សូមអរគុណសម្រាប់ការចូលមើលគេហទំព័រ Nature.com។ កំណែកម្មវិធីរុករកដែលអ្នកកំពុងប្រើមានការគាំទ្រ CSS មានកំណត់។ ដើម្បីទទួលបានបទពិសោធន៍ល្អបំផុត យើងសូមណែនាំឱ្យអ្នកប្រើកម្មវិធីរុករកដែលបានធ្វើបច្ចុប្បន្នភាព (ឬបិទរបៀបឆបគ្នានៅក្នុង Internet Explorer)។ ទន្ទឹមនឹងនេះ ដើម្បីធានាបាននូវការគាំទ្រជាបន្តបន្ទាប់ យើងនឹងបង្ហាញគេហទំព័រដោយគ្មានរចនាប័ទ្ម និង JavaScript។
ការបំពុលដីគឺជាបញ្ហាធំមួយដែលបណ្តាលមកពីសកម្មភាពរបស់មនុស្ស។ ការចែកចាយលំហនៃធាតុដែលអាចពុល (PTEs) មានភាពខុសប្លែកគ្នានៅក្នុងតំបន់ទីក្រុង និងតំបន់ជុំវិញទីក្រុងភាគច្រើន។ ដូច្នេះ វាពិបាកក្នុងការទស្សន៍ទាយតាមលំហនៃមាតិកា PTEs នៅក្នុងដីបែបនេះ។ គំរូសរុបចំនួន 115 ត្រូវបានទទួលពី Frydek Mistek នៅសាធារណរដ្ឋឆែក។ កំហាប់កាល់ស្យូម (Ca) ម៉ាញ៉េស្យូម (Mg) ប៉ូតាស្យូម (K) និងនីកែល (Ni) ត្រូវបានកំណត់ដោយប្រើវិសាលគមនៃការបំភាយប្លាស្មាដែលភ្ជាប់ជាមួយអាំងឌុចស្យុង។ អថេរឆ្លើយតបគឺ Ni ហើយកត្តាព្យាករណ៍គឺ Ca, Mg និង K។ ម៉ាទ្រីសសហសម្ព័ន្ធរវាងអថេរឆ្លើយតប និងអថេរព្យាករណ៍បង្ហាញពីសហសម្ព័ន្ធដែលពេញចិត្តរវាងធាតុ។ លទ្ធផលនៃការទស្សន៍ទាយបានបង្ហាញថា ការវិភាគតំរែតំរង់ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVMR) ដំណើរការបានល្អ ទោះបីជាកំហុសការ៉េមធ្យមឫសដែលប៉ាន់ស្មាន (RMSE) (235.974 mg/kg) និងកំហុសដាច់ខាតមធ្យម (MAE) (166.946 mg/kg) ខ្ពស់ជាងវិធីសាស្ត្រផ្សេងទៀតដែលបានអនុវត្តក៏ដោយ។ គំរូចម្រុះសម្រាប់ការវិភាគតំរែតំរង់លីនេអ៊ែរ Bayesian Kriging-Multiple Linear Regression (EBK-MLR) អនុវត្ត... មិនល្អ ដូចដែលបានបង្ហាញដោយមេគុណនៃការកំណត់តិចជាង 0.1។ គំរូ Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) គឺជាគំរូដ៏ល្អបំផុត ជាមួយនឹងតម្លៃ RMSE ទាប (95.479 mg/kg) និង MAE (77.368 mg/kg) និងមេគុណនៃការកំណត់ខ្ពស់ (R2 = 0.637)។ លទ្ធផលបច្ចេកទេសគំរូ EBK-SVMR ត្រូវបានមើលឃើញដោយប្រើផែនទីរៀបចំដោយខ្លួនឯង។ ណឺរ៉ូនដែលដាក់ជាក្រុមនៅក្នុងប្លង់នៃសមាសធាតុ CakMg-EBK-SVMR គំរូកូនកាត់បង្ហាញលំនាំពណ៌ច្រើនដែលព្យាករណ៍ពីកំហាប់ Ni នៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។ លទ្ធផលបង្ហាញថា ការរួមបញ្ចូលគ្នារវាង EBK និង SVMR គឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពសម្រាប់ការព្យាករណ៍ពីកំហាប់ Ni នៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។
នីកែល (Ni) ត្រូវបានចាត់ទុកថាជាមីក្រូសារធាតុចិញ្ចឹមសម្រាប់រុក្ខជាតិ ពីព្រោះវារួមចំណែកដល់ការជួសជុលអាសូតក្នុងបរិយាកាស (N) និងការរំលាយអាហារអ៊ុយរ៉េ ដែលទាំងពីរនេះត្រូវការសម្រាប់ដំណុះគ្រាប់ពូជ។ បន្ថែមពីលើការរួមចំណែករបស់វាចំពោះដំណុះគ្រាប់ពូជ នីកែលអាចដើរតួជាសារធាតុទប់ស្កាត់ផ្សិត និងបាក់តេរី និងជំរុញការអភិវឌ្ឍរុក្ខជាតិ។ កង្វះនីកែលនៅក្នុងដីអនុញ្ញាតឱ្យរុក្ខជាតិស្រូបយកវា ដែលបណ្តាលឱ្យមានការបាត់បង់ជាតិក្លរ៉ូភីលនៃស្លឹក។ ឧទាហរណ៍ សណ្តែកបាយ និងសណ្តែកបៃតងត្រូវការការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើនីកែល ដើម្បីបង្កើនប្រសិទ្ធភាពការជួសជុលអាសូត។ ការបន្តប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើនីកែល ដើម្បីបង្កើនគុណភាពដី និងបង្កើនសមត្ថភាពរបស់សណ្តែកក្នុងការជួសជុលអាសូតនៅក្នុងដីជាបន្តបន្ទាប់ បង្កើនកំហាប់នីកែលនៅក្នុងដី។ ទោះបីជានីកែលជាមីក្រូសារធាតុចិញ្ចឹមសម្រាប់រុក្ខជាតិក៏ដោយ ការទទួលទានច្រើនពេករបស់វានៅក្នុងដីអាចបង្កគ្រោះថ្នាក់ច្រើនជាងផលល្អ។ ជាតិពុលនៃនីកែលនៅក្នុងដីធ្វើឱ្យ pH ដីថយចុះ និងរារាំងការស្រូបយកជាតិដែកជាសារធាតុចិញ្ចឹមសំខាន់សម្រាប់ការលូតលាស់រុក្ខជាតិ។ យោងតាមលោក Liu3 នីកែលត្រូវបានគេរកឃើញថាជាធាតុសំខាន់ទី 17 ដែលត្រូវការសម្រាប់ការអភិវឌ្ឍ និងការលូតលាស់របស់រុក្ខជាតិ។ បន្ថែមពីលើតួនាទីរបស់នីកែលក្នុងការអភិវឌ្ឍ និងការលូតលាស់របស់រុក្ខជាតិ មនុស្សត្រូវការវាសម្រាប់កម្មវិធីជាច្រើន។ អេឡិចត្រូត ការផលិតនីកែលដែលមានមូលដ្ឋានលើ យ៉ាន់ស្ព័រ និងការផលិតឧបករណ៍បញ្ឆេះ និងប៊ូហ្ស៊ីនៅក្នុងឧស្សាហកម្មរថយន្ត សុទ្ធតែតម្រូវឱ្យមានការប្រើប្រាស់នីកែលនៅក្នុងវិស័យឧស្សាហកម្មផ្សេងៗ។ លើសពីនេះ យ៉ាន់ស្ព័រដែលមានមូលដ្ឋានលើនីកែល និងវត្ថុធាតុអេឡិចត្រូផ្លាតត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងសម្ភារៈផ្ទះបាយ គ្រឿងបន្ថែមសាល ការផ្គត់ផ្គង់ឧស្សាហកម្មម្ហូបអាហារ អគ្គិសនី ខ្សែភ្លើង និងខ្សែកាប ទួរប៊ីនយន្តហោះ ការវះកាត់ដាក់បញ្ចូល វាយនភណ្ឌ និងការសាងសង់កប៉ាល់5។ កម្រិតសម្បូរ Ni នៅក្នុងដី (ឧ. ដីលើផ្ទៃដី) ត្រូវបានសន្មតថាជាប្រភពដែលបង្កឡើងដោយមនុស្ស និងធម្មជាតិ ប៉ុន្តែជាចម្បង Ni គឺជាប្រភពធម្មជាតិជាជាងប្រភពដែលបង្កឡើងដោយមនុស្ស4,6។ ប្រភពធម្មជាតិនៃនីកែលរួមមាន ការផ្ទុះភ្នំភ្លើង រុក្ខជាតិ ភ្លើងឆេះព្រៃ និងដំណើរការភូគព្ភសាស្ត្រ។ ទោះជាយ៉ាងណាក៏ដោយ ប្រភពដែលបង្កឡើងដោយមនុស្សរួមមាន អាគុយនីកែល/កាដមីញ៉ូមនៅក្នុងឧស្សាហកម្មដែកថែប ការអេឡិចត្រូផ្លាត ការផ្សារធ្នូ ប្រេងម៉ាស៊ូត និងប្រេងឥន្ធនៈ និងការបំភាយឧស្ម័នបរិយាកាសពីការចំហេះធ្យូងថ្ម និងការដុតកាកសំណល់ និងដីល្បាប់ ការប្រមូលផ្តុំនីកែល7,8។ យោងតាម ​​Freedman និង Hutchinson9 និង Manyiwa et al. 10 ប្រភពសំខាន់ៗនៃការបំពុលដីស្រទាប់លើនៅក្នុងបរិស្ថានជិតខាង និងជុំវិញភាគច្រើនគឺរោងចក្រចម្រាញ់ និងអណ្តូងរ៉ែដែលមានមូលដ្ឋានលើនីកែល-ទង់ដែង។ ដីស្រទាប់លើនៅជុំវិញរោងចក្រចម្រាញ់នីកែល-ទង់ដែង Sudbury ក្នុងប្រទេសកាណាដាមានកម្រិតនៃការបំពុលនីកែលខ្ពស់បំផុតគឺ 26,000 មីលីក្រាម/គីឡូក្រាម11។ ផ្ទុយទៅវិញ ការបំពុលពីការផលិតនីកែលនៅក្នុងប្រទេសរុស្ស៊ីបានបណ្តាលឱ្យមានកំហាប់នីកែលខ្ពស់នៅក្នុងដីន័រវេស11។ យោងតាម ​​​​Alms et al. 12 បរិមាណនីកែលដែលអាចស្រង់ចេញបានដោយ HNO3 នៅក្នុងដីដាំដុះកំពូលៗរបស់តំបន់ (ការផលិតនីកែលនៅប្រទេសរុស្ស៊ី) មានចាប់ពី 6.25 ដល់ 136.88 មីលីក្រាម/គីឡូក្រាម ដែលត្រូវនឹងមធ្យមភាគ 30.43 មីលីក្រាម/គីឡូក្រាម និងកំហាប់មូលដ្ឋាន 25 មីលីក្រាម/គីឡូក្រាម។ យោងតាម ​​kabata 11 ការប្រើប្រាស់ជីផូស្វ័រនៅក្នុងដីកសិកម្មនៅក្នុងដីទីក្រុង ឬជាយក្រុងក្នុងរដូវដាំដុះជាបន្តបន្ទាប់អាចជ្រៀតចូល ឬបំពុលដី។ ផលប៉ះពាល់ដែលអាចកើតមាននៃនីកែលចំពោះមនុស្សអាចនាំឱ្យមានជំងឺមហារីកតាមរយៈការបំប្លែងហ្សែន ការខូចខាតក្រូម៉ូសូម ការបង្កើត Z-DNA ការជួសជុល DNA ដែលស្ទះ ឬដំណើរការអេពីហ្សែន។13 នៅក្នុងការពិសោធន៍លើសត្វ នីកែលត្រូវបានគេរកឃើញថាមានសក្តានុពលក្នុងការបង្កដុំសាច់ជាច្រើនប្រភេទ ហើយស្មុគស្មាញនីកែលបង្កមហារីកអាចធ្វើឱ្យដុំសាច់បែបនេះកាន់តែធ្ងន់ធ្ងរ។
ការវាយតម្លៃការបំពុលដីបានរីកចម្រើនក្នុងរយៈពេលថ្មីៗនេះ ដោយសារតែបញ្ហាសុខភាពជាច្រើនដែលកើតចេញពីទំនាក់ទំនងដី-រុក្ខជាតិ ទំនាក់ទំនងជីវសាស្ត្រដី និងដី ការរិចរិលបរិស្ថាន និងការវាយតម្លៃផលប៉ះពាល់បរិស្ថាន។ រហូតមកដល់បច្ចុប្បន្ន ការព្យាករណ៍លំហនៃធាតុពុលដែលអាចកើតមាន (PTEs) ដូចជា Ni នៅក្នុងដីគឺមានភាពលំបាក និងចំណាយពេលច្រើនដោយប្រើវិធីសាស្ត្រប្រពៃណី។ ការមកដល់នៃការគូសផែនទីដីឌីជីថល (DSM) និងភាពជោគជ័យបច្ចុប្បន្នរបស់វា15 បានធ្វើឱ្យប្រសើរឡើងយ៉ាងខ្លាំងនូវការគូសផែនទីដីព្យាករណ៍ (PSM)។ យោងតាម ​​​​Minasny និង McBratney16 ការគូសផែនទីដីព្យាករណ៍ (DSM) បានបង្ហាញថាជាអនុមុខវិជ្ជាលេចធ្លោមួយនៃវិទ្យាសាស្ត្រដី។ Lagacherie និង McBratney, 2006 កំណត់ DSM ថាជា "ការបង្កើត និងការបំពេញប្រព័ន្ធព័ត៌មានដីលំហតាមរយៈការប្រើប្រាស់វិធីសាស្ត្រសង្កេតនៅនឹងកន្លែង និងមន្ទីរពិសោធន៍ និងប្រព័ន្ធសន្និដ្ឋានដីលំហ និងមិនមែនលំហ"។ McBratney et al. 17 គូសបញ្ជាក់ថា DSM ឬ PSM សហសម័យគឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់ការទស្សន៍ទាយ ឬគូសផែនទីនៃការចែកចាយលំហនៃ PTEs ប្រភេទដី និងលក្ខណៈសម្បត្តិដី។ ភូមិសាស្ត្រ និងក្បួនដោះស្រាយការរៀនម៉ាស៊ីន (MLA) គឺជាបច្ចេកទេសគំរូ DSM ដែលបង្កើតផែនទីឌីជីថលដោយមានជំនួយពីកុំព្យូទ័រដោយប្រើប្រាស់ទិន្នន័យសំខាន់ៗ និងតិចតួចបំផុត។
Deutsch18 និង Olea19 កំណត់ភូមិសាស្ត្រថាជា "ការប្រមូលផ្តុំនៃបច្ចេកទេសលេខដែលដោះស្រាយជាមួយនឹងការតំណាងនៃគុណលក្ខណៈលំហ ដែលភាគច្រើនប្រើប្រាស់គំរូស្តូកាស្ទិក ដូចជារបៀបដែលការវិភាគស៊េរីពេលវេលាកំណត់លក្ខណៈទិន្នន័យបណ្ដោះអាសន្ន"។ ជាចម្បង ភូមិសាស្ត្រពាក់ព័ន្ធនឹងការវាយតម្លៃនៃវ៉ារ្យ៉ង់ក្រាម ដែលអនុញ្ញាតឱ្យកំណត់បរិមាណ និងកំណត់ភាពអាស្រ័យនៃតម្លៃលំហពីសំណុំទិន្នន័យនីមួយៗ។20.Gumiaux et al. 20 បង្ហាញបន្ថែមទៀតថា ការវាយតម្លៃវ៉ារ្យ៉ង់ក្រាមក្នុងភូមិសាស្ត្រស្ថិតិគឺផ្អែកលើគោលការណ៍បីយ៉ាង រួមមាន (ក) ការគណនាមាត្រដ្ឋាននៃទំនាក់ទំនងទិន្នន័យ (ខ) ការកំណត់ និងការគណនាអានីសូត្រូពីក្នុងភាពខុសគ្នានៃសំណុំទិន្នន័យ និង (គ) បន្ថែមពីលើការគិតគូរពីកំហុសដែលមានស្រាប់នៃទិន្នន័យវាស់វែងដែលបំបែកចេញពីផលប៉ះពាល់ក្នុងស្រុក ផលប៉ះពាល់តំបន់ក៏ត្រូវបានប៉ាន់ប្រមាណផងដែរ។ ដោយផ្អែកលើគោលគំនិតទាំងនេះ បច្ចេកទេសអន្តរប៉ូឡាស្យុងជាច្រើនត្រូវបានប្រើប្រាស់ក្នុងភូមិសាស្ត្រស្ថិតិ រួមទាំង គ្រីហ្គីងទូទៅ គ្រីហ្គីងសហ គ្រីហ្គីងធម្មតា គ្រីហ្គីងបែបបាសៀនជាក់ស្តែង វិធីសាស្ត្រគ្រីហ្គីងសាមញ្ញ និងបច្ចេកទេសអន្តរប៉ូឡាស្យុងដែលគេស្គាល់ផ្សេងទៀត ដើម្បីគូសផែនទី ឬព្យាករណ៍ PTE លក្ខណៈដី និងប្រភេទដី។
ក្បួនដោះស្រាយការរៀនម៉ាស៊ីន (MLA) គឺជាបច្ចេកទេសថ្មីមួយដែលប្រើប្រាស់ថ្នាក់ទិន្នន័យមិនមែនលីនេអ៊ែរធំជាង ដែលជំរុញដោយក្បួនដោះស្រាយដែលប្រើជាចម្បងសម្រាប់ការជីកយករ៉ែទិន្នន័យ ការកំណត់លំនាំនៅក្នុងទិន្នន័យ និងអនុវត្តម្តងហើយម្តងទៀតចំពោះការចាត់ថ្នាក់ក្នុងវិស័យវិទ្យាសាស្ត្រដូចជាវិទ្យាសាស្ត្រដី និងភារកិច្ចត្រឡប់មកវិញ។ ឯកសារស្រាវជ្រាវជាច្រើនពឹងផ្អែកលើគំរូ MLA ដើម្បីព្យាករណ៍ PTE នៅក្នុងដី ដូចជា Tan et al. 22 (ព្រៃឈើចៃដន្យសម្រាប់ការប៉ាន់ស្មានលោហៈធ្ងន់នៅក្នុងដីកសិកម្ម) Sakizadeh et al. 23 (ការធ្វើគំរូដោយប្រើម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ និងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត) ការបំពុលដី)។ លើសពីនេះ Vega et al. 24 (CART សម្រាប់ធ្វើគំរូការរក្សាលោហៈធ្ងន់ និងការស្រូបយកនៅក្នុងដី) Sun et al. 25 (ការអនុវត្ត cubist គឺជាការចែកចាយ Cd នៅក្នុងដី) និងក្បួនដោះស្រាយផ្សេងទៀតដូចជា k-អ្នកជិតខាងដែលនៅជិតបំផុត តំរែតំរង់ជំរុញទូទៅ និងតំរែតំរង់ជំរុញ Trees ក៏បានអនុវត្ត MLA ដើម្បីព្យាករណ៍ PTE នៅក្នុងដីផងដែរ។
ការអនុវត្តក្បួនដោះស្រាយ DSM ក្នុងការទស្សន៍ទាយ ឬការធ្វើផែនទីប្រឈមមុខនឹងបញ្ហាប្រឈមជាច្រើន។ អ្នកនិពន្ធជាច្រើនជឿថា MLA គឺល្អជាងស្ថិតិភូមិសាស្ត្រ និងច្រាសមកវិញ។ ទោះបីជាមួយល្អជាងមួយទៀតក៏ដោយ ការរួមបញ្ចូលគ្នានៃទាំងពីរធ្វើអោយប្រសើរឡើងនូវកម្រិតនៃភាពត្រឹមត្រូវនៃការធ្វើផែនទី ឬការទស្សន៍ទាយនៅក្នុង DSM15។ Woodcock និង Gopal26 Finke27; Pontius និង Cheuk28 និង Grunwald29 អត្ថាធិប្បាយលើចំណុចខ្វះខាត និងកំហុសមួយចំនួននៅក្នុងការគូសផែនទីដីដែលបានទស្សន៍ទាយ។ អ្នកវិទ្យាសាស្ត្រដីបានសាកល្បងបច្ចេកទេសជាច្រើនដើម្បីបង្កើនប្រសិទ្ធភាព ភាពត្រឹមត្រូវ និងភាពអាចទស្សន៍ទាយបាននៃការគូសផែនទី និងការព្យាករណ៍ DSM។ ការរួមបញ្ចូលគ្នានៃភាពមិនប្រាកដប្រជា និងការផ្ទៀងផ្ទាត់គឺជាទិដ្ឋភាពមួយក្នុងចំណោមទិដ្ឋភាពផ្សេងៗគ្នាជាច្រើនដែលបានរួមបញ្ចូលទៅក្នុង DSM ដើម្បីបង្កើនប្រសិទ្ធភាព និងកាត់បន្ថយចំណុចខ្វះខាត។ ទោះជាយ៉ាងណាក៏ដោយ Agyeman et al. 15 បានគូសបញ្ជាក់ថាឥរិយាបថសុពលភាព និងភាពមិនប្រាកដប្រជាដែលណែនាំដោយការបង្កើតផែនទី និងការទស្សន៍ទាយគួរតែត្រូវបានផ្ទៀងផ្ទាត់ដោយឯករាជ្យដើម្បីកែលម្អគុណភាពផែនទី។ ដែនកំណត់នៃ DSM គឺដោយសារតែគុណភាពដីដែលរាយប៉ាយតាមភូមិសាស្ត្រ ដែលពាក់ព័ន្ធនឹងសមាសធាតុនៃភាពមិនប្រាកដប្រជា។ ទោះជាយ៉ាងណាក៏ដោយ កង្វះភាពប្រាកដប្រជានៅក្នុង DSM អាចកើតឡើងពីប្រភពនៃកំហុសច្រើន គឺកំហុសកូវ៉ារ្យ៉ង់ កំហុសគំរូ កំហុសទីតាំង និងកំហុសវិភាគ 31. ភាពមិនត្រឹមត្រូវនៃការធ្វើគំរូដែលបង្កឡើងនៅក្នុងដំណើរការ MLA និងភូមិសាស្ត្រត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការខ្វះការយល់ដឹង ដែលនៅទីបំផុតនាំឱ្យមានភាពសាមញ្ញពេកនៃដំណើរការពិត 32. ដោយមិនគិតពីលក្ខណៈនៃការធ្វើគំរូ ភាពមិនត្រឹមត្រូវអាចត្រូវបានសន្មតថាជាប៉ារ៉ាម៉ែត្រនៃការធ្វើគំរូ ការព្យាករណ៍គំរូគណិតវិទ្យា ឬការបញ្ចូល 33. ថ្មីៗនេះ និន្នាការ DSM ថ្មីមួយបានលេចចេញឡើងដែលលើកកម្ពស់ការរួមបញ្ចូលភូមិសាស្ត្រ និង MLA ក្នុងការគូសផែនទី និងការព្យាករណ៍។ អ្នកវិទ្យាសាស្ត្រ និងអ្នកនិពន្ធដីជាច្រើននាក់ ដូចជា Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 និង Tarasov et al. 37 បានកេងប្រវ័ញ្ចគុណភាពត្រឹមត្រូវនៃភូមិសាស្ត្រ និងការរៀនម៉ាស៊ីន ដើម្បីបង្កើតគំរូកូនកាត់ដែលធ្វើអោយប្រសើរឡើងនូវប្រសិទ្ធភាពនៃការព្យាករណ៍ និងការគូសផែនទី។ គុណភាព។ គំរូ​ក្បួនដោះស្រាយ​ចម្រុះ ឬ​រួមបញ្ចូលគ្នា​ទាំងនេះ​មួយចំនួន​គឺ Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR-NNRK)36, Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)37 និង Co-Kriging និង Gaussian Process Regression38។
យោងតាមលោក Sergeev និងអ្នកដទៃទៀត ការរួមបញ្ចូលគ្នានូវបច្ចេកទេសធ្វើគំរូផ្សេងៗគ្នាមានសក្តានុពលក្នុងការលុបបំបាត់ពិការភាព និងបង្កើនប្រសិទ្ធភាពនៃគំរូកូនកាត់លទ្ធផលជាជាងការអភិវឌ្ឍគំរូតែមួយរបស់វា។ នៅក្នុងបរិបទនេះ ឯកសារថ្មីនេះអះអាងថា វាចាំបាច់ក្នុងការអនុវត្តក្បួនដោះស្រាយរួមបញ្ចូលគ្នានៃភូមិសាស្ត្រស្ថិតិ និង MLA ដើម្បីបង្កើតគំរូកូនកាត់ដ៏ល្អប្រសើរដើម្បីព្យាករណ៍ពីការបង្កើន Ni នៅក្នុងតំបន់ទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ ការសិក្សានេះនឹងពឹងផ្អែកលើ Empirical Bayesian Kriging (EBK) ជាគំរូមូលដ្ឋាន ហើយលាយវាជាមួយម៉ូដែល Support Vector Machine (SVM) និង Multiple Linear Regression (MLR)។ ការបង្រួបបង្រួម EBK ជាមួយ MLA ណាមួយមិនត្រូវបានគេដឹងនោះទេ។ គំរូចម្រុះច្រើនដែលឃើញគឺជាការរួមបញ្ចូលគ្នានៃ normal, residual, regression kriging និង MLA។ EBK គឺជាវិធីសាស្ត្រ interpolation ភូមិសាស្ត្រដែលប្រើប្រាស់ដំណើរការ stochastic spatially ដែលត្រូវបានធ្វើមូលដ្ឋានីយកម្មជាវាលចៃដន្យមិនស្ថិតស្ថេរ/ឋិតិវន្តជាមួយនឹងប៉ារ៉ាម៉ែត្រ localization ដែលបានកំណត់លើវាល ដែលអនុញ្ញាតឱ្យមានការប្រែប្រួល spatial39។ EBK ត្រូវបានគេប្រើប្រាស់ក្នុងការសិក្សាជាច្រើន រួមទាំងការវិភាគការចែកចាយកាបូនសរីរាង្គនៅក្នុងដីកសិដ្ឋាន40 ការវាយតម្លៃការបំពុលដី41 និងការគូសផែនទីដី។ លក្ខណៈសម្បត្តិ ៤២។
ម៉្យាងវិញទៀត ក្រាហ្វរៀបចំដោយខ្លួនឯង (SeOM) គឺជាក្បួនដោះស្រាយការរៀនសូត្រដែលត្រូវបានអនុវត្តនៅក្នុងអត្ថបទផ្សេងៗដូចជា Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 និង Kebonye et al.46 កំណត់គុណលក្ខណៈលំហ និងការដាក់ជាក្រុមនៃធាតុ។ Wang et al. 44 គូសបញ្ជាក់ថា SeOM គឺជាបច្ចេកទេសរៀនសូត្រដ៏មានឥទ្ធិពលមួយដែលត្រូវបានគេស្គាល់ដោយសារសមត្ថភាពរបស់វាក្នុងការដាក់ជាក្រុម និងស្រមៃមើលបញ្ហាមិនមែនលីនេអ៊ែរ។ មិនដូចបច្ចេកទេសសម្គាល់លំនាំផ្សេងទៀតដូចជាការវិភាគសមាសធាតុចម្បង ការដាក់ជាក្រុមស្រពិចស្រពិល ការដាក់ជាក្រុមឋានានុក្រម និងការធ្វើការសម្រេចចិត្តពហុលក្ខណៈវិនិច្ឆ័យ SeOM ពូកែខាងរៀបចំ និងកំណត់អត្តសញ្ញាណលំនាំ PTE។ យោងតាម ​​Wang et al. 44 SeOM អាចដាក់ជាក្រុមការចែកចាយនៃណឺរ៉ូនដែលពាក់ព័ន្ធតាមលំហ និងផ្តល់នូវការមើលឃើញទិន្នន័យដែលមានគុណភាពបង្ហាញខ្ពស់។ SeOM នឹងមើលឃើញទិន្នន័យព្យាករណ៍ Ni ដើម្បីទទួលបានគំរូដ៏ល្អបំផុតដើម្បីកំណត់លក្ខណៈលទ្ធផលសម្រាប់ការបកស្រាយដោយផ្ទាល់។
ឯកសារនេះមានគោលបំណងបង្កើតគំរូផែនទីដ៏រឹងមាំមួយដែលមានភាពត្រឹមត្រូវល្អបំផុតសម្រាប់ការព្យាករណ៍មាតិកានីកែលនៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។ យើងសន្និដ្ឋានថាភាពជឿជាក់នៃគំរូចម្រុះអាស្រ័យជាចម្បងលើឥទ្ធិពលនៃគំរូផ្សេងទៀតដែលភ្ជាប់ទៅនឹងគំរូមូលដ្ឋាន។ យើងទទួលស្គាល់បញ្ហាប្រឈមដែល DSM កំពុងប្រឈមមុខ ហើយខណៈពេលដែលបញ្ហាប្រឈមទាំងនេះកំពុងត្រូវបានដោះស្រាយលើទិដ្ឋភាពច្រើន ការរួមបញ្ចូលគ្នានៃវឌ្ឍនភាពក្នុងភូមិសាស្ត្រ និងគំរូ MLA ហាក់ដូចជាកើនឡើងជាលំដាប់។ ដូច្នេះ យើងនឹងព្យាយាមឆ្លើយសំណួរស្រាវជ្រាវដែលអាចផ្តល់លទ្ធផលជាគំរូចម្រុះ។ ទោះជាយ៉ាងណាក៏ដោយ តើគំរូនេះមានភាពត្រឹមត្រូវប៉ុណ្ណាក្នុងការព្យាករណ៍ធាតុគោលដៅ? ដូចគ្នានេះដែរ តើកម្រិតនៃការវាយតម្លៃប្រសិទ្ធភាពដោយផ្អែកលើការផ្ទៀងផ្ទាត់ និងការវាយតម្លៃភាពត្រឹមត្រូវគឺជាអ្វី? ដូច្នេះ គោលដៅជាក់លាក់នៃការសិក្សានេះគឺដើម្បី (ក) បង្កើតគំរូល្បាយរួមបញ្ចូលគ្នាសម្រាប់ SVMR ឬ MLR ដោយប្រើ EBK ជាគំរូមូលដ្ឋាន (ខ) ប្រៀបធៀបគំរូលទ្ធផល (គ) ស្នើគំរូល្បាយដ៏ល្អបំផុតសម្រាប់ការព្យាករណ៍កំហាប់ Ni នៅក្នុងដីទីក្រុង ឬដីជុំវិញទីក្រុង និង (ឃ) ការអនុវត្ត SeOM ដើម្បីបង្កើតផែនទីដែលមានគុណភាពបង្ហាញខ្ពស់នៃការប្រែប្រួលលំហនីកែល។
ការសិក្សានេះកំពុងត្រូវបានអនុវត្តនៅសាធារណរដ្ឋឆែក ជាពិសេសនៅក្នុងស្រុក Frydek Mistek ក្នុងតំបន់ Moravia-Silesian (សូមមើលរូបភាពទី 1)។ ភូមិសាស្ត្រនៃតំបន់សិក្សាមានភាពរដិបរដុបខ្លាំង ហើយភាគច្រើនជាផ្នែកមួយនៃតំបន់ Moravia-Silesian Beskidy ដែលជាផ្នែកមួយនៃគែមខាងក្រៅនៃជួរភ្នំ Carpathian។ តំបន់សិក្សាមានទីតាំងស្ថិតនៅចន្លោះ 49° 41′ 0′ N និង 18° 20′ 0′ E ហើយរយៈកម្ពស់គឺចន្លោះពី 225 ទៅ 327 ម៉ែត្រ។ ទោះជាយ៉ាងណាក៏ដោយ ប្រព័ន្ធចាត់ថ្នាក់ Koppen សម្រាប់ស្ថានភាពអាកាសធាតុនៃតំបន់នេះត្រូវបានវាយតម្លៃថា Cfb = អាកាសធាតុមហាសមុទ្រក្តៅ មានភ្លៀងធ្លាក់ច្រើនសូម្បីតែនៅក្នុងខែស្ងួតក៏ដោយ។ សីតុណ្ហភាពប្រែប្រួលបន្តិចបន្តួចពេញមួយឆ្នាំរវាង -5 °C និង 24 °C កម្រធ្លាក់ចុះក្រោម -14 °C ឬលើសពី 30 °C ខណៈដែលទឹកភ្លៀងប្រចាំឆ្នាំជាមធ្យមគឺចន្លោះពី 685 ទៅ 752 mm47។ ផ្ទៃដីស្ទង់មតិប៉ាន់ស្មាននៃតំបន់ទាំងមូលគឺ 1,208 គីឡូម៉ែត្រការ៉េ ដោយមាន 39.38% នៃដីដាំដុះ និង 49.36% នៃព្រៃឈើគ្របដណ្តប់។ ម្យ៉ាងវិញទៀត តំបន់ដែលប្រើក្នុងការសិក្សានេះគឺប្រហែល 889.8 គីឡូម៉ែត្រការ៉េ។ នៅក្នុង និងជុំវិញ Ostrava ឧស្សាហកម្មដែកថែប និងរោងចក្រដែកមានភាពសកម្មខ្លាំង។ រោងម៉ាស៊ីនកិនដែក ឧស្សាហកម្មដែកថែបដែលនីកែលត្រូវបានប្រើនៅក្នុងដែកអ៊ីណុក (ឧទាហរណ៍ សម្រាប់ភាពធន់នឹងការច្រេះបរិយាកាស) និងដែកថែបយ៉ាន់ស្ព័រ (នីកែលបង្កើនកម្លាំងនៃយ៉ាន់ស្ព័រ ខណៈពេលដែលរក្សាបាននូវភាពបត់បែន និងភាពរឹងមាំល្អ) និងកសិកម្មដែលពឹងផ្អែកខ្លាំងដូចជាការប្រើប្រាស់ជីផូស្វាត និងការផលិតសត្វពាហនៈ គឺជាប្រភពសក្តានុពលស្រាវជ្រាវនៃនីកែលនៅក្នុង... តំបន់នេះ (ឧទាហរណ៍ ការបន្ថែមនីកែលទៅក្នុងកូនចៀមដើម្បីបង្កើនអត្រាកំណើនចំពោះកូនចៀម និងគោក្របីដែលចិញ្ចឹមតិច)។ ការប្រើប្រាស់នីកែលក្នុងឧស្សាហកម្មផ្សេងទៀតនៅក្នុងវិស័យស្រាវជ្រាវរួមមានការប្រើប្រាស់របស់វាក្នុងការធ្វើអេឡិចត្រូផ្លាស្ទិច រួមទាំងដំណើរការធ្វើនីកែលអេឡិចត្រូផ្លាស្ទិច និងនីកែលមិនប្រើអេឡិចត្រូផ្លាស្ទិច។ លក្ខណៈសម្បត្តិដីអាចបែងចែកបានយ៉ាងងាយស្រួលពីពណ៌ដី រចនាសម្ព័ន្ធ និងមាតិកាកាបូណាត។ វាយនភាពដីមានកម្រិតមធ្យមទៅល្អិត ដែលមានប្រភពមកពីវត្ថុធាតុដើម។ ពួកវាមានលក្ខណៈជាដីល្បាប់ ដីល្បាប់ ឬដីអាអូលៀន។ តំបន់ដីមួយចំនួនលេចឡើងជាចំណុចៗនៅលើផ្ទៃដី និងដីក្រោម ជារឿយៗមានបេតុង និងការធ្វើឱ្យស។ ទោះជាយ៉ាងណាក៏ដោយ ដីកាំប៊ីសូល និងដីស្តាណូសូល គឺជាប្រភេទដីទូទៅបំផុតនៅក្នុងតំបន់នេះ48។ ដោយមានកម្ពស់ចាប់ពី 455.1 ដល់ 493.5 ម៉ែត្រ ដីកាំប៊ីសូលគ្របដណ្តប់សាធារណរដ្ឋឆែក49។
ផែនទីតំបន់សិក្សា [ផែនទីតំបន់សិក្សាត្រូវបានបង្កើតឡើងដោយប្រើ ArcGIS Desktop (ESRI, Inc, កំណែ 10.7, URL: https://desktop.arcgis.com)]
គំរូដីស្រទាប់លើសរុបចំនួន 115 ត្រូវបានទទួលពីដីទីក្រុង និងដីជុំវិញទីក្រុងនៅក្នុងស្រុក Frydek Mistek។ គំរូដែលប្រើគឺជាក្រឡាចត្រង្គធម្មតាដែលមានគំរូដីដែលមានចន្លោះពីគ្នា 2 × 2 គីឡូម៉ែត្រ ហើយដីស្រទាប់លើត្រូវបានវាស់នៅជម្រៅពី 0 ទៅ 20 សង់ទីម៉ែត្រដោយប្រើឧបករណ៍ GPS ដៃ (Leica Zeno 5 GPS)។ គំរូត្រូវបានវេចខ្ចប់ក្នុងថង់ Ziploc ដែលមានស្លាកត្រឹមត្រូវ និងដឹកជញ្ជូនទៅមន្ទីរពិសោធន៍។ គំរូត្រូវបានសម្ងួតដោយខ្យល់ដើម្បីផលិតគំរូដែលបានកិន កិនដោយប្រព័ន្ធមេកានិច (ម៉ាស៊ីនកិនឌីស Fritsch) ហើយច្រោះ (ទំហំ Sieve 2 ម.ម)។ ដាក់គំរូដីស្ងួត ដែលត្រូវបានធ្វើឱ្យដូចគ្នា និងច្រោះរួចចំនួន 1 ក្រាមក្នុងដប Teflon ដែលមានស្លាកច្បាស់លាស់។ នៅក្នុងធុង Teflon នីមួយៗ ចាក់ 7 មីលីលីត្រនៃ HCl 35% និង 3 មីលីលីត្រនៃ 65% HNO3 (ដោយប្រើម៉ាស៊ីនចែកចាយដោយស្វ័យប្រវត្តិ - មួយសម្រាប់អាស៊ីតនីមួយៗ) គ្របស្រាលៗ ហើយទុកឱ្យគំរូឈរពេញមួយយប់សម្រាប់ប្រតិកម្ម (កម្មវិធី aqua regia)។ ដាក់សារធាតុរាវ supernatant នៅលើចានដែកក្តៅ (សីតុណ្ហភាព៖ 100 W និង ១៦០°C) រយៈពេល ២ ម៉ោង ដើម្បីសម្រួលដល់ដំណើរការរំលាយសំណាក បន្ទាប់មកទុកឱ្យត្រជាក់។ ផ្ទេរសារធាតុរាវលើសទៅក្នុងដបកែវបរិមាណ ៥០ មីលីលីត្រ ហើយពនលាយដល់ ៥០ មីលីលីត្រជាមួយទឹកដែលគ្មានអ៊ីយ៉ូដ។ បន្ទាប់ពីនោះ ច្រោះសារធាតុរាវលើសដែលពនលាយចូលទៅក្នុងបំពង់ PVC ៥០ មីលីលីត្រជាមួយទឹកដែលគ្មានអ៊ីយ៉ូដ។ លើសពីនេះ ដំណោះស្រាយពនលាយ ១ មីលីលីត្រត្រូវបានពនលាយជាមួយទឹកដែលគ្មានអ៊ីយ៉ូដ ៩ មីលីលីត្រ ហើយច្រោះចូលទៅក្នុងបំពង់ ១២ មីលីលីត្រដែលរៀបចំសម្រាប់កំហាប់ PTE pseudo-concentration។ កំហាប់នៃ PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ត្រូវបានកំណត់ដោយ ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ស្របតាមវិធីសាស្ត្រស្តង់ដារ និងការព្រមព្រៀង។ ធានានីតិវិធីធានាគុណភាព និងត្រួតពិនិត្យ (QA/QC) (SRM NIST 2711a Montana II Soil)។ PTEs ដែលមានដែនកំណត់រកឃើញក្រោមពាក់កណ្តាលត្រូវបានដកចេញពីការសិក្សានេះ។ ដែនកំណត់រកឃើញនៃ PTE ដែលប្រើក្នុងការសិក្សានេះគឺ ០.០០០៤ (អ្នក)។ លើសពីនេះ ដំណើរការត្រួតពិនិត្យគុណភាព និងធានាគុណភាពសម្រាប់ការវិភាគនីមួយៗត្រូវបានធានាដោយការវិភាគស្តង់ដារយោង។ ដើម្បីធានាថាកំហុសត្រូវបានបង្រួមអប្បបរមា ការវិភាគទ្វេដងត្រូវបានអនុវត្ត។
វិធីសាស្ត្រ Bayesian Kriging តាមបទពិសោធន៍ (EBK) គឺជាបច្ចេកទេស interpolation ភូមិសាស្ត្រមួយក្នុងចំណោមបច្ចេកទេសជាច្រើនដែលប្រើក្នុងការធ្វើគំរូក្នុងវិស័យផ្សេងៗដូចជាវិទ្យាសាស្ត្រដី។ មិនដូចបច្ចេកទេស interpolation kriging ផ្សេងទៀតទេ EBK ខុសពីវិធីសាស្ត្រ kriging ប្រពៃណីដោយពិចារណាលើកំហុសដែលប៉ាន់ស្មានដោយគំរូ semivariogram។ នៅក្នុង interpolation EBK គំរូ semivariogram ជាច្រើនត្រូវបានគណនាក្នុងអំឡុងពេល interpolation ជាជាង semivariogram តែមួយ។ បច្ចេកទេស interpolation បើកផ្លូវសម្រាប់ភាពមិនប្រាកដប្រជា និងការសរសេរកម្មវិធីដែលទាក់ទងនឹងការគ្រោងនៃ semivariogram នេះ ដែលបង្កើតបានជាផ្នែកស្មុគស្មាញខ្ពស់នៃវិធីសាស្ត្រ kriging គ្រប់គ្រាន់។ ដំណើរការ interpolation របស់ EBK អនុវត្តតាមលក្ខណៈវិនិច្ឆ័យទាំងបីដែលបានស្នើឡើងដោយ Krivoruchko50 (ក) គំរូប៉ាន់ស្មាន semivariogram ពីសំណុំទិន្នន័យបញ្ចូល (ខ) តម្លៃព្យាករណ៍ថ្មីសម្រាប់ទីតាំងសំណុំទិន្នន័យបញ្ចូលនីមួយៗដោយផ្អែកលើ semivariogram ដែលបានបង្កើត និង (គ) គំរូ A ចុងក្រោយត្រូវបានគណនាពីសំណុំទិន្នន័យក្លែងធ្វើ។ ច្បាប់សមីការ Bayesian ត្រូវបានផ្តល់ជា posterior...
ដែល \(Prob\left(A\right)\) តំណាងឱ្យមុន ប្រូបាប៊ីលីតេរឹម \(Prob\left(B\right)\) ត្រូវបានមិនអើពើក្នុងករណីភាគច្រើន \(Prob(B,A)\ )។ ការគណនា semivariogram គឺផ្អែកលើច្បាប់ Bayes ដែលបង្ហាញពីទំនោរនៃសំណុំទិន្នន័យសង្កេតដែលអាចត្រូវបានបង្កើតចេញពី semivariograms។ តម្លៃនៃ semivariogram បន្ទាប់មកត្រូវបានកំណត់ដោយប្រើច្បាប់ Bayes ដែលបញ្ជាក់ពីលទ្ធភាពនៃការបង្កើតសំណុំទិន្នន័យសង្កេតពី semivariogram។
ម៉ាស៊ីនវ៉ិចទ័រជំនួយគឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលបង្កើតអ៊ីពែរផ្លានបំបែកដ៏ល្អប្រសើរបំផុតដើម្បីសម្គាល់ថ្នាក់ដូចគ្នាបេះបិទប៉ុន្តែមិនឯករាជ្យលីនេអ៊ែរ។ Vapnik51 បានបង្កើតក្បួនដោះស្រាយចំណាត់ថ្នាក់ចេតនា ប៉ុន្តែថ្មីៗនេះវាត្រូវបានគេប្រើដើម្បីដោះស្រាយបញ្ហាដែលផ្តោតលើតំរែតំរង់។ យោងតាម ​​Li et al.52 SVM គឺជាបច្ចេកទេសចាត់ថ្នាក់ដ៏ល្អបំផុតមួយ ហើយត្រូវបានប្រើប្រាស់ក្នុងវិស័យផ្សេងៗ។ សមាសធាតុតំរែតំរង់នៃ SVM (Support Vector Machine Regression – SVMR) ត្រូវបានប្រើក្នុងការវិភាគនេះ។ Cherkassky និង Mulier53 បានបង្កើត SVMR ជាតំរែតំរង់ដែលមានមូលដ្ឋានលើខឺណែល ដែលការគណនាត្រូវបានអនុវត្តដោយប្រើគំរូតំរែតំរង់លីនេអ៊ែរជាមួយអនុគមន៍លំហពហុប្រទេស។ John et al.54 រាយការណ៍ថា ការធ្វើគំរូ SVMR ប្រើប្រាស់តំរែតំរង់លីនេអ៊ែរអ៊ីពែរផ្លាន ដែលបង្កើតទំនាក់ទំនងមិនមែនលីនេអ៊ែរ និងអនុញ្ញាតឱ្យមានអនុគមន៍លំហ។ យោងតាម ​​Vohland et al.54 55, epsilon (ε)-SVMR ប្រើប្រាស់សំណុំទិន្នន័យដែលបានហ្វឹកហាត់ដើម្បីទទួលបានគំរូតំណាងជាអនុគមន៍មិនងាយរងគ្រោះ epsilon ដែលត្រូវបានអនុវត្តដើម្បីគូសផែនទីទិន្នន័យដោយឯករាជ្យជាមួយនឹងភាពលំអៀង epsilon ដ៏ល្អបំផុតពីការហ្វឹកហាត់លើទិន្នន័យដែលទាក់ទងគ្នា។ កំហុសចម្ងាយដែលបានកំណត់ជាមុនត្រូវបានមិនអើពើពីតម្លៃជាក់ស្តែង ហើយប្រសិនបើកំហុសធំជាង ε(ε) លក្ខណៈសម្បត្តិដីផ្តល់សំណងដល់វា។ គំរូនេះក៏កាត់បន្ថយភាពស្មុគស្មាញនៃទិន្នន័យហ្វឹកហាត់ទៅជាសំណុំរងធំទូលាយនៃវ៉ិចទ័រគាំទ្រ។ សមីការដែលបានស្នើឡើងដោយ Vapnik51 ត្រូវបានបង្ហាញខាងក្រោម។
ដែល b តំណាងឱ្យកម្រិតមាត្រដ្ឋានស្កាឡា, \(K\left({x}_{,}{ x}_{k}\right)\) តំណាងឱ្យអនុគមន៍ខឺណែល, \(\alpha\) តំណាងឱ្យមេគុណ Lagrange, N តំណាងឱ្យសំណុំទិន្នន័យជាលេខ, \({x}_{k}\) តំណាងឱ្យការបញ្ចូលទិន្នន័យ, និង \(y\) គឺជាទិន្នផលទិន្នន័យ។ ខឺណែលសំខាន់ៗមួយដែលប្រើគឺប្រតិបត្តិការ SVMR ដែលជាអនុគមន៍មូលដ្ឋានរ៉ាឌីកាល់ Gaussian (RBF)។ ខឺណែល RBF ត្រូវបានអនុវត្តដើម្បីកំណត់គំរូ SVMR ដ៏ល្អប្រសើរ ដែលមានសារៈសំខាន់ដើម្បីទទួលបានកត្តាសំណុំពិន័យ C និងប៉ារ៉ាម៉ែត្រខឺណែលហ្គាម៉ា (γ) ដ៏ស្រទន់បំផុតសម្រាប់ទិន្នន័យបណ្តុះបណ្តាល PTE។ ដំបូង យើងបានវាយតម្លៃសំណុំបណ្តុះបណ្តាល ហើយបន្ទាប់មកបានសាកល្បងដំណើរការគំរូនៅលើសំណុំសុពលភាព។ ប៉ារ៉ាម៉ែត្រដឹកនាំដែលប្រើគឺ sigma ហើយតម្លៃវិធីសាស្ត្រគឺ svmRadial។
គំរូតំរែតំរង់លីនេអ៊ែរច្រើន (MLR) គឺជាគំរូតំរែតំរង់ដែលតំណាងឱ្យទំនាក់ទំនងរវាងអថេរឆ្លើយតប និងអថេរព្យាករណ៍មួយចំនួនដោយប្រើប៉ារ៉ាម៉ែត្រលីនេអ៊ែរដែលបានគណនាដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។ នៅក្នុង MLR គំរូការ៉េតិចគឺជាអនុគមន៍ព្យាករណ៍នៃលក្ខណៈសម្បត្តិដីបន្ទាប់ពីការជ្រើសរើសអថេរពន្យល់។ វាចាំបាច់ក្នុងការប្រើការឆ្លើយតបដើម្បីបង្កើតទំនាក់ទំនងលីនេអ៊ែរដោយប្រើអថេរពន្យល់។ PTE ត្រូវបានប្រើជាអថេរឆ្លើយតបដើម្បីបង្កើតទំនាក់ទំនងលីនេអ៊ែរជាមួយអថេរពន្យល់។ សមីការ MLR គឺ
ដែល y ជាអថេរឆ្លើយតប, \(a\) ជាចំណុចប្រសព្វ, n ជាចំនួននៃកត្តាព្យាករណ៍, \({b}_{1}\) ជាតំរែតំរង់ដោយផ្នែកនៃមេគុណ, \({x}_{ i}\) តំណាងឱ្យកត្តាព្យាករណ៍ ឬអថេរពន្យល់, និង \({\varepsilon }_{i}\) តំណាងឱ្យកំហុសនៅក្នុងគំរូ ដែលត្រូវបានគេស្គាល់ផងដែរថាជាសំណល់។
គំរូចម្រុះត្រូវបានទទួលដោយការបញ្ចូលគ្នារវាង EBK និង SVMR និង MLR។ នេះត្រូវបានធ្វើឡើងដោយការទាញយកតម្លៃព្យាករណ៍ពីការបញ្ចូល EBK។ តម្លៃព្យាករណ៍ដែលទទួលបានពី Ca, K និង Mg ដែលបានបញ្ចូលត្រូវបានទទួលតាមរយៈដំណើរការរួមបញ្ចូលគ្នាដើម្បីទទួលបានអថេរថ្មី ដូចជា CaK, CaMg និង KMg។ បន្ទាប់មកធាតុ Ca, K និង Mg ត្រូវបានផ្សំដើម្បីទទួលបានអថេរទីបួនគឺ CaKMg។ ជារួម អថេរដែលទទួលបានគឺ Ca, K, Mg, CaK, CaMg, KMg និង CaKMg។ អថេរទាំងនេះបានក្លាយជាឧបករណ៍ព្យាករណ៍របស់យើង ដែលជួយព្យាករណ៍កំហាប់នីកែលនៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។ ក្បួនដោះស្រាយ SVMR ត្រូវបានអនុវត្តលើឧបករណ៍ព្យាករណ៍ដើម្បីទទួលបានគំរូចម្រុះ Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM)។ ស្រដៀងគ្នានេះដែរ អថេរក៏ត្រូវបានបញ្ជូនតាមរយៈក្បួនដោះស្រាយ MLR ដើម្បីទទួលបានគំរូចម្រុះ Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR)។ ជាធម្មតា អថេរ Ca, K, Mg, CaK, CaMg, KMg និង CaKMg ត្រូវបានប្រើជាកូវ៉ារីត ជាការព្យាករណ៍នៃមាតិកា Ni នៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។ គំរូដែលអាចទទួលយកបានបំផុតដែលទទួលបាន (EBK_SVM ឬ EBK_MLR) នឹងត្រូវបានមើលឃើញដោយប្រើក្រាហ្វរៀបចំដោយខ្លួនឯង។ លំហូរការងារនៃការសិក្សានេះត្រូវបានបង្ហាញក្នុងរូបភាពទី 2។
ការប្រើប្រាស់ SeOM បានក្លាយជាឧបករណ៍ដ៏ពេញនិយមសម្រាប់ការរៀបចំ វាយតម្លៃ និងការព្យាករណ៍ទិន្នន័យនៅក្នុងវិស័យហិរញ្ញវត្ថុ ការថែទាំសុខភាព ឧស្សាហកម្ម ស្ថិតិ វិទ្យាសាស្ត្រដី និងច្រើនទៀត។ SeOM ត្រូវបានបង្កើតឡើងដោយប្រើបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត និងវិធីសាស្រ្តរៀនសូត្រដែលមិនមានការត្រួតពិនិត្យសម្រាប់ការរៀបចំ ការវាយតម្លៃ និងការព្យាករណ៍។ នៅក្នុងការសិក្សានេះ SeOM ត្រូវបានប្រើដើម្បីមើលឃើញកំហាប់ Ni ដោយផ្អែកលើគំរូដ៏ល្អបំផុតសម្រាប់ព្យាករណ៍ Ni នៅក្នុងដីទីក្រុង និងជាយក្រុង។ ទិន្នន័យដែលបានដំណើរការនៅក្នុងការវាយតម្លៃ SeOM ត្រូវបានប្រើជាអថេរវ៉ិចទ័រវិមាត្របញ្ចូល n43,56។Melssen et al. 57 ពិពណ៌នាអំពីការតភ្ជាប់នៃវ៉ិចទ័របញ្ចូលទៅក្នុងបណ្តាញសរសៃប្រសាទតាមរយៈស្រទាប់បញ្ចូលតែមួយទៅវ៉ិចទ័រទិន្នផលដែលមានវ៉ិចទ័រទម្ងន់តែមួយ។ ទិន្នផលដែលបង្កើតដោយ SeOM គឺជាផែនទីពីរវិមាត្រដែលមានណឺរ៉ូន ឬណូតផ្សេងៗគ្នាដែលត្បាញចូលទៅក្នុងផែនទីសណ្ឋានដីរាងឆកោន រង្វង់ ឬការ៉េ អាស្រ័យលើភាពជិតរបស់វា។ ការប្រៀបធៀបទំហំផែនទីដោយផ្អែកលើម៉ែត្រ កំហុសបរិមាណ (QE) និងកំហុសសណ្ឋានដី (TE) គំរូ SeOM ដែលមាន 0.086 និង 0.904 រៀងគ្នា ត្រូវបានជ្រើសរើស ដែលជាឯកតាផែនទី 55 (5 × 11)។ រចនាសម្ព័ន្ធណឺរ៉ូនត្រូវបានកំណត់យោងទៅតាមចំនួនណូតនៅក្នុងសមីការជាក់ស្តែង។
ចំនួនទិន្នន័យដែលប្រើក្នុងការសិក្សានេះគឺ ១១៥ គំរូ។ វិធីសាស្រ្តចៃដន្យមួយត្រូវបានប្រើដើម្បីបំបែកទិន្នន័យទៅជាទិន្នន័យសាកល្បង (២៥% សម្រាប់ការផ្ទៀងផ្ទាត់) និងសំណុំទិន្នន័យបណ្តុះបណ្តាល (៧៥% សម្រាប់ការក្រិតតាមខ្នាត)។ សំណុំទិន្នន័យបណ្តុះបណ្តាលត្រូវបានប្រើដើម្បីបង្កើតគំរូតំរែតំរង់ (ការក្រិតតាមខ្នាត) ហើយសំណុំទិន្នន័យសាកល្បងត្រូវបានប្រើដើម្បីផ្ទៀងផ្ទាត់សមត្ថភាពទូទៅ ៥៨។ នេះត្រូវបានធ្វើឡើងដើម្បីវាយតម្លៃភាពសមស្របនៃគំរូផ្សេងៗសម្រាប់ការព្យាករណ៍មាតិកានីកែលនៅក្នុងដី។ គំរូទាំងអស់ដែលប្រើបានឆ្លងកាត់ដំណើរការផ្ទៀងផ្ទាត់ឆ្លងកាត់ដប់ដង ត្រូវបានធ្វើម្តងទៀតប្រាំដង។ អថេរដែលផលិតដោយការបញ្ចូល EBK ត្រូវបានប្រើជាឧបករណ៍ព្យាករណ៍ ឬអថេរពន្យល់ដើម្បីព្យាករណ៍អថេរគោលដៅ (PTE)។ ការធ្វើគំរូត្រូវបានដោះស្រាយនៅក្នុង RStudio ដោយប្រើបណ្ណាល័យកញ្ចប់ (Kohonen) បណ្ណាល័យ (caret) បណ្ណាល័យ (modelr) បណ្ណាល័យ (“e1071″) បណ្ណាល័យ (“plyr”) បណ្ណាល័យ (“caTools”) បណ្ណាល័យ (“prospectr”) និងបណ្ណាល័យ (“Metrics”)។
ប៉ារ៉ាម៉ែត្រសុពលភាពផ្សេងៗត្រូវបានប្រើដើម្បីកំណត់គំរូដ៏ល្អបំផុតដែលសមស្របសម្រាប់ការព្យាករណ៍កំហាប់នីកែលនៅក្នុងដី និងដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃគំរូ និងការផ្ទៀងផ្ទាត់របស់វា។ គំរូចម្រុះត្រូវបានវាយតម្លៃដោយប្រើកំហុសដាច់ខាតមធ្យម (MAE) កំហុសការ៉េមធ្យមឫស (RMSE) និងការកំណត់ R-squared ឬមេគុណ (R2)។ R2 កំណត់ភាពខុសគ្នានៃសមាមាត្រនៅក្នុងចម្លើយ ដែលតំណាងដោយគំរូតំរែតំរង់។ RMSE និងទំហំភាពខុសគ្នានៅក្នុងរង្វាស់ឯករាជ្យពិពណ៌នាអំពីថាមពលព្យាករណ៍នៃគំរូ ខណៈពេលដែល MAE កំណត់តម្លៃបរិមាណជាក់ស្តែង។ តម្លៃ R2 ត្រូវតែខ្ពស់ដើម្បីវាយតម្លៃគំរូល្បាយដ៏ល្អបំផុតដោយប្រើប៉ារ៉ាម៉ែត្រសុពលភាព តម្លៃកាន់តែជិត 1 ភាពត្រឹមត្រូវកាន់តែខ្ពស់។ យោងតាម ​​Li et al. 59 តម្លៃលក្ខណៈវិនិច្ឆ័យ R2 0.75 ឬធំជាងនេះត្រូវបានចាត់ទុកថាជាការព្យាករណ៍ល្អ។ ពី 0.5 ដល់ 0.75 គឺជាការអនុវត្តគំរូដែលអាចទទួលយកបាន ហើយក្រោម 0.5 គឺជាការអនុវត្តគំរូដែលមិនអាចទទួលយកបាន។ នៅពេលជ្រើសរើសគំរូដោយប្រើវិធីសាស្ត្រវាយតម្លៃលក្ខណៈវិនិច្ឆ័យសុពលភាព RMSE និង MAE តម្លៃទាបដែលទទួលបានគឺគ្រប់គ្រាន់ ហើយត្រូវបានចាត់ទុកថាជាជម្រើសដ៏ល្អបំផុត។ សមីការខាងក្រោមពិពណ៌នាអំពីវិធីសាស្ត្រផ្ទៀងផ្ទាត់។
ដែល n តំណាងឱ្យទំហំនៃតម្លៃដែលបានសង្កេតឃើញ \({Y}_{i}\) តំណាងឱ្យការឆ្លើយតបដែលបានវាស់វែង ហើយ \({\widehat{Y}}_{i}\) ក៏តំណាងឱ្យតម្លៃឆ្លើយតបដែលបានព្យាករណ៍ផងដែរ ដូច្នេះ សម្រាប់ការសង្កេត i ដំបូង។
ការពិពណ៌នាស្ថិតិនៃអថេរព្យាករណ៍ និងអថេរឆ្លើយតបត្រូវបានបង្ហាញនៅក្នុងតារាងទី 1 ដែលបង្ហាញពីមធ្យមភាគ គម្លាតស្តង់ដារ (SD) មេគុណនៃការប្រែប្រួល (CV) អប្បបរមា អតិបរមា kurtosis និងភាពលំអៀង។ តម្លៃអប្បបរមា និងអតិបរមានៃធាតុនានាគឺស្ថិតនៅក្នុងលំដាប់ថយចុះនៃ Mg < Ca < K < Ni និង Ca < Mg < K < Ni រៀងៗខ្លួន។ កំហាប់នៃអថេរឆ្លើយតប (Ni) ដែលបានយកគំរូពីតំបន់សិក្សាមានចាប់ពី 4.86 ដល់ 42.39 mg/kg។ ការប្រៀបធៀប Ni ជាមួយមធ្យមភាគពិភពលោក (29 mg/kg) និងមធ្យមភាគអឺរ៉ុប (37 mg/kg) បានបង្ហាញថាមធ្យមភាគធរណីមាត្រដែលបានគណនារួមសម្រាប់តំបន់សិក្សាគឺស្ថិតនៅក្នុងជួរដែលអាចអត់ឱនបាន។ យ៉ាងណាក៏ដោយ ដូចដែលបានបង្ហាញដោយ Kabata-Pendias11 ការប្រៀបធៀបកំហាប់នីកែលជាមធ្យម (Ni) នៅក្នុងការសិក្សាបច្ចុប្បន្នជាមួយដីកសិកម្មនៅក្នុងប្រទេសស៊ុយអែតបង្ហាញថាកំហាប់នីកែលជាមធ្យមបច្ចុប្បន្នគឺខ្ពស់ជាង។ ដូចគ្នានេះដែរ កំហាប់មធ្យមនៃ Frydek Mistek នៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុងនៅក្នុងការសិក្សាបច្ចុប្បន្ន (Ni 16.15 mg/kg) គឺខ្ពស់ជាង។ លើសពីដែនកំណត់ដែលអាចអនុញ្ញាតបាន 60 (10.2 mg/kg) សម្រាប់ Ni នៅក្នុងដីទីក្រុងប៉ូឡូញដែលរាយការណ៍ដោយ Różański et al។ លើសពីនេះ Bretzel និង Calderisi61 បានកត់ត្រាកំហាប់ Ni មធ្យមទាបខ្លាំង (1.78 mg/kg) នៅក្នុងដីទីក្រុងនៅ Tuscany បើប្រៀបធៀបទៅនឹងការសិក្សាបច្ចុប្បន្ន។ Jim62 ក៏បានរកឃើញកំហាប់នីកែលទាបជាង (12.34 mg/kg) នៅក្នុងដីទីក្រុងហុងកុង ដែលទាបជាងកំហាប់នីកែលបច្ចុប្បន្ននៅក្នុងការសិក្សានេះ។ Birke et al63 បានរាយការណ៍ពីកំហាប់ Ni ជាមធ្យម 17.6 mg/kg នៅក្នុងតំបន់រ៉ែចាស់ និងឧស្សាហកម្មទីក្រុងនៅ Saxony-Anhalt ប្រទេសអាល្លឺម៉ង់ ដែលខ្ពស់ជាងកំហាប់ Ni ជាមធ្យម 1.45 mg/kg នៅក្នុងតំបន់ (16.15 mg/kg)។ ការស្រាវជ្រាវបច្ចុប្បន្ន។ មាតិកានីកែលលើសលប់នៅក្នុងដីនៅក្នុងតំបន់ទីក្រុង និងជាយក្រុងមួយចំនួននៃតំបន់សិក្សាអាចភាគច្រើនត្រូវបានសន្មតថាជាឧស្សាហកម្មដែក និងដែកថែប និងឧស្សាហកម្មលោហៈ។ នេះស្របនឹងការសិក្សាដោយ Khodadoust et al។ ៦៤ ថាឧស្សាហកម្មដែកថែប និងការងារដែកគឺជាប្រភពចម្បងនៃការបំពុលនីកែលនៅក្នុងដី។ ទោះជាយ៉ាងណាក៏ដោយ កត្តាព្យាករណ៍ក៏មានចាប់ពី 538.70 mg/kg ដល់ 69,161.80 mg/kg សម្រាប់ Ca, 497.51 mg/kg ដល់ 3535.68 mg/kg សម្រាប់ K និង 685.68 mg/kg ដល់ 5970.05 mg/kg សម្រាប់ Mg។ Jakovljevic et al. 65 បានស៊ើបអង្កេតមាតិកា Mg និង K សរុបនៃដីនៅកណ្តាលប្រទេសស៊ែប៊ី។ ពួកគេបានរកឃើញថាកំហាប់សរុប (410 mg/kg និង 400 mg/kg រៀងគ្នា) គឺទាបជាងកំហាប់ Mg និង K នៃការសិក្សាបច្ចុប្បន្ន។ មិនអាចបែងចែកបានទេ នៅភាគខាងកើតប្រទេសប៉ូឡូញ Orzechowski និង Smolczynski66 បានវាយតម្លៃមាតិកាសរុបនៃ Ca, Mg និង K ហើយបានបង្ហាញពីកំហាប់ជាមធ្យមនៃ Ca (1100 mg/kg), Mg (590 mg/kg) និង K (810 mg/kg)។ មាតិកានៅក្នុងដីស្រទាប់លើគឺទាបជាងធាតុតែមួយនៅក្នុងការសិក្សានេះ។ ការសិក្សាថ្មីៗនេះដោយ Pongrac et al. 67 បានបង្ហាញថាមាតិកា Ca សរុបដែលបានវិភាគនៅក្នុងដី 3 ផ្សេងគ្នានៅស្កុតឡេន ចក្រភពអង់គ្លេស (ដី Mylnefield ដី Balruddery និងដី Hartwood) បានបង្ហាញពីមាតិកា Ca ខ្ពស់ជាងនៅក្នុងការសិក្សានេះ។
ដោយសារតែកំហាប់ដែលវាស់វែងបានខុសៗគ្នានៃធាតុដែលបានយកគំរូ ការចែកចាយសំណុំទិន្នន័យនៃធាតុបង្ហាញពីភាពលំអៀងខុសៗគ្នា។ ភាពលំអៀង និង kurtosis នៃធាតុមានចាប់ពី 1.53 ដល់ 7.24 និង 2.49 ដល់ 54.16 រៀងគ្នា។ ធាតុដែលបានគណនាទាំងអស់មានកម្រិតភាពលំអៀង និង kurtosis លើសពី +1 ដូច្នេះបង្ហាញថាការចែកចាយទិន្នន័យគឺមិនទៀងទាត់ លំអៀងក្នុងទិសដៅត្រឹមត្រូវ និងឡើងដល់កំពូល។ CVs ដែលបានប៉ាន់ប្រមាណនៃធាតុក៏បង្ហាញផងដែរថា K, Mg និង Ni បង្ហាញពីភាពប្រែប្រួលកម្រិតមធ្យម ខណៈពេលដែល Ca មានភាពប្រែប្រួលខ្ពស់ខ្លាំង។ CVs នៃ K, Ni និង Mg ពន្យល់ពីការចែកចាយឯកសណ្ឋានរបស់ពួកគេ។ លើសពីនេះ ការចែកចាយ Ca គឺមិនស្មើគ្នា ហើយប្រភពខាងក្រៅអាចប៉ះពាល់ដល់កម្រិតបង្កើនរបស់វា។
ទំនាក់ទំនងនៃអថេរព្យាករណ៍ជាមួយធាតុឆ្លើយតបបានបង្ហាញពីទំនាក់ទំនងពេញចិត្តរវាងធាតុ (សូមមើលរូបភាពទី 3)។ ទំនាក់ទំនងបានបង្ហាញថា CaK បានបង្ហាញទំនាក់ទំនងមធ្យមជាមួយតម្លៃ r = 0.53 ដូច CaNi ដែរ។ ទោះបីជា Ca និង K បង្ហាញទំនាក់ទំនងមធ្យមជាមួយគ្នាក៏ដោយ អ្នកស្រាវជ្រាវដូចជា Kingston et al. 68 និង Santo69 បង្ហាញថាកម្រិតរបស់វានៅក្នុងដីមានសមាមាត្របញ្ច្រាស។ ទោះជាយ៉ាងណាក៏ដោយ Ca និង Mg គឺផ្ទុយនឹង K ប៉ុន្តែ CaK មានទំនាក់ទំនងគ្នាយ៉ាងល្អ។ នេះអាចបណ្តាលមកពីការប្រើប្រាស់ជីដូចជាប៉ូតាស្យូមកាបូណាត ដែលមានប៉ូតាស្យូមខ្ពស់ជាង 56%។ ប៉ូតាស្យូមមានទំនាក់ទំនងមធ្យមជាមួយម៉ាញ៉េស្យូម (KM r = 0.63)។ នៅក្នុងឧស្សាហកម្មជី ធាតុទាំងពីរនេះមានទំនាក់ទំនងយ៉ាងជិតស្និទ្ធ ពីព្រោះប៉ូតាស្យូមម៉ាញ៉េស្យូមស៊ុលហ្វាត ប៉ូតាស្យូមម៉ាញ៉េស្យូមនីត្រាត និងប៉ូតាស្យូមត្រូវបានអនុវត្តទៅលើដីដើម្បីបង្កើនកម្រិតកង្វះរបស់វា។ នីកែលមានទំនាក់ទំនងមធ្យមជាមួយ Ca, K និង Mg ជាមួយនឹងតម្លៃ r = 0.52, 0.63 និង 0.55 រៀងគ្នា។ ទំនាក់ទំនងដែលពាក់ព័ន្ធនឹងកាល់ស្យូម ម៉ាញ៉េស្យូម និង PTEs ដូចជានីកែលគឺស្មុគស្មាញ ប៉ុន្តែទោះជាយ៉ាងណាក៏ដោយ ម៉ាញ៉េស្យូមរារាំងការស្រូបយកកាល់ស្យូម កាល់ស្យូមកាត់បន្ថយផលប៉ះពាល់នៃម៉ាញ៉េស្យូមលើស ហើយទាំងម៉ាញ៉េស្យូម និងកាល់ស្យូមកាត់បន្ថយផលប៉ះពាល់ពុលនៃនីកែលនៅក្នុងដី។
ម៉ាទ្រីស​សហសម្ព័ន្ធ​សម្រាប់​ធាតុ​ដែល​បង្ហាញ​ទំនាក់ទំនង​រវាង​ឧបករណ៍​ព្យាករណ៍ និង​ការឆ្លើយតប (ចំណាំ៖ តួលេខ​នេះ​រួម​បញ្ចូល​ទាំង​គ្រោង​រាយប៉ាយ​រវាង​ធាតុ​នានា កម្រិត​សារៈសំខាន់​គឺ​ផ្អែក​លើ p < 0,001)។
រូបភាពទី 4 បង្ហាញពីការចែកចាយលំហនៃធាតុ។ យោងតាម ​​Burgos et al70 ការអនុវត្តការចែកចាយលំហគឺជាបច្ចេកទេសមួយដែលប្រើដើម្បីវាស់បរិមាណ និងបន្លិចចំណុចក្តៅនៅក្នុងតំបន់ដែលមានការបំពុល។ កម្រិតនៃការបង្កើន Ca នៅក្នុងរូបភាពទី 4 អាចមើលឃើញនៅភាគពាយ័ព្យនៃផែនទីចែកចាយលំហ។ រូបភាពបង្ហាញពីចំណុចក្តៅនៃការបង្កើន Ca កម្រិតមធ្យមទៅខ្ពស់។ ការបង្កើនកាល់ស្យូមនៅភាគពាយ័ព្យនៃផែនទីទំនងជាដោយសារតែការប្រើប្រាស់កំបោររហ័ស (កាល់ស្យូមអុកស៊ីដ) ដើម្បីកាត់បន្ថយជាតិអាស៊ីតនៃដី និងការប្រើប្រាស់របស់វានៅក្នុងរោងម៉ាស៊ីនដែកជាអុកស៊ីសែនអាល់កាឡាំងនៅក្នុងដំណើរការផលិតដែកថែប។ ម្យ៉ាងវិញទៀត កសិករផ្សេងទៀតចូលចិត្តប្រើកាល់ស្យូមអ៊ីដ្រូស៊ីតនៅក្នុងដីអាស៊ីតដើម្បីបន្សាប pH ដែលក៏បង្កើនមាតិកាកាល់ស្យូមនៃដីផងដែរ។ ប៉ូតាស្យូមក៏បង្ហាញពីចំណុចក្តៅនៅភាគពាយ័ព្យ និងខាងកើតនៃផែនទីផងដែរ។ ភាគពាយ័ព្យគឺជាសហគមន៍កសិកម្មដ៏សំខាន់មួយ ហើយគំរូប៉ូតាស្យូមកម្រិតមធ្យមទៅខ្ពស់អាចបណ្តាលមកពីការប្រើប្រាស់ NPK និងប៉ូតាស្យូម។ នេះស្របនឹងការសិក្សាផ្សេងទៀត ដូចជា Madaras និង Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75 ដែលបានសង្កេតឃើញ។ ថា ការធ្វើឲ្យដីមានស្ថេរភាព និងការព្យាបាលជាមួយ KCl និង NPK បណ្តាលឱ្យមានមាតិកា K ខ្ពស់នៅក្នុងដី។ ការបង្កើនប៉ូតាស្យូមក្នុងលំហនៅភាគពាយ័ព្យនៃផែនទីចែកចាយអាចបណ្តាលមកពីការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើប៉ូតាស្យូមដូចជា ប៉ូតាស្យូមក្លរួ ប៉ូតាស្យូមស៊ុលហ្វាត ប៉ូតាស្យូមនីត្រាត ប៉ូតាស្យូម និងប៉ូតាស្យូម ដើម្បីបង្កើនមាតិកាប៉ូតាស្យូមនៃដីមិនល្អ។ Zádorová et al. 76 និង Tlustoš et al. 77 បានគូសបញ្ជាក់ថា ការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើ K បានបង្កើនមាតិកា K នៅក្នុងដី ហើយនឹងបង្កើនមាតិកាសារធាតុចិញ្ចឹមក្នុងដីយ៉ាងច្រើនក្នុងរយៈពេលវែង ជាពិសេស K និង Mg ដែលបង្ហាញពីចំណុចក្តៅនៅក្នុងដី។ ចំណុចក្តៅមធ្យមនៅភាគពាយ័ព្យនៃផែនទី និងភាគអាគ្នេយ៍នៃផែនទី។ ការជួសជុលកូឡាជែននៅក្នុងដីធ្វើឱ្យកំហាប់ម៉ាញ៉េស្យូមនៅក្នុងដីថយចុះ។ ការខ្វះខាតរបស់វានៅក្នុងដីបណ្តាលឱ្យរុក្ខជាតិបង្ហាញពីការបាត់បង់ជាតិក្លរ៉ូស៊ីសពណ៌លឿងនៅចន្លោះសរសៃ។ ជីដែលមានមូលដ្ឋានលើម៉ាញ៉េស្យូម ដូចជាប៉ូតាស្យូមម៉ាញ៉េស្យូមស៊ុលហ្វាត ម៉ាញ៉េស្យូមស៊ុលហ្វាត និង Kieserite ព្យាបាលកង្វះ (រុក្ខជាតិលេចឡើងពណ៌ស្វាយ ក្រហម ឬត្នោត ដែលបង្ហាញពីកង្វះម៉ាញ៉េស្យូម) នៅក្នុងដីដែលមានជួរ pH ធម្មតា6។ ការប្រមូលផ្តុំនីកែលនៅលើផ្ទៃដីទីក្រុង និងជុំវិញទីក្រុងអាចបណ្តាលមកពីសកម្មភាពមនុស្សដូចជាកសិកម្ម និងសារៈសំខាន់នៃនីកែលក្នុងការផលិតដែកអ៊ីណុក78។
ការចែកចាយលំហនៃធាតុ [ផែនទីចែកចាយលំហត្រូវបានបង្កើតឡើងដោយប្រើ ArcGIS Desktop (ESRI, Inc, កំណែ 10.7, URL: https://desktop.arcgis.com)]
លទ្ធផលសន្ទស្សន៍ការអនុវត្តគំរូសម្រាប់ធាតុដែលប្រើក្នុងការសិក្សានេះត្រូវបានបង្ហាញក្នុងតារាងទី 2។ ម្យ៉ាងវិញទៀត RMSE និង MAE របស់ Ni គឺជិតសូន្យ (0.86 RMSE, -0.08 MAE)។ ម្យ៉ាងវិញទៀត តម្លៃ RMSE និង MAE របស់ K ទាំងអាចទទួលយកបាន។ លទ្ធផល RMSE និង MAE គឺធំជាងសម្រាប់កាល់ស្យូម និងម៉ាញ៉េស្យូម។ លទ្ធផល Ca និង K MAE និង RMSE គឺធំជាងដោយសារតែសំណុំទិន្នន័យផ្សេងៗគ្នា។ លទ្ធផល RMSE និង MAE នៃការសិក្សានេះដោយប្រើ EBK ដើម្បីទស្សន៍ទាយ Ni ត្រូវបានគេរកឃើញថាល្អជាងលទ្ធផលរបស់ John et al. 54 ដោយប្រើ kriging សហការគ្នាដើម្បីទស្សន៍ទាយកំហាប់ S នៅក្នុងដីដោយប្រើទិន្នន័យដែលប្រមូលបានដូចគ្នា។ លទ្ធផល EBK ដែលយើងបានសិក្សាមានទំនាក់ទំនងជាមួយលទ្ធផលរបស់ Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 និង John et al. 82 ជាពិសេស K និង Ni។
ការអនុវត្តវិធីសាស្ត្រនីមួយៗសម្រាប់ការព្យាករណ៍មាតិកានីកែលនៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុងត្រូវបានវាយតម្លៃដោយប្រើការអនុវត្តគំរូ (តារាងទី 3)។ ការផ្ទៀងផ្ទាត់គំរូ និងការវាយតម្លៃភាពត្រឹមត្រូវបានបញ្ជាក់ថា ឧបករណ៍ព្យាករណ៍ Ca_Mg_K រួមផ្សំជាមួយគំរូ EBK SVMR បានផ្តល់លទ្ធផលល្អបំផុត។ គំរូក្រិតតាមខ្នាត Ca_Mg_K-EBK_SVMR គំរូ R2 កំហុសមធ្យមឫសការ៉េ (RMSE) និងកំហុសដាច់ខាតមធ្យម (MAE) គឺ 0.637 (R2), 95.479 mg/kg (RMSE) និង 77.368 mg/kg (MAE)។ Ca_Mg_K-SVMR គឺ 0.663 (R2), 235.974 mg/kg (RMSE) និង 166.946 mg/kg (MAE)។ យ៉ាងណាក៏ដោយ តម្លៃ R2 ល្អត្រូវបានទទួលសម្រាប់ Ca_Mg_K-SVMR (0.663 mg/kg R2) និង Ca_Mg-EBK_SVMR។ (០,៦៤៣ = R២); លទ្ធផល RMSE និង MAE របស់ពួកវាខ្ពស់ជាងលទ្ធផលសម្រាប់ Ca_Mg_K-EBK_SVMR (R2 0.637) (សូមមើលតារាងទី 3)។ លើសពីនេះ RMSE និង MAE នៃគំរូ Ca_Mg-EBK_SVMR (RMSE = 1664.64 និង MAE = 1031.49) គឺ 17.5 និង 13.4 រៀងគ្នា ដែលធំជាងលទ្ធផលនៃ Ca_Mg_K-EBK_SVMR។ ដូចគ្នានេះដែរ RMSE និង MAE នៃគំរូ Ca_Mg-K SVMR (RMSE = 235.974 និង MAE = 166.946) គឺធំជាងលទ្ធផលនៃ Ca_Mg_K-EBK_SVMR RMSE និង MAE ចំនួន 2.5 និង 2.2 រៀងគ្នា។ លទ្ធផល RMSE ដែលបានគណនាបង្ហាញពីរបៀបដែលសំណុំទិន្នន័យមានកំហាប់ជាមួយនឹងបន្ទាត់ដែលសមបំផុត។ RSME និង MAE ខ្ពស់ជាងនេះត្រូវបានគេសង្កេតឃើញ។ យោងតាម ​​​​Kebonye et al. ៤៦ និង john et al. ៥៤ RMSE និង MAE កាន់តែខិតជិតសូន្យ លទ្ធផលកាន់តែល្អ។ SVMR និង EBK_SVMR មានតម្លៃ RSME និង MAE ដែលមានបរិមាណខ្ពស់ជាង។ វាត្រូវបានគេសង្កេតឃើញថា ការប៉ាន់ស្មាន RSME គឺខ្ពស់ជាងតម្លៃ MAE ជាប់លាប់ ដែលបង្ហាញពីវត្តមាននៃ outliers។ យោងតាម ​​​​Legates និង McCabe83 វិសាលភាពដែល RMSE លើសពីកំហុសដាច់ខាតមធ្យម (MAE) ត្រូវបានណែនាំជាសូចនាករនៃវត្តមាននៃ outliers។ នេះមានន័យថា សំណុំទិន្នន័យកាន់តែមានភាពចម្រុះ តម្លៃ MAE និង RMSE កាន់តែខ្ពស់។ ភាពត្រឹមត្រូវនៃការវាយតម្លៃសុពលភាពឆ្លងនៃគំរូចម្រុះ Ca_Mg_K-EBK_SVMR សម្រាប់ការព្យាករណ៍មាតិកា Ni នៅក្នុងដីទីក្រុង និងជាយក្រុងគឺ 63.70%។ យោងតាម ​​​​Li et al. ៥៩ កម្រិតនៃភាពត្រឹមត្រូវនេះគឺជាអត្រាការអនុវត្តគំរូដែលអាចទទួលយកបាន។ លទ្ធផលបច្ចុប្បន្នត្រូវបានប្រៀបធៀបទៅនឹងការសិក្សាមុនដោយ Tarasov et al. 36 ដែល​គំរូ​កូនកាត់​របស់​វា​បាន​បង្កើត MLPRK (Multilayer Perceptron Residual Kriging) ដែល​ទាក់ទង​នឹង​សន្ទស្សន៍​វាយតម្លៃ​ភាពត្រឹមត្រូវ EBK_SVMR ដែល​បាន​រាយការណ៍​ក្នុង​ការសិក្សា​បច្ចុប្បន្ន RMSE (210) និង MAE (167.5) គឺ​ខ្ពស់​ជាង​លទ្ធផល​របស់​យើង​ក្នុង​ការសិក្សា​បច្ចុប្បន្ន (RMSE 95.479, MAE 77.368)។ ទោះជាយ៉ាងណាក៏ដោយ នៅពេលប្រៀបធៀប R2 នៃការសិក្សាបច្ចុប្បន្ន (0.637) ជាមួយនឹង Tarasov et al។ 36 (0.544) វាច្បាស់ណាស់ថាមេគុណនៃការកំណត់ (R2) គឺខ្ពស់ជាងនៅក្នុងគំរូចម្រុះនេះ។ រឹមនៃកំហុស (RMSE និង MAE) (EBK SVMR) សម្រាប់គំរូចម្រុះគឺទាបជាងពីរដង។ ដូចគ្នានេះដែរ Sergeev et al.34 បានកត់ត្រា 0.28 (R2) សម្រាប់គំរូកូនកាត់ដែលបានអភិវឌ្ឍ (Multilayer Perceptron Residual Kriging) ខណៈពេលដែល Ni នៅក្នុងការសិក្សាបច្ចុប្បន្នបានកត់ត្រា 0.637 (R2)។ កម្រិតភាពត្រឹមត្រូវនៃការព្យាករណ៍នៃគំរូនេះ (EBK SVMR) គឺ 63.7% ខណៈពេលដែលភាពត្រឹមត្រូវនៃការព្យាករណ៍ដែលទទួលបានដោយ Sergeev et al.34 គឺ 28%។ ផែនទីចុងក្រោយ (រូបភាពទី 5) ដែលបង្កើតឡើងដោយប្រើគំរូ EBK_SVMR និង Ca_Mg_K ជាឧបករណ៍ព្យាករណ៍បង្ហាញពីការព្យាករណ៍នៃចំណុចក្តៅ និងកម្រិតមធ្យមទៅនីកែលលើតំបន់សិក្សាទាំងមូល។ នេះមានន័យថាកំហាប់នីកែលនៅក្នុងតំបន់សិក្សាភាគច្រើនគឺមធ្យម ជាមួយនឹងកំហាប់ខ្ពស់ជាងនៅក្នុងតំបន់ជាក់លាក់មួយចំនួន។
ផែនទីព្យាករណ៍ចុងក្រោយត្រូវបានតំណាងដោយប្រើគំរូកូនកាត់ EBK_SVMR និងប្រើ Ca_Mg_K ជាឧបករណ៍ព្យាករណ៍។ [ផែនទីចែកចាយលំហត្រូវបានបង្កើតឡើងដោយប្រើ RStudio (កំណែ 1.4.1717: https://www.rstudio.com/)]
បង្ហាញក្នុងរូបភាពទី 6 គឺជាកំហាប់ PTE ជាប្លង់សមាសភាពដែលមានណឺរ៉ូននីមួយៗ។ គ្មានប្លង់សមាសធាតុណាមួយបង្ហាញលំនាំពណ៌ដូចគ្នានឹងបង្ហាញនោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ ចំនួនណឺរ៉ូនសមស្របក្នុងមួយផែនទីដែលគូរគឺ 55។ SeOM ត្រូវបានផលិតដោយប្រើពណ៌ជាច្រើនប្រភេទ ហើយលំនាំពណ៌កាន់តែស្រដៀងគ្នា លក្ខណៈសម្បត្តិនៃគំរូកាន់តែអាចប្រៀបធៀបបាន។ យោងតាមមាត្រដ្ឋានពណ៌ច្បាស់លាស់របស់វា ធាតុនីមួយៗ (Ca, K និង Mg) បានបង្ហាញលំនាំពណ៌ស្រដៀងគ្នាទៅនឹងណឺរ៉ូនខ្ពស់តែមួយ និងណឺរ៉ូនទាបភាគច្រើន។ ដូច្នេះ CaK និង CaMg ចែករំលែកភាពស្រដៀងគ្នាមួយចំនួនជាមួយនឹងណឺរ៉ូនលំដាប់ខ្ពស់ខ្លាំង និងលំនាំពណ៌ទាបទៅមធ្យម។ ម៉ូដែលទាំងពីរព្យាករណ៍ពីកំហាប់ Ni នៅក្នុងដីដោយបង្ហាញពណ៌មធ្យមទៅខ្ពស់ដូចជាក្រហម ទឹកក្រូច និងលឿង។ ម៉ូដែល KMg បង្ហាញលំនាំពណ៌ខ្ពស់ជាច្រើនដោយផ្អែកលើសមាមាត្រច្បាស់លាស់ និងបំណះពណ៌ទាបទៅមធ្យម។ នៅលើមាត្រដ្ឋានពណ៌ច្បាស់លាស់ពីទាបទៅខ្ពស់ លំនាំចែកចាយរាបស្មើនៃសមាសធាតុនៃម៉ូដែលបានបង្ហាញលំនាំពណ៌ខ្ពស់ដែលបង្ហាញពីកំហាប់នីកែលដែលមានសក្តានុពលនៅក្នុងដី (សូមមើលរូបភាពទី 4)។ ប្លង់សមាសធាតុម៉ូដែល CakMg បង្ហាញលំនាំពណ៌ចម្រុះពីទាបទៅខ្ពស់យោងទៅតាមពណ៌ត្រឹមត្រូវ។ មាត្រដ្ឋាន។ លើសពីនេះ ការព្យាករណ៍មាតិកានីកែល (CakMg) របស់គំរូគឺស្រដៀងគ្នាទៅនឹងការចែកចាយលំហនៃនីកែលដែលបង្ហាញក្នុងរូបភាពទី 5។ ក្រាហ្វទាំងពីរបង្ហាញពីសមាមាត្រខ្ពស់ មធ្យម និងទាបនៃកំហាប់នីកែលនៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។ រូបភាពទី 7 ពណ៌នាអំពីវិធីសាស្ត្រវណ្ឌវង្កនៅក្នុងក្រុមមធ្យម k នៅលើផែនទី ដែលបែងចែកជាបីចង្កោមដោយផ្អែកលើតម្លៃព្យាករណ៍នៅក្នុងគំរូនីមួយៗ។ វិធីសាស្ត្រវណ្ឌវង្កតំណាងឱ្យចំនួនចង្កោមល្អបំផុត។ ក្នុងចំណោមសំណាកដីចំនួន 115 ដែលប្រមូលបាន ប្រភេទទី 1 ទទួលបានសំណាកដីច្រើនជាងគេ 74។ ចង្កោមទី 2 ទទួលបានសំណាកចំនួន 33 ខណៈពេលដែលចង្កោមទី 3 ទទួលបានសំណាកចំនួន 8។ ការរួមបញ្ចូលគ្នានៃការព្យាករណ៍ប្លង់ដែលមានសមាសធាតុចំនួនប្រាំពីរត្រូវបានធ្វើឱ្យសាមញ្ញដើម្បីអនុញ្ញាតឱ្យមានការបកស្រាយចង្កោមត្រឹមត្រូវ។ ដោយសារតែដំណើរការមនុស្ស និងធម្មជាតិជាច្រើនដែលប៉ះពាល់ដល់ការបង្កើតដី វាពិបាកក្នុងការមានលំនាំចង្កោមដែលខុសគ្នាត្រឹមត្រូវនៅក្នុងផែនទី SeOM ដែលចែកចាយ78។
លទ្ធផល​នៃ​ប្លង់​សមាសភាគ​ដោយ​អថេរ Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) នីមួយៗ។ [ផែនទី SeOM ត្រូវបានបង្កើតឡើងដោយប្រើ RStudio (កំណែ 1.4.1717: https://www.rstudio.com/)។]
សមាសធាតុ​ចំណាត់ថ្នាក់​ចង្កោម​ផ្សេងៗ [ផែនទី SeOM ត្រូវ​បាន​បង្កើត​ឡើង​ដោយ​ប្រើ RStudio (កំណែ 1.4.1717: https://www.rstudio.com/)]
ការសិក្សាបច្ចុប្បន្នបង្ហាញយ៉ាងច្បាស់អំពីបច្ចេកទេសធ្វើគំរូសម្រាប់កំហាប់នីកែលនៅក្នុងដីទីក្រុង និងដីជុំវិញទីក្រុង។ ការសិក្សានេះបានសាកល្បងបច្ចេកទេសធ្វើគំរូផ្សេងៗគ្នា ដោយរួមបញ្ចូលគ្នានូវធាតុជាមួយនឹងបច្ចេកទេសធ្វើគំរូ ដើម្បីទទួលបានវិធីល្អបំផុតដើម្បីព្យាករណ៍កំហាប់នីកែលនៅក្នុងដី។ លក្ខណៈពិសេសនៃលំហប្លង់សមាសភាព SeOM នៃបច្ចេកទេសធ្វើគំរូបានបង្ហាញលំនាំពណ៌ខ្ពស់ពីទាបទៅខ្ពស់លើមាត្រដ្ឋានពណ៌ត្រឹមត្រូវ ដែលបង្ហាញពីកំហាប់ Ni នៅក្នុងដី។ ទោះជាយ៉ាងណាក៏ដោយ ផែនទីចែកចាយលំហបញ្ជាក់ពីការចែកចាយលំហប្លង់នៃសមាសធាតុដែលបង្ហាញដោយ EBK_SVMR (សូមមើលរូបភាពទី 5)។ លទ្ធផលបង្ហាញថា គំរូតំរែតំរង់ម៉ាស៊ីនវ៉ិចទ័រជំនួយ (Ca Mg K-SVMR) ព្យាករណ៍កំហាប់ Ni នៅក្នុងដីជាគំរូតែមួយ ប៉ុន្តែប៉ារ៉ាម៉ែត្រសុពលភាព និងការវាយតម្លៃភាពត្រឹមត្រូវបង្ហាញពីកំហុសខ្ពស់ណាស់ទាក់ទងនឹង RMSE និង MAE។ ម្យ៉ាងវិញទៀត បច្ចេកទេសធ្វើគំរូដែលប្រើជាមួយគំរូ EBK_MLR ក៏មានចំណុចខ្វះខាតផងដែរ ដោយសារតែតម្លៃទាបនៃមេគុណនៃការកំណត់ (R2)។ លទ្ធផលល្អត្រូវបានទទួលដោយប្រើ EBK SVMR និងធាតុរួមបញ្ចូលគ្នា (CaKMg) ជាមួយនឹងកំហុស RMSE និង MAE ទាបជាមួយនឹងភាពត្រឹមត្រូវ 63.7%។ វាបង្ហាញថា ការរួមបញ្ចូលក្បួនដោះស្រាយ EBK ជាមួយនឹងក្បួនដោះស្រាយការរៀនម៉ាស៊ីនអាចបង្កើតក្បួនដោះស្រាយកូនកាត់ដែលអាចទស្សន៍ទាយកំហាប់ PTEs នៅក្នុងដី។ លទ្ធផលបង្ហាញថាការប្រើប្រាស់ Ca Mg K ជាកត្តាព្យាករណ៍ដើម្បីទស្សន៍ទាយកំហាប់ Ni នៅក្នុងតំបន់សិក្សាអាចធ្វើអោយប្រសើរឡើងនូវការទស្សន៍ទាយ Ni នៅក្នុងដី។ នេះមានន័យថាការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើនីកែលជាបន្តបន្ទាប់ និងការបំពុលដីដោយឧស្សាហកម្មដែកថែបមានទំនោរក្នុងការបង្កើនកំហាប់នីកែលនៅក្នុងដី។ ការសិក្សានេះបានបង្ហាញថាគំរូ EBK អាចកាត់បន្ថយកម្រិតនៃកំហុស និងធ្វើអោយប្រសើរឡើងនូវភាពត្រឹមត្រូវនៃគំរូនៃការចែកចាយលំហដីនៅក្នុងដីទីក្រុង ឬដីជុំវិញទីក្រុង។ ជាទូទៅ យើងស្នើឱ្យអនុវត្តគំរូ EBK-SVMR ដើម្បីវាយតម្លៃ និងទស្សន៍ទាយ PTE នៅក្នុងដី។ លើសពីនេះ យើងស្នើឱ្យប្រើ EBK ដើម្បីធ្វើកូនកាត់ជាមួយក្បួនដោះស្រាយការរៀនម៉ាស៊ីនផ្សេងៗ។ កំហាប់ Ni ត្រូវបានទស្សន៍ទាយដោយប្រើធាតុជាកូវ៉ារីត។ ទោះជាយ៉ាងណាក៏ដោយ ការប្រើប្រាស់កូវ៉ារីតកាន់តែច្រើននឹងធ្វើអោយប្រសើរឡើងយ៉ាងខ្លាំងនូវដំណើរការនៃគំរូ ដែលអាចត្រូវបានចាត់ទុកថាជាដែនកំណត់នៃការងារបច្ចុប្បន្ន។ ដែនកំណត់មួយទៀតនៃការសិក្សានេះគឺថាចំនួនសំណុំទិន្នន័យគឺ 115។ ដូច្នេះ ប្រសិនបើទិន្នន័យបន្ថែមត្រូវបានផ្តល់ជូន ដំណើរការនៃវិធីសាស្ត្រធ្វើកូនកាត់ដែលបានស្នើឡើងអាចត្រូវបានធ្វើឱ្យប្រសើរឡើង។
PlantProbs.net.នីកែលនៅក្នុងរុក្ខជាតិ និងដី https://plantprobs.net/plant/nutrientImbalances/sodium.html (ចូលមើលនៅថ្ងៃទី 28 ខែមេសា ឆ្នាំ 2021)។
Kasprzak, KS Nickel មានការរីកចម្រើនក្នុងវិទ្យាសាស្ត្រពុលបរិស្ថានទំនើប។ បរិស្ថានជុំវិញ។ ជាតិពុលវិទ្យា។ ១១, ១៤៥–១៨៣ (១៩៨៧)។
Cempel, M. & Nikel, G. Nickel: ការពិនិត្យឡើងវិញអំពីប្រភពរបស់វា និងជាតិពុលបរិស្ថាន។ Polish J. Environment.Stud.15, 375–382 (2006)។
Freedman, B. & Hutchinson, TC សារធាតុបំពុលចូលពីបរិយាកាស និងការប្រមូលផ្តុំនៅក្នុងដី និងរុក្ខជាតិនៅជិតរោងចក្ររំលាយនីកែល-ទង់ដែងមួយកន្លែងនៅ Sudbury រដ្ឋ Ontario ប្រទេសកាណាដា។ can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)។
Manyiwa, T. et al. លោហធាតុធ្ងន់នៅក្នុងដី រុក្ខជាតិ និងហានិភ័យដែលទាក់ទងនឹងសត្វស៊ីស្មៅនៅជិតអណ្តូងរ៉ែទង់ដែង-នីកែល Selebi-Phikwe ក្នុងប្រទេសបុតស្វាណា. បរិស្ថានជុំវិញ. ភូមិសាស្ត្រ. សុខភាព https://doi.org/10.1007/s10653-021-00918-x (2021)។
Cabata-Pendias.Kabata-Pendias A. 2011. ធាតុដាននៅក្នុងដី និង… – Google Scholar 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= (ចូលមើលនៅថ្ងៃទី 24 ខែវិច្ឆិកា ឆ្នាំ 2020)។
Almås, A., Singh, B., កសិកម្ម, TS-NJ និង 1995, មិនបានកំណត់។ ផលប៉ះពាល់នៃឧស្សាហកម្មនីកែលរបស់រុស្ស៊ីលើកំហាប់លោហៈធ្ងន់នៅក្នុងដីកសិកម្ម និងស្មៅនៅ Soer-Varanger ប្រទេសន័រវេស.agris.fao.org។
Nielsen, GD et al. ការស្រូបយក និងការរក្សានីកែលក្នុងទឹកផឹកមានទំនាក់ទំនងទៅនឹងការទទួលទានអាហារ និងភាពរសើបចំពោះនីកែល។ toxicology.application.Pharmacodynamics.154, 67–75 (1999)។
Costa, M. & Klein, CB Nickel ការបង្កមហារីក ការផ្លាស់ប្តូរ អេពីហ្សែនទិក ឬការជ្រើសរើស។ បរិស្ថាន។ ទស្សនៈសុខភាព។ 107, 2 (1999)។
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; ការវិភាគនិន្នាការនៃធាតុពុលដែលអាចកើតមាន៖ ការពិនិត្យឡើងវិញនូវគន្ថនិទ្ទេស។ ភូគព្ភសាស្ត្របរិស្ថាន និងសុខភាព។ Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9។
Minasny, B. & McBratney, AB ការធ្វើផែនទីដីឌីជីថល៖ ប្រវត្តិសង្ខេប និងមេរៀនមួយចំនួន។ Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)។
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital land mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)។
Deutsch.CV ការធ្វើគំរូអាងស្តុកទឹកភូមិសាស្ត្រ,… – 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= (ចូលមើលនៅថ្ងៃទី 28 ខែមេសា ឆ្នាំ 2021)។