsur tersebut berturut-turut adalah Mg < Ca < K < Ni dan Ca < Mg < K < Ni. Konsentrasi variabel respon (Ni) yang diambil sampel dari daerah penelitian berkisar antara 4,86 hingga 42,39 mg/kg. Perbandingan Ni dengan rata-rata dunia (29 mg/kg) dan rata-rata Eropa (37 mg/kg) menunjukkan bahwa rata-rata geometrik yang dihitung secara keseluruhan untuk wilayah studi berada dalam kisaran yang dapat ditoleransi. Meskipun demikian, seperti yang ditunjukkan oleh Kabata-Pendias11, perbandingan rata-rata konsentrasi nikel (Ni) dalam studi ini dengan tanah pertanian di Swedia menunjukkan bahwa konsentrasi nikel rata-rata saat ini lebih tinggi. Demikian pula, konsentrasi rata-rata Frydek Mistek di tanah perkotaan dan pinggiran kota dalam studi ini (Ni 16,15 mg/kg) kg) lebih tinggi dari batas yang diperbolehkan sebesar 60 (10,2 mg/kg) untuk Ni di tanah perkotaan Polandia yang dilaporkan oleh Różański et al. Selanjutnya, Bretzel dan Calderisi61 mencatat konsentrasi Ni rata-rata yang sangat rendah (1,78 mg/kg) di tanah perkotaan di Tuscany dibandingkan dengan penelitian saat ini. Jim62 juga menemukan konsentrasi nikel yang lebih rendah (12,34 mg/kg) di tanah perkotaan Hong Kong, yang lebih rendah dari konsentrasi nikel saat ini dalam penelitian ini .Birke et al63 melaporkan konsentrasi Ni rata-rata 17,6 mg/kg di pertambangan tua dan kawasan industri perkotaan di Saxony-Anhalt, Jerman, yang 1,45 mg/kg lebih tinggi daripada konsentrasi Ni rata-rata di daerah tersebut (16,15 mg/kg).64 bahwa industri baja dan pengerjaan logam merupakan sumber utama kontaminasi nikel dalam tanah. Namun, prediktor juga berkisar antara 538,70 mg/kg hingga 69.161,80 mg/kg untuk Ca, 497,51 mg/kg hingga 3535,68 mg/kg untuk K, dan 685,68 mg/kg hingga 5970,05 mg/kg untuk Mg.Jakovljevic et al.65 menyelidiki kandungan Mg dan K total tanah di Serbia tengah. Mereka menemukan bahwa konsentrasi total (masing-masing 410 mg/kg dan 400 mg/kg) lebih rendah daripada konsentrasi Mg dan K dari penelitian saat ini. Tidak dapat dibedakan, di Polandia timur, Orzechowski dan Smolczynski66 menilai kandungan total Ca, Mg dan K dan menunjukkan konsentrasi rata-rata Ca (1100 mg/kg), Mg (590 mg/kg) dan K (810 mg/kg) ) Kandungan tanah lapisan atas lebih rendah dari unsur tunggal dalam penelitian ini. Sebuah penelitian terbaru oleh Pongrac et al.67 menunjukkan bahwa kandungan Ca total yang dianalisa pada 3 jenis tanah berbeda di Skotlandia, Inggris (tanah Mylnefield, tanah Balruddery dan tanah Hartwood) menunjukkan kandungan Ca yang lebih tinggi pada penelitian ini.
Karena konsentrasi terukur yang berbeda dari elemen sampel, distribusi kumpulan data elemen menunjukkan kemiringan yang berbeda. Kemiringan dan kurtosis elemen berkisar dari 1,53 hingga 7,24 dan 2,49 hingga 54,16, masing-masing. dan Ni menunjukkan variabilitas sedang, sedangkan Ca memiliki variabilitas yang sangat tinggi. CV K, Ni, dan Mg menjelaskan distribusinya yang seragam. Selanjutnya, distribusi Ca tidak seragam dan sumber eksternal dapat memengaruhi tingkat pengayaannya.
Korelasi variabel prediktor dengan elemen respons menunjukkan korelasi yang memuaskan antara elemen (lihat Gambar 3). Korelasi tersebut menunjukkan bahwa CaK menunjukkan korelasi sedang dengan nilai r = 0,53, seperti yang dilakukan CaNi. Meskipun Ca dan K menunjukkan hubungan sederhana satu sama lain, peneliti seperti Kingston et al.68 dan Santo69 menunjukkan bahwa kadarnya dalam tanah berbanding terbalik. Namun, Ca dan Mg bersifat antagonis terhadap K, tetapi CaK berkorelasi dengan baik. Hal ini mungkin disebabkan oleh aplikasi pupuk seperti kalium karbonat, yang 56% lebih tinggi pada kalium. Kalium berkorelasi sedang dengan magnesium (KM r = 0,63). Nikel berkorelasi sedang dengan Ca, K, dan Mg dengan nilai r masing-masing = 0,52, 0,63, dan 0,55. Hubungan yang melibatkan kalsium, magnesium, dan PTE seperti nikel memang kompleks, namun demikian, magnesium menghambat penyerapan kalsium, kalsium mengurangi efek kelebihan magnesium, dan baik magnesium maupun kalsium mengurangi efek toksik nikel dalam tanah.
Matriks korelasi untuk elemen yang menunjukkan hubungan antara prediktor dan respons (Catatan: gambar ini mencakup sebar antar elemen, tingkat signifikansi didasarkan pada p < 0,001).
Gambar 4 mengilustrasikan distribusi spasial elemen. Menurut Burgos et al70, penerapan distribusi spasial adalah teknik yang digunakan untuk mengukur dan menyoroti hot spot di daerah tercemar. Tingkat pengayaan Ca pada Gambar 4 dapat dilihat di bagian barat laut peta distribusi spasial. Gambar tersebut menunjukkan hotspot pengayaan Ca sedang hingga tinggi. Pengayaan kalsium di barat laut peta kemungkinan disebabkan oleh penggunaan kapur (kalsium oksida) untuk mengurangi keasaman tanah dan penggunaannya di pabrik baja sebagai oksigen alkali dalam proses pembuatan baja. Di sisi lain, petani lain lebih suka menggunakan kalsium hidroksida di tanah asam untuk menetralkan pH, yang juga meningkatkan kandungan kalsium tanah71. Kalium juga menunjukkan titik panas di barat laut dan timur peta. Barat laut adalah komunitas pertanian utama, dan pola kalium sedang hingga tinggi mungkin disebabkan oleh aplikasi NPK dan kalium. Hal ini konsisten dengan penelitian lain, seperti Madaras dan Lipavský72, Madaras et al.73, Pulkrabová et al. .74, Asare et al.75, yang mengamati bahwa stabilisasi tanah dan perlakuan dengan KCl dan NPK menghasilkan kandungan K yang tinggi di dalam tanah.Pengayaan Kalium Spasial di barat laut peta distribusi mungkin disebabkan oleh penggunaan pupuk berbasis kalium seperti kalium klorida, kalium sulfat, kalium nitrat, kalium, dan kalium untuk meningkatkan kandungan kalium tanah yang buruk. Zádorová et al.76 dan Tlustoš et al.77 menguraikan bahwa aplikasi pupuk berbasis K meningkatkan kandungan K dalam tanah dan secara signifikan akan meningkatkan kandungan hara tanah dalam jangka panjang, terutama K dan Mg yang menunjukkan hot spot di tanah. Hotspot yang relatif sedang di barat laut peta dan tenggara peta. Fiksasi koloid di tanah menghabiskan konsentrasi magnesium di dalam tanah. dan Kieserite, atasi defisiensi (tanaman tampak ungu, merah, atau coklat, menunjukkan defisiensi magnesium) pada tanah dengan kisaran pH normal6. Akumulasi nikel pada permukaan tanah perkotaan dan pinggiran kota mungkin disebabkan oleh aktivitas antropogenik seperti pertanian dan pentingnya nikel dalam produksi baja tahan karat78.
Distribusi spasial elemen [peta distribusi spasial dibuat menggunakan ArcGIS Desktop (ESRI, Inc, Versi 10.7, URL: https://desktop.arcgis.com).]
Hasil indeks kinerja model untuk unsur-unsur yang digunakan dalam penelitian ini ditunjukkan pada Tabel 2. Di sisi lain, RMSE dan MAE dari Ni sama-sama mendekati nol (0,86 RMSE, -0,08 MAE). Di sisi lain, nilai RMSE dan MAE dari K dapat diterima. Hasil RMSE dan MAE lebih besar untuk kalsium dan magnesium. Ca dan K Hasil MAE dan RMSE lebih besar karena dataset yang berbeda. RMSE dan MAE penelitian ini menggunakan EBK untuk memprediksi Ni ditemukan lebih baik dari hasil John et al.54 menggunakan kriging sinergis untuk memprediksi konsentrasi S dalam tanah menggunakan data yang dikumpulkan sama. Keluaran EBK yang kami pelajari berkorelasi dengan keluaran Fabijaczyk et al.41, Yan dkk.79, Beguin et al.80, Adhikary et al.81 dan John et al.82, terutama K dan Ni.
Performa metode individual untuk memprediksi kandungan nikel di tanah perkotaan dan pinggiran kota dievaluasi menggunakan performa model (Tabel 3). Validasi model dan evaluasi akurasi memastikan bahwa prediktor Ca_Mg_K dikombinasikan dengan model EBK SVMR menghasilkan performa terbaik. Model kalibrasi Ca_Mg_K-EBK_SVMR model R2, root mean square error (RMSE) dan mean absolute error (MAE) adalah 0,637 (R2), 95,479 mg/kg ( RMSE) dan 77,368 mg/kg (MAE) Ca_Mg_K-SVMR adalah 0,663 (R2), 235,974 mg/kg (RMSE) dan 166,946 mg/kg (MAE). Meskipun demikian, nilai R2 yang baik diperoleh untuk Ca_Mg_K-SVMR (0,663 mg/kg R2) dan Ca_Mg-EBK_SVMR (0,64 3 = R2);Hasil RMSE dan MAE mereka lebih tinggi daripada Ca_Mg_K-EBK_SVMR (R2 0,637) (lihat Tabel 3). Selain itu, RMSE dan MAE dari model Ca_Mg-EBK_SVMR (RMSE = 1664,64 dan MAE = 1031,49) masing-masing adalah 17,5 dan 13,4, yang lebih besar daripada Ca_Mg_K-EBK_S VMR.Demikian pula, RMSE dan MAE dari model Ca_Mg-K SVMR (RMSE = 235.974 dan MAE = 166.946) masing-masing adalah 2.5 dan 2.2 lebih besar daripada model Ca_Mg_K-EBK_SVMR RMSE dan MAE. Hasil RMSE yang dihitung menunjukkan seberapa terkonsentrasi kumpulan data dengan garis yang paling sesuai. RSME dan MAE yang lebih tinggi diamati. Menurut Kebonye et al .46 dan john et al.54, semakin dekat RMSE dan MAE ke nol, semakin baik hasilnya.SVMR dan EBK_SVMR memiliki nilai RSME dan MAE terkuantisasi yang lebih tinggi. Diamati bahwa perkiraan RSME secara konsisten lebih tinggi daripada nilai MAE, menunjukkan adanya outlier. Menurut Legates dan McCabe83, sejauh mana RMSE melebihi mean absolute error (MAE) direkomendasikan sebagai indikator keberadaan outlier. Ini berarti bahwa semakin heterogen dataset, semakin tinggi nilai MAE dan RMSE. Keakuratan penilaian validasi silang model campuran Ca_Mg_K-EBK_SVMR untuk memprediksi kandungan Ni pada tanah perkotaan dan pinggiran kota adalah 63,70%. Menurut Li et al.59, tingkat akurasi ini merupakan tingkat kinerja model yang dapat diterima. Hasil saat ini dibandingkan dengan penelitian sebelumnya oleh Tarasov et al.36 yang model hibridanya menciptakan MLPRK (Multilayer Perceptron Residual Kriging), terkait dengan indeks evaluasi akurasi EBK_SVMR yang dilaporkan dalam penelitian ini, RMSE (210) dan The MAE (167,5) lebih tinggi dari hasil kami dalam penelitian ini (RMSE 95.479, MAE 77.368). Namun, ketika membandingkan R2 dari penelitian ini (0,637) dengan Tarasov et al.36 (0,544), terlihat jelas bahwa koefisien determinasi (R2) lebih tinggi pada model campuran ini. Margin of error (RMSE dan MAE) (EBK SVMR) untuk model campuran dua kali lebih rendah. Demikian pula, Sergeev et al.34 mencatat 0,28 (R2) untuk model hibrida yang dikembangkan (Multilayer Perceptron Residual Kriging), sedangkan Ni dalam penelitian ini mencatat 0,637 (R2). Tingkat akurasi prediksi model ini (EBK) SVMR) sebesar 63,7%, sedangkan akurasi prediksi yang diperoleh Sergeev et al.34 adalah 28%.Peta akhir (Gbr. 5) yang dibuat menggunakan model EBK_SVMR dan Ca_Mg_K sebagai prediktor menunjukkan prediksi hot spot dan sedang hingga nikel di seluruh wilayah studi. Artinya, konsentrasi nikel di wilayah studi sebagian besar sedang, dengan konsentrasi lebih tinggi di beberapa wilayah tertentu.
Peta prediksi akhir direpresentasikan menggunakan model hybrid EBK_SVMR dan menggunakan Ca_Mg_K sebagai prediktor.[Peta distribusi spasial dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Disajikan pada Gambar 6 adalah konsentrasi PTE sebagai bidang komposisi yang terdiri dari neuron individu. Tidak ada bidang komponen yang menunjukkan pola warna yang sama seperti yang ditunjukkan. Namun, jumlah neuron yang sesuai per peta yang digambar adalah 55. SeOM diproduksi menggunakan berbagai warna, dan semakin mirip pola warna, semakin sebanding sifat-sifat sampel. Menurut skala warna yang tepat, elemen individu (Ca, K, dan Mg) menunjukkan pola warna yang mirip dengan neuron tinggi tunggal dan sebagian besar neuron rendah. Jadi, CaK dan Ca Mg memiliki beberapa kesamaan dengan neuron tingkat sangat tinggi dan pola warna rendah hingga sedang. Kedua model memprediksi konsentrasi Ni dalam tanah dengan menampilkan rona warna sedang hingga tinggi seperti merah, jingga, dan kuning. Model KMg menampilkan banyak pola warna tinggi berdasarkan proporsi yang tepat dan tambalan warna rendah hingga sedang. pola warna yang beragam dari rendah ke tinggi sesuai dengan skala warna yang akurat. Selanjutnya, prediksi model kandungan nikel (CakMg) mirip dengan distribusi spasial nikel yang ditunjukkan pada Gambar 5. Kedua grafik menunjukkan proporsi konsentrasi nikel yang tinggi, sedang dan rendah di tanah perkotaan dan pinggiran kota. Gambar 7 menggambarkan metode kontur dalam pengelompokan k-means pada peta, dibagi menjadi tiga cluster berdasarkan nilai prediksi di setiap model. Metode kontur mewakili jumlah cluster yang optimal. Dari 115 sampel tanah yang dikumpulkan, kategori 1 memperoleh sampel tanah terbanyak, 74. Klaster 2 menerima 33 sampel, sedangkan klaster 3 menerima 8 sampel. Kombinasi prediktor planar tujuh komponen disederhanakan untuk memungkinkan interpretasi klaster yang benar. Karena banyaknya proses antropogenik dan alami yang memengaruhi pembentukan tanah, sulit untuk membedakan pola klaster dengan benar dalam peta SeOM terdistribusi78.
Keluaran bidang komponen oleh setiap variabel Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [Peta SeOM dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen klasifikasi kluster yang berbeda [peta SEOM dibuat menggunakan RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Studi saat ini dengan jelas mengilustrasikan teknik pemodelan untuk konsentrasi nikel di tanah perkotaan dan pinggiran kota. Studi ini menguji teknik pemodelan yang berbeda, menggabungkan elemen dengan teknik pemodelan, untuk mendapatkan cara terbaik untuk memprediksi konsentrasi nikel dalam tanah. Fitur spasial planar komposisi SeOM dari teknik pemodelan menunjukkan pola warna yang tinggi dari rendah ke tinggi pada skala warna yang akurat, yang menunjukkan konsentrasi Ni dalam tanah. Namun, peta distribusi spasial menegaskan distribusi spasial planar komponen yang ditunjukkan oleh EBK_SVMR (lihat Gambar 5). Hasil menunjukkan bahwa model regresi mesin vektor dukungan (Ca Mg K-SVMR) memprediksi konsentrasi Ni dalam tanah sebagai model tunggal, tetapi parameter evaluasi validasi dan akurasi menunjukkan kesalahan yang sangat tinggi dalam hal RMSE dan MAE. Di sisi lain, teknik pemodelan yang digunakan dengan model EBK_MLR juga cacat karena nilai koefisien determinasi (R2) yang rendah. Hasil yang baik diperoleh dengan menggunakan EBK SVMR dan elemen gabungan (CaKMg) dengan kesalahan RMSE dan MAE rendah dengan akurasi 63,7%. algoritme pembelajaran mesin dapat menghasilkan algoritme hybrid yang dapat memprediksi konsentrasi PTEs dalam tanah.Hasil penelitian menunjukkan bahwa penggunaan Ca Mg K sebagai prediktor untuk memprediksi konsentrasi Ni di wilayah studi dapat meningkatkan prediksi Ni dalam tanah. Artinya, aplikasi pupuk berbasis nikel secara terus menerus dan pencemaran industri tanah oleh industri baja memiliki kecenderungan untuk meningkatkan konsentrasi nikel dalam tanah. Studi ini mengungkapkan bahwa model EBK dapat mengurangi tingkat kesalahan dan meningkatkan akurasi model distribusi spasial tanah di tanah perkotaan atau pinggiran kota.Secara umum, kami mengusulkan untuk menerapkan model EBK-SVMR untuk menilai dan memprediksi PTE dalam tanah;selain itu, kami mengusulkan untuk menggunakan EBK untuk hibridisasi dengan berbagai algoritma pembelajaran mesin. Konsentrasi Ni diperkirakan menggunakan elemen sebagai kovariat;namun, menggunakan lebih banyak kovariat akan sangat meningkatkan kinerja model, yang dapat dianggap sebagai keterbatasan pekerjaan saat ini. Keterbatasan lain dari penelitian ini adalah jumlah kumpulan data adalah 115. Oleh karena itu, jika lebih banyak data disediakan, kinerja metode hibridisasi optimal yang diusulkan dapat ditingkatkan.
PlantProbs.net.Nickel pada Tumbuhan dan Tanah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nikel maju dalam toksikologi lingkungan modern.lingkungan.toksikologi.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikel: Tinjauan sumber dan toksikologi lingkungannya.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Masukan polutan dari atmosfer dan akumulasi dalam tanah dan tumbuh-tumbuhan di dekat pabrik peleburan nikel-tembaga di Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam berat di tanah, tanaman dan risiko yang terkait dengan ruminansia penggembalaan di dekat tambang tembaga-nikel Selebi-Phikwe di Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Trace element in soil and… – Google Scholar https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3 A+CRC+Tekan&btnG= (Diakses 24 Nov 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Efek industri nikel Rusia terhadap konsentrasi logam berat di tanah pertanian dan rerumputan di Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Penyerapan dan retensi nikel dalam air minum berhubungan dengan asupan makanan dan sensitivitas nikel. toksikologi. aplikasi. Farmakodinamik.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutasi, epigenetics atau selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Analisis tren elemen yang berpotensi beracun: tinjauan bibliometrik. Geokimia Lingkungan dan Kesehatan. Sains Springer & Media Bisnis BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Pemetaan Tanah Digital: Sejarah Singkat dan Beberapa Pelajaran. Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Tentang pemetaan tanah digital. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Pemodelan Waduk Geostatistik Deutsch.CV,… – Google Cendekia https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistik+Reservoir+Pemodelan%2C +Oxford+Universitas+Pers%2C+376+halaman.+&btnG= (Diakses 28 April 2021).
Waktu posting: Jul-22-2022