Salamat sa pagbisita sa Nature.com. Ang bersyon ng browser na iyong ginagamit ay may limitadong suporta para sa CSS. Para sa pinakamahusay na karanasan, inirerekomenda namin na gumamit ka ng na-update na browser (o i-off ang compatibility mode sa Internet Explorer). Pansamantala, upang matiyak ang patuloy na suporta, ipapakita namin ang site nang walang mga istilo at JavaScript.
Ang polusyon sa lupa ay isang malaking problema na dulot ng mga aktibidad ng tao. Ang spatial distribution ng mga potensyal na nakakalason na elemento (PTEs) ay nag-iiba-iba sa karamihan ng mga urban at peri-urban na lugar. Samakatuwid, mahirap na spatially na hulaan ang nilalaman ng PTE sa naturang mga lupa. May kabuuang 115 sample ang nakuha mula sa Frydek Mistek sa Czech Republic. ly coupled plasma emission spectrometry. Ang response variable ay Ni at ang mga predictors ay Ca, Mg, at K. Ang correlation matrix sa pagitan ng response variable at predictor variable ay nagpapakita ng kasiya-siyang ugnayan sa pagitan ng mga elemento. Ang mga resulta ng prediction ay nagpakita na ang Support Vector Machine Regression (SVMR) ay gumanap nang maayos, bagaman ang tinantyang root mean square error (RMSE) (RMSE) (235.97 mg) (235.97 mg) (235.97 mg) absolute (235.97 mg) at MA. ay mas mataas kaysa sa iba pang mga pamamaraan na inilapat. Ang mga pinaghalong modelo para sa Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ay gumaganap nang hindi maganda, gaya ng pinatutunayan ng mga koepisyent ng determinasyon na mas mababa sa 0.1. Ang modelong Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) (EBK-SVMR) na modelo ay ang pinakamahusay na modelo, na may mababang RMSE9kg (EBK-SVMR) na may mababang RMSE995 (mg.7mg) at 4kg6kg na modelo. values ​​​​at mataas na coefficient of determination (R2 = 0.637). Ang output ng EBK-SVMR modeling technique ay nakikita gamit ang self-organizing map. Ang mga clustered neuron sa plane ng hybrid na modelong CakMg-EBK-SVMR na bahagi ay nagpapakita ng maraming pattern ng kulay na hinuhulaan ang mga konsentrasyon ng Ni sa urban at peri-urban na mga lupa. .
Ang Nickel (Ni) ay itinuturing na micronutrient para sa mga halaman dahil nakakatulong ito sa atmospheric nitrogen fixation (N) at metabolismo ng urea, na parehong kinakailangan para sa pagtubo ng buto. Bilang karagdagan sa kontribusyon nito sa pagtubo ng binhi, ang Ni ay maaaring kumilos bilang isang fungal at bacterial inhibitor at itaguyod ang pag-unlad ng halaman. izers para ma-optimize ang nitrogen fixation2.Ang patuloy na paglalagay ng nickel-based fertilizers upang pagyamanin ang lupa at dagdagan ang kakayahan ng mga legume na ayusin ang nitrogen sa lupa ay patuloy na nagpapataas ng nickel concentration sa lupa. Bagama't ang nickel ay isang micronutrient para sa mga halaman, ang labis na paggamit nito sa lupa ay mas makakasama kaysa sa mabuti. Ang toxicity ng nickel at nutrient na paglaki ng lupa sa lupa1 ay nakakabawas ng toxicity ng esensyal na pH ng halaman. cayon sa Liu3, ang Ni ay napag-alaman na ika-17 mahalagang elemento na kinakailangan para sa pagpapaunlad at paglago ng halaman. Bilang karagdagan sa papel ng nickel sa pag-unlad at paglago ng halaman, kailangan ito ng mga tao para sa iba't ibang mga aplikasyon. Ang electroplating, ang produksyon ng mga nickel-based na haluang metal, at ang paggawa ng mga ignition device at spark plugs sa industriya ng automotive ay nangangailangan ng iba't ibang sektor ng industriya ng nickel. malawakang ginagamit sa kitchenware, ballroom accessories, food industry supplies, electrical, wire at cable, jet turbines, surgical implants, textiles, at shipbuilding5.Ni-rich level sa mga lupa (ibig sabihin, surface soils) ay iniuugnay sa parehong anthropogenic at natural na pinagmumulan, ngunit pangunahin, ang Ni ay isang natural na pinagmumulan sa halip na anthropogenic, mga proseso ng sunog sa kagubatan, at natural na kagubatan4,6.gayunpaman, ang mga anthropogenic na pinagmumulan ay kinabibilangan ng mga nickel/cadmium na baterya sa industriya ng bakal, electroplating, arc welding, diesel at fuel oil, at atmospheric emissions mula sa coal combustion at waste and sludge incineration Nickel accumulation7,8.Ayon kina Freedman at Hutchinson9 at Manyiwa et al.10, ang pangunahing pinagmumulan ng polusyon sa ibabaw ng lupa sa kalapit at katabing kapaligiran ay pangunahin sa mga nickel-copper-based smelter at minahan. cayon sa Alms et al.12, ang halaga ng HNO3-extractable nickel sa nangungunang taniman ng rehiyon (produksyon ng nickel sa Russia) ay mula 6.25 hanggang 136.88 mg/kg, na tumutugma sa isang mean na 30.43 mg/kg at isang baseline na konsentrasyon na 25 mg/kg. Ayon sa kabata 11, ang paglalapat ng fertilizers ng soil phosphorus o fertilizer sa perikultura sa panahon ng succession phosphorus. ang mga panahon ng pananim ay maaaring mag-infuse o makontamina ang lupa.Ang mga potensyal na epekto ng nickel sa mga tao ay maaaring humantong sa cancer sa pamamagitan ng mutagenesis, chromosomal damage, Z-DNA generation, blocked DNA excision repair, o epigenetic na proseso13.Sa mga eksperimento sa hayop, ang nickel ay natagpuan na may potensyal na magdulot ng iba't ibang tumor, at carcinogenic nickel complexes na maaaring lumabas ang mga tumor.
Ang mga pagtatasa ng kontaminasyon sa lupa ay umunlad sa mga kamakailang panahon dahil sa malawak na hanay ng mga isyu na may kaugnayan sa kalusugan na nagmumula sa mga relasyon sa lupa at halaman, mga relasyon sa biyolohikal ng lupa at lupa, pagkasira ng ekolohiya, at pagtatasa ng epekto sa kapaligiran. Sa ngayon, ang spatial na hula ng mga potensyal na nakakalason na elemento (PTE) tulad ng Ni sa lupa ay naging matrabaho at nakakaubos ng oras gamit ang mga tradisyonal na pamamaraan ng lupa5 at ang kasalukuyang pagtatagumpay ng mga digital na pamamaraan ay napabuti ng DSM. (PSM).Ayon kina Minasny at McBratney16, ang predictive soil mapping (DSM) ay napatunayang isang kilalang subdiscipline ng agham ng lupa.Lagacherie at McBratney, 2006 ay tinukoy ang DSM bilang "ang paglikha at pagpuno ng spatial na mga sistema ng impormasyon sa lupa sa pamamagitan ng paggamit ng in situ at laboratoryo na mga pamamaraan ng pagmamasid at spatial na non-spatial na sistema ng lupa".17 outline na ang kontemporaryong DSM o PSM ay ang pinaka-epektibong pamamaraan para sa paghula o pagmamapa ng spatial distribution ng mga PTE, mga uri ng lupa at mga katangian ng lupa. Ang Geostatistics at Machine Learning Algorithms (MLA) ay mga diskarte sa pagmomodelo ng DSM na lumilikha ng mga digitized na mapa sa tulong ng mga computer na gumagamit ng makabuluhan at minimal na data.
Tinukoy ng Deutsch18 at Olea19 ang geostatistics bilang "ang koleksyon ng mga numerical technique na tumatalakay sa representasyon ng mga spatial na katangian, higit sa lahat ay gumagamit ng mga stochastic na modelo, gaya ng kung paano nailalarawan ng time series analysis ang temporal na data."Pangunahin, kinapapalooban ng geostatistics ang pagsusuri ng mga variogram, na nagbibigay-daan sa Quantify at tukuyin ang mga dependency ng spatial values ​​​​mula sa bawat dataset20.Gumiaux et al.20 higit pang naglalarawan na ang pagsusuri ng mga variogram sa geostatistics ay nakabatay sa tatlong prinsipyo, kabilang ang (a) pag-compute ng sukat ng ugnayan ng data, (b) pagtukoy at pag-compute ng anisotropy sa disparity ng dataset at (c) bilang karagdagan sa Bilang karagdagan sa pagsasaalang-alang sa likas na error ng data ng pagsukat na hiwalay sa mga lokal na epekto, ang mga epekto ng geostatistic ay ginagamit din sa mga epektong ito sa mga lokal na epekto, ang mga epekto ng geostatistic ay ginagamit din sa mga epektong ito. kabilang ang pangkalahatang kriging, co-kriging, ordinaryong kriging, empirical Bayesian kriging, simpleng paraan ng kriging at iba pang kilalang interpolation technique upang imapa o mahulaan ang PTE, mga katangian ng lupa, at mga uri ng lupa.
Ang Machine Learning Algorithms (MLA) ay isang medyo bagong diskarte na gumagamit ng mas malalaking non-linear na klase ng data, na pinalakas ng mga algorithm na pangunahing ginagamit para sa data mining, pagtukoy ng mga pattern sa data, at paulit-ulit na inilalapat sa pag-uuri sa mga siyentipikong larangan tulad ng agham ng lupa at mga gawain sa pagbabalik. Maraming research paper ang umaasa sa mga modelo ng MLA upang mahulaan ang PTE sa mga lupa, gaya ng Tan et al.22 (random na kagubatan para sa mabibigat na metal na pagtatantya sa mga lupang pang-agrikultura), Sakizadeh et al.23 (pagmomodelo gamit ang mga support vector machine at artipisyal na neural network) polusyon sa lupa ).Sa karagdagan, Vega et al.24 (CART para sa pagmomodelo ng mabibigat na metal na pagpapanatili at adsorption sa lupa) Sun et al.25 (ang application ng cubist ay ang pamamahagi ng Cd sa lupa) at iba pang mga algorithm tulad ng k-pinakamalapit na kapitbahay, generalised boosted regression, at boosted regression Inilapat din ng mga puno ang MLA upang mahulaan ang PTE sa lupa.
Ang aplikasyon ng mga algorithm ng DSM sa hula o pagmamapa ay nahaharap sa ilang mga hamon. Maraming mga may-akda ang naniniwala na ang MLA ay higit na mataas sa geostatistics at kabaliktaran.Nagkomento sina Pontius at Cheuk28 at Grunwald29 sa mga kakulangan at ilang pagkakamali sa hinulaang pagmamapa ng lupa. Sinubukan ng mga siyentipiko ng lupa ang iba't ibang mga diskarte upang ma-optimize ang pagiging epektibo, katumpakan, at predictability ng DSM mapping at forecasting.15 na binalangkas na ang pag-uugali ng pagpapatunay at kawalan ng katiyakan na ipinakilala ng paglikha at hula ng mapa ay dapat na independiyenteng patunayan upang mapabuti ang kalidad ng mapa.gayunpaman, ang kawalan ng katiyakan sa DSM ay maaaring magmula sa maraming pinagmumulan ng error, katulad ng covariate error, error sa modelo, error sa lokasyon, at analytical Error 31. Ang mga kamalian sa pagmomodelo na dulot ng MLA at mga geostatistical na proseso ay nauugnay sa kawalan ng pag-unawa, na humahantong sa sobrang pagpapasimple ng tunay na proseso32. Anuman ang likas na katangian ng mga modelo ng modelo, ang mga katangian ng pagmomodelo ay hindi nababahala, ang mga katangian ng pagmomodelo ay hindi nababatay lation33. Kamakailan lamang, lumitaw ang isang bagong trend ng DSM na nagtataguyod ng pagsasama ng geostatistics at MLA sa pagmamapa at pagtataya. Ilang mga siyentipiko at may-akda ng lupa, tulad nina Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 at Tarasov et al.37 ay pinagsamantalahan ang tumpak na kalidad ng geostatistics at machine learning upang makabuo ng mga hybrid na modelo na nagpapahusay sa kahusayan ng pagtataya at pagmamapa.kalidad.Ang ilan sa mga hybrid o pinagsamang modelong algorithm na ito ay ang 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 at Co-Multilayer Perceptron (ANN-K-MLP)37 at Co.
Ayon kay Sergeev et al., ang pagsasama-sama ng iba't ibang mga diskarte sa pagmomodelo ay may potensyal na maalis ang mga depekto at mapataas ang kahusayan ng resultang hybrid na modelo kaysa sa pagbuo ng solong modelo nito. (SVM) at Multiple Linear Regression (MLR) na mga modelo. Hindi alam ang hybridization ng EBK sa anumang MLA. Ang maraming mixed model na nakikita ay mga kumbinasyon ng ordinaryo, residual, regression kriging, at MLA. Ang EBK ay isang geostatistical interpolation na paraan na gumagamit ng spatially stochastic na proseso na naka-localize/stationary na field na nagbibigay-daan sa random na field na may lokal na parameter na hindi stationary. 9.Ginamit ang EBK sa iba't ibang pag-aaral, kabilang ang pagsusuri sa distribusyon ng organikong carbon sa mga lupang sakahan40, pagtatasa ng polusyon sa lupa41 at pagmamapa ng mga katangian ng lupa42.
Sa kabilang banda, ang Self-Organizing Graph (SeOM) ay isang learning algorithm na inilapat sa iba't ibang artikulo tulad ng Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 at Kebonye et al.46 Tukuyin ang mga katangiang spatial at pagpapangkat ng mga elemento.Wang et al.44 outline na ang SeOM ay isang makapangyarihang diskarte sa pag-aaral na kilala sa kakayahang magpangkat at mag-isip ng mga non-linear na problema.44, maaaring spatially na pangkatin ng SeOM ang distribusyon ng mga kaugnay na neuron at magbigay ng high-resolution na visualization ng data. Ivi-visualize ng SeOM ang data ng hula ng Ni upang makuha ang pinakamahusay na modelo upang makilala ang mga resulta para sa direktang interpretasyon.
Nilalayon ng papel na ito na makabuo ng isang matatag na modelo ng pagmamapa na may pinakamainam na katumpakan para sa paghula ng nilalaman ng nikel sa mga urban at peri-urban na lupa. Ipinagpalagay namin na ang pagiging maaasahan ng pinaghalong modelo ay pangunahing nakadepende sa impluwensya ng iba pang mga modelo na nakalakip sa batayang modelo. Kinikilala namin ang mga hamon na kinakaharap ng DSM, at habang ang mga hamon na ito ay tinutugunan sa maraming mga pagsulong at mga modelong MLA, ang mga hamong ito ay lilitaw sa kumbinasyon ng maraming mga pagsulong sa MLA.samakatuwid, susubukan naming sagutin ang mga tanong sa pananaliksik na maaaring magbunga ng magkahalong mga modelo.Gayunpaman, gaano katumpak ang modelo sa paghula sa target na elemento?Gayundin, ano ang antas ng pagsusuri ng kahusayan batay sa pagpapatunay at pagsusuri ng katumpakan?Samakatuwid, ang mga tiyak na layunin ng pag-aaral na ito ay (a) lumikha ng pinagsamang modelo ng timpla para sa SVMR o MLR gamit ang EBK bilang ang modelong pinaghalong pinakamainam na resulta, (b) pagkukumpara sa modelong pinaghalong batayan ng Ni. peri-urban soils , at (d) ang aplikasyon ng SeOM upang lumikha ng isang high-resolution na mapa ng nickel spatial variation.
Ang pag-aaral ay isinasagawa sa Czech Republic, partikular sa distrito ng Frydek Mistek sa rehiyon ng Moravia-Silesian (tingnan ang Larawan 1) .Ang heograpiya ng lugar ng pag-aaral ay napaka-masungit at kadalasang bahagi ng rehiyon ng Moravia-Silesian Beskidy, na bahagi ng panlabas na rim ng Carpathian Mountains. sa pagitan ng 225 at 327 m;gayunpaman, ang sistema ng pag-uuri ng Koppen para sa klimatiko na estado ng rehiyon ay na-rate bilang Cfb = temperate oceanic na klima, Maraming pag-ulan kahit na sa mga tuyong buwan. Bahagyang nag-iiba ang temperatura sa buong taon sa pagitan ng −5 °C at 24 °C, bihirang bumaba sa ibaba −14 °C o higit sa 30 °C, habang ang average na taunang pag-ulan ay 52 °C, habang ang average na taunang pag-ulan ay 5225 mm. Ang lugar ay 1,208 square kilometers, na may 39.38% ng lupang sinasaka at 49.36% ang sakop ng kagubatan. Sa kabilang banda, ang lugar na ginamit sa pag-aaral na ito ay humigit-kumulang 889.8 square kilometers. Sa at sa paligid ng Ostrava, ang industriya ng bakal at mga gawang metal ay napakaaktibo. Mga metal mill, ang industriya ng bakal kung saan ginagamit ang nickel (at nickel na cormos na panlaban sa stainless steel) lakas ng haluang metal habang pinapanatili ang magandang ductility at tigas nito), at masinsinang agrikultura tulad ng phosphate fertilizer application at livestock production ay mga research potential source of nickel sa rehiyon (hal., pagdaragdag ng nickel sa mga tupa para tumaas ang growth rate sa mga tupa at mababang-pinakain na baka).Ibang pang-industriya na paggamit ng nickel sa mga lugar ng pananaliksik ay kinabibilangan ng paggamit nito sa electronickel plating. maaaring makuha mula sa kulay ng lupa, istraktura, at nilalaman ng carbonate.Ang texture ng lupa ay katamtaman hanggang pino, na nagmula sa parent material.Ang mga ito ay colluvial, alluvial o aeolian sa kalikasan.Ang ilang mga lugar ng lupa ay lumilitaw na may batik-batik sa ibabaw at sa ilalim ng lupa, kadalasang may konkreto at bleaching.Gayunpaman, ang mga cambisol at stagnosol ay ang pinakakaraniwang uri ng lupa na may 45,55 mula sa rehiyon. nangingibabaw ang mga mbisol sa Czech Republic49.
Mapa ng lugar ng pag-aaral [Ginawa ang mapa ng lugar ng pag-aaral gamit ang ArcGIS Desktop (ESRI, Inc, bersyon 10.7, URL: https://desktop.arcgis.com).]
May kabuuang 115 na sample ng topsoil ang nakuha mula sa urban at peri-urban soils sa Frydek Mistek district. Ang sample pattern na ginamit ay isang regular na grid na may mga sample ng lupa na may pagitan ng 2 × 2 km, at ang topsoil ay sinusukat sa lalim na 0 hanggang 20 cm gamit ang hand-held GPS device (Leica Zeno 5 GPS). -pinatuyo upang makagawa ng mga pulverized na sample, pinulbos ng mekanikal na sistema (Fritsch disc mill), at sieved (sieve size 2 mm). Maglagay ng 1 gramo ng tuyo, homogenized at sieved na sample ng lupa sa malinaw na may label na teflon bottle. s na tumayo nang magdamag para sa reaksyon (aqua regia program) .Ilagay ang supernatant sa isang mainit na metal plate (temperatura: 100 W at 160 °C) sa loob ng 2 h upang mapadali ang proseso ng pagtunaw ng mga sample, pagkatapos ay palamig. Ilipat ang supernatant sa isang 50 ml volumetric flask at palabnawin sa 50 ml na may deionized na tubig na na-deionize ng ml50 na tubig. Bukod pa rito, ang 1 ml ng dilution solution ay natunaw ng 9 ml ng deionized na tubig at sinala sa isang 12 ml na tubo na inihanda para sa PTE pseudo-concentration. fic, USA) ayon sa mga karaniwang pamamaraan at kasunduan. Tiyakin ang mga pamamaraan ng Quality Assurance and Control (QA/QC) (SRM NIST 2711a Montana II Soil). Ang mga PTE na may limitasyon sa pagtuklas na mas mababa sa kalahati ay hindi kasama sa pag-aaral na ito. Ang limitasyon sa pagtuklas ng PTE na ginamit sa pag-aaral na ito ay 0.0004. (ikaw). ized, isang dobleng pagsusuri ang isinagawa.
Ang Empirical Bayesian Kriging (EBK) ay isa sa maraming geostatistical interpolation technique na ginagamit sa pagmomodelo sa magkakaibang larangan tulad ng soil science. tainty at programming na nauugnay sa plotting na ito ng semivariogram na bumubuo ng isang napakakomplikadong bahagi ng isang sapat na pamamaraan ng kriging. Ang proseso ng interpolation ng EBK ay sumusunod sa tatlong pamantayang iminungkahi ng Krivoruchko50, (a) tinatantya ng modelo ang semivariogram mula sa input dataset (b) ang bagong hinulaang halaga para sa bawat lokasyon ng input na batay sa nabuong semivariogram ng dataset at ang (c) ay binigay na isang simulation na modelo ng isang dataset. hulihan
Kung saan ang \(Prob\left(A\right)\) ay kumakatawan sa nauna, ang \(Prob\left(B\right)\) marginal probability ay binabalewala sa karamihan ng mga kaso, \(Prob (B,A)\ ) .Ang pagkalkula ng semivariogram ay nakabatay sa panuntunan ng Bayes, na nagpapakita ng propensity ng observations na mga dataset na maaaring malikha mula sa semivariograms, pagkatapos ay tinutukoy ang halaga ng mga semivariograms. lumikha ng isang dataset ng mga obserbasyon mula sa semivariogram.
Ang support vector machine ay isang machine learning algorithm na bumubuo ng pinakamainam na naghihiwalay na hyperplane upang makilala ang magkapareho ngunit hindi linearly na independiyenteng mga klase. Ginawa ng Vapnik51 ang intent classification algorithm, ngunit ito ay kamakailan-lamang na ginamit upang malutas ang mga problemang nakatuon sa regression. Ayon kay Li et al.52, ang SVM ay isa sa pinakamahusay na mga diskarte sa classifier ng SVport Regression ng SVM (SVM) na bahagi ng Regression na bahagi ng SVM. ginamit sa pagsusuring ito. Pinangunahan nina Cherkassky at Mulier53 ang SVMR bilang isang kernel-based na regression, ang pag-compute nito ay isinagawa gamit ang isang linear regression model na may multi-country spatial functions. Iniulat ni John et al54 na ang SVMR modeling ay gumagamit ng hyperplane linear regression, na lumilikha ng mga nonlinear na ugnayang elektrisidad at nagbibigay-daan para sa Vohland et al.55, epsilon (ε)-SVMR ay gumagamit ng sinanay na dataset upang makakuha ng representasyong modelo bilang isang epsilon-insensitive na function na inilalapat upang i-mapa ang data nang nakapag-iisa na may pinakamahusay na bias ng epsilon mula sa pagsasanay sa mga nauugnay na data. Ang preset na error sa distansya ay binabalewala mula sa aktwal na halaga, at kung ang error ay mas malaki kaysa sa ε(ε), binabayaran ito ng mga katangian ng lupa sa isang mas malawak na modelo ng vector. posed sa pamamagitan ng Vapnik51 ay ipinapakita sa ibaba.
kung saan ang b ay kumakatawan sa scalar threshold, ang \(K\left({x}_{,}{ x}_{k}\right)\) ay kumakatawan sa kernel function, \(\alpha\) ay kumakatawan sa Lagrange multiplier, N ay kumakatawan sa isang numeric dataset, \({x}_{k}\) ay kumakatawan sa input ng data, at \(y\) ay ang data output, RB kung saan ay ang SV na kernel na pagpapatakbo. Inilapat ang RBF kernel upang matukoy ang pinakamainam na modelo ng SVMR, na kritikal upang makuha ang pinaka banayad na penalty set factor C at kernel parameter gamma (γ) para sa data ng pagsasanay ng PTE. Una, sinuri namin ang set ng pagsasanay at pagkatapos ay sinubukan ang pagganap ng modelo sa set ng pagpapatunay. Ang parameter ng pagpipiloto na ginamit ay sigma at ang halaga ng pamamaraan ay svmRadial.
Ang multiple linear regression model (MLR) ay isang regression model na kumakatawan sa ugnayan sa pagitan ng variable na tugon at isang bilang ng mga variable ng predictor sa pamamagitan ng paggamit ng mga linear pooled na parameter na kinakalkula gamit ang pamamaraang least squares. Ang equation ng LR ay
kung saan ang y ay ang variable ng pagtugon, ang \(a\) ay ang intercept, ang n ay ang bilang ng mga predictors, ang \({b}_{1}\) ay ang bahagyang pagbabalik ng mga coefficient, ang \({x}_{ i}\) ay kumakatawan sa isang predictor o nagpapaliwanag na variable, at ang \({\varepsilon }_{i}\) ay kumakatawan sa error sa nalalabi, na kilala rin bilang nalalabi sa modelo.
Ang mga halo-halong modelo ay nakuha sa pamamagitan ng pag-sandwich ng EBK na may SVMR at MLR. Ginagawa ito sa pamamagitan ng pagkuha ng mga hinulaang halaga mula sa interpolation ng EBK. Ang mga hinulaang halaga na nakuha mula sa interpolated na Ca, K, at Mg ay nakuha sa pamamagitan ng isang combinatorial process upang makakuha ng mga bagong variable, tulad ng CaK, CaMg, at KMg. . gression (EBK_MLR).Kadalasan, ang mga variable na Ca, K, Mg, CaK, CaMg, KMg, at CaKMg ay ginagamit bilang covariates bilang mga predictors ng Ni content sa mga urban at peri-urban na lupa. Ang pinakakatanggap-tanggap na modelong nakuha (EBK_SVM o EBK_MLR) ay makikita gamit ang self-organizing na graph ng pag-aaral na ito.
Ang paggamit ng SeOM ay naging isang tanyag na tool para sa pag-aayos, pagsusuri, at pagtataya ng data sa sektor ng pananalapi, pangangalagang pangkalusugan, industriya, istatistika, agham ng lupa, at higit pa. Nilikha ang SeOM gamit ang mga artipisyal na neural network at hindi pinangangasiwaan na mga pamamaraan ng pag-aaral para sa organisasyon, pagsusuri, at hula. Sa pag-aaral na ito, ginamit ang SeOM upang mailarawan ang mga konsentrasyon ng Ni batay sa pinakamahusay na modelo para sa paghula ng data ng Ni sa urban at ang paggamit ng data sa urban at SeOM. vector variables43,56.Melssen et al.57 ay naglalarawan ng koneksyon ng isang input vector sa isang neural network sa pamamagitan ng isang input layer sa isang output vector na may isang solong weight vector. Ang output na nabuo ng SeOM ay isang two-dimensional na mapa na binubuo ng iba't ibang neuron o node na hinabi sa hexagonal, circular, o square topological na mga mapa ayon sa kanilang kalapitan. Paghahambing ng mga laki ng mapa batay sa metric, quantization error (6.00 at Sepographic na modelo (QE.80) at error sa quantization (QE.80) at sa . 4, ayon sa pagkakabanggit, ay napili, na isang 55-map unit (5 × 11). Ang istraktura ng neuron ay tinutukoy ayon sa bilang ng mga node sa empirical equation
Ang bilang ng mga datos na ginamit sa pag-aaral na ito ay 115 samples. Ginamit ang random na diskarte upang hatiin ang data sa test data (25% para sa validation) at training data sets (75% para sa calibration).Ang training dataset ay ginagamit upang makabuo ng regression model (calibration), at ang test dataset ay ginamit upang i-verify ang generalization ability58.Ginawa ito upang masuri ang pagiging angkop ng iba't ibang mga modelo ng soil-nickel na ginamit para sa predicting na mga modelo ng cross-nickel na ginamit para sa paghula ng mga modelo ng soil-cross. ation process, na inuulit ng limang beses. Ang mga variable na ginawa ng EBK interpolation ay ginagamit bilang predictors o explanatory variables upang mahulaan ang target variable (PTE). Ang pagmomodelo ay pinangangasiwaan sa RStudio gamit ang packages library(Kohonen), library(caret), library(modelr), library("e1071″), library("plyr")), library("caTools libraries"), (“libraryo(“caTools libraries”), (“libraryo”(“caTools libraries)”).
Ang iba't ibang mga parameter ng pagpapatunay ay ginamit upang matukoy ang pinakamahusay na modelo na angkop para sa paghula ng mga konsentrasyon ng nikel sa lupa at upang suriin ang katumpakan ng modelo at ang pagpapatunay nito. Ang mga modelo ng hybridization ay nasuri gamit ang mean absolute error (MAE), root mean square error (RMSE), at R-squared o coefficient determination (R2). Tinutukoy ng R2 ang pagkakaiba-iba ng modelo ng regnited at regression.R2. Inilalarawan ng mga independiyenteng hakbang ang predictive na kapangyarihan ng modelo, habang tinutukoy ng MAE ang aktwal na quantitative value.Ang halaga ng R2 ay dapat mataas upang masuri ang pinakamahusay na modelo ng timpla gamit ang mga parameter ng pagpapatunay, kung mas malapit ang halaga sa 1, mas mataas ang katumpakan.Ayon kay Li et al.59, isang R2 criterion value na 0.75 o higit pa ay itinuturing na isang mahusay na predictor;mula 0.5 hanggang 0.75 ay katanggap-tanggap na pagganap ng modelo, at mas mababa sa 0.5 ay hindi katanggap-tanggap na pagganap ng modelo. Kapag pumipili ng modelo gamit ang RMSE at MAE validation criteria evaluation method, ang mga mas mababang value na nakuha ay sapat at itinuturing na pinakamahusay na pagpipilian. Inilalarawan ng sumusunod na equation ang paraan ng pag-verify.
kung saan ang n ay kumakatawan sa laki ng naobserbahang halaga\({Y}_{i}\) ay kumakatawan sa sinusukat na tugon, at ang \({\widehat{Y}}_{i}\) ay kumakatawan din sa hinulaang halaga ng tugon, samakatuwid, para sa unang i obserbasyon.
Ang mga istatistikal na paglalarawan ng mga variable ng predictor at tugon ay ipinakita sa Talahanayan 1, na nagpapakita ng mean, standard deviation (SD), coefficient of variation (CV), minimum, maximum, kurtosis, at skewness. 42.39 mg/kg. Ang paghahambing ng Ni sa average ng mundo (29 mg/kg) at ang European average (37 mg/kg) ay nagpakita na ang pangkalahatang kinakalkula na geometric na mean para sa lugar ng pag-aaral ay nasa loob ng matitiis na saklaw. Gayunpaman, tulad ng ipinakita ng Kabata-Pendias11, isang paghahambing ng average na nickel (Ni) na konsentrasyon sa kasalukuyang pag-aaral sa Sweden na tulad ng konsentrasyon ng F ay nagpapakita ng mas mataas na konsentrasyon ng agrikultural na F. Ang Mistek sa mga urban at peri-urban na lupa sa kasalukuyang pag-aaral (Ni 16.15 mg/kg) ay mas mataas kaysa sa pinapahintulutang limitasyon na 60 (10.2 mg/kg) para sa Ni sa Polish urban soils na iniulat ni Różański et al. Higit pa rito, ang Bretzel at Calderisi61 ay nagtala din ng napakababang mean na Ni concentrations/sa .2Jurbanong pag-aaral sa kasalukuyang pag-aaral ng Tuscany. isang mas mababang konsentrasyon ng nickel (12.34 mg/kg) sa mga urban soil ng Hong Kong, na mas mababa kaysa sa kasalukuyang konsentrasyon ng nickel sa pag-aaral na ito. Ang Birke et al63 ay nag-ulat ng average na konsentrasyon ng Ni na 17.6 mg/kg sa isang lumang lugar ng pagmimina at urban na industriyal na lugar sa Saxony-Anhalt, Germany, na 1.45 mg/kg na mas mataas kaysa sa average na nilalaman ng nickel. sa mga lupa sa ilang mga urban at suburban na lugar ng lugar ng pag-aaral ay maaaring pangunahing maiugnay sa industriya ng bakal at bakal at industriya ng metal. Ito ay naaayon sa pag-aaral ni Khodadoust et al.64 na ang industriya ng bakal at metalworking ay ang pangunahing pinagmumulan ng nickel contamination sa mga lupa. Gayunpaman, ang mga predictors ay umabot din mula 538.70 mg/kg hanggang 69,161.80 mg/kg para sa Ca, 497.51 mg/kg hanggang 3535.68 mg/kg para sa K, at 685.70 mg/kg para sa Mg/kg. t al.Inimbestigahan ng 65 ang kabuuang nilalaman ng Mg at K ng mga lupa sa gitnang Serbia. Natuklasan nila na ang kabuuang konsentrasyon (410 mg/kg at 400 mg/kg, ayon sa pagkakabanggit) ay mas mababa kaysa sa mga konsentrasyon ng Mg at K ng kasalukuyang pag-aaral. Hindi matukoy, sa silangang Poland, Orzechowski at Smolczynski66 ay nasuri ang kabuuang nilalaman ng Ca, Mg0kg at Kg10 (mga average na nilalaman ng Ca, Mg10 mg) at Mg0kg (nagpakita ng kabuuang nilalaman ng Ca, Mg0kg). /kg) at K (810 mg/kg) Ang nilalaman sa topsoil ay mas mababa kaysa sa nag-iisang elemento sa pag-aaral na ito.Isang kamakailang pag-aaral ni Pongrac et al.67 ay nagpakita na ang kabuuang nilalaman ng Ca na nasuri sa 3 magkakaibang mga lupa sa Scotland, UK (Mylnefield soil, Balruddery soil at Hartwood soil) ay nagpahiwatig ng mas mataas na nilalaman ng Ca sa pag-aaral na ito.
Dahil sa iba't ibang nasusukat na konsentrasyon ng mga na-sample na elemento, ang mga data set distribution ng mga elemento ay nagpapakita ng iba't ibang skewness. Ang mga tinantyang CV ng mga elemento ay nagpapakita rin na ang K, Mg, at Ni ay nagpapakita ng katamtamang pagkakaiba-iba, habang ang Ca ay may napakataas na pagkakaiba-iba. Ipinapaliwanag ng mga CV ng K, Ni at Mg ang kanilang pare-parehong pamamahagi. Higit pa rito, ang pamamahagi ng Ca ay hindi pare-pareho at ang mga panlabas na mapagkukunan ay maaaring makaapekto sa antas ng pagpapayaman nito.
Ang ugnayan ng mga variable ng predictor na may mga elemento ng tugon ay nagpahiwatig ng isang kasiya-siyang ugnayan sa pagitan ng mga elemento (tingnan ang Larawan 3). Ang ugnayan ay nagpahiwatig na ang CaK ay nagpakita ng katamtamang ugnayan na may r halaga = 0.53, tulad ng ginawa ng CaNi.68 at Santo69 ay nagmumungkahi na ang kanilang mga antas sa lupa ay inversely proportional. Gayunpaman, ang Ca at Mg ay antagonistic sa K, ngunit ang CaK ay nakakaugnay nang maayos. Ito ay maaaring dahil sa paglalagay ng mga pataba tulad ng potassium carbonate, na 56% na mas mataas sa potassium. Ang potasa ay katamtamang nakakaugnay sa magnesiyo (KM r = 0.63, ang potassium fertilizer ay malapit na nauugnay sa industriya ng potassium fertilizer, potasa magnesiyo, at potassium fertilizer). sh ay inilalapat sa mga lupa upang mapataas ang kanilang mga antas ng kakulangan. Ang nickel ay katamtamang nakakaugnay sa Ca, K at Mg na may mga r value = 0.52, 0.63 at 0.55, ayon sa pagkakabanggit. Ang mga ugnayang kinasasangkutan ng calcium, magnesium, at PTE tulad ng nickel ay kumplikado, ngunit gayunpaman, ang magnesium ay nagbabawas sa pagsipsip ng calcium at magnesium sa lupa.
Correlation matrix para sa mga elementong nagpapakita ng ugnayan sa pagitan ng mga predictor at mga tugon (Tandaan: ang figure na ito ay may kasamang scatterplot sa pagitan ng mga elemento, ang mga antas ng kahalagahan ay batay sa p <0,001).
Ang Figure 4 ay naglalarawan ng spatial distribution ng mga elemento.Ayon kay Burgos et al70, ang application ng spatial distribution ay isang technique na ginagamit upang mabibilang at i-highlight ang mga hot spot sa mga polluted na lugar.Ang mga antas ng pagpapayaman ng Ca sa Fig. 4 ay makikita sa hilagang-kanlurang bahagi ng spatial distribution map.Ang figure ay nagpapakita ng katamtaman hanggang sa mataas na mapa ng Ca. ng quicklime (calcium oxide) upang mabawasan ang acidity ng lupa at ang paggamit nito sa mga gilingan ng bakal bilang alkaline oxygen sa proseso ng paggawa ng bakal. Sa kabilang banda, mas gusto ng ibang magsasaka na gumamit ng calcium hydroxide sa acidic na mga lupa upang ma-neutralize ang pH, na nagpapataas din ng calcium na nilalaman ng lupa71. Ang potasa ay nagpapakita rin ng mga hot spot sa hilagang-kanluran at silangan ng mapa. s. Ito ay pare-pareho sa iba pang mga pag-aaral, tulad ng Madaras at Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, na napansin na ang pag-stabilize ng lupa at paggamot sa KCl at NPK ay nagresulta sa mataas na nilalaman ng K sa lupa.Ang Spatial Potassium enrichment sa hilagang-kanluran ng distribution map ay maaaring dahil sa paggamit ng potassium-based fertilizers tulad ng potassium chloride, potassium sulfate, potassium nitrate, potash, at potash upang madagdagan ang potassium content ng mahihirap na lupa.Zádorová et al.76 at Tlustoš et al.77 na binalangkas na ang paglalagay ng K-based fertilizers ay nagpapataas ng K content sa lupa at makabuluhang magpapataas ng nutrient content ng lupa sa katagalan, lalo na ang K at Mg na nagpapakita ng hot spot sa lupa.Relatively moderate hotspots sa hilagang-kanluran ng mapa at timog-silangan ng mapa.Colloidal fixation in soil depletes the concentration of magnesium-based inter fertilizers in the soil.Its exhibits yellowish chlorosis in the soil. Ang , tulad ng potassium magnesium sulfate, magnesium sulfate, at Kieserite, ay gumagamot sa mga kakulangan (lumalabas ang mga halaman na kulay lila, pula, o kayumanggi, na nagpapahiwatig ng kakulangan sa magnesium) sa mga lupang may normal na hanay ng pH6. Ang akumulasyon ng nickel sa mga ibabaw ng lupa sa kalunsuran at peri-urban ay maaaring dahil sa mga aktibidad na anthropogenic gaya ng agrikultura at ang kahalagahan ng nickel sa produksyon ng stainless steel78.
Spatial na pamamahagi ng mga elemento [ginawa ang spatial distribution map gamit ang ArcGIS Desktop (ESRI, Inc, Bersyon 10.7, URL: https://desktop.arcgis.com).]
Ang mga resulta ng index ng pagganap ng modelo para sa mga elementong ginamit sa pag-aaral na ito ay ipinapakita sa Talahanayan 2. Sa kabilang banda, ang RMSE at MAE ng Ni ay parehong malapit sa zero (0.86 RMSE, -0.08 MAE). Sa kabilang banda, ang parehong RMSE at MAE na halaga ng K ay katanggap-tanggap. natagpuan na mas mahusay kaysa sa mga resulta ng John et al.54 gamit ang synergistic kriging upang mahulaan ang mga konsentrasyon ng S sa lupa gamit ang parehong nakolektang data. Ang mga output ng EBK na aming pinag-aralan ay nauugnay sa mga nasa Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 at John et al.82, lalo na ang K at Ni.
Ang pagganap ng mga indibidwal na pamamaraan para sa paghula ng nilalaman ng nickel sa mga urban at peri-urban na lupa ay nasuri gamit ang pagganap ng mga modelo (Talahanayan 3). Kinumpirma ng validation ng modelo at pagsusuri ng katumpakan na ang predictor ng Ca_Mg_K na sinamahan ng modelo ng EBK SVMR ay nagbunga ng pinakamahusay na pagganap. Ang modelo ng pagkakalibrate na Ca_Mg_K-EBK_SVMRan na error na modelo ay error na R2, EBK_SVMR na absolute at parisukat na R2, EBK_SVMRan. 37 (R2), 95.479 mg/kg (RMSE) at 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ay 0.663 (R2), 235.974 mg/kg (RMSE) at 166.946 mg/kg (MAE) Ca_Mg-EBK_SVMR (0.643 = R2);ang kanilang mga resulta ng RMSE at MAE ay mas mataas kaysa sa mga para sa Ca_Mg_K-EBK_SVMR (R2 0.637) (tingnan ang Talahanayan 3). Bilang karagdagan, ang RMSE at MAE ng Ca_Mg-EBK_SVMR (RMSE = 1664.64 at MAE = 1031.49) na modelo ay 17.5 at 1.49) na mas malaki kaysa sa mga 17.5 at _KBM. .Gayundin, ang RMSE at MAE ng Ca_Mg-K SVMR (RMSE = 235.974 at MAE = 166.946) na modelo ay 2.5 at 2.2 na mas malaki kaysa sa Ca_Mg_K-EBK_SVMR RMSE at MAE, ayon sa pagkakabanggit. Ang kinakalkula na mga resulta ng RMSE ay pinakamainam na nagsasaad kung paano naka-concentrate ang linya ng data ng RS. Kebonye et al.46 at john et al.54, mas malapit ang RMSE at MAE sa zero, mas maganda ang mga resulta. Ang SVMR at EBK_SVMR ay may mas mataas na quantized na mga halaga ng RSME at MAE. Napansin na ang mga pagtatantya ng RSME ay patuloy na mas mataas kaysa sa mga halaga ng MAE, na nagpapahiwatig ng pagkakaroon ng mga outlier. Nangangahulugan na kung mas heterogenous ang dataset, mas mataas ang mga halaga ng MAE at RMSE. Ang katumpakan ng pagtatasa ng cross-validation ng Ca_Mg_K-EBK_SVMR mixed model para sa paghula ng nilalaman ng Ni sa mga urban at suburban na lupa ay 63.70%.Ayon kay Li et al.59, ang antas ng katumpakan na ito ay isang katanggap-tanggap na rate ng pagganap ng modelo. Ang mga kasalukuyang resulta ay inihambing sa isang nakaraang pag-aaral ni Tarasov et al.36 na ang hybrid na modelo ay lumikha ng MLPRK (Multilayer Perceptron Residual Kriging), na nauugnay sa EBK_SVMR accuracy evaluation index na iniulat sa kasalukuyang pag-aaral, RMSE (210) at The MAE (167.5) ay mas mataas kaysa sa aming mga resulta sa kasalukuyang pag-aaral (RMSE 95.479, MAE 77.368). al.36 (0.544), malinaw na mas mataas ang coefficient of determination (R2) sa mixed model na ito.Ang margin of error (RMSE at MAE) (EBK SVMR) para sa mixed model ay dalawang beses na mas mababa.Gayundin, si Sergeev et al.34 ay nagtala ng 0.28 (R2) para sa binuong hybrid na modelo (Multilayer Kriging2) habang ang Ni-record na kasalukuyang pag-aaral (Multilayer Kriging2). ang antas ng katumpakan ng hula ng modelong ito (EBK SVMR) ay 63.7%, habang ang katumpakan ng hula na nakuha ni Sergeev et al.34 ay 28%.Ang panghuling mapa (Larawan 5) na nilikha gamit ang modelong EBK_SVMR at Ca_Mg_K bilang isang predictor ay nagpapakita ng mga hula ng mga hot spot at katamtaman hanggang nickel sa buong lugar ng pag-aaral. Nangangahulugan ito na ang konsentrasyon ng nickel sa lugar ng pag-aaral ay pangunahing katamtaman, na may mas mataas na konsentrasyon sa ilang partikular na lugar.
Ang panghuling mapa ng hula ay kinakatawan gamit ang hybrid na modelong EBK_SVMR at gamit ang Ca_Mg_K bilang predictor.[Ginawa ang spatial distribution map gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Ang ipinakita sa Figure 6 ay ang mga konsentrasyon ng PTE bilang isang komposisyon ng eroplano na binubuo ng mga indibidwal na neuron. Wala sa mga bahagi ng eroplano ang nagpakita ng parehong pattern ng kulay tulad ng ipinapakita. Gayunpaman, ang naaangkop na bilang ng mga neuron sa bawat iginuhit na mapa ay 55. Ang SeOM ay ginawa gamit ang iba't ibang kulay, at kung mas magkatulad ang mga pattern ng kulay, mas maihahambing ang mga katangian ng mga sample. mga neuron at karamihan sa mga mababang neuron. Kaya, ang CaK at CaMg ay nagbabahagi ng ilang pagkakatulad sa napakataas na pagkakasunud-sunod na mga neuron at mababa hanggang sa katamtamang mga pattern ng kulay. Hinuhulaan ng parehong mga modelo ang konsentrasyon ng Ni sa lupa sa pamamagitan ng pagpapakita ng katamtaman hanggang sa mataas na kulay ng mga kulay tulad ng pula, orange at dilaw. Ang modelo ng KMg ay nagpapakita ng maraming mga pattern ng mataas na kulay batay sa tumpak na proporsyon ng mga bahagi ng O medium na may mababang kulay mula sa pamamahagi ng mga bahagi mula sa mababang bahagi hanggang sa mataas na kulay tulad ng pula, orange at dilaw. modelo ay nagpakita ng mataas na pattern ng kulay na nagpapahiwatig ng potensyal na konsentrasyon ng nickel sa lupa (tingnan ang Figure 4). Ang CakMg model component plane ay nagpapakita ng magkakaibang pattern ng kulay mula sa mababa hanggang sa mataas ayon sa isang tumpak na sukat ng kulay. Higit pa rito, ang hula ng modelo ng nickel content (CakMg) ay katulad ng spatial distribution ng nickel na ipinapakita sa Figure 5 lows urban proportions at urban na proportions, Both na mataas na konsentrasyon. soils. Inilalarawan ng Figure 7 ang contour method sa k-means grouping sa mapa, na nahahati sa tatlong cluster batay sa hinulaang halaga sa bawat modelo. Ang contour method ay kumakatawan sa pinakamainam na bilang ng clusters. Sa 115 na sample ng lupa na nakolekta, ang kategorya 1 ay nakakuha ng pinakamaraming sample ng lupa, 74. Ang Cluster 2 ay nakatanggap ng 33 samples na nakatanggap ng 8 clusters, habang ang mga sample na pinagsama-sama ay pinahihintulutan ng pitong sample na cluster. tamang cluster interpretation.Dahil sa maraming anthropogenic at natural na proseso na nakakaapekto sa pagbuo ng lupa, mahirap magkaroon ng maayos na pagkakaiba-iba ng mga pattern ng cluster sa isang distributed SeOM map78.
Component plane output ng bawat Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variable.[Ginawa ang mga mapa ng SeOM gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Iba't ibang bahagi ng pag-uuri ng kumpol [Ang mga mapa ng SeOM ay nilikha gamit ang RStudio (bersyon 1.4.1717: https://www.rstudio.com/).]
Ang kasalukuyang pag-aaral ay malinaw na naglalarawan ng mga diskarte sa pagmomodelo para sa mga konsentrasyon ng nickel sa urban at peri-urban na mga lupa. Sinubukan ng pag-aaral ang iba't ibang mga diskarte sa pagmomodelo, pinagsasama ang mga elemento sa mga diskarte sa pagmomodelo, upang makuha ang pinakamahusay na paraan upang mahulaan ang mga konsentrasyon ng nickel sa lupa. Ang SeOM compositional planar spatial na mga tampok ng teknik sa pagmomodelo ay nagpakita ng mataas na pattern ng kulay mula sa mababa hanggang sa mataas sa isang tumpak na sukat ng konsentrasyon ng Nikel, sa isang tumpak na sukat ng pamamahagi ng Nikel, sa isang tumpak na sukat ng pamamahagi ng Nikel, sa patlang ng lupa. spatial distribution ng mga component na ipinakita ng EBK_SVMR (tingnan ang Figure 5). Ipinapakita ng mga resulta na ang support vector machine regression model (Ca Mg K-SVMR) ay hinuhulaan ang konsentrasyon ng Ni sa lupa bilang isang solong modelo, ngunit ang validation at accuracy evaluation parameters ay nagpapakita ng napakataas na error sa mga tuntunin ng RMSE at MAE. R2).Nakuha ang magagandang resulta gamit ang EBK SVMR at pinagsamang mga elemento (CaKMg) na may mababang RMSE at MAE error na may katumpakan na 63.7%.Lumalabas na ang pagsasama-sama ng EBK algorithm sa isang machine learning algorithm ay maaaring makabuo ng hybrid algorithm na maaaring mahulaan ang konsentrasyon ng mga PTE sa lupa. Ang mga resulta ay nagpapakita na ang paggamit ng Ca Mg K bilang mga predictor ng pag-aaral ng lugar na Nikel ay nangangahulugan na ang patuloy na pag-aaral ng Nikel na konsentrasyon sa lupa ay nangangahulugang ang prediction na ito ng pag-aaral ng mga konsentrasyon ng Nikel sa lupa. ang mga pataba at pang-industriyang polusyon ng lupa ng industriya ng bakal ay may posibilidad na tumaas ang konsentrasyon ng nickel sa lupa. Ang pag-aaral na ito ay nagsiwalat na ang modelo ng EBK ay maaaring mabawasan ang antas ng error at mapabuti ang katumpakan ng modelo ng spatial distribution ng lupa sa mga lunsod o bayan o peri-urban na mga lupa.bilang karagdagan, iminumungkahi naming gamitin ang EBK upang mag-hybrid sa iba't ibang mga algorithm sa pag-aaral ng makina. Ang mga konsentrasyon ng Ni ay hinulaang gamit ang mga elemento bilang covariates;gayunpaman, ang paggamit ng higit pang mga covariate ay lubos na magpapahusay sa pagganap ng modelo, na maaaring ituring na isang limitasyon ng kasalukuyang gawain. Ang isa pang limitasyon ng pag-aaral na ito ay ang bilang ng mga dataset ay 115. Samakatuwid, kung mas maraming data ang ibibigay, ang pagganap ng iminungkahing paraan ng na-optimize na hybridization ay maaaring mapabuti.
PlantProbs.net.Nickel sa Halaman at Lupa https://plantprobs.net/plant/nutrientImbalances/sodium.html (Na-access noong Abril 28, 2021).
Kasprzak, KS Nickel advances sa modernong environmental toxicology.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Isang pagsusuri ng mga pinagmumulan nito at toxicology sa kapaligiran.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Pollutant input mula sa atmospera at akumulasyon sa lupa at mga halaman malapit sa isang nickel-copper smelter sa Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Mga mabibigat na metal sa lupa, mga halaman at mga panganib na nauugnay sa pagpapastol ng mga ruminant malapit sa Selebi-Phikwe copper-nickel mine sa 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=fil&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+NY+ork.9 CRC+Press&btnG= (Na-access noong Nob 24, 2020).
Almås, A., Singh, B., Agriculture, TS-NJ ng & 1995, hindi natukoy. Mga epekto ng industriya ng nickel ng Russia sa mga konsentrasyon ng mabibigat na metal sa mga lupang pang-agrikultura at damo sa Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Ang pagsipsip at pagpapanatili ng nikel sa inuming tubig ay nauugnay sa paggamit ng pagkain at sensitivity ng nickel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics o selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​​NM;Trend analysis ng mga potensyal na nakakalason na elemento: isang 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: Isang Maikling Kasaysayan at Ilang Aralin.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Sa digital soil mapping.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=fil&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford=7+A+Css. ed 28 Abril 2021).