Nature.com 'ਤੇ ਜਾਣ ਲਈ ਧੰਨਵਾਦ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਬ੍ਰਾਊਜ਼ਰ ਸੰਸਕਰਣ ਵਿੱਚ CSS ਲਈ ਸੀਮਤ ਸਮਰਥਨ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਅਨੁਭਵ ਲਈ, ਅਸੀਂ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਇੱਕ ਅੱਪਡੇਟ ਕੀਤੇ ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰੋ (ਜਾਂ ਇੰਟਰਨੈੱਟ ਐਕਸਪਲੋਰਰ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਬੰਦ ਕਰੋ)। ਇਸ ਦੌਰਾਨ, ਨਿਰੰਤਰ ਸਹਾਇਤਾ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਾਈਟ ਨੂੰ ਸਟਾਈਲ ਅਤੇ ਜਾਵਾ ਸਕ੍ਰਿਪਟ ਤੋਂ ਬਿਨਾਂ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਾਂਗੇ।
ਮਿੱਟੀ ਪ੍ਰਦੂਸ਼ਣ ਮਨੁੱਖੀ ਗਤੀਵਿਧੀਆਂ ਕਾਰਨ ਹੋਣ ਵਾਲੀ ਇੱਕ ਵੱਡੀ ਸਮੱਸਿਆ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਖੇਤਰਾਂ ਵਿੱਚ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਜ਼ਹਿਰੀਲੇ ਤੱਤਾਂ (PTEs) ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਵੱਖ-ਵੱਖ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਅਜਿਹੀਆਂ ਮਿੱਟੀਆਂ ਵਿੱਚ PTEs ਦੀ ਸਮੱਗਰੀ ਦਾ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ। ਚੈੱਕ ਗਣਰਾਜ ਦੇ ਫ੍ਰਾਈਡੇਕ ਮਿਸਟੇਕ ਤੋਂ ਕੁੱਲ 115 ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਕੈਲਸ਼ੀਅਮ (Ca), ਮੈਗਨੀਸ਼ੀਅਮ (Mg), ਪੋਟਾਸ਼ੀਅਮ (K) ਅਤੇ ਨਿੱਕਲ (Ni) ਗਾੜ੍ਹਾਪਣ ਇੰਡਕਟਿਵਲੀ ਕਪਲਡ ਪਲਾਜ਼ਮਾ ਐਮੀਸ਼ਨ ਸਪੈਕਟ੍ਰੋਮੈਟਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲ Ni ਹੈ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ Ca, Mg, ਅਤੇ K ਹਨ। ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵੇਰੀਏਬਲ ਵਿਚਕਾਰ ਸਬੰਧ ਮੈਟ੍ਰਿਕਸ ਤੱਤਾਂ ਵਿਚਕਾਰ ਇੱਕ ਤਸੱਲੀਬਖਸ਼ ਸਬੰਧ ਦਰਸਾਉਂਦਾ ਹੈ। ਭਵਿੱਖਬਾਣੀ ਦੇ ਨਤੀਜਿਆਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਰੀਗਰੈਸ਼ਨ (SVMR) ਨੇ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਹਾਲਾਂਕਿ ਇਸਦਾ ਅਨੁਮਾਨਿਤ ਰੂਟ ਮੀਨ ਸਕੁਏਅਰ ਐਰਰ (RMSE) (235.974 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਅਤੇ ਔਸਤ ਪੂਰਨ ਗਲਤੀ (MAE) (166.946 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਲਾਗੂ ਕੀਤੇ ਗਏ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵੱਧ ਸਨ। ਅਨੁਭਵੀ ਬੇਸੀਅਨ ਕ੍ਰਿਗਿੰਗ-ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਲਈ ਮਿਸ਼ਰਤ ਮਾਡਲ (EBK-MLR) ਮਾੜੇ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ 0.1 ਤੋਂ ਘੱਟ ਨਿਰਧਾਰਨ ਦੇ ਗੁਣਾਂਕ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੈ। ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ-ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਰਿਗਰੈਸ਼ਨ (EBK-SVMR) ਮਾਡਲ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੀ, ਘੱਟ RMSE (95.479 mg/kg) ਅਤੇ MAE (77.368 mg/kg) ਮੁੱਲਾਂ ਅਤੇ ਉੱਚ ਨਿਰਧਾਰਨ ਗੁਣਾਂਕ (R2 = 0.637) ਦੇ ਨਾਲ। EBK-SVMR ਮਾਡਲਿੰਗ ਤਕਨੀਕ ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਸਵੈ-ਸੰਗਠਿਤ ਨਕਸ਼ੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ CakMg-EBK-SVMR ਕੰਪੋਨੈਂਟ ਦੇ ਪਲੇਨ ਵਿੱਚ ਕਲੱਸਟਰਡ ਨਿਊਰੋਨਸ ਕਈ ਰੰਗਾਂ ਦੇ ਪੈਟਰਨ ਦਿਖਾਉਂਦੇ ਹਨ ਜੋ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ Ni ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ EBK ਅਤੇ SVMR ਨੂੰ ਜੋੜਨਾ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ Ni ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਕਨੀਕ ਹੈ।
ਨਿੱਕਲ (Ni) ਨੂੰ ਪੌਦਿਆਂ ਲਈ ਇੱਕ ਸੂਖਮ ਪੌਸ਼ਟਿਕ ਤੱਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਾਯੂਮੰਡਲੀ ਨਾਈਟ੍ਰੋਜਨ ਫਿਕਸੇਸ਼ਨ (N) ਅਤੇ ਯੂਰੀਆ ਮੈਟਾਬੋਲਿਜ਼ਮ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ, ਇਹ ਦੋਵੇਂ ਬੀਜਾਂ ਦੇ ਉਗਣ ਲਈ ਜ਼ਰੂਰੀ ਹਨ। ਬੀਜ ਦੇ ਉਗਣ ਵਿੱਚ ਇਸਦੇ ਯੋਗਦਾਨ ਤੋਂ ਇਲਾਵਾ, Ni ਇੱਕ ਫੰਗਲ ਅਤੇ ਬੈਕਟੀਰੀਆ ਰੋਕਣ ਵਾਲੇ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਪੌਦਿਆਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਘਾਟ ਪੌਦੇ ਨੂੰ ਇਸਨੂੰ ਜਜ਼ਬ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਜਿਸਦੇ ਨਤੀਜੇ ਵਜੋਂ ਪੱਤਿਆਂ ਦਾ ਕਲੋਰੋਸਿਸ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਕਾਵਾਂ ਅਤੇ ਹਰੀਆਂ ਫਲੀਆਂ ਨੂੰ ਨਾਈਟ੍ਰੋਜਨ ਫਿਕਸੇਸ਼ਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਨਿੱਕਲ-ਅਧਾਰਤ ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ2। ਮਿੱਟੀ ਨੂੰ ਅਮੀਰ ਬਣਾਉਣ ਅਤੇ ਮਿੱਟੀ ਵਿੱਚ ਨਾਈਟ੍ਰੋਜਨ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਫਲ਼ੀਦਾਰਾਂ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਨਿੱਕਲ-ਅਧਾਰਤ ਖਾਦਾਂ ਦੀ ਨਿਰੰਤਰ ਵਰਤੋਂ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ ਨਿੱਕਲ ਪੌਦਿਆਂ ਲਈ ਇੱਕ ਸੂਖਮ ਪੌਸ਼ਟਿਕ ਤੱਤ ਹੈ, ਮਿੱਟੀ ਵਿੱਚ ਇਸਦਾ ਜ਼ਿਆਦਾ ਸੇਵਨ ਚੰਗੇ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਨੁਕਸਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਜ਼ਹਿਰੀਲੀ ਮਾਤਰਾ ਮਿੱਟੀ ਦੇ pH ਨੂੰ ਘੱਟ ਕਰਦੀ ਹੈ ਅਤੇ ਪੌਦਿਆਂ ਦੇ ਵਿਕਾਸ ਲਈ ਜ਼ਰੂਰੀ ਪੌਸ਼ਟਿਕ ਤੱਤ ਵਜੋਂ ਲੋਹੇ ਦੇ ਗ੍ਰਹਿਣ ਨੂੰ ਰੋਕਦੀ ਹੈ1।Liu3 ਦੇ ਅਨੁਸਾਰ, Ni ਨੂੰ ਪੌਦਿਆਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਵਿਕਾਸ ਲਈ ਲੋੜੀਂਦਾ 17ਵਾਂ ਮਹੱਤਵਪੂਰਨ ਤੱਤ ਪਾਇਆ ਗਿਆ ਹੈ। ਪੌਦਿਆਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਵਿਕਾਸ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਭੂਮਿਕਾ ਤੋਂ ਇਲਾਵਾ, ਮਨੁੱਖਾਂ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਇਸਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ, ਨਿੱਕਲ-ਅਧਾਰਤ ਮਿਸ਼ਰਤ ਧਾਤ ਦੇ ਉਤਪਾਦਨ, ਅਤੇ ਆਟੋਮੋਟਿਵ ਉਦਯੋਗ ਵਿੱਚ ਇਗਨੀਸ਼ਨ ਯੰਤਰਾਂ ਅਤੇ ਸਪਾਰਕ ਪਲੱਗਾਂ ਦੇ ਨਿਰਮਾਣ ਲਈ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਿਕ ਖੇਤਰਾਂ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਵਰਤੋਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਿੱਕਲ-ਅਧਾਰਤ ਮਿਸ਼ਰਤ ਧਾਤ ਅਤੇ ਇਲੈਕਟ੍ਰੋਪਲੇਟਿਡ ਵਸਤੂਆਂ ਨੂੰ ਰਸੋਈ ਦੇ ਸਮਾਨ, ਬਾਲਰੂਮ ਉਪਕਰਣ, ਭੋਜਨ ਉਦਯੋਗ ਸਪਲਾਈ, ਇਲੈਕਟ੍ਰੀਕਲ, ਤਾਰ ਅਤੇ ਕੇਬਲ, ਜੈੱਟ ਟਰਬਾਈਨ, ਸਰਜੀਕਲ ਇਮਪਲਾਂਟ, ਟੈਕਸਟਾਈਲ ਅਤੇ ਜਹਾਜ਼ ਨਿਰਮਾਣ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਗਿਆ ਹੈ। ਮਿੱਟੀ (ਭਾਵ, ਸਤ੍ਹਾ ਵਾਲੀ ਮਿੱਟੀ) ਵਿੱਚ Ni-ਅਮੀਰ ਪੱਧਰਾਂ ਨੂੰ ਮਾਨਵ-ਜਨਕ ਅਤੇ ਕੁਦਰਤੀ ਸਰੋਤਾਂ ਦੋਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਠਹਿਰਾਇਆ ਗਿਆ ਹੈ, ਪਰ ਮੁੱਖ ਤੌਰ 'ਤੇ, Ni ਮਾਨਵ-ਜਨਕ 4,6 ਦੀ ਬਜਾਏ ਇੱਕ ਕੁਦਰਤੀ ਸਰੋਤ ਹੈ। ਨਿੱਕਲ ਦੇ ਕੁਦਰਤੀ ਸਰੋਤਾਂ ਵਿੱਚ ਜਵਾਲਾਮੁਖੀ ਫਟਣਾ, ਬਨਸਪਤੀ, ਜੰਗਲ ਦੀ ਅੱਗ ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ; ਹਾਲਾਂਕਿ, ਮਾਨਵ-ਜਨਕ ਸਰੋਤਾਂ ਵਿੱਚ ਸਟੀਲ ਉਦਯੋਗ ਵਿੱਚ ਨਿੱਕਲ/ਕੈਡਮੀਅਮ ਬੈਟਰੀਆਂ, ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ, ਆਰਕ ਵੈਲਡਿੰਗ, ਡੀਜ਼ਲ ਅਤੇ ਬਾਲਣ ਤੇਲ, ਅਤੇ ਕੋਲੇ ਦੇ ਬਲਨ ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਅਤੇ ਸਲੱਜ ਇਨਸਿਨਰੇਸ਼ਨ ਨਿੱਕਲ ਇਕੱਠਾ ਹੋਣ ਤੋਂ ਵਾਯੂਮੰਡਲੀ ਨਿਕਾਸ ਸ਼ਾਮਲ ਹਨ। ਫ੍ਰੀਡਮੈਨ ਅਤੇ ਹਚਿਨਸਨ 9 ਅਤੇ ਮਨੀਵਾ ਐਟ ਅਲ ਦੇ ਅਨੁਸਾਰ। 10, ਤੁਰੰਤ ਅਤੇ ਨਾਲ ਲੱਗਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਉੱਪਰਲੇ ਪ੍ਰਦੂਸ਼ਣ ਦੇ ਮੁੱਖ ਸਰੋਤ ਮੁੱਖ ਤੌਰ 'ਤੇ ਨਿੱਕਲ-ਕਾਂਪਰ-ਅਧਾਰਤ ਗੰਧਕ ਅਤੇ ਖਾਣਾਂ ਹਨ। ਕੈਨੇਡਾ ਵਿੱਚ ਸਡਬਰੀ ਨਿੱਕਲ-ਕਾਂਪਰ ਰਿਫਾਇਨਰੀ ਦੇ ਆਲੇ ਦੁਆਲੇ ਦੀ ਉੱਪਰਲੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਪ੍ਰਦੂਸ਼ਣ ਦਾ ਸਭ ਤੋਂ ਵੱਧ ਪੱਧਰ 26,000 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਸੀ। ਇਸ ਦੇ ਉਲਟ, ਰੂਸ ਵਿੱਚ ਨਿੱਕਲ ਉਤਪਾਦਨ ਤੋਂ ਪ੍ਰਦੂਸ਼ਣ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਨਾਰਵੇਈ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਗਾੜ੍ਹਾਪਣ ਵੱਧ ਗਈ ਹੈ। ਐਲਮਸ ਐਟ ਅਲ ਦੇ ਅਨੁਸਾਰ। 12, ਖੇਤਰ ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਖੇਤੀਯੋਗ ਜ਼ਮੀਨ (ਰੂਸ ਵਿੱਚ ਨਿੱਕਲ ਉਤਪਾਦਨ) ਵਿੱਚ HNO3-ਐਕਸਟਰੈਕਟੇਬਲ ਨਿੱਕਲ ਦੀ ਮਾਤਰਾ 6.25 ਤੋਂ 136.88 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਤੱਕ ਸੀ, ਜੋ ਕਿ ਔਸਤਨ 30.43 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਅਤੇ 25 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਦੀ ਬੇਸਲਾਈਨ ਗਾੜ੍ਹਾਪਣ ਦੇ ਅਨੁਸਾਰੀ ਹੈ। ਕਬਾਟਾ 11 ਦੇ ਅਨੁਸਾਰ, ਲਗਾਤਾਰ ਫਸਲੀ ਮੌਸਮਾਂ ਦੌਰਾਨ ਸ਼ਹਿਰੀ ਜਾਂ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਖੇਤੀਬਾੜੀ ਮਿੱਟੀ ਵਿੱਚ ਫਾਸਫੋਰਸ ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਮਿੱਟੀ ਨੂੰ ਭਰ ਸਕਦੀ ਹੈ ਜਾਂ ਦੂਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ। ਮਨੁੱਖਾਂ ਵਿੱਚ ਨਿੱਕਲ ਦੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵਾਂ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਿਊਟਾਜੇਨੇਸਿਸ, ਕ੍ਰੋਮੋਸੋਮਲ ਨੁਕਸਾਨ, Z-DNA ਉਤਪਾਦਨ, ਬਲਾਕਡ DNA ਐਕਸਾਈਜ਼ਨ ਮੁਰੰਮਤ, ਜਾਂ ਐਪੀਜੇਨੇਟਿਕ ਪ੍ਰਕਿਰਿਆਵਾਂ 13 ਰਾਹੀਂ ਕੈਂਸਰ ਹੋ ਸਕਦਾ ਹੈ। ਜਾਨਵਰਾਂ ਦੇ ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ, ਨਿੱਕਲ ਵਿੱਚ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਟਿਊਮਰ ਪੈਦਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਪਾਈ ਗਈ ਹੈ, ਅਤੇ ਕਾਰਸੀਨੋਜਨਿਕ ਨਿੱਕਲ ਕੰਪਲੈਕਸ ਅਜਿਹੇ ਟਿਊਮਰਾਂ ਨੂੰ ਵਧਾ ਸਕਦੇ ਹਨ।
ਮਿੱਟੀ-ਪੌਦੇ ਸਬੰਧਾਂ, ਮਿੱਟੀ ਅਤੇ ਮਿੱਟੀ ਦੇ ਜੈਵਿਕ ਸਬੰਧਾਂ, ਵਾਤਾਵਰਣਕ ਗਿਰਾਵਟ, ਅਤੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਸਿਹਤ-ਸਬੰਧਤ ਮੁੱਦਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਦੇ ਕਾਰਨ ਹਾਲ ਹੀ ਦੇ ਸਮੇਂ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਪ੍ਰਦੂਸ਼ਣ ਦੇ ਮੁਲਾਂਕਣ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਹੈ। ਅੱਜ ਤੱਕ, ਮਿੱਟੀ ਵਿੱਚ Ni ਵਰਗੇ ਸੰਭਾਵੀ ਜ਼ਹਿਰੀਲੇ ਤੱਤਾਂ (PTEs) ਦੀ ਸਥਾਨਿਕ ਭਵਿੱਖਬਾਣੀ ਰਵਾਇਤੀ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਿਹਨਤੀ ਅਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲੀ ਰਹੀ ਹੈ। ਡਿਜੀਟਲ ਮਿੱਟੀ ਮੈਪਿੰਗ (DSM) ਦੇ ਆਗਮਨ ਅਤੇ ਇਸਦੀ ਮੌਜੂਦਾ ਸਫਲਤਾ15 ਨੇ ਭਵਿੱਖਬਾਣੀ ਮਿੱਟੀ ਮੈਪਿੰਗ (PSM) ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਕੀਤਾ ਹੈ। ਮਿਨਾਸਨੀ ਅਤੇ ਮੈਕਬ੍ਰੈਟਨੀ16 ਦੇ ਅਨੁਸਾਰ, ਭਵਿੱਖਬਾਣੀ ਮਿੱਟੀ ਮੈਪਿੰਗ (DSM) ਮਿੱਟੀ ਵਿਗਿਆਨ ਦਾ ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਪ-ਅਨੁਸ਼ਾਸਨ ਸਾਬਤ ਹੋਇਆ ਹੈ। ਲਾਗਾਚੇਰੀ ਅਤੇ ਮੈਕਬ੍ਰੈਟਨੀ, 2006 DSM ਨੂੰ "ਇਨ ਸੀਟੂ ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨਿਰੀਖਣ ਵਿਧੀਆਂ ਅਤੇ ਸਥਾਨਿਕ ਅਤੇ ਗੈਰ-ਸਥਾਨਿਕ ਮਿੱਟੀ ਅਨੁਮਾਨ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਵਰਤੋਂ ਦੁਆਰਾ ਸਥਾਨਿਕ ਮਿੱਟੀ ਜਾਣਕਾਰੀ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸਿਰਜਣਾ ਅਤੇ ਭਰਾਈ" ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਮੈਕਬ੍ਰੈਟਨੀ ਅਤੇ ਹੋਰ। 17 ਰੂਪਰੇਖਾ ਦਿੰਦਾ ਹੈ ਕਿ ਸਮਕਾਲੀ DSM ਜਾਂ PSM PTEs, ਮਿੱਟੀ ਦੀਆਂ ਕਿਸਮਾਂ ਅਤੇ ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਜਾਂ ਮੈਪਿੰਗ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਕਨੀਕ ਹੈ। ਭੂ-ਵਿਗਿਆਨ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ (MLA) DSM ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਹਨ ਜੋ ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੰਪਿਊਟਰਾਂ ਦੀ ਮਦਦ ਨਾਲ ਡਿਜੀਟਾਈਜ਼ਡ ਨਕਸ਼ੇ ਬਣਾਉਂਦੀਆਂ ਹਨ।
Deutsch18 ਅਤੇ Olea19 ਭੂ-ਵਿਗਿਆਨ ਨੂੰ "ਸੰਖਿਆਤਮਕ ਤਕਨੀਕਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ ਜੋ ਸਥਾਨਿਕ ਗੁਣਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਨਾਲ ਨਜਿੱਠਦੇ ਹਨ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਸਟੋਚੈਸਟਿਕ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਸਥਾਈ ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਦਰਸਾਉਂਦਾ ਹੈ।" ਮੁੱਖ ਤੌਰ 'ਤੇ, ਭੂ-ਵਿਗਿਆਨ ਵਿੱਚ ਵੈਰੀਓਗ੍ਰਾਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜੋ ਹਰੇਕ ਡੇਟਾਸੈਟ ਤੋਂ ਸਥਾਨਿਕ ਮੁੱਲਾਂ ਦੀ ਨਿਰਭਰਤਾ ਨੂੰ ਮਾਪਣ ਅਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ20।Gumiaux et al. 20 ਹੋਰ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਭੂ-ਵਿਗਿਆਨ ਵਿੱਚ ਵੈਰੀਓਗ੍ਰਾਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਤਿੰਨ ਸਿਧਾਂਤਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜਿਸ ਵਿੱਚ (a) ਡੇਟਾ ਸਹਿ-ਸੰਬੰਧ ਦੇ ਪੈਮਾਨੇ ਦੀ ਗਣਨਾ, (b) ਡੇਟਾਸੈਟ ਅਸਮਾਨਤਾ ਵਿੱਚ ਐਨੀਸੋਟ੍ਰੋਪੀ ਦੀ ਪਛਾਣ ਅਤੇ ਗਣਨਾ ਅਤੇ (c) ਸਥਾਨਕ ਪ੍ਰਭਾਵਾਂ ਤੋਂ ਵੱਖ ਕੀਤੇ ਮਾਪ ਡੇਟਾ ਦੀ ਅੰਦਰੂਨੀ ਗਲਤੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਦੇ ਨਾਲ-ਨਾਲ, ਖੇਤਰ ਪ੍ਰਭਾਵਾਂ ਦਾ ਵੀ ਅਨੁਮਾਨ ਲਗਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹਨਾਂ ਸੰਕਲਪਾਂ 'ਤੇ ਨਿਰਮਾਣ ਕਰਦੇ ਹੋਏ, ਭੂ-ਵਿਗਿਆਨ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ PTE, ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਮਿੱਟੀ ਦੀਆਂ ਕਿਸਮਾਂ ਦਾ ਨਕਸ਼ਾ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਜਨਰਲ ਕ੍ਰਿਗਿੰਗ, ਸਹਿ-ਕ੍ਰਗਿੰਗ, ਆਮ ਕ੍ਰਿਗਿੰਗ, ਅਨੁਭਵੀ ਬੇਸੀਅਨ ਕ੍ਰਿਗਿੰਗ, ਸਧਾਰਨ ਕ੍ਰਿਗਿੰਗ ਵਿਧੀ ਅਤੇ ਹੋਰ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਸ਼ਾਮਲ ਹਨ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ (MLA) ਇੱਕ ਮੁਕਾਬਲਤਨ ਨਵੀਂ ਤਕਨੀਕ ਹੈ ਜੋ ਵੱਡੇ ਗੈਰ-ਲੀਨੀਅਰ ਡੇਟਾ ਕਲਾਸਾਂ ਨੂੰ ਰੁਜ਼ਗਾਰ ਦਿੰਦੀ ਹੈ, ਜੋ ਮੁੱਖ ਤੌਰ 'ਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਪ੍ਰੇਰਿਤ ਹੁੰਦੇ ਹਨ, ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ, ਅਤੇ ਮਿੱਟੀ ਵਿਗਿਆਨ ਅਤੇ ਵਾਪਸੀ ਕਾਰਜਾਂ ਵਰਗੇ ਵਿਗਿਆਨਕ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਗੀਕਰਨ ਲਈ ਵਾਰ-ਵਾਰ ਲਾਗੂ ਹੁੰਦੇ ਹਨ। ਬਹੁਤ ਸਾਰੇ ਖੋਜ ਪੱਤਰ ਮਿੱਟੀ ਵਿੱਚ PTE ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ MLA ਮਾਡਲਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਟੈਨ ਐਟ ਅਲ. 22 (ਖੇਤੀਬਾੜੀ ਮਿੱਟੀ ਵਿੱਚ ਭਾਰੀ ਧਾਤ ਦੇ ਅਨੁਮਾਨ ਲਈ ਬੇਤਰਤੀਬ ਜੰਗਲ), ਸਾਕੀਜ਼ਾਦੇਹ ਐਟ ਅਲ. 23 (ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ ਅਤੇ ਨਕਲੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾਡਲਿੰਗ) ਮਿੱਟੀ ਪ੍ਰਦੂਸ਼ਣ)। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵੇਗਾ ਐਟ ਅਲ. 24 (ਮਿੱਟੀ ਵਿੱਚ ਭਾਰੀ ਧਾਤ ਦੀ ਧਾਰਨਾ ਅਤੇ ਸੋਸ਼ਣ ਦੀ ਮਾਡਲਿੰਗ ਲਈ CART) ਸਨ ਐਟ ਅਲ. 25 (ਕਿਊਬਿਸਟ ਦੀ ਵਰਤੋਂ ਮਿੱਟੀ ਵਿੱਚ Cd ਦੀ ਵੰਡ ਹੈ) ਅਤੇ ਹੋਰ ਐਲਗੋਰਿਦਮ ਜਿਵੇਂ ਕਿ k-ਨੇੜਲਾ ਗੁਆਂਢੀ, ਆਮ ਤੌਰ 'ਤੇ ਬੂਸਟਡ ਰਿਗਰੈਸ਼ਨ, ਅਤੇ ਬੂਸਟਡ ਰਿਗਰੈਸ਼ਨ ਰੁੱਖਾਂ ਨੇ ਮਿੱਟੀ ਵਿੱਚ PTE ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ MLA ਨੂੰ ਵੀ ਲਾਗੂ ਕੀਤਾ।
ਭਵਿੱਖਬਾਣੀ ਜਾਂ ਮੈਪਿੰਗ ਵਿੱਚ DSM ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਈ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੇਖਕ ਮੰਨਦੇ ਹਨ ਕਿ MLA ਭੂ-ਵਿਗਿਆਨ ਵਿਗਿਆਨ ਨਾਲੋਂ ਉੱਤਮ ਹੈ ਅਤੇ ਇਸਦੇ ਉਲਟ। ਹਾਲਾਂਕਿ ਇੱਕ ਦੂਜੇ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ, ਦੋਵਾਂ ਦਾ ਸੁਮੇਲ DSM15 ਵਿੱਚ ਮੈਪਿੰਗ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਦੇ ਪੱਧਰ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦਾ ਹੈ।ਵੁੱਡਕੌਕ ਅਤੇ ਗੋਪਾਲ26 ਫਿੰਕੇ27; ਪੋਂਟੀਅਸ ਅਤੇ ਚੇਉਕ28 ਅਤੇ ਗ੍ਰੂਨਵਾਲਡ29 ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਮਿੱਟੀ ਮੈਪਿੰਗ ਵਿੱਚ ਕਮੀਆਂ ਅਤੇ ਕੁਝ ਗਲਤੀਆਂ 'ਤੇ ਟਿੱਪਣੀ ਕਰਦੇ ਹਨ। ਮਿੱਟੀ ਵਿਗਿਆਨੀਆਂ ਨੇ DSM ਮੈਪਿੰਗ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ, ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ। ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਤਸਦੀਕ ਦਾ ਸੁਮੇਲ DSM ਵਿੱਚ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਅਤੇ ਨੁਕਸਾਂ ਨੂੰ ਘਟਾਉਣ ਲਈ ਏਕੀਕ੍ਰਿਤ ਕਈ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਹਾਲਾਂਕਿ, ਅਗਯੇਮਨ ਅਤੇ ਹੋਰ 15 ਰੂਪਰੇਖਾ ਦਿੰਦੇ ਹਨ ਕਿ ਨਕਸ਼ਾ ਬਣਾਉਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਪ੍ਰਮਾਣਿਕਤਾ ਵਿਵਹਾਰ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਨਕਸ਼ੇ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। DSM ਦੀਆਂ ਸੀਮਾਵਾਂ ਭੂਗੋਲਿਕ ਤੌਰ 'ਤੇ ਖਿੰਡੇ ਹੋਏ ਮਿੱਟੀ ਦੀ ਗੁਣਵੱਤਾ ਦੇ ਕਾਰਨ ਹਨ, ਜਿਸ ਵਿੱਚ ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਇੱਕ ਹਿੱਸਾ ਸ਼ਾਮਲ ਹੈ; ਹਾਲਾਂਕਿ, DSM ਵਿੱਚ ਨਿਸ਼ਚਤਤਾ ਦੀ ਘਾਟ ਗਲਤੀ ਦੇ ਕਈ ਸਰੋਤਾਂ ਤੋਂ ਪੈਦਾ ਹੋ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਕੋਵੇਰੀਏਟ ਗਲਤੀ, ਮਾਡਲ ਗਲਤੀ, ਸਥਾਨ ਗਲਤੀ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਗਲਤੀ 31। MLA ਅਤੇ ਭੂ-ਸਟੈਟਿਸਟੀਕਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਪ੍ਰੇਰਿਤ ਮਾਡਲਿੰਗ ਗਲਤੀਆਂ ਸਮਝ ਦੀ ਘਾਟ ਨਾਲ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ, ਅੰਤ ਵਿੱਚ ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਦੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਰਲੀਕਰਨ ਵੱਲ ਲੈ ਜਾਂਦੀਆਂ ਹਨ32। ਮਾਡਲਿੰਗ ਦੀ ਪ੍ਰਕਿਰਤੀ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਗਲਤੀਆਂ ਨੂੰ ਮਾਡਲਿੰਗ ਪੈਰਾਮੀਟਰਾਂ, ਗਣਿਤਿਕ ਮਾਡਲ ਭਵਿੱਖਬਾਣੀਆਂ, ਜਾਂ ਇੰਟਰਪੋਲੇਸ਼ਨ33 ਨੂੰ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਹਾਲ ਹੀ ਵਿੱਚ, ਇੱਕ ਨਵਾਂ DSM ਰੁਝਾਨ ਉਭਰਿਆ ਹੈ ਜੋ ਮੈਪਿੰਗ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਭੂ-ਅੰਕੜੇ ਵਿਗਿਆਨ ਅਤੇ MLA ਦੇ ਏਕੀਕਰਨ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ। ਕਈ ਮਿੱਟੀ ਵਿਗਿਆਨੀ ਅਤੇ ਲੇਖਕ, ਜਿਵੇਂ ਕਿ ਸਰਜੀਵ ਐਟ ਅਲ. 34; ਸਬਬੋਟੀਨਾ ਐਟ ਅਲ. 35; ਤਾਰਾਸੋਵ ਐਟ ਅਲ. 36 ਅਤੇ ਤਾਰਾਸੋਵ ਐਟ ਅਲ. 37 ਨੇ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਤਿਆਰ ਕਰਨ ਲਈ ਭੂ-ਅੰਕੜੇ ਵਿਗਿਆਨ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਸਹੀ ਗੁਣਵੱਤਾ ਦਾ ਸ਼ੋਸ਼ਣ ਕੀਤਾ ਹੈ ਜੋ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਮੈਪਿੰਗ ਦੀ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਦੇ ਹਨ। ਗੁਣਵੱਤਾ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਹਾਈਬ੍ਰਿਡ ਜਾਂ ਸੰਯੁਕਤ ਐਲਗੋਰਿਦਮ ਮਾਡਲ ਹਨ ਆਰਟੀਫੀਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਰਿਗਿੰਗ (ANN-RK), ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ ਰੈਜ਼ੀਡੁਅਲ ਕਰਿਗਿੰਗ (MLP-RK), ਜਨਰਲਾਈਜ਼ਡ ਰਿਗਰੈਸ਼ਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਰਿਗਿੰਗ (GR- NNRK)36, ਆਰਟੀਫੀਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕਰਿਗਿੰਗ-ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ (ANN-K-MLP)37 ਅਤੇ ਕੋ-ਕ੍ਰਿਗਿੰਗ ਅਤੇ ਗੌਸੀਅਨ ਪ੍ਰਕਿਰਿਆ ਰਿਗਰੈਸ਼ਨ38।
ਸਰਜੀਵ ਅਤੇ ਹੋਰਾਂ ਦੇ ਅਨੁਸਾਰ, ਵੱਖ-ਵੱਖ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਜੋੜਨ ਨਾਲ ਨੁਕਸਾਂ ਨੂੰ ਖਤਮ ਕਰਨ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਦੀ ਕੁਸ਼ਲਤਾ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੈ ਨਾ ਕਿ ਇਸਦੇ ਸਿੰਗਲ ਮਾਡਲ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਦੀ ਬਜਾਏ। ਇਸ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਨਵਾਂ ਪੇਪਰ ਦਲੀਲ ਦਿੰਦਾ ਹੈ ਕਿ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਖੇਤਰਾਂ ਵਿੱਚ Ni ਸੰਸ਼ੋਧਨ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਭੂ-ਵਿਗਿਆਨ ਅਤੇ MLA ਦੇ ਇੱਕ ਸੰਯੁਕਤ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਇਹ ਅਧਿਐਨ ਬੇਸ ਮਾਡਲ ਦੇ ਤੌਰ 'ਤੇ ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ (EBK) 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ ਅਤੇ ਇਸਨੂੰ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM) ਅਤੇ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ (MLR) ਮਾਡਲਾਂ ਨਾਲ ਮਿਲਾਏਗਾ। ਕਿਸੇ ਵੀ MLA ਨਾਲ EBK ਦਾ ਹਾਈਬ੍ਰਿਡਾਈਜ਼ੇਸ਼ਨ ਪਤਾ ਨਹੀਂ ਹੈ। ਦੇਖੇ ਗਏ ਕਈ ਮਿਸ਼ਰਤ ਮਾਡਲ ਆਮ, ਬਕਾਇਆ, ਰਿਗਰੈਸ਼ਨ ਕ੍ਰਿਗਿੰਗ, ਅਤੇ MLA ਦੇ ਸੁਮੇਲ ਹਨ। EBK ਇੱਕ ਭੂ-ਵਿਗਿਆਨਕ ਇੰਟਰਪੋਲੇਸ਼ਨ ਵਿਧੀ ਹੈ ਜੋ ਇੱਕ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਸਟੋਚੈਸਟਿਕ ਪ੍ਰਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਜੋ ਇੱਕ ਗੈਰ-ਸਥਿਰ/ਸਥਿਰ ਰੈਂਡਮ ਫੀਲਡ ਦੇ ਰੂਪ ਵਿੱਚ ਖੇਤਰ ਉੱਤੇ ਪਰਿਭਾਸ਼ਿਤ ਸਥਾਨੀਕਰਨ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਸਥਾਨਿਕ ਹੁੰਦੀ ਹੈ, ਸਥਾਨਿਕ ਪਰਿਵਰਤਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ39। EBK ਦੀ ਵਰਤੋਂ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਅਧਿਐਨਾਂ ਵਿੱਚ ਕੀਤੀ ਗਈ ਹੈ, ਜਿਸ ਵਿੱਚ ਖੇਤ ਦੀ ਮਿੱਟੀ ਵਿੱਚ ਜੈਵਿਕ ਕਾਰਬਨ ਦੀ ਵੰਡ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ40, ਮਿੱਟੀ ਪ੍ਰਦੂਸ਼ਣ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ41 ਅਤੇ ਮਿੱਟੀ ਦੇ ਗੁਣਾਂ ਦੀ ਮੈਪਿੰਗ 42।
ਦੂਜੇ ਪਾਸੇ, ਸਵੈ-ਸੰਗਠਿਤ ਗ੍ਰਾਫ਼ (SeOM) ਇੱਕ ਸਿੱਖਣ ਐਲਗੋਰਿਦਮ ਹੈ ਜਿਸਨੂੰ ਲੀ ਐਟ ਅਲ. 43, ਵਾਂਗ ਐਟ ਅਲ. 44, ਹੁਸੈਨ ਭੁਈਆਨ ਐਟ ਅਲ. 45 ਅਤੇ ਕੇਬੋਨੀ ਐਟ ਅਲ. 46 ਵਰਗੇ ਵੱਖ-ਵੱਖ ਲੇਖਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ। ਤੱਤਾਂ ਦੇ ਸਥਾਨਿਕ ਗੁਣਾਂ ਅਤੇ ਸਮੂਹੀਕਰਨ ਦਾ ਪਤਾ ਲਗਾਓ। ਵਾਂਗ ਐਟ ਅਲ. 44 ਰੂਪਰੇਖਾ ਦਿੰਦੇ ਹਨ ਕਿ SeOM ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਿੱਖਣ ਤਕਨੀਕ ਹੈ ਜੋ ਗੈਰ-ਲੀਨੀਅਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਨ ਅਤੇ ਕਲਪਨਾ ਕਰਨ ਦੀ ਯੋਗਤਾ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ। ਹੋਰ ਪੈਟਰਨ ਪਛਾਣ ਤਕਨੀਕਾਂ ਜਿਵੇਂ ਕਿ ਮੁੱਖ ਭਾਗ ਵਿਸ਼ਲੇਸ਼ਣ, ਫਜ਼ੀ ਕਲੱਸਟਰਿੰਗ, ਲੜੀਵਾਰ ਕਲੱਸਟਰਿੰਗ, ਅਤੇ ਬਹੁ-ਮਾਪਦੰਡ ਫੈਸਲੇ ਲੈਣ ਦੇ ਉਲਟ, SeOM PTE ਪੈਟਰਨਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਪਛਾਣਨ ਵਿੱਚ ਬਿਹਤਰ ਹੈ। ਵਾਂਗ ਐਟ ਅਲ. 44 ਦੇ ਅਨੁਸਾਰ, SeOM ਸੰਬੰਧਿਤ ਨਿਊਰੋਨਾਂ ਦੀ ਵੰਡ ਨੂੰ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਸਮੂਹਬੱਧ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਡੇਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਸਿੱਧੇ ਵਿਆਖਿਆ ਲਈ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ SeOM ਨੀ ਭਵਿੱਖਬਾਣੀ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰੇਗਾ।
ਇਸ ਪੇਪਰ ਦਾ ਉਦੇਸ਼ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਸਮੱਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਇੱਕ ਮਜ਼ਬੂਤ ਮੈਪਿੰਗ ਮਾਡਲ ਤਿਆਰ ਕਰਨਾ ਹੈ। ਅਸੀਂ ਇਹ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਾਂ ਕਿ ਮਿਸ਼ਰਤ ਮਾਡਲ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਮੁੱਖ ਤੌਰ 'ਤੇ ਬੇਸ ਮਾਡਲ ਨਾਲ ਜੁੜੇ ਹੋਰ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਭਾਵ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਅਸੀਂ DSM ਦੇ ਸਾਹਮਣੇ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦੇ ਹਾਂ, ਅਤੇ ਜਦੋਂ ਕਿ ਇਹਨਾਂ ਚੁਣੌਤੀਆਂ ਨੂੰ ਕਈ ਮੋਰਚਿਆਂ 'ਤੇ ਹੱਲ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਭੂ-ਵਿਗਿਆਨ ਅਤੇ MLA ਮਾਡਲਾਂ ਵਿੱਚ ਤਰੱਕੀ ਦਾ ਸੁਮੇਲ ਵਧਦਾ ਜਾਪਦਾ ਹੈ; ਇਸ ਲਈ, ਅਸੀਂ ਖੋਜ ਪ੍ਰਸ਼ਨਾਂ ਦੇ ਉੱਤਰ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ ਜੋ ਮਿਸ਼ਰਤ ਮਾਡਲ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਟੀਚਾ ਤੱਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਮਾਡਲ ਕਿੰਨਾ ਸਹੀ ਹੈ? ਨਾਲ ਹੀ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਦੇ ਅਧਾਰ ਤੇ ਕੁਸ਼ਲਤਾ ਮੁਲਾਂਕਣ ਦਾ ਪੱਧਰ ਕੀ ਹੈ? ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦੇ ਖਾਸ ਟੀਚੇ ਸਨ (a) EBK ਨੂੰ ਬੇਸ ਮਾਡਲ ਵਜੋਂ ਵਰਤਦੇ ਹੋਏ SVMR ਜਾਂ MLR ਲਈ ਇੱਕ ਸੰਯੁਕਤ ਮਿਸ਼ਰਣ ਮਾਡਲ ਬਣਾਉਣਾ, (b) ਨਤੀਜੇ ਵਜੋਂ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ (c) ਸ਼ਹਿਰੀ ਜਾਂ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ Ni ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਿਸ਼ਰਣ ਮਾਡਲ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਨਾ, ਅਤੇ (d) ਨਿੱਕਲ ਸਥਾਨਿਕ ਪਰਿਵਰਤਨ ਦਾ ਇੱਕ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਨਕਸ਼ਾ ਬਣਾਉਣ ਲਈ SeOM ਦੀ ਵਰਤੋਂ।
ਇਹ ਅਧਿਐਨ ਚੈੱਕ ਗਣਰਾਜ ਵਿੱਚ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਮੋਰਾਵੀਆ-ਸਿਲੇਸੀਅਨ ਖੇਤਰ ਦੇ ਫਰਾਈਡੇਕ ਮਿਸਟੇਕ ਜ਼ਿਲ੍ਹੇ ਵਿੱਚ (ਚਿੱਤਰ 1 ਵੇਖੋ)। ਅਧਿਐਨ ਖੇਤਰ ਦਾ ਭੂਗੋਲ ਬਹੁਤ ਹੀ ਸਖ਼ਤ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਮੋਰਾਵੀਆ-ਸਿਲੇਸੀਅਨ ਬੇਸਕੀਡੀ ਖੇਤਰ ਦਾ ਹਿੱਸਾ ਹੈ, ਜੋ ਕਿ ਕਾਰਪੈਥੀਅਨ ਪਹਾੜਾਂ ਦੇ ਬਾਹਰੀ ਕਿਨਾਰੇ ਦਾ ਹਿੱਸਾ ਹੈ। ਅਧਿਐਨ ਖੇਤਰ 49° 41′ 0′ N ਅਤੇ 18° 20′ 0′ E ਦੇ ਵਿਚਕਾਰ ਸਥਿਤ ਹੈ, ਅਤੇ ਉਚਾਈ 225 ਅਤੇ 327 ਮੀਟਰ ਦੇ ਵਿਚਕਾਰ ਹੈ; ਹਾਲਾਂਕਿ, ਖੇਤਰ ਦੀ ਜਲਵਾਯੂ ਸਥਿਤੀ ਲਈ ਕੋਪੇਨ ਵਰਗੀਕਰਣ ਪ੍ਰਣਾਲੀ ਨੂੰ Cfb = ਸਮਸ਼ੀਨ ਸਮੁੰਦਰੀ ਜਲਵਾਯੂ ਵਜੋਂ ਦਰਜਾ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਸੁੱਕੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਵੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਬਾਰਿਸ਼ ਹੁੰਦੀ ਹੈ। ਤਾਪਮਾਨ ਸਾਲ ਭਰ −5 °C ਅਤੇ 24 °C ਦੇ ਵਿਚਕਾਰ ਥੋੜ੍ਹਾ ਬਦਲਦਾ ਰਹਿੰਦਾ ਹੈ, ਘੱਟ ਹੀ −14 °C ਤੋਂ ਹੇਠਾਂ ਜਾਂ 30 °C ਤੋਂ ਉੱਪਰ ਆਉਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਔਸਤ ਸਾਲਾਨਾ ਵਰਖਾ 685 ਅਤੇ 752 mm47 ਦੇ ਵਿਚਕਾਰ ਹੁੰਦੀ ਹੈ। ਪੂਰੇ ਖੇਤਰ ਦਾ ਅਨੁਮਾਨਿਤ ਸਰਵੇਖਣ ਖੇਤਰ 1,208 ਵਰਗ ਕਿਲੋਮੀਟਰ ਹੈ, ਜਿਸ ਵਿੱਚ 39.38% ਕਾਸ਼ਤ ਕੀਤੀ ਜ਼ਮੀਨ ਅਤੇ 49.36% ਜੰਗਲ ਕਵਰੇਜ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਖੇਤਰ ਲਗਭਗ 889.8 ਵਰਗ ਕਿਲੋਮੀਟਰ ਹੈ। ਓਸਟ੍ਰਾਵਾ ਵਿੱਚ ਅਤੇ ਆਲੇ-ਦੁਆਲੇ, ਸਟੀਲ ਉਦਯੋਗ ਅਤੇ ਧਾਤ ਦੇ ਕੰਮ ਬਹੁਤ ਸਰਗਰਮ ਹਨ।ਧਾਤ ਮਿੱਲਾਂ, ਸਟੀਲ ਉਦਯੋਗ ਜਿੱਥੇ ਨਿੱਕਲ ਨੂੰ ਸਟੇਨਲੈਸ ਸਟੀਲ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਵਾਯੂਮੰਡਲ ਦੇ ਖੋਰ ਦੇ ਵਿਰੋਧ ਲਈ) ਅਤੇ ਮਿਸ਼ਰਤ ਸਟੀਲ (ਨਿਕਲ ਆਪਣੀ ਚੰਗੀ ਲਚਕਤਾ ਅਤੇ ਕਠੋਰਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਦੇ ਹੋਏ ਮਿਸ਼ਰਤ ਦੀ ਤਾਕਤ ਵਧਾਉਂਦਾ ਹੈ), ਅਤੇ ਫਾਸਫੇਟ ਖਾਦ ਦੀ ਵਰਤੋਂ ਅਤੇ ਪਸ਼ੂਆਂ ਦੇ ਉਤਪਾਦਨ ਵਰਗੀਆਂ ਤੀਬਰ ਖੇਤੀਬਾੜੀ ਹਨ। ਇਸ ਖੇਤਰ ਵਿੱਚ ਨਿੱਕਲ ਦੇ ਸੰਭਾਵੀ ਸਰੋਤਾਂ ਦੀ ਖੋਜ ਕਰੋ (ਉਦਾਹਰਣ ਵਜੋਂ, ਲੇਲਿਆਂ ਅਤੇ ਘੱਟ ਚਰਾਉਣ ਵਾਲੇ ਪਸ਼ੂਆਂ ਵਿੱਚ ਵਿਕਾਸ ਦਰ ਵਧਾਉਣ ਲਈ ਲੇਲਿਆਂ ਵਿੱਚ ਨਿੱਕਲ ਜੋੜਨਾ)। ਖੋਜ ਖੇਤਰਾਂ ਵਿੱਚ ਨਿੱਕਲ ਦੇ ਹੋਰ ਉਦਯੋਗਿਕ ਉਪਯੋਗਾਂ ਵਿੱਚ ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ ਵਿੱਚ ਇਸਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ ਨਿੱਕਲ ਅਤੇ ਇਲੈਕਟ੍ਰੋਲੈੱਸ ਨਿੱਕਲ ਪਲੇਟਿੰਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਮਿੱਟੀ ਦੇ ਰੰਗ, ਬਣਤਰ ਅਤੇ ਕਾਰਬੋਨੇਟ ਸਮੱਗਰੀ ਤੋਂ ਆਸਾਨੀ ਨਾਲ ਵੱਖ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਮਿੱਟੀ ਦੀ ਬਣਤਰ ਮੱਧਮ ਤੋਂ ਬਰੀਕ ਹੈ, ਜੋ ਮੂਲ ਸਮੱਗਰੀ ਤੋਂ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ। ਉਹ ਕੋਲੂਵੀਅਲ, ਐਲੂਵੀਅਲ ਜਾਂ ਏਓਲੀਅਨ ਕੁਦਰਤ ਵਿੱਚ ਹਨ। ਕੁਝ ਮਿੱਟੀ ਦੇ ਖੇਤਰ ਸਤ੍ਹਾ ਅਤੇ ਉਪ-ਮਿੱਟੀ ਵਿੱਚ ਧੱਬੇਦਾਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਅਕਸਰ ਕੰਕਰੀਟ ਅਤੇ ਬਲੀਚਿੰਗ ਦੇ ਨਾਲ। ਹਾਲਾਂਕਿ, ਕੈਂਬੀਸੋਲ ਅਤੇ ਸਟੈਗਨੋਸੋਲ ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਮਿੱਟੀ ਦੀਆਂ ਕਿਸਮਾਂ ਹਨ48। 455.1 ਤੋਂ 493.5 ਮੀਟਰ ਤੱਕ ਦੀ ਉਚਾਈ ਦੇ ਨਾਲ, ਕੈਂਬੀਸੋਲ ਚੈੱਕ ਗਣਰਾਜ ਵਿੱਚ ਹਾਵੀ ਹੁੰਦੇ ਹਨ49।
ਅਧਿਐਨ ਖੇਤਰ ਦਾ ਨਕਸ਼ਾ [ਅਧਿਐਨ ਖੇਤਰ ਦਾ ਨਕਸ਼ਾ ArcGIS ਡੈਸਕਟੌਪ (ESRI, Inc, ਸੰਸਕਰਣ 10.7, URL: https://desktop.arcgis.com) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ।]
ਫਰਾਈਡੇਕ ਮਿਸਟੇਕ ਜ਼ਿਲ੍ਹੇ ਵਿੱਚ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਤੋਂ ਕੁੱਲ 115 ਉੱਪਰਲੀ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਵਰਤਿਆ ਗਿਆ ਨਮੂਨਾ ਪੈਟਰਨ ਇੱਕ ਨਿਯਮਤ ਗਰਿੱਡ ਸੀ ਜਿਸ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ 2 × 2 ਕਿਲੋਮੀਟਰ ਦੀ ਦੂਰੀ 'ਤੇ ਰੱਖੇ ਗਏ ਸਨ, ਅਤੇ ਉੱਪਰਲੀ ਮਿੱਟੀ ਨੂੰ ਹੱਥ ਨਾਲ ਫੜੇ ਜਾਣ ਵਾਲੇ GPS ਯੰਤਰ (Leica Zeno 5 GPS) ਦੀ ਵਰਤੋਂ ਕਰਕੇ 0 ਤੋਂ 20 ਸੈਂਟੀਮੀਟਰ ਦੀ ਡੂੰਘਾਈ 'ਤੇ ਮਾਪਿਆ ਗਿਆ ਸੀ। ਨਮੂਨਿਆਂ ਨੂੰ Ziploc ਬੈਗਾਂ ਵਿੱਚ ਪੈਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਸਹੀ ਢੰਗ ਨਾਲ ਲੇਬਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। ਨਮੂਨਿਆਂ ਨੂੰ ਹਵਾ ਵਿੱਚ ਸੁਕਾਇਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਮਕੈਨੀਕਲ ਸਿਸਟਮ (Fritsch ਡਿਸਕ ਮਿੱਲ) ਦੁਆਰਾ ਪੁੱਟੇ ਜਾ ਸਕਣ, ਅਤੇ ਛਾਨਣੀ ਕੀਤੀ ਜਾ ਸਕੇ (ਛਾਨਣੀ ਦਾ ਆਕਾਰ 2 ਮਿਲੀਮੀਟਰ)। 1 ਗ੍ਰਾਮ ਸੁੱਕੇ, ਸਮਰੂਪ ਅਤੇ ਛਾਨਣੀ ਕੀਤੇ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਸਾਫ਼-ਸਾਫ਼ ਲੇਬਲ ਵਾਲੀਆਂ ਟੈਫਲੋਨ ਬੋਤਲਾਂ ਵਿੱਚ ਰੱਖੋ। ਹਰੇਕ ਟੈਫਲੋਨ ਭਾਂਡੇ ਵਿੱਚ, 35% HCl ਦੇ 7 ਮਿਲੀਲੀਟਰ ਅਤੇ 65% HNO3 ਦੇ 3 ਮਿਲੀਲੀਟਰ (ਇੱਕ ਆਟੋਮੈਟਿਕ ਡਿਸਪੈਂਸਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ - ਹਰੇਕ ਐਸਿਡ ਲਈ ਇੱਕ), ਹਲਕਾ ਜਿਹਾ ਢੱਕੋ ਅਤੇ ਨਮੂਨਿਆਂ ਨੂੰ ਪ੍ਰਤੀਕ੍ਰਿਆ (ਐਕਵਾ ਰੀਜੀਆ ਪ੍ਰੋਗਰਾਮ) ਲਈ ਰਾਤ ਭਰ ਖੜ੍ਹੇ ਰਹਿਣ ਦਿਓ। ਸੁਪਰਨੇਟੈਂਟ ਨੂੰ ਇੱਕ ਗਰਮ ਧਾਤ 'ਤੇ ਰੱਖੋ। ਨਮੂਨਿਆਂ ਦੀ ਪਾਚਨ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ ਲਈ ਪਲੇਟ (ਤਾਪਮਾਨ: 100 W ਅਤੇ 160 °C) 2 ਘੰਟਿਆਂ ਲਈ ਰੱਖੋ, ਫਿਰ ਠੰਡਾ ਕਰੋ। ਸੁਪਰਨੇਟੈਂਟ ਨੂੰ 50 ਮਿਲੀਲੀਟਰ ਵੌਲਯੂਮੈਟ੍ਰਿਕ ਫਲਾਸਕ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕਰੋ ਅਤੇ ਡੀਓਨਾਈਜ਼ਡ ਪਾਣੀ ਨਾਲ 50 ਮਿਲੀਲੀਟਰ ਤੱਕ ਪਤਲਾ ਕਰੋ। ਇਸ ਤੋਂ ਬਾਅਦ, ਪਤਲੇ ਹੋਏ ਸੁਪਰਨੇਟੈਂਟ ਨੂੰ ਡੀਓਨਾਈਜ਼ਡ ਪਾਣੀ ਨਾਲ 50 ਮਿਲੀਲੀਟਰ ਪੀਵੀਸੀ ਟਿਊਬ ਵਿੱਚ ਫਿਲਟਰ ਕਰੋ। ਇਸ ਤੋਂ ਇਲਾਵਾ, 1 ਮਿਲੀਲੀਟਰ ਡਿਲਿਊਸ਼ਨ ਘੋਲ ਨੂੰ 9 ਮਿਲੀਲੀਟਰ ਡੀਓਨਾਈਜ਼ਡ ਪਾਣੀ ਨਾਲ ਪਤਲਾ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ PTE ਸੂਡੋ-ਕੰਸੈਂਟਰੇਸ਼ਨ ਲਈ ਤਿਆਰ ਕੀਤੀ ਗਈ 12 ਮਿਲੀਲੀਟਰ ਟਿਊਬ ਵਿੱਚ ਫਿਲਟਰ ਕੀਤਾ ਗਿਆ ਸੀ। PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ਦੀ ਗਾੜ੍ਹਾਪਣ ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) ਦੁਆਰਾ ਮਿਆਰੀ ਤਰੀਕਿਆਂ ਅਤੇ ਸਮਝੌਤੇ ਦੇ ਅਨੁਸਾਰ ਨਿਰਧਾਰਤ ਕੀਤੀ ਗਈ ਸੀ। ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਅਤੇ ਨਿਯੰਤਰਣ (QA/QC) ਪ੍ਰਕਿਰਿਆਵਾਂ (SRM NIST 2711a Montana II Soil) ਨੂੰ ਯਕੀਨੀ ਬਣਾਓ। ਅੱਧੇ ਤੋਂ ਘੱਟ ਖੋਜ ਸੀਮਾਵਾਂ ਵਾਲੇ PTEs ਨੂੰ ਇਸ ਅਧਿਐਨ ਤੋਂ ਬਾਹਰ ਰੱਖਿਆ ਗਿਆ ਸੀ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ PTE ਦੀ ਖੋਜ ਸੀਮਾ 0.0004 ਸੀ।(ਤੁਸੀਂ)। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਰੇਕ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਅਤੇ ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੰਦਰਭ ਮਾਪਦੰਡਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਤੋਂ ਘੱਟ ਕੀਤਾ ਗਿਆ ਸੀ, ਇੱਕ ਦੋਹਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਸੀ।
ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ (EBK) ਮਿੱਟੀ ਵਿਗਿਆਨ ਵਰਗੇ ਵਿਭਿੰਨ ਖੇਤਰਾਂ ਵਿੱਚ ਮਾਡਲਿੰਗ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਭੂ-ਵਿਗਿਆਨਕ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਹੋਰ ਕ੍ਰਿਗਿੰਗ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਦੇ ਉਲਟ, EBK ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਮਾਡਲ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਗਲਤੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਕੇ ਰਵਾਇਤੀ ਕ੍ਰਿਗਿੰਗ ਵਿਧੀਆਂ ਤੋਂ ਵੱਖਰਾ ਹੈ। EBK ਇੰਟਰਪੋਲੇਸ਼ਨ ਵਿੱਚ, ਇੱਕ ਸਿੰਗਲ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੀ ਬਜਾਏ ਇੰਟਰਪੋਲੇਸ਼ਨ ਦੌਰਾਨ ਕਈ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਮਾਡਲਾਂ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੀ ਇਸ ਪਲਾਟਿੰਗ ਨਾਲ ਜੁੜੀ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਪ੍ਰੋਗਰਾਮਿੰਗ ਲਈ ਰਾਹ ਬਣਾਉਂਦੀਆਂ ਹਨ ਜੋ ਇੱਕ ਕਾਫ਼ੀ ਕ੍ਰਿਗਿੰਗ ਵਿਧੀ ਦਾ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਹਿੱਸਾ ਬਣਾਉਂਦੀਆਂ ਹਨ। EBK ਦੀ ਇੰਟਰਪੋਲੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਕ੍ਰਿਵੋਰੂਚਕੋ 50 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਤਿੰਨ ਮਾਪਦੰਡਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ, (a) ਮਾਡਲ ਇਨਪੁਟ ਡੇਟਾਸੈੱਟ ਤੋਂ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ (b) ਤਿਆਰ ਕੀਤੇ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੇ ਅਧਾਰ ਤੇ ਹਰੇਕ ਇਨਪੁਟ ਡੇਟਾਸੈੱਟ ਸਥਾਨ ਲਈ ਨਵਾਂ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਅਤੇ (c) ਅੰਤਿਮ A ਮਾਡਲ ਇੱਕ ਸਿਮੂਲੇਟਡ ਡੇਟਾਸੈੱਟ ਤੋਂ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ। ਬੇਏਸੀਅਨ ਸਮੀਕਰਨ ਨਿਯਮ ਨੂੰ ਇੱਕ ਪੋਸਟਰੀਅਰ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ ਹੈ
ਜਿੱਥੇ \(Prob\left(A\right)\) ਪੂਰਵ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, \(Prob\left(B\right)\) ਸੀਮਾਂਤ ਸੰਭਾਵਨਾ ਨੂੰ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਅਣਡਿੱਠਾ ਕਰ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, \(Prob (B,A)\ )। ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਗਣਨਾ ਬੇਅਸ ਦੇ ਨਿਯਮ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜੋ ਕਿ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮਾਂ ਤੋਂ ਬਣਾਏ ਜਾ ਸਕਣ ਵਾਲੇ ਨਿਰੀਖਣ ਡੇਟਾਸੈਟਾਂ ਦੀ ਪ੍ਰਵਿਰਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦਾ ਮੁੱਲ ਫਿਰ ਬੇਅਸ ਦੇ ਨਿਯਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਤੋਂ ਨਿਰੀਖਣਾਂ ਦਾ ਡੇਟਾਸੈਟ ਬਣਾਉਣ ਦੀ ਕਿੰਨੀ ਸੰਭਾਵਨਾ ਹੈ।
ਇੱਕ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਇੱਕੋ ਜਿਹੇ ਪਰ ਰੇਖਿਕ ਤੌਰ 'ਤੇ ਸੁਤੰਤਰ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖਰਾ ਕਰਨ ਲਈ ਇੱਕ ਅਨੁਕੂਲ ਵੱਖਰਾ ਹਾਈਪਰਪਲੇਨ ਤਿਆਰ ਕਰਦਾ ਹੈ।Vapnik51 ਨੇ ਇਰਾਦਾ ਵਰਗੀਕਰਣ ਐਲਗੋਰਿਦਮ ਬਣਾਇਆ, ਪਰ ਇਸਨੂੰ ਹਾਲ ਹੀ ਵਿੱਚ ਰਿਗਰੈਸ਼ਨ-ਅਧਾਰਿਤ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ ਹੈ।Li et al.52 ਦੇ ਅਨੁਸਾਰ, SVM ਸਭ ਤੋਂ ਵਧੀਆ ਵਰਗੀਕਰਣ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ ਅਤੇ ਇਸਨੂੰ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਹੈ।SVM (ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਰਿਗਰੈਸ਼ਨ - SVMR) ਦੇ ਰਿਗਰੈਸ਼ਨ ਕੰਪੋਨੈਂਟ ਨੂੰ ਇਸ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਸੀ।Cherkassky ਅਤੇ Mulier53 ਨੇ SVMR ਨੂੰ ਕਰਨਲ-ਅਧਾਰਿਤ ਰਿਗਰੈਸ਼ਨ ਵਜੋਂ ਪਹਿਲ ਕੀਤੀ, ਜਿਸਦੀ ਗਣਨਾ ਮਲਟੀ-ਕੰਟਰੀ ਸਪੇਸੀਅਲ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਇੱਕ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਗਈ ਸੀ।John et al54 ਰਿਪੋਰਟ ਕਰਦੇ ਹਨ ਕਿ SVMR ਮਾਡਲਿੰਗ ਹਾਈਪਰਪਲੇਨ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦੀ ਹੈ, ਜੋ ਗੈਰ-ਰੇਖਿਕ ਸਬੰਧ ਬਣਾਉਂਦੀ ਹੈ ਅਤੇ ਸਪੇਸੀਅਲ ਫੰਕਸ਼ਨਾਂ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।Vohland et al ਦੇ ਅਨੁਸਾਰ। 55, ਐਪਸਿਲੋਨ (ε)-SVMR ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਇੱਕ ਐਪਸਿਲੋਨ-ਅਸੰਵੇਦਨਸ਼ੀਲ ਫੰਕਸ਼ਨ ਦੇ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀਨਿਧਤਾ ਮਾਡਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਕਰਦਾ ਹੈ ਜੋ ਕਿ ਸਹਿ-ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਤੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਐਪਸਿਲੋਨ ਪੱਖਪਾਤ ਨਾਲ ਡੇਟਾ ਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਮੈਪ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪ੍ਰੀਸੈੱਟ ਦੂਰੀ ਗਲਤੀ ਨੂੰ ਅਸਲ ਮੁੱਲ ਤੋਂ ਅਣਡਿੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਜੇਕਰ ਗਲਤੀ ε(ε) ਤੋਂ ਵੱਡੀ ਹੈ, ਤਾਂ ਮਿੱਟੀ ਦੇ ਗੁਣ ਇਸਦੀ ਭਰਪਾਈ ਕਰਦੇ ਹਨ। ਮਾਡਲ ਸਿਖਲਾਈ ਡੇਟਾ ਦੀ ਗੁੰਝਲਤਾ ਨੂੰ ਸਹਾਇਤਾ ਵੈਕਟਰਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਉਪ ਸਮੂਹ ਤੱਕ ਵੀ ਘਟਾਉਂਦਾ ਹੈ। Vapnik51 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਸਮੀਕਰਨ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।
ਜਿੱਥੇ b ਸਕੇਲਰ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, \(K\left({x}_{,}{ x}_{k}\right)\) ਕਰਨਲ ਫੰਕਸ਼ਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, \(\alpha\) Lagrange ਗੁਣਕ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, N ਇੱਕ ਸੰਖਿਆਤਮਕ ਡੇਟਾਸੈਟ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, \({x}_{k}\) ਡੇਟਾ ਇਨਪੁੱਟ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ \(y\) ਡੇਟਾ ਆਉਟਪੁੱਟ ਹੈ। ਵਰਤੇ ਗਏ ਮੁੱਖ ਕਰਨਲਾਂ ਵਿੱਚੋਂ ਇੱਕ SVMR ਓਪਰੇਸ਼ਨ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਗੌਸੀਅਨ ਰੇਡੀਅਲ ਬੇਸਿਸ ਫੰਕਸ਼ਨ (RBF) ਹੈ। RBF ਕਰਨਲ ਨੂੰ ਅਨੁਕੂਲ SVMR ਮਾਡਲ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ PTE ਸਿਖਲਾਈ ਡੇਟਾ ਲਈ ਸਭ ਤੋਂ ਸੂਖਮ ਪੈਨਲਟੀ ਸੈੱਟ ਫੈਕਟਰ C ਅਤੇ ਕਰਨਲ ਪੈਰਾਮੀਟਰ ਗਾਮਾ (γ) ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਪਹਿਲਾਂ, ਅਸੀਂ ਸਿਖਲਾਈ ਸੈੱਟ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਅਤੇ ਫਿਰ ਪ੍ਰਮਾਣਿਕਤਾ ਸੈੱਟ 'ਤੇ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਸਟੀਅਰਿੰਗ ਪੈਰਾਮੀਟਰ ਸਿਗਮਾ ਹੈ ਅਤੇ ਵਿਧੀ ਮੁੱਲ svmRadial ਹੈ।
ਇੱਕ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ (MLR) ਇੱਕ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਹੈ ਜੋ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੇ ਗਏ ਲੀਨੀਅਰ ਪੂਲਡ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲ ਅਤੇ ਕਈ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। MLR ਵਿੱਚ, ਇੱਕ ਘੱਟੋ-ਘੱਟ ਵਰਗ ਮਾਡਲ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਦੀ ਚੋਣ ਤੋਂ ਬਾਅਦ ਮਿੱਟੀ ਦੇ ਗੁਣਾਂ ਦਾ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ ਫੰਕਸ਼ਨ ਹੈ। ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਰੇਖਿਕ ਸਬੰਧ ਸਥਾਪਤ ਕਰਨ ਲਈ ਪ੍ਰਤੀਕਿਰਿਆ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਇੱਕ ਰੇਖਿਕ ਸਬੰਧ ਸਥਾਪਤ ਕਰਨ ਲਈ PTE ਨੂੰ ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲ ਵਜੋਂ ਵਰਤਿਆ ਗਿਆ ਸੀ। MLR ਸਮੀਕਰਨ ਹੈ
ਜਿੱਥੇ y ਰਿਸਪਾਂਸ ਵੇਰੀਏਬਲ ਹੈ, \(a\) ਇੰਟਰਸੈਪਟ ਹੈ, n ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਿਆਂ ਦੀ ਗਿਣਤੀ ਹੈ, \({b}_{1}\) ਗੁਣਾਂਕ ਦਾ ਅੰਸ਼ਕ ਰਿਗਰੈਸ਼ਨ ਹੈ, \({x}_{ i}\) ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ ਜਾਂ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ \({\varepsilon }_{i}\) ਮਾਡਲ ਵਿੱਚ ਗਲਤੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਸਨੂੰ ਰੈਜ਼ੀਡਿਊਲ ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
ਮਿਸ਼ਰਤ ਮਾਡਲ EBK ਨੂੰ SVMR ਅਤੇ MLR ਨਾਲ ਸੈਂਡਵਿਚ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਇਹ EBK ਇੰਟਰਪੋਲੇਸ਼ਨ ਤੋਂ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਕੱਢ ਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੰਟਰਪੋਲੇਟਡ Ca, K, ਅਤੇ Mg ਤੋਂ ਪ੍ਰਾਪਤ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਨਵੇਂ ਵੇਰੀਏਬਲ, ਜਿਵੇਂ ਕਿ CaK, CaMg, ਅਤੇ KMg ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਸੰਯੁਕਤ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਫਿਰ Ca, K ਅਤੇ Mg ਤੱਤ ਚੌਥੇ ਵੇਰੀਏਬਲ, CaKMg ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਜੋੜ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ। ਕੁੱਲ ਮਿਲਾ ਕੇ, ਪ੍ਰਾਪਤ ਕੀਤੇ ਵੇਰੀਏਬਲ Ca, K, Mg, CaK, CaMg, KMg ਅਤੇ CaKMg ਹਨ। ਇਹ ਵੇਰੀਏਬਲ ਸਾਡੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਬਣ ਗਏ, ਜੋ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। SVMR ਐਲਗੋਰਿਦਮ ਇੱਕ ਮਿਸ਼ਰਤ ਮਾਡਲ ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ-ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (EBK_SVM) ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਿਆਂ 'ਤੇ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸੇ ਤਰ੍ਹਾਂ, ਇੱਕ ਮਿਸ਼ਰਤ ਮਾਡਲ ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ-ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ (EBK_MLR) ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੇਰੀਏਬਲਾਂ ਨੂੰ MLR ਐਲਗੋਰਿਦਮ ਰਾਹੀਂ ਵੀ ਪਾਈਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਵੇਰੀਏਬਲ Ca, K, Mg, CaK, CaMg, KMg, ਅਤੇ CaKMg ਨੂੰ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ Ni ਸਮੱਗਰੀ ਦੇ ਪੂਰਵ-ਸੂਚਕ ਵਜੋਂ ਸਹਿ-ਵੇਰੀਏਟ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਭ ਤੋਂ ਸਵੀਕਾਰਯੋਗ ਮਾਡਲ (EBK_SVM ਜਾਂ EBK_MLR) ਨੂੰ ਫਿਰ ਇੱਕ ਸਵੈ-ਸੰਗਠਿਤ ਗ੍ਰਾਫ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਸ ਅਧਿਐਨ ਦਾ ਵਰਕਫਲੋ ਚਿੱਤਰ 2 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।
SeOM ਦੀ ਵਰਤੋਂ ਵਿੱਤੀ ਖੇਤਰ, ਸਿਹਤ ਸੰਭਾਲ, ਉਦਯੋਗ, ਅੰਕੜੇ, ਮਿੱਟੀ ਵਿਗਿਆਨ, ਅਤੇ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਖੇਤਰਾਂ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ, ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਸਿੱਧ ਸਾਧਨ ਬਣ ਗਈ ਹੈ। SeOM ਨੂੰ ਸੰਗਠਨ, ਮੁਲਾਂਕਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਲਈ ਨਕਲੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਨਿਰੀਖਣ ਰਹਿਤ ਸਿੱਖਣ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ, SeOM ਦੀ ਵਰਤੋਂ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ Ni ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਦੇ ਅਧਾਰ ਤੇ Ni ਗਾੜ੍ਹਾਪਣ ਦੀ ਕਲਪਨਾ ਕਰਨ ਲਈ ਕੀਤੀ ਗਈ ਸੀ। SeOM ਮੁਲਾਂਕਣ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਗਏ ਡੇਟਾ ਨੂੰ n ਇਨਪੁੱਟ-ਡਾਇਮੈਨਸ਼ਨਲ ਵੈਕਟਰ ਵੇਰੀਏਬਲ 43,56 ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਮੇਲਸਨ ਅਤੇ ਹੋਰ। 57 ਇੱਕ ਇਨਪੁਟ ਵੈਕਟਰ ਦੇ ਇੱਕ ਸਿੰਗਲ ਇਨਪੁਟ ਲੇਅਰ ਰਾਹੀਂ ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਵਿੱਚ ਇੱਕ ਸਿੰਗਲ ਵਜ਼ਨ ਵੈਕਟਰ ਵਾਲੇ ਆਉਟਪੁੱਟ ਵੈਕਟਰ ਨਾਲ ਕਨੈਕਸ਼ਨ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। SeOM ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਆਉਟਪੁੱਟ ਇੱਕ ਦੋ-ਅਯਾਮੀ ਨਕਸ਼ਾ ਹੈ ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਨਿਊਰੋਨਸ ਜਾਂ ਨੋਡ ਹੁੰਦੇ ਹਨ ਜੋ ਉਹਨਾਂ ਦੀ ਨੇੜਤਾ ਦੇ ਅਨੁਸਾਰ ਹੈਕਸਾਗੋਨਲ, ਗੋਲਾਕਾਰ, ਜਾਂ ਵਰਗ ਟੌਪੋਲੋਜੀਕਲ ਨਕਸ਼ਿਆਂ ਵਿੱਚ ਬੁਣੇ ਹੁੰਦੇ ਹਨ। ਮੈਟ੍ਰਿਕ, ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਐਰਰ (QE) ਅਤੇ ਟੌਪੋਗ੍ਰਾਫਿਕ ਐਰਰ (TE) ਦੇ ਆਧਾਰ 'ਤੇ ਨਕਸ਼ੇ ਦੇ ਆਕਾਰਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹੋਏ, ਕ੍ਰਮਵਾਰ 0.086 ਅਤੇ 0.904 ਵਾਲਾ SeOM ਮਾਡਲ ਚੁਣਿਆ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਇੱਕ 55-ਨਕਸ਼ੇ ਦੀ ਇਕਾਈ (5 × 11) ਹੈ। ਨਿਊਰੋਨ ਬਣਤਰ ਅਨੁਭਵੀ ਸਮੀਕਰਨ ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਅਨੁਸਾਰ ਨਿਰਧਾਰਤ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਡੇਟਾ ਦੀ ਗਿਣਤੀ 115 ਨਮੂਨੇ ਹਨ। ਡੇਟਾ ਨੂੰ ਟੈਸਟ ਡੇਟਾ (ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ 25%) ਅਤੇ ਸਿਖਲਾਈ ਡੇਟਾ ਸੈੱਟਾਂ (ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਲਈ 75%) ਵਿੱਚ ਵੰਡਣ ਲਈ ਇੱਕ ਬੇਤਰਤੀਬ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ। ਸਿਖਲਾਈ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ (ਕੈਲੀਬ੍ਰੇਸ਼ਨ) ਤਿਆਰ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਟੈਸਟ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਜਨਰਲਾਈਜ਼ੇਸ਼ਨ ਯੋਗਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ58। ਇਹ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਸਮੱਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਅਨੁਕੂਲਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਕੀਤਾ ਗਿਆ ਸੀ। ਵਰਤੇ ਗਏ ਸਾਰੇ ਮਾਡਲ ਦਸ-ਗੁਣਾ ਕਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚੋਂ ਲੰਘੇ, ਪੰਜ ਵਾਰ ਦੁਹਰਾਇਆ ਗਿਆ। EBK ਇੰਟਰਪੋਲੇਸ਼ਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਟਾਰਗੇਟ ਵੇਰੀਏਬਲ (PTE) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਜਾਂ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਮਾਡਲਿੰਗ ਨੂੰ RStudio ਵਿੱਚ ਪੈਕੇਜ ਲਾਇਬ੍ਰੇਰੀ (Kohonen), ਲਾਇਬ੍ਰੇਰੀ (caret), ਲਾਇਬ੍ਰੇਰੀ (modelr), ਲਾਇਬ੍ਰੇਰੀ (“e1071″), ਲਾਇਬ੍ਰੇਰੀ (“plyr”), ਲਾਇਬ੍ਰੇਰੀ (“caTools”), ਲਾਇਬ੍ਰੇਰੀ (” prospecter”) ਅਤੇ ਲਾਇਬ੍ਰੇਰੀਆਂ (“Metrics”) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ।
ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਢੁਕਵੇਂ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਅਤੇ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਇਸਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਪ੍ਰਮਾਣਿਕਤਾ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ। ਹਾਈਬ੍ਰਿਡਾਈਜ਼ੇਸ਼ਨ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ (MAE), ਮੂਲ ਔਸਤ ਵਰਗ ਗਲਤੀ (RMSE), ਅਤੇ R-ਵਰਗ ਜਾਂ ਗੁਣਾਂਕ ਨਿਰਧਾਰਨ (R2) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ।R2 ਉੱਤਰ ਵਿੱਚ ਅਨੁਪਾਤ ਦੇ ਭਿੰਨਤਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਜੋ ਕਿ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਦੁਆਰਾ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। ਸੁਤੰਤਰ ਮਾਪਾਂ ਵਿੱਚ RMSE ਅਤੇ ਭਿੰਨਤਾ ਮਾਪ ਮਾਡਲ ਦੀ ਭਵਿੱਖਬਾਣੀ ਸ਼ਕਤੀ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ MAE ਅਸਲ ਮਾਤਰਾਤਮਕ ਮੁੱਲ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਪ੍ਰਮਾਣਿਕਤਾ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਭ ਤੋਂ ਵਧੀਆ ਮਿਸ਼ਰਣ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ R2 ਮੁੱਲ ਉੱਚਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਮੁੱਲ 1 ਦੇ ਜਿੰਨਾ ਨੇੜੇ ਹੋਵੇਗਾ, ਸ਼ੁੱਧਤਾ ਓਨੀ ਹੀ ਉੱਚੀ ਹੋਵੇਗੀ। ਲੀ ਐਟ ਅਲ ਦੇ ਅਨੁਸਾਰ। 59, 0.75 ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਦਾ R2 ਮਾਪਦੰਡ ਮੁੱਲ ਇੱਕ ਚੰਗਾ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ; 0.5 ਤੋਂ 0.75 ਤੱਕ ਸਵੀਕਾਰਯੋਗ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਹੈ, ਅਤੇ 0.5 ਤੋਂ ਘੱਟ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਅਸਵੀਕਾਰਯੋਗ ਹੈ।RMSE ਅਤੇ MAE ਪ੍ਰਮਾਣਿਕਤਾ ਮਾਪਦੰਡ ਮੁਲਾਂਕਣ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ, ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਹੇਠਲੇ ਮੁੱਲ ਕਾਫ਼ੀ ਸਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਮੰਨਿਆ ਜਾਂਦਾ ਸੀ।ਹੇਠਾਂ ਦਿੱਤਾ ਸਮੀਕਰਨ ਤਸਦੀਕ ਵਿਧੀ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ।
ਜਿੱਥੇ n ਨਿਰੀਖਣ ਕੀਤੇ ਮੁੱਲ ਦੇ ਆਕਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ\({Y}_{i}\) ਮਾਪੇ ਗਏ ਜਵਾਬ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ \({\widehat{Y}}_{i}\) ਪਹਿਲੇ i ਨਿਰੀਖਣਾਂ ਲਈ, ਅਨੁਮਾਨਿਤ ਜਵਾਬ ਮੁੱਲ ਨੂੰ ਵੀ ਦਰਸਾਉਂਦਾ ਹੈ।
ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਅਤੇ ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲਾਂ ਦੇ ਅੰਕੜਾਤਮਕ ਵਰਣਨ ਸਾਰਣੀ 1 ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ, ਜੋ ਕਿ ਔਸਤ, ਮਿਆਰੀ ਵਿਵਹਾਰ (SD), ਪਰਿਵਰਤਨ ਦਾ ਗੁਣਾਂਕ (CV), ਘੱਟੋ-ਘੱਟ, ਵੱਧ ਤੋਂ ਵੱਧ, ਕੁਰਟੋਸਿਸ, ਅਤੇ ਤਿਰਛੇਪਨ ਦਰਸਾਉਂਦੇ ਹਨ। ਤੱਤਾਂ ਦੇ ਘੱਟੋ-ਘੱਟ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਮੁੱਲ ਕ੍ਰਮਵਾਰ Mg
ਪ੍ਰਤੀਕਿਰਿਆ ਤੱਤਾਂ ਦੇ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵੇਰੀਏਬਲਾਂ ਦੇ ਸਬੰਧ ਨੇ ਤੱਤਾਂ ਵਿਚਕਾਰ ਇੱਕ ਤਸੱਲੀਬਖਸ਼ ਸਬੰਧ ਦਰਸਾਇਆ (ਚਿੱਤਰ 3 ਵੇਖੋ)। ਸਬੰਧ ਨੇ ਸੰਕੇਤ ਦਿੱਤਾ ਕਿ CaK ਨੇ r ਮੁੱਲ = 0.53 ਦੇ ਨਾਲ ਦਰਮਿਆਨੀ ਸਬੰਧ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ, ਜਿਵੇਂ ਕਿ CaNi ਨੇ ਕੀਤਾ ਸੀ। ਹਾਲਾਂਕਿ Ca ਅਤੇ K ਇੱਕ ਦੂਜੇ ਨਾਲ ਮਾਮੂਲੀ ਸਬੰਧ ਦਿਖਾਉਂਦੇ ਹਨ, ਕਿੰਗਸਟਨ ਆਦਿ ਵਰਗੇ ਖੋਜਕਰਤਾ। 68 ਅਤੇ ਸੈਂਟੋ69 ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਮਿੱਟੀ ਵਿੱਚ ਉਨ੍ਹਾਂ ਦੇ ਪੱਧਰ ਉਲਟ ਅਨੁਪਾਤੀ ਹਨ। ਹਾਲਾਂਕਿ, Ca ਅਤੇ Mg K ਦੇ ਵਿਰੋਧੀ ਹਨ, ਪਰ CaK ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਬੰਧਿਤ ਹਨ। ਇਹ ਪੋਟਾਸ਼ੀਅਮ ਕਾਰਬੋਨੇਟ ਵਰਗੀਆਂ ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਪੋਟਾਸ਼ੀਅਮ ਵਿੱਚ 56% ਵੱਧ ਹੈ। ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ (KM r = 0.63) ਨਾਲ ਮੱਧਮ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਸੀ। ਖਾਦ ਉਦਯੋਗ ਵਿੱਚ, ਇਹ ਦੋਵੇਂ ਤੱਤ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹਨ ਕਿਉਂਕਿ ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ ਸਲਫੇਟ, ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ ਨਾਈਟ੍ਰੇਟ, ਅਤੇ ਪੋਟਾਸ਼ ਮਿੱਟੀ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਘਾਟ ਦੇ ਪੱਧਰ ਨੂੰ ਵਧਾਉਣ ਲਈ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਨਿੱਕਲ ਕ੍ਰਮਵਾਰ r ਮੁੱਲ = 0.52, 0.63 ਅਤੇ 0.55 ਦੇ ਨਾਲ Ca, K ਅਤੇ Mg ਨਾਲ ਮੱਧਮ ਤੌਰ 'ਤੇ ਸੰਬੰਧਿਤ ਹੈ। ਕੈਲਸ਼ੀਅਮ, ਮੈਗਨੀਸ਼ੀਅਮ, ਅਤੇ PTEs ਜਿਵੇਂ ਕਿ ਨਿੱਕਲ ਨਾਲ ਜੁੜੇ ਸਬੰਧ ਗੁੰਝਲਦਾਰ ਹਨ, ਪਰ ਫਿਰ ਵੀ, ਮੈਗਨੀਸ਼ੀਅਮ ਕੈਲਸ਼ੀਅਮ ਸਮਾਈ ਨੂੰ ਰੋਕਦਾ ਹੈ, ਕੈਲਸ਼ੀਅਮ ਵਾਧੂ ਮੈਗਨੀਸ਼ੀਅਮ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਅਤੇ ਮੈਗਨੀਸ਼ੀਅਮ ਅਤੇ ਕੈਲਸ਼ੀਅਮ ਦੋਵੇਂ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੇ ਜ਼ਹਿਰੀਲੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ।
ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਅਤੇ ਜਵਾਬਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਦਰਸਾਉਣ ਵਾਲੇ ਤੱਤਾਂ ਲਈ ਸਹਿ-ਸਬੰਧ ਮੈਟ੍ਰਿਕਸ (ਨੋਟ: ਇਸ ਚਿੱਤਰ ਵਿੱਚ ਤੱਤਾਂ ਵਿਚਕਾਰ ਇੱਕ ਸਕੈਟਰਪਲੋਟ ਸ਼ਾਮਲ ਹੈ, ਮਹੱਤਤਾ ਦੇ ਪੱਧਰ p < 0,001 'ਤੇ ਅਧਾਰਤ ਹਨ)।
ਚਿੱਤਰ 4 ਤੱਤਾਂ ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਬਰਗੋਸ ਐਟ ਅਲ70 ਦੇ ਅਨੁਸਾਰ, ਸਥਾਨਿਕ ਵੰਡ ਦੀ ਵਰਤੋਂ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਪ੍ਰਦੂਸ਼ਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਗਰਮ ਸਥਾਨਾਂ ਨੂੰ ਮਾਪਣ ਅਤੇ ਉਜਾਗਰ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਚਿੱਤਰ 4 ਵਿੱਚ Ca ਦੇ ਸੰਸ਼ੋਧਨ ਪੱਧਰ ਸਥਾਨਿਕ ਵੰਡ ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮੀ ਹਿੱਸੇ ਵਿੱਚ ਦੇਖੇ ਜਾ ਸਕਦੇ ਹਨ। ਚਿੱਤਰ ਮੱਧਮ ਤੋਂ ਉੱਚ Ca ਸੰਸ਼ੋਧਨ ਹੌਟਸਪੌਟਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਵਿੱਚ ਕੈਲਸ਼ੀਅਮ ਸੰਸ਼ੋਧਨ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਮਿੱਟੀ ਦੀ ਐਸਿਡਿਟੀ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕੁਇੱਕਲਾਈਮ (ਕੈਲਸ਼ੀਅਮ ਆਕਸਾਈਡ) ਦੀ ਵਰਤੋਂ ਅਤੇ ਸਟੀਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਖਾਰੀ ਆਕਸੀਜਨ ਵਜੋਂ ਸਟੀਲ ਮਿੱਲਾਂ ਵਿੱਚ ਇਸਦੀ ਵਰਤੋਂ ਕਾਰਨ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਦੂਜੇ ਕਿਸਾਨ pH ਨੂੰ ਬੇਅਸਰ ਕਰਨ ਲਈ ਤੇਜ਼ਾਬੀ ਮਿੱਟੀ ਵਿੱਚ ਕੈਲਸ਼ੀਅਮ ਹਾਈਡ੍ਰੋਕਸਾਈਡ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਪਸੰਦ ਕਰਦੇ ਹਨ, ਜੋ ਮਿੱਟੀ ਦੀ ਕੈਲਸ਼ੀਅਮ ਸਮੱਗਰੀ ਨੂੰ ਵੀ ਵਧਾਉਂਦਾ ਹੈ71। ਪੋਟਾਸ਼ੀਅਮ ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਅਤੇ ਪੂਰਬ ਵਿੱਚ ਗਰਮ ਸਥਾਨ ਵੀ ਦਰਸਾਉਂਦਾ ਹੈ। ਉੱਤਰ-ਪੱਛਮ ਇੱਕ ਪ੍ਰਮੁੱਖ ਖੇਤੀਬਾੜੀ ਭਾਈਚਾਰਾ ਹੈ, ਅਤੇ ਪੋਟਾਸ਼ੀਅਮ ਦਾ ਮੱਧਮ ਤੋਂ ਉੱਚ ਪੈਟਰਨ NPK ਅਤੇ ਪੋਟਾਸ਼ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਹੋਰ ਅਧਿਐਨਾਂ ਦੇ ਅਨੁਕੂਲ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਦਾਰਸ ਅਤੇ ਲਿਪਾਵਸਕੀ72, ਮਦਾਰਸ ਐਟ ਅਲ.73, ਪੁਲਕ੍ਰਾਬੋਵਾ ਐਟ ਅਲ.74, ਅਸਾਰੇ ਅਤੇ ਹੋਰ 75, ਜਿਨ੍ਹਾਂ ਨੇ ਦੇਖਿਆ ਕਿ ਮਿੱਟੀ ਦੇ ਸਥਿਰੀਕਰਨ ਅਤੇ KCl ਅਤੇ NPK ਨਾਲ ਇਲਾਜ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਿੱਟੀ ਵਿੱਚ K ਦੀ ਮਾਤਰਾ ਵੱਧ ਗਈ। ਵੰਡ ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਵਿੱਚ ਸਥਾਨਿਕ ਪੋਟਾਸ਼ੀਅਮ ਸੰਸ਼ੋਧਨ ਪੋਟਾਸ਼ੀਅਮ-ਅਧਾਰਤ ਖਾਦਾਂ ਜਿਵੇਂ ਕਿ ਪੋਟਾਸ਼ੀਅਮ ਕਲੋਰਾਈਡ, ਪੋਟਾਸ਼ੀਅਮ ਸਲਫੇਟ, ਪੋਟਾਸ਼ੀਅਮ ਨਾਈਟ੍ਰੇਟ, ਪੋਟਾਸ਼ ਅਤੇ ਪੋਟਾਸ਼ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਾੜੀ ਮਿੱਟੀ ਵਿੱਚ ਪੋਟਾਸ਼ੀਅਮ ਦੀ ਮਾਤਰਾ ਵਧਾਉਣ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਜ਼ਾਡੋਰੋਵਾ ਅਤੇ ਹੋਰ 76 ਅਤੇ ਟਲਸਟੋਸ਼ ਅਤੇ ਹੋਰ। 77 ਨੇ ਦੱਸਿਆ ਕਿ K-ਅਧਾਰਿਤ ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਮਿੱਟੀ ਵਿੱਚ K ਸਮੱਗਰੀ ਵਧਦੀ ਹੈ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਪੌਸ਼ਟਿਕ ਤੱਤਾਂ ਵਿੱਚ ਕਾਫ਼ੀ ਵਾਧਾ ਹੋਵੇਗਾ, ਖਾਸ ਕਰਕੇ K ਅਤੇ Mg ਮਿੱਟੀ ਵਿੱਚ ਇੱਕ ਗਰਮ ਸਥਾਨ ਦਿਖਾਉਂਦੇ ਹਨ। ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਅਤੇ ਨਕਸ਼ੇ ਦੇ ਦੱਖਣ-ਪੂਰਬ ਵਿੱਚ ਮੁਕਾਬਲਤਨ ਮੱਧਮ ਗਰਮ ਸਥਾਨ। ਮਿੱਟੀ ਵਿੱਚ ਕੋਲੋਇਡਲ ਫਿਕਸੇਸ਼ਨ ਮਿੱਟੀ ਵਿੱਚ ਮੈਗਨੀਸ਼ੀਅਮ ਦੀ ਗਾੜ੍ਹਾਪਣ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ। ਮਿੱਟੀ ਵਿੱਚ ਇਸਦੀ ਘਾਟ ਪੌਦਿਆਂ ਨੂੰ ਪੀਲੇ ਰੰਗ ਦੇ ਇੰਟਰਵੀਨ ਕਲੋਰੋਸਿਸ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਮੈਗਨੀਸ਼ੀਅਮ-ਅਧਾਰਿਤ ਖਾਦ, ਜਿਵੇਂ ਕਿ ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ ਸਲਫੇਟ, ਮੈਗਨੀਸ਼ੀਅਮ ਸਲਫੇਟ, ਅਤੇ ਕੀਸਰਾਈਟ, ਇੱਕ ਆਮ pH ਸੀਮਾ ਵਾਲੀ ਮਿੱਟੀ ਵਿੱਚ ਕਮੀਆਂ (ਪੌਦੇ ਜਾਮਨੀ, ਲਾਲ, ਜਾਂ ਭੂਰੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਜੋ ਮੈਗਨੀਸ਼ੀਅਮ ਦੀ ਘਾਟ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ) ਦਾ ਇਲਾਜ ਕਰਦੇ ਹਨ। ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਦੀਆਂ ਸਤਹਾਂ 'ਤੇ ਨਿੱਕਲ ਦਾ ਇਕੱਠਾ ਹੋਣਾ ਖੇਤੀਬਾੜੀ ਵਰਗੀਆਂ ਮਾਨਵ-ਜਨਕ ਗਤੀਵਿਧੀਆਂ ਅਤੇ ਸਟੇਨਲੈਸ ਸਟੀਲ ਉਤਪਾਦਨ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਮਹੱਤਤਾ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ78।
ਤੱਤਾਂ ਦੀ ਸਥਾਨਿਕ ਵੰਡ [ਸਥਾਨਿਕ ਵੰਡ ਨਕਸ਼ਾ ArcGIS ਡੈਸਕਟੌਪ (ESRI, Inc, ਸੰਸਕਰਣ 10.7, URL: https://desktop.arcgis.com) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ।]
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਤੱਤਾਂ ਲਈ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂਕ ਨਤੀਜੇ ਸਾਰਣੀ 2 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ। ਦੂਜੇ ਪਾਸੇ, Ni ਦੇ RMSE ਅਤੇ MAE ਦੋਵੇਂ ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ ਹਨ (0.86 RMSE, -0.08 MAE)। ਦੂਜੇ ਪਾਸੇ, K ਦੇ RMSE ਅਤੇ MAE ਦੋਵੇਂ ਮੁੱਲ ਸਵੀਕਾਰਯੋਗ ਹਨ। RMSE ਅਤੇ MAE ਨਤੀਜੇ ਕੈਲਸ਼ੀਅਮ ਅਤੇ ਮੈਗਨੀਸ਼ੀਅਮ ਲਈ ਵੱਧ ਸਨ। Ca ਅਤੇ K MAE ਅਤੇ RMSE ਨਤੀਜੇ ਵੱਖ-ਵੱਖ ਡੇਟਾਸੈੱਟਾਂ ਦੇ ਕਾਰਨ ਵੱਡੇ ਹਨ। Ni ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ EBK ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇਸ ਅਧਿਐਨ ਦੇ RMSE ਅਤੇ MAE, ਉਸੇ ਇਕੱਠੇ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਿੱਟੀ ਵਿੱਚ S ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਿਨੇਰਜਿਸਟਿਕ ਕ੍ਰਿਗਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਜੌਨ ਐਟ ਅਲ. 54 ਦੇ ਨਤੀਜਿਆਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪਾਏ ਗਏ। ਸਾਡੇ ਦੁਆਰਾ ਅਧਿਐਨ ਕੀਤੇ ਗਏ EBK ਆਉਟਪੁੱਟ ਫੈਬੀਜਾਕਜ਼ਿਕ ਐਟ ਅਲ. 41, ਯਾਨ ਐਟ ਅਲ. 79, ਬੇਗੁਇਨ ਐਟ ਅਲ. 80, ਅਧਿਕਾਰੀ ਐਟ ਅਲ. 81 ਅਤੇ ਜੌਨ ਐਟ ਅਲ. 82, ਖਾਸ ਕਰਕੇ K ਅਤੇ Ni ਦੇ ਨਤੀਜਿਆਂ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ।
ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਸਮੱਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਿਅਕਤੀਗਤ ਤਰੀਕਿਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ (ਸਾਰਣੀ 3) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ। ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਨੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਕਿ Ca_Mg_K ਭਵਿੱਖਬਾਣੀਕਰਤਾ ਨੇ EBK SVMR ਮਾਡਲ ਦੇ ਨਾਲ ਮਿਲ ਕੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਦਿੱਤਾ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਮਾਡਲ Ca_Mg_K-EBK_SVMR ਮਾਡਲ R2, ਰੂਟ ਮੀਡ ਵਰਗ ਗਲਤੀ (RMSE) ਅਤੇ ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) ਅਤੇ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) ਅਤੇ 166.946 mg/kg (MAE) ਸੀ। ਫਿਰ ਵੀ, Ca_Mg_K-SVMR (0.663 mg/kg R2) ਅਤੇ Ca_Mg-EBK_SVMR ਲਈ ਚੰਗੇ R2 ਮੁੱਲ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। (0.643 = R2); ਉਹਨਾਂ ਦੇ RMSE ਅਤੇ MAE ਨਤੀਜੇ Ca_Mg_K-EBK_SVMR (R2 0.637) (ਸਾਰਣੀ 3 ਵੇਖੋ) ਨਾਲੋਂ ਵੱਧ ਸਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ਅਤੇ MAE = 1031.49) ਮਾਡਲ ਦੇ RMSE ਅਤੇ MAE ਕ੍ਰਮਵਾਰ 17.5 ਅਤੇ 13.4 ਹਨ, ਜੋ ਕਿ Ca_Mg_K-EBK_SVMR ਨਾਲੋਂ ਵੱਡੇ ਹਨ। ਇਸੇ ਤਰ੍ਹਾਂ, Ca_Mg-K SVMR (RMSE = 235.974 ਅਤੇ MAE = 166.946) ਮਾਡਲ ਦੇ RMSE ਅਤੇ MAE ਕ੍ਰਮਵਾਰ Ca_Mg_K-EBK_SVMR RMSE ਅਤੇ MAE ਨਾਲੋਂ 2.5 ਅਤੇ 2.2 ਵੱਡੇ ਹਨ। ਗਣਨਾ ਕੀਤੇ RMSE ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਡੇਟਾ ਸੈੱਟ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਦੀ ਲਾਈਨ ਦੇ ਨਾਲ ਕਿੰਨਾ ਕੇਂਦ੍ਰਿਤ ਹੈ। ਉੱਚ RSME ਅਤੇ MAE ਦੇਖੇ ਗਏ। ਅਨੁਸਾਰ ਕੇਬੋਨੀ ਐਟ ਅਲ. 46 ਅਤੇ ਜੌਨ ਐਟ ਅਲ. 54 ਦੇ ਅਨੁਸਾਰ, RMSE ਅਤੇ MAE ਜ਼ੀਰੋ ਦੇ ਜਿੰਨੇ ਨੇੜੇ ਹੋਣਗੇ, ਨਤੀਜੇ ਓਨੇ ਹੀ ਬਿਹਤਰ ਹੋਣਗੇ। SVMR ਅਤੇ EBK_SVMR ਦੇ ਉੱਚ ਕੁਆਂਟਾਈਜ਼ਡ RSME ਅਤੇ MAE ਮੁੱਲ ਹਨ। ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ RSME ਅਨੁਮਾਨ MAE ਮੁੱਲਾਂ ਨਾਲੋਂ ਲਗਾਤਾਰ ਵੱਧ ਸਨ, ਜੋ ਕਿ ਆਊਟਲੀਅਰਾਂ ਦੀ ਮੌਜੂਦਗੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਲੇਗੇਟਸ ਅਤੇ ਮੈਕਕੇਬ 83 ਦੇ ਅਨੁਸਾਰ, RMSE ਜਿਸ ਹੱਦ ਤੱਕ ਔਸਤ ਸੰਪੂਰਨ ਗਲਤੀ (MAE) ਤੋਂ ਵੱਧ ਹੈ, ਉਸ ਦੀ ਸਿਫਾਰਸ਼ ਆਊਟਲੀਅਰਾਂ ਦੀ ਮੌਜੂਦਗੀ ਦੇ ਸੂਚਕ ਵਜੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡੇਟਾਸੈਟ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਵਿਭਿੰਨ ਹੋਵੇਗਾ, MAE ਅਤੇ RMSE ਮੁੱਲ ਓਨੇ ਹੀ ਉੱਚੇ ਹੋਣਗੇ। ਸ਼ਹਿਰੀ ਅਤੇ ਉਪਨਗਰੀਏ ਮਿੱਟੀ ਵਿੱਚ Ni ਸਮੱਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ Ca_Mg_K-EBK_SVMR ਮਿਸ਼ਰਤ ਮਾਡਲ ਦੇ ਕਰਾਸ-ਵੈਲੀਡੇਸ਼ਨ ਮੁਲਾਂਕਣ ਦੀ ਸ਼ੁੱਧਤਾ 63.70% ਸੀ। ਲੀ ਐਟ ਅਲ. 59 ਦੇ ਅਨੁਸਾਰ, ਸ਼ੁੱਧਤਾ ਦਾ ਇਹ ਪੱਧਰ ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦਰ ਹੈ। ਮੌਜੂਦਾ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਤਾਰਾਸੋਵ ਐਟ ਅਲ ਦੁਆਰਾ ਪਿਛਲੇ ਅਧਿਐਨ ਨਾਲ ਕੀਤੀ ਗਈ ਹੈ। 36 ਜਿਸਦਾ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ MLPRK (ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ ਰੈਜ਼ੀਡੁਅਲ ਕਰਿਗਿੰਗ) ਬਣਾਇਆ ਗਿਆ ਸੀ, ਜੋ ਕਿ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ EBK_SVMR ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਸੂਚਕਾਂਕ ਨਾਲ ਸੰਬੰਧਿਤ ਸੀ, RMSE (210) ਅਤੇ MAE (167.5) ਮੌਜੂਦਾ ਅਧਿਐਨ (RMSE 95.479, MAE 77.368) ਵਿੱਚ ਸਾਡੇ ਨਤੀਜਿਆਂ ਨਾਲੋਂ ਵੱਧ ਸੀ। ਹਾਲਾਂਕਿ, ਮੌਜੂਦਾ ਅਧਿਐਨ (0.637) ਦੇ R2 ਦੀ ਤੁਲਨਾ ਤਾਰਾਸੋਵ ਐਟ ਅਲ ਨਾਲ ਕਰਦੇ ਸਮੇਂ। 36 (0.544), ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਇਸ ਮਿਸ਼ਰਤ ਮਾਡਲ ਵਿੱਚ ਨਿਰਧਾਰਨ ਗੁਣਾਂਕ (R2) ਵੱਧ ਹੈ। ਮਿਸ਼ਰਤ ਮਾਡਲ ਲਈ ਗਲਤੀ ਦਾ ਹਾਸ਼ੀਆ (RMSE ਅਤੇ MAE) (EBK SVMR) ਦੋ ਗੁਣਾ ਘੱਟ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਸਰਜੀਵ ਐਟ ਅਲ.34 ਨੇ ਵਿਕਸਤ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ (ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟ੍ਰੋਨ ਰੈਜ਼ੀਡੁਅਲ ਕ੍ਰਿਗਿੰਗ) ਲਈ 0.28 (R2) ਦਰਜ ਕੀਤਾ, ਜਦੋਂ ਕਿ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ Ni ਨੇ 0.637 (R2) ਦਰਜ ਕੀਤਾ। ਇਸ ਮਾਡਲ (EBK SVMR) ਦਾ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ ਪੱਧਰ 63.7% ਹੈ, ਜਦੋਂ ਕਿ ਸਰਜੀਵ ਐਟ ਅਲ.34 ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ 28% ਹੈ। EBK_SVMR ਮਾਡਲ ਅਤੇ Ca_Mg_K ਨੂੰ ਇੱਕ ਭਵਿੱਖਬਾਣੀਕਰਤਾ ਵਜੋਂ ਵਰਤ ਕੇ ਬਣਾਇਆ ਗਿਆ ਅੰਤਿਮ ਨਕਸ਼ਾ (ਚਿੱਤਰ 5) ਪੂਰੇ ਅਧਿਐਨ ਖੇਤਰ ਵਿੱਚ ਗਰਮ ਸਥਾਨਾਂ ਅਤੇ ਮੱਧਮ ਤੋਂ ਨਿੱਕਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਧਿਐਨ ਖੇਤਰ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਗਾੜ੍ਹਾਪਣ ਮੁੱਖ ਤੌਰ 'ਤੇ ਦਰਮਿਆਨੀ ਹੈ, ਕੁਝ ਖਾਸ ਖੇਤਰਾਂ ਵਿੱਚ ਉੱਚ ਗਾੜ੍ਹਾਪਣ ਦੇ ਨਾਲ।
ਅੰਤਿਮ ਭਵਿੱਖਬਾਣੀ ਨਕਸ਼ਾ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ EBK_SVMR ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਅਤੇ Ca_Mg_K ਨੂੰ ਭਵਿੱਖਬਾਣੀਕਰਤਾ ਵਜੋਂ ਵਰਤ ਕੇ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। [ਸਥਾਨਿਕ ਵੰਡ ਨਕਸ਼ਾ RStudio (ਵਰਜਨ 1.4.1717: https://www.rstudio.com/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ।]
ਚਿੱਤਰ 6 ਵਿੱਚ PTE ਗਾੜ੍ਹਾਪਣ ਨੂੰ ਇੱਕ ਰਚਨਾ ਸਮਤਲ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਨਿਊਰੋਨ ਸ਼ਾਮਲ ਹਨ। ਕਿਸੇ ਵੀ ਕੰਪੋਨੈਂਟ ਪਲੇਨ ਨੇ ਦਿਖਾਏ ਗਏ ਰੰਗ ਦੇ ਪੈਟਰਨ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਨਹੀਂ ਕੀਤਾ। ਹਾਲਾਂਕਿ, ਪ੍ਰਤੀ ਖਿੱਚੇ ਗਏ ਨਕਸ਼ੇ 'ਤੇ ਨਿਊਰੋਨ ਦੀ ਢੁਕਵੀਂ ਗਿਣਤੀ 55 ਹੈ। SeOM ਵੱਖ-ਵੱਖ ਰੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੈਦਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਰੰਗ ਪੈਟਰਨ ਜਿੰਨੇ ਜ਼ਿਆਦਾ ਸਮਾਨ ਹੋਣਗੇ, ਨਮੂਨਿਆਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਓਨੀਆਂ ਹੀ ਤੁਲਨਾਤਮਕ ਹੋਣਗੀਆਂ। ਉਹਨਾਂ ਦੇ ਸਟੀਕ ਰੰਗ ਪੈਮਾਨੇ ਦੇ ਅਨੁਸਾਰ, ਵਿਅਕਤੀਗਤ ਤੱਤ (Ca, K, ਅਤੇ Mg) ਸਿੰਗਲ ਉੱਚ ਨਿਊਰੋਨ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਘੱਟ ਨਿਊਰੋਨ ਦੇ ਸਮਾਨ ਰੰਗ ਪੈਟਰਨ ਦਿਖਾਉਂਦੇ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, CaK ਅਤੇ CaMg ਬਹੁਤ ਉੱਚ-ਕ੍ਰਮ ਵਾਲੇ ਨਿਊਰੋਨ ਅਤੇ ਘੱਟ-ਤੋਂ-ਮੱਧਮ ਰੰਗ ਪੈਟਰਨਾਂ ਨਾਲ ਕੁਝ ਸਮਾਨਤਾਵਾਂ ਸਾਂਝੀਆਂ ਕਰਦੇ ਹਨ। ਦੋਵੇਂ ਮਾਡਲ ਲਾਲ, ਸੰਤਰੀ ਅਤੇ ਪੀਲੇ ਵਰਗੇ ਰੰਗਾਂ ਦੇ ਦਰਮਿਆਨੇ ਤੋਂ ਉੱਚ ਰੰਗਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਕੇ ਮਿੱਟੀ ਵਿੱਚ Ni ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। KMg ਮਾਡਲ ਸਟੀਕ ਅਨੁਪਾਤ ਅਤੇ ਘੱਟ ਤੋਂ ਦਰਮਿਆਨੇ ਰੰਗ ਪੈਚਾਂ ਦੇ ਅਧਾਰ ਤੇ ਬਹੁਤ ਸਾਰੇ ਉੱਚ ਰੰਗ ਪੈਟਰਨ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ। ਘੱਟ ਤੋਂ ਉੱਚ ਤੱਕ ਇੱਕ ਸਟੀਕ ਰੰਗ ਪੈਟਰਨ 'ਤੇ, ਮਾਡਲ ਦੇ ਹਿੱਸਿਆਂ ਦੇ ਪਲੇਨਰ ਵੰਡ ਪੈਟਰਨ ਨੇ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਸੰਭਾਵੀ ਗਾੜ੍ਹਾਪਣ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹੋਏ ਇੱਕ ਉੱਚ ਰੰਗ ਪੈਟਰਨ ਦਿਖਾਇਆ (ਚਿੱਤਰ 4 ਵੇਖੋ)। CakMg ਮਾਡਲ ਕੰਪੋਨੈਂਟ ਪਲੇਨ ਘੱਟ ਤੋਂ ਉੱਚ ਤੱਕ ਇੱਕ ਵਿਭਿੰਨ ਰੰਗ ਪੈਟਰਨ ਦਿਖਾਉਂਦਾ ਹੈ ਇੱਕ ਸਹੀ ਰੰਗ ਪੈਮਾਨੇ ਤੱਕ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮਾਡਲ ਦੀ ਨਿੱਕਲ ਸਮੱਗਰੀ (CakMg) ਦੀ ਭਵਿੱਖਬਾਣੀ ਚਿੱਤਰ 5 ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਨਿੱਕਲ ਦੇ ਸਥਾਨਿਕ ਵੰਡ ਦੇ ਸਮਾਨ ਹੈ। ਦੋਵੇਂ ਗ੍ਰਾਫ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੇ ਉੱਚ, ਦਰਮਿਆਨੇ ਅਤੇ ਘੱਟ ਅਨੁਪਾਤ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।ਚਿੱਤਰ 7 ਨਕਸ਼ੇ 'ਤੇ k-ਮਤਲਬ ਸਮੂਹ ਵਿੱਚ ਕੰਟੋਰ ਵਿਧੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਹਰੇਕ ਮਾਡਲ ਵਿੱਚ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਦੇ ਅਧਾਰ ਤੇ ਤਿੰਨ ਕਲੱਸਟਰਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ। ਕੰਟੋਰ ਵਿਧੀ ਕਲੱਸਟਰਾਂ ਦੀ ਅਨੁਕੂਲ ਸੰਖਿਆ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ।ਇਕੱਠੇ ਕੀਤੇ ਗਏ 115 ਮਿੱਟੀ ਦੇ ਨਮੂਨਿਆਂ ਵਿੱਚੋਂ, ਸ਼੍ਰੇਣੀ 1 ਨੇ ਸਭ ਤੋਂ ਵੱਧ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ, 74।ਕਲੱਸਟਰ 2 ਨੇ 33 ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ, ਜਦੋਂ ਕਿ ਕਲੱਸਟਰ 3 ਨੇ 8 ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ।ਸੱਤ-ਕੰਪੋਨੈਂਟ ਪਲੇਨਰ ਭਵਿੱਖਬਾਣੀ ਸੁਮੇਲ ਨੂੰ ਸਹੀ ਕਲੱਸਟਰ ਵਿਆਖਿਆ ਦੀ ਆਗਿਆ ਦੇਣ ਲਈ ਸਰਲ ਬਣਾਇਆ ਗਿਆ ਸੀ।ਮਿੱਟੀ ਦੇ ਗਠਨ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੀਆਂ ਕਈ ਮਾਨਵ-ਜਨਕ ਅਤੇ ਕੁਦਰਤੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਕਾਰਨ, ਵੰਡੇ ਗਏ SeOM ਨਕਸ਼ੇ ਵਿੱਚ ਸਹੀ ਢੰਗ ਨਾਲ ਵੱਖਰਾ ਕਲੱਸਟਰ ਪੈਟਰਨ ਰੱਖਣਾ ਮੁਸ਼ਕਲ ਹੈ78।
ਹਰੇਕ ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕਰਿਗਿੰਗ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (EBK_SVM_SeOM) ਵੇਰੀਏਬਲ ਦੁਆਰਾ ਕੰਪੋਨੈਂਟ ਪਲੇਨ ਆਉਟਪੁੱਟ। [SEOM ਨਕਸ਼ੇ RStudio (ਵਰਜਨ 1.4.1717: https://www.rstudio.com/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਸਨ।]
ਵੱਖ-ਵੱਖ ਕਲੱਸਟਰ ਵਰਗੀਕਰਣ ਹਿੱਸੇ [SEOM ਨਕਸ਼ੇ RStudio (ਵਰਜਨ 1.4.1717: https://www.rstudio.com/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਸਨ।]
ਮੌਜੂਦਾ ਅਧਿਐਨ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਲਈ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦਾ ਹੈ। ਅਧਿਐਨ ਨੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਨਾਲ ਤੱਤਾਂ ਨੂੰ ਜੋੜਦੇ ਹੋਏ, ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਪ੍ਰਾਪਤ ਕੀਤਾ। ਮਾਡਲਿੰਗ ਤਕਨੀਕ ਦੀਆਂ SeOM ਰਚਨਾਤਮਕ ਪਲੇਨਰ ਸਥਾਨਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੇ ਇੱਕ ਸਹੀ ਰੰਗ ਪੈਮਾਨੇ 'ਤੇ ਘੱਟ ਤੋਂ ਉੱਚ ਤੱਕ ਇੱਕ ਉੱਚ ਰੰਗ ਪੈਟਰਨ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ, ਜੋ ਮਿੱਟੀ ਵਿੱਚ Ni ਗਾੜ੍ਹਾਪਣ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸਥਾਨਿਕ ਵੰਡ ਨਕਸ਼ਾ EBK_SVMR ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਿਤ ਹਿੱਸਿਆਂ ਦੀ ਪਲੇਨਰ ਸਥਾਨਿਕ ਵੰਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ (ਚਿੱਤਰ 5 ਵੇਖੋ)। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਸਹਾਇਤਾ ਵੈਕਟਰ ਮਸ਼ੀਨ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ (Ca Mg K-SVMR) ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਦੇ ਰੂਪ ਵਿੱਚ ਮਿੱਟੀ ਵਿੱਚ Ni ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਪਰ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਮਾਪਦੰਡ RMSE ਅਤੇ MAE ਦੇ ਰੂਪ ਵਿੱਚ ਬਹੁਤ ਉੱਚ ਗਲਤੀਆਂ ਦਿਖਾਉਂਦੇ ਹਨ। ਦੂਜੇ ਪਾਸੇ, EBK_MLR ਮਾਡਲ ਦੇ ਨਾਲ ਵਰਤੀ ਗਈ ਮਾਡਲਿੰਗ ਤਕਨੀਕ ਵੀ ਨਿਰਧਾਰਨ ਦੇ ਗੁਣਾਂਕ (R2) ਦੇ ਘੱਟ ਮੁੱਲ ਕਾਰਨ ਨੁਕਸਦਾਰ ਹੈ। 63.7% ਦੀ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਘੱਟ RMSE ਅਤੇ MAE ਗਲਤੀਆਂ ਵਾਲੇ EBK SVMR ਅਤੇ ਸੰਯੁਕਤ ਤੱਤਾਂ (CaKMg) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚੰਗੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ EBK ਐਲਗੋਰਿਦਮ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਨਾਲ ਜੋੜਨ ਨਾਲ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਐਲਗੋਰਿਦਮ ਪੈਦਾ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਮਿੱਟੀ ਵਿੱਚ PTEs ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਅਧਿਐਨ ਖੇਤਰ ਵਿੱਚ Ni ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ Ca Mg K ਦੀ ਵਰਤੋਂ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਿਆਂ ਵਜੋਂ ਮਿੱਟੀ ਵਿੱਚ Ni ਦੀ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਬਿਹਤਰ ਬਣਾ ਸਕਦੀ ਹੈ। ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਸਟੀਲ ਉਦਯੋਗ ਦੁਆਰਾ ਨਿੱਕਲ-ਅਧਾਰਤ ਖਾਦਾਂ ਦੀ ਨਿਰੰਤਰ ਵਰਤੋਂ ਅਤੇ ਮਿੱਟੀ ਦੇ ਉਦਯੋਗਿਕ ਪ੍ਰਦੂਸ਼ਣ ਨਾਲ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਗਾੜ੍ਹਾਪਣ ਵਧਣ ਦੀ ਪ੍ਰਵਿਰਤੀ ਹੈ। ਇਸ ਅਧਿਐਨ ਤੋਂ ਪਤਾ ਚੱਲਿਆ ਹੈ ਕਿ EBK ਮਾਡਲ ਗਲਤੀ ਦੇ ਪੱਧਰ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸ਼ਹਿਰੀ ਜਾਂ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਸਥਾਨਿਕ ਵੰਡ ਦੇ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ। ਆਮ ਤੌਰ 'ਤੇ, ਅਸੀਂ ਮਿੱਟੀ ਵਿੱਚ PTE ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ EBK-SVMR ਮਾਡਲ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਰੱਖਦੇ ਹਾਂ; ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਨਾਲ ਹਾਈਬ੍ਰਿਡਾਈਜ਼ ਕਰਨ ਲਈ EBK ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਰੱਖਦੇ ਹਾਂ। Ni ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਤੱਤਾਂ ਨੂੰ ਸਹਿ-ਵੇਰੀਏਟ ਵਜੋਂ ਵਰਤ ਕੇ ਕੀਤੀ ਗਈ ਸੀ; ਹਾਲਾਂਕਿ, ਵਧੇਰੇ ਕੋਵੇਰੀਏਟਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਹੋਵੇਗਾ, ਜਿਸਨੂੰ ਮੌਜੂਦਾ ਕੰਮ ਦੀ ਇੱਕ ਸੀਮਾ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਅਧਿਐਨ ਦੀ ਇੱਕ ਹੋਰ ਸੀਮਾ ਇਹ ਹੈ ਕਿ ਡੇਟਾਸੈੱਟਾਂ ਦੀ ਗਿਣਤੀ 115 ਹੈ। ਇਸ ਲਈ, ਜੇਕਰ ਹੋਰ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪ੍ਰਸਤਾਵਿਤ ਅਨੁਕੂਲਿਤ ਹਾਈਬ੍ਰਿਡਾਈਜ਼ੇਸ਼ਨ ਵਿਧੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
PlantProbs.net.Plantprobs.net/plant/nutrientImbalances/sodium.html (28 ਅਪ੍ਰੈਲ 2021 ਨੂੰ ਐਕਸੈਸ ਕੀਤਾ ਗਿਆ)।
ਕਾਸਪ੍ਰਜ਼ਾਕ, ਕੇਐਸ ਨਿੱਕਲ ਆਧੁਨਿਕ ਵਾਤਾਵਰਣ ਜ਼ਹਿਰ ਵਿਗਿਆਨ ਵਿੱਚ ਅੱਗੇ ਵਧਦਾ ਹੈ। ਆਲੇ-ਦੁਆਲੇ. ਜ਼ਹਿਰ ਵਿਗਿਆਨ।11, 145–183 (1987)।
ਸੇਮਪਲ, ਐਮ. ਅਤੇ ਨਿਕੇਲ, ਜੀ. ਨਿੱਕਲ: ਇਸਦੇ ਸਰੋਤਾਂ ਅਤੇ ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਜ਼ਹਿਰੀਲੇਪਣ ਦੀ ਸਮੀਖਿਆ। ਪੋਲਿਸ਼ ਜੇ. ਵਾਤਾਵਰਣ। ਅਧਿਐਨ। 15, 375–382 (2006)।
ਫ੍ਰੀਡਮੈਨ, ਬੀ. ਅਤੇ ਹਚਿਨਸਨ, ਟੀਸੀ ਕੈਨੇਡਾ ਦੇ ਓਨਟਾਰੀਓ ਦੇ ਸਡਬਰੀ ਵਿੱਚ ਇੱਕ ਨਿੱਕਲ-ਤਾਂਬੇ ਦੇ ਗੰਧਕ ਦੇ ਨੇੜੇ ਵਾਯੂਮੰਡਲ ਤੋਂ ਪ੍ਰਦੂਸ਼ਕ ਇਨਪੁੱਟ ਅਤੇ ਮਿੱਟੀ ਅਤੇ ਬਨਸਪਤੀ ਵਿੱਚ ਇਕੱਠਾ ਹੋਣਾ। can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
ਮਾਨੀਵਾ, ਟੀ. ਆਦਿ। ਬੋਤਸਵਾਨਾ ਵਿੱਚ ਸੇਲੇਬੀ-ਫਿਕਵੇ ਤਾਂਬਾ-ਨਿਕਲ ਖਾਨ ਦੇ ਨੇੜੇ ਮਿੱਟੀ, ਪੌਦਿਆਂ ਵਿੱਚ ਭਾਰੀ ਧਾਤਾਂ ਅਤੇ ਚਰਾਉਣ ਵਾਲੇ ਰੂਮੀਨੈਂਟਸ ਨਾਲ ਜੁੜੇ ਜੋਖਮ।ਸਰਾਊਂਡਿੰਗਜ਼।ਜੀਓਕੈਮਿਸਟਰੀ।ਹੈਲਥ https://doi.org/10.1007/s10653-021-00918-x (2021)।
Cabata-Pendias.Kabata-Pendias A. 2011. ਮਿੱਟੀ ਵਿੱਚ ਤੱਤਾਂ ਦਾ ਪਤਾ ਲਗਾਓ ਅਤੇ… – 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= (24 ਨਵੰਬਰ 2020 ਨੂੰ ਐਕਸੈਸ ਕੀਤਾ ਗਿਆ)।
ਅਲਮਾਸ, ਏ., ਸਿੰਘ, ਬੀ., ਖੇਤੀਬਾੜੀ, ਟੀਐਸ-ਐਨਜੇ ਆਫ਼ & 1995, ਪਰਿਭਾਸ਼ਿਤ ਨਹੀਂ। ਸੋਅਰ-ਵਾਰੈਂਜਰ, ਨਾਰਵੇ ਵਿੱਚ ਖੇਤੀਬਾੜੀ ਮਿੱਟੀ ਅਤੇ ਘਾਹ ਵਿੱਚ ਭਾਰੀ ਧਾਤੂ ਗਾੜ੍ਹਾਪਣ 'ਤੇ ਰੂਸੀ ਨਿੱਕਲ ਉਦਯੋਗ ਦੇ ਪ੍ਰਭਾਵ।agris.fao.org।
ਨੀਲਸਨ, ਜੀ.ਡੀ. ਅਤੇ ਹੋਰ। ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਵਿੱਚ ਨਿੱਕਲ ਸੋਖਣ ਅਤੇ ਧਾਰਨ ਭੋਜਨ ਦੇ ਸੇਵਨ ਅਤੇ ਨਿੱਕਲ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨਾਲ ਸਬੰਧਤ ਹਨ।ਟੌਕਸੀਕੋਲੋਜੀ।ਐਪਲੀਕੇਸ਼ਨ।ਫਾਰਮਾਕੋਡਾਇਨਾਮਿਕਸ।154, 67–75 (1999)।
ਕੋਸਟਾ, ਐਮ. ਅਤੇ ਕਲੇਨ, ਸੀ.ਬੀ. ਨਿੱਕਲ ਕਾਰਸੀਨੋਜੇਨੇਸਿਸ, ਮਿਊਟੇਸ਼ਨ, ਐਪੀਜੇਨੇਟਿਕਸ ਜਾਂ ਚੋਣ। ਆਲੇ-ਦੁਆਲੇ। ਸਿਹਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ।107, 2 (1999)।
ਅਜਮਾਨ, ਪੀਸੀ; ਅਜਾਡੋ, ਐਸਕੇ; ਬੋਰੂਵਕਾ, ਐਲ.; ਬਿਨੀ, ਜੇਕੇਐਮ; ਸਰਕੋਡੀ, ਵੀਵਾਈਓ; ਕੋਬੋਨੀ, ਐਨਐਮ; ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਜ਼ਹਿਰੀਲੇ ਤੱਤਾਂ ਦਾ ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ: ਇੱਕ ਬਿਬਲੀਓਮੈਟ੍ਰਿਕ ਸਮੀਖਿਆ। ਵਾਤਾਵਰਣ ਭੂ-ਰਸਾਇਣ ਵਿਗਿਆਨ ਅਤੇ ਸਿਹਤ। ਸਪ੍ਰਿੰਗਰ ਸਾਇੰਸ ਅਤੇ ਵਪਾਰ ਮੀਡੀਆ ਬੀਵੀ 2020। https://doi.org/10.1007/s10653-020-00742-9।
ਮਿਨਾਸਨੀ, ਬੀ. ਅਤੇ ਮੈਕਬ੍ਰੈਟਨੀ, ਏਬੀ ਡਿਜੀਟਲ ਸੋਇਲ ਮੈਪਿੰਗ: ਇੱਕ ਸੰਖੇਪ ਇਤਿਹਾਸ ਅਤੇ ਕੁਝ ਸਬਕ। ਜੀਓਡਰਮਾ 264, 301–311। https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)।
McBratney, AB, Mendonça Santos, ML & Minasny, B. on digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)।
Deutsch.CV ਜੀਓਸਟੈਟਿਸਟੀਕਲ ਰਿਜ਼ਰਵਾਇਰ ਮਾਡਲਿੰਗ,… – ਗੂਗਲ ਸਕਾਲਰ 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= (28 ਅਪ੍ਰੈਲ 2021 ਨੂੰ ਐਕਸੈਸ ਕੀਤਾ ਗਿਆ)।
ਪੋਸਟ ਸਮਾਂ: ਜੁਲਾਈ-22-2022
