ຂໍຂອບໃຈສຳລັບການເຂົ້າເບິ່ງ Nature.com. ເວີຊັນຂອງບຣາວເຊີທີ່ທ່ານກຳລັງໃຊ້ຢູ່ມີການຮອງຮັບ CSS. ສໍາລັບປະສົບການທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ທ່ານໃຊ້ໂປຣແກຣມທ່ອງເວັບທີ່ອັບເດດແລ້ວ (ຫຼືປິດໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນລະຫວ່າງນີ້, ເພື່ອຮັບປະກັນການສະໜັບສະໜູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາຈະສະແດງເວັບໄຊໂດຍບໍ່ມີຮູບແບບ ແລະ JavaScript.
ມົນລະພິດຂອງດິນເປັນບັນຫາໃຫຍ່ທີ່ເກີດຈາກກິດຈະກໍາຂອງມະນຸດ. ການແຜ່ກະຈາຍທາງພື້ນທີ່ຂອງອົງປະກອບທີ່ເປັນພິດ (PTEs) ແຕກຕ່າງກັນຢູ່ໃນຕົວເມືອງແລະ peri-urban ສ່ວນໃຫຍ່. ດັ່ງນັ້ນ, ມັນເປັນການຍາກທີ່ຈະຄາດຄະເນເນື້ອໃນຂອງ PTEs ໃນດິນດັ່ງກ່າວ. ຈໍານວນທັງຫມົດ 115 ຕົວຢ່າງໄດ້ມາຈາກ Frydek Mistek ໃນສາທາລະນະລັດເຊັກ), ທາດໂປຼຕຽມ (ແຄຊຽມ) ແມກນີຊຽມ (Ca. ຄວາມເຂັ້ມຂຸ້ນຂອງ (Ni) ຖືກກຳນົດໂດຍໃຊ້ spectrometry ການປ່ອຍອາຍພິດໃນ plasma ຄູ່ກັນ inductively. ຕົວແປການຕອບສະ ໜອງ ແມ່ນ Ni ແລະຕົວຊີ້ບອກແມ່ນ Ca, Mg, ແລະ K. ມາຕຣິກເບື້ອງຄວາມສຳພັນລະຫວ່າງຕົວແປຕອບສະໜອງ ແລະ ຕົວແປຕົວແປທີ່ຄາດຄະເນສະແດງໃຫ້ເຫັນຄວາມສຳພັນທີ່ໜ້າພໍໃຈລະຫວ່າງອົງປະກອບຕ່າງໆ. ຜົນການພະຍາກອນໄດ້ສະແດງໃຫ້ເຫັນວ່າການປະເມີນຕົວແປຂອງຕົວປ່ຽນການຕອບສະ ໜອງ MR ໄດ້ດີ (Support Vector) (RMSE) (235.974 mg/kg) ແລະ ຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE) (166.946 mg/kg) ແມ່ນສູງກວ່າວິທີການອື່ນໆທີ່ນຳໃຊ້. ຮູບແບບປະສົມສຳລັບ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ປະຕິບັດໄດ້ບໍ່ດີ, ຕາມຫຼັກຖານໂດຍຄ່າສຳປະສິດຂອງ Bayesian ໜ້ອຍກວ່າການກຳນົດ 0.1. ຮູບແບບ Kriging-Support Vector Machine Regression (EBK-SVMR) ເປັນຕົວແບບທີ່ດີທີ່ສຸດ, ທີ່ມີຄ່າ RMSE ຕໍ່າ (95.479 mg/kg) ແລະ MAE (77.368 mg/kg) ແລະຄ່າສໍາປະສິດສູງໃນການກໍານົດ (R2 = 0.637).ເຕັກນິກການສ້າງແບບຈໍາລອງ EBK-SVMR ດ້ວຍຕົນເອງແມ່ນການສ້າງແຜນທີ່ແບບ neuroization. ຮູບແບບປະສົມ CakMg-EBK-SVMR ອົງປະກອບສະແດງຮູບແບບສີຫຼາຍສີທີ່ຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ແລະເຂດຕົວເມືອງ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າການລວມ EBK ແລະ SVMR ເປັນເຕັກນິກທີ່ມີປະສິດທິພາບໃນການຄາດເດົາຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ແລະເຂດຕົວເມືອງ.
ນິໂກ້ (Ni) ຖືວ່າເປັນຈຸລິນຊີຂອງພືດເພາະມັນປະກອບສ່ວນໃນການສ້ອມແຊມໄນໂຕຣເຈນໃນບັນຍາກາດ (N) ແລະທາດ urea metabolism, ທັງສອງອັນນີ້ຕ້ອງການການແຕກງອກຂອງເມັດ. ນອກຈາກການປະກອບສ່ວນໃນການແຕກງອກຂອງເມັດແລ້ວ, Ni ຍັງສາມາດເປັນສານຍັບຍັ້ງເຊື້ອເຫັດ ແລະແບັກທີເລຍ ແລະສົ່ງເສີມການພັດທະນາຂອງພືດ. ການຂາດ nickel ໃນດິນເຮັດໃຫ້ພືດສາມາດດູດຊຶມມັນ, ເຮັດໃຫ້ເກີດການເກີດຂອງ cowans ສີຂຽວ. ການໃຊ້ຝຸ່ນ nickel ເພື່ອເພີ່ມຄວາມເຂັ້ມຂົ້ນຂອງໄນໂຕຣເຈນ 2.ການສືບຕໍ່ນໍາໃຊ້ຝຸ່ນ nickel ຢ່າງຕໍ່ເນື່ອງເພື່ອເຮັດໃຫ້ດິນອຸດົມສົມບູນແລະເພີ່ມຄວາມສາມາດໃນການແກ້ໄຂໄນໂຕຣເຈນໃນດິນຢ່າງຕໍ່ເນື່ອງເຮັດໃຫ້ຄວາມເຂັ້ມຂົ້ນຂອງ nickel ໃນດິນເພີ່ມຂຶ້ນ. ເຖິງແມ່ນວ່າ nickel ເປັນ micronutrients ສໍາລັບພືດ, ການບໍລິໂພກຫຼາຍເກີນໄປໃນດິນສາມາດເປັນອັນຕະລາຍຫຼາຍກ່ວາທີ່ດີ. ເປັນສານອາຫານທີ່ຈໍາເປັນສໍາລັບການເຕີບໂຕຂອງພືດ1.ອີງຕາມ Liu3, Ni ໄດ້ຖືກພົບເຫັນວ່າເປັນອົງປະກອບທີ່ສໍາຄັນທີ 17 ທີ່ຈໍາເປັນສໍາລັບການພັດທະນາແລະການເຕີບໃຫຍ່ຂອງພືດ. ນອກຈາກບົດບາດຂອງ nickel ໃນການພັດທະນາແລະການເຕີບໂຕຂອງພືດ, ມະນຸດຕ້ອງການມັນສໍາລັບການນໍາໃຊ້ທີ່ຫລາກຫລາຍ. Electroplating, ການຜະລິດໂລຫະປະສົມ nickel, ແລະອຸປະກອນ ignition ແລະ spark plugs ໃນອຸດສາຫະກໍາອຸດສາຫະກໍາຕ່າງໆ. ໂລຫະປະສົມທີ່ອີງໃສ່ nickel ແລະບົດຄວາມ electroplated ໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງໃນເຄື່ອງຄົວ, ອຸປະກອນ ballroom, ອຸປະກອນອຸດສາຫະກໍາອາຫານ, ໄຟຟ້າ, ສາຍແລະສາຍ, turbines jet, implants ຜ່າຕັດ, ແຜ່ນແພ, ແລະ shipbuilding5.Ni-ອຸດົມສົມບູນໃນດິນ (ie, ດິນພື້ນຜິວ) ແທນທີ່ຈະເປັນແຫຼ່ງ anthropogenic ແລະທໍາມະຊາດ, ກ່ວາ 6.Ni-turpogenic. ແຫຼ່ງຂອງ nickel ປະກອບມີການລະເບີດຂອງພູເຂົາໄຟ, ພືດພັນ, ໄຟໄຫມ້ປ່າ, ແລະຂະບວນການທໍລະນີສາດ; ແນວໃດກໍ່ຕາມ, ແຫຼ່ງ anthropogenic ປະກອບມີຫມໍ້ໄຟ nickel / cadmium ໃນອຸດສາຫະກໍາເຫຼັກກ້າ, electroplating, ການເຊື່ອມ arc, ກາຊວນແລະນໍ້າມັນເຊື້ອໄຟ, ແລະການປ່ອຍອາຍພິດບັນຍາກາດຈາກການເຜົາໃຫມ້ຖ່ານຫີນແລະສິ່ງເສດເຫຼືອແລະ sludge incineration Nickel accumulation7,8.ອີງຕາມການ Freedman ແລະ Hutchinson9 ແລະ Manyiwa. 10, ແຫຼ່ງຕົ້ນຕໍຂອງມົນລະພິດຂອງດິນຊັ້ນເທິງໃນສະພາບແວດລ້ອມທັນທີທັນໃດແລະທີ່ຢູ່ໃກ້ຄຽງແມ່ນໂຮງງານຫລອມໂລຫະ nickel-copper ຕົ້ນຕໍແລະຂຸດຄົ້ນບໍ່ແຮ່. ດິນເທິງອ້ອມຮອບໂຮງກັ່ນ Nickel-copper Sudbury ໃນປະເທດການາດາມີລະດັບການປົນເປື້ອນຂອງ nickel ສູງສຸດຢູ່ທີ່ 26,000 mg/kg11. ໃນທາງກົງກັນຂ້າມ, ການຜະລິດ pollut ຂອງລັດເຊຍແມ່ນສູງກວ່າ nickel. ໃນດິນນໍເວ11.ອີງຕາມການ Alms et al. 12, ປະລິມານຂອງ nickel ທີ່ສາມາດສະກັດໄດ້ HNO3 ໃນພື້ນທີ່ປູກຝັງເທິງສຸດຂອງພາກພື້ນ (ການຜະລິດ nickel ໃນລັດເຊຍ) ມີຕັ້ງແຕ່ 6.25 ຫາ 136.88 mg/kg, ເທົ່າກັບ 30.43 mg/kg ແລະຄວາມເຂັ້ມຂຸ້ນຂອງພື້ນຖານຂອງ 25 mg/kg. ອີງຕາມການໃສ່ປຸ໋ຍກະເສດຂອງ kabata 11 in the kabata urban. ດິນ peri-urban ໃນລະດູການປູກພືດຢ່າງຕໍ່ເນື່ອງສາມາດ infuse ຫຼືປົນເປື້ອນໃນດິນ. ຜົນກະທົບຂອງ nickel ໃນມະນຸດອາດຈະນໍາໄປສູ່ການເປັນມະເຮັງໂດຍຜ່ານການ mutagenesis, ຄວາມເສຍຫາຍ chromosomal, ການຜະລິດ Z-DNA, ຕັນການສ້ອມແປງ DNA excision, ຫຼືຂະບວນການ epigenetic 13. ໃນການທົດລອງສັດ, nickel ໄດ້ຖືກພົບເຫັນວ່າມີທ່າແຮງທີ່ຈະເຮັດໃຫ້ເກີດຄວາມຫຼາກຫຼາຍຂອງ tumorac nickel ສະລັບສັບຊ້ອນ, ແລະ carcinogens.
ການປະເມີນການປົນເປື້ອນຂອງດິນມີຄວາມຈະເລີນຮຸ່ງເຮືອງໃນຊ່ວງທີ່ຜ່ານມາເນື່ອງຈາກບັນຫາສຸຂະພາບທີ່ກວ້າງຂວາງທີ່ເກີດຈາກຄວາມສໍາພັນທາງຊີວະພາບຂອງດິນແລະດິນ, ການເຊື່ອມໂຊມຂອງລະບົບນິເວດແລະການປະເມີນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມ. ມາຮອດປັດຈຸບັນ, ການຄາດຄະເນທາງພື້ນທີ່ຂອງອົງປະກອບທີ່ເປັນພິດ (PTEs) ເຊັ່ນ Ni ໃນດິນແມ່ນມີຄວາມຫນັກແຫນ້ນແລະໃຊ້ເວລາຫຼາຍໂດຍການນໍາໃຊ້ວິທີການແບບດິຈິຕອລ 1 ໃນປະຈຸບັນ. ການປັບປຸງການສ້າງແຜນທີ່ດິນທີ່ຄາດຄະເນ (PSM). ອີງຕາມ Minasny ແລະ McBratney16, ການສ້າງແຜນທີ່ດິນທີ່ຄາດຄະເນ (DSM) ໄດ້ພິສູດວ່າເປັນ subdiscipline ທີ່ໂດດເດັ່ນຂອງວິທະຍາສາດດິນ.Lagacherie ແລະ McBratney, 2006 ກໍານົດ DSM ເປັນ "ການສ້າງແລະການຕື່ມຂໍ້ມູນຂອງດິນທາງກວ້າງຂອງລະບົບໂດຍຜ່ານການນໍາໃຊ້ຂອງ inservational-spatial ແລະວິທີການຫ້ອງທົດລອງ. ລະບົບ”.McBratney et al. 17 ສະຫຼຸບວ່າ DSM ຫຼື PSM ໃນປະຈຸບັນແມ່ນເຕັກນິກທີ່ມີປະສິດທິພາບທີ່ສຸດໃນການຄາດເດົາຫຼືການສ້າງແຜນທີ່ການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ຂອງ PTEs, ປະເພດດິນແລະຄຸນສົມບັດຂອງດິນ. Geostatistics and Machine Learning Algorithms (MLA) ແມ່ນເຕັກນິກການສ້າງແບບຈໍາລອງ DSM ທີ່ສ້າງແຜນທີ່ດິຈິຕອນດ້ວຍການຊ່ວຍເຫຼືອຂອງຄອມພິວເຕີໂດຍໃຊ້ຂໍ້ມູນທີ່ສໍາຄັນແລະຫນ້ອຍ.
Deutsch18 ແລະ Olea19 ກໍານົດ geostatistics ເປັນ "ການລວບລວມເຕັກນິກການຕົວເລກທີ່ຈັດການກັບການເປັນຕົວແທນຂອງຄຸນລັກສະນະທາງກວ້າງຂອງພື້ນທີ່, ສ່ວນໃຫຍ່ແມ່ນໃຊ້ແບບຈໍາລອງ stochastic, ເຊັ່ນວ່າການວິເຄາະຊຸດເວລາມີລັກສະນະຂອງຂໍ້ມູນຊົ່ວຄາວ." ຕົ້ນຕໍ, geostatistics ກ່ຽວຂ້ອງກັບການປະເມີນຜົນຂອງ variograms, ເຊິ່ງອະນຸຍາດໃຫ້ Quantify ແລະກໍານົດ dependencies ຂອງມູນຄ່າທາງກວ້າງຂອງແຕ່ລະ dataset20.Gumiaux et al. 20 ສະແດງໃຫ້ເຫັນຕື່ມອີກວ່າການປະເມີນຜົນຂອງ variograms ໃນ geostatistics ແມ່ນອີງໃສ່ສາມຫຼັກການ, ລວມທັງ (a) ການຄິດໄລ່ຂະຫນາດຂອງການພົວພັນຂໍ້ມູນ, (b) ການກໍານົດແລະຄິດໄລ່ anisotropy ໃນຄວາມແຕກຕ່າງກັນຂອງຊຸດຂໍ້ມູນແລະ (c) ນອກເຫນືອໄປຈາກການຄໍານຶງເຖິງຄວາມຜິດພາດປະກົດຂຶ້ນຂອງຜົນກະທົບຂອງການວັດແທກຂໍ້ມູນທ້ອງຖິ່ນ, ແຍກອອກຈາກພື້ນທີ່ເຫຼົ່ານີ້. ເຕັກນິກການແຊກຊ້ອນຫຼາຍຢ່າງໄດ້ຖືກນໍາໃຊ້ໃນສະຖິຕິທາງພູມສາດ, ລວມທັງ kriging ທົ່ວໄປ, co-kriging, kriging ທໍາມະດາ, kriging Bayesian empirical, ວິທີການ kriging ງ່າຍດາຍແລະເຕັກນິກການ interpolation ທີ່ມີຊື່ສຽງອື່ນໆເພື່ອແຜນທີ່ຫຼືຄາດຄະເນ PTE, ລັກສະນະດິນ, ແລະປະເພດດິນ.
Machine Learning Algorithms (MLA) ເປັນເທັກນິກທີ່ຂ້ອນຂ້າງໃໝ່ທີ່ນຳໃຊ້ຫ້ອງຮຽນຂໍ້ມູນທີ່ບໍ່ເປັນເສັ້ນທີ່ໃຫຍ່ກວ່າ, ຂັບເຄື່ອນໂດຍສູດການຄິດໄລ່ທີ່ໃຊ້ຕົ້ນຕໍສຳລັບການຂຸດຄົ້ນຂໍ້ມູນ, ການກຳນົດຮູບແບບຂອງຂໍ້ມູນ ແລະ ນຳໃຊ້ຊ້ຳໆກັບການຈັດໝວດໝູ່ໃນຂະແໜງວິທະຍາສາດ ເຊັ່ນ: ວຽກງານວິທະຍາສາດດິນ ແລະ ວຽກງານກັບຄືນ. ເອກະສານການຄົ້ນຄວ້າຈຳນວນຫຼາຍແມ່ນອີງໃສ່ແບບຈຳລອງ MLA ເພື່ອຄາດຄະເນເຊັ່ນ PTE ໃນດິນ. 22 (ປ່າສຸ່ມສໍາລັບການຄາດຄະເນໂລຫະຫນັກໃນດິນກະສິກໍາ), Sakizadeh et al. 23 (ການສ້າງແບບຈໍາລອງການນໍາໃຊ້ເຄື່ອງ vector ສະຫນັບສະຫນູນແລະເຄືອຂ່າຍ neural ປອມ) ມົນລະພິດດິນ ).ນອກຈາກນັ້ນ, Vega et al. 24 (ໂຄງຮ່າງການສໍາລັບການສ້າງແບບຈໍາລອງການເກັບຮັກສາໂລຫະຫນັກແລະການດູດຊຶມໃນດິນ) Sun et al. 25 (ຄໍາຮ້ອງສະຫມັກ cubist ແມ່ນການແຜ່ກະຈາຍຂອງ Cd ໃນດິນ) ແລະສູດການຄິດໄລ່ອື່ນໆເຊັ່ນ: k-nearest ເພື່ອນບ້ານ, generalized boosted regression, ແລະ boosted regression ຕົ້ນໄມ້ຍັງໄດ້ນໍາໃຊ້ MLA ເພື່ອຄາດຄະເນ PTE ໃນດິນ.
ຄໍາຮ້ອງສະຫມັກຂອງ DSM algorithms ໃນການຄາດຄະເນຫຼືການສ້າງແຜນທີ່ປະເຊີນກັບສິ່ງທ້າທາຍຫຼາຍ. ຜູ້ຂຽນຫຼາຍຄົນເຊື່ອວ່າ MLA ແມ່ນດີກວ່າກັບ geostatistics ແລະໃນທາງກັບກັນ. ເຖິງແມ່ນວ່າຫນຶ່ງແມ່ນດີກ່ວາອີກ, ການປະສົມປະສານຂອງທັງສອງປັບປຸງລະດັບຄວາມຖືກຕ້ອງຂອງແຜນທີ່ຫຼືການຄາດຄະເນໃນ DSM15.Woodcock ແລະ Gopal26 Finke27; Pontius ແລະ Cheuk28 ແລະ Grunwald29 ຄໍາເຫັນກ່ຽວກັບຂໍ້ບົກຜ່ອງແລະຄວາມຜິດພາດບາງຢ່າງໃນແຜນທີ່ດິນທີ່ຄາດຄະເນ. ນັກວິທະຍາສາດດິນໄດ້ພະຍາຍາມຫຼາຍໆເຕັກນິກເພື່ອເພີ່ມປະສິດທິພາບ, ຄວາມຖືກຕ້ອງ, ແລະການຄາດເດົາຂອງແຜນທີ່ DSM ແລະການຄາດຄະເນ. ການປະສົມປະສານຂອງຄວາມບໍ່ແນ່ນອນແລະການກວດສອບແມ່ນຫນຶ່ງໃນຫຼາຍດ້ານທີ່ປະສົມປະສານເຂົ້າໃນ DSM ແລະການເພີ່ມປະສິດທິພາບຂອງຄວາມຜິດປົກກະຕິ. 15 ສະຫຼຸບວ່າພຶດຕິກໍາການກວດສອບແລະຄວາມບໍ່ແນ່ນອນທີ່ນໍາສະເຫນີໂດຍການສ້າງແຜນທີ່ແລະການຄາດຄະເນຄວນໄດ້ຮັບການກວດສອບຢ່າງເປັນເອກະລາດເພື່ອປັບປຸງຄຸນນະພາບແຜນທີ່. ຂໍ້ຈໍາກັດຂອງ DSM ແມ່ນເນື່ອງມາຈາກຄຸນນະພາບຂອງດິນທີ່ກະແຈກກະຈາຍທາງພູມິສາດ, ເຊິ່ງປະກອບດ້ວຍອົງປະກອບຂອງຄວາມບໍ່ແນ່ນອນ; ຢ່າງໃດກໍ່ຕາມ, ການຂາດຄວາມແນ່ນອນໃນ DSM ອາດຈະເກີດຂື້ນຈາກຫຼາຍແຫຼ່ງຂອງຄວາມຜິດພາດ, ຄືຄວາມຜິດພາດ covariate, ຄວາມຜິດພາດຂອງຕົວແບບ, ຄວາມຜິດພາດຂອງສະຖານທີ່, ແລະຄວາມຜິດພາດການວິເຄາະ 31.Modelling inaccuracies induced in MLA and geostatistical processes are associated with a ຂາດຄວາມເຂົ້າໃຈ, ໃນທີ່ສຸດນໍາໄປສູ່ການ oversimplification ຂອງຂະບວນການທີ່ແທ້ຈິງ.2. ຄວາມບໍ່ແນ່ນອນສາມາດເປັນຕົວກໍານົດການສ້າງແບບຈໍາລອງ, ການຄາດຄະເນແບບຈໍາລອງທາງຄະນິດສາດ, ຫຼື interpolation33. ບໍ່ດົນມານີ້, ແນວໂນ້ມ DSM ໃຫມ່ໄດ້ເກີດຂື້ນທີ່ສົ່ງເສີມການລວມຕົວຂອງ geostatistics ແລະ MLA ໃນແຜນທີ່ແລະການພະຍາກອນ. ນັກວິທະຍາສາດແລະຜູ້ຂຽນດິນຫຼາຍໆຄົນ, ເຊັ່ນ Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 ແລະ Tarasov et al. 37 ໄດ້ຂຸດຄົ້ນຄຸນນະພາບທີ່ຖືກຕ້ອງຂອງ geostatistics ແລະການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອສ້າງຕົວແບບປະສົມທີ່ປັບປຸງປະສິດທິພາບຂອງການຄາດຄະເນແລະການສ້າງແຜນທີ່. ຄຸນນະພາບ.ບາງຕົວແບບປະສົມ ຫຼື ສູດການຄິດໄລ່ແບບປະສົມເຫຼົ່ານີ້ຄື 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-Multier-36-Multier Co-Kriging and Gaussian Process Regression38.
ອີງຕາມການ Sergeev et al., ການສົມທົບເຕັກນິກການສ້າງແບບຈໍາລອງຕ່າງໆມີທ່າແຮງທີ່ຈະກໍາຈັດຂໍ້ບົກພ່ອງແລະເພີ່ມປະສິດທິພາບຂອງຕົວແບບປະສົມທີ່ມີຜົນໄດ້ຮັບແທນທີ່ຈະເປັນການພັດທະນາແບບຈໍາລອງດຽວຂອງມັນ. Empirical Bayesian Kriging (EBK) ເປັນຕົວແບບພື້ນຖານ ແລະປະສົມມັນກັບ Support Vector Machine (SVM) ແລະ Multiple Linear Regression (MLR) model.Hybridization of EBK with any MLA is not known. The multiple mixed model that see are combinations of common, residual, regression kriging, and MLA.EBK is a interpolicesatistic process that geostastic process. ໄດ້ຖືກທ້ອງຖິ່ນເປັນພາກສະຫນາມແບບສຸ່ມທີ່ບໍ່ແມ່ນສະຖານີ / stationary ກັບຕົວກໍານົດການ localization ທີ່ກໍານົດໄວ້ໃນໄລຍະພາກສະຫນາມ, ອະນຸຍາດໃຫ້ມີການປ່ຽນແປງທາງກວ້າງຂອງພື້ນ39.EBK ໄດ້ຖືກນໍາໃຊ້ໃນຫຼາຍໆການສຶກສາ, ລວມທັງການວິເຄາະການແຜ່ກະຈາຍຂອງຄາບອນອິນຊີໃນດິນກະສິກໍາ40, ການປະເມີນມົນລະພິດດິນ41 ແລະການສ້າງແຜນທີ່ຄຸນສົມບັດດິນ42.
ໃນອີກດ້ານຫນຶ່ງ, Self-Organizing Graph (SeOM) ແມ່ນວິທີການຮຽນຮູ້ທີ່ຖືກນໍາໃຊ້ໃນບົດຄວາມຕ່າງໆເຊັ່ນ Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 ແລະ Kebonye et al.46 ກໍານົດຄຸນລັກສະນະທາງກວ້າງຂອງພື້ນແລະການຈັດກຸ່ມຂອງອົງປະກອບ.Wang et al. 44 ສະຫຼຸບວ່າ SeOM ເປັນເຕັກນິກການຮຽນຮູ້ທີ່ມີປະສິດທິພາບທີ່ຮູ້ຈັກສໍາລັບຄວາມສາມາດໃນການຈັດກຸ່ມແລະຈິນຕະນາການບັນຫາທີ່ບໍ່ແມ່ນເສັ້ນ. ບໍ່ເຫມືອນກັບເຕັກນິກການຮັບຮູ້ຮູບແບບອື່ນໆເຊັ່ນ: ການວິເຄາະອົງປະກອບຕົ້ນຕໍ, ກຸ່ມ fuzzy, ກຸ່ມລໍາດັບຊັ້ນ, ແລະການຕັດສິນໃຈຫຼາຍເງື່ອນໄຂ, SeOM ແມ່ນດີກວ່າໃນການຈັດຕັ້ງແລະກໍານົດຮູບແບບ PTE. ອີງຕາມ Wang et al. 44, SeOM ສາມາດຈັດກຸ່ມການແຜ່ກະຈາຍຂອງ neurons ທີ່ກ່ຽວຂ້ອງໃນພື້ນທີ່ແລະສະຫນອງຂໍ້ມູນທີ່ມີຄວາມລະອຽດສູງ.SeOM ຈະເບິ່ງເຫັນຂໍ້ມູນການຄາດຄະເນ Ni ເພື່ອໃຫ້ໄດ້ຮັບຮູບແບບທີ່ດີທີ່ສຸດເພື່ອກໍານົດຜົນໄດ້ຮັບສໍາລັບການຕີຄວາມໂດຍກົງ.
ເອກະສານນີ້ມີຈຸດປະສົງເພື່ອສ້າງຮູບແບບແຜນທີ່ທີ່ເຂັ້ມແຂງທີ່ມີຄວາມຖືກຕ້ອງທີ່ດີທີ່ສຸດສໍາລັບການຄາດເດົາເນື້ອຫາ nickel ໃນດິນໃນຕົວເມືອງແລະ peri-urban. ພວກເຮົາສົມມຸດວ່າຄວາມຫນ້າເຊື່ອຖືຂອງຕົວແບບປະສົມສ່ວນໃຫຍ່ແມ່ນຂຶ້ນກັບອິດທິພົນຂອງຕົວແບບອື່ນໆທີ່ຕິດກັບຕົວແບບພື້ນຖານ. ພວກເຮົາຮັບຮູ້ສິ່ງທ້າທາຍທີ່ກໍາລັງປະເຊີນກັບ DSM, ແລະໃນຂະນະທີ່ສິ່ງທ້າທາຍເຫຼົ່ານີ້ກໍາລັງຖືກແກ້ໄຂໃນຫຼາຍໆດ້ານ, MLA. ເພີ່ມຂຶ້ນ; ດັ່ງນັ້ນ, ພວກເຮົາຈະພະຍາຍາມຕອບຄໍາຖາມການຄົ້ນຄວ້າທີ່ອາດຈະໃຫ້ຜົນໄດ້ຮັບແບບປະສົມ. ແນວໃດກໍ່ຕາມ, ຮູບແບບໃນການຄາດຄະເນອົງປະກອບເປົ້າຫມາຍແມ່ນຖືກຕ້ອງຫຼາຍປານໃດ? ນອກຈາກນັ້ນ, ລະດັບການປະເມີນຜົນປະສິດທິພາບໂດຍອີງໃສ່ການກວດສອບຄວາມຖືກຕ້ອງແລະຄວາມຖືກຕ້ອງແມ່ນຫຍັງ? ດັ່ງນັ້ນ, ເປົ້າຫມາຍສະເພາະຂອງການສຶກສານີ້ແມ່ນເພື່ອ (a) ສ້າງຕົວແບບປະສົມສໍາລັບ SVMR ຫຼື MLR ໂດຍໃຊ້ຕົວແບບປະສົມທີ່ດີທີ່ສຸດ (EBK) ເປັນຕົວແບບການປຽບທຽບທີ່ດີທີ່ສຸດ ຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ຫຼືເຂດຕົວເມືອງ, ແລະ (d) ການນຳໃຊ້ SeOM ເພື່ອສ້າງແຜນທີ່ຄວາມລະອຽດສູງຂອງການປ່ຽນແປງທາງກວ້າງຂອງ nickel.
ການສຶກສາດັ່ງກ່າວກໍາລັງດໍາເນີນຢູ່ໃນສາທາລະນະລັດເຊັກ, ໂດຍສະເພາະໃນເຂດ Frydek Mistek ໃນພາກພື້ນ Moravia-Silesian (ເບິ່ງຮູບ 1). ພູມສາດຂອງພື້ນທີ່ການສຶກສາແມ່ນມີຄວາມເຄັ່ງຄັດຫຼາຍແລະສ່ວນຫຼາຍແມ່ນສ່ວນຫນຶ່ງຂອງພາກພື້ນ Moravia-Silesian Beskidy, ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງຂອບນອກຂອງເຂດການສຶກສາ 'Carpathian' ° 14 ແລະ 4. 18° 20′ 0′ E, ແລະລະດັບຄວາມສູງລະຫວ່າງ 225 ແລະ 327 m; ແນວໃດກໍ່ຕາມ, ລະບົບການຈັດປະເພດ Koppen ສໍາລັບສະພາບດິນຟ້າອາກາດຂອງພາກພື້ນໄດ້ຖືກຈັດອັນດັບ Cfb = ສະພາບອາກາດໃນມະຫາສະຫມຸດ, ມີຝົນຕົກຫຼາຍເຖິງແມ່ນວ່າໃນລະດູແລ້ງ. ພື້ນທີ່ສໍາຫຼວດຂອງພື້ນທີ່ທັງຫມົດແມ່ນ 1,208 ຕາລາງກິໂລແມັດ, ມີ 39.38% ຂອງເນື້ອທີ່ປູກຝັງແລະ 49.36% ຂອງປ່າໄມ້ປົກຫຸ້ມ. ໃນທາງກົງກັນຂ້າມ, ພື້ນທີ່ທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນປະມານ 889.8 ຕາລາງກິໂລແມັດ. ໃນແລະອ້ອມຮອບ Ostrava, ອຸດສາຫະກໍາເຫຼັກກ້າແລະການເຮັດວຽກຂອງໂລຫະແມ່ນການເຄື່ອນໄຫວຫຼາຍ. ໂຮງງານໂລຫະທີ່ທົນທານຕໍ່ n ເຫຼັກ, ໂຮງງານຜະລິດເຫຼັກກ້າ, ໂຮງງານຜະລິດເຫຼັກກ້າ, ໂຮງງານຜະລິດເຫຼັກກ້າ, ໂຮງງານຜະລິດເຫຼັກກ້າ. corrosion) ແລະເຫຼັກໂລຫະປະສົມ (nickel ເພີ່ມຄວາມເຂັ້ມແຂງຂອງໂລຫະປະສົມໃນຂະນະທີ່ຮັກສາ ductility ທີ່ດີແລະຄວາມທົນທານ), ແລະການກະສິກໍາທີ່ເຂັ້ມງວດເຊັ່ນ: ຝຸ່ນ phosphate ແລະການລ້ຽງສັດແມ່ນການຄົ້ນຄວ້າແຫຼ່ງທີ່ມີທ່າແຮງຂອງ nickel ໃນພາກພື້ນ (ເຊັ່ນ: ການເພີ່ມ nickel ໃສ່ລູກແກະເພື່ອເພີ່ມອັດຕາການຂະຫຍາຍຕົວຂອງລູກແກະແລະງົວຕ່ໍາ). ການນໍາໃຊ້ອຸດສາຫະກໍາອື່ນໆຂອງ nickel ໄຟຟ້າໃນພື້ນທີ່ຄົ້ນຄ້ວາ nickel ທີ່ບໍ່ມີໄຟຟ້າ, ລວມທັງ nickel. ຂະບວນການຊຸບ.ຄຸນສົມບັດຂອງດິນແມ່ນຈຳແນກໄດ້ຢ່າງງ່າຍດາຍຈາກສີ, ໂຄງສ້າງ, ແລະເນື້ອໃນຂອງຄາບອນ.ໂຄງສ້າງຂອງດິນແມ່ນປານກາງຫາລະອຽດ, ໄດ້ມາຈາກວັດສະດຸຫຼັກ. ພວກມັນມີລັກສະນະລວມໝູ່, ຊັ້ນລຸ່ມ ຫຼື ແອໂອລຽນ ໃນທຳມະຊາດ. ບາງພື້ນທີ່ດິນປະກົດມີຮອຍເປື້ອນຢູ່ໃນພື້ນຜິວ ແລະ ດິນຍ່ອຍ, ມັກຈະມີສີມັງ ແລະ ການຟອກຂາວ. ແນວໃດກໍ່ຕາມ, ຊະນິດຂອງດິນມີທັງໝົດ 8 ປະເພດ. ລະດັບຄວາມສູງຕັ້ງແຕ່ 455.1 ຫາ 493.5 m, cambisols ຄອບຄອງສາທາລະນະລັດເຊັກ49.
ແຜນທີ່ພື້ນທີ່ການສຶກສາ [ແຜນທີ່ພື້ນທີ່ການສຶກສາຖືກສ້າງຂຶ້ນໂດຍໃຊ້ ArcGIS Desktop (ESRI, Inc, ຮຸ່ນ 10.7, URL: https://desktop.arcgis.com).]
ຕົວຢ່າງດິນເທິງທັງໝົດ 115 ຕົວຢ່າງແມ່ນໄດ້ມາຈາກດິນໃນຕົວເມືອງ ແລະ ຕົວເມືອງໃນເຂດ Frydek Mistek. ຮູບແບບຕົວຢ່າງທີ່ໃຊ້ແມ່ນຕາຂ່າຍປົກກະຕິທີ່ມີຕົວຢ່າງດິນຢູ່ຫ່າງກັນ 2 × 2 ກິໂລແມັດ, ແລະດິນຊັ້ນເທິງໄດ້ຖືກວັດແທກຄວາມເລິກ 0 ຫາ 20 ຊຕມໂດຍໃຊ້ອຸປະກອນ GPS ທີ່ຖືດ້ວຍມື (ຖົງ Leica Zeno 5 ທີ່ມີສະຫຼາກແລະ GPS ຢ່າງຖືກຕ້ອງ). ຫ້ອງທົດລອງ.ຕົວຢ່າງໄດ້ຖືກເຮັດໃຫ້ແຫ້ງດ້ວຍອາກາດເພື່ອຜະລິດຕົວຢ່າງທີ່ເປັນຝຸ່ນ, ຂັດດ້ວຍລະບົບກົນຈັກ (ໂຮງງານແຜ່ນ Fritsch), ແລະ sieved ( sieve ຂະຫນາດ 2 ມມ).ວາງ 1 ກຼາມຂອງດິນແຫ້ງ, ເປັນ homogenized ແລະ sieved ໃນຂວດ teflon ທີ່ຕິດສະຫຼາກຢ່າງຊັດເຈນ. ໃນເຮືອ Teflon ແຕ່ລະ, dispense 7% H 3% 5 ml ຂອງ 3 ml (3 ມລ) ເຄື່ອງແຈກຈ່າຍອັດຕະໂນມັດ – ຫນຶ່ງອັນສໍາລັບແຕ່ລະອາຊິດ), ກວມເອົາເບົາໆແລະປ່ອຍໃຫ້ຕົວຢ່າງຢືນຄືນສໍາລັບປະຕິກິລິຍາ (ໂຄງການ aqua regia). ວາງ supernatant ເທິງແຜ່ນໂລຫະຮ້ອນ (ອຸນຫະພູມ: 100 W ແລະ 160 °C) ເປັນເວລາ 2 ຊົ່ວໂມງເພື່ອອໍານວຍຄວາມສະດວກຂະບວນການຍ່ອຍອາຫານຂອງຕົວຢ່າງ, ຫຼັງຈາກນັ້ນເຮັດໃຫ້ເຢັນ. ໂອນ supernatant ກັບນ້ໍາ 50 ml. ແລະ 50 ml. ວ່າ, ການກັ່ນຕອງ supernatant ເຈືອຈາງເຂົ້າໄປໃນທໍ່ PVC 50 ml ທີ່ມີນ້ໍາ deionized. ນອກຈາກນັ້ນ, 1 ml ຂອງການແກ້ໄຂການເຈືອຈາງໄດ້ຖືກເຈືອຈາງດ້ວຍ 9 ml ຂອງ deionized ນ້ໍາແລະການກັ່ນຕອງເຂົ້າໄປໃນທໍ່ 12 ml ກະກຽມສໍາລັບ PTE pseudo-concentration.ຄວາມເຂັ້ມຂຸ້ນຂອງ PTEs (As, Cd, Cr, Cub, Mg), Mn, ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ຕາມວິທີການມາດຕະຖານ ແລະຂໍ້ຕົກລົງ. ຂັ້ນຕອນການຮັບປະກັນຄຸນນະພາບ ແລະການຄວບຄຸມ (QA/QC) (SRM NIST 2711a Montana II Soil).PTEs ທີ່ມີຂີດຈຳກັດການກວດຫາທີ່ນຳໃຊ້ໜ້ອຍກວ່າເຄິ່ງໜຶ່ງຂອງການສຶກສານີ້ແມ່ນຍົກເວັ້ນ. 0.0004.(ທ່ານ).ນອກຈາກນັ້ນ, ຂະບວນການຄວບຄຸມຄຸນນະພາບ ແລະ ການຮັບປະກັນຄຸນນະພາບຂອງແຕ່ລະການວິເຄາະແມ່ນໄດ້ຮັບປະກັນໂດຍການວິເຄາະມາດຕະຖານການອ້າງອິງ. ເພື່ອໃຫ້ແນ່ໃຈວ່າຄວາມຜິດພາດໄດ້ຖືກຫຼຸດລົງ, ການວິເຄາະສອງເທົ່າໄດ້ຖືກປະຕິບັດ.
Empirical Bayesian Kriging (EBK) ແມ່ນຫນຶ່ງໃນຫຼາຍເຕັກນິກການແຊກແຊງທາງພູມສາດທີ່ໃຊ້ໃນການສ້າງແບບຈໍາລອງໃນຂົງເຂດທີ່ຫຼາກຫຼາຍເຊັ່ນ: ວິທະຍາສາດດິນ. ບໍ່ເຫມືອນກັບເຕັກນິກການແຊກແຊງ kriging ອື່ນໆ, EBK ແຕກຕ່າງຈາກວິທີການ kriging ແບບດັ້ງເດີມໂດຍການພິຈາລະນາຄວາມຜິດພາດທີ່ຄາດຄະເນໂດຍຕົວແບບ semivariogram ແທນທີ່ຈະເປັນແບບຈໍາລອງ. ໃນ EBK interpolation ຫຼາຍກວ່າແບບ interpolation, ຫຼາຍໆຕົວແບບ semivariogram. semivariogram.Interpolation ເຕັກນິກເຮັດໃຫ້ວິທີການສໍາລັບຄວາມບໍ່ແນ່ນອນແລະການດໍາເນີນໂຄງການທີ່ກ່ຽວຂ້ອງກັບການວາງແຜນຂອງ semivariogram ນີ້ທີ່ປະກອບເປັນສ່ວນທີ່ຊັບຊ້ອນສູງຂອງວິທີການ kriging ພຽງພໍ. ຂະບວນການ interpolation ຂອງ EBK ປະຕິບັດຕາມສາມເງື່ອນໄຂທີ່ສະເຫນີໂດຍ Krivoruchko50, (a) ຮູບແບບຄາດຄະເນ semivariogram ຈາກແຕ່ລະຂໍ້ມູນທີ່ຕັ້ງໄວ້ທີ່ຄາດການ, ມູນຄ່າທີ່ສ້າງຂຶ້ນ (b). semivariogram ແລະ (c) ແບບຈໍາລອງ A ສຸດທ້າຍແມ່ນຄໍານວນຈາກຊຸດຂໍ້ມູນຈໍາລອງ. ກົດລະບຽບສົມຜົນ Bayesian ແມ່ນຖືກມອບໃຫ້ເປັນ posterior.
ບ່ອນທີ່ \(Prob\left(A\right)\) ເປັນຕົວແທນກ່ອນ, \(Prob\left(B\right)\) ຄວາມເປັນໄປໄດ້ຂອງຂອບແມ່ນຖືກລະເລີຍໃນກໍລະນີຫຼາຍທີ່ສຸດ, \(Prob (B,A)\) .ການຄິດໄລ່ semivariogram ແມ່ນອີງໃສ່ກົດລະບຽບ Bayes, ເຊິ່ງສະແດງໃຫ້ເຫັນເຖິງແນວໂນ້ມຂອງຂໍ້ມູນການສັງເກດການຂອງ semivariogram ທີ່ສາມາດກໍານົດໄດ້. ກົດລະບຽບຂອງ Bayes, ເຊິ່ງລະບຸວ່າມັນເປັນໄປໄດ້ແນວໃດທີ່ຈະສ້າງຊຸດຂໍ້ມູນການສັງເກດການຈາກ semivariogram.
ເຄື່ອງ vector ສະຫນັບສະຫນູນແມ່ນລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ສ້າງ hyperplane ແຍກທີ່ດີທີ່ສຸດເພື່ອຈໍາແນກຫ້ອງຮຽນເອກະລາດທີ່ຄືກັນແຕ່ບໍ່ແມ່ນ linearly ເອກະລາດ.Vapnik51 ໄດ້ສ້າງລະບົບການຈັດປະເພດໂດຍເຈດຕະນາ, ແຕ່ບໍ່ດົນມານີ້ໄດ້ຖືກນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາ regression-oriented. ອີງຕາມ Li et al.52, classifiers ໄດ້ຖືກນໍາໃຊ້ດີທີ່ສຸດໃນພາກສະຫນາມຫນຶ່ງແລະເຕັກນິກການ. ອົງປະກອບຂອງ SVM (Support Vector Machine Regression – SVMR) ໄດ້ຖືກນໍາໃຊ້ໃນການວິເຄາະນີ້.Cherkassky ແລະ ​​Mulier53 pioneered SVMR ເປັນການຖົດຖອຍໂດຍອີງໃສ່ແກ່ນ, ການຄິດໄລ່ທີ່ໄດ້ປະຕິບັດໂດຍໃຊ້ຕົວແບບ regression linear ກັບ multi-country spatial functions.John et alysplasion report, hyperplasia emplosar 4 ບົດລາຍງານ. ສ້າງຄວາມສໍາພັນທີ່ບໍ່ແມ່ນເສັ້ນແລະອະນຸຍາດໃຫ້ປະຕິບັດຫນ້າທາງກວ້າງຂອງພື້ນ. ອີງຕາມການ Vohland et al. 55, epsilon (ε)-SVMR ໃຊ້ຊຸດຂໍ້ມູນທີ່ໄດ້ຮັບການຝຶກອົບຮົມເພື່ອໃຫ້ໄດ້ແບບຈໍາລອງການເປັນຕົວແທນເປັນຟັງຊັນ epsilon-insensitive ທີ່ຖືກນໍາໃຊ້ເພື່ອແຜນທີ່ຂໍ້ມູນຢ່າງເປັນເອກະລາດກັບ epsilon bias ທີ່ດີທີ່ສຸດຈາກການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ. ຄວາມຜິດພາດທີ່ກໍານົດໄວ້ລ່ວງຫນ້າແມ່ນຖືກລະເວັ້ນຈາກມູນຄ່າຕົວຈິງ, ແລະຖ້າຄວາມຜິດພາດແມ່ນໃຫຍ່ກວ່າ, ຊັບຊ້ອນຂອງດິນ ε(ε) compensate. ຂໍ້​ມູນ​ການ​ຝຶກ​ອົບ​ຮົມ​ກັບ​ຊຸດ​ຍ່ອຍ​ທີ່​ກວ້າງ​ຂວາງ​ຂອງ​ສະ​ຫນັບ​ສະ​ຫນູນ vectors. ສົມ​ຜົນ​ສະ​ເຫນີ​ໂດຍ Vapnik51 ແມ່ນ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ຂ້າງ​ລຸ່ມ​ນີ້​.
ບ່ອນທີ່ b ເປັນຕົວແທນຂອງເກນການສະເກັດເງິນ, \(K\left({x}_{,}{x}_{k}\right)\) ເປັນຕົວແທນຂອງຟັງຊັນເຄີເນລ, \(\alpha\) ເປັນຕົວແທນຂອງຕົວຄູນ Lagrange, N ເປັນຕົວແທນຂອງຊຸດຂໍ້ມູນຕົວເລກ, \({x}_{k}\) ສະແດງເຖິງການປ້ອນຂໍ້ມູນ, ແລະຂໍ້ມູນຂອງ \(OSV\) ແມ່ນໃຊ້ອອກ. ການດໍາເນີນງານ, ເຊິ່ງເປັນຟັງຊັນພື້ນຖານຂອງ Gaussian radial (RBF). kernel RBF ຖືກນໍາໃຊ້ເພື່ອກໍານົດຮູບແບບ SVMR ທີ່ດີທີ່ສຸດ, ເຊິ່ງເປັນສິ່ງສໍາຄັນທີ່ຈະໄດ້ຮັບປັດໄຈການລົງໂທດທີ່ລະອຽດອ່ອນທີ່ສຸດ C ແລະຕົວກໍານົດການ gamma (γ) kernel ສໍາລັບຂໍ້ມູນການຝຶກອົບຮົມ PTE. ທໍາອິດ, ພວກເຮົາປະເມີນຊຸດການຝຶກອົບຮົມແລະຫຼັງຈາກນັ້ນທົດສອບການປະຕິບັດຕົວແບບໃນຕົວກໍານົດການກໍານົດຄ່າ siringma ທີ່ຖືກຕ້ອງ. svmRadial.
ຮູບແບບການຖົດຖອຍເສັ້ນຫຼາຍເສັ້ນ (MLR) ແມ່ນຕົວແບບການຖົດຖອຍທີ່ສະແດງເຖິງຄວາມສຳພັນລະຫວ່າງຕົວແປການຕອບສະໜອງ ແລະຕົວແປການຄາດເດົາຈຳນວນໜຶ່ງໂດຍໃຊ້ຕົວກໍານົດການລວມເສັ້ນທີ່ຄຳນວນໂດຍໃຊ້ວິທີການສີ່ຫຼ່ຽມຫຼ່ຽມນ້ອຍທີ່ສຸດ. ໃນ MLR, ແບບຈຳລອງສີ່ຫຼ່ຽມຫຼ່ຽມນ້ອຍແມ່ນໜ້າທີ່ຄາດຄະເນຂອງຄຸນສົມບັດຂອງດິນຫຼັງຈາກການເລືອກຕົວແປອະທິບາຍ. ມັນຈໍາເປັນຕ້ອງໃຊ້ການຕອບສະ ໜອງ linear variable TE. ຖືກນໍາໃຊ້ເປັນຕົວແປການຕອບໂຕ້ເພື່ອສ້າງຄວາມສໍາພັນທາງເສັ້ນກັບຕົວແປຄໍາອະທິບາຍ. ສົມຜົນ MLR ແມ່ນ
ບ່ອນທີ່ y ແມ່ນຕົວແປການຕອບໂຕ້, \(a\) ແມ່ນການຂັດຂວາງ, n ແມ່ນຕົວເລກຂອງຕົວຄາດຄະເນ, \({b}_{1}\) ແມ່ນການຖົດຖອຍບາງສ່ວນຂອງຄ່າສຳປະສິດ, \({x}_{i}\) ເປັນຕົວແທນຂອງຕົວແປທີ່ຄາດເດົາ ຫຼືຕົວແປທີ່ອະທິບາຍ, ແລະ \({\varepsilon }_{i}\) ເປັນຕົວແທນໃນແບບຈໍາລອງ, error.
ແບບປະສົມໄດ້ຖືກໄດ້ຮັບໂດຍການ sandwiching EBK ກັບ SVMR ແລະ MLR.ນີ້ແມ່ນເຮັດໄດ້ໂດຍການສະກັດຄ່າທີ່ຄາດຄະເນຈາກ EBK interpolation. ຄ່າຄາດຄະເນທີ່ໄດ້ຮັບຈາກ interpolated Ca, K, ແລະ Mg ແມ່ນໄດ້ຮັບໂດຍຜ່ານຂະບວນການປະສົມປະສານເພື່ອໃຫ້ໄດ້ຕົວແປໃຫມ່, ເຊັ່ນ: CaK, M, CagMag ແລະອົງປະກອບຂອງ. ຕົວແປທີ່ສີ່, CaKMg. ໂດຍລວມແລ້ວ, ຕົວແປທີ່ໄດ້ຮັບແມ່ນ Ca, K, Mg, CaK, CaMg, KMg ແລະ CaKMg. ຕົວແປເຫຼົ່ານີ້ໄດ້ກາຍເປັນຕົວຊີ້ບອກຂອງພວກເຮົາ, ຊ່ວຍຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນໃນຕົວເມືອງ ແລະ ບໍລິເວນຕົວເມືອງ. The SVMR algorithm ປະຕິບັດການແບບປະສົມຂອງ Empirical ຄາດຄະເນ. Kriging-Support Vector Machine (EBK_SVM).ເຊັ່ນດຽວກັນ, ຕົວແປຕ່າງໆຍັງຖືກທໍ່ຜ່ານລະບົບ MLR algorithm ເພື່ອໃຫ້ໄດ້ແບບປະສົມ Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR).ໂດຍປົກກະຕິແລ້ວ, ຕົວແປແມ່ນໃຊ້ເປັນ Ca, K, Mg, CaK, Mgari, CaK, Mgates, Ca, Ca, Ca, Ca, Ca. ການຄາດຄະເນຂອງເນື້ອໃນ Ni ໃນດິນໃນຕົວເມືອງ ແລະເຂດຕົວເມືອງ. ຮູບແບບທີ່ຍອມຮັບໄດ້ຫຼາຍທີ່ສຸດ (EBK_SVM ຫຼື EBK_MLR) ຈະຖືກສະແດງເປັນພາບໂດຍໃຊ້ກາຟຈັດລະບຽບດ້ວຍຕົນເອງ. ຂັ້ນຕອນການເຮັດວຽກຂອງການສຶກສານີ້ແມ່ນສະແດງຢູ່ໃນຮູບທີ 2.
ການນໍາໃຊ້ SeOM ໄດ້ກາຍເປັນເຄື່ອງມືທີ່ນິຍົມໃນການຈັດຕັ້ງ, ການປະເມີນແລະການພະຍາກອນຂໍ້ມູນໃນຂະແຫນງການເງິນ, ການດູແລສຸຂະພາບ, ອຸດສາຫະກໍາ, ສະຖິຕິ, ວິທະຍາສາດດິນ, ແລະອື່ນໆ.SeOM ຖືກສ້າງຂື້ນໂດຍໃຊ້ເຄືອຂ່າຍ neural ທຽມແລະວິທີການຮຽນຮູ້ທີ່ບໍ່ໄດ້ຮັບການເບິ່ງແຍງສໍາລັບການຈັດຕັ້ງ, ການປະເມີນຜົນແລະການຄາດຄະເນ. ການປະເມີນຜົນໄດ້ຖືກນໍາໃຊ້ເປັນ n input-dimensional vector variables43,56.Melssen et al. 57 ອະທິບາຍການເຊື່ອມຕໍ່ຂອງ vector input ເຂົ້າໄປໃນ neural network ຜ່ານຊັ້ນ input ດຽວກັບ output vector ທີ່ມີ vector ນ້ໍາຫນັກດຽວ. Output ທີ່ສ້າງຂຶ້ນໂດຍ SeOM ແມ່ນແຜນທີ່ສອງມິຕິລະດັບທີ່ປະກອບດ້ວຍ neurons ຫຼື nodes ທີ່ແຕກຕ່າງກັນ woven ເປັນ hexagonal, ວົງ, ຫຼື square topological ແຜນທີ່ຕາມຄວາມໃກ້ຊິດຂອງເຂົາເຈົ້າ. (TE), ຮູບແບບ SeOM ທີ່ມີ 0.086 ແລະ 0.904, ຕາມລໍາດັບ, ຖືກເລືອກ, ເຊິ່ງເປັນຫນ່ວຍງານ 55-map (5 × 11).ໂຄງສ້າງຂອງ neuron ຖືກກໍານົດຕາມຈໍານວນ nodes ໃນສົມຜົນ empirical.
ຈໍານວນຂໍ້ມູນທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນ 115 ຕົວຢ່າງ. ວິທີການແບບສຸ່ມໄດ້ຖືກນໍາໃຊ້ເພື່ອແຍກຂໍ້ມູນອອກເປັນຂໍ້ມູນການທົດສອບ (25% ສໍາລັບການກວດສອບ) ແລະຊຸດຂໍ້ມູນການຝຶກອົບຮົມ (75% ສໍາລັບການປັບທຽບ). ຊຸດຂໍ້ມູນການຝຶກອົບຮົມແມ່ນໃຊ້ເພື່ອສ້າງຕົວແບບ regression (calibration), ແລະຊຸດຂໍ້ມູນການທົດສອບແມ່ນໃຊ້ເພື່ອກວດສອບຄວາມສາມາດທົ່ວໄປຂອງດິນ 58. ນີ້ແມ່ນເຮັດເພື່ອປະເມີນເນື້ອຫາຂອງຕົວແບບຕ່າງໆ. ໄດ້ຜ່ານຂັ້ນຕອນການກວດສອບສິບເທື່ອ, ເຮັດຊ້ຳອີກ 5 ເທື່ອ. ຕົວແປທີ່ຜະລິດໂດຍ EBK interpolation ແມ່ນໃຊ້ເປັນຕົວຊີ້ບອກ ຫຼືຕົວແປທີ່ອະທິບາຍເພື່ອຄາດຄະເນຕົວແປເປົ້າໝາຍ (PTE).ການສ້າງແບບຈໍາລອງຖືກຈັດການໃນ RStudio ໂດຍໃຊ້ packages library(Kohonen), library(caret), library(modelr), library("e1071″), library("e1071″), library("e1071″), prospectr”) ແລະຫ້ອງສະຫມຸດ (“Metrics”).
ຕົວກໍານົດການກວດສອບຕ່າງໆໄດ້ຖືກນໍາໃຊ້ເພື່ອກໍານົດຕົວແບບທີ່ດີທີ່ສຸດທີ່ເຫມາະສົມສໍາລັບການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນແລະການປະເມີນຄວາມຖືກຕ້ອງຂອງຕົວແບບແລະຄວາມຖືກຕ້ອງຂອງມັນ. ຮູບແບບການປະສົມໄດ້ຖືກປະເມີນໂດຍໃຊ້ຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE), ຄວາມຜິດພາດຂອງຮາກຫມາຍຄວາມວ່າສີ່ຫລ່ຽມ (RMSE), ແລະ R-squared ຫຼືການກໍານົດຄ່າສໍາປະສິດ in deferance (R2). regression model.RMSE ແລະຄວາມແຕກຕ່າງກັນໃນມາດຕະການເອກະລາດອະທິບາຍພະລັງງານຄາດຄະເນຂອງຕົວແບບ, ໃນຂະນະທີ່ MAE ກໍານົດມູນຄ່າຕົວຈິງ. ມູນຄ່າ R2 ຕ້ອງສູງເພື່ອປະເມີນຕົວແບບປະສົມທີ່ດີທີ່ສຸດໂດຍໃຊ້ຕົວກໍານົດການຢືນຢັນ, ຄ່າທີ່ໃກ້ຊິດກັບ 1, ຄວາມຖືກຕ້ອງສູງກວ່າ. ອີງຕາມ Li et al. 59, ຄ່າ R2 criterion ຂອງ 0.75 ຫຼື​ຫຼາຍ​ກວ່າ​ແມ່ນ​ພິ​ຈາ​ລະ​ນາ​ການ​ຄາດ​ຄະ​ເນ​ທີ່​ດີ​; ຈາກ 0.5 ຫາ 0.75 ແມ່ນການປະຕິບັດຕົວແບບທີ່ຍອມຮັບໄດ້, ແລະຕ່ໍາກວ່າ 0.5 ແມ່ນການປະຕິບັດຕົວແບບທີ່ບໍ່ສາມາດຍອມຮັບໄດ້. ເມື່ອເລືອກຕົວແບບໂດຍໃຊ້ວິທີການປະເມີນເງື່ອນໄຂການກວດສອບຄວາມຖືກຕ້ອງຂອງ RMSE ແລະ MAE, ມູນຄ່າຕ່ໍາທີ່ໄດ້ຮັບແມ່ນພຽງພໍແລະຖືກພິຈາລະນາເປັນທາງເລືອກທີ່ດີທີ່ສຸດ. ສົມຜົນຕໍ່ໄປນີ້ອະທິບາຍວິທີການກວດສອບ.
ບ່ອນທີ່ n ເປັນຕົວແທນຂອງຂະຫນາດຂອງຄ່າທີ່ສັງເກດເຫັນ\({Y}_{i}\) ເປັນຕົວແທນຂອງການຕອບສະຫນອງທີ່ວັດແທກ, ແລະ \({\widehat{Y}}_{i}\) ຍັງສະແດງຄ່າຕອບໂຕ້ທີ່ຄາດຄະເນ, ດັ່ງນັ້ນ, ສໍາລັບການສັງເກດຄັ້ງທໍາອິດ i.
ລາຍລະອຽດທາງສະຖິຕິຂອງຕົວແປການຄາດເດົາ ແລະຕົວແປຕອບສະໜອງແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 1, ສະແດງໃຫ້ເຫັນຄ່າສະເລ່ຍ, ຄ່າບ່ຽງເບນມາດຕະຖານ (SD), ຄ່າສໍາປະສິດຂອງການປ່ຽນແປງ (CV), ຕໍາ່ສຸດ, ສູງສຸດ, kurtosis, ແລະ skewness.ຄ່າຕໍາ່ສຸດ ແລະສູງສຸດຂອງອົງປະກອບແມ່ນຢູ່ໃນລໍາດັບຫຼຸດລົງຂອງຕົວຢ່າງ Mg < Ca< K< Ni ແລະ Ca < Mg < K. < Concentives ຂອງຕົວຢ່າງການຕອບສະຫນອງ (ຕາມລໍາດັບ). ຈາກພື້ນທີ່ການສຶກສາຕັ້ງແຕ່ 4.86 ຫາ 42.39 mg/kg. ການປຽບທຽບ Ni ກັບສະເລ່ຍຂອງໂລກ (29 mg/kg) ແລະ European average (37 mg/kg) ສະແດງໃຫ້ເຫັນວ່າຄ່າສະເລ່ຍເລຂາຄະນິດທີ່ຄິດໄລ່ໄດ້ໂດຍລວມສໍາລັບພື້ນທີ່ສຶກສາແມ່ນຢູ່ພາຍໃນຂອບເຂດທີ່ທົນທານໄດ້. ຢ່າງໃດກໍຕາມ, ດັ່ງທີ່ສະແດງໂດຍ Kabata-Pendias11, ການປຽບທຽບຂອງກະສິກໍາໃນສະວີເດັນ (Niick ສະເລ່ຍ) ໃນປະຈຸບັນ. ຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ສະເລ່ຍໃນປະຈຸບັນແມ່ນສູງກວ່າ. ເຊັ່ນດຽວກັນ, ຄວາມເຂັ້ມຂຸ້ນສະເລ່ຍຂອງ Frydek Mistek ໃນດິນໃນຕົວເມືອງແລະ peri-urban ໃນການສຶກສາໃນປະຈຸບັນ (Ni 16.15 mg / kg) ແມ່ນສູງກວ່າຂອບເຂດທີ່ອະນຸຍາດຂອງ 60 (10.2 mg / kg) ສໍາລັບ Ni ໃນດິນໃນຕົວເມືອງຂອງໂປໂລຍລາຍງານໂດຍ Różański et al. ຫຼາຍ, al.F. ຄວາມເຂັ້ມຂຸ້ນ (1.78 mg/kg) ໃນດິນໃນຕົວເມືອງໃນ Tuscany ເມື່ອທຽບກັບການສຶກສາໃນປະຈຸບັນ.Jim62 ຍັງພົບເຫັນຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ຕ່ໍາ (12.34 mg/kg) ໃນດິນໃນຕົວເມືອງຂອງຮ່ອງກົງ, ເຊິ່ງຕ່ໍາກວ່າຄວາມເຂັ້ມຂົ້ນຂອງ nickel ໃນປະຈຸບັນໃນການສຶກສານີ້. Birke et al63 ລາຍງານຄວາມເຂັ້ມຂົ້ນຂອງ Ni ສະເລ່ຍຂອງ 17.6 mg/kg ໃນປະເທດເຢຍລະມັນ, ພື້ນທີ່ອຸດສາຫະກໍາທີ່ລ້າສະໄຫມ, 17.6 mg/kg ຂອງເຢຍລະມັນ. ແມ່ນ 1.45 mg/kg ສູງກວ່າຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ສະເລ່ຍໃນພື້ນທີ່ (16.15 mg/kg). ການຄົ້ນຄວ້າໃນປະຈຸບັນ. ເນື້ອໃນຂອງ nickel ຫຼາຍເກີນໄປໃນດິນໃນບາງເຂດຕົວເມືອງແລະເຂດຊານເມືອງຂອງເຂດການສຶກສາອາດຈະເປັນເຫດຜົນຕົ້ນຕໍໃນອຸດສາຫະກໍາເຫຼັກແລະເຫຼັກກ້າແລະອຸດສາຫະກໍາໂລຫະ. ນີ້ສອດຄ່ອງກັບການສຶກສາໂດຍ Khodadoust et al. 64 ວ່າອຸດສາຫະກໍາເຫຼັກກ້າແລະໂລຫະແມ່ນແຫຼ່ງຕົ້ນຕໍຂອງການປົນເປື້ອນ nickel ໃນດິນ. ແນວໃດກໍ່ຕາມ, ການຄາດຄະເນຍັງຕັ້ງແຕ່ 538.70 mg/kg ຫາ 69,161.80 mg/kg ສໍາລັບ Ca, 497.51 mg/kg ຫາ 3535.68 mg/kg ສໍາລັບ K, ແລະ 6705 mg/kg forkg. Mg.Jakovljevic et al. 65 ໄດ້ສືບສວນປະລິມານ Mg ແລະ K ທັງຫມົດຂອງດິນໃນພາກກາງຂອງ Serbia. ພວກເຂົາເຈົ້າພົບວ່າຄວາມເຂັ້ມຂຸ້ນທັງຫມົດ (410 mg / kg ແລະ 400 mg / kg, ຕາມລໍາດັບ) ແມ່ນຕ່ໍາກວ່າຄວາມເຂັ້ມຂົ້ນຂອງ Mg ແລະ K ຂອງການສຶກສາໃນປະຈຸບັນ. ແບ່ງອອກໄດ້, ໃນພາກຕາເວັນອອກຂອງໂປແລນ, Orzechowski ແລະ Smolczynski66 ຂອງ K ປະເມີນຄວາມເຂັ້ມຂົ້ນໂດຍສະເລ່ຍແລະ Ca Mg. (1100 mg/kg), Mg (590 mg/kg) ແລະ K (810 mg/kg) ເນື້ອໃນຢູ່ໃນດິນເທິງແມ່ນຕໍ່າກວ່າອົງປະກອບດຽວໃນການສຶກສານີ້. ການສຶກສາທີ່ຜ່ານມາໂດຍ Pongrac et al. 67 ສະແດງໃຫ້ເຫັນວ່າເນື້ອໃນ Ca ທັງຫມົດທີ່ຖືກວິເຄາະຢູ່ໃນ 3 ດິນທີ່ແຕກຕ່າງກັນໃນ Scotland, UK (ດິນ Mylnefield, ດິນ Balruddery ແລະດິນ Hartwood) ຊີ້ໃຫ້ເຫັນເນື້ອໃນ Ca ສູງກວ່າໃນການສຶກສານີ້.
ເນື່ອງຈາກຄວາມເຂັ້ມຂຸ້ນຂອງການວັດແທກທີ່ແຕກຕ່າງກັນຂອງອົງປະກອບຕົວຢ່າງ, ການແຈກຢາຍຊຸດຂໍ້ມູນຂອງອົງປະກອບສະແດງໃຫ້ເຫັນຄວາມແຕກຕ່າງ skewness. The skewness ແລະ kurtosis ຂອງອົງປະກອບຕັ້ງແຕ່ 1.53 ຫາ 7.24 ແລະ 2.49 ຫາ 54.16, ຕາມລໍາດັບ. ອົງປະກອບທີ່ຄິດໄລ່ທັງຫມົດມີຄວາມ skewness ແລະລະດັບ kurtosis ຂ້າງເທິງແມ່ນ skew ສະຖິຕິ, ດັ່ງນັ້ນການແຈກຢາຍຂໍ້ມູນປົກກະຕິແມ່ນ +1. ທິດທາງທີ່ຖືກຕ້ອງແລະສູງສຸດ. CVs ຄາດຄະເນຂອງອົງປະກອບຍັງສະແດງໃຫ້ເຫັນວ່າ K, Mg, ແລະ Ni ສະແດງໃຫ້ເຫັນການປ່ຽນແປງໃນລະດັບປານກາງ, ໃນຂະນະທີ່ Ca ມີຄວາມຜັນຜວນສູງທີ່ສຸດ. CVs ຂອງ K, Ni ແລະ Mg ອະທິບາຍເຖິງການແຈກຢາຍທີ່ເປັນເອກະພາບ. ນອກຈາກນັ້ນ, ການແຈກຢາຍ Ca ແມ່ນບໍ່ເປັນເອກະພາບ ແລະແຫຼ່ງພາຍນອກອາດຈະສົ່ງຜົນກະທົບຕໍ່ລະດັບການເສີມສ້າງຂອງມັນ.
ຄວາມກ່ຽວຂ້ອງກັນຂອງຕົວແປທີ່ຄາດຄະເນກັບອົງປະກອບຕອບສະໜອງໄດ້ຊີ້ໃຫ້ເຫັນຄວາມສຳພັນທີ່ໜ້າພໍໃຈລະຫວ່າງອົງປະກອບ (ເບິ່ງຮູບທີ 3).ຄວາມສຳພັນດັ່ງກ່າວຊີ້ໃຫ້ເຫັນວ່າ CaK ສະແດງໃຫ້ເຫັນຄວາມສຳພັນປານກາງກັບຄ່າ r = 0.53, ຄືກັບ CaNi. ເຖິງແມ່ນວ່າ Ca ແລະ K ສະແດງໃຫ້ເຫັນຄວາມສຳພັນທີ່ອ່ອນໂຍນຕໍ່ກັນ, ນັກຄົ້ນຄວ້າ. 68 ແລະ Santo69 ແນະນໍາວ່າລະດັບຂອງພວກມັນຢູ່ໃນດິນແມ່ນອັດຕາສ່ວນກົງກັນຂ້າມ. ຢ່າງໃດກໍຕາມ, Ca ແລະ Mg ແມ່ນກົງກັນຂ້າມກັບ K, ແຕ່ CaK ກ່ຽວຂ້ອງກັນດີ. ນີ້ອາດຈະເປັນຍ້ອນການນໍາໃຊ້ຝຸ່ນເຊັ່ນ: ໂພແທດຊຽມຄາບອນ, ເຊິ່ງສູງກວ່າ 56% ໃນໂພແທດຊຽມ. ໂພແທດຊຽມມີຄວາມສໍາພັນປານກາງກັບແມກນີຊຽມ (KM r = 2.6) ໃນອຸດສາຫະກໍາຝຸ່ນ magnesium. sulfate, potassium magnesium nitrate, ແລະ potash ຖືກນໍາໄປໃຊ້ກັບດິນເພື່ອເພີ່ມລະດັບການຂາດແຄນຂອງມັນ. Nickel ມີຄວາມສໍາພັນປານກາງກັບ Ca, K ແລະ Mg ທີ່ມີຄ່າ r = 0.52, 0.63 ແລະ 0.55, ຕາມລໍາດັບ. ຄວາມສໍາພັນທີ່ກ່ຽວຂ້ອງກັບທາດການຊຽມ, ແມກນີຊຽມ, ແລະ PTEs ເຊັ່ນ: nickel ແມ່ນສະລັບສັບຊ້ອນ, ການຂາດທາດແຄວຊຽມ, ການຂາດທາດແຄວຊຽມ, ການຂາດແຄນ magnesium. magnesium, ແລະທັງ magnesium ແລະ calcium ຫຼຸດຜ່ອນຜົນກະທົບທີ່ເປັນພິດຂອງ nickel ໃນດິນ.
Correlation matrix ສໍາລັບອົງປະກອບທີ່ສະແດງໃຫ້ເຫັນຄວາມສໍາພັນລະຫວ່າງຜູ້ຄາດຄະເນແລະການຕອບສະຫນອງ (ຫມາຍເຫດ: ຕົວເລກນີ້ປະກອບມີການກະແຈກກະຈາຍລະຫວ່າງອົງປະກອບ, ລະດັບຄວາມສໍາຄັນແມ່ນອີງໃສ່ p <0,001).
ຮູບທີ 4 ສະແດງໃຫ້ເຫັນເຖິງການກະຈາຍທາງພື້ນທີ່ຂອງອົງປະກອບ. ອີງຕາມການ Burgos et al70, ການນໍາໃຊ້ການແຜ່ກະຈາຍທາງພື້ນທີ່ແມ່ນເຕັກນິກທີ່ໃຊ້ໃນການຄິດໄລ່ແລະຊີ້ໃຫ້ເຫັນຈຸດຮ້ອນໃນພື້ນທີ່ມົນລະພິດ. ລະດັບການເສີມສ້າງຂອງ Ca ໃນຮູບທີ 4 ສາມາດເຫັນໄດ້ໃນພາກຕາເວັນຕົກສຽງເຫນືອຂອງແຜນທີ່ການແຜ່ກະຈາຍທາງກວ້າງຂອງພື້ນທີ່ທີ່ມີແຄຊຽມສູງ. ທາງທິດຕາເວັນຕົກສ່ຽງເໜືອຂອງແຜນທີ່ແມ່ນເປັນຍ້ອນການໃຊ້ທາດທາດການຊຽມອອກໄຊ (calcium oxide) ເພື່ອຫຼຸດຜ່ອນຄວາມເປັນກົດຂອງດິນ ແລະ ການນຳໃຊ້ໃນໂຮງງານເຫຼັກເປັນທາດອົກຊີເຈນທີ່ເປັນດ່າງໃນຂະບວນການຜະລິດເຫຼັກກ້າ. ໃນທາງກົງກັນຂ້າມ, ຊາວກະສິກອນອື່ນໆມັກໃຊ້ທາດການຊຽມ hydroxide ໃນດິນທີ່ເປັນກົດເພື່ອປັບ pH, ເຊິ່ງເຮັດໃຫ້ປະລິມານແຄວຊຽມຂອງດິນເພີ່ມຂຶ້ນ 71. ແຜນທີ່ທາງທິດຕາເວັນອອກສຽງເໜືອຂອງໂປແຕສຊຽມຍັງຮ້ອນທີ່ສຸດ. ຊຸມຊົນກະສິກໍາທີ່ສໍາຄັນ, ແລະຮູບແບບການປານກາງເຖິງສູງຂອງໂພແທດຊຽມອາດຈະເປັນຍ້ອນການນໍາໃຊ້ NPK ແລະ potash. ນີ້ແມ່ນສອດຄ່ອງກັບການສຶກສາອື່ນໆ, ເຊັ່ນ Madaras ແລະ Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ຜູ້ທີ່ສັງເກດເຫັນວ່າການສະຖຽນລະພາບຂອງດິນແລະການຮັກສາດ້ວຍເນື້ອໃນຂອງ KCl ສູງ. ການເພີ່ມພູນໂພແທດຊຽມໃນພາກຕາເວັນຕົກສຽງເຫນືອຂອງແຜນທີ່ການແຜ່ກະຈາຍອາດຈະເປັນຍ້ອນການນໍາໃຊ້ຝຸ່ນໂພແທດຊຽມເຊັ່ນ: ໂພແທດຊຽມຄລໍຣີດ, ໂພແທດຊຽມຊູນເຟດ, ໂພແທດຊຽມ nitrate, ໂພແທດຊຽມ, ແລະໂພແທດຊຽມເພື່ອເພີ່ມປະລິມານໂພແທດຊຽມຂອງດິນທີ່ບໍ່ດີ.Zádorová et al. 76 ແລະ Tlustoš et al. 77 ລະບຸວ່າ ການໃສ່ຝຸ່ນ K-based ຈະເພີ່ມປະລິມານ K ໃນດິນ ແລະ ຈະຊ່ວຍເພີ່ມປະລິມານທາດອາຫານຂອງດິນໃນໄລຍະຍາວ, ໂດຍສະເພາະ K ແລະ Mg ສະແດງໃຫ້ເຫັນຈຸດຮ້ອນໃນດິນ. ຈຸດຮ້ອນປານກາງໃນພາກຕາເວັນຕົກສຽງເໜືອຂອງແຜນທີ່ ແລະ ທິດຕາເວັນອອກສຽງໃຕ້ຂອງແຜນທີ່. ການສ້ອມແຊມຄໍລລອຍໃນດິນເຮັດໃຫ້ຄວາມເຂັ້ມຂຸ້ນຂອງແມກນີຊຽມໃນດິນຂາດແຄນໃນດິນ ສາເຫດຂອງພືດທີ່ເປັນສີເຫຼືອງ. chlorosis.Magnesium-based fertilizers, such as potassium magnesium sulfate, magnesium sulfate, and Kieserite, ປິ່ນປົວຂໍ້ບົກພ່ອງ (ພືດມີສີມ່ວງ, ສີແດງ, ຫຼືສີນ້ໍາຕານ, ຊີ້ໃຫ້ເຫັນການຂາດ magnesium) ໃນດິນທີ່ມີ pH ປົກກະຕິ6.ການສະສົມຂອງ nickel ເທິງຫນ້າດິນໃນຕົວເມືອງແລະ peri-urban ອາດຈະເປັນຍ້ອນກິດຈະກໍາການຜະລິດສະແຕນເລດ 7 ແລະຄວາມສໍາຄັນຂອງກະສິກໍາ.
ການແຈກຢາຍທາງກວ້າງຂອງອົງປະກອບ [ແຜນທີ່ການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ແມ່ນສ້າງຂຶ້ນໂດຍໃຊ້ ArcGIS Desktop (ESRI, Inc, ຮຸ່ນ 10.7, URL: https://desktop.arcgis.com).]
ຜົນໄດ້ຮັບດັດສະນີການປະຕິບັດຕົວແບບສໍາລັບອົງປະກອບທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 2. ໃນອີກດ້ານຫນຶ່ງ, RMSE ແລະ MAE ຂອງ Ni ແມ່ນທັງສອງຢູ່ໃກ້ກັບສູນ (0.86 RMSE, -0.08 MAE).ໃນທາງກົງກັນຂ້າມ, ທັງຄ່າ RMSE ແລະ MAE ຂອງ K ແມ່ນຍອມຮັບໄດ້. RMSE ແລະ MAE ຜົນໄດ້ຮັບແມ່ນຫຼາຍກວ່າສໍາລັບຜົນໄດ້ຮັບຂອງແຄຊຽມແລະ magnesium. Ca. datasets.The RMSE ແລະ MAE ຂອງການສຶກສານີ້ໂດຍໃຊ້ EBK ເພື່ອຄາດຄະເນ Ni ໄດ້ຖືກພົບເຫັນວ່າດີກວ່າຜົນໄດ້ຮັບຂອງ John et al. 54 ການນໍາໃຊ້ synergistic kriging ເພື່ອຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ S ໃນດິນໂດຍນໍາໃຊ້ຂໍ້ມູນດຽວກັນທີ່ເກັບກໍາ. ຜົນໄດ້ຮັບຂອງ EBK ທີ່ພວກເຮົາສຶກສາກ່ຽວຂ້ອງກັບ 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.
ການປະຕິບັດຂອງແຕ່ລະວິທີການຄາດຄະເນເນື້ອໃນ nickel ໃນຕົວເມືອງແລະ peri-urban ດິນໄດ້ຖືກປະເມີນໂດຍການປະຕິບັດຂອງຕົວແບບ (ຕາຕະລາງ 3). ການກວດສອບຕົວແບບແລະການກວດສອບຄວາມຖືກຕ້ອງໄດ້ຢືນຢັນວ່າຕົວຄາດຄະເນ Ca_Mg_K ປະສົມປະສານກັບແບບຈໍາລອງ EBK SVMR ເຮັດໃຫ້ມີການປະຕິບັດທີ່ດີທີ່ສຸດ. ຮູບແບບການປັບຕົວແບບ EBK_SV_MR-square Rate ຫມາຍຄວາມວ່າ. (RMSE) ແລະຄວາມຜິດພາດຢ່າງແທ້ຈິງໂດຍສະເລ່ຍ (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 162mg/kg (RMSE) ດີ, 162mg/kg. ຄ່າແມ່ນໄດ້ຮັບສໍາລັບ Ca_Mg_K-SVMR (0.663 mg/kg R2) ແລະ Ca_Mg-EBK_SVMR (0.643 = R2); RMSE ແລະ MAE ຂອງພວກເຂົາແມ່ນສູງກວ່າຜົນໄດ້ຮັບສໍາລັບ Ca_Mg_K-EBK_SVMR (R2 0.637) (ເບິ່ງຕາຕະລາງ 3). ນອກຈາກນັ້ນ, RMSE ແລະ MAE ຂອງ Ca_Mg-EBK_SVMR (RMSE = 1664.64 ແລະ MAE = 1031.49) ແມ່ນມີຂະຫນາດໃຫຍ່ກວ່າ 13.17. Ca_Mg_K-EBK_SVMR.ເຊັ່ນດຽວກັນ, RMSE ແລະ MAE ຂອງ Ca_Mg-K SVMR (RMSE = 235.974 ແລະ MAE = 166.946) ແມ່ນ 2.5 ແລະ 2.2 ຂະຫນາດໃຫຍ່ກວ່າຕົວແບບຂອງ Ca_Mg_K-EBK_SVMR ຕາມລໍາດັບ, ຂໍ້ມູນການຄິດໄລ່ RMSE ແລະ MAE. ກັບເສັ້ນຂອງ fit.Higher RSME ແລະ MAE ໄດ້ຖືກສັງເກດເຫັນ. ອີງຕາມ Kebonye et al. 46 ແລະ john et al. 54, ຍິ່ງ RMSE ແລະ MAE ຢູ່ໃກ້ສູນ, ຜົນໄດ້ຮັບທີ່ດີກວ່າ.SVMR ແລະ EBK_SVMR ມີມູນຄ່າ RSME ແລະ MAE ໃນປະລິມານທີ່ສູງກວ່າ. ມັນໄດ້ຖືກສັງເກດເຫັນວ່າການຄາດຄະເນ RSME ແມ່ນສູງກວ່າຄ່າ MAE ຢ່າງສະໝໍ່າສະເໝີ, ຊີ້ໃຫ້ເຫັນເຖິງການປະກົດຕົວຂອງ outliers. ອີງຕາມການ Legates ແລະ McCabe83, ຂອບເຂດທີ່ເກີນກວ່າທີ່ໝາຍເຖິງ (ARMSE). ແນະນໍາໃຫ້ເປັນຕົວຊີ້ບອກເຖິງການມີຢູ່ຂອງ outliers. ນີ້ຫມາຍຄວາມວ່າຊຸດຂໍ້ມູນຫຼາຍ heterogeneous, ສູງ MAE ແລະ RMSE ຄ່າ. ຄວາມຖືກຕ້ອງຂອງການປະເມີນຄວາມຖືກຕ້ອງຂ້າມຂອງ Ca_Mg_K-EBK_SVMR ແບບປະສົມສໍາລັບການຄາດຄະເນເນື້ອໃນ Ni ໃນດິນໃນຕົວເມືອງແລະເຂດຊານເມືອງແມ່ນ 63.70%. ອີງຕາມການ. 59, ລະດັບຄວາມຖືກຕ້ອງນີ້ແມ່ນອັດຕາການປະຕິບັດຕົວແບບທີ່ຍອມຮັບໄດ້. ຜົນໄດ້ຮັບໃນປະຈຸບັນແມ່ນປຽບທຽບກັບການສຶກສາທີ່ຜ່ານມາໂດຍ Tarasov et al. 36 ເຊິ່ງຕົວແບບປະສົມທີ່ສ້າງ MLPRK (Multilayer Perceptron Residual Kriging), ກ່ຽວຂ້ອງກັບດັດຊະນີການປະເມີນຄວາມຖືກຕ້ອງຂອງ EBK_SVMR ທີ່ໄດ້ລາຍງານໃນການສຶກສາໃນປະຈຸບັນ, RMSE (210) ແລະ MAE (167.5) ແມ່ນສູງກວ່າຜົນໄດ້ຮັບຂອງພວກເຮົາໃນການສຶກສາໃນປະຈຸບັນ (RMSE 95.4779.28). ການສຶກສາໃນປະຈຸບັນ (0.637) ກັບ Tarasov et al. 36 (0.544), ມັນເປັນທີ່ຊັດເຈນວ່າຄ່າສໍາປະສິດຂອງການກໍານົດ (R2) ແມ່ນສູງກວ່າໃນຕົວແບບປະສົມນີ້. ຂອບຂອງຄວາມຜິດພາດ (RMSE ແລະ MAE) (EBK SVMR) ສໍາລັບຮູບແບບປະສົມແມ່ນສອງເທົ່າ. ເຊັ່ນດຽວກັນ, Sergeev et al.34 ບັນທຶກ 0.28 (R2) ສໍາລັບຮູບແບບການປະສົມ Receptulider (M. ການສຶກສາໃນປະຈຸບັນບັນທຶກ 0.637 (R2).ລະດັບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງຕົວແບບນີ້ (EBK SVMR) ແມ່ນ 63.7%, ໃນຂະນະທີ່ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນທີ່ໄດ້ຮັບໂດຍ Sergeev et al. 34 ແມ່ນ 28%. ແຜນທີ່ສຸດທ້າຍ (ຮູບ 5) ທີ່ສ້າງຂຶ້ນໂດຍໃຊ້ຕົວແບບ EBK_SVMR ແລະ Ca_Mg_K ເປັນຕົວຊີ້ບອກການຄາດເດົາຂອງຈຸດຮ້ອນແລະລະດັບປານກາງເຖິງ nickel ໃນທົ່ວພື້ນທີ່ສຶກສາ. ນີ້ຫມາຍຄວາມວ່າຄວາມເຂັ້ມຂົ້ນຂອງ nickel ໃນເຂດການສຶກສາສ່ວນໃຫຍ່ແມ່ນປານກາງ, ມີຄວາມເຂັ້ມຂົ້ນສູງກວ່າໃນບາງພື້ນທີ່ສະເພາະ.
ແຜນທີ່ການຄາດເດົາສຸດທ້າຍແມ່ນສະແດງໂດຍໃຊ້ຮູບແບບປະສົມ EBK_SVMR ແລະໃຊ້ Ca_Mg_K ເປັນຜູ້ຄາດຄະເນ.[ແຜນທີ່ການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ແມ່ນສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ເວີຊັນ 1.4.1717: https://www.rstudio.com/).]
ນໍາສະເຫນີໃນຮູບທີ່ 6 ແມ່ນຄວາມເຂັ້ມຂຸ້ນຂອງ PTE ເປັນຍົນອົງປະກອບທີ່ປະກອບດ້ວຍ neurons ສ່ວນບຸກຄົນ. ບໍ່ມີແຜນການອົງປະກອບໃດສະແດງໃຫ້ເຫັນຮູບແບບສີດຽວກັນດັ່ງທີ່ສະແດງ. ແນວໃດກໍ່ຕາມ, ຈໍານວນ neurons ທີ່ເຫມາະສົມຕໍ່ແຜນທີ່ແຕ້ມແມ່ນ 55.SeOM ແມ່ນຜະລິດໂດຍໃຊ້ສີທີ່ຫຼາກຫຼາຍ, ແລະຮູບແບບສີທີ່ຄ້າຍຄືກັນຫຼາຍ, ຄຸນສົມບັດຂອງຕົວຢ່າງແຕ່ລະຄົນສາມາດປຽບທຽບໄດ້, ອີງຕາມການສີ, ແລະຂະຫນາດ (M). ສະແດງໃຫ້ເຫັນຮູບແບບສີທີ່ຄ້າຍຄືກັນກັບ neurons ສູງດຽວແລະ neurons ຕ່ໍາສ່ວນໃຫຍ່. ດັ່ງນັ້ນ, CaK ແລະ CaMg ມີຄວາມຄ້າຍຄືກັນບາງຢ່າງກັບ neurons ທີ່ມີຄໍາສັ່ງສູງຫຼາຍແລະຮູບແບບສີຕ່ໍາຫາປານກາງ. ທັງສອງແບບຄາດຄະເນຄວາມເຂັ້ມຂົ້ນຂອງ Ni ໃນດິນໂດຍການສະແດງສີປານກາງເຖິງສູງຂອງສີເຊັ່ນ: ສີແດງ, ສີສົ້ມແລະສີເຫຼືອງ. ຮູບແບບ KMg ສະແດງຮູບແບບສີສູງຫຼາຍໂດຍອີງຕາມອັດຕາສ່ວນສີທີ່ຊັດເຈນ. ຕ່ຳຫາສູງ, ຮູບແບບການແຈກຢາຍແບບແຜນຂອງອົງປະກອບຂອງຕົວແບບໄດ້ສະແດງໃຫ້ເຫັນຮູບແບບສີສູງທີ່ຊີ້ບອກເຖິງຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນ (ເບິ່ງຮູບທີ 4). ຮູບແບບອົງປະກອບຂອງຕົວແບບ CakMg ສະແດງໃຫ້ເຫັນຮູບແບບສີທີ່ຫຼາກຫຼາຍຈາກຕ່ຳຫາສູງຕາມຂະໜາດສີທີ່ຖືກຕ້ອງ. ນອກຈາກນັ້ນ, ການຄາດເດົາຂອງເນື້ອໃນຂອງ nickel (CakMg) ຂອງຕົວແບບແມ່ນຄ້າຍຄືກັນກັບຮູບການກະຈາຍຂອງ both pat. ສະແດງໃຫ້ເຫັນອັດຕາສ່ວນສູງ, ປານກາງ ແລະຕໍ່າຂອງຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນຕົວເມືອງ ແລະ peri-urban ດິນ. ຮູບທີ 7 ສະແດງວິທີການ contour ໃນ k-means ການຈັດກຸ່ມຢູ່ໃນແຜນທີ່, ແບ່ງອອກເປັນສາມກຸ່ມໂດຍອີງໃສ່ຄ່າທີ່ຄາດຄະເນໃນແຕ່ລະແບບຈໍາລອງ. ວິທີການ contour ເປັນຕົວແທນຂອງຈໍານວນທີ່ດີທີ່ສຸດຂອງ clusters. ໃນຈໍານວນ 115 ຕົວຢ່າງຂອງດິນ C1 ທີ່ໄດ້ຮັບຫຼາຍທີ່ສຸດ, 2 ຈໍານວນ 7 ຕົວຢ່າງທີ່ເກັບກໍາ. 33 ຕົວຢ່າງ, ໃນຂະນະທີ່ກຸ່ມ 3 ໄດ້ຮັບ 8 ຕົວຢ່າງ. ການປະສົມປະສານຂອງຕົວຄາດຄະເນແຜນຜັງ 7 ອົງປະກອບໄດ້ຖືກເຮັດໃຫ້ງ່າຍດາຍເພື່ອໃຫ້ມີການຕີຄວາມໝາຍຂອງກຸ່ມທີ່ຖືກຕ້ອງ. ເນື່ອງຈາກຂະບວນການທາງມະນຸດສະທໍາ ແລະທໍາມະຊາດຈໍານວນຫລາຍທີ່ສົ່ງຜົນກະທົບຕໍ່ການສ້າງຂອງດິນ, ເປັນການຍາກທີ່ຈະມີຮູບແບບຂອງກຸ່ມກຸ່ມທີ່ແຕກຕ່າງຢ່າງຖືກຕ້ອງໃນແຜນທີ່ SeOM78 ທີ່ແຈກຢາຍ.
ຜົນຜະລິດຍົນອົງປະກອບໂດຍແຕ່ລະຕົວແປ Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[SeOM maps are created using RStudio (version 1.4.1717: https://www.rstudio.com/).]
ອົງປະກອບການຈັດປະເພດກຸ່ມທີ່ແຕກຕ່າງກັນ [ແຜນທີ່ SeOM ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ຮຸ່ນ 1.4.1717: https://www.rstudio.com/).]
ການສຶກສາໃນປັດຈຸບັນສະແດງໃຫ້ເຫັນຢ່າງຈະແຈ້ງເຕັກນິກການສ້າງແບບຈໍາລອງສໍາລັບຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນຕົວເມືອງແລະ peri-urban ດິນ. ການສຶກສາໄດ້ທົດສອບເຕັກນິກການສ້າງແບບຈໍາລອງທີ່ແຕກຕ່າງກັນ, ປະສົມປະສານອົງປະກອບກັບເຕັກນິກການສ້າງແບບຈໍາລອງ, ເພື່ອໃຫ້ໄດ້ຮັບວິທີທີ່ດີທີ່ສຸດໃນການຄາດເດົາຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນ. ລັກສະນະທາງກວ້າງຂອງໂຄງສ້າງຂອງ SeOM ຂອງເຕັກນິກການສ້າງແບບຈໍາລອງໄດ້ສະແດງຮູບແບບສີທີ່ມີຄວາມເຂັ້ມຂົ້ນສູງຈາກລະດັບຄວາມເຂັ້ມຂົ້ນຂອງສີສູງ. ດິນ.ແນວໃດກໍ່ຕາມ, ແຜນທີ່ການແຜ່ກະຈາຍທາງກວ້າງຂອງພື້ນທີ່ຢືນຢັນການແຜ່ກະຈາຍທາງກວ້າງຂອງພື້ນທີ່ຂອງອົງປະກອບທີ່ສະແດງໂດຍ EBK_SVMR (ເບິ່ງຮູບ 5). ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າຮູບແບບການຖົດຖອຍຂອງ vector ເຄື່ອງສະຫນັບສະຫນູນ (Ca Mg K-SVMR) ຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນເປັນຕົວແບບດຽວ, ແຕ່ການກວດສອບຄວາມຖືກຕ້ອງແລະຄວາມຖືກຕ້ອງຂອງຕົວກໍານົດການປະເມີນອື່ນໆຂອງ AERM ສູງຫຼາຍ. ມື, ເຕັກນິກການສ້າງແບບຈໍາລອງທີ່ໃຊ້ກັບແບບຈໍາລອງ EBK_MLR ຍັງມີຂໍ້ບົກພ່ອງເນື່ອງຈາກຄ່າຂອງຄ່າສໍາປະສິດການກໍານົດ (R2). ຜົນໄດ້ຮັບທີ່ດີແມ່ນໄດ້ຮັບໂດຍໃຊ້ EBK SVMR ແລະອົງປະກອບລວມ (CaKMg) ທີ່ມີຄວາມຜິດພາດ RMSE ແລະ MAE ຕ່ໍາທີ່ມີຄວາມຖືກຕ້ອງຂອງ 63.7%. ມັນໄດ້ຫັນອອກວ່າ EBK commabining ການຮຽນຮູ້ເຄື່ອງຈັກ. ສູດການຄິດໄລ່ແບບປະສົມທີ່ສາມາດຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ PTEs ໃນດິນໄດ້. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າການນໍາໃຊ້ Ca Mg K ເປັນຕົວຄາດຄະເນເພື່ອຄາດຄະເນຄວາມເຂັ້ມຂົ້ນຂອງ Ni ໃນເຂດການສຶກສາສາມາດປັບປຸງການຄາດຄະເນຂອງ Ni ໃນດິນໄດ້. ນີ້ຫມາຍຄວາມວ່າການນໍາໃຊ້ຝຸ່ນ nickel ຢ່າງຕໍ່ເນື່ອງແລະມົນລະພິດທາງອຸດສາຫະກໍາຂອງດິນໂດຍອຸດສາຫະກໍາເຫຼັກກ້າມີແນວໂນ້ມທີ່ຈະເພີ່ມຄວາມເຂັ້ມຂົ້ນຂອງ nickel ຢູ່ໃນດິນ ການສຶກສາ EBK ສາມາດຫຼຸດລົງແລະລະດັບ EB. ຄວາມຖືກຕ້ອງຂອງຕົວແບບຂອງການແຈກຢາຍທາງກວ້າງຂອງພື້ນດິນໃນຕົວເມືອງຫຼື peri-urban ດິນ. ໂດຍທົ່ວໄປ, ພວກເຮົາສະເຫນີໃຫ້ນໍາໃຊ້ຕົວແບບ EBK-SVMR ເພື່ອປະເມີນແລະຄາດຄະເນ PTE ໃນດິນ; ນອກຈາກນັ້ນ, ພວກເຮົາສະເຫນີໃຫ້ໃຊ້ EBK ເພື່ອປະສົມກັບລະບົບການຮຽນຮູ້ເຄື່ອງຈັກຕ່າງໆ. ຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໄດ້ຖືກຄາດຄະເນໂດຍໃຊ້ອົງປະກອບເປັນ covariates; ແນວໃດກໍ່ຕາມ, ການນໍາໃຊ້ covariates ເພີ່ມເຕີມຈະຊ່ວຍປັບປຸງການປະຕິບັດຂອງຕົວແບບໄດ້ຢ່າງຫຼວງຫຼາຍ, ເຊິ່ງສາມາດພິຈາລະນາເປັນຂໍ້ຈໍາກັດຂອງການເຮັດວຽກໃນປະຈຸບັນ. ຂໍ້ຈໍາກັດອີກອັນຫນຶ່ງຂອງການສຶກສານີ້ແມ່ນຈໍານວນຊຸດຂໍ້ມູນແມ່ນ 115. ດັ່ງນັ້ນ, ຖ້າມີຂໍ້ມູນເພີ່ມເຕີມ, ການປະຕິບັດວິທີການປະສົມທີ່ດີທີ່ສຸດທີ່ສະເຫນີສາມາດປັບປຸງໄດ້.
PlantProbs.net.Nickel ໃນພືດ ແລະດິນ https://plantprobs.net/plant/nutrientImbalances/sodium.html (ເຂົ້າເຖິງ 28 ເມສາ 2021).
Kasprzak, KS Nickel ກ້າວຫນ້າທາງດ້ານ toxicology.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: ການທົບທວນແຫຼ່ງຂອງມັນ ແລະ ພິດວິທະຍາສິ່ງແວດລ້ອມ.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC ວັດສະດຸປ້ອນມົນລະພິດຈາກບັນຍາກາດ ແລະ ການສະສົມຢູ່ໃນດິນ ແລະ ພືດພັນ ໃກ້ກັບໂຮງຫລອມໂລຫະ nickel-ທອງແດງ ໃນ Sudbury, Ontario, Canada.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. ໂລຫະໜັກໃນດິນ, ພືດ ແລະ ຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກັບການລ້ຽງສັດຢູ່ຕາມທົ່ງຫຍ້າໃກ້ກັບບໍ່ແຮ່ Selebi-Phikwe copper-nickel ໃນ Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009.
Cabata-Pendias.Kabata-Pendias A. 2011. ອົງປະກອບຕາມຮອຍໃນດິນ ແລະ… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ ອົງປະກອບ+ໃນ+ດິນ+ແລະ+ພືດ.+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (ເຂົ້າໃຊ້ 24 ພະຈິກ 2020).
Almås, A., Singh, B., ການກະສິກໍາ, TS-NJ ຂອງ & 1995, undefined.ຜົນກະທົບຂອງອຸດສາຫະກໍາ nickel ລັດເຊຍກ່ຽວກັບຄວາມເຂັ້ມຂຸ້ນຂອງໂລຫະຫນັກໃນດິນກະສິກໍາແລະຫຍ້າໃນ Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. ການດູດຊຶມ ແລະ ການເກັບຮັກສານິເກິລໃນນ້ຳດື່ມແມ່ນກ່ຽວຂ້ອງກັບການຮັບປະທານອາຫານ ແລະ ຄວາມອ່ອນໄຫວຂອງ nickel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics ຫຼື selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; ການວິເຄາະແນວໂນ້ມຂອງອົງປະກອບທີ່ເປັນພິດ: ການທົບທວນ bibliometric. Environmental Geochemistry ແລະ Health.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.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).
ການສ້າງແບບຈໍາລອງອ່າງເກັບຂໍ້ມູນ Geostatistical Deutsch.CV,… – 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= (ເຂົ້າໃຊ້ວັນທີ 28 ເມສາ 2021).