Аралаш эмпирикалык Байезиялык кригинг жана колдоо вектордук машина регрессиясын колдонуу менен шаар четиндеги жана шаардагы топурактагы никелдин концентрациясын болжолдоо

Nature.com сайтына киргениңиз үчүн рахмат. Сиз колдонуп жаткан серепчи версиясы CSS үчүн чектелген колдоого ээ. Мыкты тажрыйба үчүн жаңыртылган браузерди колдонууну сунуштайбыз (же Internet Explorerде шайкештик режимин өчүрүү). Ошол эле учурда, колдоо үзгүлтүксүз болушу үчүн, биз сайтты стилдерсиз жана JavaScriptсиз көрсөтөбүз.
Топурактын булганышы адамдын иш-аракеттеринен улам келип чыккан чоң көйгөй. Потенциалдуу уулуу элементтердин (PTEs) мейкиндик боюнча бөлүштүрүлүшү көпчүлүк шаарларда жана шаарга жакын аймактарда өзгөрөт. Ошондуктан, мындай топурактагы PTEлердин мазмунун мейкиндик боюнча алдын ала айтуу кыйын. Чехиядагы Фридек Мистектен (Calcium.Calcium (Calcium) жана (Calcium) (Calcium) жана (Calcium) алынган. Ni) концентрациялары индуктивдүү туташкан плазма эмиссия спектрометриясынын жардамы менен аныкталды. Жооп өзгөрмө Ni, ал эми болжолдоочулар Ca, Mg жана K. Жооп өзгөрмөсү менен болжолдоочу өзгөрмөнүн ортосундагы корреляция матрицасы элементтердин ортосундагы канааттандырарлык корреляцияны көрсөтөт. Болжолдоо натыйжалары Колдоо Вектордук Машина Регресси (SVMR) (SVMR) баалоонун түп тамыры жакшы аткарылгандыгын көрсөттү mg47kg/kg. ) жана орточо абсолюттук ката (MAE) (166,946 мг/кг) колдонулган башка методдордон жогору болду. Эмпирикалык Байесиялык Кригинг-Көп сызыктуу регрессия (EBK-MLR) үчүн аралаш моделдер начар аткарышты, муну 0,1ден аз детерминация коэффициенттери тастыктады. Эмпирикалык Байесиялык Кригинг-Sup модели (Machine SVRM5 төмөн модели, MREB5 төмөн модели болду). 479 мг/кг) жана MAE (77,368 мг/кг) баалуулуктары жана детерминациянын жогорку коэффициенти (R2 = 0,637). EBK-SVMR моделдөө техникасынын чыгышы өзүн-өзү уюштуруучу картанын жардамы менен визуализацияланат. CakMg-EBK-SVMR гибриддик моделинин тегиздигинде кластердик нейрондор көрсөтүлгөн. EBK жана SVMR - бул шаардагы жана шаар четиндеги топурактарда Ni концентрациясын болжолдоонун натыйжалуу ыкмасы.
Никель (Ni) өсүмдүктөр үчүн микроэлемент болуп эсептелет, анткени ал атмосферадагы азоттун (N) жана мочевина метаболизмине көмөктөшөт, алардын экөө тең уруктун өнүп чыгышына шарт түзөт. жашыл буурчак азоттун фиксациясын оптималдаштыруу үчүн никель негизиндеги жер семирткичтерди колдонууну талап кылат2. Никелге негизделген жер семирткичтерди топуракты байытуу жана буурчак өсүмдүктөрүнүн топуракта азотту бекитүү жөндөмдүүлүгүн жогорулатуу үчүн улантуу топурактагы никелдин концентрациясын тынымсыз жогорулатат. топуракта топурактын рНын азайтат жана өсүмдүктөрдүн өсүшү үчүн маанилүү азык катары темирдин кабыл алынышына тоскоол болот1. Liu3 боюнча, Ni өсүмдүктөрдүн өнүгүшү жана өсүшү үчүн зарыл болгон 17-маанилүү элемент болуп саналат. Никелдин өсүмдүктөрдүн өнүгүшүндө жана өсүшүндөгү ролунан тышкары, адамдар ага ар кандай колдонмолор үчүн керек. бардыгы никельди ар кандай өнөр жай секторлорунда колдонууну талап кылат. Мындан тышкары, никель негизиндеги эритмелер жана электроплита менен капталган буюмдар ашкана буюмдарында, бал аксессуарларында, тамак-аш өнөр жайынын жабдууларында, электрдик, зым жана кабель, реактивдүү турбиналар, хирургиялык имплантаттар, текстиль жана кеме курууда кеңири колдонулган. , Ни антропогендик эмес, табигый булак болуп саналат4,6.Никельдин табигый булактарына жанар тоонун атылышы, өсүмдүктөр, токой өрттөрү жана геологиялык процесстер кирет;бирок антропогендик булактарга болот өнөр жайындагы никель/кадмий батарейкалары, гальвания, дога менен ширетүү, дизель жана мазут, көмүрдүн күйүүсүнөн жана калдыктарды жана ылайларды күйгүзүүдөн чыккан атмосфералык эмиссиялар кирет.10-жылдын 10-апрелинде, жакынкы жана чектеш чөйрөдөгү жер кыртышынын булганышынын негизги булактары негизинен никель-жез эритүүчү заводдор жана шахталар болуп саналат. Канададагы Садбери никель-жез кайра иштетүүчү заводунун айланасындагы топурактын эң жогорку деңгээлдеги никель булганышы 26 000 мг/кг менен Россияда жогору болгон. Норвегия топрагында11.Алмс жана башкалар боюнча.12, HNO3-алынуучу никельдин көлөмү региондун эң жогорку айдоо жерлеринде (Россияда никель өндүрүү) 6,25тен 136,88 мг/кгга чейин өзгөрдү, бул орточо 30,43 мг/кг жана 25 мг/кг базалык концентрацияга туура келет. Никелдин адамдардагы потенциалдуу таасирлери мутагенез, хромосомалык бузулуулар, Z-ДНК генерациясы, бөгөттөлгөн ДНКны эксциздик оңдоо же эпигенетикалык процесстер аркылуу рактын пайда болушуна алып келиши мүмкүн. Жаныбарларда жасалган эксперименттерде никель ар кандай картогенездик комплекстерди жана тумак тумоосун пайда кылуучу потенциалга ээ экени аныкталган.
Топурак-өсүмдүк мамилелеринен, кыртыштын жана кыртыштын биологиялык байланыштарынан, экологиялык деградациядан жана айлана-чөйрөгө тийгизген таасирин баалоодон келип чыккан ден-соолукка байланыштуу маселелердин кеңири чөйрөсүнөн улам акыркы мезгилде кыртыштын булганышын баалоо гүлдөп жатат. Бүгүнкү күнгө чейин, топурактагы Ni сыяктуу потенциалдуу уулуу элементтерди (PTEs) мейкиндиктик болжолдоо салттуу ыкмаларды жана санариптик ыкмаларды колдонуу менен ийгиликтүү болду (SMD15). абдан жакшыртылган алдын ала топурактын картасын түзүү (PSM). Минасни жана МакБратни16 ылайык, алдын ала топурак картасы (DSM) топурак таануу көрүнүктүү субдисциплинасы болуп саналат. Lagacherie жана McBratney, 2006 DSM катары аныктайт "мейкиндиктеги кыртыштын маалымат системаларын түзүү жана толтуруу, эмгек жана спатиалдык эмес ыкмаларды колдонуу менен толтуруу. системалары”.МакБратни жана башкалар.17 заманбап DSM же PSM PTEs, топурак түрлөрү жана кыртыштын касиеттери мейкиндик бөлүштүрүүнү болжолдоо же картага түшүрүү үчүн абдан натыйжалуу ыкмасы экенин белгилешет.Geostatistics жана Machine Learning Algorithms (MLA) олуттуу жана минималдуу маалыматтарды колдонуу менен компьютерлердин жардамы менен санариптештирилген карталарды түзүү DSM моделдөө ыкмалары болуп саналат.
Deutsch18 жана Olea19 геостатистиканы "мейкиндик атрибуттарын чагылдыруу менен алектенген, негизинен стохастикалык моделдерди колдонгон сандык ыкмалардын жыйындысы" деп аныкташат, мисалы, убакыт серияларын талдоо убактылуу маалыматтарды кандайча мүнөздөйт.Биринчи кезекте, геостатистика вариограммаларды баалоону камтыйт, алар ар бир маалымат топтомунан мейкиндик баалуулуктарынын көз карандылыгын аныктоого жана аныктоого мүмкүндүк берет20.Gumiaux et al.20 андан ары геостатистикада вариограммаларды баалоо үч принципке негизделгенин көрсөтөт, анын ичинде (а) маалыматтар корреляциясынын масштабын эсептөө, (б) маалымат топтомунун диспропорциясындагы анизотропияны аныктоо жана эсептөө жана (в) кошумча түрдө өлчөө маалыматтарынын мүнөздүү катасын эске алуудан тышкары, бул локалдык эффекттерден ажыратылган өлчөө маалыматтарынын, ошондой эле көптөгөн интерполдук концепцияларга колдонулган локалдык эффекттер колдонулат. статистика, анын ичинде жалпы кригинг, ко-кригинг, кадимки кригинг, эмпирикалык Байездик кригинг, жөнөкөй кригинг ыкмасы жана башка белгилүү интерполяциялоо ыкмаларын картага түшүрүү же болжолдоо үчүн PTE, кыртыштын өзгөчөлүктөрү жана топурак түрлөрү.
Machine Learning Algorithms (MLA) салыштырмалуу жаңы ыкма болуп саналат, ал чоңураак сызыктуу эмес маалымат класстарын колдонот, ал алгоритмдер менен шартталган, негизинен, маалыматтарды казып алуу, маалыматтардагы үлгүлөрдү аныктоо жана топурак таануу жана кайтаруу тапшырмалары сыяктуу илимий тармактарда классификациялоодо бир нече жолу колдонулган.22 (айыл чарба топурактарында оор металлды баалоо үчүн кокус токойлор), Сакизаде ж.б.23 (колдоо вектордук машиналарды жана жасалма нейрон тармактарын колдонуу менен моделдөө) кыртыштын булганышы ).Мындан тышкары, Vega et al.24 (топурактагы оор металлдарды кармоо жана адсорбцияны моделдөө үчүн CART) Sun et al.25 (cubist колдонмосу Cd топуракта бөлүштүрүлүшү) жана башка алгоритмдер, мисалы, k-жакынкы кошуна, жалпыланган күчөтүлгөн регрессия жана күчөтүлгөн регрессия Дарактар ​​ошондой эле топурактагы PTE болжолдоо үчүн MLA колдонушкан.
алдын ала же картага DSM алгоритмдерди колдонуу бир нече кыйынчылыктарга дуушар болот.Көптөгөн авторлор MLA геостатистикага жогору жана тескерисинче деп эсептешет.Бири экинчисинен жакшы болсо да, экөөнүн айкалышы DSM15.Woodcock жана Gopal26 Finke27де карта түзүүнүн же болжолдоонун тактык деңгээлин жакшыртат;Pontius жана Cheuk28 жана Grunwald29 болжолдонгон кыртыш картасындагы кемчиликтер жана кээ бир каталар боюнча комментарий беришет. Топурак илимпоздору DSM картасынын жана болжолдоосунун эффективдүүлүгүн, тактыгын жана алдын ала билинүүчүлүгүн оптималдаштыруу үчүн ар кандай ыкмаларды сынап көрүштү. Белгисиздик менен текшерүүнүн айкалышы DSMге интеграцияланган жана эффективдүүлүктү төмөндөтүүчү көптөгөн аспектилердин бири болуп саналат.15 картаны түзүү жана болжолдоо аркылуу киргизилген валидациялык жүрүм-турум жана белгисиздик картанын сапатын жакшыртуу үчүн өз алдынча текшерилиши керек экендигин белгилейт.бирок, DSMде ишенимдин жоктугу катанын бир нече булактарынан келип чыгышы мүмкүн, атап айтканда ковариат катасы, моделдин катасы, жайгашуу катасы жана аналитикалык ката 31. MLA жана геостатистикалык процесстерде пайда болгон моделдөөнүн так эместиги түшүнүктүн жетишсиздиги менен байланышкан, акырында чыныгы процесстин ашыкча жөнөкөйлөштүрүлүшүнө алып келет32. моделдин параметрлерин аныктоодо, моделдин параметрлерин аныктоодо32. , математикалык моделдин болжолдоолору, же интерполяция33.Жакында жаңы DSM тенденциясы пайда болду, ал геостатистиканын жана MLAнын карта түзүүдө жана болжолдоодо интеграцияланышына көмөктөшөт. Бир нече топурак таануучулар жана авторлор, мисалы, Сергеев жана башкалар.34;Субботина жана башкалар.35;Тарасов жана башкалар.36 жана Тарасов жана башкалар.37 геостатистиканын жана машинаны үйрөнүүнүн так сапатын болжолдоонун жана карта түзүүнүн натыйжалуулугун жогорулатуучу гибриддик моделдерди түзүү үчүн пайдаланышкан.Бул гибриддик же айкалыштырылган алгоритм моделдеринин айрымдары: Жасалма Нейрондук Тармак Кригинги (ANN-RK), Көп катмарлуу Перцептрондук Кригинги (MLP-RK), Жалпыланган Регрессиялык Нейрон Тармактын Калды Кригинги (GR- NNRK)36, Жасалма Нейрон Тармагы Кригинги-Көп катмарлуу Перцептрон-Ресептрон жана ГамНК-Регрессиондук (MLP-7K) 38.
Сергеевдин жана башкалардын пикири боюнча, моделдөөнүн ар кандай ыкмаларын айкалыштыруу анын бирдиктүү моделин иштеп чыгуунун ордуна, кемчиликтерди жоюу жана натыйжада гибриддик моделдин натыйжалуулугун жогорулатуу мүмкүнчүлүгүнө ээ. Бул контекстте, бул жаңы документте геостатистиканын жана MLAнын бириктирилген алгоритмин колдонуу зарыл деп эсептейт. ) базалык модель катары жана аны Колдоо вектордук машинасы (SVM) жана Көп сызыктуу регрессия (MLR) моделдери менен аралаштырыңыз. ЭБКны эч кандай MLA менен гибриддештирүү белгисиз. Көрүнүп турган бир нече аралаш моделдер кадимки, калдык, регрессиялык кригингдин айкалышы жана MLA.EBK – бул геостатистикалык интерполяция ыкмасы, ал спазмдык эмес талаа процесси менен кокустук/кошумчалаштырылган. талаада мейкиндиктин өзгөрүшүнө мүмкүндүк берүүчү аныкталган локализация параметрлери39.EBK ар кандай изилдөөлөрдө, анын ичинде чарбалык топурактарда органикалык көмүртектин таралышын талдоо40, кыртыштын булганышын баалоо41 жана кыртыштын касиеттерин картографиялоо42 колдонулган.
Башка жагынан алганда, Self-Organizing Graph (SeOM) бул Ли жана башкалар сыяктуу ар кандай макалаларда колдонулган окутуу алгоритми.43, Wang et al.44, Hossain Bhuiyan et al.45 жана Kebonye et al.46 элементтердин мейкиндик атрибуттарын жана топторун аныктоо.Wang et al.44 SeOM сызыктуу эмес көйгөйлөрдү топтоого жана элестетүү жөндөмү менен белгилүү болгон күчтүү окутуу ыкмасы экенин белгилейт. Негизги компоненттерди талдоо, бүдөмүк кластерлөө, иерархиялык кластерлөө жана көп критерийлер боюнча чечим кабыл алуу сыяктуу үлгү таануунун башка ыкмаларынан айырмаланып, SeOM PTE үлгүлөрүн уюштурууда жана аныктоодо жакшыраак.44, SeOM мейкиндикте байланыштуу нейрондордун бөлүштүрүлүшүн топтой алат жана жогорку чечим маалымат visualization.SeOM түздөн-түз чечмелөө үчүн натыйжаларды мүнөздөөгө мыкты моделин алуу үчүн Ni алдын ала маалыматтарды визуализациялайт.
Бул документ шаардык жана шаар четиндеги топурактарда никелдин камтылышын болжолдоо үчүн оптималдуу тактык менен бекем карта моделин түзүүгө багытталган. Биз аралаш моделдин ишенимдүүлүгү негизинен базалык моделге тиркелген башка моделдердин таасиринен көз каранды деп болжолдойбуз. Биз DSM алдында турган кыйынчылыктарды моюнга алабыз, жана бул кыйынчылыктар MLAнын бир нече фронтторунда жана геостаттык моделдердин айкалышында чечилүүдө. al;ошондуктан, биз аралаш моделдерди бере турган изилдөө суроолоруна жооп берүүгө аракет кылабыз.Бирок, максаттуу элементти болжолдоодо модель канчалык так?Ошондой эле, валидация жана тактыкка баа берүүнүн негизинде эффективдүүлүктү баалоо деңгээли кандай?Ошондуктан, бул изилдөөнүн конкреттүү максаттары (а) SVMR же MLR үчүн аралаш аралашма моделин түзүү (а) аралашма моделин эң жакшы натыйжа катары түзүү, (мыкты натыйжа катары SVMR же MLR моделин салыштыруу), шаар же шаар четиндеги топурактарда Ni концентрациясын болжолдоо модели жана (г) никелдин мейкиндик өзгөрүшүнүн жогорку резолюциялуу картасын түзүү үчүн SeOM колдонуу.
Изилдөө Чехияда, өзгөчө Моравия-Силезия аймагындагы Frydek Mistek районунда жүргүзүлүп жатат (1-сүрөттү караңыз). Изилдөө аймагынын географиясы абдан катаал жана негизинен Карпат тоосунун сырткы четине кирген Моравия-Силезиянын Бескиди аймагынын бир бөлүгү болуп саналат. , жана бийиктиги 225 жана 327 м ортосунда;бирок, аймактын климаттык абалы үчүн Коппен классификация системасы Cfb = мелүүн океандык климат катары бааланат, жаан-чачын кургак айларда да көп болот. Температура жыл бою бир аз −5 °C жана 24 °C ортосунда өзгөрүп турат, сейрек кездешет -14 °Cден төмөн же 30 °Cден жогору, ал эми жылдык орточо аба ырайы 774 °C жана орточо жылдык аба ырайы 7765% түзөт. бүт аянты 1208 чарчы километрди түзөт, айдоо жерлердин 39,38% жана токой каптоо 49,36%. Экинчи жагынан, бул изилдөөдө колдонулган аянт болжол менен 889,8 чарчы километрди түзөт. Остравада жана анын айланасында болот өнөр жайы жана металл иштетүү абдан активдүү. жана легирленген болоттор (никель эритмесинин бекемдигин жакшыртып, анын ийкемдүүлүгүн жана бышыктыгын сактайт) жана фосфаттык жер семирткичтерди колдонуу жана мал чарбачылыгы сыяктуу интенсивдүү айыл чарбасы аймактагы никельдин изилдөө потенциалдуу булактары болуп саналат (мисалы, козулардын өсүү темптерин жогорулатуу үчүн козуларга никель кошуу жана аз тоюттандырылган бодо малды изилдөө аймактарында электр плиталарын колдонуу, анын ичинде электр плиталарын колдонуу). эл жана электрсиз никель менен каптоо процесстери.Топурактын касиеттери топурактын түсүнөн, түзүлүшүнөн жана карбонаттын мазмунунан оңой айырмаланат. Топурак текстурасы ортодон майдага чейин, ата-энелик материалдан алынган. Алар коллювиалдык, аллювиалдык же аэолдук мүнөзгө ээ. Кээ бир топурак аймактары бетинде жана астыңкы катмарында ала болуп көрүнөт, көбүнчө бетон жана агартуучу аймактарда, көбүнчө типтери жана агартуучу жерлери бар. 48.Чех Республикасында 455,1ден 493,5 мге чейинки бийиктикте камбисолдор басымдуулук кылат49.
Изилдөө аймагынын картасы [Изилдөө аймагынын картасы ArcGIS Desktop (ESRI, Inc, версия 10.7, URL: https://desktop.arcgis.com) аркылуу түзүлдү.]
Frydek Mistek районундагы шаардык жана шаар четиндеги топурактардан бардыгы болуп 115 топурактын үстүнкү катмарынын үлгүлөрү алынды. Колдонулган үлгү үлгүсү топурак үлгүлөрү 2 × 2 км аралыкта жайгашкан кадимки тор болчу, ал эми топурактын үстүнкү катмары колго кармалуучу GPS аппаратынын жардамы менен 0-20 см тереңдикте ченелген (Leica Zenoamples жана GPSS эмгек пакетине туура таңгакталган. .Үлгүлөр майдаланган үлгүлөрдү алуу үчүн абада кургатылган, механикалык система (Фрич диск тегирмени) менен майдаланган жана электен өткөрүлгөн (электин өлчөмү 2 мм). Кургатылган, гомогендештирилген жана электен өткөрүлгөн топурак үлгүлөрүн 1 грамм так белгиленген тефлон бөтөлкөлөргө салыңыз. Ар бир тефлон идишке автоматтык түрдө HNO3% мл HNO35 мл куюңуз. диспенсер – ар бир кислота үчүн бирден), бир аз жаап, үлгүлөрдү реакция үчүн түнү бою туруштук бериңиз (aqua regia программасы) .Үлгүлөрдүн сиңирүү процессин жеңилдетүү үчүн үстүнкү затты ысык металл пластинкага (температура: 100 Вт жана 160 °C) 2 саатка коюп, андан соң муздатып коюңуз. Суюлтулган үстүнкү затты деионизацияланган суусу бар 50 мл PVC түтүкчөсүнө чыпкалаңыз. Мындан тышкары, 1 мл эритме эритмеси 9 мл деионизацияланган суу менен суюлтулган жана PTE псевдоконцентрациясына даярдалган 12 мл түтүккө чыпкаланган. PTE концентрациялары (As, Cd, Cr, Cu, Mn, Ni, POESIn, Co-CP, Co-CPg менен аныкталган. led Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) стандарттык методдорго жана келишимге ылайык. Сапатты камсыздоо жана контролдоо (QA/QC) жол-жоболору (SRM NIST 2711a Монтана II Топурак). Жарымынан төмөн аныктоо чеги менен PTEs бул изилдөөдөн алынып салынды. Ар бир талдоо процесси эталондук стандарттарды талдоо менен камсыз кылынат. Каталардын минималдаштырылганын камсыз кылуу үчүн кош талдоо жүргүзүлдү.
Эмпирикалык Байесиялык Кригинг (EBK) – топурак таануу сыяктуу ар түрдүү тармактарда моделдөөдө колдонулган көптөгөн геостатистикалык интерполяция ыкмаларынын бири. Башка кригинг интерполяция ыкмаларынан айырмаланып, EBK салттуу кригинг методдорунан жарымвариограмма модели тарабынан бааланган катаны эске алуу менен айырмаланат. EBK интерполяциясында бир нече жарым-жартылай комплектацияланган интерполяциянын методдорунан айырмаланып турат. Жетиштүү кригинг ыкмасынын өтө татаал бөлүгүн түзгөн жарымвариограмманын бул графигин түзүүгө байланыштуу белгисиздик жана программалоо жолу. EBK интерполяция процесси Криворучко50 сунуш кылган үч критерийге ылайык жүргүзүлөт, (а) модель жарымвариограмманы киргизүү маалымат топтомунан баалайт (б) ар бир кириш маалымат топтомунун жаңы болжолдонгон мааниси (б) ар бир кириш маалымат жыйындысы үчүн жаңы болжолдонгон маани (A) ар бир кириш маалымат топтомунун негизинде түзүлгөн жарым утумдун негизинде. симуляцияланган берилиштер жыйындысы. Байес теңдемесинин эрежеси арткы катары берилген
\(Prob\left(A\right)\) алдынкыны билдирсе, \(Prob\left(B\right)\) маржиналдык ыктымалдуулук көпчүлүк учурларда этибарга алынбайт, \(Prob (B,A)\ ) . Семивариограмманы эсептөө Байес эрежесине негизделген, ал байкоонун маалымат топтомдорунун ыктуулугун көрсөтөт. семивариограммадан байкоолордун маалымат топтомун түзүү канчалык ыктымал.
Колдоочу вектордук машина – бул бирдей, бирок сызыктуу эмес көз карандысыз класстарды айырмалоо үчүн оптималдуу бөлүүчү гиперпланканы жараткан машина үйрөнүү алгоритми. Vapnik51 ниет классификациясынын алгоритмин түздү, бирок ал жакында эле регрессияга багытталган маселелерди чечүү үчүн колдонулду. Li et al.52 ылайык, SVM бул SVM (SVM regression тармагында эң жакшы колдонулган классификаторлордун бири. Бул талдоодо регрессия – SVMR) колдонулган. Черкасский жана Мульер53 SVMRди ядрого негизделген регрессия катары пионердик кылышкан, анын эсептөөсү көп өлкөнүн мейкиндик функциялары менен сызыктуу регрессиялык моделдин жардамы менен аткарылган. Джон жана башкалар54 SVMR моделдөө гиперпланеттик сызыктуу регрессияны колдонот деп билдирди. .55, epsilon (ε)-SVMR репрезентация моделин алуу үчүн, эпсилонду сезбеген функция катары колдонот, ал өз алдынча байланыштырылган маалыматтар боюнча машыгуудан алынган эң жакшы эпсилондук бурмалоо менен маалыматтарды картага түшүрүү үчүн колдонулат. Алдын ала коюлган аралык катасы иш жүзүндөгү мааниден эске алынбайт жана ката ε(ε) дан чоңураак болсо, топурак моделинин комплекстүүлүгүн төмөндөтөт. векторлор. Vapnik51 тарабынан сунушталган теңдеме төмөндө көрсөтүлгөн.
мында b скалярдык босогону билдирет, \(K\left({x}_{,}{ x}_{k}\right)\) ядро ​​функциясын, \(\alpha\) Лагранждын көбөйткүчүн билдирет, N сандык берилиштер топтомун, \({x}_{k}\) маалыматтарды киргизүүнү билдирет, жана MR операциясы колдонулган SV(y) ачкычы, SV. а Гаусс радиалдык негиздеги милдети (RBF). RBF ядросу PTE окутуу data.First, биз окутуу топтомун баалоо үчүн абдан кылдат айып топтомун фактор C жана ядро ​​параметр гамма (γ) алуу үчүн абдан маанилүү болуп саналат, оптималдуу SVMR моделин аныктоо үчүн колдонулат.
Көп сызыктуу регрессия модели (MLR) эң аз квадраттар ыкмасы менен эсептелген сызыктуу топтолгон параметрлерди колдонуу менен жооп өзгөрмө менен бир катар болжолдоочу өзгөрмөлөрдүн ортосундагы мамилени чагылдырган регрессия модели. MLRде эң аз квадраттар модели түшүндүрүүчү өзгөрмөлөрдү тандап алгандан кийин топурак касиеттеринин болжолдоочу функциясы болуп саналат. түшүндүрүүчү өзгөрмөлөр менен сызыктуу байланыш. MLR теңдемеси болуп саналат
мында y - жооптун өзгөрмөлүүлүгү, \(a\) - кесилиш, n - болжолдоочулардын саны, \({b}_{1}\) - коэффициенттердин жарым-жартылай регрессиясы, \({x}_{ i}\) болжолдоочу же түшүндүрүүчү өзгөрмө жана \({\varepsilon }_{i}\) моделдеги катаны да билдирет.
Аралаш моделдер EBKди SVMR жана MLR менен сэндвичтөө жолу менен алынган. Бул EBK интерполяциясынан болжолдонгон маанилерди алуу аркылуу ишке ашырылат. Интерполяцияланган Ca, K жана Mgден алынган болжолдонгон маанилер CaK, CaMg жана Ca, KMg сыяктуу жаңы өзгөрмөлөрдү алуу үчүн комбинатордук процесс аркылуу алынат. .Жалпысынан алганда, алынган өзгөрмөлөр Ca, K, Mg, CaK, CaMg, KMg жана CaKMg. Бул өзгөрмөлөр шаардык жана шаар четиндеги топурактарда никелдин концентрациясын алдын ала айтууга жардам берип, биздин болжолдоочуларыбыз болуп калды. SVMR алгоритми аралаш моделди алуу үчүн болжолдоочуларга аткарылган (Empiric Bayesian Vectors Machines, ошондой эле Empirical Bayesian Machines Kriging-Kriging-EBS. MLR алгоритми аркылуу аралаш моделди алуу үчүн Эмпирикалык Байездик Кригинг-Көп сызыктуу регрессия (EBK_MLR). Адатта, Ca, K, Mg, CaK, CaMg, KMg жана CaKMg өзгөрмөлөрү ковариаттар катары шаардагы жана шаар четиндеги аймактардагы Ni мазмунунун болжолдоочулары катары ковариаттар катары колдонулат же VMMLS кабыл алынышы мүмкүн. өзүн-өзү уюштуруу графигин колдонуу менен визуализацияланган. Бул изилдөөнүн иш процесси 2-сүрөттө көрсөтүлгөн.
SeOM колдонуу каржы секторунда, саламаттыкты сактоодо, өнөр жайда, статистикада, топурак таанууда жана башкаларда маалыматтарды уюштуруу, баалоо жана болжолдоо үчүн популярдуу инструмент болуп калды.SeOM уюштуруу, баалоо жана болжолдоо үчүн жасалма нейрон тармактарын жана көзөмөлсүз окутуу ыкмаларын колдонуу менен түзүлгөн. баалоо n кириш өлчөмдүү вектор өзгөрмөлөр катары колдонулат43,56.Melssen et al.57 киргизүү векторунун нейрондук тармакка бир киргизүү катмары аркылуу бир салмактык вектору бар чыгуу векторуна байланышын сүрөттөйт. SeOM тарабынан түзүлгөн чыгаруу бул эки өлчөмдүү карта болуп саналат, алардын жакындыгына жараша алты бурчтуу, тегерек же чарчы топологиялык карталарга токулган ар кандай нейрондор же түйүндөр. 0,904, тиешелүүлүгүнө жараша, 55-карта бирдиги (5 × 11) болуп тандалып алынган.Нейрон түзүмү эмпирикалык теңдемеде түйүндөрдүн санына жараша аныкталат.
Бул изилдөөдө колдонулган маалыматтардын саны 115 үлгүнү түзөт. Кокустук ыкма менен берилиштер тесттик маалыматтарга (валидация үчүн 25%) жана окутуу маалымат топтомдоруна (калибрлөө үчүн 75%) бөлүндү. Тренинг маалымат топтому регрессиялык моделди түзүү үчүн колдонулат (калибрлөө), ал эми тесттик маалымат топтому жалпылоо жөндөмдүүлүгүн текшерүү үчүн колдонулат58. Бул ар кандай моделдердин мазмунун болжолдоо үчүн жасалды. -катталган кайчылаш валидация процесси, беш жолу кайталанат. EBK интерполяциясы менен өндүрүлгөн өзгөрмөлөр максаттуу өзгөрмөнү (PTE) болжолдоо үчүн божомолдоочулар же түшүндүрүүчү өзгөрмөлөр катары колдонулат. Моделдөө RStudio программасында топтомдор китепканасы(Kohonen), library(caret), library(modelr), library("e1071″"), library("e1071″"ol), library("pl"r"s) менен иштетилет. рари («Метрика»).
Ар кандай валидация параметрлери топурактагы никель концентрациясын алдын ала айтууга ылайыктуу эң жакшы моделди аныктоо жана моделдин тактыгын жана анын валидациясын баалоо үчүн колдонулган. Гибриддештирүү моделдери орточо абсолюттук ката (MAE), орточо квадраттык ката (RMSE) жана R-квадрат же коэффициентти аныктоо (R2) менен бааланган. R2. көз карандысыз өлчөөлөрдөгү чоңдук моделдин болжолдоочу күчүн сүрөттөйт, ал эми MAE иш жүзүндөгү сандык маанисин аныктайт. Валидация параметрлерин колдонуу менен аралашма моделин баалоо үчүн R2 мааниси жогору болушу керек, маани 1ге канчалык жакын болсо, ошончолук жогору болот. Li et al.59, R2 критерийинин 0,75 же андан жогору мааниси жакшы божомолдоочу болуп эсептелет;0,5тен 0,75ке чейин моделдин алгылыктуу көрсөткүчү болуп саналат, ал эми 0,5тен төмөн болсо моделдин иштөөсү алгылыктуу болуп саналат. RMSE жана MAE валидация критерийлерин баалоо ыкмаларын колдонуу менен моделди тандоодо алынган төмөнкү маанилер жетиштүү болгон жана эң жакшы тандоо деп эсептелген. Төмөнкү теңдеме текшерүү ыкмасын сүрөттөйт.
мында n байкалган маанинин өлчөмүн билдирет\({Y}_{i}\) өлчөнгөн жоопту билдирет, жана \({\widehat{Y}}_{i}\) ошондой эле биринчи i байкоолор үчүн болжолдонгон жооптун маанисин билдирет.
Болжолдоочу жана жооп өзгөрмөлөрүнүн статистикалык сыпаттамалары 1-таблицада келтирилген, анда орточо, стандарттык четтөө (SD), вариация коэффициенти (CV), минималдуу, максимум, куртизм жана кыйгачтык көрсөтүлгөн. Элементтердин минималдуу жана максималдуу маанилери MgТандалган элементтердин ар кандай өлчөнгөн концентрацияларынан улам, элементтердин маалымат топтомунун бөлүштүрүлүшү ар кандай ийкемдүүлүктү көрсөтөт. Элементтердин кыйшаюусу жана куртозу тиешелүүлүгүнө жараша 1,53төн 7,24кө чейин жана 2,49дан 54,16га чейин өзгөрдү. Бардык эсептелген элементтердин кыйшаюусу жана куртозиси жогоруда +1 бөлүштүрүлгөн. туура багыт жана туу чокусуна жетти. Элементтердин болжолдуу резюмеси да К, Mg жана Ni орточо өзгөрмөлүүлүгүн көрсөтөт, ал эми Ca өтө жогорку өзгөрмөлүүлүккө ээ. K, Ni жана Mg резюмеси алардын бирдей бөлүштүрүлүшүн түшүндүрөт. Мындан тышкары, Ca бөлүштүрүү бир калыпта эмес жана тышкы булактар ​​анын байытуу деңгээлине таасир этиши мүмкүн.
Жооп элементтери менен болжолдоочу өзгөрмөлөрдүн корреляциясы элементтердин ортосундагы канааттандырарлык корреляцияны көрсөттү (3-сүрөттү караңыз). Корреляция CaK r мааниси = 0.53 менен орточо корреляция көрсөткөнүн көрсөттү, CaNi.Although Ca жана K бири-бири менен жупуну ассоциацияларды көрсөтөт, Кингстон жана башкалар.68 жана Santo69 топурактагы алардын деңгээли тескери пропорционалдуу экенин көрсөтүп турат. Бирок, Ca жана Mg K үчүн антагонист, бирок CaK жакшы коррелят. Бул калийде 56% жогору болгон калий карбонаты сыяктуу жер семирткичтердин колдонулушуна байланыштуу болушу мүмкүн. Калий . Байланыштуу, анткени калий магний сульфаты, калий магний нитраты жана калий топуракка алардын жетишсиздигин жогорулатуу үчүн колдонулат. Никель Ca, K жана Mg менен орточо деңгээлде корреляцияланат, тиешелүүлүгүнө жараша r = 0,52, 0,63 жана 0,55. незий кальцийдин сиңүүсүн токтотот, кальций ашыкча магнийдин таасирин азайтат, магний да, кальций да никельдин топурактагы уулуу таасирин азайтат.
Болжолдоочулар менен жооптордун ортосундагы байланышты көрсөткөн элементтер үчүн корреляция матрицасы (Эскертүү: бул көрсөткүч элементтердин ортосундагы чачыранды камтыйт, маанилүүлүк деңгээли p < 0,001ге негизделген).
4-сүрөт элементтердин мейкиндикте бөлүштүрүлүшүн көрсөтөт. Burgos et al70 ылайык, мейкиндик бөлүштүрүүнү колдонуу булганган аймактардагы ысык чекиттерди сандык аныктоо жана бөлүп көрсөтүү үчүн колдонулган ыкма. кыртыштын кычкылдуулугун азайтуу үчүн (кальций кычкылы) пайдалануу жана болот өндүрүү процессинде щелочтуу кычкылтек катары болот тегирмендеринде колдонуу. Башка жагынан алганда, башка фермерлер рН-ны нейтралдаштыруу үчүн кислоталуу топуракта кальций гидроксидин колдонууну артык көрүшөт, бул да топурактын кальций мазмунун көбөйтөт71. Калийдин эң ысык жери, ошондой эле түндүк жана түндүк-чыгышта эң ысык жана эң ысык жер. жана калийдин орточо-жогорку үлгүсү NPK жана калий колдонмолоруна байланыштуу болушу мүмкүн. Бул башка изилдөөлөр менен шайкеш келет, мисалы, Мадарас жана Липавскы72, Мадарас ж.б.73, Pulkrabová ж.б.74, Асаре ж.б.бөлүштүрүү картасынын түндүк-батышында мейкиндик Калий байытуу, мисалы, калий хлориди, калий сульфаты, калий нитраты, калий жана калий сыяктуу калий негизделген жер семирткичтерди колдонуу менен шартталган болушу мүмкүн начар torplaks.Zádorová ж.б. калий мазмунун жогорулатуу.76 жана Tlustoš et al.77 К негизиндеги жер семирткичтерди колдонуу топурактын курамындагы К-ны көбөйтүп, узак мөөнөттүү келечекте топурактын аш болумдуу заттардын курамын бир топ жогорулатат, өзгөчө K жана Mg кыртышта ысык чекитти көрсөтөт. Картанын түндүк-батышында жана картанын түштүк-чыгышында салыштырмалуу орточо ысык чекиттер. Топурактагы коллоиддик фиксация өсүмдүктөрдүн арасындагы сары чөптүн концентрациясын жоготот, ошончолук сары магнийдин жетишсиздигине алып келет. тамыр хлорозу. Калий магний сульфаты, магний сульфаты жана кизерит сыяктуу магний негизиндеги жер семирткичтер нормалдуу рН диапазону бар топурактардагы жетишсиздиктерди (өсүмдүктөр кызгылт көк, кызыл же күрөң болуп көрүнөт, бул магнийдин жетишсиздигин көрсөтүп турат) 6. Никелдин топтолушу шаардын бетинде жана жер кыртышында жана пери-гриогендик иш-аракеттерден улам болушу мүмкүн. дат баспас болоттон жасалган никельдин мааниси78.
Элементтердин мейкиндик бөлүштүрүү [мейкиндик бөлүштүрүү картасы ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) аркылуу түзүлгөн.]
Бул изилдөөдө колдонулган элементтер үчүн моделдин натыйжалуулугунун индексинин натыйжалары 2-таблицада көрсөтүлгөн. Башка жагынан алганда, Ni боюнча RMSE жана MAE экөө тең нөлгө жакын (0,86 RMSE, -0,08 MAE). Экинчи жагынан, K үчүн RMSE жана MAE маанилери да алгылыктуу. RMSE жана MAE натыйжалары кальцийдин жана RMSEнин чоңдугунун натыйжалары үчүн чоңураак болгон. Ni болжолдоо үчүн EBK колдонуп бул изилдөөнүн RMSE жана MAE Джон ж.б. натыйжаларга караганда жакшыраак деп табылган.54 Ошол эле чогултулган маалыматтарды колдонуу менен кыртыштагы S концентрациясын болжолдоо үчүн синергетикалык кригингди колдонуу. Биз изилдеген EBK натыйжалары Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 жана John et al.82, айрыкча К жана Ни.
Шаардын жана шаардын четиндеги топурактарда никелдин камтылышын болжолдоо үчүн жекече методдордун аткаруусу моделдердин аткарылышынын жардамы менен бааланды (3-таблица).Моделдин валидациясы жана тактыгына баа берүү Ca_Mg_K болжолдоочу EBK SVMR модели менен айкалышканда эң жакшы көрсөткүчтү бергендигин тастыктады. Калибрлөө модели, Ca_MgSESV_K орточо квадраттык ката (Ca_MgRM2 абсолюттук ката ) 0,637 (R2), 95,479 мг/кг (RMSE) жана 77,368 мг/кг (MAE) Ca_Mg_K-SVMR 0,663 (R2), 235,974 мг/кг (RMSE) жана 166,946 мг/кг (RMSE) болгон (MAE жакшы). /kg R2) жана Ca_Mg-EBK_SVMR (0,643 = R2);алардын RMSE жана MAE натыйжалары Ca_Mg_K-EBK_SVMR (R2 0.637) үчүн караганда жогору болгон (3-таблицаны караңыз). Мындан тышкары, Ca_Mg-EBK_SVMR (RMSE = 1664.64 жана MAE = 1031.49) моделинин RMSE жана MAE көрсөткүчтөрү 135 жана Ca_Mg караганда чоңураак. -EBK_SVMR. Ошо сыяктуу эле, Ca_Mg-K SVMR (RMSE = 235.974 жана MAE = 166.946) моделинин RMSE жана MAE, Ca_Mg_K-EBK_SVMR RMSE жана MAE моделине караганда 2.5 жана 2.2 чоңураак. ME жана MAE байкалган. Kebonye et al.46 жана John et al.54, RMSE жана MAE нөлгө канчалык жакын болсо, натыйжалар ошончолук жакшы болот. SVMR жана EBK_SVMR жогорку квантталган RSME жана MAE маанилерине ээ. четтөөлөрдүн болушу. Бул маалымат топтому канчалык гетерогендүү болсо, MAE жана RMSE маанилери ошончолук жогору болот дегенди билдирет. Шаардын жана шаар четиндеги топурактарда Ni мазмунун болжолдоо үчүн Ca_Mg_K-EBK_SVMR аралаш моделинин кайчылаш валидациялык баалоонун тактыгы 63,70% болгон. Li et al.59, тактык бул деңгээл алгылыктуу моделдин аткаруу курсу болуп саналат. Азыркы натыйжалар Тарасов жана башкалар тарабынан мурунку изилдөө менен салыштырылган.36 гибриддик модели учурдагы изилдөөдө билдирилген EBK_SVMR тактыгын баалоо индексине байланыштуу MLPRK (Multilayer Perceptron Residual Kriging) түзүлгөн, RMSE (210) жана MAE (167.5) биздин учурдагы изилдөөдөгү натыйжалардан жогору болгон (RMSE 95.479, MAE67H учурдагы изилдөөдө). 637) Тарасов жана башкалар менен.36 (0,544), бул аралаш моделде детерминация коэффициенти (R2) жогору экени көрүнүп турат. Аралаш модель үчүн катанын чеги (RMSE жана MAE) (EBK SVMR) эки эсе төмөн. Ошо сыяктуу эле, Сергеев жана башкалар. 7 (R2).Бул моделдин болжолдоо тактык деңгээли (EBK SVMR) 63,7% түзөт, ал эми Sergeev жана башкалар тарабынан алынган болжолдоо тактыгы.34 28% болуп саналат. EBK_SVMR моделин жана Ca_Mg_K прогнозду колдонуу менен түзүлгөн акыркы карта (сүрөт. 5) бүт изилдөө аянты боюнча ысык чекиттердин болжолдоолорун жана орточо жана орточо никельди көрсөтөт.
Акыркы болжолдоо картасы гибриддик EBK_SVMR моделин жана болжолдоочу катары Ca_Mg_Kди колдонуу менен берилген.[Мейкиндик бөлүштүрүү картасы RStudio (1.4.1717 версиясы: https://www.rstudio.com/) аркылуу түзүлгөн.]
6-сүрөттө жеке нейрондордон турган композиция тегиздиги катары PTE концентрациялары берилген. Компоненттик тегиздиктердин бири да көрсөтүлгөндөй түс үлгүсүн көрсөткөн эмес. Бирок, тартылган картада нейрондордун тиешелүү саны 55.SeOM ар түрдүү түстөрдү колдонуу менен өндүрүлгөн жана түс үлгүлөрү канчалык окшош болсо, үлгүлөрдүн касиеттери ошончолук салыштырууга болот. түс үлгүлөрү бир жогорку нейрондорго жана көпчүлүк төмөн нейрондорго. Ошентип, CaK жана CaMg абдан жогорку тартиптеги нейрондор жана төмөн-орто түстүү моделдер менен кээ бир окшоштуктарды бөлүшөт. Эки модел тең кызыл, кызгылт сары жана сары сыяктуу түстөрдүн орто жана жогорку өңдөрүн көрсөтүү аркылуу топурактагы Ni концентрациясын болжолдойт. KMg модели көптөгөн жогорку түс үлгүлөрүн көрсөтөт. моделдин компоненттеринин тегиздик бөлүштүрүү үлгүсү топурактагы никельдин потенциалдуу концентрациясын көрсөтүүчү жогорку түс үлгүсүн көрсөттү (4-сүрөттү караңыз). CakMg моделинин компонентинин тегиздиги так түс шкаласына ылайык төмөндөн жогоруга чейин түрдүү түс үлгүсүн көрсөтөт. Мындан тышкары, моделдин никелдин мазмунун болжолдоосу (CakMg) 5-сүрөттө никельдин бөлүштүрүлүшүнө окшош. шаардагы жана шаар четиндеги топурактагы никель концентрациясынын. 3 8 үлгү алды. Жети компоненттүү пландык болжолдоочу айкалышы туура кластердик интерпретацияга мүмкүндүк берүү үчүн жөнөкөйлөштүрүлдү. Топурак түзүлүшүнө таасир этүүчү көптөгөн антропогендик жана табигый процесстерге байланыштуу, бөлүштүрүлгөн SeOM картасында туура дифференцияланган кластердик моделдерге ээ болуу кыйын78.
Ар бир эмпирикалык Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) өзгөрмө тарабынан компоненттик тегиздик чыгаруу.[SeOM карталары RStudio (1.4.1717 версиясы: https://www.rstudio.com/) аркылуу түзүлдү.]
Ар кандай кластердик классификация компоненттери [SeOM карталары RStudio аркылуу түзүлдү (1.4.1717 версиясы: https://www.rstudio.com/).]
Учурдагы изилдөө шаар жана шаар четиндеги топурактарда никелдин концентрациясын моделдөө ыкмаларын ачык көрсөтөт. Изилдөө топурактагы никелдин концентрациясын алдын ала айтуунун эң жакшы жолун алуу үчүн элементтерди моделдөө ыкмалары менен айкалыштыруу менен ар кандай моделдөө ыкмаларын сынап көрдү. Моделдөө техникасынын SeOM композициялык тегиз мейкиндик өзгөчөлүктөрү жогорку түстүү үлгүнү көрсөттү. карта EBK_SVMR тарабынан көрсөтүлгөн компоненттердин тегиз мейкиндик бөлүштүрүлүшүн ырастайт (5-сүрөттү караңыз). Натыйжалар колдоо вектордук машинанын регрессия модели (Ca Mg K-SVMR) бир модель катары топурактагы Ni концентрациясын болжолдой тургандыгын көрсөтүп турат, бирок валидация жана тактыкты баалоо параметрлери RMSE жана MAEW үлгүсүндөгү башка моделдин шартында өтө чоң каталарды көрсөтөт. детерминация коэффицентинин (R2) төмөн маанисине. Жакшы натыйжалар EBK SVMR жана курама элементтерди (CaKMg) 63,7% тактык менен төмөн RMSE жана MAE каталары менен алынды. Көрсө, EBK алгоритмин машиналык үйрөнүү алгоритми менен айкалыштыруу PTEдин концентрациясынын натыйжаларын алдын ала көрсөтөт. Ca Mg К изилденүүчү аймакта Ni концентрациясын болжолдоочу предметтор катары топурактардагы Ni-нин болжолдоосун жакшыртат. Бул болот өнөр жайы тарабынан никель негизиндеги жер семирткичтерди үзгүлтүксүз колдонуу жана кыртыштын өнөр жайлык булганышы топуракта никелдин концентрациясын жогорулатуу тенденциясына ээ экендигин билдирет. , биз топурактагы PTE баалоо жана болжолдоо үчүн EBK-SVMR моделин колдонууну сунуштайбыз;Мындан тышкары, биз ар кандай машина үйрөнүү алгоритмдери менен гибриддештирүү үчүн EBK колдонууну сунуштайбыз.Ni концентрациялары элементтерди ковариаттар катары колдонуу менен болжолдонгон;бирок, көбүрөөк covariates колдонуу абдан учурдагы иштин бир чектөө катары каралышы мүмкүн моделдин аткарууну жакшыртмак. Бул изилдөөнүн дагы бир чектөө маалымат топтомдорунун саны 115. Ошондуктан, көбүрөөк маалыматтар берилген болсо, сунушталган оптималдаштырылган гибриддештирүү ыкмасын аткарууну жакшыртууга болот.
PlantProbs.net.Nickel in Plants and Toprak https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021-жылдын 28-апрелинде жеткиликтүү).
Каспрзак, К.С.Никель заманбап экологиялык токсикологиядагы жетишкендиктер.айлана-чөйрө.токсикология.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: анын булактары жана экологиялык токсикология карап чыгуу. Поляк J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC. Атмосферадагы булгоочу заттардын кириши жана Садбери, Онтарио, Канада.кан.Дж.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-0091 (Selebi-Phikwe жез-никель кенине жакын жерде жайыт кепшөө жаныбарлары менен байланышкан топурак, өсүмдүктөр жана коркунучтар) Heavy металлдар.
Cabata-Pendias.Kabata-Pendias A. 2011. Топурактагы микроэлементтер жана… – Google Окумуштуу https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace++Elements.+York++ed+2011+. NY%29%3A+CRC+Press&btnG= (2020-жылдын 24-ноябрында жеткиликтүү).
Almås, A., Singh, B., Айыл чарба, TS-NJ & 1995, undefined.Effects орус никель өнөр жайы оор металлдардын топтолушу айыл чарба топурактары жана чөптөр Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Nickel жутулушу жана ичүүчү сууда кармап туруу тамак-аш жана никелдин сезгичтиги.toxicology.application.Pharmacodynamics.154, 67-75 (1999) менен байланыштуу.
Costa, M. & Klein, CB Nickel carcinogenesis, мутация, эпигенетика же селекция. айлана-чөйрө. Health Perspective.107, 2 (1999).
Аджман, ПК;Ajado, SK;Борувка, Л.;Бини, JKM;Саркоди, ВЙО;Cobonye, ​​NM;Потенциалдуу уулуу элементтердин тренд анализи: библиометрикалык сереп. Environmental Geochemistry and Health.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On санариптик топурак картасы. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистикалык суу сактагычты моделдөө,… – 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%88%888fb%88b4b4b4b5%88b4b4b5%89b4b38%84b4b38%899b4b4b5%3f8%4f4b4b3%8f8%8f8%89999c8c3c5c3c3 = (2021-жылдын 28-апрелинде жеткиликтүү).


Посттун убактысы: 22-июль-2022