Nature.com পরিদর্শন করার জন্য আপনাকে ধন্যবাদ। আপনি যে ব্রাউজার সংস্করণটি ব্যবহার করছেন তাতে CSS-এর জন্য সীমিত সমর্থন রয়েছে। সেরা অভিজ্ঞতার জন্য, আমরা আপনাকে একটি আপডেট করা ব্রাউজার ব্যবহার করার পরামর্শ দিচ্ছি (অথবা ইন্টারনেট এক্সপ্লোরারে সামঞ্জস্যতা মোড বন্ধ করুন)। ইতিমধ্যে, অব্যাহত সমর্থন নিশ্চিত করার জন্য, আমরা স্টাইল এবং জাভাস্ক্রিপ্ট ছাড়াই সাইটটি প্রদর্শন করব।
মাটি দূষণ মানুষের কার্যকলাপের কারণে সৃষ্ট একটি বড় সমস্যা। বেশিরভাগ শহর এবং শহরতলিতে সম্ভাব্য বিষাক্ত উপাদানের (PTEs) স্থানিক বন্টন পরিবর্তিত হয়। অতএব, এই ধরনের মাটিতে PTEs-এর পরিমাণ স্থানিকভাবে ভবিষ্যদ্বাণী করা কঠিন। চেক প্রজাতন্ত্রের ফ্রাইডেক মিস্টেক থেকে মোট ১১৫টি নমুনা সংগ্রহ করা হয়েছিল। ক্যালসিয়াম (Ca), ম্যাগনেসিয়াম (Mg), পটাসিয়াম (K) এবং নিকেল (Ni) ঘনত্ব inductively coupled plasma emission spectrometry ব্যবহার করে নির্ধারণ করা হয়েছিল। প্রতিক্রিয়া পরিবর্তনশীল হল Ni এবং ভবিষ্যদ্বাণীকারী হল Ca, Mg এবং K। প্রতিক্রিয়া পরিবর্তনশীল এবং ভবিষ্যদ্বাণীকারী পরিবর্তনশীলের মধ্যে পারস্পরিক সম্পর্ক ম্যাট্রিক্স উপাদানগুলির মধ্যে একটি সন্তোষজনক সম্পর্ক দেখায়। পূর্বাভাসের ফলাফলগুলি দেখায় যে সাপোর্ট ভেক্টর মেশিন রিগ্রেশন (SVMR) ভাল পারফর্ম করেছে, যদিও এর আনুমানিক মূল গড় বর্গ ত্রুটি (RMSE) (235.974 mg/kg) এবং গড় পরম ত্রুটি (MAE) (166.946 mg/kg) প্রয়োগ করা অন্যান্য পদ্ধতির তুলনায় বেশি ছিল। অভিজ্ঞতামূলক বেয়েসিয়ান ক্রিগিং-মাল্টিপল লিনিয়ার রিগ্রেশনের জন্য মিশ্র মডেল (EBK-MLR) খারাপ পারফর্ম করে, যা 0.1 এর কম নির্ধারণের সহগ দ্বারা প্রমাণিত। অভিজ্ঞতামূলক বেইসিয়ান ক্রিগিং-সাপোর্ট ভেক্টর মেশিন রিগ্রেশন (EBK-SVMR) মডেলটি সেরা মডেল ছিল, কম RMSE (95.479 mg/kg) এবং MAE (77.368 mg/kg) মান এবং উচ্চ নির্ধারণের সহগ (R2 = 0.637) সহ। EBK-SVMR মডেলিং কৌশলের আউটপুটটি একটি স্ব-সংগঠিত মানচিত্র ব্যবহার করে কল্পনা করা হয়। হাইব্রিড মডেল CakMg-EBK-SVMR উপাদানের সমতলে ক্লাস্টার করা নিউরনগুলি একাধিক রঙের প্যাটার্ন দেখায় যা শহর এবং শহর উভয় মাটিতে Ni ঘনত্বের পূর্বাভাস দেয়। ফলাফলগুলি দেখায় যে EBK এবং SVMR একত্রিত করা শহর এবং শহর উভয় মাটিতে Ni ঘনত্বের পূর্বাভাস দেওয়ার জন্য একটি কার্যকর কৌশল।
নিকেল (Ni) উদ্ভিদের জন্য একটি মাইক্রোনিউট্রিয়েন্ট হিসেবে বিবেচিত হয় কারণ এটি বায়ুমণ্ডলীয় নাইট্রোজেন স্থিরকরণ (N) এবং ইউরিয়া বিপাককে অবদান রাখে, যা উভয়ই বীজ অঙ্কুরোদগমের জন্য প্রয়োজনীয়। বীজ অঙ্কুরোদগে অবদান ছাড়াও, Ni একটি ছত্রাক এবং ব্যাকটেরিয়া প্রতিরোধক হিসেবে কাজ করতে পারে এবং উদ্ভিদের বিকাশকে উৎসাহিত করতে পারে। মাটিতে নিকেলের অভাব উদ্ভিদকে এটি শোষণ করতে দেয়, যার ফলে পাতার ক্লোরোসিস হয়। উদাহরণস্বরূপ, কাউপিস এবং সবুজ মটরশুটিতে নাইট্রোজেন স্থিরকরণকে সর্বোত্তম করার জন্য নিকেল-ভিত্তিক সার প্রয়োগের প্রয়োজন হয়। মাটিকে সমৃদ্ধ করতে এবং মাটিতে নাইট্রোজেন স্থির করার জন্য শিমের ক্ষমতা বৃদ্ধি করার জন্য নিকেল-ভিত্তিক সার ক্রমাগত প্রয়োগ মাটিতে নিকেলের ঘনত্ব বৃদ্ধি করে। যদিও নিকেল উদ্ভিদের জন্য একটি মাইক্রোনিউট্রিয়েন্ট, মাটিতে এর অত্যধিক গ্রহণ ভালোর চেয়ে বেশি ক্ষতি করতে পারে। মাটিতে নিকেলের বিষাক্ততা মাটির pH কমিয়ে দেয় এবং উদ্ভিদের বৃদ্ধির জন্য একটি অপরিহার্য পুষ্টি হিসাবে লোহা গ্রহণকে বাধাগ্রস্ত করে। Liu3 অনুসারে, Ni উদ্ভিদের বিকাশ এবং বৃদ্ধির জন্য প্রয়োজনীয় 17 তম গুরুত্বপূর্ণ উপাদান হিসাবে পাওয়া গেছে। উদ্ভিদের বিকাশ এবং বৃদ্ধিতে নিকেলের ভূমিকা ছাড়াও, মানুষের বিভিন্ন প্রয়োগের জন্য এটি প্রয়োজন। ইলেকট্রোপ্লেটিং, নিকেল-ভিত্তিক সংকর ধাতু উৎপাদন, এবং স্বয়ংচালিত শিল্পে ইগনিশন ডিভাইস এবং স্পার্ক প্লাগ তৈরির জন্য বিভিন্ন শিল্প খাতে নিকেলের ব্যবহার প্রয়োজন। এছাড়াও, নিকেল-ভিত্তিক সংকর ধাতু এবং ইলেক্ট্রোপ্লেটেড জিনিসপত্র রান্নাঘরের জিনিসপত্র, বলরুমের আনুষাঙ্গিক, খাদ্য শিল্প সরবরাহ, বৈদ্যুতিক, তার এবং কেবল, জেট টারবাইন, অস্ত্রোপচার ইমপ্লান্ট, টেক্সটাইল এবং জাহাজ নির্মাণে ব্যাপকভাবে ব্যবহৃত হয়েছে। মাটিতে (অর্থাৎ, পৃষ্ঠের মাটি) Ni-সমৃদ্ধ স্তর নৃতাত্ত্বিক এবং প্রাকৃতিক উভয় উৎসের জন্য দায়ী করা হয়েছে, তবে প্রাথমিকভাবে, Ni নৃতাত্ত্বিক নয় বরং একটি প্রাকৃতিক উৎস। নিকেলের প্রাকৃতিক উৎসগুলির মধ্যে রয়েছে আগ্নেয়গিরির অগ্ন্যুৎপাত, গাছপালা, বনের আগুন এবং ভূতাত্ত্বিক প্রক্রিয়া; তবে, নৃতাত্ত্বিক উৎসগুলির মধ্যে রয়েছে ইস্পাত শিল্পে নিকেল/ক্যাডমিয়াম ব্যাটারি, ইলেক্ট্রোপ্লেটিং, আর্ক ওয়েল্ডিং, ডিজেল এবং জ্বালানি তেল এবং কয়লা দহন এবং বর্জ্য এবং কাদা পোড়ানো থেকে বায়ুমণ্ডলীয় নির্গমন নিকেল জমা7,8। ফ্রিডম্যান এবং হাচিনসন9 এবং মানিওয়া এট আল-এর মতে। ১০, তাৎক্ষণিক এবং সংলগ্ন পরিবেশে মাটির উপরিভাগ দূষণের প্রধান উৎস হল মূলত নিকেল-তামা-ভিত্তিক গন্ধক এবং খনি। কানাডার সাডবেরি নিকেল-তামা শোধনাগারের চারপাশের মাটির উপরের অংশে নিকেল দূষণের সর্বোচ্চ মাত্রা ছিল ২৬,০০০ মিলিগ্রাম/কেজি। বিপরীতে, রাশিয়ায় নিকেল উৎপাদনের দূষণের ফলে নরওয়েজিয়ান মাটিতে নিকেলের ঘনত্ব বেড়েছে। আলমস এট আলের মতে। ১২, অঞ্চলের শীর্ষ আবাদযোগ্য জমিতে (রাশিয়ায় নিকেল উৎপাদন) HNO3-নিষ্কাশনযোগ্য নিকেলের পরিমাণ ৬.২৫ থেকে ১৩৬.৮৮ মিলিগ্রাম/কেজি পর্যন্ত ছিল, যা গড়ে ৩০.৪৩ মিলিগ্রাম/কেজি এবং বেসলাইন ঘনত্ব ২৫ মিলিগ্রাম/কেজি। কাবাটা ১১ অনুসারে, ধারাবাহিক ফসলের মরসুমে শহর বা শহরতলির মাটিতে কৃষি মাটিতে ফসফরাস সার প্রয়োগ মাটিকে অনুপ্রবেশ বা দূষিত করতে পারে। মানুষের মধ্যে নিকেলের সম্ভাব্য প্রভাব মিউটেজেনেসিস, ক্রোমোসোমাল ক্ষতি, জেড-ডিএনএ জেনারেশন, ব্লকড ডিএনএ এক্সিশন মেরামত বা এপিজেনেটিক প্রক্রিয়ার মাধ্যমে ক্যান্সারের দিকে পরিচালিত করতে পারে। প্রাণী পরীক্ষায়, নিকেলের বিভিন্ন ধরণের টিউমার সৃষ্টি করার সম্ভাবনা রয়েছে বলে দেখা গেছে এবং কার্সিনোজেনিক নিকেল কমপ্লেক্স এই ধরনের টিউমারকে আরও বাড়িয়ে তুলতে পারে।
সাম্প্রতিক সময়ে মাটি-উদ্ভিদ সম্পর্ক, মাটি এবং মাটির জৈবিক সম্পর্ক, পরিবেশগত অবক্ষয় এবং পরিবেশগত প্রভাব মূল্যায়ন থেকে উদ্ভূত স্বাস্থ্য-সম্পর্কিত বিস্তৃত সমস্যার কারণে মাটি দূষণ মূল্যায়নের প্রসার ঘটেছে। আজ অবধি, মাটিতে Ni-এর মতো সম্ভাব্য বিষাক্ত উপাদানের (PTEs) স্থানিক পূর্বাভাস ঐতিহ্যবাহী পদ্ধতি ব্যবহার করে শ্রমসাধ্য এবং সময়সাপেক্ষ। ডিজিটাল মাটি ম্যাপিং (DSM) এর আবির্ভাব এবং এর বর্তমান সাফল্য ভবিষ্যদ্বাণীমূলক মাটি ম্যাপিং (PSM) কে ব্যাপকভাবে উন্নত করেছে। মিনাসনি এবং ম্যাকব্র্যাটনি 16 এর মতে, ভবিষ্যদ্বাণীমূলক মাটি ম্যাপিং (DSM) মাটি বিজ্ঞানের একটি বিশিষ্ট উপশাখা হিসেবে প্রমাণিত হয়েছে। ল্যাগাচেরি এবং ম্যাকব্র্যাটনি, 2006 DSM কে "ইন সিটু এবং ল্যাবরেটরি পর্যবেক্ষণ পদ্ধতি এবং স্থানিক এবং অ-স্থানিক মাটি অনুমান ব্যবস্থা ব্যবহারের মাধ্যমে স্থানিক মাটি তথ্য ব্যবস্থা তৈরি এবং পূরণ" হিসাবে সংজ্ঞায়িত করেছেন। ম্যাকব্র্যাটনি এবং অন্যান্য। ১৭ রূপরেখা দেয় যে সমসাময়িক DSM বা PSM হল PTE, মাটির ধরণ এবং মাটির বৈশিষ্ট্যের স্থানিক বন্টন পূর্বাভাস বা ম্যাপিংয়ের জন্য সবচেয়ে কার্যকর কৌশল। ভূ-পরিসংখ্যান এবং মেশিন লার্নিং অ্যালগরিদম (MLA) হল DSM মডেলিং কৌশল যা উল্লেখযোগ্য এবং ন্যূনতম ডেটা ব্যবহার করে কম্পিউটারের সাহায্যে ডিজিটাইজড মানচিত্র তৈরি করে।
Deutsch18 এবং Olea19 ভূ-পরিসংখ্যানবিদ্যাকে "স্থানিক বৈশিষ্ট্যের প্রতিনিধিত্বের সাথে সম্পর্কিত সংখ্যাসূচক কৌশলগুলির সংগ্রহ হিসাবে সংজ্ঞায়িত করে, প্রধানত স্টোকাস্টিক মডেল ব্যবহার করে, যেমন সময় সিরিজ বিশ্লেষণ কীভাবে টেম্পোরাল ডেটাকে চিহ্নিত করে।" প্রাথমিকভাবে, ভূ-পরিসংখ্যানবিদ্যায় ভেরিওগ্রামের মূল্যায়ন জড়িত, যা প্রতিটি ডেটাসেট থেকে স্থানিক মানের নির্ভরতা পরিমাপ এবং সংজ্ঞায়িত করার অনুমতি দেয়।Gumiaux et al. ২০ আরও ব্যাখ্যা করে যে ভূ-পরিসংখ্যানবিদ্যায় ভ্যারিওগ্রামের মূল্যায়ন তিনটি নীতির উপর ভিত্তি করে তৈরি, যার মধ্যে রয়েছে (ক) ডেটা পারস্পরিক সম্পর্কের স্কেল গণনা করা, (খ) ডেটাসেট বৈষম্যের অ্যানিসোট্রপি সনাক্তকরণ এবং গণনা করা এবং (গ) স্থানীয় প্রভাব থেকে পৃথক পরিমাপের ডেটার অন্তর্নিহিত ত্রুটি বিবেচনা করার পাশাপাশি, এলাকার প্রভাবগুলিও অনুমান করা হয়। এই ধারণাগুলির উপর ভিত্তি করে, ভূ-পরিসংখ্যানবিদ্যায় অনেক ইন্টারপোলেশন কৌশল ব্যবহার করা হয়, যার মধ্যে রয়েছে সাধারণ ক্রিগিং, কো-ক্রিগিং, সাধারণ ক্রিগিং, অভিজ্ঞতামূলক বেয়েসিয়ান ক্রিগিং, সহজ ক্রিগিং পদ্ধতি এবং অন্যান্য সুপরিচিত ইন্টারপোলেশন কৌশল যা PTE, মাটির বৈশিষ্ট্য এবং মাটির প্রকারগুলি মানচিত্র বা ভবিষ্যদ্বাণী করে।
মেশিন লার্নিং অ্যালগরিদম (MLA) একটি অপেক্ষাকৃত নতুন কৌশল যা বৃহত্তর অ-রৈখিক ডেটা ক্লাস ব্যবহার করে, যা মূলত ডেটা মাইনিং, ডেটাতে প্যাটার্ন সনাক্তকরণের জন্য ব্যবহৃত অ্যালগরিদম দ্বারা চালিত হয় এবং মাটি বিজ্ঞান এবং রিটার্ন টাস্কের মতো বৈজ্ঞানিক ক্ষেত্রে বারবার শ্রেণীবদ্ধকরণে প্রয়োগ করা হয়। অসংখ্য গবেষণাপত্র মাটিতে PTE পূর্বাভাস দেওয়ার জন্য MLA মডেলের উপর নির্ভর করে, যেমন Tan et al. 22 (কৃষি মাটিতে ভারী ধাতু অনুমানের জন্য এলোমেলো বন), Sakizadeh et al. 23 (সাপোর্ট ভেক্টর মেশিন এবং কৃত্রিম নিউরাল নেটওয়ার্ক ব্যবহার করে মডেলিং) মাটি দূষণ)। এছাড়াও, Vega et al. 24 (মাটিতে ভারী ধাতু ধারণ এবং শোষণের মডেলিংয়ের জন্য CART) Sun et al. 25 (কিউবিস্টের প্রয়োগ হল মাটিতে Cd এর বিতরণ) এবং অন্যান্য অ্যালগরিদম যেমন k-নিকটতম প্রতিবেশী, সাধারণীকৃত বুস্টেড রিগ্রেশন এবং বুস্টেড রিগ্রেশন গাছগুলি মাটিতে PTE পূর্বাভাস দেওয়ার জন্য MLA মডেলও প্রয়োগ করে।
ভবিষ্যদ্বাণী বা ম্যাপিংয়ে DSM অ্যালগরিদমের প্রয়োগ বেশ কয়েকটি চ্যালেঞ্জের মুখোমুখি হয়। অনেক লেখক বিশ্বাস করেন যে MLA ভূ-পরিসংখ্যানবিদ্যার চেয়ে উন্নত এবং তদ্বিপরীত। যদিও একটি অন্যটির চেয়ে ভালো, দুটির সমন্বয় DSM15-এ ম্যাপিং বা ভবিষ্যদ্বাণীর নির্ভুলতার স্তর উন্নত করে। উডকক এবং গোপাল26 ফিঙ্ক27; পন্টিয়াস এবং চেউক28 এবং গ্রুনওয়াল্ড29 ভবিষ্যদ্বাণীকৃত মাটির ম্যাপিংয়ের ঘাটতি এবং কিছু ত্রুটি সম্পর্কে মন্তব্য করেছেন। মৃত্তিকা বিজ্ঞানীরা DSM ম্যাপিং এবং পূর্বাভাসের কার্যকারিতা, নির্ভুলতা এবং ভবিষ্যদ্বাণীযোগ্যতা অপ্টিমাইজ করার জন্য বিভিন্ন কৌশল চেষ্টা করেছেন। কার্যকারিতা অপ্টিমাইজ করতে এবং ত্রুটিগুলি হ্রাস করার জন্য DSM-এ সংহত অনেকগুলি ভিন্ন দিকের মধ্যে অনিশ্চয়তা এবং যাচাইকরণের সংমিশ্রণ একটি। যাইহোক, Agyeman et al. 15 রূপরেখা দিয়েছেন যে মানচিত্র তৈরি এবং ভবিষ্যদ্বাণী দ্বারা প্রবর্তিত বৈধতা আচরণ এবং অনিশ্চয়তা মানচিত্রের গুণমান উন্নত করার জন্য স্বাধীনভাবে যাচাই করা উচিত। DSM-এর সীমাবদ্ধতা ভৌগোলিকভাবে ছড়িয়ে ছিটিয়ে থাকা মাটির গুণমানের কারণে, যার মধ্যে অনিশ্চয়তার একটি উপাদান জড়িত; তবে, DSM-এ নিশ্চিততার অভাব ত্রুটির একাধিক উৎস থেকে উদ্ভূত হতে পারে, যেমন কোভেরিয়েট ত্রুটি, মডেল ত্রুটি, অবস্থান ত্রুটি এবং বিশ্লেষণাত্মক ত্রুটি 31। MLA এবং ভূ-পরিসংখ্যানগত প্রক্রিয়াগুলিতে সৃষ্ট মডেলিং ভুল বোঝাবুঝির অভাবের সাথে সম্পর্কিত, যা শেষ পর্যন্ত বাস্তব প্রক্রিয়াটির অতি সরলীকরণের দিকে পরিচালিত করে32। মডেলিংয়ের প্রকৃতি নির্বিশেষে, ভুলগুলি মডেলিং পরামিতি, গাণিতিক মডেল ভবিষ্যদ্বাণী বা ইন্টারপোলেশনের জন্য দায়ী করা যেতে পারে33। সম্প্রতি, একটি নতুন DSM প্রবণতা আবির্ভূত হয়েছে যা ম্যাপিং এবং পূর্বাভাসে ভূ-পরিসংখ্যান এবং MLA-এর একীকরণকে উৎসাহিত করে। বেশ কয়েকজন মৃত্তিকা বিজ্ঞানী এবং লেখক, যেমন Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 এবং Tarasov et al. 37 পূর্বাভাস এবং ম্যাপিংয়ের দক্ষতা উন্নত করে এমন হাইব্রিড মডেল তৈরি করতে ভূ-পরিসংখ্যান এবং মেশিন লার্নিংয়ের সঠিক গুণমানকে কাজে লাগিয়েছেন। গুণমান। এই হাইব্রিড বা সম্মিলিত অ্যালগরিদম মডেলগুলির মধ্যে কিছু হল কৃত্রিম নিউরাল নেটওয়ার্ক ক্রিগিং (ANN-RK), মাল্টিলেয়ার পারসেপ্ট্রন রেসিডুয়াল ক্রিগিং (MLP-RK), জেনারেলাইজড রিগ্রেশন নিউরাল নেটওয়ার্ক রেসিডুয়াল ক্রিগিং (GR- NNRK)36, কৃত্রিম নিউরাল নেটওয়ার্ক ক্রিগিং-মাল্টিলেয়ার পারসেপ্ট্রন (ANN-K-MLP)37 এবং কো-ক্রিগিং এবং গাউসিয়ান প্রক্রিয়া রিগ্রেশন38।
সের্গিভ এবং অন্যান্যদের মতে, বিভিন্ন মডেলিং কৌশল একত্রিত করলে ত্রুটি দূর করার এবং একক মডেল তৈরির পরিবর্তে ফলস্বরূপ হাইব্রিড মডেলের দক্ষতা বৃদ্ধির সম্ভাবনা রয়েছে। এই প্রসঙ্গে, এই নতুন গবেষণাপত্রটি যুক্তি দেয় যে নগর ও পেরি-নগর এলাকায় Ni সমৃদ্ধকরণের পূর্বাভাস দেওয়ার জন্য সর্বোত্তম হাইব্রিড মডেল তৈরি করার জন্য ভূ-পরিসংখ্যান এবং MLA-এর একটি সম্মিলিত অ্যালগরিদম প্রয়োগ করা প্রয়োজন। এই গবেষণাটি বেস মডেল হিসাবে Empirical Bayesian Kriging (EBK) এর উপর নির্ভর করবে এবং এটিকে Support Vector Machine (SVM) এবং Multiple Linear Regression (MLR) মডেলের সাথে মিশ্রিত করবে। EBK-এর যেকোনো MLA-এর সাথে হাইব্রিডাইজেশন জানা যায়নি। দেখা একাধিক মিশ্র মডেল হল সাধারণ, অবশিষ্ট, রিগ্রেশন ক্রিগিং এবং MLA-এর সংমিশ্রণ। EBK হল একটি ভূ-পরিসংখ্যানগত ইন্টারপোলেশন পদ্ধতি যা একটি স্থানিকভাবে স্টোকাস্টিক প্রক্রিয়া ব্যবহার করে যা ক্ষেত্রের উপর সংজ্ঞায়িত স্থানীয়করণ পরামিতি সহ একটি অ-স্থির/স্থির র্যান্ডম ক্ষেত্র হিসাবে স্থানীয়করণ করা হয়, যা স্থানিক বৈচিত্র্যের অনুমতি দেয়39। EBK বিভিন্ন গবেষণায় ব্যবহৃত হয়েছে, যার মধ্যে রয়েছে খামারের মাটিতে জৈব কার্বনের বিতরণ বিশ্লেষণ করা40, মাটি দূষণ মূল্যায়ন করা41। এবং মাটির বৈশিষ্ট্য ম্যাপিং42।
অন্যদিকে, সেল্ফ-অর্গানাইজিং গ্রাফ (SeOM) হল একটি লার্নিং অ্যালগরিদম যা বিভিন্ন প্রবন্ধে প্রয়োগ করা হয়েছে যেমন Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 এবং Kebonye et al. 46 উপাদানগুলির স্থানিক বৈশিষ্ট্য এবং গোষ্ঠীকরণ নির্ধারণ করুন। Wang et al. 44 রূপরেখা দিয়েছেন যে SeOM একটি শক্তিশালী শিক্ষণ কৌশল যা অ-রৈখিক সমস্যাগুলিকে গোষ্ঠীবদ্ধ এবং কল্পনা করার ক্ষমতার জন্য পরিচিত। প্রধান উপাদান বিশ্লেষণ, অস্পষ্ট ক্লাস্টারিং, শ্রেণিবদ্ধ ক্লাস্টারিং এবং বহু-মানদণ্ড সিদ্ধান্ত গ্রহণের মতো অন্যান্য প্যাটার্ন স্বীকৃতি কৌশলগুলির বিপরীতে, SeOM PTE প্যাটার্নগুলিকে সংগঠিত এবং সনাক্তকরণে আরও ভাল। Wang et al. 44 এর মতে, SeOM সম্পর্কিত নিউরনের বিতরণকে স্থানিকভাবে গোষ্ঠীবদ্ধ করতে পারে এবং উচ্চ-রেজোলিউশন ডেটা ভিজ্যুয়ালাইজেশন প্রদান করতে পারে। SeOM সরাসরি ব্যাখ্যার জন্য ফলাফলগুলিকে চিহ্নিত করার জন্য সেরা মডেল পেতে Ni ভবিষ্যদ্বাণী ডেটা কল্পনা করবে।
এই গবেষণাপত্রের লক্ষ্য হল নগর ও নগর-উপত্যকার মাটিতে নিকেলের পরিমাণ পূর্বাভাস দেওয়ার জন্য সর্বোত্তম নির্ভুলতা সহ একটি শক্তিশালী ম্যাপিং মডেল তৈরি করা। আমরা অনুমান করি যে মিশ্র মডেলের নির্ভরযোগ্যতা মূলত বেস মডেলের সাথে সংযুক্ত অন্যান্য মডেলের প্রভাবের উপর নির্ভর করে। আমরা DSM-এর মুখোমুখি চ্যালেঞ্জগুলি স্বীকার করি, এবং যদিও এই চ্যালেঞ্জগুলি একাধিক ফ্রন্টে মোকাবেলা করা হচ্ছে, ভূ-পরিসংখ্যান এবং MLA মডেলের অগ্রগতির সংমিশ্রণ ক্রমবর্ধমান বলে মনে হচ্ছে; তাই, আমরা এমন গবেষণামূলক প্রশ্নের উত্তর দেওয়ার চেষ্টা করব যা মিশ্র মডেল তৈরি করতে পারে। তবে, লক্ষ্য উপাদানের পূর্বাভাস দেওয়ার ক্ষেত্রে মডেলটি কতটা সঠিক? এছাড়াও, বৈধতা এবং নির্ভুলতা মূল্যায়নের উপর ভিত্তি করে দক্ষতা মূল্যায়নের স্তর কী? অতএব, এই গবেষণার নির্দিষ্ট লক্ষ্য ছিল (ক) EBK কে বেস মডেল হিসাবে ব্যবহার করে SVMR বা MLR-এর জন্য একটি সম্মিলিত মিশ্রণ মডেল তৈরি করা, (খ) ফলাফল মডেলগুলির তুলনা করা (গ) নগর বা নগর-উপত্যকার মাটিতে Ni ঘনত্ব পূর্বাভাস দেওয়ার জন্য সেরা মিশ্রণ মডেল প্রস্তাব করা, এবং (ঘ) নিকেল স্থানিক বৈচিত্র্যের একটি উচ্চ-রেজোলিউশন মানচিত্র তৈরি করতে SeOM-এর প্রয়োগ।
এই গবেষণাটি চেক প্রজাতন্ত্রে পরিচালিত হচ্ছে, বিশেষ করে মোরাভিয়া-সিলেসিয়ান অঞ্চলের ফ্রাইডেক মিস্তেক জেলায় (চিত্র ১ দেখুন)। গবেষণা এলাকার ভূগোল খুবই রুক্ষ এবং বেশিরভাগই মোরাভিয়া-সিলেসিয়ান বেসকিডি অঞ্চলের অংশ, যা কার্পাথিয়ান পর্বতমালার বাইরের প্রান্তের অংশ। গবেষণা এলাকাটি ৪৯° ৪১′ ০′ উত্তর এবং ১৮° ২০′ ০′ পূর্ব অক্ষাংশের মধ্যে অবস্থিত এবং উচ্চতা ২২৫ থেকে ৩২৭ মিটারের মধ্যে; তবে, অঞ্চলের জলবায়ু অবস্থার জন্য কোপেন শ্রেণীবিভাগ ব্যবস্থাকে Cfb = নাতিশীতোষ্ণ মহাসাগরীয় জলবায়ু হিসাবে রেট করা হয়েছে, এমনকি শুষ্ক মাসগুলিতেও প্রচুর বৃষ্টিপাত হয়। সারা বছর তাপমাত্রা −5 °C থেকে 24 °C এর মধ্যে সামান্য পরিবর্তিত হয়, খুব কমই −14 °C এর নিচে বা 30 °C এর উপরে পড়ে, যেখানে গড় বার্ষিক বৃষ্টিপাত 685 থেকে 752 mm47 এর মধ্যে। সমগ্র এলাকার আনুমানিক জরিপ এলাকা 1,208 বর্গকিলোমিটার, যেখানে চাষযোগ্য জমির 39.38% এবং বনভূমির 49.36% রয়েছে। অন্যদিকে, এই গবেষণায় ব্যবহৃত এলাকা প্রায় 889.8 বর্গকিলোমিটার। অস্ট্রাভা এবং এর আশেপাশে, ইস্পাত শিল্প এবং ধাতব কাজ খুবই সক্রিয়। ধাতু কল, ইস্পাত শিল্প যেখানে নিকেল স্টেইনলেস স্টিল (যেমন বায়ুমণ্ডলীয় ক্ষয় প্রতিরোধের জন্য) এবং মিশ্র ইস্পাতে ব্যবহৃত হয় (নিকেল তার ভাল নমনীয়তা এবং দৃঢ়তা বজায় রেখে মিশ্রের শক্তি বৃদ্ধি করে), এবং ফসফেট সার প্রয়োগ এবং পশুপালনের মতো নিবিড় কৃষিকাজ এই অঞ্চলে নিকেলের সম্ভাব্য উৎসগুলি অনুসন্ধান করুন (যেমন, ভেড়ার বাচ্চা এবং কম খাওয়ানো গবাদি পশুর বৃদ্ধির হার বাড়ানোর জন্য ভেড়ার বাচ্চাতে নিকেল যোগ করা)। গবেষণার ক্ষেত্রে নিকেলের অন্যান্য শিল্প ব্যবহারের মধ্যে রয়েছে ইলেক্ট্রোপ্লেটিংয়ে এর ব্যবহার, যার মধ্যে রয়েছে ইলেক্ট্রোপ্লেটিং নিকেল এবং ইলেক্ট্রোলেস নিকেল প্লেটিং প্রক্রিয়া। মাটির বৈশিষ্ট্যগুলি মাটির রঙ, গঠন এবং কার্বনেটের পরিমাণ থেকে সহজেই আলাদা করা যায়। মাটির গঠন মাঝারি থেকে সূক্ষ্ম, মূল উপাদান থেকে প্রাপ্ত। এগুলি কোলুভিয়াল, পলি বা বায়ুপ্রবাহ প্রকৃতির। কিছু মাটির অঞ্চল পৃষ্ঠ এবং মাটির নীচে দাগযুক্ত দেখা যায়, প্রায়শই কংক্রিট এবং ব্লিচিং সহ। যাইহোক, ক্যাম্বিসল এবং স্ট্যাগনোসল এই অঞ্চলে সবচেয়ে সাধারণ মাটির ধরণ 48। 455.1 থেকে 493.5 মিটার উচ্চতা সহ, ক্যাম্বিসলগুলি চেক প্রজাতন্ত্রে আধিপত্য বিস্তার করে49।
অধ্যয়ন এলাকার মানচিত্র [অধ্যয়ন এলাকার মানচিত্রটি ArcGIS ডেস্কটপ (ESRI, Inc, সংস্করণ 10.7, URL: https://desktop.arcgis.com) ব্যবহার করে তৈরি করা হয়েছে।]
ফ্রাইডেক মিস্টেক জেলার শহর ও শহরতলির মাটি থেকে মোট ১১৫টি মাটির উপরের নমুনা সংগ্রহ করা হয়েছিল। ব্যবহৃত নমুনা প্যাটার্নটি ছিল একটি নিয়মিত গ্রিড যেখানে মাটির নমুনাগুলি 2 × 2 কিমি দূরে রাখা হয়েছিল এবং মাটির উপরের স্তরটি 0 থেকে 20 সেমি গভীরতায় একটি হাতে ধরা GPS ডিভাইস (Leica Zeno 5 GPS) ব্যবহার করে পরিমাপ করা হয়েছিল। নমুনাগুলি Ziploc ব্যাগে প্যাকেজ করা হয়, সঠিকভাবে লেবেল করা হয় এবং পরীক্ষাগারে পাঠানো হয়। নমুনাগুলিকে বাতাসে শুকিয়ে গুঁড়ো করা নমুনা তৈরি করা হয়েছিল, একটি যান্ত্রিক সিস্টেম (Fritsch disc mill) দ্বারা গুঁড়ো করা হয়েছিল এবং ছেঁকে নেওয়া হয়েছিল (চালনীর আকার 2 মিমি)। পরিষ্কারভাবে লেবেলযুক্ত টেফলন বোতলে 1 গ্রাম শুকনো, সমজাতীয় এবং ছেঁকে নেওয়া মাটির নমুনা রাখুন। প্রতিটি টেফলন পাত্রে, 7 মিলি 35% HCl এবং 3 মিলি 65% HNO3 (একটি স্বয়ংক্রিয় ডিসপেনসার ব্যবহার করে - প্রতিটি অ্যাসিডের জন্য একটি) ঢেলে দিন, হালকাভাবে ঢেকে দিন এবং নমুনাগুলিকে বিক্রিয়ার জন্য রাতারাতি দাঁড়াতে দিন (অ্যাকোয়া রেজিয়া প্রোগ্রাম)। একটি গরম ধাতুর উপর সুপারন্যাট্যান্ট রাখুন নমুনার হজম প্রক্রিয়া সহজতর করার জন্য প্লেট (তাপমাত্রা: ১০০ ওয়াট এবং ১৬০ ডিগ্রি সেলসিয়াস) ২ ঘন্টার জন্য রাখুন, তারপর ঠান্ডা করুন। সুপারনাট্যান্টকে ৫০ মিলি ভলিউমেট্রিক ফ্লাস্কে স্থানান্তর করুন এবং ডিআয়নাইজড জল দিয়ে ৫০ মিলি পাতলা করুন। এর পরে, মিশ্রিত সুপারনাট্যান্টকে ডিআয়নাইজড জল দিয়ে ৫০ মিলি পিভিসি টিউবে ফিল্টার করুন। অতিরিক্তভাবে, ১ মিলি ডিআয়নাইজড দ্রবণ ৯ মিলি ডিআয়নাইজড জল দিয়ে মিশ্রিত করা হয়েছিল এবং PTE ছদ্ম-ঘনত্বের জন্য প্রস্তুত একটি ১২ মিলি টিউবে ফিল্টার করা হয়েছিল। PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) এর ঘনত্ব ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (থার্মো ফিশার সায়েন্টিফিক, USA) দ্বারা স্ট্যান্ডার্ড পদ্ধতি এবং চুক্তি অনুসারে নির্ধারিত হয়েছিল। গুণমান নিশ্চিতকরণ এবং নিয়ন্ত্রণ (QA/QC) পদ্ধতি (SRM NIST 2711a মন্টানা II মাটি) নিশ্চিত করুন। অর্ধেকের নিচে সনাক্তকরণ সীমা সহ PTEs এই গবেষণা থেকে বাদ দেওয়া হয়েছিল। এই গবেষণায় ব্যবহৃত PTE-এর সনাক্তকরণ সীমা ছিল 0.0004.(আপনি)। এছাড়াও, প্রতিটি বিশ্লেষণের জন্য মান নিয়ন্ত্রণ এবং গুণমান নিশ্চিতকরণ প্রক্রিয়া রেফারেন্স মান বিশ্লেষণ করে নিশ্চিত করা হয়। ত্রুটিগুলি কমিয়ে আনা হয়েছে তা নিশ্চিত করার জন্য, একটি দ্বিগুণ বিশ্লেষণ করা হয়েছিল।
এম্পিরিক্যাল বেয়েসিয়ান ক্রিগিং (EBK) হল মাটি বিজ্ঞানের মতো বিভিন্ন ক্ষেত্রে মডেলিংয়ে ব্যবহৃত অনেক ভূ-পরিসংখ্যানগত ইন্টারপোলেশন কৌশলের মধ্যে একটি। অন্যান্য ক্রিগিং ইন্টারপোলেশন কৌশলের বিপরীতে, সেমিভেরিওগ্রাম মডেল দ্বারা অনুমান করা ত্রুটি বিবেচনা করে EBK ঐতিহ্যবাহী ক্রিগিং পদ্ধতি থেকে আলাদা। EBK ইন্টারপোলেশনে, একটি একক সেমিভেরিওগ্রামের পরিবর্তে ইন্টারপোলেশনের সময় বেশ কয়েকটি সেমিভেরিওগ্রাম মডেল গণনা করা হয়। ইন্টারপোলেশন কৌশলগুলি সেমিভেরিওগ্রামের এই প্লটিংটির সাথে সম্পর্কিত অনিশ্চয়তা এবং প্রোগ্রামিংয়ের জন্য পথ তৈরি করে যা একটি পর্যাপ্ত ক্রিগিং পদ্ধতির একটি অত্যন্ত জটিল অংশ গঠন করে। EBK-এর ইন্টারপোলেশন প্রক্রিয়া ক্রিভোরুচকো 50 দ্বারা প্রস্তাবিত তিনটি মানদণ্ড অনুসরণ করে, (ক) মডেল ইনপুট ডেটাসেট থেকে সেমিভেরিওগ্রাম অনুমান করে (খ) উৎপন্ন সেমিভেরিওগ্রামের উপর ভিত্তি করে প্রতিটি ইনপুট ডেটাসেট অবস্থানের জন্য নতুন পূর্বাভাসিত মান এবং (গ) চূড়ান্ত A মডেলটি একটি সিমুলেটেড ডেটাসেট থেকে গণনা করা হয়। বেয়েসিয়ান সমীকরণ নিয়মটি একটি পোস্টেরিয়র হিসাবে দেওয়া হয়েছে
যেখানে \(Prob\left(A\right)\) পূর্ববর্তী, \(Prob\left(B\right)\) প্রান্তিক সম্ভাব্যতাকে বেশিরভাগ ক্ষেত্রে উপেক্ষা করা হয়, \(Prob (B,A)\ )। সেমিভেরিওগ্রাম গণনা বেইসের নিয়মের উপর ভিত্তি করে করা হয়, যা সেমিভেরিওগ্রাম থেকে তৈরি করা যেতে পারে এমন পর্যবেক্ষণ ডেটাসেটের প্রবণতা দেখায়। এরপর সেমিভেরিওগ্রামের মান বেইসের নিয়ম ব্যবহার করে নির্ধারণ করা হয়, যা বলে যে সেমিভেরিওগ্রাম থেকে পর্যবেক্ষণের একটি ডেটাসেট তৈরি করার সম্ভাবনা কতটা।
একটি সাপোর্ট ভেক্টর মেশিন হল একটি মেশিন লার্নিং অ্যালগরিদম যা অভিন্ন কিন্তু রৈখিকভাবে স্বাধীন নয় এমন ক্লাসগুলিকে আলাদা করার জন্য একটি সর্বোত্তম বিভাজক হাইপারপ্লেন তৈরি করে।Vapnik51 ইন্টেন্ট ক্লাসিফিকেশন অ্যালগরিদম তৈরি করেছে, তবে এটি সম্প্রতি রিগ্রেশন-ভিত্তিক সমস্যা সমাধানের জন্য ব্যবহার করা হয়েছে।Li et al.52 এর মতে, SVM হল সেরা শ্রেণীবদ্ধকারী কৌশলগুলির মধ্যে একটি এবং বিভিন্ন ক্ষেত্রে ব্যবহৃত হয়েছে।SVM (সাপোর্ট ভেক্টর মেশিন রিগ্রেশন - SVMR) এর রিগ্রেশন উপাদানটি এই বিশ্লেষণে ব্যবহার করা হয়েছিল।Cherkassky এবং Mulier53 SVMR কে কার্নেল-ভিত্তিক রিগ্রেশন হিসাবে অগ্রণী করেছিলেন, যার গণনা বহু-দেশীয় স্থানিক ফাংশন সহ একটি রৈখিক রিগ্রেশন মডেল ব্যবহার করে সম্পাদিত হয়েছিল।John et al54 রিপোর্ট করেছেন যে SVMR মডেলিং হাইপারপ্লেন লিনিয়ার রিগ্রেশন ব্যবহার করে, যা অরৈখিক সম্পর্ক তৈরি করে এবং স্থানিক ফাংশনের জন্য অনুমতি দেয়।Vohland et al এর মতে। ৫৫, এপসিলন (ε)-SVMR প্রশিক্ষিত ডেটাসেট ব্যবহার করে একটি প্রতিনিধিত্ব মডেল প্রাপ্ত করে যা একটি এপসিলন-সংবেদনশীল ফাংশন হিসেবে কাজ করে যা পারস্পরিক সম্পর্কযুক্ত ডেটার উপর প্রশিক্ষণ থেকে সেরা এপসিলন পক্ষপাতের সাথে স্বাধীনভাবে ডেটা ম্যাপ করার জন্য প্রয়োগ করা হয়। পূর্বনির্ধারিত দূরত্বের ত্রুটি প্রকৃত মান থেকে উপেক্ষা করা হয়, এবং যদি ত্রুটিটি ε(ε) এর চেয়ে বড় হয়, তাহলে মাটির বৈশিষ্ট্যগুলি এটির ক্ষতিপূরণ দেয়। মডেলটি প্রশিক্ষণ ডেটার জটিলতাকে সমর্থন ভেক্টরের একটি বিস্তৃত উপসেটে হ্রাস করে। Vapnik51 দ্বারা প্রস্তাবিত সমীকরণটি নীচে দেখানো হয়েছে।
যেখানে b স্কেলার থ্রেশহোল্ডকে প্রতিনিধিত্ব করে, \(K\left({x}_{,}{ x}_{k}\right)\) কার্নেল ফাংশনকে প্রতিনিধিত্ব করে, \(\alpha\) ল্যাগ্রেঞ্জ গুণককে প্রতিনিধিত্ব করে, N একটি সংখ্যাসূচক ডেটাসেটকে প্রতিনিধিত্ব করে, \({x}_{k}\) ডেটা ইনপুটকে প্রতিনিধিত্ব করে এবং \(y\) ডেটা আউটপুটকে প্রতিনিধিত্ব করে। ব্যবহৃত মূল কার্নেলগুলির মধ্যে একটি হল SVMR অপারেশন, যা একটি গাউসিয়ান রেডিয়াল বেস ফাংশন (RBF)। RBF কার্নেলটি সর্বোত্তম SVMR মডেল নির্ধারণ করতে প্রয়োগ করা হয়, যা PTE প্রশিক্ষণ ডেটার জন্য সবচেয়ে সূক্ষ্ম পেনাল্টি সেট ফ্যাক্টর C এবং কার্নেল প্যারামিটার গামা (γ) প্রাপ্ত করার জন্য অত্যন্ত গুরুত্বপূর্ণ। প্রথমে, আমরা প্রশিক্ষণ সেটটি মূল্যায়ন করেছি এবং তারপরে বৈধতা সেটে মডেলের কর্মক্ষমতা পরীক্ষা করেছি। ব্যবহৃত স্টিয়ারিং প্যারামিটারটি হল সিগমা এবং পদ্ধতির মান হল svmRadial।
একটি মাল্টিপল লিনিয়ার রিগ্রেশন মডেল (MLR) হল একটি রিগ্রেশন মডেল যা ন্যূনতম বর্গ পদ্ধতি ব্যবহার করে গণনা করা রৈখিক পুলযুক্ত পরামিতি ব্যবহার করে প্রতিক্রিয়া চলক এবং বেশ কয়েকটি ভবিষ্যদ্বাণীকারী চলকের মধ্যে সম্পর্ক উপস্থাপন করে। MLR-তে, একটি ন্যূনতম বর্গ মডেল হল ব্যাখ্যামূলক চলক নির্বাচনের পরে মাটির বৈশিষ্ট্যের একটি ভবিষ্যদ্বাণীমূলক ফাংশন। ব্যাখ্যামূলক চলক ব্যবহার করে একটি রৈখিক সম্পর্ক স্থাপনের জন্য প্রতিক্রিয়া ব্যবহার করা প্রয়োজন। ব্যাখ্যামূলক চলকগুলির সাথে একটি রৈখিক সম্পর্ক স্থাপনের জন্য PTE প্রতিক্রিয়া চলক হিসাবে ব্যবহৃত হয়েছিল। MLR সমীকরণ হল
যেখানে y হল প্রতিক্রিয়া চলক, \(a\) হল অন্তর্বর্তী, n হল ভবিষ্যদ্বাণীকারীর সংখ্যা, \({b}_{1}\) হল সহগগুলির আংশিক প্রতিগমন, \({x}_{ i}\) একটি ভবিষ্যদ্বাণীকারী বা ব্যাখ্যামূলক চলককে প্রতিনিধিত্ব করে, এবং \({\varepsilon }_{i}\) মডেলের ত্রুটিকে প্রতিনিধিত্ব করে, যা অবশিষ্টাংশ নামেও পরিচিত।
EBK কে SVMR এবং MLR এর সাথে স্যান্ডউইচ করে মিশ্র মডেলগুলি প্রাপ্ত করা হয়েছিল। EBK ইন্টারপোলেশন থেকে পূর্বাভাসিত মানগুলি বের করে এটি করা হয়। ইন্টারপোলেটেড Ca, K, এবং Mg থেকে প্রাপ্ত পূর্বাভাসিত মানগুলি CaK, CaMg এবং KMg এর মতো নতুন ভেরিয়েবলগুলি পাওয়ার জন্য একটি সম্মিলিত প্রক্রিয়ার মাধ্যমে প্রাপ্ত করা হয়। Ca, K এবং Mg উপাদানগুলিকে তারপর একত্রিত করে একটি চতুর্থ ভেরিয়েবল, CaKMg পাওয়া যায়। সামগ্রিকভাবে, প্রাপ্ত ভেরিয়েবলগুলি হল Ca, K, Mg, CaK, CaMg, KMg এবং CaKMg। এই ভেরিয়েবলগুলি আমাদের ভবিষ্যদ্বাণীকারী হয়ে ওঠে, যা শহর এবং পেরি-শহুরে মাটিতে নিকেল ঘনত্বের পূর্বাভাস দিতে সাহায্য করে। একটি মিশ্র মডেল Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM) পেতে ভবিষ্যদ্বাণীকারীর উপর SVMR অ্যালগরিদম সঞ্চালিত হয়েছিল। একইভাবে, একটি মিশ্র মডেল Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR) পেতে ভেরিয়েবলগুলিকে MLR অ্যালগরিদমের মাধ্যমেও পাইপ করা হয়। সাধারণত, চলক Ca, K, Mg, শহুরে এবং পেরি-শহুরে মাটিতে Ni কন্টেন্টের ভবিষ্যদ্বাণীকারী হিসেবে CaK, CaMg, KMg, এবং CaKMg কোভেরিয়েট হিসেবে ব্যবহৃত হয়। প্রাপ্ত সবচেয়ে গ্রহণযোগ্য মডেল (EBK_SVM বা EBK_MLR) তারপর একটি স্ব-সংগঠিত গ্রাফ ব্যবহার করে দৃশ্যমান করা হবে। এই গবেষণার কর্মপ্রবাহ চিত্র 2 এ দেখানো হয়েছে।
আর্থিক খাত, স্বাস্থ্যসেবা, শিল্প, পরিসংখ্যান, মৃত্তিকা বিজ্ঞান এবং আরও অনেক ক্ষেত্রে তথ্য সংগঠিত, মূল্যায়ন এবং পূর্বাভাসের জন্য SeOM ব্যবহার একটি জনপ্রিয় হাতিয়ার হয়ে উঠেছে। সংগঠন, মূল্যায়ন এবং ভবিষ্যদ্বাণীর জন্য কৃত্রিম নিউরাল নেটওয়ার্ক এবং তত্ত্বাবধানহীন শিক্ষণ পদ্ধতি ব্যবহার করে SeOM তৈরি করা হয়েছে। এই গবেষণায়, নগর এবং উপ-নগর মাটিতে Ni এর পূর্বাভাসের জন্য সেরা মডেলের উপর ভিত্তি করে Ni এর ঘনত্ব কল্পনা করার জন্য SeOM ব্যবহার করা হয়েছিল। SeOM মূল্যায়নে প্রক্রিয়াজাত ডেটা n ইনপুট-মাত্রিক ভেক্টর ভেরিয়েবল হিসাবে ব্যবহৃত হয়43,56। মেলসেন এবং অন্যান্য। ৫৭ একটি ইনপুট ভেক্টরের একটি নিউরাল নেটওয়ার্কে একটি একক ইনপুট স্তরের মাধ্যমে একটি একক ওজন ভেক্টর সহ একটি আউটপুট ভেক্টরের সংযোগ বর্ণনা করে। SeOM দ্বারা উৎপন্ন আউটপুট হল একটি দ্বি-মাত্রিক মানচিত্র যা বিভিন্ন নিউরন বা নোডকে তাদের নৈকট্য অনুসারে ষড়ভুজাকার, বৃত্তাকার বা বর্গাকার টপোলজিক্যাল মানচিত্রে বোনা করে। মেট্রিক, কোয়ান্টাইজেশন ত্রুটি (QE) এবং টপোগ্রাফিক ত্রুটি (TE) এর উপর ভিত্তি করে মানচিত্রের আকারের তুলনা করে, যথাক্রমে 0.086 এবং 0.904 সহ SeOM মডেলটি নির্বাচন করা হয়েছে, যা একটি 55-মানচিত্র একক (5 × 11)। অভিজ্ঞতামূলক সমীকরণে নোডের সংখ্যা অনুসারে নিউরনের গঠন নির্ধারণ করা হয়।
এই গবেষণায় ব্যবহৃত ডেটার সংখ্যা ১১৫টি নমুনা। ডেটাকে পরীক্ষার ডেটা (বৈধকরণের জন্য ২৫%) এবং প্রশিক্ষণ ডেটা সেট (ক্যালিব্রেশনের জন্য ৭৫%) এ বিভক্ত করার জন্য একটি এলোমেলো পদ্ধতি ব্যবহার করা হয়েছিল। প্রশিক্ষণ ডেটাসেটটি রিগ্রেশন মডেল (ক্যালিব্রেশন) তৈরি করতে ব্যবহৃত হয় এবং পরীক্ষার ডেটাসেটটি সাধারণীকরণ ক্ষমতা যাচাই করতে ব্যবহৃত হয়। মাটিতে নিকেলের পরিমাণ পূর্বাভাস দেওয়ার জন্য বিভিন্ন মডেলের উপযুক্ততা মূল্যায়ন করার জন্য এটি করা হয়েছিল। ব্যবহৃত সমস্ত মডেল দশগুণ ক্রস-বৈধকরণ প্রক্রিয়ার মধ্য দিয়ে গেছে, পাঁচবার পুনরাবৃত্তি করা হয়েছে। EBK ইন্টারপোলেশন দ্বারা উত্পাদিত ভেরিয়েবলগুলি লক্ষ্য ভেরিয়েবল (PTE) পূর্বাভাস দেওয়ার জন্য ভবিষ্যদ্বাণীকারী বা ব্যাখ্যামূলক ভেরিয়েবল হিসাবে ব্যবহৃত হয়। RStudio-তে প্যাকেজ লাইব্রেরি (Kohonen), লাইব্রেরি (ক্যারেট), লাইব্রেরি (মডেলার), লাইব্রেরি (“e1071″), লাইব্রেরি (“প্লাইর”), লাইব্রেরি (“caTools”), লাইব্রেরি (”প্রসপেক্টর”) এবং লাইব্রেরি (“মেট্রিক্স”) ব্যবহার করে মডেলিং পরিচালনা করা হয়।
মাটিতে নিকেল ঘনত্বের পূর্বাভাস দেওয়ার জন্য উপযুক্ত সেরা মডেল নির্ধারণ করতে এবং মডেলের নির্ভুলতা এবং তার বৈধতা মূল্যায়ন করতে বিভিন্ন বৈধতা পরামিতি ব্যবহার করা হয়েছিল। হাইব্রিডাইজেশন মডেলগুলি গড় পরম ত্রুটি (MAE), মূল গড় বর্গ ত্রুটি (RMSE), এবং R-বর্গ বা সহগ নির্ধারণ (R2) ব্যবহার করে মূল্যায়ন করা হয়েছিল। R2 উত্তরে অনুপাতের প্রকরণকে সংজ্ঞায়িত করে, যা রিগ্রেশন মডেল দ্বারা উপস্থাপিত হয়। স্বাধীন পরিমাপে RMSE এবং প্রকরণের মাত্রা মডেলের ভবিষ্যদ্বাণীমূলক শক্তি বর্ণনা করে, যখন MAE প্রকৃত পরিমাণগত মান নির্ধারণ করে। বৈধতা পরামিতি ব্যবহার করে সেরা মিশ্রণ মডেল মূল্যায়ন করার জন্য R2 মান উচ্চ হতে হবে, মান 1 এর যত কাছাকাছি হবে, নির্ভুলতা তত বেশি হবে। Li et al. 59 অনুসারে, 0.75 বা তার বেশি R2 মানদণ্ডের মান একটি ভাল ভবিষ্যদ্বাণীকারী হিসাবে বিবেচিত হয়; ০.৫ থেকে ০.৭৫ পর্যন্ত গ্রহণযোগ্য মডেল কর্মক্ষমতা, এবং ০.৫ এর নিচে অগ্রহণযোগ্য মডেল কর্মক্ষমতা। RMSE এবং MAE যাচাইকরণ মানদণ্ড মূল্যায়ন পদ্ধতি ব্যবহার করে একটি মডেল নির্বাচন করার সময়, প্রাপ্ত নিম্ন মানগুলি যথেষ্ট ছিল এবং সর্বোত্তম পছন্দ হিসাবে বিবেচিত হয়েছিল। নিম্নলিখিত সমীকরণটি যাচাইকরণ পদ্ধতি বর্ণনা করে।
যেখানে n পর্যবেক্ষণকৃত মানের আকার প্রতিনিধিত্ব করে\({Y}_{i}\) পরিমাপিত প্রতিক্রিয়াকে প্রতিনিধিত্ব করে, এবং \({\widehat{Y}}_{i}\) প্রথম i পর্যবেক্ষণের জন্য পূর্বাভাসিত প্রতিক্রিয়া মানকেও প্রতিনিধিত্ব করে।
ভবিষ্যদ্বাণীকারী এবং প্রতিক্রিয়াশীল চলকের পরিসংখ্যানগত বর্ণনা সারণি 1-এ উপস্থাপন করা হয়েছে, যা গড়, মান বিচ্যুতি (SD), প্রকরণের সহগ (CV), সর্বনিম্ন, সর্বোচ্চ, কার্টোসিস এবং তির্যকতা দেখায়। উপাদানগুলির সর্বনিম্ন এবং সর্বাধিক মান যথাক্রমে Mg
প্রতিক্রিয়া উপাদানগুলির সাথে ভবিষ্যদ্বাণীকারী চলকের পারস্পরিক সম্পর্ক উপাদানগুলির মধ্যে একটি সন্তোষজনক পারস্পরিক সম্পর্ক নির্দেশ করে (চিত্র 3 দেখুন)। পারস্পরিক সম্পর্ক নির্দেশ করে যে CaK r মান = 0.53 এর সাথে মাঝারি পারস্পরিক সম্পর্ক প্রদর্শন করেছে, যেমন CaNi। যদিও Ca এবং K একে অপরের সাথে সামান্য সম্পর্ক দেখায়, কিংস্টন এবং অন্যান্য গবেষকরা। 68 এবং Santo69 পরামর্শ দেয় যে মাটিতে তাদের মাত্রা বিপরীতভাবে সমানুপাতিক।যাইহোক, Ca এবং Mg K এর প্রতিপক্ষ, কিন্তু CaK ভালোভাবে সম্পর্কযুক্ত। এটি পটাসিয়াম কার্বনেটের মতো সার প্রয়োগের কারণে হতে পারে, যা পটাসিয়ামে 56% বেশি। পটাসিয়াম ম্যাগনেসিয়ামের সাথে মাঝারিভাবে সম্পর্কযুক্ত ছিল (KM r = 0.63)। সার শিল্পে, এই দুটি উপাদান ঘনিষ্ঠভাবে সম্পর্কিত কারণ পটাসিয়াম ম্যাগনেসিয়াম সালফেট, পটাসিয়াম ম্যাগনেসিয়াম নাইট্রেট এবং পটাশ মাটিতে প্রয়োগ করা হয় যাতে তাদের ঘাটতির মাত্রা বৃদ্ধি পায়। নিকেল যথাক্রমে r মান = 0.52, 0.63 এবং 0.55 সহ Ca, K এবং Mg এর সাথে মাঝারিভাবে সম্পর্কযুক্ত। ক্যালসিয়াম, ম্যাগনেসিয়াম এবং নিকেলের মতো PTE এর সাথে সম্পর্কিত সম্পর্ক জটিল, তবে তবুও, ম্যাগনেসিয়াম ক্যালসিয়াম শোষণকে বাধা দেয়, ক্যালসিয়াম অতিরিক্ত ম্যাগনেসিয়ামের প্রভাব হ্রাস করে এবং ম্যাগনেসিয়াম এবং ক্যালসিয়াম উভয়ই মাটিতে নিকেলের বিষাক্ত প্রভাব হ্রাস করে।
ভবিষ্যদ্বাণীকারী এবং প্রতিক্রিয়ার মধ্যে সম্পর্ক দেখানো উপাদানগুলির জন্য সহসংযোগ ম্যাট্রিক্স (দ্রষ্টব্য: এই চিত্রটিতে উপাদানগুলির মধ্যে একটি বিক্ষিপ্ত প্লট অন্তর্ভুক্ত রয়েছে, তাৎপর্যের স্তরগুলি p < 0,001 এর উপর ভিত্তি করে)।
চিত্র ৪ উপাদানের স্থানিক বন্টনকে চিত্রিত করে। Burgos et al70 এর মতে, স্থানিক বন্টনের প্রয়োগ হল দূষিত অঞ্চলে হট স্পট পরিমাপ এবং হাইলাইট করার জন্য ব্যবহৃত একটি কৌশল। চিত্র ৪-এ Ca এর সমৃদ্ধকরণের মাত্রা স্থানিক বন্টন মানচিত্রের উত্তর-পশ্চিম অংশে দেখা যাবে। চিত্রটি মাঝারি থেকে উচ্চ Ca সমৃদ্ধকরণের হটস্পট দেখায়। মানচিত্রের উত্তর-পশ্চিমে ক্যালসিয়াম সমৃদ্ধকরণ সম্ভবত মাটির অম্লতা কমাতে কুইকলাইম (ক্যালসিয়াম অক্সাইড) ব্যবহারের কারণে এবং ইস্পাত তৈরির প্রক্রিয়ায় ক্ষারীয় অক্সিজেন হিসাবে ইস্পাত মিলগুলিতে এর ব্যবহারের কারণে। অন্যদিকে, অন্যান্য কৃষকরা pH নিরপেক্ষ করার জন্য অম্লীয় মাটিতে ক্যালসিয়াম হাইড্রোক্সাইড ব্যবহার করতে পছন্দ করেন, যা মাটির ক্যালসিয়ামের পরিমাণও বৃদ্ধি করে71। মানচিত্রের উত্তর-পশ্চিম এবং পূর্বে পটাসিয়ামও হট স্পট দেখায়। উত্তর-পশ্চিম একটি প্রধান কৃষি সম্প্রদায়, এবং পটাসিয়ামের মাঝারি থেকে উচ্চ প্যাটার্ন NPK এবং পটাশ প্রয়োগের কারণে হতে পারে। এটি অন্যান্য গবেষণার সাথে সামঞ্জস্যপূর্ণ, যেমন Madaras এবং Lipavský72, Madaras et al.73, Pulkrabová et al.74, আসারে প্রমুখ, ৭৫, যারা পর্যবেক্ষণ করেছেন যে মাটির স্থিতিশীলকরণ এবং KCl এবং NPK দিয়ে শোধনের ফলে মাটিতে K এর পরিমাণ বেশি থাকে। বিতরণ মানচিত্রের উত্তর-পশ্চিমে স্থানিক পটাসিয়াম সমৃদ্ধকরণের কারণ হতে পারে পটাসিয়াম-ভিত্তিক সার যেমন পটাসিয়াম ক্লোরাইড, পটাসিয়াম সালফেট, পটাসিয়াম নাইট্রেট, পটাশ এবং পটাশ ব্যবহার করে দরিদ্র মাটিতে পটাসিয়ামের পরিমাণ বৃদ্ধি করা। Zádorová প্রমুখ, ৭৬ এবং Tlustoš প্রমুখ। ৭৭-এ উল্লেখ করা হয়েছে যে K-ভিত্তিক সার প্রয়োগের ফলে মাটিতে K-এর পরিমাণ বৃদ্ধি পাবে এবং দীর্ঘমেয়াদে মাটির পুষ্টির পরিমাণ উল্লেখযোগ্যভাবে বৃদ্ধি পাবে, বিশেষ করে K এবং Mg মাটিতে একটি গরম স্থান দেখাচ্ছে। মানচিত্রের উত্তর-পশ্চিমে এবং মানচিত্রের দক্ষিণ-পূর্বে তুলনামূলকভাবে মাঝারি হটস্পট। মাটিতে কলয়েডাল স্থিরকরণ মাটিতে ম্যাগনেসিয়ামের ঘনত্ব হ্রাস করে। মাটিতে এর অভাবের ফলে উদ্ভিদে হলুদাভ ইন্টারভেইন ক্লোরোসিস দেখা যায়। ম্যাগনেসিয়াম-ভিত্তিক সার, যেমন পটাসিয়াম ম্যাগনেসিয়াম সালফেট, ম্যাগনেসিয়াম সালফেট এবং কিসেরাইট, স্বাভাবিক pH পরিসর সহ মাটিতে ঘাটতি (উদ্ভিদ বেগুনি, লাল বা বাদামী দেখায়, যা ম্যাগনেসিয়ামের ঘাটতি নির্দেশ করে) দূর করে। শহুরে এবং পেরি-শহুরে মাটির পৃষ্ঠে নিকেল জমা হওয়ার কারণ কৃষির মতো নৃতাত্ত্বিক কার্যকলাপ এবং স্টেইনলেস স্টিল উৎপাদনে নিকেলের গুরুত্ব হতে পারে।
উপাদানগুলির স্থানিক বন্টন [স্থানিক বন্টন মানচিত্রটি ArcGIS ডেস্কটপ (ESRI, Inc, সংস্করণ 10.7, URL: https://desktop.arcgis.com) ব্যবহার করে তৈরি করা হয়েছিল।]
এই গবেষণায় ব্যবহৃত উপাদানগুলির মডেল কর্মক্ষমতা সূচকের ফলাফল সারণি 2-এ দেখানো হয়েছে। অন্যদিকে, Ni-এর RMSE এবং MAE উভয়ই শূন্যের কাছাকাছি (0.86 RMSE, -0.08 MAE)। অন্যদিকে, K-এর RMSE এবং MAE উভয় মানই গ্রহণযোগ্য। ক্যালসিয়াম এবং ম্যাগনেসিয়ামের জন্য RMSE এবং MAE ফলাফল বেশি ছিল। বিভিন্ন ডেটাসেটের কারণে Ca এবং K MAE এবং RMSE ফলাফল বড়। Ni-এর পূর্বাভাস দেওয়ার জন্য EBK ব্যবহার করে এই গবেষণার RMSE এবং MAE একই সংগৃহীত ডেটা ব্যবহার করে মাটিতে S ঘনত্বের পূর্বাভাস দেওয়ার জন্য সিনার্জিস্টিক ক্রিগিং ব্যবহার করে জন এট আল 54-এর ফলাফলের চেয়ে ভাল বলে প্রমাণিত হয়েছে। আমরা যে EBK আউটপুটগুলি অধ্যয়ন করেছি তা Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 এবং John et al. 82, বিশেষ করে K এবং Ni-এর ফলাফলের সাথে সম্পর্কিত।
শহুরে এবং পেরি-শহুরে মাটিতে নিকেলের পরিমাণ পূর্বাভাসের জন্য পৃথক পদ্ধতির কার্যকারিতা মডেলগুলির কর্মক্ষমতা ব্যবহার করে মূল্যায়ন করা হয়েছিল (সারণী 3)। মডেল যাচাইকরণ এবং নির্ভুলতা মূল্যায়ন নিশ্চিত করেছে যে EBK SVMR মডেলের সাথে মিলিত Ca_Mg_K ভবিষ্যদ্বাণীকারী সেরা কর্মক্ষমতা অর্জন করেছে। ক্রমাঙ্কন মডেল Ca_Mg_K-EBK_SVMR মডেল R2, মূল গড় বর্গ ত্রুটি (RMSE) এবং গড় পরম ত্রুটি (MAE) ছিল 0.637 (R2), 95.479 mg/kg (RMSE) এবং 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ছিল 0.663 (R2), 235.974 mg/kg (RMSE) এবং 166.946 mg/kg (MAE)। তবুও, Ca_Mg_K-SVMR (0.663 mg/kg R2) এবং Ca_Mg-EBK_SVMR এর জন্য ভাল R2 মান পাওয়া গেছে। (০.৬৪৩ = আর২); তাদের RMSE এবং MAE ফলাফল Ca_Mg_K-EBK_SVMR (R2 0.637) (টেবিল 3 দেখুন) এর তুলনায় বেশি ছিল। 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 বড়। একইভাবে, Ca_Mg-K SVMR (RMSE = 235.974 এবং MAE = 166.946) মডেলের RMSE এবং MAE যথাক্রমে Ca_Mg_K-EBK_SVMR RMSE এবং MAE এর চেয়ে 2.5 এবং 2.2 বড়। গণনা করা RMSE ফলাফল নির্দেশ করে যে ডেটা সেটটি সেরা ফিটের লাইনের সাথে কতটা ঘনীভূত। RSME এবং MAE উচ্চতর ছিল পর্যবেক্ষণ করা হয়েছে। Kebonye et al. 46 এবং john et al. 54 অনুসারে, RMSE এবং MAE যত শূন্যের কাছাকাছি হবে, ফলাফল তত ভালো হবে। SVMR এবং EBK_SVMR-এর কোয়ান্টাইজড RSME এবং MAE মান বেশি। দেখা গেছে যে RSME অনুমান MAE মানের তুলনায় ধারাবাহিকভাবে বেশি ছিল, যা বহির্মুখীদের উপস্থিতি নির্দেশ করে। Legates এবং McCabe83 অনুসারে, RMSE গড় পরম ত্রুটি (MAE) অতিক্রম করে যা বহির্মুখীদের উপস্থিতির সূচক হিসাবে সুপারিশ করা হয়। এর অর্থ হল ডেটাসেট যত বেশি ভিন্নধর্মী হবে, MAE এবং RMSE মান তত বেশি হবে। শহর ও শহরতলির মাটিতে Ni কন্টেন্ট পূর্বাভাসের জন্য Ca_Mg_K-EBK_SVMR মিশ্র মডেলের ক্রস-বৈধকরণ মূল্যায়নের নির্ভুলতা ছিল 63.70%। Li et al. 59 অনুসারে, নির্ভুলতার এই স্তরটি একটি গ্রহণযোগ্য মডেল কর্মক্ষমতা হার। বর্তমান ফলাফলগুলি তারাসভ এবং অন্যান্যদের দ্বারা পূর্ববর্তী একটি গবেষণার সাথে তুলনা করা হয়েছে। 36 যার হাইব্রিড মডেল MLPRK (মাল্টিলেয়ার পারসেপ্ট্রন রেসিডুয়াল ক্রিগিং) তৈরি করেছে, বর্তমান গবেষণায় রিপোর্ট করা EBK_SVMR নির্ভুলতা মূল্যায়ন সূচকের সাথে সম্পর্কিত, RMSE (210) এবং MAE (167.5) বর্তমান গবেষণায় আমাদের ফলাফলের (RMSE 95.479, MAE 77.368) চেয়ে বেশি ছিল। যাইহোক, তারাসভ এবং অন্যান্যদের সাথে বর্তমান গবেষণার R2 (0.637) তুলনা করার সময়। ৩৬ (০.৫৪৪), এটা স্পষ্ট যে এই মিশ্র মডেলে নির্ণয়ের সহগ (R2) বেশি। মিশ্র মডেলের জন্য ত্রুটির মার্জিন (RMSE এবং MAE) (EBK SVMR) দুই গুণ কম। একইভাবে, Sergeev et al.34 উন্নত হাইব্রিড মডেলের (Multilayer Perceptron Residual Kriging) জন্য 0.28 (R2) রেকর্ড করেছেন, যেখানে বর্তমান গবেষণায় Ni 0.637 (R2) রেকর্ড করেছেন। এই মডেলের (EBK SVMR) ভবিষ্যদ্বাণী নির্ভুলতা স্তর 63.7%, যেখানে Sergeev et al.34 দ্বারা প্রাপ্ত ভবিষ্যদ্বাণী নির্ভুলতা 28%। EBK_SVMR মডেল এবং Ca_Mg_K কে ভবিষ্যদ্বাণীকারী হিসাবে ব্যবহার করে তৈরি চূড়ান্ত মানচিত্র (চিত্র 5) সমগ্র অধ্যয়ন এলাকায় গরম দাগ এবং মাঝারি থেকে নিকেলের পূর্বাভাস দেখায়। এর অর্থ হল অধ্যয়ন এলাকায় নিকেলের ঘনত্ব মূলত মাঝারি, কিছু নির্দিষ্ট এলাকায় উচ্চ ঘনত্ব সহ।
চূড়ান্ত ভবিষ্যদ্বাণী মানচিত্রটি হাইব্রিড মডেল EBK_SVMR ব্যবহার করে এবং Ca_Mg_K কে ভবিষ্যদ্বাণীকারী 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 PTE ঘনত্বকে পৃথক নিউরন সমন্বয়ে গঠিত একটি কম্পোজিশন প্লেন হিসেবে উপস্থাপন করা হয়েছে। উপাদান সমতলগুলির কোনওটিতেই দেখানো রঙের প্যাটার্ন একই রকম ছিল না। তবে, আঁকা মানচিত্রে নিউরনের যথাযথ সংখ্যা ৫৫। বিভিন্ন রঙ ব্যবহার করে SeOM তৈরি করা হয় এবং রঙের প্যাটার্ন যত বেশি মিল থাকবে, নমুনার বৈশিষ্ট্য তত বেশি তুলনীয় হবে। তাদের সুনির্দিষ্ট রঙের স্কেল অনুসারে, পৃথক উপাদানগুলি (Ca, K, এবং Mg) একক উচ্চ নিউরন এবং বেশিরভাগ নিম্ন নিউরনের সাথে একই রঙের প্যাটার্ন দেখিয়েছে। এইভাবে, CaK এবং CaMg খুব উচ্চ-ক্রমের নিউরন এবং নিম্ন-থেকে-মাঝারি রঙের প্যাটার্নের সাথে কিছু মিল ভাগ করে। উভয় মডেলই লাল, কমলা এবং হলুদের মতো মাঝারি থেকে উচ্চ রঙের রঙ প্রদর্শন করে মাটিতে Ni এর ঘনত্বের পূর্বাভাস দেয়। KMg মডেলটি সুনির্দিষ্ট অনুপাত এবং নিম্ন থেকে মাঝারি রঙের প্যাচের উপর ভিত্তি করে অনেক উচ্চ রঙের প্যাটার্ন প্রদর্শন করে। নিম্ন থেকে উচ্চ পর্যন্ত একটি সুনির্দিষ্ট রঙের স্কেলে, মডেলের উপাদানগুলির সমতল বিতরণ প্যাটার্ন মাটিতে নিকেলের সম্ভাব্য ঘনত্ব নির্দেশ করে একটি উচ্চ রঙের প্যাটার্ন দেখিয়েছে (চিত্র ৪ দেখুন)। CakMg মডেলের উপাদান সমতলটি নিম্ন থেকে উচ্চ পর্যন্ত বিভিন্ন রঙের প্যাটার্ন দেখায় একটি সঠিক রঙের স্কেলে। অধিকন্তু, মডেলের নিকেল সামগ্রীর পূর্বাভাস (CakMg) চিত্র 5-এ দেখানো নিকেলের স্থানিক বন্টনের অনুরূপ। উভয় গ্রাফই শহর ও শহরতলির মাটিতে নিকেল ঘনত্বের উচ্চ, মাঝারি এবং নিম্ন অনুপাত দেখায়। চিত্র 7 মানচিত্রে k-মানে গ্রুপিংয়ে কনট্যুর পদ্ধতিটি চিত্রিত করে, প্রতিটি মডেলের পূর্বাভাসিত মানের উপর ভিত্তি করে তিনটি ক্লাস্টারে বিভক্ত। কনট্যুর পদ্ধতিটি ক্লাস্টারের সর্বোত্তম সংখ্যার প্রতিনিধিত্ব করে। সংগৃহীত 115টি মাটির নমুনার মধ্যে, বিভাগ 1 সর্বাধিক মাটির নমুনা পেয়েছে, 74টি। ক্লাস্টার 2 33টি নমুনা পেয়েছে, যেখানে ক্লাস্টার 3 8টি নমুনা পেয়েছে। সঠিক ক্লাস্টার ব্যাখ্যার জন্য সাত-উপাদানের প্ল্যানার ভবিষ্যদ্বাণীকারী সংমিশ্রণটি সরলীকৃত করা হয়েছিল। মাটি গঠনকে প্রভাবিত করে এমন অসংখ্য নৃতাত্ত্বিক এবং প্রাকৃতিক প্রক্রিয়ার কারণে, বিতরণ করা SeOM মানচিত্রে সঠিকভাবে পৃথকীকৃত ক্লাস্টার প্যাটার্ন থাকা কঠিন।78।
প্রতিটি এম্পিরিক্যাল বেইসিয়ান ক্রিগিং সাপোর্ট ভেক্টর মেশিন (EBK_SVM_SeOM) ভেরিয়েবল দ্বারা কম্পোনেন্ট প্লেন আউটপুট। [RStudio (সংস্করণ 1.4.1717: https://www.rstudio.com/) ব্যবহার করে SeOM মানচিত্র তৈরি করা হয়েছিল।]
বিভিন্ন ক্লাস্টার শ্রেণীবিভাগ উপাদান [RStudio ব্যবহার করে SeOM মানচিত্র তৈরি করা হয়েছিল (সংস্করণ 1.4.1717: https://www.rstudio.com/)।]
বর্তমান গবেষণাটি শহর ও শহরতলির মাটিতে নিকেল ঘনত্বের মডেলিং কৌশলগুলি স্পষ্টভাবে চিত্রিত করে। গবেষণায় বিভিন্ন মডেলিং কৌশল পরীক্ষা করা হয়েছে, মডেলিং কৌশলের সাথে উপাদানগুলিকে একত্রিত করে, মাটিতে নিকেল ঘনত্বের পূর্বাভাস দেওয়ার সর্বোত্তম উপায় অর্জন করা হয়েছে। মডেলিং কৌশলের SeOM কম্পোজিশনাল প্ল্যানার স্পেসিয়াল বৈশিষ্ট্যগুলি একটি সঠিক রঙের স্কেলে নিম্ন থেকে উচ্চ পর্যন্ত একটি উচ্চ রঙের প্যাটার্ন প্রদর্শন করেছে, যা মাটিতে Ni ঘনত্ব নির্দেশ করে। যাইহোক, স্থানিক বন্টন মানচিত্র EBK_SVMR দ্বারা প্রদর্শিত উপাদানগুলির প্ল্যানার স্থানিক বন্টন নিশ্চিত করে (চিত্র 5 দেখুন)। ফলাফলগুলি দেখায় যে সাপোর্ট ভেক্টর মেশিন রিগ্রেশন মডেল (Ca Mg K-SVMR) একক মডেল হিসাবে মাটিতে Ni এর ঘনত্বের পূর্বাভাস দেয়, তবে বৈধতা এবং নির্ভুলতা মূল্যায়ন পরামিতিগুলি RMSE এবং MAE এর ক্ষেত্রে খুব উচ্চ ত্রুটি দেখায়। অন্যদিকে, EBK_MLR মডেলের সাথে ব্যবহৃত মডেলিং কৌশলটিও ত্রুটিপূর্ণ কারণ নির্ধারণের সহগ (R2) এর কম মান রয়েছে। EBK SVMR এবং কম RMSE এবং MAE ত্রুটি সহ সম্মিলিত উপাদান (CaKMg) ব্যবহার করে 63.7% নির্ভুলতা সহ ভাল ফলাফল পাওয়া গেছে। দেখা যাচ্ছে যে EBK অ্যালগরিদমকে মেশিন লার্নিং অ্যালগরিদমের সাথে একত্রিত করলে একটি হাইব্রিড অ্যালগরিদম তৈরি হতে পারে যা মাটিতে PTE-এর ঘনত্বের পূর্বাভাস দিতে পারে। ফলাফলগুলি দেখায় যে অধ্যয়ন এলাকায় Ni ঘনত্বের পূর্বাভাস দেওয়ার জন্য Ca Mg K কে ভবিষ্যদ্বাণীকারী হিসাবে ব্যবহার করলে মাটিতে Ni-এর পূর্বাভাস উন্নত হতে পারে। এর অর্থ হল ইস্পাত শিল্প দ্বারা নিকেল-ভিত্তিক সার এবং মাটির শিল্প দূষণের ক্রমাগত প্রয়োগ মাটিতে নিকেলের ঘনত্ব বৃদ্ধির প্রবণতা রাখে। এই গবেষণায় দেখা গেছে যে EBK মডেল ত্রুটির মাত্রা কমাতে পারে এবং শহর বা পেরি-শহুরে মাটিতে মাটির স্থানিক বন্টনের মডেলের নির্ভুলতা উন্নত করতে পারে। সাধারণভাবে, আমরা মাটিতে PTE মূল্যায়ন এবং ভবিষ্যদ্বাণী করার জন্য EBK-SVMR মডেল প্রয়োগ করার প্রস্তাব করি; উপরন্তু, আমরা বিভিন্ন মেশিন লার্নিং অ্যালগরিদমের সাথে সংকরকরণের জন্য EBK ব্যবহার করার প্রস্তাব করি। উপাদানগুলিকে সহ-পরিবর্তন হিসাবে ব্যবহার করে Ni-এর ঘনত্বের পূর্বাভাস দেওয়া হয়েছিল; তবে, আরও কোভেরিয়েট ব্যবহার করলে মডেলের কর্মক্ষমতা ব্যাপকভাবে উন্নত হবে, যা বর্তমান কাজের একটি সীমাবদ্ধতা হিসেবে বিবেচিত হতে পারে। এই গবেষণার আরেকটি সীমাবদ্ধতা হল ডেটাসেটের সংখ্যা ১১৫। অতএব, যদি আরও তথ্য সরবরাহ করা হয়, তাহলে প্রস্তাবিত অপ্টিমাইজড হাইব্রিডাইজেশন পদ্ধতির কর্মক্ষমতা উন্নত করা যেতে পারে।
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (অ্যাক্সেস করা হয়েছে ২৮ এপ্রিল ২০২১)।
কাসপ্রজাক, কেএস নিকেল আধুনিক পরিবেশগত বিষবিদ্যায় অগ্রগতি করেছেন। চারপাশে। বিষবিদ্যা। ১১, ১৪৫–১৮৩ (১৯৮৭)।
সেম্পেল, এম. এবং নিকেল, জি. নিকেল: এর উৎস এবং পরিবেশগত বিষবিদ্যার পর্যালোচনা। পোলিশ জে. পরিবেশ। অধ্যয়ন। ১৫, ৩৭৫–৩৮২ (২০০৬)।
ফ্রিডম্যান, বি. এবং হাচিনসন, টিসি কানাডার অন্টারিওর সাডবারিতে একটি নিকেল-তামা গলানোর কারখানার কাছে বায়ুমণ্ডল থেকে দূষণকারী পদার্থ এবং মাটি ও গাছপালায় জমা হওয়া। can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
মানিওয়া, টি. প্রমুখ। বতসোয়ানার সেলেবি-ফিকওয়ে তামা-নিকেল খনির কাছে মাটি, উদ্ভিদ এবং চারণভূমিতে থাকা রুমিন্যান্টদের সাথে সম্পর্কিত ঝুঁকিতে ভারী ধাতু। পরিবেশ। ভূ-রসায়ন। স্বাস্থ্য https://doi.org/10.1007/s10653-021-00918-x (2021)।
Cabata-Pendias.Kabata-Pendias A. 2011. মাটিতে উপাদানের সন্ধান করুন 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= (অ্যাক্সেস করা হয়েছে 24 নভেম্বর 2020)।
আলমাস, এ., সিং, বি., কৃষি, টিএস-এনজে অফ & 1995, অনির্ধারিত। সোয়ার-ভারাঞ্জার, নরওয়ের কৃষি মাটি এবং ঘাসে ভারী ধাতুর ঘনত্বের উপর রাশিয়ান নিকেল শিল্পের প্রভাব।agris.fao.org।
নিলসেন, জিডি এবং অন্যান্য। পানীয় জলে নিকেল শোষণ এবং ধারণ খাদ্য গ্রহণ এবং নিকেল সংবেদনশীলতার সাথে সম্পর্কিত। বিষবিদ্যা। প্রয়োগ। ফার্মাকোডাইনামিক্স। 154, 67–75 (1999)।
কোস্টা, এম. এবং ক্লেইন, সিবি নিকেল কার্সিনোজেনেসিস, মিউটেশন, এপিজেনেটিক্স বা নির্বাচন। পরিবেশ। স্বাস্থ্য দৃষ্টিকোণ। ১০৭, ২ (১৯৯৯)।
আজমান, পিসি; আজাদো, এসকে; বোরুভকা, এল.; বিনি, জেকেএম; সারকোডি, ভিওয়াইও; কোবোনিয়ে, এনএম; সম্ভাব্য বিষাক্ত উপাদানগুলির ট্রেন্ড বিশ্লেষণ: একটি গ্রন্থপঞ্জি পর্যালোচনা। পরিবেশগত ভূ-রসায়ন এবং স্বাস্থ্য। স্প্রিংগার সায়েন্স অ্যান্ড বিজনেস মিডিয়া বিভি ২০২০। https://doi.org/10.1007/s10653-020-00742-9।
মিনাসনি, বি. এবং ম্যাকব্র্যাটনি, এবি ডিজিটাল সয়েল ম্যাপিং: একটি সংক্ষিপ্ত ইতিহাস এবং কিছু পাঠ। জিওডার্মা 264, 301–311। https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)।
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 জিওস্ট্যাটিস্টিক্যাল রিজার্ভোয়ার মডেলিং,… – 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= (অ্যাক্সেস করা হয়েছে ২৮ এপ্রিল ২০২১)।
পোস্টের সময়: জুলাই-২২-২০২২
