Nature.com ની મુલાકાત લેવા બદલ આભાર. તમે જે બ્રાઉઝર સંસ્કરણનો ઉપયોગ કરી રહ્યાં છો તેમાં CSS માટે મર્યાદિત સમર્થન છે. શ્રેષ્ઠ અનુભવ માટે, અમે ભલામણ કરીએ છીએ કે તમે અપડેટેડ બ્રાઉઝરનો ઉપયોગ કરો (અથવા Internet Explorer માં સુસંગતતા મોડ બંધ કરો). તે દરમિયાન, સતત સમર્થનની ખાતરી કરવા માટે, અમે શૈલીઓ અને JavaScript વિના સાઇટ પ્રદર્શિત કરીશું.
માટીનું પ્રદૂષણ માનવીય પ્રવૃત્તિઓને કારણે થતી એક મોટી સમસ્યા છે. સંભવિત ઝેરી તત્વો (PTEs) નું અવકાશી વિતરણ મોટા ભાગના શહેરી અને પેરી-શહેરી વિસ્તારોમાં બદલાય છે. તેથી, આવી જમીનમાં PTEsની સામગ્રીની અવકાશી આગાહી કરવી મુશ્કેલ છે. કુલ 115 નમૂનાઓ Frydek CmagciumC (Frydek CmagciumC) રિપબ્લિક, ધી મેગ્નેસેક (Frydek CM) માંથી મેળવવામાં આવ્યા હતા. એસીઅમ (K) અને નિકલ (Ni) સાંદ્રતા પ્રેરક રીતે જોડાયેલા પ્લાઝ્મા ઉત્સર્જન સ્પેક્ટ્રોમેટ્રીનો ઉપયોગ કરીને નક્કી કરવામાં આવી હતી. પ્રતિભાવ ચલ ની છે અને અનુમાનો છે Ca, Mg, અને K. પ્રતિભાવ ચલ અને આગાહી કરનાર ચલ વચ્ચેનો સહસંબંધ મેટ્રિક્સ સંતોષકારક દર્શાવે છે કે VMR એલિમેન્ટ્સ (VMR) પ્રીડિક્ટર (VMR) એલિમેન્ટ્સ (MVS) વચ્ચેના રિસ્પોન્સ વેરિયેબલ રિસ્પોન્સ વેરીએબલ વચ્ચેનો સહસંબંધ મેટ્રિક્સ દર્શાવે છે. સારું પ્રદર્શન કર્યું, જો કે તેના અંદાજિત મૂળ સરેરાશ ચોરસ ભૂલ (RMSE) (235.974 mg/kg) અને સરેરાશ સંપૂર્ણ ભૂલ (MAE) (166.946 mg/kg) લાગુ કરાયેલી અન્ય પદ્ધતિઓ કરતાં વધુ હતી. પ્રયોગમૂલક બેયેસિયન ક્રિગિંગ-મલ્ટીપલ રેખીય રીગ્રેસન (EB) દ્વારા નબળા પુરાવાઓ (EB) કરતાં ઓછા પ્રમાણમાં રેખીય રીગ્રેસન (EB) કરતાં ઓછા પરફોર્મન્સ તરીકે પ્રયોગમૂલક બેયેસિયન ક્રિગિંગ-મલ્ટીપલ રેખીય રીગ્રેસન માટે મિશ્ર મોડેલો. 1.એમ્પિરીકલ બેયસિયન ક્રીજીંગ-સપોર્ટ વેક્ટર મશીન રીગ્રેસન (EBK-SVMR) મોડલ શ્રેષ્ઠ મોડલ હતું, જેમાં નીચા RMSE (95.479 mg/kg) અને MAE (77.368 mg/kg) મૂલ્યો અને નિર્ધારણના ઉચ્ચ ગુણાંક (R2 = 0.B6-MR) ટેકનિકનો ઉપયોગ કરીને સેલ્ફ-એમઆરએસઈ આઉટપુટ મોડલ છે. હાઇબ્રિડ મોડલ CakMg-EBK-SVMR ઘટકના પ્લેનમાં ક્લસ્ટર્ડ ચેતાકોષો બહુવિધ રંગની પેટર્ન દર્શાવે છે જે શહેરી અને પેરી-શહેરી જમીનમાં ની સાંદ્રતાની આગાહી કરે છે. પરિણામો દર્શાવે છે કે EBK અને SVMR નું સંયોજન એ ની સાંદ્રતાની આગાહી કરવા માટે અસરકારક તકનીક છે.
નિકલ (ની)ને છોડ માટે સૂક્ષ્મ પોષકતત્ત્વો ગણવામાં આવે છે કારણ કે તે વાતાવરણીય નાઇટ્રોજન ફિક્સેશન (N) અને યુરિયા ચયાપચયમાં ફાળો આપે છે, જે બંને બીજ અંકુરણ માટે જરૂરી છે. બીજ અંકુરણમાં તેના યોગદાન ઉપરાંત, ની ફૂગ અને બેક્ટેરિયલ અવરોધક તરીકે કાર્ય કરી શકે છે અને છોડના વિકાસને ઉત્તેજન આપે છે. પાંદડાઓના.ઉદાહરણ તરીકે, દાળ અને લીલી કઠોળને નાઇટ્રોજન ફિક્સેશનને શ્રેષ્ઠ બનાવવા માટે નિકલ આધારિત ખાતરોની જરૂર પડે છે2. જમીનને સમૃદ્ધ બનાવવા અને કઠોળની જમીનમાં નાઇટ્રોજન ફિક્સ કરવાની ક્ષમતા વધારવા માટે નિકલ-આધારિત ખાતરોનો સતત ઉપયોગ કરવાથી છોડમાં માઇક્રોસેન્ટ્રેશનમાં સતત વધારો થાય છે. જમીનમાં વધુ પડતું સેવન સારા કરતાં વધુ નુકસાન કરી શકે છે. જમીનમાં નિકલની ઝેરી માત્રા જમીનના pHને ઘટાડે છે અને છોડના વિકાસ માટે આવશ્યક પોષક તત્ત્વો તરીકે આયર્નના શોષણમાં અવરોધ ઊભો કરે છે.1. Liu3 અનુસાર, Ni એ છોડના વિકાસ અને વૃદ્ધિ માટે જરૂરી 17મું મહત્વપૂર્ણ તત્વ હોવાનું જણાયું છે. આ ઉપરાંત, છોડના વિકાસ અને વિકાસ માટે નિકલની વિવિધતા, છોડના વિકાસ અને વિવિધતાના વિકાસમાં નીકલની ભૂમિકા જરૂરી છે. નિકલ-આધારિત એલોયનું ઉત્પાદન, અને ઓટોમોટિવ ઉદ્યોગમાં ઇગ્નીશન ઉપકરણો અને સ્પાર્ક પ્લગના ઉત્પાદન માટે વિવિધ ઔદ્યોગિક ક્ષેત્રોમાં નિકલના ઉપયોગની જરૂર પડે છે. વધુમાં, નિકલ-આધારિત એલોય અને ઇલેક્ટ્રોપ્લેટેડ આર્ટિકલનો વ્યાપક ઉપયોગ કિચનવેર, બૉલરૂમ એક્સેસરીઝ, ખાદ્ય ઉદ્યોગ પુરવઠો, ઇલેક્ટ્રીકલ, વાયરિંગ, વાયરિંગ અને સર્ટિફિકેટ્સ, સર્ટિફિકેટ્સ અને ઇન્ડસ્ટ્રીમાં વ્યાપકપણે થાય છે. 5.જમીનમાં ની-સમૃદ્ધ સ્તરો (એટલે ​​કે, સપાટીની જમીન) એંથ્રોપોજેનિક અને કુદરતી સ્ત્રોતો બંનેને આભારી છે, પરંતુ પ્રાથમિક રીતે, ની એ એન્થ્રોપોજેનિકને બદલે કુદરતી સ્ત્રોત છે4,6.નિકલના કુદરતી સ્ત્રોતોમાં જ્વાળામુખી ફાટી નીકળવો, વનસ્પતિ, જંગલની આગ અને ભૂસ્તરશાસ્ત્રીય પ્રક્રિયાઓનો સમાવેશ થાય છે;જોકે, એન્થ્રોપોજેનિક સ્ત્રોતોમાં સ્ટીલ ઉદ્યોગમાં નિકલ/કેડમિયમ બેટરી, ઈલેક્ટ્રોપ્લેટિંગ, આર્ક વેલ્ડીંગ, ડીઝલ અને ઈંધણ તેલ અને કોલસાના દહન અને કચરો અને કાદવના ભસ્મીકરણમાંથી વાતાવરણીય ઉત્સર્જનનો સમાવેશ થાય છે.10, નજીકના અને નજીકના વાતાવરણમાં ટોચની જમીનના પ્રદૂષણના મુખ્ય સ્ત્રોતો મુખ્યત્વે નિકલ-તાંબા આધારિત સ્મેલ્ટર્સ અને ખાણો છે. કેનેડામાં સડબરી નિકલ-કોપર રિફાઇનરીની આસપાસની ટોચની માટીમાં નિકલ દૂષણનું ઉચ્ચતમ સ્તર 26,000 mg/kg હતું, રશિયામાં નિકલના પ્રદૂષણમાં 11 ટકાનું પ્રમાણ વધ્યું છે. નોર્વેજીયન માટીમાં 11. Alms એટ અલ મુજબ.12, પ્રદેશની ટોચની ખેતીલાયક જમીન (રશિયામાં નિકલ ઉત્પાદન)માં HNO3-એક્સટ્રેક્ટેબલ નિકલનો જથ્થો 6.25 થી 136.88 mg/kg સુધીનો હતો, જે સરેરાશ 30.43 mg/kg અને 25 mg/kg ની બેઝલાઇન સાંદ્રતાને અનુરૂપ છે. ક્રમિક પાકની ઋતુઓ દરમિયાન શહેરી અથવા પેરી-શહેરી જમીનમાં અલ્ચરલ માટી જમીનને દૂષિત કરી શકે છે અથવા દૂષિત કરી શકે છે. મનુષ્યમાં નિકલની સંભવિત અસરો મ્યુટાજેનેસિસ, ક્રોમોસોમલ ડેમેજ, Z-DNA જનરેશન, અવરોધિત DNA એક્સિઝન રિપેર અથવા એપિજેનેટિક પ્રક્રિયાઓ દ્વારા કેન્સર તરફ દોરી શકે છે. આવા ગાંઠો વધારે છે.
માટી-છોડ સંબંધો, માટી અને માટીના જૈવિક સંબંધો, પર્યાવરણીય અધોગતિ અને પર્યાવરણીય અસર મૂલ્યાંકનથી ઉદ્ભવતા આરોગ્ય સંબંધિત મુદ્દાઓની વિશાળ શ્રેણીને કારણે તાજેતરના સમયમાં માટી દૂષિત મૂલ્યાંકન વિકસ્યું છે. આજની તારીખે, સંભવિત ઝેરી તત્વો (PTEs) ની અવકાશી આગાહી જેમ કે પરંપરાગત શ્રમ પદ્ધતિનો ઉપયોગ કરીને પરંપરાગત રીતે નિષ્ક્રિય અને નિષ્ક્રિય સમયનો ઉપયોગ કરવામાં આવી રહ્યો છે. (DSM) અને તેની વર્તમાન સફળતા15એ અનુમાનિત માટી મેપિંગ (PSM)માં ઘણો સુધારો કર્યો છે. Minasny અને McBratney16 અનુસાર, અનુમાનિત માટી મેપિંગ (DSM) એ માટી વિજ્ઞાનની અગ્રણી પેટાશાખા સાબિત થઈ છે. Lagacherie અને McBratney, 2006 વ્યાખ્યાયિત કરે છે અને DSM ની રચના અને માહિતી ભરવાની સિસ્ટમ દ્વારા "નિર્માણ પદ્ધતિ" તરીકે કામ કરે છે. સર્વેશનલ પદ્ધતિઓ અને અવકાશી અને બિન-અવકાશી માટી અનુમાન પ્રણાલીઓ”. મેકબ્રેટની એટ અલ.17 રૂપરેખા આપે છે કે સમકાલીન DSM અથવા PSM એ PTE, માટીના પ્રકારો અને માટીના ગુણધર્મોના અવકાશી વિતરણની આગાહી અથવા મેપિંગ માટે સૌથી અસરકારક તકનીક છે. જીઓસ્ટેટિસ્ટિક્સ અને મશીન લર્નિંગ અલ્ગોરિધમ્સ (MLA) એ DSM મોડેલિંગ તકનીકો છે જે નોંધપાત્ર અને ન્યૂનતમ ડેટાનો ઉપયોગ કરીને કમ્પ્યુટરની મદદથી ડિજિટાઈઝ્ડ નકશા બનાવે છે.
Deutsch18 અને Olea19 ભૂસ્તરશાસ્ત્રને "સંખ્યાત્મક તકનીકોના સંગ્રહ તરીકે વ્યાખ્યાયિત કરે છે જે અવકાશી વિશેષતાઓની રજૂઆત સાથે વ્યવહાર કરે છે, મુખ્યત્વે સ્ટોકેસ્ટિક મોડલ્સનો ઉપયોગ કરે છે, જેમ કે કેવી રીતે સમય શ્રેણી વિશ્લેષણ ટેમ્પોરલ ડેટાને લાક્ષણિકતા આપે છે."મુખ્યત્વે, જીઓસ્ટેટિસ્ટિક્સમાં વેરિઓગ્રામ્સનું મૂલ્યાંકન સામેલ છે, જે દરેક ડેટાસેટમાંથી અવકાશી મૂલ્યોની અવલંબનને પરિમાણ અને વ્યાખ્યાયિત કરવાની મંજૂરી આપે છે20.Gumiaux et al.20 વધુ સમજાવે છે કે જીઓસ્ટેટિસ્ટિક્સમાં વેરિઓગ્રામ્સનું મૂલ્યાંકન ત્રણ સિદ્ધાંતો પર આધારિત છે, જેમાં (a) ડેટા સહસંબંધના સ્કેલની ગણતરી, (b) ડેટાસેટ અસમાનતામાં એનિસોટ્રોપીને ઓળખવા અને ગણતરી કરવી અને (c) ઉપરાંત, માપનની અંતર્ગત ભૂલને ધ્યાનમાં લેવા ઉપરાંત, આ વિભાવનાઓ પરની અસર સ્થાનિક ડેટા વિસ્તારથી અલગ કરવામાં આવી છે. તકનીકોનો ઉપયોગ ભૂસ્તરશાસ્ત્રમાં થાય છે, જેમાં સામાન્ય ક્રીગીંગ, કો-ક્રિગીંગ, સામાન્ય ક્રીગીંગ, પ્રયોગમૂલક બેયેસિયન ક્રીગીંગ, સરળ ક્રીગીંગ પદ્ધતિ અને અન્ય જાણીતી ઈન્ટરપોલેશન તકનીકોનો ઉપયોગ PTE, જમીનની લાક્ષણિકતાઓ અને જમીનના પ્રકારોને નકશા અથવા આગાહી કરવા માટે થાય છે.
મશીન લર્નિંગ એલ્ગોરિધમ્સ (એમએલએ) એ પ્રમાણમાં નવી તકનીક છે જે મોટા બિન-રેખીય ડેટા વર્ગોને રોજગારી આપે છે, જે મુખ્યત્વે ડેટા માઇનિંગ માટે ઉપયોગમાં લેવાતા અલ્ગોરિધમ્સ દ્વારા બળતણ કરે છે, ડેટામાં પેટર્નને ઓળખવા માટે, અને માટી વિજ્ઞાન અને વળતર કાર્યો જેવા વૈજ્ઞાનિક ક્ષેત્રોમાં વર્ગીકરણ માટે વારંવાર લાગુ કરવામાં આવે છે. સંખ્યાબંધ સંશોધન પેપર્સ PTE, ટેન, ટેનિસ મોડલ, ટેનિસ મોડેલો પર આધાર રાખે છે.22 (ખેતીની જમીનમાં ભારે ધાતુના અંદાજ માટે રેન્ડમ જંગલો), સાકીઝાદેહ એટ અલ.23 (સપોર્ટ વેક્ટર મશીનો અને કૃત્રિમ ન્યુરલ નેટવર્કનો ઉપયોગ કરીને મોડેલિંગ) જમીનનું પ્રદૂષણ ).આ ઉપરાંત, વેગા એટ અલ.24 (જમીનમાં ભારે ધાતુની જાળવણી અને શોષણના મોડેલિંગ માટે કાર્ટ) સન એટ અલ.25 (ક્યુબિસ્ટનો ઉપયોગ એ જમીનમાં સીડીનું વિતરણ છે) અને અન્ય અલ્ગોરિધમ્સ જેમ કે k-નજીકના પડોશી, સામાન્યકૃત બૂસ્ટેડ રીગ્રેસન અને બૂસ્ટેડ રીગ્રેશન ટ્રીઝ એ પણ જમીનમાં PTE ની આગાહી કરવા માટે MLA લાગુ કર્યા.
આગાહી અથવા મેપિંગમાં DSM અલ્ગોરિધમનો ઉપયોગ અનેક પડકારોનો સામનો કરે છે. ઘણા લેખકો માને છે કે MLA એ જીઓસ્ટેટિસ્ટિક્સ કરતાં ચડિયાતું છે અને તેનાથી ઊલટું. જો કે એક બીજા કરતાં વધુ સારું છે, બેનું સંયોજન DSM15.Woodcock અને Gopal2672726 માં મેપિંગ અથવા અનુમાનની ચોકસાઈના સ્તરને સુધારે છે.પોન્ટિયસ અને ચેયુક28 અને ગ્રુનવાલ્ડ29 અનુમાનિત માટી મેપિંગમાં ખામીઓ અને કેટલીક ભૂલો પર ટિપ્પણી કરે છે. માટી વૈજ્ઞાનિકોએ DSM મેપિંગ અને આગાહીની અસરકારકતા, ચોકસાઈ અને અનુમાનિતતાને શ્રેષ્ઠ બનાવવા માટે વિવિધ તકનીકોનો પ્રયાસ કર્યો છે. અનિશ્ચિતતા અને ચકાસણીનું સંયોજન વિવિધ અસરકારકતામાં ઘટાડો કરે છે. જો કે, Agyeman et al.15 રૂપરેખા આપે છે કે નકશાની ગુણવત્તા સુધારવા માટે નકશાની રચના અને આગાહી દ્વારા રજૂ કરાયેલ માન્યતા વર્તન અને અનિશ્ચિતતા સ્વતંત્ર રીતે માન્ય હોવી જોઈએ. DSM ની મર્યાદાઓ ભૌગોલિક રીતે વિખેરાયેલી માટીની ગુણવત્તાને કારણે છે, જેમાં અનિશ્ચિતતાના ઘટકનો સમાવેશ થાય છે;જો કે, DSM માં નિશ્ચિતતાનો અભાવ ભૂલના બહુવિધ સ્ત્રોતોમાંથી ઉદ્ભવી શકે છે, જેમ કે કોવેરિયેટ ભૂલ, મોડેલ ભૂલ, સ્થાન ભૂલ અને વિશ્લેષણાત્મક ભૂલ 31. એમએલએ અને ભૂસ્તરશાસ્ત્રીય પ્રક્રિયાઓમાં પ્રેરિત મોડેલિંગની અચોક્કસતાઓ સમજના અભાવ સાથે સંકળાયેલી છે, જે આખરે વધુ સરળીકરણ તરફ દોરી જાય છે. ing પરિમાણો, ગાણિતિક મોડલ આગાહીઓ, અથવા ઇન્ટરપોલેશન33. તાજેતરમાં, એક નવો DSM વલણ ઉભરી આવ્યો છે જે મેપિંગ અને આગાહીમાં ભૂસ્તરશાસ્ત્ર અને MLAના એકીકરણને પ્રોત્સાહન આપે છે. કેટલાક ભૂમિ વૈજ્ઞાનિકો અને લેખકો, જેમ કે સર્ગીવ એટ અલ.34;સબબોટિના એટ અલ.35;તારાસોવ એટ અલ.36 અને તારાસોવ એટ અલ.37 એ આગાહી અને મેપિંગની કાર્યક્ષમતામાં સુધારો કરતા હાઇબ્રિડ મોડલ્સ બનાવવા માટે જીઓસ્ટેટિસ્ટિક્સ અને મશીન લર્નિંગની સચોટ ગુણવત્તાનો ઉપયોગ કર્યો છે.ગુણવત્તા. આમાંના કેટલાક વર્ણસંકર અથવા સંયુક્ત અલ્ગોરિધમ મોડલ છે આર્ટિફિશિયલ ન્યુરલ નેટવર્ક ક્રિગિંગ (ANN-RK), મલ્ટિલેયર પરસેપ્ટ્રોન રેસિડ્યુઅલ ક્રિગિંગ (MLP-RK), જનરલાઈઝ્ડ રિગ્રેસન ન્યુરલ નેટવર્ક રેસિડ્યુઅલ ક્રિગિંગ (GR-NNRK)36, આર્ટિફિશિયલ ન્યુરલ નેટવર્ક ક્રિગિંગ અને મલ્ટીલેયર પરસેપ્ટ્રોન ક્રિગિંગ અને મલ્ટીલેયર પરસેપ્ટ્રોન ક્રિગીંગ (Multi-NRK)36. sian પ્રક્રિયા રીગ્રેસન38.
સેર્ગીવ એટ અલ.ના જણાવ્યા મુજબ, વિવિધ મોડેલિંગ તકનીકોને સંયોજિત કરવાથી ખામીઓ દૂર કરવાની અને પરિણામી હાઇબ્રિડ મોડલની કાર્યક્ષમતા વધારવાની ક્ષમતા તેના એક જ મોડેલને વિકસાવવાને બદલે છે. આ સંદર્ભમાં, આ નવું પેપર એવી દલીલ કરે છે કે જિયોસ્ટેટિસ્ટિક્સ અને એમએલએના સંયુક્ત અલ્ગોરિધમને લાગુ કરવા માટે તે જરૂરી છે કે તે પૂર્વ-સંકર-સંકર-બનાવટના ક્ષેત્રોમાં પૂર્વ-સંકર-વૃદ્ધિ માટે શ્રેષ્ઠ અભ્યાસ કરશે. બેઝ મોડલ તરીકે એમ્પિરિકલ બેયેસિયન ક્રિગિંગ (EBK) પર અને તેને સપોર્ટ વેક્ટર મશીન (SVM) અને મલ્ટીપલ લીનિયર રીગ્રેસન (MLR) મોડલ્સ સાથે મિક્સ કરો. કોઈપણ MLA સાથે EBK નું હાઇબ્રિડાઇઝેશન જાણીતું નથી. જોવામાં આવેલા બહુવિધ મિશ્ર મોડલ્સ સામાન્ય, અવશેષો, અને એમએલએ સ્ટેટ્સ કે રિગ્રેશનલ પદ્ધતિના સંયોજનો છે. s એક અવકાશી સ્ટોકેસ્ટિક પ્રક્રિયા છે જે ક્ષેત્ર પર નિર્ધારિત સ્થાનિકીકરણ પરિમાણો સાથે બિન-સ્થિર/સ્થિર રેન્ડમ ક્ષેત્ર તરીકે સ્થાનીકૃત છે, જે અવકાશી ભિન્નતા માટે પરવાનગી આપે છે39.EBK નો ઉપયોગ વિવિધ અભ્યાસોમાં કરવામાં આવ્યો છે, જેમાં ખેતરની જમીનમાં કાર્બનિક કાર્બનના વિતરણનું પૃથ્થકરણ કરવું, માટીના નકશાનું મૂલ્યાંકન કરવું અને 42 ગુણધર્મોનું મૂલ્યાંકન કરવું.
બીજી તરફ, સેલ્ફ-ઓર્ગેનાઈઝિંગ ગ્રાફ (SeOM) એ શીખવાની અલ્ગોરિધમ છે જે વિવિધ લેખોમાં લાગુ કરવામાં આવી છે જેમ કે Li et al.43, વાંગ એટ અલ.44, હુસૈન ભુઈયા વગેરે.45 અને Kebonye et al.46 અવકાશી વિશેષતાઓ અને તત્વોનું જૂથ નક્કી કરો. વાંગ એટ અલ.44 રૂપરેખા આપે છે કે SeOM એ બિન-રેખીય સમસ્યાઓનું જૂથ અને કલ્પના કરવાની તેની ક્ષમતા માટે જાણીતી એક શક્તિશાળી શીખવાની તકનીક છે. મુખ્ય ઘટક વિશ્લેષણ, અસ્પષ્ટ ક્લસ્ટરિંગ, હાયરાર્કિકલ ક્લસ્ટરિંગ અને બહુ-માપદંડ નિર્ણય લેવા જેવી અન્ય પેટર્ન ઓળખ તકનીકોથી વિપરીત, SeOM એ W.44, SeOM સંબંધિત ચેતાકોષોના વિતરણને અવકાશી રીતે જૂથબદ્ધ કરી શકે છે અને ઉચ્ચ-રિઝોલ્યુશન ડેટા વિઝ્યુલાઇઝેશન પ્રદાન કરી શકે છે. સીધા અર્થઘટન માટે પરિણામોને દર્શાવવા માટે શ્રેષ્ઠ મોડલ મેળવવા માટે SeOM ની આગાહી ડેટાની કલ્પના કરશે.
આ પેપરનો હેતુ શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સામગ્રીની આગાહી કરવા માટે શ્રેષ્ઠ ચોકસાઈ સાથે મજબૂત મેપિંગ મોડલ જનરેટ કરવાનો છે. અમે અનુમાન કરીએ છીએ કે મિશ્ર મોડેલની વિશ્વસનીયતા મુખ્યત્વે બેઝ મોડેલ સાથે જોડાયેલા અન્ય મોડલ્સના પ્રભાવ પર આધારિત છે. અમે સ્વીકારીએ છીએ કે DSM સામેના પડકારો છે, અને આ ફ્રન્ટ કોમ્બિનેશનમાં બહુવિધ સંબોધન છે, જ્યારે ફ્રન્ટ કોમ્પ્લેક્સના પડકારો છે. s અને MLA મોડલ વધતા જણાય છે;તેથી, અમે સંશોધન પ્રશ્નોના જવાબ આપવાનો પ્રયાસ કરીશું જે મિશ્રિત મોડલ પેદા કરી શકે છે. જો કે, લક્ષ્ય તત્વની આગાહી કરવા માટેનું મોડેલ કેટલું સચોટ છે? ઉપરાંત, માન્યતા અને ચોકસાઈ મૂલ્યાંકન પર આધારિત કાર્યક્ષમતા મૂલ્યાંકનનું સ્તર શું છે? તેથી, આ અભ્યાસના વિશિષ્ટ લક્ષ્યો હતા (a) સંયુક્ત SVRB અથવા MLB મોડેલનો ઉપયોગ કરીને સંયુક્ત મોડેલ (એમઆરબી) અથવા એમએલબી (એમઆરબી) મોડેલનો ઉપયોગ કરીને પરિણામી મોડલ (c) શહેરી અથવા પેરી-શહેરી જમીનમાં ની સાંદ્રતાની આગાહી કરવા માટે શ્રેષ્ઠ મિશ્રણ મોડલ પ્રસ્તાવિત કરે છે, અને (d) નિકલ અવકાશી વિવિધતાનો ઉચ્ચ-રિઝોલ્યુશન નકશો બનાવવા માટે SeOM ની એપ્લિકેશન.
આ અભ્યાસ ચેક રિપબ્લિકમાં હાથ ધરવામાં આવી રહ્યો છે, ખાસ કરીને મોરાવિયા-સિલેસિયન પ્રદેશમાં ફ્રાયડેક મિસ્ટેક જિલ્લામાં (આકૃતિ 1 જુઓ). અભ્યાસ વિસ્તારની ભૂગોળ ખૂબ જ ખરબચડી છે અને તે મોટે ભાગે મોરાવિયા-સિલેસિયન બેસ્કીડી પ્રદેશનો ભાગ છે, જે કાર્પેથિયન પર્વતની બહારની કિનારનો ભાગ છે. 4′ 4′ અને 4′ 4′ અભ્યાસ પર્વતની વચ્ચે સ્થિત છે. 18° 20′ 0′ E, અને ઊંચાઈ 225 અને 327 m વચ્ચે છે;જો કે, પ્રદેશની આબોહવાની સ્થિતિ માટે કોપેન વર્ગીકરણ પ્રણાલીને Cfb = સમશીતોષ્ણ સમુદ્રી આબોહવા તરીકે રેટ કરવામાં આવે છે, સૂકા મહિનામાં પણ પુષ્કળ વરસાદ પડે છે. સમગ્ર વર્ષ દરમિયાન −5 °C અને 24 °C વચ્ચે તાપમાન થોડો બદલાય છે, ભાગ્યે જ −14 °C અને 75 °C અને વાર્ષિક સરેરાશ °C 752 °C અથવા તેનાથી ઉપરની વચ્ચે ભાગ્યે જ નીચે આવે છે. mm47.સમગ્ર વિસ્તારનો અંદાજિત સર્વેક્ષણ વિસ્તાર 1,208 ચોરસ કિલોમીટર છે, જેમાં 39.38% ખેતીની જમીન અને 49.36% જંગલ કવરેજ છે.બીજી તરફ, આ અભ્યાસમાં વપરાતો વિસ્તાર લગભગ 889.8 ચોરસ કિલોમીટર છે.ઓસ્ટ્રાવા અને તેની આસપાસ, સ્ટીલ મિલ અને સ્ટીલ ઉદ્યોગમાં ખૂબ જ સક્રિય છે, જ્યાં સ્ટીલ મિલ અને ધાતુના ઉદ્યોગો ખૂબ જ સક્રિય છે. સ્ટેનલેસ સ્ટીલ્સ (દા.ત. વાતાવરણીય કાટ સામે પ્રતિકાર માટે) અને એલોય સ્ટીલ્સ (નિકલ તેની સારી નરમતા અને કઠિનતા જાળવી રાખીને એલોયની મજબૂતાઈ વધારે છે), અને સઘન કૃષિ જેમ કે ફોસ્ફેટ ખાતરનો ઉપયોગ અને પશુધન ઉત્પાદન એ પ્રદેશમાં નિકલના સંશોધન સંભવિત સ્ત્રોતો છે (દા.ત., ઔદ્યોગિક વૃદ્ધિ દરમાં વધારો અને ઔદ્યોગિક કોલેબ્સનો નીચા દરમાં વધારો. સંશોધન ક્ષેત્રોમાં નિકલમાં ઇલેક્ટ્રોપ્લેટિંગમાં તેનો ઉપયોગ શામેલ છે, જેમાં ઇલેક્ટ્રોપ્લેટિંગ નિકલ અને ઇલેક્ટ્રોલેસ નિકલ પ્લેટિંગ પ્રક્રિયાઓનો સમાવેશ થાય છે. માટીના ગુણધર્મો માટીના રંગ, બંધારણ અને કાર્બોનેટ સામગ્રીથી સરળતાથી ઓળખી શકાય છે. જમીનની રચના મધ્યમથી ઝીણી હોય છે, જે મૂળ સામગ્રીમાંથી મેળવવામાં આવે છે. તે સંગ્રાહક, કાંપવાળી અથવા વાયુયુક્ત હોય છે, અને જમીનની સપાટીની સપાટી પર ઘણી વખત જમીનની સપાટી અને માટીમાં રહેલા સેન્દ્રિય પદાર્થનાં રજકણ હોય છે. જો કે, કેમ્બિસોલ અને સ્ટેગ્નોસોલ એ પ્રદેશમાં સૌથી સામાન્ય માટીના પ્રકારો છે48. 455.1 થી 493.5 મીટર સુધીની ઉંચાઇ સાથે, ચેક રિપબ્લિકમાં કેમ્બિસોલનું વર્ચસ્વ છે49.
અભ્યાસ ક્ષેત્રનો નકશો [અભ્યાસ વિસ્તારનો નકશો ArcGIS ડેસ્કટોપ (ESRI, Inc, સંસ્કરણ 10.7, URL: https://desktop.arcgis.com) નો ઉપયોગ કરીને બનાવવામાં આવ્યો હતો.]
ફ્રાયડેક મિસ્ટેક જિલ્લામાં શહેરી અને પેરી-શહેરી જમીનમાંથી કુલ 115 ટોચની જમીનના નમૂનાઓ મેળવવામાં આવ્યા હતા. ઉપયોગમાં લેવાતી નમૂનાની પેટર્ન 2 × 2 કિમીના અંતરે માટીના નમૂનાઓ સાથેની નિયમિત ગ્રીડ હતી અને હાથથી પકડેલા GPS લેમ્પર બેગલેસ જીપીએસ બેગલ્સ (LePS) પેકેજમાં જીપીએસ બેગલ્સ (LePS) પેકેજમાં ટોચની જમીન 0 થી 20 સે.મી.ની ઊંડાઈએ માપવામાં આવી હતી. બેલ્ડ, અને પ્રયોગશાળામાં મોકલવામાં આવ્યા. પલ્વરાઇઝ્ડ નમૂનાઓ બનાવવા માટે નમૂનાઓને હવામાં સૂકવવામાં આવ્યા હતા, યાંત્રિક પ્રણાલી (ફ્રિચ ડિસ્ક મિલ) દ્વારા પલ્વરાઇઝ્ડ કરવામાં આવ્યા હતા, અને ચાળવામાં આવ્યા હતા (ચાળણીનું કદ 2 મીમી). 1 ગ્રામ સૂકા, એકરૂપ અને ચાળેલા માટીના નમૂનાઓને સ્પષ્ટ રીતે લેબલવાળા ટેફ્લોન %3, 5% 3.5 મિલિગ્રામના બોટલમાં મૂકો. Cl અને 3 ml 65% HNO3 (ઓટોમેટિક ડિસ્પેન્સરનો ઉપયોગ કરીને – દરેક એસિડ માટે એક), હળવાશથી ઢાંકી દો અને પ્રતિક્રિયા (એક્વા રેજિયા પ્રોગ્રામ) માટે નમૂનાઓને રાતોરાત ઊભા રહેવા દો. સુપરનેટન્ટને ગરમ ધાતુની પ્લેટ (તાપમાન: 100 W અને 160 °C) પર 2 કલાક માટે મૂકો, પછી 5T નમૂનો ઠંડો કરવા માટે પ્રક્રિયાને સરળ બનાવવા માટે. 0 મિલી વોલ્યુમેટ્રિક ફ્લાસ્ક અને ડીયોનાઇઝ્ડ પાણી સાથે 50 મિલી સુધી પાતળું કરો. તે પછી, ડીયોનાઇઝ્ડ પાણી સાથે 50 મિલી પીવીસી ટ્યુબમાં મંદ કરેલા સુપરનેટન્ટને ફિલ્ટર કરો. વધુમાં, 1 મિલી મંદન દ્રાવણને 9 મિલી ડીઓનાઇઝ્ડ પાણી સાથે ભેળવી દેવામાં આવ્યું હતું અને 12-ટીઇએયુસેન્ટ પીટીઇયુસેન્ટ 1200 મિલીલીટર કન્ટેનરેશન તૈયાર કરવામાં આવ્યું હતું. s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ICP-OES (ઇન્ડક્ટિવલી કપલ્ડ પ્લાઝમા ઓપ્ટિકલ એમિશન સ્પેક્ટ્રોસ્કોપી) (થર્મો ફિશર સાયન્ટિફિક, યુએસએ) દ્વારા પ્રમાણભૂત પદ્ધતિઓ અને કરાર અનુસાર નિર્ધારિત કરવામાં આવ્યા હતા. ગુણવત્તા ખાતરી અને નિયંત્રણની ખાતરી કરો. અડધાથી નીચેની આયન મર્યાદાઓને આ અભ્યાસમાંથી બાકાત રાખવામાં આવી હતી. આ અભ્યાસમાં ઉપયોગમાં લેવાતી PTE ની શોધ મર્યાદા 0.0004 હતી.(તમે). વધુમાં, દરેક વિશ્લેષણ માટે ગુણવત્તા નિયંત્રણ અને ગુણવત્તા ખાતરી પ્રક્રિયા સંદર્ભ ધોરણોનું વિશ્લેષણ કરીને સુનિશ્ચિત કરવામાં આવે છે. ભૂલો ઓછી થઈ છે તેની ખાતરી કરવા માટે, બેવડું વિશ્લેષણ કરવામાં આવ્યું હતું.
પ્રયોગમૂલક બેયેસિયન ક્રિગિંગ (EBK) એ માટી વિજ્ઞાન જેવા વિવિધ ક્ષેત્રોમાં મોડેલિંગમાં ઉપયોગમાં લેવાતી ઘણી ભૂસ્તરશાસ્ત્રીય પ્રક્ષેપ તકનીકોમાંની એક છે. અન્ય ક્રીગિંગ પ્રક્ષેપ તકનીકોથી વિપરીત, EBK સેમીવેરિયોગ્રામ મોડેલ દ્વારા અંદાજવામાં આવેલી ભૂલને ધ્યાનમાં લઈને પરંપરાગત ક્રિગિંગ પદ્ધતિઓથી અલગ પડે છે. EBKમાં, એકલ ઇન્ટરપોલેશન મોડલની સરખામણીમાં ઘણી બધી જીઓસ્ટેટિસ્ટિકલ ઇન્ટરપોલેશન ટેકનિક છે. ટેર્પોલેશન તકનીકો સેમીવેરિયોગ્રામના આ કાવતરા સાથે સંકળાયેલ અનિશ્ચિતતા અને પ્રોગ્રામિંગ માટે માર્ગ બનાવે છે જે પર્યાપ્ત ક્રિગિંગ પદ્ધતિનો અત્યંત જટિલ ભાગ બનાવે છે. EBK ની પ્રક્ષેપ પ્રક્રિયા ક્રિવોરુચકો50 દ્વારા પ્રસ્તાવિત ત્રણ માપદંડોને અનુસરે છે, (a) મોડેલ ઇનપુટ ડેટાસેટમાંથી સેમીવેરિયોગ્રામનો અંદાજ કાઢે છે (b) દરેક પ્રી-વેરિઓગ્રામ (બી) માં પ્રિવેરિઓગ્રામ મૂલ્યાંકન પર આધારિત છે. અંતિમ A મોડલની ગણતરી સિમ્યુલેટેડ ડેટાસેટમાંથી કરવામાં આવે છે. બેયસિયન સમીકરણનો નિયમ પશ્ચાદવર્તી તરીકે આપવામાં આવે છે
જ્યાં \(સમસ્યા\left(A\right)\) પહેલાનું પ્રતિનિધિત્વ કરે છે, \(સમસ્યા\left(B\જમણે)\) સીમાંત સંભાવનાને મોટા ભાગના કિસ્સાઓમાં અવગણવામાં આવે છે, \(પ્રોબ (B,A)\ ) .સેમીવેરિયોગ્રામ ગણતરી બેયસના નિયમ પર આધારિત છે, જે દર્શાવે છે કે અર્ધવારો ડેટાનો ઉપયોગ કરીને સેમીવેરિયોગ્રામની કિંમત નક્કી કરી શકાય છે. બેયસનો નિયમ, જે જણાવે છે કે સેમીવેરિયોગ્રામમાંથી અવલોકનોનો ડેટાસેટ બનાવવાની કેટલી શક્યતા છે.
સપોર્ટ વેક્ટર મશીન એ એક મશીન લર્નિંગ અલ્ગોરિધમ છે જે સમાન પરંતુ રેખીય રીતે સ્વતંત્ર વર્ગોને અલગ પાડવા માટે એક શ્રેષ્ઠ અલગ હાયપરપ્લેન જનરેટ કરે છે. Vapnik51 એ ઉદ્દેશ્ય વર્ગીકરણ અલ્ગોરિધમ બનાવ્યું છે, પરંતુ તેનો ઉપયોગ તાજેતરમાં રીગ્રેસન-લક્ષી સમસ્યાઓ ઉકેલવા માટે કરવામાં આવ્યો છે. Li et al.52 અનુસાર, SVM નો ઉપયોગ વિવિધ ક્ષેત્રોમાં શ્રેષ્ઠ વર્ગીકરણ તકનીકમાં કરવામાં આવ્યો છે. આ વિશ્લેષણમાં SVM (સપોર્ટ વેક્ટર મશીન રીગ્રેસન – SVMR) નો ઉપયોગ કરવામાં આવ્યો હતો. ચેરકાસ્કી અને મુલિયર 53 એ કર્નલ-આધારિત રીગ્રેસન તરીકે એસવીએમઆરની પહેલ કરી હતી, જેની ગણતરી મલ્ટિ-કંટ્રી અવકાશી કાર્યો સાથે રેખીય રીગ્રેસન મોડેલનો ઉપયોગ કરીને કરવામાં આવી હતી. ar સંબંધો અને અવકાશી કાર્યો માટે પરવાનગી આપે છે. વોહલેન્ડ એટ અલ મુજબ.55, એપ્સીલોન (ε)-SVMR એ એપ્સીલોન-અસંવેદનશીલ કાર્ય તરીકે પ્રતિનિધિત્વ મોડેલ મેળવવા માટે પ્રશિક્ષિત ડેટાસેટનો ઉપયોગ કરે છે જે સહસંબંધિત ડેટા પરની તાલીમમાંથી શ્રેષ્ઠ એપ્સીલોન પૂર્વગ્રહ સાથે સ્વતંત્ર રીતે ડેટાને મેપ કરવા માટે લાગુ કરવામાં આવે છે. પ્રીસેટ અંતર ભૂલને વાસ્તવિક મૂલ્યથી અવગણવામાં આવે છે, અને જો ભૂલ મોટી હોય તો તે ડેટાના જટિલ ગુણધર્મોને ઘટાડે છે. સપોર્ટ વેક્ટરનો વ્યાપક સબસેટ. Vapnik51 દ્વારા પ્રસ્તાવિત સમીકરણ નીચે દર્શાવેલ છે.
જ્યાં બી સ્કેલેર થ્રેશોલ્ડનું પ્રતિનિધિત્વ કરે છે, \ (કે \ ડાબી બાજુ ({x} _ {,} {x} _ {k} \ જમણે) \) કર્નલ ફંક્શનને રજૂ કરે છે, \ (\ આલ્ફા \) સાક્ષી ડેટાને રજૂ કરે છે, ડેટા, \ આઉટપુટ. ઉપયોગમાં લેવામાં આવતી કી કર્નલમાંથી એક એસવીએમઆર ઓપરેશન છે, જે ગૌસીયન રેડિયલ બેઝ ફંક્શન (આરબીએફ) છે. આરબીએફ કર્નલ શ્રેષ્ઠ એસવીએમઆર મોડેલને નિર્ધારિત કરવા માટે લાગુ કરવામાં આવે છે, જે પીટીઇ ટ્રેનિંગ ડેટાના મૂલ્યાંકન અને તે પછીના પરીક્ષણ માટે, સિંટેશન સેટ કરે છે. પદ્ધતિ મૂલ્ય એસવીએમઆરએડીયલ છે.
મલ્ટિપલ રેખીય રીગ્રેસન મોડલ (MLR) એ રીગ્રેસન મોડલ છે જે રિસ્પોન્સ વેરીએબલ અને સંખ્યાબંધ પ્રિડિક્ટર વેરિયેબલ્સ વચ્ચેના સંબંધનું પ્રતિનિધિત્વ કરે છે જે ઓછામાં ઓછા ચોરસ પદ્ધતિનો ઉપયોગ કરીને ગણતરી કરેલ રેખીય પૂલ્ડ પેરામીટર્સનો ઉપયોગ કરે છે. MLR માં, ઓછામાં ઓછા ચોરસ મોડલ એ માટીના ગુણધર્મોનું અનુમાનિત કાર્ય છે જે સ્પષ્ટીકરણાત્મક ચલોની પસંદગી કર્યા પછી પ્રતિભાવ વેરીએબલનો ઉપયોગ કરીને પ્રતિભાવ વેરીએબલનો ઉપયોગ કરવા માટે જરૂરી છે. સમજૂતીત્મક ચલો સાથે રેખીય સંબંધ સ્થાપિત કરવા માટે પ્રતિભાવ ચલ તરીકે. MLR સમીકરણ છે
જ્યાં y એ રિસ્પોન્સ વેરીએબલ છે, \(a\) એ ઇન્ટરસેપ્ટ છે, n એ આગાહીકારોની સંખ્યા છે, \({b}_{1}\) એ ગુણાંકનું આંશિક રીગ્રેસન છે, \({x}_{ i}\) એક આગાહી કરનાર અથવા સમજૂતીત્મક ચલનું પ્રતિનિધિત્વ કરે છે, અને \({\varepsilon }_{i}\) તરીકે પણ ઓળખાય છે.
મિશ્ર મૉડલો SVMR અને MLR સાથે EBK ને સેન્ડવિચ કરીને મેળવવામાં આવ્યા હતા. આ EBK પ્રક્ષેપમાંથી અનુમાનિત મૂલ્યો કાઢીને કરવામાં આવે છે. પ્રક્ષેપિત Ca, K, અને Mg માંથી મેળવેલા અનુમાનિત મૂલ્યો નવા ચલો મેળવવા માટે સંયુક્ત પ્રક્રિયા દ્વારા મેળવવામાં આવે છે, જેમ કે, CaK અને પછી CaK, KM, અને પછી CagM, obtain તત્વો. ચોથું ચલ, CaKMg. એકંદરે, મેળવેલા ચલો Ca, K, Mg, CaK, CaMg, KMg અને CaKMg છે. આ ચલો આપણા અનુમાનો બન્યા, જે શહેરી અને પેરી-શહેરી જમીનમાં નિકલની સાંદ્રતાની આગાહી કરવામાં મદદ કરે છે. SVMR એ K-એમ્બોરિધમનું પૂર્વદર્શન કરવા માટે પૂર્વ-અનુમાનિત મોડલ પરફોર્મ કર્યું હતું. સપોર્ટ વેક્ટર મશીન (EBK_SVM). એ જ રીતે, મિશ્ર મોડલ પ્રયોગમૂલક બેયેસિયન ક્રિગિંગ-મલ્ટીપલ લીનિયર રીગ્રેસન (EBK_MLR) મેળવવા માટે ચલોને પણ MLR અલ્ગોરિધમ દ્વારા પાઈપ કરવામાં આવે છે. સામાન્ય રીતે, વેરિયેબલ્સ Ca, K, Mg, CaKMg, Cavariables, KMg, Cavariables તરીકે પ્રી-KMg, CaVMg, ની સામગ્રી તરીકે ઉપયોગમાં લેવાય છે. શહેરી અને પેરી-શહેરી જમીનમાં. મેળવેલ સૌથી સ્વીકાર્ય મોડલ (EBK_SVM અથવા EBK_MLR) પછી સ્વ-સંગઠિત ગ્રાફનો ઉપયોગ કરીને વિઝ્યુઅલાઈઝ કરવામાં આવશે. આ અભ્યાસનો કાર્યપ્રવાહ આકૃતિ 2 માં દર્શાવવામાં આવ્યો છે.
SeOM નો ઉપયોગ નાણાકીય ક્ષેત્ર, આરોગ્યસંભાળ, ઉદ્યોગ, આંકડા, માટી વિજ્ઞાન અને વધુમાં ડેટાનું આયોજન, મૂલ્યાંકન અને આગાહી કરવા માટેનું એક લોકપ્રિય સાધન બની ગયું છે. SeOM કૃત્રિમ ન્યુરલ નેટવર્ક્સ અને સંગઠન, મૂલ્યાંકન અને આગાહી માટે અસુપરવાઇઝ્ડ શીખવાની પદ્ધતિઓનો ઉપયોગ કરીને બનાવવામાં આવ્યું છે. આ અભ્યાસમાં, SeOM નો ઉપયોગ ની-નિર્માણ પર આધારિત શ્રેષ્ઠ-બનાવટ અને પૂર્વ-નિર્ધારિત મોડલ પર આધારિત છે. માટી. SeOM મૂલ્યાંકનમાં પ્રક્રિયા કરાયેલ ડેટાનો ઉપયોગ n ઇનપુટ-ડાયમેન્શનલ વેક્ટર ચલ તરીકે થાય છે43,56. મેલ્સેન એટ અલ.57 એક ઇનપુટ લેયર દ્વારા ન્યુરલ નેટવર્કમાં ઇનપુટ વેક્ટરના જોડાણનું વર્ણન એક જ વજન વેક્ટર સાથે આઉટપુટ વેક્ટર સાથે કરે છે. SeOM દ્વારા જનરેટ થયેલ આઉટપુટ એ દ્વિ-પરિમાણીય નકશો છે જેમાં ષટ્કોણ, પરિપત્ર અથવા ચોરસ ટોપોલોજીકલ નકશામાં વણાયેલા વિવિધ ચેતાકોષો અથવા નોડનો સમાવેશ થાય છે. ભૂલ (TE), અનુક્રમે 0.086 અને 0.904 સાથેનું SeOM મોડેલ પસંદ કરવામાં આવ્યું છે, જે 55-નકશાનું એકમ છે (5 × 11). ચેતાકોષનું માળખું પ્રયોગમૂલક સમીકરણમાં ગાંઠોની સંખ્યા અનુસાર નક્કી કરવામાં આવે છે.
આ અભ્યાસમાં વપરાતા ડેટાની સંખ્યા 115 નમૂનાઓ છે. ડેટાને ટેસ્ટ ડેટા (25% માન્યતા માટે) અને તાલીમ ડેટા સેટ (કેલિબ્રેશન માટે 75%) માં વિભાજિત કરવા માટે રેન્ડમ અભિગમનો ઉપયોગ કરવામાં આવ્યો હતો. પ્રશિક્ષણ ડેટાસેટનો ઉપયોગ રીગ્રેસન મોડલ (કેલિબ્રેશન) જનરેટ કરવા માટે થાય છે, અને પરીક્ષણ ડેટાસેટનો ઉપયોગ સામાન્યીકરણની ક્ષમતાને ચકાસવા માટે કરવામાં આવે છે, જેથી આ મોડેલની સામગ્રીની પૂર્વનિર્ધારણ ક્ષમતા 58 માં કરવામાં આવી હતી. .વપરાતા તમામ મોડેલો દસ-ગણી ક્રોસ-વેલિડેશન પ્રક્રિયામાંથી પસાર થયા હતા, પાંચ વખત પુનરાવર્તિત થયા હતા. EBK પ્રક્ષેપ દ્વારા ઉત્પાદિત ચલોનો ઉપયોગ લક્ષ્ય ચલ (PTE) ની આગાહી કરવા માટે આગાહીકર્તા અથવા સ્પષ્ટીકરણ ચલ તરીકે થાય છે. મોડેલિંગને RStudio માં પેકેજીસ લાઇબ્રેરી(Kohonen), library(Kohonen), library(100), library(100), library(library(cohonen), library(library1) નો ઉપયોગ કરીને હેન્ડલ કરવામાં આવે છે. “plyr”), લાઇબ્રેરી(“caTools”), લાઇબ્રેરી(”prospectr”) અને લાઇબ્રેરીઓ (“મેટ્રિક્સ”).
માટીમાં નિકલની સાંદ્રતાની આગાહી કરવા માટે યોગ્ય શ્રેષ્ઠ મોડેલ નક્કી કરવા અને મોડેલની ચોકસાઈ અને તેની માન્યતાનું મૂલ્યાંકન કરવા માટે વિવિધ માન્યતા પરિમાણોનો ઉપયોગ કરવામાં આવ્યો હતો. વર્ણસંકરીકરણ મોડલ્સનું મૂલ્યાંકન સરેરાશ સંપૂર્ણ ભૂલ (MAE), મૂળ સરેરાશ ચોરસ ભૂલ (RMSE), અને R-squared અથવા ગુણાંકમાં પ્રતિબિંબિત કરવામાં આવ્યું હતું. રીગ્રેસન મોડલ દ્વારા. સ્વતંત્ર માપદંડોમાં RMSE અને ભિન્નતાની તીવ્રતા મોડેલની આગાહી શક્તિનું વર્ણન કરે છે, જ્યારે MAE વાસ્તવિક જથ્થાત્મક મૂલ્ય નક્કી કરે છે. માન્યતા પરિમાણોનો ઉપયોગ કરીને શ્રેષ્ઠ મિશ્રણ મોડેલનું મૂલ્યાંકન કરવા માટે R2 મૂલ્ય ઊંચું હોવું જોઈએ, મૂલ્ય 1 ની જેટલું નજીક છે, તેટલી વધુ ચોકસાઈ માટે.59, 0.75 અથવા તેથી વધુનું R2 માપદંડ મૂલ્ય સારી આગાહી કરનાર માનવામાં આવે છે;0.5 થી 0.75 સુધી સ્વીકાર્ય મોડેલ પ્રદર્શન છે, અને 0.5 ની નીચે અસ્વીકાર્ય મોડેલ પ્રદર્શન છે. RMSE અને MAE માન્યતા માપદંડ મૂલ્યાંકન પદ્ધતિઓનો ઉપયોગ કરીને મોડેલ પસંદ કરતી વખતે, મેળવેલ નીચા મૂલ્યો પર્યાપ્ત હતા અને શ્રેષ્ઠ પસંદગી માનવામાં આવતા હતા. નીચેના સમીકરણ ચકાસણી પદ્ધતિનું વર્ણન કરે છે.
જ્યાં n એ અવલોકન કરેલ મૂલ્યના કદનું પ્રતિનિધિત્વ કરે છે\({Y}_{i}\) માપેલા પ્રતિભાવનું પ્રતિનિધિત્વ કરે છે, અને \({\widehat{Y}}_{i}\) પણ અનુમાનિત પ્રતિભાવ મૂલ્યનું પ્રતિનિધિત્વ કરે છે, તેથી, પ્રથમ i અવલોકનો માટે.
આગાહીકર્તા અને પ્રતિભાવ ચલોના આંકડાકીય વર્ણનો કોષ્ટક 1 માં રજૂ કરવામાં આવ્યા છે, સરેરાશ, પ્રમાણભૂત વિચલન (SD), વિવિધતાના ગુણાંક (CV), લઘુત્તમ, મહત્તમ, કર્ટોસિસ અને skewness દર્શાવે છે. તત્વોના લઘુત્તમ અને મહત્તમ મૂલ્યો Mg < Ca < K < ની ઘટતા ક્રમમાં છે. ) 4.86 થી 42.39 mg/kg સુધીના અભ્યાસ વિસ્તારના નમૂના લેવામાં આવ્યા હતા. વિશ્વ સરેરાશ (29 mg/kg) અને યુરોપીયન સરેરાશ (37 mg/kg) સાથે Ni ની સરખામણીએ દર્શાવ્યું હતું કે અભ્યાસ વિસ્તાર માટે એકંદરે ગણતરી કરેલ ભૌમિતિક સરેરાશ સહનશીલ શ્રેણીની અંદર હતી. સ્વીડનમાં કૃષિ જમીનો સાથેના વર્તમાન અભ્યાસમાં કેન્દ્રીકરણ દર્શાવે છે કે વર્તમાન સરેરાશ નિકલ સાંદ્રતા વધારે છે. તેવી જ રીતે, વર્તમાન અભ્યાસમાં શહેરી અને પેરી-શહેરી જમીનમાં ફ્રાયડેક મિસ્ટેકની સરેરાશ સાંદ્રતા (Ni 16.15 mg/kg) 60 mg/kg/10 ની પોલીસ્કી (10/10/kg) બાય પોલીસ્કી માટે માન્ય મર્યાદા કરતાં વધુ હતી. et al.વધુમાં, Bretzel અને Calderisi61 એ હાલના અભ્યાસની સરખામણીમાં ટસ્કનીની શહેરી જમીનમાં ખૂબ જ ઓછી સરેરાશ ની સાંદ્રતા (1.78 mg/kg) નોંધી છે. Jim62 ને પણ હોંગકોંગની શહેરી જમીનમાં નિકલ સાંદ્રતા (12.34 mg/kg) જોવા મળી છે, જે વર્તમાન અભ્યાસની સરખામણીમાં નીકલ સાંદ્રતા ઓછી છે. જર્મનીના સેક્સોની-એનહાલ્ટમાં જૂના ખાણકામ અને શહેરી ઔદ્યોગિક વિસ્તારમાં 17.6 મિલિગ્રામ/કિલોનું કેન્દ્રીકરણ, જે આ વિસ્તારમાં સરેરાશ Ni સાંદ્રતા (16.15 મિલિગ્રામ/કિલો) કરતાં 1.45 મિલિગ્રામ/કિલો વધારે હતું. વર્તમાન સંશોધન. કેટલાક શહેરી અને ઉપનગરીય ક્ષેત્રોમાં માટીમાં નિકલની વધુ પડતી સામગ્રી આ મુખ્ય રીતે ધાતુ ઉદ્યોગના કેટલાક શહેરી અને ઉપનગરીય વિસ્તારોના અભ્યાસ માટે જવાબદાર હોઈ શકે છે. ખોડાદૌસ્ટ એટ અલ દ્વારા અભ્યાસ સાથે સુસંગત છે.64 કે સ્ટીલ ઉદ્યોગ અને ધાતુકામ માટીમાં નિકલના દૂષણના મુખ્ય સ્ત્રોત છે. જો કે, અનુમાનો પણ 538.70 mg/kg થી 69,161.80 mg/kg Ca માટે, 497.51 mg/kg થી 3535.68 mg/kg/kg 59, 8kg/60k. Mg. Jakovljevic et al માટે 5 mg/kg.65 એ મધ્ય સર્બિયામાં જમીનની કુલ Mg અને K સામગ્રીની તપાસ કરી. તેઓએ શોધી કાઢ્યું કે કુલ સાંદ્રતા (અનુક્રમે 410 mg/kg અને 400 mg/kg) વર્તમાન અભ્યાસના Mg અને K સાંદ્રતા કરતાં ઓછી હતી. પૂર્વીય પોલેન્ડમાં, ઓર્ઝેચોવસ્કી અને સ્મોલ્સ્કી અને કુલ કન્ટેન્ટ અને K6 ની સરેરાશ સાંદ્રતા દર્શાવે છે. Ca (1100 mg/kg), Mg (590 mg/kg) અને K (810 mg/kg) ટોચની જમીનમાં સામગ્રી આ અભ્યાસમાં એક તત્વ કરતાં ઓછી છે. પોન્ગ્રાક એટ અલ દ્વારા તાજેતરનો અભ્યાસ.67 દર્શાવે છે કે સ્કોટલેન્ડ, યુકે (Mylnefield માટી, બાલરુડરી માટી અને હાર્ટવુડ માટી) માં 3 અલગ-અલગ જમીનમાં પૃથ્થકરણ કરાયેલ કુલ Ca સામગ્રીએ આ અભ્યાસમાં Ca નું પ્રમાણ વધુ દર્શાવ્યું છે.
નમૂનારૂપ તત્વોની વિવિધ માપેલી સાંદ્રતાને લીધે, તત્વોના ડેટા સેટ વિતરણમાં વિવિધ વિકૃતિઓ પ્રદર્શિત થાય છે. તત્વોની ત્રાંસીપણું અને કર્ટોસિસ અનુક્રમે 1.53 થી 7.24 અને 2.49 થી 54.16 સુધીની છે. તમામ ગણતરી કરેલ તત્વોમાં skewness અને ડેટા કર્ટોસિસ +1, ટ્રિબ્યુલેટીંગ સ્તર +1 થી ઉપર છે. યોગ્ય દિશામાં વળેલું અને ટોચ પર. તત્વોના અંદાજિત CV એ પણ દર્શાવે છે કે K, Mg, અને Ni મધ્યમ પરિવર્તનશીલતા દર્શાવે છે, જ્યારે Ca અત્યંત ઉચ્ચ પરિવર્તનશીલતા ધરાવે છે. K, Ni અને Mg ના CVs તેમના સમાન વિતરણને સમજાવે છે. વધુમાં, Ca વિતરણ બિન-સમાન છે અને બાહ્ય સ્ત્રોતો તેના સંવર્ધન સ્તરને અસર કરી શકે છે.
પ્રતિભાવ તત્વો સાથેના આગાહી કરનાર ચલોનો સહસંબંધ તત્વો વચ્ચે સંતોષકારક સહસંબંધ દર્શાવે છે (આકૃતિ 3 જુઓ). સહસંબંધ દર્શાવે છે કે CaK એ r મૂલ્ય = 0.53 સાથે મધ્યમ સહસંબંધ દર્શાવ્યો છે, જેમ કે CaNi. જોકે Ca અને K એકબીજા સાથે સાધારણ જોડાણ દર્શાવે છે, જેમ કે કિંગ અલ સંશોધકો.68 અને Santo69 સૂચવે છે કે જમીનમાં તેમનું સ્તર વિપરિત પ્રમાણસર છે. જો કે, Ca અને Mg K માટે વિરોધી છે, પરંતુ CaK સારી રીતે સહસંબંધ ધરાવે છે. આ પોટેશિયમ કાર્બોનેટ જેવા ખાતરોના ઉપયોગને કારણે હોઈ શકે છે, જે પોટેશિયમમાં 56% વધારે છે. પોટેશિયમને સાધારણ રીતે મેગ્નેશિયમ સાથે સાંકળવામાં આવ્યું હતું. , આ બે તત્વો નજીકથી સંબંધિત છે કારણ કે પોટેશિયમ મેગ્નેશિયમ સલ્ફેટ, પોટેશિયમ મેગ્નેશિયમ નાઈટ્રેટ, અને પોટાશ જમીનમાં તેમની ઉણપના સ્તરને વધારવા માટે લાગુ કરવામાં આવે છે. નિકલ સાધારણ રીતે Ca, K અને Mg સાથે r મૂલ્યો = 0.52, 0.63 અને 0.55 સાથે સંબંધિત છે, જેમ કે અનુક્રમે Pmagnic, volving, 0.55. જટિલ છે, પરંતુ તેમ છતાં, મેગ્નેશિયમ કેલ્શિયમના શોષણને અટકાવે છે, કેલ્શિયમ વધુ પડતા મેગ્નેશિયમની અસરોને ઘટાડે છે, અને મેગ્નેશિયમ અને કેલ્શિયમ બંને જમીનમાં નિકલની ઝેરી અસરોને ઘટાડે છે.
અનુમાનો અને પ્રતિભાવો વચ્ચેનો સંબંધ દર્શાવતા તત્વો માટે સહસંબંધ મેટ્રિક્સ (નોંધ: આ આંકડો તત્વો વચ્ચે સ્કેટરપ્લોટનો સમાવેશ કરે છે, મહત્વના સ્તરો p < 0,001 પર આધારિત છે).
આકૃતિ 4 તત્વોના અવકાશી વિતરણને સમજાવે છે. બર્ગોસ એટ અલ70 મુજબ, અવકાશી વિતરણનો ઉપયોગ એ પ્રદૂષિત વિસ્તારોમાં હોટ સ્પોટની માત્રા નક્કી કરવા અને પ્રકાશિત કરવા માટે વપરાતી તકનીક છે. આકૃતિ 4 માં Ca નું સંવર્ધન સ્તર. ઉત્તરપશ્ચિમ ભાગમાં જોઈ શકાય છે. હોટ ડિસ્ટ્રિબ્યુશન અને હોટ ડિસ્ટ્રિબ્યુશનના નકશામાં હોટ સ્પોટની ઉચ્ચ સ્થિતિ દર્શાવવામાં આવે છે. માટીની એસિડિટી ઘટાડવા માટે ક્વિકલાઈમ (કેલ્શિયમ ઓક્સાઈડ)ના ઉપયોગ અને સ્ટીલ મિલોમાં સ્ટીલ બનાવવાની પ્રક્રિયામાં આલ્કલાઇન ઓક્સિજન તરીકે તેનો ઉપયોગ થવાને કારણે નકશાના ઉત્તરપશ્ચિમમાં cium સંવર્ધન સંભવિત છે. બીજી તરફ, અન્ય ખેડૂતો એસિડિક જમીનમાં કેલ્શિયમ હાઇડ્રોક્સાઇડનો ઉપયોગ કરવાનું પસંદ કરે છે જેથી પીએચ 7 ની માત્રામાં વધારો થાય છે, જે પોષક તત્વોનું પ્રમાણ પણ વધારે છે. નકશાના ઉત્તરપશ્ચિમ અને પૂર્વમાં. ઉત્તરપશ્ચિમ એ એક મુખ્ય કૃષિ સમુદાય છે, અને પોટેશિયમની મધ્યમ-થી-ઉચ્ચ પેટર્ન NPK અને પોટાશ એપ્લિકેશનને કારણે હોઈ શકે છે. આ અન્ય અભ્યાસો સાથે સુસંગત છે, જેમ કે મદારાસ અને લિપાવસ્કી72, મદારાસ એટ અલ.73, પુલ્કરાબોવા, અને અલ.75 સાથે સારવાર. l અને NPK ને પરિણામે જમીનમાં K નું પ્રમાણ વધારે છે.વિતરણ નકશાના ઉત્તરપશ્ચિમમાં અવકાશી પોટેશિયમ સંવર્ધન પોટેશિયમ આધારિત ખાતરો જેમ કે પોટેશિયમ ક્લોરાઇડ, પોટેશિયમ સલ્ફેટ, પોટેશિયમ નાઈટ્રેટ, પોટાશ અને પોટાશના ઉપયોગને કારણે નબળી જમીનમાં પોટેશિયમની સામગ્રીને વધારવા માટે હોઈ શકે છે. Zádorová et al.76 અને Tlustoš et al.77 એ દર્શાવેલ છે કે K-આધારિત ખાતરોના ઉપયોગથી જમીનમાં K સામગ્રીમાં વધારો થાય છે અને લાંબા ગાળે જમીનના પોષક તત્વોમાં નોંધપાત્ર વધારો થાય છે, ખાસ કરીને K અને Mg જમીનમાં હોટ સ્પોટ દર્શાવે છે. નકશાના ઉત્તરપશ્ચિમમાં અને નકશાના દક્ષિણપૂર્વમાં પ્રમાણમાં મધ્યમ હોટસ્પોટ્સ છે. માટીમાં કોલોઇડલ ફિક્સેશનનો અભાવ છે. છોડ પીળા રંગના ઇન્ટરવેઇન ક્લોરોસિસને પ્રદર્શિત કરે છે. મેગ્નેશિયમ આધારિત ખાતરો, જેમ કે પોટેશિયમ મેગ્નેશિયમ સલ્ફેટ, મેગ્નેશિયમ સલ્ફેટ, અને કિસેરાઇટ, ઉણપની સારવાર કરે છે (છોડ જાંબલી, લાલ અથવા ભૂરા દેખાય છે, જે મેગ્નેશિયમની ઉણપ દર્શાવે છે) જમીનમાં pcculbank અને pccurbani ની સામાન્ય રેન્જ પર. il સપાટીઓ એંથ્રોપોજેનિક પ્રવૃત્તિઓ જેમ કે કૃષિ અને સ્ટેનલેસ સ્ટીલ ઉત્પાદનમાં નિકલના મહત્વને કારણે હોઈ શકે છે78.
તત્વોનું અવકાશી વિતરણ [અવકાશી વિતરણ નકશો ArcGIS ડેસ્કટોપ (ESRI, Inc, સંસ્કરણ 10.7, URL: https://desktop.arcgis.com) નો ઉપયોગ કરીને બનાવવામાં આવ્યો હતો.]
આ અભ્યાસમાં વપરાતા તત્વો માટેના મોડલ પર્ફોર્મન્સ ઇન્ડેક્સ પરિણામો કોષ્ટક 2 માં દર્શાવવામાં આવ્યા છે. બીજી તરફ, Ni ના RMSE અને MAE બંને શૂન્યની નજીક છે (0.86 RMSE, -0.08 MAE). બીજી બાજુ, K ના RMSE અને MAE બંને મૂલ્યો સ્વીકાર્ય છે. RMSE અને MAE એ KSERM માટે વધુ અને મોટા પરિણામો અને નિયત પરિણામો છે. વિવિધ ડેટાસેટ્સ માટે. ની આગાહી કરવા માટે EBK નો ઉપયોગ કરીને આ અભ્યાસના RMSE અને MAE જોહ્ન એટ અલના પરિણામો કરતાં વધુ સારા હોવાનું જણાયું હતું.54 સમાન એકત્રિત ડેટાનો ઉપયોગ કરીને જમીનમાં S સાંદ્રતાની આગાહી કરવા માટે સિનર્જિસ્ટિક ક્રિગિંગનો ઉપયોગ કરીને. અમે જે EBK આઉટપુટનો અભ્યાસ કર્યો છે તે ફેબિજેક એટ અલ સાથે સંબંધ ધરાવે છે.41, યાન એટ અલ.79, બેગિન એટ અલ.80, અધિકારી એટ અલ.81 અને જ્હોન એટ અલ.82, ખાસ કરીને K અને Ni.
શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સામગ્રીની આગાહી કરવા માટેની વ્યક્તિગત પદ્ધતિઓના પ્રદર્શનનું મૂલ્યાંકન મોડેલોના પ્રદર્શનનો ઉપયોગ કરીને કરવામાં આવ્યું હતું (કોષ્ટક 3). મોડલ માન્યતા અને સચોટતા મૂલ્યાંકનએ પુષ્ટિ કરી કે Ca_Mg_K અનુમાન EBK SVMR મોડલ સાથે જોડીને શ્રેષ્ઠ પ્રદર્શન કર્યું. RMSE) અને સરેરાશ નિરપેક્ષ ભૂલ (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) અને 77.368 mg/kg (MAE) Ca_Mg_K-SVMR હતી 0.663 (R2), 235.974 mg/kg (RME6/kg, 6MA6/kg સારી કિંમત અને RME69kg (6MARSEN4 સારી). s Ca_Mg_K-SVMR (0.663 mg/kg R2) અને Ca_Mg-EBK_SVMR (0.643 = R2) માટે મેળવવામાં આવ્યા હતા;તેમના RMSE અને MAE પરિણામો Ca_Mg_K-EBK_SVMR (R2 0.637) (કોષ્ટક 3 જુઓ) કરતાં વધુ હતા. વધુમાં, Ca_Mg-EBK_SVMR (RMSE = 1664.64 અને MAE = 1031.47, 135 અને 135,135 કરતાં મોટા છે) ના RMSE અને MAE. Ca_Mg_K-EBK_SVMR. તેવી જ રીતે, Ca_Mg-K SVMR (RMSE = 235.974 અને MAE = 166.946) મોડેલના RMSE અને MAE, Ca_Mg_K-EBK_SVMR કરતાં 2.5 અને 2.2 મોટા છે. ડેટા સેટ શ્રેષ્ઠ ફિટની લાઇન સાથે છે. ઉચ્ચ RSME અને MAE અવલોકન કરવામાં આવ્યા હતા. Kebonye et al અનુસાર.46 અને જ્હોન એટ અલ.54, RMSE અને MAE જેટલા શૂન્યની નજીક છે, તેટલા સારા પરિણામો. SVMR અને EBK_SVMR પાસે ઉચ્ચ ક્વોન્ટાઇઝ્ડ RSME અને MAE મૂલ્યો છે. એવું જોવામાં આવ્યું હતું કે RSME અંદાજો MAE મૂલ્યો કરતા સતત ઊંચા હતા, જે બહારની વ્યક્તિઓની હાજરી સૂચવે છે. McCRM અનુસાર, જે Legates અને 2018 ની પૂર્વ ધારણા છે. આઉટલિયર્સની હાજરીના સૂચક તરીકે દ્રાવ્ય ભૂલ (MAE) ની ભલામણ કરવામાં આવે છે. આનો અર્થ એ છે કે ડેટાસેટ વધુ વિજાતીય, MAE અને RMSE મૂલ્યો વધારે છે. અનુમાન લગાવવા માટે Ca_Mg_K-EBK_SVMR મિશ્ર મોડેલના ક્રોસ-વેલિડેશન મૂલ્યાંકનની સચોટતા.59, ચોકસાઈનું આ સ્તર સ્વીકાર્ય મોડલ પરફોર્મન્સ રેટ છે. વર્તમાન પરિણામોની સરખામણી તારાસોવ એટ અલ દ્વારા અગાઉના અભ્યાસ સાથે કરવામાં આવે છે.36 જેના હાઇબ્રિડ મોડેલે MLPRK (મલ્ટિલેયર પરસેપ્ટ્રોન રેસિડ્યુઅલ ક્રિગિંગ) બનાવ્યું હતું, જે વર્તમાન અભ્યાસમાં નોંધાયેલ EBK_SVMR ચોકસાઈ મૂલ્યાંકન અનુક્રમણિકા સાથે સંબંધિત છે, RMSE (210) અને MAE (167.5) વર્તમાન અભ્યાસમાં અમારા પરિણામો કરતાં વધુ હતા (RMSE 95.479, . (0.637) તારાસોવ એટ અલ સાથે.36 (0.544), તે સ્પષ્ટ છે કે આ મિશ્ર મોડેલમાં નિર્ધારણનો ગુણાંક (R2) વધારે છે. મિશ્ર મોડેલ માટે એરરનો માર્જિન (RMSE અને MAE) (EBK SVMR) બે ગણો ઓછો છે. તેવી જ રીતે, Sergeev et al.34 એ 0.28 (R2) રેકોર્ડ કર્યો છે, જ્યારે KDE40.1 ડેવલપમેન્ટ મોડલ માટે 0.28 (R2) રિસેપ્ટરન (આરએમએસઇ અને MAE) વર્તમાન અભ્યાસમાં 0.637 (R2) નોંધવામાં આવી છે. આ મોડેલ (EBK SVMR)નું અનુમાન ચોકસાઈ સ્તર 63.7% છે, જ્યારે સર્ગીવ એટ અલ દ્વારા પ્રાપ્ત થયેલ આગાહીની ચોકસાઈ.34 એ 28% છે. EBK_SVMR મોડલ અને Ca_Mg_K નો ઉપયોગ કરીને આગાહી કરનાર તરીકે બનાવવામાં આવેલ અંતિમ નકશો (ફિગ. 5) સમગ્ર અભ્યાસ વિસ્તાર પર હોટ સ્પોટ અને મધ્યમથી નિકલની આગાહીઓ દર્શાવે છે. આનો અર્થ એ છે કે અભ્યાસ વિસ્તારમાં નિકલની સાંદ્રતા મુખ્યત્વે મધ્યમ છે, કેટલાક ચોક્કસ વિસ્તારોમાં ઉચ્ચ સાંદ્રતા સાથે.
અંતિમ આગાહી નકશો હાઇબ્રિડ મોડલ EBK_SVMR નો ઉપયોગ કરીને અને Ca_Mg_K નો ઉપયોગ કરીને આગાહી કરનાર તરીકે રજૂ કરવામાં આવે છે.[અવકાશી વિતરણ નકશો RStudio (સંસ્કરણ 1.4.1717: https://www.rstudio.com/) નો ઉપયોગ કરીને બનાવવામાં આવ્યો હતો.]
આકૃતિ 6 માં પ્રસ્તુત PTE સાંદ્રતા એક કમ્પોઝિશન પ્લેન તરીકે છે જેમાં વ્યક્તિગત ચેતાકોષોનો સમાવેશ થાય છે. કોઈપણ ઘટક પ્લેનમાં બતાવ્યા પ્રમાણે સમાન રંગની પેટર્ન દર્શાવવામાં આવી નથી. જો કે, દોરેલા નકશા દીઠ ચેતાકોષોની યોગ્ય સંખ્યા 55 છે. SeOM વિવિધ રંગોનો ઉપયોગ કરીને ઉત્પન્ન થાય છે, અને વધુ સમાન રંગની પેટર્ન, તેમના નમૂનાના ઘટકોની સરખામણી કરવા યોગ્ય રંગના ગુણો (તેના નમૂનાના ઘટકોની તુલનામાં વધુ. , K, અને Mg) એ સિંગલ ઉચ્ચ ચેતાકોષો અને મોટા ભાગના નીચા ચેતાકોષો માટે સમાન રંગની પેટર્ન દર્શાવી હતી. આમ, CaK અને CaMg ખૂબ જ ઉચ્ચ-ક્રમના ન્યુરોન્સ અને નીચા-થી-મધ્યમ રંગની પેટર્ન સાથે કેટલીક સામ્યતાઓ વહેંચે છે. બંને મોડેલો મધ્યમથી ઉચ્ચ રંગોના રંગો પ્રદર્શિત કરીને માટીમાં Ni ની સાંદ્રતાની આગાહી કરે છે જેમ કે લાલ, o પોર્ટ આધારિત ઘણા બધા રંગ પ્રી-મોડલ પર આધારિત. નીચાથી મધ્યમ રંગના પેચો. નીચાથી ઉચ્ચ સુધીના ચોક્કસ રંગ સ્કેલ પર, મોડેલના ઘટકોની પ્લેનર ડિસ્ટ્રિબ્યુશન પેટર્ન જમીનમાં નિકલની સંભવિત સાંદ્રતા દર્શાવતી ઉચ્ચ રંગની પેટર્ન દર્શાવે છે (આકૃતિ 4 જુઓ). CakMg મોડલ ઘટક પ્લેન નીચાથી ઉચ્ચ માટે વૈવિધ્યસભર રંગની પેટર્ન દર્શાવે છે. આકૃતિ 5 માં દર્શાવેલ નિકલના અવકાશી વિતરણની જેમ.બંને આલેખ શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સાંદ્રતાના ઉચ્ચ, મધ્યમ અને નીચા પ્રમાણ દર્શાવે છે. આકૃતિ 7 નકશા પર k- અર્થ જૂથમાં સમોચ્ચ પદ્ધતિ દર્શાવે છે, જે પ્રત્યેક ઓપ્ટર મોડલની સંખ્યાના આધારે કોન્યુસ્ટ વેલ્યુ રજૂ કરે છે. f 115 માટીના નમૂનાઓ એકત્રિત કરવામાં આવ્યા, કેટેગરી 1 એ સૌથી વધુ માટીના નમૂનાઓ મેળવ્યા, 74. ક્લસ્ટર 2 એ 33 નમૂનાઓ મેળવ્યા, જ્યારે ક્લસ્ટર 3 એ 8 નમૂનાઓ મેળવ્યા. સાત-ઘટક પ્લેનર પ્રિડિક્ટર સંયોજનને ક્લસ્ટર અર્થઘટન માટે પરવાનગી આપવા માટે સરળ બનાવવામાં આવ્યું હતું. અસંખ્ય અને કુદરતી એન્થ્રોપોની પ્રક્રિયાઓને અસર કરવા માટે અસંખ્ય અને મુશ્કેલ હોવાને કારણે, વિવિધ પ્રક્રિયાઓને અસર કરે છે. વિતરિત SeOM નકશા78 માં ster પેટર્ન.
દરેક પ્રયોગમૂલક બેયેસિયન ક્રીજીંગ સપોર્ટ વેક્ટર મશીન (EBK_SVM_SeOM) વેરીએબલ દ્વારા કમ્પોનન્ટ પ્લેન આઉટપુટ.[SeOM નકશા RStudio (સંસ્કરણ 1.4.1717: https://www.rstudio.com/) નો ઉપયોગ કરીને બનાવવામાં આવ્યા હતા.]
વિવિધ ક્લસ્ટર વર્ગીકરણ ઘટકો [SeOM નકશા RStudio (સંસ્કરણ 1.4.1717: https://www.rstudio.com/) નો ઉપયોગ કરીને બનાવવામાં આવ્યા હતા.]
વર્તમાન અભ્યાસ શહેરી અને પેરી-શહેરી જમીનમાં નિકલ સાંદ્રતા માટે મોડેલિંગ તકનીકોને સ્પષ્ટપણે સમજાવે છે. આ અભ્યાસમાં માટીમાં નિકલ સાંદ્રતાની આગાહી કરવાની શ્રેષ્ઠ રીત મેળવવા માટે, વિવિધ મોડેલિંગ તકનીકોનું પરીક્ષણ કરવામાં આવ્યું હતું, મોડેલિંગ તકનીકો સાથે તત્વોનું સંયોજન. જમીનમાં રાશન. જો કે, અવકાશી વિતરણ નકશો EBK_SVMR દ્વારા પ્રદર્શિત ઘટકોના પ્લેનર અવકાશી વિતરણની પુષ્ટિ કરે છે (આકૃતિ 5 જુઓ). પરિણામો દર્શાવે છે કે સપોર્ટ વેક્ટર મશીન રીગ્રેસન મોડલ (Ca Mg K-SVMR) જમીનમાં Ni ની સાંદ્રતાની આગાહી કરે છે, પરંતુ સિંગલ પેરામીટરમાં સિંગલ પેરામીટરની ભૂલો ખૂબ જ ઊંચી છે. RMSE અને MAE ની શરતો. બીજી તરફ, EBK_MLR મોડલ સાથે ઉપયોગમાં લેવાતી મોડેલિંગ ટેકનિક પણ નિર્ધારણના ગુણાંક (R2) ના નીચા મૂલ્યને કારણે ખામીયુક્ત છે. EBK SVMR અને સંયુક્ત ઘટકો (CaKMg) નો ઉપયોગ કરીને સારા પરિણામો પ્રાપ્ત થયા હતા. મશીન લર્નિંગ અલ્ગોરિધમ સાથેનું અલ્ગોરિધમ એક હાઇબ્રિડ અલ્ગોરિધમ જનરેટ કરી શકે છે જે જમીનમાં PTE ની સાંદ્રતાની આગાહી કરી શકે છે. પરિણામો દર્શાવે છે કે અભ્યાસ વિસ્તારમાં Ni સાંદ્રતાની આગાહી કરવા માટે અનુમાનો તરીકે Ca Mg K નો ઉપયોગ કરવાથી જમીનમાં Ni ની આગાહીમાં સુધારો થઈ શકે છે. આનો અર્થ એ છે કે નિકલ-આધારિત ઔદ્યોગિક પ્રદૂષણ અને ટેનફિલર્સના સતત ઉપયોગથી ઔદ્યોગિક પ્રદૂષણમાં વધારો થાય છે. જમીનમાં નિકલની સાંદ્રતા. આ અભ્યાસમાં જાણવા મળ્યું છે કે EBK મોડલ ભૂલનું સ્તર ઘટાડી શકે છે અને શહેરી અથવા પેરી-શહેરી જમીનમાં જમીનના અવકાશી વિતરણના મોડલની ચોકસાઈમાં સુધારો કરી શકે છે. સામાન્ય રીતે, અમે જમીનમાં PTEનું મૂલ્યાંકન કરવા અને તેની આગાહી કરવા માટે EBK-SVMR મોડલ લાગુ કરવાનો પ્રસ્તાવ આપીએ છીએ;વધુમાં, અમે વિવિધ મશીન લર્નિંગ અલ્ગોરિધમ્સ સાથે હાઇબ્રિડાઇઝ કરવા માટે EBK નો ઉપયોગ કરવાની દરખાસ્ત કરીએ છીએ. કોવેરીએટ્સ તરીકે તત્વોનો ઉપયોગ કરીને ની સાંદ્રતાની આગાહી કરવામાં આવી હતી;જો કે, વધુ કોવેરીએટ્સનો ઉપયોગ કરવાથી મોડલની કામગીરીમાં ઘણો સુધારો થશે, જેને વર્તમાન કાર્યની મર્યાદા ગણી શકાય. આ અભ્યાસની બીજી મર્યાદા એ છે કે ડેટાસેટ્સની સંખ્યા 115 છે. તેથી, જો વધુ ડેટા પ્રદાન કરવામાં આવે, તો સૂચિત ઑપ્ટિમાઇઝ હાઇબ્રિડાઇઝેશન પદ્ધતિનું પ્રદર્શન સુધારી શકાય છે.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 એપ્રિલ 2021ના રોજ એક્સેસ કરેલ).
કાસ્પ્રઝાક, કે.એસ. નિકલ આધુનિક પર્યાવરણીય ટોક્સિકોલોજી.સર્ાઉન્ડિંગ્સ.ટોક્સિકોલોજી.11, 145–183 (1987)માં આગળ વધે છે.
સેમ્પેલ, એમ. એન્ડ નિકેલ, જી. નિકલ: તેના સ્ત્રોતો અને પર્યાવરણીય વિષવિજ્ઞાનની સમીક્ષા. પોલિશ જે. પર્યાવરણ.સ્ટડ.15, 375–382 (2006).
ફ્રીડમેન, બી. એન્ડ હચિન્સન, ટીસી વાતાવરણમાંથી પ્રદૂષક ઇનપુટ અને સડબરી, ઓન્ટારિયો, કેનેડામાં નિકલ-કોપર સ્મેલ્ટર નજીક માટી અને વનસ્પતિમાં સંચય.can.J.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/s10653-021-0210 (s10653-0121-0x).
Cabata-Pendias.Kabata-Pendias A. 2011. માટીમાં તત્વો શોધી કાઢો અને… – Google સ્કોલર 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+પ્રેસ&btnG= (24 નવેમ્બર 2020ના રોજ એક્સેસ કરેલ).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org માં કૃષિ જમીન અને ઘાસમાં ભારે ધાતુની સાંદ્રતા પર રશિયન નિકલ ઉદ્યોગની અસરો.
નીલ્સન, જીડી એટ અલ. પીવાના પાણીમાં નિકલનું શોષણ અને જાળવણી ખોરાકના સેવન અને નિકલની સંવેદનશીલતા.ટોક્સિકોલોજી.એપ્લિકેશન.ફાર્માકોડાયનેમિક્સ.154, 67–75 (1999) સાથે સંબંધિત છે.
કોસ્ટા, એમ. એન્ડ ક્લેઈન, સીબી નિકલ કાર્સિનોજેનેસિસ, મ્યુટેશન, એપિજેનેટિક્સ અથવા પસંદગી. આસપાસના. આરોગ્ય પરિપ્રેક્ષ્ય.107, 2 (1999).
અજમાન, પીસી;Ajado, SK;બોરોવકા, એલ.;બિની, જેકેએમ;સરકોડી, VYO;કોબોની, એનએમ;સંભવિત ઝેરી તત્વોનું વલણ વિશ્લેષણ: એક બાઈબલિયોમેટ્રિક સમીક્ષા. પર્યાવરણીય જીઓકેમિસ્ટ્રી એન્ડ હેલ્થ. સ્પ્રિંગર સાયન્સ એન્ડ બિઝનેસ મીડિયા 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. ડિજિટલ સોઈલ મેપિંગ પર. જીઓડર્મા 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+Vers+C+Verst+7+2C+Verst+2002% G= (28 એપ્રિલ 2021ના રોજ એક્સેસ કરેલ).