Nature.com मा जानुभएकोमा धन्यवाद।तपाईँले प्रयोग गरिरहनुभएको ब्राउजर संस्करणमा CSS को लागि सीमित समर्थन छ।उत्तम अनुभवको लागि, हामी तपाईंलाई अपडेट गरिएको ब्राउजर प्रयोग गर्न सुझाव दिन्छौं (वा इन्टरनेट एक्सप्लोररमा अनुकूलता मोड बन्द गर्नुहोस्)।यस बीचमा, निरन्तर समर्थन सुनिश्चित गर्न, हामी शैलीहरू र जाभास्क्रिप्ट बिना साइट प्रदर्शन गर्नेछौं।
माटो प्रदूषण मानव गतिविधिहरु को कारण एक ठूलो समस्या हो। सम्भावित विषाक्त तत्वहरु (PTEs) को स्थानिय वितरण धेरै शहरी र पेरी-शहरी क्षेत्रहरु मा भिन्न हुन्छ। त्यसैले, यस्तो माटो मा PTEs को सामग्री को स्थानिय भविष्यवाणी गर्न गाह्रो छ। जम्मा 115 नमूनाहरु Frydek CspotegC (Frydek CpotchumC) रिपब्लिक (), themagnechumc (), बाट प्राप्त गरिएको थियो। assium (K) र निकल (Ni) सांद्रता inductively युग्मित प्लाज्मा उत्सर्जन स्पेक्ट्रोमेट्री प्रयोग गरेर निर्धारण गरिएको थियो। प्रतिक्रिया चर Ni हो र भविष्यवाणीकर्ताहरू Ca, Mg, र K हुन्। प्रतिक्रिया चर र भविष्यवाणी चर बीचको सहसंबंध म्याट्रिक्सले सन्तोषजनक परिणामहरू देखाउँछ। राम्रो प्रदर्शन गरेको छ, यद्यपि यसको अनुमानित मूल मतलब वर्ग त्रुटि (RMSE) (235.974 mg/kg) र मतलब निरपेक्ष त्रुटि (MAE) (166.946 mg/kg) लागू गरिएका अन्य विधिहरू भन्दा उच्च थियो। अनुभवजन्य बेयसियन क्रिगिङ-मल्टिपल रेखीय प्रतिगमन (EBR0) को कमजोर प्रमाणहरू (EBR0) को रूपमा कम प्रदर्शनको रूपमा मिश्रित मोडेलहरू। 1. The Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) मोडेल सबै भन्दा राम्रो मोडेल थियो, कम RMSE (95.479 mg/kg) र MAE (77.368 mg/kg) मान र दृढताको उच्च गुणांक (R2 = 0.B6 MR) सेल्फ-पुट मोडेल आउट-पुट EB66 मोडेल हो। izing map.CakMg-EBK-SVMR कम्पोनेन्ट हाइब्रिड मोडेलको प्लेनमा क्लस्टर गरिएका न्यूरोन्सहरूले सहरी र पेरी-शहरी माटोमा Ni सांद्रताको भविष्यवाणी गर्ने बहु ​​रङ ढाँचाहरू देखाउँछन्। परिणामहरूले देखाउँछन् कि EBK र SVMR को संयोजन गर्नु भनेको नी सांद्रता र urban periurban मा नी सांद्रता भविष्यवाणी गर्न प्रभावकारी प्रविधि हो।
निकेल (Ni) लाई बोटबिरुवाको लागि सूक्ष्म पोषक तत्व मानिन्छ किनभने यसले वायुमण्डलीय नाइट्रोजन फिक्सेसन (N) र यूरिया चयापचयमा योगदान पुर्‍याउँछ, जुन दुवै बीउ अंकुरणको लागि आवश्यक हुन्छ। बीउ अंकुरणमा यसको योगदानको अतिरिक्त, Ni ले फंगल र ब्याक्टेरिया अवरोधकको रूपमा काम गर्न सक्छ र यसले बिरुवाको विकासलाई बढावा दिन्छ। पातहरूको।उदाहरणका लागि, दाना र हरियो सिमीलाई नाइट्रोजन फिक्सेसन अनुकूलन गर्न निकेल-आधारित मलहरू प्रयोग गर्न आवश्यक पर्दछ। माटोलाई समृद्ध बनाउन र फलफूलहरूको क्षमता बढाउनको लागि निकल-आधारित मलको निरन्तर प्रयोगले माटोमा नाइट्रोजन मिलाउनको लागि फलफूलको क्षमतालाई बढाउँछ, यसको माइक्रोनटको लागि माइक्रोसेन्टल बोटको मात्रा बढ्छ। माटोमा अत्यधिक सेवनले राम्रो भन्दा बढी हानि गर्न सक्छ। माटोमा निकेलको विषाक्तताले माटोको पीएचलाई कम गर्छ र बिरुवाको वृद्धिको लागि आवश्यक पोषक तत्वको रूपमा फलामको शोषणमा बाधा पुर्‍याउँछ। Liu3 अनुसार, Ni बिरुवाको विकास र बृद्धिको लागि आवश्यक 17 औं महत्त्वपूर्ण तत्व भएको पाइन्छ। मानव विकासमा निकेलको विभिन्न प्रकारको भूमिका र बिरुवाको विकासमा यसको प्रयोग आवश्यक छ। निकल-आधारित मिश्र धातुहरूको उत्पादन, र मोटर वाहन उद्योगमा इग्निशन उपकरणहरू र स्पार्क प्लगहरूको निर्माण सबैलाई विभिन्न औद्योगिक क्षेत्रहरूमा निकेलको प्रयोग आवश्यक पर्दछ। यसका अतिरिक्त, निकल-आधारित मिश्र धातुहरू र इलेक्ट्रोप्लेटेड वस्तुहरू भान्साका सामानहरू, बलरूम सामानहरू, खाद्य उद्योग आपूर्तिहरू, इलेक्ट्रिकल, तार, तार, सर्भिस, सर्भिस, सर्भिस, सर्भिस, सर्भिस, सर्भिस, निकेल र इलेक्ट्रोप्लेटेड वस्तुहरू व्यापक रूपमा प्रयोग भएका छन्। 5. माटो (अर्थात सतह माटो) मा नी-सम्पन्न स्तरहरू एन्थ्रोपोजेनिक र प्राकृतिक स्रोतहरू दुवैलाई श्रेय दिइएको छ, तर मुख्य रूपमा, नी एन्थ्रोपोजेनिक भन्दा एक प्राकृतिक स्रोत हो 4,6।निकेलको प्राकृतिक स्रोतहरूमा ज्वालामुखी विस्फोट, वनस्पति, जंगलको आगो, र भौगोलिक प्रक्रियाहरू समावेश छन्;यद्यपि, एन्थ्रोपोजेनिक स्रोतहरूले स्टील उद्योगमा निकल/क्याडमियम ब्याट्रीहरू, इलेक्ट्रोप्लेटिंग, आर्क वेल्डिङ, डिजेल र इन्धन तेलहरू, र कोइलाको दहनबाट हुने वायुमण्डलीय उत्सर्जन र फोहोर र स्लज भस्म गर्ने निकेल संचय7,8 समावेश गर्दछ।10, तत्काल र छेउछाउको वातावरणमा माथिल्लो माटोको प्रदूषणको मुख्य स्रोतहरू मुख्यतया निकल-तामा-आधारित स्मेल्टरहरू र खानहरू हुन्। क्यानाडाको सडबरी निकल-तामा रिफाइनरी वरपरको शीर्ष माटोमा निकेल प्रदूषणको उच्चतम स्तर 26,000 mg/kg थियो, रसियाबाट निकेल प्रदुषणमा उच्च मात्रामा निकेल उत्पादन भएको थियो। नर्वेजियन माटोमा 11. Alms et al को अनुसार।12, क्षेत्रको शीर्ष कृषि योग्य भूमि (रूसमा निकल उत्पादन) मा HNO3-निकासी योग्य निकलको मात्रा 6.25 देखि 136.88 mg/kg, 30.43 mg/kg को औसत र 25 mg/kg को आधारभूत एकाग्रता अनुरूप छ। शहरी वा पेरी-शहरी माटोहरूमा क्रमिक बाली मौसमहरूमा परावर्तित माटोले माटोलाई इन्फ्युज वा दूषित गर्न सक्छ। मानिसमा निकलको सम्भावित प्रभावहरूले म्युटाजेनेसिस, क्रोमोसोमल क्षति, Z-DNA जेनेरेसन, अवरुद्ध DNA उत्सर्जन मर्मत, वा एपिजेनेटिक प्रक्रियाहरू मार्फत क्यान्सर निम्त्याउन सक्छ। यस्ता ट्यूमरहरू बढाउनुहोस्।
माटो-बिरुवा सम्बन्ध, माटो र माटो जैविक सम्बन्ध, पारिस्थितिक ह्रास, र वातावरणीय प्रभाव मूल्याङ्कनबाट उत्पन्न हुने स्वास्थ्य सम्बन्धी समस्याहरूको विस्तृत श्रृंखलाका कारण हालैका दिनहरूमा माटो प्रदूषण मूल्याङ्कन फस्टाएको छ। आजसम्म, सम्भावित विषाक्त तत्वहरू (PTEs) को स्थानिय भविष्यवाणी जस्तै डिजिटल श्रमको प्रयोग गरी परम्परागत समय र प्रविधिको प्रयोग गरी माटो प्रदुषण मूल्याङ्कन गरिएको छ। (DSM) र यसको हालको सफलता15 ले भविष्यवाणी गर्ने माटो म्यापिङ (PSM) लाई धेरै सुधार गरेको छ। Minasny र McBratney16 को अनुसार, भविष्यवाणी माटो नक्सा (DSM) माटो विज्ञान को एक प्रमुख उपविशासन साबित भएको छ। Lagacherie र McBratney, 2006 लाई परिभाषित गर्दछ र DSM को प्रयोग को माध्यम बाट जानकारी को प्रयोग र DSM को प्रयोग को रूप मा "। सर्भेसनल विधिहरू र स्थानिक र गैर-स्थानिक माटो अनुमान प्रणालीहरू। "McBratney et al।17 रूपरेखा कि समसामयिक DSM वा PSM PTEs, माटोको प्रकार र माटो गुणहरूको स्थानिय वितरणको पूर्वानुमान वा म्यापिङको लागि सबैभन्दा प्रभावकारी प्रविधि हो। जियोस्ट्याटिस्टिक्स र मेशिन लर्निङ एल्गोरिदम (MLA) DSM मोडलिङ प्रविधिहरू हुन् जसले महत्त्वपूर्ण र न्यूनतम डेटा प्रयोग गरेर कम्प्युटरहरूको सहायताले डिजिटलाइज्ड नक्साहरू सिर्जना गर्छन्।
Deutsch18 र Olea19 ले जियोस्ट्याटिस्टिक्सलाई "स्थानिक विशेषताहरूको प्रतिनिधित्वसँग सम्झौता गर्ने संख्यात्मक प्रविधिहरूको सङ्कलन, मुख्यतया स्टोकास्टिक मोडेलहरू प्रयोग गर्ने, जस्तै समय श्रृंखला विश्लेषणले टेम्पोरल डेटाको विशेषतालाई कसरी परिभाषित गर्छ" भनेर परिभाषित गर्दछ।मुख्य रूपमा, जियोस्ट्याटिस्टिक्सले भेरियोग्रामहरूको मूल्याङ्कन समावेश गर्दछ, जसले प्रत्येक डेटासेटबाट स्थानिय मानहरूको निर्भरता परिमाण र परिभाषित गर्न अनुमति दिन्छ।20 ले थप चित्रण गर्दछ कि जियोस्ट्याटिस्टिक्समा भेरियोग्रामहरूको मूल्याङ्कन तीन सिद्धान्तहरूमा आधारित छ, जसमा (a) डाटा सहसम्बन्धको मापन गणना गर्ने, (b) डाटासेट असमानतामा एनिसोट्रोपी पहिचान गर्ने र कम्प्युट गर्ने र (c) मापनको अन्तर्निहित त्रुटिलाई ध्यानमा राख्नुको अतिरिक्त, मापन डाटामा धेरै प्रभावहरू पनि स्थानीय प्रभावहरूबाट अलग गरिएको छ। प्राविधिकहरू जियोस्ट्याटिस्टिक्समा प्रयोग गरिन्छ, जसमा सामान्य क्रिगिङ, सह-क्रिगिङ, साधारण क्रिगिङ, अनुभवजन्य बायेसियन क्रिजिङ, साधारण क्रिगिङ विधि र PTE, माटोका विशेषताहरू, र माटोका प्रकारहरू नक्सा वा भविष्यवाणी गर्न अन्य प्रख्यात प्रक्षेपण प्रविधिहरू समावेश छन्।
मेशिन लर्निङ एल्गोरिदम (MLA) एक अपेक्षाकृत नयाँ प्रविधि हो जसले ठूला गैर-रैखिक डेटा वर्गहरू प्रयोग गर्दछ, मुख्य रूपमा डाटा माइनिङको लागि प्रयोग गरिने एल्गोरिदमहरूद्वारा ईन्धन, डाटामा ढाँचाहरू पहिचान गर्न, र माटो विज्ञान र फिर्ता कार्यहरू जस्ता वैज्ञानिक क्षेत्रहरूमा वर्गीकरणमा बारम्बार लागू गरिन्छ। धेरै अनुसन्धान कागजातहरू PM TANTE मोडेलहरूमा पूर्वनिर्धारित छन्।22 (कृषि माटोमा भारी धातु अनुमानका लागि अनियमित वन), Sakizadeh et al।23 (सपोर्ट भेक्टर मेसिन र कृत्रिम तंत्रिका नेटवर्कहरू प्रयोग गरेर मोडेलिङ) माटो प्रदूषण। साथै, Vega et al।24 (माटोमा भारी धातु रिटेन्सन र सोस्सन मोडेलिङको लागि कार्ट) सन एट अल।25 (क्युबिस्टको आवेदन माटोमा Cd को वितरण हो) र अन्य एल्गोरिदमहरू जस्तै के-नजीकको छिमेकी, सामान्यीकृत बढाइएको प्रतिगमन, र बढाइएको प्रतिगमन ट्रीहरूले पनि माटोमा PTE भविष्यवाणी गर्न एमएलए लागू गरे।
भविष्यवाणी वा नक्साङ्कनमा DSM एल्गोरिदमको प्रयोगले धेरै चुनौतीहरूको सामना गर्छ। धेरै लेखकहरूले एमएलए जियोस्ट्याटिस्टिक्स र यसको विपरीत हो भन्ने विश्वास गर्छन्। यद्यपि एक अर्को भन्दा राम्रो छ, दुईको संयोजनले DSM15 मा म्यापिङ वा भविष्यवाणीको शुद्धताको स्तरमा सुधार गर्छ। Woodcock र Gopal2626;Pontius र Cheuk28 र Grunwald29 भविष्यवाणी गरिएको माटो म्यापिङमा कमीहरू र केही त्रुटिहरूमा टिप्पणी गर्छन्। माटो वैज्ञानिकहरूले DSM म्यापिङ र पूर्वानुमानको प्रभावकारिता, सटीकता, र भविष्यवाणीलाई अनुकूलन गर्न विभिन्न प्रविधिहरू प्रयास गरेका छन्। अनिश्चितता र प्रमाणीकरणको संयोजन धेरै प्रभावकारीता र डीएसएममा प्रभावकारीता कम गर्नको लागि एक हो। यद्यपि, Agyeman et al।15 रूपरेखा कि नक्सा निर्माण र भविष्यवाणी द्वारा प्रस्तुत प्रमाणीकरण व्यवहार र अनिश्चितता नक्सा गुणस्तर सुधार गर्न स्वतन्त्र रूपमा मान्य हुनुपर्छ। DSM को सीमितताहरू भौगोलिक रूपमा फैलिएको माटो गुणस्तरको कारण हो, जसमा अनिश्चितताको एक घटक समावेश छ;यद्यपि, DSM मा निश्चितताको अभाव त्रुटिका धेरै स्रोतहरूबाट उत्पन्न हुन सक्छ, जस्तै covariate त्रुटि, मोडेल त्रुटि, स्थान त्रुटि, र विश्लेषणात्मक त्रुटि 31। एमएलए र भू-सांख्यिकीय प्रक्रियाहरूमा प्रेरित मोडेलिङ अशुद्धताहरू बुझाइको कमीसँग सम्बन्धित छन्, अन्ततः मोडेलको मोडेलको ओभरसिम्प्लिफिकेशनमा नेतृत्व गर्न सकिन्छ। ing मापदण्डहरू, गणितीय मोडेल भविष्यवाणीहरू, वा इन्टरपोलेसन33। हालसालै, एउटा नयाँ DSM प्रवृति देखा परेको छ जसले नक्साङ्कन र पूर्वानुमानमा जियोस्ट्याटिस्टिक्स र एमएलएको एकीकरणलाई बढावा दिन्छ। धेरै माटो वैज्ञानिकहरू र लेखकहरू, जस्तै Sergeev et al।३४;Subbotina et al।३५;Tarasov et al।36 र Tarasov et al।37 ले पूर्वानुमान र म्यापिङको दक्षतामा सुधार गर्ने हाइब्रिड मोडेलहरू उत्पन्न गर्न जियोस्ट्याटिस्टिक्स र मेसिन लर्निङको सही गुणस्तरको शोषण गरेको छ।गुणस्तर। यी हाइब्रिड वा संयुक्त एल्गोरिदम मोडेलहरू मध्ये केही कृत्रिम न्यूरल नेटवर्क क्रिगिङ (ANN-RK), मल्टिलेयर पर्सेप्ट्रोन अवशिष्ट क्रिगिङ (MLP-RK), जनरलाइज्ड रिग्रेसन न्यूरल नेटवर्क रिजिडुअल क्रिगिङ (GR-NNRK) 36, आर्टिफिशियल न्यूरल नेटवर्क क्रिगिङ र मल्टि-एनआरके (Multi-Perceptron Kriging) sian प्रक्रिया प्रतिगमन 38।
Sergeev et al. का अनुसार, विभिन्न मोडलिङ प्रविधिहरू संयोजन गर्दा दोषहरू हटाउने र परिणामस्वरूप हाइब्रिड मोडेलको एकल मोडेलको विकासको सट्टा दक्षता बढाउने क्षमता छ। यस सन्दर्भमा, यो नयाँ पेपरले यो तर्क गर्दछ कि जियोस्ट्याटिस्टिक्स र एमएलएको संयुक्त एल्गोरिदम लागू गर्न आवश्यक छ। आधार मोडेलको रूपमा अनुभवजन्य बायेसियन क्रिगिङ (EBK) लाई आधार मानिन्छ र यसलाई सपोर्ट भेक्टर मेसिन (SVM) र मल्टिपल लिनियर रिग्रेसन (MLR) मोडेलहरूसँग मिलाउँछ। कुनै पनि एमएलएसँग EBK को हाइब्रिडाइजेसन थाहा छैन। देखिएका धेरै मिश्रित मोडेलहरू साधारण, अवशिष्ट, इन्टरपोलिस्टिक विधिको संयोजन हुन्। s एक s
अर्कोतर्फ, Self-Organizing Graph (SeOM) एक सिकाइ एल्गोरिदम हो जुन विभिन्न लेखहरूमा लागू गरिएको छ जस्तै Li et al।४३, वाङ एट अल।४४, हुसेन भुइँ आदि।45 र Kebonye et al.46 स्थानिय विशेषताहरू र तत्वहरूको समूह निर्धारण गर्नुहोस्। वांग एट अल।44 रूपरेखा कि SeOM गैर-रैखिक समस्याहरूको समूह र कल्पना गर्ने क्षमताको लागि परिचित एक शक्तिशाली सिकाउने प्रविधि हो। प्रमुख घटक विश्लेषण, फजी क्लस्टरिङ, पदानुक्रमिक क्लस्टरिङ, र बहु-मापदण्ड निर्णय गर्ने जस्ता अन्य ढाँचा पहिचान प्रविधिहरूको विपरीत, SeOM PTE ढाँचाहरू संगठित गर्न र पहिचान गर्न राम्रो छ।44, SeOM ले सम्बन्धित न्यूरोन्सको वितरणलाई स्थानिय रूपमा समूहबद्ध गर्न सक्छ र उच्च-रिजोल्युसन डेटा भिजुअलाइजेशन प्रदान गर्न सक्छ। SeOM ले प्रत्यक्ष व्याख्याको लागि नतिजाहरू चित्रण गर्न उत्तम मोडेल प्राप्त गर्न Ni प्रेडिक्शन डेटाको कल्पना गर्नेछ।
यो पेपरले सहरी र पेरी-शहरी माटोमा निकल सामग्रीको भविष्यवाणी गर्नको लागि इष्टतम शुद्धताको साथ एक बलियो म्यापिङ मोडेल उत्पन्न गर्ने लक्ष्य राख्छ। हामी परिकल्पना गर्छौं कि मिश्रित मोडेलको विश्वसनीयता मुख्य रूपमा आधार मोडेलमा संलग्न अन्य मोडेलहरूको प्रभावमा निर्भर गर्दछ। हामी स्वीकार गर्छौं कि DSM ले सामना गरिरहेका चुनौतीहरू छन्, र यी बहुमुखी ठेगानाहरू DSM को सामना गर्दै छन्। s र MLA मोडेलहरू बढ्दो देखिन्छ;त्यसकारण, हामी मिश्रित मोडेलहरू उत्पादन गर्न सक्ने अनुसन्धान प्रश्नहरूको जवाफ दिने प्रयास गर्नेछौं। यद्यपि, लक्ष्य तत्वको भविष्यवाणी गर्ने मोडेल कत्तिको सही छ? साथै, प्रमाणीकरण र शुद्धता मूल्याङ्कनमा आधारित दक्षता मूल्याङ्कनको स्तर के हो? त्यसैले, यस अध्ययनको विशेष लक्ष्यहरू (a) कम्पाइन गरिएको थियो नतिजा मोडेलहरू (c) सहरी वा पेरी-शहरी माटोहरूमा Ni सांद्रता भविष्यवाणी गर्नको लागि उत्तम मिश्रण मोडेल प्रस्ताव गर्दछ, र (d) निकल स्थानिय भिन्नताको उच्च-रिजोल्युसन नक्शा सिर्जना गर्न SeOM को अनुप्रयोग।
यो अध्ययन चेक गणतन्त्रमा भइरहेको छ, विशेष गरी मोराभिया-सिलेसियन क्षेत्रको फ्राइडेक मिस्टेक जिल्लामा (चित्र 1 हेर्नुहोस्)। अध्ययन क्षेत्रको भूगोल एकदमै असजिलो छ र अधिकतर मोराभिया-सिलेसियन बेस्कीडी क्षेत्रको भाग हो, जुन कार्पाथियन पर्वतको बाहिरी किनाराको अंश हो। 18° 20′ 0′ E, र उचाई 225 र 327 m बीचमा छ;यद्यपि, क्षेत्रको जलवायु अवस्थाको लागि कोपेन वर्गीकरण प्रणालीलाई Cfb = समशीतोष्ण महासागरीय जलवायुको रूपमा मूल्याङ्कन गरिएको छ, सुख्खा महिनाहरूमा पनि धेरै वर्षा हुन्छ। तापक्रम वर्षभरि −5 °C र 24 °C बीचमा थोरै फरक हुन्छ, विरलै −14 °C र 75 °C वा वार्षिक औसत 620 °C वा माथिको बीचमा हुन्छ। mm47. सम्पूर्ण क्षेत्रफलको अनुमानित सर्वेक्षण क्षेत्रफल 1,208 वर्ग किलोमिटर छ, जसमा 39.38% खेती गरिएको भूमि र 49.36% वन क्षेत्र छ। अर्कोतर्फ, यस अध्ययनमा प्रयोग गरिएको क्षेत्र लगभग 889.8 वर्ग किलोमिटर छ। ओस्ट्राभा र वरपर, स्टिल मिल र धातु उद्योगमा धेरै सक्रिय छन् जहाँ स्टिल मिल र धातु उद्योगमा धेरै सक्रिय छन्। स्टेनलेस स्टील्स (जस्तै वायुमण्डलीय क्षरण प्रतिरोधको लागि) र मिश्र धातु स्टील्स (निकेलले यसको राम्रो लचकता र कठोरता कायम राख्दा मिश्र धातुको बल बढाउँछ), र सघन कृषि जस्तै फस्फेट मलको प्रयोग र पशुधन उत्पादन यस क्षेत्रमा निकलको अनुसन्धान सम्भावित स्रोतहरू हुन् (उदाहरणका लागि, औद्योगिक विकास दरमा क्याटलब्सको वृद्धि र क्याटलब्समा वृद्धि)। अनुसन्धान क्षेत्रहरूमा निकलले इलेक्ट्रोप्लेटिंगमा यसको प्रयोग समावेश गर्दछ, जसमा इलेक्ट्रोप्लेटिंग निकल र इलेक्ट्रोलेस निकल प्लेटिङ प्रक्रियाहरू समावेश छन्। माटोको गुणहरू माटोको रङ, संरचना र कार्बोनेट सामग्रीबाट सजिलै छुट्याउन सकिन्छ। माटोको बनावट मध्यमदेखि राम्रो हुन्छ, मूल सामग्रीबाट व्युत्पन्न हुन्छ। तिनीहरू कोलोभियल, एलुभियल वा एयोलियन हुन्छन् र प्रायजसो भूगोलको सतहमा भूगोलको सतहमा देखिन्छन्। यद्यपि, क्याम्बिसोल र स्ट्याग्नोसोलहरू यस क्षेत्रमा सबैभन्दा सामान्य माटोका प्रकार हुन्। ४५५.१ देखि ४९३.५ मिटरसम्मको उचाइमा चेक गणतन्त्र ४९ मा क्याम्बिसोलहरू हावी छन्।
अध्ययन क्षेत्र नक्सा [अध्ययन क्षेत्र नक्शा ArcGIS डेस्कटप (ESRI, Inc, संस्करण 10.7, URL: https://desktop.arcgis.com) प्रयोग गरेर सिर्जना गरिएको थियो।]
Frydek Mistek जिल्लामा शहरी र पेरी-शहरी माटोबाट कुल 115 शीर्ष माटोको नमूनाहरू प्राप्त गरियो। प्रयोग गरिएको नमूना ढाँचा माटो नमूनाहरू 2 × 2 किलोमिटरको दूरीमा रहेको नियमित ग्रिड थियो, र हातमा समातिएको GPS lamps lamps यन्त्रहरू (Zeplolyamps) ZPS LAMP यन्त्रमा 0 देखि 20 सेन्टीमिटरको गहिराइमा माथिल्लो माटो मापन गरिएको थियो। बेल्ड, र प्रयोगशालामा पठाइयो। नमूनाहरू पल्भराइज्ड नमूनाहरू उत्पादन गर्न हावामा सुकाइयो, मेकानिकल प्रणाली (Fritsch डिस्क मिल) द्वारा पल्भराइज गरिएको, र छेनी (छलनी साइज 2 mm)। 1 ग्राम सुकेको, एकरूपता र छल्ने माटोको नमूनाहरू स्पष्ट रूपमा लेबल गरिएको teflon teflon %3ml in teflon %3ml. 65% HNO3 को Cl र 3 ml (स्वचालित डिस्पेन्सर प्रयोग गरेर - प्रत्येक एसिडको लागि एक), हल्का ढाक्नुहोस् र प्रतिक्रियाको लागि नमूनाहरूलाई रातभर उभिन दिनुहोस् (एक्वा रेजिया प्रोग्राम)। सुपरनाटेन्टलाई तातो धातुको प्लेटमा राख्नुहोस् (तापमान: 100 W र 160 °C) 2 घन्टाको लागि, नमूनालाई 2 घन्टाको लागि ठण्डा गर्नको लागि, त्यसपछि 5T लाई राम्रोसँग पचाउनको लागि। ० एमएल भोल्युमेट्रिक फ्लास्क र डिआयनाइज्ड पानीमा ५० एमएलमा पातलो गर्नुहोस्।त्यसपछि, डियोनाइज्ड पानीको साथ ५० एमएल पीवीसी ट्यूबमा पातलो सुपरनेटेन्ट फिल्टर गर्नुहोस्। थप रूपमा, 1 मिलीलीटर डियोनाइज्ड पानीसँग पातलो पारियो र 12 एमएल टीईईएपीएस कन्ट्रोसेन्टको लागि 12 मिलीलीटर कन्टेसन ट्युबमा फिल्टर गर्नुहोस्। s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) द्वारा मानक विधि र सम्झौता अनुसार निर्धारण गरिएको थियो। गुणस्तर आश्वासन र नियन्त्रण सुनिश्चित गर्नुहोस्। आधा भन्दा कम आयन सीमाहरू यस अध्ययनबाट बहिष्कृत गरियो। यस अध्ययनमा प्रयोग गरिएको PTE को पत्ता लगाउने सीमा 0.0004 थियो। (तपाईं)। साथै, प्रत्येक विश्लेषणको लागि गुणस्तर नियन्त्रण र गुणस्तर आश्वासन प्रक्रिया सन्दर्भ मापदण्डहरू विश्लेषण गरेर सुनिश्चित गरिन्छ। त्रुटिहरू न्यून भएको सुनिश्चित गर्न, एक दोहोरो विश्लेषण गरिएको थियो।
एम्पिरिकल बायेसियन क्रिगिङ (EBK) माटो विज्ञान जस्ता विविध क्षेत्रहरूमा मोडलिङमा प्रयोग हुने धेरै जियोस्ट्याटिस्टिकल इन्टरपोलेसन प्रविधिहरू मध्ये एक हो। अन्य क्रिगिङ इन्टरपोलेसन प्रविधिहरू भन्दा फरक, EBK सेमीभेरियोग्राम मोडलद्वारा अनुमान गरिएको त्रुटिलाई विचार गरेर परम्परागत क्रिगिङ विधिहरूबाट भिन्न हुन्छ। EBK इन्टरपोलेसनको समयमा एकल अन्तर्पोलेसन मोडेलमा धेरै सेमिभेरिओग्राम इन्टरपोलेसन मोडलहरू हुन्छन्। टेरपोलेसन प्रविधिहरूले सेमिभेरियोग्रामको यो प्लटिङसँग सम्बन्धित अनिश्चितता र प्रोग्रामिङको लागि बाटो बनाउँछ जसले पर्याप्त क्रिगिङ विधिको अत्यन्त जटिल भाग गठन गर्दछ। EBK को इन्टरपोलेसन प्रक्रियाले Krivoruchko50 द्वारा प्रस्तावित तीन मापदण्डहरू पछ्याउँछ, (a) मोडेलले इनपुट डेटासेटबाट सेमीभेरियोग्राम अनुमान गर्दछ (b) सेमीभेरियोग्रामको लागि नयाँ स्थानमा आधारित डेटासेट (b) मा सेमीभेरियोग्रामको नयाँ मूल्यमा आधारित डेटासेट। अन्तिम A मोडेल सिमुलेटेड डेटासेटबाट गणना गरिन्छ। Bayesian समीकरण नियम पोस्टरियरको रूपमा दिइएको छ
जहाँ \(समस्या\left(A\right)\) ले अघिल्लो प्रतिनिधित्व गर्दछ, \(समस्या\left(B\right)\) मार्जिनल सम्भाव्यतालाई धेरै जसो अवस्थामा बेवास्ता गरिन्छ, \(प्रोब (B,A)\ )। सेमीभेरियोग्राम गणना बेइजको नियममा आधारित हुन्छ, जसले सेमीभेरीओग्रामको सेमीभेरी डेटाको प्रयोग गरेर सेमीभेरीको मान निर्धारण गर्न सक्छ। बेइजको नियम, जसले सेमिभेरियोग्रामबाट अवलोकनहरूको डेटासेट सिर्जना गर्ने कत्तिको सम्भावना छ भनी बताउँछ।
समर्थन भेक्टर मेसिन एक मेसिन लर्निङ एल्गोरिदम हो जसले समान तर रैखिक रूपमा स्वतन्त्र वर्गहरू छुट्याउनको लागि इष्टतम अलग हाइपरप्लेन उत्पन्न गर्दछ।Vapnik51 ले उद्देश्य वर्गीकरण एल्गोरिदम सिर्जना गर्यो, तर यसलाई हालै रिग्रेसन-उन्मुख समस्याहरू समाधान गर्न प्रयोग गरिएको छ। Li et al.52 को अनुसार, SVM को विभिन्न क्षेत्रहरूमा प्रयोग गरिएको छ र एक भन्दा राम्रो वर्गीकरण प्रविधिको प्रयोग गरिएको छ। यस विश्लेषणमा SVM (सपोर्ट भेक्टर मेसिन रिग्रेसन – SVMR) को ent प्रयोग गरिएको थियो। Cherkassky र Mulier53 ले SVMR लाई कर्नेल-आधारित रिग्रेसनको रूपमा अगाडि बढायो, जसको गणना बहु-देशीय स्थानिय प्रकार्यहरूको साथ एक रेखीय रिग्रेसन मोडेल प्रयोग गरी प्रदर्शन गरिएको थियो। एआर सम्बन्धहरू र स्थानिक कार्यहरूको लागि अनुमति दिन्छ। Vohland et al को अनुसार।55, epsilon (ε)-SVMR ले प्रशिक्षित डाटासेट प्रयोग गर्दछ एप्सिलोन-असंवेदनशील प्रकार्यको रूपमा प्रतिनिधित्व मोडेल प्राप्त गर्नका लागि जुन डाटालाई सहसंबद्ध डाटामा प्रशिक्षणबाट उत्तम एप्सिलोन पूर्वाग्रहको साथ स्वतन्त्र रूपमा नक्सा गर्न लागू गरिन्छ। प्रिसेट दूरी त्रुटिलाई वास्तविक मानबाट बेवास्ता गरिन्छ, र यदि त्रुटि ठूलो छ भने, यसले डेटाको जटिलता कम गर्न ε (ε) को जटिलता कम गर्दछ। समर्थन भेक्टरहरूको फराकिलो उपसेट। Vapnik51 द्वारा प्रस्तावित समीकरण तल देखाइएको छ।
जहाँ b स्केलर थ्रेसोल्ड प्रतिनिधित्व गर्दछ, \ ({BIT BITS (}} _}}}}} (\ अल्फा} प्रतिनिधित्व गर्दछ, जुन एक गेस हो। इयान रेडियल आधार प्रकार्य (RBF) को लागी PBF कर्नेल अप्टिमाल SVMR मोडेलको लागि आवेदन दिइएको छ।
एक बहु रेखीय प्रतिगमन मोडेल (MLR) एक रिग्रेसन मोडेल हो जसले प्रतिक्रिया चर र कम से कम वर्ग विधि प्रयोग गरी गणना गरिएको रेखीय पोल्ड प्यारामिटरहरू प्रयोग गरेर धेरै भविष्यवाणी गर्ने चरहरू बीचको सम्बन्धलाई प्रतिनिधित्व गर्दछ। MLR मा, कम से कम वर्ग मोडेल माटो गुणहरूको भविष्यवाणी गर्ने कार्य हो व्याख्यात्मक चरहरूको चयन पछि। यो आवश्यक लाइन सम्बन्ध प्रयोग गर्न explanable variables प्रयोग गरीयो। व्याख्यात्मक चरहरूसँग रेखीय सम्बन्ध स्थापित गर्न प्रतिक्रिया चरको रूपमा। MLR समीकरण हो
जहाँ y प्रतिक्रिया चर हो, \(a\) intercept हो, n भविष्यवाणीकर्ताहरूको संख्या हो, \({b}_{1}\) गुणांकको आंशिक प्रतिगमन हो, \({x}_{i}\) एक भविष्यवाणीकर्ता वा व्याख्यात्मक चर प्रतिनिधित्व गर्दछ, र \({\varepsilon __{i}\) मोडेलमा त्रुटिको रूपमा पनि चिनिन्छ।
मिश्रित मोडेलहरू SVMR र MLR सँग EBK स्यान्डविच गरेर प्राप्त गरिएको थियो। यो EBK इन्टरपोलेसनबाट अनुमानित मानहरू निकालेर गरिन्छ। इन्टरपोलेटेड Ca, K, र Mg बाट प्राप्त अनुमानित मानहरू नयाँ चरहरू प्राप्त गर्न संयोजन प्रक्रिया मार्फत प्राप्त गरिन्छ, जस्तै, CaK र KM, CagM, obtained तत्वहरू। चौथो चर, CaKMg। समग्रमा, प्राप्त चरहरू Ca, K, Mg, CaK, CaMg, KMg र CaKMg हुन्। यी चरहरू हाम्रा भविष्यवाणीकर्ता बने, शहरी र पेरी-शहरी माटोहरूमा निकल सांद्रताको भविष्यवाणी गर्न मद्दत गर्दै। SVMR एल्गोरिथ्मको पूर्वनिर्धारित पूर्वनिर्धारित मोडेलमा के-केएमजी एल्गोरिथ्म प्रदर्शन गरिएको थियो। समर्थन भेक्टर मेशिन (EBK_SVM)। त्यसै गरी, मिश्रित मोडेल अनुभवजन्य बायेसियन क्रिगिङ-मल्टिपल लिनियर रिग्रेसन (EBK_MLR) प्राप्त गर्न MLR एल्गोरिथ्म मार्फत चरहरू पनि पाइप गरिन्छ। सामान्यतया, चरहरू Ca, K, Mg, Cavariables को रूपमा Cavariables, K, Mg, CaKMg, Cavariables, KMg, को Cavariables सामग्रीको रूपमा प्रयोग गरिन्छ। सहरी र पेरी-शहरी माटोमा। प्राप्त गरिएको सबैभन्दा स्वीकार्य मोडेल (EBK_SVM वा EBK_MLR) त्यसपछि स्व-व्यवस्थित ग्राफको प्रयोग गरेर दृश्यात्मक हुनेछ। यस अध्ययनको कार्यप्रवाह चित्र 2 मा देखाइएको छ।
SeOM को प्रयोग वित्तीय क्षेत्र, स्वास्थ्य सेवा, उद्योग, तथ्याङ्क, माटो विज्ञान, र थप मा डेटा संगठित, मूल्याङ्कन, र पूर्वानुमान गर्न को लागी एक लोकप्रिय उपकरण भएको छ। SeOM लाई कृत्रिम तंत्रिका नेटवर्क र संगठन, मूल्याङ्कन, र भविष्यवाणी को लागी असुरक्षित सिकाउने विधिहरु को प्रयोग गरी बनाईएको छ। यस अध्ययनमा, SeOM लाई Ni-banic मा आधारित पूर्वनिर्धारित मोडेलको लागि पूर्व-बनाइमा आधारित परिकल्पना गर्न प्रयोग गरिएको थियो। माटो। SeOM मूल्याङ्कनमा प्रशोधन गरिएका डाटाहरू n इनपुट-आयामी भेक्टर चरहरू ४३,५६।Melssen et al।57 एकल तौल भेक्टरको साथ आउटपुट भेक्टरमा एकल इनपुट तह मार्फत न्यूरल नेटवर्कमा इनपुट भेक्टरको जडान वर्णन गर्दछ। SeOM द्वारा उत्पन्न आउटपुट एक द्वि-आयामी नक्सा हो जसमा हेक्सागोनल, गोलाकार, वा वर्ग टोपोलोजिकल नक्साहरूमा बुनेको विभिन्न न्यूरन्स वा नोडहरू समावेश हुन्छन्। त्रुटि (TE), क्रमशः 0.086 र 0.904 भएको SeOM मोडेल चयन गरिएको छ, जुन 55-नक्सा एकाइ (5 × 11) हो। न्युरोन संरचना अनुभवजन्य समीकरणमा नोडहरूको संख्या अनुसार निर्धारण गरिन्छ।
यस अध्ययनमा प्रयोग गरिएको डेटाको संख्या 115 नमूनाहरू छन्। डेटालाई परीक्षण डेटा (25% प्रमाणीकरणको लागि) र प्रशिक्षण डेटा सेटहरू (75% क्यालिब्रेसनको लागि) मा विभाजन गर्नको लागि अनियमित दृष्टिकोण प्रयोग गरिएको थियो। प्रशिक्षण डेटासेटलाई रिग्रेसन मोडेल (क्यालिब्रेसन) उत्पन्न गर्न प्रयोग गरिन्छ, र परीक्षण डेटासेटलाई सामान्यीकरण गर्न प्रयोग गरिन्छ विभिन्न सामग्रीको सामान्यीकरण क्षमता प्रमाणिकरण गर्नको लागि यो मोडेलको पूर्वनिर्धारित क्षमताको रूपमा गरिएको थियो। .प्रयोग गरिएका सबै मोडेलहरू दस-गुणा क्रस-प्रमाणीकरण प्रक्रियाबाट गुज्रिएका छन्, पाँच पटक दोहोर्याइएको छ। EBK इन्टरपोलेसनद्वारा उत्पादित चरहरू लक्ष्य चर (PTE) को भविष्यवाणी गर्न भविष्यवाणीकर्ता वा व्याख्यात्मक चरको रूपमा प्रयोग गरिन्छ। मोडलिङलाई RStudio मा प्याकेज लाइब्रेरी(Kohonen), library(1), library(1), library(1), library(1) को प्रयोग गरेर ह्यान्डल गरिन्छ। "plyr"), पुस्तकालय ("caTools"), पुस्तकालय ("प्रोस्पेक्टर") र पुस्तकालयहरू ("मेट्रिक्स")।
माटोमा निकल सांद्रताको भविष्यवाणी गर्न र मोडेलको शुद्धता र यसको प्रमाणीकरणको मूल्याङ्कन गर्न उपयुक्त मोडेल निर्धारण गर्न विभिन्न प्रमाणीकरण मापदण्डहरू प्रयोग गरियो। हाइब्रिडाइजेसन मोडेलहरू औसत निरपेक्ष त्रुटि (MAE), मूल मतलब वर्ग त्रुटि (RMSE), र R-squared वा coefficient of the reported devariance (R-squared or coefficient of the reported devariance) को प्रयोग गरी मूल्याङ्कन गरियो। रिग्रेसन मोडेलद्वारा। RMSE र भिन्नता परिमाणले स्वतन्त्र उपायहरूमा मोडेलको भविष्यवाणी गर्ने शक्तिको वर्णन गर्दछ, जबकि MAE ले वास्तविक मात्रात्मक मान निर्धारण गर्दछ। R2 मान उच्च हुनु पर्छ प्रमाणीकरण प्यारामिटरहरू प्रयोग गरेर उत्कृष्ट मिश्रण मोडेलको मूल्याङ्कन गर्न, मान 1 को जति नजिक हुन्छ, उच्च सटीकताको लागि।59, 0.75 वा माथिको R2 मापदण्ड मान राम्रो भविष्यवाणी गर्ने मानिन्छ;0.5 देखि 0.75 सम्म स्वीकार्य मोडेल कार्यसम्पादन हो, र 0.5 भन्दा कम मोडेल कार्यसम्पादन अस्वीकार्य छ। RMSE र MAE प्रमाणीकरण मापदण्ड मूल्याङ्कन विधिहरू प्रयोग गरी मोडेल चयन गर्दा, प्राप्त गरिएका तल्लो मानहरू पर्याप्त थिए र उत्तम विकल्प मानिन्थ्यो। निम्न समीकरणले प्रमाणीकरण विधिको वर्णन गर्दछ।
जहाँ n ले अवलोकन गरिएको मानको आकार प्रतिनिधित्व गर्दछ\({Y}_{i}\) मापन गरिएको प्रतिक्रियालाई प्रतिनिधित्व गर्दछ, र \({\widehat{Y}}_{i}\) ले पनि अनुमानित प्रतिक्रिया मानलाई प्रतिनिधित्व गर्दछ, त्यसैले, पहिलो i अवलोकनहरूको लागि।
भविष्यवाणीकर्ता र प्रतिक्रिया चरहरूको सांख्यिकीय विवरणहरू तालिका 1 मा प्रस्तुत गरिएको छ, औसत, मानक विचलन (SD), भिन्नताको गुणांक (CV), न्यूनतम, अधिकतम, kurtosis, र skewness देखाउँदै। तत्वहरूको न्यूनतम र अधिकतम मानहरू Mg < Ca < K < Ni र Ca < C < C < N variation variation, Mg < Ca < K < Ni र Caon centive reference को घट्दो क्रममा छन्। ) अध्ययन क्षेत्रबाट नमूना 4.86 देखि 42.39 mg/kg सम्मको थियो। विश्व औसत (29 mg/kg) र युरोपेली औसत (37 mg/kg) सँग Ni को तुलनाले अध्ययन क्षेत्रको लागि समग्र गणना गरिएको ज्यामितीय माध्य सहनीय दायरा भित्र रहेको देखाएको छ। तैपनि, कम्पेनिक 1 द्वारा देखाइएको औसत, कम्पानिक-1 द्वारा देखाइएको छ। स्वीडेनमा कृषि माटोको हालको अध्ययनमा केन्द्रितताले हालको औसत निकल एकाग्रता उच्च रहेको देखाउँछ। त्यसैगरी, हालको अध्ययनमा (Ni 16.15 mg/kg) शहरी र पेरी-शहरी माटोहरूमा फ्राइडेक मिस्टेकको औसत एकाग्रता 60 mg/10górbski को स्वीकार्य सीमा भन्दा बढी थियो। यसबाहेक, Bretzel र Calderisi61 ले हालको अध्ययनको तुलनामा टस्कनीको शहरी माटोमा धेरै कम निकेल सांद्रता (1.78 mg/kg) रेकर्ड गरेको छ। Jim62 ले हङकङको शहरी माटोमा पनि कम निकल एकाग्रता (12.34 mg/kg) फेला पारेको छ, जुन हालको अध्ययनको तुलनामा निकेलको औसत मात्रा कम छ। जर्मनीको Saxony-Anhalt को पुरानो खानी र शहरी औद्योगिक क्षेत्रमा 17.6 mg/kg को केन्द्रीकरण, जुन क्षेत्रको औसत Ni एकाग्रता (16.15 mg/kg) भन्दा 1.45 mg/kg बढी थियो। हालको अनुसन्धान। माटोमा अत्यधिक निकल सामग्री यो शहरी र उपनगरीय क्षेत्रहरूमा मुख्य रूपमा धातु उद्योगको अध्ययनमा योगदान हुन सक्छ। Khodadoust et al द्वारा अध्ययन संग संगत छ।64 माटोमा निकेल प्रदुषणको मुख्य स्रोत स्टील उद्योग र धातुको काम हो। यद्यपि, पूर्वानुमानकर्ताहरू पनि 538.70 mg/kg बाट 69,161.80 mg/kg Ca को लागि, 497.51 mg/kg बाट 3535.68 mg/kg/8 kg, 8kg/69 kg र 8kg/60। Mg. Jakovljevic et al को लागि 5 mg/kg।65 ले केन्द्रीय सर्बियामा माटोको कुल Mg र K सामग्रीको अनुसन्धान गर्‍यो। उनीहरूले कुल सांद्रता (क्रमशः 410 mg/kg र 400 mg/kg) हालको अध्ययनको Mg र K सांद्रता भन्दा कम रहेको फेला पारे। अस्पष्ट, पूर्वी पोल्याण्डमा, Orzechowski र Smolczys, M6 Mg र Smolczyski को औसत सांद्रता देखाइएको छ। Ca (1100 mg/kg), Mg (590 mg/kg) र K (810 mg/kg) माटोको माथिल्लो माटोको सामग्री यस अध्ययनको एकल तत्व भन्दा कम छ। Pongrac et al द्वारा हालैको अध्ययन।67 ले स्कटल्याण्ड, बेलायत (Mylnefield माटो, Balruddery माटो र Hartwood माटो) मा 3 फरक माटोमा विश्लेषण गरिएको कुल Ca सामग्रीले यस अध्ययनमा उच्च Ca सामग्री देखाएको देखाएको छ।
नमूना गरिएका तत्वहरूको विभिन्न मापन गरिएको सांद्रताको कारणले, तत्वहरूको डेटा सेट वितरणले विभिन्न स्क्युनेस प्रदर्शन गर्दछ। तत्वहरूको स्क्युनेस र कर्टोसिस क्रमशः 1.53 देखि 7.24 र 2.49 देखि 54.16 सम्मको हुन्छ। सबै गणना गरिएका तत्वहरूमा स्क्युनेस र माथिको डेटा हुन्छ, कुर्टोसिस स्तर +1 मा ट्रिब्युटस र डिस्ट्रिब्युलर स्तर हो। सही दिशामा तिरेको र शिखरमा। तत्वहरूको अनुमानित CVs ले K, Mg, र Ni ले मध्यम परिवर्तनशीलता प्रदर्शन गरेको पनि देखाउँछ, जबकि Ca मा अत्यन्त उच्च परिवर्तनशीलता छ। K, Ni र Mg को CVs ले तिनीहरूको समान वितरणको व्याख्या गर्छ। यसबाहेक, Ca वितरण गैर-एकसमान छ र बाह्य स्रोतहरूले यसको समृद्धि स्तरलाई असर गर्न सक्छ।
प्रतिक्रिया तत्वहरूसँग भविष्यवाणी गर्ने चरहरूको सहसम्बन्धले तत्वहरू बीचको सन्तोषजनक सम्बन्धलाई सङ्केत गर्‍यो (चित्र 3 हेर्नुहोस्)। सहसम्बन्धले संकेत गर्‍यो कि CaK ले r मान = 0.53 सँग CaNi सँग मध्यम सहसंबंध प्रदर्शन गर्यो। यद्यपि Ca र K ले एकअर्कासँग विनम्र सम्बद्धताहरू देखाउँछन्, जस्तै कि किंगहरू।Sand 68 र सान्टो69 ले सुझाव दिन्छ कि उनीहरूको माटोमा उनीहरूको स्तरहरू संपाधन हुन्छ। Dewse.patium कार्बोनेटमा on 56% भन्दा बढी संक्षिप्तता हो। यो पोटेशियम मगनहरू हुन्। आईम नुस्पट, पोटेशियम म्याग्नियम नाइट्रेट, र पोटौटले उनीहरूको कमीको स्तरलाई बढाउन kically सहकार्य, k र mg plice छ, क्याल्सियमले अधिक म्याग्निमलाई रोक्दछ, क्याल्सियमले अधिक म्याग्सियमको साथ कम गर्दछ। neseium, र दुबै म्याग्नियम र क्याल्शियम माटो मा निकल को विषालु प्रभावहरु लाई कम।
भविष्यवाणीकर्ता र प्रतिक्रियाहरू बीचको सम्बन्ध देखाउने तत्वहरूको लागि सहसंबंध म्याट्रिक्स (नोट: यो आंकडाले तत्वहरू बीचको स्क्याटरप्लट समावेश गर्दछ, महत्त्व स्तरहरू p <0,001 मा आधारित छन्)।
चित्र 4 ले तत्वहरूको स्थानिय वितरणलाई चित्रण गर्दछ। Burgos et al70 को अनुसार, स्थानिक वितरणको प्रयोग प्रदूषित क्षेत्रहरूमा हट स्पटहरू मापन गर्न र हाइलाइट गर्न प्रयोग गरिने एक प्रविधि हो। चित्र 4 मा Ca को संवर्धन स्तरहरू उत्तरपश्चिमी भागमा देख्न सकिन्छ। नक्साको उच्च स्थानमा विस्तारित नक्साले उच्च स्थानमा विस्तारित स्थान देखाउँछ। नक्साको उत्तरपश्चिममा cium संवर्धन सम्भवतः माटोको अम्लता कम गर्न क्विकलाइम (क्याल्सियम अक्साइड) को प्रयोग र स्टिल मिलहरूमा स्टिल निर्माण प्रक्रियामा क्षारीय अक्सिजनको रूपमा यसको प्रयोगको कारणले हुन सक्छ। अर्कोतर्फ, अन्य किसानहरूले अम्लीय माटोमा क्याल्सियम हाइड्रोक्साइड प्रयोग गर्न रुचाउँछन्। नक्साको उत्तरपश्चिम र पूर्वमा। उत्तरपश्चिम एक प्रमुख कृषि समुदाय हो, र पोटासियमको मध्यम-उच्च ढाँचा NPK र पोटास अनुप्रयोगहरूको कारणले हुन सक्छ। यो अन्य अध्ययनहरू जस्तै मदारास र Lipavský72, Madaras et al.73, Pulkrabová, et al.73, Pulkrabová, et al.73, 1000000000000000000000000000000000000000000000000000000000000000000000000000000 मा l र NPK माटोमा उच्च K सामग्रीको परिणामस्वरूप।वितरण नक्साको उत्तरपश्चिममा स्थानिय पोटासियम संवर्धन गरिब माटोको पोटासियम सामग्री बढाउन पोटासियम क्लोराइड, पोटासियम सल्फेट, पोटासियम नाइट्रेट, पोटास र पोटास जस्ता पोटासियममा आधारित उर्वरहरूको प्रयोगको कारण हुन सक्छ। Zádorová et al।76 र Tlustoš et al।77 ले के-आधारित मलको प्रयोगले माटोमा K सामग्री बढाउँछ र लामो समयसम्म माटोको पोषक तत्वहरूमा उल्लेखनीय रूपमा वृद्धि गर्छ, विशेष गरी K र Mg माटोमा तातो ठाउँ देखाउँदै। नक्साको उत्तरपश्चिम र नक्साको दक्षिणपूर्वमा तुलनात्मक रूपमा मध्यम हटस्पटहरू। माटोमा कोलोइडल फिक्सेसनको कमीले गर्दा माटोमा कोलोइडल फिक्सेसनको कमी हुन्छ। बिरुवाहरू पहेंलो इन्टरभिन क्लोरोसिस प्रदर्शन गर्न। पोटासियम म्याग्नेसियम सल्फेट, म्याग्नेसियम सल्फेट, र किसेराइट जस्ता म्याग्नेसियम-आधारित उर्वरहरूले माटोमा कमीहरू (बिरुवाहरू बैजनी, रातो, वा खैरो देखिन्छन्, म्याग्नेसियमको कमी देखाउँछन्) माटोमा पी-केलब्यानको सामान्य दायराको साथ। il सतहहरू एन्थ्रोपोजेनिक गतिविधिहरू जस्तै कृषि र स्टेनलेस स्टील उत्पादनमा निकलको महत्त्वको कारण हुन सक्छ।
तत्वहरूको स्थानिय वितरण [स्थानीय वितरण नक्शा ArcGIS डेस्कटप (ESRI, Inc, संस्करण 10.7, URL: https://desktop.arcgis.com) प्रयोग गरेर सिर्जना गरिएको थियो।]
यस अध्ययनमा प्रयोग गरिएका तत्वहरूका लागि मोडेल कार्यसम्पादन सूचकांक परिणामहरू तालिका २ मा देखाइएको छ। अर्कोतर्फ, Ni को RMSE र MAE दुबै शून्य (0.86 RMSE, -0.08 MAE) को नजिक छन्। अर्कोतर्फ, K को RMSE र MAE मानहरू स्वीकार्य छन्। RMSE र MAE परिणामहरू KSERM को लागि ठूलो र ठूला परिणामहरू हुन्। विभिन्न डेटासेटहरूमा। EBK को प्रयोग गरी यस अध्ययनको RMSE र MAE Ni को भविष्यवाणी गर्न जोन एट अलको नतिजा भन्दा राम्रो फेला पर्यो।54 एउटै सङ्कलन डाटा प्रयोग गरेर माटोमा S सांद्रता भविष्यवाणी गर्न synergistic kriging प्रयोग गर्दै। हामीले अध्ययन गरेका EBK आउटपुटहरू Fabijaczyk et al सँग सहसंबद्ध छन्।41, यान एट अल।79, Beguin et al।८०, अधिकारी आदि।81 र जोन एट अल।82, विशेष गरी K र Ni।
शहरी र पेरी-शहरी माटोमा निकल सामग्री भविष्यवाणी गर्नका लागि व्यक्तिगत विधिहरूको प्रदर्शन मोडेलहरूको प्रदर्शन प्रयोग गरेर मूल्याङ्कन गरिएको थियो (तालिका 3)। मोडेल प्रमाणीकरण र शुद्धता मूल्याङ्कनले पुष्टि गर्‍यो कि Ca_Mg_K भविष्यवाणीकर्ताले EBK SVMR मोडेलसँग मिलेर उत्कृष्ट प्रदर्शन गर्यो। RMSE) र मतलब निरपेक्ष त्रुटि (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) र 77.368 mg/kg (MAE) Ca_Mg_K-SVMR थियो 0.663 (R2), 235.974 mg/kg (m16/kg राम्रो, RME6/kg (6MARSEN4 राम्रो मूल्य)। s Ca_Mg_K-SVMR (0.663 mg/kg R2) र Ca_Mg-EBK_SVMR (0.643 = R2) को लागि प्राप्त गरिएको थियो;तिनीहरूको RMSE र MAE परिणामहरू Ca_Mg_K-EBK_SVMR (R2 0.637) को तुलनामा उच्च थिए (तालिका 3 हेर्नुहोस्)। साथै, Ca_Mg-EBK_SVMR को RMSE र MAE (RMSE = 1664.64 र MAE = 1031.47, 135 र 135 भन्दा ठूला छन्।) Ca_Mg_K-EBK_SVMR।यसै गरी, Ca_Mg-K SVMR (RMSE = 235.974 र MAE = 166.946) मोडेलको RMSE र MAE Ca_Mg_K-EBK_SVMR को तुलनामा 2.5 र 2.2 ठूला छन्, र कसरी गणना गरिएको नतिजा र RMSERM-SVMR गणना गरिएको छ। डाटा सेट सबै भन्दा राम्रो फिट को लाइन संग छ। उच्च RSME र MAE अवलोकन गरियो। Kebonye et al को अनुसार।46 र जोन एट अल।54, RMSE र MAE शून्यमा जति नजिक छन्, त्यति नै राम्रो नतिजाहरू छन्। SVMR र EBK_SVMR सँग उच्च मात्रामा RSME र MAE मानहरू छन्। यो देखियो कि RSME अनुमानहरू MAE मानहरू भन्दा लगातार उच्च थिए, जसले बाहिरीहरूको उपस्थितिलाई जनाउँछ। McCRM को अनुसार exebe3 र exebe8 लेगेट्सको अर्थ हो। आउटलियरहरूको उपस्थितिको सूचकको रूपमा सोल्युट त्रुटि (MAE) सिफारिस गरिएको छ। यसको मतलब यो हो कि डाटासेट जति धेरै विषम हुन्छ, MAE र RMSE मानहरू उति नै उच्च हुन्छ। Ca_Mg_K-EBK_SVMR मिश्रित मोडेलको भविष्यवाणी गर्नको लागि क्रस-प्रमाणीकरण मूल्याङ्कनको शुद्धता urils।59, शुद्धता को यो स्तर एक स्वीकार्य मोडेल प्रदर्शन दर हो। वर्तमान परिणामहरू Tarasov et al द्वारा अघिल्लो अध्ययनसँग तुलना गरिएको छ।36 जसको हाइब्रिड मोडेलले MLPRK (मल्टिलेयर पर्सेप्ट्रोन अवशिष्ट क्रिगिङ) सिर्जना गर्यो, EBK_SVMR सटीकता मूल्याङ्कन सूचकांकसँग सम्बन्धित हालको अध्ययनमा रिपोर्ट गरिएको, RMSE (210) र MAE (167.5) हालको अध्ययनमा हाम्रो नतिजाहरू भन्दा उच्च थियो (RMSE 95.479, 3679, 3679 MA)। (०.६३७) तारासोभ एट अलको साथ।36 (0.544), यो स्पष्ट छ कि यस मिश्रित मोडेलमा निर्धारणको गुणांक (R2) उच्च छ। मिश्रित मोडेलको लागि त्रुटिको मार्जिन (RMSE र MAE) (EBK SVMR) दुई गुणा कम छ। त्यसैगरी, Sergeev et al.34 ले 0.28 (R2) रेकर्ड गरेको छ, जबकि KDE40.1 रिजर्भल मोडेलमा 0.28 (R2) विकास गरिएको छ। हालको अध्ययनले 0.637 (R2) रेकर्ड गरेको छ। यस मोडेल (EBK SVMR) को भविष्यवाणी शुद्धता स्तर 63.7% छ, जबकि Sergeev et al द्वारा प्राप्त गरिएको भविष्यवाणी शुद्धता।34 28% हो। EBK_SVMR मोडेल र Ca_Mg_K को एक भविष्यवाणीकर्ताको रूपमा प्रयोग गरी सिर्जना गरिएको अन्तिम नक्सा (चित्र 5) ले सम्पूर्ण अध्ययन क्षेत्रमा हट स्पट र मध्यम देखि निकेलको भविष्यवाणी देखाउँछ। यसको मतलब यो हो कि अध्ययन क्षेत्रमा निकलको एकाग्रता मुख्यतया मध्यम छ, केही विशिष्ट क्षेत्रमा उच्च सांद्रताको साथ।
अन्तिम भविष्यवाणी नक्सा हाइब्रिड मोडेल EBK_SVMR प्रयोग गरेर र Ca_Mg_K लाई भविष्यवाणीकर्ताको रूपमा प्रयोग गरी प्रतिनिधित्व गरिएको छ।
चित्र 6 मा प्रस्तुत गरिएको PTE सांद्रताहरू व्यक्तिगत न्युरोन्सहरू मिलेर बनेको कम्पोजिसन प्लेनका रूपमा छन्। कुनै पनि कम्पोनेन्ट प्लेनले देखाइए जस्तै रङ ढाँचा प्रदर्शन गरेन। यद्यपि, प्रति कोरिएको नक्साको न्यूरोनको उपयुक्त संख्या 55 हो। SeOM विभिन्न प्रकारका रङहरू प्रयोग गरेर उत्पादन गरिन्छ, र जति धेरै समान रङ ढाँचाहरू हुन्छन्, तिनीहरूको पूर्व-अनुरूपको रङ ढाँचाहरू, व्यक्तिगत गुणहरूको तुलनात्मक गुणहरू। , K, र Mg) ले एकल उच्च न्यूरोन्स र सबैभन्दा कम न्यूरोन्समा समान रङ ढाँचाहरू देखाएको छ। यसरी, CaK र CaMg ले धेरै उच्च-अर्डर न्यूरोन्सहरू र कम-देखि-मध्यम रङ ढाँचाहरूसँग केही समानताहरू साझा गर्दछ। दुवै मोडेलहरूले माटोमा Ni को एकाग्रताको भविष्यवाणी गर्छन् रङहरूको मध्यम देखि उच्च रङ्गहरू प्रदर्शन गरेर जस्तै कि रातो, ओजी मोडेलमा धेरै रङ र उच्च पोर्टहरू प्रदर्शन। कम देखि मध्यम रङ प्याचहरू।तल्लो देखि उच्च सम्म सटीक रङ स्केलमा, मोडेलका घटकहरूको प्लानर वितरण ढाँचाले माटोमा निकलको सम्भावित एकाग्रतालाई सङ्केत गर्ने उच्च रङ ढाँचा देखाउँछ (चित्र 4 हेर्नुहोस्)। CakMg मोडेल कम्पोनेन्ट प्लेनले कम देखि उच्च विविध रंगको ढाँचा देखाउँछ। चित्र 5 मा देखाइएको निकेलको स्थानिय वितरण जस्तै। दुबै ग्राफहरूले शहरी र पेरी-शहरी माटोमा निकल सांद्रताको उच्च, मध्यम र कम अनुपात देखाउँछन्। चित्र 7 ले नक्सामा k-अर्थ समूहमा समोच्च विधिलाई चित्रण गर्दछ, प्रत्येक मोडेलमा प्रि-मूल विधिको आधारमा तीन क्लस्टरहरूमा विभाजन गरिएको छ। f 115 माटो नमूनाहरू सङ्कलन गरिएको छ, श्रेणी 1 ले सबैभन्दा धेरै माटो नमूनाहरू प्राप्त गरेको छ, 74. क्लस्टर 2 ले 33 नमूनाहरू प्राप्त गरेको छ, जबकि क्लस्टर 3 ले 8 नमूनाहरू प्राप्त गरेको छ। सही क्लस्टर व्याख्या गर्न अनुमति दिन सात-घटक प्लानर प्रेडिक्टर संयोजनलाई सरलीकृत गरिएको थियो। एक वितरित SeOM नक्शा78 मा ster ढाँचाहरू।
कम्पोनेन्ट प्लेन आउटपुट प्रत्येक अनुभवजन्य बायेसियन क्रिगिङ सपोर्ट भेक्टर मेसिन (EBK_SVM_SeOM) चर द्वारा।[SeOM नक्साहरू RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) प्रयोग गरेर सिर्जना गरिएको थियो।]
विभिन्न क्लस्टर वर्गीकरण कम्पोनेन्टहरू [SeOM नक्साहरू RStudio (संस्करण 1.4.1717: https://www.rstudio.com/) प्रयोग गरेर सिर्जना गरिएको थियो।]
हालको अध्ययनले शहरी र पेरी-शहरी माटोमा निकल सांद्रताका लागि मोडेलिङ प्रविधिहरू स्पष्ट रूपमा चित्रण गर्दछ। अध्ययनले माटोमा निकल सांद्रताको भविष्यवाणी गर्ने उत्तम तरिका प्राप्त गर्न विभिन्न मोडेलिङ प्रविधिहरूको परीक्षण गरेको छ। माटोमा राशन। यद्यपि, स्थानिय वितरण नक्साले EBK_SVMR (चित्र 5 हेर्नुहोस्) द्वारा प्रदर्शन गरिएका घटकहरूको समतल स्थानिय वितरण पुष्टि गर्दछ। नतिजाहरूले देखाउँदछ कि समर्थन भेक्टर मेसिन रिग्रेसन मोडेल (Ca Mg K-SVMR) ले माटोमा Ni को एकाग्रताको भविष्यवाणी गर्दछ, एकल माटोमा एकल त्रुटि र बटभलुरा माटोमा धेरै त्रुटि देखाउँदछ। RMSE र MAE का सर्तहरू। अर्कोतर्फ, EBK_MLR मोडेलको साथ प्रयोग गरिएको मोडेलिङ प्रविधि पनि निर्धारण गुणांक (R2) को कम मानको कारणले त्रुटिपूर्ण छ। राम्रो परिणामहरू EBK SVMR र संयुक्त तत्वहरू (CaKMg) प्रयोग गरेर कम RMSE र MAE त्रुटिहरू प्राप्त भएका छन्। मेशिन लर्निङ एल्गोरिदमको साथ एल्गोरिदमले माटोमा PTEs को एकाग्रताको भविष्यवाणी गर्न सक्ने हाइब्रिड एल्गोरिथ्म उत्पन्न गर्न सक्छ। नतिजाहरूले देखाउँछन् कि Ca Mg K को भविष्यवाणी गर्नका लागि अध्ययन क्षेत्रमा Ni को सांद्रता भविष्यवाणी गर्न माटोमा Ni को भविष्यवाणी सुधार गर्न सक्छ। यसको मतलब यो हो कि निकेल-आधारित उद्योगको निरन्तर प्रयोगले टेन्सिल पोल्युसन र औद्योगिक उत्पादनमा टेन्सिल पोल्युसन बढेको छ। माटोमा निकलको एकाग्रता। यो अध्ययनले पत्ता लगायो कि EBK मोडेलले त्रुटिको स्तर घटाउन सक्छ र सहरी वा पेरी-शहरी माटोमा माटोको स्थानिय वितरणको मोडेलको शुद्धता सुधार गर्न सक्छ। सामान्यतया, हामी माटोमा PTE मूल्याङ्कन र भविष्यवाणी गर्न EBK-SVMR मोडेल लागू गर्ने प्रस्ताव गर्छौं;थप रूपमा, हामी विभिन्न मेशिन लर्निङ एल्गोरिदमहरूसँग हाइब्रिडाइज गर्न EBK प्रयोग गर्ने प्रस्ताव गर्छौं। कोभेरिएट्सको रूपमा तत्वहरू प्रयोग गरेर Nii सांद्रताहरू भविष्यवाणी गरिएको थियो;यद्यपि, अधिक covariates प्रयोग गर्दा मोडेलको कार्यसम्पादनमा धेरै सुधार हुनेछ, जुन हालको कार्यको सीमितता मान्न सकिन्छ। यस अध्ययनको अर्को सीमा भनेको डेटासेटहरूको संख्या ११५ हो। त्यसैले, यदि थप डेटा प्रदान गरियो भने, प्रस्तावित अप्टिमाइज्ड हाइब्रिडाइजेशन विधिको कार्यसम्पादनमा सुधार गर्न सकिन्छ।
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 अप्रिल 2021 मा पहुँच गरिएको)।
Kasprzak, KS Nickel आधुनिक पर्यावरणीय toxicology.surroundings.toxicology.11, 145-183 (1987) मा अग्रिम।
Cempel, M. & Nikel, G. Nickel: यसको स्रोत र वातावरणीय विष विज्ञानको समीक्षा। Polish J. Environment.Stud.15, 375-382 (2006)।
Freedman, B. & Hutchinson, TC वायुमण्डलबाट प्रदूषक इनपुट र सडबरी, ओन्टारियो, क्यानाडामा निकल-तामा स्मेल्टर नजिक माटो र वनस्पतिमा संचय।can.J.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/s10653-021-0210x) मा सेलेबी-फिक्वे तामा-निकेल खानी नजिकै चर्ने रुमिनेन्टहरूसँग सम्बन्धित माटो, बोटबिरुवा र जोखिमहरूमा भारी धातुहरू।
Cabata-Pendias.Kabata-Pendias A. 2011. माटोमा तत्वहरू ट्रेस गर्नुहोस् र… – Google विद्वान https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+A.+2011.+Trace+Elements+and+th+%+th+or+Y++++++++++++2011+2011. NY%29%3A+CRC+Press&btnG= (24 नोभेम्बर 2020 मा पहुँच गरिएको)।
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, अपरिभाषित। Soer-Varanger, Norway.agris.fao.org मा कृषि माटो र घाँसहरूमा भारी धातु सांद्रतामा रूसी निकल उद्योगको प्रभाव।
Nielsen, GD et al. पिउने पानीमा निकेल अवशोषण र अवधारण खाना सेवन र निकल संवेदनशीलतासँग सम्बन्धित छन्। विष विज्ञान। अनुप्रयोग। फार्माकोडाइनामिक्स।154, 67-75 (1999)।
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or Selection.surroundings.Health Perspective.107, 2 (1999)।
अजमान, पीसी;Ajado, SK;Borůvka, L.;Bini, JKM;सारकोडी, VYO;Cobonye, ​​NM;सम्भावित विषाक्त तत्वहरूको प्रवृति विश्लेषण: एक bibliometric समीक्षा।पर्यावरण जियोकेमिस्ट्री र स्वास्थ्य।स्प्रिंगर विज्ञान र व्यापार मिडिया 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 माटो म्यापिङमा। 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+Verst+s+6+Oxford+s+6+Pagen G= (28 अप्रिल 2021 मा पहुँच गरिएको)।