Hatur nuhun pikeun ngadatangan Nature.com.Vérsi browser anu anjeun anggo gaduh dukungan terbatas pikeun CSS. Kanggo pangalaman pangsaéna, kami nyarankeun yén anjeun nganggo browser anu diropéa (atanapi mareuman modeu kasaluyuan dina Internet Explorer).
Polusi taneuh masalah badag disababkeun ku aktivitas manusa.Distribusi spasial unsur berpotensi toksik (PTEs) variasina di kalolobaan wewengkon urban jeung peri-urban. Ku kituna, hese ngaduga spasial eusi PTEs dina taneuh misalna.Total 115 sampel dicandak ti Frydek Mistek di Républik Ceko. Kalsium jeung kalium (Kalium) (konsentrasi Magnésium jeung Nikel) ditangtukeun. ly gandeng spéktrométri émisi plasma.Variabel réspon nyaéta Ni jeung prediktor nyaéta Ca, Mg, jeung K. Matriks korélasi antara variabel réspon jeung variabel prediktor nembongkeun korelasi nyugemakeun antara unsur-unsur. Hasil prediksi némbongkeun yén Régrési Mesin Véktor Rojongan (SVMR) dipigawé ogé, sanajan estimasi root mean square error (RMSE) (RMSE) (235.97 mg/kg) (235.97 mg/kg) (235.97 mg/kg) absolute (235.97 mean square error) na estimasi (RMSE) (235.97 mg/kg) absolute (235.97 mg/kg) leuwih luhur batan métode séjénna nu diterapkeun.Model campuran pikeun Empiris Bayesian Kriging-Multiple Linear Regression (EBK-MLR) performa goréng, dibuktikeun ku koefisien determinasi kurang ti 0.1.Model Empiris Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) model pangalusna (EBK-SVMR) (EBK-SVMR) model pangalusna, kalawan low RMSE95 mg/4kg/kg. nilai jeung koefisien determinasi tinggi (R2 = 0.637). Kaluaran téhnik modeling EBK-SVMR divisualisasikeun ngagunakeun peta timer pangatur. Neuron clustered dina pesawat sahiji komponén model hibrid CakMg-EBK-SVMR némbongkeun sababaraha pola warna nu ngaramalkeun konsentrasi Ni dina urban jeung taneuh peri-urban. .
Nikel (Ni) dianggap mikronutrien pikeun pepelakan sabab nyumbang kana fiksasi nitrogén atmosfir (N) jeung métabolisme uréa, duanana nu diperlukeun pikeun pengecambahan siki. izers pikeun ngaoptimalkeun fiksasi nitrogén2.Neruskeun aplikasi pupuk dumasar nikel pikeun enrich taneuh sarta ngaronjatkeun kamampuh legumes pikeun ngafikskeun nitrogén dina taneuh terus ngaronjatkeun konsentrasi nikel dina taneuh.Sanajan nikel mangrupakeun mikronutrient pikeun tutuwuhan, asupan kaleuleuwihan na dina taneuh bisa leuwih ngarugikeun ti alus. Numutkeun kana Liu3, Ni parantos kapanggih janten unsur penting ka-17 anu dipikabutuh pikeun kamekaran sareng kamekaran pepelakan. Salian peran nikel dina pamekaran sareng kamekaran pepelakan, manusa peryogina pikeun rupa-rupa aplikasi. Electroplating, produksi alloy dumasar-nikel, sareng pabrik alat-alat ignition sareng busi dina industri otomotif, sadayana peryogi pamakean salian ti séktor éléktronik, alloy nikel. geus loba dipaké dina kitchenware, asesoris ballroom, suplai industri pangan, listrik, kawat jeung kabel, turbin jet, implants bedah, tékstil, jeung shipbuilding5.Ni-tingkat euyeub di taneuh (ie, taneuh permukaan) geus attributed ka duanana sumber antropogenik jeung alam, tapi utamana, Ni mangrupakeun sumber alam tinimbang anthropogenic, 6. Sumber alam vulkanik, vulkanik, jeung vegetasi alam leuweung;kumaha oge, sumber antropogenik kaasup accu nikel / cadmium dina industri baja, electroplating, las busur, solar jeung minyak suluh, sarta émisi atmosfir tina durukan batubara jeung runtah sarta sludge incineration akumulasi nikel7,8. Numutkeun Freedman na Hutchinson9 jeung Manyiwa et al.10, sumber utama polusi topsoil di lingkungan saharita sarta padeukeut utamana nikel basis tambaga smelters jeung tambang. Taneuh luhureun sabudeureun kilang nikel-tambaga Sudbury Sudbury miboga tingkat pangluhurna kontaminasi nikel dina 26.000 mg / kg11.Sabalikna, polusi nikel dina produksi taneuh Rusia11. nurutkeun Sedekah dkk.12, jumlah nikel HNO3-extractable di lahan garapan luhur wewengkon urang (produksi nikel di Rusia) ranged ti 6,25 nepi ka 136,88 mg / kg, pakait jeung mean 30,43 mg / kg sarta konsentrasi dasar 25 mg / kg. Numutkeun kabata 11, pupuk taneuh-phosphorus agriculture salila aplikasi tina taneuh subur-phosphorus agriculture. musim pamotongan bisa infuse atawa ngotorkeun taneuh. Balukar poténsial nikel dina manusa bisa ngakibatkeun kanker ngaliwatan mutagenesis, karuksakan kromosom, generasi Z-DNA, diblokir perbaikan éksisi DNA, atawa prosés epigenetic13.Dina percobaan sato, nikel geus kapanggih boga potensi pikeun ngabalukarkeun rupa-rupa tumor, sarta kompléx nikel karsinogenik misalna bisa excision.
assessments kontaminasi taneuh geus flourished di kali panganyarna alatan rupa-rupa isu nu patali jeung kaséhatan timbul tina hubungan taneuh-tutuwuhan, taneuh jeung hubungan biologis taneuh, degradasi ékologis, sarta assessment dampak lingkungan. Nepi ka ayeuna, prediksi spasial unsur berpotensi toksik (PTEs) kayaning Ni dina taneuh geus laborious jeung waktu-consuming waktu ngagunakeun métode tradisional taneuh (DSM) prédiksi hébat (DSM prédiksi suksés) na taneuh. (PSM) .Numutkeun Minasny sareng McBratney16, pemetaan taneuh prediktif (DSM) parantos kabuktosan janten subdisiplin élmu taneuh.Lagacherie sareng McBratney, 2006 ngahartikeun DSM salaku "nyiptakeun sareng ngeusian sistem inpormasi taneuh spasial ngaliwatan pamakéan metode observasi in situ sareng laboratorium sareng non-spatial spatial taneuh".17 outline yén DSM kontemporer atawa PSM teh téhnik paling éféktif pikeun ngaramal atawa pemetaan sebaran spasial PTEs, jenis taneuh jeung sipat taneuh.Geostatistics jeung Machine Learning Algoritma (MLA) téhnik modeling DSM nu nyieun peta digitized kalayan bantuan komputer ngagunakeun data signifikan jeung minimal.
Deutsch18 sareng Olea19 ngahartikeun geostatistika salaku "kumpulan téknik numerik anu ngungkulan representasi atribut spasial, utamana ngagunakeun modél stokastik, sapertos kumaha analisis séri waktos ciri data temporal."Utamana, geostatistics ngalibatkeun evaluasi variograms, nu ngidinan Ngitung jeung nangtukeun dependensi nilai spasial tina unggal dataset20.Gumiaux et al.20 salajengna ngagambarkeun yén evaluasi variograms dina geostatistics dumasar kana tilu prinsip, kaasup (a) ngitung skala korelasi data, (b) ngaidentipikasi jeung ngitung anisotropi di disparity dataset jeung (c) sajaba ti Salian nyokot kana akun kasalahan alamiah tina data pangukuran dipisahkeun tina épék lokal. kaasup kriging umum, ko-kriging, kriging biasa, kriging Bayesian empiris, métode kriging basajan jeung téhnik interpolasi well-dipikawanoh séjén pikeun peta atawa prediksi PTE, ciri taneuh, jeung jenis taneuh.
Algoritma Pembelajaran Mesin (MLA) mangrupikeun téknik anu kawilang énggal anu ngagunakeun kelas data non-linier anu langkung ageung, didorong ku algoritma anu utamina dianggo pikeun pertambangan data, ngaidentipikasi pola data, sareng sababaraha kali dilarapkeun kana klasifikasi dina widang ilmiah sapertos élmu taneuh sareng tugas mulang.22 (leuweung acak pikeun estimasi logam beurat dina taneuh tatanén), Sakizadeh dkk.23 (modeling ngagunakeun mesin vektor rojongan tur jaringan neural jieunan) polusi taneuh ).Sajaba ti éta, Vega et al.24 (CART pikeun modeling ingetan logam beurat jeung adsorption dina taneuh) Sun et al.25 (aplikasi kubist nyaéta distribusi Cd dina taneuh) sareng algoritma sanésna sapertos tatangga k-pangdeukeutna, régrési dorongan umum, sareng régrési dorongan Tangkal ogé nerapkeun MLA pikeun ngaduga PTE dina taneuh.
Aplikasi algoritma DSM dina prediksi atawa pemetaan nyanghareupan sababaraha tantangan.Loba pangarang yakin yén MLA téh punjul ti geostatistics sarta sabalikna.Sanajan hiji leuwih hade tinimbang nu sejen, kombinasi duanana ngaronjatkeun tingkat akurasi pemetaan atawa prediksi di DSM15.Woodcock jeung Gopal26 Finke27;Pontius na Cheuk28 na Grunwald29 komentar on deficiencies sarta sababaraha kasalahan dina diprediksi pemetaan taneuh.Ilmuwan taneuh geus diusahakeun rupa-rupa téhnik pikeun ngaoptimalkeun efektivitas, akurasi, sarta predictability tina pemetaan DSM na forecasting.The kombinasi kateupastian jeung verifikasi mangrupa salah sahiji loba aspék béda terpadu kana DSM pikeun ngaoptimalkeun efektivitas jeung ngurangan defects.15 outline yén paripolah validasi jeung kateupastian diwanohkeun ku nyieun peta jeung prediksi kudu disahkeun sacara mandiri pikeun ngaronjatkeun kualitas peta.Keterbatasan DSM téh alatan kualitas taneuh dispersed géografis, nu ngawengku komponén kateupastian;kumaha oge, kurangna kapastian dina DSM bisa timbul tina sababaraha sumber kasalahan, nyaéta kasalahan kovarian, kasalahan model, kasalahan lokasi, sarta Kasalahan analitik 31. Modeling inaccuracies ngainduksi dina MLA jeung prosés geostatistical pakait sareng kurangna pamahaman, pamustunganana ngabalukarkeun oversimplification tina prosés nyata32. Paduli sifat modeling modeling atawa atribut modeling bisa jadi teu akurat. lation33. Nembe, trend DSM anyar geus mecenghul nu promotes integrasi geostatistics jeung MLA dina pemetaan jeung forecasting.Sababaraha élmuwan taneuh jeung pangarang, kayaning Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 sarta Tarasov et al.37 geus dieksploitasi kualitas akurat geostatistics sarta learning mesin keur ngahasilkeun model hibrid nu ngaronjatkeun efisiensi tina forecasting jeung pemetaan.kualitas.Sababaraha model algoritma hibrid atanapi gabungan ieu nyaéta Kriging Jaringan Syaraf Tiruan (ANN-RK), Kriging Residual Multilayer Perceptron (MLP-RK), Kriging Residual Jaringan Neural Regression Umum (GR- NNRK)36, Jaringan Syaraf Tiruan Kriging-Multilayer Perceptron (ANN-K-MLP)37 sareng Processing Co.
Numutkeun Sergeev et al., ngagabungkeun rupa téhnik modeling boga potensi pikeun ngaleungitkeun defects sarta ngaronjatkeun efisiensi tina model hibrid dihasilkeun tinimbang ngembangkeun model tunggal na.Dina kontéks ieu, makalah anyar ieu boga pamadegan yén perlu nerapkeun algoritma gabungan geostatistika jeung MLA pikeun nyieun model hibrid optimal pikeun ngaduga pengayaan Ni di urban jeung peri-urban wewengkon. (SVM) jeung model Multiple Linear Regression (MLR). Hibridisasi EBK kalawan MLA wae teu dipikawanoh. Sababaraha model campuran katempona kombinasi biasa, residual, regression kriging, sarta MLA.EBK nyaéta métode interpolasi geostatistika nu ngamangpaatkeun prosés stokastik spatial, anu diartikeun lokalisasi / variabel acak widang non-stasioner pikeun widang acak non-stasioner. 9.EBK geus dipaké dina rupa-rupa studi, kaasup nganalisis distribusi karbon organik dina taneuh tani40, assessing polusi taneuh41 jeung pemetaan sipat taneuh42.
Di sisi anu sanésna, Self-Organizing Graph (SeOM) mangrupikeun algoritma pembelajaran anu parantos diterapkeun dina sababaraha tulisan sapertos Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 jeung Kebonye dkk.46 Nangtukeun atribut spasial jeung grup unsur.Wang dkk.44 outline yén SeOM mangrupakeun téhnik learning kuat dipikawanoh pikeun kamampuhna pikeun grup na ngabayangkeun masalah non-linier. Teu kawas téhnik pangakuan pola lianna kayaning analisis komponén poko, clustering Fuzzy, clustering hirarki, sarta multi-kriteria pembuatan kaputusan, SeOM téh hadé dina pangatur sarta identifying pola PTE.Numutkeun Wang et al.44, SeOM tiasa sacara spasial ngagolongkeun distribusi neuron anu aya hubunganana sareng nyayogikeun visualisasi data resolusi luhur.
Tulisan ieu boga tujuan pikeun ngahasilkeun modél pemetaan anu kuat kalayan akurasi optimal pikeun ngaramal eusi nikel dina taneuh pakotaan sareng peri-urban. Urang hipotésis yén réliabilitas modél campuran utamana gumantung kana pangaruh modél séjén anu napel kana modél dasar.Ku kituna, urang bakal nyobian ngajawab patarosan panalungtikan anu bisa ngahasilkeun model campuran. Tapi, kumaha akurat model dina ngaramal unsur target? Oge, naon tingkat évaluasi efisiensi dumasar kana validasi jeung evaluasi akurasi? Ku kituna, tujuan husus tina ulikan ieu nya éta (a) nyieun model campuran gabungan pikeun SVMR atawa MLR ngagunakeun EBK salaku model konséntrasi pangalusna pikeun proposes model Nicurban (b) taneuh peri-urban, jeung (d) aplikasi SeOM pikeun nyieun peta resolusi luhur variasi spasial nikel.
Panarikan ieu dibutuhkeun di Républik Ceko, khusus dina kabupaten kaluaran Burdnek di Mohalia-Wilayangan (Ningali Gambar-puluh Septyious pisan, sareng luhurna. 225 sareng 327 m;Sanajan kitu, sistem klasifikasi Koppen pikeun kaayaan iklim wewengkon ieu dipeunteun salaku Cfb = iklim samudra sedeng, Aya loba curah hujan sanajan dina bulan garing. Suhu rada béda sapanjang taun antara −5 °C jeung 24 °C, jarang turun di handap -14 °C atawa di luhur 30 °C, sedengkeun rata-rata curah hujan taunan 625 °C, sedengkeun rata-rata 525 mm curah hujan taunan. aréa nyaeta 1,208 kilométer pasagi, kalawan 39,38% tina lahan dibudidayakan sarta 49,36% tina cakupan leuweung. Di sisi séjén, wewengkon dipaké dina ulikan ieu ngeunaan 889,8 kilométer pasagi. Di na sabudeureun Ostrava, industri baja jeung karya logam pisan aktip. Mills logam, industri baja dimana nikel (naékan baja stainless steel sarta corronic steels) dipaké dina résistansi stainless steel. kakuatan alloy bari ngajaga ductility alus sarta kateguhan na), sarta tatanén intensif kayaning aplikasi pupuk fosfat jeung produksi peternakan mangrupakeun sumber poténsi panalungtikan nikel di wewengkon (misalna nambahkeun nikel ka domba pikeun ngaronjatkeun laju tumuwuh di domba jeung sapi low-fed). Mangpaat industri lianna nikel di wewengkon panalungtikan kaasup sipat pamakéan na electronickel plating. bisa ishable tina warna taneuh, struktur, jeung kandungan karbonat.Tekstur taneuh sedeng nepi ka halus, diturunkeun tina bahan indungna.Maranéhanana koluvial, aluvial atawa aeolian di alam.Sababaraha wewengkon taneuh muncul mottled dina beungeut cai jeung subsoil, mindeng jeung beton jeung pemutihan.Tapi, cambisols jeung stagnosols mangrupakeun jenis taneuh nu paling umum ti 4.5 lev jeung 48 m di wewengkon 48 m jeung elevated. mbisols ngadominasi Céko49.
Peta wewengkon ulikan [Peta wewengkon ulikan dijieun maké ArcGIS Desktop (ESRI, Inc, versi 10.7, URL: https://desktop.arcgis.com).]
Jumlahna aya 115 sampel topsoil dicandak tina taneuh urban jeung peri-urban di distrik Frydek Mistek. Pola sampel dipaké nyaéta grid biasa kalawan sampel taneuh dipisah 2 × 2 km eta, sarta topsoil ieu diukur dina jero 0 mun 20 cm ngagunakeun alat GPS leungeun-diayakeun (Leica Zeno 5 GPS). -garing pikeun ngahasilkeun sampel pulverized, pulverized ku sistem mékanis (Fritsch disc ngagiling), sarta sieved (saringan ukuran 2 mm). Teundeun 1 gram garing, homogenized jeung sieved sampel taneuh dina botol teflon jelas dilabélan. Dina unggal wadah Teflon, dispense 7 ml 35% HCl jeung 3% HCl dispensing otomatis (5 - 3 ml dispensing otomatis pikeun tiap hiji HNO3) jeung 3 ml HNO3 (6 - 3 ml) otomatis. s pikeun nangtung sapeuting pikeun réaksi (program aqua regia) .Teundeun supernatant dina pelat métal panas (suhu: 100 W jeung 160 °C) salila 2 h pikeun mempermudah prosés nyerna sampel, tuluy tiis.Transfer supernatant ka 50 ml volumetric flask jeung éncér ka 50 ml jeung cai deionized, ml cai deionized PVC, ml. Sajaba ti, 1 ml solusi éncér ieu éncér jeung 9 ml cai deionized sarta disaring kana tabung 12 ml disiapkeun pikeun PTE pseudo-konsentrasi. Konsentrasi PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) anu ditangtukeun ku ICP-OES (In Specitive Fishing Specific Plaductoscopy). fic, AS) nurutkeun métode baku sarta agreement.Ensure Quality Assurance and Control (QA/QC) prosedur (SRM NIST 2711a Montana II Soil).PTEs kalawan wates deteksi handap satengah teu kaasup ti ulikan ieu.The wates deteksi tina PTE dipaké dina ulikan ieu 0.0004.(anjeun).Sajaba ti éta, mastikeun assurances analisa kualitas jeung kontrol kualitas. Dina hal ieu, analisis ganda dilaksanakeun.
Empiris Bayesian Kriging (EBK) nyaéta salah sahiji loba téhnik interpolasi geostatistika dipaké dina modeling dina rupa-rupa widang kayaning elmu taneuh. Teu kawas téhnik interpolasi kriging lianna, EBK béda ti métode kriging tradisional ku tempo kasalahan estimasi ku model semivariogram. tainty jeung programming pakait sareng plot tina semivariogram ieu nu constitutes bagian kacida kompleks tina metoda kriging cukup.Prosés interpolasi EBK nuturkeun tilu kriteria diajukeun ku Krivoruchko50, (a) model ngira-ngira semivariogram tina dataset input (b) nilai prediksi anyar pikeun tiap lokasi input dumasar kana dihasilkeun semivariogram model a Bay jeung (c) a) model estimasi semivariogram tina set data input (b) nilai diprediksi anyar pikeun tiap lokasi input dumasar kana dihasilkeun semivariogram model jeung (c). tukangeun
Dimana \ (Prob \ kénca (A \ katuhu) \) ngawakilan prior, \ (Prob \ kénca (B \ katuhu) \) probabiliti marginal dipaliré di hal nu ilahar, \ (Prob (B, A) \ ) .Itungan semivariogram dumasar kana aturan Bayes ', nu nembongkeun propensity observasi observasi nu bisa dijieun tina semivariograms nilai nu lajeng nangtukeun nilai semivariograms. nyieun susunan data observasi tina semivariogram.
A mesin vektor rojongan mangrupakeun algoritma mesin learning nu dibangkitkeun hiji hyperplane misahkeun optimal keur ngabedakeun kelas idéntik tapi teu linier bebas.Vapnik51 dijieun algoritma klasifikasi hajat, tapi geus anyar geus dipaké pikeun ngajawab masalah regression-berorientasi.Numutkeun Li et al.52, SVM mangrupakeun salah sahiji téhnik classifier pangalusna sarta geus dipaké SV Regression -komponén SVport Regression (SVM) Mesin regression rupa-rupa. dipaké dina analisis ieu.Cherkassky na Mulier53 naratas SVMR salaku régrési dumasar-kernel, itungan nu dipigawé maké modél régrési linier kalawan fungsi spasial multi-nagara.John et al54 ngalaporkeun yén modeling SVMR employs hyperplane regression linier, nu nyiptakeun hubungan nonlinier alcpaticordal sarta ngamungkinkeun pikeun Vosland.55, epsilon (ε) -SVMR ngagunakeun dataset dilatih pikeun ménta model representasi salaku fungsi epsilon-teu merhatikeun nu dilarapkeun ka peta data bebas jeung bias epsilon pangalusna tina latihan dina data correlated. Kasalahan jarak prasetél teu dipaliré tina nilai sabenerna, sarta lamun kasalahan leuwih badag batan ε (ε), sipat taneuh ngimbangan eta. pose ku Vapnik51 ditémbongkeun di handap ieu.
dimana b ngagambarkeun bangbarung skalar, \(K\left({x}_{,}{ x}_{k}\right)\) ngagambarkeun fungsi kernel, \(\alpha\) ngagambarkeun multiplier Lagrange, N Ngawakilan susunan data numerik, \({x}_{k}\) ngagambarkeun input data, jeung \(y\) mangrupa operasi data basis, RB nu mangrupa operasi basis data GaF. Kernel RBF diterapkeun pikeun nangtukeun model SVMR optimal, nu kritis pikeun ménta paling halus set pinalti faktor C jeung kernel parameter gamma (γ) pikeun data latihan PTE. Kahiji, urang dievaluasi set latihan lajeng nguji kinerja modél dina validasi set.Parameter steering dipaké nyaéta sigma jeung nilai metoda nyaeta svmRadial.
Modél régrési liniér berganda (MLR) nyaéta modél régrési anu ngagambarkeun hubungan antara variabel réspon jeung sajumlah variabel prediktor ku cara ngagunakeun parameter pooled linier anu diitung ngagunakeun métode kuadrat terkecil. persamaan LR nyaeta
dimana y nyaéta variabel réspon, \(a\) nyaéta intercept, n nyaéta jumlah prediktor, \({b}_{1}\) nyaéta régrési parsial tina koefisien, \({x}_{ i}\) ngagambarkeun prediktor atawa variabel explanatory, sarta \({\varepsilon }_{i}\) ngagambarkeun kasalahan dina modél, ogé dipikawanoh salaku résidu.
Modél campuran dicandak ku cara sandwiching EBK sareng SVMR sareng MLR. Hal ieu dilakukeun ku cara ngekstrak nilai prediksi tina interpolasi EBK. Nilai prediksi anu dicandak tina interpolasi Ca, K, sareng Mg dicandak ngaliwatan prosés kombinatorial pikeun meunangkeun variabel anyar, sapertos CaK, CaMg, sareng KMg. , K, Mg, CaK, CaMg, KMg jeung CaKMg.Variabel ieu jadi prediktor urang, mantuan keur prediksi konsentrasi nikel di urban jeung taneuh peri-urban.Algoritma SVMR dipigawé dina predictors pikeun meunangkeun model campuran Empiris Bayesian Kriging-Support Vector Machine (EBK_SVM).Kitu oge pikeun meunangkeun model MLR Kriging-SVM.Sarupa oge pikeun meunangkeun model MLR Kriging-Bayi Algoritma campuran ogé ngaliwatan algoritma ELR-Line Bay. grési (EBK_MLR). Biasana, variabel Ca, K, Mg, CaK, CaMg, KMg, jeung CaKMg dipaké salaku kovariat salaku prediktor eusi Ni dina taneuh urban jeung peri-urban. Modél nu paling ditarima diala (EBK_SVM atanapi EBK_MLR) lajeng bakal divisualisasikeun ngagunakeun alur kerja mandiri dina grafik ieu.
Ngagunakeun SeOM geus jadi alat populér pikeun ngatur, evaluating, sarta forecasting data dina sektor finansial, kasehatan, industri, statistik, elmu taneuh, sarta leuwih.SeOM dijieun maké jaringan saraf jieunan sarta métode learning unsupervised pikeun organisasi, evaluasi, jeung prediksi. variabel vektor43,56.Melssen dkk.57 ngajéntrékeun sambungan véktor input kana jaringan saraf ngaliwatan lapisan input tunggal ka véktor kaluaran kalayan véktor beurat tunggal. Kaluaran anu dihasilkeun ku SeOM nyaéta peta dua diménsi anu diwangun ku neuron béda atawa titik anyaman kana peta topologi héksagonal, sirkular, atawa kuadrat numutkeun jarakna. Ngabandingkeun ukuran peta dumasar kana métrik, kasalahan kuantisasi (QE .0.0) jeung kasalahan (QE 0.0000000000) metric, kuantisasi (QE) jeung 0.00grafik. 4, masing-masing, dipilih, nu mangrupakeun Unit 55-peta (5 × 11).Struktur neuron ditangtukeun nurutkeun jumlah titik dina persamaan empiris.
Jumlah data anu digunakeun dina ieu panalungtikan nya éta 115 sampel. Pendekatan acak digunakeun pikeun ngabagi data jadi data tés (25% pikeun validasi) jeung set data latihan (75% pikeun kalibrasi). Dataset latihan digunakeun pikeun ngahasilkeun modél régrési (kalibrasi), jeung dataset tés dipaké pikeun mariksa kamampuh generalisasi58. Hal ieu dilakukeun pikeun meunteun kasesuaian rupa-rupa model-model taneuh-nikel anu digunakeun dina prediksi eusi cross-nikel anu digunakeun dina prédiksi eusi-nikel saluyu. prosés ation, diulang lima kali.Variabel dihasilkeun interpolasi EBK dipaké salaku predictors atawa variabel explanatory keur prediksi variabel target (PTE).Modeling diatur dina RStudio ngagunakeun perpustakaan bungkusan (Kohonen), perpustakaan (caret), perpustakaan (modelr), perpustakaan ("e1071"), perpustakaan ("plyr"), perpustakaan ("Library Alat"), ("Perpustakaan Librar"), ("Library Métrik")
Rupa-rupa parameter validasi dipaké pikeun nangtukeun modél pangalusna cocog pikeun ngaramal konsentrasi nikel dina taneuh sarta evaluate akurasi model jeung validasi na.Model hibridisasi dievaluasi ngagunakeun mean absolute error (MAE), root mean square error (RMSE), jeung R-kuadrat atawa koefisien determinasi (R2). ukuran bebas ngajelaskeun kakuatan prediksi model, sedengkeun MAE nangtukeun nilai kuantitatif sabenerna.Nilai R2 kudu luhur mun evaluate model campuran pangalusna ngagunakeun parameter validasi, nu ngadeukeutan nilai ka 1, nu leuwih luhur akurasi.Nurutkeun Li et al.59, nilai kriteria R2 0,75 atawa leuwih gede dianggap prediktor alus;ti 0,5 nepi ka 0,75 kinerja modél bisa ditarima, sarta handap 0,5 kinerja model unacceptable. Nalika milih model ngagunakeun métode evaluasi kriteria validasi RMSE jeung MAE, nilai handap dimeunangkeun cukup jeung dianggap pilihan pangalusna. Persamaan handap ngajelaskeun metoda verifikasi.
dimana n ngagambarkeun ukuran tina nilai observasi \ ({Y}_{i}\) ngagambarkeun respon diukur, sarta \({\ widehat{Y}}_{i}\) ogé ngagambarkeun nilai respon diprediksi, kituna, pikeun i observasi munggaran.
Déskripsi statistik variabel prediktor jeung réspon dipidangkeun dina Tabél 1, némbongkeun rata-rata, simpangan baku (SD), koefisien variasi (CV), minimum, maksimum, kurtosis, jeung skewness.Nilai minimum jeung maksimum unsur aya dina nurunna urutan Mg
Korélasi variabel prediktor jeung elemen respon nunjukkeun korelasi nyugemakeun antara elemen (tingali Gambar 3). Korelasi nunjukkeun yén CaK exhibited korelasi sedeng kalayan nilai r = 0,53, sakumaha tuh CaNi. Sanajan Ca jeung K némbongkeun asosiasi modest saling, peneliti kayaning Kingston et al.68 jeung Santo69 nyarankeun yén tingkat maranéhanana dina taneuh anu tibalik proporsional. Tapi, Ca jeung Mg anu antagonis jeung K, tapi CaK correlates well. Ieu bisa jadi alatan aplikasi pupuk kayaning kalium karbonat, nu 56% leuwih luhur dina kalium. Kalium ieu moderately correlated kalawan magnésium (KM r = 0,63, dina industri potasium magnésium jeung magnésium nitrat). sh diterapkeun kana taneuh pikeun ningkatkeun tingkat kakuranganna. Nikel dikorelasikeun sedeng sareng Ca, K sareng Mg kalayan nilai r = 0,52, 0,63 sareng 0,55, masing-masing.
Matriks korelasi pikeun elemen anu nunjukkeun hubungan antara prediktor sareng réspon (Catetan: inohong ieu kalebet scatterplot antara elemen, tingkat signifikansi dumasar kana p <0,001).
Gambar 4 illustrates sebaran spasial unsur.Numutkeun Burgos et al70, aplikasi sebaran spasial nyaéta téhnik dipaké pikeun ngitung jeung nyorot hot spot di wewengkon polusi.Tingkat pengayaan Ca dina Gbr. 4 bisa ditempo dina bagian kalér-kuloneun peta sebaran spasial.The inohong nembongkeun alatan ngabeungharan kalsium di kalér-kulon. tina quicklime (kalsium oksida) pikeun ngurangan kaasaman taneuh sarta pamakéan na di pabrik baja salaku oksigén basa dina prosés steelmaking. Di sisi séjén, patani séjén resep ngagunakeun kalsium hidroksida dina taneuh asam pikeun neutralize pH, nu ogé ngaronjatkeun kandungan kalsium taneuh71. Kalium ogé némbongkeun titik panas di kalér-kuloneun jeung wétan peta. s.Ieu konsisten kalayan studi lianna, kayaning Madaras na Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, anu observasi yén stabilisasi taneuh jeung perlakuan jeung KCl na NPK nyababkeun eusi K tinggi dina taneuh.Pengayaan Kalium spasial di kalér-kuloneun peta distribusi bisa jadi alatan pamakéan pupuk dumasar-kalium kayaning kalium klorida, kalium sulfat, kalium nitrat, potash, sarta potash pikeun ngaronjatkeun eusi kalium taneuh goréng.Zádorová dkk.76 sarta Tlustoš et al.77 outlined yén aplikasi pupuk basis K ngaronjatkeun kandungan K dina taneuh sarta bakal nyata ngaronjatkeun kandungan gizi taneuh dina jangka panjang, utamana K jeung Mg némbongkeun titik panas dina taneuh.Hotspots rélatif sedeng di kalér-kuloneun peta jeung tenggara peta.Fiksasi koloid dina taneuh depletes konsentrasi magnésium interferon magnésium dina taneuh. , kayaning kalium magnésium sulfat, magnésium sulfat, sarta Kieserite, ngubaran deficiencies (tutuwuhan némbongan ungu, beureum, atawa coklat, nunjukkeun kakurangan magnésium) dina taneuh kalawan pH normal range6.The akumulasi nikel dina surfaces taneuh urban jeung peri-urban bisa jadi alatan kagiatan anthropogenic kayaning tatanén jeung pentingna nikel dina produksi stainless steel78.
Distribusi spasial elemen [peta distribusi spasial dijieun maké ArcGIS Desktop (ESRI, Inc, Vérsi 10.7, URL: https://desktop.arcgis.com).]
Hasil indéks kinerja modél pikeun elemen anu digunakeun dina ulikan ieu dipidangkeun dina Tabél 2. Di sisi séjén, RMSE jeung MAE tina Ni duanana deukeut enol (0,86 RMSE, -0,08 MAE). Di sisi séjén, duanana RMSE jeung MAE nilai K bisa ditarima. kapanggih leuwih hade tinimbang hasil John et al.54 ngagunakeun kriging sinergis pikeun prediksi konsentrasi S dina taneuh ngagunakeun data dikumpulkeun sarua. Kaluaran EBK kami diulik correlate jeung pamadegan Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 jeung John et al.82, utamana K jeung Ni.
Kinerja métode individu pikeun ngaramal eusi nikel dina taneuh urban jeung peri-urban ieu dievaluasi ngagunakeun kinerja model (Tabel 3). Validasi model jeung evaluasi akurasi dikonfirmasi yén prediktor Ca_Mg_K digabungkeun jeung model EBK SVMR yielded kinerja pangalusna.Calibration model Ca_Mg_K-EBK-EBK-EBK_SVMRan model kasalahan R2 (R2, EBK_SVMRan0 model) jeung kasalahan absolut (R2, EBK_SVMRan model) jeung kasalahan kuadrat. 37 (R2), 95,479 mg / kg (RMSE) sareng 77,368 mg / kg (MAE) Ca_Mg_K-SVMR nyaéta 0,663 (R2), 235,974 mg / kg (RMSE) sareng 166,946 mg / kg (MAE). Ca_Mg-EBK_SVMR (0,643 = R2);hasil RMSE jeung MAE maranéhanana éta leuwih luhur ti maranéhanana pikeun Ca_Mg_K-EBK_SVMR (R2 0.637) (tingali Table 3). Sajaba ti éta, RMSE jeung MAE tina Ca_Mg-EBK_SVMR (RMSE = 1664.64 jeung MAE = 1031.49) model anu 17.5 jeung 1.49, nu masing-masing 17,5 jeung 1.49, nu leuwih badag batan Ca_BKM. Kitu ogé, modél RMSE sareng MAE tina Ca_Mg-K SVMR (RMSE = 235.974 sareng MAE = 166.946) nyaéta 2.5 sareng 2.2 langkung ageung tibatan Ca_Mg_K-EBK_SVMR RMSE sareng MAE. Kebonye et al.46 jeung john et al.54, beuki deukeut RMSE jeung MAE ka nol, hasilna leuwih hadé.SVMR jeung EBK_SVMR boga nilai RSME jeung MAE dikuantisasi luhur. Ieu katalungtik yén estimasi RSME éta konsistén leuwih luhur ti nilai MAE, nunjukkeun ayana outliers.Numutkeun Legates jeung McCabe83, extent nu kaluar tina kasalahan mutlak RMSE. hartina beuki hétérogén dataset, nu leuwih luhur nilai MAE na RMSE.Katepatan tina cross-validasi assessment model campuran Ca_Mg_K-EBK_SVMR keur prediksi eusi Ni dina taneuh urban jeung suburban éta 63,70%.Nurutkeun Li et al.59, tingkat akurasi ieu mangrupa laju kinerja model ditarima. Hasil ayeuna dibandingkeun jeung ulikan saméméhna ku Tarasov et al.36 anu model hibrid dijieun MLPRK (Multilayer Perceptron Residual Kriging), patali jeung EBK_SVMR indéks evaluasi akurasi dilaporkeun dina ulikan ayeuna, RMSE (210) jeung The MAE (167,5) éta leuwih luhur ti hasil urang dina ulikan ayeuna (RMSE 95,479, MAE 77,368 MAE 77,368) . al.36 (0.544), jelas yén koefisien determinasi (R2) langkung luhur dina modél campuran ieu. Margin kasalahan (RMSE sareng MAE) (EBK SVMR) pikeun modél campuran dua kali langkung handap. Kitu ogé, Sergeev et al.34 kacatet 0.28 (R2) pikeun modél hibrida anu dikembangkeun (Multilayer Kriging2. The rékord ayeuna). tingkat akurasi prediksi model ieu (EBK SVMR) nyaeta 63,7%, sedengkeun akurasi prediksi diala ku Sergeev et al.34 mangrupa 28%.Peta ahir (Gbr. 5) dijieun maké modél EBK_SVMR na Ca_Mg_K salaku prediktor nembongkeun prediksi titik panas tur sedeng pikeun nikel ngaliwatan sakabéh wewengkon ulikan. Ieu ngandung harti yén konsentrasi nikel di wewengkon ulikan utamana sedeng, kalawan konsentrasi luhur di sababaraha wewengkon husus.
Peta prediksi ahir digambarkeun ngagunakeun modél hibrid EBK_SVMR sarta ngagunakeun Ca_Mg_K salaku prediktor.[Peta distribusi spasial dijieun maké RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Ditémbongkeun dina Gambar 6 konsentrasi PTE salaku pesawat komposisi diwangun ku neuron individu. Euweuh sahiji planes komponén exhibited pola warna anu sarua sakumaha ditémbongkeun. Sanajan kitu, jumlah luyu neuron per peta digambar nyaeta 55.SeOM dihasilkeun ngagunakeun rupa-rupa kelir, sarta leuwih sarupa pola warna, beuki comparable sipat tina sampel.Najan kitu, jumlah luyu tina neuron per peta digambar nyaeta 55.SeOM dihasilkeun ngagunakeun rupa-rupa kelir, sarta leuwih sarupa pola warna, beuki comparable sipat tina sampel.Numutkeun warna individu jeung warna, K, warna tinggi jeung K maranéhanana. neuron jeung neuron paling low.Ku kituna, CaK jeung CaMg babagi sababaraha kamiripan jeung tingkat luhur pisan neurons jeung low-to-sedeng pola warna low-to-sedeng pola.Boh model ngaramal konsentrasi Ni dina taneuh ku mintonkeun sedeng nepi ka luhur hues of warna saperti beureum, oranyeu jeung konéng.Model KMg mintonkeun loba pola warna luhur dumasar kana proporsi tepat jeung skala precise planét warna low jeung low pikeun komponén warna plank warna patches sedeng. model némbongkeun pola warna luhur nunjukkeun konsentrasi poténsi nikel dina taneuh (tingali Gambar 4).Komponén pesawat modél CakMg nembongkeun pola warna rupa-rupa ti low ka luhur nurutkeun skala warna akurat. taneuh.Gambar 7 ngagambarkeun métode kontur dina k-means grouping dina peta, dibagi kana tilu klaster dumasar kana nilai prediksi dina unggal model.Metode kontur ngagambarkeun jumlah optimal klaster.Tina 115 sampel taneuh dikumpulkeun, kategori 1 meunangkeun sampel taneuh panglobana, 74.Kluster 2 narima 33 sampel rencana kombinasi 8-komponén pikeun prédiksi. interpretasi klaster bener.Kusabab loba prosés anthropogenic jeung alam mangaruhan formasi taneuh, hese boga pola klaster differentiated leres dina SeOM map78 disebarkeun.
Kaluaran pesawat komponén ku unggal variabel Empiris Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM). [Peta SeOM dijieun maké RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Komponén klasifikasi klaster anu béda [peta SeOM didamel nganggo RStudio (versi 1.4.1717: https://www.rstudio.com/).]
Ulikan ayeuna jelas ngagambarkeun téhnik modeling pikeun konsentrasi nikel di urban jeung peri-urban soils.The ulikan nguji téhnik modeling béda, ngagabungkeun elemen jeung téhnik modeling, pikeun ménta cara pangalusna keur prediksi konsentrasi nikel dina taneuh.The SeOM komposisi planar fitur spasial tina téknik modeling exhibited pola warna luhur ti low ka luhur dina peta konséntrasi warna akurat dina peta warna akurat, dina peta sebaran nikel akurat, dina peta SeOM. sebaran spasial komponén exhibited ku EBK_SVMR (tingali Gambar 5). Hasilna nunjukkeun yén modél régrési mesin vektor rojongan (Ca Mg K-SVMR) ngaduga konsentrasi Ni dina taneuh salaku model tunggal, tapi validasi jeung evaluasi akurasi parameter nembongkeun kasalahan anu kacida luhurna dina watesan RMSE jeung MAE. R2).Hasil anu alus dicandak ngagunakeun EBK SVMR sareng elemen gabungan (CaKMg) kalayan kasalahan RMSE sareng MAE rendah kalayan akurasi 63,7%. Tétéla ngagabungkeun algoritma EBK sareng algoritma pembelajaran mesin tiasa ngahasilkeun algoritma hibrida anu tiasa ngaduga konsentrasi PTE dina taneuh. pupuk jeung polusi industri taneuh ku industri baja boga kacenderungan pikeun ngaronjatkeun konsentrasi nikel dina taneuh.Ulikan ieu ngungkabkeun yén modél EBK bisa ngurangan tingkat kasalahan sarta ngaronjatkeun akurasi model distribusi spasial taneuh di urban atawa taneuh peri-urban.Sajaba ti éta, urang ngajukeun ngagunakeun EBK pikeun hibridisasi jeung sagala rupa algoritma mesin learning.Konsentrasi Ni diprediksi ngagunakeun elemen salaku kovariat;kumaha oge, ngagunakeun leuwih kovariates bakal greatly ngaronjatkeun kinerja model, nu bisa dianggap watesan karya ayeuna. Watesan sejen ulikan ieu yén jumlah datasets nyaeta 115. Ku kituna, lamun leuwih data disadiakeun, kinerja metoda hibridisasi dioptimalkeun diusulkeun bisa ningkat.
PlantProbs.net.Nickel dina Tutuwuhan jeung Taneuh https://plantprobs.net/plant/nutrientImbalances/sodium.html (Diakses 28 April 2021).
Kasprzak, KS Nikel kamajuan dina toxicology.surroundings.toxicology.11 lingkungan modern, 11, 145-183 (1987).
Cempel, M. & Nikel, G. nikel: A review ngeunaan sumber na toxicology lingkungan.Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Input Polutan ti atmosfir sarta akumulasi dina taneuh jeung vegetasi deukeut smelter nikel-tambaga di Sudbury, Ontario, Canada.can.J.Bot.58 (1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Logam beurat dina taneuh, tutuwuhan jeung resiko pakait sareng grazing ruminansia deukeut tambang tambaga-nikel Selebi-Phikwe di Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Trace elements in soil and… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+4th+Ark+eds.9 CRC+Press&btnG= (Diaksés 24 Nov 2020).
Almås, A., Singh, B., Tatanén, TS-NJ tina & 1995, undefined.Pangaruh industri nikel Rusia dina konsentrasi logam beurat dina taneuh tatanén jeung jukut di Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Nyerep nikel sareng ingetan dina cai nginum aya hubunganana sareng asupan tuangeun sareng sensitipitas nikel.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB nikel carcinogenesis, mutasi, epigenetics atanapi selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Analisis tren unsur berpotensi toksik: tinjauan bibliometric. Géokimia Lingkungan sareng Kaséhatan.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Sajarah singket jeung Sababaraha Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Dina pemetaan taneuh digital.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=id&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford=+A+Css. ed 28 April 2021).
waktos pos: Jul-22-2022