Nature.com भ्रमण गर्नुभएकोमा धन्यवाद।तपाईंले प्रयोग गरिरहनुभएको ब्राउजर संस्करणमा CSS को लागि सीमित समर्थन छ।उत्तम अनुभवको लागि, हामी तपाईंलाई अद्यावधिक गरिएको ब्राउजर प्रयोग गर्न सिफारिस गर्छौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड बन्द गर्नुहोस्)।यस बीचमा, निरन्तर समर्थन सुनिश्चित गर्न, हामी शैली र जाभास्क्रिप्ट बिना साइट प्रदर्शन गर्नेछौं।
माटो प्रदूषण मानव गतिविधिहरूको कारणले हुने ठूलो समस्या हो। सम्भावित विषाक्त तत्वहरू (PTEs) को स्थानिय वितरण धेरैजसो शहरी र अर्ध-शहरी क्षेत्रहरूमा फरक हुन्छ। त्यसैले, त्यस्ता माटोमा PTEs को सामग्रीको स्थानिय रूपमा भविष्यवाणी गर्न गाह्रो छ। चेक गणराज्यको फ्राइडेक मिस्टेकबाट कुल ११५ नमूनाहरू प्राप्त गरिएको थियो। क्याल्सियम (Ca), म्याग्नेसियम (Mg), पोटासियम (K) र निकल (Ni) सांद्रता आगमनात्मक रूपमा जोडिएको प्लाज्मा उत्सर्जन स्पेक्ट्रोमेट्री प्रयोग गरेर निर्धारण गरिएको थियो। प्रतिक्रिया चर Ni हो र भविष्यवाणीकर्ताहरू Ca, Mg, र K हुन्। प्रतिक्रिया चर र भविष्यवाणीकर्ता चर बीचको सहसम्बन्ध म्याट्रिक्सले तत्वहरू बीच सन्तोषजनक सम्बन्ध देखाउँछ। भविष्यवाणी परिणामहरूले देखाए कि समर्थन भेक्टर मेसिन रिग्रेसन (SVMR) ले राम्रो प्रदर्शन गर्यो, यद्यपि यसको अनुमानित मूल मीन स्क्वायर त्रुटि (RMSE) (२३५.९७४ मिलीग्राम/किग्रा) र मीन निरपेक्ष त्रुटि (MAE) (१६६.९४६ मिलीग्राम/किग्रा) लागू गरिएका अन्य विधिहरू भन्दा बढी थिए। अनुभवजन्य बायेसियन क्रिगिङ-मल्टिपल रेखीय प्रतिगमनको लागि मिश्रित मोडेलहरू (EBK-MLR) ले खराब प्रदर्शन गर्छ, जुन ०.१ भन्दा कम निर्धारणको गुणांकले प्रमाणित गर्छ। अनुभवजन्य बायेसियन क्रिगिङ-सपोर्ट भेक्टर मेसिन रिग्रेसन (EBK-SVMR) मोडेल सबैभन्दा राम्रो मोडेल थियो, कम RMSE (९५.४७९ mg/kg) र MAE (७७.३६८ mg/kg) मानहरू र उच्च निर्धारण गुणांक (R2 = ०.६३७) सहित। EBK-SVMR मोडेलिङ प्रविधि आउटपुट स्व-व्यवस्थित नक्सा प्रयोग गरेर दृश्यात्मक गरिएको छ। हाइब्रिड मोडेल CakMg-EBK-SVMR कम्पोनेन्टको समतलमा क्लस्टर गरिएका न्यूरोनहरूले शहरी र पेरी-शहरी माटोमा Ni सांद्रताको भविष्यवाणी गर्ने धेरै रङ ढाँचाहरू देखाउँछन्। परिणामहरूले EBK र SVMR संयोजन शहरी र पेरी-शहरी माटोमा Ni सांद्रताको भविष्यवाणी गर्न प्रभावकारी प्रविधि हो भनेर देखाउँछन्।
निकल (Ni) लाई बिरुवाहरूको लागि सूक्ष्म पोषक तत्व मानिन्छ किनभने यसले वायुमण्डलीय नाइट्रोजन स्थिरीकरण (N) र युरिया चयापचयमा योगदान पुर्याउँछ, जुन दुवै बीउ अंकुरणको लागि आवश्यक हुन्छ। बीउ अंकुरणमा यसको योगदानको अतिरिक्त, Ni ले फंगल र ब्याक्टेरिया अवरोधकको रूपमा काम गर्न सक्छ र बिरुवाको विकासलाई बढावा दिन सक्छ। माटोमा निकेलको कमीले बिरुवालाई यसलाई अवशोषित गर्न अनुमति दिन्छ, जसले गर्दा पातहरूको क्लोरोसिस हुन्छ। उदाहरणका लागि, काउली र हरियो सिमीलाई नाइट्रोजन स्थिरीकरण अनुकूलन गर्न निकल-आधारित मलहरूको प्रयोग आवश्यक पर्दछ। माटोलाई समृद्ध बनाउन र माटोमा नाइट्रोजन फिक्स गर्न कोशिम्बहरूको क्षमता बढाउन निकल-आधारित मलहरूको निरन्तर प्रयोगले माटोमा निकल सांद्रता बढाउँछ। यद्यपि निकल बिरुवाहरूको लागि सूक्ष्म पोषक तत्व हो, माटोमा यसको अत्यधिक सेवनले राम्रो भन्दा बढी हानि गर्न सक्छ। माटोमा निकेलको विषाक्तताले माटोको pH लाई कम गर्छ र बिरुवाको वृद्धिको लागि आवश्यक पोषक तत्वको रूपमा फलामको अवशोषणलाई बाधा पुर्याउँछ। Liu3 का अनुसार, Ni बिरुवाको विकास र वृद्धिको लागि आवश्यक १७ औं महत्त्वपूर्ण तत्व भएको पाइएको छ। बिरुवाको विकास र वृद्धिमा निकलको भूमिकाको अतिरिक्त, मानिसहरूलाई विभिन्न अनुप्रयोगहरूको लागि यसको आवश्यकता पर्दछ। इलेक्ट्रोप्लेटिंग, निकल-आधारित मिश्र धातुहरूको उत्पादन, र अटोमोटिभ उद्योगमा इग्निशन उपकरणहरू र स्पार्क प्लगहरूको निर्माण सबैलाई विभिन्न औद्योगिक क्षेत्रहरूमा निकलको प्रयोग आवश्यक पर्दछ। यसका साथै, निकल-आधारित मिश्र धातुहरू र इलेक्ट्रोप्लेटेड वस्तुहरू भान्साकोठा, बलरूम सामानहरू, खाद्य उद्योग आपूर्तिहरू, विद्युतीय, तार र केबल, जेट टर्बाइनहरू, सर्जिकल इम्प्लान्टहरू, कपडाहरू, र जहाज निर्माणमा व्यापक रूपमा प्रयोग गरिएको छ। माटोमा Ni- समृद्ध स्तरहरू (अर्थात्, सतह माटो) मानवजन्य र प्राकृतिक स्रोतहरू दुवैलाई श्रेय दिइएको छ, तर मुख्यतया, Ni मानवजन्य भन्दा प्राकृतिक स्रोत हो4,6। निकलका प्राकृतिक स्रोतहरूमा ज्वालामुखी विस्फोट, वनस्पति, वन आगो, र भूगर्भीय प्रक्रियाहरू समावेश छन्; यद्यपि, मानवजन्य स्रोतहरूमा स्टील उद्योगमा निकल/क्याडमियम ब्याट्रीहरू, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डिजेल र इन्धन तेलहरू, र कोइला दहन र फोहोर र फोहोर जलाउने निकल संचयबाट वायुमण्डलीय उत्सर्जनहरू समावेश छन्7,8। फ्रीडम्यान र हचिन्सन9 र मनिवा एट अलका अनुसार। १०, तत्काल र छेउछाउको वातावरणमा माथिल्लो माटो प्रदूषणको मुख्य स्रोतहरू मुख्यतया निकल-तामा-आधारित स्मेल्टरहरू र खानीहरू हुन्। क्यानडाको सडबरी निकल-तामा रिफाइनरी वरपरको माथिल्लो माटोमा २६,००० मिलीग्राम/किग्रा निकल प्रदूषणको उच्चतम स्तर थियो। यसको विपरीत, रूसमा निकल उत्पादनबाट हुने प्रदूषणले नर्वेजियन माटोमा उच्च निकल सांद्रता निम्त्याएको छ। अल्म्स एट अलका अनुसार। १२ मा, क्षेत्रको शीर्ष कृषियोग्य जमिन (रूसमा निकेल उत्पादन) मा HNO3-निष्कासनयोग्य निकलको मात्रा ६.२५ देखि १३६.८८ मिलीग्राम/किग्रा सम्म थियो, जुन औसत ३०.४३ मिलीग्राम/किग्रा र आधारभूत सांद्रता २५ मिलीग्राम/किग्रा बराबर थियो। कबाटा ११ अनुसार, लगातार बाली मौसमहरूमा शहरी वा अर्ध-शहरी माटोमा कृषि माटोमा फस्फोरस मलको प्रयोगले माटोलाई इन्फ्युज वा दूषित गर्न सक्छ। मानवमा निकेलको सम्भावित प्रभावले म्युटाजेनेसिस, क्रोमोसोमल क्षति, Z-DNA उत्पादन, अवरुद्ध DNA उत्सर्जन मर्मत, वा एपिजेनेटिक प्रक्रियाहरू मार्फत क्यान्सर निम्त्याउन सक्छ। पशु प्रयोगहरूमा, निकलमा विभिन्न प्रकारका ट्युमरहरू निम्त्याउने क्षमता रहेको पाइएको छ, र कार्सिनोजेनिक निकल कम्प्लेक्सहरूले त्यस्ता ट्युमरहरूलाई बढावा दिन सक्छन्।
माटो-बिरुवा सम्बन्ध, माटो र माटो जैविक सम्बन्ध, पारिस्थितिक गिरावट, र वातावरणीय प्रभाव मूल्याङ्कनबाट उत्पन्न हुने स्वास्थ्य-सम्बन्धित समस्याहरूको विस्तृत दायराको कारणले गर्दा हालैका समयमा माटो प्रदूषण मूल्याङ्कन फस्टाएको छ। आजसम्म, माटोमा Ni जस्ता सम्भावित विषाक्त तत्वहरू (PTEs) को स्थानिक भविष्यवाणी परम्परागत विधिहरू प्रयोग गरेर श्रमसाध्य र समय-खपत भएको छ। डिजिटल माटो म्यापिङ (DSM) को आगमन र यसको हालको सफलता15 ले भविष्यवाणी गर्ने माटो म्यापिङ (PSM) मा धेरै सुधार गरेको छ। मिनास्नी र म्याकब्राटनी16 का अनुसार, भविष्यवाणी गर्ने माटो म्यापिङ (DSM) माटो विज्ञानको एक प्रमुख उप-विषय साबित भएको छ। लागाचेरी र म्याकब्राटनी, २००६ ले DSM लाई "सिटु र प्रयोगशाला अवलोकन विधिहरू र स्थानिक र गैर-स्थानिक माटो अनुमान प्रणालीहरूको प्रयोग मार्फत स्थानिक माटो सूचना प्रणालीहरूको सिर्जना र भरण" को रूपमा परिभाषित गर्दछ। म्याकब्राटनी एट अल। १७ ले रूपरेखा दिन्छ कि समकालीन DSM वा PSM PTEs, माटोको प्रकार र माटोको गुणहरूको स्थानिक वितरणको भविष्यवाणी वा म्यापिङको लागि सबैभन्दा प्रभावकारी प्रविधि हो। भू-सांख्यिकी र मेसिन लर्निङ एल्गोरिदम (MLA) DSM मोडेलिङ प्रविधिहरू हुन् जसले महत्त्वपूर्ण र न्यूनतम डेटा प्रयोग गरेर कम्प्युटरहरूको मद्दतले डिजिटलाइज्ड नक्साहरू सिर्जना गर्दछ।
Deutsch18 र Olea19 ले भू-सांख्यिकीलाई "स्थानिक विशेषताहरूको प्रतिनिधित्वसँग सम्बन्धित संख्यात्मक प्रविधिहरूको संग्रहको रूपमा परिभाषित गर्दछ, मुख्यतया स्टोकास्टिक मोडेलहरू प्रयोग गर्दछ, जस्तै समय श्रृंखला विश्लेषणले अस्थायी डेटालाई कसरी चित्रण गर्दछ।" मुख्यतया, भू-सांख्यिकीले भेरियोग्रामहरूको मूल्याङ्कन समावेश गर्दछ, जसले प्रत्येक डेटासेटबाट स्थानिय मानहरूको निर्भरता परिमाण र परिभाषित गर्न अनुमति दिन्छ।Gumiaux et al. २० ले थप स्पष्ट पार्छ कि भू-सांख्यिकीमा भेरिग्रामहरूको मूल्याङ्कन तीन सिद्धान्तहरूमा आधारित छ, जसमा (क) डेटा सहसम्बन्धको स्केल गणना गर्ने, (ख) डेटासेट असमानतामा एनिसोट्रोपी पहिचान गर्ने र गणना गर्ने र (ग) स्थानीय प्रभावहरूबाट अलग गरिएको मापन डेटाको अन्तर्निहित त्रुटिलाई ध्यानमा राख्नुको साथै, क्षेत्रीय प्रभावहरू पनि अनुमान गरिन्छ। यी अवधारणाहरूमा निर्माण गर्दै, भू-सांख्यिकीमा धेरै इन्टरपोलेसन प्रविधिहरू प्रयोग गरिन्छ, जसमा सामान्य क्रिगिङ, सह-क्रिगिङ, साधारण क्रिगिङ, अनुभवजन्य बायेसियन क्रिगिङ, सरल क्रिगिङ विधि र PTE, माटो विशेषताहरू, र माटोका प्रकारहरू नक्सा वा भविष्यवाणी गर्न अन्य प्रसिद्ध इन्टरपोलेसन प्रविधिहरू समावेश छन्।
मेसिन लर्निङ एल्गोरिदम (MLA) एक अपेक्षाकृत नयाँ प्रविधि हो जसले ठूला गैर-रैखिक डेटा वर्गहरू प्रयोग गर्दछ, जुन मुख्यतया डेटा माइनिङको लागि प्रयोग गरिने एल्गोरिदमहरूद्वारा प्रेरित हुन्छ, डेटामा ढाँचाहरू पहिचान गर्दछ, र माटो विज्ञान र फिर्ता कार्यहरू जस्ता वैज्ञानिक क्षेत्रहरूमा वर्गीकरणमा बारम्बार लागू गरिन्छ। धेरै अनुसन्धान पत्रहरू माटोमा PTE भविष्यवाणी गर्न MLA मोडेलहरूमा भर पर्छन्, जस्तै Tan et al. 22 (कृषि माटोमा भारी धातु अनुमानको लागि अनियमित वन), Sakizadeh et al. 23 (समर्थन भेक्टर मेसिन र कृत्रिम तंत्रिका नेटवर्कहरू प्रयोग गरेर मोडेलिङ) माटो प्रदूषण)। थप रूपमा, Vega et al. 24 (माटोमा भारी धातु अवधारण र सोखना मोडेलिङको लागि CART) Sun et al. 25 (क्यूबिस्टको प्रयोग भनेको माटोमा Cd को वितरण हो) र अन्य एल्गोरिदमहरू जस्तै k-नजिकको छिमेकी, सामान्यीकृत बूस्टेड रिग्रेसन, र बूस्टेड रिग्रेसन रूखहरूले पनि माटोमा PTE भविष्यवाणी गर्न MLA लागू गरे।
भविष्यवाणी वा नक्सामा DSM एल्गोरिदमको प्रयोगले धेरै चुनौतीहरूको सामना गर्छ। धेरै लेखकहरू विश्वास गर्छन् कि MLA भू-सांख्यिकी भन्दा उच्च छ र यसको विपरीत। यद्यपि एउटा अर्को भन्दा राम्रो छ, दुईको संयोजनले DSM15 मा नक्साङ्कन वा भविष्यवाणीको शुद्धताको स्तर सुधार गर्दछ।वुडकक र गोपाल26 फिन्के27; पोन्टियस र चेउक28 र ग्रुनवाल्ड29 ले भविष्यवाणी गरिएको माटो नक्सामा कमजोरीहरू र केही त्रुटिहरूमा टिप्पणी गर्छन्। माटो वैज्ञानिकहरूले DSM नक्साङ्कन र पूर्वानुमानको प्रभावकारिता, शुद्धता र भविष्यवाणीलाई अनुकूलन गर्न विभिन्न प्रविधिहरू प्रयास गरेका छन्। अनिश्चितता र प्रमाणीकरणको संयोजन प्रभावकारितालाई अनुकूलन गर्न र दोषहरू कम गर्न DSM मा एकीकृत धेरै फरक पक्षहरू मध्ये एक हो। यद्यपि, Agyeman et al. 15 ले रूपरेखा दिन्छ कि नक्सा सिर्जना र भविष्यवाणीद्वारा प्रस्तुत गरिएको प्रमाणीकरण व्यवहार र अनिश्चिततालाई नक्साको गुणस्तर सुधार गर्न स्वतन्त्र रूपमा प्रमाणित गरिनुपर्छ। DSM का सीमितताहरू भौगोलिक रूपमा फैलिएको माटोको गुणस्तरको कारणले हुन्, जसमा अनिश्चितताको एक घटक समावेश छ; यद्यपि, DSM मा निश्चितताको कमी त्रुटिका धेरै स्रोतहरूबाट उत्पन्न हुन सक्छ, जस्तै कोभेरिएट त्रुटि, मोडेल त्रुटि, स्थान त्रुटि, र विश्लेषणात्मक त्रुटि 31। MLA र भू-सांख्यिकीय प्रक्रियाहरूमा प्रेरित मोडेलिङ अशुद्धताहरू बुझाइको कमीसँग सम्बन्धित छन्, जसले अन्ततः वास्तविक प्रक्रियाको अति सरलीकरण निम्त्याउँछ32। मोडेलिङको प्रकृतिलाई ध्यान नदिई, अशुद्धताहरू मोडेलिङ प्यारामिटरहरू, गणितीय मोडेल भविष्यवाणीहरू, वा इन्टरपोलेसनलाई श्रेय दिन सकिन्छ33। हालसालै, एउटा नयाँ DSM प्रवृत्ति देखा परेको छ जसले नक्साङ्कन र पूर्वानुमानमा भू-सांख्यिकी र MLA को एकीकरणलाई बढावा दिन्छ। धेरै माटो वैज्ञानिकहरू र लेखकहरू, जस्तै Sergeev et al. 34; Subbotina et al. 35; Tarasov et al. 36 र Tarasov et al. 37 ले पूर्वानुमान र नक्साको दक्षता सुधार गर्ने हाइब्रिड मोडेलहरू उत्पन्न गर्न भू-सांख्यिकी र मेसिन लर्निङको सही गुणस्तरको शोषण गरेका छन्। गुणस्तर। यी हाइब्रिड वा संयुक्त एल्गोरिथ्म मोडेलहरू मध्ये केही आर्टिफिसियल न्यूरल नेटवर्क क्रिगिङ (ANN-RK), मल्टिलेयर पर्सेप्ट्रोन रेसिडुअल क्रिगिङ (MLP-RK), जेनरलाइज्ड रिग्रेसन न्यूरल नेटवर्क रेसिड्युल क्रिगिङ (GR- NNRK)36, आर्टिफिसियल न्यूरल नेटवर्क क्रिगिङ-मल्टिलेयर पर्सेप्ट्रोन (ANN-K-MLP)37 र को-क्रिगिङ र गौसियन प्रोसेस रिग्रेसन38 हुन्।
सर्गेभ एट अलका अनुसार, विभिन्न मोडलिङ प्रविधिहरू संयोजन गर्नाले दोषहरू हटाउने र परिणामस्वरूप हाइब्रिड मोडेलको एकल मोडेल विकास गर्नुको सट्टा दक्षता बढाउने क्षमता छ। यस सन्दर्भमा, यो नयाँ पेपरले तर्क गर्दछ कि शहरी र पेरी-शहरी क्षेत्रहरूमा Ni संवर्धनको भविष्यवाणी गर्न इष्टतम हाइब्रिड मोडेलहरू सिर्जना गर्न भू-सांख्यिकी र MLA को संयुक्त एल्गोरिथ्म लागू गर्न आवश्यक छ। यो अध्ययनले आधार मोडेलको रूपमा अनुभवजन्य बायेसियन क्रिगिङ (EBK) मा निर्भर गर्नेछ र यसलाई समर्थन भेक्टर मेसिन (SVM) र बहु रेखीय प्रतिगमन (MLR) मोडेलहरूसँग मिसाउनेछ। कुनै पनि MLA सँग EBK को हाइब्रिडाइजेशन थाहा छैन। देखिएका धेरै मिश्रित मोडेलहरू साधारण, अवशिष्ट, प्रतिगमन क्रिगिङ, र MLA को संयोजन हुन्। EBK एक भू-सांख्यिकीय प्रक्षेपण विधि हो जसले एक स्थानिय स्टोकास्टिक प्रक्रिया प्रयोग गर्दछ जुन क्षेत्र माथि परिभाषित स्थानीयकरण प्यारामिटरहरू सहित गैर-स्थिर/स्थिर अनियमित क्षेत्रको रूपमा स्थानीयकृत हुन्छ, जसले स्थानिय भिन्नतालाई अनुमति दिन्छ। EBK विभिन्न अध्ययनहरूमा प्रयोग गरिएको छ, जसमा कृषि माटोमा जैविक कार्बनको वितरणको विश्लेषण, माटोको मूल्याङ्कन समावेश छ। प्रदूषण ४१ र माटोका गुणहरूको नक्साङ्कन ४२।
अर्कोतर्फ, सेल्फ-ऑर्गनाइजिङ ग्राफ (SeOM) एक सिकाइ एल्गोरिथ्म हो जुन विभिन्न लेखहरूमा लागू गरिएको छ जस्तै Li et al. 43, Wang et al. 44, Hossain Bhuiyan et al. 45 र Kebonye et al. 46 तत्वहरूको स्थानिय विशेषताहरू र समूहीकरण निर्धारण गर्नुहोस्। Wang et al. 44 ले रूपरेखा दिन्छ कि SeOM एक शक्तिशाली सिकाइ प्रविधि हो जुन गैर-रैखिक समस्याहरूलाई समूहबद्ध र कल्पना गर्ने क्षमताको लागि परिचित छ। प्रमुख घटक विश्लेषण, अस्पष्ट क्लस्टरिङ, पदानुक्रमिक क्लस्टरिङ, र बहु-मापदण्ड निर्णय लिने जस्ता अन्य ढाँचा पहिचान प्रविधिहरू भन्दा फरक, SeOM PTE ढाँचाहरू व्यवस्थित र पहिचान गर्नमा राम्रो छ। Wang et al. 44 का अनुसार, SeOM ले सम्बन्धित न्यूरोनहरूको वितरणलाई स्थानिय रूपमा समूहबद्ध गर्न सक्छ र उच्च-रिजोल्युसन डेटा दृश्यीकरण प्रदान गर्न सक्छ। SeOM ले प्रत्यक्ष व्याख्याको लागि परिणामहरू चित्रण गर्न उत्तम मोडेल प्राप्त गर्न Ni भविष्यवाणी डेटा कल्पना गर्नेछ।
यस पेपरले शहरी र अर्ध-शहरी माटोमा निकल सामग्रीको भविष्यवाणी गर्न इष्टतम शुद्धता सहितको बलियो म्यापिङ मोडेल उत्पन्न गर्ने लक्ष्य राखेको छ। हामी परिकल्पना गर्छौं कि मिश्रित मोडेलको विश्वसनीयता मुख्यतया आधार मोडेलमा संलग्न अन्य मोडेलहरूको प्रभावमा निर्भर गर्दछ। हामी DSM ले सामना गरिरहेका चुनौतीहरूलाई स्वीकार गर्छौं, र यी चुनौतीहरूलाई धेरै मोर्चाहरूमा सम्बोधन गरिँदै गर्दा, भू-सांख्यिकी र MLA मोडेलहरूमा प्रगतिको संयोजन बढ्दो देखिन्छ; त्यसैले, हामी मिश्रित मोडेलहरू उत्पादन गर्न सक्ने अनुसन्धान प्रश्नहरूको जवाफ दिने प्रयास गर्नेछौं। यद्यपि, लक्षित तत्वको भविष्यवाणी गर्ने मोडेल कति सही छ? साथै, प्रमाणीकरण र शुद्धता मूल्याङ्कनमा आधारित दक्षता मूल्याङ्कनको स्तर के हो? त्यसकारण, यस अध्ययनको विशिष्ट लक्ष्यहरू (क) आधार मोडेलको रूपमा EBK प्रयोग गरेर SVMR वा MLR को लागि संयुक्त मिश्रण मोडेल सिर्जना गर्नु, (ख) परिणामस्वरूप मोडेलहरूको तुलना गर्नु (ग) शहरी वा अर्ध-शहरी माटोमा Ni सांद्रताको भविष्यवाणी गर्नको लागि उत्तम मिश्रण मोडेल प्रस्ताव गर्नु, र (घ) निकल स्थानिक भिन्नताको उच्च-रिजोल्युसन नक्सा सिर्जना गर्न SeOM को प्रयोग गर्नु थियो।
यो अध्ययन चेक गणतन्त्रमा, विशेष गरी मोराभिया-सिलेसियन क्षेत्रको फ्राइडेक मिस्टेक जिल्लामा गरिएको छ (चित्र १ हेर्नुहोस्)। अध्ययन क्षेत्रको भूगोल धेरै कठिन छ र यो प्रायः मोराभिया-सिलेसियन बेस्किडी क्षेत्रको भाग हो, जुन कार्पाथियन पर्वतको बाहिरी किनारको भाग हो। अध्ययन क्षेत्र ४९° ४१′ ०′ उत्तर र १८° २०′ ०′ पूर्वको बीचमा अवस्थित छ, र उचाइ २२५ र ३२७ मिटरको बीचमा छ; यद्यपि, यस क्षेत्रको जलवायु अवस्थाको लागि कोप्पेन वर्गीकरण प्रणालीलाई Cfb = समशीतोष्ण समुद्री जलवायुको रूपमा मूल्याङ्कन गरिएको छ, सुख्खा महिनाहरूमा पनि धेरै वर्षा हुन्छ। तापक्रम वर्षभरि −५ °C र २४ °C बीच थोरै फरक हुन्छ, विरलै −१४ °C भन्दा कम वा ३० °C भन्दा माथि झर्छ, जबकि औसत वार्षिक वर्षा ६८५ र ७५२ mm47 बीच हुन्छ। सम्पूर्ण क्षेत्रको अनुमानित सर्वेक्षण क्षेत्र १,२०८ वर्ग किलोमिटर छ, जसमा ३९.३८% खेती गरिएको जमिन र ४९.३६% वन कभरेज छ। अर्कोतर्फ, यस अध्ययनमा प्रयोग गरिएको क्षेत्र लगभग ८८९.८ वर्ग किलोमिटर छ। ओस्ट्राभामा र वरपर, स्टील उद्योग र धातुका कामहरू धेरै सक्रिय छन्। धातु मिलहरू, स्टील उद्योग जहाँ निकल स्टेनलेस स्टीलमा प्रयोग गरिन्छ (जस्तै वायुमण्डलीय क्षरणको प्रतिरोधको लागि) र मिश्र धातु स्टीलहरू (निकेलले यसको राम्रो लचकता र कठोरता कायम राख्दै मिश्र धातुको शक्ति बढाउँछ), र फस्फेट मल प्रयोग र पशुधन उत्पादन जस्ता गहन कृषि हुन्। यस क्षेत्रमा निकेलको सम्भावित स्रोतहरूको अनुसन्धान गर्नुहोस् (जस्तै, भेडा र कम खुवाइएका गाईवस्तुहरूमा वृद्धि दर बढाउन भेडाहरूमा निकल थप्नुहोस्)। अनुसन्धान क्षेत्रहरूमा निकेलको अन्य औद्योगिक प्रयोगहरूमा इलेक्ट्रोप्लेटिंगमा यसको प्रयोग समावेश छ, जसमा इलेक्ट्रोप्लेटिंग निकल र इलेक्ट्रोलेस निकल प्लेटिङ प्रक्रियाहरू समावेश छन्। माटोको गुणहरू माटोको रंग, संरचना र कार्बोनेट सामग्रीबाट सजिलै छुट्याउन सकिन्छ। माटोको बनावट मध्यम देखि राम्रो हुन्छ, जुन मूल सामग्रीबाट लिइएको हो। तिनीहरू कोलुभियल, जलोढ़ वा एओलियन प्रकृतिमा हुन्छन्। केही माटो क्षेत्रहरू सतह र उप-माटोमा मोटल देखिन्छन्, प्रायः कंक्रीट र ब्लीचिंगको साथ। यद्यपि, क्याम्बिसोल र स्ट्याग्नोसोलहरू यस क्षेत्रमा सबैभन्दा सामान्य माटो प्रकारहरू हुन्48।455.1 देखि 493.5 मिटर सम्मको उचाइको साथ, क्याम्बिसोलहरूले चेक गणराज्यमा प्रभुत्व जमाउँछन्49।
अध्ययन क्षेत्र नक्सा [अध्ययन क्षेत्र नक्सा ArcGIS डेस्कटप (ESRI, Inc, संस्करण १०.७, URL: https://desktop.arcgis.com) प्रयोग गरेर सिर्जना गरिएको थियो।]
फ्राइडेक मिस्टेक जिल्लाको शहरी र अर्ध-शहरी माटोबाट जम्मा ११५ वटा माथिल्लो माटोका नमूनाहरू प्राप्त गरिएका थिए। प्रयोग गरिएको नमूना ढाँचा नियमित ग्रिड थियो जसमा माटोका नमूनाहरू २ × २ किलोमिटरको दूरीमा राखिएको थियो, र माथिल्लो माटोलाई हातले समात्ने GPS उपकरण (Leica Zeno 5 GPS) प्रयोग गरेर ० देखि २० सेन्टिमिटरको गहिराइमा मापन गरिएको थियो। नमूनाहरूलाई Ziploc झोलाहरूमा प्याकेज गरिन्छ, राम्रोसँग लेबल गरिएको हुन्छ, र प्रयोगशालामा पठाइन्छ। नमूनाहरूलाई हावामा सुकाएर धुलो पारिएको नमूनाहरू उत्पादन गरिएको थियो, मेकानिकल प्रणाली (Fritsch डिस्क मिल) द्वारा धुलो पारिएको थियो, र छलिएको थियो (छाल्ने आकार २ मिमी)। १ ग्राम सुकेको, एकरूप र छलिएको माटोको नमूनाहरू स्पष्ट रूपमा लेबल गरिएको टेफ्लोन बोतलहरूमा राख्नुहोस्। प्रत्येक टेफ्लोन भाँडोमा, ७ मिलीलीटर ३५% HCl र ३ मिलीलीटर ६५% HNO3 (स्वचालित डिस्पेंसर प्रयोग गरेर - प्रत्येक एसिडको लागि एक) राख्नुहोस्, हल्का रूपमा छोप्नुहोस् र नमूनाहरूलाई प्रतिक्रियाको लागि रातभर खडा हुन दिनुहोस् (एक्वा रेजिया कार्यक्रम)। सुपरनेटेन्टलाई तातो धातुमा राख्नुहोस्। नमूनाहरूको पाचन प्रक्रियालाई सहज बनाउन प्लेट (तापमान: १०० वाट र १६० डिग्री सेल्सियस) २ घण्टाको लागि राख्नुहोस्, त्यसपछि चिसो पार्नुहोस्। सुपरनेट्यान्टलाई ५० मिली भोल्युमेट्रिक फ्लास्कमा स्थानान्तरण गर्नुहोस् र ५० मिलीलीटरमा डिआयोनाइज्ड पानीले पातलो गर्नुहोस्। त्यसपछि, पातलो सुपरनेट्यान्टलाई डिआयोनाइज्ड पानीले ५० मिलीलीटर PVC ट्यूबमा फिल्टर गर्नुहोस्। थप रूपमा, १ मिलीलीटर डिआयोनाइज्ड पानीले ९ मिलीलीटर डिआईोनाइज्ड पानीले पातलो पारिएको थियो र PTE स्यूडो-सांद्रताको लागि तयार पारिएको १२ मिलीलीटर ट्यूबमा फिल्टर गरिएको थियो। PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) को सांद्रता मानक विधिहरू र सम्झौता अनुसार ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (थर्मो फिशर साइन्टिफिक, USA) द्वारा निर्धारण गरिएको थियो। गुणस्तर आश्वासन र नियन्त्रण (QA/QC) प्रक्रियाहरू (SRM NIST 2711a Montana II Soil) सुनिश्चित गर्नुहोस्। आधा भन्दा कम पत्ता लगाउने सीमा भएका PTE हरूलाई यस अध्ययनबाट बहिष्कृत गरिएको थियो। यस अध्ययनमा प्रयोग गरिएको PTE को पत्ता लगाउने सीमा ०.०००४ थियो।(तपाईं)। साथै, प्रत्येक विश्लेषणको लागि गुणस्तर नियन्त्रण र गुणस्तर आश्वासन प्रक्रिया सन्दर्भ मापदण्डहरूको विश्लेषण गरेर सुनिश्चित गरिन्छ। त्रुटिहरू न्यूनतम गरिएको सुनिश्चित गर्न, दोहोरो विश्लेषण गरिएको थियो।
अनुभवजन्य बायेसियन क्रिगिङ (EBK) माटो विज्ञान जस्ता विविध क्षेत्रहरूमा मोडेलिङमा प्रयोग हुने धेरै भू-सांख्यिकीय इन्टरपोलेसन प्रविधिहरू मध्ये एक हो। अन्य क्रिगिङ इन्टरपोलेसन प्रविधिहरू भन्दा फरक, EBK सेमिभेरिग्राम मोडेलद्वारा अनुमान गरिएको त्रुटिलाई विचार गरेर परम्परागत क्रिगिङ विधिहरू भन्दा फरक छ। EBK इन्टरपोलेसनमा, एकल सेमिभेरिग्रामको सट्टा इन्टरपोलेसनको समयमा धेरै सेमिभेरिग्राम मोडेलहरू गणना गरिन्छ। इन्टरपोलेसन प्रविधिहरूले सेमिभेरिग्रामको यस प्लटिङसँग सम्बन्धित अनिश्चितता र प्रोग्रामिङको लागि बाटो बनाउँछ जुन पर्याप्त क्रिगिङ विधिको अत्यधिक जटिल भाग हो। EBK को इन्टरपोलेसन प्रक्रियाले Krivoruchko50 द्वारा प्रस्तावित तीन मापदण्डहरू पछ्याउँछ, (a) मोडेलले इनपुट डेटासेटबाट सेमिभेरिग्राम अनुमान गर्दछ (b) उत्पन्न सेमिभेरिग्राममा आधारित प्रत्येक इनपुट डेटासेट स्थानको लागि नयाँ अनुमानित मान र (c) अन्तिम A मोडेल सिमुलेटेड डेटासेटबाट गणना गरिन्छ। बेयेसियन समीकरण नियमलाई पोस्टरियरको रूपमा दिइएको छ।
जहाँ \(Prob\left(A\right)\) ले पूर्ववर्तीलाई प्रतिनिधित्व गर्दछ, \(Prob\left(B\right)\) सीमान्त सम्भाव्यतालाई धेरैजसो अवस्थामा बेवास्ता गरिन्छ, \(Prob (B,A)\ )। अर्धभारीग्राम गणना बेयसको नियममा आधारित हुन्छ, जसले अर्धभारीग्रामबाट सिर्जना गर्न सकिने अवलोकन डेटासेटहरूको प्रवृत्ति देखाउँछ। त्यसपछि अर्धभारीग्रामको मान बेयसको नियम प्रयोग गरेर निर्धारण गरिन्छ, जसले अर्धभारीग्रामबाट अवलोकनहरूको डेटासेट सिर्जना गर्ने सम्भावना कति छ भनेर बताउँछ।
समर्थन भेक्टर मेसिन एक मेसिन लर्निङ एल्गोरिथ्म हो जसले समान तर रेखीय रूपमा स्वतन्त्र नभएका वर्गहरू छुट्याउन इष्टतम अलग गर्ने हाइपरप्लेन उत्पन्न गर्दछ।Vapnik51 ले उद्देश्य वर्गीकरण एल्गोरिथ्म सिर्जना गर्यो, तर यो हालै प्रतिगमन-उन्मुख समस्याहरू समाधान गर्न प्रयोग गरिएको छ।Li et al.52 का अनुसार, SVM उत्कृष्ट वर्गीकरण प्रविधिहरू मध्ये एक हो र विभिन्न क्षेत्रहरूमा प्रयोग गरिएको छ।SVM (सपोर्ट भेक्टर मेसिन प्रतिगमन - SVMR) को प्रतिगमन घटक यस विश्लेषणमा प्रयोग गरिएको थियो।चेरकास्की र मुलियर53 ले SVMR लाई कर्नेल-आधारित प्रतिगमनको रूपमा अग्रगामी गरे, जसको गणना बहु-देशीय स्थानिक प्रकार्यहरूसँग एक रेखीय प्रतिगमन मोडेल प्रयोग गरेर गरिएको थियो।जोन एट अल54 रिपोर्ट गर्छन् कि SVMR मोडेलिङले हाइपरप्लेन रेखीय प्रतिगमन प्रयोग गर्दछ, जसले गैर-रेखीय सम्बन्धहरू सिर्जना गर्दछ र स्थानिक प्रकार्यहरूको लागि अनुमति दिन्छ।Vohland et al का अनुसार। ५५, एप्सिलन (ε)-SVMR ले प्रशिक्षित डेटासेटलाई एप्सिलन-असंवेदनशील प्रकार्यको रूपमा प्रतिनिधित्व मोडेल प्राप्त गर्न प्रयोग गर्दछ जुन सहसम्बन्धित डेटामा प्रशिक्षणबाट उत्तम एप्सिलन पूर्वाग्रहको साथ स्वतन्त्र रूपमा डेटा नक्सा गर्न लागू गरिन्छ। पूर्वनिर्धारित दूरी त्रुटि वास्तविक मानबाट बेवास्ता गरिन्छ, र यदि त्रुटि ε(ε) भन्दा ठूलो छ भने, माटो गुणहरूले यसलाई क्षतिपूर्ति दिन्छ। मोडेलले समर्थन भेक्टरहरूको फराकिलो उपसमूहमा प्रशिक्षण डेटाको जटिलतालाई पनि घटाउँछ। Vapnik51 द्वारा प्रस्तावित समीकरण तल देखाइएको छ।
जहाँ b ले स्केलर थ्रेसहोल्डलाई प्रतिनिधित्व गर्दछ, \(K\left({x}_{,}{ x}_{k}\right)\) ले कर्नेल प्रकार्यलाई प्रतिनिधित्व गर्दछ, \(\alpha\) ले Lagrange गुणकलाई प्रतिनिधित्व गर्दछ, N ले संख्यात्मक डेटासेटलाई प्रतिनिधित्व गर्दछ, \({x}_{k}\) ले डेटा इनपुटलाई प्रतिनिधित्व गर्दछ, र \(y\) डेटा आउटपुट हो।प्रयोग गरिएको कुञ्जी कर्नेलहरू मध्ये एक SVMR अपरेशन हो, जुन गाउसियन रेडियल आधार प्रकार्य (RBF) हो।RBF कर्नेल इष्टतम SVMR मोडेल निर्धारण गर्न लागू गरिन्छ, जुन PTE प्रशिक्षण डेटाको लागि सबैभन्दा सूक्ष्म पेनाल्टी सेट कारक C र कर्नेल प्यारामिटर गामा (γ) प्राप्त गर्न महत्त्वपूर्ण छ।पहिले, हामीले प्रशिक्षण सेटको मूल्याङ्कन गर्यौं र त्यसपछि प्रमाणीकरण सेटमा मोडेल प्रदर्शन परीक्षण गर्यौं।प्रयोग गरिएको स्टीयरिङ प्यारामिटर सिग्मा हो र विधि मान svmRadial हो।
बहु रेखीय प्रतिगमन मोडेल (MLR) एक प्रतिगमन मोडेल हो जसले प्रतिक्रिया चर र धेरै भविष्यवाणी गर्ने चरहरू बीचको सम्बन्धलाई न्यूनतम वर्ग विधि प्रयोग गरेर गणना गरिएको रेखीय पूल गरिएका प्यारामिटरहरू प्रयोग गरेर प्रतिनिधित्व गर्दछ। MLR मा, न्यूनतम वर्ग मोडेल व्याख्यात्मक चरहरूको चयन पछि माटो गुणहरूको भविष्यवाणी गर्ने कार्य हो। व्याख्यात्मक चरहरू प्रयोग गरेर रेखीय सम्बन्ध स्थापित गर्न प्रतिक्रिया प्रयोग गर्न आवश्यक छ। व्याख्यात्मक चरहरूसँग रेखीय सम्बन्ध स्थापित गर्न प्रतिक्रिया चरको रूपमा PTE प्रयोग गरिएको थियो। MLR समीकरण हो
जहाँ y प्रतिक्रिया चर हो, \(a\) अवरोध हो, n भविष्यसूचकहरूको संख्या हो, \({b}_{1}\) गुणांकहरूको आंशिक प्रतिगमन हो, \({x}_{ i}\) ले भविष्यसूचक वा व्याख्यात्मक चर प्रतिनिधित्व गर्दछ, र \({\varepsilon }_{i}\) ले मोडेलमा त्रुटि प्रतिनिधित्व गर्दछ, जसलाई अवशिष्ट पनि भनिन्छ।
मिश्रित मोडेलहरू EBK लाई SVMR र MLR सँग स्यान्डविच गरेर प्राप्त गरिएको थियो। यो EBK इन्टरपोलेसनबाट अनुमानित मानहरू निकालेर गरिन्छ। इन्टरपोलेटेड Ca, K, र Mg बाट प्राप्त अनुमानित मानहरू CaK, CaMg, र KMg जस्ता नयाँ चरहरू प्राप्त गर्न संयोजन प्रक्रिया मार्फत प्राप्त गरिन्छ। त्यसपछि Ca, K र Mg तत्वहरूलाई चौथो चर, CaKMg प्राप्त गर्न संयोजन गरिन्छ। समग्रमा, प्राप्त चरहरू Ca, K, Mg, CaK, CaMg, KMg र CaKMg हुन्। यी चरहरू हाम्रा भविष्यसूचक बने, जसले शहरी र पेरी-शहरी माटोमा निकल सांद्रताको भविष्यवाणी गर्न मद्दत गर्यो। मिश्रित मोडेल अनुभवजन्य बायेसियन क्रिगिङ-सपोर्ट भेक्टर मेसिन (EBK_SVM) प्राप्त गर्न भविष्यसूचकहरूमा SVMR एल्गोरिथ्म प्रदर्शन गरिएको थियो। त्यस्तै गरी, मिश्रित मोडेल अनुभवजन्य बायेसियन क्रिगिङ-मल्टिपल लाइनर रिग्रेसन (EBK_MLR) प्राप्त गर्न चरहरूलाई MLR एल्गोरिथ्म मार्फत पनि पाइप गरिन्छ। सामान्यतया, चर Ca, K, Mg, शहरी र अर्ध-शहरी माटोमा Ni सामग्रीको भविष्यसूचकको रूपमा CaK, CaMg, KMg, र CaKMg लाई सह-भेरिएटको रूपमा प्रयोग गरिन्छ। प्राप्त गरिएको सबैभन्दा स्वीकार्य मोडेल (EBK_SVM वा EBK_MLR) त्यसपछि स्व-व्यवस्थित ग्राफ प्रयोग गरेर दृश्यावलोकन गरिनेछ। यस अध्ययनको कार्यप्रवाह चित्र २ मा देखाइएको छ।
वित्तीय क्षेत्र, स्वास्थ्य सेवा, उद्योग, तथ्याङ्क, माटो विज्ञान, र थपमा डेटा व्यवस्थित, मूल्याङ्कन र पूर्वानुमान गर्न SeOM प्रयोग गर्नु एक लोकप्रिय उपकरण बनेको छ।SeOM कृत्रिम तंत्रिका सञ्जालहरू र संगठन, मूल्याङ्कन र भविष्यवाणीको लागि असुरक्षित सिकाइ विधिहरू प्रयोग गरेर सिर्जना गरिएको हो। यस अध्ययनमा, शहरी र अर्ध-शहरी माटोमा Ni को भविष्यवाणी गर्नको लागि उत्तम मोडेलको आधारमा Ni सांद्रता कल्पना गर्न SeOM प्रयोग गरिएको थियो।SeOM मूल्याङ्कनमा प्रशोधन गरिएको डेटा n इनपुट-आयामी भेक्टर चरहरूको रूपमा प्रयोग गरिन्छ43,56।Melssen et al. ५७ ले एकल इनपुट तह मार्फत एकल तौल भेक्टर भएको आउटपुट भेक्टरसँग एकल इनपुट तह मार्फत एक न्यूरल नेटवर्कमा इनपुट भेक्टरको जडान वर्णन गर्दछ।SeOM द्वारा उत्पन्न आउटपुट एक दुई-आयामी नक्सा हो जसमा विभिन्न न्यूरोनहरू वा नोडहरू हुन्छन् जुन तिनीहरूको निकटता अनुसार हेक्सागोनल, गोलाकार, वा वर्ग टोपोलोजिकल नक्सामा बुनेका हुन्छन्। मेट्रिक, क्वान्टाइजेसन त्रुटि (QE) र टोपोग्राफिक त्रुटि (TE) मा आधारित नक्सा आकारहरू तुलना गर्दै, क्रमशः ०.०८६ र ०.९०४ भएको SeOM मोडेल चयन गरिएको छ, जुन ५५-नक्सा एकाइ (५ × ११) हो। न्यूरोन संरचना अनुभवजन्य समीकरणमा नोडहरूको संख्या अनुसार निर्धारण गरिन्छ।
यस अध्ययनमा प्रयोग गरिएको डेटाको संख्या ११५ नमूनाहरू छन्। डेटालाई परीक्षण डेटा (प्रमाणीकरणको लागि २५%) र प्रशिक्षण डेटा सेटहरू (क्यालिब्रेसनको लागि ७५%) मा विभाजन गर्न अनियमित दृष्टिकोण प्रयोग गरिएको थियो। प्रशिक्षण डेटासेट रिग्रेसन मोडेल (क्यालिब्रेसन) उत्पन्न गर्न प्रयोग गरिन्छ, र परीक्षण डेटासेट सामान्यीकरण क्षमता प्रमाणित गर्न प्रयोग गरिन्छ। यो माटोमा निकल सामग्रीको भविष्यवाणी गर्न विभिन्न मोडेलहरूको उपयुक्तता मूल्याङ्कन गर्न गरिएको थियो। प्रयोग गरिएका सबै मोडेलहरू दस-गुणा क्रस-प्रमाणीकरण प्रक्रियाबाट गुज्रेका थिए, पाँच पटक दोहोरिएका थिए। EBK इन्टरपोलेसनद्वारा उत्पादित चरहरू लक्ष्य चर (PTE) को भविष्यवाणी गर्न भविष्यवाणीकर्ता वा व्याख्यात्मक चरको रूपमा प्रयोग गरिन्छ। मोडलिङ RStudio मा प्याकेजहरू लाइब्रेरी(Kohonen), लाइब्रेरी(caret), लाइब्रेरी(modelr), लाइब्रेरी(“e1071″), लाइब्रेरी(“plyr”), लाइब्रेरी(“caTools”), लाइब्रेरी(” prospecter”) र लाइब्रेरीहरू (“Metrics”) प्रयोग गरेर ह्यान्डल गरिन्छ।
माटोमा निकल सांद्रताको भविष्यवाणी गर्न उपयुक्त उत्तम मोडेल निर्धारण गर्न र मोडेलको शुद्धता र यसको प्रमाणीकरणको मूल्याङ्कन गर्न विभिन्न प्रमाणीकरण प्यारामिटरहरू प्रयोग गरिएको थियो। हाइब्रिडाइजेशन मोडेलहरूको मूल्याङ्कन औसत निरपेक्ष त्रुटि (MAE), मूल औसत वर्ग त्रुटि (RMSE), र R-वर्ग वा गुणांक निर्धारण (R2) प्रयोग गरेर गरिएको थियो।R2 ले रिग्रेसन मोडेलद्वारा प्रतिनिधित्व गरिएको उत्तरमा अनुपातको भिन्नता परिभाषित गर्दछ। स्वतन्त्र मापनहरूमा RMSE र भिन्नता परिमाणले मोडेलको भविष्यवाणी गर्ने शक्ति वर्णन गर्दछ, जबकि MAE ले वास्तविक मात्रात्मक मान निर्धारण गर्दछ। प्रमाणीकरण प्यारामिटरहरू प्रयोग गरेर उत्तम मिश्रण मोडेलको मूल्याङ्कन गर्न R2 मान उच्च हुनुपर्छ, मान 1 को जति नजिक हुन्छ, शुद्धता त्यति नै उच्च हुन्छ। Li et al. 59 अनुसार, 0.75 वा सोभन्दा बढीको R2 मापदण्ड मानलाई राम्रो भविष्यवाणीकर्ता मानिन्छ; ०.५ देखि ०.७५ सम्म स्वीकार्य मोडेल प्रदर्शन हो, र ०.५ भन्दा कम अस्वीकार्य मोडेल प्रदर्शन हो।RMSE र MAE प्रमाणीकरण मापदण्ड मूल्याङ्कन विधिहरू प्रयोग गरेर मोडेल चयन गर्दा, प्राप्त गरिएका कम मानहरू पर्याप्त थिए र उत्तम विकल्प मानिन्थ्यो।निम्न समीकरणले प्रमाणीकरण विधिको वर्णन गर्दछ।
जहाँ n ले अवलोकन गरिएको मानको आकारलाई प्रतिनिधित्व गर्दछ\({Y}_{i}\) ले मापन गरिएको प्रतिक्रियालाई प्रतिनिधित्व गर्दछ, र \({\widehat{Y}}_{i}\) ले पनि अनुमानित प्रतिक्रिया मानलाई प्रतिनिधित्व गर्दछ, त्यसैले, पहिलो i अवलोकनहरूको लागि।
भविष्यवाणी गर्ने र प्रतिक्रिया चरहरूको तथ्याङ्कीय विवरण तालिका १ मा प्रस्तुत गरिएको छ, जसले औसत, मानक विचलन (SD), भिन्नताको गुणांक (CV), न्यूनतम, अधिकतम, कर्टोसिस, र स्क्युनेस देखाउँछ। तत्वहरूको न्यूनतम र अधिकतम मानहरू क्रमशः Mg
प्रतिक्रिया तत्वहरूसँग भविष्यवाणी गर्ने चरहरूको सहसम्बन्धले तत्वहरू बीचको सन्तोषजनक सहसम्बन्धलाई संकेत गर्यो (चित्र ३ हेर्नुहोस्)। सहसम्बन्धले CaK ले r मान = ०.५३ सँग मध्यम सहसम्बन्ध प्रदर्शन गरेको संकेत गर्यो, जस्तै CaNi ले पनि देखायो। यद्यपि Ca र K ले एकअर्कासँग सामान्य सम्बन्ध देखाउँछन्, किंग्स्टन एट अल जस्ता अनुसन्धानकर्ताहरूले। ६८ र सान्टो६९ ले सुझाव दिन्छ कि माटोमा तिनीहरूको स्तर उल्टो समानुपातिक छ। यद्यपि, Ca र Mg K का विरोधी छन्, तर CaK राम्रोसँग सम्बन्धित छ। यो पोटासियम कार्बोनेट जस्ता मलहरूको प्रयोगको कारणले हुन सक्छ, जुन पोटासियममा ५६% बढी छ। पोटासियम म्याग्नेसियमसँग मध्यम रूपमा सहसम्बन्धित थियो (KM r = ०.६३)। मल उद्योगमा, यी दुई तत्वहरू नजिकबाट सम्बन्धित छन् किनभने पोटासियम म्याग्नेसियम सल्फेट, पोटासियम म्याग्नेसियम नाइट्रेट, र पोटास तिनीहरूको कमीको स्तर बढाउन माटोमा लागू गरिन्छ।निकेल क्रमशः r मानहरू = ०.५२, ०.६३ र ०.५५ सँग Ca, K र Mg सँग मध्यम रूपमा सहसम्बन्धित छ।क्याल्सियम, म्याग्नेसियम, र निकल जस्ता PTE हरू समावेश गर्ने सम्बन्धहरू जटिल छन्, तर तैपनि, म्याग्नेसियमले क्याल्सियम अवशोषणलाई रोक्छ, क्याल्सियमले अतिरिक्त म्याग्नेसियमको प्रभावलाई कम गर्छ, र म्याग्नेसियम र क्याल्सियम दुवैले माटोमा निकेलको विषाक्त प्रभावलाई कम गर्छ।
भविष्यवक्ता र प्रतिक्रियाहरू बीचको सम्बन्ध देखाउने तत्वहरूको लागि सहसम्बन्ध म्याट्रिक्स (नोट: यस आंकडामा तत्वहरू बीचको स्क्याटरप्लट समावेश छ, महत्त्व स्तरहरू p < ०,००१ मा आधारित छन्)।
चित्र ४ ले तत्वहरूको स्थानिक वितरणलाई चित्रण गर्दछ। Burgos et al70 का अनुसार, स्थानिक वितरणको प्रयोग प्रदूषित क्षेत्रहरूमा तातो ठाउँहरूको मात्रा निर्धारण गर्न र हाइलाइट गर्न प्रयोग गरिने प्रविधि हो। चित्र ४ मा Ca को संवर्धन स्तर स्थानिक वितरण नक्साको उत्तरपश्चिम भागमा देख्न सकिन्छ। चित्रले मध्यम देखि उच्च Ca संवर्धन हटस्पटहरू देखाउँछ। नक्साको उत्तरपश्चिममा क्याल्सियम संवर्धन सम्भवतः माटोको अम्लता कम गर्न क्विकलाइम (क्याल्सियम अक्साइड) को प्रयोग र स्टील बनाउने प्रक्रियामा क्षारीय अक्सिजनको रूपमा स्टील मिलहरूमा यसको प्रयोगको कारणले हो। अर्कोतर्फ, अन्य किसानहरूले pH लाई बेअसर गर्न अम्लीय माटोमा क्याल्सियम हाइड्रोक्साइड प्रयोग गर्न रुचाउँछन्, जसले माटोको क्याल्सियम सामग्री पनि बढाउँछ71। पोटासियमले नक्साको उत्तरपश्चिम र पूर्वमा तातो ठाउँहरू पनि देखाउँछ।उत्तरपश्चिम एक प्रमुख कृषि समुदाय हो, र पोटासियमको मध्यम देखि उच्च ढाँचा NPK र पोटास अनुप्रयोगहरूको कारणले हुन सक्छ। यो अन्य अध्ययनहरूसँग मिल्दोजुल्दो छ, जस्तै Madaras र Lipavský72, Madaras et al.73, Pulkrabová et al.74, असारे एट अल.७५, जसले माटो स्थिरीकरण र KCl र NPK सँग उपचार गर्दा माटोमा K को मात्रा उच्च भएको अवलोकन गरे। वितरण नक्साको उत्तरपश्चिममा रहेको स्थानिय पोटासियम संवर्धन पोटासियम क्लोराइड, पोटासियम सल्फेट, पोटासियम नाइट्रेट, पोटास र पोटास जस्ता पोटासियम-आधारित मलहरूको प्रयोगको कारणले हुन सक्छ जसले गरिब माटोको पोटासियम सामग्री बढाउँछ। Zádorová एट अल. ७६ र Tlustoš एट अल. ७७ ले उल्लेख गरेको छ कि K-आधारित मलको प्रयोगले माटोमा K को मात्रा बढाउँछ र लामो समयसम्म माटोको पोषक तत्वमा उल्लेखनीय वृद्धि हुनेछ, विशेष गरी K र Mg ले माटोमा तातो ठाउँ देखाउँछ। नक्साको उत्तरपश्चिम र नक्साको दक्षिणपूर्वमा अपेक्षाकृत मध्यम हटस्पटहरू। माटोमा कोलोइडल फिक्सेसनले माटोमा म्याग्नेसियमको सांद्रतालाई घटाउँछ। माटोमा यसको कमीले बिरुवाहरूलाई पहेंलो इन्टरभेन क्लोरोसिस प्रदर्शन गर्दछ। पोटासियम म्याग्नेसियम सल्फेट, म्याग्नेसियम सल्फेट, र किसेराइट जस्ता म्याग्नेसियम-आधारित मलहरूले सामान्य pH दायरा भएको माटोमा कमीहरू (बिरुवाहरू बैजनी, रातो, वा खैरो देखिन्छन्, म्याग्नेसियमको कमीलाई संकेत गर्दछ) को उपचार गर्छन्। शहरी र पेरी-शहरी माटोको सतहहरूमा निकेलको संचय कृषि जस्ता मानवजन्य गतिविधिहरू र स्टेनलेस स्टील उत्पादनमा निकेलको महत्त्वको कारण हुन सक्छ।
तत्वहरूको स्थानिय वितरण [स्थानिय वितरण नक्सा ArcGIS डेस्कटप (ESRI, Inc, संस्करण १०.७, URL: https://desktop.arcgis.com) प्रयोग गरेर सिर्जना गरिएको थियो।]
यस अध्ययनमा प्रयोग गरिएका तत्वहरूको लागि मोडेल प्रदर्शन सूचकांक परिणामहरू तालिका २ मा देखाइएको छ। अर्कोतर्फ, Ni को RMSE र MAE दुवै शून्यको नजिक छन् (०.८६ RMSE, -०.०८ MAE)। अर्कोतर्फ, K को RMSE र MAE दुवै मानहरू स्वीकार्य छन्। क्याल्सियम र म्याग्नेसियमको लागि RMSE र MAE परिणामहरू बढी थिए। फरक डेटासेटहरूको कारणले Ca र K MAE र RMSE परिणामहरू ठूला छन्। Ni को भविष्यवाणी गर्न EBK प्रयोग गर्ने यस अध्ययनको RMSE र MAE, समान सङ्कलन गरिएको डेटा प्रयोग गरेर माटोमा S सांद्रताको भविष्यवाणी गर्न सिनर्जिस्टिक क्रिगिङ प्रयोग गर्ने John et al. 54 को नतिजाहरू भन्दा राम्रो पाइयो। हामीले अध्ययन गरेका EBK आउटपुटहरू Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 र John et al. 82, विशेष गरी K र Ni सँग सम्बन्धित छन्।
शहरी र अर्ध-शहरी माटोमा निकेल सामग्रीको भविष्यवाणी गर्ने व्यक्तिगत विधिहरूको कार्यसम्पादन मोडेलहरूको कार्यसम्पादन प्रयोग गरेर मूल्याङ्कन गरिएको थियो (तालिका ३)। मोडेल प्रमाणीकरण र शुद्धता मूल्याङ्कनले पुष्टि गर्यो कि EBK SVMR मोडेलसँग मिलाएर Ca_Mg_K भविष्यवक्ताले उत्कृष्ट प्रदर्शन प्रदान गर्यो। क्यालिब्रेसन मोडेल Ca_Mg_K-EBK_SVMR मोडेल R2, मूल औसत वर्ग त्रुटि (RMSE) र औसत पूर्ण त्रुटि (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) र 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) र 166.946 mg/kg (MAE) थियो। तैपनि, Ca_Mg_K-SVMR (0.663 mg/kg R2) र Ca_Mg-EBK_SVMR को लागि राम्रो R2 मानहरू प्राप्त गरियो। (०.६४३ = R२); तिनीहरूको RMSE र MAE नतिजा Ca_Mg_K-EBK_SVMR (R2 0.637) भन्दा बढी थियो (तालिका ३ हेर्नुहोस्)। साथै, Ca_Mg-EBK_SVMR (RMSE = 1664.64 र MAE = 1031.49) मोडेलको RMSE र MAE क्रमशः १७.५ र १३.४ छन्, जुन Ca_Mg_K-EBK_SVMR भन्दा ठूला छन्। त्यस्तै गरी, Ca_Mg-K SVMR (RMSE = 235.974 र MAE = 166.946) मोडेलको RMSE र MAE क्रमशः Ca_Mg_K-EBK_SVMR RMSE र MAE भन्दा २.५ र २.२ ठूला छन्। गणना गरिएको RMSE नतिजाहरूले डेटा सेट उत्तम फिटको रेखासँग कति केन्द्रित छ भनेर संकेत गर्दछ। RSME र MAE उच्च थिए। अवलोकन गरियो। केबोन्ये एट अल। ४६ र जोन एट अल। ५४ का अनुसार, RMSE र MAE शून्यको जति नजिक हुन्छन्, त्यति नै राम्रो परिणामहरू हुन्छन्। SVMR र EBK_SVMR का उच्च परिमाणित RSME र MAE मानहरू छन्। यो अवलोकन गरियो कि RSME अनुमानहरू MAE मानहरू भन्दा लगातार उच्च थिए, जसले आउटलियरहरूको उपस्थितिलाई संकेत गर्दछ। लेगेट्स र म्याककेब ८३ का अनुसार, RMSE ले औसत निरपेक्ष त्रुटि (MAE) लाई नाघेको हदसम्म आउटलियरहरूको उपस्थितिको सूचकको रूपमा सिफारिस गरिन्छ। यसको मतलब डेटासेट जति धेरै विषम हुन्छ, MAE र RMSE मानहरू त्यति नै उच्च हुन्छन्। शहरी र उपनगरीय माटोमा Ni सामग्रीको भविष्यवाणी गर्न Ca_Mg_K-EBK_SVMR मिश्रित मोडेलको क्रस-प्रमाणीकरण मूल्याङ्कनको शुद्धता ६३.७०% थियो। Li एट अल। ५९ का अनुसार, शुद्धताको यो स्तर स्वीकार्य मोडेल प्रदर्शन दर हो। वर्तमान परिणामहरू तारासोभ एट अल द्वारा अघिल्लो अध्ययनसँग तुलना गरिएको छ। ३६ जसको हाइब्रिड मोडेलले MLPRK (मल्टिलेयर पर्सेप्ट्रोन रेसिडुअल क्रिगिङ) सिर्जना गर्यो, जुन हालको अध्ययनमा रिपोर्ट गरिएको EBK_SVMR शुद्धता मूल्याङ्कन सूचकांकसँग सम्बन्धित थियो, RMSE (२१०) र MAE (१६७.५) हालको अध्ययनमा हाम्रो नतिजा (RMSE ९५.४७९, MAE ७७.३६८) भन्दा उच्च थियो। यद्यपि, हालको अध्ययन (०.६३७) को R2 लाई तारासोभ एट अलको नतिजासँग तुलना गर्दा। ३६ (०.५४४), यो स्पष्ट छ कि यस मिश्रित मोडेलमा निर्धारण गुणांक (R2) उच्च छ। मिश्रित मोडेलको लागि त्रुटिको मार्जिन (RMSE र MAE) (EBK SVMR) दुई गुणा कम छ। त्यस्तै गरी, Sergeev et al.34 ले विकसित हाइब्रिड मोडेल (Multilayer Perceptron Residual Kriging) को लागि ०.२८ (R2) रेकर्ड गर्यो, जबकि हालको अध्ययनमा Ni ले ०.६३७ (R2) रेकर्ड गर्यो। यस मोडेल (EBK SVMR) को भविष्यवाणी शुद्धता स्तर ६३.७% छ, जबकि Sergeev et al.34 द्वारा प्राप्त भविष्यवाणी शुद्धता २८% छ। EBK_SVMR मोडेल र Ca_Mg_K लाई भविष्यवाणीकर्ताको रूपमा प्रयोग गरेर सिर्जना गरिएको अन्तिम नक्सा (चित्र ५) ले सम्पूर्ण अध्ययन क्षेत्रमा तातो ठाउँहरू र मध्यम देखि निकेलको भविष्यवाणी देखाउँछ। यसको मतलब अध्ययन क्षेत्रमा निकेलको सांद्रता मुख्यतया मध्यम छ, केही विशिष्ट क्षेत्रहरूमा उच्च सांद्रताका साथ।
अन्तिम भविष्यवाणी नक्सा हाइब्रिड मोडेल EBK_SVMR प्रयोग गरेर र Ca_Mg_K लाई भविष्यवाणीकर्ताको रूपमा प्रयोग गरेर प्रतिनिधित्व गरिएको छ। [स्थानिय वितरण नक्सा RStudio (संस्करण १.४.१७१७: https://www.rstudio.com/) प्रयोग गरेर सिर्जना गरिएको थियो।]
चित्र ६ मा प्रस्तुत गरिएको PTE सांद्रता व्यक्तिगत न्यूरोनहरू मिलेर बनेको संरचना समतलको रूपमा छ। कुनै पनि घटक विमानहरूले देखाइएको जस्तै रंग ढाँचा प्रदर्शन गरेनन्। यद्यपि, प्रति कोरिएको नक्सामा न्यूरोनको उपयुक्त संख्या ५५ छ। SeOM विभिन्न रङहरू प्रयोग गरेर उत्पादन गरिन्छ, र रङ ढाँचाहरू जति धेरै समान हुन्छन्, नमूनाहरूको गुणहरू त्यति नै तुलनात्मक हुन्छन्। तिनीहरूको सटीक रङ स्केल अनुसार, व्यक्तिगत तत्वहरू (Ca, K, र Mg) ले एकल उच्च न्यूरोनहरू र धेरै कम न्यूरोनहरूसँग समान रङ ढाँचाहरू देखाए। यसरी, CaK र CaMg ले धेरै उच्च-अर्डर न्यूरोनहरू र कम-देखि-मध्यम रंग ढाँचाहरूसँग केही समानताहरू साझा गर्छन्। दुबै मोडेलहरूले रातो, सुन्तला र पहेंलो जस्ता मध्यम देखि उच्च रंगहरू प्रदर्शन गरेर माटोमा Ni को सांद्रताको भविष्यवाणी गर्छन्। KMg मोडेलले सटीक अनुपात र कम देखि मध्यम रंग प्याचहरूमा आधारित धेरै उच्च रंग ढाँचाहरू प्रदर्शन गर्दछ। कम देखि उच्च सम्मको सटीक रङ स्केलमा, मोडेलको घटकहरूको समतल वितरण ढाँचाले माटोमा निकेलको सम्भावित सांद्रतालाई संकेत गर्ने उच्च रङ ढाँचा देखाएको छ (चित्र ४ हेर्नुहोस्)। CakMg मोडेल घटक विमानले कम देखि उच्च सम्मको विविध रङ ढाँचा देखाउँछ। सही रङ स्केलमा। यसबाहेक, मोडेलको निकल सामग्री (CakMg) को भविष्यवाणी चित्र ५ मा देखाइएको निकलको स्थानिक वितरणसँग मिल्दोजुल्दो छ। दुवै ग्राफहरूले शहरी र पेरी-शहरी माटोमा निकल सांद्रताको उच्च, मध्यम र कम अनुपात देखाउँछन्। चित्र ७ ले नक्सामा k-माध्यम समूहमा समोच्च विधिलाई चित्रण गर्दछ, प्रत्येक मोडेलमा अनुमानित मानको आधारमा तीन क्लस्टरहरूमा विभाजित। समोच्च विधिले क्लस्टरहरूको इष्टतम संख्यालाई प्रतिनिधित्व गर्दछ। सङ्कलन गरिएका ११५ माटो नमूनाहरू मध्ये, श्रेणी १ ले सबैभन्दा धेरै माटो नमूनाहरू प्राप्त गर्यो, ७४। क्लस्टर २ ले ३३ नमूनाहरू प्राप्त गर्यो, जबकि क्लस्टर ३ ले ८ नमूनाहरू प्राप्त गर्यो। सही क्लस्टर व्याख्याको लागि अनुमति दिन सात-घटक प्लानर भविष्यवाणी संयोजनलाई सरलीकृत गरिएको थियो। माटोको गठनलाई असर गर्ने असंख्य मानवजन्य र प्राकृतिक प्रक्रियाहरूको कारण, वितरित SeOM नक्सा ७८ मा उचित रूपमा भिन्न क्लस्टर ढाँचाहरू हुन गाह्रो छ।
प्रत्येक अनुभवजन्य बायेसियन क्रिगिङ सपोर्ट भेक्टर मेसिन (EBK_SVM_SeOM) चर द्वारा कम्पोनेन्ट प्लेन आउटपुट। [SEOM नक्साहरू RStudio (संस्करण १.४.१७१७: https://www.rstudio.com/) प्रयोग गरेर सिर्जना गरिएको थियो।]
विभिन्न क्लस्टर वर्गीकरण घटकहरू [SEOM नक्साहरू RStudio (संस्करण १.४.१७१७: https://www.rstudio.com/) प्रयोग गरेर सिर्जना गरिएको थियो।]
हालको अध्ययनले शहरी र पेरी-शहरी माटोमा निकल सांद्रताको लागि मोडेलिङ प्रविधिहरूलाई स्पष्ट रूपमा चित्रण गर्दछ। अध्ययनले माटोमा निकल सांद्रताको भविष्यवाणी गर्ने उत्तम तरिका प्राप्त गर्न मोडेलिङ प्रविधिहरूसँग तत्वहरू संयोजन गर्दै विभिन्न मोडेलिङ प्रविधिहरूको परीक्षण गर्यो। मोडेलिङ प्रविधिको SeOM रचनात्मक समतल स्थानिक विशेषताहरूले सही रङ स्केलमा कम देखि उच्च सम्म उच्च रङ ढाँचा प्रदर्शन गर्यो, जसले माटोमा Ni सांद्रतालाई संकेत गर्दछ। यद्यपि, स्थानिक वितरण नक्साले EBK_SVMR द्वारा प्रदर्शन गरिएको घटकहरूको समतल स्थानिक वितरण पुष्टि गर्दछ (चित्र 5 हेर्नुहोस्)। परिणामहरूले देखाउँछन् कि समर्थन भेक्टर मेसिन रिग्रेसन मोडेल (Ca Mg K-SVMR) ले एकल मोडेलको रूपमा माटोमा Ni को सांद्रताको भविष्यवाणी गर्दछ, तर प्रमाणीकरण र शुद्धता मूल्याङ्कन प्यारामिटरहरूले RMSE र MAE को सन्दर्भमा धेरै उच्च त्रुटिहरू देखाउँछन्। अर्कोतर्फ, EBK_MLR मोडेलसँग प्रयोग गरिएको मोडेलिङ प्रविधि पनि निर्धारण गुणांक (R2) को कम मानको कारणले त्रुटिपूर्ण छ। 63.7% को शुद्धताका साथ कम RMSE र MAE त्रुटिहरू भएका EBK SVMR र संयुक्त तत्वहरू (CaKMg) प्रयोग गरेर राम्रो परिणामहरू प्राप्त गरियो। यो EBK एल्गोरिथ्मलाई मेसिन लर्निङ एल्गोरिथ्मसँग मिलाएर माटोमा PTE को सांद्रताको भविष्यवाणी गर्न सक्ने हाइब्रिड एल्गोरिथ्म उत्पन्न गर्न सकिन्छ भन्ने कुरा पत्ता लाग्यो। नतिजाहरूले देखाउँछन् कि अध्ययन क्षेत्रमा Ni सांद्रताको भविष्यवाणी गर्न Ca Mg K लाई भविष्यवाणीकर्ताको रूपमा प्रयोग गर्नाले माटोमा Ni को भविष्यवाणी सुधार गर्न सकिन्छ। यसको अर्थ स्टील उद्योगद्वारा निकल-आधारित मलको निरन्तर प्रयोग र माटोको औद्योगिक प्रदूषणले माटोमा निकलको सांद्रता बढाउने प्रवृत्ति रहेको छ। यस अध्ययनले EBK मोडेलले त्रुटिको स्तर घटाउन र शहरी वा पेरी-शहरी माटोमा माटोको स्थानिक वितरणको मोडेलको शुद्धता सुधार गर्न सक्ने कुरा पत्ता लगायो। सामान्यतया, हामी माटोमा PTE को मूल्याङ्कन र भविष्यवाणी गर्न EBK-SVMR मोडेल लागू गर्ने प्रस्ताव गर्छौं; थप रूपमा, हामी विभिन्न मेसिन लर्निङ एल्गोरिथ्महरूसँग हाइब्रिडाइज गर्न EBK प्रयोग गर्ने प्रस्ताव गर्छौं। तत्वहरूलाई सह-भेरिएटको रूपमा प्रयोग गरेर Ni सांद्रताको भविष्यवाणी गरिएको थियो; यद्यपि, धेरै कोभेरिएटहरू प्रयोग गर्नाले मोडेलको कार्यसम्पादनमा धेरै सुधार हुनेछ, जुन हालको कार्यको सीमा मान्न सकिन्छ। यस अध्ययनको अर्को सीमा भनेको डेटासेटहरूको संख्या ११५ हो। त्यसकारण, यदि थप डेटा प्रदान गरियो भने, प्रस्तावित अनुकूलित हाइब्रिडाइजेशन विधिको कार्यसम्पादन सुधार गर्न सकिन्छ।
PlantProbs.net.निकेल इन बिरुवा र माटो https://plantprobs.net/plant/nutrientImbalances/sodium.html (पहुँच २८ अप्रिल २०२१)।
कास्प्रजाक, केएस निकेलले आधुनिक वातावरणीय विष विज्ञानमा प्रगति गर्छन्। वरपरका क्षेत्रहरू। विष विज्ञान।११, १४५–१८३ (१९८७)।
सेम्पेल, एम. र निकल, जी. निकल: यसको स्रोत र वातावरणीय विष विज्ञानको समीक्षा।पोलिश जे. वातावरण.अध्ययन.१५, ३७५–३८२ (२००६)।
फ्रिडम्यान, बी. र हचिन्सन, टीसी क्यानडाको ओन्टारियोको सडबरीस्थित निकल-तामा स्मेल्टर नजिकै वायुमण्डलबाट प्रदूषक इनपुट र माटो र वनस्पतिमा संचय। can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
मनिवा, टी. एट अल। बोत्सवानाको सेलेबी-फिक्वे तामा-निकेल खानी नजिकै चर्ने रुमिनेन्टहरूसँग सम्बन्धित माटो, बोटबिरुवा र जोखिमहरूमा भारी धातुहरू। वरपर। भू-रसायनशास्त्र। स्वास्थ्य https://doi.org/10.1007/s10653-021-00918-x (२०२१)।
Cabata-Pendias.Kabata-Pendias A. २०११. माटोमा तत्वहरू ट्रेस गर्नुहोस् र… – गुगल स्कलर https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ तत्वहरू+माटोमा+र+बिरुवाहरू।+चौथो+संस्करण।+नयाँ+योर्क+%२८NY%२९%३A+CRC+प्रेस&btnG= (२४ नोभेम्बर २०२० मा पहुँच गरिएको)।
अल्मास, ए., सिंह, बी., कृषि, टीएस-एनजे अफ & १९९५, अपरिभाषित। सोर-भेरेन्जर, नर्वेमा कृषि माटो र घाँसमा भारी धातुको सांद्रतामा रूसी निकल उद्योगको प्रभाव।agris.fao.org।
निल्सन, जीडी एट अल। पिउने पानीमा निकेल अवशोषण र अवधारण खाना सेवन र निकेल संवेदनशीलतासँग सम्बन्धित छ। विष विज्ञान। आवेदन। फार्माकोडायनामिक्स। १५४, ६७–७५ (१९९९)।
कोस्टा, एम. र क्लेन, सीबी निकल कार्सिनोजेनेसिस, उत्परिवर्तन, एपिजेनेटिक्स वा चयन। वरपर। स्वास्थ्य परिप्रेक्ष्य।१०७, २ (१९९९)।
अजमान, पीसी; अजाडो, एसके; बोरुभ्का, एल.; बिनी, जेकेएम; सार्कोडी, भीवाईओ; कोबोन्ये, एनएम; सम्भावित विषाक्त तत्वहरूको प्रवृत्ति विश्लेषण: एक बिब्लियोमेट्रिक समीक्षा। वातावरणीय भू-रसायन विज्ञान र स्वास्थ्य। स्प्रिंगर विज्ञान र व्यापार मिडिया BV २०२०। https://doi.org/10.1007/s10653-020-00742-9।
मिनास्नी, बी. र म्याकब्राटनी, एबी डिजिटल माटो नक्साङ्कन: संक्षिप्त इतिहास र केही पाठहरू। जियोडर्मा २६४, ३०१–३११.https://doi.org/10.1016/j.geoderma.2015.07.017 (२०१६)।
McBratney, AB, Mendonça Santos, ML & Minasny, B. डिजिटल माटो म्यापिङमा। Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)।
Deutsch.CV भू-सांख्यिकीय जलाशय मोडेलिङ,… – गुगल स्कॉलर https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+University+Press%2C+376+pages.+&btnG= (२८ अप्रिल २०२१ मा पहुँच गरिएको)।
पोस्ट समय: जुलाई-२२-२०२२
