Хвала вам што сте посетили Натуре.цом. Верзија претраживача коју користите има ограничену подршку за ЦСС. За најбоље искуство препоручујемо да користите ажурирани прегледач (или искључите режим компатибилности у Интернет Екплорер-у). У међувремену, да бисмо обезбедили сталну подршку, приказаћемо сајт без стилова и ЈаваСцрипт-а.
Загађење земљишта је велики проблем изазван људским активностима. Просторна дистрибуција потенцијално токсичних елемената (ПТЕ) варира у већини урбаних и периурбаних подручја. Због тога је тешко просторно предвидети садржај ПТЕ у таквим земљиштима. Укупно 115 узорака је добијено од Фридек Мистек у Чешкој. индуктивно спрегнута емисиона спектрометрија плазме. Варијабла одговора је Ни, а предиктори су Ца, Мг и К. Матрица корелације између варијабле одговора и варијабле предиктора показује задовољавајућу корелацију између елемената. Резултати предвиђања су показали да је регресија машине подршке вектору (СВМР) имала добар учинак, иако је њена средња квадратна грешка (процењена средња вредност од 3 мг5 кг СЕ9) (166,946 мг/кг) били су већи од осталих примењених метода. Мешовити модели за емпиријску Бајесову Кригинг-вишеструку линеарну регресију (ЕБК-МЛР) имају лош учинак, о чему сведоче коефицијенти детерминације мањи од 0,1. и МАЕ (77,368 мг/кг) вредности и висок коефицијент детерминације (Р2 = 0,637). Излаз технике моделирања ЕБК-СВМР се визуелизује коришћењем самоорганизујуће мапе. Кластеризовани неурони у равни хибридног модела ЦакМг-ЕБК-СВМР компонента показују вишеструке шаре боја које показују урбану концентрацију и пери- СВК концентрацију. је ефикасна техника за предвиђање концентрације Ни у урбаним и приградским земљиштима.
Никл (Ни) се сматра микронутријентом за биљке јер доприноси фиксацији атмосферског азота (Н) и метаболизму уреје, а оба су потребна за клијање семена. Поред доприноса клијању семена, Ни може деловати као гљивични и бактеријски инхибитор и подстицати развој биљака. Недостатак никла у земљишту, а резултат је и омогућава биљци да апсорбује хлор као пример. примена ђубрива на бази никла за оптимизацију фиксације азота2. Континуирана примена ђубрива на бази никла за обогаћивање земљишта и повећање способности махунарки да фиксирају азот у земљишту континуирано повећава концентрацију никла у земљишту. Иако је никл микронутријент за биљке, његова прекомерна штетност може донети више штетности за биљке него што је токсичан. смањује пХ у земљишту и омета уношење гвожђа као есенцијалног хранљивог материја за раст биљака1.Према Лиу3, Ни је утврђено да је 17. важан елемент потребан за развој и раст биљака.Поред улоге никла у развоју и расту биљака, људима је потребан за разне примене.Галванизација, производња свих уређаја у производњи и производњи никла и никл-базираних утикача захтевају производњу свих уређаја на бази никла. употреба никла у различитим индустријским секторима. Поред тога, легуре на бази никла и галванизовани производи су нашироко коришћени у кухињском посуђу, прибору за плесне дворане, материјалима за прехрамбену индустрију, електричним, жичаним и кабловским, млазним турбинама, хируршким имплантатима, текстилу и бродоградњи5. Нивои богати никлом у земљишту (тј. су углавном природни извори, али су површински извори и земљиште пре свега) антропогени4,6.Природни извори никла укључују вулканске ерупције, вегетацију, шумске пожаре и геолошке процесе;међутим, антропогени извори укључују никл/кадмијум батерије у индустрији челика, галванизацију, електролучно заваривање, дизел и лож уља, и атмосферске емисије из сагоревања угља и спаљивања отпада и муља Акумулација никла7,8.Према Фреедману и Хутцхинсону и др.9 и многима.10, главни извори загађења горњег слоја тла у непосредној и суседној околини су углавном топионице и рудници на бази никла-бакара. Горњи слој земље око рафинерије никл-бакара у Садберију у Канади имао је највећи ниво контаминације никлом од 26.000 мг/кг11. Насупрот томе, производња никла у Русији11 је резултирала већом концентрацијом никла у Русији1. .Према Алмс ет ал.12, количина никла који се може екстраховати ХНО3 у највећим обрадивим површинама у региону (производња никла у Русији) кретала се од 6,25 до 136,88 мг/кг, што одговара просечној концентрацији од 30,43 мг/кг и основној концентрацији од 25 мг/кг. Према кабата 11. током узастопних сезона усева може да унесе или контаминира земљиште. Потенцијални ефекти никла код људи могу довести до рака кроз мутагенезу, хромозомско оштећење, генерисање З-ДНК, блокирану поправку ексцизије ДНК или епигенетске процесе.
Процене контаминације земљишта су цветале у последње време због широког спектра здравствених проблема који проистичу из односа између земљишта и биљака, биолошких односа земљишта и земљишта, еколошке деградације и процене утицаја на животну средину. До данас је просторно предвиђање потенцијално токсичних елемената (ПТЕ) као што је Ни у тлу било напорно и дуготрајно коришћењем традиционалних метода, тако да је дуготрајно коришћење дигиталних метода15ма. су у великој мери побољшали предиктивно мапирање земљишта (ПСМ). Према Минаснију и МцБратнеију16, предиктивно мапирање земљишта (ДСМ) се показало као истакнута поддисциплина науке о тлу. Лагацхерие и МцБратнеи, 2006. дефинишу ДСМ као „стварање и попуњавање просторних информационих система и метода рада на земљишним информацијама и методама које се не односе на посматрање земљишта у бањама. системи закључивања тла”.МцБратнеи ет ал.17 истиче да је савремени ДСМ или ПСМ најефикаснија техника за предвиђање или мапирање просторне дистрибуције ПТЕ, типова земљишта и својстава земљишта. Геостатистика и алгоритми машинског учења (МЛА) су технике ДСМ моделирања које креирају дигитализоване карте уз помоћ рачунара користећи значајне и минималне податке.
Деутсцх18 и Олеа19 дефинишу геостатистику као „збирку нумеричких техника које се баве представљањем просторних атрибута, углавном користећи стохастичке моделе, као што је како анализа временских серија карактерише временске податке.Пре свега, геостатистика укључује евалуацију вариограма, који омогућавају квантификацију и дефинисање зависности просторних вредности из сваког скупа података20.Гумиаук ет ал.20 даље илуструју да је процена вариограма у геостатистици заснована на три принципа, укључујући (а) израчунавање скале корелације података, (б) идентификацију и израчунавање анизотропије у диспаритету скупова података и (ц) поред узимања у обзир инхерентне грешке података мерења одвојених од локалног концепта, ови ефекти се такође користе у области геостатских ефеката, ови ефекти се такође користе у геостатистичким техникама. с, укључујући општи кригинг, ко-кригинг, обични кригинг, емпиријски Бајесов кригинг, једноставну методу кригинга и друге добро познате технике интерполације за мапирање или предвиђање ПТЕ, карактеристике тла и типове земљишта.
Алгоритми машинског учења (МЛА) су релативно нова техника која користи веће нелинеарне класе података, подстакнуте алгоритмима који се првенствено користе за рударење података, идентификацију образаца у подацима и више пута примењене на класификацију у научним областима као што су наука о тлу и задаци повратка.22 (случајне шуме за процену тешких метала у пољопривредним земљиштима), Сакизадех ет ал.23 (моделирање коришћењем машина за векторе подршке и вештачких неуронских мрежа) загађење земљишта ).Поред тога, Вега ет ал.24 (ЦАРТ за моделирање задржавања и адсорпције тешких метала у земљишту) Сун ет ал.25 (примена кубиста је расподела Цд у земљишту) и други алгоритми као што су к-најближи сусед, генерализована појачана регресија и појачана регресија. Дрвеће је такође применило МЛА за предвиђање ПТЕ у земљишту.
Примена ДСМ алгоритама у предвиђању или мапирању суочава се са неколико изазова. Многи аутори верују да је МЛА супериорнија од геостатистике и обрнуто. Иако је један бољи од другог, комбинација ова два побољшава ниво тачности мапирања или предвиђања у ДСМ15. Воодцоцк и Гопал26 Финке27;Понтиус и Цхеук28 и Грунвалд29 коментаришу недостатке и неке грешке у предвиђеном мапирању тла. Научници тла су испробали различите технике да оптимизују ефикасност, тачност и предвидљивост ДСМ мапирања и предвиђања. Комбинација неизвесности и верификације је један од многих различитих аспеката ДСМ-а и смањења ефективних аспеката, интегрисаних у оптимизацију.15 наглашавају да понашање валидације и несигурност уведене креирањем карте и предвиђањем треба да буду независно валидирани да би се побољшао квалитет карте. Ограничења ДСМ-а су последица географски распршеног квалитета земљишта, што укључује компоненту неизвесности;међутим, недостатак сигурности у ДСМ-у може произаћи из више извора грешака, а то су грешка коваријације, грешка модела, грешка локације и аналитичка грешка 31. Непрецизности моделирања изазване МЛА и геостатистичким процесима су повезане са недостатком разумевања, што на крају доводи до превеликог поједностављивања стварног процеса32. Ал модел предвиђања или интерполација33. Недавно се појавио нови ДСМ тренд који промовише интеграцију геостатистике и МЛА у мапирању и предвиђању. Неколико научника и аутора тла, као што су Сергеев ет ал.34;Субботина и др.35;Тарасов и др.36 и Тарасов и др.37 су искористили тачан квалитет геостатистике и машинског учења за генерисање хибридних модела који побољшавају ефикасност предвиђања и мапирања.квалитет. Неки од ових хибридних или комбинованих модела алгоритама су Кригинг вештачке неуронске мреже (АНН-РК), вишеслојни перцептрон резидуални кригинг (МЛП-РК), генерализовани регресиони резидуални кригинг неуронске мреже (ГР-ННРК)36, Кригинг вештачке неуронске мреже-вишеслојни процес перцептрона (АНН-РК) и Регресијски процес перцептрона-АНН387 .
Према Сергејеву и сарадницима, комбиновање различитих техника моделирања има потенцијал да елиминише недостатке и повећа ефикасност резултујућег хибридног модела уместо да развија његов јединствени модел. У овом контексту, овај нови рад тврди да је неопходно применити комбиновани алгоритам геостатистике и МЛА да би се креирали оптимални хибридни модели за предвиђање да ће Кригинг Ни-урбано проучити урбано обогаћивање залива Кригинга и Ни-урбанског залива. основни модел и помешати га са машином за подршку (СВМ) и моделима вишеструке линеарне регресије (МЛР). Хибридизација ЕБК са било којим МЛА није позната. Вишеструки мешовити модели који се виде су комбинације обичног, резидуалног, регресионог кригинга и МЛА. ЕБК је метода геостатистичке интерполације која користи као процес који није дефинисан просторно/локално локално стохатизованим пољем параметара на терену, омогућавајући просторне варијације39.ЕБК је коришћен у разним студијама, укључујући анализу дистрибуције органског угљеника у пољопривредним земљиштима40, процену загађења земљишта41 и мапирање својстава земљишта42.
С друге стране, самоорганизовани граф (СеОМ) је алгоритам за учење који је примењен у различитим чланцима као што су Ли ет ал.43, Ванг ет ал.44, Хоссаин Бхуииан ет ал.45 и Кебоние ет ал.46 Одредити просторне атрибуте и груписање елемената.Ванг ет ал.44 истиче да је СеОМ моћна техника учења позната по својој способности да групише и замишља нелинеарне проблеме. За разлику од других техника препознавања образаца као што су анализа главних компоненти, расплинуто груписање, хијерархијско груписање и доношење одлука по више критеријума, СеОМ је бољи у организовању и идентификацији ПТЕ образаца. Према Ванг и др.44, СеОМ може просторно груписати дистрибуцију повезаних неурона и обезбедити визуелизацију података високе резолуције. СеОМ ће визуелизовати податке предвиђања Ни да би добио најбољи модел за карактеризацију резултата за директну интерпретацију.
Овај рад има за циљ да генерише робустан модел мапирања са оптималном тачношћу за предвиђање садржаја никла у урбаним и периурбаним земљиштима. Претпостављамо да поузданост мешовитог модела углавном зависи од утицаја других модела прикачених на основни модел. Признајемо изазове са којима се суочава ДСМ, и док се ови изазови суочавају са вишеструким изазовима у геостатском моделу, а чини се да се ови изазови решавају у геостатском моделу на напредном ЛА моделу. ;стога ћемо покушати да одговоримо на истраживачка питања која могу дати мешовите моделе. Међутим, колико је модел тачан у предвиђању циљног елемента? Такође, који је ниво процене ефикасности на основу валидације и процене тачности? Према томе, специфични циљеви ове студије су били (а) креирање комбинованог модела смеше за СВМР или МЛР користећи резултатски модел за концентрацију као основни модел (ЕБК) компоновати модел пред концентрацијом као основни модел смеше. с у урбаним или периурбаним земљиштима, и (д) примена СеОМ-а за креирање мапе високе резолуције просторних варијација никла.
Студија се спроводи у Чешкој Републици, тачније у округу Фридек Мистек у Моравско-шлеском региону (видети Слику 1). Географија истраживаног подручја је веома храпава и углавном је део Моравско-шлеског Бескидског региона, који је део спољног обода Карпатских планина. Подручје истраживања се налази између 14°20′ и 14°20′ ′ 0′ Е, а надморска висина је између 225 и 327 м;међутим, систем класификације Копен за климатско стање региона је оцењен као Цфб = умерена океанска клима. Има доста падавина чак иу сушним месецима. Температуре незнатно варирају током године између −5 °Ц и 24 °Ц, ретко падају испод −14 °Ц или изнад 30 °Ц, док је просечна годишња процена површине од 7 68 ½ мм. цела површина је 1.208 квадратних километара, са 39,38% обрадиве земље и 49,36% покривености шумама. Са друге стране, површина коришћена у овој студији је око 889,8 квадратних километара. У и око Остраве, индустрија челика и металопрерађивачке индустрије су веома активне. и челици (никл повећава чврстоћу легуре уз задржавање њене добре дуктилности и жилавости), а интензивна пољопривреда као што је примена фосфатног ђубрива и сточарска производња су истраживачки потенцијални извори никла у региону (нпр. додавање никла јагњадима да би се повећале стопе раста у областима раста у јагњадима, укључујући употребу електронике у индустрији са ниском храном). никлирање и процеси никловања без електронике. Својства земљишта се лако разликују од боје, структуре и садржаја карбоната. Текстура земљишта је средње до фина, потиче од матичног материјала. По природи су колувијалне, алувијалне или еолске. Неке површине тла изгледају ишаране на површини и подземљу, најчешће су стабилне, па су најчешће стабилне са бетоном. ил типови у региону48. Са надморским висинама у распону од 455,1 до 493,5 м, камбисоли доминирају Чешком Републиком49.
Мапа области проучавања [Мапа области проучавања је креирана помоћу АрцГИС Десктоп (ЕСРИ, Инц, верзија 10.7, УРЛ: хттпс://десктоп.арцгис.цом).]
Укупно 115 узорака горњег слоја земље је добијено из урбаних и приградских земљишта у округу Фридек Мистек. Коришћени узорак је био правилна мрежа са узорцима земље на размаку од 2 × 2 км, а горњи слој земље је мерен на дубини од 0 до 20 цм коришћењем ручног ГПС уређаја (Леица Зено 5 ГПС-а, пакет узорака за рад у пакету са узорцима у пакету са узорцима у Зиплоц). осушени су на ваздуху да би се добили праховити узорци, уситњени механичким системом (Фритсцх диск млин) и просејани (величина сита 2 мм). Ставите 1 грам осушених, хомогенизованих и просејаних узорака земље у јасно обележене тефлонске боце. ), лагано покријте и оставите узорке да одстоје преко ноћи за реакцију (акуа региа програм). .Ставите супернатант на врућу металну плочу (температура: 100 В и 160 °Ц) на 2 х да би се олакшао процес варења узорака, а затим охладите. Пребаците супернатант у 50 мл течницу са волуметријском боцом за разблаживање 50 мл воде и разблажите супернатант од 50 мл воде. ПВЦ епрувета од 50 мл са дејонизованом водом. Додатно, 1 мл раствора за разблаживање је разблажен са 9 мл дејонизоване воде и филтриран у епрувету од 12 мл припремљену за ПТЕ псеудо-концентрацију. миссион Спецтросцопи) (Тхермо Фисхер Сциентифиц, САД) према стандардним методама и споразуму.Осигурајте процедуре за осигурање и контролу квалитета (КА/КЦ) (СРМ НИСТ 2711а Монтана ИИ Соил).ПТЕ-ови са границама детекције испод половине су искључени из ове студије.Граница детекције ПТЕ коришћеног у овој студији обезбеђују контролу квалитета сваког процеса, а у анализи квалитета је 04. анализом референтних стандарда. Да би се осигурало да су грешке минимизиране, извршена је двострука анализа.
Емпиријски Бајесов Кригинг (ЕБК) је једна од многих техника геостатистичке интерполације које се користе у моделирању у различитим областима као што је наука о земљишту. За разлику од других техника кригинг интерполације, ЕБК се разликује од традиционалних метода кригинга узимајући у обзир грешку процењену моделом семивариограма. У ЕБК интерполацији, неколико семивариограмских интерполационих модела радије се на начин на који семивариограмски интерпол чини семивариограмски модел. за несигурност и програмирање повезано са овим исцртавањем семивариограма који чини веома сложен део довољног кригинг методе. Процес интерполације ЕБК-а прати три критеријума које је предложио Криворучко50, (а) модел процењује семивариограм из улазног скупа података (б) нова предвиђена вредност за сваки улазни сет података и коначна локација генерисаног скупа података (засновано на коначну локацију генерисаног инпута података) скуп података.Правило Бајесове једначине је дато као апостериор
Где \(Проб\лефт(А\ригхт)\) представља претходну, \(Проб\лефт(Б\ригхт)\) маргинална вероватноћа се занемарује у већини случајева, \(Проб (Б,А)\ ) . Израчунавање семивариограма је засновано на Бајесовом правилу, које показује склоност скупова података посматрања који се могу креирати на основу правила семивариограма који се вероватно одређује на основу правила семивариограма. је креирање скупа података запажања из семивариограма.
Машина вектора подршке је алгоритам за машинско учење који генерише оптималну хиперравнину за раздвајање за разликовање идентичних, али не и линеарно независних класа. Вапник51 је креирао алгоритам за класификацију намера, али се недавно користио за решавање проблема оријентисаних на регресију. Према Ли ет ал.52, СВМ је једна од најбољих техника класификатора у различитим техникама регресије - СВМ компонента регресије је коришћена. СВМР) је коришћен у овој анализи. Цхеркасски и Мулиер53 су пионири СВМР као регресију засновану на кернелу, чије је израчунавање извршено коришћењем модела линеарне регресије са просторним функцијама за више земаља. Џон и сарадници54 извештавају да СВМР моделирање користи хиперравнинску линеарну регресију, која омогућава хиперравнинску линеарну регресију и омогућава неограничену линеарну регресију на копну и стварају нелинијске функције.55, епсилон (ε)-СВМР користи обучени скуп података да би добио модел представљања као функцију неосетљиве на епсилон која се примењује за мапирање података независно са најбољим епсилон пристрасношћу од обуке на корелираним подацима. Унапред подешена грешка удаљености се занемарује од стварне вредности, а ако је грешка већа од ε(ε), он такође компензује подскуп података комплексног скупа података на компензацију. с.У наставку је приказана једначина коју је предложио Вапник51.
где б представља скаларни праг, \(К\лефт({к}_{,}{ к}_{к}\ригхт)\) представља функцију језгра, \(\алпха\) представља Лагранжов множилац, Н Представља нумерички скуп података, \({к}_{к}\) представља унос података, а \(и\с\) је коришћени радијалан кернел ГаСВ операције, а \(и\) је коришћени радијалан кернел података. основна функција (РБФ). РБФ језгро се примењује за одређивање оптималног СВМР модела, који је критичан за добијање најсуптилнијег фактора скупа казне Ц и параметра језгра гама (γ) за ПТЕ тренинг податке. Прво смо проценили скуп за обуку, а затим тестирали перформансе модела на скупу за валидацију. Коришћени управљачки параметар је сигма, а вредност методе је свм.
Модел вишеструке линеарне регресије (МЛР) је регресиони модел који представља однос између променљиве одговора и већег броја предикторских варијабли коришћењем линеарних обједињених параметара израчунатих коришћењем методе најмањих квадрата. У МЛР, модел најмањих квадрата је предиктивна функција својстава тла након одабира варијабли за објашњење. Неопходно је користити одговор да би се успоставио експланални линеарни однос П уз помоћ променљиве за успостављање коришћене експланарне линеарне везе са променљивом. планаторне варијабле.МЛР једначина је
где је и променљива одговора, \(а\) је пресек, н је број предиктора, \({б}_{1}\) је делимична регресија коефицијената, \({к}_{ и}\) представља предиктор или променљиву која објашњава, а \({\варепсилон }_{и} тхе\) представља такође грешку у моделу.
Мешовити модели су добијени спајањем ЕБК са СВМР и МЛР. Ово се ради издвајањем предвиђених вредности из ЕБК интерполације. Предвиђене вредности добијене из интерполованих Ца, К и Мг се добијају комбинаторним процесом да би се добиле нове варијабле, као што су ЦаК, ЦаМг и КМО. Добијене варијабле су Ца, К, Мг, ЦаК, ЦаМг, КМг и ЦаКМг. Ове варијабле су постале наши предиктори, помажући да се предвиде концентрације никла у урбаним и приградским земљиштима. СВМР алгоритам је изведен на предикторима како би се добио мешовити модел Емпиријска Баиесиан Кригинг-Суппорт-Суппорт Вецтор варијабла (Симилар цев микед а МЛР_СВМ Вецтор Мацхине). ед модел Емпиријска Баиесиан Кригинг-Мултипле Линеар Регрессион (ЕБК_МЛР). Типично, варијабле Ца, К, Мг, ЦаК, ЦаМг, КМг и ЦаКМг се користе као коваријате као предиктори садржаја Ни у урбаним и периурбаним земљиштима. Најприхватљивији модел који се добије (ЕБК_СВР ће се тада визуелно анализирати помоћу ЕБК_СВМ-а). приказано на слици 2.
Коришћење СеОМ-а је постало популарно средство за организовање, оцењивање и предвиђање података у финансијском сектору, здравству, индустрији, статистици, науци о земљишту и још много тога. СеОМ је креиран коришћењем вештачких неуронских мрежа и метода ненадгледаног учења за организацију, евалуацију и предвиђање. У овој студији, СеОМ је коришћен за визуелизацију концентрација Ни на основу најбољег модела процене Ни-а, тако да су подаци о урбаном процесу коришћени за предвиђање Се-ОМ-а. као н улазно-димензионалних векторских варијабли43,56.Мелссен ет ал.57 описују везу улазног вектора у неуронску мрежу преко једног улазног слоја са излазним вектором са једним вектором тежине. Излаз који генерише СеОМ је дводимензионална мапа која се састоји од различитих неурона или чворова утканих у хексагоналне, кружне или квадратне тополошке мапе у складу са њиховом близином. Поређење величина мапе са метричком грешком (грешка ТЕ) и метричком грешком СепоКЕ. 86 и 0,904 је изабрано, што је јединица од 55 мапа (5 × 11). Структура неурона је одређена према броју чворова у емпиријској једначини
Број података коришћених у овој студији је 115 узорака. Случајни приступ је коришћен да се подаци поделе на податке теста (25% за валидацију) и скупове података за обуку (75% за калибрацију). Скуп података за обуку се користи за генерисање регресионог модела (калибрација), а скуп података теста се користи за верификацију способности генерализације58. Ово је урађено да би се проценио садржај различитих модела. коришћено је прошло кроз десетоструки процес унакрсне валидације, поновљен пет пута. Променљиве произведене ЕБК интерполацијом се користе као предиктори или објашњавајуће варијабле за предвиђање циљне променљиве (ПТЕ). Моделирањем се рукује у РСтудиу користећи библиотеку пакета (Кохонен), библиотеку (карет), библиотеку (моделр), библиотеку (“е1071″ библиотеку” “пспецтиве”) и библиотеке („Метрике“).
Различити параметри валидације су коришћени за одређивање најбољег модела погодног за предвиђање концентрације никла у земљишту и за процену тачности модела и његове валидације. Модели хибридизације су процењени коришћењем средње апсолутне грешке (МАЕ), средње квадратне грешке (РМСЕ) и Р-квадрата или одређивања коефицијента (Р2). туде у независним мерама описују предиктивну моћ модела, док МАЕ одређује стварну квантитативну вредност. Вредност Р2 мора бити висока да би се проценио најбољи модел мешавине користећи параметре валидације, што је вредност ближа 1, то је већа тачност.Према Ли ет ал.59, вредност критеријума Р2 од 0,75 или већа се сматра добрим предиктором;од 0,5 до 0,75 су прихватљиве перформансе модела, а испод 0,5 неприхватљиве перформансе модела. Приликом избора модела коришћењем метода евалуације критеријума валидације РМСЕ и МАЕ, ниже добијене вредности су биле довољне и сматране су најбољим избором. Следећа једначина описује метод верификације.
где н представља величину посматране вредности\({И}_{и}\) представља измерени одговор, а \({\видехат{И}}_{и}\) такође представља предвиђену вредност одговора, дакле, за првих и посматрања.
Статистички описи предикторских и одговорних варијабли представљени су у табели 1, приказујући средњу вредност, стандардну девијацију (СД), коефицијент варијације (ЦВ), минимум, максимум, ексцес и нагиб. Минималне и максималне вредности елемената су у опадајућем редоследу од Мг < Ца < К < Ни и Ца < Мг < К < Ни, респективно, од променљиве 4 концентрацији узорка (концентрација узорка) до опсега узорка 4 . 2,39 мг/кг. Поређење Ни са светским просеком (29 мг/кг) и европским просеком (37 мг/кг) показало је да је укупна израчуната геометријска средина за подручје истраживања била унутар прихватљивог опсега. Без обзира на то, као што показује Кабата-Пендиас11, поређење просечне концентрације никла (Ни) у тренутној студији Сведен просечна концентрација никла (Ни) у тренутној студији показује да је просечна концентрација никла (Ни) у тренутној студији, са тренутном просечном концентрацијом ФЛикеницри, показује да је просечна пољопривредна концентрација ФЛикеилса виша. Мистек у урбаним и приградским земљиштима у тренутној студији (Ни 16,15 мг/кг) био је већи од дозвољене границе од 60 (10,2 мг/кг) за Ни у пољским урбаним земљиштима о којима су извештавали Розански ет ал. Даље, Бретзел и Цалдериси61 су забележили веома ниске средње концентрације Ни (1,78 мг/кг) такође су пронађене ниже концентрације Ни у урбаној струји од 1,78 мг/кг. концентрација (12,34 мг/кг) у урбаним земљиштима у Хонг Конгу, што је ниже од тренутне концентрације никла у овој студији. Бирке и сарадници63 су известили о просечној концентрацији Ни од 17,6 мг/кг у старој рударској и урбаној индустријској зони у Саксонији-Анхалт, Немачка, што је било 1,45 мг/кг више од просечне концентрације никла у урбаним истраживањима и 15 кг вишка Ни.15 кг у области. приградска подручја истраживаног подручја могу се углавном приписати индустрији гвожђа и челика и металној индустрији. Ово је у складу са студијом Кходадоуста ет ал.64 да су индустрија челика и прерада метала главни извори контаминације никлом у земљишту. Међутим, предиктори су се такође кретали од 538,70 мг/кг до 69,161,80 мг/кг за Ца, 497,51 мг/кг до 3535,68 мг/кг за К.6,5 мг/кг до 68 мг/кг 68 мг. љевић и др.65 су истраживали укупан садржај Мг и К у земљишту у централној Србији. Открили су да су укупне концентрације (410 мг/кг и 400 мг/кг, респективно) ниже од концентрација Мг и К у тренутној студији. г (590 мг/кг) и К (810 мг/кг) Садржај у горњем слоју тла је нижи од појединачног елемента у овој студији. Недавна студија Понграц ет ал.67 је показало да је укупан садржај Ца анализиран у 3 различита тла у Шкотској, УК (земља Милнефиелд, земља Балруддери и земља Хартвоод) указује на већи садржај Ца у овој студији.
Због различитих измерених концентрација узоркованих елемената, дистрибуције елемената скупа података показују различиту асиметрију. Косина и куртозис елемената кретали су се у распону од 1,53 до 7,24 и 2,49 до 54,16, респективно. Сви израчунати елементи имају косину и куртозис дистрибуцију, тако да је дистрибуција удесном и куртозис распоређена у десном смеру и равномерно изнад +1. ед. Процењене ЦВ елемената такође показују да К, Мг и Ни показују умерену варијабилност, док Ца има изузетно велику варијабилност. ЦВ К, Ни и Мг објашњавају њихову уједначену дистрибуцију. Штавише, дистрибуција Ца је неуједначена и спољни извори могу утицати на ниво обогаћивања.
Корелација предикторских варијабли са елементима одговора показала је задовољавајућу корелацију између елемената (видети Слику 3). Корелација је показала да ЦаК показује умерену корелацију са р вредношћу = 0,53, као и ЦаНи. Иако Ца и К показују скромну повезаност једни са другима, истраживачи као што су Кингстон и сар.68 и Санто69 сугеришу да су њихови нивои у земљишту обрнуто пропорционални. Међутим, Ца и Мг су антагонистички према К, али ЦаК добро корелира. Ово може бити последица примене ђубрива као што је калијум карбонат, који је 56% већи у калијуму. Калијум је био у умереној корелацији са два елемента магнезијума КМ3 и 06фер су у блиској корелацији са магнезијумом. је повезано јер се калијум магнезијум сулфат, калијум магнезијум нитрат и поташа примењују на земљиште да би се повећао ниво њиховог недостатка. Никл је умерено повезан са Ца, К и Мг са р вредностима = 0,52, 0,63 и 0,55, респективно. Односи који укључују калцијум и магнезијум без магнезијум комплекса су без магнезијумовог комплекса. С апсорпцијом калцијума, калцијум смањује ефекте вишка магнезијума, а и магнезијум и калцијум смањују токсичне ефекте никла у земљишту.
Корелациона матрица за елементе која показује однос између предиктора и одговора (Напомена: ова слика укључује дијаграм расејања између елемената, нивои значајности су засновани на п < 0,001).
Слика 4 илуструје просторну дистрибуцију елемената. Према Бургосу и сарадницима70, примена просторне дистрибуције је техника која се користи за квантификацију и истицање врућих тачака у загађеним областима. Нивои обогаћивања Ца на Слици 4 могу се видети у северозападном делу мапе просторне дистрибуције. Слика приказује умерено до високо обогаћење карте вероватноће умереног до високог степена обогаћења Ца. због употребе живог креча (калцијум оксида) за смањење киселости земљишта и његове употребе у челичанама као алкалног кисеоника у процесу производње челика. Са друге стране, други фармери радије користе калцијум хидроксид у киселим земљиштима да неутралишу пХ, што такође повећава садржај калцијума у ​​земљишту71.Калијум такође показује најтоплију пољопривредну и мапу североистока. -висок образац калијума може бити последица примене НПК и поташе. Ово је у складу са другим студијама, као што су Мадарас и Липавскы72, Мадарас ет ал.73, Пулкрабова ет ал.74, Асаре ет ал.75, који су приметили да стабилизација земљишта и третман са КЦл и НПК резултира високим садржајем К у земљишту.Просторно обогаћивање калијумом на северозападу карте дистрибуције може бити последица употребе ђубрива на бази калијума као што су калијум хлорид, калијум сулфат, калијум нитрат, поташа и поташа за повећање садржаја калијума у ​​сиромашним земљиштима. Задорова ет ал.76 и Тлустош и др.77 истиче да је примена ђубрива на бази К повећала садржај К у земљишту и да би значајно повећала садржај хранљивих материја у земљишту на дужи рок, посебно К и Мг који показују врућу тачку у земљишту. Релативно умерена жаришта на северозападу карте и југоисточно од карте. интервенска хлороза. Ђубрива на бази магнезијума, као што су калијум магнезијум сулфат, магнезијум сулфат и кизерит, третирају недостатке (биљке изгледају љубичасте, црвене или браон боје, што указује на недостатак магнезијума) на земљиштима са нормалним пХ опсегом6. кел у производњи нерђајућег челика78.
Просторна дистрибуција елемената [мапа просторне дистрибуције је креирана помоћу АрцГИС Десктоп (ЕСРИ, Инц, верзија 10.7, УРЛ: хттпс://десктоп.арцгис.цом).]
Резултати индекса перформанси модела за елементе који су коришћени у овој студији приказани су у табели 2. С друге стране, РМСЕ и МАЕ за Ни су оба близу нуле (0,86 РМСЕ, -0,08 МАЕ). С друге стране, и РМСЕ и МАЕ вредности К су прихватљиве. Резултати РМСЕ и МАЕ су били већи за калцијум и КСЕ и МАЕ резултати су били већи за калцијум и КСЕ и МАЕ и МАЕ су велики подаци због различитих резултата МАЕ и Ц. Утврђено је да је Е ове студије користећи ЕБК за предвиђање Ни бољи од резултата Јохна ет ал.54 коришћењем синергистичког кригинга за предвиђање концентрација С у земљишту користећи исте прикупљене податке. Резултати ЕБК које смо проучавали корелирају са онима Фабијацзика ет ал.41, Иан ет ал.79, Бегуин ет ал.80, Адхикари ет ал.81 и Јохн ет ал.82, посебно К и Ни.
Перформансе појединачних метода за предвиђање садржаја никла у урбаним и приградским земљиштима су процењене коришћењем перформанси модела (Табела 3). Валидација модела и процена тачности потврдили су да је Ца_Мг_К предиктор у комбинацији са ЕБК СВМР моделом дао најбоље перформансе. Калибрациони модел Ца_Мг_К-К-урбана средња грешка модела, а апсолутна средња квадратна грешка модела, СЕМА СВМР, РЕ2РМ0, корен грешке. 637 (Р2), 95,479 мг/кг (РМСЕ) и 77,368 мг/кг (МАЕ) Ца_Мг_К-СВМР је био 0,663 (Р2), 235,974 мг/кг (РМСЕ) и 166,946 мг/кг (МАЕ). Без обзира на то, добијене су добре вредности за Ца_Мг_К- 6 мг/кг (МАЕ). Ца_Мг-ЕБК_СВМР (0,643 = Р2);њихови резултати РМСЕ и МАЕ били су виши од оних за Ца_Мг_К-ЕБК_СВМР (Р2 0,637) (видети табелу 3). Поред тога, РМСЕ и МАЕ модела Ца_Мг-ЕБК_СВМР (РМСЕ = 1664,64 и МАЕ = 1031,49) су 17,4, а од тога су 13,4 и Ца су веће од 13,4, а респективно. ЕБК_СВМР. Исто тако, РМСЕ и МАЕ Ца_Мг-К СВМР модела (РМСЕ = 235,974 и МАЕ = 166,946) модела су 2,5 и 2,2 већи од оних за Ца_Мг_К-ЕБК_СВМР РМСЕ и МАЕ, респективно. Скуп података за МАХРМСЕ најбоље одговара и МАЕ. Тхеигх израчунавају како се подаци најбоље уклапају у МАХРМСЕ и МАЕ. Примећени су Е. Према Кебоние ет ал.46 и Јохн ет ал.54, што су РМСЕ и МАЕ ближе нули, то су бољи резултати. СВМР и ЕБК_СВМР имају веће квантизоване вредности РСМЕ и МАЕ. Примећено је да су процене РСМЕ константно веће од вредности МАЕ, што указује на присуство одступања. лиерс.То значи да што је скуп података хетерогенији, то су веће вредности МАЕ и РМСЕ.Тачност процене унакрсне валидације мешовитог модела Ца_Мг_К-ЕБК_СВМР за предвиђање садржаја Ни у урбаним и приградским земљиштима износила је 63,70%.Према Ли ет ал.59, овај ниво тачности је прихватљива стопа перформанси модела. Садашњи резултати су упоређени са претходном студијом Тарасова ет ал.36 чији је хибридни модел створио МЛПРК (Мултилаиер Перцептрон Ресидуал Кригинг), који се односи на индекс процене тачности ЕБК_СВМР пријављен у тренутној студији, РМСЕ (210) и МАЕ (167,5) су били већи од наших резултата у тренутној студији (РМСЕ 95.479, МАЕ цомп 77.38 у односу на тренутну студију). да Тарасов и др.36 (0,544), јасно је да је коефицијент детерминације (Р2) већи у овом мешовитом моделу. Маргина грешке (РМСЕ и МАЕ) (ЕБК СВМР) за мешовити модел је два пута нижа. Исто тако, Сергејев и сарадници 34 су забележили 0,28 (Р2) за развијени хибридни модел Перцепт (рон Нил7), док је Кригинални модел Перцепт (рон Нил7) забележио тренутни модел. Р2). Ниво тачности предвиђања овог модела (ЕБК СВМР) је 63,7%, док је тачност предвиђања добијена од Сергеев ет ал.34 износи 28%.Коначна мапа (слика 5) креирана коришћењем ЕБК_СВМР модела и Ца_Мг_К као предиктора показује предвиђања жаришта и умереног до никла на целом подручју истраживања.То значи да је концентрација никла у области истраживања углавном умерена, са већим концентрацијама у неким специфичним областима.
Коначна мапа предвиђања је представљена коришћењем хибридног модела ЕБК_СВМР и коришћењем Ца_Мг_К као предиктора.[Мапа просторне дистрибуције је креирана помоћу РСтудиа (верзија 1.4.1717: хттпс://ввв.рстудио.цом/).]
На слици 6 су приказане концентрације ПТЕ као равни композиције која се састоји од појединачних неурона. Ниједна од равни компоненти није показивала исти образац боја као што је приказано. Међутим, одговарајући број неурона по нацртаној мапи је 55. СеОМ се производи коришћењем различитих боја, и што су обрасци боја сличнији, то су упоредивије особине узорака, упоредивије су особине узорака. појединачни високи неурони и већина неурона са ниским нивоом. Дакле, ЦаК и ЦаМг деле неке сличности са неуронима веома високог реда и обрасцима боја од ниског до умереног нивоа. Оба модела предвиђају концентрацију Ни у земљишту приказујући средње до високе нијансе боја као што су црвена, наранџаста и жута. КМг модел приказује многе високе шаре боја засноване на прецизним пропорцијама боја и ниским до умереним дистрибуцијама боја, од ниског до средњег узорка боја. модел је показао висок узорак боја који указује на потенцијалну концентрацију никла у тлу (видети слику 4). Раван компоненте ЦакМг модела показује разнолик узорак боја од ниске до високе у складу са тачном скалом боја. Штавише, предвиђање садржаја никла (ЦакМг) модела је слично просторној дистрибуцији никла, приказаној на слици 5 ниске концентрације никла и средње концентрације никла у урбаним срединама и слика 5 показује високу концентрацију перипор-Бо у граду. земљишта.Слика 7 приказује контурну методу у груписању к-средњих на карти, подељену у три кластера на основу предвиђене вредности у сваком моделу. Метода контуре представља оптималан број кластера. Од 115 прикупљених узорака земљишта, категорија 1 је добила највише узорака земљишта, 74. Кластер 2, док је примљено 38 узорака цлустер плана 3 од 38 узорака пред-компонентне комбинације. поједностављено како би се омогућила исправна интерпретација кластера. Због бројних антропогених и природних процеса који утичу на формирање тла, тешко је имати правилно диференциране обрасце кластера у дистрибуираној мапи СеОМ78.
Излаз у равни компоненте сваке променљиве Емпиричке Бајесове машине за подршку вектора Кригинга (ЕБК_СВМ_СеОМ).[СеОМ мапе су креиране помоћу РСтудиа (верзија 1.4.1717: хттпс://ввв.рстудио.цом/).]
Различите компоненте класификације кластера [СеОМ мапе су креиране помоћу РСтудиа (верзија 1.4.1717: хттпс://ввв.рстудио.цом/).]
Тренутна студија јасно илуструје технике моделирања концентрације никла у урбаним и периурбаним земљиштима. Студија је тестирала различите технике моделирања, комбинујући елементе са техникама моделирања, да би се добио најбољи начин за предвиђање концентрације никла у земљишту. Композиционе планарне просторне карактеристике СеОМ технике моделирања показале су високу концентрацију боја у ниској до високој скали боја, без обзира на прецизну концентрацију никла у бањи. мапа дистрибуције потврђује планарну просторну дистрибуцију компоненти коју показује ЕБК_СВМР (видети слику 5). Резултати показују да регресивни модел машине за подршку вектора (Ца Мг К-СВМР) предвиђа концентрацију Ни у земљишту као јединствен модел, али параметри валидације и процене тачности показују веома велике грешке у смислу РМСЕ и МАЕ модела који се такође користи ручним моделом. на ниску вредност коефицијента детерминације (Р2). Добри резултати су добијени коришћењем ЕБК СВМР и комбинованих елемената (ЦаКМг) са ниским РМСЕ и МАЕ грешкама са тачношћу од 63,7%. Испоставило се да комбиновање ЕБК алгоритма са алгоритмом машинског учења може да генерише концентрацију која може да генерише концентрацију у хибриду П који може да предвиди резултате К. као предиктори за предвиђање концентрације Ни у истраживаном подручју могу побољшати предвиђање Ни у земљишту.То значи да континуирана примена ђубрива на бази никла и индустријско загађење земљишта од стране индустрије челика има тенденцију повећања концентрације никла у земљишту.Ова студија је открила да ЕБК модел може смањити ниво грешке у урбаној дистрибуцији и побољшати општи модел бање. предлажемо примену ЕБК-СВМР модела за процену и предвиђање ПТЕ у земљишту;поред тога, предлажемо да се користи ЕБК за хибридизацију са различитим алгоритмима машинског учења. Ни концентрације су предвиђене коришћењем елемената као коваријата;међутим, коришћење више коваријата би у великој мери побољшало перформансе модела, што се може сматрати ограничењем тренутног рада. Још једно ограничење ове студије је да је број скупова података 115. Стога, ако се обезбеди више података, перформансе предложеног оптимизованог метода хибридизације могу се побољшати.
ПлантПробс.нет.Никал у биљкама и земљишту хттпс://плантпробс.нет/плант/нутриентИмбаланцес/содиум.хтмл (приступљено 28. априла 2021).
Каспрзак, КС Напредак никла у модерној еколошкој токсикологији.околина.токсикологија.11, 145–183 (1987).
Цемпел, М. & Никел, Г. Ницкел: Преглед њених извора и токсикологије животне средине.Полисх Ј. Енвиронмент.Студ.15, 375–382 (2006).
Фреедман, Б. & Хутцхинсон, ТЦ Унос загађивача из атмосфере и акумулација у земљишту и вегетацији у близини топионице никла и бакра у Судберију, Онтарио, Канада.цан.Ј.Бот.58(1), 108-132.хттпс://дои.орг/10.1139/б80-014 (1980).
Маниива, Т. ет ал. Тешки метали у земљишту, биљкама и ризици повезани са испашом преживара у близини рудника бакра и никла Селеби-Пхикве у Боцвани.сурроундингс.Геоцхемистри.Хеалтх хттпс://дои.орг/10.1007/с10653-021-00912 ().
Цабата-Пендиас.Кабата-Пендиас А. 2011. Елементи у траговима у земљишту и… – Гоогле Сцхолар хттпс://сцхолар.гоогле.цом/сцхолар?хл=ср&ас_сдт=0%2Ц5&к=Кабата-Пендиас+А.+2011.+Траце+ Елементс+ин+тсоилс.НИ+2+2+2+2+2+2+2+ %3А+ЦРЦ+Пресс&бтнГ= (приступљено 24. новембра 2020).
Алмас, А., Сингх, Б., Пољопривреда, ТС-Њ од & 1995, недефинисано. Ефекти руске индустрије никла на концентрације тешких метала у пољопривредним земљиштима и трави у Соер-Варангеру, Норвешка.агрис.фао.орг.
Ниелсен, ГД ет ал. Апсорпција и задржавање никла у води за пиће су повезани са уносом хране и осетљивошћу на никл.токицологи.апплицатион.Пхармацодинамицс.154, 67–75 (1999).
Цоста, М. & Клеин, ЦБ Карциногенеза никла, мутација, епигенетика или селекција. окружење. Здравствена перспектива. 107, 2 (1999).
Ајман, ПЦ;Ајадо, СК;Борувка, Л.;Бини, ЈКМ;Саркоди, ВИО;Цобоние, НМ;Анализа тренда потенцијално токсичних елемената: библиометријски преглед. Енвиронментал Геоцхемистри анд Хеалтх. Спрингер Сциенце & Бусинесс Медиа БВ 2020. хттпс://дои.орг/10.1007/с10653-020-00742-9.
Минасни, Б. & МцБратнеи, АБ Дигитално мапирање тла: кратка историја и неке лекције. Геодерма 264, 301–311.хттпс://дои.орг/10.1016/ј.геодерма.2015.07.017 (2016).
МцБратнеи, АБ, Мендонца Сантос, МЛ & Минасни, Б. О дигиталном мапирању тла. Геодерма 117(1-2), 3-52.хттпс://дои.орг/10.1016/С0016-7061(03)00223-4 (2003).
Деутсцх.ЦВ Геостатистицал Ресервоир Моделинг,… – Гоогле Сцхолар хттпс://сцхолар.гоогле.цом/сцхолар?хл=ср&ас_сдт=0%2Ц5&к=ЦВ+Деутсцх%2Ц+2002%2Ц+Геостатистицал+Ресервоир+Моделинг%2Ц +ОкфордсГс+2Ц+ОкфордсГ7б%2Ц приступљено 28. априла 2021.).