Hvala, ker ste obiskali Nature.com. Različica brskalnika, ki jo uporabljate, ima omejeno podporo za CSS. Za najboljšo izkušnjo priporočamo, da uporabite posodobljen brskalnik (ali izklopite način združljivosti v Internet Explorerju). Medtem bomo zaradi zagotavljanja stalne podpore spletno mesto prikazali brez slogov in JavaScripta.
Onesnaženost tal je velik problem, ki ga povzročajo človeške dejavnosti. Prostorska porazdelitev potencialno toksičnih elementov (PTE) se razlikuje v večini urbanih in primestnih območij. Zato je težko prostorsko napovedati vsebnost PTE v takšnih tleh. Skupaj 115 vzorcev je bilo pridobljenih od Frydeka Misteka na Češkem. Koncentracije kalcija (Ca), magnezija (Mg), kalija (K) in niklja (Ni) so bile določene z emisijska spektrometrija z induktivno sklopljeno plazmo. Spremenljivka odziva je Ni, napovedovalci pa so Ca, Mg in K. Korelacijska matrika med spremenljivko odziva in spremenljivko napovedovalca kaže zadovoljivo korelacijo med elementi. Rezultati napovedi so pokazali, da je strojna regresija podpornih vektorjev (SVMR) delovala dobro, čeprav je bila ocenjena povprečna kvadratna napaka (RMSE) (235,974 mg/kg) in povprečna absolutna napaka (MA E) (166,946 mg/kg) so bile višje od drugih uporabljenih metod. Mešani modeli za empirično Bayesovo kriging-multiplo linearno regresijo (EBK-MLR) delujejo slabo, kar dokazujejo koeficienti determinacije, manjši od 0,1. Model empirične Bayesove kriging-podporne vektorske strojne regresije (EBK-SVMR) je bil najboljši model z nizkim RMSE (95,479 mg/kg). kg) in MAE (77,368 mg/kg) ter visokim koeficientom determinacije (R2 = 0,637). Izhod tehnike modeliranja EBK-SVMR je vizualiziran z uporabo samoorganizirajočega zemljevida. Gručasti nevroni v ravnini komponente hibridnega modela CakMg-EBK-SVMR kažejo več barvnih vzorcev, ki napovedujejo koncentracije Ni v mestnih in periurbanih tleh. Rezultati kažejo, da kombinacija EBK in SVMR je učinkovita tehnika za napovedovanje koncentracij Ni v mestnih in periurbanih tleh.
Nikelj (Ni) velja za mikrohranilo za rastline, ker prispeva k atmosferski fiksaciji dušika (N) in presnovi sečnine, ki sta potrebna za kalitev semen. Poleg tega, da prispeva k kalitvi semen, lahko Ni deluje kot zaviralec gliv in bakterij ter pospešuje razvoj rastlin. Pomanjkanje niklja v tleh omogoča, da ga rastlina absorbira, kar povzroči klorozo listov. Na primer, kravji grah in stročji fižol zahtevata aplikacijo gnojil na osnovi niklja za optimizacijo fiksacije dušika2. Nadaljnja uporaba gnojil na osnovi niklja za obogatitev tal in povečanje sposobnosti stročnic, da vežejo dušik v tleh, nenehno povečuje koncentracijo niklja v tleh. Čeprav je nikelj mikrohranilo za rastline, lahko njegov prekomerni vnos v tla povzroči več škode kot koristi. Toksičnost niklja v tleh je minimalna znižuje pH tal in ovira privzem železa kot bistvenega hranila za rast rastlin1. Po Liu3 je bilo ugotovljeno, da je Ni 17. pomemben element, potreben za razvoj in rast rastlin. Poleg vloge niklja pri razvoju in rasti rastlin ga ljudje potrebujejo za različne namene. Galvanizacija, proizvodnja zlitin na osnovi niklja ter proizvodnja vžigalnih naprav in vžigalnih svečk v avtomobilski industriji zahtevajo uporaba niklja v različnih industrijskih sektorjih. Poleg tega se zlitine na osnovi niklja in galvanizirani izdelki pogosto uporabljajo v kuhinjski posodi, dodatkih za plesne dvorane, zalogah za živilsko industrijo, elektriki, žicah in kablih, reaktivnih turbinah, kirurških vsadkih, tekstilu in ladjedelništvu5. Ravni, bogate z nikljem v tleh (tj. površinskih tleh), so bile pripisane tako antropogenim kot naravnim virom, vendar je Ni predvsem naravni vir in ne človek pogeni4,6.Naravni viri niklja vključujejo vulkanske izbruhe, vegetacijo, gozdne požare in geološke procese;vendar antropogeni viri vključujejo nikelj/kadmijeve baterije v jeklarski industriji, galvanizaciji, obločnem varjenju, dizelskem gorivu in kurilnem olju ter atmosferske emisije zaradi zgorevanja premoga ter sežiganja odpadkov in blata. Kopičenje niklja7,8.10 so glavni viri onesnaženja vrhnje plasti tal v neposrednem in sosednjem okolju predvsem talilnice in rudniki na osnovi niklja in bakra. Zgornji del tal okoli rafinerije niklja in bakra v Sudburyju v Kanadi je imel najvišjo stopnjo onesnaženosti z nikljem, in sicer 26.000 mg/kg11. V nasprotju s tem je onesnaženje zaradi proizvodnje niklja v Rusiji povzročilo višje koncentracije niklja v norveški zemlji 11. Accord ing na Alms et al.12 se je količina niklja, ki ga je mogoče ekstrahirati s HNO3, na najbolj obdelovalnih zemljiščih v regiji (proizvodnja niklja v Rusiji) gibala od 6,25 do 136,88 mg/kg, kar ustreza povprečju 30,43 mg/kg in izhodiščni koncentraciji 25 mg/kg. Glede na kabato 11 je uporaba fosforjevih gnojil v kmetijskih tleh v mestnih ali periurbanih tleh med zaporednimi kr letni časi lahko vlijejo ali onesnažijo zemljo. Potencialni učinki niklja pri ljudeh lahko povzročijo raka zaradi mutageneze, kromosomske poškodbe, generiranja Z-DNA, blokiranega popravljanja DNK z izrezom ali epigenetskih procesov13. V poskusih na živalih je bilo ugotovljeno, da lahko nikelj povzroči različne tumorje, karcinogeni nikljevi kompleksi pa lahko poslabšajo takšne tumorje.
Ocene onesnaženosti tal so se v zadnjem času močno povečale zaradi številnih vprašanj, povezanih z zdravjem, ki izhajajo iz odnosov med tlemi in rastlinami, bioloških odnosov med tlemi in prstjo, ekološke degradacije in presoje vplivov na okolje. Do danes je bilo prostorsko napovedovanje potencialno strupenih elementov (PTE), kot je Ni v tleh, z uporabo tradicionalnih metod naporno in dolgotrajno. Pojav digitalnega kartiranja tal (DSM) in njegov trenutni uspeh15 imata velik uspeh. močno izboljšano napovedno kartiranje tal (PSM). Po Minasnyju in McBratneyju16 se je napovedno kartiranje tal (DSM) izkazalo za pomembno poddisciplino znanosti o tleh. Lagacherie in McBratney, 2006 opredeljujeta DSM kot »ustvarjanje in polnjenje prostorskih informacijskih sistemov tal z uporabo in situ in laboratorijskih metod opazovanja ter prostorskega in neprostorskega sklepanja o tleh. sistemi«.McBratney et al.17 poudarjajo, da je sodobna DSM ali PSM najučinkovitejša tehnika za napovedovanje ali kartiranje prostorske porazdelitve PTE, vrst tal in lastnosti tal. Geostatistika in algoritmi strojnega učenja (MLA) so tehnike modeliranja DSM, ki ustvarjajo digitalizirane zemljevide s pomočjo računalnikov z uporabo pomembnih in minimalnih podatkov.
Deutsch18 in Olea19 definirata geostatistiko kot "zbirko numeričnih tehnik, ki se ukvarjajo s predstavitvijo prostorskih atributov, predvsem z uporabo stohastičnih modelov, na primer, kako analiza časovnih vrst označuje časovne podatke."Primarno geostatistika vključuje vrednotenje variogramov, ki omogočajo kvantificiranje in definiranje odvisnosti prostorskih vrednosti od vsakega nabora podatkov20.Gumiaux et al.20 dodatno ponazarjajo, da vrednotenje variogramov v geostatistiki temelji na treh načelih, vključno z (a) izračunavanjem lestvice korelacije podatkov, (b) identifikacijo in računanjem anizotropije v neskladju nabora podatkov in (c) poleg upoštevanja inherentne napake merilnih podatkov, ločenih od lokalnih učinkov, so ocenjeni tudi učinki območja. Na podlagi teh konceptov se v geostatistiki uporabljajo številne interpolacijske tehnike, vključno s splošnim krigingom, sokrigingom, običajnim krigingom, empiričnim Bayesovim krigingom, preprosto metodo kriginga in drugimi dobro znanimi interpolacijskimi tehnikami za kartiranje ali napovedovanje PTE, značilnosti tal in vrst tal.
Algoritmi strojnega učenja (MLA) so razmeroma nova tehnika, ki uporablja večje nelinearne podatkovne razrede, ki jih poganjajo algoritmi, ki se primarno uporabljajo za podatkovno rudarjenje, prepoznavanje vzorcev v podatkih in se večkrat uporabljajo za klasifikacijo na znanstvenih področjih, kot so vedenje o tleh in naloge vračanja. Številni raziskovalni članki se opirajo na modele MLA za napovedovanje PTE v tleh, kot je Tan et al.22 (naključni gozdovi za oceno težkih kovin v kmetijskih tleh), Sakizadeh et al.23 (modeliranje z uporabo podpornih vektorskih strojev in umetnih nevronskih mrež) onesnaženost tal). Poleg tega Vega et al.24 (CART za modeliranje zadrževanja in adsorpcije težkih kovin v tleh) Sun et al.25 (uporaba kubista je porazdelitev Cd v tleh) in drugi algoritmi, kot so k-najbližji sosed, posplošena povečana regresija in povečana regresija Drevesa so uporabila tudi MLA za napovedovanje PTE v tleh.
Uporaba algoritmov DSM pri napovedovanju ali kartiranju se sooča z več izzivi. Številni avtorji verjamejo, da je MLA boljši od geostatistike in obratno. Čeprav je eden boljši od drugega, kombinacija obeh izboljša stopnjo natančnosti kartiranja ali napovedovanja v DSM15. Woodcock in Gopal26 Finke27;Pontius in Cheuk28 ter Grunwald29 komentirajo pomanjkljivosti in nekatere napake pri predvidenem kartiranju tal. Znanstveniki za tla so poskusili z različnimi tehnikami za optimizacijo učinkovitosti, natančnosti in predvidljivosti kartiranja in napovedovanja DSM. Kombinacija negotovosti in preverjanja je eden od mnogih različnih vidikov, integriranih v DSM za optimizacijo učinkovitosti in zmanjšanje napak. Vendar pa Agyeman et al.15 poudarjajo, da bi bilo treba validacijsko vedenje in negotovost, ki jo uvedeta ustvarjanje zemljevida in napovedovanje, neodvisno validirati za izboljšanje kakovosti zemljevida. Omejitve DSM so posledica geografsko razpršene kakovosti tal, ki vključuje komponento negotovosti;vendar lahko pomanjkanje gotovosti v DSM izhaja iz več virov napake, in sicer napake kovariate, napake modela, lokacijske napake in analitične napake 31. Netočnosti modeliranja, povzročene v MLA in geostatističnih procesih, so povezane s pomanjkanjem razumevanja, kar na koncu vodi v preveliko poenostavitev dejanskega procesa32. Ne glede na naravo modeliranja lahko netočnosti pripišemo parametrom modeliranja, matematiki napovedi matičnega modela ali interpolacija33. Pred kratkim se je pojavil nov trend DSM, ki spodbuja integracijo geostatistike in MLA v kartiranje in napovedovanje. Več znanstvenikov in avtorjev tal, kot sta Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 in Tarasov et al.37 je izkoristilo natančno kakovost geostatistike in strojnega učenja za ustvarjanje hibridnih modelov, ki izboljšujejo učinkovitost napovedovanja in kartiranja.Nekateri od teh hibridnih ali kombiniranih modelov algoritmov so kriging z umetnimi nevronskimi mrežami (ANN-RK), večplastni perceptronski preostali kriging (MLP-RK), generalizirani regresijski preostali kriging z nevronsko mrežo (GR-NNRK)36, umetni nevronski omrežni kriging-večslojni perceptron (ANN-K-MLP)37 ter ko-kriging in regresija Gaussovega procesa. ion38.
Po besedah ​​Sergeeva et al. ima združevanje različnih tehnik modeliranja potencial za odpravo napak in povečanje učinkovitosti nastalega hibridnega modela namesto razvoja njegovega enega samega modela. V tem kontekstu ta novi dokument trdi, da je treba uporabiti kombinirani algoritem geostatistike in MLA za ustvarjanje optimalnih hibridnih modelov za napovedovanje obogatitve Ni v mestnih in primestnih območjih. Ta študija se bo opirala na empirični Bayesov kriging (EBK) kot osnovni model in ga zmešajte z modeli podpornega vektorskega stroja (SVM) in večkratne linearne regresije (MLR). Hibridizacija EBK s katerim koli MLA ni znana. Številni mešani modeli so kombinacije navadnega, rezidualnega, regresijskega kriginga in MLA. EBK je metoda geostatistične interpolacije, ki uporablja prostorsko stohastični proces, ki je lokaliziran kot nestacionarno/stacionarno naključno polje z definiranimi lokalizacijskimi parametri nad poljem, kar omogoča prostorsko variacijo39. EBK je bil uporabljen v različnih študijah, vključno z analizo porazdelitve organskega ogljika v kmetijskih tleh40, ocenjevanjem onesnaženosti tal41 in kartiranjem lastnosti tal42.
Po drugi strani je SeOM (Self-Organizing Graph) učni algoritem, ki je bil uporabljen v različnih člankih, kot je Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 in Kebonye et al.46 Določite prostorske atribute in združevanje elementov. Wang et al.44 poudarjajo, da je SeOM zmogljiva učna tehnika, znana po svoji zmožnosti združevanja in predstavljanja nelinearnih problemov. Za razliko od drugih tehnik prepoznavanja vzorcev, kot so analiza glavnih komponent, mehko združevanje v gruče, hierarhično združevanje v gruče in odločanje po več kriterijih, je SeOM boljši pri organiziranju in prepoznavanju vzorcev PTE. Po Wangu et al.44 lahko SeOM prostorsko združi porazdelitev povezanih nevronov in zagotovi vizualizacijo podatkov visoke ločljivosti. SeOM bo vizualiziral podatke napovedi Ni, da bi pridobil najboljši model za karakterizacijo rezultatov za neposredno interpretacijo.
Namen tega prispevka je izdelati robusten model kartiranja z optimalno natančnostjo za napovedovanje vsebnosti niklja v mestnih in periurbanih tleh. Predvidevamo, da je zanesljivost mešanega modela v glavnem odvisna od vpliva drugih modelov, povezanih z osnovnim modelom. Zavedamo se izzivov, s katerimi se sooča DSM, in čeprav se ti izzivi obravnavajo na več področjih, se zdi, da je kombinacija napredka v geostatistiki in modelih MLA postopna. ;zato bomo poskušali odgovoriti na raziskovalna vprašanja, ki lahko prinesejo mešane modele. Vendar, kako natančen je model pri napovedovanju ciljnega elementa? Prav tako, kakšna je stopnja ocene učinkovitosti na podlagi validacije in ocene natančnosti? Zato so bili specifični cilji te študije (a) ustvariti model kombinirane mešanice za SVMR ali MLR z uporabo EBK kot osnovnega modela, (b) primerjati dobljene modele (c) predlagati najboljši model mešanice za napovedovanje koncentracij Ni v mestih ali primestnih tal in (d) uporabo SeOM za ustvarjanje zemljevida prostorske variacije niklja z visoko ločljivostjo.
Študija se izvaja na Češkem, natančneje v okrožju Frydek Mistek v Moravsko-Šlezijski regiji (glej sliko 1). Geografija študijskega območja je zelo razgibana in je večinoma del Moravsko-Šlezijske regije Beskidi, ki je del zunanjega roba Karpatov. Študijsko območje se nahaja med 49° 41′ 0′ S in 18° 20′ 0 ′ E, nadmorska višina pa med 225 in 327 m;Vendar pa je klasifikacijski sistem Koppen za podnebno stanje v regiji ocenjen kot Cfb = zmerno oceansko podnebje. Tudi v sušnih mesecih je veliko padavin. Temperature se skozi vse leto rahlo spreminjajo med –5 °C in 24 °C, le redko padejo pod –14 °C ali nad 30 °C, medtem ko je povprečna letna količina padavin med 685 in 752 mm47. Ocenjeno območje raziskovanja celotnega območja je 1.208 kvadratnih kilometrov, z 39,38 % obdelovalne zemlje in 49,36 % pokritosti z gozdovi. Po drugi strani pa je območje, uporabljeno v tej študiji, približno 889,8 kvadratnih kilometrov. V Ostravi in ​​okolici sta jeklarska industrija in kovinarske tovarne zelo dejavni. Kovinarne, jeklarska industrija, kjer se nikelj uporablja v nerjavnih jeklih (npr. za odpornost proti atmosferski koroziji) in legiranih jeklih (nikelj povečuje trdnost zlitine ob ohranjanju njene dobre duktilnosti in žilavosti) in intenzivno kmetijstvo, kot sta uporaba fosfatnih gnojil in živinoreja, sta raziskovalna potencialna vira niklja v regiji (npr. dodajanje niklja jagnjetom za povečanje stopnje rasti jagnjet in slabo hranjenega goveda). Druge industrijske uporabe niklja na raziskovalnih področjih vključujejo njegovo uporabo pri galvanizaciji, vključno z galvanizacijo niklja in neelektriziranega niklja Lastnosti tal je zlahka razločiti glede na barvo tal, strukturo in vsebnost karbonata. Tekstura tal je srednje do fina, izhaja iz matičnega materiala. Po naravi so koluvialne, aluvialne ali eolske. Nekatera območja tal so lisasta na površini in podtalju, pogosto z betonom in beljenjem. Vendar so kambisoli in stagnosoli najpogostejši tipi tal v regiji48. nadmorske višine od 455,1 do 493,5 m, na Češkem prevladujejo kambisoli49.
Zemljevid študijskega območja [Zemljevid študijskega območja je bil ustvarjen z ArcGIS Desktop (ESRI, Inc, različica 10.7, URL: https://desktop.arcgis.com).]
Skupaj 115 vzorcev zgornje plasti tal je bilo pridobljenih iz mestnih in periurbanih tal v okrožju Frydek Mistek. Uporabljen vzorec vzorcev je bila pravilna mreža z vzorci tal, razporejenimi 2 × 2 km narazen, zgornja plast zemlje pa je bila izmerjena na globini od 0 do 20 cm z uporabo ročne naprave GPS (Leica Zeno 5 GPS). Vzorci so zapakirani v vrečke Ziploc, pravilno označeni in poslani v laboratorij. Vzorec smo posušili na zraku, da smo proizvedli zdrobljene vzorce, zdrobljene z mehanskim sistemom (mlin s ploščami Fritsch) in presejane (velikost sita 2 mm). Postavite 1 gram posušenih, homogeniziranih in presejanih vzorcev prsti v jasno označene teflonske steklenice. V vsako teflonsko posodo odmerite 7 ml 35 % HCl in 3 ml 65 % HNO3 (z avtomatskim razpršilnikom – eno za vsako kislino), pokrijte narahlo in pustite vzorce stati čez noč za reakcijo (program aqua regia). Supernatant postavite na vročo kovinsko ploščo (temperatura: 100 W in 160 °C) za 2 uri, da olajšate prebavo vzorcev, nato ohladite. Supernatant prenesite v 50 ml merilno bučko in razredčite do 50 ml z deionizirano vodo. Nato razredčeni supernatant filtrirajte v 5 0 ml PVC epruveta z deionizirano vodo. Poleg tega je bil 1 ml raztopine za redčenje razredčen z 9 ml deionizirane vode in filtriran v 12 ml epruveto, pripravljeno za psevdokoncentracijo PTE. Koncentracije PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) so bile določene z ICP-OES (Inductively Coupled Plasma Optical Emission Spectro). scopy) (Thermo Fisher Scientific, ZDA) v skladu s standardnimi metodami in dogovorom. Zagotovite postopke zagotavljanja in nadzora kakovosti (QA/QC) (SRM NIST 2711a Montana II Tla). PTE z mejami zaznavnosti pod polovico so bili izključeni iz te študije. Meja zaznavnosti PTE, uporabljene v tej študiji, je bila 0,0004. (vi). Poleg tega nadzor kakovosti in postopek zagotavljanja kakovosti za vsako analizo zagotavlja analni yzing referenčnih standardov. Da bi zagotovili zmanjšanje napak, je bila izvedena dvojna analiza.
Empirično Bayesovo interpolacijo (EBK) je ena izmed mnogih geostatističnih interpolacijskih tehnik, ki se uporabljajo pri modeliranju na različnih področjih, kot je znanost o tleh. Za razliko od drugih interpolacijskih tehnik kriginga se EBK razlikuje od tradicionalnih metod kriginga z upoštevanjem napake, ocenjene z modelom semivariograma. Pri interpolaciji EBK se med interpolacijo izračuna več modelov semivariogramov in ne en sam semivariogram. Tehnike interpolacije naredijo prostor za negotovost in programiranje, povezano s tem izrisom semivariograma, ki predstavlja zelo kompleksen del zadostne metode kriginga. Postopek interpolacije EBK sledi trem merilom, ki jih je predlagal Krivoruchko50, (a) model oceni semivariogram iz vhodnega nabora podatkov (b) nova predvidena vrednost za vsako lokacijo vhodnega nabora podatkov na podlagi ustvarjenega semivariograma in (c) končni model A se izračuna iz simuliranega nabora podatkov. Pravilo Bayesove enačbe je podano kot posterior
Kjer \(Prob\left(A\desno)\) predstavlja prednost, se \(Prob\left(B\desno)\) mejna verjetnost v večini primerov zanemarja, \(Prob (B,A)\ ). Izračun semivariograma temelji na Bayesovem pravilu, ki prikazuje nagnjenost naborov podatkov opazovanja, ki jih je mogoče ustvariti iz semivariogramov. Vrednost semivariograma se nato določi z Bayesovim pravilom, ki navaja kako verjetno je ustvariti nabor podatkov opazovanj iz semivariograma.
Stroj za podporne vektorje je algoritem strojnega učenja, ki ustvari optimalno ločilno hiperravnino za razlikovanje enakih, vendar ne linearno neodvisnih razredov. Vapnik51 je ustvaril algoritem za klasifikacijo namena, vendar se je pred kratkim uporabljal za reševanje problemov, usmerjenih v regresijo. Po mnenju Li et al.52 je SVM ena najboljših tehnik klasifikatorja in je bila uporabljena na različnih področjih. Regresijska komponenta SVM (Support Vector Machine Regression – SVMR) je bil uporabljen v tej analizi. Cherkassky in ​​Mulier53 sta uvedla SVMR kot regresijo na osnovi jedra, katere izračun je bil izveden z uporabo linearnega regresijskega modela s prostorskimi funkcijami več držav. John et al54 poročajo, da modeliranje SVMR uporablja hiperravninsko linearno regresijo, ki ustvarja nelinearne odnose in omogoča prostorske funkcije. Po Vohlandu et al.55, epsilon (ε)-SVMR uporablja naučen nabor podatkov za pridobitev predstavitvenega modela kot na epsilon neobčutljive funkcije, ki se uporablja za neodvisno preslikavo podatkov z najboljšim epsilon pristranskostjo iz usposabljanja na koreliranih podatkih. Prednastavljena napaka razdalje je prezrta iz dejanske vrednosti in če je napaka večja od ε(ε), jo lastnosti tal kompenzirajo. Model tudi zmanjša kompleksnost podatkov o usposabljanju na širšo podmnožico podporni vektorji. Spodaj je prikazana enačba, ki jo je predlagal Vapnik51.
kjer b predstavlja skalarni prag, \(K\levo({x}_{,}{ x}_{k}\desno)\) predstavlja funkcijo jedra, \(\alpha\) predstavlja Lagrangeov množitelj, N predstavlja numerični nabor podatkov, \({x}_{k}\) predstavlja vnos podatkov in \(y\) je izhod podatkov. Eno od ključnih uporabljenih jeder je operacija SVMR, ki je Gaussov radial osnovna funkcija (RBF). Jedro RBF se uporablja za določitev optimalnega modela SVMR, ki je ključnega pomena za pridobitev najbolj subtilnega faktorja C kazenskega niza in parametra jedra gama (γ) za podatke o usposabljanju PTE. Najprej smo ovrednotili niz za usposabljanje in nato preizkusili delovanje modela na nizu za validacijo. Uporabljeni krmilni parameter je sigma, vrednost metode pa svmRadial.
Model večkratne linearne regresije (MLR) je regresijski model, ki predstavlja razmerje med odzivno spremenljivko in številnimi napovedovalnimi spremenljivkami z uporabo linearnih združenih parametrov, izračunanih z metodo najmanjših kvadratov. V MLR je model najmanjših kvadratov napovedna funkcija lastnosti tal po izbiri razlagalnih spremenljivk. Za vzpostavitev linearne povezave z uporabo pojasnjevalnih spremenljivk je treba uporabiti odgovor. PTE je bil uporabljen kot odzivna spremenljivka za vzpostavitev črte ar odnos z razlagalnimi spremenljivkami.Enačba MLR je
kjer je y spremenljivka odziva, \(a\) je presek, n ​​je število napovedovalcev, \({b}_{1}\) je delna regresija koeficientov, \({x}_{ i}\) predstavlja napovedovalno ali razlagalno spremenljivko in \({\varepsilon }_{i}\) predstavlja napako v modelu, znano tudi kot ostanek.
Mešani modeli so bili pridobljeni s sendvičom EBK s SVMR in MLR. To se naredi z ekstrakcijo predvidenih vrednosti iz interpolacije EBK. Predvidene vrednosti, dobljene iz interpoliranih Ca, K in Mg, so pridobljene s kombinatornim postopkom za pridobitev novih spremenljivk, kot so CaK, CaMg in KMg. Elemente Ca, K in Mg nato združimo, da dobimo četrto spremenljivko, CaKMg. Na splošno je dobljene spremenljivke so Ca, K, Mg, CaK, CaMg, KMg in CaKMg. Te spremenljivke so postale naši napovedovalci, ki so pomagali napovedati koncentracije niklja v mestnih in periurbanih tleh. Algoritem SVMR je bil izveden na napovedovalcih, da bi dobili mešani model empiričnega Bayesovega kriging-podpornega vektorskega stroja (EBK_SVM). Podobno se spremenljivke prenašajo tudi skozi algoritem MLR, da dobimo mešani model empirične Bayesove kriging-multiple linearne regresije (EBK_MLR). Običajno se spremenljivke Ca, K, Mg, CaK, CaMg, KMg in CaKMg uporabljajo kot sospremenljivke kot napovedovalci vsebnosti Ni v mestnih in periurbanih tleh. Najbolj sprejemljiv dobljeni model (EBK_SVM ali EBK_MLR) bo nato vizualiziran z uporabo samoorganizirajočega se grafa. Delovni tok te študije je prikazano na sliki 2.
Uporaba SeOM je postala priljubljeno orodje za organiziranje, ocenjevanje in napovedovanje podatkov v finančnem sektorju, zdravstvu, industriji, statistiki, znanosti o prsti in več. SeOM je ustvarjen z uporabo umetnih nevronskih mrež in nenadzorovanih učnih metod za organizacijo, vrednotenje in napovedovanje. V tej študiji je bil SeOM uporabljen za vizualizacijo koncentracij Ni na podlagi najboljšega modela za napovedovanje Ni v mestnih in primestnih tleh. Podatki, obdelani v vrednotenju SeOM, se uporabljajo kot vhodni podatki. -dimenzionalne vektorske spremenljivke43,56.Melssen et al.57 opisujejo povezavo vhodnega vektorja v nevronsko mrežo prek ene same vhodne plasti do izhodnega vektorja z enim utežnim vektorjem. Izhod, ki ga ustvari SeOM, je dvodimenzionalni zemljevid, sestavljen iz različnih nevronov ali vozlišč, vtkanih v heksagonalne, krožne ali kvadratne topološke zemljevide glede na njihovo bližino. Če primerjamo velikosti zemljevidov na podlagi metrike, kvantizacijske napake (QE) in topografske napake (TE), model SeOM z Izbrano je 0,086 oziroma 0,904, kar je enota 55 zemljevidov (5 × 11). Struktura nevrona je določena glede na število vozlišč v empirični enačbi
Število podatkov, uporabljenih v tej študiji, je 115 vzorcev. Naključni pristop je bil uporabljen za razdelitev podatkov na testne podatke (25 % za validacijo) in nabore podatkov za usposabljanje (75 % za umerjanje). Nabor podatkov za usposabljanje se uporablja za ustvarjanje regresijskega modela (kalibracija), nabor podatkov za testiranje pa se uporablja za preverjanje zmožnosti posploševanja58. To je bilo narejeno za oceno primernosti različnih modelov za napovedovanje vsebnosti niklja v tleh. Vsi uporabljeni modeli šel skozi postopek desetkratne navzkrižne validacije, ponovljen petkrat. Spremenljivke, proizvedene z interpolacijo EBK, se uporabljajo kot napovedovalci ali pojasnjevalne spremenljivke za napovedovanje ciljne spremenljivke (PTE). Modeliranje se izvaja v RStudiu z uporabo paketov knjižnica (Kohonen), knjižnica (caret), knjižnica (modelr), knjižnica (»e1071«), knjižnica (»plyr«), knjižnica (»caTools«), knjižnica (»prospectr« ) in knjižnice (»Metrike«).
Za določitev najboljšega modela, primernega za napovedovanje koncentracij niklja v tleh, in za ovrednotenje natančnosti modela in njegove validacije so bili uporabljeni različni validacijski parametri. Hibridizacijski modeli so bili ovrednoteni z uporabo srednje absolutne napake (MAE), korenske srednje kvadratne napake (RMSE) in R-kvadrata ali določitve koeficienta (R2). R2 določa varianco deležev v odgovoru, ki ga predstavlja regresijski model. RMSE in magnituda variance v neodvisnih merah opisuje napovedno moč modela, medtem ko MAE določa dejansko kvantitativno vrednost. Vrednost R2 mora biti visoka, da se oceni najboljši model zmesi z uporabo parametrov validacije, bližje kot je vrednost 1, večja je natančnost. Po Li et al.59 se vrednost merila R2 0,75 ali več šteje za dober napovednik;od 0,5 do 0,75 je sprejemljiva zmogljivost modela, pod 0,5 pa je nesprejemljiva zmogljivost modela. Pri izbiri modela z uporabo metod vrednotenja kriterijev validacije RMSE in MAE so bile dobljene nižje vrednosti zadostne in so veljale za najboljšo izbiro. Naslednja enačba opisuje metodo preverjanja.
kjer n predstavlja velikost opazovane vrednosti\({Y}_{i}\) predstavlja izmerjeni odziv in \({\widehat{Y}}_{i}\) predstavlja tudi predvideno vrednost odziva, torej za prvih i opazovanj.
Statistični opisi spremenljivk napovednika in odziva so predstavljeni v tabeli 1, ki prikazuje povprečje, standardni odklon (SD), koeficient variacije (CV), minimum, maksimum, kurtosis in asimetrijo. Najmanjše in največje vrednosti elementov so v padajočem vrstnem redu Mg < Ca < K < Ni oziroma Ca < Mg < K < Ni. Koncentracije spremenljivke odziva (Ni), vzorčene s študijskega območja, so bile od 4,86 ​​do 42,39 mg/kg. Primerjava Ni s svetovnim povprečjem (29 mg/kg) in evropskim povprečjem (37 mg/kg) je pokazala, da je bila skupna izračunana geometrična sredina za študijsko območje v sprejemljivem območju. Kljub temu, kot je pokazala Kabata-Pendias11, primerjava povprečne koncentracije niklja (Ni) v trenutni študiji s kmetijskimi tlemi na Švedskem kaže, da je trenutna povprečna koncentracija niklja višja. Podobno je povprečna koncentracija Frydek Mistek v mestnih in periurbanih tleh v trenutni študiji (Ni 16,15 mg/kg) je bil višji od dovoljene meje 60 (10,2 mg/kg) za Ni v poljskih mestnih tleh, o katerih so poročali Różański et al. Poleg tega sta Bretzel in Calderisi61 zabeležila zelo nizke srednje koncentracije Ni (1,78 mg/kg) v mestnih tleh v Toskani v primerjavi s trenutno študijo. Tudi Jim62 ugotovili nižjo koncentracijo niklja (12,34 mg/kg) v mestnih tleh Hongkonga, kar je nižje od trenutne koncentracije niklja v tej študiji. Birke et al63 so poročali o povprečni koncentraciji Ni 17,6 mg/kg v starem rudarskem in mestnem industrijskem območju v Saški-Anhalt v Nemčiji, kar je bilo 1,45 mg/kg višje od povprečne koncentracije Ni na tem območju (16,15 mg/kg). Trenutna raziskava. Prekomerna vsebnost niklja v tleh v nekaterih mestnih in primestnih območjih študijskega območja je mogoče pripisati predvsem industriji železa in jekla ter kovinski industriji. To je skladno s študijo Khodadousta et al.64, da sta jeklarska industrija in obdelava kovin glavna vira onesnaženja tal z nikljem. Vendar pa so bili tudi napovedovalci v razponu od 538,70 mg/kg do 69.161,80 mg/kg za Ca, 497,51 mg/kg do 3535,68 mg/kg za K in 685,68 mg/kg do 5970,05 mg/kg za Mg. Jakovljevic et. al.65 raziskali skupno vsebnost Mg in K v tleh v osrednji Srbiji. Ugotovili so, da so bile skupne koncentracije (410 mg/kg oziroma 400 mg/kg) nižje od koncentracij Mg in K v trenutni študiji. Nerazločno, v vzhodni Poljski sta Orzechowski in Smolczynski66 ocenila skupno vsebnost Ca, Mg in K in pokazala povprečne koncentracije Ca (1100 mg/kg), Mg (59 0 mg/kg) in K (810 mg/kg) Vsebnost v zgornji plasti tal je nižja kot pri posameznem elementu v tej študiji. Nedavna študija Pongrac et al.67 je pokazala, da skupna vsebnost Ca, analizirana v 3 različnih tleh na Škotskem v Združenem kraljestvu (tla Mylnefield, tla Balruddery in tla Hartwood), kaže višjo vsebnost Ca v tej študiji.
Zaradi različnih izmerjenih koncentracij vzorčenih elementov imajo porazdelitve nabora podatkov elementov različno asimetrijo. Asimetrija in ekskurzija elementov sta bila v razponu od 1,53 do 7,24 oziroma od 2,49 do 54,16. Vsi izračunani elementi imajo ravni asimetrije in ekskurzije nad +1, kar kaže, da je porazdelitev podatkov nepravilna, nagnjena v pravo smer in z vrhom. Ocenjeni CV-ji elementov tudi kažejo, da K, Mg in Ni kažejo zmerno variabilnost, medtem ko ima Ca izjemno visoko variabilnost. CV-ji K, Ni in Mg pojasnjujejo njihovo enakomerno porazdelitev. Poleg tega je porazdelitev Ca neenakomerna in zunanji viri lahko vplivajo na njegovo obogatitev.
Korelacija napovedovalnih spremenljivk z elementi odziva je pokazala zadovoljivo korelacijo med elementi (glej sliko 3). Korelacija je pokazala, da je CaK pokazal zmerno korelacijo z vrednostjo r = 0,53, tako kot CaNi. Čeprav Ca in K kažeta skromno povezavo med seboj, so raziskovalci, kot so Kingston et al.68 in Santo69 nakazujeta, da so njihove ravni v tleh obratno sorazmerne. Vendar sta Ca in Mg antagonistična s K, vendar CaK dobro korelira. To je lahko posledica uporabe gnojil, kot je kalijev karbonat, ki vsebuje 56 % več kalija. Kalij je bil zmerno povezan z magnezijem (KM r = 0,63). V industriji gnojil sta ta dva elementa tesno povezana, ker kalijev magnezijev sulfat, kalijev magnezijev nitrat in pepelika se uporabljajo za povečanje njihove ravni pomanjkanja. Nikelj je zmerno povezan s Ca, K in Mg z vrednostmi r = 0,52, 0,63 oziroma 0,55. Razmerja, ki vključujejo kalcij, magnezij in PTE, kot je nikelj, so zapletena, vendar kljub temu magnezij zavira kalcij ab sorpcijo, kalcij zmanjša učinke presežka magnezija, tako magnezij kot kalcij zmanjšata toksične učinke niklja v tleh.
Korelacijska matrika za elemente, ki prikazuje razmerje med napovedovalci in odzivi (Opomba: ta slika vključuje razpršeni diagram med elementi, ravni pomembnosti temeljijo na p < 0,001).
Slika 4 ponazarja prostorsko porazdelitev elementov. Po Burgosu et al70 je uporaba prostorske porazdelitve tehnika, ki se uporablja za količinsko opredelitev in poudarjanje vročih točk na onesnaženih območjih. Stopnje obogatitve s Ca na sliki 4 so vidne v severozahodnem delu zemljevida prostorske porazdelitve. Slika prikazuje vroče točke zmerne do visoke obogatitve s Ca. Obogatitev s kalcijem na severozahodu karte je verjetno posledica uporabe živega apna (kalcijevega oksida) za zmanjšanje kislosti tal in njegove uporabe v jeklarnah kot alkalnega kisika v procesu izdelave jekla. Po drugi strani pa drugi kmetje raje uporabljajo kalcijev hidroksid v kislih tleh za nevtralizacijo pH, kar prav tako poveča vsebnost kalcija v tleh71. Kalij kaže tudi vroče točke na severozahodu in vzhodu zemljevida. Severozahod je glavna kmetijska skupnost in zmerno do visok vzorec kalija je lahko posledica uporabe NPK in pepelike. To je skladno z drugimi študijami, kot so Madaras in Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ki so opazili, da sta stabilizacija tal in obdelava s KCl in NPK povzročila visoko vsebnost K v tleh.Prostorska obogatitev s kalijem na severozahodnem delu zemljevida porazdelitve je lahko posledica uporabe gnojil na osnovi kalija, kot so kalijev klorid, kalijev sulfat, kalijev nitrat, pepelika in pepelika, za povečanje vsebnosti kalija v revnih tleh. Zádorová et al.76 in Tlustoš et al.77 je poudaril, da je uporaba gnojil na osnovi K povečala vsebnost K v tleh in bi dolgoročno znatno povečala vsebnost hranil v tleh, zlasti K in Mg, ki kažeta vroče točke v tleh. Relativno zmerne vroče točke na severozahodu zemljevida in jugovzhodu zemljevida. Koloidna fiksacija v tleh zmanjša koncentracijo magnezija v tleh. Njegovo pomanjkanje v tleh povzroči, da rastline pokažejo rumeno barvo. Gnojila na osnovi magnezija, kot so kalijev magnezijev sulfat, magnezijev sulfat in kieserite, zdravijo pomanjkljivosti (rastline so videti vijolične, rdeče ali rjave, kar kaže na pomanjkanje magnezija) v tleh z normalnim pH-razponom. v proizvodnji nerjavnega jekla78.
Prostorska porazdelitev elementov [karta prostorske porazdelitve je bila ustvarjena z ArcGIS Desktop (ESRI, Inc, različica 10.7, URL: https://desktop.arcgis.com).]
Rezultati indeksa učinkovitosti modela za elemente, uporabljene v tej študiji, so prikazani v tabeli 2. Po drugi strani sta RMSE in MAE za Ni blizu nič (0,86 RMSE, -0,08 MAE). Po drugi strani pa sta vrednosti RMSE in MAE za K sprejemljivi. Rezultati RMSE in MAE so bili večji za kalcij in magnezij. Rezultati Ca in K MAE in RMSE so večji zaradi različnih naborov podatkov. RMSE in MAE Ugotovljeno je bilo, da so E te študije z uporabo EBK za napoved Ni boljši od rezultatov Johna et al.54 z uporabo sinergističnega kriginga za napovedovanje koncentracij S v tleh z uporabo istih zbranih podatkov. Rezultati EBK, ki smo jih proučevali, so v korelaciji s tistimi Fabijaczyka et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 in John et al.82, zlasti K in Ni.
Učinkovitost posameznih metod za napovedovanje vsebnosti niklja v mestnih in periurbanih tleh je bila ovrednotena z uporabo modelov (tabela 3). Validacija modela in ocena točnosti sta potrdili, da je napovedovalec Ca_Mg_K v kombinaciji z modelom EBK SVMR dal najboljšo učinkovitost. Kalibracijski model Ca_Mg_K-EBK_SVMR model R2, povprečna kvadratna napaka (RMSE) in povprečna absolutna napaka (MAE) so bile 0 0,637 (R2), 95,479 mg/kg (RMSE) in 77,368 mg/kg (MAE) Ca_Mg_K-SVMR je bil 0,663 (R2), 235,974 mg/kg (RMSE) in 166,946 mg/kg (MAE). Kljub temu so bile dosežene dobre vrednosti R2 za Ca_Mg_K-SVMR (0,663 mg/kg R2) in Ca_Mg-EBK_SVMR (0,643 = R2);njihovi rezultati RMSE in MAE so bili višji od tistih za Ca_Mg_K-EBK_SVMR (R2 0,637) (glej tabelo 3). Poleg tega sta RMSE in MAE modela Ca_Mg-EBK_SVMR (RMSE = 1664,64 in MAE = 1031,49) 17,5 oziroma 13,4, kar je več kot pri Ca_Mg_K-EBK _SVMR. Podobno sta RMSE in MAE modela Ca_Mg-K SVMR (RMSE = 235,974 in MAE = 166,946) 2,5 oziroma 2,2 večja kot pri Ca_Mg_K-EBK_SVMR RMSE oziroma MAE. Izračunani rezultati RMSE kažejo, kako koncentriran je nabor podatkov z linijo najboljšega prileganja. Višja sta bila RSME in MAE opazili.Po Kebonye et al.46 in john et al.54, bližje kot sta RMSE in MAE ničli, boljši so rezultati. SVMR in EBK_SVMR imata višje kvantizirane vrednosti RSME in MAE. Ugotovljeno je bilo, da so bile ocene RSME dosledno višje od vrednosti MAE, kar kaže na prisotnost odstopanj. Po mnenju Legatesa in McCabea83 je obseg, v katerem RMSE presega povprečno absolutno napako (MAE), priporočen kot indikator prisotnosti zunaj To pomeni, da bolj ko je nabor podatkov heterogen, višje so vrednosti MAE in RMSE. Natančnost navzkrižne validacijske ocene mešanega modela Ca_Mg_K-EBK_SVMR za napovedovanje vsebnosti Ni v mestnih in primestnih tleh je bila 63,70 %. Po Li et al.59 je ta stopnja natančnosti sprejemljiva stopnja zmogljivosti modela. Trenutni rezultati so primerjani s prejšnjo študijo Tarasova et al.36, katerih hibridni model je ustvaril MLPRK (Multilayer Perceptron Residual Kriging), povezan z indeksom vrednotenja natančnosti EBK_SVMR, o katerem so poročali v trenutni študiji, sta bila RMSE (210) in MAE (167,5) višja od naših rezultatov v trenutni študiji (RMSE 95,479, MAE 77,368). Če pa primerjamo R2 trenutne študije (0,637) s tem Tarasov et al.36 (0,544) je jasno, da je koeficient determinacije (R2) višji v tem mešanem modelu. Meja napake (RMSE in MAE) (EBK SVMR) za mešani model je dvakrat nižja. Prav tako so Sergeev et al. 7 (R2). Stopnja natančnosti napovedi tega modela (EBK SVMR) je 63,7 %, medtem ko je natančnost napovedi, ki so jo pridobili Sergeev et al.34 je 28%. Končni zemljevid (slika 5), ​​ustvarjen z uporabo modela EBK_SVMR in Ca_Mg_K kot napovedovalca, prikazuje napovedi vročih točk in zmernega do niklja na celotnem območju študije. To pomeni, da je koncentracija niklja na območju študije večinoma zmerna, z višjimi koncentracijami na nekaterih specifičnih območjih.
Končna napovedna karta je predstavljena s hibridnim modelom EBK_SVMR in uporabo Ca_Mg_K kot napovedovalca.[Prostorska porazdelitvena karta je bila ustvarjena z uporabo RStudio (različica 1.4.1717: https://www.rstudio.com/).]
Na sliki 6 so koncentracije PTE predstavljene kot ravnina sestave, sestavljena iz posameznih nevronov. Nobena od ravnin komponent ni imela enakega barvnega vzorca, kot je prikazano. Vendar pa je ustrezno število nevronov na narisano karto 55. SeOM je proizveden z uporabo različnih barv in bolj kot so barvni vzorci podobni, bolj primerljive so lastnosti vzorcev. Glede na njihovo natančno barvno lestvico so posamezni elementi (Ca, K in Mg) pokazali podoben barvni vzorec s do posameznih visokih nevronov in večine nizkih nevronov. Tako imata CaK in CaMg nekaj podobnosti z nevroni zelo visokega reda in nizkimi do zmernimi barvnimi vzorci. Oba modela napovedujeta koncentracijo Ni v tleh s prikazovanjem srednjih do visokih barvnih odtenkov, kot so rdeča, oranžna in rumena. Model KMg prikazuje številne visoke barvne vzorce na podlagi natančnih razmerij in nizkih do srednjih barvnih zaplat. Na natančni barvni lestvici od nizke do visoke ravninski porazdelitveni vzorec komponente modela so pokazale visok barvni vzorec, ki označuje potencialno koncentracijo niklja v tleh (glej sliko 4). Ravnina komponent modela CakMg prikazuje raznolik barvni vzorec od nizke do visoke v skladu z natančno barvno lestvico. Poleg tega je modelska napoved vsebnosti niklja (CakMg) podobna prostorski porazdelitvi niklja, prikazani na sliki 5. Oba grafa prikazujeta visoke, srednje in nizke deleže koncentracij niklja v mestnem in perifernem okolju. prepovedana tla. Slika 7 prikazuje konturno metodo v skupini k-sredstev na zemljevidu, razdeljeno v tri grozde na podlagi predvidene vrednosti v vsakem modelu. Konturna metoda predstavlja optimalno število grozdov. Od 115 zbranih vzorcev tal je kategorija 1 pridobila največ vzorcev tal, 74. Grozd 2 je prejel 33 vzorcev, medtem ko je grozd 3 prejel 8 vzorcev. Kombinacija sedemkomponentnega planarnega napovedovalca je bila poenostavljeno, da se omogoči pravilna razlaga grozdov. Zaradi številnih antropogenih in naravnih procesov, ki vplivajo na nastanek tal, je težko imeti pravilno diferencirane vzorce grozdov v porazdeljeni karti SeOM78.
Izhod ravnine komponente vsake spremenljivke Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[Zemljevidi SeOM so bili ustvarjeni z uporabo RStudio (različica 1.4.1717: https://www.rstudio.com/).]
Različne komponente klasifikacije gruče [zemljevidi SeOM so bili ustvarjeni z uporabo RStudio (različica 1.4.1717: https://www.rstudio.com/).]
Trenutna študija jasno prikazuje tehnike modeliranja za koncentracije niklja v mestnih in periurbanih tleh. Študija je testirala različne tehnike modeliranja, ki združuje elemente s tehnikami modeliranja, da bi dobili najboljši način za napovedovanje koncentracij niklja v tleh. SeOM kompozicijske planarne prostorske značilnosti tehnike modeliranja so pokazale visok barvni vzorec od nizke do visoke na natančni barvni lestvici, kar kaže na koncentracije Ni v tleh. Vendar je zemljevid prostorske porazdelitve potrjuje planarno prostorsko porazdelitev komponent, prikazanih z EBK_SVMR (glej sliko 5). Rezultati kažejo, da strojni regresijski model podpornega vektorja (Ca Mg K-SVMR) napoveduje koncentracijo Ni v tleh kot en sam model, vendar parametri validacije in vrednotenja natančnosti kažejo zelo visoke napake v smislu RMSE in MAE. Po drugi strani pa je tehnika modeliranja, uporabljena z modelom EBK_MLR, prav tako pomanjkljiva zaradi nizke vrednosti koeficienta determinacije (R2). Dobri rezultati so bili doseženi z uporabo EBK SVMR in kombiniranih elementov (CaKMg) z nizkimi napakami RMSE in MAE z natančnostjo 63,7 %. Izkazalo se je, da lahko kombinacija algoritma EBK z algoritmom strojnega učenja ustvari hibridni algoritem, ki lahko napove koncentracijo PTE v tleh. Rezultati kažejo, da uporaba Ca Mg K kot napovednikov za napoved Ni koncentracije na območju študije lahko izboljšajo napovedovanje Ni v tleh. To pomeni, da stalna uporaba gnojil na osnovi niklja in industrijsko onesnaževanje tal s strani jeklarske industrije nagnjena k povečanju koncentracije niklja v tleh. Ta študija je pokazala, da lahko model EBK zmanjša stopnjo napake in izboljša natančnost modela prostorske porazdelitve tal v mestnih ali primestnih tleh. Na splošno predlagamo uporabo modela EBK-SVMR oceniti in napovedati PTE v tleh;poleg tega predlagamo uporabo EBK za hibridizacijo z različnimi algoritmi strojnega učenja. Koncentracije Ni so bile predvidene z uporabo elementov kot sospremenljivk;vendar bi uporaba več kovariatov močno izboljšala učinkovitost modela, kar se lahko šteje za omejitev trenutnega dela. Druga omejitev te študije je, da je število naborov podatkov 115. Če je torej na voljo več podatkov, je mogoče izboljšati učinkovitost predlagane metode optimizirane hibridizacije.
PlantProbs.net. Nikelj v rastlinah in tleh https://plantprobs.net/plant/nutrientImbalances/sodium.html (dostopano 28. aprila 2021).
Kasprzak, KS Nikelj napreduje v sodobni okoljski toksikologiji. surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nikelj: Pregled njegovih virov in okoljske toksikologije. Poljski J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Vnos onesnaževal iz ozračja in kopičenje v tleh in vegetaciji v bližini talilnice niklja in bakra v Sudburyju, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Težke kovine v tleh, rastlinah in tveganja, povezana s pašo prežvekovalcev v bližini rudnika bakra in niklja Selebi-Phikwe v Bocvani. Surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementi v sledovih v tleh in… – Google Učenjak https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Elementi v sledovih+in+soils+and+plants.+4th+ed.+New+York+%28NY%29 %3A+CRC+Press&btnG= (dostopano 24. novembra 2020).
Almås, A., Singh, B., Kmetijstvo, TS-NJ iz & 1995, nedefinirano. Učinki ruske industrije niklja na koncentracije težkih kovin v kmetijskih tleh in travah v Soer-Varangerju, Norveška.agris.fao.org.
Nielsen, GD et al. Absorpcija in zadrževanje niklja v pitni vodi sta povezana z vnosom hrane in občutljivostjo na nikelj.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​​NM;Analiza trendov potencialno strupenih elementov: bibliometrični pregled. Okoljska geokemija in zdravje. Springer Science & Business Media BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digitalno kartiranje tal: Kratka zgodovina in nekaj lekcij. Geoderma 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. O digitalnem kartiranju tal. 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= (Ac prenehalo veljati 28. aprila 2021).