Nature.com पर आने के लिए धन्यवाद। आप जिस ब्राउज़र संस्करण का उपयोग कर रहे हैं, उसमें CSS के लिए सीमित समर्थन है। सर्वोत्तम अनुभव के लिए, हम अनुशंसा करते हैं कि आप एक अद्यतन ब्राउज़र का उपयोग करें (या इंटरनेट एक्सप्लोरर में संगतता मोड को बंद कर दें)। इस बीच, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को शैलियों और जावास्क्रिप्ट के बिना प्रदर्शित करेंगे।
मृदा प्रदूषण मानवीय गतिविधियों के कारण होने वाली एक बड़ी समस्या है। संभावित विषैले तत्वों (PTE) का स्थानिक वितरण अधिकांश शहरी और अर्ध-शहरी क्षेत्रों में भिन्न होता है। इसलिए, ऐसी मिट्टी में PTE की मात्रा का स्थानिक रूप से पूर्वानुमान लगाना कठिन है। चेक गणराज्य में फ्राइडेक मिस्टेक से कुल 115 नमूने प्राप्त किए गए। कैल्शियम (Ca), मैग्नीशियम (Mg), पोटेशियम (K) और निकल (Ni) सांद्रता को इंडक्टिवली कपल्ड प्लाज़्मा एमिशन स्पेक्ट्रोमेट्री का उपयोग करके निर्धारित किया गया। प्रतिक्रिया चर Ni है और भविष्यवक्ता Ca, Mg और K हैं। प्रतिक्रिया चर और भविष्यवक्ता चर के बीच सहसंबंध मैट्रिक्स तत्वों के बीच एक संतोषजनक सहसंबंध दिखाता है। पूर्वानुमान परिणामों से पता चला कि सपोर्ट वेक्टर मशीन रिग्रेशन (SVMR) ने अच्छा प्रदर्शन किया, हालाँकि इसका अनुमानित रूट माध्य वर्ग त्रुटि (RMSE) (235.974 mg/kg) और माध्य निरपेक्ष त्रुटि (MAE) (166.946 mg/kg) अन्य लागू विधियों की तुलना में अधिक थी। अनुभवजन्य बायेसियन के लिए मिश्रित मॉडल क्रिगिंग-मल्टीपल लीनियर रिग्रेशन (EBK-MLR) खराब प्रदर्शन करता है, जैसा कि 0.1 से कम निर्धारण गुणांकों से स्पष्ट होता है। एम्पिरिकल बायेसियन क्रिगिंग-सपोर्ट वेक्टर मशीन रिग्रेशन (EBK-SVMR) मॉडल सबसे अच्छा मॉडल था, जिसमें कम RMSE (95.479 mg/kg) और MAE (77.368 mg/kg) मान और उच्च निर्धारण गुणांक (R2 = 0.637) था। EBK-SVMR मॉडलिंग तकनीक आउटपुट को एक स्व-व्यवस्थित मानचित्र का उपयोग करके देखा जाता है। हाइब्रिड मॉडल CakMg-EBK-SVMR घटक के प्लेन में क्लस्टर किए गए न्यूरॉन्स कई रंग पैटर्न दिखाते हैं जो शहरी और पेरी-शहरी मिट्टी में Ni सांद्रता की भविष्यवाणी करते हैं। परिणाम दर्शाते हैं कि EBK और SVMR का संयोजन शहरी और पेरी-शहरी मिट्टी में Ni सांद्रता की भविष्यवाणी करने के लिए एक प्रभावी तकनीक है।
निकेल (Ni) को पौधों के लिए एक सूक्ष्म पोषक तत्व माना जाता है क्योंकि यह वायुमंडलीय नाइट्रोजन निर्धारण (N) और यूरिया चयापचय में योगदान देता है, जो दोनों ही बीज अंकुरण के लिए आवश्यक हैं। बीज अंकुरण में इसके योगदान के अलावा, Ni एक कवक और जीवाणु अवरोधक के रूप में कार्य कर सकता है और पौधे के विकास को बढ़ावा दे सकता है। मिट्टी में निकेल की कमी से पौधे इसे अवशोषित कर लेते हैं, जिसके परिणामस्वरूप पत्तियों का क्लोरोसिस हो जाता है। उदाहरण के लिए, लोबिया और हरी फलियों को नाइट्रोजन निर्धारण को अनुकूलित करने के लिए निकेल-आधारित उर्वरकों के प्रयोग की आवश्यकता होती है। मिट्टी को समृद्ध करने और मिट्टी में नाइट्रोजन को ठीक करने के लिए फलियों की क्षमता बढ़ाने के लिए निकेल-आधारित उर्वरकों के निरंतर प्रयोग से मिट्टी में निकेल की सांद्रता लगातार बढ़ती है। हालाँकि निकेल पौधों के लिए एक सूक्ष्म पोषक तत्व है, लेकिन मिट्टी में इसका अत्यधिक सेवन अच्छे से ज़्यादा नुकसान कर सकता है। मिट्टी में निकेल की विषाक्तता मिट्टी के pH को कम करती है और पौधे के विकास के लिए एक आवश्यक पोषक तत्व के रूप में लोहे के अवशोषण में बाधा डालती है। लियू3 के अनुसार, Ni को पौधे के विकास और वृद्धि के लिए आवश्यक 17वाँ महत्वपूर्ण तत्व पाया गया है। पौधों के विकास और वृद्धि में निकल की भूमिका के अलावा, मनुष्यों को कई प्रकार के अनुप्रयोगों के लिए इसकी आवश्यकता होती है। इलेक्ट्रोप्लेटिंग, निकल-आधारित मिश्र धातुओं का उत्पादन और मोटर वाहन उद्योग में इग्निशन उपकरणों और स्पार्क प्लग के निर्माण, सभी को विभिन्न औद्योगिक क्षेत्रों में निकल के उपयोग की आवश्यकता होती है। इसके अलावा, निकल-आधारित मिश्र धातुओं और इलेक्ट्रोप्लेटेड वस्तुओं का व्यापक रूप से रसोई के बर्तन, बॉलरूम के सामान, खाद्य उद्योग की आपूर्ति, बिजली, तार और केबल, जेट टर्बाइन, सर्जिकल प्रत्यारोपण, कपड़ा और जहाज निर्माण में उपयोग किया जाता है।5। मिट्टी में Ni-समृद्ध स्तर (यानी, सतही मिट्टी) को नृजनित और प्राकृतिक दोनों स्रोतों के लिए जिम्मेदार ठहराया गया है, लेकिन मुख्य रूप से, Ni नृजनित के बजाय एक प्राकृतिक स्रोत है4,6। निकल के प्राकृतिक स्रोतों में ज्वालामुखी विस्फोट, वनस्पति हालांकि, मानवजनित स्रोतों में इस्पात उद्योग में निकल/कैडमियम बैटरियां, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डीजल और ईंधन तेल, और कोयला दहन तथा अपशिष्ट और कीचड़ दहन से वायुमंडलीय उत्सर्जन निकल संचयन7,8 शामिल हैं। फ्रीडमैन और हचिंसन9 और मनिवा एट अल. 10 के अनुसार, तत्काल और आसन्न पर्यावरण में ऊपरी मृदा प्रदूषण के मुख्य स्रोत मुख्य रूप से निकल-तांबा आधारित प्रगालक और खदानें हैं। कनाडा में सुडबरी निकल-तांबा रिफाइनरी के आसपास की ऊपरी मिट्टी में निकल संदूषण का उच्चतम स्तर 26,000 मिलीग्राम/किग्रा11 था। इसके विपरीत, रूस में निकल उत्पादन से प्रदूषण के परिणामस्वरूप नॉर्वेजियन मिट्टी में निकल की सांद्रता अधिक हो गई 12, क्षेत्र की शीर्ष कृषि योग्य भूमि (रूस में निकल उत्पादन) में HNO3-निष्कर्षण योग्य निकल की मात्रा 6.25 से 136.88 मिलीग्राम/किग्रा तक थी, जो 30.43 मिलीग्राम/किग्रा के औसत और 25 मिलीग्राम/किग्रा की आधारभूत सांद्रता के अनुरूप थी। कबाटा 11 के अनुसार, लगातार फसल के मौसम के दौरान शहरी या पेरी-शहरी मिट्टी में कृषि मिट्टी में फास्फोरस उर्वरकों का आवेदन मिट्टी को संक्रमित या दूषित कर सकता है। मनुष्यों में निकल के संभावित प्रभाव उत्परिवर्तन, गुणसूत्र क्षति, जेड-डीएनए पीढ़ी, अवरुद्ध डीएनए निष्कासन मरम्मत, या एपिजेनेटिक प्रक्रियाओं के माध्यम से कैंसर का कारण बन सकते हैं। 13. पशु प्रयोगों में, निकल में विभिन्न प्रकार के ट्यूमर पैदा करने की क्षमता पाई गई है,
मिट्टी-पौधे संबंधों, मिट्टी और मिट्टी के जैविक संबंधों, पारिस्थितिक क्षरण और पर्यावरणीय प्रभाव आकलन से उत्पन्न होने वाले स्वास्थ्य संबंधी मुद्दों की एक विस्तृत श्रृंखला के कारण हाल के दिनों में मिट्टी प्रदूषण आकलन का विकास हुआ है। आज तक, मिट्टी में Ni जैसे संभावित जहरीले तत्वों (PTE) का स्थानिक पूर्वानुमान पारंपरिक तरीकों का उपयोग करके श्रमसाध्य और समय लेने वाला रहा है। डिजिटल मृदा मानचित्रण (DSM) के आगमन और इसकी वर्तमान सफलता15 ने पूर्वानुमानित मृदा मानचित्रण (PSM) में काफी सुधार किया है। मिनास्नी और मैकब्रैटनी16 के अनुसार, पूर्वानुमानित मृदा मानचित्रण (DSM) मृदा विज्ञान का एक प्रमुख उप-विषय साबित हुआ है। लैगाचेरी और मैकब्रैटनी, 2006 DSM को "स्वस्थाने और प्रयोगशाला अवलोकन विधियों और स्थानिक और गैर-स्थानिक मृदा अनुमान प्रणालियों के उपयोग के माध्यम से स्थानिक मृदा सूचना प्रणालियों के निर्माण और भरने" के रूप में परिभाषित करते 17 रेखांकित करते हैं कि समकालीन डीएसएम या पीएसएम पीटीई, मिट्टी के प्रकार और मिट्टी के गुणों के स्थानिक वितरण की भविष्यवाणी या मानचित्रण के लिए सबसे प्रभावी तकनीक है। भू-सांख्यिकी और मशीन लर्निंग एल्गोरिदम (एमएलए) डीएसएम मॉडलिंग तकनीकें हैं जो महत्वपूर्ण और न्यूनतम डेटा का उपयोग करके कंप्यूटर की मदद से डिजिटल मानचित्र बनाती हैं।
Deutsch18 और Olea19 भू-सांख्यिकी को "संख्यात्मक तकनीकों के संग्रह के रूप में परिभाषित करते हैं जो स्थानिक विशेषताओं के प्रतिनिधित्व से निपटते हैं, मुख्य रूप से स्टोकेस्टिक मॉडल का उपयोग करते हैं, जैसे कि समय श्रृंखला विश्लेषण कैसे लौकिक डेटा को चिह्नित करता है।" मुख्य रूप से, भू-सांख्यिकी में वैरियोग्राम का मूल्यांकन शामिल होता है, जो प्रत्येक डेटासेट20 से स्थानिक मूल्यों की निर्भरता को निर्धारित और परिभाषित करने की अनुमति देता है। गुमियाक्स एट अल। 20 आगे बताते हैं कि भू-सांख्यिकी में वैरियोग्राम का मूल्यांकन तीन सिद्धांतों पर आधारित है, जिसमें (ए) डेटा सहसंबंध के पैमाने की गणना करना, (बी) डेटासेट असमानता में अनिसोट्रॉपी की पहचान करना और उसकी गणना करना और (सी) स्थानीय प्रभावों से अलग किए गए माप डेटा की अंतर्निहित त्रुटि को ध्यान में रखने के अलावा, क्षेत्र के प्रभावों का भी अनुमान लगाया जाता है। इन अवधारणाओं के आधार पर, भू-सांख्यिकी में कई इंटरपोलेशन तकनीकों का उपयोग किया जाता है, जिसमें सामान्य क्रिगिंग, सह-क्रिगिंग, साधारण क्रिगिंग, अनुभवजन्य बायेसियन क्रिगिंग, सरल क्रिगिंग विधि और पीटीई, मिट्टी की विशेषताओं और मिट्टी के प्रकारों को मैप करने या भविष्यवाणी करने के लिए अन्य प्रसिद्ध इंटरपोलेशन तकनीकें शामिल हैं।
मशीन लर्निंग एल्गोरिदम (एमएलए) एक अपेक्षाकृत नई तकनीक है जो बड़े गैर-रैखिक डेटा वर्गों को नियोजित करती है, जो मुख्य रूप से डेटा माइनिंग, डेटा में पैटर्न की पहचान करने और वैज्ञानिक क्षेत्रों जैसे मृदा विज्ञान और रिटर्न कार्यों में वर्गीकरण के लिए बार-बार लागू किए जाने वाले एल्गोरिदम द्वारा संचालित होती है। कई शोध पत्र मिट्टी में पीटीई की भविष्यवाणी करने के लिए एमएलए मॉडल पर निर्भर करते हैं, जैसे टैन एट अल। 22 (कृषि मिट्टी में भारी धातु अनुमान के लिए यादृच्छिक वन), साकिज़ादेह एट अल। 23 (समर्थन वेक्टर मशीनों और कृत्रिम तंत्रिका नेटवर्क का उपयोग करके मॉडलिंग) मृदा प्रदूषण)। इसके अलावा, वेगा एट अल। 24 (मिट्टी में भारी धातु प्रतिधारण और अधिशोषण मॉडलिंग के लिए कार्ट)
भविष्यवाणी या मानचित्रण में डीएसएम एल्गोरिदम का अनुप्रयोग कई चुनौतियों का सामना करता है। कई लेखक मानते हैं कि एमएलए भू-सांख्यिकी से बेहतर है और इसके विपरीत। हालांकि एक दूसरे से बेहतर है, दोनों का संयोजन डीएसएम15 में मानचित्रण या भविष्यवाणी की सटीकता के स्तर को सुधारता है। वुडकॉक और गोपाल26 फिन्के27; पोंटियस और चेक28 और ग्रुन्वाल्ड29 पूर्वानुमानित मृदा मानचित्रण में कमियों और कुछ त्रुटियों पर टिप्पणी करते हैं। मृदा वैज्ञानिकों ने डीएसएम मानचित्रण और पूर्वानुमान की प्रभावशीलता, सटीकता और पूर्वानुमेयता को अनुकूलित करने के लिए कई प्रकार की तकनीकों को आजमाया है। अनिश्चितता और सत्यापन का संयोजन प्रभावशीलता को अनुकूलित करने और दोषों को कम करने के लिए डीएसएम में एकीकृत कई अलग-अलग पहलुओं में से एक है। हालांकि, डीएसएम में निश्चितता की कमी त्रुटि के कई स्रोतों से उत्पन्न हो सकती है, अर्थात सहपरिवर्ती त्रुटि, मॉडल त्रुटि, स्थान त्रुटि और विश्लेषणात्मक त्रुटि 31। एमएलए और भू-सांख्यिकीय प्रक्रियाओं में प्रेरित मॉडलिंग की अशुद्धियां समझ की कमी से जुड़ी हुई हैं, जो अंततः वास्तविक प्रक्रिया के सरलीकरण की ओर ले जाती हैं32। मॉडलिंग की प्रकृति पर ध्यान दिए बिना, अशुद्धियों को मॉडलिंग मापदंडों, गणितीय मॉडल भविष्यवाणियों, या प्रक्षेपण के लिए जिम्मेदार ठहराया जा सकता है33। हाल ही में, एक नया डीएसएम रुझान उभरा है जो मानचित्रण और पूर्वानुमान में भू-सांख्यिकी और एमएलए के एकीकरण को बढ़ावा देता है। कई मृदा वैज्ञानिक और लेखक, जैसे सर्गेव एट अल। 34; सुब्बोटिना एट अल। 35; तरासोव एट अल। 36 और तरासोव एट अल। 37 ने भू-सांख्यिकी और मशीन लर्निंग की सटीक गुणवत्ता का उपयोग हाइब्रिड मॉडल उत्पन्न करने के लिए किया है जो पूर्वानुमान और मानचित्रण की दक्षता में सुधार करते हैं। गुणवत्ता.इनमें से कुछ हाइब्रिड या संयुक्त एल्गोरिदम मॉडल हैं आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग (एएनएन-आरके), मल्टीलेयर परसेप्ट्रॉन रेसिडुअल क्रिगिंग (एमएलपी-आरके), जनरलाइज्ड रिग्रेशन न्यूरल नेटवर्क रेसिडुअल क्रिगिंग (जीआर-एनएनआरके)36, आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग-मल्टीलेयर परसेप्ट्रॉन (एएनएन-के-एमएलपी)37 और को-क्रिगिंग और गॉसियन प्रोसेस रिग्रेशन38।
सर्गेव एट अल के अनुसार, विभिन्न मॉडलिंग तकनीकों के संयोजन से दोषों को खत्म करने और परिणामी हाइब्रिड मॉडल की दक्षता बढ़ाने की क्षमता है बजाय इसके एकल मॉडल को विकसित करने के। इस संदर्भ में, यह नया शोधपत्र तर्क देता है कि शहरी और उप-शहरी क्षेत्रों में Ni संवर्धन की भविष्यवाणी करने के लिए इष्टतम हाइब्रिड मॉडल बनाने के लिए भू-सांख्यिकी और MLA के संयुक्त एल्गोरिदम को लागू करना आवश्यक है। यह अध्ययन आधार मॉडल के रूप में अनुभवजन्य बायेसियन क्रिगिंग (EBK) पर निर्भर करेगा और इसे सपोर्ट वेक्टर मशीन (SVM) और मल्टीपल लीनियर रिग्रेशन (MLR) मॉडल के साथ मिलाएगा। किसी भी MLA के साथ EBK का संकरण ज्ञात नहीं है। देखे गए कई मिश्रित मॉडल साधारण, अवशिष्ट, प्रतिगमन क्रिगिंग और MLA के संयोजन हैं। EBK एक भू-सांख्यिकीय प्रक्षेप विधि है जो एक स्थानिक रूप से स्टोकेस्टिक प्रक्रिया का उपयोग करती है जिसे क्षेत्र पर परिभाषित स्थानीयकरण मापदंडों के साथ एक गैर-स्थिर/स्थिर यादृच्छिक क्षेत्र के रूप में स्थानीयकृत किया जाता है, जिससे स्थानिक भिन्नता की अनुमति मिलती है39। EBK का उपयोग विभिन्न अध्ययनों में किया गया है, जिसमें खेत में कार्बनिक कार्बन के वितरण का विश्लेषण करना शामिल है। मृदा40, मृदा प्रदूषण का आकलन41 और मृदा गुणों का मानचित्रण42।
दूसरी ओर, सेल्फ-ऑर्गनाइजिंग ग्राफ (SeOM) एक लर्निंग एल्गोरिदम है, जिसे ली एट अल. 43, वांग एट अल. 44, हुसैन भुइयां एट अल. 45 और केबोनी एट अल. 46 जैसे विभिन्न लेखों में लागू किया गया है। तत्वों के स्थानिक गुण और समूहीकरण का निर्धारण करें। वांग एट अल. 44 बताते हैं कि SeOM एक शक्तिशाली लर्निंग तकनीक है, जो गैर-रैखिक समस्याओं को समूहीकृत करने और उनकी कल्पना करने की क्षमता के लिए जानी जाती है। प्रमुख घटक विश्लेषण, फ़ज़ी क्लस्टरिंग, पदानुक्रमित क्लस्टरिंग और बहु-मापदंड निर्णय लेने जैसी अन्य पैटर्न पहचान तकनीकों के विपरीत, SeOM PTE पैटर्नों को व्यवस्थित करने और उनकी पहचान करने में बेहतर है। वांग एट अल. 44 के अनुसार, SeOM संबंधित न्यूरॉन्स के वितरण को स्थानिक रूप से समूहीकृत कर सकता
इस पत्र का लक्ष्य शहरी और पेरी-शहरी मिट्टी में निकल सामग्री की भविष्यवाणी करने के लिए इष्टतम सटीकता के साथ एक मजबूत मानचित्रण मॉडल तैयार करना है। हम यह अनुमान लगाते हैं कि मिश्रित मॉडल की विश्वसनीयता मुख्य रूप से आधार मॉडल से जुड़े अन्य मॉडलों के प्रभाव पर निर्भर करती है। हम डीएसएम के सामने आने वाली चुनौतियों को स्वीकार करते हैं, और जबकि इन चुनौतियों को कई मोर्चों पर संबोधित किया जा रहा है, भू-सांख्यिकी और एमएलए मॉडल में प्रगति का संयोजन वृद्धिशील प्रतीत होता है; इसलिए, हम शोध प्रश्नों का उत्तर देने का प्रयास करेंगे जो मिश्रित मॉडल उत्पन्न कर सकते हैं। हालाँकि, लक्ष्य तत्व की भविष्यवाणी करने में मॉडल कितना सटीक है? इसके अलावा, सत्यापन और सटीकता मूल्यांकन के आधार पर दक्षता मूल्यांकन का स्तर क्या है? इसलिए, इस अध्ययन के विशिष्ट लक्ष्य थे (ए) आधार मॉडल के रूप में ईबीके का उपयोग करके एसवीएमआर या एमएलआर के लिए एक संयुक्त मिश्रण मॉडल बनाना,
अध्ययन चेक गणराज्य में किया जा रहा है, विशेष रूप से मोराविया-सिलेसियन क्षेत्र में फ्राइडेक मिस्टेक जिले में (चित्र 1 देखें)। अध्ययन क्षेत्र का भूगोल बहुत ऊबड़-खाबड़ है और यह ज्यादातर मोराविया-सिलेसियन बेस्किडी क्षेत्र का हिस्सा है, जो कार्पेथियन पहाड़ों की बाहरी रिम का हिस्सा है। अध्ययन क्षेत्र 49° 41′ 0′ N और 18° 20′ 0′ E के बीच स्थित है, और ऊंचाई 225 और 327 मीटर के बीच है; हालांकि, क्षेत्र की जलवायु स्थिति के लिए कोपेन वर्गीकरण प्रणाली को सीएफबी = समशीतोष्ण महासागरीय जलवायु के रूप में मूल्यांकित किया गया है, शुष्क महीनों में भी बहुत अधिक वर्षा होती है। तापमान पूरे वर्ष -5 डिग्री सेल्सियस और 24 डिग्री सेल्सियस के बीच थोड़ा भिन्न होता है, शायद ही कभी -14 डिग्री सेल्सियस से नीचे या 30 डिग्री सेल्सियस से ऊपर गिरता है, जबकि औसत वार्षिक वर्षा 685 और 752 मिमी47 के बीच होती है। पूरे क्षेत्र का अनुमानित सर्वेक्षण क्षेत्र 1,208 वर्ग किलोमीटर है, जिसमें 39.38% खेती की गई भूमि और 49.36% वन कवरेज है। दूसरी ओर, इस अध्ययन में उपयोग किया गया क्षेत्र लगभग 889.8 वर्ग किलोमीटर है। ओस्ट्रावा और इसके आसपास, इस्पात उद्योग और धातु कार्य बहुत सक्रिय हैं। धातु मिलें, इस्पात उद्योग जहां स्टेनलेस स्टील्स (जैसे वायुमंडलीय संक्षारण के प्रतिरोध के लिए) और मिश्र धातु स्टील्स में निकल का उपयोग किया जाता है (निकल मिश्र धातु की ताकत बढ़ाता है जबकि इसकी अच्छी लचीलापन और कठोरता), और फॉस्फेट उर्वरक अनुप्रयोग और पशुधन उत्पादन जैसे गहन कृषि क्षेत्र में निकल के अनुसंधान संभावित स्रोत हैं (उदाहरण के लिए, मेमनों और कम खिलाए गए मवेशियों में वृद्धि दर बढ़ाने के लिए मेमनों में निकल मिलाना)। अनुसंधान क्षेत्रों में निकल के अन्य औद्योगिक उपयोगों में इलेक्ट्रोप्लेटिंग में इसका उपयोग शामिल है, जिसमें इलेक्ट्रोप्लेटिंग निकल और इलेक्ट्रोलेस निकल प्लेटिंग प्रक्रियाएं शामिल हैं। मिट्टी के गुणों को मिट्टी के रंग, संरचना और कार्बोनेट सामग्री से आसानी से पहचाना जा सकता है। मिट्टी की बनावट मध्यम से महीन होती है, जो मूल सामग्री से प्राप्त होती है। वे प्रकृति में कोल्यूवियल, जलोढ़ या एओलियन हैं। कुछ मिट्टी के क्षेत्र सतह और उप-मृदा में धब्बेदार दिखाई देते हैं, अक्सर कंक्रीट और विरंजन के साथ। हालाँकि, कैम्बिसोल और स्टैग्नोसोल क्षेत्र में सबसे आम मिट्टी के प्रकार हैं48। 455.1 से 493.5 मीटर की ऊँचाई के साथ, कैम्बिसोल चेक गणराज्य में हावी हैं49।
अध्ययन क्षेत्र का मानचित्र [अध्ययन क्षेत्र का मानचित्र ArcGIS डेस्कटॉप (ESRI, Inc, संस्करण 10.7, URL: https://desktop.arcgis.com) का उपयोग करके बनाया गया था।]
फ्राइडेक मिस्टेक जिले में शहरी और उपनगरीय मिट्टी से कुल 115 ऊपरी मिट्टी के नमूने प्राप्त किए गए। इस्तेमाल किया गया नमूना पैटर्न एक नियमित ग्रिड था जिसमें मिट्टी के नमूने 2 × 2 किमी की दूरी पर थे, और ऊपरी मिट्टी को एक हाथ से पकड़े जाने वाले जीपीएस डिवाइस (लीका ज़ेनो 5 जीपीएस) का उपयोग करके 0 से 20 सेमी की गहराई पर मापा गया था। नमूनों को ज़िपलॉक बैग में पैक किया जाता है, ठीक से लेबल किया जाता है, और प्रयोगशाला में भेज दिया जाता है। चूर्णित नमूने बनाने के लिए नमूनों को हवा में सुखाया गया, एक यांत्रिक प्रणाली (फ्रिट्च डिस्क मिल) द्वारा चूर्णित किया गया, और छना गया (छलनी का आकार 2 मिमी)। सूखे, समरूप और छने हुए मिट्टी के नमूनों के 1 ग्राम को स्पष्ट रूप से लेबल किए गए टेफ्लॉन बोतलों में रखें। प्रत्येक टेफ्लॉन बर्तन में, 35% एचसीएल के 7 मिलीलीटर और 65% एचएनओ 3 के 3 मिलीलीटर (एक स्वचालित डिस्पेंसर का उपयोग करके - प्रत्येक एसिड के लिए एक) डालें, हल्के से ढक दें और नमूनों को प्रतिक्रिया के लिए रात भर खड़े रहने दें (एक्वा रेजिया प्रोग्राम) नमूनों की पाचन प्रक्रिया को सुविधाजनक बनाने के लिए सतह पर तैरनेवाला को 2 घंटे के लिए एक गर्म धातु की प्लेट (तापमान: 100 वाट और 160 डिग्री सेल्सियस) पर रखें, फिर ठंडा करें। सतह पर तैरनेवाला को 50 मिलीलीटर वॉल्यूमेट्रिक फ्लास्क में स्थानांतरित करें और विआयनीकृत पानी के साथ 50 मिलीलीटर तक पतला करें। उसके बाद, पतला सतह पर तैरनेवाला को विआयनीकृत पानी के साथ 50 मिलीलीटर पीवीसी ट्यूब में छान लें। इसके अतिरिक्त, कमजोर पड़ने वाले घोल के 1 मिलीलीटर को 9 मिलीलीटर विआयनीकृत पानी के साथ पतला किया गया और पीटीई छद्म सांद्रता के लिए तैयार 12 मिलीलीटर ट्यूब में छान लिया गया। पीटीई (एएस, सीडी, सीआर, क्यू, एमएन, नी, पीबी, जेडएन, सीए, एमजी, के) की सांद्रता आईसीपी-ओईएस (इंडक्टिवली कपल्ड प्लाज्मा ऑप्टिकल एमिशन स्पेक्ट्रोस्कोपी) 2711a मोंटाना II मृदा)। आधे से कम पहचान सीमा वाले PTE को इस अध्ययन से बाहर रखा गया था। इस अध्ययन में प्रयुक्त PTE की पहचान सीमा 0.0004 थी। (आप)। इसके अतिरिक्त, प्रत्येक विश्लेषण के लिए गुणवत्ता नियंत्रण और गुणवत्ता आश्वासन प्रक्रिया संदर्भ मानकों का विश्लेषण करके सुनिश्चित की जाती है। यह सुनिश्चित करने के लिए कि त्रुटियां न्यूनतम हों, दोहरा विश्लेषण किया गया।
अनुभवजन्य बायेसियन क्रिगिंग (EBK) कई भू-सांख्यिकीय प्रक्षेप तकनीकों में से एक है जिसका उपयोग मृदा विज्ञान जैसे विविध क्षेत्रों में मॉडलिंग में किया जाता है। अन्य क्रिगिंग प्रक्षेप तकनीकों के विपरीत, EBK सेमीवेरोग्राम मॉडल द्वारा अनुमानित त्रुटि पर विचार करके पारंपरिक क्रिगिंग विधियों से भिन्न है। EBK प्रक्षेप में, एकल सेमीवेरोग्राम के बजाय, प्रक्षेप के दौरान कई सेमीवेरोग्राम मॉडल की गणना की जाती है। प्रक्षेप तकनीक सेमीवेरोग्राम के इस प्लॉटिंग से जुड़ी अनिश्चितता और प्रोग्रामिंग के लिए रास्ता बनाती है जो पर्याप्त क्रिगिंग विधि का एक अत्यधिक जटिल हिस्सा है। EBK की प्रक्षेप प्रक्रिया क्रिवोरुचको50 द्वारा प्रस्तावित तीन मानदंडों का पालन करती है, (a) मॉडल इनपुट डेटासेट से सेमीवेरोग्राम का अनुमान लगाता है
जहां \(Prob\left(A\right)\) पूर्ववर्ती को दर्शाता है, \(Prob\left(B\right)\) सीमांत प्रायिकता को ज्यादातर मामलों में नजरअंदाज किया जाता है, \(Prob (B,A)\) । सेमीवेरोग्राम की गणना बेयस नियम पर आधारित है, जो सेमीवेरोग्राम से बनाए जा सकने वाले अवलोकन डेटासेट की प्रवृत्ति को दर्शाता है। सेमीवेरोग्राम का मान फिर बेयस नियम का उपयोग करके निर्धारित किया जाता है, जो बताता है कि सेमीवेरोग्राम से अवलोकनों का डेटासेट बनाने की कितनी संभावना है।
एक सपोर्ट वेक्टर मशीन एक मशीन लर्निंग एल्गोरिदम है, जो समान लेकिन रैखिक रूप से स्वतंत्र वर्गों को अलग करने के लिए एक इष्टतम अलग करने वाले हाइपरप्लेन को उत्पन्न करता है। वाप्निक51 ने आशय वर्गीकरण एल्गोरिदम बनाया, लेकिन इसका उपयोग हाल ही में प्रतिगमन-उन्मुख समस्याओं को हल करने के लिए किया गया है। ली एट अल। 52 के अनुसार, एसवीएम सर्वश्रेष्ठ क्लासिफायर तकनीकों में से एक है और इसका उपयोग विभिन्न क्षेत्रों में किया गया है। इस विश्लेषण में एसवीएम (सपोर्ट वेक्टर मशीन रिग्रेशन - एसवीएमआर) के प्रतिगमन घटक का उपयोग किया गया था। चेरकास्की और मुलियर 53 ने एसवीएमआर को कर्नेल-आधारित प्रतिगमन के रूप में अग्रणी बनाया, जिसकी गणना बहु-देशीय स्थानिक कार्यों के साथ एक रैखिक प्रतिगमन मॉडल का उपयोग करके की गई थी। 55, एप्सिलॉन (ε)-एसवीएमआर प्रशिक्षित डेटासेट का उपयोग एप्सिलॉन-असंवेदनशील फ़ंक्शन के रूप में एक प्रतिनिधित्व मॉडल प्राप्त करने के लिए करता है जिसे सहसंबंधित डेटा पर प्रशिक्षण से सर्वश्रेष्ठ एप्सिलॉन पूर्वाग्रह के साथ स्वतंत्र रूप से डेटा मैप करने के लिए लागू किया जाता है। पूर्व निर्धारित दूरी त्रुटि को वास्तविक मान से अनदेखा किया जाता है, और यदि त्रुटि ε(ε) से बड़ी है, तो मिट्टी के गुण इसकी क्षतिपूर्ति करते हैं। मॉडल प्रशिक्षण डेटा की जटिलता को समर्थन वैक्टर के व्यापक उपसमूह तक भी कम कर देता है। वाप्निक51 द्वारा प्रस्तावित समीकरण नीचे दिखाया गया है।
जहां b स्केलर थ्रेशोल्ड का प्रतिनिधित्व करता है, \(K\left({x}_{,}{ x}_{k}\right)\) कर्नेल फ़ंक्शन का प्रतिनिधित्व करता है, \(\alpha\) लैग्रेंज गुणक का प्रतिनिधित्व करता है, N एक संख्यात्मक डेटासेट का प्रतिनिधित्व करता है, \({x}_{k}\) डेटा इनपुट का प्रतिनिधित्व करता है, और \(y\) डेटा आउटपुट है। उपयोग किए जाने वाले प्रमुख कर्नेल में से एक SVMR ऑपरेशन है, जो एक गॉसियन रेडियल बेसिस फ़ंक्शन (RBF) है। RBF कर्नेल को इष्टतम SVMR मॉडल निर्धारित करने के लिए लागू किया जाता है, जो कि PTE प्रशिक्षण डेटा के लिए सबसे सूक्ष्म पेनल्टी सेट फैक्टर C और कर्नेल पैरामीटर गामा (γ) प्राप्त करने के लिए महत्वपूर्ण है। सबसे पहले, हमने प्रशिक्षण सेट का मूल्यांकन किया और फिर सत्यापन सेट पर मॉडल के प्रदर्शन का परीक्षण किया।
मल्टीपल लीनियर रिग्रेशन मॉडल (एमएलआर) एक रिग्रेशन मॉडल है जो कम से कम वर्ग विधि का उपयोग करके गणना किए गए रैखिक पूल किए गए मापदंडों का उपयोग करके प्रतिक्रिया चर और कई भविष्यवक्ता चर के बीच संबंध का प्रतिनिधित्व करता है। एमएलआर में, कम से कम वर्ग मॉडल व्याख्यात्मक चर के चयन के बाद मिट्टी के गुणों का एक पूर्वानुमानित कार्य है। व्याख्यात्मक चर का उपयोग करके रैखिक संबंध स्थापित करने के लिए प्रतिक्रिया का उपयोग करना आवश्यक है। व्याख्यात्मक चर के साथ रैखिक संबंध स्थापित करने के लिए प्रतिक्रिया चर के रूप में पीटीई का उपयोग किया गया था। एमएलआर समीकरण है
जहाँ y प्रतिक्रिया चर है, \(a\) अवरोधन है, n पूर्वानुमानों की संख्या है, \({b}_{1}\) गुणांकों का आंशिक प्रतिगमन है, \({x}_{ i}\) एक पूर्वानुमान या व्याख्यात्मक चर का प्रतिनिधित्व करता है, और \({\varepsilon }_{i}\) मॉडल में त्रुटि का प्रतिनिधित्व करता है, जिसे अवशिष्ट के रूप में भी जाना जाता है।
मिश्रित मॉडल EBK को SVMR और MLR के साथ सैंडविच करके प्राप्त किए गए थे। यह EBK इंटरपोलेशन से अनुमानित मूल्यों को निकालकर किया जाता है। इंटरपोलेशन किए गए Ca, K, और Mg से प्राप्त अनुमानित मान नए चर, जैसे CaK, CaMg, और KMg प्राप्त करने के लिए एक संयोजन प्रक्रिया के माध्यम से प्राप्त किए जाते हैं। फिर Ca, K और Mg तत्वों को एक चौथा चर, CaKMg प्राप्त करने के लिए संयोजित किया जाता है। कुल मिलाकर, प्राप्त चर Ca, K, Mg, CaK, CaMg, KMg और CaKMg हैं। ये चर हमारे भविष्यवक्ता बन गए, जिससे शहरी और उपनगरीय मिट्टी में निकल सांद्रता का अनुमान लगाने में मदद मिली। मिश्रित मॉडल एम्पिरिकल बायेसियन क्रिगिंग-सपोर्ट वेक्टर मशीन (EBK_SVM) प्राप्त करने के लिए भविष्यवाणियों पर SVMR एल्गोरिदम का प्रदर्शन किया गया। इसी तरह, मिश्रित मॉडल एम्पिरिकल बायेसियन क्रिगिंग-मल्टीपल लीनियर रिग्रेशन प्राप्त करने के लिए चर को MLR एल्गोरिदम के माध्यम से भी पाइप किया जाता है। (EBK_MLR)। आमतौर पर, चर Ca, K, Mg, CaK, CaMg, KMg, और CaKMg को शहरी और पेरी-शहरी मिट्टी में Ni सामग्री के पूर्वानुमान के रूप में सहचर के रूप में उपयोग किया जाता है। सबसे स्वीकार्य मॉडल (EBK_SVM या EBK_MLR) को फिर एक स्व-संगठित ग्राफ का उपयोग करके देखा जाएगा। इस अध्ययन का वर्कफ़्लो चित्र 2 में दिखाया गया है।
वित्तीय क्षेत्र, स्वास्थ्य सेवा, उद्योग, सांख्यिकी, मृदा विज्ञान आदि में डेटा को व्यवस्थित करने, मूल्यांकन करने और पूर्वानुमान लगाने के लिए SeOM का उपयोग एक लोकप्रिय उपकरण बन गया है। संगठन, मूल्यांकन और भविष्यवाणी के लिए कृत्रिम तंत्रिका नेटवर्क और अपर्यवेक्षित शिक्षण विधियों का उपयोग करके SeOM बनाया गया है। इस अध्ययन में, शहरी और पेरी-शहरी मिट्टी में Ni की भविष्यवाणी करने के लिए सर्वोत्तम मॉडल के आधार पर Ni सांद्रता को देखने के लिए SeOM का उपयोग किया गया था। SeOM मूल्यांकन में संसाधित डेटा को n इनपुट-आयामी वेक्टर चर43,56 के रूप में उपयोग किया जाता है। मेलसेन एट अल। 57 एकल इनपुट परत के माध्यम से एक न्यूरल नेटवर्क में एक इनपुट वेक्टर के कनेक्शन का वर्णन करें, जो एकल वेट वेक्टर के साथ आउटपुट वेक्टर से जुड़ा हो। SeOM द्वारा उत्पन्न आउटपुट एक द्वि-आयामी मानचित्र है जिसमें विभिन्न न्यूरॉन्स या नोड्स होते हैं जो उनकी निकटता के अनुसार हेक्सागोनल, गोलाकार या चौकोर टोपोलॉजिकल मानचित्रों में बुने जाते हैं। मीट्रिक, क्वांटिज़ेशन त्रुटि (QE) और टोपोग्राफ़िक त्रुटि (TE) के आधार पर मानचित्र आकारों की तुलना करते हुए, क्रमशः 0.086 और 0.904 के साथ SeOM मॉडल का चयन किया जाता है, जो एक 55-मानचित्र इकाई (5 × 11) है। न्यूरॉन संरचना अनुभवजन्य समीकरण में नोड्स की संख्या के अनुसार निर्धारित की जाती है।
इस अध्ययन में इस्तेमाल किए गए डेटा की संख्या 115 नमूने हैं। डेटा को परीक्षण डेटा (सत्यापन के लिए 25%) और प्रशिक्षण डेटा सेट (अंशांकन के लिए 75%) में विभाजित करने के लिए एक यादृच्छिक दृष्टिकोण का उपयोग किया गया था। प्रशिक्षण डेटासेट का उपयोग प्रतिगमन मॉडल (अंशांकन) उत्पन्न करने के लिए किया जाता है, और परीक्षण डेटासेट का उपयोग सामान्यीकरण क्षमता58 को सत्यापित करने के लिए किया जाता है। यह मिट्टी में निकल सामग्री की भविष्यवाणी करने के लिए विभिन्न मॉडलों की उपयुक्तता का आकलन करने के लिए किया गया था। उपयोग किए गए सभी मॉडल दस गुना क्रॉस-सत्यापन प्रक्रिया से गुजरे, पांच बार दोहराया गया। ईबीके इंटरपोलेशन द्वारा उत्पादित चर का उपयोग लक्ष्य चर (पीटीई) की भविष्यवाणी करने के लिए भविष्यवक्ता या व्याख्यात्मक चर के रूप में किया जाता है। मॉडलिंग को पैकेज लाइब्रेरी (कोहोनेन), लाइब्रेरी (कैरेट), लाइब्रेरी (मॉडलर), लाइब्रेरी ("ई1071"), लाइब्रेरी ("प्लायर"), लाइब्रेरी ("सीएटूल्स"), लाइब्रेरी ("प्रोस्पेक्टर") और लाइब्रेरीज़ ("मेट्रिक्स") का उपयोग करके आरस्टूडियो में संभाला जाता है।
मिट्टी में निकल की सांद्रता का अनुमान लगाने के लिए और मॉडल और उसके सत्यापन की सटीकता का मूल्यांकन करने के लिए सर्वोत्तम मॉडल निर्धारित करने हेतु विभिन्न सत्यापन मापदंडों का उपयोग किया गया। संकरण मॉडल का मूल्यांकन औसत निरपेक्ष त्रुटि (MAE), मूल माध्य वर्ग त्रुटि (RMSE), और R-स्क्वायर या गुणांक निर्धारण (R2) का उपयोग करके किया गया। R2 उत्तर में अनुपातों के विचरण को परिभाषित करता है, जिसे प्रतिगमन मॉडल द्वारा दर्शाया जाता है। स्वतंत्र उपायों में RMSE और विचरण परिमाण मॉडल की भविष्य कहने वाली शक्ति का वर्णन करते हैं, जबकि MAE वास्तविक मात्रात्मक मूल्य निर्धारित करता है। सत्यापन मापदंडों का उपयोग करके सर्वोत्तम मिश्रण मॉडल का मूल्यांकन करने के लिए R2 मान उच्च होना चाहिए, मान 1 के जितना करीब होगा, सटीकता उतनी ही अधिक होगी। ली एट अल. 59 के अनुसार, 0.75 या अधिक का R2 मानदंड मान एक अच्छा भविष्यवक्ता माना जाता है; 0.5 से 0.75 स्वीकार्य मॉडल प्रदर्शन है, और 0.5 से नीचे अस्वीकार्य मॉडल प्रदर्शन है। आरएमएसई और एमएई सत्यापन मानदंड मूल्यांकन विधियों का उपयोग करके एक मॉडल का चयन करते समय, प्राप्त किए गए कम मूल्य पर्याप्त थे और उन्हें सबसे अच्छा विकल्प माना जाता था। निम्नलिखित समीकरण सत्यापन विधि का वर्णन करता है।
जहाँ n प्रेक्षित मान के आकार को दर्शाता है\({Y}_{i}\) मापी गई प्रतिक्रिया को दर्शाता है, और \({\widehat{Y}}_{i}\) पूर्वानुमानित प्रतिक्रिया मान को भी दर्शाता है, इसलिए, पहले i अवलोकनों के लिए।
भविष्यवक्ता और प्रतिक्रिया चर के सांख्यिकीय विवरण तालिका 1 में प्रस्तुत किए गए हैं, जो माध्य, मानक विचलन (एसडी), भिन्नता का गुणांक (सीवी), न्यूनतम, अधिकतम, कुर्टोसिस और तिरछापन दिखाते हैं। तत्वों के न्यूनतम और अधिकतम मूल्य क्रमशः Mg < Ca < K < Ni और Ca < Mg < K < Ni के घटते क्रम में हैं। अध्ययन क्षेत्र से नमूना किए गए प्रतिक्रिया चर (Ni) की सांद्रता 4.86 से 42.39 मिलीग्राम/किग्रा तक थी। विश्व औसत (29 मिलीग्राम/किग्रा) और यूरोपीय औसत (37 मिलीग्राम/किग्रा) के साथ Ni की तुलना से पता चला कि अध्ययन क्षेत्र के लिए समग्र गणना की गई ज्यामितीय माध्य सहनीय सीमा के भीतर थी। बहरहाल, जैसा कि काबाटा-पेंडियास11 द्वारा दिखाया गया है, स्वीडन में कृषि मिट्टी के साथ वर्तमान अध्ययन में औसत निकल (Ni) सांद्रता की तुलना से पता चलता है कि वर्तमान औसत निकल सांद्रता अधिक है वर्तमान अध्ययन में पेरी-शहरी मिट्टी (Ni 16.15 mg/kg) Różański एट अल द्वारा रिपोर्ट की गई पोलिश शहरी मिट्टी में Ni के लिए स्वीकार्य सीमा 60 (10.2 mg/kg) से अधिक थी। इसके अलावा, ब्रेटज़ेल और काल्डेरिसी61 ने वर्तमान अध्ययन की तुलना में टस्कनी में शहरी मिट्टी में बहुत कम औसत Ni सांद्रता (1.78 mg/kg) दर्ज की। जिम62 ने हांगकांग शहरी मिट्टी में एक कम निकल सांद्रता (12.34 mg/kg) भी पाया, जो इस अध्ययन में वर्तमान निकल सांद्रता से कम है। बिर्के एट अल63 ने जर्मनी के सैक्सोनी-एनहाल्ट में एक पुराने खनन और शहरी औद्योगिक क्षेत्र में 17.6 mg/kg की औसत Ni सांद्रता की सूचना दी, जो क्षेत्र में औसत Ni सांद्रता (16.15 mg/kg) से 1.45 mg/kg अधिक थी अध्ययन क्षेत्र को मुख्य रूप से लोहा और इस्पात उद्योग और धातु उद्योग के लिए जिम्मेदार ठहराया जा सकता है। यह खोदादोस्त एट अल। 64 के अध्ययन के अनुरूप है कि इस्पात उद्योग और धातुकर्म मिट्टी में निकल संदूषण के मुख्य स्रोत हैं। हालांकि, पूर्वानुमान भी कैल्शियम के लिए 538.70 मिलीग्राम/किग्रा से 69,161.80 मिलीग्राम/किग्रा, पोटेशियम के लिए 497.51 मिलीग्राम/किग्रा से 3535.68 मिलीग्राम/किग्रा और मैग्नीशियम के लिए 685.68 मिलीग्राम/किग्रा से 5970.05 मिलीग्राम/किग्रा तक थे। जाकोवल्जेविक एट अल। 65 ने मध्य सर्बिया में मिट्टी में कुल Mg और K सामग्री की जांच की। उन्होंने पाया कि कुल सांद्रता (क्रमशः 410 mg/kg और 400 mg/kg) वर्तमान अध्ययन में Mg और K सांद्रता से कम थी। पूर्वी पोलैंड में, ओरज़ेकोव्स्की और स्मोलज़िन्स्की66 ने कैल्शियम, मैग्नीशियम और पोटेशियम की कुल सामग्री का आकलन किया और दिखाया कि कैल्शियम (1100 mg/kg), मैग्नीशियम (590 mg/kg) और पोटेशियम (810 mg/kg) की औसत सांद्रता इस अध्ययन में शीर्ष मिट्टी में सामग्री एकल तत्व से कम है। पोंग्रेक एट अल द्वारा हाल ही में किए गए एक अध्ययन 67 से पता चला कि स्कॉटलैंड, यूके (माइल्नेफील्ड मिट्टी, बालरुडरी मिट्टी और हार्टवुड मिट्टी) में 3 अलग-अलग मिट्टी में विश्लेषण की गई कुल कैल्शियम सामग्री ने इस अध्ययन में उच्चतर कैल्शियम सामग्री का संकेत दिया।
नमूने के तत्वों की अलग-अलग मापी गई सांद्रता के कारण, तत्वों के डेटा सेट वितरण अलग-अलग विषमता प्रदर्शित करते हैं। तत्वों की विषमता और कुर्टोसिस क्रमशः 1.53 से 7.24 और 2.49 से 54.16 तक थी। सभी गणना किए गए तत्वों में विषमता और कुर्टोसिस का स्तर +1 से ऊपर है, इस प्रकार यह दर्शाता है कि डेटा वितरण अनियमित है, सही दिशा में विषम है और चरम पर है। तत्वों के अनुमानित CVs यह भी दर्शाते हैं कि K, Mg, और Ni मध्यम परिवर्तनशीलता प्रदर्शित करते हैं, जबकि Ca में अत्यधिक उच्च परिवर्तनशीलता है। K, Ni और Mg के CV उनके समान वितरण की व्याख्या करते हैं। इसके अलावा, Ca वितरण असमान है और बाहरी स्रोत इसके संवर्धन स्तर को प्रभावित कर सकते हैं।
प्रतिक्रिया तत्वों के साथ भविष्यवक्ता चर के सहसंबंध ने तत्वों के बीच एक संतोषजनक सहसंबंध का संकेत दिया (चित्र 3 देखें)। सहसंबंध ने संकेत दिया कि CaK ने r मान = 0.53 के साथ मध्यम सहसंबंध प्रदर्शित किया, जैसा कि CaNi ने किया। हालाँकि Ca और K एक दूसरे के साथ मामूली जुड़ाव दिखाते हैं, किंग्स्टन एट अल जैसे शोधकर्ता। 68 और सैंटो69 सुझाव देते हैं कि मिट्टी में उनके स्तर व्युत्क्रमानुपाती होते हैं। हालाँकि, Ca और Mg K के विरोधी हैं, लेकिन CaK अच्छी तरह से सहसंबंधित है। यह पोटेशियम कार्बोनेट जैसे उर्वरकों के उपयोग के कारण हो सकता है, जिसमें पोटेशियम 56% अधिक होता है। पोटेशियम मैग्नीशियम के साथ मध्यम रूप से सहसंबंधित था (KM r = 0.63)। उर्वरक उद्योग में, ये दोनों तत्व निकट रूप से संबंधित हैं क्योंकि पोटेशियम मैग्नीशियम सल्फेट, पोटेशियम मैग्नीशियम नाइट्रेट और पोटाश को उनकी कमी के स्तर को बढ़ाने के लिए मिट्टी में लगाया जाता है। निकल क्रमशः r मान = 0.52, 0.63 और 0.55 के साथ Ca, K और Mg के साथ मध्यम रूप से सहसंबंधित है।
भविष्यवाणियों और प्रतिक्रियाओं के बीच संबंध दिखाने वाले तत्वों के लिए सहसंबंध मैट्रिक्स (नोट: इस आंकड़े में तत्वों के बीच एक स्कैटरप्लॉट शामिल है, महत्व स्तर p < 0,001 पर आधारित हैं)।
चित्र 4 तत्वों के स्थानिक वितरण को दर्शाता है। बर्गोस एट अल70 के अनुसार, स्थानिक वितरण का अनुप्रयोग प्रदूषित क्षेत्रों में हॉट स्पॉट को मापने और उजागर करने के लिए उपयोग की जाने वाली तकनीक है। चित्र 4 में Ca के संवर्धन स्तर को स्थानिक वितरण मानचित्र के उत्तर-पश्चिमी भाग में देखा जा सकता है। चित्र मध्यम से उच्च Ca संवर्धन हॉटस्पॉट दिखाता है। मानचित्र के उत्तर-पश्चिम में कैल्शियम संवर्धन संभवतः मिट्टी की अम्लता को कम करने के लिए क्विकलाइम (कैल्शियम ऑक्साइड) के उपयोग और स्टील बनाने की प्रक्रिया में क्षारीय ऑक्सीजन के रूप में स्टील मिलों में इसके उपयोग के कारण है। दूसरी ओर, अन्य किसान पीएच को बेअसर करने के लिए अम्लीय मिट्टी में कैल्शियम हाइड्रॉक्साइड का उपयोग करना पसंद करते हैं, जो मिट्टी की कैल्शियम सामग्री को भी बढ़ाता है71। मानचित्र के उत्तर-पश्चिम और पूर्व में पोटेशियम भी हॉट स्पॉट दिखाता है। उत्तर-पश्चिम एक प्रमुख कृषि समुदाय है, और पोटेशियम का मध्यम से उच्च पैटर्न एनपीके और पोटाश अनुप्रयोगों के कारण हो सकता है। यह अन्य अध्ययनों के अनुरूप है, जैसे कि मदरस और लिपावस्की72, मदरस एट अल71 अल.73, पुलक्राबोवा एट अल.74, असारे एट अल.75, जिन्होंने देखा कि मिट्टी के स्थिरीकरण और KCl और NPK के साथ उपचार के परिणामस्वरूप मिट्टी में K की मात्रा अधिक हो गई। वितरण मानचित्र के उत्तर-पश्चिम में स्थानिक पोटेशियम संवर्धन खराब मिट्टी की पोटेशियम सामग्री को बढ़ाने के लिए पोटेशियम क्लोराइड, पोटेशियम सल्फेट, पोटेशियम नाइट्रेट, पोटाश और पोटाश जैसे पोटेशियम-आधारित उर्वरकों के उपयोग के कारण हो सकता है। ज़ेडोरोवा एट अल. 76 और ट्लुस्टोस एट अल. 77 ने रेखांकित किया कि K-आधारित उर्वरकों के प्रयोग से मिट्टी में K की मात्रा बढ़ जाती है और इससे लंबे समय में मिट्टी की पोषक सामग्री में उल्लेखनीय वृद्धि होगी, विशेष रूप से K और Mg मिट्टी में एक हॉट स्पॉट दिखा रहे हैं। नक्शे के उत्तर-पश्चिम और नक्शे के दक्षिण-पूर्व में अपेक्षाकृत मध्यम हॉटस्पॉट। मिट्टी में कोलाइडल फिक्सेशन मिट्टी में मैग्नीशियम की सांद्रता को कम करता है। मिट्टी में इसकी कमी से पौधों में पीले रंग का इंटरवेन क्लोरोसिस दिखाई देता है। मैग्नीशियम-आधारित उर्वरक, जैसे कि पोटेशियम मैग्नीशियम सल्फेट, मैग्नीशियम सल्फेट और कीसेराइट, सामान्य पीएच रेंज वाली मिट्टी में कमियों का इलाज करते हैं (पौधे बैंगनी, लाल या भूरे रंग के दिखाई देते हैं, जो मैग्नीशियम की कमी को दर्शाता है)6। शहरी और अर्ध-शहरी मिट्टी की सतहों पर निकल का संचय कृषि और स्टेनलेस स्टील उत्पादन में निकल के महत्व जैसी मानवजनित गतिविधियों के कारण हो सकता है78।
तत्वों का स्थानिक वितरण [स्थानिक वितरण मानचित्र ArcGIS डेस्कटॉप (ESRI, Inc, संस्करण 10.7, URL: https://desktop.arcgis.com) का उपयोग करके बनाया गया था।]
इस अध्ययन में उपयोग किए गए तत्वों के लिए मॉडल प्रदर्शन सूचकांक परिणाम तालिका 2 में दिखाए गए हैं। दूसरी ओर, Ni के RMSE और MAE दोनों शून्य के करीब हैं (0.86 RMSE, -0.08 MAE)। दूसरी ओर, K के RMSE और MAE दोनों मान स्वीकार्य हैं। कैल्शियम और मैग्नीशियम के लिए RMSE और MAE परिणाम अधिक थे। अलग-अलग डेटासेट के कारण Ca और K MAE और RMSE परिणाम बड़े हैं। Ni की भविष्यवाणी करने के लिए EBK का उपयोग करने वाले इस अध्ययन के RMSE और MAE, जॉन एट अल। 54 के परिणामों से बेहतर पाए गए, जो समान एकत्रित डेटा का उपयोग करके मिट्टी में S सांद्रता की भविष्यवाणी करने के लिए सहक्रियात्मक क्रिगिंग का उपयोग करते हैं। हमने जिन EBK आउटपुट का अध्ययन किया, वे फैबिजैक एट अल। 41, यान एट अल। 79, बेगुइन एट अल। 80, अधिकारी एट अल। 81 ​​और जॉन एट अल। 82, विशेष रूप से K और Ni के साथ सहसंबंधित हैं।
शहरी और अर्ध-शहरी मिट्टी में निकल सामग्री की भविष्यवाणी करने के लिए अलग-अलग तरीकों के प्रदर्शन का मूल्यांकन मॉडल के प्रदर्शन का उपयोग करके किया गया था (तालिका 3)। मॉडल सत्यापन और सटीकता मूल्यांकन ने पुष्टि की कि EBK SVMR मॉडल के साथ संयुक्त Ca_Mg_K भविष्यवक्ता ने सबसे अच्छा प्रदर्शन दिया। अंशांकन मॉडल Ca_Mg_K-EBK_SVMR मॉडल R2, मूल माध्य वर्ग त्रुटि (RMSE) और माध्य निरपेक्ष त्रुटि (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) और 77.368 mg/kg (MAE) थे। Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) और 166.946 mg/kg (MAE) था। बहरहाल, Ca_Mg_K-SVMR (0.663 mg/kg R2) Ca_Mg-EBK_SVMR (0.643 = R2); उनके RMSE और MAE परिणाम Ca_Mg_K-EBK_SVMR (R2 0.637) (सारणी 3 देखें) की तुलना में उच्च थे। इसके अतिरिक्त, Ca_Mg-EBK_SVMR (RMSE = 1664.64 और MAE = 1031.49) मॉडल के RMSE और MAE क्रमशः 17.5 और 13.4 हैं, जो Ca_Mg_K-EBK_SVMR से बड़े हैं। इसी तरह, Ca_Mg-K SVMR (RMSE = 235.974 और MAE = 166.946) मॉडल के RMSE और MAE क्रमशः Ca_Mg_K-EBK_SVMR RMSE और MAE की तुलना में 2.5 और 2.2 बड़े हैं। गणना किए गए RMSE परिणाम यह संकेत देते हैं कि डेटा सेट सर्वोत्तम फिट की रेखा के साथ कितना केंद्रित है। अवलोकित। केबोनी एट अल. 46 और जॉन एट अल. 54 के अनुसार, आरएमएसई और एमएई शून्य के जितना करीब होंगे, परिणाम उतने ही बेहतर होंगे। एसवीएमआर और ईबीके_एसवीएमआर में उच्चतर क्वांटाइज्ड आरएसएमई और एमएई मान हैं। यह देखा गया कि आरएसएमई अनुमान एमएई मानों से लगातार अधिक थे, जो आउटलेर्स की उपस्थिति का संकेत देते हैं। लेगेट्स और मैककेब 83 के अनुसार, आरएमएसई जिस सीमा तक औसत निरपेक्ष त्रुटि (एमएई) से अधिक है, उसे आउटलेर्स की उपस्थिति के संकेतक के रूप में अनुशंसित किया जाता है। इसका मतलब यह है कि डेटासेट जितना अधिक विषम होगा, एमएई और आरएमएसई मान उतना ही अधिक होगा। शहरी और उपनगरीय मिट्टी में Ni सामग्री की भविष्यवाणी करने के लिए Ca_Mg_K-EBK_SVMR मिश्रित मॉडल के क्रॉस-वैलिडेशन आकलन की सटीकता 63.70% थी 59, सटीकता का यह स्तर एक स्वीकार्य मॉडल प्रदर्शन दर है। वर्तमान परिणामों की तुलना तरासोव एट अल 36 द्वारा किए गए पिछले अध्ययन से की गई है, जिनके हाइब्रिड मॉडल ने एमएलपीआरके (मल्टीलेयर परसेप्ट्रॉन अवशिष्ट क्रिगिंग) बनाया, जो वर्तमान अध्ययन में रिपोर्ट किए गए ईबीके_एसवीएमआर सटीकता मूल्यांकन सूचकांक से संबंधित है, आरएमएसई (210) और एमएई (167.5) वर्तमान अध्ययन में हमारे परिणामों (आरएमएसई 95.479, एमएई 77.368) से अधिक था। हालाँकि, वर्तमान अध्ययन के आर2 (0.637) की तुलना तरासोव एट अल के साथ करने पर। 36 (0.544) से, यह स्पष्ट है कि निर्धारण गुणांक (R2) इस मिश्रित मॉडल में उच्चतर है। मिश्रित मॉडल के लिए त्रुटि का मार्जिन (आरएमएसई और एमएई) (ईबीके एसवीएमआर) दो गुना कम है। इसी तरह, सर्गेव एट अल। 34 ने विकसित हाइब्रिड मॉडल (मल्टीलेयर परसेप्ट्रॉन रेसिडुअल क्रिगिंग) के लिए 0.28 (R2) दर्ज किया, जबकि वर्तमान अध्ययन में Ni ने 0.637 (R2) दर्ज किया। इस मॉडल (ईबीके एसवीएमआर) का पूर्वानुमान सटीकता स्तर 63.7% है, जबकि सर्गेव एट अल। 34 द्वारा प्राप्त पूर्वानुमान सटीकता 28% है। ईबीके_एसवीएमआर मॉडल और भविष्यवक्ता के रूप में Ca_Mg_K का उपयोग करके बनाया गया अंतिम मानचित्र (चित्र 5) पूरे अध्ययन क्षेत्र में हॉट स्पॉट और मध्यम से निकल की भविष्यवाणियों को दर्शाता है।
अंतिम पूर्वानुमान मानचित्र को हाइब्रिड मॉडल EBK_SVMR का उपयोग करके और भविष्यवक्ता के रूप में Ca_Mg_K का उपयोग करके दर्शाया गया है। [स्थानिक वितरण मानचित्र RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) का उपयोग करके बनाया गया था।]
चित्र 6 में PTE सांद्रता को व्यक्तिगत न्यूरॉन्स से मिलकर बने एक संयोजन तल के रूप में प्रस्तुत किया गया है। किसी भी घटक तल ने दिखाए गए समान रंग पैटर्न का प्रदर्शन नहीं किया। हालाँकि, प्रत्येक खींचे गए मानचित्र में न्यूरॉन्स की उचित संख्या 55 है। SeOM को विभिन्न रंगों का उपयोग करके बनाया जाता है, और रंग पैटर्न जितने अधिक समान होते हैं, नमूनों के गुण उतने ही अधिक तुलनीय होते हैं। उनके सटीक रंग पैमाने के अनुसार, व्यक्तिगत तत्वों (Ca, K, और Mg) ने एकल उच्च न्यूरॉन्स और अधिकांश निम्न न्यूरॉन्स के समान रंग पैटर्न दिखाए। इस प्रकार, CaK और CaMg बहुत उच्च-क्रम न्यूरॉन्स और निम्न-से-मध्यम रंग पैटर्न के साथ कुछ समानताएँ साझा करते हैं। दोनों मॉडल लाल, नारंगी और पीले जैसे रंगों के मध्यम से उच्च रंगों को प्रदर्शित करके मिट्टी में Ni की सांद्रता की भविष्यवाणी करते हैं। KMg मॉडल सटीक अनुपात और निम्न से मध्यम रंग पैच के आधार पर कई उच्च रंग पैटर्न प्रदर्शित करता है। कम से उच्च तक के सटीक रंग पैमाने पर, मॉडल के घटकों के समतल वितरण पैटर्न ने मिट्टी में निकल की संभावित सांद्रता को इंगित करते हुए एक उच्च रंग पैटर्न दिखाया (चित्र 4 देखें)। CakMg मॉडल घटक समतल एक सटीक रंग पैमाने के अनुसार निम्न से उच्च तक एक विविध रंग पैटर्न दिखाता है। इसके अलावा, मॉडल का निकल सामग्री (CakMg) का पूर्वानुमान चित्र 5 में दिखाए गए निकल के स्थानिक वितरण के समान है। दोनों ग्राफ शहरी और पेरी-शहरी मिट्टी में निकल सांद्रता के उच्च, मध्यम और निम्न अनुपात दिखाते हैं। चित्र 7 मानचित्र पर k-मीन्स समूह में समोच्च विधि को दर्शाता है, जो प्रत्येक मॉडल में पूर्वानुमानित मूल्य के आधार पर तीन समूहों में विभाजित है। समोच्च विधि समूहों की इष्टतम संख्या का प्रतिनिधित्व करती है। एकत्र किए गए 115 मिट्टी के नमूनों में से, श्रेणी 1 ने सबसे अधिक मिट्टी के नमूने, 74 प्राप्त किए। क्लस्टर 2 में 33 नमूने प्राप्त हुए, जबकि क्लस्टर 3 में 8 नमूने प्राप्त हुए। सात-घटक प्लानर भविष्यवक्ता संयोजन को सही क्लस्टर व्याख्या की अनुमति देने के लिए सरल बनाया गया था।
प्रत्येक एम्पिरिकल बायेसियन क्रिगिंग सपोर्ट वेक्टर मशीन (EBK_SVM_SeOM) चर द्वारा घटक समतल आउटपुट। [SeOM मानचित्र RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) का उपयोग करके बनाए गए थे।]
विभिन्न क्लस्टर वर्गीकरण घटक [SeOM मानचित्र RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) का उपयोग करके बनाए गए थे।]
वर्तमान अध्ययन शहरी और उपनगरीय मिट्टी में निकल सांद्रता के लिए मॉडलिंग तकनीकों को स्पष्ट रूप से दर्शाता है। अध्ययन ने मिट्टी में निकल सांद्रता की भविष्यवाणी करने का सबसे अच्छा तरीका प्राप्त करने के लिए, मॉडलिंग तकनीकों के साथ तत्वों को मिलाकर, विभिन्न मॉडलिंग तकनीकों का परीक्षण किया। मॉडलिंग तकनीक की SeOM संरचनागत समतल स्थानिक विशेषताओं ने मिट्टी में Ni सांद्रता को इंगित करते हुए, एक सटीक रंग पैमाने पर कम से उच्च तक एक उच्च रंग पैटर्न प्रदर्शित किया। हालाँकि, स्थानिक वितरण मानचित्र EBK_SVMR द्वारा प्रदर्शित घटकों के समतल स्थानिक वितरण की पुष्टि करता है (चित्र 5 देखें)। परिणाम दिखाते हैं कि सपोर्ट वेक्टर मशीन रिग्रेशन मॉडल (Ca Mg K-SVMR) मिट्टी में Ni की सांद्रता को एकल मॉडल के रूप में भविष्यवाणी करता है, लेकिन सत्यापन और सटीकता मूल्यांकन पैरामीटर RMSE और MAE के संदर्भ में बहुत अधिक त्रुटियाँ दिखाते हैं। दूसरी ओर, EBK_MLR मॉडल के साथ नियोजित मॉडलिंग तकनीक भी निर्धारण गुणांक (R2) के कम मूल्य के कारण त्रुटिपूर्ण है। कम RMSE के साथ EBK SVMR और संयुक्त तत्वों (CaKMg) का उपयोग करके अच्छे परिणाम प्राप्त किए गए। और 63.7% की सटीकता के साथ MAE त्रुटियाँ। यह पता चला है कि EBK एल्गोरिदम को मशीन लर्निंग एल्गोरिदम के साथ संयोजित करने से एक हाइब्रिड एल्गोरिदम उत्पन्न हो सकता है जो मिट्टी में PTE की एकाग्रता की भविष्यवाणी कर सकता है। परिणाम दर्शाते हैं कि अध्ययन क्षेत्र में Ni सांद्रता की भविष्यवाणी करने के लिए भविष्यवक्ता के रूप में Ca Mg K का प्रयोग करने से मिट्टी में Ni की भविष्यवाणी में सुधार हो सकता है। इसका अर्थ है कि इस्पात उद्योग द्वारा मिट्टी के निकल-आधारित उर्वरकों और औद्योगिक प्रदूषण के निरंतर अनुप्रयोग से मिट्टी में निकल की एकाग्रता में वृद्धि होने की प्रवृत्ति है। इस अध्ययन से पता चला है कि EBK मॉडल त्रुटि के स्तर को कम कर सकता है और शहरी या अर्ध-शहरी मिट्टी में मिट्टी के स्थानिक वितरण के मॉडल की सटीकता में सुधार कर सकता है। सामान्य तौर पर, हम मिट्टी में PTE का आकलन और भविष्यवाणी करने के लिए EBK-SVMR मॉडल को लागू करने का प्रस्ताव हालांकि, अधिक सहचरों का उपयोग करने से मॉडल के प्रदर्शन में काफी सुधार होगा, जिसे वर्तमान कार्य की एक सीमा माना जा सकता है। इस अध्ययन की एक और सीमा यह है कि डेटासेट की संख्या 115 है। इसलिए, यदि अधिक डेटा प्रदान किया जाता है, तो प्रस्तावित अनुकूलित संकरण विधि के प्रदर्शन में सुधार किया जा सकता है।
PlantProbs.net.पौधों और मिट्टी में निकल https://plantprobs.net/plant/nutritionImbalances/sodium.html (28 अप्रैल 2021 को एक्सेस किया गया)।
कास्परज़क, के.एस. निकेल आधुनिक पर्यावरण विष विज्ञान में प्रगति.परिवेश.विष विज्ञान.11, 145–183 (1987)।
कैम्पेल, एम. और निकेल, जी. निकेल: इसके स्रोतों और पर्यावरण विष विज्ञान की समीक्षा. पोलिश जे. पर्यावरण.स्टड.15, 375–382 (2006).
फ्रीडमैन, बी. और हचिंसन, टीसी सुदबरी, ओंटारियो, कनाडा में एक निकल-तांबा स्मेल्टर के पास मिट्टी और वनस्पति में वायुमंडल और संचय से प्रदूषक इनपुट। कैन.जे.बॉट.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
मनिवा, टी. एट अल. मिट्टी, पौधों में भारी धातुएं और बोत्सवाना में सेलेबी-फिकवे कॉपर-निकल खदान के पास चरने वाले जुगाली करने वाले जानवरों से जुड़े जोखिम। परिवेश। भू-रसायन विज्ञान। स्वास्थ्य https://doi.org/10.1007/s10653-021-00918-x (2021)।
Cabata-Pendias.Kabata-Pendias A. 2011. मिट्टी में ट्रेस तत्व और… – Google विद्वान 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 नवंबर 2020 को एक्सेस किया गया)।
अल्मास, ए., सिंह, बी., कृषि, टीएस-एनजे और 1995, अपरिभाषित। सोएर-वरंगर, नॉर्वे में कृषि मिट्टी और घास में भारी धातु सांद्रता पर रूसी निकल उद्योग के प्रभाव।agris.fao.org।
नीलसन, जी.डी. एट अल. पीने के पानी में निकल अवशोषण और अवधारण भोजन के सेवन और निकल संवेदनशीलता से संबंधित हैं। विष विज्ञान। अनुप्रयोग। फार्माकोडायनामिक्स। 154, 67–75 (1999)।
कोस्टा, एम. और क्लेन, सी.बी. निकल कार्सिनोजेनेसिस, उत्परिवर्तन, एपिजेनेटिक्स या चयन. परिवेश. स्वास्थ्य परिप्रेक्ष्य. 107, 2 (1999)।
अजमान, पी.सी.; अजादो, एस.के.; बोरवका, एल.; बिनी, जे.के.एम.; सरकोडी, वी.वाई.ओ.; कोबोनी, एन.एम.; संभावित रूप से विषाक्त तत्वों का प्रवृत्ति विश्लेषण: एक ग्रंथसूची समीक्षा। पर्यावरण भू-रसायन विज्ञान और स्वास्थ्य। स्प्रिंगर विज्ञान और व्यापार मीडिया बी.वी. 2020.https://doi.org/10.1007/s10653-020-00742-9.
मिनसनी, बी. और मैकब्रैटनी, एबी डिजिटल मृदा मानचित्रण: एक संक्षिप्त इतिहास और कुछ सबक. जियोडर्मा 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)।
मैकब्रैटनी, एबी, मेंडोंका सैंटोस, एमएल और मिनसनी, बी. डिजिटल मृदा मानचित्रण पर। जियोडर्मा 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)।
Deutsch.CV भूस्थैतिक जलाशय मॉडलिंग,… – Google विद्वान 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 अप्रैल 2021 को एक्सेस किया गया)।