Grazie per aver visitato Nature.com. La versione del browser che stai utilizzando ha un supporto limitato per i CSS. Per un'esperienza ottimale, ti consigliamo di utilizzare un browser aggiornato (o di disattivare la modalità di compatibilità in Internet Explorer). Nel frattempo, per garantire un supporto continuo, visualizzeremo il sito senza stili e JavaScript.
L'inquinamento del suolo è un grosso problema causato dalle attività umane. La distribuzione spaziale degli elementi potenzialmente tossici (PTE) varia nella maggior parte delle aree urbane e periurbane. Pertanto, è difficile prevedere spazialmente il contenuto di PTE in tali suoli. Un totale di 115 campioni sono stati ottenuti da Frydek Mistek nella Repubblica Ceca. Le concentrazioni di calcio (Ca), magnesio (Mg), potassio (K) e nichel (Ni) sono state determinate utilizzando la spettrometria di emissione di plasma accoppiato induttivamente. i predittori sono Ca, Mg e K. La matrice di correlazione tra la variabile di risposta e la variabile predittore mostra una correlazione soddisfacente tra gli elementi. I risultati della previsione hanno mostrato che la Support Vector Machine Regression (SVMR) ha funzionato bene, sebbene il suo errore quadratico medio stimato (RMSE) (235,974 mg/kg) e l'errore assoluto medio (MAE) (166,946 mg/kg) fossero superiori rispetto agli altri metodi applicati. (EBK-MLR) si comportano male, come evidenziato da coefficienti di determinazione inferiori a 0,1. Il modello Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) è stato il modello migliore, con bassi valori di RMSE (95,479 mg/kg) e MAE (77,368 mg/kg) e alto coefficiente di determinazione (R2 = 0,637). ing map. I neuroni raggruppati nel piano del componente del modello ibrido CakMg-EBK-SVMR mostrano più modelli di colore che prevedono le concentrazioni di Ni nei suoli urbani e periurbani. I risultati dimostrano che la combinazione di EBK e SVMR è una tecnica efficace per prevedere le concentrazioni di Ni nei suoli urbani e periurbani.
Il nichel (Ni) è considerato un micronutriente per le piante perché contribuisce alla fissazione dell'azoto atmosferico (N) e al metabolismo dell'urea, entrambi necessari per la germinazione dei semi. Oltre al suo contributo alla germinazione dei semi, il Ni può agire come inibitore di funghi e batteri e favorire lo sviluppo delle piante. La mancanza di nichel nel terreno consente alla pianta di assorbirlo, con conseguente clorosi delle foglie. per arricchire il suolo e aumentare la capacità dei legumi di fissare l'azoto nel terreno aumenta continuamente la concentrazione di nichel nel terreno. Sebbene il nichel sia un micronutriente per le piante, la sua eccessiva assunzione nel terreno può fare più male che bene. La tossicità del nichel nel suolo riduce al minimo il pH del suolo e ostacola l'assorbimento del ferro come nutriente essenziale per la crescita delle piante. varietà di applicazioni. La galvanica, la produzione di leghe a base di nichel e la fabbricazione di dispositivi di accensione e candele nell'industria automobilistica richiedono tutti l'uso del nichel in vari settori industriali. è una fonte naturale piuttosto che antropogenica4,6. Le fonti naturali di nichel includono eruzioni vulcaniche, vegetazione, incendi boschivi e processi geologici;tuttavia, le fonti antropogeniche includono batterie al nichel/cadmio nell'industria siderurgica, galvanica, saldatura ad arco, diesel e oli combustibili ed emissioni atmosferiche dovute alla combustione del carbone e all'incenerimento di rifiuti e fanghi Accumulo di nichel7,8.Secondo Freedman e Hutchinson9 e Manyiwa et al.10, le principali fonti di inquinamento del suolo superficiale nell'ambiente immediato e adiacente sono principalmente le fonderie e le miniere a base di nichel-rame. Il suolo superficiale intorno alla raffineria di nichel-rame di Sudbury in Canada presentava i livelli più elevati di contaminazione da nichel con 26.000 mg/kg11.12, la quantità di nichel HNO3-estraibile nella terra arabile superiore della regione (produzione di nichel in Russia) variava da 6,25 a 136,88 mg/kg, corrispondente a una media di 30,43 mg/kg e una concentrazione di base di 25 mg/kg. suolo. I potenziali effetti del nichel negli esseri umani possono portare al cancro attraverso la mutagenesi, il danno cromosomico, la generazione di Z-DNA, la riparazione bloccata dell'escissione del DNA o i processi epigenetici.
Le valutazioni della contaminazione del suolo sono fiorite negli ultimi tempi a causa di un'ampia gamma di problemi relativi alla salute derivanti dalle relazioni suolo-pianta, dalle relazioni biologiche del suolo e del suolo, dal degrado ecologico e dalla valutazione dell'impatto ambientale. Ad oggi, la previsione spaziale di elementi potenzialmente tossici (PTE) come il Ni nel suolo è stata laboriosa e richiede tempo utilizzando i metodi tradizionali. DSM) ha dimostrato di essere un'importante sottodisciplina della scienza del suolo. Lagacherie e McBratney, 2006 definiscono il DSM come "la creazione e il riempimento di sistemi informativi spaziali del suolo attraverso l'uso di metodi di osservazione in situ e di laboratorio e sistemi di inferenza del suolo spaziale e non spaziale". McBratney et al.17 sottolineano che il DSM o PSM contemporaneo è la tecnica più efficace per prevedere o mappare la distribuzione spaziale di PTE, tipi di suolo e proprietà del suolo. Geostatistica e algoritmi di apprendimento automatico (MLA) sono tecniche di modellazione DSM che creano mappe digitalizzate con l'aiuto di computer utilizzando dati significativi e minimi.
Deutsch18 e Olea19 definiscono la geostatistica come "la raccolta di tecniche numeriche che si occupano della rappresentazione di attributi spaziali, impiegando principalmente modelli stocastici, come il modo in cui l'analisi delle serie temporali caratterizza i dati temporali".In primo luogo, la geostatistica comporta la valutazione dei variogrammi, che consentono di quantificare e definire le dipendenze dei valori spaziali da ciascun set di dati20.Gumiaux et al.20 illustrano ulteriormente che la valutazione dei variogrammi in geostatistica si basa su tre principi, tra cui (a) il calcolo della scala di correlazione dei dati, (b) l'identificazione e il calcolo dell'anisotropia nella disparità del set di dati e (c) oltre a tenere conto dell'errore intrinseco dei dati di misurazione separati dagli effetti locali, vengono anche stimati gli effetti dell'area. Kriging bayesiano, metodo kriging semplice e altre tecniche di interpolazione ben note per mappare o prevedere PTE, caratteristiche del suolo e tipi di suolo.
Gli algoritmi di apprendimento automatico (MLA) sono una tecnica relativamente nuova che impiega classi di dati non lineari più grandi, alimentati da algoritmi utilizzati principalmente per il data mining, l'identificazione di modelli nei dati e ripetutamente applicati alla classificazione in campi scientifici come la scienza del suolo e compiti di ritorno. Numerosi documenti di ricerca si basano su modelli MLA per prevedere PTE nei suoli, come Tan et al.22 (foreste casuali per la stima dei metalli pesanti nei suoli agricoli), Sakizadeh et al.23 (modellazione mediante macchine vettoriali di supporto e reti neurali artificiali) inquinamento del suolo). Inoltre, Vega et al.24 (CART per modellare la ritenzione e l'adsorbimento di metalli pesanti nel suolo) Sun et al.25 (l'applicazione di cubist è la distribuzione di Cd nel suolo) e altri algoritmi come k-vicino più vicino, regressione potenziata generalizzata e regressione potenziata Anche gli alberi hanno applicato MLA per prevedere PTE nel suolo.
L'applicazione degli algoritmi DSM nella previsione o nella mappatura deve affrontare diverse sfide. Molti autori ritengono che MLA sia superiore alla geostatistica e viceversa. Sebbene uno sia migliore dell'altro, la combinazione dei due migliora il livello di accuratezza della mappatura o della previsione in DSM15. Woodcock e Gopal26 Finke27;Pontius, Cheuk28 e Grunwald29 commentano le carenze e alcuni errori nella mappatura del suolo prevista. Gli scienziati del suolo hanno provato una varietà di tecniche per ottimizzare l'efficacia, l'accuratezza e la prevedibilità della mappatura e della previsione del DSM. La combinazione di incertezza e verifica è uno dei molti aspetti diversi integrati nel DSM per ottimizzare l'efficacia e ridurre i difetti. Tuttavia, Agyeman et al.15 sottolineano che il comportamento di convalida e l'incertezza introdotti dalla creazione e dalla previsione della mappa dovrebbero essere convalidati in modo indipendente per migliorare la qualità della mappa. I limiti del DSM sono dovuti alla qualità del suolo geograficamente dispersa, che comporta una componente di incertezza;tuttavia, la mancanza di certezza nel DSM può derivare da molteplici fonti di errore, vale a dire errore di covariata, errore di modello, errore di localizzazione ed errore analitico 31. emerso che promuove l'integrazione di geostatistica e MLA nella mappatura e nella previsione. Diversi scienziati e autori del suolo, come Sergeev et al.34;Subbotin et al.35;Tarassov et al.36 e Tarasov et al.37 hanno sfruttato la qualità accurata della geostatistica e dell'apprendimento automatico per generare modelli ibridi che migliorano l'efficienza della previsione e della mappatura.qualità. Alcuni di questi modelli di algoritmi ibridi o combinati sono il Kriging della rete neurale artificiale (ANN-RK), il Kriging residuo del Perceptron multistrato (MLP-RK), il Kriging residuo della rete neurale della regressione generalizzata (GR-NNRK)36, il Perceptron multistrato della rete neurale artificiale (ANN-K-MLP)37 e la regressione del processo co-Kriging e gaussiano38.
Secondo Sergeev et al., la combinazione di varie tecniche di modellazione ha il potenziale per eliminare i difetti e aumentare l'efficienza del modello ibrido risultante piuttosto che sviluppare il suo singolo modello. In questo contesto, questo nuovo articolo sostiene che è necessario applicare un algoritmo combinato di geostatistica e MLA per creare modelli ibridi ottimali per prevedere l'arricchimento di Ni nelle aree urbane e periurbane. Modelli R). valutazione dell'inquinamento del suolo41 e mappatura delle proprietà del suolo42.
D'altra parte, Self-Organizing Graph (SeOM) è un algoritmo di apprendimento che è stato applicato in vari articoli come Li et al.43 Wang et al.44, Hossain Bhuiyan et al.45 e Kebonye et al.46 Determinare gli attributi spaziali e il raggruppamento degli elementi. Wang et al.44 delineano che SeOM è una potente tecnica di apprendimento nota per la sua capacità di raggruppare e immaginare problemi non lineari. A differenza di altre tecniche di riconoscimento di pattern come l'analisi dei componenti principali, il clustering fuzzy, il clustering gerarchico e il processo decisionale multicriterio, SeOM è migliore nell'organizzare e identificare i pattern PTE. Secondo Wang et al.44, SeOM può raggruppare spazialmente la distribuzione dei neuroni correlati e fornire una visualizzazione dei dati ad alta risoluzione. SeOM visualizzerà i dati di previsione Ni per ottenere il modello migliore per caratterizzare i risultati per l'interpretazione diretta.
Questo documento mira a generare un robusto modello di mappatura con un'accuratezza ottimale per prevedere il contenuto di nichel nei suoli urbani e periurbani. Ipotizziamo che l'affidabilità del modello misto dipenda principalmente dall'influenza di altri modelli collegati al modello di base.pertanto, tenteremo di rispondere a domande di ricerca che potrebbero produrre modelli misti. Tuttavia, quanto è accurato il modello nel prevedere l'elemento target? Inoltre, qual è il livello di valutazione dell'efficienza basato sulla valutazione della convalida e dell'accuratezza? OM per creare una mappa ad alta risoluzione della variazione spaziale del nichel.
Lo studio è in corso nella Repubblica Ceca, in particolare nel distretto di Frydek Mistek nella regione della Moravia-Slesia (vedi Figura 1). La geografia dell'area di studio è molto aspra e fa principalmente parte della regione dei Beskidi della Moravia-Slesia, che fa parte del bordo esterno dei Carpazi. 7 metri;tuttavia, il sistema di classificazione Koppen per lo stato climatico della regione è valutato come Cfb = clima oceanico temperato, vi sono molte precipitazioni anche nei mesi secchi. Il 38% della terra coltivata e il 49,36% della copertura forestale. D'altra parte, l'area utilizzata in questo studio è di circa 889,8 chilometri quadrati. A Ostrava e dintorni, l'industria siderurgica e le lavorazioni metallurgiche sono molto attive. fonti di nichel nella regione (p. es., l'aggiunta di nichel agli agnelli per aumentare i tassi di crescita negli agnelli e nei bovini a bassa alimentazione). Altri usi industriali del nichel nelle aree di ricerca includono il suo utilizzo nella galvanica, compresi i processi di nichelatura elettrolitica e di nichelatura chimica. Le proprietà del suolo sono facilmente distinguibili dal colore del suolo, dalla struttura e dal contenuto di carbonati. spesso con cemento e sbiancamento.Tuttavia, i cambisoli e gli stagnosoli sono i tipi di suolo più comuni nella regione48.Con altitudini comprese tra 455,1 e 493,5 m, i cambisoli dominano la Repubblica ceca49.
Mappa dell'area di studio [La mappa dell'area di studio è stata creata utilizzando ArcGIS Desktop (ESRI, Inc, versione 10.7, URL: https://desktop.arcgis.com).]
Un totale di 115 campioni di suolo superficiale sono stati ottenuti da suoli urbani e periurbani nel distretto di Frydek Mistek. Il modello di campionamento utilizzato era una griglia regolare con campioni di suolo distanziati di 2 × 2 km l'uno dall'altro e il suolo superficiale è stato misurato a una profondità compresa tra 0 e 20 cm utilizzando un dispositivo GPS portatile (Leica Zeno 5 GPS). I campioni sono confezionati in sacchetti Ziploc, opportunamente etichettati e spediti al laboratorio. campioni, polverizzati con un sistema meccanico (mulino a dischi Fritsch) e setacciati (dimensione del setaccio 2 mm). Collocare 1 grammo di campioni di terreno essiccati, omogeneizzati e setacciati in bottiglie di teflon chiaramente etichettate. Posizionare il surnatante su una piastra metallica calda (temperatura: 100 W e 160 °C) per 2 ore per facilitare il processo di digestione dei campioni, quindi raffreddare. Trasferire il surnatante in un matraccio tarato da 50 ml e diluire a 50 ml con acqua deionizzata. Successivamente, filtrare il surnatante diluito in una provetta in PVC da 50 ml con acqua deionizzata. Inoltre, 1 ml della soluzione di diluizione è stato diluito con 9 ml di acqua deionizzata e filtrata in un tubo da 12 ml preparato per la pseudo-concentrazione di PTE. Le concentrazioni di PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) sono state determinate mediante ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) secondo metodi e accordi standard. 2711a Montana II Soil).PTE con limiti di rilevamento inferiori alla metà sono stati esclusi da questo studio.Il limite di rilevamento del PTE utilizzato in questo studio era 0,0004.(tu).Inoltre, il processo di controllo e garanzia della qualità per ogni analisi è garantito dall'analisi degli standard di riferimento.Per garantire che gli errori fossero ridotti al minimo, è stata eseguita una doppia analisi.
Il Kriging bayesiano empirico (EBK) è una delle tante tecniche di interpolazione geostatistica utilizzate nella modellazione in diversi campi come la scienza del suolo. A differenza di altre tecniche di interpolazione del kriging, l'EBK differisce dai tradizionali metodi del kriging considerando l'errore stimato dal modello del semivariogramma. grammo che costituisce una parte altamente complessa di un metodo di kriging sufficiente. Il processo di interpolazione di EBK segue i tre criteri proposti da Krivoruchko50, (a) il modello stima il semivariogramma dal set di dati di input (b) il nuovo valore previsto per ciascuna posizione del set di dati di input basato sul semivariogramma generato e (c) il modello A finale viene calcolato da un set di dati simulato.
Dove \(Prob\left(A\right)\) rappresenta la probabilità marginale precedente, \(Prob\left(B\right)\) viene ignorata nella maggior parte dei casi, \(Prob (B,A)\ ). semivariogramma.
Una macchina vettoriale di supporto è un algoritmo di apprendimento automatico che genera un iperpiano di separazione ottimale per distinguere classi identiche ma non linearmente indipendenti. Vapnik51 ha creato l'algoritmo di classificazione degli intenti, ma è stato recentemente utilizzato per risolvere problemi orientati alla regressione. Secondo Li et al.52, SVM è una delle migliori tecniche di classificazione ed è stata utilizzata in vari campi. MR come regressione basata su kernel, il cui calcolo è stato eseguito utilizzando un modello di regressione lineare con funzioni spaziali multi-paese. John et al.55, epsilon (ε)-SVMR utilizza il set di dati addestrato per ottenere un modello di rappresentazione come una funzione insensibile all'epsilon che viene applicata per mappare i dati indipendentemente con il miglior bias epsilon dall'addestramento sui dati correlati. L'errore di distanza preimpostato viene ignorato dal valore effettivo e, se l'errore è maggiore di ε(ε), le proprietà del suolo lo compensano.
dove b rappresenta la soglia scalare, \(K\left({x}_{,}{ x}_{k}\right)\) rappresenta la funzione del kernel, \(\alpha\) rappresenta il moltiplicatore di Lagrange, N rappresenta un set di dati numerico, \({x}_{k}\) rappresenta l'input dei dati e \(y\) è l'output dei dati. determinare il modello SVMR ottimale, che è fondamentale per ottenere il fattore di penalità più sottile C e il parametro del kernel gamma (γ) per i dati di addestramento PTE. In primo luogo, abbiamo valutato il set di addestramento e quindi testato le prestazioni del modello sul set di convalida. Il parametro di guida utilizzato è sigma e il valore del metodo è svmRadial.
Un modello di regressione lineare multipla (MLR) è un modello di regressione che rappresenta la relazione tra la variabile di risposta e un numero di variabili predittive utilizzando parametri aggregati lineari calcolati utilizzando il metodo dei minimi quadrati. In MLR, un modello di minimi quadrati è una funzione predittiva delle proprietà del suolo dopo la selezione delle variabili esplicative. È necessario utilizzare la risposta per stabilire una relazione lineare utilizzando variabili esplicative.
dove y è la variabile di risposta, \(a\) è l'intercetta, n è il numero di predittori, \({b}_{1}\) è la regressione parziale dei coefficienti, \({x}_{ i}\) rappresenta un predittore o variabile esplicativa e \({\varepsilon }_{i}\) rappresenta l'errore nel modello, noto anche come residuo.
I modelli misti sono stati ottenuti sovrapponendo EBK con SVMR e MLR. Ciò viene fatto estraendo i valori previsti dall'interpolazione EBK. I valori previsti ottenuti dal Ca, K e Mg interpolati sono ottenuti attraverso un processo combinatorio per ottenere nuove variabili, come CaK, CaMg e KMg. Gli elementi Ca, K e Mg vengono quindi combinati per ottenere una quarta variabile, CaKMg. Complessivamente, le variabili ottenute sono Ca, K, Mg, CaK, CaM g, KMg e CaKMg. Queste variabili sono diventate i nostri predittori, contribuendo a prevedere le concentrazioni di nichel nei suoli urbani e periurbani. L'algoritmo SVMR è stato eseguito sui predittori per ottenere un modello misto EBK_SVM (Empirical Bayesian Kriging-Support Vector Machine). , Mg, CaK, CaMg, KMg e CaKMg sono usati come covariate come predittori del contenuto di Ni nei suoli urbani e periurbani. Il modello più accettabile ottenuto (EBK_SVM o EBK_MLR) verrà quindi visualizzato utilizzando un grafico auto-organizzante. Il flusso di lavoro di questo studio è mostrato nella Figura 2.
L'utilizzo di SeOM è diventato uno strumento popolare per l'organizzazione, la valutazione e la previsione dei dati nel settore finanziario, sanitario, industriale, statistico, della scienza del suolo e altro ancora. SeOM viene creato utilizzando reti neurali artificiali e metodi di apprendimento non supervisionati per l'organizzazione, la valutazione e la previsione.57 descrivono la connessione di un vettore di input in una rete neurale attraverso un singolo strato di input a un vettore di output con un singolo vettore di peso. L'output generato da SeOM è una mappa bidimensionale costituita da diversi neuroni o nodi intrecciati in mappe topologiche esagonali, circolari o quadrate in base alla loro prossimità. -unità mappa (5 × 11). La struttura del neurone è determinata in base al numero di nodi nell'equazione empirica
Il numero di dati utilizzati in questo studio è di 115 campioni. È stato utilizzato un approccio casuale per suddividere i dati in dati di test (25% per la convalida) e insiemi di dati di addestramento (75% per la calibrazione). Il set di dati di addestramento viene utilizzato per generare il modello di regressione (calibrazione) e il set di dati di test viene utilizzato per verificare la capacità di generalizzazione58. Ciò è stato fatto per valutare l'idoneità di vari modelli per la previsione del contenuto di nichel nei suoli. L'interpolazione BK viene utilizzata come predittori o variabili esplicative per prevedere la variabile target (PTE). La modellazione viene gestita in RStudio utilizzando i pacchetti library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) e librerie (“Metrics”).
Vari parametri di convalida sono stati utilizzati per determinare il miglior modello adatto a prevedere le concentrazioni di nichel nel suolo e per valutare l'accuratezza del modello e la sua convalida. I modelli di ibridazione sono stati valutati utilizzando l'errore medio assoluto (MAE), l'errore quadratico medio (RMSE) e l'R-quadrato o la determinazione del coefficiente (R2). R2 definisce la varianza delle proporzioni nella risposta, rappresentata dal modello di regressione. Il valore deve essere alto per valutare il miglior modello di miscela utilizzando i parametri di convalida, più il valore è vicino a 1, maggiore è l'accuratezza.Secondo Li et al.59, un valore del criterio R2 di 0,75 o superiore è considerato un buon predittore;da 0,5 a 0,75 è una prestazione del modello accettabile e inferiore a 0,5 è una prestazione del modello inaccettabile. Quando si seleziona un modello utilizzando i metodi di valutazione dei criteri di convalida RMSE e MAE, i valori inferiori ottenuti erano sufficienti e sono stati considerati la scelta migliore. La seguente equazione descrive il metodo di verifica.
dove n rappresenta la dimensione del valore osservato\({Y}_{i}\) rappresenta la risposta misurata, e \({\widehat{Y}}_{i}\) rappresenta anche il valore di risposta previsto, quindi, per le prime i osservazioni.
Le descrizioni statistiche delle variabili predittive e di risposta sono presentate nella Tabella 1, che mostra media, deviazione standard (SD), coefficiente di variazione (CV), minimo, massimo, curtosi e asimmetria. I valori minimo e massimo degli elementi sono in ordine decrescente di Mg < Ca < K < Ni e Ca < Mg < K < Ni, rispettivamente. la media mondiale (29 mg/kg) e la media europea (37 mg/kg) hanno mostrato che la media geometrica complessiva calcolata per l'area di studio rientrava nell'intervallo tollerabile. Tuttavia, come mostrato da Kabata-Pendias11, un confronto della concentrazione media di nichel (Ni) nel presente studio con i suoli agricoli in Svezia mostra che l'attuale concentrazione media di nichel è più elevata. Allo stesso modo, la concentrazione media di Frydek Mistek nei suoli urbani e periurbani nel presente studio (Ni 16,1 5 mg/kg) era superiore al limite consentito di 60 (10,2 mg/kg) per il Ni nei suoli urbani polacchi riportato da Różański et al. in questo studio. Birke et al.63 hanno riportato una concentrazione media di Ni di 17,6 mg/kg in una vecchia area mineraria e industriale urbana in Sassonia-Anhalt, Germania, che era di 1,45 mg/kg superiore alla concentrazione media di Ni nell'area (16,15 mg/kg). ust et al.64 che l'industria siderurgica e la lavorazione dei metalli sono le principali fonti di contaminazione da nichel nei suoli.65 hanno studiato il contenuto totale di Mg e K dei suoli nella Serbia centrale. Hanno scoperto che le concentrazioni totali (rispettivamente 410 mg/kg e 400 mg/kg) erano inferiori alle concentrazioni di Mg e K dell'attuale studio. 10 mg/kg) Il contenuto nel terriccio è inferiore al singolo elemento in questo studio. Un recente studio di Pongrac et al.67 ha mostrato che il contenuto totale di Ca analizzato in 3 diversi suoli in Scozia, Regno Unito (suolo di Mylnefield, suolo di Balruddery e suolo di Hartwood) indicava un contenuto di Ca più elevato in questo studio.
A causa delle diverse concentrazioni misurate degli elementi campionati, le distribuzioni del set di dati degli elementi mostrano asimmetria diversa. L'asimmetria e la curtosi degli elementi variavano rispettivamente da 1,53 a 7,24 e da 2,49 a 54,16. Mg e Ni mostrano una variabilità moderata, mentre Ca ha una variabilità estremamente elevata. I CV di K, Ni e Mg spiegano la loro distribuzione uniforme. Inoltre, la distribuzione di Ca non è uniforme e fonti esterne possono influenzarne il livello di arricchimento.
La correlazione delle variabili predittive con gli elementi di risposta indicava una correlazione soddisfacente tra gli elementi (vedi Figura 3). La correlazione indicava che CaK mostrava una correlazione moderata con valore r = 0,53, così come CaNi. Sebbene Ca e K mostrino associazioni modeste tra loro, ricercatori come Kingston et al.68 e Santo69 suggeriscono che i loro livelli nel suolo sono inversamente proporzionali. Tuttavia, Ca e Mg sono antagonisti di K, ma CaK si correla bene. Ciò può essere dovuto all'applicazione di fertilizzanti come il carbonato di potassio, che è più alto del 56% in potassio. Il potassio era moderatamente correlato con il magnesio (KM r = 0,63). livelli. Il nichel è moderatamente correlato con Ca, K e Mg con valori r = 0,52, 0,63 e 0,55, rispettivamente. Le relazioni che coinvolgono calcio, magnesio e PTE come il nichel sono complesse, ma comunque il magnesio inibisce l'assorbimento del calcio, il calcio riduce gli effetti dell'eccesso di magnesio e sia il magnesio che il calcio riducono gli effetti tossici del nichel nel suolo.
Matrice di correlazione per gli elementi che mostrano la relazione tra predittori e risposte (Nota: questa figura include un grafico a dispersione tra gli elementi, i livelli di significatività si basano su p <0,001).
La figura 4 illustra la distribuzione spaziale degli elementi. Secondo Burgos et al.70, l'applicazione della distribuzione spaziale è una tecnica utilizzata per quantificare ed evidenziare i punti caldi nelle aree inquinate. I livelli di arricchimento di Ca in Fig. 4 possono essere visti nella parte nord-ovest della mappa di distribuzione spaziale. ossigeno alcalino nel processo di produzione dell'acciaio. D'altra parte, altri agricoltori preferiscono utilizzare l'idrossido di calcio in terreni acidi per neutralizzare il pH, che aumenta anche il contenuto di calcio del suolo71. Il potassio mostra anche punti caldi nel nord-ovest e ad est della mappa. 3, Pulkrabová et al.74, Asare et al.75, che hanno osservato che la stabilizzazione del suolo e il trattamento con KCl e NPK hanno prodotto un alto contenuto di K nel suolo.L'arricchimento spaziale di potassio nel nord-ovest della mappa di distribuzione può essere dovuto all'uso di fertilizzanti a base di potassio come cloruro di potassio, solfato di potassio, nitrato di potassio, potassa e cloruro di potassio per aumentare il contenuto di potassio dei suoli poveri. Zádorová et al.76 e Tlustos et al.77 ha sottolineato che l'applicazione di fertilizzanti a base di K ha aumentato il contenuto di K nel suolo e a lungo termine aumenterebbe significativamente il contenuto di nutrienti del suolo, in particolare K e Mg che mostrano un punto caldo nel suolo. Punti caldi relativamente moderati nel nord-ovest della mappa e nel sud-est della mappa. te, solfato di magnesio e kieserite trattano le carenze (le piante appaiono viola, rosse o marroni, indicando una carenza di magnesio) nei terreni con un normale intervallo di pH6.
Distribuzione spaziale degli elementi [la mappa di distribuzione spaziale è stata creata utilizzando ArcGIS Desktop (ESRI, Inc, versione 10.7, URL: https://desktop.arcgis.com).]
I risultati dell'indice di prestazione del modello per gli elementi utilizzati in questo studio sono mostrati nella Tabella 2. D'altra parte, RMSE e MAE di Ni sono entrambi vicini allo zero (0,86 RMSE, -0,08 MAE). D'altra parte, entrambi i valori RMSE e MAE di K sono accettabili. I risultati di RMSE e MAE erano maggiori per calcio e magnesio. sono risultati migliori dei risultati di John et al.54 utilizzando il kriging sinergico per prevedere le concentrazioni di S nel suolo utilizzando gli stessi dati raccolti. Gli output EBK che abbiamo studiato sono correlati a quelli di Fabijaczyk et al.41 Yan et al.79, Beguin et al.80, Adhikar et al.81 e Giovanni et al.82, in particolare K e Ni.
Le prestazioni dei singoli metodi per la previsione del contenuto di nichel nei suoli urbani e periurbani sono state valutate utilizzando le prestazioni dei modelli (Tabella 3). La convalida del modello e la valutazione dell'accuratezza hanno confermato che il predittore Ca_Mg_K combinato con il modello EBK SVMR ha prodotto le migliori prestazioni. kg (RMSE) e 77,368 mg/kg (MAE) Ca_Mg_K-SVMR era 0,663 (R2), 235,974 mg/kg (RMSE) e 166,946 mg/kg (MAE). Tuttavia, sono stati ottenuti buoni valori di R2 per Ca_Mg_K-SVMR (0,663 mg/kg R2) e Ca_Mg-EBK_SVMR (0. 643 = R2);i loro risultati RMSE e MAE erano superiori a quelli per Ca_Mg_K-EBK_SVMR (R2 0,637) (vedi Tabella 3). Inoltre, i valori RMSE e MAE del modello Ca_Mg-EBK_SVMR (RMSE = 1664,64 e MAE = 1031,49) sono rispettivamente 17,5 e 13,4, che sono maggiori di quelli del Ca_Mg_K-EBK _SVMR. Allo stesso modo, l'RMSE e il MAE del modello Ca_Mg-K SVMR (RMSE = 235,974 e MAE = 166,946) sono rispettivamente 2,5 e 2,2 più grandi di quelli del Ca_Mg_K-EBK_SVMR RMSE e MAE. a Kebonye et al.46 e John et al.54, più vicini a zero sono RMSE e MAE, migliori sono i risultati. SVMR ed EBK_SVMR hanno valori RSME e MAE quantizzati più alti. È stato osservato che le stime RSME erano costantemente superiori ai valori MAE, indicando la presenza di valori anomali. set di dati, più alti sono i valori MAE e RMSE. L'accuratezza della valutazione della convalida incrociata del modello misto Ca_Mg_K-EBK_SVMR per la previsione del contenuto di Ni nei suoli urbani e suburbani era del 63,70%. Secondo Li et al.59, questo livello di accuratezza è un tasso di prestazioni del modello accettabile. I risultati attuali vengono confrontati con uno studio precedente di Tarasov et al.36 il cui modello ibrido ha creato MLPRK (Multilayer Perceptron Residual Kriging), correlato all'indice di valutazione dell'accuratezza EBK_SVMR riportato nel presente studio, RMSE (210) e The MAE (167,5) era superiore ai nostri risultati nel presente studio (RMSE 95,479, MAE 77,368). Tuttavia, confrontando l'R2 del presente studio (0,637) con quello di Tarasov et al.36 (0,544), è chiaro che il coefficiente di determinazione (R2) è più alto in questo modello misto. Il margine di errore (RMSE e MAE) (EBK SVMR) per il modello misto è due volte inferiore. Allo stesso modo, Sergeev et al. SVMR) è del 63,7%, mentre l'accuratezza della previsione ottenuta da Sergeev et al.34 è del 28%. La mappa finale (Fig. 5) creata utilizzando il modello EBK_SVMR e Ca_Mg_K come predittore mostra le previsioni di punti caldi e da moderato a nichel sull'intera area di studio. Ciò significa che la concentrazione di nichel nell'area di studio è prevalentemente moderata, con concentrazioni più elevate in alcune aree specifiche.
La mappa di previsione finale è rappresentata utilizzando il modello ibrido EBK_SVMR e utilizzando Ca_Mg_K come predittore. [La mappa di distribuzione spaziale è stata creata utilizzando RStudio (versione 1.4.1717: https://www.rstudio.com/).]
Nella Figura 6 sono presentate le concentrazioni di PTE come un piano di composizione costituito da singoli neuroni. CaMg condivide alcune somiglianze con i neuroni di ordine molto elevato e modelli di colore da basso a moderato. Entrambi i modelli prevedono la concentrazione di Ni nel suolo visualizzando tonalità di colori medio-alti come rosso, arancione e giallo. Il modello KMg mostra molti modelli di colori elevati basati su proporzioni precise e macchie di colore da basso a medio. mostra un modello di colore diverso dal basso verso l'alto secondo un'accurata scala cromatica. Inoltre, la previsione del modello del contenuto di nichel (CakMg) è simile alla distribuzione spaziale del nichel mostrata nella Figura 5. Entrambi i grafici mostrano proporzioni alte, medie e basse di concentrazioni di nichel nei suoli urbani e periurbani. dei 115 campioni di suolo raccolti, la categoria 1 ha ottenuto il maggior numero di campioni di suolo, 74. Il cluster 2 ha ricevuto 33 campioni, mentre il cluster 3 ha ricevuto 8 campioni. La combinazione di predittori planari a sette componenti è stata semplificata per consentire una corretta interpretazione del cluster.
Uscita del piano dei componenti da ciascuna variabile EBK_SVM_SeOM (Empirical Bayesian Kriging Support Vector Machine). [Le mappe SeOM sono state create utilizzando RStudio (versione 1.4.1717: https://www.rstudio.com/).]
Diversi componenti di classificazione dei cluster [le mappe SeOM sono state create utilizzando RStudio (versione 1.4.1717: https://www.rstudio.com/).]
Il presente studio illustra chiaramente le tecniche di modellazione delle concentrazioni di nichel nei suoli urbani e periurbani. Lo studio ha testato diverse tecniche di modellazione, combinando elementi con tecniche di modellazione, per ottenere il modo migliore per prevedere le concentrazioni di nichel nel suolo. mostrano che il modello di regressione della macchina del vettore di supporto (Ca Mg K-SVMR) prevede la concentrazione di Ni nel suolo come un singolo modello, ma i parametri di valutazione della validazione e dell'accuratezza mostrano errori molto elevati in termini di RMSE e MAE. 3,7%. Si scopre che la combinazione dell'algoritmo EBK con un algoritmo di apprendimento automatico può generare un algoritmo ibrido in grado di prevedere la concentrazione di PTE nel suolo. I risultati mostrano che l'utilizzo di Ca Mg K come predittori per prevedere le concentrazioni di Ni nell'area di studio può migliorare la previsione di Ni nei suoli. Ciò significa che l'applicazione continua di fertilizzanti a base di nichel e l'inquinamento industriale del suolo da parte dell'industria siderurgica tende ad aumentare la concentrazione di nichel nel suolo. distribuzione spaziale del suolo in suoli urbani o periurbani. In generale, proponiamo di applicare il modello EBK-SVMR per valutare e prevedere PTE nel suolo;inoltre, proponiamo di utilizzare EBK per ibridare con vari algoritmi di apprendimento automatico. Le concentrazioni di Ni sono state previste utilizzando elementi come covariate;tuttavia, l'utilizzo di più covariate migliorerebbe notevolmente le prestazioni del modello, che può essere considerato un limite del lavoro attuale. Un altro limite di questo studio è che il numero di set di dati è 115. Pertanto, se vengono forniti più dati, le prestazioni del metodo di ibridazione ottimizzato proposto possono essere migliorate.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (consultato il 28 aprile 2021).
Kasprzak, KS Nickel avanza nella moderna tossicologia ambientale.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: una rassegna delle sue fonti e della tossicologia ambientale.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Ingresso di sostanze inquinanti dall'atmosfera e accumulo nel suolo e nella vegetazione vicino a una fonderia di nichel-rame a Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Metalli pesanti nel suolo, nelle piante e rischi associati ai ruminanti al pascolo vicino alla miniera di rame-nichel Selebi-Phikwe in Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Trace elements in soil and… – Google Scholar https://scholar.google.com/scholar?hl=it&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A +CRC+Press&btnG= (consultato il 24 novembre 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effetti dell'industria russa del nichel sulle concentrazioni di metalli pesanti nei suoli agricoli e nelle erbe in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.L'assorbimento e la ritenzione di nichel nell'acqua potabile sono correlati all'assunzione di cibo e alla sensibilità al nichel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesi, mutazione, epigenetica o selezione.ambiente. Prospettiva sanitaria.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​​NM;Analisi delle tendenze di elementi potenzialmente tossici: una revisione bibliometrica.Geochimica ambientale e salute.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. Sulla mappatura digitale del suolo.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Accesso 28 aprile 20 21).