Prognose vun Nickel Konzentratioune am Faubourgen an Urban Buedem mat gemëschte empiresche Bayesian Kriging an Ënnerstëtzung Vector Machine Regressioun

Merci fir besicht Nature.com.D'Browser Versioun déi Dir benotzt huet limitéiert Ënnerstëtzung fir CSS.Fir déi bescht Erfahrung empfeelen mir Iech en aktualiséierten Browser ze benotzen (oder de Kompatibilitéitsmodus am Internet Explorer auszeschalten).An der Tëschenzäit, fir weider Ënnerstëtzung ze garantéieren, wäerte mir de Site ouni Stiler a JavaScript weisen.
Buedemverschmotzung ass e grousse Problem, deen duerch mënschlech Aktivitéiten verursaacht gëtt.The spatial distribution of potentially toxic elements (PTEs) variates in most urban and peri-urban areas.Therefore, it is schwéier den Inhalt vun PTEs an esou soils raimlech virauszesoen.A Ganzen 115 Echantillon goufen aus Frydek Mistek an der Tschechescher Republik (Cacalcium) Konzentratioun kritt, (Cacalcium, Czech Republic (Cacalcium). s sech mat inductively gekoppelter Plasma Emissioun spectrometry ermëttelt. D'Äntwert Variabel ass Ni an d'Predictors sinn Ca, Mg, an K. D'Korrelatioun Matrixentgasung tëscht der Äntwert Variabel an der Predictor Variabel weist eng zefriddestellend Korrelatioun tëscht den Elementer. D'Prognose Resultater gewisen, datt Support Vector Machine Regressioun (SVM) gesuergt gutt, obwuel seng Schätzung (mg450000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000B)==================================================================================) E) (166,946 mg/kg) ware méi héich wéi déi aner applizéiert Methoden.Mixed models for Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) perform poorly, as evidenced by coefficients of Determination less than 0,1. an MAE (77.368 mg / kg) Wäerter an héich Koeffizient vun Determinatioun (R2 = 0.637). D'EBK-SVMR Modeller Technik Ausgang gëtt visualiséiert mat enger selbstorganiséierend Kaart benotzt. Clustered Neuronen am Fliger vun der Hybrid Modell CakMg-EBK-SVMR Komponente weisen Multiple Faarf Mustere weisen, datt städtëschent Konzentratioun Musteren an SVKurbin Resultater virauszesoen an esou virauszesoen an d'Resultater vun SVK. ass eng efficace Technik fir Ni Konzentratioune an urbanen a peri-urban Buedem virauszesoen.
Nickel (Ni) gëtt als Mikronährstoff fir Planzen ugesinn, well et zur atmosphärescher Stickstofffixatioun (N) an dem Harnstoffmetabolismus bäidréit, déi allebéid fir Som Keimung erfuerderlech sinn. Nieft sengem Bäitrag zur Keimung vu Somen, Ni kann als Pilz- a bakteriell Inhibitor handelen an d'Planzentwécklung förderen. d'Applikatioun vun Néckel-baséiert Dünger fir Stéckstoff fixation optimiséieren2.Weider Uwendung vun Néckel-baséiert Dünger de Buedem ze beräicheren an d'Fähegkeet vun Hülsenfrüchte Erhéijung Stickstoff am Buedem ze fixéieren kontinuéierlech Erhéijunge der Néckel Konzentratioun am Buedem.Obwuel Nickel ass e micronutrient fir Planzen, seng exzessiv gutt wéi nickelen kann an d'Minimal gutt an d'Nickel maachen. s Buedem pH a verhënnert d'Aufnahme vun Eisen als essentiel Nährstoff fir Planzen Wuesstem1.Laut Liu3, Ni has been found to be the 17th wichteg Element néideg fir Planzenentwécklung a Wuesstem. Nieft der Roll vum Nickel an der Planzeentwécklung a Wuesstem brauche Mënschen et fir eng Vielfalt vun Uwendungen.Electroplating, the production of nickel-based alloys requires Industriesecteuren.Zousätzlech, Nickel-baséiert Legierungen an electroplated Artikelen goufen wäit an kitchenware benotzt, Ballroom Accessoiren, Liewensmëttel Industrie Ëmgeréits, elektresch, Drot a Kabel, Jet Turbinen, chirurgesch Implantate, Textilien, a Schëffsbau5. ic4,6.Natierlech Quelle vum Nickel enthalen Vulkanausbréch, Vegetatioun, Bëschbränn a geologesch Prozesser;awer, anthropogenic Quellen och Nickel / Cadmium Akkuen an der Stolindustrie, electroplating, Arc Schweess, Diesel an Brennstoff Ueleg, an atmosphäresch Emissiounen aus Kuel Verbrennung an Offall an sludge Verbrennung Nickel accumulation7,8. Laut Freedman an Hutchinson9 an Manyiwa et al.10, sinn d'Haaptquellen vun topsoil Pollutioun am direkten an ugrenzend Ëmwelt haaptsächlech Nickel-Koffer-baséiert Schmelzen a Minen. D'Top Buedem ronderëm d'Sudbury Néckel-Koffer Raffinerie am Kanada haten déi héchste Niveau vun Néckel Kontaminatioun op 26.000 MG / kg11. Am Géigesaz, Pollutioun aus Néckel Konzentratioun an Norweegesch Al Accord zu Norweegesch zu Norweegesch Konzentratioun an alsAc zu Norweegesch Konzentratioun. .12, d'Quantitéit vun HNO3-extractable Néckel am Top Ackerland d'Regioun (Néckel Produktioun an Russland) gounge vun 6,25 ze 136,88 mg / kg, entspriechend engem Moyenne vun 30,43 mg / kg an engem baseline Konzentratioun vun 25 mg / kg. ive crop seasons can infuse or contaminate the soil.The potenziell Auswierkunge vum Nickel bei Mënschen kënnen zu Kriibs duerch Mutagenese, chromosomal Schued, Z-DNA Generatioun, blockéiert DNA Ausschnëttreparatur oder epigenetesch Prozesser13.An Déierenexperimenter gouf fonnt datt Nickel de Potenzial huet fir eng Vielfalt vun Tumoren ze verursaachen, a karzinogene Tumoren, wéi Tumoren, an Karzinogenen.
Buedemkontaminatiounsbewäertunge sinn an de leschte Zäiten duerch eng breet Palette vu gesondheetlechen Themen entstinn, déi aus Buedem-Pflanzenverhältnisser entstinn, Buedem- a Buedembiologesche Bezéiungen, ökologescher Degradatioun, an Ëmweltimpakt Bewäertung. immens verbessert predictive soil mapping (PSM).Laut Minasny a McBratney16, predictive soil mapping (DSM) has proven to be a prominent subdiscipline of soil science.Lagacherie and McBratney, 2006 define DSM as "the creation and filling of spatial soil information systems through the use of in so non-situation systems and spatial-sitzen-systems and spatial-situation-systems". cBratney et al.17 skizzéieren datt den zäitgenësseschen DSM oder PSM déi effektivst Technik ass fir d'raimlech Verdeelung vu PTEs, Buedemtypen a Buedemeigenschaften virauszesoen oder ze kartéieren.Geostatistics and Machine Learning Algorithms (MLA) are DSM modeling techniques that create digitalized maps with the help of computers using significant and minimal data.
Deutsch18 an Olea19 definéieren Geostatistik als "d'Sammlung vun numereschen Techniken déi sech mat der Representatioun vu raimlechen Attributer beschäftegen, haaptsächlech stochastesch Modeller benotzen, sou wéi d'Zäitserieanalyse temporär Daten charakteriséiert."Primär, Geostatistik implizéiert d'Evaluatioun vu Variogrammen, déi d'Ofhängegkeete vu raimleche Wäerter vun all Dataset quantifizéieren an definéieren20.Gumiaux et al.20 illustréieren weider datt d'Evaluatioun vu Variogrammen an der Geostatistik op dräi Prinzipien baséiert, dorënner (a) Berechnung vun der Skala vun der Datekorrelatioun, (b) Identifikatioun a Berechnung vun Anisotropie an der Datesazdisparitéit an (c) Nieft der Berécksiichtegung vum inherente Feeler vun de Miessdaten, getrennt vun de lokalen Effekter, ginn och geschätzte Geostatistiken op dës Geostatistike benotzt. istics, dorënner allgemeng kriging, co-kriging, gewéinlech kriging, empiresch Bayesian kriging, einfach kriging Method an aner gutt-bekannt Interpolatioun Techniken fir eng Kaart oder virauszesoen PTE, Buedem Charakteristiken, a Buedem Zorte.
Machine Learning Algorithms (MLA) sinn eng relativ nei Technik déi méi grouss net-linear Dateklassen benotzt, ugedriwwe vun Algorithmen, déi haaptsächlech fir Datemining benotzt ginn, Musteren an Daten z'identifizéieren, an ëmmer erëm op d'Klassifikatioun an de wëssenschaftleche Beräicher applizéiert ginn wéi Buedemwëssenschaft a Retourtasks.22 (zoufälleg Bëscher fir Schwéiermetallschätzung an landwirtschaftleche Buedem), Sakizadeh et al.23 (Modelléierung mat Hëllef vu Vektormaschinnen a kënschtlechen neuralen Netzwierker) Buedemverschmotzung ).Zousätzlech hunn Vega et al.24 (CART fir d'Modellere vun Schwéiermetallerhaltung an Adsorptioun am Buedem) Sun et al.25 (Uwendung vu kubisteschen ass d'Verdeelung vum Cd am Buedem) an aner Algorithmen wéi k-nächst Noper, generaliséierter verstäerkter Regressioun, a verstäerkter Regressioun Beem hunn och MLA applizéiert fir PTE am Buedem virauszesoen.
D'Applikatioun vun DSM-Algorithmen an der Prévisioun oder der Kartéierung konfrontéiert verschidde Erausfuerderunge.Vill Autoren gleewen datt MLA iwwer Geostatistik a vice versa ass.Obwuel een besser ass wéi deen aneren, verbessert d'Kombinatioun vun deenen zwee den Niveau vun der Genauegkeet vun der Mapping oder Prediction am DSM15.Woodcock a Gopal26 Finke27;Pontius and Cheuk28 and Grunwald29 comment on deficients and some errors in predicted soil mapping.Soil scientists have tried a variety of techniques to optimize the effectiveness, accuracy, and predictability of DSM mapping and forecasting.D'Kombinatioun vun der Onsécherheet an der Verifikatioun ass ee vu ville verschiddenen Aspekter integréiert an DSM an d'Agman ze optimiséieren.15 skizzéieren datt d'Validatiounsverhalen an d'Onsécherheet, déi duerch d'Kaartkreatioun an d'Prognose agefouert goufen, onofhängeg validéiert solle ginn fir d'Kaartqualitéit ze verbesseren.awer, de Mangel u Sécherheet am DSM kann aus multiple Quelle vu Feeler entstoen, nämlech covariate Feeler, Modell Feeler, Location Feeler, an analytesch Feeler 31.Modelling Ongenauegkeeten induced an MLA a geostatistical Prozesser si mat engem Manktem vun Versteesdemech assoziéiert, schlussendlech zu oversimplification vun der real Prozess gefouert 32. atical model predictions, or interpolation33.Ku kuerzem ass en neien DSM-Trend entstanen, deen d’Integratioun vun der Geostatistik an der MLA bei der Kartéierung an der Previsioun fördert.Several Soil scientists and authors, such as Sergeev et al.34;Subbotina et al.35;Tarasov et al.36, Tarasov et al.37 hunn d'genau Qualitéit vun der Geostatistik a Maschinnléiere exploitéiert fir Hybridmodeller ze generéieren déi d'Effizienz vun der Prognose an der Kaart verbesseren.Qualitéit.E puer vun dësen Hybrid oder kombinéiert Algorithmus Modeller sinn Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generaliséierter Regressioun Neural Network Residual Kriging (GR- NNRK)36, Kënschtlech Neural Network Kriging-Multilayer Perceptron (ANN-K-MLPK3 Regession an Gaur7 an Co-MLPK3 Regession) Prozess.
No Sergeev et al., kombinéiert verschidde Modeller Techniken huet d'Potential Mängel ze eliminéieren an d'Effizienz vun der doraus resultéierend Hybrid Modell Erhéijung anstatt seng eenzeg Modell Entwécklungslänner.An dësem Kontext, dësem neie Pabeier argumentéiert, datt et néideg ass eng kombinéiert Algorithmus vun geostatistics an MLA ze gëllen optimal Hybrid Modeller ze schafen Ni Beräicherung an urban Beräicher virauszesoen an empiresch studéieren (Kriibs rebaniséiert) Base. and mix it with Support Vector Machine (SVM) and Multiple Linear Regression (MLR) models.Hybridization of EBK with any MLA is not known.The multiple mixed models seen are combines of ordinary, residual, regression kriging, and MLA.EBK is a geostatistical interpolation method that utilizes a spatially stochastic field with local , déi raimlech Variatioun erlaabt39.EBK gouf a ville Studien benotzt, dorënner d'Analyse vun der Verdeelung vum organesche Kuelestoff an de Bauerenhaffbuedem40, d'Bewäertung vu Buedemverschmotzung41 a Kartéierung vum Buedemeigenschaften42.
Op der anerer Säit, Self-Organizing Graph (SeOM) ass e Léieralgorithmus deen a verschiddenen Artikele wéi Li et al applizéiert gouf.43, Wang et al.44, Hossain Bhuiyan et al.45 an Kebonye et al.46 Determine the spatial attributes and grouping of elements.Wang et al.44 skizzéieren datt SeOM eng mächteg Léiertechnik ass bekannt fir seng Fäegkeet fir net-linear Probleemer ze gruppéieren an virzestellen. Am Géigesaz zu anere Mustererkennungstechnike wéi Haaptkomponentanalyse, fuzzy Clustering, Hierarchesch Clustering a Multi-Criteria Décisiounen ass SeOM besser fir PTE Musteren ze organiséieren an z'identifizéieren. Laut Wang et al.44, SeOM kann d'Verdeelung vun den Zesummenhang Neuronen raimlech gruppéieren an d'High-Resolutioun Datenvisualiséierung ubidden.
Dëse Pabeier zielt fir e robuste Kartéierungsmodell mat optimaler Genauegkeet ze generéieren fir Nickelgehalt an urbanen a peri-urban Buedem virauszesoen.dofir wäerte mir probéieren Fuerschungsfroen ze beäntweren, déi gemëschte Modeller erreechen kënnen. Wéi och ëmmer, wéi genau ass de Modell fir d'Zilelement virauszesoen? Och, wat ass den Niveau vun der Effizienz Evaluatioun baséiert op der Validatioun an der Genauegkeet Evaluatioun? virauszesoen Ni Konzentratioune an urban oder peri-urban Buedem, an (d) d'Applikatioun vun SeOM eng héich-Resolutioun Kaart vun Nickel raimlech Variatioun ze schafen.
D'Etude gëtt an der Tschechescher Republik duerchgefouert, speziell am Frydek Mistek Distrikt an der Moravia-Schlesesch Regioun (kuckt Figur 1). D'Geographie vum Studieberäich ass ganz robust an ass meeschtens Deel vun der Moravia-Schlesesch Beskidy Regioun, déi Deel vum baussenzege Rand vun de Karpaten ass. 0′ E, an d'Héicht läit tëscht 225 an 327 m;allerdéngs gëtt de Koppen Klassifikatiounssystem fir de klimateschen Zoustand vun der Regioun als Cfb = temperéiert Ozeanescht Klima bewäert, Et gëtt vill Nidderschlag och an den dréchene Méint.Temperaturen variéieren liicht am ganze Joer tëscht -5 °C an 24 °C, falen selten ënner -14 °C oder iwwer 30 °C, während d'Duerchschnëttsgebitt vu 7 mm Nidderschlag an der Moyenne vun 56284 Nidderschlag ass. ass 1.208 Quadratkilometer, mat 39,38% vum Kultivéierten Terrain an 49,36% vun der Bëschofdeckung.Op der anerer Säit ass d'Fläche, déi an dëser Etude benotzt gëtt, ongeféier 889,8 Quadratkilometer.An a ronderëm Ostrava sinn d'Stolindustrie an d'Metallwierker ganz aktiv.Metallmillen, d'Stolindustrie, wou Néckellos Stahl an Stahlnécker (néckeg)resistenz fir Stahlnéck (an Stahl) erhéicht d'Kraaft vun der Legierung wärend seng gutt Duktilitéit an Zähegkeet behalen), an intensiv Landwirtschaft wéi Phosphatdüngerapplikatioun a Béischtenproduktioun sinn Fuerschungspotential Quelle vum Nickel an der Regioun (zB Néckel addéieren fir Lämmercher fir Wuesstumsraten bei Lämmercher a Low-Fed Cattle ze erhéijen). liicht z'ënnerscheeden aus Buedem Faarf, Struktur, an carbonate Inhalt. D'Buedem Textur ass mëttel- bis fein, ofgeleet vum Elterendeel Material. Si sinn colluvial, alluvial oder aeolian Natur.E puer Buedem Beräicher schéngen gefleckt an der Uewerfläch an ënnerierdesch, dacks mat Beton a Bleechmëttelen. Wéi och ëmmer, cambisols a stagnosols sinn am meeschte verbreet soss vun 4 bis 5 Regiounen rangéiert vun 4 bis 5 Regiounen. 493,5 m, Cambisols dominéieren d'Tschechesch Republik49.
Studieberäichkaart [D'Studieberäichkaart gouf mat ArcGIS Desktop erstallt (ESRI, Inc, Versioun 10.7, URL: https://desktop.arcgis.com).]
Am Ganzen 115 topsoil Echantillon goufen aus urban an peri-urban Buedem am Frydek Mistek Distrikter kritt. D'Prouf Muster benotzt war e reguläre Raster mat Buedem Echantillon vun 2 × 2 km ausser, an topsoil war an enger Déift vun 0 bis 20 cm gemooss engem Hand-ofgehalen GPS Apparat (Leica Zeno 5. 5. GPS am richtege Laboratoiren Schëffer, Samples sinn Label, Pak an Ziploc. goufen Loft-gedréchent pulverized Echantillon ze produzéieren, pulverized vun engem mechanesch System (Fritsch disc Mill), a sieved (Sief Gréisst 2 mm). Place 1 Gramm vun gedréchent, homogenized a sieved Buedem Echantillon an kloer markéiert Teflon Fläschen. erlaabt d'Proben iwwer Nuecht fir d'Reaktioun ze stoen (aqua regia Programm) .Place de supernatant op engem waarme Metal Plack (Temperatur: 100 W an 160 ° C) fir 2 h der Verdauung Prozess vun de Echantillon ze erliichteren, dann cool.Transfer der supernatant zu enger 50 ml volumetric flask an verdünnt mat deene 50 d'Verdënnung zu 50 ml Waasser verdënntem. ml PVC Tube mat deioniséierte Waasser. Zousätzlech gouf 1 ml vun der Verdünnungsléisung mat 9 ml deioniséiertem Waasser verdünnt an an en 12 ml Tube gefiltert, deen fir PTE Pseudo-Konzentratioun virbereet gouf. (Thermo Fisher Scientific, USA) no Standard Methoden an Accord.Ensure Quality Assurance and Control (QA/QC) procedures (SRM NIST 2711a Montana II Soil).PTEs with detection limits below half were excluded from this study.The Detection Limit of the PTE used in this study was 0.0004. .Fir sécherzestellen datt Feeler miniméiert goufen, gouf eng duebel Analyse gemaach.
Empiresch Bayesian Kriging (EBK) ass eng vu ville geostatistesche Interpolatiounstechniken, déi an der Modellerung a verschiddene Beräicher wéi Buedemwëssenschafte benotzt ginn. Am Géigesaz zu anere Kriging-Interpolatiounstechniken ënnerscheet EBK sech vun traditionelle Kriging-Methoden andeems Dir de Feeler berücksichtegt, geschätzt vum Semivariogrammmodell. D'Interpolatiounsprozess vun EBK follegt déi dräi Critèren, déi vum Krivoruchko50 proposéiert ginn, (a) de Modell schätzt d'Semivariogramm vun der Input-Datesaz (b) den neie virausgesote Wäert fir all Input-Plaz baséiert op der generéierter semivariogram-Datesaz-Modell an (c) als posterior
Wou \(Prob\lénks(A\right)\) de fréiere representéiert, \(Prob\lénks(B\right)\) marginal Wahrscheinlechkeet gëtt an de meeschte Fäll ignoréiert, \(Prob (B,A)\ ) .The semivariogram calculation is based on Bayes' rule, which shows the propensity of observation datasets that can be created from semigram valuedivariosiv ass en Dataset vun Observatioune vum Semivariogramm ze kreéieren.
A Support Vector Machine is a machine Learning Algorithmus that generéiert en optimal trennend Hyperplane fir identesch awer net linear onofhängeg Klassen z'ënnerscheeden. – SVMR) war an dëser Analyse benotzt.Cherkassky a Mulier53 Pionéier SVMR als kernel-baséiert Regressioun, der Berechnung vun deem war mat engem linear Regressioun Modell mat Multi-Land raimlech Funktiounen duerchgefouert.55, epsilon (ε)-SVMR benotzt den trainéierten Dataset fir e Representatiounsmodell als epsilon-onsensibel Funktioun ze kréien, déi applizéiert gëtt fir d'Daten onofhängeg mat der beschter Epsilon Bias aus Training op korreléierten Daten ze mapen. Support vectors.D'Equatioun, déi vum Vapnik51 proposéiert gëtt, gëtt hei ënnen gewisen.
wou b duerstellt de skalare Schwell, \(K\lénks({x}_{,}{ x}_{k}\right)\) duerstellt d'Kernelfunktioun, \(\alpha\) duerstellt de Lagrange-Multiplikator, N Representéiert eng numeresch Datesaz, \({x}_{k}\) stellt d'Dateinput duer, an \(y\) ass e Radialfunktioun vun der SV-Kernfunktioun (RB) ass e MR-Schlëssel-Output. F).De RBF-Kernel gëtt applizéiert fir den optimalen SVMR-Modell ze bestëmmen, wat kritesch ass fir den subtile Strof-Set-Faktor C an de Kernelparameter Gamma (γ) fir d'PTE Trainingsdaten ze kréien. Als éischt hu mir den Trainingsset evaluéiert an duerno d'Modellleistung op der Validatiounsset getest. De Lenkparameter benotzt ass Sigma an de Methodwäert ass svmRadial.
E Multiple Linear Regressiounsmodell (MLR) ass e Regressiounsmodell deen d'Relatioun tëscht der Äntwertvariabel an enger Zuel vu Prädiktorvariablen duerstellt andeems se linear pooled Parameter benotzt, berechent mat der mannst Quadrat Method. Erklärungsvariabelen.The MLR Equation is
wou y d'Reaktiounsvariabel ass, \(a\) den Ofschnëtt ass, n d'Zuel vun de Prädiktoren ass, \({b}_{1}\) déi partiell Réckgang vun de Koeffizienten ass, \({x}_{i}\) e Prädiktor oder Erklärungsvariabel duerstellt, an \({\varepsilon }_{i}\) stellt de Feeler am Rescht duer.
Gemëscht Modeller goufen duerch Sandwich EBK mat SVMR an MLR gemaach. Dëst gëtt gemaach andeems virausgesot Wäerter aus EBK Interpolatioun extrahéiert ginn. Verännerlechen kritt sinn Ca, K, Mg, CaK, CaMg, KMg an CaKMg. Dës Verännerlechen goufen eis Prognosen, hëllefen Néckel Konzentratioune an urban an peri-urban Buedem ze virauszesoen. D'SVMR Algorithmus war op der Predictors gesuergt fir e gemëschte Modell Empiresch Bayesian Kriging-Support Vecteure Maschinn ze kréien (EBK_arMith sinn och gemëscht duerch MLR Mgord duerch d'Verännerlechen Mgord a). model Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR).Typically, the variables Ca, K, Mg, CaK, CaMg, KMg, and CaKMg are used as covariates as predictors of Ni content in urban and peri-urban soils.The most acceptable model received (EBK_SVR using a self-organized work) Figur 2.
Using SeOM has become a popular tool for organizing, evaluating, and forecasting data in the financial sector, healthcare, industry, statistics, soil science, and more.SeOM is created using künstlech neural Netzwierker an unsupervised Learning Methods for Organization, Evaluation, and Prediction. Evaluatioun ginn als n Input-zweedimensional Vecteure Variablen43,56.Melssen et al.57 beschreift d'Verbindung vun engem Inputvektor an en neuralt Netzwierk duerch eng eenzeg Inputschicht op en Ausgangsvektor mat engem eenzege Gewiichtvektor.Den Ausgang generéiert vu SeOM ass eng zweedimensional Kaart, déi aus verschiddenen Neuronen oder Knäpper besteet, déi an sechseckegen, kreesfërmeg oder quadrateschen topologesche Kaarte gewéckelt sinn no hirer Proximitéit. 0,904, respektiv, gewielt gëtt, wat eng 55-Kaart Eenheet (5 × 11) ass.
D'Zuel vun den Donnéeën an dëser Etude benotzt ass 115 Echantillon. A zoufälleg Approche gouf benotzt fir d'Donnéeën an Testdaten opzedeelen (25% fir Validatioun) an Trainingsdatesets (75% fir Kalibrierung). D'Trainingsdataset gëtt benotzt fir de Regressiounsmodell (Kalibrierung) ze generéieren, an den Testdataset gëtt benotzt fir d'Generaliséierungsfäegkeet z'iwwerpréiwen58. -Validatiounsprozess, fënnef Mol widderholl.D'Variabelen, déi duerch EBK Interpolatioun produzéiert ginn, ginn als Prädiktoren oder Erklärungsvariablen benotzt fir d'Zilvariabel (PTE) virauszesoen.Modelléierung gëtt an RStudio gehandhabt mat Hëllef vun der Packagesbibliothéik(Kohonen), library(caret), library(modelr), library(“e1071″(“e1071″),(“pl”),(”)bibliothéik(“),Bibliothéik(”),Trool(,)bibliothéik(“) a Bibliothéiken ("Metrics").
Verschidde Validatiounsparameter goufen benotzt fir de beschte Modell ze bestëmmen, dee gëeegent ass fir Néckelkonzentratioune am Buedem virauszesoen an d'Genauegkeet vum Modell a seng Validatioun ze evaluéieren. Itude an onofhängeg Moossnamen beschreiwen d'predictive Muecht vun de Modell, iwwerdeems MAE bestëmmt den eigentleche quantitative Wäert. D'R2 Wäert muss héich sinn déi bescht Mëschung Modell mat der Validatioun Parameteren ze evaluéieren, der méi no ass de Wäert un 1, der méi héich der Richtegkeet. Laut Li et al.59, e R2 Critère Wäert vun 0,75 oder méi gëtt als e gudde Predictor ugesinn;Vun 0,5 bis 0,75 ass akzeptabel Modellleistung, an ënner 0,5 ass inakzeptabel Modellleistung.
wou n d'Gréisst vum observéierte Wäert duerstellt \({Y}_{i}\) duerstellt déi gemoossene Äntwert, an \({\widehat{Y}}_{i}\) representéiert och de virausgesoten Äntwertwäert also fir déi éischt i Observatioune.
Statistesch Beschreiwunge vu Prädiktor- an Äntwertvariablen ginn an der Tabell 1 presentéiert, déi mëttler, Standardabweichung (SD), Variatiounskoeffizient (CV), Minimum, Maximum, Kurtosis a Skewness weisen. D'Mindest- a Maximalwäerter vun den Elementer sinn an der ofhuelender Uerdnung vu Mg Wéinst de verschiddene gemoossene Konzentratioune vun de gepréiften Elementer weisen d'Datesetverdeelunge vun den Elementer ënnerschiddlech Schnéiheet. D'Skewness an d'Kurtosis vun den Elementer gounge vun 1,53 bis 7,24 respektiv 2,49 bis 54,16. Ed.Déi geschätzte CVs vun den Elementer weisen och datt K, Mg an Ni eng moderéiert Verännerlechkeet weisen, während Ca extrem héich Variabilitéit huet.D'CVs vu K, Ni a Mg erklären hir eenheetlech Verdeelung. Weider ass d'Ca Verdeelung net eenheetlech an extern Quelle kënnen hir Beräicherungsniveau beaflossen.
D'Korrelatioun vun de Prädiktorvariablen mat den Äntwertelementer huet eng zefriddestellend Korrelatioun tëscht den Elementer uginn (kuckt Figur 3). D'Korrelatioun huet uginn datt CaK eng moderéiert Korrelatioun mat r Wäert = 0,53 huet, wéi och CaNi.68 an Santo69 suggeréieren datt hir Niveauen am Buedem ëmgedréint proportional sinn.Awer, Ca a Mg sinn antagonistesch zu K, mee CaK korreléiert gutt. Dëst kann wéinst der Applikatioun vun Dünger wéi KaliumiodidPëlle, déi 56% méi héich an KaliumiodidPëlle.Kalium war mëttelméisseg korreléiert mat Magnesium déi zwee, Fertilizer verbonnen sinn, well dës zwee, Fertilizer Industrie (Kalium ass mëttelméisseg Zesummenhang mat Magnesium). Kaliummagnesiumsulfat, Kaliummagnesiumnitrat a Kalium ginn op de Buedem applizéiert fir hir Defizitniveauen ze erhéijen.Nickel ass mëttelméisseg korreléiert mat Ca, K a Mg mat r Wäerter = 0,52, 0,63 an 0,55, respektiv. vun iwwerschësseg Magnesium, a béid Magnesium a Kalzium reduzéieren d'gëfteg Effekter vum Nickel am Buedem.
Korrelatiounsmatrix fir Elementer déi d'Relatioun tëscht Prognosen an Äntwerte weisen (Notiz: Dës Figur enthält e Streuungsplot tëscht Elementer, Bedeitungsniveauen baséieren op p <0,001).
Figur 4 illustréiert d'raimlech Verdeelung vun Elementer. Laut Burgos et al70, der Uwendung vun raimlech Verdeelung ass eng Technik benotzt Hot Flecken an pollutéiert Beräicher ze quantifizéieren an Highlight. D'Beräicherung Niveauen vun Ca an Fig. 4 kann am nordwestlechen Deel vun der raimlecher Verdeelung Kaart gesinn. Kalziumoxid) fir d'Aciditéit vum Buedem ze reduzéieren an de Gebrauch an de Stolmillen als alkalesche Sauerstoff am Stolprozess ze reduzéieren.Op der anerer Säit, aner Baueren léiwer Kalziumhydroxid an sauerem Buedem ze benotzen fir de pH ze neutraliséieren, wat och de Kalziumgehalt vum Buedem vergréissert71.Kalium weist och waarm Flecken am Nordwesten an Oste vun der Kaart. Äschen Uwendungen. Dëst ass konsequent mat anere Studien, wéi Madaras an Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, déi observéiert datt Buedem Stabiliséierung a Behandlung mat KCl an NPK zu héich K Inhalt am Buedem gefouert.Raimlech Kaliumberäicherung am Nordweste vun der Verdeelungskaart kann duerch d'Benotzung vu Kalium-baséiert Dünger wéi Kaliumchlorid, Kaliumsulfat, Kaliumnitrat, Kalium a Kalium verursaacht ginn fir de Kaliumgehalt vun aarme Buedem ze erhéijen.Zádorová et al.76; Tlustoš et al.77 skizzéiert datt d'Applikatioun vu K-baséiert Dünger de K Inhalt am Buedem erhéicht huet an de Buedem Nährstoffgehalt op laang Dauer bedeitend géif erhéijen, besonnesch K an Mg weisen e waarme Fleck am Buedem.Relativ moderéiert Hotspots am Nordweste vun der Kaart an am Südosten vun der Kaart.Colloidal fixation in soil of soil It causes the plants in exhibit soil. intervein chlorosis.Magnesium-baséiert Dünger, wéi KaliumiodidPëlle Magnesium sulfate, Magnesium sulfate, an Kieserite, behandelen Mängel (Planzen schéngen purpurroude, rout oder brong, beweist Magnesium Defizit) am Buedem mat engem normal pH Beräich6. Produktioun 78.
Raumverdeelung vun Elementer [raimlech Verdeelungskaart gouf mat ArcGIS Desktop erstallt (ESRI, Inc, Versioun 10.7, URL: https://desktop.arcgis.com).]
De Modell Performance Index Resultater fir d'Elementer an dëser Etude benotzt ginn an Table 2.Op der anerer Säit, der RMSE an MAE vun Ni sinn souwuel no bei Null (0.86 RMSE, -0.08 MAE). Op der anerer Säit, souwuel RMSE an MAE Wäerter vun K sinn acceptable.RMSE an MAE Resultater ware méi grouss fir K MAE RM an Magnesium an Magnesium Resultater.Ca an MAE. vun dëser Etude, déi EBK benotzt fir Ni virauszesoen, goufen als besser fonnt wéi d'Resultater vum John et al.54 using synergistic kriging to predict S Concentrations in soil using the same collected data.The EBK Ausgabe mir studéiert korreléieren mat deene vun Fabijaczyk et al.41, Jan et al.79, Beguin et al.80, Adhikary et al.81; John et al.82, besonnesch K an Ni.
D'Performance vun eenzelne Methoden fir Néckel Inhalt am urbanen an peri-urban Buedem virauszesoen war mat der Leeschtung vun de Modeller évaluéieren (Table 3). Modell Validatioun a Genauegkeet Evaluatioun confirméiert, datt de Ca_Mg_K Predictor kombinéiert mat der EBK SVMR Modell déi bescht Leeschtung nozeginn.Calibration Modell Calibration Modell Ca_Mg_K Meeschter: REBK_Mg_K absolute Feeler (Wuerzel-Feeler, REBK_Mg_K) E) waren 0,637 (R2), 95,479 mg/kg (RMSE) an 77,368 mg/kg (MAE) Ca_Mg_K-SVMR war 0,663 (R2), 235,974 mg/kg (RMSE) an 166,946 mg/kg (MAE). mg/kg R2) an Ca_Mg-EBK_SVMR (0,643 = R2);hir RMSE an MAE Resultater waren méi héich wéi déi fir Ca_Mg_K-EBK_SVMR (R2 0.637) (kuckt Table 3). Zousätzlech, der RMSE an MAE vun der Ca_Mg-EBK_SVMR (RMSE = 1664.64 an MAE = 1031.49) Modell sinn 137.4, déi Car, respektiv 137.4, déi Car sinn, respektiv 137,4. EBK_SVMR. Ähnlech sinn d'RMSE an MAE vum Ca_Mg-K SVMR (RMSE = 235.974 a MAE = 166.946) Modell 2.5 an 2.2 méi grouss wéi déi vun der Ca_Mg_K-EBK_SVMR RMSE an MAE, respektiv.D'Resultater berechent mat der konzentréierter Donnéeën an der konzentréiert berechent sinn. MAE goufen observéiert.Laut Kebonye et al.46, John et al.54, wat d'RMSE an d'MAE méi no bei Null sinn, wat d'Resultater besser sinn.SVMR an EBK_SVMR hunn méi héich quantiséiert RSME- an MAE-Wäerter. Et gouf observéiert datt d'RSME-Schätzungen konsequent méi héich waren wéi d'MAE-Wäerter, wat d'Präsenz vun Auslänner uginn. of outliers.Dëst bedeit datt wat méi heterogen den Dataset ass, wat d'MAE- an RMSE-Wäerter méi héich sinn.D'Genauegkeet vun der Kräizvalidatiounsbewäertung vum Ca_Mg_K-EBK_SVMR gemëschte Modell fir d'Ni-Inhalt an urbanen a suburban Buedem virzebereeden war 63,70%.Laut Li et al.59, dësem Niveau vun Genauegkeet ass eng akzeptabel Modell Leeschtung Taux. Déi heiteg Resultater sinn Verglach zu enger viregter Etude vun Tarasov et al.36 deem Hybridmodell MLPRK (Multilayer Perceptron Residual Kriging) erstallt huet, am Zesummenhang mam EBK_SVMR Genauegkeet Evaluatiounsindex, deen an der aktueller Etude gemellt gouf, RMSE (210) an D'MAE (167.5) war méi héich wéi eis Resultater an der aktueller Etude (RMSE 95.479, MAE 77.328 mat der aktueller Etude vun der 77.328.) vun Tarasov et al.36 (0,544), et ass kloer, datt de Koeffizient vun Determinatioun (R2) méi héich ass an dësem gemëscht Modell. D'Margin vun Feeler (RMSE an MAE) (EBK SVMR) fir de gemëschte Modell ass zweemol méi niddereg. Ähnlech, Sergeev et al.34 opgeholl 0,28 (R2) fir den entwéckelt Hybrid Modell (Multilayer aktuell Kris 6), während (Multilayer aktuell Kris 6). Prognose Genauegkeet Niveau vun dësem Modell (EBK SVMR) ass 63,7%, iwwerdeems d'Prognose Genauegkeet vun Sergeev et al kritt.34 ass 28%.D'Finale Kaart (Fig. 5) erstallt mat dem EBK_SVMR Modell an Ca_Mg_K als Predictor weist Prognosen vu waarme Flecken a moderéiert bis Néckel iwwer de ganze Studieberäich. Dëst bedeit datt d'Konzentratioun vum Nickel am Studieberäich haaptsächlech moderéiert ass, mat méi héije Konzentratioune an e puer spezifesche Beräicher.
Déi lescht Prognosekaart gëtt mam Hybridmodell EBK_SVMR vertrueden a benotzt Ca_Mg_K als Prädiktor.[D'raimlech Verdeelungskaart gouf mat RStudio erstallt (Versioun 1.4.1717: https://www.rstudio.com/).]
Presentéiert an der Figur 6 sinn PTE Konzentratioune als Zesummesetzung Fliger besteet aus eenzelne Neuronen. Keen vun de Komponente Fligeren ausgestallt déi selwecht Faarf Muster wéi gewisen. Wéi och ëmmer, déi entspriechend Zuel vun Neuronen pro gemoolt Kaart ass 55. SeOM gëtt mat enger Vielfalt vu Faarwen produzéiert, an der méi ähnlech d'Faarf Musteren, der méi vergläichbar d'Eegeschafte vun den eenzelne Echantillon ze hir eenzelne Proben. Also, CaK an CaMg deelen e puer Ähnlechkeeten mat ganz héich Uerdnung Neuronen an niddereg-zu-moderéiert Faarf Mustere. Béid Modeller virauszesoen d'Konzentratioun vun Ni am Buedem vun mëttel- bis héich Faarftéin vun Faarwen wéi rout, orange a giel weisen. Komponente vum Modell weisen eng héich Faarf Muster, déi d'Potential Konzentratioun vun Néckel am Buedem besot (kuckt Figur 4). D'CakMg Modell Komponente Fliger weist eng divers Faarf Muster vun niddereg bis héich no enger genee Faarf Skala. Weider, de Modell d'Prognose vun Nickel Inhalt (CakMg) ass ähnlech zu der raimlech Verdeelung vun Néckel an héich Konzentratioun vun Néckel an mëttelgrouss Néckel weisen an héich-Period Figur 5 an mëttelgrousse Proportiounen weisen. verbueden Buedem.Figur 7 weist d'Konturmethod an der k-heescht Gruppéierung op der Kaart, opgedeelt an dräi Stärekéip baséiert op de virausgesote Wäert an all Modell. D'Konturmethod stellt déi optimal Unzuel vu Stärekéip duer. Vun den 115 gesammelte Buedemprouwen huet d'Kategorie 1 déi meeschte Buedemprouwen kritt, 74.Kluster3-Probe 2 kruten, 74.Cluster-3-Prouf 2, während d'Prouf 3 krut, 8 Proben. Prädiktorkombinatioun gouf vereinfacht fir eng korrekt Clusterinterpretatioun z'erméiglechen.Duerst de villen anthropogenen an natierleche Prozesser, déi d'Buedembildung beaflossen, ass et schwéier richteg differenzéiert Clustermuster an enger verdeeler SeOM Kaart78 ze hunn.
Komponent Fliger Ausgang vun all Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) Variabel.[SeOM Kaarte goufen mat RStudio erstallt (Versioun 1.4.1717: https://www.rstudio.com/).]
Verschidde Cluster Klassifikatiounskomponenten [SeOM Kaarte goufen mat RStudio erstallt (Versioun 1.4.1717: https://www.rstudio.com/).]
Déi aktuell Etude illustréiert kloer Modellertechnike fir Nickelkonzentratioune an urbanen a peri-urban Buedem. D'Etude huet verschidde Modellertechniken getest, Elementer mat Modellertechniken kombinéiert, fir de beschte Wee ze kréien fir Nickelkonzentratioune am Buedem virauszesoen. planar raimlech Verdeelung vun Komponente ausgestallt vun EBK_SVMR (kuckt Figur 5). D'Resultater weisen, datt d'Ënnerstëtzung Vecteure Maschinn Réckgang Modell (Ca Mg K-SVMR) virausgesot der Konzentratioun vun Ni am Buedem als eenzege Modell, mä d'Validatioun an Genauegkeet Evaluatioun Parameteren weisen ganz héich Feeler am Sënn vun RMSE an MAE. vum Koeffizient vun der Bestëmmung (R2).Gutt Resultater goufen mat EBK SVMR a kombinéiert Elementer (CaKMg) mat niddereg RMSE an MAE Feeler mat enger Genauegkeet vun 63,7 kritt. am Etude Beräich kann d'Predictioun vun Ni am Buedem verbesseren.Dat heescht, datt d'kontinuéierlech Uwendung vun Néckel-baséiert Dünger an industriell Pollutioun vum Buedem vun der Stolindustrie huet eng Tendenz d'Konzentratioun vun Néckel am Buedem ze Erhéijung.Dës Etude huet gewisen, datt den EBK Modell kann den Niveau vun Feeler reduzéieren an d'Genauegkeet vun de Modell vun Buedem raumen- eben an allgemeng e MR-Modell ze verbesseren. bewäerten a virauszesoen PTE am Buedem;Zousätzlech, proposéiere mir EBK ze hybridize mat verschiddene Maschinn Léieren algorithms.Ni Konzentratioune goufen virausgesot Elementer als covariates benotzt;awer, méi covariates benotzt géif d'Leeschtungsfähegkeet vum Modell vill verbesseren, déi eng Limitatioun vun der aktueller Aarbecht considéréiert ginn kann. Eng aner Limitatioun vun dëser Etude ass, datt d'Zuel vun Datesätz 115. Dofir, wann méi Donnéeën gëtt, kann d'Performance vun der proposéiert optimiséiert Hybridization Method verbessert ginn.
PlantProbs.net.Nickel a Planzen a Buedem https://plantprobs.net/plant/nutrientImbalances/sodium.html (Zougänglech 28. Abrëll 2021).
Kasprzak, KS Nickel advances in modern environment toxicology.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: A review of its Sources and Environmental toxicology.Polnesch J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Pollutant Input vun der Atmosphär an Akkumulation am Buedem a Vegetatioun bei enger Néckel-Kupfer Schmelz zu Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Schwéiermetaller am Buedem, Planzen a Risiken, déi mat weidege Rumeuren bei der Selebi-Phikwe Kupfer-Néckel-Mine zu Botswana verbonne sinn.
Cabata-Pendias.Kabata-Pendias A. 2011. Trace Elements in Soil and… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+plants.2and+y %3A+CRC+Press&btnG= (Zougänglech 24. Nov 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effekter vun der russescher Nickelindustrie op Schwéiermetallkonzentratioune bei landwirtschaftleche Buedem a Gras zu Soer-Varanger, Norwegen.agris.fao.org.
Nielsen, GD et al. Nickel Absorptioun a Retention am Drénkwaasser si mat der Nahrungsaufnahme an der Nickelempfindlechkeet verbonnen.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickelkarzinogenese, Mutatioun, Epigenetik oder Selektioun.Ëmgéigend.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Trend analysis of potentially toxic elements: a bibliometric review.Environmental Geochemistry and Health.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301-311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2Cpage=Abrëll+Press%2C+April+Press%2C 021).


Post Zäit: Jul-22-2022