Nature.com ପରିଦର୍ଶନ କରିଥିବାରୁ ଆପଣଙ୍କୁ ଧନ୍ୟବାଦ। ଆପଣ ବ୍ୟବହାର କରୁଥିବା ବ୍ରାଉଜର୍ ସଂସ୍କରଣରେ CSS ପାଇଁ ସୀମିତ ସମର୍ଥନ ଅଛି | ସର୍ବୋତ୍ତମ ଅଭିଜ୍ଞତା ପାଇଁ, ଆମେ ପରାମର୍ଶ ଦେଉଛୁ ଯେ ଆପଣ ଏକ ଅପଡେଟ୍ ବ୍ରାଉଜର୍ ବ୍ୟବହାର କରନ୍ତୁ (କିମ୍ବା ଇଣ୍ଟରନେଟ୍ ଏକ୍ସପ୍ଲୋରରରେ ସୁସଙ୍ଗତତା ମୋଡ୍ ବନ୍ଦ କରନ୍ତୁ)। ଏହି ସମୟ ମଧ୍ୟରେ, ନିରନ୍ତର ସମର୍ଥନ ନିଶ୍ଚିତ କରିବାକୁ, ଆମେ ଷ୍ଟାଇଲ୍ ଏବଂ ଜାଭାସ୍କ୍ରିପ୍ଟ ବିନା ସାଇଟ୍ ପ୍ରଦର୍ଶନ କରିବୁ |
ମାନବ କାର୍ଯ୍ୟକଳାପ ଦ୍ So ାରା ମୃତ୍ତିକା ପ୍ରଦୂଷଣ ଏକ ବଡ ସମସ୍ୟା ଅଟେ। ସମ୍ଭାବ୍ୟ ସହରାଞ୍ଚଳ ତଥା ପେରି-ସହରାଞ୍ଚଳରେ ସମ୍ଭାବ୍ୟ ବିଷାକ୍ତ ଉପାଦାନ (PTEs) ର ସ୍ଥାନିକ ବଣ୍ଟନ ଭିନ୍ନ ହୋଇଥାଏ | ତେଣୁ, ଏହିପରି ମୃତ୍ତିକାରେ PTE ଗୁଡ଼ିକର ବିଷୟବସ୍ତୁ ପୂର୍ବାନୁମାନ କରିବା କଷ୍ଟକର ଅଟେ | ଚେକ୍ ରିପବ୍ଲିକରେ ଫ୍ରାଇଡେକ୍ ମିଷ୍ଟେକରୁ ମୋଟ 115 ନମୁନା ମିଳିଥିଲା ​​| ପ୍ରତିକ୍ରିୟା ଭେରିଏବଲ୍ ହେଉଛି Ni ଏବଂ ପୂର୍ବାନୁମାନକାରୀମାନେ ହେଉଛି Ca, Mg, ଏବଂ K. Bayesian Kriging-Multiple Linear Regression (EBK-MLR) ଖରାପ ପ୍ରଦର୍ଶନ କରେ, ଯେପରି 0.1 ରୁ କମ୍ ନିର୍ଣ୍ଣୟର କୋଏଫେସିଏଣ୍ଟସ୍ ଦ୍ୱାରା ଏହା ପ୍ରମାଣିତ ହୋଇଛି | ଏମ୍ପିରିକ୍ ବାଇସିଆନ୍ କ୍ରାଇଜିଂ-ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ (EBK-SVMR) ମଡେଲ୍ ସର୍ବୋତ୍ତମ ମଡେଲ୍ ଥିଲା, କମ୍ RMSE (95.479 mg / kg) ଏବଂ MAE (77.368 mg / kg) ଏକ ସ୍ୱ-ସଂଗଠିତ ମାନଚିତ୍ର ବ୍ୟବହାର କରି ଆଉଟପୁଟ୍ ଭିଜୁଆଲ୍ ହୋଇଛି | ହାଇବ୍ରିଡ୍ ମଡେଲ୍ CakMg-EBK-SVMR ଉପାଦାନର କ୍ଲଷ୍ଟର୍ ନ୍ୟୁରନ୍ ଏକାଧିକ ରଙ୍ଗ s ାଞ୍ଚା ଦେଖାଏ ଯାହା ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ Ni ଏକାଗ୍ରତାକୁ ପୂର୍ବାନୁମାନ କରେ | ଫଳାଫଳଗୁଡିକ ଦର୍ଶାଏ ଯେ EBK ଏବଂ SVMR ମିଶ୍ରଣ ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ Ni ଏକାଗ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ପ୍ରଭାବଶାଳୀ କ techni ଶଳ |
ନିକେଲ୍ (ନି) ଉଦ୍ଭିଦମାନଙ୍କ ପାଇଁ ଏକ ମାଇକ୍ରୋନ୍ୟୁଟ୍ରିଏଣ୍ଟ୍ ଭାବରେ ବିବେଚନା କରାଯାଏ କାରଣ ଏହା ବାୟୁମଣ୍ଡଳୀୟ ନାଇଟ୍ରୋଜେନ୍ ଫିକ୍ସିସନ (N) ଏବଂ ୟୁରିଆ ମେଟାବୋଲିଜିମ୍ରେ ସହାୟକ ହୋଇଥାଏ, ଯାହା ଉଭୟ ବିହନ ଅଙ୍କୁର ପାଇଁ ଆବଶ୍ୟକ ହୋଇଥାଏ | ବିହନ ବ ination ିବାରେ ଏହାର ଅବଦାନ ବ୍ୟତୀତ, ନି ଏକ ଫଙ୍ଗଲ୍ ଏବଂ ବ୍ୟାକ୍ଟେରିଆ ପ୍ରତିରୋଧକ ଭାବରେ କାର୍ଯ୍ୟ କରିପାରେ ଏବଂ ଉଦ୍ଭିଦ ବିକାଶକୁ ପ୍ରୋତ୍ସାହିତ କରିଥାଏ | ନାଇଟ୍ରୋଜେନ୍ ଫିକ୍ସିସନକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ଆଇଜରଗୁଡିକ | ମାଟିକୁ ସମୃଦ୍ଧ କରିବା ଏବଂ ମାଟିରେ ନାଇଟ୍ରୋଜେନ୍ ସ୍ଥିର କରିବାର ଲେମ୍ବୁର କ୍ଷମତା କ୍ରମାଗତ ଭାବରେ ମାଟିରେ ନିକେଲର ଏକାଗ୍ରତା ବ increases ାଇଥାଏ | ଯଦିଓ ନିକେଲ୍ ଉଦ୍ଭିଦମାନଙ୍କ ପାଇଁ ଏକ ମାଇକ୍ରୋନ୍ୟୁଟ୍ରିଏଣ୍ଟ୍ ଅଟେ, ତଥାପି ମାଟିରେ ଏହାର ଅତ୍ୟଧିକ ଗ୍ରହଣ କରିବା ଦ୍ soil ାରା ମାଟିରେ ଥିବା ପୁଷ୍ଟିକର ବିଷାକ୍ତ ପଦାର୍ଥ | 3, Ni ଉଦ୍ଭିଦ ବିକାଶ ଏବଂ ଅଭିବୃଦ୍ଧି ପାଇଁ ଆବଶ୍ୟକ 17 ତମ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ବୋଲି ଜଣାପଡିଛି | ଉଦ୍ଭିଦ ବିକାଶ ଏବଂ ଅଭିବୃଦ୍ଧିରେ ନିକେଲର ଭୂମିକା ବ୍ୟତୀତ ମଣିଷମାନେ ଏହାକୁ ବିଭିନ୍ନ ପ୍ରୟୋଗ ପାଇଁ ଆବଶ୍ୟକ କରନ୍ତି | ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟିଂ, ନିକେଲ୍ ଆଧାରିତ ଆଲୋଇସ୍ ଉତ୍ପାଦନ, ଏବଂ ଅଟୋମୋବାଇଲ୍ ଶିଳ୍ପରେ ଇଗ୍ନିସ୍ ଡିଭାଇସ୍ ଏବଂ ସ୍ପାର୍କ ପ୍ଲଗ୍ ଉତ୍ପାଦନ, ବିଭିନ୍ନ ଶିଳ୍ପ କ୍ଷେତ୍ରରେ ନିକେଲ୍ ବ୍ୟବହାର, ବ electrical ଦ୍ୟୁତିକ ସାମଗ୍ରୀ, ବିକ୍ରେତା, ଇଲେକ୍ଟ୍ରିକ୍ ସାମଗ୍ରୀ, ନିକୋଲ୍ ବ୍ୟବହାର କରାଯାଇଛି ତାର ଏବଂ କେବୁଲ୍, ଜେଟ୍ ଟର୍ବାଇନ, ସର୍ଜିକାଲ୍ ପ୍ରତିରୋପଣ, ବସ୍ତ୍ର, ଏବଂ ଜାହାଜ ନିର୍ମାଣ 5. ମୃତ୍ତିକାରେ ନି-ସମୃଦ୍ଧ ସ୍ତର (ଅର୍ଥାତ୍ ଭୂପୃଷ୍ଠ ମୃତ୍ତିକା) ଉଭୟ ଆନ୍ଥ୍ରୋପୋଜେନିକ୍ ଏବଂ ପ୍ରାକୃତିକ ଉତ୍ସକୁ ଦାୟୀ କରାଯାଇଛି, କିନ୍ତୁ ମୁଖ୍ୟତ ,, Ni ଆନ୍ଥ୍ରୋପୋଜେନିକ୍ ପରିବର୍ତ୍ତେ ପ୍ରାକୃତିକ ଉତ୍ସ ଅଟେ, ନିକେଲର ପ୍ରାକୃତିକ ଉତ୍ସଗୁଡ଼ିକରେ ଆଗ୍ନେୟଗିରି ଉଦ୍ଗୀରଣ, ଉଦ୍ଭିଦ, ଜଙ୍ଗଲ ଅଗ୍ନି ଏବଂ ଭ ological ଗୋଳିକ ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ;ତଥାପି, ଆନ୍ଥ୍ରୋପୋଜେନିକ୍ ଉତ୍ସଗୁଡ଼ିକରେ ଇସ୍ପାତ ଶିଳ୍ପରେ ନିକେଲ୍ / କ୍ୟାଡମିୟମ୍ ବ୍ୟାଟେରୀ, ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟିଂ, ଆର୍କ ୱେଲଡିଂ, ଡିଜେଲ ଏବଂ ଇନ୍ଧନ ତେଲ ଏବଂ କୋଇଲା ଜାଳେଣି ଏବଂ ଆବର୍ଜନା ଏବଂ ସ୍ଲେଜ୍ ଜାଳେଣିରୁ ବାୟୁମଣ୍ଡଳୀୟ ନିର୍ଗମନ ନିକେଲ୍ ସଂଗ୍ରହ 7,8. ଫ୍ରିଡମ୍ୟାନ୍ ଏବଂ ହୁଚିନ୍ସନ୍ 9 ଏବଂ ମାନିୱା ଇତ୍ୟାଦି ଅନୁଯାୟୀ |10, ତତକ୍ଷଣାତ୍ ଏବଂ ସଂଲଗ୍ନ ପରିବେଶରେ ଉପରିଭାଗ ପ୍ରଦୂଷଣର ମୁଖ୍ୟ ଉତ୍ସ ହେଉଛି ମୁଖ୍ୟତ nick ନିକେଲ୍-ତମ୍ବା ଭିତ୍ତିକ ସ୍ମେଲଟର ଏବଂ ଖଣି | କାନାଡାର ସୁଡବିରୀ ନିକେଲ୍-ତମ୍ବା ବିଶୋଧନାଗାରର ସର୍ବୋଚ୍ଚ ମାଟିରେ 26,000 ମିଗ୍ରା / କିଲୋଗ୍ରାମରେ ନିକେଲ୍ ପ୍ରଦୂଷଣର ମାତ୍ରା ସର୍ବାଧିକ ଥିଲା।12, ଏହି ଅଞ୍ଚଳର ସର୍ବୋଚ୍ଚ ଚାଷ ଜମିରେ HNO3- ନିର୍ଗତ ନିକେଲର ପରିମାଣ (Russia ଷରେ ନିକେଲ୍ ଉତ୍ପାଦନ) 6.25 ରୁ 136.88 ମିଗ୍ରା / କିଲୋଗ୍ରାମ ମଧ୍ୟରେ ଥିଲା, ଯାହା 30.43 ମିଗ୍ରା / କିଲୋଗ୍ରାମର ହାରାହାରି ଏବଂ 25 ମିଗ୍ରା / କିଲୋଗ୍ରାମର ବେସଲାଇନ୍ ଏକାଗ୍ରତା ଅଟେ। ମ୍ୟୁଟେଜେନେସିସ୍, କ୍ରୋମୋଜୋମାଲ୍ କ୍ଷତି, Z-DNA ଉତ୍ପାଦନ, ଅବରୋଧିତ DNA ଏକ୍ସାଇଜନ୍ ମରାମତି କିମ୍ବା ଏପିଜେନେଟିକ୍ ପ୍ରକ୍ରିୟା ଦ୍ cancer ାରା କର୍କଟ ରୋଗର କାରଣ ହୋଇଥାଏ।
ମୃତ୍ତିକା-ଉଦ୍ଭିଦ ସମ୍ପର୍କ, ମୃତ୍ତିକା ଏବଂ ମୃତ୍ତିକାର ଜ ological ବିକ ସମ୍ପର୍କ, ପରିବେଶର ଅବକ୍ଷୟ, ଏବଂ ପରିବେଶ ପ୍ରଭାବ ଆକଳନ ହେତୁ ବିଭିନ୍ନ ସମୟରେ ସ୍ୱାସ୍ଥ୍ୟ ସମ୍ବନ୍ଧୀୟ ସମସ୍ୟା ହେତୁ ମୃତ୍ତିକା ପ୍ରଦୂଷଣର ମୂଲ୍ୟାଙ୍କନ ବୃଦ୍ଧି ପାଇଛି। ଆଜି ପର୍ଯ୍ୟନ୍ତ ମୃତ୍ତିକାରେ ନି ଭଳି ସମ୍ଭାବ୍ୟ ବିଷାକ୍ତ ଉପାଦାନଗୁଡିକର ସ୍ଥାନିକ ଭବିଷ୍ୟବାଣୀ ବହୁମୂଲ୍ୟ ଏବଂ ପାରମ୍ପାରିକ ମାଟି ମ୍ୟାପିଙ୍ଗ୍ (DSM) ର ମାଟିଙ୍ଗ୍ ମ୍ୟାପିଙ୍ଗ୍ (DSM) ର ଉନ୍ନତି | ratney16, ଭବିଷ୍ୟବାଣୀକାରୀ ମୃତ୍ତିକା ମ୍ୟାପିଂ (DSM) ମୃତ୍ତିକା ବିଜ୍ଞାନର ଏକ ପ୍ରମୁଖ ସବ୍ ଡିସାଇପ୍ଲାଇନ୍ ବୋଲି ପ୍ରମାଣିତ ହୋଇଛି।17 ବାହ୍ୟରେଖା ଯେ PTE, ମାଟିର ପ୍ରକାର ଏବଂ ମୃତ୍ତିକାର ଗୁଣଗୁଡିକର ସ୍ଥାନିକ ବିତରଣର ପୂର୍ବାନୁମାନ କିମ୍ବା ମ୍ୟାପିଂ କରିବା ପାଇଁ ସମସାମୟିକ DSM କିମ୍ବା PSM ହେଉଛି ସବୁଠାରୁ ପ୍ରଭାବଶାଳୀ କ techni ଶଳ | ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ ଏବଂ ମେସିନ୍ ଲର୍ନିଂ ଆଲଗୋରିଦମ (MLA) ହେଉଛି DSM ମଡେଲିଂ କ techni ଶଳ ଯାହା ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ସର୍ବନିମ୍ନ ତଥ୍ୟ ବ୍ୟବହାର କରି କମ୍ପ୍ୟୁଟର ସାହାଯ୍ୟରେ ଡିଜିଟାଇଜଡ୍ ମାନଚିତ୍ର ସୃଷ୍ଟି କରେ |
Deutsch18 ଏବଂ Olea19 ଭୂଗୋଳ ବିଜ୍ istics ାନକୁ ପରିଭାଷିତ କରେ ଯେ “ସାଂଖ୍ୟିକ କ techniques ଶଳଗୁଡ଼ିକର ସଂଗ୍ରହ, ଯାହା ସ୍ପେସାଲ୍ ଗୁଣଗୁଡିକର ପ୍ରତିନିଧିତ୍ୱ ସହିତ କାର୍ଯ୍ୟ କରେ, ମୁଖ୍ୟତ st ଷ୍ଟୋଷ୍ଟାଷ୍ଟିକ୍ ମଡେଲଗୁଡିକୁ ନିୟୋଜିତ କରିଥାଏ, ଯେପରିକି ସମୟ ଶୃଙ୍ଖଳା ବିଶ୍ଳେଷଣ କିପରି ସାମୟିକ ତଥ୍ୟକୁ ବର୍ଣ୍ଣିତ କରେ |”ମୁଖ୍ୟତ ,, ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ ଭାରିଓଗ୍ରାମର ମୂଲ୍ୟାଙ୍କନକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ, ଯାହା ପ୍ରତ୍ୟେକ ଡାଟାସେଟ୍ 20 ରୁ ସ୍ଥାନିକ ମୂଲ୍ୟର ନିର୍ଭରଶୀଳତାକୁ ପରିମାଣ ଏବଂ ବ୍ୟାଖ୍ୟା କରିବାକୁ ଅନୁମତି ଦେଇଥାଏ | ଗୁମିଆକ୍ସ ଇତ୍ୟାଦି |20 ଆହୁରି ମଧ୍ୟ ବର୍ଣ୍ଣନା କରେ ଯେ ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ସରେ ଭାରିଓଗ୍ରାମର ମୂଲ୍ୟାଙ୍କନ ତିନୋଟି ନୀତି ଉପରେ ଆଧାରିତ, (କ) ଡାଟା ସମ୍ପର୍କର ମାପକୁ ଗଣନା କରିବା, (ଖ) ଡାଟାସେଟ୍ ପାର୍ଥକ୍ୟରେ ଆନିସୋଟ୍ରପି ଚିହ୍ନଟ ଏବଂ ଗଣନା କରିବା ଏବଂ (ଗ) ଏହା ବ୍ୟତୀତ ସ୍ଥାନୀୟ ପ୍ରଭାବରୁ ପୃଥକ ମାପ ତଥ୍ୟର ଅନ୍ତର୍ନିହିତ ତ୍ରୁଟିକୁ ଦୃଷ୍ଟିରେ ରଖି, କ୍ଷେତ୍ରର ପ୍ରଭାବଗୁଡିକ ମଧ୍ୟ ଆକଳନ କରାଯାଇଥାଏ କ୍ରିଜିଂ, ପରୀକ୍ଷାମୂଳକ ବାଇସିଆନ୍ କ୍ରାଇଜିଂ, ସରଳ କ୍ରାଇଜିଂ ପଦ୍ଧତି ଏବଂ PTE, ମୃତ୍ତିକାର ଗୁଣ, ଏବଂ ମୃତ୍ତିକାର ପ୍ରକାର ମାନଚିତ୍ର କିମ୍ବା ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଅନ୍ୟ ଜଣାଶୁଣା ଇଣ୍ଟରପୋଲେସନ୍ କ ques ଶଳ |
ମେସିନ୍ ଲର୍ନିଂ ଆଲଗୋରିଦମ (MLA) ହେଉଛି ଏକ ଅପେକ୍ଷାକୃତ ନୂତନ କ techni ଶଳ ଯାହା ବୃହତ ଅଣ-ର ar ଖ୍ୟ ଡାଟା ଶ୍ରେଣୀକୁ ନିୟୋଜିତ କରିଥାଏ, ମୁଖ୍ୟତ data ଡାଟା ଖଣି ପାଇଁ ବ୍ୟବହୃତ ଆଲଗୋରିଦମ ଦ୍ fuel ାରା ଇନ୍ଧନ ହୋଇଥାଏ, ଏବଂ ମୃତ୍ତିକା ବିଜ୍ଞାନ ଏବଂ ରିଟର୍ନ ଟାସ୍କ ପରି ବ scientific ଜ୍ଞାନିକ କ୍ଷେତ୍ରରେ ବର୍ଗୀକରଣରେ ବାରମ୍ବାର ପ୍ରୟୋଗ କରାଯାଇଥାଏ।22 (କୃଷି ମୃତ୍ତିକାରେ ଭାରୀ ଧାତୁ ଆକଳନ ପାଇଁ ଅନିୟମିତ ଜଙ୍ଗଲ), ସାକିଜାଡେ ଇତ୍ୟାଦି |23 (ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ଏବଂ କୃତ୍ରିମ ସ୍ନାୟୁ ନେଟୱାର୍କ ବ୍ୟବହାର କରି ମଡେଲିଂ) ମୃତ୍ତିକା ପ୍ରଦୂଷଣ) ଏହା ସହିତ, ଭେଗା ଇତ୍ୟାଦି |24 (ଭାରୀ ଧାତୁ ଧାରଣ ଏବଂ ମାଟିରେ ଆଡସର୍ପସନ୍ ମଡେଲିଂ ପାଇଁ CART) ସୂର୍ଯ୍ୟ ଇତ୍ୟାଦି |25 (କ୍ୟୁବିଷ୍ଟର ପ୍ରୟୋଗ ହେଉଛି ମାଟିରେ ସିଡି ବଣ୍ଟନ) ଏବଂ ଅନ୍ୟାନ୍ୟ ଆଲଗୋରିଦମ ଯେପରିକି କେ-ନିକଟତମ ପଡ଼ୋଶୀ, ସାଧାରଣ ବର୍ଦ୍ଧିତ ରିଗ୍ରେସନ୍, ଏବଂ ବର୍ଦ୍ଧିତ ରିଗ୍ରେସନ୍ ବୃକ୍ଷ ମଧ୍ୟ ମାଟିରେ PTE ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ MLA ପ୍ରୟୋଗ କରିଥିଲେ |
ଭବିଷ୍ୟବାଣୀ କିମ୍ବା ମ୍ୟାପିଂରେ DSM ଆଲଗୋରିଦମଗୁଡିକର ପ୍ରୟୋଗ ଅନେକ ଆହ୍ faces ାନର ସମ୍ମୁଖୀନ ହୁଏ | ଅନେକ ଲେଖକ ବିଶ୍ believe ାସ କରନ୍ତି ଯେ MLA ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ ଠାରୁ ଉନ୍ନତ ଏବଂ ବିପରୀତରେ | ଯଦିଓ ଗୋଟିଏ ଅନ୍ୟ ଅପେକ୍ଷା ଭଲ, ଉଭୟଙ୍କ ମିଶ୍ରଣ DSM15 ରେ ମ୍ୟାପିଂ କିମ୍ବା ଭବିଷ୍ୟବାଣୀର ସଠିକତା ସ୍ତରକୁ ଉନ୍ନତ କରିଥାଏ | ୱୁଡକକ୍ ଏବଂ ଗୋପାଳ 26 Finke27;ପଣ୍ଟିୟସ୍ ଏବଂ Cheuk28 ଏବଂ Grunwald29 ତ୍ରୁଟି ଏବଂ ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ମୃତ୍ତିକା ମ୍ୟାପିଂରେ କିଛି ତ୍ରୁଟି ଉପରେ ମନ୍ତବ୍ୟ ଦିଅନ୍ତି | ମୃତ୍ତିକା ବ scientists ଜ୍ଞାନିକମାନେ DSM ମ୍ୟାପିଂ ଏବଂ ପୂର୍ବାନୁମାନର ପ୍ରଭାବ, ସଠିକତା, ଏବଂ ପୂର୍ବାନୁମାନକୁ ଅପ୍ଟିମାଇଜ୍ କରିବା ପାଇଁ ବିଭିନ୍ନ କ ques ଶଳ ପ୍ରୟୋଗ କରିଛନ୍ତି |15 ବାହ୍ୟରେଖା ଯେ ମାନଚିତ୍ର ସୃଷ୍ଟି ଏବଂ ଭବିଷ୍ୟବାଣୀ ଦ୍ introduced ାରା ପ୍ରବର୍ତ୍ତିତ ବ valid ଧତା ଆଚରଣ ଏବଂ ଅନିଶ୍ଚିତତା ମାନଚିତ୍ରର ଗୁଣବତ୍ତାକୁ ଉନ୍ନତ କରିବା ପାଇଁ ସ୍ ently ାଧୀନ ଭାବରେ ବ valid ଧ ହେବା ଉଚିତ। DSM ର ସୀମା ଭ ograph ଗୋଳିକ ଭାବରେ ବିସ୍ତୃତ ମୃତ୍ତିକାର ଗୁଣ ହେତୁ ହୋଇଥାଏ, ଯାହା ଅନିଶ୍ଚିତତାର ଏକ ଉପାଦାନ ସହିତ ଜଡିତ ହୋଇଥାଏ;ତଥାପି, DSM ରେ ନିଶ୍ଚିତତାର ଅଭାବ ଏକାଧିକ ତ୍ରୁଟିର ଉତ୍ସରୁ ଉତ୍ପନ୍ନ ହୋଇପାରେ, ଯଥା କୋଭାରିଏଟ୍ ତ୍ରୁଟି, ମଡେଲ୍ ତ୍ରୁଟି, ଅବସ୍ଥାନ ତ୍ରୁଟି, ଏବଂ ଆନାଲିଟିକାଲ୍ ତ୍ରୁଟି 31. ବିଧାୟକଙ୍କ ଦ୍ od ାରା ସୃଷ୍ଟି ହୋଇଥିବା ମଡେଲିଂ ଭୁଲ୍ ଏବଂ ଜିଓଷ୍ଟାଟିଷ୍ଟିକାଲ୍ ପ୍ରକ୍ରିୟା ବୁ understanding ାମଣାର ଅଭାବ ସହିତ ଜଡିତ ହୋଇଛି, ଶେଷରେ ପ୍ରକୃତ ପ୍ରକ୍ରିୟାର ଅତିରିକ୍ତତାକୁ ଦର୍ଶାଇବ, ମଡେଲିଂର ପ୍ରକୃତିର ପୂର୍ବାନୁମାନ ମ୍ୟାପିଂ ଏବଂ ପୂର୍ବାନୁମାନ କରିବାରେ ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ ଏବଂ MLA ର ଏକୀକରଣକୁ ପ୍ରୋତ୍ସାହିତ କରେ |34;ସବବୋଟିନା ଏବଂ ଅନ୍ୟମାନେ |35;ତାରାସୋଭ ଏବଂ ଅନ୍ୟମାନେ |36 ଏବଂ ତାରାସୋଭ୍ ଏବଂ ଅନ୍ୟମାନେ |37 ହାଇବ୍ରିଡ୍ ମଡେଲ୍ ସୃଷ୍ଟି କରିବାକୁ ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ ଏବଂ ମେସିନ୍ ଲର୍ନିଙ୍ଗର ସଠିକ୍ ଗୁଣକୁ ଶୋଷଣ କରିଛି ଯାହା ପୂର୍ବାନୁମାନ ଏବଂ ମ୍ୟାପିଙ୍ଗର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରିଥାଏ |ଗୁଣବତ୍ତା। ଏହି ହାଇବ୍ରିଡ୍ କିମ୍ବା ମିଳିତ ଆଲଗୋରିଦମ ମଡେଲଗୁଡିକ ମଧ୍ୟରୁ କେତେକ ହେଉଛି ଆର୍ଟିଫିସିଆଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ କ୍ରାଇଜିଂ (ANN-RK), ମଲ୍ଟିଲାୟର୍ ପେରେସପଟ୍ରନ୍ ରିସିଡୁଆଲ୍ କ୍ରାଇଜିଂ (MLP-RK), ଜେନେରାଲାଇଜଡ୍ ରିଗ୍ରେସନ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ରିସିଡୁଆଲ୍ କ୍ରାଇଜିଂ (GR- NNRK) 36, ଆର୍ଟିଫିସିଆଲ୍ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ କ୍ରାଇଜିଂ-ମଲ୍ଟିଲେର୍ ପର୍ସେପଟ୍ରନ୍ (ANN-K-MLP) |
ସରୋଜେଭ୍ ଇଟ୍ ଅଲଙ୍କ କହିବାନୁସାରେ, ବିଭିନ୍ନ ମଡେଲିଂ କ techniques ଶଳଗୁଡ଼ିକୁ ଯୋଡ଼ିବା ଦ୍ୱାରା ତ୍ରୁଟିଗୁଡିକୁ ଦୂର କରିବା ଏବଂ ଏହାର ଏକକ ମଡେଲକୁ ବିକଶିତ କରିବା ପରିବର୍ତ୍ତେ ପରିଣତ ହାଇବ୍ରିଡ୍ ମଡେଲର ଦକ୍ଷତା ବୃଦ୍ଧି କରିବାର କ୍ଷମତା ଅଛି | ଏହି ପ୍ରସଙ୍ଗରେ, ଏହି ନୂତନ କାଗଜରେ ଯୁକ୍ତି ଦର୍ଶାଏ ଯେ, ଜିଓଷ୍ଟାଟିଷ୍ଟିକ୍ ଏବଂ MLA ର ମିଳିତ ଆଲଗୋରିଦମ୍ ପ୍ରୟୋଗ କରିବା ଆବଶ୍ୟକ ଅଟେ ଯାହା ସହରା and ୍ଚଳ ଏବଂ ପେରି-ସହରା areas ୍ଚଳରେ ନି ସମୃଦ୍ଧ ହେବ ଏବଂ ଏହା ଏମ୍ପେରିକାଲ୍ ବାଇକ୍ ଏସିଆନ୍ କ୍ରିକେଟ୍ ଉପରେ ନିର୍ଭର କରିବ। ମଲ୍ଟିପଲ୍ ଲାଇନ୍ ରିଗ୍ରେସନ୍ (MLR) ମଡେଲଗୁଡିକ | ଯେକ any ଣସି MLA ସହିତ EBK ର ହାଇବ୍ରିଡାଇଜେସନ୍ ଜଣା ନାହିଁ | ଦେଖାଯାଇଥିବା ଏକାଧିକ ମିଶ୍ରିତ ମଡେଲଗୁଡିକ ହେଉଛି ସାଧାରଣ, ଅବଶିଷ୍ଟ, ରିଗ୍ରେସନ୍ କ୍ରାଇଜିଂ ଏବଂ MLA ର ମିଶ୍ରଣ | EBK ହେଉଛି ଏକ ଜିଓଷ୍ଟାଟିଷ୍ଟିକାଲ୍ ଇଣ୍ଟରପୋଲେସନ୍ ପଦ୍ଧତି ଯାହା ଏକ ସ୍ପେସାଲ୍ ଷ୍ଟୋକାଷ୍ଟିକ୍ ପ୍ରକ୍ରିୟାକୁ ବ୍ୟବହାର କରିଥାଏ ଯାହା ଏକ ଅଣ-ଷ୍ଟେସନାରୀ / ଷ୍ଟେସନାରୀ ରାଣ୍ଡମ ଫିଲ୍ଡ ସହିତ ସ୍ଥାନିତ ହୋଇଛି | ଚାଷ ମୃତ୍ତିକାରେ ଜ organic ବ ଅଙ୍ଗାରକାମ୍ଳର ବଣ୍ଟନ 40, ମୃତ୍ତିକା ପ୍ରଦୂଷଣର ମୂଲ୍ୟାଙ୍କନ 41 ଏବଂ ମୃତ୍ତିକାର ଗୁଣଗୁଡିକ ମ୍ୟାପିଙ୍ଗ୍
ଅନ୍ୟ ପଟେ, ସେଲ୍ଫ-ଅର୍ଗାନାଇଜିଂ ଗ୍ରାଫ୍ (SeOM) ହେଉଛି ଏକ ଶିକ୍ଷଣ ଆଲଗୋରିଦମ ଯାହା ଲି ଇତ୍ୟାଦି ପରି ବିଭିନ୍ନ ପ୍ରବନ୍ଧରେ ପ୍ରୟୋଗ କରାଯାଇଛି |43, ୱାଙ୍ଗ୍ ଏଟ୍।44, ହୁସେନ୍ ଭୁୟାନ୍ ଏବଂ ଅନ୍ୟମାନେ |45 ଏବଂ Kebonye et al.46 ସ୍ପେସାଲ୍ ଆଟ୍ରିବ୍ୟୁଟ୍ ଏବଂ ଉପାଦାନଗୁଡିକର ଗୋଷ୍ଠୀ ନିର୍ଣ୍ଣୟ କରନ୍ତୁ | ୱାଙ୍ଗ୍ ଏଟ୍ |44 ବାହ୍ୟରେଖା ଯେ SeOM ହେଉଛି ଏକ ଶକ୍ତିଶାଳୀ ଶିକ୍ଷଣ କ techni ଶଳ ଯାହାକି ଗୋଷ୍ଠୀଗତ ଏବଂ ଅଣ-ର ar ଖ୍ୟ ସମସ୍ୟାଗୁଡିକର କଳ୍ପନା କରିବାର କ୍ଷମତା ପାଇଁ ଜଣାଶୁଣା | ଅନ୍ୟାନ୍ୟ ପ୍ୟାଟର୍ ସ୍ୱୀକୃତି କ techni ଶଳ ଯେପରିକି ମୂଖ୍ୟ ଉପାଦାନ ବିଶ୍ଳେଷଣ, ଅସ୍ପଷ୍ଟ କ୍ଲଷ୍ଟରିଙ୍ଗ୍, ହାଇରାର୍କିକାଲ୍ କ୍ଲଷ୍ଟରିଙ୍ଗ୍, ଏବଂ ମଲ୍ଟି-ମାନଦଣ୍ଡ ନିଷ୍ପତ୍ତି ନେବା ଭଳି, SeOM PTE s ାଞ୍ଚାଗୁଡ଼ିକୁ ସଂଗଠିତ ଏବଂ ଚିହ୍ନଟ କରିବାରେ ଉତ୍ତମ ଅଟେ | ୱାଙ୍ଗ ଇତ୍ୟାଦି ଅନୁଯାୟୀ |44, SeOM ଆନୁସଙ୍ଗିକ ସମ୍ବନ୍ଧୀୟ ନ୍ୟୁରନ୍ ବଣ୍ଟନକୁ ଗ୍ରୁପ୍ କରିପାରେ ଏବଂ ଉଚ୍ଚ-ବିଭେଦନକାରୀ ତଥ୍ୟ ଭିଜୁଆଲାଇଜେସନ୍ ପ୍ରଦାନ କରିପାରିବ |
ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ ନିକେଲ୍ ବିଷୟବସ୍ତୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସର୍ବୋଚ୍ଚ ସଠିକତା ସହିତ ଏକ ଦୃ ust ମ୍ୟାପିଂ ମଡେଲ୍ ସୃଷ୍ଟି କରିବାକୁ ଏହି କାଗଜଟି ଲକ୍ଷ୍ୟ ରଖିଛି | ଆମେ ଅନୁମାନ କରୁଛୁ ଯେ ମିଶ୍ରିତ ମଡେଲର ନିର୍ଭରଯୋଗ୍ୟତା ମୁଖ୍ୟତ base ମୂଳ ମଡେଲ ସହିତ ସଂଲଗ୍ନ ହୋଇଥିବା ଅନ୍ୟ ମଡେଲଗୁଡିକର ପ୍ରଭାବ ଉପରେ ନିର୍ଭର କରେ |ତେଣୁ, ଆମେ ଅନୁସନ୍ଧାନ ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାକୁ ଚେଷ୍ଟା କରିବୁ ଯାହା ମିଶ୍ରିତ ମଡେଲ ଉତ୍ପାଦନ କରିପାରିବ | ତଥାପି, ଲକ୍ଷ୍ୟ ଉପାଦାନର ଭବିଷ୍ୟବାଣୀ କରିବାରେ ମଡେଲ୍ କେତେ ସଠିକ୍? ଆହୁରି ମଧ୍ୟ, ବ valid ଧତା ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ଉପରେ ଆଧାର କରି ଦକ୍ଷତା ମୂଲ୍ୟାଙ୍କନର ସ୍ତର କ’ଣ? ତେଣୁ, ଏହି ଅଧ୍ୟୟନର ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟଗୁଡ଼ିକ ହେଲା (କ) SVMR କିମ୍ବା MLR ପାଇଁ ମିଳିତ ମିଶ୍ରଣ ମଡେଲ୍ ତିଆରି କରିବା, ମୂଳ ମଡେଲ ଭାବରେ ସହରାଞ୍ଚଳ ପ୍ରୟୋଗ (d) ସହରାଞ୍ଚଳର ମଡେଲଗୁଡିକ (c) ସହ ତୁଳନା କରିବା; ନିକେଲ୍ ସ୍ଥାନିକ ପରିବର୍ତ୍ତନର ଏକ ଉଚ୍ଚ-ବିଭେଦନ ମାନଚିତ୍ର |
ଚେକ୍ ରିପବ୍ଲିକରେ, ମୋରାଭିଆ-ସିଲେସିଆନ୍ ଅଞ୍ଚଳର ଫ୍ରାଇଡେକ୍ ମିଷ୍ଟେକ ଜିଲ୍ଲାରେ ଏହି ଅଧ୍ୟୟନ ଚାଲିଛି (ଚିତ୍ର 1 ଦେଖନ୍ତୁ)। ଅଧ୍ୟୟନ କ୍ଷେତ୍ରର ଭ ography ଗୋଳିକତା ଅତ୍ୟନ୍ତ କଠିନ ଏବଂ ଏହା ମୋରାଭିଆ-ସିଲେସିଆନ୍ ବେସ୍କିଡି ଅଞ୍ଚଳର ଏକ ଅଂଶ, ଯାହା କାର୍ପାଥିଆନ୍ ପର୍ବତର ବାହ୍ୟ ରିମ୍ ର ଅଂଶ ଅଟେ ଏବଂ ଅଧ୍ୟୟନର କ୍ଷେତ୍ର ′ 0 ′ ଏବଂ ° 20 ° 0 ′ ;ଅବଶ୍ୟ, ଏହି ଅଞ୍ଚଳର ଜଳବାୟୁ ସ୍ଥିତି ପାଇଁ କପେନ ଶ୍ରେଣୀକରଣ ବ୍ୟବସ୍ଥାକୁ Cfb = ତାପମାତ୍ରା ସମୁଦ୍ର ଜଳବାୟୁ ଭାବରେ ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଛି, ଶୁଖିଲା ମାସରେ ମଧ୍ୟ ବହୁତ ବର୍ଷା ହୋଇପାରେ | ତାପମାତ୍ରା −5 ° C ରୁ 24 ° C ମଧ୍ୟରେ ବର୍ଷ ବର୍ଷ ମଧ୍ୟରେ ସାମାନ୍ୟ ଭିନ୍ନ ହୋଇଥାଏ, କ୍ୱଚିତ୍ −14 ° C କିମ୍ବା 30 ° C ରୁ କମ୍ ହୋଇଥାଏ, ଏବଂ ହାରାହାରି ବାର୍ଷିକ ବୃଷ୍ଟିପାତ 685 ରୁ 752 mm47.38 ଅଟେ। ଅନ୍ୟପକ୍ଷରେ, ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ କ୍ଷେତ୍ର ପ୍ରାୟ 889.8 ବର୍ଗ କିଲୋମିଟର ଅଟେ। ଓଷ୍ଟ୍ରାଭା ଏବଂ ଏହାର ଆଖପାଖରେ ଇସ୍ପାତ ଶିଳ୍ପ ଏବଂ ଧାତୁ କାର୍ଯ୍ୟ ଅତ୍ୟନ୍ତ ସକ୍ରିୟ ଅଟେ। ମେଟାଲ୍ ମିଲ୍, ଇସ୍ପାତ ଶିଳ୍ପ ଯେଉଁଠାରେ ନିକେଲ୍ ଷ୍ଟେନଲେସ୍ ଷ୍ଟିଲରେ ବ୍ୟବହୃତ ହୁଏ (ଉଦାହରଣ ସ୍ୱରୂପ ବାୟୁମଣ୍ଡଳୀୟ କ୍ଷୟକୁ ପ୍ରତିରୋଧ କରିବା ପାଇଁ) ଏହି ଅଞ୍ଚଳର ନିକେଲର ସମ୍ଭାବ୍ୟ ଉତ୍ସଗୁଡିକ ଅନୁସନ୍ଧାନ କରନ୍ତୁ (ଉଦାହରଣ ସ୍ୱରୂପ, ମେଷଶାବକ ଏବଂ ସ୍ୱଳ୍ପ ଖୁଆଇଥିବା ଗୋରୁମାନଙ୍କର ଅଭିବୃଦ୍ଧି ହାର ବ to ାଇବା ପାଇଁ ମେଷଶାବକଙ୍କ ନିକଟରେ ନିକେଲ୍ ଯୋଡିବା)। ଅନୁସନ୍ଧାନ କ୍ଷେତ୍ରରେ ନିକେଲର ଅନ୍ୟାନ୍ୟ ଶିଳ୍ପ ବ୍ୟବହାର ଇଲେକ୍ଟ୍ରୋପ୍ଲେଟିଂରେ ଏହାର ବ୍ୟବହାରକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରିଥାଏ, ଯେଉଁଥିରେ ଇଲେକ୍ଟ୍ରୋଲେଟିଂ ନିକେଲ୍ ଏବଂ ଇଲେକ୍ଟ୍ରୋଲେସ୍ ନିକେଲ୍ ପ processesingে ଟିଂ ପ୍ରକ୍ରିୟା ଅନ୍ତର୍ଭୁକ୍ତ | ପ୍ରକୃତିର ଅଲିଅନ୍। କେତେକ ମୃତ୍ତିକା କ୍ଷେତ୍ର ଭୂପୃଷ୍ଠ ଏବଂ ଭୂତଳ ଭୂମିରେ ଗତିଶୀଳ ଦେଖାଯାଏ, ପ୍ରାୟତ concrete କଂକ୍ରିଟ୍ ଏବଂ ବ୍ଲିଚିଂ ସହିତ | ତଥାପି, କାମ୍ବିସୋଲ୍ ଏବଂ ଷ୍ଟାଗ୍ନୋସୋଲ୍ ଏହି ଅଞ୍ଚଳର ସବୁଠାରୁ ସାଧାରଣ ମାଟି ପ୍ରକାର ଅଟେ |
ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ମାନଚିତ୍ର [ArcGIS ଡେସ୍କଟପ୍ (ESRI, Inc, ସଂସ୍କରଣ 10.7, URL: https://desktop.arcgis.com) ବ୍ୟବହାର କରି ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ମାନଚିତ୍ର ତିଆରି କରାଯାଇଥିଲା |]
ଫ୍ରିଡେକ ମିଷ୍ଟେକ ଜିଲ୍ଲାର ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରୁ ସମୁଦାୟ 115 ଟପସେଲ ନମୁନା ମିଳିଥିଲା ​​| ବ୍ୟବହୃତ ନମୁନା pattern ାଞ୍ଚା 2 × 2 କିଲୋମିଟର ବ୍ୟବଧାନରେ ବ୍ୟବହୃତ ମାଟି ନମୁନା ସହିତ ଏକ ନିୟମିତ ଗ୍ରୀଡ୍ ଥିଲା ଏବଂ ହାତରେ ଧରାଯାଇଥିବା ଜିପିଏସ୍ ଉପକରଣ (ଲାଇକା ଜେନୋ 5 ଜିପିଏସ୍) ବ୍ୟବହାର କରି ଟପସୋଏଲ୍ 0 ରୁ 20 ସେମି ଗଭୀରତାରେ ମାପ କରାଯାଇଥିଲା। ଫ୍ରିଚ୍ ଡିସ୍କ ମିଲ୍), ଏବଂ ସି ieve ି (ସାଇଭ୍ ସାଇଜ୍ 2 ମିମି)। ଟେଫଲନ୍ ବୋତଲରେ 1 ଗ୍ରାମ ଶୁଖିଲା, ହୋମୋଜେନାଇଜଡ୍ ଏବଂ ସିଭିଡ୍ ମୃତ୍ତିକା ନମୁନା ସ୍ଥାନିତ କରନ୍ତୁ | ପ୍ରତ୍ୟେକ ଟେଫଲନ୍ ପାତ୍ରରେ 7 ମିଲି ମିଟର 35% HCl ଏବଂ 3 ମିଲି ମିଟର 65% HNO3 ବିତରଣ କରନ୍ତୁ (ଏକ ସ୍ୱୟଂଚାଳିତ ଡିସପେନସର୍ ବ୍ୟବହାର କରି (ପ୍ରତ୍ୟେକ ଏସିଡ୍ ପାଇଁ ପ୍ଲେଟ୍) W ଏବଂ 160 ° C) ନମୁନାଗୁଡିକର ହଜମ ପ୍ରକ୍ରିୟାକୁ ସହଜ କରିବା ପାଇଁ 2 ଘଣ୍ଟା ପାଇଁ, ତା’ପରେ ଥଣ୍ଡା କରନ୍ତୁ | ଅଲ ern କିକ ତତ୍ତ୍ୱକୁ 50 ମିଲି ଭଲ୍ୟୁମେଟ୍ରିକ୍ ଫ୍ଲାସ୍କରେ ସ୍ଥାନାନ୍ତର କରନ୍ତୁ ଏବଂ 50 ମିଲିରେ ଡିଓନାଇଜଡ୍ ପାଣିରେ ମିଶାନ୍ତୁ। ଏହା ପରେ, ମିଶ୍ରିତ ସୁପରନେଟାଣ୍ଟକୁ 50 ମିଲି ମିଟର PVC ଟ୍ୟୁବରେ ଫିଲ୍ଟର୍ କରନ୍ତୁ PTE ଗୁଡ଼ିକର (As, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ICP-OES (ଇନଡକ୍ଟିଭ୍ କପ୍ଲେଡ୍ ପ୍ଲାଜମା ଅପ୍ଟିକାଲ୍ ଏମିଶନ ସ୍ପେକ୍ଟ୍ରସ୍କୋପି) (ଥର୍ମୋ ଫିସର ସାଇଣ୍ଟିଫିକ୍, ଯୁକ୍ତରାଷ୍ଟ୍ର) ଦ୍ standard ାରା ମାନକ ପ୍ରଣାଳୀ ଏବଂ ଚୁକ୍ତିନାମା ଅନୁଯାୟୀ ନିର୍ଣ୍ଣୟ କରାଯାଇଥିଲା। ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ PTE ର ଚିହ୍ନଟ ସୀମା ଥିଲା 0.0004।
ଏମ୍ପିରିକାଲ୍ ବାଇସିଆନ୍ କ୍ରିଗିଙ୍ଗ୍ (EBK) ହେଉଛି ବିଭିନ୍ନ ଜିଓଷ୍ଟାଟିଷ୍ଟିକାଲ୍ ଇଣ୍ଟରପୋଲେସନ୍ କ ques ଶଳ ମଧ୍ୟରୁ ଅନ୍ୟତମ, ଯେପରିକି ମୃତ୍ତିକା ବିଜ୍ଞାନ ପରି ବିଭିନ୍ନ କ୍ଷେତ୍ରରେ ମଡେଲିଂରେ ବ୍ୟବହୃତ ହୁଏ | ଅନ୍ୟ କ୍ରାଇଜିଂ ଇଣ୍ଟରପୋଲେସନ୍ କ ques ଶଳ ପରି, EBK ସେମିଭାରିଓଗ୍ରାମ ମଡେଲ ଦ୍ estimated ାରା ଆକଳନ କରାଯାଇଥିବା ତ୍ରୁଟିକୁ ବିଚାର କରି ପାରମ୍ପାରିକ କ୍ରାଇଜିଂ ପଦ୍ଧତିଠାରୁ ଭିନ୍ନ ଅଟେ। ସେମିଭାରିଓଗ୍ରାମର ଯଥେଷ୍ଟ କ୍ରାଇଜିଂ ପଦ୍ଧତିର ଏକ ଜଟିଳ ଅଂଶ ଗଠନ କରେ | EBK ର ଇଣ୍ଟରପୋଲେସନ୍ ପ୍ରକ୍ରିୟା କ୍ରିଭୋରୁଚକୋ 50 ଦ୍ proposed ାରା ପ୍ରସ୍ତାବିତ ତିନୋଟି ମାନଦଣ୍ଡକୁ ଅନୁସରଣ କରେ, (କ) ମଡେଲ୍ ଇନପୁଟ୍ ଡାଟାସେଟରୁ ସେମିଭାରିଓଗ୍ରାମ ଆକଳନ କରେ (ଖ) ଉତ୍ପାଦିତ ସେମିଭାରିଓଗ୍ରାମ ଉପରେ ଆଧାର କରି ଏକ ସି ଏକ ବେସାମରିକ ଗଣିତ ଅଟେ |
ଯେଉଁଠାରେ \ (ପ୍ରୋବ \ ବାମ (A \ ଡାହାଣ) \) ପୂର୍ବକୁ ପ୍ରତିପାଦିତ କରେ, \ (ପ୍ରୋବ \ ବାମ (B \ ଡାହାଣ) \) ମାର୍ଜିନାଲ ସମ୍ଭାବନାକୁ ଅଧିକାଂଶ କ୍ଷେତ୍ରରେ ଅଣଦେଖା କରାଯାଏ, \ (ପ୍ରୋବ (ବି, ଏ) \)। ସେମିଭାରିଓଗ୍ରାମ ଗଣନା ବାଇସ୍ ନିୟମ ଉପରେ ଆଧାରିତ, ଯାହା ପର୍ଯ୍ୟବେକ୍ଷଣ ଡାଟାସେଟଗୁଡିକର ପ୍ରବୃତ୍ତିକୁ ଦର୍ଶାଏ ଯାହା ଦ୍ sem ାରା ସେମାରିଓଗ୍ରାମରୁ ସୃଷ୍ଟି ହୋଇପାରେ। ସେମିଭାରିଓଗ୍ରାମ |
ଏକ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ହେଉଛି ଏକ ମେସିନ୍ ଲର୍ନିଙ୍ଗ ଆଲଗୋରିଦମ ଯାହା ସମାନ କିନ୍ତୁ ର ar ଖ୍ୟ ସ୍ independent ାଧୀନ ଶ୍ରେଣୀକୁ ପୃଥକ କରିବା ପାଇଁ ଏକ ଉତ୍କୃଷ୍ଟ ପୃଥକ ହାଇପରପ୍ଲେନ୍ ସୃଷ୍ଟି କରେ | Vapnik51 ଇଣ୍ଟେଣ୍ଟ ବର୍ଗୀକରଣ ଆଲଗୋରିଦମ ସୃଷ୍ଟି କରିଥିଲା, କିନ୍ତୁ ଏହା ନିକଟରେ ରିଗ୍ରେସନ୍-ଆଧାରିତ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥିଲା। SVMR କୁ ଏକ କର୍ଣ୍ଣଲ-ଆଧାରିତ ରିଗ୍ରେସନ୍ ଭାବରେ ଗଣନା କରାଯାଇଥିଲା, ଯାହାର ଗଣନା ବହୁ-ଦେଶ ସ୍ପେସାଲ୍ ଫଙ୍କସନ୍ ସହିତ ଏକ ର ar ଖିକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ ବ୍ୟବହାର କରି କରାଯାଇଥିଲା | ଜୋନ୍ ଏଟ୍ 54 ରିପୋର୍ଟ କରିଛନ୍ତି ଯେ SVMR ମଡେଲିଂ ହାଇପରପ୍ଲେନ୍ ର line ଖିକ ରିଗ୍ରେସନ୍ ବ୍ୟବହାର କରେ, ଯାହା ଅଣ-ର ar ଖିକ ସମ୍ପର୍କ ସୃଷ୍ଟି କରେ ଏବଂ ସ୍ଥାନିକ କାର୍ଯ୍ୟ ପାଇଁ ଅନୁମତି ଦିଏ | ଭୋହଲ୍ୟାଣ୍ଡ ଇତ୍ୟାଦି ଅନୁଯାୟୀ |55, ଏପସିଲନ୍ (ε) -SVMR ଏକ ଏପସିଲନ୍-ସମ୍ବେଦନଶୀଳ କାର୍ଯ୍ୟ ଭାବରେ ଏକ ପ୍ରତିନିଧିତ୍ୱ ମଡେଲ୍ ପାଇବା ପାଇଁ ତାଲିମପ୍ରାପ୍ତ ଡାଟାସେଟ୍ ବ୍ୟବହାର କରେ ଯାହା ସଂଯୁକ୍ତ ତଥ୍ୟ ଉପରେ ତାଲିମରୁ ସର୍ବୋତ୍ତମ ଏପସିଲନ୍ ଦ୍ as ାରା ତଥ୍ୟକୁ ସ୍ independ ାଧୀନ ଭାବରେ ମାନଚିତ୍ର କରିବା ପାଇଁ ପ୍ରୟୋଗ କରାଯାଇଥାଏ। ପୂର୍ବ ମୂଲ୍ୟ ତ୍ରୁଟିକୁ ପ୍ରକୃତ ମୂଲ୍ୟରୁ ଅଣଦେଖା କରାଯାଇଥାଏ, ଏବଂ ଯଦି ତ୍ରୁଟିଟି ε (ε) ଠାରୁ ବଡ଼ ହୁଏ, ତେବେ ମୃତ୍ତିକାର ଗୁଣଗୁଡ଼ିକ ଏହାର ସମୀକରଣକୁ ହ୍ରାସ କରିଥାଏ | apnik51 ନିମ୍ନରେ ଦର୍ଶାଯାଇଛି |
ଯେଉଁଠାରେ b ସ୍କାଲାର୍ ଥ୍ରେସହୋଲ୍ଡକୁ ପ୍ରତିପାଦିତ କରେ, \ (K \ ବାମ ({x} _ {,} {x} _ {k} \ ଡାହାଣ) \) କର୍ଣ୍ଣଲ କାର୍ଯ୍ୟକୁ ପ୍ରତିପାଦିତ କରେ, \ (\ ଆଲଫା \) ଲାଗ୍ରେଞ୍ଜ ଗୁଣକକୁ ପ୍ରତିପାଦିତ କରେ, N ଏକ ସାଂଖ୍ୟିକ ଡାଟାସେଟକୁ ପ୍ରତିପାଦିତ କରେ, \ ସର୍ବୋତ୍କୃଷ୍ଟ SVMR ମଡେଲ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ RBF କର୍ଣ୍ଣଲ ପ୍ରୟୋଗ କରାଯାଏ, ଯାହାକି PTE ତାଲିମ ତଥ୍ୟ ପାଇଁ ଅତ୍ୟନ୍ତ ସୂକ୍ଷ୍ମ ପେନାଲ୍ଟି ସେଟ୍ ଫ୍ୟାକ୍ଟର୍ C ଏବଂ କର୍ଣ୍ଣଲ ପାରାମିଟର ଗାମା (γ) ପାଇବା ପାଇଁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |
ଏକାଧିକ ର line ଖିକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ (MLR) ହେଉଛି ଏକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ ଯାହା ପ୍ରତିକ୍ରିୟା ଭେରିଏବଲ୍ ଏବଂ ଅନେକ ପୂର୍ବାନୁମାନ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ସମ୍ପର୍କକୁ ପ୍ରତିପାଦିତ କରେ ଯାହା ସର୍ବନିମ୍ନ ବର୍ଗ ପ୍ରଣାଳୀ ବ୍ୟବହାର କରି ଗଣାଯାଇଥିବା ର line ଖ୍ୟ ପୁଲଡ୍ ପାରାମିଟରଗୁଡିକ ବ୍ୟବହାର କରିଥାଏ | MLR ରେ, ସର୍ବନିମ୍ନ ସ୍କ୍ୱାର୍ ମଡେଲ୍ ବ୍ୟାଖ୍ୟାକାରୀ ଭେରିଏବଲ୍ ଚୟନ ପରେ ମୃତ୍ତିକାର ଗୁଣର ଏକ ଭବିଷ୍ୟବାଣୀ କାର୍ଯ୍ୟ ଅଟେ |
ଯେଉଁଠାରେ y ହେଉଛି ପ୍ରତିକ୍ରିୟା ଭେରିଏବଲ୍, \ (a \) ହେଉଛି ଇଣ୍ଟରସେପ୍ଟ, n ହେଉଛି ଭବିଷ୍ୟବାଣୀକାରୀଙ୍କ ସଂଖ୍ୟା, \ ({b} _ {1} \) ହେଉଛି କୋଏଫେସିଏଣ୍ଟସ୍ ର ଆଂଶିକ ରିଗ୍ରେସନ୍, \ ({x} _ {i} \) ଏକ ପୂର୍ବାନୁମାନକାରୀ କିମ୍ବା ବ୍ୟାଖ୍ୟାକାରୀ ଭେରିଏବଲ୍ କୁ ଦର୍ଶାଏ, ଏବଂ \ ({\ varepsilon} _ {i} \) ମଡେଲରେ ଥିବା ତ୍ରୁଟିକୁ ଦର୍ଶାଏ |
ମିଶ୍ରିତ ମଡେଲଗୁଡିକ EBM କୁ SVMR ଏବଂ MLR ସହିତ ସ୍ୟାଣ୍ଡୱିଚ୍ ଦ୍ୱାରା ପ୍ରାପ୍ତ କରାଯାଇଥିଲା | ଏହା EBK ଇଣ୍ଟରପୋଲେସନ୍ ରୁ ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ମୂଲ୍ୟଗୁଡିକ ବାହାର କରି କରାଯାଇଥାଏ | ଇଣ୍ଟରପୋଲଟେଡ୍ Ca, K, ଏବଂ Mg ରୁ ମିଳିଥିବା ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ମୂଲ୍ୟଗୁଡ଼ିକ ଏକ ମିଶ୍ରଣ ପ୍ରକ୍ରିୟା ମାଧ୍ୟମରେ ପ୍ରାପ୍ତ ହୁଏ, ଯେପରିକି CaK, CaMg, ଏବଂ KMg | ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ ନିକେଲର ଏକାଗ୍ରତା ପୂର୍ବାନୁମାନ କରିବାରେ ସାହାଯ୍ୟ କରି ଏହି ଭେରିଏବଲ୍ସ ଆମର ଭବିଷ୍ୟବାଣୀକାରୀ ହୋଇଗଲା | ଏକ ମିଶ୍ରିତ ମଡେଲ୍ ଏମ୍ପିରିକାଲ୍ ବାଇସିୟାନ୍ କ୍ରାଇଜିଂ-ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (EBK_SVM) ପାଇବା ପାଇଁ SVMR ଆଲଗୋରିଦମ କାର୍ଯ୍ୟ କରାଯାଇଥିଲା | ଭେରିଏବଲ୍ Ca, K, Mg, CaK, CaMg, KMg, ଏବଂ CaKMg ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ Ni ବିଷୟବସ୍ତୁର ପୂର୍ବାନୁମାନକାରୀ ଭାବରେ କୋଭାରିଏଟ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ | ପ୍ରାପ୍ତ ହୋଇଥିବା ଗ୍ରହଣୀୟ ମଡେଲ୍ (EBK_SVM କିମ୍ବା EBK_MLR) ତା’ପରେ ଏକ ସ୍ୱ-ସଂଗଠିତ ଗ୍ରାଫ୍ ବ୍ୟବହାର କରି ଭିଜୁଆଲ୍ ହେବ | ଏହି ଅଧ୍ୟୟନର କାର୍ଯ୍ୟ ପ୍ରବାହ ଚିତ୍ର 2 ରେ ଦର୍ଶାଯାଇଛି |
ଆର୍ଥିକ କ୍ଷେତ୍ର, ସ୍ୱାସ୍ଥ୍ୟସେବା, ଶିଳ୍ପ, ପରିସଂଖ୍ୟାନ, ମୃତ୍ତିକା ବିଜ୍ଞାନ ଏବଂ ଅନ୍ୟାନ୍ୟ କ୍ଷେତ୍ରରେ ତଥ୍ୟ ସଂଗଠିତ, ମୂଲ୍ୟାଙ୍କନ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ SeOM ବ୍ୟବହାର ଏକ ଲୋକପ୍ରିୟ ଉପକରଣ ହୋଇପାରିଛି। ସଂଗଠନ, ମୂଲ୍ୟାଙ୍କନ, ଏବଂ ଭବିଷ୍ୟବାଣୀ ପାଇଁ କୃତ୍ରିମ ସ୍ନାୟୁ ନେଟୱାର୍କ ଏବଂ ପର୍ଯ୍ୟବେକ୍ଷକ ଶିକ୍ଷଣ ପ୍ରଣାଳୀ ବ୍ୟବହାର କରି ସୃଷ୍ଟି ହୋଇଛି | ଏହି ଅଧ୍ୟୟନରେ SeOM Ni ଏକାଗ୍ରତାକୁ ଭିଜୁଆଲ୍ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଇଥିଲା |57 ଏକ ଇନପୁଟ୍ ଭେକ୍ଟରର ସଂଯୋଗକୁ ଏକ ଇନପୁଟ୍ ସ୍ତର ମାଧ୍ୟମରେ ଏକ ଓଜନ ଭେକ୍ଟର ସହିତ ଏକ ଆଉଟପୁଟ୍ ଭେକ୍ଟର ସହିତ ବର୍ଣ୍ଣନା କରନ୍ତୁ | SeOM ଦ୍ ated ାରା ଉତ୍ପାଦିତ ଆଉଟପୁଟ୍ ହେଉଛି ଏକ ଦୁଇ-ଡାଇମେନ୍ସନାଲ୍ ମାନଚିତ୍ର ଯାହାକି ସେମାନଙ୍କର ନିକଟତରତା ଅନୁଯାୟୀ ଷୋଡଶାଳିଆ, ବୃତ୍ତାକାର, କିମ୍ବା ବର୍ଗ ଟପୋଲୋଜିକାଲ ମାନଚିତ୍ରରେ ବୁଣା ହୋଇଛି | 5 × 11)। ନ୍ୟୁରନ୍ ଗଠନ ସାମ୍ରାଜ୍ୟ ସମୀକରଣରେ ନୋଡ ସଂଖ୍ୟା ଅନୁଯାୟୀ ନିର୍ଣ୍ଣୟ କରାଯାଏ |
ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ତଥ୍ୟ ସଂଖ୍ୟା ହେଉଛି 115 ନମୁନା | ପରୀକ୍ଷା ତଥ୍ୟ (ବ valid ଧତା ପାଇଁ 25%) ଏବଂ ଟ୍ରେନିଂ ଡାଟା ସେଟ୍ (କାଲିବ୍ରେସନ୍ ପାଇଁ 75%) ରେ ବିଭକ୍ତ କରିବା ପାଇଁ ଏକ ଅନିୟମିତ ଉପାୟ ବ୍ୟବହୃତ ହୋଇଥିଲା | ଟ୍ରେନିଂ ଡାଟାସେଟ୍ ରିଗ୍ରେସନ୍ ମଡେଲ୍ (କାଲିବ୍ରେସନ୍) ସୃଷ୍ଟି କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୁଏ, ଏବଂ ଟେଷ୍ଟ ଡାଟାସେଟ୍ ସାଧାରଣକରଣ କ୍ଷମତାକୁ ଯାଞ୍ଚ କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇଥିଲା | EBK ଇଣ୍ଟରପୋଲେସନ୍ ଦ୍ produced ାରା ଉତ୍ପାଦିତ ଭେରିଏବଲ୍ ଗୁଡିକ ଟାର୍ଗେଟ୍ ଭେରିଏବଲ୍ (PTE) କୁ ଭବିଷ୍ୟବାଣୀ କରିବା ପାଇଁ ପୂର୍ବାନୁମାନକାରୀ କିମ୍ବା ବ୍ୟାଖ୍ୟାକାରୀ ଭେରିଏବଲ୍ ଭାବରେ ବ୍ୟବହୃତ ହୁଏ | ମଡେଲିଂ RStudio ରେ ପ୍ୟାକେଜ୍ ଲାଇବ୍ରେରୀ (କୋହୋନେନ୍), ଲାଇବ୍ରେରୀ (କେରେଟ୍), ଲାଇବ୍ରେରୀ (ମଡେଲର୍), ଲାଇବ୍ରେରୀ (“e1071 ″), ଲାଇବ୍ରେରୀ (“ ପ୍ଲାଇର ”), ଲାଇବ୍ରେରୀ (“ caTools ”) ଲାଇବ୍ରେରୀ |
ମାଟିରେ ନିକେଲର ଏକାଗ୍ରତା ପୂର୍ବାନୁମାନ କରିବା ଏବଂ ମଡେଲର ସଠିକତା ଏବଂ ଏହାର ବ ation ଧତାକୁ ଆକଳନ କରିବା ପାଇଁ ସର୍ବୋତ୍ତମ ମଡେଲ୍ ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ବିଭିନ୍ନ ବ valid ଧତା ପାରାମିଟରଗୁଡିକ ବ୍ୟବହୃତ ହୋଇଥିଲା | ହାଇବ୍ରିଡାଇଜେସନ୍ ମଡେଲଗୁଡିକ ହାରାହାରି ସଂପୂର୍ଣ୍ଣ ତ୍ରୁଟି (MAE), ମୂଳ ଅର୍ଥ ବର୍ଗ ତ୍ରୁଟି (RMSE), ଏବଂ R- ସ୍କ୍ୱାର୍ଡ କିମ୍ବା କୋଏଫିସିଏଣ୍ଟ୍ ନିର୍ଣ୍ଣୟ (R2) ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା, RE ରେସନ୍ ଅନୁପାତର ଅନୁପାତର ଭିନ୍ନତାକୁ ବ୍ୟାଖ୍ୟା କରିଥାଏ | ପ୍ରକୃତ ପରିମାଣିକ ମୂଲ୍ୟ। ବ 2 ଧତା ପାରାମିଟର ବ୍ୟବହାର କରି ସର୍ବୋତ୍ତମ ମିଶ୍ରଣ ମଡେଲକୁ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ R2 ମୂଲ୍ୟ ଅଧିକ ହେବା ଆବଶ୍ୟକ, ମୂଲ୍ୟ 1 ପାଖାପାଖି ହେବ, ସଠିକତା ମଧ୍ୟ ଅଧିକ ହେବ | Li et al ଅନୁଯାୟୀ |59, 0.75 କିମ୍ବା ତା’ଠାରୁ ଅଧିକ R2 ମାନଦଣ୍ଡ ମୂଲ୍ୟ ଏକ ଭଲ ପୂର୍ବାନୁମାନ ଭାବରେ ବିବେଚନା କରାଯାଏ;to। to ରୁ 0.75 ଗ୍ରହଣୀୟ ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତା, ଏବଂ 0.5। below ତଳେ ଗ୍ରହଣୀୟ ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତା | ଯେତେବେଳେ RMSE ଏବଂ MAE ବ valid ଧତା ମାନଦଣ୍ଡ ମୂଲ୍ୟାଙ୍କନ ପଦ୍ଧତି ବ୍ୟବହାର କରି ଏକ ମଡେଲ ବାଛିବା, ପ୍ରାପ୍ତ ହୋଇଥିବା ନିମ୍ନ ମୂଲ୍ୟଗୁଡ଼ିକ ଯଥେଷ୍ଟ ଥିଲା ଏବଂ ସର୍ବୋତ୍ତମ ପସନ୍ଦ ଭାବରେ ବିବେଚନା କରାଯାଉଥିଲା | ନିମ୍ନଲିଖିତ ସମୀକରଣ ଯାଞ୍ଚ ପଦ୍ଧତିକୁ ବର୍ଣ୍ଣନା କରେ |
ଯେଉଁଠାରେ n ଦେଖାଯାଇଥିବା ମୂଲ୍ୟର ଆକାରକୁ ପ୍ରତିପାଦିତ କରେ \ ({Y} _ {i} \) ମାପାଯାଇଥିବା ପ୍ରତିକ୍ରିୟାକୁ ପ୍ରତିପାଦିତ କରେ, ଏବଂ \ ({\ widehat {Y}} _ {i} \) ମଧ୍ୟ ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ପ୍ରତିକ୍ରିୟା ମୂଲ୍ୟକୁ ଦର୍ଶାଏ, ତେଣୁ, ପ୍ରଥମ i ପର୍ଯ୍ୟବେକ୍ଷଣ ପାଇଁ |
ପୂର୍ବାନୁମାନକାରୀ ଏବଂ ପ୍ରତିକ୍ରିୟା ଭେରିଏବଲ୍ସର ପରିସଂଖ୍ୟାନିକ ବର୍ଣ୍ଣନା ସାରଣୀ 1 ରେ ଉପସ୍ଥାପିତ ହୋଇଛି, ଏହାର ଅର୍ଥ ହେଉଛି, ମାନକ ବିଚ୍ୟୁତି (SD), ପରିବର୍ତ୍ତନର କୋଏଫିସିଏଣ୍ଟ୍ (CV), ସର୍ବନିମ୍ନ, ସର୍ବାଧିକ, କୁର୍ତ୍ତୋସିସ୍, ଏବଂ ସ୍କେୱେନ୍ସ | ଉପାଦାନଗୁଡ଼ିକର ସର୍ବନିମ୍ନ ଏବଂ ସର୍ବାଧିକ ମୂଲ୍ୟ ଯଥାକ୍ରମେ Mg ନମୁନା ହୋଇଥିବା ଉପାଦାନଗୁଡ଼ିକର ବିଭିନ୍ନ ମାପାଯାଇଥିବା ଏକାଗ୍ରତା ହେତୁ, ଉପାଦାନଗୁଡ଼ିକର ଡାଟା ସେଟ୍ ବଣ୍ଟନ ବିଭିନ୍ନ ସ୍କ୍ୱେନ୍ସ ପ୍ରଦର୍ଶନ କରେ | ଉପାଦାନଗୁଡିକର ସ୍କେୱେନ୍ସ ଏବଂ କୁର୍ତ୍ତୋସିସ୍ ଯଥାକ୍ରମେ 1.53 ରୁ 7.24 ଏବଂ 2.49 ରୁ 54.16 ମଧ୍ୟରେ ରହିଥାଏ। ସମସ୍ତ ଗଣିତ ଉପାଦାନଗୁଡ଼ିକରେ +1 ରୁ ଅଧିକ ସ୍କେୱେନ୍ସ ଏବଂ କୁର୍ତ୍ତୋସିସ୍ ସ୍ତର ରହିଛି, ତେଣୁ ସୂଚାଇଥାଏ ଯେ ତଥ୍ୟ ବଣ୍ଟନ ଅନିୟମିତ, ସଠିକ୍ ସି ଏବଂ ସ୍କ୍ ed ାଡ୍ ଅଟେ | ଭେରିଏବିଲିଟି। K, Ni ଏବଂ Mg ର CV ଗୁଡିକ ସେମାନଙ୍କର ସମାନ ବଣ୍ଟନକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତି | ଅଧିକନ୍ତୁ, Ca ବଣ୍ଟନ ଅଣ ୟୁନିଫର୍ମ ଏବଂ ବାହ୍ୟ ଉତ୍ସଗୁଡ଼ିକ ଏହାର ସମୃଦ୍ଧ ସ୍ତରକୁ ପ୍ରଭାବିତ କରିପାରେ |
ପ୍ରତିକ୍ରିୟା ଉପାଦାନଗୁଡ଼ିକ ସହିତ ପୂର୍ବାନୁମାନକାରୀ ଭେରିଏବଲ୍ସର ସମ୍ପର୍କ ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ସନ୍ତୋଷଜନକ ସମ୍ପର୍କକୁ ସୂଚାଇଥାଏ (ଚିତ୍ର 3 ଦେଖନ୍ତୁ)। ସମ୍ପର୍କ ସୂଚାଇ ଦେଇଛି ଯେ CaK r ମୂଲ୍ୟ = 0.53 ସହିତ ମଧ୍ୟମ ସମ୍ପର୍କ ପ୍ରଦର୍ଶନ କରିଛି, ଯେପରିକି CaNi। ଯଦିଓ Ca ଏବଂ K ପରସ୍ପର ସହିତ ସାମାନ୍ୟ ସଙ୍ଗଠନ ପ୍ରଦର୍ଶନ କରନ୍ତି, କିଙ୍ଗଷ୍ଟନ୍ ଇତ୍ୟାଦି |68 ଏବଂ ସାଣ୍ଟୋ 69 ମତ ଦିଅନ୍ତି ଯେ ମାଟିରେ ସେମାନଙ୍କର ସ୍ତର ବିପରୀତ ଅନୁପାତ ଅଟେ | ତଥାପି, Ca ଏବଂ Mg K ସହିତ ବିରୋଧୀ, କିନ୍ତୁ CaK ଭଲ ଭାବରେ ସମ୍ପର୍କ କରେ | ଏହା ପୋଟାସିୟମ୍ କାର୍ବୋନାଟ୍ ପରି ସାର ପ୍ରୟୋଗ ହେତୁ ହୋଇପାରେ, ଯାହା ପୋଟାସିୟମ୍ରେ 56% ଅଧିକ ଅଟେ | ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ସହିତ ଜଡିତ | , ସେମାନଙ୍କର ଅଭାବ ସ୍ତର ବ to ାଇବା ପାଇଁ ମୃତ୍ତିକାରେ ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ନାଇଟ୍ରେଟ୍, ଏବଂ ପୋଟାଶ୍ ପ୍ରୟୋଗ କରାଯାଏ | ନିକେଲ୍ ଯଥାକ୍ରମେ Ca, K ଏବଂ Mg ସହିତ r ମୂଲ୍ୟ = 0.52, 0.63 ଏବଂ 0.55 ସହିତ ଜଡିତ ହୋଇଥାଏ | ନିକେଲ୍ ପରି କ୍ୟାଲସିୟମ୍, ମ୍ୟାଗ୍ନେସିୟମ୍, ଏବଂ PTE ସହିତ ଜଡିତ ସମ୍ପର୍କ ଜଟିଳ, କିନ୍ତୁ ତଥାପି, ମ୍ୟାଗ୍ନେସିୟମ୍ କ୍ୟାଲସିୟମ୍ ଅବଶୋଷଣକୁ ହ୍ରାସ କରିଥାଏ |
ପୂର୍ବାନୁମାନକାରୀ ଏବଂ ପ୍ରତିକ୍ରିୟାଗୁଡ଼ିକ ମଧ୍ୟରେ ସମ୍ପର୍କ ଦେଖାଉଥିବା ଉପାଦାନଗୁଡ଼ିକ ପାଇଁ ସମ୍ପର୍କ ମ୍ୟାଟ୍ରିକ୍ସ (ଟିପନ୍ତୁ: ଏହି ଚିତ୍ରଟି ଉପାଦାନଗୁଡ଼ିକ ମଧ୍ୟରେ ଏକ ବିଛିନ୍ନତା ଅନ୍ତର୍ଭୂକ୍ତ କରେ, ମହତ୍ତ୍ levels ସ୍ତରଗୁଡିକ p <0,001 ଉପରେ ଆଧାରିତ) |
ଚିତ୍ର 4 ଉପାଦାନଗୁଡିକର ସ୍ଥାନିକ ବଣ୍ଟନକୁ ବର୍ଣ୍ଣନା କରେ | ବରଗୋସ୍ ଏବଂ ଏଲ 70 ଅନୁଯାୟୀ, ସ୍ଥାନିକ ବିତରଣର ପ୍ରୟୋଗ ହେଉଛି ପ୍ରଦୂଷିତ ଅଞ୍ଚଳରେ ଗରମ ଦାଗକୁ ପରିମାଣ ଏବଂ ଆଲୋକିତ କରିବା ପାଇଁ ବ୍ୟବହୃତ ଏକ କ que ଶଳ | ଚିତ୍ର 4 ରେ Ca ର ସମୃଦ୍ଧ ସ୍ତର ସ୍ଥାନିକ ବିତରଣ ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମ ଭାଗରେ ଦେଖାଯାଇପାରେ | ଚିତ୍ରଟି ମଧ୍ୟମରୁ ଉଚ୍ଚ Ca ସମୃଦ୍ଧ ହଟସ୍ପଟ୍ ବ୍ୟବହାର କରିଥାଏ | ଇସ୍ପାତ ତିଆରି ପ୍ରକ୍ରିୟାରେ କ୍ଷାର କ୍ଷାର ଅମ୍ଳଜାନ ପରି ମିଲ୍। ଅନ୍ୟପକ୍ଷରେ, ଅନ୍ୟ କୃଷକମାନେ pH କୁ ନିରପେକ୍ଷ କରିବା ପାଇଁ ଅମ୍ଳୀୟ ମୃତ୍ତିକାରେ କ୍ୟାଲସିୟମ୍ ହାଇଡ୍ରକ୍ସାଇଡ୍ ବ୍ୟବହାର କରିବାକୁ ପସନ୍ଦ କରନ୍ତି, ଯାହାକି ମାଟିର କ୍ୟାଲସିୟମ୍ ପରିମାଣକୁ ମଧ୍ୟ ବ increases ାଇଥାଏ | ପୋଟାସିୟମ୍ ମଧ୍ୟ ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମ ଏବଂ ପୂର୍ବରେ ହଟ ସ୍ପଟ୍ ଦେଖାଏ | ý72, Madaras et al.73, Pulkrabová et al.74, Asare et al.75, ଯିଏ ଦେଖିଲେ ଯେ KCl ଏବଂ NPK ସହିତ ମୃତ୍ତିକାର ସ୍ଥିରତା ଏବଂ ଚିକିତ୍ସା ଦ୍ soil ାରା ମାଟିରେ ଅଧିକ K ପଦାର୍ଥ ରହିଥିଲା ​​|ବଣ୍ଟନ ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମରେ ସ୍ଥାନିକ ପୋଟାସିୟମ୍ ସମୃଦ୍ଧତା ପୋଟାସିୟମ୍ ଭିତ୍ତିକ ସାର ଯେପରିକି ପୋଟାସିୟମ୍ କ୍ଲୋରାଇଡ୍, ପୋଟାସିୟମ୍ ସଲଫେଟ୍, ପୋଟାସିୟମ୍ ନାଇଟ୍ରେଟ୍, ପୋଟାଶ୍, ଏବଂ ପୋଟାଶ୍ ଖରାପ ମାଟିର ପୋଟାସିୟମ୍ ପରିମାଣକୁ ବ Z ାଇବା ପାଇଁ ହୋଇପାରେ | ଜାଡୋରୋଭା ଇତ୍ୟାଦି |76 ଏବଂ Tlustoš et al।77 ଦର୍ଶାଇଛନ୍ତି ଯେ କେ-ଆଧାରିତ ସାର ପ୍ରୟୋଗ ମାଟିରେ K ବିଷୟବସ୍ତୁକୁ ବ increased ାଇଥାଏ ଏବଂ ଦୀର୍ଘ ସମୟ ମଧ୍ୟରେ ମାଟିର ପୁଷ୍ଟିକର ପଦାର୍ଥକୁ ଯଥେଷ୍ଟ ବୃଦ୍ଧି କରିବ, ବିଶେଷତ K K ଏବଂ Mg ମାଟିରେ ଏକ ଗରମ ସ୍ଥାନ ଦେଖାଇଥାଏ | ମାନଚିତ୍ରର ଉତ୍ତର-ପଶ୍ଚିମ ଦିଗରେ ମଧ୍ୟମ ହଟ୍ସ୍ପଟ୍ ଏବଂ ମାନଚିତ୍ରର ଦକ୍ଷିଣ-ପୂର୍ବରେ। ଯେପରିକି ପୋଟାସିୟମ୍ ମ୍ୟାଗ୍ନେସିୟମ୍ ସଲଫେଟ୍, ମ୍ୟାଗ୍ନେସିୟମ୍ ସଲଫେଟ୍, ଏବଂ କିସେରାଇଟ୍, ସାଧାରଣ pH ପରିସର ସହିତ ମୃତ୍ତିକାରେ ଅଭାବ (ଉଦ୍ଭିଦଗୁଡିକ ବାଇଗଣୀ, ନାଲି କିମ୍ବା ବାଦାମୀ ଦେଖାଯାଏ, ମ୍ୟାଗ୍ନେସିୟମ୍ ଅଭାବକୁ ଦର୍ଶାଏ) ଚିକିତ୍ସା କରେ |
ଉପାଦାନଗୁଡିକର ସ୍ଥାନିକ ବଣ୍ଟନ [ArcGIS ଡେସ୍କଟପ୍ (ESRI, Inc, ସଂସ୍କରଣ 10.7, URL: https://desktop.arcgis.com) ବ୍ୟବହାର କରି ସ୍ଥାନିକ ବିତରଣ ମାନଚିତ୍ର ସୃଷ୍ଟି କରାଯାଇଥିଲା |]
ଏହି ଅଧ୍ୟୟନରେ ବ୍ୟବହୃତ ଉପାଦାନଗୁଡ଼ିକ ପାଇଁ ମଡେଲ୍ କାର୍ଯ୍ୟଦକ୍ଷତା ସୂଚକାଙ୍କ ଫଳାଫଳ ସାରଣୀ 2 ରେ ଦର୍ଶାଯାଇଛି | ଅନ୍ୟ ପଟେ, Ni ର RMSE ଏବଂ MAE ଉଭୟ ଶୂନ୍ୟ (0.86 RMSE, -0.08 MAE) ର ନିକଟତର | ଅନ୍ୟ ପଟେ, K ର ଉଭୟ RMSE ଏବଂ MAE ମୂଲ୍ୟ ଗ୍ରହଣୀୟ ଅଟେ। ଭବିଷ୍ୟବାଣୀ Ni ଜନ୍ ଏବଂ ଅନ୍ୟମାନଙ୍କ ଫଳାଫଳ ଅପେକ୍ଷା ଭଲ ବୋଲି ଜଣାପଡିଛି |ସମାନ ସଂଗୃହିତ ତଥ୍ୟ ବ୍ୟବହାର କରି ମାଟିରେ S ଏକାଗ୍ରତାକୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସିନର୍ଜିଷ୍ଟିକ୍ କ୍ରିଗିଙ୍ଗ୍ ବ୍ୟବହାର କରି |41, ୟାନ୍ ଏବଂ ଅନ୍ୟମାନେ |79, ବେଗୁଇନ୍ ଏବଂ ଅନ୍ୟମାନେ |80, Adhikary et al।81 ଏବଂ ଜନ୍ ଏଟ୍।82, ବିଶେଷକରି କେ ଏବଂ ନି |
ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ ନିକେଲ୍ ବିଷୟବସ୍ତୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ବ୍ୟକ୍ତିଗତ ପଦ୍ଧତିଗୁଡିକର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମଡେଲଗୁଡିକର କାର୍ଯ୍ୟଦକ୍ଷତା (ଟେବୁଲ୍)) ବ୍ୟବହାର କରି ମୂଲ୍ୟାଙ୍କନ କରାଯାଇଥିଲା | ମଡେଲ୍ ବ valid ଧତା ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ନିଶ୍ଚିତ କରିଛି ଯେ Ca_Mg_K ପୂର୍ବାନୁମାନ EBK SVMR ମଡେଲ୍ ସହିତ ମିଳିତ ହୋଇ ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟଦକ୍ଷତା ପ୍ରଦାନ କରିଛି। kg (RMSE) ଏବଂ 77.368 mg / kg (MAE) Ca_Mg_K-SVMR ଥିଲା 0.663 (R2), 235.974 mg / kg (RMSE) ଏବଂ 166.946 mg / kg (MAE)। ତଥାପି, Ca_Mg_K-SVMR (0.663 mg / kg R2)ସେମାନଙ୍କର RMSE ଏବଂ MAE ଫଳାଫଳ Ca_Mg_K-EBK_SVMR (R2 0.637) ଠାରୁ ଅଧିକ ଥିଲା (ସାରଣୀ 3 ଦେଖନ୍ତୁ) ଏହା ସହିତ, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ଏବଂ MAE = 1031.49) ମଡେଲର RMSE ଏବଂ MAE ଯଥାକ୍ରମେ 17.5 ଏବଂ 13.4, MAK_B__ Ca_Mg-K SVMR ର E (RMSE = 235.974 ଏବଂ MAE = 166.946) ମଡେଲର ଯଥାକ୍ରମେ Ca_Mg_K-EBK_SVMR RMSE ଏବଂ MAE ତୁଳନାରେ 2.5 ଏବଂ 2.2 ବଡ଼ ଅଟେ |46 ଏବଂ ଜୋନ୍ ଏଟ୍।54, RMSE ଏବଂ MAE ଶୂନ୍ୟର ନିକଟତର ହେଲେ, ଫଳାଫଳ ଭଲ ହେବ | SVMR ଏବଂ EBK_SVMR ରେ ଅଧିକ ପରିମାଣର RSME ଏବଂ MAE ମୂଲ୍ୟ ରହିଛି | ଏହା ଦେଖାଗଲା ଯେ RSME ଆକଳନ କ୍ରମାଗତ ଭାବରେ MAE ମୂଲ୍ୟଠାରୁ ଅଧିକ ଥିଲା, ବାହ୍ୟକାରୀଙ୍କ ଉପସ୍ଥିତି ସୂଚାଇଥାଏ | ଡାଟାସେଟ୍କୁ ବ୍ୟବହାର କର, MAE ଏବଂ RMSE ମୂଲ୍ୟ ଅଧିକ | ସହରାଞ୍ଚଳ ଏବଂ ଉପାନ୍ତ ମୃତ୍ତିକାରେ Ni ବିଷୟବସ୍ତୁ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ Ca_Mg_K-EBK_SVMR ମିଶ୍ରିତ ମଡେଲର କ୍ରସ୍-ବ ation ଧତା ମୂଲ୍ୟାଙ୍କନର ସଠିକତା 63.70% ଥିଲା | ଲି ଏଟ୍ ଅନୁଯାୟୀ |59, ଏହି ସ୍ତରର ସଠିକତା ଏକ ଗ୍ରହଣୀୟ ମଡେଲ କାର୍ଯ୍ୟଦକ୍ଷତା ହାର ଅଟେ | ବର୍ତ୍ତମାନର ଫଳାଫଳଗୁଡିକ ତାରାସୋଭ ଏବଂ ଅନ୍ୟମାନଙ୍କ ଦ୍ୱାରା ପୂର୍ବ ଅଧ୍ୟୟନ ସହିତ ତୁଳନା କରାଯାଇଛି |36 ଯାହାର ହାଇବ୍ରିଡ୍ ମଡେଲ୍ MLPRK (ମଲ୍ଟିଲାୟର୍ ପର୍ସେପ୍ଟ୍ରନ୍ ରିସିଡୁଆଲ୍ କ୍ରାଇଜିଂ) ସୃଷ୍ଟି କରିଛି, ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ ରିପୋର୍ଟ ହୋଇଥିବା EBK_SVMR ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ସୂଚକାଙ୍କ ସହିତ RMSE (210) ଏବଂ MAE (167.5) ବର୍ତ୍ତମାନର ଅଧ୍ୟୟନରେ ଆମର ଫଳାଫଳଠାରୁ ଅଧିକ ଥିଲା (RMSE 95.479, MAE 77.368) |36 (0.544), ଏହା ସ୍ପଷ୍ଟ ଯେ ଏହି ମିଶ୍ରିତ ମଡେଲରେ ନିର୍ଣ୍ଣୟ (R2) ର ଗୁଣବତ୍ତା ଅଧିକ ଅଟେ। ମିଶ୍ରିତ ମଡେଲ ପାଇଁ ତ୍ରୁଟିର ମାର୍ଜିନ୍ (RMSE ଏବଂ MAE) (EBK SVMR) ଦୁଇ ଗୁଣ କମ୍ ଅଟେ | MR) ହେଉଛି 63.7% ହୋଇଥିବାବେଳେ ସରୋଜେଭ୍ ଏବଂ ଅନ୍ୟମାନଙ୍କ ଦ୍ୱାରା ପୂର୍ବାନୁମାନର ସଠିକତା |34 ହେଉଛି 28%। EBK_SVMR ମଡେଲ୍ ଏବଂ Ca_Mg_K ବ୍ୟବହାର କରି ସୃଷ୍ଟି ହୋଇଥିବା ଅନ୍ତିମ ମାନଚିତ୍ର (ଚିତ୍ର 5) ସମଗ୍ର ଅଧ୍ୟୟନ କ୍ଷେତ୍ର ଉପରେ ହଟ ସ୍ପଟ୍ ଏବଂ ମଧ୍ୟମରୁ ନିକେଲ୍ ପୂର୍ବାନୁମାନ ଦେଖାଏ | ଏହାର ଅର୍ଥ ହେଉଛି ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ ନିକେଲର ଏକାଗ୍ରତା ମୁଖ୍ୟତ moder ମଧ୍ୟମ ଅଟେ, କେତେକ ନିର୍ଦ୍ଦିଷ୍ଟ କ୍ଷେତ୍ରରେ ଅଧିକ ଏକାଗ୍ରତା ରହିଥାଏ |
ଅନ୍ତିମ ଭବିଷ୍ୟବାଣୀ ମାନଚିତ୍ର ହାଇବ୍ରିଡ୍ ମଡେଲ୍ EBK_SVMR ବ୍ୟବହାର କରି ଏବଂ ପୂର୍ବାନୁମାନକାରୀ ଭାବରେ Ca_Mg_K ବ୍ୟବହାର କରି ଉପସ୍ଥାପିତ ହୋଇଛି | [RStudio (ସଂସ୍କରଣ 1.4.1717: https://www.rstudio.com/) ବ୍ୟବହାର କରି ସ୍ଥାନିକ ବଣ୍ଟନ ମାନଚିତ୍ର ତିଆରି କରାଯାଇଥିଲା |]
ଚିତ୍ର 6 ରେ ଉପସ୍ଥାପିତ ହେଉଛି PTE ଏକାଗ୍ରତା, ବ୍ୟକ୍ତିଗତ ନ୍ୟୁରନ୍ ଗୁଡ଼ିକୁ ନେଇ ଏକ ରଚନା ବିମାନ ଭାବରେ | କ comp ଣସି ଉପାଦାନ ବିମାନରେ ଦେଖାଯାଇଥିବା ପରି ସମାନ ରଙ୍ଗର ପ୍ୟାଟର୍ ପ୍ରଦର୍ଶିତ ହୋଇନଥିଲା | ତଥାପି, ଚିତ୍ରିତ ମାନଚିତ୍ରରେ ଉପଯୁକ୍ତ ସଂଖ୍ୟକ ନ୍ୟୁରନ୍ 55.SOM ବିଭିନ୍ନ ରଙ୍ଗ ବ୍ୟବହାର କରି ଉତ୍ପାଦିତ ହୁଏ, ଏବଂ ରଙ୍ଗର s ାଞ୍ଚାଗୁଡ଼ିକ ଅଧିକ ସମାନ, ନମୁନାଗୁଡ଼ିକର ଗୁଣଗୁଡ଼ିକ ତୁଳନାତ୍ମକ ଭାବରେ ଦେଖାଯାଏ | ଅତ୍ୟଧିକ ଉଚ୍ଚ-ଅର୍ଡର ନ୍ୟୁରନ୍ ଏବଂ ନିମ୍ନ-ମଧ୍ୟମ ରଙ୍ଗର s ାଞ୍ଚା ସହିତ ସମାନତା | ଉଭୟ ମଡେଲ୍ ଲାଲ, କମଳା ଏବଂ ହଳଦିଆ ରଙ୍ଗରୁ ମଧ୍ୟମରୁ ଉଚ୍ଚ ରଙ୍ଗର ରଙ୍ଗ ପ୍ରଦର୍ଶନ କରି ମାଟିରେ Ni ର ଏକାଗ୍ରତା ପୂର୍ବାନୁମାନ କରନ୍ତି | KMg ମଡେଲ୍ ସଠିକ୍ ଅନୁପାତ ଏବଂ ନିମ୍ନରୁ ମଧ୍ୟମ ରଙ୍ଗର ପ୍ୟାଚ୍ ଉପରେ ଆଧାର କରି ଅନେକ ଉଚ୍ଚ ରଙ୍ଗର pattern ାଞ୍ଚା ପ୍ରଦର୍ଶନ କରେ | ମଡେଲର ଉପାଦାନଗୁଡ଼ିକର ପ୍ଲାନାର୍ ବଣ୍ଟନ pattern ାଞ୍ଚା ଏକ ଉଚ୍ଚ ରଙ୍ଗର ସ୍କେଲ୍ ଦେଖାଏ | ଏକ ସଠିକ୍ ରଙ୍ଗ ସ୍କେଲ୍ ଅନୁଯାୟୀ ନିମ୍ନରୁ ଉଚ୍ଚକୁ ଏକ ବିବିଧ ରଙ୍ଗ ପ୍ୟାଟର୍ ଦେଖାଏ | ଅଧିକନ୍ତୁ, ନିକେଲ୍ ବିଷୟବସ୍ତୁ (CakMg) ର ଭବିଷ୍ୟବାଣୀ ଚିତ୍ର 5 ରେ ଦେଖାଯାଇଥିବା ନିକେଲର ସ୍ଥାନିକ ବଣ୍ଟନ ସହିତ ସମାନ | ଉଭୟ ଗ୍ରାଫ୍ ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ ନିକେଲ୍ ଏକାଗ୍ରତାର ଉଚ୍ଚ, ମଧ୍ୟମ ଏବଂ ନିମ୍ନ ଅନୁପାତକୁ ଦର୍ଶାଏ | ସଂଗୃହିତ 115 ମୃତ୍ତିକା ନମୁନା ମଧ୍ୟରୁ, ଶ୍ରେଣୀ 1 ସର୍ବାଧିକ ମୃତ୍ତିକା ନମୁନା ପାଇଲା, 74. କ୍ଲଷ୍ଟର 2 33 ଟି ନମୁନା ପାଇଲା, କ୍ଲଷ୍ଟର 3 ଟି 8 ନମୁନା ପାଇଲା | ସଠିକ୍ କ୍ଲଷ୍ଟର ବ୍ୟାଖ୍ୟା ପାଇଁ ଅନୁମତି ଦେବା ପାଇଁ ସାତ-ଉପାଦାନ ପ୍ଲାନାର ପୂର୍ବାନୁମାନ ମିଶ୍ରଣକୁ ସରଳ କରାଯାଇଥିଲା।
ପ୍ରତ୍ୟେକ ଏମ୍ପିରିକାଲ୍ ବାଇସିଆନ୍ କ୍ରିଗିଙ୍ଗ୍ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (EBK_SVM_SeOM) ଭେରିଏବଲ୍ ଦ୍ୱାରା କମ୍ପୋନେଣ୍ଟ୍ ପ୍ଲେନ୍ ଆଉଟପୁଟ୍ | RStudio (ସଂସ୍କରଣ 1.4.1717: https://www.rstudio.com/) ବ୍ୟବହାର କରି SeOM ମାନଚିତ୍ର ତିଆରି କରାଯାଇଥିଲା |]
ବିଭିନ୍ନ କ୍ଲଷ୍ଟର ବର୍ଗୀକରଣ ଉପାଦାନଗୁଡିକ [RStudio (ସଂସ୍କରଣ 1.4.1717: https://www.rstudio.com/) ବ୍ୟବହାର କରି SeOM ମାନଚିତ୍ରଗୁଡିକ ସୃଷ୍ଟି କରାଯାଇଥିଲା |]
ସାମ୍ପ୍ରତିକ ଅଧ୍ୟୟନ ସହରାଞ୍ଚଳ ଏବଂ ପେରି-ସହରୀ ମୃତ୍ତିକାରେ ନିକେଲ୍ ଏକାଗ୍ରତା ପାଇଁ ମଡେଲିଂ କ techni ଶଳକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବର୍ଣ୍ଣନା କରିଛି | ମଡେଲିଂ କ techni ଶଳ ସହିତ ଉପାଦାନଗୁଡିକୁ ମିଶ୍ରଣ କରି ମଡେଲିଂ କ techni ଶଳର ଭବିଷ୍ୟବାଣୀ କରିବାର ସର୍ବୋତ୍ତମ ଉପାୟ ପାଇବା ପାଇଁ ଏହି ଅଧ୍ୟୟନ ବିଭିନ୍ନ ମଡେଲିଂ କ ques ଶଳକୁ ପରୀକ୍ଷଣ କରିଛି | ମଡେଲିଂ କ techni ଶଳର SeOM ରଚନାତ୍ମକ ପ୍ଲାନାର୍ ସ୍ପେସାଲ୍ ବ features ଶିଷ୍ଟ୍ୟଗୁଡିକ ନିମ୍ନରୁ ଉଚ୍ଚକୁ ଏକ ସଠିକ୍ ରଙ୍ଗ ସ୍କେଲରେ ପ୍ରଦର୍ଶିତ କରିଛି | ସେ ଫଳାଫଳଗୁଡିକ ଦର୍ଶାଏ ଯେ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ରିଗ୍ରେସନ୍ ମଡେଲ୍ (Ca Mg K-SVMR) ଏକ ମଡେଲ୍ ଭାବରେ ମାଟିରେ Ni ର ଏକାଗ୍ରତାକୁ ପୂର୍ବାନୁମାନ କରେ, କିନ୍ତୁ ବ valid ଧତା ଏବଂ ସଠିକତା ମୂଲ୍ୟାଙ୍କନ ପାରାମିଟରଗୁଡିକ RMSE ଏବଂ MAE ଦୃଷ୍ଟିରୁ ବହୁତ ଉଚ୍ଚ ତ୍ରୁଟି ଦେଖାଏ | ଅନ୍ୟପକ୍ଷରେ, EBK_MLR ମଡେଲ୍ ସହିତ ନିୟୋଜିତ ମଡେଲିଂ କ techni ଶଳ ମଧ୍ୟ ତ୍ରୁଟିଯୁକ୍ତ ଏବଂ RM ର ତ୍ରୁଟି ସହିତ RK) ସହିତ ତ୍ରୁଟିଯୁକ୍ତ ଅଟେ | ଏକ ସଠିକତା 63.7% .ଏହା ଦେଖାଯାଏ ଯେ EBK ଆଲଗୋରିଦମକୁ ଏକ ମେସିନ୍ ଲର୍ନିଙ୍ଗ ଆଲଗୋରିଦମ ସହିତ ମିଶ୍ରଣ କରିବା ଦ୍ୱାରା ଏକ ହାଇବ୍ରିଡ୍ ଆଲଗୋରିଦମ ସୃଷ୍ଟି ହୋଇପାରେ ଯାହା ମାଟିରେ PTE ର ଏକାଗ୍ରତାକୁ ପୂର୍ବାନୁମାନ କରିପାରିବ | ଫଳାଫଳଗୁଡିକ ଦର୍ଶାଏ ଯେ ଅଧ୍ୟୟନ କ୍ଷେତ୍ରରେ ନି ଏକାଗ୍ରତାକୁ ଭବିଷ୍ୟବାଣୀ କରିବା ପାଇଁ Ca Mg K ବ୍ୟବହାର କରିବା ଦ୍ so ାରା ମୃତ୍ତିକାରେ Ni ର ଭବିଷ୍ୟବାଣୀ ବ improve ିପାରେ। EBK ମଡେଲ୍ ତ୍ରୁଟିର ସ୍ତରକୁ ହ୍ରାସ କରିପାରେ ଏବଂ ସହରାଞ୍ଚଳ କିମ୍ବା ପେରି-ସହରୀ ମୃତ୍ତିକାରେ ମୃତ୍ତିକାର ସ୍ଥାନିକ ବିତରଣର ମଡେଲର ସଠିକତାକୁ ଉନ୍ନତ କରିପାରିବ | ସାଧାରଣତ ,, ଆମେ ମାଟିରେ PTE ଆକଳନ ଏବଂ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ EBK-SVMR ମଡେଲ୍ ପ୍ରୟୋଗ କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଇଥାଉ;ଏହା ସହିତ, ଆମେ ବିଭିନ୍ନ ମେସିନ୍ ଲର୍ନିଙ୍ଗ ଆଲଗୋରିଦମ ସହିତ ହାଇବ୍ରିଡାଇଜ୍ କରିବାକୁ EBK ବ୍ୟବହାର କରିବାକୁ ପ୍ରସ୍ତାବ ଦେଇଥାଉ | କୋଭାରିଏଟ୍ ଭାବରେ ଉପାଦାନଗୁଡିକ ବ୍ୟବହାର କରି କ concent ଣସି ଏକାଗ୍ରତା ପୂର୍ବାନୁମାନ କରାଯାଇଥିଲା;ଯଦିଓ, ଅଧିକ କୋଭାରିଏଟ୍ ବ୍ୟବହାର କରିବା ଦ୍ the ାରା ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ବହୁଗୁଣିତ କରିବ, ଯାହାକି ସାମ୍ପ୍ରତିକ କାର୍ଯ୍ୟର ଏକ ସୀମା ଭାବରେ ବିବେଚନା କରାଯାଇପାରେ | ଏହି ଅଧ୍ୟୟନର ଅନ୍ୟ ଏକ ସୀମା ହେଉଛି ଡାଟାବେସର ସଂଖ୍ୟା ହେଉଛି 115. ତେଣୁ, ଯଦି ଅଧିକ ତଥ୍ୟ ପ୍ରଦାନ କରାଯାଏ, ପ୍ରସ୍ତାବିତ ଅପ୍ଟିମାଇଜଡ୍ ହାଇବ୍ରିଡାଇଜେସନ୍ ପଦ୍ଧତିର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଉନ୍ନତ କରାଯାଇପାରିବ |
ଉଦ୍ଭିଦ ଏବଂ ମୃତ୍ତିକାରେ PlantProbs.net। ନିକେଲ୍ https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ଏପ୍ରିଲ୍ 2021 ରେ ପ୍ରବେଶ ହୋଇଛି) |
କାସପ୍ରଜାକ୍, କେ.ଏସ୍ ନିକେଲ୍ ଆଧୁନିକ ପରିବେଶ ବିଷାକ୍ତ ବିଜ୍ଞାନରେ ଅଗ୍ରଗତି କରନ୍ତି।
ସେମ୍ପେଲ୍, ଏମ୍ ଏବଂ ନିକେଲ୍, ଜି ନିକେଲ୍: ଏହାର ଉତ୍ସ ଏବଂ ପରିବେଶ ବିଷାକ୍ତ ବିଜ୍ଞାନର ଏକ ସମୀକ୍ଷା। ପଲିସ୍ ଜେ ପରିବେଶ।
ଫ୍ରିଡମ୍ୟାନ୍, ବି।Bot.58 (1), 108-132.https: //doi.org/10.1139/b80-014 (1980)
ମାଣ୍ଟିୱା, ଟି ଏବଂ ଏଲ। ମାଟିରେ ଭାରୀ ଧାତୁ, ଉଦ୍ଭିଦ ଏବଂ ବୋତସ୍ୱାନା ସେଲେବି-ଫିକୱେ ତମ୍ବା-ନିକେଲ ଖଣି ନିକଟରେ ଚରିବା ରୋମିନାଣ୍ଟ ସହିତ ଜଡିତ ବିପଦ।
କାବାଟା-ପେଣ୍ଡିଆସ୍.କାବାଟା-ପେଣ୍ଡିଆସ୍ ଏ 2011 G = (24 ନଭେମ୍ବର 2020 ରେ ପ୍ରବେଶ ହୋଇଛି)
ଆଲମସ୍, ଏ।, ସିଂ, ବି।
ନିଲସେନ୍, ଜିଡି ଇତ୍ୟାଦି ପାନୀୟ ଜଳରେ ନିକେଲ୍ ଅବଶୋଷଣ ଏବଂ ଧାରଣ ଖାଦ୍ୟ ଗ୍ରହଣ ଏବଂ ନିକେଲ୍ ସମ୍ବେଦନଶୀଳତା ସହିତ ଜଡିତ | ଟକ୍ସିକୋଲୋଜି.ପ୍ଲିକେସନ୍।
କୋଷ୍ଟା, ଏମ୍ ଏବଂ କ୍ଲିନ୍, ସିବି ନିକେଲ୍ କର୍କିନୋଜେନେସିସ୍, ମ୍ୟୁଟେସନ୍, ଏପିଜେନେଟିକ୍ସ କିମ୍ବା ସିଲେକସନ।
ଅଜମାନ, PC;ଅଜାଡୋ, SK;Borůvka, L।;ବିନି, JKM;ସାର୍କୋଡି, VYO;କୋବୋନି, NM;ସମ୍ଭାବ୍ୟ ବିଷାକ୍ତ ଉପାଦାନଗୁଡିକର ଟ୍ରେଣ୍ଡ ବିଶ୍ଳେଷଣ: ଏକ ଗ୍ରନ୍ଥସୂଚୀ ସମୀକ୍ଷା। ପରିବେଶ ଜିଓ ରସାୟନ ଏବଂ ସ୍.ାସ୍ଥ୍ୟ।
ମିନାସ୍ନି, ବି। ଏବଂ ମ୍ୟାକବ୍ରାଟନି, ଏବି ଡିଜିଟାଲ୍ ମୃତ୍ତିକା ମ୍ୟାପିଂ: ଏକ ସଂକ୍ଷିପ୍ତ ଇତିହାସ ଏବଂ କିଛି ଶିକ୍ଷା।
ମ୍ୟାକବ୍ରାଟନି, ଏବି, ମେଣ୍ଡୋନ୍ସା ସାଣ୍ଟୋସ୍, ଏମ୍.ଏଲ୍ ଏବଂ ମିନାସ୍ନି, ବି। ଡିଜିଟାଲ୍ ମାଟି ମ୍ୟାପିଂ ଉପରେ।
ଡଚ୍