Tack för att du besöker Nature.com. Webbläsarversionen du använder har begränsat stöd för CSS. För bästa upplevelse rekommenderar vi att du använder en uppdaterad webbläsare (eller stänger av kompatibilitetsläget i Internet Explorer). Under tiden, för att säkerställa fortsatt support, kommer vi att visa webbplatsen utan stilar och JavaScript.
Markföroreningar är ett stort problem som orsakas av mänskliga aktiviteter. Den rumsliga fördelningen av potentiellt giftiga grundämnen (PTE) varierar i de flesta tätortsområden och stadsnära områden. Därför är det svårt att rumsligt förutsäga innehållet av PTE i sådana jordar. Totalt erhölls 115 prover från Frydek Mistek i Tjeckien (Kassium), (Kassium), (Kassium) och kaliumnickel, (K) och kaliumnickel. s bestämdes med hjälp av induktivt kopplad plasmaemissionsspektrometri. Svarsvariabeln är Ni och prediktorerna är Ca, Mg och K. Korrelationsmatrisen mellan svarsvariabeln och prediktorvariabeln visar en tillfredsställande korrelation mellan elementen. Prediktionsresultaten visade att Support Vector Machine Regression (SVMR) fungerade bra, även om dess estimerade fel (235 kvadrat/MA7) medelvärde (mg 7, 235, 25 och 2000) E) (166,946 mg/kg) var högre än de andra metoderna som användes. Blandade modeller för empirisk Bayesian Kriging-Multiple Linear Regression (EBK-MLR) presterar dåligt, vilket framgår av bestämningskoefficienter mindre än 0,1. Den empiriska Bayesianska Kriging-Support Vector Machine Regression, EBK-MLR modellen var den bästa modellen (EBK-SVMR) (EBK-MLR) och låg 9,5 kg. och MAE-värden (77,368 mg/kg) och hög bestämningskoefficient (R2 = 0,637). EBK-SVMR-modelleringsteknikens utdata visualiseras med hjälp av en självorganiserande karta.Klustrerade neuroner i planet för hybridmodellen CakMg-EBK-SVMR-komponenten visar multipla färgmönster i urbana koncentrationer som förutsäger och peri-combin-resultat i städerna och sveberbiner. är en effektiv teknik för att förutsäga Ni-koncentrationer i urbana och peri-urbana jordar.
Nickel (Ni) anses vara ett mikronäringsämne för växter eftersom det bidrar till atmosfärisk kvävefixering (N) och ureametabolism, som båda krävs för frönsgroning. Utöver sitt bidrag till frönsgroning kan Ni fungera som en svamp- och bakteriehämmare och främja växtutveckling. Bristen på nickel i jorden gör att växten kan absorberas av gröna, till exempel kan bladen absorberas och växter. applicering av nickelbaserade gödningsmedel för att optimera kvävefixeringen2.Fortsatt applicering av nickelbaserade gödselmedel för att berika jorden och öka baljväxternas förmåga att fixera kväve i jorden ökar kontinuerligt nickelkoncentrationen i jorden. Även om nickel är ett mikronäringsämne för växter, kan dess överdrivna halt av nickel göra mer än så mycket nickel till. markens pH-värde och hindrar upptaget av järn som ett viktigt näringsämne för växttillväxt1. Enligt Liu3 har Ni visat sig vara det 17:e viktiga elementet som krävs för växtutveckling och tillväxt. Förutom nickels roll i växtutveckling och tillväxt, behöver människor det för en mängd olika applikationer. Galvanisering, tillverkning av nickelbaserade legeringar kräver all tillverkning av tändstift och tändstift inom bilindustrin och alla typer av tändstiftsindustrier och anordningar för nickel. industrisektorer. Dessutom har nickelbaserade legeringar och elektropläterade artiklar använts i stor utsträckning i köksutrustning, balsalstillbehör, livsmedelsindustrins förnödenheter, el, tråd och kabel, jetturbiner, kirurgiska implantat, textilier och skeppsbyggnad5. Ni-rika nivåer i jordar (dvs. ytjordar) har tillskrivits både en naturlig och en naturlig källa, men snarare en naturlig källa, en naturlig källa. ic4,6.Naturliga nickelkällor inkluderar vulkanutbrott, vegetation, skogsbränder och geologiska processer;antropogena källor inkluderar dock nickel/kadmium-batterier inom stålindustrin, galvanisering, bågsvetsning, diesel och eldningsoljor, och atmosfäriska utsläpp från kolförbränning och avfalls- och slamförbränning Nickelackumulering7,8. Enligt Freedman och Hutchinson9 och Manyiwa et al.10, är ​​de huvudsakliga källorna till matjordsföroreningar i den omedelbara och angränsande miljön huvudsakligen nickelkopparbaserade smältverk och gruvor. Toppjorden runt nickel-kopparraffinaderiet Sudbury i Kanada hade de högsta nivåerna av nickelförorening med 26 000 mg/kg11. Däremot har föroreningar från nickelproduktionen i alsac1 i Ryssland resulterat i högre nickelproduktion i als1 och Ryssland. .12 varierade mängden HNO3-extraherande nickel i regionens främsta åkermark (nickelproduktion i Ryssland) från 6,25 till 136,88 mg/kg, vilket motsvarar ett medelvärde på 30,43 mg/kg och en baslinjekoncentration på 25 mg/kg. Enligt kabata 11, applicering av urbana gödselmedel i sophosphorus agricultural in sophosphorus agricultural agricultural. iva växtsäsonger kan ingjuta eller förorena jorden. De potentiella effekterna av nickel hos människor kan leda till cancer genom mutagenes, kromosomskada, generering av Z-DNA, blockerad DNA-excisionsreparation eller epigenetiska processer13. I djurförsök har nickel visat sig ha potential att orsaka en mängd olika tumörer och cancerframkallande tumörkomplex kan orsaka nickel.
Markföroreningsbedömningar har blomstrat på senare tid på grund av ett brett spektrum av hälsorelaterade frågor som härrör från jord-växt-relationer, jord- och jordbiologiska relationer, ekologisk nedbrytning och miljökonsekvensbedömning. Hittills har rumslig förutsägelse av potentiellt toxiska element (PTE) som Ni i marken varit mödosam och tidskrävande av sina traditionella och tidskrävande metoder SM5. kraftigt förbättrad predictive soil mapping (PSM). Enligt Minasny och McBratney16 har predictive soil mapping (DSM) visat sig vara en framträdande underdisciplin inom markvetenskapen. Lagacherie och McBratney, 2006 definierar DSM som "skapandet och fyllningen av rumsliga markinformationssystem genom användning av sopatiella system för markinformation och spatiell observation i och spatologiska laboratoriesystem i och i spatologiska miljöer". cBratney et al.17 beskriver att den samtida DSM eller PSM är den mest effektiva tekniken för att förutsäga eller kartlägga den rumsliga fördelningen av PTE, jordtyper och jordegenskaper. Geostatistics and Machine Learning Algorithms (MLA) är DSM-modelleringstekniker som skapar digitaliserade kartor med hjälp av datorer som använder signifikant och minimal data.
Deutsch18 och Olea19 definierar geostatistik som "samlingen av numeriska tekniker som handlar om representation av rumsliga attribut, huvudsakligen med hjälp av stokastiska modeller, till exempel hur tidsserieanalys karakteriserar tidsdata."Primärt involverar geostatistik utvärdering av variogram, som gör det möjligt att kvantifiera och definiera beroenden av rumsliga värden från varje dataset20.Gumiaux et al.20 illustrerar vidare att utvärderingen av variogram i geostatistik är baserad på tre principer, inklusive (a) beräkning av datakorrelationsskalan, (b) identifiering och beräkning av anisotropi i datauppsättningsskillnader och (c) förutom att ta hänsyn till det inneboende felet i mätdata separerade från de lokala effekterna, uppskattas även dessa geostatiska effekter på interkonceptet, geostaterna. istics, inklusive allmän kriging, co-kriging, vanlig kriging, empirisk Bayesian kriging, enkel kriging-metod och andra välkända interpolationstekniker för att kartlägga eller förutsäga PTE, markegenskaper och jordtyper.
Machine Learning Algorithms (MLA) är en relativt ny teknik som använder större icke-linjära dataklasser, som drivs av algoritmer som främst används för datautvinning, identifierar mönster i data och upprepade gånger tillämpas på klassificering inom vetenskapliga områden som markvetenskap och returuppgifter. Många forskningsartiklar förlitar sig på såsom PLA-modeller i et al.22 (slumpmässiga skogar för uppskattning av tungmetaller i jordbruksjordar), Sakizadeh et al.23 (modellering med hjälp av stödvektormaskiner och artificiella neurala nätverk) markföroreningar). Dessutom har Vega et al.24 (CART för modellering av tungmetallretention och adsorption i jord) Sun et al.25 (tillämpning av kubistisk är fördelningen av Cd i jord) och andra algoritmer som k-närmaste granne, generaliserad förstärkt regression och boostad regression Träd tillämpade också MLA för att förutsäga PTE i jord.
Tillämpningen av DSM-algoritmer vid förutsägelse eller kartläggning står inför flera utmaningar. Många författare anser att MLA är överlägset geostatistik och vice versa. Även om den ena är bättre än den andra, förbättrar kombinationen av de två noggrannheten för kartläggning eller förutsägelse i DSM15.Woodcock och Gopal26 Finke27;Pontius och Cheuk28 och Grunwald29 kommenterar brister och vissa fel i förutspådd markkartering. Markforskare har prövat en mängd olika tekniker för att optimera effektiviteten, noggrannheten och förutsägbarheten hos DSM-kartläggning och -prognoser. Kombinationen av osäkerhet och verifiering är en av många olika aspekter integrerade i DSM, reducera till defekter och defekter.15 beskriver att valideringsbeteendet och osäkerheten som introduceras genom att skapa och förutsäga kartor bör valideras oberoende för att förbättra kartkvaliteten. Begränsningarna för DSM beror på geografiskt spridd jordkvalitet, vilket innebär en komponent av osäkerhet;emellertid kan bristen på säkerhet i DSM härröra från flera felkällor, nämligen kovariatfel, modellfel, lokaliseringsfel och analytiskt fel 31. Modelleringsfel i MLA och geostatistiska processer är förknippade med en bristande förståelse, vilket i slutändan leder till överförenkling av den verkliga processen, oavsett modell, oavsett modell, oavsett modell32. atiska modellförutsägelser, eller interpolation33. Nyligen har en ny DSM-trend dykt upp som främjar integrationen av geostatistik och MLA i kartläggning och prognoser. Flera markforskare och författare, såsom Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 och Tarasov et al.37 har utnyttjat den exakta kvaliteten på geostatistik och maskininlärning för att generera hybridmodeller som förbättrar effektiviteten i prognoser och kartläggning.kvalitet.Några av dessa hybrid- eller kombinerade algoritmmodeller är Artificiell Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificiell Neural Network Kriging-Multilayer Perceptron (ANN-K-MLPK3) Process.
Enligt Sergeev et al., har kombinationen av olika modelleringstekniker potentialen att eliminera defekter och öka effektiviteten hos den resulterande hybridmodellen snarare än att utveckla dess enda modell. I detta sammanhang hävdar denna nya artikel att det är nödvändigt att tillämpa en kombinerad algoritm av geostatistik och MLA för att skapa optimala hybridmodeller för att förutsäga Ni-anrikning i urbana områden och empirisk bas för att studera bukten som bas. och blanda den med Support Vector Machine (SVM) och Multiple Linear Regression (MLR)-modeller. Hybridisering av EBK med någon MLA är inte känd. De multipla blandade modellerna som ses är kombinationer av ordinär, residual, regressionskriging, och MLA.EBK är en geostatistisk interpolationsmetod som använder ett rumsligt stokastiskt fält som är lokalt stokastiskt fält och en slumpmässigt stokastisk process över en slumpmässigt stationär process. , vilket möjliggör rumslig variation39.EBK har använts i en mängd olika studier, inklusive analys av fördelningen av organiskt kol i jordbruksmark40, bedömning av markföroreningar41 och kartläggning av markegenskaper42.
Å andra sidan är Self-Organizing Graph (SeOM) en inlärningsalgoritm som har tillämpats i olika artiklar som Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 och Kebonye et al.46 Bestäm de rumsliga attributen och grupperingen av element. Wang et al.44 beskriver att SeOM är en kraftfull inlärningsteknik känd för sin förmåga att gruppera och föreställa sig icke-linjära problem. Till skillnad från andra mönsterigenkänningstekniker såsom principal komponentanalys, fuzzy clustering, hierarkisk klustring och beslutsfattande med flera kriterier, är SeOM bättre på att organisera och identifiera PTE-mönster. Enligt Wang et al.44, SeOM kan rumsligt gruppera fördelningen av relaterade neuroner och tillhandahålla högupplöst datavisualisering. SeOM kommer att visualisera Ni-förutsägelsedata för att få den bästa modellen för att karakterisera resultaten för direkt tolkning.
Den här artikeln syftar till att generera en robust kartläggningsmodell med optimal noggrannhet för att förutsäga nickelinnehåll i urbana och stadsnära jordar. Vi antar att tillförlitligheten hos den blandade modellen främst beror på inflytandet från andra modeller kopplade till basmodellen. Vi erkänner de utmaningar som DSM står inför, och medan dessa utmaningar hanteras på flera fronter och MLA-modeller framträder i kombination av geostatistiska fronter och geostatistiska modeller;därför kommer vi att försöka svara på forskningsfrågor som kan ge blandade modeller. Men hur noggrann är modellen när det gäller att förutsäga målelementet? Dessutom, vilken nivå av effektivitetsutvärdering baserad på validering och noggrannhetsutvärdering? Därför var de specifika målen med denna studie att (a) skapa en kombinerad blandningsmodell för SVMR eller MLR jämföra som basmodellen med EBK-modellen (föreslå den bästa modellen) förutsäga Ni-koncentrationer i urbana eller peri-urbana jordar, och (d) tillämpningen av SeOM för att skapa en högupplöst karta över nickel rumslig variation.
The study is being carried out in the Czech Republic, specifically in the Frydek Mistek district in the Moravia-Silesian region (see Figure 1).The geography of the study area is very rugged and is mostly part of the Moravia-Silesian Beskidy region, which is part of the outer rim of the Carpathian Mountains.The study area is located between 49° 41′ 0′ N and 18° 20′ 0′ E, and the altitude is between 225 and 327 m;Koppens klassificeringssystem för regionens klimattillstånd klassificeras dock som Cfb = tempererat havsklimat. Det finns mycket nederbörd även under de torra månaderna. Temperaturerna varierar något under hela året mellan −5 °C och 24 °C, faller sällan under −14 °C eller över 30 °C, medan den genomsnittliga årliga nederbördsytan är 7 mm till 7 mm nederbörd. är 1 208 kvadratkilometer, med 39,38 % av den odlade marken och 49,36 % av skogstäckningen. Å andra sidan är arean som används i denna studie ca 889,8 kvadratkilometer. I och runt Ostrava är stålindustrin och metallverken mycket aktiva. Metallverk, stålindustrin där nickelfritt stål och stål- och stålbeständighet används för korrosion och nickel. Så ökar legeringens hållfasthet samtidigt som dess goda formbarhet och seghet bibehålls), och intensivt jordbruk som applicering av fosfatgödselmedel och boskapsproduktion är forskningspotentiella källor till nickel i regionen (t.ex. att tillsätta nickel till lamm för att öka tillväxthastigheten hos lamm och lågfodrade nötkreatur). Andra industriella användningsområden för nickel i forskningsområden är elektroplätering, inklusive elektroplätering av nickel, inklusive elektroplätering. lätt att skilja från markens färg, struktur och karbonatinnehåll. Jordstrukturen är medel till fin, härledd från modermaterialet. De är kolluviala, alluviala eller eoliska till sin natur. Vissa jordområden verkar fläckiga i ytan och underjorden, ofta med betong och blekning. Däremot är kambisoler och stagnosoler i de vanligaste höjderna och 4-typerna från 5 till 4 regioner. 493,5 m, cambisols dominerar Tjeckien49.
Karta över studieområde [Studieområdeskartan skapades med ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com).]
Totalt 115 matjordsprover erhölls från urbana och närliggande jordar i Frydek Mistek-distriktet. Provmönstret som användes var ett vanligt rutnät med jordprover placerade 2 × 2 km från varandra, och matjorden mättes på ett djup av 0 till 20 cm med hjälp av en handhållen GPS-enhet (Leica Zeno 5 märkt påse, GPS och proverna är korrekt märkta med laboratorieförpackningar och GPS). lufttorkades för att producera pulveriserade prover, pulvriserades med ett mekaniskt system (Fritsch skivkvarn) och siktades (siktstorlek 2 mm). Placera 1 gram torkade, homogeniserade och siktade jordprover i tydligt märkta teflonflaskor. I varje teflonkärl, fördela 7 ml 35 % HCl och 5 % 3 ml syra för varje syra och 5 % 3 ml syra för varje syra. låt proverna stå över natten för reaktionen (aqua regia-programmet). Placera supernatanten på en het metallplatta (temperatur: 100 W och 160 °C) i 2 timmar för att underlätta rötningsprocessen av proverna, kyl sedan. Överför supernatanten till en 50 ml mätkolv och späd ut med det utspädda vattnet till 50 ml. ml PVC-rör med avjoniserat vatten. Dessutom späddes 1 ml av utspädningslösningen med 9 ml avjoniserat vatten och filtrerades in i ett 12 ml-rör förberett för PTE-pseudokoncentration. Koncentrationerna av PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, MgIn, K) bestämdes av ICP-CoS-optiskt Spectical Spectical Spectical (ICP- CoSuptro) (Thermo Fisher Scientific, USA) enligt standardmetoder och avtal. Säkerställ kvalitetssäkring och kontroll (QA/QC) procedurer (SRM NIST 2711a Montana II Soil).PTE med detektionsgränser under hälften exkluderades från denna studie. Detektionsgränsen för den PTE som användes i denna studie var 0,0004. .För att säkerställa att felen minimerades gjordes en dubbelanalys.
Empirisk Bayesian Kriging (EBK) är en av många geostatistiska interpolationstekniker som används vid modellering inom olika områden såsom markvetenskap. Till skillnad från andra kriging-interpolationstekniker skiljer sig EBK från traditionella kriging-metoder genom att ta hänsyn till det fel som uppskattas av semivariogrammodellen. I EBK-interpolation görs flera semivariogrammodeller för interpolering snarare än under en enda interpoleringsteknik. säkerhet och programmering associerad med denna plottning av semivariogrammet som utgör en mycket komplex del av en tillräcklig kriging-metod. Interpolationsprocessen för EBK följer de tre kriterierna som föreslagits av Krivoruchko50, (a) modellen uppskattar semivariogrammet från indatasetet (b) det nya förutsagda värdet för varje indatauppsättningsplats baserat på den genererade semivariogrammet och en beräknad bayssimuleringsregel är ett simulerat slutkvariogram och (c) som en posterior
Där \(Prob\left(A\right)\) representerar föregående, \(Prob\left(B\right)\) marginell sannolikhet ignoreras i de flesta fall, \(Prob (B,A)\ ) .Beräkningen av semivariogram baseras på Bayes regel, som visar benägenheten hos observationsuppsättningar som kan skapas från semigramvärdesdataset som kan skapas med hjälp av semivariograms sannolikhet, med hjälp av semigramvärdesregeln. är att skapa en datauppsättning av observationer från semivariogrammet.
En stödvektormaskin är en maskininlärningsalgoritm som genererar ett optimalt separerande hyperplan för att särskilja identiska men inte linjärt oberoende klasser.Vapnik51 skapade avsiktsklassificeringsalgoritmen, men den har nyligen använts för att lösa regressionsorienterade problem. Enligt Li et al.52 är SVM en av de bästa klassificerarens tekniker inom olika och har använts i SVM Regession Machine (SVM Regession Machine fields). – SVMR) användes i denna analys.Cherkassky och Mulier53 var pionjärer med SVMR som en kärnbaserad regression, vars beräkning utfördes med hjälp av en linjär regressionsmodell med rumsliga funktioner i flera länder. John et al54 rapporterar att SVMR-modellering använder hyperplanelinjär regression, vilket skapar olinjära relationer till Vos och nonlinear.55, epsilon (ε)-SVMR använder den tränade datamängden för att erhålla en representationsmodell som en epsilon-okänslig funktion som används för att kartlägga data oberoende med den bästa epsilon-bias från träning på korrelerade data. Det förinställda avståndsfelet ignoreras från det faktiska värdet, och om felet är större än ε(ε), kompenserar den komplexa egenskaperna hos träningsdatan också till en delmängd. stödvektorer. Ekvationen som föreslagits av Vapnik51 visas nedan.
där b representerar den skalära tröskeln, \(K\left({x}_{,}{ x}_{k}\right)\) representerar kärnfunktionen, \(\alpha\) representerar Lagrange-multiplikatorn, N representerar en numerisk datauppsättning, \({x}_{k}\) representerar datainmatning, och \(y\) är en radiell funktion för datanyckeln som används för MR-funktionen. F). RBF-kärnan används för att bestämma den optimala SVMR-modellen, vilket är avgörande för att erhålla den mest subtila straffuppsättningsfaktorn C och kärnparametern gamma (γ) för PTE-träningsdata.Först utvärderade vi träningsuppsättningen och testade sedan modellens prestanda på valideringsuppsättningen. Styrparametern som används är sigma och metodvärdet är svmRadial.
En multipellinjär regressionsmodell (MLR) är en regressionsmodell som representerar förhållandet mellan svarsvariabeln och ett antal prediktorvariabler genom att använda linjära poolade parametrar beräknade med minsta kvadratmetoden. I MLR är en minsta kvadratmodell en prediktiv funktion av markegenskaper efter val av förklarande variabler. Det är nödvändigt att använda svaret med hjälp av förklaringsvariabeln som används för att upprätta ett variabelt linjärt förhållande som ett linjärt samband med PTE. förklarande variabler. MLR-ekvationen är
där y är svarsvariabeln, \(a\) är skärningen, n är antalet prediktorer, \({b}_{1}\) är den partiella regressionen av koefficienterna, \({x}_{ i}\) representerar en prediktor eller förklarande variabel, och \({\varepsilon }_{i}\) representerar även felet i modellen,.
Blandade modeller erhölls genom att lägga ihop EBK med SVMR och MLR. Detta görs genom att extrahera förutsagda värden från EBK-interpolation. De förutspådda värdena som erhålls från de interpolerade Ca, K och Mg erhålls genom en kombinatorisk process för att erhålla nya variabler, såsom CaK, CaMg och KMg. Elementen erhåller fyra K, K och Mg kombinerade variabeln Ca, K och Mg. variabler som erhålls är Ca, K, Mg, CaK, CaMg, KMg och CaKMg. Dessa variabler blev våra prediktorer, och hjälper till att förutsäga nickelkoncentrationer i urbana och peri-urbana jordar. SVMR-algoritmen utfördes på prediktorerna för att erhålla en blandad modell Empirisk Bayesian Kriging-Support Vector Machine (EBK_arM är också blandad med MLRM-röret till variabeln). modell Empirisk Bayesiansk Kriging-Multiple Linear Regression (EBK_MLR). Vanligtvis används variablerna Ca, K, Mg, CaK, CaMg, KMg och CaKMg som kovariater som prediktorer av Ni-innehåll i urbana och peri-urbana jordar. Den mest acceptabla modellen som erhålls (EBK_SVR med hjälp av en själv-ML-studie visas sedan i visualisering av denna studie). Figur 2.
Att använda SeOM har blivit ett populärt verktyg för att organisera, utvärdera och prognostisera data inom finanssektorn, sjukvård, industri, statistik, markvetenskap med mera.SeOM skapas med hjälp av artificiella neurala nätverk och oövervakade inlärningsmetoder för organisation, utvärdering och förutsägelse. I den här studien användes SeOM för att visualisera Ni-modellen för koncentrationer och förutsäga de bästa i urbana data i SeOM. utvärdering används som n indatadimensionella vektorvariabler43,56.Melssen et al.57 beskriver anslutningen av en ingångsvektor till ett neuralt nätverk genom ett enda ingångsskikt till en utdatavektor med en enkelviktsvektor. Utdata som genereras av SeOM är en tvådimensionell karta som består av olika neuroner eller noder invävda i hexagonala, cirkulära eller kvadratiska topologiska kartor beroende på deras närhet. Jämför kartstorlekar baserat på metrisk, kvantifieringsmodell med (6) och (6) (6) och fel. 0,904, respektive, väljs, vilket är en enhet med 55 kartor (5 × 11). Neuronstrukturen bestäms enligt antalet noder i den empiriska ekvationen
Antalet data som används i denna studie är 115 prover. Ett slumpmässigt tillvägagångssätt användes för att dela upp datan i testdata (25 % för validering) och träningsdataset (75 % för kalibrering). Träningsdataset används för att generera regressionsmodellen (kalibrering), och testdataset används för att verifiera generaliseringsförmågan58. Detta gjordes för att bedöma innehållslämpligheten för olika nickels-modeller som användes för att förutsäga olika modeller. -valideringsprocess, upprepad fem gånger. Variablerna som produceras av EBK-interpolation används som prediktorer eller förklarande variabler för att förutsäga målvariabeln (PTE). Modellering hanteras i RStudio med hjälp av paketbiblioteket(Kohonen), library(caret), library(modelr), library(“e1071″(“pl”), library(”), library(”), library(”)”) och bibliotek ("Mätvärden").
Olika valideringsparametrar användes för att bestämma den bästa modellen som lämpar sig för att förutsäga nickelkoncentrationer i jord och för att utvärdera noggrannheten av modellen och dess validering. Hybridiseringsmodeller utvärderades med hjälp av genomsnittligt absolut fel (MAE), rotmedelkvadratfel (RMSE) och R-kvadrat- eller koefficientbestämning (R2). itude i oberoende mått beskriver modellens prediktiva kraft, medan MAE bestämmer det faktiska kvantitativa värdet. R2-värdet måste vara högt för att utvärdera den bästa blandningsmodellen med hjälp av valideringsparametrarna, ju närmare värdet är 1, desto högre noggrannhet. Enligt Li et al.59 anses ett R2-kriteriumvärde på 0,75 eller högre vara en bra prediktor;från 0,5 till 0,75 är acceptabel modellprestanda, och under 0,5 är oacceptabel modellprestanda. När man väljer en modell som använder RMSE- och MAE-valideringskriteriernas utvärderingsmetoder var de lägre erhållna värdena tillräckliga och ansågs vara det bästa valet. Följande ekvation beskriver verifieringsmetoden.
där n representerar storleken på det observerade värdet\({Y}_{i}\) representerar det uppmätta svaret, och \({\widehat{Y}}_{i}\) representerar därför också det förutsagda svarsvärdet för de första i-observationerna.
Statistiska beskrivningar av prediktor- och svarsvariabler presenteras i tabell 1, som visar medelvärde, standardavvikelse (SD), variationskoefficient (CV), minimum, maximum, kurtos och skevhet. Minsta och maximala värden för elementen är i fallande ordning Mg < Ca < K < Ni och Ca < Mg < K < Ni, koncentrationer av variabeln (Ni, koncentrationer av svarsområdet från 4 respektive 8 koncentrationer av svarsområdet 8). till 42,39 mg/kg. Jämförelse av Ni med världsgenomsnittet (29 mg/kg) och det europeiska genomsnittet (37 mg/kg) visade att det totala beräknade geometriska medelvärdet för studieområdet låg inom det tolerabla intervallet. Ändå, som framgår av Kabata-Pendias11, visar en jämförelse av den genomsnittliga nickelhalten (Ni) nuvarande koncentrationen i Sverige att den nuvarande genomsnittliga nickelhalten i Sverige är den högre halten av nickel (Ni) i Sverige. medelkoncentrationen av Frydek Mistek i urbana och peri-urbana jordar i den aktuella studien (Ni 16,15 mg/kg) var högre än den tillåtna gränsen på 60 (10,2 mg/kg) för Ni i polska urbana jordar rapporterade av Różański et al.Dessutom, Bretzel och Calderisi61 jämförde koncentrationer av städer och städer i Tuscany mycket låga (1)7 medelvärde i Tuscany. Jim62 fann också en lägre nickelkoncentration (12,34 mg/kg) i Hongkongs stadsjordar, vilket är lägre än den nuvarande nickelkoncentrationen i denna studie. Birke et al63 rapporterade en genomsnittlig Ni-koncentration på 17,6 mg/kg i ett gammalt gruv- och stadsindustriområde i Sachsen-Anhalt, Tyskland, vilket var 1,45 mg/kg högre än den genomsnittliga koncentrationen av nickel i 5 mg/kg i genomsnittlig forskning. jordar i vissa stads- och förortsområden i studieområdet kan huvudsakligen hänföras till järn- och stålindustrin och metallindustrin. Detta överensstämmer med studien av Khodadoust et al.64 att stålindustrin och metallbearbetning är de huvudsakliga källorna till nickelförorening i jordar. Prediktorerna varierade dock också från 538,70 mg/kg till 69 161,80 mg/kg för Ca, 497,51 mg/kg till 3535,68 mg/kg för K och 685,68 mg/kg för K, och 685,70 mg/kg. al.65 undersökte det totala Mg- och K-innehållet i jordar i centrala Serbien. De fann att de totala koncentrationerna (410 mg/kg respektive 400 mg/kg) var lägre än Mg- och K-koncentrationerna i den aktuella studien. Oskiljbar, i östra Polen, Orzechowski och Smolczynski66 bedömde den totala halten av Mg och K Ca, (1 mg/0 kg) (1 mg/kg) 590 mg/kg) och K (810 mg/kg) Innehållet i matjorden är lägre än det enskilda elementet i denna studie. En färsk studie av Pongrac et al.67 visade att den totala Ca-halten analyserad i 3 olika jordar i Skottland, Storbritannien (Mylnefield-jord, Balruddery-jord och Hartwood-jord) indikerade en högre Ca-halt i denna studie.
På grund av de olika uppmätta koncentrationerna av de samplade elementen uppvisar elementens datamängdsfördelning olika skevhet. Skevheten och kurtosen hos elementen varierade från 1,53 till 7,24 respektive 2,49 till 54,16. Alla beräknade element har skevhet och kurtos-, skevhets- och kurtosriktningsnivåer i över +1, kurtos- och kurtosriktningsnivåerna över +1 ed. De uppskattade CV:erna för grundämnena visar också att K, Mg och Ni uppvisar måttlig variabilitet, medan Ca har extremt hög variabilitet. CV:n för K, Ni och Mg förklarar deras enhetliga fördelning. Dessutom är Ca-fördelningen olikformig och externa källor kan påverka dess anrikningsnivå.
Korrelationen av prediktorvariablerna med responselementen indikerade en tillfredsställande korrelation mellan elementen (se figur 3). Korrelationen indikerade att CaK uppvisade måttlig korrelation med r-värdet = 0,53, liksom CaNi. Även om Ca och K visar blygsamma samband med varandra, visade forskare som Kingston et al.68 och Santo69 tyder på att deras halter i marken är omvänt proportionella. Ca och Mg är dock antagonistiska mot K, men CaK korrelerar väl. Detta kan bero på användningen av gödningsmedel som kaliumkarbonat, som är 56 % högre i kalium. Kalium var måttligt korrelerat med magnesium, eftersom dessa två element är nära relaterade (K.6 gödselmedel3). kaliummagnesiumsulfat, kaliummagnesiumnitrat och kaliumklorid appliceras på jordar för att öka deras bristnivåer. Nickel är måttligt korrelerad med Ca, K och Mg med r-värden = 0,52, 0,63 respektive 0,55. Relationerna som involverar kalcium, magnesium och PTE reducerar komplex, magnesium och icke-hiberande kalciumabsorption, t.ex. av överskott av magnesium, och både magnesium och kalcium minskar de toxiska effekterna av nickel i marken.
Korrelationsmatris för element som visar sambandet mellan prediktorer och svar (Obs: denna figur inkluderar ett spridningsdiagram mellan element, signifikansnivåer är baserade på p < 0,001).
Figur 4 illustrerar den rumsliga fördelningen av element. Enligt Burgos et al70 är tillämpningen av rumslig fördelning en teknik som används för att kvantifiera och markera hot spots i förorenade områden. Anrikningsnivåerna av Ca i figur 4 kan ses i den nordvästra delen av den rumsliga spridningskartan. Figuren visar måttlig till hög Ca-anrikning av kalciumanrikningen från den nordvästra anrikningen av den nordvästra anrikningen (den sannolika kartan över anrikningen av kalcium i nordvästra anrikningen. kalciumoxid) för att minska jordens surhet och dess användning i stålverk som alkaliskt syre i ståltillverkningsprocessen. Å andra sidan föredrar andra bönder att använda kalciumhydroxid i sura jordar för att neutralisera pH, vilket också ökar kalciumhalten i jorden71.Kalium visar också hot spots i nordvästra och östra delen av kartan. Nordväst är ett måttligt till PK- och N-jordbrukssamhälle, och kan vara ett stort mönster av måttlig till potassium. askapplicering. Detta överensstämmer med andra studier, såsom Madaras och Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, som observerade att markstabilisering och behandling med KCl och NPK resulterade i högt K-innehåll i jorden.Rumslig anrikning av kalium i nordväst om utbredningskartan kan bero på användningen av kaliumbaserade gödselmedel såsom kaliumklorid, kaliumsulfat, kaliumnitrat, kaliumklorid och kalium för att öka kaliumhalten i fattiga jordar.Zádorová et al.76 och Tlustoš et al.77 beskrev att användningen av K-baserade gödselmedel ökade K-halten i jorden och skulle avsevärt öka jordens näringsinnehåll på lång sikt, särskilt K och Mg som visar en het fläck i jorden. Relativt måttliga hotspots i nordvästra kartan och sydöstra delen av kartan. Kolloidal fixering i marken av magnesium gör att växterna blir gula i marken. intervein chlorosis.Magnesiumbaserade gödselmedel, såsom kaliummagnesiumsulfat, magnesiumsulfat och Kieserit, behandlar brister (växter ser lila, röda eller bruna ut, vilket tyder på magnesiumbrist) i jordar med ett normalt pH-område6. Ackumuleringen av nickel på urbana och stadsnära jordarter kan vara betydelsefulla för gröda nickelytor och växtlösa ytor i stål. produktion78.
Rumslig distribution av element [spatial distributionskarta skapades med ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com).]
Resultaten av modellprestandaindex för de element som används i denna studie visas i tabell 2. Å andra sidan är RMSE och MAE för Ni båda nära noll (0,86 RMSE, -0,08 MAE). Å andra sidan är både RMSE- och MAE-värdena för K acceptabla. RMSE- och MAE-resultaten var större för K MAEr- och magnesium- och MAE-resultaten. av denna studie med EBK för att förutsäga Ni visade sig vara bättre än resultaten av John et al.54 använda synergistisk kriging för att förutsäga S-koncentrationer i mark med samma insamlade data. De EBK-utdata vi studerade korrelerar med de från Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 och John et al.82, speciellt K och Ni.
Prestanda för individuella metoder för att förutsäga nickelinnehåll i urbana och stadsnära jordar utvärderades med hjälp av modellernas prestanda (tabell 3). Modellvalidering och noggrannhetsutvärdering bekräftade att Ca_Mg_K-prediktorn i kombination med EBK SVMR-modellen gav den bästa prestandan. Kalibreringsmodellen Ca_Mg_K:s medelvärde (REBK_SVMR-medelvärde) absolut fel (REBK_SVMR) medelvärde fel (REBK_Mg_K) E) var 0,637 (R2), 95,479 mg/kg (RMSE) och 77,368 mg/kg (MAE). Ca_Mg_K-SVMR var 0,663 (R2), 235,974 mg/kg (RMSE) och 166,946 mg/kg (MAE). mg/kg R2) och Ca_Mg-EBK_SVMR (0,643 = R2);deras RMSE- och MAE-resultat var högre än de för Ca_Mg_K-EBK_SVMR (R2 0,637) (se tabell 3). Dessutom är RMSE och MAE för Ca_Mg-EBK_SVMR (RMSE = 1664,64 och MAE = 1031,49)-modellen 13,4, större än 137,4 av Ca,-M respektive _g EBK_SVMR. Likaså är RMSE och MAE för Ca_Mg-K SVMR-modellen (RMSE = 235.974 och MAE = 166.946) 2.5 och 2.2 större än de för Ca_Mg_K-EBK_SVMR RMSE respektive MAE. Resultaten är bäst koncentrerade och jämförda med linjen och HRMSE. MAE observerades. Enligt Kebonye et al.46 och john et al.54, ju närmare RMSE och MAE är noll, desto bättre resultat. SVMR och EBK_SVMR har högre kvantiserade RSME- och MAE-värden. Det observerades att RSME-uppskattningarna konsekvent var högre än MAE-värdena, vilket indikerar förekomsten av extremvärden. Enligt Legates och McCabe83, är den rekommenderade omfattningen av den absoluta förekomsten av RMSE-värden (en dic) Detta innebär att ju mer heterogen datauppsättningen är, desto högre MAE- och RMSE-värden. Noggrannheten för korsvalideringsbedömningen av Ca_Mg_K-EBK_SVMR-blandningsmodellen för att förutsäga Ni-innehåll i stads- och förortsjordar var 63,70%. Enligt Li et al.59, är denna nivå av noggrannhet en acceptabel modellprestanda. De nuvarande resultaten jämförs med en tidigare studie av Tarasov et al.36 vars hybridmodell skapade MLPRK (Multilayer Perceptron Residual Kriging), relaterad till EBK_SVMR noggrannhetsutvärderingsindex som rapporterats i den aktuella studien, RMSE (210) och The MAE (167.5) var högre än våra resultat i den aktuella studien (RMSE 95.479, MAE 77.328 jämfört med den nuvarande studien med (77.328) jämfört med den nuvarande (77.368). av Tarasov et al.36 (0,544), är det tydligt att bestämningskoefficienten (R2) är högre i denna blandade modell. Felmarginalen (RMSE och MAE) (EBK SVMR) för den blandade modellen är två gånger lägre. Likaså har Sergeev et al.34 registrerat 0,28 (R2) för den utvecklade hybridmodellen (Multilayer current Perceptron 7). prediktionsnoggrannhetsnivån för denna modell (EBK SVMR) är 63,7 %, medan prediktionsnoggrannheten erhålls av Sergeev et al.34 är 28%.Den slutliga kartan (Fig. 5) skapad med EBK_SVMR-modellen och Ca_Mg_K som prediktor visar förutsägelser av hot spots och måttlig till nickel över hela studieområdet. Detta innebär att koncentrationen av nickel i studieområdet huvudsakligen är måttlig, med högre koncentrationer i vissa specifika områden.
Den slutliga prediktionskartan representeras med hybridmodellen EBK_SVMR och med Ca_Mg_K som prediktor.[Den rumsliga distributionskartan skapades med RStudio (version 1.4.1717: https://www.rstudio.com/).]
I figur 6 visas PTE-koncentrationer som ett sammansättningsplan bestående av individuella neuroner. Inget av komponentplanen uppvisade samma färgmönster som visas. Det lämpliga antalet neuroner per ritad karta är dock 55. SeOM produceras med en mängd olika färger, och ju mer lika färgmönstren är, desto mer jämförbara egenskaperna hos de individuella proverna och deras färgskala, MC, färgskala och deras exakta färgskala. mönster till enstaka höga neuroner och de flesta låga neuroner. Således delar CaK och CaMg vissa likheter med neuroner av mycket hög ordning och låga till måttliga färgmönster. Båda modellerna förutsäger koncentrationen av Ni i marken genom att visa medelhöga till höga färgtoner som rött, orange och gult. KMg-modellen visar många höga färgmönster baserat på exakta till låga färgfördelningar av färgmönstren och låga färgfördelningar, från exakta färgproportioner till låga färgproportioner. komponenter i modellen visade ett högt färgmönster som indikerar den potentiella koncentrationen av nickel i marken (se figur 4). CakMg-modellens komponentplan visar ett varierat färgmönster från lågt till högt enligt en exakt färgskala. Dessutom liknar modellens förutsägelse av nickelhalt (CakMg) den rumsliga fördelningen av nickel som visas i städernas koncentrationer i bild 5 och med hög koncentration av nickel i städerna i figur 5. förbjuda jordar.Figur 7 visar konturmetoden i k-medelsgrupperingen på kartan, uppdelad i tre kluster baserat på det förutsagda värdet i varje modell.Konturmetoden representerar det optimala antalet kluster. Av de 115 insamlade jordproverna erhöll kategori 1 flest jordprover, 74. kluster 3-komponenter tog emot sju prover, 8 kluster 3-komponentplan. prediktorkombinationen förenklades för att möjliggöra korrekt klustertolkning. På grund av de många antropogena och naturliga processerna som påverkar markbildningen är det svårt att ha korrekt differentierade klustermönster i en distribuerad SeOM-karta78.
Komponentplansutmatning av varje variabel för Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[SeOM-kartor skapades med RStudio (version 1.4.1717: https://www.rstudio.com/).]
Olika klusterklassificeringskomponenter [SeOM-kartor skapades med RStudio (version 1.4.1717: https://www.rstudio.com/).]
Den aktuella studien illustrerar tydligt modelleringstekniker för nickelkoncentrationer i urbana och peri-urbana jordar. Studien testade olika modelleringstekniker, kombinerade element med modelleringstekniker, för att erhålla det bästa sättet att förutsäga nickelkoncentrationer i jord. SeOMs sammansatta plana rumsliga egenskaper hos modelleringstekniken uppvisade ett högt färgmönster från lågt till högt i en så noggrann färgskala, bekräftar fördelningen av nickelskala. plan spatial fördelning av komponenter som uppvisas av EBK_SVMR (se figur 5). Resultaten visar att stödvektormaskinregressionsmodellen (Ca Mg K-SVMR) förutsäger koncentrationen av Ni i marken som en enda modell, men validerings- och noggrannhetsutvärderingsparametrarna visar mycket höga fel i termer av RMSE och MAE. av bestämningskoefficienten (R2).Bra resultat erhölls med hjälp av EBK SVMR och kombinerade element (CaKMg) med låga RMSE- och MAE-fel med en noggrannhet på 63,7%.Det visar sig att en kombination av EBK-algoritmen med en maskininlärningsalgoritm kan generera en hybridalgoritm som kan förutsäga koncentrationen av Ca PTE för att förutsäga koncentrationen av Ca PTE till att förutsäga så att koncentrationen av M Ni. i studieområdet kan förbättra förutsägelsen av Ni i jordar. Detta innebär att stålindustrins kontinuerliga tillförsel av nickelbaserade gödningsmedel och industriell förorening av marken har en tendens att öka koncentrationen av nickel i marken. Den här studien visade att EBK-modellen kan minska felnivån och förbättra noggrannheten i modellen för jord- och markföroreningar generellt i urbana eller urbana jord- EB-modeller tillämpar den generella markfördelningen i urbana eller urbana jordar. bedöma och förutsäga PTE i jord;dessutom föreslår vi att använda EBK för att hybridisera med olika maskininlärningsalgoritmer. Ni-koncentrationer förutspåddes med hjälp av element som kovariater;att använda fler kovariater skulle dock avsevärt förbättra modellens prestanda, vilket kan betraktas som en begränsning av det nuvarande arbetet. En annan begränsning av denna studie är att antalet datauppsättningar är 115. Därför, om mer data tillhandahålls, kan prestandan för den föreslagna optimerade hybridiseringsmetoden förbättras.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (Näst 28 april 2021).
Kasprzak, KS Nickel gör framsteg inom modern miljötoxicologi.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: En genomgång av dess källor och miljötoxicologi. Polska J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Tillförsel av föroreningar från atmosfären och ackumulering i jord och vegetation nära ett nickel-kopparsmältverk i Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Tungmetaller i jord, växter och risker förknippade med betande idisslare nära Selebi-Phikwe kopparnickelgruva i Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009181-x ().
Cabata-Pendias.Kabata-Pendias A. 2011. Spårelement i jord och... – Google Scholar https://scholar.google.com/scholar?hl=sv&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+i+plants+9+nya%+nya+jordar%8+9+nya+jordar. %3A+CRC+Press&btnG= (tillgänglig 24 nov 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effekter av den ryska nickelindustrin på tungmetallkoncentrationer i jordbruksjordar och gräs i Soer-Varanger, Norge.agris.fao.org.
Nielsen, GD et al. Nickelabsorption och retention i dricksvatten är relaterad till födointag och nickelkänslighet.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickelkarcinogenes, mutation, epigenetik eller selektion.omgivningar.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Trendanalys av potentiellt giftiga element: a bibliometric review.Environmental Geochemistry and Health.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. On digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
English 021).