Voorspelling van nikkelconcentraties in voorstedelijke en stedelijke bodems met behulp van gemengde empirische Bayesiaanse kriging en ondersteuning van vectormachineregressie

Bedankt voor uw bezoek aan Nature.com. De browserversie die u gebruikt, biedt beperkte ondersteuning voor CSS. Voor de beste ervaring raden we u aan een bijgewerkte browser te gebruiken (of de compatibiliteitsmodus uit te schakelen in Internet Explorer). In de tussentijd zullen we de site zonder stijlen en JavaScript weergeven om voortdurende ondersteuning te garanderen.
Bodemverontreiniging is een groot probleem dat wordt veroorzaakt door menselijke activiteiten. De ruimtelijke verdeling van potentieel toxische elementen (PTE's) varieert in de meeste stedelijke en voorstedelijke gebieden. Daarom is het moeilijk om het gehalte aan PTE's in dergelijke bodems ruimtelijk te voorspellen. In totaal werden 115 monsters verkregen van Frydek Mistek in de Tsjechische Republiek. De concentraties calcium (Ca), magnesium (Mg), kalium (K) en nikkel (Ni) werden bepaald met behulp van inductief gekoppelde plasma-emissiespectrometrie. ofs zijn Ca, Mg en K. De correlatiematrix tussen de responsvariabele en de voorspellende variabele toont een bevredigende correlatie tussen de elementen. De voorspellingsresultaten toonden aan dat Support Vector Machine Regression (SVMR) goed presteerde, hoewel de geschatte root mean square error (RMSE) (235,974 mg/kg) en mean absolute error (MAE) (166,946 mg/kg) hoger waren dan de andere toegepaste methoden. Gemengde modellen voor Empirische Bayesiaanse Kriging-Multiple Linear Regression (EB K-MLR) presteren slecht, zoals blijkt uit determinatiecoëfficiënten van minder dan 0,1. Het Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) model was het beste model, met lage RMSE (95,479 mg/kg) en MAE (77,368 mg/kg) waarden en hoge determinatiecoëfficiënt (R2 = 0,637). De output van de EBK-SVMR modelleringstechniek wordt gevisualiseerd met behulp van een zelf-orgaan Geclusterde neuronen in het vlak van het hybride model CakMg-EBK-SVMR-component vertonen meerdere kleurpatronen die Ni-concentraties in stedelijke en peri-urbane bodems voorspellen. De resultaten tonen aan dat het combineren van EBK en SVMR een effectieve techniek is voor het voorspellen van Ni-concentraties in stedelijke en peri-urbane bodems.
Nikkel (Ni) wordt beschouwd als een micronutriënt voor planten omdat het bijdraagt ​​aan de atmosferische stikstofbinding (N) en het ureummetabolisme, die beide nodig zijn voor het ontkiemen van zaden. Naast zijn bijdrage aan het ontkiemen van zaden, kan Ni fungeren als een schimmel- en bacterieremmer en de ontwikkeling van planten bevorderen. Door het gebrek aan nikkel in de bodem kan de plant het absorberen, wat resulteert in chlorose van bladeren. Erwten en sperziebonen vereisen bijvoorbeeld de toepassing van op nikkel gebaseerde meststoffen om de stikstofbinding te optimaliseren2. Voortdurende toepassing van op nikkel gebaseerde meststoffen om de bodem te verrijken en het vermogen van peulvruchten om stikstof in de bodem te binden te vergroten, verhogen voortdurend de nikkelconcentratie in de bodem. Hoewel nikkel een micronutriënt is voor planten, kan de overmatige opname ervan in de bodem meer kwaad dan goed doen. De toxiciteit van nikkel in de bodem minimaliseert de pH van de bodem en belemmert de opname van ijzer als een essentiële voedingsstof voor plantengroei1. Volgens Liu3 is Ni het 17e belangrijke element gebleken dat nodig is voor de ontwikkeling en groei van planten. galvaniseren, de productie van op nikkel gebaseerde legeringen en de vervaardiging van ontstekingsinrichtingen en bougies in de auto-industrie vereisen allemaal het gebruik van nikkel in verschillende industriële sectoren. Bovendien worden op nikkel gebaseerde legeringen en gegalvaniseerde artikelen veel gebruikt in keukengerei, balzaalaccessoires, benodigdheden voor de voedingsindustrie, elektriciteit, draad en kabel, straalturbines, chirurgische implantaten, textiel en scheepsbouw5. Ni-rijke niveaus in bodems (dwz oppervlaktebodems) zijn toegeschreven aan zowel antropogene als natuurlijke bronnen , maar in de eerste plaats is Ni een natuurlijke bron in plaats van antropogene4,6. Natuurlijke bronnen van nikkel omvatten vulkaanuitbarstingen, vegetatie, bosbranden en geologische processen;antropogene bronnen zijn echter onder meer nikkel/cadmiumbatterijen in de staalindustrie, galvaniseren, booglassen, diesel- en stookolie, en atmosferische emissies door kolenverbranding en afval- en slibverbranding.10 zijn de belangrijkste bronnen van vervuiling van de bovengrond in de directe en aangrenzende omgeving voornamelijk op nikkel-koper gebaseerde smelterijen en mijnen. De bovengrond rond de nikkel-koperraffinaderij van Sudbury in Canada had de hoogste niveaus van nikkelverontreiniging met 26.000 mg/kg11. Verontreiniging door nikkelproductie in Rusland heeft daarentegen geleid tot hogere nikkelconcentraties in de Noorse bodem11. Volgens Alms et al.12 varieerde de hoeveelheid HNO3-extraheerbaar nikkel in het beste bouwland van de regio (nikkelproductie in Rusland) van 6,25 tot 136,88 mg/kg, wat overeenkomt met een gemiddelde van 30,43 mg/kg en een basisconcentratie van 25 mg/kg. aten de bodem. De potentiële effecten van nikkel bij mensen kunnen leiden tot kanker door mutagenese, chromosomale schade, Z-DNA-generatie, geblokkeerd DNA-excisieherstel of epigenetische processen13. In dierexperimenten is gebleken dat nikkel het potentieel heeft om een ​​verscheidenheid aan tumoren te veroorzaken, en kankerverwekkende nikkelcomplexen kunnen dergelijke tumoren verergeren.
Bodemverontreinigingsbeoordelingen hebben de laatste tijd een hoge vlucht genomen als gevolg van een breed scala aan gezondheidsgerelateerde problemen die voortkomen uit bodem-plantrelaties, bodem- en bodembiologische relaties, ecologische degradatie en milieueffectbeoordeling. Tot op heden was ruimtelijke voorspelling van potentieel toxische elementen (PTE's) zoals Ni in de bodem arbeidsintensief en tijdrovend met behulp van traditionele methoden. De komst van digitale bodemkartering (DSM) en het huidige succes ervan15 hebben de voorspellende bodemkartering (PSM) aanzienlijk verbeterd. Volgens Minasny en McBratney16 hebben voorspellende bodemkartering (DSM) ) heeft bewezen een prominente subdiscipline van de bodemkunde te zijn. Lagacherie en McBratney, 2006 definiëren DSM als "het creëren en vullen van ruimtelijke bodeminformatiesystemen door het gebruik van in situ en laboratoriumobservatiemethoden en ruimtelijke en niet-ruimtelijke bodeminferentiesystemen". McBratney et al.17 schetsen dat de hedendaagse DSM of PSM de meest effectieve techniek is voor het voorspellen of in kaart brengen van de ruimtelijke verdeling van PTE's, bodemsoorten en bodemeigenschappen. Geostatistiek en Machine Learning Algorithms (MLA) zijn DSM-modelleringstechnieken die gedigitaliseerde kaarten maken met behulp van computers met behulp van significante en minimale gegevens.
Deutsch18 en Olea19 definiëren geostatistiek als "de verzameling numerieke technieken die te maken hebben met de representatie van ruimtelijke attributen, waarbij voornamelijk gebruik wordt gemaakt van stochastische modellen, zoals hoe tijdreeksanalyse temporele gegevens karakteriseert."Geostatistiek omvat in de eerste plaats de evaluatie van variogrammen, die het mogelijk maken om de afhankelijkheden van ruimtelijke waarden van elke dataset te kwantificeren en te definiëren20.Gumiaux et al.20 illustreren verder dat de evaluatie van variogrammen in de geostatistiek is gebaseerd op drie principes, waaronder (a) het berekenen van de schaal van gegevenscorrelatie, (b) het identificeren en berekenen van anisotropie in datasetdispariteit en (c) naast het rekening houden met de inherente fout van de meetgegevens gescheiden van de lokale effecten, worden ook de gebiedseffecten geschat. Voortbouwend op deze concepten worden in de geostatistiek veel interpolatietechnieken gebruikt, waaronder algemene kriging, co-kriging, gewone kriging, ical Bayesiaanse kriging, eenvoudige krigingmethode en andere bekende interpolatietechnieken om PTE, bodemkenmerken en grondsoorten in kaart te brengen of te voorspellen.
Machine Learning Algorithms (MLA) zijn een relatief nieuwe techniek die grotere niet-lineaire gegevensklassen gebruikt, gevoed door algoritmen die voornamelijk worden gebruikt voor datamining, het identificeren van patronen in gegevens en die herhaaldelijk worden toegepast op classificatie in wetenschappelijke gebieden zoals bodemkunde en retourtaken. Talrijke onderzoeksdocumenten vertrouwen op MLA-modellen om PTE in bodems te voorspellen, zoals Tan et al.22 (willekeurige bossen voor schatting van zware metalen in landbouwbodems), Sakizadeh et al.23 (modellering met behulp van ondersteunende vectormachines en kunstmatige neurale netwerken) bodemverontreiniging). Bovendien hebben Vega et al.24 (CART voor het modelleren van retentie en adsorptie van zware metalen in de bodem) Sun et al.25 (toepassing van kubistisch is de verdeling van Cd in de bodem) en andere algoritmen zoals k-naaste buur, gegeneraliseerde versterkte regressie en versterkte regressie Bomen pasten ook MLA toe om PTE in grond te voorspellen.
De toepassing van DSM-algoritmen bij het voorspellen of in kaart brengen staat voor verschillende uitdagingen. Veel auteurs zijn van mening dat MLA superieur is aan geostatistiek en vice versa. Hoewel het ene beter is dan het andere, verbetert de combinatie van de twee het nauwkeurigheidsniveau van het in kaart brengen of voorspellen in DSM15. Woodcock en Gopal26 Finke27;Pontius en Cheuk28 en Grunwald29 geven commentaar op tekortkomingen en enkele fouten in voorspelde bodemkartering. Bodemwetenschappers hebben verschillende technieken uitgeprobeerd om de effectiviteit, nauwkeurigheid en voorspelbaarheid van DSM-kartering en -voorspelling te optimaliseren. De combinatie van onzekerheid en verificatie is een van de vele verschillende aspecten die in DSM zijn geïntegreerd om de effectiviteit te optimaliseren en defecten te verminderen.15 schetsen dat het validatiegedrag en de onzekerheid die worden geïntroduceerd door het maken en voorspellen van kaarten onafhankelijk moeten worden gevalideerd om de kaartkwaliteit te verbeteren. De beperkingen van de DSM zijn te wijten aan geografisch verspreide bodemkwaliteit, die een component van onzekerheid met zich meebrengt;het gebrek aan zekerheid in de DSM kan echter het gevolg zijn van meerdere foutenbronnen, namelijk covariabele fouten, modelfouten, locatiefouten en analytische fouten 31. Onnauwkeurigheden in de modellering veroorzaakt door MLA en geostatistische processen gaan gepaard met een gebrek aan begrip, wat uiteindelijk leidt tot een te grote vereenvoudiging van het echte proces 32. Ongeacht de aard van de modellering kunnen onnauwkeurigheden worden toegeschreven aan modelleringsparameters, wiskundige modelvoorspellingen of interpolatie 33. Onlangs is er een nieuwe DSM-trend ontstaan ​​dat de integratie van geostatistiek en MLA bij het in kaart brengen en voorspellen bevordert. Verschillende bodemwetenschappers en auteurs, zoals Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 en Tarasov et al.37 hebben de nauwkeurige kwaliteit van geostatistiek en machine learning benut om hybride modellen te genereren die de efficiëntie van prognoses en kaarten verbeteren.Sommige van deze hybride of gecombineerde algoritmemodellen zijn Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 en Co-Kriging en Gaussian Process Regression38.
Volgens Sergeev et al. heeft het combineren van verschillende modelleringstechnieken het potentieel om defecten te elimineren en de efficiëntie van het resulterende hybride model te vergroten in plaats van het ontwikkelen van een enkel model. In deze context betoogt dit nieuwe artikel dat het noodzakelijk is om een ​​gecombineerd algoritme van geostatistiek en MLA toe te passen om optimale hybride modellen te creëren om Ni-verrijking in stedelijke en peri-urbane gebieden te voorspellen. (MLR)-modellen. Hybridisatie van EBK met welke MLA dan ook is niet bekend. De meerdere gemengde modellen die worden gezien, zijn combinaties van gewone, residuele, regressie-kriging en MLA. EBK is een geostatistische interpolatiemethode die gebruikmaakt van een ruimtelijk stochastisch proces dat is gelokaliseerd als een niet-stationair/stationair willekeurig veld met gedefinieerde lokalisatieparameters over het veld, waardoor ruimtelijke variatie mogelijk is39. EBK is gebruikt in verschillende onderzoeken, waaronder het analyseren van de verdeling van organische koolstof in landbouwbodems4 0, het beoordelen van bodemverontreiniging41 en het in kaart brengen van bodemeigenschappen42.
Aan de andere kant is Self-Organizing Graph (SeOM) een leeralgoritme dat is toegepast in verschillende artikelen zoals Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 en Kebonye et al.46 Bepaal de ruimtelijke attributen en groepering van elementen.Wang et al.44 schetsen dat SeOM een krachtige leertechniek is die bekend staat om zijn vermogen om niet-lineaire problemen te groeperen en zich voor te stellen.44, kan SeOM de verdeling van verwante neuronen ruimtelijk groeperen en gegevensvisualisatie met hoge resolutie bieden. SeOM zal Ni-voorspellingsgegevens visualiseren om het beste model te verkrijgen om de resultaten te karakteriseren voor directe interpretatie.
Dit artikel heeft tot doel een robuust kaartmodel te genereren met optimale nauwkeurigheid voor het voorspellen van het nikkelgehalte in stedelijke en peri-urbane bodems. We veronderstellen dat de betrouwbaarheid van het gemengde model voornamelijk afhangt van de invloed van andere modellen die aan het basismodel zijn gekoppeld. We erkennen de uitdagingen waarmee de DSM wordt geconfronteerd, en hoewel deze uitdagingen op meerdere fronten worden aangepakt, lijkt de combinatie van vooruitgang in geostatistiek en MLA-modellen incrementeel te zijn;daarom zullen we proberen onderzoeksvragen te beantwoorden die gemengde modellen kunnen opleveren. Hoe nauwkeurig is het model echter bij het voorspellen van het doelelement? Wat is ook het niveau van efficiëntie-evaluatie op basis van validatie en nauwkeurigheidsevaluatie? SeOM om een ​​kaart met hoge resolutie van ruimtelijke variatie in nikkel te maken.
De studie wordt uitgevoerd in Tsjechië, met name in het district Frydek Mistek in de regio Moravië-Silezië (zie figuur 1). De geografie van het studiegebied is erg ruig en maakt grotendeels deel uit van de regio Moravië-Silezië Beskidy, die deel uitmaakt van de buitenste rand van de Karpaten. m;het classificatiesysteem van Koppen voor de klimatologische toestand van de regio wordt echter beoordeeld als Cfb = gematigd zeeklimaat. Zelfs in de droge maanden valt er veel regen. De temperaturen variëren het hele jaar door enigszins tussen −5 °C en 24 °C, en vallen zelden onder −14 °C of boven 30 °C, terwijl de gemiddelde jaarlijkse neerslag tussen 685 en 752 mm ligt47. Het geschatte onderzoeksgebied van het hele gebied is 1.208 vierkante kilometer, met 39 0,38% van het gecultiveerde land en 49,36% van de bosbedekking. Aan de andere kant is het gebied dat in deze studie wordt gebruikt ongeveer 889,8 vierkante kilometer. In en rond Ostrava zijn de staalindustrie en metaalfabrieken zeer actief. Metaalfabrieken, de staalindustrie waar nikkel wordt gebruikt in roestvrij staal (bijvoorbeeld voor weerstand tegen atmosferische corrosie) en gelegeerd staal (nikkel verhoogt de sterkte van de legering met behoud van de goede ductiliteit en taaiheid), en intensieve landbouw zoals toepassing van fosfaatkunstmest en veeteelt zijn onderzoekspotentieel bronnen van nikkel in de regio (bijv. het toevoegen van nikkel aan lammeren om de groeisnelheid van lammeren en laaggevoede runderen te verhogen). Andere industriële toepassingen van nikkel in onderzoeksgebieden zijn onder meer het gebruik bij galvaniseren, waaronder galvaniseren van nikkel en stroomloos vernikkelen. Bodemeigenschappen zijn gemakkelijk te onderscheiden van bodemkleur, structuur en carbonaatgehalte. De bodemtextuur is middelmatig tot fijn, afgeleid van het moedermateriaal. Ze zijn colluviaal, alluviaal of eolisch van aard. met beton en bleken. Cambisols en stagnosols zijn echter de meest voorkomende grondsoorten in de regio48. Met hoogtes variërend van 455,1 tot 493,5 m domineren cambisols de Tsjechische Republiek49.
Studiegebiedkaart [De studiegebiedkaart is gemaakt met behulp van ArcGIS Desktop (ESRI, Inc, versie 10.7, URL: https://desktop.arcgis.com).]
Er werden in totaal 115 bovengrondmonsters verkregen van stedelijke en peri-urbane bodems in het Frydek Mistek-district. Het gebruikte monsterpatroon was een regelmatig raster met grondmonsters met een onderlinge afstand van 2 × 2 km, en de bovengrond werd gemeten op een diepte van 0 tot 20 cm met behulp van een in de hand te houden GPS-apparaat (Leica Zeno 5 GPS). gecontroleerd door een mechanisch systeem (Fritsch-schijfmolen), en gezeefd (zeefmaat 2 mm). Plaats 1 gram gedroogde, gehomogeniseerde en gezeefde grondmonsters in duidelijk gelabelde teflonflessen. Doe in elk Teflon-vat 7 ml 35% HCl en 3 ml 65% HNO3 (met behulp van een automatische dispenser - één voor elk zuur), dek lichtjes af en laat de monsters een nacht staan ​​voor de reactie (aqua regia-programma). het supernatant op een hete metalen plaat (temperatuur: 100 W en 160 °C) gedurende 2 uur om het digestieproces van de monsters te vergemakkelijken, koel vervolgens af. Breng het supernatant over in een maatkolf van 50 ml en verdun tot 50 ml met gedeïoniseerd water. Filtreer daarna het verdunde supernatant in een 50 ml PVC-buis met gedeïoniseerd water. Bovendien werd 1 ml van de verdunningsoplossing verdund met 9 ml gedeïoniseerd water en gefiltreerd in een Buisje van 12 ml voorbereid voor PTE-pseudoconcentratie. De concentraties van PTE's (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) werden bepaald door ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, VS) volgens standaardmethoden en overeenstemming. Procedures voor kwaliteitsborging en controle (QA/QC) garanderen (SRM NIST 2711a Montana II Soil ).PTE's met detectielimieten van minder dan de helft werden uitgesloten van dit onderzoek. De detectielimiet van de PTE die in dit onderzoek werd gebruikt, was 0,0004.(u). Bovendien wordt de kwaliteitscontrole en het kwaliteitsborgingsproces voor elke analyse gewaarborgd door referentiestandaarden te analyseren. Om ervoor te zorgen dat fouten tot een minimum werden beperkt, werd een dubbele analyse uitgevoerd.
Empirische Bayesiaanse kriging (EBK) is een van de vele geostatistische interpolatietechnieken die worden gebruikt bij modellering op diverse gebieden, zoals bodemkunde. In tegenstelling tot andere kriging-interpolatietechnieken verschilt EBK van traditionele kriging-methoden door rekening te houden met de fout die wordt geschat door het semivariogrammodel. Bij EBK-interpolatie worden tijdens interpolatie verschillende semivariogrammodellen berekend in plaats van een enkel semivariogram. Interpolatietechnieken maken plaats voor de onzekerheid en programmering die gepaard gaan met deze plotting van het semivariogram dat vormt een zeer complex onderdeel van een voldoende kriging-methode. Het interpolatieproces van EBK volgt de drie criteria voorgesteld door Krivoruchko50, (a) het model schat het semivariogram uit de inputdataset (b) de nieuwe voorspelde waarde voor elke locatie van de inputdataset op basis van het gegenereerde semivariogram en (c) het uiteindelijke A-model wordt berekend uit een gesimuleerde dataset. De Bayesiaanse vergelijkingsregel wordt gegeven als een achterste
Waar \(Prob\left(A\right)\) de prior vertegenwoordigt, wordt \(Prob\left(B\right)\) marginale waarschijnlijkheid in de meeste gevallen genegeerd, \(Prob (B,A)\ ). De berekening van het semivariogram is gebaseerd op de regel van Bayes, die de neiging laat zien van observatiedatasets die kunnen worden gemaakt op basis van semivariogrammen. .
Een ondersteunende vectormachine is een algoritme voor machinaal leren dat een optimaal scheidend hypervlak genereert om identieke maar niet lineair onafhankelijke klassen te onderscheiden. Vapnik51 heeft het intent-classificatie-algoritme gemaakt, maar het is onlangs gebruikt om regressie-georiënteerde problemen op te lossen. Volgens Li et al.52 is SVM een van de beste classificatietechnieken en is het op verschillende gebieden gebruikt. De regressiecomponent van SVM (Support Vector Machine Regression – SVMR) werd gebruikt in deze analyse.Cherkassky en Mu lier53 was een pionier op het gebied van SVMR als een kernel-gebaseerde regressie, waarvan de berekening werd uitgevoerd met behulp van een lineair regressiemodel met ruimtelijke functies voor meerdere landen.55 gebruikt epsilon (ε)-SVMR de getrainde dataset om een ​​representatiemodel te verkrijgen als een epsilon-ongevoelige functie die wordt toegepast om de gegevens onafhankelijk in kaart te brengen met de beste epsilon-bias van training op gecorreleerde gegevens. De vooraf ingestelde afstandsfout wordt genegeerd ten opzichte van de werkelijke waarde, en als de fout groter is dan ε(ε), compenseren de bodemeigenschappen dit. Het model reduceert ook de complexiteit van de trainingsgegevens tot een bredere subset van ondersteuningsvectoren. De door Vapnik51 voorgestelde vergelijking wordt hieronder weergegeven.
waarbij b staat voor de scalaire drempel, \(K\left({x}_{,}{ x}_{k}\right)\) staat voor de kernelfunctie, \(\alpha\) staat voor de Lagrange-vermenigvuldiger, N staat voor een numerieke dataset, \({x}_{k}\) staat voor data-invoer, en \(y\) is data-uitvoer. Een van de belangrijkste gebruikte kernels is de SVMR-bewerking, een Gaussiaanse radiale basisfunctie (RBF). kernel wordt toegepast om het optimale SVMR-model te bepalen, wat van cruciaal belang is om de meest subtiele penalty set factor C en kernelparameter gamma (γ) voor de PTE-trainingsgegevens te verkrijgen. Eerst hebben we de trainingsset geëvalueerd en vervolgens de modelprestaties getest op de validatieset. De gebruikte stuurparameter is sigma en de methodewaarde is svmRadial.
Een meervoudig lineair regressiemodel (MLR) is een regressiemodel dat de relatie weergeeft tussen de responsvariabele en een aantal voorspellende variabelen door lineaire gepoolde parameters te gebruiken die zijn berekend met behulp van de kleinste kwadratenmethode. In MLR is een kleinste kwadratenmodel een voorspellende functie van bodemeigenschappen na selectie van verklarende variabelen. Het is noodzakelijk om de respons te gebruiken om een ​​lineaire relatie tot stand te brengen met behulp van verklarende variabelen. PTE werd gebruikt als de responsvariabele om een ​​lineaire relatie met de verklarende variabelen tot stand te brengen. De MLR-vergelijking is
waar y de responsvariabele is, \(a\) is het snijpunt, n is het aantal voorspellers, \({b}_{1}\) is de partiële regressie van de coëfficiënten, \({x}_{ i}\) staat voor een voorspellende of verklarende variabele, en \({\varepsilon }_{i}\) staat voor de fout in het model, ook wel de residu genoemd.
Gemengde modellen werden verkregen door EBK te sandwichen met SVMR en MLR. Dit wordt gedaan door voorspelde waarden te extraheren uit EBK-interpolatie. De voorspelde waarden verkregen uit de geïnterpoleerde Ca, K en Mg worden verkregen via een combinatorisch proces om nieuwe variabelen te verkrijgen, zoals CaK, CaMg en KMg. De elementen Ca, K en Mg worden vervolgens gecombineerd om een ​​vierde variabele te verkrijgen, CaKMg. Over het algemeen zijn de verkregen variabelen Ca, K, Mg, CaK , CaMg, KMg en CaKMg. Deze variabelen werden onze voorspellers, die hielpen bij het voorspellen van nikkelconcentraties in stedelijke en peri-urbane bodems. Het SVMR-algoritme werd uitgevoerd op de voorspellers om een ​​gemengd model Empirische Bayesiaanse Kriging-Support Vector Machine (EBK_SVM) te verkrijgen. Op dezelfde manier worden variabelen ook doorgesluisd door het MLR-algoritme om een ​​gemengd model Empirische Bayesiaanse Kriging-Multiple Lineaire Regressie (EBK_MLR) te verkrijgen.Typ In het algemeen worden de variabelen Ca, K, Mg, CaK, CaMg, KMg en CaKMg gebruikt als covariaten als voorspellers van het Ni-gehalte in stedelijke en peri-urbane bodems. Het verkregen meest aanvaardbare model (EBK_SVM of EBK_MLR) zal vervolgens worden gevisualiseerd met behulp van een zelforganiserende grafiek. De workflow van deze studie wordt weergegeven in figuur 2.
Het gebruik van SeOM is een populair hulpmiddel geworden voor het organiseren, evalueren en voorspellen van gegevens in de financiële sector, gezondheidszorg, industrie, statistiek, bodemkunde en meer. SeOM is gemaakt met behulp van kunstmatige neurale netwerken en onbewaakte leermethoden voor organisatie, evaluatie en voorspelling. In deze studie werd SeOM gebruikt om Ni-concentraties te visualiseren op basis van het beste model voor het voorspellen van Ni in stedelijke en peri-urbane bodems.57 beschrijven de verbinding van een invoervector in een neuraal netwerk via een enkele invoerlaag naar een uitvoervector met een enkele gewichtsvector. De uitvoer gegenereerd door SeOM is een tweedimensionale kaart die bestaat uit verschillende neuronen of knooppunten geweven in hexagonale, cirkelvormige of vierkante topologische kaarten op basis van hun nabijheid. Bij het vergelijken van kaartgroottes op basis van metrische, kwantisatiefout (QE) en topografische fout (TE), wordt het SeOM-model met respectievelijk 0,086 en 0,904 geselecteerd, wat een 5 is Eenheid met 5 kaarten (5 × 11). De neuronstructuur wordt bepaald op basis van het aantal knooppunten in de empirische vergelijking
Het aantal gegevens dat in dit onderzoek is gebruikt, is 115 monsters. Er werd een willekeurige benadering gebruikt om de gegevens op te splitsen in testgegevens (25% voor validatie) en trainingsgegevenssets (75% voor kalibratie). De trainingsgegevensset wordt gebruikt om het regressiemodel te genereren (kalibratie) en de testgegevensset wordt gebruikt om het generalisatievermogen te verifiëren58. Dit werd gedaan om de geschiktheid van verschillende modellen voor het voorspellen van het nikkelgehalte in bodems te beoordelen. geproduceerd door EBK-interpolatie worden gebruikt als voorspellers of verklarende variabelen om de doelvariabele (PTE) te voorspellen. Modellering wordt afgehandeld in RStudio met behulp van de pakketten library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) en bibliotheken (“Metrics”).
Verschillende validatieparameters werden gebruikt om het beste model te bepalen dat geschikt is voor het voorspellen van nikkelconcentraties in de bodem en om de nauwkeurigheid van het model en de validatie ervan te evalueren. Hybridisatiemodellen werden geëvalueerd met behulp van gemiddelde absolute fout (MAE), root mean square error (RMSE) en R-kwadraat of coëfficiëntbepaling (R2). R2 definieert de variantie van de verhoudingen in het antwoord, weergegeven door het regressiemodel. RMSE en variantiegrootte in onafhankelijke metingen beschrijven de voorspellende kracht van het model, terwijl MAE de werkelijke kwantitatieve waarde bepaalt. 2 waarde moet hoog zijn om het beste mengselmodel te evalueren met behulp van de validatieparameters, hoe dichter de waarde bij 1 ligt, hoe hoger de nauwkeurigheid. Volgens Li et al.59, wordt een R2-criteriumwaarde van 0,75 of hoger als een goede voorspeller beschouwd;van 0,5 tot 0,75 zijn acceptabele modelprestaties en onder 0,5 zijn onaanvaardbare modelprestaties. Bij het selecteren van een model met behulp van de RMSE- en MAE-validatiecriteria-evaluatiemethoden waren de verkregen lagere waarden voldoende en werden ze als de beste keuze beschouwd. De volgende vergelijking beschrijft de verificatiemethode.
waarbij n staat voor de grootte van de waargenomen waarde\({Y}_{i}\) staat voor de gemeten respons, en \({\widehat{Y}}_{i}\) staat dus ook voor de voorspelde responswaarde voor de eerste i waarnemingen.
Statistische beschrijvingen van voorspellende variabelen en responsvariabelen worden weergegeven in tabel 1, met gemiddelde, standaarddeviatie (SD), variatiecoëfficiënt (CV), minimum, maximum, kurtosis en scheefheid. De minimum- en maximumwaarden van de elementen zijn in afnemende volgorde van respectievelijk Mg < Ca < K < Ni en Ca < Mg < K < Ni. Concentraties van de responsvariabele (Ni) bemonsterd uit het studiegebied varieerden van 4,86 ​​tot 42,39 mg/kg. Vergelijking van Ni met het wereldgemiddelde (29 mg/kg) en het Europese gemiddelde (37 mg/kg) toonden aan dat het totale berekende geometrische gemiddelde voor het studiegebied binnen het aanvaardbare bereik lag. Desalniettemin, zoals aangetoond door Kabata-Pendias11, toont een vergelijking van de gemiddelde nikkelconcentratie (Ni) in de huidige studie met landbouwbodems in Zweden aan dat de huidige gemiddelde nikkelconcentratie hoger is. 0,15 mg/kg) was hoger dan de toegestane limiet van 60 (10,2 mg/kg) voor Ni in Poolse stedelijke bodems gerapporteerd door Różański et al. Bovendien registreerden Bretzel en Calderisi61 zeer lage gemiddelde Ni-concentraties (1,78 mg/kg) in stedelijke bodems in Toscane in vergelijking met de huidige studie.Jim62 vond ook een lagere nikkelconcentratie (12,34 mg/kg) in stedelijke bodems in Hong Kong, wat lager is dan het huidige nikkel concentratie in deze studie. Birke et al63 rapporteerden een gemiddelde Ni-concentratie van 17,6 mg/kg in een oud mijnbouw- en stedelijk industriegebied in Saksen-Anhalt, Duitsland, wat 1,45 mg/kg hoger was dan de gemiddelde Ni-concentratie in het gebied (16,15 mg/kg). Lopend onderzoek. et al.64 dat de staalindustrie en metaalbewerking de belangrijkste bronnen zijn van nikkelverontreiniging in de bodem. De voorspellers varieerden echter ook van 538,70 mg/kg tot 69.161,80 mg/kg voor Ca, 497,51 mg/kg tot 3535,68 mg/kg voor K, en 685,68 mg/kg tot 5970,05 mg/kg voor Mg.Jakovljevic et al.65 onderzocht het totale Mg- en K-gehalte van bodems in Centraal-Servië. Ze ontdekten dat de totale concentraties (respectievelijk 410 mg/kg en 400 mg/kg) lager waren dan de Mg- en K-concentraties van het huidige onderzoek. In Oost-Polen, niet te onderscheiden, beoordeelden Orzechowski en Smolczynski66 het totale gehalte aan Ca, Mg en K en toonden gemiddelde concentraties aan van Ca (1100 mg/kg), Mg (590 mg/kg) en K (8 10 mg/kg) Het gehalte in de bovengrond is lager dan het enkele element in deze studie. Een recente studie van Pongrac et al.67 toonde aan dat het totale Ca-gehalte geanalyseerd in 3 verschillende bodems in Schotland, VK (Mylnefield-bodem, Balruddery-bodem en Hartwood-bodem) in dit onderzoek een hoger Ca-gehalte aangaf.
Vanwege de verschillende gemeten concentraties van de bemonsterde elementen, vertonen de datasetverdelingen van de elementen verschillende scheefheid. De scheefheid en kurtosis van de elementen varieerden respectievelijk van 1,53 tot 7,24 en 2,49 tot 54,16. Alle berekende elementen hebben scheefheid- en kurtosisniveaus boven +1, wat aangeeft dat de gegevensdistributie onregelmatig, scheef in de goede richting en piekte is. De geschatte CV's van de elementen laten ook zien dat K, Mg en Ni matige variabiliteit vertonen, terwijl Ca een extreem hoge variabiliteit heeft. De CV's van K, Ni en Mg verklaren hun uniforme verdeling. Bovendien is de Ca-verdeling niet-uniform en kunnen externe bronnen het verrijkingsniveau beïnvloeden.
De correlatie van de voorspellende variabelen met de responselementen duidde op een bevredigende correlatie tussen de elementen (zie figuur 3). De correlatie gaf aan dat CaK een matige correlatie vertoonde met r-waarde = 0,53, evenals CaNi. Hoewel Ca en K bescheiden associaties met elkaar vertonen, onderzoekers zoals Kingston et al.68 en Santo69 suggereren dat hun niveaus in de bodem omgekeerd evenredig zijn. Ca en Mg zijn echter antagonistisch voor K, maar CaK correleert goed. Dit kan te wijten zijn aan de toepassing van meststoffen zoals kaliumcarbonaat, dat 56% hoger is in kalium. Kalium was matig gecorreleerd met magnesium (KM r = 0,63). niveaus. Nikkel is matig gecorreleerd met Ca, K en Mg met r-waarden = respectievelijk 0,52, 0,63 en 0,55. De relaties met calcium, magnesium en PTE's zoals nikkel zijn complex, maar magnesium remt de calciumabsorptie, calcium vermindert de effecten van overtollig magnesium en zowel magnesium als calcium verminderen de toxische effecten van nikkel in de bodem.
Correlatiematrix voor elementen die de relatie tussen voorspellers en reacties laten zien (Opmerking: deze figuur bevat een spreidingsdiagram tussen elementen, significantieniveaus zijn gebaseerd op p < 0,001).
Figuur 4 illustreert de ruimtelijke verdeling van elementen. Volgens Burgos et al.70 is de toepassing van ruimtelijke verdeling een techniek die wordt gebruikt om hotspots in vervuilde gebieden te kwantificeren en te markeren. De verrijkingsniveaus van Ca in Fig. 4 zijn te zien in het noordwestelijke deel van de ruimtelijke verspreidingskaart. De figuur toont matige tot hoge Ca-verrijkingspots. De calciumverrijking in het noordwesten van de kaart is waarschijnlijk te wijten aan het gebruik van ongebluste kalk (calciumoxide) om de zuurgraad van de bodem te verminderen en het gebruik ervan in staalfabrieken als alkalische zuurstof in het staalproductieproces. Aan de andere kant gebruiken andere boeren liever calciumhydroxide in zure bodems om de pH te neutraliseren, wat ook het calciumgehalte van de bodem verhoogt71. Kalium vertoont ook hotspots in het noordwesten en oosten van de kaart. Het noordwesten is een belangrijke agrarische gemeenschap en het matige tot hoge patroon van kalium kan te wijten zijn aan toepassingen van NPK en potas. Dit komt overeen met andere studies, zoals Madaras en Lipavský72, Madaras et al.73, Pul krabová et al.74, Asare et al.75, die constateerden dat bodemstabilisatie en behandeling met KCl en NPK resulteerden in een hoog K-gehalte in de bodem.Ruimtelijke kaliumverrijking in het noordwesten van de verspreidingskaart kan te wijten zijn aan het gebruik van op kalium gebaseerde meststoffen zoals kaliumchloride, kaliumsulfaat, kaliumnitraat, potas en potas om het kaliumgehalte van arme gronden te verhogen.76 en Tlustoš et al.77 schetste dat de toepassing van op K gebaseerde meststoffen het K-gehalte in de bodem verhoogde en het gehalte aan voedingsstoffen in de bodem op de lange termijn aanzienlijk zou verhogen, vooral K en Mg die een hotspot in de bodem laten zien. Relatief gematigde hotspots in het noordwesten van de kaart en het zuidoosten van de kaart. Colloïdale fixatie in de bodem verlaagt de concentratie van magnesium in de bodem. behandel tekorten (planten lijken paars, rood of bruin, wat wijst op magnesiumtekort) in bodems met een normaal pH-bereik6. De accumulatie van nikkel op stedelijke en peri-urbane bodemoppervlakken kan te wijten zijn aan antropogene activiteiten zoals landbouw en het belang van nikkel bij de productie van roestvrij staal78.
Ruimtelijke verdeling van elementen [ruimtelijke verdelingskaart is gemaakt met behulp van ArcGIS Desktop (ESRI, Inc, versie 10.7, URL: https://desktop.arcgis.com).]
De resultaten van de modelprestatie-index voor de elementen die in dit onderzoek zijn gebruikt, worden weergegeven in tabel 2. Aan de andere kant zijn de RMSE en MAE van Ni beide bijna nul (0,86 RMSE, -0,08 MAE). Aan de andere kant zijn zowel de RMSE- als de MAE-waarden van K acceptabel. De RMSE- en MAE-resultaten waren groter voor calcium en magnesium. Ca en K MAE- en RMSE-resultaten zijn groter vanwege verschillende datasets. De RMSE en MAE van dit onderzoek gebruiken EBK om Ni te voorspellen bleken beter te zijn dan de resultaten van John et al.54 synergetische kriging gebruiken om S-concentraties in de bodem te voorspellen met dezelfde verzamelde gegevens. De EBK-outputs die we hebben bestudeerd, correleren met die van Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 en John et al.82, vooral K en Ni.
De prestaties van individuele methoden voor het voorspellen van het nikkelgehalte in stedelijke en peri-urbane bodems werden geëvalueerd met behulp van de prestaties van de modellen (tabel 3). Modelvalidatie en nauwkeurigheidsevaluatie bevestigden dat de Ca_Mg_K-voorspeller in combinatie met het EBK SVMR-model de beste prestaties opleverde. Kalibratiemodel Ca_Mg_K-EBK_SVMR model R2, root mean square error (RMSE) en mean absolute error (MAE) waren 0,637 (R2), 95,479 mg/kg (RMSE) en 77.368 mg/kg (MAE) Ca_Mg_K-SVMR was 0.663 (R2), 235.974 mg/kg (RMSE) en 166.946 mg/kg (MAE). Niettemin werden goede R2-waarden verkregen voor Ca_Mg_K-SVMR (0.663 mg/kg R2) en Ca_Mg-EBK_SVMR ( 0,643 = R2);hun RMSE- en MAE-resultaten waren hoger dan die voor Ca_Mg_K-EBK_SVMR (R2 0,637) (zie tabel 3). Bovendien zijn de RMSE en MAE van het Ca_Mg-EBK_SVMR-model (RMSE = 1664,64 en MAE = 1031,49) respectievelijk 17,5 en 13,4, die groter zijn dan die van de Ca_Mg_K-EBK _SVMR. Evenzo zijn de RMSE en MAE van het Ca_Mg-K SVMR (RMSE = 235.974 en MAE = 166.946) model respectievelijk 2,5 en 2,2 groter dan die van het Ca_Mg_K-EBK_SVMR RMSE en MAE. De berekende RMSE-resultaten geven aan hoe geconcentreerd de dataset is met de best passende lijn. Hogere RSME en MAE werden waargenomen. aan Kebonye et al.46 en John et al.54, hoe dichter de RMSE en MAE bij nul liggen, hoe beter de resultaten. SVMR en EBK_SVMR hebben hogere gekwantiseerde RSME- en MAE-waarden. Waargenomen werd dat de RSME-schattingen consistent hoger waren dan de MAE-waarden, wat wijst op de aanwezigheid van uitbijters. Volgens Legates en McCabe83 wordt de mate waarin de RMSE de mean absolute error (MAE) overschrijdt aanbevolen als indicator voor de aanwezigheid van uitschieters. Dit betekent dat hoe heterogener Hoe hoger de dataset, hoe hoger de MAE- en RMSE-waarden. De nauwkeurigheid van de kruisvalidatiebeoordeling van het Ca_Mg_K-EBK_SVMR gemengde model voor het voorspellen van het Ni-gehalte in stedelijke en voorstedelijke bodems was 63,70%. Volgens Li et al.59 is dit nauwkeurigheidsniveau een acceptabel prestatiepercentage van het model. De huidige resultaten worden vergeleken met een eerder onderzoek door Tarasov et al.36 wiens hybride model MLPRK (Multilayer Perceptron Residual Kriging) creëerde, gerelateerd aan de EBK_SVMR-nauwkeurigheidsevaluatie-index gerapporteerd in de huidige studie, RMSE (210) en The MAE (167.5) was hoger dan onze resultaten in de huidige studie (RMSE 95.479, MAE 77.368). Echter, bij het vergelijken van de R2 van de huidige studie (0.637) met die van Tarasov et al.36 (0,544), is het duidelijk dat de determinatiecoëfficiënt (R2) hoger is in dit gemengde model. De foutenmarge (RMSE en MAE) (EBK SVMR) voor het gemengde model is twee keer lager. Op dezelfde manier registreerden Sergeev et al.34 0,28 (R2) voor het ontwikkelde hybride model (Multilayer Perceptron Residual Kriging), terwijl Ni in de huidige studie 0,637 (R2) registreerde. Het voorspellingsnauwkeurigheidsniveau van dit model (EBK S VMR) is 63,7%, terwijl de voorspellingsnauwkeurigheid verkregen door Sergeev et al.34 is 28%. De uiteindelijke kaart (Fig. 5) gemaakt met behulp van het EBK_SVMR-model en Ca_Mg_K als voorspeller toont voorspellingen van hotspots en matig tot nikkel over het gehele studiegebied. Dit betekent dat de concentratie van nikkel in het studiegebied voornamelijk matig is, met hogere concentraties in sommige specifieke gebieden.
De uiteindelijke voorspellingskaart wordt weergegeven met behulp van het hybride model EBK_SVMR en met Ca_Mg_K als de voorspeller. [De ruimtelijke distributiekaart is gemaakt met RStudio (versie 1.4.1717: https://www.rstudio.com/).]
Gepresenteerd in figuur 6 zijn PTE-concentraties als een samenstellingsvlak bestaande uit individuele neuronen. Geen van de samenstellende vlakken vertoonde hetzelfde kleurenpatroon als getoond. Het juiste aantal neuronen per getekende kaart is echter 55. SeOM wordt geproduceerd met behulp van een verscheidenheid aan kleuren, en hoe meer de kleurpatronen lijken, hoe beter de eigenschappen van de monsters vergelijkbaar zijn. CaMg heeft enkele overeenkomsten met neuronen van zeer hoge orde en lage tot matige kleurpatronen. Beide modellen voorspellen de concentratie van Ni in de bodem door gemiddelde tot hoge tinten van kleuren weer te geven, zoals rood, oranje en geel. Het KMg-model geeft veel hoge kleurpatronen weer op basis van precieze verhoudingen en lage tot gemiddelde kleurvlakken. toont een divers kleurenpatroon van laag naar hoog volgens een nauwkeurige kleurenschaal. Bovendien is de voorspelling van het nikkelgehalte (CakMg) door het model vergelijkbaar met de ruimtelijke verdeling van nikkel weergegeven in figuur 5. Beide grafieken tonen hoge, gemiddelde en lage nikkelconcentraties in stedelijke en peri-urbane bodems. Figuur 7 toont de contourmethode in de k-gemiddelden-groepering op de kaart, verdeeld in drie clusters op basis van de voorspelde waarde in elk model. De contourmethode vertegenwoordigt het optimale aantal clusters. Van de 115 verzamelde bodemmonsters, verkreeg categorie 1 de meeste bodemmonsters, 74. Cluster 2 ontving 33 monsters, terwijl cluster 3 8 monsters ontving. De combinatie van zeven componenten planaire predictor werd vereenvoudigd om een ​​correcte clusterinterpretatie mogelijk te maken. Vanwege de talrijke antropogene en natuurlijke processen die de bodemvorming beïnvloeden, is het moeilijk om goed gedifferentieerde clusterpatronen te hebben in een gedistribueerde SeOM-kaart78.
Uitvoer in componentvlak door elke Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variabele. [SeOM-kaarten zijn gemaakt met RStudio (versie 1.4.1717: https://www.rstudio.com/).]
Verschillende componenten voor clusterclassificatie [SeOM-kaarten zijn gemaakt met RStudio (versie 1.4.1717: https://www.rstudio.com/).]
De huidige studie illustreert duidelijk modelleringstechnieken voor nikkelconcentraties in stedelijke en peri-urbane bodems. De studie testte verschillende modelleringstechnieken, waarbij elementen met modelleringstechnieken werden gecombineerd, om de beste manier te vinden om nikkelconcentraties in de bodem te voorspellen. De SeOM-compositieplanaire ruimtelijke kenmerken van de modelleringstechniek vertoonden een hoog kleurenpatroon van laag naar hoog op een nauwkeurige kleurenschaal, wat de Ni-concentraties in de bodem aangeeft. de resultaten tonen aan dat het Support Vector Machine Regression-model (Ca Mg K-SVMR) de concentratie van Ni in de bodem voorspelt als een enkel model, maar de validatie- en nauwkeurigheidsevaluatieparameters vertonen zeer hoge fouten in termen van RMSE en MAE. Aan de andere kant is de modelleringstechniek die wordt gebruikt met het EBK_MLR-model ook gebrekkig vanwege de lage waarde van de determinatiecoëfficiënt (R2). Goede resultaten werden verkregen met behulp van EBK SVMR en gecombineerde elementen (CaKMg) met lage RMSE- en MAE-fouten met een nauwkeurigheid van 63,7%. Het blijkt dat het combineren van het EBK-algoritme met een machine learning-algoritme een hybride algoritme kan genereren dat de concentratie van PTE's in de bodem kan voorspellen. De resultaten tonen aan dat het gebruik van Ca Mg K als voorspellers om Ni-concentraties in het studiegebied te voorspellen de voorspelling van Ni in de bodem kan verbeteren. Dit betekent dat de continue toepassing van op nikkel gebaseerde meststoffen en industriële vervuiling van de bodem door de staalindustrie de neiging heeft om de concentratie van nikkel in de bodem te verhogen. Uit dit onderzoek bleek dat het EBK-model het foutenpercentage kan verminderen en de nauwkeurigheid van het model van ruimtelijke bodemverdeling in stedelijke of peri-urbane bodems verbeteren. In het algemeen stellen we voor om het EBK-SVMR-model toe te passen om PTE in de bodem te beoordelen en te voorspellen;daarnaast stellen we voor om EBK te gebruiken om te hybridiseren met verschillende algoritmen voor machine learning. Ni-concentraties werden voorspeld met behulp van elementen als covariaten;het gebruik van meer covariaten zou de prestaties van het model echter aanzienlijk verbeteren, wat kan worden beschouwd als een beperking van het huidige werk. Een andere beperking van deze studie is dat het aantal datasets 115 is. Daarom, als er meer gegevens worden verstrekt, kunnen de prestaties van de voorgestelde geoptimaliseerde hybridisatiemethode worden verbeterd.
PlantProbs.net.Nikkel in planten en bodem https://plantprobs.net/plant/nutrientImbalances/sodium.html (geraadpleegd op 28 april 2021).
Kasprzak, KS Nickel maakt vorderingen in de moderne milieutoxicologie.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: een overzicht van de bronnen en milieutoxicologie. Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Vervuilende inbreng uit de atmosfeer en accumulatie in bodem en vegetatie nabij een nikkel-kopersmelterij in Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Zware metalen in bodem, planten en risico's verbonden aan grazende herkauwers nabij de Selebi-Phikwe koper-nikkelmijn in Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Spoorelementen in de bodem en… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29% 3A+CRC+Press&btnG= (geraadpleegd op 24 november 2020).
Almås, A., Singh, B., Agriculture, TS-NJ van & 1995, undefined.Effecten van de Russische nikkelindustrie op concentraties van zware metalen in landbouwbodems en grassen in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. De opname en retentie van nikkel in drinkwater zijn gerelateerd aan voedselinname en nikkelgevoeligheid. Toxicologie. Toepassing. Farmacodynamica. 154, 67-75 (1999).
Costa, M. & Klein, CB Nikkelcarcinogenese, mutatie, epigenetica of selectie.omgeving.Gezondheidsperspectief.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Trendanalyse van potentieel toxische elementen: een bibliometrisch overzicht.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: een korte geschiedenis en enkele lessen.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Over digitale bodemkartering.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Betreden op 28 april 202 1).


Posttijd: 22 juli 2022