გმადლობთ, რომ ეწვიეთ Nature.com-ს. ბრაუზერის ვერსიას, რომელსაც იყენებთ, აქვს შეზღუდული მხარდაჭერა CSS-ისთვის. საუკეთესო გამოცდილებისთვის, გირჩევთ გამოიყენოთ განახლებული ბრაუზერი (ან გამორთოთ თავსებადობის რეჟიმი Internet Explorer-ში). ამასობაში, მხარდაჭერის უზრუნველსაყოფად, ჩვენ გამოვაჩენთ საიტს სტილისა და JavaScript-ის გარეშე.
ნიადაგის დაბინძურება ადამიანის საქმიანობით გამოწვეული დიდი პრობლემაა. პოტენციურად ტოქსიკური ელემენტების (PTEs) სივრცითი განაწილება ურბანულ და პერი-ურბანულ რაიონებში იცვლება. ამიტომ, ასეთ ნიადაგებში PTE-ების შემცველობის სივრცითი პროგნოზირება რთულია. სულ 115 ნიმუში იქნა მიღებული Frydek Mistek-დან ჩეხეთის რესპუბლიკაში.CalciumKalciumKniciums (CalciumKNg) და (CalciumKNg) (CalciumKniciums) (CalciumKNg) კონცენტრაციები განისაზღვრა ინდუქციურად დაწყვილებული პლაზმური ემისიის სპექტრომეტრიის გამოყენებით. პასუხის ცვლადი არის Ni და პროგნოზები არის Ca, Mg და K. კორელაციის მატრიცა პასუხის ცვლადსა და პროგნოზირებულ ცვლადს შორის აჩვენებს დამაკმაყოფილებელ კორელაციას ელემენტებს შორის. პროგნოზის შედეგებმა აჩვენა, რომ მხარდაჭერის ვექტორული მანქანის რეგრესია (SVM4 კვადრატული ძირი შეფასებული). კგ) და საშუალო აბსოლუტური ცდომილება (MAE) (166.946 მგ/კგ) უფრო მაღალი იყო, ვიდრე გამოყენებული სხვა მეთოდები. ემპირიული ბაიზური კრიგინგი-მრავალჯერადი ხაზოვანი რეგრესიის (EBK-MLR) შერეული მოდელები ცუდად მუშაობს, რაც დასტურდება 0.1-ზე ნაკლები განსაზღვრის კოეფიციენტებით. საუკეთესო მოდელი, დაბალი RMSE (95,479 მგ/კგ) და MAE (77,368 მგ/კგ) მნიშვნელობებით და განსაზღვრის მაღალი კოეფიციენტით (R2 = 0,637). s ურბანულ და პერი-ურბანულ ნიადაგებში. შედეგები აჩვენებს, რომ EBK-ისა და SVMR-ის შერწყმა არის ეფექტური ტექნიკა ქალაქსა და პერი-ურბანულ ნიადაგებში Ni კონცენტრაციების პროგნოზირებისთვის.
ნიკელი (Ni) ითვლება მიკროელემენტად მცენარეებისთვის, რადგან ის ხელს უწყობს ატმოსფერული აზოტის ფიქსაციას (N) და შარდოვანას მეტაბოლიზმს, რაც ორივე აუცილებელია თესლის გაღივებისთვის. თესლის აღმოცენებაში წვლილის გარდა, Ni შეუძლია იმოქმედოს როგორც სოკოვანი და ბაქტერიული ინჰიბიტორი და ხელი შეუწყოს მცენარის განვითარებას. ნიკელზე დაფუძნებული სასუქების გამოყენება აზოტის ფიქსაციის ოპტიმიზაციისთვის2. ნიკელზე დაფუძნებული სასუქების გაგრძელება ნიადაგის გასამდიდრებლად და პარკოსნების უნარის გაზრდის უნარი ნიადაგში აზოტის დაფიქსირების მიზნით, მუდმივად ზრდის ნიკელის კონცენტრაციას ნიადაგში. მიუხედავად იმისა, რომ ნიკელი არის მიკროელემენტი მცენარეთათვის უფრო ტოქსიკურია, ვიდრე ჭარბი ნიადაგი. ნიადაგის pH და აფერხებს რკინის, როგორც მცენარის ზრდისთვის აუცილებელ საკვებ ნივთიერებას1. Liu3-ის მიხედვით, Ni აღმოჩნდა მე-17 მნიშვნელოვანი ელემენტი, რომელიც საჭიროა მცენარის განვითარებასა და ზრდაში. გარდა ნიკელის როლისა მცენარეთა განვითარებასა და ზრდაში, ადამიანებს ეს სჭირდებათ სხვადასხვა მიზნებისათვის. ნიკელის გამოყენება სხვადასხვა ინდუსტრიულ სექტორში. გარდა ამისა, ნიკელზე დაფუძნებული შენადნობები და ელექტრომოოქროვილი ნაწარმი ფართოდ გამოიყენებოდა სამზარეულოს ჭურჭელში, სამეჯლისო აქსესუარებში, კვების მრეწველობაში, ელექტრო, მავთულხლართებსა და კაბელებში, რეაქტიულ ტურბინებში, ქირურგიულ იმპლანტანტებში, ქსოვილებსა და გემთმშენებლობაში.5. ბუნებრივი წყარო და არა ანთროპოგენური4,6. ნიკელის ბუნებრივ წყაროებში შედის ვულკანური ამოფრქვევები, მცენარეულობა, ტყის ხანძრები და გეოლოგიური პროცესები;თუმცა, ანთროპოგენური წყაროები მოიცავს ნიკელის/კადმიუმის ბატარეებს ფოლადის მრეწველობაში, ელექტრული შედუღების, დიზელისა და საწვავის ზეთების და ატმოსფერული გამონაბოლქვი ნახშირის წვის და ნარჩენებისა და ლამის დაწვის შედეგად ნიკელის დაგროვება7,8. Freedman and Hutchinsonet-ისა და მაუნიჩისონის9 მიხედვით.10, ნიადაგის ზედა ფენის დაბინძურების ძირითადი წყაროები უშუალო და მიმდებარე გარემოში, ძირითადად, არის ნიკელ-სპილენძზე დაფუძნებული დნობები და მაღაროები. კანადაში, სუდბერის ნიკელ-სპილენძის გადამამუშავებელი ქარხნის ზედა ნიადაგს ჰქონდა ნიკელის დაბინძურების ყველაზე მაღალი დონე 26,000 მგ/კგ. რუსეთში დაბინძურება11. ალმსის და სხვ.12, HNO3-მოპოვებადი ნიკელის რაოდენობა რეგიონის საუკეთესო სახნავ მიწებზე (ნიკელის წარმოება რუსეთში) მერყეობდა 6,25-დან 136,88 მგ/კგ-მდე, რაც შეესაბამება საშუალოდ 30,43 მგ/კგ და საბაზისო კონცენტრაციას 25 მგ/კგ. ნიადაგი კულტურების თანმიმდევრული სეზონის განმავლობაში შეიძლება შეასხას ან დააბინძუროს ნიადაგი. ნიკელის პოტენციურმა ზემოქმედებამ ადამიანზე შეიძლება გამოიწვიოს კიბო მუტაგენეზის, ქრომოსომული დაზიანების, Z-დნმ-ის წარმოქმნის, დნმ-ის ამოკვეთის დაბლოკვის შეკეთების ან ეპიგენეტიკური პროცესების გამო13. ცხოველებზე ჩატარებულ ექსპერიმენტებში აღმოჩნდა, რომ ნიკელს შეუძლია გამოიწვიოს სხვადასხვა სიმსივნური სიმსივნეები.
ნიადაგის დაბინძურების შეფასებები ბოლო პერიოდში აყვავებულა ჯანმრთელობის შესახებ, რომელიც წარმოიქმნება ნიადაგის მცენარეთა ურთიერთობებით, ნიადაგისა და ნიადაგის ბიოლოგიური ურთიერთობებით, ეკოლოგიური დეგრადაციით და გარემოზე ზემოქმედების შეფასებით. დღემდე, პოტენციურად ტოქსიკური ელემენტების (PTES), ნიადაგის ნიადაგის დიდი ნაწილისა და მისი წარმატებული ნიადაგის (PTES). რუქა (PSM). Minasny- სა და McBratney16- სთან დაკავშირებით, ნიადაგის პროგნოზირებადი რუქა (DSM) დაამტკიცა, რომ ნიადაგის მეცნიერების თვალსაჩინო სუბიდისციპლინაა. Lagacherie და McBratney, 2006 განსაზღვრავს DSM- ს, როგორც ”სპატური ნიადაგის ინფორმაციის სისტემების შექმნა და შრომის სისტემები და შრომითი და ლაბორატორიული მეთოდების გამოყენებით.17 ხაზს უსვამს, რომ თანამედროვე DSM ან PSM არის ყველაზე ეფექტური ტექნიკა PTE-ების, ნიადაგის ტიპებისა და ნიადაგის თვისებების სივრცითი განაწილების პროგნოზირებისთვის ან რუკებისთვის. გეოსტატისტიკა და მანქანათმცოდნეობის ალგორითმები (MLA) არის DSM მოდელირების ტექნიკა, რომელიც ქმნის ციფრულ რუკებს კომპიუტერების დახმარებით მნიშვნელოვანი და მინიმალური მონაცემების გამოყენებით.
Deutsch18 და Olea19 განსაზღვრავენ გეოსტატისტიკას, როგორც "რიცხობრივი ტექნიკის კრებულს, რომელიც ეხება სივრცითი ატრიბუტების წარმოდგენას, ძირითადად სტოქასტური მოდელების გამოყენებით, როგორიცაა დროის სერიების ანალიზი დროებით მონაცემებს".უპირველეს ყოვლისა, გეოსტატისტიკა მოიცავს ვარიოგრამების შეფასებას, რაც საშუალებას იძლევა რაოდენობრივად განსაზღვროს და განისაზღვროს სივრცითი მნიშვნელობების დამოკიდებულებები თითოეული მონაცემთა ბაზადან20.Gumiaux et al.20 ასევე გვიჩვენებს, რომ გეოსტატისტიკაში ვარიოგრამების შეფასება ეფუძნება სამ პრინციპს, მათ შორის (ა) მონაცემთა კორელაციის მასშტაბის გამოთვლას, (ბ) მონაცემთა დისტანციურობაში ანისოტროპიის იდენტიფიცირებას და გამოთვლას და (გ) გარდა გაზომვის თანდაყოლილი შეცდომის გათვალისწინების გარდა. გეოსტატისტიკა, მათ შორის ზოგადი კრიგინგი, კო-კრიგინგი, ჩვეულებრივი კრიგინგი, ემპირიული ბაიესური კრიგინგი, მარტივი კრიგინგი მეთოდი და სხვა ცნობილი ინტერპოლაციის ტექნიკა PTE-ის, ნიადაგის მახასიათებლებისა და ნიადაგის ტიპების რუკის ან პროგნოზირებისთვის.
მანქანათმცოდნეობის ალგორითმები (MLA) შედარებით ახალი ტექნიკაა, რომელიც იყენებს მონაცემთა უფრო დიდ არაწრფივ კლასებს, რომლებიც იკვებება ალგორითმებით, რომლებიც ძირითადად გამოიყენება მონაცემთა მოპოვებისთვის, მონაცემების შაბლონების იდენტიფიცირებისთვის და არაერთხელ გამოიყენება კლასიფიკაციაში სამეცნიერო სფეროებში, როგორიცაა ნიადაგის მეცნიერება და დაბრუნების ამოცანები. მრავალი კვლევითი ნაშრომი ეყრდნობა MLA მოდელებს ნიადაგის პროგნოზირებისთვის, როგორიცაა PTE.22 (შემთხვევითი ტყეები მძიმე ლითონების შესაფასებლად სასოფლო-სამეურნეო ნიადაგებში), საკიზადე და სხვ.23 (მოდელირება დამხმარე ვექტორული მანქანების და ხელოვნური ნერვული ქსელების გამოყენებით) ნიადაგის დაბინძურება ).გარდა ამისა, Vega et al.24 (CART ნიადაგში მძიმე ლითონის შეკავებისა და ადსორბციის მოდელირებისთვის) Sun et al.25 (კუბისტის გამოყენება არის Cd-ის განაწილება ნიადაგში) და სხვა ალგორითმები, როგორიცაა k-უახლოესი მეზობელი, განზოგადებული გაძლიერებული რეგრესია და გაძლიერებული რეგრესია ხეებმა ასევე გამოიყენეს MLA ნიადაგში PTE-ის პროგნოზირებისთვის.
DSM ალგორითმების გამოყენება პროგნოზირებაში ან რუკებში რამდენიმე გამოწვევის წინაშე დგას. ბევრი ავტორი თვლის, რომ MLA აღემატება გეოსტატისტიკას და პირიქით. მიუხედავად იმისა, რომ ერთი უკეთესია მეორეზე, ამ ორის კომბინაცია აუმჯობესებს რუკების ან პროგნოზირების სიზუსტის დონეს DSM15. Woodcock and Gopal26 Finke27;Pontius და Cheuk28 და Grunwald29 კომენტარს აკეთებენ ნაკლოვანებებზე და ზოგიერთ შეცდომებზე ნიადაგის წინასწარმეტყველების რუკებში. ნიადაგის მეცნიერებმა სცადეს სხვადასხვა ტექნიკა DSM რუკების და პროგნოზირების ეფექტურობის, სიზუსტისა და პროგნოზირებადობის ოპტიმიზაციისთვის. გაურკვევლობისა და ვერიფიკაციის კომბინაცია არის მრავალი სხვადასხვა ასპექტიდან, რომელიც ამცირებს DSM-ის ეფექტურობას.15 ხაზს უსვამს, რომ რუკის შექმნით და პროგნოზით შემოღებული ვალიდაციის ქცევა და გაურკვევლობა დამოუკიდებლად უნდა დადასტურდეს რუკის ხარისხის გასაუმჯობესებლად. DSM-ის შეზღუდვები განპირობებულია გეოგრაფიულად გაფანტული ნიადაგის ხარისხით, რომელიც მოიცავს გაურკვევლობის კომპონენტს;თუმცა, DSM-ში დარწმუნების ნაკლებობა შეიძლება წარმოიშვას შეცდომის მრავალი წყაროდან, კერძოდ, კოვარიაციული შეცდომა, მოდელის შეცდომა, ადგილმდებარეობის შეცდომა და ანალიტიკური შეცდომა 31. მოდელირების უზუსტობები, რომლებიც გამოწვეულია MLA-ში და გეოსტატისტიკურ პროცესებში, ასოცირდება გაგების ნაკლებობასთან, რაც საბოლოოდ იწვევს მოდელის ზედმეტად გამარტივებას32. პარამეტრების, მათემატიკური მოდელის პროგნოზები ან ინტერპოლაცია33. ახლახან გაჩნდა ახალი DSM ტენდენცია, რომელიც ხელს უწყობს გეოსტატისტიკისა და MLA-ის ინტეგრაციას რუკებსა და პროგნოზირებაში. რამდენიმე ნიადაგმცოდნე და ავტორი, როგორიცაა სერგეევი და სხვ.34;სუბბოტინა და სხვ.35;ტარასოვმა და სხვებმა.36 და ტარასოვი და სხვ.37-მა გამოიყენა გეოსტატისტიკისა და მანქანათმცოდნეობის ზუსტი ხარისხი ჰიბრიდული მოდელების შესაქმნელად, რომლებიც აუმჯობესებენ პროგნოზირებისა და რუქების ეფექტურობას.ხარისხი. ზოგიერთი ამ ჰიბრიდული ან კომბინირებული ალგორითმის მოდელებია ხელოვნური ნერვული ქსელის კრიგინგი (ANN-RK), მრავალშრიანი პერცეპტრონის ნარჩენი კრიგინგი (MLP-RK), გენერალიზებული რეგრესიული ნეირონული ქსელის ნარჩენი კრიგინგი (GR- NNRK)36, ხელოვნური ნერვული ქსელი კრიგინგი-მრავალშრიანი პერცეპტრონი (ANN-Multilayer Perceptron Regression3-K) და.
სერგეევისა და სხვების აზრით, მოდელირების სხვადასხვა ტექნიკის გაერთიანებას აქვს პოტენციალი, აღმოფხვრას დეფექტები და გაზარდოს მიღებული ჰიბრიდული მოდელის ეფექტურობა, ვიდრე მისი ერთი მოდელის შემუშავება. ამ კონტექსტში, ეს ახალი ნაშრომი ამტკიცებს, რომ აუცილებელია გეოსტატისტიკისა და MLA-ის კომბინირებული ალგორითმის გამოყენება, რათა შეიქმნას ოპტიმალური ჰიბრიდული მოდელები ურბანული ემპირიული ტერიტორიების პროგნოზირებისთვის. (EBK), როგორც საბაზისო მოდელი და შეურიეთ იგი მხარდაჭერის ვექტორულ მანქანას (SVM) და მრავალჯერადი ხაზოვანი რეგრესიის (MLR) მოდელებს. EBK-ის ჰიბრიდიზაცია რომელიმე MLA-თან არ არის ცნობილი. მრავალჯერადი შერეული მოდელებია ჩვეულებრივი, ნარჩენი, რეგრესული კრიგინგისა და MLA. აციონური/სტაციონარული შემთხვევითი ველი განსაზღვრული ლოკალიზაციის პარამეტრებით მინდორზე, რაც იძლევა სივრცითი ცვალებადობის საშუალებას39.EBK გამოიყენებოდა მრავალფეროვან კვლევებში, მათ შორის ორგანული ნახშირბადის განაწილების ანალიზში ფერმის ნიადაგებში40, ნიადაგის დაბინძურების შეფასება41 და ნიადაგის თვისებების შეფასებისას42.
მეორეს მხრივ, თვითორგანიზების გრაფიკი (SeOM) არის სასწავლო ალგორითმი, რომელიც გამოიყენება სხვადასხვა სტატიებში, როგორიცაა Li et al.43, ვანგი და სხვ.44, Hossain Bhuiyan et al.45 and Kebonye et al.46 განსაზღვრეთ ელემენტების სივრცითი ატრიბუტები და დაჯგუფება.Wang et al.44 ხაზს უსვამს, რომ SeOM არის ძლიერი სასწავლო ტექნიკა, რომელიც ცნობილია არაწრფივი პრობლემების დაჯგუფებისა და წარმოსახვის უნარით. სხვა შაბლონების ამოცნობის ტექნიკისგან განსხვავებით, როგორიცაა ძირითადი კომპონენტების ანალიზი, ბუნდოვანი კლასტერირება, იერარქიული კლასტერირება და მრავალკრიტერიუმიანი გადაწყვეტილების მიღება, SeOM უკეთესად ახერხებს PTE შაბლონების ორგანიზებასა და იდენტიფიკაციას. Wang-ის მიხედვით.44, SeOM-ს შეუძლია სივრცობრივად დააჯგუფოს დაკავშირებული ნეირონების განაწილება და უზრუნველყოს მონაცემთა მაღალი გარჩევადობის ვიზუალიზაცია.SeOM ვიზუალიზაციას მოახდენს Ni პროგნოზირების მონაცემებს, რათა მიიღოს საუკეთესო მოდელი შედეგების პირდაპირი ინტერპრეტაციისთვის.
ეს ნაშრომი მიზნად ისახავს შექმნას ძლიერი რუკების მოდელი ოპტიმალური სიზუსტით ნიკელის შემცველობის პროგნოზირებისთვის ურბანულ და პერიფერიულ ნიადაგებში. ჩვენ ვარაუდობთ, რომ შერეული მოდელის სანდოობა ძირითადად დამოკიდებულია საბაზისო მოდელზე მიმაგრებული სხვა მოდელების გავლენაზე. ალ;ამიტომ, ჩვენ შევეცდებით ვუპასუხოთ კვლევის კითხვებს, რომლებმაც შეიძლება შერეული მოდელები გამოიღოს. თუმცა, რამდენად ზუსტია მოდელი სამიზნე ელემენტის პროგნოზირებაში? ასევე, რა არის ეფექტურობის შეფასების დონე, რომელიც დაფუძნებულია ვალიდაციასა და სიზუსტის შეფასებაზე? ამიტომ, ამ კვლევის კონკრეტული მიზნები იყო (ა) შექმნათ კომბინირებული ნარევი მოდელისთვის SVMR ან MLR-ისთვის, მოდელის (bK-ის საუკეთესო მოდელის შედარება) Ni-ის კონცენტრაცია ქალაქურ ან პერი-ურბანულ ნიადაგებში და (დ) SeOM-ის გამოყენება ნიკელის სივრცითი ვარიაციის მაღალი გარჩევადობის რუქის შესაქმნელად.
კვლევა ტარდება ჩეხეთის რესპუბლიკაში, კონკრეტულად ფრიდეკ მისტეკის რაიონში მორავია-სილეზიის რეგიონში (იხ. სურათი 1). საკვლევი ტერიტორიის გეოგრაფია ძალიან უხეშია და უმეტესად მორავია-სილეზიური ბესკიდის რეგიონის ნაწილია, რომელიც წარმოადგენს კარპატების მთების გარე კიდის ნაწილს. , ხოლო სიმაღლე 225-დან 327 მ-მდეა;თუმცა, კოპენის კლასიფიკაციის სისტემა რეგიონის კლიმატური მდგომარეობისთვის შეფასებულია, როგორც Cfb = ზომიერი ოკეანეური კლიმატი, მშრალ თვეებშიც კი არის ბევრი ნალექი. ტემპერატურა ოდნავ იცვლება მთელი წლის განმავლობაში −5 °C-დან 24 °C-მდე, იშვიათად ეცემა −14 °C-ზე დაბლა ან −20C-ზე დაბლა ან 6 მმ-ზე 30 °C-მდე. მთლიანი ტერიტორიის 1208 კვადრატული კილომეტრია, 39,38% დამუშავებული მიწის და 49,36% ტყის საფარით. მეორე მხრივ, ამ კვლევაში გამოყენებული ფართობი არის დაახლოებით 889,8 კვადრატული კილომეტრი. ოსტრავაში და მის გარშემო ფოლადის მრეწველობა და ლითონის სამუშაოები ძალიან აქტიურია. ნიკელი ზრდის შენადნობის სიმტკიცეს და ინარჩუნებს მის კარგ ელასტიურობას და სიმტკიცეს), ხოლო ინტენსიური სოფლის მეურნეობა, როგორიცაა ფოსფატის სასუქის შეტანა და მეცხოველეობის წარმოება, ნიკელის პოტენციური წყაროა რეგიონში (მაგ., ნიკელის დამატება ბატკნებსა და დაბალ კვებაზე მყოფ პირუტყვებში ზრდის ტემპების გაზრდის მიზნით). ნიადაგის თვისებები ადვილად განასხვავებენ ნიადაგის ფერს, სტრუქტურას და კარბონატის შემცველობას. ნიადაგის ტექსტურა საშუალოდან წვრილამდეა, მიღებული ძირითადი მასალისგან. ისინი ბუნებით კოლუვიური, ალუვიური ან ეოლიურია. ზოგიერთი ნიადაგი ზედაპირზე და ქვესახეობაში ჭრელი ჩანს, ხშირად ბეტონით და გაუფერულებით. 455,1-დან 493,5 მ-მდე, კამბისოლები დომინირებენ ჩეხეთში49.
სასწავლო ტერიტორიის რუკა [საკვლევი ტერიტორიის რუკა შეიქმნა ArcGIS Desktop-ის გამოყენებით (ESRI, Inc, ვერსია 10.7, URL: https://desktop.arcgis.com).]
სულ 115 ნიადაგის ზედა ფენის ნიმუში იქნა მიღებული ფრიდეკ მისტეკის რაიონში ურბანული და პერიფერიული ნიადაგებიდან. გამოყენებული ნიმუშის ნიმუში იყო ჩვეულებრივი ბადე ნიადაგის ნიმუშებით დაშორებული ერთმანეთისგან 2 × 2 კმ, და ნიადაგის ზედა ფენა გაზომილი იყო 0-დან 20 სმ სიღრმეზე ხელის GPS მოწყობილობის გამოყენებით (Leica Zeno 5 არის ჩანთებით დაფასოებული GPSS-ში). y. ნიმუშები გაშრეს ჰაერში დაფქული ნიმუშების მისაღებად, დაფხვნილი მექანიკური სისტემით (Fritsch disc mill) და გაცრილი (საცრის ზომა 2 მმ). მოათავსეთ 1 გრამი გამხმარი, ჰომოგენიზებული და გაცრილი ნიადაგის ნიმუშები მკაფიოდ ეტიკეტირებულ ტეფლონის ბოთლებში. თითოეულ ტეფლონის ჭურჭელში, 6% HC35 მლ 35 მლ და 35% NOl ავტომატური 35% NOl და 35% NOl და 35 მლ 35 მლ. დისპენსერი – თითო მჟავაზე), მსუბუქად დააფარეთ და ნიმუშები გააჩერეთ ღამით რეაქციისთვის (aqua regia პროგრამა). მოათავსეთ ზენატანი ცხელ ლითონის ფირფიტაზე (ტემპერატურა: 100 W და 160 °C) 2 საათის განმავლობაში, ნიმუშების მონელების პროცესის გასაადვილებლად, შემდეგ გააგრილეთ. გადაიტანეთ ზენატანი 0 mlA მოცულობით განზავებულ წყალში 50 მლ5-ზე. განზავებული ზენატანი 50 მლ PVC მილში დეიონიზებული წყლით. დამატებით, 1 მლ განზავების ხსნარი განზავებული იყო 9 მლ დეიონიზებული წყლით და გაფილტრული იყო 12 მლ ტუბში, რომელიც მომზადებულია PTE ფსევდოკონცენტრაციისთვის. PTE-ების კონცენტრაციები (As, Cd, Cr, Cu, Mn, Mn, CP, I, Mn, CP, I, Mn, Ca, Mn, I, Mn, Ca, P. გაზრდილი პლაზმური ოპტიკური ემისიის სპექტროსკოპია) (Thermo Fisher Scientific, აშშ) სტანდარტული მეთოდებისა და შეთანხმების მიხედვით. ხარისხის უზრუნველყოფისა და კონტროლის (QA/QC) პროცედურების უზრუნველყოფა (SRM NIST 2711a Montana II ნიადაგი). PTE-ები, რომელთა გამოვლენის ლიმიტები ნახევარზე ნაკლები იყო. გამოირიცხა ამ კვლევაში. თითოეული ანალიზისთვის ხარისხის უზრუნველყოფის პროცესი უზრუნველყოფილია საცნობარო სტანდარტების ანალიზით. შეცდომების მინიმუმამდე დაყვანის უზრუნველსაყოფად ჩატარდა ორმაგი ანალიზი.
ემპირიული Bayesian Kriging (EBK) არის გეოსტატისტიკური ინტერპოლაციის მრავალი მეთოდიდან ერთ-ერთი, რომელიც გამოიყენება მოდელირებაში სხვადასხვა სფეროებში, როგორიცაა ნიადაგმცოდნეობა. სხვა კრიგინგის ინტერპოლაციის ტექნიკისგან განსხვავებით, EBK განსხვავდება კრიგინგის ტრადიციული მეთოდებისგან ნახევრადვარიოგრამის მოდელის მიერ შეფასებული შეცდომის გათვალისწინებით. ნახევრადვარიოგრამის ამ გამოსახვასთან დაკავშირებული გაურკვევლობა და პროგრამირება ხსნის გზას, რომელიც წარმოადგენს საკმარისი კრიგინგის მეთოდის რთულ ნაწილს. სიმულირებული მონაცემთა ნაკრები.ბაიესის განტოლების წესი მოცემულია უკანა სახით
სადაც \(Prob\left(A\right)\) წარმოადგენს წინა, \(Prob\left(B\right)\) ზღვრული ალბათობა უმეტეს შემთხვევაში იგნორირებულია, \(Prob (B,A)\ ) . ნახევრადვარიოგრამის გამოთვლა ეფუძნება Bayes-ის წესს, რომელიც გვიჩვენებს დაკვირვების გრამამის მიდრეკილებას semi მნიშვნელობის გამოყენებით. , რომელშიც ნათქვამია, რამდენად სავარაუდოა დაკვირვებების ნაკრების შექმნა ნახევრადვარიოგრამიდან.
დამხმარე ვექტორული მანქანა არის მანქანათმცოდნეობის ალგორითმი, რომელიც წარმოქმნის ოპტიმალურ განცალკევებულ ჰიპერპლანტას იდენტური, მაგრამ არა წრფივად დამოუკიდებელი კლასების გასარჩევად. Vapnik51-მა შექმნა განზრახვის კლასიფიკაციის ალგორითმი, მაგრამ ახლახან გამოიყენებოდა რეგრესიაზე ორიენტირებული პრობლემების გადასაჭრელად. Li et al.52-ის მიხედვით, SVM არის ერთ-ერთი საუკეთესო კლასიფიკატორი SV კომპონენტი SV კომპონენტი. რეგრესია - SVMR) გამოიყენეს ამ ანალიზში. ჩერკასკიმ და მულიერმა53-მა წამოაყენეს SVMR, როგორც ბირთვზე დაფუძნებული რეგრესია, რომლის გამოთვლა შესრულდა წრფივი რეგრესიის მოდელის გამოყენებით მრავალ ქვეყანაში სივრცითი ფუნქციებით. ჯონ და სხვებმა54 იუწყებიან, რომ SVMR მოდელირება იყენებს არაკორდულ ხაზოვანი ფუნქციონირებას, რომელიც აყალიბებს ხაზოვანი სივრცის ფუნქციებს. Vohland-ს და სხვებს.55, epsilon (ε)-SVMR იყენებს გაწვრთნილ მონაცემთა ბაზას წარმომადგენლობითი მოდელის მისაღებად, როგორც epsilon-ისადმი მგრძნობიარე ფუნქცია, რომელიც გამოიყენება მონაცემთა დამოუკიდებლად გამოსახულების მიზნით კორელაციულ მონაცემებზე ვარჯიშისგან საუკეთესო epsilon მიკერძოებით. წინასწარ დაყენებული მანძილის შეცდომა იგნორირებულია ფაქტობრივი მნიშვნელობიდან და თუ შეცდომა უფრო დიდია ვიდრე ε(ε), ამცირებს მას კომპლექსურ მონაცემებს ე(ε) ​​დამხმარე ვექტორები.Vapnik51-ის მიერ შემოთავაზებული განტოლება ნაჩვენებია ქვემოთ.
სადაც b წარმოადგენს სკალარული ზღურბლს, \(K\left({x}_{,}{ x}_{k}\right)\) წარმოადგენს ბირთვის ფუნქციას, \(\alpha\) წარმოადგენს ლაგრანგის მულტიპლიკატორს, N წარმოადგენს ციფრულ მონაცემთა ბაზას, \({x}_{k}\) წარმოადგენს მონაცემთა შეყვანას, M არის გამოყენებული კლავიშის მონაცემები, რომელიც არის შეყვანილი, \(y\ne). გაუსის რადიალური საფუძვლის ფუნქცია (RBF). RBF ბირთვი გამოიყენება ოპტიმალური SVMR მოდელის დასადგენად, რომელიც გადამწყვეტია ყველაზე დახვეწილი ჯარიმის ნაკრების ფაქტორი C და ბირთვის პარამეტრის გამა (γ) PTE სასწავლო მონაცემებისთვის. ჯერ შევაფასეთ ტრენინგის ნაკრები და შემდეგ შევამოწმეთ მოდელის შესრულება ვალიდაციის კომპლექტზე.
მრავალჯერადი წრფივი რეგრესიის მოდელი (MLR) არის რეგრესიის მოდელი, რომელიც წარმოადგენს ურთიერთკავშირს პასუხის ცვლადსა და პროგნოზირებად ცვლადებს შორის წრფივი გაერთიანებული პარამეტრების გამოყენებით, გამოთვლილი უმცირესი კვადრატების მეთოდით. ​​MLR-ში, უმცირესი კვადრატების მოდელი არის ნიადაგის თვისებების პროგნოზირებადი ფუნქცია ახსნადი ცვლადების შერჩევის შემდეგ. ურთიერთობა განმარტებით ცვლადებთან.MLR განტოლება არის
სადაც y არის პასუხის ცვლადი, \(a\) არის შუალედი, n არის პროგნოზირების რაოდენობა, \({b}_{1}\) არის კოეფიციენტების ნაწილობრივი რეგრესია, \({x}_{ i}\) წარმოადგენს პროგნოზირებულ ცვლადს ან განმარტებით ცვლადს და \({\varepsilon }_{i}\) წარმოადგენს მოდელს.
შერეული მოდელები მიღებულ იქნა EBK-ს SVMR-ით და MLR-ით სენდვიჩირებით. ეს კეთდება EBK ინტერპოლაციიდან პროგნოზირებული მნიშვნელობების ამოღებით. პროგნოზირებული მნიშვნელობები, რომლებიც მიღებულია ინტერპოლირებული Ca, K და Mg-დან, მიიღება კომბინაციური პროცესით, რათა მივიღოთ ახალი ცვლადები, როგორიცაა CaK, CaMg და მიიღება ოთხი, Ca. KMg. მთლიანობაში მიღებული ცვლადებია Ca, K, Mg, CaK, CaMg, KMg და CaKMg. ეს ცვლადები გახდა ჩვენი პროგნოზირება, რაც დაეხმარა ნიკელის კონცენტრაციის პროგნოზირებას ურბანულ და პერიფერიულ ნიადაგებში. SVMR ალგორითმი შესრულდა პროგნოზირებზე შერეული მოდელის მოპოვებისთვის. s ასევე მილებია MLR ალგორითმის მეშვეობით, რათა მივიღოთ შერეული მოდელის ემპირიული ბაიზური კრიგინგ-მრავალჯერადი ხაზოვანი რეგრესია (EBK_MLR). როგორც წესი, ცვლადები Ca, K, Mg, CaK, CaMg, KMg, და CaKMg გამოიყენება როგორც კოვარიატები, როგორც პროგნოზირებადი პერი-მიღებული კონტენტი ურბანული დაBKV ურბანული და ყველაზე მისაღებიაBKV მოდელში. _MLR) შემდეგ იქნება ვიზუალიზაცია თვითორგანიზებული გრაფიკის გამოყენებით. ამ კვლევის სამუშაო პროცესი ნაჩვენებია სურათზე 2.
SeOM-ის გამოყენება გახდა პოპულარული ინსტრუმენტი ფინანსურ სექტორში, ჯანდაცვაში, მრეწველობაში, სტატისტიკაში, ნიადაგის მეცნიერებაში და სხვა მონაცემთა ორგანიზებისთვის, შეფასებისა და პროგნოზირებისთვის. put-განზომილებიანი ვექტორული ცვლადები43,56.Melssen et al.57 აღწერს შეყვანის ვექტორის კავშირს ნერვულ ქსელში ერთი შეყვანის ფენის მეშვეობით გამომავალ ვექტორთან ერთი წონის ვექტორით. SeOM-ის მიერ გამომუშავებული გამომავალი არის ორგანზომილებიანი რუკა, რომელიც შედგება სხვადასხვა ნეირონებისგან ან კვანძებისგან, რომლებიც ნაქსოვია ექვსკუთხა, წრიულ ან კვადრატულ ტოპოლოგიურ რუქებში მათი სიახლოვის მიხედვით. შერჩეულია შესაბამისად 0.086 და 0.904, რომელიც წარმოადგენს 55 რუქიან ერთეულს (5 × 11). ნეირონის სტრუქტურა განისაზღვრება ემპირიულ განტოლებაში კვანძების რაოდენობის მიხედვით.
ამ კვლევაში გამოყენებული მონაცემების რაოდენობაა 115 ნიმუში. შემთხვევითი მიდგომა იყო გამოყენებული მონაცემების ტესტის მონაცემებად (25% ვალიდაციისთვის) და სასწავლო მონაცემთა ნაკრებებად (75% დაკალიბრებისთვის). სასწავლო მონაცემთა ნაკრები გამოიყენება რეგრესიის მოდელის (კალიბრაციის) გენერირებისთვის, ხოლო ტესტის მონაცემთა ბაზა გამოიყენება განზოგადების უნარის შესამოწმებლად58. d ჯვარედინი ვალიდაციის პროცესი, მეორდება ხუთჯერ. EBK ინტერპოლაციის მიერ წარმოებული ცვლადები გამოიყენება როგორც პროგნოზირებადი ან ახსნადი ცვლადი სამიზნე ცვლადის (PTE) პროგნოზირებისთვის. მოდელირება მუშავდება RStudio-ში პაკეტების ბიბლიოთეკის (Kohonen), ბიბლიოთეკის (caret), ბიბლიოთეკის(modelr), library("e1071" libraryol),"("e1071")"("e1071")"""")"-ის გამოყენებით. ”) და ბიბლიოთეკებს (“მეტრიკა”).
ნიადაგში ნიკელის კონცენტრაციის პროგნოზირებისთვის შესაფერისი საუკეთესო მოდელის დასადგენად და მოდელის და მისი ვალიდაციის მოდელის სიზუსტის შესაფასებლად გამოყენებული იქნა სხვადასხვა ვალიდაციის პარამეტრი. დამოუკიდებელ ზომებში აღწერს მოდელის პროგნოზირებულ ძალას, ხოლო MAE განსაზღვრავს რეალურ რაოდენობრივ მნიშვნელობას. R2 მნიშვნელობა უნდა იყოს მაღალი, რათა შეფასდეს საუკეთესო ნარევი მოდელის ვალიდაციის პარამეტრების გამოყენებით, რაც უფრო ახლოს არის მნიშვნელობა 1-თან, მით უფრო მაღალია სიზუსტე. Li et al.-ის მიხედვით.59, R2 კრიტერიუმის მნიშვნელობა 0,75 ან მეტი ითვლება კარგ პროგნოზირებლად;0.5-დან 0.75-მდე მისაღებია მოდელის შესრულება, ხოლო 0.5-ზე ქვემოთ არის მიუღებელი მოდელის შესრულება. RMSE და MAE ვალიდაციის კრიტერიუმების შეფასების მეთოდების გამოყენებით მოდელის შერჩევისას, მიღებული ქვედა მნიშვნელობები საკმარისი იყო და საუკეთესო არჩევნად იქნა მიჩნეული. შემდეგი განტოლება აღწერს გადამოწმების მეთოდს.
სადაც n წარმოადგენს დაკვირვებული მნიშვნელობის ზომას\({Y}_{i}\) წარმოადგენს გაზომილ პასუხს და \({\widehat{Y}}_{i}\) ასევე წარმოადგენს პასუხის სავარაუდო მნიშვნელობას, შესაბამისად, პირველი i დაკვირვებებისთვის.
პროგნოზირებისა და პასუხის ცვლადების სტატისტიკური აღწერილობები წარმოდგენილია ცხრილში 1, სადაც ნაჩვენებია საშუალო, სტანდარტული გადახრა (SD), ვარიაციის კოეფიციენტი (CV), მინიმალური, მაქსიმუმი, ქურთოზი და დახრილობა. ელემენტების მინიმალური და მაქსიმალური მნიშვნელობები Mg < Ca < K < Ni და Ca < Mg < K < Ni, შესწავლის დიაპაზონიდან შემცირებული რიგით. 86-დან 42.39 მგ/კგ-მდე. Ni-ის შედარება მსოფლიო საშუალო (29 მგ/კგ) და ევროპული საშუალო (37 მგ/კგ) აჩვენა, რომ საერთო გამოთვლილი გეომეტრიული საშუალო საკვლევი ზონისთვის ტოლერანტულ დიაპაზონში იყო. უფრო მაღალია. ასევე, Frydek Mistek-ის საშუალო კონცენტრაცია ურბანულ და ქალაქგარე ნიადაგებში მიმდინარე კვლევაში (Ni 16.15 მგ/კგ) უფრო მაღალი იყო 60-ზე (10.2 მგ/კგ) დასაშვებ კონცენტრაციაზე Ni-სთვის პოლონურ ქალაქურ ნიადაგებში მოხსენებული Różański et al.Furthermore, Ni 160 mg/Calderi (Bretzel low61 mg/kg) ძალიან მაღალია. ნიადაგები ტოსკანაში მიმდინარე კვლევასთან შედარებით. Jim62-მა ასევე აღმოაჩინა ნიკელის დაბალი კონცენტრაცია (12,34 მგ/კგ) ჰონგ კონგის ურბანულ ნიადაგებში, რაც უფრო დაბალია ვიდრე ამ კვლევაში ნიკელის მიმდინარე კონცენტრაცია. 16.15 მგ/კგ). მიმდინარე კვლევა. ნიკელის ჭარბი შემცველობა ნიადაგებში საკვლევი ტერიტორიის ზოგიერთ ურბანულ და გარეუბნებში შეიძლება ძირითადად მიეკუთვნებოდეს რკინისა და ფოლადის მრეწველობას და ლითონის მრეწველობას. ეს შეესაბამება ხოდადოუსტის და სხვების კვლევას.64, რომ ფოლადის მრეწველობა და ლითონის დამუშავება ნიადაგში ნიკელის დაბინძურების ძირითადი წყაროა. თუმცა, პროგნოზირების მაჩვენებლები ასევე მერყეობდა 538,70 მგ/კგ-დან 69,161,80 მგ/კგ-მდე Ca-სთვის, 497,51 მგ/კგ-დან 3535,68 მგ/კგ-დან 3535,68 მგ/კგ-მდე 3535,68 მგ/კგ 70-დან 50 მგ/კგ-მდე და 8 მგ/კგ-მდე K.6-დან 50 მგ/კგ-მდე. Mg.Jakovljevic et al.65 გამოიკვლია ნიადაგების მთლიანი Mg და K შემცველობა ცენტრალურ სერბეთში. მათ აღმოაჩინეს, რომ მთლიანი კონცენტრაციები (410 მგ/კგ და 400 მგ/კგ, შესაბამისად) უფრო დაბალი იყო, ვიდრე მიმდინარე კვლევის Mg და K კონცენტრაციები. აღმოსავლეთ პოლონეთში ორზეჩოვსკიმ და Smolczynski-მა აჩვენეს, რომ აჩვენეს Mg1 და Mg1 საშუალო შემცველობა და შეაფასეს Mg1 კონცენტრაცია. გ), Mg (590 მგ/კგ) და K (810 მგ/კგ) ნიადაგის ზედა ფენის შემცველობა უფრო დაბალია, ვიდრე ერთი ელემენტი ამ კვლევაში. Pongrac et al.-ის ბოლო კვლევა.67-მა აჩვენა, რომ შოტლანდიაში, დიდ ბრიტანეთში 3 სხვადასხვა ნიადაგში (Mylnefield ნიადაგი, Balruddery ნიადაგი და Hartwood ნიადაგი) გაანალიზებული Ca-ის მთლიანი შემცველობა აჩვენა Ca-ის უფრო მაღალი შემცველობა ამ კვლევაში.
ნიმუშის ელემენტების სხვადასხვა გაზომილი კონცენტრაციის გამო, ელემენტების მონაცემთა ნაკრების განაწილება ავლენს განსხვავებულ დახრილობას. ელემენტების დახრილობა და დახრილობა მერყეობდა 1,53-დან 7,24-მდე და 2,49-დან 54,16-მდე, შესაბამისად. ელემენტების s ასევე აჩვენებს, რომ K, Mg და Ni აჩვენებენ ზომიერ ცვალებადობას, ხოლო Ca-ს აქვს უკიდურესად მაღალი ცვალებადობა. K, Ni და Mg-ის CV ხსნის მათ ერთგვაროვან განაწილებას. გარდა ამისა, Ca განაწილება არაერთგვაროვანია და გარე წყაროებმა შეიძლება გავლენა მოახდინოს მის გამდიდრების დონეზე.
პროგნოზირების ცვლადების კორელაცია პასუხების ელემენტებთან მიუთითებს დამაკმაყოფილებელ კორელაციაზე ელემენტებს შორის (იხ. სურათი 3). კორელაციამ მიუთითა, რომ CaK აჩვენებდა ზომიერ კორელაციას r მნიშვნელობით = 0.53, ისევე როგორც CaNi. მიუხედავად იმისა, რომ Ca და K აჩვენებენ მოკრძალებულ ასოციაციებს ერთმანეთთან, მკვლევარები, როგორიცაა al. Kings.68 და Santo69 ვარაუდობენ, რომ მათი დონე ნიადაგში უკუპროპორციულია. თუმცა, Ca და Mg ანტაგონისტურია K-სთან, მაგრამ CaK კარგად არის კორელაციაში. ეს შეიძლება გამოწვეული იყოს ისეთი სასუქებით, როგორიცაა კალიუმის კარბონატი, რომელიც 56%-ით მაღალია კალიუმში. კალიუმი იყო ზომიერად მაგნიუმთან დაკავშირებული r. ორი ელემენტი მჭიდრო კავშირშია, რადგან კალიუმის მაგნიუმის სულფატი, კალიუმის მაგნიუმის ნიტრატი და კალიუმი გამოიყენება ნიადაგებზე მათი დეფიციტის დონის გასაზრდელად. ნიკელი ზომიერად არის დაკავშირებული Ca, K და Mg-თან, r მნიშვნელობებით = 0,52, 0,63 და 0,63 და 0,55, შესაბამისად, TE კომპლექსები, როგორიცაა კომპლექსური კალციუმი. მაგრამ მიუხედავად ამისა, მაგნიუმი აფერხებს კალციუმის შეწოვას, კალციუმი ამცირებს ჭარბი მაგნიუმის ეფექტს და ორივე მაგნიუმი და კალციუმი ამცირებს ნიკელის ტოქსიკურ ეფექტებს ნიადაგში.
კორელაციური მატრიცა ელემენტებისთვის, რომელიც გვიჩვენებს ურთიერთობას პროგნოზირებსა და პასუხებს შორის (შენიშვნა: ეს ფიგურა მოიცავს ელემენტებს შორის გაფანტულ ნახაზს, მნიშვნელოვნების დონეები დაფუძნებულია p <0,001-ზე).
სურათი 4 ასახავს ელემენტების სივრცულ განაწილებას. Burgos et al70-ის მიხედვით, სივრცითი განაწილების გამოყენება არის ტექნიკა, რომელიც გამოიყენება დაბინძურებულ რაიონებში ცხელი წერტილების რაოდენობის დასადგენად და ხაზგასმით. Ca-ის გამდიდრების დონე 4-ზე ჩანს სივრცითი განაწილების რუქის ჩრდილო-დასავლეთ ნაწილში. სავარაუდოდ ნიადაგის მჟავიანობის შესამცირებლად კირის (კალციუმის ოქსიდის) გამოყენებისა და ფოლადის ქარხნებში ტუტე ჟანგბადად გამოყენების გამო ფოლადის დამზადების პროცესში. მეორეს მხრივ, სხვა ფერმერები ურჩევნიათ გამოიყენონ კალციუმის ჰიდროქსიდი მჟავე ნიადაგებში pH-ის გასანეიტრალებლად, რაც ასევე ზრდის კალციუმის შემცველობას ნიადაგში71. კალიუმის სიხშირე-მაღალი ნიმუში შეიძლება გამოწვეული იყოს NPK და კალიუმის გამოყენებასთან. ეს შეესაბამება სხვა კვლევებს, როგორიცაა Madaras and Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, რომლებმაც დააფიქსირეს, რომ ნიადაგის სტაბილიზაციამ და დამუშავებამ KCl და NPK მაღალი შემცველობით გამოიწვია ნიადაგი.განაწილების რუქის ჩრდილო-დასავლეთით კალიუმის სივრცითი გამდიდრება შეიძლება გამოწვეული იყოს კალიუმზე დაფუძნებული სასუქების გამოყენებით, როგორიცაა კალიუმის ქლორიდი, კალიუმის სულფატი, კალიუმის ნიტრატი, კალიუმი და კალიუმი ღარიბ ნიადაგებში კალიუმის შემცველობის გასაზრდელად. Zádorov.76 და Tlustoš et al.77 ხაზგასმით აღინიშნა, რომ K-ზე დაფუძნებული სასუქების გამოყენებამ გაზარდა K-ს შემცველობა ნიადაგში და მნიშვნელოვნად გაზრდის ნიადაგის საკვები ნივთიერებების შემცველობას გრძელვადიან პერსპექტივაში, განსაკუთრებით K და Mg, რომლებიც აჩვენებენ ნიადაგში ცხელ წერტილს. შედარებით ზომიერი ცხელი წერტილები რუკის ჩრდილო-დასავლეთით და რუკის სამხრეთ-აღმოსავლეთით. კოლოიდური ფიქსაცია იწვევს ნიადაგის ნაკლებობას. ქლოროზის დროს. მაგნიუმზე დაფუძნებული სასუქები, როგორიცაა კალიუმის მაგნიუმის სულფატი, მაგნიუმის სულფატი და კიზერიტი, მკურნალობენ ნაკლოვანებებს (მცენარეები გამოიყურება მეწამული, წითელი ან ყავისფერი, რაც მაგნიუმის დეფიციტზე მიუთითებს) ნიადაგებში ნორმალური pH დიაპაზონით6. ტურა და ნიკელის მნიშვნელობა უჟანგავი ფოლადის წარმოებაში78.
ელემენტების სივრცითი განაწილება [სივრცითი განაწილების რუკა შეიქმნა ArcGIS Desktop-ის გამოყენებით (ESRI, Inc, ვერსია 10.7, URL: https://desktop.arcgis.com).]
მოდელის შესრულების ინდექსის შედეგები ამ კვლევაში გამოყენებული ელემენტებისთვის ნაჩვენებია ცხრილში 2. მეორეს მხრივ, Ni-ის RMSE და MAE ორივე ახლოს არის ნულთან (0.86 RMSE, -0.08 MAE). მეორეს მხრივ, ორივე RMSE და MAE მნიშვნელობები K არის მისაღები. RMSE და MAE შედეგები უფრო დიდი იყო კალციუმის და MAE მონაცემების მიხედვით. ამ კვლევის RMSE და MAE, რომლებიც იყენებენ EBK-ს Ni-ს პროგნოზირებისთვის, აღმოჩნდა, რომ უკეთესია, ვიდრე John et al.54 სინერგიული კრიგინგის გამოყენებით ნიადაგში S კონცენტრაციის პროგნოზირებისთვის იგივე შეგროვებული მონაცემების გამოყენებით. ჩვენ მიერ შესწავლილი EBK შედეგები კორელაციაშია Fabijaczyk et al.41, Yan et al.79, ბეგინი და სხვ.80, Adhikary et al.81 და იოანე და სხვ.82, განსაკუთრებით K და Ni.
ნიკელის შემცველობის პროგნოზირების ინდივიდუალური მეთოდების შესრულება ქალაქურ და პერიფერიულ ნიადაგებში შეფასდა მოდელების ეფექტურობის გამოყენებით (ცხრილი 3). მოდელის ვალიდაციამ და სიზუსტის შეფასებამ დაადასტურა, რომ Ca_Mg_K პროგნოზი EBK SVMR მოდელთან ერთად აძლევდა საუკეთესო შესრულებას. კალიბრაციის მოდელი Ca_Mg_K-EBK აბსოლუტური ფესვი (Ca_Mg_K-EBK) MAE) იყო 0,637 (R2), 95,479 მგ/კგ (RMSE) და 77,368 მგ/კგ (MAE) Ca_Mg_K-SVMR იყო 0,663 (R2), 235,974 მგ/კგ (RMSE) და 166,946 მგ/კგ (მიღებულია R-2-კგ) უფრო კარგი, მიღებულია 166,946 მგ/კგ-ზე ნაკლები მნიშვნელობა. SVMR (0,663 მგ/კგ R2) და Ca_Mg-EBK_SVMR (0,643 = R2);მათი RMSE და MAE შედეგები უფრო მაღალი იყო, ვიდრე Ca_Mg_K-EBK_SVMR (R2 0.637) (იხ. ცხრილი 3). გარდა ამისა, Ca_Mg-EBK_SVMR-ის RMSE და MAE (RMSE = 1664.64 და MAE = 1031.49-ზე უფრო დიდია, ვიდრე 1031.49). Ca_Mg_K-EBK_SVMR. ანალოგიურად, Ca_Mg-K SVMR (RMSE = 235.974 და MAE = 166.946) მოდელის RMSE და MAE არის 2.5 და 2.2-ით მეტი, ვიდრე Ca_Mg_K-EBK_SVM-ის მონაცემები. არის საუკეთესო მორგების ხაზით.დაფიქსირდა უმაღლესი RSME და MAE.ქებონიეს და სხვ.46 და ჯონი და სხვ.54, რაც უფრო ახლოს არის RMSE და MAE ნულთან, მით უკეთესი შედეგები. SVMR და EBK_SVMR აქვთ უფრო მაღალი კვანტიზებული RSME და MAE მნიშვნელობები. დაფიქსირდა, რომ RSME შეფასებები თანმიმდევრულად აღემატებოდა MAE მნიშვნელობებს, რაც მიუთითებს გარედან. რეკომენდირებულია, როგორც გამონაკლისების არსებობის ინდიკატორი. ეს ნიშნავს, რომ რაც უფრო ჰეტეროგენულია მონაცემთა ნაკრები, მით უფრო მაღალია MAE და RMSE მნიშვნელობები. Ca_Mg_K-EBK_SVMR შერეული მოდელის ჯვარედინი ვალიდაციის შეფასების სიზუსტე ქალაქსა და გარეუბნულ ნიადაგებში Ni-ის შემცველობის პროგნოზირებისთვის იყო 63.70%. Li %-ის მიხედვით.59, სიზუსტის ეს დონე არის მოდელის შესრულების მისაღები მაჩვენებელი. წინამდებარე შედეგები შედარებულია ტარასოვის და სხვების წინა კვლევასთან.36, რომლის ჰიბრიდულმა მოდელმა შექმნა MLPRK (მრავალშრიანი პერცეპტრონის ნარჩენი კრიგინგი), დაკავშირებული EBK_SVMR სიზუსტის შეფასების ინდექსთან, რომელიც მოხსენებულია მიმდინარე კვლევაში, RMSE (210) და MAE (167.5) უფრო მაღალი იყო, ვიდრე ჩვენი შედეგები მიმდინარე კვლევაში (RMSE 95.479, MAE 77.3 შედარება, MAE 77). ტარასოვთან და სხვებთან.36 (0.544), ცხადია, რომ განსაზღვრის კოეფიციენტი (R2) უფრო მაღალია ამ შერეულ მოდელში. ცდომილების ზღვარი (RMSE და MAE) (EBK SVMR) შერეული მოდელისთვის ორჯერ დაბალია. ანალოგიურად, სერგეევმა და სხვებმა. 0.637 (R2). ამ მოდელის (EBK SVMR) პროგნოზის სიზუსტის დონე არის 63.7%, ხოლო პროგნოზის სიზუსტე მიღებული სერგეევის და სხვ.34 არის 28%. საბოლოო რუკა (ნახ. 5) შექმნილი EBK_SVMR მოდელის და Ca_Mg_K, როგორც პროგნოზირების გამოყენებით, აჩვენებს ცხელი წერტილების და ზომიერიდან ნიკელის პროგნოზებს მთელ საკვლევ ტერიტორიაზე. ეს ნიშნავს, რომ ნიკელის კონცენტრაცია საკვლევ ტერიტორიაზე ძირითადად ზომიერია, უფრო მაღალი კონცენტრაციით ზოგიერთ კონკრეტულ რაიონში.
საბოლოო პროგნოზირების რუკა წარმოდგენილია ჰიბრიდული მოდელის EBK_SVMR და Ca_Mg_K-ის გამოყენებით, როგორც პროგნოზირება. [სივრცითი განაწილების რუკა შეიქმნა RStudio-ს გამოყენებით (ვერსია 1.4.1717: https://www.rstudio.com/).]
სურათი 6-ზე წარმოდგენილია PTE კონცენტრაციები, როგორც კომპოზიციური სიბრტყე, რომელიც შედგება ცალკეული ნეირონებისგან. არც ერთ კომპონენტ სიბრტყეს არ აჩვენა იგივე ფერის ნიმუში, როგორც ნაჩვენებია. თუმცა, ნეირონების შესაბამისი რაოდენობა თითო შედგენილ რუკაზე არის 55. SeOM იწარმოება სხვადასხვა ფერის გამოყენებით და რაც უფრო მსგავსია ფერის შაბლონები, მით უფრო შედარებადია მათი თვისებების მასშტაბი, ფერადი ელემენტების მასშტაბი, Ac. ნიმუშები ერთ მაღალ ნეირონებთან და უმეტეს დაბალ ნეირონებთან. ამრიგად, CaK და CaMg იზიარებს გარკვეულ მსგავსებას ძალიან მაღალი რიგის ნეირონებთან და დაბალი და საშუალო ფერის შაბლონებთან. ორივე მოდელი პროგნოზირებს Ni-ს კონცენტრაციას ნიადაგში ფერების საშუალო და მაღალი ჩრდილების ჩვენებით, როგორიცაა წითელი, ნარინჯისფერი და ყვითელი. KMg მოდელი აჩვენებს ზუსტ ფერთა მაღალი პროპორციით და დაბალი მასშტაბით. მოდელის კომპონენტების განაწილების ნიმუში აჩვენა მაღალი ფერის ნიმუში, რომელიც მიუთითებს ნიკელის პოტენციურ კონცენტრაციაზე ნიადაგში (იხ. სურათი 4). CakMg მოდელის კომპონენტის სიბრტყე აჩვენებს მრავალფეროვან ფერს დაბალიდან მაღალზე ზუსტი ფერის მასშტაბის მიხედვით. გარდა ამისა, მოდელის პროგნოზი ნიკელის შემცველობაზე (CakMg) მსგავსია ნიკელის მაღალი პროპორციით. ნიკელის კონცენტრაციები ურბანულ და პერიფერიულ ნიადაგებში. სურათი 7 ასახავს კონტურულ მეთოდს k-means ჯგუფში რუკაზე, დაყოფილი სამ კლასტერად თითოეულ მოდელში პროგნოზირებული მნიშვნელობის მიხედვით. კონტურის მეთოდი წარმოადგენს კლასტერების ოპტიმალურ რაოდენობას. შეგროვებული 115 ნიადაგის ნიმუშიდან, კატეგორია 1-მა მიიღო ყველაზე მეტი 4 ნიმუში csterlu. s. შვიდკომპონენტიანი პლანური პროგნოზირების კომბინაცია გამარტივდა, რათა შესაძლებელი ყოფილიყო სწორი კასეტური ინტერპრეტაცია. ნიადაგის ფორმირებაზე მოქმედი მრავალი ანთროპოგენური და ბუნებრივი პროცესის გამო, ძნელია სწორად დიფერენცირებული კასეტური შაბლონები განაწილებულ SeOM რუკაში78.
კომპონენტის სიბრტყის გამომავალი თითოეული ემპირიული Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) ცვლადი. [SeOM რუკები შეიქმნა RStudio-ს გამოყენებით (ვერსია 1.4.1717: https://www.rstudio.com/).]
კლასტერული კლასიფიკაციის სხვადასხვა კომპონენტები [SeOM რუკები შეიქმნა RStudio-ს გამოყენებით (ვერსია 1.4.1717: https://www.rstudio.com/).]
მიმდინარე კვლევა ნათლად ასახავს ნიკელის კონცენტრაციის მოდელირების ტექნიკას ურბანულ და პერიქალაქურ ნიადაგებში. კვლევამ გამოსცადა მოდელირების სხვადასხვა ტექნიკა, ელემენტების მოდელირების ტექნიკასთან შერწყმა, რათა მივიღოთ საუკეთესო გზა ნიადაგში ნიკელის კონცენტრაციის პროგნოზირებისთვის. რუკა ადასტურებს EBK_SVMR-ის მიერ გამოფენილი კომპონენტების სივრცულ განაწილებას (იხ. სურათი 5). შედეგები აჩვენებს, რომ დამხმარე ვექტორული მანქანის რეგრესიის მოდელი (Ca Mg K-SVMR) პროგნოზირებს Ni-ს კონცენტრაციას ნიადაგში, როგორც ერთ მოდელში, მაგრამ ვალიდაცია და სიზუსტის შეფასების პარამეტრები აჩვენებს ძალიან მაღალ შეცდომებს და იყენებს MAKORM ტექნიკის სხვა მხრივ. მოდელი ასევე არასწორია განსაზღვრის კოეფიციენტის (R2) დაბალი მნიშვნელობის გამო. კარგი შედეგები იქნა მიღებული EBK SVMR და კომბინირებული ელემენტების (CaKMg) გამოყენებით დაბალი RMSE და MAE შეცდომებით, სიზუსტით 63.7%. გამოდის, რომ EBK ალგორითმის შერწყმა შეუძლია ნიადაგის წინასწარი სწავლის ალგორითმის გენერირებას. შედეგები აჩვენებს, რომ Ca Mg K-ის გამოყენებამ, როგორც პროგნოზირებულმა Ni-ის კონცენტრაციის პროგნოზირებისთვის საკვლევ ტერიტორიაზე, შეიძლება გააუმჯობესოს Ni-ის პროგნოზირება ნიადაგებში. ეს ნიშნავს, რომ ნიკელზე დაფუძნებული სასუქების მუდმივი გამოყენება და ნიადაგის ინდუსტრიული დაბინძურება ფოლადის მრეწველობის მიერ აქვს ტენდენცია გაზარდოს ნიკელის კონცენტრაცია ნიადაგში. ზოგადად, ჩვენ ვთავაზობთ EBK-SVMR მოდელის გამოყენებას ნიადაგში PTE-ის შესაფასებლად და პროგნოზირებისთვის;გარდა ამისა, ჩვენ ვთავაზობთ EBK-ს გამოყენებას სხვადასხვა მანქანათმცოდნეობის ალგორითმებთან ჰიბრიდიზაციისთვის. Ni კონცენტრაციები იწინასწარმეტყველეს ელემენტების, როგორც კოვარიატების გამოყენებით;თუმცა, მეტი კოვარიატების გამოყენება მნიშვნელოვნად გააუმჯობესებს მოდელის შესრულებას, რაც შეიძლება ჩაითვალოს მიმდინარე სამუშაოს შეზღუდვად. ამ კვლევის კიდევ ერთი შეზღუდვა არის ის, რომ მონაცემთა ნაკრების რაოდენობაა 115. შესაბამისად, თუ მეტი მონაცემი იქნება მოწოდებული, შემოთავაზებული ოპტიმიზებული ჰიბრიდიზაციის მეთოდის შესრულება შეიძლება გაუმჯობესდეს.
PlantProbs.net.ნიკელი მცენარეებსა და ნიადაგში https://plantprobs.net/plant/nutrientImbalances/sodium.html (წვდომა 2021 წლის 28 აპრილს).
Kasprzak, KS Nickel მიღწევები თანამედროვე გარემოსდაცვითი ტოქსიკოლოგიაში.გარდამო.ტოქსიკოლოგია.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: მიმოხილვა მისი წყაროები და გარემოს ტოქსიკოლოგია. Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC დამაბინძურებლების შეყვანა ატმოსფეროდან და დაგროვება ნიადაგში და მცენარეულობაში ნიკელ-სპილენძის ქარხნის მახლობლად სუდბერიში, ონტარიო, კანადა.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. მძიმე ლითონები ნიადაგში, მცენარეებში და რისკები, რომლებიც დაკავშირებულია ძოვებასთან, სელები-ფიკვეს სპილენძ-ნიკელის მაღაროს მახლობლად ბოტსვანაში.გარდაში.Geochemistry.Health https://doi.org/10.1007/s10653-0281-009).
Cabata-Pendias.Kabata-Pendias A. 2011. მიკროელემენტები ნიადაგში და… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+th+Scholar NY%29%3A+CRC+Press&btnG= (წვდომა 2020 წლის 24 ნოემბერს).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Russian ნიკელის ინდუსტრიის ეფექტი მძიმე მეტალების კონცენტრაციაზე სასოფლო-სამეურნეო ნიადაგებსა და ბალახებში Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. ნიკელის აბსორბცია და შეკავება სასმელ წყალში დაკავშირებულია საკვების მიღებასთან და ნიკელის მგრძნობელობასთან.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB ნიკელის კარცინოგენეზი, მუტაცია, ეპიგენეტიკა ან შერჩევა. გარემოცვა. ჯანმრთელობის პერსპექტივა.107, 2 (1999).
აჯმანი, PC;აჯადო, სკ;ბოროვკა, ლ.Bini, JKM;სარკოდი, VYO;კობონიე, ნმ;პოტენციურად ტოქსიკური ელემენტების ტენდენციის ანალიზი: ბიბლიომეტრიული მიმოხილვა.გარემოს გეოქიმია და ჯანმრთელობა.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. ნიადაგის ციფრული რუკების შესახებ. 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 +Presscbt%University. შეწყვეტილია 2021 წლის 28 აპრილს).