សូមអរគុណសម្រាប់ការចូលមើល Nature.com.កំណែកម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលអ្នកកំពុងប្រើមានកម្រិតគាំទ្រសម្រាប់ CSS។ សម្រាប់បទពិសោធន៍ដ៏ល្អបំផុត យើងសូមណែនាំឱ្យអ្នកប្រើកម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលបានអាប់ដេត (ឬបិទមុខងារដែលត្រូវគ្នានៅក្នុង Internet Explorer)។ ក្នុងពេលជាមួយគ្នានេះ ដើម្បីធានាបាននូវការគាំទ្របន្ត យើងនឹងបង្ហាញគេហទំព័រដោយគ្មានរចនាប័ទ្ម និង JavaScript ។
ការបំពុលដីគឺជាបញ្ហាដ៏ធំមួយដែលបង្កឡើងដោយសកម្មភាពរបស់មនុស្ស។ ការចែកចាយតាមលំហនៃធាតុពុល (PTEs) មានភាពខុសប្លែកគ្នានៅក្នុងតំបន់ទីក្រុង និងតំបន់ជុំវិញទីក្រុងភាគច្រើន។ ដូច្នេះហើយ វាពិបាកក្នុងការទស្សន៍ទាយអំពីខ្លឹមសារនៃ PTEs នៅក្នុងដីបែបនេះ។ គំរូសរុបចំនួន 115 ត្រូវបានគេទទួលបានពី Frydek Mistek នៅសាធារណរដ្ឋឆេក (Czech Republic) ប៉ូតាស្យូម (Calickum) និងប៉ូតាស្យូម (KCalci) ។ ការប្រមូលផ្តុំ (Ni) ត្រូវបានកំណត់ដោយប្រើវិសាលគមការបំភាយប្លាស្មារួមបញ្ចូលគ្នាដោយអាំងឌុចស្យុង។ អថេរឆ្លើយតបគឺ Ni និងអ្នកទស្សន៍ទាយគឺ Ca, Mg និង K. ម៉ាទ្រីសជាប់ទាក់ទងរវាងអថេរឆ្លើយតប និងអថេរទស្សន៍ទាយបង្ហាញពីការជាប់ទាក់ទងគ្នាដ៏គួរឱ្យពេញចិត្តរវាងធាតុ។ លទ្ធផលទស្សន៍ទាយបានបង្ហាញថាការប៉ាន់ប្រមាណឫសនៃវ៉ិចទ័រ MR ដំណើរការល្អ (SV) (RMSE) (235.974 mg/kg) និងមធ្យម កំហុសដាច់ខាត (MAE) (166.946 mg/kg) គឺខ្ពស់ជាងវិធីសាស្ត្រផ្សេងទៀតដែលបានអនុវត្ត។ គំរូចម្រុះសម្រាប់ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ដំណើរការមិនល្អ ដូចដែលបានបង្ហាញដោយមេគុណនៃការកំណត់ Bayesian តិចជាង 0.1។ គំរូ Kriging-Support Vector Machine Regression (EBK-SVMR) គឺជាគំរូដ៏ល្អបំផុត ជាមួយនឹងតម្លៃ RMSE ទាប (95.479 mg/kg) និង MAE (77.368 mg/kg) និងមេគុណខ្ពស់នៃការកំណត់ (R2 = 0.637)។ បច្ចេកទេសគំរូ EBK-SVMR បង្ហាញរូបភាពនៃប្លង់ដោយប្រព័ន្ធប្រសាទ។ គំរូកូនកាត់ CakMg-EBK-SVMR សមាសភាគបង្ហាញគំរូពណ៌ជាច្រើនដែលព្យាករណ៍កំហាប់ Ni នៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ លទ្ធផលបង្ហាញថាការបញ្ចូលគ្នារវាង EBK និង SVMR គឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពសម្រាប់ការទស្សន៍ទាយកំហាប់ Ni នៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។
នីកែល (Ni) ត្រូវបានគេចាត់ទុកថាជាមីក្រូសារជាតិសម្រាប់រុក្ខជាតិ ព្រោះវារួមចំណែកដល់ការកែអាសូតបរិយាកាស (N) និងការបំប្លែងសារធាតុអ៊ុយ ដែលសារធាតុទាំងពីរនេះត្រូវការសម្រាប់ដំណុះគ្រាប់ពូជ។ បន្ថែមពីលើការរួមចំណែករបស់វាចំពោះដំណុះគ្រាប់ពូជ Ni អាចដើរតួជាអ្នកទប់ស្កាត់ផ្សិត និងបាក់តេរី និងជំរុញការអភិវឌ្ឍរុក្ខជាតិ។ កង្វះជាតិនីកែលនៅក្នុងដីអនុញ្ញាតឱ្យរុក្ខជាតិស្រូបយកសារធាតុ chlorosis និងជាលទ្ធផលនៃស្លឹកបៃតង។ ការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើនីកែលដើម្បីបង្កើនប្រសិទ្ធភាពការជួសជុលអាសូត2.ការបន្តប្រើជីដែលមានមូលដ្ឋានលើនីកែលដើម្បីពង្រឹងដី និងបង្កើនសមត្ថភាពរបស់ស្មៅក្នុងការជួសជុលអាសូតក្នុងដីជាបន្តបន្ទាប់ បង្កើនកំហាប់នីកែលក្នុងដី។ ទោះបីនីកែលជាមីក្រូសារជាតិសម្រាប់រុក្ខជាតិក៏ដោយ ការទទួលទានច្រើនពេកនៅក្នុងដីអាចបង្កគ្រោះថ្នាក់ច្រើនជាងដី។ សារធាតុចិញ្ចឹមសំខាន់សម្រាប់ការលូតលាស់របស់រុក្ខជាតិ1.យោងទៅតាម Liu3 Ni ត្រូវបានគេរកឃើញថាជាធាតុសំខាន់ទី 17 ដែលត្រូវការសម្រាប់ការអភិវឌ្ឍន៍ និងការលូតលាស់របស់រុក្ខជាតិ។ បន្ថែមពីលើតួនាទីរបស់នីកែលក្នុងការអភិវឌ្ឍន៍ និងការលូតលាស់របស់រុក្ខជាតិ មនុស្សត្រូវការវាសម្រាប់កម្មវិធីផ្សេងៗ។ អគ្គិសនី ការផលិតយ៉ាន់ស្ព័រដែលមានមូលដ្ឋានលើនីកែល និងការផលិតឧបករណ៍បញ្ឆេះ និងចង្រ្កានចង្រ្កាននៅក្នុងវិស័យឧស្សាហកម្មផ្សេងៗ ការប្រើប្រាស់រថយន្តគ្រប់ប្រភេទ។ យ៉ាន់ស្ព័រដែលមានមូលដ្ឋានលើនីកែល និងសារធាតុអេឡិចត្រូលីតត្រូវបានគេប្រើប្រាស់យ៉ាងទូលំទូលាយនៅក្នុងគ្រឿងផ្ទះបាយ គ្រឿងបរិក្ខារក្នុងសាល ការផ្គត់ផ្គង់ឧស្សាហកម្មម្ហូបអាហារ អគ្គិសនី ខ្សែ និងខ្សែ ទួរប៊ីនយន្តហោះ ការផ្សាំវះកាត់ វាយនភណ្ឌ និងការសាងសង់កប៉ាល់ 5.កម្រិត Ni-rich នៅក្នុងដី (មានន័យថា ដីលើផ្ទៃ) ត្រូវបានកំណត់គុណលក្ខណៈជាជាងប្រភព anthropogenic និងធម្មជាតិ 4.Niaturpogenic ប្រភពនៃនីកែលរួមមានការផ្ទុះភ្នំភ្លើង រុក្ខជាតិ ភ្លើងឆេះព្រៃ និងដំណើរការភូមិសាស្ត្រ។ ទោះបីជាយ៉ាងណាក៏ដោយ ប្រភព anthropogenic រួមមាន ថ្មនីកែល/កាដមីញ៉ូម នៅក្នុងឧស្សាហកម្មដែក អេឡិចត្រូត ការផ្សារធ្នូ ប្រេងម៉ាស៊ូត និងប្រេងឥន្ធនៈ និងការបំភាយបរិយាកាសពីការដុតធ្យូងថ្ម និងកាកសំណល់ និងការដុតកម្ទេចសំណល់នីកែល កកកុញ នីកែល7,8.យោងទៅតាម Freedman and Hutchinson9 and Manyiwa 10 ប្រភពចម្បងនៃការបំពុលដីនៅលើដីក្នុងបរិយាកាសភ្លាមៗ និងនៅជាប់គ្នាគឺរោងចក្រចម្រាញ់ និងរ៉ែដែលមានមូលដ្ឋានលើនីកែល-ទង់ដែង។ ដីកំពូលនៅជុំវិញរោងចក្រចម្រាញ់នីកែល-ទង់ដែង Sudbury នៅប្រទេសកាណាដា មានកម្រិតខ្ពស់បំផុតនៃការបំពុលនីកែលនៅកម្រិត 26,000 mg/kg 11។ ផ្ទុយពីការផលិត nickel នៅក្នុងប្រទេសរុស្ស៊ី នៅ​ក្នុង​ដី​ន័រវែស 11.According to Alms et al. 12 បរិមាណនីកែលដែលអាចស្រង់ចេញបាន HNO3 នៅក្នុងដីដាំដុះកំពូលក្នុងតំបន់ (ផលិតកម្មនីកែលក្នុងប្រទេសរុស្ស៊ី) មានចាប់ពី 6.25 ដល់ 136.88 mg/kg ដែលត្រូវនឹងមធ្យម 30.43 mg/kg និងកំហាប់មូលដ្ឋាននៃ 25 mg/kg។ យោងទៅតាមការប្រើប្រាស់ជីកសិកម្ម ឬ ជីកាតា 11 ដីក្នុងទីក្រុងក្នុងអំឡុងពេលរដូវដាំដុះបន្តបន្ទាប់គ្នាអាចជ្រាបចូល ឬបំពុលដី។ ផលប៉ះពាល់សក្តានុពលនៃសារធាតុនីកែលក្នុងមនុស្សអាចនាំឱ្យកើតមហារីកតាមរយៈការផ្លាស់ប្តូរកោសិកា ការបំផ្លាញក្រូម៉ូសូម ការបង្កើត Z-DNA ការជួសជុលការកាត់ DNA ដែលត្រូវបានរារាំង ឬដំណើរការនៃ epigenetic 13. នៅក្នុងការពិសោធន៍សត្វ នីកែលត្រូវបានគេរកឃើញថាមានសក្តានុពលក្នុងការបង្ករឱ្យមានដុំសាច់មហារីកជាច្រើនប្រភេទ។
ការវាយតម្លៃលើការបំពុលដីមានការរីកចម្រើនក្នុងរយៈពេលថ្មីៗនេះ ដោយសារបញ្ហាសុខភាពជាច្រើនដែលកើតឡើងពីទំនាក់ទំនងដី និងរុក្ខជាតិ ទំនាក់ទំនងជីវសាស្រ្តនៃដី និងដី ការរិចរិលនៃអេកូឡូស៊ី និងការវាយតម្លៃផលប៉ះពាល់បរិស្ថាន។ មកដល់បច្ចុប្បន្ន ការព្យាករណ៍លំហនៃធាតុពុលដែលមានសក្តានុពល (PTEs) ដូចជា Ni នៅក្នុងដីមានភាពហត់នឿយ និងប្រើប្រាស់ពេលវេលាច្រើនដោយប្រើវិធីសាស្រ្តឌីជីថល 1 នាពេលបច្ចុប្បន្ន។ ការធ្វើផែនទីដីដែលបានព្យាករណ៍ (PSM) មានភាពប្រសើរឡើងយ៉ាងខ្លាំង។ យោងទៅតាម Minasny និង McBratney16 ការធ្វើផែនទីដីព្យាករណ៍ (DSM) បានបង្ហាញថាជាអនុសាខាដ៏លេចធ្លោនៃវិទ្យាសាស្ត្រដី។Lagacherie និង McBratney, 2006 កំណត់ DSM ជា "ការបង្កើត និងការបំពេញប្រព័ន្ធព័ត៌មានដីតាមលំហរ តាមរយៈការប្រើប្រាស់វិធីសាស្រ្តអង្កេត និងមន្ទីរពិសោធន៍ដីដែលមិនមែនជាទីតាំង និងមន្ទីរពិសោធន៍។ ប្រព័ន្ធ”.McBratney et al. 17 គូសបញ្ជាក់ថា DSM ឬ PSM សហសម័យគឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់ការទស្សន៍ទាយ ឬគូសផែនទីការបែងចែកទំហំនៃ PTEs ប្រភេទដី និងលក្ខណៈសម្បត្តិរបស់ដី។ Geostatistics and Machine Learning Algorithms (MLA) គឺជាបច្ចេកទេសគំរូ DSM ដែលបង្កើតផែនទីឌីជីថលដោយមានជំនួយពីកុំព្យូទ័រដោយប្រើទិន្នន័យសំខាន់ៗ និងតិចតួចបំផុត។
Deutsch18 និង Olea19 កំណត់ geostatistics ថាជា "ការប្រមូលផ្ដុំនៃបច្ចេកទេសលេខដែលទាក់ទងនឹងការតំណាងនៃគុណលក្ខណៈលំហ ដែលភាគច្រើនប្រើគំរូ stochastic ដូចជារបៀបដែលការវិភាគស៊េរីពេលវេលាកំណត់លក្ខណៈនៃទិន្នន័យបណ្ដោះអាសន្ន។" ជាចម្បង geostatistics ពាក់ព័ន្ធនឹងការវាយតម្លៃនៃ variograms ដែលអនុញ្ញាតឱ្យ Quantify និងកំណត់ភាពអាស្រ័យនៃតម្លៃលំហ ពី dataset20.Gumiaux et al នីមួយៗ។ 20 បង្ហាញបន្ថែមទៀតថាការវាយតម្លៃនៃ variograms ក្នុង geostatistics គឺផ្អែកលើគោលការណ៍ចំនួនបី រួមទាំង (a) ការគណនាមាត្រដ្ឋាននៃទំនាក់ទំនងទិន្នន័យ (b) ការកំណត់អត្តសញ្ញាណ និងការគណនា anisotropy ក្នុងភាពខុសគ្នានៃសំណុំទិន្នន័យ និង (c) បន្ថែមពីលើការបន្ថែមទៅលើការគិតគូរពីកំហុសឆ្គងនៃផលប៉ះពាល់នៃការវាស់វែងត្រូវបានបំបែកចេញពីមូលដ្ឋានទិន្នន័យ។ បច្ចេកទេស interpolation ជាច្រើនត្រូវបានប្រើនៅក្នុង geostatistics រួមទាំង kriging ទូទៅ co-kriging ធម្មតា kriging empirical Bayesian kriging វិធីសាស្រ្ត kriging សាមញ្ញ និងបច្ចេកទេស interpolation ល្បីផ្សេងទៀតដើម្បីធ្វើផែនទី ឬព្យាករណ៍ PTE លក្ខណៈដី និងប្រភេទដី។
Machine Learning Algorithms (MLA) គឺជាបច្ចេកទេសថ្មីមួយដែលប្រើថ្នាក់ទិន្នន័យដែលមិនមែនជាលីនេអ៊ែរធំជាង ដែលត្រូវបានជំរុញដោយក្បួនដោះស្រាយដែលត្រូវបានប្រើជាចម្បងសម្រាប់ការជីកយករ៉ែទិន្នន័យ ការកំណត់អត្តសញ្ញាណគំរូក្នុងទិន្នន័យ និងបានអនុវត្តម្តងហើយម្តងទៀតចំពោះការចាត់ថ្នាក់ក្នុងវិស័យវិទ្យាសាស្ត្រ ដូចជាវិទ្យាសាស្ត្រដី និងកិច្ចការត្រឡប់មកវិញ។ ឯកសារស្រាវជ្រាវជាច្រើនពឹងផ្អែកលើគំរូ MLA ដើម្បីទស្សន៍ទាយដូចជា PTE ជាដើម។ 22 (ព្រៃចៃដន្យសម្រាប់ការប៉ាន់ស្មានលោហៈធ្ងន់នៅក្នុងដីកសិកម្ម), Sakizadeh et al ។ 23 (ការធ្វើគំរូដោយប្រើម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ និងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត) ការបំពុលដី) លើសពីនេះ Vega et al ។ 24 (រទេះ​សម្រាប់​យក​គំរូ​តាម​ការ​រក្សា​លោហៈ​ធ្ងន់ និង​ការ​ស្រូប​ចូល​ក្នុង​ដី) Sun et al. 25 (កម្មវិធី cubist គឺជាការចែកចាយ Cd នៅក្នុងដី) និងក្បួនដោះស្រាយផ្សេងទៀតដូចជា k-nearest neighbor, generalized boosted regression, and boosted regression Trees ក៏បានអនុវត្ត MLA ដើម្បីទស្សន៍ទាយ PTE នៅក្នុងដីផងដែរ។
ការអនុវត្តក្បួនដោះស្រាយ DSM ក្នុងការទស្សន៍ទាយ ឬការគូសផែនទីប្រឈមមុខនឹងបញ្ហាជាច្រើន។ អ្នកនិពន្ធជាច្រើនជឿថា MLA គឺប្រសើរជាងស្ថិតិភូមិសាស្ត្រ និងផ្ទុយមកវិញ។ ទោះបីជាមួយល្អជាងមួយផ្សេងទៀតក៏ដោយ ការរួមបញ្ចូលគ្នានៃទាំងពីរនេះធ្វើអោយប្រសើរឡើងនូវកម្រិតនៃភាពត្រឹមត្រូវនៃការធ្វើផែនទី ឬការទស្សន៍ទាយនៅក្នុង DSM15.Woodcock និង Gopal26 Finke27; Pontius និង Cheuk28 និង Grunwald29 ធ្វើអត្ថាធិប្បាយលើភាពខ្វះខាត និងកំហុសមួយចំនួនក្នុងការធ្វើផែនទីដីដែលបានព្យាករណ៍។ អ្នកវិទ្យាសាស្ត្រដីបានសាកល្បងបច្ចេកទេសជាច្រើនដើម្បីបង្កើនប្រសិទ្ធភាព ភាពត្រឹមត្រូវ និងភាពអាចទស្សន៍ទាយបាននៃការគូសផែនទី និងការព្យាករណ៍ DSM ។ ការរួមបញ្ចូលគ្នានៃភាពមិនច្បាស់លាស់ និងការផ្ទៀងផ្ទាត់គឺជាទិដ្ឋភាពមួយក្នុងចំណោមទិដ្ឋភាពផ្សេងៗគ្នាជាច្រើនដែលរួមបញ្ចូលទៅក្នុង DSM និងធ្វើឱ្យមានភាពប្រសើរឡើង។ 15 គូសបញ្ជាក់ថា ឥរិយាបថសុពលភាព និងភាពមិនច្បាស់លាស់ដែលណែនាំដោយការបង្កើតផែនទី និងការព្យាករណ៍គួរតែត្រូវបានបញ្ជាក់ដោយឯករាជ្យ ដើម្បីកែលម្អគុណភាពផែនទី។ ដែនកំណត់នៃ DSM គឺដោយសារតែគុណភាពដីបែកខ្ញែកតាមភូមិសាស្រ្ត ដែលពាក់ព័ន្ធនឹងធាតុផ្សំនៃភាពមិនច្បាស់លាស់។ ទោះយ៉ាងណាក៏ដោយ កង្វះភាពប្រាកដប្រជានៅក្នុង DSM អាចកើតឡើងពីប្រភពនៃកំហុសជាច្រើនដូចជា កំហុស covariate កំហុសគំរូ កំហុសទីតាំង និងកំហុសក្នុងការវិភាគ 31.ភាពមិនត្រឹមត្រូវនៃការបង្កើតគំរូដែលបណ្ដាលមកពី MLA និងដំណើរការភូមិសាស្ត្រត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការខ្វះការយល់ដឹង ដែលទីបំផុតនាំទៅដល់ការធ្វើឱ្យគំរូនៃដំណើរការពិតប្រាកដ 3. ភាពមិនត្រឹមត្រូវអាចត្រូវបានសន្មតថាជាប៉ារ៉ាម៉ែត្រគំរូ ការទស្សន៍ទាយគំរូគណិតវិទ្យា ឬ interpolation33។ ថ្មីៗនេះ និន្នាការ DSM ថ្មីបានលេចឡើងដែលលើកកម្ពស់ការរួមបញ្ចូលនៃភូមិសាស្ត្រស្ថិតិ និង MLA ក្នុងការធ្វើផែនទី និងការព្យាករណ៍។ អ្នកវិទ្យាសាស្ត្រ និងអ្នកនិពន្ធជាច្រើនរូបដូចជា Sergeev et al ។ ៣៤; Subbotina et al ។ ៣៥; Tarasov et al ។ 36 និង Tarasov et al ។ 37 បានទាញយកគុណភាពត្រឹមត្រូវនៃភូមិសាស្ត្រស្ថិតិ និងការរៀនម៉ាស៊ីនដើម្បីបង្កើតគំរូកូនកាត់ដែលបង្កើនប្រសិទ្ធភាពនៃការព្យាករណ៍ និងការធ្វើផែនទី។ គុណភាព។​ គំរូ​ក្បួនដោះស្រាយ​កូនកាត់​មួយ​ចំនួន​ទាំងនេះ​គឺ​ Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Kriging (GR- NNRK)36, Artificial Neural Network Kriging-Multier (36) Co-Kriging and Gaussian Process Regression38.
យោងតាមលោក Sergeev et al. ការរួមបញ្ចូលគ្នានៃបច្ចេកទេសគំរូផ្សេងៗមានសក្តានុពលក្នុងការលុបបំបាត់ពិការភាព និងបង្កើនប្រសិទ្ធភាពនៃគំរូកូនកាត់លទ្ធផលជាជាងការអភិវឌ្ឍគំរូតែមួយរបស់វា។ ក្នុងបរិបទនេះ ឯកសារថ្មីនេះអះអាងថា ចាំបាច់ត្រូវអនុវត្តក្បួនដោះស្រាយរួមបញ្ចូលគ្នានៃភូមិសាស្ត្រស្ថិតិ និង MLA ដើម្បីបង្កើតគំរូកូនកាត់ដ៏ល្អប្រសើរក្នុងការទស្សន៍ទាយលើការបង្កើនបាននូវតំបន់នេះ។ Empirical Bayesian Kriging (EBK) ជាគំរូមូលដ្ឋាន ហើយលាយវាជាមួយម៉ូដែល Support Vector Machine (SVM) និង Multiple Linear Regression (MLR) ។ ការបង្កាត់នៃ EBK ជាមួយ MLA ណាមួយមិនត្រូវបានគេដឹងនោះទេ។ គំរូចម្រុះជាច្រើនដែលឃើញគឺជាការរួមបញ្ចូលគ្នានៃធម្មតា សំណល់ ការតំរែតំរង់ kriging និង MLA.EBK គឺជាវិធីសាស្រ្ដដែលមានលក្ខណៈស្វ័យប្រវត្ត។ ត្រូវបានធ្វើមូលដ្ឋានីយកម្មជាវាលចៃដន្យដែលមិនមែនជាស្ថានី/ស្ថានី ជាមួយនឹងប៉ារ៉ាម៉ែត្រធ្វើមូលដ្ឋានីយកម្មដែលបានកំណត់នៅលើវាល ដែលអនុញ្ញាតឱ្យមានការប្រែប្រួលទំហំ 39.EBK ត្រូវបានប្រើក្នុងការសិក្សាជាច្រើន រួមទាំងការវិភាគការបែងចែកកាបូនសរីរាង្គនៅក្នុងដីកសិកម្ម 40 ការវាយតម្លៃការបំពុលដី41 និងការធ្វើផែនទីលក្ខណៈសម្បត្តិដី42។
ម៉្យាងវិញទៀត ក្រាហ្វរៀបចំខ្លួនឯង (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 គឺជាបច្ចេកទេសសិក្សាដ៏មានអានុភាពដែលត្រូវបានគេស្គាល់ថាសម្រាប់សមត្ថភាពក្នុងការដាក់ជាក្រុម និងស្រមៃអំពីបញ្ហាដែលមិនមែនជាលីនេអ៊ែរ។ ខុសពីបច្ចេកទេសសម្គាល់គំរូផ្សេងទៀតដូចជា ការវិភាគសមាសភាគសំខាន់ ការដាក់ចង្កោមមិនច្បាស់ ការចង្កោមតាមឋានានុក្រម និងការសម្រេចចិត្តពហុលក្ខណៈ SeOM គឺប្រសើរជាងក្នុងការរៀបចំ និងកំណត់អត្តសញ្ញាណគំរូ PTE។ យោងតាម ​​Wang et al ។ 44, SeOM អាចដាក់ជាក្រុមការបែងចែកនៃណឺរ៉ូនដែលពាក់ព័ន្ធ និងផ្តល់នូវការមើលឃើញទិន្នន័យដែលមានគុណភាពបង្ហាញខ្ពស់។SeOM នឹងមើលឃើញទិន្នន័យការព្យាករណ៍ Ni ដើម្បីទទួលបានគំរូដ៏ល្អបំផុតដើម្បីកំណត់លក្ខណៈលទ្ធផលសម្រាប់ការបកស្រាយដោយផ្ទាល់។
ក្រដាសនេះមានគោលបំណងបង្កើតគំរូផែនទីដ៏រឹងមាំជាមួយនឹងភាពត្រឹមត្រូវល្អបំផុតសម្រាប់ការទស្សន៍ទាយមាតិកានីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ យើងសន្មត់ថាភាពជឿជាក់នៃគំរូចម្រុះគឺពឹងផ្អែកជាចម្បងទៅលើឥទ្ធិពលនៃគំរូផ្សេងទៀតដែលភ្ជាប់ជាមួយគំរូមូលដ្ឋាន។ យើងទទួលស្គាល់បញ្ហាប្រឈមដែលប្រឈមមុខនឹង DSM ហើយខណៈពេលដែលបញ្ហាប្រឈមទាំងនេះកំពុងត្រូវបានដោះស្រាយលើភាពជឿនលឿននៃគំរូជាច្រើននៅក្នុង MLA ។ ការកើនឡើង; ដូច្នេះ យើងនឹងព្យាយាមឆ្លើយសំណួរស្រាវជ្រាវដែលអាចផ្តល់លទ្ធផលជាគំរូចម្រុះ។ ទោះជាយ៉ាងណាក៏ដោយ តើគំរូត្រឹមត្រូវប៉ុណ្ណាក្នុងការទស្សន៍ទាយធាតុគោលដៅ? ផងដែរ តើកម្រិតនៃការវាយតម្លៃប្រសិទ្ធភាពផ្អែកលើការវាយតម្លៃភាពត្រឹមត្រូវ និងភាពត្រឹមត្រូវកម្រិតណា? ដូច្នេះ គោលដៅជាក់លាក់នៃការសិក្សានេះគឺដើម្បី (ក) បង្កើតគំរូល្បាយរួមបញ្ចូលគ្នាសម្រាប់ SVMR ឬ MLR ដោយប្រើគំរូលទ្ធផល (EBK) គំរូមូលដ្ឋានសម្រាប់ល្បាយលទ្ធផល ការទស្សន៍ទាយការប្រមូលផ្តុំ Ni នៅក្នុងដីទីក្រុង ឬតំបន់ជុំវិញទីក្រុង និង (ឃ) ការអនុវត្ត SeOM ដើម្បីបង្កើតផែនទីដែលមានគុណភាពបង្ហាញខ្ពស់នៃការប្រែប្រួលទំហំនីកែល
ការសិក្សានេះកំពុងធ្វើឡើងនៅក្នុងសាធារណរដ្ឋឆេក ជាពិសេសនៅក្នុងស្រុក Frydek Mistek ក្នុងតំបន់ Moravia-Silesian (សូមមើលរូបភាពទី 1)។ ភូមិសាស្ត្រនៃតំបន់សិក្សានេះគឺមានភាពរដុបខ្លាំង ហើយភាគច្រើនជាផ្នែកនៃតំបន់ Moravia-Silesian Beskidy ដែលជាផ្នែកមួយនៃគែមខាងក្រៅនៃតំបន់សិក្សា '09° ស្ថិតនៅចន្លោះភ្នំ 1'0 និង 4 ។ 18° 20′ 0′ E និងរយៈកំពស់ពី 225 ទៅ 327 m; ទោះយ៉ាងណាក៏ដោយ ប្រព័ន្ធចាត់ថ្នាក់ Koppen សម្រាប់ស្ថានភាពអាកាសធាតុនៃតំបន់ត្រូវបានវាយតម្លៃថា Cfb = អាកាសធាតុមហាសមុទ្រមានសីតុណ្ហភាពមានភ្លៀងធ្លាក់ច្រើន សូម្បីតែក្នុងខែប្រាំង។ សីតុណ្ហភាពប្រែប្រួលបន្តិចបន្តួចពេញមួយឆ្នាំចន្លោះពី −5°C ដល់ 24°C កម្រនឹងធ្លាក់ចុះក្រោម −14°C ឬលើសពី 30°C ខណៈពេលដែលសីតុណ្ហភាពជាមធ្យមប្រចាំឆ្នាំគឺ 7 mm.28°C។ តំបន់ស្ទង់មតិនៃផ្ទៃដីទាំងមូលគឺ 1,208 គីឡូម៉ែត្រការ៉េ ជាមួយនឹង 39.38% នៃដីដាំដុះ និង 49.36% នៃផ្ទៃដីព្រៃឈើ។ ម្យ៉ាងវិញទៀត តំបន់ដែលប្រើក្នុងការសិក្សានេះគឺប្រហែល 889.8 គីឡូម៉ែត្រការ៉េ។នៅក្នុង និងជុំវិញ Ostrava ឧស្សាហកម្មដែក និងដែកមានសកម្មភាពខ្លាំង។ ដែកអ៊ីណុក រោងម៉ាស៊ីនដែកគឺជាកន្លែងដែលមានភាពធន់នឹងដែក។ corrosion) និងដែកលោហធាតុ (នីកែលបង្កើនកម្លាំងនៃយ៉ាន់ស្ព័រ ខណៈពេលដែលរក្សាបាននូវភាពល្អ និងរឹងរបស់វា) ហើយកសិកម្មដែលពឹងផ្អែកខ្លាំង ដូចជាការប្រើប្រាស់ជីផូស្វាត និងផលិតកម្មបសុសត្វ គឺជាប្រភពសក្តានុពលនៃនីកែលក្នុងតំបន់ (ឧទាហរណ៍ ការបន្ថែមនីកែលទៅក្នុងសាច់ចៀម ដើម្បីបង្កើនអត្រាកំណើននៃសាច់ចៀម និងគោក្របី។ ដំណើរការបិត។ លក្ខណៈដីគឺងាយសម្គាល់ពីពណ៌ដី រចនាសម្ព័ន្ធ និងមាតិកាកាបូន។ វាយនភាពដីមានកម្រិតមធ្យមទៅល្អ កើតចេញពីវត្ថុធាតុមេ។ ពួកវាមានលក្ខណៈរួមផ្សំ ដីល្បាប់ ឬ aeolian នៅក្នុងធម្មជាតិ។ តំបន់ដីមួយចំនួនលេចឡើងជាស្នាមប្រឡាក់លើផ្ទៃ និងដីក្រោម ដែលជាញឹកញាប់មានបេតុង និងសារធាតុ bleaching។ ទោះជាយ៉ាងណាក៏ដោយ ភាគច្រើននៃតំបន់ cambisols និងប្រភេទដីមាន 8 ប្រភេទ។ កម្ពស់ចាប់ពី 455.1 ដល់ 493.5 ម៉ែត្រ Cambisols គ្រប់គ្រងសាធារណរដ្ឋឆេក 49 ។
ផែនទីតំបន់សិក្សា [ផែនទីតំបន់សិក្សាត្រូវបានបង្កើតដោយប្រើ ArcGIS Desktop (ESRI, Inc, កំណែ 10.7, URL៖ https://desktop.arcgis.com)]
សំណាកដីសរុបចំនួន 115 ត្រូវបានគេទទួលបានពីដីទីក្រុង និងតំបន់ជុំវិញនៅក្នុងស្រុក Frydek Mistek ។ គំរូគំរូដែលប្រើគឺក្រឡាចត្រង្គធម្មតាដែលមានគំរូដីមានចម្ងាយ 2 × 2 គីឡូម៉ែត្រពីគ្នា ហើយដីខាងលើត្រូវបានវាស់នៅជម្រៅពី 0 ទៅ 20 សង់ទីម៉ែត្រដោយប្រើឧបករណ៍ GPS ដែលកាន់ដោយដៃ (កញ្ចប់ម៉ាក Leica Zeno 5c និង GPS យ៉ាងត្រឹមត្រូវ) ។ សំណាកសំណាកត្រូវបានសម្ងួតដោយខ្យល់ ដើម្បីផលិតសំណាកដែលហាន់រួច ចំហេះដោយប្រព័ន្ធមេកានិច (ម៉ាស៊ីនកិនឌីស Fritsch) និង Sieved (ទំហំ Sieve បាន 2 mm) ដាក់សំណាកដីស្ងួត 1 ក្រាមក្នុងដប Teflon ដែលមានស្លាកយ៉ាងច្បាស់។ ក្នុងកប៉ាល់ Teflon នីមួយៗ ចែកចាយ 5 ml NO 6% 3 ml នៃ 3% H. ឧបករណ៍ចែកចាយដោយស្វ័យប្រវត្តិ – មួយសម្រាប់អាស៊ីតនីមួយៗ) គ្របស្រាលៗ ហើយអនុញ្ញាតឱ្យសំណាកឈរមួយយប់សម្រាប់ប្រតិកម្ម (កម្មវិធី aqua regia) ។ ដាក់ supernatant នៅលើចានដែកក្តៅ (សីតុណ្ហភាព: 100 W និង 160 °C) រយៈពេល 2 ម៉ោង ដើម្បីសម្រួលដល់ដំណើរការរំលាយអាហារនៃសំណាក បន្ទាប់មកត្រជាក់។ ផ្ទេរ supernatant ទៅទឹក 50 ml. និង dilute 50 ml. នោះ ត្រងសារធាតុ supernatant ពនឺទៅក្នុងបំពង់ PVC ចំណុះ 50ml ជាមួយទឹក deionized។ បន្ថែមពីលើនេះ 1ml នៃដំណោះស្រាយ dilution ត្រូវបានពនឺជាមួយទឹក 9ml នៃ deionized ហើយត្រងចូលទៅក្នុងបំពង់ 12ml ដែលរៀបចំសម្រាប់ PTE pseudo-concentration។កំហាប់នៃ PTEs (As, Cd, Cr, Cub, Mn, Mn, ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) យោងទៅតាមវិធីសាស្រ្តស្តង់ដារ និងកិច្ចព្រមព្រៀង។ ធានានូវគុណភាព និងការត្រួតពិនិត្យ (QA/QC) នីតិវិធី (SRM NIST 2711a Montana II Soil)។ PTEs ដែលមានកម្រិតការរកឃើញដែលប្រើក្រោមកម្រិតពាក់កណ្តាលនៃការសិក្សានេះគឺមិនរាប់បញ្ចូលនោះទេ។ 0.0004.(អ្នក) លើសពីនេះ ដំណើរការត្រួតពិនិត្យគុណភាព និងធានាគុណភាពសម្រាប់ការវិភាគនីមួយៗត្រូវបានធានាដោយការវិភាគស្តង់ដារយោង។ ដើម្បីធានាថាកំហុសត្រូវបានបង្រួមអប្បបរមា ការវិភាគពីរដងត្រូវបានអនុវត្ត។
Empirical Bayesian Kriging (EBK) គឺជាបច្ចេកទេសមួយក្នុងចំនោមបច្ចេកទេសនៃការធ្វើអន្តរប៉ូលតាមភូមិសាស្ត្រជាច្រើនដែលប្រើក្នុងការធ្វើគំរូក្នុងវិស័យចម្រុះដូចជាវិទ្យាសាស្ត្រដី។ ខុសពីបច្ចេកទេសនៃការធ្វើអន្តរកាល kriging ផ្សេងទៀត EBK ខុសពីវិធីសាស្ត្រ kriging បែបប្រពៃណីដោយពិចារណាលើកំហុសដែលបានប៉ាន់ប្រមាណដោយគំរូ semivariogram ជាជាង។ នៅក្នុងគំរូ EBK interpolation តែមួយ គឺជាការប្រៀបធៀបជាច្រើន បច្ចេកទេស semivariogram.Interpolation បង្កើតផ្លូវសម្រាប់ភាពមិនប្រាកដប្រជា និងការសរសេរកម្មវិធីដែលទាក់ទងនឹងការគ្រោងនៃ semivariogram នេះដែលបង្កើតជាផ្នែកដ៏ស្មុគស្មាញនៃវិធីសាស្រ្ត kriging គ្រប់គ្រាន់។ ដំណើរការ interpolation នៃ EBK អនុវត្តតាមលក្ខណៈវិនិច្ឆ័យចំនួនបីដែលស្នើឡើងដោយ Krivoruchko50, (a) គំរូប៉ាន់ស្មាន semivariogram ពីទីតាំងបញ្ចូលទិន្នន័យដែលបានព្យាករណ៍នីមួយៗ (b) semivariogram និង (c) គំរូ A ចុងក្រោយត្រូវបានគណនាពីសំណុំទិន្នន័យដែលបានក្លែងធ្វើ។ ក្បួនសមីការ Bayesian ត្រូវបានផ្តល់ឱ្យជាក្រោយ
កន្លែងដែល \(Prob\left(A\right)\) តំណាងឱ្យមុន \(Prob\left(B\right)\) ប្រូបាប៊ីលីតេរឹមមិនត្រូវបានអើពើនៅក្នុងករណីភាគច្រើន \(Prob (B,A)\) .ការគណនា semivariogram គឺផ្អែកលើច្បាប់របស់ Bayes ដែលបង្ហាញពីទំនោរនៃតម្លៃនៃការសង្កេត ពីសំណុំទិន្នន័យ semivariogram ដែលអាចត្រូវបានកំណត់។ ច្បាប់របស់ Bayes ដែលចែងថាតើវាទំនងយ៉ាងណាក្នុងការបង្កើតសំណុំទិន្នន័យនៃការសង្កេតពី semivariogram ។
ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រគឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលបង្កើតគំនូសចំណាំងផ្លាតដាច់ពីគ្នាដ៏ល្អប្រសើរដើម្បីបែងចែកថ្នាក់ឯករាជ្យដូចគ្នា ប៉ុន្តែមិនមែនជាលីនេអ៊ែរដោយឯករាជ្យ។Vapnik51 បានបង្កើតក្បួនដោះស្រាយចំណាត់ថ្នាក់ដោយចេតនា ប៉ុន្តែថ្មីៗនេះវាត្រូវបានប្រើដើម្បីដោះស្រាយបញ្ហាតំរង់ទិសតំរែតំរង់។ យោងតាម ​​Li et al.52 ល្អបំផុត ថ្នាក់ SVM ត្រូវបានប្រើប្រាស់ក្នុងវិស័យផ្សេងៗ និងបច្ចេកទេសផ្សេងៗគ្នា។ សមាសធាតុនៃ SVM (Support Vector Machine Regression – SVMR) ត្រូវបានប្រើនៅក្នុងការវិភាគនេះ។Cherkassky និង ​​Mulier53 ជាអ្នកត្រួសត្រាយ SVMR ជាការតំរែតំរង់ផ្អែកលើខឺណែល ការគណនាត្រូវបានអនុវត្តដោយប្រើគំរូតំរែតំរង់លីនេអ៊ែរដែលមានមុខងារលំហពហុប្រទេស។ របាយការណ៍របស់ John et alysplas បង្កើតទំនាក់ទំនង nonlinear និងអនុញ្ញាតឱ្យមានមុខងារ spatial ។យោងតាម ​​Vohland et al ។ 55, epsilon (ε)-SVMR ប្រើសំណុំទិន្នន័យដែលបានបណ្តុះបណ្តាលដើម្បីទទួលបានគំរូតំណាងជាមុខងារ epsilon-insensitive ដែលត្រូវបានអនុវត្តដើម្បីគូសផែនទីទិន្នន័យដោយឯករាជ្យជាមួយនឹងភាពលំអៀង epsilon ដ៏ល្អបំផុតពីការបណ្តុះបណ្តាលលើទិន្នន័យដែលជាប់ទាក់ទង។ កំហុសចម្ងាយដែលបានកំណត់ជាមុនមិនត្រូវបានអើពើពីតម្លៃជាក់ស្តែង ហើយប្រសិនបើមានកំហុសគឺធំជាងនេះ) ភាពស្មុគស្មាញនៃដី ε(ε) ទិន្នន័យបណ្តុះបណ្តាលទៅកាន់សំណុំរងដ៏ទូលំទូលាយនៃវ៉ិចទ័រគាំទ្រ។ សមីការដែលស្នើឡើងដោយ Vapnik51 ត្រូវបានបង្ហាញខាងក្រោម។
ដែល b តំណាងឱ្យកម្រិតនៃមាត្រដ្ឋាន \(K\left({x}_{,}{x}_{k}\right)\) តំណាងឱ្យមុខងារខឺណែល \(\alpha\) តំណាងឱ្យមេគុណ Lagrange N តំណាងឱ្យសំណុំទិន្នន័យជាលេខ \({x}_{k}\) តំណាងឱ្យការបញ្ចូលទិន្នន័យ ហើយទិន្នន័យដែលប្រើជាលេខ OSV គឺ ប្រតិបត្តិការ ដែលជាមុខងារមូលដ្ឋានរ៉ាឌីកាល់ Gaussian (RBF)។ ខឺណែល RBF ត្រូវបានអនុវត្តដើម្បីកំណត់គំរូ SVMR ដ៏ល្អប្រសើរ ដែលមានសារៈសំខាន់ក្នុងការទទួលបានកត្តាកំណត់ពិន័យ C និងខឺណែលប៉ារ៉ាម៉ែត្រហ្គាម៉ា (γ) សម្រាប់ទិន្នន័យបណ្តុះបណ្តាល PTE។ ជាដំបូង យើងបានវាយតម្លៃសំណុំហ្វឹកហ្វឺន ហើយបន្ទាប់មកបានសាកល្បងដំណើរការគំរូនៅលើឧបករណ៍វាស់ស្ទង់តម្លៃ និងការកំណត់តម្លៃដែលប្រើប្រាស់គឺការវាស់វែងសុពលភាព។ svmRadial ។
គំរូតំរែតំរង់លីនេអ៊ែរច្រើន (MLR) គឺជាគំរូតំរែតំរង់ដែលតំណាងឱ្យទំនាក់ទំនងរវាងអថេរឆ្លើយតប និងអថេរព្យាករមួយចំនួន ដោយប្រើប៉ារ៉ាម៉ែត្រចម្រុះលីនេអ៊ែរដែលបានគណនាដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។ ក្នុង MLR គំរូការ៉េតិចបំផុតគឺជាមុខងារព្យាករណ៍នៃលក្ខណៈសម្បត្តិដីបន្ទាប់ពីការជ្រើសរើសអថេរពន្យល់។ វាចាំបាច់ក្នុងការប្រើការឆ្លើយតបដែលអាចពន្យល់បានតាមបន្ទាត់ TE ។ ត្រូវបានប្រើជាអថេរឆ្លើយតប ដើម្បីបង្កើតទំនាក់ទំនងលីនេអ៊ែរជាមួយអថេរពន្យល់។ សមីការ MLR គឺ
ដែល y គឺជាអថេរឆ្លើយតប \(a\) គឺជាការស្ទាក់ចាប់ n គឺជាចំនួនអ្នកទស្សន៍ទាយ \({b}_{1}\) គឺជាការតំរែតំរង់ផ្នែកនៃមេគុណ \({x}_{i}\) តំណាងឱ្យអថេរទស្សន៍ទាយ ឬអថេរពន្យល់ ហើយ \({\varepsilon }_{i}\) តំណាងឱ្យគំរូដែលត្រូវបានគេស្គាល់ថាជា residor ។
គំរូចម្រុះត្រូវបានទទួលដោយការសាំងវិច EBK ជាមួយ SVMR និង MLR។ នេះធ្វើឡើងដោយការទាញយកតម្លៃដែលបានព្យាករណ៍ពី EBK interpolation។ តម្លៃដែលបានព្យាករណ៍ដែលទទួលបានពី interpolated Ca, K និង Mg ត្រូវបានទទួលតាមរយៈដំណើរការផ្សំ ដើម្បីទទួលបានអថេរថ្មីដូចជា CaK, M, Cag និង Mg ។ អថេរទីបួន CaKMg. សរុបមក អថេរដែលទទួលបានគឺ Ca, K, Mg, CaK, CaMg, KMg និង CaKMg។ អថេរទាំងនេះបានក្លាយជាអ្នកព្យាករណ៍របស់យើង ដែលជួយទស្សន៍ទាយកំហាប់នីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ ក្បួនដោះស្រាយ SVMR Bay ត្រូវបានអនុវត្តលើគំរូនៃការព្យាករណ៍ Kriging-Support Vector Machine (EBK_SVM)។​ ដូចគ្នានេះដែរ អថេរ​ក៏​ត្រូវ​បាន​កាត់​តាម​ក្បួន​ដោះស្រាយ MLR ដើម្បី​ទទួល​បាន​គំរូ​ចម្រុះ Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR)។​ ជាធម្មតា​អថេរ Ca, K, Mg, CaK, CaK, Cagari ត្រូវបាន​ប្រើ។ ការព្យាករណ៍នៃមាតិកា Ni នៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ គំរូដែលអាចទទួលយកបានបំផុតដែលទទួលបាន (EBK_SVM ឬ EBK_MLR) បន្ទាប់មកនឹងត្រូវបានមើលឃើញដោយប្រើក្រាហ្វដែលរៀបចំដោយខ្លួនឯង។ ដំណើរការនៃការសិក្សានេះត្រូវបានបង្ហាញនៅក្នុងរូបភាពទី 2 ។
ការប្រើប្រាស់ SeOM បានក្លាយជាឧបករណ៍ដ៏ពេញនិយមសម្រាប់រៀបចំ វាយតម្លៃ និងព្យាករណ៍ទិន្នន័យក្នុងវិស័យហិរញ្ញវត្ថុ ការថែទាំសុខភាព ឧស្សាហកម្ម ស្ថិតិ វិទ្យាសាស្ត្រដី និងច្រើនទៀត។SeOM ត្រូវបានបង្កើតឡើងដោយប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត និងវិធីសាស្រ្តសិក្សាដែលគ្មានការត្រួតពិនិត្យសម្រាប់ការរៀបចំ ការវាយតម្លៃ និងការទស្សន៍ទាយ។ ក្នុងការសិក្សានេះ SeOM ត្រូវបានប្រើដើម្បីមើលឃើញកំហាប់ Ni ដោយផ្អែកលើគំរូដ៏ល្អបំផុតសម្រាប់ការទស្សន៍ទាយក្នុងដំណើរការទិន្នន័យ Ni-The Seurban ។ ការវាយតំលៃត្រូវបានប្រើជា n បញ្ចូល-វិមាត្រអថេរវ៉ិចទ័រ43,56.Melssen et al ។ 57 ពិពណ៌នាអំពីការតភ្ជាប់នៃវ៉ិចទ័របញ្ចូលទៅក្នុងបណ្តាញសរសៃប្រសាទតាមរយៈស្រទាប់បញ្ចូលតែមួយទៅនឹងវ៉ិចទ័រទិន្នផលដែលមានវ៉ិចទ័រទម្ងន់តែមួយ។ លទ្ធផលដែលបង្កើតដោយ SeOM គឺជាផែនទីពីរវិមាត្រដែលមានកោសិកាណឺរ៉ូន ឬថ្នាំងផ្សេងៗគ្នាដែលត្បាញចូលទៅក្នុងផែនទីកំពូលឆកោន រាងជារង្វង់ ឬការ៉េ យោងទៅតាមភាពជិតរបស់វា។ ការប្រៀបធៀបទំហំផែនទីដោយផ្អែកលើការវាស់វែង និងម៉ែត្រគូប។ (TE) គំរូ SeOM ដែលមាន 0.086 និង 0.904 រៀងគ្នាត្រូវបានជ្រើសរើស ដែលជាឯកតាផែនទី 55 (5 × 11)។ រចនាសម្ព័ន្ធណឺរ៉ូនត្រូវបានកំណត់តាមចំនួនថ្នាំងក្នុងសមីការជាក់ស្តែង
ចំនួនទិន្នន័យដែលប្រើក្នុងការសិក្សានេះគឺ 115 គំរូ។ វិធីសាស្រ្តចៃដន្យត្រូវបានប្រើដើម្បីបំបែកទិន្នន័យទៅជាទិន្នន័យសាកល្បង (25% សម្រាប់សុពលភាព) និងសំណុំទិន្នន័យបណ្តុះបណ្តាល (75% សម្រាប់ការក្រិតតាមខ្នាត)។ សំណុំទិន្នន័យបណ្តុះបណ្តាលត្រូវបានប្រើដើម្បីបង្កើតគំរូតំរែតំរង់ (ការក្រិតតាមខ្នាត) ហើយសំណុំទិន្នន័យសាកល្បងត្រូវបានប្រើដើម្បីផ្ទៀងផ្ទាត់សមត្ថភាពទូទៅនៃដី 58. នេះត្រូវបានធ្វើដើម្បីវាយតម្លៃគំរូផ្សេងៗសម្រាប់មាតិកា។ បានឆ្លងកាត់ដំណើរការផ្ទៀងផ្ទាត់ដប់ដង ធ្វើម្តងទៀត 5 ដង។ អថេរដែលផលិតដោយ EBK interpolation ត្រូវបានប្រើជាអ្នកព្យាករណ៍ ឬអថេរពន្យល់ដើម្បីទស្សន៍ទាយអថេរគោលដៅ (PTE)។ គំរូត្រូវបានគ្រប់គ្រងនៅក្នុង RStudio ដោយប្រើបណ្ណាល័យកញ្ចប់ (Kohonen) បណ្ណាល័យ (caret) បណ្ណាល័យ (គំរូ) បណ្ណាល័យ ("e1"(")") បណ្ណាល័យ("e1071") prospectr”) និងបណ្ណាល័យ (“ម៉ែត្រ”)។
ប៉ារ៉ាម៉ែត្រសុពលភាពផ្សេងៗត្រូវបានប្រើដើម្បីកំណត់គំរូល្អបំផុតដែលសមរម្យសម្រាប់ការទស្សន៍ទាយកំហាប់នីកែលនៅក្នុងដី និងដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃគំរូ និងសុពលភាពរបស់វា។ គំរូបង្កាត់ត្រូវបានវាយតម្លៃដោយប្រើកំហុសដាច់ខាតមធ្យម (MAE) កំហុសឫសមធ្យមការ៉េ (RMSE) និង R-squared ឬការកំណត់មេគុណនៃសមាមាត្រ 2 (R2) ។ តំរែតំរង់ model.RMSE និងទំហំបំរែបំរួលក្នុងវិធានការឯករាជ្យពណ៌នាអំពីថាមពលព្យាករណ៍នៃគំរូ ខណៈពេលដែល MAE កំណត់តម្លៃបរិមាណជាក់ស្តែង។ តម្លៃ R2 ត្រូវតែខ្ពស់ដើម្បីវាយតម្លៃគំរូល្បាយល្អបំផុតដោយប្រើប៉ារ៉ាម៉ែត្រសុពលភាព តម្លៃកាន់តែជិតដល់ 1 ភាពត្រឹមត្រូវកាន់តែខ្ពស់។ យោងតាម ​​Li et al ។ 59, តម្លៃលក្ខណៈវិនិច្ឆ័យ R2 នៃ 0.75 ឬខ្ពស់ជាងនេះត្រូវបានចាត់ទុកថាជាការព្យាករណ៍ដ៏ល្អ។ ពី 0.5 ដល់ 0.75 គឺជាការអនុវត្តគំរូដែលអាចទទួលយកបាន ហើយខាងក្រោម 0.5 គឺជាការអនុវត្តគំរូដែលមិនអាចទទួលយកបាន។ នៅពេលជ្រើសរើសម៉ូដែលដោយប្រើវិធីសាស្ត្រវាយតម្លៃលក្ខណៈវិនិច្ឆ័យសុពលភាព RMSE និង MAE តម្លៃទាបដែលទទួលបានគឺគ្រប់គ្រាន់ ហើយត្រូវបានចាត់ទុកថាជាជម្រើសដ៏ល្អបំផុត។ សមីការខាងក្រោមពិពណ៌នាអំពីវិធីសាស្ត្រផ្ទៀងផ្ទាត់។
ដែល n តំណាងឱ្យទំហំនៃតម្លៃដែលបានសង្កេត \({Y}_{i}\) តំណាងឱ្យការឆ្លើយតបដែលបានវាស់វែង ហើយ \({\widehat{Y}}_{i}\) ក៏តំណាងឱ្យតម្លៃឆ្លើយតបដែលបានព្យាករណ៍ ដូច្នេះសម្រាប់ការសង្កេតដំបូងរបស់ខ្ញុំ។
ការពិពណ៌នាស្ថិតិនៃអថេរទស្សន៍ទាយ និងការឆ្លើយតបត្រូវបានបង្ហាញក្នុងតារាងទី 1 ដែលបង្ហាញពីមធ្យម គម្លាតស្តង់ដារ (SD) មេគុណបំរែបំរួល (CV) អប្បបរមា អតិបរមា kurtosis និង skewness។តម្លៃអប្បបរមា និងអតិបរមានៃធាតុគឺស្ថិតនៅក្នុងលំដាប់ថយចុះនៃ Mg < Ca< K< Ni និង Ca < Mg < K.< Conariation រៀងគ្នាដោយគោរព។ ពីតំបន់សិក្សាមានចាប់ពី 4.86 ដល់ 42.39 mg/kg ។ការប្រៀបធៀប Ni ជាមួយមធ្យមពិភពលោក (29 mg/kg) និងមធ្យមអឺរ៉ុប (37 mg/kg) បានបង្ហាញថា មធ្យមធរណីមាត្រដែលបានគណនាសម្រាប់តំបន់សិក្សាគឺស្ថិតនៅក្នុងជួរដែលអាចអត់ឱនបាន។ យ៉ាងណាក៏ដោយ ដូចដែលបានបង្ហាញដោយ Kabata-Pendias11 ការប្រៀបធៀបនៃមធ្យមភាគកសិកម្មក្នុងប្រទេសស៊ុយអែត បង្ហាញថា Nick បច្ចុប្បន្ន កំហាប់នីកែលជាមធ្យមបច្ចុប្បន្នគឺខ្ពស់ជាង។ ដូចគ្នានេះដែរ កំហាប់មធ្យមនៃ Frydek Mistek នៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុងក្នុងការសិក្សាបច្ចុប្បន្ន (Ni 16.15 mg/kg) គឺខ្ពស់ជាងដែនកំណត់ដែលអាចអនុញ្ញាតបានគឺ 60 (10.2 mg/kg) សម្រាប់ Ni នៅក្នុងដីទីក្រុងប៉ូឡូញ រាយការណ៍ដោយ Różański et al.Freight 60 កំណត់ត្រា Brerzański et al. ការប្រមូលផ្តុំ (1.78 mg/kg) នៅក្នុងដីទីក្រុងក្នុង Tuscany បើប្រៀបធៀបទៅនឹងការសិក្សាបច្ចុប្បន្ន។Jim62 ក៏បានរកឃើញកំហាប់នីកែលទាប (12.34 mg/kg) នៅក្នុងដីទីក្រុងហុងកុង ដែលទាបជាងកំហាប់នីកែលបច្ចុប្បន្ននៅក្នុងការសិក្សានេះ។ Birke et al63 បានរាយការណ៍ថាកំហាប់ Ni ជាមធ្យមនៃ 17.6 mg/kg នៅប្រទេសអាឡឺម៉ង់ដែលមានកំហាប់ mining ជាមធ្យម 17.6 mg/kg ក្នុងប្រទេសអាល្លឺម៉ង់។ គឺ 1.45 mg/kg ខ្ពស់ជាងកំហាប់ Ni មធ្យមនៅក្នុងតំបន់ (16.15 mg/kg)។ការស្រាវជ្រាវបច្ចុប្បន្ន។បរិមាណនីកែលច្រើនហួសប្រមាណនៅក្នុងដីនៅក្នុងតំបន់ទីក្រុង និងជាយក្រុងមួយចំនួននៃតំបន់សិក្សាអាចត្រូវបានកំណត់គុណលក្ខណៈចម្បងចំពោះឧស្សាហកម្មដែក និងដែក និងឧស្សាហកម្មដែក។ នេះស្របនឹងការសិក្សាដោយ Khodadoust et al ។ 64 ដែលឧស្សាហកម្មដែក និងលោហៈធាតុ គឺជាប្រភពចម្បងនៃការចម្លងរោគនីកែលនៅក្នុងដី។ ទោះយ៉ាងណាក៏ដោយ អ្នកព្យាករណ៍ក៏មានចាប់ពី 538.70 mg/kg ដល់ 69,161.80 mg/kg សម្រាប់ Ca, 497.51 mg/kg ដល់ 3535.68 mg/kg សម្រាប់ K និង 6785 mg/kg.68 សម្រាប់ K និង 6785 mg/kg.68 Mg.Jakovljevic et al ។ 65 បានស៊ើបអង្កេតបរិមាណ Mg និង K សរុបនៃដីនៅកណ្តាលប្រទេសស៊ែប៊ី។ ពួកគេបានរកឃើញថាកំហាប់សរុប (410 mg/kg និង 400 mg/kg រៀងគ្នា) គឺទាបជាងកំហាប់ Mg និង K នៃការសិក្សាបច្ចុប្បន្ន។ មិនអាចបែងចែកបានទេ នៅភាគខាងកើតប្រទេសប៉ូឡូញ Orzechowski និង Smolczynski66 នៃកំហាប់ Mg បានវាយតម្លៃជាមធ្យម និង Ca មាតិកាសរុប (1100 mg/kg), Mg (590 mg/kg) និង K (810 mg/kg) មាតិកានៅក្នុងដីខាងលើគឺទាបជាងធាតុតែមួយនៅក្នុងការសិក្សានេះ។ ការសិក្សាថ្មីៗនេះដោយ Pongrac et al. 67 បានបង្ហាញថា មាតិកា Ca សរុបដែលត្រូវបានវិភាគនៅក្នុងដី 3 ផ្សេងគ្នាក្នុងប្រទេសស្កុតឡែន ចក្រភពអង់គ្លេស (ដី Mylnefield, ដី Balruddery និងដី Hartwood) បង្ហាញពីមាតិកា Ca ខ្ពស់ជាងនៅក្នុងការសិក្សានេះ។
ដោយសារតែកំហាប់វាស់វែងខុសៗគ្នានៃធាតុដែលបានដាក់សំណាក ការចែកចាយសំណុំទិន្នន័យនៃធាតុបង្ហាញភាពស្ទាក់ស្ទើរខុសៗគ្នា។ ភាពមិនច្បាស់ និង kurtosis នៃធាតុមានចាប់ពី 1.53 ដល់ 7.24 និង 2.49 ដល់ 54.16 រៀងគ្នា។ ធាតុដែលបានគណនាទាំងអស់មានកម្រិត skewness និង kurtosis ទិន្នន័យខាងលើគឺ skew កម្រិតនៃទិន្នន័យខាងលើ +1 ។ ទិសដៅត្រឹមត្រូវ និងខ្ពស់បំផុត។ CVs ប៉ាន់ស្មាននៃធាតុទាំងនោះក៏បង្ហាញផងដែរថា K, Mg និង Ni បង្ហាញភាពប្រែប្រួលកម្រិតមធ្យម ខណៈដែល Ca មានភាពប្រែប្រួលខ្ពស់ខ្លាំង។ CVs របស់ K, Ni និង Mg ពន្យល់ពីការចែកចាយឯកសណ្ឋានរបស់ពួកគេ។ លើសពីនេះ ការចែកចាយ Ca គឺមិនឯកសណ្ឋាន ហើយប្រភពខាងក្រៅអាចប៉ះពាល់ដល់កម្រិតនៃការកើនឡើងរបស់វា។
ការជាប់ទាក់ទងគ្នានៃអថេរទស្សន៍ទាយជាមួយធាតុឆ្លើយតបបានបង្ហាញពីការជាប់ទាក់ទងគ្នាដ៏គួរឱ្យពេញចិត្តរវាងធាតុ (សូមមើលរូបភាពទី 3)។ ការជាប់ទាក់ទងគ្នាបានបង្ហាញថា CaK បង្ហាញពីទំនាក់ទំនងកម្រិតមធ្យមជាមួយនឹងតម្លៃ r = 0.53 ដូច CaNi ដែរ។ ទោះបីជា Ca និង K បង្ហាញពីទំនាក់ទំនងតិចតួចជាមួយគ្នាទៅវិញទៅមក។ អ្នកស្រាវជ្រាវ 68 និង Santo69 ណែនាំថាកម្រិតរបស់វានៅក្នុងដីមានសមាមាត្រច្រាស។ ទោះយ៉ាងណាក៏ដោយ Ca និង Mg គឺប្រឆាំងនឹង K ប៉ុន្តែ CaK មានទំនាក់ទំនងល្អ។ នេះអាចបណ្តាលមកពីការប្រើប្រាស់ជីដូចជា ប៉ូតាស្យូមកាបូណាត ដែលខ្ពស់ជាង 56% នៅក្នុងប៉ូតាស្យូម។ ប៉ូតាស្យូមមានទំនាក់ទំនងល្មមជាមួយម៉ាញេស្យូម (KM r = ប៉ូតាស្យូម) ពីរគឺនៅក្នុងឧស្សាហកម្មជី។ ស៊ុលហ្វាត ប៉ូតាស្យូម ម៉ាញេស្យូមនីត្រាត និងប៉ូតាស្យូម ត្រូវបានអនុវត្តទៅលើដីដើម្បីបង្កើនកម្រិតកង្វះរបស់វា។ នីកែលមានទំនាក់ទំនងល្មមជាមួយ Ca, K និង Mg ជាមួយនឹងតម្លៃ r = 0.52, 0.63 និង 0.55 រៀងគ្នា។ ទំនាក់ទំនងដែលទាក់ទងនឹងកាល់ស្យូម ម៉ាញេស្យូម និង PTEs ដូចជានីកែលមិនមានភាពស្មុគស្មាញ កាល់ស្យូម ម៉ាញ៉េស្យូមមិនស្មុគ្រស្មាញទេ។ ម៉ាញេស្យូម និងទាំងម៉ាញេស្យូម និងកាល់ស្យូមកាត់បន្ថយឥទ្ធិពលពុលនៃនីកែលនៅក្នុងដី។
ម៉ាទ្រីសទំនាក់ទំនងសម្រាប់ធាតុដែលបង្ហាញពីទំនាក់ទំនងរវាងអ្នកទស្សន៍ទាយ និងការឆ្លើយតប (ចំណាំ៖ តួលេខនេះរួមបញ្ចូលការបែកខ្ញែករវាងធាតុ កម្រិតសារៈសំខាន់គឺផ្អែកលើ p < 0,001)។
រូបភាពទី 4 បង្ហាញពីការចែកចាយលំហនៃធាតុ។ យោងទៅតាម Burgos et al70 ការអនុវត្តការបែងចែកលំហគឺជាបច្ចេកទេសដែលប្រើដើម្បីកំណត់បរិមាណ និងបន្លិចចំណុចក្តៅនៅក្នុងតំបន់ដែលមានការបំពុល។ កម្រិតនៃការពង្រឹង Ca នៅក្នុងរូបភាពទី 4 អាចត្រូវបានគេមើលឃើញនៅភាគពាយព្យនៃការបែងចែកទំហំលំហ។ ភាគពាយព្យនៃផែនទីទំនងជាដោយសារតែការប្រើប្រាស់ Quicklime (calcium oxide) ដើម្បីកាត់បន្ថយជាតិអាស៊ីតរបស់ដី និងការប្រើប្រាស់របស់វានៅក្នុងរោងម៉ាស៊ីនដែកជាអុកស៊ីហ្សែនអាល់កាឡាំងក្នុងដំណើរការផលិតដែក។ ម្យ៉ាងវិញទៀត កសិករផ្សេងទៀតចូលចិត្តប្រើកាល់ស្យូមអ៊ីដ្រូអុកស៊ីតក្នុងដីអាសុីត ដើម្បីបន្សាប pH ដែលបង្កើនមាតិកាកាល់ស្យូមនៃដី71។ ប៉ូតាស្យូមនៅភាគពាយ័ព្យក៏ជាផែនទីដែលក្តៅបំផុតនៅភាគខាងជើងផងដែរ។ សហគមន៍កសិកម្មធំៗ និងគំរូប៉ូតាស្យូមពីមធ្យមទៅខ្ពស់អាចបណ្តាលមកពីកម្មវិធី NPK និងប៉ូតាស្យូម។ វាស្របជាមួយនឹងការសិក្សាផ្សេងទៀតដូចជា Madaras និង Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75 ដែលបានសង្កេតឃើញថា ស្ថេរភាពដី និងមាតិកាខ្ពស់ក្នុងការព្យាបាល KCl និងជាលទ្ធផលនៃ KCl ។ ការបង្កើនប៉ូតាស្យូម Spatial នៅភាគពាយព្យនៃផែនទីចែកចាយអាចបណ្តាលមកពីការប្រើប្រាស់ជីដែលមានប៉ូតាស្យូមដូចជាប៉ូតាស្យូមក្លរួ ប៉ូតាស្យូមស៊ុលហ្វាត ប៉ូតាស្យូមនីត្រាត ប៉ូតាស្យូម និងប៉ូតាស្យូម ដើម្បីបង្កើនមាតិកាប៉ូតាស្យូមនៃដីក្រីក្រ។Zádorová et al ។ 76 និង Tlustoš et al ។ 77 បានគូសបញ្ជាក់ថា ការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើ K បង្កើនបរិមាណ K នៅក្នុងដី ហើយនឹងបង្កើនបរិមាណសារធាតុចិញ្ចឹមរបស់ដីក្នុងរយៈពេលវែង ជាពិសេស K និង Mg បង្ហាញពីចំណុចក្តៅនៅក្នុងដី។ ចំណុចក្តៅល្មមនៅភាគពាយព្យនៃផែនទី និងភាគអាគ្នេយ៍នៃផែនទី។ កំណកកូឡាអ៊ីដនៅក្នុងដីបំផ្លាញកំហាប់ម៉ាញេស្យូមនៅក្នុងដី បណ្តាលឱ្យខ្វះជាតិម៉ាញ៉េស្យូមនៅក្នុងដី។ chlorosis.ជីដែលមានមូលដ្ឋានលើម៉ាញេស្យូម ដូចជាប៉ូតាស្យូមស៊ុលហ្វាត ម៉ាញេស្យូមស៊ុលហ្វាត និង Kieserite ព្យាបាលការខ្វះខាត (រុក្ខជាតិមានពណ៌ស្វាយ ក្រហម ឬពណ៌ត្នោត ដែលបង្ហាញពីកង្វះម៉ាញេស្យូម) នៅក្នុងដីដែលមានកម្រិត pH ធម្មតា6.ការប្រមូលផ្តុំនីកែលលើផ្ទៃដីក្នុងទីក្រុង និងតំបន់ជុំវិញអាចបណ្តាលមកពីសកម្មភាពផលិតដែកអ៊ីណុក និងសារៈសំខាន់នៃកសិកម្ម។
ការចែកចាយលំហនៃធាតុ [ផែនទីចែកចាយលំហត្រូវបានបង្កើតដោយប្រើ ArcGIS Desktop (ESRI, Inc, កំណែ 10.7, URL៖ https://desktop.arcgis.com)]
លទ្ធផលសន្ទស្សន៍ការអនុវត្តគំរូសម្រាប់ធាតុដែលប្រើក្នុងការសិក្សានេះត្រូវបានបង្ហាញក្នុងតារាងទី 2។ ម្យ៉ាងវិញទៀត RMSE និង MAE របស់ Ni គឺនៅជិតសូន្យ (0.86 RMSE, -0.08 MAE)។​ ម្យ៉ាងវិញទៀតតម្លៃ RMSE និង MAE របស់ K គឺអាចទទួលយកបាន។ RMSE និង MAE លទ្ធផលគឺធំជាងសម្រាប់លទ្ធផលកាល់ស្យូម និងម៉ាញេស្យូម។ datasets.The RMSE និង MAE នៃការសិក្សានេះដោយប្រើ EBK ដើម្បីទស្សន៍ទាយ Ni ត្រូវបានរកឃើញថាប្រសើរជាងលទ្ធផលរបស់ John et al ។ 54 ដោយប្រើ kriging រួមបញ្ចូលគ្នាដើម្បីទស្សន៍ទាយកំហាប់ S នៅក្នុងដីដោយប្រើទិន្នន័យដែលប្រមូលបានដូចគ្នា។ លទ្ធផល EBK ដែលយើងសិក្សាគឺទាក់ទងជាមួយ 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 ។
ការអនុវត្តនៃវិធីសាស្រ្តបុគ្គលសម្រាប់ការទស្សន៍ទាយមាតិកានីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុងត្រូវបានវាយតម្លៃដោយប្រើដំណើរការនៃគំរូ (តារាងទី 3)។ ការវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែល និងភាពត្រឹមត្រូវបានបញ្ជាក់ថាការទស្សន៍ទាយ Ca_Mg_K រួមបញ្ចូលគ្នាជាមួយគំរូ EBK SVMR ផ្តល់លទ្ធផលល្អបំផុត។ គំរូការក្រិតតាមខ្នាត EBK_SV_MR-KR-2 (RMSE) និងមធ្យម កំហុសដាច់ខាត (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 1668 mg/kg (RMSE) ល្អ។ តម្លៃត្រូវបានទទួលសម្រាប់ Ca_Mg_K-SVMR (0.663 mg/kg R2) និង Ca_Mg-EBK_SVMR (0.643 = R2); លទ្ធផល RMSE និង MAE របស់ពួកគេគឺខ្ពស់ជាងលទ្ធផលសម្រាប់ Ca_Mg_K-EBK_SVMR (R2 0.637) (សូមមើលតារាងទី 3)។ លើសពីនេះ RMSE និង MAE នៃ Ca_Mg-EBK_SVMR (RMSE = 1664.64 និង MAE = 1031.45) គឺធំជាង 13. នៃគំរូ។ គំរូ Ca_Mg_K-EBK_SVMR.ដូចគ្នានេះដែរ RMSE និង MAE នៃ Ca_Mg-K SVMR (RMSE = 235.974 និង MAE = 166.946) គឺ 2.5 និង 2.2 ធំជាងគំរូនៃ Ca_Mg_K-EBK_SVMR ផ្អែកលើការគណនាលទ្ធផល RMSE និង MAE ជាមួយនឹងបន្ទាត់នៃសមល្អបំផុត។ RSME និង MAE កាន់តែខ្ពស់ត្រូវបានគេសង្កេតឃើញ។ យោងតាម ​​Kebonye et al ។ 46 និង John et al ។ 54 កាន់តែជិត RMSE និង MAE ដល់សូន្យ លទ្ធផលកាន់តែប្រសើរ។ SVMR និង EBK_SVMR មានតម្លៃ RSME និង MAE ដែលមានបរិមាណខ្ពស់ជាង។ វាត្រូវបានគេសង្កេតឃើញថាការប៉ាន់ប្រមាណ RSME គឺខ្ពស់ជាងតម្លៃ MAE ជាប់លាប់ ដែលបង្ហាញពីវត្តមានរបស់ outliers។ យោងតាម ​​Legates និង McCabe83 វិសាលភាពដែលលើសពីនេះ (អប្បបរមា) ត្រូវបានណែនាំជាសូចនាករនៃវត្តមានរបស់ outliers។ នេះមានន័យថា សំណុំទិន្នន័យកាន់តែខុសគ្នា នោះតម្លៃ MAE និង RMSE កាន់តែខ្ពស់។ ភាពត្រឹមត្រូវនៃការវាយតម្លៃឆ្លងដែននៃគំរូចម្រុះ Ca_Mg_K-EBK_SVMR សម្រាប់ការទស្សន៍ទាយមាតិកា Ni នៅក្នុងដីទីក្រុង និងជាយក្រុងគឺ 63.70% ។ 59, កម្រិតនៃភាពត្រឹមត្រូវនេះគឺជាអត្រានៃការអនុវត្តគំរូដែលអាចទទួលយកបាន។ លទ្ធផលបច្ចុប្បន្នត្រូវបានប្រៀបធៀបទៅនឹងការសិក្សាពីមុនដោយ Tarasov et al ។ 36 ដែលគំរូកូនកាត់បានបង្កើត MLPRK (Multilayer Perceptron Residual Kriging) ដែលទាក់ទងទៅនឹងសន្ទស្សន៍វាយតម្លៃភាពត្រឹមត្រូវ EBK_SVMR ដែលបានរាយការណ៍នៅក្នុងការសិក្សាបច្ចុប្បន្ន RMSE (210) និង MAE (167.5) គឺខ្ពស់ជាងលទ្ធផលរបស់យើងក្នុងការសិក្សាបច្ចុប្បន្ន (RMSE 95.4779)។ ការសិក្សាបច្ចុប្បន្ន (0.637) ជាមួយនឹង Tarasov et al ។ 36 (0.544) វាច្បាស់ណាស់ថាមេគុណនៃការកំណត់ (R2) គឺខ្ពស់ជាងនៅក្នុងគំរូចម្រុះនេះ។ រឹមនៃកំហុស (RMSE និង MAE) (EBK SVMR) សម្រាប់ម៉ូដែលចម្រុះគឺទាបជាង 2 ដង។ ដូចគ្នាដែរ Sergeev et al.34 បានកត់ត្រា 0.28 (R2) សម្រាប់គំរូកូនកាត់ដែលបង្កើតឡើងវិញ (M. ការសិក្សាបច្ចុប្បន្នបានកត់ត្រា 0.637 (R2)។ កម្រិតភាពត្រឹមត្រូវនៃការទស្សន៍ទាយនៃគំរូនេះ (EBK SVMR) គឺ 63.7% ខណៈពេលដែលភាពត្រឹមត្រូវនៃការទស្សន៍ទាយដែលទទួលបានដោយ Sergeev et al ។ 34 គឺ 28% ផែនទីចុងក្រោយ (រូបភាពទី 5) ដែលត្រូវបានបង្កើតដោយប្រើគំរូ EBK_SVMR និង Ca_Mg_K ជាអ្នកទស្សន៍ទាយបង្ហាញការព្យាករណ៍នៃចំណុចក្តៅ និងកម្រិតមធ្យមទៅនីកែលលើផ្ទៃសិក្សាទាំងមូល។ នេះមានន័យថាកំហាប់នីកែលនៅក្នុងតំបន់សិក្សាគឺមធ្យមជាចម្បង ជាមួយនឹងកំហាប់ខ្ពស់នៅក្នុងតំបន់ជាក់លាក់មួយចំនួន។
ផែនទីទស្សន៍ទាយចុងក្រោយត្រូវបានតំណាងដោយប្រើគំរូកូនកាត់ EBK_SVMR និងប្រើប្រាស់ Ca_Mg_K ជាអ្នកទស្សន៍ទាយ។។
បង្ហាញក្នុងរូបភាពទី 6 គឺជាការប្រមូលផ្តុំ PTE ជាយន្តហោះសមាសភាពដែលមានណឺរ៉ូននីមួយៗ។ គ្មានប្លង់សមាសធាតុណាមួយបង្ហាញគំរូពណ៌ដូចគ្នាដូចដែលបានបង្ហាញនោះទេ។ ទោះជាយ៉ាងណាក៏ដោយ ចំនួនណឺរ៉ូនសមស្របក្នុងមួយផែនទីដែលគូរគឺ 55.SeOM ត្រូវបានផលិតដោយប្រើពណ៌ផ្សេងៗគ្នា ហើយលំនាំពណ៌កាន់តែស្រដៀងគ្នា លក្ខណៈសម្បត្តិនៃគំរូនីមួយៗអាចប្រៀបធៀបបានកាន់តែច្រើន។ យោងទៅតាមពណ៌ និងមាត្រដ្ឋានរបស់វា បានបង្ហាញគំរូពណ៌ស្រដៀងគ្នាទៅនឹងណឺរ៉ូនខ្ពស់តែមួយ និងណឺរ៉ូនទាបភាគច្រើន។ ដូច្នេះហើយ CaK និង CaMg ចែករំលែកភាពស្រដៀងគ្នាមួយចំនួនជាមួយណឺរ៉ូនលំដាប់ខ្ពស់ និងលំនាំពណ៌ទាបទៅមធ្យម។ ម៉ូដែលទាំងពីរព្យាករណ៍ពីការប្រមូលផ្តុំ Ni នៅក្នុងដីដោយបង្ហាញពណ៌ពីមធ្យមទៅខ្ពស់នៃពណ៌ដូចជាក្រហម ទឹកក្រូច និងលឿង។ គំរូ KMg បង្ហាញគំរូពណ៌ខ្ពស់ជាច្រើនដោយផ្អែកលើពណ៌កម្រិតមធ្យម និងកម្រិតច្បាស់លាស់។ ពីទាបទៅខ្ពស់ គំរូចែកចាយប្លង់នៃធាតុផ្សំនៃគំរូបានបង្ហាញពីគំរូពណ៌ខ្ពស់ដែលបង្ហាញពីកំហាប់សក្តានុពលនៃនីកែលនៅក្នុងដី (សូមមើលរូបភាពទី 4)។ ប្លង់សមាសធាតុគំរូ CakMg បង្ហាញគំរូពណ៌ចម្រុះពីទាបទៅខ្ពស់យោងតាមមាត្រដ្ឋានពណ៌ត្រឹមត្រូវ។ លើសពីនេះ ការព្យាករណ៍របស់គំរូនៃមាតិកានីកែល (CakMg) គឺស្រដៀងគ្នាទៅនឹងការចែកចាយរូបភាពទី 5 ។ បង្ហាញសមាមាត្រខ្ពស់ មធ្យម និងទាបនៃកំហាប់នីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ រូបភាពទី 7 បង្ហាញពីវិធីសាស្ត្រវណ្ឌវង្កក្នុងការដាក់ជាក្រុម k នៅលើផែនទី ដោយបែងចែកជាចង្កោមចំនួន 3 ដោយផ្អែកលើតម្លៃដែលបានព្យាករណ៍នៅក្នុងគំរូនីមួយៗ។ វិធីសាស្ត្រវណ្ឌវង្កតំណាងឱ្យចំនួនចង្កោមដ៏ល្អប្រសើរ។ ក្នុងចំណោមគំរូដី 115 ។ គំរូដី 115 C ភាគច្រើនដែលទទួលបាន 2 គំរូដែលប្រមូលបាន 33 សំណាក ខណៈពេលដែលចង្កោមទី 3 បានទទួលសំណាកចំនួន 8។ ការរួមបញ្ចូលគ្នានៃធាតុព្យាករនៃផែនការដែលមានធាតុផ្សំប្រាំពីរត្រូវបានធ្វើឱ្យសាមញ្ញដើម្បីអនុញ្ញាតឱ្យមានការបកស្រាយចង្កោមត្រឹមត្រូវ។ ដោយសារដំណើរការ anthropogenic និងធម្មជាតិជាច្រើនដែលប៉ះពាល់ដល់ការបង្កើតដី វាពិបាកក្នុងការបែងចែកគំរូចង្កោមឱ្យបានត្រឹមត្រូវនៅក្នុងផែនទី SeOM 78 ដែលបានចែកចាយ។
លទ្ធផលនៃយន្តហោះសមាសធាតុដោយម៉ាស៊ីន Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) នីមួយៗ។[ផែនទីSeOM ត្រូវបានបង្កើតដោយប្រើ RStudio (កំណែ 1.4.1717៖ https://www.rstudio.com/)]
ធាតុផ្សំនៃចំណាត់ថ្នាក់ក្រុមផ្សេងៗគ្នា [ផែនទី SeOM ត្រូវបានបង្កើតដោយប្រើ RStudio (កំណែ 1.4.1717៖ https://www.rstudio.com/)]
ការសិក្សាបច្ចុប្បន្នបង្ហាញយ៉ាងច្បាស់អំពីបច្ចេកទេសគំរូសម្រាប់ការប្រមូលផ្តុំនីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ ការសិក្សានេះបានសាកល្បងបច្ចេកទេសធ្វើគំរូផ្សេងៗគ្នា ដោយរួមបញ្ចូលគ្នានូវធាតុផ្សំជាមួយបច្ចេកទេសគំរូ ដើម្បីទទួលបានវិធីល្អបំផុតក្នុងការទស្សន៍ទាយកំហាប់នីកែលនៅក្នុងដី។ លក្ខណៈវិសាលភាពនៃផែនការសមាសភាព SeOM នៃបច្ចេកទេសធ្វើគំរូបានបង្ហាញនូវគំរូពណ៌ដែលមានកំហាប់ខ្ពស់ក្នុងកម្រិតពណ៌ដែលមានភាពត្រឹមត្រូវពីកម្រិតទាបទៅខ្ពស់ ដី។ ទោះយ៉ាងណាក៏ដោយ ផែនទីចែកចាយលំហរបញ្ជាក់ពីការចែកចាយផ្នែកលំហនៃប្លង់នៃសមាសធាតុដែលបង្ហាញដោយ EBK_SVMR (សូមមើលរូបភាពទី 5)។ លទ្ធផលបង្ហាញថា គំរូតំរែតំរង់ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (Ca Mg K-SVMR) ព្យាករណ៍កំហាប់របស់ Ni នៅក្នុងដីជាគំរូតែមួយ ប៉ុន្តែការបញ្ជាក់ និងភាពត្រឹមត្រូវ និងភាពត្រឹមត្រូវនៃប៉ារ៉ាម៉ែត្រវាយតម្លៃខ្ពស់នៃ AERM ។ ដៃ បច្ចេកទេសបង្កើតគំរូដែលប្រើជាមួយគំរូ EBK_MLR ក៏មានគុណវិបត្តិផងដែរ ដោយសារតម្លៃទាបនៃមេគុណនៃការកំណត់ (R2)។ លទ្ធផលល្អត្រូវបានទទួលដោយប្រើ EBK SVMR និងធាតុផ្សំរួមបញ្ចូលគ្នា (CaKMg) ជាមួយនឹងកំហុស RMSE និង MAE ទាបជាមួយនឹងភាពត្រឹមត្រូវ 63.7% វាប្រែថាម៉ាស៊ីនរៀនផ្សំជាមួយ EBK ។ ក្បួនដោះស្រាយកូនកាត់ដែលអាចទស្សន៍ទាយកំហាប់នៃ PTEs នៅក្នុងដី។ លទ្ធផលបង្ហាញថា ការប្រើប្រាស់ Ca Mg K ជាអ្នកព្យាករណ៍ដើម្បីទស្សន៍ទាយកំហាប់ Ni នៅក្នុងតំបន់សិក្សាអាចធ្វើអោយការព្យាករណ៍ Ni នៅក្នុងដីមានភាពប្រសើរឡើង។ នេះមានន័យថា ការប្រើប្រាស់ជីនីកែលជាបន្តបន្ទាប់ និងការបំពុលដីដោយឧស្សាហកម្មដែកមានទំនោរក្នុងការបង្កើនកំហាប់នីកែលក្នុងដី ការសិក្សាបង្ហាញថាកម្រិត EB នេះមានភាពប្រសើរឡើង។ ភាពត្រឹមត្រូវនៃគំរូនៃការបែងចែកទំហំដីនៅក្នុងដីទីក្រុង ឬតំបន់ជុំវិញទីក្រុង។ ជាទូទៅ យើងស្នើឱ្យអនុវត្តគំរូ EBK-SVMR ដើម្បីវាយតម្លៃ និងព្យាករណ៍ PTE នៅក្នុងដី។ លើសពីនេះទៀត យើងស្នើឱ្យប្រើ EBK ដើម្បីបង្កាត់ជាមួយក្បួនដោះស្រាយការរៀនម៉ាស៊ីនផ្សេងៗ។ ការប្រមូលផ្តុំNi ត្រូវបានព្យាករណ៍ដោយប្រើធាតុជា covariates ។ ទោះបីជាយ៉ាងណាក៏ដោយ ការប្រើប្រាស់ covariates កាន់តែច្រើននឹងធ្វើអោយប្រសើរឡើងនូវដំណើរការនៃគំរូ ដែលអាចចាត់ទុកថាជាដែនកំណត់នៃការងារបច្ចុប្បន្ន។ ការកំណត់មួយទៀតនៃការសិក្សានេះគឺថាចំនួនសំណុំទិន្នន័យគឺ 115។ ដូច្នេះប្រសិនបើទិន្នន័យបន្ថែមត្រូវបានផ្តល់ជូន ការអនុវត្តនៃវិធីសាស្ត្រកូនកាត់ដែលបានស្នើឡើងអាចប្រសើរឡើង។
PlantProbs.net.Nickel នៅក្នុងរុក្ខជាតិ និងដី https://plantprobs.net/plant/nutrientImbalances/sodium.html (ចូលប្រើថ្ងៃទី 28 ខែមេសា ឆ្នាំ 2021)។
Kasprzak, KS Nickel ជឿនលឿនក្នុង toxicology.surroundings.toxicology.11, 145–183 (1987) ។
Cempel, M. & Nikel, G. Nickel: ការពិនិត្យឡើងវិញនៃប្រភពរបស់វា និងបរិស្ថានវិទ្យាប៉ូឡូញ ជេ Environment.Stud.15, 375–382 (2006)។
Freedman, B. & Hutchinson, TC Pollutant input ពីបរិយាកាស និងការកកកុញនៅក្នុងដី និងបន្លែនៅជិតកន្លែងចំហុយ nickel-copper នៅ Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)។
Manyiwa, T. et al. លោហធាតុធ្ងន់នៅក្នុងដី រុក្ខជាតិ និងហានិភ័យដែលត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងសត្វចៃ នៅក្បែរអណ្តូងរ៉ែស្ពាន់-នីកែល Selebi-Phikwe នៅ Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009.
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+ ធាតុ+ក្នុង+ដី+និង+រុក្ខជាតិ។+ទី៤+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (ចូលប្រើថ្ងៃទី 24 ខែវិច្ឆិកា ឆ្នាំ 2020)។
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian nickel industry on Russian metal concentrations on heavy metal metals in Agriculture and grasss in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Nickel absorbtion and retention in water drink is related to food intake and nickel sensitivity.toxicology.application.Pharmacodynamics.154, 67–75 (1999)។
Costa, M. & Klein, CB Nickel carcinogenesis, ការផ្លាស់ប្តូរ, epigenetics ឬ selection.surroundings.Health Perspective.107, 2 (1999)។
Ajman, កុំព្យូទ័រ; Ajado, SK; Borůvka, L.; ប៊ីនី, JKM; Sarkody, VYO; Cobonye, ​​​​NM; ការវិភាគនិន្នាការនៃធាតុពុលដែលមានសក្តានុពល៖ ការពិនិត្យ bibliometric ។ ភូគព្ភសាស្ត្របរិស្ថាន និងសុខភាព.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9 ។
Minasny, B. & McBratney, AB Digital Soil Mapping: 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 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= (ចូលប្រើថ្ងៃទី 28 ខែមេសា ឆ្នាំ 2021)។