Благодарим вас за посещение Nature.com. Используемая вами версия браузера имеет ограниченную поддержку CSS. Для получения наилучших результатов мы рекомендуем вам использовать обновленный браузер (или отключить режим совместимости в Internet Explorer). Тем временем, чтобы обеспечить постоянную поддержку, мы будем отображать сайт без стилей и JavaScript.
Загрязнение почвы представляет собой серьезную проблему, вызванную деятельностью человека. Пространственное распределение потенциально токсичных элементов (ПТЭ) варьируется в большинстве городских и пригородных районов. Поэтому трудно предсказать пространственное содержание ПТЭ в таких почвах. Всего было получено 115 образцов из Фридека Мистека в Чешской Республике. а предикторами являются Ca, Mg и K. Матрица корреляции между переменной ответа и переменной-предиктором показывает удовлетворительную корреляцию между элементами. Результаты прогнозирования показали, что машинная регрессия опорных векторов (SVMR) работает хорошо, хотя ее расчетная среднеквадратическая ошибка (RMSE) (235,974 мг/кг) и средняя абсолютная ошибка (MAE) (166,946 мг/кг) были выше, чем у других примененных методов. ar Регрессия (EBK-MLR) работает плохо, о чем свидетельствуют коэффициенты детерминации менее 0,1. Модель эмпирической байесовской кригинг-машинной регрессии с опорными векторами (EBK-SVMR) была лучшей моделью с низкими значениями RMSE (95,479 мг/кг) и MAE (77,368 мг/кг) и высоким коэффициентом детерминации (R2 = 0,637). Выходные данные метода моделирования EBK-SVMR являются визуальными с использованием самоорганизующейся карты. Сгруппированные нейроны в плоскости компонента гибридной модели CakMg-EBK-SVMR демонстрируют множественные цветовые узоры, которые предсказывают концентрации Ni в городских и пригородных почвах. Результаты демонстрируют, что сочетание EBK и SVMR является эффективным методом для прогнозирования концентраций Ni в городских и пригородных почвах.
Никель (Ni) считается питательным микроэлементом для растений, поскольку он способствует фиксации атмосферного азота (N) и метаболизму мочевины, которые необходимы для прорастания семян. В дополнение к своему вкладу в прорастание семян, Ni может действовать как грибковый и бактериальный ингибитор и способствовать развитию растений. Недостаток никеля в почве позволяет растениям поглощать его, что приводит к хлорозу листьев. Удобрений на основе никеля для обогащения почвы и увеличения способности бобовых фиксировать азот в почве постоянно увеличивает концентрацию никеля в почве. Хотя никель является микроэлементом для растений, его чрезмерное поступление в почву может принести больше вреда, чем пользы. Он нужен людям для различных целей. Гальваника, производство сплавов на основе никеля, а также производство устройств зажигания и свечей зажигания в автомобильной промышленности требуют использования никеля в различных отраслях промышленности. генные и естественные источники, но в первую очередь Ni является естественным источником, а не антропогенным4,6. Естественные источники никеля включают вулканические извержения, растительность, лесные пожары и геологические процессы;однако антропогенные источники включают никель-кадмиевые аккумуляторы в сталелитейной промышленности, гальванику, дуговую сварку, дизельное топливо и мазут, а также выбросы в атмосферу при сжигании угля и сжигании отходов и шлама. Накопление никеля7,8. Согласно Freedman and Hutchinson9 и Manyiwa et al.10, основными источниками загрязнения верхнего слоя почвы в непосредственной и прилегающей окружающей среде являются, в основном, медеплавильные заводы и рудники. Верхний слой почвы вокруг завода по переработке никеля и меди в Садбери в Канаде имел самый высокий уровень загрязнения никелем — 26 000 мг/кг11. Напротив, загрязнение от производства никеля в России привело к более высоким концентрациям никеля в норвежской почве11. Согласно Alms et al.12, количество извлекаемого HNO3 никеля на лучших пахотных землях региона (производство никеля в России) варьировалось от 6,25 до 136,88 мг/кг, что соответствует среднему значению 30,43 мг/кг и исходной концентрации 25 мг/кг. загрязняют почву. Потенциальное воздействие никеля на человека может привести к раку в результате мутагенеза, хромосомных повреждений, генерации Z-ДНК, заблокированной эксцизионной репарации ДНК или эпигенетических процессов13. В экспериментах на животных было обнаружено, что никель может вызывать различные опухоли, а канцерогенные комплексы никеля могут усугублять такие опухоли.
Оценки загрязнения почвы получили широкое распространение в последнее время из-за широкого круга проблем, связанных со здоровьем, возникающих в связи с отношениями между почвой и растениями, биологическими отношениями между почвой и почвой, ухудшением состояния окружающей среды и оценкой воздействия на окружающую среду. На сегодняшний день пространственное прогнозирование потенциально токсичных элементов (PTE), таких как Ni, в почве с использованием традиционных методов было трудоемким и длительным с использованием традиционных методов. Появление цифрового картирования почвы (DSM) и его нынешний успех15 значительно улучшили прогностическое картирование почвы (PSM). (DSM) зарекомендовала себя как видная поддисциплина почвоведения. Lagacherie and McBratney, 2006 определяют DSM как «создание и заполнение пространственных информационных систем о почвах посредством использования методов наземных и лабораторных наблюдений, а также систем пространственного и непространственного вывода о почве». McBratney et al.17 показано, что современные ЦСМ или МСМ являются наиболее эффективным методом прогнозирования или картографирования пространственного распределения PTE, типов почвы и свойств почвы. Геостатистика и алгоритмы машинного обучения (MLA) — это методы моделирования ЦСМ, которые создают цифровые карты с помощью компьютеров с использованием значимых и минимальных данных.
Дойч18 и Олеа19 определяют геостатистику как «набор численных методов, которые имеют дело с представлением пространственных атрибутов, в основном с использованием стохастических моделей, таких как то, как анализ временных рядов характеризует временные данные».В первую очередь геостатистика включает оценку вариограмм, которые позволяют количественно оценить и определить зависимости пространственных значений из каждого набора данных20. Gumiaux et al.20 также показано, что оценка вариограмм в геостатистике основана на трех принципах, включая (а) вычисление масштаба корреляции данных, (б) идентификацию и вычисление анизотропии в несоответствии наборов данных и (в) в дополнение к учету присущих данных измерений ошибок, отделенных от локальных эффектов, также оцениваются площадные эффекты. Байесовский кригинг, метод простого кригинга и другие известные методы интерполяции для картирования или прогнозирования PTE, характеристик и типов почв.
Алгоритмы машинного обучения (MLA) — это относительно новый метод, использующий более крупные нелинейные классы данных, основанный на алгоритмах, которые в основном используются для интеллектуального анализа данных, выявления закономерностей в данных и неоднократно применяются для классификации в таких научных областях, как почвоведение и задачи возврата. Многочисленные исследовательские работы основаны на моделях MLA для прогнозирования PTE в почвах, например Tan et al.22 (случайные леса для оценки содержания тяжелых металлов в сельскохозяйственных почвах), Sakizadeh et al.23 (моделирование с использованием машин опорных векторов и искусственных нейронных сетей) загрязнение почвы). Кроме того, Vega et al.24 (CART для моделирования удержания и адсорбции тяжелых металлов в почве) Sun et al.25 (применение кубизма - это распределение Cd в почве) и другие алгоритмы, такие как k-ближайшего соседа, обобщенная усиленная регрессия и деревья усиленной регрессии, также применяли MLA для прогнозирования PTE в почве.
Применение алгоритмов DSM для прогнозирования или картографирования сталкивается с рядом проблем. Многие авторы считают, что MLA превосходит геостатистику и наоборот. Хотя одно лучше другого, их комбинация повышает уровень точности картирования или прогнозирования в DSM15. Вудкок и Гопал26 Финке27;Понтиус и Чеук28 и Грюнвальд29 комментируют недостатки и некоторые ошибки в прогнозируемом картографировании почвы. Почвоведы испробовали множество методов для оптимизации эффективности, точности и предсказуемости картографирования и прогнозирования DSM. Сочетание неопределенности и проверки является одним из многих различных аспектов, интегрированных в DSM для оптимизации эффективности и уменьшения дефектов. Однако Agyeman et al.15 показано, что поведение проверки и неопределенность, возникающие при создании карты и прогнозировании, должны быть независимо подтверждены для улучшения качества карты. Ограничения DSM связаны с географически рассредоточенным качеством почвы, которое включает в себя компонент неопределенности;тем не менее, отсутствие определенности в DSM может быть вызвано несколькими источниками ошибок, а именно ковариационной ошибкой, ошибкой модели, ошибкой местоположения и аналитической ошибкой 31. Неточности моделирования, вызванные MLA и геостатистическими процессами, связаны с недостатком понимания, что в конечном итоге приводит к чрезмерному упрощению реального процесса32. Возникла тенденция SM, которая способствует интеграции геостатистики и MLA в картографирование и прогнозирование. Некоторые почвоведы и авторы, такие как Sergeev et al.34;Субботина и др.35;Тарасов и др.36 и Тарасов и др.37 использовали точное качество геостатистики и машинного обучения для создания гибридных моделей, повышающих эффективность прогнозирования и картирования.Некоторыми из этих моделей гибридных или комбинированных алгоритмов являются кригинг искусственной нейронной сети (ANN-RK), кригинг остатка многослойного персептрона (MLP-RK), кригинг остатка нейронной сети обобщенной регрессии (GR-NNRK)36, кригинг искусственной нейронной сети-многослойный персептрон (ANN-K-MLP)37, а также совместный кригинг и регрессия гауссовского процесса38.
По словам Сергеева и др., объединение различных методов моделирования может устранить дефекты и повысить эффективность полученной гибридной модели, а не разрабатывать единую модель. В этом контексте в этой новой статье утверждается, что необходимо применять комбинированный алгоритм геостатистики и MLA для создания оптимальных гибридных моделей для прогнозирования обогащения Ni в городских и пригородных районах. Модели (MLR). Гибридизация EBK с любым MLA неизвестна. Многочисленные смешанные модели представляют собой комбинации обычного, остаточного, регрессионного кригинга и MLA. EBK представляет собой метод геостатистической интерполяции, в котором используется пространственно-стохастический процесс, который локализован как нестационарное/стационарное случайное поле с определенными параметрами локализации по полю, допускающими пространственные вариации39. EBK использовался в различных исследованиях, включая анализ распределения органического углерода в сельскохозяйственных почвах4 0, оценка загрязнения почвы41 и картирование свойств почвы42.
С другой стороны, самоорганизующийся граф (SeOM) — это алгоритм обучения, который применялся в различных статьях, таких как Li et al.43, Ван и др.44, Хоссейн Бхуиян и др.45 и Kebonye et al.46 Определить пространственные атрибуты и группировку элементов. Wang et al.44 подчеркивают, что SeOM — это мощный метод обучения, известный своей способностью группировать и представлять нелинейные проблемы. В отличие от других методов распознавания образов, таких как анализ основных компонентов, нечеткая кластеризация, иерархическая кластеризация и принятие решений по многим критериям, SeOM лучше организует и идентифицирует шаблоны PTE. Согласно Wang et al.44, SeOM может пространственно группировать распределение связанных нейронов и обеспечивать визуализацию данных с высоким разрешением. SeOM будет визуализировать данные прогнозирования Ni, чтобы получить наилучшую модель для характеристики результатов для прямой интерпретации.
Эта статья направлена ​​на создание надежной картографической модели с оптимальной точностью для прогнозирования содержания никеля в городских и пригородных почвах. Мы предполагаем, что надежность смешанной модели в основном зависит от влияния других моделей, связанных с базовой моделью. Мы признаем проблемы, стоящие перед DSM, и хотя эти проблемы решаются по нескольким направлениям, сочетание достижений в области геостатистики и моделей MLA кажется постепенным;поэтому мы попытаемся ответить на вопросы исследования, которые могут дать смешанные модели. Однако насколько точна модель при прогнозировании целевого элемента? Кроме того, каков уровень оценки эффективности на основе проверки и оценки точности? Таким образом, конкретные цели этого исследования заключались в (а) создании комбинированной модели смеси для SVMR или MLR с использованием EBK в качестве базовой модели, (b) сравнение полученных моделей (c) предложение наилучшей модели смеси для прогнозирования концентраций Ni в городских или пригородных почвах, и (d) применение SeOM для создания карты пространственного изменения никеля с высоким разрешением.
Исследование проводится в Чешской Республике, в частности, в районе Фридек-Мистек Моравско-Силезского региона (см. рис. 1). География изучаемой территории очень суровая и в основном является частью Моравско-Силезского региона Бескиды, который является частью внешнего края Карпатских гор. 225 и 327 м;однако система классификации Коппена для климатического состояния региона оценивается как Cfb = умеренный океанический климат. Даже в засушливые месяцы выпадает много осадков. 9,38% обрабатываемых земель и 49,36% лесного покрова. С другой стороны, площадь, использованная в этом исследовании, составляет около 889,8 квадратных километров. В Остраве и ее окрестностях очень активны сталелитейная промышленность и металлургические заводы. исследовать потенциальные источники никеля в регионе (например, добавление никеля к ягнятам для увеличения скорости роста ягнят и малокормящего скота). Другие промышленные применения никеля в областях исследований включают его использование в процессах гальванического покрытия, включая процессы гальванопокрытия никеля и химического никелирования. Свойства почвы легко отличить по цвету почвы, структуре и содержанию карбонатов. поверхностные и подпочвенные, часто с бетоном и обесцвечиванием. Тем не менее, камбисоли и стагносоли являются наиболее распространенными типами почв в регионе48. На высотах от 455,1 до 493,5 м в Чешской Республике преобладают камбисоли49.
Карта изучаемой области [Карта изучаемой области была создана с помощью ArcGIS Desktop (ESRI, Inc, версия 10.7, URL: https://desktop.arcgis.com).]
В общей сложности было получено 115 образцов верхнего слоя почвы из городских и пригородных почв в районе Фридек-Мистек. Используемая схема образцов представляла собой регулярную сетку с образцами почвы, расположенными на расстоянии 2 × 2 км друг от друга, а верхний слой почвы измерялся на глубине от 0 до 20 см с помощью портативного устройства GPS (Leica Zeno 5 GPS). Образцы упаковываются в пакеты Ziploc, должным образом маркируются и отправляются в лабораторию. образцы, измельченные с помощью механической системы (дисковая мельница Фрича) и просеянные (размер сита 2 мм). Поместите 1 грамм высушенных, гомогенизированных и просеянных образцов почвы в четко маркированные тефлоновые флаконы. В каждый тефлоновый сосуд добавьте 7 мл 35% HCl и 3 мл 65% HNO3 (используя автоматический дозатор — по одному для каждой кислоты), слегка накройте крышкой и дайте образцам постоять в течение ночи для реакции (программа царской водки) .Поместите супернатант на горячую металлическую пластину (температура: 100 Вт и 160 °C) на 2 часа, чтобы облегчить процесс переваривания образцов, затем охладите. Перенесите супернатант в мерную колбу на 50 мл и разбавьте до 50 мл деионизированной водой. После этого отфильтруйте разведенный супернатант в пробирку из ПВХ объемом 50 мл с деионизированной водой. деионизированную воду и фильтровали в пробирку объемом 12 мл, подготовленную для псевдоконцентрирования ФТЭ. Концентрации ФТЭ (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) определяли с помощью ИСП-ОЭС (оптико-эмиссионная спектроскопия с индуктивно связанной плазмой) (Thermo Fisher Scientific, США) в соответствии со стандартными методами и соглашением. Процедуры обеспечения качества и контроля (ОК/КК) (SRM N IST 2711a Montana II Soil). Из этого исследования были исключены PTE с пределами обнаружения ниже половины. Предел обнаружения PTE, использованного в этом исследовании, составлял 0,0004 (вы). Кроме того, контроль качества и процесс обеспечения качества для каждого анализа обеспечивается путем анализа эталонных стандартов. Чтобы гарантировать минимизацию ошибок, был проведен двойной анализ.
Эмпирический байесовский кригинг (EBK) является одним из многих методов геостатистической интерполяции, используемых при моделировании в различных областях, таких как почвоведение. В отличие от других методов интерполяции кригинга, EBK отличается от традиционных методов кригинга тем, что учитывает ошибку, оцениваемую моделью вариограммы. При интерполяции EBK во время интерполяции вычисляются несколько моделей вариограммы, а не одна вариограмма. представляет собой очень сложную часть достаточного метода кригинга. Процесс интерполяции ЭБК следует трем критериям, предложенным Криворучко50: (а) модель оценивает вариограмму на основе набора входных данных (б) новое прогнозируемое значение для каждого местоположения набора данных на основе сгенерированной вариограммы и (в) окончательная модель А вычисляется на основе смоделированного набора данных.
Где \(Prob\left(A\right)\) представляет априорную, \(Prob\left(B\right)\) предельная вероятность в большинстве случаев игнорируется, \(Prob (B,A)\). Расчет вариограммы основан на правиле Байеса, которое показывает склонность наборов данных наблюдений, которые могут быть созданы из вариограмм. грамм.
Машина опорных векторов — это алгоритм машинного обучения, который генерирует оптимальную разделяющую гиперплоскость для различения идентичных, но не линейно независимых классов. Vapnik51 создал алгоритм классификации по намерениям, но недавно он использовался для решения задач, ориентированных на регрессию. Согласно Li et al.52, SVM является одним из лучших методов классификации и использовался в различных областях. 3 первым использовал SVMR как регрессию на основе ядра, расчет которой выполнялся с использованием модели линейной регрессии с пространственными функциями для нескольких стран. John et al54 сообщают, что моделирование SVMR использует гиперплоскостную линейную регрессию, которая создает нелинейные отношения и позволяет использовать пространственные функции. Согласно Vohland et al.55, Epsilon (ε) -SVMR использует обученный набор данных для получения модели представления в качестве нечувствительной к эпсилону функции, которая применяется для отображения данных независимо с наилучшим смещением Epsilon от обучения по коррелированным данным. Завершенная ошибка расстояния игнорируется по фактическому значению, и если ошибка больше, чем Subset Submets. векторов поддержки. Уравнение, предложенное Vapnik51, показано ниже.
где b представляет скалярный порог, \(K\left({x}_{,}{x}_{k}\right)\) представляет функцию ядра, \(\alpha\) представляет множитель Лагранжа, N представляет числовой набор данных, \({x}_{k}\) представляет входные данные, а \(y\) - выходные данные. Одним из ключевых используемых ядер является операция SVMR, которая представляет собой радиальную базисную функцию Гаусса (RBF). Ядро применяется для определения оптимальной модели SVMR, которая имеет решающее значение для получения наиболее тонкого коэффициента набора штрафов C и параметра ядра gamma (γ) для обучающих данных PTE. Сначала мы оценили обучающий набор, а затем проверили производительность модели на проверочном наборе. Используемый параметр управления — сигма, а значение метода — svmRadial.
Модель множественной линейной регрессии (MLR) представляет собой регрессионную модель, которая представляет взаимосвязь между переменной ответа и рядом переменных-предикторов с использованием линейных объединенных параметров, рассчитанных с использованием метода наименьших квадратов. В MLR модель наименьших квадратов представляет собой прогностическую функцию свойств почвы после выбора независимых переменных.
где y — переменная отклика, \(a\) — точка пересечения, n — количество предикторов, \({b}_{1}\) — частичная регрессия коэффициентов, \({x}_{i}\) представляет собой предиктор или объясняющую переменную, а \({\varepsilon}_{i}\) представляет ошибку в модели, также известную как невязка.
Смешанные модели были получены путем объединения EBK с SVMR и MLR. Это делается путем извлечения прогнозируемых значений из интерполяции EBK. Прогнозируемые значения, полученные из интерполированных Ca, K и Mg, получают с помощью комбинаторного процесса для получения новых переменных, таких как CaK, CaMg и KMg. Затем элементы Ca, K и Mg объединяются для получения четвертой переменной, CaKMg. K, CaMg, KMg и CaKMg. Эти переменные стали нашими предикторами, помогая прогнозировать концентрации никеля в городских и пригородных почвах. Алгоритм SVMR был применен к предикторам для получения смешанной модели Эмпирический байесовский кригинг-автомат опорных векторов (EBK_SVM). ).Как правило, переменные Ca, K, Mg, CaK, CaMg, KMg и CaKMg используются как ковариаты в качестве предикторов содержания Ni в городских и пригородных почвах. Наиболее приемлемая полученная модель (EBK_SVM или EBK_MLR) будет затем визуализирована с использованием самоорганизующегося графика. Рабочий процесс этого исследования показан на рисунке 2.
Использование SeOM стало популярным инструментом для организации, оценки и прогнозирования данных в финансовом секторе, здравоохранении, промышленности, статистике, почвоведении и т. д. SeOM создается с использованием искусственных нейронных сетей и методов неконтролируемого обучения для организации, оценки и прогнозирования. В этом исследовании SeOM использовался для визуализации концентраций Ni на основе лучшей модели для прогнозирования Ni в городских и пригородных почвах. др.57 описывают подключение входного вектора в нейронную сеть через один входной слой к выходному вектору с одним вектором веса. Выход, сгенерированный SeOM, представляет собой двумерную карту, состоящую из различных нейронов или узлов, объединенных в шестиугольные, круговые или квадратные топологические карты в зависимости от их близости. Сравнивая размеры карт на основе метрики, ошибки квантования (QE) и топографической ошибки (TE), была выбрана модель SeOM с 0,086 и 0,904 соответственно, которая является 55-элементная карта (5 × 11). Структура нейрона определяется по количеству узлов в эмпирическом уравнении
Количество данных, используемых в этом исследовании, составляет 115 образцов. Для разделения данных на тестовые данные (25 % для проверки) и наборы обучающих данных (75 % для калибровки) использовался случайный подход. Набор обучающих данных используется для создания регрессионной модели (калибровка), а набор тестовых данных используется для проверки способности к обобщению58. Это было сделано для оценки пригодности различных моделей для прогнозирования содержания никеля в почвах. Интерполяция EBK используется в качестве предикторов или независимых переменных для прогнозирования целевой переменной (PTE). Моделирование выполняется в RStudio с использованием библиотеки пакетов (Kohonen), библиотеки (caret), библиотеки (modelr), библиотеки («e1071»), библиотеки («plyr»), библиотеки («caTools»), библиотеки («proprer») и библиотек («Metrics»).
Различные параметры проверки использовались для определения наилучшей модели, подходящей для прогнозирования концентраций никеля в почве, и для оценки точности модели и ее проверки. Модели гибридизации оценивались с использованием средней абсолютной ошибки (MAE), среднеквадратической ошибки (RMSE) и определения R-квадрата или коэффициента (R2). R2 определяет дисперсию пропорций в ответе, представленном регрессионной моделью. RMSE и величина дисперсии в независимых измерениях описывают прогностическую силу модели, в то время как MAE определяет фактическое количественное значение. Значение R2 должно быть высоким, чтобы оценить лучшую модель смеси с использованием параметров проверки, чем ближе значение к 1, тем выше точность. Согласно Li et al.59, значение критерия R2, ​​равное 0,75 или выше, считается хорошим предиктором;от 0,5 до 0,75 - приемлемая производительность модели, а ниже 0,5 - неприемлемая производительность модели. При выборе модели с использованием методов оценки критериев проверки RMSE и MAE более низкие полученные значения были достаточными и считались лучшим выбором. Следующее уравнение описывает метод проверки.
где n представляет собой размер наблюдаемого значения \ ({Y} _ {i} \) представляет собой измеренный ответ, а \ ({\ widehat {Y}} _ {i} \) также представляет прогнозируемое значение ответа, следовательно, для первых i наблюдений.
Статистические описания предикторов и переменных отклика представлены в таблице 1, где показаны среднее значение, стандартное отклонение (SD), коэффициент вариации (CV), минимум, максимум, эксцесс и асимметрия. Минимальные и максимальные значения элементов расположены в порядке убывания Mg < Ca < K < Ni и Ca < Mg < K < Ni соответственно. Ni со средним мировым (29 мг/кг) и средним европейским (37 мг/кг) показали, что общее расчетное среднее геометрическое для исследуемой территории находится в пределах допустимого диапазона. Тем не менее, как показал Kabata-Pendias11, сравнение средней концентрации никеля (Ni) в текущем исследовании с сельскохозяйственными почвами в Швеции показывает, что текущая средняя концентрация никеля выше. i 16,15 мг/кг) было выше допустимого предела 60 (10,2 мг/кг) для никеля в городских почвах Польши, о котором сообщают Różański et al. в почвах, что ниже текущей концентрации никеля в этом исследовании. Бирке и др.63 сообщили о средней концентрации никеля в 17,6 мг/кг в старой горнодобывающей и городской промышленной зоне в Саксонии-Анхальт, Германия, что на 1,45 мг/кг выше, чем средняя концентрация никеля в этом районе (16,15 мг/кг). Текущие исследования. Чрезмерное содержание никеля в почвах в некоторых городских и пригородных районах исследуемой области может быть в основном связано с черной металлургией и металлургической промышленностью. Это согласуется с исследованием Khodadoust et al.64, что сталелитейная промышленность и металлообработка являются основными источниками загрязнения никелями в почвах. Однако, предикторы также варьировались от 538,70 мг/кг до 69 161,80 мг/кг для CA, 497,51 мг/кг до 3535,68 мг/кг для K и 685,68 мг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг/кг до 3535,68 мг/кг. Jevic et al.65 исследовали общее содержание Mg и K в почвах в центральной Сербии. Они обнаружили, что общие концентрации (410 мг/кг и 400 мг/кг соответственно) были ниже, чем концентрации Mg и K в текущем исследовании. Неразличимо, в восточной Польше Orzechowski и Smolczynski66 оценили общее содержание Ca, Mg и K и показали средние концентрации Ca (1100 мг/кг), Mg (590 мг/кг) и K. (810 мг/кг) Содержание в верхнем слое почвы ниже, чем содержание одного элемента в этом исследовании. Недавнее исследование Pongrac et al.67 показали, что общее содержание кальция, проанализированное в 3 различных почвах в Шотландии, Великобритания (почва Милнефилд, почва Балруддери и почва Хартвуд), показало более высокое содержание кальция в этом исследовании.
Из-за различных измеренных концентраций отобранных элементов распределения наборов данных элементов демонстрируют разную асимметрию. Асимметрия и эксцесс элементов варьировались от 1,53 до 7,24 и от 2,49 до 54,16 соответственно. Все рассчитанные элементы имеют уровни асимметрии и эксцесса выше +1, что указывает на то, что распределение данных неравномерное, скошено в правильном направлении и имеет пики. Расчетные CV элементов также показывают, что K , Mg и Ni демонстрируют умеренную изменчивость, в то время как Ca имеет чрезвычайно высокую изменчивость. CV K, Ni и Mg объясняют их равномерное распределение. Кроме того, распределение Ca неоднородно, и внешние источники могут влиять на уровень его обогащения.
Корреляция переменных-предикторов с элементами ответа показала удовлетворительную корреляцию между элементами (см. Рисунок 3). Корреляция показала, что CaK демонстрирует умеренную корреляцию со значением r = 0,53, как и CaNi. Хотя Ca и K демонстрируют умеренную связь друг с другом, такие исследователи, как Kingston et al.68 и Santo69 предполагают, что их уровни в почве обратно пропорциональны. Однако Ca и Mg являются антагонистами K, но CaK хорошо коррелирует. Это может быть связано с применением удобрений, таких как карбонат калия, содержание калия в котором на 56 % выше. Калий умеренно коррелирует с магнием (KM r = 0,63). увеличивают уровни их дефицита. Никель умеренно коррелирует с Ca, K и Mg со значениями r = 0,52, 0,63 и 0,55 соответственно. Взаимоотношения, связанные с кальцием, магнием и PTE, такими как никель, сложны, но, тем не менее, магний ингибирует абсорбцию кальция, кальций уменьшает воздействие избытка магния, а магний и кальций уменьшают токсическое воздействие никеля в почве.
Матрица корреляции для элементов, показывающая взаимосвязь между предикторами и ответами (Примечание: этот рисунок включает диаграмму рассеяния между элементами, уровни значимости основаны на p <0,001).
Рисунок 4 иллюстрирует пространственное распределение элементов. Согласно Burgos et al70, применение пространственного распределения представляет собой метод, используемый для количественной оценки и выделения горячих точек в загрязненных районах. Уровни обогащения Ca на рис. 4 можно увидеть в северо-западной части карты пространственного распределения. На рисунке показаны горячие точки обогащения Ca от умеренного до высокого. использование на сталелитейных заводах в качестве щелочного кислорода в процессе производства стали. С другой стороны, другие фермеры предпочитают использовать гидроксид кальция в кислых почвах для нейтрализации pH, что также увеличивает содержание кальция в почве71. Калий также показывает горячие точки на северо-западе и востоке карты. aras et al.73, Pulkrabová et al.74, Asare et al.75, которые заметили, что стабилизация почвы и обработка KCl и NPK приводит к высокому содержанию K в почве.Пространственное обогащение калием на северо-западе карты распространения может быть связано с использованием удобрений на основе калия, таких как хлорид калия, сульфат калия, нитрат калия, калий и калий, для увеличения содержания калия в бедных почвах. Zádorová et al.76 и Tlustoš et al.77 указано, что внесение удобрений на основе калия увеличивает содержание калия в почве и значительно увеличивает содержание питательных веществ в почве в долгосрочной перспективе, особенно K и Mg, показывая горячие точки в почве. Относительно умеренные горячие точки на северо-западе карты и юго-востоке карты. Коллоидная фиксация в почве снижает концентрацию магния в почве. Его недостаток в почве вызывает у растений желтоватый хлороз между жилками. , сульфат магния и кизерит устраняют дефицит (растения становятся фиолетовыми, красными или коричневыми, что указывает на дефицит магния) в почвах с нормальным диапазоном pH6. Накопление никеля на поверхности городских и пригородных почв может быть связано с антропогенной деятельностью, такой как сельское хозяйство, и важностью никеля в производстве нержавеющей стали78.
Пространственное распределение элементов [карта пространственного распределения была создана с помощью ArcGIS Desktop (ESRI, Inc, версия 10.7, URL: https://desktop.arcgis.com).]
Результаты индекса производительности модели для элементов, использованных в этом исследовании, показаны в таблице 2. С другой стороны, RMSE и MAE для Ni близки к нулю (0,86 RMSE, -0,08 MAE). С другой стороны, значения RMSE и MAE для K являются приемлемыми. Результаты RMSE и MAE были выше для кальция и магния. Было обнаружено, что Ni лучше, чем результаты John et al.54 с использованием синергетического кригинга для прогнозирования концентраций серы в почве с использованием тех же собранных данных. Изученные нами результаты ЭБК коррелируют с данными Fabijaczyk et al.41, Ян и др.79, Бегин и др.80, Adhikary et al.81 и Джон и др.82, особенно K и Ni.
Эффективность отдельных методов прогнозирования содержания никеля в городских и пригородных почвах оценивалась с использованием характеристик моделей (таблица 3). Проверка модели и оценка точности подтвердили, что предиктор Ca_Mg_K в сочетании с моделью EBK SVMR давал наилучшие результаты. Калибровочная модель Ca_Mg_K-EBK_SVMR, модель R2, среднеквадратическая ошибка (RMSE) и средняя абсолютная ошибка (MAE) составили 0,637 (R2), 95,479. мг/кг (RMSE) и 77,368 мг/кг (MAE). Ca_Mg_K-SVMR составлял 0,663 (R2), 235,974 мг/кг (RMSE) и 166,946 мг/кг (MAE). Тем не менее, хорошие значения R2 были получены для Ca_Mg_K-SVMR (0,663 мг/кг R2) и Ca_Mg-EBK_SVMR ( 0,643 = R2);их результаты RMSE и MAE были выше, чем у Ca_Mg_K-EBK_SVMR (R2 0,637) (см. Таблицу 3). _SVMR. Аналогично, RMSE и MAE модели Ca_Mg-K SVMR (RMSE = 235,974 и MAE = 166,946) в 2,5 и 2,2 больше, чем у Ca_Mg_K-EBK_SVMR RMSE и MAE, соответственно. Расчетные результаты RMSE показывают, насколько сконцентрирован набор данных с линией наилучшего соответствия. Наблюдались более высокие RSME и MAE. со ссылкой на Kebonye et al.46 и Джон и др.54, чем ближе RMSE и MAE к нулю, тем лучше результаты. SVMR и EBK_SVMR имеют более высокие квантованные значения RSME и MAE. Было замечено, что оценки RSME постоянно выше, чем значения MAE, что указывает на наличие выбросов. набор данных, тем выше значения MAE и RMSE. Точность перекрестной проверки смешанной модели Ca_Mg_K-EBK_SVMR для прогнозирования содержания Ni в городских и пригородных почвах составила 63,70%. Согласно Li et al.59, этот уровень точности является приемлемым показателем производительности модели. Настоящие результаты сравниваются с предыдущим исследованием Тарасова и соавт.36, чья гибридная модель создала MLPRK (Multilayer Perceptron Residual Kriging), связанный с индексом оценки точности EBK_SVMR, представленным в текущем исследовании, RMSE (210) и MAE (167,5) были выше, чем наши результаты в текущем исследовании (RMSE 95,479, MAE 77,368). др.36 (0,544), видно, что коэффициент детерминации (R2) выше в этой смешанной модели. Погрешность (RMSE и MAE) (EBK SVMR) для смешанной модели в два раза ниже. Аналогично, Сергеев и др.34 зафиксировали 0,28 (R2) для разработанной гибридной модели (Multilayer Perceptron Residual Kriging), в то время как Ni в текущем исследовании зафиксировал 0,637 (R2). Уровень точности прогноза этой модели (ЭБК СВМР) составляет 63,7%, а точность прогноза, полученная Сергеевым и соавт.34 составляет 28%. Окончательная карта (рис. 5), созданная с использованием модели EBK_SVMR и Ca_Mg_K в качестве предиктора, показывает прогнозы горячих точек и никеля от умеренного до никеля по всей исследуемой территории. Это означает, что концентрация никеля в исследуемой области в основном умеренная, с более высокими концентрациями в некоторых конкретных областях.
Окончательная карта прогноза представлена ​​с использованием гибридной модели EBK_SVMR и с использованием Ca_Mg_K в качестве предиктора. [Карта пространственного распределения была создана с использованием RStudio (версия 1.4.1717: https://www.rstudio.com/).]
На рисунке 6 представлены концентрации PTE в виде композиционной плоскости, состоящей из отдельных нейронов. Ни одна из компонентных плоскостей не демонстрировала такой же цветовой узор, как показано. Однако подходящее количество нейронов на нарисованной карте равно 55. SeOM создается с использованием различных цветов, и чем более похожи цветовые узоры, тем более сопоставимы свойства образцов. CaMg имеет некоторое сходство с нейронами очень высокого порядка и цветовыми паттернами от низких до умеренных. Обе модели предсказывают концентрацию Ni в почве, отображая оттенки цветов от средних до высоких, таких как красный, оранжевый и желтый. Модель KMg отображает множество ярких цветовых паттернов на основе точных пропорций и цветовых пятен от низких до средних. Плоскость компонента модели показывает разнообразный цветовой узор от низкого до высокого в соответствии с точной цветовой шкалой. Кроме того, предсказание модели содержания никеля (CakMg) аналогично пространственному распределению никеля, показанному на рисунке 5. На обоих графиках показаны высокие, средние и низкие доли концентраций никеля в городских и пригородных почвах. .Из 115 собранных образцов почвы категория 1 получила наибольшее количество образцов почвы, 74. Кластер 2 получил 33 образца, а кластер 3 получил 8 образцов. Комбинация семикомпонентных планарных предикторов была упрощена, чтобы обеспечить правильную интерпретацию кластеров. Из-за многочисленных антропогенных и естественных процессов, влияющих на почвообразование, трудно правильно дифференцировать кластерные модели на распределенной карте SeOM78.
Компонентная плоскость, выводимая каждой переменной машины опорных векторов эмпирического байесовского кригинга (EBK_SVM_SeOM). [Карты SeOM были созданы с помощью RStudio (версия 1.4.1717: https://www.rstudio.com/).]
Различные компоненты классификации кластеров [Карты SeOM были созданы с помощью RStudio (версия 1.4.1717: https://www.rstudio.com/).]
Текущее исследование ясно иллюстрирует методы моделирования концентраций никеля в городских и пригородных почвах. В ходе исследования были протестированы различные методы моделирования, сочетающие элементы с методами моделирования, чтобы получить наилучший способ прогнозирования концентраций никеля в почве. Композиционные планарные пространственные характеристики SeOM метода моделирования показали высокую цветовую картину от низкого до высокого в точной цветовой шкале, что указывает на концентрации Ni в почве. Однако карта пространственного распределения подтверждает плоскостное пространственное распределение компонентов, демонстрируемое EBK_SVMR (см. Рисунок 5). Модель регрессионной машины опорных векторов (Ca Mg K-SVMR) предсказывает концентрацию Ni в почве как единая модель, но параметры проверки и оценки точности показывают очень высокие ошибки с точки зрения RMSE и MAE. С другой стороны, метод моделирования, используемый с моделью EBK_MLR, также имеет недостатки из-за низкого значения коэффициента детерминации (R2). 0,7%. Получается, что объединение алгоритма ЭБК с алгоритмом машинного обучения может создать гибридный алгоритм, который может прогнозировать концентрацию ФТЭ в почве. Результаты показывают, что использование Ca Mg K в качестве предикторов для прогнозирования концентрации Ni в исследуемой области может улучшить прогнозирование содержания Ni в почвах. Это означает, что постоянное применение удобрений на основе никеля и промышленное загрязнение почвы сталелитейной промышленностью имеет тенденцию к увеличению концентрации никеля в почве. Это исследование показало, что модель ЭБК может снизить уровень ошибки и повысить точность модели. пространственного распределения почвы в городских или пригородных почвах. В целом, мы предлагаем применить модель EBK-SVMR для оценки и прогнозирования PTE в почве;кроме того, мы предлагаем использовать EBK для гибридизации с различными алгоритмами машинного обучения. Концентрации Ni были предсказаны с использованием элементов в качестве ковариат;однако использование большего количества ковариатов значительно улучшит производительность модели, что можно считать ограничением текущей работы. Другим ограничением этого исследования является то, что количество наборов данных составляет 115. Таким образом, если будет предоставлено больше данных, производительность предлагаемого оптимизированного метода гибридизации может быть улучшена.
PlantProbs.net.Никель в растениях и почве https://plantprobs.net/plant/nutrientImbalances/sodium.html (по состоянию на 28 апреля 2021 г.).
Каспрзак, К.С. Никель продвигается вперед в области современной экологической токсикологии.окружающей среды.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Обзор его источников и токсикологии окружающей среды. Polish J. Environment.Stud.15, 375–382 (2006).
Фридман, Б. и Хатчинсон, Т.С. Поступление загрязняющих веществ из атмосферы и их накопление в почве и растительности вблизи медеплавильного завода в Садбери, Онтарио, Канада.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Манива, Т. и др. Тяжелые металлы в почве, растениях и риски, связанные с выпасом жвачных животных вблизи медно-никелевого рудника Селеби-Пхикве в Ботсване.
Кабата-Пендиас.Кабата-Пендиас А. 2011. Микроэлементы в почве и… 3A+CRC+Press&btnG= (по состоянию на 24 ноября 2020 г.).
Алмос, А., Сингх, Б., Сельское хозяйство, TS-NJ of & 1995, undefined. Воздействие российской никелевой промышленности на концентрацию тяжелых металлов в сельскохозяйственных почвах и травах в Сер-Варангер, Норвегия.agris.fao.org.
Nielsen, GD et al. Поглощение и удержание никеля в питьевой воде связано с приемом пищи и чувствительностью к никелю.токсикология.применение.Pharmacodynamics.154, 67–75 (1999).
Коста, М. и Кляйн, С.Б. Канцерогенез никеля, мутация, эпигенетика или отбор. Среда. Перспектива здоровья. 107, 2 (1999).
Аджман, ПК;Аджадо, СК;Борувка, Л.;Бини, JKM;Саркоди, ВЯО;Кобонье, Нью-Мексико;Анализ тенденций потенциально токсичных элементов: библиометрический обзор. Геохимия окружающей среды и здоровье. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Минасны, Б. и Макбратни, А.Б. Цифровое картирование почвы: краткая история и некоторые уроки. Геодерма 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
Макбратни, А.Б., Мендонса Сантос, М.Л. и Минасны, Б. О цифровом картографировании почв. 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= (по состоянию на 28 апреля 2021).