Paldies, ka apmeklējāt vietni Nature.com.Jūsu izmantotajai pārlūkprogrammas versijai ir ierobežots CSS atbalsts.Lai nodrošinātu vislabāko pieredzi, iesakām izmantot atjauninātu pārlūkprogrammu (vai izslēgt saderības režīmu pārlūkprogrammā Internet Explorer). Tikmēr, lai nodrošinātu nepārtrauktu atbalstu, vietne tiks rādīta bez stiliem un JavaScript.
Augsnes piesārņojums ir liela problēma, ko izraisa cilvēka darbība.Potenciāli toksisko elementu (PTE) telpiskais sadalījums lielākajā daļā pilsētu un piepilsētu teritoriju ir atšķirīgs.Tādēļ ir grūti telpiski prognozēt PTE saturu šādās augsnēs.Kopā no Frydek Mistek Čehijā tika iegūti 115 paraugi.Kalcija (MgK) un magnija koncentrācija tika noteikta, izmantojot magnija (MgK) induktīvi saistītās plazmas emisijas spektrometrija.Atbildes mainīgais ir Ni, un prognozētāji ir Ca, Mg un K.Korelācijas matrica starp atbildes mainīgo un prognozēšanas mainīgo parāda apmierinošu korelāciju starp elementiem.Prognožu rezultāti parādīja, ka atbalsta vektora mašīnas regresija (SVMR) darbojās labi, lai gan tā aptuvenā vērtība ir 4 (mg vidējā kļūda (RM6)7 un absolūtā vidējā kvadrātiskā kļūda (RM6)7. 946 mg/kg) bija augstāki nekā citas pielietotās metodes.Jauktie modeļi empīriskajai Bajesa kriginga-vairāku lineāro regresiju (EBK-MLR) darbojas slikti, par ko liecina determinācijas koeficienti, kas mazāki par 0,1.Empīriskā Bajesa Kriginga-atbalsta vektora mašīnas regresijas (EBK-SVMR) modelis.7.7 labākais9SE modelis, ar 5 kg. 68 mg/kg) vērtības un augsts determinācijas koeficients (R2 = 0,637). EBK-SVMR modelēšanas tehnikas izvade tiek vizualizēta, izmantojot pašorganizējošu karti. CakMg-EBK-SVMR komponenta hibrīdmodeļa plaknē sagrupētie neironi parāda vairākus krāsu modeļus, kas paredz Ni koncentrācijas prognozēšanu pilsētas un piepilsētas augsnēs. aizliegt augsnes.
Niķelis (Ni) tiek uzskatīts par augu mikroelementu, jo tas veicina slāpekļa fiksāciju atmosfērā (N) un urīnvielas vielmaiņu, kas abi ir nepieciešami sēklu dīgšanai. Papildus sēklu dīgtspējai Ni var darboties kā sēnīšu un baktēriju inhibitors un veicināt augu attīstību. Niķeļa trūkums augsnē ļauj augam to absorbēt, piemēram, zaļo zirņu un hlorozes uzsūkšanos. mēslošanas līdzekļi slāpekļa piesaistes optimizēšanai2.Turpināta niķeļa mēslošanas līdzekļu izmantošana, lai bagātinātu augsni un palielinātu pākšaugu spēju piesaistīt slāpekli augsnē, nepārtraukti palielina niķeļa koncentrāciju augsnē. Lai gan niķelis ir mikroelements augiem, tā pārmērīga pH lietošana var nodarīt vairāk kaitējuma augsnei, nekā paaugstina augsnes labumu. ke no dzelzs kā būtiska barības viela augu augšanai1.Saskaņā ar Liu3 ir konstatēts, ka Ni ir 17. svarīgais elements, kas nepieciešams augu attīstībai un augšanai. Papildus niķeļa lomai augu attīstībā un augšanā, cilvēkiem tas ir nepieciešams dažādiem lietojumiem. Galvanizācijai, niķeļa sakausējumu ražošanai un dažāda veida rūpniecisko aizdedzes ierīču ražošanai, automobiļu rūpniecībā ir nepieciešamas aizdedzes ierīces un dzirksteļdegvielas ražošana. niķeļa sakausējumi un galvanizēti izstrādājumi ir plaši izmantoti virtuves piederumos, balles piederumos, pārtikas rūpniecības piederumos, elektrības, vadu un kabeļu, strūklas turbīnās, ķirurģiskajos implantos, tekstilizstrādājumos un kuģu būvē.5. Ni-bagāts augsnēs (ti, virszemes augsnēs) ir attiecināts gan uz antropogēniem, gan uz dabīgiem niķeļa avotiem, bet drīzāk4, nevis uz antropogēniem niķeļa avotiem. kanāla izvirdumi, veģetācija, mežu ugunsgrēki un ģeoloģiskie procesi;tomēr antropogēnie avoti ietver niķeļa/kadmija baterijas tērauda rūpniecībā, galvanizāciju, loka metināšanu, dīzeļdegvielu un mazutu, kā arī emisijas atmosfērā no ogļu sadedzināšanas un atkritumu un dūņu sadedzināšanas Niķeļa uzkrāšanās7,8.Saskaņā ar Freedman un Hutchinson9 un Manyiwa et al.10, galvenie augsnes virskārtas piesārņojuma avoti tuvākajā un blakus esošajā vidē galvenokārt ir niķeļa-vara kausēšanas iekārtas un raktuves. Augšējā augsnē ap Sadberi niķeļa-vara pārstrādes rūpnīcu Kanādā bija visaugstākais niķeļa piesārņojuma līmenis - 26 000 mg/kg11. Turpretim Norķeļa piesārņojums Krievijā ir izraisījis augstāku augsnes koncentrāciju no niķeļa1 ražošanas. saskaņā ar Alms et al.12, HNO3 ekstrahējamā niķeļa daudzums reģiona aramzemē (niķeļa ražošana Krievijā) bija robežās no 6,25 līdz 136,88 mg/kg, kas atbilst vidēji 30,43 mg/kg un bāzes koncentrācijai 25 mg/kg. Saskaņā ar kabata 11. ražas sezonas var iepludināt vai piesārņot augsni. Niķeļa iespējamā ietekme uz cilvēkiem var izraisīt vēzi mutaģenēzes, hromosomu bojājumu, Z-DNS ģenerēšanas, bloķētas DNS izgriešanas remonta vai epiģenētisku procesu rezultātā.13. Eksperimentos ar dzīvniekiem ir konstatēts, ka niķelis var izraisīt dažādus audzējus, un šāda kompleksa kancerogēna var būt audzējs.
Augsnes piesārņojuma novērtējumi pēdējā laikā ir uzplaukuši, pateicoties daudzām ar veselību saistītām problēmām, ko rada augsnes un augu attiecības, augsnes un augsnes bioloģiskās attiecības, ekoloģiskā degradācija un ietekmes uz vidi novērtējums. Līdz šim potenciāli toksisku elementu (PTE), piemēram, Ni, telpiskā prognozēšana augsnē ir bijusi darbietilpīga un laikietilpīga, izmantojot tradicionālās augsnes prognozēšanas metodes. (PSM).Saskaņā ar Minasny un McBratney16, prognozētā augsnes kartēšana (DSM) ir izrādījusies ievērojama augsnes zinātnes apakšdisciplīna.Lagacherie and McBratney, 2006 definē DSM kā “telpisko augsnes informācijas sistēmu izveidi un piepildīšanu, izmantojot in situ un laboratory augsnes novērojumu un telpiskās novērošanas un spatitney sistēmas”.17 izklāstīts, ka mūsdienu DSM jeb PSM ir visefektīvākais paņēmiens PTE, augsnes tipu un augsnes īpašību telpiskā sadalījuma prognozēšanai vai kartēšanai.Ģeostatistika un mašīnmācīšanās algoritmi (MLA) ir DSM modelēšanas metodes, kas ar datoru palīdzību veido digitalizētas kartes, izmantojot nozīmīgus un minimālus datus.
Deutsch18 un Olea19 ģeostatistiku definē kā "skaitlisku paņēmienu kopumu, kas nodarbojas ar telpisko atribūtu attēlojumu, galvenokārt izmantojot stohastiskos modeļus, piemēram, kā laika rindu analīze raksturo laika datus."Ģeostatistika galvenokārt ietver variogrammu novērtēšanu, kas ļauj kvantitatīvi noteikt un definēt telpisko vērtību atkarības no katras datu kopas20.Gumiaux et al.20 tālāk ilustrē, ka variogrammu novērtēšana ģeostatikā balstās uz trim principiem, tostarp (a) datu korelācijas skalas aprēķināšanu, (b) anizotropijas identificēšanu un aprēķināšanu datu kopu atšķirībās un (c) papildus tam, ka tiek ņemta vērā mērījumu datu raksturīgā kļūda, kas ir atdalīta no lokālajiem aprēķiniem, šie apgabalu jēdzieni ir arī daudzpusīgi aprēķini. Istiku, tostarp vispārējo krigingu, kopkrigingu, parasto krigingu, empīrisko Bajesa krigingu, vienkāršu kriginga metodi un citas labi zināmas interpolācijas metodes, lai kartētu vai prognozētu PTE, augsnes īpašības un augsnes tipus.
Mašīnmācīšanās algoritmi (MLA) ir salīdzinoši jauns paņēmiens, kurā tiek izmantotas lielākas nelineāras datu klases, kuru pamatā ir algoritmi, ko galvenokārt izmanto datu ieguvei, datu modeļu noteikšanai un atkārtoti izmanto klasifikācijai tādās zinātnes jomās kā augsnes zinātne un atgriešanas uzdevumi. Daudzos pētījumos ir izmantoti MLA modeļi, lai prognozētu PTE augsnēs, piemēram, Tan et al.22 (nejauši meži smago metālu novērtēšanai lauksaimniecības augsnēs), Sakizadeh et al.23 (modelēšana, izmantojot atbalsta vektora mašīnas un mākslīgos neironu tīklus) augsnes piesārņojums ).Turklāt Vega et al.24 (CART smago metālu aiztures un adsorbcijas modelēšanai augsnē) Sun et al.25 (kubista pielietojums ir Cd sadalījums augsnē) un citi algoritmi, piemēram, k-tuvākais kaimiņš, vispārinātā pastiprinātā regresija un pastiprinātā regresija. Koki izmantoja arī MLA, lai prognozētu PTE augsnē.
DSM algoritmu pielietošana prognozēšanā vai kartēšanā saskaras ar vairākiem izaicinājumiem.Daudzi autori uzskata, ka MLA ir pārāka par ģeostatistiku un otrādi.Lai gan viens ir labāks par otru, abu kombinācija uzlabo kartēšanas vai prognozēšanas precizitātes līmeni DSM15.Woodcock un Gopal26 Finke27;Ponciuss un Čeuks28 un Grunvalds29 komentē nepilnības un dažas kļūdas prognozētajā augsnes kartēšanā.Augsnes zinātnieki ir izmēģinājuši dažādas metodes, lai optimizētu DSM kartēšanas un prognozēšanas efektivitāti, precizitāti un paredzamību.Nenoteiktības un verifikācijas kombinācija ir viens no daudzajiem dažādajiem aspektiem, kas integrēti DSM, lai optimizētu efektivitāti un samazinātu defektus, A et al.15 izklāstīts, ka validācijas uzvedība un nenoteiktība, ko rada karšu izveide un prognozēšana, ir neatkarīgi jāapstiprina, lai uzlabotu kartes kvalitāti. DSM ierobežojumi ir saistīti ar ģeogrāfiski izkliedētu augsnes kvalitāti, kas ietver nenoteiktības sastāvdaļu;tomēr noteiktības trūkumu DSM var izraisīt vairāki kļūdu avoti, proti, kovariācijas kļūda, modeļa kļūda, atrašanās vietas kļūda un analītiskā kļūda. 31. MLA un ģeostatistikas procesos izraisītās modelēšanas neprecizitātes ir saistītas ar izpratnes trūkumu, kas galu galā noved pie reālā procesa pārmērīgas vienkāršošanas32. Neatkarīgi no modelēšanas parametru rakstura var būt saistīta ar modelēšanas parametriem. joni, jeb interpolācija33.Pēdējā laikā ir parādījusies jauna DSM tendence, kas veicina ģeostatistikas un MLA integrāciju kartēšanā un prognozēšanā.Vairāki augsnes zinātnieki un autori, piemēram, Sergeev et al.34;Subbotina et al.35;Tarasovs et al.36 un Tarasovs et al.37 ir izmantojuši precīzu ģeostatistikas un mašīnmācīšanās kvalitāti, lai radītu hibrīdus modeļus, kas uzlabo prognozēšanas un kartēšanas efektivitāti.kvalitāte.Daži no šiem hibrīdajiem vai kombinētajiem algoritmu modeļiem ir mākslīgā neironu tīkla krišana (ANN-RK), daudzslāņu perceptronu atlikušā krišana (MLP-RK), ģeneralizētā regresijas neironu tīkla atlikušā krišana (GR- NNRK)36, mākslīgā neironu tīkla kriging-daudzslāņu perceptrons (ANN-K-MLP)37 un regression8 process.
Pēc Sergeev et al. domām, dažādu modelēšanas metožu apvienošana var novērst defektus un palielināt iegūtā hibrīda modeļa efektivitāti, nevis izstrādāt tā vienu modeli. Šajā kontekstā šajā jaunajā rakstā ir apgalvots, ka ir nepieciešams piemērot kombinētu ģeostatistikas un MLA algoritmu, lai izveidotu optimālus hibrīdmodeļus, lai prognozētu Ni bagātināšanos pilsētās un piepilsētas teritorijās, jo vektoru bāzes un piepilsētas teritorijās tiks prognozēts Ni bagātināšanas modelis. Mašīnas (SVM) un vairāku lineārās regresijas (MLR) modeļi. EBK hibridizācija ar jebkuru MLA nav zināma. Redzētie vairāki jauktie modeļi ir parastās, atlikuma, regresijas kriginga kombinācijas, un MLA.EBK ir ģeostatistikas interpolācijas metode, kas izmanto telpiski stohastisku procesu, kas ir lokalizēts kā definēts variācijas lauks, kas nav stacionārs. .EBK ir izmantots dažādos pētījumos, tostarp analizējot organiskā oglekļa sadalījumu lauksaimniecības augsnēs40, novērtējot augsnes piesārņojumu41 un kartējot augsnes īpašības42.
No otras puses, Self-Organizing Graph (SeOM) ir mācīšanās algoritms, kas ir izmantots dažādos rakstos, piemēram, Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 un Kebonye et al.46 Noteikt telpiskos atribūtus un elementu grupējumu.Wang et al.44 izklāstīts, ka SeOM ir jaudīgs mācīšanās paņēmiens, kas pazīstams ar spēju grupēt un iztēloties nelineāras problēmas.Atšķirībā no citām modeļu atpazīšanas metodēm, piemēram, galveno komponentu analīzes, neskaidras klasterizācijas, hierarhiskas klasterizācijas un vairāku kritēriju lēmumu pieņemšanas, SeOM spēj labāk organizēt un identificēt PTE modeļus.Saskaņā ar Wang et al.44, SeOM var telpiski grupēt saistīto neironu sadalījumu un nodrošināt augstas izšķirtspējas datu vizualizāciju.SeOM vizualizēs Ni prognozēšanas datus, lai iegūtu labāko modeli, lai raksturotu rezultātus tiešai interpretācijai.
Šī raksta mērķis ir izveidot stabilu kartēšanas modeli ar optimālu precizitāti, lai prognozētu niķeļa saturu pilsētu un piepilsētu augsnēs. Mēs izvirzām hipotēzi, ka jauktā modeļa uzticamība galvenokārt ir atkarīga no citu modeļu ietekmes, kas pievienoti bāzes modelim. Mēs atzīstam problēmas, ar kurām saskaras DSM, un, lai gan šīs problēmas tiek risinātas vairākās jomās, modeļu sasniegumi un ģeostamenta attīstība šķiet nozīmīgi.tāpēc mēs mēģināsim atbildēt uz pētījuma jautājumiem, kas var radīt jauktus modeļus. Tomēr, cik precīzs ir modelis mērķa elementa prognozēšanai? Kā arī, kāds ir efektivitātes novērtējuma līmenis, pamatojoties uz validāciju un precizitātes novērtējumu? Tāpēc šī pētījuma konkrētie mērķi bija (a) izveidot kombinētā maisījuma modeli SVMR vai MLR, izmantojot EBK kā bāzes modeli, (b) salīdzināt pilsētas koncentrāciju modeļus (b) salīdzināt rezultātus vai piedāvāt labākos pilsētas koncentrācijas modeļus. s , un (d) SeOM pielietojums, lai izveidotu augstas izšķirtspējas niķeļa telpisko variāciju karti.
Pētījums tiek veikts Čehijas Republikā, konkrēti Frydek Mistek rajonā Morāvijas-Silēzijas reģionā (sk. 1. attēlu). Pētījuma apgabala ģeogrāfija ir ļoti nelīdzena un lielākoties ir daļa no Morāvijas-Silēzijas Beskidu reģiona, kas ir daļa no Karpatu kalnu ārējās malas. Pētījuma apgabals atrodas no 41°201′041′08. ′ A, un augstums ir no 225 līdz 327 m;tomēr Koppenas reģiona klimatiskā stāvokļa klasifikācijas sistēma ir novērtēta kā Cfb = mērens okeāna klimats. Pat sausos mēnešos ir daudz nokrišņu. Gada laikā temperatūra nedaudz svārstās no –5 °C līdz 24 °C, reti noslīd zem –14 °C vai augstāka par 30 °C, savukārt vidējā gada nokrišņu platība ir no 5 6 mm4 līdz 7 apsekojuma platībai4. 1208 kvadrātkilometri, ar 39,38% no apstrādātās zemes un 49,36% no meža seguma. No otras puses, šajā pētījumā izmantotā platība ir aptuveni 889,8 kvadrātkilometri. Ostravā un tās apkaimē tērauda rūpniecība un metālapstrādes rūpniecība ir ļoti aktīva. Metāla rūpnīcas, tērauda rūpniecība, kur niķeli izmanto nerūsējošajā tēraudā (piemēram, nerūsējošā tērauda pretestības palielināšanai) sakausējuma stiprums, vienlaikus saglabājot tā labo elastību un stingrību), un intensīva lauksaimniecība, piemēram, fosfātu mēslojuma izmantošana un lopkopība, ir potenciālie niķeļa avoti reģionā (piemēram, niķeļa pievienošana jēriem, lai palielinātu jēru un mazbarotu liellopu augšanas ātrumu, niķeļa izmantošana, tostarp niķeļa elektriska izmantošana pētniecībā un elektriskajā pārklājumā). Augsnes īpašības ir viegli atšķiramas no augsnes krāsas, struktūras un karbonātu satura.Augsnes tekstūra ir vidēja līdz smalka, iegūta no pamatmateriāla.Tām ir koluviāls, sanesu vai eolisks raksturs. Dažas augsnes platības virsmā un apakšaugsnē ir raibas, bieži vien ar betonu un balināšanu.Tomēr kambīzoli un stagnācijas veidi reģionā ir visizplatītākie. 493,5 m, Čehijā dominē cambisols49.
Pētījuma apgabala karte [Pētīšanas apgabala karte tika izveidota, izmantojot ArcGIS Desktop (ESRI, Inc, versija 10.7, URL: https://desktop.arcgis.com).]
Kopā tika iegūti 115 augsnes virskārtas paraugi no pilsētu un piepilsētu augsnēm Frydek Mistek rajonā. Izmantotais parauga modelis bija regulārs režģis ar augsnes paraugiem, kas bija izvietoti 2 × 2 km attālumā viens no otra, un augsnes virskārta tika mērīta 0 līdz 20 cm dziļumā, izmantojot rokas GPS ierīci (Leica Zeno ir 5 paraugi. s tika žāvēti gaisā, lai iegūtu pulverizētus paraugus, pulverizē ar mehānisku sistēmu (Fritsch disku dzirnavām) un sijā (sieta izmērs 2 mm). Ievietojiet 1 gramu žāvētu, homogenizētu un izsijātu augsnes paraugu skaidri marķētās teflona pudelēs. Katrā teflona traukā ļaujiet katram paraugam viegli izlaist 7 ml 35% HCl un automātiski izsmidzināt vienu H6 un 3 ml NO3. s nostāvēt nakti reakcijai (aqua regia programma). Novietojiet supernatantu uz karstas metāla plāksnes (temperatūra: 100 W un 160 °C) uz 2 stundām, lai atvieglotu paraugu sagremošanas procesu, pēc tam atdzesējiet. Pārnesiet supernatantu 50 ml mērkolbā un atšķaidiet līdz 50 ml ūdens atšķaidīšanas mēģenē, kas atšķaidīta ar ūdeni. jonizēts ūdens.Papildus 1 ml atšķaidīšanas šķīduma tika atšķaidīts ar 9 ml dejonizēta ūdens un filtrēts 12 ml mēģenē, kas sagatavota PTE pseidokoncentrācijai. PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) koncentrācijas tika noteiktas ar EPL Speciāliskotiskā Induktivitāte rmo Fisher Scientific, ASV) saskaņā ar standarta metodēm un vienošanos.Nodrošināt kvalitātes nodrošināšanas un kontroles (QA/QC) procedūras (SRM NIST 2711a Montana II Soil).PTE, kuru noteikšanas robeža ir mazāka par pusi, tika izslēgti no šī pētījuma.Šajā pētījumā izmantotā PTE noteikšanas robeža bija 0,0004.(jūs).Turklāt nodrošina kvalitātes kontroli un analīzi, kā arī kvalitātes standartu. ka kļūdas tika samazinātas līdz minimumam, tika veikta dubulta analīze.
Empīriskā Bajesa kriginga (EBK) ir viena no daudzajām ģeostatistikas interpolācijas metodēm, ko izmanto modelēšanā dažādās jomās, piemēram, augsnes zinātnē. Atšķirībā no citām kriginga interpolācijas metodēm, EBK atšķiras no tradicionālajām kriginga metodēm, ņemot vērā kļūdu, kas novērtēta, izmantojot semivariogrammas modeli. EBK interpolācijā vairāki pusvariogrammas modeļi tiek aprēķināti, lai veiktu interpolācijas metodi. un programmēšana, kas saistīta ar šo semivariogrammas diagrammu, kas veido ļoti sarežģītu pietiekamas kriginga metodes daļu. EBK interpolācijas process atbilst trim Krivoruchko piedāvātajiem kritērijiem50, (a) modelis novērtē semivariogrammu no ievades datu kopas (b) jaunā paredzamā vērtība katrai ievades datu kopas atrašanās vietai, pamatojoties uz ģenerēto pusvariogrammu A un modeļa galīgo datu kopu. dota kā aizmugure
Kur \(Prob\left(A\right)\) apzīmē prioritāti, \(Prob\left(B\right)\) marginālā varbūtība vairumā gadījumu tiek ignorēta, \(Prob (B,A)\ ) . Semivariogrammas aprēķins ir balstīts uz Beijesa kārtulu, kas parāda novērojumu datu kopu tieksmi, kuras var izveidot no Bayes stāvokļa, kā tad var izveidot no pusvariogrammas, kā to var izveidot no pusvariogrammas. tas ir izveidot novērojumu datu kopu no semivariogrammas.
Atbalsta vektora mašīna ir mašīnmācīšanās algoritms, kas ģenerē optimālu atdalīšanas hiperplakni, lai atšķirtu identiskas, bet ne lineāri neatkarīgas klases. Vapnik51 izveidoja nolūku klasifikācijas algoritmu, taču nesen tas tika izmantots uz regresiju orientētu problēmu risināšanai. Saskaņā ar Li et al.52, SVM ir viens no labākajiem klasifikatora komponentiem, kas tiek izmantoti dažādās vektoru portēšanas paņēmienos (S Vectorup jomās. ion – SVMR) tika izmantots šajā analīzē.Cherkassky un ​​Mulier53 ieviesa SVMR kā kodolu balstītu regresiju, kuras aprēķins tika veikts, izmantojot lineārās regresijas modeli ar daudzvalstu telpiskām funkcijām. John et al54 ziņo, ka SVMR modelēšana izmanto hiperplānas lineāro spaidisko attiecību funkciju, kas ļauj izveidot un veidot Voccordinācijas funkcijas.55, epsilon (ε)-SVMR izmanto apmācīto datu kopu, lai iegūtu reprezentācijas modeli kā pret epsilonu nejutīgu funkciju, kas tiek lietota datu kartēšanai neatkarīgi ar vislabāko epsilona novirzi no korelēto datu apmācības. Iepriekš iestatītā attāluma kļūda tiek ignorēta no faktiskās vērtības, un, ja kļūda ir lielāka par ε(ε), tad arī tiek samazināta plašā apmācības modeļa apakškopa. tors.Vapnik51 piedāvātais vienādojums ir parādīts zemāk.
kur b apzīmē skalāro slieksni, \(K\left({x}_{,}{ x}_{k}\right)\) apzīmē kodola funkciju, \(\alpha\) apzīmē Lagranža reizinātāju, N apzīmē skaitlisku datu kopu, \({x}_{k}\) apzīmē datu ievadi, un MR ir dati, kas ir izvadītā operācija\(y\O). Gausa radiālās bāzes funkcija (RBF). RBF kodols tiek izmantots, lai noteiktu optimālo SVMR modeli, kas ir ļoti svarīgi, lai iegūtu vissmalkāko soda kopas koeficientu C un kodola parametru gamma (γ) PTE apmācības datiem. Pirmkārt, mēs novērtējām apmācības kopu un pēc tam pārbaudījām modeļa veiktspēju validācijas kopā. Izmantotais stūrēšanas parametrs ir vērtībaRigma.vm metode value sigalma.
Daudzkārtējs lineārās regresijas modelis (MLR) ir regresijas modelis, kas atspoguļo attiecības starp atbildes mainīgo un vairākiem prognozēšanas mainīgajiem, izmantojot lineārus apvienotus parametrus, kas aprēķināti, izmantojot mazāko kvadrātu metodi. MLR mazāko kvadrātu modelis ir augsnes īpašību paredzamā funkcija pēc skaidrojošo mainīgo atlases. Ir jāizmanto atbilde, lai izveidotu lineāru attiecību ar mainīgo, izmantojot mainīgo, izmantojot lineāro PTE. mainīgie.MLR vienādojums ir
kur y ir atbildes mainīgais, \(a\) ir nogrieznis, n ir prognozētāju skaits, \({b}_{1}\) ir koeficientu daļēja regresija, \({x}_{ i}\) apzīmē prognozētāju vai skaidrojošo mainīgo, un \({\varepsilon }_{i}\) apzīmē arī kļūdu modelī.
Jauktie modeļi tika iegūti, savienojot EBK ar SVMR un MLR. Tas tiek darīts, iegūstot prognozētās vērtības no EBK interpolācijas. Prognozētās vērtības, kas iegūtas no interpolētajiem Ca, K un Mg, tiek iegūtas kombinatoriskā procesā, lai iegūtu jaunus mainīgos lielumus, piemēram, CaK, CaMg un KMg. Elementi pēc tam tiek kombinēti ar mainīgo Ca, K un CaM, visi iegūstami O, M un a K. ir Ca, K, Mg, CaK, CaMg, KMg un CaKMg.Šie mainīgie kļuva par mūsu prognozētājiem, palīdzot prognozēt niķeļa koncentrāciju pilsētu un piepilsētu augsnēs. SVMR algoritms tika veikts prognozētājiem, lai iegūtu jauktu modeli Empīriskā Bajesa Kriginga-Support Vector Machine (EBK_SVM). ian Kriging-Multiple Linear Regression (EBK_MLR).Parasti mainīgie Ca, K, Mg, CaK, CaMg, KMg un CaKMg tiek izmantoti kā kovariatori kā Ni satura prognozētāji pilsētu un piepilsētu augsnēs. Vispieņemamākais iegūtais modelis (EBK_SVM vai EBK_MLR parādīts, izmantojot šo pētījumu), ir self-flow2.
SeOM izmantošana ir kļuvusi par populāru rīku datu organizēšanai, novērtēšanai un prognozēšanai finanšu sektorā, veselības aprūpē, rūpniecībā, statistikā, augsnes zinātnē un citās jomās. SeOM ir izveidota, izmantojot mākslīgos neironu tīklus un neuzraudzītas mācību metodes organizēšanai, novērtēšanai un prognozēšanai. Šajā pētījumā SeOM tika izmantots, lai vizualizētu Ni koncentrācijas, pamatojoties uz labāko modeli Ni prognozēšanai pilsētās un apkārtnē. vektoru mainīgie43,56.Melssen et al.57 apraksta ievades vektora pievienošanu neironu tīklam caur vienu ievades slāni ar izejas vektoru ar vienu svara vektoru.SeOM ģenerētā izvade ir divdimensiju karte, kas sastāv no dažādiem neironiem vai mezgliem, kas ieausti sešstūra, apļveida vai kvadrātveida topoloģiskās kartēs atbilstoši to tuvumam. Salīdzinot kartes izmērus ar metrisko kļūdu (E, Q error) un setric error 0. Atlasīts attiecīgi 086 un 0,904, kas ir 55 karšu vienība (5 × 11). Neironu struktūru nosaka pēc mezglu skaita empīriskajā vienādojumā.
Šajā pētījumā izmantoto datu skaits ir 115 paraugi. Tika izmantota nejauša pieeja, lai datus sadalītu testa datos (25% validācijai) un apmācības datu kopās (75% kalibrēšanai). Apmācības datu kopa tiek izmantota, lai ģenerētu regresijas modeli (kalibrēšana), un testa datu kopa tiek izmantota, lai pārbaudītu vispārināšanas spēju58.Tas tika darīts, lai novērtētu dažādu modeļu piemērotību augsnes saturam. -validācijas process, atkārtots piecas reizes. EBK interpolācijas radītie mainīgie tiek izmantoti kā prognozētāji vai skaidrojošie mainīgie, lai prognozētu mērķa mainīgo (PTE). Modelēšana tiek veikta programmā RStudio, izmantojot pakotnes bibliotēkā (Kohonen), bibliotēkā (caret), bibliotēkā (modelētājs), bibliotēkā (“e1071″), bibliotēkā (“plyr” bibliotēkā),sr.
Lai noteiktu labāko modeli, kas piemērots niķeļa koncentrācijas prognozēšanai augsnē, un novērtētu modeļa precizitāti un tā validāciju, tika izmantoti dažādi validācijas parametri. Hibridizācijas modeļi tika novērtēti, izmantojot vidējo absolūto kļūdu (MAE), vidējo kvadrātisko kļūdu (RMSE) un R kvadrāta jeb koeficienta noteikšanu (R2). R2 definē proporciju dispersiju ar apraksta modeļa neatkarīgo koeficientu RM un variāciju atbildē. modeli, savukārt MAE nosaka faktisko kvantitatīvo vērtību.R2 vērtībai jābūt augstai, lai novērtētu labāko maisījuma modeli, izmantojot validācijas parametrus, jo tuvāk vērtība ir 1, jo augstāka ir precizitāte.Saskaņā ar Li et al.59, R2 kritērija vērtība 0,75 vai lielāka tiek uzskatīta par labu prognozētāju;no 0,5 līdz 0,75 ir pieņemama modeļa veiktspēja, un zem 0,5 ir nepieņemama modeļa veiktspēja. Izvēloties modeli, izmantojot RMSE un MAE validācijas kritēriju novērtēšanas metodes, iegūtās zemākās vērtības bija pietiekamas un tika uzskatītas par labāko izvēli. Tālāk sniegtajā vienādojumā ir aprakstīta verifikācijas metode.
kur n apzīmē novērotās vērtības lielumu\({Y}_{i}\) apzīmē izmērīto reakciju, un \({\widehat{Y}}_{i}\) arī apzīmē paredzamo atbildes vērtību, tāpēc pirmajiem i novērojumiem.
Prognozējošo un atbildes mainīgo statistiskie apraksti ir parādīti 1. tabulā, norādot vidējo, standartnovirzi (SD), variācijas koeficientu (CV), minimumu, maksimumu, kurtozi un šķībumu. Elementu minimālās un maksimālās vērtības ir dilstošā secībā Mg < Ca < K < Ni un Ca < Mg < K < Ni, attiecīgi. Koncentrācijas no 4 parauga laukums līdz 8 diapazons (N i) parauga diapazons. 2,39 mg/kg. Ni salīdzinājums ar pasaules vidējo (29 mg/kg) un Eiropas vidējo rādītāju (37 mg/kg) parādīja, ka kopējais aprēķinātais ģeometriskais vidējais pētījuma apgabalam bija pieļaujamā diapazonā. Tomēr, kā liecina Kabata-Pendias11, vidējās niķeļa (Ni) koncentrācijas salīdzinājums pašreizējā pētījumā liecina, ka pašreizējā pētījumā ir augstāka niķeļa (Ni) koncentrācija lauksaimniecības augsnē. Mistek pilsētas un piepilsētas augsnēs pašreizējā pētījumā (Ni 16,15 mg/kg) bija augstāka par pieļaujamo Ni robežu 60 (10,2 mg/kg) Polijas pilsētu augsnēs, par kurām ziņoja Różański et al. Turklāt Bretzel un Calderisi61 reģistrēja ļoti zemu vidējo Ni koncentrāciju, salīdzinot arī pilsētas augsnē (1,78 mg/kg) ar zemāku Tucanym/kg. niķeļa koncentrācija (12,34 mg/kg) Honkongas pilsētu augsnēs, kas ir zemāka par pašreizējo niķeļa koncentrāciju šajā pētījumā.Birke et al63 ziņoja par vidējo Ni koncentrāciju 17,6 mg/kg vecā kalnrūpniecības un pilsētu rūpniecības zonā Saksijā-Anhaltē, Vācijā, kas bija par 1,45 mg/kg augstāka par vidējo pārmērīgo Ni koncentrāciju augsnē. pētāmās teritorijas burban zonas galvenokārt var attiecināt uz dzelzs un tērauda rūpniecību un metāla rūpniecību. Tas atbilst Khodadoust et al. pētījumam.64, ka tērauda rūpniecība un metālapstrāde ir galvenie niķeļa piesārņojuma avoti augsnēs.Tomēr prognozes bija arī robežās no 538,70 mg/kg līdz 69 161,80 mg/kg attiecībā uz Ca, no 497,51 mg/kg līdz 3535,68 mg/kg attiecībā uz K un no 685 līdz .5 mg/kg Javic/kg . et al.65 pētīja kopējo Mg un K saturu augsnēs Serbijas centrālajā daļā. Viņi atklāja, ka kopējās koncentrācijas (attiecīgi 410 mg/kg un 400 mg/kg) bija zemākas par pašreizējā pētījuma Mg un K koncentrāciju. /kg) un K (810 mg/kg) Saturs augsnes virskārtā ir zemāks par vienu elementu šajā pētījumā. Nesen veikts Pongrac et al. pētījums.67 parādīja, ka kopējais Ca saturs, kas analizēts 3 dažādās augsnēs Skotijā, Apvienotajā Karalistē (Mylnefield augsne, Balruddery augsne un Hartwood augsne), šajā pētījumā norādīja uz augstāku Ca saturu.
Atšķirīgo izmērīto parauga elementu koncentrāciju dēļ elementu datu kopu sadalījumi uzrāda atšķirīgu šķībumu. Elementu šķībums un kurtoze svārstījās attiecīgi no 1,53 līdz 7,24 un 2,49 līdz 54,16. Visiem aprēķinātajiem elementiem ir novirzes un kurtozes līmeņi, kas ir neregulāri un novirzīti virs +1, tādējādi dati ir neregulāri un kurtozes līmeņi virs +1. .Aprēķinātie elementu CV arī parāda, ka K, Mg un Ni ir mērena mainīgums, savukārt Ca ir ārkārtīgi liela mainība. K, Ni un Mg CV izskaidro to vienmērīgo sadalījumu. Turklāt Ca sadalījums ir nevienmērīgs, un ārējie avoti var ietekmēt tā bagātināšanas līmeni.
Prognozējošā mainīgo korelācija ar atbildes elementiem norādīja uz apmierinošu korelāciju starp elementiem (sk. 3. attēlu). Korelācija norādīja, ka CaK uzrādīja mērenu korelāciju ar r vērtību = 0,53, tāpat kā CaNi. Lai gan Ca un K uzrāda nelielas asociācijas savā starpā, pētnieki, piemēram, Kingston et al.68 un Santo69 liecina, ka to līmenis augsnē ir apgriezti proporcionāls.Tomēr Ca un Mg ir antagonistiski pret K, bet CaK korelē labi. Tas var būt saistīts ar tādu mēslošanas līdzekļu izmantošanu kā kālija karbonāts, kas ir par 56% lielāks kālijā. Kālijs bija mēreni korelēts ar magniju, jo šie divi saistītie elementi ir magnija (KM3 r = 0). sulfātu, kālija magnija nitrātu un potašu izmanto augsnēs, lai palielinātu to deficīta līmeni. Niķelis ir mēreni korelēts ar Ca, K un Mg ar r vērtībām attiecīgi = 0,52, 0,63 un 0,55. Attiecības, kas saistītas ar kalciju, magniju un PTE, piemēram, kalciju, magniju un PTE, piemēram, niķeli, samazina gan kalcija, gan kalcija pārpalikumu, bet gan bez kalcija ietekmi samazina. samazināt niķeļa toksisko ietekmi augsnē.
Korelācijas matrica elementiem, kas parāda saistību starp prognozētājiem un atbildēm (Piezīme: šajā attēlā ir ietverta izkliedes diagramma starp elementiem, nozīmīguma līmeņi ir balstīti uz p < 0,001).
4. attēlā parādīts elementu telpiskais sadalījums.Saskaņā ar Burgos et al70, telpiskā sadalījuma pielietošana ir metode, ko izmanto, lai kvantitatīvi noteiktu un izceltu karstos punktus piesārņotajās zonās. Ca bagātināšanas līmeņi 4. attēlā redzami telpiskās izplatības kartes ziemeļrietumu daļā. Attēlā parādīta mērena līdz augsta Ca bagātināšanas karte. dzēstie kaļķi (kalcija oksīds), lai samazinātu augsnes skābumu un to izmantošanu tērauda rūpnīcās kā sārmainu skābekli tērauda ražošanas procesā. No otras puses, citi lauksaimnieki dod priekšroku skābās augsnēs izmantot kalcija hidroksīdu, lai neitralizētu pH, kas arī palielina kalcija saturu augsnē71. Kālijs parāda arī mērenus punktus lauksaimniecības kopienas ziemeļrietumos un ziemeļaustrumos. NPK un potaša lietojumi. Tas atbilst citiem pētījumiem, piemēram, Madaras un Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, kuri novēroja, ka augsnes stabilizēšana un apstrāde ar KCl un NPK izraisīja augstu K saturu augsnē.Telpiskā kālija bagātināšana izplatības kartes ziemeļrietumos var būt saistīta ar uz kāliju balstītu mēslojumu, piemēram, kālija hlorīda, kālija sulfāta, kālija nitrāta, potaša un potaša izmantošanu, lai palielinātu kālija saturu nabadzīgās augsnēs.Zádorová et al.76 un Tlustoš et al.77 izklāstīja, ka K saturošu mēslojumu izmantošana palielina K saturu augsnē un ilgtermiņā būtiski palielinātu augsnes barības vielu saturu, īpaši K un Mg, parādot karsto punktu augsnē. Salīdzinoši mēreni karstie punkti kartes ziemeļrietumos un kartes dienvidaustrumos. Koloidālā fiksācija augsnē izraisa dzeltenumu. Tas noārda augsnē magnija koncentrāciju. Mēslošanas līdzekļi, kuru pamatā ir sijs, piemēram, kālija magnija sulfāts, magnija sulfāts un kizerīts, novērš trūkumus (augi izskatās purpursarkani, sarkani vai brūni, kas norāda uz magnija trūkumu) augsnēs ar normālu pH diapazonu6. Niķeļa uzkrāšanās uz pilsētu un piepilsētu augsnes virsmām var būt saistīta ar tādu antropogēno tēraudu ražošanu kā antropogēnajām darbībām8.
Elementu telpiskais sadalījums [telpiskā izplatības karte tika izveidota, izmantojot ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com).]
Šajā pētījumā izmantoto elementu modeļa veiktspējas indeksa rezultāti ir parādīti 2. tabulā. No otras puses, Ni RMSE un MAE ir tuvu nullei (0,86 RMSE, -0,08 MAE). No otras puses, gan RMSE, gan MAE K vērtības ir pieņemamas. RMSE un MAE rezultāti bija lielāki attiecībā uz kalciju un magniju. Šīs MAE rezultāti, izmantojot kalciju un magniju, ir lielāki, un RMSE un K MAE rezultāti ir lielāki, un RMSE un K MAE rezultāti ir lielāki. Tika konstatēts, ka EBK, lai prognozētu Ni, ir labāks nekā Džona et al.54 izmantojot sinerģisku krigingu, lai prognozētu S koncentrāciju augsnē, izmantojot tos pašus savāktos datus. Mūsu pētītie EBK rezultāti korelē ar Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 un Džons et al.82, īpaši K un Ni.
Atsevišķu metožu veiktspēja niķeļa satura prognozēšanai pilsētu un piepilsētu augsnēs tika novērtēta, izmantojot modeļu veiktspēju (3. tabula).Modeļa validācija un precizitātes novērtējums apstiprināja, ka Ca_Mg_K prognozētājs apvienojumā ar EBK SVMR modeli sniedza vislabāko veiktspēju.Kalibrācijas modelis Ca_Mg_K-EBK_SVMR modelis bija absolūtā kļūda R2, RMA. 6 E kvadrātveida kļūda R2, RMA. 95,479 mg/kg (RMSE) un 77,368 mg/kg (MAE) Ca_Mg_K-SVMR bija 0,663 (R2), 235,974 mg/kg (RMSE) un 166,946 mg/kg (MAE). Neraugoties uz to, tika iegūtas labas R2 vērtības Ca_Mg_Mg. SVMR (0,643 = R2);to RMSE un MAE rezultāti bija augstāki nekā Ca_Mg_K-EBK_SVMR (R2 0,637) (sk. 3. tabulu). Turklāt Ca_Mg-EBK_SVMR (RMSE = 1664,64 un MAE = 1031,49) modeļa RMSE un MAE (RMSE = 1664,64 un MAE = 1031,49) ir attiecīgi 17,4 M, un attiecīgi Ca-13,5 M K. _SVMR.Tāpat Ca_Mg-K SVMR (RMSE = 235,974 un MAE = 166,946) modeļa RMSE un MAE ir par 2,5 un 2,2 lielāki nekā attiecīgi Ca_Mg_K-EBK_SVMR RMSE un MAE. Aprēķinātā RMSE datu kopa vislabāk atbilst. Saskaņā ar Kebonye et al.46 un Džons et al.54, jo tuvāk RMSE un MAE ir nullei, jo labāki rezultāti. SVMR un EBK_SVMR ir augstākas kvantētās RSME un MAE vērtības. Tika novērots, ka RSME aplēses konsekventi bija augstākas par MAE vērtībām, kas norāda uz novirzēm. Saskaņā ar Legates un McCabe83, absolūtās kļūdas rādītājs (RMSE) pārsniedz ieteicamo vidējo rādītāju. ers.Tas nozīmē, ka jo neviendabīgāka ir datu kopa, jo augstākas ir MAE un RMSE vērtības.Ca_Mg_K-EBK_SVMR jauktā modeļa krusteniskās validācijas novērtējuma precizitāte Ni satura prognozēšanai pilsētu un piepilsētu augsnēs bija 63,70%.Saskaņā ar Li et al.59, šis precizitātes līmenis ir pieņemams modeļa veiktspējas rādītājs. Pašreizējie rezultāti ir salīdzināti ar iepriekšējo Tarasova et al. pētījumu.36, kura hibrīdmodelis radīja MLPRK (daudzslāņu perceptronu atlikušo krišanu), kas saistīts ar EBK_SVMR precizitātes novērtējuma indeksu, par kuru ziņots pašreizējā pētījumā, RMSE (210) un MAE (167,5) bija augstāki nekā mūsu rezultāti pašreizējā pētījumā (RMSE 95.479, MAE 77.368). ov et al.36 (0,544), ir skaidrs, ka determinācijas koeficients (R2) ir augstāks šajā jauktajā modelī.Kļūdas robeža (RMSE un MAE) (EBK SVMR) jauktajam modelim ir divas reizes mazāka.Tāpat Sergeev et al.34 reģistrēja 0,28 (R2) izstrādātajam hibrīda modelim (Daudzslāņu perceptrons), savukārt R0.3 Residual (The Kriging Perceptron Pētījumā). šī modeļa uracy līmenis (EBK SVMR) ir 63,7%, savukārt prognozēšanas precizitāte, ko ieguva Sergeev et al.34 ir 28%.Galīgā karte (5. att.), kas izveidota, izmantojot EBK_SVMR modeli un Ca_Mg_K kā prognozētāju, parāda karsto punktu un vidēji līdz niķeļa prognozes visā pētījuma apgabalā.Tas nozīmē, ka niķeļa koncentrācija pētāmajā apgabalā galvenokārt ir mērena, ar augstāku koncentrāciju dažos specifiskos apgabalos.
Galīgā prognožu karte ir attēlota, izmantojot hibrīda modeli EBK_SVMR un izmantojot Ca_Mg_K kā prognozētāju.[Telpiskā sadalījuma karte tika izveidota, izmantojot RStudio (versija 1.4.1717: https://www.rstudio.com/).]
6. attēlā ir parādītas PTE koncentrācijas kā kompozīcijas plakne, kas sastāv no atsevišķiem neironiem. Nevienai no komponentu plaknēm nebija tāds pats krāsu raksts, kā parādīts attēlā. Tomēr atbilstošais neironu skaits vienā uzzīmētajā kartē ir 55. SeOM tiek ražots, izmantojot dažādas krāsas, un jo līdzīgāki krāsu raksti, jo vairāk salīdzināmas paraugu īpašības, precīzas krāsas un to atsevišķo elementu krāsu skala. raksti atsevišķiem augstiem neironiem un lielākajai daļai zemo neironu. Tādējādi CaK un CaMg ir dažas līdzības ar ļoti augstas pakāpes neironiem un zemas vai vidēji smagas krāsas modeļiem. Abi modeļi paredz Ni koncentrāciju augsnē, parādot vidējas vai augstas krāsas nokrāsas, piemēram, sarkanu, oranžu un dzeltenu. KMg modelis parāda daudzus augstas krāsu skalas modeļus un zemas līdz precīzas krāsu sadalījuma plānus, pamatojoties uz zemu un vidēju precīzu krāsu sadalījumu. modeļa komponentu modelis uzrādīja augstu krāsu zīmējumu, kas norāda uz iespējamo niķeļa koncentrāciju augsnē (sk. 4. attēlu). CakMg modeļa komponentu plakne parāda daudzveidīgu krāsu modeli no zemas līdz augstai atbilstoši precīzai krāsu skalai. Turklāt modeļa prognoze par niķeļa saturu (CakMg) ir līdzīga niķeļa telpiskajam sadalījumam, kas parādīts niķeļa koncentrācijā pilsētā, augstajā vidē un 5. attēlā. -pilsētu augsnes. 7.attēls attēlo kontūru metodi k-vidējo grupējumā kartē, kas sadalīta trīs klasteros, pamatojoties uz prognozēto vērtību katrā modelī.Kontūras metode atspoguļo optimālo klasteru skaitu.No 115 savāktajiem augsnes paraugiem 1.kategorija ieguva visvairāk augsnes paraugu, 74.Klastera paraugi saņēma 2, savukārt clusters plans paraugi saņēma 2 vai 8com. kombinācija tika vienkāršota, lai nodrošinātu pareizu klasteru interpretāciju. Sakarā ar daudzajiem antropogēnajiem un dabiskajiem procesiem, kas ietekmē augsnes veidošanos, ir grūti pareizi diferencēt klasteru modeļus izplatītajā SeOM kartē78.
Komponentu plaknes izvade no katra Empīriskā Bajesa Kriging atbalsta vektora mašīnas (EBK_SVM_SeOM) mainīgā [SeOM kartes tika izveidotas, izmantojot RStudio (versija 1.4.1717: https://www.rstudio.com/).]
Dažādi klasteru klasifikācijas komponenti [SeOM kartes tika izveidotas, izmantojot RStudio (versija 1.4.1717: https://www.rstudio.com/).]
Pašreizējais pētījums skaidri ilustrē modelēšanas metodes niķeļa koncentrācijai pilsētu un piepilsētu augsnēs.Pētījumā tika pārbaudītas dažādas modelēšanas metodes, apvienojot elementus ar modelēšanas metodēm, lai iegūtu vislabāko veidu, kā prognozēt niķeļa koncentrāciju augsnē. Modelēšanas tehnikas SeOM kompozīcijas plakanās telpiskās iezīmes uzrādīja augstu krāsu modeli no zemas līdz augstai precīzā niķeļa koncentrāciju kartē, kas apstiprina precīzas niķeļa koncentrācijas skalas. EBK_SVMR uzrādītais komponentu sadalījums (sk. 5. attēlu). Rezultāti liecina, ka atbalsta vektora mašīnas regresijas modelis (Ca Mg K-SVMR) prognozē Ni koncentrāciju augsnē kā vienotu modeli, bet validācijas un precizitātes novērtēšanas parametri uzrāda ļoti lielas kļūdas RMSE un MAE izteiksmē. No otras puses, modelēšanas tehnikai ir izmantota arī zemā deLR vērtība. (R2). Labi rezultāti tika iegūti, izmantojot EBK SVMR un kombinētos elementus (CaKMg) ar zemām RMSE un MAE kļūdām ar precizitāti 63,7%. Izrādās, ka, apvienojot EBK algoritmu ar mašīnmācīšanās algoritmu, var ģenerēt hibrīda algoritmu, kas var prognozēt PTE koncentrāciju pētījuma apgabalā. augsnēs.Tas nozīmē, ka nepārtrauktai niķeļa mēslošanas līdzekļu izmantošanai un rūpnieciskajam augsnes piesārņojumam, ko veic tērauda rūpniecība, ir tendence palielināt niķeļa koncentrāciju augsnē. Šis pētījums atklāja, ka EBK modelis var samazināt kļūdu līmeni un uzlabot augsnes telpiskā sadalījuma modeļa precizitāti pilsētu vai piepilsētu augsnēs. Kopumā mēs piedāvājam augsni prognozēt un pielietot PTE MREBK-Sv;turklāt mēs piedāvājam izmantot EBK, lai hibridizētos ar dažādiem mašīnmācīšanās algoritmiem. Ni koncentrācijas tika prognozētas, izmantojot elementus kā kovariātus;tomēr vairāk kovariantu izmantošana ievērojami uzlabotu modeļa veiktspēju, ko var uzskatīt par pašreizējā darba ierobežojumu.Vēl viens šī pētījuma ierobežojums ir tas, ka datu kopu skaits ir 115.Tāpēc, ja tiek sniegts vairāk datu, piedāvātās optimizētās hibridizācijas metodes veiktspēju var uzlabot.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Piekļūts 2021. gada 28. aprīlī).
Kasprzak, KS Niķelis progresē mūsdienu vides toksikoloģijā.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Pārskats par tā avotiem un vides toksikoloģiju. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Piesārņojošo vielu ieplūde no atmosfēras un uzkrāšanās augsnē un veģetācijā netālu no niķeļa-vara kausēšanas stacijas Sadberijā, Ontario, Kanādā.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Smagie metāli augsnē, augi un riski, kas saistīti ar atgremotāju ganīšanu netālu no Selebi-Phikwe vara-niķeļa raktuvēm Botsvānā.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-x (020128).
Cabata-Pendias.Kabata-Pendias A. 2011. Mikroelementi augsnē un… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+th+tNYs. 29%3A+CRC+Press&btnG= (Piekļuve 2020. gada 24. novembrī).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian Nickel industry on heavy metal productions in production soils and grasss in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Niķeļa uzsūkšanās un aizture dzeramajā ūdenī ir saistīta ar pārtikas uzņemšanu un niķeļa jutību.toksikoloģija.pielietojums.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Niķeļa kanceroģenēze, mutācija, epiģenētika vai atlase.apkārtne.Veselības perspektīva.107, 2 (1999).
Adžmans, dators;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkodijs, VYO;Kobonijs, NM;Potenciāli toksisku elementu tendenču analīze: bibliometriskais pārskats. Vides ģeoķīmija un veselība. 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. Par digitālo augsnes kartēšanu.Ģeoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Ģeostatiskā rezervuāra modelēšana,… — Google Scholar https://scholar.google.com/scholar?hl=lv&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +ns.page+3+Press+s%2C +Oxford+s%2 publicēts 2021. gada 28. aprīlī).