Spas dikim ji bo seredana Nature.com. Guhertoya geroka ku hûn bikar tînin ji bo CSS-ê piştgiriyek sînordar heye. Ji bo ezmûna çêtirîn, em pêşniyar dikin ku hûn gerokek nûvekirî bikar bînin (an jî moda lihevhatinê ya di Internet Explorer-ê de qut bikin).
Qirêjiya axê pirsgirêkek mezin e ku ji ber çalakiyên mirovan çêdibe. Belavbûna mekanî ya hêmanên potansiyel jehrî (PTE) li piraniya deverên bajarî û per-bajaran diguhere. Ji ber vê yekê, pêşbîniya fezayî ya naveroka PTEyan di axên weha de dijwar e. Bi tevahî 115 nimûne ji Frydek Mistek li Komara Çek, (KalsiyumKN) û (Calcium) (Calcium) (Kalsiyum) (Kalsiyum)ta (Camagiums) (Kalsiyum)ta (Calcium) (Kalsiyum)ta (Camagiums) (Kalsiyum)ta (Ca) (Camagiums) (Kalsiyum)ta (Camagiums) (Kalcium)ta (Cabrika) (Kalcium) (Ca) pirsgirêkek mezin pirsgirêkek mezin e. pîvaz bi karanîna spektrometriya belavkirina plazmayê ya bi înduktîf ve hatî destnîşan kirin. Guherbara bersivê Ni ye û pêşbînker Ca, Mg û K in. Matrixa pêwendiya di navbera guhêrbar bersivê û guhêrbara pêşbînker de têkiliyek têrker di navbera hêmanan de nîşan dide. Encamên pêşbîniyê destnîşan kirin ku Piştgiriya Vektora Vektora Regression (SVMR) her çend koka wê ya çargoşe (SVMR4) baş tê texmîn kirin (SVMR4) kg) û navgîniya xeletiya mutleq (MAE) (166,946 mg/kg) ji rêbazên din ên ku hatine sepandin bilindtir bûn. Modelên tevlihev ên ji bo Rêgezyona Xetî ya Empirîkî ya Krîging-Zêdeyî (EBK-MLR) nebaş performans dikin, wekî ku ji hêla kêşeyên diyarkeriyê kêmtir ji 0,1 ve hatî diyar kirin. Modela Empirical-KSupportian modela çêtirîn, bi nirxên RMSE (95,479 mg/kg) û MAE (77,368 mg/kg) nizm û hevsengiya pêşdîtinê ya bilind (R2 = 0,637). Hilberîna teknîka modelkirina EBK-SVMR bi karanîna nexşeyek xwe-rêxistinkirî tê xuyang kirin. Neuronên komkirî di plana pirrengî de modela reng-S-HyMgV-ê nîşan dide. s di axên bajarî û per-bajaran de. Encam nîşan didin ku tevhevkirina EBK û SVMR teknîkek bi bandor e ji bo pêşbînkirina tansiyonên Ni li axên bajarî û perî-bajarî.
Nîkel (Ni) ji bo nebatan wekî mîkroxwarinek tê hesibandin, ji ber ku ew tevkariyê dike li sabîtkirina nîtrojena atmosferê (N) û metabolîzma hevreyê, ku her du jî ji bo şînbûna tovan hewce ne. Ji bilî tevkariya xwe ya di şînbûna tovan de, Ni dikare wekî mêş û bakteriyan tevbigere û pêşkeftina nebatan pêşve bixe. Ji ber kêmbûna nîkelê di axê de, nebatên ku di axê de nebûna nîkelê, û di encamê de pelên pehînan hewce dike ku wê jê bibe. sepana zibilên nîkelê ji bo başkirina rastkirina nîtrojenê2. Berdewamkirina sepana zibilên nîkelê ji bo dewlemendkirina axê û zêdekirina şiyana leguman ku nîtrojenê di axê de tamîr bikin, bi berdewamî giraniya nîkelê di axê de zêde dike. Her çend nîkel ji bo nebatan hêmanek mîkro ye, lê ji axê bêtir zirarê dide nebatan. pH-ya axê û girtina hesin wekî xurekek bingehîn a ji bo mezinbûna nebatan asteng dike1. Li gorî Liu3, Ni wekî hêmana 17emîn a girîng a ku ji bo geşbûn û mezinbûna nebatan hewce dike hate dîtin. Ji bilî rola nîkelê di geşbûn û mezinbûna nebatan de, mirov ji bo cûrbecûr sepanan pêdiviya wî bi wê heye. bikaranîna nîkelê di sektorên cuda yên pîşesazî de. Ji bilî vê, aligirên nîkel û gotarên elektroplkirî bi berfirehî di alavên metbexê, alavên salonê, pêdiviyên pîşesaziya xwarinê, elektrîk, têl û kablo, turbinên jet, implantên cerahî, tekstîl, û çêkirina keştiyan de hatine bikar anîn. Çavkaniyên xwezayî ne yên antropogenîk4,6. Çavkaniyên xwezayî yên nîkelê teqînên volkanîk, nebat, şewata daristanan û pêvajoyên jeolojîk hene;lêbelê, çavkaniyên antropogenîk di pîşesaziya pola de bataryayên nîkel/kadmiumê, elektroplating, welding arc, mazot û neftên sotemeniyê, û bermayiyên atmosferê yên ji şewitandina komirê û bermayiyan û şewitandina lûlê Kombûna nîkelê7,8 hene.10, çavkaniyên sereke yên qirêjiya axê jorîn a li hawîrdora yekser û ya cîran bi giranî melzemeyên nîkel-sifir û kanên Norwêcî ne. Axa jorîn a li derdora parzûngeha nîkel-sifir a Sudbury ya li Kanadayê asta herî bilind a qirêjiya nîkelê bi 26,000 mg/kg re heye. Berevajî vê yekê, li Rûsyayê 11 pîsbûna kelê zêde bûye. Li gorî Alms et al.12, mîqdara nîkelê ku ji HNO3-ê tê derxistin li erda herî şîn a herêmê (hilberîna nîkel li Rûsyayê) di navbera 6,25 û 136,88 mg/kg de ye, ku li gorî navgîniya 30,43 mg/kg û giraniya bingehîn 25 mg/kg ye. ax di demsalên çandiniyê yên li pey hev de dikare axê bişewitîne an qirêj bike. Bandorên potansiyel ên nîkelê li ser mirovan dibe ku bi mutagenezê, zirara kromozomî, hilberîna Z-DNA, tamîrkirina rakirina DNA ya astengkirî, an pêvajoyên epigenetîk ve bibe sedema penceşêrê.
Nirxên konteynir ên axê di demên dawî de ji ber cûrbecûr pirsgirêkên tenduristî yên ku ji navgîniya axê, û nirxandina berbiçav a ku hûn nexşeya kevneşopî pêk hatine (DSM) û serfiraziya dîjîtal û serfiraziya wê ya heyî û serfiraziya wê ya niha zêde bûye Mapping Soil û McBratney1-ê ya Pêşbînkirî (PSM) ji minasibî û McBratney, 2006 re diyar kir Bratney et al.17 diyar dike ku DSM an PSM ya hemdem teknîka herî bi bandor e ji bo pêşbînîkirin an nexşeya belavkirina cîhê PTE, celebên axê û taybetmendiyên axê. Algorîtmayên Jeostatîstîk û Fêrbûna Makîneyê (MLA) teknîkên modelkirina DSM ne ku bi alîkariya komputeran bi karanîna daneyên girîng û hindiktirîn nexşeyên dîjîtal diafirînin.
Deutsch18 û Olea19 jeostatîstîkê wekî "komek teknîkên hejmarî yên ku bi temsîlkirina taybetmendiyên cîhê ve mijûl dibin, bi taybetî modelên stokastîk bi kar tînin, wek mînak analîza rêzikên demkî çawa daneyên demkî diyar dike" pênase dikin.Di serî de, jeostatîstîk bi nirxandina variograman ve girêdayî ye, ku destûrê dide Pîvankirin û girêdanên nirxên cîhê ji her databasê diyar dike20.Gumiaux et al.20 wekî din diyar dike ku nirxandina variograman di jeostatîstîkê de li ser sê prensîban pêk tê, di nav de (a) hesabkirina pîvana pêwendiya daneyan, (b) nasîn û hesabkirina anîsotropiyê di cihêrengiya databasê de û (c) Ji bilî girtina xeletiya xwerû ya pîvandinê, gelek bandorên li ser teknîka avakirinê yên ku ji texmînên herêmî têne veqetandin jî têne veqetandin. jeostatîstîk, di nav de kriging giştî, hev-kriging, kriging asayî, kriging Bayesian ampîrîk, rêbaza kriging sade û teknîkên din ên navberê yên naskirî ji bo nexşe an pêşbînîkirina PTE, taybetmendiyên axê, û celebên axê.
Algorîtmayên Fêrbûna Makîneyê (MLA) teknîkek nisbeten nû ye ku çînên daneya ne-xêzik mezintir bi kar tîne, ku ji algorîtmayên ku di serî de ji bo derxistina daneyan têne bikar anîn, nasîna qalibên di daneyan de têne bikar anîn, û çend caran ji bo dabeşkirinê di warên zanistî de wekî zanistiya axê û peywirên vegerandinê têne sepandin. Gelek kaxezên lêkolînê xwe dispêrin modelên MLA yên di axê de, wekî PTE-yê pêşbîniyê dikin.22 (daristanên rasthatî yên ji bo texmînkirina metalên giran di axên çandiniyê de), Sakizadeh et al.23.24 (CART ji bo modelkirina ragirtina metalên giran û vegirtinê di axê de) Sun et al.25 (serîlêdana kubîst belavkirina Cd-ê di axê de ye) û algorîtmayên din ên wekî k-cîranê herî nêzîk, regresyona zêdekirî ya gelemperî, û paşvekêşana zêdekirî Daran jî MLA bikar anîn da ku PTE di axê de pêşbîn bike.
Sepana algorîtmayên DSM di pêşdîtin an jî nexşeyê de bi gelek kêşeyan re rû bi rû dimîne.Gelek nivîskar bawer dikin ku MLA ji jeostatîstîkê bilindtir e û berevajî vê yekê.Her çend yek ji ya din çêtir be jî, hevgirtina van herduyan asta rastbûna nexşe an pêşbîniyê di DSM15 de çêtir dike.Woodcock û Gopal26 Finke27;Pontius û Cheuk28 û Grunwald29 li ser kêmasî û hin xeletiyên di nexşeya axê ya pêşbînkirî de şîrove dikin. Zanyarên axê gelek teknîk ceribandine da ku bandorkerî, rastbûn û pêşbîniya nexşekirin û pêşbînkirina DSM-ê xweştir bikin. Tevhevbûna nezelaliyê û verastkirinê yek ji gelek aliyên cihêreng e ku ji bo kêmkirina altSM-ê, her ku entegrekirî ye.15 diyar dike ku tevger û nezelaliya ku ji hêla çêkirin û pêşbîniya nexşeyê ve hatî destnîşan kirin divê serbixwe were pejirandin da ku kalîteya nexşeyê baştir bike. Sînorên DSM ji ber qalîteya axê ku ji hêla erdnîgarî ve hatî belav kirin e, ku pêkhateyek nezelaliyê vedihewîne;lêbelê, nebûna teqeziyê di DSM-ê de dibe ku ji gelek çavkaniyên xeletiyê, ango xeletiya hevreng, xeletiya modelê, xeletiya cîh û xeletiya analîtîk 31 çêbibe. Nerastiyên modelkirinê yên ku di MLA û pêvajoyên erdnîgarî de têne peyda kirin bi kêmbûna têgihiştinê ve girêdayî ne, di dawiyê de dibe sedema bêhêsankirina xwezayê32 ji bo modela rastbûyîn. Parametreyên, pêşbîniyên modela matematîkî, an navberkirin33. Di van demên dawî de, meyleke DSM ya nû derketiye holê ku di nexşekirin û pêşbînkirinê de yekbûna jeostatîstîkê û MLA pêş dixe. Çend zanyar û nivîskarên axê, wek Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 û Tarasov et al.37 qalîteya rast a jeostatîstîkî û fêrbûna makîneyê bikar anîne da ku modelên hybrid ên ku karbidestiya pêşbînkirin û nexşeyê çêtir dikin çêbikin.kalîte.Hinek ji van modelên algorîtmaya hîbrîd an jî hevgirtî ev in: Kriging Tora Neuralî ya Hunerî (ANN-RK), Perceptrona Pirrengî ya Bermayî (MLP-RK), Tora Neuralî ya Bermayî ya Regresyona Giştî (GR- NNRK)36, Tora Neuralî ya Hunerî Kriging-Pir-layer Perceptron (ANN-Rêveberiya Pirrengî (ANN-Perceptrona Pirrengî (ANN-Processon)3-K- û CoMLP.
Li gorî Sergeev et al., berhevkirina teknîkên cûrbecûr modelkirinê potansiyela wê heye ku kêmasiyan ji holê rabike û karbidestiya modela hîbrid a encamgir zêde bike ne ji pêşvebirina modela wê ya yekane. Di vê çarçoveyê de, ev gotara nû dibêje ku pêdivî ye ku algorîtmayek hevgirtî ya jeostatîstîkî û MLA were sepandin da ku modelên hybrid ên çêtirîn li deverên bajarî yên ji nû ve lêkolîn bikin û li ser lêkolîna Niperiîdî ya Emperîrîk were afirandin. (EBK) wekî modela bingehîn û bi modelên Makîneya Vektora Piştgiriyê (SVM) û Regresyona Rêzika Pirjimar (MLR) re tevlihev bikin. Hîbridîzekirina EBK bi her MLA-yê re nayê zanîn. Modelên pirjimar ên tevlihev ên ku têne dîtin berhevokên asayî, mayî, krîgasyona paşverû, û MLA ne. zeviya tesadufî ya ationary/stationary bi parametreyên herêmîbûnê yên diyarkirî li ser zeviyê, ku destûrê dide guheztina mekan39.EBK di gelek lêkolînan de, di nav de analîzkirina belavkirina karbonê organîk di axa çandiniyê de40, nirxandina qirêjiya axê41 û nexşekirina taybetmendiyên axê42, hatiye bikar anîn.
Ji hêla din ve, Grafiya Xwe-Organîzekirin (SeOM) algorîtmayek fêrbûnê ye ku di gotarên cihêreng de wekî Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 û Kebonye û yên din.46 Taybetmendiyên mekan û komkirina hêmanan diyar bikin.Wang û yên din.44 diyar dike ku SeOM teknîkek hînbûnê ya hêzdar e ku bi şiyana xwe ya komkirin û xeyalkirina pirsgirêkên ne-xêz tê zanîn. Berevajî teknîkên din ên naskirina nimûneyê yên wekî analîza pêkhateyên sereke, komkirina fuzzy, komkirina hiyerarşîk, û biryara pir-pîvanan, SeOM di birêxistinkirin û naskirina qalibên PTE de çêtir e. Li gorî Wang.44, SeOM dikare dabeşkirina neuronên têkildar bi cîhêkî kom bike û dîmendera daneya bi rezîliya bilind peyda bike.SeOM dê daneya pêşbîniya Ni bibînim da ku modela çêtirîn bistîne da ku encaman ji bo şirovekirina rasterast destnîşan bike.
Armanca vê gotarê ew e ku ji bo pêşbînkirina naveroka nîkelê di axên bajarî û per-bajarî de modelek nexşeya bihêz bi rastbûna çêtirîn biafirîne. Em hîpotez dikin ku pêbaweriya modela tevlihev bi giranî bi bandora modelên din ên ku bi modela bingehîn ve girêdayî ne ve girêdayî ye. al;Ji ber vê yekê, em ê hewl bidin ku bersivê bidin pirsên lêkolînê yên ku dibe ku modelên tevlihev derxînin. Lêbelê, modela di pêşbînkirina hêmana armancê de çiqas rast e? Her weha, asta nirxandina karîgeriyê li ser bingeha pejirandin û nirxandina rastbûnê çi ye? Ji ber vê yekê, armancên taybetî yên vê lêkolînê ew bûn ku (a) modelek têkelê ya hevgirtî ji bo SVMR an MLR-ê biafirînin, modela herî baş bi kar bînin Tevliheviyên Ni li axên bajarî an per-bajarî, û (d) serîlêdana SeOM-ê ji bo afirandina nexşeyek bi rezîliya bilind a guhertoya cîhê nîkel.
Lêkolîn li Komara Çek, bi taybetî li navçeya Frydek Mistek li herêma Moravya-Silesyayê tê kirin (binêre Figure 1). Erdnîgariya devera lêkolînê pir hişk e û bi piranî beşek ji herêma Moravia-Silesian Beskidy ye, ku beşek ji çemê derve yê Çiyayên Karpatan e. Herêma lêkolînê 49°02 "4902" û N41 ye. , û bilindahî di navbera 225 û 327 m de ye;Lêbelê, pergala dabeşkirina Koppen ji bo rewşa avhewa ya herêmê wekî Cfb = avhewa okyanûsê ya nerm, di mehên hişk de jî pir baran dibare. Germahiya salê di navbera −5 °C û 24 °C de hinekî diguhere, kêm caran dadikeve binê −2 °C an jî di ser 6 mm5 dereceyê salane û li gorî texmîna navînî 75 °C ye. ji tevahiya herêmê 1208 kîlometre çargoşe ye, bi %39,38 ê zeviyê çandiniyê û %49,36 ê vegirtina daristanê ye. Ji aliyê din ve, qada ku di vê lêkolînê de hatî bikar anîn bi qasî 889,8 kîlometre çargoşe ye. Li Ostrava û derdora wê, pîşesaziya pola û karên metal pir aktîf in. Kargehên metal, pîşesaziya pola (ji bo pola stenbolê û pola hemî neqûl û nîkel tê bikar anîn) nîkel hêza alloyê zêde dike di heman demê de ku nermbûn û hişkiya xwe ya baş diparêze), û çandiniya zexm, wekî serîlêdana gubreya fosfatê û hilberîna heywanan çavkaniyên potansiyela lêkolînê yên nîkelê li herêmê ne (mînak, lê zêdekirina nîkelê li berxiyan ji bo zêdekirina rêjeyên mezinbûnê li berx û dewarên kêmxwarin). Pêvajoyên tûjkirinê. Taybetmendiyên axê ji rengê axê, avahî û naveroka karbonat bi hêsanî têne cûda kirin. Tevra axê navîn û xweş e, ji maddeya dêûbav tê peyda kirin. Ew di xwezayê de kolevîal, aluvial an jî eolî ne. Hin deverên axê di rû û binê axê de, pir caran bi beton û spîkirî xuya dikin. Lêbelê, li herêmê herî zêde cambisolev4 cureyên axê yên hevpar in. 455,1 heta 493,5 m, cambisol li Komara Çek serdest in49.
Nexşeya qada lêkolînê [Nexşeya qada lêkolînê bi karanîna Sermaseya ArcGIS hate afirandin (ESRI, Inc, guhertoya 10.7, URL: https://desktop.arcgis.com).]
Li navçeya Frydek Mistek ji axên bajarî û derbajaran bi giştî 115 nimûneyên axê hatin standin. Nimûneya ku hatî bikar anîn şebekek birêkûpêk bû ku nimûneyên axê 2 × 2 km ji hev dûr bûn, û axa jorîn bi kûrahiya 0 heta 20 cm bi cîhaza GPS-ê ya destan hate pîvandin (Leica Zeno 5 bi laboratûara paketkirî, bi pakêtên GPSS ve girêdayî ye). y. Nimûneyên bi hewa hatin zuwakirin da ku nimûneyên pîvazkirî werin hilberandin, bi pergalek mekanîkî (Fritsch disc mill) hatin pelçiqandin, û hatin siftkirin (mezinahiya silê 2 mm). 1 gram nimûneyên axa hişkkirî, homojenkirî û sivikkirî di şûşeyên teflon ên bi etîketkirî de bişînin. dispenser – yek ji bo her asîdê), bi sivikî veşêrin û bihêlin ku nimûne di şevekê de ji bo reaksiyonê rawestin (bernameya aqua regia) .Spernatantê li ser plakaya metal a germ (germahiya: 100 W û 160 °C) ji bo 2 saetan bixin da ku prosesa helandina nimûneyan hêsantir bike, piştre sar bike. Avê sar bibe. Zêdetirî di nav lûleyek PVC ya 50 ml ya bi ava deionîzekirî de. Ji bilî vê, 1 ml ji çareseriya rijandinê bi 9 ml ava deionîzekirî hate rijandin û di lûleyek 12 ml de hate parzûn kirin. upled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) li gorî rêbazên standard û peymanê. Pêvajoyên Assurance û Kontrola Qalîteyê (QA/QC) (SRM NIST 2711a Montana II Soil) misoger bikin. Ji bo her analîzê pêvajoya pêbaweriya kalîteyê bi analîzkirina standardên referansê ve tê piştrast kirin.
Krîginga Bayesian a Empirîkî (EBK) yek ji gelek teknîkên navberkirina erdhejmarî ye ku di modelkirinê de di warên cihêreng ên wekî zanista axê de tê bikar anîn. Berevajî teknîkên din ên navberkirina krigingê, EBK ji rêbazên krigingê yên kevneşopî cûda dibe ku xeletiya ku ji hêla modela nîvvaryogramê ve tê texmîn kirin. Teknîkên vegirtinê rê li ber nezelaliyê û bernamesaziya ku bi vê xêzkirina nîvvaryogramê ve girêdayî ye ku beşek pir tevlihev a rêbazek kriging têra xwe pêk tîne. Pêvajoya navhevkirinê ya EBK sê pîvanên ku ji hêla Krivoruchko50 ve hatî pêşniyar kirin dişopîne. databasek simulkirî.Rêza hevkêşana Bayesian wekî paşî tê dayîn
Li cihê ku \(Prob\left(A\rast)\) pêşiyê temsîl dike, \(Prob\left(B\rast)\) îhtîmala marjînal di pir rewşan de tê paşguh kirin, \(Prob (B,A)\ ) .Hesabkirina nîvvariogramê li ser bingeha qaîdeya Bayes-ê ye, ku mêldariya sevarîgramê bi karanîna daneyên danûstendinê yên sevariogramê nîşan dide. , ku diyar dike ka çiqas îhtîmal e ku ji semivariogramê berhevokek çavdêriyan biafirîne.
Makîneya vektora piştgirî algorîtmayek fêrbûna makîneyê ye ku hîperplanek veqetandî ya herî baş çêdike da ku dersên yeksan lê ne xêzkî serbixwe ji hev cuda bike. Vapnik51 algorîtmaya dabeşkirina mebestê afirand, lê di van demên dawî de ji bo çareserkirina pirsgirêkên paşveçûn-rêveberiyê hate bikar anîn. Li gorî Li et al.52, SVM yek ji baştirîn teknîka dabeşker e. Regression - SVMR) di vê analîzê de hate bikar anîn. Cherkassky û Mulier53 pêşengiya SVMR kirin wekî paşveçûnek kernel-based, ku hesabkirina wê bi karanîna modelek paşvekêşana xêzkirî ya bi fonksiyonên fezayî yên pir-welatî hate kirin.John et al54 radigihînin ku modela SVMR destûrê dide ku ji bo fonksiyona regresîyona veguhezbar û xêzkirina xêzkirinê ya nelirêtî bikar tîne. ji Vohland et al.55, epsilon (ε)-SVMR databasa perwerdekirî bikar tîne da ku modelek temsîlî wekî fonksiyonek nehesas a epsilonê bi dest bixe ku ji bo nexşeya daneyan serbixwe bi binasiya epsilonê ya çêtirîn ji perwerdehiya li ser daneya têkildar tê sepandin. Çewtiya dûrbûna pêşwext ji nirxa rastîn nayê paşguh kirin, û heke xeletî ji ε(ε) mezintir be, modela daneya tevlihev jî kêm bike. vektorên piştgirî.Hevkêşana ku ji hêla Vapnik51 ve hatî pêşniyar kirin li jêr tê nîşandan.
cihê ku b sînorê scalar nîşan dide, \(K\left({x}_{,}{ x}_{k}\rast)\) fonksiyona kernelê, \(\alpha\) pirjimara Lagrange, N databasek jimareyî, \({x}_{k}\) berhevoka daneyê nîşan dide, û M danasîna kilîtê ya ku hatî bikar anîn e \(y\ne) ye. Fonksiyona bingeha radîkal a Gaussian (RBF). Kernela RBF ji bo destnîşankirina modela SVMR ya çêtirîn tê sepandin, ku ji bo bidestxistina faktora koma cezayê ya herî nazik C û gamaya pîvana kernel (γ) ji bo daneya perwerdehiya PTE girîng e. Pêşî, me koma perwerdehiyê nirxand û dûv re me performansa modelê li ser koma erêkirinê ceriband.
Modela regresyonê ya piralî (MLR) modelek paşvekêşanê ye ku têkiliya di navbera guhêrbar bersivê û hejmarek guhêrbarên pêşbînker de bi karanîna parametreyên hevgirtî yên xêzkirî yên ku bi rêbaza çarçikên herî kêm têne hesibandin nîşan dide.Di MLR de, modela çargoşeya herî kêm fonksiyonek pêşdîtinê ya taybetmendiyên axê ye piştî hilbijartina guhêrbarên raveker. Pêwîst e ku ji bo damezrandina guhêrbarên raveker, pêwendiya guhêrbar bi karanîna guhêrbar were bikar anîn. têkiliya bi guherbarên raveker re.Hevkêşana MLR ye
ku y guhêrbara bersivê ye, \(a\) navbirr e, n hejmara pêşbînkeran e, \({b}_{1}\) paşvekêşana qismî ya hevberan e, \({x}_{ i}\) guhêrbarek pêşbînîker an raveker temsîl dike, û \({\varepsilon }_{i}\) wekî ku ji nû ve tê zanîn modelê nîşan dide.
Modelên têkel bi sandwichkirina EBK bi SVMR û MLR-ê ve hatin wergirtin. Ev bi derxistina nirxên pêşbînîkirî yên ji navhevkirina EBK-ê pêk tê. Nirxên pêşbînîkirî yên ku ji navberkirina Ca, K û Mg têne wergirtin bi pêvajoyek hevbeş têne wergirtin da ku guhêrbarên nû werin bidestxistin, wek CaK, Mg û Mg, çar hêmanên CaMg, û çar hêmanên ku têne berhev kirin. KMg. Bi tevayî, guhêrbarên ku hatine bidestxistin Ca, K, Mg, CaK, CaMg, KMg û CaKMg in. Ev guhêrbar bûne pêşbînkerên me, ji bo pêşbînkirina berhevokên nîkelê li axên bajarî û per-bajaran bibin alîkar. Algorîtmaya SVMR li ser pêşbînkeran hate kirin da ku modelek tevlihev a Krirî SvarîgSerpVerîgn-Verîbare-Verbare-M. s jî di nav algorîtmaya MLR-ê de têne guheztin da ku modelek tevlihev a Empirîkî ya Bayesian Kriging-Regression EBK_MLR (EBK_MLR). Bi gelemperî, guhêrbarên Ca, K, Mg, CaK, CaMg, KMg, û CaKMg wekî hevreng têne bikar anîn. _MLR) wê hingê bi karanîna grafiyek xwe-rêxistinkirinê were xuyang kirin. Karê xebata vê lêkolînê di Xiflteya 2 de tê xuyang kirin.
Bikaranîna SeOM-ê di sektora darayî, lênihêrîna tenduristî, pîşesazî, îstatîstîk, zanista axê û hwd de bûye amûrek populer ji bo organîzekirin, nirxandin û pêşbînkirina daneyan. SeOM ji bo rêxistin, nirxandin û pêşbîniyê bi karanîna torên neuralî yên çêkirî û awayên fêrbûna neçavdêrî tê afirandin. Di vê lêkolînê de, SeOM ji bo dîtina giraniya Ni hate bikar anîn. guherbarên vektorê danîn-dimensîyonel43,56.Melssen et al.57 girêdana vektora têketinê di nav tora neuralî de bi riya yek tebeqeya têketinê bi vektorek derketinê re bi vektorek giran a yekane vedibêje. Derketina ku ji hêla SeOM ve hatî çêkirin nexşeyek du-alî ye ku ji neuron an girêkên cihêreng pêk tê ku li gorî nêzîkbûna wan di nexşeyên topolojîk ên heksagonal, dordorî an çargoşe de hatine xêzkirin. Berawirdkirina nexşeyê (mezinahiya eOM-ê ya li ser bingeha error-ê) 0,086 û 0,904, bi rêzê, tê hilbijartin, ku yekîneyek nexşeya 55-ê ye (5 × 11). Avahiya neuronê li gorî hejmara girêkên di hevkêşeya ampîrîkî de tê destnîşankirin.
Hejmara daneyên ku di vê lêkolînê de hatine bikar anîn 115 nimûne ne. Ji bo dabeşkirina daneyan li ser daneyên testê (25% ji bo pejirandinê) û berhevokên daneya perwerdehiyê (75% ji bo kalibrasyonê) nêzîkatiyek rasthatî hate bikar anîn. d Pêvajoya erêkirina xaçerê, pênc caran tê dubare kirin. Guherbarên ku ji hêla navberkirina EBK ve têne hilberandin, wekî pêşbînker an guhêrbarên raveker têne bikar anîn da ku guhêrbara armanc (PTE) pêşbîn bike. Modelkirin di RStudio de bi karanîna pirtûkxaneya pakêtan (Kohonen), pirtûkxane (caret), pirtûkxane (modelr), pirtûkxane (« e1071), pirtûkxane( ”) û pirtûkxane ("Metrics").
Ji bo destnîşankirina modela herî baş a ku ji bo pêşbînkirina giraniya nîkelê di axê de maqûl e û ji bo nirxandina rastbûna modelê û rastkirina wê modela çêtirîn hate bikar anîn. Modelên hîbrîdîzasyonê bi karanîna navîna xeletiya mutleq (MAE), xeletiya navîn a çargoşeyê (RMSE) û diyarkirina R-çargoşe an jî hevber (R2) hatin nirxandin. di tedbîrên serbixwe de hêza pêşdîtinê ya modelê diyar dike, dema ku MAE nirxa mîqdar a rastîn diyar dike. Nirxa R2 divê bilind be da ku modela têkelê ya çêtirîn bi karanîna pîvanên erêkirinê binirxîne, nirx çiqas nêzî 1 be, rastbûn jî ew qas bilindtir e. Li gorî Li et al.59, nirxek pîvana R2 ya 0,75 an mezintir wekî pêşbîniyek baş tê hesibandin;ji 0,5 heta 0,75 performansa modela meqbûl e, û li jêr 0,5 performansa modelê nayê qebûl kirin. Dema ku modelek bi karanîna rêbazên nirxandina pîvanên pejirandina RMSE û MAE hilbijêrin, nirxên jêrîn ên ku hatine bidestxistin bes bûn û bijareya çêtirîn hatin hesibandin. Hevkêşana jêrîn rêbaza verastkirinê vedibêje.
ku n mezinahiya nirxa çavdêrîkirî temsîl dike\({Y}_{i}\) bersiva pîvandî nîşan dide, û \({\widehat{Y}}_{i}\) jî nirxa bersivê ya pêşbînîkirî temsîl dike, ji ber vê yekê, ji bo çavdêriyên i yekem.
Danasîna îstatîstîkî ya guhêrbarên pêşbînîker û bersivê di Tabloya 1-ê de têne pêşkêş kirin, ku navgîn, veguheztina standard (SD), hevsengiya guhêrbariyê (CV), hindiktirîn, herî zêde, kurtosîs û şikilbûnê nîşan dide. Nirxên hindiktirîn û herî zêde yên hêmanan bi rêza kêmbûnê Mg < Ca < K < Ni û Ca < Mg < K
Têkiliya guhêrbarên pêşbînîker bi hêmanên bersivê re têkiliyek têrker di navbera hêmanan de nîşan dide (li Xiflteya 3 binêre). Têkilî destnîşan kir ku CaK bi r nirxa = 0.53 re têkiliyek nerm nîşan dide, wekî CaNi jî. Her çend Ca û K bi hevûdu re têkiliyên nerm nîşan didin, lêkolînerên wekî Kingston.68 û Santo69 destnîşan dikin ku astên wan di axê de berevajî nîsbet in. Lêbelê Ca û Mg dijberê K in, lê CaK bi hev re têkildar e. Dibe ku ev ji ber serîlêdana zibilên wek karbonat potasyûm be, ku di potasyûmê de %56 bilindtir e. du hêman ji nêz ve bi hev ve girêdayî ne ji ber ku sulfate magnesium potassium, nitrate potassium magnesium, and potas P li axê têne sepandin da ku asta kêmasiya wan zêde bikin.Nîkl bi nermî bi Ca, K û Mg re bi nirxên r = 0.52, 0.63 û 0.63 û 0.55 ve girêdayî ye, wekî têkeliyên kel û TE yên tevlihev in. , lê dîsa jî, magnesium vegirtina kalsiyûmê asteng dike, kalsiyûm bandorên magnesiumê yên zêde kêm dike, û hem magnesium û hem jî kalsiyûm bandorên jehrî yên nîkelê di axê de kêm dike.
Matrixa pêwendiyê ya ji bo hêmanên ku têkiliya di navbera pêşbînker û bersivan de nîşan dide (Têbînî: ev hejmar di navbera hêmanan de nexşeyek belavbûnê vedihewîne, astên girîngiyê li ser p <0,001-ê ye).
Xiflteya 4 belavbûna mekan a hêmanan nîşan dide. Li gorî Burgos û al70, sepandina belavkirina mekan teknîkek e ku ji bo hejmartin û ronîkirina xalên germ ên li herêmên qirêj tê bikaranîn. Asta dewlemendkirina Cayê ya di Fig. îhtîmal e ku ji ber bikaranîna lîmê zirav (oksîma kalsiyûmê) ji bo kêmkirina asîta axê û bikaranîna wê di kargehên pola de wekî oksîjena alkalîn di pêvajoya çêkirina pola de. Ji aliyek din ve cotkarên din tercîh dikin ku hîdroksîdê kalsiyûmê di axên asîd de bikar bînin da ku pH bêbandor bikin, ev jî naveroka kalsiyûmê ya axê zêde dike. Rêjeya berbi-bilind a qalibê potasyûmê dibe ku ji ber serîlêdanên NPK û potaş be. Ev yek bi lêkolînên din re hevaheng e, wek Madaras û Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, yên ku dîtine ku aramkirina axê û dermankirina axê di naverokek KCl û KPK-ê de di encama axê de zêde dibe.Dewlemendkirina Mekanî ya Potassium li bakur-rojavayê nexşeya belavkirinê dibe ku ji ber bikaranîna zibilên ser bingeha potasyûmê yên wekî klorîdê potassium, sulfate potassium, potassium nitrate, potas, û potas ji bo zêdekirina naveroka potassiumê di axa belengaz de be.Zádorov.76 û Tlustoš et al.77 destnîşan kir ku serîlêdana gubreyên K-yê naveroka K-yê di axê de zêde dike û di demek dirêj de dê naveroka xurekê ya axê bi girîngî zêde bike, nemaze K û Mg di axê de deqek germ nîşan dide. Li bakurê rojavayê nexşeyê û başûrê rojhilatê nexşeyê germahiyên bi nermî nerm. di klorozê de gubreyên magnesium-ê, wek magnesium sulfate potassium, sulfate magnesium, and Kieserite, kêmasiyan (nebatên binefşî, sor, an qehweyî xuya dikin, ku kêmasiya magnesiumê nîşan dide) di axên bi rêjeyek pH-ya normal de6. Kombûna axên wekî rûbera axê dibe sedema an perîkulerbank. ture û girîngiya nîkelê di hilberîna pola zengarnegir de78.
Dabeşkirina cîhê hêmanan [nexşeya belavkirina cîhê bi karanîna Sermaseya ArcGIS hate afirandin (ESRI, Inc, Versiyon 10.7, URL: https://desktop.arcgis.com).]
Encamên nîşana performansa modela ji bo hêmanên ku di vê lêkolînê de hatine bikar anîn di Tablo 2 de têne xuyang kirin. Ji hêla din ve, RMSE û MAE ya Ni her du jî nêzî sifirê ne (0.86 RMSE, -0.08 MAE). Ji hêla din ve, hem nirxên RMSE û MAE yên K-yê têne pejirandin. Encamên RMSE û MAE ji bo kalsiyûm û magnesiya KRM-ê mezintir in. RMSE û MAE ya vê lêkolînê bi karanîna EBK-ê ji bo pêşbînîkirina Ni-ê ji encamên John et al çêtir hatin dîtin.54 bikaranîna kriging sînerjîstîk ji bo pêşbînkirina kombûna S di axê de bi karanîna heman daneyên berhevkirî re bikar tîne. Encamên EBK yên ku me lêkolîn kirin bi yên Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 û John et al.82, bi taybetî K û Ni.
Performansa rêbazên takekesî yên ji bo pêşbînkirina naveroka nîkelê di axên bajarî û per-bajarî de bi karanîna performansa modelan hate nirxandin (Table 3). Verastkirin û nirxandina rastbûna modelê piştrast kir ku pêşbînkera Ca_Mg_K bi modela EBK SVMR re li hev kirin performansa herî çêtirîn peyda dike. MAE) bûn 0,637 (R2), 95,479 mg/kg (RMSE) û 77,368 mg/kg (MAE) Ca_Mg_K-SVMR bû 0,663 (R2), 235,974 mg/kg (RMSE) û 166,946 mg/kg (RMSE) û 166,946 E mgNg/kg bêkêmasî, nirxa R-N2Ke ya bêkêmasî hat bidestxistin. SVMR (0,663 mg/kg R2) û Ca_Mg-EBK_SVMR (0,643 = R2);Encamên wan ên RMSE û MAE ji yên Ca_Mg_K-EBK_SVMR (R2 0.637) bilindtir bûn (li Tablo 3 binêre). Ji bilî vê, RMSE û MAE ya Ca_Mg-EBK_SVMR (RMSE = 1664.64 û MAE = 1031.49, ku bi rêzdarî ji modela 1031.49 mezintir in). Ca_Mg_K-EBK_SVMR. Bi heman awayî, RMSE û MAE ya Ca_Mg-K SVMR (RMSE = 235.974 û MAE = 166.946) modela 2.5 û 2.2 ji yên berhevoka Ca_Mg_K-EBK-EBK_SVM mezintir in. bi rêza herî baş e. RSME û MAE bilindtir hatin dîtin.Li gorî Kebonye et al.46 û John et al.54, her ku RMSE û MAE nêzî sifirê bin, encam çêtir e. SVMR û EBK_SVMR xwedan nirxên RSME û MAE yên quantîzekirî yên bilindtir in. Hat dîtin ku texmînên RSME bi domdarî ji nirxên MAE bilindtir bûn, ku hebûna derziyan nîşan dide. Li gorî Legates83, McCSE-ya mutleq e) Ev tê wê wateyê ku databas çiqas heterojen be, nirxên MAE û RMSE jî ew qas bilindtir e. Rastiya nirxandina xaçerê ya modela tevlihev a Ca_Mg_K-EBK_SVMR ji bo pêşbînkirina naveroka Ni li axên bajarî û derbajaran 63,70% bû. Li gorî %.59, ev asta rastbûnê rêjeyek performansa modela meqbûl e. Encamên heyî bi lêkolînek berê ya Tarasov et al.36 ku modela wê ya hîbrîd MLPRK (Multilayer Perceptron Residual Kriging) afirand, girêdayî pêwendiya nirxandina rastbûna EBK_SVMR ya ku di lêkolîna heyî de hatî ragihandin, RMSE (210) û MAE (167.5) ji encamên me yên di lêkolîna heyî de (RMSE 95.479, MAE 95.479, MAE 95.479, MAE 77, dema ku lêkolîna niha tê berhevkirin) bilindtir bû. bi ya Tarasov et al.36 (0.544), diyar e ku di vê modela têkel de rêjeya diyardeyê (R2) bilindtir e. Rêjeya xeletiyê (RMSE û MAE) (EBK SVMR) ji bo modela tevlihev du qat kêmtir e. Her weha, Sergeev et al.34 0,28 (R2) tomar kir (R2) ji bo modela nûjenkirî ya nû ve hatî tomar kirin (M. 0,637 (R2). Asta rastbûna pêşbîniya vê modelê (EBK SVMR) %63,7 e, dema ku rastbûna pêşbîniyê ji hêla Sergeev et al.34% 28 e. Nexşeya dawîn (Hêl. 5) ku bi modela EBK_SVMR û Ca_Mg_K wekî pêşbînker hatiye çêkirin, pêşbîniyên deqên germ û nîkelê ji nermî heta nîkelê li ser tevahiya devera lêkolînê nîşan dide.
Nexşeya pêşbîniya dawîn bi karanîna modela hybrid EBK_SVMR û bi karanîna Ca_Mg_K wekî pêşbînker tê destnîşan kirin.
Di Xiflteya 6-ê de giraniya PTE-ê wekî balafirek pêkhatî ya ku ji neuronên takekesî pêk tê, têne pêşkêş kirin. Yek ji firokeyên pêkhateyê heman rengê rengê wekî ku tê xuyang kirin nîşan neda. Lêbelê, hejmara guncav a neronan li ser nexşeyek xêzkirî 55 e. Nimûneyên yekane noyronên bilind û piraniya noyronên nizm. Ji ber vê yekê, CaK û CaMg bi noyronên pir bilind û qalibên rengîn ên kêm-binavber re hin dişibin hev dikin. Her du model bi nîşandana rengên navîn û bilind ên rengên wek sor, porteqalî û zer, gelek rengên rengîn ên bilind û nîsbetê yên nizm ên rast nîşan dide. şêweya belavkirina pêkhateyên modelê qalibek rengînek bilind nîşan dide ku berhevbûna potansiyela nîkelê di axê de nîşan dide (binêre Figure 4). Balafira pêkhateya modela CakMg li gorî pîvanek rengînek rast rengekî rengînek cihêreng ji nizm berbi bilind nîşan dide. Wekî din, pêşbîniya modelê ya naveroka nîkelê (CakMg) dişibihe nîsbeta nîkelê ya bilind. berhevkirina nîkelê li axên bajarî û per-bajaran. Xiflteya 7 rêbaza konturê di komkirina k-meansê ya li ser nexşeyê de nîşan dide, li ser sê koman li ser bingeha nirxa pêşbînîkirî di her modelê de hatî dabeş kirin. Rêbaza konturê hejmara herî baş a koman temsîl dike. Ji 115 nimûneyên axê hatine berhevkirin, kategoriya 1 4 nimûneyên axê 3 herî zêde nimûneyên axê stend. s. Kombînasyona pêşbînkera plankirî ya heft-pêkhatî hate hêsan kirin da ku rê bide şîrovekirina komê ya rast. Ji ber gelek pêvajoyên antropogenîk û xwezayî yên ku bandorê li avabûna axê dikin, dijwar e ku meriv di nexşeyek SeOM-ê ya belavkirî de bi rêkûpêk ji hev cihêkirî be.
Ji hêla her guhêrbar (EBK_SVM_SeOM) guhêrbar (EBK_SVM_SeOM) ji hêla guhêrbarek vektora Piştgiriyê ya Bayesian Bayesian ve derdikeve.
Pêkhateyên dabeşkirina komê yên cihê [Nexşeyên SeOM bi karanîna RStudio (guhertoya 1.4.1717: https://www.rstudio.com/) hatin afirandin.]
Lêkolîna heyî bi zelalî teknîkên modelkirinê yên ji bo giraniya nîkelê li axên bajarî û der-bajaran destnîşan dike. Lêkolînê teknîkên modelkirinê yên cihêreng ceriband, hêmanên bi teknîkên modelkirinê re hevber kirin, da ku awayê çêtirîn ji bo pêşbînkirina giraniya nîkelê di axê de bi dest bixe. nexşe belavkirina mekan a plankirî ya pêkhateyên ku ji hêla EBK_SVMR ve hatî pêşandan piştrast dike (binihêre Figure 5). Encam destnîşan dikin ku modela paşvekêşana makîneya vektora piştgirî (Ca Mg K-SVMR) kombûna Ni di axê de wekî modelek yekane pêşbînî dike, lê pîvanên erêkirin û nirxandina rastbûnê xeletiyên pir zêde nîşan didin û di warê teknîka MAMLK-ya din de xeletiyên pir zêde destnîşan dikin. Di heman demê de ji ber kêmbûna nirxa rêjeya diyardeyê (R2) jî modela xelet e. Encamên baş bi karanîna EBK SVMR û hêmanên hevgirtî (CaKMg) bi xeletiyên RMSE û MAE yên kêm bi rastbûna 63,7% hatin bidestxistin. Derket holê ku berhevkirina algorîtmaya EBK bi algorîtmaya EBK re dikare bi algorîtmayek fêrbûna makîneyê re pêşdibistanê bide çêkirin. Encam nîşan didin ku karanîna Ca Mg K wekî pêşbînker ji bo pêşbînkirina tansiyonên Ni li devera lêkolînê dikare pêşbîniya Ni di axê de baştir bike. Ev tê vê wateyê ku serîlêdana domdar a zibilên nîkel û qirêjiya pîşesaziyê ya axê ji hêla pîşesaziya pola ve meyla zêdekirina tansiyona nîkelê di axê de heye. Vê lêkolînê eşkere kir ku modela EBK dikare asta belavbûna axê an periyodîkbûna axê baştir bike. Bi gelemperî, em pêşniyar dikin ku modela EBK-SVMR bicîh bikin da ku PTE di axê de binirxînin û pêşbîn bikin;ji bilî vê, em pêşniyar dikin ku EBK bikar bînin da ku bi algorîtmayên fêrbûna makîneyê yên cihêreng re hevber bikin. Bi karanîna hêmanên wekî hevkêşan, tansiyonên Ni hatine pêşbînîkirin;lêbelê, bi karanîna bêtir hevkêşan dê performansa modelê pir çêtir bike, ku dikare wekî sînordariyek xebata heyî were hesibandin. Sînorek din a vê lêkolînê ew e ku hejmara danehevan 115 e. Ji ber vê yekê, heke bêtir dane bêne peyda kirin, performansa rêbaza hîbrîdîzasyona xweşbînkirî ya pêşniyarkirî dikare were çêtir kirin.
PlantProbs.net.Nîkel di Nebat û Axê de https://plantprobs.net/plant/nutrientImbalances/sodium.html (28ê Avrêl 2021-an hatî Gihîştin).
Kasprzak.
Cempel, M. & Nikel, G. Nickel: Vekolînek li ser çavkaniyên wê û toksîkolojiya hawîrdorê. Polish J. Environment.Stud.15, 375-382 (2006).
Freedman, B. & Hutchinson, TC Ketina qirêj a ji atmosferê û kombûna di ax û nebatê de li nêzikî melzemeyek nîkel-sifir li Sudbury, Ontario, Kanada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. Metalên giran ên di axê de, nebatan û xetereyên ku bi çîvanokên rûvî re têkildar in li nêzî kana sifir-nîkel a Selebi-Phikwe li Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-x009).
Cabata-Pendias.Kabata-Pendias A. 2011. Di axê de hêmanên şop û… - Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+andY+ortsil. NY%29%3A+CRC+Press&btnG= (Gihîştin 24ê Çiriya Pêşîn 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Bandora pîşesaziya nîkelê ya rûsî li ser giraniya metalên giran di ax û giyayên çandiniyê de li Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. Avgirtin û ragirtina nîkelê di ava vexwarinê de bi xwarina xwarinê û hestiyariya nîkelê ve girêdayî ye.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Kanserojena nîkelê, mutasyon, epigenetîk an hilbijartin.dordor. Perspektîfa tenduristiyê.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, NM;Analîza meylê ya hêmanên potansiyel jehrîn: vekolînek bibliometric. Jeokîmyaya Jîngehê û Tenduristî.Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB Digital Soil Mapping: A Brief History and Some Lessons.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. Li ser nexşeya axa dîjîtal.
Deutsch.CV Modelkirina Reservoir Jeostatistical,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C +PressGcb+University. di 28ê Avrêl 2021 de hate derxistin).
Dema şandinê: 22-ê Tîrmeh-2022