Nature.com ला भेट दिल्याबद्दल धन्यवाद. तुम्ही वापरत असलेल्या ब्राउझर आवृत्तीला CSS साठी मर्यादित समर्थन आहे. सर्वोत्तम अनुभवासाठी, आम्ही शिफारस करतो की तुम्ही अपडेटेड ब्राउझर वापरा (किंवा Internet Explorer मधील सुसंगतता मोड बंद करा). दरम्यान, सतत समर्थन सुनिश्चित करण्यासाठी, आम्ही शैली आणि JavaScript शिवाय साइट प्रदर्शित करू.
मातीचे प्रदूषण ही मानवी क्रियाकलापांमुळे होणारी एक मोठी समस्या आहे. संभाव्य विषारी घटकांचे (PTEs) स्थानिक वितरण बहुतेक शहरी आणि पेरी-शहरी भागात बदलते. त्यामुळे अशा मातीत PTEs च्या सामग्रीचा अवकाशीय अंदाज लावणे कठीण आहे. एकूण 115 नमुने फ्रायडेक सीमॅग्नेसिअम (फ्रीडेक सीमॅग्नेसिअम), द मॅग्नेसिअम (फ्रीडेक) मधून प्राप्त झाले. assium (K) आणि निकेल (Ni) सांद्रता प्रेरकपणे जोडलेली प्लाझ्मा उत्सर्जन स्पेक्ट्रोमेट्री वापरून निर्धारित केली गेली. प्रतिसाद व्हेरिएबल Ni आहे आणि प्रेडिक्टर्स Ca, Mg, आणि K आहेत. रिस्पॉन्स व्हेरिएबल आणि प्रेडिक्टर व्हेरिएबल यांच्यातील सहसंबंध मॅट्रिक्स समाधानकारक दर्शविते जे व्हीएमआर घटक (VMR) पूर्वनिर्धारित घटकांच्या दरम्यान पुनर्संबंध दर्शविते. चांगले कार्यप्रदर्शन केले, जरी त्याचे अंदाजे मूळ मीन स्क्वेअर एरर (RMSE) (235.974 mg/kg) आणि मीन पूर्ण त्रुटी (MAE) (166.946 mg/kg) लागू केलेल्या इतर पद्धतींपेक्षा जास्त होते. एम्पिरिकल बायेसियन क्रिगिंग-मल्टिपल रेखीय प्रतिगमन (EB) पेक्षा कमी पुरावे म्हणून मिश्रित मॉडेल्स (EBR0) पेक्षा कमी रेखीय प्रतिगमन (EB) पेक्षा कमी केले गेले. 1.इम्पिरिकल बायेसियन क्रिगिंग-सपोर्ट वेक्टर मशीन रीग्रेशन (EBK-SVMR) मॉडेल हे सर्वोत्तम मॉडेल होते, ज्यामध्ये कमी RMSE (95.479 mg/kg) आणि MAE (77.368 mg/kg) मूल्ये आणि उच्च निर्धार गुणांक (R2 = 0.6.6.MV) आहे. सेल्फ-आऊट-एमआर-6-एमआर तंत्र वापरून मॉडेल आउट करणे. izing map.CakMg-EBK-SVMR घटकाच्या संकरीत मॉडेलच्या समतलातील क्लस्टर केलेले न्यूरॉन्स शहरी आणि पेरी-शहरी मातीत Ni एकाग्रतेचा अंदाज लावणारे अनेक रंगांचे नमुने दाखवतात. परिणाम दाखवून देतात की EBK आणि SVMR एकत्र करणे हे नी सांद्रता आणि urban मध्ये Ni एकाग्रतेचा अंदाज लावण्यासाठी एक प्रभावी तंत्र आहे.
निकेल (Ni) हे वनस्पतींसाठी एक सूक्ष्म पोषक तत्व मानले जाते कारण ते वातावरणातील नायट्रोजन स्थिरीकरण (N) आणि युरिया चयापचय मध्ये योगदान देते, जे दोन्ही बियाणे उगवण करण्यासाठी आवश्यक आहेत. बियाणे उगवण करण्यासाठी त्याच्या योगदानाव्यतिरिक्त, Ni एक बुरशीजन्य आणि जीवाणू अवरोधक म्हणून कार्य करू शकते आणि त्यामुळे वनस्पतींच्या विकासास प्रोत्साहन देते, त्यामुळे वनस्पतींच्या विकासास प्रोत्साहन देते. पानांचे.उदाहरणार्थ, चवळी आणि फरसबींना नायट्रोजन स्थिरीकरण अनुकूल करण्यासाठी निकेल-आधारित खतांचा वापर आवश्यक आहे2. माती समृद्ध करण्यासाठी निकेल-आधारित खतांचा सतत वापर केल्याने जमिनीत नायट्रोजन स्थिर करण्यासाठी शेंगांची क्षमता वाढते. मातीमध्ये जास्त प्रमाणात सेवन केल्याने चांगल्यापेक्षा जास्त नुकसान होऊ शकते. मातीतील निकेलची विषारीता मातीचा pH कमी करते आणि वनस्पतींच्या वाढीसाठी आवश्यक पोषक घटक म्हणून लोहाच्या शोषणात अडथळा आणते. Liu3 नुसार, Ni हा वनस्पतींच्या विकासासाठी आणि वाढीसाठी आवश्यक असलेला 17 वा महत्त्वाचा घटक असल्याचे आढळून आले आहे. निकेलच्या विविधतेच्या व्यतिरिक्त, वनस्पतींच्या वाढीसाठी आणि वनस्पतींच्या वाढीसाठी विविधतेची भूमिका, निकेलचा वापर करणे आवश्यक आहे. निकेल-आधारित मिश्रधातूंचे उत्पादन, आणि ऑटोमोटिव्ह उद्योगातील इग्निशन उपकरणे आणि स्पार्क प्लगचे उत्पादन या सर्वांसाठी विविध औद्योगिक क्षेत्रांमध्ये निकेलचा वापर आवश्यक आहे. शिवाय, निकेल-आधारित मिश्रधातू आणि इलेक्ट्रोप्लेटेड वस्तूंचा वापर किचनवेअर, बॉलरूम अॅक्सेसरीज, फूड इंडस्ट्री सप्लाय, इलेक्ट्रिकल, वायरी, वायर, सर्बिनेट आणि सिस्टीम, यंत्रसामग्री यांमध्ये मोठ्या प्रमाणावर केला जातो. 5. मातीतील नी-समृद्ध पातळी (म्हणजे, पृष्ठभागावरील माती) मानववंशजन्य आणि नैसर्गिक दोन्ही स्त्रोतांना कारणीभूत आहे, परंतु प्रामुख्याने, मानववंशजन्य 4,6 ऐवजी नी हा एक नैसर्गिक स्रोत आहे. निकेलच्या नैसर्गिक स्त्रोतांमध्ये ज्वालामुखीचा उद्रेक, वनस्पती, जंगलातील आग आणि भूगर्भीय प्रक्रिया यांचा समावेश होतो;तथापि, मानववंशजन्य स्त्रोतांमध्ये पोलाद उद्योगातील निकेल/कॅडमियम बॅटरी, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिंग, डिझेल आणि इंधन तेले आणि कोळशाच्या ज्वलनातून होणारे वातावरणातील उत्सर्जन आणि कचरा आणि गाळ जाळणे निकेल जमा करणे7,8 यांचा समावेश होतो.10, तत्काळ आणि लगतच्या वातावरणातील वरच्या मातीच्या प्रदूषणाचे मुख्य स्त्रोत मुख्यतः निकेल-तांबे-आधारित स्मेल्टर आणि खाणी आहेत. कॅनडातील सडबरी निकेल-कॉपर रिफायनरीभोवतीच्या वरच्या मातीमध्ये निकेल प्रदूषणाची उच्च पातळी 26,000 mg/kg होती, रशियामध्ये निकेल प्रदूषणामुळे 11 टक्के निकेलचे उत्पादन जास्त होते. नॉर्वेजियन मातीत 11. Alms et al नुसार.12, प्रदेशातील उच्च शेतीयोग्य जमिनीत (रशियातील निकेल उत्पादन) HNO3- काढता येण्याजोग्या निकेलचे प्रमाण 6.25 ते 136.88 mg/kg पर्यंत आहे, जे सरासरी 30.43 mg/kg आणि आधारभूत एकाग्रता 25 mg/kg आहे. काताफॉरिझ 1 मधील ऍकॉर्फिझ ऍप्लिकेशन शहरी किंवा पेरी-शहरी मातीतल्या मातीत लागोपाठच्या पिकांच्या हंगामात मातीचा संसर्ग होऊ शकतो किंवा दूषित होऊ शकतो. मानवामध्ये निकेलच्या संभाव्य परिणामांमुळे म्युटाजेनेसिस, क्रोमोसोमल नुकसान, Z-DNA निर्मिती, अवरोधित डीएनए उत्सर्जन दुरुस्ती किंवा एपिजेनेटिक प्रक्रियांद्वारे कर्करोग होऊ शकतो. अशा ट्यूमर वाढवणे.
अलिकडच्या काळात माती-वनस्पती संबंध, माती आणि माती जैविक संबंध, पर्यावरणीय ऱ्हास आणि पर्यावरणीय प्रभाव मूल्यांकन यांमुळे उद्भवलेल्या आरोग्य-संबंधित समस्यांच्या विस्तृत श्रेणीमुळे मृदा दूषिततेचे मूल्यांकन वाढले आहे. आजपर्यंत, संभाव्य विषारी घटकांचे स्थानिक अंदाज (PTEs) सारख्या पारंपरिक पद्धतींचा वापर करत आहे. (DSM) आणि त्याचे सध्याचे यश15 ने भविष्यसूचक माती मॅपिंग (PSM) मध्ये मोठ्या प्रमाणात सुधारणा केली आहे. Minasny आणि McBratney16 नुसार, predictive soil mapping (DSM) हे मृदा विज्ञानाचे प्रमुख उपशाखा असल्याचे सिद्ध झाले आहे. Lagacherie आणि McBratney, 2006 द्वारे व्याख्या आणि DSM ची माहिती तयार करण्यासाठी वापरण्यात येणारी माहिती आणि DSM ची व्याख्या "माहिती" द्वारे केली जाते. सर्व्हेशनल पद्धती आणि अवकाशीय आणि नॉन-स्पेशियल माती अनुमान प्रणाली”. मॅकब्रॅटनी एट अल.PTEs, मातीचे प्रकार आणि मातीचे गुणधर्म यांच्या स्थानिक वितरणाचा अंदाज लावण्यासाठी किंवा मॅप करण्यासाठी समकालीन DSM किंवा PSM हे सर्वात प्रभावी तंत्र आहे याची 17 रूपरेषा. भू-सांख्यिकी आणि मशीन लर्निंग अल्गोरिदम (MLA) ही DSM मॉडेलिंग तंत्रे आहेत जी महत्त्वपूर्ण आणि किमान डेटा वापरून संगणकाच्या मदतीने डिजीटाइज्ड नकाशे तयार करतात.
Deutsch18 आणि Olea19 भू-सांख्यिकी "स्थानिक गुणधर्मांचे प्रतिनिधित्व करणाऱ्या संख्यात्मक तंत्रांचा संग्रह, मुख्यतः स्टोकास्टिक मॉडेल्सचा वापर करतात, जसे की वेळ मालिका विश्लेषण टेम्पोरल डेटाचे वैशिष्ट्य कसे दर्शवते" म्हणून परिभाषित करतात.प्रामुख्याने, जिओस्टॅटिस्टिक्समध्ये व्हेरिओग्राम्सचे मूल्यमापन समाविष्ट असते, जे प्रत्येक डेटासेट 20.Gumiaux et al.20 पुढे स्पष्ट करते की भू-सांख्यिकीमधील व्हेरिओग्रामचे मूल्यमापन तीन तत्त्वांवर आधारित आहे, ज्यात (अ) डेटा सहसंबंधाचे प्रमाण मोजणे, (ब) डेटासेट विषमतेमध्ये अॅनिसोट्रॉपी ओळखणे आणि त्याची गणना करणे आणि (सी) या व्यतिरिक्त मोजमापातील अंतर्निहित त्रुटी लक्षात घेण्याव्यतिरिक्त, या आंतरपोल डेटा क्षेत्रापासून विभक्त केलेल्या अनेक परिणामांचा अंदाज लावला जातो. भू-सांख्यिकीमध्ये तंत्रे वापरली जातात, ज्यात सामान्य क्रिगिंग, को-क्रिगिंग, सामान्य क्रिगिंग, अनुभवजन्य बायेसियन क्रिगिंग, साधी क्रिगिंग पद्धत आणि इतर सुप्रसिद्ध इंटरपोलेशन तंत्रे यांचा समावेश आहे ज्यामध्ये PTE, मातीची वैशिष्ट्ये आणि मातीचे प्रकार मॅप किंवा अंदाज लावणे समाविष्ट आहे.
मशीन लर्निंग अल्गोरिदम (एमएलए) हे तुलनेने नवीन तंत्र आहे जे मोठ्या नॉन-लिनियर डेटा क्लासेसचा वापर करते, अल्गोरिदमद्वारे चालना दिली जाते, ज्याचा वापर प्रामुख्याने डेटा मायनिंगसाठी केला जातो, डेटामधील नमुने ओळखणे आणि मृदा विज्ञान आणि रिटर्न टास्क यासारख्या वैज्ञानिक क्षेत्रात वर्गीकरणासाठी वारंवार लागू केले जाते. असंख्य शोधनिबंध PTE सारख्या एमएलए मॉडेल्सवर अवलंबून असतात.22 (कृषी मातीत हेवी मेटल अंदाजासाठी यादृच्छिक जंगले), साकीजादेह एट अल.23 (सपोर्ट वेक्टर मशीन आणि कृत्रिम न्यूरल नेटवर्क वापरून मॉडेलिंग) माती प्रदूषण ).याव्यतिरिक्त, Vega et al.24 (जड धातू टिकवून ठेवण्यासाठी आणि मातीमध्ये शोषून घेण्यासाठी कार्ट) सन एट अल.25 (क्यूबिस्टचा वापर म्हणजे मातीमध्ये सीडीचे वितरण) आणि इतर अल्गोरिदम जसे की k-जवळचे शेजारी, सामान्यीकृत बूस्टेड रीग्रेशन, आणि बूस्टेड रीग्रेशन ट्रीजने मातीमध्ये पीटीईचा अंदाज लावण्यासाठी एमएलए देखील लागू केले.
भविष्यवाणी किंवा मॅपिंगमध्ये DSM अल्गोरिदमच्या वापराला अनेक आव्हानांना तोंड द्यावे लागते. अनेक लेखकांचा असा विश्वास आहे की एमएलए भू-सांख्यिकीपेक्षा श्रेष्ठ आहे आणि त्याउलट. जरी एक दुसर्‍यापेक्षा चांगला असला तरी, या दोघांचे संयोजन DSM15. Woodcock आणि Gopal2626 फिनिश मधील मॅपिंग किंवा अंदाज अचूकतेची पातळी सुधारते.Pontius आणि Cheuk28 आणि Grunwald29 अंदाजित माती मॅपिंगमधील कमतरता आणि काही त्रुटींवर भाष्य करतात. माती शास्त्रज्ञांनी DSM मॅपिंग आणि अंदाजाची परिणामकारकता, अचूकता आणि अंदाज योग्यता ऑप्टिमाइझ करण्यासाठी विविध तंत्रांचा प्रयत्न केला आहे. अनिश्चितता आणि पडताळणीचे संयोजन DSMH च्या विविध गुणांमध्ये एक परिणामकारकता कमी करते. तरीही, Agyeman et al.15 नकाशाची गुणवत्ता सुधारण्यासाठी नकाशाची निर्मिती आणि अंदाज यांच्याद्वारे ओळखले जाणारे प्रमाणीकरण वर्तन आणि अनिश्चितता स्वतंत्रपणे प्रमाणित केली जावी. DSM च्या मर्यादा भौगोलिकदृष्ट्या विखुरलेल्या मातीच्या गुणवत्तेमुळे आहेत, ज्यामध्ये अनिश्चिततेचा एक घटक समाविष्ट आहे;तथापि, डीएसएममध्ये निश्चिततेचा अभाव त्रुटीच्या अनेक स्त्रोतांमधून उद्भवू शकतो, म्हणजे कोव्हेरिएट एरर, मॉडेल एरर, लोकेशन एरर आणि विश्लेषणात्मक त्रुटी 31. एमएलए आणि भूसांख्यिकीय प्रक्रियांमध्ये प्रेरित मॉडेलिंग अयोग्यता समजून घेण्याच्या कमतरतेशी संबंधित आहेत, ज्यामुळे शेवटी ओव्हरसिम्पलीफिकेशन होऊ शकते. ing पॅरामीटर्स, गणितीय मॉडेल अंदाज, किंवा इंटरपोलेशन33. अलीकडे, एक नवीन DSM ट्रेंड उदयास आला आहे जो मॅपिंग आणि अंदाजामध्ये भू-सांख्यिकी आणि एमएलए यांच्या एकत्रीकरणास प्रोत्साहन देतो. अनेक मृदा शास्त्रज्ञ आणि लेखक, जसे की सेर्गेव एट अल.34;Subbotina et al.35;तारासोव आणि इतर.36 आणि तारासोव एट अल.37 ने अंदाज आणि मॅपिंगची कार्यक्षमता सुधारणारे हायब्रीड मॉडेल्स व्युत्पन्न करण्यासाठी जिओस्टॅटिस्टिक्स आणि मशीन लर्निंगच्या अचूक गुणवत्तेचा उपयोग केला आहे.गुणवत्ता. यापैकी काही संकरित किंवा एकत्रित अल्गोरिदम मॉडेल्स आहेत आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग (एएनएन-आरके), मल्टीलेयर परसेप्ट्रॉन रेसिड्यूअल क्रिगिंग (एमएलपी-आरके), जनरलाइज्ड रीग्रेशन न्यूरल नेटवर्क रेसिड्युअल क्रिगिंग (जीआर-एनएनआरके)36, आर्टिफिशियल न्यूरल नेटवर्क क्रिगिंग आणि मल्टीलेयर परसेप्ट्रोन क्रिगिंग (एएनएन-आरके) आणि मल्टीलेयर परसेप्टरॉन क्रिगिंग (एमएलपी-आरके) sian प्रक्रिया प्रतिगमन38.
Sergeev et al. च्या मते, विविध मॉडेलिंग तंत्रे एकत्र केल्याने दोष दूर करण्याची आणि परिणामी संकरित मॉडेलचे एकच मॉडेल विकसित करण्याऐवजी त्याची कार्यक्षमता वाढवण्याची क्षमता आहे. या संदर्भात, हा नवीन पेपर असा युक्तिवाद करतो की भू-सांख्यिकी आणि एमएलए यांचा एकत्रित अल्गोरिदम लागू करणे आवश्यक आहे. बेस मॉडेल म्हणून एम्पिरिकल बायेसियन क्रिगिंग (EBK) वर आधारित आहे आणि ते सपोर्ट वेक्टर मशीन (SVM) आणि मल्टिपल लिनियर रीग्रेशन (MLR) मॉडेल्समध्ये मिसळले आहे. कोणत्याही आमदारासह EBK चे हायब्रिडायझेशन माहित नाही. पाहिलेले अनेक मिश्र मॉडेल्स सामान्य, अवशिष्ट, आंतर-पद्धती आणि रीग्रेशनल केबीकेचे संयोजन आहेत. s ही एक अवकाशीय स्टोकास्टिक प्रक्रिया आहे जी फील्डवर परिभाषित स्थानिकीकरण पॅरामीटर्ससह नॉन-स्टेशनरी/स्टेशनरी यादृच्छिक फील्ड म्हणून स्थानिकीकृत आहे, ज्यामुळे स्थानिक भिन्नता 39.EBK विविध अभ्यासांमध्ये वापरली गेली आहे, ज्यामध्ये शेतातील मातीत सेंद्रिय कार्बनचे वितरण विश्लेषण करणे, मातीचे प्रमाणीकरण करणे आणि मातीचे मॅपिंग 42 गुणधर्मांचे मूल्यांकन करणे समाविष्ट आहे.
दुसरीकडे, सेल्फ-ऑर्गनायझिंग ग्राफ (SeOM) हे शिकण्याचे अल्गोरिदम आहे जे Li et al सारख्या विविध लेखांमध्ये लागू केले गेले आहे.43, वांग एट अल.44, हुसैन भुईया इ.45 आणि Kebonye et al.46 स्थानिक गुणधर्म आणि घटकांचे गट निश्चित करा. वांग आणि इतर.44 बाह्यरेखा की SeOM हे एक शक्तिशाली शिक्षण तंत्र आहे जे त्याच्या गटबद्ध करण्याच्या आणि नॉन-लिनियर समस्यांची कल्पना करण्याच्या क्षमतेसाठी ओळखले जाते. मुख्य घटक विश्लेषण, अस्पष्ट क्लस्टरिंग, श्रेणीबद्ध क्लस्टरिंग आणि बहु-निकष निर्णय घेणे यासारख्या इतर पॅटर्न ओळख तंत्रांप्रमाणेच, SeOM हे PTE मधील W.44, SeOM संबंधित न्यूरॉन्सच्या वितरणाचे स्थानिक पातळीवर गट करू शकते आणि उच्च-रिझोल्यूशन डेटा व्हिज्युअलायझेशन प्रदान करू शकते. थेट स्पष्टीकरणासाठी परिणाम वैशिष्ट्यीकृत करण्यासाठी सर्वोत्तम मॉडेल प्राप्त करण्यासाठी SeOM Ni प्रेडिक्शन डेटाची कल्पना करेल.
शहरी आणि पेरी-शहरी मातीत निकेल सामग्रीचा अंदाज लावण्यासाठी इष्टतम अचूकतेसह एक मजबूत मॅपिंग मॉडेल तयार करणे हे या पेपरचे उद्दिष्ट आहे. आम्ही असे गृहित धरतो की मिश्र मॉडेलची विश्वासार्हता मुख्यत्वे बेस मॉडेलशी संलग्न असलेल्या इतर मॉडेल्सच्या प्रभावावर अवलंबून असते. आम्ही हे मान्य करतो की DSM समोरील आव्हाने समोरील कॉम्बिनोमॅटिक अॅड्रेसमध्ये आहेत, आणि ही आव्हाने समोरील कॉमबिन स्टॅटवर आहेत. s आणि MLA मॉडेल्स वाढीव असल्याचे दिसून येते;म्हणून, आम्ही संशोधन प्रश्नांची उत्तरे देण्याचा प्रयत्न करू ज्यामुळे मिश्र मॉडेल मिळू शकतात. तथापि, लक्ष्य घटकाचा अंदाज लावताना मॉडेल किती अचूक आहे? तसेच, प्रमाणीकरण आणि अचूकतेच्या मूल्यमापनावर आधारित कार्यक्षमतेच्या मूल्यांकनाची पातळी काय आहे? म्हणून, या अभ्यासाची विशिष्ट उद्दिष्टे होती (a) मिश्रित मॉडेल SMRB किंवा MLMB मॉडेल वापरून मिश्रित मॉडेल तयार करणे. परिणामी मॉडेल्स (c) शहरी किंवा पेरी-शहरी मातीत Ni सांद्रतेचा अंदाज लावण्यासाठी सर्वोत्तम मिश्रण मॉडेल प्रस्तावित करतात आणि (d) निकेल स्थानिक भिन्नतेचा उच्च-रिझोल्यूशन नकाशा तयार करण्यासाठी SeOM चा वापर.
हा अभ्यास झेक प्रजासत्ताकमध्ये केला जात आहे, विशेषत: मोराविया-सिलिशियन प्रदेशातील फ्रायडेक मिस्टेक जिल्ह्यात (आकृती 1 पहा). अभ्यास क्षेत्राचा भूगोल अतिशय खडबडीत आहे आणि तो बहुतेक मोराविया-सिलिशियन बेस्कीडी प्रदेशाचा भाग आहे, जो कार्पेथियन पर्वताच्या बाहेरील रिमचा भाग आहे. 18° 20′ 0′ E, आणि उंची 225 आणि 327 मीटर दरम्यान आहे;तथापि, प्रदेशाच्या हवामान स्थितीसाठी कोपेन वर्गीकरण प्रणालीला Cfb = समशीतोष्ण सागरी हवामान असे रेट केले जाते, कोरड्या महिन्यांतही भरपूर पाऊस पडतो. तापमान −5 °C आणि 24 °C दरम्यान वर्षभर थोडेसे बदलते, क्वचितच −14 °C आणि 75 °C पेक्षा जास्त असते, तर वार्षिक सरासरी °C 63 °C किंवा 63 °C पेक्षा जास्त असते. mm47.संपूर्ण क्षेत्राचे अंदाजे सर्वेक्षण क्षेत्र 1,208 चौरस किलोमीटर आहे, ज्यामध्ये 39.38% लागवडीखालील जमीन आणि 49.36% जंगल व्यापलेले आहे. दुसरीकडे, या अभ्यासात वापरलेले क्षेत्र सुमारे 889.8 चौरस किलोमीटर आहे. Ostrava मध्ये आणि आसपास, जेथे स्टील चक्की, धातू उद्योग, स्टील चक्की आणि स्टील उद्योगांमध्ये खूप सक्रिय आहेत. स्टेनलेस स्टील्स (उदा. वातावरणातील क्षरणाच्या प्रतिकारासाठी) आणि मिश्रधातूची स्टील्स (निकेल मिश्रधातूची चांगली लवचिकता आणि कणखरपणा राखून त्याची ताकद वाढवते), आणि फॉस्फेट खताचा वापर आणि पशुधन उत्पादन यासारखी सघन शेती ही या प्रदेशात निकेलचे संशोधन संभाव्य स्रोत आहेत (उदा., औद्योगिक वाढीच्या दरात वाढ आणि कॅटलबॅब्सच्या वाढीव दरात वाढ). संशोधन क्षेत्रातील निकेलमध्ये इलेक्ट्रोप्लेटिंगमध्ये त्याचा वापर समाविष्ट आहे, ज्यामध्ये इलेक्ट्रोप्लेटिंग निकेल आणि इलेक्ट्रोलेस निकेल प्लेटिंग प्रक्रियेचा समावेश आहे. मातीचे गुणधर्म मातीचा रंग, रचना आणि कार्बोनेट सामग्रीवरून सहज ओळखता येतात. मातीचा पोत मध्यम ते बारीक असतो, मूळ सामग्रीपासून मिळविलेला असतो. ते संमिश्र, जलोळ किंवा वायूजन्य असतात आणि मातीच्या पृष्ठभागावर बहुतेकदा मातीच्या पृष्ठभागावर आणि मातीच्या पृष्ठभागावर मातीची रचना असते. तथापि, कॅम्बिसोल आणि स्टॅग्नोसोल हे या प्रदेशातील सर्वात सामान्य मातीचे प्रकार आहेत48. 455.1 ते 493.5 मीटर पर्यंतच्या उंचीसह, चेक प्रजासत्ताकमध्ये कॅंबिसॉलचे वर्चस्व आहे49.
अभ्यास क्षेत्र नकाशा [अभ्यास क्षेत्र नकाशा ArcGIS डेस्कटॉप (ESRI, Inc, आवृत्ती 10.7, URL: https://desktop.arcgis.com) वापरून तयार करण्यात आला.]
फ्रायडेक मिस्टेक जिल्ह्यातील शहरी आणि पेरी-शहरी मातींमधून एकूण 115 मातीचे नमुने घेतले गेले. वापरलेला नमुना नमुना 2 × 2 किमी अंतरावर असलेल्या मातीचे नमुने असलेले एक नियमित ग्रीड होते आणि हाताने धरून ठेवलेल्या GPS ला GPS lamps यंत्रामध्ये (LePS lamps) झिप्लो बॅगल्स (LePS lamps) यंत्राचा वापर करून शीर्ष माती 0 ते 20 सेमी खोलीवर मोजली गेली. बेल्ड केले, आणि प्रयोगशाळेत पाठवले. नमुने हवेत वाळवलेले नमुने तयार करण्यासाठी, यांत्रिक पद्धतीने पल्व्हराइज्ड (फ्रिश डिस्क मिल) आणि चाळण्यात आले (चाळणीचा आकार 2 मिमी). 1 ग्रॅम वाळलेल्या, एकसंध आणि चाळलेल्या मातीचे नमुने स्पष्टपणे लेबल केलेल्या मध्ये ठेवा. 65% HNO3 चे Cl आणि 3 ml (स्वयंचलित डिस्पेंसर वापरून – प्रत्येक ऍसिडसाठी एक), हलके झाकून ठेवा आणि प्रतिक्रियेसाठी नमुने रात्रभर उभे राहू द्या (एक्वा रेजीया प्रोग्राम). सुपरनॅटंटला गरम धातूच्या प्लेटवर (तापमान: 100 W आणि 160 °C) 2 तासांसाठी ठेवा. 0 मिली व्हॉल्यूमेट्रिक फ्लास्क आणि डीआयनाइज्ड पाण्याने 50 मिली पर्यंत पातळ करा. त्यानंतर, डिआयनीकृत पाण्याने 50 मिली पीव्हीसी ट्यूबमध्ये पातळ केलेले सुपरनॅटंट फिल्टर करा. याव्यतिरिक्त, 1 मिली डायल्यूशन द्रावण 9 मिली डीआयनाइज्ड पाण्याने पातळ केले गेले आणि 12 मिलीलीटर पीटीई-एपीसीएयूएसेंट ट्यूबमध्ये 12 मिलीलीटर कॉन्ट्रेशन तयार केले. s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) मानक पद्धती आणि करारानुसार ICP-OES (इंडक्टिव्हली कपल्ड प्लाझ्मा ऑप्टिकल एमिशन स्पेक्ट्रोस्कोपी) (थर्मो फिशर सायंटिफिक, यूएसए) द्वारे निर्धारित केले गेले. गुणवत्ता हमी आणि नियंत्रण सुनिश्चित करा) प्रक्रिया (QA/STEQ17 मॉन्ट्‍स 12) मॉन्ट्‍सटीईआरएम 2. या अभ्यासातून निम्म्यापेक्षा कमी आयन मर्यादा वगळण्यात आल्या होत्या. या अभ्यासात वापरलेली PTE ची ओळख मर्यादा 0.0004 होती.(तुम्ही). शिवाय, प्रत्येक विश्लेषणासाठी गुणवत्ता नियंत्रण आणि गुणवत्ता हमी प्रक्रिया संदर्भ मानकांचे विश्लेषण करून सुनिश्चित केली जाते. त्रुटी कमी झाल्या आहेत याची खात्री करण्यासाठी, दुहेरी विश्लेषण केले गेले.
प्रायोगिक बायेसियन क्रिगिंग (EBK) हे माती विज्ञानासारख्या विविध क्षेत्रांमध्ये मॉडेलिंगमध्ये वापरल्या जाणार्‍या अनेक भू-सांख्यिकीय इंटरपोलेशन तंत्रांपैकी एक आहे. इतर क्रिगिंग इंटरपोलेशन तंत्रांप्रमाणे, EBK सेमीव्हॅरिओग्राम मॉडेलद्वारे अंदाजित त्रुटी लक्षात घेऊन पारंपारिक क्रिगिंग पद्धतींपेक्षा वेगळे आहे. EBK इंटरपोलेशन दरम्यान, एकल इंटरपोलेशन पेक्षा अनेक इंटरपोलेशन इंटरपोलेशन मॉडेलमध्ये ईबीके कॉम्प्लेक्स आहेत. टेरपोलेशन तंत्र सेमीव्हेरिओग्रामच्या या प्लॉटिंगशी संबंधित अनिश्चितता आणि प्रोग्रामिंगसाठी मार्ग बनवते जे पुरेशा क्रिगिंग पद्धतीचा एक अत्यंत जटिल भाग बनवते. EBK ची इंटरपोलेशन प्रक्रिया Krivoruchko50 द्वारे प्रस्तावित केलेल्या तीन निकषांचे अनुसरण करते, (अ) मॉडेल इनपुट डेटासेटवरून सेमीव्हॅरिओग्रामचा अंदाज लावते (b) प्रत्येक नवीन डेटा सेट (b) मधील नवीन डेटासेट (b) मूल्यावर आधारित अंतिम A मॉडेलची गणना सिम्युलेटेड डेटासेटवरून केली जाते. बायेसियन समीकरण नियम पोस्टरियर म्हणून दिलेला आहे
जेथे \(समस्या\left(A\right)\) आधीचे प्रतिनिधित्व करते, \(समस्या\left(B\right)\) सीमांत संभाव्यता बहुतेक प्रकरणांमध्ये दुर्लक्षित केली जाते, \(समस्या (B,A)\ ) .सेमीव्हॅरिओग्राम गणना बेयसच्या नियमावर आधारित आहे, जे सेमीव्हॅरीओग्रामची प्रवृत्ती दर्शवते जे सेमीव्हॅरीओग्रामचे मूल्य वापरून अर्धवेरीओग्रामचे मूल्य निर्धारित केले जाऊ शकते. बायेसचा नियम, जो अर्धवेरिओग्रामवरून निरीक्षणांचा डेटासेट तयार करण्याची किती शक्यता आहे हे सांगतो.
सपोर्ट वेक्टर मशीन हे एक मशीन लर्निंग अल्गोरिदम आहे जे एकसारखे परंतु रेखीय स्वतंत्र वर्ग वेगळे करण्यासाठी इष्टतम विभक्त हायपरप्लेन तयार करते.Vapnik51 ने इंटेंट क्लासिफिकेशन अल्गोरिदम तयार केला आहे, परंतु त्याचा अलीकडेच रिग्रेशन-ओरिएंटेड समस्या सोडवण्यासाठी केला गेला आहे. Li et al.52 नुसार, SVM च्या विविध श्रेणींमध्ये सर्वोत्तम तंत्रज्ञान वापरले गेले आहे. या विश्लेषणामध्ये SVM ​​(सपोर्ट वेक्टर मशीन रीग्रेशन – SVMR) च्या ent चा वापर करण्यात आला. चेरकास्की आणि मुलियर 53 यांनी कर्नल-आधारित रिग्रेशन म्हणून SVMR ने पुढाकार घेतला, ज्याची गणना मल्टी-कंट्री स्पेसियल फंक्शन्ससह रेखीय रीग्रेशन मॉडेल वापरून केली गेली. जोन रीग्रेशन नॉन व्हीएमआर 5 रीग्रेशन मॉडेल तयार करते. एआर संबंध आणि अवकाशीय कार्यांसाठी परवानगी देते. वोहलँड एट अल नुसार.55, एप्सिलॉन (ε)-SVMR एक एप्सिलॉन-संवेदनशील कार्य म्हणून प्रतिनिधित्व मॉडेल प्राप्त करण्यासाठी प्रशिक्षित डेटासेटचा वापर करते जे सहसंबंधित डेटावरील प्रशिक्षणातून सर्वोत्तम एप्सिलॉन बायससह डेटा स्वतंत्रपणे मॅप करण्यासाठी लागू केले जाते. प्रीसेट अंतर त्रुटी वास्तविक मूल्यापेक्षा दुर्लक्षित केली जाते आणि जर त्रुटी मोठी असेल तर ते कॉम्प्लेक्स डेटाचे गुणधर्म कमी करते. सपोर्ट वेक्टर्सचा व्यापक उपसंच. Vapnik51 ने प्रस्तावित केलेले समीकरण खाली दर्शविले आहे.
जेथे बी स्केलर थ्रेशोल्डचे प्रतिनिधित्व करते, \ (के \ डावे ({x} _ {,} {x} _ {k} \ उजवे) \) कर्नल फंक्शनचे प्रतिनिधित्व करते, \ (\ अल्फा \) लॅरेंज मल्टिप्लरचे प्रतिनिधित्व करते \ (\) \ (}) \ (}} \ (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (}} (} \ (} \ (} \ (} \ ( ^) वापरल्या जाणार्‍या की कर्नलपैकी एक म्हणजे एसव्हीएमआर ऑपरेशन, जे एक गौशियन रेडियल बेस फंक्शन (आरबीएफ) आहे. आरबीएफ कर्नल इष्टतम एसव्हीएमआर मॉडेल निश्चित करण्यासाठी लागू केले गेले आहे, जे पीटीई प्रशिक्षण डेटासाठी सर्वात सूक्ष्म पेनल्टी सेट फॅक्टर सी आणि कर्नल पॅरामीटर गामा (γ) प्राप्त करण्यासाठी महत्त्वपूर्ण आहे. आणि पद्धतीचे मूल्य एसव्हीएमआरएडीआयएल आहे.
मल्टिपल लिनियर रिग्रेशन मॉडेल (MLR) हे रिग्रेशन मॉडेल आहे जे रिस्पॉन्स व्हेरिएबल आणि अनेक प्रेडिक्टर व्हेरिएबल्समधील संबंध दर्शवते जे कमीत कमी स्क्वेअर पद्धती वापरून गणना केलेल्या रेखीय पूल केलेले पॅरामीटर्स वापरते. MLR मध्ये, किमान स्क्वेअर मॉडेल हे स्पष्टीकरणात्मक व्हेरिएबल्सच्या निवडीनंतर मातीच्या गुणधर्मांचे भविष्य सांगणारे कार्य आहे. हे आवश्यक रेषेचा संबंध प्रस्थापित करण्यासाठी रेषेचा संबंध स्थापित करण्यासाठी वापरला जातो. स्पष्टीकरणात्मक चलांशी एक रेषीय संबंध प्रस्थापित करण्यासाठी प्रतिसाद चल म्हणून. MLR समीकरण आहे
जेथे y हा रिस्पॉन्स व्हेरिएबल आहे, \(a\) इंटरसेप्ट आहे, n ही प्रेडिक्टर्सची संख्या आहे, \({b}_{1}\) गुणांकांचे आंशिक प्रतिगमन आहे, \({x}_{ i}\) हे प्रेडिक्टर किंवा स्पष्टीकरणात्मक व्हेरिएबलचे प्रतिनिधित्व करते आणि \({\varepsilon }_{i}\) हे मॉडेलमध्ये एरर म्हणून ओळखले जाते.
मिश्रित मॉडेल्स SVMR आणि MLR सह EBK सँडविच करून प्राप्त केले गेले. हे EBK इंटरपोलेशनमधून अंदाजित मूल्ये काढण्याद्वारे केले जाते. इंटरपोलेटेड Ca, K, आणि Mg मधून मिळविलेली अंदाज मूल्ये एकत्रित प्रक्रियेद्वारे नवीन व्हेरिएबल्स मिळविण्यासाठी प्राप्त केली जातात, जसे की, CaK आणि नंतर CaK, KM, obtain केलेले घटक आणि CaKM, obtain. चौथा व्हेरिएबल, CaKMg.एकंदरीत, मिळवलेले चल Ca, K, Mg, CaK, CaMg, KMg आणि CaKMg आहेत. हे चल आमचे भविष्यकर्ते बनले, जे शहरी आणि पेरी-शहरी मातीत निकेल सांद्रतेचा अंदाज लावण्यास मदत करतात. सपोर्ट वेक्टर मशीन (EBK_SVM). त्याचप्रमाणे, मिश्रित मॉडेल इम्पिरिकल बायेसियन क्रिगिंग-मल्टिपल लिनियर रीग्रेशन (EBK_MLR) मिळविण्यासाठी MLR अल्गोरिदमद्वारे व्हेरिएबल्स देखील पाईप केले जातात. सामान्यतः, व्हेरिएबल्स Ca, K, Mg, Cavariables, KMg, CaVMg, CaVMg, केएमजी, प्री-एमजी सामग्री म्हणून वापरले जातात. शहरी आणि पेरी-शहरी मातीत. प्राप्त केलेले सर्वात स्वीकार्य मॉडेल (EBK_SVM किंवा EBK_MLR) नंतर स्व-संघटित आलेख वापरून दृश्यमान केले जाईल. या अभ्यासाचा कार्यप्रवाह आकृती 2 मध्ये दर्शविला आहे.
आर्थिक क्षेत्र, आरोग्यसेवा, उद्योग, सांख्यिकी, मृदा विज्ञान आणि बरेच काही यामधील डेटाचे आयोजन, मूल्यमापन आणि अंदाज लावण्यासाठी SeOM वापरणे हे एक लोकप्रिय साधन बनले आहे. एसईओएम कृत्रिम न्यूरल नेटवर्क आणि संस्था, मूल्यमापन आणि अंदाज यासाठी पर्यवेक्षित नसलेल्या शिक्षण पद्धती वापरून तयार केले गेले आहे. या अभ्यासात, SeOM चा वापर Ni-Per-banic वर आधारित सर्वोत्तम रेशनिंग मॉडेलवर आधारित संकल्पनांसाठी केला गेला. soils.SeOM मूल्यमापनात प्रक्रिया केलेला डेटा n इनपुट-डायमेंशनल व्हेक्टर व्हेरिएबल्स 43,56 म्हणून वापरला जातो. मेल्सेन आणि इतर.57 इनपुट व्हेक्टरचे न्यूरल नेटवर्कमधील कनेक्शनचे वर्णन एका इनपुट लेयरद्वारे आउटपुट वेक्टरला एकाच वजनाच्या वेक्टरसह करते. SeOM द्वारे व्युत्पन्न केलेला आउटपुट हा द्विमितीय नकाशा आहे ज्यामध्ये षटकोनी, वर्तुळाकार किंवा चौरस टोपोलॉजिकल नकाशांमध्ये विणलेल्या वेगवेगळ्या न्यूरॉन्स किंवा नोड्सचा समावेश आहे. त्रुटी (TE), अनुक्रमे 0.086 आणि 0.904 सह SeOM मॉडेल निवडले आहे, जे 55-नकाशा युनिट (5 × 11) आहे. अनुभवजन्य समीकरणातील नोड्सच्या संख्येनुसार न्यूरॉनची रचना निश्चित केली जाते.
या अभ्यासात वापरल्या जाणार्‍या डेटाची संख्या 115 नमुने आहे. चाचणी डेटा (25% प्रमाणीकरणासाठी) आणि प्रशिक्षण डेटा संच (कॅलिब्रेशनसाठी 75%) मध्ये विभाजित करण्यासाठी एक यादृच्छिक दृष्टीकोन वापरला गेला. प्रशिक्षण डेटासेटचा वापर प्रतिगमन मॉडेल (कॅलिब्रेशन) व्युत्पन्न करण्यासाठी केला जातो आणि चाचणी डेटासेटचा वापर सामान्यीकरणाची पडताळणी करण्यासाठी केला जातो. .वापरलेले सर्व मॉडेल दहा-पट क्रॉस-व्हॅलिडेशन प्रक्रियेतून गेले, पाच वेळा पुनरावृत्ती झाली. EBK इंटरपोलेशनद्वारे उत्पादित व्हेरिएबल्स लक्ष्य व्हेरिएबल (PTE) चा अंदाज लावण्यासाठी प्रेडिक्टर किंवा स्पष्टीकरणात्मक व्हेरिएबल्स म्हणून वापरल्या जातात. मॉडेलिंग RStudio मध्ये पॅकेजेस लायब्ररी(कोहोनेन), लायब्ररी(कोहोनेन), लायब्ररी(1), लायब्ररी(1), लायब्ररी(1), लायब्ररी(1) वापरून हाताळले जाते. "plyr"), लायब्ररी("caTools"), library("prospectr") आणि लायब्ररी ("मेट्रिक्स").
मातीतील निकेल एकाग्रतेचा अंदाज लावण्यासाठी आणि मॉडेलच्या अचूकतेचे मूल्यांकन करण्यासाठी आणि त्याच्या प्रमाणीकरणासाठी योग्य मॉडेल निर्धारित करण्यासाठी विविध प्रमाणीकरण मापदंडांचा वापर केला गेला. संकरीकरण मॉडेल्सचे सरासरी पूर्ण त्रुटी (MAE), मूळ वर्ग त्रुटी (RMSE), आणि R-squared किंवा coefficient of the refined deporter2 (प्रोफिशंट डीआरवेरिअन्सचे उत्तर) वापरून मूल्यांकन केले गेले. प्रतिगमन मॉडेलद्वारे. RMSE आणि भिन्नता परिमाण स्वतंत्र उपायांमध्ये मॉडेलच्या भविष्यसूचक शक्तीचे वर्णन करतात, तर MAE वास्तविक परिमाणवाचक मूल्य निर्धारित करते. प्रमाणीकरण मापदंडांचा वापर करून सर्वोत्तम मिश्रण मॉडेलचे मूल्यमापन करण्यासाठी R2 मूल्य उच्च असणे आवश्यक आहे, मूल्य 1 च्या जवळ असेल, अचूकता जास्त असेल.59, 0.75 किंवा त्याहून अधिकचे R2 निकष मूल्य चांगले प्रेडिक्टर मानले जाते;0.5 ते 0.75 पर्यंत स्वीकार्य मॉडेल कार्यप्रदर्शन आहे, आणि 0.5 च्या खाली अस्वीकार्य मॉडेल कार्यप्रदर्शन आहे. RMSE आणि MAE प्रमाणीकरण निकष मूल्यमापन पद्धती वापरून मॉडेल निवडताना, प्राप्त केलेली निम्न मूल्ये पुरेशी होती आणि ती सर्वोत्तम निवड मानली गेली. खालील समीकरण सत्यापन पद्धतीचे वर्णन करते.
जेथे n निरीक्षण मूल्याचा आकार दर्शवतो\({Y}_{i}\) मोजलेल्या प्रतिसादाचे प्रतिनिधित्व करतो आणि \({\widehat{Y}}_{i}\) देखील अंदाजित प्रतिसाद मूल्याचे प्रतिनिधित्व करतो, म्हणून, पहिल्या i निरीक्षणांसाठी.
प्रेडिक्टर आणि रिस्पॉन्स व्हेरिएबल्सचे सांख्यिकीय वर्णन तक्ता 1 मध्ये सादर केले आहे, सरासरी, मानक विचलन (SD), भिन्नतेचे गुणांक (CV), किमान, कमाल, कर्टोसिस आणि स्क्युनेस दर्शवित आहे. घटकांची किमान आणि कमाल मूल्ये Mg < Ca < K < Ni आणि Ca < C < N variable ( Mg < Ca < K < Ni आणि Ca < C < N s variable variation of Mg < Ca < K < Ni आणि Cas < C < सेंटीव्ह रिस्पॉन्स ) च्या घटत्या क्रमाने आहेत. ) अभ्यास क्षेत्रातून नमुना 4.86 ते 42.39 mg/kg पर्यंत आहे. Ni ची जागतिक सरासरी (29 mg/kg) आणि युरोपीय सरासरी (37 mg/kg) यांच्याशी तुलना केल्याने असे दिसून आले की अभ्यास क्षेत्रासाठी एकूण गणना केलेले भौमितिक माध्य हे सहन करण्यायोग्य श्रेणीमध्ये होते. तरीही, सरासरी 1 द्वारे दर्शविल्याप्रमाणे, कॅलबॅन्डी 1 नुसार सरासरी स्वीडनमधील कृषी मातीत सध्याच्या अभ्यासात केंद्रीकरण हे दर्शविते की सध्याची सरासरी निकेल एकाग्रता जास्त आहे. त्याचप्रमाणे, सध्याच्या अभ्यासात शहरी आणि पेरी-शहरी मातीत फ्रायडेक मिस्टेकची सरासरी एकाग्रता (Ni 16.15 mg/kg) 60 mg/10g/10 10mg/kg 2000 पेक्षा जास्त होती. et al. शिवाय, Bretzel आणि Calderisi61 ने सध्याच्या अभ्यासाच्या तुलनेत टस्कनी येथील शहरी मातीत खूप कमी सरासरी Ni सांद्रता (1.78 mg/kg) नोंदवली आहे. Jim62 ला हाँगकाँगच्या शहरी मातीत कमी निकेल एकाग्रता (12.34 mg/kg) आढळून आली आहे, जे सध्याच्या अभ्यासाच्या तुलनेत निकेल 61% सरासरी प्रमाणापेक्षा कमी आहे. जर्मनीतील सॅक्सोनी-अनहॉल्ट येथील जुन्या खाण आणि शहरी औद्योगिक क्षेत्रात 17.6 mg/kg चे केंद्रीकरण, जे त्या क्षेत्रातील सरासरी Ni एकाग्रता (16.15 mg/kg) पेक्षा 1.45 mg/kg जास्त होते. सध्याचे संशोधन. मातीत जास्त प्रमाणात निकेलचे प्रमाण काही शहरी आणि उपनगरीय क्षेत्रामध्ये धातू उद्योगाच्या मुख्यतः स्टेपल आणि उपनगरीय क्षेत्राचा अभ्यास केला जाऊ शकतो. Khodadoust et al च्या अभ्यासाशी सुसंगत आहे.64 की पोलाद उद्योग आणि धातूकाम हे मातीतील निकेल दूषित होण्याचे मुख्य स्त्रोत आहेत. तथापि, भविष्यसूचक देखील 538.70 mg/kg ते 69,161.80 mg/kg Ca साठी, 497.51 mg/kg ते 3535.68 mg/kg/5k. 8k/69 kg. Mg. Jakovljevic et al साठी 5 mg/kg.65 ने मध्य सर्बियातील मातीतील एकूण Mg आणि K सामग्रीची तपासणी केली. त्यांना असे आढळले की एकूण एकाग्रता (अनुक्रमे 410 mg/kg आणि 400 mg/kg) सध्याच्या अभ्यासाच्या Mg आणि K सांद्रतेपेक्षा कमी आहे. अभेद्य, पूर्व पोलंडमध्ये, Orzechowski आणि Smolczysकी एकूण सांद्रता आणि K 6 ची सरासरी सांद्रता दर्शविली. Ca (1100 mg/kg), Mg (590 mg/kg) आणि K (810 mg/kg) मातीच्या वरच्या भागातील सामग्री या अभ्यासातील एका घटकापेक्षा कमी आहे. Pongrac et al द्वारे अलीकडील अभ्यास.67 ने दाखवले की स्कॉटलंड, यूके (Mylnefield माती, Balruddery माती आणि Hartwood माती) मधील 3 वेगवेगळ्या मातीत विश्लेषित केलेल्या एकूण Ca सामग्रीने या अभ्यासात उच्च Ca सामग्री दर्शविली.
नमुना केलेल्या घटकांच्या वेगवेगळ्या मोजलेल्या एकाग्रतेमुळे, घटकांच्या डेटा सेट वितरणामध्ये भिन्न तिरकसपणा दिसून येतो. घटकांचा तिरकसपणा आणि कर्टोसिस अनुक्रमे 1.53 ते 7.24 आणि 2.49 ते 54.16 पर्यंत आहे. सर्व गणना केलेल्या घटकांमध्ये skewness आणि वरील डेटा, kurtosis पातळी +1 आहे. योग्य दिशेने तिरकस आणि शिखरावर. घटकांचे अंदाजे CVs देखील दर्शवतात की K, Mg, आणि Ni मध्यम परिवर्तनशीलता प्रदर्शित करतात, तर Ca मध्ये अत्यंत उच्च परिवर्तनशीलता आहे. K, Ni आणि Mg चे CV त्यांचे एकसमान वितरण स्पष्ट करतात. शिवाय, Ca वितरण एकसमान नसलेले आहे आणि बाह्य स्त्रोत त्याच्या संवर्धन स्तरावर परिणाम करू शकतात.
प्रतिसाद घटकांसह प्रेडिक्टर व्हेरिएबल्सचा सहसंबंध घटकांमधील समाधानकारक सहसंबंध दर्शवितो (आकृती 3 पहा). सहसंबंधाने सूचित केले की CaK ने CaNi प्रमाणेच r मूल्य = 0.53 सह मध्यम सहसंबंध प्रदर्शित केले. जरी Ca आणि K एकमेकांशी विनम्र सहसंबंध दर्शवितात, जसे की राजा अल संशोधक.68 आणि Santo69 असे सुचविते की त्यांची मातीतील पातळी व्यस्त प्रमाणात आहे. तथापि, Ca आणि Mg हे K च्या विरोधी आहेत, परंतु CaK चांगले परस्परसंबंधित आहेत. हे पोटॅशियम कार्बोनेट सारख्या खतांच्या वापरामुळे असू शकते, जे पोटॅशियममध्ये 56% जास्त आहे. पोटॅशियम माफक प्रमाणात मॅग्नेशिअम 3 एम 3 (0) सह correlated होते. , या दोन घटकांचा जवळचा संबंध आहे कारण पोटॅशियम मॅग्नेशियम सल्फेट, पोटॅशियम मॅग्नेशियम नायट्रेट आणि पोटॅश मातीत त्यांच्या कमतरतेची पातळी वाढवण्यासाठी लागू केले जातात. निकेल मध्यम प्रमाणात Ca, K आणि Mg सह r मूल्ये = 0.52, 0.63 आणि 0.55 सहसंबंधित आहे, अनुक्रमे Pmagnesium आणि 0.55 call, volving. जटिल आहेत, परंतु तरीही, मॅग्नेशियम कॅल्शियम शोषण्यास प्रतिबंध करते, कॅल्शियम अतिरिक्त मॅग्नेशियमचे परिणाम कमी करते आणि मॅग्नेशियम आणि कॅल्शियम दोन्ही मातीतील निकेलचे विषारी प्रभाव कमी करतात.
घटकांसाठी सहसंबंध मॅट्रिक्स प्रेडिक्टर आणि प्रतिसाद यांच्यातील संबंध दर्शविते (टीप: या आकृतीमध्ये घटकांमधील स्कॅटरप्लॉट समाविष्ट आहे, महत्त्व पातळी p < 0,001 वर आधारित आहेत).
आकृती 4 घटकांचे अवकाशीय वितरण स्पष्ट करते. Burgos et al70 नुसार, अवकाशीय वितरणाचा वापर हे प्रदूषित भागात हॉट स्पॉट्सचे प्रमाण निश्चित करण्यासाठी आणि हायलाइट करण्यासाठी वापरले जाणारे एक तंत्र आहे. आकृती 4 मधील Ca ची संवर्धन पातळी. वायव्य भागात पाहिले जाऊ शकते. Ca ची संवर्धन पातळी. मातीची आंबटपणा कमी करण्यासाठी क्विकलाइम (कॅल्शियम ऑक्साईड) वापरल्यामुळे आणि स्टील मिल्समध्ये स्टील बनविण्याच्या प्रक्रियेत अल्कधर्मी ऑक्सिजन म्हणून वापरल्यामुळे नकाशाच्या वायव्येकडील सीम संवर्धन होण्याची शक्यता आहे. दुसरीकडे, इतर शेतकरी अम्लीय मातीत कॅल्शियम हायड्रॉक्साईडचा वापर करणे पसंत करतात ज्यामुळे पीएच 7 चे प्रमाण देखील वाढते. नकाशाच्या वायव्य आणि पूर्वेला. वायव्य हा एक प्रमुख कृषी समुदाय आहे आणि पोटॅशियमचा मध्यम ते उच्च नमुना NPK आणि पोटॅश ऍप्लिकेशन्समुळे असू शकतो. हे इतर अभ्यासांशी सुसंगत आहे, जसे की मदारस आणि Lipavský72, Madaras et al.73, Pulkrabová, et al. l आणि NPK मुळे जमिनीत उच्च K सामग्री आली.पोटॅशियम क्लोराईड, पोटॅशियम सल्फेट, पोटॅशियम नायट्रेट, पोटॅश आणि पोटॅश यांसारख्या पोटॅशियम-आधारित खतांच्या वापरामुळे वितरण नकाशाच्या वायव्येकडील स्थानिक पोटॅशियम समृद्धी खराब मातीत पोटॅशियम सामग्री वाढवण्यासाठी असू शकते. Zádorová et al.76 आणि Tlustoš et al.77 ने रेखांकित केले आहे की K-आधारित खतांच्या वापरामुळे जमिनीतील K सामग्री वाढली आणि दीर्घकाळात मातीची पोषक सामग्री लक्षणीयरीत्या वाढेल, विशेषत: K आणि Mg जमिनीत एक हॉट स्पॉट दर्शविते. नकाशाच्या वायव्येस आणि नकाशाच्या आग्नेय भागात तुलनेने मध्यम हॉटस्पॉट्स. मातीमध्ये कोलोइडल फिक्सेशनची कमतरता आहे त्यामुळे मातीमध्ये कोलोइडल स्थिरता कमी होते. वनस्पतींमध्ये पिवळसर इंटरव्हेन क्लोरोसिस दिसून येते. पोटॅशियम मॅग्नेशियम सल्फेट, मॅग्नेशियम सल्फेट आणि किसेराइट सारखी मॅग्नेशियम-आधारित खते, कमतरतेवर उपचार करतात (वनस्पती जांभळ्या, लाल किंवा तपकिरी दिसतात, जे मॅग्नेशियमची कमतरता दर्शवितात) मातीत पीकेलबॅनिक आणि पीएचकेलबॅन्सच्या सामान्य श्रेणीसह. il पृष्ठभाग मानववंशजन्य क्रियाकलाप जसे की शेती आणि स्टेनलेस स्टील उत्पादनात निकेलचे महत्त्व यामुळे असू शकतात78.
घटकांचे अवकाशीय वितरण [आर्कजीआयएस डेस्कटॉप (ESRI, Inc, आवृत्ती 10.7, URL: https://desktop.arcgis.com) वापरून अवकाशीय वितरण नकाशा तयार केला गेला.]
या अभ्यासात वापरलेल्या घटकांसाठी मॉडेल परफॉर्मन्स इंडेक्सचे परिणाम तक्ता 2 मध्ये दर्शविले आहेत. दुसरीकडे, Ni चे RMSE आणि MAE दोन्ही शून्याच्या जवळ आहेत (0.86 RMSE, -0.08 MAE). दुसरीकडे, K ची RMSE आणि MAE दोन्ही मूल्ये स्वीकार्य आहेत. RMSE आणि MAE हे KSERM साठी जास्त आणि देय असलेले परिणाम जास्त आहेत. वेगवेगळ्या डेटासेटसाठी. EBK वापरून या अभ्यासाचा RMSE आणि MAE चा अंदाज लावण्यासाठी जॉन एट अल च्या परिणामांपेक्षा चांगले असल्याचे आढळले.54 समान गोळा केलेल्या डेटाचा वापर करून मातीतील S एकाग्रतेचा अंदाज लावण्यासाठी synergistic kriging वापरत आहे. आम्ही ज्या EBK आउटपुटचा अभ्यास केला आहे ते Fabijaczyk et al यांच्याशी संबंधित आहेत.41, यान इत्यादी.79, बेगुइन इत्यादी.80, अधिकारी आणि इतर.81 आणि जॉन एट अल.82, विशेषतः K आणि Ni.
शहरी आणि पेरी-शहरी मातीत निकेल सामग्रीचा अंदाज लावण्यासाठी वैयक्तिक पद्धतींच्या कामगिरीचे मूल्यमापन मॉडेल्सच्या कामगिरीचा वापर करून केले गेले (तक्ता 3). मॉडेल प्रमाणीकरण आणि अचूकता मूल्यमापनाने पुष्टी केली की EBK SVMR मॉडेलसह Ca_Mg_K प्रेडिक्टरने एकत्रितपणे सर्वोत्तम कामगिरी केली. Calibration_MVRK मॉडेल (Calibration_Error_SVMR) मॉडेलचे वर्गीकरण. RMSE) आणि सरासरी परिपूर्ण त्रुटी (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) आणि 77.368 mg/kg (MAE) Ca_Mg_K-SVMR होते 0.663 (R2), 235.974 mg/kg, 6MARSE/kg (RM69g, 6MA69g चांगले मूल्य) आणि RME69kg. s Ca_Mg_K-SVMR (0.663 mg/kg R2) आणि Ca_Mg-EBK_SVMR (0.643 = R2) साठी प्राप्त झाले;त्यांचे RMSE आणि MAE परिणाम Ca_Mg_K-EBK_SVMR (R2 0.637) पेक्षा जास्त होते (तक्ता 3 पहा). शिवाय, Ca_Mg-EBK_SVMR चे RMSE आणि MAE (RMSE = 1664.64 आणि MAE = 1031.47 आणि 135 पेक्षा मोठे आहेत.) Ca_Mg_K-EBK_SVMR. त्याचप्रमाणे, Ca_Mg-K SVMR (RMSE = 235.974 आणि MAE = 166.946) मॉडेलचे RMSE आणि MAE Ca_Mg_K-EBK_SVMR च्या तुलनेत 2.5 आणि 2.2 मोठे आहेत. डेटा संच सर्वोत्कृष्ट तंदुरुस्त रेषेसह आहे. उच्च RSME आणि MAE चे निरीक्षण केले गेले. Kebonye et al नुसार.46 आणि जॉन एट अल.54, RMSE आणि MAE शून्याच्या जितके जवळ असतील, तितके चांगले परिणाम. SVMR आणि EBK_SVMR मध्ये उच्च परिमाणित RSME आणि MAE मूल्ये आहेत. असे आढळून आले की RSME अंदाज MAE मूल्यांपेक्षा सातत्याने जास्त होते, जे बाहेरील लोकांची उपस्थिती दर्शविते. McCRM नुसार, ज्याचा अर्थ exe3 आणि McCRM नुसार exeent आहे. आउटलियर्सच्या उपस्थितीचे सूचक म्हणून सोल्युट एरर (MAE) ची शिफारस केली जाते. याचा अर्थ असा की डेटासेट जितका अधिक विषम असेल तितकी MAE आणि RMSE मूल्ये जास्त. Ca_Mg_K-EBK_SVMR मिश्रित मॉडेलच्या क्रॉस-व्हॅलिडेशन मूल्यांकनाची अचूकता अंदाज लावण्यासाठी आउटलियर्सच्या उपस्थितीचे सूचक आहे.59, अचूकतेची ही पातळी स्वीकार्य मॉडेल कामगिरी दर आहे. सध्याच्या निकालांची तुलना तारासोव एट अल यांनी केलेल्या मागील अभ्यासाशी केली आहे.36 ज्यांच्या संकरित मॉडेलने MLPRK (Multilayer Perceptron Residual Kriging) तयार केले, EBK_SVMR अचूकता मूल्यमापन निर्देशांकाशी संबंधित, वर्तमान अभ्यासात नोंदवलेले, RMSE (210) आणि MAE (167.5) हे सध्याच्या अभ्यासातील आमच्या निकालांपेक्षा जास्त होते (RMSE 95.479, .3.679, 2.3.3.3.3.2) वर्तमान अभ्यासातील आमच्या निकालांपेक्षा जास्त. (0.637) तारासोव आणि इतर.36 (0.544), हे स्पष्ट आहे की या मिश्रित मॉडेलमध्ये निर्धार गुणांक (R2) जास्त आहे. मिश्रित मॉडेलसाठी त्रुटीचे मार्जिन (RMSE आणि MAE) (EBK SVMR) दोन पट कमी आहे. त्याचप्रमाणे, Sergeev et al.34 ने 0.28 (R2) रेकॉर्ड केले आहे, तर Kreceptor (R2) मॉडेल विकसित केले आहे. सध्याच्या अभ्यासात 0.637 (R2) नोंद झाली आहे. या मॉडेलची अंदाज अचूकता पातळी (EBK SVMR) 63.7% आहे, तर सर्गीव एट अल यांनी अंदाज अचूकता प्राप्त केली आहे.34 हे 28% आहे. EBK_SVMR मॉडेल आणि Ca_Mg_K एक भविष्यवाणी म्हणून वापरून तयार केलेला अंतिम नकाशा (Fig. 5) संपूर्ण अभ्यास क्षेत्रावर हॉट स्पॉट्स आणि मध्यम ते निकेलचा अंदाज दर्शवितो. याचा अर्थ असा आहे की अभ्यास क्षेत्रात निकेलची एकाग्रता प्रामुख्याने मध्यम आहे, काही विशिष्ट भागात जास्त सांद्रता आहे.
अंतिम अंदाज नकाशा संकरित मॉडेल EBK_SVMR वापरून आणि Ca_Mg_K चा प्रेडिक्टर म्हणून वापर करून दाखवला आहे.[स्थानिक वितरण नकाशा RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार करण्यात आला आहे.]
आकृती 6 मध्‍ये सादर केलेल्‍या पीटीई कॉन्सन्ट्रेशनमध्‍ये वैयक्तिक न्यूरॉन्सचा समावेश असलेले कंपोझिशन समतल आहे. कोणत्याही घटक समतलांनी दर्शविल्याप्रमाणे समान रंगाचे पॅटर्न प्रदर्शित केले नाही. तथापि, काढलेल्या नकाशावर न्यूरॉन्सची योग्य संख्या 55 आहे.SeOM विविध रंगांचा वापर करून तयार केले जाते आणि रंगांचे नमुने जितके अधिक समान असतील तितके वैयक्तिक नमुने घटकांच्या रंगसंगतीचे प्रमाण अधिक असेल. , K, आणि Mg) ने सिंगल हाय न्यूरॉन्स आणि सर्वात कमी न्यूरॉन्ससाठी समान रंगाचे नमुने दाखवले. अशा प्रकारे, CaK आणि CaMg अतिशय उच्च-ऑर्डर न्यूरॉन्स आणि कमी-ते-मध्यम रंगांच्या नमुन्यांसह काही समानता सामायिक करतात. दोन्ही मॉडेल्स रंगांच्या मध्यम ते उच्च छटा दाखवून मातीमध्ये Ni च्या एकाग्रतेचा अंदाज लावतात जसे की लाल, o प्रीएम पॅटर्न आणि प्रीएम पॅटर्नवर आधारित अनेक रंग आणि उच्च पोर्ट. कमी ते मध्यम रंगाचे पॅचेस.निम्न ते उच्च या अचूक रंगाच्या स्केलवर, मॉडेलच्या घटकांच्या समतल वितरण पॅटर्नने उच्च रंगाचा नमुना दाखवला जो मातीमध्ये निकेलची संभाव्य एकाग्रता दर्शवितो (आकृती 4 पहा). CakMg मॉडेल घटक समतल कमी ते उच्च विविध रंगांचा नमुना दर्शवितो. 'अचूक रंगाच्या प्रमाणानुसार CakMg मॉडेलचे प्रमाण अधिक असते. आकृती 5 मध्ये दर्शविलेल्या निकेलच्या अवकाशीय वितरणाप्रमाणेच. दोन्ही आलेख शहरी आणि पेरी-शहरी मातीत निकेल एकाग्रतेचे उच्च, मध्यम आणि कमी प्रमाण दर्शवितात. आकृती 7 नकाशावरील k-म्हणजे गटात समोच्च पद्धतीचे चित्रण करते, प्रत्येक प्री-ऑप्युर पद्धतीच्या संख्येच्या आधारावर तीन क्लस्टर्समध्ये विभागलेले आहे. f 115 मातीचे नमुने गोळा केले, श्रेणी 1 ने सर्वात जास्त मातीचे नमुने मिळवले, 74.क्लस्टर 2 ला 33 नमुने मिळाले, तर क्लस्टर 3 ला 8 नमुने मिळाले.सात-घटक प्लॅनर प्रेडिक्टर कॉम्बिनेशनला क्लस्टरचे अचूक अर्थ लावण्यासाठी सोपे करण्यात आले.असंख्य घटकांमुळे आणि नैसर्गिकरित्या विविध ऍन्थ्रोजेन प्रक्रियेवर परिणाम करणे कठीण आहे. वितरित SeOM नकाशा78 मध्ये ster नमुने.
प्रत्येक अनुभवजन्य बायेसियन क्रिगिंग सपोर्ट वेक्टर मशीन (EBK_SVM_SeOM) व्हेरिएबलद्वारे घटक विमान आउटपुट.[SeOM नकाशे RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार केले गेले.]
विविध क्लस्टर वर्गीकरण घटक [SeOM नकाशे RStudio (आवृत्ती 1.4.1717: https://www.rstudio.com/) वापरून तयार केले गेले.]
सध्याचा अभ्यास शहरी आणि पेरी-शहरी मातीत निकेल एकाग्रतेसाठी मॉडेलिंग तंत्र स्पष्टपणे स्पष्ट करतो. मातीतील निकेल एकाग्रतेचा अंदाज लावण्याचा सर्वोत्तम मार्ग मिळविण्यासाठी या अभ्यासात भिन्न मॉडेलिंग तंत्रांची चाचणी घेण्यात आली, मॉडेलिंग तंत्रांसह घटक एकत्र करून. SeOM रचनात्मक प्लॅनर स्पेसियल वैशिष्ट्ये मॉडेलिंगच्या उच्च रंग स्केलवर उच्च रंगीत रंग आणि उच्च रंग स्केलवर कमी रंगापर्यंत. मातीतील राशन. तथापि, अवकाशीय वितरण नकाशा EBK_SVMR द्वारे प्रदर्शित केलेल्या घटकांच्या प्लॅनर अवकाशीय वितरणाची पुष्टी करतो (चित्र 5 पहा). परिणाम दर्शवितात की सपोर्ट वेक्टर मशीन रिग्रेशन मॉडेल (Ca Mg K-SVMR) मातीमध्ये Ni च्या एकाग्रतेचा अंदाज लावते, परंतु एकल पॅरामीटरमध्ये एकल पॅरामीटर एरर एक उच्च पातळी दर्शवते. RMSE आणि MAE च्या अटी. दुसरीकडे, EBK_MLR मॉडेलसह वापरले जाणारे मॉडेलिंग तंत्र देखील निर्धाराच्या गुणांक (R2) च्या कमी मूल्यामुळे सदोष आहे. EBK SVMR आणि एकत्रित घटक (CaKMg) वापरून चांगले परिणाम प्राप्त झाले आहेत ज्यात कमी RMSE आणि MAE त्रुटी आहेत. मशिन लर्निंग अल्गोरिदमसह अल्गोरिदम एक संकरित अल्गोरिदम तयार करू शकतो जो मातीमध्ये PTEs च्या एकाग्रतेचा अंदाज लावू शकतो. परिणाम दर्शविते की Ca Mg K चा वापर करून अभ्यास क्षेत्रात Ni सांद्रतेचा अंदाज लावल्यास मातीत Ni चा अंदाज सुधारू शकतो. याचा अर्थ असा आहे की निकेल-आधारित उद्योगात निकेल-आधारित आणि टेनफेरिलर्सच्या सतत वापरामुळे औद्योगिक प्रदूषणात वाढ होते. मातीमध्ये निकेलचे प्रमाण. या अभ्यासातून असे दिसून आले आहे की EBK मॉडेल त्रुटीची पातळी कमी करू शकते आणि शहरी किंवा पेरी-शहरी मातीत मातीच्या स्थानिक वितरणाच्या मॉडेलची अचूकता सुधारू शकते. सर्वसाधारणपणे, आम्ही मातीमध्ये PTE चे मूल्यांकन आणि अंदाज लावण्यासाठी EBK-SVMR मॉडेल लागू करण्याचा प्रस्ताव देतो;याव्यतिरिक्त, आम्ही विविध मशीन लर्निंग अल्गोरिदमसह संकरित करण्यासाठी EBK वापरण्याचा प्रस्ताव देतो. कोव्हेरिएट्स म्हणून घटकांचा वापर करून नी एकाग्रतेचा अंदाज लावला होता;तथापि, अधिक कोव्हेरिएट्स वापरल्याने मॉडेलच्या कार्यप्रदर्शनात मोठ्या प्रमाणात सुधारणा होईल, जी सध्याच्या कामाची मर्यादा मानली जाऊ शकते. या अभ्यासाची आणखी एक मर्यादा म्हणजे डेटासेटची संख्या 115 आहे. त्यामुळे, अधिक डेटा प्रदान केल्यास, प्रस्तावित ऑप्टिमाइझ केलेल्या संकरीकरण पद्धतीची कार्यक्षमता सुधारली जाऊ शकते.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 एप्रिल 2021 रोजी प्रवेश).
Kasprzak, KS Nickel आधुनिक पर्यावरणीय विषविज्ञान. surroundings.toxicology.11, 145–183 (1987) मध्ये प्रगती करत आहे.
Cempel, M. & Nikel, G. Nickel: A Review of its Sources and Environmental toxicology.Polish J. Environment.Stud.15, 375–382 (2006).
फ्रीडमॅन, बी. आणि हचिन्सन, टीसी वातावरणातील प्रदूषक इनपुट आणि सडबरी, ओंटारियो, कॅनडा येथील निकेल-तांबे स्मेल्टरजवळ माती आणि वनस्पतींमध्ये जमा होणे.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Maniwa, T. et al. Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-021-x).
Cabata-Pendias.Kabata-Pendias A. 2011. मातीमधील घटक शोधून काढा आणि… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+A.+2011.+Trace+Elements+and+th+2+th+or+Y+8+9++++++++++++2011. NY%29%3A+CRC+Pres&btnG= (24 नोव्हें 2020 रोजी प्रवेश केला).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Soer-Varanger, Norway.agris.fao.org मधील कृषी मातीत आणि गवतांमधील जड धातूंच्या एकाग्रतेवर रशियन निकेल उद्योगाचा प्रभाव.
Nielsen, GD et al. निकेलचे शोषण आणि पिण्याच्या पाण्यात धारणा हे अन्न सेवन आणि निकेलच्या संवेदनशीलतेशी संबंधित आहेत. toxicology.application.Pharmacodynamics.154, 67–75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
अजमान, पीसी;अजाडो, एसके;बोरोव्का, एल.;बिनी, जेकेएम;सरकोडी, VYO;कोबोनी, एनएम;संभाव्य विषारी घटकांचे ट्रेंड अॅनालिसिस: अ बिब्लियोमेट्रिक रिव्ह्यू.पर्यावरण भू-रसायनशास्त्र आणि आरोग्य.स्प्रिंगर सायन्स अँड बिझनेस मीडिया 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. डिजिटल माती मॅपिंगवर. 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+Vers+s+6+Oxford+s+6+Pages G= (28 एप्रिल 2021 रोजी प्रवेश केला).