Prediction of the concentration of antimony in agricultural soil using data fusion, terrain attributes combined with regression kriging

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F60460709%3A41210%2F23%3A92003" target="_blank" >RIV/60460709:41210/23:92003 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.sciencedirect.com/science/article/pii/S026974912201911X" target="_blank" >https://www.sciencedirect.com/science/article/pii/S026974912201911X</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1016/j.envpol.2022.120697" target="_blank" >10.1016/j.envpol.2022.120697</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Prediction of the concentration of antimony in agricultural soil using data fusion, terrain attributes combined with regression kriging

Popis výsledku v původním jazyce

Potentially toxic elements in agricultural soils are primarily derived from anthropogenic and geogenic sources. This study aims to predict and map antimony Sb concentration in soil using multiple regression kriging in two distinct modeling approaches, namely Sb prediction using data fusion coupled with regression kriging scenario 1 and Sb prediction using data fusion, terrain attributes, and regression kriging scenario 2. Cubist regression kriging, conditional inference forest regression kriging, extreme gradient boosting regression kriging and random forest regression kriging were the modeling techniques used in the estimation of Sb concentration in agricultural soil.

Název v anglickém jazyce

Prediction of the concentration of antimony in agricultural soil using data fusion, terrain attributes combined with regression kriging

Popis výsledku anglicky

Potentially toxic elements in agricultural soils are primarily derived from anthropogenic and geogenic sources. This study aims to predict and map antimony Sb concentration in soil using multiple regression kriging in two distinct modeling approaches, namely Sb prediction using data fusion coupled with regression kriging scenario 1 and Sb prediction using data fusion, terrain attributes, and regression kriging scenario 2. Cubist regression kriging, conditional inference forest regression kriging, extreme gradient boosting regression kriging and random forest regression kriging were the modeling techniques used in the estimation of Sb concentration in agricultural soil.

Druh

J_imp - Článek v periodiku v databázi Web of Science

CEP obor

—

OECD FORD obor

40104 - Soil science

Projekt

<a href="/cs/project/EF16_019%2F0000845" target="_blank" >EF16_019/0000845: Centrum pro studium vzniku a transformací nutričně významných látek v potravním řetězci v interakci s potenciálně rizikovými látkami antropogenního původu: komplexní posouzení rizika kontaminace půdy pro kvalitu zemědělské produkce</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Environmental Pollution

ISSN

0269-7491

e-ISSN

0269-7491

Svazek periodika

316

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

GB - Spojené království Velké Británie a Severního Irska

Počet stran výsledku

12

Strana od-do

—

Kód UT WoS článku

000904720000006

EID výsledku v databázi Scopus

2-s2.0-85142357919