Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್ ಆವೃತ್ತಿಯು CSS ಗೆ ಸೀಮಿತ ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ. ಉತ್ತಮ ಅನುಭವಕ್ಕಾಗಿ, ನೀವು ನವೀಕರಿಸಿದ ಬ್ರೌಸರ್ ಅನ್ನು ಬಳಸಬೇಕೆಂದು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ (ಅಥವಾ ಇಂಟರ್ನೆಟ್ ಎಕ್ಸ್‌ಪ್ಲೋರರ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡಿ). ಈ ಮಧ್ಯೆ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಶೈಲಿಗಳು ಮತ್ತು ಜಾವಾಸ್ಕ್ರಿಪ್ಟ್ ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.
ಮಾನವ ಚಟುವಟಿಕೆಗಳಿಂದ ಉಂಟಾಗುವ ದೊಡ್ಡ ಸಮಸ್ಯೆ ಮಣ್ಣಿನ ಮಾಲಿನ್ಯ. ಹೆಚ್ಚಿನ ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿ ಸಂಭಾವ್ಯ ವಿಷಕಾರಿ ಅಂಶಗಳ (PTEs) ಪ್ರಾದೇಶಿಕ ವಿತರಣೆ ಬದಲಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಅಂತಹ ಮಣ್ಣಿನಲ್ಲಿ PTEs ಅಂಶವನ್ನು ಪ್ರಾದೇಶಿಕವಾಗಿ ಊಹಿಸುವುದು ಕಷ್ಟ. ಜೆಕ್ ಗಣರಾಜ್ಯದ ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್‌ನಿಂದ ಒಟ್ಟು 115 ಮಾದರಿಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಕ್ಯಾಲ್ಸಿಯಂ (Ca), ಮೆಗ್ನೀಸಿಯಮ್ (Mg), ಪೊಟ್ಯಾಸಿಯಮ್ (K) ಮತ್ತು ನಿಕಲ್ (Ni) ಸಾಂದ್ರತೆಗಳನ್ನು ಇಂಡಕ್ಟಿವ್ಲಿ ಕಪಲ್ಡ್ ಪ್ಲಾಸ್ಮಾ ಎಮಿಷನ್ ಸ್ಪೆಕ್ಟ್ರೋಮೆಟ್ರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಧರಿಸಲಾಯಿತು. ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ Ni ಮತ್ತು ಮುನ್ಸೂಚಕಗಳು Ca, Mg, ಮತ್ತು K. ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಮುನ್ಸೂಚಕ ವೇರಿಯೇಬಲ್ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಂಶಗಳ ನಡುವೆ ತೃಪ್ತಿದಾಯಕ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ತೋರಿಸುತ್ತದೆ. ಭವಿಷ್ಯವಾಣಿಯ ಫಲಿತಾಂಶಗಳು ಬೆಂಬಲ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ರಿಗ್ರೆಷನ್ (SVMR) ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದೆ ಎಂದು ತೋರಿಸಿದೆ, ಆದರೂ ಅದರ ಅಂದಾಜು ಮೂಲ ಸರಾಸರಿ ವರ್ಗ ದೋಷ (RMSE) (235.974 mg/kg) ಮತ್ತು ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ (MAE) (166.946 mg/kg) ಅನ್ವಯಿಸಲಾದ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿದೆ. ಪ್ರಾಯೋಗಿಕ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್-ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್‌ಗಾಗಿ ಮಿಶ್ರ ಮಾದರಿಗಳು (EBK-MLR) ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, 0.1 ಕ್ಕಿಂತ ಕಡಿಮೆ ನಿರ್ಣಯದ ಗುಣಾಂಕಗಳಿಂದ ಸಾಕ್ಷಿಯಾಗಿದೆ. ಪ್ರಾಯೋಗಿಕ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್-ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ರಿಗ್ರೆಷನ್ (EBK-SVMR) ಮಾದರಿಯು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯಾಗಿದ್ದು, ಕಡಿಮೆ RMSE (95.479 mg/kg) ಮತ್ತು MAE (77.368 mg/kg) ಮೌಲ್ಯಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ನಿರ್ಣಯದ ಗುಣಾಂಕ (R2 = 0.637) ಹೊಂದಿದೆ. EBK-SVMR ಮಾಡೆಲಿಂಗ್ ತಂತ್ರದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಸ್ವಯಂ-ಸಂಘಟಿಸುವ ನಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ದೃಶ್ಯೀಕರಿಸಲಾಗುತ್ತದೆ. ಹೈಬ್ರಿಡ್ ಮಾದರಿಯ CakMg-EBK-SVMR ಘಟಕದ ಸಮತಲದಲ್ಲಿರುವ ಕ್ಲಸ್ಟರ್ಡ್ ನ್ಯೂರಾನ್‌ಗಳು ನಗರ ಮತ್ತು ನಗರ ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸುವ ಬಹು ಬಣ್ಣ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. EBK ಮತ್ತು SVMR ಅನ್ನು ಸಂಯೋಜಿಸುವುದು ನಗರ ಮತ್ತು ನಗರ ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಪರಿಣಾಮಕಾರಿ ತಂತ್ರವಾಗಿದೆ ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ.
ನಿಕಲ್ (Ni) ಸಸ್ಯಗಳಿಗೆ ಸೂಕ್ಷ್ಮ ಪೋಷಕಾಂಶವೆಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ವಾತಾವರಣದ ಸಾರಜನಕ ಸ್ಥಿರೀಕರಣ (N) ಮತ್ತು ಯೂರಿಯಾ ಚಯಾಪಚಯ ಕ್ರಿಯೆಗೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ, ಇವೆರಡೂ ಬೀಜ ಮೊಳಕೆಯೊಡೆಯಲು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಬೀಜ ಮೊಳಕೆಯೊಡೆಯಲು ಅದರ ಕೊಡುಗೆಯ ಜೊತೆಗೆ, Ni ಶಿಲೀಂಧ್ರ ಮತ್ತು ಬ್ಯಾಕ್ಟೀರಿಯಾದ ಪ್ರತಿಬಂಧಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಸಸ್ಯ ಅಭಿವೃದ್ಧಿಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ. ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಕೊರತೆಯು ಸಸ್ಯವು ಅದನ್ನು ಹೀರಿಕೊಳ್ಳಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ, ಇದರ ಪರಿಣಾಮವಾಗಿ ಎಲೆಗಳ ಕ್ಲೋರೋಸಿಸ್ ಉಂಟಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಗೋವಿನ ಜೋಳ ಮತ್ತು ಹಸಿರು ಬೀನ್ಸ್‌ಗೆ ಸಾರಜನಕ ಸ್ಥಿರೀಕರಣವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ನಿಕಲ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ಅನ್ವಯದ ಅಗತ್ಯವಿರುತ್ತದೆ. ಮಣ್ಣನ್ನು ಉತ್ಕೃಷ್ಟಗೊಳಿಸಲು ಮತ್ತು ಮಣ್ಣಿನಲ್ಲಿ ಸಾರಜನಕವನ್ನು ಸರಿಪಡಿಸಲು ದ್ವಿದಳ ಧಾನ್ಯಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸಲು ನಿಕಲ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ನಿರಂತರ ಅನ್ವಯವು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ನಿರಂತರವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ. ಸಸ್ಯಗಳಿಗೆ ನಿಕಲ್ ಸೂಕ್ಷ್ಮ ಪೋಷಕಾಂಶವಾಗಿದ್ದರೂ, ಮಣ್ಣಿನಲ್ಲಿ ಅದರ ಅತಿಯಾದ ಸೇವನೆಯು ಒಳ್ಳೆಯದಕ್ಕಿಂತ ಹೆಚ್ಚು ಹಾನಿ ಮಾಡುತ್ತದೆ. ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್‌ನ ವಿಷತ್ವವು ಮಣ್ಣಿನ pH ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಸ್ಯ ಬೆಳವಣಿಗೆಗೆ ಅಗತ್ಯವಾದ ಪೋಷಕಾಂಶವಾಗಿ ಕಬ್ಬಿಣದ ಹೀರಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ1.Liu3 ಪ್ರಕಾರ, Ni ಸಸ್ಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬೆಳವಣಿಗೆಗೆ ಅಗತ್ಯವಿರುವ 17 ನೇ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ. ಸಸ್ಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬೆಳವಣಿಗೆಯಲ್ಲಿ ನಿಕಲ್‌ನ ಪಾತ್ರದ ಜೊತೆಗೆ, ಮಾನವರಿಗೆ ವಿವಿಧ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಇದು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ.ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟಿಂಗ್, ನಿಕಲ್ ಆಧಾರಿತ ಮಿಶ್ರಲೋಹಗಳ ಉತ್ಪಾದನೆ, ಮತ್ತು ಆಟೋಮೋಟಿವ್ ಉದ್ಯಮದಲ್ಲಿ ಇಗ್ನಿಷನ್ ಸಾಧನಗಳು ಮತ್ತು ಸ್ಪಾರ್ಕ್ ಪ್ಲಗ್‌ಗಳ ತಯಾರಿಕೆಗೆ ವಿವಿಧ ಕೈಗಾರಿಕಾ ವಲಯಗಳಲ್ಲಿ ನಿಕಲ್ ಬಳಕೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ. ಇದರ ಜೊತೆಗೆ, ನಿಕಲ್ ಆಧಾರಿತ ಮಿಶ್ರಲೋಹಗಳು ಮತ್ತು ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟೆಡ್ ವಸ್ತುಗಳನ್ನು ಅಡುಗೆಮನೆ ವಸ್ತುಗಳು, ಬಾಲ್ ರೂಂ ಪರಿಕರಗಳು, ಆಹಾರ ಉದ್ಯಮ ಸರಬರಾಜುಗಳು, ವಿದ್ಯುತ್, ತಂತಿ ಮತ್ತು ಕೇಬಲ್, ಜೆಟ್ ಟರ್ಬೈನ್‌ಗಳು, ಶಸ್ತ್ರಚಿಕಿತ್ಸಾ ಇಂಪ್ಲಾಂಟ್‌ಗಳು, ಜವಳಿ ಮತ್ತು ಹಡಗು ನಿರ್ಮಾಣದಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಮಣ್ಣಿನಲ್ಲಿ (ಅಂದರೆ, ಮೇಲ್ಮೈ ಮಣ್ಣು) ನೈ-ಭರಿತ ಮಟ್ಟಗಳು ಮಾನವಜನ್ಯ ಮತ್ತು ನೈಸರ್ಗಿಕ ಮೂಲಗಳೆರಡಕ್ಕೂ ಕಾರಣವೆಂದು ಹೇಳಲಾಗಿದೆ, ಆದರೆ ಪ್ರಾಥಮಿಕವಾಗಿ, ನೈ ಮಾನವಜನ್ಯಕ್ಕಿಂತ ನೈಸರ್ಗಿಕ ಮೂಲವಾಗಿದೆ. 4,6. ನಿಕಲ್‌ನ ನೈಸರ್ಗಿಕ ಮೂಲಗಳಲ್ಲಿ ಜ್ವಾಲಾಮುಖಿ ಸ್ಫೋಟಗಳು, ಸಸ್ಯವರ್ಗ, ಕಾಡಿನ ಬೆಂಕಿ ಮತ್ತು ಭೂವೈಜ್ಞಾನಿಕ ಪ್ರಕ್ರಿಯೆಗಳು ಸೇರಿವೆ; ಆದಾಗ್ಯೂ, ಮಾನವಜನ್ಯ ಮೂಲಗಳಲ್ಲಿ ಉಕ್ಕಿನ ಉದ್ಯಮದಲ್ಲಿ ನಿಕಲ್/ಕ್ಯಾಡ್ಮಿಯಮ್ ಬ್ಯಾಟರಿಗಳು, ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟಿಂಗ್, ಆರ್ಕ್ ವೆಲ್ಡಿಂಗ್, ಡೀಸೆಲ್ ಮತ್ತು ಇಂಧನ ತೈಲಗಳು ಮತ್ತು ಕಲ್ಲಿದ್ದಲು ದಹನ ಮತ್ತು ತ್ಯಾಜ್ಯ ಮತ್ತು ಕೆಸರು ದಹನದಿಂದ ವಾತಾವರಣದ ಹೊರಸೂಸುವಿಕೆಗಳು ಸೇರಿವೆ. ನಿಕಲ್ ಸಂಗ್ರಹಣೆ7,8. ಫ್ರೀಡ್‌ಮನ್ ಮತ್ತು ಹಚಿನ್ಸನ್9 ಮತ್ತು ಮನಿವಾ ಮತ್ತು ಇತರರು ಪ್ರಕಾರ. 10, ತಕ್ಷಣದ ಮತ್ತು ಪಕ್ಕದ ಪರಿಸರದಲ್ಲಿ ಮೇಲ್ಮಣ್ಣಿನ ಮಾಲಿನ್ಯದ ಪ್ರಮುಖ ಮೂಲಗಳು ಮುಖ್ಯವಾಗಿ ನಿಕಲ್-ತಾಮ್ರ ಆಧಾರಿತ ಕರಗಿಸುವ ಘಟಕಗಳು ಮತ್ತು ಗಣಿಗಳು. ಕೆನಡಾದ ಸಡ್ಬರಿ ನಿಕಲ್-ತಾಮ್ರ ಸಂಸ್ಕರಣಾಗಾರದ ಸುತ್ತಲಿನ ಮೇಲ್ಭಾಗದ ಮಣ್ಣು 26,000 mg/kg ನಲ್ಲಿ ಅತಿ ಹೆಚ್ಚು ನಿಕಲ್ ಮಾಲಿನ್ಯವನ್ನು ಹೊಂದಿತ್ತು. ಇದಕ್ಕೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, ರಷ್ಯಾದಲ್ಲಿ ನಿಕಲ್ ಉತ್ಪಾದನೆಯಿಂದ ಉಂಟಾಗುವ ಮಾಲಿನ್ಯವು ನಾರ್ವೇಜಿಯನ್ ಮಣ್ಣಿನಲ್ಲಿ ಹೆಚ್ಚಿನ ನಿಕಲ್ ಸಾಂದ್ರತೆಗೆ ಕಾರಣವಾಗಿದೆ. ಆಲ್ಮ್ಸ್ ಮತ್ತು ಇತರರ ಪ್ರಕಾರ. 12, ಪ್ರದೇಶದ ಅಗ್ರ ಕೃಷಿಯೋಗ್ಯ ಭೂಮಿಯಲ್ಲಿ (ರಷ್ಯಾದಲ್ಲಿ ನಿಕಲ್ ಉತ್ಪಾದನೆ) HNO3- ಹೊರತೆಗೆಯಬಹುದಾದ ನಿಕ್ಕಲ್ ಪ್ರಮಾಣವು 6.25 ರಿಂದ 136.88 mg/kg ವರೆಗೆ ಇತ್ತು, ಇದು ಸರಾಸರಿ 30.43 mg/kg ಮತ್ತು 25 mg/kg ನ ಮೂಲ ಸಾಂದ್ರತೆಗೆ ಅನುಗುಣವಾಗಿತ್ತು. ಕಬಾಟಾ 11 ರ ಪ್ರಕಾರ, ಸತತ ಬೆಳೆ ಋತುಗಳಲ್ಲಿ ನಗರ ಅಥವಾ ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ಕೃಷಿ ಮಣ್ಣಿನಲ್ಲಿ ರಂಜಕ ರಸಗೊಬ್ಬರಗಳ ಅನ್ವಯವು ಮಣ್ಣನ್ನು ತುಂಬಿಸಬಹುದು ಅಥವಾ ಕಲುಷಿತಗೊಳಿಸಬಹುದು. ಮಾನವರಲ್ಲಿ ನಿಕಲ್‌ನ ಸಂಭಾವ್ಯ ಪರಿಣಾಮಗಳು ರೂಪಾಂತರ, ವರ್ಣತಂತು ಹಾನಿ, Z-DNA ಉತ್ಪಾದನೆ, ನಿರ್ಬಂಧಿಸಿದ DNA ಛೇದನ ದುರಸ್ತಿ ಅಥವಾ ಎಪಿಜೆನೆಟಿಕ್ ಪ್ರಕ್ರಿಯೆಗಳ ಮೂಲಕ ಕ್ಯಾನ್ಸರ್‌ಗೆ ಕಾರಣವಾಗಬಹುದು. ಪ್ರಾಣಿಗಳ ಪ್ರಯೋಗಗಳಲ್ಲಿ, ನಿಕಲ್ ವಿವಿಧ ಗೆಡ್ಡೆಗಳನ್ನು ಉಂಟುಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ ಮತ್ತು ಕ್ಯಾನ್ಸರ್ ಜನಕ ನಿಕಲ್ ಸಂಕೀರ್ಣಗಳು ಅಂತಹ ಗೆಡ್ಡೆಗಳನ್ನು ಉಲ್ಬಣಗೊಳಿಸಬಹುದು.
ಮಣ್ಣು-ಸಸ್ಯ ಸಂಬಂಧಗಳು, ಮಣ್ಣು ಮತ್ತು ಮಣ್ಣಿನ ಜೈವಿಕ ಸಂಬಂಧಗಳು, ಪರಿಸರ ಅವನತಿ ಮತ್ತು ಪರಿಸರ ಪ್ರಭಾವದ ಮೌಲ್ಯಮಾಪನದಿಂದ ಉಂಟಾಗುವ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಆರೋಗ್ಯ-ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳಿಂದಾಗಿ ಮಣ್ಣಿನ ಮಾಲಿನ್ಯದ ಮೌಲ್ಯಮಾಪನಗಳು ಇತ್ತೀಚಿನ ದಿನಗಳಲ್ಲಿ ಪ್ರವರ್ಧಮಾನಕ್ಕೆ ಬಂದಿವೆ. ಇಲ್ಲಿಯವರೆಗೆ, ಮಣ್ಣಿನಲ್ಲಿ Ni ನಂತಹ ಸಂಭಾವ್ಯ ವಿಷಕಾರಿ ಅಂಶಗಳ (PTEs) ಪ್ರಾದೇಶಿಕ ಮುನ್ಸೂಚನೆಯು ಸಾಂಪ್ರದಾಯಿಕ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಶ್ರಮದಾಯಕ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಡಿಜಿಟಲ್ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್ (DSM) ಆಗಮನ ಮತ್ತು ಅದರ ಪ್ರಸ್ತುತ ಯಶಸ್ಸು15 ಮುನ್ಸೂಚಕ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್ (PSM) ಅನ್ನು ಹೆಚ್ಚು ಸುಧಾರಿಸಿದೆ. ಮಿನಾಸ್ನಿ ಮತ್ತು ಮೆಕ್‌ಬ್ರಾಟ್ನಿ16 ರ ಪ್ರಕಾರ, ಮುನ್ಸೂಚಕ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್ (DSM) ಮಣ್ಣಿನ ವಿಜ್ಞಾನದ ಪ್ರಮುಖ ಉಪವಿಭಾಗವಾಗಿದೆ ಎಂದು ಸಾಬೀತಾಗಿದೆ.ಲಗಾಚೆರಿ ಮತ್ತು ಮೆಕ್‌ಬ್ರಾಟ್ನಿ, 2006 DSM ಅನ್ನು "ಇನ್ ಸಿತು ಮತ್ತು ಪ್ರಯೋಗಾಲಯ ವೀಕ್ಷಣಾ ವಿಧಾನಗಳು ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಮತ್ತು ಪ್ರಾದೇಶಿಕವಲ್ಲದ ಮಣ್ಣಿನ ಅನುಮಾನ ವ್ಯವಸ್ಥೆಗಳ ಬಳಕೆಯ ಮೂಲಕ ಪ್ರಾದೇಶಿಕ ಮಣ್ಣಿನ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ಸೃಷ್ಟಿ ಮತ್ತು ಭರ್ತಿ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದಾರೆ. ಮ್ಯಾಕ್‌ಬ್ರಾಟ್ನಿ ಮತ್ತು ಇತರರು. 17 ಸಮಕಾಲೀನ DSM ಅಥವಾ PSM PTE ಗಳ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆ, ಮಣ್ಣಿನ ಪ್ರಕಾರಗಳು ಮತ್ತು ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಊಹಿಸಲು ಅಥವಾ ನಕ್ಷೆ ಮಾಡಲು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರವಾಗಿದೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ. ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು (MLA) DSM ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳಾಗಿವೆ, ಅದು ಗಮನಾರ್ಹ ಮತ್ತು ಕನಿಷ್ಠ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಕಂಪ್ಯೂಟರ್‌ಗಳ ಸಹಾಯದಿಂದ ಡಿಜಿಟೈಸ್ಡ್ ನಕ್ಷೆಗಳನ್ನು ರಚಿಸುತ್ತದೆ.
Deutsch18 ಮತ್ತು Olea19 ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರವನ್ನು "ಪ್ರಾದೇಶಿಕ ಗುಣಲಕ್ಷಣಗಳ ಪ್ರಾತಿನಿಧ್ಯದೊಂದಿಗೆ ವ್ಯವಹರಿಸುವ ಸಂಖ್ಯಾತ್ಮಕ ತಂತ್ರಗಳ ಸಂಗ್ರಹ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತವೆ, ಮುಖ್ಯವಾಗಿ ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆಯು ತಾತ್ಕಾಲಿಕ ಡೇಟಾವನ್ನು ಹೇಗೆ ನಿರೂಪಿಸುತ್ತದೆ ಎಂಬಂತಹ ಸ್ಟೋಕಾಸ್ಟಿಕ್ ಮಾದರಿಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಪ್ರಾಥಮಿಕವಾಗಿ, ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರವು ವೇರಿಯೋಗ್ರಾಮ್‌ಗಳ ಮೌಲ್ಯಮಾಪನವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು ಪ್ರತಿ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಪ್ರಾದೇಶಿಕ ಮೌಲ್ಯಗಳ ಅವಲಂಬನೆಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಮತ್ತು ವ್ಯಾಖ್ಯಾನಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ20.ಗುಮಿಯಾಕ್ಸ್ ಮತ್ತು ಇತರರು. 20 ಭೂಅಂಕಿಅಂಶಶಾಸ್ತ್ರದಲ್ಲಿ ವೇರಿಯೋಗ್ರಾಮ್‌ಗಳ ಮೌಲ್ಯಮಾಪನವು ಮೂರು ತತ್ವಗಳನ್ನು ಆಧರಿಸಿದೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ, ಅವುಗಳೆಂದರೆ (ಎ) ದತ್ತಾಂಶ ಪರಸ್ಪರ ಸಂಬಂಧದ ಪ್ರಮಾಣವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು, (ಬಿ) ದತ್ತಾಂಶಸಮೂಹದ ಅಸಮಾನತೆಯಲ್ಲಿ ಅನಿಸೊಟ್ರೋಪಿಯನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಮತ್ತು (ಸಿ) ಸ್ಥಳೀಯ ಪರಿಣಾಮಗಳಿಂದ ಬೇರ್ಪಟ್ಟ ಮಾಪನ ದತ್ತಾಂಶದ ಅಂತರ್ಗತ ದೋಷವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದರ ಜೊತೆಗೆ, ಪ್ರದೇಶದ ಪರಿಣಾಮಗಳನ್ನು ಸಹ ಅಂದಾಜು ಮಾಡಲಾಗುತ್ತದೆ. ಈ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಆಧರಿಸಿ, ಭೂಅಂಕಿಅಂಶಶಾಸ್ತ್ರದಲ್ಲಿ ಅನೇಕ ಇಂಟರ್ಪೋಲೇಷನ್ ತಂತ್ರಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಇದರಲ್ಲಿ ಸಾಮಾನ್ಯ ಕ್ರಿಗ್ಗಿಂಗ್, ಸಹ-ಕ್ರಿಗ್ಗಿಂಗ್, ಸಾಮಾನ್ಯ ಕ್ರಿಗ್ಗಿಂಗ್, ಪ್ರಾಯೋಗಿಕ ಬೇಸಿಯನ್ ಕ್ರಿಗ್ಗಿಂಗ್, ಸರಳ ಕ್ರಿಗ್ಗಿಂಗ್ ವಿಧಾನ ಮತ್ತು PTE, ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಮಣ್ಣಿನ ಪ್ರಕಾರಗಳನ್ನು ನಕ್ಷೆ ಮಾಡಲು ಅಥವಾ ಊಹಿಸಲು ಇತರ ಪ್ರಸಿದ್ಧ ಇಂಟರ್ಪೋಲೇಷನ್ ತಂತ್ರಗಳು ಸೇರಿವೆ.
ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳು (MLA) ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ತಂತ್ರವಾಗಿದ್ದು, ಇದು ದೊಡ್ಡದಾದ ರೇಖಾತ್ಮಕವಲ್ಲದ ದತ್ತಾಂಶ ವರ್ಗಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ, ಇದನ್ನು ಪ್ರಾಥಮಿಕವಾಗಿ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆ, ದತ್ತಾಂಶದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಮಣ್ಣಿನ ವಿಜ್ಞಾನ ಮತ್ತು ರಿಟರ್ನ್ ಕಾರ್ಯಗಳಂತಹ ವೈಜ್ಞಾನಿಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವರ್ಗೀಕರಣಕ್ಕೆ ಪದೇ ಪದೇ ಅನ್ವಯಿಸುವ ಅಲ್ಗಾರಿದಮ್‌ಗಳಿಂದ ಉತ್ತೇಜಿಸಲಾಗುತ್ತದೆ. ಹಲವಾರು ಸಂಶೋಧನಾ ಪ್ರಬಂಧಗಳು ಮಣ್ಣಿನಲ್ಲಿ PTE ಅನ್ನು ಊಹಿಸಲು MLA ಮಾದರಿಗಳನ್ನು ಅವಲಂಬಿಸಿವೆ, ಉದಾಹರಣೆಗೆ Tan et al. 22 (ಕೃಷಿ ಮಣ್ಣಿನಲ್ಲಿ ಭಾರ ಲೋಹದ ಅಂದಾಜುಗಾಗಿ ಯಾದೃಚ್ಛಿಕ ಕಾಡುಗಳು), Sakizadeh et al. 23 (ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳು ಮತ್ತು ಕೃತಕ ನರಮಂಡಲ ಜಾಲಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾಡೆಲಿಂಗ್) ಮಣ್ಣಿನ ಮಾಲಿನ್ಯ. ಇದರ ಜೊತೆಗೆ, Vega et al. 24 (ಮಣ್ಣಿನಲ್ಲಿ ಭಾರ ಲೋಹದ ಧಾರಣ ಮತ್ತು ಹೀರಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡಲು CART) Sun et al. 25 (ಕ್ಯೂಬಿಸ್ಟ್‌ನ ಅನ್ವಯವು ಮಣ್ಣಿನಲ್ಲಿ ಸಿಡಿ ವಿತರಣೆಯಾಗಿದೆ) ಮತ್ತು k- ಹತ್ತಿರದ ನೆರೆಯ, ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಬೂಸ್ಟೆಡ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ಬೂಸ್ಟೆಡ್ ರಿಗ್ರೆಷನ್‌ನಂತಹ ಇತರ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಮರಗಳು ಮಣ್ಣಿನಲ್ಲಿ PTE ಅನ್ನು ಊಹಿಸಲು MLA ಮಾದರಿಗಳನ್ನು ಸಹ ಅನ್ವಯಿಸುತ್ತವೆ.
ಭವಿಷ್ಯ ಅಥವಾ ನಕ್ಷೆಯಲ್ಲಿ DSM ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಅನ್ವಯವು ಹಲವಾರು ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತಿದೆ. ಅನೇಕ ಲೇಖಕರು MLA ಭೂ-ಅಂಕಿಅಂಶಗಳಿಗಿಂತ ಶ್ರೇಷ್ಠವೆಂದು ನಂಬುತ್ತಾರೆ ಮತ್ತು ಪ್ರತಿಯಾಗಿ. ಒಂದು ಇನ್ನೊಂದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದ್ದರೂ, ಎರಡರ ಸಂಯೋಜನೆಯು DSM15 ನಲ್ಲಿ ಮ್ಯಾಪಿಂಗ್ ಅಥವಾ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯ ಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ. ವುಡ್‌ಕಾಕ್ ಮತ್ತು ಗೋಪಾಲ್26 ಫಿಂಕೆ27; ಪೊಂಟಿಯಸ್ ಮತ್ತು ಚೆಯುಕ್28 ಮತ್ತು ಗ್ರನ್‌ವಾಲ್ಡ್29 ಊಹಿಸಲಾದ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್‌ನಲ್ಲಿನ ನ್ಯೂನತೆಗಳು ಮತ್ತು ಕೆಲವು ದೋಷಗಳ ಕುರಿತು ಕಾಮೆಂಟ್ ಮಾಡುತ್ತಾರೆ. DSM ಮ್ಯಾಪಿಂಗ್ ಮತ್ತು ಮುನ್ಸೂಚನೆಯ ಪರಿಣಾಮಕಾರಿತ್ವ, ನಿಖರತೆ ಮತ್ತು ಭವಿಷ್ಯವಾಣಿಯನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಮಣ್ಣಿನ ವಿಜ್ಞಾನಿಗಳು ವಿವಿಧ ತಂತ್ರಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿದ್ದಾರೆ. ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಮತ್ತು ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲು DSM ನಲ್ಲಿ ಸಂಯೋಜಿಸಲಾದ ಹಲವು ವಿಭಿನ್ನ ಅಂಶಗಳಲ್ಲಿ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಪರಿಶೀಲನೆಯ ಸಂಯೋಜನೆಯು ಒಂದಾಗಿದೆ. ಆದಾಗ್ಯೂ, ನಕ್ಷೆ ರಚನೆ ಮತ್ತು ಭವಿಷ್ಯವಾಣಿಯಿಂದ ಪರಿಚಯಿಸಲಾದ ಮೌಲ್ಯೀಕರಣ ನಡವಳಿಕೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಕ್ಷೆಯ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ಸ್ವತಂತ್ರವಾಗಿ ಮೌಲ್ಯೀಕರಿಸಬೇಕು ಎಂದು ಅಗ್ಯೆಮನ್ ಮತ್ತು ಇತರರು 15 ವಿವರಿಸುತ್ತಾರೆ. DSM ನ ಮಿತಿಗಳು ಭೌಗೋಳಿಕವಾಗಿ ಚದುರಿದ ಮಣ್ಣಿನ ಗುಣಮಟ್ಟದಿಂದಾಗಿವೆ, ಇದು ಅನಿಶ್ಚಿತತೆಯ ಅಂಶವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ; ಆದಾಗ್ಯೂ, DSM ನಲ್ಲಿ ಖಚಿತತೆಯ ಕೊರತೆಯು ದೋಷದ ಬಹು ಮೂಲಗಳಿಂದ ಉಂಟಾಗಬಹುದು, ಅವುಗಳೆಂದರೆ ಕೋವೇರಿಯೇಟ್ ದೋಷ, ಮಾದರಿ ದೋಷ, ಸ್ಥಳ ದೋಷ ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ದೋಷ 31. MLA ಮತ್ತು ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಪ್ರೇರಿತವಾದ ಮಾಡೆಲಿಂಗ್ ತಪ್ಪುಗಳು ತಿಳುವಳಿಕೆಯ ಕೊರತೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿವೆ, ಅಂತಿಮವಾಗಿ ನೈಜ ಪ್ರಕ್ರಿಯೆಯ ಅತಿ ಸರಳೀಕರಣಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ32. ಮಾಡೆಲಿಂಗ್‌ನ ಸ್ವರೂಪವನ್ನು ಲೆಕ್ಕಿಸದೆ, ತಪ್ಪುಗಳನ್ನು ಮಾಡೆಲಿಂಗ್ ನಿಯತಾಂಕಗಳು, ಗಣಿತದ ಮಾದರಿ ಭವಿಷ್ಯವಾಣಿಗಳು ಅಥವಾ ಇಂಟರ್ಪೋಲೇಷನ್‌ಗೆ ಕಾರಣವೆಂದು ಹೇಳಬಹುದು33. ಇತ್ತೀಚೆಗೆ, ಮ್ಯಾಪಿಂಗ್ ಮತ್ತು ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು MLA ಏಕೀಕರಣವನ್ನು ಉತ್ತೇಜಿಸುವ ಹೊಸ DSM ಪ್ರವೃತ್ತಿ ಹೊರಹೊಮ್ಮಿದೆ. ಸೆರ್ಗೆವ್ ಮತ್ತು ಇತರರು 34; ಸಬ್ಬೋಟಿನಾ ಮತ್ತು ಇತರರು 35; ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರು 36 ಮತ್ತು ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರು 37 ರಂತಹ ಹಲವಾರು ಮಣ್ಣಿನ ವಿಜ್ಞಾನಿಗಳು ಮತ್ತು ಲೇಖಕರು ಮುನ್ಸೂಚನೆ ಮತ್ತು ಮ್ಯಾಪಿಂಗ್‌ನ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುವ ಹೈಬ್ರಿಡ್ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ನಿಖರ ಗುಣಮಟ್ಟವನ್ನು ಬಳಸಿಕೊಂಡಿದ್ದಾರೆ. ಗುಣಮಟ್ಟ. ಈ ಹೈಬ್ರಿಡ್ ಅಥವಾ ಸಂಯೋಜಿತ ಅಲ್ಗಾರಿದಮ್ ಮಾದರಿಗಳಲ್ಲಿ ಕೆಲವು ಆರ್ಟಿಫಿಶಿಯಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಕ್ರಿಗಿಂಗ್ (ANN-RK), ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ರೆಸಿಡ್ಯುಯಲ್ ಕ್ರಿಗಿಂಗ್ (MLP-RK), ಜನರಲೈಸ್ಡ್ ರಿಗ್ರೆಷನ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ರೆಸಿಡ್ಯುಯಲ್ ಕ್ರಿಗಿಂಗ್ (GR- NNRK)36, ಆರ್ಟಿಫಿಶಿಯಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಕ್ರಿಗಿಂಗ್-ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ (ANN-K-MLP)37 ಮತ್ತು ಕೋ-ಕ್ರಿಗಿಂಗ್ ಮತ್ತು ಗಾಸಿಯನ್ ಪ್ರಕ್ರಿಯೆ ರಿಗ್ರೆಷನ್38.
ಸೆರ್ಗೆವ್ ಮತ್ತು ಇತರರ ಪ್ರಕಾರ, ವಿವಿಧ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುವುದರಿಂದ ಅದರ ಏಕ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಬದಲು ದೋಷಗಳನ್ನು ನಿವಾರಿಸುವ ಮತ್ತು ಫಲಿತಾಂಶದ ಹೈಬ್ರಿಡ್ ಮಾದರಿಯ ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಸಾಮರ್ಥ್ಯವಿದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿ Ni ಪುಷ್ಟೀಕರಣವನ್ನು ಊಹಿಸಲು ಸೂಕ್ತ ಹೈಬ್ರಿಡ್ ಮಾದರಿಗಳನ್ನು ರಚಿಸಲು ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು MLA ಗಳ ಸಂಯೋಜಿತ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಅನ್ವಯಿಸುವುದು ಅಗತ್ಯವಾಗಿದೆ ಎಂದು ಈ ಹೊಸ ಪ್ರಬಂಧವು ವಾದಿಸುತ್ತದೆ. ಈ ಅಧ್ಯಯನವು ಪ್ರಾಯೋಗಿಕ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್ (EBK) ಅನ್ನು ಮೂಲ ಮಾದರಿಯಾಗಿ ಅವಲಂಬಿಸಿದೆ ಮತ್ತು ಅದನ್ನು ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ (SVM) ಮತ್ತು ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತ (MLR) ಮಾದರಿಗಳೊಂದಿಗೆ ಮಿಶ್ರಣ ಮಾಡುತ್ತದೆ. ಯಾವುದೇ MLA ಯೊಂದಿಗೆ EBK ಯ ಹೈಬ್ರಿಡೈಸೇಶನ್ ತಿಳಿದಿಲ್ಲ. ಕಂಡುಬರುವ ಬಹು ಮಿಶ್ರ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯ, ಉಳಿಕೆ, ಹಿಂಜರಿತ ಕ್ರಿಗಿಂಗ್ ಮತ್ತು MLA ಗಳ ಸಂಯೋಜನೆಗಳಾಗಿವೆ. EBK ಒಂದು ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಇಂಟರ್ಪೋಲೇಷನ್ ವಿಧಾನವಾಗಿದ್ದು, ಇದು ಪ್ರಾದೇಶಿಕವಾಗಿ ಸ್ಥಾಯೀ ಪ್ರಕ್ರಿಯೆಯಾಗಿದ್ದು, ಇದು ಕ್ಷೇತ್ರದ ಮೇಲೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಸ್ಥಳೀಕರಣ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಸ್ಥಾಯಿಯಲ್ಲದ/ಸ್ಥಾಯಿ ಯಾದೃಚ್ಛಿಕ ಕ್ಷೇತ್ರವಾಗಿ ಸ್ಥಳೀಕರಿಸಲ್ಪಟ್ಟಿದೆ, ಇದು ಪ್ರಾದೇಶಿಕ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ39. ಕೃಷಿ ಮಣ್ಣಿನಲ್ಲಿ ಸಾವಯವ ಇಂಗಾಲದ ವಿತರಣೆಯನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಸೇರಿದಂತೆ ವಿವಿಧ ಅಧ್ಯಯನಗಳಲ್ಲಿ EBK ಅನ್ನು ಬಳಸಲಾಗಿದೆ40, ಮಣ್ಣಿನ ಮಾಲಿನ್ಯವನ್ನು ನಿರ್ಣಯಿಸುವುದು41 ಮತ್ತು ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವುದು42.
ಮತ್ತೊಂದೆಡೆ, ಸ್ವಯಂ-ಸಂಘಟನಾ ಗ್ರಾಫ್ (SeOM) ಒಂದು ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು, ಇದನ್ನು ಲಿ ಮತ್ತು ಇತರರು 43, ವಾಂಗ್ ಮತ್ತು ಇತರರು 44, ಹೊಸೈನ್ ಭೂಯಾನ್ ಮತ್ತು ಇತರರು 45 ಮತ್ತು ಕೆಬೊನ್ಯೆ ಮತ್ತು ಇತರರು 46 ರಂತಹ ವಿವಿಧ ಲೇಖನಗಳಲ್ಲಿ ಅನ್ವಯಿಸಲಾಗಿದೆ. ಪ್ರಾದೇಶಿಕ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಅಂಶಗಳ ಗುಂಪನ್ನು ನಿರ್ಧರಿಸಿ. ವಾಂಗ್ ಮತ್ತು ಇತರರು 44 SeOM ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಮಸ್ಯೆಗಳನ್ನು ಗುಂಪು ಮಾಡುವ ಮತ್ತು ಕಲ್ಪಿಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೆಸರುವಾಸಿಯಾದ ಪ್ರಬಲ ಕಲಿಕಾ ತಂತ್ರವಾಗಿದೆ ಎಂದು ವಿವರಿಸುತ್ತಾರೆ. ಪ್ರಧಾನ ಘಟಕ ವಿಶ್ಲೇಷಣೆ, ಅಸ್ಪಷ್ಟ ಕ್ಲಸ್ಟರಿಂಗ್, ಶ್ರೇಣೀಕೃತ ಕ್ಲಸ್ಟರಿಂಗ್ ಮತ್ತು ಬಹು-ಮಾನದಂಡ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯಂತಹ ಇತರ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ತಂತ್ರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, SeOM PTE ಮಾದರಿಗಳನ್ನು ಸಂಘಟಿಸುವ ಮತ್ತು ಗುರುತಿಸುವಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ. ವಾಂಗ್ ಮತ್ತು ಇತರರು 44 ರ ಪ್ರಕಾರ, SeOM ಸಂಬಂಧಿತ ನರಕೋಶಗಳ ವಿತರಣೆಯನ್ನು ಪ್ರಾದೇಶಿಕವಾಗಿ ಗುಂಪು ಮಾಡಬಹುದು ಮತ್ತು ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ಡೇಟಾ ದೃಶ್ಯೀಕರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನೇರ ವ್ಯಾಖ್ಯಾನಕ್ಕಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ನಿರೂಪಿಸಲು ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಪಡೆಯಲು SeOM Ni ಭವಿಷ್ಯ ಡೇಟಾವನ್ನು ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ.
ನಗರ ಮತ್ತು ನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿ ನಿಕಲ್ ಅಂಶವನ್ನು ಊಹಿಸಲು ಸೂಕ್ತ ನಿಖರತೆಯೊಂದಿಗೆ ದೃಢವಾದ ಮ್ಯಾಪಿಂಗ್ ಮಾದರಿಯನ್ನು ರಚಿಸುವುದು ಈ ಪ್ರಬಂಧದ ಗುರಿಯಾಗಿದೆ. ಮಿಶ್ರ ಮಾದರಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯು ಮುಖ್ಯವಾಗಿ ಮೂಲ ಮಾದರಿಗೆ ಲಗತ್ತಿಸಲಾದ ಇತರ ಮಾದರಿಗಳ ಪ್ರಭಾವವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂದು ನಾವು ಊಹಿಸುತ್ತೇವೆ. DSM ಎದುರಿಸುತ್ತಿರುವ ಸವಾಲುಗಳನ್ನು ನಾವು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತೇವೆ ಮತ್ತು ಈ ಸವಾಲುಗಳನ್ನು ಬಹು ರಂಗಗಳಲ್ಲಿ ಪರಿಹರಿಸಲಾಗುತ್ತಿರುವಾಗ, ಭೂ-ಅಂಕಿಅಂಶಗಳು ಮತ್ತು MLA ಮಾದರಿಗಳಲ್ಲಿನ ಪ್ರಗತಿಗಳ ಸಂಯೋಜನೆಯು ಹೆಚ್ಚುತ್ತಿರುವಂತೆ ಕಾಣುತ್ತದೆ; ಆದ್ದರಿಂದ, ಮಿಶ್ರ ಮಾದರಿಗಳನ್ನು ನೀಡುವ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ನಾವು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಆದಾಗ್ಯೂ, ಗುರಿ ಅಂಶವನ್ನು ಊಹಿಸುವಲ್ಲಿ ಮಾದರಿ ಎಷ್ಟು ನಿಖರವಾಗಿದೆ? ಅಲ್ಲದೆ, ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನದ ಆಧಾರದ ಮೇಲೆ ದಕ್ಷತೆಯ ಮೌಲ್ಯಮಾಪನದ ಮಟ್ಟ ಏನು? ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನದ ನಿರ್ದಿಷ್ಟ ಗುರಿಗಳು (ಎ) EBK ಅನ್ನು ಮೂಲ ಮಾದರಿಯಾಗಿ ಬಳಸಿಕೊಂಡು SVMR ಅಥವಾ MLR ಗಾಗಿ ಸಂಯೋಜಿತ ಮಿಶ್ರಣ ಮಾದರಿಯನ್ನು ರಚಿಸುವುದು, (ಬಿ) ಫಲಿತಾಂಶದ ಮಾದರಿಗಳನ್ನು ಹೋಲಿಸುವುದು (ಸಿ) ನಗರ ಅಥವಾ ನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಉತ್ತಮ ಮಿಶ್ರಣ ಮಾದರಿಯನ್ನು ಪ್ರಸ್ತಾಪಿಸುವುದು ಮತ್ತು (ಡಿ) ನಿಕಲ್ ಪ್ರಾದೇಶಿಕ ವ್ಯತ್ಯಾಸದ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ನಕ್ಷೆಯನ್ನು ರಚಿಸಲು SeOM ಅನ್ನು ಅನ್ವಯಿಸುವುದು.
ಈ ಅಧ್ಯಯನವನ್ನು ಜೆಕ್ ಗಣರಾಜ್ಯದಲ್ಲಿ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಮೊರಾವಿಯಾ-ಸಿಲೇಸಿಯನ್ ಪ್ರದೇಶದ ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್ ಜಿಲ್ಲೆಯಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತಿದೆ (ಚಿತ್ರ 1 ನೋಡಿ). ಅಧ್ಯಯನ ಪ್ರದೇಶದ ಭೌಗೋಳಿಕತೆಯು ತುಂಬಾ ಒರಟಾಗಿದ್ದು, ಹೆಚ್ಚಾಗಿ ಮೊರಾವಿಯಾ-ಸಿಲೇಸಿಯನ್ ಬೆಸ್ಕಿಡಿ ಪ್ರದೇಶದ ಭಾಗವಾಗಿದೆ, ಇದು ಕಾರ್ಪಾಥಿಯನ್ ಪರ್ವತಗಳ ಹೊರ ಅಂಚಿನ ಭಾಗವಾಗಿದೆ. ಅಧ್ಯಯನ ಪ್ರದೇಶವು 49° 41′ 0′ N ಮತ್ತು 18° 20′ 0′ E ನಡುವೆ ಇದೆ, ಮತ್ತು ಎತ್ತರವು 225 ಮತ್ತು 327 ಮೀ ನಡುವೆ ಇದೆ; ಆದಾಗ್ಯೂ, ಈ ಪ್ರದೇಶದ ಹವಾಮಾನ ಸ್ಥಿತಿಗೆ ಕೊಪ್ಪೆನ್ ವರ್ಗೀಕರಣ ವ್ಯವಸ್ಥೆಯನ್ನು Cfb = ಸಮಶೀತೋಷ್ಣ ಸಾಗರ ಹವಾಮಾನ ಎಂದು ರೇಟ್ ಮಾಡಲಾಗಿದೆ, ಶುಷ್ಕ ತಿಂಗಳುಗಳಲ್ಲಿಯೂ ಸಹ ಸಾಕಷ್ಟು ಮಳೆಯಾಗುತ್ತದೆ. ತಾಪಮಾನವು ವರ್ಷವಿಡೀ −5 °C ಮತ್ತು 24 °C ನಡುವೆ ಸ್ವಲ್ಪ ಬದಲಾಗುತ್ತದೆ, ವಿರಳವಾಗಿ −14 °C ಗಿಂತ ಕಡಿಮೆ ಅಥವಾ 30 °C ಗಿಂತ ಹೆಚ್ಚು ಬೀಳುತ್ತದೆ, ಆದರೆ ಸರಾಸರಿ ವಾರ್ಷಿಕ ಮಳೆ 685 ಮತ್ತು 752 mm47 ನಡುವೆ ಇರುತ್ತದೆ. ಇಡೀ ಪ್ರದೇಶದ ಅಂದಾಜು ಸಮೀಕ್ಷೆಯ ಪ್ರದೇಶವು 1,208 ಚದರ ಕಿಲೋಮೀಟರ್ ಆಗಿದ್ದು, ಸಾಗುವಳಿ ಮಾಡಿದ ಭೂಮಿಯ 39.38% ಮತ್ತು ಅರಣ್ಯ ವ್ಯಾಪ್ತಿಯ 49.36% ಆಗಿದೆ. ಮತ್ತೊಂದೆಡೆ, ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಪ್ರದೇಶವು ಸುಮಾರು 889.8 ಚದರ ಕಿಲೋಮೀಟರ್ ಆಗಿದೆ. ಒಸ್ಟ್ರಾವಾ ಮತ್ತು ಸುತ್ತಮುತ್ತ, ಉಕ್ಕಿನ ಉದ್ಯಮ ಮತ್ತು ಲೋಹದ ಕೆಲಸಗಳು ಬಹಳ ಸಕ್ರಿಯವಾಗಿವೆ. ಲೋಹದ ಗಿರಣಿಗಳು, ಸ್ಟೇನ್‌ಲೆಸ್ ಸ್ಟೀಲ್‌ಗಳಲ್ಲಿ ನಿಕಲ್ ಅನ್ನು ಬಳಸುವ ಉಕ್ಕಿನ ಉದ್ಯಮ (ಉದಾ. ವಾತಾವರಣದ ತುಕ್ಕುಗೆ ಪ್ರತಿರೋಧಕ್ಕಾಗಿ) ಮತ್ತು ಮಿಶ್ರಲೋಹದ ಉಕ್ಕುಗಳು (ನಿಕ್ಕಲ್ ಅದರ ಉತ್ತಮ ಡಕ್ಟಿಲಿಟಿ ಮತ್ತು ಗಡಸುತನವನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳುವಾಗ ಮಿಶ್ರಲೋಹದ ಬಲವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ), ಮತ್ತು ಫಾಸ್ಫೇಟ್ ರಸಗೊಬ್ಬರ ಅನ್ವಯಿಕೆ ಮತ್ತು ಜಾನುವಾರು ಉತ್ಪಾದನೆಯಂತಹ ತೀವ್ರವಾದ ಕೃಷಿ. ಈ ಪ್ರದೇಶದಲ್ಲಿ ನಿಕಲ್‌ನ ಸಂಭಾವ್ಯ ಮೂಲಗಳನ್ನು ಸಂಶೋಧಿಸಿ (ಉದಾ., ಕುರಿಮರಿ ಮತ್ತು ಕಡಿಮೆ ಮೇವು ಹೊಂದಿರುವ ದನಗಳಲ್ಲಿ ಬೆಳವಣಿಗೆಯ ದರವನ್ನು ಹೆಚ್ಚಿಸಲು ಕುರಿಮರಿಗಳಿಗೆ ನಿಕಲ್ ಸೇರಿಸುವುದು). ಸಂಶೋಧನಾ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ನಿಕಲ್‌ನ ಇತರ ಕೈಗಾರಿಕಾ ಬಳಕೆಗಳು ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟಿಂಗ್‌ನಲ್ಲಿ ಅದರ ಬಳಕೆಯನ್ನು ಒಳಗೊಂಡಿವೆ, ಇದರಲ್ಲಿ ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟಿಂಗ್ ನಿಕಲ್ ಮತ್ತು ಎಲೆಕ್ಟ್ರೋಲೆಸ್ ನಿಕಲ್ ಲೇಪನ ಪ್ರಕ್ರಿಯೆಗಳು ಸೇರಿವೆ. ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಮಣ್ಣಿನ ಬಣ್ಣ, ರಚನೆ ಮತ್ತು ಕಾರ್ಬೊನೇಟ್ ಅಂಶದಿಂದ ಸುಲಭವಾಗಿ ಗುರುತಿಸಬಹುದು. ಮಣ್ಣಿನ ವಿನ್ಯಾಸವು ಮಧ್ಯಮದಿಂದ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ, ಇದು ಮೂಲ ವಸ್ತುಗಳಿಂದ ಪಡೆಯಲ್ಪಟ್ಟಿದೆ. ಅವು ಕೊಲ್ಯುವಿಯಲ್, ಮೆಕ್ಕಲು ಅಥವಾ ಅಯೋಲಿಯನ್ ಸ್ವಭಾವವನ್ನು ಹೊಂದಿವೆ. ಕೆಲವು ಮಣ್ಣಿನ ಪ್ರದೇಶಗಳು ಮೇಲ್ಮೈ ಮತ್ತು ಭೂಗರ್ಭದಲ್ಲಿ ಮಚ್ಚೆಯಂತೆ ಕಾಣುತ್ತವೆ, ಹೆಚ್ಚಾಗಿ ಕಾಂಕ್ರೀಟ್ ಮತ್ತು ಬ್ಲೀಚಿಂಗ್‌ನೊಂದಿಗೆ. ಆದಾಗ್ಯೂ, ಕ್ಯಾಂಬಿಸೋಲ್‌ಗಳು ಮತ್ತು ಸ್ಟ್ಯಾಗ್ನೋಸೋಲ್‌ಗಳು ಈ ಪ್ರದೇಶದಲ್ಲಿ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ ಮಣ್ಣಿನ ವಿಧಗಳಾಗಿವೆ48. 455.1 ರಿಂದ 493.5 ಮೀ ವರೆಗಿನ ಎತ್ತರದೊಂದಿಗೆ, ಕ್ಯಾಂಬಿಸೋಲ್‌ಗಳು ಜೆಕ್ ಗಣರಾಜ್ಯದಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ49.
ಅಧ್ಯಯನ ಪ್ರದೇಶದ ನಕ್ಷೆ [ಅಧ್ಯಯನ ಪ್ರದೇಶದ ನಕ್ಷೆಯನ್ನು ಆರ್ಕ್‌ಜಿಐಎಸ್ ಡೆಸ್ಕ್‌ಟಾಪ್ ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಇಎಸ್‌ಆರ್‌ಐ, ಇಂಕ್, ಆವೃತ್ತಿ 10.7, URL: https://desktop.arcgis.com).]
ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್ ಜಿಲ್ಲೆಯ ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಿಂದ ಒಟ್ಟು 115 ಮೇಲ್ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಬಳಸಿದ ಮಾದರಿ ಮಾದರಿಯು 2 × 2 ಕಿಮೀ ಅಂತರದಲ್ಲಿ ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು ಹೊಂದಿರುವ ನಿಯಮಿತ ಗ್ರಿಡ್ ಆಗಿತ್ತು, ಮತ್ತು ಮೇಲ್ಮಣ್ಣನ್ನು ಕೈಯಲ್ಲಿ ಹಿಡಿಯುವ ಜಿಪಿಎಸ್ ಸಾಧನವನ್ನು (ಲೈಕಾ ಝೆನೋ 5 ಜಿಪಿಎಸ್) ಬಳಸಿಕೊಂಡು 0 ರಿಂದ 20 ಸೆಂ.ಮೀ ಆಳದಲ್ಲಿ ಅಳೆಯಲಾಯಿತು. ಮಾದರಿಗಳನ್ನು ಜಿಪ್ಲಾಕ್ ಚೀಲಗಳಲ್ಲಿ ಪ್ಯಾಕ್ ಮಾಡಲಾಗುತ್ತದೆ, ಸರಿಯಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರಯೋಗಾಲಯಕ್ಕೆ ರವಾನಿಸಲಾಗುತ್ತದೆ. ಪುಡಿಮಾಡಿದ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಮಾದರಿಗಳನ್ನು ಗಾಳಿಯಲ್ಲಿ ಒಣಗಿಸಲಾಗುತ್ತದೆ, ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯಿಂದ (ಫ್ರಿಟ್ಷ್ ಡಿಸ್ಕ್ ಮಿಲ್) ಪುಡಿಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಜರಡಿ ಹಿಡಿಯಲಾಗುತ್ತದೆ (ಜರಡಿ ಗಾತ್ರ 2 ಮಿಮೀ). 1 ಗ್ರಾಂ ಒಣಗಿದ, ಏಕರೂಪಗೊಳಿಸಿದ ಮತ್ತು ಜರಡಿ ಹಿಡಿದ ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಟೆಫ್ಲಾನ್ ಬಾಟಲಿಗಳಲ್ಲಿ ಇರಿಸಿ. ಪ್ರತಿ ಟೆಫ್ಲಾನ್ ಪಾತ್ರೆಯಲ್ಲಿ, 7 ಮಿಲಿ 35% HCl ಮತ್ತು 3 ಮಿಲಿ 65% HNO3 (ಸ್ವಯಂಚಾಲಿತ ವಿತರಕವನ್ನು ಬಳಸಿ - ಪ್ರತಿ ಆಮ್ಲಕ್ಕೆ ಒಂದು) ವಿತರಿಸಿ, ಲಘುವಾಗಿ ಮುಚ್ಚಿ ಮತ್ತು ಮಾದರಿಗಳು ಪ್ರತಿಕ್ರಿಯೆಗಾಗಿ ರಾತ್ರಿಯಿಡೀ ನಿಲ್ಲಲು ಬಿಡಿ (ಅಕ್ವಾ ರೆಜಿಯಾ ಪ್ರೋಗ್ರಾಂ). ಸೂಪರ್ನೇಟಂಟ್ ಅನ್ನು ಬಿಸಿ ಲೋಹದ ತಟ್ಟೆಯಲ್ಲಿ ಇರಿಸಿ. (ತಾಪಮಾನ: 100 W ಮತ್ತು 160 °C) ಮಾದರಿಗಳ ಜೀರ್ಣಕ್ರಿಯೆಯ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಗಮಗೊಳಿಸಲು 2 ಗಂಟೆಗಳ ಕಾಲ, ನಂತರ ತಣ್ಣಗಾಗಿಸಿ. ಸೂಪರ್ನೇಟಂಟ್ ಅನ್ನು 50 ಮಿಲಿ ವಾಲ್ಯೂಮೆಟ್ರಿಕ್ ಫ್ಲಾಸ್ಕ್‌ಗೆ ವರ್ಗಾಯಿಸಿ ಮತ್ತು ಡಿಯೋನೈಸ್ಡ್ ನೀರಿನಿಂದ 50 ಮಿಲಿಗೆ ದುರ್ಬಲಗೊಳಿಸಿ. ಅದರ ನಂತರ, ದುರ್ಬಲಗೊಳಿಸಿದ ಸೂಪರ್ನೇಟಂಟ್ ಅನ್ನು ಡಿಯೋನೈಸ್ಡ್ ನೀರಿನಿಂದ 50 ಮಿಲಿ ಪಿವಿಸಿ ಟ್ಯೂಬ್‌ಗೆ ಫಿಲ್ಟರ್ ಮಾಡಿ. ಹೆಚ್ಚುವರಿಯಾಗಿ, 1 ಮಿಲಿ ದುರ್ಬಲಗೊಳಿಸುವ ದ್ರಾವಣವನ್ನು 9 ಮಿಲಿ ಡಿಯೋನೈಸ್ಡ್ ನೀರಿನಿಂದ ದುರ್ಬಲಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು PTE ಹುಸಿ-ಸಾಂದ್ರೀಕರಣಕ್ಕಾಗಿ ಸಿದ್ಧಪಡಿಸಲಾದ 12 ಮಿಲಿ ಟ್ಯೂಬ್‌ಗೆ ಫಿಲ್ಟರ್ ಮಾಡಲಾಗುತ್ತದೆ. PTE ಗಳ ಸಾಂದ್ರತೆಗಳನ್ನು (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ಪ್ರಮಾಣಿತ ವಿಧಾನಗಳು ಮತ್ತು ಒಪ್ಪಂದದ ಪ್ರಕಾರ ICP-OES (ಇಂಡಕ್ಟಿವ್ಲಿ ಕಪಲ್ಡ್ ಪ್ಲಾಸ್ಮಾ ಆಪ್ಟಿಕಲ್ ಎಮಿಷನ್ ಸ್ಪೆಕ್ಟ್ರೋಸ್ಕೋಪಿ) (ಥರ್ಮೋ ಫಿಶರ್ ಸೈಂಟಿಫಿಕ್, USA) ನಿರ್ಧರಿಸುತ್ತದೆ. ಗುಣಮಟ್ಟ ಭರವಸೆ ಮತ್ತು ನಿಯಂತ್ರಣ (QA/QC) ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಿ (SRM NIST 2711a ಮೊಂಟಾನಾ II ಮಣ್ಣು). ಅರ್ಧಕ್ಕಿಂತ ಕಡಿಮೆ ಪತ್ತೆ ಮಿತಿಗಳನ್ನು ಹೊಂದಿರುವ PTE ಗಳನ್ನು ಈ ಅಧ್ಯಯನದಿಂದ ಹೊರಗಿಡಲಾಗಿದೆ. ಪತ್ತೆ ಮಿತಿ ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ PTE 0.0004.(ನೀವು) ಆಗಿತ್ತು. ಇದರ ಜೊತೆಗೆ, ಪ್ರತಿ ವಿಶ್ಲೇಷಣೆಗೆ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ ಮತ್ತು ಗುಣಮಟ್ಟದ ಭರವಸೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಉಲ್ಲೇಖ ಮಾನದಂಡಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆಯೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ಎರಡು ಬಾರಿ ವಿಶ್ಲೇಷಣೆ ಮಾಡಲಾಯಿತು.
ಪ್ರಾಯೋಗಿಕ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್ (EBK) ಮಣ್ಣಿನ ವಿಜ್ಞಾನದಂತಹ ವೈವಿಧ್ಯಮಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಬಳಸಲಾಗುವ ಅನೇಕ ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಇಂಟರ್ಪೋಲೇಷನ್ ತಂತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇತರ ಕ್ರಿಗಿಂಗ್ ಇಂಟರ್ಪೋಲೇಷನ್ ತಂತ್ರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, EBK ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್ ಮಾದರಿಯಿಂದ ಅಂದಾಜು ಮಾಡಲಾದ ದೋಷವನ್ನು ಪರಿಗಣಿಸುವ ಮೂಲಕ ಸಾಂಪ್ರದಾಯಿಕ ಕ್ರಿಗಿಂಗ್ ವಿಧಾನಗಳಿಂದ ಭಿನ್ನವಾಗಿದೆ. EBK ಇಂಟರ್ಪೋಲೇಷನ್‌ನಲ್ಲಿ, ಒಂದೇ ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್‌ಗಿಂತ ಹೆಚ್ಚಾಗಿ ಹಲವಾರು ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್ ಮಾದರಿಗಳನ್ನು ಇಂಟರ್ಪೋಲೇಷನ್ ಸಮಯದಲ್ಲಿ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಇಂಟರ್ಪೋಲೇಷನ್ ತಂತ್ರಗಳು ಸಾಕಷ್ಟು ಕ್ರಿಗಿಂಗ್ ವಿಧಾನದ ಹೆಚ್ಚು ಸಂಕೀರ್ಣವಾದ ಭಾಗವಾಗಿರುವ ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್‌ನ ಈ ಪ್ಲಾಟಿಂಗ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ಗೆ ದಾರಿ ಮಾಡಿಕೊಡುತ್ತವೆ. EBK ಯ ಇಂಟರ್ಪೋಲೇಷನ್ ಪ್ರಕ್ರಿಯೆಯು ಕ್ರಿವೊರುಚ್ಕೊ50 ಪ್ರಸ್ತಾಪಿಸಿದ ಮೂರು ಮಾನದಂಡಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ, (ಎ) ಮಾದರಿಯು ಇನ್‌ಪುಟ್ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್ ಅನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ (ಬಿ) ಉತ್ಪತ್ತಿಯಾದ ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್ ಅನ್ನು ಆಧರಿಸಿ ಪ್ರತಿ ಇನ್‌ಪುಟ್ ಡೇಟಾಸೆಟ್ ಸ್ಥಳಕ್ಕೆ ಹೊಸ ಊಹಿಸಲಾದ ಮೌಲ್ಯ ಮತ್ತು (ಸಿ) ಅಂತಿಮ A ಮಾದರಿಯನ್ನು ಸಿಮ್ಯುಲೇಟೆಡ್ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಬೇಸಿಯನ್ ಸಮೀಕರಣ ನಿಯಮವನ್ನು ಹಿಂಭಾಗವಾಗಿ ನೀಡಲಾಗಿದೆ
\(Prob\left(A\right)\) ಹಿಂದಿನದನ್ನು ಪ್ರತಿನಿಧಿಸುವಲ್ಲಿ, \(Prob\left(B\right)\) ಕನಿಷ್ಠ ಸಂಭವನೀಯತೆಯನ್ನು ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ, \(Prob (B,A)\ ) .ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್ ಲೆಕ್ಕಾಚಾರವು ಬೇಯ್ಸ್ ನಿಯಮವನ್ನು ಆಧರಿಸಿದೆ, ಇದು ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್‌ಗಳಿಂದ ರಚಿಸಬಹುದಾದ ವೀಕ್ಷಣಾ ಡೇಟಾಸೆಟ್‌ಗಳ ಪ್ರವೃತ್ತಿಯನ್ನು ತೋರಿಸುತ್ತದೆ. ನಂತರ ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್‌ನ ಮೌಲ್ಯವನ್ನು ಬೇಯ್ಸ್ ನಿಯಮವನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ, ಇದು ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್‌ನಿಂದ ವೀಕ್ಷಣೆಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ರಚಿಸುವ ಸಾಧ್ಯತೆ ಎಷ್ಟು ಎಂದು ಹೇಳುತ್ತದೆ.
ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರವು ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು ಅದು ಒಂದೇ ರೀತಿಯ ಆದರೆ ರೇಖೀಯವಾಗಿ ಸ್ವತಂತ್ರವಲ್ಲದ ವರ್ಗಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸೂಕ್ತವಾದ ಬೇರ್ಪಡಿಸುವ ಹೈಪರ್‌ಪ್ಲೇನ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. Vapnik51 ಉದ್ದೇಶ ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ರಚಿಸಿತು, ಆದರೆ ಇದನ್ನು ಇತ್ತೀಚೆಗೆ ಹಿಂಜರಿತ-ಆಧಾರಿತ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಬಳಸಲಾಗಿದೆ. Li et al.52 ರ ಪ್ರಕಾರ, SVM ಅತ್ಯುತ್ತಮ ವರ್ಗೀಕರಣ ತಂತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ಮತ್ತು ಇದನ್ನು ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬಳಸಲಾಗಿದೆ. SVM ನ ಹಿಂಜರಿತ ಘಟಕವನ್ನು (ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ರಿಗ್ರೆಷನ್ - SVMR) ಈ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಬಳಸಲಾಗಿದೆ. ಚೆರ್ಕಾಸ್ಕಿ ಮತ್ತು ಮುಲಿಯರ್53 SVMR ಅನ್ನು ಕರ್ನಲ್-ಆಧಾರಿತ ಹಿಂಜರಿತವಾಗಿ ಪ್ರವರ್ತಕರಾದರು, ಇದರ ಲೆಕ್ಕಾಚಾರವನ್ನು ಬಹು-ದೇಶ ಪ್ರಾದೇಶಿಕ ಕಾರ್ಯಗಳೊಂದಿಗೆ ರೇಖೀಯ ಹಿಂಜರಿತ ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ವಹಿಸಲಾಯಿತು. ಜಾನ್ ಮತ್ತು ಇತರರು54 ವರದಿ ಮಾಡಿದ್ದಾರೆ SVMR ಮಾಡೆಲಿಂಗ್ ಹೈಪರ್‌ಪ್ಲೇನ್ ರೇಖೀಯ ಹಿಂಜರಿತವನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ರೇಖೀಯವಲ್ಲದ ಸಂಬಂಧಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಕಾರ್ಯಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ.ವೋಹ್ಲ್ಯಾಂಡ್ ಮತ್ತು ಇತರರು ಪ್ರಕಾರ. 55, ಎಪ್ಸಿಲಾನ್ (ε)-SVMR ತರಬೇತಿ ಪಡೆದ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಎಪ್ಸಿಲಾನ್-ಅಸಂವೇದನಾಶೀಲ ಕಾರ್ಯವಾಗಿ ಪ್ರಾತಿನಿಧ್ಯ ಮಾದರಿಯನ್ನು ಪಡೆಯಲು ಬಳಸುತ್ತದೆ, ಇದನ್ನು ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿರುವ ಡೇಟಾದ ತರಬೇತಿಯಿಂದ ಅತ್ಯುತ್ತಮ ಎಪ್ಸಿಲಾನ್ ಪಕ್ಷಪಾತದೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ನಕ್ಷೆ ಮಾಡಲು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಮೊದಲೇ ಹೊಂದಿಸಲಾದ ದೂರ ದೋಷವನ್ನು ನಿಜವಾದ ಮೌಲ್ಯದಿಂದ ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ದೋಷವು ε(ε) ಗಿಂತ ದೊಡ್ಡದಾಗಿದ್ದರೆ, ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳು ಅದನ್ನು ಸರಿದೂಗಿಸುತ್ತವೆ. ಮಾದರಿಯು ತರಬೇತಿ ಡೇಟಾದ ಸಂಕೀರ್ಣತೆಯನ್ನು ಬೆಂಬಲ ವೆಕ್ಟರ್‌ಗಳ ವಿಶಾಲ ಉಪವಿಭಾಗಕ್ಕೆ ತಗ್ಗಿಸುತ್ತದೆ. Vapnik51 ಪ್ರಸ್ತಾಪಿಸಿದ ಸಮೀಕರಣವನ್ನು ಕೆಳಗೆ ತೋರಿಸಲಾಗಿದೆ.
ಇಲ್ಲಿ b ಸ್ಕೇಲಾರ್ ಮಿತಿಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \(K\left({x}_{,}{ x}_{k}\right)\) ಕರ್ನಲ್ ಕಾರ್ಯವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \(\alpha\) ಲ್ಯಾಗ್ರೇಂಜ್ ಗುಣಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, N ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \({x}_{k}\) ಡೇಟಾ ಇನ್‌ಪುಟ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು \(y\) ಡೇಟಾ ಔಟ್‌ಪುಟ್ ಆಗಿದೆ. ಬಳಸಿದ ಪ್ರಮುಖ ಕರ್ನಲ್‌ಗಳಲ್ಲಿ ಒಂದು SVMR ಕಾರ್ಯಾಚರಣೆಯಾಗಿದೆ, ಇದು ಗಾಸಿಯನ್ ರೇಡಿಯಲ್ ಬೇಸಿಸ್ ಫಂಕ್ಷನ್ (RBF). PTE ತರಬೇತಿ ಡೇಟಾಕ್ಕಾಗಿ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮವಾದ ಪೆನಾಲ್ಟಿ ಸೆಟ್ ಫ್ಯಾಕ್ಟರ್ C ಮತ್ತು ಕರ್ನಲ್ ಪ್ಯಾರಾಮೀಟರ್ ಗಾಮಾ (γ) ಅನ್ನು ಪಡೆಯಲು ನಿರ್ಣಾಯಕವಾದ ಸೂಕ್ತ SVMR ಮಾದರಿಯನ್ನು ನಿರ್ಧರಿಸಲು RBF ಕರ್ನಲ್ ಅನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಮೊದಲು, ನಾವು ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇವೆ ಮತ್ತು ನಂತರ ಮೌಲ್ಯೀಕರಣ ಸೆಟ್‌ನಲ್ಲಿ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದೇವೆ. ಬಳಸಿದ ಸ್ಟೀರಿಂಗ್ ಪ್ಯಾರಾಮೀಟರ್ ಸಿಗ್ಮಾ ಮತ್ತು ವಿಧಾನ ಮೌಲ್ಯವು svmRadial ಆಗಿದೆ.
ಬಹು ರೇಖೀಯ ಹಿಂಜರಿತ ಮಾದರಿ (MLR) ಒಂದು ಹಿಂಜರಿತ ಮಾದರಿಯಾಗಿದ್ದು, ಇದು ಕನಿಷ್ಠ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಿದ ರೇಖೀಯ ಪೂಲ್ಡ್ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಹಲವಾರು ಮುನ್ಸೂಚಕ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. MLR ನಲ್ಲಿ, ಕನಿಷ್ಠ ಚೌಕಗಳ ಮಾದರಿಯು ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳ ಆಯ್ಕೆಯ ನಂತರ ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳ ಮುನ್ಸೂಚಕ ಕಾರ್ಯವಾಗಿದೆ. ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳನ್ನು ಬಳಸಿಕೊಂಡು ರೇಖೀಯ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸಲು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಬಳಸುವುದು ಅವಶ್ಯಕ. ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳೊಂದಿಗೆ ರೇಖೀಯ ಸಂಬಂಧವನ್ನು ಸ್ಥಾಪಿಸಲು PTE ಅನ್ನು ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಆಗಿ ಬಳಸಲಾಯಿತು. MLR ಸಮೀಕರಣವು
ಇಲ್ಲಿ y ಎಂಬುದು ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್, \(a\) ಎಂಬುದು ಇಂಟರ್ಸೆಪ್ಟ್, n ಎಂಬುದು ಪ್ರಿಡಿಕ್ಟರ್‌ಗಳ ಸಂಖ್ಯೆ, \({b}_{1}\) ಎಂಬುದು ಗುಣಾಂಕಗಳ ಭಾಗಶಃ ಹಿಂಜರಿತ, \({x}_{ i}\) ಎಂಬುದು ಪ್ರಿಡಿಕ್ಟರ್ ಅಥವಾ ವಿವರಣಾತ್ಮಕ ವೇರಿಯೇಬಲ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು \({\varepsilon }_{i}\) ಮಾದರಿಯಲ್ಲಿನ ದೋಷವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಇದನ್ನು ಶೇಷ ಎಂದೂ ಕರೆಯುತ್ತಾರೆ.
ಮಿಶ್ರ ಮಾದರಿಗಳನ್ನು SVMR ಮತ್ತು MLR ನೊಂದಿಗೆ EBK ಅನ್ನು ಸ್ಯಾಂಡ್‌ವಿಚ್ ಮಾಡುವ ಮೂಲಕ ಪಡೆಯಲಾಗಿದೆ. EBK ಇಂಟರ್‌ಪೋಲೇಷನ್‌ನಿಂದ ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಮೂಲಕ ಇದನ್ನು ಮಾಡಲಾಗುತ್ತದೆ. ಇಂಟರ್‌ಪೋಲೇಟೆಡ್ Ca, K, ಮತ್ತು Mg ನಿಂದ ಪಡೆದ ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳನ್ನು CaK, CaMg ಮತ್ತು KMg ನಂತಹ ಹೊಸ ಅಸ್ಥಿರಗಳನ್ನು ಪಡೆಯಲು ಸಂಯೋಜಿತ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಪಡೆಯಲಾಗುತ್ತದೆ. ನಂತರ Ca, K ಮತ್ತು Mg ಅಂಶಗಳನ್ನು ಸಂಯೋಜಿಸಿ ನಾಲ್ಕನೇ ವೇರಿಯೇಬಲ್, CaKMg ಅನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ಒಟ್ಟಾರೆಯಾಗಿ, ಪಡೆದ ಅಸ್ಥಿರಗಳು Ca, K, Mg, CaK, CaMg, KMg ಮತ್ತು CaKMg. ಈ ಅಸ್ಥಿರಗಳು ನಮ್ಮ ಮುನ್ಸೂಚಕಗಳಾದವು, ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. ಮಿಶ್ರ ಮಾದರಿಯ ಎಂಪಿರಿಕಲ್ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್-ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (EBK_SVM) ಪಡೆಯಲು ಮುನ್ಸೂಚಕಗಳ ಮೇಲೆ SVMR ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ನಡೆಸಲಾಯಿತು. ಅದೇ ರೀತಿ, ಮಿಶ್ರ ಮಾದರಿ ಎಂಪಿರಿಕಲ್ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್-ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್ (EBK_MLR) ಪಡೆಯಲು ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು MLR ಅಲ್ಗಾರಿದಮ್ ಮೂಲಕ ಪೈಪ್ ಮಾಡಲಾಗುತ್ತದೆ. ವಿಶಿಷ್ಟವಾಗಿ, ಅಸ್ಥಿರ Ca, K, Mg, CaK, ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ Ni ಅಂಶದ ಮುನ್ಸೂಚಕಗಳಾಗಿ CaMg, KMg ಮತ್ತು CaKMg ಗಳನ್ನು ಕೋವೇರಿಯೇಟ್‌ಗಳಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಪಡೆದ ಅತ್ಯಂತ ಸ್ವೀಕಾರಾರ್ಹ ಮಾದರಿಯನ್ನು (EBK_SVM ಅಥವಾ EBK_MLR) ನಂತರ ಸ್ವಯಂ-ಸಂಘಟಿಸುವ ಗ್ರಾಫ್ ಬಳಸಿ ದೃಶ್ಯೀಕರಿಸಲಾಗುತ್ತದೆ. ಈ ಅಧ್ಯಯನದ ಕೆಲಸದ ಹರಿವನ್ನು ಚಿತ್ರ 2 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
ಹಣಕಾಸು ವಲಯ, ಆರೋಗ್ಯ ರಕ್ಷಣೆ, ಉದ್ಯಮ, ಅಂಕಿಅಂಶಗಳು, ಮಣ್ಣು ವಿಜ್ಞಾನ ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ಸಂಘಟಿಸಲು, ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಮುನ್ಸೂಚಿಸಲು SeOM ಅನ್ನು ಬಳಸುವುದು ಜನಪ್ರಿಯ ಸಾಧನವಾಗಿದೆ. ಸಂಘಟನೆ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಭವಿಷ್ಯಕ್ಕಾಗಿ ಕೃತಕ ನರಮಂಡಲ ಜಾಲಗಳು ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು SeOM ಅನ್ನು ರಚಿಸಲಾಗಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ Ni ಅನ್ನು ಊಹಿಸಲು ಉತ್ತಮ ಮಾದರಿಯ ಆಧಾರದ ಮೇಲೆ Ni ಸಾಂದ್ರತೆಗಳನ್ನು ದೃಶ್ಯೀಕರಿಸಲು SeOM ಅನ್ನು ಬಳಸಲಾಯಿತು. SeOM ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಸಂಸ್ಕರಿಸಿದ ಡೇಟಾವನ್ನು n ಇನ್‌ಪುಟ್-ಆಯಾಮದ ವೆಕ್ಟರ್ ವೇರಿಯೇಬಲ್‌ಗಳಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ43,56.ಮೆಲ್ಸೆನ್ ಮತ್ತು ಇತರರು. 57 ಒಂದು ಇನ್‌ಪುಟ್ ಪದರದ ಮೂಲಕ ಒಂದೇ ತೂಕದ ವೆಕ್ಟರ್‌ನೊಂದಿಗೆ ಔಟ್‌ಪುಟ್ ವೆಕ್ಟರ್‌ಗೆ ನರಮಂಡಲಕ್ಕೆ ಇನ್‌ಪುಟ್ ವೆಕ್ಟರ್‌ನ ಸಂಪರ್ಕವನ್ನು ವಿವರಿಸುತ್ತದೆ.SeOM ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಔಟ್‌ಪುಟ್ ವಿಭಿನ್ನ ನ್ಯೂರಾನ್‌ಗಳು ಅಥವಾ ನೋಡ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಎರಡು ಆಯಾಮದ ನಕ್ಷೆಯಾಗಿದ್ದು, ಅವುಗಳ ಸಾಮೀಪ್ಯಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಷಡ್ಭುಜೀಯ, ವೃತ್ತಾಕಾರದ ಅಥವಾ ಚೌಕಾಕಾರದ ಟೋಪೋಲಾಜಿಕಲ್ ನಕ್ಷೆಗಳಲ್ಲಿ ನೇಯ್ದಿದೆ.ಮೆಟ್ರಿಕ್, ಕ್ವಾಂಟೈಸೇಶನ್ ದೋಷ (QE) ಮತ್ತು ಟೊಪೊಗ್ರಾಫಿಕ್ ದೋಷ (TE) ಆಧರಿಸಿ ನಕ್ಷೆಯ ಗಾತ್ರಗಳನ್ನು ಹೋಲಿಸಿದಾಗ, ಕ್ರಮವಾಗಿ 0.086 ಮತ್ತು 0.904 ಹೊಂದಿರುವ SeOM ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಲಾಗುತ್ತದೆ, ಇದು 55-ನಕ್ಷೆ ಘಟಕವಾಗಿದೆ (5 × 11). ಪ್ರಾಯೋಗಿಕ ಸಮೀಕರಣದಲ್ಲಿನ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆಯ ಪ್ರಕಾರ ನರಕೋಶ ರಚನೆಯನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ದತ್ತಾಂಶಗಳ ಸಂಖ್ಯೆ 115 ಮಾದರಿಗಳು. ದತ್ತಾಂಶವನ್ನು ಪರೀಕ್ಷಾ ದತ್ತಾಂಶ (ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ 25%) ಮತ್ತು ತರಬೇತಿ ದತ್ತಾಂಶ ಸೆಟ್‌ಗಳಾಗಿ (ಮಾಪನಾಂಕ ನಿರ್ಣಯಕ್ಕಾಗಿ 75%) ವಿಭಜಿಸಲು ಯಾದೃಚ್ಛಿಕ ವಿಧಾನವನ್ನು ಬಳಸಲಾಯಿತು. ತರಬೇತಿ ದತ್ತಾಂಶ ಸೆಟ್ ಅನ್ನು ಹಿಂಜರಿತ ಮಾದರಿಯನ್ನು (ಮಾಪನಾಂಕ ನಿರ್ಣಯಕ್ಕಾಗಿ 25%) ಉತ್ಪಾದಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಪರೀಕ್ಷಾ ದತ್ತಾಂಶ ಸೆಟ್ ಅನ್ನು ಸಾಮಾನ್ಯೀಕರಣ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರಿಶೀಲಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ58. ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಅಂಶವನ್ನು ಊಹಿಸಲು ವಿವಿಧ ಮಾದರಿಗಳ ಸೂಕ್ತತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಇದನ್ನು ಮಾಡಲಾಗಿದೆ. ಬಳಸಿದ ಎಲ್ಲಾ ಮಾದರಿಗಳು ಹತ್ತು ಪಟ್ಟು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಹೋದವು, ಐದು ಬಾರಿ ಪುನರಾವರ್ತಿಸಲ್ಪಟ್ಟವು. EBK ಇಂಟರ್ಪೋಲೇಷನ್‌ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಅಸ್ಥಿರಗಳನ್ನು ಗುರಿ ವೇರಿಯಬಲ್ (PTE) ಅನ್ನು ಊಹಿಸಲು ಮುನ್ಸೂಚಕಗಳು ಅಥವಾ ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಮಾಡೆಲಿಂಗ್ ಅನ್ನು RStudio ನಲ್ಲಿ ಪ್ಯಾಕೇಜ್‌ಗಳಾದ ಲೈಬ್ರರಿ (ಕೊಹೊನೆನ್), ಲೈಬ್ರರಿ (ಕ್ಯಾರೆಟ್), ಲೈಬ್ರರಿ (ಮಾಡೆಲರ್), ಲೈಬ್ರರಿ (“e1071″), ಲೈಬ್ರರಿ (“ಪ್ಲೈರ್”), ಲೈಬ್ರರಿ (“ಕ್ಯಾಟೂಲ್ಸ್”), ಲೈಬ್ರರಿ (”ಪ್ರಾಸ್ಪೆಕ್ಟರ್”) ಮತ್ತು ಲೈಬ್ರರಿಗಳು (“ಮೆಟ್ರಿಕ್ಸ್”) ಬಳಸಿ ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ.
ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಮತ್ತು ಮಾದರಿಯ ನಿಖರತೆ ಮತ್ತು ಅದರ ಮೌಲ್ಯೀಕರಣವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸೂಕ್ತವಾದ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿರ್ಧರಿಸಲು ವಿವಿಧ ಮೌಲ್ಯೀಕರಣ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಲಾಯಿತು. ಹೈಬ್ರಿಡೈಸೇಶನ್ ಮಾದರಿಗಳನ್ನು ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ (MAE), ಮೂಲ ಸರಾಸರಿ ವರ್ಗ ದೋಷ (RMSE), ಮತ್ತು R- ವರ್ಗ ಅಥವಾ ಗುಣಾಂಕ ನಿರ್ಣಯ (R2) ಬಳಸಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು. R2 ಉತ್ತರದಲ್ಲಿನ ಅನುಪಾತಗಳ ವ್ಯತ್ಯಾಸವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ಇದನ್ನು ಹಿಂಜರಿತ ಮಾದರಿಯಿಂದ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ. ಸ್ವತಂತ್ರ ಅಳತೆಗಳಲ್ಲಿನ RMSE ಮತ್ತು ವ್ಯತ್ಯಾಸದ ಪ್ರಮಾಣವು ಮಾದರಿಯ ಮುನ್ಸೂಚಕ ಶಕ್ತಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ, ಆದರೆ MAE ನಿಜವಾದ ಪರಿಮಾಣಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಮೌಲ್ಯೀಕರಣ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಉತ್ತಮ ಮಿಶ್ರಣ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು R2 ಮೌಲ್ಯವು ಹೆಚ್ಚಿರಬೇಕು, ಮೌಲ್ಯವು 1 ಕ್ಕೆ ಹತ್ತಿರವಾಗಿದ್ದರೆ, ನಿಖರತೆ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ. ಲಿ ಮತ್ತು ಇತರರು 59 ರ ಪ್ರಕಾರ, 0.75 ಅಥವಾ ಹೆಚ್ಚಿನ R2 ಮಾನದಂಡ ಮೌಲ್ಯವನ್ನು ಉತ್ತಮ ಮುನ್ಸೂಚಕವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ; 0.5 ರಿಂದ 0.75 ರವರೆಗಿನ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಸ್ವೀಕಾರಾರ್ಹವಾಗಿದೆ ಮತ್ತು 0.5 ಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ.RMSE ಮತ್ತು MAE ಮೌಲ್ಯೀಕರಣ ಮಾನದಂಡಗಳ ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ, ಪಡೆದ ಕಡಿಮೆ ಮೌಲ್ಯಗಳು ಸಾಕಾಗಿದ್ದವು ಮತ್ತು ಅವುಗಳನ್ನು ಅತ್ಯುತ್ತಮ ಆಯ್ಕೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ.ಕೆಳಗಿನ ಸಮೀಕರಣವು ಪರಿಶೀಲನಾ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತದೆ.
ಇಲ್ಲಿ n ಗಮನಿಸಿದ ಮೌಲ್ಯದ ಗಾತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ\({Y}_{i}\) ಅಳತೆ ಮಾಡಿದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು \({\widehat{Y}}_{i}\) ಊಹಿಸಲಾದ ಪ್ರತಿಕ್ರಿಯೆ ಮೌಲ್ಯವನ್ನು ಸಹ ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ, ಮೊದಲ i ವೀಕ್ಷಣೆಗಳಿಗೆ.
ಮುನ್ಸೂಚಕ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಅಸ್ಥಿರಗಳ ಅಂಕಿಅಂಶಗಳ ವಿವರಣೆಯನ್ನು ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಇದು ಸರಾಸರಿ, ಪ್ರಮಾಣಿತ ವಿಚಲನ (SD), ವ್ಯತ್ಯಾಸದ ಗುಣಾಂಕ (CV), ಕನಿಷ್ಠ, ಗರಿಷ್ಠ, ಕುರ್ಟೋಸಿಸ್ ಮತ್ತು ಓರೆತನವನ್ನು ತೋರಿಸುತ್ತದೆ. ಅಂಶಗಳ ಕನಿಷ್ಠ ಮತ್ತು ಗರಿಷ್ಠ ಮೌಲ್ಯಗಳು ಕ್ರಮವಾಗಿ Mg < Ca < K < Ni ಮತ್ತು Ca < Mg < K < Ni ನ ಇಳಿಕೆ ಕ್ರಮದಲ್ಲಿವೆ. ಅಧ್ಯಯನ ಪ್ರದೇಶದಿಂದ ಮಾದರಿ ಮಾಡಿದ ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ (Ni) ನ ಸಾಂದ್ರತೆಗಳು 4.86 ರಿಂದ 42.39 mg/kg ವರೆಗೆ ಇವೆ. Ni ಅನ್ನು ವಿಶ್ವ ಸರಾಸರಿ (29 mg/kg) ಮತ್ತು ಯುರೋಪಿಯನ್ ಸರಾಸರಿ (37 mg/kg) ನೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ ಅಧ್ಯಯನ ಪ್ರದೇಶದ ಒಟ್ಟಾರೆ ಲೆಕ್ಕಾಚಾರದ ಜ್ಯಾಮಿತೀಯ ಸರಾಸರಿ ಸಹನೀಯ ವ್ಯಾಪ್ತಿಯಲ್ಲಿದೆ ಎಂದು ತೋರಿಸಿದೆ. ಆದಾಗ್ಯೂ, ಕಬಾಟಾ-ಪೆಂಡಿಯಾಸ್11 ತೋರಿಸಿರುವಂತೆ, ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ಸರಾಸರಿ ನಿಕಲ್ (Ni) ಸಾಂದ್ರತೆಯನ್ನು ಸ್ವೀಡನ್‌ನಲ್ಲಿನ ಕೃಷಿ ಮಣ್ಣಿನೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ ಪ್ರಸ್ತುತ ಸರಾಸರಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯು ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ.ಅಂತೆಯೇ, ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಮಣ್ಣುಗಳಲ್ಲಿ ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್‌ನ ಸರಾಸರಿ ಸಾಂದ್ರತೆ (Ni 16.15 mg/kg) ರೋಜಾನ್ಸ್ಕಿ ಮತ್ತು ಇತರರು ವರದಿ ಮಾಡಿದ ಪೋಲಿಷ್ ನಗರ ಮಣ್ಣಿನಲ್ಲಿ Ni ಗೆ ಅನುಮತಿಸಬಹುದಾದ ಮಿತಿ 60 (10.2 mg/kg) ಗಿಂತ ಹೆಚ್ಚಾಗಿದೆ. ಇದಲ್ಲದೆ, ಬ್ರೆಟ್ಜೆಲ್ ಮತ್ತು ಕ್ಯಾಲ್ಡೆರಿಸಿ61 ಪ್ರಸ್ತುತ ಅಧ್ಯಯನಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಟಸ್ಕನಿಯ ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ಅತ್ಯಂತ ಕಡಿಮೆ ಸರಾಸರಿ Ni ಸಾಂದ್ರತೆಯನ್ನು (1.78 mg/kg) ದಾಖಲಿಸಿದ್ದಾರೆ. ಹಾಂಗ್ ಕಾಂಗ್ ನಗರ ಮಣ್ಣಿನಲ್ಲಿ Jim62 ಕಡಿಮೆ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು (12.34 mg/kg) ಕಂಡುಹಿಡಿದಿದೆ, ಇದು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಪ್ರಸ್ತುತ ನಿಕಲ್ ಸಾಂದ್ರತೆಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ಜರ್ಮನಿಯ ಸ್ಯಾಕ್ಸೋನಿ-ಅನ್ಹಾಲ್ಟ್‌ನಲ್ಲಿರುವ ಹಳೆಯ ಗಣಿಗಾರಿಕೆ ಮತ್ತು ನಗರ ಕೈಗಾರಿಕಾ ಪ್ರದೇಶದಲ್ಲಿ Birke et al63 ಸರಾಸರಿ Ni ಸಾಂದ್ರತೆಯು 17.6 mg/kg ಎಂದು ವರದಿ ಮಾಡಿದೆ, ಇದು ಪ್ರದೇಶದಲ್ಲಿನ ಸರಾಸರಿ Ni ಸಾಂದ್ರತೆಗಿಂತ (16.15 mg/kg) 1.45 mg/kg ಹೆಚ್ಚಾಗಿದೆ. ಪ್ರಸ್ತುತ ಸಂಶೋಧನೆ. ಅಧ್ಯಯನ ಪ್ರದೇಶದ ಕೆಲವು ನಗರ ಮತ್ತು ಉಪನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿನ ಮಣ್ಣಿನಲ್ಲಿ ಅತಿಯಾದ ನಿಕಲ್ ಅಂಶವು ಮುಖ್ಯವಾಗಿ ಕಬ್ಬಿಣ ಮತ್ತು ಉಕ್ಕಿನ ಉದ್ಯಮ ಮತ್ತು ಲೋಹದ ಉದ್ಯಮಕ್ಕೆ ಕಾರಣವಾಗಿರಬಹುದು. ಇದು ಖೋಡಾಡೌಸ್ಟ್ ಮತ್ತು ಇತರರು ನಡೆಸಿದ ಅಧ್ಯಯನಕ್ಕೆ ಅನುಗುಣವಾಗಿದೆ. 64 ಉಕ್ಕಿನ ಉದ್ಯಮ ಮತ್ತು ಲೋಹದ ಕೆಲಸವು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಮಾಲಿನ್ಯದ ಪ್ರಮುಖ ಮೂಲಗಳಾಗಿವೆ. ಆದಾಗ್ಯೂ, ಮುನ್ಸೂಚಕಗಳು Ca ಗೆ 538.70 mg/kg ನಿಂದ 69,161.80 mg/kg ವರೆಗೆ, K ಗೆ 497.51 mg/kg ನಿಂದ 3535.68 mg/kg ವರೆಗೆ ಮತ್ತು Mg ಗೆ 685.68 mg/kg ನಿಂದ 5970.05 mg/kg ವರೆಗೆ ಇರುತ್ತವೆ. ಜಾಕೋವ್ಲ್ಜೆವಿಕ್ ಮತ್ತು ಇತರರು. 65 ಮಧ್ಯ ಸೆರ್ಬಿಯಾದಲ್ಲಿನ ಮಣ್ಣಿನ ಒಟ್ಟು Mg ಮತ್ತು K ಅಂಶವನ್ನು ತನಿಖೆ ಮಾಡಿದರು. ಒಟ್ಟು ಸಾಂದ್ರತೆಗಳು (ಕ್ರಮವಾಗಿ 410 mg/kg ಮತ್ತು 400 mg/kg) ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ Mg ಮತ್ತು K ಸಾಂದ್ರತೆಗಳಿಗಿಂತ ಕಡಿಮೆಯಿದೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡರು. ಪ್ರತ್ಯೇಕಿಸಲಾಗದಂತೆ, ಪೂರ್ವ ಪೋಲೆಂಡ್‌ನಲ್ಲಿ, ಓರ್ಜೆಚೋವ್ಸ್ಕಿ ಮತ್ತು ಸ್ಮೋಲ್ಜಿನ್ಸ್ಕಿ66 Ca, Mg ಮತ್ತು K ನ ಒಟ್ಟು ಅಂಶವನ್ನು ನಿರ್ಣಯಿಸಿದರು ಮತ್ತು Ca (1100 mg/kg), Mg (590 mg/kg) ಮತ್ತು K (810 mg/kg) ನ ಸರಾಸರಿ ಸಾಂದ್ರತೆಗಳನ್ನು ತೋರಿಸಿದರು. ಮೇಲ್ಮಣ್ಣಿನಲ್ಲಿರುವ ಅಂಶವು ಈ ಅಧ್ಯಯನದಲ್ಲಿನ ಒಂದೇ ಅಂಶಕ್ಕಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ಪೊಂಗ್ರಾಕ್ ಮತ್ತು ಇತರರು ನಡೆಸಿದ ಇತ್ತೀಚಿನ ಅಧ್ಯಯನವು 67 ಸ್ಕಾಟ್ಲೆಂಡ್, UK (ಮೈಲ್ನೆಫೀಲ್ಡ್ ಮಣ್ಣು, ಬಾಲ್ರುಡೆರಿ ಮಣ್ಣು ಮತ್ತು ಹಾರ್ಟ್‌ವುಡ್ ಮಣ್ಣು) ನಲ್ಲಿನ 3 ವಿಭಿನ್ನ ಮಣ್ಣುಗಳಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಲಾದ ಒಟ್ಟು Ca ಅಂಶವು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಹೆಚ್ಚಿನ Ca ಅಂಶವನ್ನು ಸೂಚಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಿದೆ.
ಮಾದರಿ ಅಂಶಗಳ ವಿಭಿನ್ನ ಅಳತೆ ಸಾಂದ್ರತೆಗಳಿಂದಾಗಿ, ಅಂಶಗಳ ದತ್ತಾಂಶ ಸೆಟ್ ವಿತರಣೆಗಳು ವಿಭಿನ್ನ ಓರೆತನವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ. ಅಂಶಗಳ ಓರೆತನ ಮತ್ತು ಕುರ್ಟೋಸಿಸ್ ಕ್ರಮವಾಗಿ 1.53 ರಿಂದ 7.24 ಮತ್ತು 2.49 ರಿಂದ 54.16 ರವರೆಗೆ ಇತ್ತು. ಎಲ್ಲಾ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ ಅಂಶಗಳು +1 ಗಿಂತ ಓರೆತನ ಮತ್ತು ಕುರ್ಟೋಸಿಸ್ ಮಟ್ಟವನ್ನು ಹೊಂದಿವೆ, ಹೀಗಾಗಿ ದತ್ತಾಂಶ ವಿತರಣೆಯು ಅನಿಯಮಿತವಾಗಿದೆ, ಸರಿಯಾದ ದಿಕ್ಕಿನಲ್ಲಿ ಓರೆಯಾಗಿದೆ ಮತ್ತು ಗರಿಷ್ಠವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಅಂಶಗಳ ಅಂದಾಜು ಸಿವಿಗಳು ಕೆ, ಎಂಜಿ ಮತ್ತು ನಿ ಮಧ್ಯಮ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ, ಆದರೆ ಸಿಎ ಅತ್ಯಂತ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಕೆ, ನಿ ಮತ್ತು ಎಂಜಿಗಳ ಸಿವಿಗಳು ಅವುಗಳ ಏಕರೂಪದ ವಿತರಣೆಯನ್ನು ವಿವರಿಸುತ್ತವೆ. ಇದಲ್ಲದೆ, ಸಿಎ ವಿತರಣೆಯು ಏಕರೂಪವಾಗಿಲ್ಲ ಮತ್ತು ಬಾಹ್ಯ ಮೂಲಗಳು ಅದರ ಪುಷ್ಟೀಕರಣ ಮಟ್ಟವನ್ನು ಪರಿಣಾಮ ಬೀರಬಹುದು.
ಪ್ರತಿಕ್ರಿಯೆ ಅಂಶಗಳೊಂದಿಗೆ ಮುನ್ಸೂಚಕ ಅಸ್ಥಿರಗಳ ಪರಸ್ಪರ ಸಂಬಂಧವು ಅಂಶಗಳ ನಡುವೆ ತೃಪ್ತಿದಾಯಕ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಚಿತ್ರ 3 ನೋಡಿ). ಪರಸ್ಪರ ಸಂಬಂಧವು CaK r ಮೌಲ್ಯ = 0.53 ರೊಂದಿಗೆ ಮಧ್ಯಮ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸಿದೆ ಎಂದು ಸೂಚಿಸಿತು, CaNi ಮಾಡಿದಂತೆ. Ca ಮತ್ತು K ಪರಸ್ಪರ ಸಾಧಾರಣ ಸಂಬಂಧಗಳನ್ನು ತೋರಿಸಿದರೂ, ಕಿಂಗ್ಸ್ಟನ್ ಮತ್ತು ಇತರರಂತಹ ಸಂಶೋಧಕರು. 68 ಮತ್ತು Santo69 ಮಣ್ಣಿನಲ್ಲಿ ಅವುಗಳ ಮಟ್ಟಗಳು ವಿಲೋಮ ಅನುಪಾತದಲ್ಲಿವೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, Ca ಮತ್ತು Mg K ಗೆ ವಿರುದ್ಧವಾಗಿವೆ, ಆದರೆ CaK ಚೆನ್ನಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ. ಪೊಟ್ಯಾಸಿಯಮ್ ಕಾರ್ಬೋನೇಟ್‌ನಂತಹ ರಸಗೊಬ್ಬರಗಳ ಅನ್ವಯದಿಂದಾಗಿ ಇದು ಸಂಭವಿಸಬಹುದು, ಇದು ಪೊಟ್ಯಾಸಿಯಮ್‌ನಲ್ಲಿ 56% ಹೆಚ್ಚಾಗಿದೆ. ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್‌ನೊಂದಿಗೆ ಮಧ್ಯಮವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ (KM r = 0.63).ರಸಗೊಬ್ಬರ ಉದ್ಯಮದಲ್ಲಿ, ಈ ಎರಡು ಅಂಶಗಳು ನಿಕಟ ಸಂಬಂಧ ಹೊಂದಿವೆ ಏಕೆಂದರೆ ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್ ಸಲ್ಫೇಟ್, ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್ ನೈಟ್ರೇಟ್ ಮತ್ತು ಪೊಟ್ಯಾಶ್ ಅನ್ನು ಮಣ್ಣಿನಲ್ಲಿ ಅವುಗಳ ಕೊರತೆಯ ಮಟ್ಟವನ್ನು ಹೆಚ್ಚಿಸಲು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ನಿಕಲ್ ಕ್ರಮವಾಗಿ = 0.52, 0.63 ಮತ್ತು 0.55 r ಮೌಲ್ಯಗಳೊಂದಿಗೆ Ca, K ಮತ್ತು Mg ನೊಂದಿಗೆ ಮಧ್ಯಮವಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ. ಕ್ಯಾಲ್ಸಿಯಂ, ಮೆಗ್ನೀಸಿಯಮ್ ಮತ್ತು ನಿಕಲ್‌ನಂತಹ PTE ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಬಂಧಗಳು ಸಂಕೀರ್ಣವಾಗಿವೆ, ಆದರೆ ಅದೇನೇ ಇದ್ದರೂ, ಮೆಗ್ನೀಸಿಯಮ್ ಕ್ಯಾಲ್ಸಿಯಂ ಹೀರಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ, ಕ್ಯಾಲ್ಸಿಯಂ ಹೆಚ್ಚುವರಿ ಮೆಗ್ನೀಸಿಯಮ್‌ನ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮೆಗ್ನೀಸಿಯಮ್ ಮತ್ತು ಕ್ಯಾಲ್ಸಿಯಂ ಎರಡೂ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್‌ನ ವಿಷಕಾರಿ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಮುನ್ಸೂಚಕಗಳು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ತೋರಿಸುವ ಅಂಶಗಳಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಮ್ಯಾಟ್ರಿಕ್ಸ್ (ಗಮನಿಸಿ: ಈ ಅಂಕಿ ಅಂಶವು ಅಂಶಗಳ ನಡುವಿನ ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲಾಟ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ, ಮಹತ್ವ ಮಟ್ಟಗಳು p < 0,001 ಅನ್ನು ಆಧರಿಸಿವೆ).
ಚಿತ್ರ 4 ಅಂಶಗಳ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಬರ್ಗೋಸ್ ಮತ್ತು ಇತರರು 70 ರ ಪ್ರಕಾರ, ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯ ಅನ್ವಯವು ಕಲುಷಿತ ಪ್ರದೇಶಗಳಲ್ಲಿನ ಹಾಟ್ ಸ್ಪಾಟ್‌ಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಮತ್ತು ಹೈಲೈಟ್ ಮಾಡಲು ಬಳಸುವ ಒಂದು ತಂತ್ರವಾಗಿದೆ. ಚಿತ್ರ 4 ರಲ್ಲಿ Ca ನ ಪುಷ್ಟೀಕರಣ ಮಟ್ಟವನ್ನು ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯ ವಾಯುವ್ಯ ಭಾಗದಲ್ಲಿ ಕಾಣಬಹುದು. ಚಿತ್ರವು ಮಧ್ಯಮದಿಂದ ಹೆಚ್ಚಿನ Ca ಪುಷ್ಟೀಕರಣ ಹಾಟ್‌ಸ್ಪಾಟ್‌ಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ನಕ್ಷೆಯ ವಾಯುವ್ಯದಲ್ಲಿ ಕ್ಯಾಲ್ಸಿಯಂ ಪುಷ್ಟೀಕರಣವು ಮಣ್ಣಿನ ಆಮ್ಲೀಯತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕ್ವಿಕ್‌ಲೈಮ್ (ಕ್ಯಾಲ್ಸಿಯಂ ಆಕ್ಸೈಡ್) ಬಳಕೆ ಮತ್ತು ಉಕ್ಕಿನ ತಯಾರಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕ್ಷಾರೀಯ ಆಮ್ಲಜನಕವಾಗಿ ಉಕ್ಕಿನ ಗಿರಣಿಗಳಲ್ಲಿ ಅದರ ಬಳಕೆಯಿಂದಾಗಿರಬಹುದು. ಮತ್ತೊಂದೆಡೆ, ಇತರ ರೈತರು pH ಅನ್ನು ತಟಸ್ಥಗೊಳಿಸಲು ಆಮ್ಲೀಯ ಮಣ್ಣಿನಲ್ಲಿ ಕ್ಯಾಲ್ಸಿಯಂ ಹೈಡ್ರಾಕ್ಸೈಡ್ ಅನ್ನು ಬಳಸಲು ಬಯಸುತ್ತಾರೆ, ಇದು ಮಣ್ಣಿನ ಕ್ಯಾಲ್ಸಿಯಂ ಅಂಶವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ 71. ಪೊಟ್ಯಾಸಿಯಮ್ ನಕ್ಷೆಯ ವಾಯುವ್ಯ ಮತ್ತು ಪೂರ್ವದಲ್ಲಿ ಹಾಟ್ ಸ್ಪಾಟ್‌ಗಳನ್ನು ಸಹ ತೋರಿಸುತ್ತದೆ. ವಾಯುವ್ಯವು ಪ್ರಮುಖ ಕೃಷಿ ಸಮುದಾಯವಾಗಿದೆ ಮತ್ತು ಪೊಟ್ಯಾಸಿಯಮ್‌ನ ಮಧ್ಯಮದಿಂದ ಹೆಚ್ಚಿನ ಮಾದರಿಯು NPK ಮತ್ತು ಪೊಟ್ಯಾಶ್ ಅನ್ವಯಿಕೆಗಳಿಂದಾಗಿರಬಹುದು. ಇದು ಮದರಾಸ್ ಮತ್ತು ಲಿಪಾವ್ಸ್ಕಿ 72, ಮದರಾಸ್ ಮತ್ತು ಇತರರು 73, ಪಲ್‌ಕ್ರಾಬೋವಾ ಮತ್ತು ಇತರರು 74 ನಂತಹ ಇತರ ಅಧ್ಯಯನಗಳೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿದೆ, ಅಸಾರೆ ಮತ್ತು ಇತರರು 75, ಮಣ್ಣಿನ ಸ್ಥಿರೀಕರಣ ಮತ್ತು KCl ಮತ್ತು NPK ಯೊಂದಿಗೆ ಚಿಕಿತ್ಸೆ ನೀಡುವುದರಿಂದ ಮಣ್ಣಿನಲ್ಲಿ ಹೆಚ್ಚಿನ K ಅಂಶ ಉಂಟಾಗುತ್ತದೆ ಎಂದು ಗಮನಿಸಿದರು. ವಿತರಣಾ ನಕ್ಷೆಯ ವಾಯುವ್ಯದಲ್ಲಿ ಪ್ರಾದೇಶಿಕ ಪೊಟ್ಯಾಸಿಯಮ್ ಪುಷ್ಟೀಕರಣವು ಕಳಪೆ ಮಣ್ಣಿನಲ್ಲಿ ಪೊಟ್ಯಾಸಿಯಮ್ ಅಂಶವನ್ನು ಹೆಚ್ಚಿಸಲು ಪೊಟ್ಯಾಸಿಯಮ್ ಕ್ಲೋರೈಡ್, ಪೊಟ್ಯಾಸಿಯಮ್ ಸಲ್ಫೇಟ್, ಪೊಟ್ಯಾಸಿಯಮ್ ನೈಟ್ರೇಟ್, ಪೊಟ್ಯಾಶ್ ಮತ್ತು ಪೊಟ್ಯಾಶ್‌ನಂತಹ ಪೊಟ್ಯಾಸಿಯಮ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ಬಳಕೆಯಿಂದಾಗಿರಬಹುದು. Zádorová ಮತ್ತು ಇತರರು 76 ಮತ್ತು Tlustoš ಮತ್ತು ಇತರರು. 77 ರಲ್ಲಿ K-ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ಅನ್ವಯವು ಮಣ್ಣಿನಲ್ಲಿ K ಅಂಶವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ದೀರ್ಘಾವಧಿಯಲ್ಲಿ ಮಣ್ಣಿನ ಪೋಷಕಾಂಶದ ಅಂಶವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ ಎಂದು ವಿವರಿಸಲಾಗಿದೆ, ವಿಶೇಷವಾಗಿ K ಮತ್ತು Mg ಮಣ್ಣಿನಲ್ಲಿ ಹಾಟ್ ಸ್ಪಾಟ್ ಅನ್ನು ತೋರಿಸುತ್ತದೆ. ನಕ್ಷೆಯ ವಾಯುವ್ಯ ಮತ್ತು ನಕ್ಷೆಯ ಆಗ್ನೇಯದಲ್ಲಿ ತುಲನಾತ್ಮಕವಾಗಿ ಮಧ್ಯಮ ಹಾಟ್‌ಸ್ಪಾಟ್‌ಗಳು. ಮಣ್ಣಿನಲ್ಲಿ ಕೊಲೊಯ್ಡಲ್ ಸ್ಥಿರೀಕರಣವು ಮಣ್ಣಿನಲ್ಲಿ ಮೆಗ್ನೀಸಿಯಮ್ ಸಾಂದ್ರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಮಣ್ಣಿನಲ್ಲಿ ಇದರ ಕೊರತೆಯು ಸಸ್ಯಗಳು ಹಳದಿ ಬಣ್ಣದ ಇಂಟರ್ವೆಯಿನ್ ಕ್ಲೋರೋಸಿಸ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸಲು ಕಾರಣವಾಗುತ್ತದೆ. ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್ ಸಲ್ಫೇಟ್, ಮೆಗ್ನೀಸಿಯಮ್ ಸಲ್ಫೇಟ್ ಮತ್ತು ಕೀಸೆರೈಟ್‌ನಂತಹ ಮೆಗ್ನೀಸಿಯಮ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳು ಸಾಮಾನ್ಯ pH ಶ್ರೇಣಿಯನ್ನು ಹೊಂದಿರುವ ಮಣ್ಣಿನಲ್ಲಿ ಕೊರತೆಗಳನ್ನು (ಸಸ್ಯಗಳು ನೇರಳೆ, ಕೆಂಪು ಅಥವಾ ಕಂದು ಬಣ್ಣದಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ, ಇದು ಮೆಗ್ನೀಸಿಯಮ್ ಕೊರತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ) ನಿವಾರಿಸುತ್ತದೆ6. ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನ ಮೇಲ್ಮೈಗಳಲ್ಲಿ ನಿಕಲ್ ಸಂಗ್ರಹವಾಗುವುದು ಕೃಷಿಯಂತಹ ಮಾನವಜನ್ಯ ಚಟುವಟಿಕೆಗಳಿಂದಾಗಿರಬಹುದು ಮತ್ತು ಸ್ಟೇನ್‌ಲೆಸ್ ಸ್ಟೀಲ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ ನಿಕಲ್‌ನ ಪ್ರಾಮುಖ್ಯತೆಯಿಂದಾಗಿರಬಹುದು78.
ಅಂಶಗಳ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆ [ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯನ್ನು ಆರ್ಕ್‌ಜಿಐಎಸ್ ಡೆಸ್ಕ್‌ಟಾಪ್ ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಇಎಸ್‌ಆರ್‌ಐ, ಇಂಕ್, ಆವೃತ್ತಿ 10.7, URL: https://desktop.arcgis.com).]
ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಅಂಶಗಳಿಗೆ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚ್ಯಂಕ ಫಲಿತಾಂಶಗಳನ್ನು ಕೋಷ್ಟಕ 2 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಮತ್ತೊಂದೆಡೆ, Ni ನ RMSE ಮತ್ತು MAE ಎರಡೂ ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರದಲ್ಲಿವೆ (0.86 RMSE, -0.08 MAE). ಮತ್ತೊಂದೆಡೆ, K ನ RMSE ಮತ್ತು MAE ಎರಡೂ ಮೌಲ್ಯಗಳು ಸ್ವೀಕಾರಾರ್ಹ. ಕ್ಯಾಲ್ಸಿಯಂ ಮತ್ತು ಮೆಗ್ನೀಸಿಯಮ್‌ಗೆ RMSE ಮತ್ತು MAE ಫಲಿತಾಂಶಗಳು ಹೆಚ್ಚಿದ್ದವು. ವಿಭಿನ್ನ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದಾಗಿ Ca ಮತ್ತು K MAE ಮತ್ತು RMSE ಫಲಿತಾಂಶಗಳು ದೊಡ್ಡದಾಗಿವೆ. Ni ಅನ್ನು ಊಹಿಸಲು EBK ಅನ್ನು ಬಳಸುವ ಈ ಅಧ್ಯಯನದ RMSE ಮತ್ತು MAE, ಸಂಗ್ರಹಿಸಿದ ಅದೇ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಮಣ್ಣಿನಲ್ಲಿ S ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಸಿನರ್ಜಿಸ್ಟಿಕ್ ಕ್ರಿಗಿಂಗ್ ಅನ್ನು ಬಳಸುವ ಜಾನ್ ಮತ್ತು ಇತರರು 54 ರ ಫಲಿತಾಂಶಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ. ನಾವು ಅಧ್ಯಯನ ಮಾಡಿದ EBK ಔಟ್‌ಪುಟ್‌ಗಳು ಫ್ಯಾಬಿಜಾಝಿಕ್ ಮತ್ತು ಇತರರು 41, ಯಾನ್ ಮತ್ತು ಇತರರು 79, ಬೆಗುಯಿನ್ ಮತ್ತು ಇತರರು 80, ಅಧಿಕಾರಿ ಮತ್ತು ಇತರರು 81 ಮತ್ತು ಜಾನ್ ಮತ್ತು ಇತರರು 82, ವಿಶೇಷವಾಗಿ K ಮತ್ತು Ni ರೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ.
ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಅಂಶವನ್ನು ಊಹಿಸಲು ಪ್ರತ್ಯೇಕ ವಿಧಾನಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಯಿತು (ಕೋಷ್ಟಕ 3). ಮಾದರಿ ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನವು EBK SVMR ಮಾದರಿಯೊಂದಿಗೆ ಸಂಯೋಜಿಸಲ್ಪಟ್ಟ Ca_Mg_K ಮುನ್ಸೂಚಕವು ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡಿದೆ ಎಂದು ದೃಢಪಡಿಸಿತು. ಮಾಪನಾಂಕ ನಿರ್ಣಯ ಮಾದರಿ Ca_Mg_K-EBK_SVMR ಮಾದರಿ R2, ಮೂಲ ಸರಾಸರಿ ವರ್ಗ ದೋಷ (RMSE) ಮತ್ತು ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) ಮತ್ತು 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) ಮತ್ತು 166.946 mg/kg (MAE) ಆಗಿತ್ತು. ಆದಾಗ್ಯೂ, Ca_Mg_K-SVMR (0.663 mg/kg R2) ಮತ್ತು Ca_Mg-EBK_SVMR ಗಾಗಿ ಉತ್ತಮ R2 ಮೌಲ್ಯಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. (0.643 = ಆರ್2); ಅವರ RMSE ಮತ್ತು MAE ಫಲಿತಾಂಶಗಳು Ca_Mg_K-EBK_SVMR (R2 0.637) ಗಿಂತ ಹೆಚ್ಚಿವೆ (ಕೋಷ್ಟಕ 3 ನೋಡಿ). ಇದರ ಜೊತೆಗೆ, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ಮತ್ತು MAE = 1031.49) ಮಾದರಿಯ RMSE ಮತ್ತು MAE ಕ್ರಮವಾಗಿ 17.5 ಮತ್ತು 13.4 ಆಗಿದ್ದು, ಅವು Ca_Mg_K-EBK_SVMR ಗಿಂತ ದೊಡ್ಡದಾಗಿವೆ. ಅದೇ ರೀತಿ, Ca_Mg-K SVMR (RMSE = 235.974 ಮತ್ತು MAE = 166.946) ಮಾದರಿಯ RMSE ಮತ್ತು MAE ಕ್ರಮವಾಗಿ Ca_Mg_K-EBK_SVMR RMSE ಮತ್ತು MAE ಗಿಂತ 2.5 ಮತ್ತು 2.2 ದೊಡ್ಡದಾಗಿವೆ. ಲೆಕ್ಕಾಚಾರ ಮಾಡಿದ RMSE ಫಲಿತಾಂಶಗಳು ಡೇಟಾ ಸೆಟ್ ಅತ್ಯುತ್ತಮ ಫಿಟ್‌ನ ರೇಖೆಯೊಂದಿಗೆ ಎಷ್ಟು ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ RSME ಮತ್ತು MAE ಅನ್ನು ಗಮನಿಸಲಾಗಿದೆ. ಕೆಬೊನ್ಯೆ ಮತ್ತು ಇತರರ ಪ್ರಕಾರ. 46 ಮತ್ತು ಜಾನ್ ಮತ್ತು ಇತರರು 54, RMSE ಮತ್ತು MAE ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರವಾದಷ್ಟೂ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳು ದೊರೆಯುತ್ತವೆ.SVMR ಮತ್ತು EBK_SVMR ಹೆಚ್ಚಿನ ಪರಿಮಾಣೀಕೃತ RSME ಮತ್ತು MAE ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿವೆ.RSME ಅಂದಾಜುಗಳು MAE ಮೌಲ್ಯಗಳಿಗಿಂತ ಸ್ಥಿರವಾಗಿ ಹೆಚ್ಚಿರುವುದನ್ನು ಗಮನಿಸಲಾಗಿದೆ, ಇದು ಹೊರಗಿನವರ ಉಪಸ್ಥಿತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.Legates ಮತ್ತು McCabe83 ಪ್ರಕಾರ, RMSE ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷವನ್ನು (MAE) ಮೀರುವ ಪ್ರಮಾಣವನ್ನು ಹೊರಗಿನವರ ಉಪಸ್ಥಿತಿಯ ಸೂಚಕವಾಗಿ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. ಇದರರ್ಥ ಡೇಟಾಸೆಟ್ ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯವಾಗಿದ್ದಷ್ಟೂ, MAE ಮತ್ತು RMSE ಮೌಲ್ಯಗಳು ಹೆಚ್ಚಾಗಿರುತ್ತವೆ. ನಗರ ಮತ್ತು ಉಪನಗರ ಮಣ್ಣುಗಳಲ್ಲಿ Ni ವಿಷಯವನ್ನು ಊಹಿಸಲು Ca_Mg_K-EBK_SVMR ಮಿಶ್ರ ಮಾದರಿಯ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಮೌಲ್ಯಮಾಪನದ ನಿಖರತೆ 63.70% ಆಗಿತ್ತು.Li ಮತ್ತು ಇತರರು 59 ರ ಪ್ರಕಾರ, ಈ ನಿಖರತೆಯ ಮಟ್ಟವು ಸ್ವೀಕಾರಾರ್ಹ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆಯ ದರವಾಗಿದೆ. ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶಗಳನ್ನು ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರು ನಡೆಸಿದ ಹಿಂದಿನ ಅಧ್ಯಯನಕ್ಕೆ ಹೋಲಿಸಲಾಗಿದೆ. 36 ಹೈಬ್ರಿಡ್ ಮಾದರಿಯು MLPRK (ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ರೆಸಿಡ್ಯುಯಲ್ ಕ್ರಿಗಿಂಗ್) ಅನ್ನು ರಚಿಸಿತು, ಇದು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ವರದಿಯಾದ EBK_SVMR ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನ ಸೂಚ್ಯಂಕಕ್ಕೆ ಸಂಬಂಧಿಸಿದೆ, RMSE (210) ಮತ್ತು MAE (167.5) ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ನಮ್ಮ ಫಲಿತಾಂಶಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿದೆ (RMSE 95.479, MAE 77.368). ಆದಾಗ್ಯೂ, ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ R2 (0.637) ಅನ್ನು ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರೊಂದಿಗೆ ಹೋಲಿಸಿದಾಗ. 36 (0.544), ಈ ಮಿಶ್ರ ಮಾದರಿಯಲ್ಲಿ ನಿರ್ಣಯದ ಗುಣಾಂಕ (R2) ಹೆಚ್ಚಾಗಿದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಮಿಶ್ರ ಮಾದರಿಗೆ ದೋಷದ ಅಂಚು (RMSE ಮತ್ತು MAE) (EBK SVMR) ಎರಡು ಪಟ್ಟು ಕಡಿಮೆಯಾಗಿದೆ. ಅದೇ ರೀತಿ, ಸೆರ್ಗೆವ್ ಮತ್ತು ಇತರರು 34 ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಹೈಬ್ರಿಡ್ ಮಾದರಿಗೆ (ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ರೆಸಿಡ್ಯುಯಲ್ ಕ್ರಿಗಿಂಗ್) 0.28 (R2) ದಾಖಲಿಸಿದ್ದಾರೆ, ಆದರೆ ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ Ni 0.637 (R2) ದಾಖಲಿಸಿದ್ದಾರೆ. ಈ ಮಾದರಿಯ (EBK SVMR) ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯ ಮಟ್ಟವು 63.7% ಆಗಿದೆ, ಆದರೆ ಸೆರ್ಗೆವ್ ಮತ್ತು ಇತರರು 34 ಪಡೆದ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯು 28% ಆಗಿದೆ. ಅಂತಿಮ ನಕ್ಷೆ (ಚಿತ್ರ 5) EBK_SVMR ಮಾದರಿ ಮತ್ತು Ca_Mg_K ಅನ್ನು ಮುನ್ಸೂಚಕವಾಗಿ ಬಳಸಿಕೊಂಡು ರಚಿಸಲಾಗಿದೆ, ಇದು ಸಂಪೂರ್ಣ ಅಧ್ಯಯನ ಪ್ರದೇಶದ ಮೇಲೆ ಹಾಟ್ ಸ್ಪಾಟ್‌ಗಳು ಮತ್ತು ಮಧ್ಯಮದಿಂದ ನಿಕಲ್‌ವರೆಗಿನ ಮುನ್ಸೂಚನೆಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ಇದರರ್ಥ ಅಧ್ಯಯನ ಪ್ರದೇಶದಲ್ಲಿ ನಿಕಲ್‌ನ ಸಾಂದ್ರತೆಯು ಮುಖ್ಯವಾಗಿ ಮಧ್ಯಮವಾಗಿದ್ದು, ಕೆಲವು ನಿರ್ದಿಷ್ಟ ಪ್ರದೇಶಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಾಂದ್ರತೆಯನ್ನು ಹೊಂದಿದೆ.
ಅಂತಿಮ ಭವಿಷ್ಯ ನಕ್ಷೆಯನ್ನು ಹೈಬ್ರಿಡ್ ಮಾದರಿ EBK_SVMR ಬಳಸಿ ಮತ್ತು Ca_Mg_K ಅನ್ನು ಮುನ್ಸೂಚಕವಾಗಿ ಬಳಸಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ.[ ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯನ್ನು RStudio ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಆವೃತ್ತಿ 1.4.1717: https://www.rstudio.com/).]
ಚಿತ್ರ 6 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ PTE ಸಾಂದ್ರತೆಗಳು ಪ್ರತ್ಯೇಕ ನರಕೋಶಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಯೋಜನೆಯ ಸಮತಲವಾಗಿದೆ. ತೋರಿಸಿರುವಂತೆ ಯಾವುದೇ ಘಟಕ ಸಮತಲಗಳು ಒಂದೇ ರೀತಿಯ ಬಣ್ಣದ ಮಾದರಿಯನ್ನು ಪ್ರದರ್ಶಿಸಲಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಚಿತ್ರಿಸಿದ ನಕ್ಷೆಗೆ ಸೂಕ್ತವಾದ ನ್ಯೂರಾನ್‌ಗಳ ಸಂಖ್ಯೆ 55.SeOM ಅನ್ನು ವಿವಿಧ ಬಣ್ಣಗಳನ್ನು ಬಳಸಿ ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಬಣ್ಣ ಮಾದರಿಗಳು ಹೆಚ್ಚು ಹೋಲುತ್ತವೆ, ಮಾದರಿಗಳ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೆಚ್ಚು ಹೋಲಿಸಬಹುದು. ಅವುಗಳ ನಿಖರವಾದ ಬಣ್ಣ ಮಾಪಕದ ಪ್ರಕಾರ, ಪ್ರತ್ಯೇಕ ಅಂಶಗಳು (Ca, K, ಮತ್ತು Mg) ಏಕ ಉನ್ನತ ನರಕೋಶಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಕಡಿಮೆ ನರಕೋಶಗಳಿಗೆ ಹೋಲುವ ಬಣ್ಣ ಮಾದರಿಗಳನ್ನು ತೋರಿಸಿದವು. ಹೀಗಾಗಿ, CaK ಮತ್ತು CaMg ಬಹಳ ಉನ್ನತ-ಕ್ರಮದ ನರಕೋಶಗಳು ಮತ್ತು ಕಡಿಮೆ-ಮಧ್ಯಮ ಬಣ್ಣದ ಮಾದರಿಗಳೊಂದಿಗೆ ಕೆಲವು ಹೋಲಿಕೆಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ. ಎರಡೂ ಮಾದರಿಗಳು ಕೆಂಪು, ಕಿತ್ತಳೆ ಮತ್ತು ಹಳದಿಯಂತಹ ಮಧ್ಯಮದಿಂದ ಹೆಚ್ಚಿನ ಬಣ್ಣಗಳ ಬಣ್ಣಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವ ಮೂಲಕ ಮಣ್ಣಿನಲ್ಲಿ Ni ನ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸುತ್ತವೆ. KMg ಮಾದರಿಯು ನಿಖರವಾದ ಅನುಪಾತಗಳು ಮತ್ತು ಕಡಿಮೆಯಿಂದ ಮಧ್ಯಮ ಬಣ್ಣದ ತೇಪೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅನೇಕ ಹೆಚ್ಚಿನ ಬಣ್ಣದ ಮಾದರಿಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ. ಕಡಿಮೆಯಿಂದ ಹೆಚ್ಚಿನದಕ್ಕೆ ನಿಖರವಾದ ಬಣ್ಣ ಮಾಪಕದಲ್ಲಿ, ಮಾದರಿಯ ಘಟಕಗಳ ಸಮತಲ ವಿತರಣಾ ಮಾದರಿಯು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್‌ನ ಸಂಭಾವ್ಯ ಸಾಂದ್ರತೆಯನ್ನು ಸೂಚಿಸುವ ಹೆಚ್ಚಿನ ಬಣ್ಣದ ಮಾದರಿಯನ್ನು ತೋರಿಸಿದೆ (ಚಿತ್ರ 4 ನೋಡಿ). CakMg ಮಾದರಿ ಘಟಕ ಸಮತಲವು ಕಡಿಮೆಯಿಂದ ಹೆಚ್ಚಿನದಕ್ಕೆ ವೈವಿಧ್ಯಮಯ ಬಣ್ಣ ಮಾದರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ ನಿಖರವಾದ ಬಣ್ಣ ಮಾಪಕಕ್ಕೆ. ಇದಲ್ಲದೆ, ಮಾದರಿಯ ನಿಕಲ್ ಅಂಶದ ಮುನ್ಸೂಚನೆ (CakMg) ಚಿತ್ರ 5 ರಲ್ಲಿ ತೋರಿಸಿರುವ ನಿಕಲ್‌ನ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ಹೋಲುತ್ತದೆ. ಎರಡೂ ಗ್ರಾಫ್‌ಗಳು ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯ ಹೆಚ್ಚಿನ, ಮಧ್ಯಮ ಮತ್ತು ಕಡಿಮೆ ಅನುಪಾತಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಚಿತ್ರ 7 ನಕ್ಷೆಯಲ್ಲಿನ k-ಮೀನ್ಸ್ ಗುಂಪಿನಲ್ಲಿ ಬಾಹ್ಯರೇಖೆ ವಿಧಾನವನ್ನು ಚಿತ್ರಿಸುತ್ತದೆ, ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿ ಊಹಿಸಲಾದ ಮೌಲ್ಯವನ್ನು ಆಧರಿಸಿ ಮೂರು ಸಮೂಹಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಬಾಹ್ಯರೇಖೆ ವಿಧಾನವು ಕ್ಲಸ್ಟರ್‌ಗಳ ಸೂಕ್ತ ಸಂಖ್ಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ಸಂಗ್ರಹಿಸಿದ 115 ಮಣ್ಣಿನ ಮಾದರಿಗಳಲ್ಲಿ, ವರ್ಗ 1 ಹೆಚ್ಚಿನ ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು ಪಡೆದುಕೊಂಡಿತು, 74. ಕ್ಲಸ್ಟರ್ 2 33 ಮಾದರಿಗಳನ್ನು ಪಡೆದುಕೊಂಡರೆ, ಕ್ಲಸ್ಟರ್ 3 8 ಮಾದರಿಗಳನ್ನು ಪಡೆದುಕೊಂಡಿದೆ. ಸರಿಯಾದ ಕ್ಲಸ್ಟರ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅನುಮತಿಸಲು ಏಳು-ಘಟಕ ಪ್ಲಾನರ್ ಪ್ರಿಡಿಕ್ಟರ್ ಸಂಯೋಜನೆಯನ್ನು ಸರಳೀಕರಿಸಲಾಗಿದೆ. ಮಣ್ಣಿನ ರಚನೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಹಲವಾರು ಮಾನವಜನ್ಯ ಮತ್ತು ನೈಸರ್ಗಿಕ ಪ್ರಕ್ರಿಯೆಗಳಿಂದಾಗಿ, ವಿತರಿಸಿದ SeOM ನಕ್ಷೆಯಲ್ಲಿ ಸರಿಯಾಗಿ ವಿಭಿನ್ನವಾದ ಕ್ಲಸ್ಟರ್ ಮಾದರಿಗಳನ್ನು ಹೊಂದಿರುವುದು ಕಷ್ಟ78.
ಪ್ರತಿಯೊಂದು ಎಂಪಿರಿಕಲ್ ಬೇಸಿಯನ್ ಕ್ರಿಗಿಂಗ್ ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (EBK_SVM_SeOM) ವೇರಿಯೇಬಲ್‌ನಿಂದ ಕಾಂಪೊನೆಂಟ್ ಪ್ಲೇನ್ ಔಟ್‌ಪುಟ್.[SEOM ನಕ್ಷೆಗಳನ್ನು RStudio ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಆವೃತ್ತಿ 1.4.1717: https://www.rstudio.com/).]
ವಿಭಿನ್ನ ಕ್ಲಸ್ಟರ್ ವರ್ಗೀಕರಣ ಘಟಕಗಳು [SeOM ನಕ್ಷೆಗಳನ್ನು RStudio ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಆವೃತ್ತಿ 1.4.1717: https://www.rstudio.com/).]
ಪ್ರಸ್ತುತ ಅಧ್ಯಯನವು ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಗಳಿಗೆ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸುತ್ತದೆ. ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಉತ್ತಮ ಮಾರ್ಗವನ್ನು ಪಡೆಯಲು, ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳೊಂದಿಗೆ ಅಂಶಗಳನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಅಧ್ಯಯನವು ವಿಭಿನ್ನ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಪರೀಕ್ಷಿಸಿತು. ಮಾಡೆಲಿಂಗ್ ತಂತ್ರದ SeOM ಸಂಯೋಜನೆಯ ಪ್ಲ್ಯಾನರ್ ಪ್ರಾದೇಶಿಕ ವೈಶಿಷ್ಟ್ಯಗಳು ನಿಖರವಾದ ಬಣ್ಣ ಪ್ರಮಾಣದಲ್ಲಿ ಕಡಿಮೆಯಿಂದ ಹೆಚ್ಚಿನದಕ್ಕೆ ಹೆಚ್ಚಿನ ಬಣ್ಣದ ಮಾದರಿಯನ್ನು ಪ್ರದರ್ಶಿಸಿದವು, ಇದು ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯು EBK_SVMR ಪ್ರದರ್ಶಿಸಿದ ಘಟಕಗಳ ಪ್ಲ್ಯಾನರ್ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ (ಚಿತ್ರ 5 ನೋಡಿ). ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರ ಹಿಂಜರಿತ ಮಾದರಿ (Ca Mg K-SVMR) ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಒಂದೇ ಮಾದರಿಯಾಗಿ ಊಹಿಸುತ್ತದೆ ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ, ಆದರೆ ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನ ನಿಯತಾಂಕಗಳು RMSE ಮತ್ತು MAE ವಿಷಯದಲ್ಲಿ ಅತಿ ಹೆಚ್ಚಿನ ದೋಷಗಳನ್ನು ತೋರಿಸುತ್ತವೆ. ಮತ್ತೊಂದೆಡೆ, EBK_MLR ಮಾದರಿಯೊಂದಿಗೆ ಬಳಸಲಾದ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರವು ನಿರ್ಣಯದ ಗುಣಾಂಕದ (R2) ಕಡಿಮೆ ಮೌಲ್ಯದಿಂದಾಗಿ ದೋಷಪೂರಿತವಾಗಿದೆ. 63.7% ನಿಖರತೆಯೊಂದಿಗೆ ಕಡಿಮೆ RMSE ಮತ್ತು MAE ದೋಷಗಳೊಂದಿಗೆ EBK SVMR ಮತ್ತು ಸಂಯೋಜಿತ ಅಂಶಗಳನ್ನು (CaKMg) ಬಳಸಿಕೊಂಡು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ ಹೊಂದಿರುವ EBK ಅಲ್ಗಾರಿದಮ್ ಮಣ್ಣಿನಲ್ಲಿ PTE ಗಳ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಬಲ್ಲ ಹೈಬ್ರಿಡ್ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಉತ್ಪಾದಿಸಬಹುದು. ಅಧ್ಯಯನ ಪ್ರದೇಶದಲ್ಲಿ Ni ಸಾಂದ್ರತೆಗಳನ್ನು ಊಹಿಸಲು ಮುನ್ಸೂಚಕಗಳಾಗಿ Ca Mg K ಅನ್ನು ಬಳಸುವುದರಿಂದ ಮಣ್ಣಿನಲ್ಲಿ Ni ನ ಮುನ್ಸೂಚನೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ. ಇದರರ್ಥ ನಿಕಲ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ನಿರಂತರ ಅನ್ವಯಿಕೆ ಮತ್ತು ಉಕ್ಕಿನ ಉದ್ಯಮದಿಂದ ಮಣ್ಣಿನ ಕೈಗಾರಿಕಾ ಮಾಲಿನ್ಯವು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿದೆ. ಈ ಅಧ್ಯಯನವು EBK ಮಾದರಿಯು ದೋಷದ ಮಟ್ಟವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ನಗರ ಅಥವಾ ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ಮಣ್ಣಿನ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯ ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ ಎಂದು ಬಹಿರಂಗಪಡಿಸಿದೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಮಣ್ಣಿನಲ್ಲಿ PTE ಅನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಊಹಿಸಲು ನಾವು EBK-SVMR ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸಲು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ; ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಿವಿಧ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳೊಂದಿಗೆ ಹೈಬ್ರಿಡೈಸ್ ಮಾಡಲು EBK ಅನ್ನು ಬಳಸಲು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಅಂಶಗಳನ್ನು ಕೋವೇರಿಯೇಟ್‌ಗಳಾಗಿ ಬಳಸಿಕೊಂಡು Ni ಸಾಂದ್ರತೆಗಳನ್ನು ಊಹಿಸಲಾಗಿದೆ; ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ ಕೋವೇರಿಯೇಟ್‌ಗಳನ್ನು ಬಳಸುವುದರಿಂದ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯು ಹೆಚ್ಚು ಸುಧಾರಿಸುತ್ತದೆ, ಇದನ್ನು ಪ್ರಸ್ತುತ ಕೆಲಸದ ಮಿತಿ ಎಂದು ಪರಿಗಣಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದ ಮತ್ತೊಂದು ಮಿತಿಯೆಂದರೆ ಡೇಟಾಸೆಟ್‌ಗಳ ಸಂಖ್ಯೆ 115. ಆದ್ದರಿಂದ, ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಒದಗಿಸಿದರೆ, ಪ್ರಸ್ತಾವಿತ ಆಪ್ಟಿಮೈಸ್ಡ್ ಹೈಬ್ರಿಡೈಸೇಶನ್ ವಿಧಾನದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು.
ಸಸ್ಯಗಳು ಮತ್ತು ಮಣ್ಣಿನಲ್ಲಿ PlantProbs.net. ನಿಕಲ್ https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ಏಪ್ರಿಲ್ 2021 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ).
ಕ್ಯಾಸ್ಪ್ರಜಾಕ್, ಕೆ.ಎಸ್. ನಿಕಲ್ ಆಧುನಿಕ ಪರಿಸರ ವಿಷಶಾಸ್ತ್ರದಲ್ಲಿ ಪ್ರಗತಿ.ಸುತ್ತಮುತ್ತಲು. ವಿಷಶಾಸ್ತ್ರ.11, 145–183 (1987).
ಸೆಂಪೆಲ್, ಎಂ. & ನಿಕೆಲ್, ಜಿ. ನಿಕೆಲ್: ಅದರ ಮೂಲಗಳು ಮತ್ತು ಪರಿಸರ ವಿಷಶಾಸ್ತ್ರದ ವಿಮರ್ಶೆ. ಪೋಲಿಷ್ ಜೆ. ಪರಿಸರ. ಅಧ್ಯಯನ ವಿಭಾಗ. 15, 375–382 (2006).
ಫ್ರೀಡ್‌ಮನ್, ಬಿ. & ಹಚಿನ್ಸನ್, ಟಿಸಿ ಕೆನಡಾದ ಒಂಟಾರಿಯೊದ ಸಡ್‌ಬರಿಯಲ್ಲಿರುವ ನಿಕಲ್-ತಾಮ್ರ ಕರಗಿಸುವ ಘಟಕದ ಬಳಿ ಮಣ್ಣು ಮತ್ತು ಸಸ್ಯವರ್ಗದಲ್ಲಿ ವಾತಾವರಣ ಮತ್ತು ಸಂಗ್ರಹಣೆಯಿಂದ ಮಾಲಿನ್ಯಕಾರಕಗಳ ಒಳಹರಿವು.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
ಮಾನ್ಯಿವಾ, ಟಿ. ಮತ್ತು ಇತರರು. ಮಣ್ಣಿನಲ್ಲಿರುವ ಭಾರವಾದ ಲೋಹಗಳು, ಸಸ್ಯಗಳು ಮತ್ತು ಬೋಟ್ಸ್ವಾನಾದ ಸೆಲೆಬಿ-ಫಿಕ್ವೆ ತಾಮ್ರ-ನಿಕ್ಕಲ್ ಗಣಿ ಬಳಿ ಮೇಯುವ ರೂಮಿನಂಟ್‌ಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಅಪಾಯಗಳು. ಸುತ್ತಮುತ್ತಲಿನ ಪ್ರದೇಶಗಳು. ಭೂರಸಾಯನಶಾಸ್ತ್ರ. ಆರೋಗ್ಯ https://doi.org/10.1007/s10653-021-00918-x (2021).
ಕ್ಯಾಬಾಟಾ-ಪೆಂಡಿಯಾಸ್.ಕಬಾಟಾ-ಪೆಂಡಿಯಾಸ್ ಎ. 2011. ಮಣ್ಣಿನಲ್ಲಿ ಜಾಡಿನ ಅಂಶಗಳು ಮತ್ತು… – ಗೂಗಲ್ ಸ್ಕಾಲರ್ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+ಮಣ್ಣು+ಮತ್ತು+ಸಸ್ಯಗಳಲ್ಲಿ+ಟ್ರೇಸ್+ಎಲಿಮೆಂಟ್ಸ್.+4ನೇ+ಸಂಪಾದನೆ.+ನ್ಯೂ+ಯಾರ್ಕ್+%28NY%29%3A+CRC+ಪ್ರೆಸ್&btnG= (24 ನವೆಂಬರ್ 2020 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ).
ಅಲ್ಮಾಸ್, ಎ., ಸಿಂಗ್, ಬಿ., ಕೃಷಿ, ಟಿಎಸ್-ಎನ್‌ಜೆ ಆಫ್ & 1995, ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿಲ್ಲ. ನಾರ್ವೆಯ ಸೋಯರ್-ವಾರಂಜರ್‌ನಲ್ಲಿ ಕೃಷಿ ಮಣ್ಣು ಮತ್ತು ಹುಲ್ಲುಗಳಲ್ಲಿನ ಭಾರ ಲೋಹದ ಸಾಂದ್ರತೆಯ ಮೇಲೆ ರಷ್ಯಾದ ನಿಕಲ್ ಉದ್ಯಮದ ಪರಿಣಾಮಗಳು.agris.fao.org.
ನೀಲ್ಸನ್, ಜಿಡಿ ಮತ್ತು ಇತರರು. ಕುಡಿಯುವ ನೀರಿನಲ್ಲಿ ನಿಕಲ್ ಹೀರಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಧಾರಣವು ಆಹಾರ ಸೇವನೆ ಮತ್ತು ನಿಕಲ್ ಸೂಕ್ಷ್ಮತೆಗೆ ಸಂಬಂಧಿಸಿದೆ. ವಿಷಶಾಸ್ತ್ರ. ಅನ್ವಯ. ಫಾರ್ಮಾಕೊಡೈನಾಮಿಕ್ಸ್.154, 67–75 (1999).
ಕೋಸ್ಟಾ, ಎಂ. & ಕ್ಲೈನ್, ಸಿಬಿ ನಿಕಲ್ ಕಾರ್ಸಿನೋಜೆನೆಸಿಸ್, ರೂಪಾಂತರ, ಎಪಿಜೆನೆಟಿಕ್ಸ್ ಅಥವಾ ಆಯ್ಕೆ. ಸುತ್ತಮುತ್ತಲಿನ ಪ್ರದೇಶಗಳು. ಆರೋಗ್ಯ ದೃಷ್ಟಿಕೋನ. 107, 2 (1999).
ಅಜ್ಮಾನ್, ಪಿಸಿ; ಅಜಾಡೊ, ಎಸ್‌ಕೆ; ಬೊರುವ್ಕಾ, ಎಲ್.; ಬಿನಿ, ಜೆಕೆಎಂ; ಸರ್ಕೋಡಿ, ವಿವೈಒ; ಕೊಬೊನ್ಯೆ, ಎನ್ಎಂ; ಸಂಭಾವ್ಯ ವಿಷಕಾರಿ ಅಂಶಗಳ ಪ್ರವೃತ್ತಿ ವಿಶ್ಲೇಷಣೆ: ಗ್ರಂಥಸೂಚಿ ವಿಮರ್ಶೆ. ಪರಿಸರ ಭೂರಸಾಯನಶಾಸ್ತ್ರ ಮತ್ತು ಆರೋಗ್ಯ. ಸ್ಪ್ರಿಂಗರ್ ಸೈನ್ಸ್ & ಬಿಸಿನೆಸ್ ಮೀಡಿಯಾ ಬಿವಿ 2020.https://doi.org/10.1007/s10653-020-00742-9.
ಮಿನಾಸ್ನಿ, ಬಿ. & ಮೆಕ್‌ಬ್ರಾಟ್ನಿ, ಎಬಿ ಡಿಜಿಟಲ್ ಸಾಯಿಲ್ ಮ್ಯಾಪಿಂಗ್: ಎ ಬ್ರೀಫ್ ಹಿಸ್ಟರಿ ಅಂಡ್ ಸಮ್ ಲೆಸನ್ಸ್. ಜಿಯೋಡರ್ಮಾ 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ಆನ್ ಡಿಜಿಟಲ್ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್
Deutsch.CV ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಜಲಾಶಯ ಮಾಡೆಲಿಂಗ್,… – 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 ಏಪ್ರಿಲ್ 2021 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ).