Obrigado por visitar Nature.com.A versão do navegador que você está usando tem suporte limitado para CSS.Para uma melhor experiência, recomendamos que você use um navegador atualizado (ou desative o modo de compatibilidade no Internet Explorer).Enquanto isso, para garantir o suporte contínuo, exibiremos o site sem estilos e JavaScript.
A poluição do solo é um grande problema causado pelas atividades humanas. A distribuição espacial de elementos potencialmente tóxicos (PTEs) varia na maioria das áreas urbanas e periurbanas. Portanto, é difícil prever espacialmente o conteúdo de PTEs nesses solos. Um total de 115 amostras foram obtidas da Frydek Mistek na República Tcheca. As concentrações de cálcio (Ca), magnésio (Mg), potássio (K) e níquel (Ni) foram determinadas usando espectrometria de emissão de plasma acoplado indutivamente. A variável de resposta é Ni e os preditores são Ca, Mg e K. A matriz de correlação entre a variável de resposta e a variável preditora mostra uma correlação satisfatória entre os elementos. gression (EBK-MLR) tem um desempenho ruim, conforme evidenciado por coeficientes de determinação inferiores a 0,1. O modelo Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) foi o melhor modelo, com baixos valores de RMSE (95,479 mg/kg) e MAE (77,368 mg/kg) e alto coeficiente de determinação (R2 = 0,637). A saída da técnica de modelagem EBK-SVMR é visualizada usando um mapa auto-organizado. Neurônios agrupados no plano do modelo híbrido CakMg-EBK-SVMR componente mostram vários padrões de cores que predizem as concentrações de Ni em solos urbanos e periurbanos. Os resultados demonstram que a combinação de EBK e SVMR é uma técnica eficaz para prever as concentrações de Ni em solos urbanos e periurbanos.
O níquel (Ni) é considerado um micronutriente para as plantas porque contribui para a fixação do nitrogênio atmosférico (N) e para o metabolismo da uréia, ambos necessários para a germinação das sementes.Além de sua contribuição para a germinação das sementes, o Ni pode atuar como inibidor de fungos e bactérias e promover o desenvolvimento das plantas. fertilizantes à base de níquel para enriquecer o solo e aumentar a capacidade das leguminosas de fixar nitrogênio no solo aumenta continuamente a concentração de níquel no solo. Embora o níquel seja um micronutriente para as plantas, sua ingestão excessiva no solo pode fazer mais mal do que bem. A toxicidade do níquel no solo minimiza o pH do solo e dificulta a absorção de ferro como um nutriente essencial para o crescimento das plantas1. Devido ao seu papel no desenvolvimento e crescimento das plantas, os seres humanos precisam dele para uma variedade de aplicações.A galvanização, a produção de ligas à base de níquel e a fabricação de dispositivos de ignição e velas de ignição na indústria automotiva requerem o uso de níquel em vários setores industriais.Além disso, as ligas à base de níquel e os artigos galvanizados têm sido amplamente utilizados em utensílios de cozinha, acessórios para salões de baile, suprimentos para a indústria alimentícia, eletricidade, fios e cabos, turbinas a jato, implantes cirúrgicos, têxteis e construção naval5.Níveis ricos em ni nos solos isto é, solos de superfície) foram atribuídos a fontes naturais e antropogênicas, mas principalmente, o Ni é uma fonte natural em vez de antropogênica4,6. Fontes naturais de níquel incluem erupções vulcânicas, vegetação, incêndios florestais e processos geológicos;no entanto, as fontes antropogênicas incluem baterias de níquel/cádmio na indústria siderúrgica, galvanoplastia, soldagem a arco, óleo diesel e combustível e emissões atmosféricas da combustão de carvão e resíduos e incineração de lodo Acumulação de níquel7,8. De acordo com Freedman e Hutchinson9 e Manyiwa et al.10, as principais fontes de poluição do solo no ambiente imediato e adjacente são principalmente fundições e minas à base de níquel-cobre. O solo superficial ao redor da refinaria de níquel-cobre de Sudbury no Canadá apresentou os níveis mais altos de contaminação por níquel em 26.000 mg/kg11. Em contraste, a poluição da produção de níquel na Rússia resultou em maiores concentrações de níquel no solo norueguês11.12, a quantidade de níquel HNO3 extraível nas principais terras aráveis ​​da região (produção de níquel na Rússia) variou de 6,25 a 136,88 mg/kg, correspondendo a uma média de 30,43 mg/kg e uma concentração de linha de base de 25 mg/kg. te o solo.Os efeitos potenciais do níquel em humanos podem levar ao câncer por meio de mutagênese, dano cromossômico, geração de Z-DNA, reparo por excisão de DNA bloqueado ou processos epigenéticos13.Em experimentos com animais, descobriu-se que o níquel tem o potencial de causar uma variedade de tumores, e os complexos de níquel carcinogênicos podem exacerbar esses tumores.
As avaliações de contaminação do solo floresceram nos últimos tempos devido a uma ampla gama de questões relacionadas à saúde decorrentes das relações solo-planta, solo e relações biológicas do solo, degradação ecológica e avaliação do impacto ambiental. Até o momento, a previsão espacial de elementos potencialmente tóxicos (PTEs), como Ni no solo, tem sido trabalhosa e demorada usando métodos tradicionais. provou ser uma subdisciplina proeminente da ciência do solo. Lagacherie e McBratney, 2006 definem DSM como “a criação e preenchimento de sistemas de informação espacial do solo através do uso de métodos de observação in situ e de laboratório e sistemas de inferência espacial e não espacial do solo”.McBratney et al.17 descrevem que o DSM ou PSM contemporâneo é a técnica mais eficaz para prever ou mapear a distribuição espacial de PTEs, tipos de solo e propriedades do solo. Geoestatística e Algoritmos de Aprendizado de Máquina (MLA) são técnicas de modelagem DSM que criam mapas digitalizados com a ajuda de computadores usando dados significativos e mínimos.
Deutsch18 e Olea19 definem a geoestatística como “a coleção de técnicas numéricas que lidam com a representação de atributos espaciais, principalmente empregando modelos estocásticos, como a análise de séries temporais caracteriza dados temporais”.Primeiramente, a geoestatística envolve a avaliação de variogramas, que permitem Quantificar e definir as dependências dos valores espaciais de cada conjunto de dados20.Gumiaux et al.20 ilustram ainda que a avaliação de variogramas em geoestatística é baseada em três princípios, incluindo (a) calcular a escala de correlação de dados, (b) identificar e calcular a anisotropia na disparidade do conjunto de dados e (c) além de levar em conta o erro inerente dos dados de medição separados dos efeitos locais, os efeitos de área também são estimados. krigagem esiana, método de krigagem simples e outras técnicas de interpolação bem conhecidas para mapear ou prever PTE, características do solo e tipos de solo.
Algoritmos de aprendizado de máquina (MLA) são uma técnica relativamente nova que emprega classes de dados não lineares maiores, alimentadas por algoritmos usados ​​principalmente para mineração de dados, identificando padrões em dados e aplicados repetidamente à classificação em campos científicos, como ciência do solo e tarefas de retorno. Numerosos trabalhos de pesquisa dependem de modelos MLA para prever PTE em solos, como Tan et al.22 (florestas aleatórias para estimativa de metais pesados ​​em solos agrícolas), Sakizadeh et al.23 (modelagem usando máquinas de vetores de suporte e redes neurais artificiais) poluição do solo ). Além disso, Vega et al.24 (CART para modelagem de retenção e adsorção de metais pesados ​​no solo) Sun et al.25 (a aplicação de cubist é a distribuição de Cd no solo) e outros algoritmos, como k-vizinho mais próximo, regressão aumentada generalizada e regressão aumentada As árvores também aplicaram MLA para prever PTE no solo.
A aplicação de algoritmos DSM em predição ou mapeamento enfrenta vários desafios.Muitos autores acreditam que o MLA é superior à geoestatística e vice-versa.Embora um seja melhor que o outro, a combinação dos dois melhora o nível de precisão do mapeamento ou predição no DSM15.Woodcock e Gopal26 Finke27;Pontius e Cheuk28 e Grunwald29 comentam sobre deficiências e alguns erros no mapeamento de solo previsto. Os cientistas do solo tentaram uma variedade de técnicas para otimizar a eficácia, precisão e previsibilidade do mapeamento e previsão do DSM.15 descrevem que o comportamento de validação e a incerteza introduzidos pela criação e previsão do mapa devem ser validados independentemente para melhorar a qualidade do mapa. As limitações do DSM são devidas à qualidade do solo geograficamente dispersa, que envolve um componente de incerteza;no entanto, a falta de certeza no DSM pode surgir de várias fontes de erro, ou seja, erro de covariável, erro de modelo, erro de localização e erro analítico 31. As imprecisões de modelagem induzidas em MLA e processos geoestatísticos estão associadas a uma falta de compreensão, levando à simplificação excessiva do processo real32. que promove a integração da geoestatística e MLA no mapeamento e previsão. Vários cientistas e autores do solo, como Sergeev et al.34;Subbotina et ai.35;Tarasov et ai.36 e Tarasov et al.37 exploraram a qualidade precisa da geoestatística e do aprendizado de máquina para gerar modelos híbridos que melhoram a eficiência da previsão e do mapeamento.qualidade. Alguns desses modelos de algoritmos híbridos ou combinados são Kriging de Rede Neural Artificial (ANN-RK), Kriging Residual de Perceptron Multicamada (MLP-RK), Kriging Residual de Rede Neural de Regressão Generalizada (GR-NNRK)36, Kriging de Rede Neural Artificial-Perceptron Multicamada (ANN-K-MLP)37 e Co-Krigagem e Regressão de Processo Gaussiano38.
De acordo com Sergeev et al., a combinação de várias técnicas de modelagem tem o potencial de eliminar defeitos e aumentar a eficiência do modelo híbrido resultante, em vez de desenvolver seu modelo único. R). A hibridização de EBK com qualquer MLA não é conhecida. Os múltiplos modelos mistos vistos são combinações de krigagem de regressão ordinária, residual e MLA. EBK é um método de interpolação geoestatística que utiliza um processo espacialmente estocástico que é localizado como um campo aleatório não estacionário/estacionário com parâmetros de localização definidos sobre o campo, permitindo a variação espacial39. O EBK tem sido usado em uma variedade de estudos, incluindo a análise da distribuição de carbono orgânico em solos agrícolas4 0, avaliando a poluição do solo41 e mapeando as propriedades do solo42.
Por outro lado, o Self-Organizing Graph (SeOM) é um algoritmo de aprendizado que tem sido aplicado em vários artigos como Li et al.43, Wang et ai.44, Hossain Bhuiyan et al.45 e Kebonye et al.46 Determinar os atributos espaciais e agrupamento de elementos. Wang et al.44 descrevem que o SeOM é uma técnica de aprendizado poderosa, conhecida por sua capacidade de agrupar e imaginar problemas não lineares.44, SeOM pode agrupar espacialmente a distribuição de neurônios relacionados e fornecer visualização de dados de alta resolução.SeOM visualizará dados de previsão de Ni para obter o melhor modelo para caracterizar os resultados para interpretação direta.
Este artigo visa gerar um modelo de mapeamento robusto com precisão ideal para prever o teor de níquel em solos urbanos e periurbanos. Nossa hipótese é que a confiabilidade do modelo misto depende principalmente da influência de outros modelos anexados ao modelo de base. Reconhecemos os desafios enfrentados pelo DSM e, embora esses desafios estejam sendo abordados em várias frentes, a combinação de avanços em geoestatística e modelos MLA parece ser incremental;portanto, tentaremos responder a questões de pesquisa que podem gerar modelos mistos.No entanto, quão preciso é o modelo na previsão do elemento alvo?Além disso, qual é o nível de avaliação de eficiência com base na validação e avaliação de precisão?Portanto, os objetivos específicos deste estudo foram (a) criar um modelo de mistura combinado para SVMR ou MLR usando EBK como modelo base, (b) comparar os modelos resultantes (c) propor o melhor modelo de mistura para prever as concentrações de Ni em solos urbanos ou periurbanos e (d) a aplicação de SeOM para criar um mapa de alta resolução da variação espacial do níquel.
O estudo está sendo realizado na República Tcheca, especificamente no distrito de Frydek Mistek na região da Morávia-Silésia (ver Figura 1). 327m;no entanto, o sistema de classificação de Koppen para o estado climático da região é classificado como Cfb = clima temperado oceânico, com muita precipitação mesmo nos meses secos. As temperaturas variam ligeiramente ao longo do ano entre -5 °C e 24 °C, raramente caindo abaixo de -14 °C ou acima de 30 °C, enquanto a precipitação média anual está entre 685 e 752 mm47.A área de levantamento estimada de toda a área é de 1.208 quilômetros quadrados, com 3 9,38% da terra cultivada e 49,36% da cobertura florestal.Por outro lado, a área usada neste estudo é de cerca de 889,8 quilômetros quadrados.Em Ostrava e arredores, a indústria siderúrgica e as metalúrgicas são muito ativas.Fábricas de metal, a indústria siderúrgica onde o níquel é usado em aços inoxidáveis ​​(por exemplo, para resistência à corrosão atmosférica) e ligas de aço (o níquel aumenta a resistência da liga, mantendo sua boa ductilidade e tenacidade), e agricultura intensiva, como aplicação de fertilizante fosfatado e produção de gado são pesquisar fontes potenciais de níquel na região (por exemplo, adicionar níquel a cordeiros para aumentar as taxas de crescimento em cordeiros e gado de baixa alimentação). aparecem manchados na superfície e no subsolo, muitas vezes com concreto e branqueamento. No entanto, cambissolos e estagnossolos são os tipos de solo mais comuns na região48. Com elevações variando de 455,1 a 493,5 m, os cambissolos dominam a República Tcheca49.
Mapa da área de estudo [O mapa da área de estudo foi criado usando o ArcGIS Desktop (ESRI, Inc, versão 10.7, URL: https://desktop.arcgis.com).]
Um total de 115 amostras de solo superficial foram obtidas de solos urbanos e periurbanos no distrito de Frydek Mistek. O padrão de amostra usado foi uma grade regular com amostras de solo espaçadas 2 × 2 km, e o solo superficial foi medido a uma profundidade de 0 a 20 cm usando um dispositivo GPS portátil (Leica Zeno 5 GPS). verificado por um sistema mecânico (moinho de disco Fritsch) e peneirado (tamanho da peneira 2 mm). Colocar 1 grama de amostras de solo secas, homogeneizadas e peneiradas em frascos de teflon claramente rotulados. Em cada recipiente de Teflon, dispensar 7 ml de HCl 35% e 3 ml de HNO3 65% (usando um dispensador automático - um para cada ácido), cobrir levemente e deixar as amostras repousar durante a noite para a reação (programa de água régia). placa de metal (temperatura: 100 W e 160 °C) por 2 h para facilitar o processo de digestão das amostras e, em seguida, resfriar. Pseudoconcentração de PTE. As concentrações de PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) foram determinadas por ICP-OES (Espectroscopia de Emissão Óptica de Plasma Acoplado Indutivamente) (Thermo Fisher Scientific, EUA) de acordo com métodos e acordos padrão. Garantir procedimentos de Garantia e Controle de Qualidade (QA/QC) (SRM NIST 2711a Montana II Soil). PTEs com limites de detecção abaixo metade foi excluída deste estudo. O limite de detecção do PTE usado neste estudo foi 0,0004.(você).Além disso, o processo de controle e garantia de qualidade para cada análise é assegurado pela análise de padrões de referência.
A krigagem bayesiana empírica (EBK) é uma das muitas técnicas de interpolação geoestatística usadas na modelagem em diversos campos, como a ciência do solo.Ao contrário de outras técnicas de interpolação de krigagem, a EBK difere dos métodos de krigagem tradicionais por considerar o erro estimado pelo modelo de semivariograma.Na interpolação de EBK, vários modelos de semivariograma são calculados durante a interpolação, em vez de um único semivariograma. é uma parte altamente complexa de um método de krigagem suficiente. O processo de interpolação de EBK segue os três critérios propostos por Krivoruchko50, (a) o modelo estima o semivariograma a partir do conjunto de dados de entrada (b) o novo valor previsto para cada localização do conjunto de dados de entrada com base no semivariograma gerado e (c) o modelo A final é calculado a partir de um conjunto de dados simulado. A regra da equação bayesiana é dada como posterior
Onde \(Prob\left(A\right)\) representa a probabilidade marginal anterior, \(Prob\left(B\right)\) é ignorada na maioria dos casos, \(Prob (B,A)\ ) . O cálculo do semivariograma é baseado na regra de Bayes, que mostra a propensão de conjuntos de dados de observação que podem ser criados a partir de semivariogramas. .
Uma máquina de vetor de suporte é um algoritmo de aprendizado de máquina que gera um hiperplano de separação ideal para distinguir classes idênticas, mas não linearmente independentes.Vapnik51 criou o algoritmo de classificação de intenção, mas recentemente foi usado para resolver problemas orientados à regressão.De acordo com Li et al. MR como uma regressão baseada em kernel, cujo cálculo foi realizado usando um modelo de regressão linear com funções espaciais de vários países. John et al54 relatam que a modelagem SVMR emprega regressão linear hiperplana, que cria relações não lineares e permite funções espaciais. De acordo com Vohland et al.55, epsilon (ε)-SVMR usa o conjunto de dados treinado para obter um modelo de representação como uma função insensível a epsilon que é aplicada para mapear os dados independentemente com o melhor viés de epsilon do treinamento em dados correlacionados. O erro de distância predefinido é ignorado do valor real e, se o erro for maior que ε(ε), as propriedades do solo o compensam. O modelo também reduz a complexidade dos dados de treinamento para um subconjunto mais amplo de vetores de suporte. A equação proposta por Vapnik51 é mostrada abaixo.
onde b representa o limite escalar, \(K\left({x}_{,}{ x}_{k}\right)\) representa a função do kernel, \(\alpha\) representa o multiplicador de Lagrange, N representa um conjunto de dados numéricos, \({x}_{k}\) representa a entrada de dados e \(y\) é a saída de dados. aplicado para determinar o modelo SVMR ideal, que é crítico para obter o fator C de conjunto de penalidades mais sutil e o parâmetro de kernel gama (γ) para os dados de treinamento PTE. Primeiro, avaliamos o conjunto de treinamento e, em seguida, testamos o desempenho do modelo no conjunto de validação. O parâmetro de direção usado é sigma e o valor do método é svmRadial.
Um modelo de regressão linear múltipla (MLR) é um modelo de regressão que representa a relação entre a variável de resposta e uma série de variáveis ​​preditoras usando parâmetros agrupados lineares calculados usando o método dos mínimos quadrados. Em MLR, um modelo de mínimos quadrados é uma função preditiva das propriedades do solo após a seleção de variáveis ​​explicativas. É necessário usar a resposta para estabelecer uma relação linear usando variáveis ​​explicativas. PTE foi usado como a variável de resposta para estabelecer uma relação linear com as variáveis ​​explicativas. A equação MLR é
onde y é a variável de resposta, \(a\) é a interceptação, n é o número de preditores, \({b}_{1}\) é a regressão parcial dos coeficientes, \({x}_{ i}\) representa um preditor ou variável explicativa e \({\varepsilon }_{i}\) representa o erro no modelo, também conhecido como resíduo.
Os modelos mistos foram obtidos intercalando EBK com SVMR e MLR. Isso é feito extraindo valores previstos da interpolação EBK. Os valores previstos obtidos a partir de Ca, K e Mg interpolados são obtidos por meio de um processo combinatório para obter novas variáveis, como CaK, CaMg e KMg. Os elementos Ca, K e Mg são então combinados para obter uma quarta variável, CaKMg. No geral, as variáveis ​​obtidas são Ca, K, Mg, CaK, CaM g, KMg e CaKMg. Essas variáveis ​​se tornaram nossos preditores, ajudando a prever as concentrações de níquel em solos urbanos e periurbanos. O algoritmo SVMR foi executado nos preditores para obter um modelo misto Empírico Bayesiano Kriging-Support Vector Machine (EBK_SVM). icamente, as variáveis ​​Ca, K, Mg, CaK, CaMg, KMg e CaKMg são usadas como covariáveis ​​como preditores de teor de Ni em solos urbanos e periurbanos. O modelo mais aceitável obtido (EBK_SVM ou EBK_MLR) será então visualizado usando um gráfico auto-organizado. O fluxo de trabalho deste estudo é mostrado na Figura 2.
O uso do SeOM tornou-se uma ferramenta popular para organizar, avaliar e prever dados no setor financeiro, saúde, indústria, estatística, ciência do solo e muito mais. O SeOM é criado usando redes neurais artificiais e métodos de aprendizado não supervisionados para organização, avaliação e previsão. Neste estudo, o SeOM foi usado para visualizar as concentrações de Ni com base no melhor modelo para prever o Ni em solos urbanos e periurbanos.57 descrevem a conexão de um vetor de entrada em uma rede neural através de uma única camada de entrada para um vetor de saída com um único vetor de peso. A saída gerada pelo SeOM é um mapa bidimensional que consiste em diferentes neurônios ou nós entrelaçados em mapas topológicos hexagonais, circulares ou quadrados de acordo com sua proximidade. -map unit (5 × 11). A estrutura do neurônio é determinada de acordo com o número de nós na equação empírica
O número de dados usados ​​neste estudo é de 115 amostras. Uma abordagem aleatória foi usada para dividir os dados em dados de teste (25% para validação) e conjuntos de dados de treinamento (75% para calibração). O conjunto de dados de treinamento é usado para gerar o modelo de regressão (calibração) e o conjunto de dados de teste é usado para verificar a capacidade de generalização58. Isso foi feito para avaliar a adequação de vários modelos para prever o teor de níquel em solos. Todos os modelos usados ​​passaram por um processo de validação cruzada dez vezes, repetido cinco vezes. As variáveis ​​produzidas por interpolação EBK são usados ​​como preditores ou variáveis ​​explicativas para prever a variável de destino (PTE). A modelagem é tratada no RStudio usando os pacotes library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospectr”) e bibliotecas (“Metrics”).
Vários parâmetros de validação foram usados ​​para determinar o melhor modelo adequado para prever as concentrações de níquel no solo e para avaliar a precisão do modelo e sua validação. Os modelos de hibridização foram avaliados usando o erro médio absoluto (MAE), a raiz do erro quadrático médio (RMSE) e R-quadrado ou determinação do coeficiente (R2). deve ser alto para avaliar o melhor modelo de mistura usando os parâmetros de validação, quanto mais próximo de 1, maior a precisão. Segundo Li et al.59, um valor de critério R2 de 0,75 ou maior é considerado um bom preditor;de 0,5 a 0,75 é um desempenho de modelo aceitável e abaixo de 0,5 é um desempenho de modelo inaceitável. Ao selecionar um modelo usando os métodos de avaliação de critérios de validação RMSE e MAE, os valores mais baixos obtidos foram suficientes e foram considerados a melhor escolha. A equação a seguir descreve o método de verificação.
onde n representa o tamanho do valor observado\({Y}_{i}\) representa a resposta medida e \({\widehat{Y}}_{i}\) também representa o valor da resposta prevista, portanto, para as primeiras i observações.
As descrições estatísticas das variáveis ​​preditoras e de resposta são apresentadas na Tabela 1, mostrando média, desvio padrão (DP), coeficiente de variação (CV), mínimo, máximo, curtose e assimetria. Os valores mínimo e máximo dos elementos estão em ordem decrescente de Mg < Ca < K < Ni e Ca < Mg < K < Ni, respectivamente. Ni com a média mundial (29 mg/kg) e a média europeia (37 mg/kg) mostraram que a média geométrica calculada geral para a área de estudo estava dentro da faixa tolerável. No entanto, como mostrado por Kabata-Pendias11, uma comparação da concentração média de níquel (Ni) no estudo atual com solos agrícolas na Suécia mostra que a concentração média atual de níquel é maior. Da mesma forma, a concentração média de Frydek Mistek em solos urbanos e periurbanos no estudo atual (N i 16,15 mg/kg) foi superior ao limite permitido de 60 (10,2 mg/kg) para Ni em solos urbanos poloneses relatado por Różański et al. Além disso, Bretzel e Calderisi61 registraram concentrações médias de Ni muito baixas (1,78 mg/kg) em solos urbanos na Toscana em comparação com o estudo atual. Jim62 também encontrou uma concentração de níquel mais baixa (12,34 mg/kg) em Hong Kong solos urbanos, que é menor do que a concentração atual de níquel neste estudo.Birke et al63 relataram uma concentração média de Ni de 17,6 mg/kg em uma antiga área industrial urbana e de mineração na Saxônia-Anhalt, Alemanha, que foi 1,45 mg/kg maior do que a concentração média de Ni na área (16,15 mg/kg). e indústria metalúrgica. Isso é consistente com o estudo de Khodadoust et al.64 que a indústria siderúrgica e a metalurgia são as principais fontes de contaminação por níquel nos solos. No entanto, os preditores também variaram de 538,70 mg/kg a 69.161,80 mg/kg para Ca, 497,51 mg/kg a 3535,68 mg/kg para K e 685,68 mg/kg a 5970,05 mg/kg para Mg. Jakovljevic et al.65 investigaram o conteúdo total de Mg e K dos solos na Sérvia central. Eles descobriram que as concentrações totais (410 mg/kg e 400 mg/kg, respectivamente) eram menores do que as concentrações de Mg e K do estudo atual. 810 mg/kg) O conteúdo no solo superficial é menor do que o único elemento neste estudo. Um estudo recente de Pongrac et al.67 mostraram que o teor total de Ca analisado em 3 solos diferentes na Escócia, Reino Unido (solo de Mylnefield, solo de Balruddery e solo de Hartwood) indicou um teor de Ca mais alto neste estudo.
Devido às diferentes concentrações medidas dos elementos amostrados, as distribuições do conjunto de dados dos elementos exibem assimetria diferente. A assimetria e curtose dos elementos variaram de 1,53 a 7,24 e 2,49 a 54,16, respectivamente. Todos os elementos calculados têm níveis de assimetria e curtose acima de +1, indicando assim que a distribuição de dados é irregular, distorcida na direção certa e com pico. Os CVs estimados dos elementos também mostram que K, Mg e Ni exibem variabilidade moderada, enquanto Ca tem variabilidade extremamente alta. Os CVs de K, Ni e Mg explicam sua distribuição uniforme. Além disso, a distribuição de Ca não é uniforme e fontes externas podem afetar seu nível de enriquecimento.
A correlação das variáveis ​​preditoras com os elementos de resposta indicou uma correlação satisfatória entre os elementos (ver Figura 3). A correlação indicou que CaK exibiu correlação moderada com valor de r = 0,53, assim como CaNi.68 e Santo69 sugerem que seus níveis no solo são inversamente proporcionais. No entanto, Ca e Mg são antagônicos ao K, mas CaK se correlaciona bem. Isso pode ser devido à aplicação de fertilizantes como carbonato de potássio, que é 56% mais alto em potássio. O potássio foi moderadamente correlacionado com o magnésio (KM r = 0,63). níveis de deficiência.O níquel está moderadamente correlacionado com Ca, K e Mg com valores de r = 0,52, 0,63 e 0,55, respectivamente.As relações envolvendo cálcio, magnésio e PTEs, como o níquel, são complexas, mas mesmo assim, o magnésio inibe a absorção de cálcio, o cálcio reduz os efeitos do excesso de magnésio e o magnésio e o cálcio reduzem os efeitos tóxicos do níquel no solo.
Matriz de correlação para elementos mostrando a relação entre preditores e respostas (Nota: esta figura inclui um gráfico de dispersão entre elementos, os níveis de significância são baseados em p < 0,001).
A Figura 4 ilustra a distribuição espacial dos elementos. De acordo com Burgos et al70, a aplicação da distribuição espacial é uma técnica usada para quantificar e destacar pontos quentes em áreas poluídas. Os níveis de enriquecimento de Ca na Fig. 4 podem ser vistos na parte noroeste do mapa de distribuição espacial. oxigênio no processo de fabricação de aço. Por outro lado, outros agricultores preferem usar hidróxido de cálcio em solos ácidos para neutralizar o pH, o que também aumenta o teor de cálcio do solo71. O potássio também mostra pontos quentes no noroeste e leste do mapa. O noroeste é uma importante comunidade agrícola, e o padrão moderado a alto de potássio pode ser devido a aplicações de NPK e potássio. Isso é consistente com outros estudos, como Madaras e Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, que observaram que a estabilização do solo e o tratamento com KCl e NPK resultaram em alto teor de K no solo.O enriquecimento espacial de potássio no noroeste do mapa de distribuição pode ser devido ao uso de fertilizantes à base de potássio, como cloreto de potássio, sulfato de potássio, nitrato de potássio, potassa e potassa para aumentar o teor de potássio de solos pobres.Zádorová et al.76 e Tlustoš et al.77 delineou que a aplicação de fertilizantes à base de K aumentou o teor de K no solo e aumentaria significativamente o teor de nutrientes do solo a longo prazo, especialmente K e Mg mostrando um ponto quente no solo. Pontos quentes relativamente moderados no noroeste do mapa e sudeste do mapa. A fixação coloidal no solo esgota a concentração de magnésio no solo. Sua falta no solo faz com que as plantas exibam clorose intermediária amarelada. e Kieserite, tratam deficiências (as plantas aparecem roxas, vermelhas ou marrons, indicando deficiência de magnésio) em solos com uma faixa de pH normal6.
Distribuição espacial de elementos [o mapa de distribuição espacial foi criado usando o ArcGIS Desktop (ESRI, Inc, versão 10.7, URL: https://desktop.arcgis.com).]
Os resultados do índice de desempenho do modelo para os elementos usados ​​neste estudo são mostrados na Tabela 2. Por outro lado, o RMSE e o MAE de Ni são ambos próximos de zero (0,86 RMSE, -0,08 MAE). Por outro lado, os valores de RMSE e MAE de K são aceitáveis. Os resultados de RMSE e MAE foram maiores para cálcio e magnésio. Ni foram considerados melhores do que os resultados de John et al.54 usando krigagem sinérgica para prever as concentrações de S no solo usando os mesmos dados coletados. Os resultados de EBK que estudamos se correlacionam com os de Fabijaczyk et al.41, Yan et ai.79, Beguin et ai.80, Adhikary et al.81 e John et al.82, especialmente K e Ni.
O desempenho de métodos individuais para prever o teor de níquel em solos urbanos e periurbanos foi avaliado usando o desempenho dos modelos (Tabela 3). A validação do modelo e a avaliação da precisão confirmaram que o preditor Ca_Mg_K combinado com o modelo EBK SVMR produziu o melhor desempenho.Modelo de calibração Ca_Mg_K-EBK_SVMR modelo R2, raiz do erro quadrático médio (RMSE) e erro absoluto médio (MAE) foram 0,637 (R2), 95,479 mg/kg (RMSE) e 77,368 mg/kg (MAE) Ca_Mg_K-SVMR foi de 0,663 (R2), 235,974 mg/kg (RMSE) e 166,946 mg/kg (MAE). Mesmo assim, bons valores de R2 foram obtidos para Ca_Mg_K-SVMR (0,663 mg/kg R2) e Ca_Mg-EBK_SVMR (0. 643 = R2);seus resultados de RMSE e MAE foram superiores aos do Ca_Mg_K-EBK_SVMR (R2 0,637) (consulte a Tabela 3). Além disso, o RMSE e o MAE do modelo Ca_Mg-EBK_SVMR (RMSE = 1664,64 e MAE = 1031,49) são 17,5 e 13,4, respectivamente, que são maiores que os do Ca_Mg_K-EB K_SVMR. Da mesma forma, o RMSE e o MAE do modelo Ca_Mg-K SVMR (RMSE = 235,974 e MAE = 166,946) são 2,5 e 2,2 maiores que os do Ca_Mg_K-EBK_SVMR RMSE e MAE, respectivamente. para Kebonye et al.46 e John et al.54, quanto mais próximo o RMSE e o MAE estiverem de zero, melhores serão os resultados.SVMR e EBK_SVMR têm valores RSME e MAE quantizados mais altos. Observou-se que as estimativas do RSME foram consistentemente maiores do que os valores do MAE, indicando a presença de outliers. definido, maiores os valores de MAE e RMSE. A precisão da avaliação de validação cruzada do modelo misto Ca_Mg_K-EBK_SVMR para prever o teor de Ni em solos urbanos e suburbanos foi de 63,70%. De acordo com Li et al.59, esse nível de precisão é uma taxa de desempenho de modelo aceitável. Os presentes resultados são comparados a um estudo anterior de Tarasov et al.36 cujo modelo híbrido criou MLPRK (Multilayer Perceptron Residual Kriging), relacionado ao índice de avaliação de precisão EBK_SVMR relatado no estudo atual, RMSE (210) e The MAE (167,5) foi superior aos nossos resultados no estudo atual (RMSE 95,479, MAE 77,368). No entanto, ao comparar o R2 do estudo atual (0,637) com o de Tarasov et al.36 (0,544), fica claro que o coeficiente de determinação (R2) é maior nesse modelo misto. A margem de erro (RMSE e MAE) (EBK SVMR) para o modelo misto é duas vezes menor. Da mesma forma, Sergeev et al. modelo (EBK SVMR) é de 63,7%, enquanto a precisão da predição obtida por Sergeev et al.34 é 28%. O mapa final (Fig. 5) criado usando o modelo EBK_SVMR e Ca_Mg_K como preditor mostra previsões de pontos quentes e moderado a níquel em toda a área de estudo. Isso significa que a concentração de níquel na área de estudo é principalmente moderada, com concentrações mais altas em algumas áreas específicas.
O mapa de previsão final é representado usando o modelo híbrido EBK_SVMR e usando Ca_Mg_K como preditor. [O mapa de distribuição espacial foi criado usando RStudio (versão 1.4.1717: https://www.rstudio.com/).]
Apresentadas na Figura 6 estão as concentrações de PTE como um plano de composição que consiste em neurônios individuais. Nenhum dos planos componentes exibiu o mesmo padrão de cores mostrado. No entanto, o número apropriado de neurônios por mapa desenhado é 55. SeOM é produzido usando uma variedade de cores e, quanto mais semelhantes os padrões de cores, mais comparáveis ​​são as propriedades das amostras. algumas semelhanças com neurônios de ordem muito alta e padrões de cores de baixo a moderado. Ambos os modelos prevêem a concentração de Ni no solo exibindo tons médios a altos de cores, como vermelho, laranja e amarelo. O modelo KMg exibe muitos padrões de cores altas com base em proporções precisas e manchas de cores baixas a médias. um padrão de cores diversificado de baixo a alto de acordo com uma escala de cores precisa. Além disso, a previsão do modelo de conteúdo de níquel (CakMg) é semelhante à distribuição espacial de níquel mostrada na Figura 5. Ambos os gráficos mostram proporções altas, médias e baixas de concentrações de níquel em solos urbanos e periurbanos. A Figura 7 descreve o método de contorno no agrupamento de k-means no mapa, dividido em três grupos com base no valor previsto em cada modelo. O método de contorno representa o número ideal de grupos .Das 115 amostras de solo coletadas, a categoria 1 obteve o maior número de amostras de solo, 74. O cluster 2 recebeu 33 amostras, enquanto o cluster 3 recebeu 8 amostras. A combinação do preditor planar de sete componentes foi simplificada para permitir a interpretação correta do cluster. Devido aos numerosos processos antropogênicos e naturais que afetam a formação do solo, é difícil ter padrões de cluster devidamente diferenciados em um mapa SeOM distribuído78.
Saída do plano componente por cada variável Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Os mapas SeOM foram criados usando RStudio (versão 1.4.1717: https://www.rstudio.com/).]
Diferentes componentes de classificação de cluster [os mapas SeOM foram criados usando RStudio (versão 1.4.1717: https://www.rstudio.com/).]
O estudo atual ilustra claramente técnicas de modelagem para concentrações de níquel em solos urbanos e periurbanos. O estudo testou diferentes técnicas de modelagem, combinando elementos com técnicas de modelagem, para obter a melhor maneira de prever as concentrações de níquel no solo. As características espaciais planares de composição SeOM da técnica de modelagem exibiram um alto padrão de cor de baixo para cima em uma escala de cores precisa, indicando concentrações de Ni no solo. No entanto, o mapa de distribuição espacial confirma a distribuição espacial planar dos componentes exibidos por EBK_SVMR (ver Figura 5). que o modelo de regressão da máquina vetorial de suporte (Ca Mg K-SVMR) prevê a concentração de Ni no solo como um modelo único, mas os parâmetros de avaliação de validação e precisão mostram erros muito altos em termos de RMSE e MAE. Por outro lado, a técnica de modelagem empregada com o modelo EBK_MLR também é falha devido ao baixo valor do coeficiente de determinação (R2). Bons resultados foram obtidos usando EBK SVMR e elementos combinados (CaKMg) com erros de RMSE e MAE baixos com uma precisão de 63. 7%. Acontece que a combinação do algoritmo EBK com um algoritmo de aprendizado de máquina pode gerar um algoritmo híbrido que pode prever a concentração de PTEs no solo. do modelo de distribuição espacial do solo em solos urbanos ou periurbanos. Em geral, propomos a aplicação do modelo EBK-SVMR para avaliar e prever PTE em solo;além disso, propomos usar EBK para hibridizar com vários algoritmos de aprendizado de máquina. As concentrações de Ni foram previstas usando elementos como covariáveis;no entanto, usar mais covariáveis ​​melhoraria muito o desempenho do modelo, o que pode ser considerado uma limitação do trabalho atual. Outra limitação deste estudo é que o número de conjuntos de dados é 115. Portanto, se mais dados forem fornecidos, o desempenho do método de hibridização otimizado proposto pode ser melhorado.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Acessado em 28 de abril de 2021).
Kasprzak, avanços do níquel de KS em toxicology.surroundings.toxicology.11 ambiental moderno, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Uma revisão de suas fontes e toxicologia ambiental.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Entrada de poluentes da atmosfera e acúmulo no solo e na vegetação perto de uma fundição de níquel-cobre em Sudbury, Ontário, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metais pesados ​​no solo, plantas e riscos associados ao pastoreio de ruminantes perto da mina de cobre-níquel Selebi-Phikwe em Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Oligoelementos no solo e… – 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= (Acessado em 24 de novembro de 2020).
Almås, A., Singh, B., Agricultura, TS-NJ de & 1995, indefinido. Efeitos da indústria russa de níquel nas concentrações de metais pesados ​​em solos agrícolas e gramíneas em Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. A absorção e a retenção de níquel na água potável estão relacionadas à ingestão de alimentos e à sensibilidade ao níquel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Níquel carcinogênese, mutação, epigenética ou seleção.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Análise de tendências de elementos potencialmente tóxicos: uma revisão bibliométrica. Geoquímica Ambiental e Saúde. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Mapeamento digital de solos: uma breve história e algumas lições. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sobre mapeamento digital de solos.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= (Acessado em 28 de abril de 20 21).