Nature.com သို့လာရောက်လည်ပတ်သည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသောဘရောက်ဆာဗားရှင်းသည် CSS အတွက် အကန့်အသတ်ဖြင့် ပံ့ပိုးမှုရှိပါသည်။ အကောင်းဆုံးအတွေ့အကြုံအတွက်၊ အပ်ဒိတ်လုပ်ထားသောဘရောက်ဆာတစ်ခု (သို့မဟုတ် Internet Explorer တွင် လိုက်ဖက်ညီသောမုဒ်ကိုပိတ်ရန်) အကြံပြုပါသည်။ ထိုအချိန်တွင် ဆက်လက်ပံ့ပိုးကူညီမှုသေချာစေရန်၊ ပုံစံများနှင့် JavaScript မပါဘဲ ဆိုက်ကိုပြသပါမည်။
မြေဆီလွှာညစ်ညမ်းမှုသည် လူသားတို့၏လုပ်ဆောင်မှုများကြောင့်ဖြစ်ရသည့် ကြီးမားသောပြဿနာတစ်ခုဖြစ်သည်။ အဆိပ်ဖြစ်နိုင်ချေရှိသောဒြပ်စင်များ (PTEs) သည် မြို့ပြနှင့်မြို့ပြဒေသအများစုတွင် ကွဲပြားပါသည်။ ထို့ကြောင့်၊ ထိုကဲ့သို့သောမြေဆီလွှာတွင် PTEs ပါဝင်မှုကို နေရာဒေသအလိုက် ခန့်မှန်းရခက်ပါသည်။ စုစုပေါင်းနမူနာ 115 ခုကို Czech Republic ရှိ Frydek Mistek) (ပိုတက်စီယမ်) နှင့် K.Calci (မဂ္ဂနီဆီယမ်)၊ (Ni) ပြင်းအားကို inductively coupled plasma emission spectrometry သုံးပြီး ဆုံးဖြတ်ခဲ့သည်။ တုံ့ပြန်မှုပြောင်းကိန်းမှာ Ni ဖြစ်ပြီး ကြိုတင်ခန့်မှန်းသူများသည် Ca၊ Mg နှင့် K။ တုံ့ပြန်မှုကိန်းရှင်နှင့် ခန့်မှန်းကိန်းကြားဆက်စပ်မှုမက်ထရစ်သည် ဒြပ်စင်များကြားတွင် ကျေနပ်ဖွယ်ရာဆက်စပ်ဆက်နွယ်မှုကို ပြသထားသည်။ ခန့်မှန်းချက်ရလဒ်များသည် Support Vector (SV Machine Resumer) ၏ root စတုရန်းကို ကောင်းစွာခန့်မှန်းထားသော်လည်း ခန့်မှန်းရလဒ်များပြသထားသည်။ (RMSE) (235.974 mg/kg) နှင့် mean absolute error (MAE) (166.946 mg/kg) သည် အခြားနည်းလမ်းများထက် ပိုမိုမြင့်မားပါသည်။ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) အတွက် ဖော်စပ်ထားသော မော်ဒယ်များသည် Bayesian ကိန်းဂဏန်းများထက် 0.1 ထက်နည်းသော ကိန်းဂဏန်းများ အထောက်အထားအရ ညံ့ဖျင်းပါသည်။ Kriging-Support Vector Machine Regression (EBK-SVMR) မော်ဒယ်သည် အကောင်းဆုံး မော်ဒယ်ဖြစ်ပြီး RMSE (95.479 mg/kg) နှင့် MAE (77.368 mg/kg) တန်ဖိုးများ နှင့် မြင့်မားသော ပြဌာန်းသတ်မှတ်မှု ကိန်းဂဏန်း (R2 = 0.637)။ EBK-SVMR မော်ဒယ်လ်နည်းပညာကို အသုံးပြု၍ မြေပုံ၏ အာရုံကြောဆိုင်ရာ အထွက်အားကို မြေပုံတွင် ကိုယ်တိုင်စီစဉ်ပေးထားပါသည်။ ဟိုက်ဘရစ်မော်ဒယ် CakMg-EBK-SVMR အစိတ်အပိုင်းသည် မြို့ပြနှင့် မြို့ပြမြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းပေးသည့် အရောင်ပုံစံများစွာကို ပြသထားသည်။ ရလဒ်များက EBK နှင့် SVMR ပေါင်းစပ်ခြင်းသည် မြို့ပြနှင့် မြို့ပြမြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် ထိရောက်သောနည်းပညာတစ်ခုဖြစ်ကြောင်း သက်သေပြသည်။
နီကယ် (Ni) သည် အပင်များအတွက် သေးငယ်သောအာဟာရအဖြစ် သတ်မှတ်ထားသောကြောင့်၊ ၎င်းသည် လေထုအတွင်း နိုက်ထရိုဂျင်စုစည်းမှု (N) နှင့် ယူရီးယား ဇီဝြဖစ်ပျက်မှုကို ပံ့ပိုးပေးသောကြောင့် မျိုးစေ့ပေါက်ရန် လိုအပ်ပါသည်။ Ni သည် မျိုးစေ့ပေါက်စေရန် ပံ့ပိုးပေးသည့်အပြင်၊ Ni သည် မှိုနှင့် ဘက်တီးရီးယားများကို တားဆီးပေးသည့်အပြင် အပင်ကြီးထွားမှုကို မြှင့်တင်ပေးနိုင်သည်။ မြေဆီလွှာတွင် နီကယ်ဓာတ်ချို့တဲ့ခြင်းကြောင့် အပင်သည် စိမ်းလန်းသော ကလိုရင်းများကို စုပ်ယူနိုင်ပြီး အရွက်များကို ဖြစ်ပေါ်စေသည်။ နိုက်ထရိုဂျင်ကို အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ရန် နီကယ်အခြေခံမြေသြဇာများကို အသုံးချခြင်း၂။မြေဆီလွှာကို ကြွယ်ဝစေရန် နီကယ်အခြေခံမြေသြဇာများကို ဆက်လက်အသုံးပြုခြင်းဖြင့် မြေဆီလွှာအတွင်းရှိ နိုက်ထရိုဂျင်ကို ပြုပြင်ပေးနိုင်သော ပဲပင်များ၏ စွမ်းရည်ကို တိုးမြင့်စေပြီး မြေဆီလွှာအတွင်းရှိ နီကယ်ပါဝင်မှုနှုန်းကို စဉ်ဆက်မပြတ်တိုးလာစေပါသည်။ နီကယ်သည် အပင်များအတွက် အသေးစားအာဟာရဖြစ်သော်ငြားလည်း မြေဆီလွှာတွင် သံဓာတ်လွန်ကဲစွာ စားသုံးခြင်းသည် မြေဆီလွှာအတွက် ကောင်းကျိုးထက် ဆိုးကျိုးပိုဖြစ်စေနိုင်သည်။ အပင်ကြီးထွားမှုအတွက် မရှိမဖြစ်လိုအပ်သောအာဟာရ1.Liu3 အရ Ni သည် အပင်ဖွံဖြိုးမှုနှင့်ကြီးထွားမှုအတွက် 17 ခုမြောက်အရေးကြီးသောဒြပ်စင်ဖြစ်ကြောင်းတွေ့ရှိခဲ့သည်။ အပင်ကြီးထွားမှုနှင့်ကြီးထွားမှုအတွက် နီကယ်၏အခန်းကဏ္ဍအပြင်၊ အသုံးချမှုအမျိုးမျိုးအတွက်လူတို့လိုအပ်ပါသည်။ လျှပ်စစ်ပလပ်ခြင်း၊ နီကယ်အခြေခံသတ္တုစပ်များထုတ်လုပ်ခြင်းနှင့် စက်နှိုးစက်များနှင့် မီးပွားပလပ်များထုတ်လုပ်ခြင်းတို့အတွက် စက်မှုလုပ်ငန်းနယ်ပယ်အသီးသီးတွင် မော်တော်ကားကိုအသုံးပြုရန် လိုအပ်ပါသည်။ နီကယ်အခြေခံအလွိုင်းများနှင့် လျှပ်စစ်ပလပ်စတစ်ပစ္စည်းများကို မီးဖိုချောင်သုံးပစ္စည်းများ၊ Ballroom ဆက်စပ်ပစ္စည်းများ၊ အစားအသောက်လုပ်ငန်းသုံးပစ္စည်းများ၊ လျှပ်စစ်၊ ဝါယာကြိုးနှင့် ကေဘယ်လ်၊ ဂျက်တာဘိုင်များ၊ ခွဲစိတ်ခန်းဝင်ပစ္စည်းများ၊ အထည်အလိပ်များနှင့် သင်္ဘောတည်ဆောက်ခြင်း ၅။ မြေဆီလွှာတွင် နီ-ကြွယ်ဝသောအဆင့်များ (ဆိုလိုသည်မှာ မျက်နှာပြင်မြေဆီလွှာ) သည် မနုဿဇီဝရုပ်နှင့် သဘာဝအရင်းအမြစ်များထက်၊ Ni-6 သည် သဘာဝအတိုင်းမဟုတ်ဘဲ သဘာဝအရင်းအမြစ်များဖြစ်သည်။ နီကယ်၏ အရင်းအမြစ်များတွင် မီးတောင်ပေါက်ကွဲခြင်း၊ အသီးအရွက်များ၊ တောမီးများနှင့် ဘူမိဗေဒဆိုင်ရာ လုပ်ငန်းစဉ်များ ပါဝင်သည်။ သို့သော်၊ မနုဿဇီဝဗေဒအရင်းအမြစ်များတွင် သံမဏိစက်ရုံရှိ နီကယ်/ကက်မီယမ်ဘက်ထရီများ၊ လျှပ်စစ်ပလပ်စတစ်၊ ဂဟေဆော်ခြင်း၊ ဒီဇယ်နှင့် လောင်စာဆီများ၊ ကျောက်မီးသွေးလောင်ကျွမ်းမှုနှင့် စွန့်ပစ်ပစ္စည်းများမှ လေထုအတွင်း ထုတ်လွှတ်သည့် အမှိုက်နှင့် အမှိုက်မီးရှို့ခြင်း နီကယ်စုဆောင်းခြင်း7၊8. Freedman and Hutchinson9 နှင့် Manyiwa ၏အဆိုအရ 10၊ လက်ငင်းနှင့် ကပ်လျက်ပတ်ဝန်းကျင်ရှိ အပေါ်ယံမြေဆီလွှာညစ်ညမ်းမှု၏ အဓိကရင်းမြစ်များမှာ နီကယ်-ကြေးနီကိုအခြေခံသည့် အရည်ကျိုနှင့် မိုင်းတွင်းများဖြစ်သည်။ ကနေဒါရှိ Sudbury နီကယ်-ကြေးနီသန့်စင်စက်ရုံအနီးတစ်ဝိုက်ရှိ ထိပ်တန်းမြေများတွင် နီကယ်ညစ်ညမ်းမှုပမာဏ 26,000 မီလီဂရမ်/ကီလိုဂရမ် မြင့်မားသော ရုရှားနိုင်ငံ၌ ဆန့်ကျင်ဘက်ရလဒ်အဖြစ် နော်ဝေမြေတွင် ၁၁။ဆွမ်းခံ et al. 12၊ ဒေသ၏ စိုက်ပျိုးနိုင်သော ထိပ်တန်းမြေများတွင် HNO3-ထုတ်ယူနိုင်သော နီကယ်ပမာဏ (ရုရှားတွင် နီကယ်ထုတ်လုပ်မှု) သည် 6.25 မှ 136.88 mg/kg မှ 6.25 mg/kg မှ ပျမ်းမျှ 30.43 mg/kg နှင့် baseline concentration 25 mg/kg ဖြစ်သည်။ စိုက်ပျိုးရေးသုံး မြေသြဇာများတွင် kabata 11 သို့မဟုတ် kabata အသုံးချမှုအရ၊ သီးနှံရာသီစဉ်ဆက်မပြတ်အတွင်း မြို့ပြမြေဆီလွှာများသည် မြေဆီလွှာကို ညစ်ညမ်းစေနိုင်သည်။ သို့မဟုတ် ညစ်ညမ်းစေနိုင်သည်။ လူသားများတွင် နီကယ်၏ အလားအလာရှိသော အကျိုးသက်ရောက်မှုများသည် မျိုးပွားခြင်း၊ ခရိုမိုဆုန်းပျက်စီးခြင်း၊ Z-DNA ထုတ်လုပ်မှု၊ ပိတ်ဆို့ထားသော DNA ပြုပြင်ခြင်း သို့မဟုတ် မျိုးရိုးဗီဇလုပ်ငန်းစဉ်များ 13. တိရစ္ဆာန်စမ်းသပ်မှုများတွင်၊ နီကယ်သည် ရှုပ်ထွေးသောအကျိတ်များနှင့် carogenic အကျိတ်များဖြစ်ပေါ်စေနိုင်သည့် အလားအလာရှိကြောင်း တွေ့ရှိရပါသည်။
မြေဆီလွှာ ညစ်ညမ်းမှုဆိုင်ရာ အကဲဖြတ်ချက်များသည် မြေဆီလွှာ-အပင် ဆက်ဆံရေး၊ မြေဆီလွှာနှင့် မြေဆီလွှာ ဇီဝဗေဒဆိုင်ရာ ဆက်ဆံရေး၊ ဂေဟစနစ် ပျက်စီးယိုယွင်းမှုနှင့် သဘာဝပတ်ဝန်းကျင် ထိခိုက်မှု ဆန်းစစ်ချက်တို့မှ ပေါ်ပေါက်လာသော ကျန်းမာရေးဆိုင်ရာ ပြဿနာများစွာကြောင့် မကြာသေးမီအချိန်များအတွင်း ဖြစ်ထွန်းအောင်မြင်ခဲ့သည်။ ယနေ့အထိ၊ Ni ကဲ့သို့သော မြေဆီလွှာတွင် ဖြစ်နိုင်ချေရှိသော အဆိပ်ဖြစ်စေနိုင်သော ဒြပ်စင်များ (PTEs) ၏ ခန့်မှန်းချက်မှာ ခက်ခဲပြီး အချိန်ကုန်၍ ၎င်း၏ ဒစ်ဂျစ်တယ်နည်းလမ်းများ (လက်ရှိအသုံးပြုနေသော ဒစ်ဂျစ်တယ်နည်းလမ်းများ) ကို အသုံးပြု၍ အချိန်ကုန်စေပါသည်။ အလွန်တိုးတက်လာသော ကြိုတင်ခန့်မှန်းမြေဆီလွှာမြေပုံ (PSM)။ Minasny နှင့် McBratney16 အရ၊ ကြိုတင်ခန့်မှန်းနိုင်သော မြေဆီလွှာမြေပုံ (DSM) သည် မြေဆီလွှာသိပ္ပံ၏ ထင်ရှားသော ဘာသာရပ်ခွဲတစ်ခုဖြစ်ကြောင်း သက်သေပြခဲ့သည်။ Lagacherie နှင့် McBratney၊ 2006 မှ DSM သည် "နေရာလွတ်နှင့် ဓာတ်ခွဲခန်းအတွင်း မြေဆီလွှာဆိုင်ရာ အချက်အလက်စနစ်များကို ဖန်တီးခြင်းနှင့် ဖြည့်သွင်းခြင်းတို့ကို စူးစမ်းလေ့လာခြင်းနှင့် ဓာတ်ခွဲခန်းအတွင်း မြေဆီလွှာဆိုင်ရာ အချက်အလက်စနစ်များကို အသုံးပြုခြင်း နှင့် ဖြည့်စွက်ခြင်း စနစ်များ”.McBratney et al. 17 ခေတ်ပြိုင် DSM သို့မဟုတ် PSM သည် PTEs၊ မြေအမျိုးအစားများနှင့် မြေဆီလွှာဂုဏ်သတ္တိများကို ခန့်မှန်းရန် သို့မဟုတ် မြေပုံထုတ်ခြင်းအတွက် အထိရောက်ဆုံးနည်းပညာဖြစ်ကြောင်း အကြမ်းဖျင်းဖော်ပြထားပါသည်။ Geostatistics နှင့် Machine Learning Algorithms (MLA) သည် ကွန်ပျူတာများ၏အကူအညီဖြင့် ဒစ်ဂျစ်တယ်မြေပုံများကို ဒစ်ဂျစ်တယ်မြေပုံများဖန်တီးသည့် DSM မော်ဒယ်လ်နည်းပညာများဖြစ်သည်။
Deutsch18 နှင့် Olea19 သည် "အချိန်စီးရီးခွဲခြမ်းစိတ်ဖြာမှုတွင် ယာယီဒေတာကို ပုံသဏ္ဌာန်ပြုပုံကဲ့သို့သော spatial attributes များကို ကိုယ်စားပြုခြင်းဆိုင်ရာ ကိန်းဂဏာန်းနည်းပညာများစုစည်းမှု" အဖြစ် Deutsch18 နှင့် Olea19 က အဓိပ္ပါယ်ဖွင့်ဆိုသည်။ မူလအားဖြင့်၊ ပထဝီဝင်ကိန်းဂဏန်းစာရင်းအင်းပညာသည် dataset20.Gumiaux et al မှ Quantify နှင့် spatial values ​​များ၏ မှီခိုမှုကို သတ်မှတ်ခွင့်ပြုသည့် vaiograms များ၏ အကဲဖြတ်မှုတွင် ပါဝင်ပါသည်။ 20 ဘူမိစာရင်းအင်းဆိုင်ရာ ဗာရီယိုဂရမ်များ၏ အကဲဖြတ်မှုသည် (က) ဒေတာဆက်စပ်မှုစကေးကို တွက်ချက်ခြင်းအပါအဝင် အခြေခံမူ (၃)ရပ်ပေါ်တွင် အခြေခံထားကြောင်း၊ (ခ) ဒေတာအတွဲကွာဟမှုတွင် anisotropy ကို ခွဲခြားသတ်မှတ်ခြင်းနှင့် တွက်ချက်ခြင်းနှင့် (ဂ) ထို့အပြင် တိုင်းတာခြင်း၏ မွေးရာပါ အမှားအယွင်းကို ထည့်သွင်းတွက်ချက်ခြင်းအပြင်၊ တိုင်းတာခြင်းဆိုင်ရာ အကျိုးသက်ရောက်မှုများ၊ ဒေသဆိုင်ရာ အကျိုးသက်ရောက်မှုများကို ဒေတာတည်ဆောက်မှု ဧရိယာကိုလည်း ပိုင်းခြားထားသည်။ အထွေထွေ kriging၊ co-kriging၊ ရိုးရိုး kriging၊ empirical Bayesian kriging၊ ရိုးရှင်းသော kriging method နှင့် PTE၊ မြေဆီလွှာ လက္ခဏာများနှင့် မြေအမျိုးအစားများကို ခန့်မှန်းရန် သို့မဟုတ် ခန့်မှန်းရန် အခြားသော နာမည်ကြီး interpolation နည်းပညာများ အပါအဝင် ဘူမိကိန်းဂဏန်း အချက်အလက်များတွင် အသုံးပြုပါသည်။
Machine Learning Algorithms (MLA) သည် ဒေတာတူးဖော်ခြင်းအတွက် အဓိကအသုံးပြုသည့် အယ်လဂိုရီသမ်များဖြင့် လှုံ့ဆော်ပေးသည့် ကြီးမားသော လိုင်းမဟုတ်သည့် ဒေတာအတန်းများကို အသုံးပြုသည့် နည်းလမ်းအသစ်ဖြစ်ပြီး ဒေတာတူးဖော်မှု၊ ဒေတာပုံစံများကို ခွဲခြားသတ်မှတ်ကာ မြေဆီလွှာသိပ္ပံနှင့် ပြန်ပေးသည့်အလုပ်များကဲ့သို့သော သိပ္ပံနည်းကျနယ်ပယ်များတွင် အမျိုးအစားခွဲရန် ထပ်ခါတလဲလဲ အသုံးပြုထားသည်။ သုတေသနစာတမ်းအများအပြားသည် MLA မော်ဒယ်များကို ကြိုတင်ခန့်မှန်းရန် မြေဆီလွှာတွင် အားကိုးပါသည်။ 22 (စိုက်ပျိုးမြေများတွင် သတ္တုအကြီးစားခန့်မှန်းချက်အတွက် ကျပန်းသစ်တောများ) Sakizadeh et al. 23 (ပံ့ပိုးမှု vector စက်များနှင့် အာရုံကြော ကွန်ရက်များကို အသုံးပြု၍ မော်ဒယ်လုပ်ခြင်း) မြေဆီလွှာ ညစ်ညမ်းမှု ) ထို့အပြင် Vega et al. 24 (လေးလံသောသတ္တုထိန်းသိမ်းမှုနှင့် မြေဆီလွှာအတွင်း စုပ်ယူမှုပုံစံအတွက် တွန်းလှည်း) Sun et al. 25 (ကုဗစ်၏ အသုံးချမှုသည် မြေဆီလွှာတွင် Cd ဖြန့်ဖြူးခြင်းဖြစ်သည်) နှင့် k-အနီးဆုံးအိမ်နီးချင်း၊ ယေဘူယျအားဖြင့် မြှင့်တင်ထားသော ဆုတ်ယုတ်မှုနှင့် မြှင့်တင်ထားသော ဆုတ်ယုတ်မှုကဲ့သို့သော အခြား အယ်လဂိုရီသမ်များသည် မြေဆီလွှာရှိ PTE ကို ခန့်မှန်းရန် MLA ကိုလည်း အသုံးပြုထားသည်။
ခန့်မှန်းခြင်း သို့မဟုတ် မြေပုံဆွဲခြင်းတွင် DSM အယ်လဂိုရီသမ်ကို အသုံးချခြင်းသည် စိန်ခေါ်မှုများစွာကို ရင်ဆိုင်ရသည်။ စာရေးဆရာများစွာက MLA သည် ပထဝီဝင်ကိန်းဂဏန်းများနှင့် အပြန်အလှန်အားဖြင့် သာလွန်သည်ဟု ယုံကြည်ကြသည်။ တစ်ခုသည် အခြားတစ်ခုထက်သာလွန်သော်လည်း ၎င်းတို့နှစ်ခု၏ပေါင်းစပ်မှုသည် DSM15 တွင် မြေပုံထုတ်ခြင်း သို့မဟုတ် ခန့်မှန်းမှုအဆင့်ကို မြှင့်တင်ပေးပါသည်။ Woodcock နှင့် Gopal26 Finke27; Pontius နှင့် Cheuk28 နှင့် Grunwald29 တို့သည် ကြိုတင်ခန့်မှန်းထားသော မြေဆီလွှာမြေပုံဆွဲခြင်းတွင် ချို့ယွင်းချက်အချို့ အမှားအယွင်းများကို မှတ်ချက်ပေးကြသည်။ မြေဆီလွှာသိပ္ပံပညာရှင်များသည် DSM မြေပုံနှင့် ခန့်မှန်းချက်၏ ထိရောက်မှု၊ တိကျမှုနှင့် ကြိုတင်ခန့်မှန်းနိုင်မှုကို ပိုကောင်းအောင်ပြုလုပ်ရန် နည်းလမ်းများစွာကို ကြိုးစားခဲ့ကြသည်။ မသေချာမှုနှင့် အတည်ပြုမှုပေါင်းစပ်မှုသည် H ၏ မတူညီသောရှုထောင့်များထဲမှတစ်ခုဖြစ်သည်။ 15 မြေပုံဖန်တီးမှုနှင့် ခန့်မှန်းခြင်းဖြင့် မိတ်ဆက်ထားသော တရားဝင်အပြုအမူနှင့် မသေချာမရေရာမှုများကို အမှီအခိုကင်းစွာဖြင့် မြေပုံအရည်အသွေးကို မြှင့်တင်သင့်သည်ဟု ဖော်ပြထားပါသည်။ DSM ၏ ကန့်သတ်ချက်များမှာ မသေချာမရေရာမှု၏ အစိတ်အပိုင်းတစ်ခုပါ၀င်သည့် ပထဝီဝင်အနေအထားအရ ကွဲကွာနေသော မြေဆီလွှာအရည်အသွေးကြောင့်ဖြစ်သည်။ သို့ရာတွင်၊ DSM တွင် သေချာမှုမရှိခြင်းသည် အမှား၏အရင်းအမြစ်များစွာမှ ဖြစ်ပေါ်လာနိုင်သည်၊ ဆိုလိုသည်မှာ covariate အမှား၊ မော်ဒယ်အမှား၊ တည်နေရာအမှား၊ နှင့် ခွဲခြမ်းစိတ်ဖြာမှုအမှား 31.MLA နှင့် geostatistical လုပ်ငန်းစဉ်များတွင် ဖြစ်ပေါ်လာသော မမှန်ကန်မှုများသည် နားလည်မှုကင်းမဲ့ခြင်းနှင့် ဆက်စပ်နေပါသည်။ စံပြကန့်သတ်ချက်များ၊ သင်္ချာဆိုင်ရာ မော်ဒယ်ခန့်မှန်းချက်များ သို့မဟုတ် interpolation 33. မကြာသေးမီက DSM လမ်းကြောင်းသစ်တစ်ခု ထွက်ပေါ်လာခဲ့ပြီး မြေပုံနှင့် ခန့်မှန်းချက်တွင် ပထဝီဝင်ကိန်းဂဏန်းနှင့် MLA ပေါင်းစပ်မှုကို အားပေးအားမြှောက်ပြုပါသည်။ Sergeev et al ကဲ့သို့သော မြေဆီလွှာသိပ္ပံပညာရှင်များနှင့် စာရေးဆရာအများအပြား။ ၃၄; Subbotina et al ။ ၃၅; Tarasov et al ။ 36 နှင့် Tarasov et al ။ 37 သည် ခန့်မှန်းချက်နှင့် မြေပုံဆွဲခြင်း၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးသည့် ပေါင်းစပ်မော်ဒယ်များကို ထုတ်လုပ်ရန်အတွက် တိကျသော အရည်အသွေးကို အသုံးချပြီး မြေပုံထုတ်ခြင်း နှင့် ပေါင်းစပ်ထားသော မော်ဒယ်များကို ထုတ်ပေးပါသည်။ အရည်အသွေး။ ဤမျိုးစပ် သို့မဟုတ် ပေါင်းစပ်ထားသော အယ်လဂိုရီသမ်မော်ဒယ်အချို့မှာ Artificial Neural Network Kriging (ANN-RK)၊ Multilayer Perceptron Residual Kriging (MLP-RK)၊ Generalized Regression Neural Network Residual Kriging (GR- NNRK)36၊ Artificial Neural Network Kriging-Multier (36)၊ Co-Kriging နှင့် Gaussian Process Regression ၃၈။
Sergeev et al. ၏ အဆိုအရ၊ အမျိုးမျိုးသော မော်ဒယ်လ်နည်းပညာများကို ပေါင်းစပ်ခြင်းသည် ချို့ယွင်းချက်များအား ဖယ်ရှားနိုင်ပြီး ၎င်း၏ မော်ဒယ်တစ်ခုတည်းကို ဖော်ဆောင်မည့်အစား ပေါင်းစပ်မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် အလားအလာရှိသည်။ ဤအခြေအနေတွင်၊ ဤစာတမ်းအသစ်တွင် ဘူမိစာရင်းအင်းဆိုင်ရာ ပေါင်းစပ် algorithm နှင့် MLA ၏ လေ့လာမှုတွင် အကောင်းမွန်ဆုံးသော ဟိုက်ဘရစ်မော်ဒယ်များကို ဖန်တီးရန် အလားအလာရှိသည်။ အခြေခံမော်ဒယ်အဖြစ် Empirical Bayesian Kriging (EBK) နှင့် ၎င်းကို Support Vector Machine (SVM) နှင့် Multiple Linear Regression (MLR) မော်ဒယ်များနှင့် ရောနှောထားသည်။ EBK ၏ မည်သည့် MLA နှင့် ပေါင်းစပ်ခြင်းဖြစ်သည်ကို မသိရပါ။ ရောစပ်ထားသော မော်ဒယ်အများအပြားမှာ တွေ့ရသည့် သာမန်၊ ကျန်ရှိသော၊ ဆုတ်ယုတ်ခြင်း၏ ပေါင်းစပ်မှုများဖြစ်ပြီး MLA.EBKtical သည် interpolizesatis ဖြစ်စဉ်တစ်ခုဖြစ်သည်။ ကွက်လပ်ပေါ်တွင် သတ်မှတ်ထားသော ဒေသအလိုက် ပြောင်းလဲခြင်း ဘောင်များပါရှိသော ကွက်လပ်ပေါ်ရှိ သတ်မှတ်ထားသော ဒေသအလိုက် ပြောင်းလဲခြင်း ဘောင်များပါရှိသော နေရာမဟုတ်သော/stationary ကျပန်းအကွက်အဖြစ် ကွက်လပ်အဖြစ် ပြောင်းလဲသတ်မှတ်ထားပါသည်။ EBK ကို လယ်ယာမြေများတွင် အော်ဂဲနစ်ကာဗွန်ဖြန့်ဖြူးမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်း 40၊ မြေဆီလွှာညစ်ညမ်းမှု 41 အကဲဖြတ်ခြင်းနှင့် မြေဆီလွှာဆိုင်ရာ ဂုဏ်သတ္တိများကို ပုံဖော်ခြင်းအပါအဝင် လေ့လာမှုအမျိုးမျိုးတွင် အသုံးပြုထားသည်။
အခြားတစ်ဖက်တွင်၊ Self-Organizing Graph (SeOM) သည် Li et al ကဲ့သို့သော ဆောင်းပါးအမျိုးမျိုးတွင် အသုံးချခဲ့သည့် သင်ယူမှုဆိုင်ရာ algorithm တစ်ခုဖြစ်သည်။ 43, Wang et al ။ 44, Hossain Bhuiyan et al. 45 နှင့် Kebonye et al.46 spatial attribute များနှင့် ဒြပ်စင်များ အုပ်စုဖွဲ့ခြင်းကို ဆုံးဖြတ်ပါ။Wang et al. 44 SeOM သည် လိုင်းမဟုတ်သော ပြဿနာများကို အုပ်စုဖွဲ့၍ စိတ်ကူးပုံဖော်နိုင်စွမ်းအတွက် လူသိများသော အစွမ်းထက်သော သင်ယူမှုနည်းပညာတစ်ခုဖြစ်သည်။ အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာခြင်း၊ မပီသသောအစုအဝေးပြုလုပ်ခြင်း၊ အထက်အောက် အစုအဝေးပြုလုပ်ခြင်းနှင့် စံသတ်မှတ်ချက်များစွာ ဆုံးဖြတ်ချက်ချခြင်းကဲ့သို့သော အခြားပုံစံအသိအမှတ်ပြုခြင်းနည်းပညာများနှင့်မတူဘဲ SeOM သည် PTE ပုံစံများကို စုစည်းခြင်းနှင့် ခွဲခြားသတ်မှတ်ရာတွင် ပိုမိုကောင်းမွန်ပါသည်။ Wang et al ၏အဆိုအရ သိရသည်။ 44၊ SeOM သည် သက်ဆိုင်ရာ နျူရွန်များ ဖြန့်ဖြူးမှုကို နေရာဒေသအလိုက် အုပ်စုဖွဲ့နိုင်ပြီး ပုံရိပ်ပြတ်သားမှု မြင့်မားသည့် ဒေတာကို မြင်သာအောင် ပံ့ပိုးပေးနိုင်ပါသည်။SeOM သည် တိုက်ရိုက်အဓိပ္ပါယ်ပြန်ဆိုရန်အတွက် ရလဒ်များကို ပုံဖော်ရန်အတွက် အကောင်းဆုံးပုံစံကို ရယူရန် Ni ခန့်မှန်းဒေတာကို မြင်သာစေမည်ဖြစ်သည်။
ဤစာတမ်းသည် မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် အကောင်းမွန်ဆုံးတိကျမှန်ကန်မှုဖြင့် ခိုင်ခံ့သောမြေပုံထုတ်မော်ဒယ်ကို ဖန်တီးရန် ရည်ရွယ်ပါသည်။ ရောစပ်မော်ဒယ်၏ယုံကြည်စိတ်ချရမှုသည် အခြေခံမော်ဒယ်နှင့်တွဲထားသောအခြားမော်ဒယ်များ၏လွှမ်းမိုးမှုအပေါ်တွင် အဓိကမူတည်သည်ဟု ကျွန်ုပ်တို့ယူဆပါသည်။ DSM တွင်ရင်ဆိုင်နေရသောစိန်ခေါ်မှုများကိုကျွန်ုပ်တို့သည်အသိအမှတ်ပြုကြပြီး၊ ဤပေါင်းစပ်မော်ဒယ်များသည် Gstat ၏ရှေ့ဆက်မှုများတွင်များစွာသောစိန်ခေါ်မှုများကိုဖြေရှင်းနေကြစဉ်တွင်၊ တိုးမြှင့်; ထို့ကြောင့်၊ ရောစပ်ထားသော မော်ဒယ်များကို ထုတ်ပေးနိုင်သည့် သုတေသနမေးခွန်းများကို ဖြေဆိုရန် ကြိုးပမ်းပါမည်။ သို့သော်၊ ပစ်မှတ်ဒြပ်စင်ကို ခန့်မှန်းရာတွင် မော်ဒယ်သည် မည်မျှတိကျပါသလဲ၊ မှန်ကန်မှုနှင့် တိကျမှုအကဲဖြတ်မှုအပေါ် အခြေခံ၍ ထိရောက်မှုအကဲဖြတ်မှုအဆင့်မှာ အဘယ်နည်း။ ထို့ကြောင့်၊ ဤလေ့လာမှု၏ တိကျသောပန်းတိုင်များမှာ (က) ပေါင်းစပ်ပုံစံအတွက် SVMR သို့မဟုတ် MLR (ရလဒ်အတွက် ရလဒ်အဖြစ် EBK) ကို အခြေခံမော်ဒယ်များအဖြစ် ပေါင်းစပ်ထားသော အရောအနှောပုံစံများကို အကောင်းဆုံးဖန်တီးရန်) မြို့ပြ သို့မဟုတ် မြို့ပြမြေဆီလွှာများတွင် Ni ပြင်းအားကို ခန့်မှန်းခြင်းနှင့် (ဃ) နီကယ်ပုံစံကွဲပြားမှု၏ ကြည်လင်ပြတ်သားသော မြေပုံတစ်ခုဖန်တီးရန် SeOM ၏ အသုံးချမှု။
လေ့လာမှုအား ချက်သမ္မတနိုင်ငံ၊ အထူးသဖြင့် Moravia-Silesian ဒေသရှိ Frydek Mistek ခရိုင်တွင် ပြုလုပ်နေပါသည်။ (ပုံ 1 ကိုကြည့်ပါ)။ လေ့လာမှုဧရိယာသည် အလွန်ကြမ်းတမ်းပြီး လေ့လာမှုဧရိယာ၏ အပြင်ဘက်စွန်းစွန်းမှ 4 နှင့် 4 ကြားရှိ Carpathian တောင်တန်းများ၏ အစိတ်အပိုင်းဖြစ်သည့် Moravia-Silesian Beskidy ဒေသ၏ အစိတ်အပိုင်းအများစုဖြစ်သည်။ 18° 20′ 0′ E နှင့် အမြင့်ပေ 225 နှင့် 327 မီတာကြား၊ သို့သော်၊ ဒေသ၏ရာသီဥတုအခြေအနေအတွက် Koppen အမျိုးအစားခွဲခြားမှုစနစ်ကို Cfb = သမမျှတသောသမုဒ္ဒရာရာသီဥတုအဖြစ် အဆင့်သတ်မှတ်ထားပြီး ခြောက်သွေ့လများတွင်ပင် မိုးရေချိန်များစွာရှိသည်။ တစ်နှစ်ပတ်လုံး အပူချိန် −5°C နှင့် 24°C အကြား အနည်းငယ်ကွာခြားပြီး၊ −14°C သို့မဟုတ် 30°C အထက်တွင် နည်းပါးသည်။ နှစ်စဉ်မိုးရွာသွန်းမှု ပျမ်းမျှ 7 မီလီမီတာမှ 24°C ကြားတွင်ရှိသည်။ စစ်တမ်းဧရိယာတစ်ခုလုံး၏ဧရိယာသည် 1,208 စတုရန်းကီလိုမီတာဖြစ်ပြီး စိုက်ပျိုးမြေ၏ 39.38% နှင့် သစ်တောလွှမ်းခြုံမှု 49.36% ရှိသည်။ အခြားတစ်ဖက်တွင်၊ ဤလေ့လာမှုတွင်အသုံးပြုသောဧရိယာသည် 889.8 စတုရန်းကီလိုမီတာခန့်ဖြစ်သည်။ Ostrava နှင့် အနီးတစ်ဝိုက်တွင် စတီးလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းများသည် အလွန်တက်ကြွပါသည်။ သံမဏိစက်ရုံများတွင် အသုံးပြုသော သံမဏိစက်ရုံများတွင် သံမဏိကို ခံနိုင်ရည်ရှိသော သတ္တုကြိတ်စက်များတွင် အသုံးပြုပါသည်။ corrosion) နှင့် သတ္တုစပ်သံမဏိများ (နီကယ်သည် ၎င်း၏ ပျော့ပျောင်းမှုနှင့် ခိုင်ခံ့မှုကို ထိန်းသိမ်းထားစဉ် သတ္တုစပ်၏ ခိုင်ခံ့မှုကို တိုးစေသည်)၊ ဖော့စဖိတ်ဓာတ်မြေသြဇာ အသုံးချခြင်းနှင့် တိရစ္ဆာန်များထုတ်လုပ်ခြင်းကဲ့သို့ ပြင်းထန်သော စိုက်ပျိုးရေးများသည် ဒေသတွင်းရှိ နီကယ်၏ အလားအလာရှိသော အရင်းအမြစ်များကို သုတေသနပြုခြင်းဖြစ်သည် (ဥပမာ၊ သိုးသငယ်များနှင့် အစာနည်းသောနွားများတွင် နီကယ်ထည့်ခြင်း)။ လျှပ်စစ်ပလပ်စတစ်အသုံးပြုခြင်းနှင့် သုတေသနတွင် နီကယ်အသုံးပြုခြင်းအပါအဝင် အခြားစက်မှုဇုန်များတွင် လျှပ်စစ်ပလပ်စတစ်အသုံးပြုခြင်းနှင့် နီကယ်နစ်ကယ်အသုံးပြုခြင်း အပါအဝင် သုတေသနနယ်ပယ်များတွင် နစ်ကယ်အသုံးပြုမှုများ ပါဝင်သည်။ ပလပ်ခြင်းလုပ်ငန်းစဉ်များ။မြေဆီလွှာ၏ဂုဏ်သတ္တိများကိုမြေဆီလွှာအရောင်၊ဖွဲ့စည်းပုံနှင့်ကာဗွန်နိတ်ပါဝင်မှုများမှအလွယ်တကူခွဲခြားနိုင်သည်။မြေဆီလွှာသည်မိခင်ပစ္စည်းမှဆင်းသက်လာသောအလတ်စားမှဆင်းသက်လာသည်။၎င်းတို့သည်သဘာဝတွင် colluvial, alluvial သို့မဟုတ် aeolian များဖြစ်သည်။ အချို့သောမြေဆီလွှာဧရိယာများသည်ကွန်ကရစ်နှင့်အရောင်ချွတ်ခြင်းများဖြင့်မကြာခဏဖြစ်ပေါ်လေ့ရှိပြီးမျက်နှာပြင်နှင့်မြေအောက်ပိုင်းများတွင်အမှုန်အမွှားများပေါ်လာပါသည်။သို့သော်အများဆုံးတွေ့ရသောမြေဆီလွှာတွင် cambisols အမျိုးအစား 8 မျိုးရှိပါသည်။ အမြင့် 455.1 မှ 493.5 မီတာ၊ Cambisols သည် Czech Republic49 ကိုလွှမ်းမိုးထားသည်။
လေ့လာမှုဧရိယာမြေပုံ [လေ့လာမှုဧရိယာမြေပုံကို ArcGIS Desktop (ESRI၊ Inc၊ ဗားရှင်း 10.7၊ URL- https://desktop.arcgis.com) ဖြင့် ဖန်တီးထားသည်။]
Frydek Mistek ခရိုင်ရှိ မြို့ပြနှင့် မြို့ပြမြေဆီလွှာ စုစုပေါင်း 115 ခုကို ရယူခဲ့သည်။ နမူနာပုံစံကို အသုံးပြုထားသော နမူနာပုံစံမှာ ပုံမှန်ဇယားကွက်တစ်ခုဖြစ်ပြီး 2×2 ကီလိုမီတာအကွာမှ မြေဆီလွှာနမူနာကို လက်ကိုင် GPS စက် (Leica Zeno 5c အိတ်ထဲတွင် စနစ်တကျ ထုပ်ပိုးထားသော GPS) ကို အသုံးပြု၍ အပေါ်ယံမြေဆီလွှာကို အနက် 0 မှ 20 စင်တီမီတာတွင် တိုင်းတာပါသည်။ ဓာတ်ခွဲခန်း။နမူနာများကို အမှုန့်ပြု၍ စက်ပိုင်းဆိုင်ရာစနစ် (Fritsch disc ကြိတ်) ဖြင့် အခွံခွာပြီး ဆန်ခါ (ဆန်ခါအရွယ်အစား 2 မီလီမီတာ) အခြောက်လှန်းထားသော၊ တစ်သားတည်းဖြစ်စေပြီး ဆန်ခါထုတ်ထားသော မြေနမူနာ ၁ ဂရမ်ကို ရှင်းရှင်းလင်းလင်း တံဆိပ်တပ်ထားသော တီဖလွန်ပုလင်းများတွင် ထားပေးပါ။ Teflon အိုးတစ်ခုစီတွင် H 7% H 3% 3% နှင့် 3% H ၏ 7% H. အလိုအလျောက်ဆေး - အက်ဆစ်တစ်ခုစီအတွက် တစ်ခု)၊ ပေါ့ပေါ့ပါးပါး ဖုံးအုပ်ပြီး နမူနာများကို တုံ့ပြန်မှု (aqua regia ပရိုဂရမ်) အတွက် တစ်ညလုံး ရပ်တည်ခွင့်ပြုပါ။ supernatant ကို ပူပြင်းသောသတ္တုပန်းကန်ပြား (အပူချိန်- 100 W နှင့် 160 °C) တွင် 2 နာရီကြာအောင်ထားပြီး နမူနာများ၏ အစာခြေမှုလုပ်ငန်းစဉ်ကို လွယ်ကူချောမွေ့စေရန်၊ ထို့နောက် အအေးခံပါ။ supernatant ကို 50 ml နှင့် 50 ml ကို ပျော့ပျောင်းသောပမာဏသို့ ရေသို့ ပြောင်းရွှေ့ပါ။ ထို့နောက် 50 ml ရှိသော PVC tube ထဲသို့ အရောဝင်ထားသော ရေများကို ဖယ်ထုတ်ထားသော PVC ပြွန်ထဲသို့ စစ်ထုတ်ပေးပါသည်။ ထို့အပြင် ဖျော်ရည်၏ 1 ml ကို 9 ml of deionized water ဖြင့် ရောပြီး PTE pseudo-concentration အတွက် ပြင်ဆင်ထားသော 12 ml tube ထဲသို့ စစ်ထုတ်ပေးပါသည်။ PTEs ပြင်းအား (As, Cd, Cr, Kub) Mn၊ စံနည်းလမ်းများနှင့် သဘောတူညီချက်အရ ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA)။ အရည်အသွေးအာမခံချက်နှင့် ထိန်းချုပ်မှု (QA/QC) လုပ်ထုံးလုပ်နည်းများ (SRM NIST 2711a Montana II မြေဆီလွှာ) လေ့လာမှုတွင် ဤလေ့လာမှု၏ ထက်ဝက်အောက်ရှိ ထောက်လှမ်းနိုင်သည့် ကန့်သတ်ချက်ပါရှိသော PTE များကို ဖယ်ထုတ်ထားသည်။ 0.0004.(သင်)။ထို့ပြင်၊ ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုစီအတွက် အရည်အသွေးထိန်းချုပ်မှုနှင့် အရည်အသွေးအာမခံမှုလုပ်ငန်းစဉ်ကို ကိုးကားမှုစံနှုန်းများကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် သေချာစေပါသည်။ အမှားအယွင်းများနည်းပါးသွားစေရန် သေချာစေရန်၊ နှစ်ဆခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ခဲ့ပါသည်။
Empirical Bayesian Kriging (EBK) သည် မြေဆီလွှာသိပ္ပံကဲ့သို့သော နယ်ပယ်အသီးသီးတွင် စံနမူနာပြုရာတွင် အသုံးပြုသည့် geostatistical interpolation နည်းပညာများစွာထဲမှတစ်ခုဖြစ်သည်။ အခြားသော kriging interpolation နည်းပညာများနှင့်မတူဘဲ၊ EBK သည် semivariogram မော်ဒယ်မှ ခန့်မှန်းထားသော error ကိုထည့်သွင်းစဉ်းစားခြင်းဖြင့် ကွဲပြားပါသည်။ EBK interpolation တွင် တစ်ခုတည်းသော semivariogram ပုံစံများကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ semivariogram.Interpolation နည်းစနစ်များသည် လုံလောက်သော kriging method ၏ အလွန်ရှုပ်ထွေးသော အစိတ်အပိုင်းတစ်ခုဖြင့် ဖွဲ့စည်းထားသည့် semivariogram ၏ ဤကြံစည်မှုနှင့် ဆက်စပ်နေသော မသေချာမရေရာမှုများနှင့် ပရိုဂရမ်ရေးဆွဲခြင်းအတွက် နည်းလမ်းကို ဖန်တီးပေးပါသည်။ EBK ၏ interpolation လုပ်ငန်းစဉ်သည် Krivoruchko50 မှ အဆိုပြုထားသော စံသတ်မှတ်ချက်သုံးခုကို လိုက်နာသည်၊ (က) မော်ဒယ်သည် ခန့်မှန်းထားသော ဒေတာအတွဲတစ်ခုစီမှ ထုတ်လုပ်လိုက်သော တန်ဖိုးတစ်ခုစီမှ semivariogram ကို ခန့်မှန်းထားသည်) (b) semivariogram နှင့် (ဂ) နောက်ဆုံး မော်ဒယ် A ကို simulated dataset တစ်ခုမှ တွက်ချက်ပါသည်။ Bayesian equation rule ကို posterior အဖြစ် ပေးထားသည်
\(Prob\left(A\right)\) သည် ရှေ့ကို ကိုယ်စားပြုသည့် နေရာတွင် \(Prob\left(B\right)\) marginal probability ကို ကိစ္စအများစုတွင် လျစ်လျူရှုထားသည်၊ \(Prob (B,A)\ ) . semivariogram တွက်ချက်မှုသည် Bayes ၏ စည်းမျဉ်းအပေါ် အခြေခံပြီး၊ ၎င်းသည် semivaration datasets ၏ propensity ကိုပြသသော semivaration datasets ကို အသုံးပြု၍ ဖန်တီးသည်။ Semivariogram မှ စူးစမ်းလေ့လာမှုဆိုင်ရာ ဒေတာအစုတစ်ခုကို ဖန်တီးရန် မည်မျှဖြစ်နိုင်သည်ကို ဖော်ပြသည့် Bayes ၏ စည်းမျဉ်း။
ပံ့ပိုးမှု vector စက်သည် တူညီသော်လည်း linearly သီးခြားလွတ်လပ်သောအတန်းများကိုခွဲခြားရန် အကောင်းမွန်ဆုံးခွဲခြားထားသော hyperplane ကိုဖန်တီးပေးသည့် စက်သင်ယူမှု algorithm တစ်ခုဖြစ်သည်။ Vapnik51 သည် ရည်ရွယ်ချက်အမျိုးအစားခွဲခြားခြင်း algorithm ကိုဖန်တီးထားသော်လည်း မကြာသေးမီက ၎င်းကို regression-oriented problems များကိုဖြေရှင်းရန်အတွက် အသုံးပြုထားသည်။ Li et al.52 အရ အကောင်းဆုံးဖြစ်သည်၊ အတန်းအစား နှင့် SVM သည် နယ်ပယ်အမျိုးမျိုးတွင် အသုံးပြုထားသည်။ ဤခွဲခြမ်းစိတ်ဖြာမှုတွင် SVM (Support Vector Machine Regression – SVMR) ၏ အစိတ်အပိုင်းကို အသုံးပြုခဲ့သည်။Cherkassky နှင့် ​​Mulier53 သည် SVMR ကို kernel-based regression အဖြစ် ရှေ့ဆောင်ခဲ့ပြီး၊ နိုင်ငံပေါင်းစုံ spatial functions များပါရှိသော linear regression model ကိုအသုံးပြုထားသည့် တွက်ချက်မှုအား တွက်ချက်ခြင်း ဖြစ်သည်။ လိုင်းမဟုတ်သော ဆက်ဆံရေးများကို ဖန်တီးပြီး spatial functions များကို ခွင့်ပြုသည်။ Vohland et al အရ၊ 55၊ epsilon (ε)-SVMR သည် ဆက်စပ်ဒေတာများကို လေ့ကျင့်ခြင်းမှ အကောင်းဆုံး epsilon ဘက်လိုက်မှုဖြင့် သီးခြားလွတ်လပ်စွာ မြေပုံဆွဲရန် အသုံးပြုသည့် epsilon-insensitive လုပ်ဆောင်ချက်အဖြစ် ကိုယ်စားပြုစံနမူနာကို ရယူရန် လေ့ကျင့်ထားသော dataset ကို အသုံးပြုပါသည်။ ဆက်စပ်ဒေတာများကို ကြိုတင်သတ်မှတ်ထားသော အကွာအဝေးအမှားကို ပကတိတန်ဖိုးမှ လျစ်လျူရှုထားပြီး အမှားအယွင်းသည် ရှုပ်ထွေးပါက မြေဆီလွှာ၏ မော်ဒယ်ထက် ပိုကြီးမည်ဆိုပါက compensate ε(ε) လေ့ကျင့်ရေးဒေတာသည် ပိုမိုကျယ်ပြန့်သော ပံ့ပိုးမှု vectors ၏ အစုခွဲတစ်ခုသို့ဖြစ်သည်။ Vapnik51 မှ အဆိုပြုထားသော ညီမျှခြင်းကို အောက်တွင်ပြထားသည်။
b သည် scalar အဆင့်သတ်မှတ်ချက်ကို ကိုယ်စားပြုသည့်နေရာ၊ \(K\left({x}_{,}{ x}_{k}\right)\) သည် kernel လုပ်ဆောင်ချက်ကို ကိုယ်စားပြုသည်၊ \(\alpha\) သည် Lagrange မြှောက်ခြင်းကို ကိုယ်စားပြုသည်၊ N သည် ကိန်းဂဏာန်းဒေတာအတွဲကို ကိုယ်စားပြုသည်၊ \({x}_{k}\) သည် ဒေတာထည့်သွင်းမှုကို ကိုယ်စားပြုသည်၊ ဒေတာ၏ အထွက်သည် \(One\) ဖြစ်သည်။ Gaussian radial အခြေခံလုပ်ဆောင်မှု (RBF) ဖြစ်သည်။ လုပ်ဆောင်မှုဖြစ်သည့် RBF kernel သည် PTE လေ့ကျင့်ရေးဒေတာအတွက် အသိမ်မွေ့ဆုံးသော ပြစ်ဒဏ်သတ်မှတ်အချက် C နှင့် kernel parameter gamma (γ) ကိုရရှိရန် အကောင်းမွန်ဆုံး SVMR မော်ဒယ်ကို ဆုံးဖြတ်ရန်အတွက် အရေးကြီးသော RBF kernel ကို အသုံးပြုထားသည်။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးအစုံကို အကဲဖြတ်ပြီး မော်ဒယ်ဘောင်စွမ်းဆောင်ရည်ကို စမ်းသပ်ပြီး အသုံးပြုသည့် စံနှုန်းသတ်မှတ်ခြင်းမှာ အကျုံးဝင်ပါသည်။ svmRadial
Multiple linear regression model (MLR) သည် အနိမ့်ဆုံး စတုရန်းပုံနည်းလမ်းကို အသုံးပြု၍ တွက်ချက်ထားသော linear pooled parameters များကို အသုံးပြုခြင်းဖြင့် တုံ့ပြန်မှု variable နှင့် ခန့်မှန်းသူ variable အများအပြားအကြား ဆက်စပ်မှုကို ကိုယ်စားပြုသည့် ဆုတ်ယုတ်မှုပုံစံတစ်ခုဖြစ်သည်။ MLR တွင်၊ အနည်းဆုံးစတုရန်းပုံစံသည် explanatory variables များကိုရွေးချယ်ပြီးနောက် မြေဆီလွှာဂုဏ်သတ္တိများ၏ ကြိုတင်ခန့်မှန်းလုပ်ဆောင်မှုတစ်ခုဖြစ်သည်။ TE မှရှင်းပြထားသော variables ဆက်ဆံရေးကို အသုံးပြု၍ တုံ့ပြန်နိုင်သော မျဉ်းကြောင်းများကို အသုံးပြုရန်လိုအပ်ပါသည်။ ရှင်းပြချက် ကိန်းရှင်များနှင့် မျဉ်းကြောင်းတူ ဆက်နွယ်မှုကို ထူထောင်ရန်အတွက် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် အသုံးပြုခဲ့သည်။ MLR ညီမျှခြင်းသည်
y သည် တုံ့ပြန်မှု variable ဖြစ်ပြီး၊ \(a\) သည် ကြားဖြတ်၊ n သည် ကြိုတင်ခန့်မှန်းသူ အရေအတွက်ဖြစ်သည်၊ \({b}_{1}\) သည် coefficients ၏ တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှုဖြစ်သည်၊ \({x}_{ i}\) သည် ခန့်မှန်းသူ သို့မဟုတ် ရှင်းပြနိုင်သော ကိန်းရှင်ကို ကိုယ်စားပြုပြီး \({\varepsilon }_{i}\) သည် မော်ဒယ်တွင် erid ဟုခေါ်သည်။
ရောစပ်ထားသော မော်ဒယ်များကို EBK ကို SVMR နှင့် MLR ဖြင့် ပေါင်းစည်းခြင်းဖြင့် ရရှိခဲ့သည်။ ၎င်းကို EBK interpolation မှ ခန့်မှန်းတန်ဖိုးများကို ထုတ်ယူခြင်းဖြင့် လုပ်ဆောင်သည်။ ပေါင်းစပ်ပေါင်းစပ်ထားသော Ca၊ K နှင့် Mg တို့မှ ရရှိသော ခန့်မှန်းတန်ဖိုးများကို CaK၊ KM၊ CagMg ကဲ့သို့သော ကိန်းရှင်အသစ်များရရှိရန် ပေါင်းစပ်ထားသော ပေါင်းစပ်လုပ်ငန်းစဉ်တစ်ခုမှတဆင့် ရရှိပါသည်။ ထို့နောက် KG နှင့် ဒြပ်စင်များကို ရရှိမည်ဖြစ်သည်။ စတုတ္ထမပြောင်းလဲနိုင်သော၊ CaKMg။ စုစုပေါင်း၊ ရရှိသောကိန်းရှင်များမှာ Ca၊ K၊ Mg၊ CaK၊ CaMg၊ KMg နှင့် CaKMg ဖြစ်သည်။ ဤကိန်းရှင်များသည် ကျွန်ုပ်တို့၏ကြိုတင်ခန့်မှန်းသူများဖြစ်လာခဲ့ပြီး၊ မြို့ပြနှင့်မြို့ပြမြေများတွင် နီကယ်ပါဝင်မှုအား ကြိုတင်ခန့်မှန်းရန် ကူညီပေးသည်။ အဆိုပါ SVMR အယ်လဂိုရီသမ်ကို ကြိုတင်ခန့်မှန်းရန်အတွက် SVMR အယ်လဂိုရီသမ်ကို လုပ်ဆောင်ခဲ့သည်။ Kriging-Support Vector Machine (EBK_SVM)။ထို့အတူ၊ ပုံစံကွဲများကို MLR အယ်လဂိုရီသမ်မှတဆင့်လည်း ပိုက်ထည့်သည် မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် Ni ပါဝင်မှုအား ကြိုတင်ခန့်မှန်းချက်များ။ ရရှိသော လက်ခံနိုင်ဆုံးသောပုံစံ (EBK_SVM သို့မဟုတ် EBK_MLR) သည် ကိုယ်တိုင်စုစည်းထားသော ဂရပ်ကိုအသုံးပြု၍ ရုပ်မြင်သံကြားဖြင့် မြင်သာမြင်သာမည်ဖြစ်သည်။ ဤလေ့လာမှု၏လုပ်ငန်းအသွားအလာကို ပုံ 2 တွင် ပြထားသည်။
SeOM ကိုအသုံးပြုခြင်းသည် ဘဏ္ဍာရေးကဏ္ဍ၊ ကျန်းမာရေးစောင့်ရှောက်မှု၊ စက်မှုလုပ်ငန်း၊ စာရင်းအင်းပညာ၊ မြေဆီလွှာသိပ္ပံနှင့် အခြားအရာများတွင် ဒေတာများကို စုစည်းခြင်း၊ အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းခြင်းအတွက် ရေပန်းစားသော ကိရိယာတစ်ခု ဖြစ်လာခဲ့သည်။SeOM သည် အဖွဲ့အစည်း၊ အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းခြင်းအတွက် ကြီးကြပ်မှုမရှိသော သင်ယူမှုနည်းလမ်းများကို အသုံးပြုထားသည်။ ဤလေ့လာမှုတွင်၊ SeOM သည် Ni အာရုံစူးစိုက်မှုကို မြင်သာစေရန် အသုံးပြုထားသည်။ Ni in the Seurban ဒေတာအတွက် အကောင်းဆုံးပုံစံနှင့် Seurban လုပ်ငန်းစဉ်အတွက် Ni in urban data ကိုအခြေခံ၍ အကဲဖြတ်ခြင်းကို n input-dimensional vector variables43,56.Melssen et al အဖြစ်အသုံးပြုသည်။ 57 တစ်ခုတည်းသော အလေးချိန် vector တစ်ခုနှင့် output vector တစ်ခုသို့ input vector တစ်ခုမှတဆင့် neural network သို့ input vector တစ်ခု၏ ချိတ်ဆက်မှုကို ဖော်ပြပါ။ SeOM မှ ထုတ်လုပ်သော output သည် မတူညီသော နျူရွန်များ သို့မဟုတ် node များပါဝင်သည့် နှစ်ဖက်မြင်မြေပုံဖြစ်ပြီး ၎င်းတို့၏ အနီးစပ်ဆုံးအရ ဆဋ္ဌဂံ၊ စက်ဝိုင်းပုံ သို့မဟုတ် စတုရန်း topological မြေပုံများအဖြစ် ယက်လုပ်ပါသည်။ 55-map ယူနစ် (5 × 11)ဖြစ်သည့် 0.086 နှင့် 0.904 အသီးသီးရှိသော SeOM မော်ဒယ်ကို ရွေးချယ်ထားသည်။ နျူရွန်တည်ဆောက်ပုံအား empirical equation ရှိ node အရေအတွက်အလိုက် ဆုံးဖြတ်သည်
ဤလေ့လာမှုတွင်အသုံးပြုသည့်ဒေတာအရေအတွက်မှာ 115 နမူနာဖြစ်သည်။ ကျပန်းချဉ်းကပ်နည်းကို ဒေတာစမ်းသပ်မှုဒေတာ (အတည်ပြုမှုအတွက် 25%) နှင့် လေ့ကျင့်ရေးဒေတာအတွဲ (75% ကို ချိန်ညှိရန်အတွက်) ကျပန်းချဉ်းကပ်နည်းကို အသုံးပြုထားသည်။ လေ့ကျင့်ရေးဒေတာအစုံကို ဆုတ်ယုတ်မှုပုံစံ (စံကိုက်ချိန်ညှိခြင်း) ထုတ်ပေးရန်အတွက် အသုံးပြုထားပြီး စမ်းသပ်ဒေတာအစုံကို ယေဘူယျလုပ်ဆောင်နိုင်မှု 58. ၎င်းကို အသုံးပြုထားသည့် မော်ဒယ်များ၏ ကိုက်ညီမှုရှိသော မော်ဒယ်များကို အကဲဖြတ်ရန် အသုံးပြုပါသည်။ ဆယ်ဆ အပြန်အလှန်အတည်ပြုခြင်းလုပ်ငန်းစဉ်ကို ငါးကြိမ်ထပ်လုပ်ခဲ့သည်။ EBK interpolation မှထုတ်လုပ်ထားသော ကိန်းရှင်များကို ပစ်မှတ်မပြောင်းလဲနိုင်သော (PTE) ကိုခန့်မှန်းရန် ခန့်မှန်းသူများ သို့မဟုတ် ရှင်းလင်းချက်ပြကွက်များအဖြစ် အသုံးပြုသည်။ ပက်ကေ့ဂျ်စာကြည့်တိုက်(Kohonen)၊ စာကြည့်တိုက်(caret)၊ စာကြည့်တိုက်(မော်ဒယ်)၊ စာကြည့်တိုက်(“e1071”)၊စာကြည့်တိုက်ကိုအသုံးပြု၍ မော်ဒယ်ကို RStudio တွင် ကိုင်တွယ်သည်။ prospectr”) နှင့် စာကြည့်တိုက်များ (“မက်ထရစ်များ”)။
မြေဆီလွှာရှိ နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် သင့်လျော်သည့် အကောင်းဆုံးမော်ဒယ်ကို ဆုံးဖြတ်ရန်နှင့် မော်ဒယ်၏ တိကျမှုနှင့် ၎င်း၏တရားဝင်မှုကို အကဲဖြတ်ရန် အမျိုးမျိုးသော အထောက်အထားများကို အသုံးပြုထားသည်။ ပေါင်းစပ်မှုပုံစံများကို mean absolute error (MAE)၊ root mean square error (RMSE) နှင့် R-squared သို့မဟုတ် coefficient in the 2R ၏ အဖြေကို အချိုးအစားသတ်မှတ်ခြင်း (R2) ဖြင့် အကဲဖြတ်ပါသည်။ ဆုတ်ယုတ်မှုပုံစံ။RMSE နှင့် လွတ်လပ်သောအတိုင်းအတာများတွင် ကွဲလွဲမှုပြင်းအားသည် မော်ဒယ်၏ခန့်မှန်းစွမ်းအားကိုဖော်ပြသည်၊ MAE သည် အမှန်တကယ်ပမာဏတန်ဖိုးကိုဆုံးဖြတ်သည်။ တရားဝင်သတ်မှတ်ချက်ဘောင်များကိုအသုံးပြု၍ အကောင်းဆုံးအရောအနှောမော်ဒယ်ကိုအကဲဖြတ်ရန် R2 တန်ဖိုးသည် မြင့်ရမည်ဖြစ်ပြီး၊ တန်ဖိုးသည် 1 နှင့်ပိုနီးစပ်လေလေ၊ တိကျမှုပိုမြင့်လေဖြစ်သည်။ Li et al အရ သိရသည်။ 59၊ R2 စံသတ်မှတ်ချက်တန်ဖိုးသည် 0.75 သို့မဟုတ် ထို့ထက်ပို၍ ကောင်းမွန်သောကြိုတင်ခန့်မှန်းသူအဖြစ် ယူဆပါသည်။ 0.5 မှ 0.75 သည် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်ဖြစ်ပြီး 0.5 အောက်တွင် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်ဖြစ်သည်။ RMSE နှင့် MAE validation စံအကဲဖြတ်ခြင်းနည်းလမ်းများကို အသုံးပြု၍ မော်ဒယ်ကိုရွေးချယ်သောအခါ၊ ရရှိသောတန်ဖိုးများသည် လုံလောက်ပြီး အကောင်းဆုံးရွေးချယ်မှုအဖြစ် သတ်မှတ်ခံရပါသည်။ အောက်ပါညီမျှခြင်းသည် အတည်ပြုနည်းလမ်းကို ဖော်ပြပါသည်။
n သည် တိုင်းတာထားသော တန်ဖိုး၏ အရွယ်အစားကို ကိုယ်စားပြုသည့်နေရာတွင် \({Y}_{i}\) သည် တိုင်းတာထားသော တုံ့ပြန်မှုကို ကိုယ်စားပြုသည်၊ နှင့် \({\widehat{Y}}_{i}\) သည်လည်း ခန့်မှန်းထားသည့် တုံ့ပြန်မှုတန်ဖိုးကို ကိုယ်စားပြုသည်၊ ထို့ကြောင့်၊ ပထမ i လေ့လာမှုများအတွက် ဖြစ်သည်။
ခန့်မှန်းသူနှင့် တုံ့ပြန်မှုကိန်းရှင်များ၏ ကိန်းဂဏန်းစာရင်းအင်းဖော်ပြချက်များကို ဇယား 1 တွင် ဖော်ပြထားပြီး ပျမ်းမျှ၊ စံသွေဖည်မှု (SD)၊ ကွဲလွဲမှု၏ကိန်းဂဏန်း (CV)၊ အနိမ့်ဆုံး၊ အမြင့်ဆုံး၊ kurtosis နှင့် skewness။ ဒြပ်စင်များ၏ အနိမ့်ဆုံးနှင့် အမြင့်ဆုံးတန်ဖိုးများသည် Mg < Ca < K < Ni နှင့် Ca < Mg < K < Ni၊ လေ့လာမှုဧရိယာမှ 4.86 မှ 42.39 mg/kg အထိရှိပါသည်။ Ni သည် ကမ္ဘာ့ပျမ်းမျှ (29 mg/kg) နှင့် European ပျမ်းမျှ (37 mg/kg) နှင့် နှိုင်းယှဉ်ပါက လေ့လာမှုဧရိယာအတွက် တွက်ချက်ထားသော ဂျီဩမေတြီပျမ်းမျှအတိုင်းအတာသည် ခံနိုင်ရည်ရှိသောအတိုင်းအတာအတွင်းတွင် ရှိနေကြောင်းပြသခဲ့သည်။ မည်သို့ပင်ဆိုစေကာမူ Kabata-Pendias11 မှပြသထားသည့်အတိုင်း ဆွီဒင်နိုင်ငံရှိ စိုက်ပျိုးရေးဆိုင်ရာ ပျမ်းမျှအား (Ni) ၏ နှိုင်းယှဉ်ချက် (Niick) ၏ လက်ရှိလေ့လာမှုအရ ပျမ်းမျှအားဖြင့်၊ လက်ရှိ ပျမ်းမျှ နီကယ်ပြင်းအား ပိုများသည်။ အလားတူပင်၊ လက်ရှိ လေ့လာမှုရှိ မြို့ပြနှင့် မြို့ပြမြေများတွင် Frydek Mistek ၏ ပျမ်းမျှ စူးစိုက်မှုသည် (Ni 16.15 mg/kg) သည် ပိုလန်မြို့ပြမြေများတွင် အစီရင်ခံထားသည့် Ni အတွက် 60 (10.2 mg/kg) ထက် ပိုများသည် လက်ရှိလေ့လာမှုနှင့် နှိုင်းယှဉ်ပါက Tuscany ရှိ မြို့ပြမြေများတွင် ပြင်းအား (1.78 mg/kg) ပါဝင်သည်။Jim62 သည် ဟောင်ကောင်မြို့ပြမြေများတွင် နီကယ်ပါဝင်မှု (12.34 mg/kg) လျော့နည်းသည်ကို တွေ့ရှိခဲ့ပြီး၊ ဤလေ့လာမှုတွင် လက်ရှိ နီကယ်ပါဝင်မှုထက် လျော့နည်းကြောင်း Birke et al63 က ဂျာမနီနိုင်ငံရှိ ပျမ်းမျှ Ni concentration of 17.6 mg/kg နှင့် Sabany တွင် စက်မှုလုပ်ငန်းဟောင်းတစ်ခုတွင် ပျမ်းမျှ Ni concentration of 17.6 mg/kg ရှိကြောင်း သိရသည်။ ဧရိယာရှိ ပျမ်းမျှ Ni ပြင်းအား (16.15 မီလီဂရမ်/ကီလိုဂရမ်) ထက် 1.45 မီလီဂရမ်/ကီလိုဂရမ် ပိုများနေသည်။လက်ရှိ သုတေသန။ လေ့လာချက်ဧရိယာ၏ မြို့ပြနှင့် ဆင်ခြေဖုံးဒေသအချို့ရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှု လွန်ကဲနေခြင်းသည် သံနှင့်သံမဏိလုပ်ငန်းနှင့် သတ္တုစက်မှုလုပ်ငန်းတို့မှ အဓိကအားဖြင့် ဆက်စပ်နေပါသည်။ ၎င်းသည် Khodadoust et al ၏ လေ့လာမှုနှင့် ကိုက်ညီပါသည်။ 64 သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းသည် မြေဆီလွှာတွင် နီကယ်ညစ်ညမ်းမှု၏ အဓိကရင်းမြစ်ဖြစ်ကြောင်း 64၊ သို့သော်လည်း ကြိုတင်ခန့်မှန်းသူများသည် Ca အတွက် 538.70 mg/kg မှ 69,161.80 mg/kg၊ Mg.Jakovljevic et al ။ 65 သည် ဆားဘီးယားအလယ်ပိုင်းရှိ မြေဆီလွှာ၏ Mg နှင့် K ပါဝင်မှု စုစုပေါင်းကို လေ့လာခဲ့သည်။ ၎င်းတို့သည် စုစုပေါင်းပြင်းအား (410 mg/kg နှင့် 400 mg/kg အသီးသီး) သည် လက်ရှိလေ့လာမှု၏ Mg နှင့် K ပြင်းအားထက် နည်းပါးကြောင်း တွေ့ရှိခဲ့သည်။ ပိုလန်အရှေ့ပိုင်း၊ Orzechowski နှင့် Smolczynski66 ၏ ပျမ်းမျှပါဝင်မှု Ca ပါဝင်မှုကို Ca နှင့် Ca ပါဝင်မှုကို ပျမ်းမျှပြသခဲ့သည်။ (1100 mg/kg), Mg (590 mg/kg) နှင့် K (810 mg/kg) မြေဆီလွှာတွင် ပါဝင်မှုသည် ဤလေ့လာမှုရှိ တစ်ခုတည်းသောဒြပ်စင်များထက် နိမ့်ပါးပါသည်။ Pongrac et al မှ မကြာသေးမီက လေ့လာချက်တစ်ခု။ ဗြိတိန်နိုင်ငံ၊ စကော့တလန်နိုင်ငံရှိ မတူညီသောမြေ ၃ မျိုးတွင် ခွဲခြမ်းစိတ်ဖြာထားသော စုစုပေါင်း Ca ပါဝင်မှု (Mylnefield မြေဆီလွှာ၊ Balruddery မြေနှင့် Hartwood မြေ) သည် ဤလေ့လာမှုတွင် Ca ပါဝင်မှု ပိုမိုမြင့်မားသည်ကို ညွှန်ပြနေပါသည်။
နမူနာယူထားသောဒြပ်စင်များ၏ ကွဲပြားသော တိုင်းတာမှုပြင်းအားကြောင့်၊ ဒြပ်စင်များ၏ ဒေတာအစုံဖြန့်ဝေမှုသည် ကွဲလွဲမှုကွဲပြားကြောင်းပြသသည်။ ဒြပ်စင်များ၏ skewness နှင့် kurtosis သည် 1.53 မှ 7.24 နှင့် 2.49 မှ 54.16 အသီးသီးရှိပါသည်။ တွက်ချက်ထားသောဒြပ်စင်များအားလုံးတွင် skewness နှင့် kurtosis အဆင့်များရှိကြောင်း၊ +1 အထက်တွင်ဖော်ပြထားသော skew ဒေတာဖြန့်ဝေမှုတွင် ပုံမှန်ဖြစ်သည်၊ လမ်းကြောင်းမှန်နှင့် အထွတ်အထိပ်သို့ရောက်သည်။ ဒြပ်စင်များ၏ ခန့်မှန်းခြေ CV များသည် K၊ Mg နှင့် Ni တို့သည် အလယ်အလတ်ကွဲလွဲမှုကို ပြသနေသော်လည်း Ca သည် အလွန်မြင့်မားသော ပြောင်းလဲနိုင်စွမ်းရှိကြောင်း ပြသပါသည်။ K၊ Ni နှင့် Mg တို့၏ CV များသည် ၎င်းတို့၏ တစ်ပြေးညီ ဖြန့်ဖြူးမှုကို ရှင်းပြပါသည်။ ထို့အပြင် Ca ဖြန့်ဖြူးမှုသည် ယူနီဖောင်းမဟုတ်သောကြောင့် ပြင်ပအရင်းအမြစ်များက ၎င်း၏ ကြွယ်ဝမှုအဆင့်ကို ထိခိုက်စေနိုင်သည်။
တုံ့ပြန်မှုဒြပ်စင်များနှင့် ခန့်မှန်းသူကိန်းရှင်များ၏ ဆက်စပ်မှုသည် ဒြပ်စင်များကြား ကျေနပ်ဖွယ်ဆက်စပ်မှုကို ညွှန်ပြသည် (ပုံ 3 ကိုကြည့်ပါ)။ CaK သည် အလယ်အလတ်ဆက်စပ်မှုကို CaK မှပြသထားသောကြောင့် r တန်ဖိုး = 0.53 နှင့် CaNi ကဲ့သို့ပင်။ Ca နှင့် K တို့သည် တစ်ခုနှင့်တစ်ခု ကျိုးနွံသောဆက်နွှယ်မှုကို ပြသနေပါသည်။ 68 နှင့် Santo69 တို့သည် မြေဆီလွှာရှိ ၎င်းတို့၏ ပမာဏသည် ပြောင်းပြန်အချိုးကျသည်ဟု အကြံပြုထားသည်။ သို့ရာတွင် Ca နှင့် Mg သည် K နှင့် ဆန့်ကျင်ဘက်ဖြစ်နေသော်လည်း CaK သည် ကောင်းမွန်စွာဆက်စပ်နေသည်။ ပိုတက်စီယမ်တွင် 56% မြင့်မားသော ပိုတက်စီယမ်ကာဗွန်နိတ်ကဲ့သို့သော ဓာတ်မြေသြဇာအသုံးပြုမှုကြောင့် ဖြစ်နိုင်သည်။ ပိုတက်စီယမ်သည် မဂ္ဂနီဆီယမ် (KM3 r = 0.6) ဓာတ်မြေသြဇာများနှင့် နီးစပ်သောကြောင့်ဖြစ်သည်။ ဆာလဖိတ်၊ ပိုတက်စီယမ်မဂ္ဂနီစီယမ်နိုက်ထရိတ်နှင့် ပိုတက်စီယမ်တို့ကို မြေဆီလွှာတွင် အသုံးချသည်။ နီကယ်သည် Ca၊ K နှင့် Mg နှင့် r တန်ဖိုးများ = 0.52၊ 0.63 နှင့် 0.55 အသီးသီးရှိသည်။ ကယ်လစီယမ်၊ မဂ္ဂနီဆီယမ်နှင့် PTE များပါ၀င်သော ဆက်ဆံရေးများဖြစ်သည့် ကယ်လစီယမ်၊ မဂ္ဂနီဆီယမ်နှင့် PTE များပါ၀င်သော ဆက်နွယ်မှုများဖြစ်သည့် ကယ်လစီယမ်ကို ရှုပ်ထွေးစေသည်၊ သို့သော် မဂ္ဂနီစီယမ်၏ ပိုလျှံသော အာနိသင်များ လျော့နည်းသွားသည်၊ မဂ္ဂနီဆီယမ်နှင့် မဂ္ဂနီဆီယမ် နှင့် ကယ်လ်စီယမ် နှစ်မျိုးလုံးသည် မြေဆီလွှာရှိ နီကယ်၏ အဆိပ်အတောက်များကို လျှော့ချပေးသည်။
ကြိုတင်ခန့်မှန်းသူများနှင့် တုံ့ပြန်မှုများကြား ဆက်နွယ်မှုကို ပြသသည့် ဒြပ်စင်များအတွက် ဆက်စပ်မက်ထရစ် (မှတ်ချက်- ဤကိန်းဂဏန်းတွင် ဒြပ်စင်များကြားတွင် ကွဲလွဲမှုတစ်ခုပါဝင်သည်၊ အရေးပါမှုအဆင့်များသည် p < 0,001 ကိုအခြေခံသည်)။
ပုံ 4 သည် ဒြပ်စင်များ၏ spatial ဖြန့်ကျက်မှုကို သရုပ်ဖော်သည်။ Burgos et al70 အရ၊ spatial distribution ကို အသုံးချခြင်းသည် ညစ်ညမ်းသောနေရာများရှိ အပူအအေးများကို အရေအတွက်နှင့် မီးမောင်းထိုးပြရန် အသုံးပြုသည့် နည်းပညာတစ်ခုဖြစ်သည်။ ပုံတွင် Ca ၏ ကြွယ်ဝမှုအဆင့် 4 ကို spatial distribution ၏ အနောက်မြောက်ဘက်တွင် တွေ့မြင်နိုင်ပါသည်။ မြင့်မားသော ကယ်လ်စီယမ်ဓာတ်ကြွယ်ဝသောပုံစံကို မြေပုံတွင် ပြထားသည်။ မြေပုံ၏အနောက်မြောက်ဘက်သည် မြေဆီလွှာအချဉ်ဓာတ်ကိုလျှော့ချရန် Quicklime (calcium oxide) ကိုအသုံးပြုပြီး သံမဏိထုတ်လုပ်သည့်လုပ်ငန်းစဉ်တွင် အယ်ကာလီအောက်ဆီဂျင်အဖြစ် စတီးကြိတ်စက်များတွင်အသုံးပြုခြင်းကြောင့်ဖြစ်နိုင်သည်။ အခြားတစ်ဖက်တွင်၊ အခြားလယ်သမားများသည် အက်စစ်ဓာတ်ပါသောမြေများတွင် ကယ်လ်ဆီယမ်ဟိုက်ဒရောဆိုဒ်ကို အသုံးပြုလိုကြပြီး pH ကိုလည်း ပျက်ပြယ်စေကာ မြေဆီလွှာ၏ကယ်လ်စီယမ်ပါဝင်မှုကိုလည်းတိုးစေသည် 71။ အဓိက စိုက်ပျိုးရေးအသိုင်းအဝိုင်းနှင့် ပိုတက်စီယမ်၏ အလယ်အလတ်မှ မြင့်မားသည့်ပုံစံသည် NPK နှင့် ပိုတက်ဆီယမ် အသုံးချမှုများကြောင့် ဖြစ်နိုင်သည်။ ၎င်းသည် Madaras နှင့် Lipavský72၊ Madaras et al.73၊ Pulkrabová et al.74၊ Asare et al.75၊ မြေဆီလွှာတည်ငြိမ်မှုနှင့် KNP ၏ပါဝင်မှုမြင့်မားသောမြေဆီလွှာကို KNP နှင့် ကုသခြင်းကို လေ့လာတွေ့ရှိခဲ့သူ၊ ဖြန့်ဝေမြေပုံ၏အနောက်မြောက်ဘက်ရှိ နေရာအနှံ့ပိုတက်ဆီယမ်ကြွယ်ဝမှုသည် ပိုတက်စီယမ်ကလိုရိုက်၊ ပိုတက်စီယမ်ဆာလဖိတ်၊ ပိုတက်စီယမ်နိုက်ထရိတ်၊ ပိုတက်စီယမ်နှင့် ပိုတက်စီယမ်ဓာတ်များကဲ့သို့ ပိုတက်စီယမ်အခြေခံမြေသြဇာများကို အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။Zádorová et al. 76 နှင့် Tlustoš et al. 77 K-based ဓာတ်မြေသြဇာကို အသုံးချခြင်းသည် မြေဆီလွှာရှိ K ပါဝင်မှုကို တိုးပွားစေပြီး ရေရှည်တွင် မြေဆီလွှာ အာဟာရဓာတ်ပါဝင်မှုကို သိသိသာသာ တိုးမြင့်လာစေမည်၊ အထူးသဖြင့် K နှင့် Mg သည် မြေဆီလွှာတွင် ပူပြင်းသောနေရာဖြစ်ကြောင်း ဖော်ပြထားပါသည်။ မြေပုံ၏အနောက်မြောက်ဘက်နှင့် မြေပုံ၏ အရှေ့တောင်ဘက်တို့တွင် အတန်အသင့် အလယ်အလတ်ရှိသော ဟော့စပေါ့များ။ မြေဆီလွှာတွင် ကော်လွိုင်ဒယ်လ်ဓာတ်ဖြည့်တင်းမှုသည် မြေဆီလွှာအတွင်းရှိ မဂ္ဂနီဆီယမ်ဓာတ်များ လျော့နည်းသွားစေသည်။ chlorosis။ပိုတက်စီယမ်မဂ္ဂနီဆီယမ်ဆာလဖိတ်၊ မဂ္ဂနီဆီယမ်ဆာလဖိတ်၊ နှင့် Kieserite ကဲ့သို့သော မဂ္ဂနီစီယမ်အခြေခံမြေသြဇာများသည် ချို့တဲ့မှုများ (အပင်များတွင် ခရမ်းရောင်၊ အနီရောင် သို့မဟုတ် အညိုရောင်၊ မဂ္ဂနီဆီယမ်ချို့တဲ့မှုကို ညွှန်ပြသော) မြေဆီလွှာများတွင် ပုံမှန် pH ချို့တဲ့ခြင်း ၆။မြို့ပြနှင့် peri-မြို့ပြမြေမျက်နှာပြင်များပေါ်တွင် နီကယ်များစုပုံလာခြင်းမှာ သံမဏိထုတ်လုပ်မှုနှင့် စိုက်ပျိုးရေးဆိုင်ရာ အရေးပါမှုကဲ့သို့ 8 nthropogenic လုပ်ဆောင်မှုများကြောင့် ဖြစ်နိုင်သည်။
ဒြပ်စင်များ spatial ဖြန့်ချီခြင်း [spatial distribution map ကို ArcGIS Desktop (ESRI, Inc, ဗားရှင်း 10.7, URL: https://desktop.arcgis.com) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
ဤလေ့လာမှုတွင်အသုံးပြုသည့်ဒြပ်စင်များအတွက် မော်ဒယ်စွမ်းဆောင်ရည်အညွှန်းကိန်းရလဒ်များကို ဇယား 2 တွင်ပြသထားသည်။ အခြားတစ်ဖက်တွင်၊ Ni ၏ RMSE နှင့် MAE နှစ်ခုလုံးသည် သုည (0.86 RMSE၊ -0.08 MAE) နှင့်နီးစပ်ပါသည်။တစ်ဖက်တွင်၊ K ၏ RMSE နှင့် MAE တန်ဖိုးများသည် လက်ခံနိုင်ဖွယ်ရှိသည်။ RMSE နှင့် MAE ရလဒ်များသည် ကယ်လ်စီယမ်နှင့် မဂ္ဂနီဆီယမ်တို့ကြောင့် MAE ရလဒ်များပိုမိုများပြားပါသည်။ datasets.The RMSE နှင့် MAE သည် EBK ကိုအသုံးပြု၍ Ni ကိုခန့်မှန်းရန် John et al ၏ရလဒ်များထက်ပိုမိုကောင်းမွန်သည်ကိုတွေ့ရှိခဲ့သည်။ 54 တူညီသောစုဆောင်းထားသောဒေတာကိုအသုံးပြု၍ မြေဆီလွှာရှိ S ပြင်းအားကိုခန့်မှန်းရန် ပေါင်းစပ်ညှိနှိုင်းအသုံးပြုခြင်းအားအသုံးပြုသည်။ ကျွန်ုပ်တို့လေ့လာခဲ့သော EBK ရလဒ်များသည် Fabijaczyk et al နှင့်ဆက်စပ်နေသည်။ 41, Yan et al ။ 79, Beguin et al. 80၊ Adhikary et al ။ 81 နှင့် John et al. အထူးသဖြင့် ကျပ် ၈၂ နဲ့ ဒေါ်။
မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းခြင်းအတွက် တစ်ဦးချင်းနည်းလမ်းများ၏ စွမ်းဆောင်ရည်ကို မော်ဒယ်များ၏ စွမ်းဆောင်ရည် (ဇယား 3) ကို အသုံးပြု၍ အကဲဖြတ်ခဲ့သည်။ မော်ဒယ်၏ မှန်ကန်မှုနှင့် တိကျမှု အကဲဖြတ်မှုသည် EBK SVMR မော်ဒယ်နှင့် ပေါင်းစပ်ထားသော အကောင်းဆုံးစွမ်းဆောင်ရည်ကို ဆိုလိုကြောင်း အတည်ပြုခဲ့သည်။ Calibration model EBK_SV_MR-KR-2 (RMSE) နှင့် ပျမ်းမျှအကြွင်းမဲ့အမှား (MAE) တို့သည် 0.637 (R2), 95.479 mg/kg (RMSE) နှင့် 77.368 mg/kg (MAE) Ca_Mg_K-SVMR သည် 0.663 (R2), 235.974 mg/kg (RMSE) နှင့် 1668 mg/kg (RMSE) နှင့် ကောင်းသော Ca_Mg_K-SVMR (0.663 mg/kg R2) နှင့် Ca_Mg-EBK_SVMR (0.643 = R2) အတွက် တန်ဖိုးများကို ရယူခဲ့သည်။ ၎င်းတို့၏ RMSE နှင့် MAE ရလဒ်များသည် Ca_Mg_K-EBK_SVMR (R2 0.637) အတွက် (R2 0.637) ထက် မြင့်မားသည် (ဇယား 3 ကိုကြည့်ပါ) ထို့အပြင်၊ Ca_Mg-EBK_SVMR ၏ RMSE နှင့် MAE (RMSE = 1664.64 နှင့် MAE = 1031.49) ၏ RMSE တို့သည် 17 မော်ဒယ်ထက် ကြီးမားပါသည်။ Ca_Mg_K-EBK_SVMR. အလားတူပင်၊ Ca_Mg-K SVMR (RMSE = 235.974 နှင့် MAE = 166.946) ၏ RMSE နှင့် MAE တို့သည် Ca_Mg_K-EBK_SVMR မော်ဒယ်များထက် 2.5 နှင့် 2.2 ပိုကြီးသည်၊ ဒေတာတွက်ချက်ပုံနှင့် MAE RMSE တို့ကို အလေးထားဖော်ပြသည်။ အကောင်းဆုံး အံဝင်ခွင်ကျ မျဉ်းနှင့်အတူ။ ပိုမိုမြင့်မားသော RSME နှင့် MAE ကို လေ့လာတွေ့ရှိခဲ့သည်။ Kebonye et al အရ၊ 46 နှင့် ဂျွန် et al ။ 54၊ RMSE နှင့် MAE သည် သုညနှင့် နီးကပ်လေလေ၊ ရလဒ်များ ပိုကောင်းလေဖြစ်သည်။ SVMR နှင့် EBK_SVMR တို့သည် quantized RSME နှင့် MAE တန်ဖိုးများ ပိုမိုမြင့်မားနေပါသည်။ RSME ခန့်မှန်းချက်များသည် MAE တန်ဖိုးများထက် တသမတ်တည်း မြင့်မားနေကြောင်း တွေ့ရှိရပြီး outliers များရှိနေခြင်းကို ညွှန်ပြပါသည်။ Legates နှင့် McCabe83 အရ အဓိပ္ပါယ်မှာ absolute RMMA ထက်ပိုမိုများပြားသည် outliers များရှိနေခြင်းအတွက် အညွှန်းတစ်ခုအဖြစ် အကြံပြုထားသည်။ ဆိုလိုသည်မှာ ဒေတာအတွဲသည် ပိုမိုကွဲပြားလေလေ MAE နှင့် RMSE တန်ဖိုးများ မြင့်မားလေဖြစ်သည်။ Ca_Mg_K-EBK_SVMR ရောစပ်ပုံစံ၏ တိကျမှန်ကန်မှုသည် မြို့ပြနှင့် ဆင်ခြေဖုံးမြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် 63.70% ရှိကြောင်း သိရသည်။ 59၊ ဤတိကျမှုအဆင့်သည် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်နှုန်းတစ်ခုဖြစ်သည်။ လက်ရှိရလဒ်များကို Tarasov et al မှ ယခင်လေ့လာမှုနှင့် နှိုင်းယှဉ်ထားသည်။ 36 မျိုးစပ်မော်ဒယ်သည် လက်ရှိလေ့လာမှုတွင်ဖော်ပြထားသော EBK_SVMR တိကျမှုအကဲဖြတ်ညွှန်းကိန်းနှင့် ဆက်စပ်သော MLPRK (Multilayer Perceptron Residual Kriging) ကို ဖန်တီးခဲ့သည်၊ RMSE (210) နှင့် MAE (167.5) သည် လက်ရှိလေ့လာမှုတွင် ကျွန်ုပ်တို့၏ရလဒ်များ (RMSE 95.4779) ထက် ပိုများနေပါသည်။ 36 အချိန်တွင် MAE၊ Tarasov et al ၏လက်ရှိလေ့လာမှု (0.637)။ 36 (0.544) သည် ဤရောစပ်ထားသောမော်ဒယ်တွင် ဆုံးဖြတ်ချက်ချခြင်းဆိုင်ရာကိန်းဂဏန်း (R2) ပိုများကြောင်း ရှင်းရှင်းလင်းလင်းသိရသည်။ ရောစပ်မော်ဒယ်အတွက် အမှားအယွင်း (RMSE နှင့် MAE) (EBK SVMR) (EBK SVMR) သည် နှစ်ဆနိမ့်သည်။ အလားတူပင်၊ Sergeev et al.34 သည် တီထွင်ထားသည့် Recepting Recepting မော်ဒယ်အတွက် 0.28 (R2))၊ လက်ရှိလေ့လာမှုသည် 0.637 (R2) ဖြစ်သည်။ ဤမော်ဒယ်၏ ခန့်မှန်းတိကျမှုအဆင့် (EBK SVMR) သည် 63.7% ဖြစ်ပြီး Sergeev et al မှ ရရှိသော ခန့်မှန်းတိကျမှုဖြစ်သည်။ 34 သည် 28% ဖြစ်သည်။ ခန့်မှန်းသူအနေဖြင့် EBK_SVMR မော်ဒယ်နှင့် Ca_Mg_K ကိုအသုံးပြု၍ ဖန်တီးထားသော နောက်ဆုံးမြေပုံ (ပုံ။ 5) သည် လေ့လာမှုဧရိယာတစ်ခုလုံးတွင် ပူသောအစက်များနှင့် အလယ်အလတ်မှ နီကယ်အထိ ခန့်မှန်းချက်များကို ပြသသည်။ ဆိုလိုသည်မှာ လေ့လာမှုဧရိယာရှိ နီကယ်၏ပါဝင်မှုသည် အဓိကအားဖြင့် အလယ်အလတ်ဖြစ်ပြီး အချို့သောနေရာများတွင် ပြင်းအားပိုများသည်။
နောက်ဆုံးခန့်မှန်းမြေပုံကို ပေါင်းစပ်မော်ဒယ် EBK_SVMR သုံးပြီး ကိုယ်စားပြုပြီး Ca_Mg_K ကို ခန့်မှန်းပေးသူအဖြစ် အသုံးပြုထားသည်။[Spatial Distribution Map ကို RStudio (ဗားရှင်း 1.4.1717- https://www.rstudio.com/) သုံးပြီး ဖန်တီးထားသည်။]
ပုံ 6 တွင်တင်ပြထားသည့် PTE အာရုံစူးစိုက်မှုသည် အာရုံကြောတစ်ခုစီပါ၀င်သည့် ပေါင်းစပ်မှုလေယာဉ်အဖြစ် PTE အာရုံစူးစိုက်မှုဖြစ်သည်။ အစိတ်အပိုင်းလေယာဉ်များသည် ပြထားသည့်အတိုင်းတူညီသောအရောင်ပုံစံကိုပြသခြင်းမရှိပါ။ သို့သော်၊ ရေးဆွဲထားသောမြေပုံတစ်ခုအတွက်သင့်လျော်သော neurons အရေအတွက်သည် 55.SeOM ကိုအရောင်အမျိုးမျိုးဖြင့်ထုတ်လုပ်ထားပြီး အရောင်ပုံစံများပိုမိုတူညီလေ၊ ၎င်းတို့၏နမူနာတစ်ခုချင်းစီ၏ဂုဏ်သတ္တိများပိုမို၍ K နှင့် Ca (စကေးအရ) အရောင်၊ မြင့်မားသော နျူရွန်တစ်ခုတည်းနှင့် အနိမ့် နျူရွန်အများစုအတွက် ဆင်တူသည့် အရောင်ပုံစံများကို ပြသခဲ့သည်။ ထို့ကြောင့် CaK နှင့် CaMg တို့သည် အလွန်အစီအစဥ်မြင့်မားသော နျူရွန်များနှင့် အနိမ့်မှ အလယ်အလတ် အရောင်ပုံစံများနှင့် ဆင်တူသည်။ မော်ဒယ်နှစ်ခုစလုံးသည် အနီရောင်၊ လိမ္မော်ရောင်နှင့် အဝါရောင်ကဲ့သို့သော အလယ်အလတ်မှ အဝါရောင်များကို ဖော်ပြခြင်းဖြင့် မြေဆီလွှာတွင် Ni ၏ ပြင်းအားကို ခန့်မှန်းသည်။ KMg မော်ဒယ်သည် တိကျသောအရောင်အလတ်စားနှင့် အနိမ့်ဆုံးအရောင်များကို အခြေခံ၍ မြင့်မားသောအရောင်ပုံစံများစွာကို ပြသထားသည်။ နိမ့်မှ မြင့်သည်၊ မော်ဒယ်၏ အစိတ်အပိုင်းများ ၏ အစီအစဥ် ခွဲဝေမှု ပုံစံသည် မြေဆီလွှာအတွင်း နီကယ်ပါဝင်မှု ဖြစ်နိုင်ချေကို ညွှန်ပြသည့် မြင့်မားသော အရောင်ပုံစံကို ပြသထားသည် (ပုံ 4 ကိုကြည့်ပါ) CakMg မော်ဒယ် အစိတ်အပိုင်း လေယာဉ်သည် တိကျသော အရောင်စကေးအရ ကွဲပြားသော အရောင်ပုံစံကို ပြသပါသည်။ ထို့အပြင်၊ မော်ဒယ်၏ ခန့်မှန်းချက်မှာ နီကယ်ပါဝင်မှု (CakMg) 5 တွင် ပြသထားသည့် အမျိုးအစား pat နှင့် ဆင်တူပါသည်။ မြို့ပြနှင့် မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှု မြင့်မားခြင်း၊ အလတ်စားနှင့် အနိမ့်ပိုင်း အချိုးအစားကို ပြသပါသည်။ ပုံ 7 သည် မြေပုံပေါ်တွင် k-means အုပ်စုဖွဲ့ခြင်းရှိ ကွန်တိုနည်းလမ်းကို သရုပ်ဖော်ထားပြီး မော်ဒယ်တစ်ခုစီရှိ ခန့်မှန်းတန်ဖိုးအပေါ် အခြေခံ၍ အစုသုံးစုခွဲထားသည်။ ကွန်တိုနည်းလမ်းသည် အသင့်တော်ဆုံး အစုအရေအတွက်ကို ကိုယ်စားပြုပါသည်။ စုဆောင်းရရှိသော မြေဆီလွှာနမူနာ 115 C မှ အများဆုံး 115 C အမျိုးအစား 7၊ နမူနာ 33 ခု၊ အစုအဖွဲ့ 3 သည် နမူနာ 8 ခုကို လက်ခံရရှိသော်လည်း နမူနာ ခုနစ်ခုပါသော အစုအဝေးသည် မှန်ကန်သော အစုအဝေးကို အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်စေရန် ရိုးရှင်းပါသည်။ မြေဆီလွှာဖွဲ့စည်းခြင်းကို ထိခိုက်စေသော များပြားလှသော မနုဿဂျင်နှင့် သဘာဝဖြစ်စဉ်များကြောင့်၊ ဖြန့်ဝေထားသော SeOM map78 တွင် အစုလိုက်ပုံစံများကို မှန်ကန်စွာ ပိုင်းခြားရန်ခက်ခဲပါသည်။
Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variable တစ်ခုစီမှ အစိတ်အပိုင်း လေယာဉ်ထွက်ရှိမှု။[SeOM မြေပုံများကို RStudio (ဗားရှင်း 1.4.1717- https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
မတူညီသောအစုအဝေးခွဲခြားခြင်းအစိတ်အပိုင်းများ [SeOM မြေပုံများကို RStudio (ဗားရှင်း 1.4.1717- https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
လက်ရှိလေ့လာမှုသည် မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုများအတွက် စံပြနည်းပညာများကို ရှင်းရှင်းလင်းလင်းပြသထားသည်။ အဆိုပါလေ့လာမှုသည် မတူညီသောမော်ဒယ်လ်နည်းပညာများနှင့် ဒြပ်စင်များကို ပေါင်းစပ်ကာ မော်ဒယ်လ်နည်းပညာများနှင့် ပေါင်းစပ်ကာ မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် အကောင်းဆုံးနည်းလမ်းကိုရရှိရန် နည်းလမ်းကိုရရှိရန် SeOM ဖွဲ့စည်းမှုဆိုင်ရာ အသွားအလာ ပိုင်းခြားသတ်မှတ်မှုဆိုင်ရာ စံပြနည်းပညာ၏ နိမိတ်ပုံတွင် တိကျသောအရောင်ကို အနိမ့်မှ မြင့်မားသောအရောင်ပုံစံဖြင့် ပြသထားသည်။ မြေဆီလွှာ။သို့သော်၊ spatial distribution map သည် EBK_SVMR မှပြသထားသော အစိတ်အပိုင်းများ၏ planar spatial ဖြန့်ဖြူးမှုကို အတည်ပြုသည် (ပုံ 5 ကိုကြည့်ပါ။) ရလဒ်များသည် support vector machine regression model (Ca Mg K-SVMR) သည် မြေဆီလွှာတွင် Ni ၏အာရုံစူးစိုက်မှုကို ခန့်မှန်းပေးသည်၊ သို့သော် မှန်ကန်မှုနှင့် တိကျမှုမှာ AE ၏ အခြားသော စံသတ်မှတ်ချက်များနှင့် အလွန်မြင့်မားသော အကဲဖြတ်မှုဆိုင်ရာ သတ်မှတ်ချက်များကို ပြသပါသည်။ လက်တွင်၊ EBK_MLR မော်ဒယ်ဖြင့် အသုံးပြုထားသော မော်ဒယ်လ်နည်းပညာကို အဆုံးအဖြတ်ပေးသည့် coefficient (R2) နိမ့်ခြင်းကြောင့်လည်း ချို့ယွင်းချက်ရှိသည်။ EBK SVMR နှင့် ပေါင်းစပ်ဒြပ်စင်များ (CaKMg) ကို အသုံးပြု၍ RMSE နှင့် MAE အမှားအယွင်းများ 63.7% မှန်ကန်မှုရှိသော ရလဒ်ကောင်းများ ရရှိခဲ့ပါသည်။ မြေဆီလွှာရှိ PTEs များ၏ ပြင်းအားကို ခန့်မှန်းနိုင်သော ပေါင်းစပ် အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။ လေ့လာမှုဧရိယာရှိ Ni အာရုံစူးစိုက်မှုကို ခန့်မှန်းရန် Ca Mg K ကို ကြိုတင်ခန့်မှန်းရန် Ca Mg K ကို အသုံးပြုခြင်းဖြင့် မြေဆီလွှာတွင် Ni ၏ ခန့်မှန်းမှုကို ပိုမိုကောင်းမွန်စေနိုင်သည်။ ဆိုလိုသည်မှာ စတီးလုပ်ငန်းမှ မြေဆီလွှာ၏ နီကယ်အခြေခံဓာတ်မြေသြဇာများနှင့် စက်မှုလေထုညစ်ညမ်းမှုကို စဉ်ဆက်မပြတ် အသုံးချခြင်းသည် မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုနှုန်းကို မြှင့်တင်ပေးနိုင်ကြောင်း လေ့လာမှုအရ သိရသည်။ မြို့ပြ သို့မဟုတ် မြို့ပြမြေဆီလွှာများတွင် မြေဆီလွှာ spatial ဖြန့်ဖြူးမှုပုံစံ၏ တိကျမှန်ကန်မှု။ ယေဘုယျအားဖြင့်၊ မြေဆီလွှာတွင် PTE အကဲဖြတ်ရန်နှင့် ခန့်မှန်းရန် EBK-SVMR မော်ဒယ်ကို အသုံးပြုရန် အဆိုပြုပါသည်။ ထို့အပြင်၊ ကျွန်ုပ်တို့သည် အမျိုးမျိုးသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များဖြင့် ပေါင်းစပ်ရန် EBK ကို အသုံးပြုရန် အဆိုပြုပါသည်။ Ni အာရုံစူးစိုက်မှုကို covariates အဖြစ် ဒြပ်စင်များအသုံးပြု၍ ခန့်မှန်းထားပါသည်။ မည်သို့ပင်ဆိုစေကာမူ ပိုများသော covariates ကိုအသုံးပြုခြင်းသည် လက်ရှိအလုပ်၏ကန့်သတ်ချက်တစ်ခုဟုယူဆနိုင်သည့် model ၏စွမ်းဆောင်ရည်ကို များစွာတိုးတက်စေမည်ဖြစ်သည်။ ဤလေ့လာမှု၏နောက်ထပ်ကန့်သတ်ချက်မှာ datasets အရေအတွက်မှာ 115 ဖြစ်သည်။ ထို့ကြောင့် ဒေတာပိုပေးပါက၊ အဆိုပြုထားသော optimized hybridization နည်းလမ်း၏စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်ပါသည်။
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 April 2021)။
Kasprzak၊ KS Nickel သည် ခေတ်မီပတ်ဝန်းကျင် အဆိပ်သင့်မှုဗေဒ.surroundings.toxicology.11၊ 145–183 (1987) တွင် တိုးတက်လာသည်။
Cempel, M. & Nikel, G. Nickel- ၎င်း၏ရင်းမြစ်များနှင့် ပတ်ဝန်းကျင် အဆိပ်သင့်မှုဆိုင်ရာ သုံးသပ်ချက်။Polish J. Environment.Stud.15၊ 375–382 (2006)။
Freedman၊ B. & Hutchinson၊ TC သည် Sudbury၊ Ontario၊ Canada.can.J.ရှိ နီကယ်-ကြေးနီအရည်ကျိုစက်ရုံအနီးရှိ မြေဆီလွှာနှင့် အသီးအရွက်များတွင် စုပုံနေပြီး လေထုမှ ညစ်ညမ်းသော သွင်းအားစုများ Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)။
Manyiwa, T. et al. Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-0007/s10653-021-0007/s10653-021-009.
Cabata-Pendias.Kabata-Pendias A. 2011။ မြေဆီလွှာရှိဒြပ်စင်များနှင့်… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ ဒြပ်စင်များ+မြေဆီလွှာ+နှင့်+အပင်များ။+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (24 နိုဝင်ဘာ 2020 တွင် ဝင်ရောက်ခဲ့သည်။
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Soer-Varanger, Norway.agris.fao.org ရှိ စိုက်ပျိုးရေးမြေဆီလွှာနှင့် မြက်များတွင် သတ္တုအကြီးစားပါဝင်မှုအပေါ် ရုရှားနီကယ်စက်မှုလုပ်ငန်းမှ သက်ရောက်မှုများ။
Nielsen၊ GD et al.သောက်သုံးရေတွင် နီကယ်စုပ်ယူမှုနှင့် ထိန်းသိမ်းမှုသည် အစားအစာစားသုံးမှုနှင့် နီကယ်အာရုံခံနိုင်စွမ်းရှိမှုတို့နှင့် ဆက်စပ်နေသည်။toxicology.application.Pharmacodynamics.154၊ 67-75 (1999)။
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999)။
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​NM; ဖြစ်နိုင်ချေရှိသော အဆိပ်ဖြစ်စေသောဒြပ်စင်များ၏ လမ်းကြောင်းခွဲခြမ်းစိတ်ဖြာမှု- bibliometric ပြန်လည်သုံးသပ်ချက်။ ပတ်ဝန်းကျင်ဆိုင်ရာ ဘူမိဓာတုဗေဒနှင့် ကျန်းမာရေး။Springer Science & Business Media BV 2020။https://doi.org/10.1007/s10653-020-00742-9။
Minasny, B. & McBratney, AB Digital Soil Mapping- A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)။
McBratney, AB, Mendonça Santos, ML & Minasny, B. ဒစ်ဂျစ်တယ် မြေဆီလွှာ ပုံဖော်ခြင်း.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)။
Deutsch.CV Geostatistical Reservoir Modeling၊… – 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+စာမျက်နှာများ။+&btnG= (28 ဧပြီ 2021) ဝင်ရောက်ခဲ့သည်။