Nature.com تي اچڻ لاءِ مهرباني. توهان جيڪو برائوزر ورجن استعمال ڪري رهيا آهيو ان ۾ CSS لاءِ محدود سپورٽ آهي. بهترين تجربي لاءِ، اسان سفارش ڪريون ٿا ته توهان هڪ اپڊيٽ ٿيل برائوزر استعمال ڪريو (يا انٽرنيٽ ايڪسپلورر ۾ مطابقت واري موڊ کي بند ڪريو). ساڳئي وقت، مسلسل سپورٽ کي يقيني بڻائڻ لاءِ، اسان سائيٽ کي اسٽائل ۽ جاوا اسڪرپٽ کان سواءِ ڏيکارينداسين.
مٽي جي آلودگي هڪ وڏو مسئلو آهي جيڪو انساني سرگرمين جي ڪري پيدا ٿئي ٿو. امڪاني طور تي زهريلي عنصرن (PTEs) جي مقامي ورڇ اڪثر شهري ۽ پيري شهري علائقن ۾ مختلف هوندي آهي. تنهن ڪري، اهڙي مٽي ۾ PTEs جي مواد جي مقامي طور تي اڳڪٿي ڪرڻ ڏکيو آهي. چيڪ ريپبلڪ ۾ فريڊيڪ مسٽيڪ مان ڪل 115 نمونا حاصل ڪيا ويا. ڪيلشيم (Ca)، ميگنيشيم (Mg)، پوٽاشيم (K) ۽ نڪل (Ni) ڪنسنٽريشن کي انڊڪٽو ڪوپلڊ پلازما ايميشن اسپيڪٽروميٽري استعمال ڪندي طئي ڪيو ويو. جوابي متغير Ni آهي ۽ اڳڪٿي ڪندڙ Ca، Mg، ۽ K آهن. جوابي متغير ۽ پيشنگو ڪندڙ متغير جي وچ ۾ لاڳاپو ميٽرڪس عنصرن جي وچ ۾ هڪ اطمينان بخش لاڳاپو ڏيکاري ٿو. اڳڪٿي جي نتيجن مان ظاهر ٿيو ته سپورٽ ویکٹر مشين ريگريشن (SVMR) سٺي ڪارڪردگي ڏيکاري ٿي، جيتوڻيڪ ان جي اندازي مطابق روٽ مين اسڪوائر ايرر (RMSE) (235.974 mg/kg) ۽ مين ايبسولوٽ ايرر (MAE) (166.946 mg/kg) لاڳو ڪيل ٻين طريقن کان وڌيڪ هئا. تجرباتي بيزين ڪريگنگ-ملٽيپل لائينئر ريگريشن لاءِ مخلوط ماڊل (EBK-MLR) خراب ڪارڪردگي ڏيکاري ٿو، جيئن 0.1 کان گهٽ تعين جي کوٽائي مان ظاهر ٿئي ٿو. تجرباتي بيزين ڪريگنگ-سپورٽ ویکٹر مشين ريگريشن (EBK-SVMR) ماڊل بهترين ماڊل هو، گهٽ RMSE (95.479 mg/kg) ۽ MAE (77.368 mg/kg) قدرن ۽ تعين جي اعليٰ کوٽائي (R2 = 0.637) سان. EBK-SVMR ماڊلنگ ٽيڪنڪ آئوٽ پُٽ کي خود ترتيب ڏيڻ واري نقشي کي استعمال ڪندي تصور ڪيو ويو آهي. هائبرڊ ماڊل CakMg-EBK-SVMR جزو جي جهاز ۾ ڪلسٽر ٿيل نيورون ڪيترن ئي رنگن جا نمونا ڏيکارين ٿا جيڪي شهري ۽ پيري شهري مٽيءَ ۾ Ni ڪنسنٽريشن جي اڳڪٿي ڪن ٿا. نتيجا ظاهر ڪن ٿا ته EBK ۽ SVMR کي گڏ ڪرڻ شهري ۽ پيري شهري مٽيءَ ۾ Ni ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ هڪ مؤثر ٽيڪنڪ آهي.
نڪل (Ni) کي ٻوٽن لاءِ هڪ مائڪرو غذائيت سمجهيو ويندو آهي ڇاڪاڻ ته اهو ماحول ۾ نائٽروجن جي مقرري (N) ۽ يوريا ميٽابولزم ۾ حصو وٺندو آهي، اهي ٻئي ٻج جي ڄمڻ لاءِ گهربل آهن. ٻج جي ڄمڻ ۾ ان جي مدد کان علاوه، Ni هڪ فنگل ۽ بيڪٽيريا کي روڪڻ وارو طور ڪم ڪري سگهي ٿو ۽ ٻوٽن جي ترقي کي فروغ ڏئي ٿو. مٽي ۾ نڪل جي کوٽ ٻوٽي کي ان کي جذب ڪرڻ جي اجازت ڏئي ٿي، جنهن جي نتيجي ۾ پنن جو ڪلوروسس ٿئي ٿو. مثال طور، گوبي ۽ سائي لوبيا کي نائٽروجن جي مقرري کي بهتر بڻائڻ لاءِ نڪل تي ٻڌل ڀاڻ جي استعمال جي ضرورت آهي2. مٽي کي مالا مال ڪرڻ ۽ مٽي ۾ نائٽروجن کي درست ڪرڻ لاءِ ڀاڻ جي صلاحيت کي وڌائڻ لاءِ نڪل تي ٻڌل ڀاڻ جي مسلسل استعمال مٽي ۾ نڪل جي ڪنسنٽريشن کي مسلسل وڌائي ٿو. جيتوڻيڪ نڪل ٻوٽن لاءِ هڪ مائڪرو غذائيت آهي، مٽي ۾ ان جو گهڻو استعمال سٺي کان وڌيڪ نقصان پهچائي سگهي ٿو. مٽي ۾ نڪل جي زهريلي مادو مٽي جي پي ايڇ کي گھٽائي ٿو ۽ ٻوٽي جي واڌ لاءِ ضروري غذائيت جي طور تي لوهه جي جذب کي روڪي ٿو1. ليو 3 جي مطابق، ني کي ٻوٽي جي ترقي ۽ واڌ لاءِ گهربل 17 هون اهم عنصر مليو آهي. ٻوٽن جي ترقي ۽ واڌ ۾ نڪل جي ڪردار کان علاوه، انسانن کي ان جي مختلف ايپليڪيشنن لاءِ ضرورت آهي. اليڪٽروپليٽنگ، نڪل تي ٻڌل مصر جي پيداوار، ۽ آٽوميٽو انڊسٽري ۾ اگنيشن ڊوائيسز ۽ اسپارڪ پلگ جي تياري سڀني کي مختلف صنعتي شعبن ۾ نڪل جي استعمال جي ضرورت آهي. ان کان علاوه، نڪل تي ٻڌل مصر ۽ اليڪٽروپليٽ ٿيل شيون وڏي پيماني تي باورچی خانه جي سامان، بال روم لوازمات، کاڌي جي صنعت جي فراهمي، بجلي، تار ۽ ڪيبل، جيٽ ٽربائن، سرجيڪل امپلانٽس، ٽيڪسٽائل، ۽ جهاز جي تعمير ۾ استعمال ڪيون ويون آهن. مٽيءَ ۾ Ni-rich سطحون (يعني، مٿاڇري واري مٽي) ٻنهي اينٿروپجينڪ ۽ قدرتي ذريعن سان منسوب ڪيون ويون آهن، پر بنيادي طور تي، Ni اينٿروپجينڪ 4,6 جي بدران هڪ قدرتي ذريعو آهي. نڪل جي قدرتي ذريعن ۾ آتش فشاني ڦاٽڻ، نباتات، ٻيلن جي باهه، ۽ جيولوجيڪل عمل شامل آهن؛ جڏهن ته، اينٿروپجينڪ ذريعن ۾ اسٽيل انڊسٽري ۾ نڪل/ڪيڊيميم بيٽريون، اليڪٽروپليٽنگ، آرڪ ويلڊنگ، ڊيزل ۽ ايندھن جا تيل، ۽ ڪوئلي جي جلن ۽ فضول ۽ سلج انسينريشن نڪل جي جمع مان هوا جو اخراج شامل آهن. فريڊمين ۽ هچنسن 9 ۽ مينيوا وغيره جي مطابق. 10، فوري ۽ ڀرپاسي واري ماحول ۾ مٽيءَ جي مٿاڇري جي آلودگي جا مکيه ذريعا خاص طور تي نڪل-ڪاپر تي ٻڌل سميلٽر ۽ کاڻيون آهن. ڪينيڊا ۾ سڊبري نڪل-ڪاپر ريفائنري جي چوڌاري مٽيءَ جي مٿين سطح 26,000 mg/kg11 تي نڪل آلودگي جي بلند ترين سطح هئي. ان جي ابتڙ، روس ۾ نڪل جي پيداوار مان آلودگي ناروي جي مٽيءَ ۾ نڪل جي وڌيڪ مقدار پيدا ڪئي آهي11. المس ۽ ٻين جي مطابق. 12، علائقي جي مٿين قابل کاشت زمين (روس ۾ نڪل جي پيداوار) ۾ HNO3 ڪڍڻ واري نڪل جي مقدار 6.25 کان 136.88 ملي گرام/ڪلوگرام تائين هئي، جيڪا سراسري 30.43 ملي گرام/ڪلوگرام ۽ بنيادي ڪنسنٽريشن 25 ملي گرام/ڪلوگرام جي برابر آهي. ڪباٽا 11 جي مطابق، شهري يا پيري شهري مٽيءَ ۾ لڳاتار فصلن جي موسمن دوران زرعي مٽيءَ ۾ فاسفورس ڀاڻ جو استعمال مٽيءَ کي ڦهلائي يا آلوده ڪري سگهي ٿو. انسانن ۾ نڪل جا امڪاني اثر ميوٽاجنيسس، ڪروموسومل نقصان، Z-DNA جنريشن، بلاڪ ٿيل ڊي اين اي ايڪسائيشن مرمت، يا ايپي جينيٽڪ عملن ذريعي ڪينسر جو سبب بڻجي سگهن ٿا13. جانورن جي تجربن ۾، نڪل ۾ مختلف قسم جي ٽاميون پيدا ڪرڻ جي صلاحيت ملي آهي، ۽ ڪارڪينوجينڪ نڪل ڪمپليڪس اهڙن ٽاميون کي وڌائي سگهن ٿا.
مٽي-ٻوٽن جي لاڳاپن، مٽي ۽ مٽي جي حياتياتي لاڳاپن، ماحولياتي تباهي، ۽ ماحولياتي اثر جي تشخيص مان پيدا ٿيندڙ صحت سان لاڳاپيل مسئلن جي وسيع رينج جي ڪري مٽي جي آلودگي جي تشخيص ۾ تازو وقتن ۾ واڌ آئي آهي. اڄ تائين، مٽي ۾ Ni وانگر امڪاني طور تي زهريلي عنصرن (PTEs) جي مقامي اڳڪٿي روايتي طريقن کي استعمال ڪندي محنت طلب ۽ وقت وٺندڙ رهي آهي. ڊجيٽل مٽي ميپنگ (DSM) جي آمد ۽ ان جي موجوده ڪاميابي 15 اڳڪٿي ڪندڙ مٽي ميپنگ (PSM) کي تمام گهڻو بهتر بڻايو آهي. ميناسني ۽ ميڪ برٽني 16 جي مطابق، اڳڪٿي ڪندڙ مٽي ميپنگ (DSM) مٽي سائنس جو هڪ اهم ذيلي شعبو ثابت ٿيو آهي. لاگوچيري ۽ ميڪ برٽني، 2006 DSM کي "ان سيٽو ۽ ليبارٽري مشاهدي جي طريقن ۽ مقامي ۽ غير مقامي مٽي انفرنس سسٽم جي استعمال ذريعي مقامي مٽي انفارميشن سسٽم جي تخليق ۽ ڀرڻ" جي طور تي بيان ڪن ٿا. ميڪ برٽني ۽ ٻيا. 17 بيان ڪري ٿو ته معاصر DSM يا PSM PTEs، مٽي جي قسمن ۽ مٽي جي خاصيتن جي مقامي ورڇ جي اڳڪٿي ڪرڻ يا نقشي سازي لاءِ سڀ کان وڌيڪ اثرائتي ٽيڪنڪ آهي. جيو اسٽيٽسٽڪس ۽ مشين لرننگ الگورتھم (MLA) DSM ماڊلنگ ٽيڪنڪ آهن جيڪي اهم ۽ گهٽ ۾ گهٽ ڊيٽا استعمال ڪندي ڪمپيوٽرن جي مدد سان ڊجيٽلائيزڊ نقشا ٺاهين ٿيون.
Deutsch18 ۽ Olea19 جيو اسٽيٽسٽڪس کي "عددي طريقن جو مجموعو جيڪو مقامي خاصيتن جي نمائندگي سان ڊيل ڪري ٿو، خاص طور تي اسٽوچسٽڪ ماڊلز کي استعمال ڪندي، جيئن ته ٽائيم سيريز تجزيو عارضي ڊيٽا کي ڪيئن بيان ڪري ٿو." بنيادي طور تي، جيو اسٽيٽسٽڪس ۾ ويريوگرام جي تشخيص شامل آهي، جيڪي هر ڊيٽاسيٽ مان مقامي قدرن جي انحصار کي مقدار ۽ وضاحت ڪرڻ جي اجازت ڏين ٿا. گوميوڪس ۽ ٻيا. 20 وڌيڪ واضح ڪري ٿو ته جيو اسٽيٽسٽڪس ۾ ويريوگرام جو جائزو ٽن اصولن تي ٻڌل آهي، جنهن ۾ شامل آهن (الف) ڊيٽا جي رابطي جي پيماني جي حساب سان، (ب) ڊيٽا سيٽ جي تفاوت ۾ اينيسوٽروپي جي سڃاڻپ ۽ حساب سان ۽ (ج) ان کان علاوه مقامي اثرات کان الڳ ٿيل ماپ ڊيٽا جي موروثي غلطي کي حساب ۾ رکڻ کان علاوه، علائقي جي اثرات جو اندازو پڻ لڳايو ويندو آهي. انهن تصورن تي تعمير ڪندي، جيو اسٽيٽسٽڪس ۾ ڪيتريون ئي انٽرپوليشن ٽيڪنڪ استعمال ڪيون وينديون آهن، جن ۾ جنرل ڪريگنگ، ڪو-ڪريگنگ، عام ڪريگنگ، تجرباتي بيزين ڪريگنگ، سادو ڪريگنگ طريقو ۽ ٻيون مشهور انٽرپوليشن ٽيڪنڪ شامل آهن جيڪي پي ٽي اي، مٽي جي خاصيتن، ۽ مٽي جي قسمن جو نقشو يا اڳڪٿي ڪرڻ لاءِ آهن.
مشين لرننگ الگورٿمز (ايم ايل اي) هڪ نسبتاً نئين ٽيڪنڪ آهي جيڪا وڏين غير لڪير ڊيٽا ڪلاسن کي استعمال ڪري ٿي، جيڪي بنيادي طور تي ڊيٽا مائننگ لاءِ استعمال ٿيندڙ الگورٿمز، ڊيٽا ۾ نمونن جي سڃاڻپ، ۽ بار بار سائنسي شعبن جهڙوڪ مٽي سائنس ۽ واپسي جي ڪمن ۾ درجه بندي تي لاڳو ٿين ٿيون. ڪيترائي تحقيقي مقالا مٽي ۾ PTE جي اڳڪٿي ڪرڻ لاءِ MLA ماڊلز تي ڀروسو ڪن ٿا، جهڙوڪ Tan et al. 22 (زرعي مٽي ۾ ڳري ڌاتو جي تخميني لاءِ بي ترتيب ٻيلا)، Sakizadeh et al. 23 (سپورٽ ویکٹر مشينن ۽ مصنوعي نيورل نيٽ ورڪ استعمال ڪندي ماڊلنگ) مٽي آلودگي). ان کان علاوه، ويگا et al. 24 (مٽي ۾ ڳري ڌاتو برقرار رکڻ ۽ جذب ڪرڻ جي ماڊلنگ لاءِ CART) سن et al. 25 (ڪيوبسٽ جو استعمال مٽي ۾ Cd جي ورڇ آهي) ۽ ٻيا الگورٿم جهڙوڪ k-ويجھو پاڙيسري، عام طور تي وڌندڙ ريگريشن، ۽ وڌندڙ ريگريشن وڻ پڻ مٽي ۾ PTE جي اڳڪٿي ڪرڻ لاءِ MLA لاڳو ڪيا.
اڳڪٿي يا نقشي سازي ۾ DSM الگورتھم جي استعمال کي ڪيترن ئي چئلينجن کي منهن ڏيڻو پوي ٿو. ڪيترائي ليکڪ سمجهن ٿا ته MLA جيو اسٽيٽسٽڪس کان بهتر آهي ۽ ان جي برعڪس. جيتوڻيڪ هڪ ٻئي کان بهتر آهي، ٻنهي جو ميلاپ DSM15 ۾ نقشي سازي يا اڳڪٿي جي درستگي جي سطح کي بهتر بڻائي ٿو. ووڊ ڪاڪ ۽ گوپال26 فنڪ27؛ پونٽيئس ۽ چيوڪ28 ۽ گرونوالڊ29 اڳڪٿي ڪيل مٽي جي نقشي سازي ۾ گهٽتائي ۽ ڪجهه غلطين تي تبصرو ڪن ٿا. مٽي جي سائنسدانن DSM نقشي سازي ۽ اڳڪٿي جي اثرائتي، درستگي، ۽ اڳڪٿي کي بهتر بڻائڻ لاءِ مختلف طريقن جي ڪوشش ڪئي آهي. غير يقيني صورتحال ۽ تصديق جو ميلاپ DSM ۾ ضم ٿيل ڪيترن ئي مختلف پهلوئن مان هڪ آهي ته جيئن اثرائتي کي بهتر بڻائي سگهجي ۽ نقصن کي گهٽائي سگهجي. بهرحال، اگيمن ۽ ٻيا. 15 بيان ڪن ٿا ته نقشي جي تخليق ۽ پيشنگوئي پاران متعارف ڪرايل تصديق جي رويي ۽ غير يقيني صورتحال کي نقشي جي معيار کي بهتر بڻائڻ لاءِ آزاد طور تي تصديق ڪيو وڃي. DSM جون حدون جاگرافيائي طور تي منتشر مٽي جي معيار جي ڪري آهن، جنهن ۾ غير يقيني صورتحال جو هڪ جزو شامل آهي؛ جڏهن ته، ڊي ايس ايم ۾ يقين جي کوٽ غلطي جي ڪيترن ئي ذريعن مان پيدا ٿي سگهي ٿي، يعني ڪووريئيٽ غلطي، ماڊل غلطي، مقام غلطي، ۽ تجزياتي غلطي 31. ايم ايل اي ۽ جيو اسٽيٽسٽيڪل عملن ۾ پيدا ٿيندڙ ماڊلنگ جي غلطيون سمجھ جي کوٽ سان لاڳاپيل آهن، آخرڪار حقيقي عمل جي حد کان وڌيڪ آسانيءَ جو سبب بڻجن ٿيون 32. ماڊلنگ جي نوعيت کان سواءِ، غلطيون ماڊلنگ پيرا ميٽرز، رياضياتي ماڊل جي اڳڪٿين، يا انٽرپوليشن 33 سان منسوب ڪري سگهجن ٿيون. تازو، هڪ نئون ڊي ايس ايم رجحان سامهون آيو آهي جيڪو نقشي سازي ۽ اڳڪٿي ۾ جيو اسٽيٽسٽڪس ۽ ايم ايل اي جي انضمام کي فروغ ڏئي ٿو. ڪيترائي مٽي سائنسدان ۽ ليکڪ، جهڙوڪ سرجيف وغيره. 34; سببوٽينا وغيره. 35; تاراسوف وغيره. 36 ۽ تاراسوف وغيره. 37 هائبرڊ ماڊل پيدا ڪرڻ لاءِ جيو اسٽيٽسٽڪس ۽ مشين لرننگ جي صحيح معيار جو استحصال ڪيو آهي جيڪي اڳڪٿي ۽ نقشي سازي جي ڪارڪردگي کي بهتر بڻائين ٿا. معيار. انهن هائبرڊ يا گڏيل الگورتھم ماڊلز مان ڪجهه آهن مصنوعي نيورل نيٽ ورڪ ڪريگنگ (ANN-RK)، ملٽي ليئر پرسيپٽرون ريزيڊوئل ڪريگنگ (MLP-RK)، جنرلائيزڊ ريگريشن نيورل نيٽ ورڪ ريزيڊوئل ڪريگنگ (GR- NNRK)36، مصنوعي نيورل نيٽ ورڪ ڪريگنگ-ملٽي ليئر پرسيپٽرون (ANN-K-MLP)37 ۽ ڪو-ڪريگنگ ۽ گاسين پروسيس ريگريشن38.
سرجيف ۽ ٻين جي مطابق، مختلف ماڊلنگ ٽيڪنڪ کي گڏ ڪرڻ سان خرابين کي ختم ڪرڻ ۽ نتيجي ۾ پيدا ٿيندڙ هائبرڊ ماڊل جي ڪارڪردگي کي وڌائڻ جي صلاحيت آهي بجاءِ ان جي ته ان جو واحد ماڊل تيار ڪيو وڃي. هن حوالي سان، هي نئون پيپر دليل ڏئي ٿو ته شهري ۽ پيري شهري علائقن ۾ ني جي افزودگي جي اڳڪٿي ڪرڻ لاءِ بهترين هائبرڊ ماڊل ٺاهڻ لاءِ جيو اسٽيٽسٽڪس ۽ ايم ايل اي جو گڏيل الگورتھم لاڳو ڪرڻ ضروري آهي. هي مطالعو بنيادي ماڊل جي طور تي تجرباتي بيزين ڪريگنگ (EBK) تي ڀروسو ڪندو ۽ ان کي سپورٽ ویکٹر مشين (SVM) ۽ ملٽيپل لينئر ريگريشن (MLR) ماڊلز سان ملائيندو. ڪنهن به ايم ايل اي سان EBK جي هائبرڊائيزيشن معلوم ناهي. ڏٺل ڪيترائي مخلوط ماڊل عام، بقايا، ريگريشن ڪريگنگ، ۽ ايم ايل اي جا مجموعا آهن. EBK هڪ جيو اسٽيٽسٽيڪل انٽرپوليشن طريقو آهي جيڪو هڪ اسپيشل اسٽوچسٽڪ عمل کي استعمال ڪري ٿو جيڪو هڪ غير اسٽيشنري/اسٽيشنري بي ترتيب فيلڊ جي طور تي مقامي ڪيو ويو آهي جنهن ۾ فيلڊ تي بيان ڪيل لوڪلائيزيشن پيرا ميٽرز آهن، جيڪو اسپيشل تبديلي جي اجازت ڏئي ٿو 39. EBK کي مختلف مطالعي ۾ استعمال ڪيو ويو آهي، جنهن ۾ فارم جي مٽي ۾ نامياتي ڪاربن جي ورڇ جو تجزيو ڪرڻ شامل آهي 40، مٽي جي آلودگي جو جائزو وٺڻ 41 ۽ مٽي جي خاصيتن جي نقشي سازي 42.
ٻئي طرف، سيلف آرگنائيزنگ گراف (SeOM) هڪ سکيا الگورتھم آهي جيڪو مختلف مضمونن ۾ لاڳو ڪيو ويو آهي جهڙوڪ لي وغيره. 43، وانگ وغيره. 44، حسين ڀويان وغيره. 45 ۽ ڪيبوني وغيره. 46 عنصرن جي مقامي خاصيتن ۽ گروپنگ جو تعين ڪريو. وانگ وغيره. 44 بيان ڪن ٿا ته SeOM هڪ طاقتور سکيا ٽيڪنڪ آهي جيڪا غير لڪير مسئلن کي گروپ ڪرڻ ۽ تصور ڪرڻ جي صلاحيت لاءِ مشهور آهي. ٻين نمونن جي سڃاڻپ جي طريقن جهڙوڪ پرنسپل جزو تجزيو، فزي ڪلسٽرنگ، هيئراريڪل ڪلسٽرنگ، ۽ ملٽي معيار فيصلو سازي جي برعڪس، SeOM PTE نمونن کي منظم ڪرڻ ۽ سڃاڻپ ڪرڻ ۾ بهتر آهي. وانگ وغيره. 44 جي مطابق، SeOM لاڳاپيل نيورون جي ورڇ کي مقامي طور تي گروپ ڪري سگهي ٿو ۽ اعلي ريزوليوشن ڊيٽا بصري مهيا ڪري سگهي ٿو. SeOM سڌي طرح تشريح لاءِ نتيجن کي بيان ڪرڻ لاءِ بهترين ماڊل حاصل ڪرڻ لاءِ ني اڳڪٿي ڊيٽا کي تصور ڪندو.
هن پيپر جو مقصد شهري ۽ پيري شهري مٽيءَ ۾ نڪل جي مواد جي اڳڪٿي ڪرڻ لاءِ بهترين درستگي سان هڪ مضبوط ميپنگ ماڊل پيدا ڪرڻ آهي. اسان اهو فرض ڪريون ٿا ته مخلوط ماڊل جي اعتبار بنيادي طور تي بنيادي ماڊل سان ڳنڍيل ٻين ماڊلز جي اثر تي منحصر آهي. اسان DSM کي درپيش چئلينجن کي تسليم ڪريون ٿا، ۽ جڏهن ته انهن چئلينجن کي ڪيترن ئي محاذن تي حل ڪيو پيو وڃي، جيو اسٽيٽسٽڪس ۽ MLA ماڊلز ۾ ترقي جو ميلاپ وڌندڙ نظر اچي ٿو؛ تنهن ڪري، اسان تحقيق جي سوالن جا جواب ڏيڻ جي ڪوشش ڪنداسين جيڪي مخلوط ماڊل پيدا ڪري سگهن ٿا. بهرحال، ماڊل ٽارگيٽ عنصر جي اڳڪٿي ڪرڻ ۾ ڪيترو صحيح آهي؟ انهي سان گڏ، تصديق ۽ درستگي جي تشخيص جي بنياد تي ڪارڪردگي جي تشخيص جي سطح ڇا آهي؟ تنهن ڪري، هن مطالعي جا مخصوص مقصد هئا (a) بنيادي ماڊل طور EBK استعمال ڪندي SVMR يا MLR لاءِ هڪ گڏيل مرکب ماڊل ٺاهڻ، (b) نتيجي ۾ ماڊلز جو مقابلو ڪرڻ (c) شهري يا پيري شهري مٽيءَ ۾ Ni ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ بهترين مرکب ماڊل پيش ڪرڻ، ۽ (d) نڪل اسپيشل ويريشن جو هڪ اعليٰ ريزوليوشن نقشو ٺاهڻ لاءِ SeOM جو استعمال.
هي مطالعو چيڪ ريپبلڪ ۾ ڪيو پيو وڃي، خاص طور تي موراويا-سائليشين علائقي ۾ فريڊيڪ مسٽيڪ ضلعي ۾ (شڪل 1 ڏسو). مطالعي واري علائقي جي جاگرافي تمام گهڻي سخت آهي ۽ گهڻو ڪري موراويا-سائليشين بيسڪيڊي علائقي جو حصو آهي، جيڪو ڪارپيٿين جبلن جي ٻاهرين ڪناري جو حصو آهي. مطالعي وارو علائقو 49° 41′ 0′ N ۽ 18° 20′ 0′ E جي وچ ۾ واقع آهي، ۽ اوچائي 225 ۽ 327 ميٽر جي وچ ۾ آهي؛ جڏهن ته، علائقي جي موسمي حالت لاءِ ڪوپن جي درجه بندي سسٽم کي Cfb = معتدل سامونڊي آبهوا جي طور تي درجه بندي ڪيو ويو آهي، خشڪ مهينن ۾ به تمام گهڻي برسات پوندي آهي. گرمي پد سڄي سال ۾ −5 °C ۽ 24 °C جي وچ ۾ ٿورو مختلف هوندو آهي، گهٽ ۾ گهٽ −14 °C کان هيٺ يا 30 °C کان مٿي ٿيندو آهي، جڏهن ته سراسري سالياني برسات 685 ۽ 752 mm47 جي وچ ۾ هوندي آهي. سڄي علائقي جو اندازي مطابق سروي علائقو 1,208 چورس ڪلوميٽر آهي، جنهن ۾ 39.38٪ پوکيل زمين ۽ 49.36٪ ٻيلن جي ڪوريج آهي. ٻئي طرف، هن مطالعي ۾ استعمال ٿيل علائقو تقريباً 889.8 چورس ڪلوميٽر آهي. اوستراوا ۾ ۽ ان جي چوڌاري، اسٽيل انڊسٽري ۽ ڌاتو جا ڪم تمام سرگرم آهن. ڌاتو ملون، اسٽيل انڊسٽري جتي نڪل کي اسٽينلیس اسٽيل ۾ استعمال ڪيو ويندو آهي (مثال طور، ماحول جي سنکنرن جي مزاحمت لاءِ) ۽ مصر جي اسٽيل (نڪيل مصر جي طاقت وڌائي ٿو جڏهن ته ان جي سٺي نرمي ۽ سختي کي برقرار رکندي)، ۽ تيز زراعت جهڙوڪ فاسفيٽ ڀاڻ جي درخواست ۽ جانورن جي پيداوار علائقي ۾ نڪل جي امڪاني ذريعن جي تحقيق ڪريو (مثال طور، ٻڪرين ۽ گهٽ کاڌ خوراڪ وارن ڍورن ۾ واڌ جي شرح وڌائڻ لاءِ ٻڪرين ۾ نڪل شامل ڪرڻ). تحقيق جي علائقن ۾ نڪل جي ٻين صنعتي استعمالن ۾ اليڪٽروپليٽنگ ۾ ان جو استعمال شامل آهي، جنهن ۾ نڪل جي اليڪٽروپليٽنگ ۽ اليڪٽرو لیس نڪل پليٽنگ جا عمل شامل آهن. مٽيءَ جون خاصيتون مٽيءَ جي رنگ، بناوت ۽ ڪاربونيٽ جي مواد کان آساني سان الڳ ٿي سگهن ٿيون. مٽيءَ جي بناوت وچولي کان باریک آهي، جيڪا والدين مواد مان نڪتل آهي. اهي فطرت ۾ ڪولوويئل، ايلوويئل يا ايوليئن آهن. ڪجهه مٽيءَ جا علائقا مٿاڇري ۽ زير زمين ۾ ٿلها نظر اچن ٿا، اڪثر ڪري ڪنڪريٽ ۽ بليچنگ سان. بهرحال، ڪيمبيسول ۽ اسٽيگنوسول علائقي ۾ سڀ کان وڌيڪ عام مٽيءَ جا قسم آهن 48. 455.1 کان 493.5 ميٽر جي بلندي سان، ڪيمبيسول چيڪ ريپبلڪ تي غالب آهن 49.
مطالعي واري علائقي جو نقشو [مطالعي واري علائقي جو نقشو ArcGIS ڊيسڪ ٽاپ (ESRI, Inc, ورجن 10.7, URL: https://desktop.arcgis.com) استعمال ڪندي ٺاهيو ويو هو.]
فرائيڊڪ مسٽيڪ ضلعي ۾ شهري ۽ شهري مٽيءَ مان ڪُل 115 مٿاڇري جا نمونا حاصل ڪيا ويا. استعمال ٿيل نموني جو نمونو هڪ باقاعده گرڊ هو جنهن ۾ مٽيءَ جا نمونا 2 × 2 ڪلوميٽر جي فاصلي تي هئا، ۽ مٿي واري مٽيءَ کي هٿ سان رکيل GPS ڊوائيس (Leica Zeno 5 GPS) استعمال ڪندي 0 کان 20 سينٽي ميٽر جي کوٽائي تي ماپيو ويو. نمونا Ziploc بيگز ۾ پيڪ ڪيا ويا آهن، صحيح طور تي ليبل ڪيا ويا آهن، ۽ ليبارٽري ڏانهن موڪليا ويا آهن. نمونن کي هوا ۾ خشڪ ڪيو ويو ته جيئن pulverized نمونا پيدا ٿين، هڪ ميڪيڪل سسٽم (Fritsch ڊسڪ مل) ذريعي pulverized، ۽ sieved (size size 2 mm). 1 گرام خشڪ، هڪجهڙائي ۽ sieved مٽيءَ جا نمونا واضح طور تي ليبل ٿيل ٽيفلون بوتلن ۾ رکو. هر ٽيفلون برتن ۾، 7 ml 35% HCl ۽ 3 ml 65% HNO3 (هڪ خودڪار ڊسپينسر استعمال ڪندي - هر تيزاب لاءِ هڪ)، هلڪو ڍڪيو ۽ نمونن کي رد عمل لاءِ رات جو بيهڻ ڏيو (اڪوا ريگيا پروگرام). سپرنيٽينٽ کي گرم ڌاتو تي رکو. نموني جي هضم جي عمل کي آسان بڻائڻ لاءِ پليٽ (درجه حرارت: 100 W ۽ 160 °C) 2 ڪلاڪن لاءِ، پوءِ ٿڌو ڪريو. سپرنيٽينٽ کي 50 ملي ليٽر واليوميٽرڪ فلاسڪ ۾ منتقل ڪريو ۽ 50 ملي ليٽر تائين ڊيونائيزڊ پاڻي سان ملايو. ان کان پوءِ، ڊليٽ ٿيل سپرنيٽينٽ کي ڊيونائيزڊ پاڻي سان 50 ملي ليٽر پي وي سي ٽيوب ۾ فلٽر ڪريو. اضافي طور تي، 1 ملي ليٽر ڊيونائيزڊ محلول کي 9 ملي ليٽر ڊيونائيزڊ پاڻي سان ملايو ويو ۽ PTE سيوڊو ڪنسنٽريشن لاءِ تيار ڪيل 12 ملي ليٽر ٽيوب ۾ فلٽر ڪيو ويو. PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) جي ڪنسنٽريشن ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) پاران معياري طريقن ۽ معاهدي جي مطابق طئي ڪئي وئي. معيار جي يقين ۽ ڪنٽرول (QA/QC) طريقيڪار کي يقيني بڻايو (SRM NIST 2711a Montana II Soil). اڌ کان گهٽ ڳولڻ جي حد سان PTEs کي هن مطالعي مان خارج ڪيو ويو. هن مطالعي ۾ استعمال ٿيندڙ PTE جي ڳولا جي حد 0.0004 هئي. (توهان). ان کان علاوه، هر تجزيي لاءِ معيار جي ڪنٽرول ۽ معيار جي ضمانت جي عمل کي حوالن جي معيارن جي تجزيو ذريعي يقيني بڻايو ويندو آهي. غلطين کي گهٽ ۾ گهٽ ڪرڻ کي يقيني بڻائڻ لاءِ، هڪ ٻٽي تجزيو ڪيو ويو.
تجرباتي بيزين ڪريگنگ (EBK) ڪيترن ئي جيو اسٽيٽسٽيڪل انٽرپوليشن ٽيڪنڪ مان هڪ آهي جيڪا مٽي سائنس جهڙن مختلف شعبن ۾ ماڊلنگ ۾ استعمال ٿيندي آهي. ٻين ڪريگنگ انٽرپوليشن ٽيڪنڪ جي برعڪس، EBK روايتي ڪريگنگ طريقن کان مختلف آهي سيمي ويريوگرام ماڊل پاران اندازو ڪيل غلطي تي غور ڪندي. EBK انٽرپوليشن ۾، ڪيترائي سيمي ويريوگرام ماڊل انٽرپوليشن دوران ڳڻيا ويندا آهن، هڪ سيمي ويريوگرام جي بدران. انٽرپوليشن ٽيڪنڪ سيمي ويريوگرام جي هن پلاٽنگ سان لاڳاپيل غير يقيني صورتحال ۽ پروگرامنگ لاءِ رستو ٺاهيندي آهي جيڪا ڪافي ڪريگنگ طريقي جو هڪ انتهائي پيچيده حصو آهي. EBK جو انٽرپوليشن عمل Krivoruchko50 پاران تجويز ڪيل ٽن معيارن تي عمل ڪري ٿو، (a) ماڊل ان پٽ ڊيٽاسيٽ مان سيمي ويريوگرام جو اندازو لڳائي ٿو (b) پيدا ٿيل سيمي ويريوگرام جي بنياد تي هر ان پٽ ڊيٽاسيٽ جي جڳهه لاءِ نئين اڳڪٿي ڪيل قدر ۽ (c) آخري A ماڊل هڪ نقلي ڊيٽاسيٽ مان ڳڻيو ويندو آهي. بيزين مساوات جو قاعدو پوسٽريئر طور ڏنو ويو آهي
جتي \(Prob\left(A\right)\) اڳئين جي نمائندگي ڪري ٿو، \(Prob\left(B\right)\) حاشيي امڪان کي گھڻن ڪيسن ۾ نظرانداز ڪيو ويندو آهي، \(Prob (B,A)\ ). سيمي ويريوگرام جي حساب ڪتاب بيز جي اصول تي ٻڌل آهي، جيڪو مشاهدي ڊيٽاسيٽس جي رجحان کي ڏيکاري ٿو جيڪي سيمي ويريوگرام مان ٺاهي سگھجن ٿا. سيمي ويريوگرام جي قيمت پوءِ بيز جي اصول استعمال ڪندي طئي ڪئي ويندي آهي، جيڪو ٻڌائي ٿو ته سيمي ويريوگرام مان مشاهدي جو ڊيٽاسيٽ ٺاهڻ جو ڪيترو امڪان آهي.
سپورٽ ویکٹر مشين هڪ مشين لرننگ الگورٿم آهي جيڪو هڪجهڙا پر لڪير کان آزاد طبقن کي فرق ڪرڻ لاءِ هڪ بهترين الڳ ڪندڙ هائپرپلين پيدا ڪري ٿو. ويپنڪ 51 ارادي جي درجه بندي الگورٿم ٺاهيو، پر ان کي تازو ئي ريگريشن تي مبني مسئلن کي حل ڪرڻ لاءِ استعمال ڪيو ويو آهي. لي ۽ ٻين جي مطابق. 52، SVM بهترين درجه بندي ڪندڙ طريقن مان هڪ آهي ۽ مختلف شعبن ۾ استعمال ڪيو ويو آهي. SVM (سپورٽ ویکٹر مشين ريگريشن - SVMR) جو ريگريشن جزو هن تجزيي ۾ استعمال ڪيو ويو. چرڪاسڪي ۽ موليئر 53 SVMR کي ڪرنل تي ٻڌل ريگريشن جي طور تي پيش ڪيو، جنهن جو حساب هڪ لڪير ريگريشن ماڊل استعمال ڪندي ملٽي ڪنٽري اسپيشل فنڪشن سان ڪيو ويو. جان ۽ ٻين جي مطابق54 رپورٽ ڪري ٿو ته SVMR ماڊلنگ هائپرپلين لڪير ريگريشن کي ملازمت ڏئي ٿي، جيڪا غير لڪير رشتا پيدا ڪري ٿي ۽ اسپيشل فنڪشن جي اجازت ڏئي ٿي. ووهلينڊ ۽ ٻين جي مطابق. 55، epsilon (ε)-SVMR تربيت يافته ڊيٽا سيٽ استعمال ڪري ٿو نمائندگي ماڊل حاصل ڪرڻ لاءِ هڪ epsilon-غير حساس فنڪشن جي طور تي جيڪو ڊيٽا کي آزاد طور تي نقشي ڪرڻ لاءِ لاڳو ڪيو ويندو آهي بهترين epsilon تعصب سان لاڳاپيل ڊيٽا تي تربيت کان. اڳواٽ فاصلي جي غلطي کي اصل قدر کان نظرانداز ڪيو ويندو آهي، ۽ جيڪڏهن غلطي ε(ε) کان وڏي آهي، ته مٽي جا خاصيتون ان کي معاوضو ڏين ٿا. ماڊل تربيتي ڊيٽا جي پيچيدگي کي سپورٽ ویکٹرز جي وسيع ذيلي سيٽ تائين پڻ گھٽائي ٿو. Vapnik51 پاران تجويز ڪيل مساوات هيٺ ڏيکاريل آهي.
جتي b اسڪيلر حد جي نمائندگي ڪري ٿو، \(K\left({x}_{,}{ x}_{k}\right)\) ڪرنل فنڪشن جي نمائندگي ڪري ٿو، \(\alpha\) Lagrange multiplier جي نمائندگي ڪري ٿو، N هڪ عددي ڊيٽا سيٽ جي نمائندگي ڪري ٿو، \({x}_{k}\) ڊيٽا ان پٽ جي نمائندگي ڪري ٿو، ۽ \(y\) ڊيٽا آئوٽ پُٽ آهي. استعمال ٿيندڙ اهم ڪرنل مان هڪ SVMR آپريشن آهي، جيڪو هڪ گاسين ريڊيل بيسڊ فنڪشن (RBF) آهي. RBF ڪرنل کي بهترين SVMR ماڊل کي طئي ڪرڻ لاءِ لاڳو ڪيو ويندو آهي، جيڪو PTE ٽريننگ ڊيٽا لاءِ سڀ کان وڌيڪ ذيلي پينلٽي سيٽ فيڪٽر C ۽ ڪرنل پيرا ميٽر گاما (γ) حاصل ڪرڻ لاءِ اهم آهي. پهرين، اسان ٽريننگ سيٽ جو جائزو ورتو ۽ پوءِ تصديق سيٽ تي ماڊل جي ڪارڪردگي جي جانچ ڪئي. استعمال ٿيل اسٽيئرنگ پيرا ميٽر سگما آهي ۽ طريقو قدر svmRadial آهي.
هڪ گھڻ-لينئر ريگريشن ماڊل (MLR) هڪ ريگريشن ماڊل آهي جيڪو جوابي متغير ۽ ڪيترن ئي اڳڪٿي ڪندڙ متغيرن جي وچ ۾ تعلق جي نمائندگي ڪري ٿو گهٽ ۾ گهٽ اسڪوائر طريقو استعمال ڪندي حساب ڪيل لڪير پول ٿيل پيرا ميٽرز استعمال ڪندي. MLR ۾، گهٽ ۾ گهٽ اسڪوائر ماڊل وضاحتي متغيرن جي چونڊ کان پوءِ مٽي جي خاصيتن جو هڪ اڳڪٿي ڪندڙ ڪم آهي. وضاحتي متغيرن کي استعمال ڪندي هڪ لڪير تعلق قائم ڪرڻ لاءِ جواب کي استعمال ڪرڻ ضروري آهي. وضاحتي متغيرن سان هڪ لڪير تعلق قائم ڪرڻ لاءِ PTE کي جوابي متغير طور استعمال ڪيو ويو. MLR مساوات آهي
جتي y جوابي متغير آهي، \(a\) وقفو آهي، n اڳڪٿي ڪندڙن جو تعداد آهي، \({b}_{1}\) ڪوفيشينٽس جو جزوي رجعت آهي، \({x}_{ i}\) هڪ اڳڪٿي ڪندڙ يا وضاحتي متغير جي نمائندگي ڪري ٿو، ۽ \({\varepsilon }_{i}\) ماڊل ۾ غلطي جي نمائندگي ڪري ٿو، جنهن کي بقايا پڻ سڏيو ويندو آهي.
مخلوط ماڊل EBK کي SVMR ۽ MLR سان سينڊوچ ڪندي حاصل ڪيا ويا. اهو EBK انٽرپوليشن مان اڳڪٿي ڪيل قدرن کي ڪڍڻ سان ڪيو ويندو آهي. انٽرپول ٿيل Ca، K، ۽ Mg مان حاصل ڪيل اڳڪٿي ڪيل قدرن کي گڏيل عمل ذريعي حاصل ڪيو ويندو آهي ته جيئن نوان متغير حاصل ڪيا وڃن، جهڙوڪ CaK، CaMg، ۽ KMg. عنصر Ca، K ۽ Mg پوءِ چوٿين متغير، CaKMg حاصل ڪرڻ لاءِ گڏ ڪيا ويندا آهن. مجموعي طور تي، حاصل ڪيل متغير Ca، K، Mg، CaK، CaMg، KMg ۽ CaKMg آهن. اهي متغير اسان جا اڳڪٿي ڪندڙ بڻجي ويا، شهري ۽ پيري شهري مٽيءَ ۾ نڪل ڪنسنٽريشن جي اڳڪٿي ڪرڻ ۾ مدد ڪندا هئا. SVMR الگورتھم کي پيشنگوئين تي هڪ مخلوط ماڊل تجرباتي بيزين ڪريگنگ-سپورٽ ویکٹر مشين (EBK_SVM) حاصل ڪرڻ لاءِ ڪيو ويو. ساڳئي طرح، متغيرن کي MLR الگورتھم ذريعي پائپ ڪيو ويندو آهي ته جيئن هڪ مخلوط ماڊل تجرباتي بيزين ڪريگنگ-ملٽيپل لائينئر ريگريشن (EBK_MLR) حاصل ڪري سگهجي. عام طور تي، متغير Ca، K، Mg، CaK، CaMg، KMg، ۽ CaKMg شهري ۽ پيري شهري مٽيءَ ۾ Ni مواد جي اڳڪٿي ڪندڙ طور ڪوويريٽس طور استعمال ڪيا ويندا آهن. حاصل ڪيل سڀ کان وڌيڪ قابل قبول ماڊل (EBK_SVM يا EBK_MLR) پوءِ هڪ خود منظم گراف استعمال ڪندي تصور ڪيو ويندو. هن مطالعي جو ڪم فلو شڪل 2 ۾ ڏيکاريو ويو آهي.
SeOM استعمال ڪرڻ مالي شعبي، صحت جي سار سنڀال، صنعت، شماريات، مٽي سائنس، ۽ ٻين ۾ ڊيٽا کي منظم ڪرڻ، جائزو وٺڻ ۽ اڳڪٿي ڪرڻ لاءِ هڪ مشهور اوزار بڻجي چڪو آهي. SeOM کي تنظيم، تشخيص ۽ اڳڪٿي لاءِ مصنوعي نيورل نيٽ ورڪ ۽ غير نگراني ٿيل سکيا جي طريقن کي استعمال ڪندي ٺاهيو ويو آهي. هن مطالعي ۾، SeOM کي شهري ۽ پيري شهري مٽيءَ ۾ Ni جي اڳڪٿي ڪرڻ لاءِ بهترين ماڊل جي بنياد تي Ni ڪنسنٽريشن کي ڏسڻ لاءِ استعمال ڪيو ويو. SeOM تشخيص ۾ پروسيس ڪيل ڊيٽا n ان پٽ-ڊائيمنشنل ویکٹر متغيرن جي طور تي استعمال ڪيا ويندا آهن 43,56. ميلسن ۽ ٻيا. 57 هڪ ان پٽ ویکٹر جو هڪ نيورل نيٽ ورڪ ۾ هڪ واحد ان پٽ پرت ذريعي هڪ واحد وزن ویکٹر سان هڪ آئوٽ پُٽ ویکٹر سان ڪنيڪشن بيان ڪري ٿو. SeOM پاران پيدا ڪيل آئوٽ پُٽ هڪ ٻه طرفي نقشو آهي جنهن ۾ مختلف نيورون يا نوڊس شامل آهن جيڪي انهن جي قربت جي مطابق هيڪساگونل، گول، يا چورس ٽوپولاجيڪل نقشن ۾ ٺهيل آهن. ميٽرڪ، ڪوانٽائيزيشن ايرر (QE) ۽ ٽوپوگرافڪ ايرر (TE) جي بنياد تي نقشي جي سائيز جو مقابلو ڪندي، SeOM ماڊل کي ترتيب وار 0.086 ۽ 0.904 سان چونڊيو ويو آهي، جيڪو هڪ 55-نقشي يونٽ (5 × 11) آهي. نيورون جي جوڙجڪ تجرباتي مساوات ۾ نوڊس جي تعداد جي مطابق طئي ڪئي ويندي آهي.
هن مطالعي ۾ استعمال ٿيندڙ ڊيٽا جو تعداد 115 نمونن جو آهي. ڊيٽا کي ٽيسٽ ڊيٽا (تصديق لاءِ 25٪) ۽ ٽريننگ ڊيٽا سيٽ (تصديق لاءِ 75٪) ۾ ورهائڻ لاءِ هڪ بي ترتيب طريقو استعمال ڪيو ويو. تربيتي ڊيٽا سيٽ ريگريشن ماڊل (ڪيليبريشن) پيدا ڪرڻ لاءِ استعمال ڪيو ويندو آهي، ۽ ٽيسٽ ڊيٽا سيٽ کي جنرلائيزيشن جي صلاحيت جي تصديق ڪرڻ لاءِ استعمال ڪيو ويندو آهي58. اهو مٽي ۾ نڪل مواد جي اڳڪٿي ڪرڻ لاءِ مختلف ماڊلز جي مناسبيت جو جائزو وٺڻ لاءِ ڪيو ويو. استعمال ٿيل سڀئي ماڊل ڏهه ڀيرا ڪراس-ويليڊيشن جي عمل مان گذريا، پنج ڀيرا ورجايو ويو. EBK انٽرپوليشن پاران پيدا ٿيندڙ متغيرن کي ٽارگيٽ متغير (PTE) جي اڳڪٿي ڪرڻ لاءِ اڳڪٿي ڪندڙ يا وضاحتي متغير طور استعمال ڪيو ويندو آهي. ماڊلنگ کي RStudio ۾ پيڪيجز لائبريري (Kohonen)، لائبريري (caret)، لائبريري (modelr)، لائبريري (“e1071″)، لائبريري (“plyr”)، لائبريري (“caTools”)، لائبريري (“prospector”) ۽ لائبريريون (“Metrics”) استعمال ڪندي سنڀاليو ويندو آهي.
مٽي ۾ نڪل ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ مناسب بهترين ماڊل کي طئي ڪرڻ ۽ ماڊل جي درستگي ۽ ان جي تصديق جو جائزو وٺڻ لاءِ مختلف تصديق پيرا ميٽر استعمال ڪيا ويا. هائبرڊائيزيشن ماڊلز جو جائزو سراسري مطلق غلطي (MAE)، روٽ اوسط چورس غلطي (RMSE)، ۽ R-اسڪوائر يا ڪوفيشيٽ ڊيٽرمينيشن (R2) استعمال ڪندي ڪيو ويو. R2 جواب ۾ تناسب جي فرق کي بيان ڪري ٿو، جيڪو ريگريشن ماڊل پاران نمائندگي ڪيو ويو آهي. آزاد ماپن ۾ RMSE ۽ ويرينس ميگنيٽيوڊ ماڊل جي اڳڪٿي ڪندڙ طاقت کي بيان ڪن ٿا، جڏهن ته MAE اصل مقداري قدر جو تعين ڪري ٿو. تصديق پيرا ميٽرز استعمال ڪندي بهترين مرکب ماڊل جو جائزو وٺڻ لاءِ R2 قدر وڌيڪ هجڻ گهرجي، قدر 1 جي ويجهو هوندي، درستگي اوتري وڌيڪ هوندي. لي ۽ ٻين جي مطابق. 59، 0.75 يا ان کان وڌيڪ جي R2 معيار جي قيمت کي هڪ سٺو اڳڪٿي ڪندڙ سمجهيو ويندو آهي؛ 0.5 کان 0.75 تائين قابل قبول ماڊل ڪارڪردگي آهي، ۽ 0.5 کان هيٺ ناقابل قبول ماڊل ڪارڪردگي آهي. جڏهن RMSE ۽ MAE تصديق جي معيار جي تشخيص جي طريقن کي استعمال ڪندي ماڊل چونڊيو، حاصل ڪيل گهٽ قيمتون ڪافي هيون ۽ بهترين انتخاب سمجهيون ويون. هيٺ ڏنل مساوات تصديق جي طريقي کي بيان ڪري ٿي.
جتي n مشاهدو ڪيل قدر جي ماپ جي نمائندگي ڪري ٿو\({Y}_{i}\) ماپيل جواب جي نمائندگي ڪري ٿو، ۽ \({\widehat{Y}}_{i}\) پڻ اڳڪٿي ڪيل جواب جي قيمت جي نمائندگي ڪري ٿو، تنهن ڪري، پهرين i مشاهدن لاءِ.
اڳڪٿي ڪندڙ ۽ جوابي متغيرن جي شمارياتي وضاحت جدول 1 ۾ پيش ڪئي وئي آهي، جنهن ۾ اوسط، معياري انحراف (SD)، تبديلي جي کوٽائي (CV)، گهٽ ۾ گهٽ، وڌ ۾ وڌ، ڪرٽوسس، ۽ اسڪيونس ڏيکاريل آهن. عنصرن جي گھٽ ۾ گھٽ ۽ وڌ ۾ وڌ قدر ترتيب وار Mg
جوابي عنصرن سان اڳڪٿي ڪندڙ متغيرن جو لاڳاپو عنصرن جي وچ ۾ هڪ اطمينان بخش لاڳاپو ظاهر ڪري ٿو (شڪل 3 ڏسو). لاڳاپي ظاهر ڪيو ته CaK r قدر = 0.53 سان وچولي لاڳاپي جي نمائش ڪئي، جيئن CaNi ڪيو. جيتوڻيڪ Ca ۽ K هڪ ٻئي سان معمولي لاڳاپي ڏيکارين ٿا، محقق جهڙوڪ ڪنگسٽن وغيره. 68 ۽ Santo69 تجويز ڪن ٿا ته مٽيءَ ۾ انهن جي سطح الٽي متناسب آهي. بهرحال، Ca ۽ Mg K جا مخالف آهن، پر CaK چڱيءَ طرح سان لاڳاپيل آهن. اهو شايد پوٽاشيم ڪاربونيٽ جهڙن ڀاڻن جي استعمال جي ڪري هجي، جيڪو پوٽاشيم ۾ 56٪ وڌيڪ آهي. پوٽاشيم کي ميگنيشيم سان معتدل طور تي لاڳاپو هو (KM r = 0.63). ڀاڻ جي صنعت ۾، اهي ٻئي عنصر ويجهڙائي سان لاڳاپيل آهن ڇاڪاڻ ته پوٽاشيم ميگنيشيم سلفيٽ، پوٽاشيم ميگنيشيم نائٽريٽ، ۽ پوٽاش مٽيءَ تي لاڳو ڪيا ويندا آهن ته جيئن انهن جي گهٽتائي جي سطح کي وڌايو وڃي. نڪل معتدل طور تي Ca، K ۽ Mg سان r قدرن سان لاڳاپيل آهي = 0.52، 0.63 ۽ 0.55، ترتيب وار. ڪيلشيم، ميگنيشيم، ۽ PTEs جهڙوڪ نڪل سان لاڳاپيل لاڳاپا پيچيده آهن، پر ان جي باوجود، ميگنيشيم ڪلسيم جي جذب کي روڪي ٿو، ڪلشيم اضافي ميگنيشيم جي اثرات کي گھٽائي ٿو، ۽ ميگنيشيم ۽ ڪلشيم ٻئي مٽيءَ ۾ نڪل جي زهريلي اثرات کي گھٽائي ٿو.
عنصرن لاءِ رابطي وارو ميٽرڪس جيڪو اڳڪٿي ڪندڙن ۽ جوابن جي وچ ۾ تعلق ڏيکاري ٿو (نوٽ: هن انگ ۾ عنصرن جي وچ ۾ هڪ اسڪرٽر پلاٽ شامل آهي، اهميت جي سطحون p < 0,001 تي ٻڌل آهن).
شڪل 4 عنصرن جي مقامي ورڇ کي بيان ڪري ٿي. برگوس ۽ ٻين جي مطابق، مقامي ورڇ جو استعمال هڪ ٽيڪنڪ آهي جيڪو آلوده علائقن ۾ گرم هنڌن جي مقدار ۽ نمايان ڪرڻ لاءِ استعمال ڪيو ويندو آهي. شڪل 4 ۾ Ca جي افزودگي جي سطح مقامي ورڇ جي نقشي جي اتر اولهه حصي ۾ ڏسي سگهجي ٿي. شڪل وچولي کان اعليٰ Ca افزودگي جي هٽ اسپاٽ ڏيکاري ٿي. نقشي جي اتر اولهه ۾ ڪيلشيم افزودگي ممڪن طور تي مٽي جي تيزابيت کي گهٽائڻ لاءِ ڪوئڪ لائم (ڪيلشيم آڪسائيڊ) جي استعمال ۽ اسٽيل ملز ۾ اسٽيل ٺاهڻ جي عمل ۾ الڪائن آڪسيجن جي طور تي ان جي استعمال جي ڪري آهي. ٻئي طرف، ٻيا هاري تيزابي مٽي ۾ ڪيلشيم هائيڊرو آڪسائيڊ استعمال ڪرڻ کي ترجيح ڏين ٿا ته جيئن پي ايڇ کي غير جانبدار ڪري سگهجي، جيڪو مٽي جي ڪيلشيم جي مواد کي به وڌائي ٿو71. نقشي جي اتر اولهه ۽ اوڀر ۾ پوٽاشيم پڻ گرم هنڌن کي ڏيکاري ٿو. اتر اولهه هڪ وڏو زرعي برادري آهي، ۽ پوٽاشيم جو وچولي کان اعليٰ نمونو NPK ۽ پوٽاش ايپليڪيشنن جي ڪري ٿي سگهي ٿو. اهو ٻين مطالعي سان مطابقت رکي ٿو، جهڙوڪ مدارس ۽ لپاواسڪي72، مدارس ۽ ٻين.73، پلڪرابووا ۽ ٻين.74، Asare et al.75، جن ڏٺو ته مٽي جي استحڪام ۽ KCl ۽ NPK سان علاج جي نتيجي ۾ مٽي ۾ K جي مقدار وڌيڪ ٿي. ورڇ جي نقشي جي اتر اولهه ۾ اسپيشل پوٽاشيم افزودگي شايد پوٽاشيم تي ٻڌل ڀاڻن جهڙوڪ پوٽاشيم ڪلورائڊ، پوٽاشيم سلفيٽ، پوٽاشيم نائٽريٽ، پوٽاشيم ۽ پوٽاشيم جي استعمال جي ڪري هجي ته جيئن خراب مٽيءَ ۾ پوٽاشيم جي مقدار کي وڌايو وڃي. Zádorová et al. 76 ۽ Tlustoš et al. 77 بيان ڪيو ته K تي ٻڌل ڀاڻن جي استعمال سان مٽي ۾ K جي مقدار ۾ اضافو ٿيندو ۽ ڊگهي عرصي ۾ مٽي جي غذائي مواد ۾ خاص طور تي اضافو ٿيندو، خاص طور تي K ۽ Mg مٽي ۾ گرم جاءِ ڏيکاريندي. نقشي جي اتر اولهه ۽ نقشي جي ڏکڻ اوڀر ۾ نسبتاً معتدل گرم جاءِ. مٽي ۾ ڪولائيڊل فڪسيشن مٽي ۾ ميگنيشيم جي ڪنسنٽريشن کي گهٽائي ٿي. مٽي ۾ ان جي گهٽتائي ٻوٽن کي پيلي رنگ جي انٽر وين ڪلوروسس جي نمائش جو سبب بڻائيندي آهي. ميگنيشيم تي ٻڌل ڀاڻ، جهڙوڪ پوٽاشيم ميگنيشيم سلفيٽ، ميگنيشيم سلفيٽ، ۽ ڪيسرائٽ، عام pH رينج سان مٽي ۾ گهٽتائي (ٻوٽا جامني، ڳاڙهي، يا ناسي نظر اچن ٿا، ميگنيشيم جي گهٽتائي کي ظاهر ڪن ٿا) جو علاج ڪن ٿا. شهري ۽ پيري شهري مٽي جي مٿاڇري تي نڪل جو جمع ٿيڻ شايد زراعت جهڙين انساني سرگرمين ۽ اسٽينلیس اسٽيل جي پيداوار ۾ نڪل جي اهميت جي ڪري هجي 78.
عنصرن جي مقامي ورڇ [مقامي ورڇ جو نقشو ArcGIS ڊيسڪ ٽاپ (ESRI, Inc, نسخو 10.7, URL: https://desktop.arcgis.com) استعمال ڪندي ٺاهيو ويو هو.]
هن مطالعي ۾ استعمال ٿيندڙ عنصرن لاءِ ماڊل ڪارڪردگي انڊيڪس جا نتيجا جدول 2 ۾ ڏيکاريا ويا آهن. ٻئي طرف، Ni جا RMSE ۽ MAE ٻئي صفر جي ويجهو آهن (0.86 RMSE، -0.08 MAE). ٻئي طرف، K جا RMSE ۽ MAE ٻئي قدر قابل قبول آهن. RMSE ۽ MAE جا نتيجا ڪيلشيم ۽ ميگنيشيم لاءِ وڌيڪ هئا. Ca ۽ K MAE ۽ RMSE جا نتيجا مختلف ڊيٽاسيٽس جي ڪري وڏا آهن. هن مطالعي جا RMSE ۽ MAE EBK استعمال ڪندي Ni جي اڳڪٿي ڪرڻ لاءِ جان ۽ ٻين جي نتيجن کان بهتر ڏٺا ويا. 54 ساڳئي گڏ ڪيل ڊيٽا استعمال ڪندي مٽي ۾ S ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ synergistic kriging استعمال ڪندي. EBK آئوٽ پُٽ جيڪي اسان مطالعي ڪيا آهن اهي Fabijaczyk ۽ ٻين سان لاڳاپيل آهن. 41، Yan ۽ ٻين سان. 79، Beguin ۽ ٻين سان. 80، Adhikary ۽ ٻين سان. 81 ۽ John ۽ ٻين سان. 82، خاص طور تي K ۽ Ni.
شهري ۽ شهري مٽيءَ ۾ نڪل جي مواد جي اڳڪٿي ڪرڻ لاءِ انفرادي طريقن جي ڪارڪردگي جو جائزو ماڊلز جي ڪارڪردگي استعمال ڪندي ورتو ويو (ٽيبل 3). ماڊل جي تصديق ۽ درستگي جي تشخيص تصديق ڪئي ته Ca_Mg_K اڳڪٿي ڪندڙ EBK SVMR ماڊل سان گڏ بهترين ڪارڪردگي حاصل ڪئي. ڪيليبريشن ماڊل Ca_Mg_K-EBK_SVMR ماڊل R2، روٽ مين اسڪوائر ايرر (RMSE) ۽ ميين ايبسولوٽ ايرر (MAE) 0.637 (R2)، 95.479 mg/kg (RMSE) ۽ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2)، 235.974 mg/kg (RMSE) ۽ 166.946 mg/kg (MAE) هو. تنهن هوندي به، Ca_Mg_K-SVMR (0.663 mg/kg R2) ۽ Ca_Mg-EBK_SVMR لاءِ سٺيون R2 قدرون حاصل ڪيون ويون. (0.643 = آر2)؛ انهن جا RMSE ۽ MAE نتيجا Ca_Mg_K-EBK_SVMR (R2 0.637) (ٽيبل 3 ڏسو) کان وڌيڪ هئا. ان کان علاوه، Ca_Mg-EBK_SVMR (RMSE = 1664.64 ۽ MAE = 1031.49) ماڊل جا RMSE ۽ MAE ترتيب وار 17.5 ۽ 13.4 آهن، جيڪي Ca_Mg_K-EBK_SVMR کان وڏا آهن. ساڳئي طرح، Ca_Mg-K SVMR (RMSE = 235.974 ۽ MAE = 166.946) ماڊل جا RMSE ۽ MAE ترتيب وار Ca_Mg_K-EBK_SVMR RMSE ۽ MAE کان 2.5 ۽ 2.2 وڏا آهن. حساب ڪيل RMSE نتيجا ظاهر ڪن ٿا ته ڊيٽا سيٽ بهترين فٽ جي لائن سان ڪيترو مرڪوز آهي. RSME ۽ MAE وڌيڪ ڏٺا ويا. مطابق ڪيبونئي ۽ ٻين جي مطابق. 46 ۽ جان ۽ ٻين جي مطابق. 54، RMSE ۽ MAE صفر جي ويجهو هوندا، نتيجا اوترا بهتر هوندا. SVMR ۽ EBK_SVMR ۾ RSME ۽ MAE قدر وڌيڪ هوندا آهن. اهو ڏٺو ويو ته RSME تخمينو مسلسل MAE قدرن کان وڌيڪ هئا، جيڪو ٻاهرين جي موجودگي کي ظاهر ڪري ٿو. ليگيٽس ۽ ميڪ ڪيبي 83 جي مطابق، RMSE جي سراسري مطلق غلطي (MAE) کان وڌيڪ هجڻ جي حد تائين ٻاهرين جي موجودگي جي اشاري طور سفارش ڪئي وئي آهي. ان جو مطلب آهي ته ڊيٽا سيٽ جيترو وڌيڪ متضاد هوندو، MAE ۽ RMSE قدر اوترو ئي وڌيڪ هوندا. شهري ۽ مضافاتي مٽيءَ ۾ Ni مواد جي اڳڪٿي ڪرڻ لاءِ Ca_Mg_K-EBK_SVMR مخلوط ماڊل جي ڪراس-ويليڊيشن تشخيص جي درستگي 63.70٪ هئي. لي ۽ ٻين جي مطابق. 59، درستگي جي هي سطح هڪ قابل قبول ماڊل ڪارڪردگي جي شرح آهي. موجوده نتيجن جو مقابلو تاراسوف ۽ ٻين جي پوئين مطالعي سان ڪيو ويو آهي. 36 جنهن جي هائبرڊ ماڊل MLPRK (Multilayer Perceptron Residual Kriging) ٺاهي، موجوده مطالعي ۾ رپورٽ ڪيل EBK_SVMR درستگي تشخيص انڊيڪس سان لاڳاپيل، RMSE (210) ۽ MAE (167.5) موجوده مطالعي ۾ اسان جي نتيجن (RMSE 95.479، MAE 77.368) کان وڌيڪ هو. جڏهن ته، موجوده مطالعي (0.637) جي R2 جو مقابلو تاراسوف ۽ ٻين سان ڪيو وڃي. 36 (0.544)، اهو واضح آهي ته هن مخلوط ماڊل ۾ تعين جو ڪوفيشيٽ (R2) وڌيڪ آهي. مخلوط ماڊل لاءِ غلطي جو مارجن (RMSE ۽ MAE) (EBK SVMR) ٻه ڀيرا گهٽ آهي. ساڳئي طرح، سرجيف ۽ ٻين 34 ترقي يافته هائبرڊ ماڊل (ملٽي ليئر پرسيپٽرون ريزيڊوئل ڪريگنگ) لاءِ 0.28 (R2) رڪارڊ ڪيو، جڏهن ته موجوده مطالعي ۾ ني 0.637 (R2) رڪارڊ ڪيو. هن ماڊل (EBK SVMR) جي اڳڪٿي جي درستگي جي سطح 63.7٪ آهي، جڏهن ته سرجيف ۽ ٻين 34 پاران حاصل ڪيل اڳڪٿي جي درستگي 28٪ آهي. آخري نقشو (شڪل 5) EBK_SVMR ماڊل ۽ Ca_Mg_K کي پيش گوئي ڪندڙ طور استعمال ڪندي ٺاهيو ويو آهي جيڪو پوري مطالعي واري علائقي تي گرم هنڌن ۽ اعتدال پسند کان نڪل جي اڳڪٿيون ڏيکاري ٿو. ان جو مطلب آهي ته مطالعي واري علائقي ۾ نڪل جي ڪنسنٽريشن بنيادي طور تي معتدل آهي، ڪجهه مخصوص علائقن ۾ وڌيڪ ڪنسنٽريشن سان.
آخري اڳڪٿي جو نقشو هائبرڊ ماڊل EBK_SVMR استعمال ڪندي ۽ Ca_Mg_K کي پيشنگوئي ڪندڙ طور استعمال ڪندي پيش ڪيو ويو آهي. [مقامي تقسيم جو نقشو RStudio (ورزن 1.4.1717: https://www.rstudio.com/) استعمال ڪندي ٺاهيو ويو هو.]
شڪل 6 ۾ پيش ڪيل PTE ڪنسنٽريشن هڪ ساخت واري جهاز جي طور تي آهن جنهن ۾ انفرادي نيورون شامل آهن. ڪنهن به جزوي جهاز ۾ ڏيکاريل رنگ جي نموني جي نمائش نه ڪئي وئي. بهرحال، هر ٺهيل نقشي ۾ نيورون جو مناسب تعداد 55 آهي. SeOM مختلف رنگن کي استعمال ڪندي پيدا ڪيو ويندو آهي، ۽ رنگن جا نمونا جيترا وڌيڪ ملندڙ جلندڙ هوندا، نمونن جي خاصيتن جي مقابلي ۾ وڌيڪ. انهن جي صحيح رنگ جي پيماني جي مطابق، انفرادي عنصر (Ca، K، ۽ Mg) سنگل هاءِ نيورون ۽ گهڻن گهٽ نيورون سان ملندڙ رنگ جا نمونا ڏيکاريا. اهڙيءَ طرح، CaK ۽ CaMg تمام گهڻي آرڊر واري نيورون ۽ گهٽ کان وچولي رنگ جي نمونن سان ڪجهه هڪجهڙائي شيئر ڪن ٿا. ٻئي ماڊل مٽيءَ ۾ Ni جي ڪنسنٽريشن جي اڳڪٿي ڪن ٿا وچولي کان اعليٰ رنگن جهڙوڪ ڳاڙهي، نارنگي ۽ پيلي کي ڏيکاريندي. KMg ماڊل صحيح تناسب ۽ گهٽ کان وچولي رنگ جي پيچ جي بنياد تي ڪيترائي اعليٰ رنگ جا نمونا ڏيکاري ٿو. گهٽ کان اعليٰ تائين هڪ درست رنگ جي پيماني تي، ماڊل جي اجزاء جي پلانر ورڇ واري نموني هڪ اعليٰ رنگ جو نمونو ڏيکاريو جيڪو مٽيءَ ۾ نڪل جي امڪاني ڪنسنٽريشن کي ظاهر ڪري ٿو (شڪل 4 ڏسو). CakMg ماڊل جزوي جهاز گهٽ کان اعليٰ تائين هڪ متنوع رنگ جو نمونو ڏيکاري ٿو. هڪ صحيح رنگ جي پيماني تي. وڌيڪ، ماڊل جي نڪل مواد (CakMg) جي اڳڪٿي شڪل 5 ۾ ڏيکاريل نڪل جي مقامي ورڇ سان ملندڙ جلندڙ آهي. ٻئي گراف شهري ۽ پيري شهري مٽيءَ ۾ نڪل ڪنسنٽريشن جي اعليٰ، وچولي ۽ گهٽ تناسب کي ڏيکارين ٿا. شڪل 7 نقشي تي k-means گروپنگ ۾ ڪنٽور طريقو ڏيکاري ٿو، هر ماڊل ۾ اڳڪٿي ڪيل قدر جي بنياد تي ٽن ڪلسٽرن ۾ ورهايل آهي. ڪنٽور طريقو ڪلسٽرن جي بهترين تعداد جي نمائندگي ڪري ٿو. گڏ ڪيل 115 مٽيءَ جي نمونن مان، ڪيٽيگري 1 سڀ کان وڌيڪ مٽيءَ جا نمونا حاصل ڪيا، 74. ڪلسٽر 2 کي 33 نمونا مليا، جڏهن ته ڪلسٽر 3 کي 8 نمونا مليا. ست-ڪمپوننٽ پلانر پريڊيڪٽر ميلاپ کي صحيح ڪلسٽر تشريح جي اجازت ڏيڻ لاءِ آسان بڻايو ويو. مٽيءَ جي ٺهڻ کي متاثر ڪندڙ ڪيترن ئي اينٿروپوجينڪ ۽ قدرتي عملن جي ڪري، ورهايل SeOM نقشي ۾ صحيح طور تي مختلف ڪلسٽر نمونن کي رکڻ ڏکيو آهي78.
هر تجرباتي بيزين ڪريگنگ سپورٽ ویکٹر مشين (EBK_SVM_SeOM) متغير پاران ڪمپونينٽ پلین آئوٽ پُٽ. [SEOM نقشا RStudio (ورژن 1.4.1717: https://www.rstudio.com/) استعمال ڪندي ٺاهيا ويا.]
مختلف ڪلسٽر درجه بندي جا جزا [SEOM نقشا RStudio استعمال ڪندي ٺاهيا ويا (ورژن 1.4.1717: https://www.rstudio.com/).]
موجوده مطالعي شهري ۽ پيري شهري مٽيءَ ۾ نڪل ڪنسنٽريشن لاءِ ماڊلنگ ٽيڪنڪ کي واضح طور تي بيان ڪري ٿو. مطالعي ۾ مختلف ماڊلنگ ٽيڪنڪون آزمايون ويون، عنصرن کي ماڊلنگ ٽيڪنڪ سان گڏ ڪندي، مٽيءَ ۾ نڪل ڪنسنٽريشن جي اڳڪٿي ڪرڻ جو بهترين طريقو حاصل ڪرڻ لاءِ. ماڊلنگ ٽيڪنڪ جي SeOM ڪمپوزيشنل پلانر اسپيشل خاصيتون هڪ صحيح رنگ جي پيماني تي گهٽ کان وڌيڪ تائين هڪ اعليٰ رنگ جي نموني جي نمائش ڪئي، جيڪا مٽيءَ ۾ Ni ڪنسنٽريشن کي ظاهر ڪري ٿي. بهرحال، اسپيشل ورڇ جو نقشو EBK_SVMR پاران ڏيکاريل اجزاء جي پلانر اسپيشل ورڇ جي تصديق ڪري ٿو (شڪل 5 ڏسو). نتيجا ڏيکارين ٿا ته سپورٽ ویکٹر مشين ريگريشن ماڊل (Ca Mg K-SVMR) مٽيءَ ۾ Ni جي ڪنسنٽريشن کي هڪ واحد ماڊل جي طور تي پيش ڪري ٿو، پر تصديق ۽ درستگي جي تشخيص جا پيرا ميٽر RMSE ۽ MAE جي لحاظ کان تمام گهڻيون غلطيون ڏيکارين ٿا. ٻئي طرف، EBK_MLR ماڊل سان استعمال ٿيندڙ ماڊلنگ ٽيڪنڪ پڻ ناقص آهي ڇاڪاڻ ته ڪوفيشيٽ آف ڊيٽرنيشن (R2) جي گهٽ قدر جي ڪري. EBK SVMR ۽ گڏيل عنصرن (CaKMg) کي استعمال ڪندي سٺا نتيجا حاصل ڪيا ويا گهٽ RMSE ۽ MAE غلطين سان. 63.7٪. اهو ظاهر ٿئي ٿو ته EBK الگورتھم کي مشين لرننگ الگورتھم سان گڏ ڪرڻ سان هڪ هائبرڊ الگورتھم پيدا ٿي سگهي ٿو جيڪو مٽي ۾ PTEs جي ڪنسنٽريشن جي اڳڪٿي ڪري سگهي ٿو. نتيجا ڏيکارين ٿا ته مطالعي واري علائقي ۾ Ni ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ Ca Mg K کي پيشنگوئي ڪندڙ طور استعمال ڪرڻ سان مٽي ۾ Ni جي اڳڪٿي بهتر ٿي سگهي ٿي. ان جو مطلب اهو آهي ته نڪل تي ٻڌل ڀاڻن جي مسلسل استعمال ۽ اسٽيل انڊسٽري پاران مٽي جي صنعتي آلودگي مٽي ۾ نڪل جي ڪنسنٽريشن کي وڌائڻ جو رجحان رکي ٿي. هن مطالعي مان ظاهر ٿيو ته EBK ماڊل غلطي جي سطح کي گهٽائي سگهي ٿو ۽ شهري يا پيري شهري مٽي ۾ مٽي جي مقامي ورڇ جي ماڊل جي درستگي کي بهتر بڻائي سگهي ٿو. عام طور تي، اسان مٽي ۾ PTE جو جائزو وٺڻ ۽ اڳڪٿي ڪرڻ لاءِ EBK-SVMR ماڊل لاڳو ڪرڻ جي تجويز ڏيون ٿا؛ ان کان علاوه، اسان EBK کي مختلف مشين لرننگ الگورتھم سان هائبرڊائيز ڪرڻ لاءِ استعمال ڪرڻ جي تجويز ڏيون ٿا. Ni ڪنسنٽريشن کي عنصرن کي ڪوويريٽس طور استعمال ڪندي اڳڪٿي ڪئي وئي هئي؛ جڏهن ته، وڌيڪ ڪوويريٽس استعمال ڪرڻ سان ماڊل جي ڪارڪردگي تمام گهڻي بهتر ٿيندي، جنهن کي موجوده ڪم جي حد سمجهي سگهجي ٿو. هن مطالعي جي هڪ ٻي حد اها آهي ته ڊيٽاسيٽس جو تعداد 115 آهي. تنهن ڪري، جيڪڏهن وڌيڪ ڊيٽا مهيا ڪئي وڃي، ته تجويز ڪيل بهتر ڪيل هائبرڊائيزيشن طريقي جي ڪارڪردگي بهتر ٿي سگهي ٿي.
PlantProbs.net.Nickel in plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (پهچ 28 اپريل 2021).
ڪاسپرزڪ، ڪي ايس نڪل جديد ماحولياتي زهر جي سائنس ۾ ترقي ڪري ٿو.سرائونڊنگز.ٽوڪسيڪالوجي.11، 145–183 (1987).
سيمپيل، ايم. ۽ نڪل، جي. نڪل: ان جي ذريعن ۽ ماحولياتي زهر جو جائزو. پولش جي. ماحول. مطالعو 15، 375-382 (2006).
فريڊمين، بي. ۽ هچنسن، ٽي سي ڪينيڊا جي اونٽاريو ۾ نڪل-ڪاپر سميلٽر جي ويجهو ماحول مان آلودگي جو ان پٽ ۽ مٽي ۽ ٻوٽن ۾ جمع.can.J. Bot.58(1)، 108-132.https://doi.org/10.1139/b80-014 (1980).
مانيوا، ٽي. وغيره. مٽيءَ ۾ ڳري ڌاتو، ٻوٽا ۽ بوٽسوانا ۾ سيلبي-فيڪوي تانبا-نڪل مائن جي ويجهو چرڻ واري ٻوٽن سان لاڳاپيل خطرا. چوڌاري. جيو ڪيمسٽري. صحت https://doi.org/10.1007/s10653-021-00918-x (2021).
Cabata-Pendias.Kabata-Pendias A. 2011. مٽيءَ ۾ عنصرن جو سراغ لڳايو ۽… – گوگل اسڪالر 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= (پهچايو ويو 24 نومبر 2020).
الماس، اي.، سنگهه، بي.، زراعت، ٽي ايس-اين جي آف ۽ 1995، غير وضاحت ٿيل. ناروي جي سوئر-وارنجر ۾ زرعي مٽي ۽ گاهه ۾ ڳري ڌاتو جي ڪنسنٽريشن تي روسي نڪل انڊسٽري جا اثر.agris.fao.org.
نيلسن، جي ڊي ۽ ٻيا. پيئڻ جي پاڻي ۾ نڪل جذب ۽ برقرار رکڻ کاڌي جي استعمال ۽ نڪل جي حساسيت سان لاڳاپيل آهن.ٽوڪسيڪولوجي.ايپليڪيشن.فارماڪوڊائنامڪس.154، 67-75 (1999).
ڪوسٽا، ايم. ۽ ڪلين، سي بي نڪل ڪارڪينوجينيسس، ميوٽيشن، ايپي جينيٽيڪس يا چونڊ. ماحول. صحت جو تناظر. 107، 2 (1999).
اجمان، پي سي؛ اجادو، ايس ڪي؛ بوروڪا، ايل.؛ بيني، جي ڪي ايم؛ سرڪوڊي، وي وائي او؛ ڪوبوني، اين ايم؛ امڪاني طور تي زهريلي عنصرن جو رجحان تجزيو: هڪ ببليوميٽرڪ جائزو. ماحولياتي جيو ڪيمسٽري ۽ صحت. اسپرنگر سائنس ۽ ڪاروباري ميڊيا بي وي 2020. https://doi.org/10.1007/s10653-020-00742-9.
ميناسني، بي ۽ ميڪ برٽني، اي بي ڊجيٽل مٽي ميپنگ: هڪ مختصر تاريخ ۽ ڪجهه سبق. جيوڊرما 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 جيو اسٽيٽسٽيڪل رزروائر ماڊلنگ،… – گوگل اسڪالر 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= (پهچ 28 اپريل 2021).
پوسٽ جو وقت: جولاءِ-22-2022
