Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझरच्या आवृत्तीमध्ये CSS साठी मर्यादित समर्थन आहे. सर्वोत्तम अनुभवासाठी, आम्ही शिफारस करतो की तुम्ही अद्ययावत ब्राउझर वापरा (किंवा इंटरनेट एक्सप्लोररमधील कंपॅटिबिलिटी मोड बंद करा). यादरम्यान, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही ही साइट स्टाईल्स आणि जावास्क्रिप्टशिवाय प्रदर्शित करू.
मानवी क्रियाकलापांमुळे होणारे मृदा प्रदूषण ही एक मोठी समस्या आहे. संभाव्य विषारी घटकांचे (PTEs) स्थानिक वितरण बहुतेक शहरी आणि उपनगरीय भागांमध्ये भिन्न असते. त्यामुळे, अशा मातीमधील PTEs च्या प्रमाणाचा स्थानिक अंदाज लावणे कठीण आहे. चेक प्रजासत्ताकातील फ्रायडेक मिस्टेक येथून एकूण ११५ नमुने मिळवण्यात आले. इंडक्टिव्हली कपल्ड प्लाझ्मा एमिशन स्पेक्ट्रोमेट्रीचा वापर करून कॅल्शियम (Ca), मॅग्नेशियम (Mg), पोटॅशियम (K) आणि निकेल (Ni) यांची सांद्रता निश्चित करण्यात आली. प्रतिसाद चल (response variable) Ni आहे आणि अंदाजक (predictors) Ca, Mg, आणि K आहेत. प्रतिसाद चल आणि अंदाजक चल यांच्यातील सहसंबंध मॅट्रिक्स (correlation matrix) घटकांमध्ये समाधानकारक सहसंबंध दर्शवतो. अंदाजाच्या निकालांवरून असे दिसून आले की सपोर्ट व्हेक्टर मशीन रिग्रेशन (SVMR) ने चांगली कामगिरी केली, जरी त्याची अंदाजित रूट मीन स्क्वेअर एरर (RMSE) (२३५.९७४ mg/kg) आणि मीन ॲब्सोल्यूट एरर (MAE) (१६६.९४६ mg/kg) लागू केलेल्या इतर पद्धतींपेक्षा जास्त होती. एम्पिरिकल बेझियन क्रिगिंग-मल्टिपल लिनियर रिग्रेशनसाठी मिश्र मॉडेल. ०.१ पेक्षा कमी असलेल्या निर्धारण गुणांकांवरून दिसून येते की (EBK-MLR) ची कामगिरी खराब आहे. एम्पिरिकल बेझियन क्रिगिंग-सपोर्ट व्हेक्टर मशीन रिग्रेशन (EBK-SVMR) मॉडेल हे सर्वोत्तम मॉडेल होते, ज्यामध्ये कमी RMSE (९५.४७९ मिग्रॅ/किलो) आणि MAE (७७.३६८ मिग्रॅ/किलो) मूल्ये आणि उच्च निर्धारण गुणांक (R² = ०.६३७) होता. EBK-SVMR मॉडेलिंग तंत्राचा आउटपुट सेल्फ-ऑर्गनायझिंग मॅप वापरून दृश्यमान केला जातो. हायब्रीड मॉडेल CakMg-EBK-SVMR घटकाच्या प्रतलातील क्लस्टर केलेले न्यूरॉन्स अनेक रंगांचे नमुने दर्शवतात जे शहरी आणि उपशहरी मातीमधील Ni (निकेल) च्या प्रमाणाचा अंदाज लावतात. हे परिणाम दर्शवतात की EBK आणि SVMR यांचे संयोजन हे शहरी आणि उपशहरी मातीमधील Ni च्या प्रमाणाचा अंदाज लावण्यासाठी एक प्रभावी तंत्र आहे.
निकेल (Ni) हे वनस्पतींसाठी एक सूक्ष्मपोषक तत्व मानले जाते कारण ते वातावरणातील नायट्रोजन (N) स्थिरीकरण आणि युरिया चयापचयात योगदान देते, या दोन्ही गोष्टी बियांच्या उगवणीसाठी आवश्यक आहेत. बियांच्या उगवणीतील योगदानाव्यतिरिक्त, निकेल बुरशी आणि जिवाणू प्रतिबंधक म्हणून काम करू शकते आणि वनस्पतींच्या विकासास चालना देऊ शकते. जमिनीत निकेलच्या कमतरतेमुळे वनस्पती ते शोषून घेते, ज्यामुळे पानांवर हरितहीनता (क्लोरोसिस) येते. उदाहरणार्थ, चवळी आणि हिरव्या शेंगांना नायट्रोजन स्थिरीकरण इष्टतम करण्यासाठी निकेल-आधारित खतांचा वापर आवश्यक असतो². जमिनीला समृद्ध करण्यासाठी आणि कडधान्यांची जमिनीत नायट्रोजन स्थिरीकरण करण्याची क्षमता वाढवण्यासाठी निकेल-आधारित खतांचा सतत वापर केल्याने जमिनीतील निकेलचे प्रमाण सतत वाढते. निकेल हे वनस्पतींसाठी एक सूक्ष्मपोषक तत्व असले तरी, जमिनीत त्याचे अतिरिक्त सेवन फायद्यापेक्षा जास्त नुकसान करू शकते. जमिनीतील निकेलची विषारीता जमिनीचा pH कमी करते आणि वनस्पतींच्या वाढीसाठी आवश्यक पोषक तत्व असलेल्या लोहाच्या शोषणात अडथळा आणते¹. लिऊ³ यांच्या मते, वनस्पतींच्या विकासासाठी आणि वाढीसाठी आवश्यक असलेला १७ वा महत्त्वाचा घटक निकेल असल्याचे आढळून आले आहे. वनस्पतींच्या विकासातील आणि वाढीतील निकेलच्या भूमिकेव्यतिरिक्त, मानवांना विविध कारणांसाठी त्याची आवश्यकता असते. उपयोग. इलेक्ट्रोप्लेटिंग, निकेल-आधारित मिश्रधातूंचे उत्पादन, आणि वाहन उद्योगातील प्रज्वलन उपकरणे व स्पार्क प्लग्जच्या निर्मितीसाठी विविध औद्योगिक क्षेत्रांमध्ये निकेलचा वापर आवश्यक असतो. याव्यतिरिक्त, निकेल-आधारित मिश्रधातू आणि इलेक्ट्रोप्लेटेड वस्तूंचा वापर स्वयंपाकघरातील भांडी, बॉलरूममधील उपकरणे, अन्न उद्योग पुरवठा, विद्युत, वायर आणि केबल, जेट टर्बाइन, सर्जिकल इम्प्लांट्स, वस्त्रोद्योग आणि जहाजबांधणीमध्ये मोठ्या प्रमाणावर केला जातो5. मातीतील (म्हणजे, पृष्ठभागावरील मातीतील) निकेल-समृद्ध पातळी मानवनिर्मित आणि नैसर्गिक दोन्ही स्रोतांना कारणीभूत मानली जाते, परंतु प्रामुख्याने, निकेल हा मानवनिर्मित स्त्रोतापेक्षा एक नैसर्गिक स्त्रोत आहे4,6. निकेलच्या नैसर्गिक स्रोतांमध्ये ज्वालामुखीचा उद्रेक, वनस्पती, वणवे आणि भूवैज्ञानिक प्रक्रिया यांचा समावेश होतो; तथापि, मानवनिर्मित स्रोतांमध्ये पोलाद उद्योगातील निकेल/कॅडमियम बॅटरी, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डिझेल आणि इंधन तेल, आणि कोळसा ज्वलन व कचरा आणि गाळ जाळण्यामुळे होणारे वातावरणीय उत्सर्जन यांचा समावेश होतो. निकेल संचय7,8. फ्रीडमन आणि हचिन्सन9 आणि मनिवा इत्यादींच्या मते. १०, तात्काळ आणि लगतच्या परिसरातील वरच्या मातीच्या प्रदूषणाचे मुख्य स्रोत प्रामुख्याने निकेल-तांबे-आधारित प्रगलन भट्ट्या आणि खाणी आहेत. कॅनडातील सडबरी निकेल-तांबे शुद्धीकरण कारखान्याच्या सभोवतालच्या वरच्या मातीत निकेल प्रदूषणाची पातळी सर्वाधिक २६,००० मिग्रॅ/किलो होती११. याउलट, रशियातील निकेल उत्पादनामुळे होणाऱ्या प्रदूषणामुळे नॉर्वेजियन मातीत निकेलचे प्रमाण वाढले आहे११. अल्म्स इत्यादींच्या मते. १२, प्रदेशातील सर्वोत्तम लागवडीयोग्य जमिनीत (रशियातील निकेल उत्पादन) HNO3-निष्कर्षित निकेलचे प्रमाण ६.२५ ते १३६.८८ मिग्रॅ/किलो होते, जे ३०.४३ मिग्रॅ/किलोच्या सरासरी आणि २५ मिग्रॅ/किलोच्या आधारभूत एकाग्रतेशी संबंधित आहे. कबाटा ११ नुसार, शहरी किंवा उपनगरीय भागातील शेतीयोग्य जमिनीत सलग पीक हंगामात फॉस्फरस खतांचा वापर केल्यास जमिनीत फॉस्फरस मिसळू शकतो किंवा जमीन दूषित होऊ शकते. मानवांमध्ये निकेलच्या संभाव्य परिणामांमुळे उत्परिवर्तन, गुणसूत्रीय नुकसान, Z-DNA निर्मिती, डीएनए निष्कासन दुरुस्तीत अडथळा किंवा एपिजेनेटिक प्रक्रियांद्वारे कर्करोग होऊ शकतो¹³. प्राण्यांवरील प्रयोगांमध्ये, निकेलमध्ये विविध प्रकारच्या गाठी (ट्यूमर) निर्माण करण्याची क्षमता असल्याचे आढळून आले आहे आणि कर्करोगजन्य निकेल संयुगे अशा गाठींना अधिक गंभीर बनवू शकतात.
माती-वनस्पती संबंध, माती आणि मातीतील जैविक संबंध, पर्यावरणीय ऱ्हास आणि पर्यावरणीय परिणाम मूल्यांकन यांमुळे उद्भवणाऱ्या आरोग्याशी संबंधित विविध समस्यांमुळे अलिकडच्या काळात माती प्रदूषण मूल्यांकनाला मोठे महत्त्व प्राप्त झाले आहे. आजपर्यंत, पारंपरिक पद्धती वापरून मातीतील Ni (निकेल) सारख्या संभाव्य विषारी घटकांचे (PTEs) अवकाशीय भाकीत करणे हे कष्टप्रद आणि वेळखाऊ होते. डिजिटल सॉइल मॅपिंग (DSM) च्या आगमनाने आणि त्याच्या सध्याच्या यशामुळे¹⁵ प्रेडिक्टिव्ह सॉइल मॅपिंग (PSM) मध्ये मोठ्या प्रमाणात सुधारणा झाली आहे. मिनास्नी आणि मॅकब्रॅटनी¹⁶ यांच्या मते, प्रेडिक्टिव्ह सॉइल मॅपिंग (DSM) हे मृदा विज्ञानाचे एक प्रमुख उप-अनुशासन असल्याचे सिद्ध झाले आहे. लागाचेरी आणि मॅकब्रॅटनी (२००६) DSM ची व्याख्या "जागेवर आणि प्रयोगशाळेतील निरीक्षण पद्धती आणि अवकाशीय व गैर-अवकाशीय मृदा अनुमान प्रणालींचा वापर करून अवकाशीय मृदा माहिती प्रणाली तयार करणे आणि भरणे" अशी करतात. मॅकब्रॅटनी इत्यादी. १७ मध्ये असे नमूद केले आहे की, पीटीई, मृदेचे प्रकार आणि मृदेचे गुणधर्म यांच्या अवकाशीय वितरणाचे भाकीत करण्यासाठी किंवा त्याचे मॅपिंग करण्यासाठी समकालीन डीएसएम किंवा पीएसएम हे सर्वात प्रभावी तंत्र आहे. भूसांख्यिकी आणि मशीन लर्निंग अल्गोरिदम (एमएलए) ही डीएसएम मॉडेलिंग तंत्रे आहेत, जी महत्त्वपूर्ण आणि किमान डेटा वापरून संगणकाच्या मदतीने डिजिटाइज्ड नकाशे तयार करतात.
Deutsch18 आणि Olea19 भूसांख्यिकीची व्याख्या "अशा संख्यात्मक तंत्रांचा संग्रह जो अवकाशीय गुणधर्मांच्या प्रतिनिधित्वाशी संबंधित आहे, मुख्यत्वे स्टोकास्टिक मॉडेल्सचा वापर करून, जसे की टाइम सिरीज विश्लेषण तात्कालिक डेटाचे वैशिष्ट्य कसे दर्शवते" अशी करतात. प्रामुख्याने, भूसांख्यिकीमध्ये व्हेरियोग्रॅमचे मूल्यांकन समाविष्ट असते, जे प्रत्येक डेटासेट20 मधील अवकाशीय मूल्यांचे अवलंबित्व मोजण्यास आणि परिभाषित करण्यास अनुमती देतात. Gumiaux et al. आकृती २० पुढे स्पष्ट करते की भूसांख्यिकीमध्ये व्हेरियोग्रॅमचे मूल्यांकन तीन तत्त्वांवर आधारित आहे, ज्यामध्ये (अ) डेटा सहसंबंधाचे प्रमाण मोजणे, (ब) डेटासेटमधील तफावतीमधील अनिसोट्रॉपी ओळखणे आणि मोजणे आणि (क) स्थानिक परिणामांपासून वेगळ्या केलेल्या मापन डेटाच्या मूळ त्रुटीचा विचार करण्याव्यतिरिक्त, क्षेत्रीय परिणामांचा देखील अंदाज लावला जातो. या संकल्पनांवर आधारित, भूसांख्यिकीमध्ये पीटीई, मृदा वैशिष्ट्ये आणि मृदा प्रकारांचे मॅपिंग किंवा भाकीत करण्यासाठी अनेक इंटरपोलेशन तंत्रे वापरली जातात, ज्यामध्ये जनरल क्रिगिंग, को-क्रिगिंग, ऑर्डिनरी क्रिगिंग, एम्पिरिकल बायेसियन क्रिगिंग, सिंपल क्रिगिंग पद्धत आणि इतर सुप्रसिद्ध इंटरपोलेशन तंत्रांचा समावेश आहे.
मशीन लर्निंग अल्गोरिदम (MLA) हे एक तुलनेने नवीन तंत्र आहे, जे मोठ्या नॉन-लिनियर डेटा क्लासचा वापर करते. हे प्रामुख्याने डेटा मायनिंग, डेटामधील पॅटर्न ओळखणे आणि मृदा विज्ञान व इतर वैज्ञानिक क्षेत्रांमध्ये वर्गीकरणासाठी वापरल्या जाणाऱ्या अल्गोरिदमवर आधारित आहे. अनेक शोधनिबंध मातीतील PTE चा अंदाज लावण्यासाठी MLA मॉडेल्सवर अवलंबून आहेत, जसे की टॅन एट अल. 22 (शेतीतील मातीमधील जड धातूंच्या अंदाजासाठी रँडम फॉरेस्ट), साकिझादेह एट अल. 23 (सपोर्ट व्हेक्टर मशीन्स आणि आर्टिफिशियल न्यूरल नेटवर्क्स वापरून माती प्रदूषणाचे मॉडेलिंग). याव्यतिरिक्त, वेगा एट अल. 24 (मातीमधील जड धातूंचे धारणा आणि अधिशोषण मॉडेलिंगसाठी CART), सन एट अल. 25 (मातीमधील Cd च्या वितरणासाठी क्यूबिस्टचा वापर) आणि के-निअरेस्ट नेबर, जनरलाइज्ड बूस्टेड रिग्रेशन, आणि बूस्टेड रिग्रेशन ट्रीज यांसारख्या इतर अल्गोरिदमने देखील मातीतील PTE चा अंदाज लावण्यासाठी MLA चा वापर केला आहे.
भविष्यवाणी किंवा मॅपिंगमध्ये DSM अल्गोरिदमच्या वापराला अनेक आव्हानांचा सामना करावा लागतो. अनेक लेखकांचा असा विश्वास आहे की MLA हे भूसांख्यिकीपेक्षा श्रेष्ठ आहे आणि याउलटही. जरी एक दुसऱ्यापेक्षा चांगले असले तरी, या दोन्हींच्या संयोजनामुळे DSM15 मध्ये मॅपिंग किंवा भविष्यवाणीच्या अचूकतेची पातळी सुधारते. वुडकॉक आणि गोपाल26, फिंके27; पॉन्टियस आणि चेउक28 आणि ग्रुनवाल्ड29 यांनी अंदाजित मृदा मॅपिंगमधील कमतरता आणि काही त्रुटींवर भाष्य केले आहे. मृदा शास्त्रज्ञांनी DSM मॅपिंग आणि पूर्वानुमानाची परिणामकारकता, अचूकता आणि अंदाजक्षमता ऑप्टिमाइझ करण्यासाठी विविध तंत्रांचा प्रयत्न केला आहे. अनिश्चितता आणि पडताळणी यांचे संयोजन हे परिणामकारकता ऑप्टिमाइझ करण्यासाठी आणि त्रुटी कमी करण्यासाठी DSM मध्ये समाकलित केलेल्या अनेक भिन्न पैलूंपैकी एक आहे. तथापि, अगेमन इत्यादी. 15 यांनी नमूद केले आहे की नकाशाची गुणवत्ता सुधारण्यासाठी नकाशा निर्मिती आणि भविष्यवाणीमुळे निर्माण होणारे प्रमाणीकरण वर्तन आणि अनिश्चितता स्वतंत्रपणे प्रमाणित केली पाहिजे. DSM च्या मर्यादा भौगोलिकदृष्ट्या विखुरलेल्या मातीच्या गुणवत्तेमुळे आहेत, ज्यामध्ये अनिश्चिततेचा एक घटक समाविष्ट आहे; तथापि, डीएसएममधील निश्चिततेचा अभाव अनेक त्रुटींच्या स्रोतांमधून उद्भवू शकतो, म्हणजेच कोव्हेरियेट त्रुटी, मॉडेल त्रुटी, स्थान त्रुटी आणि विश्लेषणात्मक त्रुटी ३१. एमएलए आणि भूसांख्यिकीय प्रक्रियांमध्ये निर्माण होणारी मॉडेलिंगमधील अशुद्धता ही समजाच्या अभावाशी संबंधित आहे, ज्यामुळे अखेरीस वास्तविक प्रक्रियेचे अतिसुलभीकरण होते ३२. मॉडेलिंगचे स्वरूप काहीही असले तरी, अशुद्धता मॉडेलिंग पॅरामीटर्स, गणितीय मॉडेलचे अंदाज किंवा इंटरपोलेशनमुळे असू शकते ३३. अलीकडे, एक नवीन डीएसएम ट्रेंड उदयास आला आहे जो मॅपिंग आणि पूर्वानुमानामध्ये भूसांख्यिकी आणि एमएलएच्या एकत्रीकरणाला प्रोत्साहन देतो. सर्गीव इत्यादी ३४; सुब्बोटिना इत्यादी ३५; तारासोव्ह इत्यादी ३६ आणि तारासोव्ह इत्यादी ३७ यांसारख्या अनेक मृदा शास्त्रज्ञ आणि लेखकांनी पूर्वानुमान आणि मॅपिंगची कार्यक्षमता सुधारणारे संकरित मॉडेल तयार करण्यासाठी भूसांख्यिकी आणि मशीन लर्निंगच्या अचूक गुणवत्तेचा उपयोग केला आहे. गुणवत्ता. यापैकी काही संकरित किंवा एकत्रित अल्गोरिदम मॉडेल्स आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग (ANN-RK), मल्टीलेयर परसेप्ट्रॉन रेसिड्युअल क्रिगिंग (MLP-RK), जनरलाइज्ड रिग्रेशन न्यूरल नेटवर्क रेसिड्युअल क्रिगिंग (GR- NNRK)36, आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग-मल्टीलेयर परसेप्ट्रॉन (ANN-K-MLP)37 आणि को-क्रिगिंग आणि गॉसियन प्रोसेस रिग्रेशन38 आहेत.
सर्गीव आणि इतरांच्या मते, एकच मॉडेल विकसित करण्याऐवजी विविध मॉडेलिंग तंत्रांना एकत्र केल्याने परिणामी हायब्रीड मॉडेलमधील दोष दूर करण्याची आणि त्याची कार्यक्षमता वाढवण्याची क्षमता आहे. या संदर्भात, हा नवीन शोधनिबंध असा युक्तिवाद करतो की शहरी आणि उप-शहरी भागांमध्ये निकेल (Ni) संवर्धनाचा अंदाज लावण्यासाठी इष्टतम हायब्रीड मॉडेल तयार करण्याकरिता जिओस्टॅटिस्टिक्स आणि एमएलए (MLA) यांचा एकत्रित अल्गोरिदम लागू करणे आवश्यक आहे. हा अभ्यास एम्पिरिकल बेझियन क्रिगिंग (EBK) ला आधारभूत मॉडेल म्हणून वापरेल आणि त्याला सपोर्ट व्हेक्टर मशीन (SVM) आणि मल्टिपल लिनियर रिग्रेशन (MLR) मॉडेल्ससोबत मिसळेल. कोणत्याही एमएलए (MLA) सोबत EBK चे संकरीकरण ज्ञात नाही. पाहिलेली अनेक मिश्रित मॉडेल्स ही ऑर्डिनरी, रेसिड्युअल, रिग्रेशन क्रिगिंग आणि एमएलए (MLA) यांचे संयोजन आहेत. EBK ही एक जिओस्टॅटिस्टिकल इंटरपोलेशन पद्धत आहे जी एका स्थानिक स्टोकॅस्टिक प्रक्रियेचा वापर करते, जी क्षेत्रावर परिभाषित स्थानिकीकरण पॅरामीटर्ससह नॉन-स्टेशनरी/स्टेशनरी रँडम फील्ड म्हणून स्थानिकीकृत केली जाते, ज्यामुळे स्थानिक भिन्नतेला वाव मिळतो39. EBK चा वापर विविध अभ्यासांमध्ये केला गेला आहे, ज्यामध्ये शेतातील मातीमधील सेंद्रिय कार्बनच्या वितरणाचे विश्लेषण करणे40, मृदा प्रदूषणाचे मूल्यांकन करणे41 आणि मातीच्या गुणधर्मांचे मॅपिंग करणे42.
दुसरीकडे, सेल्फ-ऑर्गनायझिंग ग्राफ (SeOM) हा एक लर्निंग अल्गोरिदम आहे जो ली एट अल. ४३, वांग एट अल. ४४, होसेन भुयान एट अल. ४५ आणि केबोन्ये एट अल. ४६ यांसारख्या विविध लेखांमध्ये घटकांचे अवकाशीय गुणधर्म आणि गटबद्धता निश्चित करण्यासाठी वापरला गेला आहे. वांग एट अल. ४४ नमूद करतात की SeOM हे एक शक्तिशाली लर्निंग तंत्र आहे जे नॉन-लिनियर समस्यांचे गटबद्धीकरण आणि कल्पना करण्याच्या क्षमतेसाठी ओळखले जाते. प्रिन्सिपल कंपोनेंट ॲनालिसिस, फझी क्लस्टरिंग, हायरार्किकल क्लस्टरिंग आणि मल्टी-क्रायटेरिया डिसिजन मेकिंग यांसारख्या इतर पॅटर्न रिकग्निशन तंत्रांच्या विपरीत, SeOM हे PTE पॅटर्नचे आयोजन आणि ओळखण्यात अधिक चांगले आहे. वांग एट अल. ४४ यांच्या मते, SeOM संबंधित न्यूरॉन्सच्या वितरणाचे अवकाशीय गट करू शकते आणि उच्च-रिझोल्यूशन डेटा व्हिज्युअलायझेशन प्रदान करू शकते. थेट अर्थ लावण्यासाठी परिणामांचे वैशिष्ट्य दर्शविण्याकरिता सर्वोत्तम मॉडेल मिळविण्यासाठी SeOM Ni प्रेडिक्शन डेटाचे व्हिज्युअलायझेशन करेल.
या शोधनिबंधाचा उद्देश शहरी आणि उपनगरीय मातीमधील निकेलच्या प्रमाणाचा अंदाज लावण्यासाठी, सर्वोत्तम अचूकतेसह एक मजबूत मॅपिंग मॉडेल तयार करणे आहे. आमची अशी गृहीत कल्पना आहे की मिश्र मॉडेलची विश्वसनीयता मुख्यत्वे मूळ मॉडेलला जोडलेल्या इतर मॉडेल्सच्या प्रभावावर अवलंबून असते. आम्ही DSM समोरील आव्हाने मान्य करतो, आणि जरी या आव्हानांना अनेक आघाड्यांवर सामोरे जात असले तरी, भूसांख्यिकी आणि MLA मॉडेल्समधील प्रगतीचा एकत्रित परिणाम हा टप्प्याटप्प्याने होणारा दिसतो; म्हणून, आम्ही अशा संशोधन प्रश्नांची उत्तरे देण्याचा प्रयत्न करू ज्यातून मिश्र मॉडेल्स मिळू शकतील. तथापि, लक्ष्यित घटकाचा अंदाज लावण्यात हे मॉडेल किती अचूक आहे? तसेच, प्रमाणीकरण आणि अचूकता मूल्यांकनावर आधारित कार्यक्षमता मूल्यांकनाची पातळी काय आहे? म्हणून, या अभ्यासाची विशिष्ट उद्दिष्ट्ये होती: (अ) EBK ला मूळ मॉडेल म्हणून वापरून SVMR किंवा MLR साठी एक संयुक्त मिश्रण मॉडेल तयार करणे, (ब) परिणामी मॉडेल्सची तुलना करणे, (क) शहरी किंवा उपनगरीय मातीमधील Ni च्या प्रमाणाचा अंदाज लावण्यासाठी सर्वोत्तम मिश्रण मॉडेल प्रस्तावित करणे, आणि (ड) निकेलच्या स्थानिक बदलांचा उच्च-रिझोल्यूशन नकाशा तयार करण्यासाठी SeOM चा वापर करणे.
हा अभ्यास चेक प्रजासत्ताकात, विशेषतः मोराव्हिया-सिलेशियन प्रदेशातील फ्रायडेक मिस्टेक जिल्ह्यात केला जात आहे (आकृती १ पहा). अभ्यास क्षेत्राचा भूगोल अतिशय खडबडीत आहे आणि तो मुख्यतः मोराव्हिया-सिलेशियन बेस्किडी प्रदेशाचा भाग आहे, जो कार्पेथियन पर्वतरांगांच्या बाह्य कडेचा भाग आहे. अभ्यास क्षेत्र ४९° ४१′ ०′ उत्तर आणि १८° २०′ ०′ पूर्व यांच्या दरम्यान स्थित आहे आणि त्याची उंची २२५ ते ३२७ मीटर दरम्यान आहे; तथापि, या प्रदेशाच्या हवामान स्थितीसाठी कोपेन वर्गीकरण प्रणालीनुसार, या हवामानाचे वर्गीकरण Cfb = समशीतोष्ण सागरी हवामान असे केले जाते. कोरड्या महिन्यांतही भरपूर पाऊस पडतो. वर्षभर तापमान -५°C ते २४°C दरम्यान किंचित बदलते, ते क्वचितच -१४°C च्या खाली किंवा ३०°C च्या वर जाते, तर सरासरी वार्षिक पर्जन्यमान ६८५ ते ७५२ मिमी४७ दरम्यान असते. संपूर्ण क्षेत्राचे अंदाजित सर्वेक्षण क्षेत्र १,२०८ चौरस किलोमीटर आहे, ज्यामध्ये ३९.३८% लागवडीखालील जमीन आणि ४९.३६% वनक्षेत्र आहे. दुसरीकडे, या अभ्यासात वापरलेले क्षेत्र सुमारे ८८९.८ चौरस किलोमीटर आहे. ओस्ट्रावा आणि त्याच्या आसपासच्या परिसरात पोलाद उद्योग आणि धातूकाम खूप सक्रिय आहेत. धातू गिरण्या, पोलाद उद्योग जिथे स्टेनलेस स्टीलमध्ये (उदा. वातावरणीय गंज प्रतिरोधकतेसाठी) आणि मिश्र पोलादामध्ये (निकेल मिश्रधातूची चांगली लवचिकता आणि कणखरपणा टिकवून ठेवताना त्याची ताकद वाढवते) निकेलचा वापर केला जातो, आणि सघन या प्रदेशात फॉस्फेट खतांचा वापर आणि पशुधन उत्पादन यांसारखी शेती ही निकेलची संशोधनासाठी संभाव्य स्रोत आहेत (उदा. कोकरांमध्ये वाढीचा दर वाढवण्यासाठी आणि कमी खाद्य खाणाऱ्या गुरांमध्ये निकेल मिसळणे). संशोधन क्षेत्रांमध्ये निकेलच्या इतर औद्योगिक उपयोगांमध्ये इलेक्ट्रोप्लेटिंगमधील त्याचा वापर समाविष्ट आहे, ज्यात इलेक्ट्रोप्लेटिंग निकेल आणि इलेक्ट्रोलेस निकेल प्लेटिंग प्रक्रियांचा समावेश आहे. मातीचे गुणधर्म मातीचा रंग, रचना आणि कार्बोनेटच्या प्रमाणावरून सहज ओळखता येतात. मातीचा पोत मध्यम ते बारीक असतो, जो मूळ पदार्थांपासून तयार झालेला असतो. त्या कोल्व्हियल, ॲल्युव्हियल किंवा एओलिअन स्वरूपाच्या असतात. काही मातीचे भाग पृष्ठभागावर आणि उपमृदेत ठिपकेदार दिसतात, ज्यात अनेकदा काँक्रीट आणि ब्लीचिंग आढळते. तथापि, कॅम्बिसॉल्स आणि स्टॅग्नोसॉल्स हे या प्रदेशातील सर्वात सामान्य मातीचे प्रकार आहेत48. 455.1 ते 493.5 मीटर उंचीसह, चेक प्रजासत्ताकात कॅम्बिसॉल्सचे वर्चस्व आहे49.
अभ्यास क्षेत्राचा नकाशा [अभ्यास क्षेत्राचा नकाशा ArcGIS Desktop (ESRI, Inc, आवृत्ती 10.7, URL: https://desktop.arcgis.com) वापरून तयार करण्यात आला आहे.]
फ्रायडेक मिस्टेक जिल्ह्यातील शहरी आणि उपनगरीय मातीमधून एकूण ११५ वरच्या थरातील मातीचे नमुने घेण्यात आले. नमुना संकलनासाठी वापरलेली पद्धत नियमित ग्रिड होती, ज्यात मातीचे नमुने २ × २ किमी अंतरावर ठेवले होते, आणि हातातील जीपीएस उपकरण (लायका झेनो ५ जीपीएस) वापरून ० ते २० सेमी खोलीवर वरच्या थरातील मातीचे मोजमाप करण्यात आले. नमुने झिपलॉक पिशव्यांमध्ये पॅक केले जातात, त्यांना योग्य लेबल लावले जाते आणि प्रयोगशाळेत पाठवले जातात. नमुन्यांची पूड करण्यासाठी ते हवेत वाळवले जातात, एका यांत्रिक प्रणालीद्वारे (फ्रिट्श डिस्क मिल) त्यांची पूड केली जाते आणि चाळणीने (चाळणीचा आकार २ मिमी) चाळले जातात. १ ग्रॅम वाळलेले, एकजीव केलेले आणि चाळलेले मातीचे नमुने स्पष्टपणे लेबल लावलेल्या टेफ्लॉन बाटल्यांमध्ये ठेवा. प्रत्येक टेफ्लॉन भांड्यात, ७ मिली ३५% HCl आणि ३ मिली ६५% HNO3 (स्वयंचलित डिस्पेंसर वापरून – प्रत्येक आम्लासाठी एक) टाका, हलकेच झाका आणि अभिक्रियेसाठी (ॲक्वा रेजिया प्रोग्राम) नमुने रात्रभर तसेच ठेवा. नमुन्यांच्या पचन प्रक्रियेस मदत करण्यासाठी, सुपरनॅटंटला गरम धातूच्या प्लेटवर (तापमान: 100 W आणि 160 °C) 2 तास ठेवा, नंतर थंड करा. सुपरनॅटंट 50 मिलीच्या व्हॉल्युमेट्रिक फ्लास्कमध्ये स्थानांतरित करा आणि डीआयनाइज्ड पाण्याने 50 मिलीपर्यंत पातळ करा. त्यानंतर, पातळ केलेला सुपरनॅटंट डीआयनाइज्ड पाण्याने 50 मिलीच्या पीव्हीसी ट्यूबमध्ये गाळा. याव्यतिरिक्त, पातळ केलेल्या द्रावणाचा 1 मिली भाग 9 मिली डीआयनाइज्ड पाण्याने पातळ करून, पीटीई स्यूडो-कॉन्सन्ट्रेशनसाठी तयार केलेल्या 12 मिलीच्या ट्यूबमध्ये गाळण्यात आला. पीटीई (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) यांची सांद्रता प्रमाणित पद्धती आणि करारानुसार आयसीपी-ओईएस (इंडक्टिव्हली कपल्ड प्लाझ्मा ऑप्टिकल एमिशन स्पेक्ट्रोस्कोपी) (थर्मो फिशर सायंटिफिक, यूएसए) द्वारे निश्चित करण्यात आली. गुणवत्ता हमी आणि नियंत्रण (QA/QC) प्रक्रिया (एसआरएम एनआयएसटी) सुनिश्चित करा. २७११अ मोंटाना II मृदा). अर्ध्यापेक्षा कमी शोध मर्यादा असलेले पीटीई या अभ्यासातून वगळण्यात आले. या अभ्यासात वापरलेल्या पीटीईची शोध मर्यादा ०.०००४ होती. याव्यतिरिक्त, संदर्भ मानकांचे विश्लेषण करून प्रत्येक विश्लेषणासाठी गुणवत्ता नियंत्रण आणि गुणवत्ता हमी प्रक्रिया सुनिश्चित केली जाते. त्रुटी कमीतकमी होतील याची खात्री करण्यासाठी, दुहेरी विश्लेषण केले गेले.
एम्पिरिकल बेझियन क्रिगिंग (EBK) हे मृदा विज्ञानासारख्या विविध क्षेत्रांमध्ये मॉडेलिंगसाठी वापरल्या जाणाऱ्या अनेक भूसांख्यिकीय इंटरपोलेशन तंत्रांपैकी एक आहे. इतर क्रिगिंग इंटरपोलेशन तंत्रांप्रमाणे नसून, EBK सेमीव्हेरिओग्राम मॉडेलद्वारे अंदाजित त्रुटी विचारात घेऊन 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 मोकळा करतात, जे एका पर्याप्त क्रिगिंग पद्धतीचा एक अत्यंत गुंतागुंतीचा भाग आहे. EBK ची इंटरपोलेशन प्रक्रिया क्रिवोरुचको50 यांनी प्रस्तावित केलेल्या तीन निकषांचे पालन करते, (अ) मॉडेल इनपुट डेटासेटमधून सेमीव्हेरिओग्रामचा अंदाज लावते (ब) तयार केलेल्या सेमीव्हेरिओग्रामवर आधारित प्रत्येक इनपुट डेटासेट स्थानासाठी नवीन अंदाजित मूल्य आणि (क) अंतिम मॉडेल सिम्युलेटेड डेटासेटमधून मोजले जाते. बेझियन समीकरण नियम पोस्टीरियर म्हणून दिला जातो.
येथे \(Prob\left(A\right)\) हे प्रायोर (पूर्वधारणा) दर्शवते, \(Prob\left(B\right)\) ही मार्जिनल संभाव्यता आहे जी बहुतेक प्रकरणांमध्ये दुर्लक्षित केली जाते, \(Prob (B,A)\ ). सेमीव्हेरिओग्रामची गणना बेजच्या नियमावर आधारित आहे, जो सेमीव्हेरिओग्राममधून तयार केल्या जाऊ शकणाऱ्या निरीक्षण डेटासेटची प्रवृत्ती दर्शवतो. त्यानंतर सेमीव्हेरिओग्रामचे मूल्य बेजच्या नियमाचा वापर करून निर्धारित केले जाते, जो सेमीव्हेरिओग्राममधून निरीक्षणांचा डेटासेट तयार करण्याची किती शक्यता आहे हे सांगतो.
सपोर्ट व्हेक्टर मशीन हा एक मशीन लर्निंग अल्गोरिदम आहे जो एकसारख्या परंतु रेषीयदृष्ट्या स्वतंत्र नसलेल्या वर्गांमध्ये फरक करण्यासाठी एक इष्टतम विभक्त करणारा हायपरप्लेन तयार करतो. व्हॅपनीक५१ यांनी इंटेंट क्लासिफिकेशन अल्गोरिदम तयार केला, परंतु अलीकडे त्याचा वापर रिग्रेशन-आधारित समस्या सोडवण्यासाठी केला जात आहे. ली एट अल.५२ यांच्या मते, एसव्हीएम हे सर्वोत्तम क्लासिफायर तंत्रांपैकी एक आहे आणि त्याचा वापर विविध क्षेत्रांमध्ये केला गेला आहे. या विश्लेषणात एसव्हीएमच्या रिग्रेशन घटकाचा (सपोर्ट व्हेक्टर मशीन रिग्रेशन – एसव्हीएमआर) वापर करण्यात आला. चेरकास्की आणि मुलियर५३ यांनी कर्नल-आधारित रिग्रेशन म्हणून एसव्हीएमआरची सुरुवात केली, ज्याची गणना बहु-देशीय स्थानिक फंक्शन्ससह रेषीय रिग्रेशन मॉडेल वापरून केली गेली. जॉन एट अल५४ यांनी नोंदवले आहे की एसव्हीएमआर मॉडेलिंगमध्ये हायपरप्लेन रेषीय रिग्रेशनचा वापर केला जातो, जे अरेखीय संबंध तयार करते आणि स्थानिक फंक्शन्सना परवानगी देते. वोहलँड एट अल. यांच्या मते. ५५, एप्सिलॉन (ε)-SVMR प्रशिक्षित डेटासेटचा वापर करून एक एप्सिलॉन-असंवेदनशील फंक्शनच्या स्वरूपात एक रिप्रेझेंटेशन मॉडेल मिळवते, जे सहसंबंधित डेटावरील प्रशिक्षणातून मिळालेल्या सर्वोत्तम एप्सिलॉन बायससह डेटा स्वतंत्रपणे मॅप करण्यासाठी लागू केले जाते. पूर्वनिश्चित अंतरातील त्रुटी वास्तविक मूल्यातून दुर्लक्षित केली जाते, आणि जर त्रुटी ε(ε) पेक्षा मोठी असेल, तर मातीचे गुणधर्म त्याची भरपाई करतात. हे मॉडेल सपोर्ट व्हेक्टर्सच्या एका व्यापक उपसंचापर्यंत प्रशिक्षण डेटाची गुंतागुंत देखील कमी करते. व्हॅपनीक५१ यांनी प्रस्तावित केलेले समीकरण खाली दर्शविले आहे.
येथे b स्केलर थ्रेशोल्ड दर्शवतो, \(K\left({x}_{,}{ x}_{k}\right)\) कर्नल फंक्शन दर्शवतो, \(\alpha\) लॅग्रेंज मल्टिप्लायर दर्शवतो, N एक संख्यात्मक डेटासेट दर्शवतो, \({x}_{k}\) डेटा इनपुट दर्शवतो आणि \(y\) डेटा आउटपुट आहे. वापरल्या जाणाऱ्या मुख्य कर्नल्सपैकी एक म्हणजे SVMR ऑपरेशन, जे एक गॉसियन रेडियल बेसिस फंक्शन (RBF) आहे. RBF कर्नलचा उपयोग इष्टतम SVMR मॉडेल निश्चित करण्यासाठी केला जातो, जे PTE प्रशिक्षण डेटासाठी सर्वात सूक्ष्म पेनल्टी सेट फॅक्टर C आणि कर्नल पॅरामीटर गॅमा (γ) मिळवण्यासाठी महत्त्वपूर्ण आहे. प्रथम, आम्ही प्रशिक्षण संचाचे मूल्यांकन केले आणि नंतर प्रमाणीकरण संचावर मॉडेलच्या कामगिरीची चाचणी केली. वापरलेला स्टीयरिंग पॅरामीटर सिग्मा आहे आणि पद्धतीचे मूल्य svmRadial आहे.
मल्टिपल लिनियर रिग्रेशन मॉडेल (MLR) हे एक रिग्रेशन मॉडेल आहे, जे लीस्ट स्क्वेअर्स पद्धतीने गणना केलेल्या लिनियर पूल्ड पॅरामीटर्सचा वापर करून रिस्पॉन्स व्हेरिएबल आणि अनेक प्रेडिक्टर व्हेरिएबल्समधील संबंध दर्शवते. MLR मध्ये, लीस्ट स्क्वेअर्स मॉडेल हे स्पष्टीकरणात्मक व्हेरिएबल्सच्या निवडीनंतर मातीच्या गुणधर्मांचे एक प्रेडिक्टिव्ह फंक्शन असते. स्पष्टीकरणात्मक व्हेरिएबल्सचा वापर करून लिनियर संबंध प्रस्थापित करण्यासाठी रिस्पॉन्सचा वापर करणे आवश्यक आहे. स्पष्टीकरणात्मक व्हेरिएबल्ससोबत लिनियर संबंध प्रस्थापित करण्यासाठी PTE चा रिस्पॉन्स व्हेरिएबल म्हणून वापर केला गेला. MLR समीकरण आहे
येथे y हे प्रतिसाद चल आहे, \(a\) हा इंटरसेप्ट आहे, n ही प्रेडिक्टर्सची संख्या आहे, \({b}_{1}\) हे गुणांकांचे आंशिक रिग्रेशन आहे, \({x}_{ i}\) हे एक प्रेडिक्टर किंवा स्पष्टीकरणात्मक चल दर्शवते, आणि \({\varepsilon }_{i}\) हे मॉडेलमधील त्रुटी दर्शवते, ज्याला रेसिड्युअल असेही म्हणतात.
EBK ला SVMR आणि MLR सोबत एकत्र करून मिश्र मॉडेल मिळवले गेले. हे EBK इंटरपोलेशनमधून अंदाजित मूल्ये काढून केले जाते. इंटरपोलेटेड Ca, K, आणि Mg पासून मिळालेली अंदाजित मूल्ये एका संयोजन प्रक्रियेद्वारे मिळवली जातात, ज्यामुळे CaK, CaMg, आणि KMg सारखे नवीन व्हेरिएबल्स मिळतात. त्यानंतर Ca, K आणि Mg या घटकांना एकत्र करून चौथा व्हेरिएबल, CaKMg, मिळवला जातो. एकूणच, मिळवलेले व्हेरिएबल्स Ca, K, Mg, CaK, CaMg, KMg आणि CaKMg आहेत. हे व्हेरिएबल्स आमचे प्रेडिक्टर्स बनले, जे शहरी आणि उपनगरीय मातीमधील निकेलच्या प्रमाणाचा अंदाज लावण्यास मदत करतात. प्रेडिक्टर्सवर SVMR अल्गोरिदम चालवून एक मिश्र मॉडेल एम्पिरिकल बायेसियन क्रिगिंग-सपोर्ट व्हेक्टर मशीन (EBK_SVM) मिळवले गेले. त्याचप्रमाणे, व्हेरिएबल्सना MLR अल्गोरिदममधून चालवून एक मिश्र मॉडेल एम्पिरिकल बायेसियन क्रिगिंग-मल्टिपल लिनियर रिग्रेशन मिळवले जाते. (EBK_MLR). सामान्यतः, शहरी आणि उपशहरी मातीमधील निकेलच्या प्रमाणाचा अंदाज लावण्यासाठी Ca, K, Mg, CaK, CaMg, KMg, आणि CaKMg हे सहचर म्हणून वापरले जातात. प्राप्त झालेले सर्वात स्वीकारार्ह मॉडेल (EBK_SVM किंवा EBK_MLR) नंतर स्व-संघटन आलेखाचा वापर करून दृश्यमान केले जाईल. या अभ्यासाची कार्यप्रवाह आकृती २ मध्ये दर्शविली आहे.
वित्तीय क्षेत्र, आरोग्यसेवा, उद्योग, सांख्यिकी, मृदा विज्ञान आणि इतर अनेक क्षेत्रांमध्ये डेटाचे आयोजन, मूल्यांकन आणि पूर्वानुमान करण्यासाठी SeOM हे एक लोकप्रिय साधन बनले आहे. SeOM हे कृत्रिम न्यूरल नेटवर्क्स आणि अनसुपरवाइज्ड लर्निंग पद्धती वापरून डेटाचे आयोजन, मूल्यांकन आणि पूर्वानुमान करण्यासाठी तयार केले जाते. या अभ्यासात, शहरी आणि उपनगरीय मातीमधील Ni चे पूर्वानुमान करण्यासाठी सर्वोत्तम मॉडेलवर आधारित Ni सांद्रता दृश्यमान करण्यासाठी SeOM चा वापर केला गेला. SeOM मूल्यांकनामध्ये प्रक्रिया केलेला डेटा n इनपुट-डायमेन्शनल वेक्टर व्हेरिएबल्स43,56 म्हणून वापरला जातो. मेल्सेन एट अल. ५७ एका इनपुट लेयरद्वारे न्यूरल नेटवर्कमधील इनपुट वेक्टरचे, एका वेट वेक्टरसह आउटपुट वेक्टरशी असलेले कनेक्शन वर्णन करते. SeOM द्वारे निर्माण होणारे आउटपुट हे एक द्विमितीय मॅप असते, जे वेगवेगळ्या न्यूरॉन्स किंवा नोड्सपासून बनलेले असते आणि त्यांच्या सान्निध्यानुसार षटकोनी, वर्तुळाकार किंवा चौरस टोपोलॉजिकल मॅपमध्ये विणलेले असते. मेट्रिक, क्वांटायझेशन एरर (QE) आणि टोपोग्राफिक एरर (TE) यांच्या आधारावर मॅपच्या आकारांची तुलना केल्यावर, अनुक्रमे ०.०८६ आणि ०.९०४ असलेले SeOM मॉडेल निवडले जाते, जे ५५-मॅप युनिट (५ × ११) आहे. न्यूरॉनची रचना एम्पिरिकल समीकरणातील नोड्सच्या संख्येनुसार निश्चित केली जाते.
या अभ्यासात वापरलेल्या डेटाची संख्या ११५ नमुने आहे. डेटाला टेस्ट डेटा (व्हॅलिडेशनसाठी २५%) आणि ट्रेनिंग डेटा सेट्स (कॅलिब्रेशनसाठी ७५%) मध्ये विभागण्यासाठी यादृच्छिक पद्धत वापरली गेली. ट्रेनिंग डेटासेटचा वापर रिग्रेशन मॉडेल (कॅलिब्रेशन) तयार करण्यासाठी केला जातो, आणि टेस्ट डेटासेटचा वापर जनरलायझेशन क्षमतेची पडताळणी करण्यासाठी केला जातो. मातीमधील निकेलचे प्रमाण वर्तवण्यासाठी विविध मॉडेल्सची उपयुक्तता तपासण्याकरिता हे केले गेले. वापरलेली सर्व मॉडेल्स दहा-पट क्रॉस-व्हॅलिडेशन प्रक्रियेतून गेली, जी पाच वेळा पुनरावृत्त झाली. EBK इंटरपोलेशनद्वारे तयार केलेले व्हेरिएबल्स टार्गेट व्हेरिएबल (PTE) चा अंदाज लावण्यासाठी प्रेडिक्टर्स किंवा एक्सप्लेनेटरी व्हेरिएबल्स म्हणून वापरले जातात. RStudio मध्ये library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) आणि libraries (“Metrics”) या पॅकेजेसचा वापर करून मॉडेलिंग हाताळले जाते.
मातीतील निकेलच्या प्रमाणाचा अंदाज लावण्यासाठी योग्य असलेले सर्वोत्तम मॉडेल निश्चित करण्यासाठी आणि मॉडेलची अचूकता व त्याचे प्रमाणीकरण यांचे मूल्यांकन करण्यासाठी विविध प्रमाणीकरण पॅरामीटर्सचा वापर करण्यात आला. हायब्रिडायझेशन मॉडेल्सचे मूल्यांकन मीन ॲब्सोल्यूट एरर (MAE), रूट मीन स्क्वेअर एरर (RMSE), आणि आर-स्क्वेअर्ड किंवा कोएफिशिएंट डिटरमिनेशन (R2) वापरून करण्यात आले. R2 हे रिग्रेशन मॉडेलद्वारे दर्शविलेल्या उत्तरातील प्रमाणांची भिन्नता परिभाषित करते. RMSE आणि स्वतंत्र मापनांमधील भिन्नतेचे प्रमाण मॉडेलची पूर्वानुमान क्षमता दर्शवतात, तर MAE वास्तविक परिमाणात्मक मूल्य निश्चित करते. प्रमाणीकरण पॅरामीटर्स वापरून सर्वोत्तम मिश्रण मॉडेलचे मूल्यांकन करण्यासाठी R2 चे मूल्य जास्त असणे आवश्यक आहे, हे मूल्य 1 च्या जितके जवळ असेल तितकी अचूकता जास्त असते. ली एट अल. 59 नुसार, 0.75 किंवा त्याहून अधिक R2 निकष मूल्य एक चांगला भविष्यसूचक मानला जातो; ०.५ ते ०.७५ पर्यंतची कामगिरी मॉडेलची स्वीकारार्ह कामगिरी मानली जाते, आणि ०.५ पेक्षा कमी कामगिरी अस्वीकारार्ह मानली जाते. RMSE आणि MAE या पडताळणी निकष मूल्यांकन पद्धती वापरून मॉडेल निवडताना, मिळालेली कमी मूल्ये पुरेशी मानली गेली आणि ती सर्वोत्तम निवड ठरली. खालील समीकरण पडताळणी पद्धतीचे वर्णन करते.
येथे n हे निरीक्षण केलेल्या मूल्याचा आकार दर्शवते, \({Y}_{i}\) हे मोजलेला प्रतिसाद दर्शवते, आणि \({\widehat{Y}}_{i}\) हे अंदाजित प्रतिसाद मूल्य देखील दर्शवते, म्हणून, पहिल्या i निरीक्षणांसाठी.
भविष्यसूचक आणि प्रतिसाद चलांचे सांख्यिकीय वर्णन तक्ता १ मध्ये सादर केले आहे, ज्यात मध्यमान, मानक विचलन (SD), विचलन गुणांक (CV), किमान, कमाल, कुर्टोसिस आणि स्क्यूनेस दर्शविले आहेत. घटकांची किमान आणि कमाल मूल्ये अनुक्रमे Mg < Ca < K < Ni आणि Ca < Mg < K < Ni या उतरत्या क्रमाने आहेत. अभ्यास क्षेत्रातून नमुना घेतलेल्या प्रतिसाद चलाचे (Ni) प्रमाण ४.८६ ते ४२.३९ मिग्रॅ/किलो या दरम्यान होते. Ni ची जागतिक सरासरी (२९ मिग्रॅ/किलो) आणि युरोपियन सरासरी (३७ मिग्रॅ/किलो) यांच्याशी तुलना केल्यावर असे दिसून आले की अभ्यास क्षेत्रासाठी गणना केलेले एकूण भूमितीय मध्यमान सहनशील मर्यादेत होते. तथापि, कबाटा-पेंडियास११ यांनी दाखवल्याप्रमाणे, सध्याच्या अभ्यासातील सरासरी निकेल (Ni) प्रमाणाची स्वीडनमधील कृषी मातीशी तुलना केल्यास असे दिसून येते की सध्याचे सरासरी निकेल प्रमाण जास्त आहे. त्याचप्रमाणे, सध्याच्या अभ्यासात शहरी आणि उपशहरी मातीतील फ्रायडेक मिस्टेकचे सरासरी प्रमाण (Ni १६.१५) रोझांस्की आणि इतरांनी नोंदवलेल्या पोलिश शहरी मातीतील निकेलच्या (Ni) अनुज्ञेय मर्यादेपेक्षा (१०.२ मिग्रॅ/किलो) हे जास्त होते. शिवाय, ब्रेत्झेल आणि काल्डेरिसी६१ यांनी सध्याच्या अभ्यासाच्या तुलनेत टस्कनीमधील शहरी मातीत निकेलची सरासरी सांद्रता (१.७८ मिग्रॅ/किलो) खूप कमी नोंदवली. जिम६२ यांना देखील हाँगकाँगच्या शहरी मातीत निकेलची कमी सांद्रता (१२.३४ मिग्रॅ/किलो) आढळली, जी या अभ्यासातील निकेलच्या सांद्रतेपेक्षा कमी आहे. बर्के आणि इतरांनी६३ जर्मनीतील सॅक्सनी-अॅनहाल्ट येथील जुन्या खाणकाम आणि शहरी औद्योगिक क्षेत्रात निकेलची सरासरी सांद्रता १७.६ मिग्रॅ/किलो नोंदवली, जी त्या भागातील निकेलच्या सरासरी सांद्रतेपेक्षा (१६.१५ मिग्रॅ/किलो) १.४५ मिग्रॅ/किलो जास्त होती. सध्याचे संशोधन. अभ्यास क्षेत्रातील काही शहरी आणि उपनगरी भागांतील मातीतील निकेलचे अतिरिक्त प्रमाण हे प्रामुख्याने लोह आणि पोलाद उद्योग आणि धातू उद्योगामुळे असू शकते. हे त्यांच्या अभ्यासाशी सुसंगत आहे. खोदादुस्त आणि इतर ६४ यांच्या मते पोलाद उद्योग आणि धातूकाम हे मातीतील निकेल प्रदूषणाचे मुख्य स्रोत आहेत. तथापि, कॅल्शियमसाठी (Ca) अंदाजक ५३८.७० मिग्रॅ/किलो ते ६९,१६१.८० मिग्रॅ/किलो, पोटॅशियमसाठी (K) ४९७.५१ मिग्रॅ/किलो ते ३५३५.६८ मिग्रॅ/किलो आणि मॅग्नेशियमसाठी (Mg) ६८५.६८ मिग्रॅ/किलो ते ५९७०.०५ मिग्रॅ/किलो या दरम्यान होते. जाकोव्हलेविच आणि इतर. ६५ ने मध्य सर्बियातील मातीमधील एकूण Mg आणि K सामग्रीचा अभ्यास केला. त्यांना आढळले की एकूण सांद्रता (अनुक्रमे ४१० मिग्रॅ/किलो आणि ४०० मिग्रॅ/किलो) सध्याच्या अभ्यासातील Mg आणि K सांद्रतेपेक्षा कमी होती. त्याचप्रमाणे, पूर्व पोलंडमध्ये, ओर्झेचोव्स्की आणि स्मोलचिन्स्की६६ यांनी Ca, Mg आणि K च्या एकूण सामग्रीचे मूल्यांकन केले आणि दाखवले की वरच्या थरातील मातीमधील सरासरी सांद्रता या अभ्यासातील एकल घटकापेक्षा कमी आहे. पोंग्राक आणि इतरांच्या ६७ च्या अलीकडील अभ्यासात असे दिसून आले की स्कॉटलंड, यूके मधील ३ वेगवेगळ्या मातींमध्ये (मायलनेफिल्ड माती, बालरुडेरी माती आणि हार्टवुड माती) विश्लेषण केलेल्या एकूण Ca सामग्रीने या अभ्यासात उच्च Ca सामग्री दर्शविली.
नमुना घेतलेल्या मूलद्रव्यांच्या मोजलेल्या वेगवेगळ्या सांद्रतेमुळे, मूलद्रव्यांच्या डेटा सेट वितरणात वेगवेगळी विषमता दिसून येते. मूलद्रव्यांची विषमता आणि कुर्टोसिस अनुक्रमे १.५३ ते ७.२४ आणि २.४९ ते ५४.१६ या दरम्यान होती. सर्व गणना केलेल्या मूलद्रव्यांची विषमता आणि कुर्टोसिस पातळी +१ पेक्षा जास्त आहे, ज्यामुळे असे सूचित होते की डेटा वितरण अनियमित, उजव्या दिशेने विषम आणि शिखरयुक्त आहे. मूलद्रव्यांचे अंदाजित सीव्ही (CVs) हे देखील दर्शवतात की K, Mg आणि Ni मध्ये मध्यम परिवर्तनशीलता आहे, तर Ca मध्ये अत्यंत उच्च परिवर्तनशीलता आहे. K, Ni आणि Mg चे सीव्ही (CVs) त्यांचे एकसमान वितरण स्पष्ट करतात. शिवाय, Ca चे वितरण असमान आहे आणि बाह्य स्रोत त्याच्या संवर्धन पातळीवर परिणाम करू शकतात.
भविष्यसूचक चलांचा प्रतिसाद घटकांशी असलेला सहसंबंध घटकांमध्ये समाधानकारक सहसंबंध दर्शवतो (आकृती ३ पहा). सहसंबंधाने असे दर्शवले की CaK ने r मूल्य = ०.५३ सह मध्यम सहसंबंध दर्शविला, तसेच CaNi ने देखील. जरी Ca आणि K एकमेकांशी माफक संबंध दर्शवतात, तरी किंग्स्टन इत्यादींसारख्या संशोधकांनी... ६८ आणि सँटो६९ असे सुचवतात की मातीतील त्यांची पातळी व्यस्त प्रमाणात असते. तथापि, Ca आणि Mg हे K साठी विरोधी आहेत, परंतु CaK चांगले सहसंबंधित आहे. हे पोटॅशियम कार्बोनेटसारख्या खतांच्या वापरामुळे असू शकते, ज्यामध्ये पोटॅशियमचे प्रमाण ५६% जास्त असते. पोटॅशियम मॅग्नेशियमशी मध्यम सहसंबंधित होते (KM r = ०.६३). खत उद्योगात, हे दोन घटक जवळून संबंधित आहेत कारण पोटॅशियम मॅग्नेशियम सल्फेट, पोटॅशियम मॅग्नेशियम नायट्रेट आणि पोटॅश मातीतील कमतरतेची पातळी वाढवण्यासाठी वापरले जातात. निकेल Ca, K आणि Mg शी मध्यम सहसंबंधित आहे, ज्याची r मूल्ये अनुक्रमे ०.५२, ०.६३ आणि ०.५५ आहेत. कॅल्शियम, मॅग्नेशियम आणि निकेलसारख्या PTEs (पोटेंशियली टॉक्सिक एलिमेंट्स) यांच्यातील संबंध गुंतागुंतीचे आहेत, परंतु तरीही, मॅग्नेशियम कॅल्शियमचे शोषण रोखते, कॅल्शियम अतिरिक्त मॅग्नेशियमचे परिणाम कमी करते आणि मॅग्नेशियम व कॅल्शियम दोन्ही मातीतील निकेलचे विषारी परिणाम कमी करतात.
प्रेडिक्टर्स आणि रिस्पॉन्सेसमधील संबंध दर्शविणारा घटकांसाठीचा कोरिलेशन मॅट्रिक्स (टीप: या आकृतीमध्ये घटकांमधील स्कॅटरप्लॉट समाविष्ट आहे, सार्थकता पातळी p < 0,001 वर आधारित आहेत).
आकृती ४ मूलद्रव्यांचे अवकाशीय वितरण दर्शवते. बर्गोस एट अल७० यांच्या मते, अवकाशीय वितरणाचा वापर हे प्रदूषित भागांमधील हॉटस्पॉट्सचे प्रमाण निश्चित करण्यासाठी आणि त्यांना अधोरेखित करण्यासाठी वापरले जाणारे एक तंत्र आहे. आकृती ४ मधील कॅल्शियम (Ca) ची समृद्धी पातळी अवकाशीय वितरण नकाशाच्या वायव्य भागात पाहिली जाऊ शकते. ही आकृती मध्यम ते उच्च कॅल्शियम समृद्धीचे हॉटस्पॉट्स दर्शवते. नकाशाच्या वायव्य भागातील कॅल्शियम समृद्धी ही जमिनीची आम्लता कमी करण्यासाठी कळीच्या चुन्याचा (कॅल्शियम ऑक्साईड) वापर आणि पोलाद निर्मिती प्रक्रियेत पोलाद कारखान्यांमध्ये अल्कधर्मी ऑक्सिजन म्हणून त्याचा वापर यामुळे असण्याची शक्यता आहे. दुसरीकडे, इतर शेतकरी आम्लयुक्त जमिनीत pH उदासीन करण्यासाठी कॅल्शियम हायड्रॉक्साईड वापरण्यास प्राधान्य देतात, ज्यामुळे जमिनीतील कॅल्शियमचे प्रमाण देखील वाढते७१. पोटॅशियम देखील नकाशाच्या वायव्य आणि पूर्वेकडील भागात हॉटस्पॉट्स दर्शवते. वायव्य हा एक प्रमुख कृषीप्रधान प्रदेश आहे आणि पोटॅशियमचे मध्यम ते उच्च प्रमाण हे NPK आणि पोटॅशच्या वापरामुळे असू शकते. हे मदारास आणि लिपाव्स्की७२, मदारास एट अल७३ यांसारख्या इतर अभ्यासांशी सुसंगत आहे. पुलक्राबोवा एट अल.74, असारे एट अल.75, ज्यांनी असे निरीक्षण केले की मातीचे स्थिरीकरण आणि KCl व NPK सह उपचार केल्याने मातीमध्ये पोटॅशियमचे प्रमाण वाढते. वितरण नकाशाच्या वायव्य भागात पोटॅशियमची स्थानिक समृद्धी ही निकृष्ट जमिनीतील पोटॅशियमचे प्रमाण वाढवण्यासाठी पोटॅशियम क्लोराईड, पोटॅशियम सल्फेट, पोटॅशियम नायट्रेट, पोटॅश आणि पोटॅश यांसारख्या पोटॅशियम-आधारित खतांच्या वापरामुळे असू शकते. झाडोरोवा एट अल. 76 आणि त्लुस्टोस एट अल. ७७ मध्ये असे नमूद केले आहे की पोटॅशियम-आधारित खतांच्या वापरामुळे जमिनीतील पोटॅशियमचे प्रमाण वाढते आणि दीर्घकाळात जमिनीतील पोषक तत्वांचे प्रमाण लक्षणीयरीत्या वाढेल, विशेषतः पोटॅशियम आणि मॅग्नेशियम जमिनीत हॉटस्पॉट म्हणून दिसून येतात. नकाशाच्या वायव्य आणि आग्नेय भागात तुलनेने मध्यम हॉटस्पॉट आहेत. जमिनीतील कोलाइडल स्थिरीकरणामुळे जमिनीतील मॅग्नेशियमची सांद्रता कमी होते. जमिनीतील त्याच्या कमतरतेमुळे वनस्पतींमध्ये शिरांमधील पिवळसर हरितहीनता (क्लोरोसिस) दिसून येते. पोटॅशियम मॅग्नेशियम सल्फेट, मॅग्नेशियम सल्फेट आणि कीसेराइट यांसारखी मॅग्नेशियम-आधारित खते, सामान्य pH श्रेणी असलेल्या जमिनीतील कमतरता दूर करतात (वनस्पती जांभळ्या, लाल किंवा तपकिरी दिसतात, जे मॅग्नेशियमची कमतरता दर्शवते). शहरी आणि उपनगरीय जमिनीच्या पृष्ठभागावर निकेलचा संचय हा शेतीसारख्या मानवी क्रियाकलापांमुळे आणि स्टेनलेस स्टील उत्पादनातील निकेलच्या महत्त्वामुळे असू शकतो.
घटकांचे अवकाशीय वितरण [अवकाशीय वितरण नकाशा ArcGIS Desktop (ESRI, Inc, आवृत्ती 10.7, URL: https://desktop.arcgis.com) वापरून तयार करण्यात आला आहे.]
या अभ्यासात वापरलेल्या घटकांसाठी मॉडेल कार्यप्रदर्शन निर्देशांकाचे निकाल तक्ता २ मध्ये दर्शविले आहेत. दुसरीकडे, Ni चे RMSE आणि MAE दोन्ही शून्याच्या जवळ आहेत (०.८६ RMSE, -०.०८ MAE). दुसरीकडे, K ची RMSE आणि MAE दोन्ही मूल्ये स्वीकारार्ह आहेत. कॅल्शियम आणि मॅग्नेशियमसाठी RMSE आणि MAE चे निकाल अधिक होते. वेगवेगळ्या डेटासेटमुळे Ca आणि K चे MAE आणि RMSE निकाल मोठे आहेत. Ni चा अंदाज लावण्यासाठी EBK वापरणाऱ्या या अभ्यासाचे RMSE आणि MAE, जॉन एट अल. ५४ यांच्या निकालांपेक्षा चांगले आढळले, ज्यांनी तोच गोळा केलेला डेटा वापरून मातीतील S सांद्रतेचा अंदाज लावण्यासाठी सिनर्जिस्टिक क्रिगिंग वापरले होते. आम्ही अभ्यासलेले EBK आउटपुट फॅबिजाझिक एट अल. ४१, यान एट अल. ७९, बेगिन एट अल. ८०, अधिकारी एट अल. ८१ आणि जॉन एट अल. ८२ यांच्या आउटपुटशी जुळतात, विशेषतः K आणि Ni च्या बाबतीत.
शहरी आणि उपनगरीय मातीमधील निकेलच्या प्रमाणाचा अंदाज लावण्यासाठी वैयक्तिक पद्धतींच्या कामगिरीचे मूल्यांकन मॉडेल्सच्या कामगिरीचा वापर करून करण्यात आले (तक्ता ३). 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 मॉडेलचे R², रूट मीन स्क्वेअर एरर (RMSE) आणि मीन ॲब्सोल्यूट एरर (MAE) अनुक्रमे ०.६३७ (R²), ९५.४७९ mg/kg (RMSE) आणि ७७.३६८ mg/kg (MAE) होते, तर Ca_Mg_K-SVMR चे R² ०.६६३ (R²), २३५.९७४ mg/kg (RMSE) आणि १६६.९४६ mg/kg (MAE) होते. तरीही, Ca_Mg_K-SVMR (०.६६३ mg/kg R²) आणि EBK_SVMR साठी चांगले R² मूल्ये प्राप्त झाली. Ca_Mg-EBK_SVMR (0.643 = R2); त्यांचे RMSE आणि MAE निकाल Ca_Mg_K-EBK_SVMR (R2 0.637) पेक्षा जास्त होते (तक्ता ३ पहा). याव्यतिरिक्त, Ca_Mg-EBK_SVMR (RMSE = 1664.64 आणि MAE = 1031.49) मॉडेलचे RMSE आणि MAE अनुक्रमे १७.५ आणि १३.४ 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 हे Ca_Mg_K-EBK_SVMR च्या RMSE आणि MAE पेक्षा अनुक्रमे २.५ आणि २.२ ने मोठे आहेत. गणना केलेले RMSE निकाल दर्शवतात की डेटा सेट सर्वोत्तम फिट रेषेशी किती केंद्रित आहे. उच्च RMSE आणि MAE आढळून आले. त्यानुसार केबोन्ये एट अल. ४६ आणि जॉन एट अल. ५४ यांच्या मते, RMSE आणि MAE शून्याच्या जितके जवळ असतील, तितके परिणाम चांगले असतात. SVMR आणि EBK_SVMR मध्ये उच्च क्वांटाइज्ड RSME आणि MAE मूल्ये आहेत. असे दिसून आले की RSME अंदाज MAE मूल्यांपेक्षा सातत्याने जास्त होते, जे आउटलायर्सच्या (outliers) उपस्थितीचे संकेत देतात. लेगेट्स आणि मॅककेब८३ यांच्या मते, RMSE ज्या प्रमाणात मीन ॲब्सोल्यूट एरर (MAE) पेक्षा जास्त आहे, ते आउटलायर्सच्या उपस्थितीचे सूचक म्हणून शिफारसीय आहे. याचा अर्थ असा की, डेटासेट जितका अधिक विषम असेल, तितकी MAE आणि RMSE मूल्ये जास्त असतील. शहरी आणि उपनगरीय मातीमधील Ni सामग्रीचा अंदाज लावण्यासाठी Ca_Mg_K-EBK_SVMR मिश्र मॉडेलच्या क्रॉस-व्हॅलिडेशन मूल्यांकनाची अचूकता ६३.७०% होती. ली एट अल. ५९ यांच्या मते, अचूकतेची ही पातळी मॉडेलच्या कामगिरीचा एक स्वीकार्य दर आहे. सध्याच्या परिणामांची तुलना तारासोव्ह एट अल. यांच्या मागील अभ्यासाशी केली आहे. 36 ज्यांच्या हायब्रीड मॉडेलने MLPRK (मल्टिलेयर परसेप्ट्रॉन रेसिड्युअल क्रिगिंग) तयार केले, ते सध्याच्या अभ्यासात नोंदवलेल्या EBK_SVMR अचूकता मूल्यांकन निर्देशांकाशी संबंधित आहे, RMSE (210) आणि MAE (167.5) हे सध्याच्या अभ्यासातील आमच्या निकालांपेक्षा (RMSE 95.479, MAE 77.368) जास्त होते. तथापि, सध्याच्या अभ्यासातील R2 (0.637) ची तुलना तारासोव्ह एट अल. यांच्याशी केली असता... ३६ (०.५४४) वरून हे स्पष्ट होते की, या मिश्र मॉडेलमध्ये निर्धारण गुणांक (R²) जास्त आहे. मिश्र मॉडेलसाठी त्रुटीची मर्यादा (RMSE आणि MAE) (EBK SVMR) दोन पटीने कमी आहे. त्याचप्रमाणे, सर्गीव आणि सहकाऱ्यांनी³⁴ विकसित हायब्रीड मॉडेलसाठी (मल्टिलेयर परसेप्ट्रॉन रेसिड्युअल क्रिगिंग) ०.२८ (R²) नोंदवले, तर सध्याच्या अभ्यासात निकेलसाठी ०.६३७ (R²) नोंदवले गेले. या मॉडेलची (EBK SVMR) भाकित अचूकता पातळी ६३.७% आहे, तर सर्गीव आणि सहकाऱ्यांनी³⁴ मिळवलेली भाकित अचूकता २८% आहे. EBK_SVMR मॉडेल आणि Ca_Mg_K ला प्रेडिक्टर म्हणून वापरून तयार केलेला अंतिम नकाशा (आकृती ५) संपूर्ण अभ्यास क्षेत्रात हॉट स्पॉट्स आणि निकेलच्या मध्यम प्रमाणाचे भाकिते दर्शवतो. याचा अर्थ असा की, अभ्यास क्षेत्रात निकेलचे प्रमाण प्रामुख्याने मध्यम आहे, तर काही विशिष्ट भागांमध्ये ते जास्त आहे.
अंतिम प्रेडिक्शन नकाशा EBK_SVMR या हायब्रीड मॉडेलचा आणि Ca_Mg_K या प्रेडिक्टरचा वापर करून दर्शविला आहे. [स्पेशियल डिस्ट्रिब्युशन नकाशा RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार करण्यात आला.]
आकृती ६ मध्ये, वैयक्तिक न्यूरॉन्सचा समावेश असलेल्या रचना प्रतलाच्या स्वरूपात PTE सांद्रता सादर केली आहे. दर्शविल्याप्रमाणे कोणत्याही घटक प्रतलाने समान रंग नमुना प्रदर्शित केला नाही. तथापि, प्रति रेखाटलेल्या नकाशासाठी 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 असतात. त्यांच्या अचूक रंग प्रमाणानुसार, वैयक्तिक घटकांनी (Ca, K, आणि Mg) एकल उच्च न्यूरॉन्स आणि बहुतेक कमी न्यूरॉन्ससारखे रंग नमुने दर्शविले. अशाप्रकारे, CaK आणि CaMg हे अति-उच्च-श्रेणीच्या न्यूरॉन्स आणि कमी-ते-मध्यम रंग नमुन्यांशी काही साम्य दर्शवतात. दोन्ही मॉडेल्स लाल, नारंगी आणि पिवळ्यासारख्या रंगांच्या मध्यम ते उच्च छटा प्रदर्शित करून मातीतील Ni च्या सांद्रतेचा अंदाज लावतात. KMg मॉडेल अचूक प्रमाणांवर आधारित अनेक उच्च रंग नमुने आणि कमी ते मध्यम रंगांचे ठिपके दर्शवते. कमी ते उच्च या अचूक रंग प्रमाणावर, मॉडेलच्या घटकांच्या प्रतलीय वितरण नमुन्याने एक उच्च रंग नमुना दर्शविला, जो मातीतील निकेलची संभाव्य सांद्रता सूचित करतो (आकृती ४ पहा). CakMg मॉडेलचे घटक प्रतल कमी ते उच्च असा विविध रंग नमुना दर्शवते. अचूक रंग स्केलनुसार उच्च. शिवाय, मॉडेलचे निकेल सामग्रीचे (CakMg) भाकीत आकृती ५ मध्ये दर्शविलेल्या निकेलच्या स्थानिक वितरणासारखेच आहे. दोन्ही आलेख शहरी आणि उपशहरी मातीमधील निकेल सांद्रतेचे उच्च, मध्यम आणि कमी प्रमाण दर्शवतात. आकृती ७ नकाशावरील के-मीन्स ग्रुपिंगमधील कॉन्टूर पद्धत दर्शवते, जी प्रत्येक मॉडेलमधील अंदाजित मूल्यावर आधारित तीन क्लस्टर्समध्ये विभागलेली आहे. कॉन्टूर पद्धत क्लस्टर्सची इष्टतम संख्या दर्शवते. गोळा केलेल्या ११५ मातीच्या नमुन्यांपैकी, श्रेणी १ मध्ये सर्वाधिक ७४ नमुने मिळाले. क्लस्टर २ ला ३३ नमुने, तर क्लस्टर ३ ला ८ नमुने मिळाले. क्लस्टरच्या योग्य स्पष्टीकरणासाठी सात-घटक समतल प्रेडिक्टर संयोजन सोपे केले गेले. मातीच्या निर्मितीवर परिणाम करणाऱ्या असंख्य मानवनिर्मित आणि नैसर्गिक प्रक्रियांमुळे, वितरित SeOM नकाशात योग्यरित्या भिन्न क्लस्टर नमुने मिळवणे कठीण आहे.
प्रत्येक एम्पिरिकल बायेसियन क्रिगिंग सपोर्ट व्हेक्टर मशीन (EBK_SVM_SeOM) व्हेरिएबलद्वारे आउटपुट केलेले कंपोनंट प्लेन. [SeOM मॅप्स RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार केले गेले.]
विविध क्लस्टर वर्गीकरण घटक [SeOM नकाशे RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार केले गेले.]
सध्याच्या अभ्यासात शहरी आणि उपनगरीय मातीमधील निकेलच्या प्रमाणासाठी मॉडेलिंग तंत्रे स्पष्टपणे दर्शविली आहेत. मातीमधील निकेलच्या प्रमाणाचा अंदाज लावण्याचा सर्वोत्तम मार्ग मिळवण्यासाठी, या अभ्यासात विविध मॉडेलिंग तंत्रांची चाचणी घेण्यात आली, ज्यात मॉडेलिंग तंत्रांसोबत विविध घटक एकत्र केले गेले. मॉडेलिंग तंत्राच्या SeOM रचनात्मक समतल अवकाशीय वैशिष्ट्यांनी एका अचूक रंगमापकावर कमी ते जास्त असा एक उच्च रंग नमुना दर्शविला, जो मातीमधील निकेलचे प्रमाण दर्शवतो. तथापि, अवकाशीय वितरण नकाशा EBK_SVMR द्वारे दर्शविलेल्या घटकांच्या समतल अवकाशीय वितरणाची पुष्टी करतो (आकृती ५ पहा). निकालांवरून असे दिसून येते की सपोर्ट व्हेक्टर मशीन रिग्रेशन मॉडेल (Ca Mg K-SVMR) मातीमधील निकेलच्या प्रमाणाचा अंदाज एकाच मॉडेलप्रमाणे लावतो, परंतु प्रमाणीकरण आणि अचूकता मूल्यांकन पॅरामीटर्स RMSE आणि MAE च्या बाबतीत खूप जास्त त्रुटी दर्शवतात. दुसरीकडे, EBK_MLR मॉडेलसोबत वापरलेले मॉडेलिंग तंत्र देखील निर्धारण गुणांकाच्या (R²) कमी मूल्यामुळे सदोष आहे. EBK SVMR आणि एकत्रित घटक (CaKMg) वापरून कमी RMSE आणि MAE त्रुटींसह ६३.७% अचूकतेने चांगले परिणाम प्राप्त झाले. असे दिसून येते की मशीन लर्निंग अल्गोरिदमसह EBK अल्गोरिदम वापरून एक संकरित अल्गोरिदम तयार करता येतो, जो मातीतील PTEs च्या सांद्रतेचा अंदाज लावू शकतो. निकालांवरून असे दिसून येते की, अभ्यास क्षेत्रात Ni च्या सांद्रतेचा अंदाज लावण्यासाठी Ca, Mg, K यांना प्रेडिक्टर म्हणून वापरल्याने मातीतील Ni च्या अंदाजात सुधारणा होऊ शकते. याचा अर्थ असा की, निकेल-आधारित खतांचा सतत वापर आणि पोलाद उद्योगामुळे होणारे मातीचे औद्योगिक प्रदूषण यामुळे मातीतील निकेलची सांद्रता वाढण्याची प्रवृत्ती आहे. या अभ्यासातून असे दिसून आले की, EBK मॉडेल शहरी किंवा उपनगरीय मातीतील मातीच्या अवकाशीय वितरणाच्या मॉडेलमधील त्रुटीची पातळी कमी करू शकते आणि अचूकता सुधारू शकते. सर्वसाधारणपणे, आम्ही मातीतील PTE चे मूल्यांकन आणि अंदाज लावण्यासाठी EBK-SVMR मॉडेल लागू करण्याचा प्रस्ताव देतो; याव्यतिरिक्त, आम्ही विविध मशीन लर्निंग अल्गोरिदमसह EBK चे संकरीकरण करण्याचा प्रस्ताव देतो. घटकांना कोव्हेरियेट्स म्हणून वापरून Ni सांद्रतेचा अंदाज लावण्यात आला; तथापि, अधिक कोव्हेरियेट्स वापरल्याने मॉडेलच्या कामगिरीत मोठ्या प्रमाणात सुधारणा होईल, जी सध्याच्या कामाची एक मर्यादा मानली जाऊ शकते. या अभ्यासाची दुसरी मर्यादा म्हणजे डेटासेटची संख्या ११५ आहे. त्यामुळे, जर अधिक डेटा उपलब्ध करून दिला गेला, तर प्रस्तावित ऑप्टिमाइझ्ड हायब्रिडायझेशन पद्धतीची कामगिरी सुधारली जाऊ शकते.
PlantProbs.net. वनस्पती आणि मातीमधील निकेल https://plantprobs.net/plant/nutrientImbalances/sodium.html (२८ एप्रिल २०२१ रोजी पाहिले).
कास्प्रझाक, के.एस. निकेल आधुनिक पर्यावरणीय विषविज्ञानातील प्रगती. सराउंडिंग्स. टॉक्सिकोलॉजी. 11, 145–183 (1987).
सेम्पेल, एम. आणि निकेल, जी. निकेल: त्याचे स्रोत आणि पर्यावरणीय विषविज्ञानाचा आढावा. पोलिश जे. एन्व्हायर्नमेंट.स्टड.15, 375–382 (2006).
फ्रीडमन, बी. आणि हचिन्सन, टी.सी. सडबरी, ओंटारियो, कॅनडा येथील निकेल-तांबे वितळणी कारखान्याजवळील वातावरणातून प्रदूषकांचा प्रवेश आणि माती व वनस्पतींमध्ये त्यांचे संचयन. कॅन. जे. बॉट. 58(1), 108-132. https://doi.org/10.1139/b80-014 (1980).
मन्यीवा, टी. व इतर. बोत्सवानातील सेलेबी-फिक्वे तांबे-निकेल खाणीजवळील माती, वनस्पतींमधील जड धातू आणि चरणाऱ्या रवंथ करणाऱ्या प्राण्यांशी संबंधित धोके. सराउंडिंग्स. जिओकेमिस्ट्री. हेल्थ https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. Trace elements in soil and… – 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= (Accessed 24 Nov 2020).
अल्मास, ए., सिंग, बी., कृषी, टीएस-एनजे ऑफ १९९५, अनिर्दिष्ट. नॉर्वेमधील सोअर-वरंगर येथील शेतीतील माती आणि गवतामधील जड धातूंच्या एकाग्रतेवर रशियन निकेल उद्योगाचे परिणाम. agris.fao.org.
नील्सन, जी.डी. आणि इतर. पिण्याच्या पाण्यातील निकेलचे शोषण आणि धारणा हे अन्न सेवन आणि निकेल संवेदनशीलतेशी संबंधित आहेत. विषविज्ञान. अनुप्रयोग. औषधशास्त्र. 154, 67-75 (1999).
कोस्टा, एम. आणि क्लेन, सीबी निकेल कार्सिनोजेनेसिस, म्युटेशन, एपिजेनेटिक्स किंवा सिलेक्शन. सराउंडिंग्स. हेल्थ पर्सपेक्टिव्ह. 107, 2 (1999).
अजमान, पीसी; अजाडो, एसके; बोरुव्का, एल.; बिनी, जेकेएम; सार्कोडी, व्हीवायओ; कोबोन्ये, एनएम; संभाव्य विषारी घटकांचे ट्रेंड विश्लेषण: एक ग्रंथमापन पुनरावलोकन. एन्व्हायर्नमेंटल जिओकेमिस्ट्री अँड हेल्थ. स्प्रिंगर सायन्स अँड बिझनेस मीडिया बीव्ही २०२०. https://doi.org/10.1007/s10653-020-00742-9.
मिनास्नी, बी. आणि मॅकब्रॅटनी, ए.बी. डिजिटल मृदा मॅपिंग: एक संक्षिप्त इतिहास आणि काही धडे. जिओडर्मा 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
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 भूसांख्यिकीय जलाशय मॉडेलिंग,… – 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= (२८ एप्रिल २०२१ रोजी पाहिले).