Nature.com 'ਤੇ ਜਾਣ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਵਰਤੇ ਜਾ ਰਹੇ ਬ੍ਰਾਊਜ਼ਰ ਸੰਸਕਰਣ ਵਿੱਚ CSS ਲਈ ਸੀਮਤ ਸਮਰਥਨ ਹੈ। ਵਧੀਆ ਅਨੁਭਵ ਲਈ, ਅਸੀਂ ਸਿਫ਼ਾਰਿਸ਼ ਕਰਦੇ ਹਾਂ ਕਿ ਤੁਸੀਂ ਇੱਕ ਅੱਪਡੇਟ ਕੀਤੇ ਬ੍ਰਾਊਜ਼ਰ ਦੀ ਵਰਤੋਂ ਕਰੋ (ਜਾਂ ਇੰਟਰਨੈੱਟ ਐਕਸਪਲੋਰਰ ਵਿੱਚ ਅਨੁਕੂਲਤਾ ਮੋਡ ਬੰਦ ਕਰੋ)। ਇਸ ਦੌਰਾਨ, ਨਿਰੰਤਰ ਸਮਰਥਨ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ, ਅਸੀਂ ਸਟਾਈਲ ਅਤੇ JavaScript ਤੋਂ ਬਿਨਾਂ ਸਾਈਟ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਾਂਗੇ।
ਮਿੱਟੀ ਪ੍ਰਦੂਸ਼ਣ ਮਨੁੱਖੀ ਗਤੀਵਿਧੀਆਂ ਕਾਰਨ ਇੱਕ ਵੱਡੀ ਸਮੱਸਿਆ ਹੈ। ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਜ਼ਹਿਰੀਲੇ ਤੱਤਾਂ (PTEs) ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਜ਼ਿਆਦਾਤਰ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਖੇਤਰਾਂ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਹੁੰਦੀ ਹੈ। ਇਸਲਈ, ਅਜਿਹੀ ਮਿੱਟੀ ਵਿੱਚ PTEs ਦੀ ਸਮਗਰੀ ਦਾ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਹੈ। ਕੁੱਲ 115 ਨਮੂਨੇ ਫ੍ਰੀਡੇਕ ਸੀਮੈਗਸੀਸੀਐਮਸੀ (ਰਿਪਬਲਿਕ) ਰਿਪਬਲਿਕ (ਫ੍ਰੀਡੇਕ ਸੀਮਾਗਸੀਮਸੀ) ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਅਸੀਅਮ (K) ਅਤੇ ਨਿਕਲ (Ni) ਗਾੜ੍ਹਾਪਣ ਪ੍ਰੇਰਕ ਤੌਰ 'ਤੇ ਜੋੜੀ ਗਈ ਪਲਾਜ਼ਮਾ ਐਮੀਸ਼ਨ ਸਪੈਕਟਰੋਮੈਟਰੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਨਿਰਧਾਰਤ ਕੀਤੀ ਗਈ ਸੀ। ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲ Ni ਹੈ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ Ca, Mg, ਅਤੇ K ਹਨ। ਰਿਸਪਾਂਸ ਵੇਰੀਏਬਲ ਅਤੇ ਪੂਰਵ-ਸੂਚਕ ਵੇਰੀਏਬਲ ਵਿਚਕਾਰ ਸਬੰਧ ਮੈਟ੍ਰਿਕਸ ਇੱਕ ਤਸੱਲੀਬਖਸ਼ ਮੈਟ੍ਰਿਕਸ ਦਿਖਾਉਂਦਾ ਹੈ ਜੋ VMR ਪੂਰਵ-ਅਨੁਸ਼ਾਸਨ ਦੇ ਵਿਚਕਾਰ ਰੀਐਕਟਰ ਪੂਰਵ-ਸੰਬੰਧਿਤ ਨਤੀਜੇ ਦਰਸਾਉਂਦਾ ਹੈ। ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ, ਹਾਲਾਂਕਿ ਇਸਦਾ ਅਨੁਮਾਨਿਤ ਮੂਲ ਮਤਲਬ ਵਰਗ ਗਲਤੀ (RMSE) (235.974 mg/kg) ਅਤੇ ਮਤਲਬ ਪੂਰਨ ਗਲਤੀ (MAE) (166.946 mg/kg) ਲਾਗੂ ਕੀਤੇ ਗਏ ਹੋਰ ਤਰੀਕਿਆਂ ਨਾਲੋਂ ਵੱਧ ਸਨ। ਐਮਪੀਰੀਕਲ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ-ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰੀਗਰੈਸ਼ਨ (EBR0) ਦੁਆਰਾ ਮਾੜੇ ਸਬੂਤ ਦੇ ਤੌਰ 'ਤੇ ਘੱਟ ਸਬੂਤ ਦੇ ਤੌਰ 'ਤੇ ਮਿਕਸਡ ਮਾਡਲਾਂ ਦੇ ਮਿਸ਼ਰਤ ਮਾਡਲ। 1. The Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ਮਾਡਲ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਸੀ, ਜਿਸ ਵਿੱਚ ਘੱਟ RMSE (95.479 mg/kg) ਅਤੇ MAE (77.368 mg/kg) ਮੁੱਲ ਅਤੇ ਉੱਚ ਸੰਕਲਪ ਦੇ ਗੁਣਾਂਕ (R2 = EBK-SVMR) ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਵੈ-ਚਾਲਤ ਮਾਡਲ ਈ.ਬੀ.6.6 ਜਾਂ ਈ.ਬੀ.6.6.6. ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ CakMg-EBK-SVMR ਕੰਪੋਨੈਂਟ ਦੇ ਪਲੇਨ ਵਿੱਚ ਕਲੱਸਟਰਡ ਨਿਊਰੋਨਸ ਕਈ ਰੰਗਾਂ ਦੇ ਪੈਟਰਨ ਦਿਖਾਉਂਦੇ ਹਨ ਜੋ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ EBK ਅਤੇ SVMR ਦਾ ਸੰਯੋਗ ਕਰਨਾ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਕਨੀਕ ਹੈ ਜੋ ਕਿ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਕਨੀਕ ਹੈ।
ਨਿੱਕਲ (Ni) ਨੂੰ ਪੌਦਿਆਂ ਲਈ ਇੱਕ ਸੂਖਮ ਪੌਸ਼ਟਿਕ ਤੱਤ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਾਯੂਮੰਡਲ ਵਿੱਚ ਨਾਈਟ੍ਰੋਜਨ ਫਿਕਸੇਸ਼ਨ (N) ਅਤੇ ਯੂਰੀਆ ਮੈਟਾਬੌਲਿਜ਼ਮ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਦੋਵੇਂ ਬੀਜ ਦੇ ਉਗਣ ਲਈ ਲੋੜੀਂਦੇ ਹਨ। ਬੀਜ ਦੇ ਉਗਣ ਵਿੱਚ ਇਸ ਦੇ ਯੋਗਦਾਨ ਤੋਂ ਇਲਾਵਾ, ਨੀ ਇੱਕ ਫੰਗਲ ਅਤੇ ਬੈਕਟੀਰੀਆ ਰੋਕਣ ਵਾਲੇ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਪੌਦੇ ਦੇ ਵਿਕਾਸ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਪੌਦੇ ਦੇ ਵਿਕਾਸ ਦੀ ਕਮੀ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਪੌਦੇ ਦੇ ਵਿਕਾਸ ਨੂੰ ਰੋਕਦਾ ਹੈ। ਪੱਤਿਆਂ ਦਾ। ਉਦਾਹਰਨ ਲਈ, ਕਾਉਪੀਅਸ ਅਤੇ ਹਰੀਆਂ ਬੀਨਜ਼ ਨੂੰ ਨਾਈਟ੍ਰੋਜਨ ਫਿਕਸੇਸ਼ਨ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਨਿੱਕਲ-ਅਧਾਰਿਤ ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ2। ਮਿੱਟੀ ਨੂੰ ਅਮੀਰ ਬਣਾਉਣ ਲਈ ਅਤੇ ਫਲ਼ੀਦਾਰਾਂ ਦੀ ਮਿੱਟੀ ਵਿੱਚ ਨਾਈਟ੍ਰੋਜਨ ਫਿਕਸ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਨਿੱਕਲ-ਅਧਾਰਿਤ ਖਾਦਾਂ ਦੀ ਨਿਰੰਤਰ ਵਰਤੋਂ, ਪੌਦੇ ਦੇ ਮਾਈਕ੍ਰੋਸੈਂਟਲ ਕੋਨਕੇਲਨਟ ਨੂੰ ਲਗਾਤਾਰ ਵਧਾਉਂਦੀ ਹੈ। ਮਿੱਟੀ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਦਾਖਲਾ ਚੰਗੇ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦਾ ਹੈ। ਮਿੱਟੀ ਵਿੱਚ ਨਿਕਲ ਦਾ ਜ਼ਹਿਰੀਲਾਪਣ ਮਿੱਟੀ ਦੇ pH ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ ਅਤੇ ਪੌਦਿਆਂ ਦੇ ਵਾਧੇ ਲਈ ਇੱਕ ਜ਼ਰੂਰੀ ਪੌਸ਼ਟਿਕ ਤੱਤ ਵਜੋਂ ਲੋਹੇ ਦੇ ਗ੍ਰਹਿਣ ਵਿੱਚ ਰੁਕਾਵਟ ਪਾਉਂਦਾ ਹੈ। Liu3 ਦੇ ਅਨੁਸਾਰ, Ni ਪੌਦਿਆਂ ਦੇ ਵਿਕਾਸ ਅਤੇ ਵਿਕਾਸ ਲਈ ਲੋੜੀਂਦਾ 17ਵਾਂ ਮਹੱਤਵਪੂਰਨ ਤੱਤ ਪਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਪੌਦੇ ਦੇ ਵਿਕਾਸ ਅਤੇ ਵਿਕਾਸ ਲਈ ਨਿਕਲ ਦੀ ਇੱਕ ਕਿਸਮ ਦੀ ਭੂਮਿਕਾ, ਮਨੁੱਖੀ ਵਿਕਾਸ ਲਈ ਨਿਕਲ ਦੀ ਲੋੜ ਹੈ। ਨਿੱਕਲ-ਅਧਾਰਿਤ ਅਲੌਏਜ਼ ਦਾ ਉਤਪਾਦਨ, ਅਤੇ ਆਟੋਮੋਟਿਵ ਉਦਯੋਗ ਵਿੱਚ ਇਗਨੀਸ਼ਨ ਯੰਤਰਾਂ ਅਤੇ ਸਪਾਰਕ ਪਲੱਗਾਂ ਦੇ ਨਿਰਮਾਣ ਲਈ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਿਕ ਖੇਤਰਾਂ ਵਿੱਚ ਨਿਕਲ ਦੀ ਵਰਤੋਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਿੱਕਲ-ਅਧਾਰਿਤ ਅਲੌਏ ਅਤੇ ਇਲੈਕਟ੍ਰੋਪਲੇਟਡ ਵਸਤੂਆਂ ਨੂੰ ਰਸੋਈ ਦੇ ਸਾਮਾਨ, ਬਾਲਰੂਮ ਉਪਕਰਣਾਂ, ਭੋਜਨ ਉਦਯੋਗ ਦੀ ਸਪਲਾਈ, ਇਲੈਕਟ੍ਰੀਕਲ, ਤਾਰ, ਤਾਰ ਅਤੇ ਟੈਕਸਟਾਈਲ, ਸਰਟੀਬਿਲਬਿਊਟਿੰਗ, ਸਰਟੀਬਿਲਬਿਊਨ ਅਤੇ ਸੀਟਿਲਬਿਊਟਿੰਗ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਗਿਆ ਹੈ। 5. ਮਿੱਟੀ ਵਿੱਚ ਨੀ-ਅਮੀਰ ਦੇ ਪੱਧਰਾਂ (ਭਾਵ, ਸਤਹ ਵਾਲੀ ਮਿੱਟੀ) ਨੂੰ ਮਾਨਵ-ਜਨਕ ਅਤੇ ਕੁਦਰਤੀ ਸਰੋਤਾਂ ਦੋਵਾਂ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਠਹਿਰਾਇਆ ਗਿਆ ਹੈ, ਪਰ ਮੁੱਖ ਤੌਰ 'ਤੇ, ਐਨਥ੍ਰੋਪੋਜਨਿਕ 4,6 ਦੀ ਬਜਾਏ ਨੀ ਇੱਕ ਕੁਦਰਤੀ ਸਰੋਤ ਹੈ। ਨਿੱਕਲ ਦੇ ਕੁਦਰਤੀ ਸਰੋਤਾਂ ਵਿੱਚ ਜਵਾਲਾਮੁਖੀ ਫਟਣਾ, ਬਨਸਪਤੀ, ਜੰਗਲ ਦੀ ਅੱਗ, ਅਤੇ ਭੂ-ਵਿਗਿਆਨਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ;ਹਾਲਾਂਕਿ, ਮਾਨਵ-ਜਨਕ ਸਰੋਤਾਂ ਵਿੱਚ ਸਟੀਲ ਉਦਯੋਗ ਵਿੱਚ ਨਿਕਲ/ਕੈਡਮੀਅਮ ਬੈਟਰੀਆਂ, ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ, ਆਰਕ ਵੈਲਡਿੰਗ, ਡੀਜ਼ਲ ਅਤੇ ਈਂਧਨ ਤੇਲ, ਅਤੇ ਕੋਲੇ ਦੇ ਬਲਨ ਅਤੇ ਰਹਿੰਦ-ਖੂੰਹਦ ਅਤੇ ਸਲੱਜ ਦੇ ਜਲਣ ਤੋਂ ਨਿਕਲਣ ਵਾਲੇ ਵਾਯੂਮੰਡਲ ਦੇ ਨਿਕਾਸ ਸ਼ਾਮਲ ਹਨ।10, ਤਤਕਾਲੀ ਅਤੇ ਆਸ-ਪਾਸ ਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਉੱਪਰਲੇ ਪ੍ਰਦੂਸ਼ਣ ਦੇ ਮੁੱਖ ਸਰੋਤ ਮੁੱਖ ਤੌਰ 'ਤੇ ਨਿਕਲ-ਕਾਂਪਰ-ਆਧਾਰਿਤ ਸੁਗੰਧਿਤ ਅਤੇ ਖਾਣਾਂ ਹਨ। ਕੈਨੇਡਾ ਵਿੱਚ ਸਡਬਰੀ ਨਿਕਲ-ਕਾਂਪਰ ਰਿਫਾਈਨਰੀ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਚੋਟੀ ਦੀ ਮਿੱਟੀ ਵਿੱਚ 26,000 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ 'ਤੇ ਨਿਕਲ ਪ੍ਰਦੂਸ਼ਣ ਦਾ ਸਭ ਤੋਂ ਉੱਚਾ ਪੱਧਰ ਸੀ, ਜਿਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਰੂਸ ਵਿੱਚ ਨਿਕੇਲ ਪ੍ਰਦੂਸ਼ਨ ਵਿੱਚ 11 ਪ੍ਰਤੀਸ਼ਤ ਵੱਧ ਹੈ। ਨਾਰਵੇਜਿਅਨ ਮਿੱਟੀ ਵਿੱਚ 11. Alms et al ਦੇ ਅਨੁਸਾਰ.12, ਖੇਤਰ ਦੀ ਚੋਟੀ ਦੀ ਖੇਤੀਯੋਗ ਜ਼ਮੀਨ (ਰੂਸ ਵਿੱਚ ਨਿੱਕਲ ਦਾ ਉਤਪਾਦਨ) ਵਿੱਚ HNO3- ਕੱਢਣ ਯੋਗ ਨਿਕਲ ਦੀ ਮਾਤਰਾ 6.25 ਤੋਂ 136.88 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਤੱਕ ਸੀ, ਜੋ ਕਿ 30.43 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਦੇ ਔਸਤਨ ਅਤੇ 25 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਦੀ ਬੇਸਲਾਈਨ ਗਾੜ੍ਹਾਪਣ ਦੇ ਅਨੁਸਾਰ ਸੀ। ਲਗਾਤਾਰ ਫਸਲੀ ਮੌਸਮਾਂ ਦੌਰਾਨ ਸ਼ਹਿਰੀ ਜਾਂ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਪਰਤੱਖ ਮਿੱਟੀ ਮਿੱਟੀ ਨੂੰ ਘੁਲ ਜਾਂ ਦੂਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ। ਮਨੁੱਖਾਂ ਵਿੱਚ ਨਿਕਲ ਦੇ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵਾਂ ਮਿਊਟਾਜੇਨੇਸਿਸ, ਕ੍ਰੋਮੋਸੋਮਲ ਨੁਕਸਾਨ, ਜ਼ੈਡ-ਡੀਐਨਏ ਪੈਦਾ ਕਰਨ, ਬਲਾਕਡ ਡੀਐਨਏ ਕੱਢਣ ਦੀ ਮੁਰੰਮਤ, ਜਾਂ ਐਪੀਜੇਨੇਟਿਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੁਆਰਾ ਕੈਂਸਰ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀਆਂ ਹਨ। ਅਜਿਹੇ ਟਿਊਮਰ ਨੂੰ ਵਧਾ.
ਮਿੱਟੀ-ਪੌਦੇ ਦੇ ਸਬੰਧਾਂ, ਮਿੱਟੀ ਅਤੇ ਮਿੱਟੀ ਦੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਸਬੰਧਾਂ, ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਵਿਗਾੜ, ਅਤੇ ਵਾਤਾਵਰਣ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ ਤੋਂ ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਸਿਹਤ-ਸੰਬੰਧੀ ਮੁੱਦਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਦੇ ਕਾਰਨ ਮਿੱਟੀ ਦੇ ਗੰਦਗੀ ਦੇ ਮੁਲਾਂਕਣ ਹਾਲ ਹੀ ਦੇ ਸਮੇਂ ਵਿੱਚ ਵਧੇ ਹਨ। ਅੱਜ ਤੱਕ, ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਜ਼ਹਿਰੀਲੇ ਤੱਤਾਂ (PTEs) ਦੀ ਸਥਾਨਿਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਜਿਵੇਂ ਕਿ ਡਿਜ਼ੀਟਲ ਸਮੇਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਰਵਾਇਤੀ ਢੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ। (DSM) ਅਤੇ ਇਸਦੀ ਮੌਜੂਦਾ ਸਫਲਤਾ15 ਨੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੀ ਮਿੱਟੀ ਦੀ ਮੈਪਿੰਗ (PSM) ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਕੀਤਾ ਹੈ। ਮਿਨਾਸਨੀ ਅਤੇ ਮੈਕਬ੍ਰੈਟਨੀ 16 ਦੇ ਅਨੁਸਾਰ, ਭਵਿੱਖਬਾਣੀ ਮਿੱਟੀ ਮੈਪਿੰਗ (DSM) ਮਿੱਟੀ ਵਿਗਿਆਨ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਪ-ਅਨੁਸ਼ਾਸਨ ਸਾਬਤ ਹੋਈ ਹੈ। Lagacherie ਅਤੇ McBratney, 2006 ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ DSM ਦੀ ਵਰਤੋਂ ਵਿੱਚ ਕਿਰਤ ਪ੍ਰਣਾਲੀ ਦੀ ਜਾਣਕਾਰੀ ਅਤੇ ਭਰਨ ਦੀ ਵਿਧੀ ਦੁਆਰਾ " ਸਰਵੇਸ਼ਨਲ ਢੰਗ ਅਤੇ ਸਥਾਨਿਕ ਅਤੇ ਗੈਰ-ਸਥਾਨਕ ਮਿੱਟੀ ਅਨੁਮਾਨ ਪ੍ਰਣਾਲੀਆਂ”। ਮੈਕਬ੍ਰੈਟਨੀ ਐਟ ਅਲ।17 ਰੂਪਰੇਖਾ ਕਿ ਸਮਕਾਲੀ DSM ਜਾਂ PSM PTEs, ਮਿੱਟੀ ਦੀਆਂ ਕਿਸਮਾਂ ਅਤੇ ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਜਾਂ ਮੈਪ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਕਨੀਕ ਹੈ। ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ (MLA) DSM ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਹਨ ਜੋ ਮਹੱਤਵਪੂਰਨ ਅਤੇ ਨਿਊਨਤਮ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੰਪਿਊਟਰਾਂ ਦੀ ਮਦਦ ਨਾਲ ਡਿਜੀਟਾਈਜ਼ਡ ਨਕਸ਼ੇ ਬਣਾਉਂਦੀਆਂ ਹਨ।
Deutsch18 ਅਤੇ Olea19 ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਨੂੰ "ਸੰਖਿਆਤਮਕ ਤਕਨੀਕਾਂ ਦੇ ਸੰਗ੍ਰਹਿ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੇ ਹਨ ਜੋ ਸਥਾਨਿਕ ਗੁਣਾਂ ਦੀ ਨੁਮਾਇੰਦਗੀ ਨਾਲ ਨਜਿੱਠਦੇ ਹਨ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਸਟੋਚੈਸਟਿਕ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕਿਵੇਂ ਸਮਾਂ ਲੜੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਸਥਾਈ ਡੇਟਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।"ਮੁੱਖ ਤੌਰ 'ਤੇ, ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਵਿੱਚ ਵੇਰੀਓਗ੍ਰਾਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜੋ ਹਰੇਕ ਡੇਟਾਸੇਟ ਤੋਂ ਸਥਾਨਿਕ ਮੁੱਲਾਂ ਦੀ ਨਿਰਭਰਤਾ ਨੂੰ ਮਾਪਣ ਅਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ20.Gumiaux et al.20 ਅੱਗੇ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਭੂ-ਵਿਗਿਆਨ ਵਿੱਚ ਵੇਰੀਓਗ੍ਰਾਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਤਿੰਨ ਸਿਧਾਂਤਾਂ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ (a) ਡੇਟਾ ਸਹਿ-ਸੰਬੰਧ ਦੇ ਪੈਮਾਨੇ ਦੀ ਗਣਨਾ ਕਰਨਾ, (b) ਡੇਟਾਸੈਟ ਅਸਮਾਨਤਾ ਵਿੱਚ ਐਨੀਸੋਟ੍ਰੌਪੀ ਦੀ ਪਛਾਣ ਕਰਨਾ ਅਤੇ ਗਣਨਾ ਕਰਨਾ ਅਤੇ (c) ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮਾਪ ਦੀ ਅੰਦਰੂਨੀ ਗਲਤੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣ ਦੇ ਨਾਲ-ਨਾਲ, ਬਹੁਤ ਸਾਰੇ ਸੰਕਲਪਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਸਥਾਨਕ ਡਾਟਾ ਖੇਤਰ ਤੋਂ ਵੱਖ ਕੀਤਾ ਗਿਆ ਹੈ। ਤਕਨੀਕਾਂ ਦੀ ਵਰਤੋਂ ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਜਨਰਲ ਕ੍ਰਿਗਿੰਗ, ਕੋ-ਕ੍ਰਿਗਿੰਗ, ਸਾਧਾਰਨ ਕ੍ਰਿਗਿੰਗ, ਅਨੁਭਵੀ ਬੇਸੀਅਨ ਕ੍ਰਿਗਿੰਗ, ਸਧਾਰਨ ਕ੍ਰਿਗਿੰਗ ਵਿਧੀ ਅਤੇ ਪੀਟੀਈ, ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਅਤੇ ਮਿੱਟੀ ਦੀਆਂ ਕਿਸਮਾਂ ਦਾ ਨਕਸ਼ਾ ਜਾਂ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ ਹੋਰ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਸ਼ਾਮਲ ਹਨ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ (MLA) ਇੱਕ ਮੁਕਾਬਲਤਨ ਨਵੀਂ ਤਕਨੀਕ ਹੈ ਜੋ ਵੱਡੀਆਂ ਗੈਰ-ਲੀਨੀਅਰ ਡੇਟਾ ਕਲਾਸਾਂ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦੀ ਹੈ, ਮੁੱਖ ਤੌਰ 'ਤੇ ਡੇਟਾ ਮਾਈਨਿੰਗ, ਡੇਟਾ ਵਿੱਚ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਅਤੇ ਵਿਗਿਆਨਕ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਮਿੱਟੀ ਵਿਗਿਆਨ ਅਤੇ ਵਾਪਸੀ ਦੇ ਕਾਰਜਾਂ ਵਿੱਚ ਵਰਗੀਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਐਲਗੋਰਿਦਮ ਦੁਆਰਾ ਬਾਲਣ।22 (ਖੇਤੀਬਾੜੀ ਮਿੱਟੀ ਵਿੱਚ ਭਾਰੀ ਧਾਤ ਦੇ ਅਨੁਮਾਨ ਲਈ ਬੇਤਰਤੀਬ ਜੰਗਲ), ਸਾਕੀਜ਼ਾਦੇਹ ਐਟ ਅਲ।23 (ਸਹਾਇਤਾ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ ਅਤੇ ਨਕਲੀ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਾਡਲਿੰਗ) ਮਿੱਟੀ ਪ੍ਰਦੂਸ਼ਣ ) ਇਸ ਤੋਂ ਇਲਾਵਾ, ਵੇਗਾ ਐਟ ਅਲ.24 (ਮਿੱਟੀ ਵਿੱਚ ਭਾਰੀ ਧਾਤੂ ਧਾਰਨ ਅਤੇ ਸੋਖਣ ਲਈ ਮਾਡਲਿੰਗ ਲਈ ਕਾਰਟ) ਸਨ ਅਤੇ ਅਲ.25 (ਕਿਊਬਿਸਟ ਦੀ ਵਰਤੋਂ ਮਿੱਟੀ ਵਿੱਚ ਸੀਡੀ ਦੀ ਵੰਡ ਹੈ) ਅਤੇ ਹੋਰ ਐਲਗੋਰਿਦਮ ਜਿਵੇਂ ਕਿ ਕੇ-ਨੇੜਲਾ ਨੇੜਲਾ, ਜਨਰਲਾਈਜ਼ਡ ਬੂਸਟਡ ਰਿਗਰੈਸ਼ਨ, ਅਤੇ ਬੂਸਟਡ ਰਿਗਰੈਸ਼ਨ ਟਰੀਜ਼ ਨੇ ਵੀ ਮਿੱਟੀ ਵਿੱਚ PTE ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ MLA ਨੂੰ ਲਾਗੂ ਕੀਤਾ।
ਪੂਰਵ-ਅਨੁਮਾਨ ਜਾਂ ਮੈਪਿੰਗ ਵਿੱਚ DSM ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਈ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਲੇਖਕ ਮੰਨਦੇ ਹਨ ਕਿ ਐਮ.ਐਲ.ਏ. ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਤੋਂ ਉੱਤਮ ਹੈ ਅਤੇ ਇਸਦੇ ਉਲਟ। ਹਾਲਾਂਕਿ ਇੱਕ ਦੂਜੇ ਨਾਲੋਂ ਬਿਹਤਰ ਹੈ, ਦੋਨਾਂ ਦਾ ਸੁਮੇਲ DSM15.Woodcock ਅਤੇ Gopal26727 ਵਿੱਚ ਮੈਪਿੰਗ ਜਾਂ ਪੂਰਵ ਅਨੁਮਾਨ ਦੀ ਸ਼ੁੱਧਤਾ ਦੇ ਪੱਧਰ ਨੂੰ ਸੁਧਾਰਦਾ ਹੈ।ਪੋਂਟੀਅਸ ਅਤੇ ਚੈਉਕ28 ਅਤੇ ਗ੍ਰੁਨਵਾਲਡ29 ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਮਿੱਟੀ ਦੀ ਮੈਪਿੰਗ ਵਿੱਚ ਕਮੀਆਂ ਅਤੇ ਕੁਝ ਗਲਤੀਆਂ 'ਤੇ ਟਿੱਪਣੀ ਕਰਦੇ ਹਨ। ਮਿੱਟੀ ਵਿਗਿਆਨੀਆਂ ਨੇ DSM ਮੈਪਿੰਗ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ, ਸ਼ੁੱਧਤਾ, ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਕਈ ਤਰ੍ਹਾਂ ਦੀਆਂ ਤਕਨੀਕਾਂ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ ਹੈ। ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਤਸਦੀਕ ਦਾ ਸੁਮੇਲ ਬਹੁਤ ਸਾਰੇ ਵੱਖ-ਵੱਖ ਡੀਐੱਸਐੱਮਐੱਚ ਵਿੱਚ ਪ੍ਰਭਾਵੀਤਾ ਨੂੰ ਘਟਾਉਣ ਅਤੇ ਪ੍ਰਭਾਵੀਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਇੱਕ ਹੈ। owever, Agyeman et al.15 ਰੂਪਰੇਖਾ ਕਿ ਨਕਸ਼ੇ ਦੀ ਰਚਨਾ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੁਆਰਾ ਪੇਸ਼ ਕੀਤੀ ਗਈ ਪ੍ਰਮਾਣਿਕਤਾ ਵਿਵਹਾਰ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਨਕਸ਼ੇ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਲਈ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।ਹਾਲਾਂਕਿ, ਡੀਐਸਐਮ ਵਿੱਚ ਨਿਸ਼ਚਤਤਾ ਦੀ ਘਾਟ ਗਲਤੀ ਦੇ ਕਈ ਸਰੋਤਾਂ ਤੋਂ ਪੈਦਾ ਹੋ ਸਕਦੀ ਹੈ, ਅਰਥਾਤ ਕੋਵੇਰੀਏਟ ਗਲਤੀ, ਮਾਡਲ ਗਲਤੀ, ਸਥਾਨ ਗਲਤੀ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਗਲਤੀ 31. ਐਮ.ਐਲ.ਏ. ਅਤੇ ਭੂ-ਸੰਖਿਅਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਪ੍ਰੇਰਿਤ ਮਾਡਲਿੰਗ ਅਸ਼ੁੱਧੀਆਂ ਸਮਝ ਦੀ ਘਾਟ ਨਾਲ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ, ਆਖਰਕਾਰ ਮਾਡਲਿੰਗ ਦੀ ਅਸਲ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਰੇਗਸੀਸੀ ਦੀ ਪ੍ਰਕਿਰਤੀ ਰਹਿਤ ਹੋ ਸਕਦੀ ਹੈ। ing ਮਾਪਦੰਡ, ਗਣਿਤਿਕ ਮਾਡਲ ਪੂਰਵ-ਅਨੁਮਾਨ, ਜਾਂ ਇੰਟਰਪੋਲੇਸ਼ਨ33। ਹਾਲ ਹੀ ਵਿੱਚ, ਇੱਕ ਨਵਾਂ DSM ਰੁਝਾਨ ਉਭਰਿਆ ਹੈ ਜੋ ਮੈਪਿੰਗ ਅਤੇ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਭੂ-ਵਿਗਿਆਨ ਅਤੇ ਐਮਐਲਏ ਦੇ ਏਕੀਕਰਨ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ। ਕਈ ਭੂਮੀ ਵਿਗਿਆਨੀ ਅਤੇ ਲੇਖਕ, ਜਿਵੇਂ ਕਿ ਸਰਜੀਵ ਐਟ ਅਲ।34;ਸਬਬੋਟੀਨਾ ਐਟ ਅਲ.35;ਤਾਰਾਸੋਵ ਐਟ ਅਲ.36 ਅਤੇ ਤਾਰਾਸੋਵ ਐਟ ਅਲ.37 ਨੇ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਮੈਪਿੰਗ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਵਾਲੇ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਤਿਆਰ ਕਰਨ ਲਈ ਭੂ-ਵਿਗਿਆਨ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੀ ਸਹੀ ਗੁਣਵੱਤਾ ਦਾ ਸ਼ੋਸ਼ਣ ਕੀਤਾ ਹੈ।ਕੁਆਲਿਟੀ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਹਾਈਬ੍ਰਿਡ ਜਾਂ ਸੰਯੁਕਤ ਐਲਗੋਰਿਦਮ ਮਾਡਲ ਹਨ ਆਰਟੀਫਿਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕ੍ਰਿਗਿੰਗ (ANN-RK), ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ ਰੈਜ਼ੀਡੁਅਲ ਕ੍ਰਿਗਿੰਗ (MLP-RK), ਜਨਰਲਾਈਜ਼ਡ ਰਿਗਰੈਸ਼ਨ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਰੈਜ਼ੀਡੁਅਲ ਕ੍ਰਿਗਿੰਗ (GR-NNRK)36, ਆਰਟੀਫਿਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਕ੍ਰਿਗਿੰਗ-Multi-NNRK ਅਤੇ ਗੈਏ-ਐਨ-ਐੱਲ.ਕੇ. sian ਪ੍ਰਕਿਰਿਆ ਰਿਗਰੈਸ਼ਨ38.
ਸਰਜੀਵ ਐਟ ਅਲ. ਦੇ ਅਨੁਸਾਰ, ਵੱਖ-ਵੱਖ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਜੋੜਨ ਨਾਲ ਇਸਦੇ ਇੱਕ ਮਾਡਲ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਦੀ ਬਜਾਏ ਨੁਕਸ ਨੂੰ ਦੂਰ ਕਰਨ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਇਸ ਸੰਦਰਭ ਵਿੱਚ, ਇਹ ਨਵਾਂ ਪੇਪਰ ਦਲੀਲ ਦਿੰਦਾ ਹੈ ਕਿ ਇਹ ਪੂਰਵ-ਹਾਈਬ੍ਰਿਡ ਖੇਤਰਾਂ ਵਿੱਚ ਸਰਵੋਤਮ ਹਾਈਬ੍ਰਿਡ ਅਤੇ ਪੁਨਰ-ਨਿਰਮਾਣ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਜੀਓਸਟੈਟਿਸਟਿਕਸ ਅਤੇ ਐਮਐਲਏ ਦੇ ਸੰਯੁਕਤ ਐਲਗੋਰਿਦਮ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਬੇਸ ਮਾਡਲ ਦੇ ਤੌਰ 'ਤੇ ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ (EBK) 'ਤੇ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (SVM) ਅਤੇ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ (MLR) ਮਾਡਲਾਂ ਨਾਲ ਮਿਲਾਓ। ਕਿਸੇ ਵੀ MLA ਦੇ ਨਾਲ EBK ਦਾ ਹਾਈਬ੍ਰਿਡਾਈਜ਼ੇਸ਼ਨ ਪਤਾ ਨਹੀਂ ਹੈ। ਦੇਖੇ ਗਏ ਮਲਟੀਪਲ ਮਿਕਸਡ ਮਾਡਲ ਸਾਧਾਰਨ, ਰਹਿੰਦ-ਖੂੰਹਦ, ਅੰਤਰ-ਪਲੀਸਟਿਕ ਰੀਗਰੈਸ਼ਨ ਅਤੇ ਐਮ.ਐਲ.ਏ.ਬੀ.ਕੇ. ਰੀਗਰੈਸ਼ਨ ਵਿਧੀ ਦੇ ਸੰਜੋਗ ਹਨ। s ਇੱਕ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਸਟੋਚੈਸਟਿਕ ਪ੍ਰਕਿਰਿਆ ਜੋ ਕਿ ਖੇਤਰ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਸਥਾਨਕਕਰਨ ਮਾਪਦੰਡਾਂ ਦੇ ਨਾਲ ਇੱਕ ਗੈਰ-ਸਟੇਸ਼ਨਰੀ/ਸਟੇਸ਼ਨਰੀ ਬੇਤਰਤੀਬ ਖੇਤਰ ਦੇ ਰੂਪ ਵਿੱਚ ਸਥਾਨਿਕ ਹੈ, ਜਿਸ ਨਾਲ ਸਥਾਨਿਕ ਪਰਿਵਰਤਨ 39.EBK ਦੀ ਵਰਤੋਂ ਖੇਤ ਦੀ ਮਿੱਟੀ40 ਵਿੱਚ ਜੈਵਿਕ ਕਾਰਬਨ ਦੀ ਵੰਡ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ, ਮਿੱਟੀ ਦੀ ਮੈਪਿੰਗ 40 ਗੁਣਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਸਮੇਤ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਅਧਿਐਨਾਂ ਵਿੱਚ ਕੀਤੀ ਗਈ ਹੈ।
ਦੂਜੇ ਪਾਸੇ, ਸਵੈ-ਸੰਗਠਿਤ ਗ੍ਰਾਫ (SeOM) ਇੱਕ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਕਿ ਵੱਖ-ਵੱਖ ਲੇਖਾਂ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਵੇਂ ਕਿ Li et al.43, ਵੈਂਗ ਐਟ ਅਲ.44, ਹੁਸੈਨ ਭੂਈਆਂ ਆਦਿ.45 ਅਤੇ Kebonye et al.46 ਸਥਾਨਿਕ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਤੱਤਾਂ ਦੇ ਸਮੂਹ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰੋ। Wang et al.44 ਰੂਪਰੇਖਾ ਦੱਸਦੀ ਹੈ ਕਿ SeOM ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਿੱਖਣ ਤਕਨੀਕ ਹੈ ਜੋ ਗੈਰ-ਲੀਨੀਅਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਸਮੂਹ ਕਰਨ ਅਤੇ ਕਲਪਨਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਲਈ ਜਾਣੀ ਜਾਂਦੀ ਹੈ। ਹੋਰ ਪੈਟਰਨ ਪਛਾਣ ਤਕਨੀਕਾਂ ਜਿਵੇਂ ਕਿ ਪ੍ਰਮੁੱਖ ਭਾਗ ਵਿਸ਼ਲੇਸ਼ਣ, ਫਜ਼ੀ ਕਲੱਸਟਰਿੰਗ, ਲੜੀਵਾਰ ਕਲੱਸਟਰਿੰਗ, ਅਤੇ ਬਹੁ-ਮਾਪਦੰਡ ਫੈਸਲੇ ਲੈਣ ਦੇ ਉਲਟ, SeOM Pcoreting al W.44, SeOM ਸੰਬੰਧਿਤ ਨਿਊਰੋਨਸ ਦੀ ਵੰਡ ਨੂੰ ਸਥਾਨਿਕ ਤੌਰ 'ਤੇ ਸਮੂਹ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਡੇਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। SeOM ਸਿੱਧੇ ਵਿਆਖਿਆ ਲਈ ਨਤੀਜਿਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਾਡਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ Ni ਪੂਰਵ ਅਨੁਮਾਨ ਡੇਟਾ ਦੀ ਕਲਪਨਾ ਕਰੇਗਾ।
ਇਸ ਪੇਪਰ ਦਾ ਉਦੇਸ਼ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿਕਲ ਦੀ ਸਮਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਅਨੁਕੂਲ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਇੱਕ ਮਜ਼ਬੂਤ ​​ਮੈਪਿੰਗ ਮਾਡਲ ਤਿਆਰ ਕਰਨਾ ਹੈ। ਅਸੀਂ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਾਂ ਕਿ ਮਿਸ਼ਰਤ ਮਾਡਲ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਮੁੱਖ ਤੌਰ 'ਤੇ ਬੇਸ ਮਾਡਲ ਨਾਲ ਜੁੜੇ ਹੋਰ ਮਾਡਲਾਂ ਦੇ ਪ੍ਰਭਾਵ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਅਸੀਂ ਮੰਨਦੇ ਹਾਂ ਕਿ DSM ਦੇ ਸਾਹਮਣੇ ਆਉਣ ਵਾਲੀਆਂ ਚੁਣੌਤੀਆਂ ਹਨ, ਅਤੇ ਇਹ DSM ਦੇ ਸਾਹਮਣੇ ਚੁਣੌਤੀਆਂ ਦੇ ਸੰਬੋਧਿਤ ਹੋਣ ਦੇ ਨਾਲ ਹੀ, s ਅਤੇ MLA ਮਾਡਲ ਵਧਦੇ ਜਾਪਦੇ ਹਨ;ਇਸ ਲਈ, ਅਸੀਂ ਖੋਜ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗੇ ਜੋ ਮਿਸ਼ਰਤ ਮਾਡਲ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਟੀਚੇ ਦੇ ਤੱਤ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਮਾਡਲ ਕਿੰਨਾ ਸਹੀ ਹੈ? ਨਾਲ ਹੀ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ 'ਤੇ ਆਧਾਰਿਤ ਕੁਸ਼ਲਤਾ ਮੁਲਾਂਕਣ ਦਾ ਪੱਧਰ ਕੀ ਹੈ? ਇਸ ਲਈ, ਇਸ ਅਧਿਐਨ ਦੇ ਖਾਸ ਟੀਚੇ ਸਨ (a) ਸੰਯੁਕਤ ਮਾਡਲ (ਏ) ਐਮਆਰਬੀ ਮਾਡਲ (ਏ.ਐਮ.ਆਰ.ਬੀ.) ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੰਯੁਕਤ ਮਾਡਲ (ਏ.ਐਮ.ਆਰ.ਬੀ.) ਜਾਂ ਐਮਆਰਬੀ ਮਾਡਲ (ਏਐਮਆਰਬੀ) ਲਈ ਸੰਯੁਕਤ ਮਾਡਲ ਬਣਾਉਣਾ। ਨਤੀਜੇ ਵਾਲੇ ਮਾਡਲ (c) ਸ਼ਹਿਰੀ ਜਾਂ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨੀ ਸੰਘਣਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਿਸ਼ਰਣ ਮਾਡਲ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਨ, ਅਤੇ (d) ਨਿਕਲ ਸਥਾਨਿਕ ਪਰਿਵਰਤਨ ਦਾ ਉੱਚ-ਰੈਜ਼ੋਲੂਸ਼ਨ ਨਕਸ਼ਾ ਬਣਾਉਣ ਲਈ SeOM ਦੀ ਵਰਤੋਂ।
ਇਹ ਅਧਿਐਨ ਚੈੱਕ ਗਣਰਾਜ ਵਿੱਚ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਮੋਰਾਵੀਆ-ਸਿਲੇਸੀਅਨ ਖੇਤਰ ਦੇ ਫਰਾਈਡੇਕ ਮਿਸਟੇਕ ਜ਼ਿਲ੍ਹੇ ਵਿੱਚ (ਚਿੱਤਰ 1 ਦੇਖੋ)। ਅਧਿਐਨ ਖੇਤਰ ਦਾ ਭੂਗੋਲ ਬਹੁਤ ਹੀ ਖਸਤਾ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਮੋਰਾਵੀਆ-ਸਿਲੇਸੀਅਨ ਬੇਸਕੀਡੀ ਖੇਤਰ ਦਾ ਹਿੱਸਾ ਹੈ, ਜੋ ਕਿ ਕਾਰਪੇਥੀਅਨ ਪਹਾੜ ਦੇ ਬਾਹਰੀ ਕਿਨਾਰੇ ਦਾ ਹਿੱਸਾ ਹੈ। 18° 20′ 0′ E, ਅਤੇ ਉਚਾਈ 225 ਅਤੇ 327 ਮੀਟਰ ਦੇ ਵਿਚਕਾਰ ਹੈ;ਹਾਲਾਂਕਿ, ਖੇਤਰ ਦੀ ਜਲਵਾਯੂ ਸਥਿਤੀ ਲਈ ਕੋਪੇਨ ਵਰਗੀਕਰਣ ਪ੍ਰਣਾਲੀ ਨੂੰ Cfb = ਸ਼ਾਂਤ ਸਮੁੰਦਰੀ ਜਲਵਾਯੂ ਦੇ ਰੂਪ ਵਿੱਚ ਦਰਜਾ ਦਿੱਤਾ ਗਿਆ ਹੈ, ਇੱਥੇ ਸੁੱਕੇ ਮਹੀਨਿਆਂ ਵਿੱਚ ਵੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਬਾਰਸ਼ ਹੁੰਦੀ ਹੈ। ਤਾਪਮਾਨ −5 °C ਅਤੇ 24 °C ਦੇ ਵਿਚਕਾਰ ਸਾਲ ਭਰ ਵਿੱਚ ਥੋੜ੍ਹਾ ਬਦਲਦਾ ਹੈ, ਕਦੇ-ਕਦਾਈਂ −14 °C ਤੋਂ ਹੇਠਾਂ ਡਿੱਗਦਾ ਹੈ °C ਅਤੇ 753 °C ਜਾਂ ਇਸਤੋਂ ਵੱਧ, ਜਦੋਂ ਕਿ ਔਸਤਨ °C 53 °C ਜਾਂ ਵੱਧ ਹੁੰਦਾ ਹੈ। mm47.ਸਾਰੇ ਖੇਤਰ ਦਾ ਅਨੁਮਾਨਿਤ ਸਰਵੇਖਣ ਖੇਤਰ 1,208 ਵਰਗ ਕਿਲੋਮੀਟਰ ਹੈ, ਜਿਸ ਵਿੱਚ 39.38% ਕਾਸ਼ਤ ਕੀਤੀ ਜ਼ਮੀਨ ਅਤੇ 49.36% ਜੰਗਲਾਤ ਕਵਰੇਜ ਹੈ।ਦੂਜੇ ਪਾਸੇ, ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਖੇਤਰ ਲਗਭਗ 889.8 ਵਰਗ ਕਿਲੋਮੀਟਰ ਹੈ।ਓਸਟ੍ਰਾਵਾ ਦੇ ਅੰਦਰ ਅਤੇ ਆਲੇ-ਦੁਆਲੇ, ਸਟੀਲ ਮਿੱਲ ਉਦਯੋਗ ਵਿੱਚ ਬਹੁਤ ਸਰਗਰਮ ਹੈ, ਜਿੱਥੇ ਸਟੀਲ ਮਿੱਲ ਅਤੇ ਮੈਟਲ ਉਦਯੋਗ ਵਿੱਚ ਬਹੁਤ ਸਰਗਰਮ ਹੈ। ਸਟੇਨਲੈੱਸ ਸਟੀਲਜ਼ (ਜਿਵੇਂ ਕਿ ਵਾਯੂਮੰਡਲ ਦੇ ਖੋਰ ਦੇ ਪ੍ਰਤੀਰੋਧ ਲਈ) ਅਤੇ ਐਲੋਏ ਸਟੀਲਜ਼ (ਨਿਕਲ ਆਪਣੀ ਚੰਗੀ ਨਰਮਤਾ ਅਤੇ ਕਠੋਰਤਾ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਮਿਸ਼ਰਤ ਦੀ ਤਾਕਤ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ), ਅਤੇ ਤੀਬਰ ਖੇਤੀ ਜਿਵੇਂ ਕਿ ਫਾਸਫੇਟ ਖਾਦ ਦੀ ਵਰਤੋਂ ਅਤੇ ਪਸ਼ੂਆਂ ਦਾ ਉਤਪਾਦਨ ਖੇਤਰ ਵਿੱਚ ਨਿਕਲ ਦੇ ਖੋਜ ਸੰਭਾਵੀ ਸਰੋਤ ਹਨ (ਜਿਵੇਂ, ਉਦਯੋਗਿਕ ਵਿਕਾਸ ਦਰ ਵਿੱਚ ਕੈਟਲਬੈਸਲਮ ਦੀ ਘੱਟ ਵਰਤੋਂ ਅਤੇ ਕੈਟਲਬਲਮ ਦੇ ਵਾਧੇ ਵਿੱਚ ਵਾਧਾ)। ਖੋਜ ਖੇਤਰਾਂ ਵਿੱਚ ਨਿਕਲ ਵਿੱਚ ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ ਵਿੱਚ ਇਸਦੀ ਵਰਤੋਂ ਸ਼ਾਮਲ ਹੈ, ਜਿਸ ਵਿੱਚ ਇਲੈਕਟ੍ਰੋਪਲੇਟਿੰਗ ਨਿਕਲ ਅਤੇ ਇਲੈਕਟ੍ਰੋਲੇਸ ਨਿਕਲ ਪਲੇਟਿੰਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਸ਼ਾਮਲ ਹਨ। ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਮਿੱਟੀ ਦੇ ਰੰਗ, ਬਣਤਰ, ਅਤੇ ਕਾਰਬੋਨੇਟ ਸਮੱਗਰੀ ਤੋਂ ਆਸਾਨੀ ਨਾਲ ਵੱਖ ਕੀਤੀਆਂ ਜਾ ਸਕਦੀਆਂ ਹਨ। ਮਿੱਟੀ ਦੀ ਬਣਤਰ ਮਾਧਿਅਮ ਤੋਂ ਬਰੀਕ ਹੁੰਦੀ ਹੈ, ਜੋ ਮੂਲ ਸਮੱਗਰੀ ਤੋਂ ਪ੍ਰਾਪਤ ਹੁੰਦੀ ਹੈ। ਇਹ ਸੰਗਠਿਤ, ਆਲਵੀ ਜਾਂ ਐਓਲੀਅਨ ਹੁੰਦੇ ਹਨ ਅਤੇ ਮਿੱਟੀ ਦੀ ਸਤ੍ਹਾ ਵਿੱਚ ਉਪਜਾਊ ਭੂਮੀ ਅਤੇ ਭੂਮੀ ਭੂਮੀ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਅਕਸਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਕੈਮਬੀਸੋਲ ਅਤੇ ਸਟੈਗਨੋਸੋਲ ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਮਿੱਟੀ ਦੀਆਂ ਕਿਸਮਾਂ ਹਨ48। 455.1 ਤੋਂ 493.5 ਮੀਟਰ ਤੱਕ ਦੀ ਉਚਾਈ ਦੇ ਨਾਲ, ਚੈਕ ਗਣਰਾਜ ਉੱਤੇ ਕੈਮਬੀਸੋਲ ਹਾਵੀ ਹਨ।
ਅਧਿਐਨ ਖੇਤਰ ਦਾ ਨਕਸ਼ਾ [ਅਧਿਐਨ ਖੇਤਰ ਦਾ ਨਕਸ਼ਾ ArcGIS ਡੈਸਕਟਾਪ (ESRI, Inc, ਸੰਸਕਰਣ 10.7, URL: https://desktop.arcgis.com) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ।]
ਫ੍ਰਾਈਡੇਕ ਮਿਸਟੇਕ ਜ਼ਿਲ੍ਹੇ ਵਿੱਚ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਤੋਂ ਕੁੱਲ 115 ਚੋਟੀ ਦੇ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ। ਵਰਤਿਆ ਗਿਆ ਨਮੂਨਾ ਪੈਟਰਨ ਮਿੱਟੀ ਦੇ ਨਮੂਨਿਆਂ ਦੇ ਨਾਲ 2 × 2 ਕਿਲੋਮੀਟਰ ਦੀ ਦੂਰੀ 'ਤੇ ਇੱਕ ਨਿਯਮਤ ਗਰਿੱਡ ਸੀ, ਅਤੇ ਉੱਪਰਲੀ ਮਿੱਟੀ ਨੂੰ ਇੱਕ ਹੱਥ ਨਾਲ ਫੜੇ ਜੀਪੀਐਸ ਬੈਗਲੀਕੇਲਜ਼, ਜ਼ੀਪੀਐਸ ਬੈਗਲੀਕੇਲਜ਼, ਜ਼ੀਪੀਐਸਐਂਪ ਪੈਕੇਜ ਵਿੱਚ ਜੀਪੀਐਸਐਂਪ ਪੈਕੇਜ 5 ਦੀ ਵਰਤੋਂ ਕਰਕੇ 0 ਤੋਂ 20 ਸੈਂਟੀਮੀਟਰ ਦੀ ਡੂੰਘਾਈ 'ਤੇ ਮਾਪਿਆ ਗਿਆ ਸੀ। ਬੇਲਡ, ਅਤੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਭੇਜੇ ਗਏ। ਨਮੂਨਿਆਂ ਨੂੰ ਇੱਕ ਮਕੈਨੀਕਲ ਸਿਸਟਮ (ਫ੍ਰਿਟਸ਼ ਡਿਸਕ ਮਿੱਲ) ਦੁਆਰਾ ਪੁੱਟਿਆ ਗਿਆ, ਅਤੇ ਛਾਨਣੀ (ਛਲਨੀ ਦਾ ਆਕਾਰ 2 ਮਿਲੀਮੀਟਰ) ਤਿਆਰ ਕਰਨ ਲਈ ਹਵਾ ਨਾਲ ਸੁੱਕਿਆ ਗਿਆ। 1 ਗ੍ਰਾਮ ਸੁੱਕੇ, ਸਮਰੂਪ ਅਤੇ ਛਾਨਣੀ ਮਿੱਟੀ ਦੇ ਨਮੂਨਿਆਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਲੇਬਲ ਵਾਲੇ ਟੇਫਲੋ ਟੇਫਲੋ ਟੇਫਲੋਨ, %3 %3 ਦੇ ਬੋਤਲਾਂ ਵਿੱਚ ਰੱਖੋ। Cl ਅਤੇ 3 ਮਿ.ਲੀ. 65% HNO3 (ਇੱਕ ਆਟੋਮੈਟਿਕ ਡਿਸਪੈਂਸਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ - ਹਰੇਕ ਐਸਿਡ ਲਈ ਇੱਕ), ਹਲਕਾ ਢੱਕੋ ਅਤੇ ਪ੍ਰਤੀਕ੍ਰਿਆ ਲਈ ਨਮੂਨਿਆਂ ਨੂੰ ਰਾਤ ਭਰ ਖੜ੍ਹੇ ਰਹਿਣ ਦਿਓ (ਐਕਵਾ ਰੇਜੀਆ ਪ੍ਰੋਗਰਾਮ) । ਸੁਪਰਨੇਟੈਂਟ ਨੂੰ ਗਰਮ ਧਾਤੂ ਦੀ ਪਲੇਟ (ਤਾਪਮਾਨ: 100 W ਅਤੇ 160 ° C) 'ਤੇ 2 ਘੰਟੇ ਲਈ ਰੱਖੋ ਤਾਂ ਕਿ ਨਮੂਨੇ ਨੂੰ ਠੰਡਾ ਕਰਨ ਲਈ, 5 ਟੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਆਸਾਨ ਕੀਤਾ ਜਾ ਸਕੇ। 0 ਮਿਲੀਲੀਟਰ ਵੋਲਯੂਮੈਟ੍ਰਿਕ ਫਲਾਸਕ ਅਤੇ ਡੀਓਨਾਈਜ਼ਡ ਪਾਣੀ ਨਾਲ 50 ਮਿਲੀਲੀਟਰ ਤੱਕ ਪਤਲਾ ਕਰੋ। ਉਸ ਤੋਂ ਬਾਅਦ, ਪਤਲੇ ਹੋਏ ਸੁਪਰਨੇਟੈਂਟ ਨੂੰ ਡੀਓਨਾਈਜ਼ਡ ਪਾਣੀ ਨਾਲ 50 ਮਿਲੀਲੀਟਰ ਪੀਵੀਸੀ ਟਿਊਬ ਵਿੱਚ ਫਿਲਟਰ ਕਰੋ। ਇਸ ਤੋਂ ਇਲਾਵਾ, 1 ਮਿਲੀਲੀਟਰ ਪਤਲੇ ਘੋਲ ਨੂੰ 9 ਮਿਲੀਲੀਟਰ ਡੀਓਨਾਈਜ਼ਡ ਪਾਣੀ ਨਾਲ ਪਤਲਾ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਪੀ.ਟੀ.ਈ.ਐਕਸ.ਟੀ.ਈ.ਐਕਸ.ਟੀ.ਈ.ਐਕਸ.ਟੀ.ਈ.ਐਕਸ.ਟੀ.ਈ.ਸੀ.ਟੀ.ਈ.ਐਕਸ. s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ਨੂੰ ICP-OES (ਇੰਡਕਟਿਵਲੀ ਕਪਲਡ ਪਲਾਜ਼ਮਾ ਆਪਟੀਕਲ ਐਮੀਸ਼ਨ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ) (ਥਰਮੋ ਫਿਸ਼ਰ ਸਾਇੰਟਿਫਿਕ, ਯੂਐਸਏ) ਦੁਆਰਾ ਮਿਆਰੀ ਤਰੀਕਿਆਂ ਅਤੇ ਸਮਝੌਤੇ ਦੇ ਅਨੁਸਾਰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਕੁਆਲਟੀ ਅਸ਼ੋਰੈਂਸ ਅਤੇ ਕੰਟਰੋਲ ਯਕੀਨੀ ਬਣਾਓ) ਵਿਧੀ (QASTE11 ਨਾਲ ਮੋਂਟੇਨਆਈਐਸਟੀਈਆਰਐਮ 12) ਖੋਜੋ। ਅੱਧੇ ਤੋਂ ਘੱਟ ਆਇਨ ਸੀਮਾਵਾਂ ਨੂੰ ਇਸ ਅਧਿਐਨ ਵਿੱਚੋਂ ਬਾਹਰ ਰੱਖਿਆ ਗਿਆ ਸੀ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੀ ਗਈ PTE ਦੀ ਖੋਜ ਸੀਮਾ 0.0004 ਸੀ। (ਤੁਸੀਂ)। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਹਰੇਕ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਅਤੇ ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੰਦਰਭ ਮਾਪਦੰਡਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਕਿ ਗਲਤੀਆਂ ਨੂੰ ਘੱਟ ਕੀਤਾ ਗਿਆ ਸੀ, ਇੱਕ ਦੋਹਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਗਿਆ ਸੀ।
ਇਮਪੀਰੀਕਲ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ (EBK) ਮਿੱਟੀ ਵਿਗਿਆਨ ਵਰਗੇ ਵਿਭਿੰਨ ਖੇਤਰਾਂ ਵਿੱਚ ਮਾਡਲਿੰਗ ਵਿੱਚ ਵਰਤੀਆਂ ਜਾਣ ਵਾਲੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਭੂ-ਵਿਗਿਆਨਕ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਹੋਰ ਕ੍ਰਿਗਿੰਗ ਇੰਟਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕਾਂ ਦੇ ਉਲਟ, EBK ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਮਾਡਲ ਦੁਆਰਾ ਅਨੁਮਾਨਿਤ ਗਲਤੀ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦੇ ਹੋਏ ਰਵਾਇਤੀ ਕ੍ਰਿਗਿੰਗ ਵਿਧੀਆਂ ਤੋਂ ਵੱਖਰਾ ਹੈ। ਟੈਰਪੋਲੇਸ਼ਨ ਤਕਨੀਕ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੀ ਇਸ ਸਾਜ਼ਿਸ਼ ਨਾਲ ਜੁੜੀ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਪ੍ਰੋਗਰਾਮਿੰਗ ਲਈ ਰਸਤਾ ਬਣਾਉਂਦੀ ਹੈ ਜੋ ਕਿ ਇੱਕ ਕਾਫੀ ਕ੍ਰਿਗਿੰਗ ਵਿਧੀ ਦਾ ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਹਿੱਸਾ ਬਣਾਉਂਦੀ ਹੈ। EBK ਦੀ ਇੰਟਰਪੋਲੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਕ੍ਰਿਵੋਰੁਚਕੋ50 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਤਿੰਨ ਮਾਪਦੰਡਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੀ ਹੈ, (a) ਮਾਡਲ ਇਨਪੁਟ ਡੇਟਾਸੈਟ ਤੋਂ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਂਦਾ ਹੈ (ਬੀ) ਹਰੇਕ ਵਿੱਚ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੇ ਮੁੱਲ ਦੇ ਅਧਾਰ ਤੇ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ (ਬੀ) ਵਿੱਚ ਨਵੇਂ ਡੈਟਾਸੈੱਟ ਮੁੱਲ (ਬੀ) ਦੇ ਅਧਾਰ ਤੇ ਸੈੱਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਅੰਤਿਮ A ਮਾਡਲ ਦੀ ਗਣਨਾ ਇੱਕ ਸਿਮੂਲੇਟਡ ਡੇਟਾਸੈਟ ਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਬਾਏਸੀਅਨ ਸਮੀਕਰਨ ਨਿਯਮ ਇੱਕ ਪੋਸਟਰੀਅਰ ਵਜੋਂ ਦਿੱਤਾ ਗਿਆ ਹੈ
ਜਿੱਥੇ \(ਸਮੱਸਿਆ\left(A\right)\) ਪੁਰਾਣੇ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, \(Prob\left(B\right)\) ਹਾਸ਼ੀਏ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਜ਼ਿਆਦਾਤਰ ਮਾਮਲਿਆਂ ਵਿੱਚ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, \(Prob (B,A)\ )। ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਗਣਨਾ ਬੇਅਸ ਦੇ ਨਿਯਮ 'ਤੇ ਅਧਾਰਤ ਹੈ, ਜੋ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦੇ ਮੁੱਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਦਾ ਮੁੱਲ ਨਿਰਧਾਰਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਬੇਅਸ ਦਾ ਨਿਯਮ, ਜੋ ਦੱਸਦਾ ਹੈ ਕਿ ਸੈਮੀਵੈਰੀਓਗ੍ਰਾਮ ਤੋਂ ਨਿਰੀਖਣਾਂ ਦਾ ਡੇਟਾਸੈਟ ਬਣਾਉਣ ਦੀ ਕਿੰਨੀ ਸੰਭਾਵਨਾ ਹੈ।
ਇੱਕ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਹੈ ਜੋ ਇੱਕੋ ਜਿਹੇ ਪਰ ਲੀਨੀਅਰ ਤੌਰ 'ਤੇ ਸੁਤੰਤਰ ਕਲਾਸਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਇੱਕ ਸਰਵੋਤਮ ਵਿਭਾਜਨ ਹਾਈਪਰਪਲੇਨ ਤਿਆਰ ਕਰਦੀ ਹੈ। ਵੈਪਨਿਕ51 ਨੇ ਇਰਾਦਾ ਵਰਗੀਕਰਣ ਐਲਗੋਰਿਦਮ ਬਣਾਇਆ ਹੈ, ਪਰ ਇਹ ਹਾਲ ਹੀ ਵਿੱਚ ਰਿਗਰੈਸ਼ਨ-ਅਧਾਰਿਤ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਵਰਤਿਆ ਗਿਆ ਹੈ। ਲੀ ਐਟ ਅਲ.52 ਦੇ ਅਨੁਸਾਰ, ਵੱਖ-ਵੱਖ ਵਰਗਾਂ ਵਿੱਚ ਇੱਕ ਸਰਵੋਤਮ ਕਲਾਸਿਕ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ SVM (ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਰਿਗਰੈਸ਼ਨ – SVMR) ਦਾ ent ਵਰਤਿਆ ਗਿਆ ਸੀ। Cherkassky ਅਤੇ Mulier53 ਨੇ SVMR ਨੂੰ ਕਰਨਲ-ਅਧਾਰਿਤ ਰਿਗਰੈਸ਼ਨ ਦੇ ਰੂਪ ਵਿੱਚ ਮੋਢੀ ਕੀਤਾ, ਜਿਸਦੀ ਗਣਨਾ ਇੱਕ ਲੀਨੀਅਰ ਰੀਗਰੈਸ਼ਨ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਮਲਟੀ-ਕੰਟਰੀ ਸਪੇਸ਼ੀਅਲ ਫੰਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਕੀਤੀ ਗਈ ਸੀ। ਏਆਰ ਰਿਸ਼ਤੇ ਅਤੇ ਸਥਾਨਿਕ ਫੰਕਸ਼ਨਾਂ ਲਈ ਆਗਿਆ ਦਿੰਦਾ ਹੈ।ਵੋਹਲੈਂਡ ਐਟ ਅਲ ਦੇ ਅਨੁਸਾਰ।55, ਐਪਸੀਲਨ (ε)-SVMR ਇੱਕ ਐਪਸਿਲੋਨ-ਸੰਵੇਦਨਸ਼ੀਲ ਫੰਕਸ਼ਨ ਦੇ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀਨਿਧਤਾ ਮਾਡਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਕਿ ਸਹਿਸੰਬੰਧਿਤ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਤੋਂ ਵਧੀਆ ਐਪੀਸਿਲੋਨ ਪੱਖਪਾਤ ਦੇ ਨਾਲ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਡੇਟਾ ਨੂੰ ਮੈਪ ਕਰਨ ਲਈ ਲਾਗੂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਪ੍ਰੀਸੈਟ ਦੂਰੀ ਦੀ ਗਲਤੀ ਨੂੰ ਅਸਲ ਮੁੱਲ ਤੋਂ ਅਣਡਿੱਠ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਜੇਕਰ ਗਲਤੀ ਇਸ ਤੋਂ ਵੱਡੀ ਹੈ, ਤਾਂ ਸਿਖਲਾਈ ਮਾਡਲ ਦੀ ਗੁੰਝਲਦਾਰਤਾ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ। ਸਪੋਰਟ ਵੈਕਟਰਾਂ ਦਾ ਵਿਸ਼ਾਲ ਸਬਸੈੱਟ। Vapnik51 ਦੁਆਰਾ ਪ੍ਰਸਤਾਵਿਤ ਸਮੀਕਰਨ ਹੇਠਾਂ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।
ਜਿੱਥੇ b ਸਕੇਲ ਥ੍ਰੈਸ਼ੋਲਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, \ (ਕੇ} _} {x _ k} _} _} _} _} _). ਪੀਟੀਈ ਸਿਖਲਾਈ ਡੇਟਾ ਲਈ, ਸਭ ਤੋਂ ਵੱਧ ਸੂਖਮ ਅਨੁਭਵੀ ਸੈੱਟ ਫੈਕਟਰ ਸੀ ਅਤੇ ਕਰਨਲ ਪੈਰਾਮੀਟਰ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ BF ਕਰਨਲ ਲਾਗੂ ਕੀਤਾ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਪ੍ਰਮਾਣਿਕਤਾ ਸੈਟਲੇਸ਼ਨ ਪ੍ਰਤੱਖ ਪ੍ਰਤੱਖਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ, ਸਿਗਮਾ (ਉਦਾਹਰਣ ਦੇ ਮੁੱਲ ਤੇ ਦਸਤਖਤ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ.
ਇੱਕ ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰੀਗਰੈਸ਼ਨ ਮਾਡਲ (MLR) ਇੱਕ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਹੈ ਜੋ ਘੱਟ ਤੋਂ ਘੱਟ ਵਰਗ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗਣਨਾ ਕੀਤੇ ਲੀਨੀਅਰ ਪੂਲਡ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਤੀਕਿਰਿਆ ਵੇਰੀਏਬਲ ਅਤੇ ਕਈ ਪੂਰਵ-ਸੂਚਕ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। MLR ਵਿੱਚ, ਘੱਟੋ-ਘੱਟ ਵਰਗ ਮਾਡਲ, ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਦੀ ਚੋਣ ਤੋਂ ਬਾਅਦ ਮਿੱਟੀ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦਾ ਇੱਕ ਪੂਰਵ-ਸੂਚਕ ਫੰਕਸ਼ਨ ਹੈ। ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਨਾਲ ਇੱਕ ਰੇਖਿਕ ਸਬੰਧ ਸਥਾਪਤ ਕਰਨ ਲਈ ਜਵਾਬ ਵੇਰੀਏਬਲ ਵਜੋਂ। MLR ਸਮੀਕਰਨ ਹੈ
ਜਿੱਥੇ y ਜਵਾਬ ਵੇਰੀਏਬਲ ਹੈ, \(a\) ਇੰਟਰਸੈਪਟ ਹੈ, n ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਿਆਂ ਦੀ ਸੰਖਿਆ ਹੈ, \({b}_{1}\) ਗੁਣਾਂਕ ਦਾ ਅੰਸ਼ਿਕ ਰੀਗਰੈਸ਼ਨ ਹੈ, \({x}_{i}\) ਇੱਕ ਪੂਰਵ-ਸੂਚਕ ਜਾਂ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ \({\varepsilon }_{i}\) ਨੂੰ ਮਾਡਲ ਦੇ ਰੂਪ ਵਿੱਚ ਵੀ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
ਮਿਕਸਡ ਮਾਡਲਾਂ ਨੂੰ SVMR ਅਤੇ MLR ਨਾਲ EBK ਨੂੰ ਸੈਂਡਵਿਚ ਕਰਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਹ EBK ਇੰਟਰਪੋਲੇਸ਼ਨ ਤੋਂ ਪੂਰਵ ਅਨੁਮਾਨਿਤ ਮੁੱਲਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰਕੇ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੰਟਰਪੋਲੇਟਡ Ca, K, ਅਤੇ Mg ਤੋਂ ਪ੍ਰਾਪਤ ਪੂਰਵ ਅਨੁਮਾਨਿਤ ਮੁੱਲ ਨਵੇਂ ਵੇਰੀਏਬਲ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਇੱਕ ਸੰਯੋਜਕ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ, CaK ਅਤੇ KM, ਫਿਰ CagM, ਅਤੇ Cacomg, ਓਬਟੇਨ ਐਲੀਮੈਂਟਸ। ਇੱਕ ਚੌਥਾ ਵੇਰੀਏਬਲ, CaKMg। ਕੁੱਲ ਮਿਲਾ ਕੇ, ਪ੍ਰਾਪਤ ਕੀਤੇ ਵੇਰੀਏਬਲ Ca, K, Mg, CaK, CaMg, KMg ਅਤੇ CaKMg ਹਨ। ਇਹ ਵੇਰੀਏਬਲ ਸਾਡੇ ਪੂਰਵ-ਸੂਚਕ ਬਣ ਗਏ, ਜੋ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (EBK_SVM)। ਇਸੇ ਤਰ੍ਹਾਂ, ਮਿਸ਼ਰਤ ਮਾਡਲ ਇਮਪੀਰੀਕਲ ਬੇਸੀਅਨ ਕ੍ਰਿਗਿੰਗ-ਮਲਟੀਪਲ ਲੀਨੀਅਰ ਰਿਗਰੈਸ਼ਨ (EBK_MLR) ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੇਰੀਏਬਲ ਵੀ MLR ਐਲਗੋਰਿਦਮ ਰਾਹੀਂ ਪਾਈਪ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, ਵੇਰੀਏਬਲ Ca, K, Mg, Cavariables ਨੂੰ Cavariables, KMg, Cavari KM, ਪੂਰਵ-ਨਿਰਮਾਣ ਸਮੱਗਰੀ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ। ਪ੍ਰਾਪਤ ਕੀਤਾ ਸਭ ਤੋਂ ਸਵੀਕਾਰਯੋਗ ਮਾਡਲ (EBK_SVM ਜਾਂ EBK_MLR) ਫਿਰ ਇੱਕ ਸਵੈ-ਸੰਗਠਿਤ ਗ੍ਰਾਫ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਲਪਨਾ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਸ ਅਧਿਐਨ ਦਾ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਚਿੱਤਰ 2 ਵਿੱਚ ਦਿਖਾਇਆ ਗਿਆ ਹੈ।
SeOM ਦੀ ਵਰਤੋਂ ਵਿੱਤੀ ਖੇਤਰ, ਸਿਹਤ ਸੰਭਾਲ, ਉਦਯੋਗ, ਅੰਕੜੇ, ਮਿੱਟੀ ਵਿਗਿਆਨ, ਅਤੇ ਹੋਰ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ, ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ ਪ੍ਰਸਿੱਧ ਸੰਦ ਬਣ ਗਈ ਹੈ। SeOM ਨੂੰ ਆਰਟੀਫਿਸ਼ੀਅਲ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਅਤੇ ਸੰਗਠਨ, ਮੁਲਾਂਕਣ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ ਨਿਰੀਖਣ ਰਹਿਤ ਸਿੱਖਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਹੈ। ਇਸ ਅਧਿਐਨ ਵਿੱਚ, SeOM ਦੀ ਵਰਤੋਂ ਨਿਆਈ-ਬੈਨਿੰਗ ਮਾਡਲ ਦੇ ਆਧਾਰ 'ਤੇ ਸਰਵੋਤਮ ਨਿਰਧਾਰਨ ਅਤੇ ਪੂਰਵ-ਨਿਰਧਾਰਨ ਕਰਨ ਲਈ ਕੀਤੀ ਗਈ ਸੀ। soils.SeOM ਮੁਲਾਂਕਣ ਵਿੱਚ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਗਏ ਡੇਟਾ ਨੂੰ n ਇਨਪੁਟ-ਅਯਾਮੀ ਵੈਕਟਰ ਵੇਰੀਏਬਲ 43,56.Melssen et al ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।57 ਇੱਕ ਇਨਪੁਟ ਵੈਕਟਰ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਇੰਪੁੱਟ ਲੇਅਰ ਦੁਆਰਾ ਇੱਕ ਸਿੰਗਲ ਭਾਰ ਵੈਕਟਰ ਨਾਲ ਇੱਕ ਆਉਟਪੁੱਟ ਵੈਕਟਰ ਨਾਲ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਵਿੱਚ ਕਨੈਕਸ਼ਨ ਦਾ ਵਰਣਨ ਕਰਦਾ ਹੈ। SeOM ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਆਉਟਪੁੱਟ ਇੱਕ ਦੋ-ਅਯਾਮੀ ਨਕਸ਼ਾ ਹੈ ਜਿਸ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਨਿਊਰੋਨਸ ਜਾਂ ਨੋਡਸ ਹੈਕਸਾਗੋਨਲ, ਗੋਲਾਕਾਰ, ਜਾਂ ਵਰਗ ਟੌਪੋਲੋਜੀਕਲ ਨਕਸ਼ਿਆਂ ਵਿੱਚ ਬੁਣੇ ਹੋਏ ਹਨ। ਗਲਤੀ (TE), ਕ੍ਰਮਵਾਰ 0.086 ਅਤੇ 0.904 ਵਾਲਾ SeOM ਮਾਡਲ ਚੁਣਿਆ ਗਿਆ ਹੈ, ਜੋ ਕਿ 55-ਨਕਸ਼ੇ ਦੀ ਇਕਾਈ (5 × 11) ਹੈ। ਨਿਊਰੋਨ ਬਣਤਰ ਅਨੁਭਵੀ ਸਮੀਕਰਨ ਵਿੱਚ ਨੋਡਾਂ ਦੀ ਸੰਖਿਆ ਦੇ ਅਨੁਸਾਰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਡੇਟਾ ਦੀ ਸੰਖਿਆ 115 ਨਮੂਨੇ ਹੈ। ਡੇਟਾ ਨੂੰ ਟੈਸਟ ਡੇਟਾ (25% ਪ੍ਰਮਾਣਿਕਤਾ ਲਈ) ਅਤੇ ਸਿਖਲਾਈ ਡੇਟਾ ਸੈੱਟਾਂ (ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਲਈ 75%) ਵਿੱਚ ਵੰਡਣ ਲਈ ਇੱਕ ਬੇਤਰਤੀਬ ਪਹੁੰਚ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ। ਸਿਖਲਾਈ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ (ਕੈਲੀਬ੍ਰੇਸ਼ਨ) ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਟੈਸਟ ਡੇਟਾਸੈਟ ਦੀ ਵਰਤੋਂ ਸਾਧਾਰਨਕਰਨ ਦੀ ਤਸਦੀਕ ਕਰਨ ਲਈ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਇਸ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਵਿੱਚ ਸਮੱਗਰੀ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨੂੰ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਸੀ। .ਵਰਤੇ ਗਏ ਸਾਰੇ ਮਾਡਲ ਦਸ-ਗੁਣਾ ਕਰਾਸ-ਵੈਧੀਕਰਨ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚੋਂ ਲੰਘੇ, ਪੰਜ ਵਾਰ ਦੁਹਰਾਇਆ ਗਿਆ। EBK ਇੰਟਰਪੋਲੇਸ਼ਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਵੇਰੀਏਬਲਾਂ ਨੂੰ ਟੀਚਾ ਵੇਰੀਏਬਲ (PTE) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪੂਰਵ-ਸੂਚਕ ਜਾਂ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਮਾਡਲਿੰਗ ਨੂੰ RStudio ਵਿੱਚ ਪੈਕੇਜ ਲਾਇਬ੍ਰੇਰੀ(Kohonen), library(″), library("08), library(18), library(100), ਲਾਇਬ੍ਰੇਰੀ(1) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ। “plyr”), ਲਾਇਬ੍ਰੇਰੀ(“caTools”), ਲਾਇਬ੍ਰੇਰੀ(”prospectr”) ਅਤੇ ਲਾਇਬ੍ਰੇਰੀਆਂ (“ਮੈਟ੍ਰਿਕਸ”)।
ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਇਸਦੀ ਪ੍ਰਮਾਣਿਕਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਪ੍ਰਮਾਣਿਕਤਾ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ। ਹਾਈਬ੍ਰਿਡਾਈਜ਼ੇਸ਼ਨ ਮਾਡਲਾਂ ਦਾ ਮੁਲਾਂਕਣ ਔਸਤਨ ਪੂਰਨ ਗਲਤੀ (MAE), ਰੂਟ ਮਤਲਬ ਵਰਗ ਗਲਤੀ (RMSE), ਅਤੇ R-ਵਰਗ ਜਾਂ ਗੁਣਾਂਕ ਦਾ ਉੱਤਰ-ਪੂਰਵ ਨਿਰਧਾਰਨ (ਪ੍ਰੋਫਾਈਨਟ ਡੀਆਰ 2 ਦਾ ਪ੍ਰਤੀਨਿਧਤਾ ਕਰਦਾ ਹੈ)। ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਦੁਆਰਾ। ਸੁਤੰਤਰ ਮਾਪਾਂ ਵਿੱਚ RMSE ਅਤੇ ਵਿਭਿੰਨਤਾ ਮਾਪਦੰਡ ਮਾਡਲ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨੀ ਸ਼ਕਤੀ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ MAE ਅਸਲ ਮਾਤਰਾਤਮਕ ਮੁੱਲ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਪ੍ਰਮਾਣਿਕਤਾ ਮਾਪਦੰਡਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸਭ ਤੋਂ ਵਧੀਆ ਮਿਸ਼ਰਣ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ R2 ਮੁੱਲ ਉੱਚਾ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਮੁੱਲ 1 ਦੇ ਜਿੰਨਾ ਨੇੜੇ ਹੋਵੇਗਾ, ਸ਼ੁੱਧਤਾ ਲਈ ਉੱਚੀ ਸ਼ੁੱਧਤਾ।59, 0.75 ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਦੇ ਇੱਕ R2 ਮਾਪਦੰਡ ਮੁੱਲ ਨੂੰ ਇੱਕ ਚੰਗਾ ਭਵਿੱਖਬਾਣੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ;0.5 ਤੋਂ 0.75 ਤੱਕ ਸਵੀਕਾਰਯੋਗ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਹੈ, ਅਤੇ 0.5 ਤੋਂ ਹੇਠਾਂ ਅਸਵੀਕਾਰਨਯੋਗ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਹੈ। RMSE ਅਤੇ MAE ਪ੍ਰਮਾਣਿਕਤਾ ਮਾਪਦੰਡ ਮੁਲਾਂਕਣ ਵਿਧੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਦੇ ਸਮੇਂ, ਪ੍ਰਾਪਤ ਕੀਤੇ ਹੇਠਲੇ ਮੁੱਲ ਕਾਫ਼ੀ ਸਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਕਲਪ ਮੰਨਿਆ ਗਿਆ ਸੀ। ਹੇਠਾਂ ਦਿੱਤੇ ਸਮੀਕਰਨ ਪੁਸ਼ਟੀਕਰਨ ਵਿਧੀ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹਨ।
ਜਿੱਥੇ n ਨਿਰੀਖਣ ਕੀਤੇ ਮੁੱਲ ਦੇ ਆਕਾਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ\({Y}_{i}\) ਮਾਪੇ ਗਏ ਜਵਾਬ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ \({\widehat{Y}}_{i}\) ਵੀ ਪੂਰਵ ਅਨੁਮਾਨਿਤ ਜਵਾਬ ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਇਸਲਈ, ਪਹਿਲੇ i ਨਿਰੀਖਣਾਂ ਲਈ।
ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਅਤੇ ਜਵਾਬ ਵੇਰੀਏਬਲਾਂ ਦੇ ਅੰਕੜਾ ਵਰਣਨ ਸਾਰਣੀ 1 ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਹਨ, ਮਤਲਬ, ਮਿਆਰੀ ਵਿਵਹਾਰ (SD), ਪਰਿਵਰਤਨ ਦੇ ਗੁਣਾਂਕ (CV), ਘੱਟੋ-ਘੱਟ, ਅਧਿਕਤਮ, ਕਰਟੋਸਿਸ, ਅਤੇ skewness ਦਿਖਾਉਂਦੇ ਹੋਏ। ਤੱਤਾਂ ਦੇ ਘੱਟੋ-ਘੱਟ ਅਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਮੁੱਲ Mg < Ca < K < Ni ਅਤੇ Ca < C < N ਦੇ ਪ੍ਰਤੀਕਿਰਿਆਯੋਗ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇ ਘਟਦੇ ਕ੍ਰਮ ਵਿੱਚ ਹਨ। ਅਧਿਐਨ ਖੇਤਰ ਤੋਂ 4.86 ਤੋਂ 42.39 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਤੱਕ ਦਾ ਨਮੂਨਾ ਲਿਆ ਗਿਆ। ਵਿਸ਼ਵ ਔਸਤ (29 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਅਤੇ ਯੂਰਪੀਅਨ ਔਸਤ (37 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਨਾਲ ਨੀ ਦੀ ਤੁਲਨਾ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਅਧਿਐਨ ਖੇਤਰ ਲਈ ਸਮੁੱਚਾ ਗਿਣਿਆ ਗਿਆ ਜਿਓਮੈਟ੍ਰਿਕ ਮਾਧਿਅਮ ਸਹਿਣਯੋਗ ਸੀਮਾ ਦੇ ਅੰਦਰ ਸੀ। ਫਿਰ ਵੀ, ਔਸਤਨ 1 ਦੁਆਰਾ ਦਿਖਾਇਆ ਗਿਆ ਹੈ। ਸਵੀਡਨ ਵਿੱਚ ਖੇਤੀਬਾੜੀ ਮਿੱਟੀ ਦੇ ਨਾਲ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਕੇਂਦਰੀਕਰਨ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮੌਜੂਦਾ ਔਸਤ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਵੱਧ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਫ੍ਰਾਈਡੇਕ ਮਿਸਟੇਕ ਦੀ ਔਸਤ ਗਾੜ੍ਹਾਪਣ (Ni 16.15 mg/kg) 60 mg/10kgurbanski ਦੁਆਰਾ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਸੀਮਾ ਤੋਂ ਵੱਧ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਬ੍ਰੇਟਜ਼ਲ ਅਤੇ ਕੈਲਡੇਰੀਸੀ61 ਨੇ ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੇ ਮੁਕਾਬਲੇ ਟਸਕਨੀ ਵਿੱਚ ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਬਹੁਤ ਘੱਟ ਮੱਧਮ Ni ਸੰਘਣਤਾ (1.78 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਦਰਜ ਕੀਤੀ। ਜਿਮ62 ਨੇ ਹਾਂਗਕਾਂਗ ਦੀ ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਘੱਟ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ (12.34 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਵੀ ਪਾਇਆ, ਜੋ ਕਿ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਨਿਕੇਲ 6 ਦੀ ਔਸਤ ਮਾਤਰਾ ਨਾਲੋਂ ਘੱਟ ਹੈ। ਸੈਕਸੋਨੀ-ਐਨਹਾਲਟ, ਜਰਮਨੀ ਵਿੱਚ ਇੱਕ ਪੁਰਾਣੇ ਮਾਈਨਿੰਗ ਅਤੇ ਸ਼ਹਿਰੀ ਉਦਯੋਗਿਕ ਖੇਤਰ ਵਿੱਚ 17.6 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਦੀ ਕੇਂਦਰਤਾ, ਜੋ ਕਿ ਖੇਤਰ ਵਿੱਚ ਔਸਤ Ni ਗਾੜ੍ਹਾਪਣ (16.15 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਨਾਲੋਂ 1.45 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ ਵੱਧ ਸੀ। ਮੌਜੂਦਾ ਖੋਜ। ਮਿੱਟੀ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਕਲ ਦੀ ਸਮੱਗਰੀ ਕੁਝ ਸ਼ਹਿਰੀ ਅਤੇ ਉਪ-ਸਹਿਰੀ ਖੇਤਰ ਦੇ ਧਾਤੂ ਉਦਯੋਗਾਂ ਦੇ ਅਧਿਐਨ ਵਿੱਚ ਮੁੱਖ ਤੌਰ 'ਤੇ ਸ਼ਾਮਲ ਹੋ ਸਕਦੀ ਹੈ। Khodadoust et al ਦੁਆਰਾ ਅਧਿਐਨ ਦੇ ਨਾਲ ਇਕਸਾਰ ਹੈ.64 ਕਿ ਸਟੀਲ ਉਦਯੋਗ ਅਤੇ ਧਾਤ ਦਾ ਕੰਮ ਮਿੱਟੀ ਵਿੱਚ ਨਿਕਲ ਗੰਦਗੀ ਦੇ ਮੁੱਖ ਸਰੋਤ ਹਨ। ਹਾਲਾਂਕਿ, ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵੀ 538.70 mg/kg ਤੋਂ 69,161.80 mg/kg Ca ਲਈ, 497.51 mg/kg ਤੋਂ 3535.68 kg/60kg/8kg, 8kg/60kg ਅਤੇ 8kg. Mg. Jakovljevic et al ਲਈ 5 mg/kg.65 ਨੇ ਕੇਂਦਰੀ ਸਰਬੀਆ ਵਿੱਚ ਮਿੱਟੀ ਦੀ ਕੁੱਲ Mg ਅਤੇ K ਸਮੱਗਰੀ ਦੀ ਜਾਂਚ ਕੀਤੀ। ਉਹਨਾਂ ਨੇ ਪਾਇਆ ਕਿ ਕੁੱਲ ਗਾੜ੍ਹਾਪਣ (ਕ੍ਰਮਵਾਰ 410 mg/kg ਅਤੇ 400 mg/kg, ਮੌਜੂਦਾ ਅਧਿਐਨ ਦੇ Mg ਅਤੇ K ਗਾੜ੍ਹਾਪਣ ਨਾਲੋਂ ਘੱਟ ਸਨ। ਪੂਰਬੀ ਪੋਲੈਂਡ ਵਿੱਚ, ਓਰਜ਼ੇਚੋਵਸਕੀ ਅਤੇ Smolczysਕੀ ਅਤੇ Smolczysਕੀ ਦੀ ਕੁੱਲ ਸਮਗਰੀ 6 ਦੇ ਰੂਪ ਵਿੱਚ ਔਸਤਨ M6 ਅਤੇ Smolczysਕੀ ਦੀ ਸਮਗਰੀ ਨੂੰ ਦਰਸਾਇਆ ਗਿਆ ਹੈ। Ca (1100 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ), ਮਿਲੀਗ੍ਰਾਮ (590 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਅਤੇ ਕੇ (810 ਮਿਲੀਗ੍ਰਾਮ/ਕਿਲੋਗ੍ਰਾਮ) ਦੀ ਚੋਟੀ ਦੀ ਮਿੱਟੀ ਵਿੱਚ ਸਮੱਗਰੀ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਇੱਕ ਤੱਤ ਤੋਂ ਘੱਟ ਹੈ। ਪੋਂਗਰਾਕ ਐਟ ਅਲ ਦੁਆਰਾ ਇੱਕ ਤਾਜ਼ਾ ਅਧਿਐਨ।67 ਨੇ ਦਿਖਾਇਆ ਕਿ ਸਕਾਟਲੈਂਡ, ਯੂਕੇ (ਮਾਇਲਨਫੀਲਡ ਮਿੱਟੀ, ਬਾਲਰੂਡਰੀ ਮਿੱਟੀ ਅਤੇ ਹਾਰਟਵੁੱਡ ਮਿੱਟੀ) ਵਿੱਚ 3 ਵੱਖ-ਵੱਖ ਮਿੱਟੀ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੀ ਗਈ ਕੁੱਲ Ca ਸਮੱਗਰੀ ਨੇ ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਇੱਕ ਉੱਚ Ca ਸਮੱਗਰੀ ਦਾ ਸੰਕੇਤ ਦਿੱਤਾ।
ਨਮੂਨੇ ਕੀਤੇ ਤੱਤਾਂ ਦੀ ਵੱਖੋ-ਵੱਖ ਮਾਪੀਆਂ ਗਾੜ੍ਹਾਪਣ ਦੇ ਕਾਰਨ, ਤੱਤਾਂ ਦੇ ਡੇਟਾ ਸੈੱਟ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਵੱਖੋ-ਵੱਖਰੇ ਤਿੱਖੇਪਨ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਤੱਤਾਂ ਦੀ ਤਿੱਖੀਪਣ ਅਤੇ ਕੁਰਟੋਸਿਸ ਕ੍ਰਮਵਾਰ 1.53 ਤੋਂ 7.24 ਅਤੇ 2.49 ਤੋਂ 54.16 ਤੱਕ ਹੁੰਦੀ ਹੈ। ਸਾਰੇ ਗਣਨਾ ਕੀਤੇ ਤੱਤਾਂ ਵਿੱਚ ਸਕਿਊਨੈਸ ਅਤੇ ਕ੍ਰਟੋਸਿਸ ਦੇ ਉੱਪਰਲੇ ਅੰਕੜੇ ਹੁੰਦੇ ਹਨ, ਜੋ ਕਿ +1 ਵਿੱਚ ਅੰਕੜੇ ਹੁੰਦੇ ਹਨ। ਸਹੀ ਦਿਸ਼ਾ ਵਿੱਚ skewed ਅਤੇ ਸਿਖਰ 'ਤੇ। ਤੱਤਾਂ ਦੇ ਅੰਦਾਜ਼ਨ CVs ਇਹ ਵੀ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ K, Mg, ਅਤੇ Ni ਮੱਧਮ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ Ca ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਹੈ। K, Ni ਅਤੇ Mg ਦੇ CVs ਉਹਨਾਂ ਦੀ ਇਕਸਾਰ ਵੰਡ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, Ca ਵੰਡ ਗੈਰ-ਯੂਨੀਫਾਰਮ ਹੈ ਅਤੇ ਬਾਹਰੀ ਸਰੋਤ ਇਸਦੇ ਸੰਸ਼ੋਧਨ ਪੱਧਰ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ।
ਪ੍ਰਤੀਕਿਰਿਆ ਤੱਤਾਂ ਦੇ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਵੇਰੀਏਬਲਾਂ ਦਾ ਸਬੰਧ ਤੱਤਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਤਸੱਲੀਬਖਸ਼ ਸਬੰਧ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ (ਚਿੱਤਰ 3 ਦੇਖੋ)। ਸਬੰਧ ਨੇ ਸੰਕੇਤ ਦਿੱਤਾ ਕਿ CaK ਨੇ r ਮੁੱਲ = 0.53 ਦੇ ਨਾਲ ਮੱਧਮ ਸਬੰਧ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤੇ, ਜਿਵੇਂ ਕਿ CaNi. ਹਾਲਾਂਕਿ Ca ਅਤੇ K ਇੱਕ ਦੂਜੇ ਦੇ ਨਾਲ ਮਾਮੂਲੀ ਸਬੰਧ ਦਿਖਾਉਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਕਿੰਗਟਨ ਅਲ ਖੋਜਕਰਤਾਵਾਂ।68 ਅਤੇ ਸੈਂਟੋ69 ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਮਿੱਟੀ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਪੱਧਰ ਉਲਟ ਅਨੁਪਾਤਕ ਹਨ। ਹਾਲਾਂਕਿ, Ca ਅਤੇ Mg K ਦੇ ਵਿਰੋਧੀ ਹਨ, ਪਰ CaK ਚੰਗੀ ਤਰ੍ਹਾਂ ਨਾਲ ਸਬੰਧ ਰੱਖਦੇ ਹਨ। ਇਹ ਪੋਟਾਸ਼ੀਅਮ ਕਾਰਬੋਨੇਟ, ਜੋ ਕਿ ਪੋਟਾਸ਼ੀਅਮ ਵਿੱਚ 56% ਵੱਧ ਹੈ, ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਪੋਟਾਸ਼ੀਅਮ ਨੂੰ ਮੱਧਮ ਤੌਰ 'ਤੇ ਮੈਗਨੇਸੀਅਮ 3 ਉਦਯੋਗ ਵਿੱਚ 6M correlated ਕੀਤਾ ਗਿਆ ਸੀ। , ਇਹ ਦੋ ਤੱਤ ਨੇੜਿਓਂ ਸਬੰਧਤ ਹਨ ਕਿਉਂਕਿ ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ ਸਲਫੇਟ, ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ ਨਾਈਟ੍ਰੇਟ, ਅਤੇ ਪੋਟਾਸ਼ ਮਿੱਟੀ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਘਾਟ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਨਿੱਕਲ ਮੱਧਮ ਰੂਪ ਵਿੱਚ Ca, K ਅਤੇ Mg ਨਾਲ r ਮੁੱਲ = 0.52, 0.63 ਅਤੇ 0.55, ਕ੍ਰਮਵਾਰ ਪੀਮੈਗਨੀਕ, ਵੋਲਯੂਮ, ਕੈਲਸੀ ਅਤੇ ਵੋਲਯੂਮਕੇਲ ਨਾਲ ਸਬੰਧ ਰੱਖਦਾ ਹੈ। ਗੁੰਝਲਦਾਰ ਹਨ, ਪਰ ਫਿਰ ਵੀ, ਮੈਗਨੀਸ਼ੀਅਮ ਕੈਲਸ਼ੀਅਮ ਦੀ ਸਮਾਈ ਨੂੰ ਰੋਕਦਾ ਹੈ, ਕੈਲਸ਼ੀਅਮ ਵਾਧੂ ਮੈਗਨੀਸ਼ੀਅਮ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਅਤੇ ਮੈਗਨੀਸ਼ੀਅਮ ਅਤੇ ਕੈਲਸ਼ੀਅਮ ਦੋਵੇਂ ਮਿੱਟੀ ਵਿੱਚ ਨਿਕਲ ਦੇ ਜ਼ਹਿਰੀਲੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ।
ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਅਤੇ ਜਵਾਬਾਂ ਦੇ ਵਿਚਕਾਰ ਸਬੰਧ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਤੱਤਾਂ ਲਈ ਸਬੰਧ ਮੈਟ੍ਰਿਕਸ (ਨੋਟ: ਇਸ ਚਿੱਤਰ ਵਿੱਚ ਤੱਤਾਂ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਸਕੈਟਰਪਲੋਟ ਸ਼ਾਮਲ ਹੈ, ਮਹੱਤਵ ਪੱਧਰ p <0,001 'ਤੇ ਅਧਾਰਤ ਹਨ)।
ਚਿੱਤਰ 4 ਤੱਤਾਂ ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਬਰਗੋਸ ਐਟ ਅਲ 70 ਦੇ ਅਨੁਸਾਰ, ਸਥਾਨਿਕ ਵੰਡ ਦੀ ਵਰਤੋਂ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜੋ ਪ੍ਰਦੂਸ਼ਿਤ ਖੇਤਰਾਂ ਵਿੱਚ ਗਰਮ ਸਥਾਨਾਂ ਨੂੰ ਮਾਪਣ ਅਤੇ ਉਜਾਗਰ ਕਰਨ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਚਿੱਤਰ 4 ਵਿੱਚ Ca ਦੇ ਸੰਸ਼ੋਧਨ ਪੱਧਰਾਂ ਨੂੰ ਉੱਤਰ-ਪੱਛਮੀ ਹਿੱਸੇ ਵਿੱਚ ਦੇਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਵਿੱਚ cium ਸੰਸ਼ੋਧਨ ਮਿੱਟੀ ਦੀ ਐਸੀਡਿਟੀ ਨੂੰ ਘਟਾਉਣ ਲਈ ਕੁਇੱਕਲਾਈਮ (ਕੈਲਸ਼ੀਅਮ ਆਕਸਾਈਡ) ਦੀ ਵਰਤੋਂ ਅਤੇ ਸਟੀਲ ਮਿੱਲਾਂ ਵਿੱਚ ਸਟੀਲ ਬਣਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਖਾਰੀ ਆਕਸੀਜਨ ਵਜੋਂ ਇਸਦੀ ਵਰਤੋਂ ਦੇ ਕਾਰਨ ਹੈ। ਦੂਜੇ ਪਾਸੇ, ਦੂਜੇ ਕਿਸਾਨ ਤੇਜ਼ਾਬੀ ਮਿੱਟੀ ਵਿੱਚ ਕੈਲਸ਼ੀਅਮ ਹਾਈਡ੍ਰੋਕਸਾਈਡ ਦੀ ਵਰਤੋਂ ਨੂੰ ਬੇਅਸਰ ਕਰਨ ਲਈ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਪੀਐਚ 7 ਦੀ ਮਾਤਰਾ ਵੀ ਵਧਦੀ ਹੈ। ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਅਤੇ ਪੂਰਬ ਵਿੱਚ। ਉੱਤਰ-ਪੱਛਮ ਇੱਕ ਪ੍ਰਮੁੱਖ ਖੇਤੀਬਾੜੀ ਭਾਈਚਾਰਾ ਹੈ, ਅਤੇ ਪੋਟਾਸ਼ੀਅਮ ਦਾ ਮੱਧਮ-ਤੋਂ-ਉੱਚਾ ਪੈਟਰਨ NPK ਅਤੇ ਪੋਟਾਸ਼ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ। ਇਹ ਹੋਰ ਅਧਿਐਨਾਂ ਜਿਵੇਂ ਕਿ ਮਦਰਾਸ ਅਤੇ ਲਿਪਾਵਸਕੀ72, ਮਦਰਾਸ et al.73, Pulkrabová, et al.73, Pulkrabová, et al. l ਅਤੇ NPK ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮਿੱਟੀ ਵਿੱਚ ਉੱਚ K ਸਮੱਗਰੀ ਹੁੰਦੀ ਹੈ।ਵੰਡ ਦੇ ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਵਿੱਚ ਸਥਾਨਿਕ ਪੋਟਾਸ਼ੀਅਮ ਸੰਸ਼ੋਧਨ ਪੋਟਾਸ਼ੀਅਮ-ਆਧਾਰਿਤ ਖਾਦਾਂ ਜਿਵੇਂ ਕਿ ਪੋਟਾਸ਼ੀਅਮ ਕਲੋਰਾਈਡ, ਪੋਟਾਸ਼ੀਅਮ ਸਲਫੇਟ, ਪੋਟਾਸ਼ੀਅਮ ਨਾਈਟ੍ਰੇਟ, ਪੋਟਾਸ਼, ਪੋਟਾਸ਼ ਅਤੇ ਪੋਟਾਸ਼ ਦੀ ਮਾੜੀ ਮਿੱਟੀ ਦੀ ਪੋਟਾਸ਼ੀਅਮ ਸਮੱਗਰੀ ਨੂੰ ਵਧਾਉਣ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ। Zádorová et al.76 ਅਤੇ Tlustoš et al.77 ਨੇ ਦੱਸਿਆ ਕਿ ਕੇ-ਆਧਾਰਿਤ ਖਾਦਾਂ ਦੀ ਵਰਤੋਂ ਨਾਲ ਮਿੱਟੀ ਵਿੱਚ K ਸਮੱਗਰੀ ਵਧਦੀ ਹੈ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਪੌਸ਼ਟਿਕ ਤੱਤ ਵਿੱਚ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਹੁੰਦਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ K ਅਤੇ Mg ਮਿੱਟੀ ਵਿੱਚ ਗਰਮ ਸਥਾਨ ਦਿਖਾਉਂਦਾ ਹੈ। ਨਕਸ਼ੇ ਦੇ ਉੱਤਰ-ਪੱਛਮ ਅਤੇ ਨਕਸ਼ੇ ਦੇ ਦੱਖਣ-ਪੂਰਬ ਵਿੱਚ ਮੁਕਾਬਲਤਨ ਦਰਮਿਆਨੇ ਹੌਟਸਪੌਟਸ। ਪੌਦੇ ਪੀਲੇ ਰੰਗ ਦੇ ਇੰਟਰਵੀਨ ਕਲੋਰੋਸਿਸ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦੇ ਹਨ। ਮੈਗਨੀਸ਼ੀਅਮ-ਆਧਾਰਿਤ ਖਾਦਾਂ, ਜਿਵੇਂ ਕਿ ਪੋਟਾਸ਼ੀਅਮ ਮੈਗਨੀਸ਼ੀਅਮ ਸਲਫੇਟ, ਮੈਗਨੀਸ਼ੀਅਮ ਸਲਫੇਟ, ਅਤੇ ਕੀਸਰਾਈਟ, ਕਮੀਆਂ ਦਾ ਇਲਾਜ ਕਰਦੇ ਹਨ (ਪੌਦੇ ਜਾਮਨੀ, ਲਾਲ, ਜਾਂ ਭੂਰੇ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ, ਜੋ ਕਿ ਮੈਗਨੀਸ਼ੀਅਮ ਦੀ ਘਾਟ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ) ਮਿੱਟੀ ਵਿੱਚ ਪੀ-ਕੇਲਬਨ ਦੀ ਇੱਕ ਆਮ ਰੇਂਜ ਦੇ ਨਾਲ. il ਸਤਹ ਮਾਨਵ-ਜਨਕ ਗਤੀਵਿਧੀਆਂ ਜਿਵੇਂ ਕਿ ਖੇਤੀਬਾੜੀ ਅਤੇ ਸਟੇਨਲੈਸ ਸਟੀਲ ਉਤਪਾਦਨ ਵਿੱਚ ਨਿਕਲ ਦੀ ਮਹੱਤਤਾ ਦੇ ਕਾਰਨ ਹੋ ਸਕਦਾ ਹੈ78।
ਤੱਤਾਂ ਦੀ ਸਥਾਨਿਕ ਵੰਡ [ਸਪੇਸ਼ੀਅਲ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਮੈਪ ArcGIS ਡੈਸਕਟਾਪ (ESRI, Inc, ਸੰਸਕਰਣ 10.7, URL: https://desktop.arcgis.com) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਇਆ ਗਿਆ ਸੀ।]
ਇਸ ਅਧਿਐਨ ਵਿੱਚ ਵਰਤੇ ਗਏ ਤੱਤਾਂ ਲਈ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਸੂਚਕਾਂਕ ਦੇ ਨਤੀਜੇ ਸਾਰਣੀ 2 ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਹਨ। ਦੂਜੇ ਪਾਸੇ, Ni ਦੇ RMSE ਅਤੇ MAE ਦੋਵੇਂ ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ ਹਨ (0.86 RMSE, -0.08 MAE)। ਦੂਜੇ ਪਾਸੇ, K ਦੇ RMSE ਅਤੇ MAE ਦੋਵੇਂ ਮੁੱਲ ਸਵੀਕਾਰਯੋਗ ਹਨ। RMSE ਅਤੇ MAE ਨਤੀਜੇ KSERM ਲਈ ਵੱਧ ਹਨ ਅਤੇ ਬਕਾਇਆ ਅਤੇ ਵੱਡੇ ਨਤੀਜੇ ਹਨ। ਵੱਖ-ਵੱਖ ਡੇਟਾਸੈਟਾਂ ਲਈ। ਇਸ ਅਧਿਐਨ ਦੇ RMSE ਅਤੇ MAE ਈਬੀਕੇ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨਿ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਜੌਹਨ ਐਟ ਅਲ ਦੇ ਨਤੀਜਿਆਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪਾਏ ਗਏ ਸਨ।54 ਇੱਕੋ ਇਕੱਠੇ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਮਿੱਟੀ ਵਿੱਚ S ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਿਨਰਜਿਸਟਿਕ ਕਰਿਗਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ। ਸਾਡੇ ਦੁਆਰਾ ਅਧਿਐਨ ਕੀਤੇ ਗਏ EBK ਆਉਟਪੁੱਟ ਫੈਬੀਜੈਕਜ਼ਿਕ ਐਟ ਅਲ ਦੇ ਨਾਲ ਸੰਬੰਧਿਤ ਹਨ।41, ਯਾਨ ਐਟ ਅਲ.79, ਬੇਗੁਇਨ ਐਟ ਅਲ.80, ਅਧਿਕਾਰੀ ਐਟ ਅਲ.81 ਅਤੇ ਜੌਨ ਐਟ ਅਲ.82, ਖਾਸ ਕਰਕੇ ਕੇ ਅਤੇ ਨੀ.
ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਸਮੱਗਰੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਿਅਕਤੀਗਤ ਤਰੀਕਿਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਮਾਡਲਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ (ਸਾਰਣੀ 3) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਸੀ। ਮਾਡਲ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਨੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਕਿ EBK SVMR ਮਾਡਲ ਦੇ ਨਾਲ ਮਿਲ ਕੇ Ca_Mg_K ਪੂਰਵ-ਸੂਚਕ ਨੇ ਸਭ ਤੋਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਦਿੱਤਾ। RMSE) ਅਤੇ ਮਤਲਬ ਪੂਰਨ ਤਰੁਟੀ (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) ਅਤੇ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR ਸੀ 0.663 (R2), 235.974 mg/kg (m16kg/kg, 6MA6/kg ਚੰਗਾ, RME69kg (6MA6/kg ਚੰਗਾ) ਅਤੇ ਮੁੱਲ ਰਹਿਤ RME64)। s Ca_Mg_K-SVMR (0.663 mg/kg R2) ਅਤੇ Ca_Mg-EBK_SVMR (0.643 = R2) ਲਈ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਸਨ;ਉਹਨਾਂ ਦੇ RMSE ਅਤੇ MAE ਨਤੀਜੇ Ca_Mg_K-EBK_SVMR (R2 0.637) (ਸਾਰਣੀ 3 ਦੇਖੋ) ਦੇ ਨਤੀਜਿਆਂ ਨਾਲੋਂ ਵੱਧ ਸਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, Ca_Mg-EBK_SVMR (RMSE = 1664.64 ਅਤੇ MAE = 1031.47, 135, 135 ਤੋਂ ਵੱਡੇ ਹਨ) ਦੇ RMSE ਅਤੇ MAE। Ca_Mg_K-EBK_SVMR। ਇਸੇ ਤਰ੍ਹਾਂ, Ca_Mg-K SVMR (RMSE = 235.974 ਅਤੇ MAE = 166.946) ਮਾਡਲ ਦੇ RMSE ਅਤੇ MAE Ca_Mg_K-EBK_SVMR ਦੇ ਮੁਕਾਬਲੇ 2.5 ਅਤੇ 2.2 ਵੱਡੇ ਹਨ। ਡਾਟਾ ਸੈੱਟ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਦੀ ਲਾਈਨ ਦੇ ਨਾਲ ਹੈ। ਉੱਚ RSME ਅਤੇ MAE ਦੇਖੇ ਗਏ ਸਨ। ਕੇਬੋਨੀ ਏਟ ਅਲ ਦੇ ਅਨੁਸਾਰ।46 ਅਤੇ ਜੌਨ ਐਟ ਅਲ.54, RMSE ਅਤੇ MAE ਜਿੰਨੇ ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ ਹੁੰਦੇ ਹਨ, ਨਤੀਜੇ ਉੱਨੇ ਹੀ ਚੰਗੇ ਹੁੰਦੇ ਹਨ। SVMR ਅਤੇ EBK_SVMR ਕੋਲ ਉੱਚ ਮਾਤਰਾ ਵਾਲੇ RSME ਅਤੇ MAE ਮੁੱਲ ਹਨ। ਇਹ ਦੇਖਿਆ ਗਿਆ ਸੀ ਕਿ RSME ਅਨੁਮਾਨ MAE ਮੁੱਲਾਂ ਨਾਲੋਂ ਲਗਾਤਾਰ ਉੱਚੇ ਸਨ, ਜੋ ਕਿ ਬਾਹਰੀ ਲੋਕਾਂ ਦੀ ਮੌਜੂਦਗੀ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਆਊਟਲੀਅਰਾਂ ਦੀ ਮੌਜੂਦਗੀ ਦੇ ਸੂਚਕ ਵਜੋਂ ਘੋਲਨ ਗਲਤੀ (MAE) ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡੇਟਾਸੈਟ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਵਿਪਰੀਤ ਹੋਵੇਗਾ, MAE ਅਤੇ RMSE ਮੁੱਲ ਉੱਨੇ ਹੀ ਉੱਚੇ ਹੋਣਗੇ। Ca_Mg_K-EBK_SVMR ਮਿਕਸਡ ਮਾਡਲ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਈ ਕ੍ਰਾਸ-ਪ੍ਰਮਾਣਿਕ ​​ਮੁਲਾਂਕਣ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ urils.7.6 ਵਿੱਚ ਨੀ ਸਮੱਗਰੀ ਨੂੰ urils.3.70% ਸੀ.59, ਸ਼ੁੱਧਤਾ ਦਾ ਇਹ ਪੱਧਰ ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਮਾਡਲ ਪ੍ਰਦਰਸ਼ਨ ਦਰ ਹੈ। ਮੌਜੂਦਾ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਤਾਰਾਸੋਵ ਐਟ ਅਲ ਦੁਆਰਾ ਪਿਛਲੇ ਅਧਿਐਨ ਨਾਲ ਕੀਤੀ ਗਈ ਹੈ।36 ਜਿਸ ਦੇ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ ਨੇ MLPRK (ਮਲਟੀਲੇਅਰ ਪਰਸੈਪਟਰੋਨ ਰੈਜ਼ੀਡੁਅਲ ਕ੍ਰਿਗਿੰਗ) ਬਣਾਇਆ, ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਰਿਪੋਰਟ ਕੀਤੇ ਗਏ EBK_SVMR ਸ਼ੁੱਧਤਾ ਮੁਲਾਂਕਣ ਸੂਚਕਾਂਕ ਨਾਲ ਸੰਬੰਧਿਤ, RMSE (210) ਅਤੇ MAE (167.5) ਮੌਜੂਦਾ ਅਧਿਐਨ (RMSE 95.479, R.6879, 2.679.3.6.3.3. ਐੱਮ.ਏ.) ਦੇ ਮੌਜੂਦਾ ਅਧਿਐਨ ਵਿੱਚ ਸਾਡੇ ਨਤੀਜਿਆਂ ਤੋਂ ਵੱਧ ਸੀ। (0.637) ਤਾਰਾਸੋਵ ਐਟ ਅਲ ਦੇ ਨਾਲ.36 (0.544), ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਇਸ ਮਿਸ਼ਰਤ ਮਾਡਲ ਵਿੱਚ ਨਿਰਧਾਰਨ ਦਾ ਗੁਣਾਂਕ (R2) ਉੱਚਾ ਹੈ। ਮਿਸ਼ਰਤ ਮਾਡਲ ਲਈ ਗਲਤੀ ਦਾ ਮਾਰਜਿਨ (RMSE ਅਤੇ MAE) (EBK SVMR) ਦੋ ਗੁਣਾ ਘੱਟ ਹੈ। ਇਸੇ ਤਰ੍ਹਾਂ, Sergeev et al.34 ਨੇ 0.28 (R2) ਰਿਕਾਰਡ ਕੀਤਾ ਹੈ, ਜਦੋਂ ਕਿ ਰਿਸੈਪਟਰੀ ਮਾਡਲ ਲਈ ਰਿਸੈਪਟਰਨ (R2) ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਮੌਜੂਦਾ ਅਧਿਐਨ ਨੇ 0.637 (R2) ਦਰਜ ਕੀਤਾ ਹੈ। ਇਸ ਮਾਡਲ (EBK SVMR) ਦਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਸ਼ੁੱਧਤਾ ਪੱਧਰ 63.7% ਹੈ, ਜਦੋਂ ਕਿ ਸੇਰਜੀਵ ਐਟ ਅਲ ਦੁਆਰਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਭਵਿੱਖਬਾਣੀ ਸ਼ੁੱਧਤਾ।34 28% ਹੈ। EBK_SVMR ਮਾਡਲ ਅਤੇ Ca_Mg_K ਨੂੰ ਇੱਕ ਪੂਰਵ-ਸੂਚਕ ਵਜੋਂ ਵਰਤਦੇ ਹੋਏ ਬਣਾਇਆ ਗਿਆ ਅੰਤਿਮ ਨਕਸ਼ਾ (ਚਿੱਤਰ 5) ਪੂਰੇ ਅਧਿਐਨ ਖੇਤਰ ਵਿੱਚ ਗਰਮ ਸਥਾਨਾਂ ਅਤੇ ਮੱਧਮ ਤੋਂ ਨਿੱਕਲ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਅਧਿਐਨ ਖੇਤਰ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਤਵੱਜੋ ਮੁੱਖ ਤੌਰ 'ਤੇ ਮੱਧਮ ਹੈ, ਕੁਝ ਖਾਸ ਖੇਤਰਾਂ ਵਿੱਚ ਉੱਚ ਗਾੜ੍ਹਾਪਣ ਦੇ ਨਾਲ।
ਅੰਤਮ ਪੂਰਵ ਅਨੁਮਾਨ ਨਕਸ਼ੇ ਨੂੰ ਹਾਈਬ੍ਰਿਡ ਮਾਡਲ EBK_SVMR ਅਤੇ Ca_Mg_K ਨੂੰ ਪੂਰਵ-ਸੂਚਕ ਵਜੋਂ ਵਰਤਦੇ ਹੋਏ ਦਰਸਾਇਆ ਗਿਆ ਹੈ।
ਚਿੱਤਰ 6 ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ PTE ਗਾੜ੍ਹਾਪਣ ਇੱਕ ਕੰਪੋਜੀਸ਼ਨ ਪਲੇਨ ਦੇ ਰੂਪ ਵਿੱਚ ਜਿਸ ਵਿੱਚ ਵਿਅਕਤੀਗਤ ਨਿਊਰੋਨਸ ਸ਼ਾਮਲ ਹਨ। ਕਿਸੇ ਵੀ ਕੰਪੋਨੈਂਟ ਪਲੇਨ ਵਿੱਚ ਦਿਖਾਏ ਗਏ ਰੰਗ ਦੇ ਪੈਟਰਨ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ, ਪ੍ਰਤੀ ਖਿੱਚੇ ਗਏ ਨਕਸ਼ੇ ਵਿੱਚ ਨਿਊਰੋਨਸ ਦੀ ਉਚਿਤ ਸੰਖਿਆ 55 ਹੈ। SeOM ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਰੰਗਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪੈਦਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਰੰਗਾਂ ਦੇ ਪੈਟਰਨ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਸਮਾਨ ਹੁੰਦਾ ਹੈ, ਉਹਨਾਂ ਦੇ ਨਮੂਨੇ ਦੇ ਵੱਖ-ਵੱਖ ਤੱਤਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਯੋਗ ਰੰਗ ਦੇ ਪੈਟਰਨ (ਇੱਕ ਰੰਗ ਦੇ ਨਮੂਨੇ ਦੀ ਤੁਲਨਾ ਵਿੱਚ ਜ਼ਿਆਦਾ)। , K, ਅਤੇ Mg) ਨੇ ਸਿੰਗਲ ਹਾਈ ਨਿਊਰੋਨਸ ਅਤੇ ਸਭ ਤੋਂ ਘੱਟ ਨਿਊਰੋਨਸ ਲਈ ਸਮਾਨ ਰੰਗ ਦੇ ਪੈਟਰਨ ਦਿਖਾਏ। ਇਸ ਤਰ੍ਹਾਂ, CaK ਅਤੇ CaMg ਬਹੁਤ ਉੱਚ-ਕ੍ਰਮ ਵਾਲੇ ਨਿਊਰੋਨਸ ਅਤੇ ਘੱਟ ਤੋਂ ਮੱਧਮ ਰੰਗ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਨਾਲ ਕੁਝ ਸਮਾਨਤਾਵਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਹਨ। ਦੋਵੇਂ ਮਾਡਲ ਮੱਧਮ ਤੋਂ ਉੱਚੇ ਰੰਗਾਂ ਜਿਵੇਂ ਕਿ ਰੰਗਾਂ ਦੇ ਮੱਧਮ ਤੋਂ ਉੱਚੇ ਰੰਗਾਂ ਨੂੰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਕੇ ਮਿੱਟੀ ਵਿੱਚ ਨੀ ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ ਜਿਵੇਂ ਕਿ ਲਾਲ, ਪੂਰਵ-ਮੋਡਲ, ਪੂਰਵ-ਮੋਡਲ 'ਤੇ ਰੰਗਾਂ ਦੇ ਕਈ ਰੰਗਾਂ ਅਤੇ ਪੂਰਵ-ਮੋਡਲ ਡਿਸਪਲੇਅ। ਨੀਵੇਂ ਤੋਂ ਦਰਮਿਆਨੇ ਰੰਗ ਦੇ ਪੈਚ। ਨੀਵੇਂ ਤੋਂ ਉੱਚੇ ਤੱਕ ਇੱਕ ਸਟੀਕ ਰੰਗ ਦੇ ਪੈਮਾਨੇ 'ਤੇ, ਮਾਡਲ ਦੇ ਭਾਗਾਂ ਦੇ ਪਲੈਨਰ ​​ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਪੈਟਰਨ ਨੇ ਮਿੱਟੀ ਵਿੱਚ ਨਿਕਲ ਦੀ ਸੰਭਾਵੀ ਗਾੜ੍ਹਾਪਣ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲਾ ਉੱਚ ਰੰਗ ਦਾ ਪੈਟਰਨ ਦਿਖਾਇਆ (ਚਿੱਤਰ 4 ਦੇਖੋ)। CakMg ਮਾਡਲ ਕੰਪੋਨੈਂਟ ਪਲੇਨ ਇੱਕ ਭਿੰਨ ਰੰਗ ਦਾ ਪੈਟਰਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਸਟੀਕਸ਼ਨ ਮਾਡਲ ਦੇ ਅਨੁਸਾਰ ਘੱਟ ਤੋਂ ਉੱਚੇ ਤੱਕ ਵੱਖਰਾ ਰੰਗ ਦਾ ਪੈਟਰਨ ਹੈ। ਚਿੱਤਰ 5 ਵਿੱਚ ਦਰਸਾਏ ਗਏ ਨਿੱਕਲ ਦੀ ਸਥਾਨਿਕ ਵੰਡ ਦੇ ਸਮਾਨ। ਦੋਵੇਂ ਗ੍ਰਾਫ਼ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੇ ਉੱਚ, ਮੱਧਮ ਅਤੇ ਘੱਟ ਅਨੁਪਾਤ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਚਿੱਤਰ 7 ਨਕਸ਼ੇ 'ਤੇ k- ਮਤਲਬ ਗਰੁੱਪਿੰਗ ਵਿੱਚ ਕੰਟੋਰ ਵਿਧੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਹਰ ਇੱਕ ਪੂਰਵ ਮਾਡਲ ਦੇ ਸੰਖਿਆ ਦੇ ਸੰਖਿਆ ਦੇ ਅਧਾਰ 'ਤੇ ਸੰਖਿਆ ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। f 115 ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਇਕੱਠੇ ਕੀਤੇ ਗਏ, ਸ਼੍ਰੇਣੀ 1 ਨੇ ਸਭ ਤੋਂ ਵੱਧ ਮਿੱਟੀ ਦੇ ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ, 74. ਕਲੱਸਟਰ 2 ਨੇ 33 ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ, ਜਦੋਂ ਕਿ ਕਲੱਸਟਰ 3 ਨੇ 8 ਨਮੂਨੇ ਪ੍ਰਾਪਤ ਕੀਤੇ। ਸੱਤ-ਕੰਪੋਨੈਂਟ ਪਲੈਨਰ ​​ਪੂਰਵ-ਸੂਚਕ ਸੰਜੋਗ ਨੂੰ ਸਹੀ ਕਲੱਸਟਰ ਵਿਆਖਿਆ ਦੀ ਆਗਿਆ ਦੇਣ ਲਈ ਸਰਲ ਬਣਾਇਆ ਗਿਆ ਸੀ। ਬਹੁਤ ਸਾਰੀਆਂ ਕੁਦਰਤੀ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨਾ ਔਖਾ ਹੈ ਅਤੇ ਇਸ ਲਈ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਵੱਖੋ-ਵੱਖਰੇ ਪ੍ਰਕ੍ਰਿਆਵਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨਾ ਔਖਾ ਹੈ। ਇੱਕ ਵਿਤਰਿਤ SeOM ਨਕਸ਼ਾ78 ਵਿੱਚ ster ਪੈਟਰਨ.
ਹਰੇਕ ਅਨੁਭਵੀ ਬਾਏਸੀਅਨ ਕ੍ਰਿਗਿੰਗ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ (EBK_SVM_SeOM) ਵੇਰੀਏਬਲ ਦੁਆਰਾ ਕੰਪੋਨੈਂਟ ਪਲੇਨ ਆਉਟਪੁੱਟ।
ਵੱਖ-ਵੱਖ ਕਲੱਸਟਰ ਵਰਗੀਕਰਣ ਭਾਗ [SeOM ਨਕਸ਼ੇ RStudio (ਵਰਜਨ 1.4.1717: https://www.rstudio.com/) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਣਾਏ ਗਏ ਸਨ।]
ਮੌਜੂਦਾ ਅਧਿਐਨ ਸ਼ਹਿਰੀ ਅਤੇ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਲਈ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਰਸਾਉਂਦਾ ਹੈ। ਅਧਿਐਨ ਨੇ ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਤੱਤਾਂ ਨੂੰ ਮਾਡਲਿੰਗ ਤਕਨੀਕਾਂ ਨਾਲ ਜੋੜ ਕੇ। ਮਿੱਟੀ ਵਿੱਚ ਰਾਸ਼ਨ।ਹਾਲਾਂਕਿ, ਸਥਾਨਿਕ ਵੰਡ ਦਾ ਨਕਸ਼ਾ EBK_SVMR ਦੁਆਰਾ ਪ੍ਰਦਰਸ਼ਿਤ ਭਾਗਾਂ ਦੀ ਪਲੇਨਰ ਸਥਾਨਿਕ ਵੰਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ (ਚਿੱਤਰ 5 ਦੇਖੋ)। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਸਪੋਰਟ ਵੈਕਟਰ ਮਸ਼ੀਨ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ (Ca Mg K-SVMR) ਮਿੱਟੀ ਵਿੱਚ ਨੀ ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਇੱਕ ਬਹੁਤ ਹੀ ਉੱਚ ਪੱਧਰੀ ਪੈਰਾਮੀਟਰ ਦੇ ਰੂਪ ਵਿੱਚ ਬਟਵੈੱਲੂਰਾ ਮਾੱਡਲ ਵਿੱਚ ਬਟਵੇਲੂਰਾ ਮਾੱਡਲ ਦਰਸਾਉਂਦਾ ਹੈ। RMSE ਅਤੇ MAE ਦੀਆਂ ਸ਼ਰਤਾਂ। ਦੂਜੇ ਪਾਸੇ, EBK_MLR ਮਾਡਲ ਦੇ ਨਾਲ ਵਰਤੀ ਗਈ ਮਾਡਲਿੰਗ ਤਕਨੀਕ ਵੀ ਨਿਰਧਾਰਨ ਗੁਣਾਂਕ (R2) ਦੇ ਘੱਟ ਮੁੱਲ ਦੇ ਕਾਰਨ ਖਰਾਬ ਹੈ। EBK SVMR ਅਤੇ ਸੰਯੁਕਤ ਤੱਤਾਂ (CaKMg) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚੰਗੇ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ ਗਏ ਹਨ, ਜਿਸ ਨਾਲ ਘੱਟ RMSE ਅਤੇ MAE ਗਲਤੀਆਂ ਹਨ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਵਾਲਾ ਐਲਗੋਰਿਦਮ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਐਲਗੋਰਿਦਮ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਮਿੱਟੀ ਵਿੱਚ PTEs ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ। ਨਤੀਜੇ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਅਧਿਐਨ ਖੇਤਰ ਵਿੱਚ Ni ਦੀ ਗਾੜ੍ਹਾਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪੂਰਵ-ਸੂਚਕ ਵਜੋਂ Ca Mg K ਦੀ ਵਰਤੋਂ ਮਿੱਟੀ ਵਿੱਚ ਨੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੀ ਹੈ। ਇਸ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਨਿੱਕਲ-ਅਧਾਰਤ ਉਦਯੋਗਾਂ ਦੁਆਰਾ ਸਟੀਲ-ਅਧਾਰਿਤ ਪ੍ਰਦੂਸ਼ਣ ਅਤੇ ਸਟੀਲਫਿਰਲ ਦੀ ਨਿਰੰਤਰ ਵਰਤੋਂ ਵਿੱਚ ਵਾਧਾ ਹੋਇਆ ਹੈ। ਮਿੱਟੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਗਾੜ੍ਹਾਪਣ। ਇਸ ਅਧਿਐਨ ਨੇ ਖੁਲਾਸਾ ਕੀਤਾ ਹੈ ਕਿ EBK ਮਾਡਲ ਗਲਤੀ ਦੇ ਪੱਧਰ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਸ਼ਹਿਰੀ ਜਾਂ ਪੇਰੀ-ਸ਼ਹਿਰੀ ਮਿੱਟੀ ਵਿੱਚ ਮਿੱਟੀ ਦੇ ਸਥਾਨਿਕ ਵੰਡ ਦੇ ਮਾਡਲ ਦੀ ਸ਼ੁੱਧਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ।ਇਸ ਤੋਂ ਇਲਾਵਾ, ਅਸੀਂ ਵੱਖ-ਵੱਖ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਦੇ ਨਾਲ ਹਾਈਬ੍ਰਿਡਾਈਜ਼ ਕਰਨ ਲਈ EBK ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹਾਂ। ਕੋਵੇਰੀਏਟਸ ਦੇ ਤੌਰ 'ਤੇ ਤੱਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨੀ ਇਕਾਗਰਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ;ਹਾਲਾਂਕਿ, ਵਧੇਰੇ ਕੋਵੇਰੀਏਟਸ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਹੋਵੇਗਾ, ਜਿਸ ਨੂੰ ਮੌਜੂਦਾ ਕੰਮ ਦੀ ਇੱਕ ਸੀਮਾ ਮੰਨਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਅਧਿਐਨ ਦੀ ਇੱਕ ਹੋਰ ਸੀਮਾ ਇਹ ਹੈ ਕਿ ਡੇਟਾਸੈਟਾਂ ਦੀ ਗਿਣਤੀ 115 ਹੈ। ਇਸਲਈ, ਜੇਕਰ ਵਧੇਰੇ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਪ੍ਰਸਤਾਵਿਤ ਅਨੁਕੂਲਿਤ ਹਾਈਬ੍ਰਿਡਾਈਜ਼ੇਸ਼ਨ ਵਿਧੀ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ਅਪ੍ਰੈਲ 2021 ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਗਈ)।
ਕਾਸਪ੍ਰਜ਼ਾਕ, ਕੇ.ਐਸ. ਨਿੱਕਲ ਆਧੁਨਿਕ ਵਾਤਾਵਰਣਕ ਜ਼ਹਿਰੀਲੇ ਵਿਗਿਆਨ ਵਿੱਚ ਤਰੱਕੀ ਕਰਦਾ ਹੈ।
Cempel, M. & Nikel, G. Nickel: A Review of its Sources and environmental toxicology. Polish J. Environment.Stud.15, 375–382 (2006).
ਫ੍ਰੀਡਮੈਨ, ਬੀ. ਐਂਡ ਹਚਿਨਸਨ, TC ਸਡਬਰੀ, ਓਨਟਾਰੀਓ, ਕੈਨੇਡਾ ਵਿੱਚ ਨਿੱਕਲ-ਕਾਂਪਰ ਗੰਧਕ ਦੇ ਨੇੜੇ ਵਾਯੂਮੰਡਲ ਤੋਂ ਪ੍ਰਦੂਸ਼ਕ ਇਨਪੁਟ ਅਤੇ ਮਿੱਟੀ ਅਤੇ ਬਨਸਪਤੀ ਵਿੱਚ ਇਕੱਠਾ ਹੋਣਾ।Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980)।
Maniwa, T. et al. ਮਿੱਟੀ ਵਿੱਚ ਭਾਰੀ ਧਾਤਾਂ, ਪੌਦਿਆਂ ਅਤੇ ਬੋਤਸਵਾਨਾ ਵਿੱਚ ਸੇਲੇਬੀ-ਫਿਕਵੇ ਤਾਂਬੇ-ਨਿਕਲ ਖਾਨ ਦੇ ਨੇੜੇ ਚਰਾਉਣ ਵਾਲੇ ਰੂਮਿਨਾਂ ਨਾਲ ਜੁੜੇ ਜੋਖਮ।
Cabata-Pendias.Kabata-Pendias A. 2011. ਮਿੱਟੀ ਵਿੱਚ ਤੱਤਾਂ ਦਾ ਪਤਾ ਲਗਾਓ ਅਤੇ… – Google ਸਕਾਲਰ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+ Elements+A.+2011.+Trace+ Elements+and+th+2+th++Y++++++++2011+2011. NY%29%3A+CRC+Pres&btnG= (24 ਨਵੰਬਰ 2020 ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਗਈ)।
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined.Soer-Varanger, Norway.agris.fao.org ਵਿੱਚ ਖੇਤੀਬਾੜੀ ਮਿੱਟੀ ਅਤੇ ਘਾਹ ਵਿੱਚ ਭਾਰੀ ਧਾਤੂ ਦੀ ਗਾੜ੍ਹਾਪਣ ਉੱਤੇ ਰੂਸੀ ਨਿਕਲ ਉਦਯੋਗ ਦੇ ਪ੍ਰਭਾਵ।
ਨੀਲਸਨ, ਜੀ.ਡੀ. ਐਟ ਅਲ. ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਵਿੱਚ ਨਿੱਕਲ ਦੀ ਸਮਾਈ ਅਤੇ ਧਾਰਨਾ ਭੋਜਨ ਦੇ ਸੇਵਨ ਅਤੇ ਨਿਕਲ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨਾਲ ਸਬੰਧਤ ਹਨ. ਟੌਕਸੀਕੋਲੋਜੀ. ਐਪਲੀਕੇਸ਼ਨ. ਫਾਰਮਾਕੋਡਾਇਨਾਮਿਕਸ. 154, 67–75 (1999)।
ਕੋਸਟਾ, ਐੱਮ. ਐਂਡ ਕਲੇਨ, ਸੀਬੀ ਨਿਕਲ ਕਾਰਸੀਨੋਜੇਨੇਸਿਸ, ਪਰਿਵਰਤਨ, ਐਪੀਜੇਨੇਟਿਕਸ ਜਾਂ ਚੋਣ. ਆਲੇ ਦੁਆਲੇ. ਸਿਹਤ ਦ੍ਰਿਸ਼ਟੀਕੋਣ. 107, 2 (1999)।
ਅਜਮਾਨ, ਪੀਸੀ;Ajado, SK;ਬੋਰੋਵਕਾ, ਐਲ.;ਬਿਨੀ, ਜੇਕੇਐਮ;ਸਰਕੋਡੀ, VYO;ਕੋਬੋਨੀ, ਐਨਐਮ;ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਜ਼ਹਿਰੀਲੇ ਤੱਤਾਂ ਦਾ ਰੁਝਾਨ ਵਿਸ਼ਲੇਸ਼ਣ: ਇੱਕ ਬਿਬਲਿਓਮੈਟ੍ਰਿਕ ਸਮੀਖਿਆ। ਵਾਤਾਵਰਣ ਭੂ-ਰਸਾਇਣ ਅਤੇ ਸਿਹਤ। ਸਪ੍ਰਿੰਗਰ ਸਾਇੰਸ ਐਂਡ ਬਿਜ਼ਨਸ ਮੀਡੀਆ BV 2020.https://doi.org/10.1007/s10653-020-00742-9।
Minasny, B. & McBratney, AB ਡਿਜੀਟਲ ਸੋਇਲ ਮੈਪਿੰਗ: ਇੱਕ ਸੰਖੇਪ ਇਤਿਹਾਸ ਅਤੇ ਕੁਝ ਸਬਕ। ਜੀਓਡਰਮਾ 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016)।
McBratney, AB, Mendonça Santos, ML & Minasny, B. on digital soil mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)।
Deutsch.CV ਜਿਓਸਟੈਟਿਸਟਿਕਲ ਰਿਜ਼ਰਵ ਮਾਡਲਿੰਗ,… – ਗੂਗਲ ਸਕਾਲਰ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C+Verst+2C+Verst+7+2C+2C+Page G= (28 ਅਪ੍ਰੈਲ 2021 ਤੱਕ ਪਹੁੰਚ ਕੀਤੀ ਗਈ)।