Forutsigelse av nikkelkonsentrasjoner i forstads- og urbane jordarter ved bruk av blandet empirisk Bayesiansk kryging og støttevektormaskinregresjon

Takk for at du besøker Nature.com. Nettleserversjonen du bruker har begrenset støtte for CSS. For den beste opplevelsen anbefaler vi at du bruker en oppdatert nettleser (eller slår av kompatibilitetsmodus i Internet Explorer). I mellomtiden, for å sikre fortsatt støtte, vil vi vise nettstedet uten stiler og JavaScript.
Jordforurensning er et stort problem forårsaket av menneskelige aktiviteter. Den romlige fordelingen av potensielt giftige elementer (PTEs) varierer i de fleste urbane og peri-urbane områder. Derfor er det vanskelig å romlig forutsi innholdet av PTE i slike jordarter. Totalt 115 prøver ble hentet fra Frydek Mistek i Tsjekkia (Kassium), (Kassium) og magnesium (Kassium) og kalium (K. s ble bestemt ved bruk av induktivt koblet plasmaemisjonsspektrometri. Responsvariabelen er Ni og prediktorene er Ca, Mg og K. Korrelasjonsmatrisen mellom responsvariabelen og prediktorvariabelen viser en tilfredsstillende korrelasjon mellom elementene. Prediksjonsresultatene viste at Support Vector Machine Regression (SVMR) presterte godt, selv om dens estimerte feil (25 kgSE/RM) hadde en god gjennomsnittlig feil (235 kgSE/RM) E) (166,946 mg/kg) var høyere enn de andre metodene som ble brukt.Blandede modeller for empirisk bayesiansk Kriging-Multiple Linear Regression (EBK-MLR) presterer dårlig, noe som fremgår av bestemmelseskoeffisienter mindre enn 0,1. Den empiriske bayesianske Kriging-Support Vector Machine Regression (EBK-MLR)-modellen, 7 kg, 9,5 kg, var den beste modellen for bayesiansk kriging-støtte, mg/kg, 9,5 kg. og MAE-verdier (77,368 mg/kg) og høy bestemmelseskoeffisient (R2 = 0,637). EBK-SVMR-modelleringsteknikkens utdata er visualisert ved hjelp av et selvorganiserende kart.Klyngede nevroner i planet til hybridmodellen CakMg-EBK-SVMR-komponenten viser flere fargemønstre som forutsier og peri-combiner-resultater i urbane områder og viser så stor Niperi-bin-resultater. er en effektiv teknikk for å forutsi Ni-konsentrasjoner i urbane og peri-urbane jordarter.
Nikkel (Ni) betraktes som et mikronæringsstoff for planter fordi det bidrar til atmosfærisk nitrogenfiksering (N) og ureametabolisme, som begge er nødvendige for frøspiring. I tillegg til sitt bidrag til frøspiring, kan Ni virke som en sopp- og bakteriehemmer og fremme planteutvikling. Mangelen på nikkel i jorda, gjør at planten kan absorbere grønn, f.eks. påføring av nikkelbasert gjødsel for å optimalisere nitrogenfiksering2.Fortsatt bruk av nikkelbasert gjødsel for å berike jorda og øke belgfruktenes evne til å fikse nitrogen i jorda, øker kontinuerlig nikkelkonsentrasjonen i jorda. Selv om nikkel er et mikronæringsstoff for planter, kan dets overdreven giftighet av nikkel gjøre mer enn så mye nikkel. s jords pH og hindrer opptaket av jern som et essensielt næringsstoff for plantevekst1.Ifølge Liu3 har Ni blitt funnet å være det 17. viktige elementet som kreves for planteutvikling og -vekst.I tillegg til nikkels rolle i planteutvikling og -vekst, trenger mennesker det for en rekke bruksområder. Galvanisering, produksjon av nikkelbaserte legeringer krever all bruk av tennplugger i bilindustrien og tennplugger i bilindustrien og tennplugger, industrisektorer. I tillegg har nikkelbaserte legeringer og galvaniserte artikler blitt mye brukt i kjøkkenutstyr, ballroomtilbehør, forsyninger til næringsmiddelindustrien, elektrisitet, wire og kabel, jetturbiner, kirurgiske implantater, tekstiler og skipsbygging5. Ni-rike nivåer i jordsmonn (dvs. overflatejord) har blitt tilskrevet både en naturlig og en naturlig kilde, men snarere en naturlig kilde, og en naturlig kilde. ic4,6.Naturlige kilder til nikkel inkluderer vulkanutbrudd, vegetasjon, skogbranner og geologiske prosesser;Antropogene kilder inkluderer imidlertid nikkel/kadmium-batterier i stålindustrien, galvanisering, lysbuesveising, diesel og fyringsoljer, og atmosfæriske utslipp fra kullforbrenning og avfalls- og slamforbrenning Nikkelakkumulering7,8.Ifølge Freedman og Hutchinson9 og Manyiwa et al.10, er hovedkildene til matjordsforurensning i nærmiljøet og tilstøtende hovedsakelig nikkel-kobberbaserte smelteverk og gruver. Toppjorden rundt nikkel-kobberraffineriet Sudbury i Canada hadde de høyeste nivåene av nikkelforurensning med 26 000 mg/kg11. I motsetning til dette har forurensning fra nikkelproduksjon i Norge1 til Alm1 ført til høyere nikkelproduksjon i norsk1 og Russland. .12, varierte mengden av HNO3-ekstraherbart nikkel i regionens beste dyrkbar jord (nikkelproduksjon i Russland) fra 6,25 til 136,88 mg/kg, tilsvarende et gjennomsnitt på 30,43 mg/kg og en baseline-konsentrasjon på 25 mg/kg. ive avlingssesonger kan infundere eller forurense jorda. De potensielle effektene av nikkel hos mennesker kan føre til kreft gjennom mutagenese, kromosomskader, Z-DNA-generering, blokkert DNA-eksisjonsreparasjon eller epigenetiske prosesser13. I dyreforsøk har nikkel vist seg å ha potensial til å forårsake en rekke svulster, og kreftfremkallende svulster.
Jordforurensningsvurderinger har blomstret i nyere tid på grunn av et bredt spekter av helserelaterte problemer som oppstår fra jord-plante-forhold, jord- og jordbiologiske forhold, økologisk nedbrytning og miljøkonsekvensvurdering. Til dags dato har romlig prediksjon av potensielt giftige elementer (PTE) som Ni i jord vært arbeidskrevende og tidkrevende med sine nåværende digitale metoder, SM5D. sterkt forbedret prediktiv jordkartlegging (PSM). I følge Minasny og McBratney16 har prediktiv jordkartlegging (DSM) vist seg å være en fremtredende underdisiplin innen jordvitenskap. Lagacherie og McBratney, 2006 definerer DSM som "oppretting og utfylling av romlige jordinformasjonssystemer gjennom bruk av in- og laboratoriebaserte observasjonssystemer i laboratoriet". cBratney et al.17 skisserer at den moderne DSM eller PSM er den mest effektive teknikken for å forutsi eller kartlegge den romlige fordelingen av PTEer, jordtyper og jordegenskaper. Geostatistikk og maskinlæringsalgoritmer (MLA) er DSM-modelleringsteknikker som lager digitaliserte kart ved hjelp av datamaskiner som bruker betydelige og minimale data.
Deutsch18 og Olea19 definerer geostatistikk som "samlingen av numeriske teknikker som omhandler representasjon av romlige attributter, hovedsakelig ved bruk av stokastiske modeller, for eksempel hvordan tidsserieanalyse karakteriserer tidsdata."Primært involverer geostatistikk evaluering av variogrammer, som gjør det mulig å kvantifisere og definere avhengighetene til romlige verdier fra hvert datasett20.Gumiaux et al.20 illustrerer videre at evalueringen av variogrammer i geostatistikk er basert på tre prinsipper, inkludert (a) beregning av skalaen for datakorrelasjon, (b) identifisering og beregning av anisotropi i datasettforskjeller og (c) i tillegg til I tillegg til å ta i betraktning den iboende feilen til måledataene atskilt fra de lokale effektene, er det også estimert mange effekter på geostat-konseptet i bygningsteknikken, på disse områdene. istikker, inkludert generell kriging, co-kriging, vanlig kriging, empirisk Bayesiansk kriging, enkel krigingmetode og andre velkjente interpolasjonsteknikker for å kartlegge eller forutsi PTE, jordegenskaper og jordtyper.
Machine Learning Algorithms (MLA) er en relativt ny teknikk som bruker større ikke-lineære dataklasser, drevet av algoritmer som primært brukes til datautvinning, identifiserer mønstre i data, og gjentatte ganger brukt på klassifisering i vitenskapelige felt som jordvitenskap og returoppgaver. Tallrike forskningsartikler er avhengige av PLATE-modeller i et al.22 (tilfeldige skoger for tungmetallestimering i jordbruksjord), Sakizadeh et al.23 (modellering ved bruk av støttevektormaskiner og kunstige nevrale nettverk) jordforurensning ).I tillegg har Vega et al.24 (CART for modellering av tungmetallretensjon og adsorpsjon i jord) Sun et al.25 (anvendelse av kubist er fordelingen av Cd i jord) og andre algoritmer som k-nærmeste nabo, generalisert forsterket regresjon og forsterket regresjon Trær brukte også MLA for å forutsi PTE i jord.
Anvendelsen av DSM-algoritmer i prediksjon eller kartlegging står overfor flere utfordringer.Mange forfattere mener at MLA er overlegen geostatistikk og omvendt.Selv om den ene er bedre enn den andre, forbedrer kombinasjonen av de to nøyaktighetsnivået til kartlegging eller prediksjon i DSM15.Woodcock og Gopal26 Finke27;Pontius og Cheuk28 og Grunwald29 kommenterer mangler og noen feil i forutsagt jordkartlegging. Jordforskere har prøvd en rekke teknikker for å optimere effektiviteten, nøyaktigheten og forutsigbarheten til DSM-kartlegging og prognoser. Kombinasjonen av usikkerhet og verifikasjon er en av mange forskjellige aspekter integrert i DSM, reduserer og optimaliserer effektiviteten og defekter.15 skisserer at valideringsatferden og usikkerheten introdusert av kartoppretting og prediksjon bør valideres uavhengig for å forbedre kartkvaliteten. Begrensningene til DSM skyldes geografisk spredt jordkvalitet, som involverer en komponent av usikkerhet;mangelen på sikkerhet i DSM kan imidlertid oppstå fra flere feilkilder, nemlig kovariatfeil, modellfeil, lokaliseringsfeil og analytisk feil 31. Modelleringsunøyaktigheter indusert i MLA og geostatistiske prosesser er assosiert med mangel på forståelse, noe som til slutt fører til overforenkling av den virkelige prosessen32. Uavhengig av modellene kan tilskrives modellens natur32. atiske modellprediksjoner, eller interpolasjon33. Nylig har det dukket opp en ny DSM-trend som fremmer integrering av geostatistikk og MLA i kartlegging og prognoser. Flere jordforskere og forfattere, som Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 og Tarasov et al.37 har utnyttet den nøyaktige kvaliteten på geostatistikk og maskinlæring for å generere hybridmodeller som forbedrer effektiviteten til prognoser og kartlegging.kvalitet.Noen av disse hybrid- eller kombinerte algoritmemodellene er 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-Co-MLP8ian) Process.
I følge Sergeev et al., har kombinasjonen av ulike modelleringsteknikker potensialet til å eliminere defekter og øke effektiviteten til den resulterende hybridmodellen i stedet for å utvikle dens enkeltmodell. I denne sammenhengen argumenterer denne nye artikkelen for at det er nødvendig å bruke en kombinert algoritme for geostatistikk og MLA for å skape optimale hybridmodeller for å forutsi Ni-anriking i urbane områder og empiriske studier. og bland den med Support Vector Machine (SVM) og Multiple Linear Regression (MLR)-modeller.Hybridisering av EBK med en hvilken som helst MLA er ikke kjent. De multiple blandede modellene som sees er kombinasjoner av ordinær, residual, regresjonskriging, og MLA.EBK er en geostatistisk interpolasjonsmetode som utnytter et romlig stasjonært felt som er lokalt stokastisk og tilfeldig stasjonært felt over en tilfeldig stasjonær prosess som er lokalt stokastisk. , som åpner for romlig variasjon39.EBK har blitt brukt i en rekke studier, inkludert analyse av fordelingen av organisk karbon i gårdsjord40, vurdering av jordforurensning41 og kartlegging av jordegenskaper42.
På den annen side er Self-Organizing Graph (SeOM) en læringsalgoritme som har blitt brukt i ulike artikler som Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 og Kebonye et al.46 Bestem de romlige attributtene og grupperingen av elementer.Wang et al.44 skisserer at SeOM er en kraftig læringsteknikk kjent for sin evne til å gruppere og forestille seg ikke-lineære problemer. I motsetning til andre mønstergjenkjenningsteknikker som hovedkomponentanalyse, fuzzy clustering, hierarkisk clustering, og multi-kriterie beslutningstaking, er SeOM bedre til å organisere og identifisere PTE-mønstre. I følge Wang et al.44, kan SeOM romlig gruppere fordelingen av relaterte nevroner og gi høyoppløselig datavisualisering. SeOM vil visualisere Ni-prediksjonsdata for å oppnå den beste modellen for å karakterisere resultatene for direkte tolkning.
Denne artikkelen tar sikte på å generere en robust kartleggingsmodell med optimal nøyaktighet for å forutsi nikkelinnhold i urbane og peri-urbane jordarter. Vi antar at påliteligheten til den blandede modellen hovedsakelig avhenger av påvirkningen fra andre modeller knyttet til basismodellen. Vi anerkjenner utfordringene som DSM står overfor, og mens disse utfordringene blir adressert på flere fronter, og MLA-modeller vises i kombinasjon av geostatistiske fronter og fronter;derfor vil vi forsøke å svare på forskningsspørsmål som kan gi blandede modeller. Men hvor nøyaktig er modellen når det gjelder å forutsi målelementet? Dessuten, hva er nivået på effektivitetsevaluering basert på validering og nøyaktighetsevaluering? Derfor var de spesifikke målene med denne studien å (a) lage en kombinert blandingsmodell for SVMR eller MLR sammenligne som basismodellen ved å bruke EBK-modellen (foreslå den beste modellen) å forutsi Ni-konsentrasjoner i urbane eller peri-urbane jordarter, og (d) bruken av SeOM for å lage et høyoppløselig kart over romlig nikkelvariasjon.
Studien gjennomføres i Tsjekkia, spesielt i Frydek Mistek-distriktet i Moravia-silesiske regionen (se figur 1). Geografien til studieområdet er veldig robust og er for det meste en del av Moravia-fjellet. , og høyden er mellom 225 og 327 m;Koppens klassifiseringssystem for den klimatiske tilstanden i regionen er imidlertid rangert som Cfb = temperert oseanisk klima. Det er mye nedbør selv i de tørre månedene. Temperaturene varierer litt gjennom året mellom −5 °C og 24 °C, faller sjelden under −14 °C eller over 30 °C, mens gjennomsnittlig årlig nedbørsmengde er 7 mm til 7 mm nedbør. er 1 208 kvadratkilometer, med 39,38 % av dyrket mark og 49,36 % av skogdekningen. På den annen side er arealet som er brukt i denne studien ca 889,8 kvadratkilometer. I og rundt Ostrava er stålindustrien og metallverkene svært aktive. Metallfabrikker, stålindustrien hvor all motstandsdyktighet mot nikkel og nikkel er brukt i kornikkel og nikkel. Derfor øker legeringens styrke samtidig som dens gode duktilitet og seighet opprettholdes), og intensivt landbruk som bruk av fosfatgjødsel og husdyrproduksjon er forskningspotensielle kilder til nikkel i regionen (f.eks. tilsetning av nikkel til lam for å øke veksthastigheten hos lam og lavfôret storfe). Andre industrielle bruksområder for bruk av nikkel i forskningsområder inkluderer elektroplettering av nikkel i forskningsområder, inkludert elektroplettering. lett å skille fra jordfarge, struktur og karbonatinnhold. Jordteksturen er middels til fin, avledet fra grunnmaterialet. De er colluviale, alluviale eller eoliske i naturen. Noen jordområder ser ut til å være flekkete i overflaten og undergrunnen, ofte med betong og bleking. Imidlertid er kambisoler og stagnosoler i de mest vanlige sossene i 5 til 4-regionene. 493,5 m, cambisols dominerer Tsjekkia49.
Studieområdekart [Kartet for studieområde ble opprettet ved hjelp av ArcGIS Desktop (ESRI, Inc, versjon 10.7, URL: https://desktop.arcgis.com).]
Totalt 115 matjordsprøver ble innhentet fra urbane og peri-urbane jordarter i Frydek Mistek-distriktet. Prøvemønsteret som ble brukt var et vanlig rutenett med jordprøver med en avstand på 2 × 2 km fra hverandre, og matjord ble målt i en dybde på 0 til 20 cm ved hjelp av en håndholdt GPS-enhet (Leica Zeno 5 er utstyrt med GPS-en, og prøvene er merket til laboratoriet, pakken og GPS). ble lufttørket for å produsere pulveriserte prøver, pulverisert av et mekanisk system (Fritsch skivemølle), og siktet (siktstørrelse 2 mm).Plasser 1 gram tørkede, homogeniserte og siktede jordprøver i tydelig merkede teflonflasker.I hver teflonbeholder, dispenser 7 ml 35 % HCl og 5 % 3 ml syre til hver dispenser og 5 % 3 ml syreholdig syre. la prøvene stå over natten for reaksjonen (aqua regia-program). Plasser supernatanten på en varm metallplate (temperatur: 100 W og 160 °C) i 2 timer for å lette fordøyelsesprosessen av prøvene, og avkjøl deretter. Overfør supernatanten til en 50 ml målekolbe og fortynn til 50 ml fortynnet vann. ml PVC-rør med avionisert vann. I tillegg ble 1 ml av fortynningsløsningen fortynnet med 9 ml avionisert vann og filtrert inn i et 12 ml rør forberedt for PTE-pseudo-konsentrasjon. Konsentrasjonene av PTE-er (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, MgInn, K) ble bestemt av ICP- CoSuply Spectical Spectical Spectical (ICP) (Thermo Fisher Scientific, USA) i henhold til standardmetoder og avtale.Ensure Quality Assurance and Control (QA/QC)-prosedyrer (SRM NIST 2711a Montana II Soil).PTEer med deteksjonsgrenser under halvparten ble ekskludert fra denne studien. Deteksjonsgrensen for PTE brukt i denne studien var 0,0004. .For å sikre at feil ble minimalisert, ble det utført en dobbeltanalyse.
Empirisk Bayesian Kriging (EBK) er en av mange geostatistiske interpolasjonsteknikker som brukes i modellering innen ulike felt som jordvitenskap. I motsetning til andre kriging-interpolasjonsteknikker, skiller EBK seg fra tradisjonelle kriging-metoder ved å vurdere feilen estimert av semivariogram-modellen. I EBK-interpolasjon, lages flere semivariogrammodeller i stedet for en enkelt semivariogram-metode for interpolering. sikkerhet og programmering assosiert med denne plottingen av semivariogrammet som utgjør en svært kompleks del av en tilstrekkelig kriging-metode. Interpolasjonsprosessen til EBK følger de tre kriteriene foreslått av Krivoruchko50, (a) modellen estimerer semivariogrammet fra inngangsdatasettet (b) den nye predikerte verdien for hver inngangsdatasettplassering basert på den genererte semivariogrammet fra den genererte semivariogrammet og (c) Det er gitt et simulert quariogram for Bay-modellen. som en bakre
Hvor \(Prob\left(A\right)\) representerer den tidligere, \(Prob\left(B\right)\) marginale sannsynligheten ignoreres i de fleste tilfeller, \(Prob (B,A)\ ) .Semivariogramberegningen er basert på Bayes' regel, som viser tilbøyeligheten til observasjonssett som kan opprettes fra hvilke semivariogrammer som er sannsynlige for, ved bruk av semigram-verdien til regelen. er å lage et datasett med observasjoner fra semivariogrammet.
En støttevektormaskin er en maskinlæringsalgoritme som genererer et optimalt separerende hyperplan for å skille identiske, men ikke lineært uavhengige klasser.Vapnik51 skapte intentklassifiseringsalgoritmen, men den har nylig blitt brukt til å løse regresjonsorienterte problemer.Ifølge Li et al.52 er SVM en av de beste klassifiseringsteknikkene i forskjellige og har vært brukt i SvM-regesjonsteknikker i forskjellige og har vært brukt til å løse regresjonsorienterte problemer. – SVMR) ble brukt i denne analysen.Cherkassky og Mulier53 var banebrytende for SVMR som en kjernebasert regresjon, hvis beregning ble utført ved hjelp av en lineær regresjonsmodell med romlige funksjoner i flere land. John et al.54 rapporterer at SVMR-modellering benytter hyperplane lineær regresjon, som skaper ikke-online spatiale funksjoner og tillater ikke-online spatiale funksjoner.55, epsilon (ε)-SVMR bruker det trente datasettet for å oppnå en representasjonsmodell som en epsilon-ufølsom funksjon som brukes til å kartlegge dataene uavhengig med den beste epsilon-bias fra trening på korrelerte data. Den forhåndsinnstilte avstandsfeilen ignoreres fra den faktiske verdien, og hvis feilen er større enn ε(ε), reduserer den komplekse egenskapene til dataene til broaden også dataene til broaden. støttevektorer. Ligningen foreslått av Vapnik51 er vist nedenfor.
der b representerer den skalære terskelen, \(K\left({x}_{,}{ x}_{k}\right)\) representerer kjernefunksjonen, \(\alpha\) representerer Lagrange-multiplikatoren, N representerer et numerisk datasett, \({x}_{k}\) representerer datainngang, og \(y\) er en radialfunksjon som brukes for datanøkkel-operasjonen (RB) er en SV-nøkkel-operasjon. F). RBF-kjernen brukes for å bestemme den optimale SVMR-modellen, noe som er kritisk for å oppnå den mest subtile straffesettfaktoren C og kjerneparameter gamma (γ) for PTE-treningsdataene. Først evaluerte vi treningssettet og testet deretter modellytelsen på valideringssettet. Styringsparameteren som brukes er sigma og metodeverdien er svmRadial.
En multippel lineær regresjonsmodell (MLR) er en regresjonsmodell som representerer forholdet mellom responsvariabelen og en rekke prediktorvariabler ved å bruke lineære sammenslåtte parametere beregnet ved hjelp av minste kvadraters metode. I MLR er en minste kvadraters modell en prediktiv funksjon av jordegenskaper etter valg av forklarende variabler. Det er nødvendig å bruke responsen ved å bruke forklaringen til å etablere en variabel som brukes for å etablere en lineær relasjon med variabelen respons for å etablere et lineært forhold med variabelen. forklarende variabler. MLR-ligningen er
der y er responsvariabelen, \(a\) er skjæringspunktet, n er antall prediktorer, \({b}_{1}\) er den partielle regresjonen av koeffisientene, \({x}_{ i}\) representerer en prediktor eller forklarende variabel, og \({\varepsilon }_{i}\) representerer feilen i modellen, også kjent som residualen.
Blandede modeller ble oppnådd ved å sette sammen EBK med SVMR og MLR. Dette gjøres ved å trekke ut predikerte verdier fra EBK-interpolasjon. De predikerte verdiene oppnådd fra de interpolerte Ca, K og Mg er oppnådd gjennom en kombinatorisk prosess for å oppnå nye variabler, som CaK, CaMg og KMg. Elementene oppnår deretter Ca, K og alle variablene Ca, K og Mg. variabler som er oppnådd er Ca, K, Mg, CaK, CaMg, KMg og CaKMg. Disse variablene ble våre prediktorer, og hjalp til med å forutsi nikkelkonsentrasjoner i urbane og peri-urbane jordarter. SVMR-algoritmen ble utført på prediktorene for å oppnå en blandet modell Empirisk Bayesian Kriging-Support Vector Machine (EBK_SVM er også blandet med MLR-variablene til MLR). modell Empirisk Bayesiansk Kriging-Multiple Linear Regression (EBK_MLR).Vanligvis brukes variablene Ca, K, Mg, CaK, CaMg, KMg og CaKMg som kovariater som prediktorer for Ni-innhold i urbane og peri-urbane jordarter.Den mest akseptable modellen som er oppnådd (EBK_SVR ved hjelp av en egen-ML-studie) vil da bli vist i visualisering av denne studien. Figur 2.
Å bruke SeOM har blitt et populært verktøy for å organisere, evaluere og forutse data i finanssektoren, helsevesenet, industrien, statistikk, jordvitenskap og mer.SeOM er laget ved hjelp av kunstige nevrale nettverk og uovervåket læringsmetoder for organisering, evaluering og prediksjon. I denne studien ble SeOM brukt til å visualisere Ni-modellen for konsentrasjoner og prediksjon av de beste i urbane dataene i SeOM. evaluering brukes som n input-dimensjonale vektorvariabler43,56.Melssen et al.57 beskriver tilkoblingen av en inngangsvektor inn i et nevralt nettverk gjennom et enkelt inngangslag til en utgangsvektor med en enkeltvektsvektor. Utdataene generert av SeOM er et todimensjonalt kart som består av forskjellige nevroner eller noder vevd inn i sekskantede, sirkulære eller kvadratiske topologiske kart i henhold til deres nærhet. Sammenligning av kartstørrelser basert på metrisk, feilkvantiseringsmodell (6) og (6) (6) 0,904 er valgt, som er en 55-kartsenhet (5 × 11). Nevronstrukturen bestemmes i henhold til antall noder i den empiriske ligningen
Antall data som er brukt i denne studien er 115 prøver. En tilfeldig tilnærming ble brukt for å dele opp dataene i testdata (25 % for validering) og treningsdatasett (75 % for kalibrering). Treningsdatasettet brukes til å generere regresjonsmodellen (kalibrering), og testdatasettet brukes til å verifisere generaliseringsevnen58. Dette ble gjort for å vurdere egnetheten til en nikkels-forutsigbarhet av ulike modeller. -valideringsprosess, gjentatt fem ganger. Variablene produsert av EBK-interpolasjon brukes som prediktorer eller forklarende variabler for å forutsi målvariabelen (PTE). Modellering håndteres i RStudio ved å bruke pakkebiblioteket(Kohonen), library(caret), library(modelr), library(“e1071”pl(“e1071″(“pl(“pl”),bibliotek(”),bibliotek(”),bibliotek(”),bibliotek(”)”) og biblioteker ("Metrics").
Ulike valideringsparametere ble brukt for å bestemme den beste modellen som er egnet for å forutsi nikkelkonsentrasjoner i jord og for å evaluere nøyaktigheten av modellen og dens validering.Hybridiseringsmodeller ble evaluert ved bruk av gjennomsnittlig absolutt feil (MAE), rotmiddelkvadratfeil (RMSE), og R-kvadrat- eller koeffisientbestemmelse (R2). itude i uavhengige mål beskriver modellens prediksjonskraft, mens MAE bestemmer den faktiske kvantitative verdien.R2-verdien må være høy for å evaluere den beste blandingsmodellen ved hjelp av valideringsparametrene, jo nærmere verdien er 1, jo høyere nøyaktighet.Ifølge Li et al.59, anses en R2-kriteriumverdi på 0,75 eller høyere som en god prediktor;fra 0,5 til 0,75 er akseptabel modellytelse, og under 0,5 er uakseptabel modellytelse. Når du velger en modell ved bruk av RMSE- og MAE-valideringskriterier, var de lavere oppnådde verdiene tilstrekkelige og ble ansett som det beste valget. Følgende ligning beskriver verifikasjonsmetoden.
der n representerer størrelsen på den observerte verdien\({Y}_{i}\) representerer den målte responsen, og \({\widehat{Y}}_{i}\) representerer derfor også den predikerte responsverdien for de første i-observasjonene.
Statistiske beskrivelser av prediktor- og responsvariabler er presentert i tabell 1, som viser gjennomsnitt, standardavvik (SD), variasjonskoeffisient (CV), minimum, maksimum, kurtose og skjevhet. Minimums- og maksimumsverdiene av elementene er i avtagende rekkefølge Mg < Ca < K < Ni og Ca < Mg < K < Ni, henholdsvis konsentrasjonen av variabelen fra 4-prøveområdet (N-prøven) 6. til 42,39 mg/kg.Sammenligning av Ni med verdensgjennomsnittet (29 mg/kg) og det europeiske gjennomsnittet (37 mg/kg) viste at det samlede beregnede geometriske gjennomsnittet for undersøkelsesområdet var innenfor det tolererbare området. Likevel, som vist av Kabata-Pendias11, viser en sammenligning av gjennomsnittlig nikkel (Ni) nåværende konsentrasjon i Sverige at den nåværende konsentrasjonen av nikkel i Sverige er så høyere konsentrasjonen av nikkel (Ni) i landbruket. gjennomsnittlig konsentrasjon av Frydek Mistek i urbane og peri-urbane jordarter i den nåværende studien (Ni 16,15 mg/kg) var høyere enn den tillatte grensen på 60 (10,2 mg/kg) for Ni i polske urbane jordarter rapportert av Różański et al. Videre, Bretzel og Calderisi61 Ni 16,15 mg/kg sammenlignet med konsentrasjonen av så lavt i Tuscany (17 kg strøm) i Tuscany. Jim62 fant også en lavere nikkelkonsentrasjon (12,34 mg/kg) i byjord i Hong Kong, som er lavere enn dagens nikkelkonsentrasjon i denne studien. Birke et al63 rapporterte en gjennomsnittlig Ni-konsentrasjon på 17,6 mg/kg i et gammelt gruve- og urbant industriområde i Sachsen-Anhalt, Tyskland, som var 1,45 mg/kg høyere enn gjennomsnittlig nikkelkonsentrasjon i 16 mg/kg i C. jordsmonn i noen by- og forstadsområder i studieområdet kan hovedsakelig tilskrives jern- og stålindustrien og metallindustrien. Dette samsvarer med studien av Khodadoust et al.64 at stålindustrien og metallbearbeiding er de viktigste kildene til nikkelforurensning i jordsmonn. Imidlertid varierte prediktorene også fra 538,70 mg/kg til 69 161,80 mg/kg for Ca, 497,51 mg/kg til 3535,68 mg/kg for K, og 685,70 mg/kg til 5 kg, 5 mg/0606 mg/kg. al.65 undersøkte det totale Mg- og K-innholdet i jordsmonn i det sentrale Serbia. De fant at de totale konsentrasjonene (henholdsvis 410 mg/kg og 400 mg/kg) var lavere enn Mg- og K-konsentrasjonene i den nåværende studien. Det kan ikke skjelnes fra hverandre, i østlige Polen, Orzechowski og Smolczynski66 vurderte det totale innholdet av Mg og K, 10 mg og 1 kg Ca, (1 kg) 590 mg/kg) og K (810 mg/kg) Innholdet i matjorda er lavere enn enkeltelementet i denne studien. En fersk studie av Pongrac et al.67 viste at det totale Ca-innholdet analysert i 3 forskjellige jordarter i Skottland, Storbritannia (Mylnefield-jord, Balruddery-jord og Hartwood-jord) indikerte et høyere Ca-innhold i denne studien.
På grunn av de forskjellige målte konsentrasjonene av de samplede elementene, viser datasettfordelingene til elementene ulik skjevhet. Skjevheten og kurtosisen til elementene varierte fra henholdsvis 1,53 til 7,24 og 2,49 til 54,16. Alle beregnede elementer har skjevhet og kurtose, skjevhet og kurtose-retningsnivåer over +irregulært, og topp-retningsnivået er således over +irregular- og peak-retningsnivåene ed.De estimerte CV-ene til elementene viser også at K, Mg og Ni viser moderat variasjon, mens Ca har ekstremt høy variabilitet. CV-ene til K, Ni og Mg forklarer deres ensartede fordeling. Videre er Ca-fordelingen uensartet og eksterne kilder kan påvirke anrikningsnivået.
Korrelasjonen av prediktorvariablene med responselementene indikerte en tilfredsstillende korrelasjon mellom elementene (se figur 3). Korrelasjonen indikerte at CaK viste moderat korrelasjon med r-verdi = 0,53, det samme gjorde CaNi. Selv om Ca og K viser beskjedne assosiasjoner til hverandre, viste forskere som Kingston et al.68 og Santo69 antyder at nivåene deres i jorda er omvendt proporsjonale. Imidlertid er Ca og Mg antagonistiske til K, men CaK korrelerer godt. Dette kan skyldes bruk av gjødsel som kaliumkarbonat, som er 56 % høyere i kalium. Kalium var moderat korrelert med magnesium, fordi disse to grunnstoffene er nært relaterte (K.6. kaliummagnesiumsulfat, kaliummagnesiumnitrat og potaske påføres jord for å øke mangelnivåene deres. Nikkel er moderat korrelert med Ca, K og Mg med r-verdier = 0,52, 0,63 og 0,55, henholdsvis. av overflødig magnesium, og både magnesium og kalsium reduserer de giftige effektene av nikkel i jord.
Korrelasjonsmatrise for elementer som viser forholdet mellom prediktorer og responser (Merk: denne figuren inkluderer et spredningsdiagram mellom elementer, signifikansnivåer er basert på p < 0,001).
Figur 4 illustrerer den romlige fordelingen av elementer. I følge Burgos et al70 er anvendelsen av romlig distribusjon en teknikk som brukes til å kvantifisere og fremheve hot spots i forurensede områder. Anrikningsnivåene av Ca i Fig. 4 kan sees i den nordvestlige delen av det romlige distribusjonskartet. Figuren viser moderat til høy Ca-anriking av kalsium-hotspot-kartet i den nordvestlige anrikningen (den sannsynlige bruken av kalsium-hotspottene i den nordvestlige anrikningen. kalsiumoksid) for å redusere jordsurheten og dens bruk i stålverk som alkalisk oksygen i stålfremstillingsprosessen. På den annen side foretrekker andre bønder å bruke kalsiumhydroksid i sur jord for å nøytralisere pH, som også øker kalsiuminnholdet i jorda71.Kalium viser også hot spots i nordvest og øst av kartet. Nordvestlandet er et stort mønster av middels til potassium og PK. askeapplikasjoner. Dette samsvarer med andre studier, som Madaras og Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, som observerte at jordstabilisering og behandling med KCl og NPK resulterte i høyt K-innhold i jorda.Romlig anrikning av kalium i nordvest for utbredelseskartet kan skyldes bruk av kaliumbasert gjødsel som kaliumklorid, kaliumsulfat, kaliumnitrat, potaske og kalium for å øke kaliuminnholdet i dårlig jord.Zádorová et al.76 og Tlustoš et al.77 skisserte at bruken av K-basert gjødsel økte K-innholdet i jorda og ville øke næringsinnholdet i jorda betydelig på lang sikt, spesielt K og Mg som viser et varmt punkt i jorda. Relativt moderate hotspots i nordvest på kartet og sørøst på kartet. Kolloidal fiksering i jordsmonnet gjør at konsentrasjonen av magnesium blir så gul i jorden. intervein chlorosis.Magnesiumbasert gjødsel, slik som kaliummagnesiumsulfat, magnesiumsulfat og kieseritt, behandler mangler (planter virker lilla, røde eller brune, noe som indikerer magnesiummangel) i jordsmonn med et normalt pH-område6. Akkumuleringen av nikkel på urbane og peri-urbane jordsmonn kan være viktige for jordsmonn i jordsmonn og jordsmonn, som ikke er i grøss og jord. produksjon78.
Romlig distribusjon av elementer [romlig distribusjonskart ble opprettet ved hjelp av ArcGIS Desktop (ESRI, Inc, versjon 10.7, URL: https://desktop.arcgis.com).]
Modellytelsesindeksresultatene for elementene som er brukt i denne studien er vist i tabell 2. På den annen side er RMSE og MAE for Ni begge nær null (0,86 RMSE, -0,08 MAE). På den annen side er både RMSE- og MAE-verdier for K akseptable. RMSE- og MAE-resultatene var større for K MAEr-datasett for kalsium og magnesium og MAEr.Ca og MAEr. av denne studien ved å bruke EBK til å forutsi Ni ble funnet å være bedre enn resultatene til John et al.54 ved å bruke synergistisk kriging for å forutsi S-konsentrasjoner i jord ved å bruke de samme innsamlede dataene. EBK-utdataene vi studerte korrelerer med de til Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 og John et al.82, spesielt K og Ni.
Ytelsen til individuelle metoder for å forutsi nikkelinnhold i urbane og peri-urbane jorder ble evaluert ved å bruke ytelsen til modellene (tabell 3). Modellvalidering og nøyaktighetsevaluering bekreftet at Ca_Mg_K-prediktoren kombinert med EBK SVMR-modellen ga den beste ytelsen. Kalibreringsmodellen Ca_Mg_MRK absolutt feil og gjennomsnittlig feil (REBK_Mg_MA) absolutt feil E) var 0,637 (R2), 95,479 mg/kg (RMSE) og 77,368 mg/kg (MAE). Ca_Mg_K-SVMR var 0,663 (R2), 235,974 mg/kg (RMSE) og 166,946 mg/kg (MAE). mg/kg R2) og Ca_Mg-EBK_SVMR (0,643 = R2);deres RMSE- og MAE-resultater var høyere enn for Ca_Mg_K-EBK_SVMR (R2 0,637) (se tabell 3). I tillegg er RMSE og MAE for Ca_Mg-EBK_SVMR (RMSE = 1664,64 og MAE = 1031,49) modellen 137,4, som er henholdsvis 137,4 og _g store enn de ca. EBK_SVMR. Likeledes er RMSE og MAE for Ca_Mg-K SVMR (RMSE = 235.974 og MAE = 166.946)-modellen 2.5 og 2.2 større enn de for Ca_Mg_K-EBK_SVMR RMSE og MAE, hhv. MAE ble observert. I følge Kebonye et al.46 og john et al.54, jo nærmere RMSE og MAE er null, desto bedre er resultatene. SVMR og EBK_SVMR har høyere kvantiserte RSME- og MAE-verdier. Det ble observert at RSME-estimatene var konsekvent høyere enn MAE-verdiene, noe som indikerer tilstedeværelsen av uteliggere.Ifølge Legates og McCabe83, er den anbefalte grad av tilstedeværelse i den absolutte tilstedeværelsen av RMSE-verdien. av uteliggere.Dette betyr at jo mer heterogent datasettet er, desto høyere er MAE- og RMSE-verdiene. Nøyaktigheten av kryssvalideringsvurdering av Ca_Mg_K-EBK_SVMR-blandingsmodellen for å forutsi Ni-innhold i urbane og forstadsjordar var 63,70%.Ifølge Li et al.59, er dette nivået av nøyaktighet en akseptabel modellytelsesrate. De nåværende resultatene er sammenlignet med en tidligere studie av Tarasov et al.36 hvis hybridmodell skapte MLPRK (Multilayer Perceptron Residual Kriging), relatert til EBK_SVMR-nøyaktighetsevalueringsindeksen rapportert i den nåværende studien, RMSE (210) og The MAE (167.5) var høyere enn resultatene våre i den nåværende studien (RMSE 95.479, MAE 77.368 sammenlignet med den nåværende studien med (R328) sammenlignet med den nåværende studien. av Tarasov et al.36 (0,544), er det klart at determinasjonskoeffisienten (R2) er høyere i denne blandede modellen. Feilmarginen (RMSE og MAE) (EBK SVMR) for den blandede modellen er to ganger lavere. Likeledes registrerte Sergeev et al.34 0,28 (R2) for den utviklede hybridmodellen (Multilayer Current Perceptron 3), (Residualyer current Perceptron 3). prediksjonsnøyaktighetsnivået til denne modellen (EBK SVMR) er 63,7 %, mens prediksjonsnøyaktigheten oppnådd av Sergeev et al.34 er 28%.Det endelige kartet (Fig. 5) laget ved bruk av EBK_SVMR-modellen og Ca_Mg_K som prediktor viser prediksjoner av hot spots og moderat til nikkel over hele studieområdet. Dette betyr at konsentrasjonen av nikkel i studieområdet hovedsakelig er moderat, med høyere konsentrasjoner i enkelte spesifikke områder.
Det endelige prediksjonskartet er representert ved å bruke hybridmodellen EBK_SVMR og ved å bruke Ca_Mg_K som prediktor.[Det romlige distribusjonskartet ble laget med RStudio (versjon 1.4.1717: https://www.rstudio.com/).]
Presentert i figur 6 er PTE-konsentrasjoner som et sammensetningsplan bestående av individuelle nevroner. Ingen av komponentplanene viste det samme fargemønsteret som vist. Det passende antallet nevroner per tegnet kart er imidlertid 55. SeOM produseres ved hjelp av en rekke farger, og jo mer like fargemønstrene er, jo mer sammenlignbare egenskapene til de individuelle prøvene og fargeskalaen deres med de individuelle prøvene, og fargeskalaen deres. mønstre til enkle høye nevroner og de fleste lave nevroner. Dermed deler CaK og CaMg noen likheter med svært høyordens nevroner og lav-til-moderate fargemønstre. Begge modellene forutsier konsentrasjonen av Ni i jord ved å vise middels til høye nyanser av farger som rødt, oransje og gult. KMg-modellen viser mange høye fargemønstre basert på presise til høye fargeforhold, fra presise fargeforhold og lave fargeforhold og lave fargeforhold. komponentene i modellen viste et høyt fargemønster som indikerer den potensielle konsentrasjonen av nikkel i jorda (se figur 4). CakMg-modellens komponentplan viser et mangfoldig fargemønster fra lav til høy i henhold til en nøyaktig fargeskala. Videre er modellens prediksjon av nikkelinnhold (CakMg) lik den romlige fordelingen av nikkel, både i middels og lavt nikkel, vist i figur 5 i middels og lav porsjon nikkel. forbud jordsmonn.Figur 7 viser konturmetoden i k-betyr-grupperingen på kartet, delt inn i tre klynger basert på den predikerte verdien i hver modell.Konturmetoden representerer det optimale antallet klynger. Av de 115 jordprøvene som ble samlet inn, fikk kategori 1 flest jordprøver, 74. 3-klynge 3-komponenter mottok 8-prøver mens 3-prøven ble mottatt. prediktorkombinasjonen ble forenklet for å tillate korrekt klyngetolkning. På grunn av de mange menneskeskapte og naturlige prosessene som påvirker jordformasjonen, er det vanskelig å ha riktig differensierte klyngemønstre i et distribuert SeOM-kart78.
Komponentplanutgang fra hver variabel for empirisk Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[SeOM-kart ble opprettet ved bruk av RStudio (versjon 1.4.1717: https://www.rstudio.com/).]
Ulike klyngeklassifiseringskomponenter [SeOM-kart ble opprettet ved hjelp av RStudio (versjon 1.4.1717: https://www.rstudio.com/).]
Den nåværende studien illustrerer tydelig modelleringsteknikker for nikkelkonsentrasjoner i urbane og peri-urbane jordarter. Studien testet forskjellige modelleringsteknikker, og kombinerte elementer med modelleringsteknikker, for å oppnå den beste måten å forutsi nikkelkonsentrasjoner i jord. SeOM komposisjonelle plane romlige trekk ved modelleringsteknikken viste et høyt fargemønster fra lavt til høyt i en så nøyaktig fargeskala, bekreftet av nikkelfordelingen, i en så nøyaktig fargeskala. plan romlig fordeling av komponenter utstilt av EBK_SVMR (se figur 5). Resultatene viser at støttevektormaskinregresjonsmodellen (Ca Mg K-SVMR) forutsier konsentrasjonen av Ni i jord som en enkelt modell, men validerings- og nøyaktighetsevalueringsparametrene viser svært høye feil når det gjelder RMSE og MAE. På den annen side er modellen EB-verdien som brukes lav til flawed. av bestemmelseskoeffisienten (R2).Gode resultater ble oppnådd ved bruk av EBK SVMR og kombinerte elementer (CaKMg) med lave RMSE- og MAE-feil med en nøyaktighet på 63,7%.Det viser seg at å kombinere EBK-algoritmen med en maskinlæringsalgoritme kan generere en hybridalgoritme som kan forutsi konsentrasjonen av M KTE til å forutsi at konsentrasjonen av Cag til Ni. i studieområdet kan forbedre prediksjonen av Ni i jordsmonnet. Dette betyr at kontinuerlig tilførsel av nikkelbasert gjødsel og industriell forurensning av jorda av stålindustrien har en tendens til å øke konsentrasjonen av nikkel i jorda. Denne studien viste at EBK-modellen kan redusere feilnivået og forbedre nøyaktigheten av modellen av jordsmonn peri-SV-modellen generelt til urbane eller urbane jordsmonn- og MR-modeller anvender den urbane eller urbane jordfordelingen til pro- EBK. vurdere og forutsi PTE i jord;i tillegg foreslår vi å bruke EBK til å hybridisere med ulike maskinlæringsalgoritmer. Ni-konsentrasjoner ble forutsagt ved å bruke elementer som kovariater;bruk av flere kovariater vil imidlertid i stor grad forbedre ytelsen til modellen, noe som kan betraktes som en begrensning av det nåværende arbeidet. En annen begrensning ved denne studien er at antallet datasett er 115. Derfor, hvis flere data blir levert, kan ytelsen til den foreslåtte optimaliserte hybridiseringsmetoden forbedres.
PlantProbs.net.Nikkel i planter og jord https://plantprobs.net/plant/nutrientImbalances/sodium.html (Åpnet 28. april 2021).
Kasprzak, KS Nikkel gjør fremskritt innen moderne miljøtoksikologi.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: En gjennomgang av dets kilder og miljøtoksikologi. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Forurensningstilførsel fra atmosfæren og akkumulering i jord og vegetasjon nær et nikkel-kobbersmelteverk i Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Tungmetaller i jord, planter og risiko forbundet med beitende drøvtyggere nær Selebi-Phikwe kobber-nikkelgruven i Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009181).
Cabata-Pendias.Kabata-Pendias A. 2011. Sporelementer i jord og... – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+plants+9and+nye+planter.2+y+planter+nye+jord. %3A+CRC+Press&btnG= (Åpnet 24. november 2020).
Almås, A., Singh, B., Agriculture, TS-NJ av & 1995, udefinert. Effekter av den russiske nikkelindustrien på tungmetallkonsentrasjoner i jordbruksjord og gress i Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Nikkelabsorpsjon og retensjon i drikkevann er relatert til matinntak og nikkelsensitivitet.toksikologi.applikasjon.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nikkelkarsinogenese, mutasjon, epigenetikk eller seleksjon.omgivelser.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Trendanalyse av potensielt giftige elementer: en bibliometrisk gjennomgang.Environmental Geochemistry and Health.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2Cpage=April+University+Press%2Cpage=8b+2C 021).


Innleggstid: 22. juli 2022