ขอขอบคุณที่เยี่ยมชม Nature.com เวอร์ชันเบราว์เซอร์ที่คุณใช้มีการรองรับ CSS แบบจำกัด เพื่อประสบการณ์ที่ดีที่สุด เราขอแนะนำให้คุณใช้เบราว์เซอร์ที่อัปเดตแล้ว (หรือปิดโหมดความเข้ากันได้ใน Internet Explorer) ในระหว่างนี้ เพื่อให้แน่ใจว่าได้รับการสนับสนุนอย่างต่อเนื่อง เราจะแสดงไซต์โดยไม่มีรูปแบบและ JavaScript
มลพิษในดินเป็นปัญหาใหญ่ที่เกิดจากกิจกรรมของมนุษย์ การกระจายเชิงพื้นที่ขององค์ประกอบที่อาจเป็นพิษ (PTEs) แตกต่างกันไปตามพื้นที่ส่วนใหญ่ในเขตเมืองและนอกเขตเมือง ดังนั้นจึงเป็นการยากที่จะทำนายเนื้อหาของ PTEs ในดินดังกล่าวในเชิงพื้นที่ ได้รับตัวอย่างทั้งหมด 115 ตัวอย่างจาก Frydek Mistek ในสาธารณรัฐเช็ก ความเข้มข้นของแคลเซียม (Ca) แมกนีเซียม (Mg) โพแทสเซียม (K) และนิกเกิล (Ni) ถูกกำหนดโดยใช้สเปกตรัมการปล่อยพลาสมาคู่แบบอุปนัย เมทริกซ์ ตัวแปรตอบสนองคือ Ni และตัวทำนายคือ Ca, Mg และ K เมทริกซ์สหสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรทำนายแสดงความสัมพันธ์ที่น่าพอใจระหว่างองค์ประกอบต่างๆ ผลการทำนายแสดงให้เห็นว่า Support Vector Machine Regression (SVMR) ทำงานได้ดี แม้ว่าค่าความคลาดเคลื่อนกำลังสองเฉลี่ยรูต (RMSE) ที่ประมาณไว้ (235.974 มก./กก.) และค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) (166.946 มก./กก.) สูงกว่าวิธีอื่นที่ใช้ แบบจำลองผสมสำหรับ E การถดถอยเชิงเส้น Kriging-Multiple Linear Regression (EBK-MLR) แบบเบย์ของ mpirical (EBK-MLR) ทำงานได้ไม่ดี โดยเห็นได้จากค่าสัมประสิทธิ์ของการกำหนดที่น้อยกว่า 0.1 แบบจำลอง Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) เป็นแบบจำลองที่ดีที่สุด โดยมีค่า RMSE ต่ำ (95.479 มก./กก.) และค่า MAE (77.368 มก./กก.) และมีค่าสัมประสิทธิ์การกำหนดสูง (R2 = 0) 637). เทคนิคการสร้างแบบจำลอง EBK-SVMR แสดงผลโดยใช้แผนที่ที่จัดระเบียบตัวเอง กลุ่มเซลล์ประสาทในระนาบของส่วนประกอบ CakMg-EBK-SVMR แบบจำลองไฮบริดแสดงรูปแบบสีหลายสีที่ทำนายความเข้มข้นของ Ni ในดินในเมืองและนอกเมือง ผลลัพธ์แสดงให้เห็นว่าการรวม EBK และ SVMR เป็นเทคนิคที่มีประสิทธิภาพในการทำนายความเข้มข้นของ Ni ในดินในเมืองและนอกเมือง
นิกเกิล (Ni) ถือเป็นธาตุอาหารรองสำหรับพืชเพราะมีส่วนช่วยในการตรึงไนโตรเจนในบรรยากาศ (N) และเมแทบอลิซึมของยูเรีย ซึ่งทั้งสองอย่างนี้จำเป็นต่อการงอกของเมล็ด นอกจากมีส่วนช่วยในการงอกของเมล็ดแล้ว Ni สามารถทำหน้าที่เป็นตัวยับยั้งเชื้อราและแบคทีเรียและส่งเสริมการพัฒนาของพืช การขาดนิกเกิลในดินทำให้พืชสามารถดูดซึมได้ ส่งผลให้เกิดคลอโรซีสที่ใบ ตัวอย่างเช่น ถั่วพุ่มและถั่วเขียวต้องการการใส่ปุ๋ยที่มีนิกเกิลเป็นส่วนประกอบเพื่อเพิ่มประสิทธิภาพการตรึงไนโตรเจน2 การใส่ปุ๋ยที่มีนิกเกิลเป็นส่วนประกอบอย่างต่อเนื่องเพื่อเพิ่มคุณค่าของดินและเพิ่มความสามารถของพืชตระกูลถั่วในการตรึงไนโตรเจนในดินจะเพิ่มความเข้มข้นของนิกเกิลในดินอย่างต่อเนื่อง แม้ว่านิกเกิลจะเป็นธาตุอาหารรองสำหรับพืช แต่การได้รับมากเกินไปในดินอาจส่งผลเสียมากกว่าผลดี ความเป็นพิษของนิกเกิลในดินจะลดค่า pH ของดินและขัดขวางการดูดซึมธาตุเหล็กในฐานะธาตุอาหารที่จำเป็นสำหรับการเจริญเติบโตของพืช1 จากข้อมูลของ Liu3 พบว่า Ni อยู่ในอันดับที่ 17 องค์ประกอบสำคัญที่จำเป็นสำหรับการพัฒนาและการเจริญเติบโตของพืช นอกจากบทบาทของนิกเกิลในการพัฒนาและการเจริญเติบโตของพืชแล้ว มนุษย์ยังต้องการมันสำหรับการใช้งานที่หลากหลาย การชุบโลหะด้วยไฟฟ้า การผลิตโลหะผสมที่มีนิกเกิลเป็นหลัก และการผลิตอุปกรณ์จุดระเบิดและหัวเทียนในอุตสาหกรรมยานยนต์ ล้วนต้องการใช้นิกเกิลในภาคอุตสาหกรรมต่างๆ นอกจากนี้ โลหะผสมที่มีนิกเกิลเป็นส่วนประกอบและสิ่งของที่ชุบด้วยไฟฟ้ายังถูกนำมาใช้กันอย่างแพร่หลายในเครื่องครัว สิ่งทอ และการต่อเรือ5.ระดับที่อุดมด้วย Ni ในดิน (เช่น ดินผิวดิน) มีสาเหตุมาจากทั้งแหล่งที่มาของมนุษย์และธรรมชาติ แต่โดยหลักแล้ว Ni เป็นแหล่งธรรมชาติมากกว่าที่เกิดจากมนุษย์4,6.แหล่งที่มาตามธรรมชาติของนิกเกิล ได้แก่ การปะทุของภูเขาไฟ พืชพรรณ ไฟป่า และกระบวนการทางธรณีวิทยาอย่างไรก็ตาม แหล่งที่มาของมนุษย์ ได้แก่ แบตเตอรี่นิกเกิล/แคดเมียมในอุตสาหกรรมเหล็ก การชุบโลหะด้วยไฟฟ้า การเชื่อมอาร์ค ดีเซลและน้ำมันเตา และการปล่อยมลพิษในชั้นบรรยากาศจากการเผาไหม้ถ่านหิน การเผาขยะและกากตะกอน การสะสมของนิกเกิล7,8 อ้างอิงจาก Freedman and Hutchinson9 และ Manyiwa et al10 แหล่งที่มาหลักของมลพิษบนดินในสภาพแวดล้อมใกล้เคียงและบริเวณใกล้เคียงคือโรงถลุงแร่และเหมืองแร่ที่มีนิกเกิล-ทองแดงเป็นส่วนใหญ่ ดินชั้นบนรอบๆ โรงกลั่นนิกเกิล-ทองแดง Sudbury ในแคนาดามีระดับการปนเปื้อนของนิกเกิลสูงสุดที่ 26,000 มก./กก.11 ในทางตรงกันข้าม มลพิษจากการผลิตนิกเกิลในรัสเซียส่งผลให้ความเข้มข้นของนิกเกิลในดินนอร์เวย์สูงขึ้น 11 อ้างอิงจาก Alms et al.(การผลิตนิกเกิลในรัสเซีย) อยู่ระหว่าง 6.25 ถึง 136.88 มก./กก. ซึ่งสอดคล้องกับค่าเฉลี่ย 30.43 มก./กก. และความเข้มข้นพื้นฐานที่ 25 มก./กก. จากข้อมูลของ Kabata 11 การใส่ปุ๋ยฟอสฟอรัสในดินเกษตรกรรมในดินในเมืองหรือดินนอกเมืองในช่วงฤดูกาลเพาะปลูกติดต่อกันสามารถ แทรกซึมหรือปนเปื้อนดิน ผลกระทบที่เป็นไปได้ของนิกเกิลในมนุษย์อาจนำไปสู่มะเร็งผ่านการกลายพันธุ์ ความเสียหายของโครโมโซม การสร้าง Z-DNA การซ่อมแซมการตัดตอนของ DNA ที่ถูกบล็อก หรือกระบวนการ epigenetic13 ในการทดลองกับสัตว์ พบว่านิกเกิลมีศักยภาพในการทำให้เกิดเนื้องอกหลายชนิด และสารประกอบเชิงซ้อนของนิกเกิลที่ก่อมะเร็งอาจทำให้เนื้องอกดังกล่าวรุนแรงขึ้น
การประเมินการปนเปื้อนของดินได้เฟื่องฟูในช่วงที่ผ่านมา เนื่องจากประเด็นที่เกี่ยวข้องกับสุขภาพที่หลากหลายซึ่งเกิดจากความสัมพันธ์ระหว่างดินกับพืช ความสัมพันธ์ทางชีวภาพของดินและดิน ความเสื่อมโทรมของระบบนิเวศ และการประเมินผลกระทบต่อสิ่งแวดล้อม ในปัจจุบัน การทำนายเชิงพื้นที่ขององค์ประกอบที่อาจเป็นพิษ (PTEs) เช่น Ni ในดินนั้นลำบากและใช้เวลานานโดยใช้วิธีการแบบดั้งเดิม การถือกำเนิดของการทำแผนที่ดินแบบดิจิทัล (DSM) และความสำเร็จในปัจจุบันของ Mina15 ได้ปรับปรุงการทำแผนที่ดินเชิงทำนาย (PSM) ให้ดีขึ้นมาก อ้างอิงจากสนี่ และ McBratney16 การทำแผนที่ดินเชิงทำนาย (DSM) ได้พิสูจน์แล้วว่าเป็นสาขาวิชาย่อยที่โดดเด่นของวิทยาศาสตร์ดิน Lagacherie และ McBratney, 2006 ให้นิยาม DSM ว่าเป็น "การสร้างและการเติมระบบข้อมูลดินเชิงพื้นที่ผ่านการใช้วิธีสังเกตในแหล่งกำเนิดและห้องปฏิบัติการ และระบบการอนุมานดินเชิงพื้นที่และที่ไม่ใช่เชิงพื้นที่"McBratney et al.17 สรุปว่า DSM หรือ PSM ร่วมสมัยเป็นเทคนิคที่มีประสิทธิภาพสูงสุดในการทำนายหรือทำแผนที่การกระจายเชิงพื้นที่ของ PTE ชนิดของดิน และคุณสมบัติของดิน Geostatistics และ Machine Learning Algorithm (MLA) เป็นเทคนิคการสร้างแบบจำลอง DSM ที่สร้างแผนที่ดิจิทัลด้วยความช่วยเหลือของคอมพิวเตอร์โดยใช้ข้อมูลที่มีนัยสำคัญและน้อยที่สุด
Deutsch18 และ Olea19 นิยามธรณีสถิติว่าเป็น "การรวบรวมเทคนิคเชิงตัวเลขที่เกี่ยวข้องกับการแสดงคุณลักษณะเชิงพื้นที่ โดยส่วนใหญ่ใช้แบบจำลองสโทแคสติก เช่น การวิเคราะห์อนุกรมเวลาแสดงลักษณะของข้อมูลชั่วคราวอย่างไร"โดยพื้นฐานแล้ว ธรณีสถิติเกี่ยวข้องกับการประเมินวาริโอแกรม ซึ่งอนุญาตให้หาปริมาณและกำหนดการพึ่งพาของค่าเชิงพื้นที่จากชุดข้อมูลแต่ละชุด20.Gumiaux et al.20 แสดงให้เห็นเพิ่มเติมว่าการประเมินวาริโอแกรมในธรณีสถิตินั้นขึ้นอยู่กับหลักการสามประการ ได้แก่ (a) การคำนวณขนาดของความสัมพันธ์ของข้อมูล (b) การระบุและการคำนวณแอนไอโซโทรปีในความต่างของชุดข้อมูล และ (c) นอกเหนือจากการพิจารณาข้อผิดพลาดโดยกำเนิดของข้อมูลการวัดที่แยกจากผลกระทบในพื้นที่แล้ว ing, kriging ทั่วไป, kriging แบบเบย์เชิงประจักษ์, วิธีการ kriging อย่างง่าย และเทคนิคการแก้ไขที่รู้จักกันดีอื่น ๆ เพื่อทำแผนที่หรือทำนาย PTE, ลักษณะของดิน และชนิดของดิน
อัลกอริทึมการเรียนรู้ของเครื่อง (MLA) เป็นเทคนิคที่ค่อนข้างใหม่ที่ใช้คลาสข้อมูลที่ไม่ใช่เชิงเส้นขนาดใหญ่ขึ้น ซึ่งขับเคลื่อนโดยอัลกอริทึมที่ใช้เป็นหลักในการทำเหมืองข้อมูล ระบุรูปแบบในข้อมูล และนำไปใช้ซ้ำๆ กับการจำแนกประเภทในสาขาวิทยาศาสตร์ เช่น วิทยาศาสตร์ดินและงานส่งคืน เอกสารการวิจัยจำนวนมากใช้แบบจำลอง MLA เพื่อทำนาย PTE ในดิน เช่น Tan และคณะ22 (ป่าสุ่มสำหรับการประเมินโลหะหนักในดินเกษตรกรรม), Sakizadeh et al.23 (การสร้างแบบจำลองโดยใช้เครื่องเวกเตอร์สนับสนุนและโครงข่ายประสาทเทียม) มลพิษในดิน ) นอกจากนี้ Vega et al.24 (CART สำหรับแบบจำลองการกักเก็บโลหะหนักและการดูดซับในดิน) Sun et al.25 (การประยุกต์ใช้ cubist คือการกระจายของ Cd ในดิน) และอัลกอริทึมอื่น ๆ เช่น k-Nearest neighbour, Generalized boosted regression และ boosted regression Trees ยังใช้ MLA เพื่อทำนาย PTE ในดิน
การประยุกต์ใช้อัลกอริธึม DSM ในการทำนายหรือการทำแผนที่ต้องเผชิญกับความท้าทายหลายประการ ผู้เขียนหลายคนเชื่อว่า MLA นั้นเหนือกว่าธรณีสถิติและในทางกลับกัน แม้ว่าสิ่งหนึ่งจะดีกว่าอีกสิ่งหนึ่ง การรวมกันของทั้งสองอย่างช่วยเพิ่มระดับความแม่นยำของการทำแผนที่หรือการทำนายใน DSM15 Woodcock และ Gopal26 Finke27;Pontius และ Cheuk28 และ Grunwald29 แสดงความคิดเห็นเกี่ยวกับข้อบกพร่องและข้อผิดพลาดบางประการในการทำแผนที่ดินที่คาดการณ์ไว้ นักวิทยาศาสตร์ดินได้ลองใช้เทคนิคต่างๆ มากมายเพื่อเพิ่มประสิทธิผล ความแม่นยำ และความสามารถในการคาดการณ์ของการทำแผนที่และการคาดการณ์ DSM การผสมผสานระหว่างความไม่แน่นอนและการตรวจสอบเป็นหนึ่งในหลายๆ แง่มุมที่รวมอยู่ใน DSM เพื่อเพิ่มประสิทธิภาพและลดข้อบกพร่อง อย่างไรก็ตาม Agyeman และคณะ15 สรุปได้ว่าพฤติกรรมการตรวจสอบความถูกต้องและความไม่แน่นอนที่เกิดขึ้นจากการสร้างแผนที่และการคาดคะเนควรได้รับการตรวจสอบโดยอิสระเพื่อปรับปรุงคุณภาพของแผนที่ ข้อจำกัดของ DSM เกิดจากคุณภาพดินที่กระจายตัวทางภูมิศาสตร์ ซึ่งเกี่ยวข้องกับส่วนประกอบของความไม่แน่นอนอย่างไรก็ตาม การขาดความแน่นอนใน DSM อาจเกิดขึ้นจากแหล่งที่มาของข้อผิดพลาดหลายแหล่ง ได้แก่ ข้อผิดพลาด covariate ข้อผิดพลาดของแบบจำลอง ข้อผิดพลาดของตำแหน่งที่ตั้ง และข้อผิดพลาดในการวิเคราะห์ เมื่อเร็ว ๆ นี้ แนวโน้ม DSM ใหม่ได้เกิดขึ้นซึ่งส่งเสริมการบูรณาการของธรณีสถิติและ MLA ในการทำแผนที่และการพยากรณ์ นักวิทยาศาสตร์และนักเขียนด้านดินหลายคน เช่น Sergeev et al.34;ซับโบติน่า และคณะ35;Tarasov และคณะ36 และ Tarasov และคณะ37 ได้ใช้ประโยชน์จากคุณภาพที่แม่นยำของ geostatistics และ machine learning เพื่อสร้างแบบจำลองแบบผสมที่ปรับปรุงประสิทธิภาพของการพยากรณ์และการทำแผนที่คุณภาพ โมเดลอัลกอริทึมแบบไฮบริดหรือแบบรวมเหล่านี้บางส่วน ได้แก่ Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR- NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 และ Co-Kriging และ Gaussian Process Regression38
จากข้อมูลของ Sergeev et al. การรวมเทคนิคการสร้างแบบจำลองต่างๆ เข้าด้วยกันมีศักยภาพในการกำจัดข้อบกพร่องและเพิ่มประสิทธิภาพของแบบจำลองไฮบริดที่เกิดขึ้นมากกว่าการพัฒนาแบบจำลองเดี่ยว ในบริบทนี้ บทความฉบับใหม่นี้ให้เหตุผลว่าจำเป็นต้องใช้อัลกอริธึมรวมของ geostatistics และ MLA เพื่อสร้างแบบจำลองไฮบริดที่เหมาะสมที่สุดเพื่อทำนายการเพิ่มคุณค่า Ni ในเขตเมืองและนอกเมือง การศึกษานี้จะอาศัย Empirical Bayesian Kriging (EBK) เป็นแบบจำลองพื้นฐานและผสมกับ Support Vector Machine (SVM) และหลายๆ แบบจำลองการถดถอยเชิงเส้น (MLR) ไม่ทราบการผสมของ EBK กับ MLA ใด ๆ แบบจำลองผสมหลาย ๆ แบบที่เห็นคือการรวมกันของสามัญ ส่วนที่เหลือ การถดถอย kriging และ MLA EBK เป็นวิธีการแก้ไขทางสถิติเชิงภูมิศาสตร์ที่ใช้กระบวนการสุ่มเชิงพื้นที่ที่มีการแปลเป็นภาษาท้องถิ่นเป็นฟิลด์สุ่มแบบไม่คงที่ / นิ่งพร้อมพารามิเตอร์การแปลที่กำหนดไว้เหนือฟิลด์ ทำให้สามารถแปรผันเชิงพื้นที่ได้ EBK ถูกนำมาใช้ในการศึกษาที่หลากหลาย รวมถึงการวิเคราะห์การกระจายตัวของอินทรีย์คาร์บอนในดินฟาร์ม40 การประเมินมลพิษในดิน41 และการทำแผนที่คุณสมบัติของดิน42
ในทางกลับกัน Self-Organizing Graph (SeOM) เป็นอัลกอริทึมการเรียนรู้ที่ถูกนำไปใช้ในบทความต่างๆ เช่น Li et al43, วัง et al.44, ฮอสเซน บูยาน และคณะ45 และ Kebonye et al.46 กำหนดคุณลักษณะเชิงพื้นที่และการจัดกลุ่มองค์ประกอบ Wang et al.44 สรุปได้ว่า SeOM เป็นเทคนิคการเรียนรู้ที่ทรงพลัง ซึ่งเป็นที่รู้จักสำหรับความสามารถในการจัดกลุ่มและจินตนาการถึงปัญหาที่ไม่ใช่เชิงเส้น ซึ่งแตกต่างจากเทคนิคการจดจำรูปแบบอื่นๆ เช่น การวิเคราะห์องค์ประกอบหลัก การจัดกลุ่มแบบคลุมเครือ การจัดกลุ่มแบบลำดับชั้น และการตัดสินใจแบบหลายเกณฑ์ SeOM นั้นดีกว่าในการจัดระเบียบและระบุรูปแบบ PTE ตามที่ Wang et al. กล่าว44, SeOM สามารถจัดกลุ่มการกระจายของเซลล์ประสาทที่เกี่ยวข้องในเชิงพื้นที่และให้การแสดงภาพข้อมูลที่มีความละเอียดสูง SeOM จะแสดงภาพข้อมูลการทำนายของ Ni เพื่อให้ได้แบบจำลองที่ดีที่สุดในการแสดงลักษณะของผลลัพธ์สำหรับการตีความโดยตรง
บทความนี้มีเป้าหมายเพื่อสร้างแบบจำลองการทำแผนที่ที่มีประสิทธิภาพพร้อมความแม่นยำที่เหมาะสมที่สุดสำหรับการทำนายปริมาณนิกเกิลในดินในเมืองและนอกเมือง เราตั้งสมมติฐานว่าความน่าเชื่อถือของแบบจำลองผสมส่วนใหญ่ขึ้นอยู่กับอิทธิพลของแบบจำลองอื่น ๆ ที่แนบมากับแบบจำลองพื้นฐาน เรารับทราบถึงความท้าทายที่ DSM เผชิญ และในขณะที่ความท้าทายเหล่านี้กำลังได้รับการแก้ไขในหลาย ๆ ด้าน การรวมกันของความก้าวหน้าทางธรณีสถิติและแบบจำลอง MLA ดูเหมือนจะเพิ่มขึ้นดังนั้น เราจะพยายามตอบคำถามการวิจัยที่อาจให้แบบจำลองแบบผสม อย่างไรก็ตาม แบบจำลองมีความแม่นยำเพียงใดในการทำนายองค์ประกอบเป้าหมาย นอกจากนี้ การประเมินประสิทธิภาพตามการตรวจสอบความถูกต้องและการประเมินความถูกต้องอยู่ในระดับใด ดังนั้น เป้าหมายเฉพาะของการศึกษานี้คือ (a) สร้างแบบจำลองส่วนผสมแบบผสมสำหรับ SVMR หรือ MLR โดยใช้ EBK เป็นแบบจำลองพื้นฐาน (b) เปรียบเทียบแบบจำลองผลลัพธ์ (c) เสนอแบบจำลองส่วนผสมที่ดีที่สุดสำหรับการทำนายความเข้มข้นของ Ni ในดินในเมืองหรือนอกเมือง และ (d) การประยุกต์ใช้ ของ SeOM เพื่อสร้างแผนที่ความละเอียดสูงของการเปลี่ยนแปลงเชิงพื้นที่ของนิกเกิล
การศึกษากำลังดำเนินการในสาธารณรัฐเช็ก โดยเฉพาะในเขต Frydek Mistek ในภูมิภาค Moravia-Silesian (ดูรูปที่ 1) ภูมิศาสตร์ของพื้นที่ศึกษานั้นขรุขระมากและส่วนใหญ่เป็นส่วนหนึ่งของภูมิภาค Moravia-Silesian Beskidy ซึ่งเป็นส่วนหนึ่งของขอบรอบนอกของเทือกเขา Carpathian พื้นที่ศึกษาตั้งอยู่ระหว่าง 49° 41′ 0′ N และ 18° 20′ 0′ E และระดับความสูงอยู่ระหว่าง 225 และ 327 ม.อย่างไรก็ตาม ระบบการจำแนกประเภทของ Koppen สำหรับสภาพภูมิอากาศของภูมิภาคนี้ได้รับการจัดอันดับเป็น Cfb = ภูมิอากาศแบบมหาสมุทรเขตอบอุ่น มีปริมาณน้ำฝนมากแม้ในเดือนที่แห้งแล้ง อุณหภูมิจะแตกต่างกันเล็กน้อยตลอดทั้งปีระหว่าง −5 °C ถึง 24 °C โดยแทบจะไม่ลดลงต่ำกว่า −14 °C หรือสูงกว่า 30 °C ในขณะที่ปริมาณน้ำฝนเฉลี่ยต่อปีอยู่ระหว่าง 685 ถึง 752 มม.47 พื้นที่สำรวจโดยประมาณของพื้นที่ทั้งหมดคือ 1,208 ตารางตารางเมตร กิโลเมตร โดยมีพื้นที่เพาะปลูก 39.38% และ 49.36% ของพื้นที่ป่า ในทางกลับกัน พื้นที่ที่ใช้ในการศึกษานี้คือประมาณ 889.8 ตารางกิโลเมตร ในและรอบๆ ออสตราวา อุตสาหกรรมเหล็กและงานโลหะมีบทบาทอย่างมาก โรงถลุงโลหะ อุตสาหกรรมเหล็กที่นิกเกิลใช้ในเหล็กกล้าไร้สนิม (เช่น เพื่อต้านทานการกัดกร่อนในชั้นบรรยากาศ) และโลหะผสมเหล็ก การใส่ปุ๋ยฟอสเฟตและการผลิตปศุสัตว์เป็นแหล่งที่มีศักยภาพในการวิจัยของนิกเกิลในภูมิภาคนี้ (เช่น การเติมนิกเกิลในลูกแกะเพื่อเพิ่มอัตราการเจริญเติบโตในลูกแกะและโคที่เลี้ยงด้วยอาหารต่ำ) การใช้นิกเกิลในอุตสาหกรรมอื่นๆ ในด้านการวิจัย ได้แก่ การใช้ในการชุบโลหะด้วยไฟฟ้า รวมถึงการชุบนิกเกิลด้วยไฟฟ้าและกระบวนการชุบนิกเกิลแบบไม่ใช้ไฟฟ้า คุณสมบัติของดินสามารถแยกแยะได้ง่ายจากสีดิน โครงสร้าง และเนื้อหาของคาร์บอเนต เนื้อดินมีขนาดกลางถึงละเอียดซึ่งได้มาจากวัสดุหลัก ลุ่มน้ำหรือทะเลเอโอเลียนในธรรมชาติ พื้นที่ดินบางส่วนปรากฏเป็นรอยด่างในพื้นผิวและดินดาน มักมีคอนกรีตและฟอกขาว อย่างไรก็ตาม แคมบิซอลและสตาโกนอลเป็นดินประเภทที่พบมากที่สุดในภูมิภาค48 ด้วยระดับความสูงตั้งแต่ 455.1 ถึง 493.5 เมตร แคมบิซอลครองสาธารณรัฐเช็ก49
แผนที่พื้นที่ศึกษา [แผนที่พื้นที่ศึกษาสร้างขึ้นโดยใช้ ArcGIS Desktop (ESRI, Inc, เวอร์ชัน 10.7, URL: https://desktop.arcgis.com)]
ตัวอย่างดินชั้นบนทั้งหมด 115 ตัวอย่างได้มาจากดินในเมืองและนอกเขตเมืองในเขต Frydek Mistek รูปแบบตัวอย่างที่ใช้คือตารางปกติที่มีตัวอย่างดินห่างกัน 2 × 2 กม. และดินชั้นบนวัดที่ความลึก 0 ถึง 20 ซม. โดยใช้อุปกรณ์ GPS แบบมือถือ (Leica Zeno 5 GPS) ตัวอย่างถูกบรรจุในถุง Ziploc ติดฉลากอย่างถูกต้อง และส่งไปยังห้องปฏิบัติการ ตัวอย่างถูกทำให้แห้งด้วยอากาศเพื่อผลิตเป็นผง ตัวอย่าง บดด้วยระบบกลไก (Fritsch disc mill) และร่อน (ตะแกรงขนาด 2 มม.) ใส่ตัวอย่างดินแห้ง โฮโมจีไนซ์ และร่อนแล้ว 1 กรัมในขวดเทฟล่อนที่มีฉลากชัดเจน ในภาชนะเทฟลอนแต่ละใบ จ่าย HCl 35% 7 มล. และ HNO3 65% 3 มล. (ใช้เครื่องจ่ายอัตโนมัติ หนึ่งขวดสำหรับกรดแต่ละชนิด) ปิดฝาเบา ๆ และปล่อยให้ตัวอย่างค้างคืนเพื่อทำปฏิกิริยา (โปรแกรม aqua regia ) วางส่วนลอยเหนือตะกอนบนแผ่นโลหะร้อน (อุณหภูมิ: 100 W และ 160 °C) เป็นเวลา 2 ชั่วโมงเพื่อให้กระบวนการย่อยของตัวอย่างง่ายขึ้น จากนั้นทำให้เย็นลง ถ่ายโอนส่วนลอยเหนือตะกอนไปยังขวดวัดปริมาตรขนาด 50 มล. และเจือจางถึง 50 มล. ด้วยน้ำปราศจากไอออน หลังจากนั้น กรองส่วนลอยเหนือตะกอนที่เจือจางลงในท่อ PVC ขนาด 50 มล. ที่มีน้ำปราศจากไอออน นอกจากนี้ สารละลายเจือจาง 1 มล. จะถูกเจือจางด้วย 9 มล. ของน้ำปราศจากไอออนและกรองลงในหลอดขนาด 12 มล. ที่เตรียมไว้สำหรับความเข้มข้นเทียมของ PTE ความเข้มข้นของ PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ถูกกำหนดโดย ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ตามวิธีการมาตรฐานและข้อตกลงรับรองคุณภาพและการควบคุม (Q ขั้นตอน A/QC) (SRM NIST 2711a Montana II Soil) ไม่รวม PTE ที่มีขีดจำกัดการตรวจจับต่ำกว่าครึ่งหนึ่งจากการศึกษานี้ ขีดจำกัดการตรวจจับของ PTE ที่ใช้ในการศึกษานี้คือ 0.0004 (คุณ) นอกจากนี้ กระบวนการควบคุมคุณภาพและการประกันคุณภาพสำหรับการวิเคราะห์แต่ละครั้งทำให้มั่นใจได้โดยการวิเคราะห์มาตรฐานอ้างอิง เพื่อให้แน่ใจว่ามีข้อผิดพลาดน้อยที่สุด จึงมีการวิเคราะห์สองครั้ง
Empirical Bayesian Kriging (EBK) เป็นหนึ่งในเทคนิคการประมาณค่าทางธรณีสถิติจำนวนมากที่ใช้ในการสร้างแบบจำลองในสาขาต่างๆ เช่น วิทยาศาสตร์ดิน EBK ต่างจากเทคนิคการประมาณค่า kriging อื่นๆ โดยพิจารณาจากข้อผิดพลาดที่ประเมินโดยแบบจำลองเซมิวาริโอแกรม ในการแก้ไข EBK แบบจำลองเซมิวาริโอแกรมหลายตัวจะถูกคำนวณระหว่างการประมาณค่า แทนที่จะเป็นเซมิวาริโอแกรมเดียว ของเซมิวาริโอแกรมที่ประกอบขึ้นเป็นส่วนที่มีความซับซ้อนสูงของวิธีการ kriging ที่เพียงพอ กระบวนการแก้ไขของ EBK เป็นไปตามเกณฑ์สามข้อที่เสนอโดย Krivoruchko50 (a) แบบจำลองประมาณค่าเซมิวาริโอแกรมจากชุดข้อมูลอินพุต (b) ค่าที่คาดการณ์ใหม่สำหรับแต่ละตำแหน่งชุดข้อมูลอินพุตตามเซมิวาริโอแกรมที่สร้างขึ้น และ (c) แบบจำลอง A สุดท้ายถูกคำนวณจากชุดข้อมูลจำลอง กฎสมการเบส์ถูกกำหนดให้เป็นรูปหลัง
โดยที่ \(Prob\left(A\right)\) แสดงถึงค่าก่อนหน้า \(Prob\left(B\right)\) ความน่าจะเป็นส่วนเพิ่มจะถูกละเว้นในกรณีส่วนใหญ่ \(Prob (B,A)\ ) การคำนวณเซมิวาริโอแกรมขึ้นอยู่กับกฎของเบส์ ซึ่งแสดงแนวโน้มของชุดข้อมูลการสังเกตที่สามารถสร้างได้จากเซมิวาริโอแกรม จากนั้นค่าของเซมิวาริโอแกรมจะถูกกำหนดโดยใช้กฎเบส์ ซึ่งระบุว่ามีความเป็นไปได้ที่จะสร้าง ชุดข้อมูลการสังเกตจากรูปกึ่งวาริโอแกรม
เครื่องเวกเตอร์สนับสนุนคืออัลกอริทึมการเรียนรู้ของเครื่องที่สร้างไฮเปอร์เพลนการแยกที่เหมาะสมที่สุดเพื่อแยกแยะคลาสที่เหมือนกันแต่ไม่เป็นอิสระเชิงเส้น Vapnik51 สร้างอัลกอริทึมการจำแนกประเภทตามเจตนา แต่เพิ่งถูกนำมาใช้เพื่อแก้ปัญหาเชิงการถดถอย อ้างอิงจาก Li et al.52, SVM เป็นหนึ่งในเทคนิคการจำแนกประเภทที่ดีที่สุดและถูกนำมาใช้ในสาขาต่างๆ ส่วนประกอบการถดถอยของ SVM (Support Vector Machine Regression – SVMR) ถูกนำมาใช้ในการวิเคราะห์นี้ Cherkassky และ ​​Mulier53 เป็นผู้บุกเบิก SVMR ในการถดถอยตามเคอร์เนล การคำนวณดำเนินการโดยใช้แบบจำลองการถดถอยเชิงเส้นกับฟังก์ชันเชิงพื้นที่หลายประเทศ John et al54 รายงานว่าการสร้างแบบจำลอง SVMR ใช้การถดถอยเชิงเส้นไฮเปอร์เพลน ซึ่งสร้างความสัมพันธ์แบบไม่เชิงเส้นและอนุญาตให้ใช้ฟังก์ชันเชิงพื้นที่ อ้างอิงจาก Vohland และคณะ55, เอปไซลอน (ε)-SVMR ใช้ชุดข้อมูลที่ฝึกแล้วเพื่อให้ได้แบบจำลองการเป็นตัวแทนเป็นฟังก์ชันที่ไม่ไวต่อเอปไซลอนซึ่งนำไปใช้เพื่อแมปข้อมูลอย่างอิสระด้วยเอนเอียงเอปไซลอนที่ดีที่สุดจากการฝึกบนข้อมูลที่สัมพันธ์กัน ข้อผิดพลาดระยะทางที่ตั้งไว้ล่วงหน้าจะถูกละเว้นจากค่าจริง และถ้าข้อผิดพลาดมากกว่า ε(ε) คุณสมบัติของดินจะชดเชยให้ แบบจำลองยังลดความซับซ้อนของข้อมูลการฝึกลงเป็นเซ็ตย่อยที่กว้างขึ้นของเวกเตอร์สนับสนุน สมการที่เสนอโดย V apnik51 แสดงอยู่ด้านล่าง
โดยที่ b แทนเกณฑ์สเกลาร์, \(K\left({x}_{,}{ x}_{k}\right)\) แทนค่าฟังก์ชันเคอร์เนล, \(\alpha\) แทนตัวคูณลากรองจ์, N แทนชุดข้อมูลตัวเลข, \({x}_{k}\) แทนข้อมูลเข้า และ \(y\) เป็นข้อมูลออก หนึ่งในเคอร์เนลหลักที่ใช้คือการดำเนินการ SVMR ซึ่งเป็น Gaus ฟังก์ชัน sian radial basis (RBF) เคอร์เนล RBF ถูกนำไปใช้เพื่อกำหนดโมเดล SVMR ที่เหมาะสมที่สุด ซึ่งมีความสำคัญอย่างยิ่งที่จะต้องได้รับค่าปรับที่ละเอียดที่สุดที่ตั้งค่าแฟกเตอร์ C และแกมมาพารามิเตอร์เคอร์เนล (γ) สำหรับข้อมูลการฝึกอบรม PTE ขั้นแรก เราประเมินชุดการฝึกแล้วทดสอบประสิทธิภาพของโมเดลในชุดการตรวจสอบความถูกต้อง พารามิเตอร์พวงมาลัยที่ใช้คือ sigma และค่าวิธีการคือ svmRadial
แบบจำลองการถดถอยเชิงเส้นพหุคูณ (MLR) เป็นแบบจำลองการถดถอยที่แสดงถึงความสัมพันธ์ระหว่างตัวแปรตอบสนองและตัวแปรทำนายจำนวนหนึ่งโดยใช้พารามิเตอร์รวมเชิงเส้นที่คำนวณโดยวิธีกำลังสองน้อยที่สุด ใน MLR แบบจำลองกำลังสองน้อยที่สุดเป็นฟังก์ชันทำนายคุณสมบัติของดินหลังจากเลือกตัวแปรอธิบายแล้ว จำเป็นต้องใช้การตอบสนองเพื่อสร้างความสัมพันธ์เชิงเส้นโดยใช้ตัวแปรอธิบาย PTE ถูกใช้เป็นตัวแปรตอบสนองเพื่อสร้างความสัมพันธ์เชิงเส้นกับตัวแปรอธิบาย สมการ MLR คือ
โดยที่ y คือตัวแปรตอบสนอง, \(a\) คือจุดตัด, n คือจำนวนของตัวทำนาย, \({b}_{1}\) คือการถดถอยบางส่วนของสัมประสิทธิ์, \({x}_{ i}\) แทนตัวทำนายหรือตัวแปรอธิบาย และ \({\varepsilon }_{i}\) แทนค่าความผิดพลาดในโมเดล หรือที่เรียกว่า residual
แบบจำลองผสมได้มาจากการรวม EBK กับ SVMR และ MLR ซึ่งทำได้โดยการแยกค่าที่คาดการณ์ไว้จากการแก้ไข EBK ค่าที่คาดการณ์ที่ได้จากการแก้ไข Ca, K และ Mg นั้นได้รับผ่านกระบวนการเชิงผสมเพื่อให้ได้ตัวแปรใหม่ เช่น CaK, CaMg และ KMg จากนั้นองค์ประกอบ Ca, K และ Mg จะรวมกันเพื่อให้ได้ตัวแปรที่สี่ CaKMg โดยรวมแล้ว ตัวแปรที่ได้รับคือ Ca, K, Mg, CaK, CaMg, KMg และ CaKMg ตัวแปรเหล่านี้กลายเป็นตัวทำนายของเรา ซึ่งช่วยทำนายความเข้มข้นของนิกเกิลในดินในเมืองและนอกเมือง อัลกอริทึม SVMR ดำเนินการบนตัวทำนายเพื่อให้ได้โมเดลผสม Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM) ในทำนองเดียวกัน ตัวแปรยังถูกส่งผ่านอัลกอริทึม MLR เพื่อให้ได้โมเดลผสม Empirical Bayesian Kriging-Multiple Linear Regression ( EBK_MLR) โดยปกติแล้ว ตัวแปร Ca, K, Mg, CaK, CaMg, KMg และ CaKMg จะถูกใช้เป็นตัวแปรร่วมในการทำนายเนื้อหา Ni ในดินในเมืองและนอกเมือง แบบจำลองที่ยอมรับได้มากที่สุดที่ได้รับ (EBK_SVM หรือ EBK_MLR) จะถูกแสดงภาพโดยใช้กราฟที่จัดเรียงตัวเอง ขั้นตอนการทำงานของการศึกษานี้แสดงในรูปที่ 2
การใช้ SeOM ได้กลายเป็นเครื่องมือยอดนิยมสำหรับการจัดระเบียบ ประเมิน และคาดการณ์ข้อมูลในภาคการเงิน การดูแลสุขภาพ อุตสาหกรรม สถิติ วิทยาศาสตร์ดิน และอื่นๆ SeOM สร้างขึ้นโดยใช้เครือข่ายประสาทเทียมและวิธีการเรียนรู้แบบไม่มีผู้ดูแลสำหรับองค์กร การประเมิน และการทำนาย ในการศึกษานี้ SeOM ถูกใช้เพื่อแสดงภาพความเข้มข้นของ Ni ตามแบบจำลองที่ดีที่สุดสำหรับการทำนาย Ni ในดินในเมืองและนอกเมือง ข้อมูลที่ประมวลผลในการประเมิน SeOM จะถูกใช้เป็นตัวแปรเวกเตอร์มิติข้อมูลเข้า n ตัว 43,56 Melssen และอื่น ๆ57 อธิบายการเชื่อมต่อของเวกเตอร์อินพุตเข้ากับโครงข่ายประสาทเทียมผ่านเลเยอร์อินพุตเดียวกับเวกเตอร์เอาต์พุตที่มีเวกเตอร์น้ำหนักเดียว เอาต์พุตที่สร้างโดย SeOM เป็นแผนที่สองมิติที่ประกอบด้วยเซลล์ประสาทหรือโหนดต่างๆ ที่ถักทอเป็นแผนที่ทอพอโลยีแบบหกเหลี่ยม วงกลม หรือสี่เหลี่ยมจัตุรัสตามความใกล้เคียง การเปรียบเทียบขนาดแผนที่ตามเมตริก ข้อผิดพลาดเชิงปริมาณ (QE) และข้อผิดพลาดภูมิประเทศ (TE) เลือกแบบจำลอง SeOM ที่มี 0.086 และ 0.904 ตามลำดับ ซึ่งก็คือ หน่วย 55 แผนที่ (5 × 11) โครงสร้างเซลล์ประสาทถูกกำหนดตามจำนวนโหนดในสมการเชิงประจักษ์
จำนวนข้อมูลที่ใช้ในการศึกษานี้คือ 115 ตัวอย่าง ใช้วิธีการสุ่มเพื่อแยกข้อมูลออกเป็นข้อมูลทดสอบ (25% สำหรับการตรวจสอบความถูกต้อง) และชุดข้อมูลการฝึกอบรม (75% สำหรับการสอบเทียบ) ชุดข้อมูลการฝึกอบรมใช้เพื่อสร้างแบบจำลองการถดถอย (การสอบเทียบ) และชุดข้อมูลการทดสอบใช้เพื่อยืนยันความสามารถในการทำให้เป็นมาตรฐาน 58 สิ่งนี้ทำขึ้นเพื่อประเมินความเหมาะสมของแบบจำลองต่างๆ ในการทำนายปริมาณนิกเกิลในดิน แบบจำลองทั้งหมดที่ใช้ผ่านกระบวนการตรวจสอบความถูกต้องข้ามสิบเท่า ทำซ้ำห้าครั้ง ตัวแปรที่ผลิตโดยการแก้ไข EBK จะใช้เป็นตัวทำนายหรือตัวแปรอธิบายเพื่อทำนายตัวแปรเป้าหมาย (PTE) การสร้างแบบจำลองได้รับการจัดการใน RStudio โดยใช้แพ็คเกจไลบรารี (Kohonen), ไลบรารี (คาเร็ต), ไลบรารี (โมเดลเลอร์), ไลบรารี ("e1071″), ไลบรารี ("plyr"), ไลบรารี ("caTools"), ไลบรารี (" ตัวชี้") และไลบรารี ("เมตริก")
พารามิเตอร์การตรวจสอบความถูกต้องต่างๆ ถูกนำมาใช้เพื่อกำหนดแบบจำลองที่ดีที่สุดที่เหมาะสำหรับการทำนายความเข้มข้นของนิกเกิลในดิน และเพื่อประเมินความถูกต้องของแบบจำลองและการตรวจสอบความถูกต้อง แบบจำลองการผสมถูกประเมินโดยใช้ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) ค่าความคลาดเคลื่อนกำลังสองของค่าเฉลี่ยราก (RMSE) และการหาค่า R-squared หรือค่าสัมประสิทธิ์ (R2) R2 กำหนดความแปรปรวนของสัดส่วนในคำตอบ ซึ่งแสดงโดยแบบจำลองการถดถอย RMSE และขนาดความแปรปรวนในการวัดอิสระอธิบายพลังการทำนายของแบบจำลอง ในขณะที่ M AE กำหนดค่าเชิงปริมาณจริง ค่า R2 ต้องสูงเพื่อประเมินแบบจำลองส่วนผสมที่ดีที่สุดโดยใช้พารามิเตอร์การตรวจสอบความถูกต้อง ยิ่งค่าเข้าใกล้ 1 มากเท่าใด ความแม่นยำก็จะยิ่งสูงขึ้นเท่านั้น อ้างอิงจาก Li et al59 ค่าเกณฑ์ R2 ที่ 0.75 หรือมากกว่านั้นถือเป็นตัวทำนายที่ดีจาก 0.5 ถึง 0.75 คือประสิทธิภาพของแบบจำลองที่ยอมรับได้ และต่ำกว่า 0.5 คือประสิทธิภาพของแบบจำลองที่ยอมรับไม่ได้ เมื่อเลือกแบบจำลองโดยใช้วิธีการประเมินเกณฑ์การตรวจสอบความถูกต้อง RMSE และ MAE ค่าที่ต่ำกว่าที่ได้รับนั้นเพียงพอและถือเป็นตัวเลือกที่ดีที่สุด สมการต่อไปนี้อธิบายวิธีการตรวจสอบ
โดยที่ n แทนขนาดของค่าที่สังเกตได้\({Y}_{i}\) แทนค่าการตอบสนองที่วัดได้ และ \({\widehat{Y}}_{i}\) ยังแทนค่าการตอบสนองที่คาดคะเน ดังนั้น สำหรับการสังเกต i ครั้งแรก
คำอธิบายทางสถิติของตัวแปรทำนายและตัวแปรตอบสนองแสดงในตารางที่ 1 โดยแสดงค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน (SD) ค่าสัมประสิทธิ์การแปรผัน (CV) ค่าต่ำสุด ค่าสูงสุด ค่าความเอียง และความเบ้ ค่าต่ำสุดและค่าสูงสุดขององค์ประกอบต่างๆ ตามลำดับลดลงคือ Mg < Ca < K < Ni และ Ca < Mg < K < Ni ตามลำดับ ความเข้มข้นของตัวแปรตอบสนอง (Ni) ที่สุ่มตัวอย่างจากพื้นที่ศึกษามีค่าตั้งแต่ 4.86 ถึง 42.39 มก. /กก. การเปรียบเทียบ Ni กับค่าเฉลี่ยโลก (29 มก./กก.) และค่าเฉลี่ยของยุโรป (37 มก./กก.) แสดงว่าค่าเฉลี่ยเรขาคณิตที่คำนวณได้โดยรวมสำหรับพื้นที่ศึกษาอยู่ในช่วงที่ยอมรับได้ อย่างไรก็ตาม ดังที่แสดงโดย Kabata-Pendias11 การเปรียบเทียบความเข้มข้นของนิกเกิล (Ni) เฉลี่ยในการศึกษาปัจจุบันกับดินเกษตรกรรมในสวีเดนแสดงให้เห็นว่าความเข้มข้นของนิกเกิลเฉลี่ยในปัจจุบันสูงกว่าเช่นเดียวกัน ความเข้มข้นเฉลี่ยของ Frydek Mistek ในดินในเขตเมืองและนอกเขตเมือง s ในการศึกษาปัจจุบัน (Ni 16.15 มก./กก.) สูงกว่าขีดจำกัดที่อนุญาตที่ 60 (10.2 มก./กก.) สำหรับ Ni ในดินในเมืองของโปแลนด์ที่รายงานโดยRóżański et al. นอกจากนี้ Bretzel และ Calderisi61 ยังบันทึกความเข้มข้นของ Ni เฉลี่ยที่ต่ำมาก (1.78 มก./กก.) ในดินในเมืองในทัสคานีเมื่อเปรียบเทียบกับการศึกษาในปัจจุบัน จิม62 ยังพบว่ามีความเข้มข้นของนิกเกิลต่ำกว่า (12.34) มก./กก.) ในดินในเมืองฮ่องกง ซึ่งต่ำกว่าความเข้มข้นของนิกเกิลในปัจจุบันในการศึกษานี้ Birke et al63 รายงานความเข้มข้นของ Ni เฉลี่ยที่ 17.6 มก./กก. ในเหมืองแร่เก่าและเขตอุตสาหกรรมในเมืองในแซกโซนี-อันฮัลต์ ประเทศเยอรมนี ซึ่งสูงกว่าความเข้มข้นของ Ni เฉลี่ยในพื้นที่ 1.45 มก./กก. (16.15 มก./กก.) การวิจัยในปัจจุบัน ปริมาณนิกเกิลที่มากเกินไปในดินในเขตเมืองและชานเมืองบางแห่งของพื้นที่ศึกษาอาจ มีสาเหตุหลักมาจากอุตสาหกรรมเหล็กและเหล็กกล้าและอุตสาหกรรมโลหะ ซึ่งสอดคล้องกับการศึกษาของ Khodadoust et al.64 ว่าอุตสาหกรรมเหล็กกล้าและงานโลหะเป็นแหล่งหลักของการปนเปื้อนของนิกเกิลในดิน อย่างไรก็ตาม ตัวทำนายยังอยู่ระหว่าง 538.70 มก./กก. ถึง 69,161.80 มก./กก. สำหรับ Ca, 497.51 มก./กก. ถึง 3535.68 มก./กก. สำหรับ K และ 685.68 มก./กก. ถึง 5970.05 มก./กก. สำหรับ Mg.Jakovljevic et อัล65 ได้ตรวจสอบปริมาณ Mg และ K ทั้งหมดของดินในเซอร์เบียตอนกลาง พวกเขาพบว่าความเข้มข้นทั้งหมด (410 มก./กก. และ 400 มก./กก. ตามลำดับ) ต่ำกว่าความเข้มข้นของ Mg และ K ของการศึกษาในปัจจุบัน แยกไม่ออก ในภาคตะวันออกของโปแลนด์ Orzechowski และ Smolczynski66 ประเมินปริมาณรวมของ Ca, Mg และ K และแสดงความเข้มข้นเฉลี่ยของ Ca (1100 มก./กก.), Mg (590 มก./กก.) และ K (810 มก./กก.) ปริมาณในดินชั้นบนต่ำกว่าธาตุเดี่ยวในการศึกษานี้ การศึกษาล่าสุดโดย Pongrac et al.67 แสดงให้เห็นว่าปริมาณ Ca ทั้งหมดที่วิเคราะห์ในดิน 3 ชนิดที่แตกต่างกันในสกอตแลนด์ สหราชอาณาจักร (ดิน Mylnefield ดิน Balruddery และดิน Hartwood) บ่งชี้ปริมาณ Ca ที่สูงขึ้นในการศึกษานี้
เนื่องจากความเข้มข้นที่วัดได้ที่แตกต่างกันขององค์ประกอบตัวอย่าง การกระจายชุดข้อมูลขององค์ประกอบจึงแสดงความเบ้ต่างกัน ความเบ้และเคิร์ตซีสขององค์ประกอบอยู่ในช่วงตั้งแต่ 1.53 ถึง 7.24 และ 2.49 ถึง 54.16 ตามลำดับ องค์ประกอบที่คำนวณได้ทั้งหมดมีความเบ้และเคิร์ตซีสในระดับที่สูงกว่า +1 ดังนั้นจึงบ่งชี้ว่าการกระจายข้อมูลไม่สม่ำเสมอ เอียงไปในทิศทางที่ถูกต้องและมีค่าสูงสุด CV โดยประมาณขององค์ประกอบยังแสดงให้เห็นว่า K , Mg และ Ni แสดงความแปรปรวนปานกลาง ในขณะที่ Ca มีความแปรปรวนสูงมาก CV ของ K, Ni และ Mg อธิบายถึงการกระจายแบบสม่ำเสมอ นอกจากนี้ การกระจายตัวของ Ca นั้นไม่สม่ำเสมอและแหล่งที่มาภายนอกอาจส่งผลต่อระดับการเพิ่มคุณค่า
ความสัมพันธ์ของตัวแปรทำนายกับองค์ประกอบการตอบสนองบ่งชี้ความสัมพันธ์ที่น่าพอใจระหว่างองค์ประกอบ (ดูรูปที่ 3) ความสัมพันธ์ระบุว่า CaK แสดงความสัมพันธ์ในระดับปานกลางโดยมีค่า r = 0.53 เช่นเดียวกับ CaNi แม้ว่า Ca และ K จะแสดงความสัมพันธ์ในระดับปานกลาง แต่นักวิจัยเช่น Kingston และคณะ68 และ Santo69 แนะนำว่าระดับของพวกมันในดินเป็นสัดส่วนผกผัน อย่างไรก็ตาม Ca และ Mg นั้นเป็นปฏิปักษ์กับ K แต่ CaK สัมพันธ์กันได้ดี อาจเป็นเพราะการใช้ปุ๋ย เช่น โพแทสเซียมคาร์บอเนต ซึ่งมีโพแทสเซียมสูงกว่า 56% โพแทสเซียมมีความสัมพันธ์ปานกลางกับแมกนีเซียม (KM r = 0.63) ในอุตสาหกรรมปุ๋ย ธาตุทั้งสองนี้มีความสัมพันธ์กันอย่างใกล้ชิด เนื่องจากมีการใช้โพแทสเซียมแมกนีเซียมซัลเฟต โพแทสเซียมแมกนีเซียมไนเตรต และโพแทช ต่อดินเพื่อเพิ่มระดับการขาดธาตุ นิกเกิลมีความสัมพันธ์ปานกลางกับ Ca, K และ Mg โดยมีค่า r = 0.52, 0.63 และ 0.55 ตามลำดับ ความสัมพันธ์ของแคลเซียม แมกนีเซียม และ PTEs เช่น นิกเกิลนั้นซับซ้อน แต่อย่างไรก็ตาม แมกนีเซียมขัดขวางการดูดซึมแคลเซียม แคลเซียมลดผลกระทบของแมกนีเซียมส่วนเกิน และทั้งแมกนีเซียมและแคลเซียมลดผลกระทบที่เป็นพิษของนิกเกิลในดิน
เมทริกซ์สหสัมพันธ์สำหรับองค์ประกอบที่แสดงความสัมพันธ์ระหว่างตัวทำนายและการตอบสนอง (หมายเหตุ: ตัวเลขนี้ประกอบด้วยแผนภาพกระจายระหว่างองค์ประกอบ ระดับนัยสำคัญขึ้นอยู่กับ p < 0,001)
รูปที่ 4 แสดงการกระจายเชิงพื้นที่ขององค์ประกอบ จากข้อมูลของ Burgos et al70 การประยุกต์ใช้การกระจายเชิงพื้นที่เป็นเทคนิคหนึ่งที่ใช้ในการหาปริมาณและเน้นจุดร้อนในพื้นที่มลพิษ ระดับการเพิ่มพูนของ Ca ในรูปที่ 4 สามารถดูได้ในส่วนตะวันตกเฉียงเหนือของแผนที่การกระจายเชิงพื้นที่ รูปแสดงจุดเสริมเสริมแคลเซียมปานกลางถึงสูง การเพิ่มพูนแคลเซียมทางตะวันตกเฉียงเหนือของแผนที่น่าจะเกิดจากการใช้ปูนขาว (calc ium oxide) เพื่อลดความเป็นกรดของดินและใช้ในโรงถลุงเหล็กเป็นออกซิเจนอัลคาไลน์ในกระบวนการผลิตเหล็ก ในทางกลับกัน เกษตรกรรายอื่นชอบใช้แคลเซียมไฮดรอกไซด์ในดินที่เป็นกรดเพื่อทำให้ pH เป็นกลาง ซึ่งจะเพิ่มปริมาณแคลเซียมในดินด้วย71 โพแทสเซียมยังแสดงจุดร้อนทางตะวันตกเฉียงเหนือและตะวันออกของแผนที่ด้วย ภาคตะวันตกเฉียงเหนือเป็นชุมชนเกษตรกรรมที่สำคัญ และรูปแบบของโพแทสเซียมในระดับปานกลางถึงสูงอาจเนื่องมาจากการใช้ NPK และโพแทช ซึ่งสอดคล้องกับการศึกษาอื่นๆ เช่น Mad aras และ Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75 ซึ่งสังเกตว่าการรักษาเสถียรภาพของดินและการบำบัดด้วย KCl และ NPK ส่งผลให้ปริมาณ KCl ในดินสูงการเสริมธาตุโพแทสเซียมเชิงพื้นที่ทางตะวันตกเฉียงเหนือของแผนที่การกระจายอาจเกิดจากการใช้ปุ๋ยที่มีโพแทสเซียมเป็นส่วนประกอบหลัก เช่น โพแทสเซียมคลอไรด์ โพแทสเซียมซัลเฟต โพแทสเซียมไนเตรต โพแทช และโพแทช เพื่อเพิ่มปริมาณโพแทสเซียมในดินที่ไม่ดี Zádorová et al.76 และ Tlustoš และคณะ77 สรุปว่าการใส่ปุ๋ยที่มี K เป็นส่วนประกอบหลักจะเพิ่มปริมาณ K ในดินและจะเพิ่มปริมาณธาตุอาหารในดินอย่างมีนัยสำคัญในระยะยาว โดยเฉพาะอย่างยิ่ง K และ Mg ซึ่งแสดงจุดร้อนในดิน จุดที่มีความร้อนค่อนข้างปานกลางทางตะวันตกเฉียงเหนือของแผนที่และทางตะวันออกเฉียงใต้ของแผนที่ การตรึงคอลลอยด์ในดินทำให้ความเข้มข้นของแมกนีเซียมในดินหมดไป การขาดมันในดินทำให้พืชแสดงคลอโรซีสที่มีสีเหลืองแทรกแซง ปุ๋ยที่มีแมกนีเซียมเป็นพื้นฐาน เช่น โพแทสเซียมแมกนีเซียมซัลเฟต แมกนีเซียมซัลเฟต และคีเซไรต์ รักษาข้อบกพร่อง (พืชปรากฏเป็นสีม่วง แดง หรือน้ำตาล แสดงว่าขาดแมกนีเซียม) ในดินที่มีช่วงค่า pH ปกติ6 การสะสมของนิกเกิลบนพื้นผิวดินในเมืองและนอกเมืองอาจเกิดจากกิจกรรมของมนุษย์ เช่น การเกษตร และความสำคัญของนิกเกิลในการผลิตเหล็กกล้าไร้สนิม78
การกระจายเชิงพื้นที่ขององค์ประกอบ [แผนที่การกระจายเชิงพื้นที่ถูกสร้างขึ้นโดยใช้ ArcGIS Desktop (ESRI, Inc, เวอร์ชัน 10.7, URL: https://desktop.arcgis.com)]
ผลลัพธ์ของดัชนีประสิทธิภาพของแบบจำลองสำหรับองค์ประกอบที่ใช้ในการศึกษานี้แสดงในตารางที่ 2 ในทางกลับกัน ค่า RMSE และ MAE ของ Ni มีค่าใกล้เคียงกับศูนย์ (0.86 RMSE, -0.08 MAE) ในทางกลับกัน ค่า K ของทั้ง RMSE และ MAE นั้นยอมรับได้ ผลลัพธ์ RMSE และ MAE มีค่าแคลเซียมและแมกนีเซียมมากกว่า Ca และ K ค่า MAE และ RMSE มีขนาดใหญ่กว่าเนื่องจากชุดข้อมูลที่แตกต่างกัน RMSE และ MAE ของการศึกษานี้ใช้ EBK ในการทำนาย พบว่า Ni ดีกว่าผลลัพธ์ของ John et al54 โดยใช้การเสริมฤทธิ์ kriging เพื่อทำนายความเข้มข้นของ S ในดินโดยใช้ข้อมูลที่รวบรวมชุดเดียวกัน ผลลัพธ์ของ EBK ที่เราศึกษามีความสัมพันธ์กับของ Fabijaczyk และคณะ41, หยาน และคณะ79, Beguin และคณะ80, Adhikary และคณะ81 และจอห์นและคณะ82 โดยเฉพาะ K และ Ni
ประสิทธิภาพของวิธีการแต่ละวิธีในการทำนายปริมาณนิกเกิลในดินในเมืองและนอกเมืองได้รับการประเมินโดยใช้ประสิทธิภาพของแบบจำลอง (ตารางที่ 3) การตรวจสอบความถูกต้องของแบบจำลองและการประเมินความแม่นยำยืนยันว่าตัวทำนาย Ca_Mg_K รวมกับแบบจำลอง EBK SVMR ให้ประสิทธิภาพที่ดีที่สุด แบบจำลองการสอบเทียบ Ca_Mg_K-EBK_SVMR แบบจำลอง R2 ค่าความคลาดเคลื่อนกำลังสองของค่าเฉลี่ยราก (RMSE) และค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE) เท่ากับ 0.637 (R2), 95 479 มก./กก. (RMSE) และ 77.368 มก./กก. (MAE) Ca_Mg_K-SVMR เท่ากับ 0.663 (R2), 235.974 มก./กก. (RMSE) และ 166.946 มก./กก. (MAE) อย่างไรก็ตาม ได้ค่า R2 ที่ดีสำหรับ Ca_Mg_K-SVMR (0.663 มก./กก. R2) และ Ca_Mg-EBK_S VMR (0.643 = R2);ผลลัพธ์ RMSE และ MAE ของพวกเขาสูงกว่าผลลัพธ์สำหรับ Ca_Mg_K-EBK_SVMR (R2 0.637) (ดูตารางที่ 3) นอกจากนี้ RMSE และ MAE ของโมเดล Ca_Mg-EBK_SVMR (RMSE = 1664.64 และ MAE = 1031.49) คือ 17.5 และ 13.4 ตามลำดับ ซึ่งมากกว่าของ Ca_Mg_K-EBK _SVMR ในทำนองเดียวกัน RMSE และ MAE ของโมเดล Ca_Mg-K SVMR (RMSE = 235.974 และ MAE = 166.946) มีขนาดใหญ่กว่าของโมเดล Ca_Mg_K-EBK_SVMR RMSE และ MAE 2.5 และ 2.2 ตามลำดับ ผลลัพธ์ RMSE ที่คำนวณได้บ่งชี้ว่าชุดข้อมูลมีความเข้มข้นมากน้อยเพียงใดกับเส้นที่เหมาะสมที่สุด มีการสังเกต RSME และ MAE ที่สูงขึ้น ตาม Kebonye และคณะ46 และจอห์นและคณะSVMR และ EBK_SVMR มีค่า RSME และ MAE เชิงปริมาณที่สูงกว่า โดยสังเกตพบว่าค่าประมาณของ RSME สูงกว่าค่า MAE อย่างสม่ำเสมอ ซึ่งบ่งชี้ถึงค่าผิดปกติ อ้างอิงจาก Legates และ McCabe83 แนะนำให้ใช้ค่า RMSE ที่เกินค่า Mean Absolute Error (MAE) เป็นตัวบ่งชี้การมีอยู่ของค่าผิดปกติ ซึ่งหมายความว่ายิ่งมีค่ามากกว่านั้น ชุดข้อมูลที่ต่างกัน ค่า MAE และ RMSE ยิ่งสูง ความแม่นยำของการประเมินการตรวจสอบข้ามของแบบจำลองผสม Ca_Mg_K-EBK_SVMR สำหรับการทำนายเนื้อหา Ni ในดินในเมืองและชานเมืองคือ 63.70% อ้างอิงจาก Li et al59 ความแม่นยำระดับนี้เป็นอัตราประสิทธิภาพของแบบจำลองที่ยอมรับได้ ผลลัพธ์ปัจจุบันเปรียบเทียบกับการศึกษาก่อนหน้าโดย Tarasov และคณะ36 ซึ่งโมเดลไฮบริดสร้าง MLPRK (Multilayer Perceptron Residual Kriging) ซึ่งเกี่ยวข้องกับดัชนีการประเมินความแม่นยำ EBK_SVMR ที่รายงานในการศึกษาปัจจุบัน RMSE (210) และ The MAE (167.5) สูงกว่าผลลัพธ์ของเราในการศึกษาปัจจุบัน (RMSE 95.479, MAE 77.368) อย่างไรก็ตาม เมื่อเปรียบเทียบ R2 ของการศึกษาปัจจุบัน (0.637) กับของ Tarasov และคณะ .36 (0.544) เป็นที่ชัดเจนว่าค่าสัมประสิทธิ์ของการกำหนด (R2) สูงกว่าในแบบจำลองผสมนี้ ส่วนต่างของข้อผิดพลาด (RMSE และ MAE) (EBK SVMR) สำหรับแบบจำลองผสมนั้นต่ำกว่าสองเท่า ในทำนองเดียวกัน Sergeev et al.34 บันทึก 0.28 (R2) สำหรับแบบจำลองไฮบริดที่พัฒนาแล้ว (Multilayer Perceptron Residual Kriging) ในขณะที่ Ni ในการศึกษาปัจจุบันบันทึก 0.637 (R2) ระดับความแม่นยำในการทำนายของสิ่งนี้ แบบจำลอง (EBK SVMR) อยู่ที่ 63.7% ในขณะที่ Sergeev et al. มีความแม่นยำในการทำนาย34 คือ 28% แผนที่สุดท้าย (รูปที่ 5) สร้างขึ้นโดยใช้แบบจำลอง EBK_SVMR และ Ca_Mg_K เป็นตัวพยากรณ์แสดงการคาดคะเนจุดร้อนและนิกเกิลในระดับปานกลางถึงนิกเกิลทั่วทั้งพื้นที่ศึกษา ซึ่งหมายความว่าความเข้มข้นของนิกเกิลในพื้นที่ศึกษาส่วนใหญ่จะอยู่ในระดับปานกลาง โดยมีความเข้มข้นสูงกว่าในบางพื้นที่เฉพาะ
แผนที่การคาดการณ์สุดท้ายแสดงโดยใช้โมเดลไฮบริด EBK_SVMR และใช้ Ca_Mg_K เป็นตัวทำนาย[แผนที่การกระจายเชิงพื้นที่ถูกสร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
นำเสนอในรูปที่ 6 คือความเข้มข้นของ PTE เป็นระนาบองค์ประกอบที่ประกอบด้วยเซลล์ประสาทแต่ละเซลล์ ไม่มีระนาบส่วนประกอบใดแสดงรูปแบบสีเหมือนกันตามที่แสดง อย่างไรก็ตาม จำนวนเซลล์ประสาทที่เหมาะสมต่อแผนผังที่วาดคือ 55 SeOM ผลิตขึ้นโดยใช้สีที่หลากหลาย และยิ่งมีรูปแบบสีที่คล้ายกันมากเท่าใด คุณสมบัติของตัวอย่างก็จะยิ่งเทียบเคียงได้มากขึ้น ตามระดับสีที่แม่นยำ องค์ประกอบแต่ละอย่าง (Ca, K และ Mg) แสดงรูปแบบสีที่คล้ายคลึงกันกับเซลล์ประสาทสูงเดี่ยวและเซลล์ประสาทต่ำส่วนใหญ่ ดังนั้น CaK และ CaMg มีความคล้ายคลึงกันบางประการกับเซลล์ประสาทที่มีลำดับสูงมากและรูปแบบสีที่มีระดับต่ำถึงปานกลาง แบบจำลองทั้งสองทำนายความเข้มข้นของ Ni ในดินโดยการแสดงเฉดสีปานกลางถึงสูง เช่น สีแดง สีส้ม และสีเหลือง แบบจำลอง KMg แสดงรูปแบบสีจำนวนมากตามสัดส่วนที่แม่นยำและแพทช์สีต่ำถึงปานกลาง ในระดับสีที่แม่นยำจากต่ำไปสูง รูปแบบการกระจายระนาบของส่วนประกอบของแบบจำลองแสดงรูปแบบสีสูงซึ่งบ่งชี้ถึงความเข้มข้นที่เป็นไปได้ของนิกเกิลในดิน (ดูรูปที่ 4) C ระนาบส่วนประกอบแบบจำลอง akMg แสดงรูปแบบสีที่หลากหลายจากต่ำไปสูงตามสเกลสีที่ถูกต้อง นอกจากนี้ การคาดคะเนปริมาณนิกเกิลของแบบจำลอง (CakMg) ยังคล้ายกับการกระจายเชิงพื้นที่ของนิกเกิลที่แสดงในรูปที่ 5 กราฟทั้งสองแสดงสัดส่วนความเข้มข้นของนิกเกิลสูง ปานกลาง และต่ำในดินในเมืองและนอกเมือง รูปที่ 7 แสดงวิธีรูปร่างในการจัดกลุ่มค่า k-mean บนแผนที่ โดยแบ่งออกเป็นสามกลุ่มตามค่าที่ทำนายไว้ ในแต่ละแบบจำลอง วิธีการแสดงรูปร่างแสดงจำนวนกลุ่มที่เหมาะสมที่สุด จากตัวอย่างดิน 115 ตัวอย่างที่เก็บรวบรวม กลุ่มที่ 1 ได้ตัวอย่างดินมากที่สุด 74 ตัวอย่าง กลุ่มที่ 2 ได้รับ 33 ตัวอย่าง ในขณะที่กลุ่มที่ 3 ได้รับ 8 ตัวอย่าง การผสมตัวทำนายเชิงระนาบเจ็ดองค์ประกอบทำให้ง่ายขึ้นเพื่อให้สามารถตีความกลุ่มได้อย่างถูกต้อง เนื่องจากกระบวนการทางธรรมชาติและมนุษย์จำนวนมากที่ส่งผลต่อการก่อตัวของดิน จึงเป็นเรื่องยากที่จะมีความแตกต่างของรูปแบบคลัสเตอร์อย่างถูกต้องในแผนที่ SeOM แบบกระจาย78
เอาต์พุตระนาบคอมโพเนนต์โดยตัวแปร Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) [แผนที่ SeOM ถูกสร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
องค์ประกอบการจัดประเภทคลัสเตอร์ที่แตกต่างกัน [แผนที่ SeOM ถูกสร้างขึ้นโดยใช้ RStudio (เวอร์ชัน 1.4.1717: https://www.rstudio.com/)]
การศึกษาในปัจจุบันแสดงให้เห็นอย่างชัดเจนถึงเทคนิคการสร้างแบบจำลองสำหรับความเข้มข้นของนิกเกิลในดินในเขตเมืองและนอกเขตเมือง การศึกษาได้ทดสอบเทคนิคการสร้างแบบจำลองต่างๆ ผสมผสานองค์ประกอบเข้ากับเทคนิคการสร้างแบบจำลองเพื่อให้ได้วิธีที่ดีที่สุดในการทำนายความเข้มข้นของนิกเกิลในดิน คุณลักษณะเชิงพื้นที่ระนาบเชิงระนาบเชิงองค์ประกอบ SeOM ของเทคนิคการสร้างแบบจำลองแสดงรูปแบบสีสูงจากต่ำไปสูงในระดับสีที่แม่นยำ ซึ่งบ่งชี้ถึงความเข้มข้นของ Ni ในดิน อย่างไรก็ตาม แผนที่การกระจายเชิงพื้นที่ยืนยันการกระจายเชิงพื้นที่เชิงระนาบของส่วนประกอบที่แสดงโดย EBK_ SVMR (ดูรูปที่ 5) ผลการวิจัยแสดงให้เห็นว่าแบบจำลองการถดถอยของเวกเตอร์เครื่องสนับสนุน (Ca Mg K-SVMR) ทำนายความเข้มข้นของ Ni ในดินเป็นแบบจำลองเดียว แต่พารามิเตอร์การตรวจสอบความถูกต้องและการประเมินความถูกต้องแสดงข้อผิดพลาดที่สูงมากในแง่ของ RMSE และ MAE ในทางกลับกัน เทคนิคการสร้างแบบจำลองที่ใช้กับแบบจำลอง EBK_MLR ก็มีข้อบกพร่องเช่นกัน เนื่องจากค่าสัมประสิทธิ์ของการกำหนด (R2) มีค่าต่ำ ได้รับผลลัพธ์ที่ดีโดยใช้ EBK SVMR และองค์ประกอบรวม ​​(CaK Mg) ที่มีข้อผิดพลาด RMSE และ MAE ต่ำโดยมีความแม่นยำ 63.7% ปรากฎว่าการรวมอัลกอริทึม EBK กับอัลกอริทึมการเรียนรู้ของเครื่องสามารถสร้างอัลกอริทึมแบบผสมที่สามารถทำนายความเข้มข้นของ PTE ในดินได้ ผลปรากฏว่าการใช้ Ca Mg K เป็นตัวทำนายเพื่อทำนายความเข้มข้นของ Ni ในพื้นที่ศึกษาสามารถปรับปรุงการทำนายของ Ni ในดินได้ ซึ่งหมายความว่าการใช้ปุ๋ยที่มีนิกเกิลเป็นส่วนประกอบและมลพิษทางอุตสาหกรรมของดินอย่างต่อเนื่องโดยอุตสาหกรรมเหล็กมีแนวโน้มที่จะเพิ่มความเข้มข้นของนิกเกิลในดิน ดิน การศึกษานี้เปิดเผยว่าแบบจำลอง EBK สามารถลดระดับข้อผิดพลาดและปรับปรุงความแม่นยำของแบบจำลองการกระจายเชิงพื้นที่ของดินในเมืองหรือดินรอบนอกเมือง โดยทั่วไป เราเสนอให้ใช้แบบจำลอง EBK-SVMR เพื่อประเมินและทำนาย PTE ในดินนอกจากนี้ เราเสนอให้ใช้ EBK เพื่อผสมกับอัลกอริธึมการเรียนรู้ของเครื่องต่างๆ ความเข้มข้นของ Ni ถูกทำนายโดยใช้องค์ประกอบเป็นตัวแปรร่วมอย่างไรก็ตาม การใช้ตัวแปรร่วมมากขึ้นจะช่วยปรับปรุงประสิทธิภาพของแบบจำลองได้อย่างมาก ซึ่งถือได้ว่าเป็นข้อจำกัดของงานปัจจุบัน ข้อจำกัดอีกประการหนึ่งของการศึกษานี้คือจำนวนชุดข้อมูลคือ 115 ชุด ดังนั้น หากมีการให้ข้อมูลมากขึ้น ประสิทธิภาพของวิธีการไฮบริดที่ปรับให้เหมาะสมที่สุดที่เสนอสามารถปรับปรุงได้
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (เข้าถึงเมื่อ 28 เมษายน 2021)
Kasprzak, KS Nickel ก้าวหน้าในพิษวิทยาสิ่งแวดล้อมสมัยใหม่ สภาพแวดล้อม.พิษวิทยา.11, 145–183 (1987)
Cempel, M. & Nikel, G. Nickel: การทบทวนแหล่งที่มาและพิษวิทยาสิ่งแวดล้อม.Polish J. Environment.Stud.15, 375–382 (2549).
Freedman, B. & Hutchinson, TC สารก่อมลพิษจากชั้นบรรยากาศและการสะสมตัวในดินและพืชใกล้โรงหลอมนิกเกิลทองแดงใน Sudbury, Ontario, Canada.can.J.ธปท.58(1), 108-132.https://doi.org/10.1139/b80-014 (2523).
Manyiwa, T. et al. โลหะหนักในดิน พืช และความเสี่ยงที่เกี่ยวข้องกับสัตว์เคี้ยวเอื้องที่เล็มหญ้าใกล้กับเหมืองทองแดง-นิกเกิล Selebi-Phikwe ในบอตสวานา.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021)
Cabata-Pendias.Kabata-Pendias A. 2011. ติดตามองค์ประกอบในดินและ… – Google Scholar https://scholar.google.com/scholar?hl=th&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3 A+CRC+Press&btnG= (เข้าถึงเมื่อ 24 พ.ย. 2563)
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. ผลกระทบของอุตสาหกรรมนิกเกิลของรัสเซียต่อความเข้มข้นของโลหะหนักในดินและหญ้าเพื่อการเกษตรใน Soer-Varanger, Norway.agris.fao.org
Nielsen, GD และคณะ การดูดซึมและการกักเก็บนิกเกิลในน้ำดื่มมีความสัมพันธ์กับการบริโภคอาหารและความไวต่อนิกเกิล
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics หรือ Selection.surroundings.Health Perspective.107, 2 (1999)
อัจมาน, พีซี;อาจาโด, เอสเค ;Borůvka, L.;บีนี่, เจเคเอ็ม ;ซาร์โกดี้, VYO;โคบอนเย, นิวเม็กซิโก;การวิเคราะห์แนวโน้มขององค์ประกอบที่อาจเป็นพิษ: การทบทวนบรรณานุกรม ธรณีเคมีสิ่งแวดล้อมและสุขภาพ Springer Science & Business Media BV 2020https://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. เกี่ยวกับการทำแผนที่ดินแบบดิจิทัล 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=th&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (เข้าถึง 2 8 เมษายน 2564).