Nature.com ని సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ వెర్షన్ CSS కి పరిమిత మద్దతును కలిగి ఉంది. ఉత్తమ అనుభవం కోసం, మీరు నవీకరించబడిన బ్రౌజర్‌ను ఉపయోగించాలని మేము సిఫార్సు చేస్తున్నాము (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో అనుకూలత మోడ్‌ను ఆఫ్ చేయండి). ఈలోగా, నిరంతర మద్దతును నిర్ధారించడానికి, మేము శైలులు మరియు జావాస్క్రిప్ట్ లేకుండా సైట్‌ను ప్రదర్శిస్తాము.
మానవ కార్యకలాపాల వల్ల నేల కాలుష్యం ఒక పెద్ద సమస్య. చాలా పట్టణ మరియు పెరి-అర్బన్ ప్రాంతాలలో సంభావ్య విషపూరిత మూలకాల (PTEలు) ప్రాదేశిక పంపిణీ మారుతూ ఉంటుంది. అందువల్ల, అటువంటి నేలల్లో PTEల కంటెంట్‌ను ప్రాదేశికంగా అంచనా వేయడం కష్టం. చెక్ రిపబ్లిక్‌లోని ఫ్రైడెక్ మిస్టెక్ నుండి మొత్తం 115 నమూనాలను పొందారు. కాల్షియం (Ca), మెగ్నీషియం (Mg), పొటాషియం (K) మరియు నికెల్ (Ni) సాంద్రతలను ప్రేరకంగా కపుల్డ్ ప్లాస్మా ఎమిషన్ స్పెక్ట్రోమెట్రీని ఉపయోగించి నిర్ణయించారు. ప్రతిస్పందన వేరియబుల్ Ni మరియు ప్రిడిక్టర్లు Ca, Mg మరియు K. ప్రతిస్పందన వేరియబుల్ మరియు ప్రిడిక్టర్ వేరియబుల్ మధ్య సహసంబంధ మాతృక మూలకాల మధ్య సంతృప్తికరమైన సహసంబంధాన్ని చూపిస్తుంది. అంచనా ఫలితాలు సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ (SVMR) బాగా పనిచేశాయని చూపించాయి, అయినప్పటికీ దాని అంచనా వేసిన మూల సగటు వర్గ లోపం (RMSE) (235.974 mg/kg) మరియు సగటు సంపూర్ణ లోపం (MAE) (166.946 mg/kg) వర్తించే ఇతర పద్ధతుల కంటే ఎక్కువగా ఉన్నాయి. అనుభావిక బయేసియన్ క్రిగింగ్-మల్టిపుల్ లీనియర్ రిగ్రెషన్ కోసం మిశ్రమ నమూనాలు (EBK-MLR) పేలవంగా పనిచేస్తుందని, 0.1 కంటే తక్కువ నిర్ణయ గుణకాల ద్వారా ఇది రుజువు చేయబడింది. తక్కువ RMSE (95.479 mg/kg) మరియు MAE (77.368 mg/kg) విలువలు మరియు అధిక నిర్ణయ గుణకం (R2 = 0.637)తో అనుభావిక బయేసియన్ క్రిగింగ్-సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ (EBK-SVMR) మోడల్ ఉత్తమ మోడల్. EBK-SVMR మోడలింగ్ టెక్నిక్ అవుట్‌పుట్ స్వీయ-ఆర్గనైజింగ్ మ్యాప్‌ని ఉపయోగించి దృశ్యమానం చేయబడుతుంది. హైబ్రిడ్ మోడల్ CakMg-EBK-SVMR భాగం యొక్క ప్లేన్‌లో క్లస్టర్డ్ న్యూరాన్లు పట్టణ మరియు పట్టణ నేలల్లో Ni సాంద్రతలను అంచనా వేసే బహుళ రంగు నమూనాలను చూపుతాయి. EBK మరియు SVMRలను కలపడం పట్టణ మరియు పట్టణ నేలల్లో Ni సాంద్రతలను అంచనా వేయడానికి ప్రభావవంతమైన సాంకేతికత అని ఫలితాలు చూపిస్తున్నాయి.
నికెల్ (Ni) మొక్కలకు సూక్ష్మపోషకంగా పరిగణించబడుతుంది ఎందుకంటే ఇది వాతావరణ నత్రజని స్థిరీకరణ (N) మరియు యూరియా జీవక్రియకు దోహదం చేస్తుంది, ఈ రెండూ విత్తన అంకురోత్పత్తికి అవసరం. విత్తన అంకురోత్పత్తికి దాని సహకారంతో పాటు, Ni ఒక శిలీంధ్ర మరియు బాక్టీరియల్ నిరోధకంగా పనిచేస్తుంది మరియు మొక్కల అభివృద్ధిని ప్రోత్సహిస్తుంది. నేలలో నికెల్ లేకపోవడం మొక్క దానిని గ్రహించడానికి అనుమతిస్తుంది, ఫలితంగా ఆకులు క్లోరోసిస్ అవుతాయి. ఉదాహరణకు, కౌపీస్ మరియు పచ్చి బఠానీలకు నత్రజని స్థిరీకరణను ఆప్టిమైజ్ చేయడానికి నికెల్ ఆధారిత ఎరువులు వేయడం అవసరం2. నేలను సుసంపన్నం చేయడానికి మరియు నేలలో నత్రజనిని స్థిరీకరించే పప్పుధాన్యాల సామర్థ్యాన్ని పెంచడానికి నికెల్ ఆధారిత ఎరువులను నిరంతరం ఉపయోగించడం వల్ల నేలలో నికెల్ సాంద్రత నిరంతరం పెరుగుతుంది. మొక్కలకు నికెల్ సూక్ష్మపోషకం అయినప్పటికీ, నేలలో దాని అధిక తీసుకోవడం మంచి కంటే ఎక్కువ హాని చేస్తుంది. నేలలో నికెల్ యొక్క విషపూరితం నేల pHని తగ్గిస్తుంది మరియు మొక్కల పెరుగుదలకు అవసరమైన పోషకంగా ఇనుము తీసుకోవడం నిరోధిస్తుంది1.Liu3 ప్రకారం, Ni మొక్కల అభివృద్ధి మరియు పెరుగుదలకు అవసరమైన 17వ ముఖ్యమైన మూలకం అని కనుగొనబడింది. మొక్కల అభివృద్ధి మరియు పెరుగుదలలో నికెల్ పాత్రతో పాటు, మానవులకు వివిధ రకాల అనువర్తనాలకు ఇది అవసరం.ఎలక్ట్రోప్లేటింగ్, నికెల్ ఆధారిత మిశ్రమాల ఉత్పత్తి, మరియు ఆటోమోటివ్ పరిశ్రమలో జ్వలన పరికరాలు మరియు స్పార్క్ ప్లగ్‌ల తయారీకి వివిధ పారిశ్రామిక రంగాలలో నికెల్ వాడకం అవసరం. అదనంగా, నికెల్ ఆధారిత మిశ్రమాలు మరియు ఎలక్ట్రోప్లేటెడ్ వస్తువులు కిచెన్‌వేర్, బాల్‌రూమ్ ఉపకరణాలు, ఆహార పరిశ్రమ సామాగ్రి, విద్యుత్, వైర్ మరియు కేబుల్, జెట్ టర్బైన్‌లు, సర్జికల్ ఇంప్లాంట్లు, వస్త్రాలు మరియు నౌకానిర్మాణంలో విస్తృతంగా ఉపయోగించబడుతున్నాయి. నేలల్లో Ni-రిచ్ స్థాయిలు (అంటే, ఉపరితల నేలలు) మానవజన్య మరియు సహజ వనరులకు ఆపాదించబడ్డాయి, కానీ ప్రధానంగా, Ni అనేది మానవజన్య కంటే సహజ మూలం4,6. నికెల్ యొక్క సహజ వనరులలో అగ్నిపర్వత విస్ఫోటనాలు, వృక్షసంపద, అటవీ మంటలు మరియు భౌగోళిక ప్రక్రియలు ఉన్నాయి; అయితే, మానవజన్య వనరులలో ఉక్కు పరిశ్రమలో నికెల్/కాడ్మియం బ్యాటరీలు, ఎలక్ట్రోప్లేటింగ్, ఆర్క్ వెల్డింగ్, డీజిల్ మరియు ఇంధన నూనెలు మరియు బొగ్గు దహనం మరియు వ్యర్థాలు మరియు బురద దహనం నుండి వాతావరణ ఉద్గారాలు ఉన్నాయి. నికెల్ సేకరణ7,8. ఫ్రీడ్‌మాన్ మరియు హచిన్సన్9 మరియు మానివా మరియు ఇతరుల ప్రకారం. 10, తక్షణ మరియు ప్రక్కనే ఉన్న వాతావరణంలో నేల కాలుష్యానికి ప్రధాన వనరులు ప్రధానంగా నికెల్-రాగి ఆధారిత స్మెల్టర్లు మరియు గనులు. కెనడాలోని సడ్‌బరీ నికెల్-రాగి శుద్ధి కర్మాగారం చుట్టూ ఉన్న పై నేలలో అత్యధిక స్థాయిలో నికెల్ కాలుష్యం 26,000 mg/kg11 ఉంది. దీనికి విరుద్ధంగా, రష్యాలో నికెల్ ఉత్పత్తి నుండి వచ్చే కాలుష్యం నార్వేజియన్ నేలలో అధిక నికెల్ సాంద్రతలకు దారితీసింది11. ఆల్మ్స్ మరియు ఇతరుల ప్రకారం. 12, ఈ ప్రాంతంలోని అగ్ర వ్యవసాయ యోగ్యమైన భూమిలో (రష్యాలో నికెల్ ఉత్పత్తి) HNO3-సంగ్రహించదగిన నికెల్ మొత్తం 6.25 నుండి 136.88 mg/kg వరకు ఉంది, ఇది సగటున 30.43 mg/kg మరియు బేస్‌లైన్ సాంద్రత 25 mg/kgకి అనుగుణంగా ఉంటుంది. కబాటా 11 ప్రకారం, వరుస పంట సీజన్లలో పట్టణ లేదా పెరి-అర్బన్ నేలల్లోని వ్యవసాయ నేలల్లో భాస్వరం ఎరువులను ఉపయోగించడం వల్ల నేల కలుషితం కావచ్చు. మానవులలో నికెల్ యొక్క సంభావ్య ప్రభావాలు ఉత్పరివర్తన, క్రోమోజోమల్ నష్టం, Z-DNA ఉత్పత్తి, నిరోధించబడిన DNA ఎక్సిషన్ మరమ్మత్తు లేదా ఎపిజెనెటిక్ ప్రక్రియల ద్వారా క్యాన్సర్‌కు దారితీయవచ్చు. జంతు ప్రయోగాలలో, నికెల్ వివిధ రకాల కణితులను కలిగించే సామర్థ్యాన్ని కలిగి ఉందని కనుగొనబడింది మరియు క్యాన్సర్ కారక నికెల్ కాంప్లెక్స్‌లు అటువంటి కణితులను తీవ్రతరం చేస్తాయి.
ఇటీవలి కాలంలో నేల-మొక్కల సంబంధాలు, నేల మరియు నేల జీవసంబంధ సంబంధాలు, పర్యావరణ క్షీణత మరియు పర్యావరణ ప్రభావ అంచనా నుండి ఉత్పన్నమయ్యే విస్తృత శ్రేణి ఆరోగ్య సంబంధిత సమస్యల కారణంగా నేల కాలుష్య అంచనాలు బాగా అభివృద్ధి చెందాయి. ఈ రోజు వరకు, సాంప్రదాయ పద్ధతులను ఉపయోగించి నేలలో Ni వంటి సంభావ్య విషపూరిత మూలకాల (PTEలు) యొక్క ప్రాదేశిక అంచనా శ్రమతో కూడుకున్నది మరియు సమయం తీసుకుంటుంది. డిజిటల్ నేల మ్యాపింగ్ (DSM) ఆగమనం మరియు దాని ప్రస్తుత విజయం15 ప్రిడిక్టివ్ నేల మ్యాపింగ్ (PSM)ను బాగా మెరుగుపరిచాయి. మినాస్నీ మరియు మెక్‌బ్రాట్నీ16 ప్రకారం, ప్రిడిక్టివ్ నేల మ్యాపింగ్ (DSM) నేల శాస్త్రం యొక్క ప్రముఖ ఉపవిభాగంగా నిరూపించబడింది. లాగాచెరీ మరియు మెక్‌బ్రాట్నీ, 2006 DSMను "ఇన్ సిటు మరియు ప్రయోగశాల పరిశీలనా పద్ధతులు మరియు ప్రాదేశిక మరియు నాన్-స్పేషియల్ నేల అనుమితి వ్యవస్థలను ఉపయోగించడం ద్వారా ప్రాదేశిక నేల సమాచార వ్యవస్థల సృష్టి మరియు నింపడం"గా నిర్వచించారు. మెక్‌బ్రాట్నీ మరియు ఇతరులు. 17 సమకాలీన DSM లేదా PSM అనేది PTEల ప్రాదేశిక పంపిణీ, నేల రకాలు మరియు నేల లక్షణాలను అంచనా వేయడానికి లేదా మ్యాపింగ్ చేయడానికి అత్యంత ప్రభావవంతమైన సాంకేతికత అని వివరిస్తుంది. జియోస్టాటిస్టిక్స్ మరియు మెషిన్ లెర్నింగ్ అల్గోరిథంలు (MLA) అనేవి DSM మోడలింగ్ పద్ధతులు, ఇవి ముఖ్యమైన మరియు కనిష్ట డేటాను ఉపయోగించి కంప్యూటర్ల సహాయంతో డిజిటలైజ్డ్ మ్యాప్‌లను సృష్టిస్తాయి.
Deutsch18 మరియు Olea19 జియోస్టాటిస్టిక్స్‌ను "ప్రాదేశిక లక్షణాల ప్రాతినిధ్యంతో వ్యవహరించే సంఖ్యా పద్ధతుల సేకరణ, ప్రధానంగా సమయ శ్రేణి విశ్లేషణ తాత్కాలిక డేటాను ఎలా వర్గీకరిస్తుంది వంటి యాదృచ్ఛిక నమూనాలను ఉపయోగిస్తుంది" అని నిర్వచించాయి. ప్రధానంగా, జియోస్టాటిస్టిక్స్‌లో వేరియోగ్రామ్‌ల మూల్యాంకనం ఉంటుంది, ఇది ప్రతి డేటాసెట్ నుండి ప్రాదేశిక విలువల ఆధారపడటాన్ని లెక్కించడానికి మరియు నిర్వచించడానికి అనుమతిస్తుంది20.Gumiaux et al. 20 జియోస్టాటిస్టిక్స్‌లో వేరియోగ్రామ్‌ల మూల్యాంకనం మూడు సూత్రాలపై ఆధారపడి ఉందని వివరిస్తుంది, వాటిలో (ఎ) డేటా సహసంబంధం యొక్క స్కేల్‌ను గణించడం, (బి) డేటాసెట్ అసమానతలో అనిసోట్రోపిని గుర్తించడం మరియు గణించడం మరియు (సి) స్థానిక ప్రభావాల నుండి వేరు చేయబడిన కొలత డేటా యొక్క స్వాభావిక లోపాన్ని పరిగణనలోకి తీసుకోవడంతో పాటు, ప్రాంత ప్రభావాలను కూడా అంచనా వేస్తారు. ఈ భావనలపై ఆధారపడి, జియోస్టాటిస్టిక్స్‌లో అనేక ఇంటర్‌పోలేషన్ పద్ధతులు ఉపయోగించబడతాయి, వీటిలో జనరల్ క్రిగింగ్, కో-క్రిగింగ్, ఆర్డినరీ క్రిగింగ్, అనుభావిక బయేసియన్ క్రిగింగ్, సింపుల్ క్రిగింగ్ పద్ధతి మరియు PTE, నేల లక్షణాలు మరియు నేల రకాలను మ్యాప్ చేయడానికి లేదా అంచనా వేయడానికి ఇతర ప్రసిద్ధ ఇంటర్‌పోలేషన్ పద్ధతులు ఉన్నాయి.
మెషిన్ లెర్నింగ్ అల్గోరిథంలు (MLA) అనేది సాపేక్షంగా కొత్త టెక్నిక్, ఇది పెద్ద నాన్-లీనియర్ డేటా తరగతులను ఉపయోగిస్తుంది, ప్రధానంగా డేటా మైనింగ్, డేటాలోని నమూనాలను గుర్తించడం మరియు సాయిల్ సైన్స్ మరియు రిటర్న్ టాస్క్‌ల వంటి శాస్త్రీయ రంగాలలో వర్గీకరణకు పదేపదే వర్తించే అల్గోరిథంల ద్వారా ఇంధనంగా పనిచేస్తుంది. టాన్ మరియు ఇతరులు 22 (వ్యవసాయ నేలల్లో భారీ లోహ అంచనా కోసం యాదృచ్ఛిక అడవులు), సకిజాదే మరియు ఇతరులు 23 (సపోర్ట్ వెక్టర్ యంత్రాలు మరియు కృత్రిమ నాడీ నెట్‌వర్క్‌లను ఉపయోగించి మోడలింగ్) నేల కాలుష్యం వంటి నేలల్లో PTEని అంచనా వేయడానికి అనేక పరిశోధనా పత్రాలు MLA నమూనాలపై ఆధారపడతాయి. అదనంగా, వేగా మరియు ఇతరులు 24 (మట్టిలో భారీ లోహ నిలుపుదల మరియు శోషణను మోడలింగ్ చేయడానికి CART) సన్ మరియు ఇతరులు 25 (క్యూబిస్ట్ యొక్క అప్లికేషన్ మట్టిలో Cd పంపిణీ) మరియు k-సమీప పొరుగు, సాధారణీకరించిన బూస్టెడ్ రిగ్రెషన్ మరియు బూస్టెడ్ రిగ్రెషన్ వంటి ఇతర అల్గోరిథంలు ట్రీస్ కూడా మట్టిలో PTEని అంచనా వేయడానికి MLAని వర్తింపజేశాయి.
అంచనా లేదా మ్యాపింగ్‌లో DSM అల్గోరిథంల అనువర్తనం అనేక సవాళ్లను ఎదుర్కొంటుంది. చాలా మంది రచయితలు MLA జియోస్టాటిస్టిక్స్ కంటే గొప్పదని నమ్ముతారు మరియు దీనికి విరుద్ధంగా. ఒకటి మరొకటి కంటే మెరుగైనది అయినప్పటికీ, ఈ రెండింటి కలయిక DSM15లో మ్యాపింగ్ లేదా ప్రిడిక్షన్ యొక్క ఖచ్చితత్వ స్థాయిని మెరుగుపరుస్తుంది. వుడ్‌కాక్ మరియు గోపాల్26 ఫింకే27; పొంటియస్ మరియు చెయుక్28 మరియు గ్రున్‌వాల్డ్29 అంచనా వేసిన నేల మ్యాపింగ్‌లోని లోపాలు మరియు కొన్ని లోపాలపై వ్యాఖ్యానించారు. DSM మ్యాపింగ్ మరియు అంచనా వేయడం యొక్క ప్రభావం, ఖచ్చితత్వం మరియు అంచనా సామర్థ్యాన్ని ఆప్టిమైజ్ చేయడానికి నేల శాస్త్రవేత్తలు వివిధ పద్ధతులను ప్రయత్నించారు. ప్రభావాన్ని ఆప్టిమైజ్ చేయడానికి మరియు లోపాలను తగ్గించడానికి DSMలో విలీనం చేయబడిన అనేక విభిన్న అంశాలలో అనిశ్చితి మరియు ధృవీకరణ కలయిక ఒకటి. అయితే, అగేమాన్ మరియు ఇతరులు. 15 మ్యాప్ సృష్టి మరియు ప్రిడిక్షన్ ద్వారా ప్రవేశపెట్టబడిన ధ్రువీకరణ ప్రవర్తన మరియు అనిశ్చితిని మ్యాప్ నాణ్యతను మెరుగుపరచడానికి స్వతంత్రంగా ధృవీకరించాలని వివరిస్తుంది. DSM యొక్క పరిమితులు భౌగోళికంగా చెదరగొట్టబడిన నేల నాణ్యత కారణంగా ఉంటాయి, ఇందులో అనిశ్చితి యొక్క భాగం ఉంటుంది; అయితే, DSMలో ఖచ్చితత్వం లేకపోవడం అనేది కోవేరియేట్ ఎర్రర్, మోడల్ ఎర్రర్, లొకేషన్ ఎర్రర్ మరియు విశ్లేషణాత్మక ఎర్రర్ 31 వంటి బహుళ ఎర్రర్ మూలాల నుండి తలెత్తవచ్చు. MLA మరియు జియోస్టాటిస్టికల్ ప్రక్రియలలో ప్రేరేపించబడిన మోడలింగ్ దోషాలు అవగాహన లేకపోవడంతో ముడిపడి ఉంటాయి, చివరికి వాస్తవ ప్రక్రియ యొక్క అతి సరళీకరణకు దారితీస్తాయి32. మోడలింగ్ యొక్క స్వభావంతో సంబంధం లేకుండా, దోషాలను మోడలింగ్ పారామితులు, గణిత నమూనా అంచనాలు లేదా ఇంటర్‌పోలేషన్33కి ఆపాదించవచ్చు. ఇటీవల, మ్యాపింగ్ మరియు అంచనా వేయడంలో జియోస్టాటిస్టిక్స్ మరియు MLA యొక్క ఏకీకరణను ప్రోత్సహించే కొత్త DSM ధోరణి ఉద్భవించింది. సెర్జీవ్ మరియు ఇతరులు 34; సబ్బోటినా మరియు ఇతరులు 35; తారాసోవ్ మరియు ఇతరులు 36 మరియు తారాసోవ్ మరియు ఇతరులు 37 వంటి అనేక మంది నేల శాస్త్రవేత్తలు మరియు రచయితలు జియోస్టాటిస్టిక్స్ మరియు మెషిన్ లెర్నింగ్ యొక్క ఖచ్చితమైన నాణ్యతను ఉపయోగించి అంచనా మరియు మ్యాపింగ్ సామర్థ్యాన్ని మెరుగుపరిచే హైబ్రిడ్ మోడళ్లను రూపొందించారు. ఈ హైబ్రిడ్ లేదా మిశ్రమ అల్గోరిథం నమూనాలలో కొన్ని ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ క్రిగ్గింగ్ (ANN-RK), మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగ్గింగ్ (MLP-RK), జనరలైజ్డ్ రిగ్రెషన్ న్యూరల్ నెట్‌వర్క్ రెసిడ్యువల్ క్రిగ్గింగ్ (GR- NNRK)36, ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ క్రిగ్గింగ్-మల్టీలేయర్ పెర్సెప్ట్రాన్ (ANN-K-MLP)37 మరియు కో-క్రిగ్గింగ్ మరియు గాస్సియన్ ప్రాసెస్ రిగ్రెషన్38.
సెర్జీవ్ మరియు ఇతరుల అభిప్రాయం ప్రకారం, వివిధ మోడలింగ్ పద్ధతులను కలపడం వల్ల దాని సింగిల్ మోడల్‌ను అభివృద్ధి చేయడం కంటే లోపాలను తొలగించి, ఫలిత హైబ్రిడ్ మోడల్ సామర్థ్యాన్ని పెంచే అవకాశం ఉంది. ఈ సందర్భంలో, పట్టణ మరియు పెరి-అర్బన్ ప్రాంతాలలో Ni సుసంపన్నతను అంచనా వేయడానికి సరైన హైబ్రిడ్ నమూనాలను రూపొందించడానికి జియోస్టాటిస్టిక్స్ మరియు MLA యొక్క మిశ్రమ అల్గోరిథంను వర్తింపజేయడం అవసరమని ఈ కొత్త పత్రం వాదిస్తుంది. ఈ అధ్యయనం అనుభవపూర్వక బయేసియన్ క్రిగింగ్ (EBK)ని బేస్ మోడల్‌గా ఆధారపడి ఉంటుంది మరియు దానిని సపోర్ట్ వెక్టర్ మెషిన్ (SVM) మరియు మల్టిపుల్ లీనియర్ రిగ్రెషన్ (MLR) నమూనాలతో కలుపుతుంది. ఏదైనా MLAతో EBK యొక్క హైబ్రిడైజేషన్ తెలియదు. కనిపించే బహుళ మిశ్రమ నమూనాలు సాధారణ, అవశేష, రిగ్రెషన్ క్రిగింగ్ మరియు MLA కలయికలు. EBK అనేది ఒక జియోస్టాటిస్టికల్ ఇంటర్‌పోలేషన్ పద్ధతి, ఇది క్షేత్రంపై నిర్వచించబడిన స్థానికీకరణ పారామితులతో నాన్-స్టేషనరీ/స్టేషనరీ యాదృచ్ఛిక క్షేత్రంగా స్థానికీకరించబడిన ప్రాదేశికంగా యాదృచ్ఛిక ప్రక్రియను ఉపయోగిస్తుంది, ఇది ప్రాదేశిక వైవిధ్యాన్ని అనుమతిస్తుంది39. వ్యవసాయ నేలల్లో సేంద్రీయ కార్బన్ పంపిణీని విశ్లేషించడం40, నేల కాలుష్యాన్ని అంచనా వేయడం41తో సహా వివిధ అధ్యయనాలలో EBK ఉపయోగించబడింది. మరియు నేల లక్షణాలను మ్యాపింగ్ చేయడం42.
మరోవైపు, సెల్ఫ్-ఆర్గనైజింగ్ గ్రాఫ్ (SeOM) అనేది ఒక అభ్యాస అల్గోరిథం, దీనిని లి మరియు ఇతరులు 43, వాంగ్ మరియు ఇతరులు 44, హొస్సేన్ భూయాన్ మరియు ఇతరులు 45 మరియు కెబోన్యే మరియు ఇతరులు 46 వంటి వివిధ వ్యాసాలలో వర్తింపజేస్తారు. మూలకాల యొక్క ప్రాదేశిక లక్షణాలు మరియు సమూహాన్ని నిర్ణయించండి. వాంగ్ మరియు ఇతరులు 44 SeOM అనేది నాన్-లీనియర్ సమస్యలను సమూహపరచడానికి మరియు ఊహించే సామర్థ్యానికి ప్రసిద్ధి చెందిన శక్తివంతమైన అభ్యాస సాంకేతికత అని వివరిస్తుంది. ప్రిన్సిపల్ కాంపోనెంట్ విశ్లేషణ, ఫజీ క్లస్టరింగ్, క్రమానుగత క్లస్టరింగ్ మరియు బహుళ-ప్రమాణాల నిర్ణయం తీసుకోవడం వంటి ఇతర నమూనా గుర్తింపు పద్ధతుల మాదిరిగా కాకుండా, SeOM PTE నమూనాలను నిర్వహించడంలో మరియు గుర్తించడంలో మెరుగ్గా ఉంటుంది. వాంగ్ మరియు ఇతరులు 44 ప్రకారం, SeOM సంబంధిత న్యూరాన్ల పంపిణీని ప్రాదేశికంగా సమూహపరచగలదు మరియు అధిక-రిజల్యూషన్ డేటా విజువలైజేషన్‌ను అందిస్తుంది. ప్రత్యక్ష వివరణ కోసం ఫలితాలను వర్గీకరించడానికి ఉత్తమ నమూనాను పొందడానికి SeOM Ni ప్రిడిక్షన్ డేటాను దృశ్యమానం చేస్తుంది.
ఈ పత్రం పట్టణ మరియు పట్టణ పరిసర నేలల్లో నికెల్ కంటెంట్‌ను అంచనా వేయడానికి సరైన ఖచ్చితత్వంతో కూడిన బలమైన మ్యాపింగ్ నమూనాను రూపొందించడం లక్ష్యంగా పెట్టుకుంది. మిశ్రమ నమూనా యొక్క విశ్వసనీయత ప్రధానంగా బేస్ మోడల్‌కు అనుసంధానించబడిన ఇతర నమూనాల ప్రభావంపై ఆధారపడి ఉంటుందని మేము పరికల్పన చేస్తున్నాము. DSM ఎదుర్కొంటున్న సవాళ్లను మేము అంగీకరిస్తున్నాము మరియు ఈ సవాళ్లను బహుళ రంగాలలో పరిష్కరించబడుతున్నప్పటికీ, జియోస్టాటిస్టిక్స్ మరియు MLA నమూనాలలో పురోగతి కలయిక పెరుగుతున్నట్లు కనిపిస్తుంది; అందువల్ల, మిశ్రమ నమూనాలను అందించే పరిశోధన ప్రశ్నలకు మేము సమాధానం ఇవ్వడానికి ప్రయత్నిస్తాము. అయితే, లక్ష్య మూలకాన్ని అంచనా వేయడంలో నమూనా ఎంత ఖచ్చితమైనది? అలాగే, ధ్రువీకరణ మరియు ఖచ్చితత్వ మూల్యాంకనం ఆధారంగా సామర్థ్య మూల్యాంకనం స్థాయి ఏమిటి? అందువల్ల, ఈ అధ్యయనం యొక్క నిర్దిష్ట లక్ష్యాలు (ఎ) EBKని బేస్ మోడల్‌గా ఉపయోగించి SVMR లేదా MLR కోసం మిశ్రమ మిశ్రమ నమూనాను సృష్టించడం, (బి) ఫలిత నమూనాలను పోల్చడం (సి) పట్టణ లేదా పట్టణ పరిసర నేలల్లో Ni సాంద్రతలను అంచనా వేయడానికి ఉత్తమ మిశ్రమ నమూనాను ప్రతిపాదించడం మరియు (డి) నికెల్ ప్రాదేశిక వైవిధ్యం యొక్క అధిక-రిజల్యూషన్ మ్యాప్‌ను రూపొందించడానికి SeOM యొక్క అప్లికేషన్.
ఈ అధ్యయనం చెక్ రిపబ్లిక్‌లో, ముఖ్యంగా మొరావియా-సిలేసియన్ ప్రాంతంలోని ఫ్రైడెక్ మిస్టెక్ జిల్లాలో జరుగుతోంది (చిత్రం 1 చూడండి). అధ్యయన ప్రాంతం యొక్క భౌగోళికం చాలా కఠినమైనది మరియు ఎక్కువగా మొరావియా-సిలేసియన్ బెస్కిడి ప్రాంతంలో భాగం, ఇది కార్పాతియన్ పర్వతాల బయటి అంచులో భాగం. అధ్యయన ప్రాంతం 49° 41′ 0′ N మరియు 18° 20′ 0′ E మధ్య ఉంది మరియు ఎత్తు 225 మరియు 327 మీ మధ్య ఉంటుంది; అయితే, ఈ ప్రాంతం యొక్క వాతావరణ స్థితికి కోపెన్ వర్గీకరణ వ్యవస్థను Cfb = సమశీతోష్ణ సముద్ర వాతావరణంగా రేట్ చేయబడింది, పొడి నెలల్లో కూడా చాలా వర్షపాతం ఉంటుంది. ఉష్ణోగ్రతలు ఏడాది పొడవునా −5 °C మరియు 24 °C మధ్య కొద్దిగా మారుతూ ఉంటాయి, అరుదుగా −14 °C కంటే తక్కువగా లేదా 30 °C కంటే ఎక్కువగా పడిపోతాయి, అయితే సగటు వార్షిక అవపాతం 685 మరియు 752 mm మధ్య ఉంటుంది. మొత్తం ప్రాంతం యొక్క అంచనా వేసిన సర్వే ప్రాంతం 1,208 చదరపు కిలోమీటర్లు, సాగు భూమిలో 39.38% మరియు అటవీ విస్తీర్ణంలో 49.36%. మరోవైపు, ఈ అధ్యయనంలో ఉపయోగించిన ప్రాంతం దాదాపు 889.8 చదరపు కిలోమీటర్లు. ఆస్ట్రావా మరియు చుట్టుపక్కల, ఉక్కు పరిశ్రమ మరియు లోహ పనులు చాలా చురుకుగా ఉన్నాయి. మెటల్ మిల్లులు, స్టెయిన్‌లెస్ స్టీల్స్‌లో నికెల్‌ను ఉపయోగించే ఉక్కు పరిశ్రమ (ఉదా. వాతావరణ తుప్పుకు నిరోధకత కోసం) మరియు అల్లాయ్ స్టీల్స్ (నికెల్ దాని మంచి డక్టిలిటీ మరియు దృఢత్వాన్ని కొనసాగిస్తూ మిశ్రమం యొక్క బలాన్ని పెంచుతుంది), మరియు ఫాస్ఫేట్ ఎరువుల దరఖాస్తు మరియు పశువుల ఉత్పత్తి వంటి ఇంటెన్సివ్ వ్యవసాయం ఈ ప్రాంతంలో నికెల్ యొక్క సంభావ్య వనరులను పరిశోధించండి (ఉదా., గొర్రె పిల్లలు మరియు తక్కువ మేత పశువులలో వృద్ధి రేటును పెంచడానికి గొర్రె పిల్లలకు నికెల్ జోడించడం). పరిశోధనా రంగాలలో నికెల్ యొక్క ఇతర పారిశ్రామిక ఉపయోగాలు ఎలక్ట్రోప్లేటింగ్‌లో దాని ఉపయోగం, ఎలక్ట్రోప్లేటింగ్ నికెల్ మరియు ఎలక్ట్రోలెస్ నికెల్ ప్లేటింగ్ ప్రక్రియలు. నేల లక్షణాలు నేల రంగు, నిర్మాణం మరియు కార్బోనేట్ కంటెంట్ నుండి సులభంగా గుర్తించబడతాయి. నేల ఆకృతి మధ్యస్థం నుండి సన్నగా ఉంటుంది, మాతృ పదార్థం నుండి తీసుకోబడింది. అవి కల్యువియల్, ఒండ్రు లేదా అయోలియన్ స్వభావం కలిగి ఉంటాయి. కొన్ని నేల ప్రాంతాలు ఉపరితలం మరియు భూగర్భంలో మచ్చలుగా కనిపిస్తాయి, తరచుగా కాంక్రీటు మరియు బ్లీచింగ్‌తో ఉంటాయి. అయితే, కాంబిసోల్స్ మరియు స్టాగ్నోసోల్స్ ఈ ప్రాంతంలో అత్యంత సాధారణ నేల రకాలు48. 455.1 నుండి 493.5 మీటర్ల ఎత్తులో, కాంబిసోల్స్ చెక్ రిపబ్లిక్‌లో ఆధిపత్యం చెలాయిస్తాయి49.
అధ్యయన ప్రాంత పటం [అధ్యయన ప్రాంత పటం ఆర్క్‌జిఐఎస్ డెస్క్‌టాప్ (ESRI, ఇంక్, వెర్షన్ 10.7, URL: https://desktop.arcgis.com) ఉపయోగించి సృష్టించబడింది.]
ఫ్రైడెక్ మిస్టెక్ జిల్లాలోని పట్టణ మరియు పెరి-అర్బన్ నేలల నుండి మొత్తం 115 టాప్‌సాయిల్ నమూనాలను పొందారు. ఉపయోగించిన నమూనా నమూనా 2 × 2 కి.మీ దూరంలో మట్టి నమూనాలతో కూడిన సాధారణ గ్రిడ్, మరియు చేతితో పట్టుకునే GPS పరికరం (లైకా జెనో 5 GPS) ఉపయోగించి టాప్‌సాయిల్‌ను 0 నుండి 20 సెం.మీ లోతులో కొలుస్తారు. నమూనాలను జిప్‌లాక్ సంచులలో ప్యాక్ చేసి, సరిగ్గా లేబుల్ చేసి, ప్రయోగశాలకు పంపుతారు. పల్వరైజ్డ్ నమూనాలను ఉత్పత్తి చేయడానికి నమూనాలను గాలిలో ఎండబెట్టి, యాంత్రిక వ్యవస్థ (ఫ్రిట్ష్ డిస్క్ మిల్) ద్వారా పల్వరైజ్ చేసి, జల్లెడ పట్టారు (జల్లెడ పరిమాణం 2 మి.మీ). స్పష్టంగా లేబుల్ చేయబడిన టెఫ్లాన్ సీసాలలో 1 గ్రాము ఎండిన, సజాతీయపరచబడిన మరియు జల్లెడ పట్టిన నేల నమూనాలను ఉంచండి. ప్రతి టెఫ్లాన్ పాత్రలో, 7 ml 35% HCl మరియు 3 ml 65% HNO3 (ఆటోమేటిక్ డిస్పెన్సర్‌ని ఉపయోగించి - ప్రతి యాసిడ్‌కు ఒకటి) వేయండి, తేలికగా కప్పి, నమూనాలను ప్రతిచర్య కోసం రాత్రిపూట నిలబడనివ్వండి (ఆక్వా రెజియా ప్రోగ్రామ్). సూపర్‌నాటెంట్‌ను వేడి మెటల్ ప్లేట్‌పై ఉంచండి. (ఉష్ణోగ్రత: 100 W మరియు 160 °C) నమూనాల జీర్ణ ప్రక్రియను సులభతరం చేయడానికి 2 గంటలు, ఆపై చల్లబరచండి. సూపర్‌నాటెంట్‌ను 50 ml వాల్యూమెట్రిక్ ఫ్లాస్క్‌కు బదిలీ చేసి, డీయోనైజ్డ్ నీటితో 50 ml కు కరిగించండి. ఆ తర్వాత, డైల్యూటెడ్ సూపర్‌నాటెంట్‌ను డీయోనైజ్డ్ నీటితో 50 ml PVC ట్యూబ్‌లోకి ఫిల్టర్ చేయండి. అదనంగా, 1 ml డైల్యూషన్ ద్రావణాన్ని 9 ml డీయోనైజ్డ్ నీటితో కరిగించి, PTE సూడో-కాన్సంట్రేషన్ కోసం తయారుచేసిన 12 ml ట్యూబ్‌లోకి ఫిల్టర్ చేశారు. PTEల సాంద్రతలు (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ప్రామాణిక పద్ధతులు మరియు ఒప్పందం ప్రకారం ICP-OES (ఇండక్టివ్లీ కపుల్డ్ ప్లాస్మా ఆప్టికల్ ఎమిషన్ స్పెక్ట్రోస్కోపీ) (థర్మో ఫిషర్ సైంటిఫిక్, USA) ద్వారా నిర్ణయించబడ్డాయి. నాణ్యత హామీ మరియు నియంత్రణ (QA/QC) విధానాలు (SRM NIST 2711a మోంటానా II సాయిల్) నిర్ధారించండి. సగం కంటే తక్కువ గుర్తింపు పరిమితులు కలిగిన PTEలను ఈ అధ్యయనం నుండి మినహాయించారు. గుర్తింపు పరిమితి ఈ అధ్యయనంలో ఉపయోగించిన PTE 0.0004.(మీరు). అదనంగా, ప్రతి విశ్లేషణకు నాణ్యత నియంత్రణ మరియు నాణ్యత హామీ ప్రక్రియ సూచన ప్రమాణాలను విశ్లేషించడం ద్వారా నిర్ధారించబడుతుంది. లోపాలు తగ్గించబడ్డాయని నిర్ధారించుకోవడానికి, డబుల్ విశ్లేషణ నిర్వహించబడింది.
అనుభావిక బయేసియన్ క్రిగింగ్ (EBK) అనేది నేల శాస్త్రం వంటి విభిన్న రంగాలలో మోడలింగ్‌లో ఉపయోగించే అనేక జియోస్టాటిస్టికల్ ఇంటర్‌పోలేషన్ పద్ధతుల్లో ఒకటి. ఇతర క్రిగింగ్ ఇంటర్‌పోలేషన్ పద్ధతుల మాదిరిగా కాకుండా, సెమివేరియోగ్రామ్ మోడల్ ద్వారా అంచనా వేయబడిన లోపాన్ని పరిగణనలోకి తీసుకోవడం ద్వారా EBK సాంప్రదాయ క్రిగింగ్ పద్ధతుల నుండి భిన్నంగా ఉంటుంది. EBK ఇంటర్‌పోలేషన్‌లో, ఒకే సెమివేరియోగ్రామ్ కాకుండా ఇంటర్‌పోలేషన్ సమయంలో అనేక సెమివేరియోగ్రామ్ నమూనాలు లెక్కించబడతాయి. తగినంత క్రిగింగ్ పద్ధతిలో అత్యంత సంక్లిష్టమైన భాగంగా ఉండే సెమివేరియోగ్రామ్ యొక్క ఈ ప్లాటింగ్‌తో అనుబంధించబడిన అనిశ్చితి మరియు ప్రోగ్రామింగ్‌కు ఇంటర్‌పోలేషన్ పద్ధతులు దారితీస్తాయి. EBK యొక్క ఇంటర్‌పోలేషన్ ప్రక్రియ క్రివోరుచ్కో50 ప్రతిపాదించిన మూడు ప్రమాణాలను అనుసరిస్తుంది, (ఎ) మోడల్ ఇన్‌పుట్ డేటాసెట్ నుండి సెమివేరియోగ్రామ్‌ను అంచనా వేస్తుంది (బి) ఉత్పత్తి చేయబడిన సెమివేరియోగ్రామ్ ఆధారంగా ప్రతి ఇన్‌పుట్ డేటాసెట్ స్థానానికి కొత్త అంచనా విలువ మరియు (సి) తుది A మోడల్ అనుకరణ డేటాసెట్ నుండి లెక్కించబడుతుంది. బయేసియన్ సమీకరణ నియమం పృష్ఠంగా ఇవ్వబడింది
\(Prob\left(A\right)\) అనేది మునుపటి దానిని సూచిస్తున్న చోట, \(Prob\left(B\right)\) మార్జినల్ సంభావ్యత చాలా సందర్భాలలో విస్మరించబడుతుంది, \(Prob (B,A)\ ) .సెమివేరియోగ్రామ్ గణన బేయస్ నియమంపై ఆధారపడి ఉంటుంది, ఇది సెమివేరియోగ్రామ్‌ల నుండి సృష్టించగల పరిశీలన డేటాసెట్‌ల ప్రవృత్తిని చూపుతుంది. సెమివేరియోగ్రామ్ యొక్క విలువ బేయస్ నియమాన్ని ఉపయోగించి నిర్ణయించబడుతుంది, ఇది సెమివేరియోగ్రామ్ నుండి పరిశీలనల డేటాసెట్‌ను సృష్టించే అవకాశం ఎంత ఉందో తెలియజేస్తుంది.
సపోర్ట్ వెక్టర్ మెషిన్ అనేది ఒక యంత్ర అభ్యాస అల్గోరిథం, ఇది ఒకేలాంటి కానీ సరళంగా స్వతంత్రంగా లేని తరగతులను వేరు చేయడానికి సరైన వేరుచేసే హైపర్‌ప్లేన్‌ను ఉత్పత్తి చేస్తుంది. Vapnik51 ఉద్దేశ్య వర్గీకరణ అల్గోరిథంను సృష్టించింది, కానీ ఇది ఇటీవల రిగ్రెషన్-ఆధారిత సమస్యలను పరిష్కరించడానికి ఉపయోగించబడింది. Li et al.52 ప్రకారం, SVM ఉత్తమ వర్గీకరణ పద్ధతుల్లో ఒకటి మరియు వివిధ రంగాలలో ఉపయోగించబడింది. SVM యొక్క రిగ్రెషన్ భాగం (సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ - SVMR) ఈ విశ్లేషణలో ఉపయోగించబడింది. చెర్కాస్కీ మరియు ములియర్53 SVMRను కెర్నల్-ఆధారిత రిగ్రెషన్‌గా మార్గదర్శకత్వం వహించారు, దీని గణన బహుళ-దేశ ప్రాదేశిక ఫంక్షన్‌లతో లీనియర్ రిగ్రెషన్ మోడల్‌ను ఉపయోగించి నిర్వహించబడింది. జాన్ మరియు ఇతరులు54 SVMR మోడలింగ్ హైపర్‌ప్లేన్ లీనియర్ రిగ్రెషన్‌ను ఉపయోగిస్తుందని నివేదిస్తున్నారు, ఇది నాన్ లీనియర్ సంబంధాలను సృష్టిస్తుంది మరియు ప్రాదేశిక ఫంక్షన్‌లను అనుమతిస్తుంది.వోహ్లాండ్ మరియు ఇతరుల ప్రకారం. 55, ఎప్సిలాన్ (ε)-SVMR శిక్షణ పొందిన డేటాసెట్‌ను ఉపయోగించి ఎప్సిలాన్-ఇన్‌సెన్సిటివ్ ఫంక్షన్‌గా ప్రాతినిధ్య నమూనాను పొందుతుంది, ఇది సహసంబంధ డేటాపై శిక్షణ నుండి ఉత్తమ ఎప్సిలాన్ బయాస్‌తో డేటాను స్వతంత్రంగా మ్యాప్ చేయడానికి వర్తించబడుతుంది. ముందుగా అమర్చిన దూర లోపం వాస్తవ విలువ నుండి విస్మరించబడుతుంది మరియు లోపం ε(ε) కంటే పెద్దదిగా ఉంటే, నేల లక్షణాలు దానిని భర్తీ చేస్తాయి. మోడల్ శిక్షణ డేటా యొక్క సంక్లిష్టతను మద్దతు వెక్టర్‌ల విస్తృత ఉపసమితికి కూడా తగ్గిస్తుంది. Vapnik51 ప్రతిపాదించిన సమీకరణం క్రింద చూపబడింది.
ఇక్కడ b స్కేలార్ థ్రెషోల్డ్‌ను సూచిస్తుంది, \(K\left({x}_{,}{ x}_{k}\right)\) కెర్నల్ ఫంక్షన్‌ను సూచిస్తుంది, \(\alpha\) లాగ్రాంజ్ గుణకాన్ని సూచిస్తుంది, N సంఖ్యా డేటాసెట్‌ను సూచిస్తుంది, \({x}_{k}\) డేటా ఇన్‌పుట్‌ను సూచిస్తుంది మరియు \(y\) డేటా అవుట్‌పుట్. ఉపయోగించిన కీలక కెర్నల్‌లలో ఒకటి SVMR ఆపరేషన్, ఇది గాస్సియన్ రేడియల్ బేసిస్ ఫంక్షన్ (RBF). PTE శిక్షణ డేటా కోసం అత్యంత సూక్ష్మమైన పెనాల్టీ సెట్ ఫ్యాక్టర్ C మరియు కెర్నల్ పారామితి గామా (γ) పొందేందుకు కీలకమైన SVMR మోడల్‌ను నిర్ణయించడానికి RBF కెర్నల్ వర్తించబడుతుంది. ముందుగా, మేము శిక్షణ సెట్‌ను మూల్యాంకనం చేసాము మరియు తరువాత ధ్రువీకరణ సెట్‌లో మోడల్ పనితీరును పరీక్షించాము. ఉపయోగించిన స్టీరింగ్ పరామితి సిగ్మా మరియు పద్ధతి విలువ svmRadial.
బహుళ లీనియర్ రిగ్రెషన్ మోడల్ (MLR) అనేది ఒక రిగ్రెషన్ మోడల్, ఇది లీనియర్ పూల్డ్ పారామితులను ఉపయోగించి లెక్కించబడిన లీనియర్ స్క్వేర్స్ పద్ధతిని ఉపయోగించి ప్రతిస్పందన వేరియబుల్ మరియు అనేక ప్రిడిక్టర్ వేరియబుల్స్ మధ్య సంబంధాన్ని సూచిస్తుంది. MLRలో, లీనియర్ స్క్వేర్స్ మోడల్ అనేది వివరణాత్మక వేరియబుల్స్ ఎంపిక తర్వాత నేల లక్షణాల యొక్క ప్రిడిక్టివ్ ఫంక్షన్. వివరణాత్మక వేరియబుల్స్ ఉపయోగించి లీనియర్ సంబంధాన్ని స్థాపించడానికి ప్రతిస్పందనను ఉపయోగించడం అవసరం. వివరణాత్మక వేరియబుల్స్‌తో లీనియర్ సంబంధాన్ని స్థాపించడానికి PTEని ప్రతిస్పందన వేరియబుల్‌గా ఉపయోగించారు. MLR సమీకరణం
ఇక్కడ y అనేది ప్రతిస్పందన వేరియబుల్, \(a\) అనేది ఇంటర్‌సెప్ట్, n అనేది ప్రిడిక్టర్‌ల సంఖ్య, \({b}_{1}\) అనేది గుణకాల యొక్క పాక్షిక రిగ్రెషన్, \({x}_{ i}\) అనేది ప్రిడిక్టర్ లేదా వివరణాత్మక వేరియబుల్‌ను సూచిస్తుంది మరియు \({\varepsilon }_{i}\) అనేది మోడల్‌లోని లోపాన్ని సూచిస్తుంది, దీనిని అవశేషం అని కూడా పిలుస్తారు.
EBK ని SVMR మరియు MLR తో శాండ్‌విచ్ చేయడం ద్వారా మిశ్రమ నమూనాలను పొందారు. EBK ఇంటర్‌పోలేషన్ నుండి అంచనా వేసిన విలువలను సంగ్రహించడం ద్వారా ఇది జరుగుతుంది. ఇంటర్‌పోలేటెడ్ Ca, K, మరియు Mg నుండి పొందిన అంచనా వేసిన విలువలను CaK, CaMg మరియు KMg వంటి కొత్త వేరియబుల్‌లను పొందడానికి కాంబినేటోరియల్ ప్రక్రియ ద్వారా పొందుతారు. Ca, K మరియు Mg మూలకాలను కలిపి నాల్గవ వేరియబుల్, CaKMg ను పొందుతారు. మొత్తంమీద, పొందిన వేరియబుల్స్ Ca, K, Mg, CaK, CaMg, KMg మరియు CaKMg. ఈ వేరియబుల్స్ మా ప్రిడిక్టర్‌లుగా మారాయి, పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ సాంద్రతలను అంచనా వేయడంలో సహాయపడతాయి. మిశ్రమ మోడల్ ఎంపిరికల్ బేసియన్ క్రిగింగ్-సపోర్ట్ వెక్టర్ మెషిన్ (EBK_SVM) పొందడానికి ప్రిడిక్టర్‌లపై SVMR అల్గోరిథం ప్రదర్శించబడింది. అదేవిధంగా, మిశ్రమ మోడల్ ఎంపిరికల్ బేసియన్ క్రిగింగ్-మల్టిపుల్ లీనియర్ రిగ్రెషన్ (EBK_MLR) పొందడానికి వేరియబుల్స్‌ను MLR అల్గోరిథం ద్వారా కూడా పైప్ చేస్తారు. సాధారణంగా, వేరియబుల్స్ Ca, K, Mg, CaK, CaMg, KMg, మరియు CaKMg లను పట్టణ మరియు పరిసర పట్టణ నేలల్లో Ni కంటెంట్‌ను అంచనా వేసేవిగా కోవేరియేట్‌లుగా ఉపయోగిస్తారు. పొందిన అత్యంత ఆమోదయోగ్యమైన నమూనా (EBK_SVM లేదా EBK_MLR) తరువాత స్వీయ-ఆర్గనైజింగ్ గ్రాఫ్‌ని ఉపయోగించి దృశ్యమానం చేయబడుతుంది. ఈ అధ్యయనం యొక్క వర్క్‌ఫ్లో చిత్రం 2లో చూపబడింది.
ఆర్థిక రంగం, ఆరోగ్య సంరక్షణ, పరిశ్రమ, గణాంకాలు, నేల శాస్త్రం మరియు మరిన్నింటిలో డేటాను నిర్వహించడానికి, మూల్యాంకనం చేయడానికి మరియు అంచనా వేయడానికి SeOMని ఉపయోగించడం ఒక ప్రసిద్ధ సాధనంగా మారింది. సంస్థ, మూల్యాంకనం మరియు అంచనా కోసం కృత్రిమ నాడీ నెట్‌వర్క్‌లు మరియు పర్యవేక్షించబడని అభ్యాస పద్ధతులను ఉపయోగించి SeOM సృష్టించబడింది. ఈ అధ్యయనంలో, పట్టణ మరియు పెరి-అర్బన్ నేలల్లో Niని అంచనా వేయడానికి ఉత్తమ నమూనా ఆధారంగా Ni సాంద్రతలను దృశ్యమానం చేయడానికి SeOM ఉపయోగించబడింది. SeOM మూల్యాంకనంలో ప్రాసెస్ చేయబడిన డేటా n ఇన్‌పుట్-డైమెన్షనల్ వెక్టర్ వేరియబుల్స్‌గా ఉపయోగించబడుతుంది43,56.మెల్సెన్ మరియు ఇతరులు. 57 ఒక ఇన్‌పుట్ వెక్టర్‌ను ఒకే ఇన్‌పుట్ పొర ద్వారా ఒకే బరువు వెక్టర్‌తో అవుట్‌పుట్ వెక్టర్‌కు అనుసంధానించడాన్ని వివరిస్తుంది.SeOM ద్వారా ఉత్పత్తి చేయబడిన అవుట్‌పుట్ అనేది షట్కోణ, వృత్తాకార లేదా చదరపు టోపోలాజికల్ మ్యాప్‌లలో వాటి సామీప్యత ప్రకారం అల్లిన వివిధ న్యూరాన్‌లు లేదా నోడ్‌లతో కూడిన ద్విమితీయ మ్యాప్. మెట్రిక్, క్వాంటైజేషన్ ఎర్రర్ (QE) మరియు టోపోగ్రాఫిక్ ఎర్రర్ (TE) ఆధారంగా మ్యాప్ పరిమాణాలను పోల్చి చూస్తే, వరుసగా 0.086 మరియు 0.904 తో SeOM మోడల్ ఎంపిక చేయబడింది, ఇది 55-మ్యాప్ యూనిట్ (5 × 11). అనుభావిక సమీకరణంలోని నోడ్‌ల సంఖ్య ప్రకారం న్యూరాన్ నిర్మాణం నిర్ణయించబడుతుంది.
ఈ అధ్యయనంలో ఉపయోగించిన డేటా సంఖ్య 115 నమూనాలు. డేటాను పరీక్ష డేటా (ధృవీకరణ కోసం 25%) మరియు శిక్షణ డేటా సెట్‌లుగా (క్యాలిబ్రేషన్ కోసం 75%) విభజించడానికి యాదృచ్ఛిక విధానాన్ని ఉపయోగించారు. శిక్షణ డేటాసెట్ రిగ్రెషన్ మోడల్ (క్యాలిబ్రేషన్) ను రూపొందించడానికి ఉపయోగించబడుతుంది మరియు పరీక్ష డేటాసెట్ సాధారణీకరణ సామర్థ్యాన్ని ధృవీకరించడానికి ఉపయోగించబడుతుంది. నేలల్లో నికెల్ కంటెంట్‌ను అంచనా వేయడానికి వివిధ నమూనాల అనుకూలతను అంచనా వేయడానికి ఇది జరిగింది. ఉపయోగించిన అన్ని నమూనాలు పది రెట్లు క్రాస్-వాలిడేషన్ ప్రక్రియ ద్వారా వెళ్ళాయి, ఐదుసార్లు పునరావృతమయ్యాయి. EBK ఇంటర్‌పోలేషన్ ద్వారా ఉత్పత్తి చేయబడిన వేరియబుల్స్ లక్ష్య వేరియబుల్ (PTE) ను అంచనా వేయడానికి ప్రిడిక్టర్‌లు లేదా వివరణాత్మక వేరియబుల్స్‌గా ఉపయోగించబడతాయి. మోడలింగ్ RStudioలో ప్యాకేజీలు లైబ్రరీ (కోహోనెన్), లైబ్రరీ (కేరెట్), లైబ్రరీ (మోడలర్), లైబ్రరీ (“e1071″), లైబ్రరీ (“ప్లైర్”), లైబ్రరీ (“కాటూల్స్”), లైబ్రరీ (“ప్రాస్పెక్టర్”) మరియు లైబ్రరీలు (“మెట్రిక్స్”) ఉపయోగించి నిర్వహించబడుతుంది.
మట్టిలో నికెల్ సాంద్రతలను అంచనా వేయడానికి మరియు మోడల్ యొక్క ఖచ్చితత్వాన్ని మరియు దాని ధ్రువీకరణను అంచనా వేయడానికి అనువైన ఉత్తమ నమూనాను నిర్ణయించడానికి వివిధ ధ్రువీకరణ పారామితులను ఉపయోగించారు. హైబ్రిడైజేషన్ నమూనాలను సగటు సంపూర్ణ లోపం (MAE), మూల సగటు చదరపు లోపం (RMSE) మరియు R-స్క్వేర్డ్ లేదా గుణకం నిర్ధారణ (R2) ఉపయోగించి మూల్యాంకనం చేశారు. రిగ్రెషన్ మోడల్ ద్వారా సూచించబడిన సమాధానంలోని నిష్పత్తుల వైవిధ్యాన్ని R2 నిర్వచిస్తుంది. స్వతంత్ర కొలతలలో RMSE మరియు వ్యత్యాస పరిమాణం మోడల్ యొక్క అంచనా శక్తిని వివరిస్తాయి, అయితే MAE వాస్తవ పరిమాణాత్మక విలువను నిర్ణయిస్తుంది. ధ్రువీకరణ పారామితులను ఉపయోగించి ఉత్తమ మిశ్రమ నమూనాను అంచనా వేయడానికి R2 విలువ ఎక్కువగా ఉండాలి, విలువ 1కి దగ్గరగా ఉంటే, ఖచ్చితత్వం ఎక్కువగా ఉంటుంది. Li et al. 59 ప్రకారం, 0.75 లేదా అంతకంటే ఎక్కువ R2 ప్రమాణ విలువ మంచి అంచనాగా పరిగణించబడుతుంది; 0.5 నుండి 0.75 వరకు ఆమోదయోగ్యమైన మోడల్ పనితీరు, మరియు 0.5 కంటే తక్కువ ఆమోదయోగ్యం కాని మోడల్ పనితీరు.RMSE మరియు MAE ధ్రువీకరణ ప్రమాణాల మూల్యాంకన పద్ధతులను ఉపయోగించి మోడల్‌ను ఎంచుకున్నప్పుడు, పొందిన తక్కువ విలువలు సరిపోతాయి మరియు ఉత్తమ ఎంపికగా పరిగణించబడ్డాయి.కింది సమీకరణం ధృవీకరణ పద్ధతిని వివరిస్తుంది.
ఇక్కడ n అనేది పరిశీలించిన విలువ యొక్క పరిమాణాన్ని సూచిస్తుంది\({Y}_{i}\) కొలిచిన ప్రతిస్పందనను సూచిస్తుంది మరియు \({\widehat{Y}}_{i}\) అనేది అంచనా వేసిన ప్రతిస్పందన విలువను కూడా సూచిస్తుంది, కాబట్టి, మొదటి i పరిశీలనలకు.
ప్రిడిక్టర్ మరియు ప్రతిస్పందన వేరియబుల్స్ యొక్క గణాంక వివరణలు టేబుల్ 1లో ప్రదర్శించబడ్డాయి, సగటు, ప్రామాణిక విచలనం (SD), వైవిధ్య గుణకం (CV), కనిష్ట, గరిష్ట, కుర్టోసిస్ మరియు వక్రతను చూపుతాయి. మూలకాల యొక్క కనిష్ట మరియు గరిష్ట విలువలు వరుసగా Mg < Ca < K < Ni మరియు Ca < Mg < K < Ni యొక్క తగ్గుతున్న క్రమంలో ఉన్నాయి. అధ్యయన ప్రాంతం నుండి నమూనా చేయబడిన ప్రతిస్పందన వేరియబుల్ (Ni) యొక్క సాంద్రతలు 4.86 నుండి 42.39 mg/kg వరకు ఉన్నాయి. Ni ని ప్రపంచ సగటు (29 mg/kg) మరియు యూరోపియన్ సగటు (37 mg/kg) తో పోల్చినప్పుడు అధ్యయన ప్రాంతం కోసం మొత్తం లెక్కించిన రేఖాగణిత సగటు భరించదగిన పరిధిలో ఉందని చూపించింది. అయినప్పటికీ, కబాటా-పెండియాస్11 చూపినట్లుగా, ప్రస్తుత అధ్యయనంలో సగటు నికెల్ (Ni) సాంద్రతను స్వీడన్‌లోని వ్యవసాయ నేలలతో పోల్చినప్పుడు ప్రస్తుత సగటు నికెల్ సాంద్రత ఎక్కువగా ఉందని చూపిస్తుంది. అదేవిధంగా, ప్రస్తుత అధ్యయనంలో పట్టణ మరియు పరిసర-పట్టణ నేలల్లో ఫ్రైడెక్ మిస్టెక్ యొక్క సగటు సాంద్రత (Ni 16.15 mg/kg) రోజాన్స్కి మరియు ఇతరులు నివేదించిన పోలిష్ పట్టణ నేలల్లో Ni కోసం అనుమతించదగిన పరిమితి 60 (10.2 mg/kg) కంటే ఎక్కువగా ఉంది. ఇంకా, బ్రెట్జెల్ మరియు కాల్డెరిసి61 ప్రస్తుత అధ్యయనంతో పోలిస్తే టస్కానీలోని పట్టణ నేలల్లో చాలా తక్కువ సగటు Ni సాంద్రతలను (1.78 mg/kg) నమోదు చేశాయి. హాంకాంగ్ పట్టణ నేలల్లో Jim62 తక్కువ నికెల్ సాంద్రత (12.34 mg/kg)ని కూడా కనుగొంది, ఇది ఈ అధ్యయనంలో ప్రస్తుత నికెల్ సాంద్రత కంటే తక్కువగా ఉంది. జర్మనీలోని సాక్సోనీ-అన్హాల్ట్‌లోని పాత మైనింగ్ మరియు పట్టణ పారిశ్రామిక ప్రాంతంలో బిర్కే మరియు ఇతరులు 17.6 mg/kg సగటు Ni సాంద్రతను నివేదించారు, ఇది ఆ ప్రాంతంలో సగటు Ni సాంద్రత (16.15 mg/kg) కంటే 1.45 mg/kg ఎక్కువగా ఉంది. ప్రస్తుత పరిశోధన. అధ్యయన ప్రాంతంలోని కొన్ని పట్టణ మరియు శివారు ప్రాంతాలలోని నేలల్లో అధిక నికెల్ కంటెంట్ ప్రధానంగా ఇనుము మరియు ఉక్కు పరిశ్రమ మరియు లోహ పరిశ్రమకు కారణమని చెప్పవచ్చు. ఇది ఖోడాడౌస్ట్ మరియు ఇతరుల అధ్యయనానికి అనుగుణంగా ఉంటుంది. 64 ఉక్కు పరిశ్రమ మరియు లోహపు పని నేలల్లో నికెల్ కాలుష్యానికి ప్రధాన వనరులు. అయితే, అంచనాలు కూడా Ca కి 538.70 mg/kg నుండి 69,161.80 mg/kg వరకు, K కి 497.51 mg/kg నుండి 3535.68 mg/kg వరకు మరియు Mg కి 685.68 mg/kg నుండి 5970.05 mg/kg వరకు ఉన్నాయి. జాకోవ్ల్జెవిక్ మరియు ఇతరులు. 65 మధ్య సెర్బియాలోని నేలల్లోని మొత్తం Mg మరియు K కంటెంట్‌ను పరిశోధించారు. మొత్తం సాంద్రతలు (వరుసగా 410 mg/kg మరియు 400 mg/kg) ప్రస్తుత అధ్యయనం యొక్క Mg మరియు K సాంద్రతల కంటే తక్కువగా ఉన్నాయని వారు కనుగొన్నారు. తూర్పు పోలాండ్‌లో, ఓర్జెచోవ్స్కీ మరియు స్మోల్జిన్స్కి66 Ca, Mg మరియు K యొక్క మొత్తం కంటెంట్‌ను అంచనా వేసి Ca (1100 mg/kg), Mg (590 mg/kg) మరియు K (810 mg/kg) సగటు సాంద్రతలను చూపించారు. ఈ అధ్యయనంలోని ఒకే మూలకం కంటే పై మట్టిలోని కంటెంట్ తక్కువగా ఉంది. పోంగ్రాక్ మరియు ఇతరులు చేసిన ఇటీవలి అధ్యయనం 67 స్కాట్లాండ్, UK (మైల్నేఫీల్డ్ నేల, బాల్రుడ్డెరీ నేల మరియు హార్ట్‌వుడ్ నేల)లోని 3 వేర్వేరు నేలల్లో విశ్లేషించబడిన మొత్తం Ca కంటెంట్ ఈ అధ్యయనంలో అధిక Ca కంటెంట్‌ను సూచించిందని చూపించింది.
నమూనా చేయబడిన మూలకాల యొక్క వేర్వేరు కొలిచిన సాంద్రతల కారణంగా, మూలకాల యొక్క డేటా సెట్ పంపిణీలు వేర్వేరు వక్రతను ప్రదర్శిస్తాయి. మూలకాల యొక్క వక్రత మరియు కుర్టోసిస్ వరుసగా 1.53 నుండి 7.24 మరియు 2.49 నుండి 54.16 వరకు ఉన్నాయి. లెక్కించిన అన్ని మూలకాలు +1 కంటే వక్రత మరియు కుర్టోసిస్ స్థాయిలను కలిగి ఉంటాయి, తద్వారా డేటా పంపిణీ సక్రమంగా లేదని, సరైన దిశలో వక్రంగా ఉందని మరియు గరిష్ట స్థాయికి చేరుకుందని సూచిస్తుంది. మూలకాల యొక్క అంచనా వేసిన CVలు K, Mg మరియు Ni మధ్యస్థ వైవిధ్యాన్ని ప్రదర్శిస్తాయని, Ca చాలా ఎక్కువ వైవిధ్యాన్ని కలిగి ఉన్నాయని కూడా చూపిస్తున్నాయి. K, Ni మరియు Mg యొక్క CVలు వాటి ఏకరీతి పంపిణీని వివరిస్తాయి. ఇంకా, Ca పంపిణీ ఏకరీతిగా లేదు మరియు బాహ్య వనరులు దాని సుసంపన్నత స్థాయిని ప్రభావితం చేయవచ్చు.
ప్రతిస్పందన మూలకాలతో ప్రిడిక్టర్ వేరియబుల్స్ యొక్క సహసంబంధం మూలకాల మధ్య సంతృప్తికరమైన సహసంబంధాన్ని సూచిస్తుంది (చిత్రం 3 చూడండి). సహసంబంధం CaK r విలువ = 0.53 తో మితమైన సహసంబంధాన్ని ప్రదర్శించిందని సూచించింది, CaNi కూడా అలాగే చేసింది. Ca మరియు K ఒకదానితో ఒకటి నిరాడంబరమైన అనుబంధాలను చూపించినప్పటికీ, కింగ్‌స్టన్ మరియు ఇతరుల వంటి పరిశోధకులు. 68 మరియు Santo69 నేలలో వాటి స్థాయిలు విలోమానుపాతంలో ఉన్నాయని సూచిస్తున్నాయి. అయితే, Ca మరియు Mg K కి విరుద్ధంగా ఉంటాయి, కానీ CaK బాగా సంబంధం కలిగి ఉంటాయి. పొటాషియంలో 56% ఎక్కువగా ఉండే పొటాషియం కార్బోనేట్ వంటి ఎరువుల వాడకం దీనికి కారణం కావచ్చు. పొటాషియం మధ్యస్తంగా మెగ్నీషియంతో సంబంధం కలిగి ఉంటుంది (KM r = 0.63). ఎరువుల పరిశ్రమలో, ఈ రెండు మూలకాలు దగ్గరి సంబంధం కలిగి ఉంటాయి ఎందుకంటే పొటాషియం మెగ్నీషియం సల్ఫేట్, పొటాషియం మెగ్నీషియం నైట్రేట్ మరియు పొటాష్ నేలలకు వాటి లోప స్థాయిలను పెంచడానికి ఉపయోగిస్తారు. నికెల్ వరుసగా r విలువలు = 0.52, 0.63 మరియు 0.55 తో Ca, K మరియు Mg లతో మధ్యస్తంగా సంబంధం కలిగి ఉంటుంది. కాల్షియం, మెగ్నీషియం మరియు నికెల్ వంటి PTE లతో సంబంధం ఉన్న సంబంధాలు సంక్లిష్టంగా ఉంటాయి, అయినప్పటికీ, మెగ్నీషియం కాల్షియం శోషణను నిరోధిస్తుంది, కాల్షియం అదనపు మెగ్నీషియం ప్రభావాలను తగ్గిస్తుంది మరియు మెగ్నీషియం మరియు కాల్షియం రెండూ నేలలో నికెల్ యొక్క విష ప్రభావాలను తగ్గిస్తాయి.
ప్రిడిక్టర్లు మరియు ప్రతిస్పందనల మధ్య సంబంధాన్ని చూపించే మూలకాల కోసం సహసంబంధ మాతృక (గమనిక: ఈ చిత్రంలో మూలకాల మధ్య స్కాటర్‌ప్లాట్ ఉంటుంది, ప్రాముఖ్యత స్థాయిలు p < 0,001 పై ఆధారపడి ఉంటాయి).
Figure 4 మూలకాల యొక్క ప్రాదేశిక పంపిణీని వివరిస్తుంది.Burgos et al70 ప్రకారం, ప్రాదేశిక పంపిణీ యొక్క అనువర్తనం కలుషిత ప్రాంతాలలో హాట్ స్పాట్‌లను లెక్కించడానికి మరియు హైలైట్ చేయడానికి ఉపయోగించే ఒక సాంకేతికత. Figure 4 లోని Ca యొక్క సుసంపన్న స్థాయిలను ప్రాదేశిక పంపిణీ పటం యొక్క వాయువ్య భాగంలో చూడవచ్చు. ఈ చిత్రం మధ్యస్థం నుండి అధిక Ca సుసంపన్న హాట్‌స్పాట్‌లను చూపిస్తుంది. మ్యాప్ యొక్క వాయువ్యంలో కాల్షియం సుసంపన్నం నేల ఆమ్లతను తగ్గించడానికి క్విక్‌లైమ్ (కాల్షియం ఆక్సైడ్) ఉపయోగించడం మరియు ఉక్కు తయారీ ప్రక్రియలో ఆల్కలీన్ ఆక్సిజన్‌గా స్టీల్ మిల్లులలో ఉపయోగించడం వల్ల కావచ్చు. మరోవైపు, ఇతర రైతులు pHని తటస్తం చేయడానికి ఆమ్ల నేలల్లో కాల్షియం హైడ్రాక్సైడ్‌ను ఉపయోగించడానికి ఇష్టపడతారు, ఇది నేలలోని కాల్షియం కంటెంట్‌ను కూడా పెంచుతుంది71. పొటాషియం మ్యాప్ యొక్క వాయువ్య మరియు తూర్పు ప్రాంతాలలో హాట్ స్పాట్‌లను కూడా చూపిస్తుంది. వాయువ్యం ఒక ప్రధాన వ్యవసాయ సమాజం, మరియు పొటాషియం యొక్క మితమైన నుండి అధిక నమూనా NPK మరియు పొటాష్ అనువర్తనాల వల్ల కావచ్చు. ఇది మదారస్ మరియు లిపావ్‌స్కి72, మదారస్ మరియు ఇతరులు.73, పుల్‌క్రాబోవా మరియు ఇతరులు.74 వంటి ఇతర అధ్యయనాలకు అనుగుణంగా ఉంటుంది, అసారే మరియు ఇతరులు.75, నేల స్థిరీకరణ మరియు KCl మరియు NPK తో చికిత్స చేయడం వల్ల నేలలో అధిక K కంటెంట్ ఏర్పడుతుందని గమనించారు. పంపిణీ పటం యొక్క వాయువ్యంలో ప్రాదేశిక పొటాషియం సుసంపన్నం పొటాషియం క్లోరైడ్, పొటాషియం సల్ఫేట్, పొటాషియం నైట్రేట్, పొటాష్ మరియు పొటాష్ వంటి పొటాషియం ఆధారిత ఎరువుల వాడకం వల్ల పేలవమైన నేలల పొటాషియం కంటెంట్‌ను పెంచవచ్చు.Zádorová మరియు ఇతరులు. 76 మరియు Tlustoš మరియు ఇతరులు. 77 ప్రకారం, K-ఆధారిత ఎరువుల వాడకం వల్ల నేలలో K కంటెంట్ పెరుగుతుంది మరియు దీర్ఘకాలంలో నేల పోషకాలు గణనీయంగా పెరుగుతాయి, ముఖ్యంగా K మరియు Mg నేలలో హాట్ స్పాట్‌ను చూపుతాయి. మ్యాప్ యొక్క వాయువ్య మరియు మ్యాప్ యొక్క ఆగ్నేయంలో సాపేక్షంగా మితమైన హాట్‌స్పాట్‌లు. నేలలో కొల్లాయిడల్ స్థిరీకరణ నేలలో మెగ్నీషియం సాంద్రతను తగ్గిస్తుంది. నేలలో దాని లోపం వల్ల మొక్కలు పసుపు రంగు ఇంటర్వీన్ క్లోరోసిస్‌ను ప్రదర్శిస్తాయి. పొటాషియం మెగ్నీషియం సల్ఫేట్, మెగ్నీషియం సల్ఫేట్ మరియు కీసెరైట్ వంటి మెగ్నీషియం ఆధారిత ఎరువులు, సాధారణ pH పరిధి ఉన్న నేలల్లో లోపాలను (మొక్కలు ఊదా, ఎరుపు లేదా గోధుమ రంగులో కనిపిస్తాయి, మెగ్నీషియం లోపాన్ని సూచిస్తాయి) పరిష్కరిస్తాయి6. పట్టణ మరియు పెరి-అర్బన్ నేల ఉపరితలాలపై నికెల్ పేరుకుపోవడం వ్యవసాయం వంటి మానవజన్య కార్యకలాపాల వల్ల మరియు స్టెయిన్‌లెస్ స్టీల్ ఉత్పత్తిలో నికెల్ యొక్క ప్రాముఖ్యత వల్ల కావచ్చు78.
మూలకాల యొక్క ప్రాదేశిక పంపిణీ [ప్రాదేశిక పంపిణీ మ్యాప్ ArcGIS డెస్క్‌టాప్ (ESRI, Inc, వెర్షన్ 10.7, URL: https://desktop.arcgis.com) ఉపయోగించి సృష్టించబడింది.]
ఈ అధ్యయనంలో ఉపయోగించిన మూలకాలకు సంబంధించిన మోడల్ పనితీరు సూచిక ఫలితాలు పట్టిక 2లో చూపబడ్డాయి. మరోవైపు, Ni యొక్క RMSE మరియు MAE రెండూ సున్నాకి దగ్గరగా ఉన్నాయి (0.86 RMSE, -0.08 MAE). మరోవైపు, K యొక్క RMSE మరియు MAE విలువలు రెండూ ఆమోదయోగ్యమైనవి. కాల్షియం మరియు మెగ్నీషియం కోసం RMSE మరియు MAE ఫలితాలు ఎక్కువగా ఉన్నాయి. వేర్వేరు డేటాసెట్‌ల కారణంగా Ca మరియు K MAE మరియు RMSE ఫలితాలు పెద్దవిగా ఉన్నాయి. Niని అంచనా వేయడానికి EBKని ఉపయోగించే ఈ అధ్యయనం యొక్క RMSE మరియు MAE, అదే సేకరించిన డేటాను ఉపయోగించి నేలలో S సాంద్రతలను అంచనా వేయడానికి సినర్జిస్టిక్ క్రిగింగ్‌ని ఉపయోగించే జాన్ మరియు ఇతరులు 54 ఫలితాల కంటే మెరుగ్గా ఉన్నట్లు కనుగొనబడింది. మేము అధ్యయనం చేసిన EBK అవుట్‌పుట్‌లు Fabijaczyk et al. 41, Yan et al. 79, Beguin et al. 80, Adhikary et al. 81 మరియు John et al. 82, ముఖ్యంగా K మరియు Niలతో పరస్పర సంబంధం కలిగి ఉన్నాయి.
పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ కంటెంట్‌ను అంచనా వేయడానికి వ్యక్తిగత పద్ధతుల పనితీరును నమూనాల పనితీరును ఉపయోగించి అంచనా వేయబడింది (టేబుల్ 3). మోడల్ ధ్రువీకరణ మరియు ఖచ్చితత్వ మూల్యాంకనం EBK SVMR మోడల్‌తో కలిపి Ca_Mg_K ప్రిడిక్టర్ ఉత్తమ పనితీరును అందించిందని నిర్ధారించింది. క్రమాంకన నమూనా Ca_Mg_K-EBK_SVMR మోడల్ R2, రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE) మరియు మీన్ అబ్సొల్యూట్ ఎర్రర్ (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) మరియు 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) మరియు 166.946 mg/kg (MAE) లకు మంచి R2 విలువలు పొందబడ్డాయి. అయినప్పటికీ, Ca_Mg_K-SVMR (0.663 mg/kg R2) మరియు Ca_Mg-EBK_SVMR లకు మంచి R2 విలువలు పొందబడ్డాయి. (0.643 = ఆర్2); వారి RMSE మరియు MAE ఫలితాలు Ca_Mg_K-EBK_SVMR (R2 0.637) కంటే ఎక్కువగా ఉన్నాయి (పట్టిక 3 చూడండి). అదనంగా, Ca_Mg-EBK_SVMR (RMSE = 1664.64 మరియు MAE = 1031.49) మోడల్ యొక్క RMSE మరియు MAE వరుసగా 17.5 మరియు 13.4, ఇవి Ca_Mg_K-EBK_SVMR కంటే పెద్దవి. అదేవిధంగా, Ca_Mg-K SVMR (RMSE = 235.974 మరియు MAE = 166.946) మోడల్ యొక్క RMSE మరియు MAE వరుసగా Ca_Mg_K-EBK_SVMR RMSE మరియు MAE కంటే 2.5 మరియు 2.2 పెద్దవి. లెక్కించిన RMSE ఫలితాలు ఉత్తమ ఫిట్ లైన్‌తో డేటా సెట్ ఎంత కేంద్రీకృతమై ఉందో సూచిస్తాయి. అధిక RSME మరియు MAE గమనించబడ్డాయి. కెబోన్యే మరియు ఇతరుల ప్రకారం. 46 మరియు జాన్ మరియు ఇతరులు 54 ప్రకారం, RMSE మరియు MAE సున్నాకి దగ్గరగా ఉంటే, ఫలితాలు అంత మెరుగ్గా ఉంటాయి.SVMR మరియు EBK_SVMR అధిక క్వాంటైజ్డ్ RSME మరియు MAE విలువలను కలిగి ఉంటాయి. RSME అంచనాలు MAE విలువల కంటే స్థిరంగా ఎక్కువగా ఉన్నాయని గమనించబడింది, ఇది అవుట్‌లైయర్‌ల ఉనికిని సూచిస్తుంది. లెగేట్స్ మరియు మెక్‌కేబ్83 ప్రకారం, RMSE సగటు సంపూర్ణ లోపం (MAE)ని ఎంతవరకు మించిందో అవుట్‌లైయర్‌ల ఉనికికి సూచికగా సిఫార్సు చేయబడింది. దీని అర్థం డేటాసెట్ ఎంత వైవిధ్యభరితంగా ఉంటే, MAE మరియు RMSE విలువలు అంత ఎక్కువగా ఉంటాయి. పట్టణ మరియు శివారు నేలల్లో Ni కంటెంట్‌ను అంచనా వేయడానికి Ca_Mg_K-EBK_SVMR మిశ్రమ నమూనా యొక్క క్రాస్-వాలిడేషన్ అంచనా యొక్క ఖచ్చితత్వం 63.70%. లి మరియు ఇతరులు 59 ప్రకారం, ఈ ఖచ్చితత్వ స్థాయి ఆమోదయోగ్యమైన మోడల్ పనితీరు రేటు. ప్రస్తుత ఫలితాలను తారాసోవ్ మరియు ఇతరులు చేసిన మునుపటి అధ్యయనంతో పోల్చారు. ప్రస్తుత అధ్యయనంలో నివేదించబడిన EBK_SVMR ఖచ్చితత్వ మూల్యాంకన సూచికకు సంబంధించిన MLPRK (మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్) ను సృష్టించిన హైబ్రిడ్ మోడల్ 36, RMSE (210) మరియు MAE (167.5) ప్రస్తుత అధ్యయనంలో మా ఫలితాల కంటే ఎక్కువగా ఉంది (RMSE 95.479, MAE 77.368). అయితే, ప్రస్తుత అధ్యయనం యొక్క R2 (0.637) ను తారాసోవ్ మరియు ఇతరులతో పోల్చినప్పుడు. 36 (0.544), ఈ మిశ్రమ నమూనాలో నిర్ణయ గుణకం (R2) ఎక్కువగా ఉందని స్పష్టంగా తెలుస్తుంది. మిశ్రమ నమూనా కోసం లోపం యొక్క మార్జిన్ (RMSE మరియు MAE) (EBK SVMR) రెండు రెట్లు తక్కువగా ఉంటుంది. అదేవిధంగా, సెర్జీవ్ మరియు ఇతరులు 34 అభివృద్ధి చెందిన హైబ్రిడ్ మోడల్ (మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్) కోసం 0.28 (R2) నమోదు చేయగా, ప్రస్తుత అధ్యయనంలో Ni 0.637 (R2) నమోదు చేసింది. ఈ నమూనా (EBK SVMR) యొక్క అంచనా ఖచ్చితత్వ స్థాయి 63.7%, అయితే సెర్జీవ్ మరియు ఇతరులు 34 పొందిన అంచనా ఖచ్చితత్వం 28%. EBK_SVMR మోడల్ మరియు Ca_Mg_K ని ప్రిడిక్టర్‌గా ఉపయోగించి రూపొందించిన తుది మ్యాప్ (Fig. 5) మొత్తం అధ్యయన ప్రాంతంలో హాట్ స్పాట్‌లు మరియు మోడరేట్ నుండి నికెల్ వరకు అంచనాలను చూపుతుంది. దీని అర్థం అధ్యయన ప్రాంతంలో నికెల్ సాంద్రత ప్రధానంగా మితంగా ఉంటుంది, కొన్ని నిర్దిష్ట ప్రాంతాలలో అధిక సాంద్రతలు ఉంటాయి.
తుది అంచనా పటం హైబ్రిడ్ మోడల్ EBK_SVMR ను ఉపయోగించి మరియు Ca_Mg_K ను ప్రిడిక్టర్‌గా ఉపయోగించి ప్రాతినిధ్యం వహిస్తుంది.[స్పేషియల్ డిస్ట్రిబ్యూషన్ పటం RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడింది.]
చిత్రం 6 లో వ్యక్తిగత న్యూరాన్‌లను కలిగి ఉన్న కూర్పు విమానం వలె PTE సాంద్రతలు ప్రదర్శించబడ్డాయి. కాంపోనెంట్ ప్లేన్‌లు ఏవీ చూపిన విధంగా ఒకే రంగు నమూనాను ప్రదర్శించలేదు. అయితే, గీసిన మ్యాప్‌కు తగిన న్యూరాన్‌ల సంఖ్య 55.SeOM వివిధ రంగులను ఉపయోగించి ఉత్పత్తి చేయబడుతుంది మరియు రంగు నమూనాలు ఎంత సారూప్యంగా ఉంటే, నమూనాల లక్షణాలు అంత ఎక్కువగా పోల్చదగినవి. వాటి ఖచ్చితమైన రంగు స్కేల్ ప్రకారం, వ్యక్తిగత మూలకాలు (Ca, K, మరియు Mg) సింగిల్ హై న్యూరాన్‌లకు మరియు చాలా తక్కువ న్యూరాన్‌లకు సారూప్య రంగు నమూనాలను చూపించాయి. అందువల్ల, CaK మరియు CaMg చాలా హై-ఆర్డర్ న్యూరాన్‌లు మరియు తక్కువ-నుండి-మితమైన రంగు నమూనాలతో కొన్ని సారూప్యతలను పంచుకుంటాయి. రెండు నమూనాలు ఎరుపు, నారింజ మరియు పసుపు వంటి మధ్యస్థం నుండి అధిక రంగుల రంగులను ప్రదర్శించడం ద్వారా నేలలో Ni యొక్క సాంద్రతను అంచనా వేస్తాయి. KMg మోడల్ ఖచ్చితమైన నిష్పత్తులు మరియు తక్కువ నుండి మధ్యస్థ రంగు పాచెస్ ఆధారంగా అనేక అధిక రంగు నమూనాలను ప్రదర్శిస్తుంది. తక్కువ నుండి అధిక వరకు ఖచ్చితమైన రంగు స్కేల్‌లో, మోడల్ యొక్క భాగాల యొక్క ప్లానర్ పంపిణీ నమూనా నేలలో నికెల్ యొక్క సంభావ్య సాంద్రతను సూచించే అధిక రంగు నమూనాను చూపించింది (మూర్తి 4 చూడండి). CakMg మోడల్ కాంపోనెంట్ ప్లేన్ తక్కువ నుండి అధిక వరకు విభిన్న రంగు నమూనాను చూపిస్తుంది ఖచ్చితమైన రంగు స్కేల్‌కు. ఇంకా, మోడల్ యొక్క నికెల్ కంటెంట్ (CakMg) అంచనా చిత్రం 5లో చూపిన నికెల్ యొక్క ప్రాదేశిక పంపిణీకి సమానంగా ఉంటుంది. రెండు గ్రాఫ్‌లు పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ సాంద్రతల యొక్క అధిక, మధ్యస్థ మరియు తక్కువ నిష్పత్తులను చూపుతాయి. ప్రతి మోడల్‌లోని అంచనా వేసిన విలువ ఆధారంగా మూడు క్లస్టర్‌లుగా విభజించబడిన మ్యాప్‌లోని k-మీన్స్ గ్రూపింగ్‌లో కాంటౌర్ పద్ధతిని చిత్రం 7 వర్ణిస్తుంది. కాంటౌర్ పద్ధతి క్లస్టర్‌ల యొక్క సరైన సంఖ్యను సూచిస్తుంది. సేకరించిన 115 నేల నమూనాలలో, వర్గం 1 అత్యధిక నేల నమూనాలను పొందింది, 74. క్లస్టర్ 2 33 నమూనాలను అందుకోగా, క్లస్టర్ 3 8 నమూనాలను అందుకుంది. సరైన క్లస్టర్ వివరణను అనుమతించడానికి ఏడు-భాగాల ప్లానర్ ప్రిడిక్టర్ కలయికను సరళీకృతం చేశారు. నేల నిర్మాణాన్ని ప్రభావితం చేసే అనేక మానవజన్య మరియు సహజ ప్రక్రియల కారణంగా, పంపిణీ చేయబడిన SeOM మ్యాప్‌లో సరిగ్గా విభిన్నమైన క్లస్టర్ నమూనాలను కలిగి ఉండటం కష్టం78.
ప్రతి ఎంపిరికల్ బేసియన్ క్రిగింగ్ సపోర్ట్ వెక్టర్ మెషిన్ (EBK_SVM_SeOM) వేరియబుల్ ద్వారా కాంపోనెంట్ ప్లేన్ అవుట్‌పుట్.[SeOM మ్యాప్‌లు RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడ్డాయి.]
వివిధ క్లస్టర్ వర్గీకరణ భాగాలు [SeOM మ్యాప్‌లు RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడ్డాయి.]
ప్రస్తుత అధ్యయనం పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ సాంద్రతలకు మోడలింగ్ పద్ధతులను స్పష్టంగా వివరిస్తుంది. నేలలో నికెల్ సాంద్రతలను అంచనా వేయడానికి ఉత్తమ మార్గాన్ని పొందడానికి, ఈ అధ్యయనం వివిధ మోడలింగ్ పద్ధతులను పరీక్షించింది, మూలకాలను మోడలింగ్ పద్ధతులతో కలిపి, ఖచ్చితమైన రంగు స్కేల్‌లో తక్కువ నుండి ఎక్కువ వరకు అధిక రంగు నమూనాను ప్రదర్శించింది, ఇది నేలలో Ni సాంద్రతలను సూచిస్తుంది. అయితే, ప్రాదేశిక పంపిణీ పటం EBK_SVMR ద్వారా ప్రదర్శించబడిన భాగాల యొక్క ప్లానర్ ప్రాదేశిక పంపిణీని నిర్ధారిస్తుంది (చిత్రం 5 చూడండి). ఫలితాలు సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ మోడల్ (Ca Mg K-SVMR) మట్టిలో Ni యొక్క సాంద్రతను ఒకే మోడల్‌గా అంచనా వేస్తుందని చూపిస్తుంది, అయితే ధ్రువీకరణ మరియు ఖచ్చితత్వ మూల్యాంకన పారామితులు RMSE మరియు MAE పరంగా చాలా ఎక్కువ లోపాలను చూపుతాయి. మరోవైపు, EBK_MLR మోడల్‌తో ఉపయోగించే మోడలింగ్ సాంకేతికత కూడా నిర్ణయ గుణకం (R2) యొక్క తక్కువ విలువ కారణంగా లోపభూయిష్టంగా ఉంది. 63.7% ఖచ్చితత్వంతో తక్కువ RMSE మరియు MAE లోపాలతో EBK SVMR మరియు మిశ్రమ మూలకాలను (CaKMg) ఉపయోగించి మంచి ఫలితాలు పొందబడ్డాయి. మెషిన్ లెర్నింగ్ అల్గోరిథంతో కూడిన EBK అల్గోరిథం, నేలలో PTEల సాంద్రతను అంచనా వేయగల హైబ్రిడ్ అల్గోరిథంను ఉత్పత్తి చేయగలదు. అధ్యయన ప్రాంతంలో Ni సాంద్రతలను అంచనా వేయడానికి ప్రిడిక్టర్‌లుగా Ca Mg Kని ఉపయోగించడం వల్ల నేలల్లో Ni యొక్క అంచనా మెరుగుపడుతుందని ఫలితాలు చూపిస్తున్నాయి. దీని అర్థం నికెల్ ఆధారిత ఎరువుల నిరంతర అప్లికేషన్ మరియు ఉక్కు పరిశ్రమ ద్వారా నేల యొక్క పారిశ్రామిక కాలుష్యం నేలలో నికెల్ సాంద్రతను పెంచే ధోరణిని కలిగి ఉంది. ఈ అధ్యయనం EBK మోడల్ లోపం స్థాయిని తగ్గించగలదని మరియు పట్టణ లేదా పెరి-అర్బన్ నేలల్లో నేల ప్రాదేశిక పంపిణీ యొక్క నమూనా యొక్క ఖచ్చితత్వాన్ని మెరుగుపరుస్తుందని వెల్లడించింది. సాధారణంగా, నేలలో PTEని అంచనా వేయడానికి మరియు అంచనా వేయడానికి మేము EBK-SVMR మోడల్‌ను వర్తింపజేయాలని ప్రతిపాదిస్తున్నాము; అదనంగా, వివిధ యంత్ర అభ్యాస అల్గోరిథంలతో హైబ్రిడైజ్ చేయడానికి EBKని ఉపయోగించాలని మేము ప్రతిపాదిస్తున్నాము. మూలకాలను కోవేరియేట్‌లుగా ఉపయోగించి Ni సాంద్రతలు అంచనా వేయబడ్డాయి; అయితే, ఎక్కువ కోవేరియేట్‌లను ఉపయోగించడం వల్ల మోడల్ పనితీరు బాగా మెరుగుపడుతుంది, ఇది ప్రస్తుత పని యొక్క పరిమితిగా పరిగణించబడుతుంది. ఈ అధ్యయనం యొక్క మరొక పరిమితి ఏమిటంటే డేటాసెట్‌ల సంఖ్య 115. అందువల్ల, ఎక్కువ డేటాను అందించినట్లయితే, ప్రతిపాదిత ఆప్టిమైజ్ చేయబడిన హైబ్రిడైజేషన్ పద్ధతి యొక్క పనితీరును మెరుగుపరచవచ్చు.
PlantProbs.net. మొక్కలు మరియు నేలలో నికెల్ https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ఏప్రిల్ 2021న వినియోగించబడింది).
కాస్ప్రజాక్, కె.ఎస్. నికెల్ ఆధునిక పర్యావరణ విష శాస్త్రంలో పురోగతి. పరిసరాలు. విష శాస్త్రంలో.11, 145–183 (1987).
సెంపెల్, ఎం. & నికెల్, జి. నికెల్: దాని మూలాలు మరియు పర్యావరణ విషశాస్త్రం యొక్క సమీక్ష. పోలిష్ జె. పర్యావరణం. స్టడ్.15, 375–382 (2006).
ఫ్రీడ్‌మాన్, బి. & హచిన్సన్, TC కెనడాలోని ఒంటారియోలోని సడ్‌బరీలోని నికెల్-కాపర్ స్మెల్టర్ దగ్గర వాతావరణం మరియు నేల మరియు వృక్షసంపదలో చేరడం నుండి కాలుష్య కారకం.can.J. Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
మన్యివా, టి. మరియు ఇతరులు. బోట్స్వానాలోని సెలెబి-ఫిక్వే రాగి-నికెల్ గని దగ్గర మేత రుమినెంట్‌లతో సంబంధం ఉన్న మట్టి, మొక్కలు మరియు ప్రమాదాలలో భారీ లోహాలు. పరిసరాలు. జియోకెమిస్ట్రీ. హెల్త్ https://doi.org/10.1007/s10653-021-00918-x (2021).
కాబాటా-పెండియాస్.కాబాటా-పెండియాస్ ఎ. 2011. మట్టిలో ట్రేస్ ఎలిమెంట్స్ మరియు… – గూగుల్ స్కాలర్ 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= (యాక్సెస్డ్ 24 నవంబర్ 2020).
అల్మాస్, ఎ., సింగ్, బి., వ్యవసాయం, TS-NJ ఆఫ్ & 1995, నిర్వచించబడలేదు. నార్వేలోని సోయర్-వారంజర్‌లోని వ్యవసాయ నేలలు మరియు గడ్డిలో భారీ లోహ సాంద్రతలపై రష్యన్ నికెల్ పరిశ్రమ యొక్క ప్రభావాలు.agris.fao.org.
నీల్సన్, GD మరియు ఇతరులు. త్రాగునీటిలో నికెల్ శోషణ మరియు నిలుపుదల ఆహారం తీసుకోవడం మరియు నికెల్ సున్నితత్వానికి సంబంధించినవి. టాక్సికాలజీ. అప్లికేషన్. ఫార్మకోడైనమిక్స్.154, 67–75 (1999).
కోస్టా, ఎం. & క్లీన్, సిబి నికెల్ కార్సినోజెనిసిస్, మ్యుటేషన్, ఎపిజెనెటిక్స్ లేదా సెలెక్షన్. పరిసరాలు. హెల్త్ పెర్స్పెక్టివ్.107, 2 (1999).
అజ్మాన్, PC; అజాడో, SK; బోరువ్కా, L.; బిని, JKM; సర్కోడీ, VYO; కోబోన్యే, NM; విషపూరిత మూలకాల యొక్క ట్రెండ్ విశ్లేషణ: ఒక బిబ్లియోమెట్రిక్ సమీక్ష. ఎన్విరాన్‌మెంటల్ జియోకెమిస్ట్రీ మరియు హెల్త్. స్ప్రింగర్ సైన్స్ & బిజినెస్ మీడియా BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
మినాస్నీ, బి. & మెక్‌బ్రాట్నీ, ఎబి డిజిటల్ సాయిల్ మ్యాపింగ్: ఎ బ్రీఫ్ హిస్టరీ అండ్ సమ్ లెసన్స్. జియోడెర్మా 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ఆన్ డిజిటల్ సాయిల్ మ్యాపింగ్.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV జియోస్టాటిస్టికల్ రిజర్వాయర్ మోడలింగ్,… – Google Scholar 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 ఏప్రిల్ 2021న యాక్సెస్ చేయబడింది).