Nature.com സന്ദർശിച്ചതിന് നന്ദി. നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്രൗസർ പതിപ്പിന് CSS-ന് പരിമിതമായ പിന്തുണയേ ഉള്ളൂ. മികച്ച അനുഭവത്തിനായി, നിങ്ങൾ ഒരു അപ്ഡേറ്റ് ചെയ്ത ബ്രൗസർ ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു (അല്ലെങ്കിൽ ഇന്റർനെറ്റ് എക്സ്പ്ലോററിൽ കോംപാറ്റിബിലിറ്റി മോഡ് ഓഫ് ചെയ്യുക). അതേസമയം, തുടർച്ചയായ പിന്തുണ ഉറപ്പാക്കാൻ, സ്റ്റൈലുകളും ജാവാസ്ക്രിപ്റ്റും ഇല്ലാതെ ഞങ്ങൾ സൈറ്റ് പ്രദർശിപ്പിക്കും.
മനുഷ്യന്റെ പ്രവർത്തനങ്ങൾ മൂലമുണ്ടാകുന്ന ഒരു വലിയ പ്രശ്നമാണ് മണ്ണ് മലിനീകരണം. മിക്ക നഗര, നഗര പ്രദേശങ്ങളിലും വിഷാംശം ഉണ്ടാക്കാൻ സാധ്യതയുള്ള മൂലകങ്ങളുടെ (PTEs) സ്ഥലപരമായ വിതരണം വ്യത്യാസപ്പെടുന്നു. അതിനാൽ, അത്തരം മണ്ണിൽ PTEs യുടെ ഉള്ളടക്കം സ്ഥലപരമായി പ്രവചിക്കാൻ പ്രയാസമാണ്. ചെക്ക് റിപ്പബ്ലിക്കിലെ ഫ്രൈഡെക് മിസ്റ്റെക്കിൽ നിന്ന് ആകെ 115 സാമ്പിളുകൾ ലഭിച്ചു. ഇൻഡക്റ്റീവ്ലി കപ്പിൾഡ് പ്ലാസ്മ എമിഷൻ സ്പെക്ട്രോമെട്രി ഉപയോഗിച്ച് കാൽസ്യം (Ca), മഗ്നീഷ്യം (Mg), പൊട്ടാസ്യം (K), നിക്കൽ (Ni) എന്നിവയുടെ സാന്ദ്രത നിർണ്ണയിച്ചു. പ്രതികരണ വേരിയബിൾ Ni ആണ്, പ്രെഡിക്ടറുകൾ Ca, Mg, K എന്നിവയാണ്. പ്രതികരണ വേരിയബിളും പ്രെഡിക്ടറും തമ്മിലുള്ള പരസ്പരബന്ധ മാട്രിക്സ് മൂലകങ്ങൾ തമ്മിലുള്ള തൃപ്തികരമായ പരസ്പരബന്ധം കാണിക്കുന്നു. സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ റിഗ്രഷൻ (SVMR) മികച്ച പ്രകടനം കാഴ്ചവച്ചതായി പ്രവചന ഫലങ്ങൾ കാണിച്ചു, എന്നിരുന്നാലും അതിന്റെ കണക്കാക്കിയ റൂട്ട് ശരാശരി ചതുര പിശക് (RMSE) (235.974 mg/kg) ഉം ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE) (166.946 mg/kg) പ്രയോഗിച്ച മറ്റ് രീതികളേക്കാൾ കൂടുതലായിരുന്നു. അനുഭവപരമായ ബയേസിയൻ ക്രിഗിംഗ്-മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷനുള്ള മിക്സഡ് മോഡലുകൾ. (EBK-MLR) മോശം പ്രകടനം കാഴ്ചവയ്ക്കുന്നു, 0.1-ൽ താഴെയുള്ള ഡിറ്റർമിനേഷൻ കോഫിഫിഷ്യന്റുകൾ തെളിയിക്കുന്നത് പോലെ. കുറഞ്ഞ RMSE (95.479 mg/kg), MAE (77.368 mg/kg) മൂല്യങ്ങളും ഉയർന്ന ഡിറ്റർമിനേഷൻ കോഫിഫിഷ്യന്റ് (R2 = 0.637) ഉം ഉള്ള, എംപറിക്കൽ ബയേസിയൻ ക്രിഗിംഗ്-സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ റിഗ്രഷൻ (EBK-SVMR) മോഡൽ മികച്ച മോഡലായിരുന്നു. സ്വയം-ഓർഗനൈസിംഗ് മാപ്പ് ഉപയോഗിച്ച് EBK-SVMR മോഡലിംഗ് ടെക്നിക് ഔട്ട്പുട്ട് ദൃശ്യവൽക്കരിക്കുന്നു. ഹൈബ്രിഡ് മോഡലായ CakMg-EBK-SVMR ഘടകത്തിന്റെ തലത്തിലുള്ള ക്ലസ്റ്റേർഡ് ന്യൂറോണുകൾ നഗര, നഗര മണ്ണുകളിൽ Ni സാന്ദ്രത പ്രവചിക്കുന്ന ഒന്നിലധികം വർണ്ണ പാറ്റേണുകൾ കാണിക്കുന്നു. നഗര, നഗര മണ്ണുകളിൽ Ni സാന്ദ്രത പ്രവചിക്കുന്നതിനുള്ള ഫലപ്രദമായ സാങ്കേതികതയാണ് EBK, SVMR എന്നിവ സംയോജിപ്പിക്കുന്നതെന്ന് ഫലങ്ങൾ തെളിയിക്കുന്നു.
അന്തരീക്ഷ നൈട്രജൻ സ്ഥിരീകരണം (N) ഉം യൂറിയ മെറ്റബോളിസവും (Urge metabolism) ഉം വിത്ത് മുളയ്ക്കുന്നതിന് ആവശ്യമായതിനാൽ നിക്കൽ (Ni) സസ്യങ്ങൾക്ക് ഒരു സൂക്ഷ്മ പോഷകമായി കണക്കാക്കപ്പെടുന്നു. വിത്ത് മുളയ്ക്കുന്നതിന് സംഭാവന നൽകുന്നതിനൊപ്പം, Ni ഒരു ഫംഗസ്, ബാക്ടീരിയൽ ഇൻഹിബിറ്ററായി പ്രവർത്തിക്കുകയും സസ്യ വികസനം പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്യും. മണ്ണിൽ നിക്കലിന്റെ അഭാവം സസ്യത്തെ ആഗിരണം ചെയ്യാൻ അനുവദിക്കുന്നു, അതിന്റെ ഫലമായി ഇലകളുടെ ക്ലോറോസിസിന് കാരണമാകുന്നു. ഉദാഹരണത്തിന്, പയറിനും പയറിനും നൈട്രജൻ സ്ഥിരീകരണം ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് നിക്കൽ അധിഷ്ഠിത വളങ്ങൾ പ്രയോഗിക്കേണ്ടതുണ്ട്. മണ്ണിനെ സമ്പുഷ്ടമാക്കുന്നതിനും പയർവർഗ്ഗങ്ങളുടെ മണ്ണിൽ നൈട്രജൻ ഉറപ്പിക്കാനുള്ള കഴിവ് വർദ്ധിപ്പിക്കുന്നതിനും നിക്കൽ അധിഷ്ഠിത വളങ്ങൾ തുടർച്ചയായി പ്രയോഗിക്കുന്നത് മണ്ണിലെ നിക്കൽ സാന്ദ്രത വർദ്ധിപ്പിക്കുന്നു. സസ്യങ്ങൾക്ക് നിക്കൽ ഒരു സൂക്ഷ്മ പോഷകമാണെങ്കിലും, മണ്ണിൽ ഇത് അമിതമായി കഴിക്കുന്നത് ഗുണത്തേക്കാൾ കൂടുതൽ ദോഷം ചെയ്യും. മണ്ണിലെ നിക്കലിന്റെ വിഷാംശം മണ്ണിന്റെ pH കുറയ്ക്കുകയും സസ്യവളർച്ചയ്ക്ക് ആവശ്യമായ 17-ാമത്തെ പ്രധാന മൂലകമാണെന്ന് കണ്ടെത്തിയിട്ടുണ്ട്. സസ്യവളർച്ചയിലും വളർച്ചയിലും നിക്കലിന്റെ പങ്കിന് പുറമേ, വിവിധ പ്രയോഗങ്ങൾക്കും മനുഷ്യർക്ക് ഇത് ആവശ്യമാണ്. ഇലക്ട്രോപ്ലേറ്റിംഗ്, നിക്കൽ അധിഷ്ഠിത ലോഹസങ്കരങ്ങളുടെ ഉത്പാദനം, ഓട്ടോമോട്ടീവ് വ്യവസായത്തിലെ ഇഗ്നിഷൻ ഉപകരണങ്ങളുടെയും സ്പാർക്ക് പ്ലഗുകളുടെയും നിർമ്മാണം എന്നിവയ്‌ക്കെല്ലാം വിവിധ വ്യാവസായിക മേഖലകളിൽ നിക്കലിന്റെ ഉപയോഗം ആവശ്യമാണ്. കൂടാതെ, അടുക്കള ഉപകരണങ്ങൾ, ബോൾറൂം ആക്സസറികൾ, ഭക്ഷ്യ വ്യവസായ സാമഗ്രികൾ, ഇലക്ട്രിക്കൽ, വയർ, കേബിൾ, ജെറ്റ് ടർബൈനുകൾ, സർജിക്കൽ ഇംപ്ലാന്റുകൾ, തുണിത്തരങ്ങൾ, കപ്പൽ നിർമ്മാണം എന്നിവയിൽ നിക്കൽ അധിഷ്ഠിത ലോഹസങ്കരങ്ങളും ഇലക്ട്രോപ്ലേറ്റഡ് വസ്തുക്കളും വ്യാപകമായി ഉപയോഗിച്ചുവരുന്നു. മണ്ണിലെ നൈട്രിക് ആസിഡിന്റെ (അതായത്, ഉപരിതല മണ്ണ്) അളവ് നരവംശപരവും പ്രകൃതിദത്തവുമായ സ്രോതസ്സുകളാണെന്ന് ആരോപിക്കപ്പെടുന്നു, എന്നാൽ പ്രാഥമികമായി, നരവംശപരമല്ല, പ്രകൃതിദത്ത സ്രോതസ്സാണ്4,6. നിക്കലിന്റെ പ്രകൃതിദത്ത സ്രോതസ്സുകളിൽ അഗ്നിപർവ്വത സ്ഫോടനങ്ങൾ, സസ്യങ്ങൾ, കാട്ടുതീ, ഭൂമിശാസ്ത്ര പ്രക്രിയകൾ എന്നിവ ഉൾപ്പെടുന്നു; എന്നിരുന്നാലും, നരവംശ സ്രോതസ്സുകളിൽ ഉരുക്ക് വ്യവസായത്തിലെ നിക്കൽ/കാഡ്മിയം ബാറ്ററികൾ, ഇലക്ട്രോപ്ലേറ്റിംഗ്, ആർക്ക് വെൽഡിംഗ്, ഡീസൽ, ഇന്ധന എണ്ണകൾ, കൽക്കരി ജ്വലനം, മാലിന്യം, സ്ലഡ്ജ് എന്നിവയിലൂടെയുള്ള അന്തരീക്ഷ ഉദ്‌വമനം എന്നിവ ഉൾപ്പെടുന്നു. നിക്കൽ ശേഖരണം7,8. ഫ്രീഡ്‌മാനും ഹച്ചിൻസണും 9, മനൈവ തുടങ്ങിയവരും അഭിപ്രായപ്പെടുന്നു. 10, തൊട്ടടുത്തും സമീപ പ്രദേശങ്ങളിലും മേൽമണ്ണ് മലിനീകരണത്തിന്റെ പ്രധാന ഉറവിടങ്ങൾ പ്രധാനമായും നിക്കൽ-ചെമ്പ് അധിഷ്ഠിത സ്മെൽറ്ററുകളും ഖനികളുമാണ്. കാനഡയിലെ സഡ്ബറി നിക്കൽ-ചെമ്പ് ശുദ്ധീകരണശാലയ്ക്ക് ചുറ്റുമുള്ള മുകളിലെ മണ്ണിൽ ഏറ്റവും ഉയർന്ന അളവിലുള്ള നിക്കൽ മലിനീകരണം ഉണ്ടായിരുന്നു, 26,000 mg/kg11. ഇതിനു വിപരീതമായി, റഷ്യയിലെ നിക്കൽ ഉൽപാദനത്തിൽ നിന്നുള്ള മലിനീകരണം നോർവീജിയൻ മണ്ണിൽ ഉയർന്ന നിക്കൽ സാന്ദ്രതയ്ക്ക് കാരണമായി11. ആൽംസ് മറ്റുള്ളവരുടെ അഭിപ്രായത്തിൽ. 12, മേഖലയിലെ ഏറ്റവും ഉയർന്ന കൃഷിയോഗ്യമായ ഭൂമിയിൽ (റഷ്യയിലെ നിക്കൽ ഉത്പാദനം) HNO3- വേർതിരിച്ചെടുക്കാവുന്ന നിക്കലിന്റെ അളവ് 6.25 മുതൽ 136.88 mg/kg വരെയാണ്, ഇത് ശരാശരി 30.43 mg/kg ഉം അടിസ്ഥാന സാന്ദ്രത 25 mg/kg ഉം ആണ്. കബാറ്റ 11 അനുസരിച്ച്, തുടർച്ചയായ വിള സീസണുകളിൽ നഗരങ്ങളിലോ നഗരപ്രദേശങ്ങളിലോ ഉള്ള മണ്ണിൽ ഫോസ്ഫറസ് വളങ്ങൾ കാർഷിക മണ്ണിൽ പ്രയോഗിക്കുന്നത് മണ്ണിനെ മലിനമാക്കുകയോ മലിനമാക്കുകയോ ചെയ്യും. മനുഷ്യരിൽ നിക്കലിന്റെ സാധ്യതയുള്ള ഫലങ്ങൾ മ്യൂട്ടജെനിസിസ്, ക്രോമസോം കേടുപാടുകൾ, Z-DNA ജനറേഷൻ, തടഞ്ഞ DNA എക്സിഷൻ റിപ്പയർ അല്ലെങ്കിൽ എപ്പിജെനെറ്റിക് പ്രക്രിയകൾ എന്നിവയിലൂടെ കാൻസറിലേക്ക് നയിച്ചേക്കാം. മൃഗ പരീക്ഷണങ്ങളിൽ, നിക്കലിന് വിവിധതരം മുഴകൾക്ക് കാരണമാകുമെന്ന് കണ്ടെത്തിയിട്ടുണ്ട്, കൂടാതെ കാർസിനോജെനിക് നിക്കൽ കോംപ്ലക്സുകൾ അത്തരം മുഴകളെ കൂടുതൽ വഷളാക്കിയേക്കാം.
മണ്ണ്-സസ്യ ബന്ധങ്ങൾ, മണ്ണ്-മണ്ണ് ജൈവ ബന്ധങ്ങൾ, പാരിസ്ഥിതിക നശീകരണം, പരിസ്ഥിതി ആഘാത വിലയിരുത്തൽ എന്നിവയിൽ നിന്ന് ഉയർന്നുവരുന്ന ആരോഗ്യ സംബന്ധമായ നിരവധി പ്രശ്നങ്ങൾ കാരണം മണ്ണ് മലിനീകരണ വിലയിരുത്തലുകൾ സമീപകാലത്ത് അഭിവൃദ്ധി പ്രാപിച്ചിട്ടുണ്ട്. ഇന്നുവരെ, പരമ്പരാഗത രീതികൾ ഉപയോഗിച്ച് മണ്ണിൽ Ni പോലുള്ള വിഷാംശമുള്ള മൂലകങ്ങളുടെ (PTEs) സ്ഥലപരമായ പ്രവചനം ശ്രമകരവും സമയമെടുക്കുന്നതുമാണ്. ഡിജിറ്റൽ മണ്ണ് മാപ്പിംഗിന്റെ (DSM) ആവിർഭാവവും അതിന്റെ നിലവിലെ വിജയവും15 പ്രവചനാത്മക മണ്ണ് മാപ്പിംഗിനെ (PSM) വളരെയധികം മെച്ചപ്പെടുത്തിയിട്ടുണ്ട്. മിനാസ്നിയും മക്ബ്രാറ്റ്നിയും16 പ്രകാരം, പ്രവചനാത്മക മണ്ണ് മാപ്പിംഗ് (DSM) മണ്ണ് ശാസ്ത്രത്തിന്റെ ഒരു പ്രമുഖ ഉപവിഭാഗമാണെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട്.ലഗാച്ചെറിയും മക്ബ്രാറ്റ്നിയും, 2006 ഡി‌എസ്‌എമ്മിനെ "ഇൻ സിറ്റു, ലബോറട്ടറി നിരീക്ഷണ രീതികളും സ്പേഷ്യൽ, നോൺ-സ്പേഷ്യൽ മണ്ണ് അനുമാന സംവിധാനങ്ങളും ഉപയോഗിച്ച് സ്പേഷ്യൽ മണ്ണ് വിവര സംവിധാനങ്ങളുടെ സൃഷ്ടിയും പൂരിപ്പിക്കലും" എന്ന് നിർവചിക്കുന്നു. മക്ബ്രാറ്റ്നി തുടങ്ങിയവർ. PTE-കളുടെ സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ, മണ്ണിന്റെ തരങ്ങൾ, മണ്ണിന്റെ ഗുണങ്ങൾ എന്നിവ പ്രവചിക്കുന്നതിനോ മാപ്പ് ചെയ്യുന്നതിനോ ഉള്ള ഏറ്റവും ഫലപ്രദമായ സാങ്കേതികതയാണ് സമകാലിക DSM അല്ലെങ്കിൽ PSM എന്ന് 17 വിശദീകരിക്കുന്നു. ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ് ആൻഡ് മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ (MLA) എന്നത് കമ്പ്യൂട്ടറുകളുടെ സഹായത്തോടെ ഗണ്യമായതും കുറഞ്ഞതുമായ ഡാറ്റ ഉപയോഗിച്ച് ഡിജിറ്റൈസ് ചെയ്ത മാപ്പുകൾ സൃഷ്ടിക്കുന്ന DSM മോഡലിംഗ് സാങ്കേതികതകളാണ്.
Deutsch18 ഉം Olea19 ഉം ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിനെ "സ്പേഷ്യൽ ആട്രിബ്യൂട്ടുകളുടെ പ്രാതിനിധ്യം കൈകാര്യം ചെയ്യുന്ന സംഖ്യാ സാങ്കേതിക വിദ്യകളുടെ ശേഖരം" എന്ന് നിർവചിക്കുന്നു, പ്രധാനമായും സമയ ശ്രേണി വിശകലനം താൽക്കാലിക ഡാറ്റയെ എങ്ങനെ ചിത്രീകരിക്കുന്നു എന്നതുപോലുള്ള സ്റ്റോക്കാസ്റ്റിക് മോഡലുകൾ ഉപയോഗിക്കുന്നു. പ്രാഥമികമായി, ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിൽ വേരിയോഗ്രാമുകളുടെ വിലയിരുത്തൽ ഉൾപ്പെടുന്നു, ഇത് ഓരോ ഡാറ്റാസെറ്റിൽ നിന്നും സ്പേഷ്യൽ മൂല്യങ്ങളുടെ ആശ്രിതത്വം അളക്കാനും നിർവചിക്കാനും അനുവദിക്കുന്നു20.Gumiaux et al. ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിലെ വേരിയോഗ്രാമുകളുടെ വിലയിരുത്തൽ മൂന്ന് തത്വങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് 20 കൂടുതൽ വ്യക്തമാക്കുന്നു, അവയിൽ (എ) ഡാറ്റാ പരസ്പര ബന്ധത്തിന്റെ സ്കെയിൽ കണക്കാക്കൽ, (ബി) ഡാറ്റാസെറ്റ് അസമത്വത്തിൽ അനിസോട്രോപ്പി തിരിച്ചറിയൽ, കണക്കുകൂട്ടൽ, (സി) കൂടാതെ പ്രാദേശിക ഇഫക്റ്റുകളിൽ നിന്ന് വേർതിരിച്ച അളവെടുപ്പ് ഡാറ്റയുടെ അന്തർലീനമായ പിശക് കണക്കിലെടുക്കുന്നതിനൊപ്പം, ഏരിയ ഇഫക്റ്റുകളും കണക്കാക്കുന്നു. ഈ ആശയങ്ങളെ അടിസ്ഥാനമാക്കി, ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിൽ നിരവധി ഇന്റർപോളേഷൻ ടെക്നിക്കുകൾ ഉപയോഗിക്കുന്നു, അതിൽ ജനറൽ ക്രിഗിംഗ്, കോ-ക്രിഗിംഗ്, ഓർഡിനറി ക്രിഗിംഗ്, അനുഭവപരമായ ബയേസിയൻ ക്രിഗിംഗ്, ലളിതമായ ക്രിഗിംഗ് രീതി, PTE, മണ്ണിന്റെ സവിശേഷതകൾ, മണ്ണിന്റെ തരങ്ങൾ എന്നിവ മാപ്പ് ചെയ്യുന്നതിനോ പ്രവചിക്കുന്നതിനോ ഉള്ള മറ്റ് അറിയപ്പെടുന്ന ഇന്റർപോളേഷൻ ടെക്നിക്കുകൾ എന്നിവ ഉൾപ്പെടുന്നു.
മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ (എം‌എൽ‌എ) താരതമ്യേന പുതിയ ഒരു സാങ്കേതികതയാണ്, ഇത് വലിയ നോൺ-ലീനിയർ ഡാറ്റ ക്ലാസുകൾ ഉപയോഗിക്കുന്നു, പ്രധാനമായും ഡാറ്റ മൈനിംഗിനും ഡാറ്റയിലെ പാറ്റേണുകൾ തിരിച്ചറിയുന്നതിനും മണ്ണ് ശാസ്ത്രം, റിട്ടേൺ ടാസ്‌ക്കുകൾ തുടങ്ങിയ ശാസ്ത്രീയ മേഖലകളിലെ വർഗ്ഗീകരണത്തിന് ആവർത്തിച്ച് പ്രയോഗിക്കുന്നതിനും ഉപയോഗിക്കുന്ന അൽഗോരിതങ്ങളാൽ ഇത് ഉത്തേജിപ്പിക്കപ്പെടുന്നു. ടാൻ എറ്റ് ആൽ. 22 (കാർഷിക മണ്ണിലെ ഹെവി മെറ്റൽ എസ്റ്റിമേഷനായി റാൻഡം ഫോറസ്റ്റുകൾ), സക്കിസാദെ എറ്റ് ആൽ. 23 (സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകളും കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഉപയോഗിച്ച് മോഡലിംഗ്) മണ്ണ് മലിനീകരണം എന്നിവ പോലുള്ള നിരവധി ഗവേഷണ പ്രബന്ധങ്ങൾ മണ്ണിലെ പി‌ടി‌ഇ പ്രവചിക്കാൻ എം‌എൽ‌എ മോഡലുകളെ ആശ്രയിക്കുന്നു. കൂടാതെ, വേഗ എറ്റ് ആൽ. 24 (മണ്ണിലെ ഹെവി മെറ്റൽ നിലനിർത്തലും ആഗിരണം ചെയ്യലും മോഡലിംഗ് ചെയ്യുന്നതിനുള്ള കാർട്ട്) സൺ എറ്റ് ആൽ. 25 (ക്യൂബിസ്റ്റിന്റെ പ്രയോഗമാണ് മണ്ണിലെ സിഡി വിതരണം) കൂടാതെ കെ-അടുത്ത അയൽക്കാരൻ, സാമാന്യവൽക്കരിച്ച ബൂസ്റ്റഡ് റിഗ്രഷൻ, ബൂസ്റ്റഡ് റിഗ്രഷൻ തുടങ്ങിയ മറ്റ് അൽഗോരിതങ്ങളും ട്രീസ് മണ്ണിലെ പി‌ടി‌ഇ പ്രവചിക്കാൻ എം‌എൽ‌എ പ്രയോഗിച്ചു.
പ്രവചനത്തിലോ മാപ്പിങ്ങിലോ DSM അൽഗോരിതങ്ങളുടെ പ്രയോഗം നിരവധി വെല്ലുവിളികൾ നേരിടുന്നു. പല എഴുത്തുകാരും MLA ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിനേക്കാൾ മികച്ചതാണെന്ന് വിശ്വസിക്കുന്നു, തിരിച്ചും. ഒന്ന് മറ്റൊന്നിനേക്കാൾ മികച്ചതാണെങ്കിലും, രണ്ടിന്റെയും സംയോജനം DSM15-ൽ മാപ്പിംഗിന്റെയോ പ്രവചനത്തിന്റെയോ കൃത്യതയുടെ നിലവാരം മെച്ചപ്പെടുത്തുന്നു. വുഡ്‌കോക്കും ഗോപാൽ26 ഫിങ്കെ27; പോണ്ടിയസും ച്യൂക്കും28 ഉം ഗ്രൻവാൾഡ്29 ഉം പ്രവചിക്കപ്പെട്ട മണ്ണ് മാപ്പിംഗിലെ പോരായ്മകളെയും ചില പിശകുകളെയും കുറിച്ച് അഭിപ്രായപ്പെടുന്നു. DSM മാപ്പിംഗിന്റെയും പ്രവചനത്തിന്റെയും ഫലപ്രാപ്തി, കൃത്യത, പ്രവചനക്ഷമത എന്നിവ ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിന് മണ്ണ് ശാസ്ത്രജ്ഞർ വിവിധ സാങ്കേതിക വിദ്യകൾ പരീക്ഷിച്ചു. ഫലപ്രാപ്തി ഒപ്റ്റിമൈസ് ചെയ്യുന്നതിനും വൈകല്യങ്ങൾ കുറയ്ക്കുന്നതിനുമായി DSM-ൽ സംയോജിപ്പിച്ചിരിക്കുന്ന നിരവധി വ്യത്യസ്ത വശങ്ങളിൽ ഒന്നാണ് അനിശ്ചിതത്വത്തിന്റെയും സ്ഥിരീകരണത്തിന്റെയും സംയോജനം. എന്നിരുന്നാലും, ഭൂപട നിർമ്മാണത്തിലൂടെയും പ്രവചനത്തിലൂടെയും അവതരിപ്പിച്ച സാധൂകരണ സ്വഭാവവും അനിശ്ചിതത്വവും മാപ്പ് ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിന് സ്വതന്ത്രമായി സാധൂകരിക്കണമെന്ന് അഗ്യേമാൻ തുടങ്ങിയവർ 15 രൂപരേഖ നൽകുന്നു. ഭൂമിശാസ്ത്രപരമായി ചിതറിക്കിടക്കുന്ന മണ്ണിന്റെ ഗുണനിലവാരം മൂലമാണ് DSM-ന്റെ പരിമിതികൾ, അതിൽ അനിശ്ചിതത്വത്തിന്റെ ഒരു ഘടകം ഉൾപ്പെടുന്നു; എന്നിരുന്നാലും, DSM-ൽ ഉറപ്പില്ലായ്മ ഉണ്ടാകുന്നത് കോവേറിയേറ്റ് പിശക്, മോഡൽ പിശക്, ലൊക്കേഷൻ പിശക്, വിശകലന പിശക് 31 എന്നിങ്ങനെ ഒന്നിലധികം പിശകുകളുടെ ഉറവിടങ്ങളിൽ നിന്നാകാം. MLA, ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രക്രിയകളിൽ ഉണ്ടാകുന്ന മോഡലിംഗ് കൃത്യതയില്ലായ്മകൾ ധാരണയുടെ അഭാവവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, ഇത് ഒടുവിൽ യഥാർത്ഥ പ്രക്രിയയുടെ അമിത ലളിതവൽക്കരണത്തിലേക്ക് നയിക്കുന്നു32. മോഡലിംഗിന്റെ സ്വഭാവം പരിഗണിക്കാതെ തന്നെ, മോഡലിംഗ് പാരാമീറ്ററുകൾ, ഗണിതശാസ്ത്ര മോഡൽ പ്രവചനങ്ങൾ അല്ലെങ്കിൽ ഇന്റർപോളേഷൻ33 എന്നിവയുമായി കൃത്യതയില്ലായ്മകൾ ബന്ധപ്പെട്ടിരിക്കുന്നു. അടുത്തിടെ, മാപ്പിംഗിലും പ്രവചനത്തിലും ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിന്റെയും MLAയുടെയും സംയോജനത്തെ പ്രോത്സാഹിപ്പിക്കുന്ന ഒരു പുതിയ DSM പ്രവണത ഉയർന്നുവന്നിട്ടുണ്ട്. സെർജീവ് തുടങ്ങിയവർ 34; സബ്ബോട്ടിന തുടങ്ങിയവർ 35; തരാസോവ് തുടങ്ങിയവർ 36, തരാസോവ് തുടങ്ങിയവർ 37 എന്നിങ്ങനെ നിരവധി മണ്ണ് ശാസ്ത്രജ്ഞരും എഴുത്തുകാരും ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിന്റെയും മെഷീൻ ലേണിംഗിന്റെയും കൃത്യമായ ഗുണനിലവാരം ഉപയോഗപ്പെടുത്തി പ്രവചനത്തിന്റെയും മാപ്പിംഗിന്റെയും കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്ന ഹൈബ്രിഡ് മോഡലുകൾ സൃഷ്ടിക്കുന്നു. ഗുണനിലവാരം. ഈ ഹൈബ്രിഡ് അല്ലെങ്കിൽ സംയോജിത അൽഗോരിതം മോഡലുകളിൽ ചിലത് ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ക്രിഗിംഗ് (ANN-RK), മൾട്ടിലെയർ പെർസെപ്ട്രോൺ റെസിഡ്യൂവൽ ക്രിഗിംഗ് (MLP-RK), സാമാന്യവൽക്കരിച്ച റിഗ്രഷൻ ന്യൂറൽ നെറ്റ്‌വർക്ക് റെസിഡ്യൂവൽ ക്രിഗിംഗ് (GR- NNRK)36, ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ക്രിഗിംഗ്-മൾട്ടിലെയർ പെർസെപ്ട്രോൺ (ANN-K-MLP)37, കോ-ക്രിഗിംഗ് ആൻഡ് ഗൗസിയൻ പ്രോസസ് റിഗ്രഷൻ38 എന്നിവയാണ്.
സെർജീവ് തുടങ്ങിയവർ പറയുന്നതനുസരിച്ച്, വിവിധ മോഡലിംഗ് ടെക്നിക്കുകൾ സംയോജിപ്പിക്കുന്നത്, അതിന്റെ ഒറ്റ മോഡൽ വികസിപ്പിക്കുന്നതിനുപകരം, ഫലമായുണ്ടാകുന്ന ഹൈബ്രിഡ് മോഡലിന്റെ വൈകല്യങ്ങൾ ഇല്ലാതാക്കാനും കാര്യക്ഷമത വർദ്ധിപ്പിക്കാനും കഴിവുള്ളതാണ്. ഈ സാഹചര്യത്തിൽ, നഗര, പെരി-അർബൻ പ്രദേശങ്ങളിൽ Ni സമ്പുഷ്ടീകരണം പ്രവചിക്കുന്നതിന് ഒപ്റ്റിമൽ ഹൈബ്രിഡ് മോഡലുകൾ സൃഷ്ടിക്കുന്നതിന് ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിന്റെയും MLAയുടെയും സംയോജിത അൽഗോരിതം പ്രയോഗിക്കേണ്ടത് ആവശ്യമാണെന്ന് ഈ പുതിയ പ്രബന്ധം വാദിക്കുന്നു. ഈ പഠനം അടിസ്ഥാന മോഡലായി അനുഭവപരമായ ബയേസിയൻ ക്രിഗിംഗ് (EBK) നെ ആശ്രയിക്കുകയും സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (SVM), മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ (MLR) മോഡലുകളുമായി ഇത് സംയോജിപ്പിക്കുകയും ചെയ്യും. ഏതെങ്കിലും MLA യുമായുള്ള EBK യുടെ ഹൈബ്രിഡൈസേഷൻ അറിയില്ല. കാണുന്ന ഒന്നിലധികം മിക്സഡ് മോഡലുകൾ സാധാരണ, അവശിഷ്ട, റിഗ്രഷൻ ക്രിഗിംഗ്, MLA എന്നിവയുടെ സംയോജനമാണ്. EBK എന്നത് ഒരു ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ ഇന്റർപോളേഷൻ രീതിയാണ്, ഇത് ഫീൽഡിൽ നിർവചിക്കപ്പെട്ട പ്രാദേശികവൽക്കരണ പാരാമീറ്ററുകളുള്ള ഒരു നോൺ-സ്റ്റേഷണറി/സ്റ്റേഷണറി റാൻഡം ഫീൽഡായി പ്രാദേശികവൽക്കരിക്കപ്പെട്ട ഒരു സ്ഥലപരമായി സ്റ്റോക്കാസ്റ്റിക് പ്രക്രിയ ഉപയോഗിക്കുന്നു, ഇത് സ്പേഷ്യൽ വ്യതിയാനത്തിന് അനുവദിക്കുന്നു39. കൃഷിയിടത്തിലെ മണ്ണിലെ ജൈവ കാർബണിന്റെ വിതരണം വിശകലനം ചെയ്യുന്നത് ഉൾപ്പെടെ വിവിധ പഠനങ്ങളിൽ EBK ഉപയോഗിച്ചിട്ടുണ്ട്40, മണ്ണ് മലിനീകരണം വിലയിരുത്തൽ41 മണ്ണിന്റെ ഗുണവിശേഷതകൾ മാപ്പിംഗ് ചെയ്യുക42.
മറുവശത്ത്, സെൽഫ്-ഓർഗനൈസിംഗ് ഗ്രാഫ് (SeOM) എന്നത് ഒരു പഠന അൽഗോരിതം ആണ്, ഇത് Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45, Kebonye et al. 46 തുടങ്ങിയ വിവിധ ലേഖനങ്ങളിൽ പ്രയോഗിച്ചിട്ടുണ്ട്. മൂലകങ്ങളുടെ സ്പേഷ്യൽ ആട്രിബ്യൂട്ടുകളും ഗ്രൂപ്പിംഗും നിർണ്ണയിക്കുക. രേഖീയമല്ലാത്ത പ്രശ്നങ്ങൾ ഗ്രൂപ്പുചെയ്യാനും സങ്കൽപ്പിക്കാനുമുള്ള കഴിവിന് പേരുകേട്ട ഒരു ശക്തമായ പഠന സാങ്കേതികതയാണ് SeOM എന്ന് Wang et al. 44 വിശദീകരിക്കുന്നു. പ്രിൻസിപ്പൽ ഘടക വിശകലനം, ഫസി ക്ലസ്റ്ററിംഗ്, ഹൈറാർക്കിക്കൽ ക്ലസ്റ്ററിംഗ്, മൾട്ടി-ക്രൈറ്റീരിയ തീരുമാനമെടുക്കൽ തുടങ്ങിയ മറ്റ് പാറ്റേൺ തിരിച്ചറിയൽ സാങ്കേതിക വിദ്യകളിൽ നിന്ന് വ്യത്യസ്തമായി, PTE പാറ്റേണുകൾ സംഘടിപ്പിക്കുന്നതിലും തിരിച്ചറിയുന്നതിലും SeOM മികച്ചതാണ്. Wang et al. 44 അനുസരിച്ച്, SeOM-ന് ബന്ധപ്പെട്ട ന്യൂറോണുകളുടെ വിതരണം സ്പേഷ്യലായി ഗ്രൂപ്പുചെയ്യാനും ഉയർന്ന റെസല്യൂഷൻ ഡാറ്റ ദൃശ്യവൽക്കരണം നൽകാനും കഴിയും. നേരിട്ടുള്ള വ്യാഖ്യാനത്തിനായി ഫലങ്ങൾ ചിത്രീകരിക്കുന്നതിന് ഏറ്റവും മികച്ച മോഡൽ ലഭിക്കുന്നതിന് SeOM Ni പ്രവചന ഡാറ്റ ദൃശ്യവൽക്കരിക്കും.
നഗര, നഗര മണ്ണുകളിലെ നിക്കൽ ഉള്ളടക്കം പ്രവചിക്കുന്നതിന് ഒപ്റ്റിമൽ കൃത്യതയോടെ ഒരു ശക്തമായ മാപ്പിംഗ് മോഡൽ സൃഷ്ടിക്കുക എന്നതാണ് ഈ പ്രബന്ധത്തിന്റെ ലക്ഷ്യം. മിക്സഡ് മോഡലിന്റെ വിശ്വാസ്യത പ്രധാനമായും അടിസ്ഥാന മോഡലുമായി ബന്ധിപ്പിച്ചിരിക്കുന്ന മറ്റ് മോഡലുകളുടെ സ്വാധീനത്തെ ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് ഞങ്ങൾ അനുമാനിക്കുന്നു. DSM നേരിടുന്ന വെല്ലുവിളികൾ ഞങ്ങൾ അംഗീകരിക്കുന്നു, കൂടാതെ ഈ വെല്ലുവിളികൾ ഒന്നിലധികം മേഖലകളിൽ അഭിസംബോധന ചെയ്യപ്പെടുമ്പോൾ, ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിലും MLA മോഡലുകളിലും പുരോഗതിയുടെ സംയോജനം വർദ്ധിച്ചുവരുന്നതായി തോന്നുന്നു; അതിനാൽ, മിക്സഡ് മോഡലുകൾ നൽകിയേക്കാവുന്ന ഗവേഷണ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഞങ്ങൾ ശ്രമിക്കും. എന്നിരുന്നാലും, ലക്ഷ്യ ഘടകം പ്രവചിക്കുന്നതിൽ മോഡൽ എത്രത്തോളം കൃത്യമാണ്? കൂടാതെ, സാധൂകരണത്തിന്റെയും കൃത്യത വിലയിരുത്തലിന്റെയും അടിസ്ഥാനത്തിൽ കാര്യക്ഷമത വിലയിരുത്തലിന്റെ നിലവാരം എന്താണ്? അതിനാൽ, ഈ പഠനത്തിന്റെ നിർദ്ദിഷ്ട ലക്ഷ്യങ്ങൾ (എ) EBK അടിസ്ഥാന മോഡലായി ഉപയോഗിച്ച് SVMR അല്ലെങ്കിൽ MLR-നായി ഒരു സംയോജിത മിശ്രിത മോഡൽ സൃഷ്ടിക്കുക, (ബി) ഫലമായുണ്ടാകുന്ന മോഡലുകൾ താരതമ്യം ചെയ്യുക (സി) നഗര അല്ലെങ്കിൽ നഗര മണ്ണിലെ Ni സാന്ദ്രത പ്രവചിക്കുന്നതിനുള്ള ഏറ്റവും മികച്ച മിശ്രിത മോഡൽ നിർദ്ദേശിക്കുക, (ഡി) നിക്കൽ സ്പേഷ്യൽ വ്യതിയാനത്തിന്റെ ഉയർന്ന റെസല്യൂഷൻ മാപ്പ് സൃഷ്ടിക്കാൻ SeOM പ്രയോഗിക്കുക എന്നിവയായിരുന്നു.
ചെക്ക് റിപ്പബ്ലിക്കിൽ, പ്രത്യേകിച്ച് മൊറാവിയ-സൈലേഷ്യൻ മേഖലയിലെ ഫ്രൈഡെക് മിസ്റ്റെക് ജില്ലയിലാണ് പഠനം നടക്കുന്നത് (ചിത്രം 1 കാണുക). പഠന മേഖലയുടെ ഭൂമിശാസ്ത്രം വളരെ പരുക്കൻ ആണ്, പ്രധാനമായും മൊറാവിയ-സൈലേഷ്യൻ ബെസ്കിഡി മേഖലയുടെ ഭാഗമാണിത്, ഇത് കാർപാത്തിയൻ പർവതനിരകളുടെ പുറം വരമ്പിന്റെ ഭാഗമാണ്. പഠന മേഖല 49° 41′ 0′ വടക്ക് ഭാഗത്തേക്കും 18° 20′ 0′ കിഴക്ക് ഭാഗത്തേക്കും സ്ഥിതിചെയ്യുന്നു, ഉയരം 225 നും 327 മീറ്ററിനും ഇടയിലാണ്; എന്നിരുന്നാലും, പ്രദേശത്തിന്റെ കാലാവസ്ഥാ അവസ്ഥയെക്കുറിച്ചുള്ള കോപ്പൻ വർഗ്ഗീകരണ സംവിധാനം Cfb = മിതശീതോഷ്ണ സമുദ്ര കാലാവസ്ഥ എന്നാണ് റേറ്റുചെയ്തിരിക്കുന്നത്, വരണ്ട മാസങ്ങളിൽ പോലും ധാരാളം മഴ ലഭിക്കുന്നു. വർഷം മുഴുവനും താപനില −5 °C നും 24 °C നും ഇടയിൽ അല്പം വ്യത്യാസപ്പെടുന്നു, അപൂർവ്വമായി −14 °C നും 30 °C നും മുകളിൽ കുറയുന്നു, അതേസമയം ശരാശരി വാർഷിക മഴ 685 നും 752 mm നും ഇടയിലാണ്. മുഴുവൻ പ്രദേശത്തിന്റെയും കണക്കാക്കിയ സർവേ വിസ്തീർണ്ണം 1,208 ചതുരശ്ര കിലോമീറ്ററാണ്, കൃഷി ചെയ്ത ഭൂമിയുടെ 39.38% ഉം വനമേഖലയുടെ 49.36% ഉം ആണ്. മറുവശത്ത്, ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന വിസ്തീർണ്ണം ഏകദേശം 889.8 ചതുരശ്ര കിലോമീറ്ററാണ്. ഓസ്ട്രാവയിലും പരിസരത്തും, ഉരുക്ക് വ്യവസായവും ലോഹ ജോലികളും വളരെ സജീവമാണ്. ലോഹ മില്ലുകൾ, സ്റ്റെയിൻലെസ് സ്റ്റീലുകളിൽ നിക്കൽ ഉപയോഗിക്കുന്ന ഉരുക്ക് വ്യവസായം (ഉദാ: അന്തരീക്ഷ നാശത്തിനെതിരായ പ്രതിരോധത്തിനായി) അലോയ് സ്റ്റീലുകൾ (നിക്കൽ അതിന്റെ നല്ല ഡക്റ്റിലിറ്റിയും കാഠിന്യവും നിലനിർത്തിക്കൊണ്ട് അലോയ്യുടെ ശക്തി വർദ്ധിപ്പിക്കുന്നു), ഫോസ്ഫേറ്റ് വളപ്രയോഗം, കന്നുകാലി ഉൽപാദനം തുടങ്ങിയ തീവ്രമായ കൃഷി എന്നിവയാണ്. ഈ മേഖലയിലെ നിക്കലിന്റെ സാധ്യതയുള്ള സ്രോതസ്സുകളെക്കുറിച്ചുള്ള ഗവേഷണം (ഉദാഹരണത്തിന്, കുഞ്ഞാടുകളുടെയും കുറഞ്ഞ തീറ്റയുള്ള കന്നുകാലികളുടെയും വളർച്ചാ നിരക്ക് വർദ്ധിപ്പിക്കുന്നതിന് കുഞ്ഞാടുകളിൽ നിക്കൽ ചേർക്കുന്നു). ഗവേഷണ മേഖലകളിൽ നിക്കലിന്റെ മറ്റ് വ്യാവസായിക ഉപയോഗങ്ങളിൽ ഇലക്ട്രോപ്ലേറ്റിംഗിൽ അതിന്റെ ഉപയോഗം ഉൾപ്പെടുന്നു, അതിൽ ഇലക്ട്രോപ്ലേറ്റിംഗ് നിക്കൽ, ഇലക്ട്രോലെസ് നിക്കൽ പ്ലേറ്റിംഗ് പ്രക്രിയകൾ എന്നിവ ഉൾപ്പെടുന്നു. മണ്ണിന്റെ ഗുണങ്ങൾ മണ്ണിന്റെ നിറം, ഘടന, കാർബണേറ്റ് ഉള്ളടക്കം എന്നിവയിൽ നിന്ന് എളുപ്പത്തിൽ വേർതിരിച്ചറിയാൻ കഴിയും. മണ്ണിന്റെ ഘടന ഇടത്തരം മുതൽ നേർത്തതാണ്, മാതൃ വസ്തുവിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ്. അവ കൊളുവിയൽ, അലുവിയൽ അല്ലെങ്കിൽ അയോലിയൻ സ്വഭാവമുള്ളവയാണ്. ചില മണ്ണ് പ്രദേശങ്ങൾ ഉപരിതലത്തിലും ഭൂഗർഭ മണ്ണിലും മങ്ങിയതായി കാണപ്പെടുന്നു, പലപ്പോഴും കോൺക്രീറ്റും ബ്ലീച്ചിംഗും ഉണ്ട്. എന്നിരുന്നാലും, ഈ മേഖലയിലെ ഏറ്റവും സാധാരണമായ മണ്ണ് തരങ്ങളാണ് കാംബിസോളുകളും സ്റ്റാഗ്നോസോളുകളും48. 455.1 മുതൽ 493.5 മീറ്റർ വരെയുള്ള ഉയരത്തിൽ, ചെക്ക് റിപ്പബ്ലിക്കിൽ കാംബിസോളുകൾ ആധിപത്യം പുലർത്തുന്നു49.
പഠന മേഖലാ ഭൂപടം [ആർക്ക്ജിഐഎസ് ഡെസ്ക്ടോപ്പ് (ഇഎസ്ആർഐ, ഇൻക്, പതിപ്പ് 10.7, URL: https://desktop.arcgis.com) ഉപയോഗിച്ചാണ് പഠന മേഖലാ ഭൂപടം സൃഷ്ടിച്ചത്.]
ഫ്രൈഡെക് മിസ്റ്റെക് ജില്ലയിലെ നഗരപ്രദേശങ്ങളിലെയും നഗരപ്രദേശങ്ങളിലെയും മണ്ണിൽ നിന്ന് ആകെ 115 മേൽമണ്ണ് സാമ്പിളുകൾ ലഭിച്ചു. ഉപയോഗിച്ച സാമ്പിൾ പാറ്റേൺ 2 × 2 കിലോമീറ്റർ അകലത്തിൽ മണ്ണ് സാമ്പിളുകൾ ഉള്ള ഒരു സാധാരണ ഗ്രിഡ് ആയിരുന്നു, കൂടാതെ ഒരു കൈയിൽ പിടിക്കാവുന്ന GPS ഉപകരണം (Leica Zeno 5 GPS) ഉപയോഗിച്ച് 0 മുതൽ 20 സെന്റീമീറ്റർ വരെ ആഴത്തിൽ മേൽമണ്ണ് അളന്നു. സാമ്പിളുകൾ സിപ്ലോക്ക് ബാഗുകളിൽ പായ്ക്ക് ചെയ്ത് ശരിയായി ലേബൽ ചെയ്ത് ലബോറട്ടറിയിലേക്ക് അയയ്ക്കുന്നു. പൊടിച്ച സാമ്പിളുകൾ ഉത്പാദിപ്പിക്കുന്നതിനായി സാമ്പിളുകൾ വായുവിൽ ഉണക്കി, ഒരു മെക്കാനിക്കൽ സിസ്റ്റം (ഫ്രിറ്റ്ഷ് ഡിസ്ക് മിൽ) ഉപയോഗിച്ച് പൊടിച്ച്, അരിച്ചെടുത്തു (അരിപ്പയുടെ വലുപ്പം 2 മില്ലീമീറ്റർ). വ്യക്തമായി ലേബൽ ചെയ്ത ടെഫ്ലോൺ കുപ്പികളിൽ 1 ഗ്രാം ഉണക്കിയതും, ഏകീകൃതമാക്കിയതും, അരിച്ചെടുത്തതുമായ മണ്ണ് സാമ്പിളുകൾ വയ്ക്കുക. ഓരോ ടെഫ്ലോൺ പാത്രത്തിലും, 7 മില്ലി 35% HCl ഉം 3 മില്ലി 65% HNO3 ഉം (ഒരു ഓട്ടോമാറ്റിക് ഡിസ്പെൻസർ ഉപയോഗിച്ച് - ഓരോ ആസിഡിനും ഒന്ന്) വിതരണം ചെയ്യുക, ലഘുവായി മൂടി സാമ്പിളുകൾ പ്രതിപ്രവർത്തനത്തിനായി രാത്രി മുഴുവൻ നിൽക്കാൻ അനുവദിക്കുക (അക്വാ റീജിയ പ്രോഗ്രാം). സൂപ്പർനേറ്റന്റ് ഒരു ചൂടുള്ള ലോഹ പ്ലേറ്റിൽ വയ്ക്കുക. (താപനില: 100 W ഉം 160 °C ഉം) സാമ്പിളുകളുടെ ദഹന പ്രക്രിയ സുഗമമാക്കുന്നതിന് 2 മണിക്കൂർ, തുടർന്ന് തണുപ്പിക്കുക. സൂപ്പർനേറ്റന്റ് 50 മില്ലി വോള്യൂമെട്രിക് ഫ്ലാസ്കിലേക്ക് മാറ്റി ഡീയോണൈസ്ഡ് വെള്ളത്തിൽ 50 മില്ലിയിലേക്ക് നേർപ്പിക്കുക. അതിനുശേഷം, ലയിപ്പിച്ച സൂപ്പർനേറ്റന്റിനെ ഡീയോണൈസ്ഡ് വെള്ളത്തിൽ 50 മില്ലി പിവിസി ട്യൂബിലേക്ക് ഫിൽട്ടർ ചെയ്യുക. കൂടാതെ, 1 മില്ലി ഡില്യൂഷൻ ലായനി 9 മില്ലി ഡീയോണൈസ്ഡ് വെള്ളത്തിൽ ലയിപ്പിച്ച് PTE വ്യാജ സാന്ദ്രതയ്ക്കായി തയ്യാറാക്കിയ 12 മില്ലി ട്യൂബിലേക്ക് ഫിൽട്ടർ ചെയ്യുക. PTE-കളുടെ സാന്ദ്രത (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) സ്റ്റാൻഡേർഡ് രീതികളും കരാറും അനുസരിച്ച് ICP-OES (ഇൻഡക്റ്റീവ്ലി കപ്പിൾഡ് പ്ലാസ്മ ഒപ്റ്റിക്കൽ എമിഷൻ സ്പെക്ട്രോസ്കോപ്പി) (തെർമോ ഫിഷർ സയന്റിഫിക്, യുഎസ്എ) നിർണ്ണയിച്ചു. ഗുണനിലവാര ഉറപ്പും നിയന്ത്രണവും ഉറപ്പാക്കുക (QA/QC) നടപടിക്രമങ്ങൾ (SRM NIST 2711a മൊണ്ടാന II മണ്ണ്). പകുതിയിൽ താഴെ കണ്ടെത്തൽ പരിധിയുള്ള PTE-കളെ ഈ പഠനത്തിൽ നിന്ന് ഒഴിവാക്കി. കണ്ടെത്തൽ പരിധി ഈ പഠനത്തിൽ ഉപയോഗിച്ച PTE 0.0004 ആയിരുന്നു.(നിങ്ങൾ). കൂടാതെ, റഫറൻസ് മാനദണ്ഡങ്ങൾ വിശകലനം ചെയ്യുന്നതിലൂടെ ഓരോ വിശകലനത്തിനും ഗുണനിലവാര നിയന്ത്രണവും ഗുണനിലവാര ഉറപ്പ് പ്രക്രിയയും ഉറപ്പാക്കുന്നു. പിശകുകൾ കുറയ്ക്കുന്നതിന്, ഒരു ഇരട്ട വിശകലനം നടത്തി.
മണ്ണ് ശാസ്ത്രം പോലുള്ള വൈവിധ്യമാർന്ന മേഖലകളിൽ മോഡലിംഗിൽ ഉപയോഗിക്കുന്ന നിരവധി ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ ഇന്റർപോളേഷൻ ടെക്നിക്കുകളിൽ ഒന്നാണ് അനുഭവപരമായ ബയേസിയൻ ക്രിഗിംഗ് (EBK). മറ്റ് ക്രിഗിംഗ് ഇന്റർപോളേഷൻ ടെക്നിക്കുകളിൽ നിന്ന് വ്യത്യസ്തമായി, സെമിവേരിയോഗ്രാം മോഡൽ കണക്കാക്കിയ പിശക് പരിഗണിച്ചുകൊണ്ട് EBK പരമ്പരാഗത ക്രിഗിംഗ് രീതികളിൽ നിന്ന് വ്യത്യസ്തമാണ്. EBK ഇന്റർപോളേഷനിൽ, ഒരൊറ്റ സെമിവേരിയോഗ്രാമിന് പകരം, ഇന്റർപോളേഷൻ സമയത്ത് നിരവധി സെമിവേരിയോഗ്രാം മോഡലുകൾ കണക്കാക്കുന്നു. മതിയായ ക്രിഗിംഗ് രീതിയുടെ വളരെ സങ്കീർണ്ണമായ ഭാഗമായ സെമിവേരിയോഗ്രാമിന്റെ ഈ പ്ലോട്ടിംഗുമായി ബന്ധപ്പെട്ട അനിശ്ചിതത്വത്തിനും പ്രോഗ്രാമിംഗിനും ഇന്റർപോളേഷൻ ടെക്നിക്കുകൾ വഴിയൊരുക്കുന്നു. EBK യുടെ ഇന്റർപോളേഷൻ പ്രക്രിയ Krivoruchko50 നിർദ്ദേശിച്ച മൂന്ന് മാനദണ്ഡങ്ങൾ പിന്തുടരുന്നു, (a) ഇൻപുട്ട് ഡാറ്റാസെറ്റിൽ നിന്ന് മോഡൽ സെമിവേരിയോഗ്രാം കണക്കാക്കുന്നു (b) ജനറേറ്റ് ചെയ്ത സെമിവേരിയോഗ്രാമിനെ അടിസ്ഥാനമാക്കി ഓരോ ഇൻപുട്ട് ഡാറ്റാസെറ്റ് ലൊക്കേഷനുമുള്ള പുതിയ പ്രവചിച്ച മൂല്യം (c) അന്തിമ A മോഡൽ ഒരു സിമുലേറ്റഡ് ഡാറ്റാസെറ്റിൽ നിന്ന് കണക്കാക്കുന്നു. ബയേസിയൻ സമവാക്യ നിയമം ഒരു പിൻഭാഗമായി നൽകിയിരിക്കുന്നു.
\(Prob\left(A\right)\) എന്നത് മുൻഭാഗത്തെ പ്രതിനിധീകരിക്കുന്നിടത്ത്, \(Prob\left(B\right)\) മാർജിനൽ പ്രോബബിലിറ്റി മിക്ക കേസുകളിലും അവഗണിക്കപ്പെടുന്നു, \(Prob (B,A)\ ) .സെമിവേരിയോഗ്രാം കണക്കുകൂട്ടൽ ബയേസിന്റെ നിയമത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഇത് സെമിവേരിയോഗ്രാമുകളിൽ നിന്ന് സൃഷ്ടിക്കാൻ കഴിയുന്ന നിരീക്ഷണ ഡാറ്റാസെറ്റുകളുടെ പ്രവണത കാണിക്കുന്നു. തുടർന്ന് സെമിവേരിയോഗ്രാമിന്റെ മൂല്യം ബയേസിന്റെ നിയമം ഉപയോഗിച്ച് നിർണ്ണയിക്കപ്പെടുന്നു, ഇത് സെമിവേരിയോഗ്രാമിൽ നിന്ന് നിരീക്ഷണങ്ങളുടെ ഒരു ഡാറ്റാസെറ്റ് സൃഷ്ടിക്കാനുള്ള സാധ്യത എത്രത്തോളം ഉണ്ടെന്ന് പ്രസ്താവിക്കുന്നു.
ഒരു സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ എന്നത് ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം ആണ്, അത് സമാനവും എന്നാൽ രേഖീയമല്ലാത്തതുമായ ക്ലാസുകളെ വേർതിരിച്ചറിയാൻ ഒപ്റ്റിമൽ വേർതിരിക്കുന്ന ഹൈപ്പർപ്ലെയിൻ സൃഷ്ടിക്കുന്നു. Vapnik51 ഇന്റന്റ് ക്ലാസിഫിക്കേഷൻ അൽഗോരിതം സൃഷ്ടിച്ചു, പക്ഷേ റിഗ്രഷൻ-ഓറിയന്റഡ് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഇത് അടുത്തിടെ ഉപയോഗിച്ചു. Li et al.52 അനുസരിച്ച്, SVM ഏറ്റവും മികച്ച ക്ലാസിഫയർ ടെക്നിക്കുകളിൽ ഒന്നാണ്, കൂടാതെ വിവിധ മേഖലകളിൽ ഇത് ഉപയോഗിച്ചുവരുന്നു. ഈ വിശകലനത്തിൽ SVM ന്റെ റിഗ്രഷൻ ഘടകം (സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ റിഗ്രഷൻ - SVMR) ഉപയോഗിച്ചു. ചെർകാസ്കിയും മുലിയർ53 ഉം SVMR നെ ഒരു കേർണൽ അധിഷ്ഠിത റിഗ്രഷൻ ആയി വികസിപ്പിച്ചെടുത്തു, ഇതിന്റെ കണക്കുകൂട്ടൽ മൾട്ടി-കൺട്രി സ്പേഷ്യൽ ഫംഗ്ഷനുകളുള്ള ഒരു ലീനിയർ റിഗ്രഷൻ മോഡൽ ഉപയോഗിച്ചാണ് നടത്തിയത്. ജോൺ et al54 റിപ്പോർട്ട് ചെയ്യുന്നത് SVMR മോഡലിംഗ് ഹൈപ്പർപ്ലെയിൻ ലീനിയർ റിഗ്രഷൻ ഉപയോഗിക്കുന്നു, ഇത് രേഖീയമല്ലാത്ത ബന്ധങ്ങൾ സൃഷ്ടിക്കുകയും സ്പേഷ്യൽ ഫംഗ്ഷനുകൾ അനുവദിക്കുകയും ചെയ്യുന്നു. വോഹ്ലാൻഡ് et al.52 പ്രകാരം. 55, എപ്സിലോൺ (ε)-SVMR, പരിശീലനം ലഭിച്ച ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് ഒരു പ്രാതിനിധ്യ മോഡൽ ഒരു എപ്സിലോൺ-ഇൻസെൻസിറ്റീവ് ഫംഗ്‌ഷനായി ലഭിക്കുന്നു, ഇത് പരസ്പരബന്ധിത ഡാറ്റയെക്കുറിച്ചുള്ള പരിശീലനത്തിൽ നിന്ന് മികച്ച എപ്സിലോൺ ബയസ് ഉപയോഗിച്ച് ഡാറ്റ സ്വതന്ത്രമായി മാപ്പ് ചെയ്യുന്നതിന് പ്രയോഗിക്കുന്നു. പ്രീസെറ്റ് ദൂര പിശക് യഥാർത്ഥ മൂല്യത്തിൽ നിന്ന് അവഗണിക്കപ്പെടുന്നു, കൂടാതെ പിശക് ε(ε) നേക്കാൾ വലുതാണെങ്കിൽ, മണ്ണിന്റെ ഗുണങ്ങൾ അതിന് നഷ്ടപരിഹാരം നൽകുന്നു. പരിശീലന ഡാറ്റയുടെ സങ്കീർണ്ണതയെ പിന്തുണ വെക്റ്ററുകളുടെ വിശാലമായ ഉപവിഭാഗത്തിലേക്ക് മോഡൽ കുറയ്ക്കുന്നു. Vapnik51 നിർദ്ദേശിച്ച സമവാക്യം താഴെ കാണിച്ചിരിക്കുന്നു.
ഇവിടെ b എന്നത് സ്കെയിലർ ത്രെഷോൾഡിനെ പ്രതിനിധീകരിക്കുന്നു, \(K\left({x}_{,}{ x}_{k}\right)\) കേർണൽ ഫംഗ്‌ഷനെ പ്രതിനിധീകരിക്കുന്നു, \(\alpha\) ലഗ്രാഞ്ച് ഗുണിതത്തെ പ്രതിനിധീകരിക്കുന്നു, N ഒരു സംഖ്യാ ഡാറ്റാസെറ്റിനെ പ്രതിനിധീകരിക്കുന്നു, \({x}_{k}\) ഡാറ്റ ഇൻപുട്ടിനെ പ്രതിനിധീകരിക്കുന്നു, \(y\) ഡാറ്റ ഔട്ട്‌പുട്ടാണ്. ഉപയോഗിക്കുന്ന പ്രധാന കേർണലുകളിൽ ഒന്ന് SVMR പ്രവർത്തനമാണ്, ഇത് ഒരു ഗൗസിയൻ റേഡിയൽ ബേസ് ഫംഗ്‌ഷൻ (RBF) ആണ്. PTE പരിശീലന ഡാറ്റയ്‌ക്കായി ഏറ്റവും സൂക്ഷ്മമായ പെനാൽറ്റി സെറ്റ് ഫാക്ടർ C, കേർണൽ പാരാമീറ്റർ ഗാമ (γ) എന്നിവ ലഭിക്കുന്നതിന് നിർണായകമായ ഒപ്റ്റിമൽ SVMR മോഡൽ നിർണ്ണയിക്കാൻ RBF കേർണൽ പ്രയോഗിക്കുന്നു. ആദ്യം, ഞങ്ങൾ പരിശീലന സെറ്റ് വിലയിരുത്തി, തുടർന്ന് വാലിഡേഷൻ സെറ്റിൽ മോഡൽ പ്രകടനം പരീക്ഷിച്ചു. ഉപയോഗിച്ച സ്റ്റിയറിംഗ് പാരാമീറ്റർ സിഗ്മയും രീതി മൂല്യം svmRadial ഉം ആണ്.
മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ മോഡൽ (MLR) എന്നത് ഒരു റിഗ്രഷൻ മോഡലാണ്, ഇത് ലീസ്റ്റ് സ്ക്വയറുകൾ രീതി ഉപയോഗിച്ച് കണക്കാക്കിയ ലീനിയർ പൂൾഡ് പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് പ്രതികരണ വേരിയബിളും നിരവധി പ്രെഡിക്റ്റർ വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധത്തെ പ്രതിനിധീകരിക്കുന്നു. MLR-ൽ, ലീസ്റ്റ് സ്ക്വയറുകൾ മോഡൽ എന്നത് വിശദീകരണ വേരിയബിളുകൾ തിരഞ്ഞെടുത്തതിനുശേഷം മണ്ണിന്റെ ഗുണങ്ങളുടെ ഒരു പ്രവചന പ്രവർത്തനമാണ്. വിശദീകരണ വേരിയബിളുകൾ ഉപയോഗിച്ച് ഒരു രേഖീയ ബന്ധം സ്ഥാപിക്കുന്നതിന് പ്രതികരണം ഉപയോഗിക്കേണ്ടത് ആവശ്യമാണ്. വിശദീകരണ വേരിയബിളുകളുമായി ഒരു രേഖീയ ബന്ധം സ്ഥാപിക്കുന്നതിന് പ്രതികരണ വേരിയബിളായി PTE ഉപയോഗിച്ചു. MLR സമവാക്യം
ഇവിടെ y എന്നത് പ്രതികരണ വേരിയബിളും, \(a\) എന്നത് ഇന്റർസെപ്റ്റും, n എന്നത് പ്രെഡിക്ടറുകളുടെ എണ്ണവും, \({b}_{1}\) എന്നത് ഗുണകങ്ങളുടെ ഭാഗിക റിഗ്രഷനും, \({x}_{ i}\) എന്നത് ഒരു പ്രെഡിക്ടറിനെയോ വിശദീകരണ വേരിയബിളിനെയോ പ്രതിനിധീകരിക്കുന്നു, \({\varepsilon }_{i}\) എന്നത് മോഡലിലെ പിശകിനെ പ്രതിനിധീകരിക്കുന്നു, ഇത് അവശിഷ്ടം എന്നും അറിയപ്പെടുന്നു.
EBK യെ SVMR, MLR എന്നിവ ഉപയോഗിച്ച് സാൻഡ്‌വിച്ച് ചെയ്താണ് മിക്സഡ് മോഡലുകൾ ലഭിച്ചത്. EBK ഇന്റർപോളേഷനിൽ നിന്ന് പ്രവചിച്ച മൂല്യങ്ങൾ വേർതിരിച്ചെടുത്താണ് ഇത് ചെയ്യുന്നത്. ഇന്റർപോളേറ്റഡ് Ca, K, Mg എന്നിവയിൽ നിന്ന് ലഭിക്കുന്ന പ്രവചിച്ച മൂല്യങ്ങൾ ഒരു സംയോജിത പ്രക്രിയയിലൂടെ ലഭിക്കുന്നു, CaK, CaMg, KMg പോലുള്ള പുതിയ വേരിയബിളുകൾ ലഭിക്കുന്നു. തുടർന്ന് Ca, K, Mg എന്നീ മൂലകങ്ങൾ സംയോജിപ്പിച്ച് നാലാമത്തെ വേരിയബിൾ, CaKMg ലഭിക്കും. മൊത്തത്തിൽ, ലഭിച്ച വേരിയബിളുകൾ Ca, K, Mg, CaK, CaMg, KMg എന്നിവയാണ്. നഗര, പെരി-അർബൻ മണ്ണിലെ നിക്കൽ സാന്ദ്രത പ്രവചിക്കാൻ സഹായിക്കുന്ന ഈ വേരിയബിളുകൾ ഞങ്ങളുടെ പ്രെഡിക്ടറുകളായി മാറി. ഒരു മിക്സഡ് മോഡൽ എംപറിക്കൽ ബയേസിയൻ ക്രിഗിംഗ്-സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (EBK_SVM) ലഭിക്കുന്നതിന് പ്രെഡിക്ടറുകളിൽ SVMR അൽഗോരിതം നടത്തി. അതുപോലെ, ഒരു മിക്സഡ് മോഡൽ എംപറിക്കൽ ബയേസിയൻ ക്രിഗിംഗ്-മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ (EBK_MLR) ലഭിക്കുന്നതിന് വേരിയബിളുകളും MLR അൽഗോരിതം വഴി പൈപ്പ് ചെയ്യുന്നു. സാധാരണയായി, Ca, K, Mg, CaK എന്നീ വേരിയബിളുകൾ, നഗര, നഗര പ്രാന്തപ്രദേശങ്ങളിലെ മണ്ണിൽ Ni ഉള്ളടക്കത്തിന്റെ പ്രവചകരായി CaMg, KMg, CaKMg എന്നിവ കോവേറിയേറ്റുകളായി ഉപയോഗിക്കുന്നു. ലഭിച്ച ഏറ്റവും സ്വീകാര്യമായ മാതൃക (EBK_SVM അല്ലെങ്കിൽ EBK_MLR) പിന്നീട് ഒരു സ്വയം-ക്രമീകരണ ഗ്രാഫ് ഉപയോഗിച്ച് ദൃശ്യവൽക്കരിക്കും. ഈ പഠനത്തിന്റെ വർക്ക്ഫ്ലോ ചിത്രം 2 ൽ കാണിച്ചിരിക്കുന്നു.
സാമ്പത്തിക മേഖല, ആരോഗ്യ സംരക്ഷണം, വ്യവസായം, സ്ഥിതിവിവരക്കണക്കുകൾ, മണ്ണ് ശാസ്ത്രം തുടങ്ങിയ മേഖലകളിലെ ഡാറ്റ സംഘടിപ്പിക്കുന്നതിനും വിലയിരുത്തുന്നതിനും പ്രവചിക്കുന്നതിനുമുള്ള ഒരു ജനപ്രിയ ഉപകരണമായി SeOM ഉപയോഗിക്കുന്നത് മാറിയിരിക്കുന്നു. ഓർഗനൈസേഷൻ, വിലയിരുത്തൽ, പ്രവചനം എന്നിവയ്‌ക്കായി കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും മേൽനോട്ടമില്ലാത്ത പഠന രീതികളും ഉപയോഗിച്ചാണ് SeOM സൃഷ്ടിച്ചിരിക്കുന്നത്. ഈ പഠനത്തിൽ, നഗര, നഗര മണ്ണുകളിൽ Ni പ്രവചിക്കുന്നതിനുള്ള ഏറ്റവും മികച്ച മാതൃകയെ അടിസ്ഥാനമാക്കി Ni സാന്ദ്രത ദൃശ്യവൽക്കരിക്കാൻ SeOM ഉപയോഗിച്ചു. SeOM മൂല്യനിർണ്ണയത്തിൽ പ്രോസസ്സ് ചെയ്ത ഡാറ്റ n ഇൻപുട്ട്-ഡൈമൻഷണൽ വെക്റ്റർ വേരിയബിളുകളായി ഉപയോഗിക്കുന്നു43,56.മെൽസെൻ തുടങ്ങിയവർ. 57, ഒരു ഇൻപുട്ട് വെക്റ്ററിനെ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് ഒരൊറ്റ ഇൻപുട്ട് ലെയറിലൂടെ ഒരൊറ്റ വെയ്റ്റ് വെക്റ്ററുള്ള ഒരു ഔട്ട്‌പുട്ട് വെക്റ്ററുമായി ബന്ധിപ്പിക്കുന്നതിനെ വിവരിക്കുന്നു.SeOM സൃഷ്ടിക്കുന്ന ഔട്ട്‌പുട്ട്, വ്യത്യസ്ത ന്യൂറോണുകളോ നോഡുകളോ അവയുടെ സാമീപ്യത്തിനനുസരിച്ച് ഷഡ്ഭുജാകൃതിയിലുള്ള, വൃത്താകൃതിയിലുള്ള അല്ലെങ്കിൽ ചതുര ടോപ്പോളജിക്കൽ മാപ്പുകളിൽ നെയ്തെടുത്ത ഒരു ദ്വിമാന ഭൂപടമാണ്. മെട്രിക്, ക്വാണ്ടൈസേഷൻ പിശക് (QE), ടോപ്പോഗ്രാഫിക് പിശക് (TE) എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള മാപ്പ് വലുപ്പങ്ങൾ താരതമ്യം ചെയ്യുമ്പോൾ, യഥാക്രമം 0.086 ഉം 0.904 ഉം ഉള്ള SeOM മോഡൽ തിരഞ്ഞെടുത്തു, ഇത് ഒരു 55-മാപ്പ് യൂണിറ്റാണ് (5 × 11). അനുഭവപരമായ സമവാക്യത്തിലെ നോഡുകളുടെ എണ്ണം അനുസരിച്ചാണ് ന്യൂറോൺ ഘടന നിർണ്ണയിക്കുന്നത്.
ഈ പഠനത്തിൽ ഉപയോഗിച്ച ഡാറ്റയുടെ എണ്ണം 115 സാമ്പിളുകളാണ്. ഡാറ്റയെ ടെസ്റ്റ് ഡാറ്റ (സാധൂകരണത്തിന് 25%), പരിശീലന ഡാറ്റ സെറ്റുകളായി (കാലിബ്രേഷനായി 75%) വിഭജിക്കാൻ ഒരു റാൻഡം സമീപനം ഉപയോഗിച്ചു. റിഗ്രഷൻ മോഡൽ (കാലിബ്രേഷൻ) സൃഷ്ടിക്കാൻ പരിശീലന ഡാറ്റാസെറ്റ് ഉപയോഗിക്കുന്നു, സാമാന്യവൽക്കരണ കഴിവ് പരിശോധിക്കാൻ ടെസ്റ്റ് ഡാറ്റാസെറ്റ് ഉപയോഗിക്കുന്നു58. മണ്ണിലെ നിക്കൽ ഉള്ളടക്കം പ്രവചിക്കുന്നതിനുള്ള വിവിധ മോഡലുകളുടെ അനുയോജ്യത വിലയിരുത്തുന്നതിനാണ് ഇത് ചെയ്തത്. ഉപയോഗിച്ച എല്ലാ മോഡലുകളും പത്ത് മടങ്ങ് ക്രോസ്-വാലിഡേഷൻ പ്രക്രിയയിലൂടെ കടന്നുപോയി, അഞ്ച് തവണ ആവർത്തിച്ചു. EBK ഇന്റർപോളേഷൻ നിർമ്മിക്കുന്ന വേരിയബിളുകൾ ടാർഗെറ്റ് വേരിയബിൾ (PTE) പ്രവചിക്കുന്നതിന് പ്രെഡിക്ടറുകളായോ വിശദീകരണ വേരിയബിളുകളായോ ഉപയോഗിക്കുന്നു. ലൈബ്രറി (കൊഹോനെൻ), ലൈബ്രറി (കാരറ്റ്), ലൈബ്രറി (മോഡലർ), ലൈബ്രറി (“e1071″), ലൈബ്രറി (“പ്ലയർ”), ലൈബ്രറി (“കാടൂൾസ്”), ലൈബ്രറി (“പ്രോസ്പെക്ടർ”), ലൈബ്രറികൾ (“മെട്രിക്സ്”) എന്നീ പാക്കേജുകൾ ഉപയോഗിച്ച് RStudio-യിൽ മോഡലിംഗ് കൈകാര്യം ചെയ്യുന്നു.
മണ്ണിലെ നിക്കൽ സാന്ദ്രത പ്രവചിക്കുന്നതിനും മോഡലിന്റെ കൃത്യതയും അതിന്റെ സാധൂകരണവും വിലയിരുത്തുന്നതിനും അനുയോജ്യമായ ഏറ്റവും മികച്ച മോഡൽ നിർണ്ണയിക്കാൻ വിവിധ മൂല്യനിർണ്ണയ പാരാമീറ്ററുകൾ ഉപയോഗിച്ചു. ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE), റൂട്ട് ശരാശരി ചതുര പിശക് (RMSE), R- ചതുരം അല്ലെങ്കിൽ ഗുണക നിർണ്ണയം (R2) എന്നിവ ഉപയോഗിച്ചാണ് ഹൈബ്രിഡൈസേഷൻ മോഡലുകൾ വിലയിരുത്തിയത്. റിഗ്രഷൻ മോഡൽ പ്രതിനിധീകരിക്കുന്ന ഉത്തരത്തിലെ അനുപാതങ്ങളുടെ വ്യതിയാനത്തെ R2 നിർവചിക്കുന്നു. സ്വതന്ത്ര അളവുകളിലെ RMSE യും വേരിയൻസ് മാഗ്നിറ്റ്യൂഡും മോഡലിന്റെ പ്രവചന ശക്തിയെ വിവരിക്കുന്നു, അതേസമയം MAE യഥാർത്ഥ അളവ് മൂല്യം നിർണ്ണയിക്കുന്നു. മൂല്യനിർണ്ണയ പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് മികച്ച മിശ്രിത മോഡലിനെ വിലയിരുത്തുന്നതിന് R2 മൂല്യം ഉയർന്നതായിരിക്കണം, മൂല്യം 1 നോട് അടുക്കുന്തോറും കൃത്യത കൂടുതലാണ്. ലി et al. 59 അനുസരിച്ച്, 0.75 അല്ലെങ്കിൽ അതിൽ കൂടുതലുള്ള R2 മാനദണ്ഡ മൂല്യം ഒരു നല്ല പ്രവചനകമായി കണക്കാക്കപ്പെടുന്നു; 0.5 മുതൽ 0.75 വരെയുള്ളത് സ്വീകാര്യമായ മോഡൽ പ്രകടനമാണ്, 0.5 ന് താഴെയുള്ളത് അസ്വീകാര്യമായ മോഡൽ പ്രകടനമാണ്.RMSE, MAE മൂല്യനിർണ്ണയ മാനദണ്ഡ മൂല്യനിർണ്ണയ രീതികൾ ഉപയോഗിച്ച് ഒരു മോഡൽ തിരഞ്ഞെടുക്കുമ്പോൾ, ലഭിച്ച താഴ്ന്ന മൂല്യങ്ങൾ മതിയായിരുന്നു, അവ മികച്ച തിരഞ്ഞെടുപ്പായി കണക്കാക്കപ്പെട്ടു.താഴെ പറയുന്ന സമവാക്യം സ്ഥിരീകരണ രീതിയെ വിവരിക്കുന്നു.
ഇവിടെ n എന്നത് നിരീക്ഷിച്ച മൂല്യത്തിന്റെ വലുപ്പത്തെ പ്രതിനിധീകരിക്കുന്നു\({Y}_{i}\) അളന്ന പ്രതികരണത്തെ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ \({\widehat{Y}}_{i}\) എന്നത് പ്രവചിക്കപ്പെട്ട പ്രതികരണ മൂല്യത്തെയും പ്രതിനിധീകരിക്കുന്നു, അതിനാൽ, ആദ്യത്തെ i നിരീക്ഷണങ്ങൾക്ക്.
പ്രവചനത്തിന്റെയും പ്രതികരണ വേരിയബിളുകളുടെയും സ്ഥിതിവിവരക്കണക്കുകൾ പട്ടിക 1-ൽ അവതരിപ്പിച്ചിരിക്കുന്നു, ശരാശരി, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ (SD), വ്യതിയാനത്തിന്റെ ഗുണകം (CV), കുറഞ്ഞത്, പരമാവധി, കുർട്ടോസിസ്, സ്ക്യൂനെസ് എന്നിവ കാണിക്കുന്നു. മൂലകങ്ങളുടെ ഏറ്റവും കുറഞ്ഞതും കൂടിയതുമായ മൂല്യങ്ങൾ യഥാക്രമം Mg < Ca < K < Ni, Ca < Mg < K < Ni എന്നിവയുടെ അവരോഹണ ക്രമത്തിലാണ്. പഠന മേഖലയിൽ നിന്ന് സാമ്പിൾ ചെയ്ത പ്രതികരണ വേരിയബിളിന്റെ (Ni) സാന്ദ്രത 4.86 മുതൽ 42.39 mg/kg വരെയാണ്. Ni യെ ലോക ശരാശരി (29 mg/kg) ഉം യൂറോപ്യൻ ശരാശരി (37 mg/kg) ഉം ആയി താരതമ്യം ചെയ്യുമ്പോൾ പഠന മേഖലയുടെ മൊത്തത്തിലുള്ള കണക്കാക്കിയ ജ്യാമിതീയ ശരാശരി സഹിക്കാവുന്ന പരിധിക്കുള്ളിലാണെന്ന് കാണിക്കുന്നു. എന്നിരുന്നാലും, കബറ്റ-പെൻഡിയാസ്11 കാണിച്ചിരിക്കുന്നതുപോലെ, നിലവിലെ പഠനത്തിലെ ശരാശരി നിക്കൽ (Ni) സാന്ദ്രത സ്വീഡനിലെ കാർഷിക മണ്ണുമായി താരതമ്യം ചെയ്യുമ്പോൾ നിലവിലെ ശരാശരി നിക്കൽ സാന്ദ്രത കൂടുതലാണെന്ന് കാണിക്കുന്നു.അതുപോലെ, നിലവിലെ പഠനത്തിലെ നഗര, പെരി-നഗര മണ്ണുകളിലെ ഫ്രൈഡെക് മിസ്റ്റെക്കിന്റെ ശരാശരി സാന്ദ്രത (Ni 16.15 mg/kg) പോളിഷ് നഗര മണ്ണിൽ Ni യുടെ അനുവദനീയമായ പരിധിയായ 60 (10.2 mg/kg) നേക്കാൾ കൂടുതലായിരുന്നു റോസാൻസ്കി തുടങ്ങിയവർ റിപ്പോർട്ട് ചെയ്തത്. കൂടാതെ, ടസ്കനിയിലെ നഗര മണ്ണിൽ ബ്രെറ്റ്സെലും കാൽഡെറിസി61 ഉം നിലവിലെ പഠനവുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ വളരെ കുറഞ്ഞ ശരാശരി Ni സാന്ദ്രത (1.78 mg/kg) രേഖപ്പെടുത്തിയിട്ടുണ്ട്. ഹോങ്കോംഗ് നഗര മണ്ണിൽ Jim62 കുറഞ്ഞ നിക്കൽ സാന്ദ്രത (12.34 mg/kg) കണ്ടെത്തി, ഇത് ഈ പഠനത്തിലെ നിലവിലെ നിക്കൽ സാന്ദ്രതയേക്കാൾ കുറവാണ്. ജർമ്മനിയിലെ സാക്സണി-അൻഹാൾട്ടിലെ ഒരു പഴയ ഖനന, നഗര വ്യാവസായിക മേഖലയിൽ ശരാശരി Ni സാന്ദ്രത 17.6 mg/kg ആണെന്ന് Birke et al63 റിപ്പോർട്ട് ചെയ്തു, ഇത് പ്രദേശത്തെ ശരാശരി Ni സാന്ദ്രതയേക്കാൾ (16.15 mg/kg) 1.45 mg/kg കൂടുതലാണ്. നിലവിലെ ഗവേഷണം. പഠന മേഖലയിലെ ചില നഗര, പ്രാന്തപ്രദേശങ്ങളിലെ മണ്ണിലെ അമിതമായ നിക്കൽ അളവ് പ്രധാനമായും ഇരുമ്പ്, ഉരുക്ക് വ്യവസായവും ലോഹ വ്യവസായവുമാണ്. ഇത് ഖോഡഡൗസ്റ്റ് തുടങ്ങിയവർ നടത്തിയ പഠനവുമായി പൊരുത്തപ്പെടുന്നു. [64] ഉരുക്ക് വ്യവസായവും ലോഹനിർമ്മാണവുമാണ് മണ്ണിലെ നിക്കൽ മലിനീകരണത്തിന്റെ പ്രധാന ഉറവിടങ്ങൾ. എന്നിരുന്നാലും, Ca-യ്ക്ക് 538.70 mg/kg മുതൽ 69,161.80 mg/kg വരെയും, K-യ്ക്ക് 497.51 mg/kg മുതൽ 3535.68 mg/kg വരെയും, Mg-ക്ക് 685.68 mg/kg മുതൽ 5970.05 mg/kg വരെയും പ്രവചനങ്ങൾ ഉണ്ടായിരുന്നു. ജാക്കോവ്‌ലെവിക് തുടങ്ങിയവർ. മധ്യ സെർബിയയിലെ മണ്ണിലെ ആകെ Mg, K എന്നിവയുടെ അളവ് 65 അന്വേഷിച്ചു. മൊത്തം സാന്ദ്രത (യഥാക്രമം 410 mg/kg ഉം 400 mg/kg ഉം) നിലവിലെ പഠനത്തിലെ Mg, K സാന്ദ്രതയേക്കാൾ കുറവാണെന്ന് അവർ കണ്ടെത്തി. വേർതിരിച്ചറിയാൻ കഴിയാത്തവിധം, കിഴക്കൻ പോളണ്ടിൽ, ഓർസെക്കോവ്‌സ്‌കിയും സ്മോൾസിൻസ്കി66 ഉം Ca, Mg, K എന്നിവയുടെ ആകെ ഉള്ളടക്കം വിലയിരുത്തി Ca (1100 mg/kg), Mg (590 mg/kg), K (810 mg/kg) എന്നിവയുടെ ശരാശരി സാന്ദ്രത കാണിച്ചു. മേൽമണ്ണിലെ ഉള്ളടക്കം ഈ പഠനത്തിലെ ഒറ്റ മൂലകത്തേക്കാൾ കുറവാണ്. പോങ്‌ഗ്രാക് തുടങ്ങിയവർ നടത്തിയ ഒരു സമീപകാല പഠനം. 67, സ്കോട്ട്‌ലൻഡിലെ യുകെയിലെ 3 വ്യത്യസ്ത മണ്ണുകളിൽ (മൈൽനെഫീൽഡ് മണ്ണ്, ബാൽറുഡ്ഡറി മണ്ണ്, ഹാർട്ട്വുഡ് മണ്ണ്) വിശകലനം ചെയ്ത മൊത്തം Ca ഉള്ളടക്കം ഈ പഠനത്തിൽ ഉയർന്ന Ca ഉള്ളടക്കത്തെ സൂചിപ്പിച്ചു.
സാമ്പിൾ ചെയ്ത മൂലകങ്ങളുടെ വ്യത്യസ്ത അളന്ന സാന്ദ്രതകൾ കാരണം, മൂലകങ്ങളുടെ ഡാറ്റാ സെറ്റ് വിതരണങ്ങൾ വ്യത്യസ്ത ചരിവ് കാണിക്കുന്നു. മൂലകങ്ങളുടെ ചരിവ്, കുർട്ടോസിസ് എന്നിവ യഥാക്രമം 1.53 മുതൽ 7.24 വരെയും 2.49 മുതൽ 54.16 വരെയും ആയിരുന്നു. കണക്കാക്കിയ എല്ലാ മൂലകങ്ങൾക്കും +1 ന് മുകളിലുള്ള ചരിവ്, കുർട്ടോസിസ് ലെവലുകൾ ഉണ്ട്, അതിനാൽ ഡാറ്റ വിതരണം ക്രമരഹിതമാണെന്നും ശരിയായ ദിശയിൽ ചരിവ്, പീക്ക് ആണെന്നും സൂചിപ്പിക്കുന്നു. മൂലകങ്ങളുടെ കണക്കാക്കിയ സിവികൾ K, Mg, Ni എന്നിവ മിതമായ വേരിയബിളിറ്റി പ്രകടിപ്പിക്കുന്നുണ്ടെന്നും Ca വളരെ ഉയർന്ന വേരിയബിളിറ്റി ഉണ്ടെന്നും കാണിക്കുന്നു. K, Ni, Mg എന്നിവയുടെ സിവികൾ അവയുടെ ഏകീകൃത വിതരണത്തെ വിശദീകരിക്കുന്നു. കൂടാതെ, Ca വിതരണം ഏകീകൃതമല്ല, ബാഹ്യ സ്രോതസ്സുകൾ അതിന്റെ സമ്പുഷ്ടീകരണ നിലയെ ബാധിച്ചേക്കാം.
പ്രതികരണ ഘടകങ്ങളുമായുള്ള പ്രെഡിക്ടർ വേരിയബിളുകളുടെ പരസ്പരബന്ധം ഘടകങ്ങൾ തമ്മിലുള്ള തൃപ്തികരമായ പരസ്പരബന്ധത്തെ സൂചിപ്പിക്കുന്നു (ചിത്രം 3 കാണുക). CaNi പോലെ, CaK യും r മൂല്യം = 0.53 എന്ന മിതമായ പരസ്പരബന്ധം പ്രകടിപ്പിച്ചതായി പരസ്പരബന്ധം സൂചിപ്പിച്ചു. Ca ഉം K ഉം പരസ്പരം മിതമായ ബന്ധങ്ങൾ കാണിക്കുന്നുണ്ടെങ്കിലും, കിംഗ്സ്റ്റൺ തുടങ്ങിയ ഗവേഷകർ. 68 ഉം സാന്റോ69 ഉം സൂചിപ്പിക്കുന്നത് മണ്ണിലെ അവയുടെ അളവ് വിപരീത അനുപാതത്തിലാണെന്നാണ്. എന്നിരുന്നാലും, Ca, Mg എന്നിവ K യ്ക്ക് വിരുദ്ധമാണ്, പക്ഷേ CaK നന്നായി ബന്ധപ്പെട്ടിരിക്കുന്നു. പൊട്ടാസ്യത്തിൽ 56% കൂടുതലുള്ള പൊട്ടാസ്യം കാർബണേറ്റ് പോലുള്ള വളങ്ങളുടെ പ്രയോഗമാണ് ഇതിന് കാരണം. പൊട്ടാസ്യം മഗ്നീഷ്യവുമായി മിതമായ ബന്ധമുണ്ടായിരുന്നു (KM r = 0.63). വള വ്യവസായത്തിൽ, പൊട്ടാസ്യം മഗ്നീഷ്യം സൾഫേറ്റ്, പൊട്ടാസ്യം മഗ്നീഷ്യം നൈട്രേറ്റ്, പൊട്ടാഷ് എന്നിവ മണ്ണിൽ പ്രയോഗിക്കുന്നതിനാൽ ഈ രണ്ട് മൂലകങ്ങളും അടുത്ത ബന്ധമുള്ളവയാണ്, കാരണം അവയുടെ കുറവിന്റെ അളവ് വർദ്ധിപ്പിക്കുന്നു. യഥാക്രമം r = 0.52, 0.63, 0.55 എന്നീ മൂല്യങ്ങളുള്ള Ca, K, Mg എന്നിവയുമായി നിക്കൽ മിതമായ ബന്ധമുള്ളതാണ്. കാൽസ്യം, മഗ്നീഷ്യം, നിക്കൽ പോലുള്ള PTE-കൾ എന്നിവ ഉൾപ്പെടുന്ന ബന്ധങ്ങൾ സങ്കീർണ്ണമാണ്, എന്നിരുന്നാലും, മഗ്നീഷ്യം കാൽസ്യം ആഗിരണം തടയുന്നു, കാൽസ്യം അധിക മഗ്നീഷ്യത്തിന്റെ ഫലങ്ങൾ കുറയ്ക്കുന്നു, മഗ്നീഷ്യം, കാൽസ്യം എന്നിവ മണ്ണിലെ നിക്കലിന്റെ വിഷ ഫലങ്ങളെ കുറയ്ക്കുന്നു.
പ്രെഡിക്ടറുകളും പ്രതികരണങ്ങളും തമ്മിലുള്ള ബന്ധം കാണിക്കുന്ന ഘടകങ്ങൾക്കായുള്ള പരസ്പരബന്ധ മാട്രിക്സ് (കുറിപ്പ്: ഈ ചിത്രത്തിൽ ഘടകങ്ങൾ തമ്മിലുള്ള ഒരു സ്കാറ്റർപ്ലോട്ട് ഉൾപ്പെടുന്നു, പ്രാധാന്യ നിലകൾ p < 0,001 അടിസ്ഥാനമാക്കിയുള്ളതാണ്).
മൂലകങ്ങളുടെ സ്ഥലപരമായ വിതരണത്തെ ചിത്രം 4 ചിത്രീകരിക്കുന്നു. ബർഗോസ് തുടങ്ങിയവർ 70 പറയുന്നതനുസരിച്ച്, മലിനമായ പ്രദേശങ്ങളിലെ ഹോട്ട് സ്പോട്ടുകൾ അളക്കാനും ഹൈലൈറ്റ് ചെയ്യാനും ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികതയാണ് സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷന്റെ പ്രയോഗം. ചിത്രം 4 ലെ Ca യുടെ സമ്പുഷ്ടീകരണ അളവ് സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ മാപ്പിന്റെ വടക്കുപടിഞ്ഞാറൻ ഭാഗത്ത് കാണാം. ചിത്രം മിതമായതും ഉയർന്നതുമായ Ca സമ്പുഷ്ടീകരണ ഹോട്ട്സ്പോട്ടുകൾ കാണിക്കുന്നു. ഭൂപടത്തിന്റെ വടക്കുപടിഞ്ഞാറൻ ഭാഗത്തുള്ള കാൽസ്യം സമ്പുഷ്ടീകരണം മണ്ണിന്റെ അസിഡിറ്റി കുറയ്ക്കുന്നതിന് കുമ്മായം (കാൽസ്യം ഓക്സൈഡ്) ഉപയോഗിക്കുന്നതിനാലും ഉരുക്ക് നിർമ്മാണ പ്രക്രിയയിൽ ആൽക്കലൈൻ ഓക്സിജനായി സ്റ്റീൽ മില്ലുകളിൽ ഉപയോഗിക്കുന്നതിനാലുമാണ്. മറുവശത്ത്, മറ്റ് കർഷകർ pH നിർവീര്യമാക്കാൻ അമ്ല മണ്ണിൽ കാൽസ്യം ഹൈഡ്രോക്സൈഡ് ഉപയോഗിക്കാൻ ഇഷ്ടപ്പെടുന്നു, ഇത് മണ്ണിലെ കാൽസ്യത്തിന്റെ അളവ് വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു71. ഭൂപടത്തിന്റെ വടക്കുപടിഞ്ഞാറും കിഴക്കും പൊട്ടാസ്യം ഹോട്ട് സ്പോട്ടുകൾ കാണിക്കുന്നു. വടക്കുപടിഞ്ഞാറ് ഒരു പ്രധാന കാർഷിക സമൂഹമാണ്, കൂടാതെ NPK, പൊട്ടാഷ് പ്രയോഗങ്ങൾ മൂലമാകാം പൊട്ടാസ്യത്തിന്റെ മിതമായ മുതൽ ഉയർന്ന പാറ്റേൺ. ഇത് Madaras and Lipavský72, Madaras et al.73, Pulkrabová et al.74 തുടങ്ങിയ മറ്റ് പഠനങ്ങളുമായി പൊരുത്തപ്പെടുന്നു. മണ്ണിന്റെ സ്ഥിരതയും കെ‌സി‌എൽ, എൻ‌പി‌കെ എന്നിവ ഉപയോഗിച്ചുള്ള സംസ്കരണവും മണ്ണിൽ ഉയർന്ന കെ ഉള്ളടക്കത്തിന് കാരണമാകുമെന്ന് അസാരെ തുടങ്ങിയവർ നിരീക്ഷിച്ചു. വിതരണ ഭൂപടത്തിന്റെ വടക്കുപടിഞ്ഞാറൻ ഭാഗത്തുള്ള സ്പേഷ്യൽ പൊട്ടാസ്യം സമ്പുഷ്ടീകരണം പൊട്ടാസ്യം ക്ലോറൈഡ്, പൊട്ടാസ്യം സൾഫേറ്റ്, പൊട്ടാസ്യം നൈട്രേറ്റ്, പൊട്ടാഷ്, പൊട്ടാഷ് തുടങ്ങിയ പൊട്ടാസ്യം അടിസ്ഥാനമാക്കിയുള്ള വളങ്ങളുടെ ഉപയോഗം മോശം മണ്ണിലെ പൊട്ടാസ്യത്തിന്റെ അളവ് വർദ്ധിപ്പിക്കുന്നതിന് കാരണമാകാം. സാഡോറോവ തുടങ്ങിയവർ 76 ഉം ട്ലുസ്റ്റോസ് തുടങ്ങിയവരും. കെ-അധിഷ്ഠിത വളങ്ങളുടെ പ്രയോഗം മണ്ണിലെ കെ അംശം വർദ്ധിപ്പിക്കുകയും ദീർഘകാലാടിസ്ഥാനത്തിൽ മണ്ണിലെ പോഷകങ്ങളുടെ അളവ് ഗണ്യമായി വർദ്ധിപ്പിക്കുകയും ചെയ്യുമെന്ന് 77 വിശദീകരിച്ചു, പ്രത്യേകിച്ച് കെ, മഗ്നീഷ്യം എന്നിവ മണ്ണിൽ ഒരു ഹോട്ട് സ്പോട്ട് കാണിക്കുന്നു. ഭൂപടത്തിന്റെ വടക്കുപടിഞ്ഞാറൻ ഭാഗത്തും ഭൂപടത്തിന്റെ തെക്കുകിഴക്കുമുള്ള ഹോട്ട്‌സ്‌പോട്ടുകൾ താരതമ്യേന മിതമാണ്. മണ്ണിലെ കൊളോയിഡൽ ഫിക്സേഷൻ മണ്ണിലെ മഗ്നീഷ്യത്തിന്റെ സാന്ദ്രത കുറയ്ക്കുന്നു. മണ്ണിലെ അതിന്റെ അഭാവം സസ്യങ്ങൾ മഞ്ഞകലർന്ന ഇന്റർവെയിൻ ക്ലോറോസിസ് പ്രകടിപ്പിക്കാൻ കാരണമാകുന്നു. പൊട്ടാസ്യം മഗ്നീഷ്യം സൾഫേറ്റ്, മഗ്നീഷ്യം സൾഫേറ്റ്, കീസെറൈറ്റ് തുടങ്ങിയ മഗ്നീഷ്യം അടിസ്ഥാനമാക്കിയുള്ള വളങ്ങൾ സാധാരണ pH പരിധിയുള്ള മണ്ണിലെ കുറവുകൾ (സസ്യങ്ങൾ പർപ്പിൾ, ചുവപ്പ് അല്ലെങ്കിൽ തവിട്ട് നിറത്തിൽ കാണപ്പെടുന്നു, ഇത് മഗ്നീഷ്യം കുറവ് സൂചിപ്പിക്കുന്നു) പരിഹരിക്കുന്നു6. നഗര, നഗര മണ്ണിന്റെ പ്രതലങ്ങളിൽ നിക്കൽ അടിഞ്ഞുകൂടുന്നത് കൃഷി പോലുള്ള നരവംശ പ്രവർത്തനങ്ങൾ മൂലവും സ്റ്റെയിൻലെസ് സ്റ്റീൽ ഉൽപാദനത്തിൽ നിക്കലിന്റെ പ്രാധാന്യത്താലുമാകാം78.
മൂലകങ്ങളുടെ സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ [ആർക്ക്ജിഐഎസ് ഡെസ്ക്ടോപ്പ് (ഇഎസ്ആർഐ, ഇൻക്, പതിപ്പ് 10.7, URL: https://desktop.arcgis.com) ഉപയോഗിച്ചാണ് സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ മാപ്പ് സൃഷ്ടിച്ചത്.]
ഈ പഠനത്തിൽ ഉപയോഗിച്ച മൂലകങ്ങളുടെ മോഡൽ പ്രകടന സൂചിക ഫലങ്ങൾ പട്ടിക 2 ൽ കാണിച്ചിരിക്കുന്നു. മറുവശത്ത്, Ni യുടെ RMSE, MAE എന്നിവ പൂജ്യത്തോട് അടുത്താണ് (0.86 RMSE, -0.08 MAE). മറുവശത്ത്, K യുടെ RMSE, MAE മൂല്യങ്ങൾ രണ്ടും സ്വീകാര്യമാണ്. കാൽസ്യം, മഗ്നീഷ്യം എന്നിവയ്ക്ക് RMSE, MAE ഫലങ്ങൾ കൂടുതലായിരുന്നു. വ്യത്യസ്ത ഡാറ്റാസെറ്റുകൾ കാരണം Ca, K MAE, RMSE ഫലങ്ങൾ വലുതാണ്. Ni പ്രവചിക്കാൻ EBK ഉപയോഗിച്ചുള്ള ഈ പഠനത്തിന്റെ RMSE, MAE എന്നിവ ജോൺ തുടങ്ങിയവർ ശേഖരിച്ച അതേ ഡാറ്റ ഉപയോഗിച്ച് മണ്ണിലെ S സാന്ദ്രത പ്രവചിക്കാൻ സിനർജിസ്റ്റിക് ക്രിഗിംഗ് ഉപയോഗിച്ചുള്ള ഫലങ്ങളേക്കാൾ മികച്ചതാണെന്ന് കണ്ടെത്തി. ഞങ്ങൾ പഠിച്ച EBK ഔട്ട്‌പുട്ടുകൾ Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81, John et al. 82, പ്രത്യേകിച്ച് K, Ni എന്നിവരുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.
നഗരപ്രദേശങ്ങളിലെയും നഗരപ്രദേശങ്ങളിലെയും മണ്ണിലെ നിക്കലിന്റെ അളവ് പ്രവചിക്കുന്നതിനുള്ള വ്യക്തിഗത രീതികളുടെ പ്രകടനം മോഡലുകളുടെ പ്രകടനം ഉപയോഗിച്ച് വിലയിരുത്തി (പട്ടിക 3). മോഡൽ മൂല്യനിർണ്ണയവും കൃത്യത വിലയിരുത്തലും EBK SVMR മോഡലുമായി സംയോജിപ്പിച്ച Ca_Mg_K പ്രെഡിക്റ്റർ മികച്ച പ്രകടനം കാഴ്ചവച്ചതായി സ്ഥിരീകരിച്ചു. കാലിബ്രേഷൻ മോഡൽ Ca_Mg_K-EBK_SVMR മോഡൽ R2, റൂട്ട് ശരാശരി ചതുര പിശക് (RMSE), ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE) എന്നിവ 0.637 (R2), 95.479 mg/kg (RMSE), 77.368 mg/kg (MAE) എന്നിവയായിരുന്നു. Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE), 166.946 mg/kg (MAE) എന്നിവയായിരുന്നു. എന്നിരുന്നാലും, Ca_Mg_K-SVMR (0.663 mg/kg R2), Ca_Mg-EBK_SVMR എന്നിവയ്ക്ക് നല്ല R2 മൂല്യങ്ങൾ ലഭിച്ചു. (0.643 = ആർ2); അവരുടെ RMSE, MAE ഫലങ്ങൾ Ca_Mg_K-EBK_SVMR (R2 0.637) നെ അപേക്ഷിച്ച് ഉയർന്നതായിരുന്നു (പട്ടിക 3 കാണുക). കൂടാതെ, Ca_Mg-EBK_SVMR (RMSE = 1664.64, MAE = 1031.49) മോഡലിന്റെ RMSE, MAE എന്നിവ യഥാക്രമം 17.5 ഉം 13.4 ഉം ആണ്, ഇവ Ca_Mg_K-EBK_SVMR നെക്കാൾ വലുതാണ്. അതുപോലെ, Ca_Mg-K SVMR (RMSE = 235.974, MAE = 166.946) മോഡലിന്റെ RMSE, MAE എന്നിവ യഥാക്രമം Ca_Mg_K-EBK_SVMR RMSE, MAE എന്നിവയേക്കാൾ 2.5 ഉം 2.2 ഉം വലുതാണ്. ഏറ്റവും അനുയോജ്യമായ രേഖയുമായി ഡാറ്റാ സെറ്റ് എത്രത്തോളം കേന്ദ്രീകൃതമാണെന്ന് കണക്കാക്കിയ RMSE ഫലങ്ങൾ സൂചിപ്പിക്കുന്നു. ഉയർന്ന RSME, MAE എന്നിവ നിരീക്ഷിക്കപ്പെട്ടു. കെബോണി തുടങ്ങിയവർ പ്രകാരം. 46 ഉം ജോൺ മറ്റുള്ളവരും 54 ഉം പറയുന്നതനുസരിച്ച്, RMSE, MAE എന്നിവ പൂജ്യത്തോട് അടുക്കുന്തോറും മികച്ച ഫലങ്ങൾ ലഭിക്കും.SVMR, EBK_SVMR എന്നിവയ്ക്ക് ഉയർന്ന ക്വാണ്ടൈസ്ഡ് RSME, MAE മൂല്യങ്ങളുണ്ട്. RSME എസ്റ്റിമേറ്റുകൾ MAE മൂല്യങ്ങളേക്കാൾ സ്ഥിരമായി ഉയർന്നതാണെന്ന് നിരീക്ഷിക്കപ്പെട്ടു, ഇത് ഔട്ട്‌ലൈയറുകളുടെ സാന്നിധ്യം സൂചിപ്പിക്കുന്നു.Legates ഉം McCabe83 ഉം അനുസരിച്ച്, ഔട്ട്‌ലൈയറുകളുടെ സാന്നിധ്യത്തിന്റെ സൂചകമായി RMSE ശരാശരി കേവല പിശക് (MAE) കവിയുന്നതിന്റെ വ്യാപ്തി ശുപാർശ ചെയ്യുന്നു. ഡാറ്റാസെറ്റ് കൂടുതൽ വൈവിധ്യപൂർണ്ണമാകുമ്പോൾ, MAE, RMSE മൂല്യങ്ങൾ ഉയർന്നതായിരിക്കും എന്നാണ് ഇതിനർത്ഥം. നഗര, സബർബൻ മണ്ണുകളിൽ Ni ഉള്ളടക്കം പ്രവചിക്കുന്നതിനുള്ള Ca_Mg_K-EBK_SVMR മിക്സഡ് മോഡലിന്റെ ക്രോസ്-വാലിഡേഷൻ വിലയിരുത്തലിന്റെ കൃത്യത 63.70% ആയിരുന്നു.Li മറ്റുള്ളവരും 59 ഉം അനുസരിച്ച്, ഈ കൃത്യതയുടെ നിലവാരം സ്വീകാര്യമായ ഒരു മോഡൽ പ്രകടന നിരക്കാണ്. ഇപ്പോഴത്തെ ഫലങ്ങൾ താരസോവ് തുടങ്ങിയവർ നടത്തിയ മുൻ പഠനവുമായി താരതമ്യം ചെയ്യുന്നു. നിലവിലെ പഠനത്തിൽ റിപ്പോർട്ട് ചെയ്തിരിക്കുന്ന EBK_SVMR കൃത്യതാ മൂല്യനിർണ്ണയ സൂചികയുമായി ബന്ധപ്പെട്ട MLPRK (മൾട്ടിലെയർ പെർസെപ്ട്രോൺ റെസിഡ്യൂവൽ ക്രിഗിംഗ്) സൃഷ്ടിച്ച ഹൈബ്രിഡ് മോഡലിന്റെ 36, RMSE (210) ഉം MAE (167.5) ഉം നിലവിലെ പഠനത്തിലെ ഞങ്ങളുടെ ഫലങ്ങളേക്കാൾ ഉയർന്നതായിരുന്നു (RMSE 95.479, MAE 77.368). എന്നിരുന്നാലും, നിലവിലെ പഠനത്തിന്റെ R2 (0.637) നെ താരസോവ് തുടങ്ങിയവരുടെ ഫലവുമായി താരതമ്യം ചെയ്യുമ്പോൾ. 36 (0.544), ഈ മിക്സഡ് മോഡലിൽ ഡിറ്റർമിനേഷൻ കോഫിഫിഷ്യന്റ് (R2) കൂടുതലാണെന്ന് വ്യക്തമാണ്. മിക്സഡ് മോഡലിനുള്ള പിശകിന്റെ മാർജിൻ (RMSE, MAE) (EBK SVMR) രണ്ട് മടങ്ങ് കുറവാണ്. അതുപോലെ, വികസിപ്പിച്ച ഹൈബ്രിഡ് മോഡലിന് (മൾട്ടിലെയർ പെർസെപ്ട്രോൺ റെസിഡ്യൂവൽ ക്രിഗിംഗ്) സെർജീവ് തുടങ്ങിയവർ 0.28 (R2) രേഖപ്പെടുത്തിയിട്ടുണ്ട്, അതേസമയം നിലവിലെ പഠനത്തിൽ Ni 0.637 (R2) രേഖപ്പെടുത്തിയിട്ടുണ്ട്. ഈ മോഡലിന്റെ (EBK SVMR) പ്രവചന കൃത്യത നില 63.7% ആണ്, അതേസമയം സെർജീവ് തുടങ്ങിയവർ 34 നേടിയ പ്രവചന കൃത്യത 28% ആണ്. EBK_SVMR മോഡലും Ca_Mg_K ഒരു പ്രെഡിക്ടറായി ഉപയോഗിച്ച് സൃഷ്ടിച്ച അന്തിമ മാപ്പ് (ചിത്രം 5) മുഴുവൻ പഠന മേഖലയിലും ഹോട്ട് സ്പോട്ടുകളുടെയും മിതമായത് മുതൽ നിക്കൽ വരെയുള്ളതിന്റെയും പ്രവചനങ്ങൾ കാണിക്കുന്നു. ഇതിനർത്ഥം പഠന മേഖലയിലെ നിക്കലിന്റെ സാന്ദ്രത പ്രധാനമായും മിതമാണ്, ചില പ്രത്യേക മേഖലകളിൽ ഉയർന്ന സാന്ദ്രതയുണ്ട്.
ഹൈബ്രിഡ് മോഡൽ EBK_SVMR ഉപയോഗിച്ചും Ca_Mg_K പ്രെഡിക്ടറായി ഉപയോഗിച്ചും അന്തിമ പ്രവചന മാപ്പ് പ്രതിനിധീകരിക്കുന്നു.[ RStudio (പതിപ്പ് 1.4.1717: https://www.rstudio.com/) ഉപയോഗിച്ചാണ് സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ മാപ്പ് സൃഷ്ടിച്ചത്.]
ചിത്രം 6-ൽ വ്യക്തിഗത ന്യൂറോണുകൾ അടങ്ങിയ ഒരു കോമ്പോസിഷൻ തലം എന്ന നിലയിൽ PTE സാന്ദ്രതകളാണ് കാണിച്ചിരിക്കുന്നത്. ഘടക തലങ്ങളിൽ ഒന്നും തന്നെ കാണിച്ചിരിക്കുന്നതുപോലെ ഒരേ വർണ്ണ പാറ്റേൺ പ്രദർശിപ്പിച്ചിട്ടില്ല. എന്നിരുന്നാലും, വരച്ച മാപ്പിൽ ന്യൂറോണുകളുടെ ഉചിതമായ എണ്ണം 55 ആണ്. വൈവിധ്യമാർന്ന നിറങ്ങൾ ഉപയോഗിച്ചാണ് SeOM നിർമ്മിക്കുന്നത്, കൂടുതൽ സമാനമായ വർണ്ണ പാറ്റേണുകൾ, സാമ്പിളുകളുടെ ഗുണങ്ങൾ കൂടുതൽ താരതമ്യപ്പെടുത്താവുന്നതാണ്. അവയുടെ കൃത്യമായ വർണ്ണ സ്കെയിൽ അനുസരിച്ച്, വ്യക്തിഗത ഘടകങ്ങൾ (Ca, K, Mg) ഒറ്റ ഉയർന്ന ന്യൂറോണുകൾക്കും ഏറ്റവും താഴ്ന്ന ന്യൂറോണുകൾക്കും സമാനമായ വർണ്ണ പാറ്റേണുകൾ കാണിച്ചു. അങ്ങനെ, CaK, CaMg എന്നിവ വളരെ ഉയർന്ന ഓർഡർ ന്യൂറോണുകളുമായും താഴ്ന്നതും മിതമായതുമായ വർണ്ണ പാറ്റേണുകളുമായും ചില സമാനതകൾ പങ്കിടുന്നു. ചുവപ്പ്, ഓറഞ്ച്, മഞ്ഞ തുടങ്ങിയ ഇടത്തരം മുതൽ ഇടത്തരം വർണ്ണ പാറ്റേണുകൾ പ്രദർശിപ്പിച്ചുകൊണ്ട് രണ്ട് മോഡലുകളും മണ്ണിൽ Ni യുടെ സാന്ദ്രത പ്രവചിക്കുന്നു. കൃത്യമായ അനുപാതങ്ങളെയും താഴ്ന്നതും ഇടത്തരവുമായ വർണ്ണ പാറ്റേണുകളെയും അടിസ്ഥാനമാക്കി നിരവധി ഉയർന്ന വർണ്ണ പാറ്റേണുകൾ KMg മോഡൽ പ്രദർശിപ്പിക്കുന്നു. താഴ്ന്നതിൽ നിന്ന് ഉയർന്നതിലേക്കുള്ള കൃത്യമായ വർണ്ണ സ്കെയിലിൽ, മോഡലിന്റെ ഘടകങ്ങളുടെ പ്ലാനർ വിതരണ പാറ്റേൺ മണ്ണിലെ നിക്കലിന്റെ സാധ്യതയുള്ള സാന്ദ്രതയെ സൂചിപ്പിക്കുന്ന ഉയർന്ന വർണ്ണ പാറ്റേൺ കാണിച്ചു (ചിത്രം 4 കാണുക). CakMg മോഡൽ ഘടക തലം താഴ്ന്നതിൽ നിന്ന് ഉയർന്നതിലേക്ക് വൈവിധ്യമാർന്ന വർണ്ണ പാറ്റേൺ കാണിക്കുന്നു. കൃത്യമായ വർണ്ണ സ്കെയിലിലേക്ക്. കൂടാതെ, മോഡലിന്റെ നിക്കൽ ഉള്ളടക്കത്തിന്റെ പ്രവചനം (CakMg) ചിത്രം 5-ൽ കാണിച്ചിരിക്കുന്ന നിക്കലിന്റെ സ്പേഷ്യൽ വിതരണത്തിന് സമാനമാണ്. രണ്ട് ഗ്രാഫുകളും നഗര, പെരി-അർബൻ മണ്ണുകളിലെ നിക്കൽ സാന്ദ്രതയുടെ ഉയർന്ന, ഇടത്തരം, കുറഞ്ഞ അനുപാതങ്ങൾ കാണിക്കുന്നു. ഓരോ മോഡലിലെയും പ്രവചിക്കപ്പെട്ട മൂല്യത്തെ അടിസ്ഥാനമാക്കി മൂന്ന് ക്ലസ്റ്ററുകളായി തിരിച്ചിരിക്കുന്ന മാപ്പിലെ k-മീൻസ് ഗ്രൂപ്പിംഗിലെ കോണ്ടൂർ രീതി ചിത്രം 7 ചിത്രീകരിക്കുന്നു. കോണ്ടൂർ രീതി ക്ലസ്റ്ററുകളുടെ ഒപ്റ്റിമൽ എണ്ണത്തെ പ്രതിനിധീകരിക്കുന്നു. ശേഖരിച്ച 115 മണ്ണ് സാമ്പിളുകളിൽ, കാറ്റഗറി 1 ആണ് ഏറ്റവും കൂടുതൽ മണ്ണ് സാമ്പിളുകൾ നേടിയത്, 74. ക്ലസ്റ്റർ 2 ന് 33 സാമ്പിളുകളും ക്ലസ്റ്റർ 3 ന് 8 സാമ്പിളുകളും ലഭിച്ചു. ശരിയായ ക്ലസ്റ്റർ വ്യാഖ്യാനം അനുവദിക്കുന്നതിന് ഏഴ് ഘടകങ്ങളുള്ള പ്ലാനർ പ്രെഡിക്റ്റർ കോമ്പിനേഷൻ ലളിതമാക്കി. മണ്ണിന്റെ രൂപീകരണത്തെ ബാധിക്കുന്ന നിരവധി നരവംശപരവും പ്രകൃതിദത്തവുമായ പ്രക്രിയകൾ കാരണം, വിതരണം ചെയ്ത SeOM മാപ്പിൽ ക്ലസ്റ്റർ പാറ്റേണുകൾ ശരിയായി വേർതിരിച്ചെടുക്കാൻ പ്രയാസമാണ്78.
ഓരോ എംപറിക്കൽ ബയേസിയൻ ക്രിഗിംഗ് സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (EBK_SVM_SeOM) വേരിയബിളും കമ്പോണന്റ് പ്ലെയിൻ ഔട്ട്‌പുട്ട് ചെയ്യുന്നു.[RStudio ഉപയോഗിച്ചാണ് SeOM മാപ്പുകൾ സൃഷ്ടിച്ചത് (പതിപ്പ് 1.4.1717: https://www.rstudio.com/).]
വ്യത്യസ്ത ക്ലസ്റ്റർ വർഗ്ഗീകരണ ഘടകങ്ങൾ [RStudio ഉപയോഗിച്ചാണ് SeOM മാപ്പുകൾ സൃഷ്ടിച്ചത് (പതിപ്പ് 1.4.1717: https://www.rstudio.com/).]
നഗരപ്രദേശങ്ങളിലെയും നഗരപ്രദേശങ്ങളിലെയും മണ്ണുകളിലെ നിക്കൽ സാന്ദ്രതയ്ക്കുള്ള മോഡലിംഗ് സാങ്കേതിക വിദ്യകളെയാണ് നിലവിലെ പഠനം വ്യക്തമായി ചിത്രീകരിക്കുന്നത്. മണ്ണിലെ നിക്കൽ സാന്ദ്രത പ്രവചിക്കുന്നതിനുള്ള ഏറ്റവും നല്ല മാർഗം നേടുന്നതിനായി, മോഡലിംഗ് സാങ്കേതിക വിദ്യകളുമായി ഘടകങ്ങൾ സംയോജിപ്പിച്ച് വ്യത്യസ്ത മോഡലിംഗ് സാങ്കേതിക വിദ്യകൾ പഠനം പരീക്ഷിച്ചു. മോഡലിംഗ് സാങ്കേതികതയുടെ SeOM കോമ്പോസിഷണൽ പ്ലാനർ സ്പേഷ്യൽ സവിശേഷതകൾ, മണ്ണിലെ Ni സാന്ദ്രതയെ സൂചിപ്പിക്കുന്ന, താഴ്ന്നതിൽ നിന്ന് ഉയർന്നതിലേക്ക് ഉയർന്നതിലേക്ക് ഉയർന്ന വർണ്ണ പാറ്റേൺ പ്രദർശിപ്പിച്ചു. എന്നിരുന്നാലും, സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ മാപ്പ് EBK_SVMR പ്രദർശിപ്പിച്ച ഘടകങ്ങളുടെ പ്ലാനർ സ്പേഷ്യൽ വിതരണത്തെ സ്ഥിരീകരിക്കുന്നു (ചിത്രം 5 കാണുക). സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ റിഗ്രഷൻ മോഡൽ (Ca Mg K-SVMR) മണ്ണിലെ Ni യുടെ സാന്ദ്രത ഒരൊറ്റ മോഡലായി പ്രവചിക്കുന്നുവെന്ന് ഫലങ്ങൾ കാണിക്കുന്നു, എന്നാൽ സാധൂകരണവും കൃത്യത വിലയിരുത്തൽ പാരാമീറ്ററുകളും RMSE, MAE എന്നിവയുടെ കാര്യത്തിൽ വളരെ ഉയർന്ന പിശകുകൾ കാണിക്കുന്നു. മറുവശത്ത്, EBK_MLR മോഡലിനൊപ്പം ഉപയോഗിക്കുന്ന മോഡലിംഗ് സാങ്കേതികതയും നിർണ്ണയ ഗുണകത്തിന്റെ (R2) കുറഞ്ഞ മൂല്യം കാരണം പിഴവുള്ളതാണ്. 63.7% കൃത്യതയോടെ കുറഞ്ഞ RMSE, MAE പിശകുകളുള്ള EBK SVMR ഉം സംയോജിത ഘടകങ്ങളും (CaKMg) ഉപയോഗിച്ച് നല്ല ഫലങ്ങൾ ലഭിച്ചു. ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം ഉപയോഗിച്ചുള്ള EBK അൽഗോരിതം മണ്ണിലെ PTE-കളുടെ സാന്ദ്രത പ്രവചിക്കാൻ കഴിയുന്ന ഒരു ഹൈബ്രിഡ് അൽഗോരിതം സൃഷ്ടിക്കാൻ കഴിയും. പഠനമേഖലയിലെ Ni സാന്ദ്രത പ്രവചിക്കാൻ പ്രവചനങ്ങളായി Ca Mg K ഉപയോഗിക്കുന്നത് മണ്ണിലെ Ni-യുടെ പ്രവചനം മെച്ചപ്പെടുത്തുമെന്ന് ഫലങ്ങൾ കാണിക്കുന്നു. ഇതിനർത്ഥം നിക്കൽ അധിഷ്ഠിത വളങ്ങളുടെ തുടർച്ചയായ പ്രയോഗവും ഉരുക്ക് വ്യവസായം മണ്ണിലെ വ്യാവസായിക മലിനീകരണവും മണ്ണിലെ നിക്കലിന്റെ സാന്ദ്രത വർദ്ധിപ്പിക്കുന്നതിനുള്ള പ്രവണത കാണിക്കുന്നു എന്നാണ്. EBK മോഡലിന് നഗര അല്ലെങ്കിൽ പെരി-അർബൻ മണ്ണിലെ മണ്ണിന്റെ സ്പേഷ്യൽ വിതരണത്തിന്റെ മാതൃകയുടെ പിശകിന്റെ അളവ് കുറയ്ക്കാനും കൃത്യത മെച്ചപ്പെടുത്താനും കഴിയുമെന്ന് ഈ പഠനം വെളിപ്പെടുത്തി. പൊതുവേ, മണ്ണിലെ PTE വിലയിരുത്തുന്നതിനും പ്രവചിക്കുന്നതിനും EBK-SVMR മോഡൽ പ്രയോഗിക്കാൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു; കൂടാതെ, വിവിധ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുമായി ഹൈബ്രിഡ് ചെയ്യുന്നതിന് EBK ഉപയോഗിക്കാൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. മൂലകങ്ങളെ കോവേറിയേറ്റുകളായി ഉപയോഗിച്ച് Ni സാന്ദ്രത പ്രവചിച്ചു; എന്നിരുന്നാലും, കൂടുതൽ കോവേറിയേറ്റുകൾ ഉപയോഗിക്കുന്നത് മോഡലിന്റെ പ്രകടനം വളരെയധികം മെച്ചപ്പെടുത്തും, ഇത് നിലവിലെ ജോലിയുടെ ഒരു പരിമിതിയായി കണക്കാക്കാം. ഈ പഠനത്തിന്റെ മറ്റൊരു പരിമിതി ഡാറ്റാസെറ്റുകളുടെ എണ്ണം 115 ആണ് എന്നതാണ്. അതിനാൽ, കൂടുതൽ ഡാറ്റ നൽകിയാൽ, നിർദ്ദിഷ്ട ഒപ്റ്റിമൈസ് ചെയ്ത ഹൈബ്രിഡൈസേഷൻ രീതിയുടെ പ്രകടനം മെച്ചപ്പെടുത്താൻ കഴിയും.
PlantProbs.net.സസ്യങ്ങളിലും മണ്ണിലും നിക്കൽ https://plantprobs.net/plant/nutrientImbalances/sodium.html (ആക്സസ് ചെയ്തത് 28 ഏപ്രിൽ 2021).
കാസ്പ്രസാക്ക്, കെ.എസ്. നിക്കൽ ആധുനിക പരിസ്ഥിതി വിഷശാസ്ത്രത്തിൽ മുന്നേറുന്നു. ചുറ്റുപാടുകൾ. വിഷശാസ്ത്രം.11, 145–183 (1987).
സെമ്പൽ, എം. & നിക്കൽ, ജി. നിക്കൽ: അതിന്റെ ഉറവിടങ്ങളുടെയും പരിസ്ഥിതി വിഷശാസ്ത്രത്തിന്റെയും ഒരു അവലോകനം. പോളിഷ് ജെ. പരിസ്ഥിതി. സ്റ്റഡ്.15, 375–382 (2006).
ഫ്രീഡ്മാൻ, ബി. & ഹച്ചിൻസൺ, ടിസി കാനഡയിലെ ഒന്റാറിയോയിലെ സഡ്ബറിയിലെ ഒരു നിക്കൽ-ചെമ്പ് സ്മെൽറ്റർക്ക് സമീപമുള്ള മണ്ണിലും സസ്യജാലങ്ങളിലും അന്തരീക്ഷത്തിൽ നിന്നുള്ള മലിനീകരണവും ശേഖരണവും.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
മന്യീവ, ടി. തുടങ്ങിയവർ. ബോട്സ്വാനയിലെ സെലെബി-ഫിക്വെ ചെമ്പ്-നിക്കൽ ഖനിക്ക് സമീപം മേയുന്ന റുമിനന്റുകളുമായി ബന്ധപ്പെട്ട മണ്ണിലെ ഭാരമേറിയ ലോഹങ്ങൾ, സസ്യങ്ങൾ, അപകടസാധ്യതകൾ. ചുറ്റുപാടുകൾ. ജിയോകെമിസ്ട്രി. ആരോഗ്യം https://doi.org/10.1007/s10653-021-00918-x (2021).
കബാറ്റ-പെൻഡിയാസ്.കബാറ്റ-പെൻഡിയാസ് എ. 2011. മണ്ണിലെ മൂലകങ്ങൾ കണ്ടെത്തുക... – ഗൂഗിൾ സ്കോളർ 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= (ആക്സസ് ചെയ്തത് 24 നവംബർ 2020).
അൽമാസ്, എ., സിംഗ്, ബി., കൃഷി, ടിഎസ്-എൻജെ ഓഫ് & 1995, നിർവചിക്കപ്പെട്ടിട്ടില്ല. നോർവേയിലെ സോയർ-വാരഞ്ചറിലെ കാർഷിക മണ്ണിലും പുല്ലുകളിലും ഹെവി മെറ്റൽ സാന്ദ്രതയിൽ റഷ്യൻ നിക്കൽ വ്യവസായത്തിന്റെ ഫലങ്ങൾ.agris.fao.org.
നീൽസൺ, ജിഡി തുടങ്ങിയവർ. കുടിവെള്ളത്തിലെ നിക്കൽ ആഗിരണം, നിലനിർത്തൽ എന്നിവ ഭക്ഷണം കഴിക്കുന്നതിലും നിക്കൽ സംവേദനക്ഷമതയുമായും ബന്ധപ്പെട്ടിരിക്കുന്നു. ടോക്സിക്കോളജി. ആപ്ലിക്കേഷൻ. ഫാർമക്കോഡൈനാമിക്സ്.154, 67–75 (1999).
കോസ്റ്റ, എം. & ക്ലീൻ, സി.ബി. നിക്കൽ കാർസിനോജെനിസിസ്, മ്യൂട്ടേഷൻ, എപ്പിജെനെറ്റിക്സ് അല്ലെങ്കിൽ സെലക്ഷൻ. ചുറ്റുപാടുകൾ. ആരോഗ്യ വീക്ഷണം. 107, 2 (1999).
അജ്മാൻ, പിസി; അജാഡോ, എസ്‌കെ; ബോറൂവ്‌ക, എൽ.; ബിനി, ജെകെഎം; സർക്കോഡി, വിവൈഒ; കൊബോണി, എൻഎം; വിഷാംശം ഉണ്ടാക്കാൻ സാധ്യതയുള്ള മൂലകങ്ങളുടെ ട്രെൻഡ് വിശകലനം: ഒരു ബിബ്ലിയോമെട്രിക് അവലോകനം. പരിസ്ഥിതി ജിയോകെമിസ്ട്രിയും ആരോഗ്യവും. സ്പ്രിംഗർ സയൻസ് & ബിസിനസ് മീഡിയ ബിവി 2020.https://doi.org/10.1007/s10653-020-00742-9.
മിനാസ്നി, ബി. & മക്ബ്രാറ്റ്നി, എബി ഡിജിറ്റൽ സോയിൽ മാപ്പിംഗ്: എ ബ്രീഫ് ഹിസ്റ്ററി ആൻഡ് സമ്മ ലെസൻസ്. ജിയോഡെർമ 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ഡിജിറ്റൽ സോയിൽ മാപ്പിംഗിൽ. ജിയോഡെർമ 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ റിസർവോയർ മോഡലിംഗ്,… – ഗൂഗിൾ സ്കോളർ 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= (ആക്സസ് ചെയ്തത് 2021 ഏപ്രിൽ 28).