Przewidywanie stężeń niklu w glebach podmiejskich i miejskich przy użyciu mieszanego empirycznego krigingu bayesowskiego i regresji maszyny wektorów nośnych

Dziękujemy za odwiedzenie Nature.com. Wersja przeglądarki, której używasz, ma ograniczone wsparcie dla CSS. Aby uzyskać najlepsze wrażenia, zalecamy korzystanie ze zaktualizowanej przeglądarki (lub wyłączenie trybu zgodności w Internet Explorerze). W międzyczasie, aby zapewnić ciągłą obsługę, będziemy wyświetlać witrynę bez stylów i JavaScript.
Zanieczyszczenie gleb jest dużym problemem spowodowanym działalnością człowieka. Przestrzenne rozmieszczenie pierwiastków potencjalnie toksycznych (PTE) jest zróżnicowane w większości obszarów miejskich i podmiejskich. Dlatego trudno jest przestrzennie przewidzieć zawartość PTE w takich glebach. W sumie 115 próbek pobrano z Frydek Mistek w Czechach. Stężenia wapnia (Ca), magnezu (Mg), potasu (K) i niklu (Ni) określono za pomocą spektrometrii emisyjnej z plazmą indukcyjnie sprzężoną. Zmienna odpowiedzi to Ni, a predyktorami są Ca, Mg i K. Macierz korelacji między zmienną odpowiedzi a zmienną predyktora pokazuje zadowalającą korelację między elementami. Wyniki predykcji wykazały, że regresja maszynowa wektorów nośnych (SVMR) działała dobrze, chociaż jej szacowany błąd średniokwadratowy (RMSE) (235,974 mg/kg) i średni błąd bezwzględny (MAE) (166,946 mg/kg) były wyższe niż w przypadku innych zastosowanych metod. Ple Regresja liniowa (EBK-MLR) wypada słabo, o czym świadczą współczynniki determinacji mniejsze niż 0,1. Najlepszym modelem okazał się Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR), z niskimi wartościami RMSE (95,479 mg/kg) i MAE (77,368 mg/kg) oraz wysokim współczynnikiem determinacji (R2 = 0,637). EBK-SV Dane wyjściowe techniki modelowania MR są wizualizowane za pomocą samoorganizującej się mapy. Skupione neurony w płaszczyźnie modelu hybrydowego komponentu CakMg-EBK-SVMR wykazują wiele wzorów kolorów, które przewidują stężenia Ni w glebach miejskich i podmiejskich. Wyniki pokazują, że połączenie EBK i SVMR jest skuteczną techniką przewidywania stężeń Ni w glebach miejskich i podmiejskich.
Nikiel (Ni) jest uważany za mikroelement dla roślin, ponieważ przyczynia się do wiązania azotu atmosferycznego (N) i metabolizmu mocznika, które są niezbędne do kiełkowania nasion. Oprócz wkładu w kiełkowanie nasion, Ni może działać jako inhibitor grzybów i bakterii oraz promować rozwój roślin. Brak niklu w glebie umożliwia roślinom jego wchłanianie, co powoduje chlorozę liści. nawozy na bazie niklu wzbogacające glebę i zwiększające zdolność roślin strączkowych do wiązania azotu w glebie stale zwiększają stężenie niklu w glebie. Chociaż nikiel jest mikroelementem dla roślin, jego nadmierne spożycie w glebie może wyrządzić więcej szkody niż pożytku. Toksyczność niklu w glebie minimalizuje pH gleby i utrudnia pobieranie żelaza jako niezbędnego składnika odżywczego dla wzrostu roślin1. Według Liu3, Ni został uznany za 17. ważny pierwiastek niezbędny do rozwoju i wzrostu roślin. W rozwoju i wzroście roślin ludzie potrzebują go do różnych zastosowań. Galwanizacja, produkcja stopów na bazie niklu oraz produkcja urządzeń zapłonowych i świec zapłonowych w przemyśle motoryzacyjnym wymaga stosowania niklu w różnych sektorach przemysłu. Ponadto stopy na bazie niklu i wyroby galwanizowane są szeroko stosowane w przyborach kuchennych, akcesoriach do sal balowych, materiałach dla przemysłu spożywczego, urządzeniach elektrycznych, drutach i kablach, turbinach odrzutowych, implantach chirurgicznych, tekstyliach i przemyśle stoczniowym. s) zostały przypisane zarówno źródłom antropogenicznym, jak i naturalnym, ale przede wszystkim Ni jest źródłem naturalnym, a nie antropogenicznym4,6. Naturalne źródła niklu obejmują erupcje wulkanów, roślinność, pożary lasów i procesy geologiczne;jednak źródła antropogeniczne obejmują akumulatory niklowo-kadmowe w przemyśle stalowym, galwanizację, spawanie łukowe, oleje napędowe i opałowe oraz emisje do atmosfery ze spalania węgla oraz spalania odpadów i osadów Akumulacja niklu7,8. Według Freedmana i Hutchinsona9 oraz Manyiwa i in.10, głównymi źródłami zanieczyszczenia wierzchniej warstwy gleby w najbliższym i przyległym środowisku są głównie huty i kopalnie niklu i miedzi. Górna warstwa gleby wokół rafinerii niklu i miedzi w Sudbury w Kanadzie charakteryzowała się najwyższym poziomem zanieczyszczenia niklem, wynoszącym 26 000 mg/kg11. Z kolei zanieczyszczenie pochodzące z produkcji niklu w Rosji spowodowało wyższe stężenie niklu w glebie Norwegii11. Według Almsa i in.12, ilość niklu ekstrahowalnego HNO3 na najlepszych gruntach ornych regionu (produkcja niklu w Rosji) wahała się od 6,25 do 136,88 mg/kg, co odpowiada średniej 30,43 mg/kg i stężeniu wyjściowemu 25 mg/kg. Zgodnie z Kabatą 11, stosowanie nawozów fosforowych w glebach rolniczych na glebach miejskich lub podmiejskich w kolejnych sezonach upraw taminują glebę. Potencjalny wpływ niklu na ludzi może prowadzić do raka poprzez mutagenezę, uszkodzenie chromosomów, generowanie Z-DNA, naprawę przez wycięcie zablokowanego DNA lub procesy epigenetyczne.
Oceny zanieczyszczenia gleby rozkwitły w ostatnim czasie ze względu na szeroki zakres problemów zdrowotnych wynikających ze związków gleba-rośliny, związków biologicznych gleby i gleby, degradacji ekologicznej i oceny wpływu na środowisko. Do tej pory przestrzenne przewidywanie potencjalnie toksycznych pierwiastków (PTE), takich jak Ni w glebie, przy użyciu tradycyjnych metod było pracochłonne i czasochłonne. Mapowanie gleby na żywo (DSM) okazało się znaczącą subdyscypliną gleboznawstwa. Lagacherie i McBratney, 2006 definiują DSM jako „tworzenie i wypełnianie przestrzennych systemów informacji o glebie poprzez zastosowanie metod obserwacji in situ i laboratoryjnych oraz przestrzennych i nieprzestrzennych systemów wnioskowania o glebie”. McBratney i in.17 podkreślają, że współczesna DSM lub PSM jest najskuteczniejszą techniką przewidywania lub mapowania przestrzennego rozmieszczenia PTE, rodzajów gleby i właściwości gleby. Geostatystyka i algorytmy uczenia maszynowego (MLA) to techniki modelowania DSM, które tworzą zdigitalizowane mapy za pomocą komputerów przy użyciu znaczących i minimalnych danych.
Deutsch18 i Olea19 definiują geostatystykę jako „zbiór technik numerycznych, które zajmują się reprezentacją atrybutów przestrzennych, głównie z wykorzystaniem modeli stochastycznych, takich jak sposób, w jaki analiza szeregów czasowych charakteryzuje dane czasowe”.Geostatystyka obejmuje przede wszystkim ocenę wariogramów, które pozwalają na ilościowe określenie i określenie zależności wartości przestrzennych z każdego zbioru danych20. Gumiaux et al.20 dalej ilustrują, że ocena wariogramów w geostatystyce opiera się na trzech zasadach, w tym (a) obliczaniu skali korelacji danych, (b) identyfikowaniu i obliczaniu anizotropii w rozbieżnościach zbiorów danych oraz (c) oprócz uwzględnienia nieodłącznego błędu danych pomiarowych oddzielonych od efektów lokalnych, szacuje się również efekty obszarowe. Opierając się na tych koncepcjach, w geostatystyce stosuje się wiele technik interpolacji, w tym ogólne kriging, co-kriging, zwykłe kriging, empiryczny kriging bayesowski, prosta metoda krigingu i inne dobrze znane techniki interpolacji do mapowania lub przewidywania PTE, charakterystyki gleby i typów gleby.
Algorytmy uczenia maszynowego (MLA) to stosunkowo nowa technika, która wykorzystuje większe nieliniowe klasy danych, napędzane przez algorytmy używane głównie do eksploracji danych, identyfikowania wzorców w danych i wielokrotnie stosowane do klasyfikacji w dziedzinach naukowych, takich jak gleboznawstwo i zadania zwrotów. Liczne prace badawcze opierają się na modelach MLA do przewidywania PTE w glebach, takich jak Tan i in.22 (lasy losowe do oznaczania metali ciężkich w glebach rolniczych), Sakizadeh et al.23 (modelowanie za pomocą maszyn wektorów nośnych i sztucznych sieci neuronowych) zanieczyszczenia gleby). Ponadto Vega et al.24 (CART do modelowania retencji i adsorpcji metali ciężkich w glebie) Sun et al.25 (zastosowanie kubizmu to rozkład Cd w glebie) i inne algorytmy, takie jak k-najbliższy sąsiad, uogólniona regresja wzmocniona i regresja wzmocniona. Drzewa zastosowały również MLA do przewidywania PTE w glebie.
Zastosowanie algorytmów DSM w predykcji lub mapowaniu napotyka na kilka wyzwań. Wielu autorów uważa, że ​​MLA przewyższa geostatystykę i odwrotnie. Chociaż jedno jest lepsze od drugiego, połączenie tych dwóch poprawia poziom dokładności mapowania lub predykcji w DSM15. Woodcock i Gopal26 Finke27;Pontius i Cheuk28 oraz Grunwald29 komentują braki i niektóre błędy w przewidywanym mapowaniu gleby. Gleboznawcy próbowali różnych technik, aby zoptymalizować skuteczność, dokładność i przewidywalność mapowania i prognozowania DSM. Połączenie niepewności i weryfikacji jest jednym z wielu różnych aspektów zintegrowanych z DSM w celu optymalizacji skuteczności i zmniejszenia defektów. Jednak Agyeman i in.15 podkreślają, że zachowanie i niepewność walidacji wprowadzone przez tworzenie map i prognozy powinny być niezależnie weryfikowane w celu poprawy jakości map. Ograniczenia DSM wynikają z geograficznie rozproszonej jakości gleby, która obejmuje składnik niepewności;jednak brak pewności w DSM może wynikać z wielu źródeł błędów, a mianowicie błędu współzmiennej, błędu modelu, błędu lokalizacji i błędu analitycznego 31. Niedokładności modelowania wywołane w procesach MLA i geostatystycznych są związane z brakiem zrozumienia, co ostatecznie prowadzi do nadmiernego uproszczenia rzeczywistego procesu32. Niezależnie od natury modelowania, niedokładności można przypisać parametrom modelowania, przewidywaniom modeli matematycznych lub interpolacji33. pojawił się nowy trend DSM, który promuje integrację geostatystyki i MLA w mapowaniu i prognozowaniu. Kilku naukowców i autorów zajmujących się glebą, takich jak Sergeev et al.34;Subbotina i in.35;Tarasow i in.36 oraz Tarasow i in.37 wykorzystało dokładną jakość geostatystyki i uczenia maszynowego do generowania modeli hybrydowych, które poprawiają efektywność prognozowania i mapowania.Niektóre z tych hybrydowych lub połączonych modeli algorytmów to kriging sztucznej sieci neuronowej (ANN-RK), kriging resztkowy perceptronu wielowarstwowego (MLP-RK), kriging resztkowy sieci neuronowej z uogólnioną regresją (GR-NNRK)36, kriging wielowarstwowy perceptron sztucznej sieci neuronowej (ANN-K-MLP)37 oraz ko-kriging i regresja procesów gaussowskich38.
Według Siergiejewa i wsp. łączenie różnych technik modelowania może potencjalnie wyeliminować defekty i zwiększyć wydajność powstałego modelu hybrydowego zamiast opracowywania jego pojedynczego modelu. W tym kontekście w tym nowym artykule dowodzi się, że konieczne jest zastosowanie połączonego algorytmu geostatystyki i MLA w celu stworzenia optymalnych modeli hybrydowych do przewidywania wzbogacenia Ni w obszarach miejskich i podmiejskich. Badanie to będzie opierać się na empirycznym krigingu bayesowskim (EBK) jako modelu bazowym i łączyć go z maszyną wektorów nośnych (SVM) i wielokrotną regresją liniową Modele (MLR). Hybrydyzacja EBK z jakimkolwiek MLA nie jest znana. Wiele modeli mieszanych to kombinacje zwykłego, resztkowego, regresyjnego krigingu i MLA. EBK to geostatystyczna metoda interpolacji, która wykorzystuje przestrzennie stochastyczny proces, który jest zlokalizowany jako niestacjonarne/stacjonarne pole losowe ze zdefiniowanymi parametrami lokalizacji w polu, co pozwala na zmienność przestrzenną39. EBK był używany w różnych badaniach, w tym w analizie rozkładu węgla organicznego w gleb rolniczych40, ocena zanieczyszczenia gleby41 i mapowanie właściwości gleby42.
Z drugiej strony samoorganizujący się wykres (SeOM) to algorytm uczenia się, który został zastosowany w różnych artykułach, takich jak Li i in.43, Wang i in.44, Hossain Bhuiyan i in.45 i Kebonye et al.46 Określ atrybuty przestrzenne i grupowanie elementów. Wang et al.44 podkreślają, że SeOM jest potężną techniką uczenia się znaną ze swojej zdolności do grupowania i wyobrażania sobie nieliniowych problemów. W przeciwieństwie do innych technik rozpoznawania wzorców, takich jak analiza głównych składników, grupowanie rozmyte, grupowanie hierarchiczne i podejmowanie decyzji na podstawie wielu kryteriów, SeOM jest lepszy w organizowaniu i identyfikowaniu wzorców PTE. Według Wanga i in.44, SeOM może przestrzennie pogrupować rozmieszczenie powiązanych neuronów i zapewnić wizualizację danych w wysokiej rozdzielczości. SeOM zwizualizuje dane predykcyjne Ni, aby uzyskać najlepszy model do scharakteryzowania wyników do bezpośredniej interpretacji.
Ten artykuł ma na celu wygenerowanie solidnego modelu mapowania z optymalną dokładnością do przewidywania zawartości niklu w glebach miejskich i podmiejskich. Stawiamy hipotezę, że niezawodność modelu mieszanego zależy głównie od wpływu innych modeli dołączonych do modelu podstawowego. Uznajemy wyzwania stojące przed DSM i chociaż wyzwania te są rozwiązywane na wielu frontach, połączenie postępów w geostatystyce i modelach MLA wydaje się być stopniowe;w związku z tym postaramy się odpowiedzieć na pytania badawcze, które mogą dać modele mieszane. Jednak, jak dokładny jest model w przewidywaniu pierwiastka docelowego? Ponadto, jaki jest poziom oceny wydajności opartej na walidacji i ocenie dokładności? Dlatego też szczegółowymi celami tego badania było (a) stworzenie połączonego modelu mieszaniny dla SVMR lub MLR przy użyciu EBK jako modelu podstawowego, (b) porównanie otrzymanych modeli, (c) zaproponowanie najlepszego modelu mieszaniny do przewidywania stężeń Ni w glebach miejskich lub podmiejskich oraz (d) zastosowanie SeOM w celu stworzenia mapy zmienności przestrzennej niklu w wysokiej rozdzielczości.
Badania prowadzone są w Republice Czeskiej, a konkretnie w powiecie Frydek Mistek w regionie morawsko-śląskim (zob. ryc. 1). Geografia badanego obszaru jest bardzo nierówna i w większości stanowi część Beskidu Morawsko-Śląskiego, który jest częścią zewnętrznego obrzeża Karpat. wysokość wynosi od 225 do 327 m;jednak system klasyfikacji Koppen dla stanu klimatycznego regionu jest oceniany jako Cfb = umiarkowany klimat oceaniczny, jest dużo opadów nawet w suchych miesiącach. Temperatury wahają się nieznacznie w ciągu roku między -5 °C a 24 °C, rzadko spadają poniżej -14 °C lub powyżej 30 °C, podczas gdy średnie roczne opady wynoszą od 685 do 752 mm47. 0,38% gruntów uprawnych i 49,36% powierzchni lasów. Z drugiej strony, obszar wykorzystany w tym badaniu to około 889,8 km2. W Ostrawie i okolicach bardzo aktywny jest przemysł stalowy i huty metali. Huty metali, przemysł stalowy, w którym nikiel jest stosowany w stali nierdzewnej (np. w celu uzyskania odporności na korozję atmosferyczną) i stali stopowych (nikiel zwiększa wytrzymałość stopu przy zachowaniu dobrej plastyczności i udarności), a także intensywne rolnictwo, takie jak stosowanie nawozów fosforowych i produkcja zwierzęca badania potencjalnych źródeł niklu w regionie (np. dodawanie niklu do jagniąt w celu zwiększenia tempa wzrostu jagniąt i nisko karmionego bydła). Inne zastosowania przemysłowe niklu na obszarach badawczych obejmują jego zastosowanie w galwanotechnice, w tym w galwanizacji niklu i procesach niklowania bezprądowego. Właściwości gleby można łatwo odróżnić od koloru, struktury i zawartości węglanów. Tekstura gleby jest średnia do drobnej, pochodzi od materiału macierzystego. Mają one charakter koluwialny, aluwialny lub eoliczny. na powierzchni i podglebiu, często z betonem i bieleniem. Jednak najbardziej powszechnymi typami gleb w regionie są kambisole i stagnosole48. Na wysokościach od 455,1 do 493,5 m w Czechach dominują kambisole49.
Mapa obszaru nauki [Mapa obszaru nauki została utworzona przy użyciu oprogramowania ArcGIS Desktop (ESRI, Inc, wersja 10.7, adres URL: https://desktop.arcgis.com).]
Ogółem pobrano 115 próbek wierzchniej warstwy gleby z gleb miejskich i podmiejskich na terenie powiatu Frydek Mistek. Zastosowano układ próbkowania: regularną siatkę z próbkami gleby oddalonymi od siebie o 2 × 2 km, a wierzchnią warstwę gleby mierzono na głębokości od 0 do 20 cm za pomocą ręcznego urządzenia GPS (Leica Zeno 5 GPS). Próbki są pakowane w worki Ziploc, odpowiednio oznakowane i wysyłane do laboratorium. rozdrobnione w systemie mechanicznym (młyn tarczowy Fritsch) i przesiane (oczko 2 mm). Umieścić 1 gram wysuszonych, zhomogenizowanych i przesianych próbek gleby w wyraźnie oznakowanych teflonowych butelkach. Do każdego naczynia teflonowego odmierzyć 7 ml 35% HCl i 3 ml 65% HNO3 (za pomocą dozownika automatycznego – po jednym na każdy kwas), lekko przykryć i pozostawić próbki na noc do przereagowania (program Aqua regia). supernatant na gorącej metalowej płytce (temperatura: 100 W i 160 °C) przez 2 h, aby ułatwić proces trawienia próbek, następnie ostudzić. Supernatant przenieść do kolby miarowej o pojemności 50 ml i rozcieńczyć wodą dejonizowaną do 50 ml. Następnie przefiltrować rozcieńczony supernatant do 50 ml rurki PVC z wodą dejonizowaną. Dodatkowo 1 ml roztworu do rozcieńczania rozcieńczono 9 ml dejonizowanej wody woda zjonizowana i przefiltrowana do probówki o pojemności 12 ml przygotowanej do pseudozatężania PTE. Stężenia PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) określono metodą ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) zgodnie ze standardowymi metodami i umową. Zapewnienie jakości i procedur kontroli (QA/QC) (SRM NIST 2711a Montana II Soil).PTE z granicami wykrywalności poniżej połowy zostały wykluczone z tego badania. Granica wykrywalności PTE użytego w tym badaniu wynosiła 0,0004.(ty). Ponadto kontrola jakości i proces zapewniania jakości każdej analizy są zapewnione poprzez analizę wzorców referencyjnych. Aby zminimalizować błędy, przeprowadzono podwójną analizę.
Empiryczny kriging bayesowski (EBK) jest jedną z wielu geostatystycznych technik interpolacji stosowanych w modelowaniu w różnych dziedzinach, takich jak gleboznawstwo. W przeciwieństwie do innych technik interpolacji krigingu, EBK różni się od tradycyjnych metod krigingu tym, że uwzględnia błąd oszacowany przez model semiwariogramu. wariogram, który stanowi wysoce złożoną część metody krigingu wystarczającego. Proces interpolacji EBK jest zgodny z trzema kryteriami zaproponowanymi przez Krivoruchko50, (a) model estymuje semiwariogram z wejściowego zbioru danych, (b) nowa przewidywana wartość dla każdej lokalizacji wejściowego zbioru danych na podstawie wygenerowanego semiwariogramu oraz (c) ostateczny model A jest obliczany z symulowanego zbioru danych. Reguła równania Bayesa jest podana jako a posterior
Gdzie \(Prob\left(A\right)\) reprezentuje wcześniejsze, \(Prob\left(B\right)\) prawdopodobieństwo krańcowe jest w większości przypadków ignorowane, \(Prob (B,A)\ ). Obliczenia semiwariogramu są oparte na regule Bayesa, która pokazuje skłonność zbiorów danych obserwacyjnych, które można utworzyć z semiwariogramów. Wartość semiwariogramu jest następnie określana za pomocą reguły Bayesa, która określa prawdopodobieństwo utworzenia zbioru danych obserwacji z wariogram.
Maszyna wektorów nośnych to algorytm uczenia maszynowego, który generuje optymalną separującą hiperpłaszczyznę w celu rozróżnienia identycznych, ale nie liniowo niezależnych klas. Vapnik51 stworzył algorytm klasyfikacji intencji, ale ostatnio był on używany do rozwiązywania problemów zorientowanych na regresję. Według Li i wsp.52, SVM jest jedną z najlepszych technik klasyfikujących i był używany w różnych dziedzinach. W tej analizie wykorzystano składnik regresji SVM (Support Vector Machine Regression – SVMR).Cherkassky i Mulier 53 był pionierem SVMR jako regresji opartej na jądrze, której obliczenia przeprowadzono przy użyciu modelu regresji liniowej z funkcjami przestrzennymi obejmującymi wiele krajów. John i wsp.54 donoszą, że modelowanie SVMR wykorzystuje hiperpłaszczyznową regresję liniową, która tworzy relacje nieliniowe i pozwala na funkcje przestrzenne. Według Vohlanda i in.55, epsilon (ε)-SVMR wykorzystuje wyuczony zestaw danych do uzyskania modelu reprezentacji jako funkcji niewrażliwej na epsilon, która jest stosowana do mapowania danych niezależnie z najlepszym odchyleniem epsilon z treningu na skorelowanych danych. Ustawiony błąd odległości jest ignorowany z rzeczywistej wartości, a jeśli błąd jest większy niż ε (ε), właściwości gleby go kompensują. Model zmniejsza również złożoność danych treningowych do szerszego podzbioru wektorów nośnych. Równanie zaproponowane przez Vapnik5 1 pokazano poniżej.
gdzie b reprezentuje próg skalarny, \(K\left({x}_{,}{ x}_{k}\right)\) reprezentuje funkcję jądra, \(\alpha\) reprezentuje mnożnik Lagrange'a, N reprezentuje numeryczny zestaw danych, \({x}_{k}\) reprezentuje dane wejściowe, a \(y\) to dane wyjściowe. Jednym z kluczowych używanych jąder jest operacja SVMR, która jest radialną funkcją bazową Gaussa (RBF). RBF Jądro jest stosowane w celu określenia optymalnego modelu SVMR, który ma kluczowe znaczenie dla uzyskania najbardziej subtelnego współczynnika zestawu kar C i parametru jądra gamma (γ) dla danych treningowych PTE. Najpierw oceniliśmy zestaw treningowy, a następnie przetestowaliśmy wydajność modelu na zbiorze walidacyjnym. Parametrem sterującym jest sigma, a wartością metody jest svmRadial.
Model regresji liniowej wielokrotnej (MLR) to model regresji, który przedstawia zależność między zmienną odpowiedzi a liczbą zmiennych predykcyjnych za pomocą połączonych liniowo parametrów obliczonych metodą najmniejszych kwadratów. W MLR model najmniejszych kwadratów jest funkcją predykcyjną właściwości gleby po wybraniu zmiennych objaśniających. Konieczne jest wykorzystanie odpowiedzi w celu ustalenia zależności liniowej za pomocą zmiennych objaśniających. Jako zmienną odpowiedzi zastosowano PTE w celu ustalenia liniowej zależności ze zmiennymi objaśniającymi. Równanie MLR jest
gdzie y to zmienna odpowiedzi, \(a\) to wyraz wolny, n to liczba predyktorów, \({b}_{1}\) to częściowa regresja współczynników, \({x}_{i}\) reprezentuje predyktor lub zmienną objaśniającą, a \({\varepsilon}_{i}\) reprezentuje błąd w modelu, znany również jako reszta.
Modele mieszane uzyskano poprzez połączenie EBK z SVMR i MLR. Odbywa się to poprzez wyodrębnienie przewidywanych wartości z interpolacji EBK. Przewidywane wartości uzyskane z interpolowanych Ca, K i Mg są uzyskiwane w procesie kombinatorycznym w celu uzyskania nowych zmiennych, takich jak CaK, CaMg i KMg. Elementy Ca, K i Mg są następnie łączone w celu uzyskania czwartej zmiennej, CaKMg. Ogólnie otrzymane zmienne to Ca, K, Mg, CaK, CaMg, KMg i CaKMg. Zmienne te stały się naszymi predyktorami, pomagając przewidywać stężenia niklu w glebach miejskich i podmiejskich. Algorytm SVMR przeprowadzono na predyktorach, aby uzyskać mieszany model empirycznej Bayesowskiej Kriging-Support Vector Machine (EBK_SVM). EBK_MLR). Zazwyczaj zmienne Ca, K, Mg, CaK, CaMg, KMg i CaKMg są używane jako współzmienne jako predyktory zawartości Ni w glebach miejskich i podmiejskich. Uzyskany najbardziej akceptowalny model (EBK_SVM lub EBK_MLR) zostanie następnie zwizualizowany za pomocą samoorganizującego się wykresu. Przebieg tego badania pokazano na rysunku 2.
Korzystanie z SeOM stało się popularnym narzędziem do organizowania, oceny i prognozowania danych w sektorze finansowym, służbie zdrowia, przemyśle, statystyce, gleboznawstwie i nie tylko. SeOM jest tworzony przy użyciu sztucznych sieci neuronowych i metod uczenia się bez nadzoru do organizacji, oceny i przewidywania. W tym badaniu SeOM został wykorzystany do wizualizacji stężeń Ni w oparciu o najlepszy model do przewidywania Ni w glebach miejskich i podmiejskich. elssen i in.57 opisują połączenie wektora wejściowego z siecią neuronową przez pojedynczą warstwę wejściową z wektorem wyjściowym z pojedynczym wektorem wagi. Dane wyjściowe generowane przez SeOM to dwuwymiarowa mapa składająca się z różnych neuronów lub węzłów wplecionych w sześciokątne, kołowe lub kwadratowe mapy topologiczne w zależności od ich bliskości. jest jednostką 55 map (5 × 11). Struktura neuronu jest określana na podstawie liczby węzłów w równaniu empirycznym
Liczba danych użytych w tym badaniu to 115 próbek. Zastosowano podejście losowe, aby podzielić dane na dane testowe (25% do walidacji) i zestawy danych treningowych (75% do kalibracji). Zbiór danych treningowych służy do wygenerowania modelu regresji (kalibracja), a zestaw danych testowych służy do weryfikacji zdolności do generalizacji58. Miało to na celu ocenę przydatności różnych modeli do przewidywania zawartości niklu w glebach. Wszystkie użyte modele przeszły dziesięciokrotny proces walidacji krzyżowej, powtórzony pięć razy. zmienne utworzone przez interpolację EBK są używane jako predyktory lub zmienne objaśniające do przewidywania zmiennej docelowej (PTE). Modelowanie jest obsługiwane w RStudio przy użyciu pakietów biblioteka (Kohonen), biblioteka (caret), biblioteka (modelr), biblioteka („e1071″), biblioteka („plyr”), biblioteka („caTools”), biblioteka („prospektor”) i biblioteki („Metryki”).
Zastosowano różne parametry walidacyjne w celu określenia najlepszego modelu odpowiedniego do przewidywania stężeń niklu w glebie oraz oceny dokładności modelu i jego walidacji. Modele hybrydyzacyjne oceniano za pomocą średniego błędu bezwzględnego (MAE), pierwiastka błędu średniokwadratowego (RMSE) i R-kwadrat lub określenia współczynnika (R2). R2 określa wariancję proporcji w odpowiedzi, reprezentowaną przez model regresji. RMSE i wielkość wariancji w niezależnych miarach opisują moc predykcyjną modelu, podczas gdy MAE określa rzeczywistą wartość ilościowa. Wartość R2 musi być wysoka, aby ocenić najlepszy model mieszaniny przy użyciu parametrów walidacyjnych, im wartość jest bliższa 1, tym większa dokładność. Według Li et al.59, wartość kryterium R2 wynosząca 0,75 lub więcej jest uważana za dobry predyktor;od 0,5 do 0,75 jest akceptowalną wydajnością modelu, a poniżej 0,5 jest nieakceptowalną wydajnością modelu. Przy wyborze modelu za pomocą metod oceny kryteriów walidacyjnych RMSE i MAE, uzyskane niższe wartości były wystarczające i zostały uznane za najlepszy wybór. Poniższe równanie opisuje sposób weryfikacji.
gdzie n reprezentuje wielkość obserwowanej wartości\({Y}_{i}\) reprezentuje zmierzoną odpowiedź, a \({\widehat{Y}}_{i}\) reprezentuje również przewidywaną wartość odpowiedzi, a zatem dla pierwszych i obserwacji.
Statystyczne opisy predyktorów i zmiennych odpowiedzi przedstawiono w tabeli 1, przedstawiając średnią, odchylenie standardowe (SD), współczynnik zmienności (CV), minimum, maksimum, kurtozę i skośność. Minimalne i maksymalne wartości elementów są w porządku malejącym odpowiednio Mg < Ca < K < i Ca < Mg < K < Ni. Stężenia zmiennej odpowiedzi (Ni) pobranej z badanego obszaru wahały się od 4,86 ​​do 42,39 mg/kg. Porównanie Ni ze średnią światową (29 mg/kg) i średnią europejską (37 mg/kg) wykazało, że ogólna obliczona średnia geometryczna dla badanego obszaru mieściła się w granicach tolerancji. Niemniej jednak, jak wykazał Kabata-Pendias11, porównanie średniego stężenia niklu (Ni) w obecnych badaniach z glebami rolniczymi w Szwecji pokazuje, że obecne średnie stężenie niklu jest wyższe. Podobnie średnie stężenie Frydek Mistek w glebach miejskich i podmiejskich w obecnych badaniach (Ni 16 0,15 mg/kg) była wyższa niż dopuszczalna wartość 60 (10,2 mg/kg) dla Ni w polskich glebach miejskich podana przez Różańskiego i in. Ponadto Bretzel i Calderisi61 odnotowali bardzo niskie średnie stężenia Ni (1,78 mg/kg) w glebach miejskich w Toskanii w porównaniu z obecnym badaniem. w tym badaniu. Birke i wsp.63 odnotowali średnie stężenie Ni na poziomie 17,6 mg/kg w starym górniczym i miejskim obszarze przemysłowym w Saksonii-Anhalt w Niemczech, które było o 1,45 mg/kg wyższe niż średnie stężenie Ni na tym obszarze (16,15 mg/kg). Aktualne badania. Nadmierną zawartość niklu w glebach na niektórych obszarach miejskich i podmiejskich badanego obszaru można przypisać głównie hutnictwu żelaza i stali oraz przemysłowi metalowemu. Jest to zgodne z badaniami Khodado ust i in.64, że przemysł stalowy i obróbka metali są głównymi źródłami zanieczyszczenia gleb niklem. Jednak predyktory wahały się również od 538,70 mg/kg do 69161,80 mg/kg dla Ca, od 497,51 mg/kg do 3535,68 mg/kg dla K i od 685,68 mg/kg do 5970,05 mg/kg dla Mg. Jakovljevic et al.65 zbadali całkowitą zawartość Mg i K w glebach środkowej Serbii. Stwierdzili, że całkowite stężenia (odpowiednio 410 mg/kg i 400 mg/kg) były niższe niż stężenia Mg i K z obecnego badania. Nie do odróżnienia we wschodniej Polsce Orzechowski i Smolczynski66 ocenili całkowitą zawartość Ca, Mg i K i wykazali średnie stężenia Ca (1100 mg/kg), Mg (590 mg/kg) i K (810 mg/kg) Zawartość w wierzchniej warstwie gleby jest niższa niż pojedynczy pierwiastek w tym badaniu. Niedawne badanie przeprowadzone przez Pongraca i in.67 wykazało, że całkowita zawartość Ca analizowana w 3 różnych glebach w Szkocji w Wielkiej Brytanii (gleba Mylnefield, gleba Balruddery i gleba Hartwood) wskazywała na wyższą zawartość Ca w tym badaniu.
Ze względu na różne zmierzone stężenia pobranych pierwiastków rozkłady zbioru danych wykazują różną skośność. Skośność i kurtoza pierwiastków wahały się odpowiednio od 1,53 do 7,24 i 2,49 do 54,16. Wszystkie obliczone pierwiastki mają poziomy skośności i kurtozy powyżej +1, co wskazuje, że rozkład danych jest nieregularny, przekrzywiony we właściwym kierunku i szczytowy. Szacowane CV pierwiastków pokazują również, że K, Mg i Ni wykazują umiarkowana zmienność, podczas gdy Ca ma wyjątkowo dużą zmienność. CV K, Ni i Mg wyjaśniają ich równomierny rozkład. Ponadto rozkład Ca jest nierównomierny, a źródła zewnętrzne mogą wpływać na jego poziom wzbogacenia.
Korelacja zmiennych predykcyjnych z elementami odpowiedzi wskazywała na zadowalającą korelację między elementami (patrz ryc. 3). Korelacja wskazywała, że ​​CaK wykazywał umiarkowaną korelację z wartością r = 0,53, podobnie jak CaNi. Chociaż Ca i K wykazują skromne powiązania między sobą, badacze tacy jak Kingston i in.68 i Santo69 sugerują, że ich poziomy w glebie są odwrotnie proporcjonalne. Jednak Ca i Mg są antagonistami K, ale CaK dobrze koreluje. Może to być spowodowane stosowaniem nawozów, takich jak węglan potasu, który ma o 56% więcej potasu. Potas był umiarkowanie skorelowany z magnezem (KM r = 0,63). aby zwiększyć poziom ich niedoboru. Nikiel jest umiarkowanie skorelowany z Ca, K i Mg z wartościami r = odpowiednio 0,52, 0,63 i 0,55. Zależności dotyczące wapnia, magnezu i PTE, takich jak nikiel, są złożone, niemniej jednak magnez hamuje wchłanianie wapnia, wapń zmniejsza skutki nadmiaru magnezu, a zarówno magnez, jak i wapń zmniejszają toksyczne działanie niklu w glebie.
Macierz korelacji dla elementów pokazująca zależność między predyktorami a odpowiedziami (Uwaga: ten rysunek zawiera wykres rozrzutu między elementami, poziomy istotności oparte są na p < 0,001).
Rycina 4 ilustruje przestrzenne rozmieszczenie pierwiastków. Według Burgosa i wsp. 70 zastosowanie rozmieszczenia przestrzennego jest techniką używaną do ilościowego określania i wyróżniania gorących punktów na obszarach zanieczyszczonych. Poziomy wzbogacenia Ca na ryc. 4 można zobaczyć w północno-zachodniej części mapy dystrybucji przestrzennej. Rysunek przedstawia umiarkowane lub wysokie punkty wzbogacenia w Ca. Wzbogacenie w wapń w północno-zachodniej części mapy jest prawdopodobnie spowodowane użyciem wapna palonego (tlenku wapnia) w celu zmniejszenia kwasowości gleby i jego wykorzystania w hutach stali jako zasadowy tlen w procesie produkcji stali. Z drugiej strony, inni rolnicy wolą używać wodorotlenku wapnia w kwaśnych glebach w celu zneutralizowania pH, co również zwiększa zawartość wapnia w glebie71. Potas pokazuje również gorące punkty w północno-zachodniej i wschodniej części mapy. 3, Pulkrabová i in.74, Asare i in.75, którzy zaobserwowali, że stabilizacja gleby i traktowanie KCl i NPK skutkowało wysoką zawartością K w glebie.Przestrzenne wzbogacenie w potas w północno-zachodniej części mapy rozmieszczenia może wynikać ze stosowania nawozów na bazie potasu, takich jak chlorek potasu, siarczan potasu, azotan potasu, potaż i potaż, w celu zwiększenia zawartości potasu w glebach ubogich. Zádorová et al.76 oraz Tlustoš i in.77 podkreślono, że stosowanie nawozów opartych na K zwiększyło zawartość K w glebie i znacznie zwiększyłoby zawartość składników odżywczych w glebie w dłuższej perspektywie, zwłaszcza K i Mg, wykazując gorące punkty w glebie. Stosunkowo umiarkowane hotspoty w północno-zachodniej części mapy i południowo-wschodniej części mapy. Wiązanie koloidalne w glebie zmniejsza stężenie magnezu w glebie. Jego brak w glebie powoduje, że rośliny wykazują żółtawą chlorozę między żyłami. Nawozy na bazie magnezu, takie jak siarczan potasowo-magnezowy , siarczan magnezu i kizeryt leczą niedobory (rośliny wydają się purpurowe, czerwone lub brązowe, co wskazuje na niedobór magnezu) w glebach o normalnym zakresie pH6. Akumulacja niklu na powierzchniach gleb miejskich i podmiejskich może być spowodowana działalnością antropogeniczną, taką jak rolnictwo i znaczenie niklu w produkcji stali nierdzewnej78.
Rozmieszczenie przestrzenne elementów [mapa rozmieszczenia przestrzennego została utworzona za pomocą aplikacji ArcGIS Desktop (ESRI, Inc, wersja 10.7, URL: https://desktop.arcgis.com).]
Wyniki wskaźnika wydajności modelu dla pierwiastków użytych w tym badaniu przedstawiono w tabeli 2. Z drugiej strony, RMSE i MAE Ni są bliskie zeru (0,86 RMSE, -0,08 MAE). Z drugiej strony, zarówno wartości RMSE, jak i MAE K są akceptowalne. Wyniki RMSE i MAE były lepsze dla wapnia i magnezu. Wyniki MAE i RMSE Ca i K są większe ze względu na różne zestawy danych. przewidywania Ni okazały się lepsze niż wyniki Johna i in.54 przy użyciu synergistycznego krigingu do przewidywania stężeń S w glebie przy użyciu tych samych zebranych danych. Badane przez nas wyniki EBK korelują z wynikami Fabijaczyka i in.41, Yan i in.79, Begin i in.80, Adhikary i in.81 oraz John i in.82, zwłaszcza K i Ni.
Skuteczność poszczególnych metod przewidywania zawartości niklu w glebach miejskich i podmiejskich oceniono na podstawie wydajności modeli (tabela 3). Walidacja modelu i ocena dokładności potwierdziły, że predyktor Ca_Mg_K w połączeniu z modelem EBK SVMR dał najlepsze wyniki. Model kalibracyjny Ca_Mg_K-EBK_SVMR model R2, średni błąd kwadratowy (RMSE) i średni błąd bezwzględny (MAE) wyniosły 0,637 (R2), 95. 479 mg/kg (RMSE) i 77,368 mg/kg (MAE) Ca_Mg_K-SVMR wyniosło 0,663 (R2), 235,974 mg/kg (RMSE) i 166,946 mg/kg (MAE). Mimo to dobre wartości R2 uzyskano dla Ca_Mg_K-SVMR (0,663 mg/kg R2) i Ca_Mg-EBK_ SVMR (0,643 = R2);ich wyniki RMSE i MAE były wyższe niż te dla Ca_Mg_K-EBK_SVMR (R2 0,637) (patrz Tabela 3). Ponadto RMSE i MAE modelu Ca_Mg-EBK_SVMR (RMSE = 1664,64 i MAE = 1031,49) wynoszą odpowiednio 17,5 i 13,4, czyli są większe niż w przypadku Ca_Mg_K- EBK_SVMR. Podobnie RMSE i MAE modelu Ca_Mg-K SVMR (RMSE = 235,974 i MAE = 166,946) są odpowiednio 2,5 i 2,2 większe niż odpowiednio Ca_Mg_K-EBK_SVMR RMSE i MAE. Obliczone wyniki RMSE wskazują, jak skoncentrowany jest zestaw danych z linią najlepszego dopasowania. Wyższe były RSME i MAE zaobserwowano. Według Kebonye et al.46 oraz John i in.54, im RMSE i MAE są bliższe zeru, tym lepsze wyniki. SVMR i EBK_SVMR mają wyższe skwantyzowane wartości RSME i MAE. Zaobserwowano, że estymatory RSME były konsekwentnie wyższe niż wartości MAE, co wskazuje na obecność wartości odstających. Im wyższy zbiór danych, tym wyższe wartości MAE i RMSE. Dokładność walidacji krzyżowej modelu mieszanego Ca_Mg_K-EBK_SVMR do prognozowania zawartości Ni w glebach miejskich i podmiejskich wyniosła 63,70%.Według Li et al.59, ten poziom dokładności jest akceptowalnym wskaźnikiem wydajności modelu. Obecne wyniki są porównywane z poprzednim badaniem przeprowadzonym przez Tarasova i in.36, którego hybrydowy model stworzył MLPRK (wielowarstwowy Perceptron resztkowy Kriging), związany z wskaźnikiem oceny dokładności EBK_SVMR zgłoszonej w bieżącym badaniu, RMSE (210) i MAE (167,5) było wyższe niż nasze wyniki w bieżącym badaniu (RMSE 95.479, MAE 77,368). Nic, gdy R2 z prądu (0,637) wraz z Tarasov i alb. .36 (0,544) widać wyraźnie, że współczynnik determinacji (R2) jest wyższy w tym modelu mieszanym. Margines błędu (RMSE i MAE) (EBK SVMR) dla modelu mieszanego jest dwukrotnie niższy. Podobnie Siergiejew i wsp.34 odnotowali 0,28 (R2) dla opracowanego modelu hybrydowego (Multilayer Perceptron Residual Kriging), natomiast Ni w obecnym badaniu odnotował 0,637 (R2). Poziom dokładności predykcji tego modelu (EBK SVMR) wynosi 63,7%, podczas gdy dokładność predykcji uzyskana przez Siergiejewa i in.34 wynosi 28%. Ostateczna mapa (ryc. 5) utworzona przy użyciu modelu EBK_SVMR i Ca_Mg_K jako predyktora pokazuje prognozy gorących punktów i umiarkowanego do niklu na całym badanym obszarze. Oznacza to, że stężenie niklu na badanym obszarze jest głównie umiarkowane, z wyższymi stężeniami w niektórych określonych obszarach.
Ostateczna mapa predykcji jest reprezentowana przy użyciu modelu hybrydowego EBK_SVMR i Ca_Mg_K jako predyktora. [Mapa rozkładu przestrzennego została utworzona przy użyciu RStudio (wersja 1.4.1717: https://www.rstudio.com/).]
Na rycinie 6 przedstawiono stężenia PTE jako płaszczyznę kompozycji składającą się z pojedynczych neuronów. Żadna z płaszczyzn składowych nie wykazywała tego samego wzoru kolorów, jak pokazano. Jednak odpowiednia liczba neuronów na narysowaną mapę wynosi 55. SeOM jest wytwarzany przy użyciu różnych kolorów, a im bardziej podobne wzory kolorów, tym bardziej porównywalne właściwości próbek. i CaMg mają pewne podobieństwa z neuronami bardzo wysokiego rzędu i wzorami kolorów od niskiego do umiarkowanego. Oba modele przewidują stężenie Ni w glebie, wyświetlając średnie do wysokich odcieni kolorów, takich jak czerwony, pomarańczowy i żółty. Model KMg wyświetla wiele wzorców kolorów opartych na dokładnych proporcjach i plamach kolorów od niskiego do średniego. W precyzyjnej skali kolorów od niskiego do wysokiego, planarny wzór rozkładu składników modelu wykazał wysoki wzór kolorów wskazujący na potencjalne stężenie niklu w glebie (patrz Ryc. 4). CakMg płaszczyzna składowa modelu przedstawia zróżnicowany wzór kolorów od niskiego do wysokiego zgodnie z dokładną skalą kolorów. Ponadto prognoza modelu dotycząca zawartości niklu (CakMg) jest podobna do przestrzennego rozkładu niklu pokazanego na rysunku 5. Oba wykresy pokazują wysokie, średnie i niskie proporcje stężeń niklu w glebach miejskich i podmiejskich. Spośród 115 zebranych próbek gleby, kategoria 1 uzyskała najwięcej próbek gleby, 74. Skupienie 2 otrzymało 33 próbki, podczas gdy skupienie 3 otrzymało 8 próbek. Siedmioskładnikowa planarna kombinacja predyktorów została uproszczona, aby umożliwić prawidłową interpretację skupień. Ze względu na liczne antropogeniczne i naturalne procesy wpływające na formowanie gleby, trudno jest odpowiednio zróżnicować wzorce skupień na rozproszonej mapie SeOM78.
Wyjście płaszczyzny składowej przez każdą zmienną Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [Mapy SeOM zostały utworzone przy użyciu RStudio (wersja 1.4.1717: https://www.rstudio.com/).]
Różne komponenty klasyfikacji klastrów [Mapy SeOM zostały utworzone przy użyciu RStudio (wersja 1.4.1717: https://www.rstudio.com/).]
Obecne badanie wyraźnie ilustruje techniki modelowania stężeń niklu w glebach miejskich i podmiejskich. W badaniu przetestowano różne techniki modelowania, łącząc elementy z technikami modelowania, aby uzyskać najlepszy sposób przewidywania stężeń niklu w glebie. Kompozycyjne płaskie cechy przestrzenne SeOM techniki modelowania wykazywały wysoki wzór kolorów od niskiego do wysokiego na dokładnej skali kolorów, wskazując stężenia Ni w glebie. Jednak mapa rozkładu przestrzennego potwierdza płaski rozkład przestrzenny składników wykazany przez EBK_SVMR (patrz rysunek 5) ).Wyniki pokazują, że model regresji maszynowej wektorów nośnych (Ca Mg K-SVMR) przewiduje stężenie Ni w glebie jako pojedynczy model, ale parametry walidacji i oceny dokładności wykazują bardzo duże błędy w zakresie RMSE i MAE. i błędów MAE z dokładnością 63,7%. Okazuje się, że połączenie algorytmu EBK z algorytmem uczenia maszynowego może wygenerować algorytm hybrydowy, który może przewidywać stężenie PTE w glebie. Wyniki pokazują, że wykorzystanie Ca Mg K jako predyktorów do przewidywania stężeń Ni na badanym obszarze może poprawić przewidywanie Ni w glebach. Oznacza to, że ciągłe stosowanie nawozów na bazie niklu i przemysłowe zanieczyszczenie gleby przez przemysł stalowy ma tendencję do zwiększania stężenia niklu w glebie. Badanie to wykazało, że model EBK może zmniejszyć poziom błędu i poprawić dokładność modelu przestrzennego rozmieszczenia gleb w glebach miejskich lub podmiejskich. Ogólnie proponujemy zastosowanie modelu EBK-SVMR do oceny i prognozy PTE w glebie;ponadto proponujemy użycie EBK do hybrydyzacji z różnymi algorytmami uczenia maszynowego. Stężenia Ni zostały przewidziane przy użyciu pierwiastków jako współzmiennych;jednak użycie większej liczby współzmiennych znacznie poprawiłoby wydajność modelu, co można uznać za ograniczenie obecnej pracy. Innym ograniczeniem tego badania jest to, że liczba zestawów danych wynosi 115. Dlatego też, jeśli dostarczono więcej danych, można poprawić wydajność proponowanej zoptymalizowanej metody hybrydyzacji.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (dostęp: 28 kwietnia 2021).
Kasprzak, KS Nikiel postępy we współczesnej toksykologii środowiskowej.otoczenie.toksykologia.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Przegląd źródeł i toksykologii środowiska.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Wprowadzanie zanieczyszczeń z atmosfery i gromadzenie się w glebie i roślinności w pobliżu huty niklu i miedzi w Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metale ciężkie w glebie, roślinach i zagrożeniach związanych z wypasem przeżuwaczy w pobliżu kopalni miedzi i niklu Selebi-Phikwe w Botswanie.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Pierwiastki śladowe w glebie i… – Google Scholar https://scholar.google.com/scholar?hl=pl&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Ślady+ pierwiastki+w+glebie+i+roślinach.+4th+ed.+New+York+%28NY%2 9%3A+CRC+Press&btnG= (dostęp: 24 listopada 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Wpływ rosyjskiego przemysłu niklowego na stężenia metali ciężkich w glebach rolniczych i trawach w Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD i wsp. Wchłanianie i zatrzymywanie niklu w wodzie pitnej są związane z przyjmowaniem pokarmu i wrażliwością na nikiel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel rakotwórczość, mutacja, epigenetyka lub selekcja. otoczenie. Perspektywa zdrowia. 107, 2 (1999).
Adżman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​Nowy Meksyk;Analiza trendów potencjalnie toksycznych pierwiastków: przegląd bibliometryczny.Środowiskowa geochemia i zdrowie.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Cyfrowe mapowanie gleby: krótka historia i kilka lekcji. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O cyfrowym mapowaniu gleby.
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= (Ac zakończona 28 kwietnia 2021 r.).


Czas postu: 22-07-2022