Nature.com পরিদর্শন করার জন্য আপনাকে ধন্যবাদ৷ আপনি যে ব্রাউজার সংস্করণটি ব্যবহার করছেন তাতে CSS-এর জন্য সীমিত সমর্থন রয়েছে৷ সেরা অভিজ্ঞতার জন্য, আমরা আপনাকে একটি আপডেট করা ব্রাউজার ব্যবহার করার পরামর্শ দিচ্ছি (অথবা Internet Explorer-এ সামঞ্জস্য মোড বন্ধ করুন)৷ ইতিমধ্যে, অব্যাহত সমর্থন নিশ্চিত করতে, আমরা স্টাইল এবং জাভাস্ক্রিপ্ট ছাড়াই সাইটটি প্রদর্শন করব৷
মৃত্তিকা দূষণ মানুষের ক্রিয়াকলাপের কারণে সৃষ্ট একটি বড় সমস্যা৷ সম্ভাব্য বিষাক্ত উপাদানগুলির (PTEs) স্থানিক বন্টন বেশিরভাগ শহুরে এবং পেরি-শহুরে অঞ্চলে পরিবর্তিত হয়৷ অতএব, এই ধরনের মাটিতে PTE-এর বিষয়বস্তু স্থানিকভাবে ভবিষ্যদ্বাণী করা কঠিন৷ মোট 115টি নমুনা প্রাপ্ত হয়েছিল Frydek Cmagcium (Frydek Cmagcium) রিপাবলিক (), ফ্রাইডেক সিম্যাগসিয়াম (সিইসি) থেকে। assium (K) এবং নিকেল (Ni) ঘনত্ব ইন্ডাকটিভভাবে মিলিত প্লাজমা নির্গমন স্পেকট্রোমেট্রি ব্যবহার করে নির্ধারণ করা হয়েছিল। প্রতিক্রিয়া ভেরিয়েবল হল Ni এবং ভবিষ্যদ্বাণীকারীরা হল Ca, Mg, এবং K। প্রতিক্রিয়া ভেরিয়েবল এবং ভবিষ্যদ্বাণীকারী ভেরিয়েবলের মধ্যে পারস্পরিক সম্পর্ক ম্যাট্রিক্স একটি সন্তোষজনক দেখায় যা VMR-এর পূর্বনির্ধারিত উপাদানগুলির মধ্যে পুনঃসম্পর্কিত ফলাফলগুলি দেখায়। ভাল পারফরম্যান্স করেছে, যদিও এর আনুমানিক রুট মানে বর্গাকার ত্রুটি (RMSE) (235.974 mg/kg) এবং গড় পরম ত্রুটি (MAE) (166.946 mg/kg) প্রয়োগ করা অন্যান্য পদ্ধতির চেয়ে বেশি ছিল। অভিজ্ঞতামূলক বেয়েসিয়ান ক্রিজিং-এর জন্য মিশ্র মডেলগুলি, দুর্বল রৈখিক রিগ্রেশনের (EB) প্রমাণের তুলনায় কম রৈখিক রিগ্রেশন (EB) দ্বারা কম সঞ্চালিত হয়েছে। 1.এম্পিরিক্যাল বেয়েসিয়ান ক্রিজিং-সাপোর্ট ভেক্টর মেশিন রিগ্রেশন (EBK-SVMR) মডেলটি ছিল সর্বোত্তম মডেল, যার কম RMSE (95.479 mg/kg) এবং MAE (77.368 mg/kg) মান এবং উচ্চ নির্ণয়ের গুণাঙ্ক (R2 = 0.3.6 ইএমআর) মডেল ব্যবহার করে স্বয়ংক্রিয় মডেল 0.3.6. হাইব্রিড মডেল CakMg-EBK-SVMR উপাদানের সমতলে ক্লাস্টারড নিউরনগুলি একাধিক রঙের প্যাটার্ন দেখায় যা শহুরে এবং পেরি-শহুরে মৃত্তিকাতে নি ঘনত্বের পূর্বাভাস দেয়৷ ফলাফলগুলি দেখায় যে EBK এবং SVMR একত্রিত করা একটি কার্যকরী কৌশল যাতে Ni ঘনত্বের পূর্বাভাস দেওয়া হয়।
নিকেল (Ni) উদ্ভিদের জন্য একটি মাইক্রোনিউট্রিয়েন্ট হিসাবে বিবেচিত হয় কারণ এটি বায়ুমণ্ডলীয় নাইট্রোজেন স্থিরকরণ (N) এবং ইউরিয়া বিপাকের ক্ষেত্রে অবদান রাখে, উভয়ই বীজের অঙ্কুরোদগমের জন্য প্রয়োজনীয়। বীজের অঙ্কুরোদগমের জন্য এর অবদান ছাড়াও, Ni একটি ছত্রাক এবং ব্যাকটেরিয়া প্রতিরোধক হিসাবে কাজ করতে পারে এবং উদ্ভিদের বিকাশকে উত্সাহিত করতে পারে, ফলে উদ্ভিদের অভাবে উদ্ভিদের বিকাশ ঘটতে পারে। পাতার।উদাহরণস্বরূপ, কাউপিস এবং সবুজ মটরশুটিগুলিতে নাইট্রোজেন ফিক্সেশন অপ্টিমাইজ করার জন্য নিকেল-ভিত্তিক সার প্রয়োগের প্রয়োজন হয়2।মাটি সমৃদ্ধ করার জন্য নিকেল-ভিত্তিক সারের ক্রমাগত প্রয়োগ এবং মাটিতে নাইট্রোজেন স্থির করার জন্য শিমের ক্ষমতা বাড়ানোর ফলে ক্রমাগতভাবে উদ্ভিদের মাইক্রোসেন্টের পরিমাণ বৃদ্ধি পায়। মাটিতে অত্যধিক গ্রহণ ভালোর চেয়ে বেশি ক্ষতি করতে পারে। মাটিতে নিকেলের বিষাক্ততা মাটির pH কমিয়ে দেয় এবং উদ্ভিদের বৃদ্ধির জন্য একটি অপরিহার্য পুষ্টি হিসেবে আয়রন গ্রহণে বাধা দেয়। Liu3-এর মতে, Ni কে উদ্ভিদের বিকাশ ও বৃদ্ধির জন্য প্রয়োজনীয় 17তম গুরুত্বপূর্ণ উপাদান হিসেবে দেখা গেছে। মানুষের বৃদ্ধিতে নিকেল প্রয়োগের পাশাপাশি উদ্ভিদের বিকাশে বিভিন্ন ভূমিকার প্রয়োজন। নিকেল-ভিত্তিক অ্যালয় উত্পাদন, এবং স্বয়ংচালিত শিল্পে ইগনিশন ডিভাইস এবং স্পার্ক প্লাগ তৈরির জন্য বিভিন্ন শিল্প খাতে নিকেলের ব্যবহার প্রয়োজন৷ উপরন্তু, নিকেল-ভিত্তিক অ্যালয়েস এবং ইলেক্ট্রোপ্লেটেড প্রবন্ধগুলি রান্নাঘরের জিনিসপত্র, বলরুমের জিনিসপত্র, খাদ্য শিল্পের সরবরাহ, বৈদ্যুতিক, তারের এবং টেক্সট, টেক্সট, টেক্সট এবং সিকিউরিটিজ ইত্যাদিতে ব্যাপকভাবে ব্যবহৃত হয়েছে। 5.নি-সমৃদ্ধ মাটিতে (অর্থাৎ, পৃষ্ঠের মৃত্তিকা) নৃতাত্ত্বিক এবং প্রাকৃতিক উত্স উভয়ের জন্য দায়ী করা হয়েছে, তবে প্রাথমিকভাবে, নৃতাত্ত্বিক 4,6 এর পরিবর্তে Ni একটি প্রাকৃতিক উত্স। নিকেলের প্রাকৃতিক উত্সগুলির মধ্যে রয়েছে আগ্নেয়গিরির অগ্ন্যুৎপাত, গাছপালা, বনের আগুন এবং ভূতাত্ত্বিক প্রক্রিয়া;যাইহোক, নৃতাত্ত্বিক উত্সগুলির মধ্যে রয়েছে ইস্পাত শিল্পের নিকেল/ক্যাডমিয়াম ব্যাটারি, ইলেক্ট্রোপ্লেটিং, আর্ক ওয়েল্ডিং, ডিজেল এবং জ্বালানী তেল, এবং কয়লা দহন এবং বর্জ্য এবং স্লাজ পোড়ানো থেকে বায়ুমণ্ডলীয় নির্গমন নিকেল সংগ্রহ7,8।10, তাৎক্ষণিক এবং সংলগ্ন পরিবেশে শীর্ষ মৃত্তিকা দূষণের প্রধান উত্স হল প্রধানত নিকেল-তামা-ভিত্তিক গন্ধক এবং খনি। কানাডার সাডবেরি নিকেল-কপার শোধনাগারের আশেপাশের উপরের মাটিতে নিকেল দূষণের সর্বোচ্চ মাত্রা ছিল 26,000 মিলিগ্রাম/কেজি, রাশিয়ায় নিকেল দূষণের ফলে 11 শতাংশ বেশি দূষণ হয়েছে। নরওয়েজিয়ান মাটিতে 11. Alms এট আল অনুসারে।12, এই অঞ্চলের শীর্ষ আবাদযোগ্য জমিতে (রাশিয়ায় নিকেল উৎপাদন) HNO3- নিষ্কাশনযোগ্য নিকেলের পরিমাণ 6.25 থেকে 136.88 mg/kg, গড় 30.43 mg/kg এবং 25 mg/kg বেসলাইন ঘনত্বের সাথে সঙ্গতিপূর্ণ। ক্রমাগত ফসলের মৌসুমে শহুরে বা পেরি-শহুরে মাটিতে আল্ট্রাল মাটি মাটিকে সংক্রমিত বা দূষিত করতে পারে। মানুষের মধ্যে নিকেলের সম্ভাব্য প্রভাব মিউটাজেনেসিস, ক্রোমোজোমাল ক্ষতি, জেড-ডিএনএ জেনারেশন, ব্লকড ডিএনএ এক্সিশন মেরামত, বা এপিজেনেটিক প্রক্রিয়ার মাধ্যমে ক্যান্সার হতে পারে13। প্রাণী পরীক্ষায়, নিকেলের জটিল বৈচিত্র্য এবং টিউনোমারের সম্ভাব্য কারণ পাওয়া গেছে। এই ধরনের টিউমার বৃদ্ধি.
মৃত্তিকা-উদ্ভিদ সম্পর্ক, মাটি ও মাটির জৈবিক সম্পর্ক, পরিবেশগত অবক্ষয়, এবং পরিবেশগত প্রভাব মূল্যায়ন থেকে উদ্ভূত স্বাস্থ্য-সম্পর্কিত সমস্যাগুলির একটি বিস্তৃত কারণে সাম্প্রতিক সময়ে মৃত্তিকা দূষণের মূল্যায়ন বৃদ্ধি পেয়েছে। আজ অবধি, সম্ভাব্য বিষাক্ত উপাদানগুলির স্থানিক ভবিষ্যদ্বাণী (PTEs) যেমন ডিজিটাল পদ্ধতি ব্যবহার করে প্রথাগত শ্রমসাধ্য এবং শ্রমসাধ্য সময় ব্যবহার করা হয়েছে। (DSM) এবং এর বর্তমান সাফল্য15 ভবিষ্যদ্বাণীমূলক মৃত্তিকা ম্যাপিং (PSM) ব্যাপকভাবে উন্নত করেছে। Minasny এবং McBratney16-এর মতে, ভবিষ্যদ্বাণীমূলক মৃত্তিকা ম্যাপিং (DSM) মৃত্তিকা বিজ্ঞানের একটি বিশিষ্ট উপশাখা হিসাবে প্রমাণিত হয়েছে। Lagacherie এবং McBratney, 2006 সংজ্ঞায়িত করে এবং DSM-এর মাধ্যমে শ্রমের ব্যবহার পদ্ধতিতে শ্রম এবং ভরাট পদ্ধতি ব্যবহার করে। সার্ভেশনাল পদ্ধতি এবং স্থানিক এবং নন-স্পেশিয়াল সয়েল ইনফারেন্স সিস্টেম”। ম্যাকব্র্যাটনি এট আল।17 রূপরেখা যে সমসাময়িক DSM বা PSM হল PTEs, মাটির ধরন এবং মাটির বৈশিষ্ট্যগুলির স্থানিক বন্টনের পূর্বাভাস বা ম্যাপিংয়ের জন্য সবচেয়ে কার্যকরী কৌশল। ভূ-পরিসংখ্যান এবং মেশিন লার্নিং অ্যালগরিদম (MLA) হল DSM মডেলিং কৌশল যা উল্লেখযোগ্য এবং ন্যূনতম ডেটা ব্যবহার করে কম্পিউটারের সাহায্যে ডিজিটালাইজড মানচিত্র তৈরি করে।
Deutsch18 এবং Olea19 ভূ-পরিসংখ্যানকে "সংখ্যাসূচক কৌশলগুলির সংগ্রহ হিসাবে সংজ্ঞায়িত করে যা স্থানিক বৈশিষ্ট্যগুলির উপস্থাপনা নিয়ে কাজ করে, প্রধানত স্টোকাস্টিক মডেলগুলি নিয়োগ করে, যেমন সময় সিরিজ বিশ্লেষণ কীভাবে অস্থায়ী ডেটাকে চিহ্নিত করে।"প্রাথমিকভাবে, ভূ-পরিসংখ্যানের মধ্যে ভ্যারিওগ্রামের মূল্যায়ন জড়িত, যা প্রতিটি ডেটাসেট থেকে স্থানিক মানের নির্ভরতা পরিমাপ এবং সংজ্ঞায়িত করার অনুমতি দেয়20.Gumiaux et al20 আরও ব্যাখ্যা করে যে জিওস্ট্যাটিস্টিকসে ভ্যারিওগ্রামের মূল্যায়ন তিনটি নীতির উপর ভিত্তি করে করা হয়, যার মধ্যে রয়েছে (ক) ডেটা পারস্পরিক সম্পর্কের স্কেল গণনা করা, (খ) ডেটাসেট বৈষম্যের মধ্যে অ্যানিসোট্রপি সনাক্ত করা এবং গণনা করা এবং (গ) এছাড়াও পরিমাপের অন্তর্নিহিত ত্রুটিকে বিবেচনায় নেওয়া ছাড়াও, এই ধারণাগুলি আন্তঃপোল এলাকা থেকে আন্তঃপোল প্রভাবগুলিকে আলাদা করা হয়েছে। কৌশলগুলি জিওস্ট্যাটিস্টিক্সে ব্যবহৃত হয়, যার মধ্যে রয়েছে সাধারণ ক্রিগিং, কো-ক্রিগিং, সাধারণ ক্রিগিং, অভিজ্ঞতামূলক বায়েসিয়ান ক্রিজিং, সাধারণ ক্রিগিং পদ্ধতি এবং PTE, মাটির বৈশিষ্ট্য এবং মাটির ধরন ম্যাপ বা ভবিষ্যদ্বাণী করার জন্য অন্যান্য সুপরিচিত ইন্টারপোলেশন কৌশল।
মেশিন লার্নিং অ্যালগরিদম (এমএলএ) একটি অপেক্ষাকৃত নতুন কৌশল যা বৃহত্তর নন-লিনিয়ার ডেটা ক্লাস নিযুক্ত করে, প্রাথমিকভাবে ডেটা মাইনিংয়ের জন্য ব্যবহৃত অ্যালগরিদম দ্বারা চালিত হয়, ডেটাতে প্যাটার্ন শনাক্ত করা হয়, এবং মাটি বিজ্ঞান এবং রিটার্ন টাস্কের মতো বৈজ্ঞানিক ক্ষেত্রে শ্রেণীবিভাগে বারবার প্রয়োগ করা হয়। অসংখ্য গবেষণা পত্র PTE মডেলের উপর নির্ভর করে।22 (কৃষি মাটিতে ভারী ধাতু অনুমানের জন্য এলোমেলো বন), সাকিজাদেহ এট আল।23 (সমর্থন ভেক্টর মেশিন এবং কৃত্রিম নিউরাল নেটওয়ার্ক ব্যবহার করে মডেলিং) মাটি দূষণ ). উপরন্তু, Vega et al.24 (মাটিতে ভারী ধাতু ধারণ এবং শোষণের মডেলিংয়ের জন্য কার্ট) সান এট আল।25 (কিউবিস্টের প্রয়োগ হল মাটিতে সিডি বন্টন) এবং অন্যান্য অ্যালগরিদম যেমন কে-নিকটবর্তী প্রতিবেশী, সাধারণীকৃত বুস্টেড রিগ্রেশন এবং বুস্টেড রিগ্রেশন ট্রিস মাটিতে পিটিই-এর পূর্বাভাস দিতে এমএলএ প্রয়োগ করে।
ভবিষ্যদ্বাণী বা ম্যাপিংয়ে DSM অ্যালগরিদমের প্রয়োগ বিভিন্ন চ্যালেঞ্জের সম্মুখীন হয়৷ অনেক লেখক বিশ্বাস করেন যে এমএলএ ভূ-পরিসংখ্যানের থেকে উচ্চতর এবং তদ্বিপরীত৷ যদিও একটি অন্যটির থেকে ভাল, দুটির সংমিশ্রণ DSM15-এ ম্যাপিং বা ভবিষ্যদ্বাণীর নির্ভুলতার স্তরকে উন্নত করে৷ Woodcock এবং Gopal2626;Pontius এবং Cheuk28 এবং Grunwald29 ভবিষ্যদ্বাণীকৃত মৃত্তিকা ম্যাপিংয়ে ঘাটতি এবং কিছু ত্রুটির বিষয়ে মন্তব্য করেছেন৷ মৃত্তিকা বিজ্ঞানীরা ডিএসএম ম্যাপিং এবং পূর্বাভাসের কার্যকারিতা, নির্ভুলতা এবং পূর্বাভাসযোগ্যতাকে অপ্টিমাইজ করার জন্য বিভিন্ন কৌশলের চেষ্টা করেছেন৷ অনিশ্চয়তা এবং যাচাইয়ের সংমিশ্রণটি ডিএসএম-এইচের বিভিন্ন দিক থেকে কার্যকরীকরণ এবং ডিএসএমএইচকে কমিয়ে আনতে সক্ষম। যাইহোক, Agyeman et al.15 রূপরেখা যে মানচিত্র তৈরি এবং ভবিষ্যদ্বাণী দ্বারা প্রবর্তিত বৈধতা আচরণ এবং অনিশ্চয়তা মানচিত্রের গুণমান উন্নত করার জন্য স্বাধীনভাবে যাচাই করা উচিত। ডিএসএম-এর সীমাবদ্ধতাগুলি ভৌগলিকভাবে বিচ্ছুরিত মাটির গুণমানের কারণে, যা অনিশ্চয়তার একটি উপাদান জড়িত;যাইহোক, ডিএসএম-এ নিশ্চিততার অভাব ত্রুটির একাধিক উত্স থেকে উদ্ভূত হতে পারে, যথা কোভেরিয়েট ত্রুটি, মডেল ত্রুটি, অবস্থান ত্রুটি এবং বিশ্লেষণাত্মক ত্রুটি 31. এমএলএ এবং ভূ-সংখ্যাগত প্রক্রিয়ায় প্ররোচিত মডেলিং ত্রুটিগুলি বোঝার অভাবের সাথে যুক্ত, শেষ পর্যন্ত অত্যধিক সরলীকরণের দিকে পরিচালিত করে। ing পরামিতি, গাণিতিক মডেল ভবিষ্যদ্বাণী, বা ইন্টারপোলেশন33. সম্প্রতি, একটি নতুন ডিএসএম প্রবণতা আবির্ভূত হয়েছে যা ম্যাপিং এবং পূর্বাভাসের ক্ষেত্রে জিওস্ট্যাটিস্টিকস এবং এমএলএ একীকরণকে উৎসাহিত করে৷ বেশ কিছু মৃত্তিকা বিজ্ঞানী এবং লেখক, যেমন সার্জিভ এট আল৷34;সাবোটিনা এট আল।35;তারাসভ এট আল।36 এবং তারাসভ এট আল।37 হাইব্রিড মডেল তৈরি করতে জিওস্ট্যাটিস্টিকস এবং মেশিন লার্নিংয়ের সঠিক গুণমানকে কাজে লাগিয়েছে যা পূর্বাভাস এবং ম্যাপিংয়ের দক্ষতা উন্নত করে।গুণমান। এই হাইব্রিড বা সম্মিলিত অ্যালগরিদম মডেলগুলির মধ্যে কয়েকটি হল কৃত্রিম নিউরাল নেটওয়ার্ক ক্রিজিং (এএনএন-আরকে), মাল্টিলেয়ার পারসেপ্ট্রন রেসিডুয়াল ক্রিজিং (এমএলপি-আরকে), জেনারেলাইজড রিগ্রেশন নিউরাল নেটওয়ার্ক রেসিডুয়াল ক্রিজিং (জিআর-এনএনআরকে)36, আর্টিফিশিয়াল নিউরাল নেটওয়ার্ক ক্রিজিং এবং মাল্টিলেয়ার পারসেপ্ট্রন রেসিডুয়াল ক্রিগিং (এএনএন-আরকে) sian প্রক্রিয়া রিগ্রেশন38.
সের্গেভ এট আল.-এর মতে, বিভিন্ন মডেলিং কৌশল একত্রিত করার ফলে ত্রুটিগুলি দূর করার এবং ফলস্বরূপ হাইব্রিড মডেলের একক মডেল তৈরি করার পরিবর্তে দক্ষতা বৃদ্ধি করার সম্ভাবনা রয়েছে৷ এই প্রসঙ্গে, এই নতুন গবেষণাপত্রটি যুক্তি দেয় যে ভূ-পরিসংখ্যান এবং এমএলএ-এর একটি সম্মিলিত অ্যালগরিদম প্রয়োগ করা প্রয়োজন যাতে প্রতি হাইব্রিড-সমৃদ্ধ অঞ্চলে সর্বোত্তম হাইব্রিড এবং পুনর্নির্মাণ মডেল অধ্যয়ন করা যায়৷ বেস মডেল হিসাবে অভিজ্ঞতামূলক বেয়েসিয়ান ক্রিজিং (EBK) এর উপর ভিত্তি করে এবং এটিকে সাপোর্ট ভেক্টর মেশিন (SVM) এবং মাল্টিপল লিনিয়ার রিগ্রেশন (MLR) মডেলের সাথে মিশ্রিত করুন৷ কোনো এমএলএ-এর সাথে EBK-এর হাইব্রিডাইজেশন জানা যায়নি৷ একাধিক মিশ্র মডেলগুলি সাধারণ, অবশিষ্টাংশের সংমিশ্রণ, এবং একটি এমএলএ-কে রিগ্রেশনাল পদ্ধতির সংমিশ্রণ। এটি একটি স্থানিকভাবে স্টোকাস্টিক প্রক্রিয়া যা ক্ষেত্রের উপর সংজ্ঞায়িত স্থানীয়করণ পরামিতিগুলির সাথে একটি নন-স্টেশনারি/স্টেশনারি র্যান্ডম ক্ষেত্র হিসাবে স্থানীয়করণ করা হয়, যা স্থানিক পরিবর্তনের অনুমতি দেয়39.EBK বিভিন্ন গবেষণায় ব্যবহার করা হয়েছে, যার মধ্যে রয়েছে খামারের মৃত্তিকাতে জৈব কার্বনের বন্টন বিশ্লেষণ করা, মাটির পলিউশনের বৈশিষ্ট্যগুলি মূল্যায়ন করা।
অন্যদিকে, Self-organizing Graph (SeOM) হল একটি শেখার অ্যালগরিদম যা বিভিন্ন নিবন্ধে প্রয়োগ করা হয়েছে যেমন Li et al.43, ওয়াং এট আল।44, হোসেন ভূঁইয়া প্রমুখ।45 এবং Kebonye et al.46 স্থানিক বৈশিষ্ট্য এবং উপাদানগুলির গ্রুপিং নির্ধারণ করুন। Wang et al.44 রূপরেখা যে SeOM একটি শক্তিশালী শেখার কৌশল যা অ-রৈখিক সমস্যাগুলিকে গোষ্ঠীবদ্ধ করার এবং কল্পনা করার ক্ষমতার জন্য পরিচিত৷ অন্যান্য প্যাটার্ন শনাক্তকরণ কৌশল যেমন প্রধান উপাদান বিশ্লেষণ, অস্পষ্ট ক্লাস্টারিং, হায়ারার্কিক্যাল ক্লাস্টারিং, এবং বহু-মাপদণ্ডের সিদ্ধান্ত নেওয়ার বিপরীতে, SeOM পিটিই আল-ডব্লিউ টিই প্যাটার্নগুলি সংগঠিত এবং সনাক্তকরণে আরও ভাল৷44, SeOM স্থানিকভাবে সম্পর্কিত নিউরনগুলির বিতরণকে গোষ্ঠীবদ্ধ করতে পারে এবং উচ্চ-রেজোলিউশন ডেটা ভিজ্যুয়ালাইজেশন প্রদান করতে পারে৷ সরাসরি ব্যাখ্যার জন্য ফলাফলগুলিকে চিহ্নিত করার জন্য সেরা মডেল পেতে SeOM Ni পূর্বাভাস ডেটা কল্পনা করবে৷
এই কাগজটির লক্ষ্য শহুরে এবং পেরি-শহুরে মাটিতে নিকেল সামগ্রীর পূর্বাভাস দেওয়ার জন্য সর্বোত্তম নির্ভুলতার সাথে একটি শক্তিশালী ম্যাপিং মডেল তৈরি করা। আমরা অনুমান করি যে মিশ্র মডেলের নির্ভরযোগ্যতা প্রধানত বেস মডেলের সাথে সংযুক্ত অন্যান্য মডেলের প্রভাবের উপর নির্ভর করে। আমরা স্বীকার করি যে চ্যালেঞ্জগুলি মুখোমুখি হচ্ছে DSM-এর সামনে, এবং এইগুলি অগ্রিম স্থিতিতে একাধিক চ্যালেঞ্জ মোকাবেলা করা হচ্ছে। s এবং MLA মডেলগুলি ক্রমবর্ধমান বলে মনে হচ্ছে;অতএব, আমরা গবেষণার প্রশ্নের উত্তর দেওয়ার চেষ্টা করব যা মিশ্র মডেল তৈরি করতে পারে৷ তবে, লক্ষ্য উপাদানটির পূর্বাভাস দেওয়ার ক্ষেত্রে মডেলটি কতটা সঠিক? এছাড়াও, বৈধতা এবং নির্ভুলতা মূল্যায়নের উপর ভিত্তি করে দক্ষতা মূল্যায়নের স্তরটি কী? অতএব, এই অধ্যয়নের নির্দিষ্ট লক্ষ্যগুলি ছিল (ক) একটি মডেল তৈরি করা (ক) এমআরবি মডেলের জন্য একটি মিলিত মডেল তৈরি করা। ফলস্বরূপ মডেলগুলি (c) শহুরে বা পেরি-শহুরে মৃত্তিকাতে Ni ঘনত্বের পূর্বাভাস দেওয়ার জন্য সর্বোত্তম মিশ্রণ মডেলের প্রস্তাব করে এবং (d) নিকেল স্থানিক পরিবর্তনের একটি উচ্চ-রেজোলিউশন মানচিত্র তৈরি করতে SeOM-এর প্রয়োগ।
অধ্যয়নটি চেক প্রজাতন্ত্রে পরিচালিত হচ্ছে, বিশেষ করে মোরাভিয়া-সিলেসিয়ান অঞ্চলের ফ্রাইডেক মিস্টেক জেলায় (চিত্র 1 দেখুন)। অধ্যয়ন এলাকার ভূগোল অত্যন্ত রুক্ষ এবং বেশিরভাগই মোরাভিয়া-সিলেসিয়ান বেস্কিডি অঞ্চলের অংশ, যা কারপাথিয়ান পর্বতমালার বাইরের অংশের অংশ। 18° 20′ 0′ E, এবং উচ্চতা 225 এবং 327 মিটারের মধ্যে;যাইহোক, এই অঞ্চলের জলবায়ু অবস্থার জন্য কোপেন শ্রেণীবিভাগ পদ্ধতিকে Cfb = নাতিশীতোষ্ণ মহাসাগরীয় জলবায়ু হিসাবে রেট করা হয়েছে, এমনকি শুষ্ক মাসেও প্রচুর বৃষ্টিপাত হয়। তাপমাত্রা সারা বছর −5 °C এবং 24 °C এর মধ্যে সামান্য পরিবর্তিত হয়, খুব কমই −14 °C এবং 63 °C এর মধ্যে বার্ষিক গড় তাপমাত্রা 75 °C বা তার বেশি হয়। mm47. সমগ্র এলাকার আনুমানিক জরিপ এলাকা হল 1,208 বর্গ কিলোমিটার, যার মধ্যে 39.38% চাষকৃত জমি এবং 49.36% বনভূমি রয়েছে। অন্যদিকে, এই গবেষণায় ব্যবহৃত এলাকা প্রায় 889.8 বর্গকিলোমিটার। ওস্ট্রাভা এবং এর আশেপাশে, ইস্পাত শিল্প, ইস্পাত শিল্পে খুব সক্রিয় মেটাল এবং কেল শিল্প ব্যবহৃত হয়। স্টেইনলেস স্টীল (যেমন বায়ুমণ্ডলীয় ক্ষয় প্রতিরোধের জন্য) এবং অ্যালয় স্টিল (নিকেল তার ভাল নমনীয়তা এবং শক্ততা বজায় রেখে খাদের শক্তি বাড়ায়), এবং নিবিড় কৃষি যেমন ফসফেট সার প্রয়োগ এবং গবাদি পশু উৎপাদন এই অঞ্চলে নিকেলের গবেষণার সম্ভাব্য উৎস (যেমন, ক্যাটলব্ল্যামের কম বৃদ্ধির হার এবং ক্যাটল্যাম-এর ব্যবহার বৃদ্ধিতে)। গবেষণার ক্ষেত্রে নিকেল ইলেক্ট্রোপ্লেটিং নিকেল এবং ইলেক্ট্রোলেস নিকেল প্রলেপ প্রক্রিয়া সহ ইলেক্ট্রোপ্লেটিং এর ব্যবহার অন্তর্ভুক্ত করে৷ মাটির বৈশিষ্ট্যগুলি মাটির রঙ, গঠন এবং কার্বনেট উপাদান থেকে সহজেই আলাদা করা যায়৷ মাটির গঠন মাঝারি থেকে সূক্ষ্ম, মূল উপাদান থেকে উদ্ভূত৷ এগুলি সমতল, পলল বা বায়বীয়, প্রায়শই মাটির ভূপৃষ্ঠে এবং মাটির ভূ-পৃষ্ঠের উপকূলীয় অঞ্চলে উপস্থিত হয়৷ যাইহোক, ক্যাম্বিসোল এবং স্ট্যাগনোসল হল এই অঞ্চলে সবচেয়ে সাধারণ মাটির ধরন48. 455.1 থেকে 493.5 মিটার পর্যন্ত উচ্চতার সাথে, চেক প্রজাতন্ত্রে ক্যাম্বিসোলের আধিপত্য।
অধ্যয়ন এলাকার মানচিত্র [অধ্যয়ন এলাকার মানচিত্রটি ArcGIS ডেস্কটপ (ESRI, Inc, সংস্করণ 10.7, URL: https://desktop.arcgis.com) ব্যবহার করে তৈরি করা হয়েছিল।]
ফ্রাইডেক মিসটেক জেলার শহুরে এবং পেরি-শহুরে মৃত্তিকা থেকে মোট 115টি শীর্ষ মৃত্তিকা নমুনা প্রাপ্ত হয়েছিল৷ ব্যবহৃত নমুনা প্যাটার্নটি ছিল একটি নিয়মিত গ্রিড যেখানে মাটির নমুনাগুলি 2 × 2 কিমি ব্যবধানে ছিল এবং উপরের মৃত্তিকাটি একটি হাতে ধরা জিপিএস ল্যাম্পের প্যাকেজ জিপিএস প্যাকেজে জিপিএস ল্যাম্পার প্যাকেজ (জিপিএস প্যাকেজ) ব্যবহার করে 0 থেকে 20 সেন্টিমিটার গভীরতায় পরিমাপ করা হয়েছিল। বেলেড, এবং পরীক্ষাগারে প্রেরণ করা হয়। নমুনাগুলিকে বায়ু-শুকনো করে পাল্ভারাইজড নমুনা তৈরি করা হয়েছিল, যান্ত্রিক পদ্ধতিতে (ফ্রিটস ডিস্ক মিল) দ্বারা পালভার করা হয়েছিল এবং চালনি করা হয়েছিল (চালনির আকার 2 মিমি)। 1 গ্রাম শুকনো, একজাতীয় এবং চালিত মাটির নমুনাগুলিকে পরিষ্কারভাবে লেবেলযুক্ত টেফফ্লোন টেফ্লোন %3, 3 মিলিলিটার টেফ্লোন %3 মিলিমিটারে রাখুন। Cl এবং 3 মিলি 65% HNO3 (একটি স্বয়ংক্রিয় ডিসপেনসার ব্যবহার করে – প্রতিটি অ্যাসিডের জন্য একটি), হালকাভাবে ঢেকে রাখুন এবং প্রতিক্রিয়ার জন্য নমুনাগুলিকে রাতারাতি দাঁড়াতে দিন (অ্যাকোয়া রেজিয়া প্রোগ্রাম)। একটি গরম ধাতব প্লেটে (তাপমাত্রা: 100 W এবং 160 °C) সুপারনাট্যান্টটিকে 2 ঘন্টার জন্য রাখুন, তারপরে নমুনাটিকে 5 টি ঠাণ্ডা করার জন্য 5 টি ঠাণ্ডা করুন। 0 মিলি ভলিউম্যাট্রিক ফ্লাস্ক এবং ডিওনাইজড জল দিয়ে 50 মিলি পাতলা করুন৷ এর পরে, ডিআয়নাইজড জল সহ একটি 50 মিলি পিভিসি টিউবে মিশ্রিত সুপারনাট্যান্টকে ফিল্টার করুন৷ অতিরিক্তভাবে, 1 মিলি তরল দ্রবণকে 9 মিলি ডিওনাইজড জলের সাথে মিশ্রিত করা হয়েছিল এবং একটি 12 মিলিলিটার পিটিইউসেন্টের জন্য 12 মিলিলিটার পিডিওসেন্ট দ্রবণ তৈরি করা হয়েছিল। s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) দ্বারা স্ট্যান্ডার্ড পদ্ধতি এবং চুক্তি অনুসারে নির্ধারিত হয়েছিল। গুণমান নিশ্চিত করুন এবং নিয়ন্ত্রণ নিশ্চিত করুন। অর্ধেকের নিচে আয়ন সীমা এই অধ্যয়ন থেকে বাদ দেওয়া হয়েছিল৷ এই গবেষণায় ব্যবহৃত PTE সনাক্তকরণের সীমা ছিল 0.0004৷(আপনি)৷ উপরন্তু, প্রতিটি বিশ্লেষণের জন্য গুণমান নিয়ন্ত্রণ এবং গুণমান নিশ্চিতকরণ প্রক্রিয়া রেফারেন্স মান বিশ্লেষণ করে নিশ্চিত করা হয়৷ ত্রুটিগুলি কম করা হয়েছে তা নিশ্চিত করার জন্য, একটি দ্বিগুণ বিশ্লেষণ করা হয়েছিল৷
এম্পিরিক্যাল বেয়েসিয়ান ক্রিজিং (EBK) হল মাটি বিজ্ঞানের মতো বিভিন্ন ক্ষেত্রে মডেলিংয়ে ব্যবহৃত ভূ-সংখ্যাগত ইন্টারপোলেশন কৌশলগুলির মধ্যে একটি৷ অন্যান্য ক্রিজিং ইন্টারপোলেশন কৌশলগুলির বিপরীতে, ইবিকে সেমিভারিওগ্রাম মডেল দ্বারা অনুমান করা ত্রুটি বিবেচনা করে প্রথাগত ক্রিগিং পদ্ধতি থেকে পৃথক৷ টেরপোলেশন কৌশলগুলি সেমিভারিওগ্রামের এই প্লটিংয়ের সাথে সম্পর্কিত অনিশ্চয়তা এবং প্রোগ্রামিংয়ের পথ তৈরি করে যা একটি পর্যাপ্ত ক্রিগিং পদ্ধতির একটি অত্যন্ত জটিল অংশ গঠন করে৷ EBK এর ইন্টারপোলেশন প্রক্রিয়াটি Krivoruchko50 দ্বারা প্রস্তাবিত তিনটি মানদণ্ড অনুসরণ করে, (a) মডেলটি ইনপুট ডেটাসেট থেকে সেমিভ্যারিওগ্রাম অনুমান করে (b) সেমিভেরিওগ্রামের নতুন অবস্থানের উপর ভিত্তি করে সেমিভারিওগ্রামের মান নির্ধারণ করে চূড়ান্ত A মডেলটি একটি সিমুলেটেড ডেটাসেট থেকে গণনা করা হয়৷ বায়েসিয়ান সমীকরণ নিয়মটি একটি পোস্টেরিয়র হিসাবে দেওয়া হয়
যেখানে \(সমস্যা\left(A\right)\) পূর্বের প্রতিনিধিত্ব করে, \(সমস্যা\left(B\right)\) প্রান্তিক সম্ভাব্যতা বেশিরভাগ ক্ষেত্রে উপেক্ষা করা হয়, \(সমস্যা (B,A)\ ) .সেমিভ্যারিওগ্রাম গণনাটি বেয়েসের নিয়মের উপর ভিত্তি করে, যা দেখায় যে সেমিভেরিওগ্রামের মান ব্যবহার করে সেমিভারিওগ্রামের মান নির্ণয় করা হয়। বেইসের নিয়ম, যা সেমিভারিওগ্রাম থেকে পর্যবেক্ষণের ডেটাসেট তৈরি করার সম্ভাবনা কতটা বলে।
একটি সমর্থন ভেক্টর মেশিন হল একটি মেশিন লার্নিং অ্যালগরিদম যা অভিন্ন কিন্তু রৈখিকভাবে স্বাধীন শ্রেণীগুলিকে আলাদা করার জন্য একটি সর্বোত্তম বিভাজক হাইপারপ্লেন তৈরি করে৷ Vapnik51 অভিপ্রায় শ্রেণীবিন্যাস অ্যালগরিদম তৈরি করেছে, কিন্তু এটি সম্প্রতি রিগ্রেশন-ভিত্তিক সমস্যাগুলি সমাধানের জন্য ব্যবহার করা হয়েছে৷ Li et al.52 অনুসারে, SVM এর বিভিন্ন শ্রেণীবিভাগের ক্ষেত্রে সেরা কৌশলগুলি ব্যবহার করা হয়েছে৷ এই বিশ্লেষণে SVM এর ent (সাপোর্ট ভেক্টর মেশিন রিগ্রেশন – SVMR) ব্যবহার করা হয়েছিল। Cherkassky এবং Mulier53 একটি কার্নেল-ভিত্তিক রিগ্রেশন হিসাবে SVMR-এর অগ্রণী ভূমিকা পালন করেছিল, যার গণনাটি মাল্টি-কান্ট্রি স্থানিক ফাংশন সহ একটি লিনিয়ার রিগ্রেশন মডেল ব্যবহার করে সঞ্চালিত হয়েছিল। AR সম্পর্ক এবং স্থানিক ফাংশন জন্য অনুমতি দেয়. Vohland et al অনুযায়ী.55, epsilon (ε)-SVMR একটি এপিসিলন-অসংবেদনশীল ফাংশন হিসাবে একটি উপস্থাপনা মডেল প্রাপ্ত করার জন্য প্রশিক্ষিত ডেটাসেট ব্যবহার করে যা পারস্পরিক ডেটার প্রশিক্ষণ থেকে সেরা এপসিলন পক্ষপাতের সাথে স্বাধীনভাবে ডেটা ম্যাপ করতে প্রয়োগ করা হয়৷ প্রিসেট দূরত্বের ত্রুটিটি প্রকৃত মান থেকে উপেক্ষা করা হয়, এবং যদি ত্রুটিটি বড় হয়, তাহলে এটির জটিলতা কমাতে প্রশিক্ষণ মডেলের বৈশিষ্ট্যগুলি (ε) কম করে৷ সমর্থন ভেক্টরের বিস্তৃত উপসেট। Vapnik51 দ্বারা প্রস্তাবিত সমীকরণটি নীচে দেখানো হয়েছে।
যেখানে বি স্কেলারের প্রান্তিকের প্রতিনিধিত্ব করে, \ (কে \ বাম ({x} _ {, {x} _ {k} \ \ ডান) \) কার্নেল ফাংশনটি উপস্থাপন করে, \ (\ আলফা \) এবং \ x \ y) \ x) \ x) \ x) \ (y) \ x) \ (y) \ x \ y) \ (y) \ (y) \ (y) \ x \ y) উপস্থাপন করে \ (y)। ব্যবহৃত কী কার্নেলগুলির মধ্যে একটি হ'ল এসভিএমআর অপারেশন, যা একটি গাউসিয়ান রেডিয়াল বেস ফাংশন (আরবিএফ)। আরবিএফ কার্নেলটি সর্বোত্তম এসভিএমআর মডেল নির্ধারণের জন্য প্রয়োগ করা হয়, যা পিটিই প্রশিক্ষণটির জন্য স্টাড এবং তারপরে স্টাডের জন্য স্টাডিং স্টাডির জন্য সর্বাধিক সূক্ষ্ম পেনাল্টি সেট ফ্যাক্টর সি এবং কার্নেল প্যারামিটার গামা (γ) প্রাপ্তির জন্য গুরুত্বপূর্ণ। পদ্ধতির মানটি এসভিএমআরডিয়াল।
একটি মাল্টিপল লিনিয়ার রিগ্রেশন মডেল (এমএলআর) হল একটি রিগ্রেশন মডেল যা রেসপন্স ভেরিয়েবল এবং ন্যূনতম বর্গক্ষেত্র পদ্ধতি ব্যবহার করে গণনা করা রৈখিক পুল প্যারামিটার ব্যবহার করে বেশ কয়েকটি ভবিষ্যদ্বাণীকারী ভেরিয়েবলের মধ্যে সম্পর্ককে প্রতিনিধিত্ব করে৷ MLR-এ, একটি ন্যূনতম বর্গক্ষেত্র মডেল হল মাটির বৈশিষ্ট্যগুলির একটি ভবিষ্যদ্বাণীমূলক ফাংশন ব্যাখ্যামূলক ভেরিয়েবল নির্বাচন করার পরে৷ এটি একটি রেসপন্স ভেরিয়েবল ব্যবহার করে একটি রেসপন্স ভ্যারিয়েবল ব্যবহার করে প্রয়োজনীয় রেখার ভেরিয়েবল ব্যবহার করে৷ ব্যাখ্যামূলক ভেরিয়েবলের সাথে একটি রৈখিক সম্পর্ক স্থাপনের জন্য প্রতিক্রিয়া ভেরিয়েবল হিসাবে। MLR সমীকরণ হল
যেখানে y হল রেসপন্স ভেরিয়েবল, \(a\) হল ইন্টারসেপ্ট, n হল ভবিষ্যদ্বাণীর সংখ্যা, \({b}_{1}\) হল সহগগুলির আংশিক রিগ্রেশন, \({x}_{ i}\) একটি ভবিষ্যদ্বাণীকারী বা ব্যাখ্যামূলক চলককে প্রতিনিধিত্ব করে, এবং \({\varepsilon __{i}\) মডেল হিসাবেও পরিচিত, এরর হিসাবে পরিচিত।
মিশ্র মডেলগুলি SVMR এবং MLR এর সাথে EBK স্যান্ডউইচ করে প্রাপ্ত করা হয়েছিল৷ এটি EBK ইন্টারপোলেশন থেকে পূর্বাভাসিত মানগুলি বের করে করা হয়৷ ইন্টারপোলেটেড Ca, K, এবং Mg থেকে প্রাপ্ত পূর্বাভাসিত মানগুলি নতুন ভেরিয়েবলগুলি পাওয়ার জন্য একটি সম্মিলিত প্রক্রিয়ার মাধ্যমে প্রাপ্ত করা হয়, যেমন, CaK এবং তারপরে, CaK এবং KM, এবং CagM, obtain উপাদানগুলি। একটি চতুর্থ পরিবর্তনশীল, CaKMg। সামগ্রিকভাবে, প্রাপ্ত ভেরিয়েবল হল Ca, K, Mg, CaK, CaMg, KMg এবং CaKMg। এই ভেরিয়েবলগুলি আমাদের ভবিষ্যদ্বাণীকারী হয়ে উঠেছে, যা শহুরে এবং পেরি-শহুরে মৃত্তিকাতে নিকেল ঘনত্বের পূর্বাভাস দিতে সাহায্য করে। এসভিএমআর অ্যালগরিদমকে পূর্বনির্ধারিত মডেলের উপর ভিত্তি করে তৈরি করা হয়েছিল। সমর্থন ভেক্টর মেশিন (EBK_SVM)। একইভাবে, ভেরিয়েবলগুলিকেও MLR অ্যালগরিদমের মাধ্যমে পাইপ করা হয় একটি মিশ্র মডেলের অভিজ্ঞতামূলক বেয়েসিয়ান ক্রিগিং-মাল্টিপল লিনিয়ার রিগ্রেশন (EBK_MLR)। সাধারণত, ভেরিয়েবল Ca, K, Mg, CaKMg, Cavariable-এর প্রি-কন্টেন্ট হিসাবে ব্যবহৃত হয়। শহুরে এবং পেরি-শহুরে মৃত্তিকাতে। প্রাপ্ত সবচেয়ে গ্রহণযোগ্য মডেল (EBK_SVM বা EBK_MLR) তারপর একটি স্ব-সংগঠিত গ্রাফ ব্যবহার করে কল্পনা করা হবে। এই গবেষণার কর্মপ্রবাহ চিত্র 2 এ দেখানো হয়েছে।
আর্থিক খাত, স্বাস্থ্যসেবা, শিল্প, পরিসংখ্যান, মৃত্তিকা বিজ্ঞান এবং আরও অনেক কিছুতে তথ্য সংগঠিত, মূল্যায়ন এবং পূর্বাভাস দেওয়ার জন্য SeOM ব্যবহার একটি জনপ্রিয় হাতিয়ার হয়ে উঠেছে৷ SeOM কৃত্রিম নিউরাল নেটওয়ার্ক এবং সংগঠন, মূল্যায়ন এবং ভবিষ্যদ্বাণীর জন্য তত্ত্বাবধানহীন শিক্ষা পদ্ধতি ব্যবহার করে তৈরি করা হয়েছে৷ এই সমীক্ষায়, SeOM ব্যবহার করা হয়েছিল Ni-banic-এর উপর ভিত্তি করে সর্বোত্তম রেশনিং-এর উপর ভিত্তি করে মডেলিং-এর উপর ভিত্তি করে। মৃত্তিকা। SeOM মূল্যায়নে প্রক্রিয়াকৃত ডেটা n ইনপুট-ডাইমেনশনাল ভেক্টর ভেরিয়েবল হিসাবে ব্যবহৃত হয়43,56. মেলসেন এট আল।57 একটি ইনপুট ভেক্টর একটি নিউরাল নেটওয়ার্কের সাথে একটি একক ইনপুট স্তরের মাধ্যমে একটি একক ওজন ভেক্টরের সাথে একটি আউটপুট ভেক্টরের সংযোগ বর্ণনা করে৷ SeOM দ্বারা উত্পন্ন আউটপুট একটি দ্বি-মাত্রিক মানচিত্র যা ষড়ভুজাকার, বৃত্তাকার বা বর্গাকার টপোলজিক্যাল মানচিত্রে বোনা বিভিন্ন নিউরন বা নোডের সমন্বয়ে গঠিত। ত্রুটি (TE), যথাক্রমে 0.086 এবং 0.904 সহ SeOM মডেলটি নির্বাচন করা হয়েছে, যা একটি 55-ম্যাপ ইউনিট (5 × 11)। নিউরন গঠন পরীক্ষামূলক সমীকরণে নোডের সংখ্যা অনুসারে নির্ধারিত হয়।
এই গবেষণায় ব্যবহৃত ডেটার সংখ্যা হল 115টি নমুনা৷ একটি এলোমেলো পদ্ধতির ব্যবহার করা হয়েছিল ডেটাকে পরীক্ষার ডেটাতে বিভক্ত করার জন্য (25% বৈধকরণের জন্য) এবং প্রশিক্ষণের ডেটা সেটগুলিতে (75% ক্রমাঙ্কনের জন্য)৷ প্রশিক্ষণ ডেটাসেটটি রিগ্রেশন মডেল (ক্র্যালিব্রেশন) তৈরি করতে ব্যবহার করা হয়, এবং পরীক্ষার ডেটাসেটটি সাধারণীকরণের যাচাই করতে ব্যবহৃত হয় যাতে বিভিন্ন বিষয়বস্তুগুলির পূর্বনির্ধারণ ক্ষমতার জন্য এই মডেলটি 58-এর প্রিডিসিল করার ক্ষমতা ছিল৷ .ব্যবহৃত সমস্ত মডেল দশ-গুণ ক্রস-ভ্যালিডেশন প্রক্রিয়ার মধ্য দিয়ে গেছে, পাঁচবার পুনরাবৃত্তি হয়েছে৷ EBK ইন্টারপোলেশন দ্বারা উত্পাদিত ভেরিয়েবলগুলি লক্ষ্য ভেরিয়েবল (PTE) এর পূর্বাভাস দেওয়ার জন্য ভবিষ্যদ্বাণীকারী বা ব্যাখ্যামূলক ভেরিয়েবল হিসাবে ব্যবহার করা হয়৷ প্যাকেজ লাইব্রেরি(Kohonen), library(”), লাইব্রেরি(7), লাইব্রেরি(কোহোনেন), লাইব্রেরি(7) ব্যবহার করে মডেলিং RStudio-তে পরিচালিত হয়৷ "plyr"), লাইব্রেরি ("caTools"), লাইব্রেরি ("prospectr") এবং লাইব্রেরি ("মেট্রিক্স")।
মাটিতে নিকেল ঘনত্বের পূর্বাভাস দেওয়ার জন্য উপযুক্ত সেরা মডেল নির্ধারণ করতে এবং মডেলের নির্ভুলতা এবং এর বৈধতা মূল্যায়নের জন্য বিভিন্ন বৈধতা পরামিতি ব্যবহার করা হয়েছিল। হাইব্রিডাইজেশন মডেলগুলি গড় পরম ত্রুটি (MAE), রুট গড় বর্গাকার ত্রুটি (RMSE), এবং R-squared বা coefficient of the refined dereportes (refined detervariance) এর উত্তর 2-এর উত্তর প্রদান করে। রিগ্রেশন মডেল দ্বারা। স্বতন্ত্র পরিমাপে RMSE এবং প্রকরণের মাত্রা মডেলের ভবিষ্যদ্বাণীমূলক শক্তি বর্ণনা করে, যখন MAE প্রকৃত পরিমাণগত মান নির্ধারণ করে। R2 মান অবশ্যই উচ্চ হতে হবে বৈধতা পরামিতি ব্যবহার করে সর্বোত্তম মিশ্রণ মডেলের মূল্যায়ন করার জন্য, মানটি 1-এর কাছাকাছি, নির্ভুলতা উচ্চতর।59, 0.75 বা তার বেশি একটি R2 মানদণ্ড একটি ভাল ভবিষ্যদ্বাণীকারী হিসাবে বিবেচিত হয়;0.5 থেকে 0.75 পর্যন্ত গ্রহণযোগ্য মডেল পারফরম্যান্স, এবং 0.5 এর নিচে অগ্রহণযোগ্য মডেল পারফরম্যান্স। RMSE এবং MAE যাচাইকরণের মানদণ্ডের মূল্যায়ন পদ্ধতি ব্যবহার করে একটি মডেল নির্বাচন করার সময়, প্রাপ্ত নিম্ন মানগুলি যথেষ্ট ছিল এবং সর্বোত্তম পছন্দ হিসাবে বিবেচিত হয়েছিল। নিম্নলিখিত সমীকরণটি যাচাই পদ্ধতির বর্ণনা করে।
যেখানে n পর্যবেক্ষিত মানের আকারকে প্রতিনিধিত্ব করে\({Y}_{i}\) পরিমাপ করা প্রতিক্রিয়ার প্রতিনিধিত্ব করে, এবং \({\widehat{Y}}_{i}\) এছাড়াও পূর্বাভাসিত প্রতিক্রিয়া মানকে প্রতিনিধিত্ব করে, তাই, প্রথম i পর্যবেক্ষণের জন্য৷
ভবিষ্যদ্বাণীকারী এবং প্রতিক্রিয়া ভেরিয়েবলের পরিসংখ্যানগত বিবরণ সারণি 1 এ উপস্থাপন করা হয়েছে, গড়, মানক বিচ্যুতি (SD), প্রকরণের সহগ (CV), ন্যূনতম, সর্বোচ্চ, kurtosis, এবং skewness দেখাচ্ছে। উপাদানগুলির সর্বনিম্ন এবং সর্বাধিক মানগুলি Mg < Ca < K < Ni এবং Caon < C < C < N < C < N < C < N < C < N < সেন্টিভ রেসপন্সের ক্রমানুসারে হ্রাস পাচ্ছে। ) অধ্যয়নের এলাকা থেকে নমুনা 4.86 থেকে 42.39 mg/kg পর্যন্ত। বিশ্ব গড় (29 mg/kg) এবং ইউরোপীয় গড় (37 mg/kg) এর সাথে Ni-এর তুলনা দেখায় যে অধ্যয়ন এলাকার জন্য সামগ্রিক গণনা করা জ্যামিতিক গড় সহনীয় সীমার মধ্যে ছিল। তবুও, গড় হিসাবে দেখানো হয়েছে 1-এর কম্পাঙ্ক 1-এর দ্বারা। সুইডেনের কৃষি মৃত্তিকা নিয়ে বর্তমান গবেষণায় কেন্দ্রীকরণ দেখায় যে বর্তমান গড় নিকেল ঘনত্ব বেশি। একইভাবে, বর্তমান গবেষণায় শহুরে এবং পেরি-শহুরে মৃত্তিকাতে ফ্রাইডেক মিসটেকের গড় ঘনত্ব (নি 16.15 মিলিগ্রাম/কেজি) 60 মিলিগ্রাম/10 কেজি রিপোর্ট করা হয়েছে। et al. উপরন্তু, Bretzel এবং Calderisi61 বর্তমান গবেষণার তুলনায় টাস্কানীর শহুরে মাটিতে খুব কম গড় Ni ঘনত্ব (1.78 mg/kg) রেকর্ড করেছে। Jim62 এছাড়াও হংকংয়ের শহুরে মাটিতে একটি কম নিকেল ঘনত্ব (12.34 mg/kg) পেয়েছে, যা এই গবেষণায় বর্তমান সমীক্ষার তুলনায় নিকেলের গড় ঘনত্ব কম বলে উল্লেখ করা হয়েছে। স্যাক্সনি-আনহাল্ট, জার্মানির একটি পুরানো খনির এবং শহুরে শিল্প এলাকায় 17.6 মিলিগ্রাম/কেজি কেন্দ্রীকরণ, যা এই এলাকায় গড় নি ঘনত্বের (16.15 মিলিগ্রাম/কেজি) চেয়ে 1.45 মিলিগ্রাম/কেজি বেশি ছিল। বর্তমান গবেষণা। মাটিতে অত্যধিক নিকেল সামগ্রী কিছু শহুরে এবং উপশহর শিল্পের প্রধানত ধাতু শিল্পের অধ্যয়ন করতে পারে। খোদাদাউস্ট এট আল-এর গবেষণার সাথে সামঞ্জস্যপূর্ণ।64 যে ইস্পাত শিল্প এবং ধাতুর কাজগুলি মাটিতে নিকেল দূষণের প্রধান উত্স৷ যাইহোক, পূর্বাভাসদাতারাও 538.70 mg/kg থেকে 69,161.80 mg/kg Ca-এর জন্য, 497.51 mg/kg থেকে 3535.68 mg/60kg, 8kg/8k. Mg. Jakovljevic et al-এর জন্য 5 mg/kg.65 সেন্ট্রাল সার্বিয়ার মাটির মোট Mg এবং K বিষয়বস্তু তদন্ত করেছে। তারা দেখতে পেয়েছে যে মোট ঘনত্ব (যথাক্রমে 410 mg/kg এবং 400 mg/kg, বর্তমান গবেষণার Mg এবং K ঘনত্বের চেয়ে কম। অভেদ করা যায় না, পূর্ব পোল্যান্ডে, Orzechowski এবং Smolczyski এবং Smolczysski এর মোট বিষয়বস্তু 6 এবং Smolczynski এর গড় ঘনত্ব দেখায়। Ca (1100 mg/kg), Mg (590 mg/kg) এবং K (810 mg/kg) এই সমীক্ষার একক উপাদানের তুলনায় উপরের মাটির উপাদান কম। Pongrac et al-এর সাম্প্রতিক গবেষণা।67 দেখিয়েছে যে স্কটল্যান্ড, যুক্তরাজ্যের 3টি ভিন্ন মাটিতে (Mylnefield মাটি, Balruddery মাটি এবং Hartwood মাটি) বিশ্লেষণ করা মোট Ca বিষয়বস্তু এই গবেষণায় উচ্চ Ca বিষয়বস্তু নির্দেশ করে।
নমুনাকৃত উপাদানগুলির বিভিন্ন পরিমাপকৃত ঘনত্বের কারণে, উপাদানগুলির ডেটা সেট বন্টনগুলি বিভিন্ন তির্যকতা প্রদর্শন করে৷ উপাদানগুলির তির্যকতা এবং কুরটোসিস যথাক্রমে 1.53 থেকে 7.24 এবং 2.49 থেকে 54.16 পর্যন্ত। সমস্ত গণনা করা উপাদানের skewness এবং কার্টোসিস স্তরের উপরে রয়েছে, kurtosis স্তর +1 এর উপরে। সঠিক দিকে তির্যক এবং শীর্ষে রয়েছে৷ উপাদানগুলির আনুমানিক CVগুলি আরও দেখায় যে K, Mg, এবং Ni মধ্যপন্থী পরিবর্তনশীলতা প্রদর্শন করে, যখন Ca-তে অত্যন্ত উচ্চ পরিবর্তনশীলতা রয়েছে৷ K, Ni এবং Mg-এর CV গুলি তাদের অভিন্ন বন্টন ব্যাখ্যা করে৷ উপরন্তু, Ca বিতরণ অ-অভিন্ন এবং বাহ্যিক উত্সগুলি এর সমৃদ্ধি স্তরকে প্রভাবিত করতে পারে৷
প্রতিক্রিয়া উপাদানগুলির সাথে ভবিষ্যদ্বাণীকারী ভেরিয়েবলের পারস্পরিক সম্পর্ক উপাদানগুলির মধ্যে একটি সন্তোষজনক পারস্পরিক সম্পর্ক নির্দেশ করে (চিত্র 3 দেখুন)৷ সম্পর্কটি নির্দেশ করে যে CaK r মান = 0.53 এর সাথে মাঝারি পারস্পরিক সম্পর্ক প্রদর্শন করেছে, যেমন CaNi করেছিল৷ যদিও Ca এবং K একে অপরের সাথে শালীন সম্পর্ক দেখায়, যেমন রাজা আল-এর মতো গবেষকরা।68 এবং Santo69 পরামর্শ দেয় যে মাটিতে তাদের মাত্রা বিপরীতভাবে সমানুপাতিক। যাইহোক, Ca এবং Mg K-এর বিরোধী, কিন্তু CaK ভালভাবে সম্পর্কযুক্ত। এটি পটাসিয়াম কার্বনেটের মতো সার প্রয়োগের কারণে হতে পারে, যা পটাসিয়ামে 56% বেশি। পটাসিয়াম মাঝারিভাবে ম্যাগনেসিয়ামের সাথে 3M শিল্পে correlated ছিল। , এই দুটি উপাদান ঘনিষ্ঠভাবে সম্পর্কিত কারণ পটাসিয়াম ম্যাগনেসিয়াম সালফেট, পটাসিয়াম ম্যাগনেসিয়াম নাইট্রেট এবং পটাশ মাটিতে প্রয়োগ করা হয় তাদের ঘাটতির মাত্রা বাড়ানোর জন্য। নিকেল মাঝারিভাবে Ca, K এবং Mg-এর সাথে r মান = 0.52, 0.63 এবং 0.55, যথাক্রমে P, ম্যাগনেসিয়াম, ভোলিউম এবং ভোলিউম এর সাথে সম্পর্কযুক্ত। জটিল, কিন্তু তবুও, ম্যাগনেসিয়াম ক্যালসিয়াম শোষণকে বাধা দেয়, ক্যালসিয়াম অতিরিক্ত ম্যাগনেসিয়ামের প্রভাব কমায় এবং ম্যাগনেসিয়াম এবং ক্যালসিয়াম উভয়ই মাটিতে নিকেলের বিষাক্ত প্রভাব কমায়।
ভবিষ্যদ্বাণীকারী এবং প্রতিক্রিয়াগুলির মধ্যে সম্পর্ক দেখানো উপাদানগুলির জন্য পারস্পরিক সম্পর্ক ম্যাট্রিক্স (দ্রষ্টব্য: এই চিত্রটিতে উপাদানগুলির মধ্যে একটি বিক্ষিপ্ত প্লট অন্তর্ভুক্ত রয়েছে, তাত্পর্য স্তরগুলি p <0,001 ভিত্তিক)।
চিত্র 4 উপাদানগুলির স্থানিক বন্টনকে চিত্রিত করে৷ Burgos et al70 অনুসারে, স্থানিক বন্টনের প্রয়োগ হল একটি কৌশল যা দূষিত এলাকায় হট স্পটগুলি পরিমাপ এবং হাইলাইট করার জন্য ব্যবহৃত হয়৷ চিত্র 4-এ Ca-এর সমৃদ্ধকরণের মাত্রাগুলি৷ 4-এর উত্তর-পশ্চিম অংশে দেখা যায়৷ মাটির অম্লতা কমাতে কুইকলাইম (ক্যালসিয়াম অক্সাইড) ব্যবহার এবং ইস্পাত তৈরির প্রক্রিয়ায় ক্ষারীয় অক্সিজেন হিসাবে স্টিল মিলগুলিতে এটির ব্যবহারের কারণে মানচিত্রের উত্তর-পশ্চিমে সিিয়াম সমৃদ্ধকরণ সম্ভবত। অন্যদিকে, অন্যান্য কৃষকরা অম্লীয় মাটিতে ক্যালসিয়াম হাইড্রক্সাইড ব্যবহার করতে পছন্দ করে যাতে পিএইচ 1 এর পরিমাণও বৃদ্ধি পায়, যাতে ক্যালসিয়ামের পরিমাণও বৃদ্ধি পায়। মানচিত্রের উত্তর-পশ্চিম এবং পূর্বে। উত্তর-পশ্চিম একটি প্রধান কৃষি সম্প্রদায়, এবং পটাসিয়ামের মাঝারি-উচ্চ প্যাটার্ন NPK এবং পটাশ প্রয়োগের কারণে হতে পারে। এটি অন্যান্য গবেষণার সাথে সামঞ্জস্যপূর্ণ, যেমন মাদারাস এবং লিপাভস্কি72, মাদারাস এট আল.73, পুল্করাবোভা, আল 75, এবং 75, 73, পুলকারাবভা, এবং আল-77 চিকিত্সার সাথে। l এবং NPK এর ফলে মাটিতে উচ্চ K উপাদান রয়েছে।বন্টন মানচিত্রের উত্তর-পশ্চিমে স্থানিক পটাসিয়াম সমৃদ্ধকরণ পটাসিয়াম-ভিত্তিক সার যেমন পটাসিয়াম ক্লোরাইড, পটাসিয়াম সালফেট, পটাসিয়াম নাইট্রেট, পটাশ এবং পটাশ ব্যবহার করে দরিদ্র মাটিতে পটাসিয়ামের পরিমাণ বাড়াতে পারে। Zádorová et al.76 এবং Tlustoš et al.77 রূপরেখা দিয়েছে যে K-ভিত্তিক সার প্রয়োগের ফলে মাটিতে K উপাদান বৃদ্ধি পায় এবং দীর্ঘমেয়াদে মাটির পুষ্টি উপাদান উল্লেখযোগ্যভাবে বৃদ্ধি পাবে, বিশেষ করে K এবং Mg মাটিতে একটি হট স্পট দেখায়। মানচিত্রের উত্তর-পশ্চিমে এবং মানচিত্রের দক্ষিণ-পূর্বে তুলনামূলকভাবে মাঝারি হটস্পট। মাটিতে কোলয়েডাল স্থিরকরণের ফলে মাটির ক্ষয়ক্ষতির অভাব হয়। গাছপালা হলুদ বর্ণের ইন্টারভেইন ক্লোরোসিস প্রদর্শন করে। ম্যাগনেসিয়াম-ভিত্তিক সার, যেমন পটাসিয়াম ম্যাগনেসিয়াম সালফেট, ম্যাগনেসিয়াম সালফেট এবং কিসেরাইট, ঘাটতি পূরণ করে (উদ্ভিদ বেগুনি, লাল বা বাদামী দেখায়, যা ম্যাগনেসিয়ামের ঘাটতি নির্দেশ করে) মাটিতে পি-6-এর স্বাভাবিক মাত্রার পরিমাণে। IL পৃষ্ঠতল নৃতাত্ত্বিক কার্যকলাপ যেমন কৃষি এবং স্টেইনলেস স্টীল উৎপাদনে নিকেল গুরুত্বের কারণে হতে পারে78.
উপাদানগুলির স্থানিক বন্টন [আর্কজিআইএস ডেস্কটপ (ESRI, Inc, সংস্করণ 10.7, URL: https://desktop.arcgis.com) ব্যবহার করে স্থানিক বিতরণ মানচিত্র তৈরি করা হয়েছিল।]
এই গবেষণায় ব্যবহৃত উপাদানগুলির মডেল কর্মক্ষমতা সূচকের ফলাফলগুলি সারণি 2-এ দেখানো হয়েছে। অন্যদিকে, Ni-এর RMSE এবং MAE উভয়ই শূন্যের কাছাকাছি (0.86 RMSE, -0.08 MAE)। অন্য দিকে, K-এর RMSE এবং MAE উভয় মানই গ্রহণযোগ্য। RMSE এবং MAE-এর ফলাফলগুলি বৃহত্তর এবং KSERM-এর জন্য বৃহত্তর এবং ক্রমবর্ধমান ফলাফল ছিল। বিভিন্ন ডেটাসেটের জন্য। এই গবেষণার RMSE এবং MAE EBK ব্যবহার করে Ni-এর ভবিষ্যদ্বাণী করে জন এট আল-এর ফলাফলের চেয়ে ভালো পাওয়া গেছে।54 একই সংগৃহীত ডেটা ব্যবহার করে মাটিতে S ঘনত্বের পূর্বাভাস দিতে synergistic kriging ব্যবহার করে৷ আমরা যে EBK আউটপুটগুলি অধ্যয়ন করেছি তা Fabijaczyk et al-এর সাথে সম্পর্কযুক্ত৷41, ইয়ান এট আল।79, Beguin et al.80, অধিকার এবং অন্যান্য।81 এবং জন এট আল।82, বিশেষ করে K এবং Ni.
শহুরে এবং পেরি-শহুরে মৃত্তিকাতে নিকেল সামগ্রীর ভবিষ্যদ্বাণী করার জন্য পৃথক পদ্ধতির কার্যকারিতা মডেলগুলির কার্যকারিতা ব্যবহার করে মূল্যায়ন করা হয়েছিল (সারণী 3)। মডেলের বৈধতা এবং নির্ভুলতা মূল্যায়ন নিশ্চিত করেছে যে EBK SVMR মডেলের সাথে মিলিত Ca_Mg_K ভবিষ্যদ্বাণী সর্বোত্তম কর্মক্ষমতা প্রদান করেছে। RMSE) এবং গড় পরম ত্রুটি (MAE) ছিল 0.637 (R2), 95.479 mg/kg (RMSE) এবং 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ছিল 0.663 (R2), 235.974 mg/kg (6MA6/kg ভাল, RME6/kg, 6MA69g ভাল মান) এবং RME694. s Ca_Mg_K-SVMR (0.663 mg/kg R2) এবং Ca_Mg-EBK_SVMR (0.643 = R2) এর জন্য প্রাপ্ত হয়েছিল;তাদের RMSE এবং MAE ফলাফল Ca_Mg_K-EBK_SVMR (R2 0.637) এর চেয়ে বেশি ছিল (টেবিল 3 দেখুন)। উপরন্তু, Ca_Mg-EBK_SVMR এর RMSE এবং MAE (RMSE = 1664.64 এবং MAE = 1031.47 মডেলের তুলনায় বড়, 131.47) Ca_Mg_K-EBK_SVMR। অনুরূপভাবে, Ca_Mg-K SVMR (RMSE = 235.974 এবং MAE = 166.946) মডেলের RMSE এবং MAE Ca_Mg_K-EBK_SVMR-এর তুলনায় 2.5 এবং 2.2 বড়। ডেটা সেটটি সর্বোত্তম ফিটের লাইনের সাথে রয়েছে৷ উচ্চতর RSME এবং MAE পরিলক্ষিত হয়েছিল৷ Kebonye et al-এর মতে৷46 এবং জন এট আল।54, RMSE এবং MAE শূন্যের কাছাকাছি, ফলাফল তত ভালো। SVMR এবং EBK_SVMR-এর উচ্চতর কোয়ান্টাইজড RSME এবং MAE মান রয়েছে। এটা দেখা গেছে যে RSME অনুমানগুলি MAE মানের থেকে ধারাবাহিকভাবে বেশি ছিল, যা বহিরাগতদের উপস্থিতি নির্দেশ করে। ম্যাকসিআরএম-এর অনুমান অনুযায়ী, যা লেগেট 8-এর প্রাক্তন 3-এর সীমাবদ্ধতা। দ্রবণীয় ত্রুটি (MAE) বহিরাগতদের উপস্থিতির একটি সূচক হিসাবে সুপারিশ করা হয়। এর মানে হল যে ডেটাসেট যত বেশি ভিন্ন, MAE এবং RMSE মান তত বেশি। Ca_Mg_K-EBK_SVMR মিশ্র মডেলের ক্রস-ভ্যালিডেশন মূল্যায়নের যথার্থতা পূর্বাভাস দেওয়ার জন্য।59, নির্ভুলতার এই স্তরটি একটি গ্রহণযোগ্য মডেল পারফরম্যান্স হার। বর্তমান ফলাফলগুলিকে তারাসভ এট আল দ্বারা পূর্ববর্তী গবেষণার সাথে তুলনা করা হয়েছে।36 যার হাইব্রিড মডেল এমএলপিআরকে (মাল্টিলেয়ার পারসেপ্ট্রন রেসিডুয়াল ক্রিজিং) তৈরি করেছে, বর্তমান সমীক্ষায় রিপোর্ট করা EBK_SVMR নির্ভুলতা মূল্যায়ন সূচকের সাথে সম্পর্কিত, RMSE (210) এবং MAE (167.5) বর্তমান গবেষণায় আমাদের ফলাফলের চেয়ে বেশি ছিল (RMSE 95.479, 3679,33MA) যখন বর্তমান গবেষণায় RMSE 95.479,. (0.637) তারাসভ এট আল এর সাথে।36 (0.544), এটা স্পষ্ট যে এই মিশ্র মডেলে সংকল্পের সহগ (R2) বেশি। মিশ্র মডেলের জন্য ত্রুটির মার্জিন (RMSE এবং MAE) (EBK SVMR) দুই গুণ কম। একইভাবে, Sergeev et al.34 রেকর্ড করা হয়েছে 0.28 (R2) মডেলের জন্য, যখন KDE40.1 ডেভেলপ করা হয়েছে। বর্তমান গবেষণায় 0.637 (R2) রেকর্ড করা হয়েছে। এই মডেলের (EBK SVMR) ভবিষ্যদ্বাণীর নির্ভুলতা স্তর হল 63.7%, যখন ভবিষ্যদ্বাণীর নির্ভুলতা Sergeev এট আল দ্বারা প্রাপ্ত।34 হল 28%৷ EBK_SVMR মডেল এবং Ca_Mg_K ভবিষ্যদ্বাণী হিসাবে তৈরি করা চূড়ান্ত মানচিত্র (চিত্র 5) পুরো অধ্যয়ন এলাকায় হট স্পট এবং মাঝারি থেকে নিকেলের ভবিষ্যদ্বাণী দেখায়৷ এর মানে হল যে অধ্যয়ন এলাকায় নিকেলের ঘনত্ব প্রধানত মাঝারি, কিছু নির্দিষ্ট এলাকায় উচ্চ ঘনত্ব সহ৷
চূড়ান্ত ভবিষ্যদ্বাণী মানচিত্রটি হাইব্রিড মডেল EBK_SVMR ব্যবহার করে এবং ভবিষ্যদ্বাণী হিসাবে Ca_Mg_K ব্যবহার করে উপস্থাপন করা হয়েছে।
চিত্র 6-এ উপস্থাপন করা হয়েছে PTE ঘনত্বকে পৃথক নিউরন সমন্বিত একটি কম্পোজিশন প্লেন হিসাবে। কোনো কম্পোনেন্ট প্লেন দেখানো একই রঙের প্যাটার্ন প্রদর্শন করেনি। যাইহোক, অঙ্কিত মানচিত্রের জন্য উপযুক্ত নিউরনের সংখ্যা 55। SeOM বিভিন্ন রঙ ব্যবহার করে উত্পাদিত হয়, এবং রঙের প্যাটার্ন যত বেশি একই রকম হয়, আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদা আলাদাलाई রঙের প্যাটার্ন দেওয়া হয়। , K, এবং Mg) একক উচ্চ নিউরন এবং সর্বাধিক নিম্ন নিউরনের সাথে একই রঙের প্যাটার্ন দেখায়। এইভাবে, CaK এবং CaMg খুব উচ্চ-ক্রমের নিউরন এবং নিম্ন-থেকে-মধ্যম রঙের প্যাটার্নের সাথে কিছু মিল ভাগ করে। উভয় মডেলই মাঝারি থেকে উচ্চ রঙের বর্ণগুলি প্রদর্শন করে মাটিতে Ni এর ঘনত্বের ভবিষ্যদ্বাণী করে যেমন রঙের মাঝারি থেকে উচ্চ বর্ণগুলি প্রদর্শন করে এবং অনেকগুলি ইয়েলো প্যাটার্নের উপর ভিত্তি করে লাল এবং উচ্চ পোর্টের উপর ভিত্তি করে। নিম্ন থেকে মাঝারি রঙের প্যাচ। নিচু থেকে উচ্চ পর্যন্ত একটি সুনির্দিষ্ট রঙের স্কেলে, মডেলের উপাদানগুলির প্ল্যানার ডিস্ট্রিবিউশন প্যাটার্ন একটি উচ্চ রঙের প্যাটার্ন দেখায় যা মাটিতে নিকেলের সম্ভাব্য ঘনত্ব নির্দেশ করে (চিত্র 4 দেখুন)। CakMg মডেলের উপাদান সমতল একটি বৈচিত্র্যময় রঙের প্যাটার্ন দেখায় যা নিম্ন থেকে উচ্চ পর্যন্ত একটি নির্ভুল রঙের স্কেল অনুযায়ী, CakMg মডেলের আরও বেশি রঙের প্যাটার্ন। চিত্র 5-এ দেখানো নিকেলের স্থানিক বণ্টনের অনুরূপ। উভয় গ্রাফই শহুরে এবং পেরি-শহুরে মৃত্তিকায় নিকেলের ঘনত্বের উচ্চ, মাঝারি এবং নিম্ন অনুপাত দেখায়। চিত্র 7 মানচিত্রের k-মানে গোষ্ঠীকরণে কনট্যুর পদ্ধতিকে চিত্রিত করে, প্রতিটি মডেলের কনট্যুর সংখ্যার উপর ভিত্তি করে তিনটি ক্লাস্টারে বিভক্ত করা হয়েছে। f 115টি মাটির নমুনা সংগ্রহ করা হয়েছে, বিভাগ 1 সর্বাধিক মাটির নমুনা পেয়েছে, 74. ক্লাস্টার 2 33টি নমুনা পেয়েছে, যখন ক্লাস্টার 3 8টি নমুনা পেয়েছে৷ সঠিক ক্লাস্টার ব্যাখ্যার অনুমতি দেওয়ার জন্য সাত-উপাদানের প্ল্যানার ভবিষ্যদ্বাণীকারী সংমিশ্রণটি সরল করা হয়েছিল৷ অসংখ্য প্রাকৃতিক প্রক্রিয়ার কারণে এটি বিভিন্ন ধরণের প্রাকৃতিক প্রক্রিয়াকে প্রভাবিত করতে এবং জটিলতা সৃষ্টি করেছে। একটি বিতরণ করা SeOM মানচিত্রে ster প্যাটার্ন78।
প্রতিটি অভিজ্ঞতামূলক বেয়েসিয়ান ক্রিজিং সাপোর্ট ভেক্টর মেশিন (EBK_SVM_SeOM) ভেরিয়েবল দ্বারা কম্পোনেন্ট প্লেন আউটপুট।
বিভিন্ন ক্লাস্টার শ্রেণিবিন্যাস উপাদান [SeOM মানচিত্র RStudio ব্যবহার করে তৈরি করা হয়েছিল (সংস্করণ 1.4.1717: https://www.rstudio.com/)।]
বর্তমান অধ্যয়নটি শহুরে এবং পেরি-শহুরে মৃত্তিকাতে নিকেল ঘনত্বের জন্য মডেলিং কৌশলগুলিকে স্পষ্টভাবে চিত্রিত করে৷ গবেষণাটি মাটিতে নিকেল ঘনত্বের পূর্বাভাস দেওয়ার সর্বোত্তম উপায় পাওয়ার জন্য মডেলিং কৌশলগুলির সাথে উপাদানগুলিকে একত্রিত করে বিভিন্ন মডেলিং কৌশল পরীক্ষা করেছে৷ SeOM কম্পোজিশনাল প্ল্যানার স্থানিক বৈশিষ্ট্যগুলি একটি মডেলিং স্কেল থেকে উচ্চ রঙের উচ্চ মাত্রায় উচ্চ রঙের স্কেল থেকে উচ্চ রঙের স্কেল পর্যন্ত। মাটিতে রেশন। যাইহোক, স্থানিক বন্টন মানচিত্র EBK_SVMR দ্বারা প্রদর্শিত উপাদানগুলির প্ল্যানার স্থানিক বন্টন নিশ্চিত করে (চিত্র 5 দেখুন)। ফলাফলগুলি দেখায় যে সমর্থন ভেক্টর মেশিন রিগ্রেশন মডেল (Ca Mg K-SVMR) মাটিতে Ni এর ঘনত্বের ভবিষ্যদ্বাণী করে, একটি একক প্যারামিটারে একক প্যারামিটার এবং উচ্চ মাত্রার ত্রুটি দেখায়। RMSE এবং MAE এর শর্তাদি। অন্যদিকে, EBK_MLR মডেলের সাথে নিযুক্ত মডেলিং কৌশলটিও নির্ণয়ের সহগ (R2) এর কম মানের কারণে ত্রুটিপূর্ণ। কম RMSE এবং MAE এর ত্রুটির সাথে EBK SVMR এবং সম্মিলিত উপাদান (CaKMg) ব্যবহার করে ভাল ফলাফল পাওয়া গেছে। একটি মেশিন লার্নিং অ্যালগরিদম সহ অ্যালগরিদম একটি হাইব্রিড অ্যালগরিদম তৈরি করতে পারে যা মাটিতে PTE-এর ঘনত্বের পূর্বাভাস দিতে পারে৷ ফলাফলগুলি দেখায় যে Ca Mg K কে ভবিষ্যদ্বাণীকারী হিসাবে অধ্যয়ন এলাকায় Ni ঘনত্বের ভবিষ্যদ্বাণী করা মাটিতে Ni-এর ভবিষ্যদ্বাণীকে উন্নত করতে পারে৷ এর মানে হল যে নিকেল-ভিত্তিক শিল্পের ক্রমাগত প্রয়োগের ফলে স্টিল-ভিত্তিক শিল্পের পলিউশন এবং স্টিল-ভিত্তিক শিল্পের টেনশনের পরিমাণ বৃদ্ধি পায়। মাটিতে নিকেলের ঘনত্ব। এই গবেষণায় প্রকাশ করা হয়েছে যে EBK মডেল ত্রুটির মাত্রা কমাতে পারে এবং শহুরে বা পেরি-শহুরে মৃত্তিকাতে মাটির স্থানিক বন্টনের মডেলের যথার্থতা উন্নত করতে পারে। সাধারণভাবে, আমরা মাটিতে PTE মূল্যায়ন ও ভবিষ্যদ্বাণী করতে EBK-SVMR মডেল প্রয়োগ করার প্রস্তাব করি;উপরন্তু, আমরা বিভিন্ন মেশিন লার্নিং অ্যালগরিদমগুলির সাথে হাইব্রিডাইজ করার জন্য EBK ব্যবহার করার প্রস্তাব করি৷ কোভেরিয়েট হিসাবে উপাদানগুলি ব্যবহার করে Ni ঘনত্বের পূর্বাভাস দেওয়া হয়েছিল;যাইহোক, আরও কোভেরিয়েট ব্যবহার করা মডেলের কার্যক্ষমতাকে ব্যাপকভাবে উন্নত করবে, যা বর্তমান কাজের একটি সীমাবদ্ধতা হিসাবে বিবেচিত হতে পারে৷ এই গবেষণার আরেকটি সীমাবদ্ধতা হল যে ডেটাসেটের সংখ্যা হল 115৷ অতএব, যদি আরও ডেটা সরবরাহ করা হয়, প্রস্তাবিত অপ্টিমাইজড হাইব্রিডাইজেশন পদ্ধতির কর্মক্ষমতা উন্নত করা যেতে পারে৷
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (অ্যাক্সেস 28 এপ্রিল 2021)।
Kasprzak, KS Nickel আধুনিক পরিবেশগত বিষবিদ্যা. surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: A Review of its Sources and Environmental toxicology. Polish J. Environment.Stud.15, 375–382 (2006)।
ফ্রিডম্যান, বি. অ্যান্ড হাচিনসন, টিসি বায়ুমণ্ডল থেকে দূষণকারী ইনপুট এবং সাডবারি, অন্টারিও, কানাডায় একটি নিকেল-কপার স্মেল্টারের কাছে মাটি এবং গাছপালা জমে।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/s10653-021-021-x).
Cabata-Pendias.Kabata-Pendias A. 2011. মাটিতে উপাদানের সন্ধান করুন এবং… – Google স্কলার https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+A.+2011.+Trace+ Elements+and+9. NY%29%3A+CRC+Pres&btnG= (অ্যাক্সেস করা হয়েছে 24 নভেম্বর 2020)।
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org-এ কৃষি মাটি এবং ঘাসে ভারী ধাতুর ঘনত্বের উপর রাশিয়ান নিকেল শিল্পের প্রভাব।
নিলসেন, জিডি এট আল। পানীয় জলে নিকেল শোষণ এবং ধরে রাখা খাদ্য গ্রহণ এবং নিকেল সংবেদনশীলতার সাথে সম্পর্কিত। টক্সিকোলজি। অ্যাপ্লিকেশন। ফার্মাকোডাইনামিকস।154, 67-75 (1999)।
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection. surroundings.Health Perspective.107, 2 (1999)।
আজমান, পিসি;Ajado, SK;Borůvka, L.;বিনি, জেকেএম;সারকোডি, ভিওয়াইও;কোবোনি, এনএম;সম্ভাব্য বিষাক্ত উপাদানগুলির প্রবণতা বিশ্লেষণ: একটি বিবলিওমেট্রিক পর্যালোচনা৷ পরিবেশগত ভূ-রসায়ন এবং স্বাস্থ্য৷ স্প্রিংগার বিজ্ঞান ও ব্যবসায়িক মিডিয়া বিভি 2020.https://doi.org/10.1007/s10653-020-00742-9৷
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. on digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)৷
Deutsch.CV জিওস্ট্যাটিস্টিক্যাল রিজার্ভয়ার মডেলিং,… – Google স্কলার https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C+Vers+C+Verst+7+Oxford+Page G= (অ্যাক্সেস 28 এপ্রিল 2021)।