ຂໍຂອບໃຈສຳລັບການເຂົ້າເບິ່ງ Nature.com. ເວີຊັນຂອງບຣາວເຊີທີ່ທ່ານກຳລັງໃຊ້ຢູ່ມີການຮອງຮັບ CSS. ສໍາລັບປະສົບການທີ່ດີທີ່ສຸດ, ພວກເຮົາແນະນຳໃຫ້ທ່ານໃຊ້ໂປຣແກຣມທ່ອງເວັບທີ່ອັບເດດແລ້ວ (ຫຼືປິດໂໝດຄວາມເຂົ້າກັນໄດ້ໃນ Internet Explorer). ໃນລະຫວ່າງນີ້, ເພື່ອຮັບປະກັນການສະໜັບສະໜູນຢ່າງຕໍ່ເນື່ອງ, ພວກເຮົາຈະສະແດງເວັບໄຊໂດຍບໍ່ມີຮູບແບບ ແລະ JavaScript.
ມົນລະພິດຂອງດິນເປັນບັນຫາໃຫຍ່ທີ່ເກີດຈາກກິດຈະກໍາຂອງມະນຸດ. ການແຜ່ກະຈາຍທາງພື້ນທີ່ຂອງອົງປະກອບທີ່ເປັນພິດ (PTEs) ແຕກຕ່າງກັນຢູ່ໃນຕົວເມືອງແລະ peri-urban ສ່ວນໃຫຍ່. ດັ່ງນັ້ນ, ມັນເປັນການຍາກທີ່ຈະຄາດຄະເນເນື້ອໃນຂອງ PTEs ໃນດິນດັ່ງກ່າວ, ຈໍານວນທັງຫມົດ 115 ຕົວຢ່າງໄດ້ມາຈາກ Frydek Mistek ໃນສາທາລະນະລັດເຊັກ, ທາດໂປຼຕຽມ (ແຄຊຽມ), ແຄຊຽມ (ແຄຊຽມ), ແຄຊຽມ (ແຄຊຽມ) ແຄວຊຽມ (ແຄຊຽມ). ກຳນົດໂດຍໃຊ້ inductively coupled plasma emission spectrometry. The response vectors is Ni and the predictors are Ca, Mg, and K. The correlation matrix between the response variable and the predictor variable show a satisfast correlation between the elements. ຜົນໄດ້ຮັບການຄາດເດົາສະແດງໃຫ້ເຫັນວ່າ Support Vector Machine Regression (SVMR) (SVMR) ປະມານ 3.5 ຕົວເລກປະມານ 4.7 ຂອງມັນດີ. mg/kg) ແລະສະເລ່ຍຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE) (166.946 mg/kg) ແມ່ນສູງກວ່າວິທີການອື່ນໆທີ່ນໍາໃຊ້. ແບບປະສົມສໍາລັບ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ປະຕິບັດໄດ້ບໍ່ດີ, ຕາມຫຼັກຖານຂອງຄ່າສໍາປະສິດຂອງການກໍານົດຫນ້ອຍກວ່າ 0.1.The Empirical Model-SV. ຮູບແບບທີ່ດີທີ່ສຸດ, ທີ່ມີຄ່າ RMSE ຕໍ່າ (95.479 mg/kg) ແລະ MAE (77.368 mg/kg) ແລະຄ່າສໍາປະສິດສູງຂອງການກໍານົດ (R2 = 0.637).ເທກນິກການສ້າງແບບຈໍາລອງ EBK-SVMR ແມ່ນສະແດງພາບໂດຍໃຊ້ແຜນທີ່ຈັດລຽງດ້ວຍຕົນເອງ. ເສັ້ນປະສາດຂອງກຸ່ມຢູ່ໃນຍົນຂອງອົງປະກອບແບບປະສົມຂອງ MMR ທີ່ມີຄວາມເຂັ້ມຂຸ້ນຂອງແບບຈໍາລອງ MREB ແລະ Clustered ແບບຈໍາລອງ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າການລວມເອົາ EBK ແລະ SVMR ເປັນເຕັກນິກທີ່ມີປະສິດທິພາບໃນການຄາດເດົາຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນດິນໃນຕົວເມືອງ ແລະ ໃນເຂດຕົວເມືອງ.
ນີໂກ້ (Ni) ຖືວ່າເປັນຈຸລິນຊີຂອງພືດເພາະມັນປະກອບສ່ວນໃນການສ້ອມແຊມໄນໂຕຣເຈນໃນບັນຍາກາດ (N) ແລະທາດ urea metabolism, ທັງສອງອັນນີ້ຕ້ອງການໃນການແຕກງອກຂອງເມັດ. ນອກຈາກການປະກອບສ່ວນໃນການແຕກງອກຂອງເມັດແລ້ວ, Ni ຍັງສາມາດເປັນສານຍັບຍັ້ງເຊື້ອເຫັດ ແລະແບັກທີເຣຍ ແລະສົ່ງເສີມການພັດທະນາຂອງພືດ. ການຂາດ nickel ໃນດິນເຮັດໃຫ້ພືດສາມາດດູດຊຶມໄດ້, ເຮັດໃຫ້ເກີດການດູດຊຶມຂອງສານ chlorpe. ຝຸ່ນທີ່ໃຊ້ໃນການປັບໄນໂຕຣເຈນໃຫ້ເໝາະສົມ2.ການໃສ່ປຸ໋ຍທີ່ມີນິເກິລຢ່າງຕໍ່ເນື່ອງເພື່ອເສີມຄວາມອຸດົມສົມບູນຂອງດິນ ແລະເພີ່ມຄວາມສາມາດໃນການແກ້ໄຂໄນໂຕຣເຈນໃນດິນຢ່າງຕໍ່ເນື່ອງ ຈະຊ່ວຍເພີ່ມຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນຢ່າງຕໍ່ເນື່ອງ.ເຖິງແມ່ນວ່າ nickel ເປັນ micronutrient ສໍາລັບພືດ, ການກິນຫຼາຍເກີນໄປໃນດິນສາມາດເຮັດໃຫ້ເກີດອັນຕະລາຍຫຼາຍກ່ວາທີ່ດີ. ຄວາມເປັນພິດຂອງ nickel ໃນດິນຂອງພືດຈະເພີ່ມ nutrient ທາດເຫຼັກ. ອີງຕາມການ Liu3, Ni ໄດ້ຖືກພົບເຫັນວ່າເປັນອົງປະກອບທີ່ສໍາຄັນທີ 17 ທີ່ຈໍາເປັນສໍາລັບການພັດທະນາແລະການເຕີບໃຫຍ່ຂອງພືດ. ນອກເຫນືອໄປຈາກບົດບາດຂອງ nickel ໃນການພັດທະນາແລະການຂະຫຍາຍຕົວຂອງພືດ, ມະນຸດຕ້ອງການມັນສໍາລັບການນໍາໃຊ້ທີ່ຫລາກຫລາຍ. Electroplating, ການຜະລິດໂລຫະປະສົມທີ່ອີງໃສ່ nickel, ແລະການຜະລິດຂອງອຸປະກອນ ignition ແລະ spark plugs ໃນອຸດສາຫະກໍາລົດຍົນທັງຫມົດຮຽກຮ້ອງໃຫ້ມີການນໍາໃຊ້ຂອງ nickel-ໃນອຸດສາຫະກໍາ, ໂລຫະປະສົມທີ່ຫລາກຫລາຍ. ຖືກນໍາໃຊ້ໃນເຄື່ອງຄົວ, ອຸປະກອນ ballroom, ອຸປະກອນອຸດສາຫະກໍາອາຫານ, ໄຟຟ້າ, ສາຍແລະສາຍ, jet turbines, ການປູກຝັງການຜ່າຕັດ, ແຜ່ນແພ, ແລະ shipbuilding5.Ni-ອຸດົມສົມບູນໃນດິນ (ie, ດິນຫນ້າດິນ) ໄດ້ຮັບການກໍານົດທັງສອງແຫຼ່ງ anthropogenic ແລະທໍາມະຊາດ, ແຕ່ຕົ້ນຕໍ, Ni ແມ່ນແຫຼ່ງທໍາມະຊາດແທນທີ່ຈະກ່ວາແຫຼ່ງຂອງ anthropogenic, 6, ປ່າທໍາມະຊາດ. ໄຟໄຫມ້, ແລະຂະບວນການທໍລະນີສາດ;ແນວໃດກໍ່ຕາມ, ແຫຼ່ງ anthropogenic ປະກອບມີຫມໍ້ໄຟ nickel / cadmium ໃນອຸດສາຫະກໍາເຫຼັກກ້າ, electroplating, ການເຊື່ອມ arc, ກາຊວນແລະນໍ້າມັນເຊື້ອໄຟ, ແລະການປ່ອຍອາຍພິດບັນຍາກາດຈາກການເຜົາໃຫມ້ຖ່ານຫີນແລະສິ່ງເສດເຫຼືອແລະ sludge incineration Nickel accumulation7,8.ອີງຕາມການ Freedman ແລະ Hutchinson9 ແລະ Manyiwa.10, ແຫຼ່ງຕົ້ນຕໍຂອງມົນລະພິດຂອງດິນຊັ້ນເທິງໃນສະພາບແວດລ້ອມທັນທີທັນໃດແລະທີ່ຢູ່ໃກ້ຄຽງແມ່ນໂຮງງານຫລອມໂລຫະ nickel-copper ຕົ້ນຕໍແລະຂຸດຄົ້ນບໍ່ແຮ່. ດິນເທິງອ້ອມຮອບໂຮງກັ່ນ Nickel-copper Sudbury ໃນປະເທດການາດາມີລະດັບການປົນເປື້ອນຂອງ nickel ສູງທີ່ສຸດຢູ່ທີ່ 26,000 mg/kg 11. ໃນຄວາມເຂັ້ມຂົ້ນຂອງການຜະລິດໃນລັດເຊຍ, ກົງກັນຂ້າມ nickel nickel. ດິນ11.ອີງຕາມການ Alms et al.12, ປະລິມານຂອງ nickel ທີ່ສາມາດສະກັດໄດ້ HNO3 ໃນພື້ນທີ່ປູກຝັງເທິງສຸດຂອງພາກພື້ນ (ການຜະລິດ nickel ໃນລັດເຊຍ) ຕັ້ງແຕ່ 6.25 ຫາ 136.88 mg/kg, ເທົ່າກັບ 30.43 mg/kg ແລະຄວາມເຂັ້ມຂຸ້ນຂອງພື້ນຖານຂອງ 25 mg/kg. ອີງຕາມການໃສ່ຝຸ່ນກະເສດຂອງ Kabataurban in 11 ຫຼື kabataurban 11. s ໃນໄລຍະລະດູການປູກພືດຢ່າງຕໍ່ເນື່ອງສາມາດ infuse ຫຼືປົນເປື້ອນດິນໄດ້. ຜົນກະທົບຂອງ nickel ໃນມະນຸດອາດຈະນໍາໄປສູ່ການເປັນມະເຮັງໂດຍຜ່ານການ mutagenesis, ຄວາມເສຍຫາຍ chromosomal, ການຜະລິດ Z-DNA, blocked DNA excision ຂະບວນການ, ຫຼືຂະບວນການ epigenetic 13. ໃນການທົດລອງສັດ, nickel ໄດ້ຖືກພົບເຫັນວ່າມີທ່າແຮງທີ່ຈະເຮັດໃຫ້ເກີດຄວາມຫຼາກຫຼາຍຂອງ tumors, ແລະສານກໍ່ມະເລັງດັ່ງກ່າວ excision nickel.
ການປະເມີນການປົນເປື້ອນຂອງດິນມີຄວາມຈະເລີນຮຸ່ງເຮືອງໃນຊ່ວງທີ່ຜ່ານມາເນື່ອງຈາກບັນຫາສຸຂະພາບທີ່ຫຼາກຫຼາຍທີ່ເກີດຈາກຄວາມສໍາພັນທາງຊີວະພາບຂອງດິນແລະດິນ, ການເຊື່ອມໂຊມຂອງລະບົບນິເວດແລະການປະເມີນຜົນກະທົບຕໍ່ສິ່ງແວດລ້ອມ. ມາຮອດປັດຈຸບັນ, ການຄາດຄະເນທາງພື້ນທີ່ຂອງອົງປະກອບທີ່ເປັນພິດ (PTEs) ເຊັ່ນ Ni ໃນດິນແມ່ນເຮັດວຽກຫຼາຍແລະໃຊ້ເວລາຫຼາຍໂດຍໃຊ້ວິທີການແບບດັ້ງເດີມຂອງ SM5. ການສ້າງແຜນທີ່ດິນ (PSM).ອີງຕາມ Minasny ແລະ McBratney16, ການສ້າງແຜນທີ່ດິນທີ່ຄາດຄະເນ (DSM) ໄດ້ພິສູດວ່າເປັນ subdiscipline ທີ່ໂດດເດັ່ນຂອງວິທະຍາສາດດິນ.Lagacherie ແລະ McBratney, 2006 ກໍານົດ DSM ເປັນ "ການສ້າງແລະການຕື່ມຂໍ້ມູນຂອງດິນທາງກວ້າງຂອງພື້ນໂດຍຜ່ານການນໍາໃຊ້ໃນສະຖານທີ່ແລະລະບົບການສັງເກດການແລະຫ້ອງທົດລອງ-mpatial-mpatial ດິນ. al.17 ສະຫຼຸບວ່າ DSM ຫຼື PSM ປະຈຸບັນແມ່ນເຕັກນິກທີ່ມີປະສິດທິພາບທີ່ສຸດໃນການຄາດເດົາຫຼືການສ້າງແຜນທີ່ການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ຂອງ PTEs, ປະເພດດິນແລະຄຸນສົມບັດຂອງດິນ. Geostatistics and Machine Learning Algorithms (MLA) ແມ່ນເຕັກນິກການສ້າງແບບຈໍາລອງ DSM ທີ່ສ້າງແຜນທີ່ດິຈິຕອນດ້ວຍການຊ່ວຍເຫຼືອຂອງຄອມພິວເຕີໂດຍໃຊ້ຂໍ້ມູນທີ່ສໍາຄັນແລະຫນ້ອຍ.
Deutsch18 ແລະ Olea19 ກໍານົດ geostatistics ເປັນ "ການລວບລວມເຕັກນິກການຕົວເລກທີ່ຈັດການກັບການເປັນຕົວແທນຂອງຄຸນລັກສະນະທາງກວ້າງຂອງພື້ນທີ່, ສ່ວນໃຫຍ່ແມ່ນໃຊ້ແບບຈໍາລອງ stochastic, ເຊັ່ນວ່າການວິເຄາະຊຸດເວລາມີລັກສະນະຂອງຂໍ້ມູນຊົ່ວຄາວ."ຕົ້ນຕໍ, geostatistics ກ່ຽວຂ້ອງກັບການປະເມີນຜົນຂອງ variograms, ເຊິ່ງອະນຸຍາດໃຫ້ Quantify ແລະກໍານົດ dependencies ຂອງມູນຄ່າທາງກວ້າງຂອງແຕ່ລະ dataset20.Gumiaux et al.20 ສະແດງໃຫ້ເຫັນຕື່ມອີກວ່າການປະເມີນຜົນຂອງ variograms ໃນ geostatistics ແມ່ນອີງໃສ່ສາມຫຼັກການ, ລວມທັງ (a) ການຄິດໄລ່ຂະຫນາດຂອງການພົວພັນຂໍ້ມູນ, (b) ການກໍານົດແລະການຄິດໄລ່ anisotropy ໃນຄວາມແຕກຕ່າງກັນຂອງຊຸດຂໍ້ມູນແລະ (c) ນອກເຫນືອໄປຈາກການຄໍານຶງເຖິງຄວາມຜິດພາດປະກົດຂຶ້ນຂອງຜົນກະທົບຂອງການວັດແທກຂໍ້ມູນທ້ອງຖິ່ນ, ເຕັກນິກການປະເມີນເຫຼົ່ານີ້ຍັງແຍກອອກ. s ໄດ້ຖືກນໍາໃຊ້ໃນ geostatistics, ລວມທັງ kriging ທົ່ວໄປ, co-kriging, kriging ທໍາມະດາ, kriging Bayesian empirical, ວິທີການ kriging ງ່າຍດາຍແລະເຕັກນິກການ interpolation ທີ່ມີຊື່ສຽງອື່ນໆເພື່ອແຜນທີ່ຫຼືຄາດຄະເນ PTE, ລັກສະນະດິນ, ແລະປະເພດດິນ.
Machine Learning Algorithms (MLA) ເປັນເທັກນິກທີ່ຂ້ອນຂ້າງໃໝ່ທີ່ນຳໃຊ້ຫ້ອງຮຽນຂໍ້ມູນທີ່ບໍ່ເປັນເສັ້ນທີ່ໃຫຍ່ກວ່າ, ຂັບເຄື່ອນໂດຍສູດການຄິດໄລ່ທີ່ໃຊ້ຕົ້ນຕໍສຳລັບການຂຸດຄົ້ນຂໍ້ມູນ, ການກຳນົດຮູບແບບຂອງຂໍ້ມູນ ແລະ ນຳໃຊ້ຊ້ຳໆກັບການຈັດໝວດໝູ່ໃນຂະແໜງວິທະຍາສາດ ເຊັ່ນ: ວຽກງານວິທະຍາສາດດິນ ແລະ ວຽກງານກັບຄືນ. ເອກະສານການຄົ້ນຄວ້າຈຳນວນຫຼາຍແມ່ນອີງໃສ່ແບບຈຳລອງ MLA ເພື່ອຄາດຄະເນເຊັ່ນ PTE ໃນດິນ.22 (ປ່າສຸ່ມສໍາລັບການຄາດຄະເນໂລຫະຫນັກໃນດິນກະສິກໍາ), Sakizadeh et al.23 (ການສ້າງແບບຈໍາລອງການນໍາໃຊ້ເຄື່ອງ vector ສະຫນັບສະຫນູນແລະເຄືອຂ່າຍ neural ປອມ) ມົນລະພິດດິນ ).ນອກຈາກນັ້ນ, Vega et al.24 (ໂຄງຮ່າງການສໍາລັບການສ້າງແບບຈໍາລອງການເກັບຮັກສາໂລຫະຫນັກແລະການດູດຊຶມໃນດິນ) Sun et al.25 (ຄໍາຮ້ອງສະຫມັກ cubist ແມ່ນການແຜ່ກະຈາຍຂອງ Cd ໃນດິນ) ແລະສູດການຄິດໄລ່ອື່ນໆເຊັ່ນ: k-nearest ເພື່ອນບ້ານ, generalized boosted regression, ແລະ boosted regression ຕົ້ນໄມ້ຍັງໄດ້ນໍາໃຊ້ MLA ເພື່ອຄາດຄະເນ PTE ໃນດິນ.
ຄໍາຮ້ອງສະຫມັກຂອງ DSM algorithms ໃນການຄາດຄະເນຫຼືການສ້າງແຜນທີ່ປະເຊີນກັບສິ່ງທ້າທາຍຫຼາຍ. ຜູ້ຂຽນຫຼາຍຄົນເຊື່ອວ່າ MLA ແມ່ນດີກວ່າກັບ geostatistics ແລະໃນທາງກັບກັນ. ເຖິງແມ່ນວ່າຫນຶ່ງແມ່ນດີກ່ວາອີກ, ການປະສົມປະສານຂອງທັງສອງປັບປຸງລະດັບຄວາມຖືກຕ້ອງຂອງແຜນທີ່ຫຼືການຄາດຄະເນໃນ DSM15.Woodcock ແລະ Gopal26 Finke27;Pontius ແລະ Cheuk28 ແລະ Grunwald29 ຄໍາເຫັນກ່ຽວກັບຂໍ້ບົກຜ່ອງແລະຄວາມຜິດພາດບາງຢ່າງໃນແຜນທີ່ດິນທີ່ຄາດຄະເນ. ນັກວິທະຍາສາດດິນໄດ້ພະຍາຍາມຫຼາຍໆເຕັກນິກເພື່ອເພີ່ມປະສິດທິພາບ, ຄວາມຖືກຕ້ອງ, ແລະການຄາດເດົາຂອງແຜນທີ່ DSM ແລະການຄາດຄະເນ. ການປະສົມປະສານຂອງຄວາມບໍ່ແນ່ນອນແລະການກວດສອບແມ່ນຫນຶ່ງໃນຫຼາຍດ້ານທີ່ປະສົມປະສານເຂົ້າໃນ DSM ແລະການເພີ່ມປະສິດທິພາບຂອງຄວາມຜິດປົກກະຕິ.15 ສະຫຼຸບວ່າພຶດຕິກໍາການກວດສອບແລະຄວາມບໍ່ແນ່ນອນທີ່ນໍາສະເຫນີໂດຍການສ້າງແຜນທີ່ແລະການຄາດຄະເນຄວນໄດ້ຮັບການກວດສອບຢ່າງເປັນເອກະລາດເພື່ອປັບປຸງຄຸນນະພາບແຜນທີ່. ຂໍ້ຈໍາກັດຂອງ DSM ແມ່ນເນື່ອງມາຈາກຄຸນນະພາບຂອງດິນທີ່ກະແຈກກະຈາຍທາງພູມິສາດ, ເຊິ່ງປະກອບດ້ວຍອົງປະກອບຂອງຄວາມບໍ່ແນ່ນອນ;ແນວໃດກໍ່ຕາມ, ການຂາດຄວາມແນ່ນອນໃນ DSM ອາດຈະເກີດຂື້ນຈາກຫຼາຍແຫຼ່ງຂອງຄວາມຜິດພາດ, ຄືຄວາມຜິດພາດ covariate, ຄວາມຜິດພາດຂອງຕົວແບບ, ຄວາມຜິດພາດຂອງສະຖານທີ່, ແລະຄວາມຜິດພາດການວິເຄາະ 31.Modelling inaccuracies induced in MLA and geostatistical processes are concerned to a ຂາດຄວາມເຂົ້າໃຈ, ໃນທີ່ສຸດນໍາໄປສູ່ການ oversimplification of the reality of the reality model in the process. d ກັບຕົວກໍານົດການແບບຈໍາລອງ, ການຄາດຄະເນແບບຈໍາລອງທາງຄະນິດສາດ, ຫຼື interpolation33. ບໍ່ດົນມານີ້, ແນວໂນ້ມ DSM ໃຫມ່ໄດ້ເກີດຂື້ນທີ່ສົ່ງເສີມການລວມຕົວຂອງ geostatistics ແລະ MLA ໃນແຜນທີ່ແລະການພະຍາກອນ. ນັກວິທະຍາສາດແລະຜູ້ຂຽນດິນຫຼາຍໆຄົນ, ເຊັ່ນ Sergeev et al.34;Subbotina et al.35;Tarasov et al.36 ແລະ Tarasov et al.37 ໄດ້ຂຸດຄົ້ນຄຸນນະພາບທີ່ຖືກຕ້ອງຂອງ geostatistics ແລະການຮຽນຮູ້ເຄື່ອງຈັກເພື່ອສ້າງຕົວແບບປະສົມທີ່ປັບປຸງປະສິດທິພາບຂອງການຄາດຄະເນແລະການສ້າງແຜນທີ່.ຄຸນນະພາບ.ບາງຕົວແບບປະສົມ ຫຼື ສູດການຄິດໄລ່ແບບປະສົມເຫຼົ່ານີ້ຄື Artificial Neural Network Kriging (ANN-RK), Multilayer Perceptron Residual Kriging (MLP-RK), Generalized Regression Neural Network Residual Kriging (GR- NNRK)36, Artificial Neural Network Kriging-Multi-Multi (ແລະ MLP-36) ian Process Regression38.
ອີງຕາມການ Sergeev et al., ການສົມທົບເຕັກນິກການສ້າງແບບຈໍາລອງຕ່າງໆມີທ່າແຮງທີ່ຈະກໍາຈັດຂໍ້ບົກພ່ອງແລະເພີ່ມປະສິດທິພາບຂອງຕົວແບບປະສົມທີ່ມີຜົນໄດ້ຮັບແທນທີ່ຈະເປັນການພັດທະນາແບບຈໍາລອງດຽວຂອງມັນ. Kriging (EBK) ເປັນຕົວແບບພື້ນຖານ ແລະປະສົມມັນກັບ Support Vector Machine (SVM) ແລະ Multiple Linear Regression (MLR) model.Hybridization of EBK with any MLA is not known.The multiple mixed model that see are combinations of common, residual, regression kriging, and MLA.EBK is a geostatistical interpolation method asstastic localization asstastic interpolation asstatic process. ພາກສະຫນາມ Random ationary ກັບຕົວກໍານົດການ localization ທີ່ກໍານົດໄວ້ໃນໄລຍະພາກສະຫນາມ, ອະນຸຍາດໃຫ້ມີການປ່ຽນແປງທາງກວ້າງຂອງພື້ນ39.EBK ໄດ້ຖືກນໍາໃຊ້ໃນຫຼາຍໆການສຶກສາ, ລວມທັງການວິເຄາະການແຜ່ກະຈາຍຂອງຄາບອນອິນຊີໃນດິນກະສິກໍາ40, ການປະເມີນມົນລະພິດດິນ41 ແລະການສ້າງແຜນທີ່ຄຸນສົມບັດດິນ42.
ໃນອີກດ້ານຫນຶ່ງ, Self-Organizing Graph (SeOM) ແມ່ນວິທີການຮຽນຮູ້ທີ່ຖືກນໍາໃຊ້ໃນບົດຄວາມຕ່າງໆເຊັ່ນ Li et al.43, Wang et al.44, Hossain Bhuiyan et al.45 ແລະ Kebonye et al.46 ກໍານົດຄຸນລັກສະນະທາງກວ້າງຂອງພື້ນແລະການຈັດກຸ່ມຂອງອົງປະກອບ.Wang et al.44 ສະຫຼຸບວ່າ SeOM ເປັນເຕັກນິກການຮຽນຮູ້ທີ່ມີປະສິດທິພາບທີ່ຮູ້ຈັກສໍາລັບຄວາມສາມາດໃນການຈັດກຸ່ມແລະຈິນຕະນາການບັນຫາທີ່ບໍ່ແມ່ນເສັ້ນ. ບໍ່ເຫມືອນກັບເຕັກນິກການຮັບຮູ້ຮູບແບບອື່ນໆເຊັ່ນ: ການວິເຄາະອົງປະກອບຕົ້ນຕໍ, ກຸ່ມ fuzzy, ກຸ່ມລໍາດັບຊັ້ນ, ແລະການຕັດສິນໃຈຫຼາຍເງື່ອນໄຂ, SeOM ແມ່ນດີກວ່າໃນການຈັດຕັ້ງແລະກໍານົດຮູບແບບ PTE. ອີງຕາມ Wang et al.44, SeOM ສາມາດຈັດກຸ່ມການແຜ່ກະຈາຍຂອງ neurons ທີ່ກ່ຽວຂ້ອງໃນພື້ນທີ່ແລະສະຫນອງຂໍ້ມູນທີ່ມີຄວາມລະອຽດສູງ.SeOM ຈະເບິ່ງເຫັນຂໍ້ມູນການຄາດຄະເນ Ni ເພື່ອໃຫ້ໄດ້ຮັບຮູບແບບທີ່ດີທີ່ສຸດເພື່ອກໍານົດຜົນໄດ້ຮັບສໍາລັບການຕີຄວາມໂດຍກົງ.
ເອກະສານນີ້ມີຈຸດປະສົງເພື່ອສ້າງຮູບແບບແຜນທີ່ທີ່ເຂັ້ມແຂງທີ່ມີຄວາມຖືກຕ້ອງທີ່ດີທີ່ສຸດສໍາລັບການຄາດເດົາເນື້ອຫາ nickel ໃນດິນໃນຕົວເມືອງແລະ peri-urban. ພວກເຮົາສົມມຸດວ່າຄວາມຫນ້າເຊື່ອຖືຂອງຕົວແບບປະສົມສ່ວນໃຫຍ່ແມ່ນຂຶ້ນກັບອິດທິພົນຂອງແບບຈໍາລອງອື່ນໆທີ່ຕິດກັບແບບຈໍາລອງພື້ນຖານ. ພວກເຮົາຮັບຮູ້ສິ່ງທ້າທາຍທີ່ກໍາລັງປະເຊີນກັບ DSM, ແລະໃນຂະນະທີ່ສິ່ງທ້າທາຍເຫຼົ່ານີ້ກໍາລັງຖືກແກ້ໄຂໃນຫຼາຍໆດ້ານ, MLA.ດັ່ງນັ້ນ, ພວກເຮົາຈະພະຍາຍາມຕອບຄໍາຖາມການຄົ້ນຄວ້າທີ່ອາດຈະໃຫ້ຜົນໄດ້ຮັບແບບປະສົມ. ແນວໃດກໍ່ຕາມ, ຮູບແບບໃນການຄາດຄະເນອົງປະກອບເປົ້າຫມາຍແມ່ນຖືກຕ້ອງຫຼາຍປານໃດ? ນອກຈາກນີ້, ລະດັບການປະເມີນຜົນປະສິດທິພາບໂດຍອີງໃສ່ການປະເມີນຄວາມຖືກຕ້ອງແລະຄວາມຖືກຕ້ອງແມ່ນຫຍັງ? ດັ່ງນັ້ນ, ເປົ້າຫມາຍສະເພາະຂອງການສຶກສານີ້ແມ່ນເພື່ອ (a) ສ້າງຕົວແບບປະສົມສໍາລັບ SVMR ຫຼື MLR ໂດຍໃຊ້ຕົວແບບການຄາດເດົາທີ່ດີທີ່ສຸດ (EBK) ເປັນຕົວແບບການຄາດເດົາທີ່ດີທີ່ສຸດ. ດິນໃນຕົວເມືອງຫຼື peri-urban , ແລະ (d) ຄໍາຮ້ອງສະຫມັກຂອງ SeOM ເພື່ອສ້າງແຜນທີ່ຄວາມລະອຽດສູງຂອງການປ່ຽນແປງທາງກວ້າງຂອງ nickel.
ການສຶກສາດັ່ງກ່າວກໍາລັງດໍາເນີນຢູ່ໃນສາທາລະນະລັດເຊັກ, ໂດຍສະເພາະໃນເຂດ Frydek Mistek ໃນພາກພື້ນ Moravia-Silesian (ເບິ່ງຮູບ 1). ພູມສາດຂອງພື້ນທີ່ການສຶກສາແມ່ນມີຄວາມເຄັ່ງຄັດຫຼາຍແລະສ່ວນຫຼາຍແມ່ນສ່ວນຫນຶ່ງຂອງພາກພື້ນ Moravia-Silesian Beskidy, ເຊິ່ງເປັນສ່ວນຫນຶ່ງຂອງຂອບນອກຂອງເຂດການສຶກສາ Carpathian′° 14° ແລະ 14°. ′ 0′ E, ແລະຄວາມສູງລະຫວ່າງ 225 ແລະ 327 m;ຢ່າງໃດກໍຕາມ, ລະບົບການຈັດປະເພດ Koppen ສໍາລັບສະພາບດິນຟ້າອາກາດຂອງພາກພື້ນໄດ້ຖືກຈັດອັນດັບເປັນ Cfb = ສະພາບອາກາດໃນມະຫາສະຫມຸດ, ມີຝົນຕົກຫຼາຍເຖິງແມ່ນວ່າໃນເດືອນແຫ້ງແລ້ງ. ພື້ນທີ່ທັງຫມົດແມ່ນ 1,208 ຕາລາງກິໂລແມັດ, ມີ 39.38% ຂອງເນື້ອທີ່ປູກຝັງແລະ 49.36% ຂອງປ່າປົກຫຸ້ມ. ໃນທາງກົງກັນຂ້າມ, ພື້ນທີ່ທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນປະມານ 889.8 ຕາລາງກິໂລແມັດ. ໃນແລະອ້ອມຮອບ Ostrava, ອຸດສາຫະກໍາເຫຼັກກ້າແລະການເຮັດວຽກຂອງໂລຫະແມ່ນມີການເຄື່ອນໄຫວຫຼາຍ. ໂຮງງານໂລຫະ, ອຸດສາຫະກໍາເຫຼັກກ້າທີ່ໃຊ້ໃນການຕ້ານການ corrosion (ເຫຼັກສະແຕນເລດ) ແລະໂລຫະປະສົມ nickel. ເພີ່ມຄວາມເຂັ້ມແຂງຂອງໂລຫະປະສົມໃນຂະນະທີ່ຮັກສາຄວາມທົນທານແລະຄວາມທົນທານໄດ້ດີ), ແລະການກະສິກໍາແບບສຸມເຊັ່ນການໃສ່ປຸ໋ຍຟອສເຟດແລະການລ້ຽງສັດແມ່ນການຄົ້ນຄວ້າທີ່ມີທ່າແຮງຂອງ nickel ໃນພາກພື້ນ (ເຊັ່ນ: ການເພີ່ມ nickel ໃສ່ລູກແກະເພື່ອເພີ່ມອັດຕາການເຕີບໂຕຂອງລູກແກະແລະງົວທີ່ລ້ຽງລູກນ້ອຍ). ອຸດສາຫະກໍາອື່ນໆຂອງ nickel ໃນຂົງເຂດການຄົ້ນຄວ້າປະກອບມີການນໍາໃຊ້ໃນຂະບວນການໄຟຟ້າ nickel, ລວມທັງການ disable electroplating. ສີຂອງດິນ, ໂຄງສ້າງ, ແລະເນື້ອໃນຂອງຄາບອນ. ໂຄງສ້າງຂອງດິນແມ່ນປານກາງເຖິງລະອຽດ, ໄດ້ມາຈາກວັດສະດຸແມ່. ພວກມັນເປັນແບບ colluvial, alluvial ຫຼື aeolian ໃນທໍາມະຊາດ. ບາງພື້ນທີ່ຂອງດິນປະກົດມີຮອຍເປື້ອນຢູ່ໃນພື້ນຜິວແລະຊັ້ນໃຕ້ດິນ, ມັກຈະມີຄອນກີດແລະຟອກ. ຢ່າງໃດກໍຕາມ, cambisols ແລະ stagnosols ແມ່ນປະເພດດິນທີ່ພົບເລື້ອຍທີ່ສຸດໃນພາກພື້ນ 55 m2, 48. Cambisols ຄອບຄອງສາທາລະນະລັດເຊັກ49.
ແຜນທີ່ພື້ນທີ່ການສຶກສາ [ແຜນທີ່ພື້ນທີ່ການສຶກສາຖືກສ້າງຂຶ້ນໂດຍໃຊ້ ArcGIS Desktop (ESRI, Inc, ຮຸ່ນ 10.7, URL: https://desktop.arcgis.com).]
ຕົວຢ່າງດິນເທິງທັງໝົດ 115 ຕົວຢ່າງແມ່ນໄດ້ມາຈາກດິນໃນຕົວເມືອງ ແລະ ຕົວເມືອງໃນເຂດ Frydek Mistek. ຮູບແບບຕົວຢ່າງທີ່ໃຊ້ແມ່ນຕາຂ່າຍປົກກະຕິໂດຍມີຕົວຢ່າງດິນຢູ່ຫ່າງກັນ 2 × 2 ກິໂລແມັດ, ແລະດິນຊັ້ນເທິງໄດ້ຖືກວັດແທກຄວາມເລິກ 0 ຫາ 20 ຊຕມໂດຍໃຊ້ອຸປະກອນ GPS ມືຖື (ຊຸດຕົວຢ່າງ Leica Zeno 5, ຖົງຢາງທີ່ຕິດສະຫຼາກແລະ GPS ຢ່າງຖືກຕ້ອງ). s ໄດ້ຖືກເຮັດໃຫ້ແຫ້ງດ້ວຍອາກາດເພື່ອຜະລິດຕົວຢ່າງ pulverized, pulverized ໂດຍລະບົບກົນຈັກ (Fritsch disc mill), ແລະ sieved ( sieve ຂະຫນາດ 2 ມມ).ວາງ 1 ກຼາມຂອງດິນແຫ້ງ, ເປັນ homogenized ແລະ sieved ໃນຂວດ teflon ທີ່ຕິດສະຫຼາກຢ່າງຊັດເຈນ. ໃນເຮືອ Teflon ແຕ່ລະ, dispense 7 ml ຂອງ 35% H3% H ອັດໂນມັດ, ແຕ່ລະ dispense H3% (Clpen 35%). ກວມເອົາເບົາໆ ແລະ ປ່ອຍໃຫ້ຕົວຢ່າງຢືນຄ້າງຄືນເພື່ອປະຕິກິລິຍາ (ໂຄງການ aqua regia). ວາງ supernatant ໃສ່ແຜ່ນໂລຫະຮ້ອນ (ອຸນຫະພູມ: 100 W ແລະ 160 °C) ເປັນເວລາ 2 ຊົ່ວໂມງເພື່ອສະດວກໃນຂະບວນການຍ່ອຍອາຫານຂອງຕົວຢ່າງ, ຫຼັງຈາກນັ້ນເຢັນ. ໂອນ supernatant ໄປໃສ່ກະເປົ໋າ 50 ml ແລະເຈືອຈາງໃສ່ການກັ່ນຕອງນ້ໍາ 50 ml. ທໍ່ PVC ທີ່ມີນ້ໍາ deionized. ນອກຈາກນັ້ນ, 1 ml ຂອງການແກ້ໄຂການເຈືອຈາງໄດ້ຖືກເຈືອຈາງດ້ວຍ 9 ml ຂອງນ້ໍາ deionized ແລະການກັ່ນຕອງເຂົ້າໄປໃນທໍ່ 12 ml ກະກຽມສໍາລັບ PTE pseudo-concentration.ຄວາມເຂັ້ມຂຸ້ນຂອງ PTEs (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, Optical I. scopy) (Thermo Fisher Scientific, USA) ຕາມວິທີການມາດຕະຖານ ແລະຂໍ້ຕົກລົງ. ຮັບປະກັນຂັ້ນຕອນການຮັບປະກັນ ແລະການຄວບຄຸມ (QA/QC) ຄຸນນະພາບ (SRM NIST 2711a Montana II Soil).PTEs ທີ່ມີຂີດຈຳກັດການກວດພົບຕ່ຳກວ່າເຄິ່ງໜຶ່ງແມ່ນໄດ້ຖືກຍົກເວັ້ນຈາກການສຶກສານີ້. ຂີດຈຳກັດການກວດພົບຂອງ PTE ທີ່ໃຊ້ໃນການສຶກສານີ້, ແຕ່ລະຂັ້ນຕອນການກວດກາຄຸນນະພາບແມ່ນ 0.0.0.0. d ໂດຍການວິເຄາະມາດຕະຖານການອ້າງອິງ. ເພື່ອໃຫ້ແນ່ໃຈວ່າຄວາມຜິດພາດຖືກຫຼຸດລົງ, ການວິເຄາະສອງເທົ່າໄດ້ຖືກປະຕິບັດ.
Empirical Bayesian Kriging (EBK) ແມ່ນຫນຶ່ງໃນຫຼາຍເຕັກນິກການແຊກແຊງທາງດ້ານພູມສາດທີ່ໃຊ້ໃນການສ້າງແບບຈໍາລອງໃນຂົງເຂດທີ່ຫຼາກຫຼາຍເຊັ່ນ: ວິທະຍາສາດດິນ. ບໍ່ເຫມືອນກັບເຕັກນິກການຂັດກັນຂອງ kriging ອື່ນໆ, EBK ແຕກຕ່າງຈາກວິທີການ kriging ແບບດັ້ງເດີມໂດຍການພິຈາລະນາຄວາມຜິດພາດທີ່ຄາດຄະເນໂດຍຕົວແບບ semivariogram ແທນທີ່ຈະເປັນແບບຈໍາລອງ. ໃນ EBK interpolation ຫຼາຍກວ່າແບບ interpolation, semivariogram ຫຼາຍ, semivariogram interpolation. ເຕັກນິກການ ation ເຮັດໃຫ້ວິທີການສໍາລັບຄວາມບໍ່ແນ່ນອນແລະການດໍາເນີນໂຄງການທີ່ກ່ຽວຂ້ອງກັບການວາງແຜນຂອງ semivariogram ນີ້ທີ່ປະກອບເປັນສ່ວນທີ່ຊັບຊ້ອນສູງຂອງວິທີການ kriging ພຽງພໍ. ຂະບວນການ interpolation ຂອງ EBK ປະຕິບັດຕາມສາມເງື່ອນໄຂທີ່ສະເຫນີໂດຍ Krivoruchko50, (a) ຮູບແບບຄາດຄະເນ semivariogram ຈາກຊຸດຂໍ້ມູນການປ້ອນຂໍ້ມູນ (b) ແຕ່ລະຕົວແບບທີ່ຄາດຄະເນການຄິດໄລ່ໃຫມ່ (b) ມູນຄ່າການຄິດໄລ່ໃຫມ່ຂອງແຕ່ລະແບບຈໍາລອງ. ed ຈາກຊຸດຂໍ້ມູນຈຳລອງ.ກົດເກນສົມຜົນ Bayesian ແມ່ນໃຫ້ເປັນຫຼັງ
ບ່ອນທີ່ \(Prob\left(A\right)\) ເປັນຕົວແທນກ່ອນ, \(Prob\left(B\right)\) probability marginal probability is ignored in most case, \(Prob (B,A)\ ) .ການຄິດໄລ່ semivariogram ແມ່ນອີງໃສ່ກົດລະບຽບ Bayes, ເຊິ່ງສະແດງໃຫ້ເຫັນເຖິງ propensity ຂອງ adservation datasets ຂອງ Bayes, ຫຼັງຈາກນັ້ນສາມາດກຳນົດຄ່າ semivariogram ໄດ້. ເຊິ່ງບອກວ່າມັນເປັນໄປໄດ້ແນວໃດທີ່ຈະສ້າງຊຸດຂໍ້ມູນການສັງເກດການຈາກ semivariogram.
ເຄື່ອງ vector ສະຫນັບສະຫນູນແມ່ນລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ສ້າງ hyperplane ແຍກທີ່ດີທີ່ສຸດເພື່ອຈໍາແນກປະເພດດຽວກັນແຕ່ບໍ່ແມ່ນສາຍເອກະລາດ.Vapnik51 ໄດ້ສ້າງລະບົບການຈັດປະເພດຄວາມຕັ້ງໃຈ, ແຕ່ບໍ່ດົນມານີ້ໄດ້ຖືກນໍາໃຊ້ເພື່ອແກ້ໄຂບັນຫາ regression-oriented. ອີງຕາມການ Li et al.52, classifier SVM ແມ່ນເຕັກນິກການ regression ປະເພດຕ່າງໆ. (Support Vector Machine Regression – SVMR) ຖືກນໍາໃຊ້ໃນການວິເຄາະນີ້.Cherkassky ແລະ ​​Mulier53 pioneered SVMR ເປັນ regression kernel, ການຄິດໄລ່ຂອງທີ່ໄດ້ປະຕິບັດໂດຍໃຊ້ຕົວແບບ regression linear ກັບ multi-country spatial functions.John et al54 ລາຍງານວ່າ hyperplasion ທີ່ມີ ploysarline linear . ຫນ້າທີ່ທາງພື້ນທີ່.ອີງຕາມການ Vohland et al.55, epsilon (ε)-SVMR ໃຊ້ຊຸດຂໍ້ມູນທີ່ໄດ້ຮັບການຝຶກອົບຮົມເພື່ອໃຫ້ໄດ້ແບບຈໍາລອງການເປັນຕົວແທນເປັນຟັງຊັນ epsilon-insensitive ທີ່ຖືກນໍາໃຊ້ເພື່ອແຜນທີ່ຂໍ້ມູນຢ່າງເປັນເອກະລາດກັບຄວາມລໍາອຽງຂອງ epsilon ທີ່ດີທີ່ສຸດຈາກການຝຶກອົບຮົມກ່ຽວກັບຂໍ້ມູນທີ່ກ່ຽວຂ້ອງ. ຄວາມຜິດພາດທີ່ກໍານົດໄວ້ລ່ວງຫນ້າແມ່ນຖືກລະເວັ້ນຈາກມູນຄ່າຕົວຈິງ, ແລະຖ້າຄວາມຜິດພາດແມ່ນຂໍ້ມູນທີ່ມີຂະຫນາດໃຫຍ່ກວ່າ, ອົງປະກອບຂອງການຝຶກອົບຮົມ ε (ε). ຊຸດຍ່ອຍທີ່ກວ້າງກວ່າຂອງ vectors.The ສົມຜົນທີ່ສະເຫນີໂດຍ Vapnik51 ແມ່ນສະແດງໃຫ້ເຫັນຂ້າງລຸ່ມນີ້.
ບ່ອນທີ່ b ເປັນຕົວແທນຂອງເກນ scalar, \(K\left({x}_{,}{ x}_{k}\right)\) ເປັນຕົວແທນຂອງຟັງຊັນ kernel, \(\alpha\) ເປັນຕົວແທນຂອງຕົວຄູນ Lagrange, N ເປັນຕົວແທນຂອງຊຸດຂໍ້ມູນຕົວເລກ, \({x}_{k}\) ສະແດງເຖິງການປ້ອນຂໍ້ມູນຂໍ້ມູນ, ແລະ \(\alpha\) ເປັນຕົວແທນຂອງຕົວຄູນ Lagrange, \({x}_{k}\) ສະແດງເຖິງການປ້ອນຂໍ້ມູນຂໍ້ມູນ, ແລະ \(One ker) ແມ່ນຄຳສັ່ງຂອງ MR. ຟັງຊັນພື້ນຖານຂອງ Gaussian radial (RBF).Kernel RBF ຖືກນໍາໃຊ້ເພື່ອກໍານົດຮູບແບບ SVMR ທີ່ດີທີ່ສຸດ, ເຊິ່ງເປັນສິ່ງສໍາຄັນເພື່ອໃຫ້ໄດ້ປັດໄຈກໍານົດການລົງໂທດທີ່ລະອຽດອ່ອນທີ່ສຸດ C ແລະ gamma parameter kernel (γ) ສໍາລັບຂໍ້ມູນການຝຶກອົບຮົມ PTE. ທໍາອິດ, ພວກເຮົາໄດ້ປະເມີນຊຸດການຝຶກອົບຮົມແລະຫຼັງຈາກນັ້ນທົດສອບການປະຕິບັດຂອງຕົວແບບໃນຕົວກໍານົດການຢືນຢັນ. The values ​​vmstead ຖືກນໍາໃຊ້.
ຮູບແບບການຖົດຖອຍເສັ້ນຫຼາຍເສັ້ນ (MLR) ແມ່ນຕົວແບບການຖົດຖອຍທີ່ສະແດງເຖິງຄວາມສຳພັນລະຫວ່າງຕົວແປການຕອບສະໜອງ ແລະຕົວແປການຄາດເດົາຈຳນວນໜຶ່ງໂດຍໃຊ້ຕົວກໍານົດການລວມເສັ້ນທີ່ຄຳນວນໂດຍໃຊ້ວິທີການສີ່ຫຼ່ຽມຫຼ່ຽມນ້ອຍທີ່ສຸດ. ໃນ MLR, ແບບຈຳລອງສີ່ຫຼ່ຽມຫຼ່ຽມນ້ອຍແມ່ນໜ້າທີ່ຄາດຄະເນຂອງຄຸນສົມບັດຂອງດິນຫຼັງຈາກການເລືອກຕົວແປທີ່ອະທິບາຍໄດ້. ມັນຈໍາເປັນຕ້ອງໃຊ້ການຕອບສະ ໜອງ ຂອງເສັ້ນຊື່ variables. ຕົວແປເພື່ອສ້າງຄວາມສຳພັນເສັ້ນຊື່ກັບຕົວແປອະທິບາຍ.ສົມຜົນ MLR ແມ່ນ
ບ່ອນທີ່ y ແມ່ນຕົວແປການຕອບໂຕ້, \(a\) ແມ່ນການຂັດຂວາງ, n ແມ່ນຕົວເລກຂອງຕົວຄາດຄະເນ, \({b}_{1}\) ແມ່ນການຖົດຖອຍບາງສ່ວນຂອງຄ່າສຳປະສິດ, \({x}_{i}\) ເປັນຕົວແທນຂອງຕົວແປທີ່ຄາດເດົາ ຫຼືຕົວແປທີ່ອະທິບາຍ, ແລະ \({\varepsilon }_{i}\) ເປັນຕົວແທນໃນແບບຈໍາລອງ, error.
ແບບປະສົມໄດ້ຖືກໄດ້ຮັບໂດຍການ sandwiching EBK ກັບ SVMR ແລະ MLR.ນີ້ແມ່ນເຮັດໄດ້ໂດຍການສະກັດຄ່າທີ່ຄາດຄະເນຈາກ EBK interpolation. ຄ່າທີ່ຄາດຄະເນທີ່ໄດ້ມາຈາກ interpolated Ca, K, ແລະ Mg ແມ່ນໄດ້ຮັບໂດຍຜ່ານຂະບວນການປະສົມເພື່ອໃຫ້ໄດ້ຕົວແປໃຫມ່, ເຊັ່ນ: CaK, K, 4, Cagari ແລະອົງປະກອບທີ່ລວມເຂົ້າກັນ. ສາມາດ, CaKMg. ໂດຍລວມແລ້ວ, ຕົວແປທີ່ໄດ້ຮັບແມ່ນ Ca, K, Mg, CaK, CaMg, KMg ແລະ CaKMg. ຕົວແປເຫຼົ່ານີ້ໄດ້ກາຍເປັນຕົວແປຂອງພວກເຮົາ, ຊ່ວຍຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນຕົວເມືອງ ແລະ peri-urban ດິນ. The SVMR algorithm ໄດ້ຖືກປະຕິບັດຢູ່ໃນຕົວແບບປະສົມຂອງ KEBS ເພື່ອເຮັດໃຫ້ການຄາດເດົາຂອງເຄື່ອງຈັກ VMK. ).ໃນຂະນະດຽວກັນ, ຕົວແປຍັງຖືກທໍ່ຜ່ານລະບົບ MLR ເພື່ອຮັບແບບປະສົມ Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR).ໂດຍປົກກະຕິແລ້ວ ຕົວແປ Ca, K, Mg, CaK, CaMg, KMg, ແລະ CaKariors ຂອງດິນສ່ວນຫຼາຍແມ່ນຍອມຮັບຕາມການຄາດການຂອງດິນ. ຮູບແບບທີ່ສາມາດໄດ້ຮັບ (EBK_SVM ຫຼື EBK_MLR) ຈະຖືກສະແດງເປັນພາບໂດຍໃຊ້ກາຟການຈັດລະບຽບຕົນເອງ. ຂັ້ນຕອນການເຮັດວຽກຂອງການສຶກສານີ້ແມ່ນສະແດງຢູ່ໃນຮູບທີ 2.
ການນໍາໃຊ້ SeOM ໄດ້ກາຍເປັນເຄື່ອງມືທີ່ນິຍົມໃນການຈັດຕັ້ງ, ການປະເມີນຜົນ, ແລະການຄາດຄະເນຂໍ້ມູນໃນຂະແຫນງການເງິນ, ການດູແລສຸຂະພາບ, ອຸດສາຫະກໍາ, ສະຖິຕິ, ວິທະຍາສາດດິນ, ແລະອື່ນໆ.SeOM ຖືກສ້າງຂື້ນໂດຍໃຊ້ເຄືອຂ່າຍ neural ທຽມແລະວິທີການຮຽນຮູ້ທີ່ບໍ່ມີການຄວບຄຸມສໍາລັບອົງການຈັດຕັ້ງ, ການປະເມີນຜົນແລະການຄາດຄະເນ. n ຕົວແປ vector input-dimensional43,56.Melssen et al.57 ອະທິບາຍການເຊື່ອມຕໍ່ຂອງ vector input ເຂົ້າໄປໃນ neural network ຜ່ານຊັ້ນ input ດຽວກັບ output vector ທີ່ມີ vector ນ້ໍາຫນັກດຽວ. Output ທີ່ສ້າງຂຶ້ນໂດຍ SeOM ແມ່ນແຜນທີ່ສອງມິຕິລະດັບປະກອບດ້ວຍ neurons ຫຼື nodes ທີ່ແຕກຕ່າງກັນ woven ເປັນ hexagonal, ວົງ, ຫຼື square topological ແຜນທີ່ຕາມຄວາມໃກ້ຊິດຂອງເຂົາເຈົ້າ. ດ້ວຍ 0.086 ແລະ 0.904, ຕາມລໍາດັບ, ຖືກເລືອກ, ເຊິ່ງເປັນຫນ່ວຍງານ 55-map (5 × 11).ໂຄງສ້າງຂອງ neuron ຖືກກໍານົດຕາມຈໍານວນ nodes ໃນສົມຜົນ empirical.
ຈໍານວນຂໍ້ມູນທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນ 115 ຕົວຢ່າງ. ວິທີການແບບສຸ່ມໄດ້ຖືກນໍາໃຊ້ເພື່ອແຍກຂໍ້ມູນອອກເປັນຂໍ້ມູນການທົດສອບ (25% ສໍາລັບການກວດສອບ) ແລະຊຸດຂໍ້ມູນການຝຶກອົບຮົມ (75% ສໍາລັບການປັບທຽບ). ຊຸດຂໍ້ມູນການຝຶກອົບຮົມແມ່ນໃຊ້ເພື່ອສ້າງຕົວແບບ regression (calibration), ແລະຊຸດຂໍ້ມູນການທົດສອບແມ່ນໃຊ້ເພື່ອກວດສອບຄວາມສາມາດທົ່ວໄປ 58. ນີ້ແມ່ນເຮັດເພື່ອປະເມີນແບບຈໍາລອງຕ່າງໆ. fold ຂັ້ນຕອນການກວດສອບ, ເຮັດຊ້ໍາອີກຫ້າເທື່ອ. ຕົວແປທີ່ຜະລິດໂດຍ EBK interpolation ຖືກນໍາໃຊ້ເປັນຕົວກໍານົດການຄາດເດົາຫຼືຕົວແປຄໍາອະທິບາຍເພື່ອຄາດຄະເນຕົວແປເປົ້າຫມາຍ (PTE). ການສ້າງແບບຈໍາລອງແມ່ນຈັດການໃນ RStudio ໂດຍໃຊ້ packages library(Kohonen), library(caret), library(modelr), library(“e1071″),”),”(“e1071″),”,”,”,”,”,””),”””),”””),”””),”””),”””),”””),””(“ປ. ເມຕຣິກ”).
ຕົວກໍານົດການການກວດສອບຕ່າງໆໄດ້ຖືກນໍາໃຊ້ເພື່ອກໍານົດຕົວແບບທີ່ດີທີ່ສຸດທີ່ເຫມາະສົມສໍາລັບການຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນແລະເພື່ອປະເມີນຄວາມຖືກຕ້ອງຂອງຕົວແບບແລະຄວາມຖືກຕ້ອງຂອງມັນ. ຮູບແບບການປະສົມໄດ້ຖືກປະເມີນໂດຍໃຊ້ຄວາມຜິດພາດຢ່າງແທ້ຈິງ (MAE), ຄວາມຜິດພາດຂອງຮາກຫມາຍຄວາມວ່າສີ່ຫລ່ຽມ (RMSE), ແລະ R-squared ຫຼືການກໍານົດຄ່າສໍາປະສິດ ingression 2 (R2). .RMSE ແລະ variance magnitude ໃນມາດຕະການເອກະລາດອະທິບາຍພະລັງງານທີ່ຄາດຄະເນຂອງຕົວແບບ, ໃນຂະນະທີ່ MAE ກໍານົດມູນຄ່າຕົວຈິງ. ມູນຄ່າ R2 ຕ້ອງສູງເພື່ອປະເມີນຕົວແບບປະສົມທີ່ດີທີ່ສຸດໂດຍໃຊ້ຕົວກໍານົດການທີ່ຖືກຕ້ອງ, ຄ່າທີ່ໃກ້ຊິດກັບ 1, ຄວາມຖືກຕ້ອງສູງກວ່າ. ອີງຕາມ Li et al.59, ຄ່າ R2 criterion ຂອງ 0.75 ຫຼື​ຫຼາຍ​ກວ່າ​ແມ່ນ​ພິ​ຈາ​ລະ​ນາ​ການ​ຄາດ​ຄະ​ເນ​ທີ່​ດີ​;ຈາກ 0.5 ຫາ 0.75 ແມ່ນການປະຕິບັດຕົວແບບທີ່ຍອມຮັບໄດ້, ແລະຕ່ໍາກວ່າ 0.5 ແມ່ນການປະຕິບັດຕົວແບບທີ່ບໍ່ສາມາດຍອມຮັບໄດ້. ເມື່ອເລືອກຕົວແບບໂດຍໃຊ້ວິທີການປະເມີນເງື່ອນໄຂການກວດສອບຄວາມຖືກຕ້ອງຂອງ RMSE ແລະ MAE, ມູນຄ່າຕ່ໍາທີ່ໄດ້ຮັບແມ່ນພຽງພໍແລະຖືກພິຈາລະນາເປັນທາງເລືອກທີ່ດີທີ່ສຸດ. ສົມຜົນຕໍ່ໄປນີ້ອະທິບາຍວິທີການກວດສອບ.
ບ່ອນທີ່ n ເປັນຕົວແທນຂອງຂະຫນາດຂອງຄ່າທີ່ສັງເກດເຫັນ\({Y}_{i}\) ເປັນຕົວແທນຂອງການຕອບສະຫນອງທີ່ວັດແທກ, ແລະ \({\widehat{Y}}_{i}\) ຍັງສະແດງຄ່າຕອບໂຕ້ທີ່ຄາດຄະເນ, ດັ່ງນັ້ນ, ສໍາລັບການສັງເກດຄັ້ງທໍາອິດ i.
ລາຍລະອຽດທາງສະຖິຕິຂອງຕົວແປການຄາດເດົາ ແລະຕົວແປຕອບສະໜອງແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 1, ສະແດງໃຫ້ເຫັນຄ່າສະເລ່ຍ, ຄ່າບ່ຽງເບນມາດຕະຖານ (SD), ຄ່າສໍາປະສິດຂອງການປ່ຽນແປງ (CV), ຕໍາ່ສຸດ, ສູງສຸດ, kurtosis, ແລະ skewness.ຄ່າຕໍາ່ສຸດ ແລະສູງສຸດຂອງອົງປະກອບແມ່ນຢູ່ໃນລໍາດັບຫຼຸດລົງຂອງ Mg < Ca < K< Ni ແລະ Ca < Mg < K. < Concentrations ການສຶກສາຕາມລໍາດັບ (ຂອບເຂດຂອງຕົວຢ່າງທີ່ຕອບສະຫນອງໄດ້). d ຈາກ 4.86 ຫາ 42.39 mg/kg. ການປຽບທຽບ Ni ກັບຄ່າສະເລ່ຍຂອງໂລກ (29 mg/kg) ແລະຄ່າສະເລ່ຍຂອງເອີຣົບ (37 mg/kg) ສະແດງໃຫ້ເຫັນວ່າຄ່າສະເລ່ຍເລຂາຄະນິດທີ່ຄິດໄລ່ໄດ້ໂດຍລວມສໍາລັບເຂດການສຶກສາແມ່ນຢູ່ພາຍໃນຂອບເຂດທີ່ທົນທານໄດ້. ຢ່າງໃດກໍຕາມ, ດັ່ງທີ່ສະແດງໂດຍ Kabata-Pendias11, ການສຶກສາປຽບທຽບຂອງຄວາມເຂັ້ມຂົ້ນຂອງດິນກະສິກໍາ nickel ສະເລ່ຍໃນປະຈຸບັນ (Nickel) ທີ່ສູງກວ່າໃນ Sweden. ສະຫລາດ, ຄວາມເຂັ້ມຂົ້ນສະເລ່ຍຂອງ Frydek Mistek ໃນດິນໃນຕົວເມືອງແລະ peri-urban ໃນການສຶກສາໃນປະຈຸບັນ (Ni 16.15 mg / kg) ແມ່ນສູງກວ່າຂອບເຂດທີ່ອະນຸຍາດຂອງ 60 (10.2 mg / kg) ສໍາລັບ Ni ໃນດິນໃນຕົວເມືອງໂປໂລຍລາຍງານໂດຍ Różański et al. ນອກຈາກນັ້ນ, ຄວາມເຂັ້ມຂົ້ນຂອງ Bretzel 7.8s / Calder ຕ່ໍາຫຼາຍ (Bretzel 7.8 ມລກ / ກິໂລ) s ໃນ Tuscany ເມື່ອທຽບກັບການສຶກສາໃນປະຈຸບັນ.Jim62 ຍັງພົບເຫັນຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ຕ່ໍາ (12.34 mg / kg) ໃນດິນໃນຕົວເມືອງຮ່ອງກົງ, ເຊິ່ງຕ່ໍາກວ່າຄວາມເຂັ້ມຂົ້ນຂອງ nickel ໃນປະຈຸບັນໃນການສຶກສານີ້.Birke et al63 ລາຍງານຄວາມເຂັ້ມຂົ້ນຂອງ Ni ສະເລ່ຍຂອງ 17.6 mg / kg ໃນເຂດຂຸດຄົ້ນບໍ່ແຮ່ເກົ່າແລະເຂດອຸດສາຫະກໍາໃນຕົວເມືອງໃນເມືອງ Saxony, 15 kg ໂດຍສະເລ່ຍຂອງເຢຍລະມັນ (15 kg). .15 ມລກ/ກກ).ການຄົ້ນຄວ້າໃນປະຈຸບັນ.ເນື້ອໃນຂອງ nickel ຫຼາຍເກີນໄປໃນດິນໃນບາງເຂດຕົວເມືອງແລະເຂດຊານເມືອງຂອງພື້ນທີ່ການສຶກສາອາດຈະເປັນຕົ້ນຕໍແມ່ນມາຈາກອຸດສາຫະກໍາເຫຼັກແລະເຫຼັກກ້າແລະອຸດສາຫະກໍາໂລຫະ. ນີ້ແມ່ນສອດຄ່ອງກັບການສຶກສາໂດຍ Khodadoust et al.64 ວ່າອຸດສາຫະກໍາເຫຼັກກ້າແລະເຄື່ອງໂລຫະແມ່ນແຫຼ່ງຕົ້ນຕໍຂອງການປົນເປື້ອນ nickel ໃນດິນ. ແນວໃດກໍ່ຕາມ, ການຄາດຄະເນຍັງຕັ້ງແຕ່ 538.70 mg/kg ຫາ 69,161.80 mg/kg ສໍາລັບ Ca, 497.51 mg/kg ຫາ 3535.68 mg/kg ສໍາລັບ K, ແລະ 670.40 mg/kg.5 kg. vic et al.65 ໄດ້ສືບສວນປະລິມານ Mg ແລະ K ທັງຫມົດຂອງດິນໃນພາກກາງຂອງ Serbia. ພວກເຂົາເຈົ້າພົບວ່າຄວາມເຂັ້ມຂົ້ນທັງຫມົດ (410 mg / kg ແລະ 400 mg / kg, ຕາມລໍາດັບ) ແມ່ນຕ່ໍາກວ່າຄວາມເຂັ້ມຂົ້ນຂອງ Mg ແລະ K ຂອງການສຶກສາໃນປະຈຸບັນ. ແບ່ງອອກໄດ້, ໃນພາກຕາເວັນອອກຂອງໂປແລນ, Orzechowski ແລະ Smolczynski66 ປະເມີນຄວາມເຂັ້ມຂົ້ນຂອງ 100 mg, ສະເລ່ຍແລະ Ca Mg. /kg), Mg (590 mg/kg) ແລະ K (810 mg/kg) ເນື້ອໃນຢູ່ໃນດິນເທິງແມ່ນຕໍ່າກວ່າອົງປະກອບດຽວໃນການສຶກສານີ້. ການສຶກສາທີ່ຜ່ານມາໂດຍ Pongrac et al.67 ສະແດງໃຫ້ເຫັນວ່າເນື້ອໃນ Ca ທັງຫມົດທີ່ຖືກວິເຄາະຢູ່ໃນ 3 ດິນທີ່ແຕກຕ່າງກັນໃນ Scotland, UK (ດິນ Mylnefield, ດິນ Balruddery ແລະດິນ Hartwood) ຊີ້ໃຫ້ເຫັນເນື້ອໃນ Ca ສູງກວ່າໃນການສຶກສານີ້.
ເນື່ອງຈາກຄວາມເຂັ້ມຂຸ້ນທີ່ວັດແທກແຕກຕ່າງກັນຂອງອົງປະກອບຕົວຢ່າງ, ການແຈກຢາຍຊຸດຂໍ້ມູນຂອງອົງປະກອບສະແດງຄວາມແຕກຕ່າງ skewness. The skewness ແລະ kurtosis ຂອງອົງປະກອບຕັ້ງແຕ່ 1.53 ຫາ 7.24 ແລະ 2.49 ຫາ 54.16 ຕາມລໍາດັບ. ອົງປະກອບທີ່ຄິດໄລ່ທັງຫມົດມີຄວາມ skewness ແລະລະດັບ kurtosis ຂ້າງເທິງແມ່ນ skew ທີ່ຖືກຕ້ອງ, ຂໍ້ມູນການແຜ່ກະຈາຍຕາມປົກກະຕິແມ່ນ +1. ed.The CVs ຄາດຄະເນຂອງອົງປະກອບຍັງສະແດງໃຫ້ເຫັນວ່າ K, Mg, ແລະ Ni ສະແດງໃຫ້ເຫັນການປ່ຽນແປງປານກາງ, ໃນຂະນະທີ່ Ca ມີຄວາມຜັນຜວນສູງທີ່ສຸດ. CVs ຂອງ K, Ni ແລະ Mg ອະທິບາຍເຖິງການແຈກຢາຍທີ່ເປັນເອກະພາບ. ນອກຈາກນັ້ນ, ການແຈກຢາຍ Ca ແມ່ນບໍ່ເປັນເອກະພາບ ແລະແຫຼ່ງພາຍນອກອາດຈະສົ່ງຜົນກະທົບຕໍ່ລະດັບການເສີມຂອງມັນ.
ຄວາມກ່ຽວຂ້ອງກັນຂອງຕົວແປທີ່ຄາດຄະເນກັບອົງປະກອບຕອບສະໜອງໄດ້ຊີ້ໃຫ້ເຫັນຄວາມສຳພັນທີ່ໜ້າພໍໃຈລະຫວ່າງອົງປະກອບ (ເບິ່ງຮູບທີ 3).ຄວາມສຳພັນດັ່ງກ່າວຊີ້ໃຫ້ເຫັນວ່າ CaK ສະແດງໃຫ້ເຫັນຄວາມສຳພັນປານກາງກັບຄ່າ r = 0.53, ຄືກັບ CaNi. ເຖິງແມ່ນວ່າ Ca ແລະ K ສະແດງໃຫ້ເຫັນຄວາມສຳພັນທີ່ອ່ອນໂຍນຕໍ່ກັນ, ນັກຄົ້ນຄວ້າ.68 ແລະ Santo69 ແນະນໍາວ່າລະດັບຂອງພວກມັນຢູ່ໃນດິນແມ່ນອັດຕາສ່ວນກົງກັນຂ້າມ. ແນວໃດກໍ່ຕາມ, Ca ແລະ Mg ແມ່ນກົງກັນຂ້າມກັບ K, ແຕ່ CaK ກ່ຽວຂ້ອງກັນດີ. ນີ້ອາດຈະເປັນຍ້ອນການໃສ່ປຸ໋ຍເຊັ່ນໂພແທດຊຽມຄາບອນ, ເຊິ່ງສູງກວ່າ 56% ໃນໂພແທດຊຽມ. ໂພແທດຊຽມມີຄວາມສໍາພັນປານກາງກັບ magnesium (KM r = ທາດໂປຼຕີນຈາກອຸດສາຫະກໍາ), ໂພແທດຊຽມສອງ sulfate. , ແລະ potash ຖືກນໍາໃຊ້ກັບດິນເພື່ອເພີ່ມລະດັບການຂາດແຄນຂອງມັນ. Nickel ມີຄວາມສໍາພັນປານກາງກັບ Ca, K ແລະ Mg ທີ່ມີຄ່າ r = 0.52, 0.63 ແລະ 0.55, ຕາມລໍາດັບ. ຄວາມສໍາພັນທີ່ກ່ຽວຂ້ອງກັບທາດການຊຽມ, ແມກນີຊຽມ, ແລະ PTEs ເຊັ່ນ nickel ແມ່ນສະລັບສັບຊ້ອນ, ແຕ່ຢ່າງໃດກໍ່ຕາມ, ຜົນກະທົບຂອງທາດການຊຽມ, ທາດການຊຽມແລະ magnesium ເກີນ, inhibits ທາດການຊຽມແລະ magnesium ເກີນ. nickel ໃນດິນ.
Correlation matrix ສໍາລັບອົງປະກອບທີ່ສະແດງໃຫ້ເຫັນຄວາມສໍາພັນລະຫວ່າງຜູ້ຄາດຄະເນແລະການຕອບສະຫນອງ (ຫມາຍເຫດ: ຕົວເລກນີ້ປະກອບມີການກະແຈກກະຈາຍລະຫວ່າງອົງປະກອບ, ລະດັບຄວາມສໍາຄັນແມ່ນອີງໃສ່ p <0,001).
ຮູບທີ 4 ສະແດງໃຫ້ເຫັນເຖິງການແຜ່ກະຈາຍທາງພື້ນທີ່ຂອງອົງປະກອບ. ອີງຕາມການ Burgos et al70, ການນໍາໃຊ້ການແຜ່ກະຈາຍທາງພື້ນທີ່ແມ່ນເຕັກນິກທີ່ໃຊ້ໃນການຄິດໄລ່ແລະຊີ້ໃຫ້ເຫັນຈຸດຮ້ອນໃນພື້ນທີ່ມົນລະພິດ. ລະດັບການເສີມຂອງ Ca ໃນຮູບທີ 4 ສາມາດເຫັນໄດ້ໃນພາກຕາເວັນຕົກສຽງເຫນືອຂອງແຜນທີ່ການແຜ່ກະຈາຍທາງກວ້າງຂອງພື້ນທີ່ຂອງແຄວຊຽມທີ່ສູງທີ່ສຸດ. ແຜນທີ່ແມ່ນເປັນໄປໄດ້ຍ້ອນການໃຊ້ທາດການຊຽມອອກໄຊ (ທາດການຊຽມອອກໄຊ) ເພື່ອຫຼຸດຜ່ອນຄວາມເປັນກົດຂອງດິນ ແລະ ການນຳໃຊ້ໃນໂຮງງານເຫຼັກເປັນທາດອອກຊິເຈນທີ່ເປັນດ່າງໃນຂະບວນການຜະລິດເຫຼັກກ້າ. ໃນທາງກົງກັນຂ້າມ, ຊາວກະສິກອນອື່ນໆມັກໃຊ້ທາດການຊຽມໄຮໂດຣໄຊໃນດິນທີ່ເປັນກົດເພື່ອປັບ pH, ເຊິ່ງເພີ່ມປະລິມານແຄຊຽມຂອງດິນ 71. ໂພແທດຊຽມຍັງສະແດງໃຫ້ເຫັນຈຸດຮ້ອນທີ່ສຸດໃນພາກຕາເວັນອອກສຽງເຫນືອຂອງຊຸມຊົນ. - ຮູບແບບໂພແທດຊຽມສູງອາດຈະເປັນຍ້ອນ NPK ແລະ potash applications.This ແມ່ນສອດຄ່ອງກັບການສຶກສາອື່ນໆ, ເຊັ່ນ Madaras ແລະ Lipavský72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ຜູ້ທີ່ສັງເກດເຫັນວ່າການສະຖຽນລະພາບຂອງດິນແລະການປິ່ນປົວດ້ວຍ KCl ແລະ NPK ເຮັດໃຫ້ມີເນື້ອໃນສູງ.ການເພີ່ມພູນໂພແທດຊຽມໃນພາກຕາເວັນຕົກສຽງເຫນືອຂອງແຜນທີ່ການແຜ່ກະຈາຍອາດຈະເປັນຍ້ອນການນໍາໃຊ້ຝຸ່ນໂພແທດຊຽມເຊັ່ນ: ໂພແທດຊຽມຄລໍຣີດ, ໂພແທດຊຽມຊູນເຟດ, ໂພແທດຊຽມ nitrate, ໂພແທດຊຽມ, ແລະໂພແທດຊຽມເພື່ອເພີ່ມປະລິມານໂພແທດຊຽມຂອງດິນທີ່ບໍ່ດີ.Zádorová et al.76 ແລະ Tlustoš et al.77 ລະບຸວ່າ ການໃສ່ຝຸ່ນ K-based ຈະເພີ່ມປະລິມານ K ໃນດິນ ແລະ ຈະເພີ່ມປະລິມານທາດອາຫານຂອງດິນຢ່າງຫຼວງຫຼາຍໃນໄລຍະຍາວ, ໂດຍສະເພາະ K ແລະ Mg ສະແດງໃຫ້ເຫັນຈຸດຮ້ອນໃນດິນ. ຈຸດຮ້ອນປານກາງໃນພາກຕາເວັນຕົກສຽງເໜືອຂອງແຜນທີ່ ແລະ ທິດຕາເວັນອອກສຽງໃຕ້ຂອງແຜນທີ່. ການສ້ອມແຊມຄໍລລອຍໃນດິນເຮັດໃຫ້ຄວາມເຂັ້ມຂຸ້ນຂອງ magnesium ໃນພືດທີ່ຂາດທາດ magnesium ໃນດິນ. ຝຸ່ນ, ເຊັ່ນ potassium magnesium sulfate, magnesium sulfate, ແລະ Kieserite, ປິ່ນປົວຂໍ້ບົກພ່ອງ (ພືດປະກົດມີສີມ່ວງ, ສີແດງ, ຫຼືສີນ້ໍາຕານ, ສະແດງໃຫ້ເຫັນການຂາດ magnesium) ໃນດິນທີ່ມີ pH ປົກກະຕິ 6. ການສະສົມຂອງ nickel ເທິງຫນ້າດິນໃນຕົວເມືອງແລະ peri-urban ອາດຈະເປັນຍ້ອນກິດຈະກໍາ anthropogenic ເຊັ່ນ: ການກະສິກໍາແລະຄວາມສໍາຄັນຂອງການຜະລິດ nickel ໃນສະແຕນເລດ.
ການແຈກຢາຍທາງກວ້າງຂອງອົງປະກອບ [ແຜນທີ່ການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ແມ່ນສ້າງຂຶ້ນໂດຍໃຊ້ ArcGIS Desktop (ESRI, Inc, ຮຸ່ນ 10.7, URL: https://desktop.arcgis.com).]
ຜົນໄດ້ຮັບຂອງດັດຊະນີການປະຕິບັດຕົວແບບສໍາລັບອົງປະກອບທີ່ໃຊ້ໃນການສຶກສານີ້ແມ່ນສະແດງຢູ່ໃນຕາຕະລາງ 2. ໃນອີກດ້ານຫນຶ່ງ, RMSE ແລະ MAE ຂອງ Ni ແມ່ນທັງສອງຢູ່ໃກ້ກັບສູນ (0.86 RMSE, -0.08 MAE).ໃນທາງກົງກັນຂ້າມ, ທັງຄ່າ RMSE ແລະ MAE ຂອງ K ແມ່ນຍອມຮັບໄດ້. RMSE ແລະ MAE ຂອງຜົນໄດ້ຮັບແມ່ນຫຼາຍກວ່າສໍາລັບຜົນໄດ້ຮັບຂອງແຄຊຽມແລະ magnesium.Ca. MAE ຂອງການສຶກສານີ້ໂດຍໃຊ້ EBK ເພື່ອຄາດຄະເນ Ni ໄດ້ຖືກພົບເຫັນວ່າດີກວ່າຜົນໄດ້ຮັບຂອງ John et al.54 ການນໍາໃຊ້ synergistic kriging ເພື່ອຄາດຄະເນຄວາມເຂັ້ມຂຸ້ນຂອງ S ໃນດິນໂດຍນໍາໃຊ້ຂໍ້ມູນດຽວກັນທີ່ເກັບກໍາ. ຜົນໄດ້ຮັບຂອງ EBK ທີ່ພວກເຮົາສຶກສາກ່ຽວຂ້ອງກັບ Fabijaczyk et al.41, Yan et al.79, Beguin et al.80, Adhikary et al.81 ແລະ John et al.82, ໂດຍສະເພາະ K ແລະ Ni.
ການປະຕິບັດຂອງແຕ່ລະວິທີການຄາດຄະເນເນື້ອໃນ nickel ໃນຕົວເມືອງແລະ peri-urban ດິນໄດ້ຖືກປະເມີນໂດຍການປະຕິບັດຂອງຕົວແບບ (ຕາຕະລາງ 3). ການກວດສອບຕົວແບບແລະການກວດສອບຄວາມຖືກຕ້ອງໄດ້ຢືນຢັນວ່າຕົວຄາດຄະເນ Ca_Mg_K ປະສົມປະສານກັບແບບຈໍາລອງ EBK SVMR ເຮັດໃຫ້ມີການປະຕິບັດທີ່ດີທີ່ສຸດ. ຮູບແບບການຄິດໄລ່ແບບຈໍາລອງ Ca_Mg, absorm-square ຫມາຍຄວາມວ່າການຄິດໄລ່ແບບຈໍາລອງ Ca_Mg_SV-MR-Square. lute error (MAE) ແມ່ນ 0.637 (R2), 95.479 mg/kg (RMSE) ແລະ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ແມ່ນ 0.663 (R2), 235.974 mg/kg (RMSE) ແລະ 166.948 mg/kg ທີ່ດີທີ່ພວກເຮົາໄດ້ຮັບ RM2mg/kg. _K-SVMR (0.663 mg/kg R2) ແລະ Ca_Mg-EBK_SVMR (0.643 = R2);RMSE ແລະ MAE ຂອງພວກເຂົາແມ່ນສູງກວ່າຜົນໄດ້ຮັບຂອງ Ca_Mg_K-EBK_SVMR (R2 0.637) (ເບິ່ງຕາຕະລາງ 3). ນອກຈາກນັ້ນ, RMSE ແລະ MAE ຂອງ Ca_Mg-EBK_SVMR (RMSE = 1664.64 ແລະ MAE = 1031.49) ແມ່ນມີຂະຫນາດໃຫຍ່ກວ່າ 13.M. g_K-EBK_SVMR.ເຊັ່ນດຽວກັນ, RMSE ແລະ MAE ຂອງ Ca_Mg-K SVMR (RMSE = 235.974 ແລະ MAE = 166.946) ແມ່ນ 2.5 ແລະ 2.2 ໃຫຍ່ກວ່າຕົວແບບຂອງ Ca_Mg_K-EBK_SVMR RMSE ແລະ MAE ຕາມລໍາດັບ. ຜົນການຄິດໄລ່ທີ່ດີທີ່ສຸດແມ່ນຕາມລໍາດັບ. RSME ແລະ MAE ໄດ້ຖືກສັງເກດເຫັນ. ອີງຕາມ Kebonye et al.46 ແລະ john et al.54, ຍິ່ງ RMSE ແລະ MAE ຢູ່ໃກ້ກັບສູນ, ຜົນໄດ້ຮັບທີ່ດີກວ່າ.SVMR ແລະ EBK_SVMR ມີມູນຄ່າ RSME ແລະ MAE ທີ່ມີປະລິມານທີ່ສູງກວ່າ. ມັນໄດ້ຖືກສັງເກດເຫັນວ່າການຄາດຄະເນ RSME ແມ່ນສູງກວ່າຄ່າ MAE ຢ່າງຕໍ່ເນື່ອງ, ເຊິ່ງຊີ້ໃຫ້ເຫັນເຖິງການມີ outliers. ອີງຕາມການ Legates ແລະ McCabe83, ຂອບເຂດທີ່ເກີນກວ່າທີ່ຫມາຍຄວາມວ່າເປັນຕົວຊີ້ວັດທີ່ເກີນ (ARMSE). ຂອງການປະກົດຕົວຂອງ outliers. ນີ້ຫມາຍຄວາມວ່າຊຸດຂໍ້ມູນຫຼາຍ heterogeneous, MAE ແລະ RMSE ຄ່າທີ່ສູງຂຶ້ນ. ຄວາມຖືກຕ້ອງຂອງການປະເມີນຄວາມຖືກຕ້ອງຂ້າມຂອງຕົວແບບປະສົມ Ca_Mg_K-EBK_SVMR ສໍາລັບການຄາດຄະເນເນື້ອໃນ Ni ໃນດິນໃນຕົວເມືອງແລະເຂດຊານເມືອງແມ່ນ 63.70%. ອີງຕາມ Li etal.59, ລະດັບຄວາມຖືກຕ້ອງນີ້ແມ່ນອັດຕາການປະຕິບັດຕົວແບບທີ່ຍອມຮັບໄດ້. ຜົນໄດ້ຮັບໃນປະຈຸບັນແມ່ນປຽບທຽບກັບການສຶກສາທີ່ຜ່ານມາໂດຍ Tarasov et al.36 ທີ່ຕົວແບບປະສົມໄດ້ສ້າງ MLPRK (Multilayer Perceptron Residual Kriging), ກ່ຽວຂ້ອງກັບດັດຊະນີການປະເມີນຄວາມຖືກຕ້ອງຂອງ EBK_SVMR ທີ່ໄດ້ລາຍງານໃນການສຶກສາໃນປະຈຸບັນ, RMSE (210) ແລະ MAE (167.5) ແມ່ນສູງກວ່າຜົນໄດ້ຮັບຂອງພວກເຮົາໃນການສຶກສາໃນປະຈຸບັນ (RMSE 95.4779). .637) ກັບວ່າ Tarasov et al.36 (0.544), ມັນເປັນທີ່ຊັດເຈນວ່າຄ່າສໍາປະສິດຂອງການກໍານົດ (R2) ແມ່ນສູງກວ່າໃນຕົວແບບປະສົມນີ້. ຂອບຂອງຄວາມຜິດພາດ (RMSE ແລະ MAE) (EBK SVMR) ສໍາລັບແບບປະສົມແມ່ນສອງເທົ່າ. ເຊັ່ນດຽວກັນ, Sergeev et al.34 ບັນທຶກ 0.28 (R2) ສໍາລັບການສຶກສາແບບປະສົມຂອງ Receptulider ໃນປະຈຸບັນ, M. 0.637 (R2).ລະດັບຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນຂອງຕົວແບບນີ້ (EBK SVMR) ແມ່ນ 63.7%, ໃນຂະນະທີ່ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນທີ່ໄດ້ຮັບໂດຍ Sergeev et al.34 ແມ່ນ 28%. ແຜນທີ່ສຸດທ້າຍ (ຮູບ 5) ທີ່ສ້າງຂຶ້ນໂດຍໃຊ້ຕົວແບບ EBK_SVMR ແລະ Ca_Mg_K ເປັນຕົວຊີ້ບອກການຄາດເດົາຂອງຈຸດຮ້ອນແລະລະດັບປານກາງເຖິງ nickel ໃນທົ່ວພື້ນທີ່ສຶກສາ. ນີ້ຫມາຍຄວາມວ່າຄວາມເຂັ້ມຂົ້ນຂອງ nickel ໃນເຂດການສຶກສາສ່ວນໃຫຍ່ແມ່ນປານກາງ, ມີຄວາມເຂັ້ມຂົ້ນສູງກວ່າໃນບາງພື້ນທີ່ສະເພາະ.
ແຜນທີ່ການຄາດເດົາສຸດທ້າຍແມ່ນສະແດງໂດຍໃຊ້ຮູບແບບປະສົມ EBK_SVMR ແລະໃຊ້ Ca_Mg_K ເປັນຜູ້ຄາດຄະເນ.[ແຜນທີ່ການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ແມ່ນສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ເວີຊັນ 1.4.1717: https://www.rstudio.com/).]
ນໍາສະເຫນີໃນຮູບທີ 6 ແມ່ນຄວາມເຂັ້ມຂຸ້ນຂອງ PTE ເປັນຍົນອົງປະກອບທີ່ປະກອບດ້ວຍ neurons ສ່ວນບຸກຄົນ. ບໍ່ມີແຜນການອົງປະກອບໃດສະແດງໃຫ້ເຫັນຮູບແບບສີດຽວກັນດັ່ງທີ່ສະແດງ. ແນວໃດກໍ່ຕາມ, ຈໍານວນ neurons ທີ່ເຫມາະສົມຕໍ່ແຜນທີ່ແຕ້ມແມ່ນ 55.SeOM ແມ່ນຜະລິດໂດຍໃຊ້ສີທີ່ຫລາກຫລາຍ, ແລະຮູບແບບສີທີ່ຄ້າຍຄືກັນຫຼາຍ, ຄຸນສົມບັດຂອງແຕ່ລະຕົວຢ່າງທີ່ສົມທຽບກັນ, ອີງຕາມການສີ, MCA ອົງປະກອບຂອງສີ, ຂະຫນາດທີ່ຊັດເຈນ (ຕາມຄວາມຊັດເຈນຂອງສີ, ຮູບແບບແລະ MCA). ກັບ neurons ສູງດຽວແລະ neurons ຕ່ໍາທີ່ສຸດ. ດັ່ງນັ້ນ, CaK ແລະ CaMg ມີຄວາມຄ້າຍຄືກັນບາງຢ່າງກັບ neurons ຄໍາສັ່ງສູງຫຼາຍແລະຮູບແບບສີຕ່ໍາຫາປານກາງ. ທັງສອງແບບຄາດຄະເນຄວາມເຂັ້ມຂົ້ນຂອງ Ni ໃນດິນໂດຍການສະແດງສີປານກາງເຖິງສູງຂອງສີເຊັ່ນ: ສີແດງ, ສີສົ້ມແລະສີເຫຼືອງ. ຮູບແບບ KMg ສະແດງຮູບແບບສີສູງຫຼາຍໂດຍອີງໃສ່ອັດຕາສ່ວນທີ່ຊັດເຈນແລະຮູບແບບການແຜ່ກະຈາຍຂອງສີຕ່ໍາຫາປານກາງ. ອົງປະກອບຂອງຕົວແບບໄດ້ສະແດງໃຫ້ເຫັນຮູບແບບສີສູງທີ່ຊີ້ບອກເຖິງຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນ (ເບິ່ງຮູບ 4). ອົງປະກອບຂອງແບບຈໍາລອງ CakMg ສະແດງໃຫ້ເຫັນຮູບແບບສີທີ່ຫຼາກຫຼາຍຈາກຕ່ໍາຫາສູງຕາມຂະຫນາດສີທີ່ຖືກຕ້ອງ. ນອກຈາກນັ້ນ, ການຄາດຄະເນຂອງຕົວແບບຂອງເນື້ອໃນ nickel (CakMg) ແມ່ນຄ້າຍຄືກັນກັບການແຜ່ກະຈາຍທາງກວ້າງຂອງພື້ນຂອງ nickel 5, ຄວາມເຂັ້ມຂົ້ນຂະຫນາດກາງສະແດງໃຫ້ເຫັນໃນ bo ອັດຕາສ່ວນສູງ. ດິນໃນຕົວເມືອງ ແລະ peri-urban. ຮູບທີ 7 ອະທິບາຍວິທີການ contour ໃນ k-means ການຈັດກຸ່ມຢູ່ໃນແຜນທີ່, ແບ່ງອອກເປັນສາມກຸ່ມໂດຍອີງໃສ່ຄ່າທີ່ຄາດຄະເນໃນແຕ່ລະແບບຈໍາລອງ. ຮູບແບບ contour ເປັນຕົວແທນຂອງຈໍານວນທີ່ດີທີ່ສຸດຂອງ clusters. ໃນຈໍານວນ 115 ຕົວຢ່າງດິນທີ່ເກັບກໍາ, ປະເພດ 1 ໄດ້ຮັບຕົວຢ່າງດິນຫຼາຍທີ່ສຸດ, 7 ຈໍານວນ 38, 3, com, ຈໍານວນຕົວຢ່າງທີ່ໄດ້ຮັບ 74.C. ການປະສົມປະສານຕົວຄາດຄະເນຂອງ ponent planar ໄດ້ຖືກປັບປຸງໃຫ້ງ່າຍດາຍເພື່ອໃຫ້ມີການຕີຄວາມໝາຍຂອງກຸ່ມທີ່ຖືກຕ້ອງ. ເນື່ອງຈາກຂະບວນການທາງມະນຸດສະທໍາ ແລະທໍາມະຊາດຈໍານວນຫລາຍທີ່ມີຜົນກະທົບຕໍ່ການສ້າງດິນ, ມັນຍາກທີ່ຈະມີຮູບແບບຂອງກຸ່ມກຸ່ມຢູ່ໃນແຜນທີ່ SeOM 78 ທີ່ແຈກຢາຍຢ່າງຖືກຕ້ອງ.
ຜົນຜະລິດຍົນອົງປະກອບໂດຍແຕ່ລະຕົວແປ Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM).[SeOM maps are created using RStudio (version 1.4.1717: https://www.rstudio.com/).]
ອົງປະກອບການຈັດປະເພດກຸ່ມທີ່ແຕກຕ່າງກັນ [ແຜນທີ່ SeOM ຖືກສ້າງຂຶ້ນໂດຍໃຊ້ RStudio (ຮຸ່ນ 1.4.1717: https://www.rstudio.com/).]
ການສຶກສາໃນປັດຈຸບັນສະແດງໃຫ້ເຫັນຢ່າງຈະແຈ້ງເຕັກນິກການສ້າງແບບຈໍາລອງສໍາລັບຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນໃນຕົວເມືອງແລະ peri-urban. ການສຶກສາໄດ້ທົດສອບເຕັກນິກການສ້າງແບບຈໍາລອງທີ່ແຕກຕ່າງກັນ, ປະສົມປະສານອົງປະກອບກັບເຕັກນິກການສ້າງແບບຈໍາລອງ, ເພື່ອໃຫ້ໄດ້ຮັບວິທີການທີ່ດີທີ່ສຸດໃນການຄາດເດົາຄວາມເຂັ້ມຂຸ້ນຂອງ nickel ໃນດິນ. ລັກສະນະທາງກວ້າງຂອງອົງປະກອບຂອງ SeOM ຂອງເຕັກນິກການສ້າງແບບຈໍາລອງໄດ້ສະແດງຮູບແບບສີທີ່ມີຄວາມເຂັ້ມຂົ້ນສູງ, ລະດັບຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໃນລະດັບສູງ. ແຜນທີ່ການແຈກຢາຍ patial ຢືນຢັນການແຈກຢາຍທາງກວ້າງຂອງພື້ນທີ່ຂອງອົງປະກອບທີ່ສະແດງໂດຍ EBK_SVMR (ເບິ່ງຮູບ 5). ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າແບບຈໍາລອງການສະຫນັບສະຫນູນ vector machine regression (Ca Mg K-SVMR) ຄາດຄະເນຄວາມເຂັ້ມຂົ້ນຂອງ Ni ໃນດິນເປັນຕົວແບບດຽວ, ແຕ່ຕົວກໍານົດການປະເມີນຄວາມຖືກຕ້ອງແລະຄວາມຖືກຕ້ອງສະແດງໃຫ້ເຫັນເຖິງຄວາມຜິດຂອງຕົວແບບອື່ນໆ, MORMe ແລະເຕັກນິກຂອງ MSM. ຮູບແບບ EBK_MLR ຍັງມີຂໍ້ບົກພ່ອງເນື່ອງຈາກຄ່າຂອງຄ່າສໍາປະສິດການກໍານົດ (R2). ຜົນໄດ້ຮັບທີ່ດີແມ່ນໄດ້ຮັບໂດຍໃຊ້ EBK SVMR ແລະອົງປະກອບລວມ (CaKMg) ທີ່ມີຄວາມຜິດພາດ RMSE ແລະ MAE ຕ່ໍາທີ່ມີຄວາມຖືກຕ້ອງຂອງ 63.7%. ມັນເຫັນວ່າການລວມເອົາ EBK algorithm ຂອງສູດການຄິດໄລ່ acmrid ການຮຽນຮູ້ຂອງເຄື່ອງຈັກສາມາດຄາດເດົາໄດ້. ໃນດິນ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າການນໍາໃຊ້ Ca Mg K ເປັນຕົວຄາດຄະເນເພື່ອຄາດຄະເນຄວາມເຂັ້ມຂົ້ນຂອງ Ni ໃນເຂດການສຶກສາສາມາດປັບປຸງການຄາດຄະເນຂອງ Ni ໃນດິນໄດ້. ນີ້ຫມາຍຄວາມວ່າການນໍາໃຊ້ຝຸ່ນ nickel ຢ່າງຕໍ່ເນື່ອງແລະມົນລະພິດອຸດສາຫະກໍາຂອງດິນໂດຍອຸດສາຫະກໍາເຫຼັກກ້າມີແນວໂນ້ມທີ່ຈະເພີ່ມຄວາມເຂັ້ມຂົ້ນຂອງ nickel ໃນດິນ. ໂດຍທົ່ວໄປແລ້ວ, ພວກເຮົາສະເໜີໃຫ້ນຳໃຊ້ຮູບແບບ EBK-SVMR ເພື່ອປະເມີນ ແລະ ຄາດຄະເນ PTE ໃນດິນ;ນອກຈາກນັ້ນ, ພວກເຮົາສະເຫນີໃຫ້ໃຊ້ EBK ເພື່ອປະສົມກັບລະບົບການຮຽນຮູ້ເຄື່ອງຈັກຕ່າງໆ. ຄວາມເຂັ້ມຂຸ້ນຂອງ Ni ໄດ້ຖືກຄາດຄະເນໂດຍໃຊ້ອົງປະກອບເປັນ covariates;ແນວໃດກໍ່ຕາມ, ການນໍາໃຊ້ covariates ເພີ່ມເຕີມຈະຊ່ວຍປັບປຸງການປະຕິບັດຂອງຕົວແບບໄດ້ຢ່າງຫຼວງຫຼາຍ, ເຊິ່ງສາມາດພິຈາລະນາເປັນຂໍ້ຈໍາກັດຂອງການເຮັດວຽກໃນປະຈຸບັນ. ຂໍ້ຈໍາກັດອີກອັນຫນຶ່ງຂອງການສຶກສານີ້ແມ່ນຈໍານວນຊຸດຂໍ້ມູນແມ່ນ 115. ດັ່ງນັ້ນ, ຖ້າມີຂໍ້ມູນເພີ່ມເຕີມ, ການປະຕິບັດວິທີການປະສົມທີ່ດີທີ່ສຸດທີ່ສະເຫນີສາມາດປັບປຸງໄດ້.
PlantProbs.net.Nickel ໃນພືດ ແລະດິນ https://plantprobs.net/plant/nutrientImbalances/sodium.html (ເຂົ້າເຖິງ 28 ເມສາ 2021).
Kasprzak, KS Nickel ກ້າວຫນ້າທາງດ້ານ toxicology.surroundings.toxicology.11, 145–183 (1987).
Cempel, M. & Nikel, G. Nickel: ການທົບທວນແຫຼ່ງຂອງມັນ ແລະ ພິດວິທະຍາສິ່ງແວດລ້ອມ.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC ວັດສະດຸປ້ອນມົນລະພິດຈາກບັນຍາກາດ ແລະ ການສະສົມຢູ່ໃນດິນ ແລະ ພືດພັນ ໃກ້ກັບໂຮງຫລອມໂລຫະ nickel-ທອງແດງ ໃນ Sudbury, Ontario, Canada.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al. ໂລຫະໜັກໃນດິນ, ພືດ ແລະ ຄວາມສ່ຽງທີ່ກ່ຽວຂ້ອງກັບການລ້ຽງສັດຢູ່ຕາມທົ່ງຫຍ້າໃກ້ກັບບໍ່ແຮ່ Selebi-Phikwe copper-nickel ໃນ Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-009.
Cabata-Pendias.Kabata-Pendias A. 2011. ອົງປະກອບຕາມຮອຍໃນດິນ ແລະ… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+soils+and2% 3A+CRC+Press&btnG= (ເຂົ້າໃຊ້ວັນທີ 24 ພະຈິກ 2020).
Almås, A., Singh, B., ການກະສິກໍາ, TS-NJ ຂອງ & 1995, undefined.ຜົນກະທົບຂອງອຸດສາຫະກໍາ nickel ລັດເຊຍກ່ຽວກັບຄວາມເຂັ້ມຂຸ້ນຂອງໂລຫະຫນັກໃນດິນກະສິກໍາແລະຫຍ້າໃນ Soer-Varanger, Norway.agris.fao.org.
Nielsen, GD et al. ການດູດຊຶມ ແລະ ການເກັບຮັກສານິເກິລໃນນ້ຳດື່ມແມ່ນກ່ຽວຂ້ອງກັບການຮັບປະທານອາຫານ ແລະ ຄວາມອ່ອນໄຫວຂອງ nickel.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics ຫຼື selection.surroundings.Health Perspective.107, 2 (1999).
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​​NM;ການວິເຄາະແນວໂນ້ມຂອງອົງປະກອບທີ່ເປັນພິດ: ການທົບທວນ bibliometric. Environmental Geochemistry ແລະ Health.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. On digital earth 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+Presssential+University ed 28 ເມສາ 2021).