Nature.comని సందర్శించినందుకు ధన్యవాదాలు.మీరు ఉపయోగిస్తున్న బ్రౌజర్ సంస్కరణ CSSకి పరిమిత మద్దతును కలిగి ఉంది.ఉత్తమ అనుభవం కోసం, మీరు నవీకరించబడిన బ్రౌజర్ని (లేదా Internet Explorerలో అనుకూలత మోడ్ని ఆఫ్ చేయండి)ని ఉపయోగించాలని మేము సిఫార్సు చేస్తున్నాము. ఈలోపు, నిరంతర మద్దతుని నిర్ధారించడానికి, మేము స్టైల్స్ మరియు JavaScript లేకుండా సైట్ని ప్రదర్శిస్తాము.
మట్టి కాలుష్యం అనేది మానవ కార్యకలాపాల వల్ల ఏర్పడే పెద్ద సమస్య. చాలా పట్టణ మరియు పెరి-అర్బన్ ప్రాంతాలలో సంభావ్య విషపూరిత మూలకాల (PTEs) ప్రాదేశిక పంపిణీ మారుతూ ఉంటుంది. అందువల్ల, అటువంటి నేలల్లో PTEల యొక్క కంటెంట్ను ప్రాదేశికంగా అంచనా వేయడం కష్టం. మొత్తం 115 నమూనాలను ఫ్రైడెక్ మిస్టెక్ (Czechumn Czechicum) నుండి పొందారు ickel (Ni) సాంద్రతలు ప్రేరకంగా కపుల్డ్ ప్లాస్మా ఉద్గార స్పెక్ట్రోమెట్రీని ఉపయోగించి నిర్ణయించబడ్డాయి. ప్రతిస్పందన వేరియబుల్ Ni మరియు ప్రిడిక్టర్లు Ca, Mg మరియు K. ప్రతిస్పందన వేరియబుల్ మరియు ప్రిడిక్టర్ వేరియబుల్ మధ్య సహసంబంధ మాతృక మూలకాల మధ్య సంతృప్తికరమైన సహసంబంధాన్ని చూపుతుంది. అంచనా ఫలితాలు దాని మూలకాల మధ్య సంతృప్తికరమైన సహసంబంధాన్ని చూపుతాయి. RMSE) (235.974 mg/kg) మరియు సగటు సంపూర్ణ లోపం (MAE) (166.946 mg/kg) వర్తించే ఇతర పద్ధతుల కంటే ఎక్కువగా ఉన్నాయి. ఎంపిరికల్ బయేసియన్ క్రిగింగ్-మల్టిపుల్ లీనియర్ రిగ్రెషన్ (EBK-MLR) కోసం మిశ్రమ నమూనాలు పేలవంగా పని చేస్తాయి. తక్కువ RMSE (95.479 mg/kg) మరియు MAE (77.368 mg/kg) విలువలు మరియు అధిక నిర్ణయాత్మక గుణకం (R2 = 0.637)తో మెషిన్ రిగ్రెషన్ (EBK-SVMR) మోడల్ అత్యుత్తమ మోడల్. g-EBK-SVMR భాగం పట్టణ మరియు పెరి-అర్బన్ నేలల్లో Ni సాంద్రతలను అంచనా వేసే బహుళ రంగుల నమూనాలను చూపుతుంది. EBK మరియు SVMRలను కలపడం పట్టణ మరియు పెరి-అర్బన్ నేలల్లో Ni సాంద్రతలను అంచనా వేయడానికి సమర్థవంతమైన సాంకేతికత అని ఫలితాలు చూపిస్తున్నాయి.
నికెల్ (Ni) మొక్కలకు సూక్ష్మపోషకంగా పరిగణించబడుతుంది, ఎందుకంటే ఇది వాతావరణ నత్రజని స్థిరీకరణ (N) మరియు యూరియా జీవక్రియకు దోహదపడుతుంది, ఈ రెండూ విత్తన అంకురోత్పత్తికి అవసరమవుతాయి. విత్తన అంకురోత్పత్తికి దాని సహకారంతో పాటు, Ni శిలీంధ్రాలు మరియు బ్యాక్టీరియా నిరోధకంగా పని చేస్తుంది మరియు మొక్కల అభివృద్ధిని ప్రోత్సహిస్తుంది. బీన్స్కు నత్రజని స్థిరీకరణను ఆప్టిమైజ్ చేయడానికి నికెల్ ఆధారిత ఎరువులను ఉపయోగించడం అవసరం. నేల నేల pHని తగ్గిస్తుంది మరియు మొక్కల పెరుగుదలకు అవసరమైన పోషక పదార్ధంగా ఇనుమును తీసుకోవడాన్ని అడ్డుకుంటుంది1. Liu3 ప్రకారం, మొక్కల అభివృద్ధి మరియు పెరుగుదలకు అవసరమైన 17వ ముఖ్యమైన మూలకం Ni అని కనుగొనబడింది. మొక్కల అభివృద్ధి మరియు పెరుగుదలలో నికెల్ పాత్రతో పాటు, మానవులకు వివిధ రకాల అప్లికేషన్ల తయారీకి ఇది అవసరం. ఆటోమోటివ్ పరిశ్రమ అన్నింటికీ వివిధ పారిశ్రామిక రంగాలలో నికెల్ వాడకం అవసరం.అంతేకాకుండా, నికెల్ ఆధారిత మిశ్రమాలు మరియు ఎలక్ట్రోప్లేటెడ్ ఆర్టికల్లు కిచెన్వేర్, బాల్రూమ్ ఉపకరణాలు, ఆహార పరిశ్రమ సామాగ్రి, ఎలక్ట్రికల్, వైర్ మరియు కేబుల్, జెట్ టర్బైన్లు, సర్జికల్ ఇంప్లాంట్లు, టెక్స్టైల్స్ మరియు షిప్బిల్డింగ్లో నేల స్థాయిలు రెండింటిలోనూ విస్తృతంగా ఉపయోగించబడుతున్నాయి. జన్యు మరియు సహజ వనరులు, కానీ ప్రాథమికంగా, Ni అనేది మానవజన్య కంటే సహజమైన మూలం4,6. నికెల్ యొక్క సహజ వనరులు అగ్నిపర్వత విస్ఫోటనాలు, వృక్షసంపద, అటవీ మంటలు మరియు భౌగోళిక ప్రక్రియలు;అయినప్పటికీ, మానవజన్య మూలాలలో ఉక్కు పరిశ్రమలోని నికెల్/కాడ్మియం బ్యాటరీలు, ఎలక్ట్రోప్లేటింగ్, ఆర్క్ వెల్డింగ్, డీజిల్ మరియు ఇంధన నూనెలు మరియు బొగ్గు దహనం మరియు వ్యర్థాలు మరియు బురద దహనం నుండి వాతావరణ ఉద్గారాలు నికెల్ సంచితం7,8. ప్రకారం.10, తక్షణ మరియు ప్రక్కనే ఉన్న వాతావరణంలో మట్టి కాలుష్యం యొక్క ప్రధాన వనరులు ప్రధానంగా నికెల్-రాగి-ఆధారిత స్మెల్టర్లు మరియు గనులు. కెనడాలోని సడ్బరీ నికెల్-రాగి శుద్ధి కర్మాగారం చుట్టూ ఉన్న టాప్ మట్టిలో అత్యధిక స్థాయిలో నికెల్ కాలుష్యం ఉంది, దీని ఫలితంగా రష్యాలో ఉత్పత్తిలో 26,000 mg/kg11 ఉత్పత్తిలో కాంట్రాస్ట్లో పొలీషన్ అధికంగా ఉంది. నార్వేజియన్ నేలలో సాంద్రతలు11. ఆల్మ్స్ మరియు ఇతరుల ప్రకారం.12, ప్రాంతం యొక్క అగ్ర సాగు భూమిలో (రష్యాలో నికెల్ ఉత్పత్తి) HNO3-సంగ్రహించదగిన నికెల్ మొత్తం 6.25 నుండి 136.88 mg/kg వరకు ఉంటుంది, ఇది సగటు 30.43 mg/kg మరియు 25 mg/kg యొక్క బేస్లైన్ సాంద్రతకు అనుగుణంగా ఉంటుంది. వరుస పంటల సీజన్లలో పట్టణ నేలలు మట్టిని నింపవచ్చు లేదా కలుషితం చేస్తాయి. మానవులలో నికెల్ యొక్క సంభావ్య ప్రభావాలు ఉత్పరివర్తన, క్రోమోజోమ్ నష్టం, Z-DNA ఉత్పత్తి, నిరోధించబడిన DNA ఎక్సిషన్ మరమ్మత్తు లేదా బాహ్యజన్యు ప్రక్రియల ద్వారా క్యాన్సర్కు దారితీయవచ్చు.
నేల-మొక్కల సంబంధాలు, నేల మరియు నేల జీవసంబంధ సంబంధాలు, పర్యావరణ క్షీణత మరియు పర్యావరణ ప్రభావ అంచనాల నుండి ఉత్పన్నమయ్యే అనేక రకాల ఆరోగ్య సంబంధిత సమస్యల కారణంగా నేల కాలుష్య అంచనాలు ఇటీవలి కాలంలో వృద్ధి చెందాయి. ఈ రోజు వరకు, మట్టిలో Ni వంటి విషపూరిత మూలకాల (PTEలు) యొక్క ప్రాదేశిక అంచనాలు (సాంప్రదాయ పద్ధతులను ఉపయోగించడం ద్వారా చాలా ఎక్కువ సమయం తీసుకుంటుంది). ప్రిడిక్టివ్ సాయిల్ మ్యాపింగ్ (PSM).మినాస్నీ మరియు మెక్బ్రాట్నీ16 ప్రకారం, ప్రిడిక్టివ్ సాయిల్ మ్యాపింగ్ (DSM) అనేది సాయిల్ సైన్స్ యొక్క ప్రముఖ ఉపవిభాగమని నిరూపించబడింది.Lagacherie మరియు McBratney, 2006 DSMని "ప్రాదేశిక మట్టి సమాచార వ్యవస్థలను సృష్టించడం మరియు నింపడం" అని నిర్వచించారు. .McBratney et al.17 సమకాలీన DSM లేదా PSM అనేది PTEలు, నేల రకాలు మరియు నేల లక్షణాల ప్రాదేశిక పంపిణీని అంచనా వేయడానికి లేదా మ్యాపింగ్ చేయడానికి అత్యంత ప్రభావవంతమైన సాంకేతికత అని వివరించండి. జియోస్టాటిస్టిక్స్ మరియు మెషిన్ లెర్నింగ్ అల్గారిథమ్లు (MLA) ముఖ్యమైన మరియు కనిష్ట డేటాను ఉపయోగించి కంప్యూటర్ల సహాయంతో డిజిటైజ్ చేసిన మ్యాప్లను రూపొందించే DSM మోడలింగ్ పద్ధతులు.
Deutsch18 మరియు Olea19 భౌగోళిక గణాంకాలను "ప్రాదేశిక లక్షణాల ప్రాతినిధ్యంతో వ్యవహరించే సంఖ్యా సాంకేతికతల సేకరణ, ప్రధానంగా యాదృచ్ఛిక నమూనాలను ఉపయోగించడం, సమయ శ్రేణి విశ్లేషణ తాత్కాలిక డేటాను ఎలా వర్గీకరిస్తుంది" అని నిర్వచించాయి.ప్రాథమికంగా, జియోస్టాటిస్టిక్స్ అనేది వేరియోగ్రామ్ల మూల్యాంకనాన్ని కలిగి ఉంటుంది, ఇది ప్రతి డేటాసెట్ నుండి ప్రాదేశిక విలువల యొక్క డిపెండెన్సీలను లెక్కించడానికి మరియు నిర్వచించడానికి అనుమతిస్తుంది20.Gumiaux et al.20 జియోస్టాటిస్టిక్స్లో వేరియోగ్రామ్ల మూల్యాంకనం మూడు సూత్రాలపై ఆధారపడి ఉంటుందని వివరిస్తుంది, వీటిలో (ఎ) డేటా సహసంబంధ స్కేల్ను కంప్యూటింగ్ చేయడం, (బి) డేటాసెట్ అసమానతలో అనిసోట్రోపిని గుర్తించడం మరియు కంప్యూటింగ్ చేయడం మరియు (సి) అదనంగా, స్థానిక ప్రభావాలను పరిగణనలోకి తీసుకోవడంతో పాటుగా, కొలత డేటా యొక్క అంతర్గత ప్రభావాలను అంచనా వేయడంలో అనేక అంశాలు ఉన్నాయి. సాధారణ క్రిగింగ్, కో-క్రిగింగ్, సాధారణ క్రిగింగ్, అనుభావిక బయేసియన్ క్రిగింగ్, సింపుల్ క్రిగింగ్ పద్ధతి మరియు PTE, నేల లక్షణాలు మరియు నేల రకాలను మ్యాప్ చేయడానికి లేదా అంచనా వేయడానికి ఇతర ప్రసిద్ధ ఇంటర్పోలేషన్ పద్ధతులతో సహా జియోస్టాటిస్టిక్స్లో పోలేషన్ పద్ధతులు ఉపయోగించబడతాయి.
మెషిన్ లెర్నింగ్ అల్గారిథమ్లు (MLA) అనేది సాపేక్షంగా కొత్త టెక్నిక్, ఇది పెద్ద నాన్-లీనియర్ డేటా క్లాస్లను ఉపయోగిస్తుంది, ప్రధానంగా డేటా మైనింగ్, డేటాలోని నమూనాలను గుర్తించడం మరియు సాయిల్ సైన్స్ మరియు రిటర్న్ టాస్క్ల వంటి శాస్త్రీయ రంగాలలో వర్గీకరణకు పదేపదే వర్తింపజేయడానికి ఉపయోగించే అల్గారిథమ్ల ద్వారా ఆజ్యం పోస్తారు.22 (వ్యవసాయ నేలల్లో హెవీ మెటల్ అంచనా కోసం యాదృచ్ఛిక అడవులు), సకిజాదేహ్ మరియు ఇతరులు.23 (సపోర్ట్ వెక్టర్ మెషీన్లు మరియు ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్లను ఉపయోగించి మోడలింగ్) మట్టి కాలుష్యం ).అదనంగా, వేగా మరియు ఇతరులు.24 (మట్టిలో హెవీ మెటల్ నిలుపుదల మరియు శోషణను మోడలింగ్ చేయడానికి CART) సన్ మరియు ఇతరులు.25 (క్యూబిస్ట్ యొక్క అప్లికేషన్ మట్టిలో సిడి పంపిణీ) మరియు k-సమీప పొరుగు, సాధారణీకరించిన బూస్ట్ రిగ్రెషన్ మరియు బూస్ట్ రిగ్రెషన్ ట్రీస్ వంటి ఇతర అల్గారిథమ్లు మట్టిలో PTEని అంచనా వేయడానికి MLAని కూడా వర్తింపజేస్తాయి.
ప్రిడిక్షన్ లేదా మ్యాపింగ్లో DSM అల్గారిథమ్ల అప్లికేషన్ అనేక సవాళ్లను ఎదుర్కొంటుంది. చాలా మంది రచయితలు MLA జియోస్టాటిస్టిక్స్ కంటే ఉన్నతమైనదని మరియు వైస్ వెర్సా అని నమ్ముతారు.ఒకదాని కంటే ఒకటి మెరుగైనది అయినప్పటికీ, రెండింటి కలయిక DSM15.వుడ్కాక్ మరియు గోపాల్లో మ్యాపింగ్ లేదా ప్రిడిక్షన్ యొక్క ఖచ్చితత్వ స్థాయిని మెరుగుపరుస్తుంది;పొంటియస్ మరియు Cheuk28 మరియు Grunwald29 అంచనా వేయబడిన మట్టి మ్యాపింగ్లో లోపాలు మరియు కొన్ని లోపాలపై వ్యాఖ్యానించారు. DSM మ్యాపింగ్ మరియు ఫోర్కాస్టింగ్ యొక్క ప్రభావం, ఖచ్చితత్వం మరియు ఊహాజనితతను ఆప్టిమైజ్ చేయడానికి నేల శాస్త్రవేత్తలు అనేక రకాల సాంకేతికతలను ప్రయత్నించారు. అనిశ్చితి మరియు ధృవీకరణ కలయిక అనేక విభిన్న అంశాలలో ఒకటి. అల్.మ్యాప్ నాణ్యతను మెరుగుపరచడానికి మ్యాప్ సృష్టి మరియు అంచనా ద్వారా ప్రవేశపెట్టబడిన ధ్రువీకరణ ప్రవర్తన మరియు అనిశ్చితి స్వతంత్రంగా ధృవీకరించబడాలని 15 రూపురేఖలు. DSM యొక్క పరిమితులు భౌగోళికంగా చెదరగొట్టబడిన నేల నాణ్యత కారణంగా ఉన్నాయి, ఇందులో అనిశ్చితి భాగం ఉంటుంది;అయినప్పటికీ, DSMలో నిశ్చయత లేకపోవడం అనేక మూలాధారాల లోపం, అవి కోవేరియేట్ లోపం, మోడల్ లోపం, స్థాన లోపం మరియు విశ్లేషణాత్మక లోపం 31 నుండి ఉత్పన్నమవుతాయి. MLA మరియు జియోస్టాటిస్టికల్ ప్రక్రియలలో ప్రేరేపించబడిన మోడలింగ్ దోషాలు అవగాహన లోపంతో ముడిపడి ఉంటాయి, చివరికి వాస్తవిక నమూనాల యొక్క అతి సరళీకరణకు దారి తీస్తుంది. ing పారామితులు, గణిత నమూనా అంచనాలు, లేదా ఇంటర్పోలేషన్34;సుబోటినా మరియు ఇతరులు.35;తారాసోవ్ మరియు ఇతరులు.36 మరియు తారాసోవ్ మరియు ఇతరులు.37 అంచనా మరియు మ్యాపింగ్ సామర్థ్యాన్ని మెరుగుపరిచే హైబ్రిడ్ మోడల్లను రూపొందించడానికి జియోస్టాటిస్టిక్స్ మరియు మెషిన్ లెర్నింగ్ యొక్క ఖచ్చితమైన నాణ్యతను ఉపయోగించుకున్నారు.నాణ్యత.ఈ హైబ్రిడ్ లేదా కంబైన్డ్ అల్గారిథమ్ మోడల్లలో కొన్ని ఆర్టిఫిషియల్ న్యూరల్ నెట్వర్క్ క్రిగింగ్ (ANN-RK), మల్టీలేయర్ పర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్ (MLP-RK), జనరలైజ్డ్ రిగ్రెషన్ న్యూరల్ నెట్వర్క్ రెసిడ్యువల్ క్రిగింగ్ (GR-NNRK)36, ఆర్టిఫిషియల్ Neural-NNRK P)37 మరియు కో-క్రిగింగ్ మరియు గాస్సియన్ ప్రాసెస్ రిగ్రెషన్38.
సెర్గీవ్ మరియు ఇతరుల ప్రకారం., వివిధ మోడలింగ్ పద్ధతులను కలపడం వల్ల లోపాలను తొలగించి, దాని సింగిల్ మోడల్ను అభివృద్ధి చేయడం కంటే ఫలిత హైబ్రిడ్ మోడల్ యొక్క సామర్థ్యాన్ని పెంచే అవకాశం ఉంది. ఈ సందర్భంలో, ఈ కొత్త పేపర్ జియోస్టాటిస్టిక్స్ మరియు MLA యొక్క మిశ్రమ అల్గారిథమ్ను వర్తింపజేయడం అవసరమని వాదించింది. ical బయేసియన్ క్రిగింగ్ (EBK) బేస్ మోడల్గా మరియు సపోర్ట్ వెక్టర్ మెషిన్ (SVM) మరియు మల్టిపుల్ లీనియర్ రిగ్రెషన్ (MLR) మోడళ్లతో కలపండి. EBKని ఏ MLAతోనూ హైబ్రిడైజేషన్ చేయడం తెలియదు. కనిపించే బహుళ మిశ్రమ నమూనాలు సాధారణ, అవశేష, రిగ్రెషన్ క్రైజింగ్, ఎమ్మెల్యేల మధ్య క్రమబద్ధీకరణ పద్ధతుల కలయికలు. పొలాల నేలల్లో సేంద్రీయ కార్బన్ పంపిణీని విశ్లేషించడం, నేల కాలుష్యాన్ని అంచనా వేయడం మరియు నేల లక్షణాలను మ్యాపింగ్ చేయడంతో సహా వివిధ రకాల అధ్యయనాలలో 39.EBK ఉపయోగించబడింది.
మరోవైపు, స్వీయ-ఆర్గనైజింగ్ గ్రాఫ్ (SeOM) అనేది ఒక అభ్యాస అల్గోరిథం, ఇది Li et al వంటి వివిధ కథనాలలో వర్తించబడుతుంది.43, వాంగ్ మరియు ఇతరులు.44, హోస్సేన్ భుయాన్ మరియు ఇతరులు.45 మరియు కెబోనీ మరియు ఇతరులు. 46 ప్రాదేశిక లక్షణాలను మరియు మూలకాల సమూహాన్ని నిర్ణయించండి.వాంగ్ మరియు ఇతరులు.44 SeOM అనేది నాన్-లీనియర్ సమస్యలను సమూహపరచడానికి మరియు ఊహించగల దాని సామర్థ్యానికి ప్రసిద్ధి చెందిన శక్తివంతమైన అభ్యాస సాంకేతికత అని వివరించండి. ఇతర నమూనా గుర్తింపు సాంకేతికతలైన ప్రధాన కాంపోనెంట్ విశ్లేషణ, మసక క్లస్టరింగ్, క్రమానుగత క్లస్టరింగ్ మరియు బహుళ-ప్రమాణాల నిర్ణయాధికారం వలె కాకుండా, PTE నుండి W.According నమూనాలను నిర్వహించడం మరియు గుర్తించడంలో SeOM ఉత్తమం.44, SeOM సంబంధిత న్యూరాన్ల పంపిణీని ప్రాదేశికంగా సమూహపరచగలదు మరియు అధిక-రిజల్యూషన్ డేటా విజువలైజేషన్ను అందిస్తుంది.SeOM ప్రత్యక్ష వివరణ కోసం ఫలితాలను వర్గీకరించడానికి ఉత్తమ మోడల్ను పొందేందుకు Ni ప్రిడిక్షన్ డేటాను దృశ్యమానం చేస్తుంది.
ఈ పేపర్ పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ కంటెంట్ను అంచనా వేయడానికి సరైన ఖచ్చితత్వంతో ఒక బలమైన మ్యాపింగ్ మోడల్ను రూపొందించడం లక్ష్యంగా పెట్టుకుంది. మిశ్రమ మోడల్ యొక్క విశ్వసనీయత ప్రధానంగా బేస్ మోడల్కు జోడించబడిన ఇతర మోడల్ల ప్రభావంపై ఆధారపడి ఉంటుందని మేము ఊహిస్తున్నాము. DSM ఎదుర్కొంటున్న సవాళ్లను మేము గుర్తించాము మరియు ఈ సవాళ్లను ఎదుర్కోవడానికి ముందున్న అనేక సవాళ్లను మేము గుర్తించాము. లు ఇంక్రిమెంటల్ గా ఉండాలి;అందువల్ల, మేము మిశ్రమ నమూనాలను అందించగల పరిశోధన ప్రశ్నలకు సమాధానమివ్వడానికి ప్రయత్నిస్తాము. అయితే, లక్ష్య మూలకాన్ని అంచనా వేయడంలో మోడల్ ఎంత ఖచ్చితమైనది?అలాగే, ధ్రువీకరణ మరియు ఖచ్చితత్వ మూల్యాంకనం ఆధారంగా సమర్థత మూల్యాంకనం స్థాయి ఏమిటి?అందువల్ల, ఈ అధ్యయనం యొక్క నిర్దిష్ట లక్ష్యాలు (a) SVMR లేదా MLR కోసం బేస్ మోడల్ కోసం మిశ్రమ మిశ్రమ నమూనాను రూపొందించడం. పట్టణ లేదా పెరి-అర్బన్ నేలల్లో Ni సాంద్రతలను అంచనా వేయడం మరియు (d) నికెల్ ప్రాదేశిక వైవిధ్యం యొక్క అధిక-రిజల్యూషన్ మ్యాప్ను రూపొందించడానికి SeOM యొక్క అప్లికేషన్.
ఈ అధ్యయనం చెక్ రిపబ్లిక్లో, ప్రత్యేకంగా మొరావియా-సిలేసియన్ ప్రాంతంలోని ఫ్రైడెక్ మిస్టెక్ జిల్లాలో జరుగుతోంది (మూర్తి 1 చూడండి). అధ్యయన ప్రాంతం యొక్క భౌగోళికం చాలా కఠినమైనది మరియు ఎక్కువగా మొరావియా-సిలేసియన్ బెస్కిడి ప్రాంతంలో భాగం, ఇది కార్పాతియన్ పర్వతాల వెలుపలి అంచులో భాగం. 18° 20′ 0′ E, మరియు ఎత్తు 225 మరియు 327 మీ మధ్య ఉంటుంది;ఏదేమైనప్పటికీ, ఈ ప్రాంతం యొక్క వాతావరణ స్థితి కోసం కొప్పెన్ వర్గీకరణ వ్యవస్థ Cfb = సమశీతోష్ణ సముద్ర వాతావరణంగా రేట్ చేయబడింది, పొడి నెలలలో కూడా చాలా వర్షపాతం ఉంటుంది. ఉష్ణోగ్రతలు ఏడాది పొడవునా కొద్దిగా −5 °C మరియు 24 °C మధ్య మారుతూ ఉంటాయి, అరుదుగా −14 °C కంటే తక్కువగా లేదా 30 °C కంటే ఎక్కువ వార్షిక ఉష్ణోగ్రత 30 °C కంటే ఎక్కువగా ఉంటుంది, అయితే సగటున 30 °C ఉష్ణోగ్రత 4 మధ్య ఉంటుంది. మొత్తం ప్రాంతం 1,208 చదరపు కిలోమీటర్లు, సాగు భూమిలో 39.38% మరియు అటవీ విస్తీర్ణంలో 49.36% ఉంది. మరోవైపు, ఈ అధ్యయనంలో ఉపయోగించిన ప్రాంతం దాదాపు 889.8 చదరపు కిలోమీటర్లు. ఆస్ట్రావా మరియు చుట్టుపక్కల, ఉక్కు పరిశ్రమ మరియు మెటల్ పనులు చాలా చురుకుగా ఉన్నాయి. తుప్పు) మరియు మిశ్రమం స్టీల్స్ (నికెల్ దాని మంచి డక్టిలిటీ మరియు మొండితనాన్ని కొనసాగించేటప్పుడు మిశ్రమం యొక్క బలాన్ని పెంచుతుంది), మరియు ఫాస్ఫేట్ ఎరువుల వాడకం మరియు పశువుల ఉత్పత్తి వంటి ఇంటెన్సివ్ వ్యవసాయం ఈ ప్రాంతంలో నికెల్ యొక్క పరిశోధన సంభావ్య వనరులు (ఉదా, గొర్రెలకు నికెల్ జోడించడం ద్వారా గొర్రె మరియు తక్కువ మేత ఉన్న పారిశ్రామిక ప్రాంతాలలో ఎలక్ట్రికల్ ఎలక్ట్రికల్ పరిశోధనలు ఉన్నాయి. ఇకెల్ మరియు ఎలక్ట్రోలెస్ నికెల్ లేపన ప్రక్రియలు. నేల లక్షణాలు నేల రంగు, నిర్మాణం మరియు కార్బోనేట్ కంటెంట్ నుండి సులభంగా గుర్తించబడతాయి. నేల ఆకృతి మధ్యస్థం నుండి సన్నగా ఉంటుంది, మాతృ పదార్థం నుండి తీసుకోబడింది. అవి కొలువియల్, ఒండ్రు లేదా అయోలియన్ స్వభావం కలిగి ఉంటాయి. కొన్ని నేలలు ఉపరితలం మరియు భూగర్భంలో చాలా సాధారణమైనవి. ప్రాంతం48. 455.1 నుండి 493.5 మీటర్ల ఎత్తులో, క్యాంబిసోల్స్ చెక్ రిపబ్లిక్లో ఆధిపత్యం చెలాయిస్తున్నాయి.
అధ్యయన ప్రాంత మ్యాప్ [అధ్యయన ప్రాంత మ్యాప్ ArcGIS డెస్క్టాప్ (ESRI, Inc, వెర్షన్ 10.7, URL: https://desktop.arcgis.com) ఉపయోగించి సృష్టించబడింది.]
ఫ్రైడెక్ మిస్టెక్ జిల్లాలోని అర్బన్ మరియు పెరి-అర్బన్ నేలల నుండి మొత్తం 115 మట్టి నమూనాలను పొందారు. ఉపయోగించిన నమూనా నమూనా 2 × 2 కి.మీ దూరంలో ఉన్న మట్టి నమూనాలతో ఒక సాధారణ గ్రిడ్, మరియు మట్టిని 0 నుండి 20 లోతులో కొలుస్తారు, చేతితో పట్టుకున్న GPS పరికరం (Leica Zeno 5 సెం ప్రయోగశాలకు రవాణా చేయబడింది. నమూనాలను గాలిలో ఎండబెట్టి, పల్వరైజ్డ్ నమూనాలను ఉత్పత్తి చేయడానికి, యాంత్రిక వ్యవస్థ (ఫ్రిట్ష్ డిస్క్ మిల్) ద్వారా పల్వరైజ్ చేసి, జల్లెడ (జల్లెడ పరిమాణం 2 మి.మీ.) 1 గ్రాము ఎండబెట్టిన, సజాతీయ మరియు జల్లెడ మట్టి నమూనాలను స్పష్టంగా లేబుల్ చేయబడిన టెఫ్లాన్ 3 మి.లీ 5% మరియు పంపిణీ చేయబడిన ప్రతి టెఫ్లాన్ బాటిళ్లలో ఉంచండి. % HNO3 (ఆటోమేటిక్ డిస్పెన్సర్ని ఉపయోగించడం – ప్రతి యాసిడ్కు ఒకటి), తేలికగా కవర్ చేసి, నమూనాలను రియాక్షన్ (ఆక్వా రెజియా ప్రోగ్రామ్) కోసం రాత్రిపూట నిలబడేలా అనుమతించండి. సూపర్నాటెంట్ను వేడి మెటల్ ప్లేట్పై (ఉష్ణోగ్రత: 100 W మరియు 160 °C) 2 గంటల పాటు ఉంచండి. డీయోనైజ్డ్ నీటితో 50 ml. ఆ తర్వాత, డీయోనైజ్డ్ నీటితో 50 ml PVC ట్యూబ్లో పలచబరిచిన సూపర్నాటెంట్ను ఫిల్టర్ చేయండి. అదనంగా, 1 ml డైల్యూషన్ ద్రావణాన్ని 9 ml డీయోనైజ్డ్ వాటర్తో కరిగించి 12 ml ట్యూబ్లో ఫిల్టర్ చేసి PTE సూడో-ఏకాగ్రత, Cdb, Cdb, Cdb గాఢత Ca, Mg, K) ICP-OES (ఇండక్టివ్లీ కపుల్డ్ ప్లాస్మా ఆప్టికల్ ఎమిషన్ స్పెక్ట్రోస్కోపీ) (థర్మో ఫిషర్ సైంటిఫిక్, USA) ద్వారా ప్రామాణిక పద్ధతులు మరియు ఒప్పందం ప్రకారం నిర్ణయించబడ్డాయి. నాణ్యత హామీ మరియు నియంత్రణ (QA/QC) విధానాలను నిర్ధారించండి (SRM NIST 2711a అధ్యయనంలో సగం పరిమితిని గుర్తించింది. మోంటానా II నుండి ఈ పరిమితిని గుర్తించింది. ఈ అధ్యయనంలో ఉపయోగించిన PTE 0.0004.(మీరు).అదనంగా, ప్రతి విశ్లేషణకు నాణ్యత నియంత్రణ మరియు నాణ్యత హామీ ప్రక్రియ సూచన ప్రమాణాలను విశ్లేషించడం ద్వారా నిర్ధారించబడుతుంది.లోపాలను తగ్గించినట్లు నిర్ధారించడానికి, డబుల్ విశ్లేషణ నిర్వహించబడింది.
అనుభావిక బయేసియన్ క్రిగింగ్ (EBK) అనేది సాయిల్ సైన్స్ వంటి విభిన్న రంగాలలో మోడలింగ్లో ఉపయోగించే అనేక జియోస్టాటిస్టికల్ ఇంటర్పోలేషన్ టెక్నిక్లలో ఒకటి. ఇతర క్రైజింగ్ ఇంటర్పోలేషన్ టెక్నిక్ల మాదిరిగా కాకుండా, సెమీవేరియోగ్రామ్ మోడల్ ద్వారా అంచనా వేయబడిన లోపాన్ని పరిగణనలోకి తీసుకోవడం ద్వారా EBK సాంప్రదాయ క్రైజింగ్ పద్ధతుల నుండి భిన్నంగా ఉంటుంది. తగినంత క్రిగింగ్ పద్ధతిలో అత్యంత సంక్లిష్టమైన భాగాన్ని కలిగి ఉన్న సెమీవేరియోగ్రామ్ యొక్క ఈ ప్లాటింగ్తో అనుబంధించబడిన అనిశ్చితి మరియు ప్రోగ్రామింగ్కు దారి తీస్తుంది. EBK యొక్క ఇంటర్పోలేషన్ ప్రక్రియ Krivoruchko50 ప్రతిపాదించిన మూడు ప్రమాణాలను అనుసరిస్తుంది, (a) మోడల్ సెమీవేరియోగ్రామ్ను అంచనా వేస్తుంది అనుకరణ డేటాసెట్ నుండి ఉంచబడింది. బయేసియన్ సమీకరణ నియమం పృష్ఠంగా ఇవ్వబడింది
\(Prob\left(A\right)\) ముందుగా సూచించే చోట, \(Prob\left(B\right)\) ఉపాంత సంభావ్యత చాలా సందర్భాలలో విస్మరించబడుతుంది, \(Prob (B,A)\ ) .సెమీవేరియోగ్రామ్ గణన బేయస్ నియమంపై ఆధారపడి ఉంటుంది, ఇది సెమియోగ్రామ్ యొక్క పరిశీలన డేటాసెట్ల నుండి సృష్టించబడిన సెమియోగ్రామ్ యొక్క ప్రవృత్తిని చూపుతుంది. నియమం, ఇది సెమీవేరియోగ్రామ్ నుండి పరిశీలనల డేటాసెట్ను సృష్టించడం ఎంతవరకు సాధ్యమో తెలియజేస్తుంది.
సపోర్ట్ వెక్టార్ మెషిన్ అనేది మెషిన్ లెర్నింగ్ అల్గారిథమ్, ఇది ఒకేలాంటి కానీ సరళంగా కాకుండా స్వతంత్ర తరగతులను వేరు చేయడానికి సరైన వేరుచేసే హైపర్ప్లేన్ను ఉత్పత్తి చేస్తుంది.Vapnik51 ఉద్దేశ్య వర్గీకరణ అల్గారిథమ్ను సృష్టించింది, అయితే ఇది ఇటీవల రిగ్రెషన్-ఆధారిత సమస్యలను పరిష్కరించడానికి ఉపయోగించబడింది. Li et al.52, SVMif తరగతిలో ఉత్తమమైన టెక్నిక్ల ప్రకారం వివిధ రంగాలలో ఒకటి. SVM (సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ - SVMR) యొక్క భాగం ఈ విశ్లేషణలో ఉపయోగించబడింది. చెర్కాస్కీ మరియు ములియర్53 SVMRని కెర్నల్-ఆధారిత రిగ్రెషన్గా ముందుంచారు, దీని గణనను బహుళ-దేశ ప్రాదేశిక ఫంక్షన్లతో కూడిన లీనియర్ రిగ్రెషన్ మోడల్ను ఉపయోగించి నిర్వహించబడింది. యొక్క నాన్ లీనియర్ సంబంధాలు మరియు ప్రాదేశిక విధులను అనుమతిస్తుంది. వోహ్లాండ్ మరియు ఇతరుల ప్రకారం.55, epsilon (ε)-SVMR శిక్షణ పొందిన డేటాసెట్ని ఎప్సిలాన్-సెన్సిటివ్ ఫంక్షన్గా పొందేందుకు శిక్షణ పొందిన డేటాసెట్ను ఉపయోగిస్తుంది, ఇది పరస్పర సంబంధం ఉన్న డేటాపై శిక్షణ నుండి ఉత్తమమైన ఎప్సిలాన్ బయాస్తో డేటాను స్వతంత్రంగా మ్యాప్ చేయడానికి వర్తించబడుతుంది. ముందుగా సెట్ చేసిన దూరపు లోపం వాస్తవ విలువ నుండి విస్మరించబడుతుంది మరియు ε. మద్దతు వెక్టర్స్ యొక్క విస్తృత ఉపసమితి. Vapnik51 ప్రతిపాదించిన సమీకరణం క్రింద చూపబడింది.
ఇక్కడ b అనేది స్కేలార్ థ్రెషోల్డ్ని సూచిస్తుంది, \(K\left({x}_{,}{ x}_{k}\right)\) కెర్నల్ ఫంక్షన్ను సూచిస్తుంది, \(\alpha\) లాగ్రాంజ్ గుణకం సూచిస్తుంది, N సంఖ్యా డేటాసెట్ను సూచిస్తుంది, \({x}_{k}\) అనేది \({x}_{k}\) ఉపయోగించబడుతుంది మరియు డేటా ఇన్పుట్ యొక్క ఔట్\u200cని సూచిస్తుంది. R ఆపరేషన్, ఇది గాస్సియన్ రేడియల్ బేస్ ఫంక్షన్ (RBF). PTE శిక్షణ డేటా కోసం అత్యంత సూక్ష్మమైన పెనాల్టీ సెట్ ఫ్యాక్టర్ C మరియు కెర్నల్ పారామీటర్ గామా (γ) పొందేందుకు కీలకమైన ఆప్టిమల్ SVMR మోడల్ను గుర్తించడానికి RBF కెర్నల్ వర్తించబడుతుంది. మొదట, మేము శిక్షణా నమూనా యొక్క విలువను అంచనా వేసాము. svm రేడియల్.
మల్టిపుల్ లీనియర్ రిగ్రెషన్ మోడల్ (MLR) అనేది రిగ్రెషన్ మోడల్, ఇది రెస్పాన్స్ వేరియబుల్ మరియు అనేక ప్రిడిక్టర్ వేరియబుల్స్ మధ్య సంబంధాన్ని సూచిస్తుంది, ఇది లీనియర్ పూల్డ్ పారామితులను ఉపయోగించి కనిష్ట చతురస్రాల పద్ధతిని ఉపయోగించి లెక్కించబడుతుంది. వివరణాత్మక వేరియబుల్స్తో సరళ సంబంధం. MLR సమీకరణం
ఇక్కడ y అనేది రెస్పాన్స్ వేరియబుల్, \(a\) అనేది ఇంటర్సెప్ట్, n అనేది ప్రిడిక్టర్ల సంఖ్య, \({b}_{1}\) అనేది గుణకాల యొక్క పాక్షిక రిగ్రెషన్, \({x}_{ i}\) అనేది ప్రిడిక్టర్ లేదా ఎక్స్ప్లనేటరీ వేరియబుల్ను సూచిస్తుంది మరియు \({\varepsilon }_{i}\) అనేది మోడల్లో కూడా తెలిసిన దోషాన్ని సూచిస్తుంది.
EBKని SVMR మరియు MLRతో శాండ్విచ్ చేయడం ద్వారా మిశ్రమ నమూనాలు పొందబడ్డాయి. ఇది EBK ఇంటర్పోలేషన్ నుండి అంచనా వేయబడిన విలువలను సంగ్రహించడం ద్వారా జరుగుతుంది. ఇంటర్పోలేటెడ్ Ca, K మరియు Mg నుండి పొందిన అంచనా విలువలు కొత్త వేరియబుల్స్ను పొందేందుకు కాంబినేటోరియల్ ప్రాసెస్ ద్వారా పొందబడతాయి, అవి CaK, CaMg, మరియు తరువాత కేఎమ్గ్ మూలకాలు CaK, CaMg, మరియు KMg వరకు కలిపి నాలుగు మూలకాలు. g.మొత్తంమీద, పొందిన వేరియబుల్స్ Ca, K, Mg, CaK, CaMg, KMg మరియు CaKMg. ఈ వేరియబుల్స్ మా ప్రిడిక్టర్లుగా మారాయి, పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ సాంద్రతలను అంచనా వేయడంలో సహాయపడతాయి. SVMR అల్గోరిథం ప్రిడిక్టర్లపై ప్రదర్శించబడింది KVMR అల్గోరిథం Mpirical Bay-Exed మోడల్. M).అదేవిధంగా, MLR అల్గారిథమ్ ద్వారా వేరియబుల్స్ కూడా ఒక మిశ్రమ మోడల్ ఎంపిరికల్ బయేసియన్ క్రిగింగ్-మల్టిపుల్ లీనియర్ రిగ్రెషన్ (EBK_MLR)ని పొందేందుకు పైప్ చేయబడతాయి. సాధారణంగా, వేరియబుల్స్ Ca, K, Mg, CaK, CaMg, KMg, Covariaban నేలలు మరియు CaKMig యొక్క కంటెంట్గా ఉపయోగించబడతాయి. పొందిన అత్యంత ఆమోదయోగ్యమైన మోడల్ (EBK_SVM లేదా EBK_MLR) అప్పుడు స్వీయ-ఆర్గనైజింగ్ గ్రాఫ్ని ఉపయోగించి దృశ్యమానం చేయబడుతుంది. ఈ అధ్యయనం యొక్క వర్క్ఫ్లో మూర్తి 2లో చూపబడింది.
ఆర్థిక రంగం, ఆరోగ్య సంరక్షణ, పరిశ్రమ, గణాంకాలు, సాయిల్ సైన్స్ మరియు మరిన్నింటిలో డేటాను నిర్వహించడానికి, మూల్యాంకనం చేయడానికి మరియు అంచనా వేయడానికి SeOM ఒక ప్రసిద్ధ సాధనంగా మారింది.SeOM అనేది కృత్రిమ నాడీ నెట్వర్క్లు మరియు సంస్థ, మూల్యాంకనం మరియు అంచనా కోసం పర్యవేక్షించబడని అభ్యాస పద్ధతులను ఉపయోగించి సృష్టించబడింది. .SeOM మూల్యాంకనంలో ప్రాసెస్ చేయబడిన డేటా n ఇన్పుట్-డైమెన్షనల్ వెక్టర్ వేరియబుల్స్గా ఉపయోగించబడుతుంది43,56.Melssen et al.57 ఇన్పుట్ వెక్టార్ని న్యూరల్ నెట్వర్క్లోకి ఒక ఇన్పుట్ లేయర్ ద్వారా ఒకే బరువు వెక్టర్తో అవుట్పుట్ వెక్టార్కి అనుసంధానం చేయడం గురించి వివరిస్తుంది. SeOM ద్వారా ఉత్పత్తి చేయబడిన అవుట్పుట్ అనేది షట్కోణ, వృత్తాకార లేదా స్క్వేర్ టోపోలాజికల్ మ్యాప్లలో అల్లిన వివిధ న్యూరాన్లు లేదా నోడ్లతో కూడిన రెండు డైమెన్షనల్ మ్యాప్. లోపం (TE), వరుసగా 0.086 మరియు 0.904తో ఉన్న SeOM మోడల్ ఎంపిక చేయబడింది, ఇది 55-మ్యాప్ యూనిట్ (5 × 11). అనుభావిక సమీకరణంలోని నోడ్ల సంఖ్యను బట్టి న్యూరాన్ నిర్మాణం నిర్ణయించబడుతుంది.
ఈ అధ్యయనంలో ఉపయోగించిన డేటా సంఖ్య 115 నమూనాలు. డేటాను పరీక్ష డేటా (25% ధ్రువీకరణ కోసం) మరియు శిక్షణ డేటా సెట్లుగా (75% క్రమాంకనం) విభజించడానికి యాదృచ్ఛిక విధానం ఉపయోగించబడింది. శిక్షణ డేటాసెట్ రిగ్రెషన్ మోడల్ను (క్యాలిబ్రేషన్) రూపొందించడానికి ఉపయోగించబడుతుంది మరియు పరీక్ష డేటాసెట్ వివిధ నమూనాల సాధారణీకరణ సామర్థ్యాన్ని అంచనా వేయడానికి ఉపయోగించబడుతుంది. పది రెట్లు క్రాస్ ధ్రువీకరణ ప్రక్రియ, ఐదుసార్లు పునరావృతమవుతుంది. EBK ఇంటర్పోలేషన్ ద్వారా ఉత్పత్తి చేయబడిన వేరియబుల్స్ టార్గెట్ వేరియబుల్ (PTE)ని అంచనా వేయడానికి ప్రిడిక్టర్లు లేదా వివరణాత్మక వేరియబుల్స్గా ఉపయోగించబడతాయి. RStudioలో లైబ్రరీ (కోహోనెన్), లైబ్రరీ(కెరెట్), లైబ్రరీ(మోడలర్107), లైబ్రరీ("107) లైబ్రరీ(""107) లైబ్రరీ("107)" సాధనాలు"), లైబ్రరీ("ప్రాస్పెక్టర్") మరియు లైబ్రరీలు ("మెట్రిక్స్").
మట్టిలో నికెల్ సాంద్రతలను అంచనా వేయడానికి మరియు మోడల్ యొక్క ఖచ్చితత్వాన్ని మరియు దాని ధృవీకరణను అంచనా వేయడానికి అనువైన ఉత్తమ నమూనాను నిర్ణయించడానికి వివిధ ధ్రువీకరణ పారామితులు ఉపయోగించబడ్డాయి. సగటు సంపూర్ణ లోపం (MAE), రూట్ మీన్ స్క్వేర్ ఎర్రర్ (RMSE) మరియు R-స్క్వేర్డ్ లేదా కోఎఫీషియంట్ డిటర్మినేషన్ (R2) ద్వారా R- స్క్వేర్డ్ లేదా కోఎఫీషియంట్ డిటర్మినేషన్ (R2) ద్వారా ప్రతిరూపణ నమూనాలను ఉపయోగించి హైబ్రిడైజేషన్ నమూనాలు మూల్యాంకనం చేయబడ్డాయి. స్వతంత్ర చర్యలలో SE మరియు వైవిధ్యం పరిమాణం మోడల్ యొక్క ఊహాజనిత శక్తిని వివరిస్తాయి, అయితే MAE వాస్తవ పరిమాణాత్మక విలువను నిర్ణయిస్తుంది. ధ్రువీకరణ పారామితులను ఉపయోగించి ఉత్తమ మిశ్రమ నమూనాను అంచనా వేయడానికి R2 విలువ తప్పనిసరిగా ఎక్కువగా ఉండాలి, విలువ 1కి దగ్గరగా ఉంటుంది, ఖచ్చితత్వం ఎక్కువగా ఉంటుంది. Li et al ప్రకారం.59, 0.75 లేదా అంతకంటే ఎక్కువ R2 ప్రమాణం విలువ మంచి ప్రిడిక్టర్గా పరిగణించబడుతుంది;0.5 నుండి 0.75 వరకు ఆమోదయోగ్యమైన మోడల్ పనితీరు, మరియు 0.5 కంటే తక్కువ మోడల్ పనితీరు ఆమోదయోగ్యం కాదు. RMSE మరియు MAE ధ్రువీకరణ ప్రమాణాల మూల్యాంకన పద్ధతులను ఉపయోగించి మోడల్ను ఎంచుకున్నప్పుడు, పొందిన తక్కువ విలువలు సరిపోతాయి మరియు ఉత్తమ ఎంపికగా పరిగణించబడతాయి. కింది సమీకరణం ధృవీకరణ పద్ధతిని వివరిస్తుంది.
ఇక్కడ n అనేది గమనించిన విలువ యొక్క పరిమాణాన్ని సూచిస్తుంది\({Y}_{i}\) కొలిచిన ప్రతిస్పందనను సూచిస్తుంది మరియు \({\widehat{Y}}_{i}\) కూడా ఊహించిన ప్రతిస్పందన విలువను సూచిస్తుంది, కాబట్టి, మొదటి i పరిశీలనలకు.
ప్రిడిక్టర్ మరియు రెస్పాన్స్ వేరియబుల్స్ యొక్క గణాంక వివరణలు టేబుల్ 1లో ప్రదర్శించబడ్డాయి, సగటు, ప్రామాణిక విచలనం (SD), వైవిధ్యం యొక్క గుణకం (CV), కనిష్ట, గరిష్ట, కుర్టోసిస్ మరియు వక్రతలను చూపుతుంది. మూలకాల యొక్క కనిష్ట మరియు గరిష్ట విలువలు Mg < Ca < K < Ni మరియు Ca < Mg < K < Ni, ప్రతిస్పందన శ్రేణి నుండి వరుసగా Mg < Ca < K < Ni మరియు Ca < Mg < K < Ni , నమూనా శ్రేణి నుండి తగ్గుతున్న క్రమంలో ఉన్నాయి. 4.86 నుండి 42.39 mg/kg. Ni ని ప్రపంచ సగటు (29 mg/kg) మరియు యూరోపియన్ సగటు (37 mg/kg)తో పోల్చి చూస్తే, అధ్యయన ప్రాంతానికి మొత్తం లెక్కించబడిన రేఖాగణిత సగటు సహించదగిన పరిధిలో ఉందని తేలింది. ఏదేమైనప్పటికీ, కబాటా-పెండియాస్ చూపిన విధంగా, S11 వ్యవసాయ నేలతో పోల్చి చూస్తే, సగటు వ్యవసాయ నేలతో పోల్చి చూస్తారు. ప్రస్తుత సగటు నికెల్ ఏకాగ్రత ఎక్కువగా ఉంది. అదేవిధంగా, ప్రస్తుత అధ్యయనంలో పట్టణ మరియు పెరి-అర్బన్ నేలల్లో ఫ్రైడెక్ మిస్టెక్ యొక్క సగటు సాంద్రత (Ni 16.15 mg/kg) పోలిష్ పట్టణ నేలల్లో Ni కోసం అనుమతించదగిన పరిమితి 60 (10.2 mg/kg) కంటే ఎక్కువగా ఉంది. ed చాలా తక్కువ సగటు Ni సాంద్రతలు (1.78 mg/kg) ప్రస్తుత అధ్యయనంతో పోలిస్తే టుస్కానీలోని పట్టణ నేలల్లో ఉంది. Jim62 హాంకాంగ్ పట్టణ నేలల్లో కూడా తక్కువ నికెల్ సాంద్రత (12.34 mg/kg)ని కనుగొంది, ఇది ప్రస్తుత పాత నికెల్ సాంద్రత కంటే తక్కువగా ఉంది. మరియు జర్మనీలోని సాక్సోనీ-అన్హాల్ట్లోని పట్టణ పారిశ్రామిక ప్రాంతం, ప్రాంతంలో సగటు Ni సాంద్రత (16.15 mg/kg) కంటే 1.45 mg/kg ఎక్కువ. ప్రస్తుత పరిశోధన. అధ్యయన ప్రాంతంలోని కొన్ని పట్టణ మరియు సబర్బన్ ప్రాంతాల్లోని నేలల్లోని అధిక నికెల్ కంటెంట్ ప్రధానంగా ఇనుము మరియు ఉక్కు పరిశ్రమకు సంబంధించినది.64 ఉక్కు పరిశ్రమ మరియు లోహపు పని నేలలలో నికెల్ కాలుష్యం యొక్క ప్రధాన వనరులు. అయినప్పటికీ, అంచనాలు కూడా Ca కోసం 538.70 mg/kg నుండి 69,161.80 mg/kg వరకు, 497.51 mg/kg నుండి 3535.68 mg/kg వరకు మరియు 5kg.50 mg/kg వరకు 60 mg/kg వరకు ఉన్నాయి. Mg.Jakovljevic మరియు ఇతరుల కోసం.65 మధ్య సెర్బియాలోని నేలల్లోని మొత్తం Mg మరియు K కంటెంట్ను పరిశోధించారు. వారు మొత్తం సాంద్రతలు (వరుసగా 410 mg/kg మరియు 400 mg/kg) ప్రస్తుత అధ్యయనం యొక్క Mg మరియు K సాంద్రతల కంటే తక్కువగా ఉన్నాయని వారు కనుగొన్నారు. తూర్పు పోలాండ్లో, ఓర్జెచోవ్స్కీ మరియు స్మోల్జిన్ల సగటు కంటెంట్ను అంచనా వేసింది. 1100 mg/kg), Mg (590 mg/kg) మరియు K (810 mg/kg) ఈ అధ్యయనంలోని ఒకే మూలకం కంటే మట్టిలో ఉన్న కంటెంట్ తక్కువగా ఉంటుంది. పొంగ్రాక్ మరియు ఇతరుల ఇటీవలి అధ్యయనం.67 స్కాట్లాండ్, UK (మైల్నేఫీల్డ్ నేల, బల్రుడెరీ నేల మరియు హార్ట్వుడ్ నేల)లోని 3 వేర్వేరు నేలలలో విశ్లేషించబడిన మొత్తం Ca కంటెంట్ ఈ అధ్యయనంలో అధిక Ca కంటెంట్ను సూచించినట్లు చూపింది.
మాదిరి మూలకాల యొక్క వివిధ కొలిచిన సాంద్రతల కారణంగా, మూలకాల యొక్క డేటా సెట్ పంపిణీలు విభిన్న వక్రతను ప్రదర్శిస్తాయి. మూలకాల యొక్క వక్రత మరియు కుర్టోసిస్ వరుసగా 1.53 నుండి 7.24 మరియు 2.49 నుండి 54.16 వరకు ఉంటాయి. అన్ని లెక్కించిన మూలకాలు వక్రత మరియు కుర్టోసిస్ స్థాయిలలో వక్రత మరియు కుర్టోసిస్ స్థాయిలను కలిగి ఉంటాయి. .మూలకాల యొక్క అంచనా వేసిన CVలు కూడా K, Mg మరియు Ni మధ్యస్థ వైవిధ్యాన్ని ప్రదర్శిస్తాయి, అయితే Ca చాలా ఎక్కువ వైవిధ్యాన్ని కలిగి ఉంటాయి. K, Ni మరియు Mg యొక్క CVలు వాటి ఏకరీతి పంపిణీని వివరిస్తాయి. ఇంకా, Ca పంపిణీ ఏకరీతిగా ఉండదు మరియు బాహ్య వనరులు దాని సుసంపన్నత స్థాయిని ప్రభావితం చేయవచ్చు.
రెస్పాన్స్ ఎలిమెంట్స్తో ప్రిడిక్టర్ వేరియబుల్స్ యొక్క సహసంబంధం మూలకాల మధ్య సంతృప్తికరమైన సహసంబంధాన్ని సూచించింది (మూర్తి 3 చూడండి). CaNi వలె CaK r విలువ = 0.53తో మితమైన సహసంబంధాన్ని ప్రదర్శించిందని సహసంబంధం సూచించింది. Ca మరియు K ఒకదానితో ఒకటి నిరాడంబరమైన అనుబంధాలను చూపినప్పటికీ, కింగ్స్టన్ వంటి పరిశోధకులు.68 మరియు Santo69 మట్టిలో వాటి స్థాయిలు విలోమానుపాతంలో ఉన్నాయని సూచిస్తున్నాయి.అయితే, Ca మరియు Mgలు K కి వ్యతిరేకం, కానీ CaK బాగా సహసంబంధం కలిగి ఉంటాయి. పొటాషియం కార్బోనేట్ వంటి ఎరువుల వాడకం దీనికి కారణం కావచ్చు, ఇది పొటాషియంలో 56% ఎక్కువగా ఉంటుంది. పొటాషియం మధ్యస్తంగా సంబంధితంగా ఉంటుంది. ఎందుకంటే పొటాషియం మెగ్నీషియం సల్ఫేట్, పొటాషియం మెగ్నీషియం నైట్రేట్ మరియు పొటాష్ వాటి లోటు స్థాయిలను పెంచడానికి నేలలకు వర్తించబడతాయి. నికెల్ Ca, K మరియు Mg లతో మధ్యస్థంగా r విలువలు = 0.52, 0.63 మరియు 0.55 వంటి వాటితో సహసంబంధం కలిగి ఉంటుంది. మెగ్నీషియం కాల్షియం శోషణను నిరోధిస్తుంది, కాల్షియం అదనపు మెగ్నీషియం యొక్క ప్రభావాలను తగ్గిస్తుంది మరియు మెగ్నీషియం మరియు కాల్షియం రెండూ మట్టిలో నికెల్ యొక్క విష ప్రభావాలను తగ్గిస్తాయి.
ప్రిడిక్టర్లు మరియు ప్రతిస్పందనల మధ్య సంబంధాన్ని చూపే మూలకాల కోసం సహసంబంధ మాతృక (గమనిక: ఈ సంఖ్య మూలకాల మధ్య స్కాటర్ప్లాట్ను కలిగి ఉంటుంది, ప్రాముఖ్యత స్థాయిలు p <0,001పై ఆధారపడి ఉంటాయి).
మూర్తి 4 మూలకాల యొక్క ప్రాదేశిక పంపిణీని వివరిస్తుంది. Burgos et al70 ప్రకారం, స్పేషియల్ డిస్ట్రిబ్యూషన్ యొక్క అప్లికేషన్ అనేది కలుషిత ప్రాంతాలలో హాట్ స్పాట్లను లెక్కించడానికి మరియు హైలైట్ చేయడానికి ఉపయోగించే ఒక టెక్నిక్. Fig. 4లోని Ca యొక్క సుసంపన్నత స్థాయిలు 4 వాయువ్య భాగంలో చూడవచ్చు. మ్యాప్ యొక్క వాయువ్య భాగంలో మట్టి ఆమ్లతను తగ్గించడానికి క్విక్లైమ్ (కాల్షియం ఆక్సైడ్) ఉపయోగించడం మరియు ఉక్కు తయారీ ప్రక్రియలో ఆల్కలీన్ ఆక్సిజన్గా ఉక్కు కర్మాగారాల్లో దీనిని ఉపయోగించడం వలన అవకాశం ఉంది. మరోవైపు, ఇతర రైతులు ఆమ్ల నేలల్లో కాల్షియం హైడ్రాక్సైడ్ను పిహెచ్ని తటస్తం చేయడానికి ఇష్టపడతారు, ఇది తూర్పు నేలలో కాల్షియం 71 వేడిని పెంచుతుంది. నార్త్వెస్ట్ ఒక ప్రధాన వ్యవసాయ సంఘం, మరియు పొటాషియం యొక్క మోస్తరు నుండి అధిక నమూనా NPK మరియు పొటాష్ అప్లికేషన్ల కారణంగా ఉండవచ్చు. ఇది మదరాస్ మరియు లిపావ్స్కీ72, మదారస్ మరియు ఇతరులు.73, పుల్క్రాబోవా మరియు ఇతరులు వంటి ఇతర అధ్యయనాలకు అనుగుణంగా ఉంటుంది.పంపిణీ పటం యొక్క వాయువ్యంలో ప్రాదేశిక పొటాషియం సుసంపన్నం అనేది పొటాషియం-ఆధారిత ఎరువులైన పొటాషియం క్లోరైడ్, పొటాషియం సల్ఫేట్, పొటాషియం నైట్రేట్, పొటాష్ మరియు పొటాష్ పేద నేలల్లోని పొటాషియం కంటెంట్ను పెంచడానికి ఉపయోగించడం వల్ల కావచ్చు.Zádorová et al.76 మరియు ట్లుస్టోస్ మరియు ఇతరులు.77 K- ఆధారిత ఎరువుల వాడకం మట్టిలో K కంటెంట్ను పెంచుతుందని మరియు దీర్ఘకాలంలో నేల పోషక పదార్థాన్ని గణనీయంగా పెంచుతుందని వివరించింది, ముఖ్యంగా K మరియు Mg మట్టిలో హాట్ స్పాట్ను చూపుతుంది. మ్యాప్ యొక్క వాయువ్య మరియు మ్యాప్ యొక్క ఆగ్నేయంలో సాపేక్షంగా మితమైన హాట్స్పాట్లు కనిపిస్తాయి. పొటాషియం మెగ్నీషియం సల్ఫేట్, మెగ్నీషియం సల్ఫేట్ మరియు కీసెరైట్ వంటి మెగ్నీషియం ఆధారిత ఎరువులు, సాధారణ pH పరిధి ఉన్న నేలల్లో లోపాలను (మొక్కలు ఊదా, ఎరుపు లేదా గోధుమ రంగులో కనిపిస్తాయి, మెగ్నీషియం లోపాన్ని సూచిస్తాయి) నివారిస్తాయి. స్టెయిన్లెస్ స్టీల్ ఉత్పత్తిలో el78.
మూలకాల యొక్క ప్రాదేశిక పంపిణీ [ప్రాదేశిక పంపిణీ మ్యాప్ ArcGIS డెస్క్టాప్ (ESRI, Inc, వెర్షన్ 10.7, URL: https://desktop.arcgis.com) ఉపయోగించి సృష్టించబడింది.]
ఈ అధ్యయనంలో ఉపయోగించిన మూలకాల కోసం మోడల్ పనితీరు సూచిక ఫలితాలు టేబుల్ 2లో చూపబడ్డాయి. మరోవైపు, Ni యొక్క RMSE మరియు MAE రెండూ సున్నాకి దగ్గరగా ఉన్నాయి (0.86 RMSE, -0.08 MAE). మరోవైపు, K యొక్క RMSE మరియు MAE విలువలు రెండూ ఆమోదయోగ్యమైనవి. RMSE మరియు MAE ఫలితాలు చాలా పెద్దవిగా ఉంటాయి. వివిధ డేటాసెట్ల కారణంగా r. Ni ని అంచనా వేయడానికి EBKని ఉపయోగించి ఈ అధ్యయనం యొక్క RMSE మరియు MAE జాన్ మరియు ఇతరుల ఫలితాల కంటే మెరుగైనవిగా గుర్తించబడ్డాయి.54 అదే సేకరించిన డేటాను ఉపయోగించి మట్టిలో S సాంద్రతలను అంచనా వేయడానికి సినర్జిస్టిక్ క్రిగింగ్ని ఉపయోగించడం. మేము అధ్యయనం చేసిన EBK అవుట్పుట్లు ఫాబిజాజిక్ మరియు ఇతరులతో పరస్పర సంబంధం కలిగి ఉన్నాయి.41, యాన్ మరియు ఇతరులు.79, బెగ్విన్ మరియు ఇతరులు.80, అధికారి మరియు ఇతరులు.81 మరియు జాన్ మరియు ఇతరులు.82, ముఖ్యంగా K మరియు Ni.
అర్బన్ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ కంటెంట్ను అంచనా వేయడానికి వ్యక్తిగత పద్ధతుల పనితీరు మోడల్ల పనితీరును ఉపయోగించి మూల్యాంకనం చేయబడింది (టేబుల్ 3). మోడల్ ధ్రువీకరణ మరియు ఖచ్చితత్వ మూల్యాంకనం EBK SVMR మోడల్తో కలిపి Ca_Mg_K ప్రిడిక్టర్ ఉత్తమ పనితీరును అందించిందని నిర్ధారించింది. కాలిబ్రేషన్ మోడల్ Ca_Mg_SV సగటు దోషం మరియు సగటు RSE M లోపం. (MAE) 0.637 (R2), 95.479 mg/kg (RMSE) మరియు 77.368 mg/kg (MAE) Ca_Mg_K-SVMR 0.663 (R2), 235.974 mg/kg (RMSE) మరియు 166.974 mg/kg (RMSE) మరియు 166.974 mg/kg (RMSE) మరియు 166.946 mg K-SVMR (0.663 mg/kg R2) మరియు Ca_Mg-EBK_SVMR (0.643 = R2);వారి RMSE మరియు MAE ఫలితాలు Ca_Mg_K-EBK_SVMR (R2 0.637) కంటే ఎక్కువగా ఉన్నాయి (టేబుల్ 3 చూడండి).అంతేకాకుండా, Ca_Mg-EBK_SVMR యొక్క RMSE మరియు MAE (RMSE = 1664.64 మరియు MAE = 1035 కంటే పెద్దవి, 1.3, 1031 మోడల్). Ca_Mg_K-EBK_SVMR. అదే విధంగా, Ca_Mg-K SVMR (RMSE = 235.974 మరియు MAE = 166.946) మోడల్కు చెందిన RMSE మరియు MAEలు 2.5 మరియు 2.2 పెద్దవిగా ఉంటాయి. అవి Ca_Mg_SE_K-EBK ఫలితాల కంటే 2.2 పెద్దవిగా ఉంటాయి. డేటా సెట్ ఉత్తమంగా సరిపోయే లైన్తో కేంద్రీకృతమై ఉంది. అధిక RSME మరియు MAE గమనించబడ్డాయి. కెబోనీ మరియు ఇతరుల ప్రకారం.46 మరియు జాన్ మరియు ఇతరులు.54, RMSE మరియు MAE సున్నాకి దగ్గరగా ఉంటే, ఫలితాలు మెరుగ్గా ఉంటాయి. SVMR మరియు EBK_SVMR లు అధిక పరిమాణాత్మక RSME మరియు MAE విలువలను కలిగి ఉన్నాయి. RSME అంచనాలు MAE విలువల కంటే స్థిరంగా ఎక్కువగా ఉన్నాయని గమనించబడింది, ఇది ఔట్లయర్ల ఉనికిని సూచిస్తుంది. McC లెగేట్ల ప్రకారం McC లెగేట్ల ప్రకారం 8 పరిధిని మించిపోయింది. E) అవుట్లైయర్ల ఉనికికి సూచికగా సిఫార్సు చేయబడింది. దీనర్థం డేటాసెట్ మరింత వైవిధ్యంగా ఉంటే, MAE మరియు RMSE విలువలు ఎక్కువగా ఉంటాయి. పట్టణ మరియు సబర్బన్ నేలల్లో Ni కంటెంట్ని అంచనా వేయడానికి Ca_Mg_K-EBK_SVMR మిశ్రమ నమూనా యొక్క క్రాస్-వాలిడేషన్ అసెస్మెంట్ యొక్క ఖచ్చితత్వం Liet 63.70%.59, ఈ స్థాయి ఖచ్చితత్వం ఆమోదయోగ్యమైన మోడల్ పనితీరు రేటు. ప్రస్తుత ఫలితాలు తారాసోవ్ మరియు ఇతరుల మునుపటి అధ్యయనంతో పోల్చబడ్డాయి.ప్రస్తుత అధ్యయనంలో నివేదించబడిన EBK_SVMR ఖచ్చితత్వ మూల్యాంకన సూచికకు సంబంధించి, దీని హైబ్రిడ్ మోడల్ MLPRK (మల్టీలేయర్ పెర్సెప్ట్రాన్ రెసిడ్యువల్ క్రిగింగ్)ను సృష్టించింది, RMSE (210) మరియు The MAE (167.5) ప్రస్తుత అధ్యయనంలో మా ఫలితాల కంటే ఎక్కువగా ఉంది (RMSE ప్రస్తుత అధ్యయనంలో 2 (0.637) తారాసోవ్ మరియు ఇతరులతో.36 (0.544), ఈ మిశ్రమ మోడల్లో డిటర్మినేషన్ కోఎఫీషియంట్ (R2) ఎక్కువగా ఉందని స్పష్టమైంది. మిక్స్డ్ మోడల్కు మార్జిన్ ఆఫ్ ఎర్రర్ (RMSE మరియు MAE) (EBK SVMR) రెండు రెట్లు తక్కువగా ఉంది. అదేవిధంగా, సెర్గీవ్ మరియు ఇతరులు 0.28 (R2)ని నమోదు చేశారు, అయితే అభివృద్ధి చేసిన కరెంట్ రీబ్రీడ్ మోడల్ 0.637 (R2) నమోదైంది. ఈ మోడల్ (EBK SVMR) యొక్క అంచనా ఖచ్చితత్వం స్థాయి 63.7%, అయితే సెర్జీవ్ మరియు ఇతరులు పొందిన అంచనా ఖచ్చితత్వం.34 28%. EBK_SVMR మోడల్ మరియు Ca_Mg_Kని ప్రిడిక్టర్గా ఉపయోగించి రూపొందించిన చివరి మ్యాప్ (Fig. 5) హాట్ స్పాట్ల అంచనాలను చూపుతుంది మరియు మొత్తం అధ్యయన ప్రాంతంపై నికెల్ నుండి నికెల్కు మధ్యస్థంగా ఉంటుంది. దీనర్థం అధ్యయన ప్రాంతంలో నికెల్ సాంద్రత ప్రధానంగా మధ్యస్థంగా ఉంటుంది, కొన్ని నిర్దిష్ట ప్రాంతాలలో అధిక సాంద్రతలు ఉంటాయి.
ఫైనల్ ప్రిడిక్షన్ మ్యాప్ హైబ్రిడ్ మోడల్ EBK_SVMRని ఉపయోగించి మరియు Ca_Mg_Kని ప్రిడిక్టర్గా ఉపయోగిస్తుంది.[ప్రాదేశిక పంపిణీ మ్యాప్ RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడింది.]
మూర్తి 6లో ప్రదర్శించబడినది వ్యక్తిగత న్యూరాన్లతో కూడిన కంపోజిషన్ ప్లేన్గా PTE సాంద్రతలు. చూపిన విధంగా కాంపోనెంట్ ప్లేన్లు ఏవీ ఒకే రంగు నమూనాను ప్రదర్శించలేదు. అయితే, గీసిన మ్యాప్కు తగిన సంఖ్యలో న్యూరాన్ల సంఖ్య 55.SeOM వివిధ రంగులను ఉపయోగించి ఉత్పత్తి చేయబడుతుంది మరియు మరింత సారూప్యమైన రంగు నమూనాలను ఉపయోగించి, వాటి నమూనాలను పోల్చవచ్చు. Mg) ఒకే అధిక న్యూరాన్లు మరియు చాలా తక్కువ న్యూరాన్లకు ఒకే విధమైన రంగు నమూనాలను చూపించాయి. అందువల్ల, CaK మరియు CaMg చాలా ఎక్కువ-ఆర్డర్ న్యూరాన్లు మరియు తక్కువ-నుండి-మధ్యస్థ రంగు నమూనాలతో కొన్ని సారూప్యతలను పంచుకుంటాయి. రెండు నమూనాలు మట్టిలో Ni యొక్క సాంద్రతను అంచనా వేస్తాయి. తక్కువ నుండి ఎక్కువ వరకు ఖచ్చితమైన రంగు స్కేల్, మోడల్ యొక్క కాంపోనెంట్ల ప్లానర్ డిస్ట్రిబ్యూషన్ నమూనా మట్టిలో నికెల్ సంభావ్య సాంద్రతను సూచించే అధిక రంగు నమూనాను చూపించింది (మూర్తి 4 చూడండి). CakMg మోడల్ కాంపోనెంట్ ప్లేన్ ఖచ్చితమైన రంగు స్కేల్ ప్రకారం తక్కువ నుండి ఎక్కువ వరకు విభిన్న రంగుల నమూనాను చూపుతుంది. ure 5.రెండు గ్రాఫ్లు పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ సాంద్రతల యొక్క అధిక, మధ్యస్థ మరియు తక్కువ నిష్పత్తులను చూపుతాయి. ప్రతి మోడల్లోని అంచనా విలువ ఆధారంగా మూడు క్లస్టర్లుగా విభజించబడిన k-మీన్స్ సమూహంలోని ఆకృతి పద్ధతిని మూర్తి 7 వర్ణిస్తుంది. 74.క్లస్టర్ 2 33 నమూనాలను అందుకుంది, అయితే క్లస్టర్ 3 8 నమూనాలను పొందింది. సరైన క్లస్టర్ వివరణను అనుమతించడానికి ఏడు-భాగాల ప్లానర్ ప్రిడిక్టర్ కలయిక సరళీకృతం చేయబడింది. నేల ఏర్పడటాన్ని ప్రభావితం చేసే అనేక మానవజన్య మరియు సహజ ప్రక్రియల కారణంగా, పంపిణీ చేయబడిన SeOM మ్యాప్లో క్లస్టర్ నమూనాలను సరిగ్గా విభజించడం కష్టం.
ప్రతి ఎంపిరికల్ బయేసియన్ క్రిగింగ్ సపోర్ట్ వెక్టర్ మెషిన్ (EBK_SVM_SeOM) వేరియబుల్ ద్వారా కాంపోనెంట్ ప్లేన్ అవుట్పుట్.[SeOM మ్యాప్లు RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడ్డాయి.]
విభిన్న క్లస్టర్ వర్గీకరణ భాగాలు [SeOM మ్యాప్లు RStudio (వెర్షన్ 1.4.1717: https://www.rstudio.com/) ఉపయోగించి సృష్టించబడ్డాయి.]
ప్రస్తుత అధ్యయనం పట్టణ మరియు పెరి-అర్బన్ నేలల్లో నికెల్ సాంద్రతల కోసం మోడలింగ్ పద్ధతులను స్పష్టంగా వివరిస్తుంది. ఈ అధ్యయనం మట్టిలో నికెల్ సాంద్రతలను అంచనా వేయడానికి ఉత్తమమైన మార్గాన్ని పొందడం కోసం వివిధ మోడలింగ్ పద్ధతులను పరీక్షించింది. అయితే, స్పేషియల్ డిస్ట్రిబ్యూషన్ మ్యాప్ EBK_SVMR ద్వారా ప్రదర్శించబడిన కాంపోనెంట్స్ యొక్క ప్లానర్ స్పేషియల్ డిస్ట్రిబ్యూషన్ను నిర్ధారిస్తుంది (మూర్తి 5 చూడండి).సపోర్ట్ వెక్టర్ మెషిన్ రిగ్రెషన్ మోడల్ (Ca Mg K-SVMR) మట్టిలో Ni యొక్క గాఢతను ఒకే మోడల్గా అంచనా వేస్తుందని ఫలితాలు చూపిస్తున్నాయి, అయితే RM అధిక ధృవీకరణ మరియు accurmeter పరంగా RE అధిక ప్రమాణం మరియు ధృవీకరణ పారామీటర్లు మరోవైపు, EBK_MLR మోడల్తో ఉపయోగించిన మోడలింగ్ టెక్నిక్ కూడా తక్కువ విలువ కలిగిన డిటర్మినేషన్ (R2) కారణంగా లోపభూయిష్టంగా ఉంది. EBK SVMR మరియు తక్కువ RMSE మరియు MAE లోపాలతో కలిపి మూలకాలు (CaKMg) ఉపయోగించి 63.7% ఖచ్చితత్వంతో మంచి ఫలితాలు సాధించబడ్డాయి. మట్టిలో PTEల ఏకాగ్రతను అంచనా వేయగల హైబ్రిడ్ అల్గారిథమ్. అధ్యయన ప్రాంతంలో Ni సాంద్రతలను అంచనా వేయడానికి Ca Mg K ని ప్రిడిక్టర్లుగా ఉపయోగించడం ద్వారా నేలల్లో Ni యొక్క అంచనాను మెరుగుపరుస్తుంది. అంటే ఉక్కు పరిశ్రమ ద్వారా నేలపై నికెల్ ఆధారిత ఎరువులు మరియు పారిశ్రామిక కాలుష్యం యొక్క నిరంతర వినియోగం వల్ల EK నమూనా మట్టి స్థాయిని మెరుగుపరుస్తుంది. పట్టణ లేదా పెరి-అర్బన్ నేలల్లో నేల ప్రాదేశిక పంపిణీ నమూనా యొక్క ఖచ్చితత్వం. సాధారణంగా, మట్టిలో PTEని అంచనా వేయడానికి మరియు అంచనా వేయడానికి EBK-SVMR నమూనాను వర్తింపజేయాలని మేము ప్రతిపాదిస్తాము;అదనంగా, మేము వివిధ యంత్ర అభ్యాస అల్గారిథమ్లతో హైబ్రిడైజ్ చేయడానికి EBKని ఉపయోగించాలని ప్రతిపాదిస్తున్నాము. మూలకాలను కోవేరియేట్లుగా ఉపయోగించి Ni సాంద్రతలు అంచనా వేయబడ్డాయి;అయినప్పటికీ, మరిన్ని కోవేరియేట్లను ఉపయోగించడం మోడల్ పనితీరును బాగా మెరుగుపరుస్తుంది, ఇది ప్రస్తుత పని యొక్క పరిమితిగా పరిగణించబడుతుంది. ఈ అధ్యయనం యొక్క మరొక పరిమితి ఏమిటంటే డేటాసెట్ల సంఖ్య 115. అందువల్ల, మరింత డేటా అందించినట్లయితే, ప్రతిపాదిత ఆప్టిమైజ్ చేసిన హైబ్రిడైజేషన్ పద్ధతి యొక్క పనితీరును మెరుగుపరచవచ్చు.
మొక్కలు మరియు నేలలో PlantProbs.net.Nickel https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 ఏప్రిల్ 2021న యాక్సెస్ చేయబడింది).
కాస్ప్రజాక్, KS నికెల్ ఆధునిక పర్యావరణ టాక్సికాలజీలో అభివృద్ధి చెందాడు.సరౌండింగ్స్.టాక్సికాలజీ.11, 145–183 (1987).
సెంపెల్, M. & నికెల్, G. నికెల్: ఎ రివ్యూ ఆఫ్ ఇట్స్ సోర్స్ అండ్ ఎన్విరాన్మెంటల్ టాక్సికాలజీ
Freedman, B. & Hutchinson, TC కెనడాలోని అంటారియోలోని సడ్బరీలోని ఒక నికెల్-కాపర్ స్మెల్టర్ సమీపంలో వాతావరణం మరియు నేల మరియు వృక్షసంపద నుండి కాలుష్యం ఇన్పుట్.can.J.Bot.58(1), 108-132.https://doi.org/10.1139/b80-014 (1980).
మన్యివా, T. et al.బోట్స్వానాలోని సెలెబి-ఫిక్వే కాపర్-నికెల్ గని సమీపంలో మట్టి, మొక్కలు మరియు మేత రుమినెంట్లలోని భారీ లోహాలు మరియు ప్రమాదాలు
Cabata-Pendias.Kabata-Pendias A. 2011. మట్టిలో మూలకాలను గుర్తించండి మరియు… – Google స్కాలర్ https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Tracepl+th+soilants+4.Yandinplies+Elements. %28NY%29%3A+CRC+Press&btnG= (24 నవంబర్ 2020న యాక్సెస్ చేయబడింది).
Almås, A., Singh, B., అగ్రికల్చర్, TS-NJ ఆఫ్ & 1995, నిర్వచించబడలేదు. సోయర్-వరాంజర్, Norway.agris.fao.orgలో వ్యవసాయ నేలలు మరియు గడ్డిలో హెవీ మెటల్ సాంద్రతలపై రష్యన్ నికెల్ పరిశ్రమ యొక్క ప్రభావాలు.
నీల్సన్, GD et al.నికెల్ శోషణ మరియు త్రాగునీటిలో నిలుపుదల ఆహారం తీసుకోవడం మరియు నికెల్ సెన్సిటివిటీకి సంబంధించినవి.toxicology.application.Pharmacodynamics.154, 67–75 (1999).
కోస్టా, M. & క్లీన్, CB నికెల్ కార్సినోజెనిసిస్, మ్యుటేషన్, ఎపిజెనెటిక్స్ లేదా సెలెక్షన్
అజ్మాన్, PC;అజాడో, SK;బోర్వ్కా, ఎల్.;బిని, JKM;సర్కోడి, VYO;కోబోనీ, NM;విషపూరిత మూలకాల యొక్క ట్రెండ్ విశ్లేషణ: ఒక బిబ్లియోమెట్రిక్ సమీక్ష
Minasny, B. & McBratney, AB డిజిటల్ సాయిల్ మ్యాపింగ్: ఎ బ్రీఫ్ హిస్టరీ అండ్ సమ్ లెసన్స్.Geoderma 264, 301–311.https://doi.org/10.1016/j.geoderma.2015.07.017 (2016).
McBratney, AB, Mendonça Santos, ML & Minasny, B. ఆన్ డిజిటల్ సాయిల్ మ్యాపింగ్.Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003).
Deutsch.CV జియోస్టాటిస్టికల్ రిజర్వాయర్ మోడలింగ్,… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=CV+Deutsch%2C+2002%2C+Geostatistical+Reservoir+Modeling%2C+Oversity. nG= (28 ఏప్రిల్ 2021న పొందబడింది).
పోస్ట్ సమయం: జూలై-22-2022