Matur nuwun kanggo ngunjungi Nature.com.Versi browser sing sampeyan gunakake nduweni dhukungan winates kanggo CSS.Kanggo pengalaman sing paling apik, disaranake sampeyan nggunakake browser sing dianyari (utawa mateni mode kompatibilitas ing Internet Explorer).Sauntara kuwi, kanggo njamin dhukungan sing terus-terusan, kita bakal nampilake situs kasebut tanpa gaya lan JavaScript.
Polusi lemah minangka masalah gedhe sing disebabake dening aktivitas manungsa. Distribusi spasial unsur-unsur potensial beracun (PTEs) beda-beda ing umume wilayah kutha lan pinggiran kutha. Mula, angel kanggo prédhiksi spasial isi PTE ing lemah kasebut. Gunggunge 115 sampel dipikolehi saka Frydek Mistek ing Republik Ceko (Konsentrasi Kalsium lan Kalium) ing Republik Ceko. ly coupled plasma emission spectrometry.Variabel respon yaiku Ni lan prediktor yaiku Ca, Mg, lan K. Matriks korelasi antarane variabel respon lan variabel prediktor nuduhake korelasi sing cukup antarane unsur kasebut.Asil prediksi nuduhake yen Regresi Mesin Vektor Dukungan (SVMR) nindakake kanthi apik, sanajan estimasi kesalahan root rata-rata kuadrat (RMSE) (RMSE) (235,97 mg/kg) (RMSE) (RMSE) (235.97 mg/kg) sing ditaksir (235.97 mg/kg) absolute (235.97 mg/kg) (235.97 mg/kg). luwih dhuwur tinimbang metode liyane sing diterapake.Model campuran kanggo Empiris Bayesian Kriging-Multiple Linear Regression (EBK-MLR) performa kurang, sing dibuktekake kanthi koefisien determinasi kurang saka 0,1. Nilai lan koefisien determinasi sing dhuwur (R2 = 0.637). Output teknik pemodelan EBK-SVMR digambarake nggunakake peta swa-organisasi. .
Nikel (Ni) dianggep minangka mikronutrien kanggo tetanduran amarga nyumbang kanggo fiksasi nitrogen atmosfer (N) lan metabolisme urea, sing loro-lorone dibutuhake kanggo germination wiji. izers kanggo ngoptimalake fiksasi nitrogen2.Terus aplikasi pupuk basis nikel kanggo nambah lemah lan nambah kemampuan legum kanggo mbenakake nitrogen ing lemah terus nambah konsentrasi nikel ing lemah.Sanajan nikel minangka mikronutrien kanggo tetanduran, asupan sing berlebihan ing lemah bisa nyebabake luwih mbebayani tinimbang apik. Miturut Liu3, Ni wis ditemokake minangka unsur penting kaping 17 sing dibutuhake kanggo pangembangan lan pertumbuhan tanduran. Saliyane peran nikel ing pangembangan lan pertumbuhan tanduran, manungsa butuh kanggo macem-macem aplikasi. Electroplating, produksi paduan berbasis nikel, lan manufaktur piranti kontak lan busi ing industri otomotif kabeh mbutuhake panggunaan ing macem-macem sektor industri lan paduan nikel. wis akeh digunakake ing pawon, aksesoris ruang dansa, pasokan industri pangan, listrik, kabel lan kabel, turbin jet, implan bedhah, tekstil, lan galangan kapal 5. Tingkat sugih Ni ing lemah (yaiku, lemah permukaan) wis digandhengake karo sumber antropogenik lan alam, nanging utamane, Ni minangka sumber alam tinimbang antropogenik, vegetasi alam, lan vegetasi alam;Nanging, sumber antropogenik kalebu baterei nikel / kadmium ing industri baja, electroplating, busur welding, diesel lan lenga bahan bakar, lan emisi atmosfer saka pembakaran batu bara lan sampah lan endhot akumulasi nikel7,8.Miturut Freedman lan Hutchinson9 lan Manyiwa et al.10, sumber utama polusi topsoil ing lingkungan langsung lan jejer utamané nikel-tembaga basis smelters lan tambang.Lemah ndhuwur watara kilang nikel-tembaga Sudbury ing Kanada wis tingkat paling dhuwur saka kontaminasi nikel ing 26.000 mg/kg11. Ing kontras, polusi nikel ing Rusia1 asil luwih dhuwur saka produksi nikel ing Rusia. miturut Alms et al.12, jumlah nikel HNO3-extractable ing tanah subur ndhuwur wilayah (produksi nikel ing Rusia) kisaran saka 6,25 kanggo 136,88 mg / kg, cocog kanggo rata-rata 30,43 mg / kg lan konsentrasi baseline 25 mg / kg. mangsa panen bisa infuse utawa contaminate lemah.Efek potensial saka nikel ing manungsa bisa mimpin kanggo kanker liwat mutagenesis, karusakan kromosom, generasi Z-DNA, diblokir DNA excision repair, utawa proses epigenetic13. Ing eksperimen kewan, nikel wis ditemokake duweni potensi kanggo nimbulaké macem-macem tumor, lan karsinogenik nickel complexes kayata tumor.
Assessment kontaminasi lemah wis berkembang ing jaman saiki amarga akeh masalah sing gegandhengan karo kesehatan sing muncul saka hubungan lemah-tanduran, hubungan biologi lemah lan lemah, degradasi ekologis, lan penilaian dampak lingkungan. Nganti saiki, prediksi spasial unsur-unsur potensial beracun (PTE) kayata Ni ing lemah wis angel banget lan mbutuhake wektu sing akeh banget nggunakake metode tradisional lemah (DSM5) wis prédhiksi sukses (DSM) kanthi cara tradisional lan pemetaan lemah. (PSM).Miturut Minasny lan McBratney16, pemetaan lemah prediktif (DSM) wis kabukten minangka subdisiplin ilmu tanah sing misuwur.Lagacherie lan McBratney, 2006 nemtokake DSM minangka "nyipta lan ngisi sistem informasi lemah spasial liwat panggunaan metode observasi in situ lan laboratorium lan sistem non-spatial spatial lan non-ferences tanah".17 negesake manawa DSM utawa PSM kontemporer minangka teknik sing paling efektif kanggo prédhiksi utawa pemetaan distribusi spasial PTE, jinis lemah lan sifat lemah.Geostatistik lan Algoritma Pembelajaran Mesin (MLA) yaiku teknik pemodelan DSM sing nggawe peta digital kanthi bantuan komputer nggunakake data sing signifikan lan minimal.
Deutsch18 lan Olea19 nemtokake geostatistik minangka "koleksi teknik numerik sing gegayutan karo perwakilan saka atribut spasial, utamane nggunakake model stokastik, kayata cara analisis deret wektu nggambarake data temporal."Utamane, geostatistik kalebu evaluasi variogram, sing ngidini Ngitung lan nemtokake dependensi nilai spasial saka saben dataset20.Gumiaux et al.20 luwih nggambarake yen evaluasi variograms ing geostatistics adhedhasar telung prinsip, kalebu (a) ngetung ukuran korélasi data, (b) ngenali lan ngitung anisotropi ing disparity dataset lan (c) saliyane kanggo njupuk menyang akun kesalahan gawan saka data pangukuran dipisahake saka efek lokal, ing efek saka area. kalebu kriging umum, co-kriging, kriging biasa, kriging Bayesian empiris, metode kriging prasaja lan teknik interpolasi liyane sing kondhang kanggo peta utawa prédhiksi PTE, karakteristik lemah, lan jinis lemah.
Machine Learning Algorithm (MLA) minangka teknik sing relatif anyar sing nggunakake kelas data non-linear sing luwih gedhe, didhukung dening algoritma sing utamane digunakake kanggo pertambangan data, ngenali pola ing data, lan bola-bali ditrapake kanggo klasifikasi ing bidang ilmiah kayata ilmu lemah lan tugas bali.22 (alas acak kanggo estimasi logam abot ing lemah pertanian), Sakizadeh et al.23 (modeling nggunakake mesin vektor dhukungan lan jaringan syaraf tiruan) polusi lemah ).Saliyane, Vega et al.24 (CART kanggo modeling retensi logam abot lan adsorpsi ing lemah) Sun et al.25 (aplikasi kubist yaiku distribusi Cd ing lemah) lan algoritma liyane kayata tetanggan k-paling cedhak, regresi stimulasi umum, lan regresi sing didorong Wit-witan uga ngetrapake MLA kanggo prédhiksi PTE ing lemah.
Aplikasi algoritma DSM ing prediksi utawa pemetaan ngadhepi sawetara tantangan.Akeh penulis percaya yen MLA luwih unggul tinimbang geostatistik lan kosok balene.Sanajan siji luwih apik tinimbang liyane, kombinasi loro kasebut nambah tingkat akurasi pemetaan utawa prediksi ing DSM15.Woodcock lan Gopal26 Finke27;Pontius lan Cheuk28 lan Grunwald29 menehi komentar babagan kekurangan lan sawetara kesalahan ing pemetaan lemah sing diprediksi.Ilmuwan lemah wis nyoba macem-macem teknik kanggo ngoptimalake efektifitas, akurasi, lan prediksi pemetaan lan prakiraan DSM.Kombinasi kahanan sing durung mesthi lan verifikasi minangka salah sawijining macem-macem aspek sing diintegrasi menyang DSM kanggo ngoptimalake efektifitas lan nyuda cacat.15 njelaske nganggo bentuk garis sing prilaku validasi lan kahanan sing durung mesthi dikenalaké dening nggawe peta lan prediksi kudu divalidasi independen kanggo nambah kualitas peta. Watesan saka DSM amarga kualitas lemah kasebar geografis, kang melu komponen kahanan sing durung mesthi;Nanging, lack of kepastian ing DSM bisa njedhul saka macem-macem sumber kesalahan, yaiku kesalahan kovariat, kesalahan model, kesalahan lokasi, lan kesalahan analitis 31. Kesalahan modelling sing diakibatake ing MLA lan proses geostatistik digandhengake karo kurang pangerten, pungkasane ndadékaké oversimplification saka proses nyata32. Preduli saka sifat modeling modeling, modeling ora akurat, bisa uga ana hubungane karo kurang pangerten, wekasanipun ndadékaké kanggo oversimplification saka proses nyata32. Preduli saka sifat modeling modeling, modeling ora akurat, bisa dadi modeling modeling, parameter ora akurat. lation33. Bubar, tren DSM anyar wis muncul sing ningkataké integrasi geostatistics lan MLA ing pemetaan lan prakiraan. Sawetara ilmuwan lemah lan penulis, kayata Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 lan Tarasov et al.37 wis ngeksploitasi kualitas geostatistik lan pembelajaran mesin sing akurat kanggo ngasilake model hibrida sing nambah efisiensi prakiraan lan pemetaan.kualitas.Sawetara model algoritma hibrida utawa gabungan iki yaiku Kriging Jaringan Syaraf Tiruan (ANN-RK), Kriging Residual Perceptron Multilayer (MLP-RK), Kriging Residual Jaringan Syaraf Regresi Umum (GR- NNRK)36, Jaringan Syaraf Tiruan Kriging-Multilayer Perceptron (ANN-K-MLP)37 lan Pengolahan Regresi Co.
Miturut Sergeev et al., nggabungake macem-macem teknik pemodelan duweni potensi kanggo ngilangi cacat lan nambah efisiensi model hibrida sing diasilake tinimbang ngembangake model tunggal. Ing konteks iki, makalah anyar iki nyatakake yen perlu kanggo ngetrapake algoritma gabungan geostatistik lan MLA kanggo nggawe model hibrida sing optimal kanggo prédhiksi pengayaan Ni ing kutha lan wilayah peri-urban. (SVM) lan model Multiple Linear Regression (MLR). Hibridisasi EBK karo MLA apa wae ora dingerteni. 9.EBK wis digunakake ing macem-macem pasinaon, kalebu nganalisa distribusi karbon organik ing lemah tani40, netepke polusi lemah41 lan pemetaan sifat lemah42.
Saliyane, Self-Organizing Graph (SeOM) minangka algoritma pembelajaran sing wis diterapake ing macem-macem artikel kayata Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 lan Kebonye dkk.46 Nemtokake atribut spasial lan pengelompokan unsur.Wang dkk.44 njelasake yen SeOM minangka teknik sinau sing kuat sing dikenal kanthi kemampuan kanggo ngelompokake lan mbayangake masalah non-linear. Ora kaya teknik pangenalan pola liyane kayata analisis komponen utama, clustering fuzzy, clustering hierarkis, lan nggawe keputusan multi-kriteria, SeOM luwih apik kanggo ngatur lan ngenali pola PTE.Miturut Wang et al.44, SeOM bisa nglumpukake sacara spasial distribusi neuron sing gegandhengan lan nyedhiyakake visualisasi data resolusi dhuwur.SeOM bakal nggambarake data prediksi Ni kanggo entuk model sing paling apik kanggo menehi ciri asil kanggo interpretasi langsung.
Makalah iki nduweni tujuan kanggo ngasilake model pemetaan sing kuat kanthi akurasi sing optimal kanggo prédhiksi isi nikel ing lemah kutha lan pinggiran kutha.mula, kita bakal nyoba kanggo njawab pitakonan riset sing bisa ngasilake model campuran.Nanging, carane akurat model ing prédhiksi unsur target?Uga, apa tingkat evaluasi efisiensi adhedhasar validasi lan akurasi evaluasi?Mulane, ancas tartamtu saka panliten iki yaiku (a) nggawe model campuran gabungan kanggo SVMR utawa MLR nggunakake model EBK minangka model konsentrasi campuran paling apik, (b) mbandhingake model konsentrasi asil paling apik, (b) lemah peri-urban , lan (d) aplikasi SeOM kanggo nggawe peta resolusi dhuwur saka variasi spasial nikel.
Panliten iki ditindakake ing Republik Ceko, khususe ing distrik Frydek Mistek ing wilayah Moravia-Silesia (pirsani Gambar 1). Géografi wilayah sing ditliti iku banget kasar lan akèh-akèhé minangka bagéan saka wilayah Moravia-Silesia Beskidy, sing minangka bagéan saka pinggir njaba Pagunungan Carpathian. Wilayah studi dumunung ing antarane 49°°°°°°°°°°°°°°°S°°°°S°S°S°S°°S°S°S°S°S°S°S°°S iku antarane 225 lan 327 m;Nanging, sistem klasifikasi Koppen kanggo negara iklim wilayah kasebut dirating minangka Cfb = iklim samudra sedheng, Ana akeh udan sanajan ing sasi garing. Suhu rada beda-beda ing saindhenging taun antarane −5 °C lan 24 °C, arang tiba ing ngisor -14 °C utawa ndhuwur 30 °C, dene rata-rata rata-rata curah hujan 52 °C saben taun, lan rata-rata 725 °C, lan rata-rata rata-rata curah hujan tahunan 6255. area 1.208 kilometer persegi, karo 39,38% saka tanah lestarekake lan 49,36% saka jangkoan alas. Ing tangan liyane, area digunakake ing panaliten iki watara 889,8 kilometer persegi. Ing lan watara Ostrava, industri baja lan karya logam banget aktif. kekuatan saka alloy nalika njaga ductility apik lan kateguhan sawijining), lan tetanèn intensif kayata aplikasi pupuk fosfat lan produksi ternak minangka sumber riset potensial nikel ing wilayah (contone, nambah nikel kanggo lambs kanggo nambah tarif wutah ing lamb lan sapi kurang-panganan). bisa diisolasi saka werna lemah, struktur, lan kandungan karbonat.Tekstur lemah medium nganti alus, asalé saka bahan induk.Sifat koluvial, aluvial utawa aeolian.Sawetara wilayah lemah katon bintik-bintik ing permukaan lan lemah, asring karo beton lan bleaching.Nanging, kambisol lan stagnosol minangka jinis lemah sing paling umum saka 45 nganti 48 m saka wilayah 45 nganti 48 m. mbisol nguwasani Republik Ceko49.
Peta area sinau [Peta area sinau digawe nggunakake ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Gunggunge 115 conto lemah ndhuwur dipikolehi saka lemah kutha lan pinggiran kutha ing distrik Frydek Mistek. Pola sampel sing digunakake yaiku kothak biasa kanthi conto lemah jarak 2 × 2 km, lan lemah ndhuwur diukur ing ambane 0 nganti 20 cm nggunakake piranti GPS genggam (Leica Zeno 5 GPS). -pepe kanggo ngasilake sampel pulverized, pulverized dening sistem mechanical (Fritsch disc mill), lan sieved (sieve ukuran 2 mm).Lebokake 1 gram pepe garing, homogenized lan sieved conto lemah ing botol teflon cetha labeled. Ing saben prau Teflon, dispense 7 ml 35% HCl lan 3 ml HCl 35% lan 3 ml otomatis dispensing (65% asam) kanggo saben dispensing H2O3 lan 3 ml kanthi otomatis dispensing asam (65%). s kanggo ngadeg sewengi kanggo reaksi (program aqua regia) .Lebokake supernatant ing piring logam panas (suhu: 100 W lan 160 °C) kanggo 2 h kanggo nggampangake proses pencernaan conto, banjur kelangan. Kajaba iku, 1 ml saka solusi pengenceran diencerke karo 9 ml banyu deionisasi lan disaring menyang tabung 12 ml sing disiapake kanggo konsentrasi pseudo PTE. Konsentrasi PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ditemtokake dening ICP-OES (In Plaductive Optically Electroscope). fic, USA) miturut cara standar lan persetujuan.Njamin Quality Assurance and Control (QA/QC) prosedur (SRM NIST 2711a Montana II Soil).PTEs karo watesan deteksi ngisor setengah padha tilar saka sinau iki.Batesan deteksi PTE digunakake ing panliten iki yaiku 0.0004.(sampeyan). Sawise kabeh, analisis kaping pindho ditindakake.
Empiris Bayesian Kriging (EBK) minangka salah siji saka akeh teknik interpolasi geostatistik sing digunakake ing modeling ing macem-macem lapangan kayata ilmu lemah. Ora kaya teknik interpolasi kriging liyane, EBK beda karo metode kriging tradisional kanthi nimbang kesalahan sing dikira model semivariogram. tainty lan pemrograman sing ana gandhengane karo plot semivariogram iki sing dadi bagean sing kompleks banget saka metode kriging sing cukup. Proses interpolasi EBK ngetutake telung kritéria sing diusulake Krivoruchko50, (a) model ngira semivariogram saka dataset input (b) nilai prediksi anyar kanggo saben lokasi input adhedhasar semivariogram sing diasilake saka model dataset a. mburi
Where \(Prob\left(A\right)\) nggantosi sadurungé, \(Prob\left(B\right)\) probabilitas marginal digatèkaké ing paling kasus, \(Prob (B,A)\ ) .Pétungan semivariogram adhedhasar aturan Bayes, kang nuduhake propensity saka pengamatan dataset sing bisa digawe saka semivariograms saka aturan saka semivariograms. nggawe dataset observasi saka semivariogram.
Mesin vektor dhukungan minangka algoritma pembelajaran mesin sing ngasilake hyperplane pamisah sing optimal kanggo mbedakake kelas sing padha nanging ora sacara linear.Vapnik51 nggawe algoritma klasifikasi maksud, nanging bubar digunakake kanggo ngatasi masalah sing berorientasi kemunduran.Miturut Li et al.52, SVM minangka salah sawijining teknik klasifikasi sing paling apik lan wis digunakake ing macem-macem komponen Regression SVport (SVM) Regression Machine (Ve. digunakake ing analisis iki.Cherkassky lan Mulier53 pionir SVMR minangka kemunduran basis kernel, komputasi kang wis dileksanakake nggunakake model regresi linear karo fungsi spasial multi-negara.John et al54 laporan sing modeling SVMR makaryakke hyperplane kemunduran linear, kang nggawe hubungan nonlinear Alcpatial lan ngidini kanggo Vosland.55, epsilon (ε)-SVMR nggunakake dataset dilatih kanggo njupuk model perwakilan minangka fungsi epsilon-ora sensitif sing Applied kanggo peta data independen karo bias epsilon paling apik saka latihan ing data hubungan. Kesalahan jarak prasetel ora digatèkaké saka nilai nyata, lan yen kesalahan luwih gedhe tinimbang ε (ε), sifat lemah ngimbangi latihan kanggo subset model amba. nuduhke dening Vapnik51 kapacak ing ngisor iki.
ing ngendi b makili ambang skalar, \(K\left({x}_{,}{ x}_{k}\right)\) nggantosi fungsi kernel, \(\alpha\) nggantosi multiplier Lagrange, N Nggantosi dataset numerik, \({x}_{k}\) nggantosi input data, lan \(y\) minangka operasi basis data, RB yaiku operasi basis data GaF. Kernel RBF diterapake kanggo nemtokake model SVMR sing optimal, sing penting kanggo entuk faktor set penalti sing paling subtle lan gamma parameter kernel (γ) kanggo data latihan PTE. Pisanan, kita ngevaluasi set latihan banjur nguji kinerja model ing set validasi. Parameter setir sing digunakake yaiku sigma lan nilai metode yaiku svmRadial.
Model regresi linier berganda (MLR) yaiku model regresi sing nggambarake hubungan antarane variabel respon lan sawetara variabel prediktor kanthi nggunakake parameter pooled linier sing diitung nggunakake metode kuadrat terkecil. persamaan LR yaiku
ing ngendi y minangka variabel respon, \(a\) minangka nyegat, n minangka jumlah prediktor, \({b}_{1}\) minangka regresi parsial saka koefisien, \({x}_{ i}\) minangka prediktor utawa variabel panjelasan, lan \({\ varepsilon }_{i}\) minangka kesalahan ing model, uga dikenal minangka kesalahan ing model.
Model campuran dipikolehi kanthi cara sandwiching EBK nganggo SVMR lan MLR. Iki ditindakake kanthi ngekstrak nilai prediksi saka interpolasi EBK. Nilai prediksi sing dipikolehi saka interpolasi Ca, K, lan Mg dipikolehi liwat proses kombinasi kanggo entuk variabel anyar, kayata CaK, CaMg, lan KMg. , K, Mg, CaK, CaMg, KMg lan CaKMg.Variabel kasebut dadi prediktor kita, mbantu kanggo prédhiksi konsentrasi nikel ing lemah kutha lan pinggiran kutha.Algoritma SVMR ditindakake ing prediktor kanggo entuk model campuran Empiris Bayesian Kriging-Support Vector Machine (EBK_SVM). gression (EBK_MLR).Biasane, variabel Ca, K, Mg, CaK, CaMg, KMg, lan CaKMg digunakake minangka kovariat minangka prediktor isi Ni ing lemah kutha lan pinggiran kutha.
Nggunakake SeOM wis dadi alat sing populer kanggo ngatur, ngevaluasi, lan prakiraan data ing sektor finansial, kesehatan, industri, statistik, ilmu tanah, lan liya-liyane.SeOM digawe nggunakake jaringan syaraf tiruan lan metode pembelajaran tanpa pengawasan kanggo organisasi, evaluasi, lan prediksi. variabel vektor43,56.Melssen et al.57 njlèntrèhaké sambungan vektor input menyang jaringan saraf liwat lapisan input siji menyang vektor output kanthi vektor bobot siji. Output sing diasilake dening SeOM minangka peta rong dimensi sing kasusun saka neuron utawa node sing beda-beda sing ditenun dadi peta topologi heksagonal, bunder, utawa persegi miturut jarak. 4, masing-masing, dipilih, yaiku unit peta 55 (5 × 11). Struktur neuron ditemtokake miturut jumlah simpul ing persamaan empiris.
Jumlah data sing digunakake ing panliten iki yaiku 115 sampel. Pendekatan acak digunakake kanggo misahake data dadi data uji (25% kanggo validasi) lan set data latihan (75% kanggo kalibrasi).Data latihan digunakake kanggo ngasilake model regresi (kalibrasi), lan dataset uji digunakake kanggo verifikasi kemampuan generalisasi58. Iki ditindakake kanggo netepake kesesuaian macem-macem model tes-nikel sing digunakake kanggo ngira-ngira isi model tanah-nikel kanggo prediksi. Proses asi, diulang kaping lima. Variabel sing diprodhuksi dening interpolasi EBK digunakake minangka prediktor utawa variabel panjelasan kanggo prédhiksi variabel target (PTE). Pemodelan ditangani ing RStudio nggunakake perpustakaan paket (Kohonen), perpustakaan (caret), perpustakaan (modelr), perpustakaan ("e1071", perpustakaan ("plyr"), perpustakaan ("caTools libraries"), ("Library Tools").
Macem-macem parameter validasi digunakake kanggo nemtokake model sing paling cocok kanggo prédhiksi konsentrasi nikel ing lemah lan kanggo ngevaluasi akurasi model lan validasi. ukuran independen njlèntrèhaké daya prediktif saka model, nalika MAE nemtokake nilai kuantitatif nyata.Nilai R2 kudu dhuwur kanggo ngira-ngira model campuran paling apik nggunakake parameter validasi, sing nyedhaki Nilai kanggo 1, sing luwih dhuwur akurasi.Miturut Li et al.59, nilai kritéria R2 0,75 utawa luwih dianggep minangka prediktor sing apik;saka 0,5 nganti 0,75 minangka kinerja model sing bisa ditampa, lan ing ngisor iki 0,5 minangka kinerja model sing ora bisa ditampa. Nalika milih model nggunakake metode evaluasi kritéria validasi RMSE lan MAE, nilai sing luwih murah sing dipikolehi cukup lan dianggep minangka pilihan sing paling apik. Persamaan ing ngisor iki nggambarake cara verifikasi.
ngendi n nggantosi ukuran saka Nilai diamati \ ({Y}_{i}\) makili respon diukur, lan \({\widehat{Y}}_{i}\) uga nggantosi prédhiksi Nilai respon, mulane, kanggo pisanan i pengamatan.
Gambaran statistik variabel prediktor lan respon ditampilake ing Tabel 1, nuduhake rata-rata, standar deviasi (SD), koefisien variasi (CV), minimal, maksimum, kurtosis, lan skewness. Nilai minimal lan maksimum saka unsur ana ing urutan mudun Mg < Ca < K < Ni lan Ca < Mg < K < Ni , mungguh saka area tanggap saka 6 konsentrasi sampel (rasio Ni 4). 42,39 mg/kg.Bandhingan Ni karo rata-rata donya (29 mg/kg) lan rata-rata Eropah (37 mg/kg) nuduhake yen rata-rata geometris diitung sakabèhé kanggo wilayah sinau ana ing kisaran tolerable. Nanging, kaya sing dituduhake dening Kabata-Pendias11, perbandingan saka rata-rata nikel (Ni) konsentrasi ing sinau saiki ing Swedia karo konsentrasi rata-rata tetanèn F. Mistek ing lemah kutha lan pinggiran kutha ing panaliten saiki (Ni 16,15 mg / kg) luwih dhuwur tinimbang watesan sing diidini 60 (10,2 mg / kg) kanggo Ni ing lemah kutha Polandia sing dilapurake dening Różański et al. konsentrasi nikel sing luwih murah (12,34 mg / kg) ing lemah kutha Hong Kong, sing luwih murah tinimbang konsentrasi nikel saiki ing panaliten iki. ing lemah ing sawetara wilayah kutha lan suburban wilayah sinau bisa utamané lantaran kanggo industri wesi lan baja lan industri logam. Iki konsisten karo sinau dening Khodadoust et al.64 yen industri baja lan pengerjaan logam minangka sumber utama kontaminasi nikel ing lemah. Nanging, prediktor kasebut uga berkisar antara 538,70 mg/kg dadi 69.161,80 mg/kg kanggo Ca, 497,51 mg/kg dadi 3535,68 mg/kg kanggo K, lan 685,70 mg/kg kanggo K, lan 685,0 mg/kg kanggo K, lan 685,0 mg/kg kanggo 5,68 mg/kg. t al.65 nyelidiki total isi Mg lan K lemah ing Serbia tengah. Dheweke nemokake yen konsentrasi total (410 mg / kg lan 400 mg / kg, masing-masing) luwih murah tinimbang konsentrasi Mg lan K saka panliten saiki. /kg) lan K (810 mg/kg) Isi ing lemah ndhuwur luwih murah tinimbang unsur tunggal ing panliten iki.Panliten anyar dening Pongrac et al.67 nuduhake yen total kandungan Ca sing dianalisis ing 3 lemah sing beda ing Skotlandia, Inggris (lemah Mylnefield, lemah Balruddery lan lemah Hartwood) nuduhake isi Ca sing luwih dhuwur ing panliten iki.
Amarga konsentrasi sing diukur saka unsur sampel sing beda-beda, distribusi set data saka unsur-unsur kasebut nuduhake skewness sing beda. Kemiringan lan kurtosis unsur kasebut beda-beda gumantung saka 1,53 nganti 7,24 lan 2,49 nganti 54,16. Kira-kira CV saka unsur uga nuduhake yen K, Mg, lan Ni nuduhake variasi moderat, nalika Ca nduweni variabilitas sing dhuwur banget. CV K, Ni lan Mg nerangake distribusi seragam.
Korélasi saka variabel prediktor karo unsur respon nuduhake korélasi puas antarane unsur (pirsani Gambar 3). Korelasi nuduhake yen CaK nuduhake korélasi moderat karo nilai r = 0,53, kaya CaNi. Sanajan Ca lan K nuduhake asosiasi andhap asor karo saben liyane, peneliti kayata Kingston et al.68 lan Santo69 nyaranake yen tingkat ing lemah berbanding terbalik. Nanging, Ca lan Mg antagonistik karo K, nanging CaK duwe korelasi apik. Iki bisa uga amarga aplikasi pupuk kayata kalium karbonat, sing 56% luwih dhuwur ing kalium. sh ditrapake ing lemah kanggo nambah tingkat kekurangane. Nikel ana hubungane karo Ca, K lan Mg kanthi nilai r = 0,52, 0,63 lan 0,55.
Matriks korelasi kanggo unsur sing nuduhake hubungan antarane prediktor lan respon (Cathetan: tokoh iki kalebu scatterplot antarane unsur, tingkat pinunjul adhedhasar p <0,001).
Gambar 4 nggambarake distribusi spasial unsur. Miturut Burgos et al70, aplikasi distribusi spasial minangka teknik sing digunakake kanggo ngitung lan nyorot titik panas ing wilayah sing tercemar. Tingkat pengayaan Ca ing Gambar 4 bisa dideleng ing sisih lor-kulon peta distribusi spasial. saka quicklime (kalsium oksida) kanggo ngurangi acidity lemah lan digunakake ing pabrik baja minangka oksigen alkalin ing proses steelmaking. Ing tangan liyane, petani liyane luwih seneng nggunakake kalsium hidroksida ing lemah asam kanggo netralake pH, sing uga nambah isi kalsium ing lemah71. Kalium uga nuduhake titik panas ing sisih lor-kulon lan wétan peta. s.Iki konsisten karo studi liyane, kayata Madaras lan Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, sing ngati-ati yen stabilisasi lemah lan perawatan karo KCl lan NPK ngasilake isi K dhuwur ing lemah.Pengayaan Kalium spasial ing sisih lor-kulon peta distribusi bisa uga amarga nggunakake pupuk adhedhasar kalium kayata kalium klorida, kalium sulfat, kalium nitrat, potash, lan potash kanggo nambah isi kalium ing lemah miskin.Zádorová et al.76 lan Tlustoš et al.77 njlentrehake yen aplikasi pupuk berbasis K nambah isi K ing lemah lan bakal nambah kandungan nutrisi lemah kanthi signifikan ing jangka panjang, utamane K lan Mg nuduhake titik panas ing lemah. Titik panas sing relatif moderat ing sisih lor-kulon peta lan tenggara peta. , kayata kalium magnesium sulfat, magnesium sulfat, lan Kieserite, nambani defisiensi (tanduran katon ungu, abang, utawa coklat, nuduhake kekurangan magnesium) ing lemah kanthi pH normal 6. Akumulasi nikel ing lumahing lemah kutha lan pinggiran kutha bisa uga amarga aktivitas antropogenik kayata tetanèn lan pentinge nikel ing produksi stainless steel78.
Distribusi spasial unsur [peta distribusi spasial digawe nggunakake ArcGIS Desktop (ESRI, Inc, Versi 10.7, URL: https://desktop.arcgis.com).]
Asil indeks kinerja model kanggo unsur sing digunakake ing panliten iki ditampilake ing Tabel 2. Ing sisih liya, RMSE lan MAE saka Ni padha cedhak karo nol (0,86 RMSE, -0,08 MAE). Ing sisih liya, nilai RMSE lan MAE saka K bisa ditampa. ditemokake luwih apik tinimbang asil John et al.54 nggunakake kriging synergistic kanggo prédhiksi konsentrasi S ing lemah nggunakake data diklumpukake padha. Output EBK kita sinau hubungan karo Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 lan John et al.82, utamané K lan Ni.
Kinerja metode individu kanggo prédhiksi isi nikel ing lemah kutha lan pinggiran kutha dievaluasi nggunakake kinerja model (Tabel 3). Validasi model lan evaluasi akurasi dikonfirmasi manawa prediktor Ca_Mg_K sing digabungake karo model EBK SVMR ngasilake kinerja sing paling apik. Model kalibrasi Ca_Mg_K-EBK-EBK_SVMRan model kesalahan R2, EBK_SVMR 0 lan kesalahan absolute R2, EBK_SVMR lan model kuadrat. 37 (R2), 95,479 mg/kg (RMSE) lan 77,368 mg/kg (MAE) Ca_Mg_K-SVMR yaiku 0,663 (R2), 235,974 mg/kg (RMSE) lan 166,946 mg/kg (MAE) . Ca_Mg-EBK_SVMR (0,643 = R2);asil RMSE lan MAE padha luwih dhuwur tinimbang sing kanggo Ca_Mg_K-EBK_SVMR (R2 0.637) (ndeleng Tabel 3). Kajaba iku, RMSE lan MAE saka Ca_Mg-EBK_SVMR (RMSE = 1664.64 lan MAE = 1031.49) model 17.5 lan MAE saka Ca_Mg-EBK_SVMR (RMSE = 1031.49) luwih gedhe saka 17.5 lan 1.49, sing luwih gedhe tinimbang Ca_BKM. Mangkono uga, model RMSE lan MAE saka Ca_Mg-K SVMR (RMSE = 235.974 lan MAE = 166.946) yaiku 2.5 lan 2.2 luwih gedhe tinimbang Ca_Mg_K-EBK_SVMR RMSE lan MAE. Kebonye et al.46 lan john et al.54, sing nyedhaki RMSE lan MAE menyang nol, asil sing luwih apik.SVMR lan EBK_SVMR nduweni nilai RSME lan MAE kuantitatif sing luwih dhuwur. Iki diamati yen prakiraan RSME terus-terusan luwih dhuwur tinimbang nilai MAE, nuduhake anané outlier. tegese dataset sing luwih heterogen, nilai MAE lan RMSE luwih dhuwur. Akurasi penilaian validasi silang model campuran Ca_Mg_K-EBK_SVMR kanggo prédhiksi isi Ni ing lemah kutha lan pinggiran kutha yaiku 63,70%.Miturut Li et al.59, tingkat akurasi iki minangka tingkat kinerja model sing bisa ditampa. Asil saiki dibandhingake karo studi sadurunge dening Tarasov et al.36 model hibrida kang digawe MLPRK (Multilayer Perceptron Residual Kriging), related kanggo indeks evaluasi akurasi EBK_SVMR kacarita ing sinau saiki, RMSE (210) lan The MAE (167,5) luwih dhuwur tinimbang asil kita ing sinau saiki (RMSE 95,479, MAE 77,368 MAE 77,368). al.36 (0,544), cetha yen koefisien determinasi (R2) luwih dhuwur ing model campuran iki. Margin kesalahan (RMSE lan MAE) (EBK SVMR) kanggo model campuran kaping pindho luwih murah. Mangkono uga, Sergeev et al.34 nyathet 0,28 (R2) kanggo model hibrida sing dikembangake (Multilayer .Perceptron 2). tingkat akurasi prediksi model iki (EBK SVMR) punika 63,7%, nalika akurasi prediksi dijupuk dening Sergeev et al.34 yaiku 28%.Peta pungkasan (Gambar 5) digawe nggunakake model EBK_SVMR lan Ca_Mg_K minangka prediktor nuduhake prediksi titik panas lan moderat nganti nikel ing kabeh wilayah sinau. Iki tegese konsentrasi nikel ing wilayah sinau utamane moderat, kanthi konsentrasi sing luwih dhuwur ing sawetara wilayah tartamtu.
Peta prediksi pungkasan diwakili nggunakake model hibrida EBK_SVMR lan nggunakake Ca_Mg_K minangka prediktor.[Peta distribusi spasial digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Disajikake ing Gambar 6 yaiku konsentrasi PTE minangka bidang komposisi sing dumadi saka neuron individu. Ora ana pesawat komponen sing nuduhake pola warna sing padha. Mangkono, CaK lan CaMg nuduhake sawetara podho karo neuron urutan dhuwur banget lan pola werna kurang nganti moderat. Loro model kasebut prédhiksi konsentrasi Ni ing lemah kanthi nampilake werna medium nganti dhuwur kayata abang, oranye lan kuning. model nuduhake pola werna dhuwur sing nuduhake konsentrasi potensial nikel ing lemah (pirsani Gambar 4).Komponèn bidang model CakMg nuduhake pola werna sing maneka warna saka ngisor nganti dhuwur miturut skala warna sing akurat. Lemah.Gambar 7 nggambarake metode kontur ing pengelompokan k-means ing peta, dipérang dadi telung klompok adhedhasar nilai sing diprediksi ing saben model.Metodhe kontur nggambarake jumlah klaster sing optimal. Saka 115 sampel lemah sing diklumpukake, kategori 1 entuk sampel lemah paling akeh, 74. Kluster 2 nampa 33 sampel sing ditampa kanthi kombinasi 8 sampel, dene kombinasi rencana gabungan 8 simpl ditampa 33 sampel. interpretasi kluster sing bener.Amarga akeh proses antropogenik lan alam sing mengaruhi pambentukan lemah, angel dibedakake pola kluster kanthi bener ing peta SeOM78 sing disebarake.
Output bidang komponen dening saben variabel Empiris Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Peta SeOM digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponen klasifikasi kluster sing beda [peta SeOM digawe nggunakake RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Panliten saiki kanthi jelas nggambarake teknik pemodelan kanggo konsentrasi nikel ing lemah kutha lan pinggir kutha.Panliten kasebut nguji teknik pemodelan sing beda-beda, nggabungake unsur karo teknik pemodelan, kanggo entuk cara sing paling apik kanggo prédhiksi konsentrasi nikel ing lemah. Distribusi spasial komponen sing dituduhake dening EBK_SVMR (pirsani Gambar 5). Asil kasebut nuduhake yen model regresi mesin vektor dhukungan (Ca Mg K-SVMR) prédhiksi konsentrasi Ni ing lemah minangka model tunggal, nanging parameter evaluasi validasi lan akurasi nuduhake kesalahan sing dhuwur banget ing babagan RMSE lan MAE. R2).Asil apik dipikolehi nggunakake EBK SVMR lan unsur gabungan (CaKMg) kanthi kesalahan RMSE lan MAE sing sithik kanthi akurasi 63,7%. Pranyata gabungan algoritma EBK karo algoritma machine learning bisa ngasilake algoritma hibrida sing bisa prédhiksi konsentrasi PTE ing lemah. pupuk lan polusi industri lemah dening industri baja nduweni kecenderungan kanggo nambah konsentrasi nikel ing lemah.Panliten iki nuduhake yen model EBK bisa nyuda tingkat kesalahan lan nambah akurasi model distribusi spasial lemah ing lemah kutha utawa peri-urban.Kajaba iku, kita propose nggunakake EBK kanggo hybridize karo macem-macem algoritma machine learning.Konsentrasi Ni padha mbadek nggunakake unsur minangka covariates;Nanging, nggunakake luwih akeh kovariat bakal ningkatake kinerja model kasebut, sing bisa dianggep minangka watesan saka karya sing saiki.
PlantProbs.net.Nikel ing Tanduran lan Lemah https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nickel advances in modern environmental toxicology.surroundings.toxicology.11, 145-183 (1987).
Cempel, M. & Nikel, G. Nikel: Tinjauan saka sumber lan toksikologi lingkungan.Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Input polutan saka atmosfer lan akumulasi ing lemah lan vegetasi cedhak smelter nikel-tembaga ing Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam abot ing lemah, tetanduran lan risiko sing ana hubungane karo ruminansia ing cedhak tambang tembaga-nikel Selebi-Phikwe ing 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=id&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+4th+NY+eds.9 CRC+Press&btnG= (Diakses 24 Nov 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian nikel industry on heavy metal concentrations in agricultural soils and grasses in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Panyerepan lan retensi nikel ing banyu ngombe ana hubungane karo asupan pangan lan sensitivitas nikel.aplikasi toksikologi.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Analisis tren unsur sing bisa beracun: tinjauan bibliometrik. Geokimia lan Kesehatan Lingkungan. Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: Sejarah Brief lan Sawetara Pelajaran.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).
Pemodelan Reservoir Geostatistik Deutsch.CV,… – Google Cendekiawan https://scholar.google.com/scholar?hl=id&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford=c%2C +Oxford=CV+Css. ed 28 April 2021).