Nature.com сайтына кіргеніңіз үшін рахмет. Сіз қолданып жатқан шолғыш нұсқасында CSS қолдауы шектеулі. Ең жақсы тәжірибе үшін жаңартылған шолғышты пайдалануды ұсынамыз (немесе Internet Explorer шолғышында үйлесімділік режимін өшіріңіз). Әзірге қолдауды жалғастыру үшін сайтты мәнерлерсіз және JavaScriptсіз көрсетеміз.
Топырақтың ластануы адам іс-әрекетінен туындайтын үлкен мәселе. Потенциалды улы элементтердің (PTE) кеңістікте таралуы көптеген қалалық және қала маңындағы аудандарда өзгереді. Сондықтан мұндай топырақтардағы PTE мазмұнын кеңістікте болжау қиын. Чехиядағы Фридек Мистектен (Calcium (Calcium) және (Calcium) (Calcium (Calcium) және (Calcium)) барлығы 115 сынама алынды. Ni) концентрациялары индуктивті байланысқан плазмалық эмиссия спектрометриясы арқылы анықталды. Жауап айнымалысы Ni және болжаушылар Ca, Mg және K болып табылады. Жауап айнымалысы мен болжаушы айнымалы арасындағы корреляциялық матрица элементтер арасындағы қанағаттанарлық корреляцияны көрсетеді. Болжау нәтижелері қолдау векторлық машина регрессиясының (SVMR) түбірлік мәнін (SVMR) бағалауы жақсы орындалғанына қарамастан, мг24/кг орташа екенін көрсетті. ) және орташа абсолютті қате (MAE) (166,946 мг/кг) қолданылған басқа әдістерге қарағанда жоғары болды. Эмпирикалық Байездік кригинг-көп сызықтық регрессия (EBK-MLR) үшін аралас үлгілер нашар жұмыс істейді, бұл 0,1-ден аз детерминация коэффициенттерімен дәлелденді. Эмпирикалық Байесиялық Кригинг-Суппорт моделі (MREB5 ең жақсы болды. 479 мг/кг) және MAE (77,368 мг/кг) мәндері және детерминацияның жоғары коэффициенті (R2 = 0,637). EBK-SVMR модельдеу әдістемесінің шығысы өздігінен ұйымдастырылатын картаның көмегімен визуалды. CakMg-EBK-SVMR гибридті моделінің жазықтығындағы кластерленген нейрондар, сондықтан қаланың перистральдық концентрациясы мен қаланың перистральдық концентрациясының бірнеше үлгілерін болжауға болады. EBK және SVMR-ны қолдану қалалық және қала маңындағы топырақтардағы Ni концентрациясын болжаудың тиімді әдісі болып табылады.
Никель (Ni) өсімдіктер үшін микроэлемент болып саналады, өйткені ол атмосфералық азоттың (N) фиксингіне және несепнәр алмасуына ықпал етеді, олардың екеуі де тұқымның өнуі үшін қажет. Ни тұқымның өнуіне қосқан үлесінен басқа, саңырауқұлақтар мен бактериялардың ингибиторы ретінде әрекет ете алады және өсімдіктің дамуына ықпал етеді. жасыл бұршақ азотты бекітуді оңтайландыру үшін никель негізіндегі тыңайтқыштарды қолдануды қажет етеді2. Топырақты байыту және бұршақ тұқымдастардың топырақтағы азотты бекіту қабілетін арттыру үшін никель негізіндегі тыңайтқыштарды қолдану топырақтағы никель концентрациясын үздіксіз арттырады. топырақта топырақтың рН деңгейін төмендетеді және өсімдіктердің өсуіне қажетті қоректік зат ретінде темірдің сіңуіне кедергі келтіреді1. Liu3 сәйкес, Ni өсімдіктердің дамуы мен өсуі үшін қажетті 17-ші маңызды элемент болып табылады. Өсімдіктердің дамуы мен өсуіндегі никель рөлінен басқа, адамдар оны әртүрлі қолданбалар үшін қажет етеді. барлығы әртүрлі өнеркәсіп салаларында никельді қолдануды қажет етеді.Сонымен қатар, никель негізіндегі қорытпалар мен электролизді бұйымдар ас үй бұйымдарында, бал залының керек-жарақтарында, тамақ өнеркәсібінің жабдықтарында, электрлік, сымдар мен кабельдерде, реактивті турбиналарда, хирургиялық импланттарда, тоқыма бұйымдарында және кеме жасауда кеңінен қолданылды. , Ni антропогендік емес, табиғи көз болып табылады4,6.Никельдің табиғи көздеріне жанартау атқылауы, өсімдіктер, орман өрттері және геологиялық процестер жатады;дегенмен, антропогендік көздерге болат өнеркәсібіндегі никель/кадмий аккумуляторлары, гальванизация, доғалық дәнекерлеу, дизель және мазут, көмірді жағу және қалдықтар мен шламды жағу нәтижесіндегі атмосфераға шығарындылар жатады.10, 10, жақын және жақын қоршаған ортадағы топырақтың үстіңгі қабатын ластаудың негізгі көздері негізінен никель-мыс негізіндегі балқыту зауыттары мен шахталар болып табылады. Канададағы Садбери никель-мыс зауытының айналасындағы жоғарғы топырақта никельмен ластанудың ең жоғары деңгейі 26 000 мг/кг болды. Норвегия топырағында11. Alms et al.12, HNO3 өндірілетін никельдің мөлшері аймақтың ең жоғары егістік алқаптарында (Ресейдегі никель өндірісі) 6,25-тен 136,88 мг/кг-ға дейін ауытқиды, бұл орташа 30,43 мг/кг және 25 мг/кг базалық концентрацияға сәйкес келеді. Кезекті егіс маусымы кезінде қышқылдар топырақты тұндырады немесе ластауы мүмкін. Никельдің адамдардағы ықтимал әсері мутагенез, хромосомалық зақымдану, Z-ДНҚ генерациясы, блокталған ДНҚ эксцизиясын қалпына келтіру немесе эпигенетикалық процестер арқылы қатерлі ісікке әкелуі мүмкін.
Топырақтың ластануын бағалау соңғы уақытта топырақ пен өсімдік қатынастарынан, топырақ пен топырақтың биологиялық қатынастарынан, экологиялық деградациядан және қоршаған ортаға әсерді бағалаудан туындайтын денсаулыққа қатысты мәселелердің кең ауқымына байланысты өркендеді. Бүгінгі күні топырақтағы Ni сияқты потенциалды улы элементтерді (PTEs) кеңістіктік болжау дәстүрлі әдістерді қолдану арқылы көп еңбекті және уақытты қажет етеді (SM15). Болжалды топырақ картасын (PSM) айтарлықтай жақсартты. Минасный мен МакБратнидің16 айтуынша, болжамдық топырақ картасы (DSM) топырақтану ғылымының көрнекті пәні болып табылады. жүйелері”. McBratney et al.17 қазіргі DSM немесе PSM PTE, топырақ түрлері мен топырақ қасиеттерінің кеңістікте таралуын болжау немесе картаға түсірудің ең тиімді әдісі болып табылады. Геостатистика және машиналық оқыту алгоритмдері (MLA) - маңызды және ең аз деректерді пайдаланатын компьютерлер көмегімен цифрланған карталарды жасайтын DSM модельдеу әдістері.
Deutsch18 және Olea19 геостатистиканы «кеңістіктік атрибуттарды бейнелеумен айналысатын, негізінен стохастикалық модельдерді қолданатын сандық әдістердің жинағы» ретінде анықтайды, мысалы, уақыттық серияларды талдау уақытша деректерді қалай сипаттайды.Ең алдымен, геостатистика вариограммаларды бағалауды қамтиды, бұл әр деректер жиынтығынан кеңістіктік мәндердің тәуелділігін анықтауға және анықтауға мүмкіндік береді20.Gumiaux және т.б.20 бұдан әрі геостатистикадағы вариограммаларды бағалау үш принципке негізделгенін көрсетеді, оның ішінде (а) деректер корреляциясының шкаласын есептеу, (b) деректер жиынының диспропорциясындағы анизотропияны анықтау және есептеу және (c) қосымша ретінде өлшеу деректерінің өзіндік қателігін ескерумен қатар, жергілікті әсерлерден бөлінген өлшеу деректерінің жергілікті әсерлері, сондай-ақ көптеген интерполизация әдістерін салу әдістері қолданылады. статистика, соның ішінде жалпы кригинг, ко-кригинг, кәдімгі кригинг, эмпирикалық Байес кригингі, қарапайым кригинг әдісі және PTE картасын, топырақ сипаттамаларын және топырақ түрлерін картаға немесе болжауға арналған басқа да белгілі интерполяция әдістері.
Machine Learning Algorithms (MLA) – негізінен деректерді өңдеу, деректердегі үлгілерді анықтау үшін пайдаланылатын алгоритмдермен қамтамасыз етілген және топырақтану және қайтару тапсырмалары сияқты ғылыми салаларда жіктеу үшін қайта-қайта қолданылатын, үлкен сызықтық емес деректер сыныптарын қолданатын салыстырмалы түрде жаңа әдіс. Көптеген зерттеу жұмыстары Tanil және т.б. сияқты PTE сияқты болжау үшін MLA үлгілеріне сүйенеді.22 (ауылшаруашылық топырақтарындағы ауыр металдарды бағалау үшін кездейсоқ ормандар), Сакизаде және т.б.23 (тірек векторлық машиналар мен жасанды нейрондық желілерді пайдалана отырып модельдеу) топырақтың ластануы ).Сонымен қатар, Vega et al.24 (топырақта ауыр металдардың сақталуы мен адсорбциясын модельдеу үшін CART) Sun et al.25 (cubist қолданбасы Cd топырақта таралуы) және басқа алгоритмдер, мысалы, k-ең жақын көрші, жалпыланған күшейтілген регрессия және күшейтілген регрессия Ағаштар сонымен қатар топырақтағы PTE болжау үшін MLA қолданды.
Болжамда немесе картада DSM алгоритмдерін қолдану бірнеше қиындықтарға тап болады. Көптеген авторлар MLA геостатистикадан жоғары және керісінше деп санайды. Біреуі екіншісінен жақсырақ болғанымен, екеуінің комбинациясы DSM15.Woodcock және Gopal26 Finke27 жүйелерінде карта жасау немесе болжау дәлдігінің деңгейін жақсартады;Понтиус пен Чеук28 және Грунвальд29 болжанған топырақ картасын жасаудағы кемшіліктер мен кейбір қателер туралы түсініктеме береді. Топырақ ғалымдары DSM картасының және болжаудың тиімділігін, дәлдігін және болжамдылығын оңтайландыру үшін әртүрлі әдістерді қолданып көрді. Белгісіздік пен тексерудің үйлесімі DSM-ге біріктірілген және тиімділікті азайту үшін көптеген әртүрлі аспектілердің бірі болып табылады.15 картаны жасау және болжау арқылы енгізілген валидация әрекеті мен белгісіздік карта сапасын жақсарту үшін тәуелсіз тексерілуі керек екенін белгілеңіз. DSM шектеулері белгісіздік құрамдас бөлігін қамтитын географиялық дисперсті топырақ сапасына байланысты;дегенмен, DSM-де сенімділіктің жоқтығы қатенің бірнеше көздерінен туындауы мүмкін, атап айтқанда ковариат қатесі, модель қатесі, орналасу қатесі және 31-аналитикалық қате. MLA және геостатистикалық процестерде туындаған модельдеу дәлсіздіктері түсінудің болмауымен байланысты, сайып келгенде, нақты процестің тым жеңілдетілуіне әкеледі32. Модельдегі параметрдің сипатына қатысты параметрлерге байланысты, , математикалық модель болжамдары немесе интерполяция33. Жақында геостатистика мен MLA-ны картаға түсіру мен болжауда біріктіруге ықпал ететін жаңа DSM тенденциясы пайда болды. Сергеев және т.б.34;Субботина және т.б.35;Тарасов және т.б.36 және Тарасов және т.б.37 болжау мен карта жасаудың тиімділігін арттыратын гибридті үлгілерді жасау үшін геостатистиканың дәл сапасын және машиналық оқытуды пайдаланды.сапа. Осы гибридті немесе біріктірілген алгоритм үлгілерінің кейбіреулері: Жасанды нейрондық желіні кригингілеу (ANN-RK), көпқабатты перцептрондық қалдық кригингі (MLP-RK), жалпыланған регрессиялық нейрондық желі қалдық кригингі (GR- NNRK)36, жасанды нейрондық желі кригингі-көпқабатты перцептрондық кригинг және Gala-Residial-Residuction (ANNK3) 38.
Сергеев және басқалардың пікірінше, әртүрлі модельдеу әдістерін біріктіру оның жалғыз үлгісін жасаудан гөрі, ақауларды жоюға және алынған гибридтік модельдің тиімділігін арттыруға мүмкіндік береді. Осы контекстте бұл жаңа жұмыс геостатистиканың және MLA-ның біріктірілген алгоритмін қолданудың оңтайлы гибридті модельдерін жасау үшін қажет екендігін дәлелдейді. ) базалық үлгі ретінде және оны Қолдау векторлық машинасы (SVM) және Көп сызықтық регрессия (MLR) үлгілерімен араластырыңыз. EBK-ны кез келген MLA-мен будандастыру белгісіз. Көрінетін бірнеше аралас модельдер қарапайым, қалдық, регрессиялық кригингтердің комбинациясы болып табылады және MLA.EBK – локальды емес кеңістіктік процесспен кездейсоқтық/кеңістіктік емес процесстерді пайдаланатын геостатистикалық интерполяция әдісі. Кеңістіктік вариацияға мүмкіндік беретін егістікте анықталған локализация параметрлері39.EBK әртүрлі зерттеулерде, соның ішінде ауылшаруашылық топырағындағы органикалық көміртектің таралуын талдау40, топырақтың ластануын бағалау41 және топырақ қасиеттерін картаға түсіру42 қолданылды.
Екінші жағынан, Self-Organizing Graph (SeOM) - бұл Ли және т.б. сияқты әртүрлі мақалаларда қолданылған оқыту алгоритмі.43, Wang et al.44, Hossain Bhuiyan және т.б.45 және Kebonye et al.46 Кеңістіктік атрибуттарды және элементтердің топтамасын анықтаңыз.Wang et al.44 SeOM – сызықтық емес мәселелерді топтау және елестету қабілетімен белгілі қуатты оқыту әдісі екенін көрсетеді. Негізгі құрамдас бөліктерді талдау, анық емес кластерлеу, иерархиялық кластерлеу және көп критерийлі шешім қабылдау сияқты үлгіні тану әдістерінен айырмашылығы, SeOM PTE үлгілерін ұйымдастыруда және анықтауда жақсырақ.44, SeOM байланысты нейрондардың таралуын кеңістікте топтастыруы және жоғары ажыратымдылықтағы деректерді визуализациясын қамтамасыз ете алады. SeOM тікелей интерпретациялау үшін нәтижелерді сипаттау үшін ең жақсы үлгі алу үшін Ni болжау деректерін визуализациялайды.
Бұл құжат қалалық және қала маңындағы топырақтардағы никель құрамын болжау үшін оңтайлы дәлдігі бар сенімді картографиялық модельді құруға бағытталған. Біз аралас модельдің сенімділігі негізінен базалық модельге қосылған басқа модельдердің әсеріне байланысты деп болжаймыз. Біз DSM алдында тұрған қиындықтарды мойындаймыз, және бұл қиындықтар MLA алдыңғы қатардағы және геостатистикалық модельдердің комбинацияларында көптеген ілгерілеулерде шешіліп жатқан сияқты. al;сондықтан, біз аралас үлгілерді бере алатын зерттеу сұрақтарына жауап беруге тырысамыз. Дегенмен, мақсатты элементті болжаудағы модель қаншалықты дәл?Сонымен қатар, валидация мен дәлдікті бағалауға негізделген тиімділікті бағалау деңгейі қандай? Сондықтан, бұл зерттеудің нақты мақсаттары (a) SVMR немесе MLR үшін біріктірілген қоспа үлгісін жасау болды (а) қоспаның ең жақсы үлгісін салыстыру (ең жақсы модель ретінде SVMR немесе MLR моделін салыстыру), қалалық немесе қала маңындағы топырақтардағы Ni концентрациясын болжауға арналған модель және (d) никельдің кеңістіктік вариациясының жоғары ажыратымдылықтағы картасын жасау үшін SeOM қолдану.
Зерттеу Чехияда, атап айтқанда Моравия-Силезия аймағындағы Фридек Мистек ауданында (1-суретті қараңыз) жүргізілуде. Зерттелетін аумақтың географиясы өте ойлы және негізінен Карпат тауларының сыртқы жиегінің бөлігі болып табылатын Моравия-Силезия Бескиды аймағының бөлігі болып табылады. Зерттеу аймағы N ° 40′′ және N °04′′ арасында орналасқан. , ал биіктігі 225 пен 327 м аралығында;дегенмен, аймақтың климаттық жағдайы үшін Коппен классификация жүйесі Cfb = қоңыржай мұхиттық климат ретінде бағаланады, тіпті құрғақ айларда да жауын-шашын көп болады. Температура жыл бойына аздап өзгереді −5 °C және 24 °C, сирек −14 °C төмен немесе 30 °C-тан жоғары, ал орташа жылдық жауын-шашын мөлшері 7765 мм. бүкіл ауданы 1208 шаршы километрді құрайды, өңделген жердің 39,38% және орман жамылғысының 49,36% құрайды. Екінші жағынан, осы зерттеуде пайдаланылған аумақ шамамен 889,8 шаршы километрді құрайды. Остравада және оның айналасында болат өнеркәсібі және металл өңдеу өте белсенді. және легирленген болаттар (никель оның жақсы икемділігі мен беріктігін сақтай отырып, қорытпаның беріктігін арттырады) және фосфатты тыңайтқыштарды қолдану және мал шаруашылығы сияқты қарқынды ауыл шаруашылығы аймақтағы никельдің әлеуетті көздері болып табылады (мысалы, қозылардың өсу қарқынын арттыру үшін қозыларға никель қосу және оны өнеркәсіптік пайдалану салаларында электроникельді пайдалануды қоса алғанда). el және электрсіз никельмен қаптау процестері.Топырақтың қасиеттері топырақтың түсіне, құрылымына және карбонат құрамынан оңай ажыратылады. Топырақ құрылымы негізгі материалдан алынған орташа және ұсақ. 48. 455,1-ден 493,5 м-ге дейінгі биіктікте Камбизолдар Чехияда басым болады49.
Зерттеу аймағының картасы [Зерттеу аймағының картасы ArcGIS Desktop (ESRI, Inc, 10.7 нұсқасы, URL: https://desktop.arcgis.com) көмегімен жасалған.]
Фрайдек Мистек ауданындағы қалалық және қала маңындағы топырақтардан барлығы 115 құнарлы топырақ үлгілері алынды. Қолданылған үлгі үлгісі бір-бірінен 2 × 2 км қашықтықта орналасқан топырақ үлгілері бар кәдімгі тор болды және топырақтың үстіңгі қабаты қолмен ұсталатын GPS құрылғысының көмегімен 0-ден 20 см тереңдікте өлшенді (Leica Zenoamples және GPSS қаптамасында дұрыс қаптамада жұмыс күші бар қаптамада). .Үлгілер механикалық жүйемен (Фрич дискілі диірмен) ұнтақталған үлгілерді алу үшін ауада кептірілді және електен өтті (елек өлшемі 2 мм). 1 грамм кептірілген, гомогенизацияланған және електен өткізілген топырақ үлгілерін анық таңбаланған тефлон бөтелкелеріне салыңыз. Әрбір тефлон ыдысқа автоматты түрде HNO5% мл NO33 мл және H NO5 мл құйыңыз. диспенсер – әр қышқыл үшін бір), жеңіл жабыңыз және сынамаларды реакция үшін түні бойы қалдырыңыз (aqua regia бағдарламасы) .Үлгілердің ас қорыту процесін жеңілдету үшін үстіңгі затты 2 сағатқа (температура: 100 Вт және 160 °C) орналастырыңыз, содан кейін салқындатыңыз. Сұйылтылған үстіңгі затты ионсыздандырылған суы бар 50 мл ПВХ түтікке сүзіңіз. Сонымен қатар, 1 мл сұйылту ерітіндісі 9 мл деиондандырылған сумен сұйылтылған және PTE жалған концентрациясына дайындалған 12 мл түтікке сүзілген. PTE концентрациясы (As, Cd, Cr, Cu, Mn, Ca, POESn, Co-CP, ICP) арқылы анықталды. led Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, АҚШ) стандартты әдістер мен келісімге сәйкес. Сапаны қамтамасыз ету және бақылау (QA/QC) процедураларын (SRM NIST 2711a Montana II Топырақ) қамтамасыз етіңіз. Анықтау шегі жартысынан төмен PTE бұл зерттеуден шығарылды. Осы зерттеуде анықтау шегі PTE0.0 және сапаны бақылауға қосымша ретінде қолданылды. Әрбір талдаудың процесі эталондық стандарттарды талдау арқылы қамтамасыз етіледі. Қателерді азайту үшін қосарланған талдау жүргізілді.
Эмпирикалық Байесиялық кригинг (EBK) топырақтану сияқты әртүрлі салаларда модельдеуде қолданылатын көптеген геостатистикалық интерполяция әдістерінің бірі болып табылады. Басқа кригингтік интерполяция әдістерінен айырмашылығы, EBK дәстүрлі кригинг әдістерінен жартылай вариограмма үлгісімен бағаланған қатені ескере отырып ерекшеленеді. EBK интерполяциясында жартылай вариограммалық интерполяция кезінде бір емес, бірнеше жартылай вариограммалық интерполяция әдістері қолданылады. жеткілікті кригинг әдісінің өте күрделі бөлігін құрайтын жартылай вариограмманың осы сызбасына байланысты белгісіздік және бағдарламалау тәсілі. EBK интерполяция процесі Криворучко50 ұсынған үш критерийге сәйкес жүзеге асырылады, (а) модель кіріс деректер жиынынан жартылай вариограмманы бағалайды (b) әрбір кіріс деректер жиынтығының жаңа болжамды мәні А жартылай нәтижеге негізделген және әрбір кіріс деректер жиыны бойынша генерацияланған жартылай нәтиже бойынша жаңа болжамды мән А) Криворучко50 ұсынған. имитацияланған деректер жинағы. Байес теңдеуінің ережесі артта берілген
\(Prob\left(A\right)\) алдыңғыны білдіретін жерде, \(Prob\left(B\right)\) шекті ықтималдық көп жағдайда еленбейді, \(Prob (B,A)\ ) .Жартылай вариограмманы есептеу Байес ережесіне негізделген, ол бақылау деректер жиынының бейімділігін көрсетеді, содан кейін Bayes ережесін пайдалана отырып, семивардың мәнін анықтауға болады. s семивариограммадан бақылау деректер жинағын құру қаншалықты ықтимал.
Қолдау векторлық машинасы – бірдей, бірақ сызықты тәуелсіз емес сыныптарды ажырату үшін оңтайлы бөлу гипержазықтықты жасайтын машиналық оқыту алгоритмі. Vapnik51 мақсатты жіктеу алгоритмін жасады, бірақ ол жақында регрессияға бағытталған мәселелерді шешу үшін пайдаланылды. Li және т.б.52 сәйкес, SVM — Machinery әдісінің ең жақсы түрлерінің бірі болып табылады және SVM регрессиясының әртүрлі құрамдас бөліктерінің бірі болып қолданылады. Бұл талдауда регрессия – SVMR) пайдаланылды. Черкасский мен Мульер53 SVMR-ді ядроға негізделген регрессия ретінде бастады, оның есептеуі көп елдік кеңістіктік функциялары бар сызықтық регрессия үлгісін қолдану арқылы орындалды. Джон және басқалар54 SVMR модельдеуінде сызықтық емес регрессия және кеңістіктік байланыстарды жасауға мүмкіндік беретін гипержазықтық қолданылғанын хабарлайды. .55, epsilon (ε)-SVMR нұсқау үлгісін алу үшін эпсилонды сезбейтін функция ретінде пайдаланады, ол деректерді корреляциялық деректер бойынша оқытудан алынған ең жақсы эпсилондық қиғаштықпен тәуелсіз картаға түсіру үшін қолданылады. Алдын ала орнатылған қашықтық қатесі нақты мәннен еленбейді, ал қате ε(ε) мәнінен үлкен болса, топырақтың күрделі деректер жиынтығының күрделі үлгілерінің жаттығу қасиеттерін төмендетеді. векторлар. Вапник51 ұсынған теңдеу төменде көрсетілген.
мұндағы b скаляр шегін білдіреді, \(K\left({x}_{,}{ x}_{k}\right)\) ядро функциясын, \(\альфа\) Лагранж көбейткішін, N сандық деректер жиынын, \({x}_{k}\) деректерді енгізуді білдіреді, ал MR пайдаланылған операцияны білдіреді SV, кілт, ол SV болып табылады, ол \\y. a Гаусс радиалды негіз функциясы (RBF). RBF ядросы ең нәзік айыппұлдар жинағы факторы C және PTE жаттығу деректері үшін ядро параметрінің гамма (γ) алу үшін маңызды болып табылатын оңтайлы SVMR моделін анықтау үшін қолданылады. Алдымен біз жаттығу жиынын бағаладық, содан кейін үлгі өнімділігін валидация параметрі жиынында сынадық.
Көп сызықты регрессия моделі (MLR) - ең кіші квадраттар әдісі арқылы есептелген сызықтық біріктірілген параметрлерді пайдалану арқылы жауап айнымалысы мен болжаушы айнымалылар саны арасындағы қатынасты көрсететін регрессия моделі. MLR-де ең аз квадраттар моделі түсіндірме айнымалыларды таңдағаннан кейін топырақ қасиеттерінің болжамды функциясы болып табылады. түсіндірмелі айнымалылармен сызықтық қатынас. MLR теңдеуі болып табылады
мұндағы y - жауап айнымалысы, \(a\) - кесінді, n - болжаушылардың саны, \({b}_{1}\) - коэффициенттердің ішінара регрессиясы, \({x}_{ i}\) болжауыш немесе түсіндірме айнымалы мәнді білдіреді, ал \({\varepsilon }_{i}\) модельдегі белгілі қатені білдіреді.
Аралас модельдер EBK-ді SVMR және MLR-мен сэндвичтеу арқылы алынды. Бұл EBK интерполяциясынан болжамды мәндерді алу арқылы жүзеге асырылады. Интерполяцияланған Ca, K және Mg алынған болжамды мәндер CaK, CaMg және Ca, KMg сияқты жаңа айнымалыларды алу үшін комбинаторлық процесс арқылы алынады. Содан кейін a4, KMg және MG-ге өзгеретін элементтер алынады. .Жалпы алғанда, алынған айнымалылар Ca, K, Mg, CaK, CaMg, KMg және CaKMg. Бұл айнымалылар қалалық және қала маңындағы топырақтардағы никель концентрациясын болжауға көмектесетін біздің болжаушыларымыз болды. SVMR алгоритмі аралас модельді алу үшін болжауыштарда орындалды (Empirical Bayesian Vectors Machines, сондай-ақ Empirical Bayesian VectorsKriging-Kriging-SVektors VariS). MLR алгоритмі арқылы аралас үлгіні алу үшін Эмпирикалық Байездік кригинг-көп сызықтық регрессия (EBK_MLR). Әдетте Ca, K, Mg, CaK, CaMg, KMg және CaKMg айнымалылары қалалық және қала маңындағы аймақтардағы Ni мазмұнының болжаушылары ретінде ковариаттар ретінде пайдаланылады немесе одан кейін EBK_ үлгілері қолайлы болады. Өзін-өзі ұйымдастырушы график арқылы көрнекі түрде бейнеленген. Бұл зерттеудің жұмыс барысы 2-суретте көрсетілген.
SeOM пайдалану қаржы секторында, денсаулық сақтауда, өнеркәсіпте, статистикада, топырақтануда және т.б. деректерді ұйымдастыруға, бағалауға және болжауға арналған танымал құралға айналды.SeOM жасанды нейрондық желілерді және ұйымдастыру, бағалау және болжау үшін бақыланбайтын оқыту әдістерін қолдану арқылы жасалған. Бұл зерттеуде SeOM қала маңындағы OM деректеріне негізделген ең жақсы Ни концентрацияларын және қала маңындағы OM деректерін болжауға негізделген процестерді визуализациялау үшін пайдаланылды. бағалау n кіріс өлшемді векторлық айнымалылар ретінде пайдаланылады43,56.Melssen et al.57 кіріс векторының нейрондық желіге бір кіріс деңгейі арқылы бір салмақ векторы бар шығыс векторына қосылуын сипаттайды. SeOM арқылы жасалған шығыс жақындығына сәйкес алтыбұрышты, дөңгелек немесе шаршы топологиялық карталарға тоқылған әртүрлі нейрондардан немесе түйіндерден тұратын екі өлшемді карта болып табылады. 0,904 сәйкесінше таңдалды, ол 55 карта бірлігі (5 × 11).Нейрондық құрылым эмпирикалық теңдеудегі түйіндер санына сәйкес анықталады.
Бұл зерттеуде пайдаланылған деректер саны 115 үлгіні құрайды. Деректерді сынақ деректеріне (валидация үшін 25%) және оқыту деректер жиындарына (75% калибрлеу үшін) бөлу үшін кездейсоқ тәсіл пайдаланылды. Жаттығу деректер жинағы регрессия үлгісін (калибрлеу) жасау үшін пайдаланылады, ал сынақ деректер жинағы жалпылау мүмкіндігін тексеру үшін пайдаланылады58. Бұл әр түрлі модельдердің мазмұнын болжауға сәйкестігін бағалау үшін жасалды. - еселенген кросс-тексеру процесі, бес рет қайталанады. EBK интерполяциясы арқылы жасалған айнымалы мәндер мақсатты айнымалы мәнді (PTE) болжау үшін болжауыштар немесе түсіндірме айнымалылар ретінде пайдаланылады. Модельдеу RStudio бағдарламасында кітапхана(Kohonen), library(caret), library(modelr), library(“e1071″)”ol), library(“e1071″)”ol), library(“plspect”ol), library(”pl”ol) бумалары арқылы өңделеді. рари («Метрика»).
Топырақтағы никель концентрациясын болжау үшін қолайлы ең жақсы үлгіні анықтау үшін және модельдің дәлдігін және оның валидациясын бағалау үшін әртүрлі валидация параметрлері пайдаланылды. Гибридтеу модельдері орташа абсолютті қате (MAE), орташа квадраттық қате (RMSE) және R-квадрат немесе коэффициентті анықтау (R2) арқылы бағаланды. тәуелсіз өлшемдердегі шама модельдің болжамдық күшін сипаттайды, ал MAE нақты сандық мәнді анықтайды. Валидация параметрлерін пайдалана отырып, ең жақсы қоспа үлгісін бағалау үшін R2 мәні жоғары болуы керек, мән 1-ге жақындаған сайын, дәлдік соғұрлым жоғары болады. Li және т.б.59, 0,75 немесе одан жоғары R2 критерийінің мәні жақсы болжаушы болып саналады;0,5-тен 0,75-ке дейін қолайлы үлгі өнімділігі, ал 0,5-тен төмен үлгі өнімділігі рұқсат етілмейді. RMSE және MAE валидация критерийлерін бағалау әдістерін пайдаланып үлгіні таңдаған кезде алынған төменгі мәндер жеткілікті болды және ең жақсы таңдау болып саналды. Келесі теңдеу тексеру әдісін сипаттайды.
мұндағы n бақыланатын мәннің өлшемін білдіреді\({Y}_{i}\) өлшенген жауапты білдіреді, ал \({\widehat{Y}}_{i}\) сондай-ақ болжанған жауап мәнін білдіреді, сондықтан бірінші i бақылаулары үшін.
Болжаушы және жауап айнымалыларының статистикалық сипаттамасы 1-кестеде берілген, орташа, стандартты ауытқу (SD), вариация коэффициенті (CV), минимум, максимум, куртизм және қиғаштық. Элементтердің минималды және ең үлкен мәндері Mg
Болжаушы айнымалы мәндердің жауап элементтерімен корреляциясы элементтер арасындағы қанағаттанарлық корреляцияны көрсетті (3-суретті қараңыз). Корреляция CaK r мәнімен = 0,53 CaNi сияқты қалыпты корреляцияны көрсетті. Ca және K бір-бірімен қарапайым байланыстарды көрсеткенімен, Kingston және т.б.68 және Santo69 олардың топырақтағы деңгейлері кері пропорционалды деп болжайды. Дегенмен, Ca және Mg K-ға антагонистік, бірақ CaK жақсы корреляция жасайды. Бұл калийде 56% жоғары калий карбонаты сияқты тыңайтқыштарды қолданумен байланысты болуы мүмкін. Калий тыңайтқыштармен орташа байланыста болды (бұл екі тыңайтқыш). байланысты, себебі калий магний сульфаты, калий магний нитраты және калий топыраққа олардың тапшылық деңгейін арттыру үшін қолданылады. Никель Ca, K және Mg-мен орташа корреляцияға ие, сәйкесінше r мәндері = 0,52, 0,63 және 0,55. незий кальцийдің сіңуін тежейді, кальций артық магнийдің әсерін азайтады, магний де, кальций де никельдің топырақтағы улы әсерін азайтады.
Болжамдар мен жауаптар арасындағы байланысты көрсететін элементтерге арналған корреляциялық матрицасы (Ескерту: бұл суретте элементтер арасындағы шашырау сызбасы бар, маңыздылық деңгейлері p < 0,001-ге негізделген).
4-сурет элементтердің кеңістіктік таралуын көрсетеді. Burgos және басқалар70 бойынша, кеңістіктік үлестіруді қолдану ластанған аумақтардағы ыстық нүктелерді сандық анықтау және бөлектеу үшін қолданылатын әдіс болып табылады. 4-суреттегі Ca байыту деңгейлерін кеңістіктік таралу картасының солтүстік-батыс бөлігінде көруге болады. Суретте солтүстіктегі кастрюльмен байыудың орташа және жоғары болуы мүмкін. топырақтың қышқылдығын төмендету үшін сөндірілмеген әкті (кальций оксидін) пайдалану және оны болат өңдеу процесінде сілтілі оттегі ретінде болат диірмендерінде пайдалану. Екінші жағынан, басқа фермерлер рН-ны бейтараптандыру үшін қышқыл топырақта кальций гидроксидін қолданғанды жақсы көреді, бұл сонымен қатар топырақтағы кальцийдің мазмұнын арттырады71. Калийдің солтүстігінде де ең ыстық және солтүстік-шығыстағы мәдени дақтарды көрсетеді. және калийдің орташа және жоғары үлгісі NPK және калий қолдануына байланысты болуы мүмкін. Бұл топырақты тұрақтандыру және KCl және KCl-мен өңдеу нәтижесінде жоғары NPK болатынын байқаған Madaras және Lipavsky72, Madaras et al.73, Pulkrabova et al.74, Asare et al.75 сияқты басқа зерттеулерге сәйкес келеді.Бөлу картасының солтүстік-батысында кеңістіктегі калий байыту нашар топырақтардың калий мазмұнын арттыру үшін калий хлориді, калий сульфаты, калий нитраты, калий және калий сияқты калий негізіндегі тыңайтқыштарды қолданумен байланысты болуы мүмкін.Zádorová соавт.76 және Tlustoš et al.77 K негізіндегі тыңайтқыштарды қолдану топырақтағы K құрамын арттыратынын және ұзақ мерзімді перспективада топырақтың қоректік заттарының мазмұнын айтарлықтай арттыратынын атап өтті, әсіресе K және Mg топырақта ыстық нүктені көрсетеді. Картаның солтүстік-батысында және картаның оңтүстік-шығысында салыстырмалы түрде орташа температура. тамыр хлорозы. Калий магний сульфаты, магний сульфаты және кизерит сияқты магний негізіндегі тыңайтқыштар қалыпты рН диапазоны бар топырақтардағы кемшіліктерді (өсімдіктер күлгін, қызыл немесе қоңыр болып көрінеді, бұл магний тапшылығын көрсетеді) 6. Никелдің жиналуы қала бетінде және топырақ төбесінде болуы мүмкін. никельдің тот баспайтын болат өндірісіндегі маңызы78.
Элементтердің кеңістіктік таралуы [кеңістіктік тарату картасы ArcGIS Desktop (ESRI, Inc, 10.7 нұсқасы, URL: https://desktop.arcgis.com) көмегімен жасалды.]
Осы зерттеуде пайдаланылған элементтерге арналған модель өнімділігі индексінің нәтижелері 2-кестеде көрсетілген. Екінші жағынан, Ni бойынша RMSE және MAE екеуі де нөлге жақын (0,86 RMSE, -0,08 MAE). Екінші жағынан, K үшін RMSE және MAE мәндері қолайлы. RMSE және MAE нәтижелері кальций мен үлкен RMSE деректері үшін үлкенірек болды. Ni болжау үшін EBK көмегімен осы зерттеудің RMSE және MAE көрсеткіштері Джон және т.б. нәтижелеріне қарағанда жақсырақ болды.54 бірдей жиналған деректерді пайдалана отырып, топырақтағы S концентрациясын болжау үшін синергетикалық кригингті қолдану. Біз зерттеген EBK нәтижелері Фабиячик және т.б.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 және John et al.82, әсіресе K және Ni.
Қалалық және қала маңындағы топырақтардағы никель құрамын болжаудың жеке әдістерінің өнімділігі үлгілердің өнімділігі арқылы бағаланды (3-кесте). Модельді тексеру және дәлдікті бағалау EBK SVMR моделімен біріктірілген Ca_Mg_K болжаушысы ең жақсы өнімділікті берді. Калибрлеу моделі (Ca_MgRM2 абсолюттік орташа қатесі) және орташа квадраттық қателік REBK_SEVMAE- ) 0,637 (R2), 95,479 мг/кг (RMSE) және 77,368 мг/кг (MAE) Ca_Mg_K-SVMR 0,663 (R2), 235,974 мг/кг (RMSE) және 166,946 мг/кг (MAE) болды (Жақсы). /кг R2) және Ca_Mg-EBK_SVMR (0,643 = R2);олардың RMSE және MAE нәтижелері Ca_Mg_K-EBK_SVMR (R2 0,637) үшін (3-кестені қараңыз) нәтижелерінен жоғары болды. Сонымен қатар, Ca_Mg-EBK_SVMR (RMSE = 1664,64 және MAE = 1031,49) моделінің RMSE және MAE көрсеткіштері 13_5 және 175 мыңға қарағанда үлкен. -EBK_SVMR. Сол сияқты, Ca_Mg-K SVMR (RMSE = 235,974 және MAE = 166,946) үлгісінің RMSE және MAE мәндері Ca_Mg_K-EBK_SVMR RMSE және MAE үлгілерінен 2,5 және 2,2-ге үлкен, сәйкесінше, RMSE және MAE деректері RMRS-ке сәйкес келетін жолдың ең жақсы сәйкестігі туралы есептелген. ME және MAE байқалды. Kebonye et al. сәйкес.46 және Джон және т.б.54, RMSE және MAE нөлге неғұрлым жақын болса, нәтиже соғұрлым жақсы болады. SVMR және EBK_SVMR жоғары квантталған RSME және MAE мәндеріне ие. RSME бағалауларының MAE мәндерінен тұрақты жоғары болғаны байқалды, бұл ауытқулардың болуын көрсетеді. Legates және McCabeext деректері бойынша, абсолютті RMSE көрсеткішінен асатын қателік 83 болып табылады. ауытқулардың болуы. Бұл деректер жиыны неғұрлым гетерогенді болса, MAE және RMSE мәндері соғұрлым жоғары болады дегенді білдіреді. Қала және қала маңындағы топырақтардағы Ni мазмұнын болжау үшін Ca_Mg_K-EBK_SVMR аралас моделінің кросс-валидациялық бағалауының дәлдігі 63,70% құрады. Ли және т.б.59, дәлдіктің бұл деңгейі үлгі өнімділігінің қолайлы жылдамдығы болып табылады. Қазіргі нәтижелер Тарасов және т.б. алдыңғы зерттеумен салыстырылды.36 гибридті моделі ағымдағы зерттеуде хабарланған EBK_SVMR дәлдігін бағалау индексіне қатысты MLPRK (Multilayer Perceptron Residual Kriging) жасаған RMSE (210) және MAE (167,5) ағымдағы зерттеудегі нәтижелерден жоғары болды (RMSE 95,479, MAE68 (қазіргі зерттеу кезінде). 637) Тарасов және т.б.36 (0,544), бұл аралас модельде детерминация коэффициенті (R2) жоғары екені анық. Аралас модель үшін қателік шегі (RMSE және MAE) (EBK SVMR) екі есе төмен. Сол сияқты, Сергеев және т.б.34 дамыған гибридті модель үшін 0,28 (R2) жазды (Multi3, Perging Current Recorded), Riging Current Record. 7 (R2). Бұл модельдің болжау дәлдігі деңгейі (EBK SVMR) 63,7% құрайды, ал Сергеев және т.б. алған болжам дәлдігі.34 28% құрайды. EBK_SVMR моделін және болжау ретінде Ca_Mg_K көмегімен жасалған соңғы карта (5-сурет) барлық зерттеу аймағы бойынша ыстық нүктелер мен орташадан никельге дейінгі болжамдарды көрсетеді. Бұл зерттеу аймағындағы никель концентрациясы негізінен қалыпты, кейбір нақты аймақтарда жоғары концентрацияда екенін білдіреді.
Соңғы болжау картасы гибридті EBK_SVMR үлгісін пайдалану арқылы және болжау ретінде Ca_Mg_K арқылы ұсынылған.[Кеңістіктік таралу картасы RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалған.]
6-суретте жеке нейрондардан тұратын композиция жазықтығы ретінде PTE концентрациялары берілген. Құрамдас жазықтықтардың ешқайсысында көрсетілгендей бірдей түс үлгісі көрсетілмеген. Дегенмен, бір сызылған картаға нейрондардың сәйкес саны 55. SeOM түрлі түстерді пайдалану арқылы жасалады және түс үлгілері неғұрлым ұқсас болса, үлгілердің қасиеттері соғұрлым салыстырмалы болады. бір жоғары нейрондарға және ең төмен нейрондарға түс үлгілері. Осылайша, CaK және CaMg өте жоғары ретті нейрондармен және төменнен орташаға дейінгі түс үлгілерімен кейбір ұқсастықтарымен бөліседі. Екі модель де қызыл, қызғылт сары және сары сияқты түстердің орташа және жоғары реңктерін көрсету арқылы топырақтағы Ni концентрациясын болжайды. KMg моделі жоғары және төменгі масштабтағы түсті сызбаларға негізделген көптеген жоғары түсті үлгілерді көрсетеді. модельдің құрамдас бөліктерінің жазық таралу үлгісі топырақтағы никельдің потенциалды концентрациясын көрсететін жоғары түс үлгісін көрсетті (4-суретті қараңыз). CakMg моделінің құрамдас жазықтығы нақты түс шкаласына сәйкес төменнен жоғарыға дейін әртүрлі түс үлгісін көрсетеді. Бұдан басқа, модельдің никель құрамын болжауы (CakMg) 5-суретте көрсетілген никельдің мөлшерінің төмен таралуына ұқсас. Қалалық және қала маңындағы топырақтардағы никель концентрациясы. 7-суретте әрбір модельдегі болжамды мәнге негізделген үш кластерге бөлінген картадағы k-орташа топтастырудағы контур әдісі көрсетілген. Контур әдісі кластерлердің оңтайлы санын көрсетеді. Жиналған 115 топырақ сынамасының ішінде 1-ші топырағы сынамаларын алған кезде, 1-ші топырағы 34, C кластер үлгілерін алған. 3 8 үлгі алды. Жеті компонентті жазық болжаушылардың комбинациясы дұрыс кластерлік интерпретацияға мүмкіндік беру үшін жеңілдетілді. Топырақ түзілуіне әсер ететін көптеген антропогендік және табиғи процестерге байланысты бөлінген SeOM картасында дұрыс сараланған кластерлік үлгілерге ие болу қиын78.
Әрбір эмпирикалық Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) айнымалысы арқылы құрамдас жазықтықтың шығысы.[SeOM карталары RStudio (1.4.1717 нұсқасы: https://www.rstudio.com/) көмегімен жасалған.]
Әртүрлі кластерлік жіктеу құрамдастары [SeOM карталары RStudio көмегімен жасалды (1.4.1717 нұсқасы: https://www.rstudio.com/).]
Ағымдағы зерттеу қалалық және қала маңындағы топырақтардағы никель концентрациясын модельдеу әдістерін анық көрсетеді. Зерттеу топырақтағы никель концентрациясын болжаудың ең жақсы әдісін алу үшін элементтерді модельдеу әдістерімен біріктіріп, әртүрлі модельдеу әдістерін сынады. Модельдеу техникасының SeOM композициялық жазық кеңістіктік ерекшеліктері жоғары түс үлгісін көрсетті. карта EBK_SVMR көрсеткен құрамдас бөліктердің жазық кеңістіктік таралуын растайды (5-суретті қараңыз). Нәтижелер тірек векторлық машинаның регрессия моделі (Ca Mg K-SVMR) топырақтағы Ni концентрациясын бір модель ретінде болжайтынын көрсетеді, бірақ валидация және дәлдікті бағалау параметрлері басқа RMSE және MAEML моделін қолданумен байланысты қолмен жасалған модельде өте жоғары қателерді көрсетеді. детерминация коэффициентінің төмен мәніне (R2). EBK SVMR және аралас элементтерді (CaKMg) 63,7% дәлдікпен төмен RMSE және MAE қателері арқылы жақсы нәтижелер алынды. EBK алгоритмін машиналық оқыту алгоритмімен біріктіру PTE нәтижелерін болжауға болатынын көрсетеді. Зерттелетін аймақтағы Ni концентрациясын болжауға арналған болжау құралдары ретінде Ca Mg K топырақтағы Ni болжамын жақсартуға мүмкіндік береді. Бұл болат өнеркәсібінің никель негізіндегі тыңайтқыштарды үздіксіз қолдану және топырақтың өнеркәсіптік ластануы топырақтағы никель концентрациясын жоғарылату тенденциясына ие екенін білдіреді. Бұл зерттеу EBK моделі қателік деңгейін төмендететінін және жалпы қала маңындағы курорттардағы спа-сипатиялардың таралуын жақсарта алатынын көрсетті. , біз топырақтағы PTE бағалау және болжау үшін EBK-SVMR моделін қолдануды ұсынамыз;бұдан басқа, біз әртүрлі машиналық оқыту алгоритмдерімен будандастыру үшін EBK пайдалануды ұсынамыз. Ni концентрациялары элементтерді ковариаттар ретінде пайдалану арқылы болжалды;дегенмен, көбірек ковариаттарды пайдалану модельдің өнімділігін айтарлықтай жақсартады, бұл ағымдағы жұмыстың шектеуі деп санауға болады. Бұл зерттеудің тағы бір шектеуі деректер жиынының саны 115. Сондықтан, егер көбірек деректер ұсынылса, ұсынылған оңтайландырылған будандастыру әдісінің өнімділігін жақсартуға болады.
PlantProbs.net. Өсімдіктер мен топырақтағы никель https://plantprobs.net/plant/nutrientImbalances/sodium.html (қолданылуы 28 сәуір 2021 ж.).
Каспрзак, К.С.Никель қазіргі экологиялық токсикологиядағы жетістіктер.айнала.токсикология.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: оның көздері мен экологиялық токсикологияға шолу. Поляк J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Атмосферадағы ластаушы заттардың түсуі және Садбери, Онтарио, Канададағы никель-мыс балқыту зауытының жанындағы топырақ пен өсімдіктерде жинақталуы.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Топырақтағы, өсімдіктердегі ауыр металдар және Ботсванадағы Селеби-Пикве мыс-никель кеніші маңында жайылып жүрген күйіс қайыратын жануарлармен байланысты қауіптер.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-0012 (021-0012).
Cabata-Pendias.Kabata-Pendias A. 2011. Топырақтағы микроэлементтер және… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+Elements.+York++2011.+Trace++Elements.+4+ed. NY%29%3A+CRC+Press&btnG= (қолданылуы 24 қараша 2020 ж.).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org ауылшаруашылық топырақтары мен шөптердегі ауыр металдардың шоғырлануына ресейлік никель өнеркәсібінің әсері.
Nielsen, GD et al. Никельдің сіңуі және ауыз суда сақталуы тағамды қабылдауға және никельге сезімталдыққа байланысты. токсикология. қолданбалы. Фармакодинамика.154, 67-75 (1999).
Costa, M. & Klein, CB Никельдің канцерогенезі, мутация, эпигенетика немесе селекция. қоршаған орта. Денсаулық перспективасы.107, 2 (1999).
Аджман, ДК;Аджадо, СҚ;Борувка, Л.;Бини, JKM;Саркоди, ВЙО;Кобонье, NM;Потенциалды уытты элементтердің тренд талдауы: библиометриялық шолу. Environmental геохимия және денсаулық.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. Сандық топырақ картасы туралы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV геостатистикалық резервуарды модельдеу,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+68%+Phit%2C+Oxford+30%+Page = (2021 жылдың 28 сәуірінде қол жетімді).
Жіберу уақыты: 22 шілде 2022 ж