Nature.com'u ziyaret ettiğiniz için teşekkür ederiz. Kullandığınız tarayıcı sürümü sınırlı CSS desteğine sahiptir. En iyi deneyim için, güncellenmiş bir tarayıcı kullanmanızı (veya Internet Explorer'da uyumluluk modunu kapatmanızı) öneririz. Bu arada, sürekli desteği sağlamak için siteyi stiller ve JavaScript olmadan göstereceğiz.
Toprak kirliliği, insan faaliyetlerinden kaynaklanan büyük bir sorundur. Potansiyel olarak toksik elementlerin (PTE'ler) mekansal dağılımı, çoğu kentsel ve şehir çevresindeki alanlarda değişiklik gösterir. Bu nedenle, bu tür topraklardaki PTE'lerin içeriğini mekansal olarak tahmin etmek zordur. Çek Cumhuriyeti'ndeki Frydek Mistek'ten toplam 115 numune alınmıştır. Kalsiyum (Ca), magnezyum (Mg), potasyum (K) ve nikel (Ni) konsantrasyonları, endüktif olarak birleştirilmiş plazma emisyon spektrometrisi kullanılarak belirlenmiştir. Tepki değişkeni Ni'dir ve tahmin ors Ca, Mg ve K'dir. Yanıt değişkeni ile tahmin değişkeni arasındaki korelasyon matrisi, öğeler arasında tatmin edici bir korelasyon gösterir. Tahmin sonuçları, tahmini ortalama karekök hatası (RMSE) (235,974 mg/kg) ve ortalama mutlak hata (MAE) (166,946 mg/kg) uygulanan diğer yöntemlerden daha yüksek olmasına rağmen, Destek Vektör Makine Regresyonunun (SVMR) iyi performans gösterdiğini gösterdi. Ampirik Bayes Kriging-Çoklu Doğrusal Regresyon için karışık modeller (EBK-MLR), 0.1'den düşük belirleme katsayıları ile kanıtlandığı gibi düşük performans gösteriyor. Düşük RMSE (95.479 mg/kg) ve MAE (77.368 mg/kg) değerleri ve yüksek belirleme katsayısı (R2 = 0.637) ile Ampirik Bayesian Kriging-Destek Vektör Makine Regresyon (EBK-SVMR) modeli en iyi modeldi. EBK-SVMR modelleme tekniği çıktısı, bir öz kullanılarak görselleştirilir -organizasyon haritası. Hibrit model CakMg-EBK-SVMR bileşeni düzlemindeki kümelenmiş nöronlar, kentsel ve kent çevresindeki topraklardaki Ni konsantrasyonlarını tahmin eden çok sayıda renk modeli gösterir. Sonuçlar, EBK ve SVMR'yi birleştirmenin, kentsel ve kent çevresindeki topraklardaki Ni konsantrasyonlarını tahmin etmek için etkili bir teknik olduğunu göstermektedir.
Nikel (Ni), her ikisi de tohum çimlenmesi için gerekli olan atmosferik nitrojen fiksasyonuna (N) ve üre metabolizmasına katkıda bulunduğu için bitkiler için bir mikro besin olarak kabul edilir. Tohum çimlenmesine katkısına ek olarak, Ni bir mantar ve bakteri inhibitörü görevi görebilir ve bitki gelişimini teşvik edebilir. toprağı zenginleştirir ve baklagillerin topraktaki nitrojeni sabitleme kabiliyetini arttırır, sürekli olarak topraktaki nikel konsantrasyonunu arttırır. Nikel bitkiler için bir mikro besin olmasına rağmen, toprakta aşırı alımı yarardan çok zarar verebilir. Nikelin topraktaki toksisitesi, toprak pH'ını en aza indirir ve bitki büyümesi için temel bir besin olan demirin alınmasını engeller 1. Liu3'e göre, Ni'nin bitki gelişimi ve büyümesi için gerekli 17. önemli element olduğu bulunmuştur. Elektrokaplama, nikel bazlı alaşımların üretimi ve otomotiv endüstrisinde ateşleme cihazları ve bujilerin imalatı, çeşitli endüstriyel sektörlerde nikelin kullanılmasını gerektirir. Ek olarak, nikel bazlı alaşımlar ve elektrokaplanmış ürünler mutfak eşyaları, balo salonu aksesuarları, gıda endüstrisi malzemeleri, elektrik, tel ve kablo, jet türbinleri, cerrahi implantlar, tekstiller ve gemi yapımında yaygın olarak kullanılmaktadır. Ni, antropojenik olmaktan çok doğal bir kaynaktır4,6. Doğal nikel kaynakları arasında volkanik patlamalar, bitki örtüsü, orman yangınları ve jeolojik süreçler yer alır;bununla birlikte antropojenik kaynaklar arasında çelik endüstrisindeki nikel/kadmiyum piller, galvanik kaplama, ark kaynağı, dizel ve yakıt yağları ve kömür yakma ve atık ve çamur yakma Nikel birikiminden kaynaklanan atmosferik emisyonlar yer alır7,8. Freedman ve Hutchinson9 ve Manyiwa ve ark.10'a göre, yakın ve bitişik çevredeki üst toprak kirliliğinin ana kaynakları, esas olarak nikel-bakır bazlı izabe tesisleri ve madenlerdir. Kanada'daki Sudbury nikel-bakır rafinerisinin çevresindeki üst toprak, 26.000 mg/kg11 ile en yüksek nikel kirliliği seviyelerine sahipti. Buna karşılık, Rusya'daki nikel üretiminden kaynaklanan kirlilik, Norveç topraklarında daha yüksek nikel konsantrasyonlarına neden oldu11. Alms ve arkadaşlarına göre.12'ye göre, bölgenin en iyi ekilebilir arazisinde (Rusya'da nikel üretimi) HNO3-çıkarılabilir nikel miktarı 6,25 ila 136,88 mg/kg arasında değişmekteydi, bu da ortalama 30,43 mg/kg'a ve 25 mg/kg'lık bir başlangıç konsantrasyonuna karşılık gelmektedir. Kabata 11'e göre, birbirini takip eden ekin mevsimlerinde kentsel veya kent çevresindeki topraklardaki tarım topraklarına fosforlu gübrelerin uygulanması toprağı bulaştırabilir veya kirletebilir. Nikelin insanlardaki potansiyel etkileri, mutajenez, kromozomal hasar, Z-DNA üretimi, bloke DNA eksizyon onarımı veya epigenetik süreçler yoluyla kansere yol açabilir.13. Hayvan deneylerinde, nikelin çeşitli tümörlere neden olma potansiyeline sahip olduğu ve kanserojen nikel komplekslerinin bu tür tümörleri şiddetlendirebileceği bulunmuştur.
Toprak-bitki ilişkileri, toprak ve toprak biyolojik ilişkileri, ekolojik bozulma ve çevresel etki değerlendirmesinden kaynaklanan çok çeşitli sağlıkla ilgili sorunlar nedeniyle son zamanlarda toprak kirliliği değerlendirmeleri gelişmiştir. Bugüne kadar, topraktaki Ni gibi potansiyel olarak toksik elementlerin (PTE'ler) mekansal tahmini, geleneksel yöntemler kullanılarak zahmetli ve zaman alıcı olmuştur. Dijital toprak haritalamanın (DSM) ortaya çıkışı ve mevcut başarısı15, tahmine dayalı toprak haritalamayı (PSM) büyük ölçüde iyileştirmiştir. Minasny ve McBratney'e16 göre, tahmine dayalı toprak haritalama (DS) M) toprak biliminin önde gelen bir alt disiplini olduğunu kanıtlamıştır. Lagacherie ve McBratney, 2006 DSM'yi "yerinde ve laboratuvar gözlem yöntemleri ve uzamsal ve uzamsal olmayan toprak çıkarım sistemleri kullanılarak uzamsal toprak bilgi sistemlerinin oluşturulması ve doldurulması" olarak tanımlar.17, çağdaş DSM veya PSM'nin, PTE'lerin, toprak türlerinin ve toprak özelliklerinin mekansal dağılımını tahmin etmek veya haritalamak için en etkili teknik olduğunu ana hatlarıyla belirtir. Jeoistatistik ve Makine Öğrenimi Algoritmaları (MLA), önemli ve minimum veriler kullanan bilgisayarların yardımıyla sayısallaştırılmış haritalar oluşturan DSM modelleme teknikleridir.
Deutsch18 ve Olea19, jeoistatistiği “zaman serisi analizinin zamansal verileri nasıl karakterize ettiği gibi, esas olarak stokastik modelleri kullanan, mekansal niteliklerin temsili ile ilgilenen sayısal tekniklerin toplamı” olarak tanımlar.Öncelikle, jeoistatistik, her veri kümesinden uzamsal değerlerin bağımlılıklarını Nicelleştirmeye ve tanımlamaya izin veren variogramların değerlendirilmesini içerir20.Gumiaux ve ark.20 ayrıca, jeoistatistikte variogramların değerlendirilmesinin üç ilkeye dayandığını göstermektedir: (a) veri korelasyon ölçeğinin hesaplanması, (b) veri seti eşitsizliğinde anizotropinin belirlenmesi ve hesaplanması ve (c) yerel etkilerden ayrılan ölçüm verilerinin içsel hatasını dikkate almaya ek olarak, alan etkileri de tahmin edilir. PTE'yi, toprak özelliklerini ve toprak türlerini haritalamak veya tahmin etmek için ical Bayesian kriging, basit kriging yöntemi ve diğer iyi bilinen enterpolasyon teknikleri.
Makine Öğrenimi Algoritmaları (MLA), daha büyük doğrusal olmayan veri sınıfları kullanan, temel olarak veri madenciliği için kullanılan algoritmalarla desteklenen, verilerdeki kalıpları tanımlayan ve toprak bilimi ve geri dönüş görevleri gibi bilimsel alanlarda sınıflandırmaya tekrar tekrar uygulanan nispeten yeni bir tekniktir. Tan ve diğerleri gibi, topraklardaki PTE'yi tahmin etmek için MLA modellerine dayanan çok sayıda araştırma makalesi vardır.22 (tarım topraklarında ağır metal tahmini için rastgele ormanlar), Sakizadeh ve ark.23 (destek vektör makineleri ve yapay sinir ağları kullanılarak modelleme) toprak kirliliği ).Ayrıca Vega et al.24 (Toprakta ağır metal tutma ve adsorpsiyonun modellenmesi için CART) Sun ve ark.25 (kübist uygulaması, Cd'nin topraktaki dağılımıdır) ve k-en yakın komşu, genelleştirilmiş artırılmış regresyon ve artırılmış gerileme gibi diğer algoritmalar da toprakta PTE'yi tahmin etmek için MLA'yı uyguladı.
Tahmin veya haritalamada DSM algoritmalarının uygulanması çeşitli zorluklarla karşı karşıyadır. Birçok yazar, MLA'nın jeoistatistikten üstün olduğuna ve bunun tersinin de geçerli olduğuna inanmaktadır.Pontius ve Cheuk28 ve Grunwald29 tahmin edilen toprak haritalamadaki eksiklikler ve bazı hatalar hakkında yorum yapıyor.15, harita oluşturma ve tahminin getirdiği doğrulama davranışı ve belirsizliğin, harita kalitesini iyileştirmek için bağımsız olarak doğrulanması gerektiğini ana hatlarıyla belirtir. DSM'nin sınırlamaları, bir belirsizlik bileşeni içeren coğrafi olarak dağılmış toprak kalitesinden kaynaklanır;bununla birlikte, DSM'deki kesinlik eksikliği birden fazla hata kaynağından, yani ortak değişken hatası, model hatası, konum hatası ve analitik Hatadan kaynaklanabilir 31. MLA ve jeoistatistiksel süreçlerde ortaya çıkan modelleme yanlışlıkları, nihai olarak gerçek sürecin aşırı basitleştirilmesine yol açan bir anlayış eksikliğiyle ilişkilendirilir32. Modellemenin doğasına bakılmaksızın, yanlışlıklar modelleme parametrelerine, matematiksel model tahminlerine veya enterpolasyona atfedilebilir33. Son zamanlarda, yeni bir D Haritalama ve tahminde jeoistatistiğin ve MLA'nın entegrasyonunu destekleyen SM eğilimi ortaya çıktı. Sergeev ve diğerleri gibi birkaç toprak bilimcisi ve yazarı.34;Subbotina ve ark.35;Tarasov ve ark.36 ve Tarasov ve ark.37, tahmin ve haritalamanın verimliliğini artıran hibrit modeller oluşturmak için jeoistatistiğin ve makine öğreniminin doğru kalitesinden yararlandı.kalite.Bu hibrit veya birleşik algoritma modellerinden bazıları Yapay Sinir Ağı Kriging (ANN-RK), Çok Katmanlı Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Yapay Sinir Ağı Kriging-Çok Katmanlı Perceptron (ANN-K-MLP)37 ve Co-Kriging ve Gaussian Process Regresyon38'dir.
Sergeev ve diğerlerine göre, çeşitli modelleme tekniklerini birleştirmek, tek bir model geliştirmek yerine kusurları ortadan kaldırma ve elde edilen hibrit modelin verimliliğini artırma potansiyeline sahiptir. Bu bağlamda, bu yeni makale, kentsel ve kentsel çevre alanlarda Ni zenginleşmesini tahmin etmek için en uygun hibrit modeller oluşturmak için jeoistatistik ve MLA'nın birleşik bir algoritmasının uygulanması gerektiğini savunmaktadır. R) modeller. EBK'nın herhangi bir MLA ile hibridizasyonu bilinmemektedir. Görülen çoklu karma modeller, sıradan, artık, regresyon kriging ve MLA'nın kombinasyonlarıdır. EBK, alan üzerinde tanımlanmış yerelleştirme parametreleriyle durağan olmayan/durağan bir rastgele alan olarak yerelleştirilen ve mekansal varyasyona izin veren, mekansal olarak stokastik bir süreç kullanan jeoistatistiksel bir enterpolasyon yöntemidir39.EBK, çiftlik topraklarındaki organik karbon dağılımının analizi de dahil olmak üzere çeşitli çalışmalarda kullanılmıştır4 0, toprak kirliliğinin41 değerlendirilmesi ve toprak özelliklerinin42 haritalanması.
Öte yandan, Kendi Kendini Organize Eden Grafik (SeOM), Li ve diğerleri gibi çeşitli makalelerde uygulanan bir öğrenme algoritmasıdır.43, Wang ve ark.44, Hossain Bhuiyan ve ark.45 ve Kebonye et al.46 Öğelerin uzamsal özelliklerini ve gruplandırmasını belirleyin.Wang et al.44, SeOM'nin lineer olmayan problemleri gruplandırma ve hayal etme yeteneği ile bilinen güçlü bir öğrenme tekniği olduğunu ana hatlarıyla belirtir. Temel bileşen analizi, bulanık kümeleme, hiyerarşik kümeleme ve çok kriterli karar verme gibi diğer örüntü tanıma tekniklerinin aksine, SeOM, PTE modellerini düzenleme ve tanımlamada daha iyidir. Wang ve arkadaşlarına göre.Şekil 44'te SeOM, ilgili nöronların dağılımını uzamsal olarak gruplandırabilir ve yüksek çözünürlüklü veri görselleştirmesi sağlayabilir. SeOM, doğrudan yorumlama için sonuçları karakterize edecek en iyi modeli elde etmek üzere Ni tahmin verilerini görselleştirecektir.
Bu makale, kentsel ve kent çevresindeki topraklardaki nikel içeriğini tahmin etmek için optimum doğruluğa sahip sağlam bir haritalama modeli oluşturmayı amaçlamaktadır. Karma modelin güvenilirliğinin temel olarak temel modele bağlı diğer modellerin etkisine bağlı olduğunu varsayıyoruz. DSM'nin karşılaştığı zorlukları kabul ediyoruz ve bu zorluklar birden fazla cephede ele alınırken, jeoistatistik ve MLA modellerindeki ilerlemelerin kombinasyonu artan görünüyor;bu nedenle, karma modeller üretebilecek araştırma sorularını yanıtlamaya çalışacağız. Bununla birlikte, model hedef elementi tahmin etmede ne kadar doğru? Ayrıca, doğrulama ve doğruluk değerlendirmesine dayalı verimlilik değerlendirme düzeyi nedir? Bu nedenle, bu çalışmanın özel hedefleri (a) temel model olarak EBK kullanarak SVMR veya MLR için birleşik bir karışım modeli oluşturmak, (b) elde edilen modelleri karşılaştırmak (c) kentsel veya peri-kentsel topraklardaki Ni konsantrasyonlarını tahmin etmek için en iyi karışım modelini önermek ve (d) Se'nin uygulanmasıydı. OM, nikel uzamsal varyasyonunun yüksek çözünürlüklü bir haritasını oluşturmak için.
Çalışma, Çek Cumhuriyeti'nde, özellikle Moravia-Silesian bölgesindeki Frydek Mistek ilçesinde yürütülmektedir (bkz. Şekil 1). Çalışma alanının coğrafyası çok engebelidir ve çoğunlukla Karpat Dağları'nın dış kenarının bir parçası olan Moravia-Silesian Beskidy bölgesinin bir parçasıdır. ve 327 m;bununla birlikte, bölgenin iklim durumu için Koppen sınıflandırma sistemi Cfb = ılıman okyanus iklimi olarak derecelendirilmiştir, Kurak aylarda bile çok fazla yağış vardır. Sıcaklıklar yıl boyunca -5 °C ile 24 °C arasında biraz değişir, nadiren -14 °C'nin altına veya 30 °C'nin üzerine düşerken, yıllık ortalama yağış 685 ile 752 mm arasındadır47. Tüm alanın tahmini araştırma alanı 1.208 kilometrekare, Ekili arazinin %39,38'i ve ormanlık alanın %49,36'sı. Öte yandan, bu çalışmada kullanılan alan yaklaşık 889,8 kilometrekaredir. Ostrava ve çevresinde çelik endüstrisi ve metal işleri çok hareketlidir. Metal fabrikaları, nikelin paslanmaz çeliklerde (örn. atmosferik korozyona dayanıklılık için) ve alaşımlı çeliklerde (nikel iyi süneklik ve tokluğu korurken alaşımın mukavemetini artırır) kullanıldığı çelik endüstrisi ve fosfatlı gübre uygulaması ve hayvancılık gibi yoğun tarım yapılmaktadır. bölgedeki potansiyel nikel kaynaklarını araştırın (örneğin, kuzularda ve düşük beslenen sığırlarda büyüme oranlarını artırmak için kuzulara nikel eklenmesi). Araştırma alanlarında nikelin diğer endüstriyel kullanımları arasında elektro kaplama, nikel kaplama ve elektriksiz nikel kaplama işlemleri dahil olmak üzere elektro kaplama kullanımı yer alır. Toprak özellikleri toprak renginden, yapısından ve karbonat içeriğinden kolaylıkla ayırt edilebilir. , genellikle beton ve ağartma ile. Bununla birlikte, cambisoller ve stagnosoller, bölgedeki en yaygın toprak türleridir48. 455,1 ila 493,5 m arasında değişen yüksekliklerle, Çek Cumhuriyeti'nde cambisoller hakimdir49.
Çalışma alanı haritası [Çalışma alanı haritası, ArcGIS Desktop (ESRI, Inc, sürüm 10.7, URL: https://desktop.arcgis.com) kullanılarak oluşturulmuştur.]
Frydek Mistek bölgesindeki kentsel ve kent çevresindeki topraklardan toplam 115 üst toprak örneği alındı. Kullanılan örnek deseni, 2 × 2 km aralıklı toprak örneklerinden oluşan düzenli bir ızgaraydı ve üst toprak, elde tutulan bir GPS cihazı (Leica Zeno 5 GPS) kullanılarak 0 ila 20 cm derinlikte ölçüldü. mekanik bir sistemle (Fritsch diskli değirmen) doğrulandı ve elendi (elek boyutu 2 mm). 1 gram kurutulmuş, homojenize edilmiş ve elenmiş toprak numunesini açıkça etiketlenmiş teflon şişelere koyun. Numunelerin sindirim sürecini kolaylaştırmak için 2 saat sıcak metal bir plaka üzerinde (sıcaklık: 100 W ve 160 °C) natant, ardından soğutun. Süpernatantı 50 ml'lik bir ölçülü balona aktarın ve deiyonize suyla 50 ml'ye seyreltin. Bundan sonra, seyreltilmiş süpernatanı deiyonize suyla 50 ml'lik bir PVC tüpe süzün. Ek olarak, 1 ml seyreltme solüsyonu 9 ml de ile seyreltildi iyonize su ve PTE sözde konsantrasyonu için hazırlanan 12 ml'lik bir tüpe süzülür. PTE'lerin (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) konsantrasyonları, standart yöntemlere ve anlaşmaya göre ICP-OES (İndüktif Eşleşmiş Plazma Optik Emisyon Spektroskopisi) (Thermo Fisher Scientific, ABD) ile belirlenmiştir. Kalite Güvence ve Kontrol (QA/QC) prosedürleri (SRM NIST 27) sağlayın 11a Montana II Soil).Yarıdan düşük tespit limitleri olan PTE'ler bu çalışmadan çıkarılmıştır.Bu çalışmada kullanılan PTE'nin tespit limiti 0.0004(siz)'dir.Ayrıca her analiz için kalite kontrol ve kalite güvence süreci referans standartlar analiz edilerek sağlanmaktadır.Hataların en aza indirilmesini sağlamak için ikili analiz yapılmıştır.
Ampirik Bayesian Kriging (EBK), toprak bilimi gibi çeşitli alanlarda modellemede kullanılan birçok jeoistatistik enterpolasyon tekniğinden biridir. Diğer kriging enterpolasyon tekniklerinden farklı olarak EBK, semivariogram modeli tarafından tahmin edilen hatayı göz önünde bulundurarak geleneksel kriging yöntemlerinden ayrılır. EBK enterpolasyonunda, enterpolasyon sırasında tek bir semivariogram yerine birkaç semivariogram modeli hesaplanır. yeterli bir kriging yönteminin oldukça karmaşık bir parçasını oluşturur. EBK'nin enterpolasyon işlemi, Krivoruchko50 tarafından önerilen üç kriteri takip eder, (a) model, girdi veri kümesinden semivariogramı tahmin eder, (b) oluşturulan semivariograma dayalı olarak her girdi veri kümesi konumu için yeni tahmin edilen değeri ve (c) nihai A modeli, simüle edilmiş bir veri kümesinden hesaplanır. Bayes denklem kuralı, sonsal olarak verilir
\(Prob\left(A\right)\)'nin önceliği temsil ettiği yerde, \(Prob\left(B\right)\) marjinal olasılık çoğu durumda göz ardı edilir, \(Prob (B,A)\ ). yarıvariogram.
Bir destek vektör makinesi, özdeş ancak doğrusal olarak bağımsız olmayan sınıfları ayırt etmek için optimal bir ayırma hiperdüzlemi oluşturan bir makine öğrenme algoritmasıdır. Amaç sınıflandırma algoritmasını Vapnik51 oluşturmuştur, ancak son zamanlarda regresyona yönelik problemleri çözmek için kullanılmıştır. Li ve diğerleri.52'ye göre, DVM en iyi sınıflandırıcı tekniklerden biridir ve çeşitli alanlarda kullanılmıştır. Bu analizde SVM'nin regresyon bileşeni (Support Vector Machine Regression – SVMR) kullanılmıştır.Cherkassky ve Mu lier53, hesaplaması çok ülkeli uzamsal işlevlere sahip doğrusal bir regresyon modeli kullanılarak gerçekleştirilen çekirdek tabanlı bir regresyon olarak SVMR'ye öncülük etmiştir. John ve arkadaşları54, SVMR modellemesinin, doğrusal olmayan ilişkiler yaratan ve uzamsal işlevlere izin veren hiper düzlem doğrusal regresyon kullandığını bildirmektedir. Vohland ve arkadaşlarına göre.55, epsilon (ε)-SVMR, ilişkili veriler üzerindeki eğitimden elde edilen en iyi epsilon yanlılığı ile verileri bağımsız olarak eşlemek için uygulanan epsilon duyarsız bir işlev olarak bir temsil modeli elde etmek için eğitilmiş veri kümesini kullanır. Önceden ayarlanmış mesafe hatası gerçek değerden göz ardı edilir ve hata ε(ε)'den büyükse, toprak özellikleri bunu telafi eder. Model ayrıca eğitim verilerinin karmaşıklığını daha geniş bir destek vektörleri alt kümesine indirger. Vapnik51 tarafından önerilen denklem aşağıda gösterilmiştir.
burada b skaler eşiği temsil eder, \(K\left({x}_{,}{ x}_{k}\right)\) çekirdek işlevini temsil eder, \(\alpha\) Lagrange çarpanını temsil eder, N sayısal bir veri kümesini temsil eder, \({x}_{k}\) veri girişini ve \(y\) veri çıkışını temsil eder. Kullanılan temel çekirdeklerden biri, bir Gauss radyal temel işlevi (RBF) olan SVMR işlemidir. RBF çekirdeği uygulanır. PTE eğitim verileri için en hassas ceza seti faktörü C'yi ve çekirdek parametresi gama'yı (γ) elde etmek için kritik olan optimum SVMR modelini belirlemek için. İlk olarak, eğitim setini değerlendirdik ve ardından doğrulama setindeki model performansını test ettik. Kullanılan yönlendirme parametresi sigma ve yöntem değeri svmRadial'dir.
Çoklu doğrusal regresyon modeli (MLR), en küçük kareler yöntemi kullanılarak hesaplanan doğrusal havuzlanmış parametreleri kullanarak, yanıt değişkeni ile bir dizi tahmin değişkeni arasındaki ilişkiyi temsil eden bir regresyon modelidir. MLR'de, en küçük kareler modeli, açıklayıcı değişkenler seçildikten sonra toprak özelliklerinin tahmin fonksiyonudur.
burada y yanıt değişkenidir, \(a\) kesme noktasıdır, n öngörücülerin sayısıdır, \({b}_{1}\) katsayıların kısmi regresyonudur, \({x}_{ i}\) bir yordayıcı veya açıklayıcı değişkeni temsil eder ve \({\varepsilon }_{i}\), artık olarak da bilinen modeldeki hatayı temsil eder.
EBK'yi SVMR ve MLR ile sandviçleyerek karışık modeller elde edildi. Bu, EBK enterpolasyonundan tahmin edilen değerlerin çıkarılmasıyla yapılır. Enterpolasyonlu Ca, K ve Mg'den elde edilen tahmin edilen değerler, CaK, CaMg ve KMg gibi yeni değişkenler elde etmek için kombinatoryal bir işlemle elde edilir. Ca, K ve Mg elementleri daha sonra dördüncü bir değişken olan CaKMg'yi elde etmek için birleştirilir. Mg, KMg ve CaKMg. Bu değişkenler, kentsel ve kent çevresindeki topraklardaki nikel konsantrasyonlarını tahmin etmeye yardımcı olan tahmin edicilerimiz haline geldi. SVMR algoritması, karma bir model Ampirik Bayes Kriging-Destek Vektör Makinesi (EBK_SVM) elde etmek için tahmin ediciler üzerinde gerçekleştirildi. Ca, K, Mg, CaK, CaMg, KMg ve CaKMg, kentsel ve kentsel çevre topraklarda Ni içeriğinin öngörücüleri olarak ortak değişkenler olarak kullanılır. Elde edilen en kabul edilebilir model (EBK_SVM veya EBK_MLR) daha sonra kendi kendini düzenleyen bir grafik kullanılarak görselleştirilecektir. Bu çalışmanın iş akışı Şekil 2'de gösterilmektedir.
SeOM'u kullanmak finans sektörü, sağlık, endüstri, istatistik, toprak bilimi ve daha fazlasında verileri düzenlemek, değerlendirmek ve tahmin etmek için popüler bir araç haline geldi. SeOM, organizasyon, değerlendirme ve tahmin için yapay sinir ağları ve denetimsiz öğrenme yöntemleri kullanılarak oluşturulur.57, bir girdi vektörünün tek bir girdi katmanı aracılığıyla tek bir ağırlık vektörü olan bir çıktı vektörüne bir sinir ağına bağlantısını açıklar. SeOM tarafından üretilen çıktı, yakınlıklarına göre altıgen, dairesel veya kare topolojik haritalara örülmüş farklı nöronlardan veya düğümlerden oluşan iki boyutlu bir haritadır. 5-harita birimi (5×11).Nöron yapısı ampirik denklemdeki düğüm sayısına göre belirlenir.
Bu çalışmada kullanılan veri sayısı 115 örnektir. Verileri, test verilerine (%25 doğrulama için) ve eğitim veri setlerine (%75 kalibrasyon için) ayırmak için rastgele bir yaklaşım kullanıldı. Eğitim veri seti, regresyon modelini (kalibrasyon) oluşturmak için ve test veri seti, genelleme yeteneğini doğrulamak için kullanıldı58. Bu, topraklardaki nikel içeriğini tahmin etmek için çeşitli modellerin uygunluğunu değerlendirmek için yapıldı. Kullanılan tüm modeller, beş kez tekrarlanan on kat çapraz doğrulama sürecinden geçti. Değişkenler EBK interpolasyonu tarafından üretilenler, hedef değişkeni (PTE) tahmin etmek için öngörücüler veya açıklayıcı değişkenler olarak kullanılır. Modelleme, RStudio'da library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(”prospecter”) ve library (“Metrics”) paketleri kullanılarak gerçekleştirilir.
Topraktaki nikel konsantrasyonlarını tahmin etmek için en uygun modeli belirlemek ve modelin doğruluğunu ve doğrulamasını değerlendirmek için çeşitli doğrulama parametreleri kullanıldı. Hibridizasyon modelleri, ortalama mutlak hata (MAE), ortalama karesel hata (RMSE) ve R-kare veya katsayı belirleme (R2) kullanılarak değerlendirildi. Doğrulama parametrelerini kullanarak en iyi karışım modelini değerlendirmek için R2 değeri yüksek olmalıdır, değer 1'e ne kadar yakınsa doğruluk o kadar yüksektir. Li ve ark.59, 0.75 veya daha yüksek bir R2 kriter değeri, iyi bir öngörücü olarak kabul edilir;0,5'ten 0,75'e kadar kabul edilebilir model performansı, 0,5'in altı ise kabul edilemez model performansıdır. RMSE ve MAE doğrulama kriterleri değerlendirme yöntemleri kullanılarak bir model seçilirken, elde edilen daha düşük değerler yeterliydi ve en iyi seçim olarak kabul edildi. Aşağıdaki denklem, doğrulama yöntemini açıklar.
burada n gözlemlenen değerin büyüklüğünü temsil eder\({Y}_{i}\) ölçülen yanıtı temsil eder ve \({\widehat{Y}}_{i}\) ayrıca tahmin edilen yanıt değerini temsil eder, dolayısıyla ilk i gözlem için.
Öngörücü ve yanıt değişkenlerinin istatistiksel tanımları, ortalama, standart sapma (SD), varyasyon katsayısı (CV), minimum, maksimum, basıklık ve çarpıklık gösteren Tablo 1'de sunulmaktadır. Elemanların minimum ve maksimum değerleri, aralyalardan azalan aralığından azalan ve Ca
Öngörü değişkenlerinin yanıt öğeleriyle korelasyonu, öğeler arasında tatmin edici bir korelasyona işaret etti (bkz. Şekil 3). Korelasyon, CaK'nin, CaNi'de olduğu gibi, r değeri = 0,53 ile orta düzeyde bir korelasyon sergilediğini gösterdi. Ca ve K, birbirleriyle mütevazı ilişkiler gösterse de, Kingston ve diğerleri gibi araştırmacılar.68 ve Santo69, topraktaki seviyelerinin ters orantılı olduğunu öne sürmektedir. Bununla birlikte, Ca ve Mg, K ile zıttır, ancak CaK iyi bir korelasyona sahiptir. Bunun nedeni, potasyumda %56 daha yüksek olan potasyum karbonat gibi gübrelerin uygulanması olabilir. Potasyum, magnezyum ile orta derecede ilişkilidir (KM r = 0,63). Gübre endüstrisinde, bu iki element, eksiklik düzeylerini artırmak için topraklara potasyum magnezyum sülfat, potasyum magnezyum nitrat ve potas uygulandığından yakından ilişkilidir. .Nikel, sırasıyla r değerleri = 0.52, 0.63 ve 0.55 olan Ca, K ve Mg ile orta derecede ilişkilidir. Kalsiyum, magnezyum ve nikel gibi PTE'leri içeren ilişkiler karmaşıktır, ancak yine de magnezyum kalsiyum emilimini engeller, kalsiyum fazla magnezyumun etkilerini azaltır ve hem magnezyum hem de kalsiyum, nikelin topraktaki toksik etkilerini azaltır.
Öngörücüler ve yanıtlar arasındaki ilişkiyi gösteren öğeler için korelasyon matrisi (Not: bu şekil, öğeler arasında bir dağılım grafiği içerir, anlamlılık düzeyleri p < 0,001'e dayalıdır).
Şekil 4, elementlerin mekansal dağılımını göstermektedir.Burgos ve arkadaşlarına70 göre, mekansal dağılımın uygulanması, kirli alanlardaki sıcak noktaları ölçmek ve vurgulamak için kullanılan bir tekniktir. Şekil 4'teki Ca zenginleştirme seviyeleri, mekansal dağılım haritasının kuzeybatı kısmında görülebilir. Diğer yandan, diğer çiftçiler asidik topraklarda pH'ı nötralize etmek için kalsiyum hidroksit kullanmayı tercih eder, bu da toprağın kalsiyum içeriğini artırır71.Potasyum ayrıca haritanın kuzeybatı ve doğusunda sıcak noktalar gösterir.Kuzeybatı büyük bir tarım topluluğudur ve orta-yüksek potasyum modeli NPK ve potas uygulamalarından kaynaklanıyor olabilir.Bu, Madaras ve Lipavský72, Madaras ve diğerleri73 gibi diğer çalışmalarla tutarlıdır, Pulkrabová ve diğerleri.74, Asare ve diğerleri.75, toprak stabilizasyonu ve KCl ve NPK ile muamelenin toprakta yüksek K içeriği ile sonuçlandığını gözlemlediler.Dağılım haritasının kuzeybatısındaki mekansal Potasyum zenginleşmesi, fakir toprakların potasyum içeriğini artırmak için potasyum klorür, potasyum sülfat, potasyum nitrat, potas ve potas gibi potasyum bazlı gübrelerin kullanılmasından kaynaklanıyor olabilir.Zádorová et al.76 ve Tlustoš ve ark.77, K-bazlı gübrelerin uygulanmasının topraktaki K içeriğini artırdığını ve uzun vadede toprak besin içeriğini önemli ölçüde artıracağını, özellikle toprakta sıcak nokta gösteren K ve Mg'yi önemli ölçüde artıracağını özetledi. Haritanın kuzeybatısında ve güneydoğusunda nispeten ılımlı sıcak noktalar. Topraktaki koloidal fiksasyon, topraktaki magnezyum konsantrasyonunu azaltır. magnezyum sülfat ve Kieserite, normal pH aralığına sahip topraklardaki eksiklikleri giderir (bitkiler mor, kırmızı veya kahverengi görünür, bu da magnezyum eksikliğini gösterir).
Öğelerin mekansal dağılımı [uzaysal dağılım haritası ArcGIS Desktop (ESRI, Inc, Sürüm 10.7, URL: https://desktop.arcgis.com) kullanılarak oluşturulmuştur.]
Bu çalışmada kullanılan elementler için model performans indeksi sonuçları Tablo 2'de gösterilmektedir. Öte yandan, Ni'nin RMSE ve MAE'si sıfıra yakındır (0,86 RMSE, -0,08 MAE). Öte yandan, K'nin hem RMSE hem de MAE değerleri kabul edilebilir. Kalsiyum ve magnezyum için RMSE ve MAE sonuçları daha büyüktü. Ca ve K MAE ve RMSE sonuçları, farklı veri kümeleri nedeniyle daha büyüktür. Tahmin etmek için EBK kullanan bu çalışmanın RMSE ve MAE'si Ni'nin John ve ark.'nın sonuçlarından daha iyi olduğu bulundu.54 toplanan aynı verileri kullanarak topraktaki S konsantrasyonlarını tahmin etmek için sinerjistik kriging kullanıyor. Çalıştığımız EBK çıktıları, Fabijaczyk ve ark.41, Yan ve ark.79, Beguin ve ark.80, Adhikary ve ark.81 ve John ve ark.82, özellikle K ve Ni.
Kentsel ve kent çevresindeki topraklardaki nikel içeriğini tahmin etmeye yönelik bireysel yöntemlerin performansı, modellerin performansı kullanılarak değerlendirildi (Tablo 3). Model doğrulama ve doğruluk değerlendirmesi, EBK SVMR modeliyle birleştirilmiş Ca_Mg_K tahmin edicisinin en iyi performansı verdiğini doğruladı. Kalibrasyon modeli Ca_Mg_K-EBK_SVMR model R2, kök ortalama kare hatası (RMSE) ve ortalama mutlak hata (MAE) 0,637 (R2), 95,479 mg idi. /kg (RMSE) ve 77,368 mg/kg (MAE) Ca_Mg_K-SVMR 0,663 (R2), 235,974 mg/kg (RMSE) ve 166,946 mg/kg (MAE) idi. Bununla birlikte Ca_Mg_K-SVMR (0,663 mg/kg R2) ve Ca_Mg-EBK_SVMR (0) için iyi R2 değerleri elde edildi. .643 = R2);RMSE ve MAE sonuçları Ca_Mg_K-EBK_SVMR (R2 0.637) için olanlardan daha yüksekti (bkz. Tablo 3). Ayrıca, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ve MAE = 1031.49) modelinin RMSE ve MAE'si sırasıyla 17.5 ve 13.4'tür ve bunlar Ca_Mg_K-EBK'ninkinden daha büyüktür _SVMR.Benzer şekilde, Ca_Mg-K SVMR (RMSE = 235,974 ve MAE = 166,946) modelinin RMSE ve MAE'si, Ca_Mg_K-EBK_SVMR RMSE ve MAE'ninkinden sırasıyla 2,5 ve 2,2 daha büyüktür. Hesaplanan RMSE sonuçları, veri setinin en uygun doğru ile ne kadar yoğun olduğunu gösterir. Daha yüksek RSME ve MAE gözlenmiştir. Kebonye ve ark.46 ve john ve ark.54, RMSE ve MAE sıfıra ne kadar yakınsa, sonuçlar o kadar iyi olur. SVMR ve EBK_SVMR daha yüksek nicelleştirilmiş RSME ve MAE değerlerine sahiptir. RSME tahminlerinin MAE değerlerinden sürekli olarak daha yüksek olduğu gözlemlendi, bu da aykırı değerlerin varlığını gösterir. Legates ve McCabe83'e göre, RMSE'nin ortalama mutlak hatayı (MAE) ne ölçüde aştığı, aykırı değerlerin varlığının bir göstergesi olarak önerilir. Bu, daha heterojen olduğu anlamına gelir veri seti, MAE ve RMSE değerleri o kadar yüksek. Ca_Mg_K-EBK_SVMR karma modelinin kentsel ve banliyö topraklarındaki Ni içeriğini tahmin etmek için çapraz doğrulama değerlendirmesinin doğruluğu %63,70 idi. Li ve diğerlerine göre.59, bu doğruluk seviyesi kabul edilebilir bir model performans oranıdır. Mevcut sonuçlar, Tarasov ve diğerleri tarafından yapılan önceki bir çalışma ile karşılaştırılmıştır.Mevcut çalışmada bildirilen EBK_SVMR doğruluk değerlendirme indeksi ile ilgili hibrit modeli MLPRK'yi (Multilayer Perceptron Residual Kriging) oluşturan 36, RMSE (210) ve MAE (167.5), mevcut çalışmadaki sonuçlarımızdan (RMSE 95.479, MAE 77.368) daha yüksekti. Ancak, mevcut çalışmanın R2'si (0.637) ile Tarasov ve ark.36 (0,544), belirleme katsayısının (R2) bu karma modelde daha yüksek olduğu açıktır. Karışık model için hata payı (RMSE ve MAE) (EBK SVMR) iki kat daha düşüktür. Aynı şekilde Sergeev ve ark.34, geliştirilen hibrit model (Multilayer Perceptron Residual Kriging) için 0,28 (R2), mevcut çalışmada Ni ise 0,637 (R2) kaydetmiştir. Bu modelin tahmin doğruluk düzeyi ( EBK SVMR) %63,7 iken, Sergeev ve ark.34, %28'dir. EBK_SVMR modeli ve bir öngörücü olarak Ca_Mg_K kullanılarak oluşturulan son harita (Şekil 5), tüm çalışma alanı boyunca sıcak noktalar ve orta ila nikel tahminlerini gösterir. Bu, çalışma alanındaki nikel konsantrasyonunun esas olarak orta düzeyde olduğu ve bazı belirli alanlarda daha yüksek konsantrasyonlar olduğu anlamına gelir.
Nihai tahmin haritası, hibrit model EBK_SVMR kullanılarak ve tahmin edici olarak Ca_Mg_K kullanılarak temsil edilir.[Mekansal dağılım haritası, RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturulmuştur.]
Şekil 6'da, bireysel nöronlardan oluşan bir kompozisyon düzlemi olarak PTE konsantrasyonları sunulmaktadır. Bileşen düzlemlerinin hiçbiri gösterildiği gibi aynı renk modelini sergilememiştir. Bununla birlikte, çizilen harita başına uygun nöron sayısı 55'tir. SeOM, çeşitli renkler kullanılarak üretilir ve renk desenleri ne kadar benzerse, numunelerin özellikleri o kadar karşılaştırılabilir. Kesin renk skalalarına göre, bireysel elementler (Ca, K ve Mg), tek yüksek nöronlara ve çoğu düşük nöronlara benzer renk desenleri gösterdi. Böylece, CaK ve CaMg paylaşımı çok yüksek sıralı nöronlar ve düşük-orta renk desenleri ile bazı benzerlikler. Her iki model de kırmızı, turuncu ve sarı gibi orta ila yüksek renk tonlarını görüntüleyerek topraktaki Ni konsantrasyonunu tahmin eder. KMg modeli, kesin orantılara ve düşük ila orta renk yamalarına dayalı birçok yüksek renk modeli gösterir. Düşükten yükseğe doğru hassas bir renk ölçeğinde, modelin bileşenlerinin düzlemsel dağılım modeli, topraktaki potansiyel nikel konsantrasyonunu gösteren yüksek bir renk modeli gösterdi (bkz. Şekil 4). CakMg modeli bileşen düzlemi, farklı bir renk modeli gösterir. Doğru bir renk skalasına göre düşükten yükseğe doğru.Ayrıca, modelin nikel içeriği tahmini (CakMg), Şekil 5'te gösterilen mekansal nikel dağılımına benzer. Her iki grafik de kentsel ve kentsel çevre topraklarda yüksek, orta ve düşük oranlarda nikel konsantrasyonlarını gösterir. toplandı, kategori 1 en fazla toprak örneğini aldı, 74.Küme 2 33 örnek alırken, küme 3 8 örnek aldı.Yedi bileşenli düzlemsel öngörücü kombinasyonu, doğru küme yorumuna izin vermek için basitleştirildi.Toprak oluşumunu etkileyen çok sayıda antropojenik ve doğal süreç nedeniyle, dağıtılmış bir SeOM haritasında uygun şekilde farklılaştırılmış küme modellerine sahip olmak zordur78.
Her Ampirik Bayes Kriging Destek Vektör Makinesi (EBK_SVM_SeOM) değişkeni tarafından bileşen düzlem çıktısı.[SeOM haritaları, RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturuldu.]
Farklı küme sınıflandırma bileşenleri [SeOM haritaları RStudio (sürüm 1.4.1717: https://www.rstudio.com/) kullanılarak oluşturulmuştur.]
Mevcut çalışma, kentsel ve kentsel çevre topraklardaki nikel konsantrasyonları için modelleme tekniklerini açıkça göstermektedir. Çalışma, topraktaki nikel konsantrasyonlarını tahmin etmenin en iyi yolunu elde etmek için öğeleri modelleme teknikleriyle birleştirerek farklı modelleme tekniklerini test etti. Modelleme tekniğinin SeOM bileşimsel düzlemsel uzamsal özellikleri, doğru bir renk ölçeğinde düşükten yükseğe doğru yüksek bir renk modeli sergileyerek topraktaki Ni konsantrasyonlarını gösterdi. Ancak, uzamsal dağılım haritası, EBK_SVMR tarafından sergilenen bileşenlerin düzlemsel uzamsal dağılımını doğrular (bkz. Şekil 5). Sonuçlar destek vektör makine regresyon modelinin (Ca Mg K-SVMR) topraktaki Ni konsantrasyonunu tek bir model olarak tahmin ettiğini, ancak doğrulama ve doğruluk değerlendirme parametrelerinin RMSE ve MAE açısından çok yüksek hatalar gösterdiğini göstermektedir. Öte yandan, EBK_MLR modeli ile kullanılan modelleme tekniği, belirleme katsayısının (R2) düşük değerinden dolayı da hatalıdır. EBK SVMR ve düşük RMSE ve MAE hataları ile birleştirilmiş elemanlar (CaKMg) kullanılarak iyi sonuçlar elde edildi. %63,7. EBK algoritmasını bir makine öğrenimi algoritmasıyla birleştirmenin, topraktaki PTE'lerin konsantrasyonunu tahmin edebilen hibrit bir algoritma oluşturabileceği ortaya çıktı. Sonuçlar, çalışma alanındaki Ni konsantrasyonlarını tahmin etmek için öngörücüler olarak Ca Mg K kullanılmasının topraklardaki Ni tahminini iyileştirebileceğini gösteriyor. Bu, nikel bazlı gübrelerin ve toprağın çelik endüstrisi tarafından endüstriyel kirliliğinin sürekli olarak uygulanmasının, topraktaki nikel konsantrasyonunu artırma eğiliminde olduğu anlamına gelir. Bu çalışma, EBK modelinin hata düzeyini azaltabileceğini ve iyileştirme sağlayabileceğini gösterir. kentsel veya kent çevresindeki topraklarda toprak mekansal dağılım modelinin doğruluğu. Genel olarak, toprakta PTE'yi değerlendirmek ve tahmin etmek için EBK-SVMR modelini uygulamayı öneriyoruz;ek olarak, çeşitli makine öğrenimi algoritmalarıyla hibritleştirmek için EBK kullanmayı öneriyoruz. Ni konsantrasyonları, ortak değişkenler olarak öğeler kullanılarak tahmin edildi;ancak, daha fazla ortak değişken kullanılması, modelin performansını büyük ölçüde artıracaktır ve bu, mevcut çalışmanın bir sınırlaması olarak kabul edilebilir. Bu çalışmanın bir diğer sınırlaması, veri seti sayısının 115 olmasıdır. Bu nedenle, daha fazla veri sağlanırsa, önerilen optimize edilmiş hibridizasyon yönteminin performansı geliştirilebilir.
PlantProbs.net.Bitkilerde ve Toprakta Nikel https://plantprobs.net/plant/nutrientImbalances/sodium.html (Erişim tarihi 28 Nisan 2021).
Kasprzak, KS Nickel, modern çevresel toksikolojide ilerlemeler.çevre.toksikoloji.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Kaynaklarının ve çevresel toksikolojinin gözden geçirilmesi.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Sudbury, Ontario, Canada'daki bir nikel-bakır dökümhanesinin yakınında atmosferden ve toprakta ve bitki örtüsünde biriken kirletici madde girdisi.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Botswana'daki Selebi-Phikwe bakır-nikel madeninin yakınında otlayan geviş getiren hayvanlarla ilişkili toprak, bitki ve risklerdeki ağır metaller.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Topraktaki eser elementler ve… %3A+CRC+Press&btnG= (24 Kasım 2020'de erişildi).
Almås, A., Singh, B., Tarım, TS-NJ of & 1995, tanımsız. Rus nikel endüstrisinin Soer-Varanger'deki tarım topraklarındaki ve çimenlerdeki ağır metal konsantrasyonları üzerindeki etkileri, Norveç.agris.fao.org.
Nielsen, GD ve diğerleri.İçme suyunda nikel emilimi ve tutulması, gıda alımı ve nikel duyarlılığı ile ilişkilidir.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nikel karsinojenezi, mutasyon, epigenetik veya seleksiyon.çevre.Sağlık Perspektifi.107, 2 (1999).
Acman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Potansiyel olarak toksik elementlerin trend analizi: bibliyometrik bir inceleme.Çevresel Jeokimya ve Sağlık.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. Dijital toprak haritalamada.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV Jeoistatistiksel Rezervuar Modellemesi,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geoistatistik+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Erişim baskı 28 Nisan 2021).
Gönderim zamanı: 22 Temmuz 2022