Nature.com သို့လာရောက်လည်ပတ်သည့်အတွက် ကျေးဇူးတင်ပါသည်။ သင်အသုံးပြုနေသောဘရောက်ဆာဗားရှင်းသည် CSS အတွက် အကန့်အသတ်ဖြင့် ပံ့ပိုးမှုရှိပါသည်။ အကောင်းဆုံးအတွေ့အကြုံအတွက်၊ အပ်ဒိတ်လုပ်ထားသောဘရောက်ဆာတစ်ခု (သို့မဟုတ် Internet Explorer တွင် လိုက်ဖက်ညီသောမုဒ်ကိုပိတ်ရန်) အကြံပြုပါသည်။ ထိုအချိန်တွင် ဆက်လက်ပံ့ပိုးကူညီမှုသေချာစေရန်၊ ပုံစံများနှင့် JavaScript မပါဘဲ ဆိုက်ကိုပြသပါမည်။
မြေဆီလွှာညစ်ညမ်းမှုသည် လူတို့၏လုပ်ဆောင်မှုများကြောင့်ဖြစ်ရသည့် ကြီးမားသောပြဿနာတစ်ခုဖြစ်သည်။ အဆိပ်ဖြစ်နိုင်ချေရှိသောဒြပ်စင်များ (PTEs) သည် မြို့ပြနှင့်မြို့ပြဒေသအများစုတွင် ကွဲပြားသည်။ ထို့ကြောင့်၊ ထိုကဲ့သို့သောမြေများတွင် PTE များ၏ပါဝင်မှုကို နေရာဒေသအလိုက် ခန့်မှန်းရန်ခက်ခဲပါသည်။ ချက်သမ္မတနိုင်ငံရှိ Frydek Mistek ၊ Frydek Mistek မှရရှိသော နမူနာစုစုပေါင်း 115 ခုကို ချက်သမ္မတနိုင်ငံ Frydek Mistek မှရရှိသော (ပိုတက်စီယမ်) နှင့် Caickel (K.Calci) (မဂ္ဂနီဆီယမ်)၊ inductively coupled plasma emission spectrometry ကိုအသုံးပြု၍ ဆုံးဖြတ်ထားသည်။ တုံ့ပြန်မှုကိန်းရှင်သည် Ni ဖြစ်ပြီး ကြိုတင်ခန့်မှန်းသူများသည် Ca၊ Mg နှင့် K ဖြစ်သည်။ တုံ့ပြန်မှုကိန်းရှင်နှင့် ကြိုတင်ခန့်မှန်းကိန်းရှင်ကြားရှိ ဆက်စပ်မက်ထရစ်သည် ဒြပ်စင်များကြား ကျေနပ်ဖွယ်ရာဆက်စပ်မှုကို ပြသနေသည်။ ခန့်မှန်းရလဒ်များက ပံ့ပိုးမှု Vector Machine Regression (SVMR) (စတုရန်းပုံ) 5 ၏ ခန့်မှန်းချက် (၄) (စတုရန်းပုံ) 5. mg/kg) နှင့် mean absolute error (MAE) (166.946 mg/kg) သည် အခြားနည်းလမ်းများထက် ပိုမိုမြင့်မားပါသည်။ Empirical Bayesian Kriging-Multiple Linear Regression (EBK-MLR) အတွက် ရောစပ်ထားသော မော်ဒယ်များသည် 0.1 ထက်နည်းသော ဆုံးဖြတ်ခြင်း၏ဖော်ကိန်းများဖြင့် သက်သေပြထားသည့်အတိုင်း စွမ်းဆောင်ရည် ညံ့ဖျင်းပါသည်။ အနိမ့်ဆုံးမော်ဒယ်၊ RMSE (95.479 mg/kg) နှင့် MAE (77.368 mg/kg) တန်ဖိုးများ နှင့် မြင့်မားသောဆုံးဖြတ်ခြင်းဆိုင်ရာ ကိန်းဂဏန်းများ (R2 = 0.637)။ EBK-SVMR မော်ဒယ်လ်နည်းပညာ၏ ရလဒ်ကို ကိုယ်တိုင်စုစည်းထားသော မြေပုံကို အသုံးပြု၍ ရုပ်ထွက်ကို မြင်နိုင်သည်။ ပေါင်းစပ်ပုံစံ နှင့် CMREB ၏ ရောင်စုံပုံစံ MREB ၏ ပေါင်းစပ်ပုံစံ နှင့် Clustered နျူရွန်များ ပေါင်းစပ်ထားသော မျဥ်းပုံအတွင်းရှိ အာရုံကြောများ မြို့ပြမြေဆီလွှာ။ရလဒ်များသည် EBK နှင့် SVMR ပေါင်းစပ်ခြင်းသည် မြို့ပြနှင့် မြို့ပြမြေများတွင် Ni ပြင်းအားကို ခန့်မှန်းရန်အတွက် ထိရောက်သောနည်းပညာတစ်ခုဖြစ်ကြောင်း သက်သေပြနေပါသည်။
နီကယ် (Ni) သည် အပင်များအတွက် သေးငယ်သောအာဟာရအဖြစ် သတ်မှတ်ထားသောကြောင့် ၎င်းသည် လေထုအတွင်း နိုက်ထရိုဂျင်စုစည်းမှု (N) နှင့် ယူရီးယား ဇီဝြဖစ်ပျက်မှုကို ပံ့ပိုးပေးသောကြောင့် မျိုးစေ့ပေါက်ရန် လိုအပ်ပါသည်။ Ni သည် မျိုးစေ့ပေါက်စေရန် ပံ့ပိုးပေးသည့်အပြင် Ni သည် မှိုနှင့် ဘက်တီးရီးယားများကို ဟန့်တားကာ အပင်ကြီးထွားမှုကို အားပေးသည်။ နိုက်ထရိုဂျင် ပြုပြင်ခြင်းကို အကောင်းဆုံးဖြစ်အောင် အခြေခံထားသော မြေသြဇာများ 2. မြေဆီလွှာကို ကြွယ်ဝစေရန် နီကယ်အခြေခံမြေသြဇာများကို စဉ်ဆက်မပြတ် အသုံးချပြီး မြေဆီလွှာရှိ နိုက်ထရိုဂျင်ကို ပြုပြင်ပေးနိုင်သော ပဲပင်များ၏ စွမ်းရည်ကို တိုးမြင့်စေကာ မြေဆီလွှာအတွင်းရှိ နီကယ်ပါဝင်မှုနှုန်းကို စဉ်ဆက်မပြတ် တိုးလာစေပါသည်။ နီကယ်သည် အပင်များအတွက် သေးငယ်သော်လည်း သံဓာတ်လွန်ကဲစွာ စားသုံးပါက မြေဆီလွှာတွင် သံဓာတ်လွန်ကဲစွာ စားသုံးခြင်းသည် ကောင်းကျိုးထက် ပိုများပါသည်။ မြေဆီလွှာတွင် နီကယ်၏ အဆိပ်ဓာတ်သည် အပင်ကြီးထွားမှုနှင့် အာဟာရဓာတ်များကို နည်းပါးစေသည်။ Liu3 ၏ အဆိုအရ Ni သည် အပင်ဖွံ့ ဖြိုးမှုနှင့် ကြီးထွားမှုအတွက် လိုအပ်သော 17 ခုမြောက် အရေးကြီးသော ဒြပ်စင်ဖြစ်ကြောင်း တွေ့ရှိရပါသည်။ အပင်ကြီးထွားမှုနှင့် ကြီးထွားမှုတွင် နီကယ်၏ အခန်းကဏ္ဍအပြင် အသုံးချမှုအမျိုးမျိုးအတွက် လူသားတို့ လိုအပ်ပါသည်။ လျှပ်စစ်ပလပ်ခြင်း၊ နီကယ်အခြေခံသတ္တုစပ်များထုတ်လုပ်ခြင်းနှင့် မီးပွားစက်များနှင့် မီးပွားပလပ်များကို မော်တော်ယာဥ်လုပ်ငန်းတွင် နီကယ်အခြေခံအလွိုင်းများအပြင် စက်မှုကဏ္ဍအသီးသီးတွင် နီကယ်အခြေခံအလွိုင်းများကို အသုံးပြုရန် လိုအပ်ပါသည်။ မီးဖိုချောင်သုံးပစ္စည်းများ၊ Ballroom ဆက်စပ်ပစ္စည်းများ၊ အစားအသောက်လုပ်ငန်းသုံးပစ္စည်းများ၊ လျှပ်စစ်၊ ဝါယာကြိုးနှင့် ကေဘယ်လ်၊ ဂျက်တာဘိုင်များ၊ ခွဲစိတ်ကုသမှုဆိုင်ရာ အစားထိုးပစ္စည်းများ၊ အထည်အလိပ်များနှင့် သင်္ဘောတည်ဆောက်ရေးတို့တွင် အသုံးပြုသည်။5. မြေဆီလွှာတွင် Ni-ကြွယ်ဝသောအဆင့်များ (ဆိုလိုသည်မှာ မျက်နှာပြင်မြေဆီလွှာ) သည် မနုဿဇီဝရုပ်နှင့် သဘာဝအရင်းအမြစ်နှစ်ခုလုံးအတွက် ရည်ညွှန်းထားသော်လည်း အဓိကအားဖြင့် Ni သည် သဘာဝအရင်းအမြစ်တစ်ခုဖြစ်သည်။ nvologenic4၊ မီးလောင်ကျွမ်းမှုနှင့် ဘူမိဗေဒဆိုင်ရာ လုပ်ငန်းစဉ်များ၊သို့သော်၊ မနုဿဇီဝဗေဒအရင်းအမြစ်များတွင် သံမဏိစက်ရုံရှိ နီကယ်/ကက်မီယမ်ဘက်ထရီများ၊ လျှပ်စစ်ပလပ်စတစ်၊ ဂဟေဆက်ခြင်း၊ ဒီဇယ်နှင့် လောင်စာဆီများ၊ ကျောက်မီးသွေးလောင်ကျွမ်းမှုနှင့် စွန့်ပစ်ပစ္စည်းများမှ လေထုအတွင်း ထုတ်လွှတ်သည့် အမှိုက်နှင့် အမှိုက်မီးရှို့ခြင်း နီကယ်စုဆောင်းခြင်း ၇၊၈။ Freedman and Hutchinson9 နှင့် Manyiwa အရ သိရသည်။10၊ လက်ငင်းနှင့် ကပ်လျက်ပတ်ဝန်းကျင်ရှိ အပေါ်ယံမြေဆီလွှာညစ်ညမ်းမှု၏ အဓိကရင်းမြစ်များမှာ နီကယ်-ကြေးနီကိုအခြေခံသည့် အရည်ကျိုနှင့် မိုင်းတွင်းများဖြစ်သည်။ ကနေဒါရှိ Sudbury နီကယ်-ကြေးနီသန့်စင်စက်ရုံဝန်းကျင်ရှိ ထိပ်တန်းမြေများတွင် နီကယ်ညစ်ညမ်းမှုပမာဏမှာ 26,000 မီလီဂရမ်/ကီလိုဂရမ်တွင် အမြင့်ဆုံးဖြစ်သည်။ ရုရှားတွင် ဆန့်ကျင်ဘက်အားဖြင့်၊ မြေ ၁၁။ဆွမ်းခံ et al.12၊ ဒေသ၏ စိုက်ပျိုးနိုင်သော ထိပ်တန်းမြေများတွင် HNO3-ထုတ်ယူနိုင်သော နီကယ်ပမာဏ (ရုရှားတွင် နီကယ်ထုတ်လုပ်မှု) သည် 6.25 မှ 136.88 mg/kg မှ 6.25 mg/kg မှ ပျမ်းမျှ 30.43 mg/kg နှင့် baseline concentration 25 mg/kg ဖြစ်သည်။ စိုက်ပျိုးရေးသုံး မြေဩဇာတွင် kabata perhorp သို့မဟုတ် 11 ၏ အဆိုအရ၊ သီးနှံရာသီ အဆက်ဆက်တွင် မြေဆီလွှာကို စိမ့်ဝင်ခြင်း သို့မဟုတ် ညစ်ညမ်းစေနိုင်သည်။ လူသားများတွင် နီကယ်၏ အလားအလာရှိသော အာနိသင်များသည် ဗီဇပြောင်းလဲမှု၊ ခရိုမိုဆိုမ်ပျက်စီးမှု၊ Z-DNA မျိုးဆက်၊ ပိတ်ဆို့ထားသော DNA ခွဲစိတ်ပြုပြင်မှု သို့မဟုတ် မျိုးရိုးဗီဇဆိုင်ရာ လုပ်ငန်းစဉ်များအားဖြင့် လူသားများတွင် နီကယ်ကို ဖြစ်ပေါ်စေနိုင်သည်။
မြေဆီလွှာ ညစ်ညမ်းမှုဆိုင်ရာ အကဲဖြတ်ချက်များသည် မြေဆီလွှာ-အပင် ဆက်ဆံရေး၊ မြေဆီလွှာနှင့် မြေဆီလွှာ ဇီဝဗေဒဆိုင်ရာ ဆက်ဆံရေး၊ ဂေဟစနစ် ပျက်စီးခြင်းနှင့် သဘာဝပတ်ဝန်းကျင် ထိခိုက်မှု ဆန်းစစ်ခြင်းမှ ပေါ်ပေါက်လာသော ကျန်းမာရေးဆိုင်ရာ ပြဿနာများစွာကြောင့် မကြာသေးမီအချိန်များအတွင်း ဖြစ်ထွန်းအောင်မြင်ခဲ့ပါသည်။ ယနေ့အထိ၊ Ni ကဲ့သို့သော မြေဆီလွှာတွင် ဖြစ်နိုင်ချေရှိသော အဆိပ်ဖြစ်စေနိုင်သော ဒြပ်စင်များ (PTEs) ၏ ခန့်မှန်းချက်သည် ခက်ခဲပြီး အချိန်ကုန်၍ ၎င်း၏ ဒစ်ဂျစ်တယ်နည်းလမ်းများကို အသုံးပြု၍ လက်ရှိအချိန်အထိ ဒစ်ဂျစ်တယ်နည်းများ 15 ကို ပိုမိုကောင်းမွန်အောင် လုပ်ဆောင်ထားသည်။ မြေဆီလွှာမြေပုံဆွဲခြင်း (PSM)။Minasny နှင့် McBratney16 အရ၊ ကြိုတင်ခန့်မှန်းနိုင်သောမြေဆီလွှာပုံဖော်ခြင်း (DSM) သည် မြေဆီလွှာသိပ္ပံပညာ၏ ထင်ရှားသော ဘာသာရပ်ခွဲတစ်ခုဖြစ်ကြောင်း သက်သေပြခဲ့သည်။Lagacherie နှင့် McBratney၊ 2006 မှ DSM သည် "spatial soil information systems of creation and fill of the creation and filling of situ and ဓာတ်ခွဲခန်းအတွင်း စူးစမ်းလေ့လာခြင်းမဟုတ်သော မြေဆီလွှာနှင့် ဓါတ်ခွဲခန်းတွင်းရှိ မြေဆီလွှာဆိုင်ရာ အချက်အလက်စနစ်များကို အသုံးပြုခြင်း" ဟု သတ်မှတ်သည်။ အယ်လ်။17 ခေတ်ပြိုင် DSM သို့မဟုတ် PSM သည် PTEs၊ မြေအမျိုးအစားများနှင့် မြေဆီလွှာဂုဏ်သတ္တိများကို ခန့်မှန်းရန် သို့မဟုတ် မြေပုံထုတ်ခြင်းအတွက် အထိရောက်ဆုံးနည်းပညာဖြစ်ကြောင်း အကြမ်းဖျင်းဖော်ပြထားပါသည်။ Geostatistics နှင့် Machine Learning Algorithms (MLA) သည် ကွန်ပျူတာများ၏အကူအညီဖြင့် ဒစ်ဂျစ်တယ်မြေပုံများကို ဒစ်ဂျစ်တယ်မြေပုံများဖန်တီးသည့် DSM မော်ဒယ်လ်နည်းပညာများဖြစ်သည်။
Deutsch18 နှင့် Olea19 သည် "အချိန်စီးရီးခွဲခြမ်းစိတ်ဖြာမှုတွင် ယာယီဒေတာကို ပုံသဏ္ဌာန်ပြုပုံကဲ့သို့သော spatial attributes များကို ကိုယ်စားပြုခြင်းဆိုင်ရာ ကိန်းဂဏာန်းနည်းပညာများစုစည်းမှု" အဖြစ် Deutsch18 နှင့် Olea19 က အဓိပ္ပါယ်ဖွင့်ဆိုသည်။မူလအားဖြင့်၊ ပထဝီဝင်ကိန်းဂဏန်းစာရင်းအင်းပညာသည် dataset20.Gumiaux et al မှ Quantify နှင့် spatial တန်ဖိုးများ၏ မှီခိုမှုကို သတ်မှတ်ခွင့်ပြုသည့် vaiograms ၏ အကဲဖြတ်မှုတွင် ပါဝင်ပါသည်။20 ဘူမိစာရင်းအင်းဆိုင်ရာ ဗာရီယိုဂရမ်များ၏ အကဲဖြတ်မှုသည် (က) ဒေတာဆက်စပ်မှုစကေးကို တွက်ချက်ခြင်း၊ (ခ) ဒေတာအစုအဝေးတွင် anisotropy ကို ခွဲခြားသတ်မှတ်ခြင်းနှင့် တွက်ချက်ခြင်းနှင့် (ဂ) ထို့အပြင် တိုင်းတာခြင်း၏ မွေးရာပါ အမှားအယွင်းများကို ထည့်သွင်းတွက်ချက်ခြင်းအပြင် ဤဒေသခံဆိုင်ရာ သက်ရောက်မှုများစွာကို တိုင်းတာခြင်းဆိုင်ရာ အယူအဆဧရိယာအပေါ် သက်ရောက်မှုများကိုလည်း ပိုင်းခြားထားသည်။ s ကို ယေဘူယျ kriging၊ co-kriging၊ သာမန် kriging၊ empirical Bayesian kriging၊ ရိုးရှင်းသော kriging method နှင့် PTE၊ မြေဆီလွှာ လက္ခဏာများနှင့် မြေအမျိုးအစားများကို ခန့်မှန်းရန် သို့မဟုတ် ခန့်မှန်းရန် အခြားသော နာမည်ကြီး interpolation နည်းပညာများကို အသုံးပြုပါသည်။
Machine Learning Algorithms (MLA) သည် ဒေတာတူးဖော်ခြင်းအတွက် အဓိကအသုံးပြုသည့် အယ်လဂိုရီသမ်များဖြင့် လှုံ့ဆော်ပေးသည့် ကြီးမားသော လိုင်းမဟုတ်သည့် ဒေတာအတန်းများကို အသုံးပြုသည့် နည်းလမ်းအသစ်ဖြစ်ပြီး ဒေတာတူးဖော်မှု၊ ဒေတာပုံစံများကို ခွဲခြားသတ်မှတ်ကာ မြေဆီလွှာသိပ္ပံနှင့် ပြန်ပေးသည့်အလုပ်များကဲ့သို့သော သိပ္ပံနည်းကျနယ်ပယ်များတွင် အမျိုးအစားခွဲရန် ထပ်ခါတလဲလဲ အသုံးပြုထားသည်။ သုတေသနစာတမ်းအများအပြားသည် MLA မော်ဒယ်များကို ကြိုတင်ခန့်မှန်းရန် မြေဆီလွှာတွင် အားကိုးပါသည်။22 (စိုက်ပျိုးမြေများတွင် သတ္တုအကြီးစားခန့်မှန်းချက်အတွက် ကျပန်းသစ်တောများ) Sakizadeh et al.23 (ပံ့ပိုးမှု vector စက်များနှင့် အာရုံကြော ကွန်ရက်အတုများကို အသုံးပြု၍ ပုံစံထုတ်ခြင်း) မြေဆီလွှာ ညစ်ညမ်းမှု) .ထို့အပြင် Vega et al.24 (လေးလံသောသတ္တုထိန်းသိမ်းမှုနှင့် မြေဆီလွှာအတွင်း စုပ်ယူမှုပုံစံအတွက် တွန်းလှည်း) Sun et al.25 (ကုဗစ်၏ အသုံးချမှုသည် မြေဆီလွှာတွင် Cd ဖြန့်ဖြူးခြင်းဖြစ်သည်) နှင့် k-အနီးဆုံးအိမ်နီးချင်း၊ ယေဘူယျအားဖြင့် မြှင့်တင်ထားသော ဆုတ်ယုတ်မှုနှင့် မြှင့်တင်ထားသော ဆုတ်ယုတ်မှုကဲ့သို့သော အခြား အယ်လဂိုရီသမ်များသည် မြေဆီလွှာရှိ PTE ကို ခန့်မှန်းရန် MLA ကိုလည်း အသုံးပြုထားသည်။
ခန့်မှန်းခြင်း သို့မဟုတ် မြေပုံဆွဲခြင်းတွင် DSM အယ်လဂိုရီသမ်ကို အသုံးချခြင်းသည် စိန်ခေါ်မှုများစွာကို ရင်ဆိုင်ရသည်။ စာရေးဆရာများစွာက MLA သည် ပထဝီဝင်ကိန်းဂဏန်းများနှင့် အပြန်အလှန်အားဖြင့် သာလွန်သည်ဟု ယုံကြည်ကြသည်။ တစ်ခုသည် အခြားတစ်ခုထက်သာလွန်သော်လည်း ၎င်းတို့နှစ်ခု၏ပေါင်းစပ်မှုသည် DSM15 တွင် မြေပုံထုတ်ခြင်း သို့မဟုတ် ခန့်မှန်းမှုအဆင့်ကို မြှင့်တင်ပေးပါသည်။ Woodcock နှင့် Gopal26 Finke27;Pontius နှင့် Cheuk28 နှင့် Grunwald29 တို့သည် ကြိုတင်ခန့်မှန်းထားသော မြေဆီလွှာမြေပုံဆွဲခြင်းတွင် ချို့ယွင်းချက်အချို့ အမှားအယွင်းများကို မှတ်ချက်ပေးကြသည်။ မြေဆီလွှာသိပ္ပံပညာရှင်များသည် DSM မြေပုံနှင့် ခန့်မှန်းချက်၏ ထိရောက်မှု၊ တိကျမှုနှင့် ကြိုတင်ခန့်မှန်းနိုင်မှုကို ပိုကောင်းအောင်ပြုလုပ်ရန် နည်းလမ်းများစွာကို ကြိုးစားခဲ့ကြသည်။ မသေချာမှုနှင့် အတည်ပြုမှုပေါင်းစပ်မှုသည် H ၏ မတူညီသောရှုထောင့်များထဲမှတစ်ခုဖြစ်သည်။15 မြေပုံဖန်တီးမှုနှင့် ခန့်မှန်းခြင်းဖြင့် မိတ်ဆက်ထားသော တရားဝင်အပြုအမူနှင့် မသေချာမရေရာမှုများကို အမှီအခိုကင်းစွာဖြင့် မြေပုံအရည်အသွေးကို မြှင့်တင်သင့်သည်ဟု ဖော်ပြထားပါသည်။ DSM ၏ ကန့်သတ်ချက်များမှာ မသေချာမရေရာမှု၏ အစိတ်အပိုင်းတစ်ခုပါ၀င်သည့် ပထဝီဝင်အနေအထားအရ ကွဲကွာနေသော မြေဆီလွှာအရည်အသွေးကြောင့်ဖြစ်သည်။သို့သော်၊ DSM တွင် သေချာမှုမရှိခြင်းသည် အမှား၏ရင်းမြစ်များစွာမှ ဖြစ်ပေါ်လာနိုင်သည်၊ ဆိုလိုသည်မှာ covariate အမှား၊ မော်ဒယ်အမှား၊ တည်နေရာအမှား၊ နှင့် ခွဲခြမ်းစိတ်ဖြာမှုအမှား 31. MLA နှင့် geostatistical လုပ်ငန်းစဉ်များတွင် ဖြစ်ပေါ်လာသော မမှန်ကန်မှုများသည် နားလည်မှုကင်းမဲ့ခြင်းနှင့် ဆက်နွှယ်နေနိုင်ပြီး၊ နောက်ဆုံးတွင် တိကျမှုမရှိသော မော်ဒယ်လ်၏ သဘာဝအတိုင်း သာလွန်ကောင်းမွန်စေနိုင်သည်။ d စံပြကန့်သတ်ချက်များ၊ သင်္ချာဆိုင်ရာ မော်ဒယ်ခန့်မှန်းချက်များ သို့မဟုတ် ပေါင်းစပ်ထည့်သွင်းခြင်း 33. မကြာသေးမီက၊ မြေပုံနှင့် ခန့်မှန်းချက်တွင် ပထဝီဝင်ကိန်းဂဏန်းနှင့် MLA ပေါင်းစပ်မှုကို အားပေးသည့် DSM လမ်းကြောင်းသစ်တစ်ခု ထွက်ပေါ်လာခဲ့သည်။ Sergeev et al ကဲ့သို့သော မြေဆီလွှာသိပ္ပံပညာရှင်များနှင့် စာရေးဆရာအများအပြား။၃၄;Subbotina et al ။၃၅;Tarasov et al ။36 နှင့် Tarasov et al ။37 သည် ခန့်မှန်းချက်နှင့် မြေပုံဆွဲခြင်း၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးသည့် ပေါင်းစပ်မော်ဒယ်များကို ထုတ်လုပ်ရန်အတွက် တိကျသော အရည်အသွေးကို အသုံးချပြီး မြေပုံထုတ်ခြင်း နှင့် ပေါင်းစပ်ထားသော မော်ဒယ်များကို ထုတ်ပေးပါသည်။အရည်အသွေး။ ဤမျိုးစပ် သို့မဟုတ် ပေါင်းစပ်ထားသော အယ်လဂိုရီသမ်မော်ဒယ်အချို့မှာ 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-7Ron-Multi-National (နှင့်) ian Process Regression ၃၈။
Sergeev et al. ၏ အဆိုအရ၊ အမျိုးမျိုးသော မော်ဒယ်လ်နည်းပညာများ ပေါင်းစပ်ခြင်းသည် ချို့ယွင်းချက်များကို ဖယ်ရှားနိုင်ပြီး ၎င်း၏ တစ်ခုတည်းသော မော်ဒယ်ကို တီထွင်မည့်အစား ပေါင်းစပ်မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် အလားအလာရှိသည်။ ဤအခြေအနေတွင်၊ ဤစာတမ်းသစ်တွင် ဤစာတမ်းသစ်သည် ဘူမိကိန်းဂဏန်းနှင့် MLA ၏ ပေါင်းစပ် အယ်လဂိုရီသမ်ကို အသုံးပြုရန် လိုအပ်ကြောင်း စောဒကတက်သည်။ ဤအရာသည် Bayian perricht ကို ခန့်မှန်းရန်အတွက် အကောင်းဆုံးသော ဟိုက်ဘရစ်မော်ဒယ်များကို ဖန်တီးရန် လိုအပ်ပါသည်။ အခြေခံမော်ဒယ်အဖြစ် Kriging (EBK) နှင့် ၎င်းကို Support Vector Machine (SVM) နှင့် Multiple Linear Regression (MLR) မော်ဒယ်များနှင့် ရောနှောထားသည်။ EBK ၏ မည်သည့် MLA နှင့် ပေါင်းစပ်ခြင်းကို မသိရပါ။ ရောစပ်ထားသော မော်ဒယ်အများအပြားကို တွေ့ရသည့် ပေါင်းစပ်ပုံစံများသည် သာမန်၊ ကျန်နေသေးသော၊ ဆုတ်ယုတ်မှု kriging နှင့် MLA.EBK သည် ဒေသဆိုင်ရာ geostatistical interpolation နည်းလမ်းအဖြစ် ခွဲထွက်ခြင်းမဟုတ်သော / spastic ဖြစ်စဉ်တစ်ခုဖြစ်သည်။ နယ်ပယ်အလိုက် သတ်မှတ်ထားသော ဒေသအလိုက်ပြောင်းလဲခြင်းဆိုင်ရာ ဘောင်များပါရှိသော ကျပန်းအကွက်ကို နယ်ပယ်အလိုက် ပြောင်းလဲခြင်း39.EBK ကို လယ်ယာမြေများတွင် အော်ဂဲနစ်ကာဗွန်ဖြန့်ဖြူးမှုကို ခွဲခြမ်းစိတ်ဖြာခြင်း 40၊ မြေဆီလွှာညစ်ညမ်းမှု 41 အကဲဖြတ်ခြင်းနှင့် မြေဆီလွှာဂုဏ်သတ္တိများကို ပုံဖော်ခြင်းအပါအဝင် လေ့လာမှုအမျိုးမျိုးတွင် အသုံးပြုထားသည်။
အခြားတစ်ဖက်တွင်၊ Self-Organizing Graph (SeOM) သည် Li et al ကဲ့သို့သော ဆောင်းပါးအမျိုးမျိုးတွင် အသုံးချခဲ့သည့် သင်ယူမှုဆိုင်ရာ algorithm တစ်ခုဖြစ်သည်။43, Wang et al ။44, Hossain Bhuiyan et al.45 နှင့် Kebonye et al.46 spatial attribute များနှင့် ဒြပ်စင်များ အုပ်စုဖွဲ့ခြင်းကို ဆုံးဖြတ်ပါ။Wang et al.44 SeOM သည် လိုင်းမဟုတ်သော ပြဿနာများကို အုပ်စုဖွဲ့၍ စိတ်ကူးပုံဖော်နိုင်စွမ်းအတွက် လူသိများသော အစွမ်းထက်သော သင်ယူမှုနည်းပညာတစ်ခုဖြစ်သည်။ အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာခြင်း၊ မပီသသောအစုအဝေးပြုလုပ်ခြင်း၊ အထက်အောက် အစုအဝေးပြုလုပ်ခြင်းနှင့် စံသတ်မှတ်ချက်များစွာ ဆုံးဖြတ်ချက်ချခြင်းကဲ့သို့သော အခြားပုံစံအသိအမှတ်ပြုခြင်းနည်းပညာများနှင့်မတူဘဲ SeOM သည် PTE ပုံစံများကို စုစည်းခြင်းနှင့် ခွဲခြားသတ်မှတ်ရာတွင် ပိုမိုကောင်းမွန်ပါသည်။ Wang et al ၏အဆိုအရ သိရသည်။44၊ SeOM သည် သက်ဆိုင်ရာ နျူရွန်များ ဖြန့်ဖြူးမှုကို နေရာဒေသအလိုက် အုပ်စုဖွဲ့နိုင်ပြီး ပုံရိပ်ပြတ်သားမှု မြင့်မားသည့် ဒေတာကို မြင်သာအောင် ပံ့ပိုးပေးနိုင်ပါသည်။SeOM သည် တိုက်ရိုက်အဓိပ္ပါယ်ပြန်ဆိုရန်အတွက် ရလဒ်များကို ပုံဖော်ရန်အတွက် အကောင်းဆုံးပုံစံကို ရယူရန် Ni ခန့်မှန်းဒေတာကို မြင်သာစေမည်ဖြစ်သည်။
ဤစာတမ်းသည် မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် အကောင်းမွန်ဆုံးတိကျမှန်ကန်မှုဖြင့် ခိုင်မာသောမြေပုံထုတ်မော်ဒယ်ကို ထုတ်လုပ်ရန် ရည်ရွယ်ပါသည်။ ရောစပ်မော်ဒယ်၏ယုံကြည်စိတ်ချရမှုသည် အခြေခံမော်ဒယ်နှင့်တွဲထားသောအခြားမော်ဒယ်များ၏လွှမ်းမိုးမှုအပေါ်တွင်သာမူတည်သည်ဟု ကျွန်ုပ်တို့ယူဆပါသည်။ DSM တွင်ရင်ဆိုင်နေရသောစိန်ခေါ်မှုများကိုကျွန်ုပ်တို့အသိအမှတ်ပြုပါသည်၊ ဤစိန်ခေါ်မှုများကို ပေါင်းစပ်မော်ဒယ်များ LA တွင် ရှေ့တိုးလုပ်ဆောင်နေချိန်တွင်၊ထို့ကြောင့်၊ ရောစပ်ထားသော မော်ဒယ်များကို ထုတ်ပေးနိုင်သည့် သုတေသနမေးခွန်းများကို ဖြေဆိုရန် ကြိုးစားပါမည်။ သို့သော်၊ ပစ်မှတ်ဒြပ်စင်ကို ခန့်မှန်းရာတွင် မော်ဒယ်သည် မည်မျှတိကျပါသလဲ၊ မှန်ကန်မှုနှင့် တိကျမှုအကဲဖြတ်မှုအပေါ် အခြေခံ၍ ထိရောက်မှုအကဲဖြတ်မှုအဆင့်မှာ အဘယ်နည်း။ ထို့ကြောင့်၊ ဤလေ့လာမှု၏ တိကျသောပန်းတိုင်များမှာ (က) ရလဒ်အတွက် SVMR သို့မဟုတ် MLR အတွက် အကောင်းဆုံးအရောအနှောမော်ဒယ်ကို ဖန်တီးရန်ဖြစ်သည် (EBK) ရလဒ်ကြိုတင်ခန့်မှန်းချက် (EBK) အခြေခံမော်ဒယ်အတွက် အကောင်းဆုံးအရောအနှောကို နှိုင်းယှဉ်ပါ) မြို့ပြ သို့မဟုတ် မြို့ပြမြေဆီလွှာ နှင့် (ဃ) နီကယ် ကွက်လပ်ကွဲပြားမှု၏ ကြည်လင်ပြတ်သားသော မြေပုံတစ်ခု ဖန်တီးရန် SeOM ၏ အသုံးချမှု။
လေ့လာမှုအား ချက်သမ္မတနိုင်ငံ၊ အထူးသဖြင့် Moravia-Silesian ဒေသရှိ Frydek Mistek ခရိုင်တွင် ပြုလုပ်နေပါသည်။ (ပုံ 1 ကိုကြည့်ပါ)။ လေ့လာမှုဧရိယာသည် အလွန်ကြမ်းတမ်းပြီး အများစုမှာ Moravia-Silesian Beskidy ဒေသ၏ တစ်စိတ်တစ်ပိုင်းဖြစ်ပြီး၊ လေ့လာမှု၏ 19°° ဧရိယာ 14° နှင့် 20°4 အကြားတွင်ရှိသော Carpathian တောင်တန်းများ 4° ၏ အပြင်ဘက်စွန်းပိုင်း၏ တစ်စိတ်တစ်ပိုင်းဖြစ်သည်။ ′ 0′ E နှင့် အမြင့်ပေ 225 နှင့် 327 မီတာကြား၊သို့ရာတွင်၊ ဒေသ၏ရာသီဥတုအခြေအနေအတွက် Koppen အမျိုးအစားခွဲခြားမှုစနစ်ကို Cfb = သမမျှတသောသမုဒ္ဒရာရာသီဥတုအဖြစ် အဆင့်သတ်မှတ်ထားပြီး ခြောက်သွေ့လများတွင်ပင် မိုးရေချိန်များစွာရှိသည်။ တစ်နှစ်ပတ်လုံး အပူချိန် −5°C နှင့် 24°C အကြား အနည်းငယ်ကွဲပြားပြီး၊ −14°C သို့မဟုတ် 30°C အထက်တွင် နည်းပါးသည်။ စစ်တမ်းကောက်ယူမှုမှာ နှစ်စဉ် ပျမ်းမျှမိုးရေချိန် 7 မီလီမီတာ မှ 24°C ကြားရှိသည်။ ဧရိယာတစ်ခုလုံးသည် 1,208 စတုရန်းကီလိုမီတာ ကျယ်ဝန်းပြီး စိုက်ပျိုးမြေ၏ 39.38% နှင့် သစ်တောလွှမ်းခြုံမှု 49.36% ရှိသည်။ အခြားတစ်ဖက်တွင်၊ ဤလေ့လာမှုတွင် အသုံးပြုသည့်ဧရိယာသည် 889.8 စတုရန်းကီလိုမီတာခန့် ကျယ်ဝန်းသည်။ Ostrava နှင့် အနီးတစ်ဝိုက်တွင် သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းများသည် အလွန်တက်ကြွပါသည်။ သတ္တုစက်များ၊ သံမဏိစက်ရုံများ (nickel သတ္တုစပ်စတီးလ်) များတွင် အသုံးပြုသော သံမဏိစက်ရုံများ သတ္တုစပ်၏ ပျော့ပျောင်းမှုနှင့် ခိုင်ခံ့မှုကို ထိန်းသိမ်းထားစဉ် သတ္တုစပ်၏ ခိုင်ခံ့မှုကို တိုးမြင့်စေသည်) နှင့် ဖော့စဖိတ်ဓာတ်မြေသြဇာ အသုံးချခြင်းနှင့် မွေးမြူရေးလုပ်ငန်း ကဲ့သို့သော အပြင်းအထန် စိုက်ပျိုးထုတ်လုပ်ခြင်းသည် ဒေသတွင်းရှိ နီကယ်၏ အလားအလာရှိသော အရင်းအမြစ်များကို သုတေသနပြုခြင်းဖြစ်သည် (ဥပမာ၊ သိုးသငယ်များနှင့် နို့နည်းပါးသော နွားများတွင် နီကယ်ကို သိုးသငယ်များသို့ ပေါင်းထည့်ခြင်း)။ သုတေသနနယ်ပယ်တွင် အခြားစက်မှုလုပ်ငန်းသုံး နီကယ်အသုံးပြုမှုများတွင် လျှပ်စစ်ပလပ်စတစ်နှင့် အလွယ်တကူ လျှပ်စစ်ပလပ်စတစ်ခြင်း အပါအဝင် nickel စွန့်ထုတ်နိုင်သော ဂုဏ်သတ္တိများ ပါဝင်သည်။ မြေဆီလွှာအရောင်၊ ဖွဲ့စည်းတည်ဆောက်ပုံနှင့် ကာဗွန်နိတ်ပါဝင်မှု။မြေဆီလွှာသည် ပင်မပစ္စည်းမှဆင်းသက်လာပြီး အလယ်အလတ်မှ ကောင်းမွန်ပါသည်။ ၎င်းတို့သည် သဘာဝတွင် စုပေါင်းစပ်စပ်၊ မြေနုနယ် သို့မဟုတ် အိုင်အိုလီယန်များဖြစ်သည်။ အချို့သောမြေဆီလွှာများသည် ကွန်ကရစ်နှင့် အရောင်ချွတ်လေ့ရှိပြီး မျက်နှာပြင်နှင့် မြေအောက်ပိုင်းများတွင် အမှုန်အမွှားများတွေ့ရတတ်ပါသည်။ သို့သော်လည်း၊ cambisols နှင့် stagnosols များသည် အသုံးအများဆုံးမြေအမျိုးအစားများဖြစ်သည်။ 5 mranging 148 မှ 39 အထိအသုံးအများဆုံးမြေအမျိုးအစားများဖြစ်သည်။ Cambisols သည် Czech Republic 49 ကိုလွှမ်းမိုးထားသည်။
လေ့လာမှုဧရိယာမြေပုံ [လေ့လာမှုဧရိယာမြေပုံကို ArcGIS Desktop (ESRI၊ Inc၊ ဗားရှင်း 10.7၊ URL- https://desktop.arcgis.com) ဖြင့် ဖန်တီးထားသည်။]
Frydek Mistek ခရိုင်ရှိ မြို့ပြနှင့် မြို့ပြမြေဆီလွှာ စုစုပေါင်း 115 ခုကို ရယူခဲ့သည်။ နမူနာပုံစံကို အသုံးပြုထားသော နမူနာပုံစံမှာ ပုံမှန်ဇယားကွက်တစ်ခုဖြစ်ပြီး 2×2 ကီလိုမီတာအကွာမှ မြေဆီလွှာနမူနာများကို တိုင်းတာပြီး အပေါ်ယံမြေဆီလွှာကို လက်ကိုင် GPS ကိရိယာ (Leica Zeno 5c) ဖြင့် စနစ်တကျ ထုပ်ပိုးထားသော လက်ကိုင် GPS ကိရိယာကို အသုံးပြု၍ မြေဆီလွှာကို ကောင်းစွာတိုင်းတာပါသည်။ စက်ပိုင်းဆိုင်ရာ (Fritsch disc mill) ဖြင့် အမှုန့်ကြိတ်ထားသောနမူနာများထုတ်လုပ်ရန်အတွက် လေအခြောက်ခံပြီး ဆန်ခါ (ဆန်ခါအရွယ်အစား 2 မီလီမီတာ)။ အခြောက်လှန်းထားသော၊ တစ်သားတည်းဖြစ်စေပြီး ဆန်ခါထုတ်ထားသော မြေနမူနာ ၁ ဂရမ်ကို ရှင်းရှင်းလင်းလင်းတံဆိပ်တပ်ထားသော တီဖလွန်ပုလင်းများတွင် ထားပေးပါ။ Teflon အိုးတစ်ခုစီတွင်၊ တစ်ခုစီတွင် 7 ml of 35% အက်ဆစ် 35% H (၁) အက်ဆစ်တစ်မျိုးစီကို အလိုအလျောက် NO Clen တစ်လုံးစီ ဖြန် နမူနာများကို ပေါ့ပေါ့ပါးပါး ဖုံးအုပ်ပြီး တုံ့ပြန်မှု (aqua regia program) အတွက် တစ်ညနေ ထားပေးပါ။နမူနာ၏ အစာခြေမှု ဖြစ်စဉ်ကို လွယ်ကူချောမွေ့စေရန် ၂ နာရီကြာ အပူချိန် 100 W နှင့် 160°C (အပူချိန်- 100 W နှင့် 160°C) တွင် supernatant ကို အအေးခံပြီး အအေးခံပါ။ supernatant ကို 50 ml ပမာဏရှိ ဓာတ်ဘူးသို့ လွှဲပြောင်းပြီး 50 ml ကို သန့်စင်ထားသော ရေ 50 ml သို့ ဖျန်းပေးပါ။ ရေဖြင့် စွန့်ပစ်ထားသော PVC ပြွန်။ ထို့အပြင်၊ 1 ml ကို 9 ml of deionized ရေဖြင့် ရောနှောပြီး PTE pseudo-အာရုံစူးစိုက်မှုအတွက် ပြင်ဆင်ထားသော 12 ml ပြွန်ထဲသို့ စစ်ထုတ်ထားပါသည်။ PTEs ၏ ပြင်းအား (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, E-Ductical ဖြင့် သတ်မှတ်သည်) scopy) (Thermo Fisher Scientific, USA) စံနည်းလမ်းများနှင့် သဘောတူညီချက်အရ။ အရည်အသွေး အာမခံချက်နှင့် ထိန်းချုပ်မှု (QA/QC) လုပ်ထုံးလုပ်နည်းများ (SRM NIST 2711a Montana II မြေဆီလွှာ)။ PTE ထက်ဝက်အောက် ထောက်လှမ်းနိုင်သည့် ကန့်သတ်ချက်များကို ဤလေ့လာမှုမှ ဖယ်ထုတ်ထားပါသည်။ ဤလေ့လာမှုတွင် အသုံးပြုသည့် PTE ၏ ထောက်လှမ်းကန့်သတ်ချက်သည် ဤလေ့လာမှုတွင် အသုံးပြုသည့် PTE ၏ ကန့်သတ်ချက်ဖြစ်သည်။ (၄) ထပ်တိုး၍ အရည်အသွေးနှင့် ခွဲခြမ်းစိတ်ဖြာမှုတစ်ခုစီအတွက် အရည်အသွေးမှာ သေချာပါသည်။ ဃ ရည်ညွှန်းစံနှုန်းများကို ခွဲခြမ်းစိတ်ဖြာခြင်းဖြင့်၊ အမှားအယွင်းများကို အနည်းဆုံးဖြစ်စေကြောင်း သေချာစေရန်၊ နှစ်ဆခွဲခြမ်းစိတ်ဖြာမှုကို လုပ်ဆောင်ခဲ့သည်။
Empirical Bayesian Kriging (EBK) သည် မြေဆီလွှာသိပ္ပံကဲ့သို့သော နယ်ပယ်အသီးသီးတွင် စံနမူနာပြုရာတွင် အသုံးပြုသည့် geostatistical interpolation နည်းပညာများစွာထဲမှတစ်ခုဖြစ်သည်။ အခြားသော kriging interpolation နည်းပညာများနှင့်မတူဘဲ EBK သည် semivariogram မော်ဒယ်မှ ခန့်မှန်းထားသော error ကိုထည့်သွင်းစဉ်းစားခြင်းဖြင့် ကွဲပြားပါသည်။ EBK interpolation မော်ဒယ်များအတွင်း၊ semivariogram ၏ error ကိုထည့်သွင်းစဉ်းစားခြင်းဖြင့်၊ လုံလောက်သော kriging နည်းလမ်း၏ အလွန်ရှုပ်ထွေးသော အစိတ်အပိုင်းတစ်ခုဖြင့် ဖွဲ့စည်းထားသည့် semivariogram ၏ ဤကြံစည်မှုနှင့် ဆက်စပ်နေသော မသေချာမရေရာမှုများနှင့် ပရိုဂရမ်ရေးဆွဲခြင်းအတွက် နည်းလမ်းကို ဖန်တီးပေးပါသည်။ EBK ၏ interpolation လုပ်ငန်းစဉ်သည် Krivoruchko50 မှ အဆိုပြုထားသော စံသတ်မှတ်ချက်သုံးခုကို လိုက်နာသည်၊ (က) မော်ဒယ်သည် ထည့်သွင်းဒေတာအစုမှ semivariogram ကို ခန့်မှန်းတွက်ချက်သည် (ခ) မော်ဒယ်အသစ်တစ်ခုစီအတွက် ခန့်မှန်းထားသော ဒေတာတန်ဖိုး (ခ) အသစ်တစ်ခုစီ၏ တွက်ချက်ထားသော တည်နေရာပေါ် မူတည်၍ var ကို ပေါင်းစပ်ထားသော ဒေတာအတွဲမှ ed ဖြစ်ပါသည်။ Bayesian equation rule ကို posterior အဖြစ် ပေးထားပါသည်။
\(Prob\left(A\right)\) သည် ရှေ့ကို ကိုယ်စားပြုသည့် နေရာတွင် \(Prob\left(B\right)\) marginal probability ကို ကိစ္စအများစုတွင် လျစ်လျူရှုထားသည်၊ \(Prob (B,A)\ ) . semivariogram တွက်ချက်မှုသည် Bayes' rule ပေါ်တွင် အခြေခံထားပြီး၊ ၎င်းသည် bees' rule ၏ propensity ကိုပြသသည့် observation Bayiogram တန်ဖိုးကို အသုံးပြု၍var ၏ semivariogram ၏တန်ဖိုးကို အသုံးပြုပြီး သတ်မှတ်နိုင်သည်။ Semivariogram မှ စူးစမ်းလေ့လာမှုများ၏ ဒေတာအစုတစ်ခုကို ဖန်တီးရန် မည်မျှဖြစ်နိုင်သည်ကို ဖော်ပြသည်။
ပံ့ပိုးမှု vector စက်သည် တူညီသော်လည်း linearly သီးခြားလွတ်လပ်သောအတန်းများကိုခွဲခြားရန် အကောင်းမွန်ဆုံးခွဲခြားထားသော hyperplane ကိုဖန်တီးပေးသည့် machine learning algorithm တစ်ခုဖြစ်သည်။Vapnik51 သည် intent classification algorithm ကိုဖန်တီးထားသော်လည်း မကြာသေးမီက ၎င်းကို regression-oriented problems များကိုဖြေရှင်းရန်အတွက်အသုံးပြုထားသည်။ Li et al.52 အရ အကောင်းဆုံးအမျိုးအစားဖြစ်သည့် classifier နှင့် SVM ကို နယ်ပယ်အမျိုးမျိုးတွင်အသုံးပြုထားသည်။ (Support Vector Machine Regression – SVMR) ကို ဤခွဲခြမ်းစိတ်ဖြာမှုတွင် အသုံးပြုခဲ့သည်။ Cherkassky နှင့် ​​Mulier53 သည် SVMR ကို kernel-based regression အဖြစ် ရှေ့ဆောင်ခဲ့ပြီး၊ နိုင်ငံပေါင်းစုံ spatial functions များပါရှိသော linear regression model ကိုအသုံးပြုထားသည့် တွက်ချက်မှုအား တွက်ချက်ခြင်းကို ခွင့်ပြုပါသည်။John et al54 မှ regression အတွက် non-spatial functions နှင့် SVMR ၏ အစီရင်ခံချက် spatial functions.Vohland et al အရ.55၊ epsilon (ε)-SVMR သည် ဆက်စပ်ဒေတာများကို လေ့ကျင့်သင်ကြားခြင်းမှ အကောင်းဆုံး epsilon ဘက်လိုက်မှုဖြင့် သီးခြားလွတ်လပ်စွာ မြေပုံပြုလုပ်ရန် epsilon-insensitive လုပ်ဆောင်ချက်အဖြစ် ကိုယ်စားပြုစံနမူနာကို ရယူရန် လေ့ကျင့်ထားသောဒေတာအတွဲကို အသုံးပြုပါသည်။ ဆက်စပ်ဒေတာအတွက် ကြိုတင်သတ်မှတ်ထားသောအကွာအဝေးအမှားကို ပကတိတန်ဖိုးမှလျစ်လျူရှုထားပြီး အမှားအယွင်းက ဒေတာကို ရှုပ်ထွေးပါက ε(ε(ε) ၏မြေဆီလွှာ) ၏ ဂုဏ်သတ္တိများကိုလည်း လျှော့ချပေးပါသည်။ ပံ့ပိုးမှု vectors ၏ ပိုမိုကျယ်ပြန့်သော အုပ်စုခွဲ။ Vapnik51 မှ အဆိုပြုထားသော ညီမျှခြင်းကို အောက်တွင် ပြထားသည်။
b သည် scalar အဆင့်သတ်မှတ်ချက်ကို ကိုယ်စားပြုသည့်နေရာ၊ \(K\left({x}_{,}{ x}_{k}\right)\) သည် kernel လုပ်ဆောင်ချက်ကို ကိုယ်စားပြုသည်၊ \(\alpha\) သည် Lagrange မြှောက်ကိန်းကို ကိုယ်စားပြုသည်၊ N သည် ကိန်းဂဏာန်းဒေတာအတွဲကို ကိုယ်စားပြုသည်၊ \({x}_{k}\) သည် ဒေတာထည့်သွင်းမှုကို ကိုယ်စားပြုသည်၊ နှင့် \(n ker) သည် ဒေတာလည်ပတ်မှုကို ကိုယ်စားပြုသည်။ Gaussian radial အခြေခံလုပ်ဆောင်မှု (RBF)။ PTE လေ့ကျင့်ရေးဒေတာအတွက် အသိမ်မွေ့ဆုံးသော ပြစ်ဒဏ်သတ်မှတ်အချက် C နှင့် kernel parameter gamma (γ) ရရှိရန်အတွက် အကောင်းဆုံးအကောင်းဆုံး SVMR မော်ဒယ်ကို ဆုံးဖြတ်ရန်အတွက် RBF kernel ကို အသုံးပြုထားသည်။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် လေ့ကျင့်ရေးအစုံကို အကဲဖြတ်ပြီး validation parameters တွင် အသုံးပြုထားသော စံနမူနာဖြစ်သည်။ vm ၏တန်ဖိုးမှာ siad method ဖြစ်သည်။
Multiple linear regression model (MLR) သည် အနိမ့်ဆုံး စတုရန်းပုံနည်းလမ်းကို အသုံးပြု၍ တွက်ချက်ထားသော linear pooled parameters များကို အသုံးပြုခြင်းဖြင့် တုံ့ပြန်မှု variable နှင့် ခန့်မှန်းပေးသူ variable အများအပြားအကြား ဆက်နွယ်မှုကို ကိုယ်စားပြုသော ဆုတ်ယုတ်မှုပုံစံတစ်ခုဖြစ်သည်။ MLR တွင်၊ အနည်းဆုံးစတုရန်းပုံစံသည် explanatory variables များကိုရွေးချယ်ပြီးနောက် မြေဆီလွှာဂုဏ်သတ္တိများ၏ ကြိုတင်ခန့်မှန်းလုပ်ဆောင်မှုတစ်ခုဖြစ်သည်။ TE ကိုအသုံးပြု၍ တုံ့ပြန်မှုအား တုံ့ပြန်မှုမျဉ်းကြောင်းအတိုင်း အသုံးပြုရန်လိုအပ်ပါသည်။ ရှင်းပြချက် ကိန်းရှင်များနှင့် မျဉ်းဖြောင့်ဆက်နွယ်မှုကို ထူထောင်ရန် ကိန်းရှင်သည် MLR ညီမျှခြင်းဖြစ်သည်
y သည် တုံ့ပြန်မှု variable ဖြစ်ပြီး၊ \(a\) သည် ကြားဖြတ်၊ n သည် ကြိုတင်ခန့်မှန်းသူ အရေအတွက်ဖြစ်သည်၊ \({b}_{1}\) သည် coefficients ၏ တစ်စိတ်တစ်ပိုင်းဆုတ်ယုတ်မှုဖြစ်သည်၊ \({x}_{ i}\) သည် ခန့်မှန်းသူ သို့မဟုတ် ရှင်းပြနိုင်သော ကိန်းရှင်ကို ကိုယ်စားပြုပြီး \({\varepsilon }_{i}\) သည် မော်ဒယ်တွင် erid ဟုခေါ်သည်။
ရောစပ်ထားသော မော်ဒယ်များကို SVMR နှင့် MLR ဖြင့် EBK ဖြင့် ပေါင်းစည်းခြင်းဖြင့် ရရှိခဲ့သည်။ ၎င်းသည် EBK interpolation မှ ခန့်မှန်းတန်ဖိုးများကို ထုတ်ယူခြင်းဖြင့် လုပ်ဆောင်သည်။ ပေါင်းစပ်ထားသော Ca၊ K နှင့် Mg တို့မှ ရရှိသည့် ခန့်မှန်းတန်ဖိုးများကို CaK၊ KM၊ Cagari ကဲ့သို့ ကိန်းရှင်အသစ်များရရှိရန် ပေါင်းစပ်ထားသော ပေါင်းစပ်လုပ်ငန်းစဉ်တစ်ခုမှတဆင့် ရရှိပါသည်။ ထို့နောက် နှင့် Kagari၊ တတ်နိုင်သည်၊ CaKMg. ယေဘုယျအားဖြင့်၊ ရရှိသော ကိန်းရှင်များမှာ Ca၊ K၊ Mg၊ CaK၊ CaMg၊ KMg နှင့် CaKMg ဖြစ်သည်။ ဤကိန်းရှင်များသည် ကျွန်ုပ်တို့၏ကြိုတင်ခန့်မှန်းသူများဖြစ်လာခဲ့ပြီး၊ မြို့ပြနှင့်မြို့ပြမြေများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် ကူညီပေးသည်။ SVMR အယ်လဂိုရီသမ်ကို ရရှိရန်အတွက် BaySEB မော်ဒယ်လ်-KSV ရောစပ်ထားသော Emprigector ကိုရရှိရန် BayS မော်ဒယ်မှ လုပ်ဆောင်ခဲ့သည် )။ထို့အတူ၊ ကွဲပြားသောပုံစံများကို MLR အယ်လဂိုရီသမ်မှတစ်ဆင့် ပေါင်းစပ်ထားသော Empirical Bayesian Kriging-Multiple Linear Regression (EBK_MLR) ကိုလည်း ပေါင်းစပ်ထားပါသည်။ပုံမှန်အားဖြင့် Ca, K, Mg, CaK, CaMg, KMg, နှင့် CaKari အလိုက် မြေဆီလွှာ၏ ကြိုတင်ခန့်မှန်းချက်အဖြစ် အသုံးပြုသော ကိန်းရှင်များကို အများဆုံးအသုံးပြုပါသည်။ ရရှိနိုင်သောပုံစံ (EBK_SVM သို့မဟုတ် EBK_MLR) သည် ၎င်းနောက်တွင် ကိုယ်တိုင်စုစည်းထားသော ဂရပ်ဖစ်ကို အသုံးပြု၍ မြင်သာထင်သာမြင်သာရှိမည်ဖြစ်သည်။ ဤလေ့လာမှု၏လုပ်ငန်းအသွားအလာကို ပုံ 2 တွင် ပြထားသည်။
SeOM ကိုအသုံးပြုခြင်းသည် ဘဏ္ဍာရေးကဏ္ဍ၊ ကျန်းမာရေးစောင့်ရှောက်မှု၊ စက်မှုလုပ်ငန်း၊ စာရင်းအင်းပညာ၊ မြေဆီလွှာသိပ္ပံနှင့် အခြားအရာများတွင် ဒေတာများကို စုစည်းခြင်း၊ အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းခြင်းအတွက် ရေပန်းစားသော ကိရိယာတစ်ခုဖြစ်လာသည်။SeOM သည် အဖွဲ့အစည်း၊ အကဲဖြတ်ခြင်းနှင့် ခန့်မှန်းခြင်းအတွက် ကြီးကြပ်မှုမရှိသော သင်ယူမှုနည်းလမ်းများကို အသုံးပြု၍ ဖန်တီးထားသည်။ ဤလေ့လာမှုတွင်၊ SeOM သည် Ni ပြင်းအားများကို မြင်သာစေရန်အတွက် အသုံးပြုထားသည်။ Lu နှင့် Seurban ဒေတာအတွက် အကောင်းဆုံးပုံစံကိုအခြေခံ၍ Ni in urban လုပ်ငန်းစဉ်တွင် အသုံးပြုထားသည်။ n ထည့်သွင်းခြင်း-အဖက်ဖက်မှ vector variables43,56.Melssen et al.57 တစ်ခုတည်းသော အလေးချိန် vector တစ်ခုနှင့် output vector တစ်ခုသို့ input vector တစ်ခုမှတဆင့် neural network သို့ input vector တစ်ခု၏ ချိတ်ဆက်မှုကို ဖော်ပြပါ။ SeOM မှ ထုတ်လုပ်သော output သည် မတူညီသော နျူရွန်များ သို့မဟုတ် node များပါဝင်သည့် နှစ်ဖက်မြင်မြေပုံဖြစ်ပြီး ၎င်းတို့၏ အနီးစပ်ဆုံးအရ ဆဋ္ဌဂံ၊ စက်ဝိုင်းပုံ သို့မဟုတ် စတုရန်း topological မြေပုံများအဖြစ် ယက်လုပ်ထားသော)၊ 0.086 နှင့် 0.904 တို့ကို အသီးသီး ရွေးချယ်ထားပြီး၊ 55-map ယူနစ် (5 × 11) ဖြစ်သည်။ နျူရွန်တည်ဆောက်ပုံအား empirical equation ရှိ node အရေအတွက်အလိုက် ဆုံးဖြတ်သည်
ဤလေ့လာမှုတွင်အသုံးပြုသည့်ဒေတာအရေအတွက်သည် 115 နမူနာဖြစ်သည်။ ကျပန်းချဉ်းကပ်နည်းကို ဒေတာစမ်းသပ်မှုဒေတာ (25% အတည်ပြုချက်အတွက်) နှင့် လေ့ကျင့်ရေးဒေတာအစုများ (75% ချိန်ညှိရန်အတွက်) ကျပန်းနည်းလမ်းကို အသုံးပြုထားသည်။ လေ့ကျင့်ရေးဒေတာအစုံကို ဆုတ်ယုတ်မှုပုံစံ (စံကိုက်ချိန်ညှိခြင်း) ထုတ်ပေးရန်အတွက် အသုံးပြုပြီး စမ်းသပ်ဒေတာအစုံကို ယေဘူယျလုပ်ဆောင်နိုင်မှုအား အတည်ပြုရန်အတွက် အသုံးပြုထားသည်။58။ ၎င်းကို မော်ဒယ်များ၏ အလိုက်ဖက်ဆုံးပုံစံများကို အကဲဖြတ်ရန်အတွက် မော်ဒယ်တစ်ခုအား အကဲဖြတ်ရန် လုပ်ဆောင်ခဲ့သည်။ အပြန်အလှန်စစ်ဆေးခြင်းလုပ်ငန်းစဉ်ကို ခေါက်ပြီး ငါးကြိမ် ထပ်ခါထပ်ခါ ပြုလုပ်ပါသည်။ EBK ပေါင်းစပ်ထည့်သွင်းခြင်းဖြင့် ထုတ်ပေးသော ကိန်းရှင်များကို ပစ်မှတ်မပြောင်းလဲနိုင်သော (PTE) ကို ခန့်မှန်းရန် ခန့်မှန်းသူများ သို့မဟုတ် ရှင်းလင်းချက်ဆိုင်ရာ ကိန်းရှင်များအဖြစ် အသုံးပြုပါသည်။ ပက်ကေ့ဂျ်စာကြည့်တိုက်(Kohonen)၊ စာကြည့်တိုက်(caret)၊ စာကြည့်တိုက်(မော်ဒယ်)၊ စာကြည့်တိုက်(“e1071″)၊””) စာကြည့်တိုက်”(“plyca”)၊””)၊ မက်ထရစ်များ")။
မြေဆီလွှာရှိ နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် သင့်လျော်သည့် အကောင်းဆုံးမော်ဒယ်ကို ဆုံးဖြတ်ရန်နှင့် မော်ဒယ်၏ တိကျမှုနှင့် ၎င်း၏ မှန်ကန်မှုကို အကဲဖြတ်ရန် အမျိုးမျိုးသော validation parameters များကို အသုံးပြုထားသည်။ hybridization မော်ဒယ်များကို mean absolute error (MAE)၊ root mean square error (RMSE) နှင့် R-squared သို့မဟုတ် coefficient regression the 2R ၏ အချိုးအစားကို ကိုယ်စားပြုသော အဖြေ၊ R2 ဖြင့် အကဲဖြတ်ပါသည်။ အမှီအခိုကင်းသောအတိုင်းအတာများတွင် .RMSE နှင့် ပြင်းအားသည် မော်ဒယ်၏ခန့်မှန်းစွမ်းအားကိုဖော်ပြသည်၊ MAE သည် အမှန်တကယ်ပမာဏတန်ဖိုးကိုဆုံးဖြတ်သည်။ တရားဝင်သတ်မှတ်ချက်ဘောင်များကိုအသုံးပြု၍အကောင်းဆုံးအရောအနှောမော်ဒယ်ကိုအကဲဖြတ်ရန် R2 တန်ဖိုးသည် မြင့်မားရမည်ဖြစ်ပြီး၊ တန်ဖိုးသည် 1 နှင့်ပိုမိုနီးစပ်လေလေ၊ တိကျမှုပိုမိုမြင့်မားလေဖြစ်သည်။ Li et al အရ သိရသည်။59၊ R2 စံတန်ဖိုး 0.75 သို့မဟုတ် ထို့ထက်ပို၍ ကောင်းမွန်သော ခန့်မှန်းသူအဖြစ် သတ်မှတ်သည်။0.5 မှ 0.75 သည် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်ဖြစ်ပြီး 0.5 အောက်တွင် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်ဖြစ်သည်။ RMSE နှင့် MAE validation စံအကဲဖြတ်ခြင်းနည်းလမ်းများကို အသုံးပြု၍ မော်ဒယ်ကိုရွေးချယ်သောအခါ၊ ရရှိသောတန်ဖိုးများသည် လုံလောက်ပြီး အကောင်းဆုံးရွေးချယ်မှုအဖြစ် သတ်မှတ်ခံရပါသည်။ အောက်ပါညီမျှခြင်းသည် အတည်ပြုနည်းလမ်းကို ဖော်ပြပါသည်။
n သည် တိုင်းတာထားသော တန်ဖိုး၏ အရွယ်အစားကို ကိုယ်စားပြုသည့်နေရာတွင် \({Y}_{i}\) သည် တိုင်းတာထားသော တုံ့ပြန်မှုကို ကိုယ်စားပြုသည်၊ နှင့် \({\widehat{Y}}_{i}\) သည်လည်း ခန့်မှန်းထားသည့် တုံ့ပြန်မှုတန်ဖိုးကို ကိုယ်စားပြုသည်၊ ထို့ကြောင့်၊ ပထမ i လေ့လာမှုများအတွက် ဖြစ်သည်။
ခန့်မှန်းသူနှင့် တုံ့ပြန်မှုကိန်းရှင်များ၏ ကိန်းဂဏန်းစာရင်းအင်းဖော်ပြချက်များကို ဇယား 1 တွင် ဖော်ပြထားပြီး ပျမ်းမျှ၊ စံသွေဖည်မှု (SD)၊ ကွဲလွဲမှုကိန်းဂဏန်း (CV)၊ အနိမ့်ဆုံး၊ အမြင့်ဆုံး၊ kurtosis နှင့် skewness။ ဒြပ်စင်များ၏ အနိမ့်ဆုံးနှင့် အမြင့်ဆုံးတန်ဖိုးများသည် Mg < Ca < K < Ni နှင့် Ca < Mg < K < Ni၊ d 4.86 မှ 42.39 mg/kg. Ni နှင့် ကမ္ဘာ့ပျမ်းမျှ (29 mg/kg) နှင့် European ပျမ်းမျှ (37 mg/kg) တို့ကို နှိုင်းယှဉ်ကြည့်ရာ လေ့လာမှုဧရိယာအတွက် တွက်ချက်ထားသော ဂျီဩမေတြီပျမ်းမျှသည် ခံနိုင်ရည်ရှိသောအတိုင်းအတာအတွင်းတွင် ရှိနေကြောင်းပြသခဲ့သည်။ မည်သို့ပင်ဆိုစေကာမူ Kabata-Pendias11 မှပြသထားသည့်အတိုင်း ဆွီဒင်လေ့လာမှုတွင် ပြသထားသည့်အတိုင်း စိုက်ပျိုးရေးတွင် ပျမ်းမျှအားဖြင့် နီကယ်ပါဝင်နှုန်းသည် ပျမ်းမျှအားဖြင့် မြင့်မားကြောင်း လက်ရှိ nickel နှင့် နှိုင်းယှဉ်ချက်တစ်ခုက ပြသသည်။ ပညာရှိ၊ လက်ရှိလေ့လာမှုတွင် မြို့ပြနှင့်မြို့ပြမြေများတွင် Frydek Mistek ၏ ပျမ်းမျှပါဝင်မှုသည် (Ni 16.15 mg/kg) သည် ပိုလန်မြို့ပြမြေများတွင် Różański et al. ထို့ပြင် Różański et al. ထို့အပြင် Bretzel 60 (10.2 mg/kg) မှတ်တမ်းတင်ထားသော အလွန်နိမ့်သောမြေဆီလွှာနှင့် Bretzel (Ni) လက်ရှိ လေ့လာမှုနှင့် နှိုင်းယှဉ်ပါက Tuscany တွင် s ကို Jim62 က ဟောင်ကောင်မြို့ပြမြေများတွင် နီကယ်ပါဝင်မှု (12.34 mg/kg) လျော့နည်းသည်ကို တွေ့ရှိခဲ့ပြီး၊ ဤလေ့လာမှုတွင် လက်ရှိ နီကယ်ပြင်းအားထက် လျော့နည်းကြောင်း Birke et al63 မှ အစီရင်ခံတင်ပြခဲ့သည်။ Birke et al63 သည် သတ္တုတွင်းဟောင်းနှင့် မြို့ပြစက်မှုဧရိယာတွင် ပျမ်းမျှ 1 ကီလိုဂရမ်ထက် 17.6 mg/kg ပိုများကြောင်း ဂျာမနီနိုင်ငံ၊ .15 mg/kg)။လက်ရှိသုတေသန။လေ့လာမှုဧရိယာ၏ မြို့ပြနှင့် ဆင်ခြေဖုံးဒေသအချို့ရှိ မြေဆီလွှာများတွင် နီကယ်ပါဝင်မှု အလွန်အကျွံသည် သံနှင့်သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းတို့ကြောင့် အဓိကအားဖြင့် ယူဆနိုင်ပါသည်။ ၎င်းသည် Khodadoust et al ၏ လေ့လာမှုနှင့် ကိုက်ညီပါသည်။64 သံမဏိလုပ်ငန်းနှင့် သတ္တုလုပ်ငန်းသည် မြေဆီလွှာတွင် နီကယ်ညစ်ညမ်းမှု၏ အဓိကရင်းမြစ်ဖြစ်ကြောင်း 64၊ သို့သော်လည်း ကြိုတင်ခန့်မှန်းသူများသည် Ca အတွက် 538.70 mg/kg မှ 69,161.80 mg/kg၊ vic et al ။65 သည် ဆားဘီးယားအလယ်ပိုင်းရှိ မြေဆီလွှာ၏ Mg နှင့် K ပါဝင်မှု စုစုပေါင်းကို လေ့လာခဲ့သည်။ ၎င်းတို့သည် စုစုပေါင်းပြင်းအား (410 mg/kg နှင့် 400 mg/kg အသီးသီး) သည် လက်ရှိလေ့လာမှု၏ Mg နှင့် K ပြင်းအားထက် နည်းပါးနေပါသည်။ ပိုလန်အရှေ့ပိုင်းတွင် Orzechowski နှင့် Smolczynski66 ၏ ပျမ်းမျှပါဝင်မှု 10 mg ကို အကဲဖြတ်ပြီး Ca (Mg 10 နှင့် Ca) စုစုပေါင်း၏ ပျမ်းမျှ Ca ပါဝင်မှုကို ခွဲခြား၍မရပါ။ /kg၊ဗြိတိန်နိုင်ငံ၊ စကော့တလန်နိုင်ငံရှိ မတူညီသောမြေ ၃ မျိုးတွင် ခွဲခြမ်းစိတ်ဖြာထားသော စုစုပေါင်း Ca ပါဝင်မှု (Mylnefield မြေဆီလွှာ၊ Balruddery မြေနှင့် Hartwood မြေ) သည် ဤလေ့လာမှုတွင် Ca ပါဝင်မှု ပိုမိုမြင့်မားသည်ကို ညွှန်ပြနေပါသည်။
နမူနာယူထားသော ဒြပ်စင်များ၏ မတူညီသော တိုင်းတာမှု ပြင်းအားကြောင့်၊ ဒြပ်စင်များ၏ ဒေတာအစုံ ဖြန့်ဝေမှုများသည် ကွဲပြားစွာ ကွဲလွဲမှုကို ပြသသည်။ ဒြပ်စင်များ၏ skewness နှင့် kurtosis သည် 1.53 မှ 7.24 နှင့် 2.49 မှ 54.16 ထိ အသီးသီးရှိကြသည်။ တွက်ချက်ထားသော ဒြပ်စင်များအားလုံးသည် skewness နှင့် kurtosis အဆင့်များရှိကြောင်း၊ +1 အထက်တွင် မှန်ကန်သော peaking data ဖြစ်သည်၊ ed. ဒြပ်စင်များ၏ ခန့်မှန်းခြေ CV များတွင် K၊ Mg နှင့် Ni တို့သည် အလယ်အလတ် ကွဲပြားမှုကို ပြသနေသော်လည်း Ca သည် အလွန်မြင့်မားသော ပြောင်းလဲနိုင်စွမ်းရှိကြောင်း ပြသပါသည်။ K၊ Ni နှင့် Mg တို့၏ CV များသည် ၎င်းတို့၏ တစ်ပြေးညီ ဖြန့်ဖြူးမှုကို ရှင်းပြပါသည်။ ထို့အပြင် Ca ဖြန့်ဖြူးမှုသည် ယူနီဖောင်းမဟုတ်သောကြောင့် ပြင်ပအရင်းအမြစ်များက ၎င်း၏ ကြွယ်ဝမှုအဆင့်ကို သက်ရောက်မှုရှိနိုင်သည်။
တုံ့ပြန်မှုဒြပ်စင်များနှင့် ခန့်မှန်းသူကိန်းရှင်များ၏ ဆက်စပ်မှုသည် ဒြပ်စင်များကြား ကျေနပ်ဖွယ်ဆက်စပ်မှုကို ညွှန်ပြသည် (ပုံ 3 ကိုကြည့်ပါ)။ CaK သည် အလယ်အလတ်ဆက်စပ်မှုကို CaK မှပြသထားသောကြောင့် r တန်ဖိုး = 0.53 နှင့် CaNi ကဲ့သို့ပင်။ Ca နှင့် K တို့သည် တစ်ခုနှင့်တစ်ခု ကျိုးနွံသောဆက်နွှယ်မှုကို ပြသနေပါသည်။68 နှင့် Santo69 တို့သည် မြေဆီလွှာရှိ ၎င်းတို့၏အဆင့်သည် ပြောင်းပြန်အချိုးကျသည်ဟု အကြံပြုထားသည်။ သို့ရာတွင် Ca နှင့် Mg သည် K နှင့်ဆန့်ကျင်ဘက်ဖြစ်နေသော်လည်း CaK သည် ကောင်းမွန်စွာဆက်စပ်နေသည်။ ပိုတက်စီယမ်တွင် ပိုတက်စီယမ်ကာဗွန်နိုက်ဒြပ်စင် 56% မြင့်မားသောပိုတက်စီယမ်နိုက်ထရိတ်ဒြပ်စင်များအသုံးပြုခြင်းကြောင့်ဖြစ်နိုင်သည်။ ပိုတက်ဆီယမ်သည် မဂ္ဂနီဆီယမ် (KM r = 0.6) ဓာတ်မြေသြဇာတွင် ပိုတက်စီယမ်နိုက်ထရိုနိုက်ဒြပ်စင်နှင့် နီးစပ်သောကြောင့်ဖြစ်သည်။ နှင့် ပိုတက်စီယမ်ကို ၎င်းတို့၏ချို့တဲ့မှုအဆင့်ကို တိုးမြင့်ရန်အတွက် မြေဆီလွှာတွင် အသုံးချသည်။ နီကယ်သည် Ca၊ K နှင့် Mg တို့နှင့် အတန်အသင့် ဆက်စပ်နေပြီး r တန်ဖိုးများ = 0.52၊ 0.63 နှင့် 0.55 အသီးသီးရှိသည်။ ကယ်လစီယမ်၊ မဂ္ဂနီစီယမ်နှင့် PTE များပါ၀င်သော ဆက်ဆံရေးသည် ရှုပ်ထွေးသော်လည်း ကယ်လ်စီယမ်နှင့် မဂ္ဂနီဆီယမ်၏ အာနိသင်များကို လျော့နည်းစေသည်၊ သို့သော် ကယ်လစီယမ်နှင့် မဂ္ဂနီဆီယမ်၏ အာနိသင်များကို လျော့နည်းစေပါသည်။ မြေဆီလွှာတွင် နီကယ်။
ကြိုတင်ခန့်မှန်းသူများနှင့် တုံ့ပြန်မှုများကြား ဆက်နွယ်မှုကို ပြသသည့် ဒြပ်စင်များအတွက် ဆက်စပ်မက်ထရစ် (မှတ်ချက်- ဤကိန်းဂဏန်းတွင် ဒြပ်စင်များကြားတွင် ကွဲလွဲမှုတစ်ခုပါဝင်သည်၊ အရေးပါမှုအဆင့်များသည် p < 0,001 ကိုအခြေခံသည်)။
ပုံ 4 သည် ဒြပ်စင်များ၏ spatial ဖြန့်ကျက်မှုကို သရုပ်ဖော်သည်။ Burgos et al70 အရ၊ spatial distribution ကို အသုံးချခြင်းသည် ညစ်ညမ်းသောနေရာများတွင် အပူအအေးများကို အရေအတွက်နှင့် မီးမောင်းထိုးပြရန် အသုံးပြုသည့် နည်းပညာတစ်ခုဖြစ်သည်။ ပုံတွင် Ca ၏ ကြွယ်ဝမှုအဆင့် 4 ကို spatial distribution ၏ မြောက်ဘက်ခြမ်းတွင် တွေ့မြင်နိုင်ပါသည်။ မြင့်မားသော ကယ်လ်စီယမ်ဓာတ်ကြွယ်ဝသောပုံစံကို မြေပုံတွင် ပြထားသည်။ မြေပုံသည် မြေဆီလွှာအချဉ်ဓာတ်ကိုလျှော့ချရန်နှင့် သံမဏိထုတ်လုပ်ရေးလုပ်ငန်းစဉ်တွင် အယ်ကာလီအောက်ဆီဂျင်အဖြစ် စတီးကြိတ်စက်များတွင် အသုံးပြုမှုအား အမြန်ထုံး (ကယ်လ်စီယမ်အောက်ဆိုဒ်) ကို အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။ အခြားလယ်သမားများသည် အက်စစ်ဓာတ်ပါသောမြေများတွင် ကယ်လ်စီယမ်ဟိုက်ဒရောဆိုက်ကို အသုံးပြုလိုကြပြီး pH ကိုလည်း ပျက်ပြယ်စေကာ မြေဆီလွှာ၏ ကယ်လ်စီယမ်ပါဝင်မှုကို တိုးမြင့်စေသည့် 71။ ပိုတက်ဆီယမ်သည် စိုက်ပျိုးရေးကဏ္ဍတွင် အပူဆုံးနှင့် အရှေ့မြောက်ဒေသကို မြေပုံတွင်လည်း ပြထားသည်။ - ပိုတက်စီယမ်၏မြင့်မားသောပုံစံသည် NPK နှင့် ပိုတက်ဆီယမ်အသုံးပြုမှုများကြောင့်ဖြစ်နိုင်သည်။ ၎င်းသည် Madaras နှင့် Lipavský72၊ Madaras et al.73၊ Pulkrabová et al.74၊ Asare et al.75၊ KCl နှင့် NPK တို့ကို ကုသရာတွင် မြေဆီလွှာတည်ငြိမ်စေခြင်းနှင့် KCl နှင့် NPK တို့ကို ကုသခြင်းကဲ့သို့ အခြားလေ့လာမှုများနှင့် ကိုက်ညီပါသည်။ မြေဆီလွှာတွင် K ပါဝင်မှုမြင့်မားသည်။ဖြန့်ဝေမြေပုံ၏အနောက်မြောက်ဘက်ရှိ နေရာအနှံ့ပိုတက်ဆီယမ်ကြွယ်ဝမှုသည် ပိုတက်စီယမ်ကလိုရိုက်၊ ပိုတက်စီယမ်ဆာလဖိတ်၊ ပိုတက်စီယမ်နိုက်ထရိတ်၊ ပိုတက်စီယမ်နှင့် ပိုတက်စီယမ်ဓာတ်များကဲ့သို့ ပိုတက်စီယမ်အခြေခံမြေသြဇာများကို အသုံးပြုခြင်းကြောင့် ဖြစ်နိုင်သည်။Zádorová et al.76 နှင့် Tlustoš et al.77 K-based ဓာတ်မြေသြဇာကို အသုံးချခြင်းသည် မြေဆီလွှာတွင် K ပါဝင်မှုကို တိုးပွားစေပြီး ရေရှည်တွင် မြေဆီလွှာ အာဟာရပါဝင်မှု သိသိသာသာ တိုးမြင့်လာမည်၊ အထူးသဖြင့် K နှင့် Mg သည် မြေဆီလွှာတွင် ပူပြင်းသောနေရာဖြစ်ကြောင်း ဖော်ပြသည်။ မြေပုံ၏အနောက်မြောက်ဘက်နှင့် မြေပုံ၏အရှေ့တောင်ဘက်တို့တွင် အတန်အသင့် အလယ်အလတ်ရှိသော ဟော့စပေါ့များ။ မြေဆီလွှာတွင် ကော်လွိုင်ဒယ်လ်ဓာတ်ဖြည့်တင်းမှုသည် မြေဆီလွှာအတွင်းရှိ မဂ္ဂနီဆီယမ်ဓာတ်ချို့တဲ့မှုကို ဖြစ်ပေါ်စေသည်။ ပိုတက်စီယမ်မဂ္ဂနီဆီယမ်ဆာလဖိတ်၊ မဂ္ဂနီဆီယမ်ဆာလဖိတ်၊ နှင့် Kieserite ကဲ့သို့သော မြေသြဇာများသည် မြေဆီလွှာများတွင် ခရမ်းရောင်၊ အနီရောင် သို့မဟုတ် အညိုရောင်ရှိ၍ မဂ္ဂနီဆီယမ်ချို့တဲ့မှုကို ညွှန်ပြသော) ချို့တဲ့မှုများကို ကုသပေးပါသည်။ ပုံမှန် pH အကွာအဝေး 6. မြို့ပြနှင့် မြို့ပြမြေမျက်နှာပြင်များတွင် နီကယ်များစုပုံနေခြင်းသည် စိုက်ပျိုးရေးနှင့် စိုက်ပျိုးရေးတွင် နီကယ်ထုတ်လုပ်ခြင်းကဲ့သို့သော အရေးပါမှုတို့ကဲ့သို့ ဖြစ်နိုင်ပါသည်။
ဒြပ်စင်များ spatial ဖြန့်ချီခြင်း [spatial distribution map ကို ArcGIS Desktop (ESRI, Inc, ဗားရှင်း 10.7, URL: https://desktop.arcgis.com) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
ဤလေ့လာမှုတွင်အသုံးပြုသည့်ဒြပ်စင်များအတွက် မော်ဒယ်စွမ်းဆောင်ရည်အညွှန်းကိန်းရလဒ်များကို ဇယား 2 တွင်ပြသထားသည်။ အခြားတစ်ဖက်တွင်၊ Ni ၏ RMSE နှင့် MAE နှစ်ခုလုံးသည် သုည (0.86 RMSE၊ -0.08 MAE) နှင့်နီးစပ်ပါသည်။တစ်ဖက်တွင်၊ K ၏ RMSE နှင့် MAE တန်ဖိုးများသည် လက်ခံနိုင်ဖွယ်ရှိသည်။ RMSE နှင့် MAE ရလဒ်များသည် ကယ်လ်စီယမ်နှင့် မဂ္ဂနီဆီယမ်တို့ကြောင့် မတူညီသောရလဒ်များအတွက် ပိုကြီးပါသည်။ Ni ကိုခန့်မှန်းရန် EBK ကိုအသုံးပြု၍ ဤလေ့လာမှု၏ MAE သည် John et al ၏ရလဒ်များထက်ပိုမိုကောင်းမွန်သည်ကိုတွေ့ရှိခဲ့သည်။54 တူညီသောစုဆောင်းထားသောဒေတာကိုအသုံးပြု၍ မြေဆီလွှာရှိ S ပြင်းအားကိုခန့်မှန်းရန် ပေါင်းစပ်ညှိနှိုင်းအသုံးပြုခြင်းအားအသုံးပြုသည်။ ကျွန်ုပ်တို့လေ့လာခဲ့သော EBK ရလဒ်များသည် Fabijaczyk et al နှင့်ဆက်စပ်နေသည်။41, Yan et al ။79, Beguin et al.80၊ Adhikary et al ။81 နှင့် John et al.အထူးသဖြင့် ကျပ် ၈၂ နဲ့ ဒေါ်။
မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းခြင်းအတွက် တစ်ဦးချင်းနည်းလမ်းများ၏ စွမ်းဆောင်ရည်ကို မော်ဒယ်များ၏ စွမ်းဆောင်ရည် (ဇယား 3) ကို အသုံးပြု၍ အကဲဖြတ်ခဲ့ပါသည်။ မော်ဒယ်၏ မှန်ကန်မှုနှင့် တိကျမှုအကဲဖြတ်မှုမှ အတည်ပြုထားသော Ca_Mg_K ခန့်မှန်းသူသည် EBK SVMR မော်ဒယ်လ်နှင့် ပေါင်းစပ်ထားသော အကောင်းဆုံးစွမ်းဆောင်ရည်ကို ဆိုလိုပါသည်။ Calibration model Ca_Mg_svrm (စတုရန်းပုံနှင့် absoMR) (စတုရန်းပုံသဏ္ဍာန်) ၏ ဆိုလိုရင်းမှာ lute error (MAE) သည် 0.637 (R2)၊ 95.479 mg/kg (RMSE) နှင့် 77.368 mg/kg (MAE) Ca_Mg_K-SVMR သည် 0.663 (R2), 235.974 mg/kg (RMSE) နှင့် 166.946 mg/kg ကောင်းသော၊ _K-SVMR (0.663 mg/kg R2) နှင့် Ca_Mg-EBK_SVMR (0.643 = R2);၎င်းတို့၏ RMSE နှင့် MAE ရလဒ်များသည် Ca_Mg_K-EBK_SVMR (R2 0.637) အတွက် (R2 0.637) (ဇယား 3 ကိုကြည့်ပါ)။ ထို့အပြင် Ca_Mg-EBK_SVMR ၏ RMSE နှင့် MAE (RMSE = 1664.64 နှင့် MAE = 1031.49) ၏ RMSE နှင့် MAE (RMSE = 1664.64 နှင့် MAE = 1031.49) ၏ မော်ဒယ်များမှာ 13r ထက်ကြီးပါသည်။ g_K-EBK_SVMR.ထို့အတူ Ca_Mg_K-EBK_SVMR (RMSE = 235.974 နှင့် MAE = 166.946) ၏ RMSE နှင့် MAE တို့သည် Ca_Mg_K-EBK_SVMR RMSE နှင့် MAE မော်ဒယ်ထက် 2.5 နှင့် 2.2 ပိုကြီးပါသည်။ ဒေတာတွက်ချက်ရာတွင် မည်ကဲ့သို့ ကိုက်ညီသည်ကို ဖော်ပြထားသည် ။ RSME နှင့် MAE ကို စောင့်ကြည့်လေ့လာခဲ့သည်။ Kebonye et al အရ၊46 နှင့် ဂျွန် et al ။54၊ RMSE နှင့် MAE သည် သုညနှင့် နီးကပ်လေလေ၊ ရလဒ်များ ပိုကောင်းလေဖြစ်သည်။ SVMR နှင့် EBK_SVMR တို့သည် အရေအတွက်များသော RSME နှင့် MAE တန်ဖိုးများ ပိုမိုမြင့်မားနေပါသည်။ RSME ခန့်မှန်းချက်များသည် MAE တန်ဖိုးများထက် တစ်သမတ်တည်း မြင့်မားနေကြောင်း တွေ့ရှိရပြီး အစွန်းထွက်မှုများရှိနေခြင်းကို ညွှန်ပြပါသည်။ Legates နှင့် McCabe83 အရ အကြံပြုထားသည့် အတိုင်းအတာမှာ RMMA ထက် သာလွန်သည် (အဓိပ္ပာယ်) ထက်ကျော်လွန်နေသည် outliers များရှိနေခြင်း၏ အဓိပ္ပါယ်မှာ ဒေတာအတွဲများ ပိုမိုကွဲပြားလေလေ MAE နှင့် RMSE တန်ဖိုးများ မြင့်မားလေဖြစ်သည်။ Ca_Mg_K-EBK_SVMR ရောစပ်ပုံစံ၏ တိကျမှန်ကန်မှုသည် မြို့ပြနှင့် ဆင်ခြေဖုံးမြေဆီလွှာများတွင် Ni ပါဝင်မှုကို ခန့်မှန်းရန်အတွက် 63.70% ဖြစ်သည်ဟု Li etal မှ သိရသည်။59၊ ဤတိကျမှုအဆင့်သည် လက်ခံနိုင်သော မော်ဒယ်စွမ်းဆောင်ရည်နှုန်းတစ်ခုဖြစ်သည်။ လက်ရှိရလဒ်များကို Tarasov et al မှ ယခင်လေ့လာမှုနှင့် နှိုင်းယှဉ်ထားသည်။36 မျိုးစပ်ပုံစံသည် MLPRK (Multilayer Perceptron Residual Kriging) ကို ဖန်တီးခဲ့ပြီး လက်ရှိလေ့လာမှုတွင် ဖော်ပြထားသော EBK_SVMR တိကျမှုအကဲဖြတ်ညွှန်းကိန်းနှင့် ဆက်စပ်သော MLPRK (210) နှင့် MAE (167.5) တို့သည် လက်ရှိလေ့လာမှု (RMSE 95.4779) ၏ လက်ရှိလေ့လာမှု (RMSE 95.4779) ထက် ပိုများနေပါသည်။ .637) Tarasov et al.36 (0.544) သည် ဤရောစပ်ထားသောမော်ဒယ်တွင် ဆုံးဖြတ်ချက်ချခြင်း၏ကိန်းဂဏန်း (R2) ပိုများကြောင်း ရှင်းရှင်းလင်းလင်း သိသာပါသည်။ ရောစပ်မော်ဒယ်အတွက် အမှားအယွင်း (RMSE နှင့် MAE) (EBK SVMR) (EBK SVMR) သည် နှစ်ဆနိမ့်ပါသည်။ အလားတူပင်၊ Sergeev et al.34 သည် 0.28 (R2) ကို တီထွင်ထားသည့် Percept စံချိန်တင်ထားသော KRontilayer (Mrigider) မော်ဒယ်တွင် လက်ရှိလေ့လာနေစဉ် 0.637 (R2)။ဤမော်ဒယ်၏ ခန့်မှန်းတိကျမှုအဆင့် (EBK SVMR) သည် 63.7% ဖြစ်ပြီး Sergeev et al မှ ရရှိသော ခန့်မှန်းတိကျမှုဖြစ်သည်။34 သည် 28% ဖြစ်သည်။ ခန့်မှန်းသူအနေဖြင့် EBK_SVMR မော်ဒယ်နှင့် Ca_Mg_K ကိုအသုံးပြု၍ ဖန်တီးထားသော နောက်ဆုံးမြေပုံ (ပုံ။ 5) သည် လေ့လာမှုဧရိယာတစ်ခုလုံးတွင် ပူသောအစက်များနှင့် အလယ်အလတ်မှ နီကယ်အထိ ခန့်မှန်းချက်များကို ပြသသည်။ ဆိုလိုသည်မှာ လေ့လာမှုဧရိယာရှိ နီကယ်၏ပါဝင်မှုသည် အဓိကအားဖြင့် အလယ်အလတ်ဖြစ်ပြီး အချို့သောနေရာများတွင် ပြင်းအားပိုများသည်။
နောက်ဆုံးခန့်မှန်းမြေပုံကို ပေါင်းစပ်မော်ဒယ် EBK_SVMR သုံးပြီး ကိုယ်စားပြုပြီး Ca_Mg_K ကို ခန့်မှန်းပေးသူအဖြစ် အသုံးပြုထားသည်။[ဤမြေပုံကို RStudio (ဗားရှင်း 1.4.1717- https://www.rstudio.com/) သုံးပြီး ဖန်တီးထားသည်။]
ပုံ 6 တွင်တင်ပြထားသည့် PTE အာရုံစူးစိုက်မှုသည် ဆဲလ်တစ်ခုစီပါ၀င်သော နျူရွန်များပါ၀င်သည့် ဖွဲ့စည်းမှုပုံစံတစ်ခုအနေဖြင့် PTE အာရုံစူးစိုက်မှုဖြစ်သည်။ အစိတ်အပိုင်းလေယာဉ်များသည် ပြထားသည့်အတိုင်းတူညီသောအရောင်ပုံစံကိုပြသခြင်းမရှိပါ။ သို့သော်၊ ရေးဆွဲထားသောမြေပုံတစ်ခုလျှင် သင့်လျော်သော neurons အရေအတွက်မှာ 55 ဖြစ်သည်။SeOM သည် အရောင်အမျိုးမျိုးကိုအသုံးပြု၍ ထုတ်လုပ်ထားပြီး အရောင်ပုံစံများပိုမိုတူညီလေ၊ ၎င်းတို့၏နမူနာတစ်ခုချင်းစီ၏ ဂုဏ်သတ္တိများကို ပိုမိုယှဉ်နိုင်လေဖြစ်သည်။ ၎င်းတို့၏ KS နှင့် MCA (အရောင်ပုံစံများနှင့်အညီ)၊ မြင့်မားသောနျူရွန်တစ်ခုတည်းနှင့် အနိမ့်အာရုံရွန်အများစုအတွက်ဖြစ်သည်။ ထို့ကြောင့် CaK နှင့် CaMg တို့သည် အလွန်အဆင့်မြင့်သောနျူရွန်များနှင့် အနိမ့်မှအလယ်အလတ်အရောင်ပုံစံများနှင့် ဆင်တူပါသည်။ မော်ဒယ်နှစ်ခုစလုံးသည် အနီ၊ လိမ္မော်နှင့် အဝါရောင်ကဲ့သို့သော အလယ်အလတ်မှမြင့်သောအရောင်များကိုဖော်ပြခြင်းဖြင့် မြေဆီလွှာတွင် Ni ၏အာရုံစူးစိုက်မှုကို ခန့်မှန်းသည်။ KMg မော်ဒယ်သည် တိကျသောအချိုးအစားနှင့် အနိမ့်သို့အရောင်ခွဲခြမ်းစိတ်ဖြာသည့်ပုံစံအတိုင်း အရောင်အနိမ့်မှအလတ်အထိ မြင့်မားသောအရောင်ပုံစံများကိုပြသသည်။ မော်ဒယ်၏ အစိတ်အပိုင်းများသည် မြေဆီလွှာအတွင်း နီကယ်ပါဝင်မှု ဖြစ်နိုင်ချေကို ညွှန်ပြသော မြင့်မားသောအရောင်ပုံစံကို ပြသခဲ့သည် (ပုံ 4 ကိုကြည့်ပါ)။ CakMg မော်ဒယ် အစိတ်အပိုင်း လေယာဉ်သည် တိကျသော အရောင်စကေးအရ ကွဲပြားသော အရောင်ပုံစံကို အနိမ့်မှ မြင့်သို့ ပြသသည်။ ထို့အပြင်၊ မော်ဒယ်၏ နီကယ်ပါဝင်မှု (CakMg) ၏ ခန့်မှန်းချက်သည် နီကယ်ပါဝင်မှုနှုန်း (CakMg) ၏ ခန့်မှန်းချက်သည် အလယ်အလတ် နစ်ကယ်ပါဝင်မှု အနိမ့်ဆုံး ဂရပ် 5 နှင့် တူညီပါသည်။ မြို့ပြနှင့် မြို့ပြမြေဆီလွှာများ။ ပုံ 7 သည် မြေပုံပေါ်ရှိ k-means အုပ်စုဖွဲ့ခြင်းရှိ ကွန်တိုနည်းလမ်းကို သရုပ်ဖော်ထားပြီး မော်ဒယ်တစ်ခုစီရှိ ခန့်မှန်းတန်ဖိုးအပေါ် အခြေခံ၍ အစုအဖွဲ့သုံးစုခွဲထားသည်။ ကွန်တိုနည်းလမ်းသည် အကောင်းဆုံးအစုအရေအတွက်ကို ကိုယ်စားပြုသည်။ စုဆောင်းထားသော မြေဆီလွှာနမူနာ 115 ခုတွင် အမျိုးအစား 1 သည် မြေဆီလွှာနမူနာအများဆုံးရရှိသည်၊ 74-38 C တွင်ရရှိသောမြေဆီလွှာနမူနာများ 38 C တွင် စုဆောင်းရရှိထားသော နမူနာများဖြစ်သည်။ ponent planar ခန့်မှန်းသူ ပေါင်းစပ်မှုကို မှန်ကန်သော အစုအဝေး၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်အတွက် ခွင့်ပြုရန် ရိုးရှင်းပါသည်။ မြေဆီလွှာဖွဲ့စည်းခြင်းကို ထိခိုက်စေသော များပြားလှသော မနုဿဂျင်နှင့် သဘာဝဖြစ်စဉ်များကြောင့်၊ ဖြန့်ဝေထားသော SeOM map78 တွင် အစုလိုက်ပုံစံများကို စနစ်တကျ ခွဲခြားထားရန် ခက်ခဲပါသည်။
Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variable တစ်ခုစီမှ အစိတ်အပိုင်း လေယာဉ်ထွက်ရှိမှု။[SeOM မြေပုံများကို RStudio (ဗားရှင်း 1.4.1717- https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
မတူညီသောအစုအဝေးခွဲခြားခြင်းအစိတ်အပိုင်းများ [SeOM မြေပုံများကို RStudio (ဗားရှင်း 1.4.1717- https://www.rstudio.com/) ကို အသုံးပြု၍ ဖန်တီးထားသည်။]
လက်ရှိလေ့လာမှုသည် မြို့ပြနှင့်မြို့ပြမြေဆီလွှာများတွင် နီကယ်ပါဝင်မှုများအတွက် စံပြနည်းပညာများကို ရှင်းရှင်းလင်းလင်းပြသထားသည်။ အဆိုပါလေ့လာမှုသည် မတူညီသော မော်ဒယ်လ်နည်းပညာများကို စမ်းသပ်ခဲ့ပြီး ဒြပ်စင်များကို မော်ဒယ်လ်နည်းပညာများဖြင့် ပေါင်းစပ်ကာ မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုကို ခန့်မှန်းရန် အကောင်းဆုံးနည်းလမ်းကို ရရှိရန် အကောင်းဆုံးနည်းလမ်းကို ရရှိရန် SeOM ပေါင်းစပ်မှုပုံစံ Planar spatial features သည် မော်ဒယ်လ်နည်းပညာ၏ မြေဆီလွှာတွင် မြင့်မားသောအရောင်အသွေးပုံစံကို ပြသထားသည်။ patial distribution map သည် EBK_SVMR မှပြသထားသော အစိတ်အပိုင်းများ၏ planar spatial ဖြန့်ဖြူးမှုကို အတည်ပြုသည် (ပုံ 5 ကိုကြည့်ပါ)။ ရလဒ်များက support vector machine regression model (Ca Mg K-SVMR) သည် မြေဆီလွှာတွင် Ni ၏ပါဝင်မှုကို မော်ဒယ်တစ်ခုတည်းအဖြစ် ခန့်မှန်းပေးသည်၊ သို့သော် validation နှင့် accuracy evaluation parameters များသည် AE ၏အခြားပုံစံနှင့်နည်းပညာဆိုင်ရာအသုံးအနှုန်းများတွင် အလွန်မြင့်မားသောအမှားအယွင်းများကိုပြသပါသည်။ EBK_MLR မော်ဒယ်သည် အဆုံးအဖြတ်ပေးသည့် ဖော်ကိန်း (R2) တန်ဖိုးနိမ့်ခြင်းကြောင့်လည်း ချို့ယွင်းချက်ရှိသည်။ EBK SVMR နှင့် ပေါင်းစပ်ဒြပ်စင်များ (CaKMg) တို့ကို အသုံးပြု၍ RMSE နှင့် MAE အမှားအယွင်းများ 63.7% တိကျမှုနှင့်အတူ EBK အယ်လဂိုရီသမ်ကို amrid ၏ အာရုံစူးစိုက်မှုကို ထုတ်ပေးနိုင်သော EBK algorithm နှင့် ပေါင်းစပ်ထားသော ရလဒ်ကောင်းများ ရရှိခဲ့သည်။ မြေဆီလွှာတွင် Ca Mg K ကို လေ့လာမှုဧရိယာရှိ Ni ပြင်းအားကို ခန့်မှန်းရန် Ca Mg K ကို အသုံးပြုခြင်းဖြင့် မြေဆီလွှာတွင် Ni ၏ ခန့်မှန်းမှုကို ပိုမိုကောင်းမွန်စေနိုင်ကြောင်း ဆိုလိုသည်။ ဆိုလိုသည်မှာ သံမဏိစက်ရုံမှ နီကယ်အခြေခံဓာတ်မြေသြဇာများနှင့် မြေဆီလွှာ၏စက်မှုဆိုင်ရာညစ်ညမ်းမှုကို စဉ်ဆက်မပြတ်အသုံးပြုခြင်းသည် မြေဆီလွှာတွင် နီကယ်ပါဝင်မှုနှုန်းကို တိုးမြင့်လာစေပါသည်။ ဤလေ့လာမှုအရ EBK မော်ဒယ်သည် မြေဆီလွှာအတွင်း ဖောက်ပြန်ပျံ့နှံ့မှုနှုန်းကို လျှော့ချပေးနိုင်ကြောင်း လေ့လာမှုအရ သိရသည်။ မြေဆီလွှာ။ယေဘုယျအားဖြင့်၊ ကျွန်ုပ်တို့သည် မြေဆီလွှာတွင် PTE ကို အကဲဖြတ်ပြီး ခန့်မှန်းရန် EBK-SVMR မော်ဒယ်ကို အသုံးပြုရန် အဆိုပြုပါသည်။ထို့အပြင်၊ ကျွန်ုပ်တို့သည် အမျိုးမျိုးသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များဖြင့် ပေါင်းစပ်ရန် EBK ကို အသုံးပြုရန် အဆိုပြုပါသည်။ Ni အာရုံစူးစိုက်မှုကို covariates အဖြစ် ဒြပ်စင်များအသုံးပြု၍ ခန့်မှန်းထားပါသည်။မည်သို့ပင်ဆိုစေကာမူ ပိုများသော covariates ကိုအသုံးပြုခြင်းသည် လက်ရှိအလုပ်၏ကန့်သတ်ချက်တစ်ခုဟုယူဆနိုင်သည့် model ၏စွမ်းဆောင်ရည်ကို များစွာတိုးတက်စေမည်ဖြစ်သည်။ ဤလေ့လာမှု၏နောက်ထပ်ကန့်သတ်ချက်မှာ datasets အရေအတွက်မှာ 115 ဖြစ်သည်။ ထို့ကြောင့် ဒေတာပိုပေးပါက၊ အဆိုပြုထားသော optimized hybridization နည်းလမ်း၏စွမ်းဆောင်ရည်ကို မြှင့်တင်နိုင်ပါသည်။
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 April 2021)။
Kasprzak၊ KS Nickel သည် ခေတ်မီပတ်ဝန်းကျင် အဆိပ်သင့်မှုဗေဒ.surroundings.toxicology.11၊ 145–183 (1987) တွင် တိုးတက်လာသည်။
Cempel, M. & Nikel, G. Nickel- ၎င်း၏ရင်းမြစ်များနှင့် ပတ်ဝန်းကျင် အဆိပ်သင့်မှုဆိုင်ရာ သုံးသပ်ချက်။Polish J. Environment.Stud.15၊ 375–382 (2006)။
Freedman၊ B. & Hutchinson၊ TC သည် Sudbury၊ Ontario၊ Canada.can.J.ရှိ နီကယ်-ကြေးနီအရည်ကျိုစက်ရုံအနီးရှိ မြေဆီလွှာနှင့် အသီးအရွက်များတွင် စုပုံနေပြီး လေထုမှ ညစ်ညမ်းသော သွင်းအားစုများBot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)။
Manyiwa, T. et al. Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-0007/s10653-021-0007/s10653-021-009.
Cabata-Pendias.Kabata-Pendias A. 2011။ မြေဆီလွှာရှိဒြပ်စင်များနှင့်… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+in+NY.+%4+2011.+Trace+ Elements+in+soils+4% 3A+CRC+Press&btnG= (24 နိုဝင်ဘာ 2020 တွင် ဝင်ရောက်ခဲ့သည်)။
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Soer-Varanger, Norway.agris.fao.org ရှိ စိုက်ပျိုးရေးမြေများနှင့် မြက်များတွင် သတ္တုအကြီးစားပါဝင်မှုအပေါ် ရုရှားနီကယ်စက်မှုလုပ်ငန်းမှ သက်ရောက်မှုများ။
Nielsen၊ GD et al.သောက်သုံးရေတွင် နီကယ်စုပ်ယူမှုနှင့် ထိန်းသိမ်းမှုသည် အစားအစာစားသုံးမှုနှင့် နီကယ်အာရုံခံနိုင်စွမ်းရှိမှုတို့နှင့် ဆက်စပ်နေသည်။toxicology.application.Pharmacodynamics.154၊ 67-75 (1999)။
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999)။
Ajman, PC;Ajado, SK;Borůvka, L.;Bini, JKM;Sarkody, VYO;Cobonye, ​​​NM;အဆိပ်သင့်နိုင်သည့် ဒြပ်စင်များ၏ လမ်းကြောင်းကို ခွဲခြမ်းစိတ်ဖြာခြင်း- bibliometric ပြန်လည်သုံးသပ်ချက်။ ပတ်ဝန်းကျင်ဆိုင်ရာ ဘူမိဓာတုဗေဒနှင့် ကျန်းမာရေး။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. ဒစ်ဂျစ်တယ် မြေဆီလွှာ ပုံဖော်ခြင်း.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.Presss+7%2C+Geostatistical+Reservoir+Modeling%2C +C+sford+7%civers ed 28 ဧပြီလ 2021)။