Nature.com ની મુલાકાત લેવા બદલ આભાર. તમે જે બ્રાઉઝર વર્ઝનનો ઉપયોગ કરી રહ્યા છો તેમાં CSS માટે મર્યાદિત સપોર્ટ છે. શ્રેષ્ઠ અનુભવ માટે, અમે ભલામણ કરીએ છીએ કે તમે અપડેટેડ બ્રાઉઝરનો ઉપયોગ કરો (અથવા ઇન્ટરનેટ એક્સપ્લોરરમાં સુસંગતતા મોડ બંધ કરો). આ દરમિયાન, સતત સપોર્ટ સુનિશ્ચિત કરવા માટે, અમે શૈલીઓ અને જાવાસ્ક્રિપ્ટ વિના સાઇટ પ્રદર્શિત કરીશું.
માનવ પ્રવૃત્તિઓને કારણે માટી પ્રદૂષણ એક મોટી સમસ્યા છે. મોટાભાગના શહેરી અને પેરી-શહેરી વિસ્તારોમાં સંભવિત ઝેરી તત્વો (PTEs) નું અવકાશી વિતરણ બદલાય છે. તેથી, આવી જમીનમાં PTEs ની સામગ્રીનું અવકાશી રીતે અનુમાન લગાવવું મુશ્કેલ છે. ચેક રિપબ્લિકના ફ્રાયડેક મિસ્ટેકમાંથી કુલ 115 નમૂનાઓ મેળવવામાં આવ્યા હતા. કેલ્શિયમ (Ca), મેગ્નેશિયમ (Mg), પોટેશિયમ (K) અને નિકલ (Ni) ની સાંદ્રતા ઇન્ડક્ટિવલી કમ્પલ્ડ પ્લાઝ્મા ઉત્સર્જન સ્પેક્ટ્રોમેટ્રીનો ઉપયોગ કરીને નક્કી કરવામાં આવી હતી. પ્રતિભાવ ચલ Ni છે અને આગાહી કરનારા Ca, Mg અને K છે. પ્રતિભાવ ચલ અને આગાહી કરનારા ચલ વચ્ચેનો સહસંબંધ મેટ્રિક્સ તત્વો વચ્ચે સંતોષકારક સહસંબંધ દર્શાવે છે. આગાહીના પરિણામો દર્શાવે છે કે સપોર્ટ વેક્ટર મશીન રીગ્રેશન (SVMR) એ સારું પ્રદર્શન કર્યું, જોકે તેની અંદાજિત મૂળ સરેરાશ ચોરસ ભૂલ (RMSE) (235.974 mg/kg) અને સરેરાશ સંપૂર્ણ ભૂલ (MAE) (166.946 mg/kg) લાગુ કરાયેલી અન્ય પદ્ધતિઓ કરતા વધારે હતી. એમ્પિરિકલ બેયેશિયન ક્રિગિંગ-મલ્ટીપલ રેખીય રીગ્રેશન માટે મિશ્ર મોડેલો (EBK-MLR) નબળું પ્રદર્શન કરે છે, જે 0.1 કરતા ઓછા નિર્ધારણના ગુણાંક દ્વારા પુરાવા મળે છે. એમ્પિરિકલ બેયસિયન ક્રિગિંગ-સપોર્ટ વેક્ટર મશીન રીગ્રેશન (EBK-SVMR) મોડેલ શ્રેષ્ઠ મોડેલ હતું, જેમાં નીચા RMSE (95.479 mg/kg) અને MAE (77.368 mg/kg) મૂલ્યો અને ઉચ્ચ નિર્ધારણ ગુણાંક (R2 = 0.637) હતા. EBK-SVMR મોડેલિંગ ટેકનિક આઉટપુટ સ્વ-સંગઠિત નકશાનો ઉપયોગ કરીને વિઝ્યુઅલાઈઝ કરવામાં આવે છે. હાઇબ્રિડ મોડેલ CakMg-EBK-SVMR ઘટકના પ્લેનમાં ક્લસ્ટર્ડ ચેતાકોષો બહુવિધ રંગ પેટર્ન દર્શાવે છે જે શહેરી અને પેરી-શહેરી જમીનમાં Ni સાંદ્રતાની આગાહી કરે છે. પરિણામો દર્શાવે છે કે EBK અને SVMR ને જોડવું એ શહેરી અને પેરી-શહેરી જમીનમાં Ni સાંદ્રતાની આગાહી કરવા માટે એક અસરકારક તકનીક છે.
નિકલ (Ni) ને છોડ માટે સૂક્ષ્મ પોષકતત્વ માનવામાં આવે છે કારણ કે તે વાતાવરણીય નાઇટ્રોજન ફિક્સેશન (N) અને યુરિયા ચયાપચયમાં ફાળો આપે છે, જે બંને બીજ અંકુરણ માટે જરૂરી છે. બીજ અંકુરણમાં તેના યોગદાન ઉપરાંત, Ni ફૂગ અને બેક્ટેરિયલ અવરોધક તરીકે કાર્ય કરી શકે છે અને છોડના વિકાસને પ્રોત્સાહન આપે છે. જમીનમાં નિકલનો અભાવ છોડને તેને શોષી લેવાની મંજૂરી આપે છે, જેના પરિણામે પાંદડા ક્લોરોસિસ થાય છે. ઉદાહરણ તરીકે, ચોળી અને લીલા કઠોળને નાઇટ્રોજન ફિક્સેશનને શ્રેષ્ઠ બનાવવા માટે નિકલ-આધારિત ખાતરોનો ઉપયોગ કરવાની જરૂર પડે છે. જમીનને સમૃદ્ધ બનાવવા અને જમીનમાં નાઇટ્રોજનને ઠીક કરવાની કઠોળની ક્ષમતા વધારવા માટે નિકલ-આધારિત ખાતરોનો સતત ઉપયોગ જમીનમાં નિકલ સાંદ્રતામાં સતત વધારો કરે છે. જોકે નિકલ છોડ માટે સૂક્ષ્મ પોષકતત્વ છે, જમીનમાં તેનું વધુ પડતું સેવન સારા કરતાં વધુ નુકસાન કરી શકે છે. જમીનમાં નિકલની ઝેરી અસર માટીના pH ને ઘટાડે છે અને છોડના વિકાસ માટે આવશ્યક પોષક તત્વ તરીકે આયર્નના શોષણને અવરોધે છે1.Liu3 અનુસાર, Ni છોડના વિકાસ અને વૃદ્ધિ માટે જરૂરી 17મું મહત્વપૂર્ણ તત્વ હોવાનું જાણવા મળ્યું છે. છોડના વિકાસ અને વૃદ્ધિમાં નિકલની ભૂમિકા ઉપરાંત, માનવોને વિવિધ એપ્લિકેશનો માટે તેની જરૂર છે.ઇલેક્ટ્રોપ્લેટિંગ, નિકલ-આધારિત એલોયનું ઉત્પાદન, અને ઓટોમોટિવ ઉદ્યોગમાં ઇગ્નીશન ઉપકરણો અને સ્પાર્ક પ્લગના ઉત્પાદન માટે વિવિધ ઔદ્યોગિક ક્ષેત્રોમાં નિકલનો ઉપયોગ જરૂરી છે. વધુમાં, નિકલ-આધારિત એલોય અને ઇલેક્ટ્રોપ્લેટેડ વસ્તુઓનો ઉપયોગ રસોડાના વાસણો, બોલરૂમ એસેસરીઝ, ખાદ્ય ઉદ્યોગ પુરવઠો, ઇલેક્ટ્રિકલ, વાયર અને કેબલ, જેટ ટર્બાઇન, સર્જિકલ ઇમ્પ્લાન્ટ, કાપડ અને શિપબિલ્ડીંગમાં વ્યાપકપણે થાય છે. જમીનમાં Ni-સમૃદ્ધ સ્તર (એટલે કે, સપાટીની માટી) માનવસર્જિત અને કુદરતી સ્ત્રોતો બંનેને આભારી છે, પરંતુ મુખ્યત્વે, Ni માનવસર્જિત4,6 કરતાં કુદરતી સ્ત્રોત છે. નિકલના કુદરતી સ્ત્રોતોમાં જ્વાળામુખી ફાટી નીકળવો, વનસ્પતિ, જંગલની આગ અને ભૂસ્તરશાસ્ત્રીય પ્રક્રિયાઓનો સમાવેશ થાય છે; જો કે, માનવસર્જિત સ્ત્રોતોમાં સ્ટીલ ઉદ્યોગમાં નિકલ/કેડમિયમ બેટરી, ઇલેક્ટ્રોપ્લેટિંગ, આર્ક વેલ્ડીંગ, ડીઝલ અને બળતણ તેલ, અને કોલસાના દહન અને કચરો અને કાદવ ભસ્મીકરણ નિકલ સંચયમાંથી વાતાવરણીય ઉત્સર્જનનો સમાવેશ થાય છે7,8. ફ્રીડમેન અને હચિન્સન9 અને મન્યિવા એટ અલ અનુસાર. ૧૦, તાત્કાલિક અને નજીકના વાતાવરણમાં જમીનની ઉપરની સપાટીના પ્રદૂષણના મુખ્ય સ્ત્રોત મુખ્યત્વે નિકલ-તાંબુ આધારિત સ્મેલ્ટર્સ અને ખાણો છે. કેનેડામાં સડબરી નિકલ-તાંબુ રિફાઇનરીની આસપાસની ટોચની જમીનમાં નિકલ દૂષણનું સૌથી વધુ સ્તર ૨૬,૦૦૦ મિલિગ્રામ/કિલોગ્રામ હતું. તેનાથી વિપરીત, રશિયામાં નિકલ ઉત્પાદનના પ્રદૂષણને કારણે નોર્વેજીયન માટીમાં નિકલની સાંદ્રતા વધી છે. આલ્મ્સ એટ અલ અનુસાર. ૧૨, પ્રદેશની ટોચની ખેતીલાયક જમીન (રશિયામાં નિકલ ઉત્પાદન) માં HNO3-એક્સટ્રેક્ટેબલ નિકલનું પ્રમાણ ૬.૨૫ થી ૧૩૬.૮૮ મિલિગ્રામ/કિલોગ્રામ સુધી હતું, જે સરેરાશ ૩૦.૪૩ મિલિગ્રામ/કિલોગ્રામ અને બેઝલાઇન સાંદ્રતા ૨૫ મિલિગ્રામ/કિલોગ્રામને અનુરૂપ હતું. કબાટા ૧૧ મુજબ, સતત પાકની ઋતુઓ દરમિયાન શહેરી અથવા પેરી-શહેરી જમીનમાં કૃષિ જમીનમાં ફોસ્ફરસ ખાતરોનો ઉપયોગ જમીનને દૂષિત અથવા દૂષિત કરી શકે છે. માનવોમાં નિકલની સંભવિત અસરો મ્યુટાજેનેસિસ, રંગસૂત્રીય નુકસાન, Z-DNA જનરેશન, અવરોધિત DNA એક્સિઝન રિપેર અથવા એપિજેનેટિક પ્રક્રિયાઓ દ્વારા કેન્સર તરફ દોરી શકે છે. પ્રાણીઓના પ્રયોગોમાં, નિકલમાં વિવિધ પ્રકારની ગાંઠો પેદા કરવાની ક્ષમતા હોવાનું જાણવા મળ્યું છે, અને કાર્સિનોજેનિક નિકલ સંકુલ આવા ગાંઠોને વધારી શકે છે.
માટી-છોડ સંબંધો, માટી અને માટીના જૈવિક સંબંધો, ઇકોલોજીકલ ડિગ્રેડેશન અને પર્યાવરણીય અસર મૂલ્યાંકનથી ઉદ્ભવતા આરોગ્ય સંબંધિત મુદ્દાઓની વિશાળ શ્રેણીને કારણે તાજેતરના સમયમાં માટી દૂષણ મૂલ્યાંકનનો વિકાસ થયો છે. આજ સુધી, માટીમાં Ni જેવા સંભવિત ઝેરી તત્વો (PTEs) ની અવકાશી આગાહી પરંપરાગત પદ્ધતિઓનો ઉપયોગ કરીને કપરું અને સમય માંગી લે તેવું રહ્યું છે. ડિજિટલ સોઇલ મેપિંગ (DSM) ના આગમન અને તેની વર્તમાન સફળતા15 એ આગાહીયુક્ત સોઇલ મેપિંગ (PSM) માં ઘણો સુધારો કર્યો છે. મિનાસ્ની અને મેકબ્રેટની16 અનુસાર, આગાહીયુક્ત સોઇલ મેપિંગ (DSM) માટી વિજ્ઞાનની એક અગ્રણી પેટાશાખા સાબિત થઈ છે. લેગાચેરી અને મેકબ્રેટની, 2006 DSM ને "ઇન સિટુ અને લેબોરેટરી અવલોકન પદ્ધતિઓ અને અવકાશી અને બિન-અવકાશી માટી અનુમાન પ્રણાલીઓના ઉપયોગ દ્વારા અવકાશી માટી માહિતી પ્રણાલીઓનું નિર્માણ અને ભરણ" તરીકે વ્યાખ્યાયિત કરે છે. મેકબ્રેટની અને અન્ય. ૧૭ રૂપરેખા આપે છે કે સમકાલીન DSM અથવા PSM એ PTEs, માટીના પ્રકારો અને માટીના ગુણધર્મોના અવકાશી વિતરણની આગાહી કરવા અથવા તેનું મેપિંગ કરવા માટે સૌથી અસરકારક તકનીક છે. ભૂસ્તરશાસ્ત્ર અને મશીન લર્નિંગ અલ્ગોરિધમ્સ (MLA) એ DSM મોડેલિંગ તકનીકો છે જે નોંધપાત્ર અને ન્યૂનતમ ડેટાનો ઉપયોગ કરીને કમ્પ્યુટરની મદદથી ડિજિટાઇઝ્ડ નકશા બનાવે છે.
Deutsch18 અને Olea19 ભૂ-આંકડાશાસ્ત્રને "અવકાશી ગુણધર્મોના પ્રતિનિધિત્વ સાથે વ્યવહાર કરતી સંખ્યાત્મક તકનીકોનો સંગ્રહ" તરીકે વ્યાખ્યાયિત કરે છે, મુખ્યત્વે સ્ટોકેસ્ટિક મોડેલોનો ઉપયોગ કરે છે, જેમ કે સમય શ્રેણી વિશ્લેષણ ટેમ્પોરલ ડેટાને કેવી રીતે લાક્ષણિકતા આપે છે." મુખ્યત્વે, ભૂ-આંકડાશાસ્ત્રમાં વેરિઓગ્રામનું મૂલ્યાંકન શામેલ છે, જે દરેક ડેટાસેટમાંથી અવકાશી મૂલ્યોની અવલંબનને પરિમાણિત અને વ્યાખ્યાયિત કરવાની મંજૂરી આપે છે. ગુમિયાક્સ એટ અલ. ૨૦ વધુ દર્શાવે છે કે ભૂ-આંકડાશાસ્ત્રમાં વેરિઓગ્રામનું મૂલ્યાંકન ત્રણ સિદ્ધાંતો પર આધારિત છે, જેમાં (a) ડેટા સહસંબંધના સ્કેલની ગણતરી, (b) ડેટાસેટ અસમાનતામાં એનિસોટ્રોપીની ઓળખ અને ગણતરી અને (c) સ્થાનિક અસરોથી અલગ કરાયેલ માપન ડેટાની સહજ ભૂલને ધ્યાનમાં લેવા ઉપરાંત, ક્ષેત્ર અસરોનો પણ અંદાજ લગાવવામાં આવે છે. આ ખ્યાલોના આધારે, ભૂ-આંકડાશાસ્ત્રમાં ઘણી ઇન્ટરપોલેશન તકનીકોનો ઉપયોગ થાય છે, જેમાં સામાન્ય ક્રિગિંગ, કો-ક્રિગિંગ, સામાન્ય ક્રિગિંગ, પ્રયોગમૂલક બેયશિયન ક્રિગિંગ, સરળ ક્રિગિંગ પદ્ધતિ અને PTE, માટીની લાક્ષણિકતાઓ અને માટીના પ્રકારોનો નકશો બનાવવા અથવા આગાહી કરવા માટે અન્ય જાણીતી ઇન્ટરપોલેશન તકનીકોનો સમાવેશ થાય છે.
મશીન લર્નિંગ અલ્ગોરિધમ્સ (MLA) એ પ્રમાણમાં નવી તકનીક છે જે મોટા બિન-રેખીય ડેટા વર્ગોનો ઉપયોગ કરે છે, જે મુખ્યત્વે ડેટા માઇનિંગ માટે ઉપયોગમાં લેવાતા અલ્ગોરિધમ્સ દ્વારા સંચાલિત થાય છે, ડેટામાં પેટર્ન ઓળખવા માટે, અને માટી વિજ્ઞાન અને રીટર્ન કાર્યો જેવા વૈજ્ઞાનિક ક્ષેત્રોમાં વર્ગીકરણ માટે વારંવાર લાગુ કરવામાં આવે છે. અસંખ્ય સંશોધન પત્રો જમીનમાં PTE ની આગાહી કરવા માટે MLA મોડેલો પર આધાર રાખે છે, જેમ કે ટેન એટ અલ. 22 (કૃષિ જમીનમાં ભારે ધાતુના અંદાજ માટે રેન્ડમ જંગલો), સાકીઝાદેહ એટ અલ. 23 (સપોર્ટ વેક્ટર મશીનો અને કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને મોડેલિંગ) માટી પ્રદૂષણ). વધુમાં, વેગા એટ અલ. 24 (માટીમાં ભારે ધાતુના રીટેન્શન અને શોષણનું મોડેલિંગ માટે CART) સન એટ અલ. 25 (ક્યુબિસ્ટનો ઉપયોગ માટીમાં Cd નું વિતરણ છે) અને અન્ય અલ્ગોરિધમ્સ જેમ કે k-નજીકના પાડોશી, સામાન્યકૃત બુસ્ટેડ રીગ્રેશન અને બુસ્ટેડ રીગ્રેશન વૃક્ષોએ પણ માટીમાં PTE ની આગાહી કરવા માટે MLA નો ઉપયોગ કર્યો.
આગાહી અથવા મેપિંગમાં DSM અલ્ગોરિધમ્સનો ઉપયોગ અનેક પડકારોનો સામનો કરે છે. ઘણા લેખકો માને છે કે MLA ભૂ-આંકડાશાસ્ત્ર કરતાં શ્રેષ્ઠ છે અને તેનાથી વિપરીત. જોકે એક બીજા કરતાં વધુ સારું છે, બંનેનું સંયોજન DSM15 માં મેપિંગ અથવા આગાહીની ચોકસાઈના સ્તરને સુધારે છે.વુડકોક અને ગોપાલ26 ફિન્કે27; પોન્ટિયસ અને ચેઉક28 અને ગ્રુનવાલ્ડ29 આગાહી કરાયેલ માટી મેપિંગમાં ખામીઓ અને કેટલીક ભૂલો પર ટિપ્પણી કરે છે. માટી વૈજ્ઞાનિકોએ DSM મેપિંગ અને આગાહીની અસરકારકતા, ચોકસાઈ અને આગાહીને શ્રેષ્ઠ બનાવવા માટે વિવિધ તકનીકોનો પ્રયાસ કર્યો છે. અનિશ્ચિતતા અને ચકાસણીનું સંયોજન અસરકારકતાને શ્રેષ્ઠ બનાવવા અને ખામીઓ ઘટાડવા માટે DSM માં સંકલિત ઘણા વિવિધ પાસાઓમાંથી એક છે. જો કે, અગીમેન એટ અલ. 15 રૂપરેખા આપે છે કે નકશાની રચના અને આગાહી દ્વારા રજૂ કરાયેલ માન્યતા વર્તન અને અનિશ્ચિતતાને નકશાની ગુણવત્તા સુધારવા માટે સ્વતંત્ર રીતે માન્ય કરવી જોઈએ. DSM ની મર્યાદાઓ ભૌગોલિક રીતે વિખરાયેલી માટીની ગુણવત્તાને કારણે છે, જેમાં અનિશ્ચિતતાનો એક ઘટક શામેલ છે; જોકે, DSM માં નિશ્ચિતતાનો અભાવ ભૂલના અનેક સ્ત્રોતોમાંથી ઉદ્ભવી શકે છે, જેમ કે કોવેરિયેટ ભૂલ, મોડેલ ભૂલ, સ્થાન ભૂલ અને વિશ્લેષણાત્મક ભૂલ 31. MLA અને ભૂ-આંકડાકીય પ્રક્રિયાઓમાં પ્રેરિત મોડેલિંગ અચોક્કસતાઓ સમજણના અભાવ સાથે સંકળાયેલી છે, જે આખરે વાસ્તવિક પ્રક્રિયાના વધુ પડતા સરળીકરણ તરફ દોરી જાય છે32. મોડેલિંગની પ્રકૃતિને ધ્યાનમાં લીધા વિના, અચોક્કસતાઓ મોડેલિંગ પરિમાણો, ગાણિતિક મોડેલ આગાહીઓ અથવા ઇન્ટરપોલેશનને આભારી હોઈ શકે છે33. તાજેતરમાં, એક નવો DSM વલણ ઉભરી આવ્યું છે જે મેપિંગ અને આગાહીમાં ભૂ-આંકડાશાસ્ત્ર અને MLA ના એકીકરણને પ્રોત્સાહન આપે છે. ઘણા માટી વૈજ્ઞાનિકો અને લેખકો, જેમ કે સેર્ગીવ એટ અલ. 34; સબબોટિના એટ અલ. 35; તારાસોવ એટ અલ. 36 અને તારાસોવ એટ અલ. 37 એ ભૂ-આંકડાશાસ્ત્ર અને મશીન લર્નિંગની સચોટ ગુણવત્તાનો ઉપયોગ કરીને આગાહી અને મેપિંગની કાર્યક્ષમતામાં સુધારો કરતા હાઇબ્રિડ મોડેલો જનરેટ કર્યા છે. ગુણવત્તા. આમાંના કેટલાક હાઇબ્રિડ અથવા સંયુક્ત અલ્ગોરિધમ મોડેલો છે: આર્ટિફિશિયલ ન્યુરલ નેટવર્ક ક્રિગિંગ (ANN-RK), મલ્ટિલેયર પરસેપ્ટ્રોન રેસિડ્યુઅલ ક્રિગિંગ (MLP-RK), જનરલાઇઝ્ડ રીગ્રેશન ન્યુરલ નેટવર્ક રેસિડ્યુઅલ ક્રિગિંગ (GR- NNRK)36, આર્ટિફિશિયલ ન્યુરલ નેટવર્ક ક્રિગિંગ-મલ્ટિલેયર પરસેપ્ટ્રોન (ANN-K-MLP)37 અને કો-ક્રિગિંગ અને ગૌશિયન પ્રોસેસ રીગ્રેસન38.
સેર્ગીવ અને અન્યોના મતે, વિવિધ મોડેલિંગ તકનીકોને જોડીને ખામીઓને દૂર કરવાની અને પરિણામી હાઇબ્રિડ મોડેલની કાર્યક્ષમતા વધારવાની ક્ષમતા છે, તેના એકલ મોડેલને વિકસાવવાને બદલે. આ સંદર્ભમાં, આ નવું પેપર દલીલ કરે છે કે શહેરી અને પેરી-શહેરી વિસ્તારોમાં Ni સંવર્ધનની આગાહી કરવા માટે શ્રેષ્ઠ હાઇબ્રિડ મોડેલ બનાવવા માટે ભૂ-આંકડાશાસ્ત્ર અને MLA ના સંયુક્ત અલ્ગોરિધમનો ઉપયોગ કરવો જરૂરી છે. આ અભ્યાસ બેઝ મોડેલ તરીકે એમ્પિરિકલ બેયેશિયન ક્રિગિંગ (EBK) પર આધાર રાખશે અને તેને સપોર્ટ વેક્ટર મશીન (SVM) અને મલ્ટીપલ લીનિયર રીગ્રેસન (MLR) મોડેલો સાથે મિશ્રિત કરશે. કોઈપણ MLA સાથે EBK નું હાઇબ્રિડાઇઝેશન જાણીતું નથી. જોવામાં આવેલા બહુવિધ મિશ્ર મોડેલો સામાન્ય, અવશેષ, રીગ્રેસન ક્રિગિંગ અને MLA ના સંયોજનો છે. EBK એ એક ભૂ-આંકડાકીય પ્રક્ષેપણ પદ્ધતિ છે જે અવકાશી સ્ટોકેસ્ટિક પ્રક્રિયાનો ઉપયોગ કરે છે જે ક્ષેત્ર પર નિર્ધારિત સ્થાનિકીકરણ પરિમાણો સાથે બિન-સ્થિર/સ્થિર રેન્ડમ ક્ષેત્ર તરીકે સ્થાનીકૃત છે, જે અવકાશી વિવિધતાને મંજૂરી આપે છે39.EBK નો ઉપયોગ વિવિધ અભ્યાસોમાં કરવામાં આવ્યો છે, જેમાં ખેતીની જમીનમાં કાર્બનિક કાર્બનના વિતરણનું વિશ્લેષણ કરવું40, માટી પ્રદૂષણનું મૂલ્યાંકન કરવું41 અને માટીના ગુણધર્મોનું મેપિંગ42.
બીજી બાજુ, સેલ્ફ-ઓર્ગેનાઇઝિંગ ગ્રાફ (SeOM) એ એક લર્નિંગ અલ્ગોરિધમ છે જેનો ઉપયોગ વિવિધ લેખોમાં કરવામાં આવ્યો છે જેમ કે લી એટ અલ. 43, વાંગ એટ અલ. 44, હુસૈન ભુઇયા એટ અલ. 45 અને કેબોની એટ અલ. 46 તત્વોના અવકાશી ગુણધર્મો અને જૂથ નક્કી કરો. વાંગ એટ અલ. 44 દર્શાવે છે કે SeOM એક શક્તિશાળી શીખવાની તકનીક છે જે બિન-રેખીય સમસ્યાઓને જૂથબદ્ધ કરવાની અને કલ્પના કરવાની ક્ષમતા માટે જાણીતી છે. મુખ્ય ઘટક વિશ્લેષણ, ફઝી ક્લસ્ટરિંગ, હાયરાર્કિકલ ક્લસ્ટરિંગ અને બહુ-માપદંડ નિર્ણય લેવા જેવી અન્ય પેટર્ન ઓળખ તકનીકોથી વિપરીત, SeOM PTE પેટર્નને ગોઠવવા અને ઓળખવામાં વધુ સારી છે. વાંગ એટ અલ. 44 અનુસાર, SeOM સંબંધિત ચેતાકોષોના વિતરણને અવકાશી રીતે જૂથબદ્ધ કરી શકે છે અને ઉચ્ચ-રીઝોલ્યુશન ડેટા વિઝ્યુલાઇઝેશન પ્રદાન કરી શકે છે. સીધા અર્થઘટન માટે પરિણામોને લાક્ષણિકતા આપવા માટે SeOM Ni આગાહી ડેટાનું વિઝ્યુઅલાઈઝેશન કરશે.
આ પેપરનો ઉદ્દેશ્ય શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સામગ્રીની આગાહી કરવા માટે શ્રેષ્ઠ ચોકસાઈ સાથે એક મજબૂત મેપિંગ મોડેલ બનાવવાનો છે. અમે અનુમાન કરીએ છીએ કે મિશ્ર મોડેલની વિશ્વસનીયતા મુખ્યત્વે બેઝ મોડેલ સાથે જોડાયેલા અન્ય મોડેલોના પ્રભાવ પર આધારિત છે. અમે DSM સામેના પડકારોને સ્વીકારીએ છીએ, અને જ્યારે આ પડકારોને બહુવિધ મોરચે સંબોધવામાં આવી રહ્યા છે, ત્યારે ભૂ-આંકડાશાસ્ત્ર અને MLA મોડેલોમાં પ્રગતિનું સંયોજન વધતું જાય છે; તેથી, અમે એવા સંશોધન પ્રશ્નોના જવાબ આપવાનો પ્રયાસ કરીશું જે મિશ્ર મોડેલો ઉત્પન્ન કરી શકે છે. જો કે, લક્ષ્ય તત્વની આગાહી કરવામાં મોડેલ કેટલું સચોટ છે? ઉપરાંત, માન્યતા અને ચોકસાઈ મૂલ્યાંકનના આધારે કાર્યક્ષમતા મૂલ્યાંકનનું સ્તર શું છે? તેથી, આ અભ્યાસના ચોક્કસ ધ્યેયો હતા (a) EBK ને બેઝ મોડેલ તરીકે ઉપયોગ કરીને SVMR અથવા MLR માટે સંયુક્ત મિશ્રણ મોડેલ બનાવવાનું, (b) પરિણામી મોડેલોની તુલના કરવાનું (c) શહેરી અથવા પેરી-શહેરી જમીનમાં Ni સાંદ્રતાની આગાહી કરવા માટે શ્રેષ્ઠ મિશ્રણ મોડેલનો પ્રસ્તાવ મૂકવો, અને (d) નિકલ અવકાશી વિવિધતાનો ઉચ્ચ-રીઝોલ્યુશન નકશો બનાવવા માટે SeOM નો ઉપયોગ.
આ અભ્યાસ ચેક રિપબ્લિકમાં હાથ ધરવામાં આવી રહ્યો છે, ખાસ કરીને મોરાવિયા-સિલેશિયન પ્રદેશના ફ્રાયડેક મિસ્ટેક જિલ્લામાં (આકૃતિ 1 જુઓ). અભ્યાસ વિસ્તારની ભૂગોળ ખૂબ જ કઠોર છે અને મોટાભાગે મોરાવિયા-સિલેશિયન બેસ્કીડી પ્રદેશનો ભાગ છે, જે કાર્પેથિયન પર્વતોના બાહ્ય કિનારાનો ભાગ છે. અભ્યાસ વિસ્તાર 49° 41′ 0′ N અને 18° 20′ 0′ E વચ્ચે સ્થિત છે, અને ઊંચાઈ 225 અને 327 મીટર વચ્ચે છે; જોકે, પ્રદેશની આબોહવાની સ્થિતિ માટે કોપેન વર્ગીકરણ પ્રણાલીને Cfb = સમશીતોષ્ણ સમુદ્રી આબોહવા તરીકે રેટ કરવામાં આવી છે, સૂકા મહિનામાં પણ ઘણો વરસાદ પડે છે. સમગ્ર વર્ષ દરમિયાન તાપમાન −5 °C અને 24 °C વચ્ચે થોડું બદલાય છે, ભાગ્યે જ −14 °C થી નીચે અથવા 30 °C થી ઉપર આવે છે, જ્યારે સરેરાશ વાર્ષિક વરસાદ 685 અને 752 mm47 ની વચ્ચે હોય છે. સમગ્ર વિસ્તારનો અંદાજિત સર્વે વિસ્તાર 1,208 ચોરસ કિલોમીટર છે, જેમાં 39.38% ખેતીલાયક જમીન અને 49.36% જંગલ આવરણ છે. બીજી બાજુ, આ અભ્યાસમાં વપરાયેલ વિસ્તાર લગભગ 889.8 ચોરસ કિલોમીટર છે. ઓસ્ટ્રાવામાં અને તેની આસપાસ, સ્ટીલ ઉદ્યોગ અને ધાતુના કામો ખૂબ જ સક્રિય છે. ધાતુની મિલો, સ્ટીલ ઉદ્યોગ જ્યાં નિકલનો ઉપયોગ સ્ટેનલેસ સ્ટીલમાં થાય છે (દા.ત. વાતાવરણીય કાટ સામે પ્રતિકાર માટે) અને એલોય સ્ટીલ્સ (નિકલ તેની સારી નમ્રતા અને કઠિનતા જાળવી રાખીને એલોયની મજબૂતાઈ વધારે છે), અને ફોસ્ફેટ ખાતરનો ઉપયોગ અને પશુધન ઉત્પાદન જેવી સઘન ખેતી આ પ્રદેશમાં નિકલના સંભવિત સ્ત્રોતોનું સંશોધન કરો (દા.ત., ઘેટાં અને ઓછા ખોરાકવાળા ઢોરમાં વૃદ્ધિ દર વધારવા માટે ઘેટાંમાં નિકલ ઉમેરવું). સંશોધન ક્ષેત્રોમાં નિકલના અન્ય ઔદ્યોગિક ઉપયોગોમાં ઇલેક્ટ્રોપ્લેટિંગમાં તેનો ઉપયોગ શામેલ છે, જેમાં ઇલેક્ટ્રોપ્લેટિંગ નિકલ અને ઇલેક્ટ્રોલેસ નિકલ પ્લેટિંગ પ્રક્રિયાઓનો સમાવેશ થાય છે. માટીના ગુણધર્મો માટીના રંગ, બંધારણ અને કાર્બોનેટ સામગ્રીથી સરળતાથી અલગ પડે છે. માટીની રચના મધ્યમથી બારીક હોય છે, જે મૂળ સામગ્રીમાંથી મેળવવામાં આવે છે. તે કોલુવિયલ, કાંપવાળી અથવા એઓલિયન પ્રકૃતિના હોય છે. કેટલાક માટીના વિસ્તારો સપાટી અને પેટાળમાં ચિત્તદાર દેખાય છે, ઘણીવાર કોંક્રિટ અને બ્લીચિંગ સાથે. જો કે, કેમ્બિસોલ અને સ્ટેગ્નોસોલ આ પ્રદેશમાં સૌથી સામાન્ય માટીના પ્રકારો છે48. 455.1 થી 493.5 મીટર સુધીની ઊંચાઈ સાથે, કેમ્બિસોલ ચેક રિપબ્લિકમાં પ્રભુત્વ ધરાવે છે49.
અભ્યાસ વિસ્તારનો નકશો [અભ્યાસ વિસ્તારનો નકશો ArcGIS ડેસ્કટોપ (ESRI, Inc, સંસ્કરણ 10.7, URL: https://desktop.arcgis.com) નો ઉપયોગ કરીને બનાવવામાં આવ્યો હતો.]
ફ્રાયડેક મિસ્ટેક જિલ્લામાં શહેરી અને પેરી-શહેરી જમીનમાંથી કુલ 115 ઉપરની માટીના નમૂનાઓ મેળવવામાં આવ્યા હતા. ઉપયોગમાં લેવાતી નમૂના પેટર્ન નિયમિત ગ્રીડ હતી જેમાં માટીના નમૂનાઓ 2 × 2 કિમીના અંતરે રાખવામાં આવ્યા હતા, અને ઉપરની માટી હાથથી પકડેલા GPS ઉપકરણ (Leica Zeno 5 GPS) નો ઉપયોગ કરીને 0 થી 20 સે.મી.ની ઊંડાઈએ માપવામાં આવી હતી. નમૂનાઓને Ziploc બેગમાં પેક કરવામાં આવે છે, યોગ્ય રીતે લેબલ કરવામાં આવે છે, અને પ્રયોગશાળામાં મોકલવામાં આવે છે. નમૂનાઓને હવામાં સૂકવવામાં આવે છે જેથી પલ્વરાઇઝ્ડ નમૂનાઓ ઉત્પન્ન થાય, યાંત્રિક સિસ્ટમ (Fritsch ડિસ્ક મિલ) દ્વારા પલ્વરાઇઝ્ડ કરવામાં આવે, અને ચાળણી કરવામાં આવે (ચાળણીનું કદ 2 મીમી). સ્પષ્ટ રીતે લેબલવાળી ટેફલોન બોટલોમાં 1 ગ્રામ સૂકા, એકરૂપ અને ચાળણીવાળા માટીના નમૂનાઓ મૂકો. દરેક ટેફલોન વાસણમાં, 7 મિલી 35% HCl અને 3 મિલી 65% HNO3 (ઓટોમેટિક ડિસ્પેન્સરનો ઉપયોગ કરીને - દરેક એસિડ માટે એક) નાખો, થોડું ઢાંકી દો અને નમૂનાઓને પ્રતિક્રિયા (એક્વા રેજિયા પ્રોગ્રામ) માટે રાતોરાત ઊભા રહેવા દો. સુપરનેટન્ટને ગરમ પાણી પર મૂકો. નમૂનાઓની પાચન પ્રક્રિયાને સરળ બનાવવા માટે મેટલ પ્લેટ (તાપમાન: 100 W અને 160 °C) 2 કલાક માટે રાખો, પછી ઠંડુ કરો. સુપરનેટન્ટને 50 મિલી વોલ્યુમેટ્રિક ફ્લાસ્કમાં સ્થાનાંતરિત કરો અને ડીયોનાઇઝ્ડ પાણીથી 50 મિલી સુધી પાતળું કરો. તે પછી, પાતળું સુપરનેટન્ટને ડીયોનાઇઝ્ડ પાણીથી 50 મિલી પીવીસી ટ્યુબમાં ફિલ્ટર કરો. વધુમાં, 1 મિલી ડિયોનાઇઝ્ડ સોલ્યુશનને 9 મિલી ડિયોનાઇઝ્ડ પાણીથી પાતળું કરવામાં આવ્યું હતું અને PTE સ્યુડો-કોન્સન્ટ્રેશન માટે તૈયાર કરાયેલ 12 મિલી ટ્યુબમાં ફિલ્ટર કરવામાં આવ્યું હતું. PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ની સાંદ્રતા ICP-OES (ઇન્ડક્ટિવલી કપલ્ડ પ્લાઝ્મા ઓપ્ટિકલ એમિશન સ્પેક્ટ્રોસ્કોપી) (થર્મો ફિશર સાયન્ટિફિક, યુએસએ) દ્વારા પ્રમાણભૂત પદ્ધતિઓ અને કરાર અનુસાર નક્કી કરવામાં આવી હતી. ગુણવત્તા ખાતરી અને નિયંત્રણ (QA/QC) પ્રક્રિયાઓ (SRM NIST 2711a મોન્ટાના II સોઇલ) સુનિશ્ચિત કરો. અડધાથી ઓછી શોધ મર્યાદા ધરાવતા PTEs ને આમાંથી બાકાત રાખવામાં આવ્યા હતા. અભ્યાસ. આ અભ્યાસમાં ઉપયોગમાં લેવાતા PTE ની શોધ મર્યાદા 0.0004 હતી.(તમે). વધુમાં, દરેક વિશ્લેષણ માટે ગુણવત્તા નિયંત્રણ અને ગુણવત્તા ખાતરી પ્રક્રિયા સંદર્ભ ધોરણોનું વિશ્લેષણ કરીને સુનિશ્ચિત કરવામાં આવે છે. ભૂલો ઓછી કરવામાં આવે તેની ખાતરી કરવા માટે, બેવડું વિશ્લેષણ કરવામાં આવ્યું હતું.
એમ્પિરિકલ બેયસિયન ક્રિગિંગ (EBK) એ માટી વિજ્ઞાન જેવા વિવિધ ક્ષેત્રોમાં મોડેલિંગમાં ઉપયોગમાં લેવાતી ઘણી ભૂ-આંકડાકીય પ્રક્ષેપણ તકનીકોમાંની એક છે. અન્ય ક્રિગિંગ ઇન્ટરપોલેશન તકનીકોથી વિપરીત, EBK પરંપરાગત ક્રિગિંગ પદ્ધતિઓથી અલગ છે કારણ કે તે સેમીવેરિઓગ્રામ મોડેલ દ્વારા અંદાજિત ભૂલને ધ્યાનમાં લે છે. EBK ઇન્ટરપોલેશનમાં, એક જ સેમીવેરિઓગ્રામને બદલે, ઇન્ટરપોલેશન દરમિયાન ઘણા સેમીવેરિઓગ્રામ મોડેલોની ગણતરી કરવામાં આવે છે. ઇન્ટરપોલેશન તકનીકો સેમીવેરિઓગ્રામના આ પ્લોટિંગ સાથે સંકળાયેલ અનિશ્ચિતતા અને પ્રોગ્રામિંગ માટે માર્ગ બનાવે છે જે પર્યાપ્ત ક્રિગિંગ પદ્ધતિનો ખૂબ જટિલ ભાગ બનાવે છે. EBK ની ઇન્ટરપોલેશન પ્રક્રિયા ક્રિવોરુચકો 50 દ્વારા પ્રસ્તાવિત ત્રણ માપદંડોને અનુસરે છે, (a) મોડેલ ઇનપુટ ડેટાસેટમાંથી સેમીવેરિઓગ્રામનો અંદાજ લગાવે છે (b) જનરેટ કરેલા સેમીવેરિઓગ્રામના આધારે દરેક ઇનપુટ ડેટાસેટ સ્થાન માટે નવું અનુમાનિત મૂલ્ય અને (c) અંતિમ A મોડેલ સિમ્યુલેટેડ ડેટાસેટમાંથી ગણતરી કરવામાં આવે છે. બેયસિયન સમીકરણ નિયમ પશ્ચાદવર્તી તરીકે આપવામાં આવ્યો છે.
જ્યાં \(Prob\left(A\right)\) પૂર્વવર્તીનું પ્રતિનિધિત્વ કરે છે, \(Prob\left(B\right)\) સીમાંત સંભાવના મોટાભાગના કિસ્સાઓમાં અવગણવામાં આવે છે, \(Prob (B,A)\ ). સેમીવેરીઓગ્રામ ગણતરી બેયસના નિયમ પર આધારિત છે, જે સેમીવેરીઓગ્રામમાંથી બનાવી શકાય તેવા અવલોકન ડેટાસેટ્સની વૃત્તિ દર્શાવે છે. ત્યારબાદ સેમીવેરીઓગ્રામનું મૂલ્ય બેયસના નિયમનો ઉપયોગ કરીને નક્કી કરવામાં આવે છે, જે જણાવે છે કે સેમીવેરીઓગ્રામમાંથી અવલોકનોનો ડેટાસેટ બનાવવાની કેટલી શક્યતા છે.
સપોર્ટ વેક્ટર મશીન એ એક મશીન લર્નિંગ અલ્ગોરિધમ છે જે સમાન પરંતુ રેખીય રીતે સ્વતંત્ર નહીં તેવા વર્ગોને અલગ પાડવા માટે શ્રેષ્ઠ અલગ પાડતું હાઇપરપ્લેન જનરેટ કરે છે.Vapnik51 એ ઇન્ટેન્ટ ક્લાસિફિકેશન અલ્ગોરિધમ બનાવ્યું, પરંતુ તાજેતરમાં તેનો ઉપયોગ રીગ્રેશન-લક્ષી સમસ્યાઓ ઉકેલવા માટે કરવામાં આવ્યો છે.Li et al.52 અનુસાર, SVM શ્રેષ્ઠ વર્ગીકરણ તકનીકોમાંની એક છે અને તેનો ઉપયોગ વિવિધ ક્ષેત્રોમાં કરવામાં આવ્યો છે.SVM (સપોર્ટ વેક્ટર મશીન રીગ્રેશન - SVMR) ના રીગ્રેશન ઘટકનો ઉપયોગ આ વિશ્લેષણમાં કરવામાં આવ્યો હતો.ચેરકાસ્કી અને મુલિયર53 એ SVMR ને કર્નલ-આધારિત રીગ્રેશન તરીકે પહેલ કરી, જેની ગણતરી બહુ-દેશી અવકાશી કાર્યો સાથે રેખીય રીગ્રેશન મોડેલનો ઉપયોગ કરીને કરવામાં આવી હતી.જોન એટ અલ54 અહેવાલ આપે છે કે SVMR મોડેલિંગ હાઇપરપ્લેન રેખીય રીગ્રેશનનો ઉપયોગ કરે છે, જે બિન-રેખીય સંબંધો બનાવે છે અને અવકાશી કાર્યો માટે પરવાનગી આપે છે.વોહલેન્ડ એટ અલ અનુસાર. 55, એપ્સીલોન (ε)-SVMR એ એપ્સીલોન-અસંવેદનશીલ કાર્ય તરીકે પ્રતિનિધિત્વ મોડેલ મેળવવા માટે પ્રશિક્ષિત ડેટાસેટનો ઉપયોગ કરે છે જે સહસંબંધિત ડેટા પર તાલીમમાંથી શ્રેષ્ઠ એપ્સીલોન પૂર્વગ્રહ સાથે ડેટાને સ્વતંત્ર રીતે મેપ કરવા માટે લાગુ કરવામાં આવે છે. પ્રીસેટ અંતર ભૂલને વાસ્તવિક મૂલ્યથી અવગણવામાં આવે છે, અને જો ભૂલ ε(ε) કરતા મોટી હોય, તો માટીના ગુણધર્મો તેને વળતર આપે છે. મોડેલ તાલીમ ડેટાની જટિલતાને સપોર્ટ વેક્ટરના વ્યાપક સબસેટમાં પણ ઘટાડે છે. Vapnik51 દ્વારા પ્રસ્તાવિત સમીકરણ નીચે બતાવેલ છે.
જ્યાં b સ્કેલર થ્રેશોલ્ડનું પ્રતિનિધિત્વ કરે છે, \(K\left({x}_{,}{ x}_{k}\right)\) કર્નલ ફંક્શનનું પ્રતિનિધિત્વ કરે છે, \(\alpha\) લેગ્રેન્જ ગુણકનું પ્રતિનિધિત્વ કરે છે, N આંકડાકીય ડેટાસેટનું પ્રતિનિધિત્વ કરે છે, \({x}_{k}\) ડેટા ઇનપુટનું પ્રતિનિધિત્વ કરે છે, અને \(y\) ડેટા આઉટપુટ છે. ઉપયોગમાં લેવાતા કી કર્નલમાંથી એક SVMR ઓપરેશન છે, જે ગૌસીયન રેડિયલ બેઝિસ ફંક્શન (RBF) છે. RBF કર્નલ શ્રેષ્ઠ SVMR મોડેલ નક્કી કરવા માટે લાગુ કરવામાં આવે છે, જે PTE તાલીમ ડેટા માટે સૌથી સૂક્ષ્મ પેનલ્ટી સેટ ફેક્ટર C અને કર્નલ પેરામીટર ગામા (γ) મેળવવા માટે મહત્વપૂર્ણ છે. પ્રથમ, અમે તાલીમ સેટનું મૂલ્યાંકન કર્યું અને પછી માન્યતા સેટ પર મોડેલ પ્રદર્શનનું પરીક્ષણ કર્યું. વપરાયેલ સ્ટીયરિંગ પેરામીટર સિગ્મા છે અને પદ્ધતિ મૂલ્ય svmRadial છે.
બહુવિધ રેખીય રીગ્રેશન મોડેલ (MLR) એ એક રીગ્રેશન મોડેલ છે જે પ્રતિભાવ ચલ અને સંખ્યાબંધ આગાહી કરનાર ચલો વચ્ચેના સંબંધને લઘુત્તમ ચોરસ પદ્ધતિનો ઉપયોગ કરીને ગણતરી કરાયેલ રેખીય પૂલ્ડ પરિમાણોનો ઉપયોગ કરીને રજૂ કરે છે. MLR માં, લઘુત્તમ ચોરસ મોડેલ એ સ્પષ્ટીકરણ ચલોની પસંદગી પછી માટીના ગુણધર્મોનું આગાહી કાર્ય છે. સ્પષ્ટીકરણ ચલોનો ઉપયોગ કરીને રેખીય સંબંધ સ્થાપિત કરવા માટે પ્રતિભાવનો ઉપયોગ કરવો જરૂરી છે. સ્પષ્ટીકરણ ચલ સાથે રેખીય સંબંધ સ્થાપિત કરવા માટે PTE નો ઉપયોગ પ્રતિભાવ ચલ તરીકે કરવામાં આવ્યો હતો. MLR સમીકરણ છે
જ્યાં y એ પ્રતિભાવ ચલ છે, \(a\) એ અંતરાલ છે, n એ આગાહી કરનારાઓની સંખ્યા છે, \({b}_{1}\) એ સહગુણાંકોનું આંશિક રીગ્રેશન છે, \({x}_{ i}\) એક આગાહી કરનાર અથવા સ્પષ્ટીકરણ ચલ રજૂ કરે છે, અને \({\varepsilon }_{i}\) મોડેલમાં ભૂલ રજૂ કરે છે, જેને શેષ તરીકે પણ ઓળખવામાં આવે છે.
EBK ને SVMR અને MLR સાથે સેન્ડવીચ કરીને મિશ્ર મોડેલો મેળવવામાં આવ્યા હતા. આ EBK ઇન્ટરપોલેશનમાંથી અનુમાનિત મૂલ્યો કાઢીને કરવામાં આવે છે. ઇન્ટરપોલેટેડ Ca, K, અને Mg માંથી મેળવેલા અનુમાનિત મૂલ્યો CaK, CaMg અને KMg જેવા નવા ચલો મેળવવા માટે સંયુક્ત પ્રક્રિયા દ્વારા મેળવવામાં આવે છે. Ca, K અને Mg તત્વોને પછી ચોથું ચલ, CaKMg મેળવવા માટે જોડવામાં આવે છે. એકંદરે, મેળવેલા ચલો Ca, K, Mg, CaK, CaMg, KMg અને CaKMg છે. આ ચલો અમારા આગાહીકર્તા બન્યા, જે શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સાંદ્રતાની આગાહી કરવામાં મદદ કરે છે. મિશ્ર મોડેલ એમ્પિરિકલ બેયેશિયન ક્રિગિંગ-સપોર્ટ વેક્ટર મશીન (EBK_SVM) મેળવવા માટે આગાહીકર્તાઓ પર SVMR અલ્ગોરિધમ કરવામાં આવ્યું હતું. તેવી જ રીતે, મિશ્ર મોડેલ એમ્પિરિકલ બેયેશિયન ક્રિગિંગ-મલ્ટીપલ લીનિયર રીગ્રેશન (EBK_MLR) મેળવવા માટે ચલોને MLR અલ્ગોરિધમ દ્વારા પણ પાઇપ કરવામાં આવે છે. સામાન્ય રીતે, Ca, K, Mg, ચલો શહેરી અને પેરી-શહેરી જમીનમાં Ni સામગ્રીના આગાહીકર્તા તરીકે CaK, CaMg, KMg, અને CaKMg નો ઉપયોગ કોવેરિયેટ તરીકે થાય છે. મેળવેલ સૌથી સ્વીકાર્ય મોડેલ (EBK_SVM અથવા EBK_MLR) પછી સ્વ-સંગઠિત ગ્રાફનો ઉપયોગ કરીને વિઝ્યુઅલાઈઝ કરવામાં આવશે. આ અભ્યાસનો કાર્યપ્રવાહ આકૃતિ 2 માં દર્શાવવામાં આવ્યો છે.
નાણાકીય ક્ષેત્ર, આરોગ્યસંભાળ, ઉદ્યોગ, આંકડાશાસ્ત્ર, માટી વિજ્ઞાન અને વધુમાં ડેટા ગોઠવવા, મૂલ્યાંકન કરવા અને આગાહી કરવા માટે SeOM નો ઉપયોગ એક લોકપ્રિય સાધન બની ગયું છે. સંગઠન, મૂલ્યાંકન અને આગાહી માટે કૃત્રિમ ન્યુરલ નેટવર્ક અને દેખરેખ વિનાની શિક્ષણ પદ્ધતિઓનો ઉપયોગ કરીને SeOM બનાવવામાં આવ્યું છે. આ અભ્યાસમાં, શહેરી અને પેરી-શહેરી જમીનમાં Ni ની આગાહી કરવા માટે શ્રેષ્ઠ મોડેલના આધારે Ni સાંદ્રતાને કલ્પના કરવા માટે SeOM નો ઉપયોગ કરવામાં આવ્યો હતો. SeOM મૂલ્યાંકનમાં પ્રક્રિયા કરાયેલ ડેટાનો ઉપયોગ n ઇનપુટ-ડાયમેન્શનલ વેક્ટર ચલો43,56 તરીકે થાય છે. મેલ્સેન એટ અલ. 57 એક ઇનપુટ વેક્ટરના ન્યુરલ નેટવર્કમાં એક જ ઇનપુટ લેયર દ્વારા એક જ વજન વેક્ટરવાળા આઉટપુટ વેક્ટર સાથે જોડાણનું વર્ણન કરે છે. SeOM દ્વારા જનરેટ થયેલ આઉટપુટ એ બે-પરિમાણીય નકશો છે જેમાં વિવિધ ચેતાકોષો અથવા ગાંઠો હોય છે જે તેમની નિકટતા અનુસાર ષટ્કોણ, ગોળાકાર અથવા ચોરસ ટોપોલોજીકલ નકશામાં વણાયેલા હોય છે. મેટ્રિક, ક્વોન્ટાઇઝેશન એરર (QE) અને ટોપોગ્રાફિક એરર (TE) પર આધારિત નકશાના કદની તુલના કરીને, અનુક્રમે 0.086 અને 0.904 સાથેનું SeOM મોડેલ પસંદ કરવામાં આવ્યું છે, જે 55-નકશા એકમ (5 × 11) છે. ન્યુરોન માળખું પ્રયોગમૂલક સમીકરણમાં નોડ્સની સંખ્યા અનુસાર નક્કી કરવામાં આવે છે.
આ અભ્યાસમાં ઉપયોગમાં લેવાતા ડેટાની સંખ્યા 115 નમૂનાઓ છે. ડેટાને ટેસ્ટ ડેટા (માન્યતા માટે 25%) અને ટ્રેનિંગ ડેટા સેટ (કેલિબ્રેશન માટે 75%) માં વિભાજીત કરવા માટે રેન્ડમ અભિગમનો ઉપયોગ કરવામાં આવ્યો હતો. તાલીમ ડેટાસેટનો ઉપયોગ રીગ્રેશન મોડેલ (કેલિબ્રેશન) જનરેટ કરવા માટે થાય છે, અને ટેસ્ટ ડેટાસેટનો ઉપયોગ સામાન્યીકરણ ક્ષમતા ચકાસવા માટે થાય છે58. આ જમીનમાં નિકલ સામગ્રીની આગાહી કરવા માટે વિવિધ મોડેલોની યોગ્યતાનું મૂલ્યાંકન કરવા માટે કરવામાં આવ્યું હતું. ઉપયોગમાં લેવાતા બધા મોડેલો દસ ગણી ક્રોસ-વેલિડેશન પ્રક્રિયામાંથી પસાર થયા, પાંચ વખત પુનરાવર્તિત. EBK ઇન્ટરપોલેશન દ્વારા ઉત્પાદિત ચલોનો ઉપયોગ લક્ષ્ય ચલ (PTE) ની આગાહી કરવા માટે આગાહીકર્તા અથવા સ્પષ્ટીકરણ ચલો તરીકે થાય છે. RStudio માં પેકેજો લાઇબ્રેરી(Kohonen), લાઇબ્રેરી(caret), લાઇબ્રેરી(modelr), લાઇબ્રેરી(“e1071″), લાઇબ્રેરી(“plyr”), લાઇબ્રેરી(“caTools”), લાઇબ્રેરી(” પ્રોસ્પેક્ટર”) અને લાઇબ્રેરીઓ (“Metrics”) નો ઉપયોગ કરીને મોડેલિંગનું સંચાલન કરવામાં આવે છે.
માટીમાં નિકલ સાંદ્રતાની આગાહી કરવા માટે યોગ્ય શ્રેષ્ઠ મોડેલ નક્કી કરવા અને મોડેલની ચોકસાઈ અને તેની માન્યતાનું મૂલ્યાંકન કરવા માટે વિવિધ માન્યતા પરિમાણોનો ઉપયોગ કરવામાં આવ્યો હતો. હાઇબ્રિડાઇઝેશન મોડેલોનું મૂલ્યાંકન સરેરાશ સંપૂર્ણ ભૂલ (MAE), મૂળ સરેરાશ ચોરસ ભૂલ (RMSE), અને R-સ્ક્વેર્ડ અથવા ગુણાંક નિર્ધારણ (R2) નો ઉપયોગ કરીને કરવામાં આવ્યું હતું. R2 જવાબમાં પ્રમાણના ભિન્નતાને વ્યાખ્યાયિત કરે છે, જે રીગ્રેશન મોડેલ દ્વારા રજૂ થાય છે. સ્વતંત્ર માપદંડોમાં RMSE અને ભિન્નતા પરિમાણ મોડેલની આગાહી શક્તિનું વર્ણન કરે છે, જ્યારે MAE વાસ્તવિક જથ્થાત્મક મૂલ્ય નક્કી કરે છે. માન્યતા પરિમાણોનો ઉપયોગ કરીને શ્રેષ્ઠ મિશ્રણ મોડેલનું મૂલ્યાંકન કરવા માટે R2 મૂલ્ય ઊંચું હોવું જોઈએ, મૂલ્ય 1 ની નજીક હશે, ચોકસાઈ વધુ હશે. લી એટ અલ. 59 અનુસાર, 0.75 અથવા તેથી વધુનું R2 માપદંડ મૂલ્ય એક સારો આગાહી કરનાર માનવામાં આવે છે; 0.5 થી 0.75 સુધી સ્વીકાર્ય મોડેલ પ્રદર્શન છે, અને 0.5 થી નીચે અસ્વીકાર્ય મોડેલ પ્રદર્શન છે. RMSE અને MAE માન્યતા માપદંડ મૂલ્યાંકન પદ્ધતિઓનો ઉપયોગ કરીને મોડેલ પસંદ કરતી વખતે, પ્રાપ્ત થયેલા નીચલા મૂલ્યો પૂરતા હતા અને તેમને શ્રેષ્ઠ પસંદગી માનવામાં આવ્યાં હતાં. નીચેનું સમીકરણ ચકાસણી પદ્ધતિનું વર્ણન કરે છે.
જ્યાં n અવલોકન કરેલ મૂલ્યનું કદ દર્શાવે છે\({Y}_{i}\) માપેલ પ્રતિભાવ દર્શાવે છે, અને \({\widehat{Y}}_{i}\) પણ અનુમાનિત પ્રતિભાવ મૂલ્ય દર્શાવે છે, તેથી, પ્રથમ i અવલોકનો માટે.
આગાહી કરનાર અને પ્રતિભાવ ચલોના આંકડાકીય વર્ણનો કોષ્ટક 1 માં રજૂ કરવામાં આવ્યા છે, જે સરેરાશ, પ્રમાણભૂત વિચલન (SD), વિવિધતા ગુણાંક (CV), લઘુત્તમ, મહત્તમ, કર્ટોસિસ અને વિકૃતિ દર્શાવે છે. તત્વોના લઘુત્તમ અને મહત્તમ મૂલ્યો અનુક્રમે Mg
પ્રતિભાવ તત્વો સાથે આગાહી કરનાર ચલોનો સહસંબંધ તત્વો વચ્ચે સંતોષકારક સહસંબંધ દર્શાવે છે (આકૃતિ 3 જુઓ). સહસંબંધ દર્શાવે છે કે CaK એ r મૂલ્ય = 0.53 સાથે મધ્યમ સહસંબંધ દર્શાવ્યો હતો, જેમ કે CaNi. જોકે Ca અને K એકબીજા સાથે સાધારણ જોડાણ દર્શાવે છે, કિંગ્સ્ટન એટ અલ જેવા સંશોધકો. 68 અને Santo69 સૂચવે છે કે જમીનમાં તેમના સ્તરો વિપરિત પ્રમાણસર છે.જોકે, Ca અને Mg K ના વિરોધી છે, પરંતુ CaK સારી રીતે સહસંબંધ ધરાવે છે.આ પોટેશિયમ કાર્બોનેટ જેવા ખાતરોના ઉપયોગને કારણે હોઈ શકે છે, જે પોટેશિયમમાં 56% વધારે છે.પોટેશિયમ મેગ્નેશિયમ સાથે સાધારણ રીતે સંકળાયેલું હતું (KM r = 0.63).ખાતર ઉદ્યોગમાં, આ બે તત્વો નજીકથી સંબંધિત છે કારણ કે પોટેશિયમ મેગ્નેશિયમ સલ્ફેટ, પોટેશિયમ મેગ્નેશિયમ નાઈટ્રેટ અને પોટાશ જમીનમાં તેમની ઉણપના સ્તરને વધારવા માટે લાગુ કરવામાં આવે છે.નિકલ અનુક્રમે r મૂલ્યો = 0.52, 0.63 અને 0.55 સાથે Ca, K અને Mg સાથે સાધારણ રીતે સંબંધિત છે.કેલ્શિયમ, મેગ્નેશિયમ અને નિકલ જેવા PTE ને લગતા સંબંધો જટિલ છે, પરંતુ તેમ છતાં, મેગ્નેશિયમ કેલ્શિયમ શોષણને અટકાવે છે, કેલ્શિયમ વધારાના મેગ્નેશિયમની અસરો ઘટાડે છે, અને મેગ્નેશિયમ અને કેલ્શિયમ બંને જમીનમાં નિકલની ઝેરી અસરો ઘટાડે છે.
આગાહી કરનારાઓ અને પ્રતિભાવો વચ્ચેના સંબંધ દર્શાવતા તત્વો માટે સહસંબંધ મેટ્રિક્સ (નોંધ: આ આંકડામાં તત્વો વચ્ચેનો સ્કેટરપ્લોટ શામેલ છે, મહત્વ સ્તરો p < 0,001 પર આધારિત છે).
આકૃતિ 4 તત્વોના અવકાશી વિતરણને દર્શાવે છે. બર્ગોસ એટ અલ70 અનુસાર, અવકાશી વિતરણનો ઉપયોગ પ્રદૂષિત વિસ્તારોમાં ગરમ સ્થળોનું પ્રમાણ નક્કી કરવા અને પ્રકાશિત કરવા માટે ઉપયોગમાં લેવાતી તકનીક છે. આકૃતિ 4 માં Ca નું સંવર્ધન સ્તર અવકાશી વિતરણ નકશાના ઉત્તરપશ્ચિમ ભાગમાં જોઈ શકાય છે. આકૃતિ મધ્યમથી ઉચ્ચ Ca સંવર્ધન હોટસ્પોટ્સ દર્શાવે છે. નકશાના ઉત્તરપશ્ચિમમાં કેલ્શિયમ સંવર્ધન માટીની એસિડિટી ઘટાડવા માટે ક્વિકલાઈમ (કેલ્શિયમ ઓક્સાઇડ) ના ઉપયોગ અને સ્ટીલ બનાવવાની પ્રક્રિયામાં સ્ટીલ મિલોમાં આલ્કલાઇન ઓક્સિજન તરીકે તેનો ઉપયોગ થવાને કારણે થવાની શક્યતા છે. બીજી બાજુ, અન્ય ખેડૂતો pH ને નિષ્ક્રિય કરવા માટે એસિડિક જમીનમાં કેલ્શિયમ હાઇડ્રોક્સાઇડનો ઉપયોગ કરવાનું પસંદ કરે છે, જે જમીનમાં કેલ્શિયમનું પ્રમાણ પણ વધારે છે71. નકશાના ઉત્તરપશ્ચિમ અને પૂર્વમાં પોટેશિયમ પણ ગરમ સ્થળો દર્શાવે છે. ઉત્તરપશ્ચિમ એક મુખ્ય કૃષિ સમુદાય છે, અને પોટેશિયમની મધ્યમથી ઉચ્ચ પેટર્ન NPK અને પોટાશના ઉપયોગને કારણે હોઈ શકે છે. આ અન્ય અભ્યાસો સાથે સુસંગત છે, જેમ કે મદારાસ અને લિપાવસ્કી72, મદારાસ એટ અલ.73, પુલ્કરાબોવા એટ અલ.74, અસારે એટ અલ.75, જેમણે અવલોકન કર્યું કે માટી સ્થિરીકરણ અને KCl અને NPK સાથે સારવાર કરવાથી જમીનમાં K નું પ્રમાણ વધુ જોવા મળે છે. વિતરણ નકશાના ઉત્તરપશ્ચિમમાં અવકાશી પોટેશિયમ સંવર્ધન પોટેશિયમ ક્લોરાઇડ, પોટેશિયમ સલ્ફેટ, પોટેશિયમ નાઈટ્રેટ, પોટાશ અને પોટાશ જેવા પોટેશિયમ આધારિત ખાતરોના ઉપયોગને કારણે હોઈ શકે છે જેથી નબળી જમીનમાં પોટેશિયમનું પ્રમાણ વધે.ઝાડોરોવા એટ અલ. 76 અને ત્લુસ્ટોસ એટ અલ. 77 એ દર્શાવેલ છે કે K-આધારિત ખાતરોના ઉપયોગથી જમીનમાં Kનું પ્રમાણ વધશે અને લાંબા ગાળે માટીના પોષક તત્વોમાં નોંધપાત્ર વધારો થશે, ખાસ કરીને K અને Mg જમીનમાં ગરમાગરમ સ્થાન દર્શાવે છે. નકશાના ઉત્તરપશ્ચિમ અને નકશાના દક્ષિણપૂર્વમાં પ્રમાણમાં મધ્યમ હોટસ્પોટ્સ. જમીનમાં કોલોઇડલ ફિક્સેશન જમીનમાં મેગ્નેશિયમની સાંદ્રતાને ઘટાડે છે. જમીનમાં તેની ઉણપને કારણે છોડ પીળા રંગના ઇન્ટરવેઇન ક્લોરોસિસ દર્શાવે છે. પોટેશિયમ મેગ્નેશિયમ સલ્ફેટ, મેગ્નેશિયમ સલ્ફેટ અને કીસેરાઇટ જેવા મેગ્નેશિયમ-આધારિત ખાતરો, સામાન્ય pH શ્રેણી ધરાવતી જમીનમાં ખામીઓ (છોડ જાંબલી, લાલ અથવા ભૂરા દેખાય છે, જે મેગ્નેશિયમની ઉણપ દર્શાવે છે) ની સારવાર કરે છે. શહેરી અને પેરી-શહેરી માટીની સપાટી પર નિકલનું સંચય કૃષિ જેવી માનવજાત પ્રવૃત્તિઓ અને સ્ટેનલેસ સ્ટીલ ઉત્પાદનમાં નિકલના મહત્વને કારણે હોઈ શકે છે78.
તત્વોનું અવકાશી વિતરણ [અવકાશી વિતરણ નકશો ArcGIS ડેસ્કટોપ (ESRI, Inc, સંસ્કરણ 10.7, URL: https://desktop.arcgis.com) નો ઉપયોગ કરીને બનાવવામાં આવ્યો હતો.]
આ અભ્યાસમાં ઉપયોગમાં લેવાતા તત્વો માટે મોડેલ પ્રદર્શન સૂચકાંક પરિણામો કોષ્ટક 2 માં દર્શાવવામાં આવ્યા છે. બીજી બાજુ, Ni ના RMSE અને MAE બંને શૂન્યની નજીક છે (0.86 RMSE, -0.08 MAE). બીજી બાજુ, K ના RMSE અને MAE બંને મૂલ્યો સ્વીકાર્ય છે. કેલ્શિયમ અને મેગ્નેશિયમ માટે RMSE અને MAE પરિણામો વધુ હતા. Ca અને K MAE અને RMSE પરિણામો અલગ અલગ ડેટાસેટ્સને કારણે મોટા છે. Ni ની આગાહી કરવા માટે EBK નો ઉપયોગ કરીને આ અભ્યાસના RMSE અને MAE, સમાન એકત્રિત ડેટાનો ઉપયોગ કરીને જમીનમાં S સાંદ્રતાની આગાહી કરવા માટે સિનર્જિસ્ટિક ક્રિગિંગનો ઉપયોગ કરીને જોન એટ અલ. 54 ના પરિણામો કરતાં વધુ સારા હોવાનું જાણવા મળ્યું. અમે જે EBK આઉટપુટનો અભ્યાસ કર્યો છે તે ફેબીજાઝિક એટ અલ. 41, યાન એટ અલ. 79, બેગુઇન એટ અલ. 80, અધિકારી એટ અલ. 81 અને જોન એટ અલ. 82, ખાસ કરીને K અને Ni ના પરિણામો સાથે સંબંધિત છે.
શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સામગ્રીની આગાહી કરવા માટેની વ્યક્તિગત પદ્ધતિઓના પ્રદર્શનનું મૂલ્યાંકન મોડેલોના પ્રદર્શનનો ઉપયોગ કરીને કરવામાં આવ્યું હતું (કોષ્ટક 3). મોડેલ માન્યતા અને ચોકસાઈ મૂલ્યાંકનએ પુષ્ટિ આપી કે EBK SVMR મોડેલ સાથે મળીને Ca_Mg_K આગાહીકર્તાએ શ્રેષ્ઠ પ્રદર્શન આપ્યું. કેલિબ્રેશન મોડેલ Ca_Mg_K-EBK_SVMR મોડેલ R2, રુટ મીન સ્ક્વેર એરર (RMSE) અને મીન એબ્સોલ્યુટ એરર (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) અને 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) અને 166.946 mg/kg (MAE) હતા. તેમ છતાં, Ca_Mg_K-SVMR (0.663 mg/kg R2) અને Ca_Mg-EBK_SVMR માટે સારા R2 મૂલ્યો પ્રાપ્ત થયા હતા. (0.643 = R2); તેમના RMSE અને MAE પરિણામો Ca_Mg_K-EBK_SVMR (R2 0.637) (કોષ્ટક 3 જુઓ) કરતા વધારે હતા. વધુમાં, Ca_Mg-EBK_SVMR (RMSE = 1664.64 અને MAE = 1031.49) મોડેલના RMSE અને MAE અનુક્રમે 17.5 અને 13.4 છે, જે Ca_Mg_K-EBK_SVMR કરતા મોટા છે. તેવી જ રીતે, Ca_Mg-K SVMR (RMSE = 235.974 અને MAE = 166.946) મોડેલના RMSE અને MAE અનુક્રમે Ca_Mg_K-EBK_SVMR RMSE અને MAE કરતા 2.5 અને 2.2 મોટા છે. ગણતરી કરેલ RMSE પરિણામો દર્શાવે છે કે ડેટા સેટ શ્રેષ્ઠ ફિટની લાઇન સાથે કેટલો કેન્દ્રિત છે. RSME અને MAE ઉચ્ચ હતા અવલોકન કર્યું.કેબોની એટ અલ. 46 અને જોન એટ અલ. 54 અનુસાર, RMSE અને MAE શૂન્યની જેટલી નજીક હશે, તેટલા સારા પરિણામો આવશે.SVMR અને EBK_SVMR માં ઉચ્ચ ક્વોન્ટાઇઝ્ડ RSME અને MAE મૂલ્યો છે.એવું અવલોકન કરવામાં આવ્યું હતું કે RSME અંદાજો MAE મૂલ્યો કરતા સતત વધારે હતા, જે આઉટલાયર્સની હાજરી દર્શાવે છે.લેગેટ્સ અને મેકકેબ83 અનુસાર, RMSE સરેરાશ સંપૂર્ણ ભૂલ (MAE) ને કેટલી હદ સુધી ઓળંગે છે તે આઉટલાયર્સની હાજરીના સૂચક તરીકે ભલામણ કરવામાં આવે છે.આનો અર્થ એ છે કે ડેટાસેટ જેટલો વધુ વિજાતીય હશે, MAE અને RMSE મૂલ્યો તેટલા ઊંચા હશે.શહેરી અને ઉપનગરીય જમીનમાં Ni સામગ્રીની આગાહી કરવા માટે Ca_Mg_K-EBK_SVMR મિશ્ર મોડેલના ક્રોસ-વેલિડેશન મૂલ્યાંકનની ચોકસાઈ 63.70% હતી.લી એટ અલ. 59 અનુસાર, ચોકસાઈનું આ સ્તર સ્વીકાર્ય મોડેલ પ્રદર્શન દર છે.હાલના પરિણામોની તુલના તારાસોવ એટ અલ દ્વારા અગાઉના અભ્યાસ સાથે કરવામાં આવી છે. 36 જેના હાઇબ્રિડ મોડેલે MLPRK (મલ્ટિલેયર પર્સેપ્ટ્રોન રેસિડ્યુઅલ ક્રિગિંગ) બનાવ્યું, જે વર્તમાન અભ્યાસમાં નોંધાયેલા EBK_SVMR ચોકસાઈ મૂલ્યાંકન સૂચકાંક સાથે સંબંધિત છે, RMSE (210) અને MAE (167.5) વર્તમાન અભ્યાસમાં અમારા પરિણામો (RMSE 95.479, MAE 77.368) કરતા વધારે હતું. જોકે, વર્તમાન અભ્યાસ (0.637) ના R2 ની તુલના તારાસોવ એટ અલ સાથે કરતી વખતે. 36 (0.544), તે સ્પષ્ટ છે કે આ મિશ્ર મોડેલમાં નિર્ધારણ ગુણાંક (R2) વધારે છે. મિશ્ર મોડેલ માટે ભૂલનો ગાળો (RMSE અને MAE) (EBK SVMR) બે ગણો ઓછો છે. તેવી જ રીતે, Sergeev et al.34 એ વિકસિત હાઇબ્રિડ મોડેલ (મલ્ટિલેયર પર્સેપ્ટ્રોન રેસીડ્યુઅલ ક્રિગિંગ) માટે 0.28 (R2) રેકોર્ડ કર્યો છે, જ્યારે વર્તમાન અભ્યાસમાં Ni એ 0.637 (R2) રેકોર્ડ કર્યો છે. આ મોડેલ (EBK SVMR) નું આગાહી ચોકસાઈ સ્તર 63.7% છે, જ્યારે Sergeev et al. 34 દ્વારા પ્રાપ્ત આગાહી ચોકસાઈ 28% છે. EBK_SVMR મોડેલ અને Ca_Mg_K ને આગાહીકર્તા તરીકે ઉપયોગ કરીને બનાવવામાં આવેલ અંતિમ નકશો (આકૃતિ 5) સમગ્ર અભ્યાસ ક્ષેત્રમાં ગરમ સ્થળો અને મધ્યમથી નિકલની આગાહીઓ દર્શાવે છે. આનો અર્થ એ છે કે અભ્યાસ ક્ષેત્રમાં નિકલની સાંદ્રતા મુખ્યત્વે મધ્યમ છે, કેટલાક ચોક્કસ વિસ્તારોમાં વધુ સાંદ્રતા સાથે.
અંતિમ આગાહી નકશો હાઇબ્રિડ મોડેલ EBK_SVMR નો ઉપયોગ કરીને અને આગાહીકર્તા તરીકે Ca_Mg_K નો ઉપયોગ કરીને રજૂ કરવામાં આવે છે. [અવકાશી વિતરણ નકશો RStudio (સંસ્કરણ 1.4.1717: https://www.rstudio.com/) નો ઉપયોગ કરીને બનાવવામાં આવ્યો હતો.]
આકૃતિ 6 માં PTE સાંદ્રતા વ્યક્તિગત ચેતાકોષોના બનેલા રચના સમતલ તરીકે રજૂ કરવામાં આવી છે. કોઈપણ ઘટક સમતલમાં દર્શાવ્યા મુજબ સમાન રંગ પેટર્ન દર્શાવવામાં આવી નથી. જો કે, દોરેલા નકશા દીઠ ચેતાકોષોની યોગ્ય સંખ્યા 55 છે. SeOM વિવિધ રંગોનો ઉપયોગ કરીને ઉત્પન્ન થાય છે, અને રંગ પેટર્ન જેટલી વધુ સમાન હશે, નમૂનાઓના ગુણધર્મો તેટલા વધુ તુલનાત્મક હશે. તેમના ચોક્કસ રંગ સ્કેલ અનુસાર, વ્યક્તિગત તત્વો (Ca, K, અને Mg) એકલ ઉચ્ચ ચેતાકોષો અને મોટાભાગના નીચા ચેતાકોષો માટે સમાન રંગ પેટર્ન દર્શાવે છે. આમ, CaK અને CaMg ખૂબ જ ઉચ્ચ-ક્રમના ચેતાકોષો અને નીચા-થી-મધ્યમ રંગ પેટર્ન સાથે કેટલીક સમાનતાઓ શેર કરે છે. બંને મોડેલો લાલ, નારંગી અને પીળા જેવા રંગોના મધ્યમથી ઉચ્ચ રંગછટા પ્રદર્શિત કરીને જમીનમાં Ni ની સાંદ્રતાની આગાહી કરે છે. KMg મોડેલ ચોક્કસ પ્રમાણ અને નીચાથી મધ્યમ રંગ પેચો પર આધારિત ઘણા ઉચ્ચ રંગ પેટર્ન દર્શાવે છે. નીચાથી ઉચ્ચ સુધીના ચોક્કસ રંગ સ્કેલ પર, મોડેલના ઘટકોના પ્લેનર વિતરણ પેટર્નમાં જમીનમાં નિકલની સંભવિત સાંદ્રતા દર્શાવતી ઉચ્ચ રંગ પેટર્ન દર્શાવવામાં આવી હતી (આકૃતિ 4 જુઓ). CakMg મોડેલ ઘટક સમતલ નીચાથી ઉચ્ચ સુધી વિવિધ રંગ પેટર્ન દર્શાવે છે ચોક્કસ રંગ સ્કેલ પર.વધુમાં, મોડેલની નિકલ સામગ્રી (CakMg) ની આગાહી આકૃતિ 5 માં બતાવેલ નિકલના અવકાશી વિતરણ જેવી જ છે. બંને ગ્રાફ શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સાંદ્રતાના ઉચ્ચ, મધ્યમ અને નીચા પ્રમાણ દર્શાવે છે.આકૃતિ 7 નકશા પર k-મીન્સ જૂથમાં સમોચ્ચ પદ્ધતિ દર્શાવે છે, જે દરેક મોડેલમાં અનુમાનિત મૂલ્યના આધારે ત્રણ ક્લસ્ટરોમાં વિભાજિત છે. સમોચ્ચ પદ્ધતિ ક્લસ્ટરોની શ્રેષ્ઠ સંખ્યા દર્શાવે છે.એકત્રિત 115 માટીના નમૂનાઓમાંથી, શ્રેણી 1 એ સૌથી વધુ માટીના નમૂનાઓ મેળવ્યા, 74.ક્લસ્ટર 2 ને 33 નમૂનાઓ પ્રાપ્ત થયા, જ્યારે ક્લસ્ટર 3 ને 8 નમૂનાઓ પ્રાપ્ત થયા.સાત-ઘટક પ્લેનર આગાહી કરનાર સંયોજનને યોગ્ય ક્લસ્ટર અર્થઘટન માટે પરવાનગી આપવા માટે સરળ બનાવવામાં આવ્યું હતું.માટીની રચનાને અસર કરતી અસંખ્ય માનવજાત અને કુદરતી પ્રક્રિયાઓને કારણે, વિતરિત SeOM નકશા78 માં યોગ્ય રીતે અલગ ક્લસ્ટર પેટર્ન રાખવા મુશ્કેલ છે.
દરેક એમ્પિરિકલ બેયેશિયન ક્રિગિંગ સપોર્ટ વેક્ટર મશીન (EBK_SVM_SeOM) ચલ દ્વારા કમ્પોનન્ટ પ્લેન આઉટપુટ. [SEOM નકશા RStudio (સંસ્કરણ 1.4.1717: https://www.rstudio.com/) નો ઉપયોગ કરીને બનાવવામાં આવ્યા હતા.]
વિવિધ ક્લસ્ટર વર્ગીકરણ ઘટકો [RStudio (સંસ્કરણ 1.4.1717: https://www.rstudio.com/) નો ઉપયોગ કરીને SeOM નકશા બનાવવામાં આવ્યા હતા.]
વર્તમાન અભ્યાસ શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સાંદ્રતા માટે મોડેલિંગ તકનીકોને સ્પષ્ટપણે દર્શાવે છે. અભ્યાસમાં વિવિધ મોડેલિંગ તકનીકોનું પરીક્ષણ કરવામાં આવ્યું હતું, જેમાં મોડેલિંગ તકનીકો સાથે તત્વોને જોડીને, જમીનમાં નિકલ સાંદ્રતાની આગાહી કરવાની શ્રેષ્ઠ રીત મેળવવામાં આવી હતી. મોડેલિંગ તકનીકની SeOM રચનાત્મક પ્લેનર અવકાશી સુવિધાઓએ ચોક્કસ રંગ સ્કેલ પર નીચાથી ઉચ્ચ સુધી ઉચ્ચ રંગ પેટર્ન દર્શાવી હતી, જે જમીનમાં Ni સાંદ્રતા દર્શાવે છે. જો કે, અવકાશી વિતરણ નકશો EBK_SVMR દ્વારા પ્રદર્શિત ઘટકોના પ્લેનર અવકાશી વિતરણની પુષ્ટિ કરે છે (આકૃતિ 5 જુઓ). પરિણામો દર્શાવે છે કે સપોર્ટ વેક્ટર મશીન રીગ્રેશન મોડેલ (Ca Mg K-SVMR) એક મોડેલ તરીકે માટીમાં Ni ની સાંદ્રતાની આગાહી કરે છે, પરંતુ માન્યતા અને ચોકસાઈ મૂલ્યાંકન પરિમાણો RMSE અને MAE ના સંદર્ભમાં ખૂબ ઊંચી ભૂલો દર્શાવે છે. બીજી બાજુ, EBK_MLR મોડેલ સાથે ઉપયોગમાં લેવાતી મોડેલિંગ તકનીક પણ નિર્ધારણ ગુણાંક (R2) ના ઓછા મૂલ્યને કારણે ખામીયુક્ત છે. EBK SVMR અને સંયુક્ત તત્વો (CaKMg) નો ઉપયોગ કરીને નીચા RMSE અને MAE ભૂલો સાથે નીચા RMSE અને MAE ભૂલો સાથે સારા પરિણામો પ્રાપ્ત થયા હતા. ૬૩.૭%. એવું તારણ કાઢ્યું છે કે EBK અલ્ગોરિધમને મશીન લર્નિંગ અલ્ગોરિધમ સાથે જોડવાથી એક હાઇબ્રિડ અલ્ગોરિધમ ઉત્પન્ન થઈ શકે છે જે જમીનમાં PTEs ની સાંદ્રતાની આગાહી કરી શકે છે. પરિણામો દર્શાવે છે કે અભ્યાસ ક્ષેત્રમાં Ni સાંદ્રતાની આગાહી કરવા માટે Ca Mg K નો આગાહીકર્તા તરીકે ઉપયોગ કરવાથી જમીનમાં Ni ની આગાહીમાં સુધારો થઈ શકે છે. આનો અર્થ એ છે કે સ્ટીલ ઉદ્યોગ દ્વારા નિકલ-આધારિત ખાતરોનો સતત ઉપયોગ અને માટીના ઔદ્યોગિક પ્રદૂષણથી જમીનમાં નિકલની સાંદ્રતામાં વધારો થવાની વૃત્તિ છે. આ અભ્યાસમાં જાણવા મળ્યું છે કે EBK મોડેલ ભૂલનું સ્તર ઘટાડી શકે છે અને શહેરી અથવા પેરી-શહેરી જમીનમાં માટીના અવકાશી વિતરણના મોડેલની ચોકસાઈમાં સુધારો કરી શકે છે. સામાન્ય રીતે, અમે જમીનમાં PTE નું મૂલ્યાંકન અને આગાહી કરવા માટે EBK-SVMR મોડેલ લાગુ કરવાનો પ્રસ્તાવ મૂકીએ છીએ; વધુમાં, અમે વિવિધ મશીન લર્નિંગ અલ્ગોરિધમ સાથે હાઇબ્રિડાઇઝ કરવા માટે EBK નો ઉપયોગ કરવાનો પ્રસ્તાવ મૂકીએ છીએ. તત્વોનો ઉપયોગ કોવેરિયેટ તરીકે ઉપયોગ કરીને Ni સાંદ્રતાની આગાહી કરવામાં આવી હતી; જોકે, વધુ કોવેરિયેટનો ઉપયોગ કરવાથી મોડેલના પ્રદર્શનમાં ઘણો સુધારો થશે, જેને વર્તમાન કાર્યની મર્યાદા ગણી શકાય. આ અભ્યાસની બીજી મર્યાદા એ છે કે ડેટાસેટ્સની સંખ્યા 115 છે. તેથી, જો વધુ ડેટા પૂરો પાડવામાં આવે, તો પ્રસ્તાવિત ઑપ્ટિમાઇઝ્ડ હાઇબ્રિડાઇઝેશન પદ્ધતિનું પ્રદર્શન સુધારી શકાય છે.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (એક્સેસ કરેલ 28 એપ્રિલ 2021).
કાસ્પર્ઝાક, કેએસ નિકલ આધુનિક પર્યાવરણીય વિષવિજ્ઞાનમાં આગળ વધે છે. સરાઉન્ડિંગ્સ.વિષવિજ્ઞાન.૧૧, ૧૪૫–૧૮૩ (૧૯૮૭).
સેમ્પેલ, એમ. અને નિકેલ, જી. નિકલ: તેના સ્ત્રોતો અને પર્યાવરણીય વિષવિજ્ઞાનની સમીક્ષા. પોલિશ જે. પર્યાવરણ. સ્ટડ.15, 375–382 (2006).
ફ્રીડમેન, બી. અને હચિન્સન, ટીસી કેનેડાના ઓન્ટારિયોમાં સડબરી ખાતે નિકલ-કોપર સ્મેલ્ટર નજીક વાતાવરણમાંથી પ્રદૂષકોનું ઇનપુટ અને માટી અને વનસ્પતિમાં સંચય.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
મન્યિવા, ટી. વગેરે. બોત્સ્વાનામાં સેલેબી-ફિકવે કોપર-નિકલ ખાણ નજીક ચરતા રુમિનેન્ટ્સ સાથે સંકળાયેલા માટી, છોડ અને જોખમોમાં ભારે ધાતુઓ.સરાઉન્ડિંગ્સ.જીઓકેમિસ્ટ્રી.હેલ્થ https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. માટીમાં તત્વોનું ટ્રેસ અને… – ગુગલ સ્કોલર 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= (24 નવેમ્બર 2020 ના રોજ એક્સેસ કરેલ).
અલ્માસ, એ., સિંઘ, બી., કૃષિ, ટીએસ-એનજે ઓફ & 1995, અવ્યાખ્યાયિત. સોઅર-વરાન્જર, નોર્વેમાં કૃષિ જમીન અને ઘાસમાં ભારે ધાતુઓની સાંદ્રતા પર રશિયન નિકલ ઉદ્યોગની અસરો.agris.fao.org.
નીલ્સન, જીડી એટ અલ. પીવાના પાણીમાં નિકલ શોષણ અને જાળવણી ખોરાકના સેવન અને નિકલ સંવેદનશીલતા સાથે સંબંધિત છે.ટોક્સિકોલોજી.એપ્લિકેશન.ફાર્માકોડાયનેમિક્સ.154, 67–75 (1999).
કોસ્ટા, એમ. અને ક્લેઈન, સીબી નિકલ કાર્સિનોજેનેસિસ, પરિવર્તન, એપિજેનેટિક્સ અથવા પસંદગી. આસપાસ. આરોગ્ય પરિપ્રેક્ષ્ય.107, 2 (1999).
અજમાન, પીસી; અજાડો, એસકે; બોરુવકા, એલ.; બિની, જેકેએમ; સરકોડી, વીવાયઓ; કોબોની, એનએમ; સંભવિત ઝેરી તત્વોનું વલણ વિશ્લેષણ: એક ગ્રંથસૂચિ સમીક્ષા. પર્યાવરણીય ભૂ-રસાયણશાસ્ત્ર અને આરોગ્ય.સ્પ્રિંગર સાયન્સ અને બિઝનેસ મીડિયા બીવી 2020.https://doi.org/10.1007/s10653-020-00742-9.
મિનાસ્ની, બી. અને મેકબ્રેટની, એબી ડિજિટલ સોઇલ મેપિંગ: અ બ્રીફ હિસ્ટ્રી એન્ડ સમ લેસન્સ. જીઓડર્મા 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ડિજિટલ સોઈલ મેપિંગ પર. જીઓડર્મા 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV જીઓસ્ટેટિસ્ટિકલ રિઝર્વોઇર મોડેલિંગ,… – ગુગલ સ્કોલર 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= (28 એપ્રિલ 2021 ના રોજ એક્સેસ કરેલ).
પોસ્ટ સમય: જુલાઈ-૨૨-૨૦૨૨
