Ďakujeme, že ste navštívili Nature.com. Verzia prehliadača, ktorú používate, má obmedzenú podporu pre CSS. Pre najlepší zážitok vám odporúčame použiť aktualizovaný prehliadač (alebo vypnúť režim kompatibility v Internet Exploreri). Aby sme zabezpečili nepretržitú podporu, budeme stránku zobrazovať bez štýlov a JavaScriptu.
Znečistenie pôdy je veľký problém spôsobený ľudskou činnosťou. Priestorová distribúcia potenciálne toxických prvkov (PTE) sa vo väčšine mestských a prímestských oblastí líši. Preto je ťažké priestorovo predpovedať obsah PTE v takýchto pôdach. Celkovo bolo získaných 115 vzoriek z Frýdku Místku v Českej republike. Emisie vápnika (Ca), horčíka (Mg), páru draslíka (K) boli stanovené v spektrálnej plazmovej premennej koncentrácii niklu a niklu. je Ni a prediktory sú Ca, Mg a K. Korelačná matica medzi premennou odozvy a premennou predikcie ukazuje uspokojivú koreláciu medzi prvkami. Výsledky predikcie ukázali, že podporná vektorová strojová regresia (SVMR) fungovala dobre, hoci jej odhadovaná stredná kvadratická chyba (RMSE) (235,974 mg/kg) a stredná absolútna chyba (MAE) boli použité vyššie ako pri iných metódach EmpiricalMix.16 Bay.94 mg/kg. Ian Kriging-Multiple Linear Regression (EBK-MLR) funguje zle, o čom svedčia koeficienty determinácie menšie ako 0,1. Empirický Bayesovský model vektorovej strojovej regresie s podporou Krigingu (EBK-SVMR) bol najlepším modelom s nízkymi hodnotami RMSE (95,479 mg/kg) a MAE (77,36 mg/kg) a vysokým koeficientom MAE (77,368 mg/kg). Výstup techniky modelovania je vizualizovaný pomocou samoorganizujúcej sa mapy. Zhlukové neuróny v rovine komponentu hybridného modelu CakMg-EBK-SVMR vykazujú viaceré farebné vzory, ktoré predpovedajú koncentrácie Ni v mestských a prímestských pôdach. Výsledky ukazujú, že kombinácia EBK a SVMR je efektívna technika na predpovedanie koncentrácií Ni v mestských a prímestských pôdach.
Nikel (Ni) sa považuje za mikroživinu pre rastliny, pretože prispieva k fixácii atmosférického dusíka (N) a metabolizmu močoviny, ktoré sú potrebné na klíčenie semien. Okrem svojho príspevku ku klíčeniu semien môže Ni pôsobiť ako hubový a bakteriálny inhibítor a podporovať vývoj rastlín. Nedostatok niklu v pôde umožňuje rastline absorbovať ho, čo má za následok napríklad aplikáciu niklových hnojív na báze niklu a hnojív na báze niklu. fixácia dusíka2. Pokračujúca aplikácia hnojív na báze niklu na obohatenie pôdy a zvýšenie schopnosti strukovín fixovať dusík v pôde neustále zvyšuje koncentráciu niklu v pôde. Hoci je nikel pre rastliny mikroživinou, jeho nadmerný príjem v pôde môže narobiť viac škody ako úžitku. Toxicita niklu v pôde minimalizuje pH pôdy a bráni príjmu železa ako esenciálnej živiny potrebnej pre rast rastlín. pre vývoj a rast rastlín.Okrem úlohy niklu vo vývoji a raste rastlín ho ľudia potrebujú na rôzne aplikácie.Elektrické pokovovanie, výroba zliatin na báze niklu a výroba zapaľovacích zariadení a zapaľovacích sviečok v automobilovom priemysle, to všetko si vyžaduje použitie niklu v rôznych priemyselných odvetviach.Okrem toho sa zliatiny na báze niklu a galvanicky pokovované výrobky široko používajú v niklových zliatinách, galvanicky pokovovaných výrobkoch, elektrických príslušenstvách, elektrických drôtoch, v potravinárskom priemysle, guličkových doplnkoch, guličkových príslušenstvách, guličkách a stavba lodí5. Úrovne bohaté na nikl v pôdach (tj povrchové pôdy) sa pripisujú antropogénnym aj prírodným zdrojom, ale v prvom rade je Ni skôr prírodným zdrojom než antropogénnym4,6. Medzi prírodné zdroje niklu patria sopečné erupcie, vegetácia, lesné požiare a geologické procesy;antropogénne zdroje však zahŕňajú niklové/kadmiové batérie v oceliarskom priemysle, galvanické pokovovanie, oblúkové zváranie, naftu a vykurovacie oleje a atmosférické emisie zo spaľovania uhlia a odpadu a kalov Akumulácia niklu7,8.Podľa Freedmana a Hutchinsona9 a Manyiwa et al.10, hlavnými zdrojmi znečistenia ornice v bezprostrednom a priľahlom prostredí sú najmä huty a bane na báze niklu a medi. Vrchná vrstva pôdy okolo niklomedenej rafinérie Sudbury v Kanade mala najvyššie úrovne kontaminácie niklom 26 000 mg/kg11. Naproti tomu znečistenie z produkcie niklu v Rusku viedlo k vyšším koncentráciám niklu v nórskej pôde1.12, množstvo HNO3-extrahovateľného niklu v najvyššej ornej pôde regiónu (produkcia niklu v Rusku) sa pohybovalo od 6,25 do 136,88 mg/kg, čo zodpovedá priemeru 30,43 mg/kg a základnej koncentrácii 25 mg/kg.Podľa kabata 11 periférie plodín periferných plodín, poľnohospodárskych plodín v mestských alebo fosforových pôdach môže byť aplikácia pri úspešnom použití hnojív na mestskú pôdu počas úspechu splynúť alebo kontaminovať pôdu. Potenciálne účinky niklu u ľudí môžu viesť k rakovine prostredníctvom mutagenézy, poškodenia chromozómov, generovania Z-DNA, zablokovanej opravy excízie DNA alebo epigenetických procesov13. Pri pokusoch na zvieratách sa zistilo, že nikel má potenciál spôsobiť rôzne nádory a karcinogénne komplexy niklu môžu takéto nádory exacerbovať.
Hodnotenie kontaminácie pôdy v poslednom čase prekvitalo vďaka širokému spektru zdravotných problémov vyplývajúcich zo vzťahov medzi pôdou a rastlinou, pôdnych a pôdnych biologických vzťahov, ekologickej degradácie a hodnotenia vplyvu na životné prostredie. K dnešnému dňu je priestorové predpovedanie potenciálne toxických prvkov (PTE), ako je Ni v pôde, namáhavé a časovo náročné pomocou tradičných metód. Nástup digitálneho mapovania pôdy (DSM) a jeho súčasná úspešnosť predpovedania pôdy McBcorcney Min15ny sa výrazne zlepšili. 6, prediktívne mapovanie pôdy (DSM) sa ukázalo ako prominentná subdisciplína vedy o pôde. Lagacherie a McBratney, 2006 definujú DSM ako „vytvorenie a naplnenie priestorových pôdnych informačných systémov prostredníctvom použitia in situ a laboratórnych pozorovacích metód a priestorových a nepriestorových pôdnych inferenčných systémov“. McBratney et al.17 načrtávajú, že súčasný DSM alebo PSM je najúčinnejšou technikou na predpovedanie alebo mapovanie priestorovej distribúcie PTE, typov pôd a pôdnych vlastností. Geoštatistika a algoritmy strojového učenia (MLA) sú techniky modelovania DSM, ktoré vytvárajú digitalizované mapy pomocou počítačov s použitím významných a minimálnych údajov.
Deutsch18 a Olea19 definujú geoštatistiku ako „zbierku numerických techník, ktoré sa zaoberajú reprezentáciou priestorových atribútov, pričom využívajú najmä stochastické modely, ako napríklad to, ako analýza časových radov charakterizuje časové údaje“.Geoštatistika zahŕňa predovšetkým vyhodnocovanie variogramov, ktoré umožňujú kvantifikovať a definovať závislosti priestorových hodnôt z každého súboru údajov20.Gumiaux et al.20 ďalej ilustrujú, že vyhodnotenie variogramov v geoštatistike je založené na troch princípoch, vrátane (a) výpočtu mierky korelácie údajov, (b) identifikácie a výpočtu anizotropie v disparite súboru údajov a (c) okrem zohľadnenia inherentnej chyby nameraných údajov oddelených od lokálnych vplyvov sa v týchto technikách interpolácie odhadujú aj plošné vplyvy, vrátane všeobecných techník interpolácie. - kriging, obyčajný kriging, empirický bayesovský kriging, jednoduchá metóda krigingu a ďalšie známe interpolačné techniky na mapovanie alebo predpovedanie PTE, pôdnych charakteristík a pôdnych typov.
Algoritmy strojového učenia (MLA) sú relatívne novou technikou, ktorá využíva väčšie triedy nelineárnych údajov, poháňané algoritmami primárne používanými na dolovanie údajov, identifikáciu vzorov v údajoch a opakovane aplikované na klasifikáciu vo vedeckých oblastiach, ako sú pôdne vedy a úlohy návratu. Mnohé výskumné práce sa spoliehajú na modely MLA na predpovedanie PTE v pôdach, ako napríklad Tan a kol.22 (náhodné lesy na odhad ťažkých kovov v poľnohospodárskych pôdach), Sakizadeh et al.23 (modelovanie pomocou podporných vektorových strojov a umelých neurónových sietí) znečistenie pôdy). Okrem toho Vega a kol.24 (CART pre modelovanie retencie a adsorpcie ťažkých kovov v pôde) Sun a kol.25 (aplikácia kubizmu je distribúcia Cd v pôde) a ďalšie algoritmy, ako je k-najbližší sused, zovšeobecnená zosilnená regresia a zosilnená regresia Stromy tiež aplikovali MLA na predpovedanie PTE v pôde.
Aplikácia algoritmov DSM v predikcii alebo mapovaní čelí niekoľkým výzvam. Mnohí autori sa domnievajú, že MLA je lepšia ako geoštatistika a naopak. Hoci jeden je lepší ako druhý, kombinácia týchto dvoch zlepšuje úroveň presnosti mapovania alebo predikcie v DSM15.Woodcock a Gopal26 Finke27;Pontius a Cheuk28 a Grunwald29 sa vyjadrujú k nedostatkom a niektorým chybám v predpovedanom mapovaní pôdy. Pôdni vedci vyskúšali rôzne techniky na optimalizáciu účinnosti, presnosti a predvídateľnosti mapovania a predpovedania DSM. Kombinácia neistoty a overovania je jedným z mnohých rôznych aspektov integrovaných do DSM na optimalizáciu účinnosti a zníženie defektov. Avšak Agyeman et al.15 načrtávajú, že validačné správanie a neistota zavedené tvorbou a predikciou máp by sa mali nezávisle overiť, aby sa zlepšila kvalita máp. Obmedzenia DSM sú spôsobené geograficky rozptýlenou kvalitou pôdy, ktorá zahŕňa zložku neistoty;nedostatok istoty v DSM však môže vyplynúť z viacerých zdrojov chýb, menovite kovariátovej chyby, modelovej chyby, lokalizačnej chyby a analytickej chyby 31. Nepresnosti modelovania vyvolané v MLA a geoštatistických procesoch sú spojené s nedostatkom porozumenia, čo v konečnom dôsledku vedie k prílišnému zjednodušeniu skutočného procesu32. Bez ohľadu na povahu interpolačného modelu možno parametre modelovania3 priradiť k nepresnostiam alebo modelom. Nedávno sa objavil nový trend DSM, ktorý podporuje integráciu geoštatistiky a MLA do mapovania a predpovedania. Niekoľko vedcov a autorov pôdy, ako napríklad Sergeev et al.34;Subbotina a kol.35;Tarasov a kol.36 a Tarasov a kol.37 využili presnú kvalitu geoštatistiky a strojového učenia na generovanie hybridných modelov, ktoré zlepšujú efektivitu predpovedania a mapovania.kvalita. Niektoré z týchto modelov hybridných alebo kombinovaných algoritmov sú umelé kríženie neurónovej siete (ANN-RK), viacvrstvové zvyškové kríženie perceptrónu (MLP-RK), zvyškové kríženie neurónovej siete zovšeobecneného regresného systému (GR-NNRK)36, kríženie viacvrstvového perceptrónu umelej neurónovej siete (ANN-K a Co-MLPsKriging)37.
Podľa Sergeeva a kol., kombinovanie rôznych techník modelovania má potenciál eliminovať defekty a zvýšiť efektivitu výsledného hybridného modelu namiesto vývoja jeho jediného modelu. V tejto súvislosti tento nový článok tvrdí, že je potrebné použiť kombinovaný algoritmus geoštatistiky a MLA na vytvorenie optimálnych hybridných modelov na predpovedanie obohatenia Ni v mestských a prímestských oblastiach. Táto štúdia sa bude opierať o základný model Vector Bay (M KRIgingical Machine) a základný mix MK EB. ple Modely lineárnej regresie (MLR).Hybridizácia EBK s akoukoľvek MLA nie je známa. Videné viaceré zmiešané modely sú kombináciami bežného, ​​reziduálneho, regresného krigingu a MLA.EBK je geoštatistická interpolačná metóda, ktorá využíva priestorovo stochastický proces, ktorý je lokalizovaný ako nestacionárne/stacionárne náhodné pole, ktoré sa používa pri rôznych lokalizačných štúdiách s rôznymi parametrami EB, vrátane parametrov lokalizácie39. distribúcia organického uhlíka v poľnohospodárskych pôdach40, hodnotenie znečistenia pôdy41 a mapovanie vlastností pôdy42.
Na druhej strane, Self-Organizing Graph (SeOM) je algoritmus učenia, ktorý bol aplikovaný v rôznych článkoch, ako napríklad Li et al.43, Wang a kol.44, Hossain Bhuiyan a kol.45 a Kebonye et al.46 Určite priestorové atribúty a zoskupenie prvkov.Wang et al.44 načrtávajú, že SeOM je výkonná vzdelávacia technika známa svojou schopnosťou zoskupovať a predstavovať si nelineárne problémy. Na rozdiel od iných techník rozpoznávania vzorov, ako je analýza hlavných komponentov, fuzzy klastrovanie, hierarchické zhlukovanie a rozhodovanie podľa viacerých kritérií, SeOM je lepšia v organizovaní a identifikácii vzorov PTE. Podľa Wanga et al.44, SeOM môže priestorovo zoskupiť distribúciu súvisiacich neurónov a poskytnúť vizualizáciu údajov vo vysokom rozlíšení. SeOM bude vizualizovať predikčné údaje Ni, aby sa získal najlepší model na charakterizáciu výsledkov na priamu interpretáciu.
Cieľom tohto dokumentu je vytvoriť robustný mapovací model s optimálnou presnosťou na predpovedanie obsahu niklu v mestských a prímestských pôdach. Predpokladáme, že spoľahlivosť zmiešaného modelu závisí hlavne od vplyvu iných modelov pripojených k základnému modelu. Uznávame výzvy, ktorým čelí DSM, a hoci sa tieto výzvy riešia na viacerých frontoch, zdá sa, že kombinácia pokrokov v geoštatistike a modeloch MLA sa zvyšuje;preto sa pokúsime odpovedať na výskumné otázky, ktoré môžu priniesť zmiešané modely.Ako presný je však model pri predpovedaní cieľového prvku?Aká je tiež úroveň hodnotenia účinnosti na základe validácie a hodnotenia presnosti?Špecifickými cieľmi tejto štúdie preto bolo (a) vytvoriť kombinovaný model zmesi pre SVMR alebo MLR s použitím EBK ako základného modelu, (b) porovnať výsledné modely (priestorové a mestské) aplikácie na predpovedanie najlepšej koncentrácie pôdy a pôdy (c) navrhnúť najlepšiu mestskú a mestskú koncentráciu SeOM na vytvorenie mapy priestorových variácií niklu s vysokým rozlíšením.
Štúdia sa realizuje v Českej republike, konkrétne v okrese Frýdek Místek v Moravskosliezskom kraji (pozri obrázok 1). Geografia skúmanej oblasti je veľmi členitá a je prevažne súčasťou regiónu Moravskoslezských Beskýd, ktorý je súčasťou vonkajšieho okraja Karpát. Študijná oblasť sa nachádza medzi 49° 02′0 41′ E 02 41′ E. nadmorská výška je medzi 225 a 327 m;Koppenov klasifikačný systém pre klimatický stav regiónu je však hodnotený ako Cfb = mierna oceánska klíma, je tu veľa zrážok aj v suchých mesiacoch. Teploty sa v priebehu roka mierne menia medzi -5 °C a 24 °C, zriedkavo klesnú pod -14 °C alebo nad 30 °C, pričom priemerný ročný úhrn zrážok je medzi 6285 a 2 kilometrami štvorcových, celková plocha prieskumu je 1 75 mm. 39,38 % obhospodarovanej pôdy a 49,36 % lesného porastu. Na druhej strane plocha použitá v tejto štúdii je asi 889,8 kilometrov štvorcových. V Ostrave a okolí je veľmi aktívny oceliarsky priemysel a kovoobrábanie. Kovotovárne, oceliarsky priemysel, kde sa nikel používa v nehrdzavejúcich oceliach (napr. kvôli odolnosti voči atmosférickej dobrej korózii) a húževnatosti legovaných ocelí (niklový kel) zvyšuje pevnosť a húževnatosť legovaných ocelí (niklový kel). a živočíšna výroba sú potenciálnymi výskumnými zdrojmi niklu v regióne (napr. pridávanie niklu do jahniat na zvýšenie rýchlosti rastu u jahniat a dobytka s nízkym kŕmením). Ďalšie priemyselné využitie niklu vo výskumných oblastiach zahŕňa jeho použitie pri galvanickom pokovovaní vrátane elektrolytického pokovovania niklom a procesov bezprúdového pokovovania niklom. Vlastnosti pôdy sa dajú ľahko odlíšiť od farby pôdy, štruktúry a obsahu uhličitanu od pôvodnej alebo od uhličitanu. lian v prírode.Niektoré pôdne plochy sa v povrchu a podloží javia škvrnité, často s betónom a vybielením.Najčastejším typom pôdy v regióne sú však kambizeme a stagnozeme48.S nadmorskými výškami od 455,1 do 493,5 m dominujú v Českej republike kambizeme49.
Mapa študijnej oblasti [Mapa študijnej oblasti bola vytvorená pomocou ArcGIS Desktop (ESRI, Inc, verzia 10.7, URL: https://desktop.arcgis.com).]
Celkovo bolo získaných 115 vzoriek ornice z mestských a prímestských pôd v okrese Frýdek Místek. Použitým vzorom vzoriek bola pravidelná mriežka so vzorkami pôdy vo vzdialenosti 2 × 2 km od seba a ornica bola meraná v hĺbke 0 až 20 cm pomocou ručného GPS zariadenia (Leica Zeno 5 GPS). vzorky, rozdrvené mechanickým systémom (Fritsch diskový mlyn) a preosiate (veľkosť sita 2 mm). 1 gram vysušených, zhomogenizovaných a preosiatych vzoriek pôdy vložte do jasne označených teflónových fliaš. Do každej teflónovej nádoby nadávkujte 7 ml 35 % HCl a 3 ml 65 % HNO3 (pre každý automatický dávkovač nechajte vzorky cez noc odstáť a prikryte pomocou automatického dávkovača – jeden) Umiestnite supernatant na horúcu kovovú platňu (teplota: 100 W a 160 °C) na 2 hodiny, aby sa uľahčil proces trávenia vzoriek, potom ochlaďte. Supernatant preneste do 50 ml odmernej banky a zrieďte na 50 ml deionizovanou vodou. Potom pridajte zriedený supernatant do 1 ml zriedeného roztoku zriedeného PVC s 1 ml deionizovanej vody. ml deionizovanej vody a prefiltrovali sa do 12 ml skúmavky pripravenej na pseudokoncentráciu PTE. Koncentrácie PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) boli stanovené pomocou ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (metódy tepelnej kontroly, štandardná kvalita/Štandardná kontrola kvality/AsQSurance podľa dohody Ensurance S.C. ) postupy (SRM NIST 2711a Montana II Soil).PTE s detekčnými limitmi nižšími ako polovica boli z tejto štúdie vylúčené. Detekčný limit PTE použitý v tejto štúdii bol 0,0004.(vy).Okrem toho je proces kontroly kvality a zabezpečenia kvality pre každú analýzu zabezpečený analýzou referenčných štandardov. Aby sa zabezpečilo, že chyby boli minimalizované, bola vykonaná dvojitá analýza.
Empirický bayesovský kriging (EBK) je jednou z mnohých geoštatistických interpolačných techník používaných pri modelovaní v rôznych oblastiach, ako je pôdoznalectvo. Na rozdiel od iných krigingových interpolačných techník sa EBK líši od tradičných krigingových metód tým, že zohľadňuje chybu odhadnutú semivariogramovým modelom. Pri EBK interpolácii sa počíta niekoľko semivariogramových modelov a nie jeden pridružený spôsob interpolácie pre interpoláciu. vykreslenie semivariogramu, ktorý predstavuje vysoko komplexnú časť dostatočnej krigingovej metódy. Proces interpolácie EBK sa riadi tromi kritériami navrhnutými Krivoruchkom50, (a) model odhaduje semivariogram zo vstupného súboru údajov (b) nová predpovedaná hodnota pre každé umiestnenie vstupného súboru údajov na základe vygenerovaného semivariogramu a (c) výsledná množina údajov je vypočítaná ako modelová rovnica A je vypočítaná ako modelová rovnica.
Kde \(Prob\left(A\right)\) predstavuje prior, \(Prob\left(B\right)\) marginálna pravdepodobnosť sa vo väčšine prípadov ignoruje, \(Prob (B,A)\ ) .Výpočet semivariogramu je založený na Bayesovom pravidle, ktoré ukazuje tendenciu množín pozorovaní, ktoré je možné vytvoriť z hodnoty semivariogramov, ako sa potom pravdepodobne vytvorí Bayes' pravidlo na vytvorenie semivariogramov. súbor údajov pozorovaní zo semivariogramu.
Podporný vektorový stroj je algoritmus strojového učenia, ktorý generuje optimálnu separačnú nadrovinu na rozlíšenie identických, ale nie lineárne nezávislých tried. Vapnik51 vytvoril algoritmus klasifikácie zámerov, ale nedávno sa použil na riešenie regresne orientovaných problémov. Podľa Li et al.52 je SVM jednou z najlepších klasifikačných techník a bol použitý v rôznych oblastiach regresnej analýzy – SVMS vektor. Cherkassky a Mulier53 boli priekopníkmi SVMR ako regresie založenej na jadre, ktorej výpočet bol vykonaný pomocou lineárneho regresného modelu s priestorovými funkciami pre viacero krajín.John et al54 uvádzajú, že modelovanie SVMR využíva hyperrovinnú lineárnu regresiu, ktorá vytvára nelineárne vzťahy a umožňuje priestorové funkcie. Podľa Vohland et al.55, epsilon (ε)-SVMR používa trénovaný súbor údajov na získanie reprezentačného modelu ako funkcie necitlivej na epsilon, ktorá sa aplikuje na mapovanie údajov nezávisle s najlepšou odchýlkou ​​epsilon z trénovania na korelovaných údajoch. Prednastavená chyba vzdialenosti sa ignoruje od skutočnej hodnoty a ak je chyba väčšia ako ε(ε), navrhované vlastnosti pôdy ju kompenzujú.Podpora trénovacích údajov zo širokej množiny modelu tiež redukuje trénovaciu rovnicu5. 1 je zobrazený nižšie.
kde b predstavuje skalárny prah, \(K\left({x}_{,}{ x}_{k}\right)\) predstavuje funkciu jadra, \(\alpha\) predstavuje Lagrangeov multiplikátor, N predstavuje číselnú množinu údajov, \({x}_{k}\) predstavuje vstup údajov a \(y\) je výstup údajov. Jednou z použitých operácií je Gaussov, radikálna bázová funkcia a FSV. Jadro RBF sa používa na určenie optimálneho modelu SVMR, ktorý je kritický na získanie najjemnejšieho faktora C a parametra jadra gama (γ) pre trénovacie dáta PTE. Najprv sme vyhodnotili trénovaciu množinu a potom testovali výkonnosť modelu na validačnej sade. Použitý parameter riadenia je sigma a hodnota metódy je svmRadial.
Model viacnásobnej lineárnej regresie (MLR) je regresný model, ktorý predstavuje vzťah medzi premennou odozvy a množstvom prediktorových premenných pomocou lineárnych združených parametrov vypočítaných pomocou metódy najmenších štvorcov. V MLR je model najmenších štvorcov predikčnou funkciou vlastností pôdy po výbere vysvetľujúcich premenných. Je potrebné použiť odozvu na vytvorenie lineárneho vzťahu pomocou vysvetľujúcich premenných. Na stanovenie lineárnej premennej sa ako vysvetľujúca premenná použila rovnica PTE.
kde y je premenná odozvy, \(a\) je priesečník, n je počet prediktorov, \({b}_{1}\) je čiastočná regresia koeficientov, \({x}_{i}\) predstavuje prediktor alebo vysvetľujúcu premennú a \({\varepsilon }_{i}\) predstavuje chybu v modeli, tiež známu ako rezíduum.
Zmiešané modely boli získané sendvičovaním EBK s SVMR a MLR. To sa robí extrakciou predpovedaných hodnôt z interpolácie EBK. Predpovedané hodnoty získané z interpolovaných Ca, K a Mg sa získajú kombinatorickým procesom na získanie nových premenných, ako sú CaK, CaMg, a KMg. Potom sa získajú prvky Ca, O a všetky premenné K a Mg. Mg, CaK, CaMg, KMg a CaKMg.Tieto premenné sa stali našimi prediktormi, ktoré pomáhajú predpovedať koncentrácie niklu v mestských a prímestských pôdach. Algoritmus SVMR bol vykonaný na prediktoroch, aby sa získal zmiešaný model Empirický bayesovský Kriging-Support Vector Machine (EBK_SVM). Podobne sa získajú aj premenné premenné pre Empirické zmiešané premenné na MLR iple Linear Regression (EBK_MLR). Typicky sa premenné Ca, K, Mg, CaK, CaMg, KMg a CaKMg používajú ako kovariáty ako prediktory obsahu Ni v mestských a prímestských pôdach. Získaný najprijateľnejší model (EBK_SVM alebo EBK_MLR) sa potom zobrazí pomocou grafu.
Používanie SeOM sa stalo populárnym nástrojom na organizovanie, vyhodnocovanie a predpovedanie údajov vo finančnom sektore, zdravotníctve, priemysle, štatistike, pôdoznalectva a ďalších. SeOM sa vytvára pomocou umelých neurónových sietí a metód učenia sa bez dozoru pre organizáciu, vyhodnotenie a predikciu. V tejto štúdii bol SeOM použitý na vizualizáciu koncentrácií Ni na základe najlepšieho modelu na predpovedanie Ni v mestských a prímestských oblastiach, ako vstupné premenné sa používajú 5M4 vektory OM4. ssen a kol.57 popisujú pripojenie vstupného vektora do neurónovej siete cez jedinú vstupnú vrstvu k výstupnému vektoru s jediným váhovým vektorom. Výstupom generovaným SeOM je dvojrozmerná mapa pozostávajúca z rôznych neurónov alebo uzlov votkaných do šesťuholníkových, kruhových alebo štvorcových topologických máp podľa ich blízkosti. Porovnanie veľkostí máp na základe metriky, kvantizačnej chyby (QE) a topografickej chyby, ktorá je vybratá,0906 TE, je, resp. 55-mapová jednotka (5 × 11). Štruktúra neurónu je určená podľa počtu uzlov v empirickej rovnici
Počet údajov použitých v tejto štúdii je 115 vzoriek. Na rozdelenie údajov do testovacích údajov (25 % na validáciu) a tréningových súborov údajov (75 % na kalibráciu) sa použil náhodný prístup. Súbor tréningových údajov sa používa na generovanie regresného modelu (kalibrácia) a testovací súbor údajov sa používa na overenie schopnosti opakovania zovšeobecňovania58. Urobilo sa to na posúdenie vhodnosti rôznych modelov obsahu, ktoré sa použili na predpovedanie 10-krát. .Premenné vytvorené interpoláciou EBK sa používajú ako prediktory alebo vysvetľujúce premenné na predpovedanie cieľovej premennej (PTE). Modelovanie sa vykonáva v RStudio pomocou knižnice balíkov (Kohonen), knižnice (caret), knižnice (modelár), knižnice (“e1071″), knižnice (“plyr”), knižnice (“caTools””), knižnice (“Melir”)(” prospekt).
Na určenie najlepšieho modelu vhodného na predpovedanie koncentrácií niklu v pôde a na vyhodnotenie presnosti modelu a jeho validácie boli použité rôzne validačné parametre. Hybridizačné modely boli vyhodnotené pomocou strednej absolútnej chyby (MAE), strednej kvadratickej chyby (RMSE) a určenia R-kvadratúry alebo koeficientu (R2).R2 definuje rozptyl proporcií v odpovedi, reprezentovaný modelom regresie, reprezentovaný nezávislým modelom regresie, RMSE v modeli predikcie a variancie meria hodnotu nezávislej sily. kvantitatívna hodnota.Hodnota R2 musí byť vysoká na vyhodnotenie najlepšieho modelu zmesi pomocou parametrov validácie, čím je hodnota bližšie k 1, tým vyššia je presnosť.Podľa Li et al.59, hodnota kritéria R2 0,75 alebo väčšia sa považuje za dobrý prediktor;od 0,5 do 0,75 je prijateľná výkonnosť modelu a pod 0,5 je neprijateľná výkonnosť modelu. Pri výbere modelu pomocou metód hodnotenia kritérií validácie RMSE a MAE boli získané nižšie hodnoty dostatočné a považovali sa za najlepšiu voľbu. Nasledujúca rovnica popisuje metódu overenia.
kde n predstavuje veľkosť pozorovanej hodnoty\({Y}_{i}\) predstavuje nameranú odozvu a \({\widehat{Y}}_{i}\) tiež predstavuje predpokladanú hodnotu odozvy pre prvé i pozorovania.
Štatistické popisy prediktorových a odozvových premenných sú uvedené v tabuľke 1, znázorňujúce priemer, smerodajnú odchýlku (SD), variačný koeficient (CV), minimum, maximum, špičatosť a šikmosť. Minimálne a maximálne hodnoty prvkov sú v zostupnom poradí Mg < Ca < K < Ni a Ca < Mg < K < Ni. Koncentrácie premennej odozvy od/študovanej oblasti 4d.8 mg sa pohybujú od/4d.3 mg. predliatok Ni so svetovým priemerom (29 mg/kg) a európskym priemerom (37 mg/kg) ukázal, že celkový vypočítaný geometrický priemer pre skúmanú oblasť bol v tolerovateľnom rozsahu. Napriek tomu, ako ukazuje Kabata-Pendias11, porovnanie priemernej koncentrácie niklu (Ni) v súčasnej štúdii s poľnohospodárskymi pôdami vo Švédsku ukazuje, že súčasná priemerná koncentrácia niklu v mestskej a mestskej pôde Mikekeku je v súčasnosti vyššia. Ni 16,15 mg/kg) bol vyšší ako povolený limit 60 (10,2 mg/kg) pre Ni v poľských mestských pôdach, ktorý uvádza Różański et al. Okrem toho Bretzel a Calderisi61 zaznamenali veľmi nízke priemerné koncentrácie Ni (1,78 mg/kg) v mestských pôdach v Toskánsku (1,78 mg/kg) v Hongkongu v porovnaní s aktuálnou štúdiou23 mg/kg. s, ktorá je nižšia ako súčasná koncentrácia niklu v tejto štúdii.Birke et al63 uviedli priemernú koncentráciu Ni 17,6 mg/kg v starej banskej a mestskej priemyselnej oblasti v Sasku-Anhaltsku v Nemecku, čo bola o 1,45 mg/kg vyššia ako priemerná koncentrácia Ni v tejto oblasti (16,15 mg/kg). Súčasný výskum. Nadmerný obsah niklu v mestskom priemysle a železiarsky priemysel môžu pripisovať najmä mestskému kovopriemyslu a pôde v železiarskom priemysle. je v súlade so štúdiou Khodadousta et al.64, že oceliarsky priemysel a kovospracovanie sú hlavnými zdrojmi kontaminácie pôd niklom. Prediktory sa však tiež pohybovali od 538,70 mg/kg do 69 161,80 mg/kg pre Ca, 497,51 mg/kg do 3535,68 mg/kg pre K a 685,70 mg/kg do 59,68 mg/kg. .65 skúmali celkový obsah Mg a K v pôdach v strednom Srbsku. Zistili, že celkové koncentrácie (410 mg/kg a 400 mg/kg, v uvedenom poradí) boli nižšie ako koncentrácie Mg a K v súčasnej štúdii. Nerozoznateľné, vo východnom Poľsku Orzechowski a Smolczynski66 hodnotili celkový obsah Ca, Mg/kg a priemerné koncentrácie Cag0 mg/kg a 50 mg/0 mg/kg a 50 mg/kg. K (810 mg/kg) Obsah v ornici je nižší ako obsah jediného prvku v tejto štúdii. Nedávna štúdia Pongraca et al.67 ukázali, že celkový obsah Ca analyzovaný v 3 rôznych pôdach v Škótsku vo Veľkej Británii (pôda Mylnefield, pôda Balruddery a pôda Hartwood) naznačil vyšší obsah Ca v tejto štúdii.
V dôsledku rôznych nameraných koncentrácií prvkov vo vzorke vykazujú distribúcie súborov údajov rôznu šikmosť. Šikmosť a špičatosť prvkov sa pohybovala od 1,53 do 7,24 a 2,49 až 54,16. Všetky vypočítané prvky majú úroveň šikmosti a špičatosti nad +1, čo naznačuje, že distribúcia údajov v správnom a šikmom smere prvkov je tiež nepravidelná a šikmá. vykazujú miernu variabilitu, zatiaľ čo Ca má extrémne vysokú variabilitu. CV K, Ni a Mg vysvetľujú ich rovnomernú distribúciu. Okrem toho distribúcia Ca je nerovnomerná a externé zdroje môžu ovplyvniť úroveň jeho obohatenia.
Korelácia prediktorových premenných s prvkami odozvy naznačovala uspokojivú koreláciu medzi prvkami (pozri obrázok 3). Korelácia ukázala, že CaK vykazoval miernu koreláciu s hodnotou r = 0,53, rovnako ako CaNi.68 a Santo69 naznačujú, že ich hladiny v pôde sú nepriamo úmerné. Ca a Mg sú však antagonistické ku K, ale CaK dobre koreluje. Môže to byť spôsobené aplikáciou hnojív, ako je uhličitan draselný, ktorý je o 56 % vyšší v draslíku. Draslík mierne koreloval s horčíkom (KM r = 0,63), pretože tieto dva prvky sú úzko spojené s horčíkom, draslíkom a síranom draselným. nikel mierne koreluje s Ca, K a Mg s hodnotami r = 0,52, 0,63 a 0,55. Vzťahy medzi vápnikom, horčíkom a PTE, ako je nikel, sú zložité, no napriek tomu horčík inhibuje vstrebávanie vápnika, vápnik znižuje účinky nadbytku horčíka a horčík aj vápnik znižujú toxické účinky niklu.
Korelačná matica pre prvky zobrazujúca vzťah medzi prediktormi a odpoveďami (Poznámka: tento obrázok zahŕňa bodový graf medzi prvkami, hladiny významnosti sú založené na p < 0,001).
Obrázok 4 ilustruje priestorové rozmiestnenie prvkov. Podľa Burgosa et al70 je aplikácia priestorového rozloženia technikou používanou na kvantifikáciu a zvýraznenie horúcich miest v znečistených oblastiach. Úrovne obohatenia Ca na obr. 4 je možné vidieť v severozápadnej časti mapy priestorového rozmiestnenia. Obrázok ukazuje stredné až vysoké obohatenie miest Ca2. Obohacovanie vápnikom je pravdepodobne rýchle na severozápade kvôli použitiu kyslých pôd. použitie v oceliarňach ako alkalický kyslík v procese výroby ocele. Na druhej strane iní farmári uprednostňujú použitie hydroxidu vápenatého v kyslých pôdach na neutralizáciu pH, čo tiež zvyšuje obsah vápnika v pôde71. Draslík tiež ukazuje horúce miesta na severozápade a východe mapy. Severozápad je hlavnou poľnohospodárskou komunitou a stredný až vysoký vzor pri použití Mada a draslíka, ako je napríklad draslík, môže byť spôsobený inými štúdiami NPK a draslíka. s et al.73, Pulkrabová et al.74, Asare et al.75, ktorí pozorovali, že stabilizácia pôdy a ošetrenie pomocou KCl a NPK viedli k vysokému obsahu K v pôde.Priestorové obohatenie draslíkom na severozápade mapy distribúcie môže byť spôsobené použitím hnojív na báze draslíka, ako je chlorid draselný, síran draselný, dusičnan draselný, potaš a potaš na zvýšenie obsahu draslíka v chudobných pôdach. Zádorová et al.76 a Tlustoš a kol.77 načrtol, že aplikácia hnojív na báze K zvýšila obsah K v pôde a z dlhodobého hľadiska by výrazne zvýšila obsah pôdnych živín, najmä K a Mg ukazujúce horúce miesto v pôde. Relatívne mierne horúce miesta na severozápade mapy a juhovýchode mapy. Koloidná fixácia v pôde vyčerpáva koncentráciu horčíka v pôde, jeho nedostatok horčíka v pôde spôsobuje žlté chlórové hnojivo. síran, síran horečnatý a kieserit liečia nedostatky (rastliny sa javia fialové, červené alebo hnedé, čo naznačuje nedostatok horčíka) v pôdach s normálnym rozsahom pH6. Akumulácia niklu na mestských a prímestských pôdnych povrchoch môže byť spôsobená antropogénnymi činnosťami, ako je poľnohospodárstvo a význam niklu pri výrobe nehrdzavejúcej ocele78.
Priestorová distribúcia prvkov [mapa priestorovej distribúcie bola vytvorená pomocou ArcGIS Desktop (ESRI, Inc, verzia 10.7, URL: https://desktop.arcgis.com).]
Výsledky modelového výkonnostného indexu pre prvky použité v tejto štúdii sú uvedené v tabuľke 2. Na druhej strane, RMSE a MAE pre Ni sú blízko nule (0,86 RMSE, -0,08 MAE). Na druhej strane hodnoty RMSE aj MAE pre K sú prijateľné. Predpovedať Ni sa zistilo, že je lepšie ako výsledky Johna a kol.54 pomocou synergického krigingu na predpovedanie koncentrácií S v pôde pomocou rovnakých zozbieraných údajov. Výstupy EBK, ktoré sme študovali, korelujú s výstupmi Fabijaczyka a kol.41, Yan a kol.79, Beguin a kol.80, Adhikary a kol.81 a John a kol.82, najmä K a Ni.
Výkonnosť jednotlivých metód na predpovedanie obsahu niklu v mestských a prímestských pôdach bola hodnotená pomocou výkonnosti modelov (tabuľka 3). Validácia modelu a vyhodnotenie presnosti potvrdilo, že najlepší výkon priniesol prediktor Ca_Mg_K v kombinácii s modelom EBK SVMR. Kalibračný model Ca_Mg_K-EBK_SVMR model R2, stredná stredná kvadratická chyba (R2MA) a 95 absolútna stredná chyba chyby (R2MA). mg/kg (RMSE) a 77,368 mg/kg (MAE) Ca_Mg_K-SVMR bola 0,663 (R2), 235,974 mg/kg (RMSE) a 166,946 mg/kg (MAE). Napriek tomu sa získali dobré hodnoty R2 pre Ca_Mg_K6-SVEB. 43 = R2);ich výsledky RMSE a MAE boli vyššie ako výsledky pre Ca_Mg_K-EBK_SVMR (R2 0,637) (pozri tabuľku 3). Okrem toho RMSE a MAE modelu Ca_Mg-EBK_SVMR (RMSE = 1664,64 a MAE = 1031,49), ktoré sú väčšie ako 1KEBK_Mg, sú 1KEBK_Mg väčšie ako 1KEBK_Mg, v tomto poradí MR. Podobne RMSE a MAE modelu Ca_Mg-K SVMR (RMSE = 235,974 a MAE = 166,946) sú o 2,5 a 2,2 väčšie ako pozorované hodnoty Ca_Mg_K-EBK_SVMR RMSE a MAE. Kebonye a kol.46 a John a kol.54, čím bližšie sú RMSE a MAE k nule, tým lepšie sú výsledky.SVMR a EBK_SVMR majú vyššie kvantované hodnoty RSME a MAE. Zistilo sa, že odhady RSME boli konzistentne vyššie ako hodnoty MAE, čo naznačuje prítomnosť odľahlých hodnôt. Podľa Legatesa a McCabe83 je rozsah, v akom RMSE odporúčaná hodnota viac ako absolútna chyba znamená, že priemerná chyba RMSE (vyššia ako absolútna hodnota) presahuje Ak je súbor údajov heterogénny, tým vyššie sú hodnoty MAE a RMSE. Presnosť hodnotenia krížovej validácie zmiešaného modelu Ca_Mg_K-EBK_SVMR na predpovedanie obsahu Ni v mestských a prímestských pôdach bola 63,70 %. Podľa Li et al.59, táto úroveň presnosti je prijateľnou mierou výkonnosti modelu. Súčasné výsledky sú porovnané s predchádzajúcou štúdiou Tarasova a kol.36, ktorého hybridný model vytvoril MLPRK (Multilayer Perceptron Residual Kriging), súvisiaci s indexom hodnotenia presnosti EBK_SVMR uvedeným v súčasnej štúdii, RMSE (210) a The MAE (167,5) bol vyšší ako naše výsledky v súčasnej štúdii (RMSE 95,479, MAE 77,368). .36 (0,544), je zrejmé, že koeficient determinácie (R2) je v tomto zmiešanom modeli vyšší. Medzera chýb (RMSE a MAE) (EBK SVMR) pre zmiešaný model je dvakrát nižšia. Podobne Sergeev et al.34 zaznamenali 0,28 (R2) pre vyvinutý hybridný model (Multilayer Perceptron Residual), zatiaľ čo 63 štúdia zaznamenala úroveň rezíduí NiR v Krigingrone v Kriging2.0. tento model (EBK SVMR) je 63,7 %, zatiaľ čo presnosť predikcie získaná Sergeevom a kol.34 je 28 %. Konečná mapa (obr. 5) vytvorená pomocou modelu EBK_SVMR a Ca_Mg_K ako prediktora zobrazuje predpovede horúcich miest a stredne až niklu na celej skúmanej oblasti. To znamená, že koncentrácia niklu v skúmanej oblasti je prevažne mierna, s vyššími koncentráciami v niektorých špecifických oblastiach.
Finálna predikčná mapa je reprezentovaná pomocou hybridného modelu EBK_SVMR a pomocou Ca_Mg_K ako prediktora.[Mapa priestorového rozloženia bola vytvorená pomocou RStudio (verzia 1.4.1717: https://www.rstudio.com/).]
Na obrázku 6 sú koncentrácie PTE ako rovina zloženia pozostávajúca z jednotlivých neurónov. Žiadna z rovín komponentov nevykazovala rovnaký farebný vzor, ​​ako je znázornené. Príslušný počet neurónov na nakreslenú mapu je však 55. SeOM sa vyrába s použitím rôznych farieb a čím sú farebné vzory podobné, tým sú vlastnosti vzoriek porovnateľnejšie. Podľa ich presnej farebnej škály vykazovali jednotlivé neuróny vysokú farebnosť, jednotlivé prvky a Msg low (C) podobné. , CaK a CaMg zdieľajú určité podobnosti s neurónmi veľmi vysokého rádu a nízkymi až strednými farebnými vzormi. Oba modely predpovedajú koncentráciu Ni v pôde zobrazením stredných až vysokých odtieňov farieb, ako je červená, oranžová a žltá. Model KMg zobrazuje mnoho vysoko farebných vzorov založených na presných proporciách a nízkych až stredných farebných škvŕn. ).Rovina komponentov modelu CakMg ukazuje rôznorodý farebný vzor od nízkej po vysokú podľa presnej farebnej škály. Okrem toho je predikcia obsahu niklu v modeli (CakMg) podobná priestorovej distribúcii niklu znázornenej na obrázku 5. Obidva grafy znázorňujú vysoké, stredné a nízke podiely koncentrácií niklu v mestských a prímestských pôdach. Obrázok 7 na modeli s tromi hodnotami na mape znázorňuje obrysy jednotlivých skupín. .Vrstevná metóda predstavuje optimálny počet zhlukov.Zo 115 odobratých vzoriek pôdy získala kategória 1 najviac vzoriek pôdy, 74.Zhluk 2 získal 33 vzoriek, zatiaľ čo zhluk 3 získal 8 vzoriek. Sedemzložková kombinácia planárnych prediktorov bola zjednodušená, aby umožnila správnu interpretáciu zhlukov. Kvôli početným antropogénnym a prírodným procesom je ťažké správne rozložiť tvorbu zhlukov pôdy.78
Výstup roviny komponentov každou premennou Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Mapy SeOM boli vytvorené pomocou RStudio (verzia 1.4.1717: https://www.rstudio.com/).]
Rôzne komponenty klasifikácie klastrov [Mapy SeOM boli vytvorené pomocou RStudio (verzia 1.4.1717: https://www.rstudio.com/).]
Súčasná štúdia jasne ilustruje techniky modelovania koncentrácií niklu v mestských a prímestských pôdach. Štúdia testovala rôzne techniky modelovania kombinovaním prvkov s modelovacími technikami, aby sa získal najlepší spôsob predpovedania koncentrácií niklu v pôde. Plošné priestorové vlastnosti SeOM pri modelovacej technike vykazovali vysoký farebný vzor od nízkej po vysokú na presnej farebnej škále, čo naznačuje koncentrácie Nie v pôdnej distribúcii. Výsledky ukazujú, že podporný vektorový strojový regresný model (Ca Mg K-SVMR) predpovedá koncentráciu Ni v pôde ako jediný model, ale parametre validácie a hodnotenia presnosti vykazujú veľmi vysoké chyby z hľadiska RMSE a MAE. Na druhej strane, technika modelovania použitá s modelom EBK_MLR je tiež chybná z dôvodu nízkej hodnoty MKMR a koeficientu determinácie s nízkymi výsledkami získanými pomocou koeficientu KEBSE (R2). a MAE chyby s presnosťou 63,7 %. Ukazuje sa, že kombináciou algoritmu EBK s algoritmom strojového učenia sa môže vytvoriť hybridný algoritmus, ktorý dokáže predpovedať koncentráciu PTE v pôde. Výsledky ukazujú, že použitie Ca Mg K ako prediktorov na predpovedanie koncentrácií Ni v skúmanej oblasti môže zlepšiť predikciu Ni v pôde, čím sa zvyšuje koncentrácia priemyselných hnojív na báze niklu v pôde, a to znamená, že priemyselné hnojivo na báze niklu má tendenciu zvyšovať niklu v pôde.Táto štúdia odhalila, že model EBK môže znížiť úroveň chýb a zlepšiť presnosť modelu priestorového rozloženia pôdy v mestských alebo prímestských pôdach. Vo všeobecnosti navrhujeme použiť model EBK-SVMR na hodnotenie a predpovedanie PTE v pôde;okrem toho navrhujeme použiť EBK na hybridizáciu s rôznymi algoritmami strojového učenia. Koncentrácie Ni boli predpovedané pomocou prvkov ako kovariátov;použitie viacerých kovariátov by však výrazne zlepšilo výkonnosť modelu, čo možno považovať za obmedzenie súčasnej práce. Ďalším obmedzením tejto štúdie je, že počet súborov údajov je 115. Preto, ak sa poskytne viac údajov, výkon navrhovanej optimalizovanej hybridizačnej metódy sa môže zlepšiť.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (prístup 28. apríla 2021).
Kasprzak, KS Nikel napreduje v modernej environmentálnej toxikológii.okolia.toxikológii.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Prehľad jeho zdrojov a environmentálnej toxikológie. Poľský J. Environment. Stud. 15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Vstup znečisťujúcich látok z atmosféry a akumulácia v pôde a vegetácii v blízkosti niklovo-medenej huty v Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. a kol. Ťažké kovy v pôde, rastliny a riziká spojené s pasením prežúvavcov v blízkosti medenoniklovej bane Selebi-Phikwe v Botswane.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00921-x).
Cabata-Pendias.Kabata-Pendias A. 2011. Stopové prvky v pôde a… – Google Scholar https://scholar.google.com/scholar?hl=sk&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+Yorsoils.%2 9%3A+CRC+Press&btnG= (prístup 24. novembra 2020).
Almås, A., Singh, B., Poľnohospodárstvo, TS-NJ z & 1995, nedefinované. Účinky ruského niklového priemyslu na koncentrácie ťažkých kovov v poľnohospodárskych pôdach a trávach v Soer-Varanger, Nórsko.agris.fao.org.
Nielsen, GD a kol. Absorpcia a zadržiavanie niklu v pitnej vode súvisí s príjmom potravy a citlivosťou na nikel. toxikológia. aplikácia. farmakodynamika. 154, 67–75 (1999).
Costa, M. & Klein, CB Karcinogenéza niklu, mutácia, epigenetika alebo selekcia.okolia.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Analýza trendov potenciálne toxických prvkov: bibliometrický prehľad. Environmentálna geochémia a zdravie. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitálnom mapovaní pôdy. 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=sk&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxfords+UniversityG+6PAGE vyd. 28. apríla 2021).