Nature.com වෙත පිවිසීම ගැන ඔබට ස්තුතියි.ඔබ භාවිතා කරන බ්‍රවුසර අනුවාදය CSS සඳහා සීමිත සහයක් ඇත.හොඳම අත්දැකීම සඳහා, ඔබ යාවත්කාලීන බ්‍රවුසරයක් (හෝ Internet Explorer හි ගැළපුම් මාදිලිය ක්‍රියාවිරහිත කිරීම) භාවිතා කරන ලෙස අපි නිර්දේශ කරමු. මේ අතරතුර, අඛණ්ඩ සහාය සහතික කිරීම සඳහා, අපි විලාසිතා සහ JavaScript නොමැතිව වෙබ් අඩවිය ප්‍රදර්ශනය කරන්නෙමු.
පාංශු දූෂණය මිනිස් ක්‍රියාකාරකම් නිසා ඇති වන විශාල ගැටලුවකි. බොහෝ නාගරික සහ නාගරික ප්‍රදේශවල විෂ සහිත මූලද්‍රව්‍යවල (PTEs) අවකාශීය ව්‍යාප්තිය වෙනස් වේ. එබැවින්, එවැනි පස්වල PTE වල අන්තර්ගතය අවකාශීය ලෙස පුරෝකථනය කිරීම අපහසුය. සම්පූර්ණ සාම්පල 115 ක් ලබාගෙන ඇත. ickel (Ni) සාන්ද්‍රණය නිර්ණය කර ඇත්තේ ප්‍රේරක ලෙස සම්බන්ධිත ප්ලාස්මා විමෝචන වර්ණාවලීක්ෂය භාවිතයෙන්. ප්‍රතිචාර විචල්‍යය Ni වන අතර පුරෝකථනය කරන්නන් Ca, Mg සහ K වේ. ප්‍රතිචාර විචල්‍යය සහ අනාවැකි විචල්‍යය අතර සහසම්බන්ධතා න්‍යාසය මූලද්‍රව්‍ය අතර සතුටුදායක සහසම්බන්ධයක් පෙන්වයි. RMSE) (235.974 mg/kg) සහ මධ්‍යන්‍ය නිරපේක්ෂ දෝෂය (MAE) (166.946 mg/kg) භාවිතා කරන ලද අනෙකුත් ක්‍රමවලට වඩා වැඩි විය. අනුභූතික Bayesian Kriging-Multiple Linear Regression (EBK-MLR) සඳහා මිශ්‍ර මාදිලි දුර්වල ලෙස ක්‍රියා කරයි. Machine Regression (EBK-SVMR) මාදිලිය හොඳම මාදිලිය වූ අතර, අඩු RMSE (95.479 mg/kg) සහ MAE (77.368 mg/kg) අගයන් සහ අධි නිර්ණය කිරීමේ සංගුණකය (R2 = 0.637) සහිතයි. g-EBK-SVMR සංරචකය නාගරික සහ පරි-නාගරික පසෙහි Ni සාන්ද්‍රණය පුරෝකථනය කරන බහු වර්ණ රටා පෙන්වයි. EBK සහ SVMR ඒකාබද්ධ කිරීම නාගරික සහ පරි-නාගරික පසෙහි Ni සාන්ද්‍රණය පුරෝකථනය කිරීම සඳහා ඵලදායී තාක්‍ෂණයක් බව ප්‍රතිඵල පෙන්නුම් කරයි.
නිකල් (Ni) ශාක සඳහා ක්ෂුද්‍ර පෝෂකයක් ලෙස සලකනු ලබන්නේ එය වායුගෝලීය නයිට්‍රජන් සවිකිරීම (N) සහ යූරියා පරිවෘත්තීය ක්‍රියාවලියට දායක වන බැවින් බීජ ප්‍රරෝහණයට එහි දායකත්වයට අමතරව Ni හට දිලීර හා බැක්ටීරියා නිෂේධකයක් ලෙස ක්‍රියා කළ හැකි අතර, නිකල් නොමැතිකම නිසා පසෙහි කොළ අවශෝෂණය කර ගැනීමටත්, ශාක වර්ධනය ප්‍රවර්ධනය කිරීමටත් ඉඩ සලසයි. බෝංචි වලට නයිට්‍රජන් සවිකිරීම ප්‍රශස්ත කිරීම සඳහා නිකල් මත පදනම් වූ පොහොර යෙදීම අවශ්‍ය වේ පස පසෙහි pH අගය අවම කරන අතර ශාක වර්ධනය සඳහා අත්‍යවශ්‍ය පෝෂකයක් ලෙස යකඩ අවශෝෂණයට බාධා කරයි1. Liu3 ට අනුව, ශාක සංවර්ධනයට සහ වර්ධනයට අවශ්‍ය 17 වැනි වැදගත් මූලද්‍රව්‍යය Ni ලෙස සොයාගෙන ඇත. ශාක සංවර්ධනය හා වර්ධනය සඳහා නිකල්ගේ කාර්යභාරයට අමතරව, මිනිසාට විවිධ යෙදුම් නිෂ්පාදනය සඳහා එය අවශ්‍ය වේ. මෝටර් රථ කර්මාන්තයට විවිධ කාර්මික අංශවල නිකල් භාවිතය අවශ්‍ය වේ. ඊට අමතරව, මුළුතැන්ගෙයි උපකරණ, බෝල්රූම් උපාංග, ආහාර කර්මාන්ත සැපයුම්, විදුලි, වයර් සහ කේබල්, ජෙට් ටර්බයින, ශල්‍ය තැන්පත් කිරීම්, රෙදිපිළි සහ පස්-පාංශු මට්ටම් වල සිට පස්-පාංශු මට්ටම් දක්වා නිකල් මත පදනම් වූ මිශ්‍ර ලෝහ සහ විද්‍යුත් ආලේපිත භාණ්ඩ බහුලව භාවිතා වේ. ජානමය සහ ස්වාභාවික මූලාශ්‍ර, නමුත් මූලික වශයෙන්, Ni යනු මානව 4,6 ට වඩා ස්වභාවික ප්‍රභවයකි. නිකල්හි ස්වභාවික ප්‍රභවයන් අතර ගිනිකඳු පිපිරීම්, වෘක්ෂලතාදිය, ලැව්ගිනි සහ භූ විද්‍යාත්මක ක්‍රියාවලීන් ඇතුළත් වේ;කෙසේ වෙතත්, මානව ප්‍රභවයන් අතර වානේ කර්මාන්තයේ නිකල්/කැඩ්මියම් බැටරි, විද්‍යුත් ආලේපනය, චාප වෙල්ඩින්, ඩීසල් සහ ඉන්ධන තෙල් සහ ගල් අඟුරු දහනය සහ අපද්‍රව්‍ය හා රොන්මඩ දහනය කිරීමෙන් වායුගෝලීය විමෝචනය ඇතුළත් වේ. නිකල් සමුච්චය වීම10, ආසන්න හා යාබද පරිසරයේ මතුපිට පස් දූෂණයේ ප්‍රධාන ප්‍රභවයන් ප්‍රධාන වශයෙන් නිකල්-තඹ මත පදනම් වූ උණුකරන යන්ත්‍ර සහ පතල් වේ. කැනඩාවේ සඩ්බරි නිකල්-තඹ පිරිපහදුව අවට ඉහළම පසෙහි ඉහළම මට්ටමේ නිකල් දූෂණය වී ඇති අතර එය රුසියාවේ 26,000 mg/kg11 හි ඡන්ද ප්‍රතිඵලයක් ලෙස ඉහළ මට්ටමක පැවතුනි. නෝර්වීජියානු පසෙහි සාන්ද්‍රණය11. Alms et al ට අනුව.12, කලාපයේ ඉහළම වගා කළ හැකි ඉඩමේ (රුසියාවේ නිකල් නිෂ්පාදනය) HNO3-නිස්සාරණය කළ හැකි නිකල් ප්‍රමාණය 6.25 සිට 136.88 mg/kg දක්වා පරාසයක පවතී, එය සාමාන්‍යයෙන් 30.43 mg/kg සහ 25 mg/kg ක මූලික සාන්ද්‍රණයකට අනුරූප වේ. අනුප්‍රාප්තික භෝග කාලවලදී නාගරික පස පසට කාවැදී හෝ අපවිත්‍ර කළ හැකිය. මිනිසුන් තුළ නිකල් වල ඇති විය හැකි බලපෑම් විකෘති වීම, වර්ණදේහ හානි, Z-DNA උත්පාදනය, අවහිර වූ DNA ඉවත් කිරීම අලුත්වැඩියා කිරීම හෝ එපජෙනටික් ක්‍රියාවලීන් හරහා පිළිකා ඇති කිරීමට හේතු විය හැක.
පාංශු-ශාක සම්බන්ධතා, පස හා පාංශු ජීව විද්‍යාත්මක සම්බන්ධතා, පාරිසරික හායනය සහ පාරිසරික බලපෑම් තක්සේරුව වැනි පුළුල් පරාසයක සෞඛ්‍ය ගැටලු හේතුවෙන් පාංශු දූෂණය තක්සේරු කිරීම් මෑත කාලයේ දී සමෘද්ධිමත් වී ඇත. අද වන විට පසෙහි Ni වැනි විෂ විය හැකි මූලද්‍රව්‍ය (PTEs) පිළිබඳ අවකාශීය පුරෝකථනය එහි ඩිජිටල් ක්‍රම භාවිතා කරමින් සාර්ථක වී ඇත. අනාවැකි පාංශු සිතියම්කරණය (PSM).Minasny සහ McBratney16 ට අනුව, අනාවැකි පාංශු සිතියම්කරණය (DSM) පාංශු විද්‍යාවේ ප්‍රමුඛ උප විෂයක් බව ඔප්පු වී ඇත. Lagacherie සහ McBratney, 2006 DSM නිර්වචනය කරන්නේ "අභ්‍යවකාමී පාංශු තොරතුරු පද්ධති නිර්මාණය කිරීම සහ පිරවීම" ලෙස "අවකාශීය පාංශු තොරතුරු පද්ධති නිර්මාණය කිරීම සහ පිරවීම" ලෙසයි. .McBratney et al.17 සමකාලීන DSM හෝ PSM යනු PTEs, පාංශු වර්ග සහ පාංශු ගුණාංගවල අවකාශීය ව්‍යාප්තිය පුරෝකථනය කිරීම හෝ සිතියම්ගත කිරීම සඳහා වඩාත්ම ඵලදායි තාක්‍ෂණය බව ගෙනහැර දක්වමු. Geostatistics සහ Machine Learning Algorithms (MLA) යනු සැලකිය යුතු සහ අවම දත්ත භාවිතා කරමින් පරිගණක ආධාරයෙන් ඩිජිටල් කළ සිතියම් නිර්මාණය කරන DSM ආකෘතිකරණ ශිල්පීය ක්‍රම වේ.
Deutsch18 සහ Olea19 භූ සංඛ්‍යාලේඛන නිර්වචනය කරන්නේ "කාල ශ්‍රේණි විශ්ලේෂණය කාලානුරූපී දත්ත ගුනාංගීකරනය කරන ආකාරය වැනි, ප්‍රධාන වශයෙන් ස්ටෝචස්ටික් ආකෘති භාවිතා කරමින්, අවකාශීය ගුණාංග නිරූපණය සමඟ කටයුතු කරන සංඛ්‍යාත්මක ශිල්පීය එකතුව" ලෙසිනි.ප්‍රධාන වශයෙන්, භූ සංඛ්‍යාලේඛනවලට විවිධාංග අගයන් ඇගයීම ඇතුළත් වන අතර එමඟින් එක් එක් දත්ත කට්ටලයෙන් අවකාශීය අගයන්හි පරායත්තතා ප්‍රමාණ කිරීමට සහ නිර්වචනය කිරීමට ඉඩ සලසයි20.Gumiaux et al.20 තවදුරටත් නිදර්ශනය කරන්නේ භූ සංඛ්‍යාලේඛනවල විචල්‍යයන් ඇගයීම, (අ) දත්ත සහසම්බන්ධතා පරිමාණය ගණනය කිරීම, (ආ) දත්ත කට්ටල විෂමතාවයේ ඇනිසොට්‍රොපි හඳුනා ගැනීම සහ ගණනය කිරීම ඇතුළු මූලධර්ම තුනක් මත පදනම් වී ඇති බව ය. සාමාන්‍ය ක්‍රිජිං, සම-ක්‍රිජිං, සාමාන්‍ය ක්‍රිජිං, ආනුභවික බේසියානු ක්‍රිජිං, සරල ක්‍රිජිං ක්‍රමය සහ PTE, පාංශු ලක්ෂණ සහ පාංශු වර්ග සිතියම්ගත කිරීමට හෝ පුරෝකථනය කිරීමට වෙනත් සුප්‍රසිද්ධ අන්තර් ක්‍රිජිං ක්‍රම ඇතුළු භූ සංඛ්‍යාලේඛනවල ධ්‍රැවීය ක්‍රම භාවිතා වේ.
Machine Learning Algorithms (MLA) යනු විශාල රේඛීය නොවන දත්ත පන්ති භාවිතා කරන සාපේක්ෂ නව තාක්‍ෂණයකි, මූලික වශයෙන් දත්ත කැණීම, දත්තවල රටා හඳුනා ගැනීම සහ පාංශු විද්‍යාව වැනි විද්‍යාත්මක ක්‍ෂේත්‍රවල වර්ගීකරණයට නැවත නැවතත් යොදා ගන්නා ඇල්ගොරිතම මගින් ඉන්ධන ලබා ගැනීම සහ ප්‍රතිලාභ කාර්යයන්.22 (කෘෂිකාර්මික පසෙහි බැර ලෝහ ඇස්තමේන්තු සඳහා අහඹු වනාන්තර), Sakizadeh et al.23 (ආකෘතිය ආධාරක දෛශික යන්ත්‍ර සහ කෘතිම ස්නායු ජාල භාවිතා කිරීම) පාංශු දූෂණය ).ඊට අමතරව, Vega et al.24 (පසෙහි බැර ලෝහ රඳවා තබා ගැනීම සහ අවශෝෂණ ආකෘති නිර්මාණය සඳහා CART) Sun et al.25 (කියුබිස්ට් යෙදීම යනු පසෙහි සීඩී බෙදා හැරීමයි) සහ k-ළඟම අසල්වැසියා, සාමාන්‍යකරණය කරන ලද බූස්ටඩ් ප්‍රතිගාමීත්වය සහ බූස්ට් ප්‍රතිගාමීත්වය වැනි අනෙකුත් ඇල්ගොරිතමයන් පසෙහි PTE පුරෝකථනය කිරීම සඳහා MLA ද යොදන ලදී.
අනාවැකි හෝ සිතියම්ගත කිරීමේදී DSM ඇල්ගොරිතම යෙදීම අභියෝග කිහිපයකට මුහුණ දෙයි.බොහෝ කතුවරුන් විශ්වාස කරන්නේ MLA භූ සංඛ්‍යාලේඛනවලට වඩා උසස් බවත් අනෙක් අතට බවත්ය.එකක් අනෙකට වඩා හොඳ වුවද, මේ දෙකේ එකතුව DSM15.Woodcock සහ Gopal26 Finke2726;පොන්ටියුස් සහ Cheuk28 සහ Grunwald29 අනාවැකි පාංශු සිතියම්කරණයේ අඩුපාඩු සහ සමහර දෝෂ පිළිබඳව අදහස් දක්වයි. DSM සිතියම්කරණයේ සහ පුරෝකථනයේ සඵලතාවය, නිරවද්‍යතාවය සහ පුරෝකථනය කිරීමේ හැකියාව ප්‍රශස්ත කිරීම සඳහා පාංශු විද්‍යාඥයින් විවිධ ශිල්පීය ක්‍රම අත්හදා බලා ඇත. අවිනිශ්චිතතාවය සහ සත්‍යාපනය යන දෙකෙහි එකතුව DSM හි ඵලදායිතාව අවම කිරීම සඳහා විවිධ පැතිවලින් එකකි. අල්.15 සිතියම් නිර්මාණය සහ පුරෝකථනය මගින් හඳුන්වා දෙන වලංගුකරණ හැසිරීම් සහ අවිනිශ්චිතභාවය සිතියම් ගුණාත්මකභාවය වැඩි දියුණු කිරීම සඳහා ස්වාධීනව වලංගු කළ යුතු බව ගෙනහැර දක්වයි. DSM හි සීමාවන් අවිනිශ්චිතතාවයේ අංගයක් ඇතුළත් වන භූගෝලීය වශයෙන් විසිරුණු පසෙහි ගුණාත්මක භාවය නිසා සිදු වේ;කෙසේ වෙතත්, DSM හි නිශ්චිතභාවයක් නොමැතිකම බහුවිධ දෝෂ මූලාශ්‍ර වලින් පැන නැගිය හැක, එනම් covariate error, model error, location error, and analytical Error 31. MLA සහ භූ සංඛ්‍යානමය ක්‍රියාවලීන්හි ඇති වන ආකෘති නිර්මාණයේ සාවද්‍යතාවයන් අවබෝධයේ ඌනතාවය සමඟ සම්බන්ධ වී ඇති අතර, අවසානයේ දී යථාර්තවාදී ක්‍රියාවලියේ ස්වභාවධර්මය අතිශය සරල කිරීමට හේතු විය හැක. ing පරාමිති, ගණිතමය ආකෘති අනාවැකි, හෝ අන්තර් ක්‍රියාවිරහිත කිරීම34;Subbotina et al.35;Tarasov et al.36 සහ Tarasov et al.37 පුරෝකථනය කිරීමේ සහ සිතියම්කරණයේ කාර්යක්ෂමතාවය වැඩි දියුණු කරන දෙමුහුන් ආකෘති ජනනය කිරීම සඳහා භූ සංඛ්‍යාලේඛන සහ යන්ත්‍ර ඉගෙනීමේ නිවැරදි ගුණාත්මක භාවය ප්‍රයෝජනයට ගෙන ඇත.ගුණාත්මකභාවය.මෙම සමහර දෙමුහුන් හෝ ඒකාබද්ධ ඇල්ගොරිතම ආකෘති කෘත්‍රිම ස්නායු ජාල ක්‍රිජිං (ANN-RK), බහු ස්ථර පර්සෙප්ට්‍රෝන් අවශේෂ ක්‍රිජිං (MLP-RK), සාමාන්‍යකරණය වූ ප්‍රතිගාමී ස්නායු ජාල අවශේෂ ක්‍රිජිං (GR-NNRK)36, කෘතිම Neural-NNRK P)37 සහ Co-Kriging සහ Gaussian Process Regression38.
Sergeev et al. ට අනුව, විවිධ ආකෘති නිර්මාණ ශිල්පීය ක්‍රම ඒකාබද්ධ කිරීමෙන් එහි තනි මාදිලිය සංවර්ධනය කරනවාට වඩා දෝෂ ඉවත් කර එහි ප්‍රතිඵලයක් ලෙස ලැබෙන දෙමුහුන් ආකෘතියේ කාර්යක්ෂමතාව වැඩි කිරීමට හැකියාව ඇත. ical Bayesian Kriging (EBK) මූලික ආකෘතිය ලෙස සහ ආධාරක දෛශික යන්ත්‍රය (SVM) සහ බහු රේඛීය ප්‍රතිගාමී (MLR) මාදිලි සමඟ මිශ්‍ර කරන්න. ඕනෑම MLA සමඟ EBK දෙමුහුන් කිරීම නොදනී. දැකිය හැකි බහු මිශ්‍ර මාදිලි සාමාන්‍ය, අවශේෂ, ප්‍රතිගාමී ක්‍රිජින් ක්‍රමයේ සංයෝජන වේ. ක්ෂේත්‍රය පුරා නිර්වචනය කරන ලද ප්‍රාදේශීයකරණ පරාමිතීන් සහිත ස්ථාවර නොවන/ස්ථිතික අහඹු ක්ෂේත්‍රයක් ලෙස ස්ථානගත කර ඇති මිත්‍ර ස්ටෝචස්ටික් ක්‍රියාවලිය, අවකාශීය විචලනය සඳහා ඉඩ සලසමින්
අනෙක් අතට, ස්වයං-සංවිධානාත්මක ප්‍රස්තාරය (SeOM) යනු Li et al වැනි විවිධ ලිපිවල යෙදී ඇති ඉගෙනුම් ඇල්ගොරිතමයකි.43, වැන්ග් සහ අල්.44, Hossain Bhuiyan et al.45 සහ Kebonye et al.46 අවකාශීය ගුණාංග සහ මූලද්‍රව්‍යවල කණ්ඩායම් නිර්ණය කරන්න.Wang et al.44 SeOM යනු රේඛීය නොවන ගැටළු සමූහගත කිරීමට සහ පරිකල්පනය කිරීමට ඇති හැකියාව සඳහා ප්‍රසිද්ධ ප්‍රබල ඉගෙනුම් තාක්‍ෂණයක් බව ගෙනහැර දක්වයි.ප්‍රධාන සංරචක විශ්ලේෂණය, නොපැහැදිලි ක්ලස්ටරින්, ධූරාවලි පොකුරු කිරීම සහ බහු නිර්ණායක තීරණ ගැනීම වැනි අනෙකුත් රටා හඳුනාගැනීමේ ශිල්පීය ක්‍රම මෙන් නොව, PTE සිට W.According රටා සංවිධානය කිරීමට සහ හඳුනා ගැනීමට SeOM වඩා හොඳය.44, SeOM හට අදාළ නියුරෝන බෙදා හැරීම අවකාශීයව සමූහගත කළ හැකි අතර අධි-විභේදන දත්ත දෘශ්‍යකරණය සැපයිය හැකිය. සෘජු අර්ථ නිරූපණය සඳහා ප්‍රතිඵල ගුනාංගීකරනය කිරීම සඳහා හොඳම ආකෘතිය ලබා ගැනීම සඳහා SeOM Ni අනාවැකි දත්ත දෘශ්‍යමාන කරයි.
නාගරික සහ පරි නාගරික පසෙහි නිකල් අන්තර්ගතය පුරෝකථනය කිරීම සඳහා ප්‍රශස්ත නිරවද්‍යතාවයකින් යුත් ශක්තිමත් සිතියම්කරණ ආකෘතියක් ජනනය කිරීම මෙම ලිපියේ අරමුණයි. මිශ්‍ර ආකෘතියේ විශ්වසනීයත්වය මූලික ආකෘතියට අනුයුක්ත අනෙකුත් මාදිලිවල බලපෑම මත ප්‍රධාන වශයෙන් රඳා පවතින බව අපි උපකල්පනය කරමු. DSM මුහුණ දෙන අභියෝග අපි පිළිගනිමු. වර්ධක විය යුතුය;එබැවින්, අපි මිශ්‍ර ආකෘති ලබා දිය හැකි පර්යේෂණ ප්‍රශ්නවලට පිළිතුරු දීමට උත්සාහ කරමු. කෙසේ වෙතත්, ඉලක්ක මූලද්‍රව්‍යය පුරෝකථනය කිරීමේදී ආකෘතිය කෙතරම් නිවැරදිද? එසේම, වලංගුකරණය සහ නිරවද්‍යතා ඇගයීම මත පදනම් වූ කාර්යක්ෂමතා ඇගයීමේ මට්ටම කුමක්ද? එම නිසා, මෙම අධ්‍යයනයේ නිශ්චිත අරමුණු වූයේ (අ) SVMR හෝ MLR ආකෘතිය සඳහා ඒකාබද්ධ මිශ්‍රණයක් නිර්මාණය කිරීමයි. නාගරික හෝ අර්ධ නාගරික පසෙහි Ni සාන්ද්‍රණයන් පුරෝකථනය කිරීම සහ (d) නිකල් අවකාශීය විචලනය පිළිබඳ අධි-විභේදන සිතියමක් නිර්මාණය කිරීම සඳහා SeOM යෙදීම.
අධ්‍යයනය සිදු කරනු ලබන්නේ චෙක් ජනරජයේ, විශේෂයෙන් මොරාවියා-සිලේසියානු කලාපයේ ෆ්‍රයිඩෙක් මිස්ටෙක් දිස්ත්‍රික්කයේ (රූපය 1 බලන්න).අධ්‍යයන ප්‍රදේශයේ භූගෝලය ඉතා රළු වන අතර බොහෝ දුරට මොරවියා-සිලේසියානු බෙස්කිඩි කලාපයේ කොටසකි, එය කාර්පේතියන් කඳුකරයේ පිටත දාරයේ කොටසක් වන අතර එය පිහිටා ඇත. 18° 20′ 0′ E, සහ උන්නතාංශය මීටර් 225 සහ 327 අතර වේ;කෙසේ වෙතත්, කලාපයේ දේශගුණික තත්ත්වයන් සඳහා කොප්පෙන් වර්ගීකරණ පද්ධතිය Cfb = සෞම්‍ය සාගර දේශගුණය ලෙස ශ්‍රේණිගත කර ඇත, වියළි මාසවල පවා වර්ෂාපතන විශාල ප්‍රමාණයක් ඇත. වසර පුරා උෂ්ණත්වය -5 °C සහ 24 °C අතර සුළු වශයෙන් වෙනස් වේ, කලාතුරකින් -14 °C හෝ 30 °C ට වඩා අඩු වාර්ෂික ප්‍රදේශය 2 සහ 6 ට වඩා වැඩි අගයක් වන අතර, සාමාන්‍ය සමීක්ෂණ ප්‍රදේශය 30 °C වේ. මුළු භූමි ප්‍රමාණයෙන් වර්ග කිලෝමීටර් 1,208ක් වන අතර, වගා කරන ලද භූමියෙන් 39.38%ක් සහ වන ආවරණයෙන් 49.36%ක් ඇත. අනෙක් අතට, මෙම අධ්‍යයනය සඳහා භාවිත කර ඇති ප්‍රදේශය වර්ග කිලෝමීටර් 889.8ක් පමණ වේ. ඔස්ට්‍රාවා සහ ඒ අවට, වානේ කර්මාන්තය සහ වානේ කර්මාන්ත ඉතා ක්‍රියාකාරී වේ. විඛාදනයට ලක්වීම) සහ මිශ්‍ර වානේ (නිකල් මිශ්‍ර ලෝහයේ ශක්තිය වැඩි කරයි. ඉකල් සහ විද්‍යුත් රහිත නිකල් ආලේපන ක්‍රියාවලි.පාංශු ගුණ පාංශු වර්ණය, ව්‍යුහය සහ කාබනේට් ප්‍රමාණයෙන් පහසුවෙන් වෙන්කර හඳුනාගත හැකිය. පාංශු වයනය මධ්‍යම සිට සියුම් වේ, මව් ද්‍රව්‍ය වලින් ව්‍යුත්පන්න වේ. ඒවා කොලුවියල්, ඇලූවියල් හෝ අයෝලියන් ස්වභාවයෙන් යුක්ත වේ. සමහර පස් ප්‍රදේශ බොහෝ විට කොන්ක්‍රීට් සහ යටි පසෙහි බහුලව දක්නට ලැබේ. කලාපය48. මීටර් 455.1 සිට 493.5 දක්වා උසකින් යුත්, කැම්බිසෝල් චෙක් ජනරජයේ ආධිපත්‍යය දරයි.
අධ්‍යයන ප්‍රදේශ සිතියම [අධ්‍යයන ප්‍රදේශ සිතියම ArcGIS ඩෙස්ක්ටොප් (ESRI, Inc, අනුවාදය 10.7, URL: https://desktop.arcgis.com) භාවිතයෙන් නිර්මාණය කරන ලදී.]
Frydek Mistek දිස්ත්‍රික්කයේ නාගරික සහ අර්ධ නාගරික පස්වලින් මතුපිට පස් සාම්පල 115ක් ලබා ගන්නා ලදී. නියැදි රටාව කිලෝමීටර් 2 × 2 පරතරයකින් යුත් පාංශු සාම්පල සහිත සාමාන්‍ය ජාලකයක් වන අතර, අතින් ගෙන යා හැකි GPS උපකරණයක් (Leica Zeno 5 cm, GPS, GPS, GPS, බෑග් ඇම්ප්ලස්, Leica Zeno) පැකේජයක් භාවිතයෙන් මතුපිට පස් 0 සිට 20 දක්වා ගැඹුරකින් මනිනු ලැබේ. රසායනාගාරයට නැව්ගත කර ඇත. නියැදි කුඩු කරන ලද සාම්පල නිෂ්පාදනය කිරීම සඳහා වාතයේ වියළන ලද අතර, යාන්ත්‍රික පද්ධතියකින් කුඩු කර (ෆ්‍රිට්ස් තැටි මෝල) සහ පෙරන ලද (පෙර ප්‍රමාණය මි.මී. 2). වියළන ලද, සමජාතීය සහ පෙරන ලද පස් සාම්පල ග්‍රෑම් 1 ක් පැහැදිලිව ලේබල් කරන ලද ටෙෆ්ලෝන් බෝතල් 5 බැගින් මිලි ලීටර් 5 බැගින් සහ බෙදාහැරීම් 3 බැගින් මිලි ලීටර් 5 බැගින් තබන්න. % HNO3 (ස්වයංක්‍රීය ඩිස්පෙන්සරයක් භාවිතා කරමින් - සෑම අම්ලයකටම එකක්), සැහැල්ලුවෙන් ආවරණය කර ප්‍රතික්‍රියාව සඳහා සාම්පල එක රැයකින් රැඳී සිටීමට ඉඩ හරින්න (ඇක්වා රෙජියා වැඩසටහන) 50 ml deionized ජලය සමග. ඉන්පසු තනුක කරන ලද supernatant deionized ජලය සමග 50 ml PVC නලයක් තුළට පෙරීම. මීට අමතරව, තනුක ද්‍රාවණය 1 ml deionized ජලය මිලි ලීටර් 9 කින් තනුක කර PTE ව්‍යාජ සාන්ද්‍රණය, Cdb, Cdb, C. Ca, Mg, K) ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) මගින් සම්මත ක්‍රම සහ එකඟතාවයට අනුව තීරණය කරන ලදී. තත්ත්ව සහතික කිරීම සහ පාලන (QA/QC) ක්‍රියා පටිපාටි සහතික කිරීම (SRM NIST 2711a අධ්‍යයනයෙන් අඩක් අනාවරණය කර ඇත. මෙම අධ්‍යයනයේ දී භාවිතා කරන ලද PTE 0.0004.(ඔබ). ඊට අමතරව, එක් එක් විශ්ලේෂණය සඳහා තත්ත්ව පාලන සහ තත්ත්ව සහතික කිරීමේ ක්‍රියාවලිය විමර්ශන ප්‍රමිතීන් විශ්ලේෂණය කිරීමෙන් සහතික කෙරේ. දෝෂ අවම කර ඇති බව සහතික කිරීම සඳහා, ද්විත්ව විශ්ලේෂණයක් සිදු කරන ලදී.
Empirical Bayesian Kriging (EBK) යනු පාංශු විද්‍යාව වැනි විවිධ ක්ෂේත්‍රවල ආකෘති නිර්මාණයේදී භාවිතා වන බොහෝ භූ-ස්ථිතික අන්තර් පොලේෂන් ශිල්පීය ක්‍රමවලින් එකකි. අනෙකුත් ක්‍රිජිං අන්තර් ක්‍රම ක්‍රම මෙන් නොව, EBK සාම්ප්‍රදායික ක්‍රිජිං ක්‍රමවලින් වෙනස් වන්නේ semivariogram ආකෘතියෙන් ඇස්තමේන්තු කර ඇති දෝෂය සලකා බැලීමෙනි. ප්‍රමාණවත් ක්‍රිජිං ක්‍රමයක ඉතා සංකීර්ණ කොටසක් වන අර්ධවිරියෝග්‍රෑම් හි මෙම කුමන්ත්‍රණය හා සම්බන්ධ අවිනිශ්චිතතාවය සහ ක්‍රමලේඛනය සඳහා මග සලසයි. EBK හි අන්තර් ක්‍රියාවලිය ක්‍රිවොරුච්කෝ 50 විසින් යෝජනා කරන ලද නිර්ණායක තුන අනුගමනය කරයි, (අ) ආකෘතිය මඟින් අර්ධවරියෝග්‍රෑම් ඇස්තමේන්තු කරයි (ආ) ආදාන දත්ත කට්ටලයෙන් (ආ) නව පුරෝකථනය කරන ලද එක් එක් දත්ත කට්ටලයේ අගය මත පදනම් වේ. අනුකරණය කරන ලද දත්ත කට්ටලයකින් දමා ඇත. Bayesian සමීකරණ රීතිය පසුගාමී ලෙස ලබා දී ඇත
\(Prob\left(A\right)\) පූර්ව නියෝජනය කරන විට, \(Prob\left(B\right)\) ආන්තික සම්භාවිතාව බොහෝ අවස්ථාවලදී නොසලකා හරිනු ලැබේ, \(Prob (B,A)\ ) .Smivariogram ගණනය කිරීම Bayes' රීතිය මත පදනම් වේ, එය Bavariograms semiograms අගය භාවිතා කරමින් නිර්ණය කළ හැක. රීතිය, සෙමිවරියෝග්‍රෑම් වෙතින් නිරීක්ෂණ දත්ත කට්ටලයක් සෑදීමේ හැකියාව කොපමණද යන්න සඳහන් කරයි.
ආධාරක දෛශික යන්ත්‍රයක් යනු යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතමයක් වන අතර එය සමාන නමුත් රේඛීය නොවන ස්වාධීන පන්ති වෙන්කර හඳුනා ගැනීම සඳහා ප්‍රශස්ත වෙන් කිරීමේ අධි තලයක් ජනනය කරයි.Vapnik51 අභිප්‍රාය වර්ගීකරණ ඇල්ගොරිතම නිර්මාණය කළ නමුත් එය ප්‍රතිගාමී-නැඹුරු ගැටළු විසඳීමට මෑතකදී භාවිතා කර ඇත. SVM (Support Vector Machine Regression - SVMR) හි සංරචකය මෙම විශ්ලේෂණයේදී භාවිතා කරන ලදී.චර්කාස්කි සහ Mulier53 විසින් SVMR කර්නලය මත පදනම් වූ ප්‍රතිග්‍රහනයක් ලෙස පුරෝගාමී වූ අතර, එහි ගණනය කිරීම බහු-රට අවකාශීය ශ්‍රිත සහිත රේඛීය ප්‍රතිගාමී ආකෘතියක් භාවිතයෙන් සිදු කරන ලදී. ගේ රේඛීය නොවන සම්බන්ධතා සහ අවකාශීය කාර්යයන් සඳහා ඉඩ සලසයි.Vohland et al.55, epsilon (ε)-SVMR විසින් නියෝජන ආකෘතියක් ලබා ගැනීමට පුහුණු දත්ත කට්ටලය භාවිතා කරන අතර එය සහසම්බන්ධ දත්ත පිළිබඳ පුහුණුවෙන් හොඳම epsilon නැඹුරුව සමඟ දත්ත ස්වාධීනව සිතියම්ගත කිරීම සඳහා යොදනු ලැබේ. පෙර සැකසූ දුර දෝෂය සත්‍ය අගයෙන් නොසලකා හරිනු ලැබේ, සහ ε. ආධාරක දෛශිකවල පුළුල් උප කුලකය. Vapnik51 විසින් යෝජනා කරන ලද සමීකරණය පහත දැක්වේ.
එහිදී b අදිශ සීමාව නියෝජනය කරයි, \(K\left({x}_{,}{ x}_{k}\right)\) කර්නල් ශ්‍රිතය නියෝජනය කරයි, \(\alpha\) Lagrange ගුණකය නියෝජනය කරයි, N සංඛ්‍යාත්මක දත්ත කට්ටලයක් නියෝජනය කරයි, \({x}_{k}\) යනු දත්ත ආදානයේ \(Mels. (y) භාවිතා කරන යතුරයි. R මෙහෙයුම, එය Gaussian රේඩියල් පාදක ශ්‍රිතයක් (RBF) වේ. RBF කර්නලය ප්‍රශස්ත SVMR ආකෘතිය තීරණය කිරීම සඳහා යොදනු ලැබේ, එය PTE පුහුණු දත්ත සඳහා C සහ කර්නල් පරාමිති ගැමා (γ) ලබා ගැනීම සඳහා තීරනාත්මක වේ. පළමුව, අපි පුහුණු ආකෘතියේ ක්‍රියාකාරිත්වය ඇගයීමට ලක් කළෙමු. svmRadial.
බහු රේඛීය ප්‍රතිගාමී ආකෘතියක් (MLR) යනු ප්‍රතිචාර විචල්‍යය සහ අනාවැකි විචල්‍ය ගණනාවක් අතර සම්බන්ධය නිරූපණය කරන ප්‍රතිගාමී ආකෘතියකි. පැහැදිලි කිරීමේ විචල්‍යයන් සමඟ රේඛීය සම්බන්ධතාවයකි. MLR සමීකරණය වේ
මෙහි y යනු ප්‍රතිචාර විචල්‍යය වන අතර, \(a\) යනු ප්‍රතික්‍ෂේපකය, n යනු පුරෝකථන සංඛ්‍යාව, \({b}_{1}\) යනු සංගුණකවල අර්ධ ප්‍රතිගාමීත්වය, \({x}_{ i}\) පුරෝකථනය හෝ පැහැදිලි කිරීමේ විචල්‍යයක් නියෝජනය කරයි, සහ \({\varepsilon }_{i}\) මඟින් ආකෘතියේ දන්නා දෝෂය ද නිරූපණය කරයි.
SVMR සහ MLR සමඟ EBK සැන්ඩ්විච් කිරීම මගින් මිශ්‍ර ආකෘති ලබා ගන්නා ලදී.මෙය සිදු කරනු ලබන්නේ EBK අන්තර් ක්‍රියාකාරිත්වයෙන් පුරෝකථනය කරන ලද අගයන් උකහා ගැනීමෙනි. Ca, K සහ Mg අන්තර් ඛණ්ඩනය කරන ලද Ca, K සහ Mg වලින් ලබා ගන්නා පුරෝකථනය කරන ලද අගයන් නව විචල්‍යයන් ලබා ගැනීම සඳහා සංයුක්ත ක්‍රියාවලියක් හරහා ලබා ගනී, එනම් CaK, CaMg, සහ Cath, MG, සහ KMg දක්වා ඒකාබද්ධ කළ හැකි මූලද්‍රව්‍ය හතර වේ. g.සමස්තයක් වශයෙන්, ලබා ගත් විචල්‍යයන් වන්නේ Ca, K, Mg, CaK, CaMg, KMg සහ CaKMg වේ. මෙම විචල්‍යයන් අපගේ පුරෝකථකයින් බවට පත් වූ අතර, නාගරික සහ පරි-නාගරික පසෙහි නිකල් සාන්ද්‍රණය පුරෝකථනය කිරීමට උපකාරී වේ. M).ඒ හා සමානව, MLR ඇල්ගොරිතම හරහා විචල්‍යයන් ද නල මගින් මිශ්‍ර ආකෘතියක් ලබා ගැනීමට අනුභූතික Bayesian Kriging-Multiple Linear Regression (EBK_MLR) සාමාන්‍යයෙන්, Ca, K, Mg, CaK, CaMg, KMg යන විචල්‍යයන් Covariables- සහ CaKMg වල අන්තර්ගත ලෙස පුරෝකථනය කෙරේ. ලබාගත් වඩාත්ම පිළිගත හැකි ආකෘතිය (EBK_SVM හෝ EBK_MLR) පසුව ස්වයං-සංවිධානාත්මක ප්‍රස්ථාරයක් භාවිතයෙන් දෘශ්‍යමාන කෙරේ. මෙම අධ්‍යයනයේ කාර්ය ප්‍රවාහය රූප සටහන 2 හි පෙන්වා ඇත.
SeOM භාවිතා කිරීම මූල්‍ය අංශය, සෞඛ්‍ය සේවා, කර්මාන්තය, සංඛ්‍යාලේඛන, පාංශු විද්‍යාව සහ තවත් බොහෝ දේවල දත්ත සංවිධානය කිරීම, ඇගයීම සහ අනාවැකි කිරීම සඳහා ජනප්‍රිය මෙවලමක් බවට පත්ව ඇත.SeOM නිර්මාණය කර ඇත්තේ කෘතිම ස්නායුක ජාල සහ සංවිධානය, ඇගයීම සහ අනාවැකි සඳහා අධීක්‍ෂණය නොකළ ඉගෙනුම් ක්‍රම භාවිතා කරමිනි. .SeOM ඇගයීමේදී සැකසූ දත්ත n ආදාන-මාන දෛශික විචල්‍යයන් ලෙස භාවිතා වේ43,56.Melssen et al.57 ආදාන දෛශිකයක් තනි බර දෛශිකයක් සහිත ප්‍රතිදාන දෛශිකයකට තනි ආදාන ස්තරයක් හරහා ස්නායු ජාලයකට සම්බන්ධ කිරීම විස්තර කරයි. SeOM මඟින් ජනනය කරන ප්‍රතිදානය, ෂඩාස්‍ර, චක්‍ර හෝ හතරැස් ස්ථලක සිතියම් වලට වියන ලද විවිධ නියුරෝන හෝ නෝඩ් වලින් සමන්විත ද්විමාන සිතියමකි. දෝෂය (TE), පිළිවෙලින් 0.086 සහ 0.904 සහිත SeOM ආකෘතිය තෝරාගෙන ඇත, එය සිතියම් 55 ඒකකයක් (5 × 11) වේ. නියුරෝන ව්‍යුහය අනුභූතික සමීකරණයේ ඇති නෝඩ් ගණන අනුව තීරණය වේ.
මෙම අධ්‍යයනයේ දී භාවිතා කරන ලද දත්ත සංඛ්‍යාව නියැදි 115 කි. දත්ත පරීක්ෂණ දත්ත (25% වලංගු කිරීම සඳහා) සහ පුහුණු දත්ත කට්ටල (75% ක්‍රමාංකනය සඳහා) ලෙස බෙදීමට අහඹු ප්‍රවේශයක් භාවිතා කරන ලදී. පුහුණු දත්ත කට්ටලය ප්‍රතිගාමී ආකෘතිය (ක්‍රමාංකනය) උත්පාදනය කිරීමට භාවිතා කරයි, සහ පරීක්ෂණ දත්ත කට්ටලය භාවිතා කරනුයේ විවිධ මාදිලියේ අන්තර්ගතය තක්සේරු කිරීම සඳහා සාමාන්‍යකරණය කිරීමේ හැකියාව තක්සේරු කිරීම සඳහා ය. දස ගුණයකින් හරස් වලංගු කිරීමේ ක්‍රියාවලියක්, පස් වතාවක් පුනරාවර්තනය වේ. EBK අන්තර් ක්‍රියාවලිය මගින් නිපදවන විචල්‍යයන් ඉලක්ක විචල්‍යය (PTE) පුරෝකථනය කිරීමට පුරෝකථනය කරන්නන් හෝ පැහැදිලි කිරීමේ විචල්‍යයන් ලෙස භාවිතා කරයි. RStudio හි ආකෘති නිර්මාණය පැකේජ පුස්තකාලය (Kohonen), library(caret), library(modelr) , library(“ebrary”10) භාවිතා කරයි. මෙවලම්"), පුස්තකාලය (" prospectr") සහ පුස්තකාල ("මිතික").
පසෙහි නිකල් සාන්ද්‍රණය පුරෝකථනය කිරීමට සහ ආකෘතියේ නිරවද්‍යතාවය සහ එහි වලංගුභාවය ඇගයීමට සුදුසු හොඳම ආකෘතිය තීරණය කිරීමට විවිධ වලංගුකරණ පරාමිතීන් භාවිතා කරන ලදී. දෙමුහුන් ආකෘති මධ්‍යන්‍ය නිරපේක්ෂ දෝෂය (MAE), මූල මධ්‍යන්‍ය වර්ග දෝෂය (RMSE), සහ R-වර්ග හෝ සංගුණක නිර්ණය (RMSE) භාවිතයෙන් ඇගයීමට ලක් කරන ලදී. ස්වාධීන මිනුම්වල SE සහ විචලනය විශාලත්වය ආකෘතියේ පුරෝකථන බලය විස්තර කරන අතර, MAE සැබෑ ප්‍රමාණාත්මක අගය තීරණය කරයි. වලංගු කිරීමේ පරාමිතීන් භාවිතා කරමින් හොඳම මිශ්‍රණ ආකෘතිය ඇගයීමට R2 අගය ඉහළ විය යුතුය, අගය 1 ට ආසන්න වන විට, නිරවද්‍යතාවය වැඩි වේ. Li et al ට අනුව.59, R2 නිර්ණායක අගය 0.75 හෝ ඊට වැඩි අගයක් හොඳ අනාවැකියක් ලෙස සැලකේ;0.5 සිට 0.75 දක්වා පිළිගත හැකි ආදර්ශ කාර්ය සාධනයක් වන අතර 0.5 ට අඩු ආකෘති කාර්ය සාධනය පිළිගත නොහැකිය. RMSE සහ MAE වලංගු කිරීමේ නිර්ණායක ඇගයීම් ක්‍රම භාවිතා කරමින් ආකෘතියක් තෝරාගැනීමේදී, ලබාගත් අඩු අගයන් ප්‍රමාණවත් වන අතර ඒවා හොඳම තේරීම ලෙස සලකනු ලැබේ. පහත සමීකරණය සත්‍යාපන ක්‍රමය විස්තර කරයි.
එහිදී n මගින් නිරීක්ෂිත අගයේ ප්‍රමාණය නියෝජනය කරයි\({Y}_{i}\) මනින ලද ප්‍රතිචාරය නියෝජනය කරයි, සහ \({\widehat{Y}}_{i}\) ද පුරෝකථනය කළ ප්‍රතිචාර අගය නියෝජනය කරයි, එබැවින්, පළමු i නිරීක්ෂණ සඳහා.
පුරෝකථනය සහ ප්‍රතිචාර විචල්‍යයන් පිළිබඳ සංඛ්‍යානමය විස්තර 1 වගුවේ දක්වා ඇති අතර, මධ්‍යන්‍ය, සම්මත අපගමනය (SD), විචල්‍ය සංගුණකය (CV), අවම, උපරිම, kurtosis සහ skewness පෙන්වයි. මූලද්‍රව්‍යවල අවම සහ උපරිම අගයන් Mg < Ca < K < Ni සහ Ca < Mg < K < Ni, ප්‍රතිචාර ප්‍රදේශයේ ප්‍රතිචාර ප්‍රදේශයේ සිට පිළිවෙළින් Mg < Ca < K < Ni සහ Ca < Mg < K < Ni, අනුපිළිවෙලින් අඩු වේ. 4.86 සිට 42.39 mg/kg දක්වා. Ni ලෝක සාමාන්‍යය (29 mg/kg) සහ යුරෝපීය සාමාන්‍යය (37 mg/kg) සමඟ සංසන්දනය කිරීමෙන් පෙන්නුම් කළේ අධ්‍යයන ප්‍රදේශය සඳහා සමස්ත ගණනය කළ ජ්‍යාමිතික මධ්‍යන්‍යය දරාගත හැකි පරාසයක පවතින බවයි. එසේ වුවද, Kabata-Pendias11 මගින් පෙන්නුම් කරන පරිදි, කෘෂිකාර්මික අධ්‍යයනයේ (N) සාමාන්‍ය පස සමඟ සංසන්දනය කිරීම පෙන්නුම් කරයි. වත්මන් සාමාන්‍ය නිකල් සාන්ද්‍රණය වැඩිය.එසේම, වත්මන් අධ්‍යයනයේ නාගරික සහ නාගරික පස්වල Frydek Mistek හි මධ්‍යන්‍ය සාන්ද්‍රණය (Ni 16.15 mg/kg) පෝලන්ත නාගරික පසෙහි Ni සඳහා අවසර ලත් සීමාව වන 60 (10.2 mg/kg) ට වඩා වැඩි විය. ed ඉතා අඩු මධ්යන්ය Ni සාන්ද්රණය (1.78 mg/kg) වත්මන් අධ්යයනය හා සසඳන විට Tuscany හි නාගරික පසෙහි. Jim62 ද හොංකොං නාගරික පසෙහි අඩු නිකල් සාන්ද්රණය (12.34 mg/kg) සොයා ගන්නා ලදී, මෙම අධ්යයනයේ පැරණි නිකල් සාන්ද්රණයට වඩා අඩුය. සහ ජර්මනියේ සැක්සොනි-ඇන්හාල්ට් හි නාගරික කාර්මික ප්‍රදේශය, ප්‍රදේශයේ සාමාන්‍ය Ni සාන්ද්‍රණයට (16.15 mg/kg) වඩා 1.45 mg/kg වැඩි විය. වත්මන් පර්යේෂණ. අධ්‍යයන ප්‍රදේශයේ සමහර නාගරික සහ තදාසන්න ප්‍රදේශවල පසෙහි අධික නිකල් අන්තර්ගතය ප්‍රධාන වශයෙන් යකඩ හා වානේ කර්මාන්තයට සම්බන්ධ විය හැකිය.64, වානේ කර්මාන්තය සහ ලෝහ වැඩ කිරීම පසෙහි නිකල් දූෂණයේ ප්‍රධාන ප්‍රභවයන් වේ. කෙසේ වෙතත්, පුරෝකථනය කරන්නන් Ca සඳහා 538.70 mg/kg සිට 69,161.80 mg/kg දක්වා ද, 497.51 mg/kg සිට 3535.68 mg/kg දක්වා සහ 5kg/8 mg/kg සඳහා 5kg/90 mg දක්වාද විය. Mg.Jakovljevic et al සඳහා.65 මධ්‍යම සර්බියාවේ පසෙහි සම්පූර්ණ Mg සහ K අන්තර්ගතය විමර්ශනය කරන ලදී. ඔවුන් විසින් මුළු සාන්ද්‍රණය (පිළිවෙලින් 410 mg/kg සහ 400 mg/kg) වත්මන් අධ්‍යයනයේ Mg සහ K සාන්ද්‍රණයට වඩා අඩු බව සොයා ගන්නා ලදී. වෙන්කර හඳුනාගත නොහැකි, නැගෙනහිර පෝලන්තයේ, Orzechowski සහ Smolczyng හි සමස්ත සාන්ද්‍රණය පෙන්නුම් කරයි. 1100 mg/kg), Mg (590 mg/kg) සහ K (810 mg/kg) මෙම අධ්‍යයනයේ ඇති තනි මූලද්‍රව්‍යයට වඩා ඉහළ පසෙහි අන්තර්ගතය අඩුය. පොන්ග්‍රැක් සහ වෙනත් අය විසින් මෑතකදී කරන ලද අධ්‍යයනයකි.67 පෙන්නුම් කළේ ස්කොට්ලන්තයේ, එක්සත් රාජධානියේ (Mylnefield පස, Balruddery පස සහ Hartwood පස) විවිධ පස් 3 ක විශ්ලේෂණය කරන ලද සම්පූර්ණ Ca අන්තර්ගතය මෙම අධ්‍යයනයේ දී ඉහළ Ca අන්තර්ගතයක් පෙන්නුම් කරන බවයි.
නියැදි මූලද්‍රව්‍යවල විවිධ මනින ලද සාන්ද්‍රණයන් හේතුවෙන්, මූලද්‍රව්‍යවල දත්ත කට්ටල ව්‍යාප්තිය විවිධ skewness විදහා දක්වයි. මූලද්‍රව්‍යවල skewness සහ kurtosis පිළිවෙළින් 1.53 සිට 7.24 සහ 2.49 සිට 54.16 දක්වා පරාසයක පවතී. සියලුම ගණනය කරන ලද මූලද්‍රව්‍යවල skewness සහ kurtosis මට්ටම්වල නිවැරදි දිශාවට skewness සහ kurtosis මට්ටම් ඇති බැවින් +1 ට වඩා ඉහළ අගයක් ගනී. .මූලද්‍රව්‍යවල ඇස්තමේන්තුගත CV ද පෙන්නුම් කරන්නේ K, Mg, සහ Ni මධ්‍යස්ථ විචල්‍යතාවයක් ප්‍රදර්ශනය කරන අතර Ca හි අතිශය ඉහළ විචල්‍යතාවයක් ඇති බවයි. K, Ni සහ Mg හි CV ඒවායේ ඒකාකාර ව්‍යාප්තිය පැහැදිලි කරයි. තවද, Ca ව්‍යාප්තිය ඒකාකාර නොවන අතර බාහිර මූලාශ්‍ර එහි සාරවත් මට්ටමට බලපෑ හැකිය.
ප්‍රතිචාර මූලද්‍රව්‍ය සමඟ පුරෝකථන විචල්‍යවල සහසම්බන්ධය මඟින් මූලද්‍රව්‍ය අතර සතුටුදායක සහසම්බන්ධයක් පෙන්නුම් කරයි (රූපය 3 බලන්න). CaNi කළාක් මෙන් CaK විසින් r අගය = 0.53 සමඟ මධ්‍යස්ථ සහසම්බන්ධයක් ප්‍රදර්ශනය කළ බව පෙන්නුම් කරයි. Ca සහ K එකිනෙකින් නිහතමානී සම්බන්ධතා පෙන්නුම් කළත්, Kingston වැනි පර්යේෂකයන්.68 සහ Santo69 යෝජනා කරන්නේ පසෙහි ඒවායේ මට්ටම් ප්‍රතිලෝමව සමානුපාතික වන බවයි. කෙසේ වෙතත්, Ca සහ Mg K වලට ප්‍රතිවිරෝධී වේ, නමුත් CaK හොඳින් සම්බන්ධ වේ. මෙය පොටෑසියම් වල 56% වැඩි පොටෑසියම් කාබනේට් වැනි පොහොර යෙදීම නිසා විය හැක. මන්ද යත් පොටෑසියම් මැග්නීසියම් සල්ෆේට්, පොටෑසියම් මැග්නීසියම් නයිට්රේට් සහ පොටෑෂ් ඒවායේ ඌනතා මට්ටම ඉහළ නැංවීම සඳහා පසෙහි යොදනු ලැබේ. නිකල් Ca, K සහ Mg සමඟ මධ්‍යස්ථව සම්බන්ධ වී ඇත r අගයන් = 0.52, 0.63 සහ 0.55, ලෙස. මැග්නීසියම් කැල්සියම් අවශෝෂණය වළක්වයි, කැල්සියම් අතිරික්ත මැග්නීසියම් වල බලපෑම අඩු කරයි, සහ මැග්නීසියම් සහ කැල්සියම් යන දෙකම පසෙහි නිකල් වල විෂ සහිත බලපෑම් අඩු කරයි.
පුරෝකථනයන් සහ ප්‍රතිචාර අතර සම්බන්ධය පෙන්වන මූලද්‍රව්‍ය සඳහා සහසම්බන්ධතා න්‍යාසය (සටහන: මෙම රූපයට මූලද්‍රව්‍ය අතර විසිරීමක් ඇතුළත් වේ, වැදගත්කම මට්ටම් p <0,001 මත පදනම් වේ).
රූප සටහන 4 මගින් මූලද්‍රව්‍යවල අවකාශීය ව්‍යාප්තිය විදහා දක්වයි. Burgos et al70 ට අනුව, අවකාශීය ව්‍යාප්තියේ යෙදීම දූෂිත ප්‍රදේශ වල උණුසුම් ස්ථාන ප්‍රමාණනය කිරීමට සහ ඉස්මතු කිරීමට භාවිතා කරන තාක්ෂණයකි. 4 හි Ca හි පොහොසත් මට්ටම් වයඹ දෙසින් දැකිය හැකිය. සිතියමේ වයඹ දෙසින් පාංශු ආම්ලිකතාවය අඩු කිරීම සඳහා ක්වික්ලයිම් (කැල්සියම් ඔක්සයිඩ්) භාවිතා කිරීම සහ වානේ සෑදීමේ ක්‍රියාවලියේදී ක්ෂාරීය ඔක්සිජන් ලෙස වානේ මෝල් භාවිතා කිරීම නිසා විය හැකිය. අනෙක් අතට, අනෙකුත් ගොවීන් ආම්ලික පසෙහි කැල්සියම් හයිඩ්‍රොක්සයිඩ් භාවිතා කිරීමට කැමැත්තක් දක්වයි pH අගය උදාසීන කිරීම . වයඹ ප්‍රධාන කෘෂිකාර්මික ප්‍රජාවක් වන අතර, පොටෑසියම් වල මධ්‍යස්ථ සිට ඉහළ රටාව NPK සහ පොටෑෂ් යෙදීම් නිසා විය හැක.මෙය අනෙකුත් අධ්‍යයනයන් සමඟ අනුකූල වේ, එනම් Madaras සහ Lipavský72, Madaras et al.73, Pulkrabová et al.74, Pulkrabová et al.74, KAsare et al.75,බෙදාහැරීමේ සිතියමේ වයඹ දෙසින් ඇති අවකාශීය පොටෑසියම් පොහොසත් වීම දුර්වල පස්වල පොටෑසියම් අන්තර්ගතය වැඩි කිරීම සඳහා පොටෑසියම් ක්ලෝරයිඩ්, පොටෑසියම් සල්ෆේට්, පොටෑසියම් නයිට්රේට්, පොටෑෂ් සහ පොටෑසියම් වැනි පොටෑසියම් මත පදනම් වූ පොහොර භාවිතය නිසා විය හැක.Zádorová et al.76 සහ Tlustoš et al.77 K-පාදක පොහොර යෙදීම පසෙහි K අන්තර්ගතය වැඩි කරන අතර දිගු කාලීනව පාංශු පෝෂක අන්තර්ගතය සැලකිය යුතු ලෙස වැඩි කරයි, විශේෂයෙන් K සහ Mg පසෙහි උණුසුම් ස්ථානයක් පෙන්වයි. සිතියමේ වයඹ දෙසින් සහ සිතියමේ ගිනිකොන දෙසින් සාපේක්ෂව මධ්‍යස්ථ උණුසුම් ස්ථාන පෙන්නුම් කරයි. පසෙහි කොලොයිඩල් සවිකිරීම පසෙහි කහ පැහැති සාන්ද්‍රණය අඩුවීමට හේතු වේ. පොටෑසියම් මැග්නීසියම් සල්ෆේට්, මැග්නීසියම් සල්ෆේට් සහ කීසරයිට් වැනි මැග්නීසියම් පාදක පොහොර සාමාන්‍ය pH අගයක් සහිත පසෙහි ඌනතාවයන්ට (ශාක දම්, රතු හෝ දුඹුරු පැහැයෙන් දිස්වේ, මැග්නීසියම් ඌනතාවය පෙන්නුම් කරයි) ප්‍රතිකාර කරයි. el මල නොබැඳෙන වානේ නිෂ්පාදනය78.
මූලද්‍රව්‍යවල අවකාශීය ව්‍යාප්තිය [අවකාශීය බෙදාහැරීමේ සිතියම ArcGIS ඩෙස්ක්ටොප් භාවිතයෙන් නිර්මාණය කරන ලදී (ESRI, Inc, අනුවාදය 10.7, URL: https://desktop.arcgis.com).]
මෙම අධ්‍යයනයේ දී භාවිතා කරන ලද මූලද්‍රව්‍ය සඳහා ආදර්ශ කාර්ය සාධන දර්ශක ප්‍රතිඵල වගුව 2 හි පෙන්වා ඇත. අනෙක් අතට, Ni හි RMSE සහ MAE යන දෙකම ශුන්‍යයට ආසන්න වේ (0.86 RMSE, -0.08 MAE). අනෙක් අතට, K හි RMSE සහ MAE අගයන් දෙකම පිළිගත හැකි අතර RMSE සහ MAE ප්‍රතිඵල සඳහා විශාල සහ calcium ප්‍රතිඵල සඳහා විශාල සහ calcium ප්‍රතිඵල වේ. විවිධ දත්ත කට්ටල නිසා r. Ni අනාවැකි කිරීමට EBK භාවිතා කරන මෙම අධ්‍යයනයේ RMSE සහ MAE John et al හි ප්‍රතිඵලවලට වඩා හොඳ බව සොයා ගන්නා ලදී.54 එකතු කරන ලද දත්ත භාවිතා කරමින් පසෙහි S සාන්ද්‍රණය පුරෝකථනය කිරීම සඳහා සහයෝගී ක්‍රිජිං භාවිතා කිරීම. අප අධ්‍යයනය කළ EBK නිමැවුම් Fabijaczyk et al ගේ ඒවා සමඟ සහසම්බන්ධ වේ.41, යාන් සහ අල්.79, Beguin et al.80, අධිකාරි සහ අල්.81 සහ ජෝන් සහ අල්.82, විශේෂයෙන්ම K සහ Ni.
නාගරික සහ පරි-නාගරික පසෙහි නිකල් අන්තර්ගතය පුරෝකථනය කිරීම සඳහා තනි ක්‍රමවල කාර්ය සාධනය ආකෘතිවල ක්‍රියාකාරීත්වය භාවිතයෙන් ඇගයීමට ලක් කරන ලදී (වගුව 3).ආදර්ශ වලංගු කිරීම සහ නිරවද්‍යතා ඇගයීම EBK SVMR ආකෘතිය සමඟ ඒකාබද්ධව Ca_Mg_K පුරෝකථනය හොඳම කාර්ය සාධනය ලබා දුන් බව තහවුරු කරන ලදී. (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) සහ 77.368 mg/kg (MAE) Ca_Mg_K-SVMR යනු 0.663 (R2), 235.974 mg/kg (RMSE) සහ 166.946 mg සඳහා ලබා ගත් අගය Ca K-SVMR (0.663 mg/kg R2) සහ Ca_Mg-EBK_SVMR (0.643 = R2);ඔවුන්ගේ RMSE සහ MAE ප්‍රතිඵල Ca_Mg_K-EBK_SVMR (R2 0.637) සඳහා වඩා වැඩි විය (වගුව 3 බලන්න). මීට අමතරව, Ca_Mg-EBK_SVMR හි RMSE සහ MAE (RMSE = 1664.64 සහ MAE = 1031 ට වඩා විශාලයි, 1.79) මාදිලිය පිළිවෙළින් 1.31. Ca_Mg_K-EBK_SVMR. ඒ හා සමානව, Ca_Mg-K SVMR හි RMSE සහ MAE (RMSE = 235.974 සහ MAE = 166.946) මාදිලිය 2.5 සහ 2.2 කින් විශාල වේ. කේන්ද්‍රගත දත්ත කට්ටලය හොඳම යෝග්‍යතා රේඛාව සමඟ ඇත. ඉහළ RSME සහ MAE නිරීක්ෂණය කරන ලදී. Kebonye et al ට අනුව.46 සහ ජෝන් සහ අල්.54, RMSE සහ MAE ශුන්‍යයට ආසන්න වන තරමට ප්‍රතිඵල යහපත් වේ. SVMR සහ EBK_SVMR හි ඉහළ ප්‍රමාණාත්මක RSME සහ MAE අගයන් ඇත. RSME ඇස්තමේන්තු MAE අගයන්ට වඩා අඛණ්ඩව ඉහළ මට්ටමක පවතින බව නිරීක්ෂණය කරන ලදී, එය නිරපේක්ෂ වශයෙන් පිටත පවතින බව පෙන්නුම් කරයි. E) පිටස්තරයන්ගේ පැවැත්මේ දර්ශකයක් ලෙස නිර්දේශ කෙරේ.මෙයින් අදහස් වන්නේ දත්ත කට්ටලය විෂමජාතීය වන තරමට MAE සහ RMSE අගයන් ඉහළ යන බවයි. නාගරික සහ තදාසන්න පසෙහි Ni අන්තර්ගතය පුරෝකථනය කිරීම සඳහා Ca_Mg_K-EBK_SVMR මිශ්‍ර ආකෘතියේ හරස් වලංගු කිරීමේ තක්සේරුවේ නිරවද්‍යතාවය Liet 63.70% කි.59, මෙම නිරවද්‍යතාවයේ මට්ටම පිළිගත හැකි ආදර්ශ කාර්ය සාධන අනුපාතයකි. වර්තමාන ප්‍රතිඵල Tarasov et al විසින් පෙර අධ්‍යයනයක් සමඟ සංසන්දනය කර ඇත.36 එහි දෙමුහුන් ආකෘතිය MLPRK (Multilayer Perceptron Residual Kriging) නිර්මාණය කරන ලද අතර, වත්මන් අධ්‍යයනයේ වාර්තා කර ඇති EBK_SVMR නිරවද්‍යතා ඇගයුම් දර්ශකයට අදාළව, RMSE (210) සහ The MAE (167.5) වත්මන් අධ්‍යයනයේ (RMSE 7,85.6.7.7.7.7.7.7.7.7.85 හි වත්මන් අධ්‍යයනයේ ප්‍රතිඵලවලට වඩා ඉහළ අගයක් ගනී. වත්මන් අධ්‍යයනයෙන් 2 (0.637) Tarasov et al.36 (0.544), මෙම මිශ්‍ර ආකෘතියේ නිර්ණය කිරීමේ සංගුණකය (R2) වැඩි බව පැහැදිලිය. මිශ්‍ර ආකෘතිය සඳහා දෝෂයේ ආන්තිකය (RMSE සහ MAE) (EBK SVMR) දෙගුණයක් අඩුය. එලෙසම, Sergeev et al.34 0.28 (R2) වාර්තා කර ඇත. 0.637 (R2) වාර්තා කර ඇත. මෙම ආකෘතියේ (EBK SVMR) පුරෝකථන නිරවද්‍යතා මට්ටම 63.7% වන අතර, සර්ජිව් සහ වෙනත් අය විසින් ලබා ගත් අනාවැකි නිරවද්‍යතාවය.34 යනු 28%කි. අවසන් සිතියම (පය. 5) EBK_SVMR ආකෘතිය සහ Ca_Mg_K පුරෝකථකයක් ලෙස භාවිතා කරමින් නිර්මාණය කරන ලද අතර, සමස්ත අධ්‍යයන ප්‍රදේශය පුරා උණුසුම් ස්ථාන සහ මධ්‍යස්ථ සිට නිකල් දක්වා පුරෝකථනයන් පෙන්වයි. මෙයින් අදහස් කරන්නේ අධ්‍යයන ප්‍රදේශයේ නිකල් සාන්ද්‍රණය ප්‍රධාන වශයෙන් මධ්‍යස්ථ වන අතර සමහර විශේෂිත ප්‍රදේශවල ඉහළ සාන්ද්‍රණයක් ඇති බවයි.
අවසාන පුරෝකථන සිතියම EBK_SVMR දෙමුහුන් ආකෘතිය භාවිතයෙන් සහ පුරෝකථනය ලෙස Ca_Mg_K භාවිතා කරමින් නිරූපණය කෙරේ.
රූප සටහන 6 හි දක්වා ඇත්තේ තනි නියුරෝන වලින් සමන්විත සංයුති තලයක් ලෙස PTE සාන්ද්‍රණයන්ය. කිසිදු සංඝටක තලයක් පෙන්වා ඇති පරිදි එකම වර්ණ රටාව ප්‍රදර්ශනය කර නැත. කෙසේ වෙතත්, අඳින ලද සිතියමකට සුදුසු නියුරෝන සංඛ්‍යාව 55 වේ.SeOM නිපදවනු ලබන්නේ විවිධ වර්ණ භාවිතා කර, සහ වඩාත් සමාන වන වර්ණ රටා, කේ.සී. වර්ණ රටාවන්, කේ. Mg) තනි ඉහළ නියුරෝන සහ බොහෝ අඩු නියුරෝන වලට සමාන වර්ණ රටා පෙන්වයි. මේ අනුව, CaK සහ CaMg ඉතා ඉහළ අනුපිළිවෙලින් යුත් නියුරෝන සහ අඩු-මධ්‍යස්ථ වර්ණ රටා සමඟ යම් සමානකම් බෙදාහදා ගනී. මෙම ආකෘති දෙකම පසෙහි Ni සාන්ද්‍රණය පුරෝකථනය කරන්නේ රතු, තැඹිලි සහ කහ වැනි මධ්‍යම සිට ඉහළ වර්ණ පෙන්වීමෙන්. පහත් සිට ඉහළ දක්වා නිශ්චිත වර්ණ පරිමාණය, ආකෘතියේ සංරචකවල තල බෙදාහැරීමේ රටාව පසෙහි නිකල් විභව සාන්ද්‍රණය පෙන්නුම් කරන ඉහළ වර්ණ රටාවක් පෙන්නුම් කරයි (රූපය 4 බලන්න). CakMg ආකෘති සංරචක තලය නිවැරදි වර්ණ පරිමාණයකට අනුව පහත් සිට ඉහළට විවිධ වර්ණ රටාවක් පෙන්වයි. ure 5. ප්‍රස්ථාර දෙකම නාගරික සහ පරි නාගරික පසෙහි නිකල් සාන්ද්‍රණයේ ඉහළ, මධ්‍යම සහ අඩු ප්‍රමාණයන් පෙන්වයි. රූප සටහන 7 මඟින් සිතියමේ ඇති k- අදහස් සමූහකරණයේ සමෝච්ඡ ක්‍රමය නිරූපණය කරයි, එක් එක් ආකෘතියේ පුරෝකථනය කළ අගය මත පදනම්ව පොකුරු තුනකට බෙදා ඇත. 74.Cluster 2 හට සාම්පල 33ක් ලැබුණු අතර පොකුරු 3 ට සාම්පල 8ක් ලැබිණි. නිවැරදි පොකුරු අර්ථ නිරූපණයට ඉඩ සැලසීම සඳහා හත්-සංරචක තල පුරෝකතන සංයෝගය සරල කරන ලදී. පස සෑදීමට බලපාන මානව හා ස්වභාවික ක්‍රියාවලීන් රාශියකින්, බෙදා හරින ලද SeOM සිතියමක නිසි ලෙස වෙනස් කළ පොකුරු රටා තිබීම අපහසුය.
එක් එක් Empirical Bayesian Kriging Support Vector Machine (EBK_SVM_SeOM) විචල්‍ය මගින් සංරචක ප්ලේන් ප්‍රතිදානය.[SeOM සිතියම් RStudio භාවිතයෙන් නිර්මාණය කරන ලදී (අනුවාදය 1.4.1717: https://www.rstudio.com/).]
විවිධ පොකුරු වර්ගීකරණ සංරචක [SeOM සිතියම් RStudio භාවිතයෙන් නිර්මාණය කරන ලදී (අනුවාදය 1.4.1717: https://www.rstudio.com/).]
වත්මන් අධ්‍යයනය මගින් නාගරික සහ නාගරික පස්වල නිකල් සාන්ද්‍රණය සඳහා ආකෘති නිර්මාණ ශිල්පීය ක්‍රම පැහැදිලිව විදහා දක්වයි. පසෙහි නිකල් සාන්ද්‍රණයන් පුරෝකථනය කිරීමට හොඳම ක්‍රමය ලබා ගැනීම සඳහා අධ්‍යයනය මගින් විවිධ ආකෘති නිර්මාණ ශිල්පීය ක්‍රම, ආකෘති නිර්මාණ ශිල්පීය ක්‍රම සමඟ මුසුකරමින් පරීක්‍ෂා කරන ලදී. පස.කෙසේ වෙතත්, අවකාශීය බෙදාහැරීමේ සිතියම EBK_SVMR විසින් ප්‍රදර්ශනය කරන ලද සංරචකවල තලය අවකාශීය ව්‍යාප්තිය සනාථ කරයි (රූපය 5 බලන්න).ප්‍රතිඵල පෙන්නුම් කරන්නේ ආධාරක දෛශික යන්ත්‍ර ප්‍රතිගාමී ආකෘතිය (Ca Mg K-SVMR) පසෙහි Ni සාන්ද්‍රණය තනි ආකෘතියක් ලෙස පුරෝකථනය කරන බවයි, නමුත් RSE ඉහළ අගයන් සහ accurmeter වල වලංගු භාවය ඉතා ඉහළ අගයන් පෙන්නුම් කරයි. අනෙක් අතට, EBK_MLR ආකෘතිය සමඟ භාවිතා කරන ලද ආකෘති නිර්මාණ ශිල්පය ද නිර්ණය කිරීමේ සංගුණකයේ අඩු අගය (R2) දෝෂ සහිත වේ. EBK SVMR සහ අඩු RMSE සහ MAE දෝෂ සහිත ඒකාබද්ධ මූලද්‍රව්‍ය (CaKMg) භාවිතයෙන් 63.7% ක නිරවද්‍යතාවයකින් හොඳ ප්‍රතිඵල ලබා ගන්නා ලදී. පසෙහි PTE සාන්ද්‍රණය පුරෝකථනය කළ හැකි දෙමුහුන් ඇල්ගොරිතමයකි. අධ්‍යයන ප්‍රදේශයේ Ni සාන්ද්‍රණය පුරෝකථනය කිරීමට පුරෝකථනය කිරීමට Ca Mg K භාවිතා කිරීමෙන් පසෙහි Ni පිළිබඳ පුරෝකථනය වැඩි දියුණු කළ හැකි බව ප්‍රතිඵල පෙන්වයි. මෙයින් අදහස් කරන්නේ අඛණ්ඩව නිකල් පදනම් වූ පොහොර යෙදීම සහ පස කාර්මික දූෂණය වානේ කර්මාන්තය මගින් පසෙහි කාර්මික දූෂණය කිරීම මගින් පසෙහි EK සාන්ද්‍රණය වැඩි කිරීමේ ප්‍රවණතාවක් ඇති බවයි. නාගරික හෝ අර්ධ නාගරික පසෙහි පාංශු අවකාශීය ව්‍යාප්තියේ ආකෘතියේ නිරවද්‍යතාවය. සාමාන්‍යයෙන්, පසෙහි PTE තක්සේරු කිරීමට සහ පුරෝකථනය කිරීමට EBK-SVMR ආකෘතිය යෙදීමට අපි යෝජනා කරමු;මීට අමතරව, විවිධ යන්ත්‍ර ඉගෙනුම් ඇල්ගොරිතම සමඟ දෙමුහුන් කිරීම සඳහා EBK භාවිතා කිරීමට අපි යෝජනා කරමු. Ni සාන්ද්‍රණයන් covariates ලෙස මූලද්‍රව්‍ය භාවිතයෙන් පුරෝකථනය කරන ලදී;කෙසේ වෙතත්, තවත් covariates භාවිතා කිරීම, වත්මන් කාර්යයේ සීමාවක් ලෙස සැලකිය හැකි, ආකෘතියේ කාර්ය සාධනය බෙහෙවින් වැඩි දියුණු කරනු ඇත. මෙම අධ්‍යයනයේ තවත් සීමාවක් වන්නේ දත්ත කට්ටල සංඛ්‍යාව 115 වේ. එබැවින්, වැඩි දත්ත ලබා දෙන්නේ නම්, යෝජිත ප්‍රශස්ත දෙමුහුන් ක්‍රමයේ ක්‍රියාකාරිත්වය වැඩිදියුණු කළ හැකිය.
PlantProbs.net.Nickel in පැල සහ පස https://plantprobs.net/plant/nutrientImbalances/sodium.html (2021 අප්‍රේල් 28 ප්‍රවේශ විය).
Kasprzak, KS නිකල් නවීන පාරිසරික විෂ විද්‍යාවේ දියුණුව. අවට පරිසරය. විෂ විද්‍යාව.11, 145-183 (1987).
Cempel, M. & Nikel, G. Nickel: A review of its sources and environmental toxicology.Polish J. Environment.Stud.15, 375–382 (2006).
Freedman, B. & Hutchinson, TC කැනඩාවේ ඔන්ටාරියෝ හි සඩ්බරි හි නිකල්-තඹ උණු කරන ස්ථානයක් අසල වායුගෝලයෙන් දූෂක ආදානය සහ පස හා වෘක්ෂලතාදිය සමුච්චය වීම.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
Manyiwa, T. et al.Botswana හි Selebi-Phikwe coper-nickel mine අසල පස, ශාක සහ තණකොළ ආශ්‍රිත අවදානම් වල බැර ලෝහ.
Cabata-Pendias.Kabata-Pendias A. 2011. පසෙහි මූලද්‍රව්‍ය සොයා ගැනීම සහ... – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+pl+soilents. %28NY%29%3A+CRC+Press&btnG= (ප්‍රවේශය 24 නොවැම්බර් 2020).
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org හි කෘෂිකාර්මික පස් සහ තණකොළවල බැර ලෝහ සාන්ද්‍රණය මත රුසියානු නිකල් කර්මාන්තයේ බලපෑම.
Nielsen, GD et al.නිකල් අවශෝෂණය සහ පානීය ජලයේ රඳවා තබා ගැනීම ආහාර ගැනීම සහ නිකල් සංවේදිතාව හා සම්බන්ධ වේ.toxicology.application.Pharmacodynamics.154, 67-75 (1999).
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
අජ්මාන්, පීසී;අජාඩෝ, එස්කේ;Borůvka, L.;බිනි, JKM;සර්කොඩි, VYO;කොබොනි, එන්එම්;විභව විෂ සහිත මූලද්‍රව්‍යවල ප්‍රවණතා විශ්ලේෂණය: ග්‍රන්ථමිතික සමාලෝචනයක්. පරිසර භූ රසායන විද්‍යාව සහ සෞඛ්‍යය. Springer Science & Business Media BV 2020.https://doi.org/10.1007/s10653-020-00742-9.
Minasny, B. & McBratney, AB ඩිජිටල් පාංශු සිතියම්කරණය: කෙටි ඉතිහාසයක් සහ සමහර පාඩම්.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ඩිජිටල් පස් සිතියම්කරණය පිළිබඳ. Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV භූ සංඛ්‍යාන සංචිත ආකෘති නිර්මාණය,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C+U+Oxity. nG= (ප්‍රවේශය 28 අප්‍රේල් 2021).