The bayesian model of the interdependencies between soil sorption features

• Autorzy: Gruszczyński, S.

Warianty tytułu

PL

Model bayesowski współzależności między cechami sorpcyjnymi gleb

• Języki publikacji: EN

Abstrakty

EN

The paper presents a qualitative, Bayesian model used to determine some interdependencies between sorption features for mineral soils in southern Poland. Sorption properties are very important, crucial for measure of fertility, nutrient retention capacity, and the capacity to protect groundwater from contamination. Cation exchange capacity (CEC) is a commonly applied indicator of the soils conditions or vulnerability. Base saturation (BS) is an important element of hazard degree assessment in soils lying within reach of impact of acidifying agents. The considered soils represented different valuation classes and differed in their typology. The Bayesian model is used for interdependences assessment.

PL

Praca przedstawia jakościowy, bayesowski model niektórych współzależności między cechami sorpcyjnymi mineralnych gleb opróbowanych w południowej Polsce. Właściwości sorpcyjne są ważnymi cechami, współdecydującymi o poziomie nawożenia, zasobności w składniki pokarmowe oraz zdolności do ochrony wód gruntowych przed zanieczyszczeniem. Pojemność wymienna kationów jest powszechnie używanym wskaźnikiem stanu gleb i ich odporności na różnorodne wpływy. Stopień wysycenia kationami zasadowymi jest ważnym czynnikiem kształtowania ryzyka środowiskowego związanego z procesami zakwaszania gleb. Badane gleby reprezentują różne klasy bonitacyjne i typologię. Do oceny współzależności zastosowano model bayesowski.

Słowa kluczowe

PL

właściwości sorpcyjne; gleba mineralna; współzależność; model bayesowski

EN

belief network; soil sorption feature; interdependencies

• Czasopismo: Archives of Environmental Protection
• Rocznik: 2010
• Tom: Vol. 36, no. 2
• Strony: 25-34
• Opis fizyczny: bibliogr. 8 poz., tab., wykr.

Twórcy

autor

Gruszczyński, S.

• AGH-University of Science and Technology, Faculty of Mining Surveying and Environmental Engineering al. A. Mickiewicza 30, 30-059 Kraków, Poland,

Bibliografia

• [1] Bishop C.M.: Pattern Recognition and Machine Learning, Springer, 2006.
• [2] Cichosz P.: Learning systems, Wydawnictwa Naukowo-Techniczne, Warszawa 2000.
• [3] Druzdzel M.J.: A development environment for graphical decision-analytic models, [in:] Proceedings of the 1999 Annual Symposium of the American Medical Informatics Association (AMIA-1999), Washington D.C., November 1999.
• [4] Fooladmand H.R.: Estimating cation exchange capacity using soil textural data and soil organic matter content: A case study for the south of Iran, Archives of Agronomy and Soil Science, 54(4), 381-386 (2008).
• [5] Gruszczyński S., T. Eckes, T. Gołda, M. Trafas, P. Wojtanowicz, K. Urbański: The principles for determination of industrial soils quality in the reclaimed areas, Factual report for the final report on the implementation of the research project no. 4 T 12 E 041 29, Technical report, AGH-University of Science and Technology, Krakow 2008.
• [6] Horn A.L., R.-A. Düring, S. Gäth: Comparison of the prediction efficiency of two pedotransfer functions for soil cation-exchange capacity, Journal of Plant Nutrition and Soil Science, 168, 372-374 (2005).
• [7] McBratney A.B., B. Minasny, S.R. Cattle, R.W. Vervoort: From pedotransfer functions to soil inference systems, Geoderma, 109(1-2), 41-73 (2002).
• [8] Myślińska E.: Laboratory testing of soils (In Polish), Wydawnictwo Naukowe PWN, Warszawa 1998.