Nature.com သို့ ဝင်ရောက်ကြည့်ရှုသည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသော browser ဗားရှင်းတွင် CSS အတွက် ပံ့ပိုးမှု အကန့်အသတ်ရှိသည်။ အကောင်းဆုံးအတွေ့အကြုံအတွက်၊ အပ်ဒိတ်လုပ်ထားသော browser ကို အသုံးပြုရန် (သို့မဟုတ် Internet Explorer ရှိ compatibility mode ကို ပိတ်ရန်) အကြံပြုအပ်ပါသည်။ ထိုအတောအတွင်း၊ ဆက်လက်ပံ့ပိုးမှုရရှိစေရန်အတွက်၊ ကျွန်ုပ်တို့သည် styles နှင့် JavaScript မပါဘဲ site ကို ပြသပါမည်။
မြေဆီလွှာညစ်ညမ်းမှုသည် လူသားများ၏ လုပ်ဆောင်ချက်များကြောင့် ဖြစ်ပေါ်လာသော ကြီးမားသောပြဿနာတစ်ခုဖြစ်သည်။ အဆိပ်အတောက်ဖြစ်စေနိုင်သော ဒြပ်စင်များ (PTEs) ၏ နေရာဒေသဖြန့်ဖြူးမှုသည် မြို့ပြနှင့် မြို့ပြအနီးတစ်ဝိုက်ဒေသအများစုတွင် ကွဲပြားသည်။ ထို့ကြောင့် ထိုကဲ့သို့သော မြေဆီလွှာများတွင် PTEs ပါဝင်မှုကို နေရာဒေသအလိုက် ခန့်မှန်းရန် ခက်ခဲသည်။ ချက်သမ္မတနိုင်ငံရှိ Frydek Mistek မှ နမူနာစုစုပေါင်း ၁၁၅ ခု ရရှိခဲ့သည်။ ကယ်လ်စီယမ် (Ca)၊ မဂ္ဂနီဆီယမ် (Mg)၊ ပိုတက်စီယမ် (K) နှင့် နီကယ် (Ni) ပါဝင်မှုများကို inductively coupled plasma emission spectrometry ကို အသုံးပြု၍ ဆုံးဖြတ်ခဲ့သည်။ တုံ့ပြန်မှုကိန်းရှင်မှာ Ni ဖြစ်ပြီး ခန့်မှန်းချက်များမှာ Ca၊ Mg နှင့် K ဖြစ်သည်။ တုံ့ပြန်မှုကိန်းရှင်နှင့် ခန့်မှန်းချက်ကိန်းရှင်အကြား ဆက်စပ်မှုမက်ထရစ်သည် ဒြပ်စင်များအကြား ကျေနပ်လောက်သော ဆက်စပ်မှုကို ပြသသည်။ ခန့်မှန်းချက်ရလဒ်များအရ Support Vector Machine Regression (SVMR) သည် ကောင်းမွန်စွာ လုပ်ဆောင်ခဲ့သော်လည်း ၎င်း၏ ခန့်မှန်းထားသော root mean square error (RMSE) (235.974 mg/kg) နှင့် mean absolute error (MAE) (166.946 mg/kg) သည် အသုံးပြုသော အခြားနည်းလမ်းများထက် ပိုမိုမြင့်မားသည်။ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) အတွက် ရောနှောမော်ဒယ်များသည် လုပ်ဆောင်သည်။ 0.1 အောက် ဆုံးဖြတ်ချက်ကိန်းဂဏန်းများဖြင့် သက်သေပြထားသည့်အတိုင်း ညံ့ဖျင်းပါသည်။ Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) မော်ဒယ်သည် အကောင်းဆုံးမော်ဒယ်ဖြစ်ပြီး RMSE (95.479 mg/kg) နှင့် MAE (77.368 mg/kg) တန်ဖိုးများနိမ့်ပြီး ဆုံးဖြတ်ချက်ကိန်းဂဏန်းမြင့်မားခြင်း (R2 = 0.637) ဖြင့်ဖြစ်သည်။ EBK-SVMR မော်ဒယ်လ်နည်းပညာ output ကို self-organizing map ကို အသုံးပြု၍ မြင်ယောင်ထားသည်။ hybrid မော်ဒယ် CakMg-EBK-SVMR အစိတ်အပိုင်း၏ မျက်နှာပြင်ရှိ clustered neurons များသည် မြို့ပြနှင့် မြို့ပြအနီး မြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းသည့် အရောင်ပုံစံများစွာကို ပြသသည်။ ရလဒ်များက EBK နှင့် SVMR ပေါင်းစပ်ခြင်းသည် မြို့ပြနှင့် မြို့ပြအနီး မြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းရန် ထိရောက်သောနည်းပညာတစ်ခုဖြစ်ကြောင်း ပြသသည်။
နီကယ် (Ni) သည် အပင်များအတွက် အဏုဇီဝဓာတ်အဖြစ် သတ်မှတ်ခံရသည်၊ အဘယ်ကြောင့်ဆိုသော် ၎င်းသည် လေထုနိုက်ထရိုဂျင်ပြုပြင်မှု (N) နှင့် ယူရီးယားဇီဝြဖစ်ပျက်မှုတို့ကို အထောက်အကူပြုသောကြောင့်ဖြစ်ပြီး၊ နှစ်မျိုးစလုံးသည် မျိုးစေ့အပင်ပေါက်ရန်အတွက် လိုအပ်ပါသည်။ မျိုးစေ့အပင်ပေါက်ရန်အတွက် ၎င်း၏ ပံ့ပိုးကူညီမှုအပြင်၊ Ni သည် မှိုနှင့် ဘက်တီးရီးယားများကို ဟန့်တားပေးသည့်အရာအဖြစ် လုပ်ဆောင်နိုင်ပြီး အပင်ဖွံ့ဖြိုးမှုကို မြှင့်တင်ပေးနိုင်သည်။ မြေဆီလွှာတွင် နီကယ်မရှိခြင်းသည် အပင်ကို စုပ်ယူနိုင်စေပြီး အရွက်များတွင် ကလိုရိုစစ်ဖြစ်စေသည်။ ဥပမာအားဖြင့်၊ ပဲတီစိမ်းနှင့် ပဲတီစိမ်းများသည် နိုက်ထရိုဂျင်ပြုပြင်မှုကို အကောင်းဆုံးဖြစ်စေရန် နီကယ်အခြေခံ ဓာတ်မြေသြဇာများ အသုံးပြုရန် လိုအပ်ပါသည်။ မြေဆီလွှာကို ကြွယ်ဝစေရန်နှင့် မြေဆီလွှာတွင် နိုက်ထရိုဂျင်ပြုပြင်နိုင်စွမ်းကို မြှင့်တင်ရန် နီကယ်အခြေခံ ဓာတ်မြေသြဇာများကို အဆက်မပြတ်အသုံးပြုခြင်းသည် မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုကို အဆက်မပြတ် တိုးမြင့်စေသည်။ နီကယ်သည် အပင်များအတွက် အဏုဇီဝဓာတ်တစ်ခုဖြစ်သော်လည်း မြေဆီလွှာတွင် အလွန်အကျွံစားသုံးခြင်းသည် အကျိုးထက် အပြစ်ပိုများစေနိုင်သည်။ မြေဆီလွှာတွင် နီကယ်၏ အဆိပ်သင့်မှုသည် မြေဆီလွှာ pH ကို လျော့ကျစေပြီး အပင်ကြီးထွားမှုအတွက် မရှိမဖြစ်လိုအပ်သော အာဟာရဓာတ်အဖြစ် သံဓာတ်စုပ်ယူမှုကို ဟန့်တားသည်။ Liu3 ၏ အဆိုအရ Ni သည် အပင်ဖွံ့ဖြိုးမှုနှင့် ကြီးထွားမှုအတွက် လိုအပ်သော ၁၇ ခုမြောက် အရေးကြီးသောဒြပ်စင်ဖြစ်ကြောင်း တွေ့ရှိခဲ့သည်။ အပင်ဖွံ့ဖြိုးမှုနှင့် ကြီးထွားမှုတွင် နီကယ်၏ အခန်းကဏ္ဍအပြင် လူသားများသည် အသုံးချမှုအမျိုးမျိုးအတွက် ၎င်းကို လိုအပ်ပါသည်။ နီကယ်အခြေခံ ထုတ်လုပ်မှုကို လျှပ်စစ်ဖြင့် ආරක්මන ... အလွိုင်းများနှင့် မော်တော်ကားလုပ်ငန်းတွင် မီးပွားကိရိယာများနှင့် စပါ့ခ်ပလပ်များ ထုတ်လုပ်ခြင်းအားလုံးသည် စက်မှုလုပ်ငန်းကဏ္ဍအမျိုးမျိုးတွင် နီကယ်ကို အသုံးပြုရန် လိုအပ်ပါသည်။ ထို့အပြင်၊ နီကယ်အခြေခံ အလွိုင်းများနှင့် လျှပ်စစ်ဖြင့်ပြုလုပ်ထားသော ပစ္စည်းများကို မီးဖိုချောင်သုံးပစ္စည်းများ၊ ဘောလုံးခန်းမ ဆက်စပ်ပစ္စည်းများ၊ အစားအသောက်လုပ်ငန်း ထောက်ပံ့ရေးပစ္စည်းများ၊ လျှပ်စစ်၊ ဝါယာကြိုးနှင့် ကေဘယ်လ်၊ ဂျက်တာဘိုင်များ၊ ခွဲစိတ်ကုသမှု အစားထိုးပစ္စည်းများ၊ အထည်အလိပ်များနှင့် သင်္ဘောတည်ဆောက်ခြင်းတို့တွင် ကျယ်ကျယ်ပြန့်ပြန့် အသုံးပြုခဲ့ကြသည်။ မြေဆီလွှာ (ဆိုလိုသည်မှာ မျက်နှာပြင်မြေဆီလွှာ) တွင် နီကယ်ကြွယ်ဝသော အဆင့်များသည် လူသားများကြောင့်နှင့် သဘာဝအရင်းအမြစ် နှစ်မျိုးလုံးကြောင့်ဟု ယူဆရသော်လည်း အဓိကအားဖြင့် နီကယ်သည် လူသားများကြောင့်မဟုတ်ဘဲ သဘာဝအရင်းအမြစ်ဖြစ်သည်။၄၊၆ နီကယ်၏ သဘာဝအရင်းအမြစ်များတွင် မီးတောင်ပေါက်ကွဲမှုများ၊ သစ်ပင်များ၊ တောမီးများနှင့် ဘူမိဗေဒဆိုင်ရာ လုပ်ငန်းစဉ်များ ပါဝင်သည်။ သို့သော် လူသားများကြောင့်ဖြစ်သော အရင်းအမြစ်များတွင် သံမဏိလုပ်ငန်းတွင် နီကယ်/ကက်ဒမီယမ်ဘက်ထရီများ၊ လျှပ်စစ်ဖြင့်ပြုလုပ်ခြင်း၊ အာ့ခ်ဂဟေဆော်ခြင်း၊ ဒီဇယ်နှင့် လောင်စာဆီများ၊ ကျောက်မီးသွေးလောင်ကျွမ်းခြင်းနှင့် စွန့်ပစ်ပစ္စည်းများနှင့် ရွှံ့နွံများ မီးရှို့ခြင်းမှ လေထုထုတ်လွှတ်မှုများ ပါဝင်သည်။၇၊၈ Freedman နှင့် Hutchinson၉ နှင့် Manyiwa et al တို့၏ အဆိုအရ ၁၀၊ တိုက်ရိုက်နှင့် အနီးနားပတ်ဝန်းကျင်ရှိ အပေါ်ယံမြေဆီလွှာညစ်ညမ်းမှု၏ အဓိကရင်းမြစ်များမှာ အဓိကအားဖြင့် နီကယ်-ကြေးနီအခြေခံ သတ္တုရည်ကျိုစက်ရုံများနှင့် မိုင်းများဖြစ်သည်။ ကနေဒါနိုင်ငံရှိ Sudbury နီကယ်-ကြေးနီသန့်စင်စက်ရုံတစ်ဝိုက်ရှိ အပေါ်ယံမြေဆီလွှာတွင် နီကယ်ညစ်ညမ်းမှု အမြင့်ဆုံးအဆင့် 26,000 mg/kg11 ရှိသည်။ ဆန့်ကျင်ဘက်အားဖြင့် ရုရှားနိုင်ငံရှိ နီကယ်ထုတ်လုပ်မှုမှ ညစ်ညမ်းမှုသည် နော်ဝေမြေဆီလွှာတွင် နီကယ်ပါဝင်မှု မြင့်မားလာစေသည်11။ Alms et al. ၏ အဆိုအရ ၁၂။ ဒေသတွင်း ထိပ်တန်းစိုက်ပျိုးမြေ (ရုရှားနိုင်ငံတွင် နီကယ်ထုတ်လုပ်မှု) တွင် HNO3 ထုတ်ယူနိုင်သော နီကယ်ပမာဏသည် ၆.၂၅ မှ ၁၃၆.၈၈ mg/kg အထိရှိပြီး ပျမ်းမျှ ၃၀.၄၃ mg/kg နှင့် အခြေခံပါဝင်မှု ၂၅ mg/kg နှင့် ကိုက်ညီပါသည်။ kabata ၁၁ အရ မြို့ပြ သို့မဟုတ် မြို့ပြအနီးရှိ မြေဆီလွှာများတွင် ဆက်တိုက်သီးနှံရာသီများအတွင်း ဖော့စဖရပ်စ်ဓာတ်မြေသြဇာများ အသုံးပြုခြင်းသည် မြေဆီလွှာကို ညစ်ညမ်းစေနိုင်သည်။ လူသားများတွင် နီကယ်၏ အလားအလာရှိသော အကျိုးသက်ရောက်မှုများသည် မျိုးရိုးဗီဇပြောင်းလဲမှု၊ ခရိုမိုဆုမ်ပျက်စီးမှု၊ Z-DNA ထုတ်လုပ်မှု၊ ပိတ်ဆို့ထားသော DNA ဖြတ်တောက်မှုပြုပြင်မှု သို့မဟုတ် မျိုးရိုးဗီဇပြောင်းလဲမှုလုပ်ငန်းစဉ်များမှတစ်ဆင့် ကင်ဆာဖြစ်စေနိုင်သည်။၁၃။ တိရစ္ဆာန်စမ်းသပ်မှုများတွင် နီကယ်သည် အကျိတ်အမျိုးမျိုးကို ဖြစ်စေနိုင်သည့် အလားအလာရှိကြောင်း တွေ့ရှိခဲ့ပြီး၊ ကင်ဆာဖြစ်စေသော နီကယ်ဒြပ်ပေါင်းများသည် ထိုကဲ့သို့သော အကျိတ်များကို ပိုမိုဆိုးရွားစေနိုင်သည်။
မြေဆီလွှာညစ်ညမ်းမှုအကဲဖြတ်ခြင်းသည် မကြာသေးမီကာလများအတွင်း မြေဆီလွှာနှင့်အပင်ဆက်နွယ်မှု၊ မြေဆီလွှာနှင့် မြေဆီလွှာဇီဝဗေဒဆိုင်ရာဆက်နွယ်မှု၊ ဂေဟဗေဒယိုယွင်းပျက်စီးမှုနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာသက်ရောက်မှုအကဲဖြတ်ခြင်းတို့မှ ပေါ်ပေါက်လာသော ကျန်းမာရေးဆိုင်ရာပြဿနာများစွာကြောင့် ထွန်းကားလာခဲ့သည်။ ယနေ့အထိ မြေဆီလွှာရှိ Ni ကဲ့သို့သော အဆိပ်အတောက်ဖြစ်စေနိုင်သောဒြပ်စင်များ (PTEs) ၏ နေရာဒေသခန့်မှန်းခြင်းသည် ရိုးရာနည်းလမ်းများကို အသုံးပြု၍ ခက်ခဲပြီး အချိန်ကုန်ခဲ့သည်။ ဒစ်ဂျစ်တယ်မြေဆီလွှာမြေပုံ (DSM) ပေါ်ပေါက်လာခြင်းနှင့် ၎င်း၏လက်ရှိအောင်မြင်မှု၁၅ သည် ခန့်မှန်းမြေဆီလွှာမြေပုံ (PSM) ကို များစွာတိုးတက်စေခဲ့သည်။ Minasny နှင့် McBratney၁၆ တို့၏အဆိုအရ ခန့်မှန်းမြေဆီလွှာမြေပုံ (DSM) သည် မြေဆီလွှာသိပ္ပံ၏ ထင်ရှားသောဘာသာရပ်ခွဲတစ်ခုဖြစ်ကြောင်း သက်သေပြခဲ့သည်။ Lagacherie နှင့် McBratney၊ ၂၀၀၆ တို့သည် DSM ကို “နေရာတွင်းနှင့် ဓာတ်ခွဲခန်းလေ့လာတွေ့ရှိချက်နည်းလမ်းများနှင့် နေရာဒေသနှင့် နေရာဒေသမဟုတ်သော မြေဆီလွှာဆိုင်ရာ ကောက်ချက်စနစ်များကို အသုံးပြုခြင်းဖြင့် နေရာဒေသဆိုင်ရာမြေဆီလွှာသတင်းအချက်အလက်စနစ်များကို ဖန်တီးခြင်းနှင့် ဖြည့်ခြင်း” အဖြစ် သတ်မှတ်ခဲ့သည်။ McBratney နှင့်အဖွဲ့။ ၁၇။ ခေတ်ပြိုင် DSM သို့မဟုတ် PSM သည် PTE များ၊ မြေအမျိုးအစားများနှင့် မြေဂုဏ်သတ္တိများ၏ နေရာဒေသဆိုင်ရာ ဖြန့်ဖြူးမှုကို ခန့်မှန်းခြင်း သို့မဟုတ် မြေပုံရေးဆွဲခြင်းအတွက် အထိရောက်ဆုံးနည်းစနစ်ဖြစ်ကြောင်း ဖော်ပြထားသည်။ ပထဝီစာရင်းအင်းနှင့် စက်သင်ယူမှု အယ်လဂိုရီသမ်များ (MLA) သည် သိသာထင်ရှားပြီး အနည်းဆုံးဒေတာကို အသုံးပြု၍ ကွန်ပျူတာများ၏အကူအညီဖြင့် ဒစ်ဂျစ်တယ်မြေပုံများကို ဖန်တီးသည့် DSM မော်ဒယ်လ်နည်းစနစ်များဖြစ်သည်။
Deutsch18 နှင့် Olea19 တို့သည် geostatistics ကို "spatial attributes များ၏ကိုယ်စားပြုမှုကိုကိုင်တွယ်ဖြေရှင်းသည့် numerical techniques များစုစည်းမှုဖြစ်ပြီး၊ အဓိကအားဖြင့် stochastic models များကိုအသုံးပြုသည်၊ ဥပမာ time series analysis သည် temporal data များကိုမည်သို့ဖော်ပြသည်စသည်ဖြင့်" ဟုသတ်မှတ်သည်။ အဓိကအားဖြင့် geostatistics တွင် variograms များကိုအကဲဖြတ်ခြင်းပါဝင်ပြီး၊ ၎င်းသည် dataset တစ်ခုစီမှ spatial value များ၏ dependencies များကို Quantify လုပ်ပြီးသတ်မှတ်နိုင်စေပါသည်။20.Gumiaux et al. ၂၀ တွင် ဘူမိစာရင်းအင်းပညာတွင် variogram များကို အကဲဖြတ်ခြင်းသည် (က) data correlation ၏ scale ကို တွက်ချက်ခြင်း၊ (ခ) dataset disparity တွင် anisotropy ကို ဖော်ထုတ်ခြင်းနှင့် တွက်ချက်ခြင်း နှင့် (ဂ) ထို့အပြင် ဒေသတွင်းအကျိုးသက်ရောက်မှုများနှင့် ခွဲထားသော တိုင်းတာမှုဒေတာ၏ inherent error ကို ထည့်သွင်းစဉ်းစားခြင်းအပြင်၊ ဧရိယာအကျိုးသက်ရောက်မှုများကိုလည်း ခန့်မှန်းခြင်း အပါအဝင် မူသုံးရပ်အပေါ် အခြေခံထားကြောင်း ထပ်မံဖော်ပြသည်။ ဤသဘောတရားများကို အခြေခံ၍ general kriging၊ co-kriging၊ ordinary kriging၊ empirical Bayesian kriging၊ simple kriging method နှင့် PTE၊ မြေဆီလွှာဝိသေသလက္ခဏာများနှင့် မြေဆီလွှာအမျိုးအစားများကို မြေပုံဆွဲရန် သို့မဟုတ် ခန့်မှန်းရန် အခြားလူသိများသော interpolation နည်းစနစ်များစွာကို ဘူမိစာရင်းအင်းပညာတွင် အသုံးပြုကြသည်။
စက်သင်ယူမှု အယ်လဂိုရီသမ်များ (MLA) သည် ဒေတာတူးဖော်ခြင်း၊ ဒေတာပုံစံများကို ဖော်ထုတ်ခြင်းအတွက် အဓိကအသုံးပြုသည့် အယ်လဂိုရီသမ်များဖြင့် အားဖြည့်ထားသော ပိုကြီးသော non-linear data class များကို အသုံးပြုသည့် နှိုင်းရနည်းပညာအသစ်တစ်ခုဖြစ်ပြီး မြေဆီလွှာသိပ္ပံနှင့် return tasks ကဲ့သို့သော သိပ္ပံနယ်ပယ်များတွင် အမျိုးအစားခွဲခြားရာတွင် အထပ်ထပ်အခါခါ အသုံးချသည်။ သုတေသနစာတမ်းများစွာသည် မြေဆီလွှာတွင် PTE ကို ခန့်မှန်းရန် MLA မော်ဒယ်များကို အားကိုးကြပြီး Tan et al. 22 (စိုက်ပျိုးမြေဆီလွှာများတွင် လေးလံသောသတ္တုခန့်မှန်းချက်အတွက် ကျပန်းသစ်တောများ)၊ Sakizadeh et al. 23 (support vector စက်များနှင့် artificial neural network များကို အသုံးပြု၍ မော်ဒယ်လ်လုပ်ခြင်း) မြေဆီလွှာညစ်ညမ်းမှု)။ ထို့အပြင် Vega et al. 24 (မြေဆီလွှာတွင် လေးလံသောသတ္တုထိန်းသိမ်းမှုနှင့် adsorption ကို မော်ဒယ်လ်လုပ်ခြင်းအတွက် CART)၊ Sun et al. 25 (cubist ၏အသုံးချမှုသည် မြေဆီလွှာတွင် Cd ဖြန့်ဖြူးမှုဖြစ်သည်) နှင့် k-nearest neighbor၊ generalized boosted regression နှင့် boosted regression ကဲ့သို့သော အခြားအယ်လဂိုရီသမ်များဖြစ်သည်။ Trees များသည်လည်း မြေဆီလွှာတွင် PTE ကို ခန့်မှန်းရန် MLA ကို အသုံးပြုခဲ့ကြသည်။
ခန့်မှန်းချက် သို့မဟုတ် မြေပုံရေးဆွဲခြင်းတွင် DSM အယ်လဂိုရစ်သမ်များ အသုံးချခြင်းသည် စိန်ခေါ်မှုများစွာနှင့် ရင်ဆိုင်ရသည်။ စာရေးဆရာများစွာက MLA သည် ဘူမိစာရင်းအင်းများထက် သာလွန်ကောင်းမွန်ပြီး အပြန်အလှန်အားဖြင့်လည်း သာလွန်ကောင်းမွန်သည်ဟု ယုံကြည်ကြသည်။ တစ်ခုက တစ်ခုထက် ပိုကောင်းသော်လည်း၊ နှစ်ခုပေါင်းစပ်ခြင်းသည် DSM15 တွင် မြေပုံရေးဆွဲခြင်း သို့မဟုတ် ခန့်မှန်းချက်၏ တိကျမှုအဆင့်ကို တိုးတက်စေသည်။ Woodcock နှင့် Gopal26 Finke27; Pontius နှင့် Cheuk28 နှင့် Grunwald29 တို့သည် ခန့်မှန်းထားသော မြေဆီလွှာမြေပုံရေးဆွဲခြင်းတွင် ချို့ယွင်းချက်များနှင့် အမှားအယွင်းအချို့အပေါ် မှတ်ချက်ပေးခဲ့ကြသည်။ မြေဆီလွှာသိပ္ပံပညာရှင်များသည် DSM မြေပုံရေးဆွဲခြင်းနှင့် ခန့်မှန်းချက်၏ ထိရောက်မှု၊ တိကျမှုနှင့် ခန့်မှန်းနိုင်မှုကို အကောင်းဆုံးဖြစ်အောင် နည်းစနစ်အမျိုးမျိုးကို ကြိုးစားခဲ့ကြသည်။ မသေချာမှုနှင့် အတည်ပြုခြင်းပေါင်းစပ်မှုသည် ထိရောက်မှုကို အကောင်းဆုံးဖြစ်အောင်နှင့် ချို့ယွင်းချက်များကို လျှော့ချရန်အတွက် DSM တွင် ပေါင်းစပ်ထားသော မတူညီသောရှုထောင့်များစွာထဲမှ တစ်ခုဖြစ်သည်။ သို့သော် Agyeman et al. 15 သည် မြေပုံအရည်အသွေးတိုးတက်စေရန် မြေပုံဖန်တီးမှုနှင့် ခန့်မှန်းချက်မှ မိတ်ဆက်ပေးသော အတည်ပြုခြင်းအပြုအမူနှင့် မသေချာမှုကို သီးခြားစီ အတည်ပြုသင့်ကြောင်း ဖော်ပြထားသည်။ DSM ၏ ကန့်သတ်ချက်များသည် မသေချာမှု၏ အစိတ်အပိုင်းတစ်ခုပါဝင်သည့် ပထဝီဝင်အနေအထားအရ ပျံ့နှံ့နေသော မြေဆီလွှာအရည်အသွေးကြောင့်ဖြစ်သည်။ သို့သော် DSM တွင် သေချာမှုမရှိခြင်းသည် covariate error၊ model error၊ location error နှင့် analytical error များဖြစ်သည့် error အရင်းအမြစ်များစွာမှ ပေါ်ပေါက်လာနိုင်သည်။ MLA နှင့် geostatistical လုပ်ငန်းစဉ်များတွင် ဖြစ်ပေါ်စေသော မော်ဒယ်လ်မတိကျမှုများသည် နားလည်မှုမရှိခြင်းနှင့် ဆက်စပ်နေပြီး နောက်ဆုံးတွင် တကယ့်လုပ်ငန်းစဉ်ကို အလွန်အကျွံရိုးရှင်းစေသည်32။ မော်ဒယ်လ်၏ သဘောသဘာဝ မည်သို့ပင်ရှိစေကာမူ မတိကျမှုများကို မော်ဒယ်လ် parameter များ၊ သင်္ချာပုံစံ ခန့်မှန်းချက်များ သို့မဟုတ် interpolation33 များကြောင့်ဟု ယူဆနိုင်သည်။ မကြာသေးမီက မြေပုံရေးဆွဲခြင်းနှင့် ခန့်မှန်းချက်ရေးဆွဲခြင်းတွင် geostatistics နှင့် MLA ပေါင်းစပ်မှုကို မြှင့်တင်ပေးသည့် DSM ခေတ်ရေစီးကြောင်းအသစ်တစ်ခု ပေါ်ပေါက်လာခဲ့သည်။ Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 နှင့် Tarasov et al. 37 ကဲ့သို့သော မြေဆီလွှာသိပ္ပံပညာရှင်များနှင့် စာရေးဆရာများစွာသည် ခန့်မှန်းချက်ရေးဆွဲခြင်းနှင့် မြေပုံရေးဆွဲခြင်း၏ ထိရောက်မှုကို မြှင့်တင်ပေးသည့် hybrid မော်ဒယ်များကို ထုတ်လုပ်ရန် geostatistics နှင့် machine learning ၏ တိကျသော အရည်အသွေးကို အသုံးချခဲ့ကြသည်။ အရည်အသွေး။ ဤ hybrid သို့မဟုတ် ပေါင်းစပ် algorithm မော်ဒယ်အချို့မှာ Artificial Neural Network Kriging (ANN-RK)၊ Multilayer Perceptron Residual Kriging (MLP-RK)၊ Generalized Regression Neural Network Residual Kriging (GR-NNRK)၃၆၊ Artificial Neural Network Kriging-Multilayer Perceptron (ANN-K-MLP)၃၇ နှင့် Co-Kriging နှင့် Gaussian Process Regression၃၈ တို့ဖြစ်သည်။
Sergeev နှင့်အဖွဲ့၏ အဆိုအရ၊ မော်ဒယ်လ်နည်းစနစ်အမျိုးမျိုးကို ပေါင်းစပ်ခြင်းသည် ၎င်း၏တစ်ခုတည်းသော မော်ဒယ်ကို တီထွင်မည့်အစား ချို့ယွင်းချက်များကို ဖယ်ရှားပြီး ရရှိလာသော hybrid မော်ဒယ်၏ ထိရောက်မှုကို မြှင့်တင်ရန် အလားအလာရှိသည်။ ဤအခြေအနေတွင်၊ ဤစာတမ်းအသစ်သည် မြို့ပြနှင့် မြို့ပြအနီးတစ်ဝိုက်ဒေသများတွင် Ni ကြွယ်ဝမှုကို ခန့်မှန်းရန် အကောင်းဆုံး hybrid မော်ဒယ်များကို ဖန်တီးရန် geostatistics နှင့် MLA ပေါင်းစပ် algorithm ကို အသုံးပြုရန် လိုအပ်ကြောင်း ငြင်းခုံသည်။ ဤလေ့လာမှုသည် Empirical Bayesian Kriging (EBK) ကို အခြေခံမော်ဒယ်အဖြစ် အားကိုးပြီး Support Vector Machine (SVM) နှင့် Multiple Linear Regression (MLR) မော်ဒယ်များနှင့် ရောနှောမည်ဖြစ်သည်။ EBK ကို မည်သည့် MLA နှင့်မဆို hybridization ကို မသိရှိရသေးပါ။ မြင်တွေ့ရသော multiple mixed မော်ဒယ်များသည် ordinary၊ residual၊ regression kriging ပေါင်းစပ်မှုများဖြစ်ပြီး MLA ဖြစ်သည်။ EBK သည် geostatistical interpolation နည်းလမ်းတစ်ခုဖြစ်ပြီး field ပေါ်တွင် localization parameters များကို သတ်မှတ်ထားသော localization parameters များဖြင့် spatially stochastic လုပ်ငန်းစဉ်ကို အသုံးပြုပြီး spatially variation ကို ခွင့်ပြုသည်။ EBK ကို လယ်ယာမြေများတွင် အော်ဂဲနစ်ကာဗွန်ဖြန့်ဖြူးမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်း၊ မြေဆီလွှာညစ်ညမ်းမှုကို အကဲဖြတ်ခြင်းနှင့် မြေဆီလွှာကို မြေပုံရေးဆွဲခြင်းအပါအဝင် လေ့လာမှုအမျိုးမျိုးတွင် အသုံးပြုခဲ့သည်။ ဂုဏ်သတ္တိများ ၄၂။
အခြားတစ်ဖက်တွင်၊ Self-Organizing Graph (SeOM) သည် Li et al. 43၊ Wang et al. 44၊ Hossain Bhuiyan et al. 45 နှင့် Kebonye et al.46 ကဲ့သို့သော ဆောင်းပါးအမျိုးမျိုးတွင် အသုံးချခဲ့သော သင်ယူမှု အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။ နေရာဒေသဆိုင်ရာ ဂုဏ်သတ္တိများနှင့် ဒြပ်စင်များ၏ အုပ်စုဖွဲ့ခြင်းကို ဆုံးဖြတ်ပါ။ Wang et al. 44 သည် SeOM သည် non-linear ပြဿနာများကို အုပ်စုဖွဲ့ပြီး မြင်ယောင်နိုင်စွမ်းအတွက် လူသိများသော အစွမ်းထက်သော သင်ယူမှုနည်းစနစ်တစ်ခုဖြစ်ကြောင်း ဖော်ပြထားသည်။ အဓိက အစိတ်အပိုင်း ခွဲခြမ်းစိတ်ဖြာမှု၊ fuzzy clustering၊ hierarchical clustering နှင့် multi-criteria decision making ကဲ့သို့သော အခြားပုံစံ မှတ်မိခြင်းနည်းစနစ်များနှင့်မတူဘဲ SeOM သည် PTE ပုံစံများကို စီစဉ်ခြင်းနှင့် ခွဲခြားသတ်မှတ်ခြင်းတွင် ပိုမိုကောင်းမွန်သည်။ Wang et al. 44 ၏ အဆိုအရ SeOM သည် ဆက်စပ် နျူရွန်များ၏ ဖြန့်ဖြူးမှုကို နေရာဒေသအလိုက် အုပ်စုဖွဲ့နိုင်ပြီး မြင့်မားသော resolution ဒေတာ မြင်ယောင်မှုကို ပေးစွမ်းနိုင်သည်။ SeOM သည် တိုက်ရိုက် အဓိပ္ပာယ်ဖွင့်ဆိုရန်အတွက် ရလဒ်များကို ဖော်ပြရန် အကောင်းဆုံး မော်ဒယ်ကို ရရှိရန် Ni ခန့်မှန်းချက်ဒေတာကို မြင်ယောင်လိမ့်မည်။
ဤစာတမ်းသည် မြို့ပြနှင့် မြို့ပြအနီးတစ်ဝိုက်ရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် အကောင်းဆုံးတိကျမှုရှိသော ခိုင်မာသော မြေပုံပုံစံတစ်ခုကို ဖန်တီးရန် ရည်ရွယ်ပါသည်။ ရောနှောပုံစံ၏ ယုံကြည်စိတ်ချရမှုသည် အခြေခံပုံစံနှင့် တွဲဖက်ထားသော အခြားပုံစံများ၏ လွှမ်းမိုးမှုအပေါ် အဓိကမူတည်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်။ DSM ရင်ဆိုင်နေရသော စိန်ခေါ်မှုများကို ကျွန်ုပ်တို့ အသိအမှတ်ပြုပြီး ဤစိန်ခေါ်မှုများကို ဘက်ပေါင်းစုံတွင် ကိုင်တွယ်ဖြေရှင်းနေသော်လည်း၊ ဘူမိစာရင်းအင်းပညာနှင့် MLA ပုံစံများတွင် တိုးတက်မှုပေါင်းစပ်မှုသည် တဖြည်းဖြည်းတိုးတက်လာပုံရသည်။ ထို့ကြောင့် ရောနှောပုံစံများကို ဖြစ်ပေါ်စေနိုင်သည့် သုတေသနမေးခွန်းများကို ဖြေဆိုရန် ကြိုးစားပါမည်။ သို့သော်၊ ပစ်မှတ်ဒြပ်စင်ကို ခန့်မှန်းရာတွင် ပုံစံသည် မည်မျှတိကျမှုရှိသနည်း။ ထို့အပြင်၊ အတည်ပြုခြင်းနှင့် တိကျမှုအကဲဖြတ်ခြင်းအပေါ် အခြေခံသည့် ထိရောက်မှုအကဲဖြတ်မှုအဆင့်ကား အဘယ်နည်း။ ထို့ကြောင့်၊ ဤလေ့လာမှု၏ သီးခြားရည်မှန်းချက်များမှာ (က) EBK ကို အခြေခံပုံစံအဖြစ် အသုံးပြု၍ SVMR သို့မဟုတ် MLR အတွက် ပေါင်းစပ်ရောနှောပုံစံတစ်ခု ဖန်တီးရန်၊ (ခ) ရလဒ်ပုံစံများကို နှိုင်းယှဉ်ရန် (ဂ) မြို့ပြ သို့မဟုတ် မြို့ပြအနီးတစ်ဝိုက်ရှိ မြေဆီလွှာများတွင် Ni ပါဝင်မှုများကို ခန့်မှန်းရန်အတွက် အကောင်းဆုံးရောနှောပုံစံကို အဆိုပြုရန်နှင့် (ဃ) နီကယ်နေရာအလိုက် ကွဲပြားမှု၏ မြင့်မားသော resolution မြေပုံတစ်ခု ဖန်တီးရန် SeOM ကို အသုံးချရန်ဖြစ်သည်။
လေ့လာမှုကို ချက်သမ္မတနိုင်ငံတွင် ပြုလုပ်နေပြီး အထူးသဖြင့် Moravia-Silesian ဒေသရှိ Frydek Mistek ခရိုင်တွင် ပြုလုပ်နေပါသည် (ပုံ ၁ ကိုကြည့်ပါ)။ လေ့လာသည့်နေရာ၏ ပထဝီဝင်အနေအထားသည် အလွန်ကြမ်းတမ်းပြီး Carpathian တောင်တန်းများ၏ အပြင်ဘက်အနားသတ်၏ အစိတ်အပိုင်းဖြစ်သော Moravia-Silesian Beskidy ဒေသ၏ အစိတ်အပိုင်းအများစုဖြစ်သည်။ လေ့လာသည့်နေရာသည် 49° 41′ 0′ N နှင့် 18° 20′ 0′ E အကြားတွင် တည်ရှိပြီး အမြင့်မှာ 225 မှ 327 မီတာအကြားတွင် ရှိသည်။ သို့သော်၊ ဒေသ၏ ရာသီဥတုအခြေအနေအတွက် Koppen အမျိုးအစားခွဲခြားမှုစနစ်ကို Cfb = သမပိုင်းသမုဒ္ဒရာရာသီဥတုအဖြစ် အဆင့်သတ်မှတ်ထားပြီး၊ ခြောက်သွေ့သောလများတွင်ပင် မိုးရွာသွန်းမှုများစွာရှိသည်။ အပူချိန်များသည် -၅ ဒီဂရီစင်တီဂရိတ်မှ ၂၄ ဒီဂရီစင်တီဂရိတ်အကြား တစ်နှစ်ပတ်လုံး အနည်းငယ်ကွဲပြားပြီး -၁၄ ဒီဂရီစင်တီဂရိတ်အောက် သို့မဟုတ် ၃၀ ဒီဂရီစင်တီဂရိတ်အထက်တွင် ရှားရှားပါးပါးသာကျဆင်းလေ့ရှိပြီး ပျမ်းမျှနှစ်စဉ်မိုးရေချိန်မှာ ၆၈၅ မှ ၇၅၂ မီလီမီတာအကြားရှိသည်။ ဧရိယာတစ်ခုလုံး၏ ခန့်မှန်းစစ်တမ်းကောက်ယူဧရိယာမှာ ၁၂၀၈ စတုရန်းကီလိုမီတာရှိပြီး စိုက်ပျိုးမြေ၏ ၃၉.၃၈% နှင့် သစ်တောဖုံးလွှမ်းမှု၏ ၄၉.၃၆% ရှိသည်။ အခြားတစ်ဖက်တွင်၊ ဤလေ့လာမှုတွင်အသုံးပြုသောဧရိယာမှာ ၈၈၉.၈ စတုရန်းကီလိုမီတာခန့်ရှိသည်။ Ostrava နှင့် အနီးတစ်ဝိုက်တွင် သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းများသည် အလွန်တက်ကြွစွာလှုပ်ရှားလျက်ရှိသည်။ သတ္တုစက်ရုံများ၊ သံမဏိများတွင် နီကယ်ကို အသုံးပြုသည့် သံမဏိလုပ်ငန်း (ဥပမာ- လေထုချေးခြင်းကို ခံနိုင်ရည်ရှိစေရန်) နှင့် အလွိုင်းသံမဏိများ (နီကယ်သည် အလွိုင်း၏ခိုင်ခံ့မှုကို မြှင့်တင်ပေးခြင်းဖြင့် ၎င်း၏ကောင်းမွန်သော ပုံသွင်းနိုင်စွမ်းနှင့် ခိုင်ခံ့မှုကို ထိန်းသိမ်းထားသည်) နှင့် ဖော့စဖိတ်ဓာတ်မြေဩဇာအသုံးပြုမှုနှင့် မွေးမြူရေးထုတ်လုပ်မှုကဲ့သို့သော ပြင်းထန်သောစိုက်ပျိုးရေးတို့သည် နီကယ်၏ သုတေသနအလားအလာရှိသော အရင်းအမြစ်များဖြစ်သည်။ ဒေသ (ဥပမာ၊ သိုးသငယ်များနှင့် အစာနည်းပါးသော နွားများတွင် ကြီးထွားနှုန်းတိုးမြှင့်ရန် သိုးသငယ်များတွင် နီကယ်ထည့်သွင်းခြင်း)။ သုတေသနနယ်ပယ်များတွင် နီကယ်၏ အခြားစက်မှုလုပ်ငန်းအသုံးပြုမှုများတွင် နီကယ်ကို လျှပ်စစ်ဓာတ်ဖြင့် ಲೇಪခြင်း နှင့် လျှပ်စစ်မဲ့နီကယ် ಲೇಪခြင်းလုပ်ငန်းစဉ်များအပါအဝင် လျှပ်စစ်ဓာတ်ဖြင့် ಲೇಪခြင်းတွင် အသုံးပြုခြင်း ပါဝင်သည်။ မြေဆီလွှာဂုဏ်သတ္တိများကို မြေဆီလွှာအရောင်၊ ဖွဲ့စည်းပုံနှင့် ကာဗွန်နိတ်ပါဝင်မှုတို့မှ အလွယ်တကူ ခွဲခြားနိုင်သည်။ မြေဆီလွှာဖွဲ့စည်းပုံသည် မိခင်ပစ္စည်းမှ ဆင်းသက်လာသော အလတ်စားမှ အနုစိတ်အထိ ရှိသည်။ ၎င်းတို့သည် colluvial၊ alluvial သို့မဟုတ် aeolian သဘာဝရှိသည်။ မြေဆီလွှာအချို့သည် မျက်နှာပြင်နှင့် မြေအောက်မြေဆီလွှာတွင် အစက်အပြောက်များရှိပြီး မကြာခဏ ကွန်ကရစ်နှင့် အရောင်ချွတ်ခြင်းတို့ဖြင့် ရှိနေသည်။ သို့သော် cambisols နှင့် stagnosols များသည် ဒေသတွင်း အသုံးအများဆုံး မြေဆီလွှာအမျိုးအစားများဖြစ်သည်48။ 455.1 မှ 493.5 မီတာအထိ အမြင့်ရှိသော cambisols များသည် ချက်သမ္မတနိုင်ငံ49 ကို လွှမ်းမိုးထားသည်။
လေ့လာရေးဧရိယာမြေပုံ [လေ့လာရေးဧရိယာမြေပုံကို ArcGIS Desktop (ESRI, Inc, version 10.7, URL: https://desktop.arcgis.com) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
Frydek Mistek ခရိုင်ရှိ မြို့ပြနှင့် မြို့ပြအနီးတစ်ဝိုက်ရှိ မြေဆီလွှာများမှ အပေါ်ယံမြေဆီလွှာနမူနာ စုစုပေါင်း ၁၁၅ ခုကို ရရှိခဲ့သည်။ အသုံးပြုထားသော နမူနာပုံစံမှာ မြေဆီလွှာနမူနာများကို ၂ × ၂ ကီလိုမီတာခြား၍ ပုံမှန်ဇယားကွက်တစ်ခုဖြစ်ပြီး အပေါ်ယံမြေဆီလွှာကို လက်ကိုင် GPS ကိရိယာ (Leica Zeno 5 GPS) ကို အသုံးပြု၍ ၀ မှ ၂၀ စင်တီမီတာအနက်တွင် တိုင်းတာခဲ့သည်။ နမူနာများကို Ziploc အိတ်များတွင်ထုပ်ပိုးပြီး သင့်လျော်စွာတံဆိပ်ကပ်ကာ ဓာတ်ခွဲခန်းသို့ ပို့ဆောင်သည်။ နမူနာများကို လေမှုတ်အခြောက်ခံပြီး အမှုန့်ကြိတ်ထားသော နမူနာများထုတ်လုပ်ကာ စက်ပိုင်းဆိုင်ရာစနစ် (Fritsch disc mill) ဖြင့် အမှုန့်ကြိတ်ကာ စစ်ထုတ်ခဲ့သည် (ဇကာအရွယ်အစား ၂ မီလီမီတာ)။ ခြောက်သွေ့ပြီး တစ်သားတည်းဖြစ်အောင်ပြုလုပ်ထားသော စစ်ထုတ်ထားသော မြေဆီလွှာနမူနာ ၁ ဂရမ်ကို ရှင်းလင်းစွာတံဆိပ်ကပ်ထားသော teflon ပုလင်းများထဲတွင်ထည့်ပါ။ Teflon ခွက်တစ်ခုစီတွင် 35% HCl ၇ မီလီလီတာနှင့် 65% HNO3 ၃ မီလီလီတာ (အလိုအလျောက်ထုတ်ပေးသည့်ကိရိယာကို အသုံးပြု၍ - အက်ဆစ်တစ်ခုစီအတွက် တစ်ခုစီ) ထုတ်ပေးပါ၊ ပေါ့ပေါ့ပါးပါးဖုံးအုပ်ပြီး ဓာတ်ပြုမှုအတွက် နမူနာများကို တစ်ညလုံးထားပါ (aqua regia program)။ အပေါ်ယံအရည်ကို ပူသောသတ္တုပြားပေါ်တွင်တင်ပါ (အပူချိန်- ၁၀၀ ဝပ်နှင့် နမူနာများ၏ အစာချေဖျက်မှုလုပ်ငန်းစဉ်ကို လွယ်ကူချောမွေ့စေရန်အတွက် ၁၆၀°C) တွင် ၂ နာရီကြာ အအေးခံပြီးနောက် အအေးခံပါ။ အပေါ်ယံအရည်ကို ၅၀ မီလီလီတာဆံ့ ပုလင်းထဲသို့ လွှဲပြောင်းပြီး အိုင်းယွန်းကင်းစင်သောရေဖြင့် ၅၀ မီလီလီတာအထိ ရောစပ်ပါ။ ထို့နောက် ရောစပ်ထားသော အပေါ်ယံအရည်ကို အိုင်းယွန်းကင်းစင်သောရေဖြင့် ၅၀ မီလီလီတာဆံ့ PVC ပြွန်ထဲသို့ စစ်ထုတ်ပါ။ ထို့အပြင်၊ ရောစပ်ထားသောအရည် ၁ မီလီလီတာကို အိုင်းယွန်းကင်းစင်သောရေ ၉ မီလီလီတာနှင့် ရောစပ်ပြီး PTE pseudo-concentration အတွက် ပြင်ဆင်ထားသော ၁၂ မီလီလီတာပြွန်ထဲသို့ စစ်ထုတ်ပါ။ PTE များ (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ၏ ပါဝင်မှုများကို စံနည်းလမ်းများနှင့် သဘောတူညီချက်အရ ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ဖြင့် ဆုံးဖြတ်ခဲ့သည်။ အရည်အသွေးအာမခံချက်နှင့် ထိန်းချုပ်ရေး (QA/QC) လုပ်ထုံးလုပ်နည်းများ (SRM NIST 2711a Montana II Soil) ကို သေချာပါစေ။ ထက်ဝက်အောက် ထောက်လှမ်းမှုကန့်သတ်ချက်ရှိသော PTE များကို ဤလေ့လာမှုမှ ဖယ်ထုတ်ထားသည်။ ဤလေ့လာမှုတွင် အသုံးပြုသော PTE ၏ ထောက်လှမ်းမှုကန့်သတ်ချက်မှာ ၀.၀၀၀၄။(သင်)။ ထို့အပြင်၊ ရည်ညွှန်းစံနှုန်းများကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့် ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုစီအတွက် အရည်အသွေးထိန်းချုပ်မှုနှင့် အရည်အသွေးအာမခံချက်လုပ်ငန်းစဉ်ကို သေချာစေသည်။ အမှားအယွင်းများ အနည်းဆုံးဖြစ်စေရန် နှစ်ထပ်ခွဲခြမ်းစိတ်ဖြာမှုကို ပြုလုပ်ခဲ့သည်။
Empirical Bayesian Kriging (EBK) သည် မြေဆီလွှာသိပ္ပံကဲ့သို့သော မတူညီသောနယ်ပယ်များတွင် မော်ဒယ်လ်လုပ်ရာတွင် အသုံးပြုသည့် geostatistical interpolation နည်းစနစ်များစွာထဲမှ တစ်ခုဖြစ်သည်။ အခြား kriging interpolation နည်းစနစ်များနှင့်မတူဘဲ EBK သည် semivariogram မော်ဒယ်မှ ခန့်မှန်းထားသော အမှားကို ထည့်သွင်းစဉ်းစားခြင်းဖြင့် ရိုးရာ kriging နည်းလမ်းများထံမှ ကွာခြားသည်။ EBK interpolation တွင် semivariogram မော်ဒယ်များစွာကို interpolation အတွင်း တွက်ချက်ပြီး semivariogram တစ်ခုတည်းထက် တွက်ချက်သည်။ Interpolation နည်းစနစ်များသည် လုံလောက်သော kriging နည်းလမ်း၏ အလွန်ရှုပ်ထွေးသော အစိတ်အပိုင်းတစ်ခုဖြစ်သည့် semivariogram ၏ ဤ plotting နှင့် ဆက်စပ်နေသော မသေချာမှုနှင့် programming အတွက် နေရာပေးသည်။ EBK ၏ interpolation လုပ်ငန်းစဉ်သည် Krivoruchko50 မှ အဆိုပြုထားသော စံနှုန်းသုံးခုကို လိုက်နာသည်- (က) မော်ဒယ်သည် input dataset မှ semivariogram ကို ခန့်မှန်းသည် (ခ) ထုတ်လုပ်ထားသော semivariogram ပေါ်အခြေခံ၍ input dataset တည်နေရာတစ်ခုစီအတွက် ခန့်မှန်းထားသော တန်ဖိုးအသစ်နှင့် (ဂ) နောက်ဆုံး A မော်ဒယ်ကို simulated dataset မှ တွက်ချက်သည်။ Bayesian equation rule ကို posterior အဖြစ် ပေးထားသည်
\(Prob\left(A\right)\) သည် ယခင်တန်ဖိုးကို ကိုယ်စားပြုသည့်နေရာတွင်၊ \(Prob\left(B\right)\) သည် အနားသတ်ဖြစ်နိုင်ခြေကို အများစုတွင် လျစ်လျူရှုထားပြီး၊ \(Prob (B,A)\ )။ semivariogram တွက်ချက်မှုသည် Bayes' rule ကို အခြေခံထားပြီး၊ semivariograms မှ ဖန်တီးနိုင်သော လေ့လာတွေ့ရှိချက်ဒေတာစုများ၏ သဘောထားကို ပြသသည်။ ထို့နောက် semivariogram ၏တန်ဖိုးကို Bayes' rule ကို အသုံးပြု၍ ဆုံးဖြတ်သည်၊ ၎င်းတွင် semivariogram မှ လေ့လာတွေ့ရှိချက်များ၏ dataset တစ်ခု ဖန်တီးရန် မည်မျှဖြစ်နိုင်ခြေရှိသည်ကို ဖော်ပြထားသည်။
support vector machine ဆိုသည်မှာ တူညီသော်လည်း linearly independent မဟုတ်သော class များကို ခွဲခြားရန် အကောင်းဆုံး separating hyperplane ကိုထုတ်ပေးသည့် machine learning algorithm တစ်ခုဖြစ်သည်။ Vapnik51 သည် intent classification algorithm ကို ဖန်တီးခဲ့သော်လည်း မကြာသေးမီက regression-oriented ပြဿနာများကို ဖြေရှင်းရန် အသုံးပြုခဲ့သည်။ Li et al.52 ၏ အဆိုအရ SVM သည် အကောင်းဆုံး classifier နည်းစနစ်များထဲမှ တစ်ခုဖြစ်ပြီး နယ်ပယ်အသီးသီးတွင် အသုံးပြုခဲ့သည်။ SVM (Support Vector Machine Regression – SVMR) ၏ regression component ကို ဤခွဲခြမ်းစိတ်ဖြာမှုတွင် အသုံးပြုခဲ့သည်။ Cherkassky နှင့် Mulier53 တို့သည် kernel-based regression အဖြစ် SVMR ကို ဦးဆောင်ခဲ့ပြီး ၎င်း၏တွက်ချက်မှုကို နိုင်ငံပေါင်းစုံ spatial function များပါရှိသော linear regression model ကို အသုံးပြု၍ လုပ်ဆောင်ခဲ့သည်။ John et al54 ၏ အစီရင်ခံချက်အရ SVMR modeling သည် hyperplane linear regression ကို အသုံးပြုပြီး nonlinear relationship များကို ဖန်တီးပေးပြီး spatial function များကို ခွင့်ပြုသည်။ Vohland et al.54 ၏ အဆိုအရ ၅၅၊ epsilon (ε)-SVMR သည် လေ့ကျင့်ထားသော dataset ကိုအသုံးပြု၍ epsilon-insensitive function အဖြစ် ကိုယ်စားပြုမှုပုံစံကိုရယူပြီး ၎င်းကို ဆက်စပ်ဒေတာပေါ်တွင် လေ့ကျင့်မှုမှ အကောင်းဆုံး epsilon bias ဖြင့် ဒေတာကို သီးခြားစီ map လုပ်ရန် အသုံးပြုသည်။ ကြိုတင်သတ်မှတ်ထားသော အကွာအဝေးအမှားကို တကယ့်တန်ဖိုးမှ လျစ်လျူရှုထားပြီး အမှားသည် ε(ε) ထက်ကြီးပါက မြေဆီလွှာဂုဏ်သတ္တိများက ၎င်းကို ပြန်လည်ဖြည့်ဆည်းပေးသည်။ မော်ဒယ်သည် လေ့ကျင့်မှုဒေတာ၏ ရှုပ်ထွေးမှုကိုလည်း support vectors များ၏ ပိုမိုကျယ်ပြန့်သော အစုအဖွဲ့ခွဲသို့ လျှော့ချပေးသည်။ Vapnik51 မှ အဆိုပြုထားသော ညီမျှခြင်းကို အောက်တွင်ပြထားသည်။
b သည် scalar threshold ကိုကိုယ်စားပြုပြီး၊ \(K\left({x}_{,}{ x}_{k}\right)\) သည် kernel function ကိုကိုယ်စားပြုပြီး၊ \(\alpha\) သည် Lagrange multiplier ကိုကိုယ်စားပြုပြီး၊ N သည် numeric dataset ကိုကိုယ်စားပြုပြီး၊ \({x}_{k}\) သည် data input ကိုကိုယ်စားပြုပြီး၊ \(y\) သည် data output ဖြစ်သည်။ အသုံးပြုထားသော key kernel များထဲမှတစ်ခုမှာ Gaussian radial basis function (RBF) ဖြစ်သော SVMR operation ဖြစ်သည်။ RBF kernel ကို အကောင်းဆုံး SVMR model ကိုဆုံးဖြတ်ရန်အသုံးပြုပြီး၊ ၎င်းသည် PTE training data အတွက် အသိမ်မွေ့ဆုံး penalty set factor C နှင့် kernel parameter gamma (γ) ကိုရရှိရန် အလွန်အရေးကြီးပါသည်။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် training set ကိုအကဲဖြတ်ပြီးနောက် validation set တွင် model performance ကိုစမ်းသပ်ခဲ့သည်။ အသုံးပြုထားသော steering parameter သည် sigma ဖြစ်ပြီး method value သည် svmRadial ဖြစ်သည်။
multiple linear regression model (MLR) ဆိုသည်မှာ least squares နည်းလမ်းကို အသုံးပြု၍ တွက်ချက်ထားသော linear pooled parameters များကို အသုံးပြု၍ response variable နှင့် predictor variable အများအပြားကြား ဆက်နွယ်မှုကို ကိုယ်စားပြုသည့် regression model တစ်ခုဖြစ်သည်။ MLR တွင် least squares model သည် explanatory variable များကို ရွေးချယ်ပြီးနောက် မြေဆီလွှာ၏ ဂုဏ်သတ္တိများ၏ predictive function တစ်ခုဖြစ်သည်။ explanatory variable များကို အသုံးပြု၍ linear relationship တစ်ခု တည်ဆောက်ရန်အတွက် response ကို အသုံးပြုရန် လိုအပ်ပါသည်။ Explanatory variable များနှင့် linear relationship တစ်ခု တည်ဆောက်ရန်အတွက် PTE ကို response variable အဖြစ် အသုံးပြုခဲ့သည်။ MLR equation သည်
y သည် response variable ဖြစ်ပြီး၊ \(a\) သည် intercept ဖြစ်ကာ၊ n သည် predictor အရေအတွက် ဖြစ်ပြီး၊ \({b}_{1}\) သည် coefficient များ၏ partial regression ဖြစ်ပြီး၊ \({x}_{ i}\) သည် predictor သို့မဟုတ် explanatory variable ကို ကိုယ်စားပြုပြီး နှင့် \({\varepsilon }_{i}\) သည် model ရှိ error ကို ကိုယ်စားပြုပြီး residual အဖြစ်လည်း လူသိများသည်။
EBK ကို SVMR နှင့် MLR တို့ကို ညှပ်ခြင်းဖြင့် ရောနှောမော်ဒယ်များကို ရရှိခဲ့သည်။ ၎င်းကို EBK ဆက်စပ်မှုမှ ခန့်မှန်းတန်ဖိုးများကို ထုတ်ယူခြင်းဖြင့် ပြုလုပ်သည်။ အပြန်အလှန်ဖွဲ့စည်းထားသော Ca၊ K နှင့် Mg မှ ရရှိသော ခန့်မှန်းတန်ဖိုးများကို CaK၊ CaMg နှင့် KMg ကဲ့သို့သော ကိန်းရှင်အသစ်များရရှိရန် ပေါင်းစပ်လုပ်ငန်းစဉ်မှတစ်ဆင့် ရရှိခဲ့သည်။ ထို့နောက် Ca၊ K နှင့် Mg ဒြပ်စင်များကို စတုတ္ထကိန်းရှင် CaKMg ရရှိရန် ပေါင်းစပ်သည်။ အလုံးစုံအားဖြင့် ရရှိသော ကိန်းရှင်များမှာ Ca၊ K၊ Mg၊ CaK၊ CaMg၊ KMg နှင့် CaKMg တို့ဖြစ်သည်။ ဤကိန်းရှင်များသည် မြို့ပြနှင့် မြို့ပြအနီးရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် ကူညီပေးသည့် ကျွန်ုပ်တို့၏ ခန့်မှန်းချက်များ ဖြစ်လာခဲ့သည်။ ရောနှောမော်ဒယ် Empirical Bayesian Kriging-Support Vector Machine (EBK_SVM) ရရှိရန် SVMR အယ်လဂိုရီသမ်ကို ခန့်မှန်းချက်များပေါ်တွင် လုပ်ဆောင်ခဲ့သည်။ အလားတူပင်၊ ရောနှောမော်ဒယ် Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR) ရရှိရန် အယ်လဂိုရီသမ်ကိုလည်း ပိုက်လိုင်းဖြင့် ပေါင်းစပ်ထားသည်။ ပုံမှန်အားဖြင့်၊ ကိန်းရှင်များမှာ Ca၊ K၊ Mg၊ CaK၊ CaMg၊ KMg နှင့် CaKMg တို့ကို မြို့ပြနှင့် မြို့ပြအနီး မြေဆီလွှာများတွင် Ni ပါဝင်မှု ခန့်မှန်းသည့် အချက်များအဖြစ် covariates များအဖြစ် အသုံးပြုသည်။ ရရှိလာသော အလက်ခံနိုင်ဆုံး မော်ဒယ် (EBK_SVM သို့မဟုတ် EBK_MLR) ကို self-organizing graph ကို အသုံးပြု၍ မြင်ယောင်နိုင်သည်။ ဤလေ့လာမှု၏ workflow ကို ပုံ ၂ တွင် ပြသထားသည်။
SeOM ကိုအသုံးပြုခြင်းသည် ဘဏ္ဍာရေးကဏ္ဍ၊ ကျန်းမာရေးစောင့်ရှောက်မှု၊ စက်မှုလုပ်ငန်း၊ စာရင်းအင်းများ၊ မြေဆီလွှာသိပ္ပံနှင့် အခြားအရာများတွင် အချက်အလက်များကို စီစဉ်ခြင်း၊ အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းခြင်းအတွက် ရေပန်းစားသောကိရိယာတစ်ခု ဖြစ်လာခဲ့သည်။ SeOM ကို စီစဉ်ခြင်း၊ အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းခြင်းအတွက် အတုအာရုံကြောကွန်ရက်များနှင့် ကြီးကြပ်မှုမရှိသော သင်ယူမှုနည်းလမ်းများကို အသုံးပြု၍ ဖန်တီးထားသည်။ ဤလေ့လာမှုတွင်၊ မြို့ပြနှင့် မြို့ပြအနီးရှိ မြေဆီလွှာများတွင် Ni ခန့်မှန်းရန် အကောင်းဆုံးမော်ဒယ်အပေါ် အခြေခံ၍ Ni ပါဝင်မှုများကို မြင်ယောင်ရန် SeOM ကို အသုံးပြုခဲ့သည်။ SeOM အကဲဖြတ်မှုတွင် စီမံဆောင်ရွက်သော အချက်အလက်များကို n input-dimensional vector variable များအဖြစ် အသုံးပြုသည်43,56။Melssen et al. ၅၇ တွင် input vector တစ်ခုကို input layer မှတစ်ဆင့် neural network တစ်ခုသို့ single weight vector ဖြင့် ချိတ်ဆက်ခြင်းကို ဖော်ပြထားပါသည်။ SeOM မှထုတ်လုပ်သော output သည် ၎င်းတို့၏ proximity အလိုက် hexagonal၊ circular သို့မဟုတ် square topological map များအဖြစ် ရက်လုပ်ထားသော မတူညီသော neurons များ သို့မဟုတ် node များပါဝင်သော two-dimensional map တစ်ခုဖြစ်သည်။ metric၊ quantization error (QE) နှင့် topographic error (TE) တို့ကို အခြေခံ၍ map အရွယ်အစားများကို နှိုင်းယှဉ်ခြင်းဖြင့်၊ 55-map unit (5 × 11) ဖြစ်သည့် 0.086 နှင့် 0.904 အသီးသီးရှိသော SeOM model ကို ရွေးချယ်ထားသည်။ neuron structure ကို empirical equation ရှိ node အရေအတွက်အလိုက် ဆုံးဖြတ်သည်။
ဤလေ့လာမှုတွင် အသုံးပြုသော အချက်အလက်အရေအတွက်မှာ နမူနာ ၁၁၅ ခုဖြစ်သည်။ အချက်အလက်များကို စမ်းသပ်ဒေတာ (အတည်ပြုချက်အတွက် ၂၅%) နှင့် လေ့ကျင့်ရေးဒေတာအစုံများ (ချိန်ညှိမှုအတွက် ၇၅%) အဖြစ် ပိုင်းခြားရန် ကျပန်းချဉ်းကပ်မှုကို အသုံးပြုခဲ့သည်။ လေ့ကျင့်ရေးဒေတာအစုကို regression မော်ဒယ် (ချိန်ညှိခြင်း) ကို ထုတ်လုပ်ရန် အသုံးပြုပြီး စမ်းသပ်ဒေတာအစုကို ယေဘုယျပြုလုပ်နိုင်စွမ်းကို အတည်ပြုရန် အသုံးပြုသည်58။ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် မော်ဒယ်အမျိုးမျိုး၏ သင့်လျော်မှုကို အကဲဖြတ်ရန် ၎င်းကို ပြုလုပ်ခဲ့သည်။ အသုံးပြုထားသော မော်ဒယ်အားလုံးသည် ဆယ်ဆ cross-validation လုပ်ငန်းစဉ်ကို ဖြတ်သန်းခဲ့ပြီး ငါးကြိမ်ထပ်ခါတလဲလဲ ပြုလုပ်ခဲ့သည်။ EBK interpolation မှ ထုတ်လုပ်သော variable များကို target variable (PTE) ကို ခန့်မှန်းရန် predictors သို့မဟုတ် explanatory variable များအဖြစ် အသုံးပြုသည်။ မော်ဒယ်လ်ကို RStudio တွင် packages library(Kohonen)၊ library(caret)၊ library(modelr)၊ library(“e1071″)၊ library(“plyr”)၊ library(“caTools”)၊ library(“prospectr”) နှင့် libraries (“Metrics”) တို့ကို အသုံးပြု၍ ကိုင်တွယ်သည်။
မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန်နှင့် မော်ဒယ်၏တိကျမှုနှင့် ၎င်း၏အတည်ပြုချက်ကို အကဲဖြတ်ရန်အတွက် အကောင်းဆုံးမော်ဒယ်ကို ဆုံးဖြတ်ရန် အမျိုးမျိုးသော အတည်ပြုချက်ဘောင်များကို အသုံးပြုခဲ့သည်။ Hybridization မော်ဒယ်များကို mean absolute error (MAE)၊ root mean square error (RMSE) နှင့် R-squared သို့မဟုတ် coefficient determination (R2) တို့ကို အသုံးပြု၍ အကဲဖြတ်ခဲ့သည်။ R2 သည် regression မော်ဒယ်ဖြင့် ကိုယ်စားပြုသော အဖြေရှိ အချိုးအစားများ၏ variance ကို သတ်မှတ်ပေးသည်။ RMSE နှင့် လွတ်လပ်သောတိုင်းတာမှုများတွင် variance magnitude သည် မော်ဒယ်၏ ခန့်မှန်းစွမ်းအားကို ဖော်ပြပြီး MAE သည် အမှန်တကယ် ပမာဏတန်ဖိုးကို ဆုံးဖြတ်သည်။ အတည်ပြုချက်ဘောင်များကို အသုံးပြု၍ အကောင်းဆုံး ရောနှောမော်ဒယ်ကို အကဲဖြတ်ရန် R2 တန်ဖိုး မြင့်မားရမည်၊ တန်ဖိုးသည် 1 နှင့် နီးကပ်လေ၊ တိကျမှု မြင့်မားလေဖြစ်သည်။ Li et al. 59 အရ၊ R2 စံနှုန်းတန်ဖိုး 0.75 သို့မဟုတ် ထို့ထက်ပို၍ ကောင်းမွန်သော ခန့်မှန်းချက်အဖြစ် သတ်မှတ်သည်။ 0.5 မှ 0.75 အထိသည် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်ဖြစ်ပြီး 0.5 အောက်သည် လက်မခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်ဖြစ်သည်။ RMSE နှင့် MAE အတည်ပြုချက်စံနှုန်း အကဲဖြတ်နည်းလမ်းများကို အသုံးပြု၍ မော်ဒယ်တစ်ခုကို ရွေးချယ်သောအခါ၊ ရရှိလာသော အနိမ့်ဆုံးတန်ဖိုးများသည် လုံလောက်ပြီး အကောင်းဆုံးရွေးချယ်မှုအဖြစ် သတ်မှတ်သည်။ အောက်ပါညီမျှခြင်းသည် အတည်ပြုခြင်းနည်းလမ်းကို ဖော်ပြထားသည်။
ဤတွင် n သည် လေ့လာတွေ့ရှိထားသော တန်ဖိုး၏ အရွယ်အစားကို ကိုယ်စားပြုပြီး \({Y}_{i}\) သည် တိုင်းတာထားသော တုံ့ပြန်မှုကို ကိုယ်စားပြုပြီး \({\widehat{Y}}_{i}\) သည် ပထမဆုံး i လေ့လာတွေ့ရှိချက်များအတွက် ခန့်မှန်းတုံ့ပြန်မှုတန်ဖိုးကိုလည်း ကိုယ်စားပြုသည်။
ခန့်မှန်းချက်နှင့် တုံ့ပြန်မှု ကိန်းရှင်များ၏ စာရင်းအင်းဖော်ပြချက်များကို ဇယား ၁ တွင် တင်ပြထားပြီး ပျမ်းမျှ၊ စံသွေဖည်မှု (SD)၊ ကွဲလွဲမှုကိန်းဂဏန်း (CV)၊ အနည်းဆုံး၊ အမြင့်ဆုံး၊ kurtosis နှင့် skewness တို့ကို ပြသထားသည်။ ဒြပ်စင်များ၏ အနည်းဆုံးနှင့် အမြင့်ဆုံးတန်ဖိုးများသည် Mg < Ca < K < Ni နှင့် Ca < Mg < K < Ni အသီးသီး လျော့နည်းလာသော အစီအစဉ်အတိုင်းဖြစ်သည်။ လေ့လာမှုဧရိယာမှ နမူနာယူထားသော တုံ့ပြန်မှု ကိန်းရှင် (Ni) ၏ ပါဝင်မှုများသည် ၄.၈၆ မှ ၄၂.၃၉ mg/kg အထိ ရှိသည်။ Ni ကို ကမ္ဘာ့ပျမ်းမျှ (၂၉ mg/kg) နှင့် ဥရောပပျမ်းမျှ (၃၇ mg/kg) နှင့် နှိုင်းယှဉ်ပါက လေ့လာမှုဧရိယာအတွက် တွက်ချက်ထားသော ဂျီဩမေတြီပျမ်းမျှသည် ခံနိုင်ရည်ရှိသော အတိုင်းအတာအတွင်း၌ ရှိကြောင်း ပြသသည်။ သို့သော် Kabata-Pendias11 မှ ပြသထားသည့်အတိုင်း လက်ရှိလေ့လာမှုတွင် ပျမ်းမျှနီကယ် (Ni) ပါဝင်မှုကို ဆွီဒင်နိုင်ငံရှိ စိုက်ပျိုးရေးမြေဆီလွှာများနှင့် နှိုင်းယှဉ်ကြည့်လျှင် လက်ရှိပျမ်းမျှနီကယ်ပါဝင်မှု ပိုမိုမြင့်မားကြောင်း ပြသသည်။ အလားတူပင် လက်ရှိလေ့လာမှုတွင် မြို့ပြနှင့် မြို့ပြအနီးရှိ မြေဆီလွှာများတွင် Frydek Mistek ၏ ပျမ်းမျှပါဝင်မှု (Ni ၁၆.၁၅ mg/kg) သည် ပိုမိုမြင့်မားသည်။ Różański နှင့်အဖွဲ့မှ အစီရင်ခံတင်ပြခဲ့သော ပိုလန်မြို့ပြမြေဆီလွှာများတွင် Ni အတွက် ခွင့်ပြုထားသော ကန့်သတ်ချက် 60 (10.2 mg/kg) ထက် ကျော်လွန်နေပါသည်။ ထို့အပြင်၊ Bretzel နှင့် Calderisi61 တို့သည် လက်ရှိလေ့လာမှုနှင့် နှိုင်းယှဉ်ပါက Tuscany ရှိ မြို့ပြမြေဆီလွှာများတွင် ပျမ်းမျှ Ni ပါဝင်မှု (1.78 mg/kg) အလွန်နိမ့်ကျနေသည်ကို မှတ်တမ်းတင်ထားပါသည်။ Jim62 သည် ဟောင်ကောင်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှု (12.34 mg/kg) နည်းပါးသည်ကို တွေ့ရှိခဲ့ပြီး ၎င်းသည် ဤလေ့လာမှုတွင် လက်ရှိနီကယ်ပါဝင်မှုထက် နိမ့်ကျနေပါသည်။ Birke နှင့်အဖွဲ့မှ ဂျာမနီနိုင်ငံ၊ Saxony-Anhalt ရှိ ရှေးဟောင်းသတ္တုတွင်းနှင့် မြို့ပြစက်မှုဇုန်တစ်ခုတွင် ပျမ်းမျှ Ni ပါဝင်မှု 17.6 mg/kg ရှိကြောင်း အစီရင်ခံတင်ပြခဲ့ပြီး ယင်းသည် ထိုဒေသရှိ ပျမ်းမျှ Ni ပါဝင်မှု (16.15 mg/kg) ထက် 1.45 mg/kg ပိုမိုမြင့်မားပါသည်။ လက်ရှိသုတေသန။ လေ့လာမှုဧရိယာ၏ မြို့ပြနှင့် ဆင်ခြေဖုံးဒေသအချို့ရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှု လွန်ကဲခြင်းသည် အဓိကအားဖြင့် သံနှင့်သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းကြောင့် ဖြစ်နိုင်သည်။ ၎င်းသည် Khodadoust နှင့်အဖွဲ့၏ လေ့လာမှုနှင့် ကိုက်ညီပါသည်။ ၆၄ တွင် သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းတို့သည် မြေဆီလွှာတွင် နီကယ်ညစ်ညမ်းမှု၏ အဓိကရင်းမြစ်များဖြစ်ကြောင်း ဖော်ပြထားသည်။ သို့သော်၊ ခန့်မှန်းသူများသည် Ca အတွက် 538.70 mg/kg မှ 69,161.80 mg/kg၊ K အတွက် 497.51 mg/kg မှ 3535.68 mg/kg နှင့် Mg အတွက် 685.68 mg/kg မှ 5970.05 mg/kg အထိ ရှိသည်။Jakovljevic et al. ၆၅ သည် ဆားဘီးယားအလယ်ပိုင်းရှိ မြေဆီလွှာများ၏ စုစုပေါင်း Mg နှင့် K ပါဝင်မှုကို စုံစမ်းစစ်ဆေးခဲ့သည်။ ၎င်းတို့သည် စုစုပေါင်းပါဝင်မှုများ (၄၁၀ mg/kg နှင့် ၄၀၀ mg/kg အသီးသီး) သည် လက်ရှိလေ့လာမှု၏ Mg နှင့် K ပါဝင်မှုများထက် နည်းပါးကြောင်း တွေ့ရှိခဲ့သည်။ ခွဲခြား၍မရသောအချက်မှာ အရှေ့ပိုလန်တွင် Orzechowski နှင့် Smolczynski၆၆ တို့သည် Ca၊ Mg နှင့် K တို့၏ စုစုပေါင်းပါဝင်မှုကို အကဲဖြတ်ခဲ့ပြီး Ca (၁၁၀၀ mg/kg)၊ Mg (၅၉၀ mg/kg) နှင့် K (၈၁၀ mg/kg) တို့၏ ပျမ်းမျှပါဝင်မှုများကို ပြသခဲ့သည်။ မြေဆီလွှာရှိ ပါဝင်မှုသည် ဤလေ့လာမှုတွင် တစ်ခုတည်းသော ဒြပ်စင်ထက် နည်းပါးသည်။ Pongrac et al. ၆၇ ၏ မကြာသေးမီက လေ့လာမှုတစ်ခုအရ စကော့တလန်၊ ယူကေရှိ မြေဆီလွှာ ၃ မျိုး (Mylnefield မြေဆီလွှာ၊ Balruddery မြေဆီလွှာနှင့် Hartwood မြေဆီလွှာ) တွင် ခွဲခြမ်းစိတ်ဖြာထားသော စုစုပေါင်း Ca ပါဝင်မှုသည် ဤလေ့လာမှုတွင် Ca ပါဝင်မှု ပိုမိုမြင့်မားကြောင်း ပြသခဲ့သည်။
နမူနာယူထားသော ဒြပ်စင်များ၏ တိုင်းတာထားသော ပြင်းအားများ မတူညီသောကြောင့် ဒြပ်စင်များ၏ အချက်အလက်အစုံ ဖြန့်ဖြူးမှုများသည် မတူညီသော skewness ကို ပြသသည်။ ဒြပ်စင်များ၏ skewness နှင့် kurtosis သည် အသီးသီး 1.53 မှ 7.24 နှင့် 2.49 မှ 54.16 အထိ ရှိသည်။ တွက်ချက်ထားသော ဒြပ်စင်အားလုံးတွင် +1 အထက် skewness နှင့် kurtosis အဆင့်များ ရှိပြီး ဒေတာဖြန့်ဖြူးမှုသည် မမှန်၊ မှန်ကန်သော ဦးတည်ချက်တွင် စောင်းနေပြီး အထွတ်အထိပ်သို့ ရောက်ရှိနေကြောင်း ညွှန်ပြသည်။ ဒြပ်စင်များ၏ ခန့်မှန်း CV များသည် K၊ Mg နှင့် Ni တို့သည် အသင့်အတင့် ကွဲပြားမှုကို ပြသပြီး Ca တွင် အလွန်မြင့်မားသော ကွဲပြားမှုကို ပြသသည်။ K၊ Ni နှင့် Mg တို့၏ CV များသည် ၎င်းတို့၏ တစ်ပြေးညီ ဖြန့်ဖြူးမှုကို ရှင်းပြသည်။ ထို့အပြင် Ca ဖြန့်ဖြူးမှုသည် တစ်ပြေးညီ မဟုတ်ပြီး ပြင်ပရင်းမြစ်များသည် ၎င်း၏ ကြွယ်ဝမှုအဆင့်ကို ထိခိုက်စေနိုင်သည်။
ခန့်မှန်းကိန်းရှင်များနှင့် တုံ့ပြန်မှုဒြပ်စင်များ၏ ဆက်စပ်မှုသည် ဒြပ်စင်များအကြား ကျေနပ်ဖွယ်ကောင်းသော ဆက်စပ်မှုကို ညွှန်ပြသည် (ပုံ ၃ ကိုကြည့်ပါ)။ ဆက်စပ်မှုက CaK သည် CaNi ကဲ့သို့ပင် r တန်ဖိုး = 0.53 ဖြင့် အသင့်အတင့် ဆက်စပ်မှုကို ပြသသည်။ Ca နှင့် K တို့သည် တစ်ခုနှင့်တစ်ခု အသင့်အတင့် ဆက်စပ်မှုကို ပြသသော်လည်း Kingston et al ကဲ့သို့သော သုတေသီများသည်... ၆၈ နှင့် Santo၆၉ တို့က မြေဆီလွှာရှိ ၎င်းတို့၏ပါဝင်မှုပမာဏသည် ပြောင်းပြန်အချိုးကျကြောင်း အကြံပြုထားသည်။ သို့သော် Ca နှင့် Mg တို့သည် K နှင့် ဆန့်ကျင်ဘက်ဖြစ်သော်လည်း CaK သည် ကောင်းစွာ ဆက်စပ်နေသည်။ ၎င်းသည် ပိုတက်စီယမ်တွင် ၅၆% ပိုများသော ပိုတက်စီယမ်ကာဗွန်နိတ်ကဲ့သို့သော ဓာတ်မြေဩဇာများကို အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။ ပိုတက်စီယမ်သည် မဂ္ဂနီဆီယမ်နှင့် အသင့်အတင့် ဆက်စပ်နေသည် (KM r = 0.63)။ ဓာတ်မြေဩဇာလုပ်ငန်းတွင်၊ ဤဒြပ်စင်နှစ်ခုသည် နီးကပ်စွာ ဆက်စပ်နေပြီး ပိုတက်စီယမ် မဂ္ဂနီဆီယမ် ဆာလဖိတ်၊ ပိုတက်စီယမ် မဂ္ဂနီဆီယမ် နိုက်ထရိတ် နှင့် ပိုတက်ရှ်တို့ကို မြေဆီလွှာတွင် ၎င်းတို့၏ ချို့တဲ့မှုအဆင့်ကို မြှင့်တင်ရန် အသုံးပြုသောကြောင့်ဖြစ်သည်။ နီကယ်သည် Ca၊ K နှင့် Mg တို့နှင့် အသင့်အတင့် ဆက်စပ်နေပြီး r တန်ဖိုးများ = 0.52၊ 0.63 နှင့် 0.55 အသီးသီးရှိသည်။ ကယ်လ်စီယမ်၊ မဂ္ဂနီဆီယမ် နှင့် နီကယ်ကဲ့သို့သော PTE များပါဝင်သည့် ဆက်နွယ်မှုများသည် ရှုပ်ထွေးသော်လည်း မဂ္ဂနီဆီယမ်သည် ကယ်လ်စီယမ်စုပ်ယူမှုကို တားဆီးပေးပြီး ကယ်လ်စီယမ်သည် မဂ္ဂနီဆီယမ်ပိုလျှံမှု၏ အကျိုးသက်ရောက်မှုကို လျော့ကျစေပြီး မဂ္ဂနီဆီယမ်နှင့် ကယ်လ်စီယမ် နှစ်မျိုးလုံးသည် မြေဆီလွှာရှိ နီကယ်၏ အဆိပ်သင့်စေသော အကျိုးသက်ရောက်မှုများကို လျော့ကျစေသည်။
ခန့်မှန်းချက်များနှင့် တုံ့ပြန်မှုများအကြား ဆက်နွယ်မှုကိုပြသသည့် element များအတွက် Correlation matrix (မှတ်ချက်- ဤပုံတွင် element များအကြား scatterplot ပါဝင်ပြီး၊ significance level များသည် p < 0,001 ပေါ်တွင် အခြေခံထားသည်)။
ပုံ ၄ တွင် ဒြပ်စင်များ၏ နေရာဒေသအလိုက် ဖြန့်ဖြူးမှုကို ဖော်ပြထားသည်။ Burgos နှင့် အဖွဲ့ ၇၀ ၏ အဆိုအရ နေရာဒေသအလိုက် ဖြန့်ဖြူးမှု အသုံးချမှုသည် ညစ်ညမ်းသော နေရာများရှိ အပူဆုံးနေရာများကို ပမာဏသတ်မှတ်ပြီး မီးမောင်းထိုးပြရန် အသုံးပြုသည့် နည်းပညာတစ်ခုဖြစ်သည်။ ပုံ ၄ ရှိ Ca ၏ ကြွယ်ဝမှုအဆင့်များကို နေရာဒေသအလိုက် ဖြန့်ဖြူးမှုမြေပုံ၏ အနောက်မြောက်ဘက်တွင် မြင်တွေ့နိုင်သည်။ ပုံတွင် အလယ်အလတ်မှ မြင့်မားသော Ca ကြွယ်ဝမှု ပူပြင်းသည့်နေရာများကို ပြသထားသည်။ မြေပုံ၏ အနောက်မြောက်ဘက်ရှိ ကယ်လ်စီယမ် ကြွယ်ဝမှုသည် မြေဆီလွှာ အက်ဆစ်ဓာတ်ကို လျှော့ချရန် quicklime (ကယ်လ်စီယမ်အောက်ဆိုဒ်) ကို အသုံးပြုခြင်းနှင့် သံမဏိစက်ရုံများတွင် သံမဏိထုတ်လုပ်ခြင်းလုပ်ငန်းစဉ်တွင် အယ်ကာလိုင်းအောက်ဆီဂျင်အဖြစ် အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။ အခြားတစ်ဖက်တွင်၊ အခြားလယ်သမားများသည် pH ကို ပျက်ပြယ်စေရန် အက်ဆစ်ဓာတ်ပါသော မြေဆီလွှာများတွင် ကယ်လ်စီယမ်ဟိုက်ဒရောဆိုဒ်ကို အသုံးပြုရန် ပိုနှစ်သက်ကြပြီး ၎င်းသည် မြေဆီလွှာ၏ ကယ်လ်စီယမ်ပါဝင်မှုကိုလည်း တိုးစေသည်။ ပိုတက်စီယမ်သည် မြေပုံ၏ အနောက်မြောက်ဘက်နှင့် အရှေ့ဘက်ရှိ အပူဆုံးနေရာများကိုလည်း ပြသထားသည်။ အနောက်မြောက်ဘက်သည် အဓိက စိုက်ပျိုးရေးအသိုင်းအဝိုင်းတစ်ခုဖြစ်ပြီး ပိုတက်စီယမ်၏ အလယ်အလတ်မှ မြင့်မားသောပုံစံသည် NPK နှင့် ပိုတက်ရှ်အသုံးပြုမှုကြောင့် ဖြစ်နိုင်သည်။ ၎င်းသည် Madaras နှင့် Lipavský ၇၂၊ Madaras နှင့် အဖွဲ့ ၇၃၊ Pulkrabová နှင့် အဖွဲ့ ၇၄၊ Asare နှင့် အဖွဲ့ ၇၅ ကဲ့သို့သော အခြားလေ့လာမှုများနှင့် ကိုက်ညီပါသည်။ မြေဆီလွှာတည်ငြိမ်စေခြင်းနှင့် KCl နှင့် NPK ဖြင့် ပြုပြင်ခြင်းသည် မြေဆီလွှာတွင် K ပါဝင်မှု မြင့်မားစေကြောင်း တွေ့ရှိရသည်။ ဖြန့်ဖြူးမှုမြေပုံ၏ အနောက်မြောက်ဘက်ရှိ နေရာဒေသအလိုက် ပိုတက်စီယမ် ကြွယ်ဝမှုသည် မြေဆီလွှာညံ့ဖျင်းသော မြေဆီလွှာများတွင် ပိုတက်စီယမ်ပါဝင်မှုကို မြှင့်တင်ရန်အတွက် ပိုတက်စီယမ်ကလိုရိုက်၊ ပိုတက်စီယမ်ဆာလဖိတ်၊ ပိုတက်စီယမ်နိုက်ထရိတ်၊ ပိုတက်စီယမ်နှင့် ပိုတက်စီယမ်ကဲ့သို့သော ပိုတက်စီယမ်အခြေခံ ဓာတ်မြေသြဇာများကို အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။Zádorová et al. 76 နှင့် Tlustoš et al. ၇၇ တွင် K-အခြေခံ ဓာတ်မြေဩဇာများ အသုံးပြုခြင်းသည် မြေဆီလွှာတွင် K ပါဝင်မှုကို တိုးစေပြီး ရေရှည်တွင် မြေဆီလွှာ အာဟာရဓာတ် ပါဝင်မှုကို သိသိသာသာ တိုးစေကြောင်း၊ အထူးသဖြင့် K နှင့် Mg တို့သည် မြေဆီလွှာတွင် အပူပြင်းဆုံးနေရာ ပြသကြောင်း ဖော်ပြထားသည်။ မြေပုံ၏ အနောက်မြောက်ဘက်နှင့် အရှေ့တောင်ဘက်ရှိ နှိုင်းယှဉ်သင့်တင့်သော အပူပြင်းဆုံးနေရာများ။ မြေဆီလွှာတွင် ကော်လိုက်ဒါ ပြုပြင်ခြင်းသည် မြေဆီလွှာရှိ မဂ္ဂနီဆီယမ် ပါဝင်မှုကို လျော့ကျစေသည်။ မြေဆီလွှာတွင် ၎င်းချို့တဲ့ခြင်းသည် အပင်များကို အဝါရောင် သွေးကြောကြား chlorosis ဖြစ်ပေါ်စေသည်။ ပိုတက်စီယမ် မဂ္ဂနီဆီယမ် ဆာလဖိတ်၊ မဂ္ဂနီဆီယမ် ဆာလဖိတ်နှင့် Kieserite ကဲ့သို့သော မဂ္ဂနီဆီယမ် အခြေခံ ဓာတ်မြေဩဇာများသည် ပုံမှန် pH အတိုင်းအတာ ၆ ရှိသော မြေဆီလွှာများတွင် ချို့တဲ့မှုများ (အပင်များသည် ခရမ်းရောင်၊ အနီရောင် သို့မဟုတ် အညိုရောင် ပေါ်လာပြီး မဂ္ဂနီဆီယမ် ချို့တဲ့မှုကို ညွှန်ပြသည်) ကို ကုသပေးသည်။ မြို့ပြနှင့် မြို့ပြအနီး မြေဆီလွှာမျက်နှာပြင်များတွင် နီကယ်စုပုံခြင်းသည် စိုက်ပျိုးရေးကဲ့သို့သော လူသားတို့၏ လုပ်ဆောင်ချက်များနှင့် သံမဏိထုတ်လုပ်မှုတွင် နီကယ်၏ အရေးပါမှုကြောင့် ဖြစ်နိုင်သည်။
ဒြပ်စင်များ၏ နေရာဒေသဆိုင်ရာ ဖြန့်ဖြူးမှု [ArcGIS Desktop (ESRI, Inc, ဗားရှင်း 10.7, URL: https://desktop.arcgis.com) ကို အသုံးပြု၍ နေရာဒေသဆိုင်ရာ ဖြန့်ဖြူးမှုမြေပုံကို ဖန်တီးထားသည်။]
ဤလေ့လာမှုတွင်အသုံးပြုသောဒြပ်စင်များအတွက် မော်ဒယ်စွမ်းဆောင်ရည်ညွှန်းကိန်းရလဒ်များကို ဇယား ၂ တွင်ပြသထားသည်။ အခြားတစ်ဖက်တွင်၊ Ni ၏ RMSE နှင့် MAE နှစ်ခုစလုံးသည် သုညနှင့်နီးစပ်သည် (0.86 RMSE၊ -0.08 MAE)။ အခြားတစ်ဖက်တွင်၊ K ၏ RMSE နှင့် MAE တန်ဖိုးနှစ်ခုစလုံးသည် လက်ခံနိုင်သည်။ RMSE နှင့် MAE ရလဒ်များသည် ကယ်လ်စီယမ်နှင့် မဂ္ဂနီဆီယမ်အတွက် ပိုမိုများပြားသည်။ Ca နှင့် K MAE နှင့် RMSE ရလဒ်များသည် မတူညီသောဒေတာစုများကြောင့် ပိုမိုကြီးမားသည်။ Ni ကိုခန့်မှန်းရန် EBK ကိုအသုံးပြုသည့် ဤလေ့လာမှု၏ RMSE နှင့် MAE သည် စုဆောင်းထားသောဒေတာတူညီကို အသုံးပြု၍ မြေဆီလွှာတွင် S ပါဝင်မှုများကို ခန့်မှန်းရန် synergistic kriging ကိုအသုံးပြုသည့် John et al. 54 ၏ရလဒ်များထက် ပိုမိုကောင်းမွန်ကြောင်း တွေ့ရှိရသည်။ ကျွန်ုပ်တို့လေ့လာခဲ့သော EBK ရလဒ်များသည် Fabijaczyk et al. 41၊ Yan et al. 79၊ Beguin et al. 80၊ Adhikary et al. 81 နှင့် John et al. 82၊ အထူးသဖြင့် K နှင့် Ni တို့၏ ရလဒ်များနှင့် ဆက်စပ်နေသည်။
မြို့ပြနှင့် မြို့ပြအနီးရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် တစ်ဦးချင်းနည်းလမ်းများ၏ စွမ်းဆောင်ရည်ကို မော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို အသုံးပြု၍ အကဲဖြတ်ခဲ့သည် (ဇယား ၃)။ မော်ဒယ် အတည်ပြုခြင်းနှင့် တိကျမှု အကဲဖြတ်ခြင်းက EBK SVMR မော်ဒယ်နှင့် ပေါင်းစပ်ထားသော Ca_Mg_K ခန့်မှန်းကိရိယာသည် အကောင်းဆုံးစွမ်းဆောင်ရည်ကို ရရှိစေကြောင်း အတည်ပြုခဲ့သည်။ စံကိုက်ညှိမော်ဒယ် Ca_Mg_K-EBK_SVMR မော်ဒယ် R2၊ root mean square error (RMSE) နှင့် mean absolute error (MAE) တို့သည် 0.637 (R2)၊ 95.479 mg/kg (RMSE) နှင့် 77.368 mg/kg (MAE) တို့ဖြစ်သည်။ Ca_Mg_K-SVMR သည် 0.663 (R2)၊ 235.974 mg/kg (RMSE) နှင့် 166.946 mg/kg (MAE) ဖြစ်သည်။ သို့သော် Ca_Mg_K-SVMR (0.663 mg/kg R2) နှင့် Ca_Mg-EBK_SVMR အတွက် ကောင်းမွန်သော R2 တန်ဖိုးများကို ရရှိခဲ့သည်။ (၀.၆၄၃ = R၂); ၎င်းတို့၏ RMSE နှင့် MAE ရလဒ်များသည် Ca_Mg_K-EBK_SVMR (R2 0.637) အတွက် ရလဒ်များထက် ပိုမိုမြင့်မားသည် (ဇယား ၃ ကိုကြည့်ပါ)။ ထို့အပြင်၊ Ca_Mg-EBK_SVMR (RMSE = 1664.64 နှင့် MAE = 1031.49) မော်ဒယ်၏ RMSE နှင့် MAE များသည် အသီးသီး 17.5 နှင့် 13.4 ဖြစ်ပြီး Ca_Mg_K-EBK_SVMR ထက် ပိုမိုကြီးမားသည်။ အလားတူပင်၊ Ca_Mg-K SVMR (RMSE = 235.974 နှင့် MAE = 166.946) မော်ဒယ်၏ RMSE နှင့် MAE များသည် Ca_Mg_K-EBK_SVMR RMSE နှင့် MAE ထက် အသီးသီး 2.5 နှင့် 2.2 ပိုမိုကြီးမားသည်။ တွက်ချက်ထားသော RMSE ရလဒ်များသည် ဒေတာအစုံသည် အကောင်းဆုံးကိုက်ညီမှုမျဉ်းနှင့် မည်မျှအာရုံစူးစိုက်မှုရှိကြောင်း ညွှန်ပြသည်။ ပိုမိုမြင့်မားသော RSME နှင့် MAE ကို တွေ့ရှိရသည်။ Kebonye et al. ၏ အဆိုအရ ၄၆ နှင့် john et al. ၅၄ တို့တွင် RMSE နှင့် MAE တို့သည် သုညနှင့်နီးကပ်လေ၊ ရလဒ်ကောင်းလေဖြစ်သည်။ SVMR နှင့် EBK_SVMR တို့တွင် ပမာဏသတ်မှတ်ထားသော RSME နှင့် MAE တန်ဖိုးများ ပိုမိုမြင့်မားသည်။ RSME ခန့်မှန်းချက်များသည် MAE တန်ဖိုးများထက် အမြဲတမ်းမြင့်မားနေကြောင်း တွေ့ရှိခဲ့ရပြီး၊ outliers များရှိနေခြင်းကို ညွှန်ပြနေသည်။ Legates နှင့် McCabe83 ၏ အဆိုအရ၊ RMSE သည် ပျမ်းမျှ absolute error (MAE) ထက် ကျော်လွန်သည့်အတိုင်းအတာကို outliers များရှိနေခြင်း၏ အညွှန်းကိန်းအဖြစ် အကြံပြုထားသည်။ ဆိုလိုသည်မှာ dataset ပိုမိုကွဲပြားလေ၊ MAE နှင့် RMSE တန်ဖိုးများ မြင့်မားလေဖြစ်သည်။ မြို့ပြနှင့် ဆင်ခြေဖုံးမြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် Ca_Mg_K-EBK_SVMR ရောနှောမော်ဒယ်၏ cross-validation အကဲဖြတ်မှု၏ တိကျမှုသည် ၆၃.၇၀% ရှိသည်။ Li et al. ၅၉ ၏ အဆိုအရ ဤတိကျမှုအဆင့်သည် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်နှုန်းဖြစ်သည်။ လက်ရှိရလဒ်များကို Tarasov et al ၏ ယခင်လေ့လာမှုနှင့် နှိုင်းယှဉ်ထားသည်။ ၃၆ ၏ hybrid မော်ဒယ်သည် MLPRK (Multilayer Perceptron Residual Kriging) ကို ဖန်တီးပေးခဲ့ပြီး လက်ရှိလေ့လာမှုတွင် ဖော်ပြထားသော EBK_SVMR တိကျမှုအကဲဖြတ်ညွှန်းကိန်းနှင့် ဆက်စပ်နေသောကြောင့် RMSE (210) နှင့် MAE (167.5) သည် လက်ရှိလေ့လာမှုရှိ ကျွန်ုပ်တို့၏ရလဒ်များ (RMSE 95.479၊ MAE 77.368) ထက် ပိုမိုမြင့်မားပါသည်။ သို့သော် Tarasov et al တို့၏ R2 နှင့် လက်ရှိလေ့လာမှု (0.637) ကို နှိုင်းယှဉ်သောအခါ ၃၆ (၀.၅၄၄)၊ ဤရောနှောမော်ဒယ်တွင် ဆုံးဖြတ်ချက်ချမှတ်မှုကိန်းဂဏန်း (R2) မြင့်မားကြောင်း ထင်ရှားသည်။ ရောနှောမော်ဒယ်အတွက် အမှားအယွင်းအနားသတ် (RMSE နှင့် MAE) (EBK SVMR) သည် နှစ်ဆလျော့နည်းသည်။ အလားတူပင်၊ Sergeev နှင့်အဖွဲ့သည် ဖွံ့ဖြိုးပြီး hybrid မော်ဒယ် (Multilayer Perceptron Residual Kriging) အတွက် ၀.၂၈ (R2) ကို မှတ်တမ်းတင်ထားပြီး၊ လက်ရှိလေ့လာမှုတွင် Ni သည် ၀.၆၃၇ (R2) ကို မှတ်တမ်းတင်ထားသည်။ ဤမော်ဒယ် (EBK SVMR) ၏ ခန့်မှန်းတိကျမှုအဆင့်မှာ ၆၃.၇% ဖြစ်ပြီး၊ Sergeev နှင့်အဖွဲ့ ၃၄ မှရရှိသော ခန့်မှန်းတိကျမှုမှာ ၂၈% ဖြစ်သည်။ EBK_SVMR မော်ဒယ်နှင့် Ca_Mg_K ကို ခန့်မှန်းချက်အဖြစ် အသုံးပြု၍ ဖန်တီးထားသော နောက်ဆုံးမြေပုံ (ပုံ ၅) သည် လေ့လာမှုဧရိယာတစ်ခုလုံးတွင် အပူဆုံးနေရာများနှင့် အလယ်အလတ်မှ နီကယ်အထိ ခန့်မှန်းချက်များကို ပြသသည်။ ဆိုလိုသည်မှာ လေ့လာမှုဧရိယာရှိ နီကယ်ပါဝင်မှုသည် အဓိကအားဖြင့် အလယ်အလတ်ဖြစ်ပြီး အချို့သော သီးခြားဧရိယာများတွင် ပါဝင်မှုမြင့်မားသည်။
နောက်ဆုံး ခန့်မှန်းမြေပုံကို hybrid မော်ဒယ် EBK_SVMR ကို အသုံးပြု၍ Ca_Mg_K ကို ခန့်မှန်းကိရိယာအဖြစ် အသုံးပြု၍ ကိုယ်စားပြုထားသည်။ [Spatial distribution မြေပုံကို RStudio (ဗားရှင်း 1.4.1717: https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
ပုံ ၆ တွင် တင်ပြထားသည်မှာ PTE ပါဝင်မှုများကို တစ်ဦးချင်း နျူရွန်များပါဝင်သော ဖွဲ့စည်းမှု မျက်နှာပြင်အဖြစ် ပြသထားသည်။ အစိတ်အပိုင်း မျက်နှာပြင်များသည် ပြသထားသည့်အတိုင်း တူညီသော အရောင်ပုံစံကို မပြသပါ။ သို့သော်၊ ရေးဆွဲထားသော မြေပုံတစ်ခုလျှင် သင့်လျော်သော နျူရွန်အရေအတွက်မှာ ၅၅ ဖြစ်သည်။ SeOM ကို အရောင်အမျိုးမျိုးကို အသုံးပြု၍ ထုတ်လုပ်ထားပြီး၊ အရောင်ပုံစံများ ပိုမိုဆင်တူလေ၊ နမူနာများ၏ ဂုဏ်သတ္တိများ ပိုမိုနှိုင်းယှဉ်နိုင်လေဖြစ်သည်။ ၎င်းတို့၏ တိကျသော အရောင်စကေးအရ၊ တစ်ဦးချင်း ဒြပ်စင်များ (Ca၊ K နှင့် Mg) သည် တစ်ခုတည်းသော မြင့်မားသော နျူရွန်များနှင့် အနိမ့်ဆုံး နျူရွန်အများစုနှင့် အလားတူ အရောင်ပုံစံများကို ပြသသည်။ ထို့ကြောင့်၊ CaK နှင့် CaMg တို့သည် အလွန်မြင့်မားသော အဆင့်ရှိ နျူရွန်များနှင့် အနိမ့်မှ အလယ်အလတ် အရောင်ပုံစံများနှင့် ဆင်တူမှုအချို့ရှိသည်။ မော်ဒယ်နှစ်ခုစလုံးသည် အနီ၊ လိမ္မော်နှင့် အဝါရောင်ကဲ့သို့သော အရောင်များ၏ အလယ်အလတ်မှ မြင့်မားသော အရောင်များကို ပြသခြင်းဖြင့် မြေဆီလွှာတွင် Ni ပါဝင်မှုကို ခန့်မှန်းသည်။ KMg မော်ဒယ်သည် တိကျသော အချိုးအစားများနှင့် အနိမ့်မှ အလယ်အလတ် အရောင်အပိုင်းအစများအပေါ် အခြေခံ၍ မြင့်မားသော အရောင်ပုံစံများစွာကို ပြသသည်။ အနိမ့်မှ မြင့်မားသော တိကျသော အရောင်စကေးတွင်၊ မော်ဒယ်၏ အစိတ်အပိုင်းများ၏ မျက်နှာပြင်ဖြန့်ဖြူးမှုပုံစံသည် မြေဆီလွှာတွင် နီကယ်၏ အလားအလာရှိသော ပါဝင်မှုကို ညွှန်ပြသည့် မြင့်မားသော အရောင်ပုံစံကို ပြသသည် (ပုံ ၄ ကိုကြည့်ပါ)။ CakMg မော်ဒယ် အစိတ်အပိုင်း မျက်နှာပြင်သည် တိကျသော အရောင်အရ အနိမ့်မှ မြင့်မားသော ကွဲပြားသော အရောင်ပုံစံကို ပြသသည်။ စကေး။ ထို့အပြင်၊ နီကယ်ပါဝင်မှု (CakMg) ၏ မော်ဒယ်၏ ခန့်မှန်းချက်သည် ပုံ ၅ တွင်ပြထားသည့် နီကယ်၏ နေရာအလိုက် ဖြန့်ဖြူးမှုနှင့် ဆင်တူသည်။ ဂရပ်နှစ်ခုစလုံးသည် မြို့ပြနှင့် မြို့ပြအနီး မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှု မြင့်မားခြင်း၊ အလယ်အလတ်နှင့် အနိမ့်အချိုးအစားများကို ပြသသည်။ ပုံ ၇ သည် မြေပုံပေါ်ရှိ k-means အုပ်စုတွင် contour နည်းလမ်းကို မော်ဒယ်တစ်ခုစီတွင် ခန့်မှန်းထားသော တန်ဖိုးအပေါ် အခြေခံ၍ cluster သုံးခုအဖြစ် ပိုင်းခြားထားသည်။ contour နည်းလမ်းသည် cluster အရေအတွက် အကောင်းဆုံးကို ကိုယ်စားပြုသည်။ စုဆောင်းထားသော မြေဆီလွှာနမူနာ ၁၁၅ ခုအနက် အမျိုးအစား ၁ သည် မြေဆီလွှာနမူနာအများဆုံးရရှိခဲ့ပြီး ၇၄ ခုရှိသည်။ Cluster ၂ သည် နမူနာ ၃၃ ခုရရှိခဲ့ပြီး cluster ၃ သည် နမူနာ ၈ ခုရရှိခဲ့သည်။ မှန်ကန်သော cluster အဓိပ္ပာယ်ဖွင့်ဆိုချက်ကို ခွင့်ပြုရန် အစိတ်အပိုင်းခုနစ်ခုပါ planar predictor ပေါင်းစပ်မှုကို ရိုးရှင်းအောင်ပြုလုပ်ထားသည်။ မြေဆီလွှာဖွဲ့စည်းမှုကို ထိခိုက်စေသော လူသားတို့၏ များပြားလှသော နှင့် သဘာဝဖြစ်စဉ်များကြောင့် ဖြန့်ဝေထားသော SeOM မြေပုံတွင် cluster ပုံစံများကို သင့်လျော်စွာ ခွဲခြားသတ်မှတ်ရန် ခက်ခဲသည် ၇၈။
Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variable တစ်ခုစီမှ Component plane output ကို ရယူသည်။[SeOM မြေပုံများကို RStudio (version 1.4.1717: https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
မတူညီသော cluster classification components များ [SeOM မြေပုံများကို RStudio (version 1.4.1717: https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်]
လက်ရှိလေ့လာမှုသည် မြို့ပြနှင့် မြို့ပြအနီးရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုများအတွက် မော်ဒယ်လ်နည်းစနစ်များကို ရှင်းရှင်းလင်းလင်းဖော်ပြသည်။ မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် အကောင်းဆုံးနည်းလမ်းရရှိရန် လေ့လာမှုသည် မော်ဒယ်လ်နည်းစနစ်များနှင့် ဒြပ်စင်များကို ပေါင်းစပ်၍ မတူညီသော မော်ဒယ်လ်နည်းစနစ်များကို စမ်းသပ်ခဲ့သည်။ မော်ဒယ်လ်နည်းစနစ်၏ SeOM ဖွဲ့စည်းမှု ပြားချပ်ချပ် နေရာဒေသဆိုင်ရာ အင်္ဂါရပ်များသည် တိကျသော အရောင်စကေးဖြင့် အနိမ့်မှ မြင့်မားသော အရောင်ပုံစံကို ပြသခဲ့ပြီး မြေဆီလွှာရှိ Ni ပါဝင်မှုကို ညွှန်ပြသည်။ သို့သော်၊ နေရာဒေသဆိုင်ရာ ဖြန့်ဖြူးမှုမြေပုံသည် EBK_SVMR မှ ပြသထားသော အစိတ်အပိုင်းများ၏ ပြားချပ်ချပ် နေရာဒေသဆိုင်ရာ ဖြန့်ဖြူးမှုကို အတည်ပြုသည် (ပုံ ၅ ကိုကြည့်ပါ)။ ရလဒ်များအရ support vector machine regression မော်ဒယ် (Ca Mg K-SVMR) သည် မြေဆီလွှာတွင် Ni ပါဝင်မှုကို တစ်ခုတည်းသော မော်ဒယ်လ်အဖြစ် ခန့်မှန်းသော်လည်း၊ အတည်ပြုခြင်းနှင့် တိကျမှု အကဲဖြတ်ခြင်း ကန့်သတ်ချက်များသည် RMSE နှင့် MAE အရ အမှားအယွင်းများစွာကို ပြသသည်။ အခြားတစ်ဖက်တွင်၊ EBK_MLR မော်ဒယ်လ်ဖြင့် အသုံးပြုသော မော်ဒယ်လ်နည်းစနစ်သည် ဆုံးဖြတ်ချက်ချမှတ်မှု ကိန်းဂဏန်း (R2) ၏ တန်ဖိုးနိမ့်ခြင်းကြောင့်လည်း ချို့ယွင်းချက်ရှိသည်။ EBK SVMR နှင့် RMSE နှင့် MAE အမှားအယွင်းနည်းသော ပေါင်းစပ်ဒြပ်စင်များ (CaKMg) ကို အသုံးပြု၍ ကောင်းမွန်သောရလဒ်များကို ၆၃.၇% တိကျမှုဖြင့် ရရှိသည်။ EBK algorithm ကို ပေါင်းစပ်ခြင်းသည် စက်သင်ယူမှု အယ်လဂိုရီသမ်ဖြင့် မြေဆီလွှာရှိ PTE များ၏ ပါဝင်မှုကို ခန့်မှန်းနိုင်သော hybrid algorithm တစ်ခုကို ထုတ်လုပ်နိုင်သည်။ ရလဒ်များအရ Ca Mg K ကို လေ့လာမှုဧရိယာရှိ Ni ပါဝင်မှုကို ခန့်မှန်းရန် ခန့်မှန်းချက်အဖြစ် အသုံးပြုခြင်းသည် မြေဆီလွှာရှိ Ni ခန့်မှန်းချက်ကို တိုးတက်ကောင်းမွန်စေနိုင်ကြောင်း ပြသသည်။ ဆိုလိုသည်မှာ နီကယ်အခြေခံ ဓာတ်မြေဩဇာများကို စဉ်ဆက်မပြတ် အသုံးပြုခြင်းနှင့် သံမဏိလုပ်ငန်းမှ မြေဆီလွှာ၏ စက်မှုလုပ်ငန်းညစ်ညမ်းမှုသည် မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုကို တိုးမြင့်စေသည့် သဘောထားရှိသည်။ ဤလေ့လာမှုတွင် EBK မော်ဒယ်သည် အမှားအယွင်းအဆင့်ကို လျှော့ချနိုင်ပြီး မြို့ပြ သို့မဟုတ် မြို့ပြအနီး မြေဆီလွှာများတွင် မြေဆီလွှာ နေရာချထားမှု မော်ဒယ်၏ တိကျမှုကို တိုးတက်ကောင်းမွန်စေနိုင်ကြောင်း ဖော်ပြခဲ့သည်။ ယေဘုယျအားဖြင့် မြေဆီလွှာရှိ PTE ကို အကဲဖြတ်ရန်နှင့် ခန့်မှန်းရန် EBK-SVMR မော်ဒယ်ကို အသုံးပြုရန် ကျွန်ုပ်တို့ အဆိုပြုပါသည်။ ထို့အပြင်၊ မတူညီသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များနှင့် hybridize လုပ်ရန် EBK ကို အသုံးပြုရန် ကျွန်ုပ်တို့ အဆိုပြုပါသည်။ Ni ပါဝင်မှုများကို covariates အဖြစ် အစိတ်အပိုင်းများကို အသုံးပြု၍ ခန့်မှန်းခဲ့သည်။ သို့သော် covariates များ ပိုမိုအသုံးပြုခြင်းသည် မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို သိသိသာသာ တိုးတက်ကောင်းမွန်စေမည်ဖြစ်ပြီး ၎င်းသည် လက်ရှိလုပ်ငန်း၏ ကန့်သတ်ချက်တစ်ခုအဖြစ် သတ်မှတ်နိုင်သည်။ ဤလေ့လာမှု၏ နောက်ထပ်ကန့်သတ်ချက်တစ်ခုမှာ dataset အရေအတွက် ၁၁၅ ဖြစ်သည်။ ထို့ကြောင့်၊ အချက်အလက်များ ပိုမိုပေးအပ်ပါက၊ အဆိုပြုထားသော အကောင်းဆုံး hybridization နည်းလမ်း၏ စွမ်းဆောင်ရည်ကို တိုးတက်ကောင်းမွန်စေနိုင်သည်။
PlantProbs.net. အပင်များနှင့် မြေဆီလွှာတွင် နီကယ် https://plantprobs.net/plant/nutrientImbalances/sodium.html (၂၀၂၁ ခုနှစ်၊ ဧပြီလ ၂၈ ရက်နေ့တွင် ဝင်ရောက်ကြည့်ရှုခဲ့သည်)။
Kasprzak၊ KS Nickel သည် ခေတ်သစ်ပတ်ဝန်းကျင်ဆိုင်ရာ toxicology.surroundings.toxicology.11၊ 145–183 (1987) တွင် တိုးတက်သည်။
Cempel, M. & Nikel, G. Nickel: ၎င်း၏ရင်းမြစ်များနှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ အဆိပ်ဗေဒကို ပြန်လည်သုံးသပ်ခြင်း။ Polish J. Environment.Stud.15, 375–382 (2006)။
Freedman, B. & Hutchinson, TC ကနေဒါနိုင်ငံ၊ အွန်တာရီယိုပြည်နယ်၊ Sudbury ရှိ နီကယ်-ကြေးနီ အရည်ကျိုစက်ရုံအနီးရှိ မြေဆီလွှာနှင့် သစ်ပင်ပန်းမန်များတွင် လေထုမှ ညစ်ညမ်းစေသော အရာများ စုပုံလာခြင်း။can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)။
Manyiwa၊ T. et al. မြေဆီလွှာ၊ အပင်များရှိ လေးလံသောသတ္တုများနှင့် ဘော့ဆွာနာနိုင်ငံ၊ Selebi-Phikwe ကြေးနီ-နီကယ်သတ္တုတွင်းအနီးတွင် ကျက်စားသော စားကျက်သတ္တဝါများနှင့် ဆက်စပ်နေသော အန္တရာယ်များ။ ပတ်ဝန်းကျင်။ ဂျီအိုဓာတုဗေဒ။ ကျန်းမာရေး https://doi.org/10.1007/s10653-021-00918-x (၂၀၂၁)။
Cabata-Pendias.Kabata-Pendias A. ၂၀၁၁။ မြေဆီလွှာနှင့်… ရှိ သဲလွန်စဒြပ်စင်များ – 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= (၂၀၂၀ ခုနှစ်၊ နိုဝင်ဘာလ ၂၄ ရက်နေ့တွင် ဝင်ရောက်ကြည့်ရှုခဲ့သည်)။
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. နော်ဝေနိုင်ငံ၊ Soer-Varanger ရှိ စိုက်ပျိုးရေးမြေဆီလွှာများနှင့် မြက်ခင်းများတွင် လေးလံသောသတ္တုပါဝင်မှုအပေါ် ရုရှားနီကယ်လုပ်ငန်း၏ အကျိုးသက်ရောက်မှုများ.agris.fao.org.
Nielsen၊ GD et al.သောက်သုံးရေတွင် နီကယ်စုပ်ယူမှုနှင့် ထိန်းသိမ်းမှုသည် အစားအစာစားသုံးမှုနှင့် နီကယ်အာရုံခံနိုင်စွမ်းနှင့် ဆက်စပ်နေသည်။toxicology.application.Pharmacodynamics.154, 67–75 (1999)။
Costa, M. & Klein, CB Nickel ကင်ဆာဖြစ်ပွားမှု၊ မျိုးရိုးဗီဇပြောင်းလဲမှု၊ ဗီဇပြင်ပ သို့မဟုတ် ရွေးချယ်မှု။ ပတ်ဝန်းကျင်။ ကျန်းမာရေးရှုထောင့်။ ၁၀၇၊ ၂ (၁၉၉၉)။
Ajman, PC; Ajado, SK; Borůvka, L.; Bini, JKM; Sarkody, VYO; Cobonye, ​​​​NM; အဆိပ်သင့်နိုင်သော ဒြပ်စင်များ၏ လမ်းကြောင်း ခွဲခြမ်းစိတ်ဖြာခြင်း- စာစုစာရင်း ပြန်လည်သုံးသပ်ခြင်း။ ပတ်ဝန်းကျင် ဘူမိဓာတုဗေဒနှင့် ကျန်းမာရေး။ Springer Science & Business Media BV ၂၀၂၀။https://doi.org/10.1007/s10653-020-00742-9။
Minasny၊ B. & McBratney၊ AB ဒစ်ဂျစ်တယ်မြေဆီလွှာမြေပုံ- အကျဉ်းချုပ်သမိုင်းနှင့် သင်ခန်းစာအချို့။ Geoderma ၂၆၄၊ ၃၀၁–၃၁၁။https://doi.org/10.1016/j.geoderma.2015.07.017 (၂၀၁၆)။
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 ပထဝီစာရင်းအင်းဆိုင်ရာ ရေလှောင်ကန် မော်ဒယ်လ်ပြုလုပ်ခြင်း၊… – 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= (၂၀၂၁ ခုနှစ်၊ ဧပြီလ ၂၈ ရက်နေ့တွင် ဝင်ရောက်ကြည့်ရှုခဲ့သည်)။