Ви благодариме што ја посетивте Nature.com. Верзијата на прелистувачот што ја користите има ограничена поддршка за CSS. За најдобро искуство, ви препорачуваме да користите ажуриран прелистувач (или да го исклучите режимот на компатибилност во Internet Explorer). Во меѓувреме, за да обезбедиме континуирана поддршка, ќе ја прикажеме страницата без стилови и JavaScript.
Загадувањето на почвата е голем проблем предизвикан од човечките активности. концентрациите беа одредени со користење на индуктивно поврзана емисиона плазма спектрометрија. Променливата на одговорот е Ni, а предикторите се Ca, Mg и K. Матрицата на корелација помеѓу променливата одговор и променливата за предвидување покажува задоволителна корелација помеѓу елементите. Резултатите од предвидувањето покажаа дека Регресијата на векторската машина за поддршка. kg) и средната апсолутна грешка (MAE) (166,946 mg/kg) беа повисоки од другите применети методи. Мешаните модели за емпириска Bayesian Kriging-Multiple Linear Regression (EBK-MLR) имаат слаби перформанси, што е потврдено со коефициенти на определување помали од 0,1. The Empirical Machine-SupRion најдобар модел, со ниски вредности на RMSE (95,479 mg/kg) и MAE (77,368 mg/kg) и висок коефициент на определување (R2 = 0,637). s во урбани и пери-урбани почви. Резултатите покажуваат дека комбинирањето на EBK и SVMR е ефикасна техника за предвидување на концентрациите на Ni во урбаните и пери-урбаните почви.
Никелот (Ni) се смета за микронутриент за растенијата затоа што придонесува за атмосферска фиксација на азот (N) и метаболизмот на уреа, кои се потребни за ртење на семето. Покрај неговиот придонес во ртење на семето, Ni може да дејствува како габичен и бактериски инхибитор и да го промовира развојот на растенијата. примената на ѓубрива на база на никел за оптимизирање на фиксацијата на азот2. Континуираната примена на ѓубрива на база на никел за збогатување на почвата и зголемување на способноста на мешунките да го фиксираат азот во почвата континуирано ја зголемува концентрацијата на никел во почвата. pH вредноста на почвата и го попречува навлегувањето на железото како суштинска хранлива материја за растот на растенијата1. Според Liu3, откриено е дека Ni е 17-тиот важен елемент потребен за развој и раст на растенијата. Покрај улогата на никелот во развојот и растот на растенијата, на луѓето им е потребен за различни примени. За галванизација, производство на никел и за сите уреди за производство на автоматско производство на никел. употреба на никел во различни индустриски сектори.Покрај тоа, легурите на база на никел и галванизираните производи се широко користени во кујнски прибор, додатоци за сала за танцување, материјали за прехранбената индустрија, електрична енергија, жици и кабли, млазни турбини, хируршки импланти, текстил и бродоградба5. природен извор наместо антропоген4,6. Природните извори на никел вклучуваат вулкански ерупции, вегетација, шумски пожари и геолошки процеси;сепак, антропогените извори вклучуваат никел/кадмиумски батерии во челичната индустрија, галванизација, лачно заварување, дизел и мазут и атмосферски емисии од согорување на јаглен и отпад и согорување на тиња Акумулација на никел7,8. Според Freedman и Hutchinsonet9 и.10, главните извори на загадување на горниот слој на почвата во непосредната и соседната средина се главно норвешките топилници и рудници базирани на никел. Според Алмс и сор.12, количината на никел што може да се екстрахира со HNO3 во врвните обработливи површини во регионот (производство на никел во Русија) се движеше од 6,25 до 136,88 mg/kg, што одговара на средна вредност од 30,43 mg/kg и основна концентрација од 25 mg/kg. почвите за време на последователни сезони на култури може да ја наполнат или контаминираат почвата. Потенцијалните ефекти на никелот кај луѓето може да доведат до рак преку мутагенеза, хромозомско оштетување, генерирање на Z-ДНК, блокирана поправка на ексцизија на ДНК или епигенетски процеси13. Во експериментите со животни, откриено е дека никелот има потенцијал да предизвика различни туморски комплексни тумори.
Проценките на загадување на почвата процветаа во последно време, како резултат на широк спектар на здравствени проблеми поврзани со односите со почвата, почвата и биолошките односи на почвата и почвата, еколошката деградација и проценката на влијанието врз животната средина. На датум, просторно предвидување на потенцијално токсични елементи (ПТЕ), како што е НИ во почвата, беше трудоста и времето е со употреба на традиционална метода. Мапирање (ПСМ) .Кординг до Минаси и МекБратни16, предвидливо мапирање на почвата (ДСМ) се покажа како истакната поддисциплина на науката за почвата. Lagacherie и McBratney, 2006 Define DSM како „создавање и полнење на просторни системи на почвата преку употреба на системи и лабораториски набудувачки методи и не-распоред.17 истакнуваат дека современиот DSM или PSM е најефективната техника за предвидување или мапирање на просторната дистрибуција на PTE, типовите на почвите и својствата на почвата. Геостатистика и алгоритми за машинско учење (MLA) се техники за моделирање на DSM кои создаваат дигитализирани карти со помош на компјутери користејќи значајни и минимални податоци.
Deutsch18 и Olea19 ја дефинираат геостатистиката како „збирка на нумерички техники кои се занимаваат со претставување на просторни атрибути, главно користејќи стохастички модели, како на пример како анализата на временските серии ги карактеризира временските податоци“.Првенствено, геостатистиката вклучува евалуација на вариограми, кои овозможуваат квантифицирање и дефинирање на зависностите на просторните вредности од секоја база на податоци20.Gumiaux et al.20 дополнително илустрира дека евалуацијата на вариограмите во геостатистиката се заснова на три принципи, вклучувајќи (а) пресметување на скалата на меѓусебна корелација на податоците, (б) идентификување и пресметување на анизотропија во диспаритетот на податоците и (в) покрај земањето предвид на инхерентната грешка на мерните податоци, многуте техники за градење се одвоени од локалниот концепт, исто така, се издвојуваат ефектите од областа на мерењето. геостатистика, вклучувајќи општ кригинг, ко-кригинг, обичен кригинг, емпириско бајесово кригинг, едноставен метод на кригинг и други добро познати техники на интерполација за мапирање или предвидување на ЈСП, карактеристики на почвата и типови на почва.
Алгоритмите за машинско учење (MLA) се релативно нова техника која користи поголеми нелинеарни класи на податоци, поттикнати од алгоритми кои првенствено се користат за ископување податоци, идентификување на обрасци во податоците и постојано се применуваат за класификација во научни области како што се науката за почвата и задачите за враќање.22 (случајни шуми за проценка на тешки метали во земјоделски почви), Сакизадех и сор.23 (моделирање со помош на векторски машини за поддршка и вештачки невронски мрежи) загадување на почвата ).Покрај тоа, Вега и сор.24 (КОЛИЧКА за моделирање на задржување и адсорпција на тешки метали во почвата) Sun et al.25 (примената на кубист е дистрибуција на Cd во почвата) и други алгоритми како што се k-најблискиот сосед, генерализирана засилена регресија и засилена регресија Дрвјата исто така примениле MLA за предвидување на PTE во почвата.
Примената на DSM алгоритмите во предвидувањето или мапирањето се соочува со неколку предизвици. Многу автори веруваат дека MLA е супериорна во однос на геостатистиката и обратно.Понтиус и Чеук28 и Грунвалд29 коментираат за недостатоците и некои грешки во предвиденото мапирање на почвата. Научниците за почва пробаа различни техники за да ја оптимизираат ефективноста, точноста и предвидливоста на мапирањето и прогнозирањето на DSM.15 наведуваат дека однесувањето на валидацијата и несигурноста воведени со креирањето и предвидувањето на картата треба да бидат независно потврдени за да се подобри квалитетот на картата. Ограничувањата на DSM се должат на географски дисперзираниот квалитет на почвата, што вклучува компонента на несигурност;сепак, недостатокот на сигурност во DSM може да произлезе од повеќе извори на грешка, имено коваријатна грешка, грешка на моделот, грешка во локација и аналитичка грешка 31. Неточностите во моделирањето предизвикани во MLA и геостатистичките процеси се поврзани со недостаток на разбирање, што на крајот доведува до прекумерно поедноставување на природата на нереалноста на моделот. параметри, предвидувања на математички модели или интерполација33. Неодамна, се појави нов тренд на DSM кој ја промовира интеграцијата на геостатистиката и MLA во мапирањето и прогнозирањето. Неколку научници и автори за почва, како што се Сергеев и сор.34;Субботина и сор.35;Тарасов и сор.36 и Тарасов и сор.37 го искористија точниот квалитет на геостатистиката и машинското учење за да генерираат хибридни модели кои ја подобруваат ефикасноста на предвидувањето и мапирањето.квалитет.Некои од овие хибридни или комбинирани алгоритамски модели се вештачка невронска мрежа Кригинг (ANN-RK), Повеќеслоен перцептронски преостанат кригинг (MLP-RK), генерализирана регресивна невронска мрежа преостанат кригинг (GR- NNRK)36, Вештачка невронска мрежа Кригинг-Повеќеслојна перцептрон (ANN-Multilayer Perceptron)
Според Сергеев и соработниците, комбинирањето на различни техники за моделирање има потенцијал да ги елиминира дефектите и да ја зголеми ефикасноста на добиениот хибриден модел наместо да го развива неговиот единствен модел. Во овој контекст, овој нов труд тврди дека е неопходно да се примени комбиниран алгоритам на геостатистика и MLA за да се создадат оптимални хибридни модели во репродуктивните хибридни модели за да се предвидат урбанистички и Ниперииски области. (EBK) како основен модел и измешајте го со моделите за векторска векторска поддршка (SVM) и повеќекратна линеарна регресија (MLR). акционерно/стационарно случајно поле со дефинирани параметри за локализација на теренот, што овозможува просторна варијација39. ЕБК е користен во различни студии, вклучително и анализа на дистрибуцијата на органскиот јаглерод во почвите на фармите40, проценување на загадувањето на почвата41 и мапирање на својствата на почвата42.
Од друга страна, Self-Organizing Graph (SeOM) е алгоритам за учење кој е применет во различни статии како што се Li et al.43, Ванг и сор.44, Hossain Bhuiyan et al.45 и Kebonye et al.46 Определете ги просторните атрибути и групирањето на елементите.Wang et al.44 истакнуваат дека SeOM е моќна техника за учење позната по својата способност да групира и замислува нелинеарни проблеми.44, SeOM може просторно да ја групира распределбата на поврзаните неврони и да обезбеди визуелизација на податоци со висока резолуција.SeOM ќе ги визуелизира податоците за предвидување Ni за да го добие најдобриот модел за карактеризирање на резултатите за директно толкување.
Овој труд има за цел да генерира робустен модел за мапирање со оптимална точност за предвидување на содржината на никел во урбаните и пери-урбаните почви. Претпоставуваме дека веродостојноста на мешаниот модел главно зависи од влијанието на другите модели прикачени на основниот модел. Ги признаваме предизвиците со кои се соочува DSM, и додека овие предизвици се решаваат на повеќекратни фронтови на статусот. al;затоа, ќе се обидеме да одговориме на прашањата за истражување кои можат да дадат мешани модели. Сепак, колку е точен моделот во предвидувањето на целниот елемент? Исто така, кое е нивото на евалуација на ефикасност врз основа на валидација и евалуација на точноста? Затоа, специфичните цели на оваа студија беа (а) да се создаде комбиниран модел на мешавина за SVMR или MLR користејќи го моделот (bK) Концентрации на Ni во урбани или пери-урбани почви и (г) примена на SeOM за да се создаде карта со висока резолуција на просторните варијации на никелот.
Студијата се спроведува во Чешка, конкретно во областа Фридек Мистек во Моравско-шлезискиот регион (види слика 1). Географијата на истражуваната област е многу груба и претежно е дел од регионот Моравија-Шлезиски Бескиди, кој е дел од надворешниот раб на Карпатските Планини . Областа на студијата се наоѓа помеѓу 40°2 ′ 40°2 ′ 4. , а надморската височина е помеѓу 225 и 327 m;сепак, системот за класификација Копен за климатската состојба на регионот е оценет како Cfb = умерена океанска клима. Има многу врнежи дури и во сушните месеци. Температурите се разликуваат малку во текот на годината помеѓу -5 °C и 24 °C, ретко паѓаат под -14 °C или над 30 °C просечните врнежи од 30 °C. од целата површина е 1.208 квадратни километри, со 39,38% од обработеното земјиште и 49,36% од покриеноста со шуми. Од друга страна, површината што се користи во оваа студија е околу 889,8 квадратни километри. Во и околу Острава, челичната индустрија и металните работи се многу активни. никелот ја зголемува јачината на легурата додека ја одржува неговата добра еластичност и цврстина), а интензивното земјоделство како што е примената на фосфатно ѓубриво и сточарското производство се истражувачки потенцијални извори на никел во регионот (на пр. додавање никел на јагнињата за да се зголеми стапката на раст кај јагнињата и говедата со ниска храна). Својствата на почвата лесно се разликуваат од бојата на почвата, структурата и содржината на карбонат. Текстурата на почвата е средна до фина, потекнува од матичниот материјал. Тие се од колувијална, алувијална или еолска природа. Некои почвени површини изгледаат шарени во површината и подпочвата, често со бетон и белење. 455,1 до 493,5 m, камбисолите доминираат во Чешката Република49.
Карта на студиската област [Картата на студиската област е креирана со помош на ArcGIS Desktop (ESRI, Inc, верзија 10.7, URL: https://desktop.arcgis.com).]
Добиени се вкупно 115 примероци од горниот слој на почвата од урбаните и пери-урбаните почви во областа Фридек Мистек. Употребената шема на примероци беше редовна решетка со примероци од почва распоредени на растојание од 2 × 2 km, а горниот слој на почвата беше измерен на длабочина од 0 до 20 cm со помош на рачен GPS уред (Leica Zeno 5 се спакувани во кеси и GPSS). y. Примероците беа исушени на воздух за да се добијат прашкасти примероци, прав со механички систем (Фрич диск мелница) и просејувани (големина на сито 2 мм). Ставете 1 грам исушени, хомогенизирани и просејувани примероци почва во јасно означени тефлонски шишиња. Во секој тефлонски сад, 6% HCl 35 мл. диспензерот – по еден за секоја киселина), покријте го лесно и оставете ги примероците да отстојат преку ноќ за реакцијата (програма за аква регија). разредениот супернатант во ПВЦ цевка од 50 ml со дејонизирана вода. Дополнително, 1 ml од растворот за разредување беше разреден со 9 ml дејонизирана вода и се филтрира во епрувета од 12 ml подготвена за псевдо-концентрација на PTE. зголемена плазма оптичка емисиона спектроскопија) (Thermo Fisher Scientific, САД) според стандардни методи и договор. Обезбедете процедури за обезбедување и контрола на квалитет (QA/QC) (SRM NIST 2711a Montana II Почва). PTE со ограничувања за откривање под половина беа исклучени од оваа студија. Процесот на обезбедување квалитет за секоја анализа е обезбеден со анализа на референтни стандарди. За да се осигура дека грешките се минимизирани, беше извршена двојна анализа.
Емпирискиот бајзиски кригинг (EBK) е една од многуте техники на геостатистичка интерполација што се користат во моделирањето во различни области како што е науката за почвата. Техниките на дејствија го отвораат патот за несигурноста и програмирањето поврзани со ова исцртување на полувариограмот што претставува многу сложен дел од доволен кригинг метод. симулирана база на податоци.Бајесовото правило за равенка е дадено како задно
Онаму каде што \(Prob\left(A\right)\) ја претставува претходната, \(Prob\left(B\right)\) маргиналната веројатност е игнорирана во повеќето случаи, \(Prob (B,A)\ ) .Пресметката на полувариограмот се заснова на правилото на Бајс, кое ја покажува склоноста на множествата на податоци за набљудување на севариограмата, која може да се направи со користење на севариограмските множества на податоци од вредноста на sevario. , кој наведува колку е веројатно да се создаде сет на набљудувања од полувариограмот.
Векторската машина за поддршка е алгоритам за машинско учење што генерира оптимална одвојувачка хиперрамнина за да разликува идентични, но не линеарно независни класи. Vapnik51 го создаде алгоритамот за класификација на намери, но неодамна се користи за решавање на проблеми ориентирани кон регресија. Според Ли и сор. Регресија – SVMR) беше искористена во оваа анализа. Черкаски и Мулиер53 беа пионери на SVMR како регресија заснована на јадро, чие пресметување беше изведено со помош на линеарен регресивен модел со просторни функции за повеќе земји. Џон и сор. на Vohland и сор.55, ипсилон (ε)-SVMR ја користи обучената база на податоци за да добие модел на претставување како функција осетлива на ипсилон, која се применува за да се мапираат податоците независно со најдобрата ипсилонска пристрасност од обуката за поврзани податоци. потпорни вектори.Подолу е прикажана равенката предложена од Vapnik51.
каде што b го претставува скаларниот праг, \(K\left({x}_{,}{ x}_{k}\right)\) ја претставува функцијата на јадрото, \(\alpha\) го претставува множителот Лагранж, N Претставува нумеричка база на податоци, \({x}_{k}\) претставува множество на податоци и M е искористениот податок од клучот за влезот на податоци \(y\ne). Гаусова радијална основа функција (RBF). Јадрото RBF се применува за да се одреди оптималниот SVMR модел, кој е критичен за да се добие најсуптилниот фактор на множество на казни C и параметарот на јадрото гама (γ) за податоците за обука на PTE.
Моделот на повеќекратна линеарна регресија (MLR) е регресивен модел кој ја претставува врската помеѓу променливата на одговорот и одреден број променливи на предвидување со користење на линеарни здружени параметри пресметани со методот на најмали квадрати. Во MLR, моделот на најмали квадрати е предвидлива функција на својствата на почвата по избор на објаснувачки променливи. Неопходно е да се користи променливата врска со користење на линеарна одзив за да се воспостави променлива линиска реакција. врска со објаснувачките променливи.Равенката MLR е
каде што y е променливата за одговор, \(a\) е пресекот, n е бројот на предвидувачите, \({b}_{1}\) е делумна регресија на коефициентите, \({x}_{ i}\) претставува предвидувачка или објаснувачка променлива, и \({\varepsilon }_{i}\) го претставува моделот, исто така познат како reid.
Мешаните модели се добиени со сендвичирање на EBK со SVMR и MLR. Ова се прави со екстракција на предвидените вредности од интерполацијата на EBK. Предвидените вредности добиени од интерполираните Ca, K и Mg се добиваат преку комбинаторен процес за да се добијат нови променливи, како што се CaK, CaMg и Mg се комбинираат четирите елементи и Ca. KMg. Севкупно, добиените променливи се Ca, K, Mg, CaK, CaMg, KMg и CaKMg. Овие променливи станаа наши предвидувачи, помагајќи да се предвидат концентрациите на никел во урбаните и пери-урбаните почви. s, исто така, се водат низ алгоритмот MLR за да се добие мешан модел Емпириска Bayesian Kriging-Multiple Linear Regression (EBK_MLR). Вообичаено, променливите Ca, K, Mg, CaK, CaMg, KMg и CaKMg се користат како коваријати како предвидувачи на најприфатливата Ni-Eurbans во и BMK моделот на peri-Ni-KV во и BKS. _MLR) потоа ќе се визуелизира со помош на самоорганизирачки график. Работниот тек на оваа студија е прикажан на Слика 2.
Користењето на SeOM стана популарна алатка за организирање, евалуација и предвидување податоци во финансискиот сектор, здравството, индустријата, статистиката, науката за почвата и многу повеќе. стави-димензионални векторски променливи43,56.Melssen et al.57 ја опишуваат врската на влезен вектор во невронска мрежа преку еден влезен слој со излезен вектор со еден вектор на тежина. Избрани се 0,086 и 0,904, соодветно, што е единица со 55 карти (5 × 11). Структурата на невронот се одредува според бројот на јазли во емпириската равенка
Бројот на податоци користени во оваа студија е 115 примероци. Беше користен случаен пристап за да се подели податоците на тест-податоци (25% за валидација) и множества на податоци за обука (75% за калибрација). Базата на податоци за обука се користи за генерирање на регресивен модел (калибрација), а базата на податоци за тестирање се користи за да се потврди способноста за генерализација58. г процес на вкрстена валидација, повторен пет пати. Променливите произведени со интерполација на EBK се користат како предвидувачи или објаснувачки променливи за да се предвиди целната променлива (PTE). ”) и библиотеки („Метрика“).
Различни параметри за валидација беа користени за да се одреди најдобриот модел погоден за предвидување на концентрациите на никел во почвата и да се оцени точноста на моделот и неговата валидација. во независни мерки ја опишуваат моќта на предвидување на моделот, додека MAE ја одредува вистинската квантитативна вредност. Вредноста на R2 мора да биде висока за да се оцени најдобриот модел на мешавина користејќи ги параметрите за валидација, колку вредноста е поблиску до 1, толку е поголема точноста.Според Li et al.59, R2 критериумска вредност од 0,75 или поголема се смета за добар предиктор;од 0,5 до 0,75 е прифатлива изведба на моделот, а под 0,5 е неприфатлива изведба на моделот. При изборот на модел со помош на методите за евалуација на критериумите за валидација RMSE и MAE, пониските вредности беа доволни и се сметаа за најдобар избор. Следната равенка го опишува методот на верификација.
каде што n ја претставува големината на набљудуваната вредност\({Y}_{i}\) го претставува измерениот одговор, а \({\widehat{Y}}_{i}\) исто така ја претставува предвидената вредност на одговорот, затоа, за првите i набљудувања.
Статистичките описи на променливите за предвидување и одговор се претставени во Табела 1, прикажувајќи ја средната вредност, стандардното отстапување (SD), коефициентот на варијација (CV), минималната, максималната, куртозата и искривувањето. Минималните и максималните вредности на елементите се по редослед на намалување од Mg
Корелацијата на променливите на предвидување со елементите на одговорот укажа на задоволителна корелација помеѓу елементите (види Слика 3). Корелацијата покажа дека CaK покажа умерена корелација со r вредност = 0,53, како и CaNi. Иако Ca и K покажуваат скромни асоцијации меѓу себе, истражувачите како што се Кингс.68 и Санто69 сугерираат дека нивните нивоа во почвата се обратно пропорционални. Сепак, Ca и Mg се антагонистички на K, но CaK добро корелира. Ова може да се должи на примената на ѓубрива како што е калиум карбонат, кој е за 56% поголем во калиумот. два елементи се тесно поврзани бидејќи калиум магнезиум сулфат, калиум магнезиум нитрат и поташа се применуваат на почвите за да се зголемат нивните нивоа на дефицит. Никелот е умерено корелиран со Ca, K и Mg со r вредности = 0,52, 0,63 и 0,63 и 0,55, соодветно, како што се односот на комплексот на кал и TE. , но сепак, магнезиумот ја инхибира апсорпцијата на калциум, калциумот ги намалува ефектите на вишокот магнезиум, а и магнезиумот и калциумот ги намалуваат токсичните ефекти на никелот во почвата.
Матрица на корелација за елементи што ја покажува врската помеѓу предвидувачите и одговорите (Забелешка: оваа бројка вклучува распрскувач помеѓу елементите, нивоата на значајност се засноваат на p < 0,001).
Слика 4 ја илустрира просторната дистрибуција на елементите. Според Бургос и сор70, примената на просторна дистрибуција е техника што се користи за квантифицирање и истакнување на жариштата во загадените области. најверојатно поради употребата на жив вар (калциум оксид) за намалување на киселоста на почвата и неговата употреба во челичарници како алкален кислород во процесот на производство на челик. Од друга страна, другите земјоделци претпочитаат да користат калциум хидроксид во кисели почви за да ја неутрализираат pH вредноста, што исто така ја зголемува содржината на калциум во почвата71. На картата на северозапад се покажува жариштето на калиумот и северозападниот дел. стапката до високата шема на калиум може да се должи на апликациите на NPK и поташа. Ова е во согласност со други студии, како што се Madaras и Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, кои забележале дека стабилизирањето на почвата и третманот со висока содржина на KCl и NPK резултирале со висока содржина на почвата.Просторното збогатување со калиум на северозапад од картата на дистрибуција може да се должи на употребата на ѓубрива на база на калиум како што се калиум хлорид, калиум сулфат, калиум нитрат, поташа и калиум за да се зголеми содржината на калиум во сиромашните почви.76 и Тлустош и сор.77 истакна дека примената на ѓубрива базирани на К ја зголеми содржината на К во почвата и значително ќе ја зголеми содржината на хранливи материи во почвата на долг рок, особено K и Mg кои покажуваат жариште во почвата. Релативно умерените жаришта на северозапад од картата и југоисточно од картата. кај хлорозата. Ѓубрива на база на магнезиум, како што се калиум магнезиум сулфат, магнезиум сулфат и кизерит, ги третираат недостатоците (растенијата изгледаат виолетови, црвени или кафеави, што укажува на недостаток на магнезиум) во почви со нормален опсег на pH вредност6. турата и важноста на никелот во производството на нерѓосувачки челик78.
Просторна распределба на елементите [просторната карта на дистрибуција е креирана со помош на ArcGIS Desktop (ESRI, Inc, верзија 10.7, URL: https://desktop.arcgis.com).]
Резултатите од индексот на перформансите на моделот за елементите што се користат во оваа студија се прикажани во Табела 2. Од друга страна, RMSE и MAE на Ni се блиску до нула (0,86 RMSE, -0,08 MAE). Откриено е дека RMSE и MAE од оваа студија користејќи EBK за предвидување Ni се подобри од резултатите на John et al.54 користејќи синергетски кригинг за да се предвидат концентрациите на S во почвата со користење на истите собрани податоци. Излезите на EBK што ги проучувавме корелираат со оние на Fabijaczyk и сор.41, Јан и сор.79, Бегуин и сор.80, Адикари и сор.81 и Џон и сор.82, особено К и Ни.
Перформансите на поединечните методи за предвидување на содржината на никел во урбаните и пери-урбаните почви беа оценети со користење на перформансите на моделите (Табела 3). Потврдувањето на моделот и евалуацијата на точноста потврдија дека предикторот Ca_Mg_K во комбинација со моделот EBK SVMR дал најдобри перформанси. Моделот за калибрација Ca_Mg_K-EBK. MAE) беа 0,637 (R2), 95,479 mg/kg (RMSE) и 77,368 mg/kg (MAE) Ca_Mg_K-SVMR беше 0,663 (R2), 235,974 mg/kg (RMSE) и 166,946 mg/kg (RMSE) и 166,946 mg/kg, добиена е понедобра вредност за R_Ks за R_Kg. SVMR (0,663 mg/kg R2) и Ca_Mg-EBK_SVMR (0,643 = R2);нивните RMSE и MAE резултати беа повисоки од оние за Ca_Mg_K-EBK_SVMR (R2 0,637) (види Табела 3). Покрај тоа, RMSE и MAE на Ca_Mg-EBK_SVMR (RMSE = 1664,64 и MAE = 1031,3. Ca_Mg_K-EBK_SVMR. Исто така, RMSE и MAE на моделот Ca_Mg-K SVMR (RMSE = 235,974 и MAE = 166,946) се за 2,5 и 2,2 поголеми од оние на Ca_Mg_K-EBK-EBK_SVM. е со линијата на најдобро одговара.Забележани се повисоки RSME и MAE.Според Kebonye et al.46 и Џон и сор.54, колку RMSE и MAE се поблиску до нула, толку подобри се резултатите. SVMR и EBK_SVMR имаат повисоки квантизирани RSME и MAE вредности. Беше забележано дека проценките RSME беа постојано повисоки од вредностите MAE, што укажува на присуство на оддалеченост. се препорачува како показател за присуството на оддалечените. Ова значи дека колку е похетерогена базата на податоци, толку се повисоки вредностите MAE и RMSE.59, ова ниво на точност е прифатлива стапка на изведба на моделот. Сегашните резултати се споредуваат со претходната студија на Тарасов и сор.36 чиј хибриден модел создаде MLPRK (Multilayer Perceptron Residual Kriging), поврзан со индексот за евалуација на точноста EBK_SVMR пријавен во тековната студија, RMSE (210) и The MAE (167.5) беше повисок од нашите резултати во тековната студија (RMSE 95.479, MAE 95.479, MAE 95.479, MAE 77 the 77.3). со онаа на Тарасов и сор.36 (0,544), јасно е дека коефициентот на определување (R2) е поголем кај овој мешан модел. Маргината на грешка (RMSE и MAE) (EBK SVMR) за мешаниот модел е два пати помала. Исто така, Сергеев и сор. 0,637 (R2). Нивото на точност на предвидување на овој модел (EBK SVMR) е 63,7%, додека точноста на предвидување добиена од Сергеев и сор.34 е 28%.Конечната карта (сл. 5) креирана со користење на моделот EBK_SVMR и Ca_Mg_K како предиктор покажува предвидувања на жаришта и умерен до никел во целата област на проучување. Тоа значи дека концентрацијата на никел во областа на проучување е главно умерена, со повисоки концентрации во некои специфични области.
Конечната карта за предвидување е претставена со користење на хибридниот модел EBK_SVMR и со користење на Ca_Mg_K како предиктор.
Презентирани на слика 6 се концентрациите на PTE како рамнина на составот што се состои од поединечни неврони. Ниту една од компонентите не покажа иста шема на боја како што е прикажано. Сепак, соодветниот број на неврони по нацртана карта е 55. SeOM се произведува со користење на различни бои, и колку повеќе се слични обрасците на боите, толку поспоредливи се својствата на поединечните елементи во боја, Kag во боја, сличните елементи во боја (Ac). шаблони на единечни високи неврони и повеќето ниски неврони. Така, CaK и CaMg споделуваат некои сличности со неврони од многу висок ред и обрасци на бои со ниска до умерена боја. Двата модели ја предвидуваат концентрацијата на Ni во почвата со прикажување на средни до високи нијанси на бои како црвена, портокалова и жолта. Моделот KMg прикажува многу прецизни обрасци со висока боја и низок размер на боја. шемата на дистрибуција на компонентите на моделот покажа висока шема на бои што ја покажува потенцијалната концентрација на никел во почвата (види Слика 4). Рамнината на компонентата на моделот CakMg покажува разновидна шема на бои од ниска до висока според точната скала на бои. Понатаму, предвидувањето на моделот за содржината на никел (CakMg). концентрации на никел во урбани и пери-урбани почви. Слика 7 го прикажува методот на контура во групата k-средства на картата, поделени во три кластери врз основа на предвидената вредност во секој модел. Методот на контура го претставува оптималниот број на кластери. Од собраните 115 примероци почва, категоријата 1 добила најмногу 4 примероци почва, додека категоријата 1 добила најмногу 4 примероци од почва. s. Комбинацијата на рамни предиктори од седум компоненти беше поедноставена за да се овозможи правилно толкување на кластерите. Поради бројните антропогени и природни процеси кои влијаат на формирањето на почвата, тешко е да се имаат соодветно диференцирани модели на кластери во дистрибуирана карта на SeOM78.
Излез на рамнината на компонентите од секоја променлива за векторска машина за поддршка на емпириски Bayesian Kriging (EBK_SVM_SeOM).
Различни компоненти за класификација на кластери [SeOM картите се создадени со помош на RStudio (верзија 1.4.1717: https://www.rstudio.com/).]
Тековната студија јасно ги илустрира техниките за моделирање за концентрации на никел во урбани и пери-урбани почви. Студијата тестираше различни техники за моделирање, комбинирајќи елементи со техники за моделирање, за да се добие најдобриот начин за предвидување на концентрациите на никел во почвата. мапата ја потврдува рамнината просторна дистрибуција на компонентите прикажана од EBK_SVMR (види Слика 5). Резултатите покажуваат дека моделот за регресија на машината за вектор на поддршка (Ca Mg K-SVMR) ја предвидува концентрацијата на Ni во почвата како единечен модел, но параметрите за валидација и евалуација на точноста покажуваат многу високи грешки во однос на техниката на MAKORM во однос на другиот модел. Моделот е исто така погрешен поради ниската вредност на коефициентот на определување (R2). Добри резултати се добиени со користење на EBK SVMR и комбинирани елементи (CaKMg) со ниски RMSE и MAE грешки со точност од 63,7%. резултатите покажуваат дека користењето на Ca Mg K како предиктори за предвидување на концентрациите на Ni во областа на испитување може да го подобри предвидувањето на Ni во почвите. Ова значи дека континуираната примена на ѓубрива на база на никел и индустриското загадување на почвата од челичната индустрија има тенденција да ја зголеми концентрацијата на никел во почвата. Оваа студија откри дека моделот EBK може да го подобри моделот на урбана распространетост на почва или да го намали степенот на точност на почва. Генерално, предлагаме да се примени моделот EBK-SVMR за да се процени и предвиди PTE во почвата;дополнително, предлагаме да се користи EBK за хибридирање со различни алгоритми за машинско учење. Концентрациите на Ni беа предвидени со користење на елементи како коваријатни;сепак, користењето на повеќе коваријати во голема мера би ги подобрило перформансите на моделот, што може да се смета за ограничување на тековната работа. Друго ограничување на оваа студија е тоа што бројот на сетови на податоци е 115. Затоа, доколку се обезбедат повеќе податоци, перформансите на предложениот оптимизиран метод на хибридизација може да се подобрат.
PlantProbs.net.Никел во растенијата и почвата https://plantprobs.net/plant/nutrientImbalances/sodium.html (Пристапено на 28 април 2021 година).
Kasprzak, KS Никел напредува во модерната еколошка токсикологија.околина.токсикологија.11, 145-183 (1987).
Cempel, M. & Nikel, G. Nickel: Преглед на неговите извори и еколошка токсикологија.Полски J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Влез на загадувачи од атмосферата и акумулација во почвата и вегетацијата во близина на топилница за никел-бакар во Садбери, Онтарио, Канада.can.J.Бот.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.
Cabata-Pendias.Kabata-Pendias A. 2011. Елементи во трагови во почвата и… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+New+th+2011.+Trace+ Elements+New+th+ NY%29%3A+CRC+Press&btnG= (Пристапено на 24 ноември 2020 година).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Eфекти на руската индустрија на никел врз концентрациите на тешки метали во земјоделските почви и треви во Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Апсорпцијата и задржувањето на никелот во водата за пиење се поврзани со внесот на храна и чувствителноста на никелот.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Никел канцерогенеза, мутација, епигенетика или селекција.околина. Здравствена перспектива.107, 2 (1999).
Ајман, ПК;Ајадо, СК;Боровка, Л.Бини, ЈКМ;Саркоди, ВЈО;Кобоние, НМ;Тренд анализа на потенцијално токсични елементи: библиометриски преглед. 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. За дигитално мапирање на почвата. Геодерма 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Моделирање на геостатистички резервоар,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +PressGA+Page+University. прекината на 28 април 2021 година).
Време на објавување: 22 јули 2022 година