Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझर आवृत्तीमध्ये CSS साठी मर्यादित समर्थन आहे. सर्वोत्तम अनुभवासाठी, आम्ही शिफारस करतो की तुम्ही अपडेटेड ब्राउझर वापरा (किंवा इंटरनेट एक्सप्लोररमध्ये सुसंगतता मोड बंद करा). दरम्यान, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही शैली आणि जावास्क्रिप्टशिवाय साइट प्रदर्शित करू.
मानवी क्रियाकलापांमुळे माती प्रदूषण ही एक मोठी समस्या आहे. बहुतेक शहरी आणि अर्ध-शहरी भागात संभाव्य विषारी घटकांचे (PTEs) स्थानिक वितरण वेगवेगळे असते. म्हणून, अशा मातीत PTEs च्या सामग्रीचा स्थानिक अंदाज लावणे कठीण आहे. चेक प्रजासत्ताकातील फ्रायडेक मिस्टेक येथून एकूण ११५ नमुने मिळवण्यात आले. कॅल्शियम (Ca), मॅग्नेशियम (Mg), पोटॅशियम (K) आणि निकेल (Ni) सांद्रता प्रेरकपणे जोडलेले प्लाझ्मा उत्सर्जन स्पेक्ट्रोमेट्री वापरून निश्चित करण्यात आली. प्रतिसाद चल Ni आहे आणि प्रेडिक्टर Ca, Mg आणि K आहेत. प्रतिसाद चल आणि प्रेडिक्टर व्हेरिएबलमधील सहसंबंध मॅट्रिक्स घटकांमधील समाधानकारक सहसंबंध दर्शवितो. भाकित निकालांवरून असे दिसून आले की सपोर्ट वेक्टर मशीन रिग्रेसन (SVMR) ने चांगली कामगिरी केली, जरी त्याचे अंदाजे मूळ सरासरी चौरस त्रुटी (RMSE) (235.974 mg/kg) आणि सरासरी परिपूर्ण त्रुटी (MAE) (166.946 mg/kg) इतर लागू केलेल्या पद्धतींपेक्षा जास्त होते. अनुभवजन्य बायेसियन क्रिगिंग-मल्टिपल रेषीय प्रतिगमनासाठी मिश्रित मॉडेल (EBK-MLR) खराब कामगिरी करतात, जसे की 0.1 पेक्षा कमी निर्धारण गुणांकांद्वारे सिद्ध होते. अनुभवजन्य बायेसियन क्रिगिंग-सपोर्ट व्हेक्टर मशीन रिग्रेशन (EBK-SVMR) मॉडेल सर्वोत्तम मॉडेल होते, ज्यामध्ये कमी RMSE (95.479 mg/kg) आणि MAE (77.368 mg/kg) मूल्ये आणि उच्च निर्धारण गुणांक (R2 = 0.637) होते. EBK-SVMR मॉडेलिंग तंत्राचे आउटपुट स्वयं-संघटित नकाशा वापरून दृश्यमान केले जाते. हायब्रिड मॉडेल CakMg-EBK-SVMR घटकाच्या समतलातील क्लस्टर्ड न्यूरॉन्स शहरी आणि अर्ध-शहरी मातीत Ni सांद्रतेचा अंदाज लावणारे अनेक रंग नमुने दर्शवितात. निकालांवरून असे दिसून येते की EBK आणि SVMR एकत्र करणे हे शहरी आणि अर्ध-शहरी मातीत Ni सांद्रतेचा अंदाज लावण्यासाठी एक प्रभावी तंत्र आहे.
निकेल (Ni) हे वनस्पतींसाठी सूक्ष्म पोषक घटक मानले जाते कारण ते वातावरणातील नायट्रोजन स्थिरीकरण (N) आणि युरिया चयापचयात योगदान देते, जे दोन्ही बियाणे अंकुरणासाठी आवश्यक आहेत. बियाणे अंकुरणात योगदान देण्याव्यतिरिक्त, Ni बुरशीजन्य आणि जीवाणू प्रतिबंधक म्हणून काम करू शकते आणि वनस्पतींच्या विकासास चालना देऊ शकते. मातीमध्ये निकेलची कमतरता वनस्पतींना ते शोषून घेण्यास अनुमती देते, परिणामी पानांचा क्लोरोसिस होतो. उदाहरणार्थ, चवळी आणि हिरव्या सोयाबीनमध्ये नायट्रोजन स्थिरीकरण अनुकूल करण्यासाठी निकेल-आधारित खतांचा वापर आवश्यक आहे. माती समृद्ध करण्यासाठी आणि मातीमध्ये नायट्रोजन स्थिर करण्यासाठी शेंगांची क्षमता वाढविण्यासाठी निकेल-आधारित खतांचा सतत वापर केल्याने जमिनीत निकेलची एकाग्रता सतत वाढते. जरी निकेल हे वनस्पतींसाठी सूक्ष्म पोषक असले तरी, जमिनीत त्याचे जास्त सेवन चांगल्यापेक्षा जास्त नुकसान करू शकते. मातीमध्ये निकेलची विषाक्तता मातीचा pH कमी करते आणि वनस्पतींच्या वाढीसाठी आवश्यक पोषक म्हणून लोहाचे शोषण करण्यास अडथळा आणते1. Liu3 नुसार, Ni हा वनस्पतींच्या विकासासाठी आणि वाढीसाठी आवश्यक असलेला 17 वा महत्त्वाचा घटक असल्याचे आढळून आले आहे. वनस्पतींच्या विकास आणि वाढीमध्ये निकेलच्या भूमिकेव्यतिरिक्त, मानवांना विविध अनुप्रयोगांसाठी त्याची आवश्यकता असते. इलेक्ट्रोप्लेटिंग, निकेल-आधारित मिश्रधातूंचे उत्पादन आणि ऑटोमोटिव्ह उद्योगात इग्निशन उपकरणे आणि स्पार्क प्लगचे उत्पादन या सर्वांसाठी विविध औद्योगिक क्षेत्रांमध्ये निकेलचा वापर आवश्यक आहे. याव्यतिरिक्त, निकेल-आधारित मिश्रधातू आणि इलेक्ट्रोप्लेटेड वस्तू स्वयंपाकघरातील वस्तू, बॉलरूम अॅक्सेसरीज, अन्न उद्योग पुरवठा, इलेक्ट्रिकल, वायर आणि केबल, जेट टर्बाइन, सर्जिकल इम्प्लांट्स, कापड आणि जहाजबांधणीमध्ये मोठ्या प्रमाणावर वापरल्या गेल्या आहेत. मातीत (म्हणजेच, पृष्ठभागावरील माती) Ni-समृद्ध पातळी मानवनिर्मित आणि नैसर्गिक स्रोतांना कारणीभूत आहे, परंतु प्रामुख्याने, Ni हा मानवनिर्मित नसून नैसर्गिक स्रोत आहे4,6. निकेलच्या नैसर्गिक स्रोतांमध्ये ज्वालामुखीचा उद्रेक, वनस्पती, जंगलातील आग आणि भूगर्भीय प्रक्रियांचा समावेश आहे; तथापि, मानवनिर्मित स्त्रोतांमध्ये स्टील उद्योगातील निकेल/कॅडमियम बॅटरी, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डिझेल आणि इंधन तेल आणि कोळशाच्या ज्वलनातून होणारे वातावरणीय उत्सर्जन आणि कचरा आणि गाळ जाळणे निकेल संचय 7,8 यांचा समावेश आहे. फ्रीडमन आणि हचिन्सन 9 आणि मनीवा एट अल यांच्या मते. १०, तात्काळ आणि लगतच्या वातावरणात मातीच्या वरच्या भागाच्या प्रदूषणाचे मुख्य स्त्रोत प्रामुख्याने निकेल-तांबे-आधारित वितळणारे आणि खाणी आहेत. कॅनडामधील सडबरी निकेल-तांबे रिफायनरीच्या सभोवतालच्या वरच्या मातीमध्ये निकेल दूषिततेचे सर्वाधिक प्रमाण २६,००० मिलीग्राम/किलो११ होते. याउलट, रशियामधील निकेल उत्पादनामुळे होणाऱ्या प्रदूषणामुळे नॉर्वेजियन मातीमध्ये निकेलचे प्रमाण जास्त झाले आहे. अल्म्स एट अल नुसार. १२, प्रदेशातील सर्वोच्च शेतीयोग्य जमिनीत (रशियामध्ये निकेल उत्पादन) HNO3-अर्क करण्यायोग्य निकेलचे प्रमाण ६.२५ ते १३६.८८ मिलीग्राम/किलोग्रॅम पर्यंत होते, जे सरासरी ३०.४३ मिलीग्राम/किलोग्रॅम आणि बेसलाइन सांद्रता २५ मिलीग्राम/किलोग्रॅम इतके होते. कबाटा ११ नुसार, सलग पीक हंगामात शहरी किंवा अर्ध-शहरी मातीत कृषी मातीत फॉस्फरस खतांचा वापर मातीमध्ये ओतणे किंवा दूषित करू शकतो. मानवांमध्ये निकेलचे संभाव्य परिणाम म्युटाजेनेसिस, गुणसूत्र नुकसान, Z-DNA निर्मिती, ब्लॉक केलेले DNA एक्सिजन दुरुस्ती किंवा एपिजेनेटिक प्रक्रियांद्वारे कर्करोगास कारणीभूत ठरू शकतात. प्राण्यांच्या प्रयोगांमध्ये, निकेलमध्ये विविध प्रकारचे ट्यूमर निर्माण करण्याची क्षमता असल्याचे आढळून आले आहे आणि कार्सिनोजेनिक निकेल कॉम्प्लेक्स अशा ट्यूमरला वाढवू शकतात.
माती-वनस्पती संबंध, माती आणि माती जैविक संबंध, पर्यावरणीय ऱ्हास आणि पर्यावरणीय परिणाम मूल्यांकन यामुळे उद्भवणाऱ्या आरोग्याशी संबंधित विविध समस्यांमुळे अलिकडच्या काळात माती प्रदूषण मूल्यांकनात भरभराट झाली आहे. आजपर्यंत, मातीमध्ये Ni सारख्या संभाव्य विषारी घटकांचे (PTEs) स्थानिक अंदाज पारंपारिक पद्धती वापरून कष्टकरी आणि वेळखाऊ राहिले आहेत. डिजिटल माती मॅपिंग (DSM) च्या आगमनाने आणि त्याच्या सध्याच्या यशामुळे भाकित माती मॅपिंग (PSM) मध्ये मोठ्या प्रमाणात सुधारणा झाली आहे. मिनास्नी आणि मॅकब्रॅटनी16 च्या मते, भाकित माती मॅपिंग (DSM) हे माती विज्ञानाचे एक प्रमुख उपविभाग असल्याचे सिद्ध झाले आहे. लागाचेरी आणि मॅकब्रॅटनी, 2006 DSM ला "सिटू आणि प्रयोगशाळेतील निरीक्षण पद्धती आणि अवकाशीय आणि अवकाशीय माती अनुमान प्रणालींचा वापर करून अवकाशीय माती माहिती प्रणालींची निर्मिती आणि भरणे" अशी व्याख्या करतात. मॅकब्रॅटनी आणि इतर. १७ मध्ये असे म्हटले आहे की पीटीई, मातीचे प्रकार आणि मातीच्या गुणधर्मांच्या स्थानिक वितरणाचा अंदाज लावण्यासाठी किंवा मॅपिंग करण्यासाठी समकालीन डीएसएम किंवा पीएसएम ही सर्वात प्रभावी तंत्र आहे. भू-सांख्यिकी आणि मशीन लर्निंग अल्गोरिदम (एमएलए) ही डीएसएम मॉडेलिंग तंत्रे आहेत जी महत्त्वपूर्ण आणि किमान डेटा वापरून संगणकांच्या मदतीने डिजिटायझ्ड नकाशे तयार करतात.
Deutsch18 आणि Olea19 भू-सांख्यिकीशास्त्राची व्याख्या "स्थानिक गुणधर्मांच्या प्रतिनिधित्वाशी संबंधित संख्यात्मक तंत्रांचा संग्रह म्हणून करतात, प्रामुख्याने स्टोकास्टिक मॉडेल्सचा वापर करतात, जसे की वेळ मालिका विश्लेषण तात्पुरत्या डेटाचे वैशिष्ट्य कसे दर्शवते." प्रामुख्याने, भू-सांख्यिकीशास्त्रामध्ये व्हेरियोग्रामचे मूल्यांकन समाविष्ट असते, जे प्रत्येक डेटासेटमधून स्थानिक मूल्यांचे अवलंबित्व प्रमाणित करण्यास आणि परिभाषित करण्यास अनुमती देतात.20.Gumiaux et al. २० हे पुढे स्पष्ट करते की भू-सांख्यिकीमध्ये व्हेरिऑग्रामचे मूल्यांकन तीन तत्त्वांवर आधारित आहे, ज्यामध्ये (अ) डेटा सहसंबंधाच्या प्रमाणात गणना करणे, (ब) डेटासेट विषमतेमध्ये अॅनिसोट्रॉपी ओळखणे आणि गणना करणे आणि (क) स्थानिक प्रभावांपासून वेगळे केलेल्या मापन डेटाची अंतर्निहित त्रुटी लक्षात घेण्याव्यतिरिक्त, क्षेत्रीय प्रभावांचा देखील अंदाज लावला जातो. या संकल्पनांवर आधारित, भू-सांख्यिकीमध्ये अनेक इंटरपोलेशन तंत्रे वापरली जातात, ज्यात सामान्य क्रिगिंग, सह-क्रिगिंग, सामान्य क्रिगिंग, अनुभवजन्य बायेसियन क्रिगिंग, साधी क्रिगिंग पद्धत आणि इतर सुप्रसिद्ध इंटरपोलेशन तंत्रे समाविष्ट आहेत जी PTE, माती वैशिष्ट्ये आणि माती प्रकारांचे मॅपिंग किंवा अंदाज लावतात.
मशीन लर्निंग अल्गोरिदम (एमएलए) ही एक तुलनेने नवीन तंत्र आहे जी मोठ्या नॉन-लिनियर डेटा वर्गांचा वापर करते, जे प्रामुख्याने डेटा मायनिंगसाठी वापरल्या जाणाऱ्या अल्गोरिदमद्वारे चालते, डेटामधील नमुने ओळखते आणि माती विज्ञान आणि रिटर्न टास्क सारख्या वैज्ञानिक क्षेत्रात वर्गीकरणासाठी वारंवार वापरले जाते. मातीमध्ये पीटीईचा अंदाज लावण्यासाठी असंख्य संशोधन पेपर एमएलए मॉडेल्सवर अवलंबून असतात, जसे की टॅन एट अल. 22 (शेती मातीमध्ये जड धातूंच्या अंदाजासाठी यादृच्छिक जंगले), साकिझादेह एट अल. 23 (सपोर्ट वेक्टर मशीन आणि कृत्रिम न्यूरल नेटवर्क वापरून मॉडेलिंग) माती प्रदूषण). याव्यतिरिक्त, वेगा एट अल. 24 (मातीमध्ये जड धातू धारणा आणि शोषण मॉडेलिंगसाठी कार्ट) सन एट अल. 25 (क्यूबिस्टचा वापर म्हणजे मातीमध्ये सीडीचे वितरण) आणि इतर अल्गोरिदम जसे की के-नजीकचे शेजारी, सामान्यीकृत बूस्टेड रीग्रेशन आणि बूस्टेड रीग्रेशन झाडांनी मातीमध्ये पीटीईचा अंदाज लावण्यासाठी एमएलए देखील लागू केले.
भाकित किंवा मॅपिंगमध्ये DSM अल्गोरिदमचा वापर अनेक आव्हानांना तोंड देतो. अनेक लेखकांचा असा विश्वास आहे की MLA भू-सांख्यिकीपेक्षा श्रेष्ठ आहे आणि उलट. जरी एक दुसऱ्यापेक्षा चांगला असला तरी, दोघांचे संयोजन DSM15 मध्ये मॅपिंग किंवा भाकित करण्याच्या अचूकतेची पातळी सुधारते.वुडकॉक आणि गोपाल26 फिन्के27; पॉन्टियस आणि चेउक28 आणि ग्रुनवाल्ड29 भाकित माती मॅपिंगमधील कमतरता आणि काही त्रुटींवर टिप्पणी करतात. माती शास्त्रज्ञांनी DSM मॅपिंग आणि अंदाजाची प्रभावीता, अचूकता आणि भाकितता ऑप्टिमाइझ करण्यासाठी विविध तंत्रांचा प्रयत्न केला आहे. अनिश्चितता आणि पडताळणीचे संयोजन प्रभावीपणा ऑप्टिमाइझ करण्यासाठी आणि दोष कमी करण्यासाठी DSM मध्ये एकत्रित केलेल्या अनेक भिन्न पैलूंपैकी एक आहे. तथापि, अग्येमन आणि इतर 15 यांनी अशी रूपरेषा दिली आहे की नकाशा निर्मिती आणि भाकिताद्वारे सादर केलेले प्रमाणीकरण वर्तन आणि अनिश्चितता नकाशाची गुणवत्ता सुधारण्यासाठी स्वतंत्रपणे प्रमाणित केले पाहिजे. DSM च्या मर्यादा भौगोलिकदृष्ट्या विखुरलेल्या मातीच्या गुणवत्तेमुळे आहेत, ज्यामध्ये अनिश्चिततेचा घटक समाविष्ट आहे; तथापि, DSM मध्ये निश्चिततेचा अभाव त्रुटीच्या अनेक स्रोतांपासून उद्भवू शकतो, जसे की कोव्हेरिएट त्रुटी, मॉडेल त्रुटी, स्थान त्रुटी आणि विश्लेषणात्मक त्रुटी 31. MLA आणि भू-सांख्यिकीय प्रक्रियांमध्ये निर्माण झालेल्या मॉडेलिंग चुका समजुतीच्या अभावाशी संबंधित आहेत, ज्यामुळे शेवटी वास्तविक प्रक्रियेचे अतिसरलीकरण होते32. मॉडेलिंगचे स्वरूप काहीही असो, चुकीचेपणा मॉडेलिंग पॅरामीटर्स, गणितीय मॉडेल अंदाज किंवा इंटरपोलेशन33 ला कारणीभूत ठरू शकते. अलिकडेच, एक नवीन DSM ट्रेंड उदयास आला आहे जो मॅपिंग आणि अंदाजात भू-सांख्यिकी आणि MLA च्या एकत्रीकरणाला प्रोत्साहन देतो. सर्गेव्ह एट अल. 34; सबबोटिना एट अल. 35; तारासोव्ह एट अल. 36 आणि तारासोव्ह एट अल. 37 यांसारख्या अनेक माती शास्त्रज्ञ आणि लेखकांनी भू-सांख्यिकी आणि मशीन लर्निंगच्या अचूक गुणवत्तेचा वापर करून हायब्रिड मॉडेल तयार केले आहेत जे अंदाज आणि मॅपिंगची कार्यक्षमता सुधारतात. गुणवत्ता. यापैकी काही हायब्रिड किंवा एकत्रित अल्गोरिथम मॉडेल्स म्हणजे आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग (ANN-RK), मल्टीलेअर पर्सेप्ट्रॉन रेसिड्युअल क्रिगिंग (MLP-RK), जनरलाइज्ड रिग्रेशन न्यूरल नेटवर्क रेसिड्युअल क्रिगिंग (GR- NNRK)36, आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग-मल्टीलेअर पर्सेप्ट्रॉन (ANN-K-MLP)37 आणि को-क्रिगिंग आणि गॉशियन प्रोसेस रिग्रेशन38.
सर्गेव आणि इतरांच्या मते, विविध मॉडेलिंग तंत्रांचे संयोजन केल्याने दोष दूर करण्याची आणि परिणामी हायब्रिड मॉडेलची कार्यक्षमता वाढवण्याची क्षमता आहे, एकच मॉडेल विकसित करण्याऐवजी. या संदर्भात, हे नवीन पेपर असा युक्तिवाद करते की शहरी आणि पेरी-शहरी भागात Ni संवर्धनाचा अंदाज लावण्यासाठी इष्टतम हायब्रिड मॉडेल तयार करण्यासाठी भू-सांख्यिकी आणि MLA चे एकत्रित अल्गोरिथम लागू करणे आवश्यक आहे. हा अभ्यास बेस मॉडेल म्हणून एम्पिरिकल बायेसियन क्रिगिंग (EBK) वर अवलंबून असेल आणि ते सपोर्ट वेक्टर मशीन (SVM) आणि मल्टिपल लिनियर रिग्रेशन (MLR) मॉडेल्ससह मिसळेल. कोणत्याही MLA सह EBK चे हायब्रिडायझेशन ज्ञात नाही. पाहिलेले अनेक मिश्र मॉडेल सामान्य, अवशिष्ट, रिग्रेशन क्रिगिंग आणि MLA चे संयोजन आहेत. EBK ही एक भू-सांख्यिकीय इंटरपोलेशन पद्धत आहे जी अवकाशीय स्टोकास्टिक प्रक्रियेचा वापर करते जी नॉन-स्टेशनरी/स्टेशनरी रँडम फील्ड म्हणून स्थानिकीकृत केली जाते ज्यामध्ये क्षेत्रावर परिभाषित स्थानिकीकरण पॅरामीटर्स असतात, ज्यामुळे स्थानिक भिन्नता येते39. EBK चा वापर विविध अभ्यासांमध्ये केला गेला आहे, ज्यामध्ये शेतीच्या मातीत सेंद्रिय कार्बनचे वितरण विश्लेषण करणे, माती प्रदूषणाचे मूल्यांकन करणे समाविष्ट आहे41 आणि मातीच्या गुणधर्मांचे मॅपिंग ४२.
दुसरीकडे, सेल्फ-ऑर्गनायझिंग ग्राफ (SeOM) हा एक शिक्षण अल्गोरिथम आहे जो ली एट अल. 43, वांग एट अल. 44, हुसेन भुईयान एट अल. 45 आणि केबोन्ये एट अल. 46 यासारख्या विविध लेखांमध्ये लागू केला गेला आहे. घटकांचे स्थानिक गुणधर्म आणि गटबद्धता निश्चित करा. वांग एट अल. 44 यांनी असे स्पष्ट केले आहे की SeOM ही एक शक्तिशाली शिक्षण तंत्र आहे जी नॉन-रेषीय समस्यांचे गटबद्धीकरण आणि कल्पना करण्याच्या क्षमतेसाठी ओळखली जाते. प्रमुख घटक विश्लेषण, अस्पष्ट क्लस्टरिंग, श्रेणीबद्ध क्लस्टरिंग आणि बहु-निकष निर्णय घेण्यासारख्या इतर पॅटर्न ओळख तंत्रांप्रमाणे, SeOM PTE पॅटर्न आयोजित करण्यात आणि ओळखण्यात चांगले आहे. वांग एट अल. 44 नुसार, SeOM संबंधित न्यूरॉन्सचे वितरण स्थानिकरित्या गटबद्ध करू शकते आणि उच्च-रिझोल्यूशन डेटा व्हिज्युअलायझेशन प्रदान करू शकते. थेट अर्थ लावण्यासाठी निकालांचे वैशिष्ट्यीकृत करण्यासाठी सर्वोत्तम मॉडेल मिळविण्यासाठी SeOM Ni प्रेडिक्शन डेटा व्हिज्युअलायझेशन करेल.
या पेपरचा उद्देश शहरी आणि अर्ध-शहरी मातीत निकेल सामग्रीचा अंदाज लावण्यासाठी इष्टतम अचूकतेसह एक मजबूत मॅपिंग मॉडेल तयार करणे आहे. आम्ही असे गृहीत धरतो की मिश्र मॉडेलची विश्वासार्हता प्रामुख्याने बेस मॉडेलशी जोडलेल्या इतर मॉडेल्सच्या प्रभावावर अवलंबून असते. आम्ही DSM समोरील आव्हाने मान्य करतो आणि ही आव्हाने अनेक आघाड्यांवर हाताळली जात असताना, भू-सांख्यिकी आणि MLA मॉडेल्समधील प्रगतीचे संयोजन वाढीव असल्याचे दिसून येते; म्हणून, आम्ही अशा संशोधन प्रश्नांची उत्तरे देण्याचा प्रयत्न करू ज्यामुळे मिश्र मॉडेल मिळू शकतात. तथापि, लक्ष्य घटकाचा अंदाज लावण्यात मॉडेल किती अचूक आहे? तसेच, प्रमाणीकरण आणि अचूकता मूल्यांकनावर आधारित कार्यक्षमता मूल्यांकनाची पातळी काय आहे? म्हणून, या अभ्यासाची विशिष्ट उद्दिष्टे होती (अ) EBK चा आधार मॉडेल म्हणून वापर करून SVMR किंवा MLR साठी एकत्रित मिश्रण मॉडेल तयार करणे, (ब) परिणामी मॉडेल्सची तुलना करणे (क) शहरी किंवा अर्ध-शहरी मातीत Ni सांद्रतेचा अंदाज लावण्यासाठी सर्वोत्तम मिश्रण मॉडेल प्रस्तावित करणे आणि (ड) निकेल स्थानिक भिन्नतेचा उच्च-रिझोल्यूशन नकाशा तयार करण्यासाठी SeOM चा वापर.
हा अभ्यास झेक प्रजासत्ताकमध्ये केला जात आहे, विशेषतः मोराव्हिया-सिलेशियन प्रदेशातील फ्रायडेक मिस्टेक जिल्ह्यात (आकृती १ पहा). अभ्यास क्षेत्राचा भूगोल खूप खडतर आहे आणि तो बहुतेक मोराव्हिया-सिलेशियन बेस्किडी प्रदेशाचा भाग आहे, जो कार्पेथियन पर्वतांच्या बाह्य कडाचा भाग आहे. अभ्यास क्षेत्र ४९° ४१′ ०′ उत्तर आणि १८° २०′ ०′ पूर्व दरम्यान स्थित आहे आणि उंची २२५ ते ३२७ मीटर दरम्यान आहे; तथापि, प्रदेशाच्या हवामान स्थितीसाठी कोप्पेन वर्गीकरण प्रणाली Cfb = समशीतोष्ण महासागरीय हवामान म्हणून रेट केली आहे, कोरड्या महिन्यांतही भरपूर पाऊस पडतो. वर्षभर तापमान −५ °C आणि २४ °C दरम्यान थोडेसे बदलते, क्वचितच −१४ °C पेक्षा कमी किंवा ३० °C पेक्षा जास्त होते, तर सरासरी वार्षिक पर्जन्यमान ६८५ ते ७५२ मिमी ४७ दरम्यान असते. संपूर्ण क्षेत्राचे अंदाजे सर्वेक्षण क्षेत्र १,२०८ चौरस किलोमीटर आहे, ज्यामध्ये लागवडीखालील जमीन ३९.३८% आणि वनक्षेत्र ४९.३६% आहे. दुसरीकडे, या अभ्यासात वापरलेले क्षेत्र सुमारे ८८९.८ चौरस किलोमीटर आहे. ऑस्ट्रावामध्ये आणि आसपास, स्टील उद्योग आणि धातूंचे काम खूप सक्रिय आहे. धातू गिरण्या, स्टील उद्योग जिथे निकेलचा वापर स्टेनलेस स्टीलमध्ये केला जातो (उदा. वातावरणातील गंजला प्रतिकार करण्यासाठी) आणि मिश्र धातु स्टील्स (निकेल मिश्र धातुची चांगली लवचिकता आणि कडकपणा राखताना त्याची ताकद वाढवते), आणि फॉस्फेट खतांचा वापर आणि पशुधन उत्पादन यासारख्या सघन शेती आहेत. या प्रदेशात निकेलच्या संभाव्य स्त्रोतांचा शोध घ्या (उदा., कोकरू आणि कमी खाणाऱ्या गुरांमध्ये वाढीचा दर वाढवण्यासाठी कोकरूंमध्ये निकेल घालणे). संशोधन क्षेत्रातील निकेलच्या इतर औद्योगिक वापरांमध्ये इलेक्ट्रोप्लेटिंगमध्ये त्याचा वापर समाविष्ट आहे, ज्यामध्ये इलेक्ट्रोप्लेटिंग निकेल आणि इलेक्ट्रोलेस निकेल प्लेटिंग प्रक्रियांचा समावेश आहे. मातीचे गुणधर्म मातीचा रंग, रचना आणि कार्बोनेट सामग्रीवरून सहजपणे वेगळे करता येतात. मातीचा पोत मध्यम ते बारीक असतो, जो मूळ पदार्थापासून मिळतो. ते कोल्युविअल, जलोढ किंवा एओलियन स्वरूपाचे असतात. काही मातीचे क्षेत्र पृष्ठभागावर आणि जमिनीखाली ठिपकेदार दिसतात, बहुतेकदा काँक्रीट आणि ब्लीचिंगसह. तथापि, कॅम्बिसॉल आणि स्टॅग्नोसोल हे या प्रदेशातील सर्वात सामान्य मातीचे प्रकार आहेत48. 455.1 ते 493.5 मीटर उंचीसह, कॅम्बिसॉल चेक प्रजासत्ताकमध्ये वर्चस्व गाजवतात49.
अभ्यास क्षेत्र नकाशा [अभ्यास क्षेत्र नकाशा ArcGIS डेस्कटॉप (ESRI, Inc, आवृत्ती 10.7, URL: https://desktop.arcgis.com) वापरून तयार करण्यात आला आहे.]
फ्रायडेक मिस्टेक जिल्ह्यातील शहरी आणि अर्ध-शहरी मातीतून एकूण ११५ मातीचे नमुने घेण्यात आले. वापरलेला नमुना नमुना नियमित ग्रिड होता ज्यामध्ये मातीचे नमुने २ × २ किमी अंतरावर ठेवलेले होते आणि हाताने धरता येणाऱ्या GPS उपकरणाचा (Leica Zeno 5 GPS) वापरुन ० ते २० सेमी खोलीवर मातीचे मोजमाप केले गेले. नमुने Ziploc पिशव्यांमध्ये पॅक केले जातात, योग्यरित्या लेबल केले जातात आणि प्रयोगशाळेत पाठवले जातात. नमुने हवेत वाळवले गेले जेणेकरून ते धुरलेले नमुने तयार होतील, यांत्रिक प्रणाली (Fritsch डिस्क मिल) द्वारे धुरलेले असतील आणि चाळले जातील (चाळणीचा आकार २ मिमी). १ ग्रॅम वाळलेले, एकसंध आणि चाळलेले मातीचे नमुने स्पष्टपणे लेबल केलेल्या टेफ्लॉन बाटल्यांमध्ये ठेवा. प्रत्येक टेफ्लॉन भांड्यात, ७ मिली ३५% HCl आणि ३ मिली ६५% HNO3 (स्वयंचलित डिस्पेंसर वापरून - प्रत्येक आम्लासाठी एक) टाका, हलके झाकून ठेवा आणि नमुने रात्रभर प्रतिक्रिया (अॅक्वा रेजिया प्रोग्राम) साठी उभे राहू द्या. सुपरनॅटंट गरम धातूवर ठेवा. नमुन्यांची पचन प्रक्रिया सुलभ करण्यासाठी प्लेट (तापमान: १०० वॅट आणि १६० डिग्री सेल्सिअस) २ तासांसाठी ठेवा, नंतर थंड करा. सुपरनॅटंट ५० मिली व्हॉल्यूमेट्रिक फ्लास्कमध्ये स्थानांतरित करा आणि ५० मिली पर्यंत डीआयोनाइज्ड पाण्याने पातळ करा. त्यानंतर, डायल्युएट केलेले सुपरनॅटंट ५० मिली पीव्हीसी ट्यूबमध्ये डीआयोनाइज्ड पाण्याने फिल्टर करा. याव्यतिरिक्त, १ मिली डायल्युएशन सोल्यूशन ९ मिली डीआयोनाइज्ड पाण्याने पातळ केले गेले आणि पीटीई स्यूडो-कॉन्सेन्ट्रेशनसाठी तयार केलेल्या १२ मिली ट्यूबमध्ये फिल्टर केले गेले. पीटीई (एज, सीडी, सीआर, क्यू, एमएन, नी, पीबी, झेडएन, सीए, एमजी, के) ची सांद्रता आयसीपी-ओईएस (इंडक्टिव्हली कपल्ड प्लाझ्मा ऑप्टिकल एमिशन स्पेक्ट्रोस्कोपी) (थर्मो फिशर सायंटिफिक, यूएसए) द्वारे मानक पद्धती आणि करारानुसार निश्चित केली गेली. गुणवत्ता हमी आणि नियंत्रण (क्यूए/क्यूसी) प्रक्रिया (एसआरएम एनआयएसटी २७११ए मोंटाना II माती) सुनिश्चित करा. अर्ध्यापेक्षा कमी शोध मर्यादा असलेल्या पीटीई या अभ्यासातून वगळण्यात आल्या. या अभ्यासात वापरल्या जाणाऱ्या PTE ची शोध मर्यादा 0.0004 होती.(तुम्ही). याव्यतिरिक्त, प्रत्येक विश्लेषणासाठी गुणवत्ता नियंत्रण आणि गुणवत्ता हमी प्रक्रिया संदर्भ मानकांचे विश्लेषण करून सुनिश्चित केली जाते. चुका कमीत कमी केल्या गेल्या आहेत याची खात्री करण्यासाठी, दुहेरी विश्लेषण केले गेले.
अनुभवजन्य बायेसियन क्रिगिंग (EBK) ही माती विज्ञानासारख्या विविध क्षेत्रात मॉडेलिंगमध्ये वापरल्या जाणाऱ्या अनेक भू-सांख्यिकीय इंटरपोलेशन तंत्रांपैकी एक आहे. इतर क्रिगिंग इंटरपोलेशन तंत्रांप्रमाणे, सेमीव्हेरिओग्राम मॉडेलद्वारे अंदाजित त्रुटी विचारात घेऊन EBK पारंपारिक क्रिगिंग पद्धतींपेक्षा वेगळे आहे. EBK इंटरपोलेशनमध्ये, एकाच सेमीव्हेरिओग्रामऐवजी इंटरपोलेशन दरम्यान अनेक सेमीव्हेरिओग्राम मॉडेल्सची गणना केली जाते. इंटरपोलेशन तंत्रे सेमीव्हेरिओग्रामच्या या प्लॉटिंगशी संबंधित अनिश्चितता आणि प्रोग्रामिंगसाठी मार्ग तयार करतात जी पुरेशा क्रिगिंग पद्धतीचा एक अत्यंत जटिल भाग आहे. EBK ची इंटरपोलेशन प्रक्रिया क्रिवोरुचको 50 ने प्रस्तावित केलेल्या तीन निकषांचे पालन करते, (अ) मॉडेल इनपुट डेटासेटमधून सेमीव्हेरिओग्रामचा अंदाज लावते (ब) व्युत्पन्न केलेल्या सेमीव्हेरिओग्रामवर आधारित प्रत्येक इनपुट डेटासेट स्थानासाठी नवीन अंदाजित मूल्य आणि (क) अंतिम A मॉडेल सिम्युलेटेड डेटासेटमधून मोजले जाते. बायेसियन समीकरण नियम पोस्टरियर म्हणून दिला आहे
जिथे \(Prob\left(A\right)\) हे पूर्ववर्ती दर्शवते, \(Prob\left(B\right)\) सीमांत संभाव्यता बहुतेक प्रकरणांमध्ये दुर्लक्षित केली जाते, \(Prob (B,A)\ ). अर्धवर्णग्राम गणना बेयसच्या नियमावर आधारित आहे, जो अर्धवर्णग्रामांपासून तयार करता येणाऱ्या निरीक्षण डेटासेटची प्रवृत्ती दर्शवितो. त्यानंतर अर्धवर्णग्रामचे मूल्य बेयसच्या नियमाचा वापर करून निश्चित केले जाते, जे अर्धवर्णग्राममधून निरीक्षणांचा डेटासेट तयार करण्याची शक्यता किती आहे हे सांगते.
सपोर्ट व्हेक्टर मशीन ही एक मशीन लर्निंग अल्गोरिथम आहे जी समान परंतु रेषीयदृष्ट्या स्वतंत्र नसलेल्या वर्गांमध्ये फरक करण्यासाठी एक इष्टतम विभाजित हायपरप्लेन तयार करते.Vapnik51 ने इंटेंट वर्गीकरण अल्गोरिथम तयार केला, परंतु अलीकडेच तो रिग्रेशन-ओरिएंटेड समस्या सोडवण्यासाठी वापरला गेला आहे.Li et al.52 नुसार, SVM हे सर्वोत्तम वर्गीकरण तंत्रांपैकी एक आहे आणि विविध क्षेत्रात वापरले गेले आहे.SVM (सपोर्ट व्हेक्टर मशीन रिग्रेशन - SVMR) चा रिग्रेशन घटक या विश्लेषणात वापरला गेला.चेरकास्की आणि मुलियर53 यांनी SVMR ला कर्नल-आधारित रिग्रेशन म्हणून अग्रेसर केले, ज्याची गणना मल्टी-कंट्री स्पेशियल फंक्शन्ससह रेषीय रिग्रेशन मॉडेल वापरून केली गेली.जॉन एट अल54 अहवाल देतात की SVMR मॉडेलिंग हायपरप्लेन रेषीय रिग्रेशन वापरते, जे नॉनलाइनर संबंध निर्माण करते आणि स्पेशियल फंक्शन्सना परवानगी देते.व्होहलँड एट अल नुसार. ५५, एप्सिलॉन (ε)-SVMR प्रशिक्षित डेटासेटचा वापर करून एक प्रतिनिधित्व मॉडेल मिळवते जे एप्सिलॉन-असंवेदनशील फंक्शन म्हणून वापरले जाते जे सहसंबंधित डेटावरील प्रशिक्षणातून सर्वोत्तम एप्सिलॉन बायससह डेटा स्वतंत्रपणे मॅप करण्यासाठी लागू केले जाते. प्रीसेट अंतर त्रुटी वास्तविक मूल्यापासून दुर्लक्षित केली जाते आणि जर त्रुटी ε(ε) पेक्षा मोठी असेल तर मातीचे गुणधर्म त्याची भरपाई करतात. मॉडेल प्रशिक्षण डेटाची जटिलता समर्थन वेक्टरच्या विस्तृत उपसंचपर्यंत देखील कमी करते. Vapnik51 द्वारे प्रस्तावित समीकरण खाली दर्शविले आहे.
जिथे b स्केलर थ्रेशोल्ड दर्शवितो, \(K\left({x}_{,}{ x}_{k}\right)\) कर्नल फंक्शन दर्शवितो, \(\alpha\) लॅग्रेंज गुणक दर्शवितो, N संख्यात्मक डेटासेट दर्शवितो, \({x}_{k}\) डेटा इनपुट दर्शवितो आणि \(y\) डेटा आउटपुट आहे. वापरल्या जाणाऱ्या की कर्नलपैकी एक म्हणजे SVMR ऑपरेशन, जे गॉसियन रेडियल बेसिस फंक्शन (RBF) आहे. RBF कर्नल इष्टतम SVMR मॉडेल निश्चित करण्यासाठी लागू केले जाते, जे PTE प्रशिक्षण डेटासाठी सर्वात सूक्ष्म पेनल्टी सेट फॅक्टर C आणि कर्नल पॅरामीटर गामा (γ) मिळविण्यासाठी महत्वाचे आहे. प्रथम, आम्ही प्रशिक्षण संचाचे मूल्यांकन केले आणि नंतर प्रमाणीकरण संचावर मॉडेल कामगिरीची चाचणी केली. वापरलेले स्टीअरिंग पॅरामीटर सिग्मा आहे आणि पद्धत मूल्य svmRadial आहे.
मल्टिपल रेषीय प्रतिगमन मॉडेल (MLR) हे एक प्रतिगमन मॉडेल आहे जे कमीत कमी वर्ग पद्धतीचा वापर करून गणना केलेल्या रेषीय एकत्रित पॅरामीटर्सचा वापर करून प्रतिसाद चल आणि अनेक प्रेडिक्टर चल यांच्यातील संबंध दर्शवते. MLR मध्ये, कमीत कमी वर्ग मॉडेल हे स्पष्टीकरणात्मक चलांच्या निवडीनंतर मातीच्या गुणधर्मांचे भाकित करणारे कार्य आहे. स्पष्टीकरणात्मक चलांचा वापर करून रेषीय संबंध स्थापित करण्यासाठी प्रतिसाद वापरणे आवश्यक आहे. स्पष्टीकरणात्मक चलांसह रेषीय संबंध स्थापित करण्यासाठी PTE चा वापर प्रतिसाद चल म्हणून केला गेला. MLR समीकरण आहे
जिथे y हा प्रतिसाद चल आहे, \(a\) हा अंतराल आहे, n हा प्रेडिक्टरची संख्या आहे, \({b}_{1}\) हा सहगुणकांचा आंशिक प्रतिगमन आहे, \({x}_{ i}\) हा प्रेडिक्टर किंवा स्पष्टीकरणात्मक चल दर्शवितो आणि \({\varepsilon }_{i}\) मॉडेलमधील त्रुटी दर्शवितो, ज्याला अवशिष्ट देखील म्हणतात.
EBK ला SVMR आणि MLR सह सँडविच करून मिश्रित मॉडेल्स मिळवले गेले. हे EBK इंटरपोलेशनमधून अंदाजित मूल्ये काढून केले जाते. इंटरपोलेटेड Ca, K आणि Mg मधून मिळणारी अंदाजित मूल्ये CaK, CaMg आणि KMg सारखे नवीन चल मिळविण्यासाठी एकत्रित प्रक्रियेद्वारे मिळवली जातात. Ca, K आणि Mg हे घटक नंतर चौथे चल, CaKMg मिळविण्यासाठी एकत्र केले जातात. एकूणच, मिळवलेले चल Ca, K, Mg, CaK, CaMg, KMg आणि CaKMg आहेत. हे चल आमचे प्रेडिक्टर बनले, जे शहरी आणि पेरी-शहरी मातीत निकेल सांद्रतेचा अंदाज लावण्यास मदत करतात. मिश्रित मॉडेल एम्पिरिकल बायेसियन क्रिगिंग-सपोर्ट व्हेक्टर मशीन (EBK_SVM) मिळविण्यासाठी प्रेडिक्टरवर SVMR अल्गोरिथम केले गेले. त्याचप्रमाणे, मिश्रित मॉडेल एम्पिरिकल बायेसियन क्रिगिंग-मल्टिपल लिनियर रिग्रेशन (EBK_MLR) मिळविण्यासाठी व्हेरिअबल्स देखील MLR अल्गोरिथमद्वारे पाईप केले जातात. सामान्यतः, व्हेरिअबल्स Ca, K, Mg, शहरी आणि अर्ध-शहरी मातीत Ni सामग्रीचे भाकित करणारे म्हणून CaK, CaMg, KMg आणि CaKMg हे सह-परिवर्तक म्हणून वापरले जातात. प्राप्त केलेले सर्वात स्वीकार्य मॉडेल (EBK_SVM किंवा EBK_MLR) नंतर स्वयं-व्यवस्थापन आलेख वापरून दृश्यमान केले जाईल. या अभ्यासाचा कार्यप्रवाह आकृती 2 मध्ये दर्शविला आहे.
आर्थिक क्षेत्र, आरोग्यसेवा, उद्योग, सांख्यिकी, माती विज्ञान आणि इतर क्षेत्रात डेटा आयोजित करण्यासाठी, मूल्यांकन करण्यासाठी आणि अंदाज लावण्यासाठी SeOM वापरणे हे एक लोकप्रिय साधन बनले आहे. संघटना, मूल्यांकन आणि भाकित करण्यासाठी कृत्रिम तंत्रिका नेटवर्क आणि पर्यवेक्षित नसलेल्या शिक्षण पद्धती वापरून SeOM तयार केले आहे. या अभ्यासात, शहरी आणि अर्ध-शहरी मातीत Ni चा अंदाज लावण्यासाठी सर्वोत्तम मॉडेलवर आधारित Ni सांद्रता दृश्यमान करण्यासाठी SeOM चा वापर करण्यात आला. SeOM मूल्यांकनात प्रक्रिया केलेला डेटा n इनपुट-डायमेंशनल वेक्टर व्हेरिअबल्स म्हणून वापरला जातो43,56.Melssen et al. ५७ मध्ये एका इनपुट वेक्टरचे एका इनपुट लेयरद्वारे एका वेट वेक्टर असलेल्या आउटपुट वेक्टरशी न्यूरल नेटवर्कमध्ये कनेक्शनचे वर्णन केले आहे. SeOM द्वारे व्युत्पन्न केलेले आउटपुट हे एक द्विमितीय नकाशा आहे ज्यामध्ये वेगवेगळ्या न्यूरॉन्स किंवा नोड्स असतात जे त्यांच्या समीपतेनुसार षटकोनी, वर्तुळाकार किंवा चौरस टोपोलॉजिकल नकाशांमध्ये विणलेले असतात. मेट्रिक, क्वांटायझेशन एरर (QE) आणि टोपोग्राफिक एरर (TE) वर आधारित नकाशा आकारांची तुलना करून, अनुक्रमे ०.०८६ आणि ०.९०४ असलेले SeOM मॉडेल निवडले आहे, जे ५५-नकाशा युनिट (५ × ११) आहे. न्यूरॉन रचना अनुभवजन्य समीकरणातील नोड्सच्या संख्येनुसार निश्चित केली जाते.
या अभ्यासात वापरल्या जाणाऱ्या डेटाची संख्या ११५ नमुने आहे. डेटाला चाचणी डेटा (प्रमाणीकरणासाठी २५%) आणि प्रशिक्षण डेटा सेट (कॅलिब्रेशनसाठी ७५%) मध्ये विभाजित करण्यासाठी यादृच्छिक दृष्टिकोन वापरण्यात आला. प्रशिक्षण डेटासेटचा वापर रिग्रेशन मॉडेल (कॅलिब्रेशन) तयार करण्यासाठी केला जातो आणि चाचणी डेटासेटचा वापर सामान्यीकरण क्षमता सत्यापित करण्यासाठी केला जातो. मातीतील निकेल सामग्रीचा अंदाज लावण्यासाठी विविध मॉडेल्सच्या योग्यतेचे मूल्यांकन करण्यासाठी हे केले गेले. वापरलेले सर्व मॉडेल्स दहा पट क्रॉस-व्हॅलिडेशन प्रक्रियेतून गेले, पाच वेळा पुनरावृत्ती झाले. EBK इंटरपोलेशनद्वारे तयार केलेले व्हेरिएबल्स लक्ष्य व्हेरिएबल (PTE) चा अंदाज लावण्यासाठी प्रेडिक्टर किंवा स्पष्टीकरणात्मक व्हेरिएबल्स म्हणून वापरले जातात. RStudio मध्ये पॅकेजेस लायब्ररी(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospecter”) आणि libraries (“Metrics”) वापरून मॉडेलिंग हाताळले जाते.
मातीमध्ये निकेल सांद्रतेचा अंदाज लावण्यासाठी आणि मॉडेलची अचूकता आणि त्याची पडताळणी मूल्यांकन करण्यासाठी योग्य असलेले सर्वोत्तम मॉडेल निश्चित करण्यासाठी विविध प्रमाणीकरण पॅरामीटर्स वापरले गेले. हायब्रिडायझेशन मॉडेल्सचे मूल्यांकन सरासरी निरपेक्ष त्रुटी (MAE), मूळ सरासरी वर्ग त्रुटी (RMSE) आणि R-वर्ग किंवा गुणांक निर्धारण (R2) वापरून केले गेले.R2 उत्तरातील प्रमाणांचे भिन्नता परिभाषित करते, जे प्रतिगमन मॉडेलद्वारे दर्शविले जाते. स्वतंत्र मापनांमध्ये RMSE आणि भिन्नता परिमाण मॉडेलच्या भाकित शक्तीचे वर्णन करतात, तर MAE वास्तविक परिमाणात्मक मूल्य निर्धारित करते. प्रमाणीकरण पॅरामीटर्स वापरून सर्वोत्तम मिश्रण मॉडेलचे मूल्यांकन करण्यासाठी R2 मूल्य जास्त असले पाहिजे, मूल्य 1 च्या जितके जवळ असेल तितकी अचूकता जास्त असेल. ली एट अल. 59 नुसार, 0.75 किंवा त्याहून अधिक R2 निकष मूल्य एक चांगला भाकित करणारा मानला जातो; ०.५ ते ०.७५ पर्यंत मॉडेल कामगिरी स्वीकार्य आहे आणि ०.५ पेक्षा कमी मॉडेल कामगिरी अस्वीकार्य आहे. RMSE आणि MAE प्रमाणीकरण निकष मूल्यांकन पद्धती वापरून मॉडेल निवडताना, मिळालेली कमी मूल्ये पुरेशी होती आणि त्यांना सर्वोत्तम पर्याय मानले गेले. खालील समीकरण पडताळणी पद्धतीचे वर्णन करते.
जिथे n हे निरीक्षण केलेल्या मूल्याचे आकार दर्शवते\({Y}_{i}\) हे मोजलेले प्रतिसाद दर्शवते आणि \({\widehat{Y}}_{i}\) हे पहिल्या i निरीक्षणांसाठी अंदाजित प्रतिसाद मूल्य देखील दर्शवते.
प्रेडिक्टर आणि रिस्पॉन्स व्हेरिएबल्सचे सांख्यिकीय वर्णन तक्ता १ मध्ये सादर केले आहे, जे सरासरी, मानक विचलन (SD), भिन्नतेचे गुणांक (CV), किमान, कमाल, कर्टोसिस आणि स्क्युनेस दर्शविते. घटकांची किमान आणि कमाल मूल्ये अनुक्रमे Mg
प्रेडिक्टर व्हेरिअबल्स आणि रिस्पॉन्स एलिमेंट्समधील सहसंबंध घटकांमधील समाधानकारक सहसंबंध दर्शवितात (आकृती ३ पहा). सहसंबंध दर्शवितो की CaK ने r मूल्य = ०.५३ सह मध्यम सहसंबंध प्रदर्शित केला, जसे CaNi ने केले. जरी Ca आणि K एकमेकांशी माफक संबंध दर्शवितात, तरी किंग्स्टन इत्यादी संशोधकांनी असे म्हटले आहे की, हे मूल्य ०.५३ च्या बरोबरीने आहे. 68 आणि Santo69 असे सूचित करतात की मातीतील त्यांची पातळी व्यस्त प्रमाणात आहे. तथापि, Ca आणि Mg हे K च्या विरोधी आहेत, परंतु CaK चांगले सहसंबंधित आहेत. हे पोटॅशियम कार्बोनेट सारख्या खतांच्या वापरामुळे असू शकते, जे पोटॅशियममध्ये 56% जास्त आहे. पोटॅशियम मॅग्नेशियमशी मध्यम प्रमाणात सहसंबंधित होते (KM r = 0.63). खत उद्योगात, हे दोन घटक जवळून संबंधित आहेत कारण पोटॅशियम मॅग्नेशियम सल्फेट, पोटॅशियम मॅग्नेशियम नायट्रेट आणि पोटॅश मातीत त्यांच्या कमतरतेची पातळी वाढवण्यासाठी वापरले जातात. निकेल अनुक्रमे r मूल्यांसह Ca, K आणि Mg शी मध्यम प्रमाणात सहसंबंधित आहे = 0.52, 0.63 आणि 0.55. कॅल्शियम, मॅग्नेशियम आणि निकेल सारख्या PTE शी संबंधित संबंध जटिल आहेत, परंतु तरीही, मॅग्नेशियम कॅल्शियम शोषण रोखते, कॅल्शियम अतिरिक्त मॅग्नेशियमचे परिणाम कमी करते आणि मॅग्नेशियम आणि कॅल्शियम दोन्ही मातीमध्ये निकेलचे विषारी प्रभाव कमी करतात.
प्रेडिक्टर आणि प्रतिसादांमधील संबंध दर्शविणाऱ्या घटकांसाठी सहसंबंध मॅट्रिक्स (टीप: या आकृतीमध्ये घटकांमधील स्कॅटरप्लॉट समाविष्ट आहे, महत्त्व पातळी p < 0,001 वर आधारित आहेत).
आकृती ४ मध्ये घटकांचे अवकाशीय वितरण दाखवले आहे. बर्गोस आणि इतर ७० च्या मते, अवकाशीय वितरणाचा वापर प्रदूषित भागात हॉट स्पॉट्स मोजण्यासाठी आणि हायलाइट करण्यासाठी वापरला जाणारा एक तंत्र आहे. आकृती ४ मध्ये Ca चे संवर्धन पातळी अवकाशीय वितरण नकाशाच्या वायव्य भागात दिसून येते. आकृती मध्यम ते उच्च Ca संवर्धन हॉटस्पॉट्स दर्शविते. नकाशाच्या वायव्येकडील कॅल्शियम संवर्धन मातीची आम्लता कमी करण्यासाठी क्विकलाईम (कॅल्शियम ऑक्साईड) वापरल्यामुळे आणि स्टील बनवण्याच्या प्रक्रियेत स्टील मिलमध्ये अल्कलाइन ऑक्सिजन म्हणून वापरल्यामुळे होण्याची शक्यता आहे. दुसरीकडे, इतर शेतकरी pH निष्प्रभ करण्यासाठी आम्लयुक्त मातीत कॅल्शियम हायड्रॉक्साईड वापरण्यास प्राधान्य देतात, ज्यामुळे मातीतील कॅल्शियमचे प्रमाण देखील वाढते ७१. नकाशाच्या वायव्य आणि पूर्वेकडील पोटॅशियम देखील हॉट स्पॉट्स दर्शविते. वायव्य हा एक प्रमुख कृषी समुदाय आहे आणि पोटॅशियमचा मध्यम ते उच्च नमुना NPK आणि पोटॅशियमच्या वापरामुळे असू शकतो. हे इतर अभ्यासांशी सुसंगत आहे, जसे की मदारास आणि लिपाव्स्की ७२, मदारास आणि इतर ७३, पुलक्राबोवा आणि इतर ७४, असारे आणि इतर ७५, ज्यांनी असे निरीक्षण केले की माती स्थिरीकरण आणि KCl आणि NPK सह उपचार केल्याने जमिनीत K चे प्रमाण जास्त होते. वितरण नकाशाच्या वायव्येकडील स्थानिक पोटॅशियम समृद्धी हे पोटॅशियम क्लोराईड, पोटॅशियम सल्फेट, पोटॅशियम नायट्रेट, पोटॅश आणि पोटॅश सारख्या पोटॅशियम-आधारित खतांच्या वापरामुळे असू शकते जेणेकरून खराब मातीत पोटॅशियमचे प्रमाण वाढेल. झाडोरोवा आणि इतर ७६ आणि त्लुस्टोस आणि इतर. ७७ मध्ये असे नमूद केले आहे की K-आधारित खतांच्या वापरामुळे जमिनीतील K चे प्रमाण वाढेल आणि दीर्घकाळात मातीतील पोषक घटकांमध्ये लक्षणीय वाढ होईल, विशेषतः K आणि Mg हे जमिनीत एक हॉट स्पॉट दर्शवितात. नकाशाच्या वायव्य आणि नकाशाच्या आग्नेय भागात तुलनेने मध्यम हॉटस्पॉट आहेत. मातीमध्ये कोलाइडल स्थिरीकरणामुळे मातीतील मॅग्नेशियमचे प्रमाण कमी होते. मातीत त्याच्या कमतरतेमुळे वनस्पतींमध्ये पिवळसर इंटरव्हेन क्लोरोसिस दिसून येतो. पोटॅशियम मॅग्नेशियम सल्फेट, मॅग्नेशियम सल्फेट आणि किसेराइट सारखी मॅग्नेशियम-आधारित खते सामान्य pH श्रेणी असलेल्या मातीत कमतरता (वनस्पती जांभळ्या, लाल किंवा तपकिरी दिसतात, मॅग्नेशियमची कमतरता दर्शवितात) दूर करतात. शहरी आणि अर्ध-शहरी मातीच्या पृष्ठभागावर निकेलचे संचय शेतीसारख्या मानववंशीय क्रियाकलापांमुळे आणि स्टेनलेस स्टील उत्पादनात निकेलचे महत्त्व यामुळे असू शकते. ७८.
घटकांचे अवकाशीय वितरण [अवकाशीय वितरण नकाशा ArcGIS डेस्कटॉप (ESRI, Inc, आवृत्ती 10.7, URL: https://desktop.arcgis.com) वापरून तयार करण्यात आला.]
या अभ्यासात वापरल्या जाणाऱ्या घटकांसाठी मॉडेल कामगिरी निर्देशांक निकाल तक्ता २ मध्ये दाखवले आहेत. दुसरीकडे, Ni चे RMSE आणि MAE दोन्ही शून्याच्या जवळ आहेत (0.86 RMSE, -0.08 MAE). दुसरीकडे, K चे RMSE आणि MAE दोन्ही मूल्ये स्वीकार्य आहेत. कॅल्शियम आणि मॅग्नेशियमसाठी RMSE आणि MAE निकाल जास्त होते. वेगवेगळ्या डेटासेटमुळे Ca आणि K MAE आणि RMSE निकाल मोठे आहेत. Ni चा अंदाज लावण्यासाठी EBK वापरून केलेल्या या अभ्यासातील RMSE आणि MAE हे जॉन एट अल. ५४ च्या निकालांपेक्षा चांगले असल्याचे आढळून आले जे समान गोळा केलेल्या डेटाचा वापर करून मातीमध्ये S सांद्रतेचा अंदाज लावण्यासाठी सिनर्जिस्टिक क्रिगिंग वापरतात. आम्ही अभ्यासलेले EBK आउटपुट फॅबिजाझिक एट अल. ४१, यान एट अल. ७९, बेगुइन एट अल. ८०, अधिकारी एट अल. ८१ आणि जॉन एट अल. ८२, विशेषतः K आणि Ni यांच्या निकालांशी संबंधित आहेत.
शहरी आणि अर्ध-शहरी मातीत निकेल सामग्रीचा अंदाज लावण्यासाठी वैयक्तिक पद्धतींच्या कामगिरीचे मूल्यांकन मॉडेल्सच्या कामगिरीचा वापर करून करण्यात आले (तक्ता 3). मॉडेल प्रमाणीकरण आणि अचूकता मूल्यांकनाने पुष्टी केली की EBK SVMR मॉडेलसह एकत्रित Ca_Mg_K प्रेडिक्टरने सर्वोत्तम कामगिरी दिली. कॅलिब्रेशन मॉडेल Ca_Mg_K-EBK_SVMR मॉडेल R2, रूट मीन स्क्वेअर एरर (RMSE) आणि मीन अॅब्सोल्यूट एरर (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) आणि 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) आणि 166.946 mg/kg (MAE) होते. तरीही, Ca_Mg_K-SVMR (0.663 mg/kg R2) आणि Ca_Mg-EBK_SVMR साठी चांगले R2 मूल्ये प्राप्त झाली. (०.६४३ = आर२); त्यांचे RMSE आणि MAE निकाल Ca_Mg_K-EBK_SVMR (R2 0.637) पेक्षा जास्त होते (तक्ता 3 पहा). याव्यतिरिक्त, Ca_Mg-EBK_SVMR (RMSE = 1664.64 आणि MAE = 1031.49) मॉडेलचे RMSE आणि MAE अनुक्रमे 17.5 आणि 13.4 आहेत, जे Ca_Mg_K-EBK_SVMR पेक्षा मोठे आहेत. त्याचप्रमाणे, Ca_Mg-K SVMR (RMSE = 235.974 आणि MAE = 166.946) मॉडेलचे RMSE आणि MAE अनुक्रमे Ca_Mg_K-EBK_SVMR RMSE आणि MAE पेक्षा 2.5 आणि 2.2 मोठे आहेत. गणना केलेले RMSE निकाल दर्शवितात की सर्वोत्तम फिटच्या रेषेसह डेटा सेट किती केंद्रित आहे. उच्च RSME आणि MAE निरीक्षण केले गेले. त्यानुसार केबोन्ये आणि इतर ४६ आणि जॉन आणि इतर ५४ यांच्या मते, RMSE आणि MAE जितके शून्याच्या जवळ असतील तितके चांगले निकाल. SVMR आणि EBK_SVMR ची क्वांटाइज्ड RSME आणि MAE मूल्ये जास्त आहेत. असे आढळून आले की RSME अंदाज MAE मूल्यांपेक्षा सातत्याने जास्त होते, जे आउटलायर्सची उपस्थिती दर्शवते. लेगेट्स आणि मॅककेब ८३ नुसार, RMSE सरासरी निरपेक्ष त्रुटी (MAE) पेक्षा किती जास्त आहे हे आउटलायर्सच्या उपस्थितीचे सूचक म्हणून शिफारसित आहे. याचा अर्थ असा की डेटासेट जितका जास्त विषम असेल तितका MAE आणि RMSE मूल्ये जास्त असतील. शहरी आणि उपनगरीय मातीत Ni सामग्रीचा अंदाज लावण्यासाठी Ca_Mg_K-EBK_SVMR मिश्रित मॉडेलच्या क्रॉस-व्हॅलिडेशन मूल्यांकनाची अचूकता ६३.७०% होती. ली आणि इतर ५९ नुसार, अचूकतेची ही पातळी स्वीकार्य मॉडेल कामगिरी दर आहे. सध्याच्या निकालांची तुलना तारासोव्ह आणि इतरांच्या मागील अभ्यासाशी केली आहे. ३६ ज्यांच्या हायब्रिड मॉडेलने MLPRK (मल्टीलेयर पर्सेप्ट्रॉन रेसिड्युअल क्रिगिंग) तयार केले, जे सध्याच्या अभ्यासात नोंदवलेल्या EBK_SVMR अचूकता मूल्यांकन निर्देशांकाशी संबंधित आहे, RMSE (२१०) आणि MAE (१६७.५) हे सध्याच्या अभ्यासातील आमच्या निकालांपेक्षा (RMSE ९५.४७९, MAE ७७.३६८) जास्त होते. तथापि, सध्याच्या अभ्यासाच्या R2 ची तुलना तारासोव्ह आणि इतरांच्या निकालांशी करताना. ३६ (०.५४४), हे स्पष्ट आहे की या मिश्र मॉडेलमध्ये निर्धारण गुणांक (R2) जास्त आहे. मिश्र मॉडेलसाठी त्रुटीचे मार्जिन (RMSE आणि MAE) (EBK SVMR) दुप्पट कमी आहे. त्याचप्रमाणे, सर्गेइव्ह आणि इतर ३४ ने विकसित हायब्रिड मॉडेल (मल्टीलेअर पर्सेप्ट्रॉन रेसिड्युअल क्रिगिंग) साठी ०.२८ (R2) नोंदवले, तर सध्याच्या अभ्यासात Ni ने ०.६३७ (R2) नोंदवले. या मॉडेलची (EBK SVMR) भाकित अचूकता पातळी ६३.७% आहे, तर सर्गेइव्ह आणि इतर ३४ ने मिळवलेली भाकित अचूकता २८% आहे. EBK_SVMR मॉडेल आणि Ca_Mg_K ला भाकितकर्ता म्हणून वापरून तयार केलेला अंतिम नकाशा (आकृती ५) संपूर्ण अभ्यास क्षेत्रात हॉट स्पॉट्स आणि मध्यम ते निकेलचे भाकित दर्शवितो. याचा अर्थ असा की अभ्यास क्षेत्रात निकेलची सांद्रता प्रामुख्याने मध्यम आहे, काही विशिष्ट क्षेत्रांमध्ये जास्त सांद्रता आहे.
अंतिम भाकित नकाशा हा हायब्रिड मॉडेल EBK_SVMR वापरून आणि Ca_Mg_K हा भाकितकर्ता म्हणून वापरून दर्शविला जातो. [स्थानिक वितरण नकाशा RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार करण्यात आला.]
आकृती ६ मध्ये वैयक्तिक न्यूरॉन्स असलेल्या रचना समतलाच्या रूपात PTE सांद्रता दर्शविली आहे. कोणत्याही घटक समतलाने दाखवल्याप्रमाणे समान रंग नमुना प्रदर्शित केला नाही. तथापि, काढलेल्या नकाशावर न्यूरॉन्सची योग्य संख्या ५५ आहे. SeOM विविध रंगांचा वापर करून तयार केले जाते आणि रंग नमुने जितके अधिक समान असतील तितके नमुन्यांचे गुणधर्म अधिक तुलनात्मक असतील. त्यांच्या अचूक रंग स्केलनुसार, वैयक्तिक घटक (Ca, K, आणि Mg) एकल उच्च न्यूरॉन्स आणि बहुतेक कमी न्यूरॉन्ससारखे समान रंग नमुना दर्शवितात. अशाप्रकारे, CaK आणि CaMg खूप उच्च-क्रमातील न्यूरॉन्स आणि कमी-ते-मध्यम रंग नमुनांसह काही समानता सामायिक करतात. दोन्ही मॉडेल लाल, नारिंगी आणि पिवळ्या रंगांच्या मध्यम ते उच्च रंगछटा प्रदर्शित करून मातीमध्ये Ni च्या एकाग्रतेचा अंदाज लावतात. KMg मॉडेल अचूक प्रमाण आणि कमी ते मध्यम रंग पॅचवर आधारित अनेक उच्च रंग नमुना प्रदर्शित करते. कमी ते उच्च पर्यंत अचूक रंग स्केलवर, मॉडेलच्या घटकांच्या समतल वितरण नमुना मातीमध्ये निकेलची संभाव्य एकाग्रता दर्शविणारा उच्च रंग नमुना दर्शवितो (आकृती ४ पहा). CakMg मॉडेल घटक समतल त्यानुसार कमी ते उच्च पर्यंत विविध रंग नमुना दर्शवितो अचूक रंग स्केलवर. शिवाय, मॉडेलचा निकेल सामग्रीचा अंदाज (CakMg) आकृती 5 मध्ये दर्शविलेल्या निकेलच्या स्थानिक वितरणासारखाच आहे. दोन्ही आलेख शहरी आणि अर्ध-शहरी मातीत निकेल सांद्रतेचे उच्च, मध्यम आणि कमी प्रमाण दर्शवितात. आकृती 7 नकाशावरील k-मध्यम गटात समोच्च पद्धत दर्शविते, प्रत्येक मॉडेलमधील अंदाजित मूल्याच्या आधारे तीन क्लस्टरमध्ये विभागली गेली आहे. समोच्च पद्धत क्लस्टर्सची इष्टतम संख्या दर्शवते. गोळा केलेल्या 115 माती नमुन्यांपैकी, श्रेणी 1 ने सर्वाधिक मातीचे नमुने मिळवले, 74. क्लस्टर 2 ला 33 नमुने मिळाले, तर क्लस्टर 3 ला 8 नमुने मिळाले. योग्य क्लस्टर व्याख्या करण्यास अनुमती देण्यासाठी सात-घटक प्लॅनर प्रेडिक्टर संयोजन सोपे केले गेले. मातीच्या निर्मितीवर परिणाम करणाऱ्या असंख्य मानववंशीय आणि नैसर्गिक प्रक्रियांमुळे, वितरित SeOM नकाशामध्ये योग्यरित्या वेगळे केलेले क्लस्टर नमुने असणे कठीण आहे78.
प्रत्येक एम्पिरिकल बायेसियन क्रिगिंग सपोर्ट व्हेक्टर मशीन (EBK_SVM_SeOM) व्हेरिएबलद्वारे घटक समतल आउटपुट. [RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून SeOM नकाशे तयार केले गेले.]
वेगवेगळे क्लस्टर वर्गीकरण घटक [आरस्टुडिओ वापरून एसईओएम नकाशे तयार केले गेले (आवृत्ती १.४.१७१७: https://www.rstudio.com/).]
सध्याचा अभ्यास शहरी आणि अर्ध-शहरी मातीत निकेल सांद्रतेसाठी मॉडेलिंग तंत्रांचे स्पष्टपणे वर्णन करतो. मातीमध्ये निकेल सांद्रतेचा अंदाज लावण्याचा सर्वोत्तम मार्ग मिळविण्यासाठी, अभ्यासात मॉडेलिंग तंत्रांसह घटकांचे संयोजन करून वेगवेगळ्या मॉडेलिंग तंत्रांची चाचणी घेण्यात आली. मॉडेलिंग तंत्राच्या SeOM रचनात्मक प्लॅनर स्थानिक वैशिष्ट्यांनी अचूक रंग स्केलवर कमी ते उच्च पर्यंत उच्च रंग नमुना प्रदर्शित केला, जो मातीमध्ये Ni सांद्रता दर्शवितो. तथापि, स्थानिक वितरण नकाशा EBK_SVMR द्वारे प्रदर्शित केलेल्या घटकांच्या प्लॅनर स्थानिक वितरणाची पुष्टी करतो (आकृती 5 पहा). परिणाम दर्शविते की सपोर्ट वेक्टर मशीन रीग्रेशन मॉडेल (Ca Mg K-SVMR) मातीमध्ये Ni च्या एकाग्रतेचा एकल मॉडेल म्हणून अंदाज लावतो, परंतु प्रमाणीकरण आणि अचूकता मूल्यांकन पॅरामीटर्स RMSE आणि MAE च्या बाबतीत खूप उच्च त्रुटी दर्शवितात. दुसरीकडे, EBK_MLR मॉडेलसह वापरलेले मॉडेलिंग तंत्र देखील निर्धार गुणांक (R2) च्या कमी मूल्यामुळे दोषपूर्ण आहे. EBK SVMR आणि एकत्रित घटक (CaKMg) वापरून 63.7% च्या अचूकतेसह कमी RMSE आणि MAE त्रुटींसह चांगले परिणाम प्राप्त झाले. EBK अल्गोरिथमला मशीन लर्निंग अल्गोरिथमसह एकत्रित केल्याने एक हायब्रिड अल्गोरिथम तयार होऊ शकतो जो मातीमध्ये PTE च्या एकाग्रतेचा अंदाज लावू शकतो. निकालांवरून असे दिसून आले आहे की अभ्यास क्षेत्रात Ni सांद्रतेचा अंदाज लावण्यासाठी Ca Mg K चा अंदाज लावल्याने मातीमध्ये Ni चा अंदाज सुधारू शकतो. याचा अर्थ असा की स्टील उद्योगाद्वारे निकेल-आधारित खतांचा सतत वापर आणि मातीचे औद्योगिक प्रदूषण यामुळे मातीमध्ये निकेलचे प्रमाण वाढण्याची प्रवृत्ती आहे. या अभ्यासातून असे दिसून आले की EBK मॉडेल त्रुटीची पातळी कमी करू शकते आणि शहरी किंवा अर्ध-शहरी मातीत मातीच्या स्थानिक वितरणाच्या मॉडेलची अचूकता सुधारू शकते. सर्वसाधारणपणे, आम्ही मातीमध्ये PTE चे मूल्यांकन आणि अंदाज लावण्यासाठी EBK-SVMR मॉडेल लागू करण्याचा प्रस्ताव देतो; याव्यतिरिक्त, आम्ही विविध मशीन लर्निंग अल्गोरिथमसह संकरित करण्यासाठी EBK वापरण्याचा प्रस्ताव देतो. घटकांचा सह-परिवर्तन म्हणून वापर करून Ni सांद्रतेचा अंदाज लावला गेला; तथापि, अधिक कोव्हेरिएट्स वापरल्याने मॉडेलची कार्यक्षमता मोठ्या प्रमाणात सुधारेल, जी सध्याच्या कामाची मर्यादा मानली जाऊ शकते. या अभ्यासाची आणखी एक मर्यादा म्हणजे डेटासेटची संख्या ११५ आहे. म्हणून, जर अधिक डेटा प्रदान केला गेला तर प्रस्तावित ऑप्टिमाइझ केलेल्या हायब्रिडायझेशन पद्धतीची कार्यक्षमता सुधारली जाऊ शकते.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (अॅक्सेस केलेला दिनांक २८ एप्रिल २०२१).
कास्प्रझाक, केएस निकेल आधुनिक पर्यावरणीय विषशास्त्रात प्रगती करतात.सुराउंडिंग्ज.टॉक्सिकॉलॉजी.११, १४५–१८३ (१९८७).
सेम्पेल, एम. आणि निकेल, जी. निकेल: त्याच्या स्रोतांचा आणि पर्यावरणीय विषशास्त्राचा आढावा. पोलिश जे. पर्यावरण. अभ्यास १५, ३७५–३८२ (२००६).
फ्रीडमन, बी. आणि हचिन्सन, टीसी कॅनडातील सडबरी येथील निकेल-तांबे वितळवणाऱ्या कारखान्याजवळील वातावरणातील प्रदूषकांचे इनपुट आणि माती आणि वनस्पतींमध्ये संचय.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
मनिवा, टी. आणि इतर. बोत्सवानातील सेलेबी-फिक्वे तांबे-निकेल खाणीजवळ माती, वनस्पतींमध्ये जड धातू आणि चराई करणाऱ्या प्राण्यांशी संबंधित धोके.सुराउंडिंग्ज.जिओकेमिस्ट्री.हेल्थ https://doi.org/10.1007/s10653-021-00918-x (२०२१).
Cabata-Pendias.Kabata-Pendias A. २०११. मातीतील घटकांचा शोध घ्या आणि… – 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= (२४ नोव्हेंबर २०२० रोजी प्रवेश केला).
अल्मास, ए., सिंग, बी., कृषी, टीएस-एनजे ऑफ & १९९५, अपरिभाषित. सोअर-वरांजर, नॉर्वे येथील शेती मातीत आणि गवतांमध्ये जड धातूंच्या सांद्रतेवर रशियन निकेल उद्योगाचे परिणाम.agris.fao.org.
निल्सन, जीडी आणि इतर. पिण्याच्या पाण्यात निकेल शोषण आणि धारणा हे अन्न सेवन आणि निकेल संवेदनशीलतेशी संबंधित आहेत.टॉक्सिकोलॉजी.अनुप्रयोग.फार्माकोडायनामिक्स.१५४, ६७–७५ (१९९९).
कोस्टा, एम. आणि क्लेन, सीबी निकेल कार्सिनोजेनेसिस, उत्परिवर्तन, एपिजेनेटिक्स किंवा निवड.परिसराउंडिंग्ज.हेल्थ पर्स्पेक्टिव्ह.१०७, २ (१९९९).
अजमान, पीसी; अजाडो, एसके; बोरुव्का, एल.; बिनी, जेकेएम; सारकोडी, व्हीवायओ; कोबोन्ये, एनएम; संभाव्य विषारी घटकांचे ट्रेंड विश्लेषण: एक ग्रंथसूची पुनरावलोकन. पर्यावरणीय भूरसायनशास्त्र आणि आरोग्य.स्प्रिंगर सायन्स अँड बिझनेस मीडिया बीव्ही २०२०.https://doi.org/10.1007/s10653-020-00742-9.
मिनास्नी, बी. आणि मॅकब्रॅटनी, एबी डिजिटल सॉइल मॅपिंग: अ ब्रीफ हिस्ट्री अँड सम लेसेन्स. जिओडर्मा २६४, ३०१–३११. https://doi.org/10.1016/j.geoderma.2015.07.017 (२०१६).
McBratney, AB, Mendonça Santos, ML & Minasny, B. डिजिटल माती मॅपिंगवर. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV भू-सांख्यिकीय जलाशय मॉडेलिंग,… – गुगल स्कॉलर 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= (२८ एप्रिल २०२१ रोजी प्रवेश केला).
पोस्ट वेळ: जुलै-२२-२०२२
