د Nature.com د لیدنې لپاره مننه. هغه براوزر نسخه چې تاسو یې کاروئ د CSS لپاره محدود ملاتړ لري. د غوره تجربې لپاره، موږ سپارښتنه کوو چې تاسو یو تازه شوی براوزر وکاروئ (یا په انټرنیټ اکسپلورر کې د مطابقت حالت بند کړئ). په ورته وخت کې، د دوامداره ملاتړ ډاډ ترلاسه کولو لپاره، موږ به سایټ پرته له سټایلونو او جاواسکریپټ څخه وښیو.
د خاورې ککړتیا یوه لویه ستونزه ده چې د انسانانو د فعالیتونو له امله رامینځته کیږي. د احتمالي زهرجنو عناصرو (PTEs) فضايي ویش په ډیری ښاري او نیمه ښاري سیمو کې توپیر لري. له همدې امله، په داسې خاورو کې د PTEs د مینځپانګې وړاندوینه کول ګران دي. په چک جمهوریت کې د فریډیک میسټیک څخه ټولټال 115 نمونې ترلاسه شوې. کلسیم (Ca)، مګنیزیم (Mg)، پوټاشیم (K) او نکل (Ni) غلظت د انډکټیولي ډول سره یوځای شوي پلازما اخراج سپیکٹرومیټري په کارولو سره ټاکل شوي. د غبرګون متغیر Ni دی او وړاندوینې کونکي Ca، Mg، او K دي. د غبرګون متغیر او وړاندوینې کونکي متغیر ترمنځ د اړیکو میټریکس د عناصرو ترمنځ د قناعت وړ اړیکه ښیې. د وړاندوینې پایلو ښودلې چې د ملاتړ ویکتور ماشین ریګریشن (SVMR) ښه فعالیت کړی، که څه هم د دې اټکل شوي ریښې اوسط مربع غلطی (RMSE) (235.974 mg/kg) او اوسط مطلق غلطی (MAE) (166.946 mg/kg) د نورو پلي شوي میتودونو په پرتله لوړ وو. د تجربوي بایسیان کریګینګ - څو خطي ریګریشن لپاره مخلوط ماډلونه (EBK-MLR) کمزوري فعالیت کوي، لکه څنګه چې د 0.1 څخه کم د ټاکلو کوفیفینټونو لخوا ثبوت شوی. د تجربوي بایسیان کریګینګ-ملاتړ ویکتور ماشین ریګریشن (EBK-SVMR) ماډل غوره ماډل و، د ټیټ RMSE (95.479 mg/kg) او MAE (77.368 mg/kg) ارزښتونو او د ټاکلو لوړ کوفیفینټ (R2 = 0.637) سره. د EBK-SVMR ماډلینګ تخنیک محصول د ځان تنظیم کولو نقشې په کارولو سره لیدل کیږي. د هایبرډ ماډل CakMg-EBK-SVMR برخې په الوتکه کې کلستر شوي نیورونونه ډیری رنګ نمونې ښیې چې په ښاري او نیمه ښاري خاورو کې د Ni غلظت وړاندوینه کوي. پایلې ښیې چې د EBK او SVMR ترکیب په ښاري او نیمه ښاري خاورو کې د Ni غلظت وړاندوینې لپاره یو مؤثر تخنیک دی.
نکل (Ni) د نباتاتو لپاره یو مایکرو غذایی توکی ګڼل کیږي ځکه چې دا د اتموسفیر نایتروجن فکسیشن (N) او یوریا میتابولیزم کې مرسته کوي، چې دواړه د تخم د ټوکیدنې لپاره اړین دي. د تخم د ټوکیدنې لپاره د هغې د ونډې سربیره، Ni کولی شي د فنګسي او باکتریا مخنیوي کونکي په توګه عمل وکړي او د نبات وده هڅوي. په خاوره کې د نکل نشتوالی نبات ته اجازه ورکوي چې دا جذب کړي، چې په پایله کې د پاڼو کلوروسیز رامینځته کیږي. د مثال په توګه، د غواګانو او شنه لوبیا د نایتروجن فکسیشن غوره کولو لپاره د نکل پر بنسټ سرې کارولو ته اړتیا لري. د خاورې بډایه کولو لپاره د نکل پر بنسټ سرې دوامداره کارول او په خاوره کې د نایتروجن فکس کولو لپاره د لوبیا وړتیا لوړول په دوامداره توګه په خاوره کې د نکل غلظت زیاتوي. که څه هم نکل د نباتاتو لپاره یو مایکرو غذایی توکی دی، په خاوره کې د هغې ډیر مصرف کولی شي د ګټې په پرتله ډیر زیان ورسوي. په خاوره کې د نکل زهرجنیت د خاورې pH کموي او د نباتاتو د ودې لپاره د اړین غذایی توکی په توګه د اوسپنې جذب مخه نیسي. د لیو 3 په وینا، Ni د نبات د ودې او ودې لپاره اړین 17 مهم عنصر موندل شوی. د نبات په وده او ودې کې د نکل رول سربیره، انسانان د مختلفو غوښتنلیکونو لپاره ورته اړتیا لري. الیکټروپلاټینګ، د د نکل پر بنسټ الیاژونو تولید، او د موټرو صنعت کې د اور لګیدو وسیلو او سپارک پلګونو تولید ټول په مختلفو صنعتي سکتورونو کې د نکل کارولو ته اړتیا لري. سربیره پردې، د نکل پر بنسټ الیاژونه او الکتروپلیټ شوي توکي په پراخه کچه د پخلنځي سامانونو، د بال روم لوازمو، د خوړو صنعت اکمالاتو، بریښنا، تار او کیبل، جیټ توربینونو، جراحي امپلانټونو، ټوکرونو او د کښتۍ جوړولو کې کارول شوي دي. په خاوره کې د Ni بډایه کچه (یعنې، سطحي خاوره) د انتروپجنیک او طبیعي سرچینو دواړو ته منسوب شوې، مګر په عمده توګه، Ni د انتروپجنیک پرځای طبیعي سرچینه ده4,6. د نکل طبیعي سرچینې د آتش فشاني چاودنې، نباتات، د ځنګل اورونه، او جیولوژیکي پروسې شاملې دي؛ په هرصورت، انتروپجنیک سرچینې د فولادو صنعت کې د نکل/کاډیمیم بیټرۍ، الکتروپلیټینګ، آرک ویلډینګ، ډیزل او د سونګ غوړ، او د ډبرو سکرو احتراق او د کثافاتو او خځلو سوځولو څخه د اتموسفیر اخراج شامل دي7,8. د فریډمن او هچینسن9 او مانیوا او نورو په وینا. ۱۰، په سمدستي او نږدې چاپیریال کې د خاورې د پورتنۍ ککړتیا اصلي سرچینې په عمده توګه د نکل-مسو پر بنسټ جوړونکي او کانونه دي. په کاناډا کې د سډبري نکل-مسو تصفیه خانې شاوخوا پورتنۍ خاوره د نکل ککړتیا لوړه کچه په ۲۶،۰۰۰ ملی ګرامه/کیلوګرامه کې درلوده. برعکس، په روسیه کې د نکل تولید څخه ککړتیا د ناروې په خاوره کې د نکل غلظت لوړیدو لامل شوې ده. د المس او نورو په وینا. ۱۲، د سیمې په غوره کرنیزه ځمکه کې د HNO3 استخراج وړ نکل اندازه (په روسیه کې د نکل تولید) له ۶.۲۵ څخه تر ۱۳۶.۸۸ ملی ګرامه/کیلو ګرامه پورې وه، چې د ۳۰.۴۳ ملی ګرامه/کیلو ګرامه اوسط او د ۲۵ ملی ګرامه/کیلو ګرامه اساس غلظت سره مطابقت لري. د کباتا ۱۱ له مخې، د فصلونو په پرله پسې فصلونو کې په ښاري یا نیمه ښاري خاورو کې د فاسفورس سرې کارول کولی شي خاوره ککړه یا ککړه کړي. په انسانانو کې د نکل احتمالي اغیزې ممکن د میوټاجینیسیس، کروموزوم زیان، د Z-DNA تولید، د بند شوي DNA ایستلو ترمیم، یا ایپی جینیټیک پروسو له لارې سرطان رامینځته کړي. په څارویو تجربو کې، نکل موندل شوی چې د مختلفو تومورونو د رامینځته کولو وړتیا لري، او د سرطان پیدا کونکي نکل کمپلیکسونه ممکن دا ډول تومورونه زیات کړي.
د خاورې ککړتیا ارزونې په دې وروستیو کې د روغتیا پورې اړوند پراخو مسلو له امله وده کړې چې د خاورې او نباتاتو اړیکو، خاورې او خاورې بیولوژیکي اړیکو، ایکولوژیکي تخریب، او د چاپیریال اغیزې ارزونې څخه رامینځته کیږي. تر نن نیټې پورې، د احتمالي زهرجن عناصرو (PTEs) لکه Ni په خاوره کې د فضا وړاندوینه د دودیزو میتودونو په کارولو سره سخته او وخت نیسي. د ډیجیټل خاورې نقشه کولو (DSM) راتګ او د هغې اوسني بریالیتوب 15 د وړاندوینې وړ خاورې نقشه کولو (PSM) خورا ښه کړی دی. د میناسني او مک براټني 16 په وینا، د وړاندوینې وړ خاورې نقشه کول (DSM) د خاورې ساینس یو مهم فرعي ډسپلین ثابت شوی. لاګاچري او مک براټني، 2006 DSM د "د ځایي او لابراتوار مشاهدې میتودونو او د ځایي او غیر ځایي خاورې استنباط سیسټمونو کارولو له لارې د فضايي خاورې معلوماتو سیسټمونو رامینځته کول او ډکول" په توګه تعریفوي. مک براټني او نور. ۱۷ په ګوته کوي چې معاصر DSM یا PSM د PTEs، د خاورې ډولونو او د خاورې ملکیتونو د فضايي ویش وړاندوینې یا نقشه کولو لپاره ترټولو مؤثر تخنیک دی. جیوسټیټیسټیک او د ماشین زده کړې الګوریتم (MLA) د DSM ماډلینګ تخنیکونه دي چې د پام وړ او لږترلږه معلوماتو په کارولو سره د کمپیوټرونو په مرسته ډیجیټل شوي نقشې رامینځته کوي.
Deutsch18 او Olea19 جیوسټیټیسټیک د "د عددي تخنیکونو ټولګه ده چې د ځایي ځانګړتیاوو استازیتوب سره معامله کوي، په عمده توګه د سټوکاسټیک ماډلونو څخه کار اخلي، لکه څنګه چې د وخت لړۍ تحلیل د وخت ډیټا ځانګړتیاوي." په عمده توګه، جیوسټیټیسټیک د ویریوګرامونو ارزونه شامله ده، کوم چې د هر ډیټاسیټ څخه د ځایي ارزښتونو انحصار اندازه کولو او تعریفولو ته اجازه ورکوي20.Gumiaux et al. ۲۰ نور هم روښانه کوي چې په جیوسټیټیسټیک کې د ویریوګرامونو ارزونه په دریو اصولو ولاړه ده، پشمول د (الف) د معلوماتو د ارتباط پیمانه محاسبه کول، (ب) د ډیټاسیټ توپیر کې د انیسوټروپي پیژندل او محاسبه کول او (ج) سربیره پردې. د اندازه کولو ډیټا د داخلي غلطۍ په پام کې نیولو سربیره چې د سیمه ایزو اغیزو څخه جلا شوي، د ساحې اغیزې هم اټکل کیږي. د دې مفاهیمو پر بنسټ، په جیوسټیټیسټیک کې ډیری انټرپولیشن تخنیکونه کارول کیږي، پشمول د عمومي کریګینګ، شریک کریګینګ، عادي کریګینګ، تجربوي بایسیان کریګینګ، ساده کریګینګ میتود او نور پیژندل شوي انټرپولیشن تخنیکونه چې د PTE، خاورې ځانګړتیاوې، او د خاورې ډولونه نقشه یا وړاندوینه کوي.
د ماشین زده کړې الګوریتمونه (MLA) یو نسبتا نوی تخنیک دی چې لوی غیر خطي ډیټا ټولګي کاروي، د الګوریتمونو لخوا سونګ شوی چې په عمده توګه د معلوماتو کان کیندنې لپاره کارول کیږي، په معلوماتو کې نمونې پیژندل کیږي، او په مکرر ډول په ساینسي برخو لکه د خاورې ساینس او بیرته راستنیدو دندو کې طبقه بندي ته پلي کیږي. ډیری څیړنیزې مقالې په خاوره کې د PTE وړاندوینې لپاره د MLA ماډلونو تکیه کوي، لکه تان او نور. 22 (په کرنیزو خاورو کې د درنو فلزاتو اټکل لپاره تصادفي ځنګلونه)، ساکی زاده او نور. 23 (د ملاتړ ویکتور ماشینونو او مصنوعي عصبي شبکو په کارولو سره ماډلینګ) د خاورې ککړتیا). برسېره پردې، ویګا او نور. 24 (په خاوره کې د درنو فلزاتو ساتلو او جذب کولو ماډل کولو لپاره CART) سن او نور. 25 (د کیوبیسټ پلي کول په خاوره کې د Cd ویش دی) او نور الګوریتمونه لکه k- نږدې ګاونډی، عمومي شوی لوړ شوی ریګریشن، او لوړ شوی ریګریشن ونو هم په خاوره کې د PTE وړاندوینې لپاره MLA پلي کړ.
د وړاندوینې یا نقشې کولو کې د DSM الګوریتمونو کارول له څو ننګونو سره مخ دي. ډیری لیکوالان پدې باور دي چې MLA د جیوسټیټیسټیک څخه غوره دی او برعکس. که څه هم یو له بل څخه غوره دی، د دواړو ترکیب په DSM15 کې د نقشې کولو یا وړاندوینې دقت کچه ښه کوي. ووډکاک او ګوپال 26 فینک 27؛ پونټیوس او چیوک 28 او ګرونوالډ 29 د وړاندوینې شوي خاورې نقشه کولو کې نیمګړتیاو او ځینې غلطیو په اړه تبصره کوي. د خاورې ساینس پوهانو د DSM نقشه کولو او وړاندوینې اغیزمنتوب، دقت او وړاندوینې غوره کولو لپاره مختلف تخنیکونه هڅه کړې. د ناڅرګندتیا او تایید ترکیب د ډیری مختلفو اړخونو څخه یو دی چې په DSM کې مدغم شوی ترڅو اغیزمنتوب غوره کړي او نیمګړتیاوې کمې کړي. په هرصورت، اګیممن او نور. 15 تشریح کوي چې د نقشې جوړولو او وړاندوینې لخوا معرفي شوي د اعتبار چلند او ناڅرګندتیا باید د نقشې کیفیت ښه کولو لپاره په خپلواکه توګه تایید شي. د DSM محدودیتونه د جغرافیایي پلوه ویشل شوي خاورې کیفیت له امله دي، کوم چې د ناڅرګندتیا یوه برخه پکې شامله ده؛ په هرصورت، په DSM کې د ډاډ نشتوالی ممکن د غلطۍ له ډیری سرچینو څخه رامینځته شي، لکه د کوویرییټ غلطی، ماډل غلطی، د موقعیت غلطی، او تحلیلي غلطی 31. د MLA او جیوسټیټیسټیکل پروسو کې رامینځته شوي ماډلینګ غلطۍ د پوهاوي نشتوالي سره تړاو لري، چې په نهایت کې د اصلي پروسې ډیر ساده کولو لامل کیږي 32. د ماډلینګ طبیعت ته په پام سره، غلطۍ د ماډلینګ پیرامیټرو، ریاضيکي ماډل وړاندوینو، یا انټرپولیشن 33 ته منسوب کیدی شي. په دې وروستیو کې، د DSM یو نوی رجحان راڅرګند شوی چې د نقشه کولو او وړاندوینې کې د جیوسټیټیسټ او MLA ادغام هڅوي. د خاورې ډیری ساینس پوهان او لیکوالان، لکه سرجیف او نور 34؛ سبوټینا او نور 35؛ تاراسوف او نور 36 او تاراسوف او نور 37 د هایبرډ ماډلونو رامینځته کولو لپاره د جیوسټیټیسټ او ماشین زده کړې دقیق کیفیت څخه ګټه پورته کړې چې د وړاندوینې او نقشه کولو موثریت ښه کوي. کیفیت. د دې هایبرډ یا ګډ الګوریتم ماډلونو څخه ځینې یې مصنوعي عصبي شبکې کریګینګ (ANN-RK)، څو پوړیز پرسیپټرون پاتې شوني کریګینګ (MLP-RK)، عمومي شوي ریګریشن عصبي شبکې پاتې شوني کریګینګ (GR- NNRK)36، مصنوعي عصبي شبکې کریګینګ-څو پوړیز پرسیپټرون (ANN-K-MLP)37 او شریک کریګینګ او ګاسیان پروسې ریګریشن38 دي.
د سرجیف او نورو په وینا، د مختلفو ماډلینګ تخنیکونو سره یوځای کول د نیمګړتیاوو له منځه وړلو او د پایله لرونکي هایبرډ ماډل موثریت زیاتولو وړتیا لري نه دا چې د خپل واحد ماډل رامینځته کړي. پدې شرایطو کې، دا نوې مقاله استدلال کوي چې دا اړینه ده چې د جیوسټیټیسټیک او MLA ګډ الګوریتم پلي شي ترڅو په ښاري او نیمه ښاري سیمو کې د Ni بډایه کولو وړاندوینې لپاره غوره هایبرډ ماډلونه رامینځته شي. دا څیړنه به د اساس ماډل په توګه په تجربوي بایسیان کریګینګ (EBK) تکیه وکړي او دا د ملاتړ ویکتور ماشین (SVM) او څو خطي ریګریشن (MLR) ماډلونو سره مخلوط کړي. د هر MLA سره د EBK هایبرډائزیشن نه دی پیژندل شوی. لیدل شوي ډیری مخلوط ماډلونه د عادي، پاتې شونو، ریګریشن کریګینګ، او MLA ترکیبونه دي. EBK د جیوسټیټیسټیک انټرپولیشن میتود دی چې د فضايي سټوچیسټیک پروسې څخه کار اخلي چې د ساحې په اوږدو کې د تعریف شوي ځایی کولو پیرامیټرو سره د غیر سټیشنري / سټیشنري تصادفي ساحې په توګه ځایی شوی، د ځایی توپیر لپاره اجازه ورکوي 39. EBK په مختلفو مطالعاتو کې کارول شوی، پشمول د فارم په خاوره کې د عضوي کاربن ویش تحلیل کول 40، د خاورې ککړتیا ارزونه 41 او د خاورې د ځانګړتیاوو نقشه کول ۴۲.
له بلې خوا، د ځان تنظیم کولو ګراف (SEOM) د زده کړې الګوریتم دی چې په مختلفو مقالو کې کارول شوی لکه لی او نور. 43، وانګ او نور. 44، حسین بهویان او نور. 45 او کیبونی او نور. 46 د عناصرو فضايي ځانګړتیاوې او ګروپ کول مشخص کړئ. وانګ او نور. 44 تشریح کوي چې SeOM د زده کړې یو پیاوړی تخنیک دی چې د غیر خطي ستونزو ګروپ کولو او تصور کولو وړتیا لپاره پیژندل کیږي. د نورو نمونو پیژندنې تخنیکونو لکه د اصلي اجزاو تحلیل، فزي کلسترینګ، درجه بندي کلسترینګ، او څو معیاري پریکړې کولو برعکس، SeOM د PTE نمونو تنظیم او پیژندلو کې غوره دی. د وانګ او نورو په وینا. 44، SeOM کولی شي د اړوندو نیورونونو ویش په فضايي ډول ګروپ کړي او د لوړ ریزولوشن ډیټا لید چمتو کړي. SeOM به د نی وړاندوینې ډیټا لید کړي ترڅو د مستقیم تفسیر لپاره د پایلو ځانګړتیا لپاره غوره ماډل ترلاسه کړي.
دا مقاله موخه لري چې په ښاري او نیمه ښاري خاورو کې د نکل د محتوا وړاندوینې لپاره د غوره دقت سره یو قوي نقشه ای ماډل رامینځته کړي. موږ فرض کوو چې د مخلوط ماډل اعتبار په عمده توګه د اساس ماډل سره تړلي نورو ماډلونو نفوذ پورې اړه لري. موږ هغه ننګونې منو چې د DSM سره مخ دي، او پداسې حال کې چې دا ننګونې په ډیری محاذونو کې حل کیږي، د جیو احصایې او MLA ماډلونو کې د پرمختګونو ترکیب مخ په زیاتیدو ښکاري؛ له همدې امله، موږ به هڅه وکړو چې د څیړنې پوښتنو ته ځواب ووایو چې ممکن مخلوط ماډلونه تولید کړي. په هرصورت، د هدف عنصر وړاندوینې کې ماډل څومره دقیق دی؟ همدارنګه، د اعتبار او دقت ارزونې پراساس د موثریت ارزونې کچه څه ده؟ له همدې امله، د دې مطالعې ځانګړي اهداف دا وو چې (a) د SVMR یا MLR لپاره د EBK په کارولو سره د اساس ماډل په توګه د ګډ مخلوط ماډل رامینځته کول، (b) د پایله لرونکي ماډلونو پرتله کول (c) په ښاري یا نیمه ښاري خاورو کې د Ni غلظت وړاندوینې لپاره غوره مخلوط ماډل وړاندیز کړئ، او (d) د نکل د ځایي توپیر د لوړ ریزولوشن نقشه رامینځته کولو لپاره د SeOM پلي کول.
دا څېړنه په چک جمهوریت کې ترسره کېږي، په ځانګړې توګه د موراویا-سیلیسیان سیمې په فریدیک میسټیک ولسوالۍ کې (شکل ۱ وګورئ). د څېړنې سیمې جغرافیه ډېره سخته ده او تر ډېره د موراویا-سیلیسیان بیسکیدي سیمې برخه ده، چې د کارپاتیان غرونو د بهرنۍ څنډې برخه ده. د څېړنې ساحه د ۴۹° ۴۱′ ۰′ شمال او ۱۸° ۲۰′ ۰′ ختیځ ترمنځ موقعیت لري، او لوړوالی یې د ۲۲۵ او ۳۲۷ مترو ترمنځ دی؛ په هرصورت، د سیمې د اقلیم حالت لپاره د کوپن طبقه بندي سیسټم د Cfb = معتدل سمندري اقلیم په توګه درجه بندي شوی، حتی په وچو میاشتو کې ډیر باران شتون لري. تودوخه د کال په اوږدو کې د -5 °C او 24 °C ترمنځ یو څه توپیر لري، په ندرت سره د -14 °C څخه ښکته یا د 30 °C څخه پورته راښکته کیږي، پداسې حال کې چې اوسط کلنی باران د 685 او 752 mm47 ترمنځ دی. د ټولې سیمې اټکل شوې سروې ساحه 1,208 مربع کیلومتره ده، چې د کرنې ځمکې 39.38٪ او د ځنګل پوښښ 49.36٪ لري. له بلې خوا، په دې څیړنه کې کارول شوې ساحه شاوخوا 889.8 مربع کیلومتره ده. په اوسټراوا او شاوخوا کې، د فولادو صنعت او د فلزاتو کارونه خورا فعال دي. د فلزي کارخانې، د فولادو صنعت چیرې چې نکل په سټینلیس فولادو کې کارول کیږي (د مثال په توګه د اتموسفیر د زنګ وهلو مقاومت لپاره) او د الیاژ فولادو (نکل د الیاژ ځواک زیاتوي پداسې حال کې چې د هغې ښه نرمښت او سختۍ ساتي)، او شدید کرنه لکه د فاسفیت سرې کارول او د څارویو تولید په سیمه کې د نکل احتمالي سرچینو څیړنه (د مثال په توګه، د پسونو او کم تغذیه شوي غواګانو کې د ودې کچه لوړولو لپاره په پسونو کې نکل اضافه کول). د څیړنې په برخو کې د نکل نور صنعتي کارونې د الکتروپلیټینګ کې د هغې کارول شامل دي، پشمول د الکتروپلیټینګ نکل او د الکتروپلیټینګ نکل پلیټینګ پروسې. د خاورې ځانګړتیاوې په اسانۍ سره د خاورې رنګ، جوړښت، او کاربونیټ مینځپانګې څخه توپیر کیدی شي. د خاورې جوړښت له منځنۍ څخه تر ښه پورې دی، د اصلي موادو څخه اخیستل شوی. دوی په طبیعت کې د کولویال، اللوویال یا ایولین دي. د خاورې ځینې ساحې په سطحه او فرعي خاوره کې د خټکي ښکاري، ډیری وختونه د کانکریټ او بلیچینګ سره. په هرصورت، کامبیسولونه او سټیګنوسولونه په سیمه کې د خاورې ترټولو عام ډولونه دي 48. د 455.1 څخه تر 493.5 مترو پورې لوړوالی سره، کامبیسولونه په چک جمهوریت کې واکمن دي 49.
د مطالعې ساحې نقشه [د مطالعې ساحې نقشه د ArcGIS ډیسټاپ (ESRI, Inc, نسخه 10.7, URL: https://desktop.arcgis.com) په کارولو سره جوړه شوې وه.]
د فریدیک میسټیک ولسوالۍ کې د ښاري او نیمه ښاري خاورو څخه ټولټال ۱۱۵ د خاورې د پورتنۍ برخې نمونې ترلاسه شوې. د نمونې نمونه کارول شوې وه چې د خاورې نمونې یې د ۲ × ۲ کیلومتره واټن سره یو منظم گرډ و، او د خاورې پورتنۍ برخه د لاسي GPS وسیلې (لیکا زینو ۵ GPS) په کارولو سره د ۰ څخه تر ۲۰ سانتي مترو ژوروالی کې اندازه شوې وه. نمونې په زپلوک کڅوړو کې بسته شوي، په سمه توګه لیبل شوي، او لابراتوار ته لیږدول شوي. نمونې په هوا کې وچې شوې ترڅو د پوډر شوي نمونې تولید کړي، د میخانیکي سیسټم (فریټش ډیسک مل) لخوا پوډر شوي، او چاڼ شوي (د چاڼ اندازه ۲ ملي میتر). د وچو، همجنسي او چاڼ شوي خاورې نمونې په روښانه توګه لیبل شوي ټیفلون بوتلونو کې ۱ ګرامه ځای په ځای کړئ. په هر ټیفلون لوښي کې، ۷ ملی لیتر ۳۵٪ HCl او ۳ ملی لیتر ۶۵٪ HNO3 (د اتوماتیک ډسپنسر په کارولو سره - د هر اسید لپاره یو)، په سپک ډول پوښ کړئ او نمونې ته اجازه ورکړئ چې د عکس العمل لپاره د شپې لپاره ودریږي (د اکوا ریجیا پروګرام). سوپرنټینټ په ګرم فلز کې ځای په ځای کړئ. د نمونو د هضم پروسې د اسانتیا لپاره پلیټ (تودوخه: 100 W او 160 °C) د 2 ساعتونو لپاره، بیا یخ کړئ. سوپرناټینټ د 50 ملی لیتر حجمي فلاسک ته انتقال کړئ او 50 ملی لیتر ته د ډیونایز شوي اوبو سره حل کړئ. له هغې وروسته، حل شوی سوپرناټینټ د 50 ملی لیتر PVC ټیوب ته د ډیونایز شوي اوبو سره فلټر کړئ. سربیره پردې، د حل کولو 1 ملی لیتر د 9 ملی لیتر ډیونایز شوي اوبو سره حل شوی او د PTE جعلي غلظت لپاره چمتو شوي 12 ملی لیتر ټیوب کې فلټر شوی. د PTE غلظت (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) د ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) لخوا د معیاري میتودونو او موافقې سره سم ټاکل شوی. د کیفیت تضمین او کنټرول (QA/QC) پروسیجرونه (SRM NIST 2711a Montana II Soil) ډاډ ترلاسه کړئ. هغه PTEs چې د کشف محدودیتونه یې له نیمایي څخه ښکته دي له دې مطالعې څخه ایستل شوي. په دې څیړنه کې کارول شوي PTE د کشف حد 0.0004 و. (تاسو). سربیره پردې، د هر تحلیل لپاره د کیفیت کنټرول او د کیفیت تضمین پروسه د حوالې معیارونو تحلیل کولو سره تضمین کیږي. د دې لپاره چې ډاډ ترلاسه شي چې غلطۍ کمې شوې، دوه ګونی تحلیل ترسره شو.
تجربوي بایسیان کریګینګ (EBK) د جیو احصایوي انټرپولیشن ډیری تخنیکونو څخه یو دی چې د خاورې ساینس په څیر په مختلفو برخو کې د ماډلینګ کې کارول کیږي. د کریګینګ انټرپولیشن نورو تخنیکونو برعکس، EBK د سیمی ویریګینګ ماډل لخوا اټکل شوي غلطۍ په پام کې نیولو سره د دودیزو کریګینګ میتودونو څخه توپیر لري. په EBK انټرپولیشن کې، د سیمی ویریګینګ ډیری ماډلونه د یو واحد سیمی ویریګینګ پرځای د انټرپولیشن په جریان کې محاسبه کیږي. د انټرپولیشن تخنیکونه د سیمی ویریګینګ د دې پلاټینګ سره تړلي ناڅرګندتیا او پروګرام کولو ته لاره هواروي چې د کافي کریګینګ میتود خورا پیچلې برخه جوړوي. د EBK انټرپولیشن پروسه د کریوروچکو 50 لخوا وړاندیز شوي درې معیارونه تعقیبوي، (a) ماډل د ان پټ ډیټاسیټ څخه سیمی ویریګیم اټکل کوي (b) د تولید شوي سیمی ویریګیم پراساس د هر ان پټ ډیټاسیټ موقعیت لپاره نوی وړاندوینه شوی ارزښت او (c) وروستی A ماډل د سمولیټ شوي ډیټاسیټ څخه محاسبه کیږي. د بایسیان مساوات قاعده د پوسټریر په توګه ورکول کیږي
چیرته چې \(Prob\left(A\right)\) د مخکیني، \(Prob\left(B\right)\) حاشیوي احتمال استازیتوب کوي په ډیری مواردو کې له پامه غورځول کیږي، \(Prob (B,A)\). د نیم ویریګرام محاسبه د بایس د قاعدې پراساس ده، کوم چې د مشاهدې ډیټاسیټونو تمایل ښیې چې د نیم ویریګرامونو څخه رامینځته کیدی شي. د نیم ویریګرام ارزښت بیا د بایس د قاعدې په کارولو سره ټاکل کیږي، کوم چې دا په ګوته کوي چې د نیم ویریګرام څخه د مشاهدو ډیټاسیټ رامینځته کولو څومره احتمال لري.
د ملاتړ ویکتور ماشین د ماشین زده کړې الګوریتم دی چې د ورته مګر خطي خپلواکو ټولګیو توپیر کولو لپاره غوره جلا کونکی هایپرپلین رامینځته کوي. Vapnik51 د ارادې طبقه بندي الګوریتم رامینځته کړی، مګر دا پدې وروستیو کې د ریګریشن پر بنسټ ستونزو حل کولو لپاره کارول شوی. د لی او نورو په وینا.52، SVM یو له غوره طبقه بندي تخنیکونو څخه دی او په مختلفو برخو کې کارول شوی. د SVM (د ملاتړ ویکتور ماشین ریګریشن - SVMR) د ریګریشن برخه پدې تحلیل کې کارول شوې وه. چیرکاسکي او مولیر53 SVMR د کرنل پر بنسټ ریګریشن په توګه مخکښ کړ، چې محاسبه یې د څو هیوادونو ځایي دندو سره د خطي دندو ماډل په کارولو سره ترسره شوه. جان او نورو راپور ورکوي چې د SVMR ماډلینګ هایپرپلین خطي دندو کاروي، کوم چې غیر خطي اړیکې رامینځته کوي او د ځایي دندو لپاره اجازه ورکوي. د ووهلینډ او نورو په وینا. ۵۵، ایپسیلون (ε)-SVMR د روزل شوي ډیټاسیټ څخه کار اخلي ترڅو د ایپسیلون غیر حساس فعالیت په توګه د استازیتوب ماډل ترلاسه کړي چې د اړونده معلوماتو په اړه د روزنې څخه د ایپسیلون غوره تعصب سره په خپلواکه توګه د معلوماتو نقشه کولو لپاره پلي کیږي. د مخکینۍ فاصلې تېروتنه د اصلي ارزښت څخه له پامه غورځول کیږي، او که تېروتنه د ε(ε) څخه لویه وي، د خاورې ملکیتونه یې جبران کوي. ماډل د روزنې معلوماتو پیچلتیا د ملاتړ ویکتورونو پراخه فرعي سیټ ته هم کموي. د Vapnik51 لخوا وړاندیز شوی معادله لاندې ښودل شوې ده.
چیرې چې b د سکیلر حد استازیتوب کوي، \(K\left({x}_{,}{ x}_{k}\right)\) د کرنل فعالیت استازیتوب کوي، \(\alpha\) د لاګرینج ضرب کونکی استازیتوب کوي، N د عددي ډیټاسیټ استازیتوب کوي، \({x}_{k}\) د معلوماتو داخلول استازیتوب کوي، او \(y\) د معلوماتو محصول دی. یو له کارول شوي کلیدي کرنلونو څخه د SVMR عملیات دی، کوم چې د ګاسیان ریډیل اساس فعالیت (RBF) دی. د RBF کرنل د غوره SVMR ماډل ټاکلو لپاره پلي کیږي، کوم چې د PTE روزنې ډیټا لپاره د خورا فرعي جزا سیټ فاکتور C او کرنل پیرامیټر ګاما (γ) ترلاسه کولو لپاره خورا مهم دی. لومړی، موږ د روزنې سیټ ارزونه وکړه او بیا یې د اعتبار سیټ کې د ماډل فعالیت ازموینه وکړه. کارول شوی سټیرینګ پیرامیټر سیګما دی او د میتود ارزښت svmRadial دی.
د څو خطي ریګریشن ماډل (MLR) د ریګریشن ماډل دی چې د ځواب متغیر او د وړاندوینې متغیرونو ترمنځ اړیکه د خطي پول شوي پیرامیټرو په کارولو سره د لږترلږه مربع میتود په کارولو سره محاسبه کوي. په MLR کې، د لږترلږه مربع ماډل د توضیحي متغیرونو له انتخاب وروسته د خاورې ملکیتونو وړاندوینې فعالیت دی. د توضیحي متغیرونو په کارولو سره د خطي اړیکې رامینځته کولو لپاره د ځواب کارول اړین دي. PTE د توضیحي متغیرونو سره د خطي اړیکې رامینځته کولو لپاره د ځواب متغیر په توګه کارول شوی و. د MLR معادله ده
چیرې چې y د ځواب متغیر دی، \(a\) مداخله ده، n د وړاندوینو شمیر دی، \({b}_{1}\) د ضریبونو جزوي ریګریشن دی، \({x}_{ i}\) د وړاندوینو یا توضیحي متغیر استازیتوب کوي، او \({\varepsilon }_{i}\) په ماډل کې تېروتنه استازیتوب کوي، چې د پاتې شونو په نوم هم پیژندل کیږي.
مخلوط ماډلونه د EBK سره د SVMR او MLR سره د سینڈوچ کولو له لارې ترلاسه شوي. دا د EBK انټرپولیشن څخه د وړاندوینې شوي ارزښتونو استخراج کولو سره ترسره کیږي. د انټرپول شوي Ca، K، او Mg څخه ترلاسه شوي وړاندوینې شوي ارزښتونه د نوي متغیرونو لکه CaK، CaMg، او KMg ترلاسه کولو لپاره د ګډ پروسې له لارې ترلاسه کیږي. بیا Ca، K او Mg عناصر د څلورم متغیر، CaKMg ترلاسه کولو لپاره یوځای کیږي. په ټولیز ډول، ترلاسه شوي متغیرونه Ca، K، Mg، CaK، CaMg، KMg او CaKMg دي. دا متغیرات زموږ وړاندوینې کونکي شول، چې په ښاري او نیمه ښاري خاورو کې د نکل غلظت وړاندوینې کې مرسته کوي. د SVMR الګوریتم په وړاندوینو کې ترسره شو ترڅو د مخلوط ماډل تجربوي بایسیان کریګینګ-ملټيپل لاین ریګریشن (EBK_MLR) ترلاسه کړي. په ورته ډول، متغیرات هم د MLR الګوریتم له لارې پایپ کیږي ترڅو مخلوط ماډل تجربوي بایسیان کریګینګ-ملټيپل لاین ریګریشن (EBK_MLR) ترلاسه کړي. معمولا، متغیرات Ca، K، Mg، CaK، CaMg، KMg، او CaKMg په ښاري او نیمه ښاري خاورو کې د Ni د محتوا د وړاندوینې کونکو په توګه د متغیراتو په توګه کارول کیږي. تر ټولو د منلو وړ ماډل (EBK_SVM یا EBK_MLR) به بیا د ځان تنظیم کونکي ګراف په کارولو سره لیدل کیږي. د دې مطالعې کاري جریان په شکل 2 کې ښودل شوی.
د SeOM کارول په مالي سکتور، روغتیا پاملرنې، صنعت، احصایې، د خاورې ساینس، او نورو کې د معلوماتو تنظیم کولو، ارزونې او وړاندوینې لپاره یو مشهور وسیله ګرځیدلې ده. SeOM د مصنوعي عصبي شبکو او د تنظیم، ارزونې او وړاندوینې لپاره د غیر څارل شوي زده کړې میتودونو په کارولو سره رامینځته شوی. پدې څیړنه کې، SeOM د ښاري او نیمه ښاري خاورو کې د Ni وړاندوینې لپاره د غوره ماډل پراساس د Ni غلظت لیدلو لپاره کارول شوی و. هغه معلومات چې د SeOM ارزونې کې پروسس شوي د n ان پټ-ابعادي ویکتور متغیرونو په توګه کارول کیږي 43,56. میلسن او نور. ۵۷ د یو واحد ان پټ پرت له لارې د یو واحد وزن ویکتور سره د ان پټ ویکتور سره د عصبي شبکې سره د ان پټ ویکتور اړیکه تشریح کوي. د SeOM لخوا رامینځته شوی محصول دوه اړخیزه نقشه ده چې د مختلف نیورونونو یا نوډونو څخه جوړه ده چې د دوی د نږدېوالي سره سم په مسدس، سرکلر یا مربع توپولوژیکي نقشو کې اوبدل شوي دي. د میټریک، کوانټائزیشن غلطی (QE) او توپوګرافیک غلطی (TE) پراساس د نقشې اندازې پرتله کول، د SeOM ماډل په ترتیب سره د 0.086 او 0.904 سره غوره شوی، کوم چې د 55 نقشې واحد (5 × 11) دی. د نیورون جوړښت د تجربوي معادلې کې د نوډونو شمیر سره سم ټاکل کیږي.
په دې څیړنه کې د کارول شویو معلوماتو شمیر ۱۱۵ نمونې دي. د معلوماتو د ازموینې معلوماتو (د اعتبار لپاره ۲۵٪) او د روزنې معلوماتو سیټونو (د کیلیبریشن لپاره ۷۵٪) ویشلو لپاره یوه تصادفي طریقه کارول شوې وه. د روزنې ډاټاسیټ د ریګریشن ماډل (کیلیبریشن) تولید لپاره کارول کیږي، او د ازموینې ډاټاسیټ د عمومي کولو وړتیا تاییدولو لپاره کارول کیږي ۵۸. دا د خاورې کې د نکل مینځپانګې وړاندوینې لپاره د مختلفو ماډلونو مناسبیت ارزولو لپاره ترسره شوی. ټول کارول شوي ماډلونه د لس ځله کراس تایید پروسې څخه تیر شوي، پنځه ځله تکرار شوي. د EBK انټرپولیشن لخوا تولید شوي متغیرونه د هدف متغیر (PTE) وړاندوینې لپاره د وړاندوینې کونکو یا توضیحي متغیرونو په توګه کارول کیږي. ماډلینګ په RStudio کې د پیکجونو کتابتون (Kohonen)، کتابتون (caret)، کتابتون (modelr)، کتابتون (“e1071″)، کتابتون (“plyr”)، کتابتون (“caTools”)، کتابتون (“prospecter”) او کتابتونونو (“Metrics”) په کارولو سره اداره کیږي.
د اعتبار ورکولو مختلف پیرامیټرې کارول شوې ترڅو د خاورې کې د نکل غلظت وړاندوینې لپاره مناسب ماډل وټاکي او د ماډل دقت او د هغې اعتبار ارزونه وکړي. د هایبرډائزیشن ماډلونه د اوسط مطلق غلطی (MAE)، د ریښې اوسط مربع غلطی (RMSE)، او R-مربع یا کوفیشینټ ټاکل (R2) په کارولو سره ارزول شوي. R2 په ځواب کې د تناسب توپیر تعریفوي، چې د ریګریشن ماډل لخوا استازیتوب کیږي. په خپلواکو اقداماتو کې RMSE او د توپیر شدت د ماډل وړاندوینې ځواک تشریح کوي، پداسې حال کې چې MAE اصلي کمیتي ارزښت ټاکي. د اعتبار پیرامیټرو په کارولو سره د غوره مخلوط ماډل ارزولو لپاره د R2 ارزښت باید لوړ وي، ارزښت 1 ته نږدې وي، دقت لوړ وي. د لی او نورو په وینا. 59، د 0.75 یا ډیر د R2 معیار ارزښت یو ښه وړاندوینه کونکی ګڼل کیږي؛ له 0.5 څخه تر 0.75 پورې د ماډل فعالیت د منلو وړ دی، او له 0.5 څخه ښکته د ماډل فعالیت د منلو وړ نه دی. کله چې د RMSE او MAE د اعتبار معیارونو ارزونې میتودونو په کارولو سره ماډل غوره کړئ، ترلاسه شوي ټیټ ارزښتونه کافي وو او غوره انتخاب ګڼل کیده. لاندې معادله د تایید میتود تشریح کوي.
چیرې چې n د مشاهده شوي ارزښت اندازه څرګندوي\({Y}_{i}\) د اندازه شوي ځواب استازیتوب کوي، او \({\widehat{Y}}_{i}\) د وړاندوینې شوي ځواب ارزښت هم استازیتوب کوي، له همدې امله، د لومړیو i مشاهدو لپاره.
د وړاندوینې کونکي او غبرګون متغیراتو احصایوي توضیحات په جدول 1 کې وړاندې شوي، چې اوسط، معیاري انحراف (SD)، د تغیر ضخامت (CV)، لږترلږه، اعظمي، کورټوسس، او تخفیف ښیې. د عناصرو لږترلږه او اعظمي ارزښتونه په ترتیب سره د Mg
د وړاندوینې کونکي متغیرونو اړیکه د ځواب عناصرو سره د عناصرو ترمنځ د قناعت وړ اړیکه په ګوته کوي (شکل 3 وګورئ). اړیکې ښودلې چې CaK د r ارزښت = 0.53 سره منځنۍ اړیکه ښودلې، لکه څنګه چې CaNi کړې وه. که څه هم Ca او K د یو بل سره معتدله اړیکې ښیې، څیړونکي لکه کنگسټن او نور. ۶۸ او سانټو۶۹ وړاندیز کوي چې په خاوره کې د دوی کچه په معکوس ډول متناسب ده. په هرصورت، Ca او Mg د K سره مخالف دي، مګر CaK ښه اړیکه لري. دا ممکن د سرې د کارولو له امله وي لکه پوټاشیم کاربونیټ، کوم چې په پوټاشیم کې ۵۶٪ لوړ دی. پوټاشیم په منځنۍ کچه د مګنیزیم سره تړاو درلود (KM r = 0.63). د سرې په صنعت کې، دا دوه عناصر نږدې تړاو لري ځکه چې پوټاشیم مګنیزیم سلفیټ، پوټاشیم مګنیزیم نایټریټ، او پوټاش په خاوره کې د دوی د کمښت کچه لوړولو لپاره کارول کیږي. نکل په منځنۍ کچه د Ca، K او Mg سره د r ارزښتونو سره تړاو لري = 0.52، 0.63 او 0.55، په ترتیب سره. د کلسیم، مګنیزیم، او PTEs لکه نکل سره اړیکې پیچلې دي، مګر بیا هم، مګنیزیم د کلسیم جذب مخه نیسي، کلسیم د اضافي مګنیزیم اغیزې کموي، او مګنیزیم او کلسیم دواړه په خاوره کې د نکل زهرجن اغیزې کموي.
د عناصرو لپاره د ارتباط میټریکس چې د وړاندوینو او ځوابونو ترمنځ اړیکه ښیې (یادونه: پدې ارقام کې د عناصرو ترمنځ یو توزیع کونکی پلاټ شامل دی، د اهمیت کچه د p < 0,001 پراساس ده).
شکل ۴ د عناصرو فضايي ویش ښیي. د بورګوس او نورو په وینا، د فضايي ویش تطبیق یو تخنیک دی چې په ککړو سیمو کې د ګرمو ځایونو اندازه کولو او روښانه کولو لپاره کارول کیږي. په شکل ۴ کې د Ca د غني کولو کچه د فضايي ویش نقشې په شمال لویدیځ برخه کې لیدل کیدی شي. شکل د Ca د غني کولو منځنۍ څخه تر لوړې کچې د Ca د غني کولو ګرم ځایونه ښیې. د نقشې په شمال لویدیځ کې د کلسیم غني کول احتمال لري د خاورې تیزابیت کمولو لپاره د چټک چونې (کلسیم اکسایډ) کارولو او د فولادو جوړولو په پروسه کې د الکلین اکسیجن په توګه د فولادو په کارخانو کې د هغې کارولو له امله وي. له بلې خوا، نور بزګران غوره ګڼي چې په تیزابي خاورو کې د کلسیم هایدروکسایډ څخه کار واخلي ترڅو pH بې طرفه کړي، کوم چې د خاورې کلسیم مینځپانګه هم زیاتوي71. پوټاشیم د نقشې په شمال لویدیځ او ختیځ کې ګرم ځایونه هم ښیې. شمال لویدیز یوه لویه کرنیزه ټولنه ده، او د پوټاشیم منځنۍ څخه تر لوړې کچې نمونه ممکن د NPK او پوټاش غوښتنلیکونو له امله وي. دا د نورو مطالعاتو سره مطابقت لري، لکه مدارس او لیپاوسکي72، مدارس او نورو.73، پلکرابووا او نورو.74، Asare et al.75، چا چې مشاهده کړه چې د KCl او NPK سره د خاورې ثبات او درملنه په خاوره کې د K لوړ مینځپانګې پایله لري. د ویش نقشې شمال لویدیز کې د ځایي پوټاشیم بډای کول ممکن د پوټاشیم پر بنسټ سرې لکه پوټاشیم کلورایډ، پوټاشیم سلفیټ، پوټاشیم نایټریټ، پوټاش، او پوټاش کارولو له امله وي ترڅو د ضعیف خاورې پوټاشیم مینځپانګه زیاته کړي. Zádorová et al. 76 او Tlustoš et al. ۷۷ په ګوته کړه چې د K پر بنسټ سرې کارول په خاوره کې د K محتوا زیاتوي او په اوږد مهال کې به د خاورې د مغذي موادو کچه د پام وړ لوړه کړي، په ځانګړې توګه K او Mg په خاوره کې ګرم ځای ښیې. د نقشې په شمال لویدیز او د نقشې په جنوب ختیځ کې په نسبي ډول معتدل ګرم ځایونه. په خاوره کې د کولویډال فکسیشن په خاوره کې د مګنیزیم غلظت کموي. په خاوره کې د هغې نشتوالی د نباتاتو د ژیړ مداخلې کلوروسیس ښودلو لامل کیږي. مګنیزیم پر بنسټ سرې، لکه پوټاشیم مګنیزیم سلفیټ، مګنیزیم سلفیټ، او کیسرایټ، د عادي pH رینج سره په خاوره کې نیمګړتیاوې (نباتات ارغواني، سور، یا نسواري ښکاري، د مګنیزیم کمښت په ګوته کوي) درملنه کوي. په ښاري او نیمه ښاري خاوره سطحو کې د نکل راټولیدل ممکن د انتروپجنیک فعالیتونو لکه کرنې او د سټینلیس سټیل تولید کې د نکل اهمیت له امله وي. ۷۸.
د عناصرو فضايي ویش [د فضايي ویش نقشه د ArcGIS ډیسټاپ (ESRI, Inc, نسخه 10.7, URL: https://desktop.arcgis.com) په کارولو سره جوړه شوې وه.]
په دې څیړنه کې کارول شوي عناصرو لپاره د ماډل فعالیت شاخص پایلې په جدول 2 کې ښودل شوي. له بلې خوا، د Ni RMSE او MAE دواړه صفر ته نږدې دي (0.86 RMSE، -0.08 MAE). له بلې خوا، د K RMSE او MAE دواړه ارزښتونه د منلو وړ دي. د کلسیم او مګنیزیم لپاره د RMSE او MAE پایلې لوړې وې. Ca او K MAE او RMSE پایلې د مختلفو ډیټاسیټونو له امله لویې دي. د دې مطالعې RMSE او MAE د Ni وړاندوینې لپاره د EBK په کارولو سره د جان او نورو 54 پایلو څخه غوره وموندل شول چې د ورته راټول شوي معلوماتو په کارولو سره په خاوره کې د S غلظت وړاندوینه کولو لپاره د synergistic kriging په کارولو سره. هغه EBK محصولات چې موږ یې مطالعه کړي د Fabijaczyk او نورو 41، Yan او نورو 79، Beguin او نورو 80، Adhikary او نورو 81 او John او نورو 82، په ځانګړې توګه K او Ni سره تړاو لري.
په ښاري او نیمه ښاري خاورو کې د نکل د محتوا وړاندوینې لپاره د انفرادي میتودونو فعالیت د ماډلونو د فعالیت په کارولو سره ارزول شوی (جدول 3). د ماډل اعتبار او دقت ارزونې تایید کړه چې د Ca_Mg_K وړاندوینې کوونکی د EBK SVMR ماډل سره یوځای غوره فعالیت ترلاسه کړ. د کیلیبریشن ماډل Ca_Mg_K-EBK_SVMR ماډل R2، د ریښې اوسط مربع تېروتنه (RMSE) او اوسط مطلق تېروتنه (MAE) 0.637 (R2)، 95.479 mg/kg (RMSE) او 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2)، 235.974 mg/kg (RMSE) او 166.946 mg/kg (MAE) وو. سره له دې، د Ca_Mg_K-SVMR (0.663 mg/kg R2) او Ca_Mg-EBK_SVMR لپاره ښه R2 ارزښتونه ترلاسه شوي. (0.643 = R2)؛ د دوی د RMSE او MAE پایلې د Ca_Mg_K-EBK_SVMR (R2 0.637) په پرتله لوړې وې (جدول 3 وګورئ). سربیره پردې، د Ca_Mg-EBK_SVMR (RMSE = 1664.64 او MAE = 1031.49) ماډل RMSE او MAE په ترتیب سره 17.5 او 13.4 دي، کوم چې د Ca_Mg_K-EBK_SVMR څخه لوی دي. په ورته ډول، د Ca_Mg-K SVMR (RMSE = 235.974 او MAE = 166.946) ماډل RMSE او MAE په ترتیب سره د Ca_Mg_K-EBK_SVMR RMSE او MAE په پرتله 2.5 او 2.2 لوی دي. محاسبه شوي RMSE پایلې ښیې چې د ډیټا سیټ د غوره فټ کرښې سره څومره متمرکز دی. لوړ RSME او MAE لیدل شوي. له مخې د کیبون او نورو 46 او جان او نورو 54 په وینا، څومره چې RMSE او MAE صفر ته نږدې وي، هومره پایلې به یې ښې وي. SVMR او EBK_SVMR لوړ مقداري RSME او MAE ارزښتونه لري. دا ولیدل شول چې د RSME اټکلونه په دوامداره توګه د MAE ارزښتونو څخه لوړ وو، چې د بهرنیانو شتون په ګوته کوي. د لیګیټس او مک کیب 83 په وینا، هغه حد چې RMSE د اوسط مطلق غلطۍ (MAE) څخه ډیر وي د بهرنیانو شتون شاخص په توګه سپارښتنه کیږي. دا پدې مانا ده چې ډیټاسیټ څومره متفاوت وي، د MAE او RMSE ارزښتونه لوړ وي. په ښاري او ښاري خاورو کې د Ni مینځپانګې وړاندوینې لپاره د Ca_Mg_K-EBK_SVMR مخلوط ماډل د کراس تایید ارزونې دقت 63.70٪ و. د لی او نورو 59 په وینا، د دقت دا کچه د منلو وړ ماډل فعالیت کچه ده. اوسني پایلې د تاراسوف او نورو لخوا د پخوانۍ مطالعې سره پرتله کیږي. ۳۶ چې هایبرډ ماډل یې MLPRK (Multilayer Perceptron Residual Kriging) رامینځته کړی، چې د EBK_SVMR دقت ارزونې شاخص سره تړاو لري چې په اوسني څیړنه کې راپور شوی، RMSE (210) او MAE (167.5) زموږ د اوسني مطالعې پایلو څخه لوړ وو (RMSE 95.479، MAE 77.368). په هرصورت، کله چې د اوسني مطالعې R2 (0.637) د تاراسوف او نورو سره پرتله کړو. ۳۶ (۰.۵۴۴)، دا روښانه ده چې د ټاکلو ضریب (R2) په دې مخلوط ماډل کې لوړ دی. د مخلوط ماډل لپاره د غلطۍ حاشیه (RMSE او MAE) (EBK SVMR) دوه ځله ټیټه ده. په ورته ډول، سرجیف او نور ۳۴ د پرمختللي هایبرډ ماډل (ملټي لییر پرسیپټرون ریزیډول کریګینګ) لپاره ۰.۲۸ (R2) ثبت کړې، پداسې حال کې چې په اوسني څیړنه کې نی ۰.۶۳۷ (R2) ثبت کړې. د دې ماډل (EBK SVMR) د وړاندوینې دقت کچه ۶۳.۷٪ ده، پداسې حال کې چې د سرجیف او نور ۳۴ لخوا ترلاسه شوي وړاندوینې دقت ۲۸٪ دی. وروستۍ نقشه (شکل ۵) چې د EBK_SVMR ماډل او Ca_Mg_K لخوا د وړاندوینې کونکي په توګه رامینځته شوې د ټولې مطالعې ساحې په اوږدو کې د ګرمو ځایونو او معتدل څخه تر نکل پورې وړاندوینې ښیې. دا پدې مانا ده چې د مطالعې په ساحه کې د نکل غلظت په عمده توګه معتدل دی، په ځینو ځانګړو سیمو کې لوړ غلظت سره.
د وړاندوینې وروستۍ نقشه د هایبرډ ماډل EBK_SVMR په کارولو سره او د Ca_Mg_K په کارولو سره د وړاندوینې کونکي په توګه ښودل کیږي. [د فضايي ویش نقشه د RStudio (نسخه 1.4.1717: https://www.rstudio.com/) په کارولو سره رامینځته شوې.]
په شکل ۶ کې د PTE غلظت د انفرادي نیورونونو څخه جوړ شوي جوړښتي الوتکې په توګه وړاندې شوی. د اجزاو هیڅ یوې الوتکې ورته رنګ نمونه نه ده ښودلې لکه څنګه چې ښودل شوي. په هرصورت، د هر رسم شوي نقشې کې د نیورونونو مناسب شمیر 55 دی. SeOM د مختلفو رنګونو په کارولو سره تولید کیږي، او د رنګ نمونې څومره ورته وي، د نمونو ملکیتونه د پرتله کولو وړ دي. د دوی د دقیق رنګ پیمانه له مخې، انفرادي عناصر (Ca، K، او Mg) د واحد لوړ نیورونونو او ډیری ټیټ نیورونونو ته ورته رنګ نمونې ښودلې. په دې توګه، CaK او CaMg د خورا لوړ ترتیب نیورونونو او ټیټ څخه تر منځنۍ رنګ نمونو سره ځینې ورته والی شریکوي. دواړه ماډلونه د سور، نارنجي او ژیړ په څیر د منځني څخه تر لوړ رنګونو ښودلو سره په خاوره کې د Ni غلظت وړاندوینه کوي. د KMg ماډل د دقیق تناسب او ټیټ څخه تر منځني رنګ پیچونو پراساس ډیری لوړ رنګ نمونې ښیې. د ټیټ څخه تر لوړ پورې په دقیق رنګ پیمانه کې، د ماډل د اجزاو د پلانر ویش نمونه د لوړ رنګ نمونه ښودلې چې په خاوره کې د نکل احتمالي غلظت په ګوته کوي (شکل 4 وګورئ). د CakMg ماډل اجزا الوتکه د ټیټ څخه تر لوړ پورې متنوع رنګ نمونه ښیې. د رنګ دقیق پیمانه پورې. سربیره پردې، د ماډل د نکل د محتوا وړاندوینه (CakMg) د نکل د فضايي ویش سره ورته ده چې په 5 شکل کې ښودل شوي. دواړه ګرافونه په ښاري او نیمه ښاري خاورو کې د نکل غلظت لوړ، منځني او ټیټ تناسب ښیې. شکل 7 په نقشه کې د k-means ګروپ کولو کې د کنټور میتود ښیې، چې په هر ماډل کې د وړاندوینې ارزښت پراساس په دریو کلسترونو ویشل شوی. د کنټور میتود د کلسترونو غوره شمیر استازیتوب کوي. د راټول شوي 115 خاورې نمونو څخه، کټګورۍ 1 د خاورې ډیری نمونې ترلاسه کړې، 74. کلستر 2 33 نمونې ترلاسه کړې، پداسې حال کې چې کلستر 3 8 نمونې ترلاسه کړې. د اوو برخو پلانر وړاندوینې ترکیب ساده شوی ترڅو د کلستر سم تفسیر ته اجازه ورکړي. د ډیری انتروپجنیک او طبیعي پروسو له امله چې د خاورې جوړښت اغیزه کوي، دا ستونزمنه ده چې په ویشل شوي SeOM نقشه کې په سمه توګه توپیر شوي کلستر نمونې ولرئ 78.
د هر تجربوي بایسیان کریګینګ سپورټ ویکتور ماشین (EBK_SVM_SeOM) متغیر لخوا د اجزاو الوتکې محصول. [د SeOM نقشې د RStudio (نسخه 1.4.1717: https://www.rstudio.com/) په کارولو سره رامینځته شوې.]
د کلستر د طبقه بندي مختلف اجزا [د SEOM نقشې د RStudio په کارولو سره رامینځته شوې (نسخه 1.4.1717: https://www.rstudio.com/).]
اوسنۍ څیړنه په ښاري او نیمه ښاري خاورو کې د نکل غلظت لپاره د ماډلینګ تخنیکونه په روښانه توګه ښیي. مطالعې د ماډلینګ مختلف تخنیکونه ازمول، د عناصرو سره د ماډلینګ تخنیکونو سره یوځای کول، ترڅو په خاوره کې د نکل غلظت وړاندوینې غوره لاره ترلاسه کړي. د ماډلینګ تخنیک د SeOM ترکیبي پلانر فضايي ځانګړتیاو د دقیق رنګ پیمانه کې د ټیټ څخه تر لوړ پورې لوړ رنګ نمونه ښودلې، چې په خاوره کې د Ni غلظت په ګوته کوي. په هرصورت، د فضايي ویش نقشه د EBK_SVMR لخوا ښودل شوي اجزاو پلانر فضايي ویش تاییدوي (شکل 5 وګورئ). پایلې ښیې چې د ملاتړ ویکتور ماشین ریګریشن ماډل (Ca Mg K-SVMR) د یو واحد ماډل په توګه په خاوره کې د Ni غلظت وړاندوینه کوي، مګر د اعتبار او دقت ارزونې پیرامیټرې د RMSE او MAE په شرایطو کې خورا لوړې غلطۍ ښیې. له بلې خوا، د EBK_MLR ماډل سره کارول شوی ماډلینګ تخنیک هم د ټاکلو کوفیفینټ (R2) د ټیټ ارزښت له امله نیمګړتیا لري. ښه پایلې د EBK SVMR او ګډو عناصرو (CaKMg) په کارولو سره د RMSE او MAE غلطیو سره د 63.7٪ دقت سره ترلاسه شوې. دا دا معلومه شوه چې د EBK الګوریتم د ماشین زده کړې الګوریتم سره یوځای کول کولی شي یو هایبرډ الګوریتم رامینځته کړي چې کولی شي په خاوره کې د PTEs غلظت وړاندوینه وکړي. پایلې ښیې چې د مطالعې په ساحه کې د Ni غلظت وړاندوینې لپاره د وړاندوینو په توګه د Ca Mg K کارول کولی شي په خاوره کې د Ni وړاندوینه ښه کړي. دا پدې مانا ده چې د فولادو صنعت لخوا د نکل پر بنسټ سرې او د خاورې صنعتي ککړتیا دوامداره کارول په خاوره کې د نکل غلظت زیاتولو تمایل لري. دې مطالعې څرګنده کړه چې د EBK ماډل کولی شي د غلطۍ کچه راټیټه کړي او په ښاري یا نیمه ښاري خاورو کې د خاورې د ځایي ویش ماډل دقت ښه کړي. په عموم کې، موږ وړاندیز کوو چې د EBK-SVMR ماډل پلي کړو ترڅو په خاوره کې د PTE ارزونه او وړاندوینه وکړو؛ سربیره پردې، موږ وړاندیز کوو چې د EBK کارولو لپاره د مختلفو ماشین زده کړې الګوریتمونو سره هایبرډیز شي. د Ni غلظت د عناصرو په کارولو سره د covariates په توګه وړاندوینه شوې وه؛ په هرصورت، د ډیرو کوواریټس کارول به د ماډل فعالیت خورا ښه کړي، کوم چې د اوسني کار محدودیت ګڼل کیدی شي. د دې مطالعې یو بل محدودیت دا دی چې د ډیټاسیټونو شمیر 115 دی. له همدې امله، که چیرې ډیر معلومات چمتو شي، د وړاندیز شوي مطلوب هایبرډیزیشن میتود فعالیت ښه کیدی شي.
PlantProbs.net.Nickel په نباتاتو او خاوره کې https://plantprobs.net/plant/nutrientImbalances/sodium.html (لاسرسی د اپریل ۲۸، ۲۰۲۱).
کاسپرزاک، KS نکل په عصري چاپیریالي زهرپوهنه کې پرمختګ کوي.سرونډینګز.ټوکسیکولوژي.۱۱، ۱۴۵-۱۸۳ (۱۹۸۷).
سیمپل، ایم. او نیکل، جي. نکل: د هغې د سرچینو او چاپیریالي زهرجناتو بیاکتنه. پولنډي جي. چاپیریال. زده کړه. ۱۵، ۳۷۵-۳۸۲ (۲۰۰۶).
فریډمن، بي. او هاچینسن، ټي سي د کاناډا په سډبري کې د نکل-مسو د سمیلټر ته نږدې د اتموسفیر څخه د ککړتیاوو داخلول او په خاوره او نباتاتو کې راټولیدل.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
مانیووا، ټي. او نور. په بوټسوانا کې د سیلبي-فیکوی مسو-نکل کان ته نږدې د څړځایونو شخوند وهونکو سره تړلي په خاوره، نباتاتو کې درانه فلزات او خطرونه.سرونډینګز.جیو کیمیسټري.هیلتھ https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. په خاوره کې د عناصرو تعقیب او… – ګوګل سکالر 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= (لاسرسی د نومبر ۲۴، ۲۰۲۰).
الماس، اې.، سنګ، بي.، کرنه، د ۱۹۹۵ کال TS-NJ، ناڅرګنده. د ناروې په سویر-وارینجر کې په کرنیزو خاورو او واښو کې د درنو فلزاتو غلظت باندې د روسیې د نکل صنعت اغیزې.agris.fao.org.
نیلسن، جي ډي او نور. د څښاک په اوبو کې د نکل جذب او ساتل د خوړو له اخیستلو او نکل حساسیت سره تړاو لري.ټوکسیکولوژي.ایپلیکیشن.فارماکوډینامکس.۱۵۴، ۶۷-۷۵ (۱۹۹۹).
کوسټا، ایم. او کلین، سي بي نکل کارسنجینسیس، بدلون، ایپی جینیټکس یا انتخاب. شاوخوا. روغتیا لید. ۱۰۷، ۲ (۱۹۹۹).
اجمان، پي سي؛ اجادو، ایس کے؛ بوروکا، ایل.؛ بیني، جي کې ایم؛ سرکوډي، وي وای او؛ کوبونی، این ایم؛ د احتمالي زهرجنو عناصرو د رجحان تحلیل: د کتابونو بیاکتنه. د چاپیریال جیو کیمیا او روغتیا. د پسرلي ساینس او سوداګرۍ میډیا BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
میناسني، بي او مک براټني، اې بي ډیجیټل خاورې نقشه: لنډ تاریخ او ځینې درسونه. جیوډرما ۲۶۴، ۳۰۱–۳۱۱.https://doi.org/10.1016/j.geoderma.2015.07.017 (۲۰۱۶).
McBratney, AB, Mendonça Santos, ML & Minasny, B. د ډیجیټل خاورې نقشه کول. جیوډرما 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV د جیوسټاټیسټیکل زیرمو ماډلینګ،… – ګوګل سکالر 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= (لاسرسی د اپریل ۲۸، ۲۰۲۱).
د پوسټ وخت: جولای-۲۲-۲۰۲۲
