Nature.com ପରିଦର୍ଶନ କରିବା ପାଇଁ ଆପଣଙ୍କୁ ଧନ୍ୟବାଦ। ଆପଣ ବ୍ୟବହାର କରୁଥିବା ବ୍ରାଉଜର ସଂସ୍କରଣରେ CSS ପାଇଁ ସୀମିତ ସମର୍ଥନ ଅଛି। ସର୍ବୋତ୍ତମ ଅଭିଜ୍ଞତା ପାଇଁ, ଆମେ ଆପଣଙ୍କୁ ଏକ ଅପଡେଟ୍ ବ୍ରାଉଜର୍ ବ୍ୟବହାର କରିବାକୁ ସୁପାରିଶ କରୁଛୁ (କିମ୍ବା ଇଣ୍ଟରନେଟ୍ ଏକ୍ସପ୍ଲୋରରରେ ସୁସଙ୍ଗତତା ମୋଡ୍ ବନ୍ଦ କରନ୍ତୁ)। ଏହି ସମୟ ମଧ୍ୟରେ, ନିରନ୍ତର ସମର୍ଥନ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ, ଆମେ ସାଇଟ୍କୁ ଷ୍ଟାଇଲ୍ ଏବଂ JavaScript ବିନା ପ୍ରଦର୍ଶନ କରିବୁ।
ମାନବ କାର୍ଯ୍ୟକଳାପ ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଏକ ବଡ଼ ସମସ୍ୟା ହେଉଛି ମୃତ୍ତିକା ପ୍ରଦୂଷଣ। ଅଧିକାଂଶ ସହରାଞ୍ଚଳ ଏବଂ ଉପ-ସହରୀ ଅଞ୍ଚଳରେ ସମ୍ଭାବ୍ୟ ବିଷାକ୍ତ ଉପାଦାନ (PTEs) ର ସ୍ଥାନିକ ବଣ୍ଟନ ଭିନ୍ନ ହୋଇଥାଏ। ତେଣୁ, ଏପରି ମାଟିରେ PTEs ର ପରିମାଣ ସ୍ଥାନିକ ଭାବରେ ପୂର୍ବାନୁମାନ କରିବା କଷ୍ଟକର। ଚେକ୍ ଗଣରାଜ୍ୟର ଫ୍ରାଇଡେକ୍ ମିଷ୍ଟେକ୍ ରୁ ମୋଟ 115 ଟି ନମୁନା ପ୍ରାପ୍ତ ହୋଇଥିଲା। କ୍ୟାଲସିୟମ୍ (Ca), ମ୍ୟାଗ୍ନେସିୟମ୍ (Mg), ପୋଟାସିୟମ୍ (K) ଏବଂ ନିକେଲ (Ni) ସାନ୍ଦ୍ରତା ଇଣ୍ଡକ୍ଟିଭ୍ କପ୍ଲାଜ୍ମା ଏମିସନ୍ ସ୍ପେକ୍ଟ୍ରୋମେଟ୍ରି ବ୍ୟବହାର କରି ନିର୍ଣ୍ଣୟ କରାଯାଇଥିଲା। ପ୍ରତିକ୍ରିୟା ଚଳକ ହେଉଛି Ni ଏବଂ ପୂର୍ବାନୁମାନକାରୀ ହେଉଛି Ca, Mg, ଏବଂ K। ପ୍ରତିକ୍ରିୟା ଚଳକ ଏବଂ ପୂର୍ବାନୁମାନକାରୀ ଚଳକ ମଧ୍ୟରେ ସହସଂଯୋଗ ମ୍ୟାଟ୍ରିକ୍ସ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ସନ୍ତୋଷଜନକ ସହସଂଯୋଗ ଦର୍ଶାଏ। ପୂର୍ବାନୁମାନ ଫଳାଫଳଗୁଡ଼ିକ ଦର୍ଶାଇଛି ଯେ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ (SVMR) ଭଲ ପ୍ରଦର୍ଶନ କରିଛି, ଯଦିଓ ଏହାର ଆନୁମାନିକ ମୂଳ ମିନ ବର୍ଗ ତ୍ରୁଟି (RMSE) (235.974 mg/kg) ଏବଂ ମିନ ସମ୍ପୂର୍ଣ୍ଣ ତ୍ରୁଟି (MAE) (166.946 mg/kg) ପ୍ରୟୋଗ କରାଯାଇଥିବା ଅନ୍ୟ ପଦ୍ଧତି ଅପେକ୍ଷା ଅଧିକ ଥିଲା। ଅଭିଜ୍ଞ ବାୟେସିଆନ୍ କ୍ରିଗିଂ-ମଲ୍ଟିପଲ୍ ରେଖୀୟ ପ୍ରତିଗମନ ପାଇଁ ମିଶ୍ରିତ ମଡେଲ୍। (EBK-MLR) ଖରାପ ପ୍ରଦର୍ଶନ କରେ, ଯାହା 0.1 ରୁ କମ୍ ନିର୍ଣ୍ଣୟର ଗୁଣାଙ୍କ ଦ୍ୱାରା ପ୍ରମାଣିତ। ଅନୁଭବୀ ବାୟେସିଆନ୍ କ୍ରିଗିଂ-ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ (EBK-SVMR) ମଡେଲ୍ ସର୍ବୋତ୍ତମ ମଡେଲ୍ ଥିଲା, କମ RMSE (95.479 mg/kg) ଏବଂ MAE (77.368 mg/kg) ମୂଲ୍ୟ ଏବଂ ନିର୍ଣ୍ଣୟର ଉଚ୍ଚ ଗୁଣାଙ୍କ (R2 = 0.637) ସହିତ। EBK-SVMR ମଡେଲିଂ କୌଶଳ ଆଉଟପୁଟ୍ ଏକ ସ୍ୱୟଂ-ସଂଗଠିତ ମାନଚିତ୍ର ବ୍ୟବହାର କରି ଦୃଶ୍ୟମାନ ହୋଇଛି। ହାଇବ୍ରିଡ୍ ମଡେଲ୍ CakMg-EBK-SVMR ଉପାଦାନର ସମତଳରେ କ୍ଲଷ୍ଟର୍ଡ ନ୍ୟୁରନ୍ ଏକାଧିକ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ଦେଖାଏ ଯାହା ସହରାଞ୍ଚଳ ଏବଂ ଉପରି-ସହରୀ ମାଟିରେ Ni ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରେ। ଫଳାଫଳଗୁଡିକ ଦର୍ଶାଏ ଯେ EBK ଏବଂ SVMR ମିଶ୍ରଣ ସହରାଞ୍ଚଳ ଏବଂ ଉପରି-ସହରୀ ମାଟିରେ Ni ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ କୌଶଳ।
ନିକେଲ୍ (Ni) ଉଦ୍ଭିଦ ପାଇଁ ଏକ ସୂକ୍ଷ୍ମ ପୋଷକ ତତ୍ତ୍ୱ ଭାବରେ ବିବେଚନା କରାଯାଏ କାରଣ ଏହା ବାୟୁମଣ୍ଡଳୀୟ ନାଇଟ୍ରୋଜେନ୍ ସ୍ଥିରୀକରଣ (N) ଏବଂ ୟୁରିଆ ବିପାକ ପ୍ରକ୍ରିୟାରେ ଯୋଗଦାନ କରେ, ଯାହା ଉଭୟ ବିହନ ଅଙ୍କୁରିତ ପାଇଁ ଆବଶ୍ୟକ। ବିହନ ଅଙ୍କୁରିତ ହେବା ସହିତ, ନି ଏକ କବକ ଏବଂ ଜୀବାଣୁ ନିରୋଧକ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରେ ଏବଂ ଉଦ୍ଭିଦ ବିକାଶକୁ ପ୍ରୋତ୍ସାହିତ କରିପାରେ। ମାଟିରେ ନିକେଲର ଅଭାବ ଉଦ୍ଭିଦକୁ ଏହାକୁ ଶୋଷଣ କରିବାକୁ ଅନୁମତି ଦିଏ, ଯାହା ଫଳରେ ପତ୍ରର କ୍ଲୋରୋସିସ୍ ହୁଏ। ଉଦାହରଣ ସ୍ୱରୂପ, କାଉପିସ୍ ଏବଂ ସବୁଜ ବିନ୍ସ ନାଇଟ୍ରୋଜେନ୍ ସ୍ଥିରୀକରଣକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ନିକେଲ-ଆଧାରିତ ସାର ପ୍ରୟୋଗ ଆବଶ୍ୟକ କରେ। ମାଟିକୁ ସମୃଦ୍ଧ କରିବା ଏବଂ ମାଟିରେ ନାଇଟ୍ରୋଜେନ୍ ସ୍ଥିର କରିବା ପାଇଁ ଡାଲିଗୁଡ଼ିକର କ୍ଷମତା ବୃଦ୍ଧି କରିବା ପାଇଁ ନିକେଲ-ଆଧାରିତ ସାରର ନିରନ୍ତର ପ୍ରୟୋଗ ମାଟିରେ ନିକେଲ ସାନ୍ଦ୍ରତାକୁ ନିରନ୍ତର ବୃଦ୍ଧି କରେ। ଯଦିଓ ନିକେଲ ଉଦ୍ଭିଦ ପାଇଁ ଏକ ସୂକ୍ଷ୍ମ ପୋଷକ ତତ୍ତ୍ୱ, ମାଟିରେ ଏହାର ଅତ୍ୟଧିକ ଗ୍ରହଣ ଭଲ ଅପେକ୍ଷା ଅଧିକ କ୍ଷତି କରିପାରେ। ମାଟିରେ ନିକେଲର ବିଷାକ୍ତତା ମାଟିର pHକୁ କମ କରେ ଏବଂ ଉଦ୍ଭିଦ ବୃଦ୍ଧି ପାଇଁ ଏକ ଅତ୍ୟାବଶ୍ୟକ ପୋଷକ ତତ୍ତ୍ୱ ଭାବରେ ଲୁହା ଗ୍ରହଣକୁ ବାଧା ଦିଏ। ଲିଉ3 ଅନୁସାରେ, ନି ଉଦ୍ଭିଦ ବିକାଶ ଏବଂ ବୃଦ୍ଧି ପାଇଁ ଆବଶ୍ୟକ 17ତମ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ଭାବରେ ଜଣାପଡ଼ିଛି। ଉଦ୍ଭିଦ ବିକାଶ ଏବଂ ବୃଦ୍ଧିରେ ନିକେଲର ଭୂମିକା ବ୍ୟତୀତ, ମଣିଷକୁ ବିଭିନ୍ନ ପ୍ରକାରର ପ୍ରୟୋଗ ପାଇଁ ଏହାର ଆବଶ୍ୟକତା ଅଛି। ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟିଂ, ନିକେଲ-ଆଧାରିତ ମିଶ୍ରଧାତୁର ଉତ୍ପାଦନ, ଏବଂ ଅଟୋମୋଟିଭ୍ ଶିଳ୍ପରେ ଇଗ୍ନିସନ୍ ଡିଭାଇସ୍ ଏବଂ ସ୍ପାର୍କ ପ୍ଲଗ୍ ନିର୍ମାଣ ପାଇଁ ବିଭିନ୍ନ ଶିଳ୍ପ କ୍ଷେତ୍ରରେ ନିକେଲର ବ୍ୟବହାର ଆବଶ୍ୟକ। ଏହା ବ୍ୟତୀତ, ନିକେଲ-ଆଧାରିତ ମିଶ୍ରଧାତୁ ଏବଂ ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟେଡ୍ ଜିନିଷଗୁଡ଼ିକ ରୋଷେଇ ଘର, ବଲରୁମ୍ ଆସେସୋରିଜ୍, ଖାଦ୍ୟ ଶିଳ୍ପ ଯୋଗାଣ, ବୈଦ୍ୟୁତିକ, ତାର ଏବଂ କେବୁଲ୍, ଜେଟ୍ ଟରବାଇନ୍, ସର୍ଜିକାଲ୍ ଇମ୍ପ୍ଲାଣ୍ଟ, ବୟନଶିଳ୍ପ ଏବଂ ଜାହାଜ ନିର୍ମାଣରେ ବ୍ୟାପକ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଛି। ମାଟିରେ Ni-ସମୃଦ୍ଧ ସ୍ତର (ଅର୍ଥାତ୍, ପୃଷ୍ଠ ମାଟି) ଉଭୟ ମାନବଜାତ ଏବଂ ପ୍ରାକୃତିକ ଉତ୍ସକୁ ଦାୟୀ କରାଯାଇଛି, କିନ୍ତୁ ମୁଖ୍ୟତଃ, Ni ମାନବଜାତ ନୁହେଁ ବରଂ ଏକ ପ୍ରାକୃତିକ ଉତ୍ସ। ନିକେଲର ପ୍ରାକୃତିକ ଉତ୍ସଗୁଡ଼ିକ ମଧ୍ୟରେ ଜ୍ୱାଳାମୁଖୀ ଉଦ୍ଗିରଣ, ଉଦ୍ଭିଦ, ଜଙ୍ଗଲ ନିଆଁ ଏବଂ ଭୂତାତ୍ତ୍ୱିକ ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ; ତଥାପି, ମାନବଜାତ ଉତ୍ସଗୁଡ଼ିକ ମଧ୍ୟରେ ଇସ୍ପାତ ଶିଳ୍ପରେ ନିକେଲ/କାଡମିୟମ୍ ବ୍ୟାଟେରୀ, ବିଦ୍ୟୁତ୍ ପ୍ଲେଟିଂ, ଆର୍କ ୱେଲଡିଂ, ଡିଜେଲ୍ ଏବଂ ଇନ୍ଧନ ତେଲ, ଏବଂ କୋଇଲା ଦହନ ଏବଂ ଅପଚୟ ଏବଂ କାଦୁଅ ପୋଡ଼ିବା ନିକେଲ୍ ସଂଗ୍ରହରୁ ବାୟୁମଣ୍ଡଳୀୟ ନିର୍ଗମନ ଅନ୍ତର୍ଭୁକ୍ତ। ଫ୍ରିଡମ୍ୟାନ୍ ଏବଂ ହଚିନସନ 9 ଏବଂ ମାନ୍ୟିୱା ଏଟ୍ ଅଲ୍ ଅନୁଯାୟୀ। ୧୦, ନିକଟ ଏବଂ ନିକଟବର୍ତ୍ତୀ ପରିବେଶରେ ଉପର ମାଟି ପ୍ରଦୂଷଣର ମୁଖ୍ୟ ଉତ୍ସ ହେଉଛି ମୁଖ୍ୟତଃ ନିକେଲ-ତମ୍ବା-ଆଧାରିତ ସ୍ମେଲ୍ଟର ଏବଂ ଖଣି। କାନାଡାର ସଡବରୀ ନିକେଲ-ତମ୍ବା ରିଫାଇନାରୀ ଚାରିପାଖରେ ଉପର ମାଟିରେ ସର୍ବାଧିକ ନିକେଲ ପ୍ରଦୂଷଣ ସ୍ତର ୨୬,୦୦୦ ମିଗ୍ରା/କିଲୋଗ୍ରାମ ଥିଲା। ବିପରୀତରେ, ରୁଷରେ ନିକେଲ ଉତ୍ପାଦନରୁ ପ୍ରଦୂଷଣ ନରୱେଜିଆନ ମାଟିରେ ଅଧିକ ନିକେଲ ସାନ୍ଦ୍ରତା ସୃଷ୍ଟି କରିଛି। ଆଲମ୍ସ ଏଟ୍ ଅଲ୍ ଅନୁଯାୟୀ। ୧୨, ଏହି ଅଞ୍ଚଳର ସର୍ବୋଚ୍ଚ ଚାଷ ଜମିରେ (ରୁଷରେ ନିକେଲ ଉତ୍ପାଦନ) HNO3-ନିଷ୍କାସନଯୋଗ୍ୟ ନିକେଲର ପରିମାଣ ୬.୨୫ ରୁ ୧୩୬.୮୮ ମିଗ୍ରା/କିଲୋଗ୍ରାମ ପର୍ଯ୍ୟନ୍ତ ଥିଲା, ଯାହାର ହାରାହାରି ୩୦.୪୩ ମିଗ୍ରା/କିଲୋଗ୍ରାମ ଏବଂ ମୂଳ ସାନ୍ଦ୍ରତା ୨୫ ମିଗ୍ରା/କିଲୋଗ୍ରାମ। କାବାଟା ୧୧ ଅନୁଯାୟୀ, କ୍ରମାଗତ ଫସଲ ଋତୁରେ ସହରାଞ୍ଚଳ କିମ୍ବା ପେରି-ସହରାଞ୍ଚଳ ମାଟିରେ କୃଷି ମାଟିରେ ଫସଫରସ୍ ସାର ପ୍ରୟୋଗ ମାଟିକୁ ପ୍ରଦୂଷିତ କିମ୍ବା ଦୂଷିତ କରିପାରେ। ମଣିଷଠାରେ ନିକେଲର ସମ୍ଭାବ୍ୟ ପ୍ରଭାବ ମ୍ୟୁଟାଜେନେସିସ୍, କ୍ରୋମୋସୋମାଲ କ୍ଷତି, Z-DNA ଜେନେରେସନ୍, ଅବରୋଧିତ DNA ଏକ୍ସିସନ୍ ମରାମତି, କିମ୍ବା ଏପିଜେନେଟିକ୍ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକ ମାଧ୍ୟମରେ କର୍କଟ ରୋଗ ସୃଷ୍ଟି କରିପାରେ। ପ୍ରାଣୀ ପରୀକ୍ଷଣରେ, ନିକେଲରେ ବିଭିନ୍ନ ପ୍ରକାରର ଟ୍ୟୁମର ସୃଷ୍ଟି କରିବାର ସମ୍ଭାବନା ଥିବା ଜଣାପଡିଛି, ଏବଂ କର୍କଟ ରୋଗ ସୃଷ୍ଟିକାରୀ ନିକେଲ ଜଟିଳ ଏପରି ଟ୍ୟୁମରକୁ ଆହୁରି ତୀବ୍ର କରିପାରେ।
ମୃତ୍ତିକା-ଉଦ୍ଭିଦ ସମ୍ପର୍କ, ମୃତ୍ତିକା ଏବଂ ମୃତ୍ତିକା ଜୈବିକ ସମ୍ପର୍କ, ପରିବେଶଗତ ଅବକ୍ଷୟ ଏବଂ ପରିବେଶଗତ ପ୍ରଭାବ ମୂଲ୍ୟାଙ୍କନରୁ ସୃଷ୍ଟି ହେଉଥିବା ସ୍ୱାସ୍ଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ସମସ୍ୟାର ଏକ ବିସ୍ତୃତ ପରିସର ଯୋଗୁଁ ମୃତ୍ତିକା ପ୍ରଦୂଷଣ ମୂଲ୍ୟାଙ୍କନ ସାମ୍ପ୍ରତିକ ସମୟରେ ବୃଦ୍ଧି ପାଇଛି। ଆଜି ପର୍ଯ୍ୟନ୍ତ, ପାରମ୍ପରିକ ପଦ୍ଧତି ବ୍ୟବହାର କରି ମୃତ୍ତିକାରେ Ni ଭଳି ସମ୍ଭାବ୍ୟ ବିଷାକ୍ତ ଉପାଦାନ (PTEs) ର ସ୍ଥାନିକ ପୂର୍ବାନୁମାନ ଶ୍ରମଜନକ ଏବଂ ସମୟସାପେକ୍ଷ ହୋଇଛି। ଡିଜିଟାଲ ମୃତ୍ତିକା ମ୍ୟାପିଂ (DSM) ର ଆଗମନ ଏବଂ ଏହାର ବର୍ତ୍ତମାନର ସଫଳତା15 ପୂର୍ବାନୁମାନିକ ମୃତ୍ତିକା ମ୍ୟାପିଂ (PSM) କୁ ବହୁତ ଉନ୍ନତ କରିଛି। ମିନାସ୍ନି ଏବଂ ମ୍ୟାକବ୍ରାଟନି16 ଅନୁସାରେ, ଭବିଷ୍ୟବାଣୀମୂଳକ ମୃତ୍ତିକା ମ୍ୟାପିଂ (DSM) ମୃତ୍ତିକା ବିଜ୍ଞାନର ଏକ ପ୍ରମୁଖ ଉପ-ଶାଖା ଭାବରେ ପ୍ରମାଣିତ ହୋଇଛି। ଲାଗାଚେରି ଏବଂ ମ୍ୟାକବ୍ରାଟନି, 2006 DSM କୁ "ସ୍ଥାନୀୟ ଏବଂ ପରୀକ୍ଷାଗାର ପର୍ଯ୍ୟବେକ୍ଷଣ ପଦ୍ଧତି ଏବଂ ସ୍ଥାନିକ ଏବଂ ଅଣ-ସ୍ଥାନିକ ମୃତ୍ତିକା ଅନୁମାନ ପ୍ରଣାଳୀ ବ୍ୟବହାର ମାଧ୍ୟମରେ ସ୍ଥାନିକ ମୃତ୍ତିକା ସୂଚନା ପ୍ରଣାଳୀର ସୃଷ୍ଟି ଏବଂ ପୂରଣ" ଭାବରେ ପରିଭାଷିତ କରନ୍ତି। ମ୍ୟାକବ୍ରାଟନି ଏବଂ ଅନ୍ୟମାନେ। ୧୭ ରେଖାଙ୍କିତ କରେ ଯେ ସମସାମୟିକ DSM କିମ୍ବା PSM ହେଉଛି PTE, ମାଟିର ପ୍ରକାର ଏବଂ ମାଟିର ଗୁଣଧର୍ମର ସ୍ଥାନିକ ବଣ୍ଟନର ପୂର୍ବାନୁମାନ କିମ୍ବା ମ୍ୟାପିଂ ପାଇଁ ସବୁଠାରୁ ପ୍ରଭାବଶାଳୀ କୌଶଳ। ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ସ ଏବଂ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ (MLA) ହେଉଛି DSM ମଡେଲିଂ କୌଶଳ ଯାହା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ସର୍ବନିମ୍ନ ତଥ୍ୟ ବ୍ୟବହାର କରି କମ୍ପ୍ୟୁଟର ସାହାଯ୍ୟରେ ଡିଜିଟାଇଜଡ୍ ମାନଚିତ୍ର ସୃଷ୍ଟି କରେ।
Deutsch18 ଏବଂ Olea19 ଭୂ-ସଂଖ୍ୟା ବିଜ୍ଞାନକୁ "ସ୍ଥାନୀୟ ଗୁଣଗୁଡ଼ିକର ପ୍ରତିନିଧିତ୍ୱ ସହିତ ଜଡିତ ସାଂଖ୍ୟିକ କୌଶଳର ସଂଗ୍ରହ, ମୁଖ୍ୟତଃ ଷ୍ଟୋକାଷ୍ଟିକ୍ ମଡେଲଗୁଡ଼ିକୁ ନିୟୋଜିତ କରି ପରିଭାଷିତ କରନ୍ତି, ଯେପରିକି ସମୟ ଶୃଙ୍ଖଳା ବିଶ୍ଳେଷଣ କିପରି ସମୟଗତ ତଥ୍ୟକୁ ବର୍ଣ୍ଣିତ କରେ।" ମୁଖ୍ୟତଃ, ଭୂ-ସଂଖ୍ୟା ବିଜ୍ଞାନରେ ଭାରିଓଗ୍ରାମଗୁଡ଼ିକର ମୂଲ୍ୟାଙ୍କନ ଅନ୍ତର୍ଭୁକ୍ତ, ଯାହା ପ୍ରତ୍ୟେକ ଡାଟାସେଟ୍ ରୁ ସ୍ଥାନିୟ ମୂଲ୍ୟଗୁଡ଼ିକର ନିର୍ଭରତାକୁ ପରିମାଣ ଏବଂ ପରିଭାଷିତ କରିବାକୁ ଅନୁମତି ଦିଏ20।Gumiaux et al. 20 ଆହୁରି ଦର୍ଶାଏ ଯେ ଭୂ-ସଂଖ୍ୟା ବିଜ୍ଞାନରେ ଭାରିଓଗ୍ରାମର ମୂଲ୍ୟାଙ୍କନ ତିନୋଟି ନୀତି ଉପରେ ଆଧାରିତ, ଯେଉଁଥିରେ (a) ତଥ୍ୟ ସମ୍ପର୍କର ସ୍କେଲ ଗଣନା, (b) ଡାଟାସେଟ ଅସମାନତାରେ ଆନିସୋଟ୍ରୋପି ଚିହ୍ନଟ ଏବଂ ଗଣନା ଏବଂ (c) ସ୍ଥାନୀୟ ପ୍ରଭାବରୁ ପୃଥକ ମାପ ତଥ୍ୟର ଅନ୍ତର୍ନିହିତ ତ୍ରୁଟିକୁ ବିଚାରକୁ ନେବା ସହିତ, କ୍ଷେତ୍ର ପ୍ରଭାବ ମଧ୍ୟ ଆକଳନ କରାଯାଏ। ଏହି ଧାରଣା ଉପରେ ନିର୍ମାଣ କରି, ଭୂ-ସଂଖ୍ୟା ବିଜ୍ଞାନରେ ଅନେକ ଇଣ୍ଟରପୋଲେସନ୍ କୌଶଳ ବ୍ୟବହାର କରାଯାଏ, ଯେଉଁଥିରେ ସାଧାରଣ କ୍ରିଗିଂ, ସହ-କ୍ରିଗିଂ, ସାଧାରଣ କ୍ରିଗିଂ, ଅଭିଜ୍ଞ ବାୟେସିଆନ୍ କ୍ରିଗିଂ, ସରଳ କ୍ରିଗିଂ ପଦ୍ଧତି ଏବଂ PTE, ମୃତ୍ତିକା ବୈଶିଷ୍ଟ୍ୟ ଏବଂ ମୃତ୍ତିକା ପ୍ରକାର ମାନଚିତ୍ର କିମ୍ବା ପୂର୍ବାନୁମାନ କରିବା ଅନ୍ତର୍ଭୁକ୍ତ।
ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ (MLA) ଏକ ତୁଳନାତ୍ମକ ନୂତନ କୌଶଳ ଯାହା ବୃହତ୍ତର ଅଣ-ରୈଖିକ ତଥ୍ୟ ଶ୍ରେଣୀଗୁଡ଼ିକୁ ନିଯୁକ୍ତ କରେ, ଯାହା ମୁଖ୍ୟତଃ ଡାଟା ମାଇନିଂ ପାଇଁ ବ୍ୟବହୃତ ଆଲଗୋରିଦମ ଦ୍ୱାରା ପ୍ରବାହିତ ହୁଏ, ଡାଟାରେ ପ୍ୟାଟର୍ଣ୍ଣ ଚିହ୍ନଟ କରେ, ଏବଂ ମାଟି ବିଜ୍ଞାନ ଏବଂ ରିଟର୍ଣ୍ଣ କାର୍ଯ୍ୟ ଭଳି ବୈଜ୍ଞାନିକ କ୍ଷେତ୍ରରେ ବର୍ଗୀକରଣରେ ବାରମ୍ବାର ପ୍ରୟୋଗ କରାଯାଏ। ମାଟିରେ PTE ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଅନେକ ଗବେଷଣା ପତ୍ର MLA ମଡେଲ ଉପରେ ନିର୍ଭର କରେ, ଯେପରିକି ଟାନ୍ ଏଟ୍ ଅଲ୍ 22 (କୃଷି ମାଟିରେ ଭାରୀ ଧାତୁ ଆକଳନ ପାଇଁ ଅନିୟମିତ ଜଙ୍ଗଲ), ସାକିଜାଦେହ ଏଟ୍ ଅଲ୍ 23 (ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ଏବଂ କୃତ୍ରିମ ସ୍ନାୟୁ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ମଡେଲିଂ) ମାଟି ପ୍ରଦୂଷଣ। ଏହା ସହିତ, Vega ଏଟ୍ ଅଲ୍ 24 (ମାଟିରେ ଭାରୀ ଧାତୁ ପ୍ରତିଧାରଣ ଏବଂ ଶୋଷଣ ମଡେଲିଂ ପାଇଁ CART) ସନ୍ ଏଟ୍ ଅଲ୍ 25 (କ୍ୟୁବିଷ୍ଟର ପ୍ରୟୋଗ ହେଉଛି ମାଟିରେ Cd ର ବଣ୍ଟନ) ଏବଂ ଅନ୍ୟାନ୍ୟ ଆଲଗୋରିଦମ ଯେପରିକି k-ନିକଟତମ ପଡ଼ୋଶୀ, ସାଧାରଣୀକୃତ ବୁଷ୍ଟଡ୍ ରିଗ୍ରେସନ୍, ଏବଂ ବୁଷ୍ଟଡ୍ ରିଗ୍ରେସନ୍ ଗଛ ମଧ୍ୟ ମାଟିରେ PTE ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ MLA ପ୍ରୟୋଗ କରିଥିଲେ।
ପୂର୍ବାନୁମାନ କିମ୍ବା ମ୍ୟାପିଂରେ DSM ଆଲଗୋରିଦମର ପ୍ରୟୋଗ ଅନେକ ଚ୍ୟାଲେଞ୍ଜର ସମ୍ମୁଖୀନ ହୁଏ। ଅନେକ ଲେଖକ ବିଶ୍ୱାସ କରନ୍ତି ଯେ MLA ଭୂ-ସଂଖ୍ୟାନ ବିଜ୍ଞାନ ଅପେକ୍ଷା ଉତ୍କୃଷ୍ଟ ଏବଂ ବିପରୀତ। ଯଦିଓ ଗୋଟିଏ ଅନ୍ୟ ଅପେକ୍ଷା ଉତ୍ତମ, ଦୁଇଟିର ମିଶ୍ରଣ DSM15 ରେ ମ୍ୟାପିଂ କିମ୍ବା ପୂର୍ବାନୁମାନର ସଠିକତା ସ୍ତରକୁ ଉନ୍ନତ କରେ। Woodcock ଏବଂ Gopal26 Finke27; Pontius ଏବଂ Cheuk28 ଏବଂ Grunwald29 ପୂର୍ବାନୁମାନିତ ମୃତ୍ତିକା ମ୍ୟାପିଂରେ ଅଭାବ ଏବଂ କିଛି ତ୍ରୁଟି ଉପରେ ମନ୍ତବ୍ୟ ଦିଅନ୍ତି। ମୃତ୍ତିକା ବୈଜ୍ଞାନିକମାନେ DSM ମ୍ୟାପିଂ ଏବଂ ପୂର୍ବାନୁମାନର ପ୍ରଭାବଶାଳୀତା, ସଠିକତା ଏବଂ ପୂର୍ବାନୁମାନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ବିଭିନ୍ନ କୌଶଳ ଚେଷ୍ଟା କରିଛନ୍ତି। ଅନିଶ୍ଚିତତା ଏବଂ ଯାଞ୍ଚର ମିଶ୍ରଣ ପ୍ରଭାବଶାଳୀତାକୁ ଉନ୍ନତ କରିବା ଏବଂ ତ୍ରୁଟି ହ୍ରାସ କରିବା ପାଇଁ DSM ରେ ସମନ୍ୱିତ ଅନେକ ଭିନ୍ନ ଦିଗ ମଧ୍ୟରୁ ଗୋଟିଏ। ତଥାପି, Agyeman ଏବଂ ଅନ୍ୟମାନେ ରୂପରେଖା ଦେଇଛନ୍ତି ଯେ ମାନଚିତ୍ର ସୃଷ୍ଟି ଏବଂ ପୂର୍ବାନୁମାନ ଦ୍ୱାରା ପ୍ରଚଳିତ ବୈଧତା ଆଚରଣ ଏବଂ ଅନିଶ୍ଚିତତାକୁ ମାନଚିତ୍ର ଗୁଣବତ୍ତା ଉନ୍ନତ କରିବା ପାଇଁ ସ୍ୱାଧୀନ ଭାବରେ ବୈଧ କରାଯିବା ଉଚିତ। DSM ର ସୀମା ଭୌଗୋଳିକ ଭାବରେ ବିସ୍ତାରିତ ମୃତ୍ତିକା ଗୁଣବତ୍ତା ଯୋଗୁଁ, ଯାହା ଅନିଶ୍ଚିତତାର ଏକ ଉପାଦାନ ଅନ୍ତର୍ଭୁକ୍ତ; ତଥାପି, DSM ରେ ନିଶ୍ଚିତତାର ଅଭାବ ତ୍ରୁଟିର ବହୁବିଧ ଉତ୍ସରୁ ସୃଷ୍ଟି ହୋଇପାରେ, ଯଥା କୋଭାରିଏଟ୍ ତ୍ରୁଟି, ମଡେଲ୍ ତ୍ରୁଟି, ସ୍ଥାନ ତ୍ରୁଟି, ଏବଂ ବିଶ୍ଳେଷଣାତ୍ମକ ତ୍ରୁଟି 31। MLA ଏବଂ ଭୂ-ସାଂଖ୍ୟିକ ପ୍ରକ୍ରିୟାଗୁଡ଼ିକରେ ପ୍ରେରିତ ମଡେଲିଂ ତ୍ରୁଟିଗୁଡ଼ିକ ବୁଝାମଣାର ଅଭାବ ସହିତ ଜଡିତ, ଶେଷରେ ପ୍ରକୃତ ପ୍ରକ୍ରିୟାର ଅତ୍ୟଧିକ ସରଳୀକରଣକୁ ନେଇଯାଏ32। ମଡେଲିଂର ପ୍ରକୃତି ନିର୍ବିଶେଷରେ, ଭୁଲତାଗୁଡ଼ିକୁ ମଡେଲିଂ ପାରାମିଟର, ଗାଣିତିକ ମଡେଲ୍ ପୂର୍ବାନୁମାନ, କିମ୍ବା ଇଣ୍ଟରପୋଲେସନ୍33 ପାଇଁ ଦାୟୀ କରାଯାଇପାରିବ। ସମ୍ପ୍ରତି, ଏକ ନୂତନ DSM ଧାରା ଦେଖାଦେଇଛି ଯାହା ମ୍ୟାପିଂ ଏବଂ ପୂର୍ବାନୁମାନରେ ଭୂ-ସାଂଖ୍ୟିକ ଏବଂ MLA ର ସମନ୍ୱୟକୁ ପ୍ରୋତ୍ସାହିତ କରେ। ଅନେକ ମୃତ୍ତିକା ବୈଜ୍ଞାନିକ ଏବଂ ଲେଖକ, ଯେପରିକି ସର୍ଗିଭ ଏଟ୍ ଅଲ୍ 34; ସବୋଟିନା ଏଟ୍ ଅଲ୍ 35; ତାରାସୋଭ୍ ଏଟ୍ ଅଲ୍ 36 ଏବଂ ତାରାସୋଭ୍ ଏଟ୍ ଅଲ୍ 37 ପୂର୍ବାନୁମାନ ଏବଂ ମ୍ୟାପିଂର ଦକ୍ଷତାକୁ ଉନ୍ନତ କରୁଥିବା ହାଇବ୍ରିଡ୍ ମଡେଲ ସୃଷ୍ଟି କରିବା ପାଇଁ ଭୂ-ସାଂଖ୍ୟିକ ଏବଂ ମେସିନ୍ ଶିକ୍ଷଣର ସଠିକ ଗୁଣବତ୍ତା ବ୍ୟବହାର କରିଛନ୍ତି। ଗୁଣବତ୍ତା। ଏହି ହାଇବ୍ରିଡ୍ କିମ୍ବା ମିଶ୍ରିତ ଆଲଗୋରିଦମ୍ ମଡେଲ୍ ମଧ୍ୟରୁ କିଛି ହେଉଛି କୃତ୍ରିମ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ କ୍ରିଗିଂ (ANN-RK), ମଲ୍ଟିଲେୟର୍ ପର୍ସେପ୍ଟ୍ରନ୍ ରେସିଡୁଆଲ୍ କ୍ରିଗିଂ (MLP-RK), ଜେନେରାଲାଇଜ୍ଡ ରିଗ୍ରେସନ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ରେସିଡୁଆଲ୍ କ୍ରିଗିଂ (GR- NNRK)36, କୃତ୍ରିମ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ କ୍ରିଗିଂ-ମଲ୍ଟିଲେୟର୍ ପର୍ସେପ୍ଟ୍ରନ୍ (ANN-K-MLP)37 ଏବଂ କୋ-କ୍ରିଗିଂ ଏବଂ ଗାଉସିଆନ୍ ପ୍ରକ୍ରିୟା ରିଗ୍ରେସନ୍38।
ସର୍ଗିଭ ଏବଂ ଅନ୍ୟାନ୍ୟଙ୍କ ଅନୁସାରେ, ବିଭିନ୍ନ ମଡେଲିଂ କୌଶଳକୁ ମିଶ୍ରଣ କରିବା ଦ୍ଵାରା ତ୍ରୁଟି ଦୂର କରିବାର ଏବଂ ଏହାର ଏକକ ମଡେଲ ବିକଶିତ କରିବା ପରିବର୍ତ୍ତେ ଫଳାଫଳପ୍ରାପ୍ତ ହାଇବ୍ରିଡ୍ ମଡେଲର ଦକ୍ଷତା ବୃଦ୍ଧି କରିବାର ସମ୍ଭାବନା ରହିଛି। ଏହି ପରିପ୍ରେକ୍ଷୀରେ, ଏହି ନୂତନ ପତ୍ର ଯୁକ୍ତି କରେ ଯେ ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ଅଞ୍ଚଳରେ Ni ସମୃଦ୍ଧିର ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ହାଇବ୍ରିଡ୍ ମଡେଲ ସୃଷ୍ଟି କରିବା ପାଇଁ ଭୂ-ସଂଖ୍ୟାନ ଏବଂ MLA ର ଏକ ମିଳିତ ଆଲଗୋରିଦମ ପ୍ରୟୋଗ କରିବା ଆବଶ୍ୟକ। ଏହି ଅଧ୍ୟୟନ ମୂଳ ମଡେଲ ଭାବରେ ଅନୁଭବୀ ବାୟେସିଆନ୍ କ୍ରିଗିଂ (EBK) ଉପରେ ନିର୍ଭର କରିବ ଏବଂ ଏହାକୁ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (SVM) ଏବଂ ମଲ୍ଟିପଲ୍ ଲିନିୟର ରିଗ୍ରେସନ୍ (MLR) ମଡେଲ ସହିତ ମିଶ୍ରଣ କରିବ। କୌଣସି MLA ସହିତ EBK ର ହାଇବ୍ରିଡାଇଜେସନ୍ ଜଣାନାହିଁ। ଦେଖାଯାଉଥିବା ବହୁ ମିଶ୍ରିତ ମଡେଲଗୁଡ଼ିକ ସାଧାରଣ, ଅବଶିଷ୍ଟ, ରିଗ୍ରେସନ୍ କ୍ରିଗିଂ ଏବଂ MLA ର ମିଶ୍ରଣ। EBK ହେଉଛି ଏକ ଭୂ-ସଂଖ୍ୟାନ ଇଣ୍ଟରପୋଲେସନ୍ ପଦ୍ଧତି ଯାହା ଏକ ସ୍ଥାନିକ ଷ୍ଟୋକାଷ୍ଟିକ୍ ପ୍ରକ୍ରିୟା ବ୍ୟବହାର କରେ ଯାହା କ୍ଷେତ୍ର ଉପରେ ପରିଭାଷିତ ସ୍ଥାନୀୟକରଣ ପାରାମିଟର ସହିତ ଏକ ଅଣ-ସ୍ଥିର/ସ୍ଥିର ରାଣ୍ଡମ୍ କ୍ଷେତ୍ର ଭାବରେ ସ୍ଥାନୀୟକୃତ ହୋଇଥାଏ, ସ୍ଥାନିକ ପରିବର୍ତ୍ତନ ପାଇଁ ଅନୁମତି ଦିଏ39। EBK କୁ ବିଭିନ୍ନ ଅଧ୍ୟୟନରେ ବ୍ୟବହାର କରାଯାଇଛି, ଯେଉଁଥିରେ କୃଷି ମାଟିରେ ଜୈବ କାର୍ବନର ବଣ୍ଟନ ବିଶ୍ଳେଷଣ, ମାଟି ମୂଲ୍ୟାଙ୍କନ ଅନ୍ତର୍ଭୁକ୍ତ। ପ୍ରଦୂଷଣ41 ଏବଂ ମୃତ୍ତିକାର ଗୁଣଗୁଡ଼ିକର ମ୍ୟାପିଂ42।
ଅନ୍ୟପକ୍ଷରେ, ସ୍ୱୟଂ-ସଂଗଠିତ ଗ୍ରାଫ୍ (SeOM) ଏକ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଯାହା ବିଭିନ୍ନ ପ୍ରବନ୍ଧରେ ପ୍ରୟୋଗ କରାଯାଇଛି ଯେପରିକି ଲି ଏଟ୍ ଅଲ୍ 43, ୱାଙ୍ଗ ଏଟ୍ ଅଲ୍ 44, ହୋସେନ ଭୂୟାଁ ଏଟ୍ ଅଲ୍ 45 ଏବଂ କେବୋନେ ଏଟ୍ ଅଲ୍ 46 ଉପାଦାନଗୁଡ଼ିକର ସ୍ଥାନିକ ଗୁଣ ଏବଂ ଗୋଷ୍ଠୀକରଣ ନିର୍ଣ୍ଣୟ କରନ୍ତୁ। ୱାଙ୍ଗ ଏଟ୍ ଅଲ୍ 44 ରୂପରେଖା ଦେଇଛନ୍ତି ଯେ SeOM ଏକ ଶକ୍ତିଶାଳୀ ଶିକ୍ଷଣ କୌଶଳ ଯାହା ଅଣ-ରୈଖିକ ସମସ୍ୟାଗୁଡ଼ିକୁ ଗୋଷ୍ଠୀବଦ୍ଧ ଏବଂ କଳ୍ପନା କରିବାର କ୍ଷମତା ପାଇଁ ଜଣାଶୁଣା। ମୁଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ, ଫଜି କ୍ଲଷ୍ଟରିଂ, ହାରିକାଲ୍ କ୍ଲଷ୍ଟରିଂ, ଏବଂ ବହୁ-ମାନଦଣ୍ଡ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ଭଳି ଅନ୍ୟାନ୍ୟ ପ୍ୟାଟର୍ନ ଚିହ୍ନଟ କୌଶଳ ପରି ନୁହେଁ, SeOM PTE ପ୍ୟାଟର୍ନଗୁଡ଼ିକୁ ସଂଗଠିତ ଏବଂ ଚିହ୍ନଟ କରିବାରେ ଭଲ। ୱାଙ୍ଗ ଏଟ୍ ଅଲ୍ 44 ଅନୁସାରେ, SeOM ସମ୍ବନ୍ଧିତ ନ୍ୟୁରନ୍ଗୁଡ଼ିକର ବଣ୍ଟନକୁ ସ୍ଥାନିକ ଭାବରେ ଗୋଷ୍ଠୀବଦ୍ଧ କରିପାରିବ ଏବଂ ଉଚ୍ଚ-ରିଜୋଲ୍ୟୁସନ୍ ଡାଟା ଭିଜୁଆଲାଇଜେସନ୍ ପ୍ରଦାନ କରିପାରିବ। ପ୍ରତ୍ୟକ୍ଷ ବ୍ୟାଖ୍ୟା ପାଇଁ ଫଳାଫଳଗୁଡ଼ିକୁ ବର୍ଣ୍ଣିତ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ମଡେଲ୍ ପାଇବା ପାଇଁ SeOM Ni ପୂର୍ବାନୁମାନ ଡାଟା ଭିଜୁଆଲାଇଜ୍ କରିବ।
ଏହି ପତ୍ରଟି ସହରାଞ୍ଚଳ ଏବଂ ଉପ-ସହରାଞ୍ଚଳ ମାଟିରେ ନିକେଲ ପରିମାଣର ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ସଠିକତା ସହିତ ଏକ ଦୃଢ଼ ମ୍ୟାପିଂ ମଡେଲ ସୃଷ୍ଟି କରିବାକୁ ଲକ୍ଷ୍ୟ ରଖିଛି। ଆମେ ଅନୁମାନ କରୁଛୁ ଯେ ମିଶ୍ରିତ ମଡେଲର ନିର୍ଭରଯୋଗ୍ୟତା ମୁଖ୍ୟତଃ ମୂଳ ମଡେଲ ସହିତ ସଂଲଗ୍ନ ଅନ୍ୟ ମଡେଲଗୁଡ଼ିକର ପ୍ରଭାବ ଉପରେ ନିର୍ଭର କରେ। ଆମେ DSM ସାମ୍ନା କରୁଥିବା ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକୁ ସ୍ୱୀକାର କରୁଛୁ, ଏବଂ ଯେତେବେଳେ ଏହି ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକୁ ବହୁ କ୍ଷେତ୍ରରେ ସମାଧାନ କରାଯାଉଛି, ଭୂ-ସଂଖ୍ୟାନ ଏବଂ MLA ମଡେଲରେ ଅଗ୍ରଗତି କ୍ରମବର୍ଦ୍ଧିଷ୍ଣୁ ମନେହୁଏ; ତେଣୁ, ଆମେ ଏପରି ଗବେଷଣା ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାକୁ ଚେଷ୍ଟା କରିବୁ ଯାହା ମିଶ୍ରିତ ମଡେଲ ପ୍ରଦାନ କରିପାରେ। ତଥାପି, ଲକ୍ଷ୍ୟ ଉପାଦାନର ପୂର୍ବାନୁମାନ କରିବାରେ ମଡେଲ କେତେ ସଠିକ? ଏହା ସହିତ, ବୈଧତା ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ଉପରେ ଆଧାରିତ ଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନର ସ୍ତର କ’ଣ? ତେଣୁ, ଏହି ଅଧ୍ୟୟନର ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟ ଥିଲା (a) EBK କୁ ମୂଳ ମଡେଲ ଭାବରେ ବ୍ୟବହାର କରି SVMR କିମ୍ବା MLR ପାଇଁ ଏକ ମିଳିତ ମିଶ୍ରଣ ମଡେଲ ସୃଷ୍ଟି କରିବା, (b) ଫଳାଫଳ ମଡେଲଗୁଡ଼ିକୁ ତୁଳନା କରିବା (c) ସହରାଞ୍ଚଳ କିମ୍ବା ଉପ-ସହରାଞ୍ଚଳ ମାଟିରେ Ni ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ମିଶ୍ରଣ ମଡେଲ ପ୍ରସ୍ତାବ କରିବା, ଏବଂ (d) ନିକେଲ ସ୍ଥାନିୟ ପରିବର୍ତ୍ତନର ଏକ ଉଚ୍ଚ-ସଂଶୋଧନ ମାନଚିତ୍ର ସୃଷ୍ଟି କରିବା ପାଇଁ SeOM ର ପ୍ରୟୋଗ।
ଏହି ଅଧ୍ୟୟନ ଚେକ୍ ଗଣରାଜ୍ୟରେ କରାଯାଉଛି, ବିଶେଷକରି ମୋରାଭିଆ-ସିଲେସିଆନ୍ ଅଞ୍ଚଳର ଫ୍ରାଏଡେକ୍ ମିଷ୍ଟେକ୍ ଜିଲ୍ଲାରେ (ଚିତ୍ର 1 ଦେଖନ୍ତୁ)। ଅଧ୍ୟୟନ କ୍ଷେତ୍ରର ଭୌଗୋଳିକ ସ୍ଥିତି ବହୁତ କଠିନ ଏବଂ ଏହା ମୁଖ୍ୟତଃ ମୋରାଭିଆ-ସିଲେସିଆନ୍ ବେସ୍କିଡି ଅଞ୍ଚଳର ଏକ ଅଂଶ, ଯାହା କାର୍ପାଥିଆନ୍ ପର୍ବତମାଳାର ବାହ୍ୟ ସୀମାର ଏକ ଅଂଶ। ଅଧ୍ୟୟନ କ୍ଷେତ୍ରଟି 49° 41′ 0′ ଉତ୍ତର ଏବଂ 18° 20′ 0′ ପୂର୍ବ ମଧ୍ୟରେ ଅବସ୍ଥିତ, ଏବଂ ଉଚ୍ଚତା 225 ରୁ 327 ମିଟର ମଧ୍ୟରେ ଅଛି; ତଥାପି, ଏହି ଅଞ୍ଚଳର ଜଳବାୟୁ ଅବସ୍ଥା ପାଇଁ କୋପେନ୍ ବର୍ଗୀକରଣ ପ୍ରଣାଳୀକୁ Cfb = ସମଶୀତୋଷ୍ଣ ସମୁଦ୍ର ଜଳବାୟୁ ଭାବରେ ମୂଲ୍ୟାଙ୍କିତ କରାଯାଇଛି, ଶୁଷ୍କ ମାସରେ ମଧ୍ୟ ବହୁତ ବର୍ଷା ହୁଏ। ସାରା ବର୍ଷ ତାପମାତ୍ରା -5 °C ଏବଂ 24 °C ମଧ୍ୟରେ ସାମାନ୍ୟ ପରିବର୍ତ୍ତନ ହୁଏ, କ୍ୱଚିତ୍ -14 °C ତଳେ କିମ୍ବା 30 °C ଉପରେ ପଡ଼େ, ଯେତେବେଳେ ହାରାହାରି ବାର୍ଷିକ ବୃଷ୍ଟିପାତ 685 ଏବଂ 752 mm ମଧ୍ୟରେ ଥାଏ। ସମଗ୍ର ଅଞ୍ଚଳର ଆନୁମାନିକ ସର୍ଭେ କ୍ଷେତ୍ର 1,208 ବର୍ଗ କିଲୋମିଟର, ଚାଷ ଜମିର 39.38% ଏବଂ ଜଙ୍ଗଲ ଆବରଣର 49.36%। ଅନ୍ୟପକ୍ଷରେ, ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ କ୍ଷେତ୍ର ପ୍ରାୟ 889.8 ବର୍ଗ କିଲୋମିଟର। ଓଷ୍ଟ୍ରାଭା ଏବଂ ଏହାର ଆଖପାଖରେ, ଇସ୍ପାତ ଶିଳ୍ପ ଏବଂ ଧାତୁ କାର୍ଯ୍ୟ ବହୁତ ସକ୍ରିୟ। ଧାତୁ ମିଲ୍, ଇସ୍ପାତ ଶିଳ୍ପ ଯେଉଁଠାରେ ନିକେଲକୁ ଷ୍ଟେନଲେସ୍ ଷ୍ଟିଲ୍ (ଯଥା ବାୟୁମଣ୍ଡଳୀୟ କ୍ଷୟ ପ୍ରତିରୋଧ ପାଇଁ) ଏବଂ ମିଥ୍ୟା ଇସ୍ପାତରେ ବ୍ୟବହାର କରାଯାଏ (ନିକେଲ ଏହାର ଭଲ ନମନୀୟତା ଏବଂ କଠିନତା ବଜାୟ ରଖି ମିଶ୍ରଧାତୁର ଶକ୍ତି ବୃଦ୍ଧି କରେ), ଏବଂ ଫସଫେଟ୍ ସାର ପ୍ରୟୋଗ ଏବଂ ପଶୁପାଳନ ଉତ୍ପାଦନ ଭଳି ଘନିଷ୍ଠ କୃଷି। ଏହି ଅଞ୍ଚଳରେ ନିକେଲର ସମ୍ଭାବ୍ୟ ଉତ୍ସଗୁଡ଼ିକର ଅନୁସନ୍ଧାନ କରନ୍ତୁ (ଯଥା, ମେଣ୍ଢା ଏବଂ କମ୍ ଖାଦ୍ୟ ଖାଉଥିବା ଗୋରୁମାନଙ୍କ ବୃଦ୍ଧି ହାର ବୃଦ୍ଧି କରିବା ପାଇଁ ମେଣ୍ଢାମାନଙ୍କରେ ନିକେଲ ଯୋଡିବା)। ଗବେଷଣା କ୍ଷେତ୍ରରେ ନିକେଲର ଅନ୍ୟାନ୍ୟ ଶିଳ୍ପ ବ୍ୟବହାରରେ ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟିଂରେ ଏହାର ବ୍ୟବହାର ଅନ୍ତର୍ଭୁକ୍ତ, ଯେଉଁଥିରେ ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟିଂ ନିକେଲ ଏବଂ ଇଲେକ୍ଟ୍ରୋଲେସ୍ ନିକେଲ ପ୍ଲେଟିଂ ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ। ମାଟିର ଗୁଣଗୁଡ଼ିକୁ ମାଟିର ରଙ୍ଗ, ଗଠନ ଏବଂ କାର୍ବୋନେଟ୍ ପରିମାଣରୁ ସହଜରେ ପୃଥକ କରାଯାଇପାରିବ। ମାଟିର ଗଠନ ମଧ୍ୟମରୁ ସୂକ୍ଷ୍ମ, ମୂଳ ସାମଗ୍ରୀରୁ ପ୍ରାପ୍ତ। ଏଗୁଡ଼ିକ କଲୁଭିୟାଲ୍, ପୋଡ଼ା କିମ୍ବା ଆକାଶ ପଥର ପ୍ରକୃତିର। କିଛି ମାଟି ଅଞ୍ଚଳ ପୃଷ୍ଠ ଏବଂ ଉପମାଟିରେ କଂକ୍ରିଟ୍ ଏବଂ ବ୍ଲିଚିଂ ସହିତ ଚିହ୍ନିତ ଦେଖାଯାଏ। ତଥାପି, ଏହି ଅଞ୍ଚଳରେ କାମ୍ବିସୋଲ୍ ଏବଂ ଷ୍ଟାଗ୍ନୋସୋଲ୍ ସବୁଠାରୁ ସାଧାରଣ ମାଟି ପ୍ରକାର 48। 455.1 ରୁ 493.5 ମିଟର ପର୍ଯ୍ୟନ୍ତ ଉଚ୍ଚତା ସହିତ, କାମ୍ବିସୋଲ୍ ଚେକ୍ ଗଣରାଜ୍ୟରେ ପ୍ରାଧାନ୍ୟ ବିସ୍ତାର କରେ 49।
ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ମାନଚିତ୍ର [ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ମାନଚିତ୍ରଟି ArcGIS ଡେସ୍କଟପ୍ (ESRI, Inc, ସଂସ୍କରଣ 10.7, URL: https://desktop.arcgis.com) ବ୍ୟବହାର କରି ସୃଷ୍ଟି କରାଯାଇଥିଲା।]
ଫ୍ରାଏଡେକ୍ ମିଷ୍ଟେକ୍ ଜିଲ୍ଲାର ସହରାଞ୍ଚଳ ଏବଂ ଉପରି-ସହରୀ ମାଟିରୁ ମୋଟ ୧୧୫ଟି ମାଟି ନମୁନା ସଂଗ୍ରହ କରାଯାଇଥିଲା। ବ୍ୟବହୃତ ନମୁନା ପ୍ୟାଟର୍ନ ଏକ ନିୟମିତ ଗ୍ରୀଡ୍ ଥିଲା ଯେଉଁଥିରେ ମାଟି ନମୁନା ୨ × ୨ କିମି ବ୍ୟବଧାନରେ ରଖାଯାଇଥିଲା ଏବଂ ଏକ ହାତ ଧରିଥିବା GPS ଡିଭାଇସ୍ (Leica Zeno 5 GPS) ବ୍ୟବହାର କରି ୦ ରୁ ୨୦ ସେମି ଗଭୀରତାରେ ମାଟି ମାପ କରାଯାଇଥିଲା। ନମୁନାଗୁଡ଼ିକୁ Ziploc ବ୍ୟାଗରେ ପ୍ୟାକେଜ୍ କରାଯାଏ, ସଠିକ୍ ଭାବରେ ଲେବଲ୍ କରାଯାଏ ଏବଂ ପରୀକ୍ଷାଗାରକୁ ପଠାଯାଏ। ନମୁନାଗୁଡ଼ିକୁ ବାୟୁରେ ଶୁଖାଇ ପଲ୍ଭରାଇଜ୍ଡ ନମୁନା ଉତ୍ପାଦନ କରାଯାଇଥିଲା, ଏକ ଯାନ୍ତ୍ରିକ ପ୍ରଣାଳୀ (Fritsch ଡିସ୍କ ମିଲ୍) ଦ୍ୱାରା ପଲ୍ଭରାଇଜ୍ଡ କରାଯାଇଥିଲା, ଏବଂ ଚାଲଣି (ଚାଲଣି ଆକାର ୨ ମିମି) କରାଯାଇଥିଲା। ସ୍ପଷ୍ଟ ଭାବରେ ଲେବଲ୍ ହୋଇଥିବା ଟେଫଲନ୍ ବୋତଲରେ ୧ ଗ୍ରାମ ଶୁଖିଲା, ସମଜାତ ଏବଂ ଚାଲଣି ମାଟି ନମୁନା ରଖନ୍ତୁ। ପ୍ରତ୍ୟେକ ଟେଫଲନ୍ ପାତ୍ରରେ, ୩୫% HCl ର ୭ ମିଲି ଏବଂ ୬୫% HNO3 ର ୩ ମିଲି (ଏକ ସ୍ୱୟଂଚାଳିତ ବିତରକ ବ୍ୟବହାର କରି - ପ୍ରତ୍ୟେକ ଏସିଡ୍ ପାଇଁ ଗୋଟିଏ), ହାଲୁକା ଭାବରେ ଘୋଡ଼ାଇ ଦିଅନ୍ତୁ ଏବଂ ପ୍ରତିକ୍ରିୟା ପାଇଁ ନମୁନାଗୁଡ଼ିକୁ ରାତିସାରା ଠିଆ ହେବାକୁ ଦିଅନ୍ତୁ (ଆକ୍ୱା ରେଜିଆ ପ୍ରୋଗ୍ରାମ୍)। ଏକ ଗରମ ଧାତୁ ଉପରେ ସୁପରନାଟାଣ୍ଟ ରଖନ୍ତୁ। ନମୁନାଗୁଡ଼ିକର ପାଚନ ପ୍ରକ୍ରିୟାକୁ ସହଜ କରିବା ପାଇଁ ପ୍ଲେଟ୍ (ତାପମାତ୍ରା: 100 W ଏବଂ 160 °C) 2 ଘଣ୍ଟା ପାଇଁ ରଖନ୍ତୁ, ତାପରେ ଥଣ୍ଡା କରନ୍ତୁ। ସୁପରନାଟାଣ୍ଟକୁ 50 ml ଭଲ୍ୟୁମେଟ୍ରିକ୍ ଫ୍ଲାସ୍କରେ ସ୍ଥାନାନ୍ତର କରନ୍ତୁ ଏବଂ 50 ml ଡିଆୟୋନାଇଜଡ୍ ପାଣି ସହିତ ତରଳ କରନ୍ତୁ। ଏହା ପରେ, ଡିଆୟୋନାଇଜଡ୍ ପାଣି ସହିତ ତରଳ ହୋଇଥିବା ସୁପରନାଟାଣ୍ଟକୁ 50 ml PVC ଟ୍ୟୁବରେ ଫିଲ୍ଟର କରନ୍ତୁ। ଏହା ସହିତ, ତରଳ ହୋଇଥିବା ଦ୍ରବଣର 1 ml 9 ml ଡିଆୟୋନାଇଜଡ୍ ପାଣି ସହିତ ତରଳ କରାଯାଇଥିଲା ଏବଂ PTE ସ୍ୟୁଡୋ-କନସେଣ୍ଟ୍ରେସନ୍ ପାଇଁ ପ୍ରସ୍ତୁତ 12 ml ଟ୍ୟୁବରେ ଫିଲ୍ଟର କରାଯାଇଥିଲା। PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ର ସାନ୍ଦ୍ରତା ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ଦ୍ୱାରା ମାନକ ପଦ୍ଧତି ଏବଂ ଚୁକ୍ତି ଅନୁସାରେ ନିର୍ଣ୍ଣୟ କରାଯାଇଥିଲା। ଗୁଣବତ୍ତା ନିଶ୍ଚିତ କରନ୍ତୁ ଏବଂ ନିୟନ୍ତ୍ରଣ (QA/QC) ପ୍ରକ୍ରିୟା (SRM NIST 2711a Montana II ମାଟି)। ଅଧା ତଳେ ଚିହ୍ନଟ ସୀମା ଥିବା PTEs କୁ ଏହି ଅଧ୍ୟୟନରୁ ବାଦ ଦିଆଯାଇଥିଲା। ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ PTE ର ଚିହ୍ନଟ ସୀମା 0.0004 ଥିଲା। (ଆପଣ)। ଏହା ସହିତ, ପ୍ରତ୍ୟେକ ବିଶ୍ଳେଷଣ ପାଇଁ ଗୁଣବତ୍ତା ନିୟନ୍ତ୍ରଣ ଏବଂ ଗୁଣବତ୍ତା ନିଶ୍ଚିତକରଣ ପ୍ରକ୍ରିୟା ସନ୍ଦର୍ଭ ମାନକ ବିଶ୍ଳେଷଣ କରି ସୁନିଶ୍ଚିତ କରାଯାଏ। ତ୍ରୁଟିଗୁଡ଼ିକୁ ସର୍ବନିମ୍ନ କରିବା ପାଇଁ, ଏକ ଦ୍ୱିଗୁଣିତ ବିଶ୍ଳେଷଣ କରାଯାଇଥିଲା।
ଅଭିଜ୍ଞ ବାୟେସିଆନ୍ କ୍ରିଗିଂ (EBK) ହେଉଛି ମୃତ୍ତିକା ବିଜ୍ଞାନ ଭଳି ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ମଡେଲିଂରେ ବ୍ୟବହୃତ ଅନେକ ଭୂ-ସଂଖ୍ୟାଗତ ଇଣ୍ଟରପୋଲେସନ୍ କୌଶଳ ମଧ୍ୟରୁ ଗୋଟିଏ। ଅନ୍ୟାନ୍ୟ କ୍ରିଗିଂ ଇଣ୍ଟରପୋଲେସନ୍ କୌଶଳ ପରି ନୁହେଁ, EBK ସେମିଭାରିଗ୍ରାମ ମଡେଲ୍ ଦ୍ୱାରା ଆକଳନ କରାଯାଇଥିବା ତ୍ରୁଟିକୁ ବିଚାର କରି ପାରମ୍ପରିକ କ୍ରିଗିଂ ପଦ୍ଧତିଠାରୁ ଭିନ୍ନ। EBK ଇଣ୍ଟରପୋଲେସନ୍ ରେ, ଏକକ ସେମିଭାରିଗ୍ରାମ ପରିବର୍ତ୍ତେ ଇଣ୍ଟରପୋଲେସନ୍ ସମୟରେ ଅନେକ ସେମିଭାରିଗ୍ରାମ ମଡେଲ୍ ଗଣନା କରାଯାଏ। ଇଣ୍ଟରପୋଲେସନ୍ କୌଶଳ ସେମିଭାରିଗ୍ରାମର ଏହି ପ୍ଲଟିଂ ସହିତ ଜଡିତ ଅନିଶ୍ଚିତତା ଏବଂ ପ୍ରୋଗ୍ରାମିଂ ପାଇଁ ପଥ ସୃଷ୍ଟି କରେ ଯାହା ଏକ ଯଥେଷ୍ଟ କ୍ରିଗିଂ ପଦ୍ଧତିର ଏକ ଅତ୍ୟନ୍ତ ଜଟିଳ ଅଂଶ ଗଠନ କରେ। EBK ର ଇଣ୍ଟରପୋଲେସନ୍ ପ୍ରକ୍ରିୟା କ୍ରିଭୋରୁଚକୋ 50 ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ତିନୋଟି ମାନଦଣ୍ଡ ଅନୁସରଣ କରେ, (କ) ମଡେଲ୍ ଇନପୁଟ୍ ଡାଟାସେଟ୍ ରୁ ସେମିଭାରିଗ୍ରାମ ଆକଳନ କରେ (ଖ) ଜେନେରେଟ୍ ହୋଇଥିବା ସେମିଭାରିଗ୍ରାମ ଉପରେ ଆଧାରିତ ପ୍ରତ୍ୟେକ ଇନପୁଟ୍ ଡାଟାସେଟ୍ ସ୍ଥାନ ପାଇଁ ନୂତନ ପୂର୍ବାନୁମାନିତ ମୂଲ୍ୟ ଏବଂ (ଗ) ଏକ ସିମୁଲେଟେଡ୍ ଡାଟାସେଟ୍ ରୁ ଅନ୍ତିମ A ମଡେଲ୍ ଗଣନା କରାଯାଏ। ବେୟେସିଆନ୍ ସମୀକରଣ ନିୟମକୁ ପରବର୍ତ୍ତୀ ଭାବରେ ଦିଆଯାଇଛି।
ଯେଉଁଠାରେ \(Prob\left(A\right)\) ପୂର୍ବବର୍ତ୍ତୀକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, \(Prob\left(B\right)\) ସୀମାନ୍ତ ସମ୍ଭାବନା ଅଧିକାଂଶ କ୍ଷେତ୍ରରେ ଅଣଦେଖା କରାଯାଏ, \(Prob (B,A)\ ) । ସେମିଭାରିଓଗ୍ରାମ ଗଣନା ବେୟସ୍ ନିୟମ ଉପରେ ଆଧାରିତ, ଯାହା ସେମିଭାରିଓଗ୍ରାମରୁ ସୃଷ୍ଟି କରାଯାଇପାରୁଥିବା ପର୍ଯ୍ୟବେକ୍ଷଣ ଡାଟାସେଟର ପ୍ରବୃତ୍ତି ଦର୍ଶାଏ। ସେମିଭାରିଓଗ୍ରାମର ମୂଲ୍ୟ ତା’ପରେ ବେୟସ୍ ନିୟମ ବ୍ୟବହାର କରି ନିର୍ଣ୍ଣୟ କରାଯାଏ, ଯାହା ସେମିଭାରିଓଗ୍ରାମରୁ ପର୍ଯ୍ୟବେକ୍ଷଣର ଏକ ଡାଟାସେଟ୍ ସୃଷ୍ଟି କରିବାର ସମ୍ଭାବନା କେତେ ତାହା ଦର୍ଶାଏ।
ଏକ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ହେଉଛି ଏକ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ଯାହା ସମାନ କିନ୍ତୁ ରେଖୀୟ ସ୍ୱାଧୀନ ଶ୍ରେଣୀଗୁଡ଼ିକୁ ପୃଥକ କରିବା ପାଇଁ ଏକ ସର୍ବୋତ୍ତମ ପୃଥକ ହାଇପରପ୍ଲେନ୍ ସୃଷ୍ଟି କରେ। Vapnik51 ଇଣ୍ଟେଣ୍ଟ ବର୍ଗୀକରଣ ଆଲଗୋରିଦମ ସୃଷ୍ଟି କରିଥିଲେ, କିନ୍ତୁ ଏହାକୁ ସମ୍ପ୍ରତି ରିଗ୍ରେସନ୍-ଆଧାରିତ ସମସ୍ୟାଗୁଡ଼ିକର ସମାଧାନ ପାଇଁ ବ୍ୟବହାର କରାଯାଇଛି। Li et al.52 ଅନୁଯାୟୀ, SVM ହେଉଛି ସର୍ବୋତ୍ତମ ବର୍ଗୀକରଣ କୌଶଳ ମଧ୍ୟରୁ ଗୋଟିଏ ଏବଂ ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ବ୍ୟବହୃତ ହୋଇଛି। SVM (ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ - SVMR) ର ରିଗ୍ରେସନ୍ ଉପାଦାନ ଏହି ବିଶ୍ଳେଷଣରେ ବ୍ୟବହୃତ ହୋଇଥିଲା। ଚେରକାସ୍କି ଏବଂ ମୁଲିଅର53 ଏକ କର୍ଣ୍ଣେଲ-ଆଧାରିତ ରିଗ୍ରେସନ୍ ଭାବରେ SVMR ର ଅଗ୍ରଣୀ କରିଥିଲେ, ଯାହାର ଗଣନା ବହୁ-ଦେଶୀୟ ସ୍ଥାନିୟ କାର୍ଯ୍ୟ ସହିତ ଏକ ରେଖୀୟ ପ୍ରତିଗ୍ରେସନ୍ ମଡେଲ୍ ବ୍ୟବହାର କରି କରାଯାଇଥିଲା। ଜନ୍ ଏଟ୍ al54 ରିପୋର୍ଟ କରନ୍ତି ଯେ SVMR ମଡେଲିଂ ହାଇପରପ୍ଲେନ୍ ରେଖୀୟ ପ୍ରତିଗ୍ରେସନ୍ ନିଯୁକ୍ତ କରେ, ଯାହା ଅଣ-ରେଖୀୟ ସମ୍ପର୍କ ସୃଷ୍ଟି କରେ ଏବଂ ସ୍ଥାନିୟ କାର୍ଯ୍ୟ ପାଇଁ ଅନୁମତି ଦିଏ। Vohland et al. ଅନୁଯାୟୀ। 55, epsilon (ε)-SVMR ତାଲିମପ୍ରାପ୍ତ ଡାଟାସେଟ୍ ବ୍ୟବହାର କରି ଏକ ପ୍ରତିନିଧିତ୍ୱ ମଡେଲ୍ ପ୍ରାପ୍ତ କରେ ଯାହା ଏକ epsilon-ଅସମ୍ବେଦନଶୀଳ କାର୍ଯ୍ୟ ଭାବରେ ହୋଇଥାଏ ଯାହା ସମ୍ପର୍କିତ ତଥ୍ୟ ଉପରେ ତାଲିମରୁ ସର୍ବୋତ୍ତମ epsilon ପକ୍ଷପାତ ସହିତ ସ୍ୱାଧୀନ ଭାବରେ ତଥ୍ୟ ମ୍ୟାପ୍ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ। ପୂର୍ବନିର୍ଦ୍ଧାରିତ ଦୂରତା ତ୍ରୁଟିକୁ ପ୍ରକୃତ ମୂଲ୍ୟରୁ ଅଣଦେଖା କରାଯାଏ, ଏବଂ ଯଦି ତ୍ରୁଟି ε(ε) ଠାରୁ ବଡ଼ ହୁଏ, ତେବେ ମାଟି ଗୁଣ ଏହାକୁ କ୍ଷତିପୂରଣ ଦିଏ। ମଡେଲ୍ ତାଲିମ ତଥ୍ୟର ଜଟିଳତାକୁ ସମର୍ଥନ ଭେକ୍ଟରର ଏକ ବ୍ୟାପକ ଉପସେଟ୍ ପର୍ଯ୍ୟନ୍ତ ହ୍ରାସ କରେ। Vapnik51 ଦ୍ୱାରା ପ୍ରସ୍ତାବିତ ସମୀକରଣ ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି।
ଯେଉଁଠାରେ b ସ୍କେଲାର ଥ୍ରେସହୋଲ୍ଡକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, \(K\left({x}_{,}{ x}_{k}\right)\) କର୍ଣ୍ଣେଲ ଫଙ୍କସନ୍କୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, \(\alpha\) ଲାଗ୍ରାଞ୍ଜ ଗୁଣକକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, N ଏକ ସଂଖ୍ୟାତ୍ମକ ଡାଟାସେଟ୍କୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, \({x}_{k}\) ଡାଟା ଇନପୁଟ୍କୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଏବଂ \(y\) ଡାଟା ଆଉଟପୁଟ୍। ବ୍ୟବହୃତ ମୁଖ୍ୟ କର୍ଣ୍ଣେଲଗୁଡ଼ିକ ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି SVMR ଅପରେସନ୍, ଯାହା ଏକ ଗୌସିଆନ୍ ରେଡିଆଲ୍ ବେସିସ୍ ଫଙ୍କସନ୍ (RBF)। RBF କର୍ଣ୍ଣେଲକୁ ସର୍ବୋତ୍ତମ SVMR ମଡେଲ୍ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ, ଯାହା PTE ତାଲିମ ତଥ୍ୟ ପାଇଁ ସବୁଠାରୁ ସୂକ୍ଷ୍ମ ପେନାଲ୍ଟି ସେଟ୍ ଫ୍ୟାକ୍ଟର C ଏବଂ କର୍ଣ୍ଣେଲ ପାରାମିଟର୍ ଗାମା (γ) ପାଇବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ। ପ୍ରଥମେ, ଆମେ ତାଲିମ ସେଟ୍ ମୂଲ୍ୟାଙ୍କନ କରିଥିଲୁ ଏବଂ ତାପରେ ବୈଧତା ସେଟ୍ ଉପରେ ମଡେଲ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ପରୀକ୍ଷା କରିଥିଲୁ। ବ୍ୟବହୃତ ଷ୍ଟିଅରିଂ ପାରାମିଟର୍ ହେଉଛି ସିଗ୍ମା ଏବଂ ପଦ୍ଧତି ମୂଲ୍ୟ ହେଉଛି svmRadial।
ଏକ ମଲ୍ଟିପଲ୍ ଲିନିଅର୍ ରିଗ୍ରେସନ୍ ମଡେଲ୍ (MLR) ହେଉଛି ଏକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ ଯାହା ସର୍ବନିମ୍ନ ବର୍ଗ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଗଣନା କରାଯାଇଥିବା ରେଖୀୟ ପୁଲ୍ ହୋଇଥିବା ପାରାମିଟର ବ୍ୟବହାର କରି ପ୍ରତିକ୍ରିୟା ଚଳକ ଏବଂ ଅନେକ ଭବିଷ୍ୟବାଣୀକାରୀ ଚଳକ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ। MLR ରେ, ଏକ ସର୍ବନିମ୍ନ ବର୍ଗ ମଡେଲ୍ ହେଉଛି ବ୍ୟାଖ୍ୟାକାରୀ ଚଳକ ଚୟନ ପରେ ମାଟି ଗୁଣର ଏକ ଭବିଷ୍ୟବାଣୀ କାର୍ଯ୍ୟ। ବ୍ୟାଖ୍ୟାକାରୀ ଚଳକ ବ୍ୟବହାର କରି ଏକ ରେଖୀୟ ସମ୍ପର୍କ ସ୍ଥାପନ କରିବା ପାଇଁ ପ୍ରତିକ୍ରିୟା ବ୍ୟବହାର କରିବା ଆବଶ୍ୟକ। ବ୍ୟାଖ୍ୟାକାରୀ ଚଳକ ସହିତ ଏକ ରେଖୀୟ ସମ୍ପର୍କ ସ୍ଥାପନ କରିବା ପାଇଁ PTE କୁ ପ୍ରତିକ୍ରିୟା ଚଳକ ଭାବରେ ବ୍ୟବହାର କରାଯାଇଥିଲା। MLR ସମୀକରଣ ହେଉଛି
ଯେଉଁଠାରେ y ହେଉଛି ପ୍ରତିକ୍ରିୟା ଚଳକ, \(a\) ହେଉଛି ଅନ୍ତରାପୃଷ୍ଠ, n ହେଉଛି ଭବିଷ୍ୟବାଣୀକାରୀଙ୍କ ସଂଖ୍ୟା, \({b}_{1}\) ହେଉଛି ଗୁଣାଙ୍କର ଆଂଶିକ ପ୍ରତିଗମନ, \({x}_{ i}\) ଏକ ଭବିଷ୍ୟବାଣୀକାରୀ କିମ୍ବା ବ୍ୟାଖ୍ୟାକାରୀ ଚଳକକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଏବଂ \({\varepsilon }_{i}\) ମଡେଲରେ ଥିବା ତ୍ରୁଟିକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଯାହାକୁ ଅବଶିଷ୍ଟ ମଧ୍ୟ କୁହାଯାଏ।
ମିଶ୍ରିତ ମଡେଲଗୁଡ଼ିକ EBK କୁ SVMR ଏବଂ MLR ସହିତ ସ୍ୟାଣ୍ଡୱିଚ୍ କରି ପ୍ରାପ୍ତ କରାଯାଇଥିଲା। ଏହା EBK ଇଣ୍ଟରପୋଲେସନ୍ ରୁ ପୂର୍ବାନୁମାନିତ ମୂଲ୍ୟ ବାହାର କରି କରାଯାଏ। ଇଣ୍ଟରପୋଲେଟ୍ ହୋଇଥିବା Ca, K, ଏବଂ Mg ରୁ ପ୍ରାପ୍ତ ପୂର୍ବାନୁମାନିତ ମୂଲ୍ୟଗୁଡ଼ିକ CaK, CaMg, ଏବଂ KMg ଭଳି ନୂତନ ଚଳକ ପାଇବା ପାଇଁ ଏକ ମିଶ୍ରଣ ପ୍ରକ୍ରିୟା ମାଧ୍ୟମରେ ପ୍ରାପ୍ତ କରାଯାଏ। Ca, K ଏବଂ Mg ଉପାଦାନଗୁଡ଼ିକୁ ତା'ପରେ ଏକ ଚତୁର୍ଥ ଚଳକ, CaKMg ପାଇବା ପାଇଁ ମିଶ୍ରଣ କରାଯାଏ। ସାମଗ୍ରିକ ଭାବରେ, ପ୍ରାପ୍ତ ଚଳକଗୁଡ଼ିକ ହେଉଛି Ca, K, Mg, CaK, CaMg, KMg ଏବଂ CaKMg। ଏହି ଚଳକଗୁଡ଼ିକ ଆମର ପୂର୍ବାନୁମାନକାରୀ ହୋଇଗଲେ, ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମାଟିରେ ନିକେଲ ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବାରେ ସାହାଯ୍ୟ କଲେ। ଏକ ମିଶ୍ରିତ ମଡେଲ୍ ଅନୁଭବୀକ ବାୟେସିଆନ୍ କ୍ରିଗିଂ-ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (EBK_SVM) ପାଇବା ପାଇଁ ପୂର୍ବାନୁମାନକାରୀମାନଙ୍କ ଉପରେ SVMR ଆଲଗୋରିଦମ କରାଯାଇଥିଲା। ସେହିପରି, ଏକ ମିଶ୍ରିତ ମଡେଲ୍ ଅନୁଭବୀକ ବାୟେସିଆନ୍ କ୍ରିଗିଂ-ମଲ୍ଟିପଲ୍ ରେଜିଅର୍ ରିଗ୍ରେସନ୍ (EBK_MLR) ପାଇବା ପାଇଁ ଚଳକଗୁଡ଼ିକୁ MLR ଆଲଗୋରିଦମ ମାଧ୍ୟମରେ ପାଇପ୍ କରାଯାଏ। ସାଧାରଣତଃ, ଚଳକ Ca, K, Mg, ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମାଟିରେ Ni ବିଷୟବସ୍ତୁର ପୂର୍ବାନୁମାନକାରୀ ଭାବରେ CaK, CaMg, KMg, ଏବଂ CaKMg କୁ ସହ-ଭାରିଏଟ୍ ଭାବରେ ବ୍ୟବହାର କରାଯାଏ। ପ୍ରାପ୍ତ ସବୁଠାରୁ ଗ୍ରହଣୀୟ ମଡେଲ୍ (EBK_SVM କିମ୍ବା EBK_MLR) ତା'ପରେ ଏକ ସ୍ୱୟଂ-ବ୍ୟବସ୍ଥିତ ଗ୍ରାଫ୍ ବ୍ୟବହାର କରି ଦୃଶ୍ୟମାନ କରାଯିବ। ଏହି ଅଧ୍ୟୟନର କାର୍ଯ୍ୟପ୍ରଣାଳୀ ଚିତ୍ର 2 ରେ ଦର୍ଶାଯାଇଛି।
ଆର୍ଥିକ କ୍ଷେତ୍ର, ସ୍ୱାସ୍ଥ୍ୟସେବା, ଶିଳ୍ପ, ପରିସଂଖ୍ୟାନ, ମୃତ୍ତିକା ବିଜ୍ଞାନ ଏବଂ ଅନ୍ୟାନ୍ୟ କ୍ଷେତ୍ରରେ ତଥ୍ୟ ସଂଗଠିତ, ମୂଲ୍ୟାଙ୍କନ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ SeOM ବ୍ୟବହାର ଏକ ଲୋକପ୍ରିୟ ଉପକରଣ ପାଲଟିଛି। ସଂଗଠନ, ମୂଲ୍ୟାଙ୍କନ ଏବଂ ପୂର୍ବାନୁମାନ ପାଇଁ କୃତ୍ରିମ ସ୍ନାୟୁ ନେଟୱାର୍କ ଏବଂ ଅଣତଦାରଖ ଶିକ୍ଷଣ ପଦ୍ଧତି ବ୍ୟବହାର କରି SeOM ସୃଷ୍ଟି କରାଯାଇଛି। ଏହି ଅଧ୍ୟୟନରେ, ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମାଟିରେ Ni ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ମଡେଲ ଉପରେ ଆଧାରିତ Ni ସାନ୍ଦ୍ରତାକୁ କଳ୍ପନା କରିବା ପାଇଁ SeOM ବ୍ୟବହାର କରାଯାଇଥିଲା। SeOM ମୂଲ୍ୟାଙ୍କନରେ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇଥିବା ତଥ୍ୟ n ଇନପୁଟ-ଡାଇମେନ୍ସନାଲ୍ ଭେକ୍ଟର ଭେରିଏବଲ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ43,56। ମେଲସେନ୍ ଏବଂ ଅନ୍ୟମାନେ। 57 ଏକ ଇନପୁଟ୍ ଭେକ୍ଟରର ଏକ ଇନପୁଟ୍ ସ୍ତର ମାଧ୍ୟମରେ ଏକ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କରେ ଏକ ଇନପୁଟ୍ ଭେକ୍ଟରର ସଂଯୋଗକୁ ଏକ ଓଜନ ଭେକ୍ଟର ସହିତ ଏକ ଆଉଟପୁଟ୍ ଭେକ୍ଟର ସହିତ ବର୍ଣ୍ଣନା କରେ। SeOM ଦ୍ୱାରା ସୃଷ୍ଟି ହୋଇଥିବା ଆଉଟପୁଟ୍ ହେଉଛି ଏକ ଦ୍ୱି-ପରିମାଣୀୟ ମାନଚିତ୍ର ଯାହା ବିଭିନ୍ନ ନ୍ୟୁରନ୍ କିମ୍ବା ନୋଡ୍ ଧାରଣ କରିଥାଏ ଯାହା ସେମାନଙ୍କର ନିକଟତା ଅନୁସାରେ ଷଡ଼କୋଣୀୟ, ବୃତ୍ତାକାର, କିମ୍ବା ବର୍ଗାକାର ଟୋପୋଲୋଜିକାଲ୍ ମାନଚିତ୍ରରେ ବୁଣାଯାଇଥାଏ। ମେଟ୍ରିକ୍, କ୍ୱାଣ୍ଟାଇଜେସନ୍ ତ୍ରୁଟି (QE) ଏବଂ ଟୋପୋଗ୍ରାଫିକ୍ ତ୍ରୁଟି (TE) ଉପରେ ଆଧାରିତ ମାନଚିତ୍ର ଆକାର ତୁଳନା କରି, ଯଥାକ୍ରମେ 0.086 ଏବଂ 0.904 ସହିତ SeOM ମଡେଲ୍ ଚୟନ କରାଯାଇଛି, ଯାହା ଏକ 55-ମାନଚିତ୍ର ଏକକ (5 × 11)। ଅନୁଭବୀ ସମୀକରଣରେ ନୋଡ୍ ସଂଖ୍ୟା ଅନୁସାରେ ନ୍ୟୁରନ୍ ଗଠନ ନିର୍ଣ୍ଣୟ କରାଯାଏ।
ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ତଥ୍ୟ ସଂଖ୍ୟା ହେଉଛି 115 ଟି ନମୁନା। ତଥ୍ୟକୁ ପରୀକ୍ଷା ତଥ୍ୟ (ବୈଧତା ପାଇଁ 25%) ଏବଂ ତାଲିମ ତଥ୍ୟ ସେଟ୍ (ବୈଧତା ପାଇଁ 75%) ରେ ବିଭକ୍ତ କରିବା ପାଇଁ ଏକ ଅନିୟମିତ ପଦ୍ଧତି ବ୍ୟବହାର କରାଯାଇଥିଲା। ତାଲିମ ଡାଟାସେଟ୍ ରିଗ୍ରେସନ୍ ମଡେଲ୍ (ବୈଧତା ପାଇଁ) ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ, ଏବଂ ସାଧାରଣୀକରଣ କ୍ଷମତା ଯାଞ୍ଚ କରିବା ପାଇଁ ପରୀକ୍ଷା ଡାଟାସେଟ୍ ବ୍ୟବହାର କରାଯାଏ58। ମାଟିରେ ନିକେଲ ବିଷୟବସ୍ତୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ବିଭିନ୍ନ ମଡେଲ୍ର ଉପଯୁକ୍ତତା ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ଏହା କରାଯାଇଥିଲା। ବ୍ୟବହୃତ ସମସ୍ତ ମଡେଲ୍ ଦଶ ଗୁଣ କ୍ରସ୍-ବୈଧତା ପ୍ରକ୍ରିୟା ଦେଇ ଯାଇଛି, ପାଞ୍ଚ ଥର ପୁନରାବୃତ୍ତି ହୋଇଛି। EBK ଇଣ୍ଟରପୋଲେସନ୍ ଦ୍ୱାରା ଉତ୍ପାଦିତ ଚଳକଗୁଡ଼ିକୁ ଲକ୍ଷ୍ୟ ଚଳକ (PTE) ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଭବିଷ୍ୟବାଣୀକାରୀ କିମ୍ବା ବ୍ୟାଖ୍ୟାକାରୀ ଚଳକ ଭାବରେ ବ୍ୟବହାର କରାଯାଏ। RStudio ରେ ପ୍ୟାକେଜ୍ ଲାଇବ୍ରେରୀ(Kohonen), ଲାଇବ୍ରେରୀ(caret), ଲାଇବ୍ରେରୀ(modelr), ଲାଇବ୍ରେରୀ(“e1071″), ଲାଇବ୍ରେରୀ(“plyr”), ଲାଇବ୍ରେରୀ(“caTools”), ଲାଇବ୍ରେରୀ(”prospector”) ଏବଂ ଲାଇବ୍ରେରୀ (“Metrics”) ବ୍ୟବହାର କରି ମଡେଲିଂ ପରିଚାଳନା କରାଯାଏ।
ମାଟିରେ ନିକେଲ ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଉପଯୁକ୍ତ ସର୍ବୋତ୍ତମ ମଡେଲ ନିର୍ଣ୍ଣୟ କରିବା ଏବଂ ମଡେଲର ସଠିକତା ଏବଂ ଏହାର ବୈଧତା ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ବିଭିନ୍ନ ବୈଧତା ପାରାମିଟର ବ୍ୟବହାର କରାଯାଇଥିଲା। ହାଇବ୍ରିଡାଇଜେସନ୍ ମଡେଲଗୁଡ଼ିକୁ ମିନ୍ ପରଲ୍ୟୁଟ୍ସ ତ୍ରୁଟି (MAE), ରୁଟ୍ ମିନ୍ ବର୍ଗ ତ୍ରୁଟି (RMSE), ଏବଂ R-ବର୍ଗୀକୃତ କିମ୍ବା ଗୁଣାଙ୍କ ନିର୍ଣ୍ଣୟ (R2) ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା। R2 ରିଗ୍ରେସନ୍ ମଡେଲ ଦ୍ୱାରା ପ୍ରତିନିଧିତ୍ୱ କରାଯାଇଥିବା ଉତ୍ତରରେ ଅନୁପାତର ବିବିଧତାକୁ ପରିଭାଷିତ କରେ। ସ୍ୱାଧୀନ ମାପରେ RMSE ଏବଂ ବିବିଧତା ପରିମାଣ ମଡେଲର ଭବିଷ୍ୟବାଣୀ ଶକ୍ତିକୁ ବର୍ଣ୍ଣନା କରେ, ଯେତେବେଳେ MAE ପ୍ରକୃତ ପରିମାଣାତ୍ମକ ମୂଲ୍ୟ ନିର୍ଣ୍ଣୟ କରେ। ବୈଧତା ପାରାମିଟର ବ୍ୟବହାର କରି ସର୍ବୋତ୍ତମ ମିଶ୍ରଣ ମଡେଲକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ R2 ମୂଲ୍ୟ ଉଚ୍ଚ ହେବା ଆବଶ୍ୟକ, ମୂଲ୍ୟ 1 ର ଯେତେ ନିକଟତର ହେବ, ସଠିକତା ସେତେ ଅଧିକ ହେବ। ଲି ଏଟ୍ ଅଲ୍ 59 ଅନୁସାରେ, 0.75 କିମ୍ବା ତା'ଠାରୁ ଅଧିକ R2 ମାନଦଣ୍ଡ ମୂଲ୍ୟକୁ ଏକ ଭଲ ଭବିଷ୍ୟବାଣୀକାରୀ ଭାବରେ ବିବେଚନା କରାଯାଏ; ୦.୫ ରୁ ୦.୭୫ ପର୍ଯ୍ୟନ୍ତ ଗ୍ରହଣୀୟ ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତା, ଏବଂ ୦.୫ ତଳେ ଗ୍ରହଣୀୟ ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତା। RMSE ଏବଂ MAE ବୈଧତା ମାନଦଣ୍ଡ ମୂଲ୍ୟାଙ୍କନ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଏକ ମଡେଲ ଚୟନ କରିବା ସମୟରେ, ପ୍ରାପ୍ତ ନିମ୍ନ ମୂଲ୍ୟ ଯଥେଷ୍ଟ ଥିଲା ଏବଂ ସର୍ବୋତ୍ତମ ପସନ୍ଦ ଭାବରେ ବିବେଚନା କରାଯାଇଥିଲା। ନିମ୍ନଲିଖିତ ସମୀକରଣ ଯାଞ୍ଚ ପଦ୍ଧତି ବର୍ଣ୍ଣନା କରେ।
ଯେଉଁଠାରେ n ପରିଲକ୍ଷିତ ମୂଲ୍ୟର ଆକାରକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ \({Y}_{i}\) ମାପ କରାଯାଇଥିବା ପ୍ରତିକ୍ରିୟାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ଏବଂ \({\widehat{Y}}_{i}\) ମଧ୍ୟ ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ପ୍ରତିକ୍ରିୟା ମୂଲ୍ୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ, ତେଣୁ, ପ୍ରଥମ i ପର୍ଯ୍ୟବେକ୍ଷଣ ପାଇଁ।
ପୂର୍ବାନୁମାନକାରୀ ଏବଂ ପ୍ରତିକ୍ରିୟା ଚଳକଗୁଡ଼ିକର ପରିସଂଖ୍ୟାନ ବର୍ଣ୍ଣନା ସାରଣୀ 1 ରେ ଉପସ୍ଥାପିତ ହୋଇଛି, ଯାହା ଯଥାକ୍ରମେ ମି.ଜି.
ପ୍ରତିକ୍ରିୟା ଉପାଦାନଗୁଡ଼ିକ ସହିତ ଭବିଷ୍ୟବାଣୀକାରୀ ଚଳକଗୁଡ଼ିକର ସହସଂଯୋଗ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ସନ୍ତୋଷଜନକ ସହସଂଯୋଗ ସୂଚାଇଥିଲା (ଚିତ୍ର 3 ଦେଖନ୍ତୁ)। ସହସଂଯୋଗ ସୂଚାଇଥିଲା ଯେ CaK r ମୂଲ୍ୟ = 0.53 ସହିତ ମଧ୍ୟମ ସହସଂଯୋଗ ପ୍ରଦର୍ଶନ କରିଥିଲା, ଯେପରି CaNi କରିଥିଲା। ଯଦିଓ Ca ଏବଂ K ପରସ୍ପର ସହିତ ସାମାନ୍ୟ ସମ୍ପର୍କ ଦେଖାନ୍ତି, କିଙ୍ଗଷ୍ଟନ ଏବଂ ଅନ୍ୟାନ୍ୟ ଗବେଷକମାନେ ମଧ୍ୟ ସମାନ ସମ୍ପର୍କ ଦେଖାନ୍ତି। 68 ଏବଂ Santo69 ସୂଚାଇ ଦିଅନ୍ତି ଯେ ମାଟିରେ ସେମାନଙ୍କର ସ୍ତର ବିପରୀତ ସମାନୁପାତିକ। ତଥାପି, Ca ଏବଂ Mg K ର ପ୍ରତିପକ୍ଷ, କିନ୍ତୁ CaK ଭଲ ଭାବରେ ସହସମ୍ପର୍କିତ। ଏହା ପୋଟାସିୟମ୍ କାର୍ବୋନେଟ୍ ଭଳି ସାର ପ୍ରୟୋଗ ଯୋଗୁଁ ହୋଇପାରେ, ଯାହା ପୋଟାସିୟମ୍ ରେ 56% ଅଧିକ। ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ସହିତ ମଧ୍ୟମ ଭାବରେ ସହସମ୍ପର୍କିତ ଥିଲା (KM r = 0.63)। ସାର ଶିଳ୍ପରେ, ଏହି ଦୁଇଟି ଉପାଦାନ ଘନିଷ୍ଠ ଭାବରେ ଜଡିତ କାରଣ ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ସଲଫେଟ୍, ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ନାଇଟ୍ରେଟ୍ ଏବଂ ପୋଟାସ୍ ମାଟିରେ ସେମାନଙ୍କର ଅଭାବ ସ୍ତର ବୃଦ୍ଧି କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଏ। ନିକେଲ୍ ଯଥାକ୍ରମେ r ମୂଲ୍ୟ = 0.52, 0.63 ଏବଂ 0.55 ସହିତ Ca, K ଏବଂ Mg ସହିତ ମଧ୍ୟମ ଭାବରେ ସହସମ୍ପର୍କିତ। ନିକେଲ ଭଳି କ୍ୟାଲସିୟମ୍, ମ୍ୟାଗ୍ନେସିୟମ୍ ଏବଂ PTE ସହିତ ଜଡିତ ସମ୍ପର୍କ ଜଟିଳ, କିନ୍ତୁ ତଥାପି, ମ୍ୟାଗ୍ନେସିୟମ୍ କ୍ୟାଲସିୟମ୍ ଶୋଷଣକୁ ବାଧା ଦିଏ, କ୍ୟାଲସିୟମ୍ ଅତିରିକ୍ତ ମ୍ୟାଗ୍ନେସିୟମ୍ ର ପ୍ରଭାବକୁ ହ୍ରାସ କରେ, ଏବଂ ମ୍ୟାଗ୍ନେସିୟମ୍ ଏବଂ କ୍ୟାଲସିୟମ୍ ଉଭୟ ମାଟିରେ ନିକେଲର ବିଷାକ୍ତ ପ୍ରଭାବକୁ ହ୍ରାସ କରେ।
ଭବିଷ୍ୟବାଣୀକାରୀ ଏବଂ ପ୍ରତିକ୍ରିୟା ମଧ୍ୟରେ ସମ୍ପର୍କ ଦର୍ଶାଉଥିବା ଉପାଦାନଗୁଡ଼ିକ ପାଇଁ ସହସମ୍ବନ୍ଧ ମାଟ୍ରିକ୍ସ (ଦ୍ରଷ୍ଟବ୍ୟ: ଏହି ଚିତ୍ରରେ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ବିକ୍ଷିପ୍ତ ପ୍ଲଟ୍ ଅନ୍ତର୍ଭୁକ୍ତ, ଗୁରୁତ୍ୱ ସ୍ତରଗୁଡ଼ିକ p < 0,001 ଉପରେ ଆଧାରିତ)।
ଚିତ୍ର 4 ଉପାଦାନଗୁଡ଼ିକର ସ୍ଥାନିକ ବଣ୍ଟନକୁ ଦର୍ଶାଏ। Burgos et al70 ଅନୁସାରେ, ସ୍ଥାନିକ ବଣ୍ଟନର ପ୍ରୟୋଗ ହେଉଛି ପ୍ରଦୂଷିତ ଅଞ୍ଚଳରେ ଗରମ ସ୍ଥାନଗୁଡ଼ିକୁ ପରିମାଣ ଏବଂ ହାଇଲାଇଟ୍ କରିବା ପାଇଁ ବ୍ୟବହୃତ ଏକ କୌଶଳ। ଚିତ୍ର 4 ରେ Ca ର ସମୃଦ୍ଧି ସ୍ତର ସ୍ଥାନିକ ବଣ୍ଟନ ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମ ଅଂଶରେ ଦେଖାଯାଇପାରିବ। ଚିତ୍ରଟି ମଧ୍ୟମରୁ ଉଚ୍ଚ Ca ସମୃଦ୍ଧି ହଟସ୍ପଟ୍ ଦେଖାଏ। ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମରେ କ୍ୟାଲସିୟମ ସମୃଦ୍ଧି ମୃତ୍ତିକାର ଅମ୍ଳତାକୁ ହ୍ରାସ କରିବା ପାଇଁ କ୍ୱିକ୍ଲାଇମ୍ (କ୍ୟାଲସିୟମ ଅକ୍ସାଇଡ୍) ବ୍ୟବହାର ଏବଂ ଇସ୍ପାତ ତିଆରି ପ୍ରକ୍ରିୟାରେ କ୍ଷାରୀୟ ଅମ୍ଳଜାନ ଭାବରେ ଇସ୍ପାତ ମିଲ୍ଗୁଡ଼ିକରେ ଏହାର ବ୍ୟବହାର ହେତୁ ସମ୍ଭବ। ଅନ୍ୟପକ୍ଷରେ, ଅନ୍ୟ ଚାଷୀମାନେ pH ନିରପେକ୍ଷ କରିବା ପାଇଁ ଅମ୍ଳୀୟ ମାଟିରେ କ୍ୟାଲସିୟମ ହାଇଡ୍ରୋକ୍ସାଇଡ୍ ବ୍ୟବହାର କରିବାକୁ ପସନ୍ଦ କରନ୍ତି, ଯାହା ମାଟିର କ୍ୟାଲସିୟମ ପରିମାଣକୁ ମଧ୍ୟ ବୃଦ୍ଧି କରେ71। ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମ ଏବଂ ପୂର୍ବରେ ପୋଟାସିୟମ ମଧ୍ୟ ଗରମ ସ୍ଥାନ ଦେଖାଏ। ଉତ୍ତର-ପଶ୍ଚିମ ଏକ ପ୍ରମୁଖ କୃଷି ସମ୍ପ୍ରଦାୟ, ଏବଂ ପୋଟାସିୟମର ମଧ୍ୟମରୁ ଉଚ୍ଚ ଢାଞ୍ଚା NPK ଏବଂ ପଟାସ ପ୍ରୟୋଗ ଯୋଗୁଁ ହୋଇପାରେ। ଏହା ଅନ୍ୟ ଅଧ୍ୟୟନ ସହିତ ସୁସଙ୍ଗତ, ଯେପରିକି Madaras ଏବଂ Lipavský72, Madaras et al.73, Pulkrabová et al.74, ଆସାରେ ଏବଂ ଅନ୍ୟାନ୍ୟ 75, ଯେଉଁମାନେ ଦେଖିଲେ ଯେ ମୃତ୍ତିକା ସ୍ଥିରୀକରଣ ଏବଂ KCl ଏବଂ NPK ସହିତ ଚିକିତ୍ସା ଫଳରେ ମାଟିରେ K ପରିମାଣ ଅଧିକ ହୋଇଥାଏ। ବଣ୍ଟନ ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମରେ ସ୍ଥାନିକ ପୋଟାସିୟମ୍ ସମୃଦ୍ଧି ପୋଟାସିୟମ୍-ଆଧାରିତ ସାର ଯେପରିକି ପୋଟାସିୟମ୍ କ୍ଲୋରାଇଡ୍, ପୋଟାସିୟମ୍ ସଲଫେଟ୍, ପୋଟାସିୟମ୍ ନାଇଟ୍ରେଟ୍, ପୋଟାସିୟମ୍ ଏବଂ ପୋଟାସିୟମ୍ ବ୍ୟବହାର କରି ଦୁର୍ବଳ ମାଟିର ପୋଟାସିୟମ୍ ପରିମାଣ ବୃଦ୍ଧି କରିପାରେ। Zádorová ଏବଂ ଅନ୍ୟାନ୍ୟ 76 ଏବଂ Tlustoš ଏବଂ ଅନ୍ୟାନ୍ୟ। 77 ରେ ଉଲ୍ଲେଖ କରାଯାଇଛି ଯେ K-ଆଧାରିତ ସାର ପ୍ରୟୋଗ ମାଟିରେ K ପରିମାଣ ବୃଦ୍ଧି କରିଛି ଏବଂ ଦୀର୍ଘକାଳୀନ ଭାବରେ ମାଟିର ପୁଷ୍ଟିସାର ପରିମାଣକୁ ଉଲ୍ଲେଖନୀୟ ଭାବରେ ବୃଦ୍ଧି କରିବ, ବିଶେଷକରି K ଏବଂ Mg ମାଟିରେ ଏକ ଗରମ ସ୍ଥାନ ଦେଖାଉଛି। ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମ ଏବଂ ମାନଚିତ୍ରର ଦକ୍ଷିଣ-ପୂର୍ବରେ ତୁଳନାତ୍ମକ ଭାବରେ ମଧ୍ୟମ ହଟସ୍ପଟ୍। ମାଟିରେ କୋଲୋଏଡାଲ୍ ସ୍ଥିରୀକରଣ ମାଟିରେ ମ୍ୟାଗ୍ନେସିୟମ୍ ର ସାନ୍ଦ୍ରତାକୁ ହ୍ରାସ କରେ। ମାଟିରେ ଏହାର ଅଭାବ ଗଛଗୁଡ଼ିକୁ ହଳଦିଆ ଇଣ୍ଟରଭେନ୍ କ୍ଲୋରୋସିସ୍ ପ୍ରଦର୍ଶନ କରେ। ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ସଲଫେଟ୍, ମ୍ୟାଗ୍ନେସିୟମ୍ ସଲଫେଟ୍ ଏବଂ କିସେରାଇଟ୍ ଭଳି ମ୍ୟାଗ୍ନେସିୟମ୍-ଆଧାରିତ ସାର, ସାଧାରଣ pH ପରିସର ସହିତ ମାଟିରେ ଅଭାବ (ଉଦ୍ଭିଦଗୁଡ଼ିକ ବାଇଗଣୀ, ଲାଲ କିମ୍ବା ମାଟିଆ ଦେଖାଯାଏ, ଯାହା ମ୍ୟାଗ୍ନେସିୟମ୍ ଅଭାବକୁ ସୂଚାଇଥାଏ) କୁ ଚିକିତ୍ସା କରେ। ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମାଟି ପୃଷ୍ଠରେ ନିକେଲର ସଂଚୟ କୃଷି ଭଳି ମାନବଜାତ କାର୍ଯ୍ୟକଳାପ ଏବଂ ଷ୍ଟେନଲେସ୍ ଷ୍ଟିଲ୍ ଉତ୍ପାଦନରେ ନିକେଲର ଗୁରୁତ୍ୱ ହେତୁ ହୋଇପାରେ 78।
ଉପାଦାନଗୁଡ଼ିକର ସ୍ଥାନିକ ବଣ୍ଟନ [ArcGIS ଡେସ୍କଟପ୍ (ESRI, Inc, ସଂସ୍କରଣ 10.7, URL: https://desktop.arcgis.com) ବ୍ୟବହାର କରି ସ୍ଥାନିକ ବଣ୍ଟନ ମାନଚିତ୍ର ସୃଷ୍ଟି କରାଯାଇଥିଲା]
ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ଉପାଦାନଗୁଡ଼ିକ ପାଇଁ ମଡେଲ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ସୂଚକାଙ୍କ ଫଳାଫଳ ସାରଣୀ 2 ରେ ଦର୍ଶାଯାଇଛି। ଅନ୍ୟପକ୍ଷରେ, Ni ର RMSE ଏବଂ MAE ଉଭୟ ଶୂନ୍ୟର ନିକଟତର (0.86 RMSE, -0.08 MAE)। ଅନ୍ୟପକ୍ଷରେ, K ର RMSE ଏବଂ MAE ମୂଲ୍ୟ ଉଭୟ ଗ୍ରହଣୀୟ। କ୍ୟାଲସିୟମ ଏବଂ ମ୍ୟାଗ୍ନେସିୟମ ପାଇଁ RMSE ଏବଂ MAE ଫଳାଫଳ ଅଧିକ ଥିଲା। Ca ଏବଂ K MAE ଏବଂ RMSE ଫଳାଫଳ ଭିନ୍ନ ଡାଟାସେଟ୍ ଯୋଗୁଁ ବଡ଼। Ni ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ EBK ବ୍ୟବହାର କରୁଥିବା ଏହି ଅଧ୍ୟୟନର RMSE ଏବଂ MAE ସମାନ ସଂଗୃହିତ ତଥ୍ୟ ବ୍ୟବହାର କରି ମାଟିରେ S ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ synergistic କ୍ରିଗିଂ ବ୍ୟବହାର କରି ଜନ୍ ଏଟ୍ ଅଲ୍ 54 ର ଫଳାଫଳ ଅପେକ୍ଷା ଭଲ ବୋଲି ଜଣାପଡିଛି। ଆମେ ଅଧ୍ୟୟନ କରିଥିବା EBK ଆଉଟପୁଟ୍ Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 ଏବଂ John et al. 82, ବିଶେଷକରି K ଏବଂ Ni ସହିତ ସମ୍ପର୍କିତ।
ମଡେଲଗୁଡ଼ିକର କାର୍ଯ୍ୟଦକ୍ଷତା ବ୍ୟବହାର କରି ସହରାଞ୍ଚଳ ଏବଂ ଉପ-ସହରୀ ମାଟିରେ ନିକେଲ ପରିମାଣର ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ବ୍ୟକ୍ତିଗତ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା (ସାରଣୀ 3)। ମଡେଲ ବୈଧତା ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ନିଶ୍ଚିତ କରିଥିଲା ଯେ EBK SVMR ମଡେଲ ସହିତ Ca_Mg_K ପୂର୍ବାନୁମାନକାରୀ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଛି। କାଲିବ୍ରେସନ୍ ମଡେଲ Ca_Mg_K-EBK_SVMR ମଡେଲ R2, ମୂଳ ମଧ୍ୟମ ବର୍ଗ ତ୍ରୁଟି (RMSE) ଏବଂ ସାଧାରଣ ସମ୍ପୂର୍ଣ୍ଣ ତ୍ରୁଟି (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) ଏବଂ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) ଏବଂ 166.946 mg/kg (MAE) ଥିଲା। ତଥାପି, Ca_Mg_K-SVMR (0.663 mg/kg R2) ଏବଂ Ca_Mg-EBK_SVMR ପାଇଁ ଭଲ R2 ମୂଲ୍ୟ ପ୍ରାପ୍ତ ହୋଇଥିଲା। (୦.୬୪୩ = R୨); ସେମାନଙ୍କର RMSE ଏବଂ MAE ଫଳାଫଳ Ca_Mg_K-EBK_SVMR (R2 0.637) (ସାରଣୀ 3 ଦେଖନ୍ତୁ) ଅପେକ୍ଷା ଅଧିକ ଥିଲା। ଏହା ସହିତ, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ଏବଂ MAE = 1031.49) ମଡେଲର RMSE ଏବଂ MAE ଯଥାକ୍ରମେ 17.5 ଏବଂ 13.4, ଯାହା Ca_Mg_K-EBK_SVMR ଅପେକ୍ଷା ବଡ଼। ସେହିପରି, Ca_Mg-K SVMR (RMSE = 235.974 ଏବଂ MAE = 166.946) ମଡେଲର RMSE ଏବଂ MAE ଯଥାକ୍ରମେ Ca_Mg_K-EBK_SVMR RMSE ଏବଂ MAE ଅପେକ୍ଷା 2.5 ଏବଂ 2.2 ବଡ଼। ଗଣନା କରାଯାଇଥିବା RMSE ଫଳାଫଳ ସୂଚିତ କରେ ଯେ ସର୍ବୋତ୍ତମ ଫିଟ୍ ରେଖା ସହିତ ଡାଟା ସେଟ୍ କେତେ ଘନୀଭୂତ। RSME ଏବଂ MAE ଅଧିକ ପର୍ଯ୍ୟବେକ୍ଷିତ ହୋଇଥିଲା। ଅନୁସାରେ Kebonye et al. 46 ଏବଂ john et al. 54 ଅନୁସାରେ, RMSE ଏବଂ MAE ଯେତେ ଶୂନ୍ୟର ନିକଟତର ହେବେ, ଫଳାଫଳ ସେତେ ଭଲ ହେବ। SVMR ଏବଂ EBK_SVMR ର ପରିମାଣଗତ RSME ଏବଂ MAE ମୂଲ୍ୟ ଅଧିକ ରହିଛି। ଏହା ଦେଖାଯାଇଥିଲା ଯେ RSME ଆକଳନ MAE ମୂଲ୍ୟ ଅପେକ୍ଷା ନିରନ୍ତର ଭାବରେ ଅଧିକ ଥିଲା, ଯାହା ବାହ୍ୟ ବ୍ୟକ୍ତିଙ୍କ ଉପସ୍ଥିତିକୁ ସୂଚିତ କରେ। Legates ଏବଂ McCabe83 ଅନୁସାରେ, RMSE ଯେଉଁ ପରିମାଣରେ ବାହ୍ୟ ବ୍ୟକ୍ତିଙ୍କ ଉପସ୍ଥିତିର ସୂଚକ ଭାବରେ ହାରାହାରି ସମ୍ପୂର୍ଣ୍ଣ ତ୍ରୁଟି (MAE) ଅତିକ୍ରମ କରେ ତାହା ବାହ୍ୟ ବ୍ୟକ୍ତିଙ୍କ ଉପସ୍ଥିତିର ସୂଚକ ଭାବରେ ସୁପାରିଶ କରାଯାଇଛି। ଏହାର ଅର୍ଥ ହେଉଛି ଯେ ଡାଟାସେଟ୍ ଯେତେ ବିଷମ, MAE ଏବଂ RMSE ମୂଲ୍ୟ ସେତେ ଅଧିକ। ସହରାଞ୍ଚଳ ଏବଂ ଉପନଗରୀୟ ମାଟିରେ Ni ବିଷୟବସ୍ତୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ Ca_Mg_K-EBK_SVMR ମିଶ୍ରିତ ମଡେଲର କ୍ରସ୍-ବ୍ୟାଲିଡେସନ୍ ମୂଲ୍ୟାଙ୍କନର ସଠିକତା 63.70% ଥିଲା। Li et al. 59 ଅନୁସାରେ, ସଠିକତାର ଏହି ସ୍ତର ଏକ ଗ୍ରହଣୀୟ ମଡେଲ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ହାର। ବର୍ତ୍ତମାନର ଫଳାଫଳଗୁଡ଼ିକୁ Tarasov et al ଦ୍ୱାରା ପୂର୍ବ ଅଧ୍ୟୟନ ସହିତ ତୁଳନା କରାଯାଇଛି। 36 ଯାହାର ହାଇବ୍ରିଡ୍ ମଡେଲ୍ MLPRK (ମଲ୍ଟିଲେୟର୍ ପର୍ସେପ୍ଟ୍ରନ୍ ରେସିଡୁଆଲ୍ କ୍ରିଗିଂ) ସୃଷ୍ଟି କରିଥିଲା, ଯାହା ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ ରିପୋର୍ଟ କରାଯାଇଥିବା EBK_SVMR ସଠିକତା ମୂଲ୍ୟାୟନ ସୂଚକାଙ୍କ ସହିତ ଜଡିତ, RMSE (210) ଏବଂ MAE (167.5) ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ ଆମର ଫଳାଫଳ (RMSE 95.479, MAE 77.368) ଅପେକ୍ଷା ଅଧିକ ଥିଲା। ତଥାପି, ତାରାସୋଭ୍ ଏବଂ ଅନ୍ୟାନ୍ୟଙ୍କ ସହିତ ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନର R2 (0.637) ତୁଳନା କରିବା ସମୟରେ। 36 (0.544), ଏହା ସ୍ପଷ୍ଟ ଯେ ଏହି ମିଶ୍ରିତ ମଡେଲରେ ନିର୍ଣ୍ଣୟର ଗୁଣାଙ୍କ (R2) ଅଧିକ। ମିଶ୍ରିତ ମଡେଲ ପାଇଁ ତ୍ରୁଟିର ସୀମା (RMSE ଏବଂ MAE) (EBK SVMR) ଦୁଇ ଗୁଣ କମ୍। ସେହିପରି, ସର୍ଗିଭ ଏଟ୍ ଅଲ୍.34 ବିକଶିତ ହାଇବ୍ରିଡ୍ ମଡେଲ (ମଲ୍ଟିଲେୟର ପର୍ସେପ୍ଟ୍ରନ୍ ରେସିଡୁଆଲ୍ କ୍ରିଗିଂ) ପାଇଁ 0.28 (R2) ରେକର୍ଡ କରିଛନ୍ତି, ଯେତେବେଳେ Ni ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ 0.637 (R2) ରେକର୍ଡ କରିଛନ୍ତି। ଏହି ମଡେଲ (EBK SVMR) ର ପୂର୍ବାନୁମାନ ସଠିକତା ସ୍ତର 63.7%, ଯେତେବେଳେ ସର୍ଗିଭ ଏଟ୍ ଅଲ୍. 34 ଦ୍ୱାରା ପ୍ରାପ୍ତ ପୂର୍ବାନୁମାନ ସଠିକତା 28%। EBK_SVMR ମଡେଲ ଏବଂ Ca_Mg_K କୁ ଏକ ଭବିଷ୍ୟବାଣୀ ଭାବରେ ବ୍ୟବହାର କରି ସୃଷ୍ଟି କରାଯାଇଥିବା ଚୂଡ଼ାନ୍ତ ମାନଚିତ୍ର (ଚିତ୍ର 5) ସମଗ୍ର ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ ହଟ୍ ସ୍ପଟ୍ ଏବଂ ମଧ୍ୟମରୁ ନିକେଲର ପୂର୍ବାନୁମାନ ଦର୍ଶାଉଛି। ଏହାର ଅର୍ଥ ହେଉଛି ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ ନିକେଲର ସାନ୍ଦ୍ରତା ମୁଖ୍ୟତଃ ମଧ୍ୟମ, କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ଷେତ୍ରରେ ଅଧିକ ସାନ୍ଦ୍ରତା ସହିତ।
ଚୂଡ଼ାନ୍ତ ପୂର୍ବାନୁମାନ ମାନଚିତ୍ରକୁ ହାଇବ୍ରିଡ୍ ମଡେଲ୍ EBK_SVMR ବ୍ୟବହାର କରି ଏବଂ Ca_Mg_K କୁ ପୂର୍ବାନୁମାନକାରୀ ଭାବରେ ବ୍ୟବହାର କରି ଦର୍ଶାଯାଇଛି। [ସ୍ଥାନୀୟ ବଣ୍ଟନ ମାନଚିତ୍ରଟି RStudio (ସଂସ୍କରଣ 1.4.1717: https://www.rstudio.com/) ବ୍ୟବହାର କରି ସୃଷ୍ଟି କରାଯାଇଥିଲା।]
ଚିତ୍ର 6 ରେ ଉପସ୍ଥାପିତ ହୋଇଛି PTE ସାନ୍ଦ୍ରତା ଏକ ରଚନା ସମତଳ ଭାବରେ ଯାହା ବ୍ୟକ୍ତିଗତ ନ୍ୟୁରନ୍ ନେଇ ଗଠିତ। କୌଣସି ଉପାଦାନ ପ୍ଲେନ ଦେଖାଯାଇଥିବା ପରି ସମାନ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ପ୍ରଦର୍ଶନ କରିନାହିଁ। ତଥାପି, ପ୍ରତି ଅଙ୍କିତ ମାନଚିତ୍ରରେ ଉପଯୁକ୍ତ ସଂଖ୍ୟା 55। SeOM ବିଭିନ୍ନ ରଙ୍ଗ ବ୍ୟବହାର କରି ଉତ୍ପାଦିତ ହୁଏ, ଏବଂ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ଯେତେ ସମାନ, ନମୁନାଗୁଡ଼ିକର ଗୁଣଗୁଡ଼ିକ ସେତେ ତୁଳନୀୟ। ସେମାନଙ୍କର ସଠିକ ରଙ୍ଗ ସ୍କେଲ୍ ଅନୁସାରେ, ବ୍ୟକ୍ତିଗତ ଉପାଦାନଗୁଡ଼ିକ (Ca, K, ଏବଂ Mg) ଏକକ ଉଚ୍ଚ ନ୍ୟୁରନ୍ ଏବଂ ଅଧିକାଂଶ ନିମ୍ନ ନ୍ୟୁରନ୍ ସହିତ ସମାନ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ଦେଖାଇଛନ୍ତି। ଏହିପରି, CaK ଏବଂ CaMg ବହୁତ ଉଚ୍ଚ-କ୍ରମ ନ୍ୟୁରନ୍ ଏବଂ ନିମ୍ନ-ରୁ-ମଧ୍ୟମ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ସହିତ କିଛି ସମାନତା ଅଂଶୀଦାର କରନ୍ତି। ଉଭୟ ମଡେଲ୍ ମଧ୍ୟମରୁ ଉଚ୍ଚ ରଙ୍ଗ ଯେପରିକି ଲାଲ, କମଳା ଏବଂ ହଳଦିଆ ପ୍ରଦର୍ଶନ କରି ମାଟିରେ Ni ର ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରନ୍ତି। KMg ମଡେଲ୍ ସଠିକ୍ ଅନୁପାତ ଏବଂ ନିମ୍ନରୁ ମଧ୍ୟମ ରଙ୍ଗ ପ୍ୟାଚ ଉପରେ ଆଧାରିତ ଅନେକ ଉଚ୍ଚ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ପ୍ରଦର୍ଶନ କରେ। ନିମ୍ନରୁ ଉଚ୍ଚ ପର୍ଯ୍ୟନ୍ତ ଏକ ସଠିକ୍ ରଙ୍ଗ ସ୍କେଲରେ, ମଡେଲର ଉପାଦାନଗୁଡ଼ିକର ପ୍ଲାନର ବଣ୍ଟନ ପ୍ୟାଟର୍ଣ୍ଣ ମାଟିରେ ନିକେଲର ସମ୍ଭାବ୍ୟ ସାନ୍ଦ୍ରତା ସୂଚାଇ ଏକ ଉଚ୍ଚ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ଦେଖାଇଲା (ଚିତ୍ର 4 ଦେଖନ୍ତୁ)। CakMg ମଡେଲ୍ ଉପାଦାନ ପ୍ଲେନ ନିମ୍ନରୁ ଉଚ୍ଚ ଅନୁଯାୟୀ ଏକ ବିବିଧ ରଙ୍ଗ ପ୍ୟାଟର୍ଣ୍ଣ ଦେଖାଏ। ଏକ ସଠିକ ରଙ୍ଗ ସ୍କେଲ୍ ପାଇଁ। ଏହା ବ୍ୟତୀତ, ମଡେଲର ନିକେଲ ବିଷୟବସ୍ତୁ (CakMg) ବିଷୟରେ ପୂର୍ବାନୁମାନ ଚିତ୍ର 5 ରେ ଦର୍ଶାଯାଇଥିବା ନିକେଲର ସ୍ଥାନିକ ବଣ୍ଟନ ସହିତ ସମାନ। ଉଭୟ ଗ୍ରାଫ୍ ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମାଟିରେ ନିକେଲ ସାନ୍ଦ୍ରତାର ଉଚ୍ଚ, ମଧ୍ୟମ ଏବଂ ନିମ୍ନ ଅନୁପାତ ଦେଖାଏ। ଚିତ୍ର 7 ମାନଚିତ୍ରରେ k-ମାଧ୍ୟମ ଗୋଷ୍ଠୀକରଣରେ କଣ୍ଟୋର ପଦ୍ଧତିକୁ ଚିତ୍ରଣ କରେ, ପ୍ରତ୍ୟେକ ମଡେଲରେ ପୂର୍ବାନୁମାନ ମୂଲ୍ୟ ଉପରେ ଆଧାରିତ ତିନୋଟି କ୍ଲଷ୍ଟରରେ ବିଭକ୍ତ। କଣ୍ଟୋର ପଦ୍ଧତି କ୍ଲଷ୍ଟରର ସର୍ବୋତ୍ତମ ସଂଖ୍ୟାକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ। ସଂଗୃହିତ 115 ମୃତ୍ତିକା ନମୁନା ମଧ୍ୟରୁ, ବର୍ଗ 1 ସର୍ବାଧିକ ମୃତ୍ତିକା ନମୁନା ପାଇଲା, 74। କ୍ଲଷ୍ଟର 2 33 ନମୁନା ପାଇଲା, ଯେତେବେଳେ କ୍ଲଷ୍ଟର 3 8 ନମୁନା ପାଇଲା। ସଠିକ୍ କ୍ଲଷ୍ଟର ବ୍ୟାଖ୍ୟା ପାଇଁ ଅନୁମତି ଦେବା ପାଇଁ ସାତ-ଉପାଦାନ ପ୍ଲାନାର ପୂର୍ବାନୁମାନ ମିଶ୍ରଣକୁ ସରଳୀକୃତ କରାଯାଇଥିଲା। ମୃତ୍ତିକା ଗଠନକୁ ପ୍ରଭାବିତ କରୁଥିବା ଅନେକ ମାନବଜାତ ଏବଂ ପ୍ରାକୃତିକ ପ୍ରକ୍ରିୟା ଯୋଗୁଁ, ଏକ ବିତରିତ SeOM ମାନଚିତ୍ରରେ ସଠିକ୍ ଭାବରେ ପୃଥକ କ୍ଲଷ୍ଟର ଢାଞ୍ଚା ରଖିବା କଷ୍ଟକର। 78।
ପ୍ରତ୍ୟେକ ଅଭିଜ୍ଞ ବାୟେସିଆନ୍ କ୍ରିଗିଂ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (EBK_SVM_SeOM) ଭେରିଏବଲ୍ ଦ୍ୱାରା କମ୍ପୋନେଣ୍ଟ ପ୍ଲେନ ଆଉଟପୁଟ୍। [RStudio (ସଂସ୍କରଣ 1.4.1717: https://www.rstudio.com/) ବ୍ୟବହାର କରି SeOM ମାନଚିତ୍ର ସୃଷ୍ଟି କରାଯାଇଥିଲା।]
ବିଭିନ୍ନ କ୍ଲଷ୍ଟର ବର୍ଗୀକରଣ ଉପାଦାନ [RStudio ବ୍ୟବହାର କରି SeOM ମାନଚିତ୍ର ସୃଷ୍ଟି କରାଯାଇଥିଲା (ସଂସ୍କରଣ 1.4.1717: https://www.rstudio.com/)।]
ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନ ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମାଟିରେ ନିକେଲ ସାନ୍ଦ୍ରତା ପାଇଁ ମଡେଲିଂ କୌଶଳକୁ ସ୍ପଷ୍ଟ ଭାବରେ ଦର୍ଶାଉଛି। ଅଧ୍ୟୟନ ମାଟିରେ ନିକେଲ ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବାର ସର୍ବୋତ୍ତମ ଉପାୟ ପାଇବା ପାଇଁ ମଡେଲିଂ କୌଶଳ ସହିତ ଉପାଦାନଗୁଡ଼ିକୁ ମିଶ୍ରଣ କରି ବିଭିନ୍ନ ମଡେଲିଂ କୌଶଳ ପରୀକ୍ଷଣ କରିଥିଲା। ମଡେଲିଂ କୌଶଳର SeOM କମ୍ପୋଜିସନାଲ୍ ପ୍ଲାନର୍ ସ୍ପେସିଆଲ୍ ବୈଶିଷ୍ଟ୍ୟଗୁଡ଼ିକ ଏକ ସଠିକ୍ ରଙ୍ଗ ସ୍କେଲ୍ ଉପରେ ନିମ୍ନରୁ ଉଚ୍ଚ ପର୍ଯ୍ୟନ୍ତ ଏକ ଉଚ୍ଚ ରଙ୍ଗ ପ୍ୟାଟର୍ନ ପ୍ରଦର୍ଶନ କରିଥିଲା, ଯାହା ମାଟିରେ Ni ସାନ୍ଦ୍ରତାକୁ ସୂଚିତ କରିଥିଲା। ତଥାପି, ସ୍ଥାନିୟ ବଣ୍ଟନ ମାନଚିତ୍ର EBK_SVMR ଦ୍ୱାରା ପ୍ରଦର୍ଶିତ ଉପାଦାନଗୁଡ଼ିକର ପ୍ଲାନର୍ ସ୍ପେସିଆଲ୍ ବଣ୍ଟନକୁ ନିଶ୍ଚିତ କରେ (ଚିତ୍ର 5 ଦେଖନ୍ତୁ)। ଫଳାଫଳଗୁଡ଼ିକ ଦର୍ଶାଏ ଯେ ସମର୍ଥନ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ ମଡେଲ୍ (Ca Mg K-SVMR) ମାଟିରେ Ni ର ସାନ୍ଦ୍ରତାକୁ ଏକକ ମଡେଲ୍ ଭାବରେ ପୂର୍ବାନୁମାନ କରେ, କିନ୍ତୁ ବୈଧତା ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ପାରାମିଟରଗୁଡ଼ିକ RMSE ଏବଂ MAE ଦୃଷ୍ଟିରୁ ବହୁତ ଉଚ୍ଚ ତ୍ରୁଟି ଦେଖାଏ। ଅନ୍ୟପକ୍ଷରେ, EBK_MLR ମଡେଲ୍ ସହିତ ନିୟୋଜିତ ମଡେଲିଂ କୌଶଳ ମଧ୍ୟ ନିର୍ଣ୍ଣୟର ଗୁଣାଙ୍କ (R2) ର କମ ମୂଲ୍ୟ ଯୋଗୁଁ ତ୍ରୁଟିପୂର୍ଣ୍ଣ। 63.7% ସଠିକତା ସହିତ EBK SVMR ଏବଂ କମ୍ RMSE ଏବଂ MAE ତ୍ରୁଟି ସହିତ ମିଳିତ ଉପାଦାନ (CaKMg) ବ୍ୟବହାର କରି ଭଲ ଫଳାଫଳ ପ୍ରାପ୍ତ ହୋଇଥିଲା। ଏହା ଏହା ଜଣାପଡ଼ିଛି ଯେ EBK ଆଲଗୋରିଦମକୁ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ସହିତ ମିଶ୍ରଣ କରି ଏକ ହାଇବ୍ରିଡ୍ ଆଲଗୋରିଦମ ସୃଷ୍ଟି କରାଯାଇପାରିବ ଯାହା ମାଟିରେ PTE ର ଘନତା ପୂର୍ବାନୁମାନ କରିପାରିବ। ଫଳାଫଳଗୁଡ଼ିକ ଦର୍ଶାଉଛି ଯେ ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ Ni ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ Ca Mg K କୁ ଭବିଷ୍ୟବାଣୀକାରୀ ଭାବରେ ବ୍ୟବହାର କରିବା ଦ୍ଵାରା ମାଟିରେ Ni ର ପୂର୍ବାନୁମାନ ଉନ୍ନତ ହୋଇପାରିବ। ଏହାର ଅର୍ଥ ହେଉଛି ଯେ ଇସ୍ପାତ ଶିଳ୍ପ ଦ୍ୱାରା ନିକେଲ୍-ଆଧାରିତ ସାର ଏବଂ ମାଟିର ଶିଳ୍ପ ପ୍ରଦୂଷଣର ନିରନ୍ତର ପ୍ରୟୋଗ ମାଟିରେ ନିକେଲର ଘନତା ବୃଦ୍ଧି କରିବାର ପ୍ରବୃତ୍ତି ରହିଛି। ଏହି ଅଧ୍ୟୟନରୁ ଜଣାପଡିଛି ଯେ EBK ମଡେଲ୍ ତ୍ରୁଟିର ସ୍ତରକୁ ହ୍ରାସ କରିପାରିବ ଏବଂ ସହରାଞ୍ଚଳ କିମ୍ବା ପେରି-ସହରୀ ମାଟିରେ ମାଟି ସ୍ଥାନିୟ ବଣ୍ଟନ ମଡେଲର ସଠିକତାକୁ ଉନ୍ନତ କରିପାରିବ। ସାଧାରଣତଃ, ଆମେ ମାଟିରେ PTE ମୂଲ୍ୟାଙ୍କନ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ EBK-SVMR ମଡେଲ୍ ପ୍ରୟୋଗ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ; ଏହା ସହିତ, ଆମେ ବିଭିନ୍ନ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମ ସହିତ ସଂକରୀକରଣ କରିବା ପାଇଁ EBK ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଉଛୁ। କୋଭାରିଏଟ୍ ଭାବରେ ଉପାଦାନ ବ୍ୟବହାର କରି Ni ସାନ୍ଦ୍ରତା ପୂର୍ବାନୁମାନ କରାଯାଇଥିଲା; ତଥାପି, ଅଧିକ କୋଭାରିଏଟ୍ ବ୍ୟବହାର କରିବା ଦ୍ୱାରା ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତାରେ ବହୁ ଉନ୍ନତି ଆସିବ, ଯାହାକୁ ବର୍ତ୍ତମାନର କାର୍ଯ୍ୟର ଏକ ସୀମା ବୋଲି ବିବେଚନା କରାଯାଇପାରିବ। ଏହି ଅଧ୍ୟୟନର ଆଉ ଏକ ସୀମା ହେଉଛି ଡାଟାସେଟ୍ ସଂଖ୍ୟା 115। ତେଣୁ, ଯଦି ଅଧିକ ତଥ୍ୟ ପ୍ରଦାନ କରାଯାଏ, ତେବେ ପ୍ରସ୍ତାବିତ ଅପ୍ଟିମାଇଜ୍ଡ ହାଇବ୍ରିଡାଇଜେସନ୍ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରାଯାଇପାରିବ।
PlantProbs.net.Nickel in Plant and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (ଆକ୍ସେସ୍ ୨୮ ଏପ୍ରିଲ୍ ୨୦୨୧)।
କାସପ୍ରଜାକ, କେଏସ ନିକେଲ ଆଧୁନିକ ପରିବେଶଗତ ବିଷ ବିଜ୍ଞାନରେ ଅଗ୍ରଗତି କରନ୍ତି। ପରିବେଶ। ବିଷ ବିଜ୍ଞାନ।୧୧, ୧୪୫–୧୮୩ (୧୯୮୭)।
ସେମ୍ପେଲ, ଏମ୍. ଏବଂ ନିକେଲ, ଜି. ନିକେଲ: ଏହାର ଉତ୍ସ ଏବଂ ପରିବେଶଗତ ବିଷ ବିଜ୍ଞାନର ସମୀକ୍ଷା।ପୋଲିସ୍ ଜେ. ପରିବେଶ।ଷ୍ଟୁଡ୍.୧୫, ୩୭୫–୩୮୨ (୨୦୦୬)।
ଫ୍ରିଡମ୍ୟାନ୍, ବି. ଏବଂ ହଚିନସନ୍, ଟିସି କାନାଡାର ଅଣ୍ଟାରିଓର ସଡବରୀରେ ଏକ ନିକେଲ-ତମ୍ବା ସ୍ମେଲ୍ଟର ନିକଟରେ ବାୟୁମଣ୍ଡଳରୁ ପ୍ରଦୂଷଣକାରୀ ଇନପୁଟ୍ ଏବଂ ମାଟି ଏବଂ ଉଦ୍ଭିଦରେ ଜମା। can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
ମାନ୍ୟିୱା, ଟି. ଏବଂ ଅନ୍ୟମାନେ। ବୋଟସୱାନାର ସେଲେବି-ଫିକୱେ ତମ୍ବା-ନିକେଲ ଖଣି ନିକଟରେ ମାଟି, ଉଦ୍ଭିଦ ଏବଂ ଚରିବା ପାଇଁ ଜୀବଜନ୍ତୁଙ୍କ ସହିତ ଜଡିତ ଭାରୀ ଧାତୁ। ପରିବେଶ। ଭୂ-ରସାୟନ ବିଜ୍ଞାନ। ସ୍ୱାସ୍ଥ୍ୟ https://doi.org/10.1007/s10653-021-00918-x (2021)।
କାବାଟା-ପେଣ୍ଡିଆସ୍.କାବାଟା-ପେଣ୍ଡିଆସ୍ ଏ. ୨୦୧୧. ମାଟିରେ ଉପାଦାନଗୁଡ଼ିକୁ ଟ୍ରେସ୍ କରନ୍ତୁ ଏବଂ… – ଗୁଗୁଲ୍ ସ୍କଲାର 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= (୨୪ ନଭେମ୍ବର ୨୦୨୦ରେ ପ୍ରବେଶ କରାଯାଇଛି)।
ଆଲମାସ୍, ଏ., ସିଂହ, ବି., କୃଷି, TS-NJ ର & 1995, ଅପରିଭାଷିତ। ନରୱେର ସୋଅର-ଭାରାଞ୍ଜରରେ କୃଷି ମାଟି ଏବଂ ଘାସରେ ଭାରୀ ଧାତୁ ସାନ୍ଦ୍ରତା ଉପରେ ରୁଷୀୟ ନିକେଲ ଶିଳ୍ପର ପ୍ରଭାବ।agris.fao.org।
ନିଲସେନ, ଜିଡି ଏବଂ ଅନ୍ୟାନ୍ୟ। ପାନୀୟ ଜଳରେ ନିକେଲ ଶୋଷଣ ଏବଂ ସଂରକ୍ଷଣ ଖାଦ୍ୟ ଗ୍ରହଣ ଏବଂ ନିକେଲ ସମ୍ବେଦନଶୀଳତା ସହିତ ଜଡିତ। ବିଷ ବିଜ୍ଞାନ। ପ୍ରୟୋଗ। ଫାର୍ମାକୋଡାଇନାମିକ୍ସ। ୧୫୪, ୬୭–୭୫ (୧୯୯୯)।
କୋଷ୍ଟା, ଏମ୍. ଏବଂ କ୍ଲାଇନ୍, ସିବି ନିକେଲ୍ କାର୍ସିନୋଜେନେସିସ୍, ମ୍ୟୁଟେସନ୍, ଏପିଜେନେଟିକ୍ସ କିମ୍ବା ଚୟନ। ପରିବେଶ। ସ୍ୱାସ୍ଥ୍ୟ ଦୃଷ୍ଟିକୋଣ। ୧୦୭, ୨ (୧୯୯୯)।
ଅଜମାନ, ପିସି; ଆଜାଡୋ, ଏସକେ; ବୋରୁଭକା, ଏଲ.; ବିନି, ଜେକେଏମ; ସାର୍କୋଡି, ଭିୱାଇଓ; କୋବୋନି, ଏନଏମ; ସମ୍ଭାବ୍ୟ ବିଷାକ୍ତ ଉପାଦାନଗୁଡ଼ିକର ଧାରା ବିଶ୍ଳେଷଣ: ଏକ ଗ୍ରନ୍ଥଶାଳା ସମୀକ୍ଷା। ପରିବେଶଗତ ଭୂରସାୟନ ଏବଂ ସ୍ୱାସ୍ଥ୍ୟ। ସ୍ପ୍ରିଙ୍ଗର ବିଜ୍ଞାନ ଏବଂ ବ୍ୟବସାୟ ଗଣମାଧ୍ୟମ BV 2020। https://doi.org/10.1007/s10653-020-00742-9।
ମିନାସ୍ନି, ବି. ଏବଂ ମ୍ୟାକବ୍ରାଟନି, ଏବି ଡିଜିଟାଲ୍ ମୃତ୍ତିକା ମ୍ୟାପିଂ: ଏକ ସଂକ୍ଷିପ୍ତ ଇତିହାସ ଏବଂ କିଛି ଶିକ୍ଷା। ଜିଓଡର୍ମା 264, 301–311. https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)।
ମ୍ୟାକବ୍ରାଟନି, ଏବି, ମେଣ୍ଡୋନ୍ସା ସାଣ୍ଟୋସ୍, ଏମ୍.ଏଲ୍ ଏବଂ ମିନାସ୍ନି, ବି। ଡିଜିଟାଲ୍ ମାଟି ମ୍ୟାପିଂ ଉପରେ।
Deutsch.CV ଜିଓଷ୍ଟାଟିଷ୍ଟିକାଲ୍ ରିଜର୍ଭୋୟାର ମଡେଲିଂ,… – ଗୁଗୁଲ୍ ସ୍କଲାର 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= (୨୮ ଏପ୍ରିଲ ୨୦୨୧ରେ ପ୍ରବେଶ କରାଯାଇଛି)।
ପୋଷ୍ଟ ସମୟ: ଜୁଲାଇ-୨୨-୨୦୨୨
