Cảm ơn bạn đã truy cập Nature.com. Phiên bản trình duyệt bạn đang sử dụng hỗ trợ CSS hạn chế. Để có trải nghiệm tốt nhất, chúng tôi khuyên bạn nên sử dụng trình duyệt cập nhật (hoặc tắt chế độ tương thích trong Internet Explorer). Trong thời gian chờ đợi, để đảm bảo tiếp tục được hỗ trợ, chúng tôi sẽ hiển thị trang web không có kiểu và JavaScript.
Ô nhiễm đất là một vấn đề lớn do các hoạt động của con người gây ra. Sự phân bố không gian của các nguyên tố có khả năng gây độc (PTE) khác nhau ở hầu hết các khu vực đô thị và ven đô. Do đó, rất khó để dự đoán về mặt không gian hàm lượng PTE trong các loại đất đó. Tổng cộng có 115 mẫu được lấy từ Frydek Mistek ở Cộng hòa Séc. Nồng độ canxi (Ca), magiê (Mg), kali (K) và niken (Ni) được xác định bằng phương pháp quang phổ phát xạ plasma kết hợp cảm ứng. Biến phản ứng là Ni và các yếu tố dự đoán là Ca , Mg và K. Ma trận tương quan giữa biến phản hồi và biến dự đoán cho thấy mối tương quan thỏa đáng giữa các yếu tố. Kết quả dự đoán cho thấy Hồi quy máy vectơ hỗ trợ (SVMR) hoạt động tốt, mặc dù lỗi bình phương trung bình gốc ước tính (RMSE) (235,974 mg/kg) và sai số tuyệt đối trung bình (MAE) (166,946 mg/kg) cao hơn so với các phương pháp khác được áp dụng. -MLR) hoạt động kém, bằng chứng là các hệ số xác định nhỏ hơn 0,1. Mô hình hồi quy máy vectơ hỗ trợ Bayesian Kriging thực nghiệm (EBK-SVMR) là mô hình tốt nhất, với các giá trị RMSE (95,479 mg/kg) và MAE (77,368 mg/kg) thấp và hệ số xác định cao (R2 = 0,637). Đầu ra của kỹ thuật mô hình EBK-SVMR được hiển thị bằng bản đồ tự tổ chức.Clu tế bào thần kinh được đặt trong mặt phẳng của thành phần CakMg-EBK-SVMR của mô hình lai cho thấy nhiều kiểu màu dự đoán nồng độ Ni trong đất đô thị và ven đô. Kết quả chứng minh rằng việc kết hợp EBK và SVMR là một kỹ thuật hiệu quả để dự đoán nồng độ Ni trong đất đô thị và ven đô.
Niken (Ni) được coi là một vi chất dinh dưỡng cho cây trồng vì nó góp phần vào quá trình cố định đạm (N) trong khí quyển và chuyển hóa urê, cả hai đều cần thiết cho sự nảy mầm của hạt giống. Ngoài việc đóng góp cho sự nảy mầm của hạt giống, Ni có thể hoạt động như một chất ức chế nấm và vi khuẩn và thúc đẩy sự phát triển của cây trồng. Việc thiếu niken trong đất cho phép cây trồng hấp thụ nó, dẫn đến hiện tượng nhiễm clo ở lá. Ví dụ, đậu đũa và đậu xanh cần sử dụng phân bón gốc niken để tối ưu hóa quá trình cố định đạm2. Tiếp tục sử dụng phân bón gốc niken để làm phong phú cây trồng và tăng khả năng cố định nitơ trong đất của cây họ đậu liên tục làm tăng nồng độ niken trong đất. Mặc dù niken là một chất dinh dưỡng vi lượng cho cây trồng, nhưng việc hấp thụ quá nhiều niken trong đất có thể gây hại nhiều hơn là có lợi. Độc tính của niken trong đất làm giảm thiểu độ pH của đất và cản trở sự hấp thu sắt như một chất dinh dưỡng thiết yếu cho sự phát triển của thực vật. Mạ điện, sản xuất hợp kim dựa trên niken, và sản xuất các thiết bị đánh lửa và bugi trong ngành công nghiệp ô tô, tất cả đều yêu cầu sử dụng niken trong các lĩnh vực công nghiệp khác nhau. Ngoài ra, các hợp kim dựa trên niken và các sản phẩm mạ điện đã được sử dụng rộng rãi trong đồ dùng nhà bếp, phụ kiện phòng khiêu vũ, đồ dùng công nghiệp thực phẩm, điện, dây và cáp, tua bin phản lực, mô cấy phẫu thuật, dệt may và đóng tàu hơn con người4,6. Các nguồn niken tự nhiên bao gồm các vụ phun trào núi lửa, thảm thực vật, cháy rừng và các quá trình địa chất;tuy nhiên, các nguồn do con người tạo ra bao gồm pin niken/cadmium trong ngành thép, mạ điện, hàn hồ quang, dầu diesel và dầu nhiên liệu, và khí thải từ quá trình đốt than và đốt chất thải và bùn tích tụ niken7,8. Theo Freedman và Hutchinson9 và Manyiwa et al.10, các nguồn chính gây ô nhiễm lớp đất mặt trong môi trường trực tiếp và lân cận chủ yếu là các mỏ và mỏ luyện kim niken-đồng. Lớp đất trên cùng xung quanh nhà máy luyện đồng niken-đồng Sudbury ở Canada có mức độ ô nhiễm niken cao nhất ở mức 26.000 mg/kg11. Ngược lại, ô nhiễm từ sản xuất niken ở Nga đã dẫn đến nồng độ niken cao hơn trong đất Na Uy11. Theo Alms et al.12, lượng niken có thể chiết xuất bằng HNO3 trong vùng đất canh tác hàng đầu của khu vực (sản xuất niken ở Nga) dao động từ 6,25 đến 136,88 mg/kg, tương ứng với mức trung bình là 30,43 mg/kg và nồng độ cơ bản là 25 mg/kg. con người có thể dẫn đến ung thư thông qua quá trình gây đột biến, tổn thương nhiễm sắc thể, tạo Z-DNA, sửa chữa cắt bỏ DNA bị chặn hoặc các quá trình biểu sinh13. Trong các thí nghiệm trên động vật, niken đã được phát hiện có khả năng gây ra nhiều loại khối u và các phức hợp niken gây ung thư có thể làm trầm trọng thêm các khối u đó.
Đánh giá ô nhiễm đất đã phát triển mạnh trong thời gian gần đây do một loạt các vấn đề liên quan đến sức khỏe phát sinh từ mối quan hệ đất-thực vật, đất và mối quan hệ sinh học đất, suy thoái sinh thái và đánh giá tác động môi trường. Cho đến nay, việc dự đoán không gian các nguyên tố có khả năng gây độc (PTE) như Ni trong đất bằng các phương pháp truyền thống rất tốn công sức và thời gian. đã được chứng minh là một phân ngành nổi bật của khoa học đất. Lagacherie và McBratney, 2006 định nghĩa DSM là “việc tạo ra và điền vào các hệ thống thông tin đất không gian thông qua việc sử dụng các phương pháp quan sát tại chỗ và trong phòng thí nghiệm và các hệ thống suy luận đất không gian và phi không gian”.McBratney và cộng sự.17 phác thảo rằng DSM hoặc PSM hiện đại là kỹ thuật hiệu quả nhất để dự đoán hoặc lập bản đồ phân bố không gian của PTE, loại đất và tính chất của đất. Thuật toán thống kê địa lý và máy học (MLA) là các kỹ thuật lập mô hình DSM tạo bản đồ số hóa với sự trợ giúp của máy tính sử dụng dữ liệu quan trọng và tối thiểu.
Deutsch18 và Olea19 định nghĩa địa thống kê là “tập hợp các kỹ thuật số xử lý việc biểu diễn các thuộc tính không gian, chủ yếu sử dụng các mô hình ngẫu nhiên, chẳng hạn như cách phân tích chuỗi thời gian mô tả dữ liệu thời gian”.Về cơ bản, địa thống kê liên quan đến việc đánh giá các phép đo biến đổi, cho phép Định lượng và xác định sự phụ thuộc của các giá trị không gian từ mỗi tập dữ liệu20.Gumiaux et al.20 minh họa thêm rằng việc đánh giá phương sai trong địa thống kê dựa trên ba nguyên tắc, bao gồm (a) tính toán quy mô tương quan dữ liệu, (b) xác định và tính toán tính bất đẳng hướng trong sự khác biệt của tập dữ liệu và (c) ngoài việc tính đến sai số vốn có của dữ liệu đo lường được tách biệt khỏi các hiệu ứng cục bộ, các hiệu ứng khu vực cũng được ước tính. esian kriging, phương pháp kriging đơn giản và các kỹ thuật nội suy nổi tiếng khác để lập bản đồ hoặc dự đoán PTE, đặc điểm của đất và loại đất.
Thuật toán học máy (MLA) là một kỹ thuật tương đối mới sử dụng các lớp dữ liệu phi tuyến tính lớn hơn, được thúc đẩy bởi các thuật toán chủ yếu được sử dụng để khai thác dữ liệu, xác định các mẫu trong dữ liệu và được áp dụng nhiều lần để phân loại trong các lĩnh vực khoa học như khoa học đất và các nhiệm vụ trả về. Nhiều tài liệu nghiên cứu dựa trên các mô hình MLA để dự đoán PTE trong đất, chẳng hạn như Tan và cộng sự.22 (rừng ngẫu nhiên để ước lượng kim loại nặng trong đất nông nghiệp), Sakizadeh et al.23 (mô hình hóa sử dụng máy vectơ hỗ trợ và mạng thần kinh nhân tạo) ô nhiễm đất). Ngoài ra, Vega et al.24 (GIỎ HÀNG để lập mô hình giữ và hấp phụ kim loại nặng trong đất) Sun et al.25 (ứng dụng lập thể là sự phân bố của Cd trong đất) và các thuật toán khác như k-láng giềng gần nhất, hồi quy tăng cường tổng quát và hồi quy tăng cường Cây cũng áp dụng MLA để dự đoán PTE trong đất.
Việc áp dụng các thuật toán DSM trong dự đoán hoặc lập bản đồ phải đối mặt với một số thách thức. Nhiều tác giả tin rằng MLA vượt trội so với địa thống kê và ngược lại. Mặc dù cái này tốt hơn cái kia, nhưng sự kết hợp của cả hai sẽ cải thiện mức độ chính xác của ánh xạ hoặc dự đoán trong DSM15.Woodcock và Gopal26 Finke27;Pontius và Cheuk28 và Grunwald29 nhận xét về những thiếu sót và một số lỗi trong việc lập bản đồ đất dự đoán. Các nhà khoa học về đất đã thử nhiều kỹ thuật khác nhau để tối ưu hóa hiệu quả, độ chính xác và khả năng dự báo của việc lập bản đồ và dự báo DSM. Sự kết hợp giữa tính không chắc chắn và xác minh là một trong nhiều khía cạnh khác nhau được tích hợp vào DSM để tối ưu hóa hiệu quả và giảm các khiếm khuyết. Tuy nhiên, Agyeman và cộng sự.15 phác thảo rằng hành vi xác thực và độ không đảm bảo do tạo và dự đoán bản đồ đưa ra phải được xác thực độc lập để cải thiện chất lượng bản đồ. Các hạn chế của DSM là do chất lượng đất phân tán về mặt địa lý, bao gồm một thành phần của độ không đảm bảo;tuy nhiên, sự thiếu chắc chắn trong DSM có thể phát sinh từ nhiều nguồn lỗi, cụ thể là lỗi đồng biến, lỗi mô hình, lỗi vị trí và Lỗi phân tích. thúc đẩy sự tích hợp của địa thống kê và MLA trong lập bản đồ và dự báo. Một số nhà khoa học và tác giả về đất, chẳng hạn như Sergeev et al.34;Subbotina và cộng sự.35;Tarasov và cộng sự.36 và Tarasov et al.37 đã khai thác chất lượng chính xác của địa thống kê và học máy để tạo ra các mô hình kết hợp giúp cải thiện hiệu quả của dự báo và lập bản đồ.chất lượng. Một số mô hình thuật toán kết hợp hoặc kết hợp này là Kriging mạng thần kinh nhân tạo (ANN-RK), Kriging dư Perceptron đa lớp (MLP-RK), Kriging dư mạng thần kinh tổng quát (GR-NNRK)36, Perceptron Kriging-đa lớp mạng thần kinh nhân tạo (ANN-K-MLP)37 và Hồi quy quy trình Co-Kriging và Gaussian38.
Theo Sergeev và cộng sự, việc kết hợp các kỹ thuật lập mô hình khác nhau có khả năng loại bỏ các khiếm khuyết và tăng hiệu quả của mô hình kết hợp thu được hơn là phát triển mô hình đơn lẻ của nó. LR). Việc lai giữa EBK với bất kỳ MLA nào vẫn chưa được biết. Nhiều mô hình hỗn hợp được thấy là sự kết hợp của quá trình cắt hồi quy thông thường, phần dư, hồi quy và MLA. EBK là một phương pháp nội suy địa thống kê sử dụng quy trình ngẫu nhiên không gian được bản địa hóa dưới dạng trường ngẫu nhiên không cố định/cố định với các tham số bản địa hóa được xác định trên trường, cho phép thay đổi không gian39.EBK đã được sử dụng trong nhiều nghiên cứu, bao gồm phân tích sự phân bố carbon hữu cơ trong đất nông nghiệp40, đánh giá ô nhiễm đất41 và lập bản đồ tính chất đất42.
Mặt khác, Đồ thị tự tổ chức (SeOM) là một thuật toán học tập đã được áp dụng trong nhiều bài viết như Li et al.43, Wang và cộng sự.44, Hossain Bhuiyan và cộng sự.45 và Kebonye et al.46 Xác định các thuộc tính không gian và nhóm các phần tử.Wang et al.44 phác thảo rằng SeOM là một kỹ thuật học mạnh mẽ được biết đến với khả năng nhóm và tưởng tượng các vấn đề phi tuyến tính. Không giống như các kỹ thuật nhận dạng mẫu khác như phân tích thành phần chính, phân cụm mờ, phân cụm theo thứ bậc và ra quyết định đa tiêu chí, SeOM tốt hơn trong việc tổ chức và xác định các mẫu PTE. Theo Wang và cộng sự.44, SeOM có thể phân nhóm theo không gian sự phân bố của các nơ-ron liên quan và cung cấp khả năng trực quan hóa dữ liệu có độ phân giải cao. SeOM sẽ trực quan hóa dữ liệu dự đoán Ni để thu được mô hình tốt nhất nhằm mô tả kết quả để diễn giải trực tiếp.
Bài viết này nhằm mục đích tạo ra một mô hình lập bản đồ mạnh mẽ với độ chính xác tối ưu để dự đoán hàm lượng niken trong đất đô thị và ven đô. Chúng tôi đưa ra giả thuyết rằng độ tin cậy của mô hình hỗn hợp chủ yếu phụ thuộc vào ảnh hưởng của các mô hình khác được gắn với mô hình cơ sở. Chúng tôi thừa nhận những thách thức mà DSM phải đối mặt và trong khi những thách thức này đang được giải quyết trên nhiều mặt, sự kết hợp giữa những tiến bộ trong mô hình thống kê địa lý và MLA dường như đang gia tăng;do đó, chúng tôi sẽ cố gắng trả lời các câu hỏi nghiên cứu có thể mang lại các mô hình hỗn hợp. Tuy nhiên, mô hình dự đoán yếu tố mục tiêu chính xác đến mức nào? Ngoài ra, mức độ đánh giá hiệu quả dựa trên xác nhận và đánh giá độ chính xác là gì? Do đó, mục tiêu cụ thể của nghiên cứu này là (a) tạo mô hình hỗn hợp kết hợp cho SVMR hoặc MLR sử dụng EBK làm mô hình cơ sở, (b) so sánh các mô hình kết quả (c) đề xuất mô hình hỗn hợp tốt nhất để dự đoán nồng độ Ni trong đất đô thị hoặc ven đô và (d) ứng dụng SeOM để tạo ra bản đồ độ phân giải cao của biến thể không gian niken.
Nghiên cứu đang được thực hiện tại Cộng hòa Séc, cụ thể là ở quận Frydek Mistek thuộc vùng Moravia-Silesian (xem Hình 1). Địa lý của khu vực nghiên cứu rất gồ ghề và chủ yếu là một phần của vùng Moravia-Silesian Beskidy, là một phần của vành ngoài của Dãy núi Carpathian. Khu vực nghiên cứu nằm trong khoảng 49° 41′ 0′ N và 18° 20′ 0′ Đông, và độ cao nằm trong khoảng từ 225 đến 32 7m;tuy nhiên, hệ thống phân loại Koppen cho trạng thái khí hậu của khu vực được đánh giá là Cfb = khí hậu ôn đới hải dương, Có nhiều mưa ngay cả trong những tháng khô hạn. Nhiệt độ thay đổi nhẹ trong năm trong khoảng -5 °C đến 24 °C, hiếm khi xuống dưới -14 °C hoặc trên 30 °C, trong khi lượng mưa trung bình hàng năm là từ 685 đến 752 mm47. Diện tích khảo sát ước tính của toàn khu vực là 1.208 km2, với 39,38 % diện tích đất canh tác và 49,36% diện tích rừng che phủ. Mặt khác, diện tích được sử dụng trong nghiên cứu này là khoảng 889,8 km2. Trong và xung quanh Ostrava, ngành công nghiệp thép và các công trình kim loại đang rất sôi động. Các nhà máy luyện kim, ngành thép sử dụng niken trong thép không gỉ (ví dụ để chống lại sự ăn mòn của khí quyển) và thép hợp kim (niken làm tăng độ bền của hợp kim trong khi vẫn duy trì độ dẻo và độ bền tốt của nó), và nông nghiệp thâm canh như ứng dụng phân lân và sản xuất chăn nuôi là những nguồn cung cấp niken tiềm năng trong khu vực (ví dụ: thêm niken vào thịt cừu để tăng tốc độ tăng trưởng ở cừu và gia súc ăn ít). Các ứng dụng công nghiệp khác của niken trong các lĩnh vực nghiên cứu bao gồm sử dụng niken trong mạ điện, bao gồm quá trình mạ niken điện phân và niken điện phân. Các đặc tính của đất có thể dễ dàng phân biệt qua màu sắc, cấu trúc và hàm lượng cacbonat của đất. Kết cấu đất từ ​​trung bình đến mịn, có nguồn gốc từ vật liệu gốc. Chúng có bản chất là phù sa, phù sa hoặc aeolian. Một số khu vực đất xuất hiện lốm đốm trên bề mặt và lòng đất, thường có bê tông và tẩy trắng. Tuy nhiên, cambi sols và stagnosols là những loại đất phổ biến nhất trong khu vực48. Với độ cao dao động từ 455,1 đến 493,5 m, đất mùn chiếm ưu thế ở Cộng hòa Séc49.
Bản đồ khu vực nghiên cứu [Bản đồ khu vực nghiên cứu được tạo bằng ArcGIS Desktop (ESRI, Inc, phiên bản 10.7, URL: https://desktop.arcgis.com).]
Tổng cộng có 115 mẫu đất mặt được lấy từ đất đô thị và ven đô ở quận Frydek Mistek. Mẫu mẫu được sử dụng là một ô lưới thông thường với các mẫu đất cách nhau 2 × 2 km và lớp đất mặt được đo ở độ sâu từ 0 đến 20 cm bằng thiết bị GPS cầm tay (Leica Zeno 5 GPS). Các mẫu được đóng gói trong túi Ziploc, dán nhãn thích hợp và vận chuyển đến phòng thí nghiệm. Các mẫu được sấy khô trong không khí để tạo ra các mẫu nghiền thành bột, nghiền thành bột được định lượng bằng hệ thống cơ học (máy nghiền đĩa Fritsch) và sàng (cỡ sàng 2 mm). Cho 1 gam mẫu đất đã được sấy khô, đồng nhất và đã sàng vào các lọ teflon có dán nhãn rõ ràng. Trong mỗi lọ Teflon, phân phối 7 ml HCl 35% và 3 ml HNO3 65% (sử dụng bộ định lượng tự động – một cho mỗi axit), đậy nhẹ và để yên mẫu qua đêm cho phản ứng (chương trình cường thủy). Đặt phần nổi phía trên lên một tấm kim loại nóng (nhiệt độ: 100 W và 160 °C) trong 2 giờ để tạo điều kiện thuận lợi cho quá trình phân hủy mẫu, sau đó để nguội. Chuyển phần nổi phía trên vào bình định mức 50 ml và pha loãng thành 50 ml bằng nước khử ion. Sau đó, lọc phần nổi phía trên đã pha loãng vào ống PVC 50 ml bằng nước khử ion. Ngoài ra, 1 ml dung dịch pha loãng được pha loãng với 9 ml nước khử ion và lọc vào ống 12 ml được chuẩn bị cho quá trình cô đặc giả PTE. Nồng độ của PTE (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) được xác định bằng ICP-OES (Quang phổ phát xạ quang plasma kết hợp cảm ứng) (Thermo Fisher Khoa học, Hoa Kỳ) theo các phương pháp và thỏa thuận tiêu chuẩn. Quy trình Đảm bảo và Kiểm soát Chất lượng (QA/QC) (SRM NIST 2711a Montana II Soil). Các PTE có giới hạn phát hiện dưới một nửa đã bị loại khỏi nghiên cứu này. Giới hạn phát hiện của PTE được sử dụng trong nghiên cứu này là 0,0004.(bạn). Ngoài ra, quy trình kiểm soát chất lượng và đảm bảo chất lượng cho mỗi phân tích được đảm bảo bằng cách phân tích các tiêu chuẩn tham chiếu. Để đảm bảo rằng các lỗi được giảm thiểu, một phân tích kép đã được thực hiện.
Empirical Bayesian Kriging (EBK) là một trong nhiều kỹ thuật nội suy địa thống kê được sử dụng trong mô hình hóa trong các lĩnh vực khác nhau như khoa học đất. Không giống như các kỹ thuật nội suy cắt khác, EBK khác với các phương pháp cắt truyền thống bằng cách xem xét sai số được ước tính bởi mô hình bán biến. Đây là một phần cực kỳ phức tạp của một phương pháp cắt tỉa đầy đủ. Quá trình nội suy của EBK tuân theo ba tiêu chí do Krivoruchko50 đề xuất, (a) mô hình ước tính bán biến số từ tập dữ liệu đầu vào (b) giá trị dự đoán mới cho từng vị trí tập dữ liệu đầu vào dựa trên bán biến số được tạo và (c) mô hình A cuối cùng được tính toán từ tập dữ liệu mô phỏng. Quy tắc phương trình Bayes được đưa ra dưới dạng hậu nghiệm
\ (Prob \ left (a \ right) \) đại diện cho trước, \ (prob \ left (b \ right) \) xác suất cận biên bị bỏ qua trong hầu hết các trường hợp, \ (prob (b, a) \). trong đó có khả năng tạo ra một bộ dữ liệu quan sát từ semivariogram.
Máy vectơ hỗ trợ là một thuật toán học máy tạo ra một siêu phẳng phân tách tối ưu để phân biệt các lớp giống hệt nhau nhưng không độc lập tuyến tính.Vapnik51 đã tạo ra thuật toán phân loại ý định, nhưng thuật toán này gần đây đã được sử dụng để giải quyết các vấn đề định hướng hồi quy. Theo Li và cộng sự52, SVM là một trong những kỹ thuật phân loại tốt nhất và đã được sử dụng trong nhiều lĩnh vực khác nhau. Thành phần hồi quy của SVM (Hồi quy máy vectơ hỗ trợ – SVMR) đã được sử dụng trong phân tích này. Cherkassky và Mulier53 đã đi tiên phong trong SVMR dưới dạng hồi quy dựa trên nhân , việc tính toán được thực hiện bằng mô hình hồi quy tuyến tính với các hàm không gian đa quốc gia. John và cộng sự54 báo cáo rằng mô hình SVMR sử dụng hồi quy tuyến tính siêu phẳng, tạo ra các mối quan hệ phi tuyến tính và cho phép các hàm không gian. Theo Vohland và cộng sự.55, epsilon (ε)-SVMR sử dụng tập dữ liệu được đào tạo để có được mô hình biểu diễn dưới dạng một hàm không nhạy cảm với epsilon được áp dụng để ánh xạ dữ liệu một cách độc lập với độ lệch epsilon tốt nhất từ ​​việc đào tạo trên dữ liệu tương quan. Giá trị thực sẽ bỏ qua lỗi khoảng cách đặt trước và nếu sai số lớn hơn ε(ε), các đặc tính của đất sẽ bù cho nó.
trong đó b đại diện cho ngưỡng vô hướng, \(K\left({x}_{,}{ x}_{k}\right)\) đại diện cho hàm nhân, \(\alpha\) đại diện cho hệ số nhân Lagrange, N đại diện cho một tập dữ liệu số, \({x}_{k}\) đại diện cho đầu vào dữ liệu và \(y\) là đầu ra dữ liệu. xác định mô hình SVMR tối ưu, điều quan trọng để có được hệ số hình phạt tinh vi nhất của tập hợp C và gamma tham số hạt nhân (γ) cho dữ liệu huấn luyện PTE. Đầu tiên, chúng tôi đánh giá tập huấn luyện và sau đó kiểm tra hiệu suất của mô hình trên tập xác thực. Tham số chỉ đạo được sử dụng là sigma và giá trị phương pháp là svmRadial.
Mô hình hồi quy tuyến tính bội (MLR) là một mô hình hồi quy biểu thị mối quan hệ giữa biến phản hồi và một số biến dự đoán bằng cách sử dụng các tham số gộp tuyến tính được tính bằng phương pháp bình phương nhỏ nhất. Trong MLR, mô hình bình phương nhỏ nhất là một hàm dự đoán của các đặc tính của đất sau khi lựa chọn các biến giải thích. Cần sử dụng phản hồi để thiết lập mối quan hệ tuyến tính bằng các biến giải thích. PTE được sử dụng làm biến phản hồi để thiết lập mối quan hệ tuyến tính với các biến giải thích. Phương trình MLR là
trong đó y là biến phản hồi, \(a\) là hệ số chặn, n là số biến dự đoán, \({b}_{1}\) là hồi quy từng phần của các hệ số, \({x}_{ i}\) biểu thị biến dự đoán hoặc biến giải thích và \({\varepsilon }_{i}\) biểu thị lỗi trong mô hình, còn được gọi là phần dư.
Các mô hình hỗn hợp thu được bằng cách ghép EBK với SVMR và MLR. Điều này được thực hiện bằng cách trích xuất các giá trị dự đoán từ phép nội suy EBK. Các giá trị dự đoán thu được từ Ca, K và Mg được nội suy thu được thông qua quy trình tổ hợp để thu được các biến mới, chẳng hạn như CaK, CaMg và KMg. Các nguyên tố Ca, K và Mg sau đó được kết hợp để thu được biến thứ tư, CaKMg. Nhìn chung, các biến thu được là Ca, K, Mg, CaK, CaMg, KMg và CaKMg. Các biến này đã trở thành các yếu tố dự báo của chúng tôi, giúp dự đoán nồng độ niken trong đất đô thị và ven đô. Thuật toán SVMR được thực hiện trên các yếu tố dự đoán để thu được Máy vectơ hỗ trợ Kriging Bayesian mô hình hỗn hợp (EBK_SVM). Tương tự, các biến cũng được dẫn qua thuật toán MLR để thu được một mô hình hỗn hợp Hồi quy tuyến tính đa tuyến tính Kriging-đa thực nghiệm (EBK_MLR). Thông thường, các biến Ca, K, Mg , CaK, CaMg, KMg và CaKMg được sử dụng làm đồng biến như các yếu tố dự đoán hàm lượng Ni trong đất đô thị và ven đô. Mô hình được chấp nhận nhất thu được (EBK_SVM hoặc EBK_MLR) sau đó sẽ được hiển thị bằng biểu đồ tự tổ chức. Quy trình làm việc của nghiên cứu này được thể hiện trong Hình 2.
Việc sử dụng SeOM đã trở thành một công cụ phổ biến để tổ chức, đánh giá và dự báo dữ liệu trong lĩnh vực tài chính, y tế, công nghiệp, thống kê, khoa học đất, v.v. SeOM được tạo bằng cách sử dụng mạng thần kinh nhân tạo và các phương pháp học tập không giám sát để tổ chức, đánh giá và dự đoán. Trong nghiên cứu này, SeOM được sử dụng để trực quan hóa nồng độ Ni dựa trên mô hình tốt nhất để dự đoán Ni trong đất đô thị và ven đô. Dữ liệu được xử lý trong đánh giá SeOM được sử dụng dưới dạng n biến vectơ chiều đầu vào43,56.57 mô tả kết nối của một vectơ đầu vào vào mạng thần kinh thông qua một lớp đầu vào duy nhất đến một vectơ đầu ra với một vectơ trọng số duy nhất. Đầu ra do SeOM tạo ra là một bản đồ hai chiều bao gồm các nơ-ron hoặc nút khác nhau được dệt thành các bản đồ tô pô hình lục giác, hình tròn hoặc hình vuông tùy theo độ gần của chúng. So sánh kích thước bản đồ dựa trên số liệu, lỗi lượng tử hóa (QE) và lỗi địa hình (TE), mô hình SeOM với 0,086 và 0,904 tương ứng được chọn, là 55- đơn vị bản đồ (5 × 11). Cấu trúc nơ-ron được xác định theo số nút trong phương trình thực nghiệm
Số lượng dữ liệu được sử dụng trong nghiên cứu này là 115 mẫu. Một cách tiếp cận ngẫu nhiên đã được sử dụng để chia dữ liệu thành dữ liệu thử nghiệm (25% để xác thực) và tập dữ liệu huấn luyện (75% để hiệu chuẩn). Tập dữ liệu huấn luyện được sử dụng để tạo mô hình hồi quy (hiệu chuẩn) và tập dữ liệu thử nghiệm được sử dụng để xác minh khả năng khái quát hóa58. Điều này được thực hiện để đánh giá tính phù hợp của các mô hình khác nhau để dự đoán hàm lượng niken trong đất. Tất cả các mô hình được sử dụng đều trải qua quá trình xác thực chéo mười lần, lặp lại năm lần. Phép nội suy K được sử dụng làm biến dự đoán hoặc biến giải thích để dự đoán biến mục tiêu (PTE). Việc lập mô hình được xử lý trong RStudio bằng cách sử dụng thư viện gói (Kohonen), thư viện (dấu mũ), thư viện (modelr), thư viện (“e1071″), thư viện (“plyr”), thư viện (“caTools”), thư viện (”prospectr”) và các thư viện ("Metrics").
Các tham số xác nhận khác nhau đã được sử dụng để xác định mô hình tốt nhất phù hợp để dự đoán nồng độ niken trong đất và để đánh giá độ chính xác của mô hình và xác nhận của nó. mô hình sử dụng các tham số xác thực, giá trị càng gần 1 thì độ chính xác càng cao. Theo Li et al.59, giá trị tiêu chí R2 từ 0,75 trở lên được coi là một yếu tố dự đoán tốt;từ 0,5 đến 0,75 là hiệu suất mô hình có thể chấp nhận được và dưới 0,5 là hiệu suất mô hình không thể chấp nhận được. Khi chọn một mô hình bằng các phương pháp đánh giá tiêu chí xác thực RMSE và MAE, các giá trị thấp hơn thu được là đủ và được coi là lựa chọn tốt nhất. Phương trình sau đây mô tả phương pháp xác minh.
trong đó n đại diện cho kích thước của giá trị được quan sát\({Y}_{i}\) đại diện cho phản hồi đo được và \({\widehat{Y}}_{i}\) cũng đại diện cho giá trị phản hồi được dự đoán, do đó, đối với lần quan sát i đầu tiên.
Mô tả thống kê của các biến dự đoán và biến phản hồi được trình bày trong Bảng 1, thể hiện giá trị trung bình, độ lệch chuẩn (SD), hệ số biến thiên (CV), tối thiểu, tối đa, độ nhọn và độ lệch. Giá trị tối thiểu và tối đa của các nguyên tố lần lượt theo thứ tự giảm dần là Mg < Ca < K < Ni và Ca < Mg < K < Ni. Nồng độ của biến phản hồi (Ni) được lấy mẫu tại khu vực nghiên cứu dao động trong khoảng 4,86 ​​đến 42,39 mg/kg. So sánh giữa Ni với biến mức trung bình của thế giới (29 mg/kg) và mức trung bình của châu Âu (37 mg/kg) cho thấy giá trị trung bình hình học được tính toán tổng thể cho khu vực nghiên cứu nằm trong phạm vi có thể chấp nhận được. Tuy nhiên, như Kabata-Pendias11 đã chỉ ra, so sánh nồng độ niken (Ni) trung bình trong nghiên cứu hiện tại với đất nông nghiệp ở Thụy Điển cho thấy nồng độ niken trung bình hiện tại cao hơn. Tương tự như vậy, nồng độ trung bình của Frydek Mistek trong đất đô thị và ven đô trong nghiên cứu hiện tại (Ni 16,15 mg/kg) ) cao hơn giới hạn cho phép là 60 (10,2 mg/kg) đối với Ni trong đất đô thị Ba Lan do Różański và cộng sự báo cáo. Hơn nữa, Bretzel và Calderisi61 ghi nhận nồng độ Ni trung bình rất thấp (1,78 mg/kg) trong đất đô thị ở Tuscany so với nghiên cứu hiện tại. Jim62 cũng tìm thấy nồng độ niken thấp hơn (12,34 mg/kg) trong đất đô thị Hồng Kông, thấp hơn nồng độ niken hiện tại trong nghiên cứu này .Birke et al63 đã báo cáo nồng độ Ni trung bình là 17,6 mg/kg trong một khu công nghiệp đô thị và khai khoáng cũ ở Saxony-Anhalt, Đức, cao hơn 1,45 mg/kg so với nồng độ Ni trung bình trong khu vực (16,15 mg/kg).64 rằng ngành công nghiệp thép và gia công kim loại là nguồn ô nhiễm niken chính trong đất. Tuy nhiên, các yếu tố dự báo cũng nằm trong khoảng từ 538,70 mg/kg đến 69.161,80 mg/kg đối với Ca, 497,51 mg/kg đến 3535,68 mg/kg đối với K và 685,68 mg/kg đến 5970,05 mg/kg đối với Mg.Jakovljevic et al.65 đã điều tra tổng hàm lượng Mg và K trong đất ở miền trung Serbia. Họ phát hiện ra rằng tổng nồng độ (lần lượt là 410 mg/kg và 400 mg/kg) thấp hơn nồng độ Mg và K của nghiên cứu hiện tại. Không thể phân biệt được, ở miền đông Ba Lan, Orzechowski và Smolczynski66 đã đánh giá tổng hàm lượng Ca, Mg và K và cho thấy nồng độ trung bình của Ca (1100 mg/kg), Mg (590 mg/kg) và K (810 mg/kg) Hàm lượng trong lớp đất mặt thấp hơn so với nguyên tố đơn lẻ trong nghiên cứu này. Một nghiên cứu gần đây của Pongrac et al.67 cho thấy tổng hàm lượng Ca được phân tích trong 3 loại đất khác nhau ở Scotland, Vương quốc Anh (đất Mylnefield, đất Balruddery và đất Hartwood) cho thấy hàm lượng Ca cao hơn trong nghiên cứu này.
Do nồng độ đo được của các phần tử được lấy mẫu khác nhau, phân phối tập dữ liệu của các phần tử thể hiện độ lệch khác nhau. Độ lệch và độ nhọn của các phần tử lần lượt nằm trong khoảng từ 1,53 đến 7,24 và 2,49 đến 54,16. Tất cả các phần tử được tính toán đều có độ lệch và độ nhọn trên +1, do đó cho thấy phân phối dữ liệu không đều, lệch đúng hướng và đạt cực đại. CV ước tính của các phần tử cũng cho thấy K, Mg , và Ni thể hiện độ biến thiên vừa phải, trong khi Ca có độ biến thiên cực cao. CV của K, Ni và Mg giải thích sự phân bố đồng đều của chúng. Hơn nữa, sự phân bố Ca không đồng đều và các nguồn bên ngoài có thể ảnh hưởng đến mức độ làm giàu của nó.
Mối tương quan của các biến dự đoán với các yếu tố phản hồi cho thấy mối tương quan thỏa đáng giữa các yếu tố (xem Hình 3). Mối tương quan cho thấy CaK thể hiện mối tương quan vừa phải với giá trị r = 0,53, cũng như CaNi. Mặc dù Ca và K thể hiện mối liên hệ khiêm tốn với nhau, nhưng các nhà nghiên cứu như Kingston và cộng sự.68 và Santo69 cho rằng hàm lượng của chúng trong đất tỷ lệ nghịch với nhau. Tuy nhiên, Ca và Mg là đối kháng với K, nhưng CaK tương quan tốt. Điều này có thể là do việc bón phân như kali cacbonat, có hàm lượng kali cao hơn 56%. Kali có tương quan vừa phải với magiê (KM r = 0,63). Trong ngành phân bón, hai nguyên tố này có liên quan chặt chẽ với nhau vì kali magiê sunfat, kali magiê nitrat và kali được bón vào đất để tăng mức độ thiếu hụt của chúng. Niken có liên quan vừa phải tương quan với Ca, K và Mg với các giá trị r lần lượt = 0,52, 0,63 và 0,55. Mối quan hệ giữa canxi, magie và PTE như niken rất phức tạp, nhưng dù sao magie cũng ức chế sự hấp thụ canxi, canxi làm giảm tác dụng của lượng magie dư thừa và cả magie và canxi đều làm giảm tác dụng độc hại của niken trong đất.
Ma trận tương quan cho các yếu tố thể hiện mối quan hệ giữa yếu tố dự đoán và phản hồi (Lưu ý: hình này bao gồm biểu đồ phân tán giữa các yếu tố, mức ý nghĩa dựa trên p < 0,001).
Hình 4 minh họa sự phân bố không gian của các nguyên tố. Theo Burgos và cộng sự, ứng dụng phân bố không gian là một kỹ thuật được sử dụng để định lượng và làm nổi bật các điểm nóng trong khu vực bị ô nhiễm. Mức độ làm giàu Ca trong Hình 4 có thể được nhìn thấy ở phần phía tây bắc của bản đồ phân bố không gian. Hình này cho thấy các điểm nóng làm giàu Ca ở mức trung bình đến cao. Việc làm giàu canxi ở phía tây bắc của bản đồ có thể là do việc sử dụng vôi sống (canxi oxit) để giảm độ chua của đất và sử dụng nó trong các nhà máy thép làm oxy kiềm trong quá trình luyện thép. Mặt khác, những người nông dân khác thích sử dụng canxi hydroxit trong đất chua để trung hòa độ pH, điều này cũng làm tăng hàm lượng canxi trong đất71. Kali cũng cho thấy các điểm nóng ở phía tây bắc và phía đông của bản đồ. Tây Bắc là một cộng đồng nông nghiệp lớn và mô hình kali từ trung bình đến cao có thể là do ứng dụng NPK và kali. 5, người đã quan sát thấy rằng việc ổn định và xử lý đất bằng KCl và NPK dẫn đến hàm lượng K cao trong đất.Làm giàu kali theo không gian ở phía tây bắc của bản đồ phân bố có thể là do việc sử dụng phân bón gốc kali như kali clorua, kali sulfat, kali nitrat, kali và kali để tăng hàm lượng kali trong đất nghèo.Zádorová et al.76 và Tlustoš et al.77 đã phác thảo rằng việc bón phân bón chứa K làm tăng hàm lượng K trong đất và sẽ làm tăng đáng kể hàm lượng dinh dưỡng của đất về lâu dài, đặc biệt là K và Mg thể hiện một điểm nóng trong đất. sự thiếu hụt (thực vật có màu tím, đỏ hoặc nâu, cho thấy thiếu magiê) trong đất có độ pH bình thường6. Sự tích tụ niken trên bề mặt đất đô thị và ven đô thị có thể là do các hoạt động nhân tạo như nông nghiệp và tầm quan trọng của niken trong sản xuất thép không gỉ78.
Phân phối không gian của các phần tử [bản đồ phân phối không gian được tạo bằng ArcGIS Desktop (ESRI, Inc, Phiên bản 10.7, URL: https://desktop.arcgis.com).]
Kết quả chỉ số hiệu suất mô hình cho các yếu tố được sử dụng trong nghiên cứu này được trình bày trong Bảng 2. Mặt khác, RMSE và MAE của Ni đều gần bằng 0 (0,86 RMSE, -0,08 MAE). Mặt khác, cả hai giá trị RMSE và MAE của K đều có thể chấp nhận được. Kết quả RMSE và MAE đối với canxi và magiê lớn hơn. Kết quả Ca và K MAE và RMSE lớn hơn do các bộ dữ liệu khác nhau. RMSE và MAE của nghiên cứu này sử dụng EBK để dự đoán Ni được cho là tốt hơn so với kết quả của John et al.54 bằng cách sử dụng kỹ thuật cắt kết hợp để dự đoán nồng độ S trong đất bằng cách sử dụng cùng một dữ liệu được thu thập. Kết quả EBK mà chúng tôi nghiên cứu tương quan với kết quả của Fabijaczyk et al.41, Yan et al.79, Bắt đầu và cộng sự.80, Adhikary và cộng sự.81 và John et al.82, đặc biệt là K và Ni.
Hiệu suất của các phương pháp riêng lẻ để dự đoán hàm lượng niken trong đất đô thị và đất ven đô được đánh giá bằng cách sử dụng hiệu suất của các mô hình (Bảng 3). Việc xác thực và đánh giá độ chính xác của mô hình đã xác nhận rằng công cụ dự đoán Ca_Mg_K kết hợp với mô hình EBK SVMR mang lại hiệu suất tốt nhất. Mô hình hiệu chỉnh Ca_Mg_K-EBK_SVMR mô hình R2, sai số bình phương trung bình gốc (RMSE) và sai số tuyệt đối trung bình (MAE) là 0,637 (R2), 95,479 mg/kg (RMSE) ) và 77,368 mg/kg (MAE) Ca_Mg_K-SVMR là 0,663 (R2), 235,974 mg/kg (RMSE) và 166,946 mg/kg (MAE). Tuy nhiên, các giá trị R2 tốt đã thu được đối với Ca_Mg_K-SVMR (0,663 mg/kg R2) và Ca_Mg-EBK_SVMR (0,643 = R2 );kết quả RMSE và MAE của chúng cao hơn so với kết quả của Ca_Mg_K-EBK_SVMR (R2 0,637) (xem Bảng 3). Ngoài ra, RMSE và MAE của mô hình Ca_Mg-EBK_SVMR (RMSE = 1664,64 và MAE = 1031,49) lần lượt là 17,5 và 13,4, lớn hơn kết quả của mô hình Ca_Mg_K-EBK_ SVMR. Tương tự như vậy, RMSE và MAE của mô hình Ca_Mg-K SVMR (RMSE = 235,974 và MAE = 166,946) lần lượt lớn hơn 2,5 và 2,2 so với RMSE và MAE của Ca_Mg_K-EBK_SVMR. Các kết quả RMSE được tính toán cho biết mức độ tập trung của tập dữ liệu với dòng phù hợp nhất. Quan sát thấy RSME và MAE cao hơn. Theo Kebonye et al.46 và John et al.54, RMSE và MAE càng gần 0 thì kết quả càng tốt. SVMR và EBK_SVMR có các giá trị RSME và MAE được lượng tử hóa cao hơn. Người ta quan sát thấy rằng các ước tính RSME luôn cao hơn các giá trị MAE, cho thấy sự hiện diện của các giá trị ngoại lệ. Theo Legate và McCabe83, mức độ mà RMSE vượt quá sai số tuyệt đối trung bình (MAE) được khuyến nghị như một chỉ báo về sự hiện diện của các giá trị ngoại lai. Điều này có nghĩa là tập dữ liệu càng không đồng nhất thì càng cao Các giá trị MAE và RMSE. Độ chính xác của đánh giá xác thực chéo của mô hình hỗn hợp Ca_Mg_K-EBK_SVMR để dự đoán hàm lượng Ni trong đất đô thị và ngoại ô là 63,70%. Theo Li et al.59, mức độ chính xác này là tỷ lệ hiệu suất mô hình có thể chấp nhận được. Kết quả hiện tại được so sánh với nghiên cứu trước đây của Tarasov et al.36 có mô hình lai tạo MLPRK (Multilayer Perceptron Residual Kriging), liên quan đến chỉ số đánh giá độ chính xác EBK_SVMR được báo cáo trong nghiên cứu hiện tại, RMSE (210) và The MAE (167,5) cao hơn kết quả của chúng tôi trong nghiên cứu hiện tại (RMSE 95,479, MAE 77,368). Tuy nhiên, khi so sánh R2 của nghiên cứu hiện tại (0,637) với kết quả của Tarasov và cộng sự.36 (0,544), rõ ràng là hệ số xác định (R2) cao hơn trong mô hình hỗn hợp này. Biên độ sai số (RMSE và MAE) (EBK SVMR) đối với mô hình hỗn hợp thấp hơn hai lần. Tương tự như vậy, Sergeev và cộng sự 34 ghi nhận 0,28 (R2) đối với mô hình kết hợp đã phát triển (Multilayer Perceptron Residual Kriging), trong khi Ni trong nghiên cứu hiện tại ghi nhận 0,637 (R2). Mức độ chính xác dự đoán của mô hình này ( EBK SVMR) là 63,7%, trong khi độ chính xác dự đoán thu được bởi Sergeev et al.34 là 28%. Bản đồ cuối cùng (Hình 5) được tạo bằng mô hình EBK_SVMR và Ca_Mg_K làm công cụ dự báo cho thấy dự đoán về các điểm nóng và niken ở mức trung bình trên toàn bộ khu vực nghiên cứu. Điều này có nghĩa là nồng độ niken trong khu vực nghiên cứu chủ yếu ở mức trung bình, với nồng độ cao hơn ở một số khu vực cụ thể.
Bản đồ dự đoán cuối cùng được biểu diễn bằng mô hình kết hợp EBK_SVMR và sử dụng Ca_Mg_K làm công cụ dự đoán. [Bản đồ phân bố không gian được tạo bằng RStudio (phiên bản 1.4.1717: https://www.rstudio.com/).]
Được trình bày trong Hình 6 là nồng độ PTE dưới dạng một mặt phẳng tổng hợp bao gồm các nơ-ron riêng lẻ. Không có mặt phẳng thành phần nào thể hiện cùng một kiểu màu như được hiển thị. Tuy nhiên, số lượng nơ-ron thích hợp trên mỗi bản đồ được vẽ là 55. SeOM được tạo ra bằng nhiều màu sắc khác nhau và các kiểu màu càng giống nhau thì các thuộc tính của mẫu càng giống nhau. Theo thang màu chính xác của chúng, các nguyên tố riêng lẻ (Ca, K và Mg) cho thấy các kiểu màu tương tự với các nơ-ron cao đơn lẻ và hầu hết các nơ-ron thấp. Do đó, CaK và CaMg có một số điểm tương đồng với-rất cao. sắp xếp các tế bào thần kinh và các mẫu màu từ thấp đến trung bình. Cả hai mô hình đều dự đoán nồng độ Ni trong đất bằng cách hiển thị các màu từ trung bình đến cao như đỏ, cam và vàng. Mô hình KMg hiển thị nhiều mẫu màu cao dựa trên tỷ lệ chính xác và các mảng màu từ thấp đến trung bình. Trên thang màu chính xác từ thấp đến cao, mẫu phân bố phẳng của các thành phần của mô hình cho thấy mẫu màu cao cho thấy nồng độ tiềm năng của niken trong đất (xem Hình 4). Mặt phẳng thành phần của mô hình CakMg hiển thị mẫu màu đa dạng từ thấp đến cao theo độ chính xác thang màu. Hơn nữa, dự đoán của mô hình về hàm lượng niken (CakMg) tương tự như sự phân bố không gian của niken trong Hình 5. Cả hai biểu đồ đều cho thấy tỷ lệ nồng độ niken cao, trung bình và thấp trong đất đô thị và ven đô. Hình 7 mô tả phương pháp đường đồng mức trong nhóm k-mean trên bản đồ, được chia thành ba cụm dựa trên giá trị dự đoán trong mỗi mô hình. 74. Cụm 2 nhận được 33 mẫu, trong khi cụm 3 nhận được 8 mẫu. Tổ hợp công cụ dự báo phẳng gồm bảy thành phần đã được đơn giản hóa để cho phép diễn giải cụm chính xác. Do có nhiều quá trình nhân tạo và tự nhiên ảnh hưởng đến sự hình thành đất nên rất khó để phân biệt đúng các mẫu cụm trong bản đồ SeOM phân tán78.
Đầu ra mặt phẳng thành phần theo từng biến số Máy véc tơ hỗ trợ Bayesian Kriging theo kinh nghiệm (EBK_SVM_SeOM).[Bản đồ SeOM được tạo bằng RStudio (phiên bản 1.4.1717: https://www.rstudio.com/).]
Các thành phần phân loại cụm khác nhau [Bản đồ SeOM được tạo bằng RStudio (phiên bản 1.4.1717: https://www.rstudio.com/).]
Nghiên cứu hiện tại minh họa rõ ràng các kỹ thuật mô hình hóa nồng độ niken trong đất đô thị và ven đô. Nghiên cứu đã thử nghiệm các kỹ thuật mô hình hóa khác nhau, kết hợp các yếu tố với kỹ thuật mô hình hóa, để có được cách tốt nhất để dự đoán nồng độ niken trong đất. Các đặc điểm không gian phẳng thành phần SeOM của kỹ thuật mô hình hóa thể hiện mô hình màu sắc từ thấp đến cao trên thang màu chính xác, biểu thị nồng độ Ni trong đất. Tuy nhiên, bản đồ phân bố không gian xác nhận sự phân bố không gian phẳng của các thành phần do EBK_SVMR thể hiện (xem Hình 5). Mg K-SVMR) dự đoán nồng độ Ni trong đất dưới dạng một mô hình duy nhất, nhưng các tham số đánh giá độ chính xác và xác thực cho thấy sai số rất cao về RMSE và MAE. Mặt khác, kỹ thuật lập mô hình được sử dụng với mô hình EBK_MLR cũng có sai sót do giá trị của hệ số xác định (R2) thấp. Kết quả tốt đã thu được khi sử dụng EBK SVMR và các yếu tố kết hợp (CaKMg) với sai số RMSE và MAE thấp với độ chính xác 63,7%. Hóa ra là việc kết hợp thuật toán EBK với học máy thuật toán có thể tạo ra một thuật toán lai có thể dự đoán nồng độ PTE trong đất. Kết quả cho thấy rằng việc sử dụng Ca Mg K làm yếu tố dự báo để dự đoán nồng độ Ni trong khu vực nghiên cứu có thể cải thiện dự đoán về Ni trong đất. Điều này có nghĩa là việc sử dụng liên tục phân bón gốc niken và ô nhiễm đất công nghiệp của ngành thép có xu hướng làm tăng nồng độ niken trong đất. mô hình EBK-SVMR đánh giá và dự báo PTE trong đất;Ngoài ra, chúng tôi đề xuất sử dụng EBK để kết hợp với các thuật toán học máy khác nhau. Nồng độ Ni được dự đoán bằng cách sử dụng các phần tử dưới dạng đồng biến;tuy nhiên, việc sử dụng nhiều đồng biến hơn sẽ cải thiện đáng kể hiệu suất của mô hình, đây có thể được coi là một hạn chế của công việc hiện tại. Một hạn chế khác của nghiên cứu này là số lượng bộ dữ liệu là 115. Do đó, nếu cung cấp nhiều dữ liệu hơn, hiệu suất của phương pháp lai được tối ưu hóa được đề xuất có thể được cải thiện.
PlantProbs.net.Nickel trong Thực vật và Đất https://plantprobs.net/plant/nutrientImbalances/sodium.html (Truy cập ngày 28 tháng 4 năm 2021).
Kasprzak, KS Nickel tiến bộ trong độc học môi trường hiện đại.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: Đánh giá về các nguồn của nó và độc học môi trường.Polish J. Môi trường.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC Đầu vào gây ô nhiễm từ khí quyển và sự tích tụ trong đất và thảm thực vật gần nhà máy luyện đồng-niken ở Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. và cộng sự. Kim loại nặng trong đất, thực vật và rủi ro liên quan đến động vật nhai lại chăn thả gần mỏ đồng-niken Selebi-Phikwe ở Botswana.surroundings.Geochemology.Health https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Nguyên tố vết trong đất và… – Google Scholar https://scholar.google.com/scholar?hl=vi&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+plants.+4th+ed.+New+York+%28NY%29%3A +CRC+Press&btnG= (Truy cập ngày 24 tháng 11 năm 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Ảnh hưởng của ngành công nghiệp niken Nga đối với nồng độ kim loại nặng trong đất nông nghiệp và cỏ ở Soer-Varanger, Na Uy.agris.fao.org.
Nielsen, GD et al. Sự hấp thụ và giữ niken trong nước uống có liên quan đến lượng thức ăn ăn vào và độ nhạy cảm với niken.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Chất gây ung thư niken, đột biến, biểu sinh hoặc chọn lọc.xung quanh.Lối nhìn về Sức khỏe.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​NM;Phân tích xu hướng của các nguyên tố có khả năng gây độc: đánh giá thư mục.Địa hóa môi trường và sức khỏe.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. Lập bản đồ đất kỹ thuật số.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=vi&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (Truy cập ngày 28 tháng 4 2 021).