Nature.com पर आने के लिए धन्यवाद। आप जिस ब्राउज़र संस्करण का उपयोग कर रहे हैं उसमें सीएसएस के लिए सीमित समर्थन है। सर्वोत्तम अनुभव के लिए, हम अनुशंसा करते हैं कि आप एक अद्यतन ब्राउज़र का उपयोग करें (या इंटरनेट एक्सप्लोरर में संगतता मोड बंद कर दें)। इस बीच, निरंतर समर्थन सुनिश्चित करने के लिए, हम साइट को शैलियों और जावास्क्रिप्ट के बिना प्रदर्शित करेंगे।
मृदा प्रदूषण मानवीय गतिविधियों के कारण होने वाली एक बड़ी समस्या है। अधिकांश शहरी और उप-शहरी क्षेत्रों में संभावित विषाक्त तत्वों (पीटीई) का स्थानिक वितरण भिन्न होता है। इसलिए, ऐसी मिट्टी में पीटीई की सामग्री का स्थानिक अनुमान लगाना मुश्किल है। चेक गणराज्य में फ्राइडेक मिस्टेक से कुल 115 नमूने प्राप्त किए गए थे। कैल्शियम (सीए), मैग्नीशियम (एमजी), पोटेशियम (के) और निकल (नी) सांद्रता को प्रेरक रूप से युग्मित प्लाज्मा ई का उपयोग करके निर्धारित किया गया था। मिशन स्पेक्ट्रोमेट्री। प्रतिक्रिया चर नी है और भविष्यवक्ता सीए, एमजी, और के हैं। प्रतिक्रिया चर और भविष्यवक्ता चर के बीच सहसंबंध मैट्रिक्स तत्वों के बीच एक संतोषजनक सहसंबंध दिखाता है। भविष्यवाणी के परिणामों से पता चला है कि सपोर्ट वेक्टर मशीन रिग्रेशन (एसवीएमआर) ने अच्छा प्रदर्शन किया, हालांकि इसकी अनुमानित मूल माध्य वर्ग त्रुटि (आरएमएसई) (235.974 मिलीग्राम/किग्रा) और माध्य निरपेक्ष त्रुटि (एमएई) (166.946 मिलीग्राम/किग्रा) लागू अन्य तरीकों की तुलना में अधिक थी। अनुभवजन्य बेयस के लिए मिश्रित मॉडल इयान क्रिगिंग-मल्टीपल लीनियर रिग्रेशन (ईबीके-एमएलआर) खराब प्रदर्शन करता है, जैसा कि 0.1 से कम निर्धारण के गुणांक से पता चलता है। अनुभवजन्य बायेसियन क्रिगिंग-सपोर्ट वेक्टर मशीन रिग्रेशन (ईबीके-एसवीएमआर) मॉडल कम आरएमएसई (95.479 मिलीग्राम / किग्रा) और एमएई (77.368 मिलीग्राम / किग्रा) मूल्यों और निर्धारण के उच्च गुणांक (आर 2 = 0.637) के साथ सबसे अच्छा मॉडल था। ईबीके-एस वीएमआर मॉडलिंग तकनीक आउटपुट को एक स्व-संगठित मानचित्र का उपयोग करके देखा जाता है। हाइब्रिड मॉडल CakMg-EBK-SVMR घटक के विमान में क्लस्टर किए गए न्यूरॉन्स कई रंग पैटर्न दिखाते हैं जो शहरी और पेरी-शहरी मिट्टी में नी सांद्रता की भविष्यवाणी करते हैं। परिणाम दर्शाते हैं कि ईबीके और एसवीएमआर का संयोजन शहरी और पेरी-शहरी मिट्टी में नी सांद्रता की भविष्यवाणी करने के लिए एक प्रभावी तकनीक है।
निकेल (नी) को पौधों के लिए एक सूक्ष्म पोषक तत्व माना जाता है क्योंकि यह वायुमंडलीय नाइट्रोजन स्थिरीकरण (एन) और यूरिया चयापचय में योगदान देता है, जो बीज अंकुरण के लिए आवश्यक हैं। बीज अंकुरण में इसके योगदान के अलावा, नी एक कवक और जीवाणु अवरोधक के रूप में कार्य कर सकता है और पौधों के विकास को बढ़ावा दे सकता है। मिट्टी में निकेल की कमी पौधे को इसे अवशोषित करने की अनुमति देती है, जिसके परिणामस्वरूप पत्तियों का क्लोरोसिस होता है। उदाहरण के लिए, लोबिया और हरी फलियों को नाइट्रोजन स्थिरीकरण को अनुकूलित करने के लिए निकल-आधारित उर्वरकों के अनुप्रयोग की आवश्यकता होती है2। निरंतर अनुप्रयोग मिट्टी को समृद्ध करने और मिट्टी में नाइट्रोजन स्थिर करने के लिए फलियों की क्षमता बढ़ाने के लिए निकेल आधारित उर्वरक मिट्टी में निकेल की सांद्रता को लगातार बढ़ाते हैं। हालांकि निकेल पौधों के लिए एक सूक्ष्म पोषक तत्व है, लेकिन मिट्टी में इसका अत्यधिक सेवन अच्छे से अधिक नुकसान कर सकता है। मिट्टी में निकल की विषाक्तता मिट्टी के पीएच को कम कर देती है और पौधों के विकास के लिए एक आवश्यक पोषक तत्व के रूप में लोहे के ग्रहण में बाधा डालती है। लियू 3 के अनुसार, नी को पौधों के विकास और वृद्धि के लिए आवश्यक 17वां महत्वपूर्ण तत्व पाया गया है। निकेल के अलावा पौधों के विकास और विकास में केल की भूमिका, मनुष्यों को विभिन्न प्रकार के अनुप्रयोगों के लिए इसकी आवश्यकता होती है। इलेक्ट्रोप्लेटिंग, निकल-आधारित मिश्र धातुओं का उत्पादन, और ऑटोमोटिव उद्योग में इग्निशन डिवाइस और स्पार्क प्लग का निर्माण, सभी को विभिन्न औद्योगिक क्षेत्रों में निकल के उपयोग की आवश्यकता होती है। इसके अलावा, निकल-आधारित मिश्र धातु और इलेक्ट्रोप्लेटेड लेखों का व्यापक रूप से बरतन, बॉलरूम सहायक उपकरण, खाद्य उद्योग की आपूर्ति, विद्युत, तार और केबल, जेट टर्बाइन, सर्जिकल प्रत्यारोपण, कपड़ा और जहाज निर्माण में उपयोग किया जाता है5.नी-समृद्ध मिट्टी में स्तर (यानी, सतही मिट्टी) को मानवजनित और प्राकृतिक दोनों स्रोतों के लिए जिम्मेदार ठहराया गया है, लेकिन मुख्य रूप से, नी मानवजनित के बजाय एक प्राकृतिक स्रोत है। निकल के प्राकृतिक स्रोतों में ज्वालामुखी विस्फोट, वनस्पति, जंगल की आग और भूवैज्ञानिक प्रक्रियाएं शामिल हैं;हालाँकि, मानवजनित स्रोतों में इस्पात उद्योग में निकल/कैडमियम बैटरी, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डीजल और ईंधन तेल, और कोयला दहन और अपशिष्ट और कीचड़ भस्मीकरण से वायुमंडलीय उत्सर्जन निकल संचय7,8 शामिल हैं। फ्रीडमैन और हचिंसन9 और मनिइवा एट अल के अनुसार।10, तत्काल और निकटवर्ती वातावरण में ऊपरी मिट्टी के प्रदूषण के मुख्य स्रोत मुख्य रूप से निकल-तांबा-आधारित स्मेल्टर और खदानें हैं। कनाडा में सुदबरी निकल-तांबा रिफाइनरी के आसपास की ऊपरी मिट्टी में 26,000 मिलीग्राम/किलोग्राम पर निकल संदूषण का उच्चतम स्तर था। इसके विपरीत, रूस में निकल उत्पादन से प्रदूषण के परिणामस्वरूप नॉर्वेजियन मिट्टी में निकल की सांद्रता अधिक हो गई है। एल्म्स एट अल के अनुसार।12, क्षेत्र की शीर्ष कृषि योग्य भूमि (रूस में निकेल उत्पादन) में एचएनओ3-निष्कर्षण योग्य निकल की मात्रा 6.25 से 136.88 मिलीग्राम/किलोग्राम तक थी, जो 30.43 मिलीग्राम/किलोग्राम के औसत और 25 मिलीग्राम/किलोग्राम की आधारभूत सांद्रता के अनुरूप है। काबाटा 11 के अनुसार, लगातार फसल के मौसम के दौरान शहरी या पेरी-शहरी मिट्टी में कृषि मिट्टी में फॉस्फोरस उर्वरकों का उपयोग फॉस्फोरस उर्वरकों का उपयोग कर सकता है या समाप्त कर सकता है। मिट्टी को क्षीण करें। मनुष्यों में निकल के संभावित प्रभाव से उत्परिवर्तन, गुणसूत्र क्षति, जेड-डीएनए पीढ़ी, अवरुद्ध डीएनए छांटना मरम्मत, या एपिगेनेटिक प्रक्रियाओं के माध्यम से कैंसर हो सकता है। जानवरों पर प्रयोगों में, निकल में विभिन्न प्रकार के ट्यूमर पैदा करने की क्षमता पाई गई है, और कार्सिनोजेनिक निकल कॉम्प्लेक्स ऐसे ट्यूमर को बढ़ा सकते हैं।
मिट्टी-पौधे संबंधों, मिट्टी और मिट्टी के जैविक संबंधों, पारिस्थितिक क्षरण और पर्यावरणीय प्रभाव मूल्यांकन से उत्पन्न होने वाले स्वास्थ्य संबंधी मुद्दों की एक विस्तृत श्रृंखला के कारण हाल के दिनों में मिट्टी संदूषण का आकलन फला-फूला है। आज तक, पारंपरिक तरीकों का उपयोग करके मिट्टी में नी जैसे संभावित विषाक्त तत्वों (पीटीई) की स्थानिक भविष्यवाणी श्रमसाध्य और समय लेने वाली रही है। डिजिटल मृदा मानचित्रण (डीएसएम) के आगमन और इसकी वर्तमान सफलता15 ने पूर्वानुमानित मृदा मानचित्रण (पीएसएम) में काफी सुधार किया है। मिनसनी और मैकब्रैटनी1 के अनुसार 6, पूर्वानुमानित मृदा मानचित्रण (डीएसएम) मृदा विज्ञान का एक प्रमुख उप-अनुशासन साबित हुआ है। लैगाचेरी और मैकब्रैटनी, 2006 डीएसएम को "स्थानिक और प्रयोगशाला अवलोकन विधियों और स्थानिक और गैर-स्थानिक मिट्टी अनुमान प्रणालियों के उपयोग के माध्यम से स्थानिक मिट्टी सूचना प्रणालियों के निर्माण और भरने" के रूप में परिभाषित करते हैं। मैकब्रैटनी और अन्य।17 रेखांकित करते हैं कि समकालीन डीएसएम या पीएसएम पीटीई, मिट्टी के प्रकार और मिट्टी के गुणों के स्थानिक वितरण की भविष्यवाणी या मानचित्रण के लिए सबसे प्रभावी तकनीक है। भू-सांख्यिकी और मशीन लर्निंग एल्गोरिदम (एमएलए) डीएसएम मॉडलिंग तकनीक हैं जो महत्वपूर्ण और न्यूनतम डेटा का उपयोग करके कंप्यूटर की मदद से डिजीटल मानचित्र बनाते हैं।
Deutsch18 और Olea19 भू-सांख्यिकी को "संख्यात्मक तकनीकों का संग्रह जो स्थानिक विशेषताओं के प्रतिनिधित्व से निपटते हैं, मुख्य रूप से स्टोकेस्टिक मॉडल को नियोजित करते हैं, जैसे कि समय श्रृंखला विश्लेषण अस्थायी डेटा को कैसे चित्रित करता है" के रूप में परिभाषित करता है।मुख्य रूप से, भू-सांख्यिकी में वैरोग्राम का मूल्यांकन शामिल होता है, जो प्रत्येक डेटासेट20 से स्थानिक मूल्यों की निर्भरता को निर्धारित करने और परिभाषित करने की अनुमति देता है। गुमियाक्स एट अल।20 आगे स्पष्ट करता है कि भू-सांख्यिकी में वेरियोग्राम का मूल्यांकन तीन सिद्धांतों पर आधारित है, जिसमें (ए) डेटा सहसंबंध के पैमाने की गणना करना, (बी) डेटासेट असमानता में अनिसोट्रॉपी की पहचान करना और गणना करना और (सी) इसके अलावा स्थानीय प्रभावों से अलग किए गए माप डेटा की अंतर्निहित त्रुटि को ध्यान में रखते हुए, क्षेत्र प्रभावों का भी अनुमान लगाया जाता है। इन अवधारणाओं के आधार पर, भू-सांख्यिकी में कई प्रक्षेप तकनीकों का उपयोग किया जाता है, जिनमें सामान्य सिंचाई, सह-सिंचाई, साधारण सिंचाई, एम शामिल हैं। पीटीई, मिट्टी की विशेषताओं और मिट्टी के प्रकारों को मैप करने या भविष्यवाणी करने के लिए पिरिकल बायेसियन क्रिगिंग, सरल सिंचाई विधि और अन्य प्रसिद्ध इंटरपोलेशन तकनीकें।
मशीन लर्निंग एल्गोरिदम (एमएलए) एक अपेक्षाकृत नई तकनीक है जो बड़े गैर-रेखीय डेटा वर्गों को नियोजित करती है, जो मुख्य रूप से डेटा खनन के लिए उपयोग किए जाने वाले एल्गोरिदम द्वारा संचालित होती है, डेटा में पैटर्न की पहचान करती है, और मिट्टी विज्ञान और रिटर्न कार्यों जैसे वैज्ञानिक क्षेत्रों में वर्गीकरण के लिए बार-बार लागू होती है। कई शोध पत्र मिट्टी में पीटीई की भविष्यवाणी करने के लिए एमएलए मॉडल पर भरोसा करते हैं, जैसे टैन एट अल।22 (कृषि मिट्टी में भारी धातु के आकलन के लिए यादृच्छिक वन), सकीज़ादेह एट अल।23 (समर्थन वेक्टर मशीनों और कृत्रिम तंत्रिका नेटवर्क का उपयोग करके मॉडलिंग) मृदा प्रदूषण)। इसके अलावा, वेगा एट अल।24 (मिट्टी में भारी धातु प्रतिधारण और सोखना मॉडलिंग के लिए कार्ट) सन एट अल।25 (क्यूबिस्ट का अनुप्रयोग मिट्टी में सीडी का वितरण है) और अन्य एल्गोरिदम जैसे कि के-निकटतम पड़ोसी, सामान्यीकृत बूस्टेड रिग्रेशन, और बूस्टेड रिग्रेशन पेड़ों ने मिट्टी में पीटीई की भविष्यवाणी करने के लिए एमएलए को भी लागू किया।
भविष्यवाणी या मैपिंग में डीएसएम एल्गोरिदम के अनुप्रयोग को कई चुनौतियों का सामना करना पड़ता है। कई लेखकों का मानना ​​है कि एमएलए भू-सांख्यिकी से बेहतर है और इसके विपरीत। हालांकि एक दूसरे से बेहतर है, दोनों के संयोजन से डीएसएम15 में मैपिंग या भविष्यवाणी की सटीकता के स्तर में सुधार होता है। वुडकॉक और गोपाल26 फिन्के27;पोंटियस और चेउक28 और ग्रुनवाल्ड29 पूर्वानुमानित मृदा मानचित्रण में कमियों और कुछ त्रुटियों पर टिप्पणी करते हैं। मृदा वैज्ञानिकों ने डीएसएम मानचित्रण और पूर्वानुमान की प्रभावशीलता, सटीकता और पूर्वानुमान को अनुकूलित करने के लिए कई तकनीकों की कोशिश की है। अनिश्चितता और सत्यापन का संयोजन प्रभावशीलता को अनुकूलित करने और दोषों को कम करने के लिए डीएसएम में एकीकृत कई अलग-अलग पहलुओं में से एक है। हालांकि, एग्यमैन एट अल।15 की रूपरेखा है कि मानचित्र निर्माण और भविष्यवाणी द्वारा प्रस्तुत सत्यापन व्यवहार और अनिश्चितता को मानचित्र गुणवत्ता में सुधार के लिए स्वतंत्र रूप से मान्य किया जाना चाहिए। डीएसएम की सीमाएं भौगोलिक रूप से बिखरी हुई मिट्टी की गुणवत्ता के कारण हैं, जिसमें अनिश्चितता का एक घटक शामिल है;हालाँकि, डीएसएम में निश्चितता की कमी त्रुटि के कई स्रोतों से उत्पन्न हो सकती है, अर्थात् सहसंयोजक त्रुटि, मॉडल त्रुटि, स्थान त्रुटि और विश्लेषणात्मक त्रुटि 31। एमएलए और भू-सांख्यिकीय प्रक्रियाओं में प्रेरित मॉडलिंग अशुद्धियाँ समझ की कमी से जुड़ी हैं, जो अंततः वास्तविक प्रक्रिया के अतिसरलीकरण की ओर ले जाती हैं। मॉडलिंग की प्रकृति के बावजूद, अशुद्धियों को मॉडलिंग मापदंडों, गणितीय मॉडल भविष्यवाणियों, या इंटरपोलेशन 33 के लिए जिम्मेदार ठहराया जा सकता है। हाल ही में, एक नई डीएसएम प्रवृत्ति उभरी है जो मानचित्रण और पूर्वानुमान में भू-सांख्यिकी और एमएलए के एकीकरण को बढ़ावा देती है। कई मृदा वैज्ञानिक और लेखक, जैसे सर्गेव एट अल।34;सुब्बोटिना एट अल.35;तारासोव एट अल.36 और तारासोव एट अल।37 ने हाइब्रिड मॉडल तैयार करने के लिए भू-सांख्यिकी और मशीन लर्निंग की सटीक गुणवत्ता का उपयोग किया है जो पूर्वानुमान और मानचित्रण की दक्षता में सुधार करता है।गुणवत्ता। इनमें से कुछ हाइब्रिड या संयुक्त एल्गोरिदम मॉडल कृत्रिम तंत्रिका नेटवर्क क्रिगिंग (एएनएन-आरके), मल्टीलेयर परसेप्ट्रॉन अवशिष्ट क्रिगिंग (एमएलपी-आरके), सामान्यीकृत रिग्रेशन न्यूरल नेटवर्क अवशिष्ट क्रिगिंग (जीआर- एनएनआरके)36, कृत्रिम तंत्रिका नेटवर्क क्रिगिंग-मल्टीलेयर परसेप्ट्रॉन (एएनएन-के-एमएलपी)37 और सह-क्रिगिंग और गाऊसियन प्रोसेस रिग्रेशन38 हैं।
सर्गेव एट अल के अनुसार, विभिन्न मॉडलिंग तकनीकों के संयोजन से एकल मॉडल विकसित करने के बजाय दोषों को खत्म करने और परिणामी हाइब्रिड मॉडल की दक्षता बढ़ाने की क्षमता है। इस संदर्भ में, इस नए पेपर का तर्क है कि शहरी और पेरी-शहरी क्षेत्रों में नी संवर्धन की भविष्यवाणी करने के लिए इष्टतम हाइब्रिड मॉडल बनाने के लिए भू-सांख्यिकी और एमएलए के एक संयुक्त एल्गोरिदम को लागू करना आवश्यक है। यह अध्ययन आधार मॉडल के रूप में अनुभवजन्य बायेसियन क्रिगिंग (ईबीके) पर निर्भर करेगा और इसे सपोर्ट वेक्टर मशीन (एसवीएम) और मल्टीपल लीनियर रिग्रेशन ( एमएलआर) मॉडल। किसी भी एमएलए के साथ ईबीके का संकरण ज्ञात नहीं है। देखे गए कई मिश्रित मॉडल सामान्य, अवशिष्ट, प्रतिगमन क्रिगिंग और एमएलए के संयोजन हैं। ईबीके एक भू-सांख्यिकीय इंटरपोलेशन विधि है जो एक स्थानिक स्टोकेस्टिक प्रक्रिया का उपयोग करती है जो क्षेत्र पर परिभाषित स्थानीयकरण पैरामीटर के साथ एक गैर-स्थिर/स्थिर यादृच्छिक क्षेत्र के रूप में स्थानीयकृत होती है, जो स्थानिक भिन्नता की अनुमति देती है। ईबीके का उपयोग विभिन्न अध्ययनों में किया गया है, जिसमें कार्बनिक कार्बन के वितरण का विश्लेषण भी शामिल है। खेत की मिट्टी में40, मिट्टी प्रदूषण41 का आकलन करना और मिट्टी के गुणों का मानचित्रण करना42।
दूसरी ओर, सेल्फ-ऑर्गनाइजिंग ग्राफ़ (SeOM) एक लर्निंग एल्गोरिदम है जिसे ली एट अल जैसे विभिन्न लेखों में लागू किया गया है।43, वांग एट अल।44, हुसैन भुइयां एट अल।45 और केबोनी एट अल.46 तत्वों की स्थानिक विशेषताओं और समूहन का निर्धारण करें। वांग एट अल।44 रेखांकित करता है कि SeOM एक शक्तिशाली शिक्षण तकनीक है जो गैर-रेखीय समस्याओं को समूहीकृत करने और कल्पना करने की क्षमता के लिए जानी जाती है। अन्य पैटर्न पहचान तकनीकों जैसे कि प्रमुख घटक विश्लेषण, फ़ज़ी क्लस्टरिंग, पदानुक्रमित क्लस्टरिंग और बहु-मानदंड निर्णय लेने के विपरीत, SeOM PTE पैटर्न को व्यवस्थित करने और पहचानने में बेहतर है। वांग एट अल के अनुसार।44, SeOM संबंधित न्यूरॉन्स के वितरण को स्थानिक रूप से समूहित कर सकता है और उच्च-रिज़ॉल्यूशन डेटा विज़ुअलाइज़ेशन प्रदान कर सकता है। SeOM प्रत्यक्ष व्याख्या के लिए परिणामों को चिह्नित करने के लिए सर्वोत्तम मॉडल प्राप्त करने के लिए Ni भविष्यवाणी डेटा की कल्पना करेगा।
इस पेपर का उद्देश्य शहरी और उप-शहरी मिट्टी में निकेल सामग्री की भविष्यवाणी के लिए इष्टतम सटीकता के साथ एक मजबूत मैपिंग मॉडल तैयार करना है। हम अनुमान लगाते हैं कि मिश्रित मॉडल की विश्वसनीयता मुख्य रूप से बेस मॉडल से जुड़े अन्य मॉडलों के प्रभाव पर निर्भर करती है। हम डीएसएम के सामने आने वाली चुनौतियों को स्वीकार करते हैं, और जबकि इन चुनौतियों को कई मोर्चों पर संबोधित किया जा रहा है, भू-सांख्यिकी और एमएलए मॉडल में प्रगति का संयोजन वृद्धिशील प्रतीत होता है;इसलिए, हम उन शोध प्रश्नों का उत्तर देने का प्रयास करेंगे जो मिश्रित मॉडल प्राप्त कर सकते हैं। हालांकि, लक्ष्य तत्व की भविष्यवाणी करने में मॉडल कितना सटीक है? इसके अलावा, सत्यापन और सटीकता मूल्यांकन के आधार पर दक्षता मूल्यांकन का स्तर क्या है? इसलिए, इस अध्ययन के विशिष्ट लक्ष्य थे (ए) आधार मॉडल के रूप में ईबीके का उपयोग करके एसवीएमआर या एमएलआर के लिए एक संयुक्त मिश्रण मॉडल बनाना, (बी) परिणामी मॉडल की तुलना करना (सी) शहरी या पेरी-शहरी मिट्टी में नी सांद्रता की भविष्यवाणी के लिए सर्वोत्तम मिश्रण मॉडल का प्रस्ताव करना, और (डी) निकल स्थानिक भिन्नता का उच्च-रिज़ॉल्यूशन मानचित्र बनाने के लिए SeOM का अनुप्रयोग।
अध्ययन चेक गणराज्य में किया जा रहा है, विशेष रूप से मोराविया-सिलेसियन क्षेत्र के फ्राइडेक मिस्टेक जिले में (चित्र 1 देखें)। अध्ययन क्षेत्र का भूगोल बहुत ऊबड़-खाबड़ है और यह ज्यादातर मोराविया-सिलेसियन बेस्किडी क्षेत्र का हिस्सा है, जो कार्पेथियन पर्वत के बाहरी रिम का हिस्सा है। अध्ययन क्षेत्र 49° 41' 0' उत्तर और 18° 20' 0' पूर्व के बीच स्थित है। , और ऊंचाई 225 और 327 मीटर के बीच है;हालाँकि, क्षेत्र की जलवायु स्थिति के लिए कोप्पेन वर्गीकरण प्रणाली को सीएफबी = समशीतोष्ण समुद्री जलवायु के रूप में मूल्यांकित किया गया है, शुष्क महीनों में भी बहुत अधिक वर्षा होती है। पूरे वर्ष तापमान -5 डिग्री सेल्सियस और 24 डिग्री सेल्सियस के बीच थोड़ा भिन्न होता है, शायद ही कभी -14 डिग्री सेल्सियस से नीचे या 30 डिग्री सेल्सियस से ऊपर गिरता है, जबकि औसत वार्षिक वर्षा 685 और 752 मिमी47 के बीच होती है। पूरे क्षेत्र का अनुमानित सर्वेक्षण क्षेत्र 1,20 है 8 वर्ग किलोमीटर, 39.38% खेती योग्य भूमि और 49.36% वन कवरेज के साथ। दूसरी ओर, इस अध्ययन में उपयोग किया जाने वाला क्षेत्र लगभग 889.8 वर्ग किलोमीटर है। ओस्ट्रावा में और उसके आसपास, इस्पात उद्योग और धातु का काम बहुत सक्रिय है। धातु मिलें, इस्पात उद्योग जहां निकल का उपयोग स्टेनलेस स्टील्स (उदाहरण के लिए वायुमंडलीय संक्षारण के प्रतिरोध के लिए) और मिश्र धातु स्टील्स (निकल अपनी अच्छी लचीलापन और कठोरता को बनाए रखते हुए मिश्र धातु की ताकत बढ़ाता है), और गहन कृषि में किया जाता है। जैसे फॉस्फेट उर्वरक अनुप्रयोग और पशुधन उत्पादन इस क्षेत्र में निकेल के अनुसंधान संभावित स्रोत हैं (उदाहरण के लिए, मेमनों और कम भोजन वाले मवेशियों में विकास दर बढ़ाने के लिए मेमनों में निकल जोड़ना)। अनुसंधान क्षेत्रों में निकल के अन्य औद्योगिक उपयोगों में इलेक्ट्रोप्लेटिंग में इसका उपयोग शामिल है, जिसमें इलेक्ट्रोप्लेटिंग निकल और इलेक्ट्रोलेस निकल चढ़ाना प्रक्रियाएं शामिल हैं। मिट्टी के गुणों को मिट्टी के रंग, संरचना और कार्बोनेट सामग्री से आसानी से अलग किया जा सकता है। मिट्टी की बनावट मध्यम से बारीक होती है, जो मूल सामग्री से प्राप्त होती है। वे जलोढ़, जलोढ़ हैं। या एओलियन प्रकृति में। कुछ मिट्टी के क्षेत्र सतह और उपमृदा में धब्बेदार दिखाई देते हैं, अक्सर कंक्रीट और ब्लीचिंग के साथ। हालांकि, कैंबिसोल और स्टैग्नोसोल इस क्षेत्र में सबसे आम मिट्टी के प्रकार हैं48। 455.1 से 493.5 मीटर तक की ऊंचाई के साथ, कैंबिसोल चेक गणराज्य में हावी हैं49।
अध्ययन क्षेत्र का नक्शा [अध्ययन क्षेत्र का नक्शा आर्कजीआईएस डेस्कटॉप (ईएसआरआई, इंक, संस्करण 10.7, यूआरएल: https://desktop.arcgis.com) का उपयोग करके बनाया गया था।]
फ्राइडेक मिस्टेक जिले में शहरी और पेरी-शहरी मिट्टी से कुल 115 ऊपरी मिट्टी के नमूने प्राप्त किए गए थे। इस्तेमाल किया गया नमूना पैटर्न एक नियमित ग्रिड था जिसमें मिट्टी के नमूने 2 × 2 किमी की दूरी पर थे, और ऊपरी मिट्टी को एक हाथ से पकड़े जाने वाले जीपीएस उपकरण (लीका ज़ेनो 5 जीपीएस) का उपयोग करके 0 से 20 सेमी की गहराई पर मापा गया था। नमूनों को जिपलॉक बैग में पैक किया जाता है, उचित रूप से लेबल किया जाता है, और प्रयोगशाला में भेज दिया जाता है। नमूनों को चूर्ण बनाने के लिए हवा में सुखाया गया था। आकार के नमूने, एक यांत्रिक प्रणाली (फ्रिट्च डिस्क मिल) द्वारा चूर्णित, और छलनी (छलनी का आकार 2 मिमी)। 1 ग्राम सूखी, समरूप और छनी हुई मिट्टी के नमूनों को स्पष्ट रूप से लेबल वाली टेफ्लॉन बोतलों में रखें। प्रत्येक टेफ्लॉन बर्तन में, 35% एचसीएल के 7 मिलीलीटर और 65% एचएनओ 3 के 3 मिलीलीटर (एक स्वचालित डिस्पेंसर का उपयोग करके - प्रत्येक एसिड के लिए) डालें, हल्के ढंग से कवर करें और नमूनों को प्रतिक्रिया के लिए रात भर खड़े रहने दें (एक्वा रेजिया)। कार्यक्रम) नमूनों की पाचन प्रक्रिया को सुविधाजनक बनाने के लिए सतह पर तैरनेवाला को 2 घंटे के लिए गर्म धातु की प्लेट (तापमान: 100 डब्ल्यू और 160 डिग्री सेल्सियस) पर रखें, फिर ठंडा करें। सतह पर तैरनेवाला को 50 मिलीलीटर वॉल्यूमेट्रिक फ्लास्क में स्थानांतरित करें और विआयनीकृत पानी के साथ 50 मिलीलीटर तक पतला करें। उसके बाद, पतला सतह पर तैरनेवाला को विआयनीकृत पानी के साथ 50 मिलीलीटर पीवीसी ट्यूब में फ़िल्टर करें। इसके अलावा, 1 मिलीलीटर कमजोर पड़ने वाले घोल को पतला किया गया था 9 मिलीलीटर विआयनीकृत पानी और PTE छद्म-सांद्रण के लिए तैयार 12 मिलीलीटर ट्यूब में फ़िल्टर किया गया। PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) की सांद्रता मानक तरीकों और समझौते के अनुसार ICP-OES (इंडक्टिवली कपल्ड प्लाज़्मा ऑप्टिकल एमिशन स्पेक्ट्रोस्कोपी) (थर्मो फिशर साइंटिफिक, यूएसए) द्वारा निर्धारित की गई थी। गुणवत्ता आश्वासन और नियंत्रण (QA / QC) प्रक्रियाओं को सुनिश्चित करें (S) आरएम एनआईएसटी 2711ए मोंटाना II मृदा)। आधे से कम पहचान सीमा वाले पीटीई को इस अध्ययन से बाहर रखा गया था। इस अध्ययन में प्रयुक्त पीटीई की पहचान सीमा 0.0004 थी।
अनुभवजन्य बायेसियन क्रिगिंग (ईबीके) मृदा विज्ञान जैसे विभिन्न क्षेत्रों में मॉडलिंग में उपयोग की जाने वाली कई भू-सांख्यिकीय इंटरपोलेशन तकनीकों में से एक है। अन्य क्रिगिंग इंटरपोलेशन तकनीकों के विपरीत, ईबीके सेमीवेरियोग्राम मॉडल द्वारा अनुमानित त्रुटि पर विचार करके पारंपरिक सिंचाई विधियों से भिन्न होता है। ईबीके इंटरपोलेशन में, एकल सेमीवेरियोग्राम के बजाय इंटरपोलेशन के दौरान कई सेमीवेरियोग्राम मॉडल की गणना की जाती है। इंटरपोलेशन तकनीक सेमी के इस प्लॉटिंग से जुड़ी अनिश्चितता और प्रोग्रामिंग के लिए रास्ता बनाती है। वेरियोग्राम जो एक पर्याप्त सिंचाई विधि का अत्यधिक जटिल हिस्सा बनता है। ईबीके की प्रक्षेप प्रक्रिया क्रिवोरुचको50 द्वारा प्रस्तावित तीन मानदंडों का पालन करती है, (ए) मॉडल इनपुट डेटासेट से सेमीवेरियोग्राम का अनुमान लगाता है (बी) उत्पन्न सेमीवेरियोग्राम के आधार पर प्रत्येक इनपुट डेटासेट स्थान के लिए नया अनुमानित मूल्य और (सी) अंतिम ए मॉडल की गणना एक सिम्युलेटेड डेटासेट से की जाती है। बायेसियन समीकरण नियम को पीछे के रूप में दिया गया है
जहां \(Prob\left(A\right)\) पूर्व का प्रतिनिधित्व करता है, \(Prob\left(B\right)\) को ज्यादातर मामलों में नजरअंदाज कर दिया जाता है, \(Prob (B,A)\ ) . सेमीवेरियोग्राम गणना बेयस नियम पर आधारित है, जो सेमीवेरियोग्राम से बनाए जा सकने वाले अवलोकन डेटासेट की प्रवृत्ति को दर्शाता है। सेमीवेरियोग्राम का मूल्य तब बेयस नियम का उपयोग करके निर्धारित किया जाता है, जो बताता है कि अवलोकनों का डेटासेट बनाने की कितनी संभावना है सेमीवैरियोग्राम से.
एक सपोर्ट वेक्टर मशीन एक मशीन लर्निंग एल्गोरिदम है जो समान लेकिन रैखिक रूप से स्वतंत्र वर्गों को अलग करने के लिए एक इष्टतम पृथक हाइपरप्लेन उत्पन्न करता है। Vapnik51 ने इरादा वर्गीकरण एल्गोरिदम बनाया, लेकिन हाल ही में इसका उपयोग प्रतिगमन-उन्मुख समस्याओं को हल करने के लिए किया गया है। ली एट अल.52 के अनुसार, एसवीएम सर्वोत्तम क्लासिफायर तकनीकों में से एक है और इसका उपयोग विभिन्न क्षेत्रों में किया गया है। इस विश्लेषण में एसवीएम (सपोर्ट वेक्टर मशीन रिग्रेशन - एसवीएमआर) के प्रतिगमन घटक का उपयोग किया गया था। चर्कास्की और मुली ईआर53 ने एसवीएमआर को कर्नेल-आधारित प्रतिगमन के रूप में अग्रणी बनाया, जिसकी गणना बहु-देशीय स्थानिक कार्यों के साथ एक रैखिक प्रतिगमन मॉडल का उपयोग करके की गई थी। जॉन एट अल54 की रिपोर्ट है कि एसवीएमआर मॉडलिंग हाइपरप्लेन रैखिक प्रतिगमन को नियोजित करता है, जो गैर-रेखीय संबंध बनाता है और स्थानिक कार्यों की अनुमति देता है। वोहलैंड एट अल के अनुसार।55, एप्सिलॉन (ε)-एसवीएमआर एक एप्सिलॉन-असंवेदनशील फ़ंक्शन के रूप में एक प्रतिनिधित्व मॉडल प्राप्त करने के लिए प्रशिक्षित डेटासेट का उपयोग करता है जो सहसंबद्ध डेटा पर प्रशिक्षण से सर्वोत्तम एप्सिलॉन पूर्वाग्रह के साथ डेटा को स्वतंत्र रूप से मैप करने के लिए लागू किया जाता है। पूर्व निर्धारित दूरी त्रुटि को वास्तविक मूल्य से नजरअंदाज कर दिया जाता है, और यदि त्रुटि ε (ε) से बड़ी है, तो मिट्टी के गुण इसकी भरपाई करते हैं। मॉडल प्रशिक्षण डेटा की जटिलता को समर्थन वैक्टर के व्यापक उपसमूह में भी कम कर देता है। Vapnik51 द्वारा प्रस्तावित समीकरण है नीचे दिखाया गया है.
जहां b स्केलर थ्रेशोल्ड का प्रतिनिधित्व करता है, \(K\left({x}_{,}{ x}_{k}\right)\) कर्नेल फ़ंक्शन का प्रतिनिधित्व करता है, \(\alpha\) लैग्रेंज गुणक का प्रतिनिधित्व करता है, N एक संख्यात्मक डेटासेट का प्रतिनिधित्व करता है, \({x}_{k}\) डेटा इनपुट का प्रतिनिधित्व करता है, और \(y\) डेटा आउटपुट का प्रतिनिधित्व करता है। उपयोग किए गए प्रमुख कर्नेल में से एक SVMR ऑपरेशन है, जो एक गाऊसी रेडियल आधार फ़ंक्शन (RBF) है। RBF कर्नेल को इष्टतम एसवीएमआर मॉडल निर्धारित करने के लिए लागू किया जाता है, जो पीटीई प्रशिक्षण डेटा के लिए सबसे सूक्ष्म दंड सेट कारक सी और कर्नेल पैरामीटर गामा (γ) प्राप्त करने के लिए महत्वपूर्ण है। सबसे पहले, हमने प्रशिक्षण सेट का मूल्यांकन किया और फिर सत्यापन सेट पर मॉडल के प्रदर्शन का परीक्षण किया। इस्तेमाल किया गया स्टीयरिंग पैरामीटर सिग्मा है और विधि मान svmRadial है।
मल्टीपल लीनियर रिग्रेशन मॉडल (एमएलआर) एक रिग्रेशन मॉडल है जो कम से कम वर्ग विधि का उपयोग करके गणना की गई रैखिक पूल पैरामीटर का उपयोग करके प्रतिक्रिया चर और कई भविष्यवक्ता चर के बीच संबंध का प्रतिनिधित्व करता है। एमएलआर में, कम से कम वर्ग मॉडल व्याख्यात्मक चर के चयन के बाद मिट्टी के गुणों का एक पूर्वानुमानित कार्य है।
जहां y प्रतिक्रिया चर है, \(a\) अवरोधन है, n भविष्यवक्ताओं की संख्या है, \({b}_{1}\) गुणांकों का आंशिक प्रतिगमन है, \({x}_{ i}\) एक भविष्यवक्ता या व्याख्यात्मक चर का प्रतिनिधित्व करता है, और \({\varepsilon }_{i}\) मॉडल में त्रुटि का प्रतिनिधित्व करता है, जिसे अवशिष्ट के रूप में भी जाना जाता है।
एसवीएमआर और एमएलआर के साथ ईबीके को सैंडविच करके मिश्रित मॉडल प्राप्त किए गए थे। यह ईबीके इंटरपोलेशन से अनुमानित मूल्यों को निकालकर किया जाता है। इंटरपोलेटेड सीए, के और एमजी से प्राप्त अनुमानित मूल्यों को सीएके, सीएएमजी और केएमजी जैसे नए चर प्राप्त करने के लिए एक संयोजन प्रक्रिया के माध्यम से प्राप्त किया जाता है। तत्व सीए, के और एमजी को फिर चौथा चर, सीएकेएमजी प्राप्त करने के लिए जोड़ा जाता है। कुल मिलाकर, प्राप्त चर सीए, के, एमजी, सीए हैं K, CaMg, KMg और CaKMg। ये चर हमारे भविष्यवक्ता बन गए, जिससे शहरी और पेरी-शहरी मिट्टी में निकल सांद्रता की भविष्यवाणी करने में मदद मिली। मिश्रित मॉडल अनुभवजन्य बायेसियन क्रिगिंग-सपोर्ट वेक्टर मशीन (ईबीके_एसवीएम) प्राप्त करने के लिए भविष्यवक्ताओं पर एसवीएमआर एल्गोरिदम का प्रदर्शन किया गया था। इसी तरह, एक मिश्रित मॉडल अनुभवजन्य बायेसियन क्रिगिंग-मल्टीपल लीनियर रिग्रेशन (ईबीके_एमएलआर) प्राप्त करने के लिए चर को एमएलआर एल्गोरिदम के माध्यम से भी पाइप किया जाता है। .आमतौर पर, चर Ca, K, Mg, CaK, CaMg, KMg, और CaKMg का उपयोग शहरी और उप-शहरी मिट्टी में Ni सामग्री के भविष्यवक्ताओं के रूप में सहसंयोजक के रूप में किया जाता है। प्राप्त सबसे स्वीकार्य मॉडल (EBK_SVM या EBK_MLR) को एक स्व-संगठित ग्राफ का उपयोग करके देखा जाएगा। इस अध्ययन का वर्कफ़्लो चित्र 2 में दिखाया गया है।
SeOM का उपयोग वित्तीय क्षेत्र, स्वास्थ्य देखभाल, उद्योग, सांख्यिकी, मृदा विज्ञान और अधिक में डेटा को व्यवस्थित करने, मूल्यांकन करने और पूर्वानुमान करने के लिए एक लोकप्रिय उपकरण बन गया है। SeOM को कृत्रिम तंत्रिका नेटवर्क और संगठन, मूल्यांकन और भविष्यवाणी के लिए अप्रशिक्षित शिक्षण विधियों का उपयोग करके बनाया गया है। इस अध्ययन में, SeOM का उपयोग शहरी और पेरी-शहरी मिट्टी में Ni की भविष्यवाणी के लिए सर्वोत्तम मॉडल के आधार पर Ni सांद्रता को देखने के लिए किया गया था। SeOM मूल्यांकन में संसाधित डेटा को n इनपुट-आयामी वेक्टर चर के रूप में उपयोग किया जाता है। मेलसेन और अन्य.57 एक एकल इनपुट परत के माध्यम से एक एकल इनपुट वेक्टर के माध्यम से एक एकल वजन वेक्टर के साथ एक आउटपुट वेक्टर के लिए एक इनपुट वेक्टर के कनेक्शन का वर्णन करता है। SeOM द्वारा उत्पन्न आउटपुट एक दो-आयामी मानचित्र है जिसमें हेक्सागोनल, परिपत्र, या वर्ग टोपोलॉजिकल मानचित्रों में उनकी निकटता के अनुसार बुने गए विभिन्न न्यूरॉन्स या नोड्स शामिल हैं। मीट्रिक, परिमाणीकरण त्रुटि (क्यूई) और स्थलाकृतिक त्रुटि (टीई) के आधार पर मानचित्र आकार की तुलना करते हुए, क्रमशः 0.086 और 0.904 के साथ SeOM मॉडल का चयन किया जाता है, जो है एक 55-मानचित्र इकाई (5 × 11)। न्यूरॉन संरचना अनुभवजन्य समीकरण में नोड्स की संख्या के अनुसार निर्धारित की जाती है
इस अध्ययन में उपयोग किए गए डेटा की संख्या 115 नमूने हैं। डेटा को परीक्षण डेटा (सत्यापन के लिए 25%) और प्रशिक्षण डेटा सेट (अंशांकन के लिए 75%) में विभाजित करने के लिए एक यादृच्छिक दृष्टिकोण का उपयोग किया गया था। प्रशिक्षण डेटासेट का उपयोग प्रतिगमन मॉडल (अंशांकन) उत्पन्न करने के लिए किया जाता है, और परीक्षण डेटासेट का उपयोग सामान्यीकरण क्षमता 58 को सत्यापित करने के लिए किया जाता है। यह मिट्टी में निकल सामग्री की भविष्यवाणी के लिए विभिन्न मॉडलों की उपयुक्तता का आकलन करने के लिए किया गया था। उपयोग किए गए सभी मॉडल दस गुना क्रॉस-सत्यापन प्रक्रिया से गुजरे, पांच बार दोहराया गया टाइम्स। ईबीके इंटरपोलेशन द्वारा उत्पादित चर का उपयोग लक्ष्य चर (पीटीई) की भविष्यवाणी करने के लिए भविष्यवक्ता या व्याख्यात्मक चर के रूप में किया जाता है। मॉडलिंग को आरस्टूडियो में पैकेज लाइब्रेरी (कोहोनेन), लाइब्रेरी (कैरेट), लाइब्रेरी (मॉडलर), लाइब्रेरी ("ई1071"), लाइब्रेरी ("प्लायर"), लाइब्रेरी ("कैटूल्स"), लाइब्रेरी ("प्रोस्पेक्टर") और लाइब्रेरी ("मेट्रिक्स") का उपयोग करके नियंत्रित किया जाता है।
मिट्टी में निकेल सांद्रता की भविष्यवाणी करने और मॉडल की सटीकता और उसके सत्यापन का मूल्यांकन करने के लिए उपयुक्त सर्वोत्तम मॉडल निर्धारित करने के लिए विभिन्न सत्यापन मापदंडों का उपयोग किया गया था। हाइब्रिडाइजेशन मॉडल का मूल्यांकन माध्य निरपेक्ष त्रुटि (एमएई), मूल माध्य वर्ग त्रुटि (आरएमएसई), और आर-वर्ग या गुणांक निर्धारण (आर 2) का उपयोग करके किया गया था। वास्तविक मात्रात्मक मान। सत्यापन मापदंडों का उपयोग करके सर्वोत्तम मिश्रण मॉडल का मूल्यांकन करने के लिए R2 मान उच्च होना चाहिए, मान 1 के जितना करीब होगा, सटीकता उतनी ही अधिक होगी। ली एट अल के अनुसार।59, 0.75 या इससे अधिक का आर2 मानदंड मान एक अच्छा भविष्यवक्ता माना जाता है;0.5 से 0.75 तक स्वीकार्य मॉडल प्रदर्शन है, और 0.5 से नीचे अस्वीकार्य मॉडल प्रदर्शन है। आरएमएसई और एमएई सत्यापन मानदंड मूल्यांकन विधियों का उपयोग करके एक मॉडल का चयन करते समय, प्राप्त कम मूल्य पर्याप्त थे और उन्हें सबसे अच्छा विकल्प माना जाता था। निम्नलिखित समीकरण सत्यापन विधि का वर्णन करता है।
जहां n देखे गए मान के आकार का प्रतिनिधित्व करता है\({Y}_{i}\) मापी गई प्रतिक्रिया का प्रतिनिधित्व करता है, और \({\वाइडहैट{Y}}_{i}\) भी अनुमानित प्रतिक्रिया मूल्य का प्रतिनिधित्व करता है, इसलिए, पहले i अवलोकनों के लिए।
भविष्यवक्ता और प्रतिक्रिया चर के सांख्यिकीय विवरण तालिका 1 में प्रस्तुत किए गए हैं, जिसमें माध्य, मानक विचलन (एसडी), भिन्नता का गुणांक (सीवी), न्यूनतम, अधिकतम, कर्टोसिस और तिरछापन दिखाया गया है। तत्वों के न्यूनतम और अधिकतम मान क्रमशः एमजी <सीए <के <नी और सीए <एमजी <के <नी के घटते क्रम में हैं। अध्ययन क्षेत्र से नमूना किए गए प्रतिक्रिया चर (नी) की सांद्रता 4.86 से 42.39 मिलीग्राम/किग्रा तक थी। तुलनात्मक विश्व औसत (29 मिलीग्राम/किग्रा) और यूरोपीय औसत (37 मिलीग्राम/किग्रा) के साथ नी के आइसोन से पता चला कि अध्ययन क्षेत्र के लिए समग्र गणना ज्यामितीय माध्य सहनीय सीमा के भीतर थी। फिर भी, जैसा कि काबाटा-पेंडियास11 द्वारा दिखाया गया है, स्वीडन में कृषि मिट्टी के साथ वर्तमान अध्ययन में औसत निकल (नी) एकाग्रता की तुलना से पता चलता है कि वर्तमान औसत निकल एकाग्रता अधिक है। इसी तरह, शहरी और पेरी-शहरी मिट्टी में फ्राइडेक मिस्टेक की औसत एकाग्रता अधिक है। वर्तमान अध्ययन में (Ni 16.15 mg/kg) पोलिश शहरी मिट्टी में Ni के लिए 60 (10.2 mg/kg) की स्वीकार्य सीमा से अधिक था, जो Różański et al द्वारा रिपोर्ट की गई थी। इसके अलावा, ब्रेटज़ेल और Calderisi61 ने वर्तमान अध्ययन की तुलना में टस्कनी में शहरी मिट्टी में बहुत कम माध्य Ni सांद्रता (1.78 mg/kg) दर्ज की। जिम62 में भी कम निकल सांद्रता (12.34) पाई गई। (मिलीग्राम/किलोग्राम) हांगकांग की शहरी मिट्टी में, जो इस अध्ययन में वर्तमान निकल सांद्रता से कम है। बिर्के एट अल63 ने जर्मनी के सैक्सोनी-एनहाल्ट में एक पुराने खनन और शहरी औद्योगिक क्षेत्र में 17.6 मिलीग्राम/किलोग्राम की औसत नी सांद्रता की सूचना दी, जो क्षेत्र में औसत नी सांद्रता (16.15 मिलीग्राम/किग्रा) से 1.45 मिलीग्राम/किग्रा अधिक थी। वर्तमान शोध। अध्ययन क्षेत्र के कुछ शहरी और उपनगरीय क्षेत्रों में मिट्टी में अत्यधिक निकल सामग्री हो सकती है। मुख्य रूप से लौह और इस्पात उद्योग और धातु उद्योग को जिम्मेदार ठहराया जा सकता है। यह खोदादौस्ट एट अल के अध्ययन के अनुरूप है।64 यह कि स्टील उद्योग और धातु मिट्टी में निकेल संदूषण के मुख्य स्रोत हैं। फिर भी, भविष्यवक्ताओं ने सीए के लिए 538.70 मिलीग्राम/किग्रा से 69,161.80 मिलीग्राम/किग्रा, 497.51 मिलीग्राम/किग्रा से 3535.68 मिलीग्राम/किग्रा से 3535.68 मिलीग्राम/किग्रा और 685.68 मिलीग्राम/किग्रा से 3535.68 मिलीग्राम/किग्रा/किलोग्राम और 685.68 मिलीग्राम/किलोग्राम तक का Ljevic et al।65 ने मध्य सर्बिया में मिट्टी की कुल Mg और K सामग्री की जांच की। उन्होंने पाया कि कुल सांद्रता (क्रमशः 410 mg/kg और 400 mg/kg) वर्तमान अध्ययन के Mg और K सांद्रता से कम थी। पूर्वी पोलैंड में, ऑर्ज़ेचोव्स्की और स्मोल्ज़िंस्की66 ने Ca, Mg और K की कुल सामग्री का आकलन किया और Ca (1100 mg/kg), Mg (590 mg/kg) और K की औसत सांद्रता दिखाई। (810 मिलीग्राम/किग्रा) ऊपरी मिट्टी में सामग्री इस अध्ययन में एकल तत्व से कम है। पोंग्रैक एट अल द्वारा एक हालिया अध्ययन।67 से पता चला कि स्कॉटलैंड, यूके में 3 अलग-अलग मिट्टी (माइलनेफील्ड मिट्टी, बालरुडेरी मिट्टी और हार्टवुड मिट्टी) में विश्लेषण की गई कुल सीए सामग्री ने इस अध्ययन में उच्च सीए सामग्री का संकेत दिया।
नमूना किए गए तत्वों की अलग-अलग मापी गई सांद्रता के कारण, तत्वों का डेटा सेट वितरण अलग-अलग विषमता प्रदर्शित करता है। तत्वों की विषमता और कर्टोसिस क्रमशः 1.53 से 7.24 और 2.49 से 54.16 तक होती है। सभी गणना किए गए तत्वों में तिरछापन और कर्टोसिस स्तर +1 से ऊपर है, इस प्रकार यह संकेत मिलता है कि डेटा वितरण अनियमित है, सही दिशा में तिरछा है और चरम पर है। तत्वों के अनुमानित सीवी यह भी दिखाते हैं कि K , एमजी, और नी मध्यम परिवर्तनशीलता प्रदर्शित करते हैं, जबकि सीए में अत्यधिक उच्च परिवर्तनशीलता होती है। के, नी और एमजी के सीवी उनके समान वितरण की व्याख्या करते हैं। इसके अलावा, सीए वितरण गैर-समान है और बाहरी स्रोत इसके संवर्धन स्तर को प्रभावित कर सकते हैं।
प्रतिक्रिया तत्वों के साथ भविष्यवक्ता चर के सहसंबंध ने तत्वों के बीच एक संतोषजनक सहसंबंध का संकेत दिया (चित्रा 3 देखें)। सहसंबंध ने संकेत दिया कि सीएके ने आर मान = 0.53 के साथ मध्यम सहसंबंध प्रदर्शित किया, जैसा कि सीएएनआई ने किया था। हालांकि सीए और के एक दूसरे के साथ मामूली संबंध दिखाते हैं, किंग्स्टन एट अल जैसे शोधकर्ता।68 और सैंटो69 सुझाव देते हैं कि मिट्टी में उनका स्तर व्युत्क्रमानुपाती है। हालाँकि, Ca और Mg K के विरोधी हैं, लेकिन CaK अच्छी तरह से सहसंबंधित है। यह पोटेशियम कार्बोनेट जैसे उर्वरकों के अनुप्रयोग के कारण हो सकता है, जो पोटेशियम में 56% अधिक है। पोटेशियम को मैग्नीशियम (KM r = 0.63) के साथ मध्यम रूप से सहसंबद्ध किया गया था। उर्वरक उद्योग में, ये दो तत्व निकटता से संबंधित हैं क्योंकि पोटेशियम मैग्नीशियम सल्फेट, पोटेशियम मैग्नीशियम नाइट्रेट और पोटाश को लागू किया जाता है। निकेल को सीए, के और एमजी के साथ क्रमशः आर मान = 0.52, 0.63 और 0.55 के साथ मामूली रूप से सहसंबद्ध किया जाता है। कैल्शियम, मैग्नीशियम और निकेल जैसे पीटीई से जुड़े संबंध जटिल हैं, लेकिन फिर भी, मैग्नीशियम कैल्शियम अवशोषण को रोकता है, कैल्शियम अतिरिक्त मैग्नीशियम के प्रभाव को कम करता है, और मैग्नीशियम और कैल्शियम दोनों मिट्टी में निकल के विषाक्त प्रभाव को कम करते हैं।
भविष्यवक्ताओं और प्रतिक्रियाओं के बीच संबंध दिखाने वाले तत्वों के लिए सहसंबंध मैट्रिक्स (नोट: इस आंकड़े में तत्वों के बीच एक स्कैटरप्लॉट शामिल है, महत्व स्तर पी <0,001 पर आधारित हैं)।
चित्र 4 तत्वों के स्थानिक वितरण को दर्शाता है। बर्गोस एट अल 70 के अनुसार, स्थानिक वितरण का अनुप्रयोग प्रदूषित क्षेत्रों में गर्म स्थानों को मापने और उजागर करने के लिए उपयोग की जाने वाली एक तकनीक है। चित्र 4 में सीए के संवर्धन स्तर को स्थानिक वितरण मानचित्र के उत्तर-पश्चिमी भाग में देखा जा सकता है। यह आंकड़ा मध्यम से उच्च सीए संवर्धन हॉटस्पॉट को दर्शाता है। मानचित्र के उत्तर-पश्चिम में कैल्शियम संवर्धन मिट्टी की अम्लता को कम करने के लिए क्विकलाइम (कैल्शियम ऑक्साइड) के उपयोग के कारण होने की संभावना है। स्टील बनाने की प्रक्रिया में क्षारीय ऑक्सीजन के रूप में स्टील मिलों में इसका उपयोग होता है। दूसरी ओर, अन्य किसान पीएच को बेअसर करने के लिए अम्लीय मिट्टी में कैल्शियम हाइड्रॉक्साइड का उपयोग करना पसंद करते हैं, जिससे मिट्टी में कैल्शियम की मात्रा भी बढ़ जाती है। पोटेशियम मानचित्र के उत्तर-पश्चिम और पूर्व में गर्म स्थान भी दिखाता है। उत्तर-पश्चिम एक प्रमुख कृषि समुदाय है, और पोटेशियम का मध्यम से उच्च पैटर्न एनपीके और पोटाश अनुप्रयोगों के कारण हो सकता है। यह अन्य अध्ययनों के अनुरूप है, जैसे कि मदारस और लिपावस्की72, मैड एरास एट अल.73, पुल्क्राबोवा एट अल.74, असारे एट अल.75, जिन्होंने देखा कि केसीएल और एनपीके के साथ मिट्टी के स्थिरीकरण और उपचार के परिणामस्वरूप मिट्टी में उच्च के सामग्री हुई।वितरण मानचित्र के उत्तर-पश्चिम में स्थानिक पोटेशियम संवर्धन खराब मिट्टी में पोटेशियम सामग्री को बढ़ाने के लिए पोटेशियम आधारित उर्वरकों जैसे पोटेशियम क्लोराइड, पोटेशियम सल्फेट, पोटेशियम नाइट्रेट, पोटाश और पोटाश के उपयोग के कारण हो सकता है। ज़ादोरोवा एट अल।76 और ट्लुस्टोश एट अल।77 में रेखांकित किया गया है कि K- आधारित उर्वरकों के अनुप्रयोग से मिट्टी में K की मात्रा बढ़ गई है और लंबे समय में मिट्टी के पोषक तत्वों की मात्रा में काफी वृद्धि होगी, विशेष रूप से K और Mg मिट्टी में एक गर्म स्थान दिखाते हैं। सल्फेट और कीसेराइट, सामान्य पीएच रेंज वाली मिट्टी में कमियों (पौधों का बैंगनी, लाल या भूरा दिखाई देना, जो मैग्नीशियम की कमी का संकेत है) का इलाज करते हैं। शहरी और उप-शहरी मिट्टी की सतहों पर निकल का संचय कृषि जैसी मानवजनित गतिविधियों और स्टेनलेस स्टील उत्पादन में निकल के महत्व के कारण हो सकता है78।
तत्वों का स्थानिक वितरण [आर्कजीआईएस डेस्कटॉप (ईएसआरआई, इंक, संस्करण 10.7, यूआरएल: https://desktop.arcgis.com) का उपयोग करके स्थानिक वितरण मानचित्र बनाया गया था।]
इस अध्ययन में उपयोग किए गए तत्वों के लिए मॉडल प्रदर्शन सूचकांक परिणाम तालिका 2 में दिखाए गए हैं। दूसरी ओर, Ni के RMSE और MAE दोनों शून्य (0.86 RMSE, -0.08 MAE) के करीब हैं। भविष्यवाणी करें कि नी को जॉन एट अल के परिणामों से बेहतर पाया गया।54 उसी एकत्रित डेटा का उपयोग करके मिट्टी में एस सांद्रता की भविष्यवाणी करने के लिए सहक्रियात्मक सिंचाई का उपयोग करना। हमने जिस ईबीके आउटपुट का अध्ययन किया, वह फैबिजाज़िक एट अल के साथ सहसंबंधित है।41, यान एट अल.79, बेगुइन एट अल।80, अधिकारी एवं अन्य।81 और जॉन एट अल।82, विशेषकर के और नी।
शहरी और पेरी-शहरी मिट्टी में निकल सामग्री की भविष्यवाणी के लिए व्यक्तिगत तरीकों के प्रदर्शन का मूल्यांकन मॉडल (तालिका 3) के प्रदर्शन का उपयोग करके किया गया था। मॉडल सत्यापन और सटीकता मूल्यांकन ने पुष्टि की कि ईबीके एसवीएमआर मॉडल के साथ संयुक्त Ca_Mg_K भविष्यवक्ता ने सबसे अच्छा प्रदर्शन दिया। अंशांकन मॉडल Ca_Mg_K-EBK_SVMR मॉडल R2, मूल माध्य वर्ग त्रुटि (RMSE) और माध्य निरपेक्ष त्रुटि (MAE) 0.637 (R2), 9 थे 5.479 मिलीग्राम/किग्रा (आरएमएसई) और 77.368 मिलीग्राम/किग्रा (एमएई) सीए_एमजी_के-एसवीएमआर 0.663 (आर2), 235.974 मिलीग्राम/किग्रा (आरएमएसई) और 166.946 मिलीग्राम/किग्रा (एमएई) था। फिर भी, सीए_एमजी_के-एसवीएमआर (0.663 मिलीग्राम/किलो आर2) और सीए_एमजी-ईबीके के लिए अच्छे आर2 मान प्राप्त हुए। _एसवीएमआर (0.643 = आर2);उनके RMSE और MAE परिणाम Ca_Mg_K-EBK_SVMR (R2 0.637) (तालिका 3 देखें) से अधिक थे। इसके अलावा, Ca_Mg-EBK_SVMR (RMSE = 1664.64 और MAE = 1031.49) मॉडल के RMSE और MAE क्रमशः 17.5 और 13.4 हैं, जो Ca_Mg_K-EBK से बड़े हैं। _SVMR.इसी तरह, Ca_Mg-K SVMR (RMSE = 235.974 और MAE = 166.946) मॉडल के RMSE और MAE क्रमशः Ca_Mg_K-EBK_SVMR RMSE और MAE की तुलना में 2.5 और 2.2 बड़े हैं। गणना किए गए RMSE परिणाम दर्शाते हैं कि डेटा सेट सर्वोत्तम फिट की रेखा के साथ कितना केंद्रित है। उच्च RSME और MAE देखे गए। एसी केबोनी एट अल के अनुसार।46 और जॉन एट अल.54, आरएमएसई और एमएई शून्य के जितना करीब होंगे, परिणाम उतने ही बेहतर होंगे। एसवीएमआर और ईबीके_एसवीएमआर में उच्च परिमाणित आरएसएमई और एमएई मूल्य हैं। यह देखा गया कि आरएसएमई अनुमान लगातार एमएई मूल्यों से अधिक थे, जो आउटलेर्स की उपस्थिति को दर्शाता है। लेगेट्स और मैककेबे83 के अनुसार, आरएमएसई औसत निरपेक्ष त्रुटि (एमएई) से अधिक होने की सीमा को आउटलेर्स की उपस्थिति के संकेतक के रूप में अनुशंसित किया जाता है। इसका मतलब है कि अधिक विषम डेटासेट जितना अधिक होगा, MAE और RMSE मान उतने ही अधिक होंगे। शहरी और उपनगरीय मिट्टी में Ni सामग्री की भविष्यवाणी के लिए Ca_Mg_K-EBK_SVMR मिश्रित मॉडल के क्रॉस-सत्यापन मूल्यांकन की सटीकता 63.70% थी। ली एट अल के अनुसार।59, सटीकता का यह स्तर एक स्वीकार्य मॉडल प्रदर्शन दर है। वर्तमान परिणामों की तुलना तारासोव एट अल द्वारा पिछले अध्ययन से की गई है।36 जिसके हाइब्रिड मॉडल ने एमएलपीआरके (मल्टीलेयर परसेप्ट्रॉन रेजिडुअल क्रिगिंग) बनाया, जो वर्तमान अध्ययन में रिपोर्ट किए गए ईबीके_एसवीएमआर सटीकता मूल्यांकन सूचकांक से संबंधित है, आरएमएसई (210) और एमएई (167.5) वर्तमान अध्ययन में हमारे परिणामों से अधिक था (आरएमएसई 95.479, एमएई 77.368)। हालांकि, जब वर्तमान अध्ययन के आर2 (0.637) की तुलना तारासोव एट अल से की जाती है।36 (0.544), यह स्पष्ट है कि इस मिश्रित मॉडल में निर्धारण का गुणांक (आर2) अधिक है। मिश्रित मॉडल के लिए त्रुटि का मार्जिन (आरएमएसई और एमएई) (ईबीके एसवीएमआर) दो गुना कम है। इसी तरह, सर्गेव एट अल.34 ने विकसित हाइब्रिड मॉडल (मल्टीलेयर परसेप्ट्रॉन अवशिष्ट क्रिगिंग) के लिए 0.28 (आर2) दर्ज किया, जबकि वर्तमान अध्ययन में नी 0.637 (आर2) दर्ज किया गया। इस मॉडल का भविष्यवाणी सटीकता स्तर ( ईबीके एसवीएमआर) 63.7% है, जबकि सर्गेव एट अल द्वारा प्राप्त भविष्यवाणी सटीकता।34 28% है। EBK_SVMR मॉडल और Ca_Mg_K को एक भविष्यवक्ता के रूप में उपयोग करके बनाया गया अंतिम मानचित्र (चित्र 5) पूरे अध्ययन क्षेत्र में गर्म स्थानों और मध्यम से निकल की भविष्यवाणी दिखाता है। इसका मतलब है कि अध्ययन क्षेत्र में निकल की सांद्रता मुख्य रूप से मध्यम है, कुछ विशिष्ट क्षेत्रों में उच्च सांद्रता के साथ।
अंतिम भविष्यवाणी मानचित्र को हाइब्रिड मॉडल EBK_SVMR और भविष्यवक्ता के रूप में Ca_Mg_K का उपयोग करके दर्शाया गया है। [स्थानिक वितरण मानचित्र RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) का उपयोग करके बनाया गया था।]
चित्र 6 में पीटीई सांद्रता को व्यक्तिगत न्यूरॉन्स से युक्त एक संरचना विमान के रूप में प्रस्तुत किया गया है। किसी भी घटक विमान ने दिखाए गए समान रंग पैटर्न का प्रदर्शन नहीं किया है। हालांकि, प्रति खींचे गए मानचित्र पर न्यूरॉन्स की उचित संख्या 55 है। एसईओएम विभिन्न प्रकार के रंगों का उपयोग करके उत्पादित किया जाता है, और रंग पैटर्न जितना अधिक समान होगा, नमूनों के गुण उतने ही तुलनीय होंगे। उनके सटीक रंग पैमाने के अनुसार, व्यक्तिगत तत्वों (सीए, के, और एमजी) ने एकल उच्च न्यूरॉन्स और सबसे कम न्यूरॉन्स के समान रंग पैटर्न दिखाए। इस प्रकार, सीए K और CaMg बहुत उच्च-क्रम वाले न्यूरॉन्स और निम्न-से-मध्यम रंग पैटर्न के साथ कुछ समानताएं साझा करते हैं। दोनों मॉडल लाल, नारंगी और पीले जैसे मध्यम से उच्च रंग के रंगों को प्रदर्शित करके मिट्टी में Ni की एकाग्रता की भविष्यवाणी करते हैं। KMg मॉडल सटीक अनुपात और निम्न से मध्यम रंग पैच के आधार पर कई उच्च रंग पैटर्न प्रदर्शित करता है। निम्न से उच्च तक सटीक रंग पैमाने पर, मॉडल के घटकों के समतल वितरण पैटर्न ने एक उच्च रंग पैटर्न दिखाया जो मिट्टी में निकल की संभावित एकाग्रता को दर्शाता है (चित्र 4 देखें)। CakMg मॉडल घटक विमान एक सटीक रंग पैमाने के अनुसार निम्न से उच्च तक एक विविध रंग पैटर्न दिखाता है। इसके अलावा, मॉडल की निकल सामग्री (CakMg) की भविष्यवाणी चित्र 5 में दिखाए गए निकल के स्थानिक वितरण के समान है। दोनों ग्राफ़ शहरी और पेरी-शहरी मिट्टी में निकल सांद्रता के उच्च, मध्यम और निम्न अनुपात दिखाते हैं। चित्र 7 मानचित्र पर k-मीन्स समूह में समोच्च विधि को दर्शाता है, जो अनुमानित मूल्य के आधार पर तीन समूहों में विभाजित है। प्रत्येक मॉडल। समोच्च विधि समूहों की इष्टतम संख्या का प्रतिनिधित्व करती है। एकत्र किए गए 115 मिट्टी के नमूनों में से, श्रेणी 1 ने सबसे अधिक मिट्टी के नमूने प्राप्त किए, 74। क्लस्टर 2 को 33 नमूने प्राप्त हुए, जबकि क्लस्टर 3 को 8 नमूने प्राप्त हुए। सही क्लस्टर व्याख्या की अनुमति देने के लिए सात-घटक प्लानर भविष्यवक्ता संयोजन को सरल बनाया गया था। मिट्टी के निर्माण को प्रभावित करने वाली कई मानवजनित और प्राकृतिक प्रक्रियाओं के कारण, वितरित एसईओएम मानचित्र78 में क्लस्टर पैटर्न को उचित रूप से विभेदित करना मुश्किल है।
प्रत्येक अनुभवजन्य बायेसियन क्रिगिंग सपोर्ट वेक्टर मशीन (EBK_SVM_SeOM) चर द्वारा घटक विमान आउटपुट। [SeOM मानचित्र RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) का उपयोग करके बनाए गए थे।]
विभिन्न क्लस्टर वर्गीकरण घटक [SeOM मानचित्र RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) का उपयोग करके बनाए गए थे।]
वर्तमान अध्ययन स्पष्ट रूप से शहरी और पेरी-शहरी मिट्टी में निकल सांद्रता के लिए मॉडलिंग तकनीकों को दर्शाता है। मिट्टी में निकल सांद्रता की भविष्यवाणी करने का सबसे अच्छा तरीका प्राप्त करने के लिए, अध्ययन ने विभिन्न मॉडलिंग तकनीकों का परीक्षण किया, मॉडलिंग तकनीकों के साथ तत्वों का संयोजन किया। मॉडलिंग तकनीक की एसईओएम संरचना संबंधी समतल स्थानिक विशेषताओं ने एक सटीक रंग पैमाने पर निम्न से उच्च तक एक उच्च रंग पैटर्न प्रदर्शित किया, जो मिट्टी में नी सांद्रता को दर्शाता है। हालांकि, स्थानिक वितरण मानचित्र प्रदर्शित घटकों के समतल स्थानिक वितरण की पुष्टि करता है। EBK_SVMR (चित्र 5 देखें)। परिणाम दिखाते हैं कि सपोर्ट वेक्टर मशीन रिग्रेशन मॉडल (Ca Mg K-SVMR) एकल मॉडल के रूप में मिट्टी में Ni की सांद्रता की भविष्यवाणी करता है, लेकिन सत्यापन और सटीकता मूल्यांकन पैरामीटर RMSE और MAE के संदर्भ में बहुत अधिक त्रुटियां दिखाते हैं। दूसरी ओर, निर्धारण के गुणांक (R2) के कम मूल्य के कारण EBK_MLR मॉडल के साथ नियोजित मॉडलिंग तकनीक भी त्रुटिपूर्ण है। EBK SVMR और संयुक्त तत्वों का उपयोग करके अच्छे परिणाम प्राप्त किए गए थे। (CaKMg) 63.7% की सटीकता के साथ कम RMSE और MAE त्रुटियों के साथ। यह पता चला है कि ईबीके एल्गोरिदम को मशीन लर्निंग एल्गोरिदम के साथ संयोजित करने से एक हाइब्रिड एल्गोरिदम उत्पन्न हो सकता है जो मिट्टी में पीटीई की एकाग्रता की भविष्यवाणी कर सकता है। परिणाम बताते हैं कि अध्ययन क्षेत्र में नी सांद्रता की भविष्यवाणी करने के लिए भविष्यवक्ताओं के रूप में सीए एमजी के का उपयोग करने से मिट्टी में नी की भविष्यवाणी में सुधार हो सकता है। इसका मतलब है कि स्टील उद्योग द्वारा निकल-आधारित उर्वरकों और मिट्टी के औद्योगिक प्रदूषण के निरंतर उपयोग से निकल की एकाग्रता में वृद्धि की प्रवृत्ति होती है। मिट्टी में। इस अध्ययन से पता चला कि ईबीके मॉडल त्रुटि के स्तर को कम कर सकता है और शहरी या उपनगरीय मिट्टी में मिट्टी के स्थानिक वितरण के मॉडल की सटीकता में सुधार कर सकता है। सामान्य तौर पर, हम मिट्टी में पीटीई का आकलन और भविष्यवाणी करने के लिए ईबीके-एसवीएमआर मॉडल लागू करने का प्रस्ताव करते हैं;इसके अलावा, हम विभिन्न मशीन लर्निंग एल्गोरिदम के साथ संकरण करने के लिए ईबीके का उपयोग करने का प्रस्ताव करते हैं। तत्वों को सहसंयोजक के रूप में उपयोग करके नी सांद्रता की भविष्यवाणी की गई थी;हालाँकि, अधिक सहसंयोजकों का उपयोग करने से मॉडल के प्रदर्शन में काफी सुधार होगा, जिसे वर्तमान कार्य की एक सीमा माना जा सकता है। इस अध्ययन की एक और सीमा यह है कि डेटासेट की संख्या 115 है। इसलिए, यदि अधिक डेटा प्रदान किया जाता है, तो प्रस्तावित अनुकूलित संकरण विधि के प्रदर्शन में सुधार किया जा सकता है।
प्लांटप्रोब्स.नेट.पौधों और मिट्टी में निकेल https://प्लांटप्रोब्स.नेट/प्लांट/न्यूट्रिएंटइंबलेंस/सोडियम.html (28 अप्रैल 2021 को एक्सेस किया गया)।
कास्प्रज़क, केएस निकेल आधुनिक पर्यावरण विष विज्ञान में प्रगति करते हैं। परिवेश.विष विज्ञान.11, 145-183 (1987)।
सेम्पेल, एम. और निकेल, जी. निकेल: इसके स्रोतों और पर्यावरणीय विष विज्ञान की समीक्षा। पोलिश जे. पर्यावरण। अध्ययन.15, 375-382 (2006)।
फ्रीडमैन, बी. और हचिंसन, टीसी सुडबरी, ओन्टारियो, कनाडा में निकेल-कॉपर स्मेल्टर के पास वायुमंडल और मिट्टी और वनस्पति में संचय से प्रदूषक इनपुट। can.J.बॉट.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
मनिइवा, टी. एट अल। बोत्सवाना में सेलेबी-फिकवे तांबे-निकल खदान के पास मिट्टी, पौधों और जुगाली करने वालों के चरने से जुड़े जोखिम। https://doi.org/10.1007/s10653-021-00918-x (2021)।
Cabata-Pendias.Kabata-Pendias A. 2011. मिट्टी में ट्रेस तत्व और… - Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and+planes.+4th+ed.+New+York+%28NY% 29%3ए+सीआरसी+प्रेस&बीटीएनजी= (24 नवंबर 2020 को एक्सेस किया गया)।
अल्मास, ए., सिंह, बी., कृषि, टीएस-एनजे और 1995, अपरिभाषित। सोएर-वरांगेर, नॉर्वे में कृषि मिट्टी और घास में भारी धातु सांद्रता पर रूसी निकल उद्योग के प्रभाव।agris.fao.org।
नीलसन, जीडी एट अल। पीने के पानी में निकल अवशोषण और अवधारण भोजन के सेवन और निकल संवेदनशीलता से संबंधित है। टॉक्सिकोलॉजी.एप्लिकेशन। फार्माकोडायनामिक्स.154, 67-75 (1999)।
कोस्टा, एम. और क्लेन, सीबी निकेल कार्सिनोजेनेसिस, उत्परिवर्तन, एपिजेनेटिक्स या चयन.सराउंडिंग्स.हेल्थ पर्सपेक्टिव.107, 2 (1999)।
अजमान, पीसी;अजादो, एसके;बोरोव्का, एल.;बिनी, जेकेएम;सरकोडी, वीवाईओ;कोबोनी, एनएम;संभावित विषाक्त तत्वों का रुझान विश्लेषण: एक ग्रंथ सूची समीक्षा। पर्यावरण भू-रसायन और स्वास्थ्य। स्प्रिंगर विज्ञान और बिजनेस मीडिया बीवी 2020। https://doi.org/10.1007/s10653-020-00742-9।
मिनस्नी, बी. और मैकब्रैटनी, एबी डिजिटल मृदा मानचित्रण: एक संक्षिप्त इतिहास और कुछ पाठ। जिओडर्मा 264, 301-311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)।
मैकब्रैटनी, एबी, मेंडोंका सैंटोस, एमएल और मिनसनी, बी. डिजिटल मृदा मानचित्रण पर। जियोडर्मा 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)।
Deutsch.CV भू-सांख्यिकीय जलाशय मॉडलिंग,… - Google विद्वान 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= (एक्सेस संस्करण 28 अप्रैल 2021)।