Nature.com پر جانے کے لیے آپ کا شکریہ۔ آپ جو براؤزر ورژن استعمال کر رہے ہیں اسے CSS کے لیے محدود سپورٹ حاصل ہے۔ بہترین تجربہ کے لیے، ہم تجویز کرتے ہیں کہ آپ ایک اپ ڈیٹ شدہ براؤزر استعمال کریں (یا انٹرنیٹ ایکسپلورر میں کمپیٹیبلٹی موڈ آف کر دیں)۔ اس دوران، مسلسل سپورٹ کو یقینی بنانے کے لیے، ہم سائٹ کو بغیر اسٹائلز اور جاوا اسکرپٹ کے ڈسپلے کریں گے۔
مٹی کی آلودگی انسانی سرگرمیوں کی وجہ سے پیدا ہونے والا ایک بڑا مسئلہ ہے۔ ممکنہ طور پر زہریلے عناصر (PTEs) کی مقامی تقسیم زیادہ تر شہری اور پیری-شہری علاقوں میں مختلف ہوتی ہے۔ اس لیے ایسی مٹی میں PTEs کے مواد کی مقامی طور پر پیش گوئی کرنا مشکل ہے۔ کل 115 نمونے Frydek Cmagciumcium (The Frydek Cmagciumcium) ریپبلک سے حاصل کیے گئے۔ (Mg)، پوٹاشیم (K) اور نکل (Ni) کے ارتکاز کا تعین inductively coled plasma Emission spectrometry کا استعمال کرتے ہوئے کیا گیا۔ ردعمل کا متغیر Ni ہے اور پیشین گوئی کرنے والے Ca, Mg، اور K ہیں۔ رسپانس متغیر اور پیش گو متغیر کے درمیان ارتباط کا میٹرکس ظاہر کرتا ہے کہ V عناصر کے درمیان ایک تسلی بخش نتیجہ ظاہر کرتا ہے۔ مشین ریگریشن (SVMR) نے اچھی کارکردگی کا مظاہرہ کیا، حالانکہ اس کی تخمینی جڑ کا مطلب مربع غلطی (RMSE) (235.974 mg/kg) اور مطلب مطلق غلطی (MAE) (166.946 mg/kg) لاگو کردہ دیگر طریقوں سے زیادہ تھیں۔ 0.1 سے کم عزم کے گتانکوں سے ثبوت۔ تجرباتی Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ماڈل بہترین ماڈل تھا، جس میں کم RMSE (95.479 mg/kg) اور MAE (77.368 mg/kg) fficient اقدار اور R = 30. 30. EBK-SVMR ماڈلنگ تکنیک آؤٹ پٹ کو خود ترتیب دینے والے نقشے کا استعمال کرتے ہوئے تصور کیا جاتا ہے۔ ہائبرڈ ماڈل CakMg-EBK-SVMR جزو کے ہوائی جہاز میں کلسٹرڈ نیورون ایک سے زیادہ رنگوں کے نمونے دکھاتے ہیں جو شہری اور پیری شہری مٹیوں میں نی کے ارتکاز کی پیش گوئی کرتے ہیں۔ نتائج یہ ظاہر کرتے ہیں کہ SVM اور EMR کی تکنیک کا امتزاج مؤثر ہے شہری اور پیری شہری مٹی۔
نکل (Ni) کو پودوں کے لیے ایک مائیکرو نیوٹرینٹ سمجھا جاتا ہے کیونکہ یہ ماحول میں نائٹروجن کی درستگی (N) اور یوریا میٹابولزم میں حصہ ڈالتا ہے، یہ دونوں بیج کے انکرن کے لیے ضروری ہیں۔ پتوں کے کلوروسس میں۔ مثال کے طور پر، گوبھی اور سبز پھلیوں کو نائٹروجن کی درستگی کو بہتر بنانے کے لیے نکل پر مبنی کھادوں کے استعمال کی ضرورت ہوتی ہے2۔ مٹی کو افزودہ کرنے کے لیے نکل کی بنیاد پر کھادوں کے مسلسل استعمال سے مٹی میں نائٹروجن کو ٹھیک کرنے کے لیے پھلیوں کی صلاحیت میں مسلسل اضافہ ہوتا ہے۔ پودوں کے لیے ایک مائیکرو نیوٹرینٹ، مٹی میں اس کا زیادہ استعمال فائدہ سے زیادہ نقصان پہنچا سکتا ہے۔ مٹی میں نکل کا زہریلا پن مٹی کے پی ایچ کو کم کرتا ہے اور پودوں کی نشوونما کے لیے ایک ضروری غذائیت کے طور پر لوہے کے اخراج میں رکاوٹ ڈالتا ہے۔ Liu3 کے مطابق، Ni 17 واں اہم عنصر پایا گیا ہے جو پودوں کی نشوونما اور نشوونما کے لیے ضروری ہے۔ مختلف قسم کی ایپلی کیشنز کے لیے اس کی ضرورت ہے۔ الیکٹروپلاٹنگ، نکل پر مبنی مرکب دھاتوں کی تیاری، اور گاڑیوں کی صنعت میں اگنیشن ڈیوائسز اور اسپارک پلگس کی تیاری سبھی مختلف صنعتی شعبوں میں نکل کے استعمال کی ضرورت ہے۔ ٹربائنز، سرجیکل امپلانٹس، ٹیکسٹائل، اور جہاز سازی5۔ مٹی میں نی سے بھرپور سطحوں (یعنی سطحی مٹی) کو اینتھروپوجنک اور قدرتی دونوں ذرائع سے منسوب کیا گیا ہے، لیکن بنیادی طور پر، نی ایک قدرتی ذریعہ ہے بجائے اس کے کہ اینتھروپوجنک 4,6۔ نکل کے قدرتی ذرائع میں آتش فشاں کے پھٹنے، آتش فشاں، آتش فشاں اور آتش فشاں کے عمل شامل ہیں۔ تاہم، اینتھروپوجنک ذرائع میں اسٹیل کی صنعت میں نکل/کیڈیمیم بیٹریاں، الیکٹروپلاٹنگ، آرک ویلڈنگ، ڈیزل اور ایندھن کے تیل، اور کوئلے کے دہن اور فضلہ اور کیچڑ کو جلانے سے نکلنے والا ماحولیاتی اخراج شامل ہیں نکل جمع7,8۔ 10، فوری اور ملحقہ ماحول میں سب سے اوپر کی مٹی کی آلودگی کے بنیادی ذرائع بنیادی طور پر نکل تانبے پر مبنی سمیلٹرز اور بارودی سرنگیں ہیں۔ کینیڈا میں سڈبری نکل-کاپر ریفائنری کے ارد گرد کی سب سے اوپر کی مٹی میں نکل کی آلودگی کی سب سے زیادہ سطح 26,000 mg/kg تھی، جس کے نتیجے میں روس میں نکل کی آلودگی میں 11 فیصد اضافہ ہوا ہے۔ ناروے کی مٹی میں نکل کی تعداد 11. Alms et al کے مطابق۔ 12، خطے کی سرفہرست قابل کاشت زمین (روس میں نکل کی پیداوار) میں HNO3 نکالنے کے قابل نکل کی مقدار 6.25 سے 136.88 mg/kg کے درمیان ہے، جو کہ 30.43 mg/kg کے اوسط اور 25 mg/kg کی بنیادی ارتکاز کے مطابق ہے۔ شہری یا پیری شہری زمینوں میں زرعی زمینوں میں لگاتار فصلوں کے موسموں کے دوران کھادیں مٹی کو متاثر یا آلودہ کر سکتی ہیں۔ انسانوں میں نکل کے ممکنہ اثرات mutagenesis، کروموسومل نقصان، Z-DNA جنریشن، بلاک شدہ DNA excision مرمت، یا epigenetic عمل کے ذریعے کینسر کا باعث بن سکتے ہیں۔ ٹیومر، اور سرطان پیدا کرنے والے نکل کمپلیکس ایسے ٹیومر کو بڑھا سکتے ہیں۔
مٹی کے پودوں کے تعلقات، مٹی اور مٹی کے حیاتیاتی تعلقات، ماحولیاتی انحطاط، اور ماحولیاتی اثرات کی تشخیص سے پیدا ہونے والے صحت سے متعلق مسائل کی ایک وسیع رینج کی وجہ سے حالیہ دنوں میں مٹی کی آلودگی کے تخمینے پروان چڑھے ہیں۔ آج تک، ممکنہ طور پر زہریلے عناصر (PTEs) کی مقامی پیشین گوئی جیسے کہ روایتی طریقہ کار کا استعمال کرتے ہوئے نائی اور روایتی طریقہ کار کا استعمال کیا گیا ہے۔ ڈیجیٹل مٹی کی نقشہ سازی (DSM) اور اس کی موجودہ کامیابی15 نے پیشین گوئی کرنے والی مٹی کی نقشہ سازی (PSM) کو بہت بہتر کیا ہے۔ Minasny اور McBratney16 کے مطابق، پیش گوئی کرنے والی مٹی کی نقشہ سازی (DSM) مٹی سائنس کا ایک نمایاں ذیلی شعبہ ثابت ہوا ہے۔ Lagacherie اور McBratney، 2006 کے ذریعے DSM کے ذریعے معلومات کی تخلیق اور معلومات کو بھرتے ہیں۔ صورتحال اور تجربہ گاہوں کے مشاہداتی طریقوں اور مقامی اور غیر مقامی مٹی کے تخمینے کے نظام کا استعمال۔"۔ 17 اس بات کا خاکہ پیش کرتا ہے کہ PTEs، مٹی کی اقسام اور مٹی کی خصوصیات کی مقامی تقسیم کی پیشن گوئی یا نقشہ سازی کے لیے عصری DSM یا PSM سب سے مؤثر تکنیک ہے۔ جیوسٹیٹسٹکس اور مشین لرننگ الگورتھم (MLA) DSM ماڈلنگ کی تکنیک ہیں جو اہم اور کم سے کم ڈیٹا کا استعمال کرتے ہوئے کمپیوٹر کی مدد سے ڈیجیٹل نقشے بناتے ہیں۔
Deutsch18 اور Olea19 جغرافیائی اعداد و شمار کو "عددی تکنیکوں کے مجموعہ کے طور پر بیان کرتے ہیں جو مقامی صفات کی نمائندگی کے ساتھ کام کرتی ہے، بنیادی طور پر اسٹاکسٹک ماڈلز کو استعمال کرتی ہے، جیسے کہ وقت کی سیریز کا تجزیہ کس طرح وقتی اعداد و شمار کی خصوصیت کرتا ہے۔" بنیادی طور پر، جیوسٹیٹسٹکس میں ویریگرامس کی تشخیص شامل ہوتی ہے، جو ہر ڈیٹا سیٹ سے مقامی قدروں کے انحصار کو مقدار اور وضاحت کی اجازت دیتے ہیں20.Gumiaux et al. 20 مزید واضح کرتا ہے کہ جیوسٹیٹسٹکس میں ویریوگرامس کی تشخیص تین اصولوں پر مبنی ہے، بشمول (a) ڈیٹا کے ارتباط کے پیمانے کا حساب لگانا، (b) ڈیٹاسیٹ کے تفاوت میں anisotropy کی شناخت اور کمپیوٹنگ اور (c) اس کے علاوہ پیمائش کی موروثی غلطی کو بھی مدنظر رکھتے ہوئے، مقامی اثرات کا تخمینہ B سے الگ کیا گیا ہے۔ تصورات، بہت سی انٹرپولیشن تکنیکوں کا استعمال جیوسٹیٹسٹکس میں کیا جاتا ہے، بشمول جنرل کریگنگ، کو-کریگنگ، عام کریگنگ، تجرباتی بایسیئن کریگنگ، سادہ کرگنگ طریقہ اور PTE، مٹی کی خصوصیات، اور مٹی کی اقسام کا نقشہ یا پیش گوئی کرنے کے لیے انٹرپولیشن کی دیگر معروف تکنیک۔
مشین لرننگ الگورتھم (MLA) ایک نسبتاً نئی تکنیک ہے جو بڑی غیر لکیری ڈیٹا کلاسز کو استعمال کرتی ہے، جو بنیادی طور پر ڈیٹا مائننگ، ڈیٹا میں پیٹرن کی شناخت، اور سائنسی شعبوں جیسے مٹی سائنس اور ریٹرن ٹاسک میں درجہ بندی کے لیے بار بار استعمال کیے جانے والے الگورتھم کے ذریعے ایندھن فراہم کرتی ہے۔ متعدد تحقیقی مقالے پی ٹی ای ماڈلز پر انحصار کرتے ہیں۔ 22 (زرعی مٹی میں بھاری دھات کے تخمینے کے لیے بے ترتیب جنگلات)، ساکیزادہ وغیرہ۔ 23 (سپورٹ ویکٹر مشینوں اور مصنوعی اعصابی نیٹ ورکس کا استعمال کرتے ہوئے ماڈلنگ) مٹی کی آلودگی ) اس کے علاوہ، Vega et al. 24 (زمین میں بھاری دھاتوں کو برقرار رکھنے اور جذب کرنے کے لیے کارٹ) سن ایٹ ال۔ 25 (کیوبسٹ کا اطلاق مٹی میں سی ڈی کی تقسیم ہے) اور دیگر الگورتھم جیسے کے-قریبی پڑوسی، عام بڑھا ہوا رجعت، اور بڑھا ہوا رجعت درختوں نے مٹی میں PTE کی پیش گوئی کرنے کے لیے ایم ایل اے کا بھی اطلاق کیا۔
پیشن گوئی یا نقشہ سازی میں DSM الگورتھم کے اطلاق کو کئی چیلنجوں کا سامنا ہے۔ بہت سے مصنفین کا خیال ہے کہ ایم ایل اے جیوسٹیٹسٹکس سے برتر ہے اور اس کے برعکس۔ اگرچہ ایک دوسرے سے بہتر ہے، دونوں کا مجموعہ DSM15 میں نقشہ سازی یا پیشین گوئی کی درستگی کی سطح کو بہتر بناتا ہے۔ Woodcock اور Gopal2626; Pontius اور Cheuk28 اور Grunwald29 پیشین گوئی شدہ مٹی کی نقشہ سازی میں خامیوں اور کچھ غلطیوں پر تبصرہ کرتے ہیں۔ مٹی کے سائنس دانوں نے DSM میپنگ اور پیشین گوئی کی تاثیر، درستگی اور پیشین گوئی کو بہتر بنانے کے لیے مختلف تکنیکوں کی کوشش کی ہے۔ غیر یقینی صورتحال اور تصدیق کا مجموعہ DSM کے مختلف پہلوؤں میں ایک مؤثریت کو کم کرتا ہے۔ تاہم، Agyeman et al. 15 خاکہ کہ نقشہ کی تخلیق اور پیشین گوئی کے ذریعے متعارف کرائے گئے توثیق کے رویے اور غیر یقینی صورتحال کو نقشہ کے معیار کو بہتر بنانے کے لیے آزادانہ طور پر توثیق کی جانی چاہیے۔ DSM کی حدود جغرافیائی طور پر منتشر مٹی کے معیار کی وجہ سے ہیں، جس میں غیر یقینی صورتحال کا ایک جزو شامل ہے۔ تاہم، DSM میں یقین کی کمی غلطی کے متعدد ذرائع سے پیدا ہو سکتی ہے، یعنی covariate ایرر، ماڈل ایرر، لوکیشن ایرر، اور تجزیاتی ایرر 31۔ ایم ایل اے اور جیوسٹیٹسٹیکل پروسیسز میں پیدا ہونے والی ماڈلنگ کی غلطیاں سمجھ کی کمی سے وابستہ ہیں، جو بالآخر ماڈلنگ کے حقیقی عمل کی حد سے زیادہ آسان ہونے کا باعث بنتی ہیں۔ ماڈلنگ کے پیرامیٹرز، ریاضیاتی ماڈل کی پیشین گوئیاں، یا انٹرپولیشن33۔ 34; سببوٹینا وغیرہ۔ 35; تاراسوف وغیرہ۔ 36 اور تاراسوف وغیرہ۔ 37 نے ہائبرڈ ماڈل تیار کرنے کے لیے جیوسٹیٹکس اور مشین لرننگ کے درست معیار کا فائدہ اٹھایا ہے جو پیشن گوئی اور نقشہ سازی کی کارکردگی کو بہتر بناتے ہیں۔ کوالٹی۔ ان میں سے کچھ ہائبرڈ یا مشترکہ الگورتھم ماڈلز ہیں مصنوعی نیورل نیٹ ورک کریگنگ (ANN-RK)، ملٹی لیئر پرسیپٹرون ریزیڈیول کریگنگ (MLP-RK)، جنرلائزڈ ریگریشن نیورل نیٹ ورک ریزیڈیوئل کریگنگ (GR-NNRK)36، آرٹیفیشل نیورل نیٹ ورک کریگنگ (ANN-RK) اور ملٹی لیئر پرسیپٹرون ریزیڈیوئل کریگنگ۔ Co-Kriging and Gaussian Process Regression38.
Sergeev et al. کے مطابق، ماڈلنگ کی مختلف تکنیکوں کو یکجا کرنے میں خامیوں کو ختم کرنے اور نتیجے میں آنے والے ہائبرڈ ماڈل کی کارکردگی کو بڑھانے کی بجائے اس کا واحد ماڈل تیار کرنے کی صلاحیت ہے۔ اس تناظر میں، یہ نیا مقالہ استدلال کرتا ہے کہ جغرافیائی اعداد و شمار اور ایم ایل اے کے مشترکہ الگورتھم کو لاگو کرنا ضروری ہے تاکہ نائیبرڈ اور نئوربن کے بہترین ماڈل کے لیے بہتر بنایا جا سکے۔ ایریاز۔ یہ مطالعہ ایمپیریکل بایسیئن کریگنگ (EBK) پر بیس ماڈل کے طور پر انحصار کرے گا اور اسے سپورٹ ویکٹر مشین (SVM) اور ایک سے زیادہ لکیری ریگریشن (MLR) ماڈلز کے ساتھ ملایا جائے گا۔ EBK کی کسی بھی ایم ایل اے کے ساتھ ہائبرڈائزیشن معلوم نہیں ہے۔ دیکھے گئے متعدد مخلوط ماڈلز عام، کے ایم ایل اے کے مجموعے ہیں، ریجنل ریگریشن اور ایم ایل اے۔ جیوسٹیٹسٹیکل انٹرپولیشن کا طریقہ جو ایک مقامی طور پر اسٹاکسٹک عمل کو استعمال کرتا ہے جو فیلڈ پر متعین لوکلائزیشن پیرامیٹرز کے ساتھ ایک نان سٹیشنری/ سٹیشنری رینڈم فیلڈ کے طور پر مقامی ہوتا ہے، جس سے مقامی تغیرات کی اجازت ہوتی ہے مٹی کی خصوصیات 42۔
دوسری طرف، سیلف آرگنائزنگ گراف (SeOM) ایک سیکھنے کا الگورتھم ہے جس کا اطلاق مختلف مضامین جیسے Li et al میں کیا گیا ہے۔ 43، وانگ وغیرہ۔ 44، حسین بھویاں وغیرہ۔ 45 اور Kebonye et al.46 مقامی صفات اور عناصر کی گروپ بندی کا تعین کریں۔ وانگ وغیرہ۔ 44 اس بات کا خاکہ پیش کرتا ہے کہ SeOM ایک طاقتور سیکھنے کی تکنیک ہے جو غیر لکیری مسائل کو گروپ کرنے اور ان کا تصور کرنے کی صلاحیت کے لیے جانی جاتی ہے۔ پیٹرن کی شناخت کی دیگر تکنیکوں کے برعکس جیسے پرنسپل اجزاء کا تجزیہ، فزی کلسٹرنگ، درجہ بندی کے جھرمٹ، اور کثیر معیار پر فیصلہ سازی، SeOM Pcoreting al WTE کے پیٹرن کو ترتیب دینے اور شناخت کرنے میں بہتر ہے۔ 44، SeOM متعلقہ نیوران کی تقسیم کو مقامی طور پر گروپ کر سکتا ہے اور ہائی ریزولوشن ڈیٹا ویژولائزیشن فراہم کر سکتا ہے۔ SeOM براہ راست تشریح کے لیے نتائج کو نمایاں کرنے کے لیے بہترین ماڈل حاصل کرنے کے لیے نی پیشین گوئی کے ڈیٹا کا تصور کرے گا۔
اس مقالے کا مقصد شہری اور پیری شہری مٹی میں نکل کے مواد کی پیشن گوئی کے لیے زیادہ سے زیادہ درستگی کے ساتھ ایک مضبوط نقشہ سازی کا ماڈل تیار کرنا ہے۔ ہم یہ قیاس کرتے ہیں کہ مخلوط ماڈل کی وشوسنییتا بنیادی طور پر بیس ماڈل کے ساتھ منسلک دیگر ماڈلز کے اثر و رسوخ پر منحصر ہے۔ ہم تسلیم کرتے ہیں کہ DSM کو درپیش چیلنجز کا سامنا ہے، اور یہ متعدد چیلنجز کو ایڈوانس کے طور پر حل کرنے کے لیے ڈی ایس ایم کے سامنے ہے۔ جیوسٹیٹسٹکس اور ایم ایل اے ماڈلز بڑھتے ہوئے دکھائی دیتے ہیں۔ اس لیے، ہم تحقیقی سوالات کے جواب دینے کی کوشش کریں گے جن سے مخلوط ماڈل حاصل ہو سکتے ہیں۔ تاہم، ہدف کے عنصر کی پیشین گوئی کرنے میں ماڈل کتنا درست ہے؟ اس کے علاوہ، توثیق اور درستگی کی تشخیص پر مبنی کارکردگی کی تشخیص کی سطح کیا ہے؟ اس لیے، اس مطالعے کے مخصوص اہداف تھے (a) ایک مشترکہ EMRK ماڈل کا استعمال کرتے ہوئے ایک مشترکہ ماڈل EMRK یا SVM کے لیے مشترکہ ماڈل بنانا۔ (b) نتیجے میں آنے والے ماڈلز کا موازنہ کریں (c) شہری یا پیری-شہری مٹیوں میں نی کے ارتکاز کی پیشن گوئی کرنے کے لیے بہترین مرکب ماڈل تجویز کریں، اور (d) نکل مقامی تغیرات کا ایک اعلی ریزولوشن نقشہ بنانے کے لیے SeOM کا اطلاق۔
یہ مطالعہ جمہوریہ چیک میں کیا جا رہا ہے، خاص طور پر موراویا-سائلسیئن علاقے کے فریڈک مسٹیک ضلع میں (تصویر 1 دیکھیں)۔ مطالعہ کے علاقے کا جغرافیہ بہت ناہموار ہے اور زیادہ تر موراویا-سائلسیئن بیسکیڈی خطے کا حصہ ہے، جو کہ کارپیتھین پہاڑی علاقے کے بیرونی کنارے کا حصہ ہے۔ 0′ N اور 18° 20′ 0′ E، اور اونچائی 225 اور 327 میٹر کے درمیان ہے۔ تاہم، خطے کی آب و ہوا کی حالت کے لیے کوپن کی درجہ بندی کے نظام کو Cfb = معتدل سمندری آب و ہوا کے طور پر درجہ بندی کیا گیا ہے، یہاں تک کہ خشک مہینوں میں بھی بہت زیادہ بارش ہوتی ہے۔ درجہ حرارت −5 °C اور 24 °C کے درمیان سال بھر میں تھوڑا سا مختلف ہوتا ہے، شاذ و نادر ہی −14 °C سے نیچے گرتا ہے °C یا اس سے اوپر کی سالانہ اوسط °C 63 °C یا اس سے اوپر ہے۔ اور 752 ایم ایم 47۔ پورے علاقے کا تخمینہ سروے رقبہ 1,208 مربع کلومیٹر ہے، جس میں 39.38% کاشت کی گئی زمین اور 49.36% جنگلات پر مشتمل ہے۔ دوسری طرف، اس تحقیق میں استعمال ہونے والا رقبہ تقریباً 889.8 مربع کلومیٹر ہے۔ اس کے ارد گرد سٹیل مل، دھاتی صنعت اور اسٹیل مل، اوسٹراوا بہت فعال کام کر رہے ہیں۔ سٹیل کی صنعت جہاں نکل سٹینلیس سٹیل میں استعمال ہوتی ہے (مثلاً ماحولیاتی سنکنرن کے خلاف مزاحمت کے لیے) اور الائے سٹیل (نکل اپنی اچھی لچک اور سختی کو برقرار رکھتے ہوئے کھوٹ کی مضبوطی کو بڑھاتا ہے)، اور گہری زراعت جیسے کہ فاسفیٹ کھاد کا استعمال اور مویشیوں کی پیداوار نکل کی شرح میں اضافے کے لیے تحقیقی ذرائع ہیں بھیڑ کے بچے اور کم پالنے والے مویشی)۔ تحقیقی علاقوں میں نکل کے دیگر صنعتی استعمال میں الیکٹروپلاٹنگ میں اس کا استعمال شامل ہے، بشمول الیکٹروپلاٹنگ نکل اور الیکٹرو لیس نکل چڑھانے کے عمل۔ مٹی کی خصوصیات مٹی کے رنگ، ساخت اور کاربونیٹ مواد سے آسانی سے پہچانی جا سکتی ہیں۔ مٹی کی ساخت درمیانے سے باریک ہوتی ہے، جو بنیادی مواد سے اخذ کی جاتی ہے۔ سطح اور زیریں مٹی میں اکثر کنکریٹ اور بلیچنگ کے ساتھ دبیز نظر آتے ہیں۔ تاہم، کیمبیسول اور سٹیگنوسولز خطے میں سب سے زیادہ عام مٹی کی اقسام ہیں48۔ 455.1 سے 493.5 میٹر تک کی بلندی کے ساتھ، کیمبیسولز جمہوریہ چیک پر غلبہ رکھتے ہیں۔
مطالعہ کے علاقے کا نقشہ [مطالعہ کے علاقے کا نقشہ ArcGIS ڈیسک ٹاپ (ESRI, Inc, ورژن 10.7، URL: https://desktop.arcgis.com) کا استعمال کرتے ہوئے بنایا گیا تھا۔]
Frydek Mistek ضلع میں شہری اور پیری شہری مٹی سے کل 115 سب سے اوپر مٹی کے نمونے حاصل کیے گئے تھے۔ استعمال شدہ نمونے کا نمونہ ایک باقاعدہ گرڈ تھا جس میں مٹی کے نمونے 2 × 2 کلومیٹر کے فاصلے پر تھے، اور اوپر کی مٹی کو 0 سے 20 سینٹی میٹر کی گہرائی میں ماپا گیا تھا۔ تھیلوں پر، مناسب طریقے سے لیبل لگا کر لیبارٹری میں بھیج دیا گیا۔ نمونوں کو ہوا میں خشک کیا گیا تاکہ pulverized نمونے تیار کیے جا سکیں، ایک میکینیکل سسٹم (Fritsch ڈسک مل) کے ذریعے پلورائز کیے گئے، اور چھلنی (چھلنی کا سائز 2 ملی میٹر)۔ 1 گرام خشک، یکساں اور چھلنی مٹی کے نمونوں کو صاف طور پر ہر ایک میں ڈالیں۔ 7 ملی لیٹر 35% HCl اور 3 ملی لیٹر 65% HNO3 (ایک خودکار ڈسپنسر کا استعمال کرتے ہوئے - ہر تیزاب کے لیے ایک)، ہلکے سے ڈھانپیں اور نمونوں کو رد عمل کے لیے رات بھر کھڑے رہنے دیں (ایکوا ریجیا پروگرام) .سپرنیٹینٹ کو گرم دھاتی پلیٹ پر رکھیں (درجہ حرارت: 100 W اور 16 ° C سے 16 ° C تک) نمونے، پھر ٹھنڈا کریں۔ سپرناٹینٹ کو 50 ملی لیٹر والیومیٹرک فلاسک میں منتقل کریں اور ڈیونائزڈ پانی کے ساتھ 50 ملی لیٹر تک پتلا کریں۔ اس کے بعد، ڈی آئیونائزڈ پانی کے ساتھ 50 ملی لیٹر پی وی سی ٹیوب میں پتلا ہوا سپرنیٹنٹ کو فلٹر کریں۔ مزید برآں، 1 ملی لیٹر ڈائلیشن سلوشن کو 9 ملی لیٹر تیار شدہ پانی کے ساتھ 9 ملی لیٹر فلٹر کیا گیا۔ PTE pseudo-concentration کے لیے۔ PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) کے ارتکاز کا تعین ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) کے ذریعے کیا گیا تھا۔ (QA/QC) طریقہ کار (SRM NIST 2711a Montana II Soil)۔ نصف سے کم شناخت کی حد والے PTEs کو اس مطالعے سے خارج کر دیا گیا تھا۔ اس مطالعے میں استعمال ہونے والے PTE کی کھوج کی حد 0.0004 تھی۔ (آپ)۔ اس کے علاوہ، ہر تجزیہ کے لیے کوالٹی کنٹرول اور کوالٹی اشورینس کے عمل کو یقینی بنایا جاتا ہے کہ تجزیہ کرنے سے اس بات کو یقینی بنایا جاتا ہے کہ معیاری غلطیوں کو دوبارہ بنایا جا سکے۔ تجزیہ کیا گیا تھا.
تجرباتی بایسیئن کریگنگ (EBK) متعدد جیوسٹیٹسٹیکل انٹرپولیشن تکنیکوں میں سے ایک ہے جو مختلف شعبوں میں ماڈلنگ میں استعمال ہوتی ہے جیسے کہ مٹی کی سائنس۔ دیگر کریگنگ انٹرپولیشن تکنیکوں کے برعکس، EBK سیمی ویریوگرام ماڈل کے تخمینے کی غلطی پر غور کرتے ہوئے روایتی کریجنگ طریقوں سے مختلف ہے۔ semivariogram.Interpolation کی تکنیک سیمی ویاریوگرام کی اس سازش سے وابستہ غیر یقینی صورتحال اور پروگرامنگ کے لیے راستہ بناتی ہے جو کافی کریگنگ طریقہ کار کا ایک انتہائی پیچیدہ حصہ بناتی ہے۔ EBK کا انٹرپولیشن عمل Krivoruchko50 کے تجویز کردہ تین معیارات کی پیروی کرتا ہے، (a) ماڈل سیمی ویریوگرام کا تخمینہ لگاتا ہے۔ تیار کردہ سیمی ویریوگرام اور (c) فائنل A ماڈل کو ایک مصنوعی ڈیٹاسیٹ سے شمار کیا جاتا ہے۔
جہاں \(مسئلہ\left(A\right)\) پیشگی کی نمائندگی کرتا ہے، \(Prob\left(B\right)\) معمولی امکان کو زیادہ تر صورتوں میں نظر انداز کیا جاتا ہے، \(Prob (B,A)\ ) .سیمی ویاریوگرام کا حساب کتاب Bayes کے اصول پر مبنی ہے، جو ظاہر کرتا ہے کہ سیمی ویاریوگرام کے سیمی ویاریوگرام کی قدر کی تشکیل کی گئی ہے۔ اس کے بعد Bayes کے اصول کا استعمال کرتے ہوئے تعین کیا جاتا ہے، جس میں بتایا گیا ہے کہ سیمی ویریوگرام سے مشاہدات کا ڈیٹا سیٹ بنانے کا کتنا امکان ہے۔
ایک سپورٹ ویکٹر مشین ایک مشین لرننگ الگورتھم ہے جو ایک جیسی لیکن لکیری طور پر آزاد کلاسوں میں فرق کرنے کے لیے ایک بہترین الگ کرنے والا ہائپرپلین تیار کرتا ہے۔ Vapnik51 نے ارادے کی درجہ بندی کا الگورتھم بنایا، لیکن اسے حال ہی میں رجعت پر مبنی مسائل کو حل کرنے کے لیے استعمال کیا گیا ہے۔ Li et al.52 کے مطابق، SVM کو مختلف شعبوں میں بہترین تکنیک کا استعمال کیا گیا ہے۔ اس تجزیے میں SVM کا ریگریشن جزو (سپورٹ ویکٹر مشین ریگریشن – SVMR) استعمال کیا گیا تھا۔ Cherkassky اور Mulier53 نے SVMR کو دانا پر مبنی رجعت کے طور پر پیش کیا، جس کی گنتی ایک لکیری رجعت کے ماڈل کے ساتھ کی گئی تھی جس میں ملٹی کنٹری اسپیشل ماڈلز SVMR کی رپورٹنگ ہائیپر 5 کے ساتھ کام کرتا ہے۔ لکیری رجعت، جو غیر خطی تعلقات پیدا کرتی ہے اور مقامی افعال کی اجازت دیتی ہے۔ ووہلینڈ وغیرہ کے مطابق۔ 55، epsilon (ε)-SVMR ایک epsilon-insensitive فنکشن کے طور پر نمائندگی کے ماڈل کو حاصل کرنے کے لیے تربیت یافتہ ڈیٹاسیٹ کا استعمال کرتا ہے جو متعلقہ ڈیٹا پر تربیت سے بہترین epsilon تعصب کے ساتھ ڈیٹا کو آزادانہ طور پر نقشہ بنانے کے لیے لاگو ہوتا ہے۔ پیش سیٹ فاصلے کی غلطی کو اصل قدر سے نظر انداز کر دیا جاتا ہے، اور اگر خرابی اس سے بڑی ہے تو یہ ماڈل کی خصوصیات کو بھی کم کرتا ہے۔ سپورٹ ویکٹر کے وسیع تر ذیلی سیٹ کو تربیتی ڈیٹا۔ Vapnik51 کی تجویز کردہ مساوات ذیل میں دکھائی گئی ہے۔
جہاں b اسکیلر تھریشولڈ کی نمائندگی کرتا ہے، \(K\left({x}_{,}{ x}_{k}\right)\) کرنل فنکشن کی نمائندگی کرتا ہے، \(\alpha\) Lagrange ضرب کی نمائندگی کرتا ہے، N ایک عددی ڈیٹا سیٹ کی نمائندگی کرتا ہے، \({x}_{k}\) ڈیٹا ان پٹ کی نمائندگی کرتا ہے، اور \(y.V. OMR) کا استعمال کیا جاتا ہے SV کی کلید OMR ہے آپریشن، جو ایک گاوسی ریڈیل بیس فنکشن (RBF) ہے۔ RBF کرنل کا اطلاق بہترین SVMR ماڈل کا تعین کرنے کے لیے کیا جاتا ہے، جو PTE ٹریننگ ڈیٹا کے لیے سب سے باریک پینلٹی سیٹ فیکٹر C اور کرنل پیرامیٹر گاما (γ) حاصل کرنے کے لیے اہم ہے۔ طریقہ کی قدر svmRadial ہے۔
ایک سے زیادہ لکیری ریگریشن ماڈل (MLR) ایک ریگریشن ماڈل ہے جو کم از کم مربعوں کے طریقہ کار کا استعمال کرتے ہوئے حساب شدہ لکیری پولڈ پیرامیٹرز کا استعمال کرتے ہوئے رسپانس متغیر اور متعدد پیش گو متغیر کے درمیان تعلق کی نمائندگی کرتا ہے۔ variables.PTE کو وضاحتی متغیر کے ساتھ ایک خطی تعلق قائم کرنے کے لیے جوابی متغیر کے طور پر استعمال کیا گیا تھا۔ MLR مساوات یہ ہے
جہاں y رسپانس متغیر ہے، \(a\) انٹرسیپٹ ہے، n پیشین گوئی کرنے والوں کی تعداد ہے، \({b}_{1}\) گتانکوں کا جزوی رجعت ہے، \({x}_{i}\) ایک پیش گو یا وضاحتی متغیر کی نمائندگی کرتا ہے، اور \({\varepsilon }_{i}\) کی نمائندگی کرنے والے ماڈل کے طور پر بھی جانا جاتا ہے۔
مخلوط ماڈلز EBK کو SVMR اور MLR کے ساتھ سینڈویچ کر کے حاصل کیے گئے تھے۔ یہ EBK انٹرپولیشن سے پیش گوئی کی گئی قدروں کو نکال کر کیا جاتا ہے۔ انٹرپولیٹڈ Ca, K, اور Mg سے حاصل کی گئی پیش گوئی شدہ قدریں نئے متغیرات حاصل کرنے کے لیے ایک مشترکہ عمل کے ذریعے حاصل کی جاتی ہیں، جیسے کہ CaK اور KM، Cag، پھر Cag عناصر۔ ایک چوتھا متغیر، CaKMg حاصل کرنے کے لیے ملا کر۔ مجموعی طور پر، حاصل کیے گئے متغیرات ہیں Ca, K, Mg, CaK, CaMg, KMg اور CaKMg۔ یہ متغیر ہمارے پیش گو بن گئے، جو شہری اور پیری-شہری زمینوں میں نکل کے ارتکاز کی پیش گوئی کرنے میں مدد کرتے ہیں۔ ماڈل ایمپائریکل بایسیئن کریگنگ-سپورٹ ویکٹر مشین (EBK_SVM)۔ اسی طرح، متغیرات کو بھی MLR الگورتھم کے ذریعے پائپ کیا جاتا ہے تاکہ ایک مخلوط ماڈل ایمپائریکل بایسیئن کریگنگ-ملٹیپل لائنر ریگریشن (EBK_MLR) حاصل کیا جا سکے۔ CaKMg کو شہری اور پیری شہری مٹیوں میں نی مواد کے پیش گو کے طور پر بطور covariates استعمال کیا جاتا ہے۔ حاصل کردہ سب سے زیادہ قابل قبول ماڈل (EBK_SVM یا EBK_MLR) کو پھر خود ترتیب دینے والے گراف کا استعمال کرتے ہوئے تصور کیا جائے گا۔ اس مطالعہ کا ورک فلو شکل 2 میں دکھایا گیا ہے۔
SeOM کا استعمال مالیاتی شعبے، صحت کی دیکھ بھال، صنعت، شماریات، مٹی کی سائنس اور مزید میں ڈیٹا کو ترتیب دینے، جانچنے اور پیشن گوئی کرنے کے لیے ایک مقبول ٹول بن گیا ہے۔ SeOM کو مصنوعی اعصابی نیٹ ورکس اور تنظیم، تشخیص اور پیشین گوئی کے لیے غیر زیر نگرانی سیکھنے کے طریقوں کا استعمال کرتے ہوئے بنایا گیا ہے۔ اس مطالعہ میں، SeOM کو Ni visualize کرنے کے لیے بہترین نمونے کے لیے استعمال کیا گیا تھا۔ peri-urban soils. SeOM کی تشخیص میں پروسیس شدہ ڈیٹا کو n input-dimensional vector variables43,56.Melssen et al کے طور پر استعمال کیا جاتا ہے۔ 57 ایک ان پٹ ویکٹر کے نیورل نیٹ ورک میں سنگل ان پٹ لیئر کے ذریعے کسی ایک وزنی ویکٹر کے ساتھ آؤٹ پٹ ویکٹر کے کنکشن کی وضاحت کرتا ہے۔ SeOM کے ذریعہ تیار کردہ آؤٹ پٹ ایک دو جہتی نقشہ ہے جس میں مختلف نیوران یا نوڈس ہیکساگونل، سرکلر، یا مربع ٹاپولوجیکل نقشوں میں بنے ہوئے ہیں ان کی قربت کے مطابق۔ ٹپوگرافک ایرر (TE)، بالترتیب 0.086 اور 0.904 والا SeOM ماڈل منتخب کیا گیا ہے، جو کہ 55-نقشے کی اکائی (5 × 11) ہے۔ نیوران کی ساخت کا تعین تجرباتی مساوات میں نوڈس کی تعداد کے مطابق کیا جاتا ہے۔
اس مطالعے میں استعمال کیے گئے ڈیٹا کی تعداد 115 نمونے ہے۔ ڈیٹا کو ٹیسٹ ڈیٹا (25% توثیق کے لیے) اور ٹریننگ ڈیٹا سیٹس (75% انشانکن کے لیے) میں تقسیم کرنے کے لیے ایک بے ترتیب طریقہ استعمال کیا گیا تھا۔ ٹریننگ ڈیٹاسیٹ کا استعمال ریگریشن ماڈل (انشانکن) بنانے کے لیے کیا جاتا ہے، اور ٹیسٹ ڈیٹاسیٹ کا استعمال اس بات کی تصدیق کے لیے کیا جاتا ہے کہ مختلف ماڈلز کے لیے پہلے سے طے شدہ قابلیت کے مطابق یہ ماڈلز کی مختلف صلاحیتوں کو پورا کیا گیا تھا۔ مٹی میں نکل کا مواد۔ استعمال ہونے والے تمام ماڈلز دس گنا کراس توثیق کے عمل سے گزرے، پانچ بار دہرائے گئے۔ EBK انٹرپولیشن کے ذریعہ تیار کردہ متغیرات کو ہدف متغیر (PTE) کی پیشن گوئی کرنے کے لیے پیشین گو یا وضاحتی متغیر کے طور پر استعمال کیا جاتا ہے۔ لائبریری ("e1071″)، لائبریری ("plyr")، لائبریری ("caTools")، لائبریری ("prospectr") اور لائبریریاں ("میٹرکس")۔
مٹی میں نکل کے ارتکاز کی پیشن گوئی کرنے کے لیے موزوں بہترین ماڈل کا تعین کرنے اور ماڈل کی درستگی اور اس کی توثیق کے لیے مختلف توثیق کے پیرامیٹرز کا استعمال کیا گیا۔ ہائبرڈائزیشن ماڈلز کا اوسط مطلق غلطی (MAE)، جڑ کا مطلب مربع ایرر (RMSE)، اور R-squared یا coefficient definition of theRport2Variance (proporter2) کا استعمال کرتے ہوئے جائزہ لیا گیا۔ جواب، جس کی نمائندگی ریگریشن ماڈل کے ذریعہ کی جاتی ہے۔ RMSE اور آزادانہ اقدامات میں تغیر کی شدت ماڈل کی پیشین گوئی کی طاقت کو بیان کرتی ہے، جب کہ MAE اصل مقداری قدر کا تعین کرتا ہے۔ توثیق کے پیرامیٹرز کا استعمال کرتے ہوئے بہترین مرکب ماڈل کا اندازہ کرنے کے لیے R2 کی قدر زیادہ ہونی چاہیے، قدر 1 کے قریب ہوگی، Liccura al. 59، 0.75 یا اس سے زیادہ کی R2 کسوٹی قدر کو ایک اچھا پیش گو سمجھا جاتا ہے۔ 0.5 سے 0.75 تک قابل قبول ماڈل کی کارکردگی ہے، اور 0.5 سے کم ماڈل کی کارکردگی ناقابل قبول ہے۔ RMSE اور MAE کی توثیق کے معیار کی تشخیص کے طریقوں کو استعمال کرتے ہوئے ماڈل کا انتخاب کرتے وقت، حاصل کی گئی کم قدریں کافی تھیں اور انہیں بہترین انتخاب سمجھا جاتا تھا۔ درج ذیل مساوات تصدیقی طریقہ کی وضاحت کرتی ہے۔
جہاں n مشاہدہ شدہ قدر کے سائز کی نمائندگی کرتا ہے\({Y}_{i}\) ناپے ہوئے ردعمل کی نمائندگی کرتا ہے، اور \({\widehat{Y}}_{i}\) بھی پیش گوئی شدہ ردعمل کی قدر کی نمائندگی کرتا ہے، اس لیے، پہلے i مشاہدات کے لیے۔
پیشن گوئی کرنے والے اور جوابی متغیرات کی اعدادوشمار کی وضاحتیں جدول 1 میں پیش کی گئی ہیں، جس میں اوسط، معیاری انحراف (SD)، تغیر کے گتانک (CV)، کم از کم، زیادہ سے زیادہ، کرٹوسس، اور skewness دکھایا گیا ہے۔ عناصر کی کم سے کم اور زیادہ سے زیادہ قدریں Mg < Ca < K < Ni اور Ca < C < سینٹی ردعمل کے لحاظ سے کم ہوتی ہوئی ترتیب میں ہیں۔ مطالعہ کے علاقے سے متغیر (Ni) کا نمونہ 4.86 سے 42.39 mg/kg تک تھا۔ Ni کا عالمی اوسط (29 mg/kg) اور یورپی اوسط (37 mg/kg) سے موازنہ ظاہر کرتا ہے کہ مطالعہ کے علاقے کے لیے مجموعی طور پر حسابی ہندسی وسط قابل برداشت حد کے اندر تھا۔ سویڈن میں زرعی مٹی کے ساتھ موجودہ مطالعے میں نکل (Ni) کی اوسط ارتکاز سے پتہ چلتا ہے کہ موجودہ اوسط نکل کا ارتکاز زیادہ ہے۔ اسی طرح، شہری اور پیری شہری مٹیوں میں Frydek Mistek کا اوسط ارتکاز موجودہ مطالعہ میں (Ni 16.15 mg/kg) Ni 16.15 mg/kg کی حد سے زیادہ تھا۔ Różański et al. کے ذریعہ رپورٹ کردہ پولش شہری مٹی مزید برآں، Bretzel اور Calderisi61 نے موجودہ مطالعے کے مقابلے Tuscany کی شہری مٹیوں میں بہت کم اوسط Ni ارتکاز (1.78 mg/kg) ریکارڈ کیا ہے۔ Jim62 نے بھی کم نکل کا ارتکاز پایا (12.34 mg/kg) جو کرنٹ کے مقابلے میں کم ہے۔ اس مطالعہ میں نکل کا ارتکاز۔ برک ایٹ ال63 نے جرمنی کے سیکسنی-انہالٹ میں ایک پرانے کان کنی اور شہری صنعتی علاقے میں اوسطا Ni ارتکاز 17.6 ملی گرام/کلوگرام کی اطلاع دی، جو اس علاقے میں اوسط Ni کی حراستی سے 1.45 ملی گرام/کلو زیادہ تھی (16.15 ملی گرام/کلوگرام اضافی تحقیق میں اور کچھ اضافی تحقیقی مواد میں)۔ مطالعہ کے علاقے کے مضافاتی علاقوں کو بنیادی طور پر لوہے اور اسٹیل کی صنعت اور دھات کی صنعت سے منسوب کیا جا سکتا ہے۔ یہ Khodadoust et al کے مطالعہ سے مطابقت رکھتا ہے۔ 64 کہ سٹیل کی صنعت اور دھاتی کام مٹی میں نکل کی آلودگی کے اہم ذرائع ہیں۔ تاہم، پیشین گوئی کرنے والے بھی 538.70 ملی گرام/کلو گرام سے 69,161.80 ملی گرام/کلوگرام Ca کے لیے، 497.51 ملی گرام/کلوگرام سے 3535.68 ملی گرام/کلوگرام، 8kg/6k کے لیے Mg. Jakovljevic et al کے لیے 5970.05 mg/kg 65 نے وسطی سربیا میں مٹی کے کل Mg اور K کے مواد کی چھان بین کی۔ انھوں نے پایا کہ کل ارتکاز (بالترتیب 410 mg/kg اور 400 mg/kg، موجودہ مطالعہ کے Mg اور K کے ارتکاز سے کم تھے۔ ناقابل شناخت، مشرقی پولینڈ میں، Orzechowski اور Smolczysکی، M6 اور Smolczyski کے مجموعی مواد کو ظاہر کیا گیا ہے) Ca (1100 mg/kg)، Mg (590 mg/kg) اور K (810 mg/kg) کی اوسط ارتکاز مٹی کے اوپری حصے میں موجود مواد اس مطالعہ میں موجود واحد عنصر سے کم ہے۔ Pongrac et al کا ایک حالیہ مطالعہ۔ 67 سے پتہ چلتا ہے کہ سکاٹ لینڈ، یو کے (Mylnefield مٹی، Balruddery مٹی اور Hartwood مٹی) میں 3 مختلف مٹیوں میں تجزیہ کردہ کل Ca مواد نے اس مطالعہ میں Ca مواد زیادہ ہونے کی نشاندہی کی۔
نمونے کے عناصر کی مختلف پیمائش شدہ ارتکاز کی وجہ سے، عناصر کے ڈیٹا سیٹ کی تقسیم مختلف ترچھی پن کو ظاہر کرتی ہے۔ عناصر کی ترچھی اور کرٹوسس بالترتیب 1.53 سے 7.24 اور 2.49 سے 54.16 تک ہوتی ہے۔ تمام حساب شدہ عناصر میں ترچھا پن اور ڈیٹا کی تقسیم کی سطح +1 سے اوپر ہوتی ہے۔ بے قاعدہ، صحیح سمت میں ترچھا اور چوٹی۔ عناصر کے تخمینہ شدہ CVs سے یہ بھی پتہ چلتا ہے کہ K, Mg, اور Ni میں اعتدال پسند تغیر ہے، جبکہ Ca میں بہت زیادہ تغیر ہے۔ K, Ni اور Mg کے CVs ان کی یکساں تقسیم کی وضاحت کرتے ہیں۔ مزید برآں، Ca کی تقسیم غیر یکساں ہے اور اس کے بیرونی ذرائع پر اثر انداز ہو سکتے ہیں۔
جوابی عناصر کے ساتھ پیشین گوئی کرنے والے متغیرات کے باہمی تعلق نے عناصر کے درمیان ایک تسلی بخش ارتباط کا اشارہ کیا (شکل 3 دیکھیں)۔ ارتباط نے اشارہ کیا کہ CaK نے r قدر = 0.53 کے ساتھ اعتدال پسند ارتباط ظاہر کیا، جیسا کہ CaNi کیا تھا۔ حالانکہ Ca اور K ایک دوسرے کے ساتھ معمولی وابستگی ظاہر کرتے ہیں، جیسا کہ کنگ ال ریسرچرز۔ 68 اور سینٹو 69 تجویز کرتے ہیں کہ مٹی میں ان کی سطح الٹا متناسب ہے۔ تاہم، Ca اور Mg K کے مخالف ہیں، لیکن CaK اچھی طرح سے جڑے ہوئے ہیں۔ یہ پوٹاشیم کاربونیٹ جیسی کھادوں کے استعمال کی وجہ سے ہو سکتا ہے، جو پوٹاشیم میں 56% زیادہ ہے۔ پوٹاشیم کو معتدل طور پر میگنیشیئم کے ساتھ میگنیشیم = 30 کے ساتھ ملایا گیا تھا۔ کھاد کی صنعت میں، یہ دونوں عناصر آپس میں گہرے تعلق رکھتے ہیں کیونکہ پوٹاشیم میگنیشیم سلفیٹ، پوٹاشیم میگنیشیم نائٹریٹ، اور پوٹاش ان کی کمی کی سطح کو بڑھانے کے لیے مٹی پر لاگو ہوتے ہیں۔ نکل کا درمیانی طور پر Ca، K اور Mg کے ساتھ r ویلیوز = 0.52، 0.63، اور 0.5 cal کے تعلق سے بالترتیب تعلق ہے۔ میگنیشیم، اور PTEs جیسے نکل پیچیدہ ہیں، لیکن اس کے باوجود، میگنیشیم کیلشیم کے جذب کو روکتا ہے، کیلشیم اضافی میگنیشیم کے اثرات کو کم کرتا ہے، اور میگنیشیم اور کیلشیم دونوں مٹی میں نکل کے زہریلے اثرات کو کم کرتے ہیں۔
پیشین گوئی کرنے والوں اور جوابات کے درمیان تعلق کو ظاہر کرنے والے عناصر کے لیے باہمی ربط کا میٹرکس (نوٹ: اس اعداد و شمار میں عناصر کے درمیان بکھرنے والا پلاٹ شامل ہے، اہمیت کی سطح p <0,001 پر مبنی ہے)۔
شکل 4 عناصر کی مقامی تقسیم کو واضح کرتی ہے۔ Burgos et al70 کے مطابق، مقامی تقسیم کا اطلاق ایک ایسی تکنیک ہے جو آلودہ علاقوں میں گرم مقامات کی مقدار درست کرنے اور نمایاں کرنے کے لیے استعمال کی جاتی ہے۔ تصویر 4 میں Ca کی افزودگی کی سطحوں کو Ca کی افزودگی کی سطح کے شمال مغربی حصے میں دیکھا جا سکتا ہے۔ ہاٹ سپاٹ۔ نقشے کے شمال مغرب میں کیلشیم کی افزودگی کا امکان مٹی کی تیزابیت کو کم کرنے کے لیے کوئیک لائم (کیلشیم آکسائیڈ) کے استعمال اور اسٹیل ملز میں اسٹیل بنانے کے عمل میں الکلائن آکسیجن کے طور پر استعمال کرنے کی وجہ سے ہے۔ دوسری طرف، دوسرے کسانوں کو ترجیح دیتے ہیں کہ کیلشیم ہائیڈرو آکسائیڈ کو تیزابیت والی مٹی میں استعمال کیا جائے جس سے مٹی کی تیزابیت میں اضافہ ہوتا ہے۔ مٹی 71. پوٹاشیم نقشے کے شمال مغرب اور مشرق میں گرم مقامات کو بھی دکھاتا ہے۔ شمال مغرب ایک اہم زرعی برادری ہے، اور پوٹاشیم کا اعتدال سے اعلی نمونہ NPK اور پوٹاش ایپلی کیشنز کی وجہ سے ہو سکتا ہے۔ یہ دیگر مطالعات سے مطابقت رکھتا ہے، جیسے مدارس اور Lipavský72, al73, al-74. et al.75، جنہوں نے مشاہدہ کیا کہ KCl اور NPK کے ساتھ مٹی کے استحکام اور علاج کے نتیجے میں مٹی میں K مواد زیادہ ہوتا ہے۔ تقسیم کے نقشے کے شمال مغرب میں مقامی پوٹاشیم کی افزودگی پوٹاشیم پر مبنی کھادوں جیسے پوٹاشیم کلورائیڈ، پوٹاشیم سلفیٹ، پوٹاشیم نائٹریٹ، پوٹاش، اور پوٹاش کے استعمال کی وجہ سے ہو سکتی ہے تاکہ ناقص مٹی میں پوٹاشیم کی مقدار میں اضافہ ہو سکے۔ Zádorová et al. 76 اور Tlustoš et al. 77 نے خاکہ پیش کیا کہ K پر مبنی کھادوں کے استعمال سے مٹی میں K کے مواد میں اضافہ ہوتا ہے اور طویل مدت میں مٹی کے غذائی اجزاء میں نمایاں اضافہ ہوتا ہے، خاص طور پر K اور Mg مٹی میں گرم جگہ دکھاتے ہیں۔ نقشے کے شمال مغرب اور نقشے کے جنوب مشرق میں نسبتاً اعتدال پسند ہاٹ سپاٹ۔ مٹی میں پودوں کو زرد مائل انٹروین کلوروسس کی نمائش کرنے کا سبب بنتا ہے۔ میگنیشیم پر مبنی کھادیں، جیسے پوٹاشیم میگنیشیم سلفیٹ، میگنیشیم سلفیٹ، اور کیسرائٹ، کمیوں کا علاج کرتی ہیں (پودے جامنی، سرخ یا بھورے رنگ کے دکھائی دیتے ہیں، جو کہ پی ایچ سی کیل کے ساتھ میگنیشیم کی کمی کی نشاندہی کرتے ہیں)۔ شہری اور پیری-شہری مٹی کی سطحیں انسانیت کی سرگرمیوں جیسے زراعت اور سٹینلیس سٹیل کی پیداوار میں نکل کی اہمیت78 کی وجہ سے ہوسکتی ہیں۔
عناصر کی مقامی تقسیم [مقامی تقسیم کا نقشہ ArcGIS ڈیسک ٹاپ (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) کا استعمال کرتے ہوئے بنایا گیا تھا۔]
اس مطالعہ میں استعمال ہونے والے عناصر کے ماڈل پرفارمنس انڈیکس کے نتائج ٹیبل 2 میں دکھائے گئے ہیں۔ دوسری طرف، Ni کے RMSE اور MAE دونوں صفر کے قریب ہیں (0.86 RMSE، -0.08 MAE)۔ دوسری طرف، K کی RMSE اور MAE دونوں قدریں قابل قبول ہیں۔ RMSE اور MAE کے نتائج زیادہ تھے اور KSEMA کے لیے زیادہ تھے۔ نتائج مختلف ڈیٹا سیٹس کی وجہ سے بڑے ہوتے ہیں۔ اس مطالعہ کے RMSE اور MAE میں EBK کا استعمال کرتے ہوئے Ni کی پیشن گوئی جان ایٹ ال کے نتائج سے بہتر پائی گئی۔ 54 اسی جمع کردہ ڈیٹا کا استعمال کرتے ہوئے مٹی میں S کے ارتکاز کی پیش گوئی کرنے کے لیے synergistic kriging کا استعمال کرتے ہوئے۔ EBK کے نتائج جن کا ہم نے مطالعہ کیا ہے وہ Fabijaczyk et al کے ساتھ منسلک ہیں۔ 41، یان وغیرہ۔ 79، بیگین وغیرہ۔ 80، ادھیکاری وغیرہ۔ 81 اور جان وغیرہ۔ 82، خاص طور پر K اور Ni.
شہری اور پیری شہری مٹیوں میں نکل کے مواد کی پیشن گوئی کرنے کے انفرادی طریقوں کی کارکردگی کا اندازہ ماڈلز کی کارکردگی کا استعمال کرتے ہوئے کیا گیا (ٹیبل 3)۔ ماڈل کی توثیق اور درستگی کی تشخیص نے تصدیق کی کہ EBK SVMR ماڈل کے ساتھ مل کر Ca_Mg_K پیشن گوئی کرنے والے نے بہترین کارکردگی کا مظاہرہ کیا۔ اوسط مربع غلطی (RMSE) اور اوسط مطلق غلطی (MAE) 0.637 (R2)، 95.479 mg/kg (RMSE) اور 77.368 mg/kg (MAE) Ca_Mg_K-SVMR تھی 0.663 (R2)، 235.974 mg/6kg (mg6kg) اور 4.974 mg/kg. (MAE)۔بہر حال، Ca_Mg_K-SVMR (0.663 mg/kg R2) اور Ca_Mg-EBK_SVMR (0.643 = R2) کے لیے اچھی R2 قدریں حاصل کی گئیں۔ ان کے RMSE اور MAE کے نتائج Ca_Mg_K-EBK_SVMR (R2 0.637) کے مقابلے زیادہ تھے (ٹیبل 3 دیکھیں)۔ اس کے علاوہ، Ca_Mg-EBK_SVMR کے RMSE اور MAE (RMSE = 1664.64 اور MAE = 1031.47 ہیں جو بالترتیب ماڈل ہیں، 131.49)۔ Ca_Mg_K-EBK_SVMR سے بڑا۔ اسی طرح، Ca_Mg-K SVMR (RMSE = 235.974 اور MAE = 166.946) ماڈل کے RMSE اور MAE Ca_Mg_K-SV-EB کے مقابلے میں 2.5 اور 2.2 بڑے ہیں۔ حسابی RMSE نتائج بتاتے ہیں کہ ڈیٹا سیٹ بہترین فٹ کی لائن کے ساتھ کتنا مرتکز ہے۔ اعلیٰ RSME اور MAE کا مشاہدہ کیا گیا۔ Kebonye et al کے مطابق۔ 46 اور جان وغیرہ۔ 54، RMSE اور MAE صفر کے جتنے قریب ہوں گے، نتائج اتنے ہی بہتر ہوں گے۔ SVMR اور EBK_SVMR میں RSME اور MAE کی قدریں زیادہ ہیں۔ یہ دیکھا گیا کہ RSME کے تخمینے MAE اقدار سے مستقل طور پر زیادہ تھے، جو باہر والوں کی موجودگی کی نشاندہی کرتے ہیں۔ اوسط سے زیادہ مطلق غلطی (MAE) کو آؤٹ لیرز کی موجودگی کے اشارے کے طور پر تجویز کیا جاتا ہے۔ اس کا مطلب ہے کہ ڈیٹاسیٹ جتنا زیادہ متضاد ہوگا، MAE اور RMSE کی قدریں اتنی ہی زیادہ ہوں گی۔ Ca_Mg_K-EBK_SVMR کی کراس توثیق کی درستگی پیش گوئی کرنے والے ذیلی مواد کے ماڈل اور ذیلی مواد کے ماڈل میں تھی۔ 63.70%۔لی ایٹ ال کے مطابق۔ 59، درستگی کی یہ سطح ایک قابل قبول ماڈل کارکردگی کی شرح ہے۔ موجودہ نتائج کا موازنہ Tarasov et al کے پچھلے مطالعہ سے کیا گیا ہے۔ 36 جس کے ہائبرڈ ماڈل نے MLPRK (Multilayer Perceptron Residual Kriging) بنایا، جو EBK_SVMR درستگی کی تشخیص کے اشاریہ سے متعلق ہے جو کہ موجودہ مطالعہ میں رپورٹ کیا گیا ہے، RMSE (210) اور The MAE (167.5) موجودہ مطالعہ میں ہمارے نتائج سے زیادہ تھا (RMSE 95.479,679,683MA جب کبھی بھی کمپوزیشن میں)۔ تاراسوف ایٹ ال کے ساتھ موجودہ مطالعہ (0.637) کا R2۔ 36 (0.544)، یہ واضح ہے کہ اس مخلوط ماڈل میں عزم کا گتانک (R2) زیادہ ہے۔ مخلوط ماڈل کے لیے غلطی کا مارجن (RMSE اور MAE) (EBK SVMR) دو گنا کم ہے۔ اسی طرح، Sergeev et al.34 نے 0.28 (R2) ریکارڈ کیا ہے۔ کریگنگ)، جبکہ موجودہ مطالعہ میں نی نے 0.637 (R2) ریکارڈ کیا ہے۔ اس ماڈل (EBK SVMR) کی پیشین گوئی کی درستگی کی سطح 63.7% ہے، جبکہ پیشن گوئی کی درستگی Sergeev et al کے ذریعے حاصل کی گئی ہے۔ 34 28% ہے۔ حتمی نقشہ (تصویر 5) EBK_SVMR ماڈل اور Ca_Mg_K کو بطور پیشن گوئی استعمال کرتے ہوئے تیار کیا گیا ہے جو پورے مطالعہ کے علاقے میں گرم مقامات اور اعتدال سے نکل تک کی پیشین گوئیاں دکھاتا ہے۔ اس کا مطلب ہے کہ مطالعہ کے علاقے میں نکل کا ارتکاز بنیادی طور پر معتدل ہے، کچھ مخصوص علاقوں میں زیادہ ارتکاز کے ساتھ۔
حتمی پیشین گوئی کا نقشہ ہائبرڈ ماڈل EBK_SVMR کا استعمال کرتے ہوئے اور Ca_Mg_K کو پیشن گوئی کے طور پر استعمال کرتے ہوئے دکھایا گیا ہے۔
شکل 6 میں PTE ارتکاز کو ایک کمپوزیشن ہوائی جہاز کے طور پر پیش کیا گیا ہے جو انفرادی نیوران پر مشتمل ہے۔ کسی بھی جزو کے طیاروں نے ایک ہی رنگ کے پیٹرن کی نمائش نہیں کی جیسا کہ دکھایا گیا ہے۔ تاہم، ہر نقشے میں نیوران کی مناسب تعداد 55 ہے۔ SeOM مختلف قسم کے رنگوں کا استعمال کرتے ہوئے تیار کیا جاتا ہے، اور جتنی زیادہ مماثلت رنگ کے پیٹرن ہوں گے، رنگوں کے نمونے کی خصوصیات کے مطابق ان کی خصوصیات کا موازنہ کیا جائے گا۔ انفرادی عناصر (Ca, K, اور Mg) نے سنگل ہائی نیورونز اور سب سے کم نیورونز کے لیے ایک جیسے رنگ کے پیٹرن دکھائے۔ اس طرح، CaK اور CaMg بہت ہی اعلیٰ ترتیب والے نیورونز اور کم سے اعتدال پسند رنگ کے پیٹرن کے ساتھ کچھ مماثلت رکھتے ہیں۔ دونوں ماڈلز مٹی میں نی کے ارتکاز کی پیش گوئی کرتے ہیں۔ درست تناسب اور کم سے درمیانے رنگ کے پیچ پر مبنی پیٹرن۔ کم سے اونچے رنگ کے درست پیمانے پر، ماڈل کے اجزاء کے پلانر ڈسٹری بیوشن پیٹرن نے ایک اعلی رنگ کا پیٹرن دکھایا جو مٹی میں نکل کے ممکنہ ارتکاز کو ظاہر کرتا ہے۔ نکل کے مواد کی ماڈل کی پیشین گوئی (CakMg) شکل 5 میں دکھائے گئے نکل کی مقامی تقسیم کے مترادف ہے۔ دونوں گراف شہری اور پیری شہری مٹی میں نکل کی تعداد کے اعلی، درمیانے اور کم تناسب کو ظاہر کرتے ہیں۔ شکل 7 میں سموچ کے طریقہ کار کو دکھایا گیا ہے، جو کہ نقشہ 5 کی بنیاد پر پہلے سے طے شدہ تین گروپوں میں تقسیم کیا گیا ہے۔ ہر ماڈل میں سموچ کا طریقہ کلسٹرز کی زیادہ سے زیادہ تعداد کی نمائندگی کرتا ہے۔ جمع کیے گئے 115 مٹی کے نمونوں میں، زمرہ 1 نے سب سے زیادہ مٹی کے نمونے حاصل کیے، 74۔ کلسٹر 2 نے 33 نمونے حاصل کیے، جب کہ کلسٹر 3 نے 8 نمونے حاصل کیے۔ سات اجزاء والے پلانر پیشن گوئی کے امتزاج کو درست کرنے کی اجازت دی گئی۔ اینتھروپجینک اور قدرتی عمل جو مٹی کی تشکیل کو متاثر کرتے ہیں، تقسیم شدہ SeOM نقشہ78 میں کلسٹر پیٹرن کو مناسب طریقے سے الگ کرنا مشکل ہے۔
ہر امپیریکل بایسیئن کریگنگ سپورٹ ویکٹر مشین (EBK_SVM_SeOM) متغیر کے ذریعہ اجزاء کے ہوائی جہاز کا آؤٹ پٹ۔
مختلف کلسٹر درجہ بندی کے اجزاء [SeOM نقشے RStudio (ورژن 1.4.1717: https://www.rstudio.com/) کا استعمال کرتے ہوئے بنائے گئے تھے۔]
موجودہ مطالعہ واضح طور پر شہری اور پیری شہری مٹیوں میں نکل کے ارتکاز کے لیے ماڈلنگ کی تکنیکوں کی وضاحت کرتا ہے۔ مطالعہ نے مختلف ماڈلنگ تکنیکوں کا تجربہ کیا، ماڈلنگ کی تکنیکوں کے ساتھ عناصر کو ملا کر، مٹی میں نکل کے ارتکاز کا اندازہ لگانے کا بہترین طریقہ حاصل کیا۔ مٹی میں نی کے ارتکاز کی نشاندہی کرتا ہے۔ تاہم، مقامی تقسیم کا نقشہ EBK_SVMR کے ذریعہ نمائش کردہ اجزاء کی پلانر مقامی تقسیم کی تصدیق کرتا ہے (شکل 5 دیکھیں)۔ نتائج سے پتہ چلتا ہے کہ سپورٹ ویکٹر مشین ریگریشن ماڈل (Ca Mg K-SVMR) کے ارتکاز کی پیشین گوئی کرتا ہے، لیکن ایک ماڈل میں Nid کی ارتکاز اور سنگل کے طور پر۔ تشخیص کے پیرامیٹرز RMSE اور MAE کے لحاظ سے بہت زیادہ غلطیاں دکھاتے ہیں۔ دوسری طرف، EBK_MLR ماڈل کے ساتھ استعمال کی گئی ماڈلنگ تکنیک بھی تعیین کے گتانک (R2) کی کم قیمت کی وجہ سے ناقص ہے۔ EBK SVMR اور مشترکہ عناصر کا استعمال کرتے ہوئے اچھے نتائج حاصل کیے گئے تھے۔ 63.7%۔یہ پتہ چلتا ہے کہ EBK الگورتھم کو مشین لرننگ الگورتھم کے ساتھ ملانے سے ایک ہائبرڈ الگورتھم تیار کیا جا سکتا ہے جو مٹی میں PTEs کے ارتکاز کی پیش گوئی کر سکتا ہے۔ نتائج ظاہر کرتے ہیں کہ Ca Mg K کا استعمال کرتے ہوئے پیشین گوئی کرنے والے کے طور پر مطالعہ کے علاقے میں Ni ارتکاز کی پیش گوئی کا مطلب یہ ہے کہ Nibasils کی مسلسل ایپلی کیشن کو بہتر بنایا جا سکتا ہے۔ اسٹیل کی صنعت کی طرف سے مٹی کی کھاد اور صنعتی آلودگی مٹی میں نکل کے ارتکاز کو بڑھانے کا رجحان رکھتی ہے۔ اس تحقیق سے یہ بات سامنے آئی ہے کہ EBK ماڈل غلطی کی سطح کو کم کر سکتا ہے اور شہری یا پیری-شہری مٹی میں مٹی کی مقامی تقسیم کے ماڈل کی درستگی کو بہتر بنا سکتا ہے۔ عام طور پر، ہم PKTES کو ماڈل کے طور پر لاگو کرنے کی تجویز کرتے ہیں۔ مٹی اس کے علاوہ، ہم EBK کو مختلف مشین لرننگ الگورتھم کے ساتھ ہائبرڈائز کرنے کے لیے استعمال کرنے کی تجویز کرتے ہیں۔ تاہم، زیادہ covariates استعمال کرنے سے ماڈل کی کارکردگی بہت بہتر ہو جائے گی، جسے موجودہ کام کی ایک حد سمجھا جا سکتا ہے۔ اس مطالعے کی ایک اور حد یہ ہے کہ ڈیٹا سیٹس کی تعداد 115 ہے۔ اس لیے، اگر مزید ڈیٹا فراہم کیا جائے تو، مجوزہ آپٹمائزڈ ہائبرڈائزیشن کے طریقہ کار کی کارکردگی کو بہتر بنایا جا سکتا ہے۔
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 اپریل 2021 تک رسائی)۔
Kasprzak، KS Nickel جدید ماحولیاتی ٹاکسیکولوجی. surroundings.toxicology.11، 145–183 (1987) میں ترقی کرتا ہے۔
Cempel, M. & Nikel, G. Nickel: A Review of its Sources and Environment toxicology. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC ماحول سے آلودگی کا ان پٹ اور سڈبری، اونٹاریو، Canada.can.J. میں نکل تانبے کے سمیلٹر کے قریب مٹی اور پودوں میں جمع ہونا۔ Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)۔
Maniwa, T. et al. Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-021007/s10653-0121007/s10653-021-0207/s10653-012100x/ میں Selebi-Phikwe تانبے نکل کی کان کے قریب مٹی میں بھاری دھاتیں، پودوں اور چرنے سے متعلق خطرات۔
Cabata-Pendias.Kabata-Pendias A. 2011. مٹی میں عناصر کا سراغ لگانا اور… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ عناصر+میں+زمین+اور+پودے۔+4th+ed.+New+York+%28NY%29%3A+CRC+Press&btnG= (24 نومبر 2020 تک رسائی)۔
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org میں زرعی مٹی اور گھاسوں میں بھاری دھاتوں کے ارتکاز پر روسی نکل انڈسٹری کے اثرات۔
Nielsen, GD et al.Nickel جذب اور پینے کے پانی میں برقرار رکھنے کا تعلق کھانے کی مقدار اور نکل کی حساسیت سے ہے.toxicology.application.Pharmacodynamics.154, 67–75 (1999)۔
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
عجمان، پی سی؛ اجادو، ایس کے؛ Borůvka, L.; بینی، جے کے ایم؛ سرکوڈی، وی وائی او؛ کوبونے، این ایم؛ ممکنہ طور پر زہریلے عناصر کا رجحان تجزیہ: ایک کتابیات کا جائزہ۔ ماحولیاتی جیو کیمسٹری اور صحت۔ اسپرنگر سائنس اینڈ بزنس میڈیا BV 2020.https://doi.org/10.1007/s10653-020-00742-9۔
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)۔
McBratney, AB, Mendonça Santos, ML & Minasny, B. ڈیجیٹل مٹی کی نقشہ سازی پر۔ Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)۔
Deutsch.CV Geostatistical Reservoir Modeling,… – 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 اپریل 2021 تک رسائی)۔