សូមអរគុណសម្រាប់ការចូលមើល Nature.com.កំណែកម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលអ្នកកំពុងប្រើមានកម្រិតគាំទ្រសម្រាប់ CSS។ សម្រាប់បទពិសោធន៍ដ៏ល្អបំផុត យើងសូមណែនាំឱ្យអ្នកប្រើកម្មវិធីរុករកតាមអ៊ីនធឺណិតដែលបានអាប់ដេត (ឬបិទមុខងារដែលត្រូវគ្នានៅក្នុង Internet Explorer)។ ក្នុងពេលជាមួយគ្នានេះ ដើម្បីធានាបាននូវការគាំទ្របន្ត យើងនឹងបង្ហាញគេហទំព័រដោយគ្មានរចនាប័ទ្ម និង JavaScript ។
ការបំពុលដីគឺជាបញ្ហាដ៏ធំមួយដែលបង្កឡើងដោយសកម្មភាពរបស់មនុស្ស។ ការចែកចាយតាមលំហនៃធាតុពុល (PTEs) មានភាពខុសប្លែកគ្នានៅក្នុងតំបន់ទីក្រុង និងតំបន់ជុំវិញទីក្រុងភាគច្រើន។ ដូច្នេះហើយ វាពិបាកក្នុងការទស្សន៍ទាយមាតិកានៃ PTEs នៅក្នុងដីបែបនេះ។ សរុបចំនួន 115 សំណាកត្រូវបានទទួលពី Frydek Mistek នៅសាធារណរដ្ឋឆេក (Czech Republic) ប៉ូតាស្យូម (KCalci) សារធាតុប៉ូតាស្យូម (KCalci) ។ បានកំណត់ដោយប្រើវិសាលគមការបំភាយប្លាស្មាដែលភ្ជាប់គ្នាដោយ inductively ។ អថេរឆ្លើយតបគឺ Ni និងអ្នកព្យាករណ៍គឺ Ca, Mg និង K. ម៉ាទ្រីសទំនាក់ទំនងរវាងអថេរឆ្លើយតប និងអថេរទស្សន៍ទាយបង្ហាញពីការជាប់ទាក់ទងគ្នាដ៏គួរឱ្យពេញចិត្តរវាងធាតុ។ លទ្ធផលទស្សន៍ទាយបង្ហាញថា Support Vector Machine Regression (SVMR) (SVMR) 4 (SVMR) ដំណើរការល្អ mg/kg) និងមធ្យមភាគកំហុសដាច់ខាត (MAE) (166.946 mg/kg) គឺខ្ពស់ជាងវិធីសាស្រ្តផ្សេងទៀតដែលបានអនុវត្ត។ គំរូចម្រុះសម្រាប់ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ដំណើរការមិនល្អដូចដែលបានបង្ហាញដោយមេគុណនៃការកំណត់តិចជាង 0.1.The Empirical model-SV. គំរូល្អបំផុត ជាមួយនឹងតម្លៃ RMSE ទាប (95.479 mg/kg) និង MAE (77.368 mg/kg) និងមេគុណខ្ពស់នៃការកំណត់ (R2 = 0.637) លទ្ធផលបច្ចេកទេសនៃគំរូ EBK-SVMR ត្រូវបានគេមើលឃើញដោយប្រើផែនទីដែលរៀបចំដោយខ្លួនឯង។ សរសៃប្រសាទចង្កោមនៅក្នុងយន្តហោះនៃគំរូចម្រុះពណ៌ MEB គំរូ MREB កំហាប់ និង CEB ដីតំបន់ជុំវិញទីក្រុង។លទ្ធផលបង្ហាញថាការបញ្ចូលគ្នារវាង EBK និង SVMR គឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពមួយសម្រាប់ព្យាករណ៍កំហាប់ Ni នៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។
នីកែល (Ni) ត្រូវបានគេចាត់ទុកថាជាមីក្រូសារជាតិសម្រាប់រុក្ខជាតិ ព្រោះវារួមចំណែកដល់ការបំប្លែងអាសូតបរិយាកាស (N) និងការបំប្លែងសារជាតិអ៊ុយ ដែលសារធាតុទាំងពីរនេះត្រូវការសម្រាប់ដំណុះគ្រាប់ពូជ។ បន្ថែមពីលើការរួមចំណែករបស់វាចំពោះដំណុះគ្រាប់ពូជ Ni អាចដើរតួជាអ្នកទប់ស្កាត់ផ្សិត និងបាក់តេរី និងជំរុញការអភិវឌ្ឍរុក្ខជាតិ។ កង្វះជាតិនីកែលនៅក្នុងដីអនុញ្ញាតឱ្យរុក្ខជាតិស្រូបយកសារធាតុ chlorosis និងជាលទ្ធផលនៃស្លឹកបៃតង។ ជីដែលមានមូលដ្ឋានដើម្បីបង្កើនប្រសិទ្ធភាពជួសជុលអាសូត2.ការបន្តប្រើជីដែលមានមូលដ្ឋានលើនីកែលដើម្បីពង្រឹងដី និងបង្កើនសមត្ថភាពរបស់ស្មៅក្នុងការជួសជុលអាសូតក្នុងដី បន្តបង្កើនកំហាប់នីកែលនៅក្នុងដី។ ទោះបីនីកែលជាមីក្រូសារជាតិសម្រាប់រុក្ខជាតិក៏ដោយ ការទទួលទានច្រើនពេកនៅក្នុងដីអាចបង្កគ្រោះថ្នាក់ច្រើនជាងផលល្អ។ ការពុលនីកែលក្នុងដីមានការកើនឡើងនូវជាតិដែក 1H ។ យោងតាមលោក Liu3 Ni ត្រូវបានគេរកឃើញថាជាធាតុសំខាន់ទី 17 ដែលត្រូវការសម្រាប់ការអភិវឌ្ឍន៍ និងការលូតលាស់របស់រុក្ខជាតិ។ បន្ថែមពីលើតួនាទីរបស់នីកែលក្នុងការអភិវឌ្ឍន៍ និងការលូតលាស់របស់រុក្ខជាតិ មនុស្សត្រូវការវាសម្រាប់កម្មវិធីផ្សេងៗ។ ការផ្សាំអគ្គិសនី ការផលិតយ៉ាន់ស្ព័រដែលមានមូលដ្ឋានលើនីកែល និងការផលិតឧបករណ៍បញ្ឆេះ និងផ្កាភ្លើងនៅក្នុងឧស្សាហកម្មរថយន្ត សុទ្ធតែត្រូវការការប្រើប្រាស់សារធាតុនីកែលក្នុងវិស័យឧស្សាហកម្មផ្សេងៗ។ ប្រើក្នុងផ្ទះបាយ គ្រឿងក្នុងសាល ការផ្គត់ផ្គង់ឧស្សាហកម្មម្ហូបអាហារ អគ្គិសនី ខ្សែ និងខ្សែ ទួរប៊ីនយន្តហោះ ការដាក់បញ្ចូលក្នុងការវះកាត់ វាយនភ័ណ្ឌ និងការសាងសង់កប៉ាល់ 5.Ni-សម្បូរនៅក្នុងដី (មានន័យថា ដីលើផ្ទៃ) ត្រូវបានគេសន្មតថាជាប្រភព anthropogenic និងធម្មជាតិ ប៉ុន្តែជាចម្បង Ni គឺជាប្រភពធម្មជាតិជាជាង 6, anthropaturation, ព្រៃឈើ។ អគ្គីភ័យ និងដំណើរការភូមិសាស្ត្រ;ទោះបីជាយ៉ាងណាក៏ដោយ ប្រភព anthropogenic រួមមាន ថ្មនីកែល/កាដមីញ៉ូម នៅក្នុងឧស្សាហកម្មដែក អេឡិចត្រូត ការផ្សារធ្នូ ប្រេងម៉ាស៊ូត និងប្រេងឥន្ធនៈ និងការបំភាយបរិយាកាសពីការដុតធ្យូងថ្ម និងកាកសំណល់ និងការដុតសំណល់ និងសំណល់នីកែល accumulation7,8.យោងទៅតាម Freedman and Hutchinson9 and Manyiwa10, ប្រភពចម្បងនៃការបំពុលដីនៅលើដីនៅក្នុងបរិយាកាសភ្លាមៗ និងនៅជាប់គ្នាគឺភាគច្រើនជារោងចក្រចម្រាញ់ និងរ៉ែដែលមានមូលដ្ឋានលើនីកែល-ទង់ដែង។ ដីកំពូលនៅជុំវិញរោងចក្រចម្រាញ់នីកែល-ទង់ដែង Sudbury នៅក្នុងប្រទេសកាណាដា មានកម្រិតខ្ពស់បំផុតនៃការបំពុលនីកែលនៅកម្រិត 26,000 mg/kg 11។ ផ្ទុយពីលទ្ធផលនៃការបំពុលដោយ nickel នៅក្នុងប្រទេសរុស្ស៊ី។ ដី 11.យោងតាមអាលម et al ។12 បរិមាណនីកែលដែលអាចស្រង់ចេញបាន HNO3 នៅក្នុងដីដាំដុះកំពូលក្នុងតំបន់ (ផលិតកម្មនីកែលក្នុងប្រទេសរុស្ស៊ី) មានចាប់ពី 6.25 ដល់ 136.88 mg/kg ដែលត្រូវនឹងមធ្យម 30.43 mg/kg និងកំហាប់មូលដ្ឋាននៃ 25 mg/kg។ បើយោងតាមដីកសិកម្ម ជីកាតាតារ 11 ក្នុងដីកសិកម្មមួយ s ក្នុងអំឡុងពេលរដូវដាំដុះបន្តបន្ទាប់គ្នាអាចជ្រាបចូល ឬបំពុលដី។ ផលប៉ះពាល់សក្តានុពលនៃនីកែលក្នុងមនុស្សអាចនាំឱ្យកើតមហារីកតាមរយៈការផ្លាស់ប្តូរកោសិកា ការបំផ្លាញក្រូម៉ូសូម ការបង្កើត Z-DNA ការជួសជុល DNA ដែលត្រូវបានរារាំង ឬដំណើរការ epigenetic 13. នៅក្នុងការពិសោធន៍សត្វ នីកែលត្រូវបានគេរកឃើញថាមានសក្តានុពលក្នុងការបង្កជាដុំសាច់ជាច្រើនប្រភេទ។
ការវាយតម្លៃលើការបំពុលដីមានការរីកចម្រើនក្នុងរយៈពេលថ្មីៗនេះ ដោយសារបញ្ហាសុខភាពជាច្រើនដែលកើតឡើងពីទំនាក់ទំនងដី និងរុក្ខជាតិ ទំនាក់ទំនងជីវសាស្រ្តនៃដី និងដី ការរិចរិលនៃអេកូឡូស៊ី និងការវាយតម្លៃផលប៉ះពាល់បរិស្ថាន។ មកដល់បច្ចុប្បន្ន ការព្យាករណ៍លំហនៃធាតុពុលដែលមានសក្តានុពល (PTEs) ដូចជា Ni នៅក្នុងដីមានភាពហត់នឿយ និងប្រើប្រាស់ពេលវេលាច្រើន ដោយប្រើវិធីសាស្ត្រទស្សន៍ទាយបែបប្រពៃណី និងជោគជ័យរបស់ដី 1 SM ។ ការធ្វើផែនទីដី (PSM) យោងទៅតាម Minasny និង McBratney16 ការធ្វើផែនទីដីដែលព្យាករណ៍ (DSM) បានបង្ហាញថាជាអនុសាខាដ៏លេចធ្លោនៃវិទ្យាសាស្ត្រដី។Lagacherie និង McBratney, 2006 កំណត់ DSM ជា "ការបង្កើត និងការបំពេញប្រព័ន្ធព័ត៌មានដីតាមលំហរតាមរយៈការប្រើប្រាស់នៅក្នុងទីតាំង និងប្រព័ន្ធសង្កេត និងមន្ទីរពិសោធន៍ និងប្រព័ន្ធព័ត៌មានដែលមិនមែនជាBrat។ អាល់17 គូសបញ្ជាក់ថា DSM ឬ PSM សហសម័យគឺជាបច្ចេកទេសដ៏មានប្រសិទ្ធភាពបំផុតសម្រាប់ការទស្សន៍ទាយ ឬគូសផែនទីការបែងចែកទំហំនៃ PTEs ប្រភេទដី និងលក្ខណៈសម្បត្តិរបស់ដី។ Geostatistics and Machine Learning Algorithms (MLA) គឺជាបច្ចេកទេសគំរូ DSM ដែលបង្កើតផែនទីឌីជីថលដោយមានជំនួយពីកុំព្យូទ័រដោយប្រើទិន្នន័យសំខាន់ៗ និងតិចតួចបំផុត។
Deutsch18 និង Olea19 កំណត់ geostatistics ថាជា "ការប្រមូលផ្ដុំនៃបច្ចេកទេសលេខដែលទាក់ទងនឹងការតំណាងនៃគុណលក្ខណៈលំហ ដែលភាគច្រើនប្រើគំរូ stochastic ដូចជារបៀបដែលការវិភាគស៊េរីពេលវេលាកំណត់លក្ខណៈនៃទិន្នន័យបណ្ដោះអាសន្ន។"ជាចម្បង geostatistics ពាក់ព័ន្ធនឹងការវាយតម្លៃនៃ variograms ដែលអនុញ្ញាតឱ្យ Quantify និងកំណត់ភាពអាស្រ័យនៃតម្លៃលំហ ពី dataset20.Gumiaux et al នីមួយៗ។20 បង្ហាញបន្ថែមទៀតថាការវាយតម្លៃនៃ variograms ក្នុង geostatistics គឺផ្អែកលើគោលការណ៍ចំនួន 3 រួមទាំង (a) ការគណនាមាត្រដ្ឋាននៃទំនាក់ទំនងទិន្នន័យ (b) ការកំណត់អត្តសញ្ញាណ និងការគណនា anisotropy ក្នុងភាពខុសគ្នានៃសំណុំទិន្នន័យ និង (c) បន្ថែមពីលើការបន្ថែមទៅលើការគិតគូរពីកំហុសឆ្គងនៃផលប៉ះពាល់នៃការវាស់វែងត្រូវបានបែងចែកពី បច្ចេកទេសមូលដ្ឋាន ទិន្នន័យទាំងនេះផងដែរ។ s ត្រូវបានប្រើនៅក្នុងស្ថិតិភូមិសាស្ត្រ រួមមាន kriging ទូទៅ ការ co-kriging ធម្មតា kriging Bayesian empirical kriging សាមញ្ញ និងបច្ចេកទេស interpolation ល្បីផ្សេងទៀតដើម្បីគូសផែនទី ឬទស្សន៍ទាយ PTE លក្ខណៈដី និងប្រភេទដី។
Machine Learning Algorithms (MLA) គឺជាបច្ចេកទេសថ្មីមួយដែលប្រើថ្នាក់ទិន្នន័យដែលមិនមែនជាលីនេអ៊ែរធំជាង ដែលត្រូវបានជំរុញដោយក្បួនដោះស្រាយដែលត្រូវបានប្រើជាចម្បងសម្រាប់ការជីកយករ៉ែទិន្នន័យ ការកំណត់អត្តសញ្ញាណគំរូក្នុងទិន្នន័យ និងបានអនុវត្តម្តងហើយម្តងទៀតចំពោះការចាត់ថ្នាក់ក្នុងវិស័យវិទ្យាសាស្ត្រ ដូចជាវិទ្យាសាស្ត្រដី និងកិច្ចការត្រឡប់មកវិញ។ ឯកសារស្រាវជ្រាវជាច្រើនពឹងផ្អែកលើគំរូ MLA ដើម្បីទស្សន៍ទាយដូចជា PTE ជាដើម។22 (ព្រៃចៃដន្យសម្រាប់ការប៉ាន់ស្មានលោហៈធ្ងន់នៅក្នុងដីកសិកម្ម), Sakizadeh et al ។23 (ការធ្វើគំរូដោយប្រើម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ និងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត) ការបំពុលដី) លើសពីនេះ Vega et al ។24 (រទេះ​សម្រាប់​យក​គំរូ​តាម​ការ​រក្សា​លោហៈ​ធ្ងន់ និង​ការ​ស្រូប​ចូល​ក្នុង​ដី) Sun et al.25 (កម្មវិធី cubist គឺជាការចែកចាយ Cd នៅក្នុងដី) និងក្បួនដោះស្រាយផ្សេងទៀតដូចជា k-nearest neighbor, generalized boosted regression, and boosted regression Trees ក៏បានអនុវត្ត MLA ដើម្បីទស្សន៍ទាយ PTE នៅក្នុងដីផងដែរ។
ការអនុវត្តក្បួនដោះស្រាយ DSM ក្នុងការទស្សន៍ទាយ ឬការគូសផែនទីប្រឈមមុខនឹងបញ្ហាជាច្រើន។ អ្នកនិពន្ធជាច្រើនជឿថា MLA គឺប្រសើរជាងស្ថិតិភូមិសាស្ត្រ និងផ្ទុយមកវិញ។ ទោះបីជាមួយល្អជាងមួយផ្សេងទៀតក៏ដោយ ការរួមបញ្ចូលគ្នានៃទាំងពីរនេះធ្វើអោយប្រសើរឡើងនូវកម្រិតនៃភាពត្រឹមត្រូវនៃការធ្វើផែនទី ឬការទស្សន៍ទាយនៅក្នុង DSM15.Woodcock និង Gopal26 Finke27;Pontius និង Cheuk28 និង Grunwald29 ធ្វើអត្ថាធិប្បាយលើភាពខ្វះខាត និងកំហុសមួយចំនួនក្នុងការធ្វើផែនទីដីដែលបានព្យាករណ៍។ អ្នកវិទ្យាសាស្ត្រដីបានព្យាយាមបច្ចេកទេសជាច្រើនដើម្បីបង្កើនប្រសិទ្ធភាព ភាពត្រឹមត្រូវ និងការព្យាករណ៍នៃការគូសផែនទី DSM និងការព្យាករណ៍។ ការរួមបញ្ចូលគ្នានៃភាពមិនប្រាកដប្រជា និងការផ្ទៀងផ្ទាត់គឺជាទិដ្ឋភាពផ្សេងគ្នាជាច្រើនដែលរួមបញ្ចូលទៅក្នុង DSM និងធ្វើឱ្យមានភាពប្រសើរឡើង។15 គូសបញ្ជាក់ថា ឥរិយាបថសុពលភាព និងភាពមិនច្បាស់លាស់ដែលណែនាំដោយការបង្កើតផែនទី និងការព្យាករណ៍គួរតែត្រូវបានបញ្ជាក់ដោយឯករាជ្យ ដើម្បីកែលម្អគុណភាពផែនទី។ ដែនកំណត់នៃ DSM គឺដោយសារតែគុណភាពដីបែកខ្ញែកតាមភូមិសាស្រ្ត ដែលពាក់ព័ន្ធនឹងធាតុផ្សំនៃភាពមិនច្បាស់លាស់។ទោះយ៉ាងណាក៏ដោយ ការខ្វះភាពប្រាកដប្រជានៅក្នុង DSM អាចកើតឡើងពីប្រភពនៃកំហុសជាច្រើនដូចជា កំហុស covariate កំហុសគំរូ កំហុសទីតាំង និងកំហុសក្នុងការវិភាគ 31. ភាពមិនត្រឹមត្រូវនៃការបង្កើតគំរូដែលបណ្ដាលមកពី MLA និងដំណើរការភូមិសាស្ត្រត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងការខ្វះការយល់ដឹង ដែលទីបំផុតនាំទៅដល់ការធ្វើឱ្យគំរូនៃដំណើរការមិនប្រក្រតីឡើងវិញ។ d ទៅនឹងប៉ារ៉ាម៉ែត្រគំរូ ការទស្សន៍ទាយគំរូគណិតវិទ្យា ឬ interpolation33.ថ្មីៗនេះ និន្នាការ DSM ថ្មីមួយបានលេចឡើងដែលលើកកម្ពស់ការរួមបញ្ចូលនៃភូមិសាស្ត្រស្ថិតិ និង MLA ក្នុងការធ្វើផែនទី និងការព្យាករណ៍។ អ្នកវិទ្យាសាស្ត្រ និងអ្នកនិពន្ធជាច្រើនរូបដូចជា Sergeev et al ។៣៤;Subbotina et al ។៣៥;Tarasov et al ។36 និង Tarasov et al ។37 បានទាញយកគុណភាពត្រឹមត្រូវនៃភូមិសាស្ត្រស្ថិតិ និងការរៀនម៉ាស៊ីនដើម្បីបង្កើតគំរូកូនកាត់ដែលបង្កើនប្រសិទ្ធភាពនៃការព្យាករណ៍ និងការធ្វើផែនទី។គុណភាព។​ គំរូ​ក្បួនដោះស្រាយ​កូនកាត់​មួយ​ចំនួន​ទាំងនេះ​គឺ Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Kriging (GR- NNRK)36, Artificial Neural Network Kriging-7-Multi (និង) ការតំរែតំរង់ដំណើរការ ian 38.
យោងតាមលោក Sergeev et al. ការរួមបញ្ចូលគ្នានៃបច្ចេកទេសគំរូផ្សេងៗមានសក្តានុពលក្នុងការលុបបំបាត់ពិការភាព និងបង្កើនប្រសិទ្ធភាពនៃគំរូកូនកាត់លទ្ធផលជាជាងការអភិវឌ្ឍគំរូតែមួយរបស់វា។ ក្នុងបរិបទនេះ ឯកសារថ្មីនេះអះអាងថា ចាំបាច់ត្រូវអនុវត្តក្បួនដោះស្រាយរួមបញ្ចូលគ្នានៃភូមិសាស្ត្រស្ថិតិ និង MLA ដើម្បីបង្កើតគំរូកូនកាត់ដ៏ប្រសើរបំផុតក្នុងការទស្សន៍ទាយលើតំបន់ Bay នេះ និងបង្កើនប្រសិទ្ធភាព។ Kriging (EBK) ជាគំរូមូលដ្ឋាន ហើយលាយវាជាមួយ Support Vector Machine (SVM) និង Multiple Linear Regression (MLR) model.Hybridization of EBK with MLA ណាមួយមិនត្រូវបានគេដឹង។ គំរូចម្រុះជាច្រើនដែលឃើញគឺជាបន្សំនៃធម្មតា សំណល់ ការតំរែតំរង់ kriging និង MLA.EBK គឺជាវិធីសាស្ត្រ geostatistical interpolizes មូលដ្ឋានដែលមិនមានស្ទីលស្ទីល វាលចៃដន្យ ationary ជាមួយនឹងប៉ារ៉ាម៉ែត្រមូលដ្ឋានីយកម្មដែលបានកំណត់នៅលើវាលដែលអនុញ្ញាតឱ្យមានការប្រែប្រួលទំហំ39.EBK ត្រូវបានគេប្រើនៅក្នុងការសិក្សាជាច្រើន រួមទាំងការវិភាគការបែងចែកកាបូនសរីរាង្គនៅក្នុងដីកសិដ្ឋាន40 ការវាយតម្លៃការបំពុលដី41 និងការធ្វើផែនទីលក្ខណៈសម្បត្តិដី42។
ម៉្យាងវិញទៀត ក្រាហ្វរៀបចំខ្លួនឯង (SeOM) គឺជាក្បួនដោះស្រាយការរៀនសូត្រដែលត្រូវបានអនុវត្តនៅក្នុងអត្ថបទផ្សេងៗដូចជា Li et al ។43, Wang et al ។44, Hossain Bhuiyan et al ។45 និង Kebonye et al.46 កំណត់គុណលក្ខណៈលំហ និងការដាក់ជាក្រុមនៃធាតុ។Wang et al ។44 គូសបញ្ជាក់ថា SeOM គឺជាបច្ចេកទេសសិក្សាដ៏មានអានុភាពដែលត្រូវបានគេស្គាល់ថាសម្រាប់សមត្ថភាពក្នុងការដាក់ជាក្រុម និងស្រមៃអំពីបញ្ហាដែលមិនមែនជាលីនេអ៊ែរ។ ខុសពីបច្ចេកទេសសម្គាល់គំរូផ្សេងទៀតដូចជា ការវិភាគសមាសភាគសំខាន់ ការដាក់ចង្កោមមិនច្បាស់ ការចង្កោមតាមឋានានុក្រម និងការសម្រេចចិត្តពហុលក្ខណៈ SeOM គឺប្រសើរជាងក្នុងការរៀបចំ និងកំណត់អត្តសញ្ញាណគំរូ PTE។ យោងតាម ​​Wang et al ។44, SeOM អាចដាក់ជាក្រុមការចែកចាយនៃណឺរ៉ូនដែលពាក់ព័ន្ធ និងផ្តល់នូវការមើលឃើញទិន្នន័យដែលមានគុណភាពបង្ហាញខ្ពស់។SeOM នឹងមើលឃើញទិន្នន័យការព្យាករណ៍ Ni ដើម្បីទទួលបានគំរូដ៏ល្អបំផុតដើម្បីកំណត់លក្ខណៈលទ្ធផលសម្រាប់ការបកស្រាយដោយផ្ទាល់។
ក្រដាសនេះមានគោលបំណងបង្កើតគំរូផែនទីដ៏រឹងមាំជាមួយនឹងភាពត្រឹមត្រូវល្អបំផុតសម្រាប់ការទស្សន៍ទាយមាតិកានីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ យើងសន្មត់ថាភាពជឿជាក់នៃគំរូចម្រុះគឺពឹងផ្អែកជាចម្បងទៅលើឥទ្ធិពលនៃគំរូផ្សេងទៀតដែលភ្ជាប់ជាមួយគំរូមូលដ្ឋាន។ យើងទទួលស្គាល់បញ្ហាប្រឈមដែលកំពុងប្រឈមមុខនឹង DSM ហើយខណៈពេលដែលបញ្ហាប្រឈមទាំងនេះកំពុងត្រូវបានដោះស្រាយលើផ្នែកជាច្រើននៃម៉ូដែល M.ដូច្នេះ យើងនឹងព្យាយាមឆ្លើយសំណួរស្រាវជ្រាវដែលអាចផ្តល់លទ្ធផលគំរូចម្រុះ។ ទោះជាយ៉ាងណាក៏ដោយ តើគំរូត្រឹមត្រូវប៉ុណ្ណាក្នុងការទស្សន៍ទាយធាតុគោលដៅ? ដូចគ្នានេះដែរ តើកម្រិតនៃការវាយតម្លៃប្រសិទ្ធភាពផ្អែកលើការវាយតម្លៃភាពត្រឹមត្រូវ និងភាពត្រឹមត្រូវកម្រិតណា? ដូច្នេះ គោលដៅជាក់លាក់នៃការសិក្សានេះគឺដើម្បី (ក) បង្កើតគំរូល្បាយរួមបញ្ចូលគ្នាសម្រាប់ SVMR ឬ MLR ដោយប្រើគំរូនៃការទស្សន៍ទាយលទ្ធផលល្អបំផុត (EBK) គំរូមូលដ្ឋាន (ការព្យាករណ៍លទ្ធផល) ដីក្នុងទីក្រុង ឬតំបន់ជុំវិញទីក្រុង និង (ឃ) កម្មវិធី SeOM ដើម្បីបង្កើតផែនទីដែលមានគុណភាពបង្ហាញខ្ពស់នៃការប្រែប្រួលទំហំនីកែល
ការសិក្សានេះកំពុងធ្វើឡើងនៅក្នុងសាធារណរដ្ឋឆេក ជាពិសេសនៅក្នុងស្រុក Frydek Mistek ក្នុងតំបន់ Moravia-Silesian (សូមមើលរូបភាពទី 1)។ ភូមិសាស្ត្រនៃតំបន់សិក្សានេះគឺមានភាពរដុបខ្លាំង ហើយភាគច្រើនជាផ្នែកនៃតំបន់ Moravia-Silesian Beskidy ដែលជាផ្នែកមួយនៃគែមខាងក្រៅនៃតំបន់សិក្សា 8°'0'° ស្ថិតនៅចន្លោះ 14°° និង 14°។ ' 0 ' អ៊ី និងរយៈកំពស់ចន្លោះពី 225 ទៅ 327 ម៉ែត្រ;ទោះយ៉ាងណាក៏ដោយ ប្រព័ន្ធចាត់ថ្នាក់ Koppen សម្រាប់ស្ថានភាពអាកាសធាតុនៃតំបន់ត្រូវបានវាយតម្លៃថា Cfb = អាកាសធាតុមហាសមុទ្រមានអាកាសធាតុមានភ្លៀងធ្លាក់ច្រើន សូម្បីតែក្នុងខែប្រាំង។ សីតុណ្ហភាពប្រែប្រួលបន្តិចបន្តួចពេញមួយឆ្នាំរវាង −5°C និង 24°C កម្រនឹងធ្លាក់ចុះក្រោម −14°C ឬលើសពី 30°C ខណៈពេលដែលតំបន់ស្ទាបស្ទង់ជាមធ្យមគឺ 7 mm និង 28°C ប្រចាំឆ្នាំ។ ផ្ទៃដីទាំងមូលមានទំហំ 1,208 គីឡូម៉ែត្រការ៉េ ជាមួយនឹង 39.38% នៃផ្ទៃដីដាំដុះ និង 49.36% នៃព្រៃឈើ។ ម៉្យាងវិញទៀត តំបន់ដែលប្រើក្នុងការសិក្សានេះគឺប្រហែល 889.8 គីឡូម៉ែត្រការ៉េ។ នៅក្នុង និងជុំវិញ Ostrava ឧស្សាហកម្មដែក និងការងារដែកមានសកម្មភាពខ្លាំង។ រោងម៉ាស៊ីនដែក ឧស្សាហកម្មដែកដែលប្រើសម្រាប់ធន់នឹងការ corrosion (ដែកអ៊ីណុក) និងដែកអ៊ីណុក។ បង្កើនភាពរឹងមាំនៃយ៉ាន់ស្ព័រ ខណៈពេលដែលរក្សាបាននូវភាពល្អ និងភាពតឹងណែនរបស់វា) ហើយកសិកម្មដែលពឹងផ្អែកខ្លាំង ដូចជាការប្រើប្រាស់ជីផូស្វាត និងផលិតកម្មបសុសត្វ គឺជាប្រភពសក្តានុពលនៃនីកែលក្នុងការស្រាវជ្រាវ (ឧ. ការបន្ថែមនីកែលទៅក្នុងសាច់ចៀម ដើម្បីបង្កើនអត្រាលូតលាស់នៅក្នុងសាច់ចៀម និងគោក្របី)។ ការប្រើប្រាស់ឧស្សាហកម្មផ្សេងទៀតនៃនីកែលក្នុងផ្នែកស្រាវជ្រាវ រួមមានការប្រើប្រាស់របស់វាក្នុងការដាក់អេឡិចត្រូលីត រួមទាំងការបំប្លែងសារធាតុអេឡិចត្រូលីត។ ពណ៌ដី រចនាសម្ព័ន្ធ និងមាតិកាកាបូណាត។ វាយនភាពដីមានកម្រិតមធ្យមទៅល្អ ដែលកើតចេញពីវត្ថុមេ។ ពួកវាមានលក្ខណៈរួមតូច ដីល្បាប់ ឬ aeolian នៅក្នុងធម្មជាតិ។ តំបន់ដីខ្លះមានស្នាមប្រឡាក់លើផ្ទៃ និងដីក្រោម ជាញឹកញាប់មានបេតុង និងសារធាតុ bleaching។ ទោះជាយ៉ាងណាក៏ដោយ cambisols និង stagnosols គឺជាប្រភេទដីទូទៅបំផុតក្នុងកម្រិត 55 mranging 49 ។ Cambisols ត្រួតត្រាសាធារណរដ្ឋឆេក 49.
ផែនទីតំបន់សិក្សា [ផែនទីតំបន់សិក្សាត្រូវបានបង្កើតដោយប្រើ ArcGIS Desktop (ESRI, Inc, កំណែ 10.7, URL៖ https://desktop.arcgis.com)]
សំណាកដីសរុបចំនួន 115 ត្រូវបានគេទទួលបានពីដីទីក្រុង និងតំបន់ជុំវិញនៅក្នុងស្រុក Frydek Mistek ។ គំរូដែលបានប្រើគឺក្រឡាចត្រង្គធម្មតាដែលមានគំរូដីមានចម្ងាយ 2 × 2 គីឡូម៉ែត្រពីគ្នា ហើយដីខាងលើត្រូវបានវាស់នៅជម្រៅពី 0 ទៅ 20 សង់ទីម៉ែត្រដោយប្រើឧបករណ៍ GPS ដែលកាន់ដោយដៃ (ថង់គំរូម៉ាក Leica Zeno 5c និង ជីភីអេស ដឹកជញ្ជូនឱ្យបានត្រឹមត្រូវ) ។ s ត្រូវបានសម្ងួតដោយខ្យល់ ដើម្បីផលិតសំណាកដែលហាន់រួច កិនដោយប្រព័ន្ធមេកានិច (ម៉ាស៊ីនកិនឌីស Fritsch) និង Sieved (ទំហំ Sieve 2 mm)។ ដាក់សំណាកដីស្ងួត 1 ក្រាម ក្នុងដប teflon ដែលមានស្លាកយ៉ាងច្បាស់។ ក្នុងកប៉ាល់ Teflon នីមួយៗ ចែកចាយ 7ml នៃ 35% H. គ្របដោយស្រាល ហើយអនុញ្ញាតឱ្យសំណាកឈរមួយយប់សម្រាប់ប្រតិកម្ម (កម្មវិធី aqua regia)។ ដាក់ supernatant នៅលើចានដែកក្តៅ (សីតុណ្ហភាព: 100 W និង 160 °C) រយៈពេល 2 ម៉ោង ដើម្បីជួយសម្រួលដល់ដំណើរការរំលាយអាហារនៃសំណាក បន្ទាប់មកត្រជាក់។ ផ្ទេរ supernatant ទៅដបទឹក 50 ml និង diluted ចូលទៅក្នុងទឹកចម្រោះ 50 ml. បំពង់ PVC ជាមួយនឹងទឹក deionized។ លើសពីនេះ 1 មីលីលីត្រនៃដំណោះស្រាយរំលាយត្រូវបានពនឺជាមួយទឹក 9 មីលីលីត្រនៃ deionized និងត្រងចូលទៅក្នុងបំពង់ 12 មីលីលីត្រដែលរៀបចំសម្រាប់ PTE pseudo-concentration.The កំហាប់នៃ PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg. scopy) (Thermo Fisher Scientific, USA) យោងតាមវិធីសាស្រ្តស្តង់ដារ និងកិច្ចព្រមព្រៀង។ ធានានូវគុណភាព និងការត្រួតពិនិត្យ (QA/QC) នីតិវិធី (SRM NIST 2711a Montana II Soil)។PTEs ដែលមានដែនកំណត់ការរកឃើញក្រោមពាក់កណ្តាលត្រូវបានដកចេញពីការសិក្សានេះ។ ដែនកំណត់ការរកឃើញនៃ PTE ដែលប្រើក្នុងការត្រួតពិនិត្យគុណភាពនីមួយៗគឺ 0.0. d ដោយការវិភាគស្តង់ដារយោង។ ដើម្បីធានាថាកំហុសត្រូវបានបង្រួមអប្បបរមា ការវិភាគពីរដងត្រូវបានអនុវត្ត។
Empirical Bayesian Kriging (EBK) គឺជាបច្ចេកទេសមួយក្នុងចំនោមបច្ចេកទេសអន្តរប៉ូលតាមភូមិសាស្ត្រជាច្រើនដែលប្រើក្នុងការធ្វើគំរូក្នុងវិស័យចម្រុះដូចជាវិទ្យាសាស្ត្រដី។ ខុសពីបច្ចេកទេសនៃការធ្វើអន្តរប៉ូល kriging ផ្សេងទៀត EBK ខុសពីវិធីសាស្ត្រ kriging ប្រពៃណីដោយពិចារណាលើកំហុសដែលបានប៉ាន់ប្រមាណដោយគំរូ semivariogram ជាជាង។ នៅក្នុងគំរូ interpolation EBK គឺមានតែមួយ semivariogram interpolation ជាច្រើន។ បច្ចេកទេស ation បង្កើតផ្លូវសម្រាប់ភាពមិនប្រាកដប្រជា និងការសរសេរកម្មវិធីដែលទាក់ទងនឹងការគ្រោងនៃ semivariogram នេះដែលបង្កើតជាផ្នែកដ៏ស្មុគស្មាញនៃវិធីសាស្រ្ត kriging គ្រប់គ្រាន់។ ដំណើរការ interpolation នៃ EBK អនុវត្តតាមលក្ខណៈវិនិច្ឆ័យចំនួនបីដែលស្នើឡើងដោយ Krivoruchko50, (a) គំរូប៉ាន់ស្មាន semivariogram ពីសំណុំទិន្នន័យបញ្ចូល (b) គំរូទិន្នន័យចុងក្រោយដែលបានព្យាករណ៍នីមួយៗ (b) គំរូទិន្នន័យដែលបានព្យាករលើសំណុំថ្មីនីមួយៗ ed ពីសំណុំទិន្នន័យក្លែងធ្វើ។ ក្បួនសមីការ Bayesian ត្រូវបានផ្តល់ឱ្យជាក្រោយ
កន្លែងដែល \(Prob\left(A\right)\) តំណាងឱ្យមុន \(Prob\left(B\right)\) ប្រូបាប៊ីលីតេរឹមមិនត្រូវបានអើពើនៅក្នុងករណីភាគច្រើន \(Prob (B,A)\) .ការគណនា semivariogram គឺផ្អែកលើច្បាប់របស់ Bayes ដែលបង្ហាញពីទំនោរនៃតម្លៃនៃការសង្កេត Bayes នៃច្បាប់ variogram ដែលអាចត្រូវបានកំណត់។ ដែលចែងថាតើវាទំនងយ៉ាងណាក្នុងការបង្កើតសំណុំទិន្នន័យនៃការសង្កេតពី semivariogram ។
ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រគឺជាក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលបង្កើតគំនូសចំណាំងផ្លាតដាច់ពីគ្នាដ៏ល្អប្រសើរដើម្បីសម្គាល់ថ្នាក់ឯករាជ្យដូចគ្នា ប៉ុន្តែមិនមែនជាលីនេអ៊ែរនៃថ្នាក់ឯករាជ្យ។Vapnik51 បានបង្កើតក្បួនដោះស្រាយចំណាត់ថ្នាក់ដោយចេតនា ប៉ុន្តែថ្មីៗនេះវាត្រូវបានប្រើដើម្បីដោះស្រាយបញ្ហាតំរង់ទិសតំរែតំរង់។ យោងតាម ​​Li et al.52 ល្អបំផុត អង្គធាតុថ្នាក់ SVM ត្រូវបានប្រើប្រាស់ក្នុងវិស័យផ្សេងៗនៃបច្ចេកទេស និង SVM (Support Vector Machine Regression – SVMR) ត្រូវបានប្រើនៅក្នុងការវិភាគនេះ។Cherkassky និង ​​Mulier53 បានត្រួសត្រាយ SVMR ជាការតំរែតំរង់តាមខឺណែល ដែលការគណនាត្រូវបានអនុវត្តដោយប្រើគំរូតំរែតំរង់លីនេអ៊ែរជាមួយនឹងមុខងារពហុប្រទេស។ John et al54 រាយការណ៍ថា បង្កើតទំនាក់ទំនង ploysarline អនុគមន៍ spatial.យោងទៅតាម Vohland et al ។55, epsilon (ε)-SVMR ប្រើប្រាស់សំណុំទិន្នន័យដែលបានបណ្តុះបណ្តាលដើម្បីទទួលបានគំរូតំណាងជាមុខងារ epsilon-insensitive ដែលត្រូវបានអនុវត្តដើម្បីគូសផែនទីទិន្នន័យដោយឯករាជ្យជាមួយនឹងភាពលំអៀង epsilon ដ៏ល្អបំផុតពីការបណ្តុះបណ្តាលលើទិន្នន័យដែលជាប់ទាក់ទង។ កំហុសចម្ងាយដែលបានកំណត់ជាមុនមិនត្រូវបានអើពើពីតម្លៃពិត ហើយប្រសិនបើកំហុសគឺធំជាងការបណ្តុះបណ្តាលនេះផងដែរ។ គំរូនៃ ε(ε) សំណុំរងទូលំទូលាយនៃវ៉ិចទ័រគាំទ្រ។ សមីការដែលស្នើឡើងដោយ Vapnik51 ត្រូវបានបង្ហាញខាងក្រោម។
ដែល b តំណាងឱ្យកម្រិតនៃមាត្រដ្ឋាន \(K\left({x}_{,}{x}_{k}\right)\) តំណាងឱ្យមុខងារខឺណែល \(\alpha\) តំណាងឱ្យមេគុណ Lagrange N តំណាងឱ្យសំណុំទិន្នន័យជាលេខ \({x}_{k}\) តំណាងឱ្យការបញ្ចូលទិន្នន័យ ហើយទិន្នន័យដែលប្រើគឺ សោរ អេសវី។ មុខងារមូលដ្ឋានរ៉ាឌីកាល់ Gaussian (RBF)។ ខឺណែល RBF ត្រូវបានអនុវត្តដើម្បីកំណត់គំរូ SVMR ដ៏ល្អប្រសើរ ដែលមានសារៈសំខាន់ក្នុងការទទួលបានកត្តាកំណត់ការពិន័យដ៏ស្រាលបំផុត C និងប៉ារ៉ាម៉ែត្រខឺណែលហ្គាម៉ា (γ) សម្រាប់ទិន្នន័យបណ្តុះបណ្តាល PTE។ ជាដំបូង យើងបានវាយតម្លៃសំណុំហ្វឹកហ្វឺន ហើយបន្ទាប់មកបានសាកល្បងដំណើរការគំរូលើប៉ារ៉ាម៉ែត្រកំណត់សុពលភាព។ វិធីសាស្ត្រកំណត់តម្លៃដែលប្រើគឺ s.
គំរូតំរែតំរង់លីនេអ៊ែរច្រើន (MLR) គឺជាគំរូតំរែតំរង់ដែលតំណាងឱ្យទំនាក់ទំនងរវាងអថេរឆ្លើយតប និងអថេរព្យាករមួយចំនួន ដោយប្រើប៉ារ៉ាម៉ែត្រចម្រុះលីនេអ៊ែរដែលបានគណនាដោយប្រើវិធីសាស្ត្រការ៉េតិចបំផុត។ ក្នុង MLR គំរូការ៉េតិចបំផុតគឺជាមុខងារព្យាករណ៍នៃលក្ខណៈសម្បត្តិដី បន្ទាប់ពីការជ្រើសរើសអថេរពន្យល់។ វាចាំបាច់ក្នុងការប្រើការឆ្លើយតបដែលអាចពន្យល់បានតាមបន្ទាត់ TE ។ អថេរដើម្បីបង្កើតទំនាក់ទំនងលីនេអ៊ែរជាមួយអថេរពន្យល់។ សមីការ MLR គឺ
ដែល y គឺជាអថេរឆ្លើយតប \(a\) គឺជាការស្ទាក់ចាប់ n គឺជាចំនួនអ្នកទស្សន៍ទាយ \({b}_{1}\) គឺជាការតំរែតំរង់ផ្នែកនៃមេគុណ \({x}_{i}\) តំណាងឱ្យអថេរទស្សន៍ទាយ ឬអថេរពន្យល់ ហើយ \({\varepsilon }_{i}\) តំណាងឱ្យគំរូដែលត្រូវបានគេស្គាល់ថាជា residor ។
គំរូចម្រុះត្រូវបានទទួលបានដោយការសាំងវិច EBK ជាមួយ SVMR និង MLR។ នេះធ្វើឡើងដោយការទាញយកតម្លៃដែលបានព្យាករណ៍ពីការអន្តរប៉ូល EBK។ តម្លៃដែលបានព្យាករណ៍ដែលទទួលបានពី interpolated Ca, K និង Mg ត្រូវបានទទួលតាមរយៈដំណើរការបន្សំ ដើម្បីទទួលបានអថេរថ្មីដូចជា CaK, Cath, Cagari, ធាតុទាំងបួន និង Kagari ។ អាច, CaKMg.ជារួម អថេរដែលទទួលបានគឺ Ca, K, Mg, CaK, CaMg, KMg និង CaKMg។ អថេរទាំងនេះបានក្លាយជាអ្នកទស្សន៍ទាយរបស់យើង ដោយជួយព្យាករណ៍កំហាប់នីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ ក្បួនដោះស្រាយ SVMR ត្រូវបានអនុវត្តនៅលើគំរូម៉ាស៊ីនព្យាករ KSV_EBS ដើម្បីទទួលបានការទស្សន៍ទាយកំហាប់នីកែល )។ស្រដៀងគ្នានេះដែរ អថេរក៏ត្រូវបានបំពង់តាមរយៈក្បួនដោះស្រាយ MLR ដើម្បីទទួលបានគំរូចម្រុះ Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR)។ ជាធម្មតា អថេរ Ca, K, Mg, CaK, CaMg, KMg, និង CaKarits ភាគច្រើននៃដីដែលត្រូវបានប្រើប្រាស់ជាការព្យាករណ៍។ គំរូដែលអាចទទួលបាន (EBK_SVM ឬ EBK_MLR) នឹងត្រូវបានមើលឃើញដោយប្រើក្រាហ្វដែលរៀបចំដោយខ្លួនឯង។ លំហូរការងារនៃការសិក្សានេះត្រូវបានបង្ហាញក្នុងរូបភាពទី 2 ។
ការប្រើប្រាស់ SeOM បានក្លាយជាឧបករណ៍ដ៏ពេញនិយមសម្រាប់រៀបចំ វាយតម្លៃ និងព្យាករណ៍ទិន្នន័យក្នុងវិស័យហិរញ្ញវត្ថុ ការថែទាំសុខភាព ឧស្សាហកម្ម ស្ថិតិ វិទ្យាសាស្ត្រដី និងអ្វីៗជាច្រើនទៀត។SeOM ត្រូវបានបង្កើតឡើងដោយប្រើប្រាស់បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត និងវិធីសាស្រ្តសិក្សាដែលមិនមានការត្រួតពិនិត្យសម្រាប់ការរៀបចំ ការវាយតម្លៃ និងការទស្សន៍ទាយ។ នៅក្នុងការសិក្សានេះ SeOM ត្រូវបានប្រើដើម្បីមើលឃើញកំហាប់ Ni ដោយផ្អែកលើគំរូដ៏ល្អបំផុតសម្រាប់ការទស្សន៍ទាយក្នុងដំណើរការទិន្នន័យ Ni-The urban ។ n អថេរវ៉ិចទ័រ input-dimensionals43,56.Melssen et al ។57 ពិពណ៌នាអំពីការតភ្ជាប់នៃវ៉ិចទ័របញ្ចូលទៅក្នុងបណ្តាញសរសៃប្រសាទតាមរយៈស្រទាប់បញ្ចូលតែមួយទៅនឹងវ៉ិចទ័រទិន្នផលដែលមានវ៉ិចទ័រទម្ងន់តែមួយ។ លទ្ធផលដែលបង្កើតដោយ SeOM គឺជាផែនទីពីរវិមាត្រដែលមានណឺរ៉ូន ឬថ្នាំងផ្សេងគ្នាត្បាញចូលទៅក្នុងផែនទីកំពូលឆកោន រាងជារង្វង់ ឬការ៉េ យោងតាមភាពជិតរបស់វា។ ការប្រៀបធៀបទំហំផែនទីដោយផ្អែកលើគំរូ OMr (ម៉ែត្រ) និង quant ជាមួយនឹង 0.086 និង 0.904 ត្រូវបានជ្រើសរើសរៀងៗខ្លួន ដែលជាឯកតាផែនទី 55 (5 × 11)។ រចនាសម្ព័ន្ធណឺរ៉ូនត្រូវបានកំណត់តាមចំនួនថ្នាំងក្នុងសមីការជាក់ស្តែង
ចំនួនទិន្នន័យដែលប្រើក្នុងការសិក្សានេះគឺ 115 គំរូ។ វិធីសាស្រ្តចៃដន្យត្រូវបានប្រើដើម្បីបំបែកទិន្នន័យទៅជាទិន្នន័យសាកល្បង (25% សម្រាប់សុពលភាព) និងសំណុំទិន្នន័យបណ្តុះបណ្តាល (75% សម្រាប់ការក្រិតតាមខ្នាត)។ សំណុំទិន្នន័យបណ្តុះបណ្តាលត្រូវបានប្រើដើម្បីបង្កើតគំរូតំរែតំរង់ (ការក្រិតតាមខ្នាត) ហើយសំណុំទិន្នន័យសាកល្បងត្រូវបានប្រើដើម្បីផ្ទៀងផ្ទាត់សមត្ថភាពទូទៅ58. នេះត្រូវបានធ្វើដើម្បីវាយតម្លៃគំរូផ្សេងៗសម្រាប់មាតិកា។ ដំណើរការផ្ទៀងផ្ទាត់ឆ្លងដែន ធ្វើម្តងទៀតប្រាំដង។ អថេរដែលផលិតដោយ EBK interpolation ត្រូវបានប្រើជាអ្នកទស្សន៍ទាយ ឬអថេរពន្យល់ដើម្បីទស្សន៍ទាយអថេរគោលដៅ (PTE)។ គំរូត្រូវបានដោះស្រាយនៅក្នុង RStudio ដោយប្រើបណ្ណាល័យកញ្ចប់ (Kohonen) បណ្ណាល័យ (caret) បណ្ណាល័យ (គំរូ) បណ្ណាល័យ ("e1071″) បណ្ណាល័យ ("e1071″) បណ្ណាល័យ"("ប្រូសេស្តេរ៉ូ") មាត្រដ្ឋាន”) ។
ប៉ារ៉ាម៉ែត្រសុពលភាពផ្សេងៗត្រូវបានប្រើដើម្បីកំណត់គំរូល្អបំផុតដែលសមរម្យសម្រាប់ការទស្សន៍ទាយកំហាប់នីកែលនៅក្នុងដី និងដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃគំរូ និងសុពលភាពរបស់វា។ គំរូការធ្វើកូនកាត់ត្រូវបានវាយតម្លៃដោយប្រើកំហុសដាច់ខាតមធ្យម (MAE) កំហុសឫសមធ្យមការ៉េ (RMSE) និង R-squared ឬការកំណត់មេគុណឡើងវិញនៃសមាមាត្រដែលតំណាងឱ្យ ចម្លើយ 2 (R2) ។ .RMSE និងភាពប្រែប្រួលក្នុងវិធានការឯករាជ្យពិពណ៌នាអំពីថាមពលព្យាករណ៍នៃគំរូ ខណៈពេលដែល MAE កំណត់តម្លៃបរិមាណជាក់ស្តែង។ តម្លៃ R2 ត្រូវតែខ្ពស់ដើម្បីវាយតម្លៃគំរូល្បាយល្អបំផុតដោយប្រើប៉ារ៉ាម៉ែត្រសុពលភាព តម្លៃកាន់តែជិតដល់ 1 ភាពត្រឹមត្រូវកាន់តែខ្ពស់។ យោងតាម ​​Li et al ។59, តម្លៃលក្ខណៈវិនិច្ឆ័យ R2 នៃ 0.75 ឬខ្ពស់ជាងនេះត្រូវបានចាត់ទុកថាជាការព្យាករណ៍ដ៏ល្អ។ពី 0.5 ដល់ 0.75 គឺជាការអនុវត្តគំរូដែលអាចទទួលយកបាន ហើយខាងក្រោម 0.5 គឺជាការអនុវត្តគំរូដែលមិនអាចទទួលយកបាន។ នៅពេលជ្រើសរើសម៉ូដែលដោយប្រើវិធីសាស្ត្រវាយតម្លៃលក្ខណៈវិនិច្ឆ័យសុពលភាព RMSE និង MAE តម្លៃទាបដែលទទួលបានគឺគ្រប់គ្រាន់ ហើយត្រូវបានចាត់ទុកថាជាជម្រើសដ៏ល្អបំផុត។ សមីការខាងក្រោមពិពណ៌នាអំពីវិធីសាស្ត្រផ្ទៀងផ្ទាត់។
ដែល n តំណាងឱ្យទំហំនៃតម្លៃដែលបានសង្កេត \({Y}_{i}\) តំណាងឱ្យការឆ្លើយតបដែលបានវាស់វែង ហើយ \({\widehat{Y}}_{i}\) ក៏តំណាងឱ្យតម្លៃឆ្លើយតបដែលបានព្យាករណ៍ ដូច្នេះសម្រាប់ការសង្កេតដំបូងរបស់ខ្ញុំ។
ការពិពណ៌នាស្ថិតិនៃអថេរទស្សន៍ទាយ និងការឆ្លើយតបត្រូវបានបង្ហាញក្នុងតារាងទី 1 ដែលបង្ហាញពីមធ្យម គម្លាតស្តង់ដារ (SD) មេគុណបំរែបំរួល (CV) អប្បបរមា អតិបរមា kurtosis និង skewness។តម្លៃអប្បបរមា និងអតិបរមានៃធាតុគឺស្ថិតក្នុងលំដាប់ថយចុះនៃ Mg < Ca< K< Ni និង Ca < Mg < K< វិចារណកថា។ d ពី 4.86 ទៅ 42.39 mg/kg.ការប្រៀបធៀប Ni ជាមួយមធ្យមពិភពលោក (29 mg/kg) និងមធ្យមអឺរ៉ុប (37 mg/kg) បានបង្ហាញថា មធ្យមធរណីមាត្រដែលបានគណនាសម្រាប់តំបន់សិក្សាគឺស្ថិតនៅក្នុងជួរដែលអាចអត់ឱនបាន។ ទោះជាយ៉ាងណាក៏ដោយ ដូចដែលបានបង្ហាញដោយ Kabata-Pendias11 ការប្រៀបធៀបនៃមធ្យមភាគកសិកម្មរបស់ស៊ុយអែតគឺ nickel មធ្យមបច្ចុប្បន្ន។ ប្រកបដោយប្រាជ្ញា កំហាប់មធ្យមនៃ Frydek Mistek នៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង ក្នុងការសិក្សាបច្ចុប្បន្ន (Ni 16.15 mg/kg) គឺខ្ពស់ជាងដែនកំណត់ដែលអាចអនុញ្ញាតបាន 60 (10.2 mg/kg) សម្រាប់ Ni នៅក្នុងដីទីក្រុងប៉ូឡូញ រាយការណ៍ដោយ Różański et al. លើសពីនេះ កំហាប់ Bretzel 18 mg/Calder ខ្លាំងណាស់។ s នៅក្នុង Tuscany បើប្រៀបធៀបទៅនឹងការសិក្សាបច្ចុប្បន្ន។Jim62 ក៏បានរកឃើញកំហាប់នីកែលទាបជាង (12.34 mg/kg) នៅក្នុងដីទីក្រុងហុងកុង ដែលទាបជាងកំហាប់នីកែលបច្ចុប្បន្ននៅក្នុងការសិក្សានេះ។ Birke et al63 បានរាយការណ៍ថាកំហាប់ Ni ជាមធ្យម 17.6 mg/kg នៅក្នុងការជីកយករ៉ែចាស់ និងតំបន់ឧស្សាហកម្មនៅទីក្រុងនៅ Saxony ខ្ពស់ជាង 15kg នៃប្រទេសអាល្លឺម៉ង់។ .15 mg/kg).ការស្រាវជ្រាវបច្ចុប្បន្ន។បរិមាណនីកែលលើសនៅក្នុងដីនៅក្នុងតំបន់ទីក្រុង និងជាយក្រុងមួយចំនួននៃតំបន់សិក្សាអាចត្រូវបានកំណត់គុណលក្ខណៈជាចម្បងចំពោះឧស្សាហកម្មដែក និងដែក និងឧស្សាហកម្មដែក។ នេះស្របនឹងការសិក្សាដោយ Khodadoust et al ។64 ដែលឧស្សាហកម្មដែក និងដែកគឺជាប្រភពចម្បងនៃការចម្លងរោគនីកែលនៅក្នុងដី។ ទោះយ៉ាងណាក៏ដោយ អ្នកព្យាករណ៍ក៏មានចាប់ពី 538.70 mg/kg ដល់ 69,161.80 mg/kg សម្រាប់ Ca, 497.51 mg/kg ដល់ 3535.68 mg/kg សម្រាប់ K និង 67kov/kg.g5.68 mg. vic et al ។65 បានស៊ើបអង្កេតបរិមាណ Mg និង K សរុបនៃដីនៅកណ្តាលប្រទេសស៊ែប៊ី។ ពួកគេបានរកឃើញថាកំហាប់សរុប (410 mg/kg និង 400 mg/kg រៀងគ្នា) គឺទាបជាងកំហាប់ Mg និង K នៃការសិក្សាបច្ចុប្បន្ន។ មិនអាចបែងចែកបានទេ នៅភាគខាងកើតប្រទេសប៉ូឡូញ Orzechowski និង Smolczynski66 វាយតម្លៃជាមធ្យម 0 និង Ca មាតិកាសរុប Ca /kg), Mg (590 mg/kg) និង K (810 mg/kg) មាតិកានៅក្នុង topsoil គឺទាបជាងធាតុតែមួយនៅក្នុងការសិក្សានេះ។ ការសិក្សាថ្មីៗនេះដោយ Pongrac et al.67 បានបង្ហាញថា មាតិកា Ca សរុបដែលត្រូវបានវិភាគនៅក្នុងដី 3 ផ្សេងគ្នាក្នុងប្រទេសស្កុតឡែន ចក្រភពអង់គ្លេស (ដី Mylnefield, ដី Balruddery និងដី Hartwood) បង្ហាញពីមាតិកា Ca ខ្ពស់ជាងនៅក្នុងការសិក្សានេះ។
ដោយសារតែកំហាប់វាស់ខុសគ្នានៃធាតុគំរូ ការចែកចាយសំណុំទិន្នន័យនៃធាតុបង្ហាញភាពស្ទាក់ស្ទើរខុសៗគ្នា។ ភាពមិនច្បាស់ និង kurtosis នៃធាតុមានចាប់ពី 1.53 ដល់ 7.24 និង 2.49 ដល់ 54.16 រៀងគ្នា។ ធាតុដែលបានគណនាទាំងអស់មានកម្រិត skewness និង kurtosis ទិន្នន័យនៅខាងលើ skew skew កម្រិតនៃទិន្នន័យដែលមានលក្ខណៈទៀងទាត់ ed. ប្រវត្តិរូបសង្ខេបនៃធាតុដែលបានប៉ាន់ប្រមាណក៏បង្ហាញផងដែរថា K, Mg និង Ni បង្ហាញភាពប្រែប្រួលក្នុងកម្រិតមធ្យម ខណៈដែល Ca មានភាពប្រែប្រួលខ្ពស់ខ្លាំង។ CVs របស់ K, Ni និង Mg ពន្យល់ពីការចែកចាយឯកសណ្ឋានរបស់ពួកគេ។ លើសពីនេះ ការចែកចាយ Ca គឺមិនឯកសណ្ឋាន ហើយប្រភពខាងក្រៅអាចប៉ះពាល់ដល់កម្រិតនៃការពង្រឹងរបស់វា។
ការជាប់ទាក់ទងគ្នានៃអថេរទស្សន៍ទាយជាមួយធាតុឆ្លើយតបបានបង្ហាញពីការជាប់ទាក់ទងគ្នាដ៏គួរឱ្យពេញចិត្តរវាងធាតុ (សូមមើលរូបភាពទី 3)។ ការជាប់ទាក់ទងគ្នាបានបង្ហាញថា CaK បង្ហាញពីទំនាក់ទំនងកម្រិតមធ្យមជាមួយនឹងតម្លៃ r = 0.53 ដូច CaNi ដែរ។ ទោះបីជា Ca និង K បង្ហាញពីទំនាក់ទំនងតិចតួចជាមួយគ្នាទៅវិញទៅមក។ អ្នកស្រាវជ្រាវ68 និង Santo69 ណែនាំថាកម្រិតរបស់វានៅក្នុងដីមានសមាមាត្រច្រាស។ ទោះយ៉ាងណាក៏ដោយ Ca និង Mg គឺប្រឆាំងទៅនឹង K ប៉ុន្តែ CaK មានទំនាក់ទំនងល្អ។ នេះអាចបណ្តាលមកពីការប្រើប្រាស់ជីដូចជាប៉ូតាស្យូមកាបូណាត ដែលខ្ពស់ជាង 56% នៅក្នុងប៉ូតាស្យូម។ ប៉ូតាស្យូមមានទំនាក់ទំនងល្មមជាមួយម៉ាញ៉េស្យូម (KM r = ប៉ូតាស្យូម សូដ្យូម ប៉ូតាស្យូម ជី) ពីរ។ និងប៉ូតាស្យូមត្រូវបានអនុវត្តទៅលើដីដើម្បីបង្កើនកម្រិតកង្វះរបស់វា។ នីកែលមានទំនាក់ទំនងល្មមជាមួយ Ca, K និង Mg ជាមួយនឹងតម្លៃ r = 0.52, 0.63 និង 0.55 រៀងគ្នា។ ទំនាក់ទំនងដែលទាក់ទងនឹងកាល់ស្យូម ម៉ាញេស្យូម និង PTEs ដូចជានីកែលគឺស្មុគស្មាញ ប៉ុន្តែទោះជាយ៉ាងណា ផលប៉ះពាល់នៃការស្រូបយកជាតិកាល់ស្យូម និងម៉ាញ៉េស្យូម កាត់បន្ថយការលើសជាតិកាល់ស្យូម និងម៉ាញ៉េស្យូម។ នីកែលនៅក្នុងដី។
ម៉ាទ្រីសទំនាក់ទំនងសម្រាប់ធាតុដែលបង្ហាញពីទំនាក់ទំនងរវាងអ្នកទស្សន៍ទាយ និងការឆ្លើយតប (ចំណាំ៖ តួលេខនេះរួមបញ្ចូលការបែកខ្ញែករវាងធាតុ កម្រិតសារៈសំខាន់គឺផ្អែកលើ p < 0,001)។
រូបភាពទី 4 បង្ហាញពីការចែកចាយលំហនៃធាតុ។ យោងទៅតាម Burgos et al70 ការអនុវត្តការបែងចែកតាមលំហគឺជាបច្ចេកទេសដែលប្រើដើម្បីកំណត់បរិមាណ និងបន្លិចចំណុចក្តៅនៅក្នុងតំបន់ដែលមានការបំពុល។ កម្រិតនៃការពង្រឹង Ca នៅក្នុងរូបភាពទី 4 អាចត្រូវបានគេមើលឃើញនៅភាគពាយ័ព្យនៃការបែងចែកតាមលំហអាកាស។ ផែនទីនេះទំនងជាដោយសារតែការប្រើប្រាស់ Quicklime (calcium oxide) ដើម្បីកាត់បន្ថយជាតិអាស៊ីតរបស់ដី និងការប្រើប្រាស់របស់វានៅក្នុងរោងម៉ាស៊ីនដែកជាអុកស៊ីហ្សែនអាល់កាឡាំងក្នុងដំណើរការផលិតដែក។ ម្យ៉ាងវិញទៀត កសិករផ្សេងទៀតចូលចិត្តប្រើកាល់ស្យូមអ៊ីដ្រូអុកស៊ីតក្នុងដីអាសុីត ដើម្បីបន្សាប pH ដែលបង្កើនមាតិកាកាល់ស្យូមនៃដី71។ ប៉ូតាស្យូមក៏បង្ហាញពីចំណុចក្តៅបំផុតនៃសហគមន៍កសិកម្ម និងភាគឦសានផងដែរ។ គំរូប៉ូតាស្យូមខ្ពស់អាចបណ្តាលមកពីកម្មវិធី NPK និង potash ។ នេះគឺស្របជាមួយនឹងការសិក្សាផ្សេងទៀតដូចជា Madaras និង Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75 ដែលបានសង្កេតឃើញថា ស្ថេរភាពដី និងការព្យាបាលជាមួយ KCl និង NPK បណ្តាលឱ្យមានមាតិកា K ខ្ពស់។ការបង្កើនប៉ូតាស្យូមតាមលំហនៅភាគពាយព្យនៃផែនទីចែកចាយអាចបណ្តាលមកពីការប្រើប្រាស់ជីប៉ូតាស្យូមដូចជាប៉ូតាស្យូមក្លរួ ប៉ូតាស្យូមស៊ុលហ្វាត ប៉ូតាស្យូមនីត្រាត ប៉ូតាស្យូម និងប៉ូតាស្យូម ដើម្បីបង្កើនមាតិកាប៉ូតាស្យូមនៃដីក្រីក្រ។Zádorová et al ។76 និង Tlustoš et al ។77 បានគូសបញ្ជាក់ថា ការប្រើប្រាស់ជីដែលមានមូលដ្ឋានលើ K បង្កើនមាតិកា K នៅក្នុងដី ហើយនឹងបង្កើនបរិមាណសារធាតុចិញ្ចឹមរបស់ដីក្នុងរយៈពេលវែង ជាពិសេស K និង Mg បង្ហាញពីចំណុចក្តៅនៅក្នុងដី។ ចំណុចក្តៅល្មមនៅភាគពាយព្យនៃផែនទី និងភាគអាគ្នេយ៍នៃផែនទី។ កំណកកូឡាអ៊ីដនៅក្នុងដីបំផ្លាញកំហាប់ម៉ាញេស្យូមនៅក្នុងដីដែលខ្វះជាតិក្លរួក្នុងដី។ ជីដូចជាប៉ូតាស្យូមម៉ាញេស្យូមស៊ុលហ្វាត ម៉ាញេស្យូមស៊ុលហ្វាត និងគីសឺរីត ព្យាបាលការខ្វះខាត (រុក្ខជាតិមានពណ៌ស្វាយ ក្រហម ឬពណ៌ត្នោត ដែលបង្ហាញពីកង្វះម៉ាញេស្យូម) នៅក្នុងដីដែលមានកម្រិត pH ធម្មតា6.ការប្រមូលផ្តុំនីកែលលើផ្ទៃដីទីក្រុង និងតំបន់ជុំវិញទីក្រុងអាចបណ្តាលមកពីសកម្មភាព anthropogenic ដូចជាកសិកម្ម និងសារៈសំខាន់នៃការផលិតនីកែលក្នុងដែកអ៊ីណុក។
ការចែកចាយលំហនៃធាតុ [ផែនទីចែកចាយលំហត្រូវបានបង្កើតដោយប្រើ ArcGIS Desktop (ESRI, Inc, កំណែ 10.7, URL៖ https://desktop.arcgis.com)]
លទ្ធផលសន្ទស្សន៍ការអនុវត្តគំរូសម្រាប់ធាតុដែលប្រើក្នុងការសិក្សានេះត្រូវបានបង្ហាញក្នុងតារាងទី 2។ ម្យ៉ាងវិញទៀត RMSE និង MAE របស់ Ni គឺនៅជិតសូន្យ (0.86 RMSE, -0.08 MAE)។​ ម្យ៉ាងវិញទៀតតម្លៃ RMSE និង MAE របស់ K គឺអាចទទួលយកបាន។ RMSE និង MAE លទ្ធផលគឺធំជាងសម្រាប់លទ្ធផលកាល់ស្យូម និងម៉ាញ៉េស្យូម។ MAE នៃការសិក្សានេះដោយប្រើ EBK ដើម្បីទស្សន៍ទាយ Ni ត្រូវបានរកឃើញថាប្រសើរជាងលទ្ធផលរបស់ John et al ។54 ដោយប្រើ kriging រួមបញ្ចូលគ្នាដើម្បីទស្សន៍ទាយកំហាប់ S នៅក្នុងដីដោយប្រើទិន្នន័យដែលប្រមូលបានដូចគ្នា។ លទ្ធផល EBK ដែលយើងសិក្សាគឺទាក់ទងជាមួយ Fabijaczyk et al ។41, Yan et al ។79, Beguin et al ។80, Adhikary et al ។81 និង John et al ។82 ជាពិសេស K និង Ni ។
ការអនុវត្តនៃវិធីសាស្រ្តបុគ្គលសម្រាប់ការទស្សន៍ទាយមាតិកានីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុងត្រូវបានវាយតម្លៃដោយប្រើដំណើរការនៃគំរូ (តារាងទី 3)។ ភាពត្រឹមត្រូវនៃម៉ូដែល និងការវាយតម្លៃភាពត្រឹមត្រូវបានបញ្ជាក់ថាការទស្សន៍ទាយ Ca_Mg_K រួមបញ្ចូលគ្នាជាមួយគំរូ EBK SVMR ផ្តល់លទ្ធផលល្អបំផុត។ គំរូនៃការក្រិតតាមខ្នាត Ca_Mg_absrRM (គំរូការ៉េ និង RSE) lute error (MAE) គឺ 0.637 (R2), 95.479 mg/kg (RMSE) និង 77.368 mg/kg (MAE) Ca_Mg_K-SVMR គឺ 0.663 (R2), 235.974 mg/kg (RMSE) និង 166.946 mgre ល្អដែលយើងទទួលបាន mg/kg​។ _K-SVMR (0.663 mg/kg R2) និង Ca_Mg-EBK_SVMR (0.643 = R2);លទ្ធផល RMSE និង MAE របស់ពួកគេគឺខ្ពស់ជាងលទ្ធផលសម្រាប់ Ca_Mg_K-EBK_SVMR (R2 0.637) (សូមមើលតារាងទី 3)។ លើសពីនេះ RMSE និង MAE នៃ Ca_Mg-EBK_SVMR (RMSE = 1664.64 និង MAE = 1031.49) គឺធំជាង 131.000 គំរូ។ g_K-EBK_SVMR.ដូចគ្នានេះដែរ RMSE និង MAE នៃ Ca_Mg-K SVMR (RMSE = 235.974 និង MAE = 166.946) គឺ 2.5 និង 2.2 ធំជាងម៉ូដែល Ca_Mg_K-EBK_SVMR RMSE និងទិន្នន័យ MAE ដែលសមស្របបំផុតតាមលំដាប់នៃការគណនា។ RSME និង MAE ត្រូវបានគេសង្កេតឃើញ។យោងតាម ​​Kebonye et al ។46 និង John et al ។54 កាន់តែជិត RMSE និង MAE ដល់សូន្យ លទ្ធផលកាន់តែប្រសើរ។ SVMR និង EBK_SVMR មានតម្លៃ RSME និង MAE ដែលមានបរិមាណខ្ពស់ជាង។ វាត្រូវបានគេសង្កេតឃើញថាការប៉ាន់ប្រមាណ RSME គឺខ្ពស់ជាងតម្លៃ MAE ជាប់លាប់ ដែលបង្ហាញពីវត្តមានរបស់ outliers។ យោងតាម ​​Legates និង McCabe83 សូចនាករគឺលើសកម្រិតដែលលើសពីតម្លៃ (ARMSE) ។ វត្តមានរបស់ outliers. នេះមានន័យថា សំណុំទិន្នន័យកាន់តែមានភាពខុសប្លែកគ្នា នោះតម្លៃ MAE និង RMSE កាន់តែខ្ពស់។ ភាពត្រឹមត្រូវនៃការវាយតម្លៃឆ្លងដែននៃគំរូចម្រុះ Ca_Mg_K-EBK_SVMR សម្រាប់ការទស្សន៍ទាយមាតិកា Ni នៅក្នុងដីទីក្រុង និងជាយក្រុងគឺ 63.70% នេះបើយោងតាមលោក Li etal.59, កម្រិតនៃភាពត្រឹមត្រូវនេះគឺជាអត្រានៃការអនុវត្តគំរូដែលអាចទទួលយកបាន។ លទ្ធផលបច្ចុប្បន្នត្រូវបានប្រៀបធៀបទៅនឹងការសិក្សាពីមុនដោយ Tarasov et al ។36 ដែលគំរូកូនកាត់បានបង្កើត MLPRK (Multilayer Perceptron Residual Kriging) ដែលទាក់ទងទៅនឹងសន្ទស្សន៍វាយតម្លៃភាពត្រឹមត្រូវ EBK_SVMR ដែលបានរាយការណ៍នៅក្នុងការសិក្សាបច្ចុប្បន្ន RMSE (210) និង MAE (167.5) គឺខ្ពស់ជាងលទ្ធផលរបស់យើងក្នុងការសិក្សាបច្ចុប្បន្ន (RMSE 95.4779)។ .637) ជាមួយនឹងថាតារ៉ាសូវ et al ។36 (0.544) វាច្បាស់ណាស់ថាមេគុណនៃការកំណត់ (R2) គឺខ្ពស់ជាងនៅក្នុងគំរូចម្រុះនេះ។ រឹមនៃកំហុស (RMSE និង MAE) (EBK SVMR) សម្រាប់ម៉ូដែលចម្រុះគឺទាបជាង 2 ដង។ ដូចគ្នានេះដែរ Sergeev et al.34 បានកត់ត្រា 0.28 (R2) សម្រាប់គំរូកូនកាត់ Recept K ដែលកំពុងអភិវឌ្ឍ (M. 0.637 (R2)។កម្រិតភាពត្រឹមត្រូវនៃការទស្សន៍ទាយនៃគំរូនេះ (EBK SVMR) គឺ 63.7% ខណៈដែលភាពត្រឹមត្រូវនៃការទស្សន៍ទាយដែលទទួលបានដោយ Sergeev et al ។34 គឺ 28% ផែនទីចុងក្រោយ (រូបភាពទី 5) ដែលត្រូវបានបង្កើតដោយប្រើគំរូ EBK_SVMR និង Ca_Mg_K ជាអ្នកទស្សន៍ទាយបង្ហាញការព្យាករណ៍នៃចំណុចក្តៅ និងកម្រិតមធ្យមទៅនីកែលលើផ្ទៃសិក្សាទាំងមូល។ នេះមានន័យថាកំហាប់នីកែលនៅក្នុងតំបន់សិក្សាគឺមធ្យមជាចម្បង ជាមួយនឹងកំហាប់ខ្ពស់នៅក្នុងតំបន់ជាក់លាក់មួយចំនួន។
ផែនទីទស្សន៍ទាយចុងក្រោយត្រូវបានតំណាងដោយប្រើគំរូកូនកាត់ EBK_SVMR និងប្រើប្រាស់ Ca_Mg_K ជាអ្នកទស្សន៍ទាយ។។
បង្ហាញក្នុងរូបភាពទី 6 គឺជាការប្រមូលផ្តុំ PTE ជាយន្តហោះសមាសភាពដែលមានណឺរ៉ូននីមួយៗ។ គ្មានប្លង់សមាសធាតុណាមួយបង្ហាញគំរូពណ៌ដូចគ្នាដូចដែលបានបង្ហាញទេ។ ទោះជាយ៉ាងណាក៏ដោយ ចំនួនណឺរ៉ូនសមស្របក្នុងមួយផែនទីដែលគូរគឺ 55.SeOM ត្រូវបានផលិតដោយប្រើពណ៌ផ្សេងៗគ្នា ហើយលំនាំពណ៌កាន់តែស្រដៀងគ្នា លក្ខណៈសម្បត្តិនៃគំរូនីមួយៗអាចប្រៀបធៀបបានកាន់តែច្រើន។ យោងទៅតាមពណ៌ និងមាត្រដ្ឋានរបស់ពួកគេ ដល់ណឺរ៉ូនខ្ពស់តែមួយ និងណឺរ៉ូនទាបភាគច្រើន។ ដូច្នេះ CaK និង CaMg ចែករំលែកភាពស្រដៀងគ្នាមួយចំនួនជាមួយណឺរ៉ូនលំដាប់ខ្ពស់ និងលំនាំពណ៌ទាបទៅមធ្យម។ ម៉ូដែលទាំងពីរព្យាករណ៍ពីការប្រមូលផ្តុំ Ni នៅក្នុងដីដោយបង្ហាញពណ៌ពីមធ្យមទៅខ្ពស់នៃពណ៌ដូចជាក្រហម ទឹកក្រូច និងលឿង។ គំរូ KMg បង្ហាញគំរូពណ៌ខ្ពស់ជាច្រើនដោយផ្អែកលើសមាមាត្រច្បាស់លាស់ និងលំនាំនៃការចែកចាយពណ៌កម្រិតទាបដល់កម្រិតមធ្យម។ សមាសធាតុនៃគំរូបានបង្ហាញពីគំរូពណ៌ខ្ពស់ដែលបង្ហាញពីកំហាប់នីកែលដែលមានសក្តានុពលនៅក្នុងដី (សូមមើលរូបភាពទី 4)។ ធាតុផ្សំនៃគំរូ CakMg បង្ហាញគំរូពណ៌ចម្រុះពីទាបទៅខ្ពស់យោងទៅតាមមាត្រដ្ឋានពណ៌ត្រឹមត្រូវ។ លើសពីនេះ ការព្យាករណ៍របស់គំរូនៃមាតិកានីកែល (CakMg) គឺស្រដៀងគ្នាទៅនឹងការចែកចាយលំហនៃនីកែល កម្រិតមធ្យម 5 បង្ហាញក្នុងរូបភព។ ដីក្នុងទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ រូបភាពទី 7 បង្ហាញពីវិធីសាស្ត្រវណ្ឌវង្កក្នុង k-means ដាក់ជាក្រុមនៅលើផែនទី ដោយបែងចែកជាចង្កោម 3 ដោយផ្អែកលើតម្លៃដែលបានព្យាករណ៍នៅក្នុងគំរូនីមួយៗ។ វិធីសាស្ត្រវណ្ឌវង្កតំណាងឱ្យចំនួនចង្កោមល្អបំផុត។ ក្នុងចំនោមសំណាកដី 115 ដែលប្រមូលបាន ប្រភេទទី 1 ទទួលបានសំណាកដីច្រើនបំផុតគឺ 74.C ទទួលបានគំរូដីច្រើនបំផុត 74.C ការរួមបញ្ចូលគ្នានៃការទស្សន៍ទាយ ponent planar ត្រូវបានធ្វើឱ្យសាមញ្ញដើម្បីអនុញ្ញាតឱ្យមានការបកស្រាយចង្កោមត្រឹមត្រូវ។ ដោយសារតែដំណើរការ anthropogenic និងធម្មជាតិជាច្រើនដែលប៉ះពាល់ដល់ការបង្កើតដី វាពិបាកក្នុងការធ្វើការបែងចែកគំរូចង្កោមឱ្យបានត្រឹមត្រូវនៅក្នុង SeOM map78 ដែលបានចែកចាយ។
លទ្ធផលនៃយន្តហោះសមាសធាតុដោយម៉ាស៊ីន Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) នីមួយៗ។[ផែនទីSeOM ត្រូវបានបង្កើតដោយប្រើ RStudio (កំណែ 1.4.1717៖ https://www.rstudio.com/)]
ធាតុផ្សំនៃចំណាត់ថ្នាក់ក្រុមផ្សេងៗគ្នា [ផែនទី SeOM ត្រូវបានបង្កើតដោយប្រើ RStudio (កំណែ 1.4.1717៖ https://www.rstudio.com/)]
ការសិក្សាបច្ចុប្បន្នបង្ហាញយ៉ាងច្បាស់នូវបច្ចេកទេសគំរូសម្រាប់ការប្រមូលផ្តុំនីកែលនៅក្នុងដីទីក្រុង និងតំបន់ជុំវិញទីក្រុង។ ការសិក្សានេះបានសាកល្បងបច្ចេកទេសគំរូផ្សេងៗគ្នា ដោយរួមបញ្ចូលគ្នានូវធាតុផ្សំជាមួយបច្ចេកទេសគំរូ ដើម្បីទទួលបានវិធីល្អបំផុតក្នុងការទស្សន៍ទាយកំហាប់នីកែលនៅក្នុងដី។ លក្ខណៈវិសាលភាពនៃផែនការសមាសភាព SeOM នៃបច្ចេកទេសធ្វើគំរូបានបង្ហាញនូវលំនាំពណ៌ខ្ពស់ក្នុងកម្រិតពណ៌ H កម្រិតទាប។ ផែនទីការចែកចាយ patial បញ្ជាក់ពីការចែកចាយលំហរនៃសមាសធាតុដែលបង្ហាញដោយ EBK_SVMR (សូមមើលរូបភាពទី 5)។ លទ្ធផលបង្ហាញថាគំរូគាំទ្រវ៉ិចទ័រម៉ាស៊ីនតំរែតំរង់ (Ca Mg K-SVMR) ព្យាករណ៍កំហាប់ Ni នៅក្នុងដីជាគំរូតែមួយ ប៉ុន្តែការវាយតម្លៃភាពត្រឹមត្រូវ និងភាពត្រឹមត្រូវ ប៉ារ៉ាម៉ែត្របង្ហាញពីកំហុសឆ្គងនៃគំរូ និង MRM ដ៏ទៃទៀតក្នុងលក្ខខណ្ឌបច្ចេកទេស។ គំរូ EBK_MLR ក៏មានគុណវិបត្តិផងដែរ ដោយសារតែតម្លៃទាបនៃមេគុណនៃការកំណត់ (R2)។ លទ្ធផលល្អត្រូវបានទទួលដោយប្រើ EBK SVMR និងធាតុផ្សំរួមបញ្ចូលគ្នា (CaKMg) ជាមួយនឹងកំហុស RMSE និង MAE ទាប ជាមួយនឹងភាពត្រឹមត្រូវ 63.7% វាប្រែថាការបញ្ចូលគ្នានៃ EBK algorithm នៃវិធីសាស្ត្រព្យាករនៃម៉ាស៊ីនអាចបង្កើតការព្យាករនៃម៉ាសុីនសិក្សាបាន នៅក្នុងដី លទ្ធផលបង្ហាញថា ការប្រើប្រាស់ Ca Mg K ជាអ្នកព្យាករណ៍ដើម្បីទស្សន៍ទាយកំហាប់ Ni នៅក្នុងតំបន់សិក្សាអាចធ្វើអោយការព្យាករណ៍ Ni នៅក្នុងដីមានភាពប្រសើរឡើង។ មានន័យថា ការប្រើប្រាស់ជីនីកែលជាបន្តបន្ទាប់ និងការបំពុលដីដោយឧស្សាហកម្មដែកមានទំនោរក្នុងការបង្កើនកំហាប់នីកែលក្នុងដី។ ការសិក្សានេះបានបង្ហាញថា គំរូ EBK អាចកាត់បន្ថយកម្រិតនៃការបំប្លែងសារជាតិនីកែល ឬភាពខុសឆ្គងនៃដី។ ជាទូទៅ យើងស្នើឱ្យអនុវត្តគំរូ EBK-SVMR ដើម្បីវាយតម្លៃ និងព្យាករណ៍ PTE នៅក្នុងដី។លើសពីនេះទៀត យើងស្នើឱ្យប្រើ EBK ដើម្បីបង្កាត់ជាមួយក្បួនដោះស្រាយការរៀនម៉ាស៊ីនផ្សេងៗ។ ការប្រមូលផ្តុំNi ត្រូវបានព្យាករណ៍ដោយប្រើធាតុជា covariates ។ទោះបីជាយ៉ាងណាក៏ដោយ ការប្រើប្រាស់ covariates កាន់តែច្រើននឹងធ្វើអោយប្រសើរឡើងនូវដំណើរការនៃគំរូ ដែលអាចចាត់ទុកថាជាដែនកំណត់នៃការងារបច្ចុប្បន្ន។ ការកំណត់មួយទៀតនៃការសិក្សានេះគឺថាចំនួនសំណុំទិន្នន័យគឺ 115។ ដូច្នេះប្រសិនបើទិន្នន័យបន្ថែមត្រូវបានផ្តល់ជូន ការអនុវត្តនៃវិធីសាស្ត្រកូនកាត់ដែលបានស្នើឡើងអាចប្រសើរឡើង។
PlantProbs.net.Nickel នៅក្នុងរុក្ខជាតិ និងដី https://plantprobs.net/plant/nutrientImbalances/sodium.html (ចូលប្រើថ្ងៃទី 28 ខែមេសា ឆ្នាំ 2021)។
Kasprzak, KS Nickel ជឿនលឿនក្នុង toxicology.surroundings.toxicology.11, 145–183 (1987) ។
Cempel, M. & Nikel, G. Nickel: ការពិនិត្យឡើងវិញនៃប្រភពរបស់វា និងបរិស្ថានវិទ្យាប៉ូឡូញ ជេ Environment.Stud.15, 375–382 (2006)។
Freedman, B. & Hutchinson, TC Pollutant input ពីបរិយាកាស និងការកកកុញនៅក្នុងដី និងបន្លែនៅជិតកន្លែងចំហុយ nickel-copper នៅ Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)។
Manyiwa, T. et al. លោហធាតុធ្ងន់នៅក្នុងដី រុក្ខជាតិ និងហានិភ័យដែលត្រូវបានផ្សារភ្ជាប់ជាមួយនឹងសត្វចៃ នៅក្បែរអណ្តូងរ៉ែស្ពាន់-នីកែល Selebi-Phikwe នៅ Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009.
Cabata-Pendias.Kabata-Pendias A. ២០១១ 3A+CRC+Press&btnG= (ចូលប្រើថ្ងៃទី 24 ខែវិច្ឆិកា ឆ្នាំ 2020)។
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Effects of the Russian nickel industry on Russian metal concentrations on heavy metal metals in Agriculture and grasss in Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al.Nickel absorbtion and retention in water drink is related to food intake and nickel sensitivity.toxicology.application.Pharmacodynamics.154, 67–75 (1999)។
Costa, M. & Klein, CB Nickel carcinogenesis, ការផ្លាស់ប្តូរ, epigenetics ឬ selection.surroundings.Health Perspective.107, 2 (1999)។
Ajman, កុំព្យូទ័រ;Ajado, SK;Borůvka, L.;ប៊ីនី, JKM;Sarkody, VYO;Cobonye, ​​​​NM;ការវិភាគនិន្នាការនៃធាតុពុលដែលមានសក្តានុពល៖ ការពិនិត្យ bibliometric ។ ភូគព្ភសាស្ត្របរិស្ថាន និងសុខភាព.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9 ។
Minasny, B. & McBratney, AB Digital Soil Mapping: ប្រវត្តិសង្ខេប និងមេរៀនមួយចំនួន។Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)។
McBratney, AB, Mendonça Santos, ML & Minasny, B. On digital land mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)។
Deutsch.CV Geostatistical Reservoir Modeling,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +Oxford+Presssc+7%2C+PageGeostatistical+Reservoir+Modeling%2C +Oxford+7%2 ed ថ្ងៃទី 28 ខែមេសា ឆ្នាំ 2021)។