Nature.com സന്ദർശിച്ചതിന് നന്ദി.നിങ്ങൾ ഉപയോഗിക്കുന്ന ബ്രൗസർ പതിപ്പിന് CSS-ന് പരിമിതമായ പിന്തുണയേ ഉള്ളൂ. മികച്ച അനുഭവത്തിനായി, നിങ്ങൾ ഒരു അപ്‌ഡേറ്റ് ചെയ്‌ത ബ്രൗസർ (അല്ലെങ്കിൽ Internet Explorer-ൽ കോംപാറ്റിബിലിറ്റി മോഡ് ഓഫാക്കുക) ഉപയോഗിക്കാൻ ഞങ്ങൾ ശുപാർശ ചെയ്യുന്നു. അതിനിടയിൽ, തുടർ പിന്തുണ ഉറപ്പാക്കാൻ, ഞങ്ങൾ ശൈലികളും JavaScript ഇല്ലാതെ സൈറ്റ് പ്രദർശിപ്പിക്കും.
മനുഷ്യന്റെ പ്രവർത്തനങ്ങൾ മൂലമുണ്ടാകുന്ന ഒരു വലിയ പ്രശ്നമാണ് മണ്ണ് മലിനീകരണം. മിക്ക നഗരങ്ങളിലും നഗരപ്രദേശങ്ങളിലും വിഷാംശമുള്ള മൂലകങ്ങളുടെ (പിടിഇ) സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ വ്യത്യാസപ്പെടുന്നു. അതിനാൽ, അത്തരം മണ്ണിലെ പിടിഇയുടെ ഉള്ളടക്കം സ്ഥലപരമായി പ്രവചിക്കാൻ പ്രയാസമാണ്. മൊത്തത്തിൽ 115 സാമ്പിളുകൾ ലഭിച്ചു. ഇൻഡക്റ്റീവ് കപ്പിൾഡ് പ്ലാസ്മ എമിഷൻ സ്പെക്ട്രോമെട്രി ഉപയോഗിച്ചാണ് ickel (Ni) സാന്ദ്രത നിർണ്ണയിക്കുന്നത്. പ്രതികരണ വേരിയബിൾ Ni ആണ്, പ്രവചകർ Ca, Mg, K എന്നിവയാണ്. പ്രതികരണ വേരിയബിളും പ്രവചന വേരിയബിളും തമ്മിലുള്ള കോറിലേഷൻ മാട്രിക്സ് ഘടകങ്ങൾ തമ്മിലുള്ള തൃപ്തികരമായ പരസ്പര ബന്ധമാണ് കാണിക്കുന്നത്. RMSE) (235.974 mg/kg), ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE) (166.946 mg/kg) എന്നിവ പ്രയോഗിച്ച മറ്റ് രീതികളേക്കാൾ കൂടുതലാണ്. എംപിരിക്കൽ ബയേസിയൻ ക്രിഗിംഗ്-മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ (EBK-MLR) എന്നതിനായുള്ള മിക്സഡ് മോഡലുകൾ മോശമായി പ്രവർത്തിക്കുന്നു, കെ.എം. കുറഞ്ഞ RMSE (95.479 mg/kg), MAE (77.368 mg/kg) മൂല്യങ്ങളും ഉയർന്ന കോഫിഫിഷ്യന്റ് ഓഫ് നിർണ്ണയവും (R2 = 0.637) ഉള്ള മെഷീൻ റിഗ്രഷൻ (EBK-SVMR) മോഡൽ മികച്ച മോഡൽ ആയിരുന്നു. g-EBK-SVMR ഘടകം നഗര, നഗരപ്രദേശങ്ങളിലെ മണ്ണിൽ Ni സാന്ദ്രത പ്രവചിക്കുന്ന ഒന്നിലധികം വർണ്ണ പാറ്റേണുകൾ കാണിക്കുന്നു. EBK, SVMR എന്നിവ സംയോജിപ്പിക്കുന്നത് നഗര, പെരി-അർബൻ മണ്ണിൽ Ni സാന്ദ്രത പ്രവചിക്കുന്നതിനുള്ള ഫലപ്രദമായ സാങ്കേതികതയാണെന്ന് ഫലങ്ങൾ തെളിയിക്കുന്നു.
നിക്കൽ (Ni) സസ്യങ്ങൾക്ക് ഒരു മൈക്രോ ന്യൂട്രിയന്റായി കണക്കാക്കപ്പെടുന്നു, കാരണം ഇത് അന്തരീക്ഷ നൈട്രജൻ ഫിക്സേഷനും (N) യൂറിയ മെറ്റബോളിസത്തിനും കാരണമാകുന്നു, ഇവ രണ്ടും വിത്ത് മുളയ്ക്കുന്നതിന് ആവശ്യമാണ്. നൈട്രജൻ ഫിക്സേഷൻ ഒപ്റ്റിമൈസ് ചെയ്യാൻ ബീൻസിന് നിക്കൽ അധിഷ്ഠിത വളങ്ങൾ ആവശ്യമാണ്. മണ്ണ് മണ്ണിന്റെ pH കുറയ്ക്കുകയും ചെടികളുടെ വളർച്ചയ്ക്ക് ആവശ്യമായ ഇരുമ്പിന്റെ ആഗിരണത്തെ തടസ്സപ്പെടുത്തുകയും ചെയ്യുന്നു1. Liu3 അനുസരിച്ച്, സസ്യവളർച്ചയ്ക്കും വളർച്ചയ്ക്കും ആവശ്യമായ 17-ാമത്തെ പ്രധാന മൂലകമാണ് Ni എന്ന് കണ്ടെത്തിയിട്ടുണ്ട്. സസ്യവളർച്ചയിലും വളർച്ചയിലും നിക്കലിന്റെ പങ്ക് കൂടാതെ, മനുഷ്യർക്ക് വിവിധ പ്രയോഗങ്ങൾക്കായി ഇത് ആവശ്യമാണ്. ഓട്ടോമോട്ടീവ് വ്യവസായത്തിന് വിവിധ വ്യാവസായിക മേഖലകളിൽ നിക്കലിന്റെ ഉപയോഗം ആവശ്യമാണ്. കൂടാതെ, അടുക്കള ഉപകരണങ്ങൾ, ബോൾറൂം ആക്സസറികൾ, ഭക്ഷ്യ വ്യവസായ സപ്ലൈസ്, ഇലക്ട്രിക്കൽ, വയർ, കേബിൾ, ജെറ്റ് ടർബൈനുകൾ, ശസ്ത്രക്രിയാ ഇംപ്ലാന്റുകൾ, തുണിത്തരങ്ങൾ, കപ്പൽ നിർമ്മാണം എന്നിവയിൽ നിക്കൽ അധിഷ്ഠിത അലോയ്കളും ഇലക്ട്രോലേറ്റഡ് ആർട്ടിക്കിളുകളും വ്യാപകമായി ഉപയോഗിച്ചുവരുന്നു. ജനിതകവും പ്രകൃതിദത്തവുമായ സ്രോതസ്സുകൾ, എന്നാൽ പ്രാഥമികമായി, നരവംശ 4,6 എന്നതിലുപരി Ni ഒരു പ്രകൃതിദത്ത ഉറവിടമാണ്. നിക്കലിന്റെ സ്വാഭാവിക ഉറവിടങ്ങളിൽ അഗ്നിപർവ്വത സ്ഫോടനങ്ങൾ, സസ്യങ്ങൾ, കാട്ടുതീ, ഭൂമിശാസ്ത്ര പ്രക്രിയകൾ എന്നിവ ഉൾപ്പെടുന്നു;എന്നിരുന്നാലും, സ്റ്റീൽ വ്യവസായത്തിലെ നിക്കൽ/കാഡ്മിയം ബാറ്ററികൾ, ഇലക്‌ട്രോപ്ലേറ്റിംഗ്, ആർക്ക് വെൽഡിംഗ്, ഡീസൽ, ഇന്ധന എണ്ണകൾ, കൽക്കരി ജ്വലനത്തിൽ നിന്നുള്ള അന്തരീക്ഷ ഉദ്വമനം, മാലിന്യം, സ്ലഡ്ജ് എന്നിവയിൽ നിന്നുള്ള അന്തരീക്ഷ ഉദ്വമനം എന്നിവയും നരവംശ സ്രോതസ്സുകളിൽ ഉൾപ്പെടുന്നു. നിക്കൽ ശേഖരണം10, മേൽമണ്ണ് മലിനീകരണത്തിന്റെ പ്രധാന സ്രോതസ്സുകൾ പ്രധാനമായും നിക്കൽ-ചെമ്പ് അധിഷ്ഠിത സ്മെൽറ്ററുകളും ഖനികളുമാണ്. കാനഡയിലെ സഡ്ബറി നിക്കൽ-കോപ്പർ റിഫൈനറിക്ക് ചുറ്റുമുള്ള മണ്ണിൽ ഏറ്റവും ഉയർന്ന നിക്കൽ മലിനീകരണം ഉണ്ടായിട്ടുണ്ട്. നോർവീജിയൻ മണ്ണിലെ സാന്ദ്രത11. Alms et al പ്രകാരം.12, പ്രദേശത്തെ കൃഷിയോഗ്യമായ ഭൂമിയിൽ (റഷ്യയിൽ നിക്കൽ ഉൽപ്പാദനം) HNO3 വേർതിരിച്ചെടുക്കാവുന്ന നിക്കലിന്റെ അളവ് 6.25 മുതൽ 136.88 mg/kg വരെയാണ്, ഇത് ശരാശരി 30.43 mg/kg നും അടിസ്ഥാന സാന്ദ്രത 25 mg/kg എന്നതിനും തുല്യമാണ്. തുടർച്ചയായ വിള സീസണുകളിൽ നഗര മണ്ണ് മണ്ണിനെ സന്നിവേശിപ്പിക്കുകയോ മലിനമാക്കുകയോ ചെയ്യാം. മനുഷ്യരിൽ നിക്കലിന്റെ പ്രത്യാഘാതങ്ങൾ മ്യൂട്ടജെനിസിസ്, ക്രോമസോമൽ കേടുപാടുകൾ, Z-DNA ഉൽപാദനം, തടഞ്ഞ ഡിഎൻഎ എക്സിഷൻ റിപ്പയർ അല്ലെങ്കിൽ എപ്പിജെനെറ്റിക് പ്രക്രിയകൾ എന്നിവയിലൂടെ ക്യാൻസറിലേക്ക് നയിച്ചേക്കാം.
മണ്ണ്-സസ്യ ബന്ധങ്ങൾ, മണ്ണ്-മണ്ണ് ജൈവബന്ധങ്ങൾ, പാരിസ്ഥിതിക തകർച്ച, പരിസ്ഥിതി ആഘാത വിലയിരുത്തൽ എന്നിവയിൽ നിന്ന് ഉയർന്നുവരുന്ന ആരോഗ്യപരമായ നിരവധി പ്രശ്നങ്ങൾ കാരണം മണ്ണ് മലിനീകരണ വിലയിരുത്തൽ അടുത്ത കാലത്തായി അഭിവൃദ്ധി പ്രാപിച്ചു. ഇന്നുവരെ, മണ്ണിലെ നി പോലുള്ള വിഷ മൂലകങ്ങളുടെ (പിടിഇ) സ്പേഷ്യൽ പ്രവചനം (മണ്ണിലെ എം.ഡി.എസ്). പ്രവചനാത്മക മണ്ണ് മാപ്പിംഗ് (PSM).മിനാസ്‌നി, മക്‌ബ്രാറ്റ്‌നി16 പ്രകാരം, പ്രെഡിക്റ്റീവ് സോയിൽ മാപ്പിംഗ് (DSM) സോയിൽ സയൻസിന്റെ ഒരു പ്രമുഖ ഉപവിഭാഗമാണെന്ന് തെളിയിക്കപ്പെട്ടിട്ടുണ്ട്. ലഗച്ചേരിയും മക്‌ബ്രാറ്റ്‌നിയും, 2006-ൽ ഡിഎസ്‌എമ്മിനെ "സ്പേഷ്യൽ സോയിൽ ഇൻഫർമേഷൻ സിസ്റ്റങ്ങൾ സൃഷ്ടിക്കുന്നതും പൂരിപ്പിക്കുന്നതും" എന്ന് നിർവചിക്കുന്നു. .McBratney et al.17 സമകാലിക DSM അല്ലെങ്കിൽ PSM ആണ് PTE കൾ, മണ്ണിന്റെ തരങ്ങൾ, മണ്ണിന്റെ ഗുണങ്ങൾ എന്നിവയുടെ സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ പ്രവചിക്കുന്നതിനോ മാപ്പ് ചെയ്യുന്നതിനോ ഉള്ള ഏറ്റവും ഫലപ്രദമായ സാങ്കേതികതയെന്ന് രൂപരേഖ നൽകുന്നു. ജിയോസ്റ്റാറ്റിസ്റ്റിക്സ്, മെഷീൻ ലേണിംഗ് അൽഗോരിതംസ് (MLA) എന്നിവ പ്രധാനപ്പെട്ടതും കുറഞ്ഞതുമായ ഡാറ്റ ഉപയോഗിച്ച് കമ്പ്യൂട്ടറുകളുടെ സഹായത്തോടെ ഡിജിറ്റൈസ്ഡ് മാപ്പുകൾ സൃഷ്ടിക്കുന്ന DSM മോഡലിംഗ് ടെക്നിക്കുകളാണ്.
Deutsch18 ഉം Olea19 ഉം ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിനെ നിർവചിക്കുന്നത് "സ്പേഷ്യൽ ആട്രിബ്യൂട്ടുകളുടെ പ്രാതിനിധ്യം കൈകാര്യം ചെയ്യുന്ന സംഖ്യാ സാങ്കേതിക വിദ്യകളുടെ ശേഖരം, പ്രധാനമായും ടൈം സീരീസ് വിശകലനം എങ്ങനെ താൽക്കാലിക ഡാറ്റയെ വിശേഷിപ്പിക്കുന്നു എന്നതുപോലുള്ള സ്റ്റോക്കാസ്റ്റിക് മോഡലുകൾ ഉപയോഗിക്കുന്നു."പ്രാഥമികമായി, ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിൽ വേരിയോഗ്രാമുകളുടെ മൂല്യനിർണ്ണയം ഉൾപ്പെടുന്നു, ഇത് ഓരോ ഡാറ്റാസെറ്റിൽ നിന്നും സ്പേഷ്യൽ മൂല്യങ്ങളുടെ ആശ്രിതത്വം അളക്കാനും നിർവചിക്കാനും അനുവദിക്കുന്നു.ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിലെ വേരിയോഗ്രാമുകളുടെ മൂല്യനിർണ്ണയം മൂന്ന് തത്ത്വങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണെന്ന് 20 കൂടുതൽ വ്യക്തമാക്കുന്നു, (എ) ഡാറ്റാ പരസ്പര ബന്ധത്തിന്റെ സ്കെയിൽ കണക്കുകൂട്ടൽ, (ബി) ഡാറ്റാസെറ്റ് അസമത്വത്തിൽ അനിസോട്രോപ്പി തിരിച്ചറിയുകയും കംപ്യൂട്ടിംഗ് ചെയ്യുകയും ചെയ്യുക, കൂടാതെ (സി) കൂടാതെ, പ്രാദേശികമായ ഇഫക്റ്റുകളും കണക്കിലെടുക്കുമ്പോൾ, ഈ ആശയത്തിന്റെ അന്തർലീനമായ നിരവധി ഇഫക്റ്റുകൾ കണക്കാക്കുന്നു. പൊതു ക്രിഗിംഗ്, കോ-ക്രിഗിംഗ്, സാധാരണ ക്രിഗിംഗ്, എംപീരിയൽ ബയേഷ്യൻ ക്രിഗിംഗ്, സിമ്പിൾ ക്രിഗിംഗ് രീതി, കൂടാതെ PTE, മണ്ണിന്റെ സ്വഭാവം, മണ്ണിന്റെ തരങ്ങൾ എന്നിവ മാപ്പ് ചെയ്യാനോ പ്രവചിക്കാനോ ഉള്ള മറ്റ് അറിയപ്പെടുന്ന ഇന്റർപോളേഷൻ ടെക്നിക്കുകൾ ഉൾപ്പെടെ ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിൽ പോലേഷൻ ടെക്നിക്കുകൾ ഉപയോഗിക്കുന്നു.
മെഷീൻ ലേണിംഗ് അൽഗോരിതംസ് (എംഎൽഎ) താരതമ്യേന പുതിയ സാങ്കേതികതയാണ്, അത് വലിയ നോൺ-ലീനിയർ ഡാറ്റ ക്ലാസുകൾ ഉപയോഗിക്കുന്നു, പ്രാഥമികമായി ഡാറ്റ മൈനിംഗ്, ഡാറ്റയിലെ പാറ്റേണുകൾ തിരിച്ചറിയൽ, സോയിൽ സയൻസ്, റിട്ടേൺ ടാസ്‌ക്കുകൾ തുടങ്ങിയ ശാസ്ത്രീയ മേഖലകളിലെ വർഗ്ഗീകരണത്തിന് ആവർത്തിച്ച് പ്രയോഗിക്കുന്ന അൽഗോരിതങ്ങൾ ഉപയോഗിച്ചാണ് ഇത് ഉപയോഗിക്കുന്നത്.22 (കാർഷിക മണ്ണിൽ ഹെവി മെറ്റൽ കണക്കാക്കുന്നതിനുള്ള ക്രമരഹിത വനങ്ങൾ), സകിസാദെഹ് et al.23 (സപ്പോർട്ട് വെക്റ്റർ മെഷീനുകളും കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും ഉപയോഗിച്ച് മോഡലിംഗ്) മണ്ണ് മലിനീകരണം ).കൂടാതെ, വേഗ തുടങ്ങിയവർ.24 (മണ്ണിൽ ഹെവി മെറ്റൽ നിലനിർത്തലും ആഗിരണം ചെയ്യലും മാതൃകയാക്കുന്നതിനുള്ള കാർട്ട്) സൺ തുടങ്ങിയവർ.25 (ക്യൂബിസ്റ്റിന്റെ പ്രയോഗം എന്നത് മണ്ണിലെ സിഡിയുടെ വിതരണമാണ്) കൂടാതെ കെ-അടുത്ത അയൽക്കാരൻ, സാമാന്യവൽക്കരിക്കപ്പെട്ട ബൂസ്റ്റഡ് റിഗ്രഷൻ, ബൂസ്റ്റഡ് റിഗ്രഷൻ ട്രീകൾ തുടങ്ങിയ മറ്റ് അൽഗോരിതങ്ങളും മണ്ണിൽ PTE പ്രവചിക്കാൻ MLA പ്രയോഗിച്ചു.
പ്രവചനത്തിലോ മാപ്പിങ്ങിലോ DSM അൽഗോരിതങ്ങളുടെ പ്രയോഗം നിരവധി വെല്ലുവിളികളെ അഭിമുഖീകരിക്കുന്നു. ഭൂഗർഭ സ്ഥിതിവിവരക്കണക്കുകൾക്കും തിരിച്ചും എം.എൽ.എ മികച്ചതാണെന്ന് പല രചയിതാക്കളും വിശ്വസിക്കുന്നു. ഒന്ന് മറ്റൊന്നിനേക്കാൾ മികച്ചതാണെങ്കിലും, ഇവ രണ്ടും കൂടിച്ചേർന്ന് DSM15. Woodcock, Gopal;പ്രവചിക്കപ്പെട്ട മണ്ണ് മാപ്പിംഗിലെ പോരായ്മകളെയും ചില പിശകുകളെയും കുറിച്ച് പോണ്ടിയസും Cheuk28, Grunwald29 എന്നിവർ അഭിപ്രായപ്പെടുന്നു. DSM മാപ്പിംഗിന്റെയും പ്രവചനത്തിന്റെയും ഫലപ്രാപ്തി, കൃത്യത, പ്രവചനക്ഷമത എന്നിവ ഒപ്റ്റിമൈസ് ചെയ്യാൻ മണ്ണ് ശാസ്ത്രജ്ഞർ വിവിധ സാങ്കേതിക വിദ്യകൾ പരീക്ഷിച്ചിട്ടുണ്ട്. അൽ.15 മാപ്പ് നിർമ്മാണവും പ്രവചനവും അവതരിപ്പിക്കുന്ന മൂല്യനിർണ്ണയ സ്വഭാവവും അനിശ്ചിതത്വവും മാപ്പിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നതിന് സ്വതന്ത്രമായി സാധൂകരിക്കപ്പെടണമെന്ന് രൂപരേഖ നൽകുന്നു. DSM-ന്റെ പരിമിതികൾ ഭൂമിശാസ്ത്രപരമായി ചിതറിക്കിടക്കുന്ന മണ്ണിന്റെ ഗുണനിലവാരം മൂലമാണ്, അതിൽ അനിശ്ചിതത്വത്തിന്റെ ഒരു ഘടകം ഉൾപ്പെടുന്നു;എന്നിരുന്നാലും, ഡി‌എസ്‌എമ്മിലെ ഉറപ്പില്ലായ്മ, കോവേരിയേറ്റ് പിശക്, മോഡൽ പിശക്, ലൊക്കേഷൻ പിശക്, അനലിറ്റിക്കൽ പിശക് എന്നിങ്ങനെ ഒന്നിലധികം സ്രോതസ്സുകളിൽ നിന്ന് ഉയർന്നുവന്നേക്കാം. എം‌എൽ‌എയിലും ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രക്രിയകളിലും പ്രേരിപ്പിച്ച മോഡലിംഗ് അപാകതകൾ ധാരണയുടെ അഭാവവുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു, ഇത് ആത്യന്തികമായി പ്രകൃതിദത്ത മാതൃകകളുടെ അമിത ലളിതവൽക്കരണത്തിലേക്ക് നയിക്കുന്നു. ing പാരാമീറ്ററുകൾ, ഗണിതശാസ്ത്ര മോഡൽ പ്രവചനങ്ങൾ, അല്ലെങ്കിൽ ഇന്റർപോളേഷൻ34;സുബോട്ടിന et al.35;താരസോവ് തുടങ്ങിയവർ.36 ഒപ്പം താരസോവ് മറ്റുള്ളവരും.പ്രവചനത്തിന്റെയും മാപ്പിംഗിന്റെയും കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്ന ഹൈബ്രിഡ് മോഡലുകൾ സൃഷ്ടിക്കാൻ ജിയോസ്റ്റാറ്റിസ്റ്റിക്സിന്റെയും മെഷീൻ ലേണിംഗിന്റെയും കൃത്യമായ ഗുണനിലവാരം 37 ഉപയോഗിച്ചു.ഗുണനിലവാരം. ഈ ഹൈബ്രിഡ് അല്ലെങ്കിൽ സംയോജിത അൽഗോരിതം മോഡലുകളിൽ ചിലത് കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്ക് ക്രിഗിംഗ് (ANN-RK), മൾട്ടി ലെയർ പെർസെപ്‌ട്രോൺ റെസിഡ്യൂവൽ ക്രിഗിംഗ് (MLP-RK), സാമാന്യവൽക്കരിച്ച റിഗ്രഷൻ ന്യൂറൽ നെറ്റ്‌വർക്ക് റെസിഡ്യൂവൽ ക്രിഗിംഗ് (GR-NNRK) പി)37, കോ-ക്രിഗിംഗ്, ഗൗസിയൻ പ്രോസസ് റിഗ്രഷൻ38.
സെർജിയേവ് തുടങ്ങിയവർ പറയുന്നതനുസരിച്ച്, വിവിധ മോഡലിംഗ് ടെക്നിക്കുകൾ സംയോജിപ്പിച്ച് അതിന്റെ ഒറ്റ മോഡൽ വികസിപ്പിക്കുന്നതിനുപകരം തത്ഫലമായുണ്ടാകുന്ന ഹൈബ്രിഡ് മോഡലിന്റെ വൈകല്യങ്ങൾ ഇല്ലാതാക്കാനും അതിന്റെ കാര്യക്ഷമത വർദ്ധിപ്പിക്കാനും സാധ്യതയുണ്ട്. ical Bayesian Kriging (EBK) അടിസ്ഥാന മോഡൽ ആയി അതിനെ സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (SVM), മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ (MLR) മോഡലുകൾ എന്നിവയുമായി മിക്സ് ചെയ്യുക. EBK-യുടെ ഹൈബ്രിഡൈസേഷൻ ഒരു MLA യുമായും അറിയില്ല. കാണുന്ന ഒന്നിലധികം മിക്സഡ് മോഡലുകൾ സാധാരണ, അവശിഷ്ടങ്ങൾ, റിഗ്രഷൻ രീതികൾ എന്നിവയുടെ സംയോജനമാണ്. ഫീൽഡിൽ നിർവചിക്കപ്പെട്ട പ്രാദേശികവൽക്കരണ പാരാമീറ്ററുകളുള്ള ഒരു നോൺ-സ്റ്റേഷണറി/സ്റ്റേഷണറി റാൻഡം ഫീൽഡ് ആയി പ്രാദേശികവൽക്കരിക്കപ്പെട്ട, സ്പെഷ്യൽ വ്യതിയാനം അനുവദിക്കുന്നു39.EBK, കാർഷിക മണ്ണിലെ ഓർഗാനിക് കാർബണിന്റെ വിതരണം വിശകലനം ചെയ്യുക, മണ്ണിന്റെ മലിനീകരണം വിലയിരുത്തൽ, മണ്ണിന്റെ ഗുണവിശേഷതകൾ മാപ്പിംഗ് എന്നിവ ഉൾപ്പെടെ വിവിധ പഠനങ്ങളിൽ ഉപയോഗിക്കുന്നു.
മറുവശത്ത്, Li et al പോലുള്ള വിവിധ ലേഖനങ്ങളിൽ പ്രയോഗിച്ച ഒരു പഠന അൽഗോരിതം ആണ് സെൽഫ്-ഓർഗനൈസിംഗ് ഗ്രാഫ് (SeOM).43, വാങ് തുടങ്ങിയവർ.44, ഹൊസൈൻ ഭൂയാൻ et al.45, Kebonye et al.46 മൂലകങ്ങളുടെ സ്പേഷ്യൽ ആട്രിബ്യൂട്ടുകളും ഗ്രൂപ്പിംഗും നിർണ്ണയിക്കുക.വാങ് തുടങ്ങിയവർ.44 നോൺ-ലീനിയർ പ്രശ്‌നങ്ങൾ ഗ്രൂപ്പുചെയ്യാനും സങ്കൽപ്പിക്കാനുമുള്ള കഴിവിന് പേരുകേട്ട ഒരു ശക്തമായ പഠന സാങ്കേതികതയാണ് SeOM എന്ന് രൂപരേഖ നൽകുന്നു. മറ്റ് പാറ്റേൺ തിരിച്ചറിയൽ സാങ്കേതികതകളിൽ നിന്ന് വ്യത്യസ്തമായി, പ്രധാന ഘടക വിശകലനം, അവ്യക്തമായ ക്ലസ്റ്ററിംഗ്, ഹൈറാർക്കിക്കൽ ക്ലസ്റ്ററിംഗ്, മൾട്ടി-ക്രൈറ്റീരിയ തീരുമാനമെടുക്കൽ, W.According പാറ്റേണുകൾ സംഘടിപ്പിക്കുന്നതിനും തിരിച്ചറിയുന്നതിനും SeOM മികച്ചതാണ്.44, SeOM-ന് ബന്ധപ്പെട്ട ന്യൂറോണുകളുടെ വിതരണത്തെ സ്ഥലപരമായി ഗ്രൂപ്പുചെയ്യാനും ഉയർന്ന റെസല്യൂഷൻ ഡാറ്റ ദൃശ്യവൽക്കരണം നൽകാനും കഴിയും. നേരിട്ടുള്ള വ്യാഖ്യാനത്തിനായി ഫലങ്ങളെ ചിത്രീകരിക്കുന്നതിനുള്ള മികച്ച മോഡൽ ലഭിക്കുന്നതിന് SeOM Ni പ്രവചന ഡാറ്റ ദൃശ്യവൽക്കരിക്കും.
നഗരപ്രദേശങ്ങളിലും നഗരപ്രദേശങ്ങളിലും ഉള്ള മണ്ണിൽ നിക്കൽ ഉള്ളടക്കം പ്രവചിക്കുന്നതിനുള്ള ഒപ്റ്റിമൽ കൃത്യതയോടെ ശക്തമായ ഒരു മാപ്പിംഗ് മോഡൽ സൃഷ്ടിക്കാൻ ഈ പേപ്പർ ലക്ഷ്യമിടുന്നു. മിക്സഡ് മോഡലിന്റെ വിശ്വാസ്യത പ്രധാനമായും അടിസ്ഥാന മോഡലിൽ ഘടിപ്പിച്ചിരിക്കുന്ന മറ്റ് മോഡലുകളുടെ സ്വാധീനത്തെ ആശ്രയിച്ചിരിക്കുന്നുവെന്ന് ഞങ്ങൾ അനുമാനിക്കുന്നു. DSM അഭിമുഖീകരിക്കുന്ന വെല്ലുവിളികൾ ഞങ്ങൾ അംഗീകരിക്കുന്നു. കൾ വർദ്ധിപ്പിക്കണം;അതിനാൽ, സമ്മിശ്ര മോഡലുകൾ നൽകിയേക്കാവുന്ന ഗവേഷണ ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകാൻ ഞങ്ങൾ ശ്രമിക്കും. എന്നിരുന്നാലും, ടാർഗെറ്റ് എലമെന്റ് പ്രവചിക്കുന്ന മോഡൽ എത്രത്തോളം കൃത്യമാണ്? കൂടാതെ, മൂല്യനിർണ്ണയത്തെയും കൃത്യത വിലയിരുത്തലിനെയും അടിസ്ഥാനമാക്കിയുള്ള കാര്യക്ഷമത വിലയിരുത്തലിന്റെ നിലവാരം എന്താണ്? അതിനാൽ, ഈ പഠനത്തിന്റെ നിർദ്ദിഷ്ട ലക്ഷ്യങ്ങൾ (എ) എസ്.വി.എം.ആർ അല്ലെങ്കിൽ എം.എൽ.ആർ. നഗരത്തിലോ നഗരപ്രദേശങ്ങളിലോ ഉള്ള മണ്ണിൽ Ni സാന്ദ്രത പ്രവചിക്കുന്നു, കൂടാതെ (d) നിക്കൽ സ്പേഷ്യൽ വ്യതിയാനത്തിന്റെ ഉയർന്ന മിഴിവുള്ള ഭൂപടം സൃഷ്ടിക്കാൻ SeOM ന്റെ പ്രയോഗം.
ചെക്ക് റിപ്പബ്ലിക്കിലാണ് പഠനം നടക്കുന്നത്, പ്രത്യേകിച്ച് മൊറാവിയ-സൈലേഷ്യൻ മേഖലയിലെ ഫ്രൈഡെക് മിസ്‌ടെക് ജില്ലയിൽ (ചിത്രം 1 കാണുക). പഠനമേഖലയുടെ ഭൂമിശാസ്ത്രം വളരെ പരുക്കനാണ്, ഇത് കൂടുതലും മൊറാവിയ-സൈലേഷ്യൻ ബെസ്‌കിഡി മേഖലയുടെ ഭാഗമാണ്. 18° 20′ 0′ E, ഉയരം 225 നും 327 മീറ്ററിനും ഇടയിലാണ്;എന്നിരുന്നാലും, ഈ പ്രദേശത്തെ കാലാവസ്ഥാ നിലയ്ക്കായുള്ള കോപ്പൻ വർഗ്ഗീകരണ സംവിധാനം Cfb = മിതശീതോഷ്ണ സമുദ്ര കാലാവസ്ഥയായി കണക്കാക്കപ്പെടുന്നു, വരണ്ട മാസങ്ങളിൽ പോലും ധാരാളം മഴ ലഭിക്കുന്നു. വർഷത്തിലുടനീളം താപനില -5 °C നും 24 °C നും ഇടയിൽ ചെറുതായി വ്യത്യാസപ്പെടുന്നു, അപൂർവ്വമായി −14 °C നും 30 °C ന് മുകളിലോ ആണ്. മൊത്തം വിസ്തീർണ്ണം 1,208 ചതുരശ്ര കിലോമീറ്ററാണ്, കൃഷി ചെയ്യുന്ന ഭൂമിയുടെ 39.38%, വനമേഖലയുടെ 49.36%. മറുവശത്ത്, ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്നത് ഏകദേശം 889.8 ചതുരശ്ര കിലോമീറ്ററാണ്. ഓസ്ട്രാവയിലും പരിസരത്തും ഉരുക്ക് വ്യവസായവും ലോഹനിർമ്മാണവും വളരെ സജീവമാണ്. തുരുമ്പെടുക്കൽ), അലോയ് സ്റ്റീൽസ് (നല്ല അലോയ്, കാഠിന്യം നിലനിർത്തുമ്പോൾ നിക്കൽ അലോയ് ശക്തി വർദ്ധിപ്പിക്കുന്നു), ഫോസ്ഫേറ്റ് വളപ്രയോഗം, കന്നുകാലി ഉത്പാദനം തുടങ്ങിയ തീവ്രമായ കൃഷി ഈ പ്രദേശത്തെ നിക്കലിന്റെ ഗവേഷണ സാധ്യതയുള്ള ഉറവിടങ്ങളാണ് (ഉദാ. ആട്ടിൻകുട്ടികളുടെ വളർച്ചാ നിരക്ക് വർദ്ധിപ്പിക്കുന്നതിന് നിക്കൽ ചേർക്കുകയും ഇലക്ട്രോപ്പ് ഇലക്‌ട്രോണിക് ഇലക്‌ട്രോണിക് കന്നുകാലികളിൽ ഇലക്‌ട്രോപ്പ് ഉപയോഗിക്കുന്ന ഇലക്‌ട്രോണിക് ഇലക്‌ട്രോണിക് ഗവേഷണങ്ങളും ഉൾപ്പെടുന്നു. ഐക്കൽ, ഇലക്‌ട്രോലെസ് നിക്കൽ പ്ലേറ്റിംഗ് പ്രക്രിയകൾ.മണ്ണിന്റെ ഗുണങ്ങൾ മണ്ണിന്റെ നിറം, ഘടന, കാർബണേറ്റ് ഉള്ളടക്കം എന്നിവയിൽ നിന്ന് എളുപ്പത്തിൽ വേർതിരിച്ചറിയാൻ കഴിയും. മണ്ണിന്റെ ഘടന ഇടത്തരം മുതൽ സൂക്ഷ്മമാണ്, മാതൃ വസ്തുക്കളിൽ നിന്ന് ഉരുത്തിരിഞ്ഞതാണ്. അവ കൊളുവിയൽ, എലിവിയൽ അല്ലെങ്കിൽ എയോലിയൻ സ്വഭാവമുള്ളവയാണ്. പ്രദേശം48. 455.1 മുതൽ 493.5 മീറ്റർ വരെ ഉയരത്തിൽ, കാംബിസോളുകൾ ചെക്ക് റിപ്പബ്ലിക്കിൽ ആധിപത്യം പുലർത്തുന്നു.
പഠന മേഖല മാപ്പ് [പഠന മേഖല മാപ്പ് സൃഷ്ടിച്ചത് ArcGIS ഡെസ്‌ക്‌ടോപ്പ് ഉപയോഗിച്ചാണ് (ESRI, Inc, പതിപ്പ് 10.7, URL: https://desktop.arcgis.com).]
ഫ്രൈഡെക് മിസ്‌ടെക് ജില്ലയിലെ നഗരപ്രദേശങ്ങളിലും നഗരപ്രദേശങ്ങളിലും ഉള്ള മണ്ണിൽ നിന്ന് മൊത്തം 115 മേൽമണ്ണ് സാമ്പിളുകൾ ലഭിച്ചു. 2 × 2 കിലോമീറ്റർ അകലത്തിലുള്ള മണ്ണ് സാമ്പിളുകളുള്ള ഒരു സാധാരണ ഗ്രിഡാണ് ഉപയോഗിച്ചത്, കൂടാതെ മേൽമണ്ണ് 0 മുതൽ 20 സെന്റീമീറ്റർ വരെ ആഴത്തിൽ കൈയ്യിൽ പിടിക്കുന്ന ജിപിഎസ് ഉപകരണവും (Leica Zeno 5 ബാഗ്ഡ് ലെയ്‌ക സീനോ ആംപ്ലെസ് പാക്കേജ്) ഉപയോഗിച്ച് അളന്നു. ലബോറട്ടറിയിലേക്ക് അയച്ചു. പൊടിച്ച സാമ്പിളുകൾ നിർമ്മിക്കുന്നതിനായി സാമ്പിളുകൾ വായുവിൽ ഉണക്കി, ഒരു മെക്കാനിക്കൽ സിസ്റ്റം (ഫ്രിറ്റ്ഷ് ഡിസ്ക് മിൽ), അരിച്ചെടുക്കുക (അരിപ്പ വലിപ്പം 2 മി.മീ.) 1 ഗ്രാം ഉണക്കിയ, ഏകതാനമാക്കിയ, അരിച്ചെടുത്ത മണ്ണ് സാമ്പിളുകൾ 5% ടെഫ്ലോൺ കുപ്പികളിൽ 5% വീതം, 5 മില്ലി 3, ടെഫ്ലോൺ കുപ്പികളിൽ വയ്ക്കുക. % HNO3 (ഓട്ടോമാറ്റിക് ഡിസ്പെൻസറുപയോഗിച്ച് - ഓരോ ആസിഡിനും ഒന്ന്), ചെറുതായി മൂടി, സാമ്പിളുകൾ പ്രതികരണത്തിനായി ഒറ്റരാത്രികൊണ്ട് നിൽക്കാൻ അനുവദിക്കുക (അക്വാ റീജിയ പ്രോഗ്രാം). 50 മില്ലി ഡീയോണൈസ്ഡ് വെള്ളം. അതിനുശേഷം, ഡീയോണൈസ്ഡ് വെള്ളമുള്ള 50 മില്ലി പിവിസി ട്യൂബിലേക്ക് നേർപ്പിച്ച സൂപ്പർനാറ്റന്റ് ഫിൽട്ടർ ചെയ്യുക. കൂടാതെ, 1 മില്ലി ഡില്യൂഷൻ ലായനി 9 മില്ലി ഡീയോണൈസ്ഡ് വെള്ളത്തിൽ ലയിപ്പിച്ച് 12 മില്ലി ട്യൂബിലേക്ക് ഫിൽട്ടർ ചെയ്യുകയും PTE pseudo-concentration, Cdb, Cdb, C, Ca, Mg, K) ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) നിർണ്ണയിച്ചിരിക്കുന്നത് സ്റ്റാൻഡേർഡ് രീതികളും കരാറും അനുസരിച്ചാണ്. ക്വാളിറ്റി അഷ്വറൻസ് ആൻഡ് കൺട്രോൾ (QA/QC) നടപടിക്രമങ്ങൾ ഉറപ്പാക്കുക (എസ്ആർഎം എൻഐഎസ്‌ടി 2711a പഠനത്തിന്റെ പകുതിയിൽ നിന്ന് ഈ പരിമിതി കണ്ടെത്തിയിരിക്കുന്നു. ഈ പഠനത്തിൽ PTE ഉപയോഗിച്ചത് 0.0004 ആയിരുന്നു.(നിങ്ങൾ). കൂടാതെ, ഓരോ വിശകലനത്തിനും ഗുണനിലവാര നിയന്ത്രണവും ഗുണനിലവാര ഉറപ്പ് പ്രക്രിയയും റഫറൻസ് മാനദണ്ഡങ്ങൾ വിശകലനം ചെയ്തുകൊണ്ട് ഉറപ്പാക്കുന്നു. പിശകുകൾ ചെറുതാക്കിയെന്ന് ഉറപ്പാക്കാൻ, ഒരു ഇരട്ട വിശകലനം നടത്തി.
മണ്ണ് ശാസ്ത്രം പോലുള്ള വൈവിധ്യമാർന്ന മേഖലകളിൽ മോഡലിങ്ങിൽ ഉപയോഗിക്കുന്ന നിരവധി ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ ഇന്റർപോളേഷൻ ടെക്നിക്കുകളിൽ ഒന്നാണ് എംപിരിക്കൽ ബയേസിയൻ ക്രിഗിംഗ് (EBK) മതിയായ ക്രിഗിംഗ് രീതിയുടെ വളരെ സങ്കീർണ്ണമായ ഒരു ഭാഗം ഉൾക്കൊള്ളുന്ന സെമിവാരിയോഗ്രാമിന്റെ ഈ പ്ലോട്ടിംഗുമായി ബന്ധപ്പെട്ട അനിശ്ചിതത്വത്തിനും പ്രോഗ്രാമിംഗിനും വഴിയൊരുക്കുന്നു. ഇബികെയുടെ ഇന്റർപോളേഷൻ പ്രക്രിയ Krivoruchko50 നിർദ്ദേശിച്ച മൂന്ന് മാനദണ്ഡങ്ങൾ പിന്തുടരുന്നു, (a) മോഡൽ സെമിവാരിയോഗ്രാം കണക്കാക്കുന്നു ഇൻപുട്ട് ഡാറ്റാസെറ്റിൽ നിന്ന് (b) പുതിയ പ്രവചിച്ച ഡാറ്റാസെറ്റിന്റെ അടിസ്ഥാന മൂല്യം (ബി) ഒരു സിമുലേറ്റഡ് ഡാറ്റാസെറ്റിൽ നിന്ന് ഇട്ടത്. ബയേസിയൻ സമവാക്യ നിയമം ഒരു പിൻഗാമിയായി നൽകിയിരിക്കുന്നു
\(പ്രോബ്\ലെഫ്റ്റ്(എ\റൈറ്റ്)\) മുമ്പത്തെ പ്രതിനിധീകരിക്കുന്നിടത്ത്, \(പ്രോബ്\ലെഫ്റ്റ്(ബി\റൈറ്റ്)\) മാർജിനൽ പ്രോബബിലിറ്റി അവഗണിക്കപ്പെടുന്നു മിക്ക കേസുകളിലും, \(പ്രോബ് (ബി, എ)\ ) .സെമിവാരിയോഗ്രാം കണക്കുകൂട്ടൽ ബയേസിന്റെ നിയമത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, ഇത് ബാവേരിയുടെ സെമിയോഗ്രാമിന്റെ സെമിയോഗ്രാം മൂല്യത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. സെമിവാരിയോഗ്രാമിൽ നിന്ന് നിരീക്ഷണങ്ങളുടെ ഒരു ഡാറ്റാസെറ്റ് സൃഷ്ടിക്കാൻ എത്രത്തോളം സാധ്യതയുണ്ടെന്ന് ഇത് വ്യക്തമാക്കുന്നു.
സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ ഒരു മെഷീൻ ലേണിംഗ് അൽഗോരിതം ആണ്, അത് സമാനവും എന്നാൽ ലീനിയർ അല്ലാത്തതുമായ സ്വതന്ത്ര ക്ലാസുകളെ വേർതിരിച്ചറിയാൻ ഒപ്റ്റിമൽ വേർതിരിക്കുന്ന ഹൈപ്പർപ്ലെയ്ൻ സൃഷ്ടിക്കുന്നു.Vapnik51 ഇന്റന്റ് ക്ലാസിഫിക്കേഷൻ അൽഗോരിതം സൃഷ്ടിച്ചു, പക്ഷേ ഇത് ഈയിടെയായി റിഗ്രഷൻ-ഓറിയന്റഡ് പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഉപയോഗിച്ചിട്ടുണ്ട്. Li et al. ഈ വിശകലനത്തിൽ SVM (Support Vector Machine Regression - SVMR) ഘടകമാണ് ഉപയോഗിച്ചത്. Cherkassky ഉം Mulier53 ഉം SVMR-നെ ഒരു കേർണൽ അധിഷ്‌ഠിത റിഗ്രഷൻ എന്ന നിലയിൽ പയനിയർ ചെയ്തു, മൾട്ടി-കൺട്രി സ്പേഷ്യൽ ഫംഗ്‌ഷനുകളുള്ള ഒരു ലീനിയർ റിഗ്രഷൻ മോഡൽ ഉപയോഗിച്ചാണ് ഇതിന്റെ കണക്കുകൂട്ടൽ നടത്തിയത്. ന്റെ രേഖീയമല്ലാത്ത ബന്ധങ്ങളും സ്പേഷ്യൽ ഫംഗ്‌ഷനുകൾ അനുവദിക്കുന്നു.55, epsilon (ε)-SVMR ഒരു പ്രാതിനിധ്യ മോഡൽ ലഭിക്കുന്നതിന് ഒരു എപ്‌സിലോൺ-ഇൻസെൻസിറ്റീവ് ഫംഗ്‌ഷനായി ഉപയോഗിക്കുന്നു, അത് പരസ്പര ബന്ധമുള്ള ഡാറ്റയെക്കുറിച്ചുള്ള പരിശീലനത്തിൽ നിന്ന് മികച്ച എപ്‌സിലോൺ ബയസ് ഉപയോഗിച്ച് ഡാറ്റ സ്വതന്ത്രമായി മാപ്പ് ചെയ്യാൻ പ്രയോഗിക്കുന്നു. പ്രീസെറ്റ് ദൂര പിശക് യഥാർത്ഥ മൂല്യത്തിൽ നിന്ന് അവഗണിക്കപ്പെടും, കൂടാതെ ε. സപ്പോർട്ട് വെക്റ്ററുകളുടെ വിശാലമായ ഉപവിഭാഗം. Vapnik51 നിർദ്ദേശിച്ച സമവാക്യം താഴെ കാണിച്ചിരിക്കുന്നു.
ഇവിടെ b എന്നത് സ്കെയിലർ ത്രെഷോൾഡ് പ്രതിനിധീകരിക്കുന്നു, \(K\left({x}_{,}{ x}_{k}\right)\) എന്നത് കേർണൽ ഫംഗ്‌ഷനെ പ്രതിനിധീകരിക്കുന്നു, \(\alpha\) എന്നത് Lagrange ഗുണിതത്തെ പ്രതിനിധീകരിക്കുന്നു, N ഒരു സംഖ്യാ ഡാറ്റാസെറ്റിനെ പ്രതിനിധീകരിക്കുന്നു, \({x}_{k}\) എന്നത് ഒരു സംഖ്യാ ഡാറ്റാസെറ്റിനെ പ്രതിനിധീകരിക്കുന്നു, \({x}_{k}\) എന്നത് ഡാറ്റാ ഇൻപുട്ടിനെ പ്രതിനിധീകരിക്കുന്നു. ആർ ഓപ്പറേഷൻ, ഇത് ഒരു ഗാസിയൻ റേഡിയൽ ബേസ് ഫംഗ്‌ഷൻ (RBF) ആണ്. ഒപ്റ്റിമൽ SVMR മോഡൽ നിർണ്ണയിക്കാൻ RBF കേർണൽ പ്രയോഗിക്കുന്നു, PTE പരിശീലന ഡാറ്റയ്‌ക്കായി ഏറ്റവും സൂക്ഷ്മമായ പെനാൽറ്റി സെറ്റ് ഫാക്ടർ C, കേർണൽ പാരാമീറ്റർ ഗാമ (γ) എന്നിവ ലഭിക്കുന്നതിന് നിർണ്ണായകമാണ്. ആദ്യം, ഞങ്ങൾ പരിശീലന മോഡൽ മൂല്യം വിലയിരുത്തി, തുടർന്ന് ഉപയോഗിച്ച പരിശീലന മോഡൽ മൂല്യം പരിശോധിച്ചു. svmRadial.
ഒരു മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ മോഡൽ (MLR) ഒരു റിഗ്രഷൻ മോഡലാണ്, ഇത് ഏറ്റവും കുറഞ്ഞ ചതുര രീതി ഉപയോഗിച്ച് കണക്കാക്കിയ ലീനിയർ പൂൾ ചെയ്ത പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് പ്രതികരണ വേരിയബിളും നിരവധി പ്രെഡിക്റ്റർ വേരിയബിളുകളും തമ്മിലുള്ള ബന്ധത്തെ പ്രതിനിധീകരിക്കുന്നു. വിശദീകരണ വേരിയബിളുകളുമായുള്ള ഒരു രേഖീയ ബന്ധം. MLR സമവാക്യമാണ്
ഇവിടെ y എന്നത് പ്രതികരണ വേരിയബിൾ ആണ്, \(a\) എന്നത് ഇന്റർസെപ്റ്റ് ആണ്, n എന്നത് പ്രവചകരുടെ സംഖ്യയാണ്, \({b}_{1}\) എന്നത് ഗുണകങ്ങളുടെ ഭാഗിക റിഗ്രഷൻ ആണ്, \({x}_{ i}\) ഒരു പ്രവചന വേരിയബിളിനെയോ വിശദീകരണ വേരിയബിളിനെയോ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ \({\varepsilon }_{i}\) മോഡലിൽ അറിയപ്പെടുന്ന പിശകിനെ പ്രതിനിധീകരിക്കുന്നു.
SVMR, MLR എന്നിവ ഉപയോഗിച്ച് EBK സാൻഡ്‌വിച്ച് ചെയ്‌ത് മിക്സഡ് മോഡലുകൾ ലഭിച്ചു. ഇത് EBK ഇന്റർപോളേഷനിൽ നിന്ന് പ്രവചിച്ച മൂല്യങ്ങൾ എക്‌സ്‌ട്രാക്റ്റുചെയ്യുന്നതിലൂടെയാണ് ചെയ്യുന്നത്. ഇന്റർപോളേറ്റഡ് Ca, K, Mg എന്നിവയിൽ നിന്ന് ലഭിച്ച പ്രവചിച്ച മൂല്യങ്ങൾ പുതിയ വേരിയബിളുകൾ നേടുന്നതിനുള്ള ഒരു സംയോജിത പ്രക്രിയയിലൂടെയാണ് ലഭിക്കുന്നത്, അതായത് CaK, CaMg, പിന്നെ Ca MG, CaMg എന്നിങ്ങനെയുള്ള നാല് മൂലകങ്ങൾ സംയോജിപ്പിച്ച് Ca, CaMg. g. മൊത്തത്തിൽ, ലഭിച്ച വേരിയബിളുകൾ Ca, K, Mg, CaK, CaMg, KMg, CaKMg എന്നിവയാണ്. ഈ വേരിയബിളുകൾ ഞങ്ങളുടെ പ്രവചകരായി മാറി, നഗര, നഗര പ്രദേശങ്ങളിലെ മണ്ണിൽ നിക്കൽ സാന്ദ്രത പ്രവചിക്കാൻ സഹായിക്കുന്നു. എം).അതുപോലെ, എം‌എൽ‌ആർ അൽ‌ഗോരിതം വഴി വേരിയബിളുകളും പൈപ്പ് ചെയ്‌ത് ഒരു മിക്സഡ് മോഡൽ എംപിരിക്കൽ ബയേസിയൻ ക്രിഗിംഗ്-മൾട്ടിപ്പിൾ ലീനിയർ റിഗ്രഷൻ (EBK_MLR) നേടുന്നു. സാധാരണഗതിയിൽ, Ca, K, Mg, CaK, CaMg, KMg എന്നീ വേരിയബിളുകൾ covariban-ഉം മണ്ണിന്റെ ഉള്ളടക്കമായും ഉപയോഗിക്കുന്നു. ലഭിച്ച ഏറ്റവും സ്വീകാര്യമായ മോഡൽ (EBK_SVM അല്ലെങ്കിൽ EBK_MLR) പിന്നീട് ഒരു സ്വയം-ഓർഗനൈസിംഗ് ഗ്രാഫ് ഉപയോഗിച്ച് ദൃശ്യവൽക്കരിക്കും. ഈ പഠനത്തിന്റെ വർക്ക്ഫ്ലോ ചിത്രം 2 ൽ കാണിച്ചിരിക്കുന്നു.
സാമ്പത്തിക മേഖല, ആരോഗ്യ സംരക്ഷണം, വ്യവസായം, സ്ഥിതിവിവരക്കണക്കുകൾ, മണ്ണ് ശാസ്ത്രം, തുടങ്ങിയ മേഖലകളിലെ ഡാറ്റ സംഘടിപ്പിക്കുന്നതിനും വിലയിരുത്തുന്നതിനും പ്രവചിക്കുന്നതിനുമുള്ള ഒരു ജനപ്രിയ ഉപകരണമായി SeOM മാറിയിരിക്കുന്നു. കൃത്രിമ ന്യൂറൽ നെറ്റ്‌വർക്കുകളും മേൽനോട്ടമില്ലാത്ത പഠന രീതികളും ഉപയോഗിച്ച് ഓർഗനൈസേഷൻ, വിലയിരുത്തൽ, പ്രവചനം എന്നിവ ഉപയോഗിച്ചാണ് SeOM നിർമ്മിച്ചിരിക്കുന്നത്. .SeOM മൂല്യനിർണ്ണയത്തിൽ പ്രോസസ്സ് ചെയ്ത ഡാറ്റ n ഇൻപുട്ട്-ഡൈമൻഷണൽ വെക്റ്റർ വേരിയബിളുകളായി ഉപയോഗിക്കുന്നു43,56.Melssen et al.57 ഇൻപുട്ട് വെക്‌ടറിനെ ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിലേക്ക് ഒരൊറ്റ ഇൻപുട്ട് ലെയറിലൂടെ ഒരൊറ്റ വെയ്റ്റ് വെക്‌ടറുള്ള ഒരു ഔട്ട്‌പുട്ട് വെക്‌ടറിലേക്കുള്ള കണക്ഷൻ വിവരിക്കുന്നു. SeOM സൃഷ്‌ടിക്കുന്ന ഔട്ട്‌പുട്ട്, വിവിധ ന്യൂറോണുകളോ നോഡുകളോ ഉള്ള ഒരു ദ്വിമാന ഭൂപടമാണ്. പിശക് (TE), യഥാക്രമം 0.086, 0.904 ഉള്ള SeOM മോഡൽ തിരഞ്ഞെടുത്തു, ഇത് 55-മാപ്പ് യൂണിറ്റാണ് (5 × 11). അനുഭവ സമവാക്യത്തിലെ നോഡുകളുടെ എണ്ണം അനുസരിച്ച് ന്യൂറോൺ ഘടന നിർണ്ണയിക്കപ്പെടുന്നു.
ഈ പഠനത്തിൽ ഉപയോഗിച്ചിരിക്കുന്ന ഡാറ്റയുടെ എണ്ണം 115 സാമ്പിളുകളാണ്. ഡാറ്റയെ ടെസ്റ്റ് ഡാറ്റയായും (സാധുവാക്കലിന് 25%), പരിശീലന ഡാറ്റാ സെറ്റുകളായും (കാലിബ്രേഷനായി 75%) വിഭജിക്കാൻ ഒരു റാൻഡം സമീപനം ഉപയോഗിച്ചു. പരിശീലന ഡാറ്റാസെറ്റ് റിഗ്രഷൻ മോഡൽ (കാലിബ്രേഷൻ) സൃഷ്ടിക്കാൻ ഉപയോഗിക്കുന്നു, കൂടാതെ ടെസ്റ്റ് ഡാറ്റാസെറ്റ് ഉപയോഗിച്ച് വിവിധ മോഡലുകളുടെ സാമാന്യവൽക്കരണ കഴിവുകൾ പ്രവചിക്കാൻ ഉപയോഗിക്കുന്നു. പത്ത് മടങ്ങ് ക്രോസ്-വാലിഡേഷൻ പ്രക്രിയ, അഞ്ച് തവണ ആവർത്തിക്കുന്നു. ടാർഗെറ്റ് വേരിയബിൾ (PTE) പ്രവചിക്കാൻ EBK ഇന്റർപോളേഷൻ ഉൽപ്പാദിപ്പിക്കുന്ന വേരിയബിളുകൾ പ്രെഡിക്റ്ററുകളോ വിശദീകരണ വേരിയബിളുകളോ ആയി ഉപയോഗിക്കുന്നു. ലൈബ്രറി(Kohonen), ലൈബ്രറി(caret), ലൈബ്രറി(മോഡലർ 10), ലൈബ്രറി("107), ലൈബ്രറി("107), ലൈബ്രറി("107) ലൈബ്രറി("107) എന്ന പാക്കേജ് ഉപയോഗിച്ചാണ് RStudio മോഡലിംഗ് കൈകാര്യം ചെയ്യുന്നത്. ടൂളുകൾ"), ലൈബ്രറി("പ്രോസ്പെക്ടർ"), ലൈബ്രറികൾ ("മെട്രിക്സ്").
മണ്ണിലെ നിക്കൽ സാന്ദ്രത പ്രവചിക്കുന്നതിനും മോഡലിന്റെ കൃത്യതയും അതിന്റെ മൂല്യനിർണ്ണയത്തിനും അനുയോജ്യമായ ഏറ്റവും മികച്ച മോഡൽ നിർണ്ണയിക്കാൻ വിവിധ മൂല്യനിർണ്ണയ പാരാമീറ്ററുകൾ ഉപയോഗിച്ചു. ശരാശരി സമ്പൂർണ്ണ പിശക് (MAE), റൂട്ട് ശരാശരി സ്ക്വയർ പിശക് (RMSE), R- സ്ക്വയർ അല്ലെങ്കിൽ കോഫിഫിഷ്യന്റ് ഡിറ്റർമിനേഷൻ (R2) എന്നിവ ഉപയോഗിച്ച് ഹൈബ്രിഡൈസേഷൻ മോഡലുകൾ വിലയിരുത്തി. സ്വതന്ത്ര അളവുകളിൽ SE, വേരിയൻസ് മാഗ്നിറ്റ്യൂഡ് എന്നിവ മോഡലിന്റെ പ്രവചന ശക്തിയെ വിവരിക്കുന്നു, അതേസമയം MAE യഥാർത്ഥ ക്വാണ്ടിറ്റേറ്റീവ് മൂല്യം നിർണ്ണയിക്കുന്നു. മൂല്യനിർണ്ണയ പാരാമീറ്ററുകൾ ഉപയോഗിച്ച് മികച്ച മിശ്രിത മോഡൽ വിലയിരുത്തുന്നതിന് R2 മൂല്യം ഉയർന്നതായിരിക്കണം, മൂല്യം 1 ലേക്ക് അടുക്കുമ്പോൾ, കൃത്യത കൂടുതലാണ്. Li et al പ്രകാരം.59, 0.75 അല്ലെങ്കിൽ അതിൽ കൂടുതലുള്ള R2 മാനദണ്ഡ മൂല്യം ഒരു നല്ല പ്രവചനമായി കണക്കാക്കപ്പെടുന്നു;0.5 മുതൽ 0.75 വരെ സ്വീകാര്യമായ മോഡൽ പ്രകടനമാണ്, കൂടാതെ 0.5 ന് താഴെയുള്ളത് അസ്വീകാര്യമായ മോഡൽ പ്രകടനമാണ്. RMSE, MAE മൂല്യനിർണ്ണയ മാനദണ്ഡങ്ങൾ ഉപയോഗിച്ച് ഒരു മോഡൽ തിരഞ്ഞെടുക്കുമ്പോൾ, ലഭിച്ച കുറഞ്ഞ മൂല്യങ്ങൾ മതിയാകും, അവ മികച്ച ചോയിസായി കണക്കാക്കപ്പെട്ടു. ഇനിപ്പറയുന്ന സമവാക്യം സ്ഥിരീകരണ രീതിയെ വിവരിക്കുന്നു.
ഇവിടെ n എന്നത് നിരീക്ഷിച്ച മൂല്യത്തിന്റെ വലുപ്പത്തെ പ്രതിനിധീകരിക്കുന്നു\({Y}_{i}\) അളന്ന പ്രതികരണത്തെ പ്രതിനിധീകരിക്കുന്നു, കൂടാതെ \({\widehat{Y}}_{i}\) പ്രവചിച്ച പ്രതികരണ മൂല്യത്തെയും പ്രതിനിധീകരിക്കുന്നു, അതിനാൽ, ആദ്യ i നിരീക്ഷണങ്ങൾക്ക്.
പ്രവചന വേരിയബിളുകളുടെയും പ്രതികരണ വേരിയബിളുകളുടെയും സ്ഥിതിവിവരക്കണക്കുകൾ പട്ടിക 1-ൽ അവതരിപ്പിച്ചിരിക്കുന്നു, ശരാശരി, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ (SD), കോഫിഫിഷ്യന്റ് ഓഫ് വേരിയേഷൻ (CV), മിനിമം, മാക്സിമം, kurtosis, skewness എന്നിവ കാണിക്കുന്നു. മൂലകങ്ങളുടെ ഏറ്റവും കുറഞ്ഞതും കൂടിയതുമായ മൂല്യങ്ങൾ Mg < Ca < K < Ni, Ca < Mg < K < Ni, പ്രതികരണത്തിന്റെ വ്യാപ്തിയിൽ നിന്ന് യഥാക്രമം Mg < Ca < K < Ni, Ca < Mg < K < നി എന്നിവയുടെ ക്രമത്തിലാണ്. 4.86 മുതൽ 42.39 mg/kg വരെ. Ni-യെ ലോക ശരാശരി (29 mg/kg), യൂറോപ്യൻ ശരാശരി (37 mg/kg) എന്നിവയുമായി താരതമ്യം ചെയ്യുമ്പോൾ പഠനമേഖലയുടെ മൊത്തത്തിലുള്ള കണക്കാക്കിയ ജ്യാമിതീയ ശരാശരി സഹിക്കാവുന്ന പരിധിക്കുള്ളിലാണെന്ന് കാണിക്കുന്നു. നിലവിലെ ശരാശരി നിക്കലിന്റെ സാന്ദ്രത കൂടുതലാണ്. അതുപോലെ, നിലവിലെ പഠനത്തിൽ നഗരപ്രദേശങ്ങളിലും നഗരപ്രദേശങ്ങളിലും ഉള്ള മണ്ണിൽ Frydek Mistek ന്റെ ശരാശരി സാന്ദ്രത (Ni 16.15 mg/kg) പോളിഷ് നഗര മണ്ണിൽ നിക്ക് അനുവദനീയമായ 60 (10.2 mg/kg) എന്നതിനേക്കാൾ കൂടുതലാണ്. നിലവിലുള്ള പഠനത്തെ അപേക്ഷിച്ച് ടസ്കനിയിലെ നഗര മണ്ണിൽ Ni സാന്ദ്രത വളരെ കുറവാണ് (1.78 mg/kg). ജർമ്മനിയിലെ സാക്‌സോണി-അൻഹാൾട്ടിലെ നഗര വ്യാവസായിക മേഖല, പ്രദേശത്തെ ശരാശരി Ni സാന്ദ്രതയേക്കാൾ 1.45 mg/kg കൂടുതലാണ് (16.15 mg/kg). നിലവിലെ ഗവേഷണം. പഠനമേഖലയിലെ ചില നഗര, സബർബൻ പ്രദേശങ്ങളിലെ മണ്ണിലെ അമിതമായ നിക്കലിന്റെ ഉള്ളടക്കം പ്രധാനമായും ഇരുമ്പ്, ഉരുക്ക് വ്യവസായം എന്നിവയുമായി ബന്ധപ്പെട്ടതാണ്.64, ഉരുക്ക് വ്യവസായവും ലോഹനിർമ്മാണവുമാണ് മണ്ണിലെ നിക്കൽ മലിനീകരണത്തിന്റെ പ്രധാന സ്രോതസ്സുകൾ. എന്നിരുന്നാലും, പ്രവചകർ 538.70 mg/kg മുതൽ 69,161.80 mg/kg വരെയും Ca-യ്‌ക്ക് 497.51 mg/kg മുതൽ 3535.68 mg/kg വരെ, 5kg/8kg/8kg/5k Mg.Jakovljevic et al.65 സെൻട്രൽ സെർബിയയിലെ മണ്ണിന്റെ മൊത്തത്തിലുള്ള Mg, K ഉള്ളടക്കം പരിശോധിച്ചു. മൊത്തം സാന്ദ്രത (യഥാക്രമം 410 mg/kg, 400 mg/kg) നിലവിലെ പഠനത്തിന്റെ Mg, K എന്നിവയേക്കാൾ കുറവാണെന്ന് അവർ കണ്ടെത്തി. കിഴക്കൻ പോളണ്ടിൽ, Orzechowski and Smolczyng ന്റെ ശരാശരി സാന്ദ്രത കാണിക്കുന്നു. 1100 mg/kg), Mg (590 mg/kg), K (810 mg/kg) മേൽമണ്ണിലെ ഉള്ളടക്കം ഈ പഠനത്തിലെ ഒരൊറ്റ മൂലകത്തേക്കാൾ കുറവാണ്.യുകെയിലെ സ്കോട്ട്‌ലൻഡിലെ 3 വ്യത്യസ്ത മണ്ണിൽ (മൈൽനെഫീൽഡ് മണ്ണ്, ബാൽറൂഡറി മണ്ണ്, ഹാർട്ട്‌വുഡ് മണ്ണ്) വിശകലനം ചെയ്ത മൊത്തം Ca ഉള്ളടക്കം ഈ പഠനത്തിൽ ഉയർന്ന Ca ഉള്ളടക്കം സൂചിപ്പിച്ചതായി 67 കാണിച്ചു.
സാമ്പിൾ ചെയ്ത മൂലകങ്ങളുടെ വ്യത്യസ്ത അളന്ന സാന്ദ്രതകൾ കാരണം, മൂലകങ്ങളുടെ ഡാറ്റാ സെറ്റ് വിതരണങ്ങൾ വ്യത്യസ്തമായ ചാഞ്ചാട്ടം കാണിക്കുന്നു. മൂലകങ്ങളുടെ ചരിഞ്ഞതും കുർട്ടോസിസും യഥാക്രമം 1.53 മുതൽ 7.24 വരെയും 2.49 മുതൽ 54.16 വരെയും ആണ്. കണക്കാക്കിയ എല്ലാ മൂലകങ്ങൾക്കും വ്യത്യസ്‌തതയും കുർട്ടോസിസ് ലെവലും ഉണ്ട്. .മൂലകങ്ങളുടെ കണക്കാക്കിയ CV-കൾ K, Mg, Ni എന്നിവ മിതമായ വ്യതിയാനം കാണിക്കുന്നു, അതേസമയം Ca വളരെ ഉയർന്ന വ്യതിയാനം കാണിക്കുന്നു. K, Ni, Mg എന്നിവയുടെ CV-കൾ അവയുടെ ഏകീകൃത വിതരണത്തെ വിശദീകരിക്കുന്നു. കൂടാതെ, Ca വിതരണം ഏകീകൃതമല്ലാത്തതിനാൽ ബാഹ്യ ഉറവിടങ്ങൾ അതിന്റെ സമ്പുഷ്ടീകരണ നിലയെ ബാധിച്ചേക്കാം.
പ്രതികരണ ഘടകങ്ങളുമായി പ്രെഡിക്റ്റർ വേരിയബിളുകളുടെ പരസ്പരബന്ധം മൂലകങ്ങൾ തമ്മിലുള്ള തൃപ്തികരമായ പരസ്പര ബന്ധത്തെ സൂചിപ്പിക്കുന്നു (ചിത്രം 3 കാണുക). CaNi പോലെ r മൂല്യം = 0.53 മായി CaK മിതമായ പരസ്പരബന്ധം പ്രകടിപ്പിച്ചതായി പരസ്പരബന്ധം സൂചിപ്പിക്കുന്നു. Ca, K എന്നിവ പരസ്പരം മിതമായ ബന്ധങ്ങൾ കാണിക്കുന്നുണ്ടെങ്കിലും, കിംഗ്സ്ടൺ ഗവേഷകർ.68, Santo69 എന്നിവ മണ്ണിലെ അവയുടെ അളവ് വിപരീത അനുപാതത്തിലാണെന്ന് സൂചിപ്പിക്കുന്നു. എന്നിരുന്നാലും, Ca, Mg എന്നിവ K യുമായി വിരുദ്ധമാണ്, എന്നാൽ CaK നന്നായി ബന്ധപ്പെട്ടിരിക്കുന്നു. പൊട്ടാസ്യം കാർബണേറ്റ് പോലുള്ള രാസവളങ്ങളുടെ പ്രയോഗം ഇതിന് കാരണമാകാം, ഇത് പൊട്ടാസ്യത്തിൽ 56% കൂടുതലാണ്. കാരണം, പൊട്ടാസ്യം മഗ്നീഷ്യം സൾഫേറ്റ്, പൊട്ടാസ്യം മഗ്നീഷ്യം നൈട്രേറ്റ്, പൊട്ടാഷ് എന്നിവ മണ്ണിൽ അവയുടെ കുറവ് വർദ്ധിപ്പിക്കുന്നതിന് പ്രയോഗിക്കുന്നു. നിക്കൽ Ca, K, Mg എന്നിവയുമായി മിതമായ രീതിയിൽ 0.52, 0.63, 0.55 എന്നിങ്ങനെ r മൂല്യങ്ങളുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു. മഗ്നീഷ്യം കാൽസ്യം ആഗിരണം ചെയ്യുന്നതിനെ തടയുന്നു, കാൽസ്യം അധിക മഗ്നീഷ്യത്തിന്റെ ഫലങ്ങൾ കുറയ്ക്കുന്നു, മഗ്നീഷ്യം, കാൽസ്യം എന്നിവ മണ്ണിൽ നിക്കലിന്റെ വിഷാംശം കുറയ്ക്കുന്നു.
പ്രവചകരും പ്രതികരണങ്ങളും തമ്മിലുള്ള ബന്ധം കാണിക്കുന്ന മൂലകങ്ങൾക്കായുള്ള കോറിലേഷൻ മാട്രിക്സ് (ശ്രദ്ധിക്കുക: ഈ കണക്കിൽ ഘടകങ്ങൾ തമ്മിലുള്ള സ്കാറ്റർപ്ലോട്ട് ഉൾപ്പെടുന്നു, പ്രാധാന്യം ലെവലുകൾ p <0,001 അടിസ്ഥാനമാക്കിയുള്ളതാണ്).
മൂലകങ്ങളുടെ സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ ചിത്രം 4 വ്യക്തമാക്കുന്നു. Burgos et al70 അനുസരിച്ച്, മലിനമായ പ്രദേശങ്ങളിലെ ഹോട്ട് സ്പോട്ടുകൾ കണക്കാക്കാനും ഹൈലൈറ്റ് ചെയ്യാനും ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികതയാണ് സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ. ഭൂപടത്തിന്റെ വടക്കുപടിഞ്ഞാറ് ഭാഗത്ത് മണ്ണിന്റെ അസിഡിറ്റി കുറയ്ക്കാൻ ക്വിക്ക്ലൈം (കാൽസ്യം ഓക്സൈഡ്) ഉപയോഗിക്കുന്നതും ഉരുക്ക് നിർമ്മാണ പ്രക്രിയയിൽ ആൽക്കലൈൻ ഓക്സിജനായി സ്റ്റീൽ മില്ലുകളിൽ ഉപയോഗിക്കുന്നതും കാരണമാകാം. മറുവശത്ത്, മറ്റ് കർഷകർ അമ്ല മണ്ണിൽ കാൽസ്യം ഹൈഡ്രോക്സൈഡ് ഉപയോഗിക്കുന്നത് pH നിർവീര്യമാക്കാൻ ഇഷ്ടപ്പെടുന്നു. വടക്കുപടിഞ്ഞാറ് ഒരു പ്രധാന കാർഷിക സമൂഹമാണ്, കൂടാതെ പൊട്ടാസ്യത്തിന്റെ മിതമായ-ഉയർന്ന പാറ്റേൺ NPK, പൊട്ടാഷ് പ്രയോഗങ്ങൾ മൂലമാകാം. ഇത് മറ്റ് പഠനങ്ങളുമായി പൊരുത്തപ്പെടുന്നു, മദ്രാസ്, ലിപാവ്സ്കി72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75,വിതരണ ഭൂപടത്തിന്റെ വടക്ക് പടിഞ്ഞാറ് ഭാഗത്ത് സ്പേഷ്യൽ പൊട്ടാസ്യം സമ്പുഷ്ടമാക്കുന്നത് പൊട്ടാസ്യം അധിഷ്ഠിത വളങ്ങളായ പൊട്ടാസ്യം ക്ലോറൈഡ്, പൊട്ടാസ്യം സൾഫേറ്റ്, പൊട്ടാസ്യം നൈട്രേറ്റ്, പൊട്ടാഷ്, പൊട്ടാഷ് എന്നിവയുടെ ഉപയോഗം മോശമായ മണ്ണിൽ പൊട്ടാസ്യത്തിന്റെ അളവ് വർദ്ധിപ്പിക്കുന്നതിന് കാരണമാകാം.Zádorová et al.76, Tlustoš et al.77 കെ അധിഷ്ഠിത വളങ്ങളുടെ പ്രയോഗം മണ്ണിലെ കെയുടെ അളവ് വർദ്ധിപ്പിക്കുകയും ദീർഘകാലാടിസ്ഥാനത്തിൽ മണ്ണിലെ പോഷകങ്ങളുടെ അളവ് ഗണ്യമായി വർദ്ധിപ്പിക്കുകയും ചെയ്യും, പ്രത്യേകിച്ച് കെ, എംജി എന്നിവ മണ്ണിൽ ചൂടുള്ള സ്ഥലങ്ങൾ കാണിക്കുന്നു. ഭൂപടത്തിന്റെ വടക്കുപടിഞ്ഞാറും ഭൂപടത്തിന്റെ തെക്കുകിഴക്കും താരതമ്യേന മിതമായ ഹോട്ട്സ്പോട്ടുകൾ. പൊട്ടാസ്യം മഗ്നീഷ്യം സൾഫേറ്റ്, മഗ്നീഷ്യം സൾഫേറ്റ്, കീസെറൈറ്റ് തുടങ്ങിയ മഗ്നീഷ്യം അടിസ്ഥാനമാക്കിയുള്ള രാസവളങ്ങൾ, സാധാരണ പിഎച്ച് പരിധിയുള്ള മണ്ണിലെ കുറവുകൾ (സസ്യങ്ങൾ ധൂമ്രനൂൽ, ചുവപ്പ് അല്ലെങ്കിൽ തവിട്ട് നിറങ്ങളിൽ കാണപ്പെടുന്നു, മഗ്നീഷ്യം കുറവ് സൂചിപ്പിക്കുന്നു) പരിഹരിക്കുന്നു. എൽ സ്റ്റെയിൻലെസ് സ്റ്റീൽ ഉത്പാദനം78.
മൂലകങ്ങളുടെ സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ [സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ മാപ്പ് സൃഷ്ടിച്ചത് ArcGIS ഡെസ്ക്ടോപ്പ് (ESRI, Inc, പതിപ്പ് 10.7, URL: https://desktop.arcgis.com) ഉപയോഗിച്ചാണ്.]
ഈ പഠനത്തിൽ ഉപയോഗിച്ച മൂലകങ്ങളുടെ മാതൃകാ പ്രകടന സൂചിക ഫലങ്ങൾ പട്ടിക 2-ൽ കാണിച്ചിരിക്കുന്നു. മറുവശത്ത്, Ni-യുടെ RMSE, MAE എന്നിവ പൂജ്യത്തിന് അടുത്താണ് (0.86 RMSE, -0.08 MAE). മറുവശത്ത്, RMSE, MAE എന്നീ രണ്ട് മൂല്യങ്ങളും KM സ്വീകാര്യമാണ്. വ്യത്യസ്ത ഡാറ്റാസെറ്റുകൾ കാരണം r. നി പ്രവചിക്കാൻ EBK ഉപയോഗിച്ചുള്ള ഈ പഠനത്തിന്റെ RMSE, MAE എന്നിവ ജോൺ മറ്റുള്ളവരുടെ ഫലങ്ങളേക്കാൾ മികച്ചതാണെന്ന് കണ്ടെത്തി.54 ശേഖരിച്ച അതേ ഡാറ്റ ഉപയോഗിച്ച് മണ്ണിലെ എസ് സാന്ദ്രത പ്രവചിക്കാൻ സിനർജിസ്റ്റിക് ക്രിഗിംഗ് ഉപയോഗിക്കുന്നു. ഞങ്ങൾ പഠിച്ച EBK ഔട്ട്പുട്ടുകൾ ഫാബിജാസിക്ക് മറ്റുള്ളവരുടേതുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.41, യാൻ തുടങ്ങിയവർ.79, ബെഗ്വിൻ et al.80, അധികാരി et al.81, ജോൺ തുടങ്ങിയവർ.82, പ്രത്യേകിച്ച് കെ, നി.
നഗരപ്രദേശങ്ങളിലും നഗരപ്രദേശങ്ങളിലും ഉള്ള മണ്ണിൽ നിക്കൽ ഉള്ളടക്കം പ്രവചിക്കുന്നതിനുള്ള വ്യക്തിഗത രീതികളുടെ പ്രകടനം മോഡലുകളുടെ പ്രകടനം (പട്ടിക 3) ഉപയോഗിച്ച് വിലയിരുത്തി. മോഡൽ മൂല്യനിർണ്ണയവും കൃത്യത വിലയിരുത്തലും EBK SVMR മോഡലുമായി സംയോജിപ്പിച്ച് Ca_Mg_K പ്രവചനം മികച്ച പ്രകടനമാണ് നൽകിയതെന്ന് സ്ഥിരീകരിച്ചു. കാലിബ്രേഷൻ മോഡൽ Ca_Mg_K (MAE) 0.637 (R2), 95.479 mg/kg (RMSE), 77.368 mg/kg (MAE) Ca_Mg_K-SVMR എന്നത് 0.663 (R2), 235.974 mg/kg (RMSE), 166.974 mg/kg (RMSE), 166.946 mg N മൂല്യം Ca K-SVMR (0.663 mg/kg R2), Ca_Mg-EBK_SVMR (0.643 = R2);അവരുടെ RMSE, MAE ഫലങ്ങൾ Ca_Mg_K-EBK_SVMR (R2 0.637) നേക്കാൾ ഉയർന്നതാണ് (പട്ടിക 3 കാണുക).കൂടാതെ, Ca_Mg-EBK_SVMR ന്റെ RMSE, MAE എന്നിവ (RMSE = 1664.64, MAE = 1035 എന്നിവയേക്കാൾ വലുതാണ്, 1.3.4. 1031 മോഡലുകളേക്കാൾ വലുതാണ്). Ca_Mg_K-EBK_SVMR. അതുപോലെ, Ca_Mg-K SVMR-ന്റെ RMSE, MAE (RMSE = 235.974, MAE = 166.946) മോഡലുകൾ 2.5 ഉം 2.2 ഉം ആണ് Ca_Mg_SEK-EBK-ന്റെ ഫലങ്ങൾ യഥാക്രമം RSV_EBK-യെക്കാൾ എത്ര വലുതാണ് എന്ന് സൂചിപ്പിക്കുന്നു. കേന്ദ്രീകൃത ഡാറ്റാ സെറ്റ് മികച്ച ഫിറ്റ് ലൈനിലാണ്. ഉയർന്ന RSME, MAE എന്നിവ നിരീക്ഷിച്ചു. Kebonye et al.46, ജോൺ തുടങ്ങിയവർ.54, RMSE, MAE എന്നിവ പൂജ്യത്തോട് അടുക്കുന്തോറും മികച്ച ഫലങ്ങൾ ലഭിക്കും. SVMR, EBK_SVMR എന്നിവയ്ക്ക് ഉയർന്ന അളവിലുള്ള RSME, MAE മൂല്യങ്ങളുണ്ട്. RSME എസ്റ്റിമേറ്റുകൾ MAE മൂല്യങ്ങളേക്കാൾ സ്ഥിരമായി ഉയർന്നതാണെന്ന് നിരീക്ഷിച്ചു, ഇത് ഔട്ട്‌ലയറുകളുടെ സാന്നിധ്യം സൂചിപ്പിക്കുന്നു. E) ഔട്ട്‌ലയറുകളുടെ സാന്നിധ്യത്തിന്റെ സൂചകമായി ശുപാർശ ചെയ്യുന്നു. ഡാറ്റാസെറ്റ് കൂടുതൽ വൈവിധ്യമാർന്നതാകുമ്പോൾ, MAE, RMSE മൂല്യങ്ങൾ കൂടുതലാണെന്നാണ് ഇതിനർത്ഥം. നഗര, സബർബൻ മണ്ണിൽ Ni ഉള്ളടക്കം പ്രവചിക്കുന്നതിനുള്ള Ca_Mg_K-EBK_SVMR മിക്സഡ് മോഡലിന്റെ ക്രോസ്-വാലിഡേഷൻ മൂല്യനിർണ്ണയത്തിന്റെ കൃത്യത 63.70% ആണ്.59, ഈ ലെവൽ കൃത്യത സ്വീകാര്യമായ മോഡൽ പ്രകടന നിരക്കാണ്. ഇപ്പോഴത്തെ ഫലങ്ങൾ താരസോവ് മറ്റുള്ളവരുടെ മുൻ പഠനവുമായി താരതമ്യം ചെയ്യുന്നു.നിലവിലെ പഠനത്തിൽ റിപ്പോർട്ട് ചെയ്തിട്ടുള്ള EBK_SVMR കൃത്യത മൂല്യനിർണ്ണയ സൂചികയുമായി ബന്ധപ്പെട്ട MLPRK (മൾട്ടിലെയർ പെർസെപ്‌ട്രോൺ റെസിഡ്യൂവൽ ക്രിഗിംഗ്) സൃഷ്ടിച്ച ഹൈബ്രിഡ് മോഡൽ, RMSE (210), The MAE (167.5) എന്നിവ നിലവിലെ പഠനത്തിലെ (RMSE 7.8.6.2.7.7.85 എന്ന താരതമ്യം ചെയ്യുമ്പോൾ) ഉയർന്നതാണ്. നിലവിലെ പഠനത്തിന്റെ 2 (0.637) താരസോവ് മറ്റുള്ളവരുടെ പഠനത്തോടൊപ്പം.36 (0.544), ഈ മിക്സഡ് മോഡലിൽ ഡിറ്റർമിനേഷൻ കോഫിഫിഷ്യന്റ് (R2) കൂടുതലാണെന്ന് വ്യക്തമാണ്. മിക്സഡ് മോഡലിന് പിഴവ് (RMSE, MAE) (EBK SVMR) രണ്ട് മടങ്ങ് കുറവാണ്. അതുപോലെ, സെർജീവ് et al.34 0.28 (R2) രേഖപ്പെടുത്തിയിട്ടുണ്ട്. 0.637 (R2) രേഖപ്പെടുത്തി. ഈ മോഡലിന്റെ (EBK SVMR) പ്രവചന കൃത്യത 63.7% ആണ്, അതേസമയം സെർജിയേവ് മറ്റുള്ളവരും പ്രവചന കൃത്യതയും നേടിയിട്ടുണ്ട്.34 28% ആണ്. EBK_SVMR മോഡലും Ca_Mg_K എന്ന മോഡലും ഉപയോഗിച്ച് സൃഷ്ടിച്ച അന്തിമ ഭൂപടം (ചിത്രം 5) ഹോട്ട് സ്പോട്ടുകളുടെ പ്രവചനങ്ങൾ കാണിക്കുന്നു, പഠനമേഖലയിലെ മുഴുവൻ നിക്കലിലും നിക്കലിന്റെ സാന്ദ്രീകരണം പ്രധാനമായും മിതമായതാണ്, ചില പ്രത്യേക മേഖലകളിൽ ഉയർന്ന സാന്ദ്രതയുണ്ട്.
ഹൈബ്രിഡ് മോഡൽ EBK_SVMR ഉപയോഗിച്ചും Ca_Mg_K പ്രെഡിക്ടറായി ഉപയോഗിച്ചും അന്തിമ പ്രവചന ഭൂപടം പ്രതിനിധീകരിക്കുന്നു.
ചിത്രം 6-ൽ അവതരിപ്പിച്ചിരിക്കുന്നത് വ്യക്തിഗത ന്യൂറോണുകൾ അടങ്ങുന്ന ഒരു കോമ്പോസിഷൻ പ്ലെയിൻ എന്ന നിലയിൽ PTE കോൺസൺട്രേഷനുകളാണ്. ഘടക പ്ലെയിനുകളൊന്നും കാണിച്ചിരിക്കുന്നതുപോലെ ഒരേ വർണ്ണ പാറ്റേൺ പ്രദർശിപ്പിച്ചിട്ടില്ല. എന്നിരുന്നാലും, വരച്ച ഭൂപടത്തിന് അനുയോജ്യമായ ന്യൂറോണുകളുടെ എണ്ണം 55 ആണ്.SeOM വിവിധ നിറങ്ങൾ ഉപയോഗിച്ചാണ് നിർമ്മിക്കുന്നത്. Mg) സിംഗിൾ ഹൈ ന്യൂറോണുകൾക്കും ഏറ്റവും താഴ്ന്ന ന്യൂറോണുകൾക്കും സമാനമായ വർണ്ണ പാറ്റേണുകൾ കാണിച്ചു. അങ്ങനെ, CaK, CaMg എന്നിവ വളരെ ഉയർന്ന-ഓർഡർ ന്യൂറോണുകളുമായും താഴ്ന്ന-മിതമായ വർണ്ണ പാറ്റേണുകളുമായും ചില സമാനതകൾ പങ്കിടുന്നു. രണ്ട് മോഡലുകളും മണ്ണിൽ Ni യുടെ സാന്ദ്രത പ്രവചിക്കുന്നു താഴ്ന്നത് മുതൽ ഉയർന്നത് വരെയുള്ള കൃത്യമായ വർണ്ണ സ്കെയിൽ, മോഡലിന്റെ ഘടകങ്ങളുടെ പ്ലാനർ ഡിസ്ട്രിബ്യൂഷൻ പാറ്റേൺ, മണ്ണിലെ നിക്കലിന്റെ സാദ്ധ്യതയുള്ള സാന്ദ്രതയെ സൂചിപ്പിക്കുന്ന ഉയർന്ന വർണ്ണ പാറ്റേൺ കാണിച്ചു (ചിത്രം 4 കാണുക). ure 5. രണ്ട് ഗ്രാഫുകളും നഗര, നഗരാന്തര മണ്ണിൽ നിക്കൽ സാന്ദ്രതയുടെ ഉയർന്ന, ഇടത്തരം, താഴ്ന്ന അനുപാതങ്ങൾ കാണിക്കുന്നു. മാപ്പിലെ k-അർത്ഥം ഗ്രൂപ്പിംഗിലെ കോണ്ടൂർ രീതി ചിത്രം 7 ചിത്രീകരിക്കുന്നു, ഓരോ മോഡലിലും പ്രവചിച്ച മൂല്യത്തെ അടിസ്ഥാനമാക്കി മൂന്ന് ക്ലസ്റ്ററുകളായി തിരിച്ചിരിക്കുന്നു. 74.ക്ലസ്റ്റർ 2 ന് 33 സാമ്പിളുകൾ ലഭിച്ചു, അതേസമയം ക്ലസ്റ്റർ 3 ന് 8 സാമ്പിളുകൾ ലഭിച്ചു. ശരിയായ ക്ലസ്റ്റർ വ്യാഖ്യാനം അനുവദിക്കുന്നതിനായി ഏഴ് ഘടകങ്ങളുള്ള പ്ലാനർ പ്രെഡിക്റ്റർ കോമ്പിനേഷൻ ലളിതമാക്കി. മണ്ണിന്റെ രൂപീകരണത്തെ ബാധിക്കുന്ന നിരവധി നരവംശപരവും പ്രകൃതിദത്തവുമായ പ്രക്രിയകൾ കാരണം, വിതരണം ചെയ്ത SeOM ഭൂപടത്തിൽ ക്ലസ്റ്റർ പാറ്റേണുകൾ ശരിയായി വേർതിരിച്ചെടുക്കാൻ പ്രയാസമാണ്.
ഓരോ എംപിരിക്കൽ ബയേസിയൻ ക്രിഗിംഗ് സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (EBK_SVM_SeOM) വേരിയബിളിലൂടെയുള്ള ഘടക പ്ലെയിൻ ഔട്ട്പുട്ട്.[SeOM മാപ്പുകൾ സൃഷ്ടിച്ചത് RStudio ഉപയോഗിച്ചാണ് (പതിപ്പ് 1.4.1717: https://www.rstudio.com/).]
വ്യത്യസ്ത ക്ലസ്റ്റർ വർഗ്ഗീകരണ ഘടകങ്ങൾ [SeOM മാപ്പുകൾ സൃഷ്ടിച്ചത് RStudio ഉപയോഗിച്ചാണ് (പതിപ്പ് 1.4.1717: https://www.rstudio.com/).]
നിലവിലെ പഠനം നഗരപ്രദേശങ്ങളിലും നഗരപ്രദേശങ്ങളിലുമുള്ള മണ്ണിൽ നിക്കൽ സാന്ദ്രതയ്ക്കുള്ള മോഡലിംഗ് ടെക്നിക്കുകൾ വ്യക്തമായി ചിത്രീകരിക്കുന്നു. മണ്ണ്. എന്നിരുന്നാലും, സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ മാപ്പ് EBK_SVMR പ്രദർശിപ്പിച്ചിരിക്കുന്ന ഘടകങ്ങളുടെ പ്ലാനർ സ്പേഷ്യൽ ഡിസ്ട്രിബ്യൂഷൻ സ്ഥിരീകരിക്കുന്നു (ചിത്രം 5 കാണുക). സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ റിഗ്രഷൻ മോഡൽ (Ca Mg K-SVMR) മണ്ണിൽ Ni യുടെ ഏകാഗ്രത ഒറ്റ മോഡലായി പ്രവചിക്കുന്നതായി ഫലങ്ങൾ കാണിക്കുന്നു. മറുവശത്ത്, EBK_MLR മോഡൽ ഉപയോഗിച്ചിരിക്കുന്ന മോഡലിംഗ് ടെക്നിക്കിനും കോഫിഫിഷ്യന്റ് ഓഫ് ഡിറ്റർമിനേഷൻ (R2) ന്റെ കുറഞ്ഞ മൂല്യം കാരണം പിഴവുണ്ട്. EBK SVMR, 63.7% കൃത്യതയോടെ കുറഞ്ഞ RMSE, MAE പിശകുകളുള്ള സംയുക്ത ഘടകങ്ങൾ (CaKMg) എന്നിവ ഉപയോഗിച്ച് നല്ല ഫലങ്ങൾ ലഭിച്ചു. മണ്ണിലെ PTE കളുടെ സാന്ദ്രത പ്രവചിക്കാൻ കഴിയുന്ന ഒരു ഹൈബ്രിഡ് അൽഗോരിതം. പഠനമേഖലയിലെ Ni സാന്ദ്രത പ്രവചിക്കാൻ Ca Mg K ഉപയോഗിക്കുന്നത് മണ്ണിൽ Ni യുടെ പ്രവചനം മെച്ചപ്പെടുത്താൻ കഴിയുമെന്ന് ഫലങ്ങൾ കാണിക്കുന്നു. ഇതിനർത്ഥം നിക്കൽ അധിഷ്ഠിത രാസവളങ്ങളുടെ തുടർച്ചയായ പ്രയോഗവും മണ്ണിന്റെ വ്യാവസായിക മലിനീകരണവും സ്റ്റീൽ വ്യവസായത്തിലൂടെ മണ്ണിന്റെ അളവ് വർദ്ധിപ്പിക്കുകയും EK യുടെ സാന്ദ്രത വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു. നഗരത്തിലോ പെരി-അർബൻ മണ്ണിലോ ഉള്ള മണ്ണിന്റെ സ്പേഷ്യൽ വിതരണത്തിന്റെ മാതൃകയുടെ കൃത്യത. പൊതുവേ, മണ്ണിൽ PTE വിലയിരുത്തുന്നതിനും പ്രവചിക്കുന്നതിനും EBK-SVMR മോഡൽ പ്രയോഗിക്കാൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു;കൂടാതെ, വിവിധ മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ ഉപയോഗിച്ച് ഹൈബ്രിഡൈസ് ചെയ്യാൻ EBK ഉപയോഗിക്കാൻ ഞങ്ങൾ നിർദ്ദേശിക്കുന്നു. മൂലകങ്ങളെ കോവേറിയറ്റുകളായി ഉപയോഗിച്ചാണ് Ni സാന്ദ്രതകൾ പ്രവചിച്ചത്;എന്നിരുന്നാലും, കൂടുതൽ കോവേറിയറ്റുകൾ ഉപയോഗിക്കുന്നത് മോഡലിന്റെ പ്രകടനത്തെ വളരെയധികം മെച്ചപ്പെടുത്തും, ഇത് നിലവിലെ പ്രവർത്തനത്തിന്റെ പരിമിതിയായി കണക്കാക്കാം. ഈ പഠനത്തിന്റെ മറ്റൊരു പരിമിതി, ഡാറ്റാസെറ്റുകളുടെ എണ്ണം 115 ആണ്. അതിനാൽ, കൂടുതൽ ഡാറ്റ നൽകിയാൽ, നിർദ്ദിഷ്ട ഒപ്റ്റിമൈസ് ചെയ്ത ഹൈബ്രിഡൈസേഷൻ രീതിയുടെ പ്രകടനം മെച്ചപ്പെടുത്താൻ കഴിയും.
PlantProbs.net.Nickel in Plants and Soil
Kasprzak, KS നിക്കൽ ആധുനിക പരിസ്ഥിതി ടോക്സിക്കോളജിയിൽ മുന്നേറുന്നു
Cempel, M. & Nikel, G. Nickel: A review of its sources and environmental toxicology.Polish J. Environment.Stud.15, 375–382 (2006).
ഫ്രീഡ്‌മാൻ, ബിBot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
മാന്യീവ, ടി. et al.ബോട്സ്വാനയിലെ സെലിബി-ഫിക്വെ കോപ്പർ-നിക്കൽ ഖനിക്ക് സമീപം മണ്ണ്, സസ്യങ്ങൾ, മേച്ചിൽപ്പുറങ്ങൾ എന്നിവയുമായി ബന്ധപ്പെട്ട അപകടസാധ്യതകളിലുള്ള കനത്ത ലോഹങ്ങൾ.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-09121-x
Cabata-Pendias.Kabata-Pendias A. 2011. മണ്ണിലെ മൂലകങ്ങൾ കണ്ടെത്തുക കൂടാതെ… – Google സ്കോളർ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+plies+Oilements. %28NY%29%3A+CRC+Press&btnG= (ആക്സസ് ചെയ്തത് 24 നവംബർ 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org എന്ന സ്ഥലത്തെ കാർഷിക മണ്ണിലും പുല്ലിലുമുള്ള ഹെവി മെറ്റൽ സാന്ദ്രതയിൽ റഷ്യൻ നിക്കൽ വ്യവസായത്തിന്റെ സ്വാധീനം.
Nielsen, GD et al. നിക്കൽ ആഗിരണവും കുടിവെള്ളത്തിലെ നിലനിർത്തലും ഭക്ഷണം കഴിക്കുന്നതും നിക്കൽ സെൻസിറ്റിവിറ്റിയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
കോസ്റ്റ, എം. & ക്ലൈൻ, സിബി നിക്കൽ കാർസിനോജെനിസിസ്, മ്യൂട്ടേഷൻ, എപിജെനെറ്റിക്സ് അല്ലെങ്കിൽ സെലക്ഷൻ. ചുറ്റുപാടുകൾ. ആരോഗ്യ വീക്ഷണം.107, 2 (1999).
അജ്മാൻ, പി.സി.അജാഡോ, എസ്.കെ.Borůvka, L.;ബിനി, ജെ.കെ.എം.സർകോടി, വി.വൈ.ഒ.കോബോണി, എൻഎം;വിഷലിപ്തമായ മൂലകങ്ങളുടെ ട്രെൻഡ് വിശകലനം: ഒരു ബിബ്ലിയോമെട്രിക് അവലോകനം. പരിസ്ഥിതി ജിയോകെമിസ്ട്രിയും ആരോഗ്യവും. സ്പ്രിംഗർ സയൻസ് & ബിസിനസ് മീഡിയ BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB ഡിജിറ്റൽ സോയിൽ മാപ്പിംഗ്: ഒരു സംക്ഷിപ്ത ചരിത്രവും ചില പാഠങ്ങളും.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ഡിജിറ്റൽ സോയിൽ മാപ്പിംഗിൽ. ജിയോഡെർമ 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV ജിയോസ്റ്റാറ്റിസ്റ്റിക്കൽ റിസർവോയർ മോഡലിംഗ്,... – ഗൂഗിൾ സ്കോളർ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C+Ox2Page nG= (എക്‌സസ് ചെയ്തത് 28 ഏപ്രിൽ 2021).