Nature.com پر جانے کے لیے آپ کا شکریہ۔ آپ جو براؤزر ورژن استعمال کر رہے ہیں اس میں CSS کے لیے محدود سپورٹ ہے۔ بہترین تجربے کے لیے، ہم تجویز کرتے ہیں کہ آپ ایک اپ ڈیٹ شدہ براؤزر استعمال کریں (یا انٹرنیٹ ایکسپلورر میں کمپیٹیبلٹی موڈ آف کریں)۔ اس دوران، مسلسل سپورٹ کو یقینی بنانے کے لیے، ہم اس سائٹ کو اسٹائلز اور جاوا اسکرپٹ کے بغیر ڈسپلے کریں گے۔
مٹی کی آلودگی انسانی سرگرمیوں کی وجہ سے پیدا ہونے والا ایک بڑا مسئلہ ہے۔ ممکنہ طور پر زہریلے عناصر (PTEs) کی مقامی تقسیم زیادہ تر شہری اور پیری-شہری علاقوں میں مختلف ہوتی ہے۔ اس لیے ایسی مٹی میں PTEs کے مواد کی مقامی طور پر پیش گوئی کرنا مشکل ہے۔ کل 115 نمونے Frydek Cmagcium C)، the Frydek Cmagciumc (Republic) سے حاصل کیے گئے۔ assium (K) اور نکل (Ni) کے ارتکاز کا تعین inductively coled plasma Emission spectrometry کا استعمال کرتے ہوئے کیا گیا تھا۔ ردعمل متغیر Ni ہے اور پیشین گوئی کرنے والے Ca, Mg اور K ہیں۔ رسپانس متغیر اور پیشین گوئی کرنے والے متغیر کے درمیان ارتباط کا میٹرکس ایک تسلی بخش ظاہر کرتا ہے جو VMR correction کے نتائج کو ظاہر کرتا ہے۔ اچھی کارکردگی کا مظاہرہ کیا، حالانکہ اس کی تخمینی جڑ کا مطلب مربع غلطی (RMSE) (235.974 mg/kg) اور مطلب مطلق غلطی (MAE) (166.946 mg/kg) لاگو کیے گئے دیگر طریقوں سے زیادہ تھے۔ تجرباتی Bayesian Kriging-Multiple Linear Regression (EB) کے مقابلے میں کم کارکردگی کے ثبوت کے طور پر مخلوط ماڈلز۔ 1. The Empirical Bayesian Kriging-Support Vector Machine Regression (EBK-SVMR) ماڈل بہترین ماڈل تھا، جس میں کم RMSE (95.479 mg/kg) اور MAE (77.368 mg/kg) کی قدریں اور اعلیٰ گتانک کا تعین (R2 = 0.6.6 EMR) تکنیک کا استعمال کرتے ہوئے خود ساختہ ماڈل ہے۔ ہائبرڈ ماڈل CakMg-EBK-SVMR جزو کے ہوائی جہاز میں کلسٹرڈ نیوران متعدد رنگوں کے نمونے دکھاتے ہیں جو شہری اور پیری شہری مٹیوں میں نی کی ارتکاز کی پیشن گوئی کرتے ہیں۔ نتائج ظاہر کرتے ہیں کہ EBK اور SVMR کو ملانا ایک مؤثر تکنیک ہے۔
نکل (Ni) کو پودوں کے لیے ایک مائیکرو نیوٹرینٹ سمجھا جاتا ہے کیونکہ یہ فضا میں نائٹروجن کی درستگی (N) اور یوریا میٹابولزم میں حصہ ڈالتا ہے، یہ دونوں بیج کے انکرن کے لیے ضروری ہیں۔ پتوں کا۔ مثال کے طور پر، کاؤ دال اور سبز پھلیاں نائٹروجن کی درستگی کو بہتر بنانے کے لیے نکل پر مبنی کھادوں کے استعمال کی ضرورت ہوتی ہے2۔ مٹی کو افزودہ کرنے کے لیے نکل پر مبنی کھادوں کا مسلسل استعمال اور مٹی میں نائٹروجن کو ٹھیک کرنے کے لیے پھلیوں کی صلاحیت میں اضافہ کرنے سے پودے میں مسلسل اضافہ ہوتا ہے۔ مٹی میں ضرورت سے زیادہ مقدار کا استعمال اچھے سے زیادہ نقصان پہنچا سکتا ہے۔ مٹی میں نکل کی زہریلی مقدار مٹی کے پی ایچ کو کم کرتی ہے اور پودوں کی نشوونما کے لیے ایک ضروری غذائیت کے طور پر آئرن کے اخراج میں رکاوٹ بنتی ہے۔ Liu3 کے مطابق، Ni پودوں کی نشوونما اور نشوونما کے لیے ضروری 17 واں اہم عنصر پایا گیا ہے۔ اس کے علاوہ، پودوں کی نشوونما اور نشوونما کے لیے اس کی مختلف قسم کے نکیل کی ضرورت ہوتی ہے۔ نکل پر مبنی مرکب دھاتوں کی پیداوار، اور گاڑیوں کی صنعت میں اگنیشن ڈیوائسز اور اسپارک پلگ کی تیاری کے لیے مختلف صنعتی شعبوں میں نکل کے استعمال کی ضرورت ہوتی ہے۔ اس کے علاوہ، نکل پر مبنی مرکبات اور الیکٹروپلیٹڈ اشیاء کو کچن کے سامان، بال روم کے لوازمات، کھانے کی صنعت کی سپلائی، الیکٹریکل، وائر، ٹیکسٹائل، جیکٹیبل، ٹیکسٹائل، جیکٹیبل اور ٹیکسٹائل میں بڑے پیمانے پر استعمال کیا جاتا ہے۔ 5۔زمین میں نی سے بھرپور سطحیں (یعنی سطحی مٹی) کو بشریات اور قدرتی دونوں ذرائع سے منسوب کیا گیا ہے، لیکن بنیادی طور پر، نی ایک قدرتی ذریعہ ہے بجائے انتھروپوجنک 4,6۔ نکل کے قدرتی ذرائع میں آتش فشاں پھٹنا، نباتات، جنگل کی آگ، اور ارضیاتی عمل شامل ہیں۔تاہم، اینتھروپوجنک ذرائع میں اسٹیل کی صنعت میں نکل/کیڈیمیم بیٹریاں، الیکٹروپلاٹنگ، آرک ویلڈنگ، ڈیزل اور ایندھن کے تیل، اور کوئلے کے دہن اور فضلہ اور کیچڑ کو جلانے سے نکلنے والا ماحولیاتی اخراج شامل ہیں نکل جمع7,8۔10، فوری اور ملحقہ ماحول میں اوپر کی مٹی کی آلودگی کے اہم ذرائع بنیادی طور پر نکل تانبے پر مبنی سمیلٹرز اور بارودی سرنگیں ہیں۔ کینیڈا میں سڈبری نکل-کاپر ریفائنری کے ارد گرد کی سب سے اوپر کی مٹی میں نکل کی آلودگی کی سب سے زیادہ سطح 26,000 ملی گرام/کلو گرام تھی، روس سے نکل کی آلودگی میں 11 سینٹی میٹر کی پیداوار زیادہ ہے۔ ناروے کی سرزمین میں 11. Alms et al کے مطابق۔12، خطے کی سرفہرست قابل کاشت زمین (روس میں نکل کی پیداوار) میں HNO3 نکالنے کے قابل نکل کی مقدار 6.25 سے 136.88 mg/kg کے درمیان ہے، جو کہ 30.43 mg/kg کے اوسط اور 25 mg/kg کی بنیادی ارتکاز کے مطابق ہے۔ شہری یا پیری شہری مٹیوں میں پے در پے فصلوں کے موسموں کے دوران الٹرل مٹی مٹی کو متاثر یا آلودہ کر سکتی ہے۔ انسانوں میں نکل کے ممکنہ اثرات mutagenesis، کروموسومل نقصان، Z-DNA جنریشن، بلاک شدہ DNA excision مرمت، یا epigenetic processs کے ذریعے کینسر کا باعث بن سکتے ہیں۔ اس طرح کے ٹیومر کو بڑھانا.
مٹی کے پودوں کے تعلقات، مٹی اور مٹی کے حیاتیاتی تعلقات، ماحولیاتی انحطاط، اور ماحولیاتی اثرات کی تشخیص سے پیدا ہونے والے صحت سے متعلق مسائل کی ایک وسیع رینج کی وجہ سے حالیہ دنوں میں مٹی کی آلودگی کے جائزے پروان چڑھے ہیں۔ آج تک، ممکنہ طور پر زہریلے عناصر (PTEs) کی مقامی پیشین گوئی جیسے کہ ڈیجیٹل لیبر کا استعمال کرتے ہوئے روایتی طریقہ کار کا استعمال کیا گیا ہے۔ (DSM) اور اس کی موجودہ کامیابی15 نے پیش گوئی کرنے والی مٹی کی نقشہ سازی (PSM) کو بہت بہتر بنایا ہے۔ Minasny اور McBratney16 کے مطابق، پیش گوئی کرنے والی مٹی کی نقشہ سازی (DSM) مٹی سائنس کا ایک نمایاں ذیلی شعبہ ثابت ہوا ہے۔ Lagacherie اور McBratney، 2006 نے لیبر کے نظام اور DSM کے ذریعے لیبر کی معلومات کو بھرنے کی وضاحت کی ہے۔ سرویشنل طریقے اور مقامی اور غیر مقامی مٹی کا اندازہ لگانے والے نظام"۔ میک بریٹنی ایٹ ال۔17 اس بات کا خاکہ پیش کرتا ہے کہ PTEs، مٹی کی اقسام اور مٹی کی خصوصیات کی مقامی تقسیم کی پیشن گوئی یا نقشہ سازی کے لیے عصری DSM یا PSM سب سے مؤثر تکنیک ہے۔ جیوسٹیٹسٹکس اور مشین لرننگ الگورتھم (MLA) DSM ماڈلنگ کی تکنیک ہیں جو اہم اور کم سے کم ڈیٹا کا استعمال کرتے ہوئے کمپیوٹر کی مدد سے ڈیجیٹل نقشے بناتے ہیں۔
Deutsch18 اور Olea19 جغرافیائی اعداد و شمار کو "عددی تکنیکوں کے مجموعہ کے طور پر بیان کرتے ہیں جو مقامی صفات کی نمائندگی کے ساتھ کام کرتی ہے، بنیادی طور پر اسٹاکسٹک ماڈلز کو استعمال کرتی ہے، جیسے کہ وقت کی سیریز کا تجزیہ کس طرح وقتی اعداد و شمار کی خصوصیت کرتا ہے۔"بنیادی طور پر، جیوسٹیٹسٹکس میں ویریگرامس کی تشخیص شامل ہوتی ہے، جو ہر ڈیٹا سیٹ سے مقامی قدروں کے انحصار کو مقدار اور وضاحت کی اجازت دیتے ہیں20.Gumiaux et al.20 مزید واضح کرتا ہے کہ جیوسٹیٹسٹکس میں ویریوگرامس کی تشخیص تین اصولوں پر مبنی ہے، بشمول (a) ڈیٹا کے ارتباط کے پیمانے کا حساب لگانا، (b) ڈیٹاسیٹ کے تفاوت میں anisotropy کی شناخت اور کمپیوٹنگ اور (c) اس کے علاوہ پیمائش کی موروثی غلطی کو بھی مدنظر رکھتے ہوئے، بہت سے اثرات کا تخمینہ مقامی اعداد و شمار سے الگ کیا گیا ہے۔ جیوسٹیٹسٹکس میں تکنیکوں کا استعمال کیا جاتا ہے، بشمول جنرل کریگنگ، کو-کریگنگ، عام کریگنگ، تجرباتی بایسیئن کریگنگ، سادہ کرگنگ کا طریقہ اور پی ٹی ای، مٹی کی خصوصیات، اور مٹی کی اقسام کا نقشہ یا پیش گوئی کرنے کے لیے انٹرپولیشن کی دیگر معروف تکنیک۔
مشین لرننگ الگورتھم (MLA) ایک نسبتاً نئی تکنیک ہے جو بڑی غیر لکیری ڈیٹا کلاسز کو استعمال کرتی ہے، جو بنیادی طور پر ڈیٹا مائننگ، ڈیٹا میں پیٹرن کی شناخت، اور سائنسی شعبوں جیسے مٹی سائنس اور ریٹرن ٹاسک میں درجہ بندی کے لیے بار بار استعمال کیے جانے والے الگورتھم کے ذریعے ایندھن فراہم کرتی ہے۔ متعدد تحقیقی مقالے پی ٹی ای ماڈلز پر انحصار کرتے ہیں۔22 (زرعی مٹی میں بھاری دھات کے تخمینے کے لیے بے ترتیب جنگلات)، ساکیزادہ وغیرہ۔23 (سپورٹ ویکٹر مشینوں اور مصنوعی اعصابی نیٹ ورکس کا استعمال کرتے ہوئے ماڈلنگ) مٹی کی آلودگی ) اس کے علاوہ، Vega et al.24 (زمین میں بھاری دھاتوں کو برقرار رکھنے اور جذب کرنے کے لیے کارٹ) سن ایٹ ال۔25 (کیوبسٹ کا اطلاق مٹی میں سی ڈی کی تقسیم ہے) اور دیگر الگورتھم جیسے کے-قریبی پڑوسی، عام بڑھا ہوا رجعت، اور بڑھا ہوا رجعت درختوں نے مٹی میں PTE کی پیش گوئی کرنے کے لیے ایم ایل اے کا بھی اطلاق کیا۔
پیشن گوئی یا نقشہ سازی میں DSM الگورتھم کے اطلاق کو کئی چیلنجوں کا سامنا ہے۔ بہت سے مصنفین کا خیال ہے کہ ایم ایل اے جیوسٹیٹسٹکس سے برتر ہے اور اس کے برعکس۔ اگرچہ ایک دوسرے سے بہتر ہے، دونوں کا مجموعہ DSM15 میں نقشہ سازی یا پیشین گوئی کی درستگی کی سطح کو بہتر بناتا ہے۔ Woodcock اور Gopal2626;Pontius اور Cheuk28 اور Grunwald29 پیشین گوئی شدہ مٹی کی نقشہ سازی میں کمیوں اور کچھ غلطیوں پر تبصرہ کرتے ہیں۔ مٹی کے سائنس دانوں نے DSM میپنگ اور پیشین گوئی کی تاثیر، درستگی اور پیشین گوئی کو بہتر بنانے کے لیے مختلف تکنیکوں کی کوشش کی ہے۔ غیر یقینی صورتحال اور تصدیق کا امتزاج DSM کے مختلف پہلوؤں میں سے ایک ہے۔ تاہم، Agyeman et al.15 خاکہ کہ نقشہ کی تخلیق اور پیشین گوئی کے ذریعے متعارف کرائے گئے توثیق کے رویے اور غیر یقینی صورتحال کو نقشہ کے معیار کو بہتر بنانے کے لیے آزادانہ طور پر توثیق کی جانی چاہیے۔ DSM کی حدود جغرافیائی طور پر منتشر مٹی کے معیار کی وجہ سے ہیں، جس میں غیر یقینی صورتحال کا ایک جزو شامل ہے۔تاہم، DSM میں یقین کی کمی غلطی کے متعدد ذرائع سے پیدا ہو سکتی ہے، یعنی covariate ایرر، ماڈل ایرر، لوکیشن ایرر، اور تجزیاتی ایرر 31۔ ایم ایل اے اور جیوسٹیٹسٹیکل پروسیسز میں پیدا ہونے والی ماڈلنگ کی غلطیاں سمجھ کی کمی سے وابستہ ہیں، جو بالآخر انتہائی سادہ ہونے کا باعث بنتی ہیں۔ ing پیرامیٹرز، ریاضیاتی ماڈل کی پیشن گوئیاں، یا انٹرپولیشن33۔ حال ہی میں، ایک نیا DSM رجحان ابھرا ہے جو نقشہ سازی اور پیشن گوئی میں جیوسٹیٹسٹکس اور ایم ایل اے کے انضمام کو فروغ دیتا ہے۔ متعدد مٹی کے سائنس دان اور مصنفین، جیسے سرجیف وغیرہ۔34;سببوٹینا وغیرہ۔35;تاراسوف وغیرہ۔36 اور تاراسوف وغیرہ۔37 نے ہائبرڈ ماڈل تیار کرنے کے لیے جیوسٹیٹکس اور مشین لرننگ کے درست معیار کا فائدہ اٹھایا ہے جو پیشن گوئی اور نقشہ سازی کی کارکردگی کو بہتر بناتے ہیں۔کوالٹی۔ ان میں سے کچھ ہائبرڈ یا مشترکہ الگورتھم ماڈلز ہیں مصنوعی نیورل نیٹ ورک کریگنگ (ANN-RK)، ملٹی لیئر پرسیپٹرون ریزیڈیول کریگنگ (MLP-RK)، جنرلائزڈ ریگریشن نیورل نیٹ ورک ریزیڈیوئل کریگنگ (GR-NNRK)36، آرٹیفیشل نیورل نیٹ ورک کریگنگ اور ملٹی لیئر پرسیپٹرون کریگنگ (Multi-Perceptron) سیان پروسیس ریگریشن 38۔
Sergeev et al. کے مطابق، ماڈلنگ کی مختلف تکنیکوں کو یکجا کرنے میں خامیوں کو ختم کرنے اور نتیجے میں آنے والے ہائبرڈ ماڈل کی کارکردگی کو بڑھانے کی بجائے اس کا واحد ماڈل تیار کرنے کی صلاحیت ہوتی ہے۔ اس تناظر میں، یہ نیا مقالہ استدلال کرتا ہے کہ جغرافیائی اعداد و شمار اور ایم ایل اے کے مشترکہ الگورتھم کو لاگو کرنے کے لیے ضروری ہے کہ اس سے پہلے کے ہائبرڈ اور نئبرڈ ماڈل کے لیے زیادہ سے زیادہ ہائیبرڈ ماڈل کا مطالعہ کیا جا سکے۔ بنیادی ماڈل کے طور پر تجرباتی بایسیئن کریگنگ (EBK) پر اور اسے سپورٹ ویکٹر مشین (SVM) اور ایک سے زیادہ لکیری ریگریشن (MLR) ماڈلز کے ساتھ ملا دیں۔ کسی بھی ایم ایل اے کے ساتھ EBK کی ہائبرڈائزیشن معلوم نہیں ہے۔ دیکھے جانے والے متعدد مخلوط ماڈلز عام، بقایا، رجعت پسندانہ طریقہ کار اور ایم ایل اے بی کے کے مجموعے ہیں۔ ایک spatially stochastic عمل ہے جو ایک نان سٹیشنری/ سٹیشنری رینڈم فیلڈ کے طور پر مقامی ہے جس میں فیلڈ پر متعین لوکلائزیشن پیرامیٹرز ہوتے ہیں، جس سے مقامی تغیرات کی اجازت ہوتی ہے39.EBK کو متعدد مطالعات میں استعمال کیا گیا ہے، جس میں کھیت کی مٹی میں نامیاتی کاربن کی تقسیم کا تجزیہ کرنا، مٹی کی آلودگی کی خصوصیات کا اندازہ لگانا اور مٹی کی پیمائش کرنا44۔
دوسری طرف، سیلف آرگنائزنگ گراف (SeOM) ایک سیکھنے کا الگورتھم ہے جس کا اطلاق مختلف مضامین جیسے Li et al میں کیا گیا ہے۔43، وانگ وغیرہ۔44، حسین بھویاں وغیرہ۔45 اور Kebonye et al.46 مقامی صفات اور عناصر کی گروپ بندی کا تعین کریں۔ وانگ وغیرہ۔44 اس بات کا خاکہ پیش کرتا ہے کہ SeOM ایک طاقتور سیکھنے کی تکنیک ہے جو غیر لکیری مسائل کو گروپ کرنے اور ان کا تصور کرنے کی صلاحیت کے لیے جانی جاتی ہے۔ پیٹرن کی شناخت کی دیگر تکنیکوں کے برعکس جیسے پرنسپل اجزاء کا تجزیہ، فزی کلسٹرنگ، درجہ بندی کے جھرمٹ، اور کثیر معیار پر فیصلہ سازی، SeOM Pcoreting al WTE کے پیٹرن کو ترتیب دینے اور شناخت کرنے میں بہتر ہے۔44، SeOM متعلقہ نیوران کی تقسیم کو مقامی طور پر گروپ کر سکتا ہے اور ہائی ریزولوشن ڈیٹا ویژولائزیشن فراہم کر سکتا ہے۔ SeOM براہ راست تشریح کے لیے نتائج کو نمایاں کرنے کے لیے بہترین ماڈل حاصل کرنے کے لیے نی پیشین گوئی کے ڈیٹا کا تصور کرے گا۔
اس مقالے کا مقصد شہری اور پیری شہری مٹیوں میں نکل کے مواد کی پیشن گوئی کرنے کے لیے زیادہ سے زیادہ درستگی کے ساتھ ایک مضبوط نقشہ سازی کا ماڈل تیار کرنا ہے۔ ہم یہ قیاس کرتے ہیں کہ مخلوط ماڈل کی وشوسنییتا بنیادی طور پر بیس ماڈل سے منسلک دیگر ماڈلز کے اثر و رسوخ پر منحصر ہے۔ ہم تسلیم کرتے ہیں کہ DSM کو درپیش چیلنجز کا سامنا ہے، اور یہ متعدد چیلنجز کا ایڈوانس ایڈریس کے طور پر DSM کے سامنے ہے۔ s اور ایم ایل اے کے ماڈلز بڑھتے ہوئے دکھائی دیتے ہیں۔لہذا، ہم تحقیقی سوالات کے جوابات دینے کی کوشش کریں گے جن سے مخلوط ماڈل حاصل ہو سکتے ہیں۔ تاہم، ہدف کے عنصر کی پیشین گوئی کرنے میں ماڈل کتنا درست ہے؟ اس کے علاوہ، توثیق اور درستگی کی تشخیص پر مبنی کارکردگی کی تشخیص کی سطح کیا ہے؟ اس لیے، اس مطالعہ کے مخصوص اہداف تھے (a) ایک مشترکہ EMRB ماڈل کا استعمال کرتے ہوئے EMRB یا MLB کے لیے ایک مشترکہ ماڈل بنانا نتیجے میں آنے والے ماڈلز (c) شہری یا پیری شہری مٹیوں میں Ni کی تعداد کی پیشن گوئی کرنے کے لیے بہترین مرکب ماڈل تجویز کرتے ہیں، اور (d) نکل مقامی تغیرات کا ایک اعلی ریزولوشن نقشہ بنانے کے لیے SeOM کا اطلاق۔
یہ مطالعہ چیک ریپبلک میں کیا جا رہا ہے، خاص طور پر موراویا-سائلسیئن علاقے کے فریڈک مسٹیک ضلع میں (تصویر 1 دیکھیں)۔ مطالعہ کے علاقے کا جغرافیہ بہت ناہموار ہے اور زیادہ تر موراویا-سائلسیئن بیسکیڈی خطے کا حصہ ہے، جو کہ کارپیتھین پہاڑی علاقے کے بیرونی کنارے کا حصہ ہے اور N4′ 4′ کے درمیان واقع ہے۔ 18° 20′ 0′ E، اور اونچائی 225 اور 327 میٹر کے درمیان ہے۔تاہم، خطے کی آب و ہوا کی حالت کے لیے کوپن کی درجہ بندی کے نظام کو Cfb = معتدل سمندری آب و ہوا کے طور پر درجہ بندی کیا گیا ہے، یہاں تک کہ خشک مہینوں میں بھی بہت زیادہ بارشیں ہوتی ہیں۔ درجہ حرارت −5 °C اور 24 °C کے درمیان سال بھر میں تھوڑا سا مختلف ہوتا ہے، شاذ و نادر ہی −14 °C سے نیچے گرتا ہے °C 75 °C یا اس سے اوپر، سالانہ اوسطاً 3°C °C یا اس سے اوپر کے درمیان۔ mm47. اس پورے علاقے کا تخمینہ سروے رقبہ 1,208 مربع کلومیٹر ہے، جس میں 39.38% کاشت کی گئی زمین اور 49.36% جنگلات پر مشتمل ہے۔ دوسری طرف، اس تحقیق میں استعمال ہونے والا رقبہ تقریباً 889.8 مربع کلومیٹر ہے۔ Ostrava کے اندر اور اس کے آس پاس، اسٹیل مل اور دھاتی صنعتوں میں بہت زیادہ کام کیا جاتا ہے جہاں اسٹیل مل اور میٹل انڈسٹری بہت فعال ہے۔ سٹینلیس سٹیل (مثلاً ماحولیاتی سنکنرن کے خلاف مزاحمت کے لیے) اور الائے سٹیل (نکل اپنی اچھی لچک اور سختی کو برقرار رکھتے ہوئے کھوٹ کی مضبوطی کو بڑھاتا ہے)، اور گہری زراعت جیسے کہ فاسفیٹ کھاد کا استعمال اور مویشیوں کی پیداوار خطے میں نکل کے تحقیقی ممکنہ ذرائع ہیں (مثلاً، صنعتی ترقی کی شرح میں اضافہ اور کیٹل بیم کے استعمال میں کمی)۔ تحقیقی شعبوں میں نکل میں الیکٹروپلاٹنگ میں اس کا استعمال شامل ہے، بشمول الیکٹروپلاٹنگ نکل اور الیکٹرو لیس نکل چڑھانا عمل۔ مٹی کی خصوصیات مٹی کے رنگ، ساخت اور کاربونیٹ کے مواد سے آسانی سے پہچانی جا سکتی ہیں۔ مٹی کی ساخت درمیانے سے باریک ہوتی ہے، جو بنیادی مواد سے اخذ کی جاتی ہے۔ یہ colluvial، alluvial یا aeolian ہیں، اکثر مٹی کی سطح کے ساتھ مٹی کی سطح پر ظاہر ہوتے ہیں تاہم، cambisols اور stagnosols خطے میں سب سے زیادہ عام مٹی کی اقسام ہیں48. 455.1 سے 493.5 میٹر کی بلندی کے ساتھ، کیمبیسولز جمہوریہ چیک پر حاوی ہیں۔
مطالعہ کے علاقے کا نقشہ [مطالعہ کے علاقے کا نقشہ ArcGIS ڈیسک ٹاپ (ESRI, Inc, ورژن 10.7، URL: https://desktop.arcgis.com) کا استعمال کرتے ہوئے بنایا گیا تھا۔]
Frydek Mistek ضلع میں شہری اور پیری شہری مٹی سے کل 115 سب سے اوپر مٹی کے نمونے حاصل کیے گئے تھے۔ استعمال شدہ نمونہ ایک باقاعدہ گرڈ تھا جس میں مٹی کے نمونے 2 × 2 کلومیٹر کے فاصلے پر تھے، اور سب سے اوپر کی مٹی کو 0 سے 20 سینٹی میٹر کی گہرائی میں ایک ہاتھ سے پکڑے گئے GPS کے استعمال سے ماپا گیا تھا۔ بیلڈ، اور لیبارٹری میں بھیج دیا گیا۔ نمونوں کو ہوا میں خشک کیا گیا تاکہ pulverized نمونے تیار کیے جا سکیں، ایک مکینیکل سسٹم (Fritsch ڈسک مل) کے ذریعے پلورائز کیے گئے، اور چھلنی (چھلنی کا سائز 2 ملی میٹر)۔ 1 گرام خشک، ہم جنس اور چھلنی مٹی کے نمونوں کو واضح طور پر لیبل والے teflon %3 teflon %3ml میں رکھیں۔ Cl اور 3 ملی لیٹر 65% HNO3 (ایک خودکار ڈسپنسر کا استعمال کرتے ہوئے – ہر ایک ایسڈ کے لیے ایک)، ہلکے سے ڈھانپیں اور رد عمل کے لیے نمونوں کو رات بھر کھڑے رہنے دیں (ایکوا ریجیا پروگرام)۔ سپرنٹنٹ کو گرم دھاتی پلیٹ (درجہ حرارت: 100 W اور 160 ° C) پر 2 گھنٹے کے لیے رکھیں تاکہ نمونے کو ٹھنڈا کرنے کے لیے 2 گھنٹے تک سپرنٹنٹ کو ٹھنڈا کرنے کے لیے عمل میں آسانی ہو۔ 0 ملی لیٹر والیومیٹرک فلاسک اور ڈیونائزڈ پانی کے ساتھ 50 ملی لیٹر تک پتلا کریں۔ اس کے بعد، ڈی آئیونائزڈ پانی کے ساتھ ایک 50 ملی لیٹر پی وی سی ٹیوب میں پتلے ہوئے سپرنیٹنٹ کو فلٹر کریں۔ اس کے علاوہ، 1 ملی لیٹر ڈائیولیشن سلوشن کو 9 ملی لیٹر ڈی آئیونائزڈ پانی سے ملایا گیا اور پی ٹی ای ایس ٹی ای پی ایس ٹی ای سی پی ایس کے 12 ملی لیٹر کنٹریشن میں فلٹر کیا گیا۔ s, Cd, Cr, Cu, Mn, Ni, Pb, Zn, Ca, Mg, K) کا تعین ICP-OES (Inductively Coupled Plasma Optical Emission Spectroscopy) (Thermo Fisher Scientific, USA) نے معیاری طریقوں اور معاہدے کے مطابق کیا تھا۔ کوالٹی اشورینس اور کنٹرول کو یقینی بنائیں (IIP11 کے ساتھ مونٹ ایس ٹی ای آر ایم) طریقہ کار کا پتہ لگائیں۔ اس مطالعے سے نصف سے کم آئن کی حدوں کو خارج کر دیا گیا تھا۔ اس مطالعے میں استعمال ہونے والے PTE کی کھوج کی حد 0.0004 تھی۔ (آپ)۔ اس کے علاوہ، ہر تجزیہ کے لیے کوالٹی کنٹرول اور کوالٹی اشورینس کے عمل کو حوالہ کے معیارات کا تجزیہ کرکے یقینی بنایا جاتا ہے۔ اس بات کو یقینی بنانے کے لیے کہ غلطیوں کو کم کیا گیا تھا، ایک دوہرا تجزیہ کیا گیا۔
ایمپائریکل بایسیئن کریگنگ (EBK) متعدد جیوسٹیٹسٹیکل انٹرپولیشن تکنیکوں میں سے ایک ہے جو مختلف شعبوں میں ماڈلنگ میں استعمال ہوتی ہے جیسے کہ مٹی کی سائنس۔ دیگر کریگنگ انٹرپولیشن تکنیکوں کے برعکس، EBK سیمی ویاریوگرام ماڈل کی طرف سے تخمینہ شدہ غلطی پر غور کرتے ہوئے روایتی کریجنگ طریقوں سے مختلف ہے۔ ٹرپولیشن تکنیک سیمی ویریوگرام کی اس پلاٹنگ سے وابستہ غیر یقینی صورتحال اور پروگرامنگ کے لیے راستہ بناتی ہے جو کافی کریگنگ طریقہ کار کا ایک انتہائی پیچیدہ حصہ بناتی ہے۔ EBK کا انٹرپولیشن عمل کریووروچکو50 کے تجویز کردہ تین معیارات پر عمل کرتا ہے، (a) ماڈل ان پٹ ڈیٹاسیٹ سے سیمی ویاریوگرام کا تخمینہ لگاتا ہے (b) سیمی ویاریوگرام کی قیمت میں ہر ایک سیٹ پر سیٹ شدہ ڈیٹا سیٹ (b) کے لیے نئے ڈیٹا سیٹ کی قیمت۔ حتمی A ماڈل کی گنتی ایک مصنوعی ڈیٹا سیٹ سے کی جاتی ہے
جہاں \(مسئلہ\left(A\right)\) پیشگی کی نمائندگی کرتا ہے، \(Prob\left(B\right)\) معمولی امکان کو زیادہ تر صورتوں میں نظر انداز کیا جاتا ہے، \(Prob (B,A)\ ) .سیمی ویاریوگرام کا حساب کتاب Bayes کے اصول پر مبنی ہے، جو ظاہر کرتا ہے کہ سیمی ویاریوگرام کی قدر کا استعمال کرتے ہوئے سیمی ویاریوگرام کی قدر کا تعین کیا جا سکتا ہے۔ Bayes کا قاعدہ، جو کہتا ہے کہ سیمی ویریوگرام سے مشاہدات کا ڈیٹا سیٹ بنانے کا کتنا امکان ہے۔
ایک سپورٹ ویکٹر مشین ایک مشین لرننگ الگورتھم ہے جو یکساں لیکن لکیری طور پر آزاد کلاسوں میں فرق کرنے کے لیے ایک بہترین الگ کرنے والا ہائپر پلین تیار کرتا ہے۔ Vapnik51 نے ارادے کی درجہ بندی کا الگورتھم بنایا، لیکن اسے حال ہی میں رجعت پر مبنی مسائل کو حل کرنے کے لیے استعمال کیا گیا ہے۔ Li et al.52 کے مطابق، SVM کے مختلف شعبوں میں ایک بہترین کلاسیفیکیشن ٹیکنالوجی کا استعمال کیا گیا ہے۔ اس تجزیے میں SVM (سپورٹ ویکٹر مشین ریگریشن – SVMR) کا ent استعمال کیا گیا تھا۔ Cherkassky اور Mulier53 نے SVMR کو کرنل پر مبنی ریگریشن کے طور پر پیش کیا، جس کی گنتی ایک لکیری ریگریشن ماڈل کے ساتھ ملٹی کنٹری اسپیشل فنکشنز کے ساتھ کی گئی تھی۔ ar تعلقات اور مقامی افعال کی اجازت دیتا ہے۔ ووہلینڈ وغیرہ کے مطابق۔55، epsilon (ε)-SVMR ایک epsilon-insensitive فنکشن کے طور پر نمائندگی کے ماڈل کو حاصل کرنے کے لیے تربیت یافتہ ڈیٹاسیٹ کا استعمال کرتا ہے جو کہ متعلقہ ڈیٹا پر تربیت سے بہترین ایپسیلون تعصب کے ساتھ ڈیٹا کو آزادانہ طور پر نقشہ بنانے کے لیے لاگو کیا جاتا ہے۔ پہلے سے طے شدہ فاصلے کی غلطی کو اصل قدر سے نظر انداز کر دیا جاتا ہے، اور اگر خرابی بڑی ہے تو یہ ڈیٹا کی پیچیدہ خصوصیات کو کم کرتا ہے۔ سپورٹ ویکٹرز کا وسیع تر ذیلی سیٹ۔ Vapnik51 کی تجویز کردہ مساوات ذیل میں دکھائی گئی ہے۔
جہاں بی اسکیلر کی دہلیز کی نمائندگی کرتا ہے ، \ (K \ بائیں ({x} _ {،} {x} {_ {k} \ دائیں) \) کرنل فنکشن کی نمائندگی کرتا ہے ، \ (\ الفا \) ڈیٹا پٹ _ _ _ _ _ کی نمائندگی کرتا ہے۔ استعمال ہونے والی کلیدی دانا میں سے ایک ایس وی ایم آر آپریشن ہے ، جو ایک گاوسی ریڈیل بیس فنکشن (آر بی ایف) ہے۔ آر بی ایف کے دانا کو زیادہ سے زیادہ ایس وی ایم آر ماڈل کا تعین کرنے کے لئے لاگو کیا جاتا ہے ، جو پی ٹی ای ٹریننگ ڈیٹا کے لئے سب سے زیادہ لطیف جرمانے کے سیٹ فیکٹر سی اور کرنل پیرامیٹر گاما (γ) کے لئے اہم ہے۔ سگما اور طریقہ کار کی قیمت SVMradial ہے۔
ایک سے زیادہ لکیری ریگریشن ماڈل (MLR) ایک ریگریشن ماڈل ہے جو کم از کم مربعوں کے طریقہ کار کا استعمال کرتے ہوئے حساب شدہ لکیری پولڈ پیرامیٹرز کا استعمال کرتے ہوئے رسپانس متغیر اور متعدد پیش گو متغیر کے درمیان تعلق کی نمائندگی کرتا ہے۔ وضاحتی متغیرات کے ساتھ خطی تعلق قائم کرنے کے لیے ردعمل متغیر کے طور پر۔ MLR مساوات ہے
جہاں y رسپانس متغیر ہے، \(a\) انٹرسیپٹ ہے، n پیشین گوئی کرنے والوں کی تعداد ہے، \({b}_{1}\) گتانکوں کا جزوی رجعت ہے، \({x}_{i}\) ایک پیش گو یا وضاحتی متغیر کی نمائندگی کرتا ہے، اور \({\varepsilon }_{i}\) کی نمائندگی کرنے والے ماڈل کے طور پر بھی جانا جاتا ہے۔
مخلوط ماڈلز EBK کو SVMR اور MLR کے ساتھ سینڈویچ کر کے حاصل کیے گئے تھے۔ یہ EBK انٹرپولیشن سے پیش گوئی کی گئی قدروں کو نکال کر کیا جاتا ہے۔ انٹرپولیٹڈ Ca, K, اور Mg سے حاصل کی گئی پیشن گوئی کی قدریں نئے متغیرات حاصل کرنے کے لیے ایک امتزاج کے عمل کے ذریعے حاصل کی جاتی ہیں، جیسے کہ CaK اور KM کے عناصر، CaKM، OBKM، اور Cabin کے عناصر۔ ایک چوتھا متغیر، CaKMg۔مجموعی طور پر، حاصل کیے گئے متغیرات ہیں Ca, K, Mg, CaK, CaMg, KMg اور CaKMg۔ یہ متغیرات ہمارے پیش گو بن گئے، جو شہری اور پیری-شہری مٹی میں نکل کے ارتکاز کی پیش گوئی کرنے میں مدد کرتے ہیں۔ سپورٹ ویکٹر مشین (EBK_SVM)۔ اسی طرح، متغیرات کو بھی MLR الگورتھم کے ذریعے پائپ کیا جاتا ہے تاکہ ایک مخلوط ماڈل امپیریکل بایسیئن کریگنگ-ملٹیپل لائنر ریگریشن (EBK_MLR) حاصل کیا جاسکے۔ عام طور پر متغیرات Ca, K, Mg, Cavariables کو Cavariables, K, Mg, Cavariables کے بطور Cavariables, K, Mg, Cavari Mg, KMg, KMg, کے طور پر استعمال کیا جاتا ہے۔ شہری اور پیری شہری مٹیوں میں۔ حاصل کردہ سب سے زیادہ قابل قبول ماڈل (EBK_SVM یا EBK_MLR) پھر خود کو ترتیب دینے والے گراف کا استعمال کرتے ہوئے تصور کیا جائے گا۔ اس مطالعہ کا ورک فلو شکل 2 میں دکھایا گیا ہے۔
SeOM کا استعمال مالیاتی شعبے، صحت کی دیکھ بھال، صنعت، شماریات، مٹی کی سائنس اور مزید میں ڈیٹا کو ترتیب دینے، جانچنے اور پیشن گوئی کرنے کے لیے ایک مقبول ٹول بن گیا ہے۔ SeOM کو مصنوعی اعصابی نیٹ ورکس اور تنظیم، تشخیص، اور پیشین گوئی کے لیے غیر زیر نگرانی سیکھنے کے طریقوں کا استعمال کرتے ہوئے بنایا گیا ہے۔ اس مطالعہ میں، SeOM کا استعمال Ni-visurban کے لیے بہترین نمونہ سازی کے لیے کیا گیا تھا۔ soils.SeOM تشخیص میں پروسیس شدہ ڈیٹا کو n input-dimensional vector variables43,56.Melssen et al کے طور پر استعمال کیا جاتا ہے۔57 ایک ان پٹ ویکٹر کے نیورل نیٹ ورک میں سنگل ان پٹ لیئر کے ذریعے کسی ایک وزنی ویکٹر کے ساتھ آؤٹ پٹ ویکٹر کے کنکشن کی وضاحت کرتا ہے۔ SeOM کی طرف سے تیار کردہ آؤٹ پٹ ایک دو جہتی نقشہ ہے جس میں مختلف نیوران یا نوڈس ہیکساگونل، سرکلر، یا مربع ٹاپولوجیکل نقشوں میں بنے ہوئے ہیں ان کی قربت کے مطابق۔ خرابی (TE)، بالترتیب 0.086 اور 0.904 کے ساتھ SeOM ماڈل کو منتخب کیا گیا ہے، جو کہ 55-نقشے کی اکائی (5 × 11) ہے۔ نیوران کی ساخت کا تعین تجرباتی مساوات میں نوڈس کی تعداد کے مطابق کیا جاتا ہے۔
اس مطالعے میں استعمال ہونے والے ڈیٹا کی تعداد 115 نمونے ہے۔ ڈیٹا کو ٹیسٹ ڈیٹا (25% توثیق کے لیے) اور ٹریننگ ڈیٹا سیٹس (75% انشانکن کے لیے) میں تقسیم کرنے کے لیے ایک بے ترتیب طریقہ استعمال کیا گیا تھا۔ ٹریننگ ڈیٹاسیٹ کا استعمال ریگریشن ماڈل (کیلیبریشن) بنانے کے لیے کیا جاتا ہے، اور ٹیسٹ ڈیٹاسیٹ کا استعمال اس بات کی تصدیق کرنے کے لیے کیا جاتا ہے کہ مختلف مواد کی تیاری کے لیے پہلے سے تیار کردہ مواد کی قابلیت کی تصدیق کی گئی۔ .استعمال شدہ تمام ماڈلز دس گنا کراس توثیق کے عمل سے گزرے، پانچ بار دہرائے گئے۔ EBK انٹرپولیشن کے ذریعہ تیار کردہ متغیرات کو ٹارگٹ ویری ایبل (PTE) کی پیشین گوئی کرنے کے لیے پیشین گو یا وضاحتی متغیر کے طور پر استعمال کیا جاتا ہے۔ "plyr")، لائبریری ("caTools")، لائبریری ("prospectr") اور لائبریریاں ("میٹرکس")۔
مٹی میں نکل کے ارتکاز کی پیشن گوئی کے لیے موزوں بہترین ماڈل کا تعین کرنے اور ماڈل کی درستگی اور اس کی توثیق کے لیے مختلف توثیق کے پیرامیٹرز کا استعمال کیا گیا۔ ہائبرڈائزیشن ماڈلز کا اندازہ اوسط مطلق غلطی (MAE)، جڑ کا مطلب مربع غلطی (RMSE)، اور R-squared یا coefficient of the refined dereportes (proported reported definances) کا استعمال کرتے ہوئے کیا گیا۔ ریگریشن ماڈل کے ذریعے۔ آزادانہ اقدامات میں RMSE اور تغیر کی شدت ماڈل کی پیشین گوئی کی طاقت کو بیان کرتی ہے، جب کہ MAE اصل مقداری قدر کا تعین کرتا ہے۔ توثیق کے پیرامیٹرز کا استعمال کرتے ہوئے بہترین مرکب ماڈل کا اندازہ کرنے کے لیے R2 کی قدر زیادہ ہونی چاہیے، قدر 1 کے جتنی قریب ہوگی، درستگی کی درستگی اتنی ہی زیادہ ہوگی۔59، 0.75 یا اس سے زیادہ کی R2 کسوٹی قدر کو ایک اچھا پیش گو سمجھا جاتا ہے۔0.5 سے 0.75 تک قابل قبول ماڈل کی کارکردگی ہے، اور 0.5 سے کم ماڈل کی کارکردگی ناقابل قبول ہے۔ RMSE اور MAE کی توثیق کے معیار کی تشخیص کے طریقوں کا استعمال کرتے ہوئے ماڈل کا انتخاب کرتے وقت، حاصل کردہ کم قدریں کافی تھیں اور انہیں بہترین انتخاب سمجھا جاتا تھا۔ درج ذیل مساوات توثیق کے طریقہ کی وضاحت کرتی ہے۔
جہاں n مشاہدہ شدہ قدر کے سائز کی نمائندگی کرتا ہے\({Y}_{i}\) ناپے ہوئے ردعمل کی نمائندگی کرتا ہے، اور \({\widehat{Y}}_{i}\) بھی پیش گوئی شدہ ردعمل کی قدر کی نمائندگی کرتا ہے، اس لیے، پہلے i مشاہدات کے لیے۔
پیشن گوئی کرنے والے اور جوابی متغیرات کی شماریاتی وضاحتیں جدول 1 میں پیش کی گئی ہیں، جس میں وسط، معیاری انحراف (SD)، تغیرات کا گتانک (CV)، کم از کم، زیادہ سے زیادہ، کرٹوسس، اور skewness دکھایا گیا ہے۔ عناصر کی کم سے کم اور زیادہ سے زیادہ قدریں Mg < Ca < K < Ni اور Ca < C < N کے قابل ردعمل کے لحاظ سے کم ہوتی ہوئی ترتیب میں ہیں۔ ) مطالعہ کے علاقے سے نمونہ لیا گیا جس کی حد 4.86 سے 42.39 ملی گرام/کلو گرام تھی۔ نی کا عالمی اوسط (29 ملی گرام/کلوگرام) اور یورپی اوسط (37 ملی گرام/کلوگرام) کے ساتھ موازنہ ظاہر کرتا ہے کہ مطالعہ کے علاقے کے لیے مجموعی حسابی ہندسی وسط قابل برداشت حد کے اندر تھا۔ بہر حال، اوسط (کمپنی1 کے مطابق) سویڈن میں زرعی مٹیوں کے ساتھ موجودہ مطالعے میں مرکز کا پتہ چلتا ہے کہ موجودہ اوسط نکل کا ارتکاز زیادہ ہے۔ اسی طرح، موجودہ مطالعہ میں شہری اور پیری شہری مٹیوں میں فریڈیک مسٹیک کا اوسط ارتکاز (Ni 16.15 mg/kg) قابل اجازت حد سے زیادہ تھا۔ مزید برآں، Bretzel اور Calderisi61 نے موجودہ مطالعہ کے مقابلے Tuscany کی شہری مٹیوں میں بہت کم اوسط Ni concentration (1.78 mg/kg) ریکارڈ کیے۔ Jim62 نے ہانگ کانگ کی شہری مٹیوں میں بھی کم نکل کا ارتکاز (12.34 mg/kg) پایا، جو کہ موجودہ مطالعہ میں اوسطاً کم اعشاریہ 6 سے کم ہے۔ Saxony-Anhalt، جرمنی میں ایک پرانے کان کنی اور شہری صنعتی علاقے میں 17.6 mg/kg کا مرکز، جو اس علاقے میں اوسطا Ni ارتکاز (16.15 mg/kg) سے 1.45 mg/kg زیادہ تھا۔ موجودہ تحقیق۔ مٹی میں نکل کی ضرورت سے زیادہ مواد کچھ شہری اور ذیلی صنعتوں کے بنیادی طور پر سٹیل ایریا اور سٹیل انڈسٹری کے مطالعہ میں حصہ لے سکتا ہے۔ Khodadoust et al کے مطالعہ سے مطابقت رکھتا ہے۔64 کہ سٹیل کی صنعت اور دھاتی کام مٹی میں نکل کی آلودگی کے اہم ذرائع ہیں۔ تاہم، پیشین گوئی کرنے والے بھی 538.70 ملی گرام/کلوگرام سے 69,161.80 ملی گرام/کلوگرام Ca کے لیے، 497.51 ملی گرام/کلوگرام سے 3535.68 ملی گرام/کلوگرام کے لیے 3535.68 mg/60mg/8k. Mg. Jakovljevic et al کے لیے 5 mg/kg65 نے وسطی سربیا میں مٹی کے کل Mg اور K کے مواد کی چھان بین کی۔ انھوں نے پایا کہ کل ارتکاز (بالترتیب 410 mg/kg اور 400 mg/kg) موجودہ مطالعے کے Mg اور K کے ارتکاز سے کم تھے۔ ناقابل فرق، مشرقی پولینڈ میں، Orzechowski اور Smolczysکی، M6 اور Smolczysکی کے مجموعی ارتکاز اور K6 کے اوسط مواد کو ظاہر کیا گیا۔ Ca (1100 mg/kg)، Mg (590 mg/kg) اور K (810 mg/kg) مٹی کے اوپری حصے میں موجود مواد اس مطالعہ میں موجود واحد عنصر سے کم ہے۔ Pongrac et al کا ایک حالیہ مطالعہ۔67 سے پتہ چلتا ہے کہ سکاٹ لینڈ، یو کے (Mylnefield مٹی، Balruddery مٹی اور Hartwood مٹی) میں 3 مختلف مٹیوں میں تجزیہ کیے گئے کل Ca مواد نے اس مطالعے میں Ca مواد زیادہ ہونے کی نشاندہی کی۔
نمونے کے عناصر کی مختلف پیمائش شدہ ارتکاز کی وجہ سے، عناصر کے ڈیٹا سیٹ کی تقسیم مختلف ترچھی پن کو ظاہر کرتی ہے۔ عناصر کی ترچھی اور کرٹوسس بالترتیب 1.53 سے 7.24 اور 2.49 سے 54.16 تک ہوتی ہے۔ تمام حسابی عناصر میں تخفیف اور اعداد و شمار کی تقسیم کی سطح +1 سے اوپر ہوتی ہے۔ صحیح سمت میں متزلزل اور چوٹی۔ عناصر کے تخمینہ شدہ CVs سے یہ بھی ظاہر ہوتا ہے کہ K, Mg, اور Ni میں اعتدال پسند تغیر ہے، جبکہ Ca میں بہت زیادہ تغیر ہے۔ K, Ni اور Mg کے CVs ان کی یکساں تقسیم کی وضاحت کرتے ہیں۔ مزید برآں، Ca کی تقسیم غیر یکساں ہے اور بیرونی ذرائع اس کی افزودگی کی سطح کو متاثر کر سکتے ہیں۔
جوابی عناصر کے ساتھ پیشین گوئی کرنے والے متغیرات کے باہمی تعلق نے عناصر کے درمیان ایک تسلی بخش ارتباط کا اشارہ کیا (شکل 3 دیکھیں)۔ ارتباط نے اشارہ کیا کہ CaK نے r قدر = 0.53 کے ساتھ اعتدال پسند ارتباط ظاہر کیا، جیسا کہ CaNi کیا تھا۔ حالانکہ Ca اور K ایک دوسرے کے ساتھ معمولی وابستگی ظاہر کرتے ہیں، جیسا کہ کنگ ال ریسرچرز۔68 اور سینٹو 69 تجویز کرتے ہیں کہ مٹی میں ان کی سطحیں الٹا متناسب ہیں۔ تاہم، Ca اور Mg K کے مخالف ہیں، لیکن CaK اچھی طرح سے جڑے ہوئے ہیں۔ یہ پوٹاشیم کاربونیٹ جیسی کھادوں کے استعمال کی وجہ سے ہو سکتا ہے، جو پوٹاشیم میں 56% زیادہ ہے۔ پوٹاشیم کو اعتدال کے ساتھ میگنیشیم کی صنعت میں = 6M correlated کیا گیا تھا۔ ، یہ دونوں عناصر آپس میں گہرے تعلق رکھتے ہیں کیونکہ پوٹاشیم میگنیشیم سلفیٹ، پوٹاشیم میگنیشیم نائٹریٹ، اور پوٹاش ان کی کمی کی سطح کو بڑھانے کے لیے مٹی پر لاگو ہوتے ہیں۔ نکل کا معتدل طور پر Ca، K اور Mg کے ساتھ r قدروں = 0.52، 0.63 اور 0.55 کے ساتھ تعلق ہے، بالترتیب Pmagnesium، volving اور PM کیل۔ پیچیدہ ہیں، لیکن اس کے باوجود، میگنیشیم کیلشیم کے جذب کو روکتا ہے، کیلشیم اضافی میگنیشیم کے اثرات کو کم کرتا ہے، اور میگنیشیم اور کیلشیم دونوں مٹی میں نکل کے زہریلے اثرات کو کم کرتے ہیں۔
پیشین گوئی کرنے والوں اور جوابات کے درمیان تعلق کو ظاہر کرنے والے عناصر کے لیے باہمی ربط کا میٹرکس (نوٹ: اس اعداد و شمار میں عناصر کے درمیان ایک سکیٹر پلاٹ شامل ہے، اہمیت کی سطح p <0,001 پر مبنی ہے)۔
شکل 4 عناصر کی مقامی تقسیم کو واضح کرتی ہے۔ Burgos et al70 کے مطابق، مقامی تقسیم کا اطلاق ایک تکنیک ہے جو آلودہ علاقوں میں گرم مقامات کی مقدار اور نمایاں کرنے کے لیے استعمال ہوتی ہے۔ تصویر 4 میں Ca کی افزودگی کی سطح کو شمال مغربی حصے میں دیکھا جا سکتا ہے۔ نقشے کے شمال مغرب میں cium کی افزودگی کا امکان کوئیک لائم (کیلشیم آکسائیڈ) کے استعمال کی وجہ سے ہے تاکہ مٹی کی تیزابیت کو کم کیا جاسکے اور اسٹیل ملز میں اس کے فولاد سازی کے عمل میں الکلائن آکسیجن کے طور پر استعمال کیا جائے۔ دوسری طرف، دوسرے کسان تیزابی مٹی میں کیلشیم ہائیڈرو آکسائیڈ کو غیر جانبدار کرنے کے لیے استعمال کرنے کو ترجیح دیتے ہیں، جس سے اسپاٹ کی سطح میں بھی اضافہ ہوتا ہے۔ نقشے کے شمال مغرب اور مشرق میں۔ شمال مغرب ایک بڑی زرعی برادری ہے، اور پوٹاشیم کا اعتدال سے اعلی نمونہ NPK اور پوٹاش کے استعمال کی وجہ سے ہو سکتا ہے۔ یہ دیگر مطالعات سے مطابقت رکھتا ہے، جیسے Madaras اور Lipavský72، Madaras et al.73، Pulkrabová، et al.73، Pulkrabová، et al. l اور NPK کے نتیجے میں مٹی میں K مواد زیادہ ہے۔تقسیم کے نقشے کے شمال مغرب میں مقامی پوٹاشیم کی افزودگی پوٹاشیم پر مبنی کھادوں جیسے پوٹاشیم کلورائیڈ، پوٹاشیم سلفیٹ، پوٹاشیم نائٹریٹ، پوٹاش، اور پوٹاش کے استعمال کی وجہ سے ہو سکتی ہے تاکہ ناقص مٹی میں پوٹاشیم کی مقدار میں اضافہ ہو سکے۔ Zádorová et al.76 اور Tlustoš et al.77 نے خاکہ پیش کیا کہ K پر مبنی کھادوں کے استعمال سے مٹی میں K کے مواد میں اضافہ ہوتا ہے اور طویل مدت میں مٹی کے غذائی اجزاء میں نمایاں اضافہ ہوتا ہے، خاص طور پر K اور Mg مٹی میں گرم جگہ دکھاتا ہے۔ نقشے کے شمال مغرب اور نقشے کے جنوب مشرق میں نسبتاً اعتدال پسند ہاٹ سپاٹ۔ پودے زرد مائل انٹروین کلوروسس کی نمائش کرتے ہیں۔ میگنیشیم پر مبنی کھادیں، جیسے پوٹاشیم میگنیشیم سلفیٹ، میگنیشیم سلفیٹ، اور کیسرائٹ، کمیوں کا علاج کرتے ہیں (پودے جامنی، سرخ یا بھورے رنگ کے دکھائی دیتے ہیں جو کہ میگنیشیم کی کمی کی نشاندہی کرتے ہیں) مٹی میں پی کیلبن کی ایک نارمل رینج کے ساتھ۔ il سطحوں کی وجہ انتھروپجینک سرگرمیوں جیسے زراعت اور سٹینلیس سٹیل کی پیداوار میں نکل کی اہمیت ہو سکتی ہے78۔
عناصر کی مقامی تقسیم [مقامی تقسیم کا نقشہ ArcGIS ڈیسک ٹاپ (ESRI, Inc, Version 10.7, URL: https://desktop.arcgis.com) کا استعمال کرتے ہوئے بنایا گیا تھا۔]
اس مطالعے میں استعمال ہونے والے عناصر کے ماڈل پرفارمنس انڈیکس کے نتائج ٹیبل 2 میں دکھائے گئے ہیں۔ دوسری طرف، Ni کا RMSE اور MAE دونوں صفر کے قریب ہیں (0.86 RMSE، -0.08 MAE)۔ دوسری طرف، K کی RMSE اور MAE دونوں قدریں قابل قبول ہیں۔ RMSE اور MAE کے نتائج زیادہ ہیں اور KSEMA کے لیے بڑے اور بڑے نتائج ہیں۔ مختلف ڈیٹا سیٹس کے لیے۔ اس مطالعہ کے RMSE اور MAE EBK کا استعمال کرتے ہوئے Ni کی پیشن گوئی کرنے کے لیے جان ایٹ ال کے نتائج سے بہتر پائے گئے۔54 اسی جمع کردہ ڈیٹا کا استعمال کرتے ہوئے مٹی میں S کے ارتکاز کی پیش گوئی کرنے کے لیے synergistic kriging کا استعمال کرتے ہوئے۔ EBK کے نتائج جن کا ہم نے مطالعہ کیا ہے وہ Fabijaczyk et al کے ساتھ منسلک ہیں۔41، یان وغیرہ۔79، بیگین وغیرہ۔80، ادھیکاری وغیرہ۔81 اور جان وغیرہ۔82، خاص طور پر K اور Ni.
شہری اور پیری شہری مٹیوں میں نکل کے مواد کی پیشن گوئی کرنے کے انفرادی طریقوں کی کارکردگی کا اندازہ ماڈلز کی کارکردگی کا استعمال کرتے ہوئے کیا گیا (ٹیبل 3)۔ ماڈل کی توثیق اور درستگی کی تشخیص نے تصدیق کی کہ EBK SVMR ماڈل کے ساتھ مل کر Ca_Mg_K پیشن گوئی کرنے والے نے بہترین کارکردگی کا مظاہرہ کیا۔ RMSE) اور مطلب مطلق غلطی (MAE) 0.637 (R2)، 95.479 mg/kg (RMSE) اور 77.368 mg/kg (MAE) Ca_Mg_K-SVMR تھی 0.663 (R2)، 235.974 mg/kg، 6MA6g/kg (6MA6g/kg اچھی قدر) اور RME69g. s Ca_Mg_K-SVMR (0.663 mg/kg R2) اور Ca_Mg-EBK_SVMR (0.643 = R2) کے لیے حاصل کیے گئے تھے۔ان کے RMSE اور MAE کے نتائج Ca_Mg_K-EBK_SVMR (R2 0.637) کے مقابلے زیادہ تھے (ٹیبل 3 دیکھیں)۔ اس کے علاوہ، Ca_Mg-EBK_SVMR کے RMSE اور MAE (RMSE = 1664.64 اور MAE = 1031.47 ہیں جو کہ بالترتیب ماڈل، 131.47 سے بڑے ہیں)۔ Ca_Mg_K-EBK_SVMR۔اسی طرح، Ca_Mg-K SVMR (RMSE = 235.974 اور MAE = 166.946) ماڈل کے RMSE اور MAE Ca_Mg_K-EBK_SVMR کے مقابلے میں 2.5 اور 2.2 بڑے ہیں، اس بات کی نشاندہی کرتے ہیں کہ کس طرح سے آر ایم ایس ای آر ایم کے حساب سے درجہ بندی کی گئی ہے ڈیٹا سیٹ بہترین فٹ کی لائن کے ساتھ ہے۔ اعلیٰ RSME اور MAE کا مشاہدہ کیا گیا۔ Kebonye et al کے مطابق۔46 اور جان وغیرہ۔54، RMSE اور MAE صفر کے جتنے قریب ہوں گے، نتائج اتنے ہی بہتر ہوں گے۔ SVMR اور EBK_SVMR میں RSME اور MAE کی قدریں زیادہ ہیں۔ یہ دیکھا گیا کہ RSME کے تخمینے مسلسل MAE اقدار سے زیادہ تھے، جو باہر والوں کی موجودگی کی نشاندہی کرتے ہیں۔ solute error (MAE) کو آؤٹ لیرز کی موجودگی کے اشارے کے طور پر تجویز کیا جاتا ہے۔ اس کا مطلب یہ ہے کہ ڈیٹاسیٹ جتنا زیادہ متضاد ہوگا، MAE اور RMSE کی قدریں اتنی ہی زیادہ ہوں گی۔ Ca_Mg_K-EBK_SVMR مخلوط ماڈل کی پیشین گوئی کے لیے کراس توثیق کی درستگی اور urils.70 میں Ni مواد کی شرح %30 سے ​​ذیلی تھی۔59، درستگی کی یہ سطح ایک قابل قبول ماڈل کارکردگی کی شرح ہے۔ موجودہ نتائج کا موازنہ Tarasov et al کے پچھلے مطالعہ سے کیا گیا ہے۔36 جس کے ہائبرڈ ماڈل نے MLPRK (Multilayer Perceptron Residual Kriging) بنایا، جو کہ EBK_SVMR درستگی کی تشخیص کے اشاریہ سے متعلق ہے جو کہ موجودہ مطالعہ میں رپورٹ کیا گیا ہے، RMSE (210) اور The MAE (167.5) موجودہ مطالعہ میں ہمارے نتائج سے زیادہ تھا (RMSE 95.479، R.679، 2.679، . (0.637) تاراسوف وغیرہ کے ساتھ۔36 (0.544)، یہ واضح ہے کہ اس مخلوط ماڈل میں عزم کا گتانک (R2) زیادہ ہے۔ مخلوط ماڈل کے لیے غلطی کا مارجن (RMSE اور MAE) (EBK SVMR) دو گنا کم ہے۔ اسی طرح، Sergeev et al.34 نے 0.28 (R2) ریکارڈ کیا ہے، جبکہ KDE40.5 کے ڈیولپمنٹ ماڈل کے لیے 0.28 (R2)، ڈیولپمنٹ ماڈل کے لیے موجودہ مطالعہ نے 0.637 (R2) ریکارڈ کیا ہے۔ اس ماڈل (EBK SVMR) کی پیشن گوئی کی درستگی کی سطح 63.7% ہے، جبکہ پیشن گوئی کی درستگی Sergeev et al.34 28% ہے۔ حتمی نقشہ (تصویر 5) EBK_SVMR ماڈل اور Ca_Mg_K کو بطور پیشن گوئی استعمال کرتے ہوئے تیار کیا گیا ہے جو پورے مطالعہ کے علاقے میں گرم مقامات اور اعتدال سے نکل تک کی پیشین گوئیاں دکھاتا ہے۔ اس کا مطلب ہے کہ مطالعہ کے علاقے میں نکل کا ارتکاز بنیادی طور پر معتدل ہے، کچھ مخصوص علاقوں میں زیادہ ارتکاز کے ساتھ۔
حتمی پیشین گوئی کا نقشہ ہائبرڈ ماڈل EBK_SVMR کا استعمال کرتے ہوئے اور Ca_Mg_K کو پیشن گوئی کے طور پر استعمال کرتے ہوئے دکھایا گیا ہے۔
شکل 6 میں PTE ارتکاز کو ایک کمپوزیشن ہوائی جہاز کے طور پر پیش کیا گیا ہے جو انفرادی نیوران پر مشتمل ہوتا ہے۔ کسی بھی جزو کے طیاروں نے ایک ہی رنگ کے پیٹرن کی نمائش نہیں کی جیسا کہ دکھایا گیا ہے۔ تاہم، ہر نقشے میں نیوران کی مناسب تعداد 55 ہے۔ SeOM مختلف رنگوں کا استعمال کرتے ہوئے تیار کیا جاتا ہے، اور جتنی زیادہ ملتے جلتے رنگوں کے پیٹرن، انفرادی خصوصیات کے مطابق رنگوں کی خصوصیات کا موازنہ کرنے کے لیے ان کے رنگوں کے نمونوں کا تناسب زیادہ ہوتا ہے۔ , K، اور Mg) نے سنگل ہائی نیورونز اور سب سے کم نیورونز کے رنگ کے نمونے دکھائے۔ اس طرح، CaK اور CaMg بہت ہی اعلیٰ ترتیب والے نیورونز اور کم سے اعتدال پسند رنگ کے نمونوں کے ساتھ کچھ مماثلت رکھتے ہیں۔ دونوں ماڈلز رنگوں کے درمیانے سے اونچے رنگوں کو ظاہر کرکے مٹی میں Ni کے ارتکاز کی پیشین گوئی کرتے ہیں جیسے کہ سرخ، Og پر مبنی رنگوں کے نمونوں اور KP کی بنیاد پر بہت سے رنگوں کے نمونوں پر۔ کم سے درمیانے رنگ کے پیچ۔ نچلے سے اونچے رنگ کے درست پیمانے پر، ماڈل کے اجزاء کے پلانر ڈسٹری بیوشن پیٹرن نے ایک اعلی رنگ کا پیٹرن دکھایا جو مٹی میں نکل کے ممکنہ ارتکاز کو ظاہر کرتا ہے (تصویر 4 دیکھیں)۔ CakMg ماڈل جزو طیارہ ایک متنوع رنگ کا نمونہ دکھاتا ہے جس کے مطابق کم سے اونچے رنگ کا نمونہ ہے، ایک درست رنگ کے پیمانے کے مطابق، FakMg ماڈل زیادہ سے زیادہ رنگ کا نمونہ ہے۔ شکل 5 میں دکھائے گئے نکل کی مقامی تقسیم کے مترادف۔ دونوں گراف شہری اور پیری شہری مٹی میں نکل کے ارتکاز کے اعلی، درمیانے اور کم تناسب کو ظاہر کرتے ہیں۔ شکل 7 نقشے پر k- یعنی گروپ بندی میں سموچ کے طریقہ کار کو دکھاتا ہے، جو کہ تین کلسٹروں میں تقسیم کیا گیا ہے جو کہ ہر ایک ماڈل کے اوپری نمبر کی بنیاد پر عددی قدر کی نمائندگی کرتا ہے۔ f 115 مٹی کے نمونے اکٹھے کیے گئے، زمرہ 1 نے سب سے زیادہ مٹی کے نمونے حاصل کیے، 74۔ کلسٹر 2 نے 33 نمونے حاصل کیے، جب کہ کلسٹر 3 نے 8 نمونے حاصل کیے۔ سات اجزاء والے پلانر پیشن گوئی کے امتزاج کو کلسٹر کی درست تشریح کی اجازت دینے کے لیے آسان بنایا گیا تھا۔ متعدد کی وجہ سے قدرتی طور پر مختلف قسم کے عمل کو متاثر کرنا مشکل ہے اور قدرتی طور پر انتھروجن کے عمل کو متاثر کرنا مشکل ہے۔ ایک تقسیم شدہ SeOM نقشہ78 میں ster پیٹرن۔
ہر امپائریکل بایسیئن کریگنگ سپورٹ ویکٹر مشین (EBK_SVM_SeOM) متغیر کے ذریعہ اجزاء کے ہوائی جہاز کی پیداوار۔
مختلف کلسٹر درجہ بندی کے اجزاء [SeOM نقشے RStudio (ورژن 1.4.1717: https://www.rstudio.com/) کا استعمال کرتے ہوئے بنائے گئے تھے۔]
موجودہ مطالعہ شہری اور پیری شہری مٹیوں میں نکل کے ارتکاز کے لیے ماڈلنگ کی تکنیکوں کو واضح طور پر واضح کرتا ہے۔ مطالعہ نے مختلف ماڈلنگ تکنیکوں کا تجربہ کیا، ماڈلنگ کی تکنیکوں کے ساتھ عناصر کو ملا کر، مٹی میں نکل کے ارتکاز کی پیش گوئی کرنے کا بہترین طریقہ حاصل کیا۔ مٹی میں راشن۔ تاہم، مقامی تقسیم کا نقشہ EBK_SVMR کے ذریعہ دکھائے گئے اجزاء کی پلانر مقامی تقسیم کی تصدیق کرتا ہے (تصویر 5 دیکھیں)۔ نتائج سے پتہ چلتا ہے کہ سپورٹ ویکٹر مشین ریگریشن ماڈل (Ca Mg K-SVMR) مٹی میں نی کے ارتکاز کی پیش گوئی کرتا ہے، ایک بہت ہی اعلی پیرا میٹر کے طور پر ایک ہیرولیشن ماڈل کے طور پر دکھاتا ہے۔ RMSE اور MAE کی شرائط۔ دوسری طرف، EBK_MLR ماڈل کے ساتھ استعمال کی جانے والی ماڈلنگ تکنیک بھی عددی تعین (R2) کی کم قیمت کی وجہ سے ناقص ہے۔ EBK SVMR اور مشترکہ عناصر (CaKMg) کے ساتھ کم RMSE اور MAE کی غلطیوں کے ساتھ اچھے نتائج حاصل کیے گئے۔ مشین لرننگ الگورتھم کے ساتھ الگورتھم ایک ہائبرڈ الگورتھم تیار کر سکتا ہے جو مٹی میں PTEs کے ارتکاز کی پیش گوئی کر سکتا ہے۔ نتائج سے پتہ چلتا ہے کہ مطالعہ کے علاقے میں Ni کی تعداد کی پیشن گوئی کرنے کے لیے Ca Mg K کا استعمال مٹی میں Ni کی پیشن گوئی کو بہتر بنا سکتا ہے۔ اس کا مطلب یہ ہے کہ نکل پر مبنی صنعتی آلودگی اور صنعتی صنعتوں کی طرف سے ٹیلز کے مسلسل استعمال میں اضافہ ہوا ہے۔ مٹی میں نکل کا ارتکاز۔ اس مطالعے سے یہ بات سامنے آئی ہے کہ EBK ماڈل غلطی کی سطح کو کم کر سکتا ہے اور شہری یا پیری شہری مٹی میں مٹی کی مقامی تقسیم کے ماڈل کی درستگی کو بہتر بنا سکتا ہے۔ عام طور پر، ہم مٹی میں PTE کا اندازہ لگانے اور پیشین گوئی کرنے کے لیے EBK-SVMR ماڈل کو لاگو کرنے کی تجویز کرتے ہیں۔اس کے علاوہ، ہم EBK کو مختلف مشین لرننگ الگورتھم کے ساتھ ہائبرڈائز کرنے کے لیے استعمال کرنے کی تجویز کرتے ہیں۔تاہم، زیادہ covariates استعمال کرنے سے ماڈل کی کارکردگی بہت بہتر ہو جائے گی، جسے موجودہ کام کی ایک حد سمجھا جا سکتا ہے۔ اس مطالعے کی ایک اور حد یہ ہے کہ ڈیٹا سیٹس کی تعداد 115 ہے۔ اس لیے، اگر مزید ڈیٹا فراہم کیا جائے تو، مجوزہ آپٹمائزڈ ہائبرڈائزیشن کے طریقہ کار کی کارکردگی کو بہتر بنایا جا سکتا ہے۔
PlantProbs.net.Nickel in Plants and Soil https://plantprobs.net/plant/nutrientImbalances/sodium.html (28 اپریل 2021 تک رسائی)۔
Kasprzak، KS Nickel جدید ماحولیاتی ٹاکسیکولوجی. surroundings.toxicology.11، 145–183 (1987) میں ترقی کرتا ہے۔
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 سے آلودگی کا ان پٹ اور سڈبری، اونٹاریو، Canada.can.J. میں نکل تانبے کے سمیلٹر کے قریب مٹی اور پودوں میں جمع ہونا۔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/s10653-021-021007/s10653-0121007/s10653-0121007/s10653-0121007/s10653-012100x/Selebi-Phikwe copper-nickel mine کے قریب مٹی میں بھاری دھاتیں، پودوں اور چرنے کے خطرات۔
Cabata-Pendias.Kabata-Pendias A. 2011. مٹی میں عناصر کا سراغ لگانا اور… – Google Scholar https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Kabata-Pendias+A.+2011.+Trace+Elements+A.+2011.+Trace+Elements+and+4++++++++++++++++++++++2011+2011. NY%29%3A+CRC+Pres&btnG= (24 نومبر 2020 تک رسائی)۔
Almås, A., Singh, B., Agriculture, TS-NJ of & 1995, undefined. Soer-Varanger, Norway.agris.fao.org میں زرعی مٹی اور گھاسوں میں بھاری دھاتوں کے ارتکاز پر روسی نکل انڈسٹری کے اثرات۔
Nielsen, GD et al.Nickel جذب اور پینے کے پانی میں برقرار رکھنے کا تعلق کھانے کی مقدار اور نکل کی حساسیت سے ہے.toxicology.application.Pharmacodynamics.154, 67–75 (1999)۔
Costa, M. & Klein, CB Nickel carcinogenesis, mutation, epigenetics or selection.surroundings.Health Perspective.107, 2 (1999).
عجمان، پی سی؛اجادو، ایس کے؛Borůvka, L.;بینی، جے کے ایم؛سرکوڈی، وی وائی او؛کوبونے، این ایم؛ممکنہ طور پر زہریلے عناصر کا رجحان تجزیہ: ایک کتابیات کا جائزہ۔ ماحولیاتی جیو کیمسٹری اور صحت۔ اسپرنگر سائنس اینڈ بزنس میڈیا BV 2020.https://doi.org/10.1007/s10653-020-00742-9۔
Minasny, B. & McBratney, AB Digital Soil Mapping: 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. ڈیجیٹل مٹی کی نقشہ سازی پر۔ Geoderma 117(1-2), 3-52.https://doi.org/10.1016/S0016-7061(03)00223-4 (2003)۔
ڈوئش سی سی وی جیوسٹاٹسٹیکل ریزروائر ماڈلنگ ،… - گوگل اسکالر https://scholar.google.com/scholar؟hl=en&as_sdt=0٪2C5&Q=CV+DEUTSCH ٪ 2c2c+2cod+ppoord+puld+& xe2c+gestatistical+serserserserserserserserserserserserserserserservoreworeweroveroveroveroveroveredcover+ء کو این جی = (اخذ کردہ بتاریخ 28 اپریل 2021)۔