Холимог эмпирик Bayesian кригинг ба дэмжлэгийн вектор машин регрессийг ашиглан хотын захын болон хотын хөрсөнд никелийн агууламжийг урьдчилан таамаглах

Nature.com сайтад зочилсонд баярлалаа. Таны ашиглаж буй хөтчийн хувилбар нь CSS-г хязгаарлагдмал дэмждэг. Хамгийн сайн ашиглахын тулд бид танд шинэчилсэн хөтөч ашиглахыг зөвлөж байна (эсвэл Internet Explorer дээр нийцтэй байдлын горимыг унтраах). Энэ хооронд үргэлжлүүлэн дэмжлэг үзүүлэхийн тулд бид сайтыг загвар болон JavaScript-гүй харуулах болно.
Хөрсний бохирдол нь хүний ​​үйл ажиллагаанаас үүдэлтэй томоохон асуудал юм. Хортой байж болзошгүй элементүүдийн (PTEs) орон зайн тархалт ихэнх хот суурин газар болон хот орчмын бүс нутагт харилцан адилгүй байдаг. Иймд ийм хөрсөнд агуулагдах PTE-ийн агууламжийг орон зайн хувьд урьдчилан таамаглахад хэцүү байдаг. Чех улсын Фрайдек Мистек (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) (Calcium) болон Чехийн Фрайдек Мистек (Calcium) -аас 115 дээж авсан. Ni) концентрацийг индуктив хосолсон плазмын ялгарлын спектрометр ашиглан тодорхойлсон. Хариултын хувьсагч нь Ni, урьдчилан таамаглагч нь Ca, Mg, K. Хариултын хувьсагч болон таамаглагч хувьсагчийн хоорондын корреляцийн матриц нь элементүүдийн хоорондын хангалттай хамаарлыг харуулж байна. Урьдчилан таамаглах үр дүнгээс харахад Дэмжих Вектор Машины Регресс (SVMR) нь үндсэн алдаа (SVMR) сайн гүйцэтгэсэн боловч язгуур үзүүлэлт мг24/кг байна. ) болон дундаж үнэмлэхүй алдаа (MAE) (166.946 мг/кг) нь хэрэглэсэн бусад аргуудаас өндөр байсан. Эмпирик Байезийн кригинг-Олон шугаман регрессийн (EBK-MLR) холимог загварууд муу гүйцэтгэлтэй байгаа нь 0.1-ээс бага детерминацийн коэффициентээр нотлогддог. Эмпирик Байезийн Кригинг-СВБ загвар (MREB5 бага, Machinery Regression загвар нь хамгийн сайн байсан). 479 мг/кг) ба MAE (77,368 мг/кг) утгууд ба детерминацийн өндөр коэффициент (R2 = 0,637). EBK-SVMR загварчлалын аргын гаралтыг өөрөө зохион байгуулалттай газрын зураг ашиглан дүрсэлдэг. CakMg-EBK-SVMR эрлийз загварын хавтгайд бөөгнөрсөн нейронууд нь хотын перистрат дахь олон өнгөт концентраци ба SVMR-ийн үр дүнг урьдчилан харуулдаг. EBK болон SVMR-ийг ашиглах нь хот суурин газрын болон хотын захын хөрсөнд Ni-ийн концентрацийг урьдчилан таамаглах үр дүнтэй арга юм.
Никель (Ni) нь үрийн соёололтод шаардлагатай агаар мандлын азот (N) ба мочевин метаболизмд хувь нэмэр оруулдаг тул ургамлын бичил тэжээл гэж тооцогддог. Ni нь үрийн соёололтод хувь нэмэр оруулахаас гадна мөөгөнцөр, бактерийн дарангуйлагч болж, ургамлын хөгжилд хувь нэмэр оруулдаг. Ногоон шош нь азотын бэхжилтийг оновчтой болгохын тулд никель дээр суурилсан бордоо хэрэглэхийг шаарддаг 2. Хөрсийг баяжуулж, буурцагт ургамлын азотыг хөрсөнд шингээх чадварыг нэмэгдүүлэхийн тулд никель дээр суурилсан бордоог үргэлжлүүлэн хэрэглэх нь хөрсөн дэх никелийн агууламжийг тасралтгүй нэмэгдүүлдэг. Хэдийгээр никель нь ургамалд илүү их хортой бичил тэжээл болдог. хөрс нь хөрсний рН-ийг багасгаж, ургамлын өсөлтөд зайлшгүй шаардлагатай шим тэжээл болох төмрийг шингээхэд саад учруулдаг1. Liu3-ийн дагуу Ni нь ургамлын хөгжил, өсөлтөд шаардлагатай 17 дахь чухал элемент болохыг тогтоожээ. Ургамлын хөгжил, өсөлтөд никель гүйцэтгэх үүрэгээс гадна хүмүүст энэ нь олон төрлийн хэрэглээнд шаардлагатай байдаг. Цахилгаанаар бүрэх, цахилгаан хавтан үйлдвэрлэх, бүх төрлийн автомашины үйлдвэрт суурилсан залгуур, никель үйлдвэрлэх. Никелийн янз бүрийн салбарт никель ашиглахыг шаарддаг. Үүнээс гадна никель дээр суурилсан хайлш, цахилгаанаар бүрсэн эдлэлүүд нь гал тогооны хэрэгсэл, латин дагалдах хэрэгсэл, хүнсний үйлдвэрлэлийн хангамж, цахилгаан, утас, кабель, тийрэлтэт турбин, мэс заслын имплант, нэхмэл эдлэл, хөлөг онгоцны үйлдвэрлэлд өргөн хэрэглэгддэг. , Ни нь хүний ​​үйл ажиллагаанаас илүү байгалийн эх үүсвэр юм4,6.Никелийн байгалийн эх үүсвэрт галт уулын дэлбэрэлт, ургамалжилт, ойн түймэр, геологийн үйл явц;Гэсэн хэдий ч хүний ​​үйл ажиллагааны эх үүсвэрт гангийн үйлдвэрлэлийн никель/кадми батерей, цахилгаанаар бүрэх, нуман гагнуур, дизель түлш, мазут, нүүрсний шаталт, хог хаягдал, лагийг шатаахаас үүсэх агаар мандалд ялгарах Никелийн хуримтлал зэрэг орно.10-р сарын 10-нд ойрын болон ойр орчмын өнгөн хөрсний бохирдлын гол эх үүсвэр нь голчлон никель-зэс хайлуулах үйлдвэр, уурхайнууд юм. Канадын Садбери никель-зэс боловсруулах үйлдвэрийн орчмын хөрсний дээд хэсэгт никелийн бохирдол хамгийн их буюу 26,000 мг/кг буюу ОХУ-д их хэмжээний агууламжтай байсан байна. Норвегийн хөрсөнд11.Alms et al.12-р сарын 12-нд тус бүс нутгийн тариалангийн талбайн (ОХУ-ын никель үйлдвэрлэл) HNO3-ын олборлох никелийн хэмжээ 6.25-136.88 мг/кг хооронд хэлбэлзэж, дундаж 30.43 мг/кг, суурь агууламж 25 мг/кг байна. Дараалсан ургацын улирлын туршид никель нь хөрсөнд нэвчиж, бохирдуулдаг. Никелийн хүний ​​биед үзүүлэх болзошгүй нөлөө нь мутагенез, хромосомын гэмтэл, Z-ДНХ үүсэх, бөглөрсөн ДНХ-ийн тайралт, эпигенетик үйл явцаар хорт хавдар үүсгэдэг13. Амьтанд хийсэн туршилтаар никель нь янз бүрийн хорт хавдар, хорт хавдар, хорт хавдар үүсгэх чадвартай болохыг тогтоожээ.
Хөрс, ургамлын харилцаа, хөрс, хөрсний биологийн харилцаа, экологийн доройтол, байгаль орчинд үзүүлэх нөлөөллийн үнэлгээ зэргээс үүдэлтэй эрүүл мэндтэй холбоотой өргөн хүрээний асуудлуудаас болж хөрсний бохирдлын үнэлгээ сүүлийн үед эрчимтэй хөгжиж байна. Өнөөдрийг хүртэл хөрсөн дэх Ni зэрэг хорт бодис (PTE) -ийг орон зайн урьдчилан таамаглах нь уламжлалт арга, цаг хугацаа шаардсан, цаг хугацаа их шаарддаг. Урьдчилан таамагласан хөрсний зураглал (PSM) ихээхэн сайжирсан. Минасни, МакБратни16 нарын үзэж байгаагаар урьдчилан таамагласан хөрсний зураглал (DSM) нь хөрс судлалын томоохон салбар болох нь батлагдсан. Lagacherie and McBratney, 2006 DSM-ийг “хөрсний орон зайн мэдээллийн системийг бий болгож, дүүргэх, хөрсний сансрын болон ажиглалтын бус аргуудыг ашиглах замаар дүүргэх явдал” гэж тодорхойлсон. системүүд”.McBratney et al.17 орчин үеийн DSM эсвэл PSM нь PTE, хөрсний төрөл, хөрсний шинж чанарын орон зайн тархалтыг урьдчилан таамаглах эсвэл зураглах хамгийн үр дүнтэй арга юм. Геостатистик ба Машин сургалтын алгоритмууд (MLA) нь компьютерийн тусламжтайгаар чухал бөгөөд хамгийн бага өгөгдөл ашиглан дижитал зураглал үүсгэдэг DSM загварчлалын арга техник юм.
Deutsch18, Olea19 нар геостатистикийг "цаг хугацааны цувааны дүн шинжилгээ нь цаг хугацааны өгөгдлийг хэрхэн тодорхойлдог гэх мэт стохастик загваруудыг голчлон ашигладаг орон зайн шинж чанаруудын төлөөлөлтэй холбоотой тоон аргуудын цуглуулга" гэж тодорхойлсон.Юуны өмнө геостатистик нь өгөгдлийн багц бүрээс орон зайн утгын хамаарлыг тоолж, тодорхойлох боломжийг олгодог вариограммын үнэлгээг агуулдаг20.Gumiaux et al.Геостатистикт вариограммыг үнэлэх нь (а) өгөгдлийн хамаарлын масштабыг тооцоолох, (б) өгөгдлийн багцын зөрүү дэх анизотропийг тодорхойлох, тооцоолох, (в) хэмжилтийн өгөгдлийн төрөлхийн алдааг харгалзан үзэхээс гадна орон нутгийн нөлөөллөөс тусгаарлагдсан, мөн эдгээрийн олон тооны геополяцийн аргачлалыг ашиглах зэрэг гурван зарчим дээр суурилдаг болохыг харуулж байна. ерөнхий кригинг, ко-кригинг, энгийн кригинг, эмпирик Байезийн кригинг, энгийн кригингийн арга болон PTE, хөрсний шинж чанар, хөрсний төрлийг зураглах эсвэл урьдчилан таамаглах бусад алдартай интерполяцийн аргуудыг багтаасан статистик.
Machine Learning Algorithms (MLA) нь шугаман бус өгөгдлийн ангиллыг ашигладаг харьцангуй шинэ техник бөгөөд үндсэндээ өгөгдөл олборлох, өгөгдлийн хэв маягийг тодорхойлох, хөрс судлал, буцаах даалгавар зэрэг шинжлэх ухааны салбарт ангилалд олон удаа хэрэглэгдэх алгоритмуудаар тэжээгддэг. Олон тооны судалгааны баримтууд нь MLA загварт тулгуурладаг.22 (хөдөө аж ахуйн хөрсөнд хүнд металлын тооцоолол хийх санамсаргүй ой), Сакизадех нар.23 (тусламжийн вектор машин ба хиймэл мэдрэлийн сүлжээ ашиглан загварчлах) хөрсний бохирдол ).Үүнээс гадна Vega et al.24 (Хөрсөн дэх хүнд металлын хадгалалт, шингээлтийг загварчлахад зориулсан CART) Sun et al.25 (cubist-ийн хэрэглээ нь Cd-ийн хөрсөн дэх тархалт) болон k-хамгийн ойрын хөрш, ерөнхий нэмэгдүүлсэн регресс, нэмэгдүүлсэн регресс зэрэг бусад алгоритмуудыг Модууд мөн хөрсөнд PTE-ийг таамаглахын тулд MLA ашигласан.
Таамаглал эсвэл зураглалд DSM алгоритмыг ашиглах нь хэд хэдэн сорилттой тулгардаг. Олон зохиогчид MLA нь геостатистикаас давуу ба эсрэгээрээ гэж үздэг. Хэдийгээр нэг нь нөгөөгөөсөө илүү сайн боловч энэ хоёрын хослол нь DSM15.Woodcock болон Gopal26 Finke27 дахь зураглал эсвэл таамаглалын нарийвчлалын түвшинг сайжруулдаг;Pontius, Cheuk28, Grunwald29 нар урьдчилан таамагласан хөрсний зураглал дахь дутагдал, зарим алдааны талаар тайлбарлаж байна. Хөрсний эрдэмтэд DSM зураглал болон таамаглалын үр нөлөө, нарийвчлал, урьдчилан таамаглах чадварыг оновчтой болгохын тулд янз бүрийн арга техникийг туршиж үзсэн. Тодорхойгүй байдал, баталгаажуулалтын хослол нь DSM-д нэгтгэгдэж, үр дүнтэй байдлыг бууруулах олон янзын талуудын нэг юм.15 газрын зургийн чанарыг сайжруулахын тулд газрын зураг үүсгэх, урьдчилан таамаглах замаар нэвтрүүлсэн баталгаажуулалтын зан төлөв, тодорхойгүй байдлыг бие даан баталгаажуулах ёстойг тоймлон харуулав. DSM-ийн хязгаарлалт нь тодорхой бус байдлын бүрэлдэхүүн хэсэг болох газарзүйн тархсан хөрсний чанараас шалтгаална;Гэсэн хэдий ч DSM-д тодорхойгүй байдал нь алдааны олон эх үүсвэрээс, тухайлбал ковариацын алдаа, загварын алдаа, байршлын алдаа, аналитик алдаа 31-ээс үүдэлтэй байж болно. MLA болон геостатистикийн процесст үүссэн загварчлалын алдаанууд нь ойлголт дутмагтай холбоотой бөгөөд эцэст нь бодит процессыг хэт хялбарчлахад хүргэдэг. , математик загварын таамаглал, эсвэл интерполяци33.Сүүлийн үед геостатистик ба MLA-г зураглал, таамаглалд нэгтгэхийг дэмжсэн DSM-ийн шинэ чиг хандлага бий болсон. Сергеев нар зэрэг хэд хэдэн хөрс судлаач, зохиолчид.34;Субботина нар.35;Тарасов болон бусад.36 болон Тарасов нар.37 нь геостатистик болон машин сургалтын үнэн зөв чанарыг ашиглан таамаглал, зураглалын үр ашгийг дээшлүүлэх эрлийз загваруудыг бий болгосон.чанар. Эдгээр эрлийз эсвэл хосолсон алгоритмын загваруудын зарим нь Хиймэл мэдрэлийн сүлжээний кригинг (ANN-RK), олон давхаргат перцептрон үлдэгдэл кригинг (MLP-RK), ерөнхий регрессийн мэдрэлийн сүлжээний үлдэгдэл кригинг (GR- NNRK)36, хиймэл мэдрэлийн сүлжээний кригинг-олон давхаргат перцептрон- резидуаль кригинг (GR- NNRK) 36, хиймэл мэдрэлийн сүлжээний кригинг-олон давхаргат перцептрон- резидуаль кригинг (ANNK3) ба Cogress-7-р процесс (ANNK3) юм. 38.
Сергеев нар хэлэхдээ, янз бүрийн загварчлалын аргуудыг хослуулах нь түүний дан загварыг боловсруулахаас илүү согогийг арилгах, үр дүнд бий болсон эрлийз загварын үр ашгийг нэмэгдүүлэх боломжтой юм. Энэ утгаараа энэхүү шинэ баримт бичигт геостатистик болон MLA-ийн хосолсон алгоритмыг ашиглах шаардлагатай гэж үзэж байна. ) үндсэн загвар болгон, үүнийг Support Vector Machine (SVM) болон Multiple Linear Regression (MLR) загваруудтай холь. EBK-г ямар нэгэн MLA-тай эрлийзжүүлэх нь тодорхойгүй. Харагдсан олон холимог загварууд нь энгийн, үлдэгдэл, регрессийн кригингүүдийн хослол бөгөөд MLA.EBK нь геостатистик интерполяцийн арга бөгөөд локал санамсаргүй санамсаргүй аргаар сансар огтолцохгүй процессыг ашигладаг. Талбай дээрх нутагшуулах параметрүүдийг тодорхойлсон бөгөөд энэ нь орон зайн өөрчлөлтийг бий болгох боломжийг олгодог39. EBK-ийг фермийн хөрсөнд органик нүүрстөрөгчийн тархалт40 дүн шинжилгээ хийх, хөрсний бохирдлыг үнэлэх41, хөрсний шинж чанарыг зураглах42 зэрэг олон төрлийн судалгаанд ашигласан.
Нөгөө талаас, Өөрийгөө зохион байгуулах график (SeOM) нь Ли нар гэх мэт янз бүрийн нийтлэлд хэрэглэгдэж байсан сургалтын алгоритм юм.43, Ван нар.44, Hossain Bhuiyan et al.45 ба Кебонье нар.46 Элементүүдийн орон зайн шинж чанар, бүлэглэлийг тодорхойлох.Wang et al.SeOM нь шугаман бус асуудлуудыг бүлэглэх, төсөөлөх чадвараараа алдартай сургалтын хүчирхэг техник юм. Үндсэн бүрэлдэхүүн хэсгүүдийн дүн шинжилгээ, тодорхой бус кластер, шаталсан кластер, олон шалгуурт шийдвэр гаргах зэрэг хэв маягийг таних аргуудаас ялгаатай нь SeOM нь PTE загваруудыг зохион байгуулж, тодорхойлохдоо Wang et al.44, SeOM нь холбогдох нейронуудын тархалтыг орон зайн байдлаар бүлэглэж, өндөр нарийвчлалтай өгөгдлийн дүрслэлийг хангаж чадна.SeOM нь шууд тайлбарлах үр дүнг тодорхойлох хамгийн сайн загварыг олж авахын тулд Ni таамаглалын өгөгдлийг дүрслэн харуулах болно.
Энэхүү баримт бичиг нь хот суурин газрын болон хот орчмын хөрсөнд никелийн агууламжийг урьдчилан таамаглах оновчтой нарийвчлал бүхий бат бөх зураглалын загварыг бий болгохыг зорьсон. Холимог загварын найдвартай байдал нь үндсэн загварт хавсаргасан бусад загваруудын нөлөөллөөс ихээхэн хамаардаг гэж бид таамаглаж байна. Бид DSM-д тулгарч буй сорилтуудыг хүлээн зөвшөөрч байгаа бөгөөд эдгээр сорилтууд нь олон талт фронт болон геостатистикийн загваруудыг хослуулан шийдвэрлэхэд чиглэгдэж байна. аль;Тиймээс бид холимог загвар гаргаж болох судалгааны асуултуудад хариулахыг хичээх болно. Гэсэн хэдий ч загвар нь зорилтот элементийг таамаглахад хэр үнэн зөв байдаг вэ? Мөн баталгаажуулалт, үнэн зөв байдлын үнэлгээнд суурилсан үр ашгийн үнэлгээний түвшин ямар байдаг вэ? Иймээс энэхүү судалгааны тодорхой зорилго нь (a) SVMR эсвэл MLR загварын холимог загварыг бий болгох (хамгийн сайн үр дүнгийн загвар болгон харьцуулах) байсан. Хотын болон хотын захын хөрсөн дэх Ni-ийн концентрацийг урьдчилан таамаглах загвар ба (г) никелийн орон зайн өөрчлөлтийн өндөр нарийвчлалтай газрын зургийг бүтээхэд SeOM ашиглах.
Судалгааг Бүгд Найрамдах Чех улсад, тухайлбал Моравиа-Силезийн бүсийн Фридек Мистек дүүрэгт хийж байна (Зураг 1). Судалгааны талбайн газарзүй нь маш бартаатай бөгөөд ихэвчлэн Карпатын нурууны гадна талын захын хэсэг болох Моравиа-Силезийн Бескиди мужийн нэг хэсэг юм. Судалгааны талбай нь N°4°0′′-ийн хооронд N°4°0′′-ийн хооронд байрладаг. , мөн өндөр нь 225-аас 327 м-ийн хооронд;Гэсэн хэдий ч тус бүс нутгийн цаг уурын төлөв байдлын Коппены ангиллын систем нь Cfb = далайн сэрүүн уур амьсгалтай, хуурай саруудад ч хур тунадас ихтэй байдаг. Температур нь жилийн туршид -5 ° C-аас 24 ° C-ийн хооронд бага зэрэг өөрчлөгддөг, ховор тохиолдолд -14 ° C-аас доош буюу 30 ° C-аас дээш байдаг бол жилийн дундаж талбайн дундаж хэмжээ 77-аас 58 мм-ийн хооронд байна. нийт талбай нь 1208 хавтгай дөрвөлжин км бөгөөд тариалангийн талбайн 39.38%, ойн бүрхэвчийн 49.36%. Нөгөөтэйгүүр, энэ судалгаанд ашигласан талбай нь ойролцоогоор 889.8 хавтгай дөрвөлжин километр юм.Острава болон түүний эргэн тойронд гангийн үйлдвэрлэл, металлын үйлдвэрүүд маш идэвхтэй байдаг. Металл үйлдвэрүүд, гангийн үйлдвэрүүд нь гангийн үйлдвэрлэлд тэсвэртэй байдаг. болон хайлшин ган (никель нь хайлшны бат бөх чанарыг нэмэгдүүлж, уян хатан чанар, бат бөх чанарыг нь хадгалдаг), фосфатын бордоо хэрэглэх, мал аж ахуйн үйлдвэрлэл зэрэг эрчимжсэн хөдөө аж ахуй нь бүс нутагт никелийн судалгааны боломжит эх үүсвэр юм (жишээ нь хурганы өсөлтийг нэмэгдүүлэхийн тулд хурганд никель нэмэх, үйлдвэрлэлийн салбарт цахилгаан хавтан ашиглах гэх мэт). эл болон цахилгаангүй никель бүрэх үйл явц.Хөрсний шинж чанар нь хөрсний өнгө, бүтэц, карбонатын агууламжаас амархан ялгагдах боломжтой.Хөрсний бүтэц нь дундаас нарийн ширхэгтэй, эх материалаас гаралтай.Тэдгээр нь коллювийн, аллювийн эсвэл аэолын шинж чанартай байдаг.Хөрсний зарим хэсэг нь гадарга болон хөрсний хөрсөн дээр толботой харагддаг ба ихэнхдээ бетон болон цайруулагчтай, цайруулагчтай, цайруулагчтай байдаг. 48. 455.1-ээс 493.5 м хүртэл өндөртэй, Камбизолууд Чех улсад давамгайлдаг49.
Судалгааны бүсийн газрын зураг [Судалгааны бүсийн газрын зургийг ArcGIS Desktop (ESRI, Inc, 10.7 хувилбар, URL: https://desktop.arcgis.com) ашиглан бүтээсэн.]
Фрайдек Мистек дүүргийн хот суурин газрын болон хот орчмын хөрснөөс нийт 115 өнгөн хөрсний дээж авсан. Дээжийн загвар нь хөрсний дээжийг хооронд нь 2 × 2 км-ийн зайд байрлуулсан ердийн сүлжээ бөгөөд өнгөн хөрсийг гар GPS төхөөрөмж ашиглан 0-20 см-ийн гүнд хэмжсэн (Leica Zenoamples 5 гэсэн шошготой, GPSS гэсэн шошготой савлагаатай). .Дээжүүдийг агаарт хатааж нунтагласан дээж гаргаж, механик системээр нунтаглаж (Шишүүрийн хэмжээ 2 мм) шигшүүрээр шүүсэн. 1 грамм хатаасан, нэгэн төрлийн болгосон, шигшүүрээр хийсэн хөрсний дээжийг тодорхой шошготой тефлон саванд хийнэ. Тефлон сав бүрт автоматаар HNO33% мл HNO5% ба HNO5% н мл-ийг хийнэ. диспенсер – хүчил тус бүрд нэг), хөнгөн таглаад дээжийг урвалд оруулахын тулд нэг шөнийн дотор байлгана (aqua regia програм). Шингэрүүлсэн шингэнийг ионгүйжүүлсэн устай 50 мл PVC хоолойд шүүнэ. Нэмж хэлэхэд 1 мл шингэлэх уусмалыг 9 мл ионгүйжүүлсэн усаар шингэлж, PTE псевдоконцентрацид бэлтгэсэн 12 мл-ийн хоолойд шүүнэ. PTE-ийн (As, Cd, Cr, Cu, Mn, Ni, PO, MCP, CoCP) концентрацийг тодорхойлсон led Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) стандарт арга, гэрээний дагуу. Ensure Чанарын баталгаа ба хяналт (QA/QC) журам (SRM NIST 2711a Montana II Soil). Илрүүлэх хязгаар нь хагасаас доогуур PTE-г энэ судалгаанаас хассан. Энэхүү судалгаанд илрүүлэх хязгаарыг чанарын нэмэлтээр PTE0.0,00 гэж ашигласан. Шинжилгээ бүрийн процессыг лавлагааны стандартад дүн шинжилгээ хийх замаар баталгаажуулдаг.Алдааг багасгахын тулд давхар шинжилгээ хийсэн.
Эмпирик Байезийн кригинг (EBK) нь хөрс судлал гэх мэт олон салбарт загварчлалд хэрэглэгддэг геостатистикийн интерполяцийн олон аргуудын нэг юм. Бусад кригингийн интерполяцийн аргуудаас ялгаатай нь EBK нь хагас вариограммын загвараар тооцоолсон алдааг харгалзан уламжлалт кригингийн аргуудаас ялгаатай. EBK интерполяцид хагас вариограмм интерполяцын үед хагас вариограмм интерполяци хийхээс илүүтэйгээр хагас вариограмм загварчлалыг хийдэг. Хангалттай кригингийн аргын маш нарийн төвөгтэй хэсгийг бүрдүүлдэг хагас вариограммыг зурахтай холбоотой тодорхойгүй байдал, програмчлалын арга. EBK-ийн интерполяцийн процесс нь Криворучко50-ын санал болгосон гурван шалгуурыг дагаж мөрддөг, (a) загвар нь оролтын өгөгдлийн багцаас хагас вариограммыг тооцоолдог (б) оролтын өгөгдлийн багц тус бүрийн шинэ таамагласан утгыг үүсгэнэ (б) оролтын өгөгдлийн багц тус бүрийн шинэ таамагласан утгыг үүсгэнэ. загварчилсан өгөгдлийн багц. Байесын тэгшитгэлийн дүрмийг арын хэсэгт өгөв
\(Prob\left(A\right)\) нь өмнөхийг илэрхийлдэг бол \(Prob\left(B\right)\) ахиу магадлалыг ихэнх тохиолдолд үл тоомсорлодог \(Prob (B,A)\ ) . Хагас вариограммын тооцоолол нь Bayes-ийн дүрэмд суурилдаг бөгөөд энэ нь ажиглалтын өгөгдлийн олонлогийн хандлагыг харуулдаг бөгөөд энэ нь Bayes-ийн дүрмийн дараагаар үүсгэгдсэн хагас variogram-ийн утгыг ашиглаж болно. хагасвариограммаас ажиглалтын өгөгдлийн багц үүсгэх магадлал хэр их байна.
Туслах вектор машин нь ижил боловч шугаман бус ангиллыг ялгах оновчтой тусгаарлах гипер хавтгайг үүсгэдэг машин сургалтын алгоритм юм. Vapnik51 зорилго ангиллын алгоритмыг бүтээсэн боловч саяхан регрессийн баримжаатай асуудлыг шийдвэрлэхэд ашиглагдаж байна. Li et al.52-ийн дагуу SVM нь MachineS regression ангилагчийн янз бүрийн бүрэлдэхүүн хэсгүүдийн нэг юм. Энэхүү шинжилгээнд регресс – SVMR) ашигласан. Черкасский, Мюльер53 нар SVMR-ийг цөмд суурилсан регрессийн хувьд анхлан гаргасан бөгөөд тооцооллыг олон орны орон зайн функц бүхий шугаман регрессийн загвар ашиглан гүйцэтгэсэн. Жон ба бусад54 SVMR загварчлал нь газар хоорондын болон шугаман бус харилцааг бий болгох боломжийг олгодог гипер хавтгайн шугаман регрессийг ашигладаг гэж мэдээлсэн. .55, epsilon (ε)-SVMR нь сургагдсан өгөгдлийн багцыг эпсилон мэдрэмтгий бус функц болгон дүрслэх загварыг ашигладаг бөгөөд энэ нь харилцан хамаарал бүхий өгөгдлийн сургалтаас хамгийн сайн эпсилон хазайлттай өгөгдлийг бие даан зураглахад хэрэглэгддэг. Урьдчилан тогтоосон зайны алдааг бодит утгаас үл тоомсорлодог бөгөөд хэрэв алдаа нь ε(ε) -ээс их байвал хөрсний өгөгдлийн цогц шинж чанарыг сайжруулахад чиглэнэ. векторууд.Вапник51-ийн санал болгосон тэгшитгэлийг доор үзүүлэв.
Энд b нь скаляр босгыг, \(K\left({x}_{,}{ x}_{k}\right)\) цөмийн функцийг, \(\альфа\) нь Лагранжийн үржүүлэгчийг, N тоон өгөгдлийн багцыг, \({x}_{k}\) нь өгөгдлийн оролтыг, MR нь өгөгдлийн оролтыг, SV нь өгөгдлийн гаралтыг илэрхийлнэ. a Gaussian radial basic function (RBF). RBF цөм нь оновчтой SVMR загварыг тодорхойлоход хэрэглэгддэг бөгөөд энэ нь PTE сургалтын өгөгдлийн хамгийн нарийн торгуулийн багц хүчин зүйл С болон цөмийн параметрийн гамма (γ) -ийг олж авахад чухал ач холбогдолтой. Эхлээд бид сургалтын багцыг үнэлж, дараа нь баталгаажуулалтын параметрийн багц дээр загварын гүйцэтгэлийг туршиж үзсэн.
Олон шугаман регрессийн загвар (MLR) нь хариултын хувьсагч ба хэд хэдэн таамаглагч хувьсагчдын хоорондын хамаарлыг хамгийн бага квадратын аргаар тооцоолсон шугаман нэгтгэсэн параметрүүдийг ашиглан илэрхийлдэг регрессийн загвар юм. MLR-д хамгийн бага квадратын загвар нь тайлбарлагч хувьсагчдыг сонгосны дараа хөрсний шинж чанарыг урьдчилан таамаглах функц юм. Энэ нь хувьсах шугамыг ашиглан тайлбарлах боломжтой хариултыг ашиглах шаардлагатай. тайлбарлагч хувьсагчтай шугаман хамаарал. MLR тэгшитгэл нь
Энд y нь хариултын хувьсагч, \(a\) нь огтлолцол, n нь таамаглагчдын тоо, \({b}_{1}\) нь коэффициентүүдийн хэсэгчилсэн регресс, \({x}_{ i}\) нь таамаглагч эсвэл тайлбарлагч хувьсагч, \({\varepsilon }_{i}\) нь мөн загварт мэдэгдэж буй алдааг илэрхийлдэг.
Холимог загваруудыг EBK-ийг SVMR ба MLR-тай хавчуулж гаргаж авсан. Үүнийг EBK интерполяциас урьдчилан таамагласан утгуудыг гаргаж авах замаар хийдэг. Интерполяцлагдсан Ca, K, Mg-ээс олж авсан урьдчилан таамагласан утгуудыг нэгтгэх процессоор CaK, CaMg, CaMg, Ca, KMg гэх мэт шинэ хувьсагчдыг олж авдаг. .Ерөнхийдөө олж авсан хувьсагчдаас Ca, K, Mg, CaK, CaMg, KMg болон CaKMg байна. Эдгээр хувьсагчууд нь бидний таамаглагч болж, хот суурин газрын болон хотын захын хөрсөнд никелийн концентрацийг урьдчилан таамаглахад тусалсан. SVMR алгоритмыг урьдчилан таамаглагч дээр гүйцэтгэсэн бөгөөд холимог загвар (Empirical Bayesian Vectors Machines varVM) (Empirical Bayesian Vectors Machinely varVMs). MLR алгоритмаар дамжуулан холимог загварыг Эмпирик Байезийн кригинг-Олон шугаман регресс (EBK_MLR) олж авна. Ихэвчлэн Ca, K, Mg, CaK, CaMg, KMg, CaKMg хувьсагчдыг хот суурин болон хот орчмын хөрсөнд VMML-ийн Ni-ийн агуулгын таамаглагч болгон ковариат болгон ашигладаг (энэ нь EBK__ ихэнх тохиолдолд хүлээн зөвшөөрөгдөх болно). Өөрийгөө зохион байгуулах график ашиглан дүрсэлсэн. Энэхүү судалгааны ажлын явцыг Зураг 2-т үзүүлэв.
SeOM-ийг ашиглах нь санхүүгийн салбар, эрүүл мэнд, аж үйлдвэр, статистик, хөрс судлал болон бусад салбарт өгөгдлийг цэгцлэх, үнэлэх, урьдчилан таамаглах түгээмэл хэрэгсэл болсон.SeOM нь зохион байгуулалт, үнэлгээ, таамаглалд зориулсан хиймэл мэдрэлийн сүлжээ, хяналтгүй сургалтын аргуудыг ашиглан бүтээгдсэн. Энэхүү судалгаанд SeOM-ийг хотын захын OM дахь хамгийн сайн өгөгдлийн загварт үндэслэн Ni концентрацийг төсөөлөхөд ашигласан болно. үнэлгээг n оролтын хэмжээст вектор хувьсагч болгон ашигладаг43,56.Melssen et al.57 нь оролтын векторыг мэдрэлийн сүлжээнд нэг оролтын давхаргаар дамжуулан нэг жингийн вектор бүхий гаралтын вектортой холбохыг тайлбарлав. SeOM-ээр үүсгэсэн гаралт нь ойролцоох байдлаар нь зургаан өнцөгт, дугуй эсвэл дөрвөлжин топологийн зураглалд сүлжсэн өөр өөр нейрон эсвэл зангилаанаас бүрдэх хоёр хэмжээст газрын зураг юм. Газрын зургийн хэмжээг харьцуулах нь (метрик, квантчлалын загвар) (SeQE0) болон алдааны топографийн загвар (SeQE0) болон алдааны OM8). 0.904-ийг тус тус сонгосон бөгөөд энэ нь 55 газрын зургийн нэгж (5 × 11). Нейроны бүтцийг эмпирик тэгшитгэлийн зангилааны тоогоор тодорхойлно.
Энэхүү судалгаанд ашигласан өгөгдлийн тоо 115 түүвэр байна. Санамсаргүй аргыг ашиглан өгөгдлийг туршилтын өгөгдөл (баталгаажуулалтын 25%) болон сургалтын өгөгдлийн багц (75% шалгалт тохируулга) болгон хуваав. Сургалтын өгөгдлийн багцыг регрессийн загвар (шалгалт тохируулга) үүсгэхэд ашигладаг бөгөөд тестийн өгөгдлийн багцыг ерөнхийлөн тогтоох чадварыг шалгахад ашигладаг58. Энэ нь янз бүрийн загварчлалын агуулгыг урьдчилан таамаглах боломжийг үнэлэх зорилгоор хийгдсэн. - дахин хөндлөн баталгаажуулах үйл явц, таван удаа давтагдана. EBK интерполяцаар үүсгэгдсэн хувьсагчдыг зорилтот хувьсагчийг (PTE) таамаглахын тулд таамаглагч эсвэл тайлбарлагч хувьсагч болгон ашигладаг. Загварчлалыг RStudio-д номын сан(Kohonen), library(caret), library(modelr), library(“e1071″(”ol), library(“plspect(”)ol), library(“plspect(”)ols), номын сангийн багцуудыг ашиглан зохицуулдаг. raries ("Хэмжүүр").
Хөрсөн дэх никелийн агууламжийг урьдчилан таамаглахад тохиромжтой хамгийн сайн загварыг тодорхойлох, загвар болон түүний баталгаажуулалтыг үнэлэхийн тулд янз бүрийн баталгаажуулалтын параметрүүдийг ашигласан. Гибридизацийн загварыг дундаж үнэмлэхүй алдаа (MAE), язгуур квадрат алдаа (RMSE), R квадрат буюу коэффициент тодорхойлох (R2) ашиглан үнэлэв. бие даасан хэмжигдэхүүн дэх хэмжээ нь загварын таамаглах хүчийг тодорхойлдог бол MAE нь бодит тоон утгыг тодорхойлдог. Баталгаажуулалтын параметрүүдийг ашиглан хамгийн сайн хольцын загварыг үнэлэхийн тулд R2 утга нь өндөр байх ёстой, утга 1-д ойртох тусам нарийвчлал өндөр болно.Li et al.59, R2 шалгуурын утга 0.75 ба түүнээс дээш байвал сайн таамаглагч гэж үзнэ;0.5-аас 0.75 хүртэлх нь загварын гүйцэтгэлийг хүлээн зөвшөөрч, 0.5-аас доош бол загварын гүйцэтгэлийг хүлээн зөвшөөрөх боломжгүй. RMSE болон MAE баталгаажуулалтын шалгуурын үнэлгээний аргыг ашиглан загварыг сонгохдоо олж авсан доод утгууд нь хангалттай байсан бөгөөд хамгийн сайн сонголт гэж үзсэн. Дараах тэгшитгэл нь баталгаажуулах аргыг тайлбарласан болно.
Энд n нь ажиглагдсан утгын хэмжээг илэрхийлнэ\({Y}_{i}\) хэмжсэн хариуг, \({\widehat{Y}}_{i}\) нь мөн эхний i ажиглалтын хувьд урьдчилан таамагласан хариултын утгыг илэрхийлнэ.
Урьдчилан таамаглагч болон хариултын хувьсагчдын статистик тайлбарыг Хүснэгт 1-д үзүүлэв. Үүнд дундаж, стандарт хазайлт (SD), хэлбэлзлийн коэффициент (CV), хамгийн бага, максимум, хазайлт, хазайлт зэргийг харуулав. Элементүүдийн хамгийн бага ба хамгийн их утгууд нь MgТүүвэрлэсэн элементүүдийн хэмжсэн концентраци өөр өөр байдаг тул элементүүдийн өгөгдлийн багцын тархалт нь өөр өөр хазайлтыг харуулдаг. Элементүүдийн хазайлт ба муруйлт нь 1.53-аас 7.24, 2.49-54.16 хооронд хэлбэлзэж байна. Тооцоолсон бүх элементүүд нь хазайлт, хазайлтаас дээш түвшний тархалттай байна. зөв чиглэл ба дээд цэгтээ хүрсэн. Элементүүдийн тооцоолсон CV-ээс харахад K, Mg, Ni нь дунд зэргийн хэлбэлзэлтэй байдаг бол Ca нь маш өндөр хэлбэлзэлтэй байдаг. K, Ni, Mg-ийн CV нь тэдгээрийн жигд тархалтыг тайлбарладаг. Цаашилбал, Ca тархалт нь жигд бус бөгөөд гадаад эх үүсвэр нь түүний баяжуулалтын түвшинд нөлөөлж болзошгүй.
Урьдчилан таамаглах хувьсагчдын хариу урвалын элементүүдтэй хамаарал нь элементүүдийн хооронд хангалттай хамаарал байгааг харуулж байна (Зураг 3-ыг үзнэ үү). Корреляци нь CaK нь CaNi-тэй адил r утга = 0.53-тай дунд зэргийн хамаарал байгааг харуулж байна. Хэдийгээр Ca, K нь бие биентэйгээ даруухан хамааралтай байгааг Kingston et al.68 ба Санто69 нь хөрсөн дэх тэдгээрийн түвшин урвуу пропорциональ байгааг харуулж байна. Гэсэн хэдий ч Ca ба Mg нь K-тэй зөрчилддөг боловч CaK нь сайн хамааралтай байдаг. Энэ нь калийн агууламжаас 56% илүү байдаг калийн карбонат зэрэг бордоо хэрэглэсэнтэй холбоотой байж болох юм. Учир нь калийн магнийн сульфат, калийн магнийн нитрат, поташийг хөрсөнд түрхэж, тэдгээрийн дутагдлын түвшинг нэмэгдүүлнэ. Никель нь Ca, K, Mg-тай дунд зэргийн хамааралтай бөгөөд r = 0.52, 0.63, 0.55 байна. нези нь кальцийн шимэгдэлтийг дарангуйлдаг, кальци нь илүүдэл магнийн нөлөөг бууруулж, магни, кальци хоёулаа хөрсөн дэх никелийн хорт нөлөөг бууруулдаг.
Урьдчилан таамаглагчид болон хариултуудын хоорондын хамаарлыг харуулсан элементүүдийн корреляцийн матриц (Тэмдэглэл: энэ зурагт элементүүдийн хоорондох тархалтын график багтсан бөгөөд ач холбогдлын түвшин p < 0,001 дээр үндэслэсэн болно).
Зураг 4-т элементүүдийн орон зайн тархалтыг харуулав. Burgos et al70-ийн дагуу орон зайн тархалтын хэрэглээ нь бохирдсон газар дахь халуун цэгүүдийг тоолж, тодруулахад ашигладаг техник юм. Зураг 4-т Ca-ийн баяжуулалтын түвшинг орон зайн тархалтын газрын баруун хойд хэсэгт харж болно. Зурагт хамгийн их халуун, дунд зэргийн хэмжээтэй, хойд хэсгийн хамгийн их хэмжээгээр баяжуулж байгааг харуулж байна. хөрсний хүчиллэгийг бууруулахын тулд шохойн шохойг (кальцийн исэл) ашиглах, гангийн үйлдвэрт ган хайлуулах үйл явцад шүлтлэг хүчилтөрөгч болгон ашиглах. Нөгөөтэйгүүр, бусад тариаланчид рН-ийг саармагжуулахын тулд хүчиллэг хөрсөнд кальцийн гидроксидыг ашиглахыг илүүд үздэг бөгөөд энэ нь мөн хөрсний кальцийн агууламжийг нэмэгдүүлдэг71. Кали нь мөн зүүн хойд нутгийн хамгийн халуун цэгүүд юм. мөн дунд болон өндөр калийн хэв шинж нь NPK болон калийн хэрэглээтэй холбоотой байж болох юм. Энэ нь Мадарас ба Липавски72, Мадарас нар 73, Пулкрабова нар 74, Асаре нар 75 зэрэг бусад судалгаатай нийцэж байгаа бөгөөд хөрсийг тогтворжуулж, KCl болон KCl-ээр боловсруулснаар хөрсөнд өндөр агууламжтай байдаг.Тархалтын газрын баруун хойд хэсэгт байрлах орон зайн калийн баяжуулалт нь калийн хлорид, калийн сульфат, калийн нитрат, поташ, кали зэрэг кали дээр суурилсан бордоог ашиглан ядуу хөрсний калийн агууламжийг нэмэгдүүлэхтэй холбоотой байж болох юм.Zádorová нар.76 болон Tlustoš et al.77-д К-д суурилсан бордоо хэрэглэх нь хөрсөн дэх К-ийн агууламжийг нэмэгдүүлж, урт хугацаанд хөрсний шим тэжээлийн агууламжийг мэдэгдэхүйц нэмэгдүүлэх, ялангуяа K, Mg нь хөрсөнд халуун цэг байгааг харуулж байна. Газрын зургийн баруун хойд болон зүүн өмнөд хэсэгт харьцангуй дунд зэргийн халуун цэгүүд байна. Хөрс дэх коллоид тогтоц нь хөрсөнд агуулагдах шимт бодисуудын агууламжийг бууруулж, улмаар шавьжны доторх ургамалд шаргал шимт бодис дутагдахад хүргэдэг. венийн хлороз. Калийн магнийн сульфат, магнийн сульфат, кизерит зэрэг магнийн суурьтай бордоо нь хэвийн рН-ийн хэлбэлзэлтэй хөрсөн дэх дутагдлыг эмчилдэг (ургамал нь нил ягаан, улаан эсвэл бор өнгөтэй байдаг нь магнийн дутагдлыг илтгэнэ) 6. Никелийн хуримтлал нь хотын гадарга болон хот орчмын хөрсний гадарга, хөрсний гадарга зэрэг үйл ажиллагаанаас шалтгаалж болно. зэвэрдэггүй гангийн үйлдвэрлэлд никелийн ач холбогдол78.
Элементүүдийн орон зайн хуваарилалт [орон зайн тархалтын зургийг ArcGIS Desktop (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) ашиглан бүтээсэн.]
Энэхүү судалгаанд ашигласан элементүүдийн загварын гүйцэтгэлийн индексийн үр дүнг Хүснэгт 2-т үзүүлэв. Нөгөө талаас Ni-ийн RMSE ба MAE хоёулаа тэгтэй ойролцоо байна (0.86 RMSE, -0.08 MAE). Нөгөө талаас K-ийн RMSE болон MAE утгууд хоёулаа зөвшөөрөгдөх боломжтой. RMSE болон MAE үр дүн нь кальци, RMSE-ийн их хэмжээний өгөгдлийн хувьд илүү их байсан. Ni-ийг таамаглахад EBK-г ашигласан энэхүү судалгааны RMSE болон MAE нь John et al.54 ижил цуглуулсан өгөгдлүүдийг ашиглан хөрсөн дэх S-ийн концентрацийг таамаглахад синергетик кригинг ашиглан 54. Бидний судалсан EBK гаралт нь Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 болон John et al.82, ялангуяа К ба Ни.
Хот болон хот орчмын хөрсөнд никелийн агуулгыг урьдчилан таамаглах бие даасан аргуудын гүйцэтгэлийг загваруудын гүйцэтгэлийг ашиглан үнэлэв (Хүснэгт 3). Загварын баталгаажуулалт ба нарийвчлалын үнэлгээ нь Ca_Mg_K таамаглагчийг EBK SVMR загвартай хослуулан хамгийн сайн гүйцэтгэлийг өгсөн болохыг баталсан. Тохируулгын загвар Ca_MgRM2, үнэмлэхүй дундаж алдаа (RBRM2, язгуурын дундаж алдаа) ) нь 0.637 (R2), 95.479 мг/кг (RMSE) ба 77.368 мг/кг (MAE) Ca_Mg_K-SVMR нь 0.663 (R2), 235.974 мг/кг (RMSE) ба 166.946 мг/кг (MAE) (сайн) байв. /кг R2) болон Ca_Mg-EBK_SVMR (0.643 = R2);Тэдний RMSE ба MAE үр дүн Ca_Mg_K-EBK_SVMR (R2 0.637)-аас өндөр байсан (Хүснэгт 3-ыг үзнэ үү). Үүнээс гадна Ca_Mg-EBK_SVMR (RMSE = 1664.64 ба MAE = 1031.49) загварын RMSE ба MAE нь Ca_Mg_K-EBK_SVMR (R2 0.637)-аас өндөр байна. -EBK_SVMR. Үүний нэгэн адил Ca_Mg-K SVMR (RMSE = 235.974 ба MAE = 166.946) загварын RMSE ба MAE нь Ca_Mg_K-EBK_SVMR RMSE ба MAE-ийнхаас 2.5 ба 2.2-оор их байгаа нь RMSE-ийн өгөгдлийн шугамд хэрхэн нийцэж байгааг тооцоолсон үр дүнг харуулж байна. ME болон MAE ажиглагдсан. Kebonye et al.46 ба Жон нар.54, RMSE болон MAE нь тэг рүү ойртох тусам үр дүн нь сайн байх болно.SVMR болон EBK_SVMR нь RSME болон MAE-ийн тоон утгуудаас өндөр байна. RSME-ийн тооцоолол нь MAE утгуудаас тогтмол өндөр байгаа нь хэт давсан үзүүлэлт байгааг харуулж байна. гадуурх үзүүлэлтүүд байгаа. Энэ нь өгөгдлийн багц нь нэг төрлийн бус байх тусам MAE болон RMSE утгууд өндөр байна гэсэн үг юм. Хотын болон хотын захын хөрсний Ni-ийн агууламжийг таамаглах Ca_Mg_K-EBK_SVMR холимог загварын хөндлөн баталгаажуулалтын үнэлгээний нарийвчлал 63.70% байсан. Li et al.59, нарийвчлалын энэ түвшин нь хүлээн зөвшөөрөгдөх загвар гүйцэтгэлийн түвшин юм. Одоогийн үр дүнг Тарасов нар өмнөх судалгаатай харьцуулсан болно.36-ийн эрлийз загвар нь одоогийн судалгаанд мэдээлэгдсэн EBK_SVMR нарийвчлалын үнэлгээний индекстэй холбоотой MLPRK (Multilayer Perceptron Residual Kriging)-ийг үүсгэсэн RMSE (210) ба MAE (167.5) нь одоогийн судалгааны үр дүнгээс (RMSE 95.479, RH28-ийн өмнөх үеийнхээс) өндөр байсан. 637) Тарасов нартай хамт.36 (0.544)-ээс харахад энэ холимог загварт детерминацийн коэффициент (R2) илүү өндөр байгаа нь тодорхой байна. Холимог загварын алдааны хэмжээ (RMSE ба MAE) (EBK SVMR) хоёр дахин бага байна. Үүний нэгэн адил, Сергеев нар.34 боловсруулсан эрлийз загварт 0.28 (R2) тэмдэглэсэн байна (Multi3) Perging одоогийн судалгаанд Nilay. 7 (R2).Энэ загварын (EBK SVMR) таамаглалын нарийвчлалын түвшин 63.7%, харин Сергеев нар олж авсан таамаглалын нарийвчлал.34 нь 28% байна. EBK_SVMR загвар болон Ca_Mg_K-ийг урьдчилан таамаглагч болгон ашиглан бүтээсэн эцсийн газрын зураг (Зураг. 5) нь бүх судалгааны талбайн халуун цэгүүд болон дунд болон никелийн таамаглалыг харуулж байна. Энэ нь судалгааны талбай дахь никелийн агууламж голчлон дунд зэрэг, зарим тодорхой хэсэгт илүү өндөр агууламжтай гэсэн үг юм.
Эцсийн таамаглалын газрын зургийг EBK_SVMR эрлийз загвар болон таамаглагч болгон Ca_Mg_K ашиглан дүрсэлсэн болно.[Орон зайн тархалтын газрын зургийг RStudio (1.4.1717 хувилбар: https://www.rstudio.com/) ашиглан үүсгэсэн.]
Зураг 6-д PTE-ийн концентрацийг бие даасан мэдрэлийн эсүүдээс бүрдсэн найрлагын хавтгай хэлбэрээр үзүүлэв. Бүрэлдэхүүн хэсгүүдийн аль нь ч зурагт үзүүлсэн шиг ижил өнгийн хэв маягийг харуулсангүй. Гэсэн хэдий ч зурсан газрын зураг бүрт нейроны тохирох тоо нь 55 байна. SeOM нь янз бүрийн өнгө ашиглан бүтээгддэг ба өнгөний хэв маяг илүү төстэй байх тусам дээжийн шинж чанаруудыг харьцуулж болно. Нэг өндөр мэдрэлийн эсүүд болон ихэнх бага нейронуудын өнгөний хэв маяг. Иймээс CaK болон CaMg нь маш өндөр эрэмбийн мэдрэлийн эсүүд болон бага-дунд зэргийн өнгөний хэв маягтай зарим ижил төстэй талуудыг хуваалцдаг. Хоёр загвар нь улаан, улбар шар, шар зэрэг дундаас өндөр өнгийг харуулах замаар хөрсөн дэх Ni-ийн концентрацийг урьдчилан таамагладаг. KMg загвар нь өндөр, дунд зэргийн өмнөх болон дунд зэргийн өнгөний өмнөх өнгөт олон тооны өндөр өнгөний хэв маягийг харуулдаг. Загварын бүрдэл хэсгүүдийн хавтгай тархалтын загвар нь хөрсөн дэх никелийн боломжит концентрацийг харуулсан өндөр өнгөний хэв маягийг харуулсан (Зураг 4-ийг үзнэ үү). CakMg загварын бүрэлдэхүүн хэсгийн хавтгай нь өнгөний нарийн хуваарийн дагуу баганаас өндөр хүртэл олон төрлийн өнгөний хэв маягийг харуулж байна. Цаашилбал, никель (CakMg)-ийн талаарх загварын таамаглал нь 5-р зурагт үзүүлсэн никелийн агуулгыг (CakMg) таамаглаж буй орон зайн өндөр тархалттай төстэй байна. Хот болон хот орчмын хөрс дэх никелийн агууламж. Зураг 7-д контурын аргыг загвар тус бүрийн таамагласан утгад үндэслэн гурван кластерт хуваасан k-дунд бүлэгт дүрсэлсэн байна. Контурын арга нь кластерын оновчтой тоог илэрхийлнэ. Цуглуулсан 115 хөрсний дээжээс 1-р ангиллын хөрсний дээжийг хүлээн авсан бол C34, ангиллын ихэнх дээжийг авсан байна. 3 8 дээжийг хүлээн авсан. Долоон бүрэлдэхүүн хэсэгтэй хавтгай урьдчилан таамаглагчийн хослолыг кластерын зөв тайлбарыг хялбаршуулсан. Хөрс үүсэхэд нөлөөлж буй олон тооны антропоген болон байгалийн үйл явцын улмаас тархсан SeOM газрын зурагт кластерын зүй тогтлыг зөв ялгах нь хэцүү байдаг78.
Эмпирик Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) хувьсагч бүрийн бүрэлдэхүүн хэсгийн хавтгай гаралт.[SeOM газрын зургийг RStudio (1.4.1717 хувилбар: https://www.rstudio.com/) ашиглан үүсгэсэн.]
Өөр өөр кластер ангиллын бүрэлдэхүүн хэсгүүд [SeOM газрын зургийг RStudio ашиглан үүсгэсэн (хувилбар 1.4.1717: https://www.rstudio.com/).]
Одоогийн судалгаа нь хот суурин газрын болон хот орчмын хөрсөнд никелийн агууламжийг загварчлах арга техникийг тодорхой харуулж байна. Судалгаагаар хөрсөн дэх никелийн концентрацийг урьдчилан таамаглах хамгийн сайн аргыг олж авахын тулд янз бүрийн загварчлалын техникийг элементүүдийг загварчлалын техниктэй хослуулан туршиж үзсэн. Загварын техникийн SeOM найрлага дахь хавтгай орон зайн шинж чанарууд нь өндөр өнгөний хэв маягийг харуулсан бөгөөд энэ нь никелийн концентрацийг бага, өндөр, индиакийн нягтралын хувьд нарийвчлалтай харуулсан. Газрын зураг нь EBK_SVMR-ийн үзүүлсэн бүрэлдэхүүн хэсгүүдийн хавтгай орон зайн тархалтыг баталж байна (Зураг 5-ыг үзнэ үү). Үр дүнгээс харахад дэмжлэгийн вектор машины регрессийн загвар (Ca Mg K-SVMR) нь хөрсөн дэх Ni-ийн концентрацийг нэг загвараар урьдчилан таамаглаж байгаа боловч баталгаажуулалт, нарийвчлалын үнэлгээний параметрүүд нь RMSE болон MAEML-ийн бусад загварчлалын загварчлалын хувьд маш өндөр алдаатай байгааг харуулж байна. детерминацийн коэффициентийн бага утга (R2). EBK SVMR болон хосолсон элементүүдийг (CaKMg) бага RMSE болон MAE алдаатай 63.7% нарийвчлалтайгаар сайн үр дүнд хүрсэн. Энэ нь EBK алгоритмыг машин сургалтын алгоритмтай хослуулах нь PTE алгоритмыг ашиглан концентрацийн үр дүнг урьдчилан таамаглах боломжтой болохыг харуулж байна. Судалгааны талбай дахь Ni-ийн концентрацийг урьдчилан таамаглах зорилгоор Ca Mg K нь хөрсөн дэх Ni-ийн таамаглалыг сайжруулж чадна. Энэ нь гангийн үйлдвэрүүд никельд суурилсан бордоог тасралтгүй хэрэглэх, хөрсийг үйлдвэрлэлийн бохирдлоос хөрсөнд никелийн агууламжийг нэмэгдүүлэх хандлагатай байна гэсэн үг юм. Энэхүү судалгаагаар EBK загвар нь алдааны түвшинг бууруулж, хотын эргэн тойрон дахь бохирдлын ерөнхий тархалтыг сайжруулж болохыг харуулсан. , бид хөрсөн дэх PTE-ийг үнэлэх, урьдчилан таамаглахад EBK-SVMR загварыг ашиглахыг санал болгож байна;Нэмж дурдахад бид янз бүрийн машин сургалтын алгоритмуудтай эрлийзжүүлэхэд EBK ашиглахыг санал болгож байна. Ni концентрацийг элементүүдийг ковариат болгон ашиглан урьдчилан таамагласан;гэхдээ илүү олон ковариат ашиглах нь загварын гүйцэтгэлийг ихээхэн сайжруулах бөгөөд энэ нь одоогийн ажлын хязгаарлалт гэж үзэж болно. Энэхүү судалгааны өөр нэг хязгаарлалт нь өгөгдлийн багцын тоо 115 байна. Иймд хэрэв илүү олон өгөгдөл өгөх юм бол санал болгож буй оновчтой эрлийзжүүлэх аргын гүйцэтгэлийг сайжруулах боломжтой.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021 оны 4-р сарын 28-нд хандсан).
Каспрзак, К.С.Никель орчин үеийн байгаль орчны токсиологи.орч.токсологи дахь дэвшил.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Түүний эх сурвалж, хүрээлэн буй орчны токсикологийн тойм. Польш Ж. Байгаль орчин. Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Канадын Онтарио мужийн Садбери дахь никель-зэс хайлуулах үйлдвэрийн ойролцоох хөрс, ургамалд агаар мандалд орж буй бохирдуулагч бодис, хуримтлал.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Ботсвана дахь Селеби-Пикве зэс-никелийн уурхайн ойролцоох хөрсөн дэх хүнд металл, ургамал, бэлчээрийн хивэгч малтай холбоотой эрсдэл.
Cabata-Pendias.Kabata-Pendias A. 2011. Хөрс дэх микроэлементүүд ба… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements.+York++2011. NY%29%3A+CRC+Press&btnG= (2020 оны 11-р сарын 24-нд хандсан).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Оросын никель үйлдвэрлэлийн Норвегийн Соер-Варангер дахь хөдөө аж ахуйн хөрс, өвс ургамал дахь хүнд металлын агууламжид үзүүлэх нөлөө.agris.fao.org.
Nielsen, GD et al. Ундны усанд никелийн шингээлт ба хадгалалт нь хүнсний хэрэглээ болон никелийн мэдрэмжтэй холбоотой. токсикологи. Хэрэглээ. Фармакодинамик.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, мутаци, эпигенетик эсвэл сонгомол. хүрээлэн буй орчин. Эрүүл мэндийн хэтийн төлөв.107, 2 (1999).
Ажман, PC;Ажадо, SK;Борувка, Л.;Бини, JKM;Саркоди, VYO;Кобонье, НМ;Хортой байж болзошгүй элементүүдийн чиг хандлагын шинжилгээ: библиометрийн тойм. Байгаль орчны геохими ба эрүүл мэнд.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. Хөрсний дижитал зураглалын тухай. Геодерма 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Геостатистикийн усан сангийн загварчлал,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Геостатистикийн+Усан сангийн загварчлал%2C +Oxford+C6+Page%2C +Oxford+68%Pages. = (2021 оны 4-р сарын 28-нд хандсан).


Шуудангийн цаг: 2022 оны 7-р сарын 22