Nature.com تي وڃڻ لاءِ توهان جي مهرباني. توهان جو برائوزر ورشن استعمال ڪري رهيا آهيو CSS لاءِ محدود سپورٽ آهي. بهترين تجربي لاءِ، اسان سفارش ڪريون ٿا ته توهان هڪ اپڊيٽ ٿيل برائوزر استعمال ڪريو (يا انٽرنيٽ ايڪسپلورر ۾ مطابقت واري موڊ کي بند ڪريو). ان دوران، مدد جاري رکڻ کي يقيني بڻائڻ لاءِ، اسان سائيٽ کي بغير اسٽائل ۽ JavaScript جي ڏيکارينداسين.
مٽي آلودگي هڪ وڏو مسئلو آهي جيڪو انساني سرگرمين جي ڪري پيدا ٿئي ٿو. امڪاني طور تي زهريلي عناصر (PTEs) جي مقامي ورڇ اڪثر شهري ۽ پري-شهري علائقن ۾ مختلف آهي. ان ڪري، اهڙي مٽي ۾ PTEs جي مواد جي مقامي طور تي اڳڪٿي ڪرڻ ڏکيو آهي. مجموعي طور تي 115 نمونا حاصل ڪيا ويا آهن Frydek C. assium (K) ۽ nickel (Ni) concentrations inductively coupled plasma emission spectrometry استعمال ڪندي طئي ڪيا ويا. جوابي متغير Ni آهي ۽ اڳڪٿي ڪندڙ Ca, Mg ۽ K آهن. جوابي متغير ۽ اڳڪٿي ڪندڙ متغير جي وچ ۾ باهمي تعلق جو ميٽرڪس ڏيکاري ٿو هڪ اطمينان بخش نتيجو ڏيکاري ٿو. چڱيءَ طرح پرفارم ڪيو، جيتوڻيڪ ان جي اندازي مطابق روٽ جو مطلب چورس غلطي (RMSE) (235.974 mg/kg) ۽ مطلب مطلق غلطي (MAE) (166.946 mg/kg) لاڳو ٿيل ٻين طريقن کان وڌيڪ هئا. تجرباتي Bayesian Kriging-Multiple Linear Regression of EBR0 کان گهٽ پرفارمنس (EBR0) جي ناقص ثبوتن جي ڀيٽ ۾ مخلوط ماڊلز. 1.The Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ماڊل بھترين ماڊل ھو، جنھن ۾ گھٽ RMSE (95.479 mg/kg) ۽ MAE (77.368 mg/kg) ويلز ۽ اعلي گنجائش جو تعين (R2 = EBK-SVMR) آھي. هائيبرڊ ماڊل CakMg-EBK-SVMR جزو جي جهاز ۾ ڪلستر ٿيل نيورون ڪيترن ئي رنگن جا نمونا ڏيکارين ٿا جيڪي شهري ۽ پرائي-شهري مٽيءَ ۾ ني ڪنسنٽريشن جي اڳڪٿي ڪن ٿا. نتيجا ظاهر ڪن ٿا ته EBK ۽ SVMR کي گڏ ڪرڻ هڪ مؤثر ٽيڪنڪ آهي جنهن جي اڳڪٿي ڪرڻ لاءِ هڪ مؤثر ٽيڪنڪ آهي Ni concentrations ۽ urban periban soil.
Nickel (Ni) کي ٻوٽن لاءِ مائيڪرو نيوٽرينٽ سمجھيو ويندو آھي ڇاڪاڻ ته اھو ماحول ۾ نائٽروجن جي ٺاھڻ (N) ۽ يوريا جي ميٽابولزم ۾ حصو وٺندو آھي، جيڪي ٻج جي اڀرڻ لاءِ گھربل آھن. ٻج جي اڀرڻ ۾ ان جي مدد کان علاوه، Ni فنگل ۽ بيڪٽيريا جي روڪٿام جو ڪم ڪري سگھي ٿو ۽ ٻوٽن جي نشونما جي گھٽتائي جي نتيجي ۾ ٻوٽن جي نشونما جي گھٽتائي ۾ مدد ڪري ٿو. مثال طور، گوڏن ۽ سائي ڀاڄين کي نائيٽروجن فيڪسيشن کي بهتر ڪرڻ لاءِ نڪل تي ٻڌل ڀاڻن جي استعمال جي ضرورت پوندي آهي. 2. نڪل تي ٻڌل ڀاڻن جو مسلسل استعمال مٽي کي بهتر بنائڻ ۽ ڀاڄين جي صلاحيت کي وڌائڻ لاءِ مٽي ۾ نائٽروجن کي درست ڪرڻ جي صلاحيت کي وڌائيندو آهي، ان جي ٻوٽي ۾ مسلسل اضافو ٿيندو آهي ٻوٽن جي مائيڪروسينٽ ٿلهي ۾ نائٽروجن کي بهتر ڪرڻ لاءِ. مٽي ۾ وڌ ۾ وڌ داخل ٿيڻ سٺي کان وڌيڪ نقصان پهچائي سگھي ٿو. مٽي ۾ نڪل جي زهريت مٽي جي پي ايڇ کي گھٽائي ٿي ۽ ٻوٽن جي واڌ ويجهه لاءِ ضروري غذائيت جي طور تي لوھ جي جذب کي روڪي ٿي 1. Liu3 جي مطابق، Ni ٻوٽن جي ترقي ۽ واڌ لاءِ گهربل 17 هين اهم عنصر مليا آهن. ان کان علاوه ٻوٽن جي واڌ ويجهه ۽ مختلف قسم جي نڪل جي استعمال ۾ انساني ڪردار جي ضرورت آهي. nickel-based alloys جي پيداوار، ۽ گاڏين جي صنعت ۾ ignition ڊوائيسز ۽ اسپارڪ پلگ جي پيداوار سڀني کي مختلف صنعتي شعبن ۾ nickel جي استعمال جي ضرورت آهي. ان کان علاوه، nickel-based alloys ۽ electroplated articles وڏي پيماني تي باورچی خانه جي سامان، بال روم جي لوازمات، کاڌي جي صنعت جي فراهمي، برقي، تار، تار ۽ ٽيڪسٽائل، ٽيڪسٽبل، ڪٽڻ واري سامان ۾ استعمال ڪيا ويا آهن. 5. مٽيءَ (يعني مٿاڇري واري مٽي) ۾ نِي جي ڀرپور سطحن کي انسائيڪلوپيڊيا ۽ قدرتي ذريعن ٻنهي سان منسوب ڪيو ويو آهي، پر بنيادي طور تي، ني هڪ قدرتي ذريعو آهي بلڪ اينٿروپوجنڪ 4,6. نڪيل جا قدرتي ذريعا شامل آهن آتش فشاني، نباتات، جنگل جي باهه، ۽ جيولوجيڪل عمل؛جڏهن ته، اينٿراپوجنڪ ذريعن ۾ اسٽيل انڊسٽري ۾ نڪل/ڪيڊيميم بيٽريون شامل آهن، اليڪٽرروپليٽنگ، آرڪ ويلڊنگ، ڊيزل ۽ ٻارڻ جو تيل، ۽ ڪوئلي جي ملهه مان فضائي اخراج ۽ فضول ۽ ڪچري جي ڀڃڻ Nickel accumulation7,8.Freedman and many aletwaiin جي مطابق.10، فوري ۽ ڀرپاسي واري ماحول ۾ مٿين مٽي جي آلودگي جا مکيه ذريعا خاص طور تي نڪيل ٽامي تي ٻڌل سميلٽر ۽ مائنس آهن. ڪئناڊا ۾ سڊبري نڪل ڪاپر ريفائنري جي چوڌاري مٿين مٽي ۾ نڪل آلودگي جي بلند ترين سطح 26,000 mg/kg هئي، جنهن جي نتيجي ۾ روس ۾ نڪيل آلودگي ۾ 11 سينٽي ميٽرن جي پيداوار وڌي وئي آهي. نارويجي سرزمين ۾ 11. Alms et al جي مطابق.12، علائقي جي اعليٰ قابل زراعت زمين (روس ۾ نڪل جي پيداوار) ۾ HNO3- ڪڍڻ لائق نڪل جي مقدار 6.25 کان 136.88 mg/kg جي وچ ۾، 30.43 mg/kg جي اوسط ۽ 25 mg/kg جي بنيادي ڪنسنٽريشن جي برابر آهي. فصلن جي لڳاتار موسمن ۾ شهري يا پرائي-شهري مٽيءَ جي مٽيءَ ۾ مٽيءَ کي ڦهلائي يا آلوده ڪري سگهون ٿا. انسانن ۾ نڪل جا امڪاني اثر ميوٽاگنيسس، ڪروموسومل نقصان، Z-DNA جنريشن، بلاڪ ٿيل DNA excision مرمت، يا epigenetic processes ذريعي ڪينسر جو سبب بڻجي سگهن ٿا. اهڙي tumors exacerbate.
مٽي آلودگي جي تشخيص تازو وقتن ۾ ترقي ڪئي آهي صحت سان لاڳاپيل مسئلن جي وسيع رينج جي ڪري پيدا ٿيندڙ مٽي ۽ ٻوٽي جي رشتن، مٽي ۽ مٽي جي حياتياتي رشتن، ماحولياتي تباهي، ۽ ماحولياتي اثر جي تشخيص. (DSM) ۽ ان جي موجوده ڪاميابين 15 ۾ اڳڪٿي ڪندڙ مٽي جي نقشي سازي (PSM) کي تمام گهڻو بهتر ڪيو آهي. Minasny ۽ McBratney16 جي مطابق، اڳڪٿي ڪندڙ مٽي ميپنگ (DSM) مٽي سائنس جي هڪ نمايان ذيلي تقسيم ثابت ٿي چڪي آهي. Lagacherie ۽ McBratney، 2006 وضاحت ڪري ٿو ۽ ڊي ايس ايم جي معلومات کي ترتيب ڏيڻ ۽ ڀرڻ واري نظام ۾ ليبارٽري جي استعمال جي ذريعي. خدمتي طريقا ۽ فضائي ۽ غير مقامي مٽيءَ جو اندازو لڳائڻ وارو نظام“. McBratney et al.17 بيان ڪيو ويو آهي ته معاصر DSM يا PSM PTEs، مٽي جي قسمن ۽ مٽي جي ملڪيت جي مقامي ورڇ جي اڳڪٿي ڪرڻ يا نقشي ڪرڻ لاء سڀ کان وڌيڪ مؤثر ٽيڪنڪ آهي. جيو اسٽيٽسٽڪس ۽ مشين لرننگ الگورٿمز (MLA) DSM ماڊلنگ ٽيڪنڪ آهن جيڪي ڪمپيوٽرن جي مدد سان ڊجيٽل نقشا ٺاهيندا آهن اهم ۽ گهٽ ۾ گهٽ ڊيٽا استعمال ڪندي.
Deutsch18 ۽ Olea19 geostatistics جي وضاحت ڪري ٿو "عددي ٽيڪنالاجي جو مجموعو جيڪو مقامي خاصيتن جي نمائندگي سان معاملو ڪري ٿو، خاص طور تي اسٽوچسٽڪ ماڊل کي استعمال ڪندي، جيئن ته ڪيئن ٽائيم سيريز تجزيو عارضي ڊيٽا کي خاص ڪري ٿو."بنيادي طور تي، جيو اسٽيٽسٽڪس ۾ مختلف قسم جي تشخيص شامل آهي، جيڪي اجازت ڏين ٿا مقدار ۽ وضاحت ڪن ٿا مقامي قدرن جي انحصار کي هر ڊيٽا سيٽ مان 20.Gumiaux et al.20 وڌيڪ واضع ڪري ٿو ته جيو اسٽيٽسٽڪس ۾ ويريوگرام جو اڀياس ٽن اصولن تي مبني آهي، جنهن ۾ (الف) ڊيٽا جي لاڳاپي جي پيماني تي ڳڻڻ، (ب) ڊيٽا سيٽ جي تفاوت ۾ انيسوٽراپي کي سڃاڻڻ ۽ ڪمپيوٽنگ ڪرڻ ۽ (سي) ان کان علاوه ماپن جي موروثي غلطي کي نظر ۾ رکڻ سان گڏ، ان کان علاوه ڪيترن ئي اثرن جو اندازو لڳايو ويو آهي. ٽيڪنالاجي جاگرافيائي بيهڪ ۾ استعمال ٿينديون آهن، جن ۾ جنرل ڪرنگنگ، ڪو-ڪرنگنگ، عام ڪِرِنگ، تجرباتي بائيزيئن ڪِرِنگ، سادو ڪِرِينگ جو طريقو ۽ ٻيون مشهور انٽرپوليشن ٽيڪنڪ شامل آهن پي ٽي اي، مٽي جي خاصيتن ۽ مٽي جي قسمن جو نقشو يا اڳڪٿي ڪرڻ لاءِ.
مشين لرننگ الگورٿمس (MLA) ھڪ نسبتاً نئين ٽيڪنڪ آھي جيڪا وڏي غير لڪير واري ڊيٽا ڪلاس کي استعمال ڪندي آھي، بنيادي طور تي ڊيٽا مائننگ لاءِ استعمال ٿيندڙ الگورتھم، ڊيٽا ۾ نمونن کي سڃاڻڻ، ۽ سائنسي شعبن ۾ درجه بندي تي بار بار لاڳو ڪيو ويندو آھي جيئن ته مٽي سائنس ۽ واپسي جا ڪم. ڪيترائي تحقيقي مقالا اڳ ۾ ئي PTE جي ماڊل تي انحصار ڪندا آھن.22 (زرعي مٽيءَ ۾ بھاري ڌاتو جي تخميني لاءِ بي ترتيب ٻيلا)، ساڪيزاده وغيره.23 (سپورٽ ویکٹر مشينن ۽ مصنوعي نيورل نيٽ ورڪ کي استعمال ڪندي ماڊلنگ) مٽي آلودگي ).ان کان علاوه، Vega et al.24 (ڪارٽ ماڊلنگ لاءِ بھاري ڌاتو کي برقرار رکڻ ۽ مٽي ۾ جذب ​​ڪرڻ) Sun et al.25 (ڪيوبسٽ جي درخواست مٽي ۾ سي ڊي جي تقسيم آهي) ۽ ٻيا الگورٿمس جهڙوڪ ڪ- ويجھي پاڙيسري، عام ٿيل وڌيل ريگريشن، ۽ بوسٽ ٿيل ريگريشن ٽري پڻ لاڳو ڪيو ايم ايل ايل کي مٽي ۾ PTE جي اڳڪٿي ڪرڻ لاء.
اڳڪٿي يا نقشي سازي ۾ DSM الگورتھم جو اطلاق ڪيترن ئي چئلينجن کي منهن ڏئي ٿو. گھڻن ليکڪن جو خيال آھي ته ايم ايل اي ارضيات جي لحاظ کان بھترين آھي ۽ ان جي برعڪس. جيتوڻيڪ ھڪڙو ٻئي کان بھتر آھي، ٻنھي جو ميلاپ DSM15 ۾ ماپنگ يا اڳڪٿي جي درستگي کي بھتر بڻائي ٿو.Pontius ۽ Cheuk28 ۽ Grunwald29 اڳڪٿي ڪيل مٽي ميپنگ ۾ خامين ۽ ڪجهه غلطين تي تبصرو ڪن ٿا. مٽي جي سائنسدانن DSM ميپنگ ۽ اڳڪٿي جي اثرائتي، درستگي، ۽ اڳڪٿي جي صلاحيت کي بهتر ڪرڻ لاءِ مختلف طريقن جي ڪوشش ڪئي آهي. غير يقيني صورتحال ۽ تصديق جو ميلاپ ڪيترن ئي مختلف طريقن ۾ ڊي ايس ايم جي اثرائتي معيار کي گھٽائي ٿو. جڏهن ته، Agyeman et al.15 نقشي جي ٺاھڻ ۽ پيش گوئي جي ذريعي متعارف ٿيل تصديق واري رويي ۽ غير يقيني صورتحال کي نقشي جي معيار کي بھتر ڪرڻ لاءِ آزاديءَ سان تصديق ٿيڻ گھرجي. DSM جون حدون جاگرافيائي طور تي منتشر مٽيءَ جي معيار جي ڪري آھن، جنھن ۾ غير يقيني صورتحال جو ھڪڙو حصو شامل آھي.جڏهن ته، DSM ۾ يقين جي کوٽ ڪيترن ئي ذريعن مان پيدا ٿي سگهي ٿي غلطي جي، يعني covariate غلطي، ماڊل جي غلطي، مقام جي غلطي، ۽ تجزياتي غلطي 31. ماڊلنگ جي غلطيون جيڪي ايم ايل اي ۽ جيوسٽاتياتي عملن ۾ پيدا ٿيل آهن انهن کي سمجھڻ جي کوٽ سان لاڳاپيل آهن، آخرڪار ان کي وڌيڪ آسان بڻائي سگهجي ٿو. ing parameters, mathematical model predictions, or interpolation33. Recently, a new DSM trend ظاھر ٿيو آھي جيڪو geostatistics ۽ MLA جي ميپنگ ۽ forecasting ۾ انضمام کي فروغ ڏئي ٿو. ڪيترائي مٽي سائنسدان ۽ ليکڪ، جھڙوڪ Sergeev et al.34;Subbotina et al.35;تاراسوف وغيره.36 ۽ تاراسوف وغيره.37 هائبرڊ ماڊل ٺاهڻ لاءِ جيو اسٽيٽسٽڪس ۽ مشين لرننگ جي صحيح معيار جو استحصال ڪيو آهي جيڪي اڳڪٿي ڪرڻ ۽ نقشي سازي جي ڪارڪردگي کي بهتر ڪن ٿا.انهن مان ڪجهه هائبرڊ يا گڏيل الگورٿم ماڊل آهن مصنوعي نيورل نيٽورڪ ڪرگنگ (ANN-RK)، ملٽي ليئر پرسيپٽران ريزيڊيوئل ڪرگنگ (MLP-RK)، جنرلائزڊ ريگريشن نيورل نيٽورڪ ريزيڊيوئل ڪرگنگ (GR-NNRK)36، مصنوعي نيورل نيٽورڪ ڪرگنگ-Multi-Perceptron 36 ۽ Ga-NML Co. سيان پروسيس ريگريشن 38.
Sergeev et al. جي مطابق، مختلف ماڊلنگ ٽيڪنڪ کي گڏ ڪرڻ ۾ نقصن کي ختم ڪرڻ جي صلاحيت آهي ۽ نتيجي ۾ آيل هائبرڊ ماڊل جي ڪارڪردگيءَ کي وڌائڻ بجاءِ ان جي واحد ماڊل کي ترقي ڪرڻ جي. ان حوالي سان، هي نئون پيپر دليل ڏئي ٿو ته جيو اسٽيٽسٽڪس ۽ ايم ايل اي جي گڏيل الگورٿم کي لاڳو ڪرڻ ضروري آهي ته جيئن اڳوڻو هائيبرڊ ۽ نئبرڊ جي آبادي وارين علائقن ۾ بهتر نموني جي مطالعي لاءِ. مثالي طور تي تجرباتي بيزين ڪريگنگ (EBK) کي بنيادي ماڊل جي طور تي ۽ ان کي سپورٽ ویکٹر مشين (SVM) ۽ Multiple Linear Regression (MLR) ماڊلز سان ملايو. EBK جي ڪنهن به ايم ايل اي سان هائبرڊائيزيشن معلوم ناهي. ڏٺل گھڻن مخلوط ماڊلز جو مجموعو آهن عام، رهائشي، رجعت پسندي ۽ ايم ايل ايل اي ڪي بي اي ڪي بي ريگريشن جو طريقو. s هڪ spatially stochastic عمل جيڪو هڪ غير اسٽيشنري/اسٽيشنري بي ترتيب واري فيلڊ جي طور تي مقامي ڪيو ويو آهي فيلڊ تي متعين لوڪلائيزيشن پيرا ميٽرز سان، مقامي تغير جي اجازت 39.EBK مختلف مطالعي ۾ استعمال ڪيو ويو آهي، بشمول فارم جي مٽي ۾ نامياتي ڪاربان جي ورڇ جو تجزيو ڪرڻ، زمين جي ماپنگ 40 ۽ مٽي جي ماپنگ جي ملڪيت جو جائزو وٺڻ.
ٻئي طرف، Self-Organizing Graph (SeOM) هڪ سکيا وارو الگورتھم آهي جيڪو مختلف مضمونن ۾ لاڳو ڪيو ويو آهي جهڙوڪ Li et al.43، وانگ وغيره.44، حسين ڀيو وغيره.45 ۽ ڪيبوني ۽ الائي.44 بيان ڪري ٿو ته SeOM هڪ طاقتور سکيا ٽيڪنڪ آهي جيڪا ان جي غير لڪير مسئلن کي گروپ ڪرڻ ۽ تصور ڪرڻ جي صلاحيت لاءِ سڃاتي وڃي ٿي. ٻين نمونن جي سڃاڻپ جي ٽيڪنڪ جي برعڪس جيئن پرنسپل اجزاء جو تجزيو، فزي ڪلسٽرنگ، هيئرارڪليڪل ڪلسٽرنگ، ۽ گھڻن معيارن تي فيصلو ڪرڻ، SeOM بهتر آهي PTE al.44، SeOM مقامي طور تي لاڳاپيل نيورسن جي ورڇ کي گروپ ڪري سگھي ٿو ۽ اعلي ريزوليوشن ڊيٽا بصري مهيا ڪري سگھي ٿو. ايس اي او ايم ني پيشنگوئي واري ڊيٽا کي بھترين نموني حاصل ڪرڻ لاءِ سڌو تفسير جي نتيجن کي بيان ڪرڻ لاءِ.
هن پيپر جو مقصد شهري ۽ پرائي-شهري مٽيءَ ۾ نڪل مواد جي اڳڪٿي ڪرڻ لاءِ بهترين درستيءَ سان هڪ مضبوط ميپنگ ماڊل تيار ڪرڻ آهي. اسان سمجهون ٿا ته مخلوط ماڊل جي ڀروسي جو دارومدار بنيادي نموني سان جڙيل ٻين ماڊلز جي اثرن تي آهي. اسان تسليم ڪريون ٿا ته DSM کي درپيش چيلنجز کي منهن ڏيڻو پوي ٿو، ۽ اهي اڳواٽ ڪامرسٽيڪٽ جي ڪيترن ئي چيلنجز کي ايڊريس ڪري رهيا آهن. s ۽ ايم ايل اي جا ماڊل وڌندڙ نظر اچن ٿا؛تنهن ڪري، اسان تحقيقي سوالن جا جواب ڏيڻ جي ڪوشش ڪنداسين جيڪي ملي سگھن ٿا مخلوط ماڊل. جڏهن ته، ماڊل حدف جي عنصر جي اڳڪٿي ڪرڻ ۾ ڪيترو صحيح آهي؟ پڻ، ڪارڪردگي جي تشخيص جي سطح ڇا آهي تصديق ۽ درستگي جي تشخيص جي بنياد تي؟ ان ڪري، هن مطالعي جا خاص مقصد هئا (الف) هڪ گڏيل ماڊل ٺاهڻ لاءِ (الف) ماڊل ايس ايم آر بي يا ايم آر بي استعمال ڪندي گڏيل نموني نتيجو ڪندڙ ماڊل (c) شهري يا پرائي-شهري مٽيءَ ۾ ني ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ بهترين مرکب ماڊل پيش ڪن ٿا، ۽ (d) نڪل اسپيشل ويريشن جو هڪ اعليٰ ريزوليوشن نقشو ٺاهڻ لاءِ SeOM جو استعمال.
اهو مطالعو چيڪ ريپبلڪ ۾ ڪيو پيو وڃي، خاص طور تي موراويا-سائليئن علائقي جي فريڊڪ مسٽيڪ ضلعي ۾ (ڏسو شڪل 1). مطالعي واري علائقي جي جاگرافي تمام خراب آهي ۽ گهڻو ڪري موراويا-سائليئن بيسڪڊي علائقي جو حصو آهي، جيڪو ڪارپيٿين جبل جي ٻاهرئين پاسي جو حصو آهي. 18° 20′ 0′ E، ۽ اوچائي 225 ۽ 327 ميٽر جي وچ ۾ آهي.جڏهن ته، علائقي جي موسمي حالت لاءِ ڪوپن جي درجه بندي سسٽم کي Cfb = معتدل سامونڊي آبهوا قرار ڏنو ويو آهي، خشڪ مهينن ۾ به تمام گهڻي برسات پوندي آهي. گرمي پد سڄي سال ۾ −5 °C ۽ 24 °C جي وچ ۾، گهٽ ۾ گهٽ −14 °C ۽ 24 °C جي وچ ۾ گهٽجي ويندو آهي، جڏهن ته سراسري طور تي −14 °C ۽ 75 °C کان مٿي يا ساليانو 520 °C کان مٿي هوندو آهي. mm47. سڄي ايراضيءَ جي اندازي مطابق سروي واري ايراضي 1,208 چورس ڪلوميٽر آهي، جنهن ۾ 39.38 سيڪڙو پوکيل زمين ۽ 49.36 سيڪڙو ٻيلن تي مشتمل آهي. ٻئي طرف، هن مطالعي ۾ استعمال ٿيل ايراضي اٽڪل 889.8 چورس ڪلوميٽر آهي. Ostrava ۽ آس پاس، اسٽيل جي صنعت ۾ وڏي پيماني تي اسٽيل ملز ۽ اسٽيل ملن جي صنعت ۾ استعمال ٿيل آهي. اسٽينلیس اسٽيل (مثال طور ماحول جي سنکنرن جي مزاحمت لاءِ) ۽ الائي اسٽيل (نڪل مصر جي طاقت کي وڌائي ٿو جڏهن ان جي سٺي نرمي ۽ سختي برقرار رکي ٿي) ۽ تيز زراعت جهڙوڪ فاسفيٽ ڀاڻ جي درخواست ۽ جانورن جي پيداوار علائقي ۾ نڪل جا تحقيقي امڪاني ذريعا آهن (مثال طور، صنعتي ترقي جي شرح ۾ واڌ ۽ ڪيٽيل بيس جي گھٽتائي ۾ واڌارو. تحقيق جي علائقن ۾ nickel ان جو استعمال اليڪٽروپلاٽنگ ۾ شامل آهي، جنهن ۾ اليڪٽرروپليٽنگ نڪل ۽ اليڪٽريڪل نڪل پلاٽنگ عمل شامل آهن. مٽي جا خاصيتون مٽيءَ جي رنگ، ساخت ۽ ڪاربونيٽ جي مواد کان آسانيءَ سان سڃاڻي سگهجن ٿا. مٽيءَ جي بناوت وچولي کان سٺي هوندي آهي، جيڪا بنيادي مواد مان نڪتل هوندي آهي. اهي ڪلوئل، آللوئيل يا اييولين هوندا آهن، اڪثر ڪري مٽيءَ جي مٿاڇري ۽ مٽيءَ جي مٿاڇري تي مٽيءَ جي مٿاڇري تي نظر اچن ٿا. جڏهن ته، ڪيمبيسول ۽ اسٽيگنوسولز علائقي ۾ سڀ کان وڌيڪ عام مٽي جا قسم آهن48. 455.1 کان 493.5 ميٽر جي اوچائي سان، ڪيمبيسولز چيڪ ريپبلڪ تي غالب آهن49.
مطالعي واري علائقي جو نقشو [مطالعي واري علائقي جو نقشو ArcGIS ڊيسڪ ٽاپ (ESRI, Inc، ورجن 10.7، URL: https://desktop.arcgis.com) استعمال ڪندي ٺاهيو ويو.]
ڪل 115 مٿين مٽي جا نمونا فرائيڊڪ مسٽيڪ ضلعي ۾ شهري ۽ پرائي-شهري مٽيءَ مان حاصل ڪيا ويا. استعمال ٿيل نمونو هڪ باقاعده گرڊ هو جنهن ۾ مٽي جا نمونا 2 × 2 ڪلوميٽر جي فاصلي تي رکيا ويا هئا، ۽ مٿين مٽي کي 0 کان 20 سينٽي ميٽرن جي کوٽائي ۾ ماپيو ويو هو هٿ سان هٿ ۾ رکيل GPS جي پي ايس ايل پي ايس ايل پي ايس ايل پي ايس پي پي ايل پي ايس پي پي ايل پي سي پي ڊيوائس ۾. بيلڊ، ۽ ليبارٽري ڏانهن موڪليا ويا. نمونن کي هوا ۾ خشڪ ڪيو ويو pulverized نمونو پيدا ڪرڻ لاء، هڪ مشيني سسٽم (Fritsch disc Mill) ذريعي pulverized، ۽ sieved (sieve size 2 mm). 1 گرام خشڪ، homogenized ۽ sieved مٽي جا نمونا واضح طور تي ليبل ٿيل teflon %3ml teflon %5ml in bottlen. Cl ۽ 3 ml جو 65% HNO3 (هڪ خودڪار ڊسپينسر استعمال ڪندي - هر هڪ تيزاب لاءِ هڪ)، هلڪو ڍڪيو ۽ نموني کي رد عمل لاءِ رات جو بيهڻ جي اجازت ڏيو (ايڪوا ريجيا پروگرام). سپرنيٽنٽ کي گرم ڌاتو جي پليٽ (درجه حرارت: 100 W ۽ 160 °C) تي 2 ڪلاڪ لاءِ رکو، پوءِ سپرنيٽنٽ جي عمل کي آسان ڪرڻ لاءِ سپرنيٽنٽ کي 2 ڪلاڪن تائين ٿڌو ڪيو وڃي. 0 ml Volumetric flask ۽ 50 ml تائين diionized water سان ملايو. ان کان پوء، diionized پاڻي سان 50 ml PVC ٽيوب ۾ dilute supernatant کي فلٽر ڪيو. اضافي طور تي، 1 ml dilution محلول کي 9 ml deionized پاڻي سان ملايو ويو ۽ 12 ml TEeupsent TEeursent Content (P.TEeursent) ۾ تيار ڪيو ويو. s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) پاران معياري طريقن ۽ معاهدي جي مطابق مقرر ڪيا ويا. معيار جي يقين ۽ ضابطي کي يقيني بڻايو. هن مطالعي مان اڌ کان هيٺ آئن جي حدن کي خارج ڪيو ويو. هن مطالعي ۾ استعمال ٿيل PTE جي سڃاڻپ جي حد 0.0004. (توهان) هئي. اضافي طور تي، هر تجزيي لاء معيار ڪنٽرول ۽ معيار جي يقين جي عمل کي يقيني بڻايو ويو آهي ريفرنس معيارن جي تجزيو ڪندي. انهي کي يقيني بڻائڻ ته غلطيون گهٽ ۾ گهٽ ڪيون ويون آهن، هڪ ٻيڻو تجزيو ڪيو ويو.
تجرباتي Bayesian Kriging (EBK) ڪيترن ئي جيوسٽيٽيڪل انٽرپوليشن ٽيڪنالاجي مان هڪ آهي جيڪو مختلف شعبن ۾ ماڊلنگ ۾ استعمال ٿيندو آهي جهڙوڪ مٽي سائنس. ٻين ڪرنگنگ انٽرپوليشن ٽيڪنڪ جي برعڪس، EBK سيمي ويريوگرام ماڊل جي اندازي مطابق غلطي کي نظر ۾ رکندي روايتي ڪرگنگ طريقن کان مختلف آهي. ٽرپوليشن ٽيڪنڪ سيمي ويريگرام جي هن پلاٽنگ سان لاڳاپيل غير يقيني صورتحال ۽ پروگرامنگ لاءِ رستو ٺاهيندي آهي جيڪا ڪافي ڪريگنگ طريقي جو هڪ انتهائي پيچيده حصو آهي. EBK جو انٽرپوليشن عمل Krivoruchko50 پاران تجويز ڪيل ٽن معيارن جي پيروي ڪري ٿو، (a) ماڊل ان پٽ ڊيٽا سيٽ مان سيمي ويريگرام جو اندازو لڳائي ٿو (b) نئين جڳهه تي ٻڌل ڊيٽا سيٽ (b) سيمي ويريوگرام جي قيمت جي بنياد تي. فائنل A ماڊل کي ٺهيل ڊيٽا سيٽ مان ٺاهيو ويو آهي. Bayesian مساوات جو قاعدو پوسٽريئر طور ڏنو ويو آهي
جتي \(Prob\left(A\right)\) اڳئين جي نمائندگي ڪري ٿو، \(Prob\left(B\right)\) حد جي امڪان کي اڪثر صورتن ۾ نظر انداز ڪيو ويندو آهي، \(Prob (B,A)\ ) .سيمي ويريوگرام جي حساب ڪتاب بيز جي اصول تي ٻڌل آهي، جيڪو ڏيکاري ٿو ته سيمي وياريوگرام جو اندازو لڳايو وڃي ٿو سيمي وياريوگرام جي قدر استعمال ڪندي مشاهدي جي ڊيٽا کي استعمال ڪندي. بيز جو قاعدو، جيڪو ٻڌائي ٿو ته اهو ڪيترو ممڪن آهي ته سيمي ويريگرام مان مشاهدن جو ڊيٽا سيٽ ٺاهيو وڃي.
هڪ سپورٽ ویکٹر مشين هڪ مشين لرننگ الورورٿم آهي جيڪو هڪجهڙائي جي فرق ڪرڻ لاءِ هڪ بهترين الڳ ڪرڻ وارو هائپرپلين ٺاهي ٿو پر لڪير طور تي آزاد طبقن کي فرق نٿو ڪري.Vapnik51 ارادي جي درجه بندي الگورٿم ٺاهي، پر اهو تازو استعمال ڪيو ويو آهي رجعت جي بنياد تي مسئلن کي حل ڪرڻ لاء. Li et al.52 جي مطابق، SVM جي مختلف شعبن ۾ بهترين ڪلاس ٽيڪنالاجي استعمال ڪئي وئي آهي. ent جو SVM (سپورٽ ویکٹر مشين ريگريشن – SVMR) هن تجزيي ۾ استعمال ڪيو ويو. Cherkassky ۽ Mulier53 SVMR کي ڪنيل تي ٻڌل ريگريشن جي طور تي پيش ڪيو، جنهن جي حساب سان هڪ لڪير ريگريشن ماڊل استعمال ڪندي ملٽي ملڪ اسپيشل افعال سان ڪيو ويو. ar تعلقات ۽ فضائي ڪمن جي اجازت ڏئي ٿو. Vohland et al جي مطابق.55، epsilon (ε)-SVMR تربيتي ڊيٽا سيٽ کي استعمال ڪري ٿو نمائندگي ماڊل حاصل ڪرڻ لاءِ ايپسيلون غير حساس فنڪشن جيڪو ڊيٽا کي نقشي تي آزاد طور تي نقشي تي لاڳو ڪيو ويو آهي بهترين ايپسيلون تعصب سان لاڳاپيل ڊيٽا تي ٽريننگ کان. اڳواٽ فاصلي جي غلطي کي اصل قدر کان نظرانداز ڪيو ويندو آهي، ۽ جيڪڏهن غلطي وڏي آهي ته ان جي ماڊل جي پيچيدگي کي گھٽائي ٿي. سپورٽ ويڪٽرز جو وسيع ذيلي سيٽ. Vapnik51 پاران تجويز ڪيل مساوات ھيٺ ڏيکاريل آھي.
جتي بي اسڪيلر جي حد جي نمائندگي ڪري ٿو، \ (\ {x} {} {} {} {} {} {\) استعمال جي نمائندگي ڪري ٿو، bf). اهو بهترين ايس وي ايم آر ماڊل جو تعين ڪرڻ لاء آر بي ايف ايف جي ترتيب ڏيڻ لاء، جيڪو تمام گهڻو چٽي واري ڏنڊ جو معائنو مقرر ڪيو ويو آهي ۽ ته سٽ ٽريننگ جوڙجڪ.
هڪ کان وڌيڪ لڪير ريگريشن ماڊل (MLR) هڪ ريگريشن ماڊل آهي جيڪو لڪير پولڊ پيرا ميٽرز استعمال ڪندي جوابي متغير ۽ ڪيترن ئي اڳڪٿي ڪندڙ متغيرن جي وچ ۾ لاڳاپن جي نمائندگي ڪري ٿو گھٽ ۾ گھٽ اسڪوائر جو طريقو استعمال ڪندي. جيئن ته جوابي متغير وضاحتي متغيرن سان هڪ لڪير تعلق قائم ڪرڻ لاءِ. MLR مساوات آهي
جتي y جوابي متغير آهي، \(a\) intercept آهي، n اڳڪٿي ڪندڙن جو تعداد آهي، \({b}_{1}\) coefficients جو جزوي رجعت آهي، \({x}_{i}\) هڪ اڳڪٿي ڪندڙ يا وضاحتي متغير جي نمائندگي ڪري ٿو، ۽ \({\varepsilon }_{i}\) جي نمائندگي ڪندڙ ماڊل ۾ پڻ ڄاڻايل آهي.
مخلوط ماڊل EBK کي SVMR ۽ MLR سان سينڊوچ ڪندي حاصل ڪيا ويا. اهو EBK انٽرپوليشن مان اڳڪٿي ڪيل قدرن کي ڪڍڻ سان ڪيو ويو آهي. انٽرپول ٿيل Ca، K، ۽ Mg مان حاصل ڪيل اڳڪٿي ڪيل قيمتون هڪ گڏيل عمل ذريعي حاصل ڪيون وينديون آهن نوان متغير حاصل ڪرڻ لاءِ، جهڙوڪ، CaK ۽ KM، Cabin کان پوءِ Cag، ڪي ايم جي عنصرن کي حاصل ڪرڻ لاءِ. هڪ چوٿون متغير، CaKMg. مجموعي طور تي حاصل ڪيل متغير Ca, K, Mg, CaK, CaMg, KMg ۽ CaKMg آهن. اهي متغير اسان جي اڳڪٿي ڪندڙ بڻجي ويا، جيڪي شهري ۽ پرائي-شهري مٽيءَ ۾ نڪل ڪنسنٽريشن جي اڳڪٿي ڪرڻ ۾ مدد ڪن ٿا. سپورٽ ویکٹر مشين (EBK_SVM). ساڳي طرح، متغير پڻ MLR الورورٿم ذريعي پائپ ڪيا ويندا آهن هڪ مخلوط ماڊل حاصل ڪرڻ لاءِ ايمپيريڪل بييسيئن ڪرجنگ-ملٽيپل لينيئر ريگريشن (EBK_MLR). عام طور تي، متغيرات Ca, K, Mg, Cavariables Ca, K, Mg, Cavari, KMg, Cavari Mg, CavariM شهري ۽ پرائي-شهري مٽيءَ ۾. حاصل ڪيل سڀ کان وڌيڪ قابل قبول ماڊل (EBK_SVM يا EBK_MLR) پوءِ هڪ خود ترتيب ڏيڻ واري گراف کي استعمال ڪندي تصور ڪيو ويندو. هن مطالعي جو ڪم فلو شڪل 2 ۾ ڏيکاريل آهي.
SeOM استعمال ڪرڻ مالي شعبي، صحت، صنعت، شماريات، مٽي سائنس ۽ وڌيڪ ۾ ڊيٽا کي ترتيب ڏيڻ، جائزو وٺڻ ۽ اڳڪٿي ڪرڻ لاءِ هڪ مشهور اوزار بڻجي ويو آهي. SeOM کي مصنوعي اعصابي نيٽ ورڪ استعمال ڪندي ٺاهيو ويو آهي ۽ تنظيم، تشخيص ۽ اڳڪٿي لاءِ غير نگراني ٿيل سکيا جا طريقا. هن مطالعي ۾، SeOM کي استعمال ڪيو ويو نائي-بنيادي بنيادن تي اڳڪٿي ڪرڻ ۽ تصور ڪرڻ لاءِ بهترين نموني جي ترتيب ڏيڻ لاءِ. مٽي. SeOM اڀياس ۾ پروسيس ٿيل ڊيٽا n input-dimensional vector variables43,56.Melssen et al.57 ان پٽ ویکٹر جي ڪنيڪشن کي نيورل نيٽ ورڪ ۾ ھڪڙي ان پٽ پرت ذريعي ھڪڙي ھڪڙي وزن واري ویکٹر سان ھڪڙي آئوٽ ویکٹر سان بيان ڪريو. SeOM پاران ٺاھيو ويو ھڪڙو ٻه طرفي نقشو آھي جيڪو مختلف نيورون يا نوڊس تي مشتمل آھي جنھن ۾ مسدس، سرڪيولر، يا چورس ٽوپولاجيڪل نقشن ۾ انھن جي قربت جي مطابق. غلطي (TE)، ترتيب سان 0.086 ۽ 0.904 سان SeOM ماڊل، چونڊيو ويو آهي، جيڪو 55-نقشي يونٽ (5 × 11) آهي. نيورون جي جوڙجڪ تجرباتي مساوات ۾ نوڊس جي تعداد جي مطابق مقرر ڪئي وئي آهي.
ھن مطالعي ۾ استعمال ٿيل ڊيٽا جو تعداد 115 نمونن آھي. ھڪڙو بي ترتيب انداز استعمال ڪيو ويو ڊيٽا کي ٽيسٽ ڊيٽا ۾ ورهائڻ لاءِ (25٪ تصديق لاءِ) ۽ ٽريننگ ڊيٽا سيٽ (75٪ حساب ڪتاب لاءِ). ٽريننگ ڊيٽا سيٽ استعمال ڪيو ويندو آھي ريگريشن ماڊل (ڪيليبريشن)، ۽ ٽيسٽ ڊيٽا سيٽ کي عام ڪرڻ جي تصديق ڪرڻ لاءِ استعمال ڪيو ويندو آھي مختلف مواد جي اڳڀرائي جي قابليت جي تصديق ڪرڻ لاءِ. .سڀئي ماڊل استعمال ڪيا ويا ڏهن گنا ڪراس-تصديق واري عمل مان گذريا، پنج ڀيرا ورجايو. EBK انٽرپوليشن پاران تيار ڪيل متغير اڳڪٿي ڪندڙ يا وضاحتي متغير طور استعمال ڪيا ويا آهن ته جيئن ٽارگيٽ ويريئبل (PTE) جي اڳڪٿي ڪرڻ لاءِ. ماڊلنگ کي RStudio ۾ استعمال ڪيو ويندو آهي پيڪيجز لائبريري(Kohonen)، library(Kohonen)،library(library(1)،library(1)،library(7) "plyr")، لائبريري ("caTools")، لائبريري ("prospectr") ۽ لائبريريون ("ميٽرڪس").
مٽي ۾ نڪل ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ بهترين ماڊل جو تعين ڪرڻ ۽ ماڊل جي درستگي ۽ ان جي تصديق کي طئي ڪرڻ لاءِ مختلف تصديق جا پيرا ميٽر استعمال ڪيا ويا. هائبرڊائيزيشن جا ماڊل استعمال ڪيا ويا مطلب مطلق غلطي (MAE)، روٽ مطلب چورس غلطي (RMSE)، ۽ R-squared يا coefficient of the reported defines of the reported variances. رجعت واري ماڊل جي ذريعي. RMSE ۽ ويرينس جي شدت کي آزاد قدمن ۾ ماڊل جي اڳڪٿي واري طاقت کي بيان ڪري ٿو، جڏهن ته MAE حقيقي مقدار جي قيمت جو تعين ڪري ٿو. R2 جي قيمت کي اعلي هجڻ گهرجي ته جيئن صحيح نموني جي ماپ کي استعمال ڪندي بهترين مرکب ماڊل جو اندازو لڳايو وڃي، قيمت 1 جي ويجهو هوندي، صحيحيت لاء اعلي.59، هڪ R2 معيار جي قيمت 0.75 يا ان کان وڌيڪ هڪ سٺو اڳڪٿي ڪندڙ سمجهيو ويندو آهي.0.5 کان 0.75 تائين قابل قبول ماڊل ڪارڪردگي آهي، ۽ 0.5 کان هيٺ ناقابل قبول ماڊل ڪارڪردگي آهي. جڏهن RMSE ۽ MAE جي تصديق جي معيار جي تشخيصي طريقن کي استعمال ڪندي ماڊل چونڊيو، حاصل ڪيل هيٺين قيمتون ڪافي هيون ۽ انهن کي بهترين چونڊ سمجهيو ويو. هيٺ ڏنل مساوات بيان ڪري ٿي تصديق جي طريقي کي.
جتي n مشاهدو ڪيل قدر جي ماپ جي نمائندگي ڪري ٿو\({Y}_{i}\) ماپيل جواب جي نمائندگي ڪري ٿو، ۽ \({\widehat{Y}}_{i}\) پڻ پيش ڪيل جوابي قدر جي نمائندگي ڪري ٿو، تنهنڪري، پهرين i مشاهدن لاءِ.
اڳڪٿي ڪندڙ ۽ جوابي متغيرن جي شمارياتي وضاحتون جدول 1 ۾ پيش ڪيون ويون آهن، ڏيکاريندي مطلب، معياري انحراف (SD)، فرق جي کوٽائي (CV)، گھٽ ۾ گھٽ، وڌ ۾ وڌ، kurtosis، ۽ skewness. عناصر جي گھٽ ۾ گھٽ ۽ وڌ ۾ وڌ قيمتون Mg < Ca < K < Ni ۽ Ca < C < N < سينٽي ويريشن (Mg < Ca < K < Ni ۽ Ca < centi variation) جي گھٽتائي واري ترتيب ۾ آھن. ) مطالعي واري علائقي مان نموني 4.86 کان 42.39 mg/kg جي حد تائين. ني جي مقابلي ۾ دنيا جي اوسط (29 mg/kg) ۽ يورپي اوسط (37 mg/kg) ڏيکاريو ويو ته مجموعي طور تي ڳڻپيو ويو جاميٽري مطلب مطالعي واري علائقي لاءِ قابل برداشت حد جي اندر هو. سويڊن ۾ زرعي سرزمين سان موجوده مطالعي ۾ مرڪز ڏيکاري ٿو ته موجوده سراسري نڪل ڪنسنٽريشن وڌيڪ آهي. اهڙي طرح، موجوده مطالعي ۾ شهري ۽ پري-شهري مٽيءَ ۾ فريڊڪ مسٽيڪ جو اوسط ڪنسنٽريشن (Ni 16.15 mg/kg) 60 mg/10kgurbanski لاءِ اجازت ڏنل حد کان وڌيڪ هو. et al. ان کان علاوه، Bretzel ۽ Calderisi61، موجوده مطالعي جي مقابلي ۾ Tuscany جي شهري مٽيءَ ۾ تمام گهٽ نڪل ڪنسنٽريشن (1.78 mg/kg) رڪارڊ ڪيو. Jim62 پڻ هانگ ڪانگ جي شهري مٽيءَ ۾ گهٽ نڪل ڪنسنٽريشن (12.34 mg/kg) ڏٺا، جيڪو موجوده مطالعي جي ڀيٽ ۾ سراسري طور تي 6 کان گهٽ آهي. جرمني جي Saxony-Anhalt ۾ هڪ پراڻي کان کني ۽ شهري صنعتي علائقي ۾ 17.6 mg/kg جو مرڪز، جيڪو 1.45 mg/kg هو ان علائقي ۾ سراسري Ni Concentration (16.15 mg/kg) کان وڌيڪ. Khodadoust et al جي مطالعي سان مطابقت رکي ٿي.64 ته اسٽيل انڊسٽري ۽ ڌاتو ڪمائي مٽيءَ ۾ نڪل آلودگي جا مکيه ذريعا آهن. جڏهن ته، اڳڪٿي ڪندڙ پڻ 538.70 mg/kg کان 69,161.80 mg/kg لاءِ Ca، 497.51 mg/kg کان 3535.68 mg/kg، 8kg/60kg کان 8kg. 5 mg/kg for Mg.Jakovljevic et al.65 مرڪزي سربيا ۾ مٽي جي ڪل Mg ۽ K جي مواد جي تحقيق ڪئي. هنن ڏٺا ته ڪل ڪنسنٽريشن (410 mg/kg ۽ 400 mg/kg، ترتيب سان) موجوده مطالعي جي Mg ۽ K ڪنسنٽريشن کان گهٽ هئا. اڻ ڌار ڌار، اڀرندي پولينڊ ۾، Orzechowski ۽ Smolczysski، مجموعي مواد ۽ K6 جي سراسري ڪنسنٽريشن ڏيکاريا ويا. Ca (1100 mg/kg)، Mg (590 mg/kg) ۽ K (810 mg/kg) مٽيءَ جي مٿاڇري ۾ موجود مواد هن مطالعي ۾ واحد عنصر کان گهٽ آهي. هڪ تازو مطالعو Pongrac et al.67 ڏيکاري ٿو ته مجموعي Ca مواد 3 مختلف مٽيء ۾ تجزيو ڪيو ويو اسڪاٽ لينڊ، UK (Mylnefield مٽي، Balruddery مٽي ۽ Hartwood مٽي) هن مطالعي ۾ وڌيڪ Ca مواد ظاهر ڪيو.
نمونن جي عنصرن جي مختلف ماپيل ڪنسنٽريشن جي ڪري، عناصرن جي ڊيٽا سيٽ جي تقسيم مختلف skewness ڏيکاري ٿي. عناصر جي skewness ۽ kurtosis، ترتيبوار 1.53 کان 7.24 ۽ 2.49 کان 54.16 تائين. سڀني ڳڻپيوڪر عناصرن ۾ skewness ۽ ورهاست آهي، ڊيٽا جي ورهاست جي سطح + 1.53 کان 7.24 ۽ 2.49 کان 54.16 تائين. ساڄي طرف ۾ skewed ۽ peaked. عنصرن جي اندازي مطابق CVs پڻ ڏيکاري ٿو ته K, Mg, ۽ Ni وچولي تبديلي ڏيکاري ٿو، جڏهن ته Ca ۾ تمام گهڻي تغير آهي. K, Ni ۽ Mg جي CVs انهن جي يونيفارم ورهائڻ جي وضاحت ڪن ٿا. ان کان علاوه، Ca تقسيم غير يونيفارم آهي ۽ خارجي ذريعا ان جي افزودگي جي سطح کي متاثر ڪري سگهن ٿا.
جوابي عنصرن سان اڳڪٿي ڪندڙ متغيرن جو لاڳاپو عنصرن جي وچ ۾ هڪ اطمينان بخش لاڳاپو ظاهر ڪيو (ڏسو شڪل 3). باهمي تعلق ظاهر ڪيو ته CaK r قدر = 0.53 سان اعتدال پسند لاڳاپو ڏيکاري ٿو، جيئن CaNi ڪيو هو. جيتوڻيڪ Ca ۽ K هڪ ٻئي سان معمولي اتحاديات ڏيکارين ٿا، جهڙوڪ ڪنگٽن ال.68 ۽ Santo69 ڏيکاري ٿو ته مٽي ۾ انهن جي سطح متضاد طور تي متناسب آهي. تنهن هوندي به، Ca ۽ Mg K سان متضاد آهن، پر CaK چڱي ريت لاڳاپو رکي ٿو. اهو ٿي سگهي ٿو ڀاڻ جي استعمال جي ڪري، جهڙوڪ پوٽاشيم ڪاربونيٽ، جيڪا پوٽاشيم ۾ 56٪ وڌيڪ آهي. پوٽاشيم کي اعتدال پسند ڪيو ويو هو ميگنيشيم فير = 6 ايم ڪيو ايم سان correlated صنعت ۾. اهي ٻئي عنصر ويجھا لاڳاپيل آهن ڇاڪاڻ ته پوٽاشيم ميگنيشيم سلفيٽ، پوٽاشيم ميگنيشيم نائٽريٽ، ۽ پوٽاش انهن جي گهٽتائي جي سطح کي وڌائڻ لاءِ مٽيءَ تي لاڳو ڪيا ويندا آهن. نڪل معتدل طور تي Ca، K ۽ Mg سان r ويلز = 0.52، 0.63 ۽ 0.55 سان لاڳاپو رکي ٿو. پيچيده آهن، پر ان جي باوجود، ميگنيشيم ڪلسيم جي جذب کي روڪي ٿو، ڪلسيم اضافي ميگنيشيم جي اثرات کي گھٽائي ٿو، ۽ ميگنيشيم ۽ ڪلسيم ٻئي مٽي ۾ نڪيل جي زهريلي اثرات کي گھٽائي ٿو.
اڳڪٿي ڪندڙن ۽ جوابن جي وچ ۾ لاڳاپو ڏيکاريندڙ عنصرن لاءِ رابطا ميٽرڪس (نوٽ: هن انگ ۾ عناصر جي وچ ۾ هڪ اسڪرپٽ پلاٽ شامل آهي، اهميت جي سطح p <0,001 تي ٻڌل آهي).
شڪل 4 عناصر جي فضائي ورڇ کي بيان ڪري ٿو. Burgos et al70 جي مطابق، فضائي ورڇ جو اطلاق هڪ ٽيڪنڪ آهي جيڪا آلودگي وارن علائقن ۾ گرم هنڌن کي مقدار ۽ نمايان ڪرڻ لاءِ استعمال ڪئي ويندي آهي. تصوير 4 ۾ Ca جي افزودگي جي سطح اتر اولهه واري حصي ۾ ڏسي سگهجي ٿي. نقشي جي اتر اولهه ۾ cium جي افزودگي ممڪن آهي ته ڪوئڪ لائم (ڪيلشيم آڪسائيڊ) جي استعمال جي ڪري مٽي جي تيزابيت کي گھٽائڻ ۽ اسٽيل ملز ۾ ان جو استعمال فولاد ٺاهڻ جي عمل ۾ الڪائن آڪسيجن طور استعمال ڪيو وڃي. ٻئي طرف، ٻيا هاري تيزابي مٽيءَ ۾ ڪيلشيم هائيڊروڪسائيڊ استعمال ڪرڻ کي ترجيح ڏين ٿا ته جيئن پي ايڇ ڊي جي مقدار کي وڌايو وڃي. نقشي جي اتر اولهه ۽ اوڀر ۾. اتر اولهه هڪ وڏي زرعي برادري آهي، ۽ پوٽاشيم جو اعتدال کان مٿاهون نمونو NPK ۽ پوٽاش ايپليڪيشنن جي ڪري ٿي سگهي ٿو. اهو ٻين مطالعي سان مطابقت رکي ٿو، جهڙوڪ Madaras ۽ Lipavský72، Madaras et al.73، Pulkrabová، et al.73، Pulkrabová، et al. l ۽ NPK جي نتيجي ۾ مٽي ۾ اعلي K مواد.ورهائڻ واري نقشي جي اتر اولهه ۾ مقامي پوٽاشيم جي افزودگي شايد پوٽاشيم تي ٻڌل ڀاڻن جي استعمال جي ڪري ٿي سگھي ٿي جهڙوڪ پوٽاشيم کلورائڊ، پوٽاشيم سلفيٽ، پوٽاشيم نائٽريٽ، پوٽاشيم ۽ پوٽاش غريب مٽي جي پوٽاشيم مواد کي وڌائڻ لاءِ.Zádorová et al.76 ۽ Tlustoš et al.77 بيان ڪيو ويو آهي ته K-بنياد ڀاڻ جي استعمال سان مٽي ۾ K مواد وڌي ٿو ۽ ڊگهي عرصي ۾ مٽي جي غذائي مواد کي خاص طور تي وڌائيندو، خاص طور تي K ۽ Mg مٽي ۾ هڪ گرم جڳهه ڏيکاري ٿو. نقشي جي اتر اولهه ۽ نقشي جي ڏکڻ اوڀر ۾ نسبتا وچولي گرم هنڌون. مٽي ۾ ڪولائيڊل فيڪسيشن جي کوٽ سبب مٽي جي کوٽائي ۾. ٻوٽا جيڪي زرد مائل ڪلوروسس کي ظاهر ڪن ٿا. ميگنيشيم تي ٻڌل ڀاڻ، جهڙوڪ پوٽاشيم ميگنيشيم سلفيٽ، ميگنيشيم سلفيٽ، ۽ ڪيزيرائيٽ، گھٽتائي جو علاج ڪن ٿا (ٻوٽا جامني، ڳاڙهي، يا ناسي، ظاهر ڪن ٿا ميگنيشيم جي گھٽتائي) جي مٽيءَ ۾ مٽيءَ ۾ ٿلهي ۽ نارمل 6 جي حد تائين. il مٿاڇري anthropogenic سرگرمين جي ڪري ٿي سگھي ٿو جهڙوڪ زراعت ۽ اسٽينلیس سٹیل جي پيداوار ۾ نکل جي اهميت78.
عناصر جي مقامي ورڇ [فضائي تقسيم جو نقشو ArcGIS ڊيسڪ ٽاپ (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) استعمال ڪندي ٺاهيو ويو.]
ھن مطالعي ۾ استعمال ڪيل عناصرن لاء ماڊل ڪارڪردگي انڊيڪس جا نتيجا ٽيبل 2 ۾ ڏيکاريا ويا آھن. ٻئي طرف، ني جي RMSE ۽ MAE ٻئي صفر جي ويجھو آھن (0.86 RMSE، -0.08 MAE). ٻئي طرف، K جي RMSE ۽ MAE قدر قابل قبول آھن. RMSE ۽ MAE جا نتيجا KSERM لاء وڏا ۽ وڏا آھن. مختلف ڊيٽا سيٽن ڏانهن. هن مطالعي جي RMSE ۽ MAE EBK استعمال ڪندي ني جي اڳڪٿي ڪرڻ لاءِ جان ۽ ال جي نتيجن کان بهتر مليا.ساڳئي گڏ ڪيل ڊيٽا کي استعمال ڪندي مٽي ۾ S ڪنسنٽريشن جي اڳڪٿي ڪرڻ لاءِ synergistic kriging استعمال ڪندي. EBK جي نتيجن جو اسان مطالعو ڪيو آهي انهن سان لاڳاپو آهي Fabijaczyk et al.41، يان وغيره.79، بيگين وغيره.80، اختياري وغيره.81 ۽ جان وغيره.82، خاص طور تي K ۽ Ni.
شهري ۽ پرائي-شهري مٽيءَ ۾ نڪل مواد جي اڳڪٿي ڪرڻ لاءِ انفرادي طريقن جي ڪارڪردگيءَ جو جائزو ورتو ويو ماڊل جي ڪارڪردگيءَ کي استعمال ڪندي (ٽيبل 3). ماڊل جي تصديق ۽ درستگيءَ جي تشخيص تصديق ڪئي وئي ته Ca_Mg_K اڳڪٿي ڪندڙ EBK SVMR ماڊل سان گڏ گڏ ڪيو ويو بهترين ڪارڪردگي. RMSE) ۽ مطلب مطلق غلطي (MAE) هئا 0.637 (R2)، 95.479 mg/kg (RMSE) ۽ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR هو 0.663 (R2)، 235.974 mg/kg (mg1/kg، 6MA6/kg سٺو RME69g) ۽ سٺي قيمت RME64. s حاصل ڪيا ويا Ca_Mg_K-SVMR (0.663 mg/kg R2) ۽ Ca_Mg-EBK_SVMR (0.643 = R2)؛انهن جا RMSE ۽ MAE نتيجا Ca_Mg_K-EBK_SVMR (R2 0.637) لاءِ انهن کان وڌيڪ هئا (ٽيبل 3 ڏسو). ان کان علاوه، Ca_Mg-EBK_SVMR جا RMSE ۽ MAE (RMSE = 1664.64 ۽ MAE = 1031.47 آهن جيڪي انهن جي لحاظ کان وڏي آهن، 131.47) ماڊل. Ca_Mg_K-EBK_SVMR. ساڳيء طرح، Ca_Mg-K SVMR (RMSE = 235.974 ۽ MAE = 166.946) ماڊل جا RMSE ۽ MAE 2.5 ۽ 2.2 وڏا آھن Ca_Mg_K-EBK_SVMR جي ڀيٽ ۾، ظاھر ڪيو ويو آھي ته ڪيئن نتيجن جي حساب سان. ڊيٽا سيٽ بهترين فٽ جي لائن سان آهي. اعلي RSME ۽ MAE مشاهدو ڪيو ويو. Kebonye et al جي مطابق.46 ۽ جان وغيره.54، RMSE ۽ MAE صفر جي ويجهو هوندا، اوترو ئي بهتر نتيجا. SVMR ۽ EBK_SVMR وٽ اعليٰ مقدار ۾ RSME ۽ MAE قدر آهن. اهو ڏٺو ويو ته RSME تخمينو لڳاتار MAE قدرن کان وڌيڪ هئا، جيڪي ٻاهرئين ماڻهن جي موجودگي کي ظاهر ڪن ٿا. solute error (MAE) جي سفارش ڪئي وئي آهي هڪ اشاري جي طور تي ٻاهرين ماڻهن جي موجودگي جي. هن جو مطلب آهي ته ڊيٽا سيٽ جيتري وڌيڪ متضاد، MAE ۽ RMSE قدر وڌيڪ. Ca_Mg_K-EBK_SVMR مخلوط ماڊل جي ڪرياس-تصديق جي جائزي جي درستگي اڳڪٿي ڪرڻ لاءِ ماڊل ماڊل جي اڳڪٿي ڪرڻ لاءِ.59، هن سطح جي درستگي هڪ قابل قبول ماڊل ڪارڪردگي جي شرح آهي. موجوده نتيجن جي مقابلي ۾ هڪ پوئين مطالعي سان Tarasov et al.36 جن جي هائبرڊ ماڊل ٺاهي وئي MLPRK (Multilayer Perceptron Residual Kriging)، EBK_SVMR جي درستگي جي تشخيص انڊيڪس سان لاڳاپيل، موجوده مطالعي ۾ رپورٽ ڪئي وئي، RMSE (210) ۽ MAE (167.5) موجوده مطالعي ۾ اسان جي نتيجن کان وڌيڪ هئي (RMSE 95.479، جڏهن ته موجوده مطالعي جي RMSE 95.479، RH279، 2.679، . (0.637) ان سان گڏ تاراسوف وغيره.36 (0.544)، اهو واضح ٿئي ٿو ته هن مخلوط ماڊل ۾ عزم جي کوٽائي (R2) وڌيڪ آهي. مخلوط ماڊل لاء غلطي جو مارجن (RMSE ۽ MAE) (EBK SVMR) ٻه ڀيرا گهٽ آهي. ساڳئي طرح، Sergeev et al.34 رڪارڊ ڪيو ويو 0.28 (R2)، KDE40.2 ريسيپٽائيل ماڊل لاء. موجوده مطالعي ۾ 0.637 (R2) رڪارڊ ڪيو ويو آهي. هن ماڊل جي اڳڪٿي جي درستگي جي سطح (EBK SVMR) 63.7٪ آهي، جڏهن ته اڳڪٿي جي درستگي حاصل ڪئي وئي Sergeev et al.34 28٪ آهي. آخري نقشو (Fig. 5) EBK_SVMR ماڊل ۽ Ca_Mg_K کي اڳڪٿي ڪندڙ جي طور تي استعمال ڪندي تيار ڪيو ويو آهي گرم هنڌن جي اڳڪٿي ڏيکاري ٿو ۽ سڄي مطالعي واري علائقي تي اعتدال کان نڪيل. هن جو مطلب آهي ته مطالعي واري علائقي ۾ نڪل جو ڪنسنٽريشن خاص طور تي معتدل آهي، ڪجهه مخصوص علائقن ۾ وڌيڪ توجه سان.
آخري پيشنگوئي جو نقشو ھائبرڊ ماڊل EBK_SVMR استعمال ڪندي ڏيکاريو ويو آھي ۽ Ca_Mg_K کي اڳڪٿي ڪندڙ طور استعمال ڪيو ويو آھي.[اسپيشل ڊسٽريبيوشن نقشو RStudio استعمال ڪندي ٺاھيو ويو آھي (ورجن 1.4.1717: https://www.rstudio.com/).]
شڪل 6 ۾ پيش ڪيل PTE ڪنسنٽريشن هڪ ٺهيل جهاز جي طور تي آهن جيڪي انفرادي نيورونن تي مشتمل آهن. ڪنهن به جزن جي جهازن ساڳئي رنگ جي نموني کي ظاهر نه ڪيو آهي جيئن ڏيکاريل آهي. جڏهن ته، نقشي ۾ نيورسن جو مناسب تعداد 55 آهي. SeOM مختلف رنگن جي استعمال سان پيدا ڪيو ويو آهي، ۽ رنگن جي نمونن کي وڌيڪ هڪجهڙائي، انفرادي عنصرن جي نموني جي ماپ مطابق، انهن جي رنگن جي خاصيتن جي مقابلي ۾. , K, ۽ Mg) هڪجهڙا رنگ جا نمونا ڏيکاريا آهن سنگل هاءِ نيورونن ۽ تمام گهٽ نيورونن لاءِ. اهڙيءَ طرح، CaK ۽ CaMg تمام اعليٰ ترتيب واري نيورسن ۽ گهٽ-کان-اعتدال پسند رنگن جي نمونن سان ڪجهه هڪجهڙائي رکن ٿا. ٻئي ماڊل رنگن جي وچولي کان اعليٰ رنگن کي ڏيکاريندي مٽي ۾ ني جي ڪنسنٽريشن جي اڳڪٿي ڪن ٿا جهڙوڪ رنگن جي وچولي کان اعليٰ رنگن کي ڏيکاريندي جيئن ته K ۽ اڳي رنگ جي ماڊل تي ڳاڙهي ۽ اڳئين رنگ جا ڪيترائي نمونا. گھٽ کان وچولي رنگ جا پيچ. گھٽ کان مٿاھين تائين صحيح رنگ جي پيماني تي، ماڊل جي اجزاء جو پلانر ورهائڻ وارو نمونو ھڪڙو اعلي رنگ جو نمونو ڏيکاري ٿو جيڪو مٽي ۾ نڪل جي امڪاني ڪنسنٽريشن کي ظاھر ڪري ٿو (ڏسو شڪل 4). CakMg ماڊل جزو پلاٽ ھڪڙو متنوع رنگ نمونو ڏيکاري ٿو گھٽ کان مٿاھين تائين. شڪل 5 ۾ ڏيکاريل نڪيل جي مقامي ورڇ وانگر. ٻئي گراف شهري ۽ پرائي-شهري مٽيءَ ۾ نڪل ڪنسنٽريشن جو اعليٰ، وچولي ۽ گهٽ تناسب ڏيکارين ٿا. شڪل 7 نقشي تي k-ميان گروپنگ ۾ ڪنٽور جو طريقو ڏيکاري ٿو، ٽن ڪلسٽرن ۾ ورهايو ويو آهي. مٽي جا 115 نمونا گڏ ڪيا ويا، ڪيٽيگري 1 سڀ کان وڌيڪ مٽي جا نمونا حاصل ڪيا، 74. ڪلسٽر 2 33 نمونا حاصل ڪيا، جڏهن ته ڪلسٽر 3 کي 8 نمونا مليا. ست جزن تي مشتمل پلانر اڳڪٿي ڪندڙ ميلاپ کي آسان ڪيو ويو ته جيئن ڪلستر جي صحيح تشريح جي اجازت ڏني وڃي. ڪيترن ئي سببن جي ڪري قدرتي طور تي مختلف طريقن سان اثر انداز ٿيڻ ۽ مختلف طريقن سان متاثر ٿيڻ واري عمل کي ڏکيو آهي. هڪ ورهايل SeOM نقشي ۾ ster نمونن 78.
اجزاء جهاز جي پيداوار هر تجرباتي Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) variable ذريعي.[SeOM نقشا RStudio استعمال ڪندي ٺاهيا ويا (ورجن 1.4.1717: https://www.rstudio.com/).]
مختلف ڪلستر جي درجه بندي جا حصا [SeOM نقشا RStudio استعمال ڪندي ٺاهيا ويا (نسخ 1.4.1717: https://www.rstudio.com/).]
موجوده مطالعو واضح طور تي شهري ۽ پرائي-شهري مٽيءَ ۾ نڪل ڪنسنٽريشن لاءِ ماڊلنگ ٽيڪنڪ کي واضح ڪري ٿو. مطالعي مختلف ماڊلنگ ٽيڪنڪ کي آزمايو، عناصرن کي ماڊلنگ ٽيڪنڪ سان گڏ ڪري، مٽي ۾ نڪل ڪنسنٽريشن جي اڳڪٿي ڪرڻ جو بهترين طريقو حاصل ڪرڻ لاءِ. SeOM compositional planar spatial features of nickel concentrations to predicting the SeOM compositional planar spatial features of a currbit high colour at the high-center. جڏهن ته، مقامي ورڇ جو نقشو EBK_SVMR پاران ڏيکاريل اجزاء جي رٿا واري مقامي ورڇ جي تصديق ڪري ٿو (ڏسو شڪل 5). نتيجا ڏيکاري ٿو ته سپورٽ ویکٹر مشين ريگريشن ماڊل (Ca Mg K-SVMR) مٽي ۾ ني جي ڪنسنٽريشن جي اڳڪٿي ڪري ٿو، پر مٽيءَ ۾ نِي جي ڪنسنٽريشن جي اڳڪٿي ڪئي وئي آهي، پر ايرر هڪ اعليٰ نمونو آهي. ٻئي طرف، RMSE ۽ MAE جا شرط. ٻئي طرف، EBK_MLR ماڊل سان استعمال ٿيل ماڊلنگ ٽيڪنڪ پڻ ناقص آهي ڇاڪاڻ ته کوٽائي جي کوٽائي جي گھٽ قيمت (R2). سٺا نتيجا حاصل ڪيا ويا EBK SVMR ۽ گڏيل عناصر (CaKMg) استعمال ڪندي گهٽ RMSE ۽ MAE جي غلطين سان. مشين لرننگ الگورٿم سان گڏ هڪ هائبرڊ الگورٿم ٺاهي سگھي ٿو جيڪو مٽي ۾ PTEs جي ڪنسنٽريشن جي اڳڪٿي ڪري سگهي ٿو. نتيجن مان ظاهر ٿئي ٿو ته Ca Mg K کي اڳڪٿي ڪندڙن جي طور تي استعمال ڪرڻ سان مطالعي واري علائقي ۾ ني جي مقدار جي اڳڪٿي ڪري سگهجي ٿي. مٽي ۾ نڪل جي ڪنسنٽريشن. هن مطالعي مان معلوم ٿيو ته EBK ماڊل غلطي جي سطح کي گهٽائي سگهي ٿو ۽ شهري يا پري-شهري مٽيءَ ۾ مٽي جي فضائي ورڇ جي ماڊل جي درستگي کي بهتر ڪري سگهي ٿو. عام طور تي، اسان تجويز ڪريون ٿا ته EBK-SVMR ماڊل لاڳو ڪرڻ لاءِ مٽي ۾ PTE جو اندازو لڳائڻ ۽ اڳڪٿي ڪرڻ لاءِ؛ان کان علاوه، اسان مختلف مشين لرننگ الگورتھم سان گڏ ھائبرڊائيز ڪرڻ لاءِ EBK استعمال ڪرڻ جي تجويز پيش ڪريون ٿا. نئي ڪنسنٽريشن عنصرن کي covariates طور استعمال ڪندي اڳڪٿي ڪئي وئي؛جڏهن ته، وڌيڪ covariates استعمال ڪرڻ سان ماڊل جي ڪارڪردگي تمام گهڻي بهتر ٿي ويندي، جيڪا موجوده ڪم جي هڪ حد سمجهي سگهجي ٿي. هن مطالعي جي هڪ ٻي حد اها آهي ته ڊيٽا سيٽن جو تعداد 115 آهي. ان ڪري، جيڪڏهن وڌيڪ ڊيٽا مهيا ڪئي وڃي، تجويز ڪيل بهتر ڪيل هائبرڊائيزيشن طريقي جي ڪارڪردگي کي بهتر بڻائي سگهجي ٿو.
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (پهچايل 28 اپريل 2021).
Kasprzak، KS Nickel جديد ماحولياتي toxicology.surroundings.toxicology.11، 145-183 (1987) ۾ ترقي ڪري ٿو.
Cempel, M. & Nikel, G. Nickel: A Review of its Sources and Environment Toxicology. Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC ماحول مان آلودگي جي انپٽ ۽ مٽي ۽ ٻوٽن ۾ گڏ ٿيڻ سڊبري، اونٽاريو، ڪئناڊا ۾ نڪيل ٽامي جي گندگي جي ويجهو.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Maniwa, T. et al.Botswana.surroundings.Geochemistry.Health https://doi.org/10.1007/s10653-021-021-x) ۾ Selebi-Phikwe تانبا-نڪل جي مائن جي ويجهو مٽيءَ، ٻوٽن ۽ چرڻ جي چرپر سان لاڳاپيل خطرا، T. et al.
Cabata-Pendias.Kabata-Pendias A. 2011. مٽيءَ ۾ عناصر جو پتو لڳايو ۽… – گوگل اسڪالر 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. NY%29%3A+CRC+Press&btnG= (پهچايل 24 نومبر 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org ۾ زرعي مٽي ۽ گھاس ۾ ڳري ڌاتو جي مقدار تي روسي نڪيل صنعت جا اثر.
Nielsen, GD et al. نڪيل جذب ۽ پيئڻ جي پاڻي ۾ برقرار رکڻ سان لاڳاپيل آهن کاڌي جي استعمال ۽ نڪيل حساسيت.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or Selection.surroundings.Health Perspective.107, 2 (1999).
اجمان، پي سي؛Ajado, SK;Borůvka، L.؛بيني، جي ايم ايم؛سرڪودي، VYO؛ڪوبوني، اين ايم؛امڪاني طور تي زهر جي عنصرن جو رجحان تجزيو: هڪ بائيبلوميٽرڪ جائزو. ماحولياتي جيو ڪيمسٽري ۽ صحت. اسپرنگر سائنس ۽ بزنس ميڊيا BV 2020. https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB ڊجيٽل مٽي ميپنگ: 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. On Digital Soil Mapping.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deatch.cV Veopstatisticalicerical ormwards pretics.giplol.gololy.com/scorelostoloscorlstol & & & & & & & qungstics = (qung = (رسائي) 28 اپريل 2021).