Faleminderit që vizituat Nature.com. Versioni i shfletuesit që po përdorni ka mbështetje të kufizuar për CSS. Për përvojën më të mirë, ju rekomandojmë të përdorni një shfletues të përditësuar (ose të çaktivizoni modalitetin e përputhshmërisë në Internet Explorer). Ndërkohë, për të siguruar mbështetje të vazhdueshme, ne do ta shfaqim sajtin pa stile dhe JavaScript.
Ndotja e tokës është një problem i madh i shkaktuar nga aktivitetet njerëzore. Shpërndarja hapësinore e elementeve potencialisht toksike (PTE) ndryshon në shumicën e zonave urbane dhe peri-urbane. Prandaj, është e vështirë të parashikohet hapësinor përmbajtja e PTE në toka të tilla. Gjithsej 115 mostra u morën nga Frydek Mistek në Republikën Çeke. përqendrimet u përcaktuan duke përdorur spektrometrinë e emetimit të plazmës të çiftëzuar në mënyrë induktive. Variabla e përgjigjes është Ni dhe parashikuesit janë Ca, Mg dhe K. Matrica e korrelacionit midis variablës së përgjigjes dhe variablit parashikues tregon një korrelacion të kënaqshëm midis elementeve. Rezultatet e parashikimit treguan se Regresioni i Makinerisë Mbështetëse. kg) dhe gabimi mesatar absolut (MAE) (166.946 mg/kg) ishin më të larta se metodat e tjera të aplikuara. Modelet e përziera për regresionin empirik Bayesian Kriging-Multiple Linear (EBK-MLR) performojnë dobët, siç dëshmohet nga koeficientët e përcaktimit më të vogël se 0.1. Modeli Empirical Regression-KSupER. modeli më i mirë, me vlera të ulëta RMSE (95,479 mg/kg) dhe MAE (77,368 mg/kg) dhe koeficient të lartë të përcaktimit (R2 = 0,637). Rezultati i teknikës së modelimit EBK-SVMR vizualizohet duke përdorur një hartë vetë-organizuese. Neuronet e grupuara në rrafshin e shumëfishtë të ngjyrave modelBK-MgR e modelit të komponentit Ca-Mg-R. s në tokat urbane dhe peri-urbane. Rezultatet tregojnë se kombinimi i EBK dhe SVMR është një teknikë efektive për parashikimin e përqendrimeve të Ni në tokat urbane dhe peri-urbane.
Nikeli (Ni) konsiderohet si një mikroushqyes për bimët, sepse kontribuon në fiksimin atmosferik të azotit (N) dhe metabolizmin e uresë, të cilat të dyja janë të nevojshme për mbirjen e farës. Përveç kontributit të tij në mbirjen e farës, Ni mund të veprojë si një frenues kërpudhash dhe bakteriale dhe të nxisë zhvillimin e bimëve. Për shembull, mungesa e nikelit në tokë, lejon që bima të thithë gjethet e gjelbra. aplikimi i plehrave me bazë nikel për të optimizuar fiksimin e azotit2. Zbatimi i vazhdueshëm i plehrave me bazë nikelit për të pasuruar tokën dhe për të rritur aftësinë e bishtajoreve për të fiksuar azotin në tokë.Edhe pse nikeli është një mikronutrient për bimët mund të dëmtojë më shumë se sa toksik në masë të madhe tokën. pH i tokës dhe pengon thithjen e hekurit si një lëndë ushqyese thelbësore për rritjen e bimëve1. Sipas Liu3, Ni është gjetur të jetë elementi i 17-të i rëndësishëm i nevojshëm për zhvillimin dhe rritjen e bimëve. Përveç rolit të nikelit në zhvillimin dhe rritjen e bimëve, njerëzit kanë nevojë për të për një sërë aplikimesh. Elektrplimi, prodhimi i industrisë me bazë nikelin dhe pajisjet me bazë nikelin e të gjitha pajisjeve alloyact. përdorimi i nikelit në sektorë të ndryshëm industrialë. Për më tepër, lidhjet me bazë nikel dhe artikujt e pluar me elektronikë janë përdorur gjerësisht në enë gatimi, aksesorë sallash ballore, furnizime të industrisë ushqimore, elektrike, tela dhe kabllo, turbina reaktiv, implante kirurgjikale, tekstile dhe ndërtim anijesh5. Nivelet e pasura me Ni i janë atribuar si burimi i tokës, por sipërfaqësore në tokë (p.sh. burim natyror dhe jo antropogjen4,6. Burimet natyrore të nikelit përfshijnë shpërthimet vullkanike, vegjetacionin, zjarret në pyje dhe proceset gjeologjike;megjithatë, burimet antropogjene përfshijnë bateritë e nikelit/kadmiumit në industrinë e çelikut, pllakëzimin, saldimin me hark, naftën dhe vajrat e karburantit, dhe emetimet atmosferike nga djegia e qymyrit dhe mbetjet dhe djegia e llumit Akumulimi i nikelit7,8. Sipas Freedman dhe Hutchinsonet9 dhe.10, burimet kryesore të ndotjes së shtresës së sipërme të tokës në mjedisin e afërt dhe të afërt janë kryesisht shkritoret dhe minierat me bazë nikelin. Toka e sipërme rreth rafinerisë nikel-bakër Sudbury në Kanada kishte nivelet më të larta të ndotjes së nikelit në 26,000 mg/kg në Rusi. Sipas Alms et al.12, sasia e nikelit të nxjerrë nga HNO3 në tokën e punueshme më të lartë të rajonit (prodhimi i nikelit në Rusi) varionte nga 6.25 në 136.88 mg/kg, që korrespondon me një mesatare prej 30.43 mg/kg dhe një përqendrim bazë prej 25 mg/kg. tokat gjatë sezoneve të njëpasnjëshme mund të injektojnë ose kontaminojnë tokën. Efektet e mundshme të nikelit te njerëzit mund të çojnë në kancer nëpërmjet mutagjenezës, dëmtimit kromozomal, gjenerimit të Z-ADN-së, riparimit të bllokuar të ekscizionit të ADN-së ose proceseve epigjenetike13.Në eksperimentet me kafshë, nikeli është gjetur të ketë potencialin të shkaktojë një sërë tumoresh të ndërlikuara nga kanceri dhe kancerogjene.
Vlerësimet e ndotjes së tokës kanë lulëzuar në kohët e fundit për shkak të një game të gjerë të çështjeve të lidhura me shëndetin që vijnë nga marrëdhëniet e bimëve të tokës, marrëdhëniet biologjike të tokës dhe tokës, degradimi ekologjik, dhe vlerësimi i ndikimit mjedisor.Të data, parashikimi hapësinor i tokës së potencialisht të tokës (PTE-të), siç është Ni në tokë ka qenë i mundimshëm dhe i tepërt duke përdorur metodat tradicionale. . Në varësi të Minasny dhe McBratney16, Hartimi parashikues i tokës (DSM) ka dëshmuar të jetë një nëndisipline e spikatur e shkencës së tokës.lagachecherie dhe McBratney, 2006 përcaktojnë DSM si "krijimin dhe mbushjen e sistemeve hapësinore të informacionit të tokës përmes përdorimit të metodave të vëzhgimit në vend dhe laborator dhe laboratorit dhe metodave hapësinore dhe jo-kohore të konferencave të tokës".17 nënvizojnë se DSM ose PSM bashkëkohore është teknika më efektive për parashikimin ose hartimin e shpërndarjes hapësinore të PTE-ve, llojeve të tokës dhe vetive të tokës. Gjeostatistikat dhe Algoritmet e Mësimit të Makinerisë (MLA) janë teknika modelimi DSM që krijojnë harta të dixhitalizuara me ndihmën e kompjuterëve duke përdorur të dhëna të rëndësishme dhe minimale.
Deutsch18 dhe Olea19 e përkufizojnë gjeostatistikën si "mbledhje e teknikave numerike që merren me paraqitjen e atributeve hapësinore, kryesisht duke përdorur modele stokastike, si për shembull se si analiza e serive kohore karakterizon të dhënat kohore".Kryesisht, gjeostatistika përfshin vlerësimin e variogrameve, të cilat lejojnë Kuantifikimin dhe përcaktimin e varësive të vlerave hapësinore nga çdo grup të dhënash20.Gumiaux et al.20 më tej ilustrojnë se vlerësimi i variogrameve në gjeostatistikë bazohet në tre parime, duke përfshirë (a) llogaritjen e shkallës së korrelacionit të të dhënave, (b) identifikimin dhe llogaritjen e anizotropisë në pabarazinë e të dhënave dhe (c) Përveç marrjes në konsideratë të gabimit të qenësishëm të matjes, shumë efekte ndërtimi të zonave të matjes janë të ndara edhe në këto efekte të vlerësimit lokal. gjeostatistikat, duke përfshirë kriging të përgjithshëm, ko-kriging, kriging të zakonshëm, kriging empirik Bayesian, metodën e thjeshtë kriging dhe teknika të tjera të njohura të interpolimit për të hartuar ose parashikuar PTE, karakteristikat e tokës dhe llojet e tokës.
Algoritmet e Mësimit të Makinerisë (MLA) janë një teknikë relativisht e re që përdor klasa më të mëdha të të dhënave jo-lineare, të nxitura nga algoritme të përdorura kryesisht për nxjerrjen e të dhënave, identifikimin e modeleve në të dhëna dhe aplikuar në mënyrë të përsëritur për klasifikimin në fusha shkencore si shkenca e tokës dhe detyrat e kthimit. Punime të shumta kërkimore mbështeten në modele MLA në modelet e tokës për të parashikuar PTE.22 (pyjet e rastësishme për vlerësimin e metaleve të rënda në tokat bujqësore), Sakizadeh et al.23 (modelimi duke përdorur makina me vektor mbështetës dhe rrjete nervore artificiale) ndotja e tokës ).Përveç kësaj, Vega et al.24 (SHORT për modelimin e mbajtjes dhe adsorbimit të metaleve të rënda në tokë) Sun et al.25 (aplikimi i kubistit është shpërndarja e Cd-së në tokë) dhe algoritme të tjera si k-fqinjja më e afërt, regresioni i përgjithësuar i rritur dhe regresioni i rritur Pemët gjithashtu aplikuan MLA për të parashikuar PTE në tokë.
Zbatimi i algoritmeve DSM në parashikim ose hartografi përballet me disa sfida. Shumë autorë besojnë se MLA është superiore ndaj gjeostatistikës dhe anasjelltas. Edhe pse njëri është më i mirë se tjetri, kombinimi i të dyjave përmirëson nivelin e saktësisë së hartës ose parashikimit në DSM15.Woodcock dhe Gopal26 Finke27;Pontius dhe Cheuk28 dhe Grunwald29 komentojnë mangësitë dhe disa gabime në hartën e parashikuar të tokës. Shkencëtarët e tokës kanë provuar një sërë teknikash për të optimizuar efektivitetin, saktësinë dhe parashikueshmërinë e hartës dhe parashikimit të DSM. Kombinimi i pasigurisë dhe verifikimit është një nga shumë aspekte të ndryshme që zvogëlohet dhe optimizohet gjithnjë e më shumë efektiviteti.15 përvijojnë se sjellja e vërtetimit dhe pasiguria e paraqitur nga krijimi dhe parashikimi i hartës duhet të vërtetohen në mënyrë të pavarur për të përmirësuar cilësinë e hartës. Kufizimet e DSM janë për shkak të cilësisë së tokës së shpërndarë gjeografikisht, e cila përfshin një komponent të pasigurisë;sidoqoftë, mungesa e sigurisë në DSM mund të lindë nga burime të shumta gabimi, përkatësisht gabimi kovariativ, gabimi i modelit, gabimi i vendndodhjes dhe gabimi analitik 31. Pasaktësitë e modelimit të shkaktuara në MLA dhe proceset gjeostatistikore shoqërohen me mungesën e të kuptuarit, që në fund çon në mbithjeshtëzim të natyrës së paqartë të procesit të modelit. parametrat, parashikimet e modeleve matematikore ose interpolimi33. Kohët e fundit, një prirje e re DSM është shfaqur që promovon integrimin e gjeostatistikës dhe MLA në hartimin dhe parashikimin. Disa shkencëtarë dhe autorë të tokës, si Sergeev et al.34;Subbotina etj.35;Tarasov etj.36 dhe Tarasov et al.37 kanë shfrytëzuar cilësinë e saktë të gjeostatistikës dhe mësimin e makinerive për të gjeneruar modele hibride që përmirësojnë efikasitetin e parashikimit dhe hartës.Cilësia. Disa nga këto modele algoritmesh hibride ose të kombinuara janë Kriging e Rrjetit Neural Artificial (ANN-RK), Kriging e Mbetur me Perceptron Shumëیshtresor (MLP-RK), Kriging e Mbetur i Rrjetit Neural të Regresionit të Përgjithësuar (GR- NNRK)36, Rrjeti Neural Artificial Kriging-Perceptron me shumë shtresa (ANN-Perceptron me shumë shtresa (ANN-Progression)3-K- dhe Co-MLP
Sipas Sergeev et al., kombinimi i teknikave të ndryshme të modelimit ka potencialin për të eliminuar defektet dhe për të rritur efikasitetin e modelit hibrid që rezulton në vend që të zhvillojë modelin e tij të vetëm. Në këtë kontekst, ky punim i ri argumenton se është e nevojshme të zbatohet një algoritëm i kombinuar i gjeostatistikës dhe MLA për të krijuar modele hibride optimale në zonat urbane të ripërgatitura dhe Niperiur. (EBK) si model bazë dhe përziejeni atë me modelet e Makinerisë Vektoriale Mbështetëse (SVM) dhe Regresionit të Shumëfishtë Linear (MLR). Hibridizimi i EBK me asnjë MLA nuk njihet. Modelet e shumëfishta të përziera që shihen janë kombinime të krigingut të zakonshëm, të mbetur, regresionit dhe MLA. fushë e rastësishme aksionare/stacionare me parametra të përcaktuar lokalizimi në terren, duke lejuar variacionin hapësinor39. EBK është përdorur në një sërë studimesh, duke përfshirë analizimin e shpërndarjes së karbonit organik në tokat e fermave40, vlerësimin e ndotjes së tokës41 dhe hartimin e vetive të tokës42.
Nga ana tjetër, Grafiku Vetë-Organizues (SeOM) është një algoritëm mësimor që është aplikuar në artikuj të ndryshëm si Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 dhe Kebonye et al.46 Përcaktoni atributet hapësinore dhe grupimin e elementeve.Wang et al.44 përvijojnë se SeOM është një teknikë e fuqishme mësimore e njohur për aftësinë e saj për të grupuar dhe imagjinuar probleme jolineare. Ndryshe nga teknikat e tjera të njohjes së modeleve si analiza e komponentëve kryesorë, grupimi fuzzy, grupimi hierarkik dhe vendimmarrja me shumë kritere, SeOM është më i mirë në organizimin dhe identifikimin e modeleve PTE. Sipas Wang.44, SeOM mund të grupojë në mënyrë hapësinore shpërndarjen e neuroneve të lidhura dhe të sigurojë vizualizim të të dhënave me rezolucion të lartë.SeOM do të vizualizojë të dhënat e parashikimit Ni për të marrë modelin më të mirë për të karakterizuar rezultatet për interpretim të drejtpërdrejtë.
Ky punim synon të gjenerojë një model të fuqishëm hartash me saktësi optimale për parashikimin e përmbajtjes së nikelit në tokat urbane dhe peri-urbane. Ne hipotezojmë se besueshmëria e modelit të përzier varet kryesisht nga ndikimi i modeleve të tjera të bashkangjitura me modelin bazë. Ne pranojmë sfidat me të cilat përballet DSM, dhe ndërsa këto sfida janë duke u adresuar në modele të shumëfishta. al;prandaj, ne do të përpiqemi t'u përgjigjemi pyetjeve kërkimore që mund të japin modele të përziera. Megjithatë, sa i saktë është modeli në parashikimin e elementit të synuar? Gjithashtu, cili është niveli i vlerësimit të efikasitetit bazuar në vlerësimin e vlefshmërisë dhe saktësisë? Prandaj, qëllimet specifike të këtij studimi ishin që (a) të krijonte një model përzierjeje të kombinuar për SVMR ose MLR, duke përdorur modelin më të mirë (bK) si bazë të modelit. Përqendrimet e Ni në tokat urbane ose peri-urbane, dhe (d) aplikimi i SeOM për të krijuar një hartë me rezolucion të lartë të variacionit hapësinor të nikelit.
Studimi po kryhet në Republikën Çeke, konkretisht në rrethin Frydek Mistek në rajonin Moravia-Silezian (shih Figurën 1). Gjeografia e zonës së studimit është shumë e thyer dhe është kryesisht pjesë e rajonit Moravia-Silezian Beskidy, i cili është pjesë e skajit të jashtëm të maleve Karpate. Zona e studimit ndodhet midis 40°20 ′ 40°20 ′ 4 , dhe lartësia është ndërmjet 225 dhe 327 m;megjithatë, sistemi i klasifikimit Koppen për gjendjen klimatike të rajonit vlerësohet si Cfb = klimë e butë oqeanike. Ka shumë reshje edhe në muajt e thatë. Temperaturat ndryshojnë pak gjatë gjithë vitit midis -5 °C dhe 24 °C, rrallë bien nën -14 °C ose mbi 6 mm5 reshje mesatare vjetore. e të gjithë sipërfaqes është 1208 kilometra katrorë, me 39,38% të tokës së kultivuar dhe 49,36% të mbulimit pyjor. Nga ana tjetër, sipërfaqja e përdorur në këtë studim është rreth 889,8 kilometra katrorë. Në dhe rreth Ostravës, industria e çelikut dhe punimet e metaleve janë shumë aktive. Mullinjtë metalikë, industria e çelikut (mos për çelikun e pandryshkshëm në çelik përdoret nikeli). nikeli rrit forcën e aliazhit duke ruajtur duktilitetin dhe qëndrueshmërinë e tij të mirë), dhe bujqësia intensive si aplikimi i plehrave të fosfatit dhe prodhimi blegtoral janë burime potenciale kërkimore të nikelit në rajon (p.sh., shtimi i nikelit te qengjat për të rritur normat e rritjes në qengjat dhe gjedhët me ushqim të ulët). Proceset e tingullit. Vetitë e tokës dallohen lehtësisht nga ngjyra e tokës, struktura dhe përmbajtja e karbonateve. Struktura e tokës është mesatare në të imët, rrjedh nga materiali mëmë. Ato kanë natyrë koluviale, aluviale ose eoliane. Disa zona toke duken lara-lara në sipërfaqe dhe nëntokë, shpesh me beton dhe zbardhues. Megjithatë, llojet më të zakonshme në rajone cambisol janë të përhapura në rajon. 455,1 deri në 493,5 m, kambisolët dominojnë në Republikën Çeke49.
Harta e zonës së studimit [Harta e zonës së studimit u krijua duke përdorur ArcGIS Desktop (ESRI, Inc, versioni 10.7, URL: https://desktop.arcgis.com).]
Gjithsej 115 mostra të sipërfaqes së tokës u morën nga tokat urbane dhe peri-urbane në rrethin Frydek Mistek. Modeli i mostrës së përdorur ishte një rrjetë e rregullt me kampione dheu të vendosura 2 × 2 km larg njëra-tjetrës dhe dheu u mat në një thellësi prej 0 deri në 20 cm duke përdorur një pajisje GPS të mbajtur me dorë (Leica Zenoploles e vendosur në qese në GPSS, e vendosur në thes dhe në GPSS). y. Mostrat u thanë në ajër për të prodhuar mostra të pluhurosura, u pluhurosën me një sistem mekanik (mulli me disqe Fritsch) dhe u sitën (madhësia e sitës 2 mm). Vendosni 1 gram kampionë dheu të tharë, të homogjenizuar dhe të situr në shishe teflon të etiketuara qartë. Në çdo enë Teflon 6% HCl dhe 35% HCl, shpërndani automatikisht 35% ml NO. dispenzer – një për çdo acid), mbulojeni lehtë dhe lërini kampionët të qëndrojnë gjatë natës për reagimin (programi aqua regia). Vendoseni supernatantin në një pjatë metalike të nxehtë (temperatura: 100 W dhe 160 °C) për 2 orë për të lehtësuar procesin e tretjes së mostrave, më pas ftohuni. Transferoni filtrin e supernatantit me vëllim të zmadhuar ml dhe me ujë të zmadhuar 50 °C. supernatanti i holluar në një tub PVC 50 ml me ujë të dejonizuar. Për më tepër, 1 ml tretësirë e hollimit u hollua me 9 ml ujë të dejonizuar dhe u filtua në një tub 12 ml të përgatitur për pseudokoncentrim PTE. Spectroskopia e emetimeve optike të plazmës së ngritur) (Thermo Fisher Scientific, USA) sipas metodave dhe marrëveshjes standarde. Sigurimi i procedurave të Sigurimit dhe Kontrollit të Cilësisë (QA/QC) (SRM NIST 2711a Montana II Soil). PTE-të me kufij zbulimi nën gjysmën u përjashtuan nga ky studim. Përveç kësaj, kufiri i zbulimit PTE i përdorur në këtë studim ishte i00. Procesi i sigurimit të cilësisë për çdo analizë sigurohet duke analizuar standardet e referencës. Për t'u siguruar që gabimet ishin minimizuar, u krye një analizë e dyfishtë.
Kriging Empirik Bayesian (EBK) është një nga shumë teknikat e interpolimit gjeostatistikor të përdorura në modelim në fusha të ndryshme si shkenca e tokës. Ndryshe nga teknikat e tjera të interpolimit kriging, EBK ndryshon nga metodat tradicionale të krigingut duke marrë parasysh gabimin e vlerësuar nga modeli semivariogram. Teknikat e veprimit i hapin rrugë pasigurisë dhe programimit të lidhur me këtë grafikim të semivariogramit që përbën një pjesë shumë komplekse të një metode të mjaftueshme të krigingit. Procesi i interpolimit të EBK ndjek tre kriteret e propozuara nga Krivoruchko50, (a) modeli vlerëson gjysmëvariogramin nga të dhënat hyrëse (b) vlera e re e parashikuar në të dhënat e të dhënave A dhe vlera e parashikuar e sevarit për çdo grup të dhënash. një grup të dhënash të simuluar. Rregulli i ekuacionit Bayesian jepet si i pasëm
Aty ku \(Prob\left(A\right)\) përfaqëson probabilitetin e mëparshëm, \(Prob\left(B\right)\) probabiliteti margjinal injorohet në shumicën e rasteve, \(Prob (B,A)\ ) .Llogaritja e gjysmëvariogramit bazohet në rregullin e Bayes-it, i cili tregon prirjen e grupeve të të dhënave të vëzhgimit sevarmi. , i cili thotë se sa e mundshme është krijimi i një grupi të dhënash vëzhgimesh nga semivariogrami.
Një makinë vektori mbështetëse është një algoritëm i mësimit të makinerisë që gjeneron një hiperplan ndarës optimal për të dalluar klasat identike, por jo linearisht të pavarura.Vapnik51 krijoi algoritmin e klasifikimit të qëllimit, por kohët e fundit është përdorur për të zgjidhur problemet e orientuara nga regresioni. Sipas Li et al.52, SVM është një nga teknikat më të mira të klasifikimit S në fusha të ndryshme të regresionit. Regresioni – SVMR) u përdor në këtë analizë. Cherkassky dhe Mulier53 filluan SVMR-në si një regresion të bazuar në kernel, llogaritja e të cilit u krye duke përdorur një model regresioni linear me funksione hapësinore me shumë vende. John et al54 raportojnë se modelimi SVMR përdor një funksion regresiv të linjës, të cilin një lidhje hiperplane nuk e bën regres. tek Vohland et al.55, epsilon (ε)-SVMR përdor grupin e të dhënave të trajnuar për të marrë një model përfaqësimi si një funksion të pandjeshëm ndaj epsilonit, i cili aplikohet për të hartuar të dhënat në mënyrë të pavarur me paragjykimin më të mirë të epsilonit nga trajnimi mbi të dhënat e ndërlidhura. Gabimi i distancës së paracaktuar shpërfillet nga vlera aktuale dhe nëse gabimi është më i madh se e(ε), zvogëlon edhe vetitë komplekse të modelit të trajnimit. vektorët mbështetës.Ekuacioni i propozuar nga Vapnik51 është paraqitur më poshtë.
ku b përfaqëson pragun skalar, \(K\left({x}_{,}{ x}_{k}\djathtas)\) përfaqëson funksionin e kernelit, \(\alpha\) përfaqëson shumëzuesin Lagrange, N përfaqëson një grup të dhënash numerike, \({x}_{k}\) përfaqëson grupin e të dhënave të përdorura, dhe M është operimi i cili është futja e \(y\ne). një funksion i bazës radiale Gaussian (RBF). Bërthama RBF zbatohet për të përcaktuar modelin optimal SVMR, i cili është kritik për të marrë faktorin C më delikat të grupit të ndëshkimeve dhe gama e parametrit të bërthamës (γ) për të dhënat e trajnimit PTE. Së pari, ne vlerësuam grupin e trajnimit dhe më pas testuam performancën e modelit në grupin e vlefshmërisë. Metoda e përdorur është steeralg parametër dhe steervma.
Një model i regresionit linear të shumëfishtë (MLR) është një model regresioni që përfaqëson marrëdhënien midis variablës së përgjigjes dhe një numri variablash parashikues duke përdorur parametra të bashkuar linearë të llogaritur duke përdorur metodën e katrorëve më të vegjël. Në MLR, një model i katrorëve më të vegjël është një funksion parashikues i vetive të tokës pas përzgjedhjes së variablave shpjegues. Është e nevojshme të vendoset një lidhje variabile duke përdorur linjën e përgjigjes për të vendosur një përgjigje variabile. marrëdhënie me variablat shpjegues.Ekuacioni MLR është
ku y është variabli i përgjigjes, \(a\) është ndërprerja, n është numri i parashikuesve, \({b}_{1}\) është regresioni i pjesshëm i koeficientëve, \({x}_{ i}\) përfaqëson një variabël parashikues ose shpjegues dhe \({\varepsilon }_{i}\) përfaqëson gjithashtu modelin, i njohur si reid.
Modelet e përziera u përftuan duke kombinuar EBK me SVMR dhe MLR. Kjo bëhet duke nxjerrë vlerat e parashikuara nga interpolimi EBK. Vlerat e parashikuara të marra nga interpolimi i Ca, K dhe Mg përftohen përmes një procesi kombinator për të marrë variabla të rinj, si CaK, Ca.Mg dhe Mg kombinohen katër elementet e Ca. KMg.Në përgjithësi, variablat e marra janë Ca, K, Mg, CaK, CaMg, KMg dhe CaKMg. Këto variabla u bënë parashikuesit tanë, duke ndihmuar në parashikimin e përqendrimeve të nikelit në tokat urbane dhe peri-urbane. Algoritmi SVMR u krye në parashikuesit për të marrë një model miks KriimiSportimi Empirical-M. s janë përcjellë gjithashtu përmes algoritmit MLR për të marrë një model të përzier Empirik Bayesian Kriging-Regresioni Linear i Shumëfishtë (EBK_MLR). Në mënyrë tipike, variablat Ca, K, Mg, CaK, CaMg, KMg dhe CaKMg përdoren si bashkëvariatë si parashikues të përmbajtjes më të pranueshme peri-Ni-Ban në dheBKV urbane. _MLR) më pas do të vizualizohet duke përdorur një grafik vetë-organizues. Rrjedha e punës e këtij studimi është paraqitur në Figurën 2.
Përdorimi i SeOM-it është bërë një mjet popullor për organizimin, vlerësimin dhe parashikimin e të dhënave në sektorin financiar, kujdesin shëndetësor, industrinë, statistikat, shkencën e tokës, etj. variablat vektoriale put-dimensionale43,56.Melssen et al.57 përshkruajnë lidhjen e një vektori hyrës në një rrjet nervor nëpërmjet një shtrese të vetme hyrëse me një vektor dalës me një vektor të vetëm peshe. Dalja e gjeneruar nga SeOM është një hartë dydimensionale e përbërë nga neurone ose nyje të ndryshme të endura në harta topologjike gjashtëkëndore, rrethore ose katrore sipas afërsisë së tyre. Krahasimi i madhësive të hartës (modeli eQE me error me lart) Përzgjidhen respektivisht 0,086 dhe 0,904, e cila është një njësi me 55 harta (5 × 11). Struktura e neuronit përcaktohet sipas numrit të nyjeve në ekuacionin empirik.
Numri i të dhënave të përdorura në këtë studim është 115 mostra. Një qasje e rastësishme është përdorur për të ndarë të dhënat në të dhëna testimi (25% për vërtetim) dhe grupe të të dhënave të trajnimit (75% për kalibrim). Të dhënat e trajnimit përdoren për të gjeneruar modelin e regresionit (kalibrimin) dhe grupi i të dhënave të testit është përdorur për të verifikuar aftësinë e përgjithësimit58. Kjo është bërë për të vlerësuar përshtatshmërinë e modeleve paraprake të modeleve të ndryshme të tokës. d procesi i verifikimit të kryqëzuar, i përsëritur pesë herë. Variablat e prodhuar nga interpolimi EBK përdoren si parashikues ose variabla shpjegues për të parashikuar variablin e synuar (PTE). Modelimi trajtohet në RStudio duke përdorur librarinë e paketave (Kohonen), library(caret), library(modelr), library("e1071"), libraryol"("e1071")" ”) dhe bibliotekat (“Metrika”).
Parametra të ndryshëm të vërtetimit u përdorën për të përcaktuar modelin më të mirë të përshtatshëm për parashikimin e përqendrimeve të nikelit në tokë dhe për të vlerësuar saktësinë e modelit dhe vërtetimin e tij. Modelet e hibridizimit u vlerësuan duke përdorur gabimin mesatar absolut (MAE), gabimin mesatar katror në rrënjë (RMSE) dhe përcaktimin R-katror ose koeficient (R2). në masat e pavarura përshkruajnë fuqinë parashikuese të modelit, ndërsa MAE përcakton vlerën sasiore aktuale.Vlera R2 duhet të jetë e lartë për të vlerësuar modelin më të mirë të përzierjes duke përdorur parametrat e vlefshmërisë, sa më afër të jetë vlera me 1, aq më e lartë është saktësia.Sipas Li et al.59, një vlerë e kriterit R2 prej 0.75 ose më e madhe konsiderohet një parashikues i mirë;nga 0.5 në 0.75 është performanca e pranueshme e modelit dhe nën 0.5 është performanca e papranueshme e modelit. Kur zgjidhni një model duke përdorur metodat e vlerësimit të kritereve të vërtetimit RMSE dhe MAE, vlerat më të ulëta të marra ishin të mjaftueshme dhe u konsideruan zgjidhja më e mirë. Ekuacioni i mëposhtëm përshkruan metodën e verifikimit.
ku n përfaqëson madhësinë e vlerës së vëzhguar\({Y}_{i}\) përfaqëson përgjigjen e matur, dhe \({\widehat{Y}}_{i}\) gjithashtu përfaqëson vlerën e parashikuar të përgjigjes, pra, për vëzhgimet e para i.
Përshkrimet statistikore të variablave parashikues dhe të përgjigjes janë paraqitur në Tabelën 1, duke treguar mesataren, devijimin standard (SD), koeficientin e variacionit (CV), minimumin, maksimumin, kurtozën dhe anshmërinë. Vlerat minimale dhe maksimale të elementeve janë në rend zbritës prej Mg < Ca < K < Ni dhe Ca < Mg < K
Korrelacioni i variablave parashikues me elementët e përgjigjes tregoi një korrelacion të kënaqshëm midis elementeve (shih Figurën 3). Korrelacioni tregoi se CaK shfaqi korrelacion të moderuar me vlerën r = 0.53, ashtu si edhe CaNi. Edhe pse Ca dhe K tregojnë lidhje modeste me njëri-tjetrin, studiues të tillë si Kingston shfaqin korrelacion të moderuar me vlerën r = 0.53.68 dhe Santo69 sugjerojnë që nivelet e tyre në tokë janë në përpjesëtim të zhdrejtë. Megjithatë, Ca dhe Mg janë antagoniste me K, por CaK korrelon mirë. Kjo mund të jetë për shkak të aplikimit të plehrave si karbonati i kaliumit, i cili është 56% më i lartë në kalium. dy elementë janë të lidhur ngushtë sepse sulfati i magnezit të kaliumit, nitrati i magnezit të kaliumit dhe potasi aplikohen në tokë për të rritur nivelet e mungesës së tyre. Nikeli është mesatarisht i ndërlidhur me Ca, K dhe Mg me vlera r = 0,52, 0,63 dhe 0,63 dhe 0,55, respektivisht, si relacionet komplekse të kaliumit dhe TE janë të ndërlikuara. , por megjithatë, magnezi pengon përthithjen e kalciumit, kalciumi redukton efektet e magnezit të tepërt dhe si magnezi ashtu edhe kalciumi zvogëlojnë efektet toksike të nikelit në tokë.
Matrica e korrelacionit për elementët që tregon marrëdhënien midis parashikuesve dhe përgjigjeve (Shënim: kjo shifër përfshin një grafik shpërndarjeje midis elementeve, nivelet e rëndësisë bazohen në p <0,001).
Figura 4 ilustron shpërndarjen hapësinore të elementeve. Sipas Burgos et al70, aplikimi i shpërndarjes hapësinore është një teknikë e përdorur për të përcaktuar sasinë dhe nënvizuar pikat e nxehta në zonat e ndotura. Nivelet e pasurimit të Ca në Fig. 4 mund të shihen në pjesën veriperëndimore të hartës së shpërndarjes hapësinore. Figura tregon pasurimin e nxehtësisë mesatare në veriperëndim. ka të ngjarë për shkak të përdorimit të gëlqeres së gjallë (oksid kalciumi) për të reduktuar aciditetin e tokës dhe përdorimin e tij në fabrikat e çelikut si oksigjen alkalik në procesin e prodhimit të çelikut. Nga ana tjetër, fermerë të tjerë preferojnë të përdorin hidroksid kalciumi në tokat acide për të neutralizuar pH, i cili gjithashtu rrit përmbajtjen e kalciumit të tokës71. Harta e kaliumit në veri dhe në veriperëndim tregon gjithashtu një zonë të nxehtë bujqësore në veri dhe në veriperëndim. Modeli i shkallës në të lartë të kaliumit mund të jetë për shkak të aplikimeve të NPK dhe potasës. Kjo është në përputhje me studime të tjera, si Madaras dhe Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, të cilët vunë re se stabilizimi i tokës dhe trajtimi me përmbajtje të lartë KCl dhe NPK rezultoi në përmbajtje të lartë të tokës.Pasurimi hapësinor me kalium në veriperëndim të hartës së shpërndarjes mund të jetë për shkak të përdorimit të plehrave me bazë kaliumi si kloruri i kaliumit, sulfati i kaliumit, nitrat kaliumi, potasi dhe potasi për të rritur përmbajtjen e kaliumit në tokat e varfra .Zádorov.76 dhe Tlustoš et al.77 nënvizoi se aplikimi i plehrave me bazë K rriti përmbajtjen e K në tokë dhe do të rriste ndjeshëm përmbajtjen e lëndëve ushqyese të tokës në afat të gjatë, veçanërisht K dhe Mg që tregojnë një pikë të nxehtë në tokë. Pikat e nxehta relativisht të moderuara në veriperëndim të hartës dhe në juglindje të hartës. Fiksimi koloidal në tokë shkakton mungesë të përqendrimit të tokës. në klorozë. Plehrat me bazë magnezi, të tilla si sulfati i magnezit të kaliumit, sulfati i magnezit dhe Kieseriti, trajtojnë mangësitë (bimët duken të purpurta, të kuqe ose kafe, që tregon mungesë magnezi) në tokat me një diapazon normal të pH6. tura dhe rëndësia e nikelit në prodhimin e inoksit78.
Shpërndarja hapësinore e elementeve [harta e shpërndarjes hapësinore u krijua duke përdorur ArcGIS Desktop (ESRI, Inc, Versioni 10.7, URL: https://desktop.arcgis.com).]
Rezultatet e indeksit të performancës së modelit për elementët e përdorur në këtë studim janë paraqitur në tabelën 2. Nga ana tjetër, RMSE dhe MAE e Ni janë të dyja afër zeros (0.86 RMSE, -0.08 MAE). Nga ana tjetër, të dyja vlerat RMSE dhe MAE të K janë të pranueshme. Rezultatet RMSE dhe MAE ishin më të mëdha për të dhënat e kalciumit dhe MAE. RMSE dhe MAE të këtij studimi duke përdorur EBK për të parashikuar Ni u gjetën të ishin më të mira se rezultatet e John et al.54 duke përdorur kriging sinergjik për të parashikuar përqendrimet e S në tokë duke përdorur të njëjtat të dhëna të mbledhura. Rezultatet EBK që studiuam lidhen me ato të Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 dhe John et al.82, veçanërisht K dhe Ni.
Performanca e metodave individuale për parashikimin e përmbajtjes së nikelit në tokat urbane dhe peri-urbane u vlerësua duke përdorur performancën e modeleve (Tabela 3). Vleresimi i modelit dhe vlerësimi i saktësisë konfirmoi se parashikuesi Ca_Mg_K i kombinuar me modelin EBK SVMR dha performancën më të mirë. Modeli i kalibrimit Ca_Mg_K-EBK MAE) ishin 0,637 (R2), 95,479 mg/kg (RMSE) dhe 77,368 mg/kg (MAE) Ca_Mg_K-SVMR ishte 0,663 (R2), 235,974 mg/kg (RMSE) dhe 166,946 mg/kg (RMSE) dhe 166,946 mg/kg e përftuar për RMA_Kg. SVMR (0,663 mg/kg R2) dhe Ca_Mg-EBK_SVMR (0,643 = R2);rezultatet e tyre RMSE dhe MAE ishin më të larta se ato për Ca_Mg_K-EBK_SVMR (R2 0.637) (shih Tabelën 3). Për më tepër, RMSE dhe MAE e Ca_Mg-EBK_SVMR (RMSE = 1664.64 dhe MAE = 1031.49 janë respektivisht më të mëdha se, 5 nga ato modele, të cilat janë më të mëdha se, 5). Ca_Mg_K-EBK_SVMR. Po kështu, RMSE dhe MAE e modelit Ca_Mg-K SVMR (RMSE = 235,974 dhe MAE = 166,946) janë 2,5 dhe 2,2 më të mëdha se ato të grupit Ca_Mg_K-EBK_SVM. është me linjën e përshtatshmërisë më të mirë.Janë vërejtur RSME dhe MAE më të larta.Sipas Kebonye et al.46 dhe John et al.54, sa më afër zeros të jenë RMSE dhe MAE, aq më të mira janë rezultatet. SVMR dhe EBK_SVMR kanë vlera më të larta të kuantizuara RSME dhe MAE. U vu re se vlerësimet RSME ishin vazhdimisht më të larta se vlerat MAE, duke treguar praninë e vlerave të jashtme. Sipas shkallës së jashtme, e cila është shkalla absolute e Legates dhe McMAE. rekomandohet si tregues i prezencës së periferive.Kjo do të thotë se sa më heterogjen të jetë grupi i të dhënave, aq më të larta janë vlerat MAE dhe RMSE. Saktësia e vlerësimit të kryqëzimit të modelit të përzier Ca_Mg_K-EBK_SVMR për parashikimin e përmbajtjes së Ni në tokat urbane dhe periferike ishte 63.70%.Sipas Li %.59, ky nivel saktësie është një normë e pranueshme e performancës së modelit. Rezultatet aktuale krahasohen me një studim të mëparshëm nga Tarasov et al.36 modeli hibrid i të cilit krijoi MLPRK (Multilayer Perceptron Residual Kriging), i lidhur me indeksin e vlerësimit të saktësisë EBK_SVMR të raportuar në studimin aktual, RMSE (210) dhe MAE (167.5) ishte më i lartë se rezultatet tona në studimin aktual (RMSE 95.479, MAE 95.479, MAE 77, kur krahasohet me 77). me atë të Tarasov et al.36 (0.544), është e qartë se koeficienti i përcaktimit (R2) është më i lartë në këtë model të përzier. Marzhi i gabimit (RMSE dhe MAE) (EBK SVMR) për modelin e përzier është dy herë më i ulët. Po kështu, Sergeev et al.34 regjistruan 0.28 (R2) për modelin e zhvilluar të krijimtarisë (Ni riprodhuar në studim) 0.637 (R2). Niveli i saktësisë së parashikimit të këtij modeli (EBK SVMR) është 63.7%, ndërsa saktësia e parashikimit të marrë nga Sergeev et al.34 është 28%.Harta përfundimtare (Fig. 5) e krijuar duke përdorur modelin EBK_SVMR dhe Ca_Mg_K si parashikues tregon parashikime të pikave të nxehta dhe mesatare deri në nikel në të gjithë zonën e studimit. Kjo do të thotë se përqendrimi i nikelit në zonën e studimit është kryesisht i moderuar, me përqendrime më të larta në disa zona specifike.
Harta përfundimtare e parashikimit është paraqitur duke përdorur modelin hibrid EBK_SVMR dhe duke përdorur Ca_Mg_K si parashikues.[Harta e shpërndarjes hapësinore është krijuar duke përdorur RStudio (versioni 1.4.1717: https://www.rstudio.com/).]
Të paraqitura në figurën 6 janë përqendrimet e PTE si një plan kompozimi i përbërë nga neurone individuale. Asnjë nga rrafshët përbërës nuk shfaqi të njëjtin model ngjyrash siç tregohet. Megjithatë, numri i duhur i neuroneve për hartë të vizatuar është 55.SeOM prodhohet duke përdorur një larmi ngjyrash dhe sa më të ngjashme të jenë modelet e ngjyrave, aq më të krahasueshme janë vetitë e shkallës së ngjyrave të kordonit dhe elementet e tyre të saktë Ac (Ac). modelet e neuroneve të vetme të larta dhe shumicës së neuroneve të ulëta. Kështu, CaK dhe CaMg ndajnë disa ngjashmëri me neuronet e rendit shumë të lartë dhe modelet e ngjyrave të ulëta deri në mesatare. Të dy modelet parashikojnë përqendrimin e Ni në tokë duke shfaqur nuanca mesatare deri në të larta të ngjyrave si e kuqja, portokallia dhe e verdha. Modeli KMg shfaq shumë modele precize me ngjyra të larta dhe me ngjyra të shkallës së ulët në bazë të meje. modeli i shpërndarjes së komponentëve të modelit tregoi një model të lartë ngjyrash që tregon përqendrimin e mundshëm të nikelit në tokë (shih Figurën 4). Plani përbërës i modelit CakMg tregon një model ngjyrash të larmishme nga e ulëta në e lartë sipas një shkalle të saktë ngjyrash. Për më tepër, parashikimi i modelit për përmbajtjen e nikelit (CakMg) është i ngjashëm me proporcionin hapësinor të treguar Fig. përqendrimet e nikelit në tokat urbane dhe peri-urbane. Figura 7 përshkruan metodën e konturit në grupimin k-means në hartë, të ndarë në tre grupime bazuar në vlerën e parashikuar në secilin model. Metoda e konturit përfaqëson numrin optimal të grupimeve. Nga 115 mostrat e grumbulluara, kategoria 1 mori 2 mostrat e tokës. s. Kombinimi i parashikuesit planar me shtatë komponentë u thjeshtua për të lejuar interpretimin e saktë të grupimeve. Për shkak të proceseve të shumta antropogjene dhe natyrore që ndikojnë në formimin e tokës, është e vështirë të ketë modele të diferencuara të grupimeve në një hartë të shpërndarë SeOM78.
Dalja e planit të komponentit nga çdo ndryshore Empirike Bayesian Kriging Support Vector Vector (EBK_SVM_SeOM).[Hartat SeOM u krijuan duke përdorur RStudio (versioni 1.4.1717: https://www.rstudio.com/).]
Komponentë të ndryshëm të klasifikimit të grupimeve [hartat SeOM u krijuan duke përdorur RStudio (versioni 1.4.1717: https://www.rstudio.com/).]
Studimi aktual ilustron qartë teknikat e modelimit për përqendrimet e nikelit në tokat urbane dhe peri-urbane. Studimi testoi teknika të ndryshme modelimi, duke kombinuar elementët me teknikat e modelimit, për të marrë mënyrën më të mirë për të parashikuar përqendrimin e nikelit në tokë. Tiparet hapësinore planare kompozicionale të SeOM-it të teknikës së modelimit shfaqi një model të lartë të shpërndarjes së ngjyrave në shkallë të ulët dhe të lartë. harta konfirmon shpërndarjen hapësinore planare të komponentëve të ekspozuar nga EBK_SVMR (shih Figurën 5). Rezultatet tregojnë se modeli i regresionit të makinës vektoriale mbështetëse (Ca Mg K-SVMR) parashikon përqendrimin e Ni në tokë si një model të vetëm, por parametrat e vlerësimit të vlefshmërisë dhe saktësisë tregojnë gabime shumë të larta të modelit MAKORM në terma të modelit MAKORM. modeli është gjithashtu i mangët për shkak të vlerës së ulët të koeficientit të përcaktimit (R2). Rezultate të mira janë marrë duke përdorur EBK SVMR dhe elemente të kombinuara (CaKMg) me gabime të ulëta RMSE dhe MAE me një saktësi prej 63.7%. Rezulton se kombinimi i algoritmit EBK mund të gjenerojë algoritmin e algoritmit të algoritmit të algoritmit të një algoritmi të mësimit të makinës. rezultatet tregojnë se përdorimi i Ca Mg K si parashikues për të parashikuar përqendrimet e Ni në zonën e studimit mund të përmirësojë parashikimin e Ni në tokë. Kjo do të thotë se aplikimi i vazhdueshëm i plehrave me bazë nikel dhe ndotja industriale e tokës nga industria e çelikut ka një tendencë për të rritur përqendrimin e nikelit në tokë. Ky studim zbuloi se modeli EBK mund të përmirësojë modelin e saktësisë urbane ose të saktësisë së tokës. Në përgjithësi, ne propozojmë të aplikojmë modelin EBK-SVMR për të vlerësuar dhe parashikuar PTE në tokë;përveç kësaj, ne propozojmë të përdorim EBK për të hibridizuar me algoritme të ndryshme të mësimit të makinerive.megjithatë, përdorimi i më shumë varianteve do të përmirësonte shumë performancën e modelit, gjë që mund të konsiderohet si një kufizim i punës aktuale. Një kufizim tjetër i këtij studimi është se numri i grupeve të të dhënave është 115. Prandaj, nëse jepen më shumë të dhëna, mund të përmirësohet performanca e metodës së propozuar të hibridizimit të optimizuar.
PlantProbs.net.Nikeli në bimë dhe tokë https://plantprobs.net/plant/nutrientImbalances/sodium.html (Qasur më 28 Prill 2021).
Kasprzak, KS Nikel përparon në toksikologjinë moderne mjedisore.rrethinat.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Një përmbledhje e burimeve të saj dhe toksikologjisë mjedisore. Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Të dhëna ndotëse nga atmosfera dhe akumulimi në tokë dhe bimësi pranë një shkritoreje nikel-bakri në Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metalet e rënda në tokë, bimët dhe rreziqet që lidhen me ripërtypësit që kullosin pranë minierës së bakrit-nikelit Selebi-Phikwe në Botswana.rrethina.Geochemistry.Health https://doi.org/10.1007/s10653-0281-009).
Cabata-Pendias.Kabata-Pendias A. 2011. Elementet gjurmë në tokë dhe… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+andY+orts NY%29%3A+CRC+Press&btnG= (Qasur më 24 nëntor 2020).
Almås, A., Singh, B., Agriculture, TS-NJ e & 1995, e papërcaktuar.
Nielsen, GD et al. Absorbimi dhe mbajtja e nikelit në ujin e pijshëm janë të lidhura me marrjen e ushqimit dhe ndjeshmërinë ndaj nikelit.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Karcinogjeneza e nikelit, mutacioni, epigjenetika ose përzgjedhja.rrethina. Perspektiva e shëndetit.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Analiza e trendit të elementeve potencialisht toksike: një përmbledhje bibliometrike. Gjeokimia dhe shëndeti i mjedisit.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. Në hartën dixhitale të tokës.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Modelimi Gjeostatistik i Rezervuarit,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C ndërprerë më 28 prill 2021).
Koha e postimit: 22 korrik 2022