ຂອບໃຈທີ່ທ່ານເຂົ້າມາຢ້ຽມຊົມ Nature.com. ໂປຣແກຣມທ່ອງເວັບລຸ້ນທີ່ທ່ານກຳລັງໃຊ້ຢູ່ມີການຮອງຮັບ CSS ທີ່ຈຳກັດ. ເພື່ອປະສົບການທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ທ່ານໃຊ້ໂປຣແກຣມທ່ອງເວັບທີ່ອັບເດດແລ້ວ (ຫຼືປິດໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນລະຫວ່າງນີ້, ເພື່ອຮັບປະກັນການສະໜັບສະໜູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາຈະສະແດງເວັບໄຊໂດຍບໍ່ມີຮູບແບບ ແລະ JavaScript.
ມົນລະພິດໃນດິນເປັນບັນຫາໃຫຍ່ທີ່ເກີດຈາກກິດຈະກຳຂອງມະນຸດ. ການແຈກຢາຍທາງພື້ນທີ່ຂອງອົງປະກອບທີ່ອາດເປັນພິດ (PTEs) ແຕກຕ່າງກັນໄປໃນເຂດຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງສ່ວນໃຫຍ່. ດັ່ງນັ້ນ, ມັນຍາກທີ່ຈະຄາດຄະເນປະລິມານຂອງ PTEs ໃນດິນດັ່ງກ່າວໃນທາງພື້ນທີ່. ຕົວຢ່າງທັງໝົດ 115 ຕົວຢ່າງໄດ້ຮັບຈາກ Frydek Mistek ໃນສາທາລະນະລັດເຊັກ. ຄວາມເຂັ້ມຂຸ້ນຂອງແຄວຊຽມ (Ca), ແມກນີຊຽມ (Mg), ໂພແທດຊຽມ (K) ແລະ ນິກເກີນ (Ni) ໄດ້ຖືກກຳນົດໂດຍໃຊ້ເຄື່ອງວັດແທກການປ່ອຍອາຍພິດ plasma ຄູ່ກັບອິນດັກທີບ. ຕົວແປຕອບສະໜອງແມ່ນ Ni ແລະຕົວຄາດເດົາແມ່ນ Ca, Mg, ແລະ K. ມາຕຣິກສສະຫະສຳພັນລະຫວ່າງຕົວແປຕອບສະໜອງ ແລະ ຕົວຄາດເດົາສະແດງໃຫ້ເຫັນສະຫະສຳພັນທີ່ໜ້າພໍໃຈລະຫວ່າງອົງປະກອບຕ່າງໆ. ຜົນການຄາດຄະເນສະແດງໃຫ້ເຫັນວ່າ Support Vector Machine Regression (SVMR) ມີປະສິດທິພາບດີ, ເຖິງແມ່ນວ່າຄວາມຜິດພາດຂອງຄ່າສະເລ່ຍຮາກກຳລັງສອງ (RMSE) (235.974 ມກ/ກກ) ແລະ ຄວາມຜິດພາດຢ່າງແທ້ຈິງສະເລ່ຍ (MAE) (166.946 ມກ/ກກ) ສູງກວ່າວິທີການອື່ນໆທີ່ນຳໃຊ້. ຮູບແບບປະສົມສຳລັບ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ມີປະສິດທິພາບ. ບໍ່ດີ, ດັ່ງທີ່ເຫັນໄດ້ຈາກຄ່າສຳປະສິດຂອງການກຳນົດໜ້ອຍກວ່າ 0.1. ຮູບແບບ Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ແມ່ນຮູບແບບທີ່ດີທີ່ສຸດ, ໂດຍມີຄ່າ RMSE ຕ່ຳ (95.479 mg/kg) ແລະ MAE (77.368 mg/kg) ແລະ ຄ່າສຳປະສິດຂອງການກຳນົດສູງ (R2 = 0.637). ຜົນຜະລິດຂອງເຕັກນິກການສ້າງແບບຈຳລອງ EBK-SVMR ແມ່ນສະແດງພາບໂດຍໃຊ້ແຜນທີ່ຈັດລະບຽບຕົນເອງ. ເຊວປະສາດທີ່ຈັດກຸ່ມຢູ່ໃນລະນາບຂອງອົງປະກອບ CakMg-EBK-SVMR ຂອງຮູບແບບປະສົມສະແດງຮູບແບບສີຫຼາຍສີທີ່ຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າການລວມ EBK ແລະ SVMR ແມ່ນເຕັກນິກທີ່ມີປະສິດທິພາບສຳລັບການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງ.
ນິກເກີນ (Ni) ຖືກຖືວ່າເປັນສານອາຫານຈຸລະພາກສຳລັບພືດ ເພາະມັນປະກອບສ່ວນເຂົ້າໃນການກຳນົດໄນໂຕຣເຈນໃນບັນຍາກາດ (N) ແລະ ການເຜົາຜານຢູເຣຍ, ເຊິ່ງທັງສອງຢ່າງນີ້ແມ່ນຈຳເປັນສຳລັບການແຕກງອກຂອງແກ່ນ. ນອກເໜືອໄປຈາກການປະກອບສ່ວນເຂົ້າໃນການແຕກງອກຂອງແກ່ນ, ໄນຍັງສາມາດເຮັດໜ້າທີ່ເປັນຕົວຍັບຍັ້ງເຊື້ອລາ ແລະ ເຊື້ອແບັກທີເຣຍ ແລະ ສົ່ງເສີມການພັດທະນາຂອງພືດ. ການຂາດນິກເກີນໃນດິນຊ່ວຍໃຫ້ພືດດູດຊຶມມັນໄດ້, ເຊິ່ງເຮັດໃຫ້ເກີດການເກີດການແຂງຕົວຂອງໃບ. ຕົວຢ່າງ, ຖົ່ວລຽນ ແລະ ຖົ່ວຂຽວຕ້ອງການການໃຊ້ປຸ໋ຍທີ່ມີນິກເກີນເພື່ອປັບປຸງການກຳນົດໄນໂຕຣເຈນ2. ການໃຊ້ປຸ໋ຍທີ່ມີນິກເກີນຢ່າງຕໍ່ເນື່ອງເພື່ອເຮັດໃຫ້ດິນອຸດົມສົມບູນ ແລະ ເພີ່ມຄວາມສາມາດຂອງພືດຕະກຸນຖົ່ວໃນການກຳນົດໄນໂຕຣເຈນໃນດິນຢ່າງຕໍ່ເນື່ອງຈະເພີ່ມຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນ. ເຖິງແມ່ນວ່ານິກເກີນເປັນສານອາຫານຈຸລະພາກສຳລັບພືດ, ແຕ່ການໄດ້ຮັບຫຼາຍເກີນໄປໃນດິນສາມາດເຮັດໃຫ້ເກີດອັນຕະລາຍຫຼາຍກວ່າຜົນປະໂຫຍດ. ຄວາມເປັນພິດຂອງນິກເກີນໃນດິນຫຼຸດຜ່ອນຄ່າ pH ຂອງດິນ ແລະ ຂັດຂວາງການດູດຊຶມທາດເຫຼັກເປັນສານອາຫານທີ່ຈຳເປັນສຳລັບການຈະເລີນເຕີບໂຕຂອງພືດ1. ອີງຕາມ Liu3, ໄນໄດ້ຖືກພົບເຫັນວ່າເປັນອົງປະກອບສຳຄັນອັນດັບທີ 17 ທີ່ຕ້ອງການສຳລັບການພັດທະນາ ແລະ ການເຕີບໂຕຂອງພືດ. ນອກເໜືອໄປຈາກບົດບາດຂອງນິກເກີນໃນການພັດທະນາ ແລະ ການເຕີບໂຕຂອງພືດ, ມະນຸດຕ້ອງການມັນສຳລັບການນຳໃຊ້ທີ່ຫຼາກຫຼາຍ. ການຜະລິດນິກເກີນດ້ວຍໄຟຟ້າ ໂລຫະປະສົມ, ແລະ ການຜະລິດອຸປະກອນຈູດໄຟ ແລະ ຫົວທຽນໄຟໃນອຸດສາຫະກຳລົດຍົນລ້ວນແຕ່ຮຽກຮ້ອງໃຫ້ມີການນຳໃຊ້ນິກເກີນໃນຂະແໜງອຸດສາຫະກຳຕ່າງໆ. ນອກຈາກນັ້ນ, ໂລຫະປະສົມນິກເກີນ ແລະ ຜະລິດຕະພັນທີ່ເຄືອບດ້ວຍໄຟຟ້າໄດ້ຖືກນຳໃຊ້ຢ່າງກວ້າງຂວາງໃນເຄື່ອງຄົວ, ອຸປະກອນເສີມຫ້ອງເຕັ້ນລຳ, ການສະໜອງອຸດສາຫະກຳອາຫານ, ໄຟຟ້າ, ສາຍໄຟ ແລະ ສາຍເຄເບີ້ນ, ກັງຫັນລົມ, ການຝັງເຂັມຜ່າຕັດ, ແຜ່ນແພ, ແລະ ການກໍ່ສ້າງເຮືອ5. ລະດັບຄວາມອຸດົມສົມບູນຂອງ Ni ໃນດິນ (ເຊັ່ນ: ດິນໜ້າດິນ) ໄດ້ຖືກກ່າວເຖິງທັງແຫຼ່ງທີ່ມະນຸດສ້າງຂຶ້ນ ແລະ ແຫຼ່ງທຳມະຊາດ, ແຕ່ຕົ້ນຕໍແມ່ນ Ni ເປັນແຫຼ່ງທຳມະຊາດຫຼາຍກວ່າແຫຼ່ງທີ່ມະນຸດສ້າງຂຶ້ນ4,6. ແຫຼ່ງທຳມະຊາດຂອງນິກເກີນປະກອບມີການລະເບີດຂອງພູເຂົາໄຟ, ພືດພັນ, ໄຟໄໝ້ປ່າ, ແລະ ຂະບວນການທາງທໍລະນີວິທະຍາ; ຢ່າງໃດກໍຕາມ, ແຫຼ່ງທີ່ມະນຸດສ້າງຂຶ້ນລວມມີແບັດເຕີຣີນິກເກີນ/ແຄດມຽມໃນອຸດສາຫະກຳເຫຼັກກ້າ, ການເຄືອບດ້ວຍໄຟຟ້າ, ການເຊື່ອມໂລຫະດ້ວຍໄຟຟ້າ, ນ້ຳມັນກາຊວນ ແລະ ນ້ຳມັນເຊື້ອໄຟ, ແລະ ການປ່ອຍອາຍພິດຈາກບັນຍາກາດຈາກການເຜົາໄໝ້ຖ່ານຫີນ ແລະ ການເຜົາໄໝ້ສິ່ງເສດເຫຼືອ ແລະ ຂີ້ຕົມ7,8. ອີງຕາມ Freedman ແລະ Hutchinson9 ແລະ Manyiwa et al. 10, ແຫຼ່ງຕົ້ນຕໍຂອງມົນລະພິດດິນໜ້າດິນໃນສະພາບແວດລ້ອມທີ່ຢູ່ໃກ້ຄຽງ ແລະ ໃກ້ຄຽງສ່ວນໃຫຍ່ແມ່ນໂຮງງານຫຼອມໂລຫະ ແລະ ບໍ່ແຮ່ທີ່ມີນິກເກີນ-ທອງແດງເປັນສ່ວນປະກອບຫຼັກ. ດິນໜ້າດິນອ້ອມຮອບໂຮງກັ່ນນິກເກີນ-ທອງແດງ Sudbury ໃນການາດາມີລະດັບການປົນເປື້ອນນິກເກີນສູງສຸດທີ່ 26,000 ມກ/ກກ11. ໃນທາງກົງກັນຂ້າມ, ມົນລະພິດຈາກການຜະລິດນິກເກີນໃນຣັດເຊຍໄດ້ເຮັດໃຫ້ຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນສູງຂຶ້ນໃນດິນຂອງນໍເວ11. ອີງຕາມ Alms et al. 12, ປະລິມານນິກເກີນທີ່ສະກັດຈາກ HNO3 ໃນເນື້ອທີ່ດິນປູກຝັງຊັ້ນນຳຂອງພາກພື້ນ (ການຜະລິດນິກເກີນໃນຣັດເຊຍ) ມີຕັ້ງແຕ່ 6.25 ຫາ 136.88 ມກ/ກກ, ເຊິ່ງກົງກັບຄ່າສະເລ່ຍ 30.43 ມກ/ກກ ແລະ ຄວາມເຂັ້ມຂຸ້ນເບື້ອງຕົ້ນ 25 ມກ/ກກ. ອີງຕາມ kabata 11, ການໃຊ້ປຸ໋ຍຟອສຟໍຣັດໃນດິນກະສິກຳໃນດິນຕົວເມືອງ ຫຼື ດິນອ້ອມຮອບຕົວເມືອງໃນລະດູການປູກພືດຕໍ່ໆກັນສາມາດຊຶມເຂົ້າ ຫຼື ປົນເປື້ອນດິນໄດ້. ຜົນກະທົບທີ່ອາດເກີດຂຶ້ນຈາກນິກເກີນໃນມະນຸດອາດຈະນຳໄປສູ່ມະເຮັງຜ່ານການກາຍພັນ, ຄວາມເສຍຫາຍຂອງໂຄໂມໂຊມ, ການສ້າງ Z-DNA, ການສ້ອມແປງການຕັດ DNA ທີ່ຖືກບລັອກ, ຫຼື ຂະບວນການ epigenetic13. ໃນການທົດລອງກັບສັດ, ນິກເກີນໄດ້ຖືກພົບເຫັນວ່າມີທ່າແຮງທີ່ຈະເຮັດໃຫ້ເກີດເນື້ອງອກຫຼາຍຊະນິດ, ແລະ ສະລັບສັບຊ້ອນນິກເກີນທີ່ເຮັດໃຫ້ເກີດມະເຮັງອາດຈະເຮັດໃຫ້ເນື້ອງອກດັ່ງກ່າວຮ້າຍແຮງຂຶ້ນ.
ການປະເມີນການປົນເປື້ອນຂອງດິນໄດ້ຈະເລີນຮຸ່ງເຮືອງໃນຊ່ວງເວລາທີ່ຜ່ານມາ ເນື່ອງຈາກບັນຫາທີ່ກ່ຽວຂ້ອງກັບສຸຂະພາບຫຼາຍຢ່າງທີ່ເກີດຂຶ້ນຈາກຄວາມສຳພັນລະຫວ່າງດິນກັບພືດ, ຄວາມສຳພັນທາງຊີວະວິທະຍາຂອງດິນ ແລະ ດິນ, ການເຊື່ອມໂຊມຂອງລະບົບນິເວດ, ແລະ ການປະເມີນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມ. ມາຮອດປະຈຸບັນ, ການຄາດຄະເນທາງພື້ນທີ່ຂອງອົງປະກອບທີ່ອາດເປັນພິດ (PTEs) ເຊັ່ນ Ni ໃນດິນແມ່ນມີຄວາມຫຍຸ້ງຍາກ ແລະ ໃຊ້ເວລາຫຼາຍໂດຍໃຊ້ວິທີການແບບດັ້ງເດີມ. ການມາເຖິງຂອງການສ້າງແຜນທີ່ດິນດິຈິຕອນ (DSM) ແລະ ຄວາມສຳເລັດໃນປະຈຸບັນຂອງມັນ15 ໄດ້ປັບປຸງການສ້າງແຜນທີ່ດິນແບບຄາດຄະເນ (PSM) ຢ່າງຫຼວງຫຼາຍ. ອີງຕາມ Minasny ແລະ McBratney16, ການສ້າງແຜນທີ່ດິນແບບຄາດຄະເນ (DSM) ໄດ້ພິສູດໃຫ້ເຫັນວ່າເປັນສາຂາວິຊາຍ່ອຍທີ່ໂດດເດັ່ນຂອງວິທະຍາສາດດິນ. Lagacherie ແລະ McBratney, 2006 ໄດ້ກຳນົດ DSM ວ່າເປັນ "ການສ້າງ ແລະ ການຕື່ມລະບົບຂໍ້ມູນດິນແບບແຜນທີ່ໂດຍຜ່ານການນຳໃຊ້ວິທີການສັງເກດການໃນສະຖານທີ່ ແລະ ຫ້ອງທົດລອງ ແລະ ລະບົບການອະນຸມານດິນແບບແຜນທີ່ ແລະ ບໍ່ແມ່ນແຜນທີ່". McBratney ແລະ ຄະນະ. 17 ອະທິບາຍວ່າ DSM ຫຼື PSM ໃນປະຈຸບັນແມ່ນເຕັກນິກທີ່ມີປະສິດທິພາບທີ່ສຸດສຳລັບການຄາດຄະເນ ຫຼື ສ້າງແຜນທີ່ການແຈກຢາຍທາງພື້ນທີ່ຂອງ PTEs, ປະເພດດິນ ແລະ ຄຸນສົມບັດຂອງດິນ. ສະຖິຕິພູມສາດ ແລະ ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (MLA) ແມ່ນເຕັກນິກການສ້າງແບບຈຳລອງ DSM ທີ່ສ້າງແຜນທີ່ດິຈິຕອນດ້ວຍຄວາມຊ່ວຍເຫຼືອຂອງຄອມພິວເຕີໂດຍໃຊ້ຂໍ້ມູນທີ່ສຳຄັນ ແລະ ໜ້ອຍທີ່ສຸດ.
Deutsch18 ແລະ Olea19 ກຳນົດ geostatistics ວ່າເປັນ "ການລວບລວມເຕັກນິກຕົວເລກທີ່ກ່ຽວຂ້ອງກັບການເປັນຕົວແທນຂອງຄຸນລັກສະນະທາງພື້ນທີ່, ສ່ວນໃຫຍ່ແມ່ນໃຊ້ຮູບແບບ stochastic, ເຊັ່ນວ່າວິທີການວິເຄາະຊຸດເວລາສະແດງລັກສະນະຂໍ້ມູນຊົ່ວຄາວ." ຕົ້ນຕໍ, geostatistics ກ່ຽວຂ້ອງກັບການປະເມີນຜົນຂອງ variograms, ເຊິ່ງອະນຸຍາດໃຫ້ວັດແທກ ແລະ ກຳນົດຄວາມຂຶ້ນກັບຄ່າທາງພື້ນທີ່ຈາກແຕ່ລະຊຸດຂໍ້ມູນ20.Gumiaux et al. 20 ສະແດງໃຫ້ເຫັນຕື່ມອີກວ່າການປະເມີນຜົນຂອງ variograms ໃນ geostatistics ແມ່ນອີງໃສ່ຫຼັກການສາມຢ່າງ, ລວມທັງ (ກ) ການຄິດໄລ່ຂະໜາດຂອງຄວາມສໍາພັນຂໍ້ມູນ, (ຂ) ການລະບຸ ແລະ ການຄິດໄລ່ anisotropy ໃນຄວາມແຕກຕ່າງຂອງຊຸດຂໍ້ມູນ ແລະ (ຄ) ນອກເໜືອໄປຈາກການຄໍານຶງເຖິງຄວາມຜິດພາດທີ່ມີຢູ່ໃນຂໍ້ມູນການວັດແທກທີ່ແຍກອອກຈາກຜົນກະທົບໃນທ້ອງຖິ່ນ, ຜົນກະທົບຂອງພື້ນທີ່ຍັງຖືກຄາດຄະເນ. ໂດຍອີງໃສ່ແນວຄວາມຄິດເຫຼົ່ານີ້, ເຕັກນິກການແຊກແຊງຫຼາຍຢ່າງຖືກນໍາໃຊ້ໃນ geostatistics, ລວມທັງ kriging ທົ່ວໄປ, co-kriging, ordinary kriging, empirical Bayesian kriging, ວິທີການ kriging ງ່າຍດາຍ ແລະ ເຕັກນິກການແຊກແຊງອື່ນໆທີ່ມີຊື່ສຽງເພື່ອສ້າງແຜນທີ່ ຫຼື ຄາດຄະເນ PTE, ລັກສະນະຂອງດິນ, ແລະ ປະເພດດິນ.
ອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກ (MLA) ແມ່ນເຕັກນິກທີ່ຂ້ອນຂ້າງໃໝ່ທີ່ໃຊ້ຫ້ອງຮຽນຂໍ້ມູນທີ່ບໍ່ແມ່ນເສັ້ນຊື່ຂະໜາດໃຫຍ່ກວ່າ, ເຊິ່ງໄດ້ຮັບແຮງຂັບເຄື່ອນຈາກອັລກໍຣິທຶມທີ່ໃຊ້ຕົ້ນຕໍສຳລັບການຂຸດຄົ້ນຂໍ້ມູນ, ການກຳນົດຮູບແບບໃນຂໍ້ມູນ, ແລະ ນຳໃຊ້ຊ້ຳແລ້ວຊ້ຳອີກໃນການຈັດປະເພດໃນຂົງເຂດວິທະຍາສາດເຊັ່ນ: ວິທະຍາສາດດິນ ແລະ ວຽກງານສົ່ງຄືນ. ເອກະສານຄົ້ນຄວ້າຈຳນວນຫຼາຍແມ່ນອີງໃສ່ຮູບແບບ MLA ເພື່ອຄາດຄະເນ PTE ໃນດິນ, ເຊັ່ນ Tan et al. 22 (ປ່າໄມ້ແບບສຸ່ມສຳລັບການປະເມີນໂລຫະໜັກໃນດິນກະສິກຳ), Sakizadeh et al. 23 (ການສ້າງແບບຈຳລອງໂດຍໃຊ້ເຄື່ອງຈັກເວັກເຕີສະໜັບສະໜູນ ແລະ ເຄືອຂ່າຍປະສາດທຽມ) ມົນລະພິດໃນດິນ). ນອກຈາກນັ້ນ, Vega et al. 24 (CART ສຳລັບການສ້າງແບບຈຳລອງການຮັກສາໂລຫະໜັກ ແລະ ການດູດຊຶມໃນດິນ) Sun et al. 25 (ການນຳໃຊ້ cubist ແມ່ນການແຈກຢາຍຂອງ Cd ໃນດິນ) ແລະ ອັລກໍຣິທຶມອື່ນໆເຊັ່ນ: k-nearest neighbor, generalized boosted regression, ແລະ boosted regression Trees ຍັງໄດ້ນຳໃຊ້ MLA ເພື່ອຄາດຄະເນ PTE ໃນດິນ.
ການນຳໃຊ້ອັລກໍຣິທຶມ DSM ໃນການຄາດຄະເນ ຫຼື ການສ້າງແຜນທີ່ປະເຊີນກັບສິ່ງທ້າທາຍຫຼາຍຢ່າງ. ຜູ້ຂຽນຫຼາຍຄົນເຊື່ອວ່າ MLA ດີກວ່າສະຖິຕິທາງພູມສາດ ແລະ ໃນທາງກັບກັນ. ເຖິງແມ່ນວ່າອັນໜຶ່ງດີກ່ວາອີກອັນໜຶ່ງ, ແຕ່ການລວມກັນຂອງສອງຢ່າງນີ້ຊ່ວຍປັບປຸງລະດັບຄວາມຖືກຕ້ອງຂອງການສ້າງແຜນທີ່ ຫຼື ການຄາດຄະເນໃນ DSM15. Woodcock ແລະ Gopal26 Finke27; Pontius ແລະ Cheuk28 ແລະ Grunwald29 ໃຫ້ຄວາມເຫັນກ່ຽວກັບຂໍ້ບົກຜ່ອງ ແລະ ຄວາມຜິດພາດບາງຢ່າງໃນການສ້າງແຜນທີ່ດິນທີ່ຄາດຄະເນໄວ້. ນັກວິທະຍາສາດດ້ານດິນໄດ້ພະຍາຍາມໃຊ້ເຕັກນິກຕ່າງໆເພື່ອເພີ່ມປະສິດທິພາບ, ຄວາມຖືກຕ້ອງ ແລະ ຄວາມສາມາດໃນການຄາດເດົາຂອງການສ້າງແຜນທີ່ ແລະ ການຄາດຄະເນຂອງ DSM. ການລວມກັນຂອງຄວາມບໍ່ແນ່ນອນ ແລະ ການຢັ້ງຢືນແມ່ນໜຶ່ງໃນຫຼາຍໆດ້ານທີ່ແຕກຕ່າງກັນທີ່ລວມເຂົ້າກັບ DSM ເພື່ອເພີ່ມປະສິດທິພາບ ແລະ ຫຼຸດຜ່ອນຂໍ້ບົກຜ່ອງ. ຢ່າງໃດກໍຕາມ, Agyeman et al.15 ໄດ້ລະບຸວ່າພຶດຕິກຳການກວດສອບ ແລະ ຄວາມບໍ່ແນ່ນອນທີ່ນຳສະເໜີໂດຍການສ້າງແຜນທີ່ ແລະ ການຄາດຄະເນຄວນໄດ້ຮັບການກວດສອບຢ່າງເປັນອິດສະຫຼະເພື່ອປັບປຸງຄຸນນະພາບຂອງແຜນທີ່. ຂໍ້ຈຳກັດຂອງ DSM ແມ່ນຍ້ອນຄຸນນະພາບຂອງດິນທີ່ກະແຈກກະຈາຍທາງພູມສາດ, ເຊິ່ງກ່ຽວຂ້ອງກັບອົງປະກອບຂອງຄວາມບໍ່ແນ່ນອນ; ເຖິງຢ່າງໃດກໍ່ຕາມ, ການຂາດຄວາມແນ່ນອນໃນ DSM ອາດຈະເກີດຂຶ້ນຈາກຫຼາຍແຫຼ່ງຂອງຄວາມຜິດພາດ, ຄືຄວາມຜິດພາດຂອງຕົວແປຮ່ວມ, ຄວາມຜິດພາດຂອງຮູບແບບ, ຄວາມຜິດພາດຂອງສະຖານທີ່, ແລະຄວາມຜິດພາດໃນການວິເຄາະ 31. ຄວາມບໍ່ຖືກຕ້ອງຂອງການສ້າງແບບຈຳລອງທີ່ເກີດຂຶ້ນໃນຂະບວນການ MLA ແລະ geostatistical ແມ່ນກ່ຽວຂ້ອງກັບການຂາດຄວາມເຂົ້າໃຈ, ໃນທີ່ສຸດກໍ່ນຳໄປສູ່ການງ່າຍດາຍເກີນໄປຂອງຂະບວນການທີ່ແທ້ຈິງ 32. ໂດຍບໍ່ຄຳນຶງເຖິງລັກສະນະຂອງການສ້າງແບບຈຳລອງ, ຄວາມບໍ່ຖືກຕ້ອງສາມາດຖືກກ່າວເຖິງພາລາມິເຕີການສ້າງແບບຈຳລອງ, ການຄາດຄະເນແບບຈຳລອງທາງຄະນິດສາດ, ຫຼື interpolation 33. ເມື່ອບໍ່ດົນມານີ້, ແນວໂນ້ມ DSM ໃໝ່ໄດ້ເກີດຂຶ້ນທີ່ສົ່ງເສີມການເຊື່ອມໂຍງຂອງ geostatistics ແລະ MLA ໃນການສ້າງແຜນທີ່ ແລະ ການຄາດຄະເນ. ນັກວິທະຍາສາດ ແລະ ນັກຂຽນດ້ານດິນຫຼາຍຄົນ, ເຊັ່ນ Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 ແລະ Tarasov et al. 37 ໄດ້ນຳໃຊ້ຄຸນນະພາບທີ່ຖືກຕ້ອງຂອງ geostatistics ແລະ ການຮຽນຮູ້ຂອງເຄື່ອງຈັກເພື່ອສ້າງແບບຈຳລອງປະສົມທີ່ປັບປຸງປະສິດທິພາບຂອງການຄາດຄະເນ ແລະ ການສ້າງແຜນທີ່. ຄຸນນະພາບ. ບາງຮູບແບບອັລກໍຣິທຶມປະສົມ ຫຼື ປະສົມປະສານເຫຼົ່ານີ້ແມ່ນ 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 ແລະ Co-Kriging ແລະ Gaussian Process Regression38.
ອີງຕາມ Sergeev ແລະ ຄະນະ, ການລວມເຕັກນິກການສ້າງແບບຈຳລອງຕ່າງໆມີທ່າແຮງທີ່ຈະລົບລ້າງຂໍ້ບົກຜ່ອງ ແລະ ເພີ່ມປະສິດທິພາບຂອງຮູບແບບປະສົມທີ່ໄດ້ຮັບແທນທີ່ຈະພັດທະນາຮູບແບບດຽວຂອງມັນ. ໃນສະພາບການນີ້, ເອກະສານໃໝ່ນີ້ໂຕ້ຖຽງວ່າມັນຈຳເປັນຕ້ອງນຳໃຊ້ອັລກໍຣິທຶມລວມຂອງສະຖິຕິທາງພູມສາດ ແລະ MLA ເພື່ອສ້າງຮູບແບບປະສົມທີ່ດີທີ່ສຸດເພື່ອຄາດຄະເນການເສີມ Ni ໃນເຂດຕົວເມືອງ ແລະ ເຂດຊານເມືອງ. ການສຶກສານີ້ຈະອີງໃສ່ Empirical Bayesian Kriging (EBK) ເປັນຮູບແບບພື້ນຖານ ແລະ ປະສົມມັນກັບ Support Vector Machine (SVM) ແລະ ຮູບແບບ Multiple Linear Regression (MLR). ການປະສົມຂອງ EBK ກັບ MLA ໃດໆແມ່ນບໍ່ຮູ້. ຮູບແບບປະສົມຫຼາຍອັນທີ່ເຫັນແມ່ນການລວມກັນຂອງ ordinary, residual, regression kriging, ແລະ MLA. EBK ແມ່ນວິທີການ interpolation ທາງພູມສາດທີ່ນຳໃຊ້ຂະບວນການ stochastic ທາງພື້ນທີ່ທີ່ຖືກທ້ອງຖິ່ນເປັນພາກສະໜາມແບບສຸ່ມທີ່ບໍ່ຢຸດນິ້ງ/ຢຸດນິ້ງທີ່ມີຕົວກຳນົດທ້ອງຖິ່ນທີ່ກຳນົດໄວ້ທົ່ວພາກສະໜາມ, ອະນຸຍາດໃຫ້ມີການປ່ຽນແປງທາງພື້ນທີ່39. EBK ໄດ້ຖືກນໍາໃຊ້ໃນການສຶກສາຫຼາຍຢ່າງ, ລວມທັງການວິເຄາະການແຈກຢາຍຂອງຄາບອນອິນຊີໃນດິນກະສິກຳ40, ການປະເມີນມົນລະພິດໃນດິນ41 ແລະ ການສ້າງແຜນທີ່ດິນ. ຄຸນສົມບັດ 42.
ໃນທາງກົງກັນຂ້າມ, ກຣາຟການຈັດລະບຽບຕົນເອງ (SeOM) ແມ່ນອັລກໍຣິທຶມການຮຽນຮູ້ທີ່ໄດ້ຖືກນຳໃຊ້ໃນບົດຄວາມຕ່າງໆເຊັ່ນ Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 ແລະ Kebonye et al.46 ກຳນົດຄຸນລັກສະນະທາງພື້ນທີ່ ແລະ ການຈັດກຸ່ມຂອງອົງປະກອບຕ່າງໆ. Wang et al. 44 ລະບຸວ່າ SeOM ເປັນເຕັກນິກການຮຽນຮູ້ທີ່ມີປະສິດທິພາບທີ່ຮູ້ຈັກກັນດີໃນດ້ານຄວາມສາມາດໃນການຈັດກຸ່ມ ແລະ ຈິນຕະນາການບັນຫາທີ່ບໍ່ແມ່ນເສັ້ນຊື່. ບໍ່ເໝືອນກັບເຕັກນິກການຮັບຮູ້ຮູບແບບອື່ນໆເຊັ່ນ: ການວິເຄາະອົງປະກອບຫຼັກ, ການຈັດກຸ່ມແບບມົວ, ການຈັດກຸ່ມແບບລຳດັບຊັ້ນ, ແລະ ການຕັດສິນໃຈຫຼາຍເງື່ອນໄຂ, SeOM ດີກວ່າໃນການຈັດລະບຽບ ແລະ ການລະບຸຮູບແບບ PTE. ອີງຕາມ Wang et al. 44, SeOM ສາມາດຈັດກຸ່ມການແຈກຢາຍຂອງເຊວປະສາດທີ່ກ່ຽວຂ້ອງທາງພື້ນທີ່ ແລະ ສະໜອງການສະແດງຂໍ້ມູນທີ່ມີຄວາມລະອຽດສູງ. SeOM ຈະສະແດງຂໍ້ມູນການຄາດຄະເນ Ni ເພື່ອໃຫ້ໄດ້ຮູບແບບທີ່ດີທີ່ສຸດເພື່ອສະແດງລັກສະນະຜົນໄດ້ຮັບສຳລັບການຕີຄວາມໂດຍກົງ.
ເອກະສານສະບັບນີ້ມີຈຸດປະສົງເພື່ອສ້າງຮູບແບບແຜນທີ່ທີ່ແຂງແຮງພ້ອມດ້ວຍຄວາມຖືກຕ້ອງສູງສຸດສຳລັບການຄາດຄະເນປະລິມານນິກເກີນໃນດິນໃນຕົວເມືອງ ແລະ ດິນອ້ອມຮອບຕົວເມືອງ. ພວກເຮົາສົມມຸດຕິຖານວ່າຄວາມໜ້າເຊື່ອຖືຂອງຮູບແບບປະສົມສ່ວນໃຫຍ່ແມ່ນຂຶ້ນກັບອິດທິພົນຂອງຮູບແບບອື່ນໆທີ່ຕິດກັບຮູບແບບພື້ນຖານ. ພວກເຮົາຮັບຮູ້ເຖິງສິ່ງທ້າທາຍທີ່ DSM ປະເຊີນ, ແລະໃນຂະນະທີ່ສິ່ງທ້າທາຍເຫຼົ່ານີ້ກຳລັງຖືກແກ້ໄຂໃນຫຼາຍດ້ານ, ການລວມກັນຂອງຄວາມກ້າວໜ້າໃນສະຖິຕິທາງພູມສາດ ແລະ ຮູບແບບ MLA ເບິ່ງຄືວ່າຈະເພີ່ມຂຶ້ນເລື້ອຍໆ; ດັ່ງນັ້ນ, ພວກເຮົາຈະພະຍາຍາມຕອບຄຳຖາມການຄົ້ນຄວ້າທີ່ອາດຈະໃຫ້ຮູບແບບປະສົມ. ຢ່າງໃດກໍຕາມ, ຮູບແບບມີຄວາມຖືກຕ້ອງແນວໃດໃນການຄາດຄະເນອົງປະກອບເປົ້າໝາຍ? ນອກຈາກນີ້, ລະດັບການປະເມີນປະສິດທິພາບໂດຍອີງໃສ່ການກວດສອບຄວາມຖືກຕ້ອງ ແລະ ການປະເມີນຄວາມຖືກຕ້ອງແມ່ນຫຍັງ? ດັ່ງນັ້ນ, ເປົ້າໝາຍສະເພາະຂອງການສຶກສານີ້ແມ່ນເພື່ອ (ກ) ສ້າງຮູບແບບປະສົມລວມສຳລັບ SVMR ຫຼື MLR ໂດຍໃຊ້ EBK ເປັນຮູບແບບພື້ນຖານ, (ຂ) ປຽບທຽບຮູບແບບທີ່ໄດ້ຮັບ (ຄ) ສະເໜີຮູບແບບປະສົມທີ່ດີທີ່ສຸດສຳລັບການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ຫຼື ດິນອ້ອມຮອບຕົວເມືອງ, ແລະ (ງ) ການນຳໃຊ້ SeOM ເພື່ອສ້າງແຜນທີ່ຄວາມລະອຽດສູງຂອງການປ່ຽນແປງທາງພື້ນທີ່ນິກເກີນ.
ການສຶກສາກຳລັງດຳເນີນຢູ່ໃນສາທາລະນະລັດເຊັກ, ໂດຍສະເພາະໃນເຂດ Frydek Mistek ໃນພາກພື້ນ Moravia-Silesian (ເບິ່ງຮູບທີ 1). ພູມສາດຂອງພື້ນທີ່ສຶກສາແມ່ນຂຸຂະຫຼາຍ ແລະ ສ່ວນໃຫຍ່ແມ່ນສ່ວນໜຶ່ງຂອງພາກພື້ນ Moravia-Silesian Beskidy, ເຊິ່ງເປັນສ່ວນໜຶ່ງຂອງຂອບນອກຂອງພູ Carpathian. ພື້ນທີ່ສຶກສາຕັ້ງຢູ່ລະຫວ່າງ 49° 41′ 0′ N ແລະ 18° 20′ 0′ E, ແລະ ລະດັບຄວາມສູງຢູ່ລະຫວ່າງ 225 ແລະ 327 ແມັດ; ເຖິງຢ່າງໃດກໍ່ຕາມ, ລະບົບການຈັດປະເພດ Koppen ສຳລັບສະພາບດິນຟ້າອາກາດຂອງພາກພື້ນຖືກຈັດອັນດັບເປັນ Cfb = ສະພາບອາກາດມະຫາສະໝຸດປານກາງ, ມີຝົນຕົກຫຼາຍເຖິງແມ່ນວ່າໃນເດືອນແຫ້ງແລ້ງ. ອຸນຫະພູມແຕກຕ່າງກັນເລັກນ້ອຍຕະຫຼອດປີລະຫວ່າງ -5 °C ແລະ 24 °C, ບໍ່ຄ່ອຍຈະຫຼຸດລົງຕໍ່າກວ່າ -14 °C ຫຼືສູງກວ່າ 30 °C, ໃນຂະນະທີ່ປະລິມານນ້ຳຝົນສະເລ່ຍຕໍ່ປີແມ່ນຢູ່ລະຫວ່າງ 685 ແລະ 752 ມມ47. ພື້ນທີ່ສຳຫຼວດປະມານຂອງພື້ນທີ່ທັງໝົດແມ່ນ 1,208 ຕາລາງກິໂລແມັດ, ມີ 39.38% ຂອງທີ່ດິນປູກຝັງ ແລະ 49.36% ຂອງພື້ນທີ່ປ່າໄມ້. ໃນທາງກົງກັນຂ້າມ, ພື້ນທີ່ທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນປະມານ 889.8 ຕາລາງກິໂລແມັດ. ໃນ ແລະ ອ້ອມຮອບ Ostrava, ອຸດສາຫະກຳເຫຼັກກ້າ ແລະ ໂຮງງານໂລຫະແມ່ນມີການເຄື່ອນໄຫວຫຼາຍ. ໂຮງສີໂລຫະ, ອຸດສາຫະກຳເຫຼັກກ້າທີ່ນິກເກີນຖືກນຳໃຊ້ໃນເຫຼັກສະແຕນເລດ (ເຊັ່ນ: ສຳລັບຄວາມຕ້ານທານຕໍ່ການກັດກ່ອນຂອງບັນຍາກາດ) ແລະ ເຫຼັກກ້າໂລຫະປະສົມ (ນິກເກີນເພີ່ມຄວາມແຂງແຮງຂອງໂລຫະປະສົມໃນຂະນະທີ່ຮັກສາຄວາມຍືດຫຍຸ່ນ ແລະ ຄວາມທົນທານທີ່ດີ), ແລະ ການກະສິກຳແບບສຸມເຊັ່ນ: ການໃຊ້ປຸ໋ຍຟອສເຟດ ແລະ ການຜະລິດສັດລ້ຽງແມ່ນແຫຼ່ງທີ່ມີທ່າແຮງຂອງນິກເກີນໃນການຄົ້ນຄວ້າ. ພາກພື້ນ (ຕົວຢ່າງ, ການເພີ່ມນິກເກີນໃສ່ລູກແກະເພື່ອເພີ່ມອັດຕາການເຕີບໂຕໃນລູກແກະ ແລະ ງົວທີ່ກິນນົມຕໍ່າ). ການນຳໃຊ້ນິກເກີນໃນອຸດສາຫະກຳອື່ນໆໃນຂົງເຂດການຄົ້ນຄວ້າລວມມີການນຳໃຊ້ໃນການຊຸບດ້ວຍໄຟຟ້າ, ລວມທັງຂະບວນການຊຸບນິກເກີນດ້ວຍໄຟຟ້າ ແລະ ນິກເກີນແບບບໍ່ໃຊ້ໄຟຟ້າ. ຄຸນສົມບັດຂອງດິນສາມາດແຍກແຍະໄດ້ງ່າຍຈາກສີຂອງດິນ, ໂຄງສ້າງ, ແລະ ປະລິມານຄາບອນເນດ. ໂຄງສ້າງດິນມີຂະໜາດກາງຫາລະອຽດ, ມາຈາກວັດສະດຸພໍ່ແມ່. ພວກມັນເປັນດິນຊາຍ, ດິນຊາຍນ້ຳຖ້ວມ ຫຼື ດິນຊາຍນ້ຳຖ້ວມ. ບາງພື້ນທີ່ດິນປະກົດວ່າມີຈຸດດ່າງດຳຢູ່ໃນໜ້າດິນ ແລະ ດິນໃຕ້ດິນ, ມັກຈະມີຄອນກີດ ແລະ ການຟອກຂາວ. ຢ່າງໃດກໍຕາມ, ດິນ cambisols ແລະ stagnosols ແມ່ນປະເພດດິນທີ່ພົບເລື້ອຍທີ່ສຸດໃນພາກພື້ນ48. ດ້ວຍລະດັບຄວາມສູງຕັ້ງແຕ່ 455.1 ຫາ 493.5 ແມັດ, ດິນ cambisols ຄອບງຳສາທາລະນະລັດເຊັກ49.
ແຜນທີ່ພື້ນທີ່ສຶກສາ [ແຜນທີ່ພື້ນທີ່ສຶກສາໄດ້ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ ArcGIS Desktop (ESRI, Inc, ເວີຊັນ 10.7, URL: https://desktop.arcgis.com).]
ຕົວຢ່າງດິນໜ້າດິນທັງໝົດ 115 ຕົວຢ່າງໄດ້ຮັບຈາກດິນໃນຕົວເມືອງ ແລະ ດິນອ້ອມຮອບຕົວເມືອງໃນເມືອງ Frydek Mistek. ຮູບແບບຕົວຢ່າງທີ່ໃຊ້ແມ່ນຕາຂ່າຍໄຟຟ້າທຳມະດາທີ່ມີຕົວຢ່າງດິນຫ່າງກັນ 2 × 2 ກິໂລແມັດ, ແລະ ດິນໜ້າດິນໄດ້ຖືກວັດແທກຢູ່ທີ່ຄວາມເລິກ 0 ຫາ 20 ຊມ ໂດຍໃຊ້ອຸປະກອນ GPS ມືຖື (Leica Zeno 5 GPS). ຕົວຢ່າງຖືກຫຸ້ມຫໍ່ໃນຖົງ Ziploc, ຕິດສະຫຼາກຢ່າງຖືກຕ້ອງ, ແລະ ສົ່ງໄປຫ້ອງທົດລອງ. ຕົວຢ່າງໄດ້ຖືກຕາກແຫ້ງດ້ວຍອາກາດເພື່ອຜະລິດຕົວຢ່າງທີ່ຖືກບົດ, ບົດໂດຍລະບົບກົນຈັກ (ໂຮງສີແຜ່ນ Fritsch), ແລະ ກອງ (ຂະໜາດກອງ 2 ມມ). ໃສ່ຕົວຢ່າງດິນແຫ້ງ 1 ກຣາມ, ເປັນເອກະພາບ ແລະ ກອງໃສ່ໃນຂວດ teflon ທີ່ມີປ້າຍຊື່ຢ່າງຊັດເຈນ. ໃນແຕ່ລະພາຊະນະ Teflon, ໃຫ້ແຈກ 7 ml ຂອງ HCl 35% ແລະ 3 ml ຂອງ 65% HNO3 (ໂດຍໃຊ້ເຄື່ອງແຈກຈ່າຍອັດຕະໂນມັດ - ໜຶ່ງອັນສຳລັບແຕ່ລະກົດ), ປິດຝາເບົາໆ ແລະ ປະໄວ້ໃຫ້ຕົວຢ່າງຄ້າງຄືນເພື່ອປະຕິກິລິຍາ (ໂປຣແກຣມ aqua regia). ວາງນ້ຳທີ່ລະລາຍຢູ່ເທິງແຜ່ນໂລຫະຮ້ອນ (ອຸນຫະພູມ: 100 W ແລະ 160 °C) ເປັນເວລາ 2 ຊົ່ວໂມງເພື່ອຄວາມສະດວກໃນຂະບວນການຍ່ອຍສະຫຼາຍຂອງຕົວຢ່າງ, ຈາກນັ້ນເຮັດໃຫ້ເຢັນລົງ. ຍ້າຍນ້ຳທີ່ລະລາຍແລ້ວໃສ່ໃນຂວດທີ່ມີປະລິມານ 50 ມລ ແລະ ເຈືອຈາງເປັນ 50 ມລ ດ້ວຍນ້ຳທີ່ບໍ່ມີໄອອອນ. ຫຼັງຈາກນັ້ນ, ກັ່ນຕອງນ້ຳທີ່ລະລາຍແລ້ວລົງໃນທໍ່ PVC 50 ມລ ດ້ວຍນ້ຳທີ່ບໍ່ມີໄອອອນ. ນອກຈາກນັ້ນ, ສານລະລາຍ 1 ມລ ໄດ້ຖືກເຈືອຈາງດ້ວຍນ້ຳທີ່ບໍ່ມີໄອອອນ 9 ມລ ແລະ ກັ່ນຕອງລົງໃນທໍ່ 12 ມລ ທີ່ກຽມໄວ້ສຳລັບຄວາມເຂັ້ມຂຸ້ນ PTE pseudo-concentration. ຄວາມເຂັ້ມຂຸ້ນຂອງ PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ໄດ້ຖືກກຳນົດໂດຍ ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ຕາມວິທີການມາດຕະຖານ ແລະ ຂໍ້ຕົກລົງ. ຮັບປະກັນຂັ້ນຕອນການຮັບປະກັນຄຸນນະພາບ ແລະ ການຄວບຄຸມ (QA/QC) (SRM NIST 2711a Montana II Soil). PTEs ທີ່ມີຂີດຈຳກັດການກວດຈັບຕ່ຳກວ່າເຄິ່ງໜຶ່ງໄດ້ຖືກຍົກເວັ້ນຈາກການສຶກສານີ້. ຂີດຈຳກັດການກວດຈັບຂອງ PTE ທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນ 0.0004.(ທ່ານ). ນອກຈາກນັ້ນ, ຂະບວນການຄວບຄຸມຄຸນນະພາບ ແລະ ການຮັບປະກັນຄຸນນະພາບສຳລັບການວິເຄາະແຕ່ລະຄັ້ງແມ່ນຮັບປະກັນໂດຍການວິເຄາະມາດຕະຖານອ້າງອີງ. ເພື່ອຮັບປະກັນວ່າຄວາມຜິດພາດຖືກຫຼຸດຜ່ອນໃຫ້ໜ້ອຍທີ່ສຸດ, ການວິເຄາະສອງເທື່ອໄດ້ຖືກປະຕິບັດ.
ການວິເຄາະແບບ Bayesian Kriging ແບບ Empirical (EBK) ແມ່ນໜຶ່ງໃນຫຼາຍໆເຕັກນິກການແຊກແຊງທາງພູມສາດທີ່ໃຊ້ໃນການສ້າງແບບຈຳລອງໃນຂົງເຂດຕ່າງໆເຊັ່ນ: ວິທະຍາສາດດິນ. ບໍ່ເຫມືອນກັບເຕັກນິກການແຊກແຊງ kriging ອື່ນໆ, EBK ແຕກຕ່າງຈາກວິທີການ kriging ແບບດັ້ງເດີມໂດຍການພິຈາລະນາຄວາມຜິດພາດທີ່ປະເມີນໂດຍແບບຈຳລອງ semivariogram. ໃນການວິເຄາະ EBK, ແບບຈຳລອງ semivariogram ຫຼາຍແບບຖືກຄິດໄລ່ໃນລະຫວ່າງການແຊກແຊງ, ແທນທີ່ຈະເປັນ semivariogram ດຽວ. ເຕັກນິກການແຊກແຊງເຮັດໃຫ້ຄວາມບໍ່ແນ່ນອນ ແລະ ການຂຽນໂປຣແກຣມທີ່ກ່ຽວຂ້ອງກັບການວາງແຜນ semivariogram ນີ້ທີ່ປະກອບເປັນສ່ວນທີ່ສັບສົນຫຼາຍຂອງວິທີການ kriging ທີ່ພຽງພໍ. ຂະບວນການແຊກແຊງຂອງ EBK ປະຕິບັດຕາມສາມເງື່ອນໄຂທີ່ສະເໜີໂດຍ Krivoruchko50, (a) ແບບຈຳລອງປະເມີນ semivariogram ຈາກຊຸດຂໍ້ມູນປ້ອນເຂົ້າ (b) ຄ່າທີ່ຄາດຄະເນໃໝ່ສຳລັບແຕ່ລະສະຖານທີ່ຊຸດຂໍ້ມູນປ້ອນເຂົ້າໂດຍອີງໃສ່ semivariogram ທີ່ສ້າງຂຶ້ນ ແລະ (c) ແບບຈຳລອງ A ສຸດທ້າຍຖືກຄິດໄລ່ຈາກຊຸດຂໍ້ມູນຈຳລອງ. ກົດສົມຜົນ Bayesian ແມ່ນໃຫ້ເປັນ posterior
ບ່ອນທີ່ \(Prob\left(A\right)\) ເປັນຕົວແທນຂອງຄ່າກ່ອນໜ້ານີ້, \(Prob\left(B\right)\) ຄວາມເປັນໄປໄດ້ຂອບຈະຖືກລະເລີຍໃນກໍລະນີຫຼາຍທີ່ສຸດ, \(Prob(B,A)\ ). ການຄິດໄລ່ semivariogram ແມ່ນອີງໃສ່ກົດຂອງ Bayes, ເຊິ່ງສະແດງໃຫ້ເຫັນເຖິງຄວາມໂນ້ມອຽງຂອງຊຸດຂໍ້ມູນການສັງເກດການທີ່ສາມາດສ້າງໄດ້ຈາກ semivariograms. ຫຼັງຈາກນັ້ນ, ຄ່າຂອງ semivariogram ແມ່ນຖືກກຳນົດໂດຍໃຊ້ກົດຂອງ Bayes, ເຊິ່ງລະບຸວ່າມັນມີຄວາມເປັນໄປໄດ້ແນວໃດທີ່ຈະສ້າງຊຸດຂໍ້ມູນການສັງເກດການຈາກ semivariogram.
ເຄື່ອງເວັກເຕີສະໜັບສະໜູນແມ່ນອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ສ້າງ hyperplane ແຍກທີ່ດີທີ່ສຸດເພື່ອຈຳແນກຫ້ອງຮຽນທີ່ຄືກັນແຕ່ບໍ່ເປັນເອກະລາດເສັ້ນຊື່. Vapnik51 ໄດ້ສ້າງອັລກໍຣິທຶມການຈັດປະເພດຄວາມຕັ້ງໃຈ, ແຕ່ມັນໄດ້ຖືກນໍາໃຊ້ບໍ່ດົນມານີ້ເພື່ອແກ້ໄຂບັນຫາທີ່ມຸ່ງໄປສູ່ການຖົດຖອຍ. ອີງຕາມ Li et al.52, SVM ແມ່ນໜຶ່ງໃນເຕັກນິກການຈັດປະເພດທີ່ດີທີ່ສຸດ ແລະ ໄດ້ຖືກນໍາໃຊ້ໃນຂົງເຂດຕ່າງໆ. ອົງປະກອບການຖົດຖອຍຂອງ SVM (Support Vector Machine Regression – SVMR) ໄດ້ຖືກນໍາໃຊ້ໃນການວິເຄາະນີ້. Cherkassky ແລະ Mulier53 ໄດ້ບຸກເບີກ SVMR ເປັນການຖົດຖອຍທີ່ອີງໃສ່ kernel, ການຄິດໄລ່ໄດ້ຖືກປະຕິບັດໂດຍໃຊ້ຮູບແບບການຖົດຖອຍເສັ້ນຊື່ທີ່ມີຟັງຊັນທາງພື້ນທີ່ຫຼາຍປະເທດ. John et al.54 ລາຍງານວ່າການສ້າງແບບຈຳລອງ SVMR ໃຊ້ການຖົດຖອຍເສັ້ນຊື່ hyperplane, ເຊິ່ງສ້າງຄວາມສໍາພັນທີ່ບໍ່ເປັນເສັ້ນຊື່ ແລະ ອະນຸຍາດໃຫ້ມີຟັງຊັນທາງພື້ນທີ່. ອີງຕາມ Vohland et al. 55, epsilon (ε)-SVMR ໃຊ້ຊຸດຂໍ້ມູນທີ່ໄດ້ຝຶກອົບຮົມເພື່ອໃຫ້ໄດ້ຮູບແບບການເປັນຕົວແທນເປັນຟັງຊັນທີ່ບໍ່ລະອຽດອ່ອນຕໍ່ epsilon ທີ່ຖືກນຳໃຊ້ເພື່ອສ້າງແຜນທີ່ຂໍ້ມູນຢ່າງເປັນອິດສະຫຼະດ້ວຍອະຄະຕິ epsilon ທີ່ດີທີ່ສຸດຈາກການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ. ຄວາມຜິດພາດຂອງໄລຍະທາງທີ່ຕັ້ງໄວ້ລ່ວງໜ້າຈະຖືກລະເລີຍຈາກຄ່າຕົວຈິງ, ແລະຖ້າຄວາມຜິດພາດໃຫຍ່ກວ່າ ε(ε), ຄຸນສົມບັດຂອງດິນຈະຊົດເຊີຍມັນ. ຮູບແບບຍັງຫຼຸດຜ່ອນຄວາມສັບສົນຂອງຂໍ້ມູນການຝຶກອົບຮົມໃຫ້ເປັນຊຸດຍ່ອຍທີ່ກວ້າງຂວາງຂອງເວັກເຕີສະໜັບສະໜູນ. ສົມຜົນທີ່ສະເໜີໂດຍ Vapnik51 ແມ່ນສະແດງຢູ່ດ້ານລຸ່ມ.
ບ່ອນທີ່ b ເປັນຕົວແທນຂອງຂອບເຂດ scalar, \(K\left({x}_{,}{ x}_{k}\right)\) ເປັນຕົວແທນຂອງຟັງຊັນ kernel, \(\alpha\) ເປັນຕົວແທນຂອງຕົວຄູນ Lagrange, N ເປັນຕົວແທນຂອງຊຸດຂໍ້ມູນຕົວເລກ, \({x}_{k}\) ເປັນຕົວແທນການປ້ອນຂໍ້ມູນ, ແລະ \(y\) ແມ່ນການສົ່ງອອກຂໍ້ມູນ. ໜຶ່ງໃນ kernel ຫຼັກທີ່ໃຊ້ແມ່ນການດຳເນີນງານ SVMR, ເຊິ່ງເປັນຟັງຊັນພື້ນຖານ radial Gaussian (RBF). kernel RBF ຖືກນຳໃຊ້ເພື່ອກຳນົດຮູບແບບ SVMR ທີ່ດີທີ່ສຸດ, ເຊິ່ງມີຄວາມສຳຄັນເພື່ອໃຫ້ໄດ້ປັດໄຈຊຸດການລົງໂທດທີ່ລະອຽດອ່ອນທີ່ສຸດ C ແລະ gamma ພາລາມິເຕີ kernel (γ) ສຳລັບຂໍ້ມູນການຝຶກອົບຮົມ PTE. ກ່ອນອື່ນໝົດ, ພວກເຮົາໄດ້ປະເມີນຊຸດການຝຶກອົບຮົມ ແລະ ຫຼັງຈາກນັ້ນທົດສອບປະສິດທິພາບຂອງຮູບແບບໃນຊຸດການກວດສອບຄວາມຖືກຕ້ອງ. ພາລາມິເຕີການຊີ້ນຳທີ່ໃຊ້ແມ່ນ sigma ແລະ ຄ່າວິທີການແມ່ນ svmRadial.
ຮູບແບບການຖົດຖອຍເສັ້ນຊື່ຫຼາຍອັນ (MLR) ແມ່ນຮູບແບບການຖົດຖອຍທີ່ສະແດງເຖິງຄວາມສຳພັນລະຫວ່າງຕົວແປຕອບສະໜອງ ແລະ ຕົວແປຄາດຄະເນຈຳນວນໜຶ່ງໂດຍການໃຊ້ຕົວກຳນົດລວມເສັ້ນຊື່ທີ່ຄິດໄລ່ໂດຍໃຊ້ວິທີການກຳລັງສອງໜ້ອຍທີ່ສຸດ. ໃນ MLR, ຮູບແບບກຳລັງສອງໜ້ອຍທີ່ສຸດແມ່ນຟັງຊັນການຄາດຄະເນຂອງຄຸນສົມບັດຂອງດິນຫຼັງຈາກການເລືອກຕົວແປອະທິບາຍ. ມັນຈຳເປັນຕ້ອງໃຊ້ການຕອບສະໜອງເພື່ອສ້າງຄວາມສຳພັນເສັ້ນຊື່ໂດຍໃຊ້ຕົວແປອະທິບາຍ. PTE ຖືກນໍາໃຊ້ເປັນຕົວແປຕອບສະໜອງເພື່ອສ້າງຄວາມສຳພັນເສັ້ນຊື່ກັບຕົວແປອະທິບາຍ. ສົມຜົນ MLR ແມ່ນ
ບ່ອນທີ່ y ແມ່ນຕົວແປຕອບສະໜອງ, \(a\) ແມ່ນຈຸດຕັດ, n ແມ່ນຈຳນວນຕົວຄາດເດົາ, \({b}_{1}\) ແມ່ນການປ່ຽນແປງຂອງສຳປະສິດ, \({x}_{ i}\) ເປັນຕົວແທນຕົວຄາດເດົາ ຫຼື ຕົວແປອະທິບາຍ, ແລະ \({\varepsilon }_{i}\) ເປັນຕົວແທນຄວາມຜິດພາດໃນຮູບແບບ, ເຊິ່ງເອີ້ນກັນວ່າສ່ວນທີ່ເຫຼືອ.
ຮູບແບບປະສົມໄດ້ຮັບໂດຍການປະສານ EBK ກັບ SVMR ແລະ MLR. ນີ້ແມ່ນເຮັດໄດ້ໂດຍການສະກັດຄ່າທີ່ຄາດຄະເນຈາກການແຊກແຊງ EBK. ຄ່າທີ່ຄາດຄະເນທີ່ໄດ້ຮັບຈາກ Ca, K, ແລະ Mg ທີ່ຖືກແຊກແຊງແມ່ນໄດ້ຮັບຜ່ານຂະບວນການປະສົມປະສານເພື່ອໃຫ້ໄດ້ຕົວແປໃໝ່, ເຊັ່ນ CaK, CaMg, ແລະ KMg. ຫຼັງຈາກນັ້ນ, ອົງປະກອບ Ca, K ແລະ Mg ຖືກລວມເຂົ້າກັນເພື່ອໃຫ້ໄດ້ຕົວແປທີສີ່, CaKMg. ໂດຍລວມແລ້ວ, ຕົວແປທີ່ໄດ້ຮັບແມ່ນ Ca, K, Mg, CaK, CaMg, KMg ແລະ CaKMg. ຕົວແປເຫຼົ່ານີ້ໄດ້ກາຍເປັນຕົວຄາດຄະເນຂອງພວກເຮົາ, ຊ່ວຍໃນການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງ. ອັລກໍຣິທຶມ SVMR ໄດ້ຖືກປະຕິບັດກ່ຽວກັບຕົວຄາດຄະເນເພື່ອໃຫ້ໄດ້ຮູບແບບປະສົມ Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM). ເຊັ່ນດຽວກັນ, ຕົວແປຍັງຖືກສົ່ງຜ່ານອັລກໍຣິທຶມ MLR ເພື່ອໃຫ້ໄດ້ຮູບແບບປະສົມ Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR). ໂດຍປົກກະຕິແລ້ວ, ຕົວແປ Ca, K, Mg, CaK, CaMg, KMg, ແລະ CaKMg ຖືກນໍາໃຊ້ເປັນຕົວແປຮ່ວມເປັນຕົວຄາດຄະເນປະລິມານ Ni ໃນດິນໃນຕົວເມືອງ ແລະ ດິນອ້ອມຮອບຕົວເມືອງ. ຮູບແບບທີ່ຍອມຮັບໄດ້ຫຼາຍທີ່ສຸດທີ່ໄດ້ຮັບ (EBK_SVM ຫຼື EBK_MLR) ຈະຖືກເບິ່ງເຫັນໂດຍໃຊ້ກຣາຟທີ່ຈັດລຽງດ້ວຍຕົນເອງ. ຂັ້ນຕອນການເຮັດວຽກຂອງການສຶກສານີ້ແມ່ນສະແດງຢູ່ໃນຮູບທີ 2.
ການໃຊ້ SeOM ໄດ້ກາຍເປັນເຄື່ອງມືທີ່ໄດ້ຮັບຄວາມນິຍົມສຳລັບການຈັດລະບຽບ, ການປະເມີນຜົນ ແລະ ການຄາດຄະເນຂໍ້ມູນໃນຂະແໜງການເງິນ, ການດູແລສຸຂະພາບ, ອຸດສາຫະກຳ, ສະຖິຕິ, ວິທະຍາສາດດິນ ແລະ ອື່ນໆ. SeOM ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ເຄືອຂ່າຍປະສາດທຽມ ແລະ ວິທີການຮຽນຮູ້ທີ່ບໍ່ມີການຊີ້ນຳສຳລັບການຈັດລະບຽບ, ການປະເມີນຜົນ ແລະ ການຄາດຄະເນ. ໃນການສຶກສາຄັ້ງນີ້, SeOM ໄດ້ຖືກນໍາໃຊ້ເພື່ອສະແດງພາບຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໂດຍອີງໃສ່ຮູບແບບທີ່ດີທີ່ສຸດສໍາລັບການຄາດຄະເນ Ni ໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງ. ຂໍ້ມູນທີ່ປະມວນຜົນໃນການປະເມີນ SeOM ຖືກນໍາໃຊ້ເປັນຕົວແປເວັກເຕີມິຕິຂາເຂົ້າ n43,56.Melssen et al. 57 ອະທິບາຍການເຊື່ອມຕໍ່ຂອງເວັກເຕີປ້ອນຂໍ້ມູນເຂົ້າໄປໃນເຄືອຂ່າຍປະສາດຜ່ານຊັ້ນປ້ອນຂໍ້ມູນດຽວກັບເວັກເຕີປ້ອນຂໍ້ມູນທີ່ມີເວັກເຕີນ້ຳໜັກດຽວ. ຜົນຜະລິດທີ່ສ້າງຂຶ້ນໂດຍ SeOM ແມ່ນແຜນທີ່ສອງມິຕິທີ່ປະກອບດ້ວຍເຊວປະສາດ ຫຼື ໂຫນດທີ່ແຕກຕ່າງກັນທີ່ຖັກທໍເປັນແຜນທີ່ໂທໂພໂລຢີຮູບຫົກຫຼ່ຽມ, ຮູບວົງມົນ, ຫຼື ຮູບສີ່ຫຼ່ຽມມົນຕາມຄວາມໃກ້ຄຽງຂອງພວກມັນ. ການປຽບທຽບຂະໜາດແຜນທີ່ໂດຍອີງໃສ່ແມັດຕຣິກ, ຄວາມຜິດພາດດ້ານປະລິມານ (QE) ແລະ ຄວາມຜິດພາດດ້ານພູມສັນຖານ (TE), ຮູບແບບ SeOM ທີ່ມີ 0.086 ແລະ 0.904, ຕາມລຳດັບ, ຖືກເລືອກ, ເຊິ່ງເປັນຫົວໜ່ວຍແຜນທີ່ 55 (5 × 11). ໂຄງສ້າງເຊວປະສາດຖືກກຳນົດຕາມຈຳນວນໂຫນດໃນສົມຜົນເຊີງປະຈັກຕາ.
ຈຳນວນຂໍ້ມູນທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນ 115 ຕົວຢ່າງ. ວິທີການແບບສຸ່ມໄດ້ຖືກນໍາໃຊ້ເພື່ອແບ່ງຂໍ້ມູນອອກເປັນຂໍ້ມູນການທົດສອບ (25% ສໍາລັບການກວດສອບຄວາມຖືກຕ້ອງ) ແລະຊຸດຂໍ້ມູນການຝຶກອົບຮົມ (75% ສໍາລັບການປັບທຽບ). ຊຸດຂໍ້ມູນການຝຶກອົບຮົມຖືກນໍາໃຊ້ເພື່ອສ້າງຮູບແບບການຖົດຖອຍ (ການປັບທຽບ), ແລະຊຸດຂໍ້ມູນການທົດສອບຖືກນໍາໃຊ້ເພື່ອກວດສອບຄວາມສາມາດໃນການລວມ58. ນີ້ແມ່ນເຮັດເພື່ອປະເມີນຄວາມເໝາະສົມຂອງຮູບແບບຕ່າງໆສໍາລັບການຄາດຄະເນປະລິມານນິກເກີນໃນດິນ. ຮູບແບບທັງໝົດທີ່ໃຊ້ໄດ້ຜ່ານຂະບວນການກວດສອບຄວາມຖືກຕ້ອງຂ້າມສິບເທົ່າ, ເຮັດຊ້ຳອີກຫ້າເທື່ອ. ຕົວແປທີ່ຜະລິດໂດຍການແຊກແຊງ EBK ແມ່ນໃຊ້ເປັນຕົວຄາດຄະເນຫຼືຕົວແປອະທິບາຍເພື່ອຄາດຄະເນຕົວແປເປົ້າຫມາຍ (PTE). ການສ້າງແບບຈໍາລອງແມ່ນຈັດການໃນ RStudio ໂດຍໃຊ້ຫ້ອງສະຫມຸດແພັກເກດ (Kohonen), ຫ້ອງສະຫມຸດ (caret), ຫ້ອງສະຫມຸດ (modelr), ຫ້ອງສະຫມຸດ (“e1071″), ຫ້ອງສະຫມຸດ (“plyr”), ຫ້ອງສະຫມຸດ (“caTools”), ຫ້ອງສະຫມຸດ (“prospectr”) ແລະຫ້ອງສະຫມຸດ (“Metrics”).
ພາລາມິເຕີການກວດສອບຄວາມຖືກຕ້ອງຕ່າງໆໄດ້ຖືກນໍາໃຊ້ເພື່ອກໍານົດຮູບແບບທີ່ດີທີ່ສຸດທີ່ເຫມາະສົມສໍາລັບການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນ ແລະ ເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງຮູບແບບ ແລະ ການກວດສອບຄວາມຖືກຕ້ອງຂອງມັນ. ຮູບແບບການປະສົມໄດ້ຖືກປະເມີນໂດຍໃຊ້ຄ່າຄວາມຜິດພາດຢ່າງແທ້ຈິງສະເລ່ຍ (MAE), ຄ່າຄວາມຜິດພາດຮາກສະເລ່ຍກໍາລັງສອງ (RMSE), ແລະ R-squared ຫຼື ການກໍານົດສໍາປະສິດ (R2). R2 ກໍານົດຄວາມແปรປ່ວນຂອງສັດສ່ວນໃນຄໍາຕອບ, ເຊິ່ງເປັນຕົວແທນໂດຍຮູບແບບການຖົດຖອຍ. RMSE ແລະ ຂະໜາດຄວາມແปรປ່ວນໃນມາດຕະການເອກະລາດອະທິບາຍພະລັງງານການຄາດຄະເນຂອງຮູບແບບ, ໃນຂະນະທີ່ MAE ກໍານົດຄ່າປະລິມານຕົວຈິງ. ຄ່າ R2 ຕ້ອງສູງເພື່ອປະເມີນຮູບແບບການປະສົມທີ່ດີທີ່ສຸດໂດຍໃຊ້ພາລາມິເຕີການກວດສອບຄວາມຖືກຕ້ອງ, ຄ່າໃກ້ກັບ 1, ຄວາມຖືກຕ້ອງຈະສູງຂຶ້ນ. ອີງຕາມ Li et al. 59, ຄ່າເກນ R2 0.75 ຫຼືຫຼາຍກວ່ານັ້ນຖືວ່າເປັນຕົວຄາດຄະເນທີ່ດີ; ຈາກ 0.5 ຫາ 0.75 ແມ່ນປະສິດທິພາບຂອງຮູບແບບທີ່ຍອມຮັບໄດ້, ແລະ ຕໍ່າກວ່າ 0.5 ແມ່ນປະສິດທິພາບຂອງຮູບແບບທີ່ຍອມຮັບບໍ່ໄດ້. ເມື່ອເລືອກຮູບແບບໂດຍໃຊ້ວິທີການປະເມີນຜົນເກນການກວດສອບຄວາມຖືກຕ້ອງ RMSE ແລະ MAE, ຄ່າທີ່ຕໍ່າກວ່າທີ່ໄດ້ຮັບແມ່ນພຽງພໍ ແລະ ຖືກພິຈາລະນາເປັນທາງເລືອກທີ່ດີທີ່ສຸດ. ສົມຜົນຕໍ່ໄປນີ້ອະທິບາຍວິທີການກວດສອບ.
ບ່ອນທີ່ n ແທນຂະໜາດຂອງຄ່າທີ່ສັງເກດເຫັນ\({Y}_{i}\) ແທນການຕອບສະໜອງທີ່ວັດແທກໄດ້, ແລະ \({\widehat{Y}}_{i}\) ຍັງແທນຄ່າຕອບສະໜອງທີ່ຄາດຄະເນໄວ້, ດັ່ງນັ້ນ, ສຳລັບການສັງເກດ i ທຳອິດ.
ລາຍລະອຽດທາງສະຖິຕິຂອງຕົວແປຄາດຄະເນ ແລະ ຕົວແປຕອບສະໜອງແມ່ນນຳສະເໜີຢູ່ໃນຕາຕະລາງທີ 1, ເຊິ່ງສະແດງໃຫ້ເຫັນຄ່າສະເລ່ຍ, ຄ່າຜັນປ່ຽນມາດຕະຖານ (SD), ສຳປະສິດການປ່ຽນແປງ (CV), ຄ່າຕໍ່າສຸດ, ຄ່າສູງສຸດ, ຄ່າ kurtosis, ແລະ ຄ່າ skewness. ຄ່າຕໍ່າສຸດ ແລະ ສູງສຸດຂອງອົງປະກອບຕ່າງໆແມ່ນຢູ່ໃນລຳດັບທີ່ຫຼຸດລົງຂອງ Mg < Ca < K < Ni ແລະ Ca < Mg < K < Ni, ຕາມລຳດັບ. ຄວາມເຂັ້ມຂຸ້ນຂອງຕົວແປຕອບສະໜອງ (Ni) ທີ່ເກັບຕົວຢ່າງຈາກພື້ນທີ່ສຶກສາມີຕັ້ງແຕ່ 4.86 ຫາ 42.39 mg/kg. ການປຽບທຽບ Ni ກັບຄ່າສະເລ່ຍຂອງໂລກ (29 mg/kg) ແລະ ຄ່າສະເລ່ຍຂອງເອີຣົບ (37 mg/kg) ສະແດງໃຫ້ເຫັນວ່າຄ່າສະເລ່ຍທາງເລຂາຄະນິດທີ່ຄິດໄລ່ໂດຍລວມສຳລັບພື້ນທີ່ສຶກສາແມ່ນຢູ່ໃນລະດັບທີ່ຍອມຮັບໄດ້. ເຖິງຢ່າງໃດກໍ່ຕາມ, ດັ່ງທີ່ສະແດງໂດຍ Kabata-Pendias11, ການປຽບທຽບຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນ (Ni) ສະເລ່ຍໃນການສຶກສາໃນປະຈຸບັນກັບດິນກະສິກຳໃນປະເທດສວີເດນສະແດງໃຫ້ເຫັນວ່າຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນສະເລ່ຍໃນປະຈຸບັນແມ່ນສູງກວ່າ. ເຊັ່ນດຽວກັນ, ຄວາມເຂັ້ມຂຸ້ນສະເລ່ຍຂອງ Frydek Mistek ໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງໃນການສຶກສາໃນປະຈຸບັນ (Ni 16.15 mg/kg) ແມ່ນສູງກວ່າ. ເກີນຂອບເຂດທີ່ອະນຸຍາດ 60 (10.2 ມກ/ກກ) ສຳລັບ Ni ໃນດິນຕົວເມືອງໂປແລນທີ່ລາຍງານໂດຍ Różański ແລະ ຄະນະ. ຍິ່ງໄປກວ່ານັ້ນ, Bretzel ແລະ Calderisi61 ໄດ້ບັນທຶກຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ສະເລ່ຍຕໍ່າຫຼາຍ (1.78 ມກ/ກກ) ໃນດິນຕົວເມືອງໃນ Tuscany ເມື່ອທຽບກັບການສຶກສາໃນປະຈຸບັນ. Jim62 ຍັງພົບຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນຕ່ຳກວ່າ (12.34 ມກ/ກກ) ໃນດິນຕົວເມືອງຮ່ອງກົງ, ເຊິ່ງຕໍ່າກວ່າຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນປະຈຸບັນໃນການສຶກສານີ້. Birke ແລະ ຄະນະ 63 ລາຍງານຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ສະເລ່ຍ 17.6 ມກ/ກກ ໃນເຂດຂຸດຄົ້ນບໍ່ແຮ່ເກົ່າ ແລະ ເຂດອຸດສາຫະກຳຕົວເມືອງໃນ Saxony-Anhalt, ເຢຍລະມັນ, ເຊິ່ງສູງກວ່າຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ສະເລ່ຍ 1.45 ມກ/ກກ ໃນພື້ນທີ່ (16.15 ມກ/ກກ). ການຄົ້ນຄວ້າໃນປະຈຸບັນ. ປະລິມານນິກເກີນທີ່ເກີນໃນດິນໃນບາງເຂດຕົວເມືອງ ແລະ ຊານເມືອງຂອງພື້ນທີ່ສຶກສາອາດຈະເປັນຍ້ອນອຸດສາຫະກຳເຫຼັກ ແລະ ເຫຼັກກ້າ ແລະ ອຸດສາຫະກຳໂລຫະ. ນີ້ສອດຄ່ອງກັບການສຶກສາໂດຍ Khodadoust ແລະ ຄະນະ. 64 ວ່າອຸດສາຫະກຳເຫຼັກກ້າ ແລະ ໂລຫະແມ່ນແຫຼ່ງຕົ້ນຕໍຂອງການປົນເປື້ອນນິກເກີນໃນດິນ. ຢ່າງໃດກໍຕາມ, ຕົວຄາດຄະເນຍັງຢູ່ໃນລະຫວ່າງ 538.70 mg/kg ຫາ 69,161.80 mg/kg ສຳລັບ Ca, 497.51 mg/kg ຫາ 3535.68 mg/kg ສຳລັບ K, ແລະ 685.68 mg/kg ຫາ 5970.05 mg/kg ສຳລັບ Mg. Jakovljevic et al. 65 ໄດ້ສືບສວນປະລິມານ Mg ແລະ K ທັງໝົດຂອງດິນໃນພາກກາງຂອງເຊີເບຍ. ພວກເຂົາພົບວ່າຄວາມເຂັ້ມຂຸ້ນທັງໝົດ (410 mg/kg ແລະ 400 mg/kg, ຕາມລຳດັບ) ຕ່ຳກວ່າຄວາມເຂັ້ມຂຸ້ນຂອງ Mg ແລະ K ຂອງການສຶກສາໃນປະຈຸບັນ. ບໍ່ສາມາດແຍກແຍະໄດ້, ໃນພາກຕາເວັນອອກຂອງໂປແລນ, Orzechowski ແລະ Smolczynski66 ໄດ້ປະເມີນປະລິມານທັງໝົດຂອງ Ca, Mg ແລະ K ແລະສະແດງໃຫ້ເຫັນຄວາມເຂັ້ມຂຸ້ນສະເລ່ຍຂອງ Ca (1100 mg/kg), Mg (590 mg/kg) ແລະ K (810 mg/kg). ປະລິມານໃນດິນຊັ້ນເທິງຕ່ຳກວ່າອົງປະກອບດຽວໃນການສຶກສານີ້. ການສຶກສາທີ່ຜ່ານມາໂດຍ Pongrac et al. 67 ສະແດງໃຫ້ເຫັນວ່າປະລິມານ Ca ທັງໝົດທີ່ວິເຄາະໃນ 3 ດິນທີ່ແຕກຕ່າງກັນໃນ Scotland, UK (ດິນ Mylnefield, ດິນ Balruddery ແລະດິນ Hartwood) ຊີ້ບອກເຖິງປະລິມານ Ca ທີ່ສູງຂຶ້ນໃນການສຶກສານີ້.
ເນື່ອງຈາກຄວາມເຂັ້ມຂຸ້ນທີ່ແຕກຕ່າງກັນຂອງອົງປະກອບທີ່ເກັບຕົວຢ່າງ, ການແຈກຢາຍຊຸດຂໍ້ມູນຂອງອົງປະກອບສະແດງຄວາມອຽງທີ່ແຕກຕ່າງກັນ. ຄວາມອຽງ ແລະ ຄວາມໂຄ້ງຂອງອົງປະກອບມີຕັ້ງແຕ່ 1.53 ຫາ 7.24 ແລະ 2.49 ຫາ 54.16 ຕາມລຳດັບ. ອົງປະກອບທີ່ຄິດໄລ່ໄດ້ທັງໝົດມີລະດັບຄວາມໂຄ້ງ ແລະ ຄວາມໂຄ້ງສູງກວ່າ +1, ດັ່ງນັ້ນຈຶ່ງຊີ້ບອກວ່າການແຈກຢາຍຂໍ້ມູນແມ່ນບໍ່ສະໝໍ່າສະເໝີ, ອຽງໄປໃນທິດທາງທີ່ຖືກຕ້ອງ ແລະ ມີຈຸດສູງສຸດ. CV ທີ່ຄາດຄະເນຂອງອົງປະກອບຍັງສະແດງໃຫ້ເຫັນວ່າ K, Mg, ແລະ Ni ສະແດງຄວາມແຕກຕ່າງກັນໃນລະດັບປານກາງ, ໃນຂະນະທີ່ Ca ມີຄວາມແຕກຕ່າງກັນສູງຫຼາຍ. CV ຂອງ K, Ni ແລະ Mg ອະທິບາຍການແຈກຢາຍທີ່ເປັນເອກະພາບຂອງພວກມັນ. ຍິ່ງໄປກວ່ານັ້ນ, ການແຈກຢາຍ Ca ແມ່ນບໍ່ສະໝໍ່າສະເໝີ ແລະ ແຫຼ່ງພາຍນອກອາດຈະສົ່ງຜົນກະທົບຕໍ່ລະດັບການເສີມຂອງມັນ.
ສະຫະສຳພັນຂອງຕົວແປຄາດຄະເນກັບອົງປະກອບການຕອບສະໜອງຊີ້ໃຫ້ເຫັນເຖິງສະຫະສຳພັນທີ່ໜ້າພໍໃຈລະຫວ່າງອົງປະກອບຕ່າງໆ (ເບິ່ງຮູບທີ 3). ສະຫະສຳພັນຊີ້ໃຫ້ເຫັນວ່າ CaK ສະແດງຄວາມສຳພັນປານກາງກັບຄ່າ r = 0.53, ເຊັ່ນດຽວກັບ CaNi. ເຖິງແມ່ນວ່າ Ca ແລະ K ສະແດງຄວາມສຳພັນທີ່ປານກາງກັບກັນແລະກັນ, ນັກຄົ້ນຄວ້າເຊັ່ນ Kingston et al. 68 ແລະ Santo69 ຊີ້ໃຫ້ເຫັນວ່າລະດັບຂອງມັນໃນດິນມີສັດສ່ວນກົງກັນຂ້າມ. ຢ່າງໃດກໍຕາມ, Ca ແລະ Mg ແມ່ນຕໍ່ຕ້ານ K, ແຕ່ CaK ມີຄວາມສຳພັນກັນໄດ້ດີ. ນີ້ອາດຈະເປັນຍ້ອນການໃຊ້ປຸ໋ຍເຊັ່ນ: ໂພແທດຊຽມຄາບອນເນດ, ເຊິ່ງສູງກວ່າໂພແທດຊຽມ 56%. ໂພແທດຊຽມມີຄວາມສຳພັນປານກາງກັບແມກນີຊຽມ (KM r = 0.63). ໃນອຸດສາຫະກຳປຸ໋ຍ, ສອງອົງປະກອບນີ້ມີຄວາມສຳພັນຢ່າງໃກ້ຊິດເພາະວ່າໂພແທດຊຽມແມກນີຊຽມຊັນເຟດ, ໂພແທດຊຽມແມກນີຊຽມໄນເຕຣດ, ແລະໂພແທດຊຽມຖືກນຳໃຊ້ກັບດິນເພື່ອເພີ່ມລະດັບການຂາດຂອງມັນ. ນິກເກີນມີຄວາມສຳພັນປານກາງກັບ Ca, K ແລະ Mg ດ້ວຍຄ່າ r = 0.52, 0.63 ແລະ 0.55, ຕາມລຳດັບ. ຄວາມສຳພັນທີ່ກ່ຽວຂ້ອງກັບແຄວຊຽມ, ແມກນີຊຽມ, ແລະ PTEs ເຊັ່ນ: ນິກເກີນແມ່ນສັບສົນ, ແຕ່ເຖິງຢ່າງໃດກໍ່ຕາມ, ແມກນີຊຽມຍັບຍັ້ງການດູດຊຶມແຄວຊຽມ, ແຄວຊຽມຫຼຸດຜ່ອນຜົນກະທົບຂອງແມກນີຊຽມເກີນ, ແລະທັງແມກນີຊຽມແລະແຄວຊຽມຫຼຸດຜ່ອນຜົນກະທົບທີ່ເປັນພິດຂອງນິກເກີນໃນດິນ.
ຕາຕະລາງສະຫະສຳພັນສຳລັບອົງປະກອບທີ່ສະແດງຄວາມສຳພັນລະຫວ່າງຕົວຄາດຄະເນ ແລະ ການຕອບສະໜອງ (ໝາຍເຫດ: ຕົວເລກນີ້ປະກອບມີແຜນຜັງກະແຈກກະຈາຍລະຫວ່າງອົງປະກອບ, ລະດັບຄວາມສຳຄັນແມ່ນອີງໃສ່ p < 0,001).
ຮູບທີ 4 ສະແດງໃຫ້ເຫັນເຖິງການແຈກຢາຍທາງພື້ນທີ່ຂອງອົງປະກອບຕ່າງໆ. ອີງຕາມ Burgos ແລະ ຄະນະ, ການນຳໃຊ້ການແຈກຢາຍທາງພື້ນທີ່ແມ່ນເຕັກນິກທີ່ໃຊ້ເພື່ອວັດແທກ ແລະ ເນັ້ນໃສ່ຈຸດຮ້ອນໃນພື້ນທີ່ທີ່ມີມົນລະພິດ. ລະດັບການເສີມທາດ Ca ໃນຮູບທີ 4 ສາມາດເຫັນໄດ້ໃນພາກຕາເວັນຕົກສຽງເໜືອຂອງແຜນທີ່ການແຈກຢາຍທາງພື້ນທີ່. ຮູບສະແດງໃຫ້ເຫັນຈຸດຮ້ອນຂອງການເສີມທາດ Ca ໃນລະດັບປານກາງຫາສູງ. ການເສີມທາດແຄວຊຽມໃນພາກຕາເວັນຕົກສຽງເໜືອຂອງແຜນທີ່ອາດຈະເປັນຍ້ອນການໃຊ້ປູນຂາວ (ແຄວຊຽມອອກໄຊ) ເພື່ອຫຼຸດຜ່ອນຄວາມເປັນກົດຂອງດິນ ແລະ ການນຳໃຊ້ຂອງມັນໃນໂຮງງານເຫຼັກເປັນອົກຊີເຈນທີ່ເປັນດ່າງໃນຂະບວນການຜະລິດເຫຼັກ. ໃນທາງກົງກັນຂ້າມ, ຊາວກະສິກອນອື່ນໆມັກໃຊ້ແຄວຊຽມໄຮດຣອກໄຊໃນດິນທີ່ເປັນກົດເພື່ອເຮັດໃຫ້ pH ເປັນກາງ, ເຊິ່ງຍັງເພີ່ມປະລິມານແຄວຊຽມໃນດິນ71. ໂພແທດຊຽມຍັງສະແດງໃຫ້ເຫັນຈຸດຮ້ອນໃນພາກຕາເວັນຕົກສຽງເໜືອ ແລະ ຕາເວັນອອກຂອງແຜນທີ່. ພາກຕາເວັນຕົກສຽງເໜືອແມ່ນຊຸມຊົນກະສິກຳທີ່ສຳຄັນ, ແລະ ຮູບແບບຂອງໂພແທດຊຽມໃນລະດັບປານກາງຫາສູງອາດຈະເປັນຍ້ອນການນຳໃຊ້ NPK ແລະ ໂພແທດຊຽມ. ນີ້ສອດຄ່ອງກັບການສຶກສາອື່ນໆ, ເຊັ່ນ Madaras ແລະ Lipavský72, Madaras ແລະ ຄະນະ73, Pulkrabová ແລະ ຄະນະ74, Asare ແລະ ຄະນະ75, ຜູ້ທີ່ສັງເກດເຫັນ ວ່າການສະຖຽນລະພາບດິນ ແລະ ການປິ່ນປົວດ້ວຍ KCl ແລະ NPK ເຮັດໃຫ້ປະລິມານ K ສູງໃນດິນ. ການເສີມໂພແທດຊຽມທາງພື້ນທີ່ໃນທິດຕາເວັນຕົກສຽງເໜືອຂອງແຜນທີ່ການແຜ່ກະຈາຍອາດເກີດຈາກການໃຊ້ປຸ໋ຍທີ່ມີໂພແທດຊຽມເປັນພື້ນຖານເຊັ່ນ: ໂພແທດຊຽມຄລໍໄຣ, ໂພແທດຊຽມຊັນເຟດ, ໂພແທດຊຽມໄນເຕຣດ, ໂພແທດຊຽມ, ແລະ ໂພແທດຊຽມເພື່ອເພີ່ມປະລິມານໂພແທດຊຽມຂອງດິນທີ່ບໍ່ດີ.Zádorová et al. 76 ແລະ Tlustoš et al. 77 ໄດ້ອະທິບາຍວ່າການໃຊ້ປຸ໋ຍທີ່ມີສ່ວນປະກອບຂອງ K ເຮັດໃຫ້ປະລິມານ K ໃນດິນເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ ແລະ ຈະເພີ່ມປະລິມານສານອາຫານໃນດິນຢ່າງຫຼວງຫຼາຍໃນໄລຍະຍາວ, ໂດຍສະເພາະແມ່ນ K ແລະ Mg ເຊິ່ງສະແດງໃຫ້ເຫັນຈຸດຮ້ອນໃນດິນ. ຈຸດຮ້ອນທີ່ຂ້ອນຂ້າງປານກາງຢູ່ທາງທິດຕາເວັນຕົກສຽງເໜືອຂອງແຜນທີ່ ແລະ ພາກຕາເວັນອອກສຽງໃຕ້ຂອງແຜນທີ່. ການຕິດຄໍລອຍດ໌ໃນດິນເຮັດໃຫ້ຄວາມເຂັ້ມຂຸ້ນຂອງແມກນີຊຽມໃນດິນຫຼຸດລົງ. ການຂາດສານນີ້ໃນດິນເຮັດໃຫ້ພືດມີສີເຫຼືອງລະຫວ່າງເສັ້ນໄຍພືດ. ປຸ໋ຍທີ່ມີສ່ວນປະກອບຂອງແມກນີຊຽມເຊັ່ນ: ໂພແທດຊຽມແມກນີຊຽມຊັນເຟດ, ແມກນີຊຽມຊັນເຟດ, ແລະ Kieserite, ປິ່ນປົວການຂາດສານອາຫານ (ພືດມີສີມ່ວງ, ສີແດງ, ຫຼື ສີນ້ຳຕານ, ຊີ້ບອກເຖິງການຂາດແມກນີຊຽມ) ໃນດິນທີ່ມີລະດັບ pH ປົກກະຕິ6. ການສະສົມຂອງນິກເກີນຢູ່ເທິງໜ້າດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງເມືອງອາດເປັນຍ້ອນກິດຈະກຳຂອງມະນຸດເຊັ່ນ: ການກະສິກຳ ແລະ ຄວາມສຳຄັນຂອງນິກເກີນໃນການຜະລິດເຫຼັກກ້າ78.
ການແຈກຢາຍທາງພື້ນທີ່ຂອງອົງປະກອບຕ່າງໆ [ແຜນທີ່ການແຈກຢາຍທາງພື້ນທີ່ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ ArcGIS Desktop (ESRI, Inc, ເວີຊັນ 10.7, URL: https://desktop.arcgis.com).]
ຜົນໄດ້ຮັບດັດຊະນີປະສິດທິພາບຂອງຮູບແບບສຳລັບອົງປະກອບທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງທີ 2. ໃນທາງກົງກັນຂ້າມ, RMSE ແລະ MAE ຂອງ Ni ທັງສອງແມ່ນໃກ້ຄຽງກັບສູນ (0.86 RMSE, -0.08 MAE). ໃນທາງກົງກັນຂ້າມ, ທັງຄ່າ RMSE ແລະ MAE ຂອງ K ແມ່ນຍອມຮັບໄດ້. ຜົນໄດ້ຮັບ RMSE ແລະ MAE ແມ່ນໃຫຍ່ກວ່າສຳລັບແຄວຊຽມ ແລະ ແມກນີຊຽມ. ຜົນໄດ້ຮັບ Ca ແລະ K MAE ແລະ RMSE ແມ່ນໃຫຍ່ກວ່າເນື່ອງຈາກຊຸດຂໍ້ມູນທີ່ແຕກຕ່າງກັນ. RMSE ແລະ MAE ຂອງການສຶກສານີ້ໂດຍໃຊ້ EBK ເພື່ອຄາດຄະເນ Ni ໄດ້ຖືກພົບວ່າດີກ່ວາຜົນໄດ້ຮັບຂອງ John et al. 54 ໂດຍໃຊ້ synergistic kriging ເພື່ອຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ S ໃນດິນໂດຍໃຊ້ຂໍ້ມູນທີ່ເກັບກຳໄດ້ດຽວກັນ. ຜົນໄດ້ຮັບ EBK ທີ່ພວກເຮົາໄດ້ສຶກສາມີຄວາມສຳພັນກັບຜົນໄດ້ຮັບຂອງ Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 ແລະ John et al. 82, ໂດຍສະເພາະ K ແລະ Ni.
ປະສິດທິພາບຂອງວິທີການສ່ວນບຸກຄົນສຳລັບການຄາດຄະເນປະລິມານນິກເກີນໃນດິນໃນຕົວເມືອງ ແລະ ດິນອ້ອມຮອບຕົວເມືອງໄດ້ຖືກປະເມີນໂດຍໃຊ້ປະສິດທິພາບຂອງຮູບແບບ (ຕາຕະລາງທີ 3). ການກວດສອບຄວາມຖືກຕ້ອງຂອງຮູບແບບ ແລະ ການປະເມີນຄວາມຖືກຕ້ອງໄດ້ຢືນຢັນວ່າຕົວຄາດຄະເນ Ca_Mg_K ລວມກັບຮູບແບບ EBK SVMR ໄດ້ໃຫ້ຜົນດີທີ່ສຸດ. ຮູບແບບການປັບທຽບ Ca_Mg_K-EBK_SVMR ຮູບແບບ R2, ຄວາມຜິດພາດຂອງຄ່າສະເລ່ຍຮາກ (RMSE) ແລະ ຄວາມຜິດພາດຢ່າງແທ້ຈິງສະເລ່ຍ (MAE) ແມ່ນ 0.637 (R2), 95.479 mg/kg (RMSE) ແລະ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ແມ່ນ 0.663 (R2), 235.974 mg/kg (RMSE) ແລະ 166.946 mg/kg (MAE). ເຖິງຢ່າງໃດກໍ່ຕາມ, ຄ່າ R2 ທີ່ດີໄດ້ຮັບສຳລັບ Ca_Mg_K-SVMR (0.663 mg/kg R2) ແລະ Ca_Mg-EBK_SVMR. (0.643 = R2); ຜົນໄດ້ຮັບ RMSE ແລະ MAE ຂອງພວກມັນສູງກວ່າຜົນໄດ້ຮັບສຳລັບ Ca_Mg_K-EBK_SVMR (R2 0.637) (ເບິ່ງຕາຕະລາງທີ 3). ນອກຈາກນັ້ນ, RMSE ແລະ MAE ຂອງຮູບແບບ Ca_Mg-EBK_SVMR (RMSE = 1664.64 ແລະ MAE = 1031.49) ແມ່ນ 17.5 ແລະ 13.4 ຕາມລຳດັບ, ເຊິ່ງໃຫຍ່ກວ່າຜົນໄດ້ຮັບຂອງ Ca_Mg_K-EBK_SVMR. ເຊັ່ນດຽວກັນ, RMSE ແລະ MAE ຂອງຮູບແບບ Ca_Mg-K SVMR (RMSE = 235.974 ແລະ MAE = 166.946) ແມ່ນໃຫຍ່ກວ່າຜົນໄດ້ຮັບຂອງ Ca_Mg_K-EBK_SVMR RMSE ແລະ MAE 2.5 ແລະ 2.2 ຕາມລຳດັບ. ຜົນໄດ້ຮັບ RMSE ທີ່ຄິດໄລ່ໄດ້ຊີ້ບອກວ່າຊຸດຂໍ້ມູນມີຄວາມເຂັ້ມຂຸ້ນແນວໃດກັບເສັ້ນທີ່ເໝາະສົມທີ່ສຸດ. RSME ແລະ MAE ທີ່ສູງຂຶ້ນໄດ້ຖືກສັງເກດເຫັນ. ອີງຕາມ Kebonye et al. 46 ແລະ john et al. 54, RMSE ແລະ MAE ໃກ້ກັບສູນເທົ່າໃດ, ຜົນໄດ້ຮັບກໍ່ຈະດີຂຶ້ນເທົ່ານັ້ນ. SVMR ແລະ EBK_SVMR ມີຄ່າ RSME ແລະ MAE ທີ່ຖືກວັດແທກສູງກວ່າ. ມັນໄດ້ຖືກສັງເກດເຫັນວ່າການຄາດຄະເນ RSME ແມ່ນສູງກວ່າຄ່າ MAE ຢ່າງຕໍ່ເນື່ອງ, ຊີ້ບອກເຖິງການມີຢູ່ຂອງຄ່າຜິດປົກກະຕິ. ອີງຕາມ Legates ແລະ McCabe83, ຂອບເຂດທີ່ RMSE ເກີນຄ່າຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE) ແມ່ນແນະນຳເປັນຕົວຊີ້ບອກເຖິງການມີຢູ່ຂອງຄ່າຜິດປົກກະຕິ. ນີ້ໝາຍຄວາມວ່າຊຸດຂໍ້ມູນທີ່ມີຄວາມແຕກຕ່າງກັນຫຼາຍເທົ່າໃດ, ຄ່າ MAE ແລະ RMSE ກໍ່ສູງຂຶ້ນເທົ່ານັ້ນ. ຄວາມຖືກຕ້ອງຂອງການປະເມີນຄວາມຖືກຕ້ອງຂ້າມຂອງຮູບແບບປະສົມ Ca_Mg_K-EBK_SVMR ສຳລັບການຄາດຄະເນປະລິມານ Ni ໃນດິນໃນຕົວເມືອງ ແລະ ຊານເມືອງແມ່ນ 63.70%. ອີງຕາມ Li et al. 59, ລະດັບຄວາມຖືກຕ້ອງນີ້ແມ່ນອັດຕາການປະຕິບັດຮູບແບບທີ່ຍອມຮັບໄດ້. ຜົນໄດ້ຮັບໃນປະຈຸບັນແມ່ນປຽບທຽບກັບການສຶກສາກ່ອນໜ້ານີ້ໂດຍ Tarasov et al. 36 ເຊິ່ງຮູບແບບປະສົມທີ່ສ້າງ MLPRK (Multilayer Perceptron Residual Kriging), ທີ່ກ່ຽວຂ້ອງກັບດັດຊະນີການປະເມີນຄວາມຖືກຕ້ອງຂອງ EBK_SVMR ທີ່ລາຍງານໃນການສຶກສາໃນປະຈຸບັນ, RMSE (210) ແລະ MAE (167.5) ແມ່ນສູງກວ່າຜົນໄດ້ຮັບຂອງພວກເຮົາໃນການສຶກສາໃນປະຈຸບັນ (RMSE 95.479, MAE 77.368). ຢ່າງໃດກໍຕາມ, ເມື່ອປຽບທຽບ R2 ຂອງການສຶກສາໃນປະຈຸບັນ (0.637) ກັບຂອງ Tarasov et al. 36 (0.544), ເຫັນໄດ້ຢ່າງຊັດເຈນວ່າຄ່າສຳປະສິດການກຳນົດ (R2) ແມ່ນສູງກວ່າໃນຮູບແບບປະສົມນີ້. ຂອບເຂດຄວາມຜິດພາດ (RMSE ແລະ MAE) (EBK SVMR) ສຳລັບຮູບແບບປະສົມແມ່ນຕໍ່າກວ່າສອງເທົ່າ. ເຊັ່ນດຽວກັນ, Sergeev et al.34 ໄດ້ບັນທຶກ 0.28 (R2) ສຳລັບຮູບແບບປະສົມທີ່ພັດທະນາແລ້ວ (Multilayer Perceptron Residual Kriging), ໃນຂະນະທີ່ Ni ໃນການສຶກສາໃນປະຈຸບັນໄດ້ບັນທຶກ 0.637 (R2). ລະດັບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງຮູບແບບນີ້ (EBK SVMR) ແມ່ນ 63.7%, ໃນຂະນະທີ່ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນທີ່ໄດ້ຮັບໂດຍ Sergeev et al.34 ແມ່ນ 28%. ແຜນທີ່ສຸດທ້າຍ (ຮູບທີ 5) ທີ່ສ້າງຂຶ້ນໂດຍໃຊ້ຮູບແບບ EBK_SVMR ແລະ Ca_Mg_K ເປັນຕົວຄາດຄະເນສະແດງໃຫ້ເຫັນການຄາດຄະເນຂອງຈຸດຮ້ອນ ແລະ ປານກາງຫານິກເກີນທົ່ວພື້ນທີ່ສຶກສາທັງໝົດ. ນີ້ໝາຍຄວາມວ່າຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນພື້ນທີ່ສຶກສາສ່ວນໃຫຍ່ແມ່ນປານກາງ, ໂດຍມີຄວາມເຂັ້ມຂຸ້ນສູງກວ່າໃນບາງພື້ນທີ່ສະເພາະ.
ແຜນທີ່ການຄາດຄະເນສຸດທ້າຍແມ່ນສະແດງໂດຍໃຊ້ຮູບແບບປະສົມ EBK_SVMR ແລະ ໂດຍໃຊ້ Ca_Mg_K ເປັນຕົວຄາດຄະເນ.[ແຜນທີ່ການແຈກຢາຍທາງພື້ນທີ່ໄດ້ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ເວີຊັນ 1.4.1717: https://www.rstudio.com/).]
ນຳສະເໜີໃນຮູບທີ 6 ແມ່ນຄວາມເຂັ້ມຂຸ້ນຂອງ PTE ເປັນລະນາບປະກອບທີ່ປະກອບດ້ວຍເຊວປະສາດແຕ່ລະອັນ. ບໍ່ມີລະນາບອົງປະກອບໃດສະແດງຮູບແບບສີດຽວກັນກັບທີ່ສະແດງ. ຢ່າງໃດກໍຕາມ, ຈຳນວນເຊວປະສາດທີ່ເໝາະສົມຕໍ່ແຜນທີ່ທີ່ແຕ້ມແມ່ນ 55. SeOM ແມ່ນຜະລິດໂດຍໃຊ້ສີທີ່ຫຼາກຫຼາຍ, ແລະຮູບແບບສີທີ່ຄ້າຍຄືກັນຫຼາຍເທົ່າໃດ, ຄຸນສົມບັດຂອງຕົວຢ່າງກໍ່ຈະທຽບເທົ່າກັນຫຼາຍຂຶ້ນເທົ່ານັ້ນ. ອີງຕາມຂະໜາດສີທີ່ແນ່ນອນຂອງພວກມັນ, ອົງປະກອບສ່ວນບຸກຄົນ (Ca, K, ແລະ Mg) ສະແດງຮູບແບບສີທີ່ຄ້າຍຄືກັນກັບເຊວປະສາດສູງດ່ຽວ ແລະ ເຊວປະສາດຕ່ຳສ່ວນໃຫຍ່. ດັ່ງນັ້ນ, CaK ແລະ CaMg ມີຄວາມຄ້າຍຄືກັນບາງຢ່າງກັບເຊວປະສາດທີ່ມີລຳດັບສູງຫຼາຍ ແລະ ຮູບແບບສີຕ່ຳຫາປານກາງ. ທັງສອງແບບຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໂດຍການສະແດງສີກາງຫາສູງເຊັ່ນ: ສີແດງ, ສີສົ້ມ ແລະ ສີເຫຼືອງ. ແບບຈຳລອງ KMg ສະແດງຮູບແບບສີສູງຫຼາຍແບບໂດຍອີງໃສ່ສັດສ່ວນທີ່ແນ່ນອນ ແລະ ຈຸດສີຕ່ຳຫາປານກາງ. ໃນລະດັບສີທີ່ແນ່ນອນຈາກຕ່ຳຫາສູງ, ຮູບແບບການແຈກຢາຍແບບຮາບພຽງຂອງອົງປະກອບຂອງແບບຈຳລອງສະແດງໃຫ້ເຫັນຮູບແບບສີສູງທີ່ຊີ້ບອກເຖິງຄວາມເຂັ້ມຂຸ້ນທີ່ມີທ່າແຮງຂອງນິກເກີນໃນດິນ (ເບິ່ງຮູບທີ 4). ລະນາບອົງປະກອບແບບຈຳລອງ CakMg ສະແດງຮູບແບບສີທີ່ຫຼາກຫຼາຍຈາກຕ່ຳຫາສູງຕາມສີທີ່ຖືກຕ້ອງ. ຂະໜາດ. ຍິ່ງໄປກວ່ານັ້ນ, ການຄາດຄະເນປະລິມານນິກເກີນ (CakMg) ຂອງຮູບແບບຈຳລອງແມ່ນຄ້າຍຄືກັນກັບການແຈກຢາຍທາງພື້ນທີ່ຂອງນິກເກີນທີ່ສະແດງຢູ່ໃນຮູບທີ 5. ກຣາຟທັງສອງສະແດງໃຫ້ເຫັນອັດຕາສ່ວນສູງ, ກາງ ແລະ ຕ່ຳຂອງຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງ. ຮູບທີ 7 ສະແດງໃຫ້ເຫັນວິທີການ contour ໃນກຸ່ມ k-means ໃນແຜນທີ່, ແບ່ງອອກເປັນສາມກຸ່ມໂດຍອີງໃສ່ຄ່າທີ່ຄາດຄະເນໃນແຕ່ລະຮູບແບບ. ວິທີການ contour ເປັນຕົວແທນຂອງຈຳນວນກຸ່ມທີ່ດີທີ່ສຸດ. ໃນຈຳນວນ 115 ຕົວຢ່າງດິນທີ່ເກັບມາ, ປະເພດ 1 ໄດ້ຮັບຕົວຢ່າງດິນຫຼາຍທີ່ສຸດ, 74. ກຸ່ມ 2 ໄດ້ຮັບຕົວຢ່າງ 33 ຕົວຢ່າງ, ໃນຂະນະທີ່ກຸ່ມ 3 ໄດ້ຮັບຕົວຢ່າງ 8 ຕົວຢ່າງ. ການລວມຕົວຄາດຄະເນແບບຮາບພຽງທີ່ມີເຈັດອົງປະກອບໄດ້ຖືກງ່າຍດາຍຂຶ້ນເພື່ອໃຫ້ສາມາດຕີຄວາມໝາຍກຸ່ມໄດ້ຢ່າງຖືກຕ້ອງ. ເນື່ອງຈາກຂະບວນການຂອງມະນຸດ ແລະ ທຳມະຊາດຫຼາຍຢ່າງທີ່ສົ່ງຜົນກະທົບຕໍ່ການສ້າງດິນ, ມັນຍາກທີ່ຈະມີຮູບແບບກຸ່ມທີ່ແຕກຕ່າງກັນຢ່າງຖືກຕ້ອງໃນແຜນທີ່ SeOM ທີ່ແຈກຢາຍ78.
ຜົນຜະລິດຂອງລະນາບອົງປະກອບໂດຍແຕ່ລະຕົວແປ Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[ແຜນທີ່ SeOM ໄດ້ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ເວີຊັນ 1.4.1717: https://www.rstudio.com/).]
ອົງປະກອບການຈັດປະເພດກຸ່ມທີ່ແຕກຕ່າງກັນ [ແຜນທີ່ SeOM ໄດ້ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ເວີຊັນ 1.4.1717: https://www.rstudio.com/).]
ການສຶກສາໃນປະຈຸບັນສະແດງໃຫ້ເຫັນຢ່າງຊັດເຈນກ່ຽວກັບເຕັກນິກການສ້າງແບບຈຳລອງສຳລັບຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນອ້ອມຂ້າງຕົວເມືອງ. ການສຶກສາໄດ້ທົດສອບເຕັກນິກການສ້າງແບບຈຳລອງທີ່ແຕກຕ່າງກັນ, ໂດຍສົມທົບອົງປະກອບກັບເຕັກນິກການສ້າງແບບຈຳລອງ, ເພື່ອໃຫ້ໄດ້ວິທີທີ່ດີທີ່ສຸດໃນການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນ. ລັກສະນະພື້ນທີ່ແບບຮາບພຽງຂອງອົງປະກອບ SeOM ຂອງເຕັກນິກການສ້າງແບບຈຳລອງສະແດງໃຫ້ເຫັນຮູບແບບສີສູງຈາກຕ່ຳຫາສູງໃນລະດັບສີທີ່ຖືກຕ້ອງ, ຊີ້ບອກເຖິງຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນ. ຢ່າງໃດກໍຕາມ, ແຜນທີ່ການແຈກຢາຍທາງພື້ນທີ່ຢືນຢັນການແຈກຢາຍທາງພື້ນທີ່ແບບຮາບພຽງຂອງອົງປະກອບທີ່ສະແດງໂດຍ EBK_SVMR (ເບິ່ງຮູບທີ 5). ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າຮູບແບບການຖົດຖອຍຂອງເຄື່ອງຈັກເວັກເຕີສະໜັບສະໜູນ (Ca Mg K-SVMR) ຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນເປັນຮູບແບບດຽວ, ແຕ່ຕົວກຳນົດການກວດສອບຄວາມຖືກຕ້ອງ ແລະ ການປະເມີນຄວາມຖືກຕ້ອງສະແດງໃຫ້ເຫັນຄວາມຜິດພາດທີ່ສູງຫຼາຍໃນແງ່ຂອງ RMSE ແລະ MAE. ໃນທາງກົງກັນຂ້າມ, ເຕັກນິກການສ້າງແບບຈຳລອງທີ່ໃຊ້ກັບຮູບແບບ EBK_MLR ຍັງມີຂໍ້ບົກຜ່ອງເນື່ອງຈາກຄ່າຕ່ຳຂອງສຳປະສິດການກຳນົດ (R2). ຜົນໄດ້ຮັບທີ່ດີໄດ້ຮັບໂດຍໃຊ້ EBK SVMR ແລະອົງປະກອບລວມ (CaKMg) ທີ່ມີຄວາມຜິດພາດ RMSE ແລະ MAE ຕ່ຳທີ່ມີຄວາມຖືກຕ້ອງ 63.7%. ມັນປາກົດວ່າການລວມອັລກໍຣິທຶມ EBK ດ້ວຍອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກສາມາດສ້າງອັລກໍຣິທຶມປະສົມທີ່ສາມາດຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ PTEs ໃນດິນ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າການໃຊ້ Ca Mg K ເປັນຕົວຄາດຄະເນເພື່ອຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນພື້ນທີ່ສຶກສາສາມາດປັບປຸງການຄາດຄະເນຂອງ Ni ໃນດິນ. ນີ້ໝາຍຄວາມວ່າການນຳໃຊ້ປຸ໋ຍທີ່ມີສ່ວນປະກອບຂອງນິກເກີນຢ່າງຕໍ່ເນື່ອງ ແລະ ມົນລະພິດທາງອຸດສາຫະກຳຂອງດິນໂດຍອຸດສາຫະກຳເຫຼັກກ້າມີແນວໂນ້ມທີ່ຈະເພີ່ມຄວາມເຂັ້ມຂຸ້ນຂອງນິກເກີນໃນດິນ. ການສຶກສານີ້ເປີດເຜີຍວ່າຮູບແບບ EBK ສາມາດຫຼຸດຜ່ອນລະດັບຄວາມຜິດພາດ ແລະ ປັບປຸງຄວາມຖືກຕ້ອງຂອງຮູບແບບການແຈກຢາຍພື້ນທີ່ຂອງດິນໃນດິນໃນຕົວເມືອງ ຫຼື ດິນອ້ອມຮອບຕົວເມືອງ. ໂດຍທົ່ວໄປ, ພວກເຮົາສະເໜີໃຫ້ນຳໃຊ້ຮູບແບບ EBK-SVMR ເພື່ອປະເມີນ ແລະ ຄາດຄະເນ PTE ໃນດິນ; ນອກຈາກນັ້ນ, ພວກເຮົາສະເໜີໃຫ້ໃຊ້ EBK ເພື່ອປະສົມກັບອັລກໍຣິທຶມການຮຽນຮູ້ຂອງເຄື່ອງຈັກຕ່າງໆ. ຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໄດ້ຖືກຄາດຄະເນໂດຍໃຊ້ອົງປະກອບເປັນຕົວແປຮ່ວມ; ຢ່າງໃດກໍຕາມ, ການໃຊ້ຕົວແປຮ່ວມຫຼາຍຂຶ້ນຈະປັບປຸງປະສິດທິພາບຂອງຮູບແບບຢ່າງຫຼວງຫຼາຍ, ເຊິ່ງສາມາດພິຈາລະນາໄດ້ວ່າເປັນຂໍ້ຈຳກັດຂອງວຽກງານໃນປະຈຸບັນ. ຂໍ້ຈຳກັດອີກອັນໜຶ່ງຂອງການສຶກສານີ້ແມ່ນວ່າຈຳນວນຊຸດຂໍ້ມູນແມ່ນ 115. ດັ່ງນັ້ນ, ຖ້າມີຂໍ້ມູນເພີ່ມເຕີມ, ປະສິດທິພາບຂອງວິທີການປະສົມທີ່ດີທີ່ສຸດທີ່ສະເໜີສາມາດປັບປຸງໄດ້.
PlantProbs.net.ນິກເກີນໃນພືດ ແລະ ດິນ https://plantprobs.net/plant/nutrientImbalances/sodium.html (ເຂົ້າເບິ່ງໃນວັນທີ 28 ເມສາ 2021).
Kasprzak, KS Nickel ກ້າວໜ້າໃນວິທະຍາສາດພິດວິທະຍາສິ່ງແວດລ້ອມທີ່ທັນສະໄໝ. ສະພາບແວດລ້ອມ. ພິດວິທະຍາ. 11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: ການທົບທວນແຫຼ່ງຂໍ້ມູນ ແລະ ພິດວິທະຍາສິ່ງແວດລ້ອມ. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC ມົນລະພິດຈາກຊັ້ນບັນຍາກາດ ແລະ ການສະສົມໃນດິນ ແລະ ພືດພັນໃກ້ກັບໂຮງງານຫຼອມນິກເກີນ-ທອງແດງໃນ Sudbury, Ontario, ການາດາ.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. ແລະ ອື່ນໆ. ໂລຫະໜັກໃນດິນ, ພືດ ແລະ ຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກັບສັດທີ່ລ້ຽງສັດຢູ່ໃກ້ບໍ່ແຮ່ທອງແດງ-ນິກເກີນ Selebi-Phikwe ໃນປະເທດບອດສະວານາ. ບໍລິເວນອ້ອມຂ້າງ. ພູມເຄມີ. ສຸຂະພາບ https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. ທາດປະສົມໃນດິນ ແລະ… – 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= (ເຂົ້າເບິ່ງເມື່ອວັນທີ 24 ພະຈິກ 2020).
Almås, A., Singh, B., ກະສິກຳ, TS-NJ ຂອງ & 1995, ບໍ່ໄດ້ກຳນົດ. ຜົນກະທົບຂອງອຸດສາຫະກຳນິກເກີນຂອງຣັດເຊຍຕໍ່ຄວາມເຂັ້ມຂຸ້ນຂອງໂລຫະໜັກໃນດິນກະສິກຳ ແລະ ຫຍ້າໃນ Soer-Varanger, ນໍເວ.agris.fao.org.
Nielsen, GD ແລະ ຄະນະ. ການດູດຊຶມ ແລະ ການຮັກສານິກເກີນໃນນ້ຳດື່ມແມ່ນກ່ຽວຂ້ອງກັບການກິນອາຫານ ແລະ ຄວາມອ່ອນໄຫວຕໍ່ນິກເກີນ.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel ການກໍ່ມະເຮັງ, ການກາຍພັນ, epigenetics ຫຼື ການຄັດເລືອກ. ສະພາບແວດລ້ອມ. ທັດສະນະດ້ານສຸຂະພາບ. 107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; ການວິເຄາະແນວໂນ້ມຂອງອົງປະກອບທີ່ອາດເປັນພິດ: ການທົບທວນບັນນານຸກົມ. ທໍລະນີເຄມີສິ່ງແວດລ້ອມ ແລະ ສຸຂະພາບ. Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB ການສ້າງແຜນທີ່ດິນດິຈິຕອລ: ປະຫວັດຫຍໍ້ ແລະ ບົດຮຽນບາງຢ່າງ. Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital earth mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV ການສ້າງແບບຈຳລອງອ່າງເກັບນ້ຳທາງດ້ານພູມສາດ,… – 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= (ເຂົ້າເບິ່ງໃນວັນທີ 28 ເມສາ 2021).