תודה שביקרת ב-Nature.com.לגרסת הדפדפן שבה אתה משתמש יש תמיכה מוגבלת ב-CSS.לחוויה הטובה ביותר, אנו ממליצים להשתמש בדפדפן מעודכן (או לכבות את מצב התאימות ב-Internet Explorer). בינתיים, כדי להבטיח תמיכה מתמשכת, נציג את האתר ללא סגנונות ו-JavaScript.
זיהום קרקע הוא בעיה גדולה הנגרמת על ידי פעילויות אנושיות. ההפצה המרחבית של אלמנטים רעילים בפוטנציה (PTEs) משתנה ברוב האזורים העירוניים והפרי-עירוניים. לכן, קשה לחזות באופן מרחבי את תכולת ה-PTE בקרקעות כאלה. סך של 115 דגימות התקבלו מ-Frydek Mistek בצ'כיה (Czech Republic (Kassium), (Czech Republic) ו-potassiumi. s נקבעו באמצעות ספקטרומטריית פליטת פלזמה בשילוב אינדוקטיבי. משתנה התגובה הוא Ni והמנבאים הם Ca, Mg ו-K. מטריצת המתאם בין משתנה התגובה למשתנה המנבא מראה מתאם משביע רצון בין האלמנטים. תוצאות החיזוי הראו ש- Support Vector Machine Regression (SVMR) ביצעו היטב, אם כי ממוצע שגיאה מרובע (mgMA7) והערכת שגיאה מרובעת (25 kg/mgSE). E) (166.946 מ"ג/ק"ג) היו גבוהים יותר מהשיטות האחרות שהופעלו. מודלים מעורבים עבור רגרסיה אמפירית בייסיאנית-רב-ליניארית (EBK-MLR) מבצעים ביצועים גרועים, כפי שמעידים מקדמי קביעה הנמוכים מ-0.1. המודל האמפירי בייסיאני קריג-תמיכת וקטור-מכונות רגרסיה, מודל 9 ק"ג נמוך, דגם 9 מ"ג-9 ק"ג הטוב ביותר. וערכי MAE (77.368 מ"ג/ק"ג) ומקדם קביעה גבוה (R2 = 0.637). הפלט של טכניקת הדוגמנות EBK-SVMR מומחזת באמצעות מפה מתארגנת עצמית. נוירונים מקובצים במישור של הדגם ההיברידי CakMg-EBK-SVMR מראים דפוסי צבע מרובים המדגימים תוצאות ריכוזיות-SVEB ו-SVK כל כך מנבאות תוצאות ריכוזיות-SVK ו-SVK. היא טכניקה יעילה לחיזוי ריכוזי Ni בקרקעות עירוניות וסביב עירוניות.
ניקל (Ni) נחשב למיקרו-נוטריינט לצמחים מכיוון שהוא תורם לקיבוע חנקן אטמוספרי (N) ולחילוף החומרים של אוריאה, שניהם נדרשים לנביטת זרעים. בנוסף לתרומתו לנביטת זרעים, Ni יכול לשמש מעכב פטרייתי וחיידקי ולקדם את התפתחות הצמח. היעדר ניקל באדמה, מאפשר לצמח לספוג ולספיגת, לדוגמא, לצמחים ולספוג. יישום של דשנים על בסיס ניקל כדי לייעל את קיבוע החנקן2. המשך יישום של דשנים על בסיס ניקל כדי להעשיר את הקרקע ולהגביר את יכולתן של קטניות לקבע חנקן באדמה מעלה ברציפות את ריכוז הניקל באדמה. למרות שניקל הוא מיקרו-נוטריינט לצמחים, במידת הרעילות שלו יותר מאשר הקטניות יכול לעשות זאת. ה-pH של הקרקע ומעכב את ספיגת הברזל כחומר תזונתי חיוני לצמיחת צמחים1. על פי Liu3, נמצא Ni כי הוא המרכיב החשוב ה-17 הנדרש לפיתוח וגידול צמחים. בנוסף לתפקידו של הניקל בפיתוח וגידול צמחים, בני האדם זקוקים לו למגוון יישומים. חילול, ייצור של ניקל מבוססי ניקל של סגסוגות ומצתים שונים בתעשיית המצתים והמצתים בכל תעשיית המצתים והמצתים. מגזרי תעשייה. בנוסף, סגסוגות וחפצים מצופים אלקטרוניקל על בסיס ניקל היו בשימוש נרחב בכלי מטבח, אביזרי אולמות נשפים, אספקה ​​לתעשיית המזון, חשמל, תיל וכבלים, טורבינות סילון, שתלים כירורגיים, טקסטיל ובניית ספינות. ic4,6.מקורות טבעיים של ניקל כוללים התפרצויות געשיות, צמחייה, שריפות יער ותהליכים גיאולוגיים;עם זאת, מקורות אנתרופוגניים כוללים סוללות ניקל/קדמיום בתעשיית הפלדה, ציפוי אלקטרוני, ריתוך קשת, סולר ושמני דלק, ופליטות אטמוספריות משריפת פחם ושריפת פסולת ובוצה הצטברות ניקל7,8. לפי Freedman and Hutchinson9 and Manyiwa et al.10, המקורות העיקריים לזיהום הקרקע העליונה בסביבה הקרובה והסמוכה הם בעיקר מפעלים וממכרות המבוססים על ניקל נחושת. הקרקע העליונה מסביב לבית הזיקוק של ניקל-נחושת סודברי בקנדה הייתה עם הרמות הגבוהות ביותר של זיהום ניקל ב-26,000 מ"ג/ק"ג11. לעומת זאת, זיהום מייצור ניקל אל אל-מק1 ברוסיה הביא לייצור גבוה יותר של ניקל ל-Norwegian. .12, כמות הניקל הניתן לחילוץ HNO3 באדמות העיבוד המובילות באזור (ייצור ניקל ברוסיה) נעה בין 6.25 ל-136.88 מ"ג/ק"ג, המקביל לממוצע של 30.43 מ"ג/ק"ג וריכוז בסיס של 25 מ"ג/ק"ג. על פי קבטה 11, יישום הצלחת sophosphorus in-griculture in sophosphorus or-perilsurizer. עונות היבול עשויות להחדיר או לזהם את הקרקע. ההשפעות הפוטנציאליות של ניקל בבני אדם עשויות להוביל לסרטן באמצעות מוטגנזה, נזק כרומוזומלי, יצירת Z-DNA, תיקון כריתת DNA חסומה או תהליכים אפיגנטיים.13. בניסויים בבעלי חיים, נמצא כי ניקל יכול לגרום למגוון גידולים, וקומפלקסים מסוג זה עלולים לגרום לגידולים מסרטנים.
הערכות זיהום קרקע שגשגו בתקופה האחרונה בשל מגוון רחב של בעיות הקשורות לבריאות הנובעות מיחסי קרקע-צמח, יחסי קרקע וקרקע ביולוגיים, השפלה אקולוגית והערכת השפעה סביבתית. עד כה, חיזוי מרחבי של אלמנטים רעילים פוטנציאליים (PTEs) כגון Ni in soil, היה עמל של הצלחתו הדיגיטלית וגוזל זמן רב (SM5). מיפוי קרקע חזוי (PSM) משופר מאוד. לפי Minasny ו-McBratney16, מיפוי קרקע חזוי (DSM) הוכיח את עצמו כתת-דיסציפלינה בולטת של מדעי הקרקע. Lagacherie and McBratney, 2006 מגדירים DSM כ"יצירה ומילוי של מערכות מידע מרחביות לקרקע ומערכות תצפית מרחביות ושימוש במערכות תצפית במעבדה ובמערכות תצפית מרחביות. cBratney et al.17 מתארים כי ה-DSM או PSM העכשוויים הם הטכניקה היעילה ביותר לניבוי או מיפוי של ההתפלגות המרחבית של PTEs, סוגי קרקע ומאפייני קרקע. Geostatistics and Machine Learning Algorithms (MLA) הן טכניקות מודל DSM היוצרות מפות דיגיטאליות בעזרת מחשבים המשתמשים בנתונים משמעותיים ומזעריים.
Deutsch18 ו-Olea19 מגדירים גיאוסטטיסטיקה כ"אוסף של טכניקות מספריות העוסקות בייצוג של תכונות מרחביות, בעיקר תוך שימוש במודלים סטוכסטיים, כמו האופן שבו ניתוח סדרות זמן מאפיין נתונים זמניים."בעיקר, גיאוסטטיסטיקה כוללת הערכה של וריוגרמות, המאפשרות לכמת ולהגדיר את התלות של ערכים מרחביים מכל מערך נתונים20.Gumiaux et al.20 ממחיש עוד יותר כי הערכת וריוגרמות בגיאוסטטיסטיקה מבוססת על שלושה עקרונות, לרבות (א) חישוב קנה המידה של מתאם נתונים, (ב) זיהוי ומחשוב אניזוטרופיה בפער של מערכי נתונים ו-(ג) בנוסף לקיחת השגיאה המובנית של נתוני המדידה המופרדים מההשפעות המקומיות על המושג הגיאוסטט, מוערכות גם השפעות אינטראקטיביות אלו על הטכניקה הבין-פוליסטית. איסטיקות, כולל קריגינג כללי, קו-קריגינג, קריגינג רגיל, קריגינג בייסיאני אמפירי, שיטת מלחמה פשוטה וטכניקות אינטרפולציה ידועות אחרות למיפוי או לחזות PTE, מאפייני קרקע וסוגי קרקע.
Machine Learning Algorithms (MLA) הם טכניקה חדשה יחסית שמשתמשת במחלקות נתונים לא-לינאריות גדולות יותר, הניזונות על ידי אלגוריתמים המשמשים בעיקר לכריית נתונים, זיהוי דפוסים בנתונים, ומיושמת שוב ושוב לסיווג בתחומים מדעיים כמו מדעי הקרקע ומשימות החזרה. מאמרי מחקר רבים מסתמכים על מודלים של MLA וכדומה.22 (יערות אקראיים להערכת מתכות כבדות בקרקעות חקלאיות), Sakizadeh et al.23 (מודלים באמצעות מכונות וקטור תמיכה ורשתות עצביות מלאכותיות) זיהום קרקע). בנוסף, Vega et al.24 (CART למידול שימור וספיחה של מתכות כבדות באדמה) Sun et al.25 (יישום של קוביסט הוא התפלגות Cd באדמה) ואלגוריתמים אחרים כגון k-nearest neighbor, רגרסיה מוגברת כללית ורגרסיה מוגברת.
היישום של אלגוריתמי DSM בחיזוי או מיפוי עומד בפני מספר אתגרים. מחברים רבים מאמינים ש-MLA עדיפה על גיאוסטטיסטיקה ולהיפך. למרות שאחד טוב מהשני, השילוב של השניים משפר את רמת הדיוק של המיפוי או החיזוי ב-DSM15.Woodcock ו-Gopal26 Finke27;פונטיוס ו-Cheuk28 ו-Grunwald29 מעירים על ליקויים וכמה שגיאות במיפוי קרקע חזוי. מדעני קרקע ניסו מגוון טכניקות לייעל את האפקטיביות, הדיוק והחיזוי של מיפוי וחיזוי DSM. השילוב של אי-ודאות ואימות הוא אחד מהיבטים רבים ושונים המשולבים ב-DSM ו-al-optimize.15 מתארים כי התנהגות האימות ואי הוודאות שהוכנסו על ידי יצירת מפה וחיזוי צריכים להיות מאומתים באופן עצמאי כדי לשפר את איכות המפה. המגבלות של ה-DSM נובעות מאיכות קרקע מפוזרת גיאוגרפית, הכרוכה במרכיב של אי ודאות;עם זאת, חוסר הוודאות ב-DSM עשוי לנבוע ממקורות שגיאה מרובים, דהיינו שגיאת משתנים, שגיאת מודל, שגיאת מיקום ושגיאה אנליטית 31. אי דיוקים במודלים הנגרמים ב-MLA ותהליכים גיאוסטטיסטיים קשורים לחוסר הבנה, מה שמוביל בסופו של דבר לפישוט יתר של התהליך האמיתי32. ללא קשר למודל, ללא קשר למודל, ללא קשר לפרמטרים. תחזיות מודל אטי, או אינטרפולציה33. לאחרונה צצה מגמת DSM חדשה המקדמת שילוב של גיאוסטטיסטיקה ו-MLA במיפוי וחיזוי. מספר מדעני ומחברי קרקע, כגון Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 ו- Tarasov et al.37 ניצלו את האיכות המדויקת של גיאוסטטיסטיקה ולמידת מכונה כדי ליצור מודלים היברידיים המשפרים את היעילות של חיזוי ומיפוי.איכות.חלק מדגמי האלגוריתמים ההיברידיים או המשולבים הללו הם 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-MLPKian Process) ו-Co-MLPK3.
לדברי Sergeev וחב', שילוב של טכניקות מידול שונות יש לו פוטנציאל לחסל פגמים ולהגביר את היעילות של המודל ההיברידי שנוצר במקום לפתח את המודל היחיד שלו. בהקשר זה, מאמר חדש זה טוען כי יש צורך ליישם אלגוריתם משולב של גיאוסטטיסטיקה ו-MLA ליצירת מודלים היברידיים אופטימליים כדי לחזות את העשרה של Ni באזורים עירוניים ומחקרי-קימיים זה מחדש את המודל הקריסטי על המפרץ. ולערבב אותו עם מודלים של Support Vector Machine (SVM) ודגמי רגרסיה לינארית מרובת (MLR). הכלאה של EBK עם כל MLA אינה ידועה. המודלים המעורבים המרובים שנראו הם שילובים של רגיל, שיורי, רגרסיה kriging, ו-MLA.EBK היא שיטת אינטרפולציה גיאוסטטיסטית המנצלת שדה מרחבי סטוכסטי מקומי שהוא שדה סטוכסטי מקומי שאינו מוגדר כתהליך סטוכסטי מקומי. , המאפשר שינוי מרחבי39. EBK שימש במגוון מחקרים, כולל ניתוח התפלגות הפחמן האורגני בקרקעות החווה40, הערכת זיהום הקרקע41 ומיפוי תכונות הקרקע42.
מצד שני, Self-Organizing Graph (SeOM) הוא אלגוריתם למידה שיושם במאמרים שונים כגון Li et al.43, Wang et al.44, Hossein Bhuiyan et al.45 ו-Kebonye et al.46 קבע את התכונות המרחביות ואת קיבוץ האלמנטים.Wang et al.44 מתארים כי SeOM היא טכניקת למידה רבת עוצמה הידועה ביכולתה לקבץ ולדמיין בעיות לא ליניאריות. בניגוד לטכניקות אחרות של זיהוי תבניות כגון ניתוח רכיבים עיקריים, אשכולות מעורפלים, אשכולות היררכיים וקבלת החלטות מרובות קריטריונים, SeOM טובה יותר בארגון ובזיהוי דפוסי PTE. לפי Wang et al.44, SeOM יכול לקבץ באופן מרחבי את התפלגות הנוירונים הקשורים ולספק הדמיית נתונים ברזולוציה גבוהה. SeOM ידמיין נתוני חיזוי Ni כדי להשיג את המודל הטוב ביותר לאפיין התוצאות לפרשנות ישירה.
מאמר זה נועד ליצור מודל מיפוי חזק עם דיוק אופטימלי לחיזוי תכולת ניקל בקרקעות עירוניות וסביבות עירוניות. אנו משערים כי מהימנות המודל המעורב תלויה בעיקר בהשפעת מודלים אחרים המחוברים למודל הבסיס. אנו מכירים באתגרים העומדים בפני ה-DSM, ובעוד האתגרים הללו מטופלים בחזיתות מרובות של מודלים גיאוסטטיים ושילוב של חזיתות גיאוסטטיות בשילוב של מודלים גיאו-סטטיים;לכן, ננסה לענות על שאלות מחקר שעשויות להניב מודלים מעורבים. עם זאת, כמה מדויק המודל בחיזוי אלמנט היעד? כמו כן, מהי רמת הערכת היעילות המבוססת על אימות והערכת דיוק? לכן, המטרות הספציפיות של מחקר זה היו (א) ליצור מודל תערובת משולב עבור SVMR או MLR להשוות את המודל הטוב ביותר של התערובת (EBK) חיזוי ריכוזי Ni בקרקעות עירוניות או פרי-עירוניות, וכן (ד) היישום של SeOM ליצירת מפה ברזולוציה גבוהה של וריאציה מרחבית ניקל.
המחקר מתבצע בצ'כיה, ספציפית במחוז Frydek Mistek באזור מורביה-סיסאני (ראו איור 1). הגיאוגרפיה של אזור המחקר היא מאוד מחוספסת והיא בעיקר חלק מה- Moravia-Silesian Beskidy, שהוא חלק מהשורה החיצונית של האזור החיצוני, ואזור ה- 20 ′ Quits Quits Quits Quits ins Quits ins Quits ins Quits ′, הגודל הוא בין 225 ל- 327 מ ';עם זאת, מערכת הסיווג של קופן למצב האקלימי של האזור מדורגת כ-Cfb = אקלים אוקיאני ממוזג, יש הרבה גשם גם בחודשים היבשים. הטמפרטורות משתנות מעט במהלך השנה בין 5°C ל-24°C, לעתים רחוקות יורדות מתחת ל-14°C או מעל 30°C, בעוד שהאזור הממוצע של 5 מ"מ 285 עד 7 מ"מ משקעים ממוצע של 7 מ"מ. הוא 1,208 קמ"ר, עם 39.38% מהאדמה המעובדת ו-49.36% מכיסוי היער. מצד שני, השטח בו נעשה שימוש במחקר זה הוא כ-889.8 קמ"ר. באוסטרבה ובסביבתה, תעשיית הפלדה ומפעלי המתכת פעילים מאוד. מפעלי מתכת, תעשיית הפלדה שבה נעשה שימוש בהתנגדות ניקל ללא פלדה וניקל-ניקל (eg. כך שמגביר את חוזק הסגסוגת תוך שמירה על משיכותה וקשיחותה הטובים), וחקלאות אינטנסיבית כמו יישום דשן פוספט וייצור בעלי חיים הם מקורות מחקר פוטנציאליים של ניקל באזור (למשל, הוספת ניקל לכבשים כדי להגביר את שיעורי הצמיחה של כבשים ובקר בתזונה נמוכה). שימושים תעשייתיים אחרים של שימוש בניקל בשטחי מחקר הם תהליכי ציפוי חשמלי וציפוי ניקל, כולל ציפוי אלקטרו. ניתן להבחין בקלות בין צבע האדמה, המבנה ותכולת הקרבונט. מרקם האדמה בינוני עד דק, נגזר מחומר האב. הם בטבעם קולוביאלי, סחף או אאולי. אזורי אדמה מסוימים נראים מנומרים על פני השטח ובתת הקרקע, לעתים קרובות עם בטון והלבנה. עם זאת, הקמביזולים והסטגנוסולים הנפוצים ביותר באזורי ה-58 עד 5 הם הרמות השכיחות. 493.5 מ', הקמביזולים שולטים בצ'כיה49.
מפת אזור המחקר [מפת אזור המחקר נוצרה באמצעות ArcGIS Desktop (ESRI, Inc, גרסה 10.7, כתובת URL: https://desktop.arcgis.com).]
סה"כ 115 דגימות קרקע עליון התקבלו מקרקעות עירוניות וסביב-עירוניות במחוז פרידק מיסטק. דפוס הדגימה שנעשה בו שימוש היה רשת רגילה עם דגימות קרקע ברווח של 2×2 ק"מ זה מזה, והקרקע העליונה נמדדה בעומק של 0 עד 20 ס"מ באמצעות מכשיר GPS כף יד (Leica Zeno 5d corrected the laboratory pack and GPS samples). יובשו באוויר להפקת דגימות מרוסקות, רוססו על ידי מערכת מכנית (טחנת פריטש), וסוננו (גודל מסננת 2 מ"מ). הנח 1 גרם של דגימות אדמה מיובשות, הומוגניות ומסננות בבקבוקי טפלון עם תווית ברורה. בכל כלי טפלון, מוציאים 7 מ"ל של 35% HCl ו-5%3 מ"ל של חומצה אוטומטית אחת של חומרי נוזלים ו-5%3 מ"ל של חומצה קלה. אפשרו לדגימות לעמוד למשך הלילה לתגובה (תוכנית אקווה רג'יה). מניחים את הסופרנטנט על צלחת מתכת חמה (טמפרטורה: 100 W ו- 160 מעלות צלזיוס) למשך 2 שעות כדי להקל על תהליך העיכול של הדגימות, ולאחר מכן מקררים. העבירו את הסופרנטנט לבקבוק נפח של 50 מ"ל ודלל את המדולל במים המדולל ל-50 מ"ל. מ"ל צינור PVC עם מים מפושטים. בנוסף, 1 מ"ל מתמיסת הדילול דילול ב-9 מ"ל מים מפושט וסונן לתוך שפופרת 12 מ"ל שהוכנה לריכוז פסאודו של PTE. ריכוזי ה-PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, MgIn, K) נקבעו על ידי ICP- OE Spectical Optical Mission, K). (Thermo Fisher Scientific, ארה"ב) על פי שיטות סטנדרטיות והסכם. Ensure Quality Assurance and Control (QA/QC) procedures (SRM NIST 2711a Montana II Soil). PTEs עם מגבלות זיהוי מתחת למחצית לא נכללו במחקר זה. מגבלת הגילוי של ה-PTE בשימוש במחקר זה הייתה 0.0004. .כדי להבטיח שגיאות ממוזערות, בוצע ניתוח כפול.
Empirical Bayesian Kriging (EBK) היא אחת מטכניקות אינטרפולציה גאוסטטיסטיות רבות המשמשות במודלים בתחומים מגוונים כגון מדעי הקרקע. בניגוד לטכניקות אחרות של אינטרפולציה של קריגינג, EBK שונה משיטות קריגינג מסורתיות על ידי התחשבות בשגיאה המוערכת על ידי מודל הסמיווריוגרמה. באינטרפולציה של EBK, מספר מודלים של אינטרפולציה סמיווריוגרמה מאשר במהלך אינטרפולציה אחת, מייצרים מודלים של אינטרפולציה סמחוריוגרמה עבור אינטרפולציה אחת. ודאות ותכנות הקשורים לשרטוט זה של הסמיווריוגרמה המהווה חלק מורכב ביותר משיטת מלחמה מספקת. תהליך האינטרפולציה של EBK עוקב אחר שלושת הקריטריונים המוצעים על ידי Krivoruchko50, (א) המודל מעריך את הסמיווריוגרמה ממערך הקלט (ב) הערך החזוי החדש עבור כל מיקום מערך קלט בהתבסס על המודל הסמיקוואריוגרמי שנוצר הוא מודל סימולציה סופית של Bay. בתור אחורית
כאשר \(Prob\left(A\right)\) מייצג את ההסתברות הקודמת, \(Prob\left(B\right)\) במרבית המקרים, \(Prob (B,A)\ ) . החישוב ה-semivariogram מבוסס על הכלל של Bayes, אשר מראה את הנטייה של מערכי תצפית שניתן ליצור מ-Semivarios's statists של ה-semivarios. הוא ליצור מערך נתונים של תצפיות מהסמיווריוגרמה.
מכונה וקטורית תמיכה היא אלגוריתם למידת מכונה שיוצר היפר-מישור מפריד אופטימלי כדי להבחין בין מחלקות זהות אך לא עצמאיות באופן ליניארי.Vapnik51 יצר את אלגוריתם סיווג הכוונה, אך לאחרונה נעשה בו שימוש לפתרון בעיות מוכוונות רגרסיה. לפי Li et al.52, SVM הוא אחד מהטכניקות הטובות ביותר של הסיווג של SVM Regession Machine בטכניקות SVM Regession Machine שונות (SVM Regession Machine). – SVMR) שימש בניתוח זה.Cherkassky ו-Mulier53 היו חלוצי SVMR כרגרסיה מבוססת ליבה, שחישובה בוצע באמצעות מודל רגרסיה ליניארית עם פונקציות מרחביות מרובות מדינות.John et al54 מדווחים כי דוגמנות SVMR משתמשת רגרסיה ליניארית היפר-מפלסית, היוצרת פונקציות אל-קורדיות אל-קורדיות ו-Vohs.55, epsilon (ε)-SVMR משתמש במערך הנתונים המאומן כדי להשיג מודל ייצוג כפונקציה חסרת רגישות לאפסילון המיושמת כדי למפות את הנתונים באופן עצמאי עם הטיית אפסילון הטובה ביותר מאימון על נתונים מתואמים. שגיאת המרחק הקבועה מראש מתעלמת מהערך האמיתי, ואם השגיאה גדולה מ-ε(ε), המודל המורכב של האימון מצמצם את המאפיינים המורכבים של האימון. תמיכה בוקטורים. המשוואה המוצעת על ידי Vapnik51 מוצגת להלן.
כאשר b מייצג את הסף הסקלרי, \(K\left({x}_{,}{ x}_{k}\right)\) מייצג את פונקציית הליבה, \(\alpha\) מייצג את מכפיל Lagrange, N מייצג מערך נתונים מספרי, \({x}_{k}\) מייצג קלט נתונים, ו-\(y\) הוא הפונקציה הרדיאלית של פונקציית מפתח ה-Gau (הפונקציה הבסיסית של MR היא פונקציית MR. F). ליבת RBF מיושמת כדי לקבוע את מודל ה-SVMR האופטימלי, שהוא קריטי כדי להשיג את גורם מערך העונשים העדין ביותר C ופרמטר גרעין (γ) עבור נתוני האימון של PTE. ראשית, הערכנו את ערכת האימונים ולאחר מכן בדקנו את ביצועי המודל על ערכת האימות. פרמטר ההיגוי המשמש הוא סיגמה וערך השיטה הוא svmRadial.
מודל רגרסיה לינארית מרובת (MLR) הוא מודל רגרסיה המייצג את הקשר בין משתנה התגובה למספר משתנים מנבאים על ידי שימוש בפרמטרים מאוחדים ליניאריים המחושבים בשיטת הריבועים הקטנים ביותר. ב-MLR, מודל הריבועים הקטנים הוא פונקציה מנבאת של תכונות הקרקע לאחר בחירת משתני הסבר. יש צורך להשתמש בתגובה באמצעות תיאור של קשר קו עם משתנה המשמש קשר קו עם משתנה. משתנים מסבירים.משוואת MLR היא
כאשר y הוא משתנה התגובה, \(a\) הוא החתך, n הוא מספר המנבאים, \({b}_{1}\) הוא הרגרסיה החלקית של המקדמים, \({x}_{ i}\) מייצג מנבא או משתנה מסביר, ו-\({\varepsilon }_{i}\) מייצג את השגיאה במודל,.
מודלים מעורבים התקבלו על ידי שילוב של EBK עם SVMR ו-MLR. זה נעשה על ידי חילוץ ערכים חזויים מאינטרפולציה EBK. הערכים החזויים המתקבלים מהאינטרפולציה Ca, K ו-Mg מתקבלים בתהליך קומבינטורי להשגת משתנים חדשים, כגון CaK, CaMg ו-KMg. המשתנים המתקבלים הם Ca, K, Mg, CaK, CaMg, KMg ו-CaKMg. משתנים אלו הפכו למנבאים שלנו, ועוזרים לחזות ריכוזי ניקל בקרקעות עירוניות וסביב-עירוניות. אלגוריתם SVMR בוצע על המנבאים כדי להשיג מודל מעורב Empirical Bayesian Kriging-Support Vector Machine (EBK_arM are mixed also through aSLRm a mixed pipe). מודל אמפירית קריגינג בייסיאנית-רגרסיה ליניארית מרובה (EBK_MLR).בדרך כלל, המשתנים Ca, K, Mg, CaK, CaMg, KMg ו-CaKMg משמשים כמשתנים כמנבאים של תוכן Ni בקרקעות עירוניות וסביב-עירוניות. המודל המקובל ביותר שהתקבל (EBK_SVM באמצעות מחקר עצמי יוצג ב-ML-זרימה זו במחקר חזותי או EBK). איור 2.
השימוש ב-SeOM הפך לכלי פופולרי לארגון, הערכה וחיזוי נתונים במגזר הפיננסי, הבריאות, התעשייה, הסטטיסטיקה, מדעי הקרקע ועוד. SeOM נוצר באמצעות רשתות עצביות מלאכותיות ושיטות למידה לא מפוקחות לארגון, הערכה וחיזוי. במחקר זה, נעשה שימוש ב-SeOM כדי להמחיש מודל Ni לריכוזי Niurban ולחזות את הנתונים הטובים ביותר ב-SeOM. הערכה משמשים כ-n משתני וקטור קלט-ממדיים43,56.Melssen et al.57 מתארים את החיבור של וקטור קלט לרשת עצבית דרך שכבת קלט בודדת לוקטור פלט עם וקטור משקל יחיד. הפלט שנוצר על ידי SeOM הוא מפה דו-ממדית המורכבת מנוירונים או צמתים שונים השזורים במפות טופולוגיות משושה, מעגליות או מרובעות בהתאם לקרבתם.השוואת גדלי מפה מבוססת על מודל מטרי, שגיאה (TE) ושגיאה עם מודל שגיאה (TE) ושגיאה (6) ושגיאה. נבחר 0.904, בהתאמה, שהיא יחידה של 55 מפות (5 × 11). מבנה הנוירון נקבע על פי מספר הצמתים במשוואה האמפירית
מספר הנתונים המשמשים במחקר זה הוא 115 דגימות. נעשה שימוש בגישה אקראית לפיצול הנתונים לנתוני בדיקה (25% לאימות) ולמערכי נתוני אימון (75% לכיול). מערך ההדרכה משמש ליצירת מודל הרגרסיה (כיול), ומערך הנתונים של הבדיקה משמש לאימות יכולת ההכללה. -תהליך אימות, חוזר על עצמו חמש פעמים. המשתנים המיוצרים על ידי אינטרפולציה של EBK משמשים כמנבאים או משתנים מסבירים כדי לחזות את משתנה היעד (PTE). הדוגמנות מטופלת ב-RStudio באמצעות ספריית החבילות(Kohonen), library(caret), library(modelr), library(“e1071″(“pl”), library”), library”), library(”)Tool(, library”) וספריות ("מדדים").
פרמטרי אימות שונים שימשו לקביעת המודל הטוב ביותר המתאים לחיזוי ריכוזי ניקל בקרקע ולהערכת דיוק המודל ותיקונו. מודלים של הכלאה הוערכו באמצעות שגיאה מוחלטת ממוצעת (MAE), שגיאה מרובעת שורשית (RMSE), וקביעת R-squad או מקדם (R2). זה במדדים עצמאיים מתאר את כוח הניבוי של המודל, בעוד MAE קובע את הערך הכמותי בפועל. ערך R2 חייב להיות גבוה כדי להעריך את מודל התערובת הטוב ביותר באמצעות פרמטרי האימות, ככל שהערך קרוב יותר ל-1, כך הדיוק גבוה יותר. לפי Li et al.59, ערך קריטריון R2 של 0.75 ומעלה נחשב למנבא טוב;מ-0.5 עד 0.75 הם ביצועי מודל מקובלים, ומתחת ל-0.5 הם ביצועי מודל לא מקובלים. בעת בחירת מודל באמצעות שיטות הערכת קריטריוני אימות RMSE ו-MAE, הערכים הנמוכים שהתקבלו הספיקו ונחשבו לבחירה הטובה ביותר. המשוואה הבאה מתארת ​​את שיטת האימות.
כאשר n מייצג את גודל הערך הנצפה\({Y}_{i}\) מייצג את התגובה הנמדדת, ו-\({\widehat{Y}}_{i}\) מייצג גם את ערך התגובה החזוי, לכן, עבור התצפיות ה-i הראשונות.
תיאורים סטטיסטיים של משתני מנבא ומשתני תגובה מוצגים בטבלה 1, המציגים ממוצע, סטיית תקן (SD), מקדם וריאציה (CV), מינימום, מקסימום, קורטוזיס והטיה. ערכי המינימום והמקסימום של האלמנטים הם בסדר יורד של Mg < Ca < K < Ni ו- Ca < Mg < K < Ni, בהתאמה, בטווח התגובה של 8 מדגם (N, בהתאמה) 6. ל-42.39 מ"ג/ק"ג. השוואה של Ni עם הממוצע העולמי (29 מ"ג/ק"ג) והממוצע האירופי (37 מ"ג/ק"ג) הראתה שהממוצע הגיאומטרי המחושב הכולל לאזור המחקר היה בטווח הנסבל. עם זאת, כפי שמוצג על ידי Kabata-Pendias11, השוואה של ממוצע הניקל הממוצע (Ni) מראה שהריכוז הנוכחי של ניקל (Ni) גבוה יותר בשוודיה, ריכוז הניקל הנוכחי גבוה יותר בשוודיה. הריכוז הממוצע של Frydek Mistek בקרקעות עירוניות וסביב-עירוניות במחקר הנוכחי (Ni 16.15 מ"ג/ק"ג) היה גבוה מהגבול המותר של 60 (10.2 מ"ג/ק"ג) ל-Ni בקרקעות עירוניות פולניות שדווחו על ידי Różański וחב'. יתר על כן, Bretzel ו-Calderisi 61 רשמו ריכוזים נמוכים מאוד של מ"ג/ק"ג במחקר טוסקנה (17 מ"ג/ק"ג נמוכים מאוד במחקר הנוכחי). Jim62 מצא גם ריכוז ניקל נמוך יותר (12.34 מ"ג/ק"ג) בקרקעות עירוניות בהונג קונג, שהוא נמוך מריכוז הניקל הנוכחי במחקר זה. Birke et al63 דיווחו על ריכוז ניקל ממוצע של 17.6 מ"ג/ק"ג באזור כרייה ותעשייה עירונית ישן בסקסוניה-אנהלט, גרמניה, שהיה גבוה ב-1.45 מ"ג/ק"ג מהריכוז הממוצע של ניקל/ק"ג ב-16 ק"ג. קרקעות באזורים עירוניים ופרבריים מסוימים של אזור המחקר עשויות להיות מיוחסות בעיקר לתעשיית הברזל והפלדה ולתעשיית המתכת.64 כי תעשיית הפלדה ועיבוד המתכת הם המקורות העיקריים לזיהום ניקל בקרקעות. עם זאת, המנבאים נעו גם בין 538.70 מ"ג/ק"ג ל-69,161.80 מ"ג/ק"ג עבור Ca, 497.51 מ"ג/ק"ג עד 3535.68 מ"ג/ק"ג עבור K, ו-685.70 מ"ג/ק"ג et.5 מ"ג/ק"ג et. אל.65 חקרו את תכולת ה-Mg וה-K הכוללת של קרקעות במרכז סרביה. הם מצאו שהריכוזים הכוללים (410 מ"ג/ק"ג ו-400 מ"ג/ק"ג, בהתאמה) היו נמוכים מריכוזי ה-Mg וה-K של המחקר הנוכחי. לא ניתן להבחין, במזרח פולין, Orzechowski ו-Smolczynski66 העריכו את הריכוז הכולל והריכוזים הממוצעים של Mg/Ca/Ca (10 ק"ג ו-1 ק"ג) 590 מ"ג/ק"ג) ו-K (810 מ"ג/ק"ג) התכולה בקרקע העליונה נמוכה מהאלמנט הבודד במחקר זה. מחקר עדכני של Pongrac et al.67 הראו כי תכולת ה-Ca הכוללת שנותחה ב-3 קרקעות שונות בסקוטלנד, בריטניה (אדמת Mylnefield, אדמת Balruddery ו-Hartwood) הצביעה על תכולת Ca גבוהה יותר במחקר זה.
בשל הריכוזים הנמדדים השונים של היסודות הנדגמים, התפלגויות מערכי הנתונים של היסודות מפגינות נטייה שונה. העקמת והקורטוזיס של היסודות נעו בין 1.53 ל-7.24 ו-2.49 ל-54.16, בהתאמה. לכל האלמנטים המחושבים יש נטייה ורמות כיוון וקורטוזיס מעל 1. ed. קורות החיים המשוערים של היסודות מראים גם ש-K, Mg ו-Ni מציגים שונות מתונה, בעוד של-Ca יש שונות גבוהה ביותר. קורות החיים של K, Ni ו-Mg מסבירים את התפלגותם האחידה. יתרה מכך, התפלגות Ca אינה אחידה ומקורות חיצוניים עשויים להשפיע על רמת ההעשרה שלה.
המתאם של משתני המנבאים עם מרכיבי התגובה הצביע על מתאם מספק בין האלמנטים (ראה איור 3). המתאם הצביע על מתאם מתון עם ערך r = 0.53, וכך גם CaNi. למרות ש-Ca ו-K הראו קשרים צנועים זה עם זה, חוקרים כמו Kingston et al.68 ו-Santo69 מציעים כי רמותיהם באדמה פרופורציונליות הפוך. עם זאת, Ca ו-Mg נוגדים ל-K, אך CaK מתאם היטב. ייתכן שהסיבה לכך היא יישום של דשנים כגון אשלגן קרבונט, שהוא גבוה ב-56% באשלגן. אשלגן היה בקורלציה בינונית עם מגנזיום, אלמנטים 3. אשלגן מגנזיום סולפט, אשלגן מגנזיום חנקתי ואשלג מיושמים על קרקעות כדי להגביר את רמות המחסור שלהן. ניקל נמצא בקורלציה מתונה עם Ca, K ו-Mg עם ערכי r = 0.52, 0.63 ו-0.55, בהתאמה. הקשרים הכוללים סידן, מגנזיום ו-PTE הם מורכבים, מגנזיום ו-PTE מפחיתים את השפעת סידן ללא ספיגה כמו ניקל. של עודף מגנזיום, וגם מגנזיום וגם סידן מפחיתים את ההשפעות הרעילות של ניקל באדמה.
מטריצת מתאם לאלמנטים המראה את הקשר בין מנבאים לתגובות (הערה: נתון זה כולל תרשים פיזור בין אלמנטים, רמות המובהקות מבוססות על p < 0,001).
איור 4 ממחיש את ההתפלגות המרחבית של יסודות. על פי Burgos et al70, יישום התפלגות המרחבית היא טכניקה המשמשת לכימות והדגשת נקודות חמות באזורים מזוהמים. ניתן לראות את רמות ההעשרה של Ca באיור. 4 בחלק הצפון-מערבי של מפת התפוצה המרחבית. האיור מראה מתון עד גבוה מנקודת ההעשרה המהירה של סידן עד מתון של נקודות העשרה של סידן מצפון-מערב. תחמוצת סידן) להפחתת חומציות הקרקע והשימוש בה במפעלי פלדה כחמצן אלקליני בתהליך ייצור הפלדה. מצד שני, חקלאים אחרים מעדיפים להשתמש בסידן הידרוקסיד בקרקעות חומציות כדי לנטרל את ה-pH, אשר גם מגביר את תכולת הסידן בקרקע71. אשלגן מראה גם נקודות חמות בצפון-מערב ובמזרח המפה. יישומי אפר. זה עולה בקנה אחד עם מחקרים אחרים, כגון Madaras ו- Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, שראו כי ייצוב קרקע וטיפול ב-KCl ו-NPK הביאו לתכולת K גבוה בקרקע.העשרת אשלגן מרחבית בצפון מערב מפת התפוצה עשויה לנבוע משימוש בדשנים על בסיס אשלגן כגון אשלגן כלורי, אשלגן גופרתי, אשלגן חנקתי, אשלג ואשלג כדי להגדיל את תכולת האשלגן בקרקעות עניות.Zádorová et al.76 ו-Tlustoš et al.77 התווה כי יישום של דשנים מבוססי K מעלה את תכולת ה-K בקרקע ותעלה משמעותית את תכולת התזונה בקרקע בטווח הארוך, במיוחד K ו-Mg המראים נקודה חמה בקרקע. נקודות חמות מתונות יחסית בצפון-מערב המפה ובדרום מזרח המפה. קיבוע קולואידי בקרקע גורם לריכוז של מגנזיום לצהוב כל כך בצמחים. intervein chlorosis. דשנים על בסיס מגנזיום, כגון אשלגן מגנזיום סולפט, מגנזיום סולפט ו-Kieserite, מטפלים בחסרים (צמחים נראים סגולים, אדומים או חומים, המעידים על מחסור במגנזיום) בקרקעות עם טווח pH תקין6. הצטברות ניקל על אדמה עירונית וסביבת עירונית לפעילויות אדמה נטולות פלדה ומשטחי פלדה עשויה להיות חשיבות של אדמה נטולת פלדה. ייצור78.
הפצה מרחבית של אלמנטים [מפת הפצה מרחבית נוצרה באמצעות ArcGIS Desktop (ESRI, Inc, גרסה 10.7, כתובת URL: https://desktop.arcgis.com).]
תוצאות מדד הביצועים של המודל עבור האלמנטים ששימשו במחקר זה מוצגות בטבלה 2. מצד שני, ה-RMSE וה-MAE של Ni קרובים לאפס (0.86 RMSE, -0.08 MAE). מצד שני, ערכי RMSE ו-MAE של K מקובלים. תוצאות RMSE ו-MAE היו גדולות יותר עבור תוצאות שונות של RMSE ו-MAE RM ומגנזיום. ממחקר זה באמצעות EBK כדי לחזות Ni נמצאו טובים יותר מהתוצאות של John et al.54 באמצעות kriging סינרגיסטית כדי לחזות ריכוזי S בקרקע תוך שימוש באותם נתונים שנאספו. התפוקות של EBK שחקרנו מתאימות לאלו של Fabijaczyk וחב'.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 וג'ון ואחרים.82, במיוחד K ו-Ni.
הביצועים של שיטות בודדות לחיזוי תכולת ניקל בקרקעות עירוניות וסביב-עירוניות הוערכו באמצעות הביצועים של המודלים (טבלה 3). אימות מודל והערכת דיוק אישרו כי מנבא Ca_Mg_K בשילוב עם מודל EBK SVMR הניבו את הביצועים הטובים ביותר. מודל כיול ממוצע Ca_Mg_SVMA וממוצע שגיאה מרובעת Ca_Mg E) היו 0.637 (R2), 95.479 מ"ג/ק"ג (RMSE) ו-77.368 מ"ג/ק"ג (MAE) Ca_Mg_K-SVMR היה 0.663 (R2), 235.974 מ"ג/ק"ג (RMSE) ו-166.946 מ"ג/ק"ג (MAE) ללא ערכים של Ca_Mg/K"ג (MAE). מ"ג/ק"ג R2) ו- Ca_Mg-EBK_SVMR (0.643 = R2);תוצאות ה-RMSE וה-MAE שלהם היו גבוהות יותר מאלו של Ca_Mg_K-EBK_SVMR (R2 0.637) (ראה טבלה 3). בנוסף, ה-RMSE וה-MAE של המודל Ca_Mg-EBK_SVMR (RMSE = 1664.64 ו-MAE = 1031.49) הם 13.4,- מ-13.4, אשר הם 13.4 מ-13.4 ו-7 בהתאמה. EBK_SVMR. כמו כן, ה-RMSE וה-MAE של מודל Ca_Mg-K SVMR (RMSE = 235.974 ו-MAE = 166.946) גדולים ב-2.5 ו-2.2 מאלו של Ca_Mg_K-EBK_SVMR RMSE ו-MAE, בהתאמה. נצפו MAE.לפי Kebonye et al.46 ו-John et al.54, ככל שה-RMSE וה-MAE קרובים יותר לאפס, כך התוצאות טובות יותר. ל-SVMR ול-EBK_SVMR יש ערכי RSME ו-MAE מכומתיים גבוהים יותר. נצפה שהערכות RSME היו גבוהות באופן עקבי מערכי ה-MAE, מה שמצביע על נוכחות חריגים. לפי Legates ומ- McCabe83, מידת השגיאה שבה הממוצע של ERMSE עולה על הממוצע של ERMSE. פירוש הדבר שככל שהמערך הטרוגני יותר, כך ערכי MAE ו-RMSE גבוהים יותר. הדיוק של הערכת אימות צולב של המודל המעורב Ca_Mg_K-EBK_SVMR לחיזוי תכולת Ni בקרקעות עירוניות ופרבריות היה 63.70%. לפי Li et al.59, רמת דיוק זו היא שיעור ביצועי מודל מקובל. התוצאות הנוכחיות מושוות למחקר קודם של Tarasov et al.36 שהמודל ההיברידי שלו יצר MLPRK (Multilalayer Perceptron Residual Kriging), קשור לאינדקס הערכת הדיוק של EBK_SVMR שדווח במחקר הנוכחי, RMSE (210) וה-MAE (167.5) היו גבוהים מהתוצאות שלנו במחקר הנוכחי (RMSE 95.479, MAE 77.328 בהשוואה למחקר הנוכחי, לעומת זה, 77.328 לעומת זה). של Tarasov et al.36 (0.544), ברור שמקדם הקביעה (R2) גבוה יותר במודל מעורב זה. מרווח הטעות (RMSE ו-MAE) (EBK SVMR) עבור הדגם המעורב נמוך פי שניים. כמו כן, Sergeev et al.34 רשמו 0.28 (R2) עבור המודל ההיברידי שפותח (Multilayer Current Perceptron), (Recorded in the Multilayer current Perceptron). רמת דיוק הניבוי של מודל זה (EBK SVMR) היא 63.7%, בעוד שדיוק הניבוי שהושג על ידי Sergeev et al.34 הוא 28%. המפה הסופית (איור 5) שנוצרה תוך שימוש במודל EBK_SVMR ו-Ca_Mg_K כמנבא מציגה תחזיות של נקודות חמות ובינוני עד ניקל על פני כל אזור המחקר. המשמעות היא שריכוז הניקל באזור המחקר הוא בעיקר בינוני, עם ריכוזים גבוהים יותר בחלק מהאזורים הספציפיים.
מפת החיזוי הסופית מיוצגת באמצעות המודל ההיברידי EBK_SVMR ושימוש ב-Ca_Mg_K כמנבא.[מפת התפוצה המרחבית נוצרה באמצעות RStudio (גרסה 1.4.1717: https://www.rstudio.com/).]
מוצגים באיור 6 ריכוזי PTE כמישור קומפוזיציה המורכב מנוירונים בודדים. אף אחד ממישורי הרכיבים לא הציג את אותה תבנית צבע כפי שמוצגת. עם זאת, המספר המתאים של נוירונים לכל מפה מצוירת הוא 55. SeOM מיוצר באמצעות מגוון צבעים, וככל שדפוסי הצבע דומים יותר, כך המאפיינים של הדגימות, הדגימות והצבע שלהם דומות יותר להשוואה לאלמנטים הבודדים, הדגימות והצבע שלהם. דפוסים לנוירונים בודדים גבוהים ורוב נוירונים נמוכים. לפיכך, CaK ו-CaMg חולקים קווי דמיון עם נוירונים מסדר גבוה מאוד ודפוסי צבע נמוכים עד בינוניים. שני הדגמים חוזים את ריכוז ה-Ni באדמה על ידי הצגת גוונים בינוניים עד גבוהים של צבעים כמו אדום, כתום וצהוב. מודל KMg מציג הרבה תבניות צבע גבוהות המבוססות על פרופורציות צבע נמוכות עד בינוניות מדויקות של כתמי צבע מדויקים, ותבניות צבע נמוכות עד גבוהות ותבניות צבע מדויקות. רכיבי המודל הראו דפוס צבע גבוה המציין את הריכוז הפוטנציאלי של ניקל באדמה (ראה איור 4). מישור הרכיבים של דגם CakMg מציג תבנית צבע מגוונת מנמוך לגבוה לפי סולם צבעים מדויק. יתרה מכך, חיזוי המודל של תכולת ניקל (CakMg) דומה להתפלגות המרחבית של ניקל בשיעורים בינוניים-נמוכים ומוצגים באיור 5. ban soils.איור 7 מתאר את שיטת קווי המתאר בקיבוץ ה-k-means במפה, מחולקת לשלושה אשכולות בהתבסס על הערך החזוי בכל דגם. שיטת המתאר מייצגת את המספר האופטימלי של אשכולות. מתוך 115 דגימות הקרקע שנאספו, קטגוריה 1 השיגה את מירב דגימות הקרקע, 74. דגימות אשכול 3 שהתקבלו, בעוד ש-8 דגימות אשכול 3 התקבלו. שילוב המנבאים פושט כדי לאפשר פרשנות נכונה של אשכולות. בשל התהליכים האנתרופוגניים והטבעיים הרבים המשפיעים על היווצרות הקרקע, קשה להבדיל כראוי בין דפוסי אשכולות במפת SeOM מבוזרת78.
פלט מישור רכיב על ידי כל משתנה Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[מפות SeOM נוצרו באמצעות RStudio (גרסה 1.4.1717: https://www.rstudio.com/).]
רכיבי סיווג אשכולות שונים [מפות SeOM נוצרו באמצעות RStudio (גרסה 1.4.1717: https://www.rstudio.com/).]
המחקר הנוכחי ממחיש בבירור טכניקות מידול של ריכוזי ניקל בקרקעות עירוניות וסביב-עירוניות. המחקר בדק טכניקות מידול שונות, בשילוב אלמנטים עם טכניקות מידול, כדי לקבל את הדרך הטובה ביותר לחזות את ריכוזי הניקל בקרקע. המאפיינים המרחביים המישוריים המישוריים של SeOM של טכניקת המידול הציגו דפוס צבע גבוה מנמוך לגבוה בסולם הצבעים המדויק כל כך של ניקל, המאשר את הסולם הצבעים המדויק של הניקל. התפלגות מרחבית מישורית של רכיבים המוצגים על ידי EBK_SVMR (ראה איור 5). התוצאות מראות שמודל רגרסיית המכונה התמיכה וקטורית (Ca Mg K-SVMR) מנבא את ריכוז ה-Ni באדמה כמודל יחיד, אך פרמטרי הערכת האימות והדיוק מראים שגיאות גבוהות מאוד במונחים של RMSE ו-MAE. של מקדם הקביעה (R2). תוצאות טובות התקבלו באמצעות EBK SVMR ורכיבים משולבים (CaKMg) עם שגיאות RMSE ו-MAE נמוכות בדיוק של 63.7%. מסתבר ששילוב של אלגוריתם EBK עם אלגוריתם למידת מכונה יכול ליצור אלגוריתם היברידי שיכול לחזות את הריכוז של KG לחזות כך בריכוז של Kg. באזור המחקר יכול לשפר את החיזוי של Ni בקרקעות. המשמעות היא שליישום מתמשך של דשנים מבוססי ניקל וזיהום תעשייתי של הקרקע על ידי תעשיית הפלדה יש ​​נטייה להגביר את ריכוז הניקל בקרקע. מחקר זה גילה כי מודל EBK יכול להפחית את רמת השגיאה ולשפר את הדיוק של מודל התפוצה המרחבית של הקרקע, EB על המודל המרחבי של הקרקע, או EB ב-MR. להעריך ולחזות PTE באדמה;בנוסף, אנו מציעים להשתמש ב-EBK כדי להכליא עם אלגוריתמים שונים של למידת מכונה. ריכוזי Ni נחזו באמצעות אלמנטים כמשתנים משתנים;עם זאת, שימוש ביותר משתנים משתנים ישפר מאוד את הביצועים של המודל, מה שיכול להיחשב כמגבלה של העבודה הנוכחית. מגבלה נוספת של מחקר זה היא שמספר מערכי הנתונים הוא 115. לכן, אם יסופקו נתונים נוספים, ניתן לשפר את הביצועים של שיטת ההכלאה האופטימלית המוצעת.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (נגישה ב-28 באפריל 2021).
Kasprzak, KS ניקל מתקדם ברעלנות סביבתית מודרנית.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: סקירה של מקורותיו והרעילות הסביבתית. פולנית J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC קלט מזהם מהאטמוספרה והצטברות באדמה ובצמחייה ליד מתקן התכת ניקל-נחושת בסאדברי, אונטריו, קנדה.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. מתכות כבדות בקרקע, בצמחים וסיכונים הקשורים למרעה מעלי גירה ליד מכרה הנחושת-ניקל Selebi-Phikwe בבוצואנה.
Cabata-Pendias.Kabata-Pendias A. 2011. Trace elements in soil and… – Google Scholar https://scholar.google.com/scholar?hl=iw&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+plants+ny%20+2+2+2+2+2++++++++++++++; %3A+CRC+Press&btnG= (נגישה ב-24 בנובמבר 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. השפעות תעשיית הניקל הרוסית על ריכוזי מתכות כבדות בקרקעות חקלאיות ועשבים ב- Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD וחב'. ספיגת ניקל ושימור במי שתייה קשורים לצריכת מזון ורגישות לניקל.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB קרצינוגנזה של ניקל, מוטציה, אפיגנטיקה או בחירה. סביבה. פרספקטיבה בריאותית.107, 2 (1999).
אג'מן, PC;Ajado, SK;Borůvka, L.;ביני, JKM;סרקודי, VYO;Cobonye, ​​NM;ניתוח מגמות של אלמנטים שעלולים להיות רעילים: סקירה ביבליומטרית. Environmental Geochemistry and Health.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.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=iw&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2Cpage=April+37+2Cpage+Press%2C 021).