Nature.com ಗೆ ಭೇಟಿ ನೀಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು.ನೀವು ಬಳಸುತ್ತಿರುವ ಬ್ರೌಸರ್ ಆವೃತ್ತಿಯು CSS ಗೆ ಸೀಮಿತ ಬೆಂಬಲವನ್ನು ಹೊಂದಿದೆ.ಉತ್ತಮ ಅನುಭವಕ್ಕಾಗಿ, ನೀವು ನವೀಕರಿಸಿದ ಬ್ರೌಸರ್ ಅನ್ನು (ಅಥವಾ Internet Explorer ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆ ಮೋಡ್ ಅನ್ನು ಆಫ್ ಮಾಡಿ) ಬಳಸಲು ನಾವು ಶಿಫಾರಸು ಮಾಡುತ್ತೇವೆ. ಈ ಮಧ್ಯೆ, ನಿರಂತರ ಬೆಂಬಲವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ನಾವು ಶೈಲಿಗಳು ಮತ್ತು JavaScript ಇಲ್ಲದೆ ಸೈಟ್ ಅನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತೇವೆ.
ಮಣ್ಣಿನ ಮಾಲಿನ್ಯವು ಮಾನವ ಚಟುವಟಿಕೆಗಳಿಂದ ಉಂಟಾದ ದೊಡ್ಡ ಸಮಸ್ಯೆಯಾಗಿದೆ. ಹೆಚ್ಚಿನ ನಗರ ಮತ್ತು ನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿ ಸಂಭಾವ್ಯ ವಿಷಕಾರಿ ಅಂಶಗಳ (PTEs) ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯು ಬದಲಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಅಂತಹ ಮಣ್ಣಿನಲ್ಲಿ PTE ಗಳ ವಿಷಯವನ್ನು ಪ್ರಾದೇಶಿಕವಾಗಿ ಊಹಿಸಲು ಕಷ್ಟವಾಗುತ್ತದೆ. ಒಟ್ಟು 115 ಮಾದರಿಗಳನ್ನು ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್ (Czechumn Czechumn, Czechum) ನಿಂದ ಪಡೆಯಲಾಗಿದೆ. ickel (Ni) ಸಾಂದ್ರತೆಗಳನ್ನು ಅನುಗಮನವಾಗಿ ಜೋಡಿಸಲಾದ ಪ್ಲಾಸ್ಮಾ ಎಮಿಷನ್ ಸ್ಪೆಕ್ಟ್ರೋಮೆಟ್ರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ Ni ಮತ್ತು ಮುನ್ಸೂಚಕಗಳು Ca, Mg, ಮತ್ತು K. ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಪ್ರಿಡಿಕ್ಟರ್ ವೇರಿಯೇಬಲ್ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅಂಶಗಳ ನಡುವೆ ತೃಪ್ತಿಕರವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ತೋರಿಸುತ್ತದೆ. RMSE) (235.974 mg/kg) ಮತ್ತು ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ (MAE) (166.946 mg/kg) ಅನ್ವಯಿಸಲಾದ ಇತರ ವಿಧಾನಗಳಿಗಿಂತ ಹೆಚ್ಚಿನದಾಗಿದೆ. ಎಂಪಿರಿಕಲ್ ಬೇಸಿಯನ್ ಕ್ರಿಜಿಂಗ್-ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ (EBK-MLR) ಗಾಗಿ ಮಿಶ್ರ ಮಾದರಿಗಳು ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಕಡಿಮೆ RMSE (95.479 mg/kg) ಮತ್ತು MAE (77.368 mg/kg) ಮೌಲ್ಯಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ನಿರ್ಣಯದ ಗುಣಾಂಕ (R2 = 0.637) ಜೊತೆಗೆ ಮೆಷಿನ್ ರಿಗ್ರೆಷನ್ (EBK-SVMR) ಮಾದರಿಯು ಅತ್ಯುತ್ತಮ ಮಾದರಿಯಾಗಿದೆ. g-EBK-SVMR ಘಟಕವು ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸುವ ಬಹು ಬಣ್ಣದ ಮಾದರಿಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. EBK ಮತ್ತು SVMR ಅನ್ನು ಸಂಯೋಜಿಸುವುದು ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರದ ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಪರಿಣಾಮಕಾರಿ ತಂತ್ರವಾಗಿದೆ ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ.
ನಿಕಲ್ (Ni) ಅನ್ನು ಸಸ್ಯಗಳಿಗೆ ಸೂಕ್ಷ್ಮ ಪೋಷಕಾಂಶವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ ಏಕೆಂದರೆ ಇದು ವಾತಾವರಣದ ಸಾರಜನಕ ಸ್ಥಿರೀಕರಣ (N) ಮತ್ತು ಯೂರಿಯಾ ಚಯಾಪಚಯ ಕ್ರಿಯೆಗೆ ಕೊಡುಗೆ ನೀಡುತ್ತದೆ, ಇವೆರಡೂ ಬೀಜ ಮೊಳಕೆಯೊಡೆಯಲು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಬೀಜ ಮೊಳಕೆಯೊಡೆಯಲು ಅದರ ಕೊಡುಗೆ ಜೊತೆಗೆ, Ni ಶಿಲೀಂಧ್ರ ಮತ್ತು ಬ್ಯಾಕ್ಟೀರಿಯಾದ ಪ್ರತಿಬಂಧಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಮತ್ತು ಸಸ್ಯದ ಬೆಳವಣಿಗೆಯನ್ನು ಉತ್ತೇಜಿಸುತ್ತದೆ. ಬೀನ್ಸ್‌ಗೆ ಸಾರಜನಕ ಸ್ಥಿರೀಕರಣವನ್ನು ಉತ್ತಮಗೊಳಿಸಲು ನಿಕಲ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳನ್ನು ಅನ್ವಯಿಸಬೇಕಾಗುತ್ತದೆ ಮಣ್ಣು ಮಣ್ಣಿನ pH ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಸ್ಯದ ಬೆಳವಣಿಗೆಗೆ ಅಗತ್ಯವಾದ ಪೋಷಕಾಂಶವಾಗಿ ಕಬ್ಬಿಣದ ಹೀರಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ 1. Liu3 ರ ಪ್ರಕಾರ, ಸಸ್ಯ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬೆಳವಣಿಗೆಗೆ Ni 17 ನೇ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ. ಸಸ್ಯಗಳ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬೆಳವಣಿಗೆಯಲ್ಲಿ ನಿಕಲ್ ಪಾತ್ರದ ಜೊತೆಗೆ, ಮಾನವರಿಗೆ ವಿವಿಧ ಅನ್ವಯಿಕೆಗಳಿಗೆ ಇದು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಆಟೋಮೋಟಿವ್ ಉದ್ಯಮವು ವಿವಿಧ ಕೈಗಾರಿಕಾ ವಲಯಗಳಲ್ಲಿ ನಿಕಲ್ ಅನ್ನು ಬಳಸಬೇಕಾಗುತ್ತದೆ. ಜೊತೆಗೆ, ನಿಕಲ್-ಆಧಾರಿತ ಮಿಶ್ರಲೋಹಗಳು ಮತ್ತು ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟೆಡ್ ಲೇಖನಗಳನ್ನು ಅಡಿಗೆ ಸಾಮಾನುಗಳು, ಬಾಲ್ ರೂಂ ಬಿಡಿಭಾಗಗಳು, ಆಹಾರ ಉದ್ಯಮದ ಸರಬರಾಜುಗಳು, ವಿದ್ಯುತ್, ತಂತಿ ಮತ್ತು ಕೇಬಲ್, ಜೆಟ್ ಟರ್ಬೈನ್ಗಳು, ಶಸ್ತ್ರಚಿಕಿತ್ಸಕ ಇಂಪ್ಲಾಂಟ್ಗಳು, ಜವಳಿ ಮತ್ತು ಹಡಗು ನಿರ್ಮಾಣದ ಮಟ್ಟಗಳಲ್ಲಿ (ಮಣ್ಣಿನ ಮಟ್ಟದಿಂದ ಮಣ್ಣು-ಸಮೃದ್ಧಿ) ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಜೆನಿಕ್ ಮತ್ತು ನೈಸರ್ಗಿಕ ಮೂಲಗಳು, ಆದರೆ ಪ್ರಾಥಮಿಕವಾಗಿ, ಮಾನವಜನ್ಯ4,6 ಗಿಂತ Ni ನೈಸರ್ಗಿಕ ಮೂಲವಾಗಿದೆ. ನಿಕಲ್‌ನ ನೈಸರ್ಗಿಕ ಮೂಲಗಳು ಜ್ವಾಲಾಮುಖಿ ಸ್ಫೋಟಗಳು, ಸಸ್ಯವರ್ಗ, ಕಾಡಿನ ಬೆಂಕಿ ಮತ್ತು ಭೂವೈಜ್ಞಾನಿಕ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಒಳಗೊಂಡಿವೆ;ಆದಾಗ್ಯೂ, ಮಾನವಜನ್ಯ ಮೂಲಗಳು ಉಕ್ಕಿನ ಉದ್ಯಮದಲ್ಲಿ ನಿಕಲ್/ಕ್ಯಾಡ್ಮಿಯಮ್ ಬ್ಯಾಟರಿಗಳು, ಎಲೆಕ್ಟ್ರೋಪ್ಲೇಟಿಂಗ್, ಆರ್ಕ್ ವೆಲ್ಡಿಂಗ್, ಡೀಸೆಲ್ ಮತ್ತು ಇಂಧನ ತೈಲಗಳು ಮತ್ತು ಕಲ್ಲಿದ್ದಲು ದಹನ ಮತ್ತು ತ್ಯಾಜ್ಯ ಮತ್ತು ಕೆಸರು ಸುಡುವಿಕೆಯಿಂದ ವಾತಾವರಣದ ಹೊರಸೂಸುವಿಕೆಗಳನ್ನು ಒಳಗೊಂಡಿವೆ ನಿಕಲ್ ಸಂಚಯನ 7,8.10, ತಕ್ಷಣದ ಮತ್ತು ಪಕ್ಕದ ಪರಿಸರದಲ್ಲಿ ಮೇಲ್ಮಣ್ಣಿನ ಮಾಲಿನ್ಯದ ಮುಖ್ಯ ಮೂಲಗಳು ಮುಖ್ಯವಾಗಿ ನಿಕಲ್-ತಾಮ್ರ-ಆಧಾರಿತ ಸ್ಮೆಲ್ಟರ್‌ಗಳು ಮತ್ತು ಗಣಿಗಳಾಗಿವೆ. ಕೆನಡಾದ ಸಡ್‌ಬರಿ ನಿಕಲ್-ತಾಮ್ರದ ಸಂಸ್ಕರಣಾಗಾರದ ಸುತ್ತಲಿನ ಮೇಲ್ಭಾಗದ ಮಣ್ಣಿನಲ್ಲಿ ಅತ್ಯಧಿಕ ಮಟ್ಟದ ನಿಕಲ್ ಮಾಲಿನ್ಯವನ್ನು ಹೊಂದಿದ್ದು, 26,000 ಮಿಗ್ರಾಂ/ಕೆಜಿ ಉತ್ಪಾದನೆಯಲ್ಲಿ ರಷ್ಯಾ ಉತ್ಪಾದನೆಯಲ್ಲಿ 26,000 mg/kg. ನಾರ್ವೇಜಿಯನ್ ಮಣ್ಣಿನಲ್ಲಿ ಸಾಂದ್ರತೆಗಳು 11. ಆಲ್ಮ್ಸ್ ಮತ್ತು ಇತರರ ಪ್ರಕಾರ.12, ಪ್ರದೇಶದ ಉನ್ನತ ಕೃಷಿಯೋಗ್ಯ ಭೂಮಿಯಲ್ಲಿ (ರಷ್ಯಾದಲ್ಲಿ ನಿಕಲ್ ಉತ್ಪಾದನೆ) HNO3-ಹೊರತೆಗೆಯಬಹುದಾದ ನಿಕಲ್ ಪ್ರಮಾಣವು 6.25 ರಿಂದ 136.88 mg/kg ವರೆಗೆ ಇರುತ್ತದೆ, ಇದು ಸರಾಸರಿ 30.43 mg/kg ಮತ್ತು 25 mg/kg ನ ಬೇಸ್‌ಲೈನ್ ಸಾಂದ್ರತೆಗೆ ಅನುಗುಣವಾಗಿರುತ್ತದೆ. ಸತತ ಬೆಳೆ ಋತುಗಳಲ್ಲಿ ನಗರ ಮಣ್ಣುಗಳು ಮಣ್ಣನ್ನು ತುಂಬಿಸಬಹುದು ಅಥವಾ ಕಲುಷಿತಗೊಳಿಸಬಹುದು. ಮಾನವರಲ್ಲಿ ನಿಕಲ್‌ನ ಸಂಭಾವ್ಯ ಪರಿಣಾಮಗಳು ರೂಪಾಂತರ, ಕ್ರೋಮೋಸೋಮಲ್ ಹಾನಿ, Z-DNA ಉತ್ಪಾದನೆ, ನಿರ್ಬಂಧಿಸಿದ ಡಿಎನ್‌ಎ ಛೇದನ ದುರಸ್ತಿ ಅಥವಾ ಎಪಿಜೆನೆಟಿಕ್ ಪ್ರಕ್ರಿಯೆಗಳ ಮೂಲಕ ಕ್ಯಾನ್ಸರ್‌ಗೆ ಕಾರಣವಾಗಬಹುದು.
ಮಣ್ಣು-ಸಸ್ಯ ಸಂಬಂಧಗಳು, ಮಣ್ಣು ಮತ್ತು ಮಣ್ಣಿನ ಜೈವಿಕ ಸಂಬಂಧಗಳು, ಪರಿಸರ ಅವನತಿ ಮತ್ತು ಪರಿಸರದ ಪ್ರಭಾವದ ಮೌಲ್ಯಮಾಪನದಿಂದ ಉಂಟಾಗುವ ವ್ಯಾಪಕ ಶ್ರೇಣಿಯ ಆರೋಗ್ಯ-ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗಳಿಂದಾಗಿ ಮಣ್ಣಿನ ಮಾಲಿನ್ಯದ ಮೌಲ್ಯಮಾಪನಗಳು ಇತ್ತೀಚಿನ ದಿನಗಳಲ್ಲಿ ಪ್ರವರ್ಧಮಾನಕ್ಕೆ ಬಂದಿವೆ. ಇಲ್ಲಿಯವರೆಗೆ, ಮಣ್ಣಿನಲ್ಲಿ ನಿ ಯಂತಹ ಸಂಭಾವ್ಯ ವಿಷಕಾರಿ ಅಂಶಗಳ (ಪಿಟಿಇ) ಪ್ರಾದೇಶಿಕ ಮುನ್ಸೂಚನೆಯು ಪ್ರಯಾಸಕರವಾಗಿದೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಮಣ್ಣಿನಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ. ಪ್ರಿಡಿಕ್ಟಿವ್ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್ (PSM).ಮಿನಾಸ್ನಿ ಮತ್ತು ಮ್ಯಾಕ್‌ಬ್ರಾಟ್ನಿ16 ರ ಪ್ರಕಾರ, ಭವಿಷ್ಯಸೂಚಕ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್ (DSM) ಮಣ್ಣಿನ ವಿಜ್ಞಾನದ ಪ್ರಮುಖ ಉಪವಿಭಾಗವೆಂದು ಸಾಬೀತಾಗಿದೆ. ಲಗಾಚೆರಿ ಮತ್ತು ಮ್ಯಾಕ್‌ಬ್ರಾಟ್ನಿ, 2006 ರಲ್ಲಿ DSM ಅನ್ನು "ಪ್ರಾದೇಶಿಕ ಮಣ್ಣಿನ ಮಾಹಿತಿ ವ್ಯವಸ್ಥೆಗಳ ರಚನೆ ಮತ್ತು ಭರ್ತಿ" ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. .ಮ್ಯಾಕ್‌ಬ್ರಾಟ್ನಿ ಮತ್ತು ಇತರರು.17 ಸಮಕಾಲೀನ DSM ಅಥವಾ PSM PTE ಗಳು, ಮಣ್ಣಿನ ವಿಧಗಳು ಮತ್ತು ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ಊಹಿಸಲು ಅಥವಾ ಮ್ಯಾಪಿಂಗ್ ಮಾಡಲು ಅತ್ಯಂತ ಪರಿಣಾಮಕಾರಿ ತಂತ್ರವಾಗಿದೆ ಎಂದು ಔಟ್ಲೈನ್. ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ಸ್ (MLA) ಗಳು DSM ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳಾಗಿವೆ, ಇದು ಕಂಪ್ಯೂಟರ್ಗಳ ಸಹಾಯದಿಂದ ಡಿಜಿಟೈಸ್ ಮಾಡಿದ ನಕ್ಷೆಗಳನ್ನು ಗಮನಾರ್ಹ ಮತ್ತು ಕನಿಷ್ಠ ಡೇಟಾವನ್ನು ಬಳಸಿ ರಚಿಸುತ್ತದೆ.
Deutsch18 ಮತ್ತು Olea19 ಭೌಗೋಳಿಕ ಅಂಕಿಅಂಶಗಳನ್ನು "ಪ್ರಾದೇಶಿಕ ಗುಣಲಕ್ಷಣಗಳ ಪ್ರಾತಿನಿಧ್ಯದೊಂದಿಗೆ ವ್ಯವಹರಿಸುವ ಸಂಖ್ಯಾತ್ಮಕ ತಂತ್ರಗಳ ಸಂಗ್ರಹವಾಗಿದೆ, ಮುಖ್ಯವಾಗಿ ಸಮಯ ಸರಣಿಯ ವಿಶ್ಲೇಷಣೆಯು ತಾತ್ಕಾಲಿಕ ದತ್ತಾಂಶವನ್ನು ಹೇಗೆ ನಿರೂಪಿಸುತ್ತದೆ ಎಂಬುದರಂತಹ ಸ್ಥಾಪಿತ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ."ಪ್ರಾಥಮಿಕವಾಗಿ, ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ವೇರಿಯೋಗ್ರಾಮ್‌ಗಳ ಮೌಲ್ಯಮಾಪನವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದು ಪ್ರತಿ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಪ್ರಾದೇಶಿಕ ಮೌಲ್ಯಗಳ ಅವಲಂಬನೆಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಮತ್ತು ವ್ಯಾಖ್ಯಾನಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ20.Gumiaux et al.20 ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್‌ನಲ್ಲಿನ ವೇರಿಯೋಗ್ರಾಮ್‌ಗಳ ಮೌಲ್ಯಮಾಪನವು ಮೂರು ತತ್ವಗಳನ್ನು ಆಧರಿಸಿದೆ ಎಂದು ವಿವರಿಸುತ್ತದೆ, (ಎ) ದತ್ತಾಂಶ ಪರಸ್ಪರ ಸಂಬಂಧದ ಪ್ರಮಾಣವನ್ನು ಕಂಪ್ಯೂಟಿಂಗ್ ಮಾಡುವುದು, (ಬಿ) ಡೇಟಾಸೆಟ್ ಅಸಮಾನತೆಯಲ್ಲಿ ಅನಿಸೊಟ್ರೋಪಿಯನ್ನು ಗುರುತಿಸುವುದು ಮತ್ತು ಕಂಪ್ಯೂಟಿಂಗ್ ಮಾಡುವುದು ಮತ್ತು (ಸಿ) ಜೊತೆಗೆ ಸ್ಥಳೀಯ ಪರಿಣಾಮಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದರ ಜೊತೆಗೆ, ಮಾಪನದ ದತ್ತಾಂಶದ ಅಂತರ್ಗತ ಪರಿಣಾಮಗಳ ಅಂದಾಜು ಅನೇಕ ಪ್ರದೇಶಗಳ ಅಂತರ್ಗತ ಪರಿಣಾಮಗಳು ಸಾಮಾನ್ಯ ಕ್ರೈಜಿಂಗ್, ಸಹ-ಕ್ರಿಗಿಂಗ್, ಸಾಮಾನ್ಯ ಕ್ರೈಜಿಂಗ್, ಪ್ರಾಯೋಗಿಕ ಬೇಯೆಸಿಯನ್ ಕ್ರೈಜಿಂಗ್, ಸರಳ ಕ್ರೈಜಿಂಗ್ ವಿಧಾನ ಮತ್ತು PTE, ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಮಣ್ಣಿನ ಪ್ರಕಾರಗಳನ್ನು ನಕ್ಷೆ ಮಾಡಲು ಅಥವಾ ಊಹಿಸಲು ಇತರ ಪ್ರಸಿದ್ಧ ಇಂಟರ್ಪೋಲೇಷನ್ ತಂತ್ರಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರದಲ್ಲಿ ಧ್ರುವೀಯ ತಂತ್ರಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ.
ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಅಲ್ಗಾರಿದಮ್‌ಗಳು (MLA) ತುಲನಾತ್ಮಕವಾಗಿ ಹೊಸ ತಂತ್ರವಾಗಿದ್ದು, ಇದು ದೊಡ್ಡ ರೇಖಾತ್ಮಕವಲ್ಲದ ದತ್ತಾಂಶ ವರ್ಗಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ, ಪ್ರಾಥಮಿಕವಾಗಿ ದತ್ತಾಂಶ ಗಣಿಗಾರಿಕೆಗೆ, ಡೇಟಾದಲ್ಲಿನ ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ಮಣ್ಣಿನ ವಿಜ್ಞಾನದಂತಹ ವೈಜ್ಞಾನಿಕ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವರ್ಗೀಕರಣಕ್ಕೆ ಪುನರಾವರ್ತಿತವಾಗಿ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ.22 (ಕೃಷಿ ಮಣ್ಣಿನಲ್ಲಿ ಹೆವಿ ಮೆಟಲ್ ಅಂದಾಜುಗಾಗಿ ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯಗಳು), ಸಕಿಜಾಡೆ ಮತ್ತು ಇತರರು.23 (ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳು ಮತ್ತು ಕೃತಕ ನರ ಜಾಲಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾಡೆಲಿಂಗ್) ಮಣ್ಣಿನ ಮಾಲಿನ್ಯ ).ಇದಲ್ಲದೆ, ವೆಗಾ ಮತ್ತು ಇತರರು.24 (ಮಣ್ಣಿನಲ್ಲಿ ಹೆವಿ ಮೆಟಲ್ ಧಾರಣ ಮತ್ತು ಹೊರಹೀರುವಿಕೆಯನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡಲು CART) ಸನ್ ಮತ್ತು ಇತರರು.25 (ಕ್ಯೂಬಿಸ್ಟ್‌ನ ಅನ್ವಯವು ಮಣ್ಣಿನಲ್ಲಿ ಸಿಡಿಯ ವಿತರಣೆಯಾಗಿದೆ) ಮತ್ತು ಇತರ ಅಲ್ಗಾರಿದಮ್‌ಗಳಾದ k-ಸಮೀಪದ ನೆರೆಹೊರೆ, ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಬೂಸ್ಟ್ಡ್ ರಿಗ್ರೆಷನ್ ಮತ್ತು ಬೂಸ್ಟ್ ರಿಗ್ರೆಶನ್ ಟ್ರೀಸ್ ಮಣ್ಣಿನಲ್ಲಿ PTE ಅನ್ನು ಊಹಿಸಲು MLA ಅನ್ನು ಸಹ ಅನ್ವಯಿಸುತ್ತದೆ.
ಭವಿಷ್ಯ ಅಥವಾ ಮ್ಯಾಪಿಂಗ್‌ನಲ್ಲಿ DSM ಅಲ್ಗಾರಿದಮ್‌ಗಳ ಅನ್ವಯವು ಹಲವಾರು ಸವಾಲುಗಳನ್ನು ಎದುರಿಸುತ್ತಿದೆ. ಅನೇಕ ಲೇಖಕರು ಎಂಎಲ್‌ಎ ಭೂಸಂಖ್ಯಾಶಾಸ್ತ್ರಕ್ಕಿಂತ ಉತ್ತಮ ಎಂದು ನಂಬುತ್ತಾರೆ ಮತ್ತು ಪ್ರತಿಯಾಗಿ. ಒಂದು ಇನ್ನೊಂದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿದ್ದರೂ, ಎರಡರ ಸಂಯೋಜನೆಯು DSM15. ವುಡ್‌ಕಾಕ್ ಮತ್ತು ಗೋಪಾಲ್ 2726 ರಲ್ಲಿ ಮ್ಯಾಪಿಂಗ್ ಅಥವಾ ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯ ಮಟ್ಟವನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.ಪೊಂಟಿಯಸ್ ಮತ್ತು Cheuk28 ಮತ್ತು Grunwald29 ಭವಿಷ್ಯ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್‌ನಲ್ಲಿನ ನ್ಯೂನತೆಗಳು ಮತ್ತು ಕೆಲವು ದೋಷಗಳ ಕುರಿತು ಕಾಮೆಂಟ್ ಮಾಡಿದ್ದಾರೆ. DSM ಮ್ಯಾಪಿಂಗ್ ಮತ್ತು ಮುನ್ಸೂಚನೆಯ ಪರಿಣಾಮಕಾರಿತ್ವ, ನಿಖರತೆ ಮತ್ತು ಭವಿಷ್ಯವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ಮಣ್ಣಿನ ವಿಜ್ಞಾನಿಗಳು ವಿವಿಧ ತಂತ್ರಗಳನ್ನು ಪ್ರಯತ್ನಿಸಿದ್ದಾರೆ. ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಪರಿಶೀಲನೆಯ ಸಂಯೋಜನೆಯು ಹಲವಾರು ವಿಭಿನ್ನ ಅಂಶಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಅಲ್.15 ನಕ್ಷೆ ರಚನೆ ಮತ್ತು ಭವಿಷ್ಯದಿಂದ ಪರಿಚಯಿಸಲಾದ ಮೌಲ್ಯಮಾಪನ ನಡವಳಿಕೆ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯನ್ನು ನಕ್ಷೆಯ ಗುಣಮಟ್ಟವನ್ನು ಸುಧಾರಿಸಲು ಸ್ವತಂತ್ರವಾಗಿ ಮೌಲ್ಯೀಕರಿಸಬೇಕು. DSM ನ ಮಿತಿಗಳು ಭೌಗೋಳಿಕವಾಗಿ ಚದುರಿದ ಮಣ್ಣಿನ ಗುಣಮಟ್ಟದಿಂದಾಗಿ, ಇದು ಅನಿಶ್ಚಿತತೆಯ ಅಂಶವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ;ಆದಾಗ್ಯೂ, DSM ನಲ್ಲಿ ಖಚಿತತೆಯ ಕೊರತೆಯು ದೋಷದ ಬಹು ಮೂಲಗಳಿಂದ ಉಂಟಾಗಬಹುದು, ಅವುಗಳೆಂದರೆ ಕೋವೇರಿಯೇಟ್ ದೋಷ, ಮಾದರಿ ದೋಷ, ಸ್ಥಳ ದೋಷ ಮತ್ತು ವಿಶ್ಲೇಷಣಾತ್ಮಕ ದೋಷ 31. MLA ಮತ್ತು ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಪ್ರಕ್ರಿಯೆಗಳಲ್ಲಿ ಪ್ರೇರಿತವಾದ ಮಾಡೆಲಿಂಗ್ ದೋಷಗಳು ತಿಳುವಳಿಕೆಯ ಕೊರತೆಯೊಂದಿಗೆ ಸಂಬಂಧಿಸಿವೆ, ಅಂತಿಮವಾಗಿ ಮಾದರಿಯ ಸ್ವರೂಪದ ಸರಳೀಕರಣಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆ. ing ನಿಯತಾಂಕಗಳು, ಗಣಿತದ ಮಾದರಿಯ ಮುನ್ನೋಟಗಳು, ಅಥವಾ ಇಂಟರ್ಪೋಲೇಶನ್34;ಸುಬೋಟಿನಾ ಮತ್ತು ಇತರರು.35;ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರು.36 ಮತ್ತು ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರು.37 ಮುನ್ಸೂಚನೆ ಮತ್ತು ಮ್ಯಾಪಿಂಗ್‌ನ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುವ ಹೈಬ್ರಿಡ್ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕ್ಸ್ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆಯ ನಿಖರವಾದ ಗುಣಮಟ್ಟವನ್ನು ಬಳಸಿಕೊಳ್ಳಲಾಗಿದೆ.ಗುಣಮಟ್ಟ.ಈ ಕೆಲವು ಹೈಬ್ರಿಡ್ ಅಥವಾ ಸಂಯೋಜಿತ ಅಲ್ಗಾರಿದಮ್ ಮಾದರಿಗಳು ಕೃತಕ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಕ್ರೈಜಿಂಗ್ (ANN-RK), ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ರೆಸಿಡ್ಯುಯಲ್ ಕ್ರೈಜಿಂಗ್ (MLP-RK), ಸಾಮಾನ್ಯೀಕೃತ ರಿಗ್ರೆಷನ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ರೆಸಿಡ್ಯುಯಲ್ ಕ್ರೈಜಿಂಗ್ (GR- NNRK) 36, ಆರ್ಟಿಫಿಶಿಯಲ್ ನೆರಿಜಿಂಗ್ P)37 ಮತ್ತು ಸಹ-ಕ್ರಿಗಿಂಗ್ ಮತ್ತು ಗಾಸಿಯನ್ ಪ್ರಕ್ರಿಯೆಯ ಹಿಂಜರಿತ38.
Sergeev et al. ಪ್ರಕಾರ, ವಿವಿಧ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು ನ್ಯೂನತೆಗಳನ್ನು ತೊಡೆದುಹಾಕುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಅದರ ಏಕೈಕ ಮಾದರಿಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ಹೈಬ್ರಿಡ್ ಮಾದರಿಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ical Bayesian Kriging (EBK) ಮೂಲ ಮಾದರಿಯಾಗಿ ಮತ್ತು ಬೆಂಬಲ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (SVM) ಮತ್ತು ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ (MLR) ಮಾದರಿಗಳೊಂದಿಗೆ ಮಿಶ್ರಣ ಮಾಡಿ. ಯಾವುದೇ MLA ನೊಂದಿಗೆ EBK ಯ ಹೈಬ್ರಿಡೈಸೇಶನ್ ತಿಳಿದಿಲ್ಲ. ಕಂಡುಬರುವ ಬಹು ಮಿಶ್ರ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯ, ಉಳಿದಿರುವ, ಹಿಂಜರಿತದ ವಿಧಾನಗಳ ಸಂಯೋಜನೆಗಳಾಗಿವೆ. ಕ್ಷೇತ್ರದ ಮೇಲೆ ವ್ಯಾಖ್ಯಾನಿಸಲಾದ ಸ್ಥಳೀಕರಣ ನಿಯತಾಂಕಗಳೊಂದಿಗೆ ಸ್ಥಿರವಲ್ಲದ/ಸ್ಥಾಯಿ ಯಾದೃಚ್ಛಿಕ ಕ್ಷೇತ್ರವಾಗಿ ಸ್ಥಳೀಕರಿಸಲ್ಪಟ್ಟ ಮಿತ್ರ ಸ್ಥಾಯೀ ಪ್ರಕ್ರಿಯೆ, ಪ್ರಾದೇಶಿಕ ಬದಲಾವಣೆಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ
ಮತ್ತೊಂದೆಡೆ, ಸ್ವಯಂ-ಸಂಘಟನೆ ಗ್ರಾಫ್ (SeOM) ಒಂದು ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು ಇದನ್ನು Li et al ನಂತಹ ವಿವಿಧ ಲೇಖನಗಳಲ್ಲಿ ಅನ್ವಯಿಸಲಾಗಿದೆ.43, ವಾಂಗ್ ಮತ್ತು ಇತರರು.44, ಹೊಸೈನ್ ಭುಯಾನ್ ಮತ್ತು ಇತರರು.45 ಮತ್ತು ಕೆಬೊನಿ ಮತ್ತು ಇತರರು. 46 ಪ್ರಾದೇಶಿಕ ಗುಣಲಕ್ಷಣಗಳು ಮತ್ತು ಅಂಶಗಳ ಗುಂಪನ್ನು ನಿರ್ಧರಿಸಿ. ವಾಂಗ್ ಮತ್ತು ಇತರರು.44 ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಮಸ್ಯೆಗಳನ್ನು ಗುಂಪು ಮಾಡುವ ಮತ್ತು ಕಲ್ಪಿಸುವ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೆಸರುವಾಸಿಯಾದ ಪ್ರಬಲ ಕಲಿಕೆಯ ತಂತ್ರವು SeOM ಎಂದು ರೂಪರೇಖೆಯನ್ನು ನೀಡುತ್ತದೆ. ಪ್ರಮುಖ ಘಟಕ ವಿಶ್ಲೇಷಣೆ, ಅಸ್ಪಷ್ಟ ಕ್ಲಸ್ಟರಿಂಗ್, ಕ್ರಮಾನುಗತ ಕ್ಲಸ್ಟರಿಂಗ್, ಮತ್ತು ಬಹು-ಮಾನದಂಡ ನಿರ್ಧಾರ ಮಾಡುವಿಕೆಯಂತಹ ಇತರ ಮಾದರಿ ಗುರುತಿಸುವಿಕೆ ತಂತ್ರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, SeOM PTE ಮಾದರಿಗಳನ್ನು ಸಂಘಟಿಸಲು ಮತ್ತು ಗುರುತಿಸುವಲ್ಲಿ ಉತ್ತಮವಾಗಿದೆ.44, SeOM ಸಂಬಂಧಿತ ನ್ಯೂರಾನ್‌ಗಳ ವಿತರಣೆಯನ್ನು ಪ್ರಾದೇಶಿಕವಾಗಿ ಗುಂಪು ಮಾಡಬಹುದು ಮತ್ತು ಹೆಚ್ಚಿನ-ರೆಸಲ್ಯೂಶನ್ ಡೇಟಾ ದೃಶ್ಯೀಕರಣವನ್ನು ಒದಗಿಸುತ್ತದೆ. ನೇರ ವ್ಯಾಖ್ಯಾನಕ್ಕಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ನಿರೂಪಿಸಲು ಉತ್ತಮ ಮಾದರಿಯನ್ನು ಪಡೆಯಲು Ni ಭವಿಷ್ಯ ಡೇಟಾವನ್ನು SeOM ದೃಶ್ಯೀಕರಿಸುತ್ತದೆ.
ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರದ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಅಂಶವನ್ನು ಊಹಿಸಲು ಸೂಕ್ತ ನಿಖರತೆಯೊಂದಿಗೆ ದೃಢವಾದ ಮ್ಯಾಪಿಂಗ್ ಮಾದರಿಯನ್ನು ರಚಿಸುವ ಗುರಿಯನ್ನು ಈ ಪತ್ರಿಕೆ ಹೊಂದಿದೆ. ಮಿಶ್ರ ಮಾದರಿಯ ವಿಶ್ವಾಸಾರ್ಹತೆಯು ಮುಖ್ಯವಾಗಿ ಮೂಲ ಮಾದರಿಗೆ ಲಗತ್ತಿಸಲಾದ ಇತರ ಮಾದರಿಗಳ ಪ್ರಭಾವವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ ಎಂದು ನಾವು ಊಹಿಸುತ್ತೇವೆ. DSM ಎದುರಿಸುತ್ತಿರುವ ಸವಾಲುಗಳನ್ನು ನಾವು ಒಪ್ಪಿಕೊಳ್ಳುತ್ತೇವೆ. ರು ಏರಿಕೆಯಾಗುವುದು;ಆದ್ದರಿಂದ, ನಾವು ಮಿಶ್ರ ಮಾದರಿಗಳನ್ನು ನೀಡಬಹುದಾದ ಸಂಶೋಧನಾ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತೇವೆ. ಆದಾಗ್ಯೂ, ಗುರಿ ಅಂಶವನ್ನು ಊಹಿಸುವ ಮಾದರಿಯು ಎಷ್ಟು ನಿಖರವಾಗಿದೆ? ಅಲ್ಲದೆ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನದ ಆಧಾರದ ಮೇಲೆ ದಕ್ಷತೆಯ ಮೌಲ್ಯಮಾಪನದ ಮಟ್ಟ ಏನು? ಆದ್ದರಿಂದ, ಈ ಅಧ್ಯಯನದ ನಿರ್ದಿಷ್ಟ ಗುರಿಗಳೆಂದರೆ (ಎ) SVMR ಅಥವಾ MLR ಮಾದರಿಗಾಗಿ ಸಂಯೋಜಿತ ಮಿಶ್ರಣ ಮಾದರಿಯನ್ನು ರಚಿಸುವುದು (ಎ) ನಗರ ಅಥವಾ ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಗಳನ್ನು ಊಹಿಸುವುದು, ಮತ್ತು (d) ನಿಕಲ್ ಪ್ರಾದೇಶಿಕ ವ್ಯತ್ಯಾಸದ ಹೆಚ್ಚಿನ ರೆಸಲ್ಯೂಶನ್ ನಕ್ಷೆಯನ್ನು ರಚಿಸಲು SeOM ನ ಅಪ್ಲಿಕೇಶನ್.
ಅಧ್ಯಯನವನ್ನು ಜೆಕ್ ರಿಪಬ್ಲಿಕ್‌ನಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತಿದೆ, ನಿರ್ದಿಷ್ಟವಾಗಿ ಮೊರಾವಿಯಾ-ಸಿಲೆಸಿಯನ್ ಪ್ರದೇಶದ ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್ ಜಿಲ್ಲೆಯಲ್ಲಿ (ಚಿತ್ರ 1 ನೋಡಿ). ಅಧ್ಯಯನ ಪ್ರದೇಶದ ಭೌಗೋಳಿಕತೆಯು ತುಂಬಾ ಒರಟಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚಾಗಿ ಮೊರಾವಿಯಾ-ಸಿಲೇಸಿಯನ್ ಬೆಸ್ಕಿಡಿ ಪ್ರದೇಶದ ಭಾಗವಾಗಿದೆ, ಇದು ಕಾರ್ಪಾಥಿಯನ್ ಪರ್ವತಗಳ ನಡುವಿನ ಹೊರ ಅಂಚಿನ ಭಾಗವಾಗಿದೆ. 18° 20′ 0′ E, ಮತ್ತು ಎತ್ತರವು 225 ಮತ್ತು 327 ಮೀ ನಡುವೆ ಇದೆ;ಆದಾಗ್ಯೂ, ಪ್ರದೇಶದ ಹವಾಮಾನ ಸ್ಥಿತಿಗಾಗಿ ಕೊಪ್ಪೆನ್ ವರ್ಗೀಕರಣ ವ್ಯವಸ್ಥೆಯನ್ನು Cfb = ಸಮಶೀತೋಷ್ಣ ಸಾಗರದ ಹವಾಮಾನ ಎಂದು ರೇಟ್ ಮಾಡಲಾಗಿದೆ, ಶುಷ್ಕ ತಿಂಗಳುಗಳಲ್ಲಿಯೂ ಸಹ ಸಾಕಷ್ಟು ಮಳೆಯಾಗುತ್ತದೆ. ತಾಪಮಾನವು ವರ್ಷವಿಡೀ ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ -5 °C ಮತ್ತು 24 °C ನಡುವೆ ಬದಲಾಗುತ್ತದೆ, ಅಪರೂಪವಾಗಿ -14 °C ಅಥವಾ 30 °C ಗಿಂತ ಹೆಚ್ಚು ವಾರ್ಷಿಕವಾಗಿ 30 °C ಕ್ಕಿಂತ ಹೆಚ್ಚು ಮಳೆಯಾಗುತ್ತದೆ. ಇಡೀ ಪ್ರದೇಶವು 1,208 ಚದರ ಕಿಲೋಮೀಟರ್, 39.38% ಸಾಗುವಳಿ ಭೂಮಿ ಮತ್ತು 49.36% ಅರಣ್ಯ ವ್ಯಾಪ್ತಿ ಹೊಂದಿದೆ. ಮತ್ತೊಂದೆಡೆ, ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ಪ್ರದೇಶವು ಸುಮಾರು 889.8 ಚದರ ಕಿಲೋಮೀಟರ್ ಆಗಿದೆ. ಓಸ್ಟ್ರಾವಾ ಮತ್ತು ಸುತ್ತಮುತ್ತಲಿನ ಉಕ್ಕಿನ ಉದ್ಯಮ ಮತ್ತು ಲೋಹದ ಕೆಲಸಗಳು ಹೆಚ್ಚು ಸಕ್ರಿಯವಾಗಿವೆ. ಸವೆತ) ಮತ್ತು ಮಿಶ್ರಲೋಹದ ಉಕ್ಕುಗಳು (ನಿಕಲ್ ಅದರ ಉತ್ತಮ ಡಕ್ಟಿಲಿಟಿ ಮತ್ತು ಗಟ್ಟಿತನವನ್ನು ಕಾಪಾಡಿಕೊಂಡು ಮಿಶ್ರಲೋಹದ ಬಲವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ), ಮತ್ತು ಫಾಸ್ಫೇಟ್ ಗೊಬ್ಬರದ ಬಳಕೆ ಮತ್ತು ಜಾನುವಾರು ಉತ್ಪಾದನೆಯಂತಹ ತೀವ್ರವಾದ ಕೃಷಿಯು ಈ ಪ್ರದೇಶದಲ್ಲಿ ನಿಕಲ್‌ನ ಸಂಶೋಧನಾ ಸಂಭಾವ್ಯ ಮೂಲಗಳಾಗಿವೆ (ಉದಾ, ಕುರಿಮರಿಗಳ ಬೆಳವಣಿಗೆಯ ದರವನ್ನು ಹೆಚ್ಚಿಸಲು ಕುರಿಮರಿಗಳಿಗೆ ನಿಕಲ್ ಸೇರಿಸುವುದು ಮತ್ತು ಅದರ ಎಲೆಕ್ಟ್ರೋಪ್ ಎಲೆಕ್ಟ್ರಿಕ್ ಎಲೆಕ್ಟ್ರಿಕ್ ಎಲೆಕ್ಟ್ರಿಕ್ ಬಳಕೆ ಸೇರಿದಂತೆ ಎಲೆಕ್ಟ್ರೋಪ್ ಎಲೆಕ್ಟ್ರಿಕ್ ಬಳಕೆ ಸೇರಿದಂತೆ. ಇಕಲ್ ಮತ್ತು ಎಲೆಕ್ಟ್ರೋಲೆಸ್ ನಿಕಲ್ ಲೋಹಲೇಪ ಪ್ರಕ್ರಿಯೆಗಳು.ಮಣ್ಣಿನ ಗುಣಲಕ್ಷಣಗಳು ಮಣ್ಣಿನ ಬಣ್ಣ, ರಚನೆ ಮತ್ತು ಕಾರ್ಬೊನೇಟ್ ಅಂಶದಿಂದ ಸುಲಭವಾಗಿ ಪ್ರತ್ಯೇಕಿಸಲ್ಪಡುತ್ತವೆ. ಮಣ್ಣಿನ ವಿನ್ಯಾಸವು ಮಧ್ಯಮದಿಂದ ಸೂಕ್ಷ್ಮವಾಗಿರುತ್ತದೆ, ಮೂಲ ವಸ್ತುಗಳಿಂದ ಪಡೆಯಲಾಗುತ್ತದೆ. ಅವು ಕೊಲ್ಯುವಿಯಲ್, ಮೆಕ್ಕಲು ಅಥವಾ ಅಯೋಲಿಯನ್ ಸ್ವಭಾವದವುಗಳಾಗಿವೆ. ಕೆಲವು ಮಣ್ಣಿನ ಪ್ರದೇಶಗಳು ಮೇಲ್ಮೈ ಮತ್ತು ಮಣ್ಣಿನಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಕಂಡುಬರುತ್ತವೆ ಪ್ರದೇಶ48. 455.1 ರಿಂದ 493.5 ಮೀ ವರೆಗಿನ ಎತ್ತರಗಳೊಂದಿಗೆ, ಕ್ಯಾಂಬಿಸೋಲ್‌ಗಳು ಜೆಕ್ ಗಣರಾಜ್ಯದಲ್ಲಿ ಪ್ರಾಬಲ್ಯ ಹೊಂದಿವೆ49.
ಅಧ್ಯಯನ ಪ್ರದೇಶದ ನಕ್ಷೆ [ಅಧ್ಯಯನ ಪ್ರದೇಶದ ನಕ್ಷೆಯನ್ನು ArcGIS ಡೆಸ್ಕ್‌ಟಾಪ್ ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ESRI, Inc, ಆವೃತ್ತಿ 10.7, URL: https://desktop.arcgis.com).]
ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್ ಜಿಲ್ಲೆಯಲ್ಲಿನ ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಿಂದ ಒಟ್ಟು 115 ಮೇಲ್ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಮಾದರಿ ಮಾದರಿಯು ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು 2 × 2 ಕಿಮೀ ಅಂತರದಲ್ಲಿ ನಿಯಮಿತ ಗ್ರಿಡ್‌ನೊಂದಿಗೆ ಬಳಸಲಾಗಿದೆ ಮತ್ತು ಮೇಲ್ಮಣ್ಣನ್ನು 0 ರಿಂದ 20 ಆಳದಲ್ಲಿ ಕೈಯಿಂದ ಹಿಡಿದಿರುವ ಜಿಪಿಎಸ್ ಸಾಧನ (ಲೈಕಾ ಝೆನೋ ಪ್ಯಾಕೇಜಿನಲ್ಲಿ ಪ್ಯಾಕೇಜಿಂಗ್, ಲೈಕಾ ಝೆನೋ 5 ಸೆಂ. ಪ್ರಯೋಗಾಲಯಕ್ಕೆ ರವಾನಿಸಲಾಗಿದೆ. ಮಾದರಿಗಳನ್ನು ಪುಡಿಮಾಡಿದ ಮಾದರಿಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಗಾಳಿಯಲ್ಲಿ ಒಣಗಿಸಿ, ಯಾಂತ್ರಿಕ ವ್ಯವಸ್ಥೆಯಿಂದ ಪುಡಿಮಾಡಲಾಗುತ್ತದೆ (ಫ್ರಿಟ್ಸ್ಚ್ ಡಿಸ್ಕ್ ಮಿಲ್), ಮತ್ತು ಜರಡಿ (ಜರಡಿ ಗಾತ್ರ 2 ಮಿಮೀ). 1 ಗ್ರಾಂ ಒಣಗಿದ, ಏಕರೂಪದ ಮತ್ತು ಜರಡಿ ಮಾಡಿದ ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಲೇಬಲ್ ಮಾಡಿದ ಟೆಫ್ಲಾನ್ ಮತ್ತು ಜರಡಿ ಮಾಡಿದ ಮಣ್ಣಿನ ಮಾದರಿಗಳನ್ನು 5% 5% 5 ಟೆಫ್ಲಾನ್ ಬಾಟಲಿಗಳಲ್ಲಿ ಇರಿಸಿ. % HNO3 (ಸ್ವಯಂಚಾಲಿತ ವಿತರಕವನ್ನು ಬಳಸುವುದು - ಪ್ರತಿ ಆಮ್ಲಕ್ಕೆ ಒಂದು), ಲಘುವಾಗಿ ಮುಚ್ಚಿ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಪ್ರತಿಕ್ರಿಯೆಗಾಗಿ ರಾತ್ರಿಯಲ್ಲಿ ನಿಲ್ಲುವಂತೆ ಮಾಡಿ (ಆಕ್ವಾ ರೆಜಿಯಾ ಪ್ರೋಗ್ರಾಂ) 50 ಮಿಲಿ ಡಿಯೋನೈಸ್ಡ್ ನೀರಿನಿಂದ. ಅದರ ನಂತರ, ದುರ್ಬಲಗೊಳಿಸಿದ ಸೂಪರ್‌ನಾಟಂಟ್ ಅನ್ನು 50 ಮಿಲಿ ಪಿವಿಸಿ ಟ್ಯೂಬ್‌ಗೆ ಡಿಯೋನೈಸ್ಡ್ ನೀರಿನಿಂದ ಫಿಲ್ಟರ್ ಮಾಡಿ. ಹೆಚ್ಚುವರಿಯಾಗಿ, 1 ಮಿಲಿ ಡೀಲ್ಯೂಷನ್ ದ್ರಾವಣವನ್ನು 9 ಮಿಲಿ ಡಿಯೋನೈಸ್ಡ್ ನೀರಿನಿಂದ ದುರ್ಬಲಗೊಳಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ಪಿಟಿಇ ಹುಸಿ-ಸಾಂದ್ರತೆ, ಸಿಡಿಬಿಎನ್, ಸಿಡಿಬಿ, ಸಿಡಿಬಿ, ಸಿಡಿಬಿ, ಸಿಡಿಬಿ ಸಾಂದ್ರತೆ Ca, Mg, K) ಅನ್ನು ಪ್ರಮಾಣಿತ ವಿಧಾನಗಳು ಮತ್ತು ಒಪ್ಪಂದದ ಪ್ರಕಾರ ICP-OES (ಇಂಡಕ್ಟಿವ್ಲಿ ಕಪಲ್ಡ್ ಪ್ಲಾಸ್ಮಾ ಆಪ್ಟಿಕಲ್ ಎಮಿಷನ್ ಸ್ಪೆಕ್ಟ್ರೋಸ್ಕೋಪಿ) (ಥರ್ಮೋ ಫಿಶರ್ ಸೈಂಟಿಫಿಕ್, USA) ನಿರ್ಧರಿಸುತ್ತದೆ. ಗುಣಮಟ್ಟ ಭರವಸೆ ಮತ್ತು ನಿಯಂತ್ರಣ (QA/QC) ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಖಾತ್ರಿಪಡಿಸಿಕೊಳ್ಳಿ (ಎಸ್‌ಆರ್‌ಎಂ ಎನ್‌ಐಎಸ್‌ಟಿ 2711a ಅಧ್ಯಯನದಿಂದ ಈ ಕೆಳಗಿನ ಮಿತಿಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲಾಗಿದೆ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ PTE 0.0004.(ನೀವು). ಹೆಚ್ಚುವರಿಯಾಗಿ, ಪ್ರತಿ ವಿಶ್ಲೇಷಣೆಗೆ ಗುಣಮಟ್ಟದ ನಿಯಂತ್ರಣ ಮತ್ತು ಗುಣಮಟ್ಟದ ಭರವಸೆ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಉಲ್ಲೇಖ ಮಾನದಂಡಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವ ಮೂಲಕ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲಾಗುತ್ತದೆ. ದೋಷಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು, ಎರಡು ಬಾರಿ ವಿಶ್ಲೇಷಣೆ ನಡೆಸಲಾಯಿತು.
ಎಂಪಿರಿಕಲ್ ಬೇಯ್ಸಿಯನ್ ಕ್ರಿಜಿಂಗ್ (EBK) ಎಂಬುದು ಮಣ್ಣಿನ ವಿಜ್ಞಾನದಂತಹ ವೈವಿಧ್ಯಮಯ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಮಾಡೆಲಿಂಗ್‌ನಲ್ಲಿ ಬಳಸಲಾಗುವ ಅನೇಕ ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ಇಂಟರ್‌ಪೋಲೇಷನ್ ತಂತ್ರಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇತರ ಕ್ರೈಜಿಂಗ್ ಇಂಟರ್‌ಪೋಲೇಷನ್ ತಂತ್ರಗಳಿಗಿಂತ ಭಿನ್ನವಾಗಿ, EBK ಸಾಂಪ್ರದಾಯಿಕ ಕ್ರೈಜಿಂಗ್ ವಿಧಾನಗಳಿಂದ ಭಿನ್ನವಾಗಿದೆ. ಸಾಕಷ್ಟು ಕ್ರೈಜಿಂಗ್ ವಿಧಾನದ ಅತ್ಯಂತ ಸಂಕೀರ್ಣವಾದ ಭಾಗವಾಗಿರುವ ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್‌ನ ಈ ಪ್ಲಾಟಿಂಗ್‌ಗೆ ಸಂಬಂಧಿಸಿದ ಅನಿಶ್ಚಿತತೆ ಮತ್ತು ಪ್ರೋಗ್ರಾಮಿಂಗ್‌ಗೆ ದಾರಿ ಮಾಡಿಕೊಡುತ್ತದೆ. EBK ಯ ಇಂಟರ್‌ಪೋಲೇಶನ್ ಪ್ರಕ್ರಿಯೆಯು Krivoruchko50 ಪ್ರಸ್ತಾಪಿಸಿದ ಮೂರು ಮಾನದಂಡಗಳನ್ನು ಅನುಸರಿಸುತ್ತದೆ, (a) ಮಾದರಿಯು ಸೆಮಿವೇರಿಯೋಗ್ರಾಮ್ ಅನ್ನು ಅಂದಾಜು ಮಾಡುತ್ತದೆ ಇನ್‌ಪುಟ್ ಡೇಟಾಸೆಟ್ (ಬಿ) ಹೊಸ ಭವಿಷ್ಯ ಡೇಟಾಸೆಟ್ ಮೌಲ್ಯವನ್ನು ಆಧರಿಸಿದೆ. ಸಿಮ್ಯುಲೇಟೆಡ್ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಹಾಕಲಾಗಿದೆ. ಬೇಸಿಯನ್ ಸಮೀಕರಣದ ನಿಯಮವನ್ನು ಹಿಂಭಾಗದಂತೆ ನೀಡಲಾಗಿದೆ
ಅಲ್ಲಿ \(Prob\left(A\right)\) ಮೊದಲು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \(Prob\left(B\right)\) ಸೀಮಾಂತ ಸಂಭವನೀಯತೆಯನ್ನು ಹೆಚ್ಚಿನ ಸಂದರ್ಭಗಳಲ್ಲಿ ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ, \(Prob (B,A)\ ) .Smivariogram ಲೆಕ್ಕಾಚಾರವು Bayes ನಿಯಮವನ್ನು ಆಧರಿಸಿದೆ, ಇದು ವೀಕ್ಷಣಾ ಡೇಟಾಸೆಟ್‌ಗಳ ಸೆಮಿಯೋಗ್ರಾಮ್‌ಗಳ ಸೆಮಿಯೋಗ್ರಾಮ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ನಿರ್ಧರಿಸಬಹುದಾದ ಮೌಲ್ಯವನ್ನು ತೋರಿಸುತ್ತದೆ. ನಿಯಮ, ಇದು ಸೆಮಿವಾರಿಯೋಗ್ರಾಮ್‌ನಿಂದ ಅವಲೋಕನಗಳ ದತ್ತಾಂಶವನ್ನು ರಚಿಸುವ ಸಾಧ್ಯತೆ ಎಷ್ಟು ಎಂದು ಹೇಳುತ್ತದೆ.
ಒಂದು ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರವು ಯಂತ್ರ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ ಆಗಿದ್ದು ಅದು ಒಂದೇ ರೀತಿಯ ಆದರೆ ರೇಖಾತ್ಮಕವಲ್ಲದ ಸ್ವತಂತ್ರ ವರ್ಗಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಅತ್ಯುತ್ತಮವಾದ ಪ್ರತ್ಯೇಕಿಸುವ ಹೈಪರ್‌ಪ್ಲೇನ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ.Vapnik51 ಉದ್ದೇಶ ವರ್ಗೀಕರಣ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ರಚಿಸಿದೆ, ಆದರೆ ಇತ್ತೀಚೆಗೆ ರಿಗ್ರೆಷನ್-ಆಧಾರಿತ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಇದನ್ನು ಬಳಸಲಾಗಿದೆ. ಈ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ SVM (ಬೆಂಬಲ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ರಿಗ್ರೆಷನ್ - SVMR) ಘಟಕವನ್ನು ಬಳಸಲಾಗಿದೆ. ಚೆರ್ಕಾಸ್ಕಿ ಮತ್ತು ಮುಲಿಯರ್ 53 SVMR ಅನ್ನು ಕರ್ನಲ್-ಆಧಾರಿತ ರಿಗ್ರೆಷನ್ ಆಗಿ ಪ್ರವರ್ತಿಸಿದರು, ಇದರ ಲೆಕ್ಕಾಚಾರವನ್ನು ಬಹು-ದೇಶದ ಪ್ರಾದೇಶಿಕ ಕಾರ್ಯಗಳೊಂದಿಗೆ ರೇಖಾತ್ಮಕ ಹಿಂಜರಿತ ಮಾದರಿಯನ್ನು ಬಳಸಿ ನಡೆಸಲಾಯಿತು. ಗಳು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧಗಳು ಮತ್ತು ಪ್ರಾದೇಶಿಕ ಕಾರ್ಯಗಳನ್ನು ಅನುಮತಿಸುತ್ತದೆ. ವೊಹ್ಲ್ಯಾಂಡ್ ಮತ್ತು ಇತರರು ಪ್ರಕಾರ.55, ಎಪ್ಸಿಲಾನ್ (ε)-SVMR ಪ್ರಾತಿನಿಧ್ಯ ಮಾದರಿಯನ್ನು ಪಡೆಯಲು ತರಬೇತಿ ಪಡೆದ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಎಪ್ಸಿಲಾನ್-ಸೂಕ್ಷ್ಮವಲ್ಲದ ಕಾರ್ಯವಾಗಿ ಬಳಸುತ್ತದೆ, ಇದು ಪರಸ್ಪರ ಸಂಬಂಧಿತ ಡೇಟಾದ ತರಬೇತಿಯಿಂದ ಉತ್ತಮವಾದ ಎಪ್ಸಿಲಾನ್ ಪಕ್ಷಪಾತದೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಮ್ಯಾಪ್ ಮಾಡಲು ಅನ್ವಯಿಸುತ್ತದೆ. ಪೂರ್ವನಿಗದಿಪಡಿಸಿದ ದೂರದ ದೋಷವನ್ನು ನಿಜವಾದ ಮೌಲ್ಯದಿಂದ ನಿರ್ಲಕ್ಷಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ε. ಬೆಂಬಲ ವಾಹಕಗಳ ವಿಶಾಲ ಉಪವಿಭಾಗ. Vapnik51 ಪ್ರಸ್ತಾಪಿಸಿದ ಸಮೀಕರಣವನ್ನು ಕೆಳಗೆ ತೋರಿಸಲಾಗಿದೆ.
ಇಲ್ಲಿ b ಸ್ಕೇಲಾರ್ ಥ್ರೆಶೋಲ್ಡ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \(K\left({x}_{,}{ x}_{k}\right)\) ಕರ್ನಲ್ ಕಾರ್ಯವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \(\alpha\) ಲಾಗ್ರೇಂಜ್ ಗುಣಕವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, N ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, \({x}_{k}\) ದತ್ತಾಂಶವನ್ನು ಬಳಸುತ್ತದೆ. ಆರ್ ಕಾರ್ಯಾಚರಣೆ, ಇದು ಗಾಸ್ಸಿಯನ್ ರೇಡಿಯಲ್ ಬೇಸ್ ಫಂಕ್ಷನ್ (RBF) ಆಗಿದೆ. RBF ಕರ್ನಲ್ ಅನ್ನು ಅತ್ಯುತ್ತಮವಾದ SVMR ಮಾದರಿಯನ್ನು ನಿರ್ಧರಿಸಲು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ, ಇದು PTE ತರಬೇತಿ ಡೇಟಾಕ್ಕಾಗಿ C ಮತ್ತು ಕರ್ನಲ್ ಪ್ಯಾರಾಮೀಟರ್ ಗಾಮಾ (γ) ಅನ್ನು ಪಡೆಯಲು ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಮೊದಲಿಗೆ, ನಾವು ತರಬೇತಿಯ ಮಾದರಿಯ ಮೌಲ್ಯವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇವೆ ಮತ್ತು ನಂತರ ಪರೀಕ್ಷೆಯ ಮಾದರಿಯನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದೇವೆ. svmRadial.
ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಷನ್ ಮಾಡೆಲ್ (MLR) ಒಂದು ರಿಗ್ರೆಶನ್ ಮಾದರಿಯಾಗಿದ್ದು, ಇದು ಕನಿಷ್ಟ ಚೌಕಗಳ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಿದ ರೇಖೀಯ ಪೂಲ್ ಮಾಡಲಾದ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಮತ್ತು ಹಲವಾರು ಮುನ್ಸೂಚಕ ಅಸ್ಥಿರಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ವಿವರಣಾತ್ಮಕ ಅಸ್ಥಿರಗಳೊಂದಿಗೆ ರೇಖೀಯ ಸಂಬಂಧ. MLR ಸಮೀಕರಣವು
ಇಲ್ಲಿ y ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್ ಆಗಿದೆ, \(a\) ಎಂಬುದು ಪ್ರತಿಬಂಧಕವಾಗಿದೆ, n ಎಂಬುದು ಮುನ್ಸೂಚಕಗಳ ಸಂಖ್ಯೆ, \({b}_{1}\) ಗುಣಾಂಕಗಳ ಭಾಗಶಃ ಹಿಂಜರಿತವಾಗಿದೆ, \({x}_{ i}\) ಮುನ್ಸೂಚಕ ಅಥವಾ ವಿವರಣಾತ್ಮಕ ವೇರಿಯಬಲ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಮತ್ತು \({\varepsilon }_{i}\) ಮಾದರಿಯಲ್ಲಿ ತಿಳಿದಿರುವ ದೋಷವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ.
SVMR ಮತ್ತು MLR ನೊಂದಿಗೆ EBK ಅನ್ನು ಸ್ಯಾಂಡ್‌ವಿಚ್ ಮಾಡುವ ಮೂಲಕ ಮಿಶ್ರ ಮಾದರಿಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಇದನ್ನು EBK ಇಂಟರ್‌ಪೋಲೇಶನ್‌ನಿಂದ ಊಹಿಸಲಾದ ಮೌಲ್ಯಗಳನ್ನು ಹೊರತೆಗೆಯುವ ಮೂಲಕ ಮಾಡಲಾಗುತ್ತದೆ. ಇಂಟರ್‌ಪೋಲೇಟೆಡ್ Ca, K ಮತ್ತು Mg ನಿಂದ ಪಡೆದ ಭವಿಷ್ಯ ಮೌಲ್ಯಗಳನ್ನು ಹೊಸ ವೇರಿಯಬಲ್‌ಗಳನ್ನು ಪಡೆಯಲು ಸಂಯೋಜಿತ ಪ್ರಕ್ರಿಯೆಯ ಮೂಲಕ ಪಡೆಯಲಾಗುತ್ತದೆ, ಉದಾಹರಣೆಗೆ CaK, CaMg, ಮತ್ತು ನಂತರ ಕೆಎಂಜಿಗೆ ನಾಲ್ಕು ಅಂಶಗಳನ್ನು ಸಂಯೋಜಿಸಲಾಗಿದೆ. g.ಒಟ್ಟಾರೆಯಾಗಿ, ಪಡೆದ ಅಸ್ಥಿರಗಳೆಂದರೆ Ca, K, Mg, CaK, CaMg, KMg ಮತ್ತು CaKMg. ಈ ಅಸ್ಥಿರಗಳು ನಮ್ಮ ಮುನ್ಸೂಚಕಗಳಾಗಿ ಮಾರ್ಪಟ್ಟಿವೆ, ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣುಗಳಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತವೆ. SVMR ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಪೂರ್ವಸೂಚಕಗಳ ಮೇಲೆ ನಡೆಸಲಾಯಿತು. M).ಅಂತೆಯೇ, ಮಿಶ್ರ ಮಾದರಿಯನ್ನು ಪಡೆಯಲು MLR ಅಲ್ಗಾರಿದಮ್ ಮೂಲಕ ವೇರಿಯೇಬಲ್‌ಗಳನ್ನು ಪೈಪ್ ಮಾಡಲಾಗುತ್ತದೆ ಎಂಪಿರಿಕಲ್ ಬೇಯ್ಸಿಯನ್ ಕ್ರಿಜಿಂಗ್-ಮಲ್ಟಿಪಲ್ ಲೀನಿಯರ್ ರಿಗ್ರೆಶನ್ (EBK_MLR).ಸಾಮಾನ್ಯವಾಗಿ, ವೇರಿಯೇಬಲ್‌ಗಳಾದ Ca, K, Mg, CaK, CaMg, KMg, ಮತ್ತು CaKMg ಗಳಲ್ಲಿ ನಿವಾರಿಬನ್ ಮಣ್ಣಿನಲ್ಲಿನ ವಿಷಯವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಪಡೆದ ಅತ್ಯಂತ ಸ್ವೀಕಾರಾರ್ಹ ಮಾದರಿ (EBK_SVM ಅಥವಾ EBK_MLR) ನಂತರ ಸ್ವಯಂ-ಸಂಘಟಿಸುವ ಗ್ರಾಫ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ದೃಶ್ಯೀಕರಿಸಲಾಗುತ್ತದೆ. ಈ ಅಧ್ಯಯನದ ಕೆಲಸದ ಹರಿವನ್ನು ಚಿತ್ರ 2 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ.
SeOM ಅನ್ನು ಬಳಸುವುದು ಆರ್ಥಿಕ ವಲಯ, ಆರೋಗ್ಯ, ಉದ್ಯಮ, ಅಂಕಿಅಂಶಗಳು, ಮಣ್ಣು ವಿಜ್ಞಾನ ಮತ್ತು ಹೆಚ್ಚಿನವುಗಳಲ್ಲಿ ದತ್ತಾಂಶವನ್ನು ಸಂಘಟಿಸಲು, ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಮತ್ತು ಮುನ್ಸೂಚಿಸಲು ಜನಪ್ರಿಯ ಸಾಧನವಾಗಿದೆ.SeOM ಅನ್ನು ಕೃತಕ ನರಗಳ ಜಾಲಗಳು ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯಿಲ್ಲದ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಘಟನೆ, ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಭವಿಷ್ಯಕ್ಕಾಗಿ ರಚಿಸಲಾಗಿದೆ. .SeOM ಮೌಲ್ಯಮಾಪನದಲ್ಲಿ ಸಂಸ್ಕರಿಸಿದ ಡೇಟಾವನ್ನು n ಇನ್‌ಪುಟ್-ಡೈಮೆನ್ಷನಲ್ ವೆಕ್ಟರ್ ವೇರಿಯೇಬಲ್‌ಗಳಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ43,56.Melssen et al.57 ಒಂದೇ ತೂಕದ ವೆಕ್ಟರ್‌ನೊಂದಿಗೆ ಔಟ್‌ಪುಟ್ ವೆಕ್ಟರ್‌ಗೆ ಒಂದೇ ಇನ್‌ಪುಟ್ ಲೇಯರ್‌ನ ಮೂಲಕ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗೆ ಇನ್‌ಪುಟ್ ವೆಕ್ಟರ್‌ನ ಸಂಪರ್ಕವನ್ನು ವಿವರಿಸುತ್ತದೆ. SeOM ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಔಟ್‌ಪುಟ್ ವಿಭಿನ್ನ ನ್ಯೂರಾನ್‌ಗಳು ಅಥವಾ ನೋಡ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಎರಡು ಆಯಾಮದ ನಕ್ಷೆಯಾಗಿದ್ದು, ಷಡ್ಭುಜೀಯ, ವೃತ್ತಾಕಾರ, ಅಥವಾ ಚೌಕಾಕಾರದ ಟೋಪೋಲಾಜಿಕಲ್ ನಕ್ಷೆಗಳನ್ನು ಅವುಗಳ ಸಾಮೀಪ್ಯ ಮತ್ತು ಗಾತ್ರದ ಆಧಾರದ ಮೇಲೆ ಅವುಗಳ ಸಾಮೀಪ್ಯ ಮತ್ತು ನಕ್ಷೆಯ ಗಾತ್ರಕ್ಕೆ ಅನುಗುಣವಾಗಿ. ದೋಷ (TE), ಕ್ರಮವಾಗಿ 0.086 ಮತ್ತು 0.904 ರೊಂದಿಗಿನ SeOM ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ, ಇದು 55-ನಕ್ಷೆಯ ಘಟಕವಾಗಿದೆ (5 × 11). ಪ್ರಾಯೋಗಿಕ ಸಮೀಕರಣದಲ್ಲಿನ ನೋಡ್‌ಗಳ ಸಂಖ್ಯೆಗೆ ಅನುಗುಣವಾಗಿ ನರಕೋಶದ ರಚನೆಯನ್ನು ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ.
ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಲಾದ ದತ್ತಾಂಶಗಳ ಸಂಖ್ಯೆ 115 ಮಾದರಿಗಳು. ದತ್ತಾಂಶವನ್ನು ಪರೀಕ್ಷಾ ಡೇಟಾ (ಮೌಲ್ಯಮಾಪನಕ್ಕಾಗಿ 25%) ಮತ್ತು ತರಬೇತಿ ಡೇಟಾ ಸೆಟ್‌ಗಳಾಗಿ (75% ಮಾಪನಾಂಕ ನಿರ್ಣಯಕ್ಕಾಗಿ) ವಿಭಜಿಸಲು ಯಾದೃಚ್ಛಿಕ ವಿಧಾನವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಹತ್ತು ಪಟ್ಟು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಪ್ರಕ್ರಿಯೆ, ಐದು ಬಾರಿ ಪುನರಾವರ್ತನೆಯಾಗುತ್ತದೆ. ಇಬಿಕೆ ಇಂಟರ್‌ಪೋಲೇಷನ್‌ನಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಅಸ್ಥಿರಗಳನ್ನು ಗುರಿ ವೇರಿಯಬಲ್ (ಪಿಟಿಇ) ಊಹಿಸಲು ಮುನ್ಸೂಚಕ ಅಥವಾ ವಿವರಣಾತ್ಮಕ ವೇರಿಯಬಲ್‌ಗಳಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಪ್ಯಾಕೇಜುಗಳ ಲೈಬ್ರರಿ (ಕೊಹೊನೆನ್), ಲೈಬ್ರರಿ (ಕ್ಯಾರೆಟ್), ಲೈಬ್ರರಿ (ಮಾಡೆಲರ್ 107), ಲೈಬ್ರರಿ ("″10 ಲೈಬ್ರರಿ (""10) ಪರಿಕರಗಳು"), ಗ್ರಂಥಾಲಯ("ಪ್ರಾಸ್ಪೆಕ್ಟರ್") ಮತ್ತು ಗ್ರಂಥಾಲಯಗಳು ("ಮೆಟ್ರಿಕ್ಸ್").
ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಮತ್ತು ಮಾದರಿಯ ನಿಖರತೆ ಮತ್ತು ಅದರ ದೃಢೀಕರಣವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಸೂಕ್ತವಾದ ಅತ್ಯುತ್ತಮ ಮಾದರಿಯನ್ನು ನಿರ್ಧರಿಸಲು ವಿವಿಧ ಮೌಲ್ಯೀಕರಣ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಲಾಗಿದೆ. ಹೈಬ್ರಿಡೈಸೇಶನ್ ಮಾದರಿಗಳನ್ನು ಸರಾಸರಿ ಸಂಪೂರ್ಣ ದೋಷ (MAE), ರೂಟ್ ಮೀನ್ ಸ್ಕ್ವೇರ್ ದೋಷ (RMSE), ಮತ್ತು R-ವರ್ಗ ಅಥವಾ ಗುಣಾಂಕ ನಿರ್ಣಯವನ್ನು (R2) ಮೂಲಕ ನಿರೂಪಿಸಲಾಗಿದೆ. ಸ್ವತಂತ್ರ ಕ್ರಮಗಳಲ್ಲಿ SE ಮತ್ತು ವ್ಯತ್ಯಾಸದ ಪ್ರಮಾಣವು ಮಾದರಿಯ ಮುನ್ಸೂಚಕ ಶಕ್ತಿಯನ್ನು ವಿವರಿಸುತ್ತದೆ, ಆದರೆ MAE ನಿಜವಾದ ಪರಿಮಾಣಾತ್ಮಕ ಮೌಲ್ಯವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಊರ್ಜಿತಗೊಳಿಸುವಿಕೆಯ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಉತ್ತಮ ಮಿಶ್ರಣದ ಮಾದರಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು R2 ಮೌಲ್ಯವು ಅಧಿಕವಾಗಿರಬೇಕು, ಮೌಲ್ಯವು 1 ಕ್ಕೆ ಹತ್ತಿರವಾಗಿರುತ್ತದೆ, ಹೆಚ್ಚಿನ ನಿಖರತೆ. Li et al ಪ್ರಕಾರ.59, 0.75 ಅಥವಾ ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ R2 ಮಾನದಂಡದ ಮೌಲ್ಯವನ್ನು ಉತ್ತಮ ಮುನ್ಸೂಚಕ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ;0.5 ರಿಂದ 0.75 ರವರೆಗೆ ಸ್ವೀಕಾರಾರ್ಹ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ, ಮತ್ತು 0.5 ಕ್ಕಿಂತ ಕಡಿಮೆ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ. RMSE ಮತ್ತು MAE ಮೌಲ್ಯೀಕರಣದ ಮಾನದಂಡದ ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಯನ್ನು ಆಯ್ಕೆಮಾಡುವಾಗ, ಪಡೆದ ಕಡಿಮೆ ಮೌಲ್ಯಗಳು ಸಾಕಾಗುತ್ತದೆ ಮತ್ತು ಉತ್ತಮ ಆಯ್ಕೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗಿದೆ. ಕೆಳಗಿನ ಸಮೀಕರಣವು ಪರಿಶೀಲನೆ ವಿಧಾನವನ್ನು ವಿವರಿಸುತ್ತದೆ.
ಇಲ್ಲಿ n ವೀಕ್ಷಿಸಿದ ಮೌಲ್ಯದ ಗಾತ್ರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ\({Y}_{i}\) ಅಳತೆಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಮತ್ತು \({\widehat{Y}}_{i}\) ಸಹ ಊಹಿಸಲಾದ ಪ್ರತಿಕ್ರಿಯೆ ಮೌಲ್ಯವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ, ಮೊದಲ i ಅವಲೋಕನಗಳಿಗೆ.
ಮುನ್ಸೂಚಕ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ವೇರಿಯೇಬಲ್‌ಗಳ ಅಂಕಿಅಂಶಗಳ ವಿವರಣೆಯನ್ನು ಕೋಷ್ಟಕ 1 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗಿದೆ, ಸರಾಸರಿ, ಪ್ರಮಾಣಿತ ವಿಚಲನ (SD), ವ್ಯತ್ಯಾಸದ ಗುಣಾಂಕ (CV), ಕನಿಷ್ಠ, ಗರಿಷ್ಠ, ಕರ್ಟೊಸಿಸ್ ಮತ್ತು ಓರೆಯಾಗಿವೆ 4.86 ರಿಂದ 42.39 ಮಿಗ್ರಾಂ/ಕೆಜಿ ಪ್ರಸ್ತುತ ಸರಾಸರಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯು ಅಧಿಕವಾಗಿದೆ. ಅಂತೆಯೇ, ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ ಫ್ರೈಡೆಕ್ ಮಿಸ್ಟೆಕ್‌ನ ಸರಾಸರಿ ಸಾಂದ್ರತೆಯು (Ni 16.15 mg/kg) ಪೋಲಿಷ್ ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ನಿಗಾಗಿ ಅನುಮತಿಸಬಹುದಾದ 60 (10.2 mg/kg) ಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ. ಪ್ರಸ್ತುತ ಅಧ್ಯಯನಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಟಸ್ಕನಿಯ ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ed ತೀರಾ ಕಡಿಮೆ ಸರಾಸರಿ Ni ಸಾಂದ್ರತೆಗಳು (1.78 mg/kg) ಇದೆ. Jim62 ಹಾಂಗ್ ಕಾಂಗ್ ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ಕಡಿಮೆ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು (12.34 mg/kg) ಕಂಡುಹಿಡಿದಿದೆ, ಇದು ಪ್ರಸ್ತುತ ಹಳೆಯ ನಿಕಲ್ ಸಾಂದ್ರತೆಗಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ಮತ್ತು ಜರ್ಮನಿಯ ಸ್ಯಾಕ್ಸೋನಿ-ಅನ್ಹಾಲ್ಟ್‌ನಲ್ಲಿನ ನಗರ ಕೈಗಾರಿಕಾ ಪ್ರದೇಶವು ಪ್ರದೇಶದಲ್ಲಿನ ಸರಾಸರಿ Ni ಸಾಂದ್ರತೆಗಿಂತ 1.45 mg/kg ಹೆಚ್ಚಾಗಿದೆ (16.15 mg/kg) ಪ್ರಸ್ತುತ ಸಂಶೋಧನೆ. ಅಧ್ಯಯನ ಪ್ರದೇಶದ ಕೆಲವು ನಗರ ಮತ್ತು ಉಪನಗರ ಪ್ರದೇಶಗಳಲ್ಲಿನ ಮಣ್ಣಿನಲ್ಲಿರುವ ಅತಿಯಾದ ನಿಕಲ್ ಅಂಶವು ಮುಖ್ಯವಾಗಿ ಕಬ್ಬಿಣ ಮತ್ತು ಉಕ್ಕಿನ ಉದ್ಯಮಕ್ಕೆ ಕಾರಣವಾಗಿದೆ.64 ಉಕ್ಕಿನ ಉದ್ಯಮ ಮತ್ತು ಲೋಹದ ಕೆಲಸವು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಮಾಲಿನ್ಯದ ಮುಖ್ಯ ಮೂಲಗಳಾಗಿವೆ. ಆದಾಗ್ಯೂ, ಮುನ್ಸೂಚಕರು ಸಹ 538.70 mg/kg ನಿಂದ 69,161.80 mg/kg ವರೆಗೆ Ca ಗೆ, 497.51 mg/kg ನಿಂದ 3535.68 mg/kg ವರೆಗೆ ಮತ್ತು 5kg/5kg/90 mg/kg. Mg.Jakovljevic et al.65 ಸೆಂಟ್ರಲ್ ಸೆರ್ಬಿಯಾದಲ್ಲಿನ ಮಣ್ಣಿನ ಒಟ್ಟು Mg ಮತ್ತು K ಅಂಶವನ್ನು ತನಿಖೆ ಮಾಡಿದೆ. ಅವರು ಒಟ್ಟು ಸಾಂದ್ರತೆಗಳು (ಕ್ರಮವಾಗಿ 410 mg/kg ಮತ್ತು 400 mg/kg) ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದ Mg ಮತ್ತು K ಸಾಂದ್ರತೆಗಿಂತ ಕಡಿಮೆಯಿವೆ ಎಂದು ಅವರು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ. 1100 mg/kg), Mg (590 mg/kg) ಮತ್ತು K (810 mg/kg) ಮೇಲ್ಮಣ್ಣಿನಲ್ಲಿನ ವಿಷಯವು ಈ ಅಧ್ಯಯನದಲ್ಲಿನ ಏಕೈಕ ಅಂಶಕ್ಕಿಂತ ಕಡಿಮೆಯಾಗಿದೆ. ಪೊಂಗ್ರಾಕ್ ಮತ್ತು ಇತರರು ನಡೆಸಿದ ಇತ್ತೀಚಿನ ಅಧ್ಯಯನ.67 ಸ್ಕಾಟ್ಲೆಂಡ್, ಯುಕೆ (ಮೈಲ್ನೆಫೀಲ್ಡ್ ಮಣ್ಣು, ಬಾಲ್ರುಡೆರಿ ಮಣ್ಣು ಮತ್ತು ಹಾರ್ಟ್ವುಡ್ ಮಣ್ಣು) 3 ವಿಭಿನ್ನ ಮಣ್ಣುಗಳಲ್ಲಿ ಒಟ್ಟು Ca ವಿಷಯವು ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಹೆಚ್ಚಿನ Ca ಅಂಶವನ್ನು ಸೂಚಿಸುತ್ತದೆ ಎಂದು ತೋರಿಸಿದೆ.
ಮಾದರಿಯ ಅಂಶಗಳ ವಿಭಿನ್ನ ಅಳತೆಯ ಸಾಂದ್ರತೆಗಳ ಕಾರಣದಿಂದಾಗಿ, ಅಂಶಗಳ ಡೇಟಾ ಸೆಟ್ ವಿತರಣೆಗಳು ವಿಭಿನ್ನ ಓರೆಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ. ಅಂಶಗಳ ಓರೆ ಮತ್ತು ಕರ್ಟೋಸಿಸ್ ಕ್ರಮವಾಗಿ 1.53 ರಿಂದ 7.24 ಮತ್ತು 2.49 ರಿಂದ 54.16 ವರೆಗೆ ಇರುತ್ತದೆ. ಎಲ್ಲಾ ಲೆಕ್ಕಾಚಾರದ ಅಂಶಗಳು ಓರೆಯಾಗಿವೆ ಮತ್ತು ಕರ್ಟೋಸಿಸ್ ಮಟ್ಟವು +1 ಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಅಂಕಿಅಂಶಗಳನ್ನು ಹೊಂದಿದೆ. .ಅಂಶಗಳ ಅಂದಾಜು CV ಗಳು ಸಹ K, Mg, ಮತ್ತು Ni ಮಧ್ಯಮ ವ್ಯತ್ಯಾಸವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತವೆ, ಆದರೆ Ca ಅತ್ಯಂತ ಹೆಚ್ಚಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊಂದಿದೆ. K, Ni ಮತ್ತು Mg ನ CV ಗಳು ಅವುಗಳ ಏಕರೂಪದ ವಿತರಣೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಇದಲ್ಲದೆ, Ca ವಿತರಣೆಯು ಏಕರೂಪವಲ್ಲ ಮತ್ತು ಬಾಹ್ಯ ಮೂಲಗಳು ಅದರ ಪುಷ್ಟೀಕರಣದ ಮಟ್ಟವನ್ನು ಪರಿಣಾಮ ಬೀರಬಹುದು.
ಪ್ರತಿಕ್ರಿಯೆ ಅಂಶಗಳೊಂದಿಗೆ ಮುನ್ಸೂಚಕ ಅಸ್ಥಿರಗಳ ಪರಸ್ಪರ ಸಂಬಂಧವು ಅಂಶಗಳ ನಡುವಿನ ತೃಪ್ತಿಕರವಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಚಿತ್ರ 3 ನೋಡಿ). CaNi ಮಾಡಿದಂತೆ CaK r ಮೌಲ್ಯ = 0.53 ನೊಂದಿಗೆ ಮಧ್ಯಮ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಪ್ರದರ್ಶಿಸಿದೆ ಎಂದು ಸಹಸಂಬಂಧವು ಸೂಚಿಸಿದೆ. Ca ಮತ್ತು K ಪರಸ್ಪರ ಸಾಧಾರಣ ಸಂಬಂಧಗಳನ್ನು ತೋರಿಸಿದರೂ, ಕಿಂಗ್ಸ್ಟನ್ ನಂತಹ ಸಂಶೋಧಕರು.68 ಮತ್ತು Santo69 ಮಣ್ಣಿನಲ್ಲಿ ಅವುಗಳ ಮಟ್ಟಗಳು ವಿಲೋಮ ಅನುಪಾತದಲ್ಲಿರುತ್ತವೆ ಎಂದು ಸೂಚಿಸುತ್ತವೆ. ಆದಾಗ್ಯೂ, Ca ಮತ್ತು Mg ಗಳು K ಗೆ ವಿರೋಧಾತ್ಮಕವಾಗಿವೆ, ಆದರೆ CaK ಚೆನ್ನಾಗಿ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ. ಇದು ಪೊಟ್ಯಾಸಿಯಮ್ ಕಾರ್ಬೋನೇಟ್‌ನಂತಹ ರಸಗೊಬ್ಬರಗಳ ಅನ್ವಯದ ಕಾರಣದಿಂದಾಗಿರಬಹುದು, ಇದು ಪೊಟ್ಯಾಸಿಯಮ್‌ನಲ್ಲಿ 56% ಅಧಿಕವಾಗಿದೆ. ಪೊಟ್ಯಾಸಿಯಮ್ ಮಧ್ಯಮ ಸಂಬಂಧಿತ ಅಂಶವಾಗಿದೆ ಏಕೆಂದರೆ ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್ ಸಲ್ಫೇಟ್, ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್ ನೈಟ್ರೇಟ್ ಮತ್ತು ಪೊಟ್ಯಾಶ್ ಅನ್ನು ಮಣ್ಣಿನಲ್ಲಿ ಅವುಗಳ ಕೊರತೆಯ ಮಟ್ಟವನ್ನು ಹೆಚ್ಚಿಸಲು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ನಿಕಲ್ Ca, K ಮತ್ತು Mg ನೊಂದಿಗೆ ಕ್ರಮವಾಗಿ = 0.52, 0.63 ಮತ್ತು 0.55 ರ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಮಧ್ಯಮ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ. ಮೆಗ್ನೀಸಿಯಮ್ ಕ್ಯಾಲ್ಸಿಯಂ ಹೀರಿಕೊಳ್ಳುವಿಕೆಯನ್ನು ತಡೆಯುತ್ತದೆ, ಕ್ಯಾಲ್ಸಿಯಂ ಹೆಚ್ಚುವರಿ ಮೆಗ್ನೀಸಿಯಮ್ನ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮೆಗ್ನೀಸಿಯಮ್ ಮತ್ತು ಕ್ಯಾಲ್ಸಿಯಂ ಎರಡೂ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ನ ವಿಷಕಾರಿ ಪರಿಣಾಮಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
ಪೂರ್ವಸೂಚಕಗಳು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆಗಳ ನಡುವಿನ ಸಂಬಂಧವನ್ನು ತೋರಿಸುವ ಅಂಶಗಳಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ (ಗಮನಿಸಿ: ಈ ಅಂಕಿ ಅಂಶಗಳ ನಡುವಿನ ಸ್ಕ್ಯಾಟರ್‌ಪ್ಲೋಟ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ, ಪ್ರಾಮುಖ್ಯತೆ ಮಟ್ಟಗಳು p <0,001 ಅನ್ನು ಆಧರಿಸಿವೆ).
ಚಿತ್ರ 4 ಅಂಶಗಳ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ವಿವರಿಸುತ್ತದೆ. ಬರ್ಗೋಸ್ ಮತ್ತು ಇತರರು 70 ರ ಪ್ರಕಾರ, ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯ ಅನ್ವಯವು ಕಲುಷಿತ ಪ್ರದೇಶಗಳಲ್ಲಿ ಹಾಟ್ ಸ್ಪಾಟ್‌ಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸಲು ಮತ್ತು ಹೈಲೈಟ್ ಮಾಡಲು ಬಳಸಲಾಗುವ ಒಂದು ತಂತ್ರವಾಗಿದೆ. ಚಿತ್ರ 4 ರಲ್ಲಿ Ca ನ ಪುಷ್ಟೀಕರಣದ ಮಟ್ಟಗಳು ವಾಯುವ್ಯ ಭಾಗದಲ್ಲಿ ಕಂಡುಬರುತ್ತವೆ. ಭೂಪಟದ ವಾಯುವ್ಯದಲ್ಲಿ ಮಣ್ಣಿನ ಆಮ್ಲೀಯತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಕ್ವಿಕ್ಲೈಮ್ (ಕ್ಯಾಲ್ಸಿಯಂ ಆಕ್ಸೈಡ್) ಬಳಕೆ ಮತ್ತು ಉಕ್ಕಿನ ತಯಾರಿಕೆಯ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಕ್ಷಾರೀಯ ಆಮ್ಲಜನಕವಾಗಿ ಉಕ್ಕಿನ ಗಿರಣಿಗಳಲ್ಲಿ ಅದರ ಬಳಕೆಯು ಸಾಧ್ಯತೆಯಿದೆ. ಮತ್ತೊಂದೆಡೆ, ಇತರ ರೈತರು ಆಮ್ಲೀಯ ಮಣ್ಣಿನಲ್ಲಿ ಕ್ಯಾಲ್ಸಿಯಂ ಹೈಡ್ರಾಕ್ಸೈಡ್ ಅನ್ನು pH ಅನ್ನು ತಟಸ್ಥಗೊಳಿಸಲು ಬಯಸುತ್ತಾರೆ, ಇದು ಉತ್ತರ ಮಣ್ಣಿನಲ್ಲಿನ ಕ್ಯಾಲ್ಸಿಯಂ ಅಂಶವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ವಾಯುವ್ಯವು ಪ್ರಮುಖ ಕೃಷಿ ಸಮುದಾಯವಾಗಿದೆ, ಮತ್ತು ಪೊಟ್ಯಾಸಿಯಮ್‌ನ ಮಧ್ಯಮದಿಂದ ಹೆಚ್ಚಿನ ಮಾದರಿಯು NPK ಮತ್ತು ಪೊಟ್ಯಾಶ್ ಅನ್ವಯಗಳ ಕಾರಣದಿಂದಾಗಿರಬಹುದು. ಇದು ಮದ್ರಾಸ್ ಮತ್ತು ಲಿಪಾವ್ಸ್ಕಿ72, ಮದ್ರಾಸ್ ಮತ್ತು ಇತರರು.73, ಪಲ್ಕ್ರಾಬೋವಾ ಮತ್ತು ಇತರರು.74, ಆಸರೆ ಎಟ್ ಆಲ್.75, ಮಣ್ಣಿನ ಸ್ಥಿರೀಕರಣದಲ್ಲಿ ಮಣ್ಣಿನಲ್ಲಿನ ಹೆಚ್ಚಿನ ಅಂಶವನ್ನು ಗಮನಿಸಿದ ಮತ್ತು ಕೆ.ಪಿ.ವಿತರಣಾ ನಕ್ಷೆಯ ವಾಯುವ್ಯದಲ್ಲಿ ಪ್ರಾದೇಶಿಕ ಪೊಟ್ಯಾಸಿಯಮ್ ಪುಷ್ಟೀಕರಣವು ಪೊಟ್ಯಾಸಿಯಮ್-ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳಾದ ಪೊಟ್ಯಾಸಿಯಮ್ ಕ್ಲೋರೈಡ್, ಪೊಟ್ಯಾಸಿಯಮ್ ಸಲ್ಫೇಟ್, ಪೊಟ್ಯಾಸಿಯಮ್ ನೈಟ್ರೇಟ್, ಪೊಟ್ಯಾಶ್ ಮತ್ತು ಪೊಟ್ಯಾಶ್ ಕಳಪೆ ಮಣ್ಣುಗಳ ಪೊಟ್ಯಾಸಿಯಮ್ ಅಂಶವನ್ನು ಹೆಚ್ಚಿಸಲು ಕಾರಣವಾಗಿರಬಹುದು.Zádorová et al.76 ಮತ್ತು ಟ್ಲುಸ್ಟೋಸ್ ಮತ್ತು ಇತರರು.77 ಕೆ-ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ಬಳಕೆಯು ಮಣ್ಣಿನಲ್ಲಿ ಕೆ ಅಂಶವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ ಮತ್ತು ದೀರ್ಘಾವಧಿಯಲ್ಲಿ ಮಣ್ಣಿನ ಪೋಷಕಾಂಶದ ಅಂಶವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಕೆ ಮತ್ತು ಎಂಜಿ ಮಣ್ಣಿನಲ್ಲಿ ಹಾಟ್ ಸ್ಪಾಟ್ ಅನ್ನು ತೋರಿಸುತ್ತದೆ. ನಕ್ಷೆಯ ವಾಯುವ್ಯ ಮತ್ತು ನಕ್ಷೆಯ ಆಗ್ನೇಯದಲ್ಲಿ ತುಲನಾತ್ಮಕವಾಗಿ ಮಧ್ಯಮ ಹಾಟ್‌ಸ್ಪಾಟ್‌ಗಳು. ಮೆಗ್ನೀಸಿಯಮ್-ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳಾದ ಪೊಟ್ಯಾಸಿಯಮ್ ಮೆಗ್ನೀಸಿಯಮ್ ಸಲ್ಫೇಟ್, ಮೆಗ್ನೀಸಿಯಮ್ ಸಲ್ಫೇಟ್ ಮತ್ತು ಕೀಸೆರೈಟ್, ಸಾಮಾನ್ಯ pH ಶ್ರೇಣಿಯನ್ನು ಹೊಂದಿರುವ ಮಣ್ಣಿನಲ್ಲಿ ಕೊರತೆಗಳನ್ನು (ಸಸ್ಯಗಳು ನೇರಳೆ, ಕೆಂಪು ಅಥವಾ ಕಂದು ಬಣ್ಣದಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತವೆ, ಮೆಗ್ನೀಸಿಯಮ್ ಕೊರತೆಯನ್ನು ಸೂಚಿಸುತ್ತವೆ) ಚಿಕಿತ್ಸೆ ನೀಡುತ್ತವೆ. el ಸ್ಟೇನ್ಲೆಸ್ ಸ್ಟೀಲ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ78.
ಅಂಶಗಳ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆ [ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯನ್ನು ArcGIS ಡೆಸ್ಕ್‌ಟಾಪ್ ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ESRI, Inc, ಆವೃತ್ತಿ 10.7, URL: https://desktop.arcgis.com).]
ಈ ಅಧ್ಯಯನದಲ್ಲಿ ಬಳಸಿದ ಅಂಶಗಳ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ಸೂಚ್ಯಂಕ ಫಲಿತಾಂಶಗಳನ್ನು ಕೋಷ್ಟಕ 2 ರಲ್ಲಿ ತೋರಿಸಲಾಗಿದೆ. ಮತ್ತೊಂದೆಡೆ, Ni ನ RMSE ಮತ್ತು MAE ಎರಡೂ ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರದಲ್ಲಿದೆ (0.86 RMSE, -0.08 MAE). ಮತ್ತೊಂದೆಡೆ, K ಯ RMSE ಮತ್ತು MAE ಎರಡೂ ಮೌಲ್ಯಗಳು ಸ್ವೀಕಾರಾರ್ಹವಾಗಿವೆ. RMSE ಮತ್ತು MAE ಫಲಿತಾಂಶಗಳು ದೊಡ್ಡದಾಗಿರುತ್ತವೆ. ವಿವಿಧ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದಾಗಿ r. ಈ ಅಧ್ಯಯನದ RMSE ಮತ್ತು MAE ನಿಯನ್ನು ಊಹಿಸಲು EBK ಅನ್ನು ಬಳಸಿಕೊಂಡು ಜಾನ್ ಮತ್ತು ಇತರರ ಫಲಿತಾಂಶಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿದೆ ಎಂದು ಕಂಡುಬಂದಿದೆ.54 ಅದೇ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ಬಳಸಿಕೊಂಡು ಮಣ್ಣಿನಲ್ಲಿ S ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಸಿನರ್ಜಿಸ್ಟಿಕ್ ಕ್ರಿಜಿಂಗ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ. ನಾವು ಅಧ್ಯಯನ ಮಾಡಿದ EBK ಔಟ್‌ಪುಟ್‌ಗಳು ಫ್ಯಾಬಿಜಾಸಿಕ್ ಮತ್ತು ಇತರರೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿವೆ.41, ಯಾನ್ ಮತ್ತು ಇತರರು.79, ಬೆಗುಯಿನ್ ಮತ್ತು ಇತರರು.80, ಅಧಿಕಾರಿ ಮತ್ತು ಇತರರು.81 ಮತ್ತು ಜಾನ್ ಮತ್ತು ಇತರರು.82, ವಿಶೇಷವಾಗಿ ಕೆ ಮತ್ತು ನಿ.
ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಅಂಶವನ್ನು ಊಹಿಸಲು ಪ್ರತ್ಯೇಕ ವಿಧಾನಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಮಾದರಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗಿದೆ (ಕೋಷ್ಟಕ 3).ಮಾದರಿ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ನಿಖರತೆಯ ಮೌಲ್ಯಮಾಪನವು EBK SVMR ಮಾದರಿಯೊಂದಿಗೆ Ca_Mg_K ಮುನ್ಸೂಚಕವು ಅತ್ಯುತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನೀಡುತ್ತದೆ ಎಂದು ದೃಢಪಡಿಸಿದೆ. (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) ಮತ್ತು 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) ಮತ್ತು 166.974 mg/kg (RMSE) ಮತ್ತು 166.974 mg/ಕೆಜಿಗೆ ಉತ್ತಮವಾದ RMSE, mg K-SVMR (0.663 mg/kg R2) ಮತ್ತು Ca_Mg-EBK_SVMR (0.643 = R2);ಅವರ RMSE ಮತ್ತು MAE ಫಲಿತಾಂಶಗಳು Ca_Mg_K-EBK_SVMR (R2 0.637) ಗಿಂತ ಹೆಚ್ಚಿವೆ (ಕೋಷ್ಟಕ 3 ನೋಡಿ). ಜೊತೆಗೆ, Ca_Mg-EBK_SVMR ನ RMSE ಮತ್ತು MAE (RMSE = 1664.64 ಮತ್ತು MAE = 1031 ಗಿಂತ ದೊಡ್ಡದಾಗಿದೆ, 1.3.5 ಮಾದರಿ) Ca_Mg_K-EBK_SVMR. ಅದೇ ರೀತಿ, Ca_Mg-K SVMR ನ RMSE ಮತ್ತು MAE (RMSE = 235.974 ಮತ್ತು MAE = 166.946) ಮಾದರಿಯು 2.5 ಮತ್ತು 2.2 ರಷ್ಟು ದೊಡ್ಡದಾಗಿದೆ. ಇದು Ca_Mg_SEK-EBK ಫಲಿತಾಂಶಗಳಿಗಿಂತ ಅನುಕ್ರಮವಾಗಿ RSE_M REM ಅನ್ನು ಎಷ್ಟು ದೊಡ್ಡದಾಗಿದೆ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಕೇಂದ್ರೀಕೃತ ಡೇಟಾ ಸೆಟ್ ಅತ್ಯುತ್ತಮ ಫಿಟ್‌ನ ಸಾಲಿನಲ್ಲಿದೆ. ಹೆಚ್ಚಿನ RSME ಮತ್ತು MAE ಅನ್ನು ಗಮನಿಸಲಾಗಿದೆ. ಕೆಬೊನಿ ಮತ್ತು ಇತರರ ಪ್ರಕಾರ.46 ಮತ್ತು ಜಾನ್ ಮತ್ತು ಇತರರು.54, RMSE ಮತ್ತು MAE ಸೊನ್ನೆಗೆ ಹತ್ತಿರವಾದಷ್ಟೂ ಫಲಿತಾಂಶಗಳು ಉತ್ತಮವಾಗಿರುತ್ತವೆ. SVMR ಮತ್ತು EBK_SVMR ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದಲ್ಲಿ RSME ಮತ್ತು MAE ಮೌಲ್ಯಗಳನ್ನು ಹೊಂದಿವೆ. RSME ಅಂದಾಜುಗಳು MAE ಮೌಲ್ಯಗಳಿಗಿಂತ ಸ್ಥಿರವಾಗಿ ಹೆಚ್ಚಿರುವುದನ್ನು ಗಮನಿಸಲಾಗಿದೆ, ಇದು ಹೊರಗಿನವರ ಉಪಸ್ಥಿತಿಯನ್ನು ಸೂಚಿಸುತ್ತದೆ. E) ಔಟ್‌ಲೈಯರ್‌ಗಳ ಉಪಸ್ಥಿತಿಯ ಸೂಚಕವಾಗಿ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ. ಇದರರ್ಥ ಡೇಟಾಸೆಟ್ ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯವಾಗಿದೆ, MAE ಮತ್ತು RMSE ಮೌಲ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ನಗರ ಮತ್ತು ಉಪನಗರ ಮಣ್ಣಿನಲ್ಲಿ Ni ವಿಷಯವನ್ನು ಊಹಿಸಲು Ca_Mg_K-EBK_SVMR ಮಿಶ್ರ ಮಾದರಿಯ ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಮೌಲ್ಯಮಾಪನದ ನಿಖರತೆ Liet 63.70% ಆಗಿದೆ.59, ಈ ಮಟ್ಟದ ನಿಖರತೆಯು ಸ್ವೀಕಾರಾರ್ಹ ಮಾದರಿ ಕಾರ್ಯಕ್ಷಮತೆ ದರವಾಗಿದೆ. ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶಗಳನ್ನು ತಾರಾಸೊವ್ ಮತ್ತು ಇತರರು ಹಿಂದಿನ ಅಧ್ಯಯನಕ್ಕೆ ಹೋಲಿಸಿದ್ದಾರೆ.[36 36] ಅವರ ಹೈಬ್ರಿಡ್ ಮಾದರಿಯು ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ವರದಿಯಾದ ಇಬಿಕೆ_ಎಸ್ವಿಎಂಆರ್ ನಿಖರತೆ ಮೌಲ್ಯಮಾಪನ ಸೂಚ್ಯಂಕಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎಮ್‌ಎಲ್‌ಪಿಆರ್‌ಕೆ (ಮಲ್ಟಿಲೇಯರ್ ಪರ್ಸೆಪ್ಟ್ರಾನ್ ರೆಸೆಂಟ್ ಕ್ರಿಗಿಂಗ್) ಅನ್ನು ರಚಿಸಿದೆ, ಆರ್‌ಎಂಎಸ್‌ಇ (210) ಮತ್ತು ಎಂಎಇ (167.5) ಪ್ರಸ್ತುತ ಅಧ್ಯಯನದಲ್ಲಿ ನಮ್ಮ ಫಲಿತಾಂಶಗಳಿಗಿಂತ ಹೆಚ್ಚಾಗಿದೆ (ಆರ್‌ಎಂಎಸ್‌ಇ 95.479, .36 (0.544), ಈ ಮಿಶ್ರ ಮಾದರಿಯಲ್ಲಿ ನಿರ್ಣಯದ ಗುಣಾಂಕವು (R2) ಹೆಚ್ಚಾಗಿರುತ್ತದೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ. ಮಿಶ್ರ ಮಾದರಿಗೆ ದೋಷದ ಅಂಚು (RMSE ಮತ್ತು MAE) (EBK SVMR) ಎರಡು ಪಟ್ಟು ಕಡಿಮೆಯಾಗಿದೆ. ಅಂತೆಯೇ, Sergeev et al.34 0.28 (R2) ಅನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿದ್ದಾರೆ. 0.637 (R2) ದಾಖಲಿಸಲಾಗಿದೆ. ಈ ಮಾದರಿಯ (EBK SVMR) ಮುನ್ಸೂಚನೆಯ ನಿಖರತೆಯ ಮಟ್ಟವು 63.7% ಆಗಿದೆ, ಆದರೆ ಸೆರ್ಗೆವ್ ಮತ್ತು ಇತರರು ಪಡೆದ ಭವಿಷ್ಯ ನಿಖರತೆ.34 28%. EBK_SVMR ಮಾದರಿ ಮತ್ತು Ca_Mg_K ಅನ್ನು ಮುನ್ಸೂಚಕವಾಗಿ ಬಳಸಿಕೊಂಡು ರಚಿಸಲಾದ ಅಂತಿಮ ನಕ್ಷೆ (Fig. 5) ಹಾಟ್ ಸ್ಪಾಟ್‌ಗಳ ಮುನ್ಸೂಚನೆಗಳನ್ನು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಅಧ್ಯಯನದ ಪ್ರದೇಶದಲ್ಲಿ ನಿಕಲ್‌ನಿಂದ ಮಧ್ಯಮವಾಗಿರುತ್ತದೆ. ಇದರರ್ಥ ಅಧ್ಯಯನದ ಪ್ರದೇಶದಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯು ಮುಖ್ಯವಾಗಿ ಮಧ್ಯಮವಾಗಿರುತ್ತದೆ, ಕೆಲವು ನಿರ್ದಿಷ್ಟ ಪ್ರದೇಶಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಸಾಂದ್ರತೆಯನ್ನು ಹೊಂದಿರುತ್ತದೆ.
ಅಂತಿಮ ಭವಿಷ್ಯ ನಕ್ಷೆಯನ್ನು ಹೈಬ್ರಿಡ್ ಮಾದರಿ EBK_SVMR ಬಳಸಿ ಪ್ರತಿನಿಧಿಸಲಾಗುತ್ತದೆ ಮತ್ತು Ca_Mg_K ಅನ್ನು ಮುನ್ಸೂಚಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ.[ ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯನ್ನು RStudio ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಆವೃತ್ತಿ 1.4.1717: https://www.rstudio.com/).]
ಚಿತ್ರ 6 ರಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾದ PTE ಸಾಂದ್ರತೆಗಳು ಪ್ರತ್ಯೇಕ ನ್ಯೂರಾನ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುವ ಸಂಯೋಜನೆಯ ಸಮತಲವಾಗಿದೆ. ಯಾವುದೇ ಘಟಕ ಸಮತಲವು ತೋರಿಸಿರುವಂತೆ ಒಂದೇ ಬಣ್ಣದ ಮಾದರಿಯನ್ನು ಪ್ರದರ್ಶಿಸಿಲ್ಲ. ಆದಾಗ್ಯೂ, ಚಿತ್ರಿಸಿದ ನಕ್ಷೆಗೆ ಸೂಕ್ತವಾದ ನ್ಯೂರಾನ್‌ಗಳ ಸಂಖ್ಯೆ 55.SeOM ಅನ್ನು ವಿವಿಧ ಬಣ್ಣಗಳನ್ನು ಬಳಸಿ ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ, ಮತ್ತು ಹೆಚ್ಚು ಹೋಲುವ ಬಣ್ಣ ಮಾದರಿಗಳು, ಅವುಗಳ ಮಾದರಿಗಳು, ಬಣ್ಣ ಮಾದರಿಗಳು, ವೈಯಕ್ತಿಕ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೋಲಿಸಬಹುದು. Mg) ಒಂದೇ ಹೆಚ್ಚಿನ ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಕಡಿಮೆ ನ್ಯೂರಾನ್‌ಗಳಿಗೆ ಒಂದೇ ರೀತಿಯ ಬಣ್ಣದ ಮಾದರಿಗಳನ್ನು ತೋರಿಸಿದೆ. ಹೀಗಾಗಿ, CaK ಮತ್ತು CaMg ಕೆಲವು ಹೋಲಿಕೆಗಳನ್ನು ಅತ್ಯಂತ ಉನ್ನತ-ಕ್ರಮಾಂಕದ ನ್ಯೂರಾನ್‌ಗಳು ಮತ್ತು ಕಡಿಮೆ-ಮಧ್ಯಮ ಬಣ್ಣದ ಮಾದರಿಗಳೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳುತ್ತವೆ. ಎರಡೂ ಮಾದರಿಗಳು ಮಧ್ಯಮದಿಂದ ಹೆಚ್ಚಿನ ಬಣ್ಣಗಳನ್ನು ಪ್ರದರ್ಶಿಸುವ ಮೂಲಕ ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸುತ್ತವೆ, ಉದಾಹರಣೆಗೆ ಕೆಂಪು, ಕಿತ್ತಳೆ ಮತ್ತು ಹಳದಿ. ಕಡಿಮೆಯಿಂದ ಹೆಚ್ಚಿನವರೆಗೆ ನಿಖರವಾದ ಬಣ್ಣದ ಮಾಪಕ, ಮಾದರಿಯ ಘಟಕಗಳ ಸಮತಲ ವಿತರಣಾ ಮಾದರಿಯು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಂಭಾವ್ಯ ಸಾಂದ್ರತೆಯನ್ನು ಸೂಚಿಸುವ ಹೆಚ್ಚಿನ ಬಣ್ಣದ ಮಾದರಿಯನ್ನು ತೋರಿಸಿದೆ (ಚಿತ್ರ 4 ನೋಡಿ). CakMg ಮಾದರಿಯ ಘಟಕ ಸಮತಲವು ನಿಖರವಾದ ಬಣ್ಣದ ಅಳತೆಯ ಪ್ರಕಾರ ಕಡಿಮೆಯಿಂದ ಹೆಚ್ಚಿನವರೆಗೆ ವೈವಿಧ್ಯಮಯ ಬಣ್ಣದ ಮಾದರಿಯನ್ನು ತೋರಿಸುತ್ತದೆ. ure 5.ಎರಡೂ ಗ್ರಾಫ್‌ಗಳು ನಗರ ಮತ್ತು ಪೆರಿ-ಅರ್ಬನ್ ಮಣ್ಣಿನಲ್ಲಿ ಹೆಚ್ಚಿನ, ಮಧ್ಯಮ ಮತ್ತು ಕಡಿಮೆ ಪ್ರಮಾಣದ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ತೋರಿಸುತ್ತವೆ. ಚಿತ್ರ 7 ನಕ್ಷೆಯಲ್ಲಿನ k-ಅಂದರೆ ಗುಂಪಿನಲ್ಲಿರುವ ಬಾಹ್ಯರೇಖೆ ವಿಧಾನವನ್ನು ಚಿತ್ರಿಸುತ್ತದೆ, ಪ್ರತಿ ಮಾದರಿಯಲ್ಲಿನ ಅಂದಾಜು ಮೌಲ್ಯವನ್ನು ಆಧರಿಸಿ ಮೂರು ಸಮೂಹಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. 74.ಕ್ಲಸ್ಟರ್ 2 33 ಮಾದರಿಗಳನ್ನು ಸ್ವೀಕರಿಸಿದೆ, ಆದರೆ ಕ್ಲಸ್ಟರ್ 3 8 ಮಾದರಿಗಳನ್ನು ಸ್ವೀಕರಿಸಿದೆ. ಸರಿಯಾದ ಕ್ಲಸ್ಟರ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಅನುಮತಿಸಲು ಏಳು-ಘಟಕ ಪ್ಲ್ಯಾನರ್ ಪ್ರಿಡಿಕ್ಟರ್ ಸಂಯೋಜನೆಯನ್ನು ಸರಳೀಕರಿಸಲಾಗಿದೆ. ಮಣ್ಣಿನ ರಚನೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ಹಲವಾರು ಮಾನವಜನ್ಯ ಮತ್ತು ನೈಸರ್ಗಿಕ ಪ್ರಕ್ರಿಯೆಗಳಿಂದಾಗಿ, ವಿತರಿಸಿದ SeOM ನಕ್ಷೆಯಲ್ಲಿ ಕ್ಲಸ್ಟರ್ ಮಾದರಿಗಳನ್ನು ಸರಿಯಾಗಿ ವಿಭಿನ್ನಗೊಳಿಸುವುದು ಕಷ್ಟಕರವಾಗಿದೆ.
ಪ್ರತಿ ಎಂಪಿರಿಕಲ್ ಬೇಯೆಸಿಯನ್ ಕ್ರಿಜಿಂಗ್ ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (EBK_SVM_SeOM) ವೇರಿಯೇಬಲ್‌ನಿಂದ ಕಾಂಪೊನೆಂಟ್ ಪ್ಲೇನ್ ಔಟ್‌ಪುಟ್.[SeOM ನಕ್ಷೆಗಳನ್ನು RStudio ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಆವೃತ್ತಿ 1.4.1717: https://www.rstudio.com/).]
ವಿವಿಧ ಕ್ಲಸ್ಟರ್ ವರ್ಗೀಕರಣ ಘಟಕಗಳು [SeOM ನಕ್ಷೆಗಳನ್ನು RStudio ಬಳಸಿ ರಚಿಸಲಾಗಿದೆ (ಆವೃತ್ತಿ 1.4.1717: https://www.rstudio.com/).]
ಪ್ರಸ್ತುತ ಅಧ್ಯಯನವು ನಗರ ಮತ್ತು ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಗಾಗಿ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸುತ್ತದೆ. ಈ ಅಧ್ಯಯನವು ಮಣ್ಣಿನಲ್ಲಿ ನಿಕಲ್ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು ಉತ್ತಮ ಮಾರ್ಗವನ್ನು ಪಡೆಯಲು ವಿಭಿನ್ನ ಮಾದರಿಯ ತಂತ್ರಗಳನ್ನು ಪರೀಕ್ಷಿಸಿದೆ, ಮಾಡೆಲಿಂಗ್ ತಂತ್ರಗಳೊಂದಿಗೆ ಅಂಶಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಮಣ್ಣು.ಆದಾಗ್ಯೂ, ಪ್ರಾದೇಶಿಕ ವಿತರಣಾ ನಕ್ಷೆಯು EBK_SVMR ನಿಂದ ಪ್ರದರ್ಶಿಸಲಾದ ಘಟಕಗಳ ಸಮತಲ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ (ಚಿತ್ರ 5 ನೋಡಿ). ಬೆಂಬಲ ವೆಕ್ಟರ್ ಮೆಷಿನ್ ರಿಗ್ರೆಶನ್ ಮಾದರಿ (Ca Mg K-SVMR) ಮಣ್ಣಿನಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಒಂದೇ ಮಾದರಿಯಾಗಿ ಊಹಿಸುತ್ತದೆ ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ, ಆದರೆ RE ಮೌಲ್ಯಮಾಪಕ ಮತ್ತು accurmeter ಮೌಲ್ಯಮಾಪಕದಲ್ಲಿ ಹೆಚ್ಚಿನ ದೋಷಗಳನ್ನು ತೋರಿಸುತ್ತದೆ. ಮತ್ತೊಂದೆಡೆ, EBK_MLR ಮಾದರಿಯೊಂದಿಗೆ ಬಳಸಲಾದ ಮಾಡೆಲಿಂಗ್ ತಂತ್ರವು ನಿರ್ಣಯದ ಗುಣಾಂಕದ (R2) ಕಡಿಮೆ ಮೌಲ್ಯದ ಕಾರಣದಿಂದಾಗಿ ದೋಷಪೂರಿತವಾಗಿದೆ. EBK SVMR ಮತ್ತು ಸಂಯೋಜಿತ ಅಂಶಗಳ (CaKMg) ಕಡಿಮೆ RMSE ಮತ್ತು MAE ದೋಷಗಳೊಂದಿಗೆ 63.7% ನಿಖರತೆಯೊಂದಿಗೆ ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ. ಮಣ್ಣಿನಲ್ಲಿ PTE ಗಳ ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಬಲ್ಲ ಹೈಬ್ರಿಡ್ ಅಲ್ಗಾರಿದಮ್. ಅಧ್ಯಯನದ ಪ್ರದೇಶದಲ್ಲಿ Ni ಸಾಂದ್ರತೆಯನ್ನು ಊಹಿಸಲು Ca Mg K ಅನ್ನು ಮುನ್ಸೂಚಕವಾಗಿ ಬಳಸುವುದರಿಂದ ಮಣ್ಣಿನಲ್ಲಿ Ni ನ ಭವಿಷ್ಯವನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ಫಲಿತಾಂಶಗಳು ತೋರಿಸುತ್ತವೆ. ಇದರರ್ಥ ನಿಕಲ್ ಆಧಾರಿತ ರಸಗೊಬ್ಬರಗಳ ನಿರಂತರ ಬಳಕೆ ಮತ್ತು ಉಕ್ಕಿನ ಉದ್ಯಮದಿಂದ ಮಣ್ಣಿನ ಕೈಗಾರಿಕಾ ಮಾಲಿನ್ಯವು ಮಣ್ಣಿನ ಮಟ್ಟವನ್ನು ಹೆಚ್ಚಿಸುವ ಪ್ರವೃತ್ತಿಯನ್ನು ಹೊಂದಿದೆ. ನಗರ ಅಥವಾ ಪೆರಿ-ನಗರ ಮಣ್ಣಿನಲ್ಲಿ ಮಣ್ಣಿನ ಪ್ರಾದೇಶಿಕ ವಿತರಣೆಯ ಮಾದರಿಯ ನಿಖರತೆ. ಸಾಮಾನ್ಯವಾಗಿ, ಮಣ್ಣಿನಲ್ಲಿ PTE ಅನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಊಹಿಸಲು EBK-SVMR ಮಾದರಿಯನ್ನು ಅನ್ವಯಿಸಲು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ;ಹೆಚ್ಚುವರಿಯಾಗಿ, ವಿವಿಧ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳೊಂದಿಗೆ ಹೈಬ್ರಿಡೈಸ್ ಮಾಡಲು EBK ಅನ್ನು ಬಳಸಲು ನಾವು ಪ್ರಸ್ತಾಪಿಸುತ್ತೇವೆ. ಅಂಶಗಳನ್ನು ಕೋವೇರಿಯೇಟ್‌ಗಳಾಗಿ ಬಳಸಿಕೊಂಡು Ni ಸಾಂದ್ರತೆಗಳನ್ನು ಊಹಿಸಲಾಗಿದೆ;ಆದಾಗ್ಯೂ, ಹೆಚ್ಚಿನ ಕೋವೇರಿಯೇಟ್‌ಗಳನ್ನು ಬಳಸುವುದು ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚು ಸುಧಾರಿಸುತ್ತದೆ, ಇದನ್ನು ಪ್ರಸ್ತುತ ಕೆಲಸದ ಮಿತಿ ಎಂದು ಪರಿಗಣಿಸಬಹುದು. ಈ ಅಧ್ಯಯನದ ಮತ್ತೊಂದು ಮಿತಿಯೆಂದರೆ ಡೇಟಾಸೆಟ್‌ಗಳ ಸಂಖ್ಯೆ 115. ಆದ್ದರಿಂದ, ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಒದಗಿಸಿದರೆ, ಪ್ರಸ್ತಾವಿತ ಆಪ್ಟಿಮೈಸ್ಡ್ ಹೈಬ್ರಿಡೈಸೇಶನ್ ವಿಧಾನದ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು.
ಸಸ್ಯಗಳು ಮತ್ತು ಮಣ್ಣಿನಲ್ಲಿ PlantProbs.net.Nickel https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ಏಪ್ರಿಲ್ 2021 ಪ್ರವೇಶಿಸಲಾಗಿದೆ).
Kasprzak, KS ನಿಕಲ್ ಆಧುನಿಕ ಪರಿಸರ ವಿಷಶಾಸ್ತ್ರದಲ್ಲಿ ಮುಂದುವರೆದಿದೆ
ಸೆಂಪೆಲ್, ಎಂ. & ನಿಕೆಲ್, ಜಿ. ನಿಕಲ್: ಅದರ ಮೂಲಗಳು ಮತ್ತು ಪರಿಸರ ವಿಷಶಾಸ್ತ್ರದ ವಿಮರ್ಶೆ. ಪೋಲಿಷ್ ಜೆ. ಎನ್ವಿರಾನ್ಮೆಂಟ್.ಸ್ಟಡ್.15, 375–382 (2006).
ಫ್ರೀಡ್‌ಮ್ಯಾನ್, B. & ಹಚಿನ್ಸನ್, TC ವಾತಾವರಣದಿಂದ ಮಾಲಿನ್ಯಕಾರಕ ಇನ್‌ಪುಟ್ ಮತ್ತು ಕೆನಡಾದ ಒಂಟಾರಿಯೊದ ಸಡ್‌ಬರಿಯಲ್ಲಿನ ನಿಕಲ್-ತಾಮ್ರದ ಸ್ಮೆಲ್ಟರ್ ಬಳಿ ಮಣ್ಣು ಮತ್ತು ಸಸ್ಯವರ್ಗದ ಸಂಗ್ರಹಣೆ.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
ಮನ್ಯಿವಾ, ಟಿ. ಎಟ್ ಆಲ್. ಬೋಟ್ಸ್ವಾನಾದ ಸೆಲೆಬಿ-ಫಿಕ್ವೆ ತಾಮ್ರ-ನಿಕಲ್ ಗಣಿ ಬಳಿ ಮಣ್ಣು, ಸಸ್ಯಗಳು ಮತ್ತು ಮೇಯಿಸುವಿಕೆಗೆ ಸಂಬಂಧಿಸಿದ ಅಪಾಯಗಳಲ್ಲಿರುವ ಭಾರೀ ಲೋಹಗಳು ಮತ್ತು ಅಪಾಯಗಳು.
Cabata-Pendias.Kabata-Pendias A. 2011. ಮಣ್ಣಿನಲ್ಲಿರುವ ಅಂಶಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಿ ಮತ್ತು… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+pledias. %28NY%29%3A+CRC+Press&btnG= (24 ನವೆಂಬರ್ 2020 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ).
ಅಲ್ಮಾಸ್, ಎ., ಸಿಂಗ್, ಬಿ., ಅಗ್ರಿಕಲ್ಚರ್, ಟಿಎಸ್-ಎನ್‌ಜೆ ಆಫ್ & 1995, ವಿವರಿಸಲಾಗಿಲ್ಲ. ಸೋಯರ್-ವರಂಜರ್, ನಾರ್ವೇ.ಅಗ್ರಿಸ್.ಫಾವೋ.ಆರ್ಗ್‌ನಲ್ಲಿರುವ ಕೃಷಿ ಮಣ್ಣು ಮತ್ತು ಹುಲ್ಲುಗಳಲ್ಲಿನ ಹೆವಿ ಮೆಟಲ್ ಸಾಂದ್ರತೆಯ ಮೇಲೆ ರಷ್ಯಾದ ನಿಕಲ್ ಉದ್ಯಮದ ಪರಿಣಾಮಗಳು.
Nielsen, GD et al.ನಿಕಲ್ ಹೀರಿಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ಕುಡಿಯುವ ನೀರಿನಲ್ಲಿ ಧಾರಣವು ಆಹಾರ ಸೇವನೆ ಮತ್ತು ನಿಕಲ್ ಸಂವೇದನಾಶೀಲತೆಗೆ ಸಂಬಂಧಿಸಿದೆ.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
ಕೋಸ್ಟಾ, M. & ಕ್ಲೈನ್, CB ನಿಕಲ್ ಕಾರ್ಸಿನೋಜೆನೆಸಿಸ್, ರೂಪಾಂತರ, ಎಪಿಜೆನೆಟಿಕ್ಸ್ ಅಥವಾ ಆಯ್ಕೆ. ಸುತ್ತುವರಿದಿದೆ.ಆರೋಗ್ಯ ದೃಷ್ಟಿಕೋನ.107, 2 (1999).
ಅಜ್ಮಾನ್, ಪಿಸಿ;ಅಜಾಡೊ, ಎಸ್ಕೆ;Borůvka, L.;ಬಿನಿ, JKM;ಸರಕೋಡಿ, VYO;ಕೊಬೊನಿ, NM;ಸಂಭಾವ್ಯ ವಿಷಕಾರಿ ಅಂಶಗಳ ಟ್ರೆಂಡ್ ವಿಶ್ಲೇಷಣೆ: ಗ್ರಂಥಮಾಪನ ವಿಮರ್ಶೆ
Minasny, B. & McBratney, AB ಡಿಜಿಟಲ್ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್: ಎ ಬ್ರೀಫ್ ಹಿಸ್ಟರಿ ಮತ್ತು ಸಮ್ ಲೆಸನ್ಸ್.ಜಿಯೋಡರ್ಮಾ 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ಆನ್ ಡಿಜಿಟಲ್ ಮಣ್ಣಿನ ಮ್ಯಾಪಿಂಗ್
Deutsch.CV ಜಿಯೋಸ್ಟಾಟಿಸ್ಟಿಕಲ್ ರಿಸರ್ವಾಯರ್ ಮಾಡೆಲಿಂಗ್,... – ಗೂಗಲ್ ಸ್ಕಾಲರ್ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C+U+Oxity. nG= (28 ಏಪ್ರಿಲ್ 2021 ರಂದು ಪ್ರವೇಶಿಸಲಾಗಿದೆ).