Nature.com पर आने के लिए धन्यवाद। आप जिस ब्राउज़र का उपयोग कर रहे हैं, उसमें CSS के लिए सीमित समर्थन है। सर्वोत्तम अनुभव के लिए, हम आपको अद्यतन ब्राउज़र का उपयोग करने (या इंटरनेट एक्सप्लोरर में संगतता मोड बंद करने) की सलाह देते हैं। इस बीच, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को बिना स्टाइल और जावास्क्रिप्ट के प्रदर्शित करेंगे।
मानव गतिविधियों के कारण मृदा प्रदूषण एक बड़ी समस्या है। अधिकांश शहरी और अर्ध-शहरी क्षेत्रों में संभावित विषैले तत्वों (पीटीई) का स्थानिक वितरण भिन्न होता है। इसलिए, ऐसी मृदाओं में पीटीई की मात्रा का स्थानिक रूप से पूर्वानुमान लगाना कठिन है। चेक गणराज्य के फ्राइडेक मिस्टेक से कुल 115 नमूने प्राप्त किए गए। कैल्शियम (Ca), मैग्नीशियम (Mg), पोटेशियम (K) और निकेल (Ni) की सांद्रता को इंडक्टिवली कपल्ड प्लाज्मा एमिशन स्पेक्ट्रोमेट्री का उपयोग करके निर्धारित किया गया। प्रतिक्रिया चर Ni है और भविष्यवक्ता चर Ca, Mg और K हैं। प्रतिक्रिया चर और भविष्यवक्ता चर के बीच सहसंबंध मैट्रिक्स तत्वों के बीच संतोषजनक सहसंबंध दर्शाता है। पूर्वानुमान परिणामों से पता चला कि सपोर्ट वेक्टर मशीन रिग्रेशन (SVMR) ने अच्छा प्रदर्शन किया, हालांकि इसकी अनुमानित रूट मीन स्क्वायर 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) का प्रदर्शन खराब रहा, जैसा कि 0.1 से कम गुणांकों से स्पष्ट है। एम्पीरिकल बेयसियन 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 तथा उच्च गुणांक (R² = 0.637) थे। EBK-SVMR मॉडलिंग तकनीक के आउटपुट को एक स्व-संगठित मानचित्र का उपयोग करके दर्शाया गया है। हाइब्रिड मॉडल CakMg-EBK-SVMR घटक के तल में क्लस्टर न्यूरॉन्स कई रंग पैटर्न दिखाते हैं जो शहरी और अर्ध-शहरी मिट्टी में Ni सांद्रता की भविष्यवाणी करते हैं। परिणाम दर्शाते हैं कि EBK और SVMR का संयोजन शहरी और अर्ध-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 स्थिरीकरण (N) और यूरिया चयापचय में योगदान देता है, ये दोनों ही बीज अंकुरण के लिए आवश्यक हैं। बीज अंकुरण में योगदान के अलावा, Ni कवक और जीवाणु अवरोधक के रूप में कार्य कर सकता है और पौधों के विकास को बढ़ावा दे सकता है। मिट्टी में निकेल की कमी होने पर पौधा इसे अवशोषित कर लेता है, जिसके परिणामस्वरूप पत्तियों में क्लोरोसिस हो जाता है। उदाहरण के लिए, लोबिया और हरी बीन्स को नाइट्रोजन स्थिरीकरण को अनुकूलित करने के लिए निकेल-आधारित उर्वरकों के प्रयोग की आवश्यकता होती है। मिट्टी को समृद्ध करने और फलियों की नाइट्रोजन स्थिरीकरण क्षमता को बढ़ाने के लिए निकेल-आधारित उर्वरकों के निरंतर प्रयोग से मिट्टी में निकेल की सांद्रता लगातार बढ़ती जाती है। हालांकि निकेल पौधों के लिए एक सूक्ष्म पोषक तत्व है, लेकिन मिट्टी में इसका अत्यधिक सेवन लाभ से अधिक हानि पहुंचा सकता है। मिट्टी में निकेल की विषाक्तता मिट्टी के पीएच को कम करती है और पौधों की वृद्धि के लिए आवश्यक पोषक तत्व आयरन के अवशोषण में बाधा डालती है। लियू के अनुसार, Ni को पौधों के विकास और वृद्धि के लिए आवश्यक 17वां महत्वपूर्ण तत्व पाया गया है। पौधों के विकास और वृद्धि में निकल की भूमिका के अलावा, मनुष्यों को विभिन्न अनुप्रयोगों के लिए इसकी आवश्यकता होती है। इलेक्ट्रोप्लेटिंग, निकल-आधारित मिश्र धातुओं का उत्पादन, और ऑटोमोटिव उद्योग में इग्निशन उपकरणों और स्पार्क प्लग का निर्माण, इन सभी में विभिन्न औद्योगिक क्षेत्रों में निकल का उपयोग आवश्यक है। इसके अलावा, निकल-आधारित मिश्र धातुओं और इलेक्ट्रोप्लेटेड वस्तुओं का व्यापक रूप से रसोई के बर्तनों, बॉलरूम के सामान, खाद्य उद्योग की आपूर्ति, विद्युत, तार और केबल, जेट टर्बाइन, सर्जिकल प्रत्यारोपण, वस्त्र और जहाज निर्माण में उपयोग किया जाता है।5 मिट्टी (यानी, सतही मिट्टी) में निकल की अधिकता का कारण मानवजनित और प्राकृतिक दोनों स्रोत माने जाते हैं, लेकिन मुख्य रूप से, निकल एक प्राकृतिक स्रोत है न कि मानवजनित।4,6 निकल के प्राकृतिक स्रोतों में ज्वालामुखी विस्फोट, वनस्पति, जंगल की आग और भूवैज्ञानिक प्रक्रियाएं शामिल हैं। हालाँकि, मानवजनित स्रोतों में इस्पात उद्योग में निकेल/कैडमियम बैटरी, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डीजल और ईंधन तेल, और कोयला दहन और अपशिष्ट और कीचड़ भस्मीकरण से वायुमंडलीय उत्सर्जन शामिल हैं। निकेल संचय7,8। फ्रीडमैन और हचिंसन9 और मन्यिवा एट अल. 10 के अनुसार, तत्काल और आस-पास के वातावरण में ऊपरी मिट्टी प्रदूषण के मुख्य स्रोत मुख्य रूप से निकेल-तांबा-आधारित स्मेल्टर और खदानें हैं। कनाडा में सुडबरी निकेल-तांबा रिफाइनरी के आसपास की ऊपरी मिट्टी में निकेल संदूषण का उच्चतम स्तर 26,000 मिलीग्राम/किलोग्राम11 था। इसके विपरीत, रूस में निकेल उत्पादन से प्रदूषण के परिणामस्वरूप नॉर्वेजियन मिट्टी में निकेल की उच्च सांद्रता पाई गई है11। अल्म्स एट अल. के अनुसार 12, क्षेत्र की शीर्ष कृषि योग्य भूमि (रूस में निकल उत्पादन) में HNO3-निष्कर्षित निकल की मात्रा 6.25 से 136.88 मिलीग्राम/किलोग्राम तक थी, जो 30.43 मिलीग्राम/किलोग्राम के औसत और 25 मिलीग्राम/किलोग्राम की आधारभूत सांद्रता के अनुरूप है। कबता 11 के अनुसार, शहरी या अर्ध-शहरी क्षेत्रों की कृषि मिट्टी में लगातार फसल ऋतुओं के दौरान फास्फोरस उर्वरकों का प्रयोग मिट्टी में घुल सकता है या उसे दूषित कर सकता है। मनुष्यों में निकल के संभावित प्रभाव उत्परिवर्तन, गुणसूत्र क्षति, Z-DNA निर्माण, अवरुद्ध DNA 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, और कैंसरकारी निकल कॉम्प्लेक्स ऐसे ट्यूमर को बढ़ा सकते हैं।
हाल के समय में मृदा संदूषण आकलन में काफी वृद्धि हुई है, जिसका कारण मृदा-पौधे संबंधों, मृदा और मृदा जैविक संबंधों, पारिस्थितिक क्षरण और पर्यावरणीय प्रभाव आकलन से उत्पन्न होने वाले स्वास्थ्य संबंधी मुद्दों की एक विस्तृत श्रृंखला है। आज तक, पारंपरिक विधियों का उपयोग करके मृदा में Ni जैसे संभावित विषैले तत्वों (PTEs) का स्थानिक पूर्वानुमान 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। मिनासनी और मैकब्रैटनी16 के अनुसार, पूर्वानुमानित मृदा मानचित्रण (DSM) मृदा विज्ञान की एक प्रमुख उप-शाखा साबित हुई है। लागाचेरी और मैकब्रैटनी, 2006 DSM को "इन सीटू और प्रयोगशाला अवलोकन विधियों और स्थानिक और गैर-स्थानिक मृदा अनुमान प्रणालियों के उपयोग के माध्यम से स्थानिक मृदा सूचना प्रणालियों का निर्माण और भरना" के रूप में परिभाषित करते हैं। मैकब्रैटनी एट अल. 17 यह रेखांकित करता है 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। भूसांख्यिकी 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 भूसांख्यिकी को “संख्यात्मक तकनीकों का संग्रह जो स्थानिक विशेषताओं के प्रतिनिधित्व से संबंधित है, मुख्य रूप से स्टोकेस्टिक मॉडल का उपयोग करते हुए, जैसे कि समय श्रृंखला विश्लेषण अस्थायी डेटा को कैसे दर्शाता है” के रूप में परिभाषित करते हैं। मुख्य रूप से, भूसांख्यिकी में वैरियोग्राम का मूल्यांकन शामिल है, जो प्रत्येक डेटासेट20 से स्थानिक मूल्यों की निर्भरता को मात्रात्मक रूप से परिभाषित करने की अनुमति देता है। Gumiaux et al. 20 आगे यह दर्शाता है कि भूसांख्यिकी में वैरियोग्राम का मूल्यांकन तीन सिद्धांतों पर आधारित है, जिनमें शामिल हैं (क) डेटा सहसंबंध के पैमाने की गणना करना, (ख) डेटासेट असमानता में विषमता की पहचान और गणना करना और (ग) स्थानीय प्रभावों से अलग किए गए माप डेटा की अंतर्निहित त्रुटि को ध्यान में रखने के अलावा, क्षेत्रीय प्रभावों का भी अनुमान लगाना। इन अवधारणाओं के आधार पर, भूसांख्यिकी में कई प्रक्षेपण तकनीकों का उपयोग किया जाता है, जिनमें सामान्य क्रिगिंग, सह-क्रिगिंग, साधारण क्रिगिंग, अनुभवजन्य बायेसियन क्रिगिंग, सरल क्रिगिंग विधि और अन्य प्रसिद्ध प्रक्षेपण तकनीकें शामिल हैं, जिनका उपयोग पीटीई, मृदा विशेषताओं और मृदा प्रकारों का मानचित्रण या पूर्वानुमान करने के लिए किया जाता है।
मशीन लर्निंग एल्गोरिदम (MLA) एक अपेक्षाकृत नई तकनीक है जो बड़े गैर-रेखीय डेटा वर्गों का उपयोग करती है, और मुख्य रूप से डेटा माइनिंग, डेटा में पैटर्न की पहचान करने और मृदा विज्ञान जैसे वैज्ञानिक क्षेत्रों में वर्गीकरण और अन्य कार्यों में बार-बार उपयोग किए जाने वाले एल्गोरिदम द्वारा संचालित होती है। कई शोध पत्र मृदा में PTE की भविष्यवाणी करने के लिए MLA मॉडल पर आधारित हैं, जैसे कि टैन एट अल. 22 (कृषि मृदा में भारी धातु अनुमान के लिए रैंडम फ़ॉरेस्ट), साकिज़ादेह एट अल. 23 (समर्थन वेक्टर मशीनों और कृत्रिम तंत्रिका नेटवर्क का उपयोग करके मृदा प्रदूषण का मॉडलिंग)। इसके अलावा, वेगा एट अल. 24 (मृदा में भारी धातु प्रतिधारण और सोखने के मॉडलिंग के लिए CART), सन एट अल. 25 (मृदा में Cd के वितरण में क्यूबिस्ट का अनुप्रयोग) और अन्य एल्गोरिदम जैसे कि k-निकटतम पड़ोसी, सामान्यीकृत बूस्टेड रिग्रेशन और बूस्टेड रिग्रेशन ट्रीज़ ने भी मृदा में PTE की भविष्यवाणी करने के लिए MLA का उपयोग किया है।
भविष्यवाणी या मानचित्रण में डीएसएम एल्गोरिदम के अनुप्रयोग को कई चुनौतियों का सामना करना पड़ता है। कई लेखकों का मानना ​​है कि एमएलए भूसांख्यिकी से बेहतर है और इसके विपरीत भी। हालांकि एक दूसरे से बेहतर है, दोनों का संयोजन डीएसएम में मानचित्रण या भविष्यवाणी की सटीकता के स्तर को बेहतर बनाता है।15 वुडकॉक और गोपाल26, फिंके27; पोंटियस और चेउक28 और ग्रुनवाल्ड29 ने पूर्वानुमानित मृदा मानचित्रण में कमियों और कुछ त्रुटियों पर टिप्पणी की है। मृदा वैज्ञानिकों ने डीएसएम मानचित्रण और पूर्वानुमान की प्रभावशीलता, सटीकता और पूर्वानुमान क्षमता को अनुकूलित करने के लिए कई तकनीकों का प्रयास किया 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, एग्येमन एट अल.15 ने बताया है कि मानचित्र निर्माण और भविष्यवाणी द्वारा पेश किए गए सत्यापन व्यवहार और अनिश्चितता को मानचित्र की गुणवत्ता में सुधार के लिए स्वतंत्र रूप से मान्य किया जाना चाहिए। डीएसएम की सीमाएं भौगोलिक रूप से बिखरी हुई मृदा गुणवत्ता के कारण हैं, जिसमें अनिश्चितता का एक घटक शामिल है; हालाँकि, डीएसएम में अनिश्चितता कई त्रुटियों के स्रोतों से उत्पन्न हो सकती है, जैसे कि सहचर त्रुटि, मॉडल त्रुटि, स्थान त्रुटि और विश्लेषणात्मक त्रुटि 31। एमएलए और भूसांख्यिकीय प्रक्रियाओं में उत्पन्न मॉडलिंग अशुद्धियाँ समझ की कमी से जुड़ी होती हैं, जो अंततः वास्तविक प्रक्रिया के अत्यधिक सरलीकरण की ओर ले जाती हैं 32। मॉडलिंग की प्रकृति चाहे जो भी हो, अशुद्धियों का श्रेय मॉडलिंग मापदंडों, गणितीय मॉडल भविष्यवाणियों या प्रक्षेपण को दिया जा सकता है 33। हाल ही में, एक नया डीएसएम चलन उभरा है जो मानचित्रण और पूर्वानुमान में भूसांख्यिकी और एमएलए के एकीकरण को बढ़ावा देता है। कई मृदा वैज्ञानिकों और लेखकों, जैसे कि सर्गेव एट अल. 34; सुब्बोटिना एट अल. 35; तारासोव एट अल. 36 और तारासोव एट अल. 37 ने पूर्वानुमान और मानचित्रण की दक्षता में सुधार करने वाले संकर मॉडल बनाने के लिए भूसांख्यिकी और मशीन लर्निंग की सटीक गुणवत्ता का लाभ उठाया है। गुणवत्ता। इनमें से कुछ हाइब्रिड या संयुक्त एल्गोरिदम मॉडल आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग (ANN-RK), मल्टीलेयर परसेप्ट्रॉन रेसिडुअल क्रिगिंग (MLP-RK), जनरलाइज्ड रिग्रेशन न्यूरल नेटवर्क रेसिडुअल क्रिगिंग (GR-NNRK)36, आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग-मल्टीलेयर परसेप्ट्रॉन (ANN-K-MLP)37 और को-क्रिगिंग और गॉसियन प्रोसेस रिग्रेशन38 हैं।
सर्गीव एट अल. के अनुसार, विभिन्न मॉडलिंग तकनीकों को संयोजित करने से एकल मॉडल विकसित करने की तुलना में परिणामी हाइब्रिड मॉडल की कमियों को दूर करने और उसकी दक्षता बढ़ाने की क्षमता होती है। इस संदर्भ में, यह नया शोध पत्र तर्क देता है कि शहरी और अर्ध-शहरी क्षेत्रों में Ni संवर्धन की भविष्यवाणी करने के लिए इष्टतम हाइब्रिड मॉडल बनाने हेतु भूसांख्यिकी और MLA के संयुक्त एल्गोरिदम को लागू करना आवश्यक है। यह अध्ययन आधार मॉडल के रूप में एम्पीरिकल बेयसियन क्रिगिंग (EBK) पर निर्भर करेगा और इसे सपोर्ट वेक्टर मशीन (SVM) और मल्टीपल लीनियर रिग्रेशन (MLR) मॉडल के साथ मिश्रित करेगा। किसी भी MLA के साथ EBK का संकरण ज्ञात नहीं है। देखे गए कई मिश्रित मॉडल साधारण, अवशिष्ट, रिग्रेशन क्रिगिंग और MLA के संयोजन हैं। EBK एक भूसांख्यिकीय 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, जो स्थानिक भिन्नता की अनुमति देता है। 39 EBK का उपयोग विभिन्न अध्ययनों में किया गया है, जिसमें कृषि में कार्बनिक कार्बन के वितरण का विश्लेषण भी शामिल है। मृदा40, मृदा प्रदूषण का आकलन41 और मृदा गुणों का मानचित्रण42।
दूसरी ओर, सेल्फ-ऑर्गेनाइजिंग ग्राफ (SeOM) एक लर्निंग एल्गोरिदम है जिसका उपयोग ली एट अल. 43, वांग एट अल. 44, हुसैन भुइयां एट अल. 45 और केबोनी एट अल. 46 जैसे विभिन्न लेखों में किया गया है, जो तत्वों के स्थानिक गुणों और समूहीकरण को निर्धारित करते हैं। वांग एट अल. 44 बताते हैं कि SeOM एक शक्तिशाली लर्निंग तकनीक है जो गैर-रेखीय समस्याओं को समूहित करने और उनकी कल्पना करने की क्षमता के लिए जानी जाती है। प्रिंसिपल कंपोनेंट एनालिसिस, फजी क्लस्टरिंग, हायरार्किकल क्लस्टरिंग और मल्टी-क्राइटेरिया डिसीजन मेकिंग जैसी अन्य पैटर्न रिकग्निशन तकनीकों के विपरीत, SeOM पीटीई पैटर्न को व्यवस्थित करने और पहचानने में बेहतर है। वांग एट अल. 44 के अनुसार, SeOM संबंधित न्यूरॉन्स के वितरण को स्थानिक रूप से समूहित कर सकता है और उच्च-रिज़ॉल्यूशन डेटा विज़ुअलाइज़ेशन प्रदान कर सकता है। SeOM प्रत्यक्ष व्याख्या के लिए परिणामों को चिह्नित करने हेतु सर्वोत्तम मॉडल प्राप्त करने के लिए Ni भविष्यवाणी डेटा को विज़ुअलाइज़ करेगा।
इस शोधपत्र का उद्देश्य शहरी और अर्ध-शहरी मृदाओं में निकेल की मात्रा का सटीक पूर्वानुमान लगाने के लिए इष्टतम सटीकता वाला एक सुदृढ़ मानचित्रण मॉडल विकसित करना है। हमारा मानना ​​है 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 यद्यपि इन चुनौतियों का कई मोर्चों पर समाधान किया जा रहा है, भूसांख्यिकी और एमएलए मॉडलों में प्रगति का संयोजन क्रमिक प्रतीत होता है; इसलिए, हम उन शोध प्रश्नों के उत्तर देने का प्रयास करेंगे जिनसे मिश्रित मॉडल प्राप्त हो सकें। हालाँकि, लक्षित तत्व का पूर्वानुमान लगाने में मॉडल कितना सटीक है? साथ ही, सत्यापन और सटीकता मूल्यांकन के आधार पर दक्षता मूल्यांकन का स्तर क्या है? इसलिए, इस अध्ययन के विशिष्ट लक्ष्य थे: (क) ईबीके को आधार मॉडल के रूप में उपयोग करके एसवीएमआर या एमएलआर के लिए एक संयुक्त मिश्रण मॉडल बनाना, (ख) परिणामी मॉडलों की तुलना करना, (ग) शहरी या अर्ध-शहरी मृदाओं में निकेल सांद्रता का पूर्वानुमान लगाने के लिए सर्वोत्तम मिश्रण मॉडल प्रस्तावित करना, और (घ) निकेल स्थानिक भिन्नता का उच्च-रिज़ॉल्यूशन मानचित्र बनाने के लिए एसईओएम का अनुप्रयोग करना।
यह अध्ययन चेक गणराज्य में, विशेष रूप से मोराविया-सिलेज़ियन क्षेत्र के फ्राइडेक मिस्टेक जिले में किया जा रहा है (चित्र 1 देखें)। अध्ययन क्षेत्र का भूगोल बहुत ऊबड़-खाबड़ है और यह अधिकतर मोराविया-सिलेज़ियन बेस्किडी क्षेत्र का हिस्सा है, जो कार्पेथियन पर्वत श्रृंखला के बाहरी किनारे का भाग है। अध्ययन क्षेत्र 49° 41′ 0′ उत्तर और 18° 20′ 0′ पूर्व के बीच स्थित है, और इसकी ऊंचाई 225 से 327 मीटर के बीच है। हालाँकि, इस क्षेत्र की जलवायु स्थिति के लिए कोपेन वर्गीकरण प्रणाली इसे Cfb = शीतोष्ण महासागरीय जलवायु के रूप में रेट करती है। शुष्क महीनों में भी यहाँ काफी वर्षा होती है। तापमान पूरे वर्ष -5°C और 24°C के बीच थोड़ा बदलता रहता है, शायद ही कभी -14°C से नीचे या 30°C से ऊपर जाता 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% कृषि योग्य भूमि और 49.36% वन क्षेत्र शामिल है। दूसरी ओर, इस अध्ययन में उपयोग किया गया क्षेत्र लगभग 889.8 वर्ग किलोमीटर है। ओस्ट्रावा और उसके आसपास इस्पात उद्योग और धातु उद्योग बहुत सक्रिय हैं। धातु मिलें, इस्पात उद्योग जहाँ स्टेनलेस स्टील (उदाहरण के लिए वायुमंडलीय संक्षारण के प्रतिरोध के लिए) और मिश्र धातु इस्पात (निकल मिश्र धातु की अच्छी लचीलता और कठोरता को बनाए रखते हुए उसकी मजबूती बढ़ाता है) में निकल का उपयोग किया जाता है। इस क्षेत्र में फॉस्फेट उर्वरक के प्रयोग और पशुधन उत्पादन जैसी गहन कृषि, निकेल के संभावित स्रोत हैं (उदाहरण के लिए, मेमनों की वृद्धि दर बढ़ाने के लिए उनमें निकेल मिलाना और कम आहार वाले मवेशियों में निकेल मिलाना)। अनुसंधान क्षेत्रों में निकेल के अन्य औद्योगिक उपयोगों में इलेक्ट्रोप्लेटिंग शामिल है, जिसमें इलेक्ट्रोप्लेटिंग निकेल और इलेक्ट्रोलेस निकेल 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 पदार्थ से प्राप्त होती है। ये कोल्यूवियल, जलोढ़ या वायुजनित प्रकृति की होती हैं। कुछ मिट्टी के क्षेत्रों की सतह और उपमृदा धब्बेदार दिखाई देती है, अक्सर कंक्रीट और ब्लीचिंग के साथ। हालांकि, कैम्बिसोल और स्टैग्नोसोल इस क्षेत्र में सबसे आम मिट्टी के प्रकार हैं48। 455.1 से 493.5 मीटर की ऊंचाई वाले चेक गणराज्य में कैम्बिसोल का प्रभुत्व है49।
अध्ययन क्षेत्र का मानचित्र [अध्ययन क्षेत्र का मानचित्र ArcGIS Desktop (ESRI, Inc, संस्करण 10.7, URL: https://desktop.arcgis.com) का उपयोग करके बनाया गया था।]
फ्राइडेक मिस्टेक जिले के शहरी और अर्ध-शहरी क्षेत्रों की मिट्टी से कुल 115 ऊपरी मिट्टी के नमूने प्राप्त किए गए। नमूना लेने के लिए नियमित ग्रिड का उपयोग किया गया, जिसमें मिट्टी के नमूने 2 × 2 किमी की दूरी पर रखे गए थे, और ऊपरी मिट्टी की माप 0 से 20 सेमी की गहराई पर एक हैंडहेल्ड जीपीएस डिवाइस (लीका ज़ेनो 5 जीपीएस) का उपयोग करके की गई थी। नमूनों को ज़िपलॉक बैग में पैक किया गया, उन पर उचित लेबल लगाए गए और प्रयोगशाला में भेजा गया। नमूनों को हवा में सुखाकर बारीक पाउडर बनाया गया, फिर उन्हें एक यांत्रिक प्रणाली (फ्रिट्श डिस्क मिल) द्वारा पीसा गया और 2 मिमी आकार की छलनी से छाना गया। 1 ग्राम सूखे, समरूप और छाने हुए मिट्टी के नमूनों को स्पष्ट रूप से लेबल की गई टेफ्लॉन बोतलों में रखें। प्रत्येक टेफ्लॉन पात्र में 7 मिलीलीटर 35% एचसीएल और 3 मिलीलीटर 65% एचएनओ3 डालें (प्रत्येक अम्ल के लिए एक स्वचालित डिस्पेंसर का उपयोग करके), हल्का सा ढक दें और नमूनों को प्रतिक्रिया के लिए रात भर रखा रहने दें (एक्वा रेजिया प्रोग्राम)। नमूनों के पाचन की प्रक्रिया को सुगम बनाने के लिए, सुपरनेटेंट को 2 घंटे के लिए एक गर्म धातु की प्लेट (तापमान: 100 W और 160 °C) पर रखें, फिर ठंडा करें। सुपरनेटेंट को 50 मिलीलीटर वॉल्यूमेट्रिक फ्लास्क में स्थानांतरित करें और विआयनीकृत जल से 50 मिलीलीटर तक तनु करें। इसके बाद, तनु किए गए सुपरनेटेंट को विआयनीकृत जल से छानकर 50 मिलीलीटर पीवीसी ट्यूब में डालें। इसके अतिरिक्त, तनुकरण घोल के 1 मिलीलीटर को 9 मिलीलीटर विआयनीकृत जल से तनु किया गया और पीटीई छद्म-सांद्रण के लिए तैयार 12 मिलीलीटर ट्यूब में छान लिया गया। पीटीई (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) की सांद्रता को मानक विधियों और समझौते के अनुसार आईसीपी-ओईएस (इंडक्टिवली कपल्ड प्लाज्मा ऑप्टिकल एमिशन स्पेक्ट्रोस्कोपी) (थर्मो फिशर साइंटिफिक, यूएसए) द्वारा निर्धारित किया गया। गुणवत्ता आश्वासन और नियंत्रण (क्यूए/क्यूसी) प्रक्रियाओं (एसआरएम एनआईएसटी) का पालन सुनिश्चित करें। 2711a मोंटाना II मृदा)। आधे से कम पहचान सीमा वाले पीटीई को इस अध्ययन से बाहर रखा गया था। इस अध्ययन में प्रयुक्त पीटीई की पहचान सीमा 0.0004 थी। इसके अतिरिक्त, प्रत्येक विश्लेषण के लिए गुणवत्ता नियंत्रण और गुणवत्ता आश्वासन प्रक्रिया को संदर्भ मानकों का विश्लेषण करके सुनिश्चित किया गया। त्रुटियों को कम करने के लिए, दोहरा विश्लेषण किया गया।
अनुभवजन्य बायेसियन क्रिगिंग (ईबीके) भूसांख्यिकीय प्रक्षेपण तकनीकों में से एक है जिसका उपयोग मृदा विज्ञान जैसे विभिन्न क्षेत्रों में मॉडलिंग के लिए किया जाता है। अन्य क्रिगिंग प्रक्षेपण तकनीकों के विपरीत, ईबीके पारंपरिक क्रिगिंग विधियों से इस मायने में भिन्न है कि यह सेमीवेरियोग्राम मॉडल द्वारा अनुमानित त्रुटि पर विचार करता है। ईबीके प्रक्षेपण में, एक सेमीवेरियोग्राम के बजाय, प्रक्षेपण के दौरान कई सेमीवेरियोग्राम मॉडल की गणना की जाती है। प्रक्षेपण तकनीकें सेमीवेरियोग्राम के इस प्लॉटिंग से जुड़ी अनिश्चितता और प्रोग्रामिंग के लिए मार्ग प्रशस्त करती हैं, जो एक पर्याप्त क्रिगिंग विधि का एक अत्यंत जटिल हिस्सा है। ईबीके की प्रक्षेपण प्रक्रिया क्रिवोरुचको50 द्वारा प्रस्तावित तीन मानदंडों का पालन करती है: (क) मॉडल इनपुट डेटासेट से सेमीवेरियोग्राम का अनुमान लगाता है (ख) उत्पन्न सेमीवेरियोग्राम के आधार पर प्रत्येक इनपुट डेटासेट स्थान के लिए नया अनुमानित मान और (ग) अंतिम मॉडल की गणना एक सिम्युलेटेड डेटासेट से की जाती है। बायेसियन समीकरण नियम को पश्चवर्ती के रूप में दिया गया है।
जहां \(Prob\left(A\right)\) प्रायर प्रायिकता को दर्शाता है, वहीं \(Prob\left(B\right)\) सीमांत प्रायिकता को अधिकतर मामलों में अनदेखा किया जाता है, \(Prob (B,A)\ )। सेमीवेरियोग्राम की गणना बेयस के नियम पर आधारित है, जो सेमीवेरियोग्राम से बनाए जा सकने वाले अवलोकन डेटासेट की प्रवृत्ति को दर्शाता है। सेमीवेरियोग्राम का मान फिर बेयस के नियम का उपयोग करके निर्धारित किया जाता है, जो बताता है कि सेमीवेरियोग्राम से अवलोकनों का डेटासेट बनाने की कितनी संभावना है।
सपोर्ट वेक्टर मशीन एक मशीन लर्निंग एल्गोरिदम है जो समान लेकिन रैखिक रूप से स्वतंत्र नहीं होने वाले वर्गों को अलग करने के लिए एक इष्टतम पृथक्करण हाइपरप्लेन उत्पन्न करता है। वैपनिक51 ने आशय वर्गीकरण एल्गोरिदम बनाया, लेकिन हाल ही में इसका उपयोग प्रतिगमन-उन्मुख समस्याओं को हल करने के लिए किया गया है। ली एट अल.52 के अनुसार, एसवीएम सबसे अच्छी क्लासिफायर तकनीकों में से एक है और इसका उपयोग विभिन्न क्षेत्रों में किया गया है। इस विश्लेषण में एसवीएम के प्रतिगमन घटक (सपोर्ट वेक्टर मशीन रिग्रेशन - एसवीएमआर) का उपयोग किया गया था। चेरकास्की और मुलियर53 ने कर्नेल-आधारित प्रतिगमन के रूप में एसवीएमआर का नेतृत्व किया, जिसकी गणना बहु-देशीय स्थानिक कार्यों के साथ एक रैखिक प्रतिगमन मॉडल का उपयोग करके की गई थी। जॉन एट अल54 रिपोर्ट करते हैं कि एसवीएमआर मॉडलिंग हाइपरप्लेन रैखिक प्रतिगमन का उपयोग करता है, जो गैर-रैखिक संबंध बनाता है और स्थानिक कार्यों की अनुमति देता है। वोहलैंड एट अल. के अनुसार 55, एप्सिलॉन (ε)-SVMR प्रशिक्षित डेटासेट का उपयोग करके एक प्रतिनिधित्व मॉडल प्राप्त करता है जो एप्सिलॉन-असंवेदनशील फ़ंक्शन के रूप में होता है और सहसंबंधित डेटा पर प्रशिक्षण से प्राप्त सर्वोत्तम एप्सिलॉन पूर्वाग्रह के साथ डेटा को स्वतंत्र रूप से मैप करने के लिए लागू होता है। पूर्व निर्धारित दूरी त्रुटि को वास्तविक मान से अनदेखा किया जाता है, और यदि त्रुटि ε(ε) से अधिक है, तो मिट्टी के गुणधर्म इसकी भरपाई करते हैं। यह मॉडल प्रशिक्षण डेटा की जटिलता को समर्थन वैक्टर के एक व्यापक उपसमुच्चय तक कम करता है। वैपनिक51 द्वारा प्रस्तावित समीकरण नीचे दिखाया गया है।
जहां b स्केलर थ्रेशोल्ड को दर्शाता है, \(K\left({x}_{,}{ x}_{k}\right)\) कर्नेल फ़ंक्शन को दर्शाता है, \(\alpha\) लैग्रेंज मल्टीप्लायर को दर्शाता है, N एक संख्यात्मक डेटासेट को दर्शाता है, \({x}_{k}\) डेटा इनपुट को दर्शाता है, और \(y\) डेटा आउटपुट है। उपयोग किए जाने वाले प्रमुख कर्नेल में से एक SVMR ऑपरेशन है, जो एक गाऊसीयन रेडियल बेसिस फ़ंक्शन (RBF) है। RBF कर्नेल का उपयोग इष्टतम SVMR मॉडल निर्धारित करने के लिए किया जाता है, जो PTE प्रशिक्षण डेटा के लिए सबसे सूक्ष्म पेनाल्टी 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। उपयोग किया गया स्टीयरिंग पैरामीटर सिग्मा है और विधि मान svmRadial है।
बहु रेखीय प्रतिगमन मॉडल (MLR) एक प्रतिगमन मॉडल है जो न्यूनतम वर्ग विधि का उपयोग करके परिकलित रेखीय पूल्ड मापदंडों का उपयोग करके प्रतिक्रिया चर और कई भविष्यसूचक चरों के बीच संबंध को दर्शाता है। MLR में, न्यूनतम वर्ग मॉडल व्याख्यात्मक चरों के चयन के बाद मृदा गुणों का एक पूर्वानुमानित फलन होता है। व्याख्यात्मक चरों का उपयोग करके रेखीय संबंध स्थापित करने के लिए प्रतिक्रिया चर का उपयोग करना आवश्यक है। व्याख्यात्मक चरों के साथ रेखीय संबंध स्थापित करने के लिए PTE को प्रतिक्रिया चर के रूप में उपयोग किया गया था। MLR समीकरण इस प्रकार है:
जहां y प्रतिक्रिया चर है, \(a\) अवरोधन है, n भविष्यवाणियों की संख्या है, \({b}_{1}\) गुणांकों का आंशिक प्रतिगमन है, \({x}_{ i}\) एक भविष्यवक्ता 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।
EBK को SVMR और MLR के साथ मिलाकर मिश्रित मॉडल प्राप्त किए गए। यह EBK इंटरपोलेशन से अनुमानित मानों को निकालकर किया गया। इंटरपोलेटेड Ca, K और Mg से प्राप्त अनुमानित मानों को एक संयोजनात्मक प्रक्रिया के माध्यम से CaK, CaMg और KMg जैसे नए चर प्राप्त करने के लिए उपयोग किया गया। फिर Ca, K और Mg तत्वों को मिलाकर एक चौथा चर, CaKMg प्राप्त किया गया। कुल मिलाकर, प्राप्त चर Ca, K, Mg, CaK, CaMg, KMg और CaKMg हैं। ये चर हमारे भविष्यवक्ता बन गए, जो शहरी और अर्ध-शहरी मिट्टी में निकेल सांद्रता का अनुमान लगाने में सहायक हैं। SVMR एल्गोरिदम को भविष्यवक्ताओं पर लागू करके एक मिश्रित मॉडल एम्पीरिकल बेयसियन क्रिगिंग-सपोर्ट वेक्टर मशीन (EBK_SVM) प्राप्त किया गया। इसी प्रकार, चरों को MLR एल्गोरिदम के माध्यम से भी लागू करके एक मिश्रित मॉडल एम्पीरिकल बेयसियन क्रिगिंग-मल्टीपल लीनियर रिग्रेशन प्राप्त किया गया। (EBK_MLR)। आमतौर पर, शहरी और अर्ध-शहरी मिट्टी में Ni की मात्रा के पूर्वानुमान के लिए Ca, K, Mg, CaK, CaMg, KMg और CaKMg चरों का उपयोग सहचर के रूप में किया जाता है। प्राप्त सबसे उपयुक्त मॉडल (EBK_SVM या EBK_MLR) को स्व-संगठित ग्राफ का उपयोग करके दर्शाया जाएगा। इस अध्ययन की कार्यप्रणाली चित्र 2 में दिखाई गई है।
वित्तीय क्षेत्र, स्वास्थ्य सेवा, उद्योग, सांख्यिकी, मृदा विज्ञान और अन्य क्षेत्रों में डेटा को व्यवस्थित करने, मूल्यांकन करने और पूर्वानुमान लगाने के लिए SeOM का उपयोग एक लोकप्रिय उपकरण बन गया है। SeOM को संगठन, मूल्यांकन और भविष्यवाणी के लिए कृत्रिम तंत्रिका नेटवर्क और अनसुपरवाइज्ड लर्निंग विधियों का उपयोग करके बनाया गया है। इस अध्ययन में, शहरी और अर्ध-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। मेल्सन एट अल. अनुच्छेद 57 में एक इनपुट वेक्टर के एकल इनपुट परत के माध्यम से एक एकल भार वेक्टर वाले आउटपुट वेक्टर से तंत्रिका नेटवर्क में कनेक्शन का वर्णन किया गया है। SeOM द्वारा उत्पन्न आउटपुट एक द्वि-आयामी मानचित्र है जिसमें विभिन्न न्यूरॉन्स या नोड्स उनकी निकटता के अनुसार षट्कोणीय, वृत्ताकार या वर्गाकार स्थलाकृतिक मानचित्रों में बुने होते हैं। मीट्रिक, परिमाणीकरण त्रुटि (QE) और स्थलाकृतिक त्रुटि (TE) के आधार पर मानचित्र आकारों की तुलना करने पर, 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 को अनुभवजन्य समीकरण में नोड्स की संख्या के अनुसार निर्धारित किया जाता है।
इस अध्ययन में उपयोग किए गए डेटा की संख्या 115 नमूने हैं। डेटा को परीक्षण डेटा (सत्यापन के लिए 25%) और प्रशिक्षण डेटा सेट (कैलिब्रेशन के लिए 75%) में विभाजित करने के लिए एक यादृच्छिक दृष्टिकोण का उपयोग किया गया था। प्रशिक्षण डेटा सेट का उपयोग प्रतिगमन मॉडल (कैलिब्रेशन) उत्पन्न करने के लिए किया जाता है, और परीक्षण डेटा सेट का उपयोग सामान्यीकरण क्षमता को सत्यापित करने के लिए किया जाता है।58 यह मिट्टी में निकेल की मात्रा का पूर्वानुमान लगाने के लिए विभिन्न मॉडलों की उपयुक्तता का आकलन करने के लिए किया गया था। उपयोग किए गए सभी मॉडल दस गुना क्रॉस-वैलिडेशन प्रक्रिया से गुजरे, जिसे पांच बार दोहराया गया। EBK इंटरपोलेशन द्वारा उत्पन्न चर का उपयोग लक्ष्य चर (PTE) का पूर्वानुमान लगाने के लिए भविष्यवक्ता या व्याख्यात्मक चर के रूप में किया जाता है। मॉडलिंग RStudio में पैकेज लाइब्रेरी (Kohonen), लाइब्रेरी (caret), लाइब्रेरी (modelr), लाइब्रेरी (“e1071″), लाइब्रेरी (“plyr”), लाइब्रेरी (“caTools”), लाइब्रेरी (” prospectr”) और लाइब्रेरी (“Metrics”) का उपयोग करके की जाती है।
मिट्टी में निकेल सांद्रता की भविष्यवाणी के लिए उपयुक्त सर्वोत्तम मॉडल निर्धारित करने और मॉडल की सटीकता और उसके सत्यापन का मूल्यांकन करने के लिए विभिन्न सत्यापन मापदंडों का उपयोग किया गया था। संकरण मॉडल का मूल्यांकन माध्य निरपेक्ष त्रुटि (MAE), मूल माध्य वर्ग त्रुटि (RMSE), और R-वर्ग या गुणांक निर्धारण (R2) का उपयोग करके किया गया था। R2 प्रतिगमन मॉडल द्वारा दर्शाए गए उत्तर में अनुपातों के विचरण को परिभाषित करता है। स्वतंत्र मापों में RMSE और विचरण परिमाण मॉडल की पूर्वानुमान शक्ति का वर्णन करते हैं, जबकि MAE वास्तविक मात्रात्मक मान 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 उससे अधिक का R2 मानदंड मान एक अच्छा भविष्यवक्ता माना जाता है; 0.5 से 0.75 तक का मान मॉडल के लिए स्वीकार्य प्रदर्शन है, और 0.5 से कम का मान अस्वीकार्य है। RMSE और MAE सत्यापन मानदंड मूल्यांकन विधियों का उपयोग करके मॉडल का चयन करते समय, प्राप्त निम्न मान पर्याप्त थे और उन्हें सर्वोत्तम विकल्प माना गया। निम्न समीकरण सत्यापन विधि का वर्णन करता है।
जहां n प्रेक्षित मान के आकार को दर्शाता है, \({Y}_{i}\) मापी गई प्रतिक्रिया को दर्शाता है, और \({\widehat{Y}}_{i}\) भी अनुमानित प्रतिक्रिया मान को दर्शाता है, इसलिए, पहले i प्रेक्षणों के लिए।
तालिका 1 में भविष्यसूचक और प्रतिक्रिया चरों का सांख्यिकीय विवरण प्रस्तुत किया गया है, जिसमें माध्य, मानक विचलन (एसडी), भिन्नता गुणांक (सीवी), न्यूनतम, अधिकतम, कुर्टोसिस और विषमता दर्शाई गई है। तत्वों के न्यूनतम और अधिकतम मान क्रमशः Mg < Ca < K < Ni और Ca < Mg < K < Ni के घटते क्रम में हैं। अध्ययन क्षेत्र से लिए गए नमूनों में प्रतिक्रिया चर (Ni) की सांद्रता 4.86 से 42.39 मिलीग्राम/किलोग्राम तक थी। विश्व औसत (29 मिलीग्राम/किलोग्राम) और यूरोपीय औसत (37 मिलीग्राम/किलोग्राम) के साथ Ni की तुलना करने पर पता चला कि अध्ययन क्षेत्र के लिए गणना किया गया कुल ज्यामितीय माध्य स्वीकार्य सीमा के भीतर था। फिर भी, जैसा कि काबाटा-पेंडियास11 द्वारा दर्शाया गया है, वर्तमान अध्ययन में औसत निकल (Ni) सांद्रता की तुलना स्वीडन की कृषि मिट्टी से करने पर पता चलता है कि वर्तमान औसत निकल सांद्रता अधिक है। इसी प्रकार, शहरी और वर्तमान अध्ययन में शहरी बाहरी क्षेत्रों की मिट्टी में निकेल की मात्रा (16.15 मिलीग्राम/किलोग्राम) रोज़ांस्की एट अल द्वारा रिपोर्ट की गई पोलिश शहरी मिट्टी में निकेल की अनुमेय सीमा (10.2 मिलीग्राम/किलोग्राम) से अधिक थी। इसके अलावा, ब्रेत्ज़ेल और काल्डेरिसी61 ने वर्तमान अध्ययन की तुलना में टस्कनी की शहरी मिट्टी में निकेल की औसत सांद्रता (1.78 मिलीग्राम/किलोग्राम) बहुत कम दर्ज की। जिम62 ने हांगकांग की शहरी मिट्टी में निकेल की कम सांद्रता (12.34 मिलीग्राम/किलोग्राम) भी पाई, जो इस अध्ययन में निकेल की वर्तमान सांद्रता से कम है। बिरके एट अल63 ने जर्मनी के सैक्सोनी-अनहाल्ट में एक पुराने खनन और शहरी औद्योगिक क्षेत्र में निकेल की औसत सांद्रता 17.6 मिलीग्राम/किलोग्राम बताई, जो उस क्षेत्र में निकेल की औसत सांद्रता (16.15 मिलीग्राम/किलोग्राम) से 1.45 मिलीग्राम/किलोग्राम अधिक थी। वर्तमान शोध में पाया गया है कि कुछ शहरी और उपनगरीय क्षेत्रों की मिट्टी में निकेल की अत्यधिक मात्रा पाई जाती है। अध्ययन क्षेत्र मुख्य रूप से लौह और इस्पात उद्योग और धातु उद्योग से संबंधित हो सकता है। यह खोदादौस्त एट अल. 64 के अध्ययन के अनुरूप है कि इस्पात उद्योग और धातु उद्योग मिट्टी में निकल संदूषण के मुख्य स्रोत हैं। हालाँकि, भविष्यवाणियों में Ca के लिए 538.70 mg/kg से 69,161.80 mg/kg, K के लिए 497.51 mg/kg से 3535.68 mg/kg और Mg के लिए 685.68 mg/kg से 5970.05 mg/kg तक की सीमाएँ थीं। जैकोवल्जेविक एट अल. 65 ने मध्य सर्बिया की मिट्टी में कुल Mg और K की मात्रा की जांच की। उन्होंने पाया कि कुल सांद्रता (क्रमशः 410 mg/kg और 400 mg/kg) वर्तमान अध्ययन में पाई गई Mg और K की सांद्रता से कम थी। इसी तरह, पूर्वी पोलैंड में, ओरज़ेचोव्स्की और स्मोलज़िंस्की66 ने Ca, Mg और K की कुल मात्रा का आकलन किया और पाया कि ऊपरी मिट्टी में Ca (1100 mg/kg), Mg (590 mg/kg) और K (810 mg/kg) की औसत सांद्रता इस अध्ययन में पाई गई एकल तत्व की मात्रा से कम है। पोंग्रैक एट अल.67 के एक हालिया अध्ययन से पता चला है कि स्कॉटलैंड, यूके (माइलनेफील्ड मिट्टी, बालरुडरी मिट्टी और हार्टवुड मिट्टी) की 3 अलग-अलग मिट्टी में विश्लेषण की गई कुल Ca मात्रा इस अध्ययन में पाई गई Ca मात्रा से अधिक थी।
नमूने के रूप में लिए गए तत्वों की मापी गई सांद्रता में भिन्नता के कारण, तत्वों के डेटा सेट वितरण में विषमता पाई जाती है। तत्वों की विषमता और कुर्टोसिस क्रमशः 1.53 से 7.24 और 2.49 से 54.16 तक थी। सभी परिकलित तत्वों की विषमता और कुर्टोसिस का स्तर +1 से अधिक है, जो दर्शाता है कि डेटा वितरण अनियमित है, दाईं ओर झुका हुआ है और शिखर पर है। तत्वों के अनुमानित सीवी से यह भी पता चलता है कि K, Mg और Ni में मध्यम परिवर्तनशीलता है, जबकि Ca में अत्यधिक परिवर्तनशीलता है। K, Ni और Mg के सीवी उनके एकसमान वितरण की व्याख्या करते हैं। इसके अलावा, Ca का वितरण असमान है और बाहरी स्रोत इसके संवर्धन स्तर को प्रभावित कर सकते हैं।
प्रेडिक्टर वैरिएबल और रिस्पॉन्स एलिमेंट्स के बीच सहसंबंध ने एलिमेंट्स के बीच संतोषजनक सहसंबंध दर्शाया (चित्र 3 देखें)। सहसंबंध से पता चला कि CaK ने r मान = 0.53 के साथ मध्यम सहसंबंध प्रदर्शित किया, जैसा कि CaNi ने भी किया। हालाँकि Ca और K एक दूसरे के साथ मामूली संबंध दिखाते हैं, किंग्स्टन एट अल जैसे शोधकर्ताओं ने... 68 और सैंटो69 का सुझाव है कि मिट्टी में इनका स्तर व्युत्क्रमानुपाती होता है। हालांकि, कैल्शियम और मैग्नीशियम पोटेशियम के विपरीत हैं, लेकिन कैल्शियम-के-लिए इनका सहसंबंध अच्छा है। इसका कारण पोटेशियम कार्बोनेट जैसे उर्वरकों का प्रयोग हो सकता है, जिसमें पोटेशियम की मात्रा 56% अधिक होती है। पोटेशियम का मैग्नीशियम के साथ मध्यम सहसंबंध पाया गया (केएम आर = 0.63)। उर्वरक उद्योग में, ये दोनों तत्व आपस में घनिष्ठ रूप से संबंधित हैं क्योंकि पोटेशियम मैग्नीशियम सल्फेट, पोटेशियम मैग्नीशियम नाइट्रेट और पोटाश को मिट्टी में इनकी कमी को दूर करने के लिए प्रयोग किया जाता है। निकेल का कैल्शियम, पोटेशियम और मैग्नीशियम के साथ मध्यम सहसंबंध है, जिनके आर मान क्रमशः 0.52, 0.63 और 0.55 हैं। कैल्शियम, मैग्नीशियम और निकेल जैसे पीटीई के बीच संबंध जटिल हैं, लेकिन फिर भी, मैग्नीशियम कैल्शियम के अवशोषण को रोकता है, कैल्शियम अतिरिक्त मैग्नीशियम के प्रभावों को कम करता है, और मैग्नीशियम और कैल्शियम दोनों मिट्टी में निकेल के विषाक्त प्रभावों को कम करते हैं।
प्रेडिक्टर्स और रिस्पॉन्स के बीच संबंध दर्शाने वाले तत्वों के लिए सहसंबंध मैट्रिक्स (नोट: इस चित्र में तत्वों के बीच एक स्कैटरप्लॉट शामिल है, सार्थकता 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 हॉटस्पॉट को मापने और उजागर करने के लिए उपयोग की जाने वाली एक तकनीक है। चित्र 4 में कैल्शियम (Ca) के संवर्धन स्तर को स्थानिक वितरण मानचित्र के उत्तर-पश्चिमी भाग में देखा जा सकता है। यह चित्र मध्यम से उच्च कैल्शियम संवर्धन हॉटस्पॉट को दर्शाता है। मानचित्र के उत्तर-पश्चिम में कैल्शियम संवर्धन संभवतः मिट्टी की अम्लता को कम करने के लिए क्विकलाइम (कैल्शियम ऑक्साइड) के उपयोग और इस्पात निर्माण प्रक्रिया में क्षारीय ऑक्सीजन के रूप में इस्पात मिलों में इसके उपयोग के कारण है। दूसरी ओर, अन्य किसान अम्लीय मिट्टी में पीएच को बेअसर करने के लिए कैल्शियम हाइड्रॉक्साइड का उपयोग करना पसंद करते हैं, जिससे मिट्टी में कैल्शियम की मात्रा भी बढ़ जाती है71। पोटेशियम भी मानचित्र के उत्तर-पश्चिम और पूर्व में हॉटस्पॉट दिखाता है। उत्तर-पश्चिम एक प्रमुख कृषि समुदाय है, और पोटेशियम का मध्यम से उच्च पैटर्न एनपीके और पोटाश के अनुप्रयोगों के कारण हो सकता है। यह अन्य अध्ययनों, जैसे कि मदारास और लिपावस्की72, मदारास एट अल, आदि के अनुरूप है। अल.73, पुलक्राबोवा एट अल.74, असारे एट अल.75, जिन्होंने पाया कि मिट्टी के स्थिरीकरण और KCl तथा NPK से उपचार के परिणामस्वरूप मिट्टी में पोटेशियम की मात्रा अधिक हो जाती है। वितरण मानचित्र के उत्तर-पश्चिम में स्थानिक पोटेशियम संवर्धन पोटेशियम-आधारित उर्वरकों जैसे पोटेशियम क्लोराइड, पोटेशियम सल्फेट, पोटेशियम नाइट्रेट, पोटाश और पोटाश के उपयोग के कारण हो सकता है, जिससे खराब मिट्टी में पोटेशियम की मात्रा बढ़ जाती है। ज़ादोरोवा एट अल. 76 और ट्लुस्टोस एट अल. 77 में बताया गया है कि पोटेशियम-आधारित उर्वरकों के प्रयोग से मिट्टी में पोटेशियम की मात्रा बढ़ जाती है और दीर्घकाल में मिट्टी के पोषक तत्वों की मात्रा में उल्लेखनीय वृद्धि होती है, विशेष रूप से पोटेशियम और मैग्नीशियम की, जो मिट्टी में एक हॉटस्पॉट दर्शाते हैं। मानचित्र के उत्तर-पश्चिम और दक्षिण-पूर्व में अपेक्षाकृत मध्यम हॉटस्पॉट पाए गए। मिट्टी में कोलाइडल स्थिरीकरण से मिट्टी में मैग्नीशियम की सांद्रता कम हो जाती है। मिट्टी में इसकी कमी से पौधों में पीली शिरा क्लोरोसिस दिखाई देती है। पोटेशियम मैग्नीशियम सल्फेट, मैग्नीशियम सल्फेट और कीसेराइट जैसे मैग्नीशियम-आधारित उर्वरक सामान्य पीएच सीमा वाली मिट्टी में मैग्नीशियम की कमी (पौधे बैंगनी, लाल या भूरे रंग के दिखाई देते हैं, जो मैग्नीशियम की कमी को दर्शाते हैं) का उपचार करते हैं। 6 शहरी और अर्ध-शहरी मिट्टी की सतहों पर निकेल का संचय कृषि जैसी मानवजनित गतिविधियों और स्टेनलेस स्टील उत्पादन में निकेल के महत्व के कारण हो सकता है। 78
तत्वों का स्थानिक वितरण [स्थानिक वितरण मानचित्र ArcGIS Desktop (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 का RMSE और MAE दोनों शून्य के करीब हैं (0.86 RMSE, -0.08 MAE)। वहीं, 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 के MAE और RMSE परिणाम अधिक हैं। Ni का अनुमान लगाने के लिए EBK का उपयोग करके किए गए इस अध्ययन के RMSE और MAE, जॉन एट अल. 54 द्वारा समान एकत्रित डेटा का उपयोग करके मिट्टी में S सांद्रता का अनुमान लगाने के लिए सहक्रियात्मक क्रिगिंग का उपयोग करने के परिणामों से बेहतर पाए गए। हमारे द्वारा अध्ययन किए गए EBK आउटपुट, फैबिजाक एट अल. 41, यान एट अल. 79, बेगुइन एट अल. 80, अधकारी एट अल. 81 और जॉन एट अल. 82 के आउटपुट से मेल खाते हैं, विशेष रूप से K और Ni के मामले में।
शहरी और अर्ध-शहरी मिट्टी में निकेल की मात्रा का पूर्वानुमान लगाने के लिए व्यक्तिगत विधियों के प्रदर्शन का मूल्यांकन मॉडलों के प्रदर्शन का उपयोग करके किया गया (तालिका 3)। मॉडल सत्यापन और सटीकता मूल्यांकन ने पुष्टि की कि EBK SVMR मॉडल के साथ संयुक्त Ca_Mg_K भविष्यवक्ता ने सर्वोत्तम प्रदर्शन दिया। अंशांकन मॉडल Ca_Mg_K-EBK_SVMR मॉडल का R2, रूट मीन स्क्वायर एरर (RMSE) और मीन एब्सोल्यूट एरर (MAE) क्रमशः 0.637 (R2), 95.479 mg/kg (RMSE) और 77.368 mg/kg (MAE) था, जबकि Ca_Mg_K-SVMR का R2 क्रमशः 0.663 (R2), 235.974 mg/kg (RMSE) और 166.946 mg/kg (MAE) था। फिर भी, Ca_Mg_K-SVMR (0.663 mg/kg R2) के लिए अच्छे R2 मान प्राप्त हुए। Ca_Mg-EBK_SVMR (0.643 = R2); उनके RMSE और MAE परिणाम Ca_Mg_K-EBK_SVMR (R2 0.637) की तुलना में अधिक थे (तालिका 3 देखें)। इसके अतिरिक्त, Ca_Mg-EBK_SVMR मॉडल का RMSE और MAE (RMSE = 1664.64 और MAE = 1031.49) क्रमशः 17.5 और 13.4 है, जो Ca_Mg_K-EBK_SVMR की तुलना में अधिक है। इसी प्रकार, Ca_Mg-K SVMR मॉडल का RMSE और MAE (RMSE = 235.974 और MAE = 166.946) क्रमशः Ca_Mg_K-EBK_SVMR के RMSE और MAE से 2.5 और 2.2 अधिक है। परिकलित RMSE परिणाम दर्शाते हैं कि डेटा सेट सर्वोत्तम फिट की रेखा के साथ कितना केंद्रित है। उच्च RSME और MAE देखा गया। केबोनी एट अल. 46 और जॉन एट अल. 54 के अनुसार, RMSE और MAE शून्य के जितने करीब होंगे, परिणाम उतने ही बेहतर होंगे। SVMR और EBK_SVMR में उच्चतर परिमाणित RSME और MAE मान हैं। यह देखा गया कि RSME अनुमान लगातार MAE मानों से अधिक थे, जो आउटलायर्स की उपस्थिति का संकेत देते हैं। लेगेट्स और मैककेब 83 के अनुसार, जिस हद तक RMSE माध्य निरपेक्ष त्रुटि (MAE) से अधिक है, उसे आउटलायर्स की उपस्थिति के संकेतक के रूप में अनुशंसित किया जाता है। इसका अर्थ है कि डेटासेट जितना अधिक विषम होगा, MAE और RMSE मान उतने ही अधिक होंगे। शहरी और उपनगरीय मिट्टी में Ni सामग्री की भविष्यवाणी के लिए Ca_Mg_K-EBK_SVMR मिश्रित मॉडल के क्रॉस-वैलिडेशन मूल्यांकन की सटीकता 63.70% थी। ली एट अल. के अनुसार 59, सटीकता का यह स्तर एक स्वीकार्य मॉडल प्रदर्शन दर है। वर्तमान परिणामों की तुलना तारासोव एट अल. 36 द्वारा किए गए पिछले अध्ययन से की गई है, जिनके हाइब्रिड मॉडल ने एमएलपीआरके (मल्टीलेयर परसेप्ट्रॉन रेसिडुअल क्रिगिंग) बनाया था, जो वर्तमान अध्ययन में रिपोर्ट किए गए ईबीके_एसवीएमआर सटीकता मूल्यांकन सूचकांक, आरएमएसई (210) और एमएई (167.5) से संबंधित है, जो वर्तमान अध्ययन में हमारे परिणामों (आरएमएसई 95.479, एमएई 77.368) से अधिक था। हालाँकि, जब वर्तमान अध्ययन के आर2 (0.637) की तुलना तारासोव एट अल. के साथ की जाती है। 36 (0.544) से यह स्पष्ट है कि इस मिश्रित मॉडल में निर्धारण गुणांक (R²) अधिक है। मिश्रित मॉडल (EBK SVMR) के लिए त्रुटि मार्जिन (RMSE और MAE) दो गुना कम है। इसी प्रकार, सर्गीव 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 (EBK SVMR) का पूर्वानुमान सटीकता स्तर 63.7% है, जबकि सर्गीव एट अल.³⁴ द्वारा प्राप्त पूर्वानुमान सटीकता 28% है। EBK_SVMR मॉडल और Ca_Mg_K को भविष्यवक्ता के रूप में उपयोग करके बनाया गया अंतिम मानचित्र (चित्र 5) पूरे अध्ययन क्षेत्र में हॉट स्पॉट और मध्यम से निकल सांद्रता के पूर्वानुमान दिखाता है। इसका अर्थ है कि अध्ययन क्षेत्र में निकल की सांद्रता मुख्य रूप से मध्यम है, कुछ विशिष्ट क्षेत्रों में उच्च सांद्रता के साथ।
अंतिम पूर्वानुमान मानचित्र को हाइब्रिड मॉडल EBK_SVMR का उपयोग करके और Ca_Mg_K को भविष्यवक्ता के रूप में 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 पीटीई सांद्रता को व्यक्तिगत न्यूरॉन्स से बने एक संघटन तल के रूप में दर्शाया गया है। किसी भी घटक तल ने दिखाए गए समान रंग पैटर्न को प्रदर्शित नहीं किया। हालांकि, प्रति खींचे गए मानचित्र में न्यूरॉन्स की उपयुक्त 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 समानताएं साझा करते हैं। दोनों मॉडल लाल, नारंगी और पीले जैसे मध्यम से उच्च रंगों के प्रदर्शन द्वारा मिट्टी में Ni की सांद्रता का अनुमान लगाते हैं। KMg मॉडल सटीक अनुपात और निम्न से मध्यम रंग के धब्बों के आधार पर कई उच्च रंग पैटर्न प्रदर्शित करता है। निम्न से उच्च तक एक सटीक रंग पैमाने पर, मॉडल के घटकों के समतलीय वितरण पैटर्न ने एक उच्च रंग पैटर्न दिखाया जो मिट्टी में निकल की संभावित सांद्रता को दर्शाता है (चित्र 4 देखें)। CakMg मॉडल घटक तल एक सटीक रंग पैमाने के अनुसार निम्न से उच्च तक विविध रंग पैटर्न। इसके अलावा, निकल सामग्री (CakMg) के मॉडल का पूर्वानुमान चित्र 5 में दर्शाए गए निकल के स्थानिक वितरण के समान है। दोनों ग्राफ शहरी और अर्ध-शहरी मिट्टी में निकल सांद्रता के उच्च, मध्यम और निम्न अनुपात को दर्शाते हैं। चित्र 7 मानचित्र पर k-मीन्स समूहीकरण में समोच्च विधि को दर्शाता है, जिसे प्रत्येक मॉडल में अनुमानित मान के आधार पर तीन समूहों में विभाजित किया गया है। समोच्च विधि समूहों की इष्टतम संख्या को दर्शाती है। एकत्रित 115 मिट्टी के नमूनों में से, श्रेणी 1 में सबसे अधिक 74 मिट्टी के नमूने प्राप्त हुए। समूह 2 में 33 नमूने और समूह 3 में 8 नमूने प्राप्त हुए। सही समूह व्याख्या की अनुमति देने के लिए सात-घटक समतल भविष्यवक्ता संयोजन को सरल बनाया गया था। मिट्टी निर्माण को प्रभावित करने वाली असंख्य मानवजनित और प्राकृतिक प्रक्रियाओं के कारण, वितरित SeOM मानचित्र78 में उचित रूप से विभेदित समूह पैटर्न प्राप्त करना कठिन है।
प्रत्येक एम्पीरिकल बेयसियन क्रिगिंग सपोर्ट वेक्टर मशीन (EBK_SVM_SeOM) वेरिएबल द्वारा आउटपुट किया गया कंपोनेंट प्लेन। [SeOM मैप 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 अर्ध-शहरी मिट्टी में निकेल सांद्रता के लिए मॉडलिंग तकनीकों को स्पष्ट रूप से दर्शाता है। अध्ययन में मिट्टी में निकेल सांद्रता का सर्वोत्तम पूर्वानुमान प्राप्त करने के लिए विभिन्न मॉडलिंग तकनीकों का परीक्षण किया गया, जिसमें तत्वों को मॉडलिंग तकनीकों के साथ संयोजित किया गया। मॉडलिंग तकनीक की SeOM संरचनात्मक समतल स्थानिक विशेषताओं ने एक सटीक रंग पैमाने पर निम्न से उच्च तक एक उच्च रंग पैटर्न प्रदर्शित किया, जो मिट्टी में Ni सांद्रता को दर्शाता है। हालांकि, स्थानिक वितरण मानचित्र EBK_SVMR द्वारा प्रदर्शित घटकों के समतल स्थानिक वितरण की पुष्टि करता है (चित्र 5 देखें)। परिणाम बताते हैं कि सपोर्ट वेक्टर मशीन रिग्रेशन मॉडल (Ca Mg K-SVMR) एक एकल मॉडल के रूप में मिट्टी में Ni की सांद्रता का पूर्वानुमान लगाता है, लेकिन सत्यापन और सटीकता मूल्यांकन पैरामीटर RMSE और MAE के संदर्भ में बहुत अधिक त्रुटियां दर्शाते हैं। दूसरी ओर, EBK_MLR मॉडल के साथ नियोजित मॉडलिंग तकनीक भी निर्धारण गुणांक (R2) के कम मान के कारण त्रुटिपूर्ण है। EBK SVMR और संयुक्त तत्वों (CaKMg) का उपयोग करके कम RMSE और MAE के साथ अच्छे परिणाम प्राप्त हुए। 63.7% की सटीकता के साथ त्रुटियाँ। यह पता चला है कि ईबीके एल्गोरिदम को मशीन लर्निंग एल्गोरिदम के साथ संयोजित करने से एक हाइब्रिड एल्गोरिदम उत्पन्न किया जा सकता है जो मिट्टी में पीटीई की सांद्रता का पूर्वानुमान लगा सकता है। परिणाम दर्शाते हैं कि अध्ययन क्षेत्र में निकेल की सांद्रता का पूर्वानुमान लगाने के लिए कैल्शियम, मैग्नीशियम और पोटेशियम को भविष्यवक्ता के रूप में उपयोग करने से मिट्टी में निकेल के पूर्वानुमान में सुधार हो सकता है। इसका अर्थ है कि निकेल-आधारित उर्वरकों के निरंतर उपयोग और इस्पात उद्योग द्वारा मिट्टी के औद्योगिक प्रदूषण से मिट्टी में निकेल की सांद्रता बढ़ने की प्रवृत्ति होती है। इस अध्ययन से पता चला है कि ईबीके मॉडल शहरी या अर्ध-शहरी मिट्टी में मिट्टी के स्थानिक वितरण के मॉडल की त्रुटि के स्तर को कम कर सकता है और सटीकता में सुधार कर सकता है। सामान्य तौर पर, हम मिट्टी में पीटीई का आकलन और पूर्वानुमान लगाने के लिए ईबीके-एसवीएमआर मॉडल को लागू करने का प्रस्ताव करते हैं; इसके अलावा, हम विभिन्न मशीन लर्निंग एल्गोरिदम के साथ हाइब्रिडाइजेशन के लिए ईबीके का उपयोग करने का प्रस्ताव करते हैं। निकेल की सांद्रता का पूर्वानुमान तत्वों को सहचर के रूप में उपयोग करके लगाया गया था; 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 अन्य सीमा यह है कि डेटासेट की संख्या 115 है। इसलिए, यदि अधिक डेटा उपलब्ध कराया जाता है, तो प्रस्तावित अनुकूलित संकरण विधि के प्रदर्शन में सुधार किया जा सकता है।
PlantProbs.net. पौधों और मिट्टी में निकेल https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 अप्रैल 2021 को एक्सेस किया गया)।
कास्प्रज़क, के.एस. निकेल आधुनिक पर्यावरण विष विज्ञान में प्रगति। परिवेश। विष विज्ञान। 11, 145-183 (1987)।
सेम्पेल, एम. और निकेल, जी. निकेल: इसके स्रोतों और पर्यावरणीय विष विज्ञान की समीक्षा। पोलिश जे. पर्यावरण अध्ययन 15, 375-382 (2006)।
फ्रीडमैन, बी. और हचिंसन, टीसी प्रदूषक इनपुट वायुमंडल से और सडबरी, ओंटारियो, कनाडा में एक निकल-तांबा स्मेल्टर के पास मिट्टी और वनस्पति में संचय। कैन.जे. बॉट.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
मैनीवा, टी. एट अल. बोत्सवाना में सेलेबी-फिक्वे तांबा-निकेल खदान के पास चरने वाले जुगाली करने वाले जानवरों से जुड़े मिट्टी, पौधों और जोखिमों में भारी धातुएँ। भू-रसायन विज्ञान। स्वास्थ्य https://doi.org/10.1007/s10653-021-00918-x (2021)।
कैबाटा-पेंडियास.कबाटा-पेंडियास ए. 2011. मिट्टी और पौधों में सूक्ष्म तत्व… – गूगल स्कॉलर 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 निकेल का अवशोषण और प्रतिधारण भोजन सेवन और निकेल संवेदनशीलता से संबंधित है। विष विज्ञान। अनुप्रयोग। फार्माकोडायनामिक्स। 154, 67-75 (1999)।
कोस्टा, एम. और क्लेन, सीबी निकेल कार्सिनोजेनेसिस, उत्परिवर्तन, एपिजेनेटिक्स या चयन। परिवेश। स्वास्थ्य परिप्रेक्ष्य। 107, 2 (1999)।
अजमान, पीसी; अजादो, एसके; बोरुवका, एल.; बिनी, जेकेएम; सरकोडी, वीवाईओ; कोबोनी, एनएम; संभावित विषैले तत्वों का प्रवृत्ति विश्लेषण: एक ग्रंथसूची समीक्षा। पर्यावरण भू-रसायन विज्ञान और स्वास्थ्य। स्प्रिंगर साइंस एंड बिजनेस मीडिया बीवी 2020। https://doi.org/10.1007/s10653-020-00742-9.
मिनासनी, 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 Geostatistical Reservoir Modeling,… – Google Scholar 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)।