Nature.com-এ আসার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজার সংস্করণটি ব্যবহার করছেন তাতে CSS-এর সীমিত সমর্থন রয়েছে। সর্বোত্তম অভিজ্ঞতার জন্য, আমরা আপনাকে একটি হালনাগাদ ব্রাউজার ব্যবহার করার (অথবা ইন্টারনেট এক্সপ্লোরারে কম্প্যাটিবিলিটি মোড বন্ধ করার) পরামর্শ দিচ্ছি। আপাতত, নিরবচ্ছিন্ন সমর্থন নিশ্চিত করার জন্য, আমরা স্টাইল এবং জাভাস্ক্রিপ্ট ছাড়াই সাইটটি প্রদর্শন করব।
মানুষের কার্যকলাপের কারণে সৃষ্ট মৃত্তিকা দূষণ একটি বড় সমস্যা। বেশিরভাগ শহুরে এবং শহরতলী এলাকায় সম্ভাব্য বিষাক্ত মৌলসমূহের (PTEs) স্থানিক বন্টন ভিন্ন ভিন্ন হয়। তাই, এই ধরনের মাটিতে PTEs-এর পরিমাণ স্থানিকভাবে পূর্বাভাস দেওয়া কঠিন। চেক প্রজাতন্ত্রের ফ্রাইডেক মিস্টেক থেকে মোট ১১৫টি নমুনা সংগ্রহ করা হয়েছিল। ইন্ডাকটিভলি কাপলড প্লাজমা এমিশন স্পেকট্রোমেট্রি ব্যবহার করে ক্যালসিয়াম (Ca), ম্যাগনেসিয়াম (Mg), পটাশিয়াম (K) এবং নিকেল (Ni)-এর ঘনত্ব নির্ণয় করা হয়েছিল। রেসপন্স ভ্যারিয়েবল হলো Ni এবং প্রেডিক্টরগুলো হলো Ca, Mg, এবং K। রেসপন্স ভ্যারিয়েবল এবং প্রেডিক্টর ভ্যারিয়েবলের মধ্যে কোরিলেশন ম্যাট্রিক্স মৌলগুলোর মধ্যে একটি সন্তোষজনক সম্পর্ক দেখায়। পূর্বাভাসের ফলাফল থেকে দেখা যায় যে সাপোর্ট ভেক্টর মেশিন রিগ্রেশন (SVMR) ভালো কাজ করেছে, যদিও এর আনুমানিক রুট মিন স্কয়ার এরর (RMSE) (২৩৫.৯৭৪ মিলিগ্রাম/কেজি) এবং মিন অ্যাবসোলিউট এরর (MAE) (১৬৬.৯৪৬ মিলিগ্রাম/কেজি) প্রয়োগকৃত অন্যান্য পদ্ধতির তুলনায় বেশি ছিল। এম্পিরিক্যাল বেসিয়ান ক্রিগিং-মাল্টিপল লিনিয়ার রিগ্রেশনের জন্য মিশ্র মডেল। (EBK-MLR) মডেলটি দুর্বল কার্যকারিতা প্রদর্শন করে, যার প্রমাণ হলো এর নির্ণয় সহগ (coefficients of determination) ০.১-এর কম। এম্পিরিক্যাল বেসিয়ান ক্রিগিং-সাপোর্ট ভেক্টর মেশিন রিগ্রেশন (EBK-SVMR) মডেলটি ছিল সর্বোত্তম মডেল, যার RMSE (৯৫.৪৭৯ মিলিগ্রাম/কেজি) এবং MAE (৭৭.৩৬৮ মিলিগ্রাম/কেজি)-এর মান কম এবং নির্ণয় সহগ (R2 = ০.৬৩৭) বেশি। EBK-SVMR মডেলিং কৌশলের আউটপুট একটি সেলফ-অর্গানাইজিং ম্যাপ ব্যবহার করে দৃশ্যমান করা হয়েছে। হাইব্রিড মডেল CakMg-EBK-SVMR উপাদানের সমতলে গুচ্ছবদ্ধ নিউরনগুলো একাধিক রঙের বিন্যাস প্রদর্শন করে, যা শহুরে এবং উপশহুরে মাটির নিকেল (Ni) ঘনত্বের পূর্বাভাস দেয়। ফলাফল থেকে প্রমাণিত হয় যে, শহুরে এবং উপশহুরে মাটির নিকেল (Ni) ঘনত্বের পূর্বাভাস দেওয়ার জন্য EBK এবং SVMR-এর সমন্বয় একটি কার্যকর কৌশল।
নিকেল (Ni) উদ্ভিদের জন্য একটি অণুপোষক হিসেবে বিবেচিত হয় কারণ এটি বায়ুমণ্ডলীয় নাইট্রোজেন সংবন্ধন (N) এবং ইউরিয়া বিপাকে অবদান রাখে, যা উভয়ই বীজ অঙ্কুরোদগমের জন্য প্রয়োজনীয়। বীজ অঙ্কুরোদগমে অবদান রাখার পাশাপাশি, নিকেল ছত্রাক ও ব্যাকটেরিয়ার প্রতিরোধক হিসেবে কাজ করতে পারে এবং উদ্ভিদের বৃদ্ধিকে ত্বরান্বিত করে। মাটিতে নিকেলের অভাব হলে উদ্ভিদ তা শোষণ করে, যার ফলে পাতায় ক্লোরোসিস দেখা দেয়। উদাহরণস্বরূপ, নাইট্রোজেন সংবন্ধনকে সর্বোত্তম করতে কাউপি এবং সবুজ শিমের জন্য নিকেল-ভিত্তিক সার প্রয়োগ করা প্রয়োজন। মাটিকে সমৃদ্ধ করতে এবং মাটিতে শিম জাতীয় উদ্ভিদের নাইট্রোজেন সংবন্ধনের ক্ষমতা বাড়ানোর জন্য নিকেল-ভিত্তিক সারের ক্রমাগত প্রয়োগ মাটিতে নিকেলের ঘনত্ব ক্রমাগত বাড়িয়ে তোলে। যদিও নিকেল উদ্ভিদের জন্য একটি অণুপোষক, মাটিতে এর অতিরিক্ত গ্রহণ উপকারের চেয়ে বেশি ক্ষতি করতে পারে। মাটিতে নিকেলের বিষাক্ততা মাটির pH কমিয়ে দেয় এবং উদ্ভিদের বৃদ্ধির জন্য অপরিহার্য পুষ্টি উপাদান আয়রনের শোষণকে বাধাগ্রস্ত করে। লিউ-এর মতে, উদ্ভিদের বিকাশ ও বৃদ্ধির জন্য প্রয়োজনীয় ১৭তম গুরুত্বপূর্ণ উপাদান হিসেবে নিকেলকে চিহ্নিত করা হয়েছে। উদ্ভিদের বিকাশ ও বৃদ্ধিতে নিকেলের ভূমিকা ছাড়াও, মানুষের বিভিন্ন প্রয়োজনে এটি প্রয়োজন। বিভিন্ন শিল্প খাতে ইলেক্ট্রোপ্লেটিং, নিকেল-ভিত্তিক সংকর ধাতু উৎপাদন, এবং মোটরগাড়ি শিল্পে ইগনিশন ডিভাইস ও স্পার্ক প্লাগ তৈরির জন্য নিকেলের ব্যবহার প্রয়োজন হয়। এছাড়াও, নিকেল-ভিত্তিক সংকর ধাতু এবং ইলেক্ট্রোপ্লেটেড সামগ্রী রান্নাঘরের সরঞ্জাম, বলরুমের আনুষঙ্গিক সামগ্রী, খাদ্য শিল্পের সরবরাহ, বৈদ্যুতিক সরঞ্জাম, তার ও ক্যাবল, জেট টারবাইন, সার্জিক্যাল ইমপ্লান্ট, বস্ত্রশিল্প এবং জাহাজ নির্মাণে ব্যাপকভাবে ব্যবহৃত হয়ে আসছে। মাটিতে (অর্থাৎ, ভূপৃষ্ঠের মাটিতে) নিকেলের উচ্চ মাত্রার জন্য মানবসৃষ্ট এবং প্রাকৃতিক উভয় উৎসকেই দায়ী করা হয়েছে, তবে প্রধানত, নিকেল মানবসৃষ্টের চেয়ে প্রাকৃতিক উৎসেরই বেশি। নিকেলের প্রাকৃতিক উৎসগুলোর মধ্যে রয়েছে আগ্নেয়গিরির অগ্ন্যুৎপাত, গাছপালা, দাবানল এবং ভূতাত্ত্বিক প্রক্রিয়া; তবে, মানবসৃষ্ট উৎসগুলোর মধ্যে রয়েছে ইস্পাত শিল্পে নিকেল/ক্যাডমিয়াম ব্যাটারি, ইলেক্ট্রোপ্লেটিং, আর্ক ওয়েল্ডিং, ডিজেল ও জ্বালানি তেল, এবং কয়লা দহন ও বর্জ্য এবং স্লাজ পোড়ানো থেকে বায়ুমণ্ডলীয় নির্গমন। নিকেলের সঞ্চয়। ফ্রিডম্যান ও হাচিনসন এবং মানিওয়া প্রমুখের মতে। ১০, নিকটবর্তী এবং সংলগ্ন পরিবেশে উপরিভাগের মাটি দূষণের প্রধান উৎসগুলি হল মূলত নিকেল-কপার-ভিত্তিক ধাতু গলানোর কারখানা এবং খনি। কানাডার সডবারি নিকেল-কপার শোধনাগারের আশেপাশের উপরিভাগের মাটিতে নিকেল দূষণের মাত্রা ছিল সর্বোচ্চ, ২৬,০০০ মিলিগ্রাম/কেজি¹¹। এর বিপরীতে, রাশিয়ায় নিকেল উৎপাদন থেকে সৃষ্ট দূষণের ফলে নরওয়ের মাটিতে নিকেলের ঘনত্ব বেশি হয়েছে¹¹। আলমস এট আল-এর মতে। ১২, অঞ্চলের উপরিভাগের চাষযোগ্য জমিতে (রাশিয়ায় নিকেল উৎপাদন) HNO3-নিষ্কাশনযোগ্য নিকেলের পরিমাণ ৬.২৫ থেকে ১৩৬.৮৮ মিলিগ্রাম/কেজি পর্যন্ত ছিল, যা ৩০.৪৩ মিলিগ্রাম/কেজি গড় এবং ২৫ মিলিগ্রাম/কেজি ভিত্তি ঘনত্বের সাথে সঙ্গতিপূর্ণ। কাবাতা ১১ অনুসারে, পরপর ফসল মৌসুমে শহুরে বা শহরতলী এলাকার কৃষি জমিতে ফসফরাস সার প্রয়োগ করলে তা মাটিতে প্রবেশ করতে বা মাটিকে দূষিত করতে পারে। মানুষের উপর নিকেলের সম্ভাব্য প্রভাব মিউটাজেনেসিস, ক্রোমোজোমাল ক্ষতি, Z-DNA তৈরি, ডিএনএ এক্সিশন রিপেয়ারে বাধা, বা এপিজেনেটিক প্রক্রিয়ার মাধ্যমে ক্যান্সারের কারণ হতে পারে১৩। প্রাণীদের উপর পরীক্ষায় দেখা গেছে যে নিকেলের বিভিন্ন ধরণের টিউমার সৃষ্টি করার সম্ভাবনা রয়েছে এবং কার্সিনোজেনিক নিকেল কমপ্লেক্স এই ধরনের টিউমারকে আরও বাড়িয়ে তুলতে পারে।
মাটি-উদ্ভিদ সম্পর্ক, মাটি ও মাটির জৈবিক সম্পর্ক, পরিবেশগত অবক্ষয় এবং পরিবেশগত প্রভাব মূল্যায়ন থেকে উদ্ভূত বিভিন্ন স্বাস্থ্য-সম্পর্কিত সমস্যার কারণে সাম্প্রতিক সময়ে মাটির দূষণ মূল্যায়ন ব্যাপকভাবে বৃদ্ধি পেয়েছে। আজ পর্যন্ত, প্রচলিত পদ্ধতি ব্যবহার করে মাটিতে নিকেলের (Ni) মতো সম্ভাব্য বিষাক্ত উপাদানের (PTEs) স্থানিক পূর্বাভাস দেওয়া শ্রমসাধ্য এবং সময়সাপেক্ষ ছিল। ডিজিটাল সয়েল ম্যাপিং (DSM)-এর আবির্ভাব এবং এর বর্তমান সাফল্য¹⁵ ভবিষ্যদ্বাণীমূলক সয়েল ম্যাপিং (PSM)-কে ব্যাপকভাবে উন্নত করেছে। মিনাসনি এবং ম্যাকব্র্যাটনি¹⁶-এর মতে, ভবিষ্যদ্বাণীমূলক সয়েল ম্যাপিং (DSM) মৃত্তিকা বিজ্ঞানের একটি বিশিষ্ট উপশাখা হিসেবে প্রমাণিত হয়েছে। লাগাচেরি এবং ম্যাকব্র্যাটনি, ২০০৬ DSM-কে সংজ্ঞায়িত করেছেন এভাবে: “ইন সিটু এবং পরীক্ষাগার পর্যবেক্ষণ পদ্ধতি এবং স্থানিক ও অস্থানিক মৃত্তিকা অনুমান ব্যবস্থা ব্যবহারের মাধ্যমে স্থানিক মৃত্তিকা তথ্য ব্যবস্থা তৈরি এবং পূরণ করা”। ম্যাকব্র্যাটনি প্রমুখ। ১৭ নং অনুচ্ছেদে উল্লেখ করা হয়েছে যে, পিটিই (PTE), মাটির প্রকারভেদ এবং মাটির বৈশিষ্ট্যসমূহের স্থানিক বন্টনের পূর্বাভাস বা মানচিত্র তৈরির জন্য সমসাময়িক ডিএসএম (DSM) বা পিএসএম (PSM) সবচেয়ে কার্যকর কৌশল। জিওস্ট্যাটিস্টিকস এবং মেশিন লার্নিং অ্যালগরিদম (এমএলএ) হলো ডিএসএম মডেলিং কৌশল যা উল্লেখযোগ্য এবং ন্যূনতম ডেটা ব্যবহার করে কম্পিউটারের সাহায্যে ডিজিটাইজড মানচিত্র তৈরি করে।
ডয়েচ১৮ এবং ওলিয়া১৯ ভূ-পরিসংখ্যানকে সংজ্ঞায়িত করেছেন এভাবে, “এটি সংখ্যাসূচক কৌশলগুলির একটি সংগ্রহ যা স্থানিক বৈশিষ্ট্যগুলির উপস্থাপনার সাথে সম্পর্কিত, প্রধানত স্টোকাস্টিক মডেল ব্যবহার করে, যেমন টাইম সিরিজ বিশ্লেষণ কীভাবে কালিক ডেটার বৈশিষ্ট্য নির্ধারণ করে।” প্রাথমিকভাবে, ভূ-পরিসংখ্যানের মধ্যে ভ্যারিওগ্রামের মূল্যায়ন অন্তর্ভুক্ত, যা প্রতিটি ডেটাসেট২০ থেকে স্থানিক মানগুলির নির্ভরতা পরিমাপ ও সংজ্ঞায়িত করতে সাহায্য করে। গুমিয়াক্স প্রমুখ। ২০ আরও ব্যাখ্যা করে যে ভূ-পরিসংখ্যানে ভ্যারিওগ্রামের মূল্যায়ন তিনটি নীতির উপর ভিত্তি করে করা হয়, যার মধ্যে রয়েছে (ক) ডেটা পারস্পরিক সম্পর্কের স্কেল গণনা করা, (খ) ডেটাসেটের বৈষম্যে অ্যানাইসোট্রপি শনাক্ত করা এবং গণনা করা এবং (গ) স্থানীয় প্রভাব থেকে পৃথক করা পরিমাপ ডেটার অন্তর্নিহিত ত্রুটি বিবেচনা করার পাশাপাশি, ক্ষেত্রীয় প্রভাবও অনুমান করা হয়। এই ধারণাগুলির উপর ভিত্তি করে, ভূ-পরিসংখ্যানে অনেক ইন্টারপোলেশন কৌশল ব্যবহৃত হয়, যার মধ্যে রয়েছে জেনারেল ক্রিগিং, কো-ক্রিগিং, অর্ডিনারি ক্রিগিং, এম্পিরিক্যাল বেসিয়ান ক্রিগিং, সিম্পল ক্রিগিং পদ্ধতি এবং অন্যান্য সুপরিচিত ইন্টারপোলেশন কৌশল যা পিটিই, মাটির বৈশিষ্ট্য এবং মাটির প্রকারভেদ মানচিত্রায়ন বা পূর্বাভাস দেওয়ার জন্য ব্যবহৃত হয়।
মেশিন লার্নিং অ্যালগরিদম (এমএলএ) একটি তুলনামূলকভাবে নতুন কৌশল যা বৃহত্তর নন-লিনিয়ার ডেটা ক্লাস ব্যবহার করে। এই অ্যালগরিদমগুলি মূলত ডেটা মাইনিং, ডেটার মধ্যে প্যাটার্ন শনাক্তকরণ এবং মৃত্তিকা বিজ্ঞান ও অন্যান্য বৈজ্ঞানিক ক্ষেত্রে শ্রেণিবিন্যাসের কাজে বারবার প্রয়োগ করা হয়। অসংখ্য গবেষণাপত্র মাটিতে পিটিই (PTE) পূর্বাভাস দেওয়ার জন্য এমএলএ মডেলের উপর নির্ভর করে, যেমন ট্যান এট আল. 22 (কৃষি জমিতে ভারী ধাতুর পরিমাণ নির্ণয়ের জন্য র‍্যান্ডম ফরেস্ট), সাকিজাদেহ এট আল. 23 (সাপোর্ট ভেক্টর মেশিন এবং কৃত্রিম নিউরাল নেটওয়ার্ক ব্যবহার করে মৃত্তিকা দূষণ মডেলিং)। এছাড়াও, ভেগা এট আল. 24 (মাটিতে ভারী ধাতু ধারণ এবং শোষণের মডেলিংয়ের জন্য কার্ট), সান এট আল. 25 (মাটিতে ক্যাডমিয়ামের বন্টনের জন্য কিউবিস্ট প্রয়োগ) এবং অন্যান্য অ্যালগরিদম যেমন কে-নিয়ারেস্ট নেইবার, জেনারেলাইজড বুস্টেড রিগ্রেশন, এবং বুস্টেড রিগ্রেশন ট্রি-ও মাটিতে পিটিই পূর্বাভাস দেওয়ার জন্য এমএলএ প্রয়োগ করেছে।
পূর্বাভাস বা ম্যাপিং-এ ডিএসএম অ্যালগরিদম প্রয়োগে বেশ কিছু চ্যালেঞ্জের সম্মুখীন হতে হয়। অনেক লেখক মনে করেন যে এমএলএ (MLA) ভূ-পরিসংখ্যানের চেয়ে উন্নত এবং এর বিপরীতটিও সত্য। যদিও একটি অন্যটির চেয়ে ভালো, তবে দুটির সংমিশ্রণ ডিএসএম-এ ম্যাপিং বা পূর্বাভাসের নির্ভুলতার মাত্রা উন্নত করে¹⁵। উডকক ও গোপাল²⁶ ফিঙ্কে²⁷; পন্টিয়াস ও চেউক²⁸ এবং গ্রুনওয়াল্ড²⁹ পূর্বাভাসিত মৃত্তিকা ম্যাপিং-এর ঘাটতি এবং কিছু ত্রুটির উপর মন্তব্য করেছেন। মৃত্তিকা বিজ্ঞানীরা ডিএসএম ম্যাপিং এবং পূর্বাভাসের কার্যকারিতা, নির্ভুলতা এবং পূর্বাভাসযোগ্যতা অপ্টিমাইজ করার জন্য বিভিন্ন কৌশল চেষ্টা করেছেন। অনিশ্চয়তা এবং যাচাইকরণের সংমিশ্রণ হলো ডিএসএম-এর কার্যকারিতা অপ্টিমাইজ করতে এবং ত্রুটি কমাতে সমন্বিত বিভিন্ন দিকের মধ্যে একটি। তবে, অ্যাগিয়েমান প্রমুখ¹⁵ উল্লেখ করেছেন যে মানচিত্রের গুণমান উন্নত করার জন্য মানচিত্র তৈরি এবং পূর্বাভাসের মাধ্যমে সৃষ্ট যাচাইকরণ আচরণ এবং অনিশ্চয়তাকে স্বাধীনভাবে যাচাই করা উচিত। ডিএসএম-এর সীমাবদ্ধতাগুলো ভৌগোলিকভাবে বিস্তৃত মৃত্তিকার গুণমানের কারণে হয়ে থাকে, যার মধ্যে অনিশ্চয়তার একটি উপাদান জড়িত; তবে, ডিএসএম-এর অনিশ্চয়তা একাধিক ত্রুটির উৎস থেকে উদ্ভূত হতে পারে, যথা কোভেরিয়েট ত্রুটি, মডেল ত্রুটি, অবস্থানগত ত্রুটি এবং বিশ্লেষণাত্মক ত্রুটি ৩১। এমএলএ এবং ভূ-পরিসংখ্যানিক প্রক্রিয়ায় সৃষ্ট মডেলিংয়ের ভুলত্রুটিগুলো বোঝার অভাবের সাথে সম্পর্কিত, যা শেষ পর্যন্ত বাস্তব প্রক্রিয়াটির অতিসরলীকরণের দিকে পরিচালিত করে ৩২। মডেলিংয়ের প্রকৃতি নির্বিশেষে, ভুলত্রুটিগুলো মডেলিং প্যারামিটার, গাণিতিক মডেলের পূর্বাভাস বা ইন্টারপোলেশনের কারণে হতে পারে ৩৩। সম্প্রতি, একটি নতুন ডিএসএম প্রবণতা দেখা দিয়েছে যা ম্যাপিং এবং পূর্বাভাসে ভূ-পরিসংখ্যান এবং এমএলএ-এর একীকরণকে উৎসাহিত করে। সের্গিভ প্রমুখ ৩৪; সুবোটিনা প্রমুখ ৩৫; তারাসভ প্রমুখ ৩৬ এবং তারাসভ প্রমুখ ৩৭-এর মতো বেশ কয়েকজন মৃত্তিকা বিজ্ঞানী এবং লেখক ভূ-পরিসংখ্যান এবং মেশিন লার্নিংয়ের নির্ভুল গুণকে কাজে লাগিয়ে হাইব্রিড মডেল তৈরি করেছেন যা পূর্বাভাস এবং ম্যাপিংয়ের কার্যকারিতা উন্নত করে। গুণমান। এই হাইব্রিড বা সম্মিলিত অ্যালগরিদম মডেলগুলির মধ্যে কয়েকটি হল আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক ক্রিগিং (ANN-RK), মাল্টিলেয়ার পারসেপট্রন রেসিডুয়াল ক্রিগিং (MLP-RK), জেনারেলাইজড রিগ্রেশন নিউরাল নেটওয়ার্ক রেসিডুয়াল ক্রিগিং (GR-NNRK)36, আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক ক্রিগিং-মাল্টিলেয়ার পারসেপট্রন (ANN-K-MLP)37 এবং কো-ক্রিগিং এবং গাউসিয়ান প্রসেস রিগ্রেশন38।
সার্গীভ প্রমুখের মতে, একক মডেল তৈরির পরিবর্তে বিভিন্ন মডেলিং কৌশল একত্রিত করলে ত্রুটি দূর করা এবং ফলস্বরূপ হাইব্রিড মডেলের কার্যকারিতা বৃদ্ধি করার সম্ভাবনা থাকে। এই প্রেক্ষাপটে, এই নতুন গবেষণাপত্রটি যুক্তি দেয় যে শহুরে এবং উপশহুরে এলাকায় নিকেল (Ni) সমৃদ্ধি পূর্বাভাসের জন্য সর্বোত্তম হাইব্রিড মডেল তৈরি করতে ভূ-পরিসংখ্যান এবং এমএলএ (MLA)-এর একটি সম্মিলিত অ্যালগরিদম প্রয়োগ করা প্রয়োজন। এই গবেষণাটি ভিত্তি মডেল হিসাবে এম্পিরিক্যাল বেসিয়ান ক্রিগিং (EBK)-এর উপর নির্ভর করবে এবং এটিকে সাপোর্ট ভেক্টর মেশিন (SVM) এবং মাল্টিপল লিনিয়ার রিগ্রেশন (MLR) মডেলের সাথে মিশ্রিত করবে। কোনো এমএলএ-এর সাথে EBK-এর হাইব্রিডাইজেশন সম্পর্কে জানা নেই। একাধিক মিশ্র মডেল হিসেবে অর্ডিনারি, রেসিডুয়াল, রিগ্রেশন ক্রিগিং এবং এমএলএ-এর সংমিশ্রণ দেখা যায়। EBK একটি ভূ-পরিসংখ্যানিক ইন্টারপোলেশন পদ্ধতি যা একটি স্থানিক স্টোকাস্টিক প্রক্রিয়া ব্যবহার করে, যা ক্ষেত্রের উপর সংজ্ঞায়িত স্থানীয়করণ পরামিতি সহ একটি অ-স্থির/স্থির র‍্যান্ডম ফিল্ড হিসাবে স্থানীয়করণ করা হয়, যা স্থানিক পরিবর্তনের অনুমতি দেয়। EBK বিভিন্ন গবেষণায় ব্যবহৃত হয়েছে, যার মধ্যে রয়েছে খামারের মাটিতে জৈব কার্বনের বন্টন বিশ্লেষণ, মাটির মূল্যায়ন ইত্যাদি। দূষণ৪১ এবং মাটির বৈশিষ্ট্য মানচিত্রায়ন৪২।
অন্যদিকে, সেলফ-অর্গানাইজিং গ্রাফ (SeOM) হলো একটি লার্নিং অ্যালগরিদম যা বিভিন্ন প্রবন্ধে যেমন লি এট আল. 43, ওয়াং এট আল. 44, হোসেন ভুইয়ান এট আল. 45 এবং কেবনিয়ে এট আল. 46-এ উপাদানগুলির স্থানিক বৈশিষ্ট্য এবং গ্রুপিং নির্ধারণ করতে প্রয়োগ করা হয়েছে। ওয়াং এট আল. 44 উল্লেখ করেছেন যে SeOM একটি শক্তিশালী লার্নিং কৌশল যা নন-লিনিয়ার সমস্যাগুলিকে গ্রুপিং এবং কল্পনা করার ক্ষমতার জন্য পরিচিত। প্রিন্সিপাল কম্পোনেন্ট অ্যানালাইসিস, ফাজি ক্লাস্টারিং, হায়ারারকিক্যাল ক্লাস্টারিং এবং মাল্টি-ক্রাইটেরিয়া ডিসিশন মেকিং-এর মতো অন্যান্য প্যাটার্ন রিকগনিশন কৌশলের বিপরীতে, SeOM PTE প্যাটার্নগুলিকে সংগঠিত এবং সনাক্ত করতে আরও ভালো। ওয়াং এট আল. 44-এর মতে, SeOM সম্পর্কিত নিউরনের বিতরণকে স্থানিকভাবে গ্রুপিং করতে পারে এবং উচ্চ-রেজোলিউশনের ডেটা ভিজ্যুয়ালাইজেশন প্রদান করতে পারে। SeOM সরাসরি ব্যাখ্যার জন্য ফলাফলকে বৈশিষ্ট্যমণ্ডিত করতে সেরা মডেলটি পাওয়ার জন্য Ni পূর্বাভাস ডেটা ভিজ্যুয়ালাইজ করবে।
এই গবেষণাপত্রের লক্ষ্য হলো শহুরে এবং উপশহরীয় অঞ্চলের মাটিতে নিকেলের পরিমাণ পূর্বাভাসের জন্য সর্বোত্তম নির্ভুলতাসহ একটি শক্তিশালী ম্যাপিং মডেল তৈরি করা। আমরা অনুমান করি যে মিশ্র মডেলের নির্ভরযোগ্যতা মূলত ভিত্তি মডেলের সাথে সংযুক্ত অন্যান্য মডেলের প্রভাবের উপর নির্ভর করে। আমরা ডিএসএম (DSM)-এর সম্মুখীন হওয়া চ্যালেঞ্জগুলো স্বীকার করি, এবং যদিও এই চ্যালেঞ্জগুলো বিভিন্ন দিক থেকে মোকাবেলা করা হচ্ছে, ভূ-পরিসংখ্যান এবং এমএলএ (MLA) মডেলের অগ্রগতির সমন্বয় ক্রমবর্ধমান বলে মনে হচ্ছে; তাই, আমরা এমন গবেষণামূলক প্রশ্নের উত্তর দেওয়ার চেষ্টা করব যা মিশ্র মডেল তৈরি করতে পারে। তবে, লক্ষ্য উপাদানটির পূর্বাভাস দেওয়ার ক্ষেত্রে মডেলটি কতটা নির্ভুল? এছাড়াও, বৈধতা এবং নির্ভুলতা মূল্যায়নের উপর ভিত্তি করে কার্যকারিতা মূল্যায়নের স্তর কী? অতএব, এই গবেষণার নির্দিষ্ট লক্ষ্যগুলো ছিল (ক) ভিত্তি মডেল হিসাবে ইবিকে (EBK) ব্যবহার করে এসভিএমআর (SVMR) বা এমএলআর (MLR)-এর জন্য একটি সম্মিলিত মিশ্র মডেল তৈরি করা, (খ) প্রাপ্ত মডেলগুলোর তুলনা করা, (গ) শহুরে বা উপশহরীয় অঞ্চলের মাটিতে নিকেলের ঘনত্ব পূর্বাভাসের জন্য সেরা মিশ্র মডেল প্রস্তাব করা, এবং (ঘ) নিকেলের স্থানিক তারতম্যের একটি উচ্চ-রেজোলিউশন মানচিত্র তৈরি করতে এসইওএম (SeOM)-এর প্রয়োগ।
গবেষণাটি চেক প্রজাতন্ত্রে, বিশেষত মোরাভিয়া-সিলেসিয়ান অঞ্চলের ফ্রাইদেক মিস্টেক জেলায় পরিচালিত হচ্ছে (চিত্র ১ দেখুন)। গবেষণা এলাকাটির ভূপ্রকৃতি অত্যন্ত বন্ধুর এবং এর বেশিরভাগই মোরাভিয়া-সিলেসিয়ান বেস্কিডি অঞ্চলের অংশ, যা কার্পেথিয়ান পর্বতমালার বহিঃপ্রান্তের একটি অংশ। গবেষণা এলাকাটি ৪৯° ৪১′ ০′ উত্তর এবং ১৮° ২০′ ০′ পূর্ব দ্রাঘিমাংশের মধ্যে অবস্থিত এবং এর উচ্চতা ২২৫ থেকে ৩২৭ মিটারের মধ্যে। তবে, কোপেন শ্রেণিবিন্যাস পদ্ধতি অনুসারে এই অঞ্চলের জলবায়ুর অবস্থাকে Cfb = নাতিশীতোষ্ণ মহাসাগরীয় জলবায়ু হিসাবে শ্রেণীবদ্ধ করা হয়েছে। শুষ্ক মাসগুলোতেও প্রচুর বৃষ্টিপাত হয়। সারা বছর তাপমাত্রা −৫°C থেকে ২৪°C এর মধ্যে সামান্য ওঠানামা করে, কদাচিৎ −১৪°C এর নিচে বা ৩০°C এর উপরে নামে, যেখানে গড় বার্ষিক বৃষ্টিপাত ৬৮৫ থেকে ৭৫২ মিমি-এর মধ্যে থাকে। সমগ্র অঞ্চলের আনুমানিক জরিপ এলাকা হলো ১,২০৮ বর্গ কিলোমিটার, যার মধ্যে ৩৯.৩৮% আবাদি জমি এবং ৪৯.৩৬% বনভূমি। অন্যদিকে, এই গবেষণায় ব্যবহৃত এলাকা প্রায় ৮৮৯.৮ বর্গ কিলোমিটার। ওস্ট্রাভা এবং এর আশেপাশে ইস্পাত শিল্প এবং ধাতব কারখানাগুলো খুব সক্রিয়। ধাতব কল, ইস্পাত শিল্প যেখানে স্টেইনলেস স্টিলে (যেমন বায়ুমণ্ডলীয় ক্ষয় প্রতিরোধের জন্য) এবং অ্যালয় স্টিলে (নিকেল অ্যালয়ের ভালো নমনীয়তা এবং দৃঢ়তা বজায় রেখে এর শক্তি বাড়ায়) নিকেল ব্যবহৃত হয়, এবং নিবিড় কৃষি যেমন... ফসফেট সার প্রয়োগ এবং পশুপালন এই অঞ্চলে নিকেলের গবেষণার সম্ভাব্য উৎস (যেমন, মেষশাবকের বৃদ্ধির হার বাড়াতে এবং কম খাওয়ানো গবাদি পশুর জন্য নিকেল যোগ করা)। গবেষণা ক্ষেত্রে নিকেলের অন্যান্য শিল্প ব্যবহারের মধ্যে রয়েছে ইলেক্ট্রোপ্লেটিং, যার মধ্যে নিকেল ইলেক্ট্রোপ্লেটিং এবং ইলেক্ট্রোলেস নিকেল প্লেটিং প্রক্রিয়া অন্তর্ভুক্ত। মাটির রঙ, গঠন এবং কার্বনেট উপাদান থেকে মাটির বৈশিষ্ট্যগুলি সহজেই আলাদা করা যায়। মাটির বুনন মাঝারি থেকে সূক্ষ্ম, যা মূল উপাদান থেকে উদ্ভূত। এগুলি প্রকৃতিতে কোলিউভিয়াল, অ্যালুভিয়াল বা ইওলিয়ান। কিছু মাটির উপরিভাগ এবং উপমাটিতে দাগযুক্ত দেখা যায়, প্রায়শই কংক্রিট এবং ব্লিচিং সহ। যাইহোক, ক্যাম্বিসোল এবং স্ট্যাগনোসোল এই অঞ্চলের সবচেয়ে সাধারণ মাটির ধরণ। চেক প্রজাতন্ত্রে ৪৫৫.১ থেকে ৪৯৩.৫ মিটার উচ্চতায় ক্যাম্বিসোলের প্রাধান্য রয়েছে।
গবেষণা এলাকার মানচিত্র [গবেষণা এলাকার মানচিত্রটি ArcGIS Desktop (ESRI, Inc, সংস্করণ 10.7, URL: https://desktop.arcgis.com) ব্যবহার করে তৈরি করা হয়েছে।]
ফ্রাইডেক মিস্টেক জেলার শহুরে এবং শহরতলী এলাকা থেকে মোট ১১৫টি উপরিভাগের মাটির নমুনা সংগ্রহ করা হয়েছিল। নমুনা সংগ্রহের জন্য একটি নিয়মিত গ্রিড পদ্ধতি ব্যবহার করা হয়েছিল, যেখানে মাটির নমুনাগুলো ২ × ২ কিমি দূরত্বে স্থাপন করা হয়েছিল এবং একটি হ্যান্ড-হেল্ড জিপিএস ডিভাইস (লাইকা জেনো ৫ জিপিএস) ব্যবহার করে ০ থেকে ২০ সেমি গভীরতায় উপরিভাগের মাটি পরিমাপ করা হয়েছিল। নমুনাগুলো জিপলক ব্যাগে প্যাক করে, যথাযথভাবে লেবেল লাগিয়ে পরীক্ষাগারে পাঠানো হয়। নমুনাগুলোকে বাতাসে শুকিয়ে গুঁড়ো করা হয়, একটি যান্ত্রিক সিস্টেম (ফ্রিশ ডিস্ক মিল) দ্বারা গুঁড়ো করা হয় এবং চেলে (চালুনির আকার ২ মিমি) নেওয়া হয়। ১ গ্রাম শুকনো, সমজাতীয় এবং চেলে নেওয়া মাটির নমুনা স্পষ্টভাবে লেবেলযুক্ত টেফলন বোতলে রাখা হয়। প্রতিটি টেফলন পাত্রে, ৭ মিলি ৩৫% HCl এবং ৩ মিলি ৬৫% HNO3 (একটি স্বয়ংক্রিয় ডিসপেনসার ব্যবহার করে – প্রতিটি অ্যাসিডের জন্য একটি করে) দেওয়া হয়, হালকাভাবে ঢেকে দেওয়া হয় এবং বিক্রিয়ার জন্য (অ্যাকোয়া রেজিয়া প্রোগ্রাম) নমুনাগুলোকে সারারাত রেখে দেওয়া হয়। নমুনাগুলির হজম প্রক্রিয়া সহজ করার জন্য সুপারন্যাট্যান্টকে একটি গরম ধাতব প্লেটে (তাপমাত্রা: ১০০ ওয়াট এবং ১৬০ °C) ২ ঘন্টা ধরে রাখুন, তারপর ঠান্ডা করুন। সুপারন্যাট্যান্টকে একটি ৫০ মিলি ভলিউমেট্রিক ফ্লাস্কে স্থানান্তর করুন এবং ডিআয়োনাইজড জল দিয়ে ৫০ মিলি পর্যন্ত পাতলা করুন। এরপর, পাতলা করা সুপারন্যাট্যান্টকে ডিআয়োনাইজড জলসহ একটি ৫০ মিলি পিভিসি টিউবে ছেঁকে নিন। এছাড়াও, পাতলা করা দ্রবণের ১ মিলি পরিমাণকে ৯ মিলি ডিআয়োনাইজড জল দিয়ে পাতলা করা হয়েছিল এবং পিটিই (PTE) ছদ্ম-ঘনত্বের জন্য প্রস্তুত একটি ১২ মিলি টিউবে ছেঁকে নেওয়া হয়েছিল। পিটিই (আর্সেনিক, ক্যাডমিয়াম, ক্রোমিয়াম, কপার, ম্যাঙ্গানিজ, নিকেল, লেড, জিঙ্ক, ক্যালসিয়াম, ম্যাগনেসিয়াম, পটাশিয়াম)-এর ঘনত্ব আইসিপি-ওইএস (ইন্ডাকটিভলি কাপলড প্লাজমা অপটিক্যাল এমিশন স্পেকট্রোস্কোপি) (থার্মো ফিশার সায়েন্টিফিক, ইউএসএ) দ্বারা প্রমিত পদ্ধতি এবং চুক্তি অনুসারে নির্ধারণ করা হয়েছিল। গুণমান নিশ্চিতকরণ এবং নিয়ন্ত্রণ (QA/QC) পদ্ধতি (এসআরএম এনআইএসটি ২৭১১এ) নিশ্চিত করুন। মন্টানা II মাটি)। যেসব পিটিই-এর শনাক্তকরণ সীমা অর্ধেকের নিচে ছিল, সেগুলোকে এই গবেষণা থেকে বাদ দেওয়া হয়েছিল। এই গবেষণায় ব্যবহৃত পিটিই-এর শনাক্তকরণ সীমা ছিল ০.০০০৪। এছাড়াও, রেফারেন্স স্ট্যান্ডার্ড বিশ্লেষণের মাধ্যমে প্রতিটি বিশ্লেষণের গুণমান নিয়ন্ত্রণ এবং গুণমান নিশ্চিতকরণ প্রক্রিয়া নিশ্চিত করা হয়। ত্রুটি যাতে ন্যূনতম হয়, তা নিশ্চিত করার জন্য দ্বৈত বিশ্লেষণ করা হয়েছিল।
এম্পিরিক্যাল বেসিয়ান ক্রিগিং (EBK) হলো মৃত্তিকা বিজ্ঞানের মতো বিভিন্ন ক্ষেত্রে মডেলিং-এর জন্য ব্যবহৃত অনেকগুলো ভূ-পরিসংখ্যানিক ইন্টারপোলেশন কৌশলের মধ্যে একটি। অন্যান্য ক্রিগিং ইন্টারপোলেশন কৌশলের মতো নয়, EBK সেমিভেরিয়োগ্রাম মডেল দ্বারা আনুমানিক ত্রুটি বিবেচনা করার মাধ্যমে প্রচলিত ক্রিগিং পদ্ধতি থেকে ভিন্ন। EBK ইন্টারপোলেশনে, একটিমাত্র সেমিভেরিয়োগ্রামের পরিবর্তে, ইন্টারপোলেশনের সময় বেশ কয়েকটি সেমিভেরিয়োগ্রাম মডেল গণনা করা হয়। ইন্টারপোলেশন কৌশলগুলো সেমিভেরিয়োগ্রামের এই প্লটিং-এর সাথে সম্পর্কিত অনিশ্চয়তা এবং প্রোগ্রামিং-এর জন্য পথ তৈরি করে, যা একটি পর্যাপ্ত ক্রিগিং পদ্ধতির অত্যন্ত জটিল একটি অংশ। EBK-এর ইন্টারপোলেশন প্রক্রিয়াটি ক্রিভোরুচকো৫০ দ্বারা প্রস্তাবিত তিনটি মানদণ্ড অনুসরণ করে, (ক) মডেলটি ইনপুট ডেটাসেট থেকে সেমিভেরিয়োগ্রাম অনুমান করে, (খ) উৎপন্ন সেমিভেরিয়োগ্রামের উপর ভিত্তি করে প্রতিটি ইনপুট ডেটাসেট অবস্থানের জন্য নতুন পূর্বাভাসিত মান এবং (গ) একটি সিমুলেটেড ডেটাসেট থেকে চূড়ান্ত মডেল গণনা করা হয়। বেসিয়ান সমীকরণ নিয়মটি একটি পোস্টেরিয়র হিসাবে দেওয়া হয়।
যেখানে \(Prob\left(A\right)\) হলো প্রায়র, \(Prob\left(B\right)\) হলো প্রান্তিক সম্ভাবনা যা বেশিরভাগ ক্ষেত্রে উপেক্ষা করা হয়, এবং \(Prob (B,A)\ )। সেমিভেরিয়োগ্রামের গণনা বেয়েসের নিয়মের উপর ভিত্তি করে করা হয়, যা সেমিভেরিয়োগ্রাম থেকে পর্যবেক্ষণ ডেটাসেট তৈরি করার প্রবণতা দেখায়। এরপর বেয়েসের নিয়ম ব্যবহার করে সেমিভেরিয়োগ্রামের মান নির্ধারণ করা হয়, যা বলে দেয় যে সেমিভেরিয়োগ্রাম থেকে পর্যবেক্ষণের একটি ডেটাসেট তৈরি করার সম্ভাবনা কতটুকু।
সাপোর্ট ভেক্টর মেশিন হলো একটি মেশিন লার্নিং অ্যালগরিদম যা অভিন্ন কিন্তু রৈখিকভাবে স্বাধীন নয় এমন শ্রেণীগুলোকে আলাদা করার জন্য একটি সর্বোত্তম বিভাজক হাইপারপ্লেন তৈরি করে। ভ্যাপনিক৫১ ইনটেন্ট ক্লাসিফিকেশন অ্যালগরিদম তৈরি করেছিলেন, কিন্তু সম্প্রতি এটি রিগ্রেশন-ভিত্তিক সমস্যা সমাধানে ব্যবহৃত হচ্ছে। লি এট আল.৫২-এর মতে, এসভিএম অন্যতম সেরা ক্লাসিফায়ার কৌশল এবং এটি বিভিন্ন ক্ষেত্রে ব্যবহৃত হয়েছে। এই বিশ্লেষণে এসভিএম-এর রিগ্রেশন উপাদান (সাপোর্ট ভেক্টর মেশিন রিগ্রেশন – এসভিএমআর) ব্যবহার করা হয়েছে। চেরকাস্কি এবং মুলিয়ার৫৩ কার্নেল-ভিত্তিক রিগ্রেশন হিসেবে এসভিএমআর-এর পথপ্রদর্শক ছিলেন, যার গণনা বহু-দেশীয় স্থানিক ফাংশনসহ একটি রৈখিক রিগ্রেশন মডেল ব্যবহার করে করা হয়েছিল। জন এট আল৫৪ রিপোর্ট করেন যে এসভিএমআর মডেলিং হাইপারপ্লেন রৈখিক রিগ্রেশন ব্যবহার করে, যা অরৈখিক সম্পর্ক তৈরি করে এবং স্থানিক ফাংশনের অনুমতি দেয়। ভোহল্যান্ড এট আল.-এর মতে। ৫৫, এপসিলন (ε)-এসভিএমআর (Epsilon (ε)-SVMR) প্রশিক্ষিত ডেটাসেট ব্যবহার করে একটি এপসিলন-অসংবেদনশীল ফাংশন হিসেবে একটি প্রতিনিধিত্বমূলক মডেল তৈরি করে, যা পারস্পরিক সম্পর্কযুক্ত ডেটার উপর প্রশিক্ষণ থেকে প্রাপ্ত সেরা এপসিলন বায়াসের সাথে স্বাধীনভাবে ডেটা ম্যাপ করতে প্রয়োগ করা হয়। প্রকৃত মান থেকে পূর্বনির্ধারিত দূরত্বের ত্রুটি উপেক্ষা করা হয়, এবং যদি ত্রুটি ε(ε) এর চেয়ে বড় হয়, তবে মাটির বৈশিষ্ট্য দ্বারা তা পূরণ করা হয়। মডেলটি সাপোর্ট ভেক্টরের একটি বৃহত্তর উপসেটে প্রশিক্ষণ ডেটার জটিলতাও হ্রাস করে। ভ্যাপনিক৫১ দ্বারা প্রস্তাবিত সমীকরণটি নিচে দেখানো হলো।
যেখানে b হলো স্কেলার থ্রেশহোল্ড, \(K\left({x}_{,}{ x}_{k}\right)\) হলো কার্নেল ফাংশন, \(\alpha\) হলো ল্যাগ্রেঞ্জ মাল্টিপ্লায়ার, N হলো একটি নিউমেরিক ডেটাসেট, \({x}_{k}\) হলো ডেটা ইনপুট, এবং \(y\) হলো ডেটা আউটপুট। ব্যবহৃত প্রধান কার্নেলগুলোর মধ্যে একটি হলো SVMR অপারেশন, যা একটি গাউসিয়ান রেডিয়াল বেসিস ফাংশন (RBF)। সর্বোত্তম SVMR মডেল নির্ধারণের জন্য RBF কার্নেলটি প্রয়োগ করা হয়, যা PTE ট্রেনিং ডেটার জন্য সবচেয়ে সূক্ষ্ম পেনাল্টি সেট ফ্যাক্টর C এবং কার্নেল প্যারামিটার গামা (γ) পেতে অত্যন্ত গুরুত্বপূর্ণ। প্রথমে, আমরা ট্রেনিং সেটটি মূল্যায়ন করেছি এবং তারপর ভ্যালিডেশন সেটে মডেলের পারফরম্যান্স পরীক্ষা করেছি। ব্যবহৃত স্টিয়ারিং প্যারামিটারটি হলো সিগমা এবং মেথড ভ্যালুটি হলো svmRadial।
মাল্টিপল লিনিয়ার রিগ্রেশন মডেল (MLR) হলো এমন একটি রিগ্রেশন মডেল যা লিস্ট স্কোয়ার্স পদ্ধতি ব্যবহার করে গণনা করা লিনিয়ার পুলড প্যারামিটারের মাধ্যমে রেসপন্স ভ্যারিয়েবল এবং একাধিক প্রেডিক্টর ভ্যারিয়েবলের মধ্যে সম্পর্ককে উপস্থাপন করে। MLR-এ, এক্সপ্ল্যানেটরি ভ্যারিয়েবল নির্বাচনের পর লিস্ট স্কোয়ার্স মডেলটি মাটির বৈশিষ্ট্যের একটি ভবিষ্যদ্বাণীমূলক ফাংশন হিসেবে কাজ করে। এক্সপ্ল্যানেটরি ভ্যারিয়েবল ব্যবহার করে রেসপন্সের সাথে একটি রৈখিক সম্পর্ক স্থাপন করা প্রয়োজন। এক্সপ্ল্যানেটরি ভ্যারিয়েবলগুলোর সাথে একটি রৈখিক সম্পর্ক স্থাপনের জন্য রেসপন্স ভ্যারিয়েবল হিসেবে PTE ব্যবহার করা হয়েছিল। MLR সমীকরণটি হলো
যেখানে y হলো প্রতিক্রিয়া চলক, \(a\) হলো ছেদক, n হলো ভবিষ্যদ্বাণীকারী চলকের সংখ্যা, \({b}_{1}\) হলো সহগসমূহের আংশিক রিগ্রেশন, \({x}_{i}\) একটি ভবিষ্যদ্বাণীকারী বা ব্যাখ্যামূলক চলককে নির্দেশ করে, এবং \({\varepsilon }_{i}\) মডেলের ত্রুটিকে নির্দেশ করে, যা অবশেষ নামেও পরিচিত।
EBK-এর সাথে SVMR এবং MLR-কে স্যান্ডউইচ করে মিশ্র মডেলগুলো পাওয়া গেছে। এটি করা হয় EBK ইন্টারপোলেশন থেকে পূর্বাভাসিত মানগুলো নিষ্কাশন করে। ইন্টারপোলেটেড Ca, K, এবং Mg থেকে প্রাপ্ত পূর্বাভাসিত মানগুলো একটি কম্বিনেটোরিয়াল প্রক্রিয়ার মাধ্যমে CaK, CaMg, এবং KMg-এর মতো নতুন ভ্যারিয়েবল পাওয়ার জন্য ব্যবহার করা হয়। এরপর Ca, K এবং Mg উপাদানগুলোকে একত্রিত করে চতুর্থ ভ্যারিয়েবল CaKMg পাওয়া যায়। সামগ্রিকভাবে, প্রাপ্ত ভ্যারিয়েবলগুলো হলো Ca, K, Mg, CaK, CaMg, KMg এবং CaKMg। এই ভ্যারিয়েবলগুলো আমাদের প্রেডিক্টর হয়ে ওঠে, যা শহুরে এবং শহরতলী এলাকার মাটিতে নিকেলের ঘনত্ব পূর্বাভাস দিতে সাহায্য করে। প্রেডিক্টরগুলোর উপর SVMR অ্যালগরিদম প্রয়োগ করে একটি মিশ্র মডেল এম্পিরিক্যাল বেসিয়ান ক্রিগিং-সাপোর্ট ভেক্টর মেশিন (EBK_SVM) পাওয়া গেছে। একইভাবে, ভ্যারিয়েবলগুলোকে MLR অ্যালগরিদমের মাধ্যমে চালনা করে একটি মিশ্র মডেল এম্পিরিক্যাল বেসিয়ান ক্রিগিং-মাল্টিপল লিনিয়ার রিগ্রেশন পাওয়া গেছে। (EBK_MLR)। সাধারণত, শহুরে এবং শহরতলী এলাকার মাটিতে নিকেলের (Ni) পরিমাণের পূর্বাভাস হিসেবে Ca, K, Mg, CaK, CaMg, KMg, এবং CaKMg চলকগুলোকে কোভেরিয়েট হিসেবে ব্যবহার করা হয়। প্রাপ্ত সবচেয়ে গ্রহণযোগ্য মডেলটি (EBK_SVM বা EBK_MLR) এরপর একটি সেলফ-অর্গানাইজিং গ্রাফ ব্যবহার করে দৃশ্যমান করা হবে। এই গবেষণার কার্যপ্রবাহ চিত্র ২-এ দেখানো হয়েছে।
আর্থিক খাত, স্বাস্থ্যসেবা, শিল্প, পরিসংখ্যান, মৃত্তিকা বিজ্ঞান এবং আরও অনেক ক্ষেত্রে ডেটা সংগঠিত, মূল্যায়ন এবং পূর্বাভাস দেওয়ার জন্য SeOM ব্যবহার একটি জনপ্রিয় হাতিয়ার হয়ে উঠেছে। সংগঠন, মূল্যায়ন এবং পূর্বাভাসের জন্য কৃত্রিম নিউরাল নেটওয়ার্ক এবং আনসুপারভাইজড লার্নিং পদ্ধতি ব্যবহার করে SeOM তৈরি করা হয়। এই গবেষণায়, শহুরে এবং শহরতলির মাটিতে নিকেল (Ni) পূর্বাভাসের জন্য সেরা মডেলের উপর ভিত্তি করে Ni-এর ঘনত্বকে দৃশ্যমান করতে SeOM ব্যবহার করা হয়েছিল। SeOM মূল্যায়নে প্রক্রিয়াকৃত ডেটা n ইনপুট-মাত্রিক ভেক্টর ভেরিয়েবল হিসেবে ব্যবহৃত হয়43,56। মেলসেন এট আল। ৫৭ নং সমীকরণে একটি নিউরাল নেটওয়ার্কে একটি ইনপুট ভেক্টরের সংযোগ বর্ণনা করা হয়েছে, যা একটি একক ইনপুট লেয়ারের মাধ্যমে একটি একক ওয়েট ভেক্টরসহ একটি আউটপুট ভেক্টরে পৌঁছায়। SeOM দ্বারা উৎপন্ন আউটপুট হলো একটি দ্বি-মাত্রিক ম্যাপ, যা বিভিন্ন নিউরন বা নোডের সমন্বয়ে গঠিত এবং তাদের নৈকট্য অনুসারে ষড়ভুজাকার, বৃত্তাকার বা বর্গাকার টপোলজিক্যাল ম্যাপে বোনা থাকে। মেট্রিক, কোয়ান্টাইজেশন এরর (QE) এবং টপোগ্রাফিক এরর (TE)-এর উপর ভিত্তি করে ম্যাপের আকার তুলনা করে যথাক্রমে ০.০৮৬ এবং ০.৯০৪ মানসহ SeOM মডেলটি নির্বাচন করা হয়, যা একটি ৫৫-ম্যাপ ইউনিট (৫ × ১১)। অভিজ্ঞতামূলক সমীকরণে নোডের সংখ্যা অনুসারে নিউরনের গঠন নির্ধারণ করা হয়।
এই গবেষণায় ব্যবহৃত ডেটার সংখ্যা ১১৫টি নমুনা। ডেটাগুলোকে টেস্ট ডেটা (ভ্যালিডেশনের জন্য ২৫%) এবং ট্রেনিং ডেটা সেটে (ক্যালিব্রেশনের জন্য ৭৫%) ভাগ করার জন্য একটি র‍্যান্ডম পদ্ধতি ব্যবহার করা হয়েছে। রিগ্রেশন মডেল (ক্যালিব্রেশন) তৈরি করার জন্য ট্রেনিং ডেটা সেট এবং জেনারেলাইজেশন ক্ষমতা যাচাই করার জন্য টেস্ট ডেটা সেট ব্যবহার করা হয়। মাটিতে নিকেলের পরিমাণ পূর্বাভাসের জন্য বিভিন্ন মডেলের উপযুক্ততা মূল্যায়ন করতে এটি করা হয়েছিল। ব্যবহৃত সমস্ত মডেল একটি টেন-ফোল্ড ক্রস-ভ্যালিডেশন প্রক্রিয়ার মধ্য দিয়ে গেছে, যা পাঁচবার পুনরাবৃত্তি করা হয়েছে। EBK ইন্টারপোলেশন দ্বারা উৎপাদিত ভ্যারিয়েবলগুলো টার্গেট ভ্যারিয়েবল (PTE) পূর্বাভাসের জন্য প্রেডিক্টর বা এক্সপ্ল্যানেটরি ভ্যারিয়েবল হিসেবে ব্যবহৃত হয়। RStudio-তে `library(Kohonen)`, `library(caret)`, `library(modelr)`, `library(“e1071”)`, `library(“plyr”)`, `library(“caTools”)`, `library(” prospectr”)` এবং `librarys (“Metrics”)` প্যাকেজগুলো ব্যবহার করে মডেলিং করা হয়।
মাটিতে নিকেলের ঘনত্ব পূর্বাভাসের জন্য উপযুক্ত সেরা মডেল নির্ধারণ করতে এবং মডেলটির নির্ভুলতা ও এর বৈধতা মূল্যায়ন করতে বিভিন্ন বৈধতা পরামিতি ব্যবহার করা হয়েছিল। হাইব্রিডাইজেশন মডেলগুলি গড় পরম ত্রুটি (MAE), মূল গড় বর্গ ত্রুটি (RMSE), এবং আর-স্কয়ার বা সহগ নির্ধারণ (R2) ব্যবহার করে মূল্যায়ন করা হয়েছিল। R2 রিগ্রেশন মডেল দ্বারা উপস্থাপিত উত্তরে অনুপাতের ভেদাঙ্ককে সংজ্ঞায়িত করে। স্বাধীন পরিমাপে RMSE এবং ভেদাঙ্কের মাত্রা মডেলের পূর্বাভাস ক্ষমতা বর্ণনা করে, যেখানে MAE প্রকৃত পরিমাণগত মান নির্ধারণ করে। বৈধতা পরামিতি ব্যবহার করে সেরা মিশ্র মডেল মূল্যায়ন করার জন্য R2-এর মান অবশ্যই বেশি হতে হবে, মানটি ১-এর যত কাছাকাছি হবে, নির্ভুলতা তত বেশি হবে। লি এট আল. ৫৯-এর মতে, ০.৭৫ বা তার বেশি R2 মানদণ্ডের মান একটি ভালো পূর্বাভাসক হিসাবে বিবেচিত হয়; ০.৫ থেকে ০.৭৫ পর্যন্ত মডেলের কর্মক্ষমতা গ্রহণযোগ্য, এবং ০.৫-এর নিচে হলে তা অগ্রহণযোগ্য। RMSE এবং MAE যাচাইকরণ মানদণ্ড মূল্যায়ন পদ্ধতি ব্যবহার করে মডেল নির্বাচন করার সময়, প্রাপ্ত নিম্ন মানগুলোই যথেষ্ট ছিল এবং সেগুলোকে সর্বোত্তম পছন্দ হিসেবে বিবেচনা করা হয়েছিল। নিম্নলিখিত সমীকরণটি যাচাইকরণ পদ্ধতি বর্ণনা করে।
যেখানে n হলো পর্যবেক্ষিত মানের আকার, \({Y}_{i}\) হলো পরিমাপকৃত প্রতিক্রিয়া, এবং \({\widehat{Y}}_{i}\) হলো পূর্বাভাসিত প্রতিক্রিয়া মান, সুতরাং, প্রথম i টি পর্যবেক্ষণের জন্য।
সারণি ১-এ ভবিষ্যদ্বাণীকারী এবং প্রতিক্রিয়া চলকের পরিসংখ্যানগত বিবরণ উপস্থাপন করা হয়েছে, যেখানে গড়, আদর্শ বিচ্যুতি (SD), ভেদ গুণাঙ্ক (CV), সর্বনিম্ন, সর্বোচ্চ, কার্টোসিস এবং স্কিউনেস দেখানো হয়েছে। মৌলগুলোর সর্বনিম্ন এবং সর্বোচ্চ মান যথাক্রমে Mg < Ca < K < Ni এবং Ca < Mg < K < Ni ক্রমহ্রাসমান ক্রমে রয়েছে। অধ্যয়ন এলাকা থেকে সংগৃহীত প্রতিক্রিয়া চলক (Ni)-এর ঘনত্ব ৪.৮৬ থেকে ৪২.৩৯ মিলিগ্রাম/কেজি পর্যন্ত ছিল। বিশ্ব গড় (২৯ মিলিগ্রাম/কেজি) এবং ইউরোপীয় গড় (৩৭ মিলিগ্রাম/কেজি)-এর সাথে Ni-এর তুলনা করে দেখা গেছে যে, অধ্যয়ন এলাকার জন্য গণনাকৃত সামগ্রিক জ্যামিতিক গড় সহনীয় সীমার মধ্যে ছিল। তথাপি, কাবাতা-পেন্ডিয়াস১১-এর গবেষণায় যেমন দেখানো হয়েছে, বর্তমান গবেষণার গড় নিকেল (Ni) ঘনত্বের সাথে সুইডেনের কৃষি মাটির তুলনা করলে দেখা যায় যে বর্তমান গড় নিকেল ঘনত্ব বেশি। একইভাবে, বর্তমান গবেষণায় শহুরে এবং উপশহুরে মাটিতে ফ্রাইডেক মিস্টেক-এর গড় ঘনত্ব (Ni) রোজানস্কি এট আল কর্তৃক পোল্যান্ডের শহুরে মাটিতে নিকেলের (Ni) জন্য রিপোর্ট করা অনুমোদিত সীমা (১০.২ মিলিগ্রাম/কেজি) থেকে বর্তমান গবেষণার ১৬.১৫ মিলিগ্রাম/কেজি বেশি ছিল। অধিকন্তু, ব্রেৎজেল এবং ক্যালডেরিসি৬১ বর্তমান গবেষণার তুলনায় টাস্কানির শহুরে মাটিতে নিকেলের খুব কম গড় ঘনত্ব (১.৭৮ মিলিগ্রাম/কেজি) রেকর্ড করেছেন। জিম৬২ হংকংয়ের শহুরে মাটিতে নিকেলের কম ঘনত্ব (১২.৩৪ মিলিগ্রাম/কেজি) পেয়েছেন, যা এই গবেষণার বর্তমান নিকেল ঘনত্বের চেয়ে কম। বার্কে এট আল৬৩ জার্মানির স্যাক্সনি-আনহাল্টের একটি পুরানো খনি এবং শহুরে শিল্প এলাকায় নিকেলের গড় ঘনত্ব ১৭.৬ মিলিগ্রাম/কেজি রিপোর্ট করেছেন, যা ঐ এলাকার গড় নিকেল ঘনত্বের (১৬.১৫ মিলিগ্রাম/কেজি) চেয়ে ১.৪৫ মিলিগ্রাম/কেজি বেশি ছিল। বর্তমান গবেষণা। অধ্যয়ন এলাকার কিছু শহুরে এবং শহরতলির অঞ্চলের মাটিতে নিকেলের অতিরিক্ত উপস্থিতি প্রধানত লৌহ ও ইস্পাত শিল্প এবং ধাতু শিল্পের কারণে হতে পারে। এটি বর্তমান গবেষণার সাথে সামঞ্জস্যপূর্ণ। খোদাদৌস্ত প্রমুখের ৬৪ নম্বর গবেষণায় দেখা গেছে যে ইস্পাত শিল্প এবং ধাতু প্রক্রিয়াকরণই মাটিতে নিকেল দূষণের প্রধান উৎস। যাইহোক, ভবিষ্যদ্বাণীকারীগুলোর পরিসরও ছিল Ca-এর জন্য ৫৩৮.৭০ mg/kg থেকে ৬৯,১৬১.৮০ mg/kg, K-এর জন্য ৪৯৭.৫১ mg/kg থেকে ৩৫৩৫.৬৮ mg/kg, এবং Mg-এর জন্য ৬৮৫.৬৮ mg/kg থেকে ৫৯৭০.০৫ mg/kg। জাকোভলেভিচ প্রমুখ। ৬৫ মধ্য সার্বিয়ার মাটিতে মোট Mg এবং K এর পরিমাণ নিয়ে গবেষণা করেছেন। তারা দেখেছেন যে মোট ঘনত্ব (যথাক্রমে ৪১০ মিলিগ্রাম/কেজি এবং ৪০০ মিলিগ্রাম/কেজি) বর্তমান গবেষণার Mg এবং K ঘনত্বের চেয়ে কম ছিল। একইভাবে, পূর্ব পোল্যান্ডে, ওর্জেচোস্কি এবং স্মলচিনস্কি৬৬ Ca, Mg এবং K এর মোট পরিমাণ মূল্যায়ন করেছেন এবং দেখিয়েছেন যে উপরিভাগের মাটিতে Ca (১১০০ মিলিগ্রাম/কেজি), Mg (৫৯০ মিলিগ্রাম/কেজি) এবং K (৮১০ মিলিগ্রাম/কেজি) এর গড় ঘনত্ব এই গবেষণার একক উপাদানের চেয়ে কম। পনগ্রাক এট আল. ৬৭ এর একটি সাম্প্রতিক গবেষণায় দেখা গেছে যে যুক্তরাজ্যের স্কটল্যান্ডের ৩টি ভিন্ন মাটিতে (মাইলনেফিল্ড মাটি, বালরুডারি মাটি এবং হার্টউড মাটি) বিশ্লেষণ করা মোট Ca এর পরিমাণ এই গবেষণার চেয়ে বেশি ছিল।
নমুনাভুক্ত মৌলগুলোর পরিমাপকৃত ঘনত্বের ভিন্নতার কারণে, মৌলগুলোর ডেটা সেটের বিন্যাসে ভিন্ন ভিন্ন স্কিউনেস দেখা যায়। মৌলগুলোর স্কিউনেস এবং কার্টোসিস যথাক্রমে ১.৫৩ থেকে ৭.২৪ এবং ২.৪৯ থেকে ৫৪.১৬ পর্যন্ত ছিল। গণনাকৃত সকল মৌলের স্কিউনেস এবং কার্টোসিসের মাত্রা +১-এর উপরে, যা নির্দেশ করে যে ডেটা বিন্যাসটি অনিয়মিত, ডানদিকে হেলে থাকা এবং চূড়াবিশিষ্ট। মৌলগুলোর আনুমানিক CV-গুলোও দেখায় যে K, Mg, এবং Ni মাঝারি পরিবর্তনশীলতা প্রদর্শন করে, যেখানে Ca-এর পরিবর্তনশীলতা অত্যন্ত বেশি। K, Ni এবং Mg-এর CV-গুলো তাদের সুষম বিন্যাসকে ব্যাখ্যা করে। অধিকন্তু, Ca-এর বিন্যাস অসম এবং বাহ্যিক উৎসগুলো এর সমৃদ্ধির মাত্রাকে প্রভাবিত করতে পারে।
প্রেডিক্টর ভেরিয়েবলগুলোর সাথে রেসপন্স এলিমেন্টগুলোর পারস্পরিক সম্পর্ক উপাদানগুলোর মধ্যে একটি সন্তোষজনক সম্পর্ক নির্দেশ করে (চিত্র ৩ দেখুন)। এই পারস্পরিক সম্পর্ক থেকে দেখা যায় যে, CaK এবং CaNi উভয়েই r-এর মান = ০.৫৩ সহ মাঝারি মানের পারস্পরিক সম্পর্ক প্রদর্শন করে। যদিও Ca এবং K একে অপরের সাথে সামান্য সম্পর্ক দেখায়, কিংস্টন প্রমুখ গবেষকরা... ৬৮ এবং সান্তো৬৯ পরামর্শ দেয় যে মাটিতে তাদের মাত্রা ব্যস্তানুপাতিক। যাইহোক, Ca এবং Mg, K-এর প্রতিপক্ষ, কিন্তু CaK-এর মধ্যে ভালো সম্পর্ক রয়েছে। এর কারণ হতে পারে পটাশিয়াম কার্বোনেটের মতো সারের প্রয়োগ, যাতে পটাশিয়ামের পরিমাণ ৫৬% বেশি। পটাশিয়ামের সাথে ম্যাগনেসিয়ামের মাঝারি সম্পর্ক ছিল (KM r = ০.৬৩)। সার শিল্পে, এই দুটি উপাদান ঘনিষ্ঠভাবে সম্পর্কিত কারণ মাটিতে এদের ঘাটতি পূরণের জন্য পটাশিয়াম ম্যাগনেসিয়াম সালফেট, পটাশিয়াম ম্যাগনেসিয়াম নাইট্রেট এবং পটাশ প্রয়োগ করা হয়। নিকেলের সাথে Ca, K এবং Mg-এর মাঝারি সম্পর্ক রয়েছে, যার r মান যথাক্রমে ০.৫২, ০.৬৩ এবং ০.৫৫। ক্যালসিয়াম, ম্যাগনেসিয়াম এবং নিকেলের মতো PTE-এর সাথে জড়িত সম্পর্কগুলি জটিল, কিন্তু তা সত্ত্বেও, ম্যাগনেসিয়াম ক্যালসিয়াম শোষণকে বাধা দেয়, ক্যালসিয়াম অতিরিক্ত ম্যাগনেসিয়ামের প্রভাব কমায় এবং ম্যাগনেসিয়াম ও ক্যালসিয়াম উভয়ই মাটিতে নিকেলের বিষাক্ত প্রভাব হ্রাস করে।
উপাদানগুলির পারস্পরিক সম্পর্ক ম্যাট্রিক্স যা ভবিষ্যদ্বাণীকারী এবং প্রতিক্রিয়াগুলির মধ্যে সম্পর্ক দেখায় (দ্রষ্টব্য: এই চিত্রে উপাদানগুলির মধ্যে একটি স্ক্যাটারপ্লট অন্তর্ভুক্ত রয়েছে, তাৎপর্য স্তর p < 0,001 এর উপর ভিত্তি করে)।
চিত্র ৪ উপাদানসমূহের স্থানিক বন্টন চিত্রিত করে। বার্গোস এট আল৭০-এর মতে, স্থানিক বন্টনের প্রয়োগ হলো দূষিত এলাকার হটস্পটগুলোকে পরিমাপ ও চিহ্নিত করার জন্য ব্যবহৃত একটি কৌশল। চিত্র ৪-এ Ca-এর সমৃদ্ধির মাত্রা স্থানিক বন্টন মানচিত্রের উত্তর-পশ্চিম অংশে দেখা যায়। চিত্রটি মাঝারি থেকে উচ্চ Ca সমৃদ্ধির হটস্পটগুলো দেখায়। মানচিত্রের উত্তর-পশ্চিমে ক্যালসিয়ামের এই সমৃদ্ধির কারণ সম্ভবত মাটির অম্লতা কমাতে কুইকলাইম (ক্যালসিয়াম অক্সাইড) ব্যবহার এবং ইস্পাত কারখানায় ইস্পাত তৈরির প্রক্রিয়ায় ক্ষারীয় অক্সিজেন হিসেবে এর ব্যবহার। অন্যদিকে, অন্যান্য কৃষকরা অম্লীয় মাটিতে pH নিরপেক্ষ করতে ক্যালসিয়াম হাইড্রোক্সাইড ব্যবহার করতে পছন্দ করেন, যা মাটির ক্যালসিয়ামের পরিমাণও বাড়িয়ে দেয়৭১। পটাশিয়ামও মানচিত্রের উত্তর-পশ্চিম এবং পূর্বে হটস্পট দেখায়। উত্তর-পশ্চিম একটি প্রধান কৃষিপ্রধান অঞ্চল, এবং পটাশিয়ামের মাঝারি থেকে উচ্চ মাত্রার এই বিন্যাস NPK এবং পটাশ প্রয়োগের কারণে হতে পারে। এটি অন্যান্য গবেষণার সাথে সামঞ্জস্যপূর্ণ, যেমন মাদারাস এবং লিপাভস্কি৭২, মাদারাস এট আল৭৩। পুলক্রাবোভা এট আল.৭৪, আসারে এট আল.৭৫, যারা পর্যবেক্ষণ করেছেন যে KCl এবং NPK দিয়ে মাটি স্থিতিশীলকরণ এবং শোধনের ফলে মাটিতে উচ্চ K উপাদান পাওয়া যায়। বন্টন মানচিত্রের উত্তর-পশ্চিমে স্থানিক পটাশিয়াম সমৃদ্ধি দুর্বল মাটিতে পটাশিয়ামের পরিমাণ বাড়ানোর জন্য পটাশিয়াম-ভিত্তিক সার যেমন পটাশিয়াম ক্লোরাইড, পটাশিয়াম সালফেট, পটাশিয়াম নাইট্রেট, পটাশ এবং পটাশ ব্যবহারের কারণে হতে পারে। জাডোরোভা এট আল.৭৬ এবং টলুস্টোস এট আল. ৭৭ নং সূত্রে উল্লেখ করা হয়েছে যে, পটাশ-ভিত্তিক সার প্রয়োগ করলে মাটিতে পটাশের পরিমাণ বৃদ্ধি পায় এবং দীর্ঘমেয়াদে মাটির পুষ্টিগুণ উল্লেখযোগ্যভাবে বৃদ্ধি পাবে, বিশেষ করে পটাশ এবং ম্যাগনেসিয়াম মাটিতে একটি হটস্পট তৈরি করবে। মানচিত্রের উত্তর-পশ্চিম এবং দক্ষিণ-পূর্ব দিকে তুলনামূলকভাবে মাঝারি হটস্পট রয়েছে। মাটিতে কলয়েডাল ফিক্সেশন ম্যাগনেসিয়ামের ঘনত্ব কমিয়ে দেয়। মাটিতে এর অভাবে উদ্ভিদের শিরার মধ্যবর্তী অংশে হলুদ ক্লোরোসিস দেখা যায়। ম্যাগনেসিয়াম-ভিত্তিক সার, যেমন পটাশিয়াম ম্যাগনেসিয়াম সালফেট, ম্যাগনেসিয়াম সালফেট এবং কাইসেরাইট, স্বাভাবিক পিএইচ পরিসরের মাটিতে এর ঘাটতি পূরণ করে (উদ্ভিদ বেগুনি, লাল বা বাদামী দেখায়, যা ম্যাগনেসিয়ামের অভাব নির্দেশ করে)। শহুরে এবং শহরতলী এলাকার মাটির উপরিভাগে নিকেলের সঞ্চয় কৃষির মতো মানবসৃষ্ট কার্যকলাপ এবং স্টেইনলেস স্টিল উৎপাদনে নিকেলের গুরুত্বের কারণে হতে পারে।
উপাদানসমূহের স্থানিক বিন্যাস [স্থানিক বিন্যাস মানচিত্রটি ArcGIS Desktop (ESRI, Inc, সংস্করণ 10.7, URL: https://desktop.arcgis.com) ব্যবহার করে তৈরি করা হয়েছে।]
এই গবেষণায় ব্যবহৃত উপাদানগুলোর মডেল পারফরম্যান্স ইনডেক্সের ফলাফল সারণি ২-এ দেখানো হয়েছে। অন্যদিকে, Ni-এর RMSE এবং MAE উভয়ই শূন্যের কাছাকাছি (০.৮৬ RMSE, -০.০৮ MAE)। অন্যদিকে, K-এর RMSE এবং MAE উভয় মানই গ্রহণযোগ্য। ক্যালসিয়াম এবং ম্যাগনেসিয়ামের জন্য RMSE এবং MAE-এর ফলাফল বেশি ছিল। ভিন্ন ডেটাসেটের কারণে Ca এবং K-এর MAE এবং RMSE-এর ফলাফল বেশি। Ni পূর্বাভাসের জন্য EBK ব্যবহার করে এই গবেষণার RMSE এবং MAE, একই সংগৃহীত ডেটা ব্যবহার করে মাটিতে S-এর ঘনত্ব পূর্বাভাসের জন্য সিনারজিস্টিক ক্রিগিং ব্যবহার করে জন এট আল. 54-এর ফলাফলের চেয়ে ভালো বলে প্রমাণিত হয়েছে। আমাদের অধ্যয়ন করা EBK আউটপুটগুলো ফ্যাবিজাচিক এট আল. 41, ইয়ান এট আল. 79, বেগুইন এট আল. 80, অধিকারী এট আল. 81 এবং জন এট আল. 82-এর আউটপুটের সাথে সম্পর্কযুক্ত, বিশেষ করে K এবং Ni-এর ক্ষেত্রে।
শহুরে এবং শহরতলী এলাকার মাটিতে নিকেলের পরিমাণ পূর্বাভাসের জন্য স্বতন্ত্র পদ্ধতিগুলোর কার্যকারিতা মডেলগুলোর পারফরম্যান্স ব্যবহার করে মূল্যায়ন করা হয়েছিল (সারণী ৩)। মডেল যাচাইকরণ এবং নির্ভুলতা মূল্যায়ন নিশ্চিত করেছে যে Ca_Mg_K পূর্বাভাসকটি EBK SVMR মডেলের সাথে মিলিত হয়ে সর্বোত্তম পারফরম্যান্স দিয়েছে। ক্যালিব্রেশন মডেল Ca_Mg_K-EBK_SVMR মডেলের R2, রুট মিন স্কয়ার এরর (RMSE) এবং মিন অ্যাবসোলিউট এরর (MAE) ছিল যথাক্রমে ০.৬৩৭ (R2), ৯৫.৪৭৯ mg/kg (RMSE) এবং ৭৭.৩৬৮ mg/kg (MAE) এবং Ca_Mg_K-SVMR এর ক্ষেত্রে ছিল যথাক্রমে ০.৬৬৩ (R2), ২৩৫.৯৭৪ mg/kg (RMSE) এবং ১৬৬.৯৪৬ mg/kg (MAE)। তা সত্ত্বেও, Ca_Mg_K-SVMR (০.৬৬৩ mg/kg R2) এবং Ca_Mg-EBK_SVMR এর জন্য ভালো R2 মান পাওয়া গেছে। (০.৬৪৩ = আর২); তাদের RMSE এবং MAE ফলাফল Ca_Mg_K-EBK_SVMR (R2 0.637) এর চেয়ে বেশি ছিল (টেবিল ৩ দেখুন)। এছাড়াও, Ca_Mg-EBK_SVMR (RMSE = 1664.64 এবং MAE = 1031.49) মডেলের RMSE এবং MAE যথাক্রমে 17.5 এবং 13.4, যা Ca_Mg_K-EBK_SVMR এর চেয়ে বেশি। একইভাবে, Ca_Mg-K SVMR (RMSE = 235.974 এবং MAE = 166.946) মডেলের RMSE এবং MAE যথাক্রমে Ca_Mg_K-EBK_SVMR এর RMSE এবং MAE এর চেয়ে 2.5 এবং 2.2 গুণ বেশি। গণনা করা RMSE ফলাফলগুলি নির্দেশ করে যে ডেটা সেটটি সেরা ফিট লাইনের সাথে কতটা কেন্দ্রীভূত। উচ্চতর RMSE এবং MAE পরিলক্ষিত হয়েছে। Kebonye et এর মতে লেগেটস এবং ম্যাককেব৮৩-এর মতে, আরএমএসই (RMSE) এবং এমএই (MAE) শূন্যের যত কাছাকাছি হবে, ফলাফল তত ভালো হবে। এসভিএমআর (SVMR) এবং ইবিকে_এসভিএমআর (EBK_SVMR)-এর কোয়ান্টাইজড আরএসএমই (RSME) এবং এমএই (MAE) মান বেশি। এটি লক্ষ্য করা গেছে যে আরএসএমই অনুমানগুলি এমএই মানগুলির চেয়ে ধারাবাহিকভাবে বেশি ছিল, যা আউটলায়ারের উপস্থিতি নির্দেশ করে। লেগেটস এবং ম্যাককেব৮৩-এর মতে, আরএমএসই গড় পরম ত্রুটি (এমএই)-কে কতটা অতিক্রম করে, তা আউটলায়ারের উপস্থিতির সূচক হিসাবে সুপারিশ করা হয়। এর মানে হল যে ডেটাসেট যত বেশি ভিন্নধর্মী হবে, এমএই এবং আরএমএসই মান তত বেশি হবে। শহুরে এবং শহরতলির মাটিতে নিকেলের পরিমাণ পূর্বাভাসের জন্য Ca_Mg_K-EBK_SVMR মিশ্র মডেলের ক্রস-ভ্যালিডেশন মূল্যায়নের নির্ভুলতা ছিল ৬৩.৭০%। লি এট আল. ৫৯-এর মতে, নির্ভুলতার এই স্তরটি একটি গ্রহণযোগ্য মডেল পারফরম্যান্স হার। বর্তমান ফলাফলগুলি তারাসভ এট আল.-এর একটি পূর্ববর্তী গবেষণার সাথে তুলনা করা হয়েছে। ৩৬ যার হাইব্রিড মডেল MLPRK (মাল্টিলেয়ার পারসেপট্রন রেসিডুয়াল ক্রিগিং) তৈরি করেছে, বর্তমান গবেষণায় রিপোর্ট করা EBK_SVMR নির্ভুলতা মূল্যায়ন সূচকের সাথে সম্পর্কিত, RMSE (210) এবং MAE (167.5) আমাদের বর্তমান গবেষণার ফলাফলের (RMSE 95.479, MAE 77.368) চেয়ে বেশি ছিল। যাইহোক, বর্তমান গবেষণার R2 (0.637) এর সাথে তারাসভ এট আল. এর তুলনা করার সময়। ৩৬ (০.৫৪৫) থেকে এটা স্পষ্ট যে, এই মিশ্র মডেলে নির্ণয় সহগ (R²) বেশি। মিশ্র মডেলের জন্য ত্রুটির ব্যবধান (RMSE এবং MAE) (EBK SVMR) দুই গুণ কম। একইভাবে, Sergeev et al.³⁴ বিকশিত হাইব্রিড মডেলের (Multilayer Perceptron Residual Kriging) জন্য ০.২৮ (R²) রেকর্ড করেছেন, যেখানে বর্তমান গবেষণায় Ni-এর জন্য ০.৬৩৭ (R²) রেকর্ড করা হয়েছে। এই মডেলের (EBK SVMR) পূর্বাভাসের নির্ভুলতার মাত্রা ৬৩.৭%, যেখানে Sergeev et al.³⁴ দ্বারা প্রাপ্ত পূর্বাভাসের নির্ভুলতা ২৮%। EBK_SVMR মডেল এবং Ca_Mg_K-কে পূর্বাভাসক হিসেবে ব্যবহার করে তৈরি করা চূড়ান্ত মানচিত্র (চিত্র ৫) পুরো গবেষণা এলাকা জুড়ে হট স্পট এবং মাঝারি থেকে নিকেলের পূর্বাভাস দেখায়। এর মানে হলো, গবেষণা এলাকায় নিকেলের ঘনত্ব প্রধানত মাঝারি, তবে কিছু নির্দিষ্ট এলাকায় এর ঘনত্ব বেশি।
চূড়ান্ত পূর্বাভাস মানচিত্রটি EBK_SVMR হাইব্রিড মডেল এবং Ca_Mg_K-কে পূর্বাভাসক হিসেবে ব্যবহার করে উপস্থাপন করা হয়েছে। [স্থানিক বন্টন মানচিত্রটি RStudio (সংস্করণ 1.4.1717: https://www.rstudio.com/) ব্যবহার করে তৈরি করা হয়েছে।]
চিত্র ৬-এ স্বতন্ত্র নিউরন দ্বারা গঠিত একটি গঠন তল হিসেবে পিটিই (PTE) ঘনত্ব উপস্থাপন করা হয়েছে। কোনো উপাদান তলই প্রদর্শিত একই রঙের বিন্যাস দেখায়নি। তবে, অঙ্কিত প্রতিটি মানচিত্রের জন্য উপযুক্ত নিউরনের সংখ্যা হলো ৫৫। বিভিন্ন রঙ ব্যবহার করে এসইওএম (SeOM) তৈরি করা হয়, এবং রঙের বিন্যাসগুলো যত বেশি সাদৃশ্যপূর্ণ হয়, নমুনাগুলোর বৈশিষ্ট্য তত বেশি তুলনীয় হয়। তাদের সুনির্দিষ্ট রঙের স্কেল অনুসারে, স্বতন্ত্র মৌলগুলো (Ca, K, এবং Mg) একক উচ্চ নিউরন এবং বেশিরভাগ নিম্ন নিউরনের সাথে সাদৃশ্যপূর্ণ রঙের বিন্যাস দেখিয়েছে। সুতরাং, CaK এবং CaMg খুব উচ্চ-ক্রমের নিউরন এবং নিম্ন থেকে মাঝারি রঙের বিন্যাসের সাথে কিছু সাদৃশ্য ভাগ করে নেয়। উভয় মডেলই লাল, কমলা এবং হলুদের মতো রঙের মাঝারি থেকে উচ্চ আভা প্রদর্শন করে মাটিতে নিকেলের (Ni) ঘনত্ব অনুমান করে। KMg মডেলটি সুনির্দিষ্ট অনুপাত এবং নিম্ন থেকে মাঝারি রঙের খণ্ডের উপর ভিত্তি করে অনেক উচ্চ রঙের বিন্যাস প্রদর্শন করে। নিম্ন থেকে উচ্চ পর্যন্ত একটি সুনির্দিষ্ট রঙের স্কেলে, মডেলের উপাদানগুলোর সমতলীয় বন্টন বিন্যাস একটি উচ্চ রঙের বিন্যাস দেখিয়েছে যা মাটিতে নিকেলের সম্ভাব্য ঘনত্ব নির্দেশ করে (চিত্র ৪ দেখুন)। CakMg মডেলের উপাদান তলটি নিম্ন থেকে উচ্চ পর্যন্ত একটি বৈচিত্র্যময় রঙের বিন্যাস দেখায়। একটি সঠিক রঙের স্কেল অনুসারে। অধিকন্তু, মডেলের নিকেল উপাদানের (CakMg) পূর্বাভাস চিত্র ৫-এ দেখানো নিকেলের স্থানিক বিতরণের অনুরূপ। উভয় গ্রাফই শহুরে এবং শহরতলী এলাকার মাটিতে নিকেল ঘনত্বের উচ্চ, মাঝারি এবং নিম্ন অনুপাত দেখায়। চিত্র ৭ মানচিত্রে কে-মিনস গ্রুপিং-এর কন্ট্যুর পদ্ধতিকে চিত্রিত করে, যা প্রতিটি মডেলে পূর্বাভাসিত মানের উপর ভিত্তি করে তিনটি ক্লাস্টারে বিভক্ত। কন্ট্যুর পদ্ধতি ক্লাস্টারের সর্বোত্তম সংখ্যাকে প্রতিনিধিত্ব করে। সংগৃহীত ১১৫টি মাটির নমুনার মধ্যে, বিভাগ ১ থেকে সর্বাধিক ৭৪টি নমুনা পাওয়া গেছে। ক্লাস্টার ২ থেকে ৩৩টি নমুনা এবং ক্লাস্টার ৩ থেকে ৮টি নমুনা পাওয়া গেছে। সঠিক ক্লাস্টার ব্যাখ্যার জন্য সাত-উপাদান বিশিষ্ট প্ল্যানার প্রেডিক্টর সংমিশ্রণকে সরলীকরণ করা হয়েছিল। মাটি গঠনকে প্রভাবিত করে এমন অসংখ্য মানবসৃষ্ট এবং প্রাকৃতিক প্রক্রিয়ার কারণে, একটি বিতরণকৃত SeOM মানচিত্রে সঠিকভাবে পৃথকীকৃত ক্লাস্টার প্যাটার্ন থাকা কঠিন।
প্রতিটি এম্পিরিক্যাল বেসিয়ান ক্রিগিং সাপোর্ট ভেক্টর মেশিন (EBK_SVM_SeOM) ভেরিয়েবল দ্বারা আউটপুটকৃত কম্পোনেন্ট প্লেন। [SeOM ম্যাপগুলো RStudio (সংস্করণ 1.4.1717: https://www.rstudio.com/) ব্যবহার করে তৈরি করা হয়েছে।]
বিভিন্ন ক্লাস্টার শ্রেণিবিন্যাস উপাদান [SeOM মানচিত্রগুলি RStudio (সংস্করণ 1.4.1717: https://www.rstudio.com/) ব্যবহার করে তৈরি করা হয়েছে।]
বর্তমান গবেষণাটি শহুরে এবং শহরতলী এলাকার মাটিতে নিকেলের ঘনত্বের মডেলিং কৌশল স্পষ্টভাবে তুলে ধরেছে। মাটিতে নিকেলের ঘনত্ব পূর্বাভাসের সর্বোত্তম উপায় খুঁজে বের করার জন্য, এই গবেষণায় বিভিন্ন মডেলিং কৌশল পরীক্ষা করা হয়েছে এবং মডেলিং কৌশলের সাথে বিভিন্ন উপাদানকে একত্রিত করা হয়েছে। মডেলিং কৌশলের SeOM-এর গঠনগত সমতলীয় স্থানিক বৈশিষ্ট্যগুলো একটি সঠিক রঙের স্কেলে নিম্ন থেকে উচ্চ পর্যন্ত একটি উচ্চ রঙের বিন্যাস প্রদর্শন করে, যা মাটিতে Ni-এর ঘনত্ব নির্দেশ করে। তবে, স্থানিক বন্টন মানচিত্রটি EBK_SVMR দ্বারা প্রদর্শিত উপাদানগুলোর সমতলীয় স্থানিক বন্টনকে নিশ্চিত করে (চিত্র ৫ দেখুন)। ফলাফল থেকে দেখা যায় যে, সাপোর্ট ভেক্টর মেশিন রিগ্রেশন মডেল (Ca Mg K-SVMR) একটি একক মডেল হিসেবে মাটিতে Ni-এর ঘনত্বের পূর্বাভাস দেয়, কিন্তু এর বৈধতা এবং নির্ভুলতা মূল্যায়ন প্যারামিটারগুলো RMSE এবং MAE-এর পরিপ্রেক্ষিতে খুব উচ্চ ত্রুটি দেখায়। অন্যদিকে, EBK_MLR মডেলের সাথে ব্যবহৃত মডেলিং কৌশলটিও নির্ণয় সহগের (R2) কম মানের কারণে ত্রুটিপূর্ণ। EBK SVMR এবং সম্মিলিত উপাদান (CaKMg) ব্যবহার করে কম RMSE এবং MAE ত্রুটিসহ ৬৩.৭% নির্ভুলতার সাথে ভালো ফলাফল পাওয়া গেছে। মেশিন লার্নিং অ্যালগরিদমের সাথে EBK অ্যালগরিদম ব্যবহার করে একটি হাইব্রিড অ্যালগরিদম তৈরি করা যায়, যা মাটিতে PTE-এর ঘনত্ব পূর্বাভাস দিতে পারে। ফলাফল থেকে দেখা যায় যে, অধ্যয়ন এলাকায় Ni-এর ঘনত্ব পূর্বাভাস দেওয়ার জন্য Ca, Mg, K-কে পূর্বাভাসক হিসেবে ব্যবহার করলে মাটিতে Ni-এর পূর্বাভাস উন্নত হতে পারে। এর অর্থ হলো, নিকেল-ভিত্তিক সারের ক্রমাগত প্রয়োগ এবং ইস্পাত শিল্পের দ্বারা মাটির শিল্প দূষণের ফলে মাটিতে নিকেলের ঘনত্ব বৃদ্ধির প্রবণতা রয়েছে। এই গবেষণায় দেখা গেছে যে, EBK মডেল শহুরে বা উপশহুরে মাটির স্থানিক বন্টন মডেলের ত্রুটির মাত্রা কমাতে এবং নির্ভুলতা উন্নত করতে পারে। সাধারণভাবে, আমরা মাটিতে PTE মূল্যায়ন ও পূর্বাভাস দেওয়ার জন্য EBK-SVMR মডেল প্রয়োগ করার প্রস্তাব করছি; এছাড়াও, আমরা বিভিন্ন মেশিন লার্নিং অ্যালগরিদমের সাথে EBK-কে হাইব্রিড করার প্রস্তাব করছি। উপাদানগুলোকে কোভ্যারিয়েট হিসেবে ব্যবহার করে Ni-এর ঘনত্বের পূর্বাভাস দেওয়া হয়েছিল; তবে, আরও কোভেরিয়েট ব্যবহার করলে মডেলটির পারফরম্যান্স ব্যাপকভাবে উন্নত হবে, যা বর্তমান কাজের একটি সীমাবদ্ধতা হিসেবে গণ্য করা যেতে পারে। এই গবেষণার আরেকটি সীমাবদ্ধতা হলো ডেটাসেটের সংখ্যা ১১৫। সুতরাং, আরও ডেটা সরবরাহ করা হলে প্রস্তাবিত অপটিমাইজড হাইব্রিডাইজেশন পদ্ধতির পারফরম্যান্স উন্নত করা যেতে পারে।
PlantProbs.net. উদ্ভিদ ও মাটিতে নিকেল https://plantprobs.net/plant/nutrientImbalances/sodium.html (সংগ্রহের তারিখ ২৮ এপ্রিল ২০২১)।
কাসপ্রজাক, কেএস নিকেল আধুনিক পরিবেশগত বিষবিজ্ঞানে অগ্রগতি। পারিপার্শ্বিক বিষবিজ্ঞান।১১, ১৪৫–১৮৩ (১৯৮৭)।
সেম্পেল, এম. ও নিকেল, জি. নিকেল: এর উৎসসমূহ ও পরিবেশগত বিষবিদ্যার একটি পর্যালোচনা। পোলিশ জার্নাল অফ এনভায়রনমেন্ট স্টাডিজ ১৫, ৩৭৫–৩৮২ (২০০৬)।
ফ্রিডম্যান, বি. এবং হাচিনসন, টিসি "কানাডার অন্টারিওর সডবারিতে একটি নিকেল-কপার স্মেল্টারের নিকটবর্তী মাটি এবং উদ্ভিদে বায়ুমণ্ডল থেকে দূষকের প্রবেশ এবং সঞ্চয়ন"। ক্যান. জে. বট. 58(1), 108-132। https://doi.org/10.1139/b80-014 (1980)।
মানিওয়া, টি. প্রমুখ। বতসোয়ানার সেলেবি-ফিকওয়ে তামা-নিকেল খনির নিকটবর্তী মাটি ও উদ্ভিদে ভারী ধাতু এবং চারণরত রোমন্থক প্রাণীদের সাথে সম্পর্কিত ঝুঁকি। আশপাশের ভূ-রসায়ন। স্বাস্থ্য https://doi.org/10.1007/s10653-021-00918-x (২০২১)।
কাবাটা-পেন্ডিয়াস এ. ২০১১। মাটিতে ট্রেস এলিমেন্টস এবং… – গুগল স্কলার https://scholar.google.com/scholar?hl=en&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= (সংগ্রহের তারিখ ২৪ নভেম্বর ২০২০)।
আলমাস, এ., সিং, বি., কৃষি, টিএস-এনজে অফ & ১৯৯৫, অনির্দিষ্ট। নরওয়ের সোয়ের-ভারাঙ্গারের কৃষি মৃত্তিকা এবং ঘাসে ভারী ধাতুর ঘনত্বের উপর রাশিয়ান নিকেল শিল্পের প্রভাব। agris.fao.org।
নিলসেন, জিডি প্রমুখ। পানীয় জলে নিকেলের শোষণ ও ধারণ খাদ্য গ্রহণ এবং নিকেল সংবেদনশীলতার সাথে সম্পর্কিত। টক্সিকোলজি.অ্যাপ্লিকেশন.ফার্মাকোডাইনামিক্স.১৫৪, ৬৭–৭৫ (১৯৯৯)।
কোস্টা, এম. এবং ক্লেইন, সিবি নিকেল কার্সিনোজেনেসিস, মিউটেশন, এপিজেনেটিক্স অথবা সিলেকশন। সারাউন্ডিংস। হেলথ পার্সপেক্টিভ। ১০৭, ২ (১৯৯৯)।
আজমান, পিসি; আজাদো, এসকে; বোরুভকা, এল.; বিনি, জেকেএম; সারকোডি, ভিওয়াইও; কোবোনিয়ে, এনএম; সম্ভাব্য বিষাক্ত মৌলসমূহের প্রবণতা বিশ্লেষণ: একটি গ্রন্থপঞ্জী পর্যালোচনা। এনভায়রনমেন্টাল জিওকেমিস্ট্রি অ্যান্ড হেলথ। স্প্রিংগার সায়েন্স অ্যান্ড বিজনেস মিডিয়া বিভি ২০২০। https://doi.org/10.1007/s10653-020-00742-9.
মিনাসনি, বি. এবং ম্যাকব্র্যাটনি, এ.বি. ডিজিটাল মৃত্তিকা মানচিত্রায়ন: একটি সংক্ষিপ্ত ইতিহাস এবং কিছু শিক্ষা। জিওডার্মা ২৬৪, ৩০১–৩১১। https://doi.org/10.1016/j.geoderma.2015.07.017 (২০১৬)।
McBratney, AB, Mendonça Santos, ML & Minasny, B. on digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)৷
Deutsch.CV Geostatistical Reservoir Modeling,… – গুগল স্কলার https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (সংগ্রহের তারিখ ২৮ এপ্রিল ২০২১)।