Nature.comను సందర్శించినందుకు ధన్యవాదాలు. మీరు ఉపయోగిస్తున్న బ్రౌజర్ వెర్షన్‌లో CSSకు పరిమిత మద్దతు ఉంది. ఉత్తమ అనుభవం కోసం, మీరు అప్‌డేట్ చేయబడిన బ్రౌజర్‌ను ఉపయోగించాలని (లేదా ఇంటర్నెట్ ఎక్స్‌ప్లోరర్‌లో కంపాటిబిలిటీ మోడ్‌ను ఆఫ్ చేయాలని) మేము సిఫార్సు చేస్తున్నాము. ఈలోగా, మద్దతు కొనసాగేలా చూసేందుకు, మేము ఈ సైట్‌ను స్టైల్స్ మరియు జావాస్క్రిప్ట్ లేకుండా ప్రదర్శిస్తాము.
మానవ కార్యకలాపాల వల్ల నేల కాలుష్యం ఒక పెద్ద సమస్య. చాలా పట్టణ మరియు పట్టణ సమీప ప్రాంతాలలో విషపూరిత మూలకాల (PTEs) ప్రాదేశిక పంపిణీ మారుతూ ఉంటుంది. అందువల్ల, అటువంటి నేలల్లో PTEల పరిమాణాన్ని ప్రాదేశికంగా అంచనా వేయడం కష్టం. చెక్ రిపబ్లిక్‌లోని ఫ్రైడెక్ మిస్టెక్ నుండి మొత్తం 115 నమూనాలను సేకరించారు. కాల్షియం (Ca), మెగ్నీషియం (Mg), పొటాషియం (K) మరియు నికెల్ (Ni) గాఢతలను ఇండక్టివ్లీ కపుల్డ్ ప్లాస్మా ఎమిషన్ స్పెక్ట్రోమెట్రీని ఉపయోగించి నిర్ధారించారు. ప్రతిస్పందన చరరాశి Ni మరియు అంచనా వేసేవి Ca, Mg, మరియు K. ప్రతిస్పందన చరరాశి మరియు అంచనా వేసే చరరాశి మధ్య సహసంబంధ మాత్రిక మూలకాల మధ్య సంతృప్తికరమైన సహసంబంధాన్ని చూపుతుంది. అంచనా ఫలితాలు సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ (SVMR) బాగా పనిచేసిందని చూపించాయి, అయినప్పటికీ దాని అంచనా వేయబడిన రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE) (235.974 mg/kg) మరియు మీన్ అబ్సొల్యూట్ ఎర్రర్ (MAE) (166.946 mg/kg) వర్తింపజేసిన ఇతర పద్ధతుల కంటే ఎక్కువగా ఉన్నాయి. ఎంపిరికల్ బయేసియన్ క్రిగింగ్-మల్టిపుల్ లీనియర్ రిగ్రెషన్ కోసం మిశ్రమ నమూనాలు 0.1 కంటే తక్కువ నిర్ధారణ గుణకాల ద్వారా రుజువైనట్లుగా, (EBK-MLR) పేలవంగా పనిచేసింది. తక్కువ RMSE (95.479 mg/kg) మరియు MAE (77.368 mg/kg) విలువలు మరియు అధిక నిర్ధారణ గుణకం (R2 = 0.637)తో, ఎంపరికల్ బయేసియన్ క్రిగింగ్-సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ (EBK-SVMR) మోడల్ ఉత్తమ మోడల్‌గా నిలిచింది. EBK-SVMR మోడలింగ్ టెక్నిక్ అవుట్‌పుట్ ఒక సెల్ఫ్-ఆర్గనైజింగ్ మ్యాప్ ఉపయోగించి దృశ్యమానం చేయబడింది. హైబ్రిడ్ మోడల్ CakMg-EBK-SVMR కాంపోనెంట్ యొక్క తలంలో క్లస్టర్ చేయబడిన న్యూరాన్‌లు, పట్టణ మరియు పట్టణ సమీప నేలలలో Ni సాంద్రతలను అంచనా వేసే బహుళ రంగు నమూనాలను చూపుతాయి. పట్టణ మరియు పట్టణ సమీప నేలలలో Ni సాంద్రతలను అంచనా వేయడానికి EBK మరియు SVMRలను కలపడం ఒక సమర్థవంతమైన టెక్నిక్ అని ఈ ఫలితాలు నిరూపిస్తున్నాయి.
నికెల్ (Ni) మొక్కలకు ఒక సూక్ష్మపోషకంగా పరిగణించబడుతుంది, ఎందుకంటే ఇది వాతావరణంలోని నత్రజని స్థిరీకరణ (N) మరియు యూరియా జీవక్రియకు దోహదపడుతుంది, ఈ రెండూ విత్తనాలు మొలకెత్తడానికి అవసరం. విత్తనాలు మొలకెత్తడానికి దోహదపడటంతో పాటు, Ni శిలీంధ్ర మరియు బాక్టీరియా నిరోధకంగా పనిచేసి, మొక్కల అభివృద్ధిని ప్రోత్సహిస్తుంది. నేలలో నికెల్ లోపం మొక్క దానిని గ్రహించడానికి అనుమతిస్తుంది, దీని ఫలితంగా ఆకులు క్లోరోసిస్‌కు గురవుతాయి. ఉదాహరణకు, అలసందలు మరియు చిక్కుడు జాతి మొక్కలలో నత్రజని స్థిరీకరణను గరిష్ఠ స్థాయికి పెంచడానికి నికెల్ ఆధారిత ఎరువులను వేయడం అవసరం². నేలను సారవంతం చేయడానికి మరియు నేలలో నత్రజనిని స్థిరీకరించే చిక్కుడు జాతి మొక్కల సామర్థ్యాన్ని పెంచడానికి నికెల్ ఆధారిత ఎరువులను నిరంతరం వేయడం వల్ల నేలలో నికెల్ సాంద్రత నిరంతరం పెరుగుతుంది. నికెల్ మొక్కలకు ఒక సూక్ష్మపోషకం అయినప్పటికీ, నేలలో దాని అధిక మోతాదు మంచి కంటే ఎక్కువ హాని చేస్తుంది. నేలలో నికెల్ యొక్క విషపూరిత స్వభావం నేల pH ను తగ్గిస్తుంది మరియు మొక్కల పెరుగుదలకు అవసరమైన పోషకమైన ఇనుమును గ్రహించడాన్ని అడ్డుకుంటుంది¹. లియు³ ప్రకారం, మొక్కల అభివృద్ధి మరియు పెరుగుదలకు అవసరమైన 17వ ముఖ్యమైన మూలకంగా Ni గుర్తించబడింది. మొక్కల అభివృద్ధి మరియు పెరుగుదలలో నికెల్ పాత్రతో పాటు, మానవులకు కూడా ఇది అవసరం. వివిధ రకాల అనువర్తనాల కోసం. ఎలక్ట్రోప్లేటింగ్, నికెల్ ఆధారిత మిశ్రమ లోహాల ఉత్పత్తి, మరియు ఆటోమోటివ్ పరిశ్రమలో ఇగ్నిషన్ పరికరాలు మరియు స్పార్క్ ప్లగ్‌ల తయారీ వంటి వివిధ పారిశ్రామిక రంగాలలో నికెల్ వాడకం అవసరం. అదనంగా, నికెల్ ఆధారిత మిశ్రమ లోహాలు మరియు ఎలక్ట్రోప్లేటెడ్ వస్తువులు వంటసామాగ్రి, బాల్‌రూమ్ ఉపకరణాలు, ఆహార పరిశ్రమ సరఫరాలు, విద్యుత్, వైర్ మరియు కేబుల్, జెట్ టర్బైన్‌లు, శస్త్రచికిత్స ఇంప్లాంట్లు, వస్త్రాలు మరియు నౌకా నిర్మాణంలో విస్తృతంగా ఉపయోగించబడ్డాయి5. నేలల్లో (అంటే, ఉపరితల నేలల్లో) నికెల్ అధికంగా ఉండటానికి మానవజనిత మరియు సహజ వనరులు రెండూ కారణమని చెప్పబడింది, కానీ ప్రధానంగా, నికెల్ మానవజనిత వనరు కంటే సహజ వనరు4,6. నికెల్ యొక్క సహజ వనరులలో అగ్నిపర్వత విస్ఫోటనాలు, వృక్షసంపద, అటవీ మంటలు మరియు భౌగోళిక ప్రక్రియలు ఉన్నాయి; అయితే, మానవజనిత వనరులలో ఉక్కు పరిశ్రమలోని నికెల్/కాడ్మియం బ్యాటరీలు, ఎలక్ట్రోప్లేటింగ్, ఆర్క్ వెల్డింగ్, డీజిల్ మరియు ఇంధన నూనెలు, మరియు బొగ్గు దహనం మరియు వ్యర్థాలు మరియు బురద దహనం నుండి వాతావరణ ఉద్గారాలు ఉన్నాయి. నికెల్ చేరడం7,8. ఫ్రీడ్‌మాన్ మరియు హచిన్‌సన్9 మరియు మన్యివా మరియు ఇతరుల ప్రకారం. 10, సమీప మరియు ప్రక్కనే ఉన్న పర్యావరణంలో పైమట్టి కాలుష్యానికి ప్రధాన కారణాలు నికెల్-రాగి ఆధారిత స్మెల్టర్లు మరియు గనులు. కెనడాలోని సడ్‌బరీ నికెల్-రాగి రిఫైనరీ చుట్టూ ఉన్న పైమట్టిలో 26,000 mg/kg వద్ద అత్యధిక స్థాయిలో నికెల్ కాలుష్యం ఉంది11. దీనికి విరుద్ధంగా, రష్యాలో నికెల్ ఉత్పత్తి నుండి వచ్చే కాలుష్యం నార్వేజియన్ నేలలో అధిక నికెల్ సాంద్రతలకు దారితీసింది11. ఆల్మ్స్ మరియు ఇతరుల ప్రకారం. 12, ఈ ప్రాంతంలోని అత్యుత్తమ సాగుభూమిలో (రష్యాలో నికెల్ ఉత్పత్తి) HNO3-ద్వారా సంగ్రహించబడిన నికెల్ పరిమాణం 6.25 నుండి 136.88 mg/kg వరకు ఉంది, ఇది 30.43 mg/kg సగటుకు మరియు 25 mg/kg ప్రాథమిక సాంద్రతకు అనుగుణంగా ఉంది. కబాటా 11 ప్రకారం, పట్టణ లేదా పట్టణ సమీప ప్రాంతాలలోని వ్యవసాయ నేలల్లో వరుస పంట కాలాల్లో భాస్వరం ఎరువులను వాడటం వలన నేలలోకి భాస్వరం ఇంకిపోవచ్చు లేదా కలుషితం కావచ్చు. మానవులలో నికెల్ యొక్క సంభావ్య ప్రభావాలు మ్యుటాజెనిసిస్, క్రోమోజోమ్ దెబ్బతినడం, Z-DNA ఉత్పత్తి, నిరోధించబడిన DNA ఎక్సిషన్ రిపేర్ లేదా ఎపిజెనెటిక్ ప్రక్రియల ద్వారా క్యాన్సర్‌కు దారితీయవచ్చు13. జంతు ప్రయోగాలలో, నికెల్ వివిధ రకాల కణితులను కలిగించే సామర్థ్యాన్ని కలిగి ఉందని కనుగొనబడింది, మరియు క్యాన్సర్ కారక నికెల్ సమ్మేళనాలు అటువంటి కణితులను తీవ్రతరం చేయవచ్చు.
నేల-మొక్కల సంబంధాలు, నేల మరియు నేల జీవ సంబంధాలు, జీవావరణ క్షీణత, మరియు పర్యావరణ ప్రభావ అంచనా వంటి వాటి నుండి ఉత్పన్నమయ్యే అనేక రకాల ఆరోగ్య సంబంధిత సమస్యల కారణంగా, ఇటీవలి కాలంలో నేల కాలుష్య అంచనాలు బాగా పెరిగాయి. ఇప్పటి వరకు, సాంప్రదాయ పద్ధతులను ఉపయోగించి నేలలో Ni వంటి విషపూరిత మూలకాల (PTEs) ప్రాదేశిక అంచనా శ్రమతో కూడుకున్నది మరియు సమయం తీసుకునేదిగా ఉంది. డిజిటల్ సాయిల్ మ్యాపింగ్ (DSM) ఆవిర్భావం మరియు దాని ప్రస్తుత విజయం15 ప్రిడిక్టివ్ సాయిల్ మ్యాపింగ్ (PSM)ను బాగా మెరుగుపరిచాయి. మినాస్నీ మరియు మెక్‌బ్రాట్నీ16 ప్రకారం, ప్రిడిక్టివ్ సాయిల్ మ్యాపింగ్ (DSM) నేల శాస్త్రంలో ఒక ప్రముఖ ఉపవిభాగంగా నిరూపించబడింది. లగాచెరీ మరియు మెక్‌బ్రాట్నీ, 2006 DSMను "క్షేత్రస్థాయి మరియు ప్రయోగశాల పరిశీలనా పద్ధతులు మరియు ప్రాదేశిక మరియు అప్రాదేశిక నేల అనుమాన వ్యవస్థల ఉపయోగం ద్వారా ప్రాదేశిక నేల సమాచార వ్యవస్థల సృష్టి మరియు నింపడం"గా నిర్వచించారు. మెక్‌బ్రాట్నీ మరియు ఇతరులు. PTEలు, నేల రకాలు మరియు నేల లక్షణాల ప్రాదేశిక పంపిణీని అంచనా వేయడానికి లేదా మ్యాపింగ్ చేయడానికి సమకాలీన DSM లేదా PSM అత్యంత ప్రభావవంతమైన సాంకేతికత అని 17వ అధ్యాయం వివరిస్తుంది. జియోస్టాటిస్టిక్స్ మరియు మెషిన్ లెర్నింగ్ అల్గోరిథంలు (MLA) అనేవి DSM మోడలింగ్ పద్ధతులు, ఇవి గణనీయమైన మరియు కనీస డేటాను ఉపయోగించి కంప్యూటర్ల సహాయంతో డిజిటైజ్డ్ మ్యాప్‌లను సృష్టిస్తాయి.
డ్యూచ్18 మరియు ఓలియా19 జియోస్టాటిస్టిక్స్‌ను "ప్రాదేశిక లక్షణాల ప్రాతినిధ్యంతో వ్యవహరించే సంఖ్యా సాంకేతిక పద్ధతుల సమాహారం"గా నిర్వచించారు, ఇది ప్రధానంగా స్టోకాస్టిక్ నమూనాలను ఉపయోగిస్తుంది, ఉదాహరణకు టైమ్ సిరీస్ విశ్లేషణ తాత్కాలిక డేటాను ఎలా వర్గీకరిస్తుందో అలా. ప్రాథమికంగా, జియోస్టాటిస్టిక్స్‌లో వేరియోగ్రామ్‌ల మూల్యాంకనం ఉంటుంది, ఇవి ప్రతి డేటాసెట్20 నుండి ప్రాదేశిక విలువల ఆధారాలను పరిమాణీకరించడానికి మరియు నిర్వచించడానికి అనుమతిస్తాయి. గుమియాక్స్ మరియు ఇతరులు. జియోస్టాటిస్టిక్స్‌లో వేరియోగ్రామ్‌ల మూల్యాంకనం మూడు సూత్రాలపై ఆధారపడి ఉంటుందని 20వ పటం మరింతగా వివరిస్తుంది, వాటిలో (ఎ) డేటా సహసంబంధం యొక్క స్కేల్‌ను లెక్కించడం, (బి) డేటాసెట్ వ్యత్యాసంలో అనైసోట్రోపీని గుర్తించడం మరియు లెక్కించడం, మరియు (సి) స్థానిక ప్రభావాల నుండి వేరు చేయబడిన కొలత డేటా యొక్క సహజ దోషాన్ని పరిగణనలోకి తీసుకోవడంతో పాటు, ప్రాంత ప్రభావాలను కూడా అంచనా వేయడం వంటివి ఉన్నాయి. ఈ భావనల ఆధారంగా, PTE, నేల లక్షణాలు మరియు నేల రకాలను మ్యాప్ చేయడానికి లేదా అంచనా వేయడానికి జియోస్టాటిస్టిక్స్‌లో జనరల్ క్రిగింగ్, కో-క్రిగింగ్, ఆర్డినరీ క్రిగింగ్, ఎంపిరికల్ బయేసియన్ క్రిగింగ్, సింపుల్ క్రిగింగ్ పద్ధతి మరియు ఇతర ప్రసిద్ధ ఇంటర్‌పోలేషన్ టెక్నిక్‌లతో సహా అనేక ఇంటర్‌పోలేషన్ టెక్నిక్‌లు ఉపయోగించబడతాయి.
మెషిన్ లెర్నింగ్ అల్గోరిథమ్స్ (MLA) అనేది ఒక సాపేక్షంగా కొత్త సాంకేతికత. ఇది ప్రధానంగా డేటా మైనింగ్, డేటాలోని నమూనాలను గుర్తించడం కోసం ఉపయోగించే అల్గోరిథమ్‌ల ద్వారా ప్రేరేపించబడిన పెద్ద నాన్-లీనియర్ డేటా తరగతులను ఉపయోగిస్తుంది. మట్టి శాస్త్రం మరియు రిటర్న్ టాస్క్‌ల వంటి శాస్త్రీయ రంగాలలో వర్గీకరణకు ఇది పదేపదే వర్తింపజేయబడింది. అనేక పరిశోధనా పత్రాలు నేలల్లో PTEని అంచనా వేయడానికి MLA నమూనాలపై ఆధారపడతాయి, ఉదాహరణకు టాన్ మరియు ఇతరులు 22 (వ్యవసాయ నేలల్లో భారీ లోహాల అంచనా కోసం రాండమ్ ఫారెస్ట్‌లు), సకిజాదే మరియు ఇతరులు 23 (సపోర్ట్ వెక్టర్ మెషీన్‌లు మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్‌లను ఉపయోగించి నేల కాలుష్యంపై మోడలింగ్). అదనంగా, వేగా మరియు ఇతరులు 24 (నేలలో భారీ లోహాల నిలుపుదల మరియు శోషణను మోడలింగ్ చేయడానికి CART), సన్ మరియు ఇతరులు 25 (నేలలో Cd పంపిణీలో క్యూబిస్ట్ యొక్క అనువర్తనం) మరియు k-నియరెస్ట్ నైబర్, జనరలైజ్డ్ బూస్టెడ్ రిగ్రెషన్, మరియు బూస్టెడ్ రిగ్రెషన్ ట్రీస్ వంటి ఇతర అల్గోరిథమ్‌లు కూడా నేలలో PTEని అంచనా వేయడానికి MLAని వర్తింపజేశాయి.
అంచనా లేదా మ్యాపింగ్‌లో DSM అల్గారిథమ్‌ల అనువర్తనం అనేక సవాళ్లను ఎదుర్కొంటుంది. చాలా మంది రచయితలు జియోస్టాటిస్టిక్స్ కంటే MLA శ్రేష్ఠమైనదని మరియు దీనికి విరుద్ధంగా కూడా నమ్ముతారు. ఒకటి మరొకదాని కంటే మెరుగైనప్పటికీ, ఈ రెండింటి కలయిక DSMలో మ్యాపింగ్ లేదా అంచనా యొక్క కచ్చితత్వ స్థాయిని మెరుగుపరుస్తుంది¹⁵. వుడ్‌కాక్ మరియు గోపాల్²⁶; ఫింకే²⁷; పోంటియస్ మరియు చెక్²⁸ మరియు గ్రున్‌వాల్డ్²⁹ అంచనా వేసిన మట్టి మ్యాపింగ్‌లోని లోపాలు మరియు కొన్ని దోషాలపై వ్యాఖ్యానించారు. మట్టి శాస్త్రవేత్తలు DSM మ్యాపింగ్ మరియు అంచనా యొక్క ప్రభావశీలత, కచ్చితత్వం మరియు అంచనా సామర్థ్యాన్ని ఆప్టిమైజ్ చేయడానికి వివిధ రకాల పద్ధతులను ప్రయత్నించారు. ప్రభావశీలతను ఆప్టిమైజ్ చేయడానికి మరియు లోపాలను తగ్గించడానికి DSMలో ఏకీకృతం చేయబడిన అనేక విభిన్న అంశాలలో అనిశ్చితి మరియు ధృవీకరణల కలయిక ఒకటి. అయితే, మ్యాప్ నాణ్యతను మెరుగుపరచడానికి, మ్యాప్ సృష్టి మరియు అంచనా ద్వారా ప్రవేశపెట్టబడిన ధృవీకరణ ప్రవర్తన మరియు అనిశ్చితిని స్వతంత్రంగా ధృవీకరించాలని అగ్యేమాన్ మరియు ఇతరులు¹⁵ వివరిస్తున్నారు. DSM యొక్క పరిమితులు భౌగోళికంగా విస్తరించి ఉన్న మట్టి నాణ్యత కారణంగా ఉన్నాయి, ఇందులో అనిశ్చితి యొక్క ఒక అంశం ఇమిడి ఉంటుంది; అయితే, DSMలో నిశ్చయత లేకపోవడానికి అనేక దోష మూలాలు కారణం కావచ్చు, అవి కోవేరియేట్ దోషం, మోడల్ దోషం, స్థాన దోషం మరియు విశ్లేషణాత్మక దోషం 31. MLA మరియు జియోస్టాటిస్టికల్ ప్రక్రియలలో ప్రేరేపించబడిన మోడలింగ్ దోషాలు అవగాహన లోపంతో ముడిపడి ఉంటాయి, ఇది అంతిమంగా అసలు ప్రక్రియను అతిగా సరళీకరించడానికి దారితీస్తుంది32. మోడలింగ్ స్వభావంతో సంబంధం లేకుండా, దోషాలు మోడలింగ్ పారామితులు, గణిత నమూనా అంచనాలు లేదా ఇంటర్‌పోలేషన్‌కు ఆపాదించబడవచ్చు33. ఇటీవల, మ్యాపింగ్ మరియు అంచనాలలో జియోస్టాటిస్టిక్స్ మరియు MLAల ఏకీకరణను ప్రోత్సహించే ఒక కొత్త DSM ధోరణి ఉద్భవించింది. సెర్జీవ్ మరియు ఇతరులు 34; సుబ్బోటినా మరియు ఇతరులు 35; తారాసోవ్ మరియు ఇతరులు 36 మరియు తారాసోవ్ మరియు ఇతరులు 37 వంటి అనేక మట్టి శాస్త్రవేత్తలు మరియు రచయితలు, అంచనా మరియు మ్యాపింగ్ సామర్థ్యాన్ని మెరుగుపరిచే హైబ్రిడ్ నమూనాలను రూపొందించడానికి జియోస్టాటిస్టిక్స్ మరియు మెషిన్ లెర్నింగ్ యొక్క కచ్చితమైన నాణ్యతను ఉపయోగించుకున్నారు. నాణ్యత. ఈ హైబ్రిడ్ లేదా మిశ్రమ అల్గోరిథం నమూనాలలో కొన్ని ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ క్రిగింగ్ (ANN-RK), మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్ (MLP-RK), జనరలైజ్డ్ రిగ్రెషన్ న్యూరల్ నెట్‌వర్క్ రెసిడ్యువల్ క్రిగింగ్ (GR-NNRK)36, ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ క్రిగింగ్-మల్టీలేయర్ పెర్సెప్ట్రాన్ (ANN-K-MLP)37 మరియు కో-క్రిగింగ్ మరియు గాస్సియన్ ప్రాసెస్ రిగ్రెషన్38.
సెర్జీవ్ మరియు ఇతరుల ప్రకారం, ఒకే నమూనాను అభివృద్ధి చేయడం కంటే, వివిధ మోడలింగ్ పద్ధతులను కలపడం వల్ల లోపాలను తొలగించి, ఫలితంగా వచ్చే హైబ్రిడ్ నమూనా యొక్క సామర్థ్యాన్ని పెంచే అవకాశం ఉంది. ఈ నేపథ్యంలో, పట్టణ మరియు పట్టణ సమీప ప్రాంతాలలో Ni సమృద్ధిని అంచనా వేయడానికి సరైన హైబ్రిడ్ నమూనాలను రూపొందించడానికి జియోస్టాటిస్టిక్స్ మరియు MLA యొక్క మిశ్రమ అల్గోరిథంను వర్తింపజేయడం అవసరమని ఈ కొత్త పత్రం వాదిస్తోంది. ఈ అధ్యయనం ఎంపరికల్ బయేసియన్ క్రిగింగ్ (EBK)ను ఆధార నమూనాగా తీసుకుని, దానిని సపోర్ట్ వెక్టర్ మెషీన్ (SVM) మరియు మల్టిపుల్ లీనియర్ రిగ్రెషన్ (MLR) నమూనాలతో మిళితం చేస్తుంది. ఏదైనా MLAతో EBK యొక్క హైబ్రిడైజేషన్ గురించి తెలియదు. కనిపించే బహుళ మిశ్రమ నమూనాలు ఆర్డినరీ, రెసిడ్యువల్, రిగ్రెషన్ క్రిగింగ్ మరియు MLAల కలయికలు. EBK అనేది ఒక జియోస్టాటిస్టికల్ ఇంటర్‌పోలేషన్ పద్ధతి, ఇది ఒక స్పేషియల్లీ స్టోకాస్టిక్ ప్రక్రియను ఉపయోగిస్తుంది, ఇది క్షేత్రంపై నిర్వచించబడిన స్థానికీకరణ పారామితులతో నాన్-స్టేషనరీ/స్టేషనరీ రాండమ్ ఫీల్డ్‌గా స్థానికీకరించబడి, ప్రాదేశిక వైవిధ్యానికి అనుమతిస్తుంది39. వ్యవసాయ నేలల్లో సేంద్రీయ కార్బన్ పంపిణీని విశ్లేషించడంతో సహా40, వివిధ అధ్యయనాలలో EBK ఉపయోగించబడింది. నేల కాలుష్యాన్ని అంచనా వేయడం41 మరియు నేల లక్షణాలను మ్యాపింగ్ చేయడం42.
మరోవైపు, సెల్ఫ్-ఆర్గనైజింగ్ గ్రాఫ్ (SeOM) అనేది ఒక లెర్నింగ్ అల్గోరిథం, దీనిని లి మరియు ఇతరులు 43, వాంగ్ మరియు ఇతరులు 44, హొస్సేన్ భుయాన్ మరియు ఇతరులు 45 మరియు కెబోన్యే మరియు ఇతరులు 46 వంటి వివిధ వ్యాసాలలో మూలకాల యొక్క ప్రాదేశిక లక్షణాలను మరియు సమూహాన్ని నిర్ణయించడానికి ఉపయోగించారు. వాంగ్ మరియు ఇతరులు 44, SeOM అనేది నాన్-లీనియర్ సమస్యలను సమూహపరచగల మరియు ఊహించగల సామర్థ్యానికి ప్రసిద్ధి చెందిన ఒక శక్తివంతమైన లెర్నింగ్ టెక్నిక్ అని వివరిస్తున్నారు. ప్రిన్సిపల్ కాంపోనెంట్ అనాలిసిస్, ఫజ్జీ క్లస్టరింగ్, హైరార్కికల్ క్లస్టరింగ్ మరియు మల్టీ-క్రైటీరియా డెసిషన్ మేకింగ్ వంటి ఇతర ప్యాటర్న్ రికగ్నిషన్ టెక్నిక్‌ల వలె కాకుండా, PTE ప్యాటర్న్‌లను నిర్వహించడంలో మరియు గుర్తించడంలో SeOM మెరుగ్గా ఉంటుంది. వాంగ్ మరియు ఇతరులు 44 ప్రకారం, SeOM సంబంధిత న్యూరాన్‌ల పంపిణీని ప్రాదేశికంగా సమూహపరచగలదు మరియు అధిక-రిజల్యూషన్ డేటా విజువలైజేషన్‌ను అందించగలదు. ప్రత్యక్ష వివరణ కోసం ఫలితాలను వర్గీకరించడానికి ఉత్తమ మోడల్‌ను పొందడానికి SeOM, Ni ప్రిడిక్షన్ డేటాను విజువలైజ్ చేస్తుంది.
ఈ పత్రం పట్టణ మరియు పట్టణ సమీప నేలలలో నికెల్ పరిమాణాన్ని అంచనా వేయడానికి, అత్యుత్తమ కచ్చితత్వంతో ఒక పటిష్టమైన మ్యాపింగ్ నమూనాను రూపొందించాలని లక్ష్యంగా పెట్టుకుంది. మిశ్రమ నమూనా యొక్క విశ్వసనీయత ప్రధానంగా ఆధార నమూనాకు జోడించబడిన ఇతర నమూనాల ప్రభావంపై ఆధారపడి ఉంటుందని మేము భావిస్తున్నాము. DSM ఎదుర్కొంటున్న సవాళ్లను మేము గుర్తించాము, మరియు ఈ సవాళ్లను బహుముఖంగా పరిష్కరిస్తున్నప్పటికీ, జియోస్టాటిస్టిక్స్ మరియు MLA నమూనాలలో పురోగతుల కలయిక క్రమంగా పురోగతిని అందిస్తున్నట్లు కనిపిస్తోంది; అందువల్ల, మిశ్రమ నమూనాలకు దారితీయగల పరిశోధనా ప్రశ్నలకు సమాధానం ఇవ్వడానికి మేము ప్రయత్నిస్తాము. అయితే, లక్షిత మూలకాన్ని అంచనా వేయడంలో ఈ నమూనా ఎంత కచ్చితమైనది? అలాగే, ధ్రువీకరణ మరియు కచ్చితత్వ మూల్యాంకనం ఆధారంగా సామర్థ్య మూల్యాంకనం యొక్క స్థాయి ఏమిటి? అందువల్ల, ఈ అధ్యయనం యొక్క నిర్దిష్ట లక్ష్యాలు (ఎ) EBKను ఆధార నమూనాగా ఉపయోగించి SVMR లేదా MLR కోసం ఒక సంయుక్త మిశ్రమ నమూనాను సృష్టించడం, (బి) ఫలిత నమూనాలను పోల్చడం, (సి) పట్టణ లేదా పట్టణ సమీప నేలలలో Ni సాంద్రతలను అంచనా వేయడానికి ఉత్తమ మిశ్రమ నమూనాను ప్రతిపాదించడం, మరియు (డి) నికెల్ ప్రాదేశిక వైవిధ్యం యొక్క అధిక-రిజల్యూషన్ మ్యాప్‌ను సృష్టించడానికి SeOMను ఉపయోగించడం.
ఈ అధ్యయనం చెక్ రిపబ్లిక్‌లో, ప్రత్యేకంగా మొరావియా-సిలేసియన్ ప్రాంతంలోని ఫ్రైడెక్ మిస్టెక్ జిల్లాలో నిర్వహించబడుతోంది (పటం 1 చూడండి). అధ్యయన ప్రాంతం యొక్క భౌగోళిక స్వరూపం చాలా కఠినమైనది మరియు ఇది ఎక్కువగా కార్పాతియన్ పర్వతాల వెలుపలి అంచులో భాగమైన మొరావియా-సిలేసియన్ బెస్కిడి ప్రాంతంలో ఉంది. అధ్యయన ప్రాంతం 49° 41′ 0′ N మరియు 18° 20′ 0′ E మధ్య ఉంది, మరియు దీని ఎత్తు 225 నుండి 327 మీటర్ల మధ్య ఉంటుంది; అయితే, ఈ ప్రాంతం యొక్క వాతావరణ స్థితికి సంబంధించిన కోపెన్ వర్గీకరణ వ్యవస్థ దీనిని Cfb = సమశీతోష్ణ సముద్ర వాతావరణంగా రేట్ చేసింది. పొడి నెలల్లో కూడా చాలా వర్షపాతం ఉంటుంది. ఉష్ణోగ్రతలు ఏడాది పొడవునా −5 °C మరియు 24 °C మధ్య కొద్దిగా మారుతూ ఉంటాయి, అరుదుగా −14 °C కంటే తక్కువకు లేదా 30 °C కంటే ఎక్కువకు పడిపోతాయి, అయితే సగటు వార్షిక వర్షపాతం 685 మరియు 752 mm47 మధ్య ఉంటుంది. మొత్తం ప్రాంతం యొక్క అంచనా సర్వే ప్రాంతం 1,208 చదరపు కిలోమీటర్లు, ఇందులో 39.38% సాగు భూమి మరియు 49.36% అటవీ విస్తీర్ణం ఉంది. మరోవైపు, ఈ అధ్యయనంలో ఉపయోగించిన ప్రాంతం సుమారు 889.8 చదరపు కిలోమీటర్లు. ఓస్ట్రావాలో మరియు దాని చుట్టుపక్కల, ఉక్కు పరిశ్రమ మరియు లోహ కర్మాగారాలు చాలా చురుకుగా ఉన్నాయి. లోహ మిల్లులు, స్టెయిన్‌లెస్ స్టీల్స్‌లో (ఉదాహరణకు వాతావరణ తుప్పు నిరోధకత కోసం) మరియు మిశ్రమలోహ స్టీల్స్‌లో (నికెల్ మిశ్రమలోహం యొక్క మంచి సాగే గుణం మరియు దృఢత్వాన్ని కాపాడుతూ దాని బలాన్ని పెంచుతుంది) నికెల్ ఉపయోగించే ఉక్కు పరిశ్రమ, మరియు ఇంటెన్సివ్ ఫాస్ఫేట్ ఎరువుల వాడకం మరియు పశువుల పెంపకం వంటి వ్యవసాయ రంగాలు ఈ ప్రాంతంలో నికెల్ లభించే పరిశోధనాపరమైన సంభావ్య వనరులు (ఉదాహరణకు, గొర్రెపిల్లలు మరియు తక్కువ మేత తినే పశువులలో పెరుగుదల రేటును పెంచడానికి వాటికి నికెల్ కలపడం). పరిశోధనా రంగాలలో నికెల్ యొక్క ఇతర పారిశ్రామిక ఉపయోగాలలో ఎలక్ట్రోప్లేటింగ్, ఎలక్ట్రోప్లేటింగ్ నికెల్ మరియు ఎలక్ట్రోలెస్ నికెల్ ప్లేటింగ్ ప్రక్రియలతో సహా దాని ఉపయోగం కూడా ఉంది. నేల రంగు, నిర్మాణం మరియు కార్బోనేట్ పరిమాణం ఆధారంగా నేల లక్షణాలను సులభంగా గుర్తించవచ్చు. నేల ఆకృతి మధ్యస్థం నుండి సూక్ష్మంగా ఉంటుంది, ఇది మాతృ పదార్థం నుండి ఉద్భవించింది. అవి కొలువియల్, అలువియల్ లేదా ఏయోలియన్ స్వభావం కలిగి ఉంటాయి. కొన్ని నేల ప్రాంతాలు ఉపరితలం మరియు ఉపనేలలో మచ్చల మచ్చలుగా కనిపిస్తాయి, తరచుగా కాంక్రీట్ మరియు రంగు మారడంతో ఉంటాయి. అయితే, ఈ ప్రాంతంలో కాంబిసోల్స్ మరియు స్టాగ్నోసోల్స్ అత్యంత సాధారణ నేల రకాలు48. 455.1 నుండి 493.5 మీటర్ల ఎత్తులలో, చెక్ రిపబ్లిక్‌లో కాంబిసోల్స్ ఆధిపత్యం చెలాయిస్తాయి49.
అధ్యయన ప్రాంత పటం [ఈ అధ్యయన ప్రాంత పటాన్ని ArcGIS Desktop (ESRI, Inc, వెర్షన్ 10.7, URL: https://desktop.arcgis.com) ఉపయోగించి రూపొందించబడింది.]
ఫ్రైడెక్ మిస్టెక్ జిల్లాలోని పట్టణ మరియు పట్టణ సమీప ప్రాంతాల నుండి మొత్తం 115 పైమట్టి నమూనాలను సేకరించారు. నమూనాల సేకరణ కోసం 2 × 2 కి.మీ. దూరంలో మట్టి నమూనాలను ఉంచి, ఒక క్రమబద్ధమైన గ్రిడ్ పద్ధతిని ఉపయోగించారు. చేతితో పట్టుకునే GPS పరికరం (లీకా జెనో 5 GPS) ఉపయోగించి 0 నుండి 20 సెం.మీ. లోతులో పైమట్టిని కొలిచారు. నమూనాలను జిప్‌లాక్ సంచులలో ప్యాక్ చేసి, సరిగ్గా లేబుల్ చేసి, ప్రయోగశాలకు పంపించారు. నమూనాలను గాలిలో ఆరబెట్టి పొడి చేసిన నమూనాలుగా మార్చారు, ఒక యాంత్రిక వ్యవస్థ (ఫ్రిట్ష్ డిస్క్ మిల్) ద్వారా పొడి చేసి, జల్లించారు (జల్లెడ పరిమాణం 2 మి.మీ.). ఆరబెట్టి, సజాతీయంగా చేసి, జల్లించిన మట్టి నమూనాలలో 1 గ్రామును స్పష్టంగా లేబుల్ చేసిన టెఫ్లాన్ సీసాలలో ఉంచండి. ప్రతి టెఫ్లాన్ పాత్రలో, 7 మి.లీ. 35% HCl మరియు 3 మి.లీ. 65% HNO3 (ఆటోమేటిక్ డిస్పెన్సర్ ఉపయోగించి - ప్రతి ఆమ్లానికి ఒకటి చొప్పున) వేసి, తేలికగా మూసి, చర్య కోసం నమూనాలను రాత్రంతా అలాగే ఉంచండి (ఆక్వా రెజియా ప్రోగ్రామ్). నమూనాల జీర్ణక్రియ ప్రక్రియను సులభతరం చేయడానికి, సూపర్నాటెంట్‌ను 2 గంటల పాటు వేడి మెటల్ ప్లేట్ (ఉష్ణోగ్రత: 100 W మరియు 160 °C) మీద ఉంచి, ఆపై చల్లార్చండి. సూపర్నాటెంట్‌ను 50 ml వాల్యూమెట్రిక్ ఫ్లాస్క్‌లోకి మార్చి, డీయోనైజ్డ్ నీటితో 50 ml వరకు పలుచగా చేయండి. ఆ తర్వాత, పలుచగా చేసిన సూపర్నాటెంట్‌ను డీయోనైజ్డ్ నీటితో 50 ml PVC ట్యూబ్‌లోకి ఫిల్టర్ చేయండి. అదనంగా, 1 ml పలుచగా చేసిన ద్రావణాన్ని 9 ml డీయోనైజ్డ్ నీటితో పలుచగా చేసి, PTE సూడో-కాన్సెంట్రేషన్ కోసం సిద్ధం చేసిన 12 ml ట్యూబ్‌లోకి ఫిల్టర్ చేశారు. ప్రామాణిక పద్ధతులు మరియు ఒప్పందం ప్రకారం PTEల (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) గాఢతలను ICP-OES (ఇండక్టివ్లీ కపుల్డ్ ప్లాస్మా ఆప్టికల్ ఎమిషన్ స్పెక్ట్రోస్కోపీ) (థర్మో ఫిషర్ సైంటిఫిక్, USA) ద్వారా నిర్ణయించారు. నాణ్యత హామీ మరియు నియంత్రణ (QA/QC) విధానాలను (SRM NIST) నిర్ధారించుకోండి. 2711a మోంటానా II మట్టి). సగం కంటే తక్కువ గుర్తింపు పరిమితులు ఉన్న PTEలను ఈ అధ్యయనం నుండి మినహాయించారు. ఈ అధ్యయనంలో ఉపయోగించిన PTE యొక్క గుర్తింపు పరిమితి 0.0004. (మీరు). అదనంగా, ప్రతి విశ్లేషణకు నాణ్యత నియంత్రణ మరియు నాణ్యత హామీ ప్రక్రియ రిఫరెన్స్ ప్రమాణాలను విశ్లేషించడం ద్వారా నిర్ధారించబడుతుంది. లోపాలను తగ్గించడానికి, డబుల్ విశ్లేషణ నిర్వహించబడింది.
ఎంపరికల్ బయేసియన్ క్రిగింగ్ (EBK) అనేది మట్టి శాస్త్రం వంటి విభిన్న రంగాలలో మోడలింగ్ కోసం ఉపయోగించే అనేక జియోస్టాటిస్టికల్ ఇంటర్‌పొలేషన్ టెక్నిక్‌లలో ఒకటి. ఇతర క్రిగింగ్ ఇంటర్‌పొలేషన్ టెక్నిక్‌ల వలె కాకుండా, EBK సెమివేరియోగ్రామ్ మోడల్ ద్వారా అంచనా వేయబడిన దోషాన్ని పరిగణనలోకి తీసుకోవడం ద్వారా సాంప్రదాయ క్రిగింగ్ పద్ధతుల నుండి భిన్నంగా ఉంటుంది. EBK ఇంటర్‌పొలేషన్‌లో, ఒకే సెమివేరియోగ్రామ్‌కు బదులుగా, ఇంటర్‌పొలేషన్ సమయంలో అనేక సెమివేరియోగ్రామ్ మోడల్‌లు లెక్కించబడతాయి. ఈ సెమివేరియోగ్రామ్ ప్లాటింగ్‌తో సంబంధం ఉన్న అనిశ్చితి మరియు ప్రోగ్రామింగ్‌కు ఇంటర్‌పొలేషన్ టెక్నిక్‌లు మార్గం సుగమం చేస్తాయి, ఇది సఫిషియంట్ క్రిగింగ్ పద్ధతిలో అత్యంత సంక్లిష్టమైన భాగంగా ఉంటుంది. EBK యొక్క ఇంటర్‌పొలేషన్ ప్రక్రియ క్రివోరుచ్కో50 ప్రతిపాదించిన మూడు ప్రమాణాలను అనుసరిస్తుంది, (ఎ) మోడల్ ఇన్‌పుట్ డేటాసెట్ నుండి సెమివేరియోగ్రామ్‌ను అంచనా వేస్తుంది (బి) ఉత్పత్తి చేయబడిన సెమివేరియోగ్రామ్ ఆధారంగా ప్రతి ఇన్‌పుట్ డేటాసెట్ స్థానానికి కొత్తగా అంచనా వేయబడిన విలువ మరియు (సి) తుది మోడల్ ఒక సిమ్యులేటెడ్ డేటాసెట్ నుండి లెక్కించబడుతుంది. బయేసియన్ సమీకరణ నియమం ఒక పోస్టీరియర్‌గా ఇవ్వబడింది.
ఇక్కడ \(Prob\left(A\right)\) ప్రయర్‌ను సూచిస్తుంది, \(Prob\left(B\right)\) మార్జినల్ ప్రాబబిలిటీ చాలా సందర్భాలలో విస్మరించబడుతుంది, \(Prob (B,A)\ ) . సెమివేరియోగ్రామ్ గణన బేయస్ నియమంపై ఆధారపడి ఉంటుంది, ఇది సెమివేరియోగ్రామ్‌ల నుండి సృష్టించగల పరిశీలన డేటాసెట్‌ల యొక్క ప్రవృత్తిని చూపుతుంది. ఆ తర్వాత సెమివేరియోగ్రామ్ విలువ బేయస్ నియమాన్ని ఉపయోగించి నిర్ణయించబడుతుంది, ఇది సెమివేరియోగ్రామ్ నుండి పరిశీలనల డేటాసెట్‌ను సృష్టించడం ఎంత సాధ్యమో తెలియజేస్తుంది.
సపోర్ట్ వెక్టర్ మెషిన్ అనేది ఒక మెషిన్ లెర్నింగ్ అల్గోరిథం, ఇది ఒకేలా ఉండే కానీ లీనియర్‌గా స్వతంత్రంగా లేని తరగతులను వేరు చేయడానికి ఒక సరైన విభజన హైపర్‌ప్లేన్‌ను ఉత్పత్తి చేస్తుంది. వాప్నిక్51 ఇంటెంట్ క్లాసిఫికేషన్ అల్గోరిథంను సృష్టించారు, కానీ ఇటీవల దీనిని రిగ్రెషన్-ఆధారిత సమస్యలను పరిష్కరించడానికి ఉపయోగిస్తున్నారు. లీ మరియు ఇతరులు52 ప్రకారం, SVM ఉత్తమ క్లాసిఫైయర్ టెక్నిక్‌లలో ఒకటి మరియు దీనిని వివిధ రంగాలలో ఉపయోగిస్తున్నారు. ఈ విశ్లేషణలో SVM యొక్క రిగ్రెషన్ కాంపోనెంట్ (సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ – SVMR) ఉపయోగించబడింది. చెర్కాస్కీ మరియు ములియర్53 SVMRను కెర్నల్-ఆధారిత రిగ్రెషన్‌గా ప్రారంభించారు, దీని గణనను బహుళ-దేశ ప్రాదేశిక ఫంక్షన్‌లతో కూడిన లీనియర్ రిగ్రెషన్ మోడల్‌ను ఉపయోగించి నిర్వహించారు. జాన్ మరియు ఇతరులు54 నివేదించిన ప్రకారం, SVMR మోడలింగ్ హైపర్‌ప్లేన్ లీనియర్ రిగ్రెషన్‌ను ఉపయోగిస్తుంది, ఇది నాన్‌లీనియర్ సంబంధాలను సృష్టిస్తుంది మరియు ప్రాదేశిక ఫంక్షన్‌లను అనుమతిస్తుంది. వోలాండ్ మరియు ఇతరుల ప్రకారం. 55, ఎప్సిలాన్ (ε)-SVMR శిక్షణ పొందిన డేటాసెట్‌ను ఉపయోగించి, ఎప్సిలాన్-సెన్సిటివ్ కాని ఫంక్షన్‌గా ఒక ప్రాతినిధ్య నమూనాను పొందుతుంది. ఇది పరస్పర సంబంధం ఉన్న డేటాపై శిక్షణ నుండి పొందిన ఉత్తమ ఎప్సిలాన్ బయాస్‌తో డేటాను స్వతంత్రంగా మ్యాప్ చేయడానికి వర్తింపజేయబడుతుంది. వాస్తవ విలువ నుండి ముందుగా సెట్ చేసిన దూర దోషం విస్మరించబడుతుంది, మరియు ఒకవేళ దోషం ε(ε) కంటే ఎక్కువగా ఉంటే, నేల లక్షణాలు దానిని భర్తీ చేస్తాయి. ఈ నమూనా శిక్షణ డేటా యొక్క సంక్లిష్టతను సపోర్ట్ వెక్టర్స్ యొక్క విస్తృత ఉపసమితికి తగ్గిస్తుంది. వాప్నిక్51 ప్రతిపాదించిన సమీకరణం క్రింద చూపబడింది.
ఇక్కడ b అనేది స్కేలార్ థ్రెషోల్డ్‌ను, \(K\left({x}_{,}{ x}_{k}\right)\) అనేది కెర్నల్ ఫంక్షన్‌ను, \(\alpha\) అనేది లాగ్రాంజ్ మల్టిప్లయర్‌ను, N అనేది ఒక సంఖ్యా డేటాసెట్‌ను, \({x}_{k}\) అనేది డేటా ఇన్‌పుట్‌ను, మరియు \(y\) అనేది డేటా అవుట్‌పుట్‌ను సూచిస్తాయి. ఉపయోగించిన కీలక కెర్నల్‌లలో ఒకటి SVMR ఆపరేషన్, ఇది ఒక గాస్సియన్ రేడియల్ బేసిస్ ఫంక్షన్ (RBF). PTE శిక్షణా డేటా కోసం అత్యంత సూక్ష్మమైన పెనాల్టీ సెట్ ఫ్యాక్టర్ C మరియు కెర్నల్ పారామీటర్ గామా (γ)లను పొందడానికి కీలకమైన, సరైన SVMR మోడల్‌ను నిర్ధారించడానికి RBF కెర్నల్ వర్తింపజేయబడింది. మొదట, మేము శిక్షణా సెట్‌ను మూల్యాంకనం చేసి, ఆపై వాలిడేషన్ సెట్‌పై మోడల్ పనితీరును పరీక్షించాము. ఉపయోగించిన స్టీరింగ్ పారామీటర్ సిగ్మా మరియు మెథడ్ విలువ svmRadial.
మల్టిపుల్ లీనియర్ రిగ్రెషన్ మోడల్ (MLR) అనేది లీస్ట్ స్క్వేర్స్ పద్ధతిని ఉపయోగించి లెక్కించిన లీనియర్ పూల్డ్ పారామీటర్ల ద్వారా ప్రతిస్పందన వేరియబుల్ మరియు అనేక ప్రిడిక్టర్ వేరియబుల్స్ మధ్య సంబంధాన్ని సూచించే ఒక రిగ్రెషన్ మోడల్. MLRలో, వివరణాత్మక వేరియబుల్స్‌ను ఎంచుకున్న తర్వాత లీస్ట్ స్క్వేర్స్ మోడల్ అనేది నేల లక్షణాల యొక్క ప్రిడిక్టివ్ ఫంక్షన్. వివరణాత్మక వేరియబుల్స్‌ను ఉపయోగించి లీనియర్ సంబంధాన్ని ఏర్పరచడానికి ప్రతిస్పందనను ఉపయోగించడం అవసరం. వివరణాత్మక వేరియబుల్స్‌తో లీనియర్ సంబంధాన్ని ఏర్పరచడానికి PTEని ప్రతిస్పందన వేరియబుల్‌గా ఉపయోగించారు. MLR సమీకరణం
ఇక్కడ y అనేది ప్రతిస్పందన చరరాశి, \(a\) అనేది అంతరఖండం, n అనేది అంచనాదారుల సంఖ్య, \({b}_{1}\) అనేది గుణకాల పాక్షిక ప్రతిగమనం, \({x}_{ i}\) అనేది ఒక అంచనాదారు లేదా వివరణాత్మక చరరాశిని సూచిస్తుంది, మరియు \({\varepsilon }_{i}\) అనేది నమూనాలోని దోషాన్ని సూచిస్తుంది, దీనిని అవశేషం అని కూడా అంటారు.
EBKను SVMR మరియు MLRలతో కలిపి మిశ్రమ నమూనాలను పొందడం జరిగింది. EBK ఇంటర్‌పొలేషన్ నుండి అంచనా విలువలను సంగ్రహించడం ద్వారా ఇది జరుగుతుంది. ఇంటర్‌పొలేట్ చేయబడిన Ca, K, మరియు Mg నుండి పొందిన అంచనా విలువలు, CaK, CaMg, మరియు KMg వంటి కొత్త చరరాశులను పొందడానికి ఒక సంయోజక ప్రక్రియ ద్వారా పొందబడతాయి. ఆ తర్వాత Ca, K మరియు Mg మూలకాలను కలిపి CaKMg అనే నాల్గవ చరరాశిని పొందడం జరిగింది. మొత్తం మీద, పొందిన చరరాశులు Ca, K, Mg, CaK, CaMg, KMg మరియు CaKMg. ఈ చరరాశులు మన అంచనాదారులుగా మారాయి, ఇవి పట్టణ మరియు పట్టణ సమీప నేలల్లో నికెల్ సాంద్రతలను అంచనా వేయడానికి సహాయపడ్డాయి. అంచనాదారులపై SVMR అల్గారిథంను ఉపయోగించి ఎంపిరికల్ బయేసియన్ క్రిగింగ్-సపోర్ట్ వెక్టర్ మెషీన్ (EBK_SVM) అనే మిశ్రమ నమూనాను పొందడం జరిగింది. అదేవిధంగా, చరరాశులను MLR అల్గారిథం ద్వారా కూడా పంపించి ఎంపిరికల్ బయేసియన్ క్రిగింగ్-మల్టిపుల్ లీనియర్ అనే మిశ్రమ నమూనాను పొందడం జరిగింది. రిగ్రెషన్ (EBK_MLR). సాధారణంగా, పట్టణ మరియు పట్టణ సమీప నేలల్లోని Ni కంటెంట్‌కు అంచనా వేసేవిగా Ca, K, Mg, CaK, CaMg, KMg, మరియు CaKMg అనే చరరాశులను కోవేరియేట్‌లుగా ఉపయోగిస్తారు. పొందిన అత్యంత ఆమోదయోగ్యమైన మోడల్ (EBK_SVM లేదా EBK_MLR) ఆ తర్వాత స్వీయ-వ్యవస్థీకరణ గ్రాఫ్ ఉపయోగించి దృశ్యమానం చేయబడుతుంది. ఈ అధ్యయనం యొక్క వర్క్‌ఫ్లో చిత్రం 2లో చూపబడింది.
ఆర్థిక రంగం, ఆరోగ్య సంరక్షణ, పరిశ్రమ, గణాంకాలు, మట్టి శాస్త్రం మరియు మరిన్ని రంగాలలో డేటాను వ్యవస్థీకరించడానికి, మూల్యాంకనం చేయడానికి మరియు అంచనా వేయడానికి SeOM ఒక ప్రముఖ సాధనంగా మారింది. వ్యవస్థీకరణ, మూల్యాంకనం మరియు అంచనా కోసం కృత్రిమ నాడీ నెట్‌వర్క్‌లు మరియు పర్యవేక్షించని అభ్యాస పద్ధతులను ఉపయోగించి SeOM సృష్టించబడింది. ఈ అధ్యయనంలో, పట్టణ మరియు పట్టణ సమీప నేలల్లో Ni ని 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 ఒకే వెయిట్ వెక్టర్‌తో అవుట్‌పుట్ వెక్టర్‌కు ఒకే ఇన్‌పుట్ లేయర్ ద్వారా న్యూరల్ నెట్‌వర్క్‌లోకి ఇన్‌పుట్ వెక్టర్ యొక్క కనెక్షన్‌ను వివరిస్తుంది. SeOM ద్వారా ఉత్పత్తి చేయబడిన అవుట్‌పుట్ అనేది రెండు-డైమెన్షనల్ మ్యాప్, ఇది వాటి సామీప్యతను బట్టి షట్కోణ, వృత్తాకార లేదా చతురస్రాకార టోపోలాజికల్ మ్యాప్‌లుగా అల్లబడిన విభిన్న న్యూరాన్‌లు లేదా నోడ్‌లను కలిగి ఉంటుంది. మెట్రిక్, క్వాంటైజేషన్ ఎర్రర్ (QE) మరియు టోపోగ్రాఫిక్ ఎర్రర్ (TE) ఆధారంగా మ్యాప్ పరిమాణాలను పోల్చినప్పుడు, వరుసగా 0.086 మరియు 0.904 ఉన్న 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 టెస్ట్ డేటా (ధృవీకరణ కోసం 25%) మరియు శిక్షణా డేటా సెట్‌లుగా (క్రమాంకనం కోసం 75%) విభజించడానికి యాదృచ్ఛిక విధానాన్ని ఉపయోగించారు. రిగ్రెషన్ మోడల్‌ను రూపొందించడానికి (క్రమాంకనం) శిక్షణా డేటాసెట్‌ను, మరియు సాధారణీకరణ సామర్థ్యాన్ని ధృవీకరించడానికి టెస్ట్ డేటాసెట్‌ను ఉపయోగించారు58. నేలల్లో నికెల్ కంటెంట్‌ను అంచనా వేయడానికి వివిధ నమూనాల అనుకూలతను అంచనా వేయడానికి ఇది జరిగింది. ఉపయోగించిన అన్ని నమూనాలు పది-రెట్ల క్రాస్-వాలిడేషన్ ప్రక్రియ ద్వారా వెళ్ళాయి, దీనిని ఐదుసార్లు పునరావృతం చేశారు. EBK ఇంటర్‌పోలేషన్ ద్వారా ఉత్పత్తి చేయబడిన వేరియబుల్స్, లక్ష్య వేరియబుల్ (PTE)ను అంచనా వేయడానికి ప్రిడిక్టర్లుగా లేదా వివరణాత్మక వేరియబుల్స్‌గా ఉపయోగించబడ్డాయి. RStudioలో library(Kohonen), library(caret), library(modelr), library(“e1071″), library(“plyr”), library(“caTools”), library(” prospectr”) మరియు libraries (“Metrics”) ప్యాకేజీలను ఉపయోగించి మోడలింగ్ నిర్వహించబడింది.
నేలలో నికెల్ సాంద్రతలను అంచనా వేయడానికి అనువైన ఉత్తమ నమూనాను నిర్ణయించడానికి మరియు నమూనా యొక్క ఖచ్చితత్వాన్ని మరియు దాని ధ్రువీకరణను మూల్యాంకనం చేయడానికి వివిధ ధ్రువీకరణ పారామితులను ఉపయోగించారు. హైబ్రిడైజేషన్ నమూనాలను మీన్ అబ్సొల్యూట్ ఎర్రర్ (MAE), రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE), మరియు R-స్క్వేర్డ్ లేదా కోఎఫిషియంట్ డిటర్మినేషన్ (R2) ఉపయోగించి మూల్యాంకనం చేశారు. R2 అనేది రిగ్రెషన్ మోడల్ ద్వారా సూచించబడిన సమాధానంలోని నిష్పత్తుల వైవిధ్యాన్ని నిర్వచిస్తుంది. RMSE మరియు స్వతంత్ర కొలతలలోని వైవిధ్య పరిమాణం నమూనా యొక్క అంచనా శక్తిని వివరిస్తాయి, అయితే MAE వాస్తవ పరిమాణాత్మక విలువను నిర్ణయిస్తుంది. ధ్రువీకరణ పారామితులను ఉపయోగించి ఉత్తమ మిశ్రమ నమూనాను మూల్యాంకనం చేయడానికి R2 విలువ ఎక్కువగా ఉండాలి, విలువ 1కి ఎంత దగ్గరగా ఉంటే, ఖచ్చితత్వం అంత ఎక్కువగా ఉంటుంది. లీ మరియు ఇతరుల ప్రకారం 59, 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 ఒక మోడల్‌ను ఎంచుకున్నప్పుడు, పొందిన తక్కువ విలువలు సరిపోతాయి మరియు ఉత్తమ ఎంపికగా పరిగణించబడ్డాయి. కింది సమీకరణం ధ్రువీకరణ పద్ధతిని వివరిస్తుంది.
ఇక్కడ n అనేది పరిశీలించిన విలువ యొక్క పరిమాణాన్ని సూచిస్తుంది, \({Y}_{i}\) అనేది కొలవబడిన ప్రతిస్పందనను సూచిస్తుంది, మరియు \({\widehat{Y}}_{i}\) అనేది అంచనా వేయబడిన ప్రతిస్పందన విలువను కూడా సూచిస్తుంది, కాబట్టి, మొదటి i పరిశీలనల కోసం.
అంచనా వేసే మరియు ప్రతిస్పందన చరరాశుల గణాంక వివరణలు పట్టిక 1లో ప్రదర్శించబడ్డాయి, ఇవి సగటు, ప్రామాణిక విచలనం (SD), వైవిధ్య గుణకం (CV), కనిష్ట, గరిష్ట, కుర్టోసిస్ మరియు స్కేవ్‌నెస్‌లను చూపుతాయి. మూలకాల కనిష్ట మరియు గరిష్ట విలువలు వరుసగా Mg < Ca < K < Ni మరియు Ca < Mg < K < Ni అనే అవరోహణ క్రమంలో ఉన్నాయి. అధ్యయన ప్రాంతం నుండి నమూనాగా తీసుకున్న ప్రతిస్పందన చరరాశి (Ni) యొక్క గాఢతలు 4.86 నుండి 42.39 mg/kg వరకు ఉన్నాయి. Niని ప్రపంచ సగటు (29 mg/kg) మరియు యూరోపియన్ సగటు (37 mg/kg)తో పోల్చగా, అధ్యయన ప్రాంతానికి లెక్కించిన మొత్తం జ్యామితీయ సగటు సహించదగిన పరిధిలోనే ఉందని తేలింది. అయినప్పటికీ, కబటా-పెండియాస్11 చూపినట్లుగా, ప్రస్తుత అధ్యయనంలోని సగటు నికెల్ (Ni) గాఢతను స్వీడన్‌లోని వ్యవసాయ నేలలతో పోల్చగా, ప్రస్తుత సగటు నికెల్ గాఢత ఎక్కువగా ఉందని తేలింది. అదేవిధంగా, ప్రస్తుత అధ్యయనంలో పట్టణ మరియు పట్టణ సమీప నేలల్లో ఫ్రైడెక్ మిస్టెక్ యొక్క సగటు గాఢత (Ni) రోజాన్స్కీ మరియు ఇతరులు నివేదించిన పోలిష్ పట్టణ నేలల్లో Ni కోసం అనుమతించదగిన పరిమితి 60 (10.2 mg/kg) కంటే 16.15 mg/kg ఎక్కువగా ఉంది. అంతేకాకుండా, ప్రస్తుత అధ్యయనంతో పోలిస్తే బ్రెట్జెల్ మరియు కాల్డెరిసి61 టస్కనీలోని పట్టణ నేలల్లో చాలా తక్కువ సగటు Ni సాంద్రతలను (1.78 mg/kg) నమోదు చేశారు. జిమ్62 కూడా హాంగ్ కాంగ్ పట్టణ నేలల్లో తక్కువ నికెల్ సాంద్రతను (12.34 mg/kg) కనుగొన్నారు, ఇది ఈ అధ్యయనంలోని ప్రస్తుత నికెల్ సాంద్రత కంటే తక్కువ. బిర్కే మరియు ఇతరులు63 జర్మనీలోని సాక్సనీ-అన్హాల్ట్‌లోని ఒక పాత మైనింగ్ మరియు పట్టణ పారిశ్రామిక ప్రాంతంలో సగటు Ni సాంద్రత 17.6 mg/kg అని నివేదించారు, ఇది ఆ ప్రాంతంలోని సగటు Ni సాంద్రత (16.15 mg/kg) కంటే 1.45 mg/kg ఎక్కువ. ప్రస్తుత పరిశోధన. అధ్యయన ప్రాంతంలోని కొన్ని పట్టణ మరియు శివారు ప్రాంతాలలోని నేలల్లో అధిక నికెల్ కంటెంట్‌కు ప్రధానంగా ఇనుము మరియు ఉక్కు పరిశ్రమ మరియు లోహ పరిశ్రమ కారణమని చెప్పవచ్చు. ఇది దీనికి అనుగుణంగా ఉంది ఖోదాదౌస్ట్ మరియు ఇతరులు చేసిన అధ్యయనం 64 ప్రకారం, ఉక్కు పరిశ్రమ మరియు లోహపు పని నేలల్లో నికెల్ కాలుష్యానికి ప్రధాన కారణాలు. అయితే, అంచనా వేసేవి Ca కోసం 538.70 mg/kg నుండి 69,161.80 mg/kg వరకు, K కోసం 497.51 mg/kg నుండి 3535.68 mg/kg వరకు, మరియు Mg కోసం 685.68 mg/kg నుండి 5970.05 mg/kg వరకు ఉన్నాయి. జాకోవ్ల్జెవిక్ మరియు ఇతరులు. 65 మధ్య సెర్బియాలోని నేలల్లోని మొత్తం Mg మరియు K పరిమాణాన్ని పరిశోధించారు. మొత్తం గాఢతలు (వరుసగా 410 mg/kg మరియు 400 mg/kg) ప్రస్తుత అధ్యయనంలోని Mg మరియు K గాఢతల కంటే తక్కువగా ఉన్నాయని వారు కనుగొన్నారు. అదేవిధంగా, తూర్పు పోలాండ్‌లో, ఓర్జెచోవ్స్కీ మరియు స్మోల్చిన్‌స్కీ66 Ca, Mg మరియు K ల మొత్తం పరిమాణాన్ని అంచనా వేసి, Ca (1100 mg/kg), Mg (590 mg/kg) మరియు K (810 mg/kg) ల సగటు గాఢతలను చూపించారు. పైపొరలోని పరిమాణం ఈ అధ్యయనంలోని ఒక్కో మూలకం కంటే తక్కువగా ఉంది. పోంగ్రాక్ మరియు ఇతరులు67 చేసిన ఇటీవలి అధ్యయనం, స్కాట్లాండ్, UKలోని 3 వేర్వేరు నేలల్లో (మైల్న్‌ఫీల్డ్ నేల, బాల్‌రుడెరీ నేల మరియు హార్ట్‌వుడ్ నేల) విశ్లేషించిన మొత్తం Ca పరిమాణం ఈ అధ్యయనంలో అధిక Ca పరిమాణాన్ని సూచించిందని చూపించింది.
నమూనాగా తీసుకున్న మూలకాల యొక్క కొలవబడిన విభిన్న సాంద్రతల కారణంగా, మూలకాల యొక్క డేటా సెట్ పంపిణీలు విభిన్న వక్రతను ప్రదర్శిస్తాయి. మూలకాల యొక్క వక్రత మరియు కుర్టోసిస్ వరుసగా 1.53 నుండి 7.24 మరియు 2.49 నుండి 54.16 వరకు ఉన్నాయి. లెక్కించబడిన అన్ని మూలకాలకు వక్రత మరియు కుర్టోసిస్ స్థాయిలు +1 కంటే ఎక్కువగా ఉన్నాయి, ఇది డేటా పంపిణీ క్రమరహితంగా, కుడి దిశలో వక్రంగా మరియు శిఖరాకారంగా ఉందని సూచిస్తుంది. మూలకాల యొక్క అంచనా వేయబడిన CVలు కూడా K, Mg, మరియు Ni మితమైన వైవిధ్యతను ప్రదర్శిస్తాయని, అయితే Ca అత్యంత అధిక వైవిధ్యతను కలిగి ఉందని చూపిస్తాయి. K, Ni మరియు Mg యొక్క CVలు వాటి ఏకరీతి పంపిణీని వివరిస్తాయి. అంతేకాకుండా, Ca పంపిణీ ఏకరీతిగా లేదు మరియు బాహ్య వనరులు దాని సమృద్ధి స్థాయిని ప్రభావితం చేయవచ్చు.
ప్రిడిక్టర్ వేరియబుల్స్ మరియు రెస్పాన్స్ ఎలిమెంట్స్ మధ్య ఉన్న సహసంబంధం, ఆ ఎలిమెంట్స్ మధ్య సంతృప్తికరమైన సహసంబంధాన్ని సూచించింది (మూర్తి 3 చూడండి). ఈ సహసంబంధం ప్రకారం, CaK మరియు CaNi రెండూ r విలువ = 0.53 తో మధ్యస్థ సహసంబంధాన్ని ప్రదర్శించాయి. Ca మరియు K ఒకదానితో ఒకటి సాధారణ సంబంధాలను చూపినప్పటికీ, కింగ్‌స్టన్ మరియు ఇతరుల వంటి పరిశోధకులు... 68 మరియు శాంటో69 నేలలో వాటి స్థాయిలు విలోమానుపాతంలో ఉంటాయని సూచిస్తున్నాయి. అయితే, Ca మరియు Mg లు K కి వ్యతిరేకంగా పనిచేస్తాయి, కానీ CaK బాగా సహసంబంధం కలిగి ఉంటుంది. పొటాషియం 56% అధికంగా ఉండే పొటాషియం కార్బోనేట్ వంటి ఎరువుల వాడకం దీనికి కారణం కావచ్చు. పొటాషియం, మెగ్నీషియంతో మధ్యస్థంగా సహసంబంధం కలిగి ఉంది (KM r = 0.63). ఎరువుల పరిశ్రమలో, ఈ రెండు మూలకాలు దగ్గరి సంబంధం కలిగి ఉంటాయి, ఎందుకంటే వాటి లోప స్థాయిలను పెంచడానికి పొటాషియం మెగ్నీషియం సల్ఫేట్, పొటాషియం మెగ్నీషియం నైట్రేట్ మరియు పొటాష్‌లను నేలలకు వాడతారు. నికెల్, Ca, K మరియు Mg లతో వరుసగా r విలువలు 0.52, 0.63 మరియు 0.55 లతో మధ్యస్థంగా సహసంబంధం కలిగి ఉంది. కాల్షియం, మెగ్నీషియం మరియు నికెల్ వంటి PTE ల మధ్య సంబంధాలు సంక్లిష్టంగా ఉంటాయి, అయినప్పటికీ, మెగ్నీషియం కాల్షియం శోషణను నిరోధిస్తుంది, కాల్షియం అధిక మెగ్నీషియం ప్రభావాలను తగ్గిస్తుంది, మరియు మెగ్నీషియం మరియు కాల్షియం రెండూ నేలలో నికెల్ యొక్క విష ప్రభావాలను తగ్గిస్తాయి.
అంచనా వేసే అంశాలు మరియు ప్రతిస్పందనల మధ్య సంబంధాన్ని చూపే సహసంబంధ మాత్రిక (గమనిక: ఈ పటంలో అంశాల మధ్య స్కాటర్‌ప్లాట్ ఉంది, ప్రాముఖ్యత స్థాయిలు p < 0,001 పై ఆధారపడి ఉంటాయి).
పటం 4 మూలకాల ప్రాదేశిక పంపిణీని వివరిస్తుంది. బుర్గోస్ మరియు ఇతరులు70 ప్రకారం, ప్రాదేశిక పంపిణీ యొక్క అనువర్తనం అనేది కలుషిత ప్రాంతాలలో హాట్‌స్పాట్‌లను లెక్కించడానికి మరియు హైలైట్ చేయడానికి ఉపయోగించే ఒక సాంకేతికత. పటం 4లోని Ca సమృద్ధి స్థాయిలను ప్రాదేశిక పంపిణీ పటం యొక్క వాయువ్య భాగంలో చూడవచ్చు. ఈ పటం మధ్యస్థం నుండి అధిక Ca సమృద్ధి హాట్‌స్పాట్‌లను చూపుతుంది. పటం యొక్క వాయువ్య భాగంలో కాల్షియం సమృద్ధికి కారణం, నేల ఆమ్లతను తగ్గించడానికి క్విక్‌లైమ్ (కాల్షియం ఆక్సైడ్) వాడకం మరియు ఉక్కు తయారీ ప్రక్రియలో స్టీల్ మిల్లులలో క్షార ఆక్సిజన్‌గా దాని ఉపయోగం కావచ్చు. మరోవైపు, ఇతర రైతులు ఆమ్ల నేలల్లో pHని తటస్థీకరించడానికి కాల్షియం హైడ్రాక్సైడ్‌ను ఉపయోగించడానికి ఇష్టపడతారు, ఇది నేలలో కాల్షియం కంటెంట్‌ను కూడా పెంచుతుంది71. పొటాషియం కూడా పటం యొక్క వాయువ్య మరియు తూర్పు భాగాలలో హాట్‌స్పాట్‌లను చూపుతుంది. వాయువ్య ప్రాంతం ఒక ప్రధాన వ్యవసాయ సమాజం, మరియు పొటాషియం యొక్క మధ్యస్థం నుండి అధిక నమూనా NPK మరియు పొటాష్ అనువర్తనాల వల్ల కావచ్చు. ఇది మడారాస్ మరియు లిపావ్‌స్కీ72, మడారాస్ మరియు ఇతరులు73 వంటి ఇతర అధ్యయనాలతో స్థిరంగా ఉంది. పుల్క్రబోవా మరియు ఇతరులు74, అసారే మరియు ఇతరులు75, నేల స్థిరీకరణ మరియు KCl మరియు NPK తో చికిత్స చేయడం వల్ల నేలలో అధిక K కంటెంట్ ఏర్పడిందని గమనించారు. పేద నేలల్లో పొటాషియం కంటెంట్‌ను పెంచడానికి పొటాషియం క్లోరైడ్, పొటాషియం సల్ఫేట్, పొటాషియం నైట్రేట్, పొటాష్ మరియు పొటాష్ వంటి పొటాషియం ఆధారిత ఎరువుల వాడకం వల్ల పంపిణీ పటం యొక్క వాయువ్యంలో ప్రాదేశిక పొటాషియం సమృద్ధి ఉండవచ్చు. జాడోరోవా మరియు ఇతరులు76 మరియు త్లుస్టోస్ మరియు ఇతరులు. 77వ అధ్యాయం ప్రకారం, K-ఆధారిత ఎరువుల వాడకం నేలలో K శాతాన్ని పెంచుతుందని మరియు దీర్ఘకాలంలో నేలలోని పోషకాలను గణనీయంగా పెంచుతుందని, ముఖ్యంగా K మరియు Mg నేలలో ఒక హాట్‌స్పాట్‌ను చూపుతున్నాయని వివరించబడింది. పటం యొక్క వాయువ్య మరియు ఆగ్నేయ భాగాలలో సాపేక్షంగా మితమైన హాట్‌స్పాట్‌లు ఉన్నాయి. నేలలో కొల్లాయిడల్ స్థిరీకరణ నేలలో మెగ్నీషియం సాంద్రతను తగ్గిస్తుంది. నేలలో దీని లోపం మొక్కలలో పసుపు రంగు ఇంటర్‌వీన్ క్లోరోసిస్‌కు కారణమవుతుంది. పొటాషియం మెగ్నీషియం సల్ఫేట్, మెగ్నీషియం సల్ఫేట్ మరియు కీసరైట్ వంటి మెగ్నీషియం ఆధారిత ఎరువులు, సాధారణ pH పరిధి ఉన్న నేలల్లోని లోపాలను (మొక్కలు ఊదా, ఎరుపు లేదా గోధుమ రంగులో కనిపించడం, ఇది మెగ్నీషియం లోపాన్ని సూచిస్తుంది) నయం చేస్తాయి6. పట్టణ మరియు పట్టణ సమీప నేల ఉపరితలాలపై నికెల్ పేరుకుపోవడానికి వ్యవసాయం వంటి మానవ కార్యకలాపాలు మరియు స్టెయిన్‌లెస్ స్టీల్ ఉత్పత్తిలో నికెల్ ప్రాముఖ్యత కారణం కావచ్చు78.
మూలకాల ప్రాదేశిక పంపిణీ [ప్రాదేశిక పంపిణీ పటాన్ని ArcGIS డెస్క్‌టాప్ (ESRI, Inc, వెర్షన్ 10.7, URL: https://desktop.arcgis.com) ఉపయోగించి సృష్టించబడింది.]
ఈ అధ్యయనంలో ఉపయోగించిన మూలకాల 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 ఆమోదయోగ్యంగా ఉన్నాయి. కాల్షియం మరియు మెగ్నీషియంలకు RMSE మరియు MAE ఫలితాలు ఎక్కువగా ఉన్నాయి. వేర్వేరు డేటాసెట్‌ల కారణంగా Ca మరియు K MAE మరియు RMSE ఫలితాలు ఎక్కువగా ఉన్నాయి. Niని అంచనా వేయడానికి EBKని ఉపయోగించి చేసిన ఈ అధ్యయనం యొక్క RMSE మరియు MAE, అదే సేకరించిన డేటాను ఉపయోగించి మట్టిలో S సాంద్రతలను అంచనా వేయడానికి సినర్జిస్టిక్ క్రిగింగ్‌ను ఉపయోగించిన జాన్ మరియు ఇతరుల 54 ఫలితాల కంటే మెరుగ్గా ఉన్నట్లు కనుగొనబడింది. మేము అధ్యయనం చేసిన EBK అవుట్‌పుట్‌లు ఫాబిజాజిక్ మరియు ఇతరుల 41, యాన్ మరియు ఇతరుల 79, బెగూయిన్ మరియు ఇతరుల 80, అధికారి మరియు ఇతరుల 81 మరియు జాన్ మరియు ఇతరుల 82 ఫలితాలతో, ముఖ్యంగా K మరియు Ni విషయంలో పరస్పర సంబంధం కలిగి ఉన్నాయి.
పట్టణ మరియు పట్టణ సమీప నేలలలో నికెల్ పరిమాణాన్ని అంచనా వేయడానికి ఉపయోగించే వివిధ పద్ధతుల పనితీరును, ఆయా నమూనాల పనితీరును ఉపయోగించి మూల్యాంకనం చేయబడింది (పట్టిక 3). నమూనా ధ్రువీకరణ మరియు కచ్చితత్వ మూల్యాంకనం, EBK SVMR నమూనాతో కలిపిన Ca_Mg_K అంచనా నమూనా ఉత్తమ పనితీరును కనబరిచిందని నిర్ధారించింది. క్యాలిబ్రేషన్ నమూనా Ca_Mg_K-EBK_SVMR యొక్క R2, రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE) మరియు మీన్ అబ్సొల్యూట్ ఎర్రర్ (MAE) విలువలు వరుసగా 0.637 (R2), 95.479 mg/kg (RMSE) మరియు 77.368 mg/kg (MAE) గా ఉన్నాయి. Ca_Mg_K-SVMR యొక్క R2, 0.663 (R2), 235.974 mg/kg (RMSE) మరియు 166.946 mg/kg (MAE) గా ఉన్నాయి. అయినప్పటికీ, Ca_Mg_K-SVMR (0.663 mg/kg R2) మరియు Ca_Mg-EBK_SVMR నమూనాలకు మంచి R2 విలువలు లభించాయి. (0.643 = R2); వాటి 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 డేటా సెట్ ఉత్తమ సరిపోలిక రేఖతో ఎంత కేంద్రీకృతమై ఉందో సూచిస్తాయి. అధిక RMSE మరియు MAE గమనించబడ్డాయి. కెబోన్యే మరియు ఇతరుల ప్రకారం అల్. 46 మరియు జాన్ మరియు ఇతరులు. 54 ప్రకారం, RMSE మరియు MAE సున్నాకి ఎంత దగ్గరగా ఉంటే, ఫలితాలు అంత మెరుగ్గా ఉంటాయి. SVMR మరియు EBK_SVMR అధిక క్వాంటైజ్డ్ RSME మరియు MAE విలువలను కలిగి ఉన్నాయి. RSME అంచనాలు MAE విలువల కంటే స్థిరంగా ఎక్కువగా ఉన్నాయని గమనించబడింది, ఇది అవుట్‌లయర్‌ల ఉనికిని సూచిస్తుంది. లెగేట్స్ మరియు మెక్‌కేబ్83 ప్రకారం, RMSE మీన్ అబ్సొల్యూట్ ఎర్రర్ (MAE)ను ఎంత మేరకు మించిందో దానిని అవుట్‌లయర్‌ల ఉనికికి సూచికగా సిఫార్సు చేయబడింది. దీని అర్థం, డేటాసెట్ ఎంత భిన్నంగా 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%గా ఉంది. లీ మరియు ఇతరులు. 59 ప్రకారం, ఈ స్థాయి ఖచ్చితత్వం ఆమోదయోగ్యమైన నమూనా పనితీరు రేటు. ప్రస్తుత ఫలితాలు తారాసోవ్ మరియు ఇతరుల మునుపటి అధ్యయనంతో పోల్చబడ్డాయి. ప్రస్తుత అధ్యయనంలో నివేదించబడిన EBK_SVMR ఖచ్చితత్వ మూల్యాంకన సూచికకు సంబంధించిన MLPRK (మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్) ను సృష్టించిన హైబ్రిడ్ మోడల్ యొక్క 36, RMSE (210) మరియు MAE (167.5) ప్రస్తుత అధ్యయనంలోని మా ఫలితాల (RMSE 95.479, MAE 77.368) కంటే ఎక్కువగా ఉన్నాయి. అయినప్పటికీ, ప్రస్తుత అధ్యయనం యొక్క R2 (0.637) ను తారాసోవ్ మరియు ఇతరుల అధ్యయనంతో పోల్చినప్పుడు. 36 (0.544)తో పోలిస్తే, ఈ మిశ్రమ నమూనాలో నిర్ధారణ గుణకం (R2) ఎక్కువగా ఉందని స్పష్టమవుతోంది. మిశ్రమ నమూనాకు (EBK SVMR) దోష పరిధి (RMSE మరియు MAE) రెండు రెట్లు తక్కువగా ఉంది. అదేవిధంగా, సెర్జీవ్ మరియు ఇతరులు34 అభివృద్ధి చేసిన హైబ్రిడ్ మోడల్ (మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్) కోసం 0.28 (R2) నమోదు చేయగా, ప్రస్తుత అధ్యయనంలో Ni 0.637 (R2) నమోదు చేసింది. ఈ మోడల్ (EBK SVMR) యొక్క అంచనా ఖచ్చితత్వ స్థాయి 63.7% కాగా, సెర్జీవ్ మరియు ఇతరులు34 పొందిన అంచనా ఖచ్చితత్వం 28%. EBK_SVMR మోడల్ మరియు Ca_Mg_K ను ప్రిడిక్టర్‌గా ఉపయోగించి సృష్టించిన తుది పటం (Fig. 5), మొత్తం అధ్యయన ప్రాంతంలో హాట్ స్పాట్‌లు మరియు మధ్యస్థం నుండి నికెల్ సాంద్రతల అంచనాలను చూపుతుంది. దీని అర్థం, అధ్యయన ప్రాంతంలో నికెల్ సాంద్రత ప్రధానంగా మధ్యస్థంగా ఉండగా, కొన్ని నిర్దిష్ట ప్రాంతాలలో అధిక సాంద్రతలు ఉన్నాయి.
తుది అంచనా పటాన్ని EBK_SVMR అనే హైబ్రిడ్ నమూనాను ఉపయోగించి, మరియు Ca_Mg_K ను అంచనా కారకంగా ఉపయోగించి సూచించబడింది. [ప్రాదేశిక పంపిణీ పటాన్ని RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడింది.]
పటం 6లో, వ్యక్తిగత న్యూరాన్‌లతో కూడిన ఒక కూర్పు తలంగా PTE గాఢతలు ప్రదర్శించబడ్డాయి. భాగ తలాలలో ఏదీ చూపిన విధంగా ఒకే రంగు నమూనాను ప్రదర్శించలేదు. అయినప్పటికీ, గీసిన ప్రతి పటానికి తగిన న్యూరాన్‌ల సంఖ్య 55. SeOM వివిధ రంగులను ఉపయోగించి ఉత్పత్తి చేయబడుతుంది, మరియు రంగు నమూనాలు ఎంత సారూప్యంగా ఉంటే, నమూనాల లక్షణాలు అంత పోల్చదగినవిగా ఉంటాయి. వాటి కచ్చితమైన రంగు స్కేల్ ప్రకారం, వ్యక్తిగత మూలకాలు (Ca, K, మరియు Mg) ఒకే అధిక న్యూరాన్‌లు మరియు చాలా తక్కువ న్యూరాన్‌లకు సారూప్య రంగు నమూనాలను చూపించాయి. అందువల్ల, CaK మరియు CaMg చాలా అధిక-క్రమ న్యూరాన్‌లు మరియు తక్కువ నుండి మధ్యస్థ రంగు నమూనాలతో కొన్ని సారూప్యతలను పంచుకుంటాయి. రెండు నమూనాలు ఎరుపు, నారింజ మరియు పసుపు వంటి మధ్యస్థ నుండి అధిక రంగుల ఛాయలను ప్రదర్శించడం ద్వారా నేలలో Ni గాఢతను అంచనా వేస్తాయి. KMg నమూనా కచ్చితమైన నిష్పత్తులు మరియు తక్కువ నుండి మధ్యస్థ రంగు పాచెస్‌ ఆధారంగా అనేక అధిక రంగు నమూనాలను ప్రదర్శిస్తుంది. తక్కువ నుండి అధిక వరకు ఉన్న కచ్చితమైన రంగు స్కేల్‌పై, నమూనా యొక్క భాగాల తల పంపిణీ నమూనా నేలలో నికెల్ యొక్క సంభావ్య గాఢతను సూచించే అధిక రంగు నమూనాను చూపించింది (పటం 4 చూడండి). CakMg నమూనా భాగ తలం తక్కువ నుండి అధిక వరకు విభిన్న రంగు నమూనాను చూపుతుంది. ఖచ్చితమైన రంగు స్కేల్ ప్రకారం అధికంగా ఉంటుంది. అంతేకాకుండా, మోడల్ యొక్క నికెల్ కంటెంట్ (CakMg) అంచనా, పటం 5లో చూపిన నికెల్ యొక్క ప్రాదేశిక పంపిణీని పోలి ఉంటుంది. రెండు గ్రాఫ్‌లు పట్టణ మరియు పట్టణ సమీప నేలల్లో నికెల్ సాంద్రతల యొక్క అధిక, మధ్యస్థ మరియు తక్కువ నిష్పత్తులను చూపుతాయి. పటం 7, మ్యాప్‌పై k-means గ్రూపింగ్‌లో కాంటూర్ పద్ధతిని వర్ణిస్తుంది, ఇది ప్రతి మోడల్‌లోని అంచనా విలువ ఆధారంగా మూడు క్లస్టర్‌లుగా విభజించబడింది. కాంటూర్ పద్ధతి క్లస్టర్‌ల యొక్క సరైన సంఖ్యను సూచిస్తుంది. సేకరించిన 115 నేల నమూనాలలో, వర్గం 1 అత్యధికంగా 74 నేల నమూనాలను పొందింది. క్లస్టర్ 2 33 నమూనాలను, క్లస్టర్ 3 8 నమూనాలను పొందాయి. సరైన క్లస్టర్ వివరణను అనుమతించడానికి ఏడు-భాగాల సమతల ప్రిడిక్టర్ కలయిక సరళీకరించబడింది. నేల ఏర్పడటాన్ని ప్రభావితం చేసే అనేక మానవజనిత మరియు సహజ ప్రక్రియల కారణంగా, విస్తరించిన SeOM మ్యాప్‌లో సరిగ్గా విభిన్నమైన క్లస్టర్ నమూనాలను కలిగి ఉండటం కష్టం78.
ప్రతి ఎంపరికల్ బయేసియన్ క్రిగింగ్ సపోర్ట్ వెక్టర్ మెషీన్ (EBK_SVM_SeOM) వేరియబుల్ ద్వారా అవుట్‌పుట్ చేయబడిన కాంపోనెంట్ ప్లేన్. [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 పట్టణ సమీప నేలలలో నికెల్ సాంద్రతల కోసం మోడలింగ్ పద్ధతులను స్పష్టంగా వివరిస్తుంది. నేలలో నికెల్ సాంద్రతలను అంచనా వేయడానికి ఉత్తమ మార్గాన్ని పొందడానికి, ఈ అధ్యయనం వివిధ మోడలింగ్ పద్ధతులను, మూలకాలను మోడలింగ్ పద్ధతులతో కలిపి పరీక్షించింది. మోడలింగ్ పద్ధతి యొక్క SeOM కూర్పు సమతల ప్రాదేశిక లక్షణాలు, నేలలో Ni సాంద్రతలను సూచిస్తూ, కచ్చితమైన రంగు స్కేల్‌పై తక్కువ నుండి ఎక్కువ వరకు ఒక ఉన్నత రంగు నమూనాను ప్రదర్శించాయి. అయితే, ప్రాదేశిక పంపిణీ పటం EBK_SVMR ద్వారా ప్రదర్శించబడిన భాగాల సమతల ప్రాదేశిక పంపిణీని నిర్ధారిస్తుంది (పటం 5 చూడండి). ఫలితాలు చూపిస్తున్నదేమిటంటే, సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ మోడల్ (Ca Mg K-SVMR) నేలలోని Ni సాంద్రతను ఒకే మోడల్‌గా అంచనా వేస్తుంది, కానీ ధ్రువీకరణ మరియు కచ్చితత్వ మూల్యాంకన పారామితులు RMSE మరియు MAE పరంగా చాలా అధిక లోపాలను చూపుతున్నాయి. మరోవైపు, EBK_MLR మోడల్‌తో ఉపయోగించిన మోడలింగ్ పద్ధతి కూడా నిర్ధారణ గుణకం (R2) యొక్క తక్కువ విలువ కారణంగా లోపభూయిష్టంగా ఉంది. EBK SVMR మరియు మిశ్రమ మూలకాలను (CaKMg) ఉపయోగించి తక్కువ RMSE మరియు MAE లోపాలతో 63.7% కచ్చితత్వంతో మంచి ఫలితాలు పొందబడ్డాయి. EBK అల్గోరిథంను మెషిన్ లెర్నింగ్ అల్గోరిథంతో కలపడం ద్వారా, నేలలోని PTEల సాంద్రతను అంచనా వేయగల ఒక హైబ్రిడ్ అల్గోరిథంను రూపొందించవచ్చని తేలింది. అధ్యయన ప్రాంతంలో Ni సాంద్రతలను అంచనా వేయడానికి Ca, Mg, K లను అంచనా కారకాలుగా ఉపయోగించడం వల్ల నేలలో Ni అంచనాను మెరుగుపరచవచ్చని ఫలితాలు చూపిస్తున్నాయి. దీని అర్థం, నికెల్ ఆధారిత ఎరువుల నిరంతర వాడకం మరియు ఉక్కు పరిశ్రమ ద్వారా నేల పారిశ్రామిక కాలుష్యానికి గురికావడం వల్ల నేలలో నికెల్ సాంద్రత పెరిగే అవకాశం ఉంది. పట్టణ లేదా పట్టణ సమీప నేలలలో నేల ప్రాదేశిక పంపిణీ నమూనాలో దోష స్థాయిని తగ్గించి, కచ్చితత్వాన్ని మెరుగుపరచగలదని ఈ అధ్యయనం వెల్లడించింది. సాధారణంగా, నేలలోని PTEను అంచనా వేయడానికి మరియు ఊహించడానికి EBK-SVMR నమూనాను వర్తింపజేయాలని మేము ప్రతిపాదిస్తున్నాము; అదనంగా, వివిధ మెషిన్ లెర్నింగ్ అల్గోరిథంలతో హైబ్రిడైజ్ చేయడానికి EBKని ఉపయోగించాలని మేము ప్రతిపాదిస్తున్నాము. మూలకాలను కోవేరియేట్‌లుగా ఉపయోగించి Ni సాంద్రతలు అంచనా వేయబడ్డాయి; అయితే, మరిన్ని కోవేరియేట్‌లను ఉపయోగించడం వల్ల మోడల్ పనితీరు గణనీయంగా మెరుగుపడుతుంది, దీనిని ప్రస్తుత పని యొక్క పరిమితిగా పరిగణించవచ్చు. ఈ అధ్యయనం యొక్క మరొక పరిమితి ఏమిటంటే, డేటాసెట్‌ల సంఖ్య 115. అందువల్ల, మరింత డేటాను అందిస్తే, ప్రతిపాదిత ఆప్టిమైజ్డ్ హైబ్రిడైజేషన్ పద్ధతి యొక్క పనితీరును మెరుగుపరచవచ్చు.
PlantProbs.net. మొక్కలు మరియు నేలలో నికెల్ https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ఏప్రిల్ 2021న యాక్సెస్ చేయబడింది).
కాస్ప్రజాక్, KS ఆధునిక పర్యావరణ విష శాస్త్రంలో నికెల్ పురోగతులు. సరౌండింగ్స్.టాక్సికాలజీ.11, 145–183 (1987).
సెంపెల్, ఎం. & నికెల్, జి. నికెల్: దాని మూలాలు మరియు పర్యావరణ విష శాస్త్రం యొక్క సమీక్ష. పోలిష్ జె. ఎన్విరాన్మెంట్. స్టడ్. 15, 375–382 (2006).
ఫ్రీడ్‌మాన్, బి. & హచిన్సన్, టిసి కెనడాలోని అంటారియోలోని సడ్‌బరీలోని నికెల్-కాపర్ స్మెల్టర్ సమీపంలో వాతావరణం నుండి కాలుష్య కారకాల ప్రవేశం మరియు నేల మరియు వృక్షసంపదలో చేరడం. కెన్.జె.బాట్.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
మన్యివా, టి. మరియు ఇతరులు. బోట్స్వానాలోని సెలెబి-ఫిక్వే రాగి-నికెల్ గని సమీపంలో నేల, మొక్కలలో భారీ లోహాలు మరియు మేత మేసే నెమరువేసే జంతువులతో సంబంధం ఉన్న ప్రమాదాలు. పరిసరాలు. భూరసాయన శాస్త్రం. ఆరోగ్యం https://doi.org/10.1007/s10653-021-00918-x (2021).
కబాటా-పెండియాస్. కబాటా-పెండియాస్ ఎ. 2011. నేలలో సూక్ష్మ మూలకాలు 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= (24 నవంబర్ 2020న యాక్సెస్ చేయబడింది).
అల్మాస్, ఎ., సింగ్, బి., వ్యవసాయం, TS-NJ & 1995, నిర్వచించబడలేదు. నార్వేలోని సోర్-వరంగెర్‌లోని వ్యవసాయ నేలలు మరియు గడ్డిలో భారీ లోహాల సాంద్రతలపై రష్యన్ నికెల్ పరిశ్రమ ప్రభావాలు. agris.fao.org.
నీల్సన్, జిడి మరియు ఇతరులు. త్రాగునీటిలో నికెల్ శోషణ మరియు నిలుపుదల ఆహార తీసుకోవడం మరియు నికెల్ సున్నితత్వానికి సంబంధించినవి. టాక్సికాలజీ. అప్లికేషన్. ఫార్మకోడైనమిక్స్. 154, 67–75 (1999).
కోస్టా, M. & క్లైన్, CB నికెల్ కార్సినోజెనిసిస్, మ్యుటేషన్, ఎపిజెనెటిక్స్ లేదా సెలక్షన్. సరౌండింగ్స్. హెల్త్ పర్స్పెక్టివ్. 107, 2 (1999).
అజ్మాన్, పిసి; అజాడో, ఎస్‌కె; బోరువ్కా, ఎల్.; బిని, జెకెఎం; సర్కోడి, వివైఓ; కోబోన్యే, ఎన్ఎం; సంభావ్య విషపూరిత మూలకాల ధోరణి విశ్లేషణ: ఒక బిబ్లియోమెట్రిక్ సమీక్ష. ఎన్విరాన్‌మెంటల్ జియోకెమిస్ట్రీ అండ్ హెల్త్. స్ప్రింగర్ సైన్స్ & బిజినెస్ మీడియా బివి 2020. https://doi.org/10.1007/s10653-020-00742-9.
మినాస్నీ, బి. & మెక్‌బ్రాట్నీ, ఎబి డిజిటల్ సాయిల్ మ్యాపింగ్: ఒక సంక్షిప్త చరిత్ర మరియు కొన్ని పాఠాలు. 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).