Daha çox

Kriging interpolation, ArcGIS -də siniflərə aşağı və yuxarı hədlər təyin etmək

Kriging interpolation, ArcGIS -də siniflərə aşağı və yuxarı hədlər təyin etmək


Kriging interpolasiya alətindən istifadə edirəm. Verilənlər bazasına iki saxta dəyər daxil etdim:- yuxarı həddi və aşağı həddi.

Aləti arc map 10.1 proqramında işlədim. Bununla birlikdə, kriging interpolation siniflərinin yuxarı və aşağı sərhədlərini verilənlər bazasında təyin etdiyim limitlərə dəyişdirmək istəyirəm. Sonra əl ilə kriging interpolasiyasını müəyyən siniflərə təsnif edəcəyəm.

İnterpolasiya edilmiş siniflər üçün yuxarı və aşağı sərhədləri necə təyin edə bilərəm?


Güman edirəm ki, məlumatları müəyyən aralığa əsaslanaraq kateqoriyalara yenidən təsnif etmək və bununla da fasiləsiz bir rastrdan diskret bir raster yaratmaq deməkdir. Bunu et…

Artıq Məkan Analizi uzantısına malik olduğunuz üçün alətlər qutunuzdakı Məkan Analitikinə gedin. Yenidən Sınıflandır'ı, sonra Yenidən Sınıflandır'ı basın. Burada xüsusi aralıqlar əlavə edə və hər birini yeni bir dəyərə uyğunlaşdıra, sonra yeni bir rasterə ixrac edə bilərsiniz.


ArcGIS - Coğrafi İnformasiya Sistemləri, kriging interpolation dərsləri üçün aşağı və yuxarı həddlərin təyin edilməsi

GIS interpolasiyası yeraltı sularının arsenik bioremediasiyasını qiymətləndirmək üçün vacibdir.

İnterpolasiyalar, müalicə üçün təkrarlanan dəmir sulfat enjeksiyonlarına ehtiyac olduğunu ortaya qoyur.

Adi Kriging, arsen konsentrasiyasını proqnozlaşdırmaq üçün ən doğru üsul idi.

Proqnoz dəqiqliyini artırmaq üçün yerli miqyasda və yüksək qətnamə nümunəsinə ehtiyac var.

İnterpolasiya səhv analizləri tənzimləmə üçün aşağı konsentrasiyaların proqnozunu təsdiqləyir.


Fon

İnsan İmmunçatışmazlığı Virusu (HİV) infeksiyası bütün dünyada böyük bir ictimai sağlamlıq və tibbi narahatlıq olaraq qalmaqdadır, xüsusən də Saharaaltı Afrikada (SSA) daha ağırdır [1]. 2018 -ci ilin sonunda dünyada 37,9 milyon insan HİV -ə yoluxmuşdu. HİV-in qlobal yayılmasından Sub-Sahara hadisələrin təxminən üçdə ikisini təşkil edir [2, 3]. HİV ilə yaşayan insanların 30% -ni 15-24 yaş arası gənclər təşkil edir [4]. 2005-2017-ci illərdə QİÇS-dən ölənlərin ümumi sayı dünya miqyasında 48% azalsa da, bütün yeniyetmələr və gənclər arasında QİÇS-dən ölənlərin sayı 50% artmışdır [5].

2030 -cu ilə qədər QİÇS -ə son qoymaq üçün Birləşmiş Millətlər Təşkilatının HİV/AİDS Proqramı (UNAIDS) 2014 -cü ildə 90-90-90 strateji çərçivəni qəbul etdi [6]. Bu çərçivə, İİV -in 90% -nin vəziyyətini bildiyini (diaqnoz qoyulduğunu), müalicə alan diaqnozu qoyulanların 90% -ni və 2020 -ci ilə qədər müalicə alanların 90% -nin virus yolu ilə yatırıldığını bildirir [7]. Bu hədəfə çatmaq üçün HİV testi və məsləhətləşməsinin (HTC) artmasının artırılması vacibdir [8]. Bununla birlikdə, HİV statusundan xəbərdar olan İİV-lər (hədəfi-diaqnoz qoyulan bütün HİV-pozitiv insanların 90% -i) qlobal səviyyədə aşağı idi və bu, Hollandiyada 87% -dən Yəməndə 11% -ə qədər dəyişdi, bu da yayılmasının qarşısını almağı çətinləşdirdi. infeksiya [9,10,11,12].

HTC xidmətləri, HİV -in qarşısının alınması, müalicəsi, baxımı və dəstəyi üçün açardır [13, 14]. HİV -ə qulluq və müalicə ilə əlaqəli şəxslər üçün bir fürsət yaradır. HİV-ə qulluq və müalicədə xəstələri erkən əlaqələndirməyin faydaları arasında anadan uşağa keçmənin azaldılması, yoluxmamış tərəfdaşların infeksiyaya yoluxmasının qarşısının alınması, həyat keyfiyyətinin yaxşılaşdırılması, fürsətçi infeksiyalarla əlaqədar xəstəlik və ölümlərin azaldılması və xəstəxanaya yerləşdirilmə tezliyinin azaldılması [ 15]. Bir insanın HİV statusunu bilmək, HİV -in qarşısının alınmasının vacib bir hissəsi olan şəxsi davranış dəyişikliyinə təsir göstərə bilər. Üstəlik, HTC vasitəsi ilə daha çox insan HİV -ə yoluxma ilə bağlı dəqiq məlumat əldə edə bilər, HİV -ə yoluxma riskini və ya zəifliyini daha yaxşı anlaya bilər və HİV testinin nəticəsi özlərini və sevdiklərini saxlamaq üçün HİV -in qarşısının alınması variantlarına daxil olmaq üçün qapı açır. HİV-dən azaddır [16].

Efiopiya, 90-90-90 hədəflərə çatmağı dəstəkləmək üçün keçən il gənclərə yönəlmiş HİV ilə əlaqədar müxtəlif proqramlar hazırladı və həyata keçirdi [17]. Bundan əlavə, Efiopiya hökuməti 2030 -cu ilin sonunda müalicə üçün bir qapı və qarşısının alınması strategiyası olaraq HTC -nin genişlənməsi ilə epidemiyaya son qoymağı planlaşdırdı [18, 19]. Həmyaşıdlarının təzyiqi və təhlükəli cinsi əlaqəyə girməsi səbəbiylə Efiopiyadakı gənclər arasında HİV infeksiyasına yoluxma ehtimalı yüksək olsa da, 15-24 yaş arası gənclər arasında HTC qəbulu əhəmiyyətli dərəcədə aşağı olaraq qaldı [20].

Dünyanın müxtəlif yerlərində HTC ilə əlaqəli bir neçə faktor müəyyən edilmişdir. Ən əsası, yaş [21,22,23,24,25,26], cinsiyyət [22, 27, 28], təhsil vəziyyəti [22, 23, 29,30,31,32], ailə vəziyyəti [21, 33, 34], sosial -iqtisadi status [21,22,23, 29], mediaya məruz qalma [29], riskli cinsi davranış [21, 22, 29], HİV haqqında yaxşı biliyə malik olmaq [23, 29, 31], haradan əldə edəcəyini bilmək HTC [35], ali təhsil və sərvət indeksi [29], yaşadığı yer, HİV ilə əlaqəli damğa [21,22,23, 31, 35], dini [21, 29] olan və cəmiyyətdən uzaq olan cəmiyyətlərdə yaşayan sağlamlıq müəssisəsi [22] əhəmiyyətli dərəcədə HTC ilə əlaqəlidir. Bununla birlikdə, Saharaaltı Afrikada fərqli mühitlərdə uyğunsuz nəticələr bildirilmişdir. Məsələn, Efiopiyada aparılan bir araşdırmada, qadın olmağın HTC-nin aşağı nisbətləri ilə əlaqəli olduğu bildirildi [22], Nigeriya və Sahara-Afrika ölkələrində aparılan bir araşdırmada, qadın olmağın HTC-nin yüksək nisbətləri ilə əlaqəli olduğu təsbit edildi [27, 28 ].

Araşdırmalar göstərdi ki, Efiopiyada HİV yayılmasının məkan kümelenmesi [17, 36]. Bu müəyyən edilmiş əhəmiyyətli məkan qruplaşması, HTC -nin Efiopiyadakı bölgələrdə fərqli istifadəsi ilə izah edilə bilər. Nigeriyada edilən bir araşdırma, 15-24 yaş arası gənclər arasında HTC -nin regional dəyişikliyini bildirdi [26]. HTC xidmətindən istifadənin məkan modelini başa düşmək, gənclərin HTC xidmətlərindən qaynar nöqtələrdə istifadə etmələrini təşviq etmək üçün daha konkret proqramlar hazırlamağa kömək edəcək. Bununla birlikdə, Efiopiyada aparılan əvvəlki işlər HTC -nin yayılmasını və əlaqəli faktorlarını araşdırdı [20,21,22, 37], bütün bu tədqiqatlar HTC -nin Efiopiyada daha yüksək risk altında olan gənclər arasında məkan bölgüsünü araşdırmağa çalışmamışdır. HİV əldə edilməsi.

HTC alışı fərdi səviyyəli amillərdən və cəmiyyət səviyyəsindəki faktorlardan asılı olsa da, əvvəlki tədqiqatlar HTC alışı ilə əlaqəli bir sıra fərdi faktorları vurğulamışdır və gənclər arasında HTC alımını təyin edən icma səviyyəli faktorlar haqqında məlumatların azlığı var. milli səviyyədə. Gənclər HİV infeksiyasına daha həssas olduqları üçün (15-24 yaş arası gənclər HİV/AİDS epidemiyası ehtimalı yüksəkdir) [38] və əhalinin ən məhsuldar seqmentini meydana gətirən əsas təhsil sektorunu təşkil edir. insan kapitalına [39] aid olan bu araşdırma, 15-24 yaş arası gənclər arasında HTC alışına xüsusi diqqət yetirməyə çalışdı. HTC-nin tanıtımında bu yaş qrupuna diqqət yetirmək 90-90-90 hədəfə çatmaq üçün ayrılmazdır [40]. Gənc qadınlar arasında HTC ilə bağlı bir araşdırma milli nümayəndəsi Efiopiya Demoqrafik və Sağlamlıq Araşdırması (EDHS) məlumatlarına əsaslansa da [20], bu iş EDHS məlumatlarının qruplaşdırma təsirini nəzərə almadı və istifadə etdikləri məlumatlar ağırlıqlı deyildi. məlumatlar. Üstəlik, bildiyimizə görə, HTC -nin Efiopiyadakı məkan modelini araşdıran heç bir araşdırma yoxdur. HTC alışının coğrafi dəyişkənliyinin müəyyən edilməsi, istifadənin artırılması və qaynar nöqtələrdə HİV infeksiyasının azaldılması üçün hədəflənmiş qarşısının alınması proqramlarının prioritetləşdirilməsi və tərtib edilməsi vacibdir. Bu səbəbdən, bu araşdırma, siyasətçilərə HTC-nin alınması ilə əlaqəli məkan nümunəsi və risk faktorları haqqında fikir verməklə problemə sübuta əsaslanan müdaxilələr hazırlamağa və həyata keçirməyə kömək edəcək.


Dayaz su dəniz növlərinin coğrafi paylanmasının istilik sərhədləri

Temperatur, növlərin coğrafi diapazonlarını çox təsir edir, lakin müasir aralığın kənarlarını nə dərəcədə məhdudlaşdırdığını termal tolerantlığın laboratoriya təcrübələrindən qiymətləndirmək çətindir. Populyasiyaların davamlılığı, bir növün həyat tarixinin bütün mərhələlərində ekoloji və demoqrafik proseslərin temperaturun təsir etdiyi nəticələrə, habelə yerli temperatur rejimlərinə hər hansı bir uyğunlaşmaya bağlıdır. Dəniz istiliyi ilə 10 heyvan sinifindən olan 1790 dayaz su növü üçün müşahidə olunan paylanma diapazonları arasındakı əlaqələri qiymətləndirdik və taksilər və okean hövzələri arasında reallaşdırılan istilik məhdudiyyətlərindəki tendensiyalarda və əvvəlki laboratoriya tapıntıları ilə ümumi razılığa gəldik. Coğrafi aralıq ölçüsündə əks istiqamətə baxmayaraq, həyata keçirilən termal nişlər Ekvatordan soyuq mülayim yerlərə doğru artır. Növlərin sərin paylama sərhədləri ən yaxşı şəkildə öz aralığında mövsümiliyin böyüklüyünə görə proqnozlaşdırılır, mülayim növlər üçün isə ekvatora doğru uzanan kənarda nisbətən möhkəm bir termal maneə mövcuddur. Həyata keçirilmiş termal limitlərdəki tutarlılıq tapıntılarımız, ümumi dəniz növləri arasında uyğunlaşmanın potensial məhdudiyyətlərini göstərir və dənizlərin istiləşmə növlərinin paylanma dinamikasını proqnozlaşdırmaq üçün həyata keçirilmiş termal nişlərin dəyərini göstərir.

Temperatur, fizioloji və ekoloji proseslər vasitəsilə növlərin yayılmasına təsir edir və qlobal biomüxtəlifliyin 1,2,3,4 modellərinin ən müasir müasir sürücülərindən biridir. Temperaturun növlərin paylanmasını necə və harada məhdudlaşdırdığını başa düşmək əsas təkamül və biogeoqrafik prosesləri önə çəkə bilər və istiləşmə dünyasına gələcək biomüxtəlifliyin cavablarını gözləmək üçün vacibdir 5,6. Növlər arasında coğrafi silsilələr və termal nişlər arasında ümumiləşdirilə bilən əlaqələrin olub olmadığını müəyyən etmək çətindir, lakin temperatur təsirləri adətən növlərin yayılmasına səbəb olan bir çox digər qarşılıqlı təsir edən amillərlə qarışdırılır 7,8.


Məxfilik

İstifadəçilərimizdən məlumat toplamırıq. Yalnız e -poçt və cavablar arxivimizdə saxlanılır. Çerezlər yalnız istifadəçi təcrübəsini yaxşılaşdırmaq üçün brauzerdə istifadə olunur.

Bəzi kalkulyatorlarımız və tətbiqlərimiz tətbiq məlumatlarını yerli kompüterinizə saxlamağa imkan verir. Bu tətbiqlər - brauzer məhdudiyyətləri səbəbiylə brauzerinizlə serverimiz arasında məlumat göndərəcək. Bu məlumatları saxlamırıq.

Google reklamlarımızı təqdim etmək və ziyarətçi statistikasını idarə etmək üçün çerezlərdən istifadə edir. Zəhmət olmasa, reklamı necə idarə edə biləcəyiniz və toplanan məlumatlar haqqında daha çox məlumat üçün Google Gizlilik və Şərtləri oxuyun.

AddThis, sosial mediaya bağlantıları idarə etmək üçün çerezlərdən istifadə edir. Ətraflı məlumat üçün AddThis Privacy oxuyun.


Şimali və Cənubi Qanadakı Yeraltı Sularda Florid Konsentrasiyalarının Müqayisəli Təhlili: Çirkləndirici mənbələrə təsirləri

Gananın həm şimalında, həm də cənubunda yerləşən Bongo və Sekyere South bölgələrində, kənd yerlərində yaşayan əhalisi çoxdur və əksəriyyəti içməli məqsədlər üçün yeraltı sularından istifadə edir. Bu ərazilərdəki qrunt suları təbii və/və ya süni mənbələrdən çirklənməyə meyllidir. Buna görə də, bu tədqiqatın məqsədi (1) Bongo və Sekyere South bölgələrindən alınan yeraltı su nümunələrində flüor konsentrasiyasının müqayisəli təhlili və müxtəlif flüor konsentrasiyalarına səbəb ola biləcək əlaqəli yeraltı su -qaya qarşılıqlı təsirini təqdim etməkdir. Yeraltı suların çirklənməsinin mümkün mexanizmi olaraq ana süxurlardan flüorid potensialı. Aktiv nasos quyularından altmış (60) yeraltı su nümunəsi və flüor konsentrasiyası və mineraloji analiz üçün iki rayonun müxtəlif icmalarından çıxıntılardan on iki (12) qaya nümunəsi toplanmışdır. Florid konsentrasiyasındakı dəyişikliklərə əsaslanaraq, flüorlu məkan paylama xəritələri empirik Bayes kriging interpolasiya metodu ilə hazırlanmış və iyerarxik klaster analizi vasitəsi ilə təhlil edilmişdir. Bongo bölgəsindəki flüor konsentrasiyası 1.71 ilə 4.0 mq/L arasında dəyişir, Sekyere Cənub bölgəsində isə 0.3 ilə 0.8 mq/L arasında dəyişir. Mineraloloji tədqiqatlardan biotitin Bongo bölgəsində ən yüksək faizi var və Sekyere South bölgəsinə nisbətən analiz edilən su nümunələrində flüor konsentrasiyası ilə müsbət əlaqə var. Sekyere South bölgəsinə nisbətən Bongo bölgəsindəki flüor konsentrasiyasının artması, yeraltı sularda biotitin əriməsi və kifayət qədər yeraltı su -qaya qarşılıqlı əlaqəsi ilə əlaqədardır, çünki su nümunələri əsasən daha dərin quyulardan alınır. Bu yüksək flüor konsentrasiyası, Bongo'da diş florozu və digər sağlamlıq problemləri ilə əlaqədar çoxlu sayda hadisələrlə nəticələnmişdir.


GİRİŞ

Enerji təchizatı məsələsi İraqda və bir çox ölkələrdə getdikcə daha çox aktuallaşır, çünki onilliklər ərzində davam edən kəskin və aşılmaz enerji çatışmazlığı problemi var. Enerji çatışmazlığının həll olunmamasının əsas səbəblərindən biri də müntəzəm istehsal üsullarından asılılıqdır. Bundan əlavə, İraqda əhalinin artması və şəhərləşmə elektrik enerjisinə olan tələbatı artırır və mövcud problemi daha da çətinləşdirir (Rəşid və s. 2012). Günəş və ya külək enerjisi kimi təbii mənbələrdən əldə edilə bilən bərpa olunan enerjilər İraqda davam edən enerji probleminə cavab verə bilər (Chaichan & amp Kazem 2018).

Xanaqin bölgəsi də daxil olmaqla ümumilikdə Diyala əyaləti həm şəhər, həm də kənd yerlərini təsir edən yeraltı suyunun keyfiyyətinin azalmasından və duzluluğun artmasından əziyyət çəkir (Mohamad 2010). Bölgədəki yerüstü su qaynaqları da eyni problemdən əziyyət çəkir (Al-Hamdany & amp Al-Dawodi 2017). Khanaqin bölgəsində, şirin su qaynaqlarının azlığı ilə duzlu sular, bölgə əhalisinin əsas su təchizatı mənbəyinə çevrildi. Bölgədəki qrunt suları ümumi sərtliyə 654 mq/L -ə çatır, Alwand çayı səthi suyu isə 724 mq/L -ə çatır (Issa & amp Alshatteri 2018). Ümumi həll olunan qatı maddələr (TDS) 500 mq/l -dən 33.000 mq/l -ə qədər olduqda su qaynaqları təbiətdə acı hesab olunur. və s. 2011) bu səbəbdən Khanaqin sahəsindəki su ehtiyatları, yerüstü və yeraltı suları bu kateqoriyaya düşür.

Bölgədə davamlı və etibarlı enerji mənbələri və təhlükəsiz su təmin etmək ehtiyacı su ilə güc arasındakı əlaqəni daha çox nəzərdən keçirməyə vadar edir. Artan əhalinin sayı və su ehtiyatlarının qıtlığı və artan su və enerji istehlakı ilə keyfiyyətin pisləşməsi, qərar verənləri, uzaq ərazilərdən su daşımaq və ya tərs osmos qurmaq kimi tamamlanmış variantlar olan həll yolları axtarmağa vadar edir. RO) duzsuzlaşdırma qurğusu, içərisində yarıkeçirici bir membranın yalnız su molekullarının hərəkət etməsinə icazə verərək digər komponentləri saxlayaraq sonra tullantı olaraq çıxarılır. Davam edən su-enerji problemini həll etmək üçün başqa bir tendensiya davamlı enerji mənbələrindən asılıdır.

Konsentrasiya olunmuş günəş enerjisi (CSP) sistemi bu sahədə ən perspektivli həllərdən biridir (Cavallaro və s. 2019). CSP sistemlərində, cəmlənmiş günəş şüaları lazımi istiliyi əldə etmək üçün istifadə olunur və sonra buxar güc turbinlərini fırlayır (Lovegrove & amp Stein 2012). Bu tip elektrik stansiyalarının RO duzsuzlaşdırma qurğuları ilə birləşdirilməsi, ərazidəki enerji-su əlaqəsi ilə bağlı bir çox məhdudiyyətlərin öhdəsindən gəlmək üçün əla fürsət verir. Ayrıca, inteqrasiya olunmuş CSP-RO qurğusu ətraf mühitin davamlılığını təmin edir, bunun sayəsində çirkləndirici maddələr yayan fosil yanacaqların ənənəvi istifadəsi yenilənə bilən və təmiz bir enerji mənbəyi ilə əvəz olunur (Corona & amp; San Miguel 2015).

Su təmizləyici qurğunun, xüsusən də günəş enerjisi qurğusu olan inteqrasiya edilmiş bir quruluşun hər hansı bir dizayn nəzəriyyəsində, Şəkil 1 -də göstərildiyi kimi, optimal sahəyə çatmaq üçün əlaqədar sahənin məkan və su ehtiyatlarının xüsusiyyətləri dizayn hesablamalarına cəlb edilməlidir. ədəbiyyat, CSP-RO duzsuzlaşdırma qurğularının texniki, istismar, iqtisadi və ekoloji aspektlərində bir çox əsər araşdırılmışdır. Dünyada CSP -nin müxtəlif sxemləri tətbiq olunur: parabolik çuxur kollektoru (PTC), konsentrat günəş termoelektrik (CST), parabolik çanaq sistemləri (PDS) və xətti Fresnel reflektoru (LFR) (Goosen) və s. 2014). PTC sistemi elektrik enerjisi istehsal etmək üçün daha perspektivli potensial nümayiş etdirdi (Gharbi və s. 2011). CSP sistemlərinin iqtisadi xüsusiyyətləri kifayət qədər izah edilmişdir (Weinstein və s. 2015). İnteqrasiya edilmiş CSP-RO sistemlərinin optimallaşdırılması ilə bağlı bir çox əvvəlki işlərdə zəif toxunulan məsələ, onların hesablamalarına geolokasiya faktorunu daxil edir.


Kriging interpolation, ArcGIS - Coğrafi İnformasiya Sistemlərində siniflərə aşağı və yuxarı hədlər təyin etmək

Bu bölmədə iki əyri arasındakı sahəni tapmağa baxacağıq. Əslində araşdıracağımız iki hal var.

Birinci vəziyyətdə ( sol [ sağ] ). (F sol (x sağ) ge g sol (x sağ) ) olduğunu da güman edəcəyik. Başlanğıcda nəyə baxacağımız haqqında bir fikir əldə etmək üçün aşağıdakı eskizə baxın.

Əlavələr bölməsinin Sahə və Həcm Düsturları bölməsində bu vəziyyətdə sahə üçün aşağıdakı düsturu əldə etdik.

İkinci hal demək olar ki, birinci vəziyyətlə eynidir. Burada ( sol [aralığında (x = f sol (y sağ) ) və (x = g sol (y sağ) ) arasındakı sahəni təyin edəcəyik. sağ] ) (f sol (y sağ) ge g sol (y sağ) ) ilə.

Bu vəziyyətdə formula belədir:

İndi ( eqref) və ( eqref) mükəmməl xidmət edilə bilən formullardır, lakin bəzən bu iki funksiyadan daha böyük olması üçün həmişə birinci funksiyanın tələb olunduğunu unutmaq asandır. Beləliklə, bu düsturlar əvəzinə, sahənin həmişə "daha kiçik" funksiyasından çıxaraq "daha böyük" funksiya olduğunu xatırladığımızı yoxlamaq üçün aşağıdakı "söz" düsturlarından istifadə edəcəyik.

Birinci halda istifadə edəcəyik,

İkinci vəziyyətdə istifadə edəcəyik,

Bu düsturlardan istifadə etmək, bizi hər problemlə bağlı nə baş verdiyini düşünməyə və düsturdan istifadə edərkən düzgün funksiyalar sırasına malik olduğumuzdan əmin olmağa məcbur edəcək.

Hər şeydən əvvəl, "əhatə olunmuş sahə" dedikdə nəyi nəzərdə tuturuq. Bu o deməkdir ki, maraqlandığımız bölgə bölgənin hər sərhədində iki əyridən birinə sahib olmalıdır. Beləliklə, qapalı bölgə ilə iki funksiyanın bir qrafiki var.

Qeyd edək ki, bu iki qrafikin kəsişmə nöqtəsinin sağındakı bölgənin heç bir hissəsini götürmürük. Bu bölgədə sağ tərəfdə heç bir sərhəd yoxdur və bu da qapalı sahənin bir hissəsi deyil. Unutmayın ki, verilən funksiyalardan biri qapalı bölgənin hər bir sərhədində olmalıdır.

Həm də bu qrafikdən aydın olur ki, yuxarı funksiya istifadə etdiyimiz (x ) aralığından asılı olacaq. Bu səbəbdən hər zaman bölgənin qrafikini çəkməlisiniz. Bir eskiz olmadan iki funksiyadan hansının daha böyük olduğunu səhv etmək çox vaxt asandır. Bu vəziyyətdə çox güman ki, (y = ) yuxarı funksiyadır və (x ) 'lərin böyük əksəriyyəti üçün doğru olarlar. Ancaq bu vəziyyətdə bu iki funksiyanın ən aşağı hissəsidir.

Bunun üçün inteqrasiya sərhədləri iki əyrinin kəsişmə nöqtələri olacaqdır. Bu vəziyyətdə, (x = 0 ) və (x = 1 ) nöqtələrində kəsişəcəklərini görmək olduqca asandır, buna görə də bunlar inteqrasiyanın sərhədləridir.

Beləliklə, ərazini tapmaq üçün hesablamalı olduğumuz ayrılmaz,

Növbəti nümunəyə keçməzdən əvvəl bir neçə vacib məqama diqqət yetirmək lazımdır.

Birincisi, bu problemlərin demək olar ki, hamısında bir qrafikə çox ehtiyac var. Çox vaxt inteqrasiya sərhədləri verəcək sərhəd bölgəsini qrafik olmadan təyin etmək çətindir.

Həmçinin, qrafik olmadan hansı funksiyaların yuxarı, hansının aşağı funksiyasını müəyyən etmək çox vaxt çətin ola bilər. Bu, bu sualın cavabının əslində istifadə etdiyimiz (x ) aralığından asılı olduğu son nümunə kimi hallarda doğrudur.

Nəhayət, əvvəlki fəsildə baxdığımız bir əyrinin altından fərqli olaraq iki əyri arasındakı sahə həmişə müsbət olacaq. Mənfi bir rəqəm və ya sıfır alsaq, bir yerdə səhv etdiyimizə əmin ola bilərik və geri dönüb onu tapmalıyıq.

Həm də unutmayın ki, bəzən əhatə olunmuş bölgə demək əvəzinə, sərhədli bölgə deyəcəyik. Eyni şeyi nəzərdə tuturlar.

Daha bir neçə nümunə işləyək.

Bu halda, son iki məlumat, (x = 2 ) və (y )-oxu, bölgənin sağ və sol sərhədlərini bizə bildirir. (Y )-oxunun (x = 0 ) xətti ilə verildiyini də unutmayın. İşdə gölgələnmiş qapalı bölgənin qrafiki.

Burada, ilk nümunədən fərqli olaraq, iki əyri uyğun gəlmir. Bunun əvəzinə yuxarıda qeyd etdiyimiz kimi bölgənin sol və sağ tərəflərini bağlamaq üçün iki şaquli xəttə güvənirik

İşdə əraziyə veriləcək inteqral.

Bu vəziyyətdə kəsişmə nöqtələri (nəticədə ehtiyacımız olacaq) qrafikdən asanlıqla müəyyən edilməyəcək, buna görə də davam edək və indi onları əldə edək. Qeyd edək ki, bu problemlərin çoxu üçün kəsişmə nöqtələrini qrafikdən dəqiq müəyyən edə bilməyəcəksiniz və buna görə də onları əllə təyin edə biləcəksiniz. Bu halda, iki tənliyi bərabər qoyaraq kəsişmə nöqtələrini əldə edə bilərik.

[ başlayın2 + 10 və = 4x + 16 2 - 4x - 6 & = 0 2 sol ( sağ) sol ( sağ) & = 0 son]

Belə görünür ki, iki əyri (x = - 1 ) və (x = 3 ) nöqtələrində kəsişəcək. Bunlara ehtiyacımız varsa, dəyərləri tənliklərdən birinə bağlayaraq bunların hər birinə uyğun olan (y ) dəyərlərini əldə edə bilərik. Qrafikdəki iki kəsişmə nöqtəsinin koordinatlarının ( sol (< - 1,12> sağ) ) və ( sol (<3,28> sağ) olduğunu yoxlamağı sizə buraxacağıq. ) ).

Diqqət yetirin ki, kəsişmə nöqtələrini bilmək qrafik qurmaqda yaxşı deyilsə, heç olmasa qrafiki işə salmağa kömək edə bilər. İşdə bölgənin qrafiki.

Qrafiklə yuxarı və aşağı funksiyanı təyin edə bilərik və buna görə də qapalı ərazini tapa bilərik.

Bu problemlərdə mötərizədə diqqətli olun. Şagirdlərin bu problemlərlə əlaqədar ən çox etdiyi səhvlərdən biri də ikinci dövrdə mötərizəni laqeyd etməkdir.

Beləliklə, bu problemdə istifadə olunan funksiyalar birinci problemdəki funksiyalarla eynidir. Fərq ondadır ki, sərhəd bölgəsini kəsişmə nöqtələrindən uzadmışıq. Əvvəlki nümunədə istifadə etdiyimiz funksiyalar eyni olduğu üçün kəsişmə nöqtələrini bir daha tapmaqda çətinlik çəkməyəcəyik.

İşdə bu bölgənin qrafiki.

Yaxşı, burada kiçik bir problemimiz var. Düsturumuz, bir funksiyanın həmişə yuxarı, digər funksiyanın isə həmişə aşağı funksiya olmasını tələb edir və burada açıq şəkildə bu yoxdur. Ancaq əslində bu ilk baxışdan göründüyü kimi problem deyil. Bir funksiyanın həmişə yuxarı, digərinin isə həmişə aşağı funksiyası olduğu üç bölgə var. Beləliklə, etməli olduğumuz şey, edə biləcəyimiz üç bölgənin hər birinin sahəsini tapmaq və sonra hamısını əlavə etməkdir.

Əvvəlcə bölgənin qrafiki ilə tanış olaq.

Beləliklə, sahəni əldə etmək üçün iki inteqral etməmiz lazım olan başqa bir vəziyyətimiz var. Kəsişmə nöqtəsi harada olacaq

intervalda. Bunun (x = frac < pi> <4> ) olacağını yoxlamaq üçün sizə buraxacağıq. O zaman ərazi,

Bu növbəti nümunə ilə diqqətli olmalıyıq.

İlk tənliyin sizi əsəbiləşdirməsinə icazə verməyin. Bəzən bu cür tənliklər ilə məşğul olmalıyıq, buna görə də onlarla məşğul olmağa alışmalıyıq.

Həmişə olduğu kimi, iki əyri üçün kəsişmə nöqtələrimiz varsa kömək edəcək. Bu halda, (x ) üçün ikinci tənliyi həll edərək, bərabərləşdirərək kəsişmə nöqtələrini əldə edəcəyik. Budur o əsər,

[ başlayıny + 1 & = frac <1> <2> - 3 2y + 2 & = - 6\ 0 & = - 2y - 8 0 & = sol ( sağ) sol ( sağ) son]

Belə görünür ki, iki əyri (y = - 2 ) və (y = 4 ) nöqtələrində kəsişəcək və ya tam koordinatlara ehtiyacımız olarsa bunlar olacaq: ( sol (< - 1, - 2>) sağ) ) və ( sol (<5,4> sağ) ).

Budur iki əyrinin eskizi.

İndi ehtiyatlı olmasaq bu anda ciddi bir problemimiz olacaq. Bu nöqtədə yuxarı və aşağı funksiyalardan istifadə edirik. Bunu etmək üçün burada fərqli aşağı funksiyalara sahib olacaq bölgənin iki hissəsinin olduğunu qeyd edin. ( Sol [< - 3, - 1> sağ] ) aralığında parabola əslində həm yuxarı, həm də aşağı funksiyadır.

Bu vaxta qədər istifadə etdiyimiz düsturu istifadə etmək üçün (y ) üçün parabolanı həll etməliyik. Bu verir,

burada "+" parabolanın yuxarı hissəsini, "-" isə aşağı hissəni verir.

Budur, ilk formulu istifadə edəcəyimiz təqdirdə ehtiyacımız olan hər bir bölgənin gölgeli olduğu bir sahənin eskizi.

Bölgə üçün inteqrallar,

Bu inteqrallar olduqca çətin olmasa da, lazım olduqlarından daha çətindir.

Xatırladaq ki, ərazini təyin etmək üçün başqa bir düstur var. Bu,

və bizim vəziyyətimizdə həmişə solda, digərində isə həmişə sağda olan bir funksiyamız var. Beləliklə, bu vəziyyətdə bu, mütləq getmək üçün bir yoldur. Xatırladaq ki, xəttin tənliyini yenidən yazmalı olacağıq, çünki (x = f left (y right) ) şəklində olmalıdır, amma bunu etmək kifayət qədər asandır. Bu düsturu istifadə etmək üçün qrafik budur.

Bu, ilk düsturu istifadə etdiyimiz kimidir və bu, birinci üsuldan daha asan idi.

Beləliklə, bu son nümunədə ərazini tapmaq üçün hər iki formuldan istifadə edə biləcəyimiz bir vəziyyət gördük. Ancaq ikincisi mütləq daha asan idi.

Şagirdlər tez -tez funksiyalarla işləməyin yeganə asan yolunun onları (y = f left (x sağ) ) şəklində istifadə etmək fikri ilə hesab sinifinə daxil olurlar. Bununla birlikdə, bu əvvəlki nümunədə gördüyümüz kimi, (x = f left (y right) ) şəklində funksiyalarla işləməyin daha asan olacağı dəqiq vaxtlar var. Əslində, bir problemin həll olunmasının yeganə yolu olduğu zamanlar olacaq, buna görə də bu formada funksiyalarla məşğul ola biləcəyinizə əmin olun.

Bu formada funksiyalarla məşğul ola biləcəyimizdən əmin olmaq üçün daha bir nümunəyə nəzər salaq.

Birincisi, kəsişmə nöqtələrinə ehtiyacımız olacaq.

Kəsişmə nöqtələri (y = - 1 ) və (y = 3 ) dir. İşdə bölgənin eskizi.

Bu, ikinci sahə düsturunun daha asan olacağı bir bölgədir. Birinci formulu istifadə etsək, baxmalı olduğumuz üç fərqli bölgə olardı.


Graph Combinatorics - Qrup izomorfizm siniflərinin sayının yuxarı və aşağı həddi

Çətin görünən bu problemim var və əlbəttə ki, olduqca absurd olan sadə bir həll axtarıram, amma hər halda bu riyaziyyatdır. Problem bildirir ki, əgər $ f (n) $ n nöqtələri olan qrafiklər üçün qrup izomorfizmi siniflərinin sayıdırsa, $ a^gt1, b & gt0, c & gt0 $ var ki, $ a^nc leq f (n) leq b^ tag <1> $

Bernstein teoremindən istifadə edərək $ f (n) $ tapmaq bir başlanğıc nöqtəsi verir, lakin bu heç bir şəkildə sərhədlərin (1) mümkün olduğunu göstərmir.

N ucları olan bir qrafikin kənarlarını yoxlamaq barədə düşündüm. Həddindən artıq hallar, kənarları olmayan (aşağı sərhədə səbəb ola biləcək) hallar və hər bir zirvənin bir -biri ilə ünsiyyət qurması hallarıdır (bu, yuxarı həddə səbəb ola bilər). Amma eksponentlərin necə yarandığını görə bilmirəm. Bu yanaşma mümkündürmü? Sərhədləri sübut etməyin sadə bir yolu varmı? Sərhədlər bəlkə də kəskin deyil. Hər hansı bir cavab üçün əvvəlcədən təşəkkürlər.


Torpaq məhsuldarlığının xəritələndirilməsi: Üç fəza interpolyasiya texnikasının müqayisəsi

Açar sözlər:: Torpaq Xüsusiyyətləri geostatistika fəza interpolasiya torpaq xəritələri kiging tərs məsafə çəki spline, proqnoz dəqiqliyi.

Fermerlərin təqib etdiyi uyğun olmayan kənd təsərrüfatı təcrübələri və şərti və intensiv yağışlı əkinçiliklə əlaqəli texniki biliklərin olmaması torpaq ehtiyatlarının ən çox deqradasiyasından məsuldur [1].

Mərakeşdə ənənəvi əkinçilik, torpağın məhsuldarlığını itirməsi ilə sürətli torpaq quruluşunun pozulmasına səbəb olaraq, ənənəvi əkinçiliyi dayanıqsız hala gətirdi. Ait Kadi və Benoit (2012) [2], mövcud istehsal praktiklərinin davam edəcəyi təqdirdə, əhalinin sürətli artımını da nəzərə alaraq, Mərakeşin yaxın gələcəkdə ciddi qida çatışmazlığı ilə üzləşəcəyini iddia edirlər.

Buna görə də, Mərakeşin kənd təsərrüfatı siyasəti, yaxşı əkinçilik strategiyalarının tətbiqi ilə ətraf mühitə uyğun kənd təsərrüfatı konsepsiyasını təbliğ edir. Gübrələmə girişlərinin minimuma endirilməsi bu konsepsiyanın əsas strategiyalarından biridir. Bu məqsədlə, müxtəlif sahələrdə bitki gübrələmə ehtiyaclarının dəqiq bir şəkildə qiymətləndirilməsi üçün fiziki və kimyəvi torpaq xüsusiyyətlərinin məkan bölgüsü üzrə bacarıqların inkişaf etdirilməsi çox vacibdir.

Torpaq xəritələşdirilməsi, üst torpaq xüsusiyyətlərinin məkan dəyişkənliyinin geniş istifadəçilər tərəfindən başa düşüləcək və təhlil ediləcəyi bir şəkildə qiymətləndirildiyi və ortaya çıxdığı bir prosesdir [3, 4]. Bu xəritələri yaratmaq üçün standart bir üsul, bir grid nümunə dizaynı istifadə edərək maraq sahəsini nümunə götürmək və sonra mövcud interpolasiya üsullarından birini istifadə edərək nümunələrin ölçülmüş dəyişən dəyərlərini interpolasiya etməkdir. Məkan interpolasiya metodları, nümunə götürülməmiş nöqtələrdə torpaq dəyişəninin dəyərlərini nöqtə müşahidələrindən əldə edilən məlumatlardan istifadə etməklə qiymətləndirmək üçün bir vasitə yaradır [5, 6].

Çox sayda deterministik və stokastik məkan interpolasiya üsulları mövcuddur [7]. Məkan interpolasiyası, daha yaxşı qərar qəbul etmək üçün nizamsız ayrı nöqtəli məlumatları Coğrafi İnformasiya Sistemində GIS -də işlənə bilən müntəzəm davamlı məlumatlara çevirməyə imkan verir.

Ədəbiyyatda iqlimşünaslıq [8,9], ətraf mühit tədqiqatları [10,11], okeanoqrafiya [12] və s. Xüsusilə torpaq elmləri üçün eroziya [13, 14], duzluluq [15, 16] və s. Üçün işlər aparılmışdır. Daha konkret olaraq torpağın münbitliyi üçün pH [17, 18], üzvi maddələr [19] və makronutrientlər [20, 21].

Lakin, məkan interpolasiya metodlarının müqayisəsinin nəticələri uyğun gəlmədi. Bəzi nəşr olunan əsərlərdə, stoxastik geostatistiki üsulla tərs çəkilmiş tərs məsafənin (IDW) deterministik metodundan daha yaxşı tapıldı [17, 22, 15, 20, 23], digər tədqiqatçılar bunun doğru olmadığını tapdılar [24, 25, 26]. Buna görə də hansı metodun xüsusi şərtlərə daha uyğun olduğu ilə bağlı sual hələ də həll olunmamışdır. Li və Heap (2011) [27] tez -tez istifadə olunan metodların əsas xüsusiyyətlərini müqayisə etmişlər. Təəssüf ki, at

ən etibarlı üsullarla bağlı heç bir uzlaşma yoxdur, nəşr olunan tədqiqatlar torpaq xüsusiyyətlərini xəritələşdirmək üçün hansı interpolasiya yanaşmasının ən doğru olduğu aydın və aydın deyil [18].

Bu işin əsas məqsədi, Mərakeşin Loukkous bölgəsindəki suvarılan bir ərazidə üst torpaqların münbitliyinin xəritələrinin kriging, tərs məsafə ağırlıqlı və splines interpolasiya üsulları ilə tutarlılığını qiymətləndirməkdir. Daha konkret məqsədlər bunlardır:

To produce maps of soil fertility: pH, organic matter, phosphorus and potassium content

To assess and compare the performance and accuracy of the topsoil maps created by kriging, IDW and splines methods,

To recommend the most appropriate technique for the soil properties studied in the specific site,

where N (h) is the number of data pairs within a given class of distance and direction. The semivariances are smaller at shorter distances and then they stabilize at some distance. This can be explained as follows: the values of a target variable are more similar at shorter distances, up to a certain distance where the differences between the pairs are more or less equal to the global variance [6].

B. Inverse Distance Weighting

This is one of the simplest and most available methods. Inverse distance weighting directly implements the assumption that a value of an attribute at an unsampled location can be approximated as a weighted average of values at points within a certain cut-off distance, or from a given number m of the closest points (typically 10 to 30). Weights are usually inversely proportional to a power of distance [30, 31]. The formula of this exact interpolator is [7]:

o To develop soil data systems by improving the prediction accuracy of soil properties.

SPATIAL INTERPOLATION TECHNIQUES TESTED

Kriging is a geostatistical interpolation technique which considers both the distance and the degree of variation between known data points when estimating values in unknown areas. It is a weighted linear combination of the known sample values around the point to be estimated [28].

Following Goovaerts (1997) [29], all kriging estimators are variants of the basic linear regression estimator Z*(u) defned as:

where x0 is the estimation point and xi are the data points within a chosen neighborhood. The weights (r) are related to distance by dij, which is the distance between the estimation point and the data points. The disadvantage of the IDW interpolation technique is that it handles all sample points that fall within the search radius the same way.

A spline function is based on a set of interpolating polynomials and an ascending array of domain knot points, determining the intervals over which the spline function is defined by the constituent polynomials [32].

The prediction value by spline or radial basis functions can be expressed as the sum of two components [33]:

u,u: location vectors for estimation point and one of the

neighboring data points, indexed by

n(u): number of data points in local neighborhood used for estimation of Z*(u)

m(u), m(u): expected values (means) of Z (u) and Z(u) (u): kriging weight assigned to datum z(u) for estimation at location u the same datum will receive different weights for

where w(dj) shows the radial basis functions and dj the distance from sample site to prediction point x, fi(x) is a trend function, a member of a basis for the space of polynomials of degree <m. The coefficients and bj are obtained by solving the system:

different estimation locations.

Kriging uses a property called the semivariance to identify the degree of relationship between points on a surface. The semivariance is simply half the variance of the differences

between all possible points spaced a constant distance apart. The value of the experimental variograms for a separation distance of h (referred to as the lag) is half the average squared difference between the value z(u) and the value z(u + h) separated by a distance and a direction h [30]:

Splines generate good results with softly varying surfaces,

and are often not appropriate when there are considerable changes in the surface values within a short horizontal distance [34].

Study area, sampling design and laboratory analysis

The study area is located in the middle of Kenitra and Larache Provinces, in the North West of Morocco and covering 45 000 Hectares (Fig. 1). The climate is typical

Mediterranean, with average air temperature between 11°C in winter and 25 °C in summer and mean annual rainfall of 700 mm distributed between October and April. To ensure high added value of agricultural production all this area had been converted to irrigated lands.

The local topography is divided into three different geomorphologic categories: plains, plateaus and hills. The main soil types are the alluvial soils extending in the plains and the sandy soils dominating the plateaus.

A total of 934 surface soil samples (030 cm) were collected from the study area (Fig. 1). Soil samples were gathered from irregular cross-line nodes of approximately average distance 700 m * 700 m grids. Each sampling point was geo-referenced using a GPS receiver.

The soil samples were taken to the laboratory, air-dried and passed through a 2 mm sieve. Available phosphorus (P) was determined by Olsen method (1982) [35], available potassium (K) was determined by extraction with ammonium acetate [36], pH was measured in a 1:2.5 soil/water suspension with the pH meter method [37], and organic matter (OM) was determined by using oxidation method of Walkley-Black [38].

Exploratory data analysis

The spatial prediction and comparative assessment of the soil properties begin with basic summary statistics, including mean, median, variance and skewness. Summary statistics is the first step in data treatment previous to the application of any data analysis techniques [39].

transformation and its application in geostatistics is at the origin of the log-normal kriging [42]. Log-normal variables seem to be best performed when outcomes are influenced by various independent elements [43].

Other transformation functions are also used to achieve the normality such as the Box-Cox transformation [44]. Box-Cox represents a potential best practice to normalize data and offers a range of power transformations that incorporate and extend the traditional options (square root, logarithm, and inverse) to help researchers easily identify the optimal transformation techniques [43].

D. Interpolation and comparison

The interpolations are performed by using the Geostatistical Analyst extension of the Arc GIS software [45]. To validate the accuracy of those predictive models, the cross- validation statistical method is applied [46]. Cross-validation involves consecutively eliminating a data point, estimating the value from the remaining observations and comparing the predicted value with the measured one [21]. The cross- validation technique is used generally to choose the best variogram model among proposed models for kriging and also the best parameters from those tested for IDW and splines [47].

To compare different interpolation methods, the mean error (ME) and the root mean square error (RMSE) calculated from the measured and interpolated values at each sample location are used:

Other statistics tools such as histograms, box-plots and

normal probability plot are available to identify the outliers.

Outliers affect the performance of spatial interpolation

texnika. The variogram is sensitive to outliers and to extreme values because the exceptionally big or small values will distort the average of semivariance [5].

Outliers should be removed if they are thought to not belong to the population the elimination of outliers can improve considerably the performance of spatial interpolation methods [40].

Geostatistical analyses, like many statistical procedures, make the assumption that the data distribution is normal. There are several ways to verify if the variables are normally distributed. These tools range from simple evaluation of the skewness coefficient (ideally closer to 0) and kurtosis (closer to 3) to the evaluation of P-P plots (plotted percentages have to be close to the diagonal line to indicate normality) and inferential tests of normality such as the Kolmorogov- Smirnov, Shapiro-Wilkor or Cramer-von Mises tests (a probability value > 0.05 indicates the normality) [41].

When non-normality is revealed, the strongly skewed distribution needs to be transformed to make it approximately Gaussian, or at least symetric [5]. The transformation widely applied in different fields of science is logarithmic

where z(xi) is the observed value at location i, z*(xi) is the interpolated value at location i, and n is the sample size. Ideally ME should tend to zero and RMSE should be as small as possible to indicate less error and more accurate spatial interpolator, respectively.

Fig.1. Study area location and map of the distribution of soil samples.

The exploratory analysis revealed outliers in the different soil properties data as shown in Fig. 2. The pH, organic matter, and phosphorus variables showed 2, 6, and 14 outliers, respectively. The exploratory analysis suggested that there were no potential outliers for potassium. In total, the 22 outliers were removed from the original dataset, thus finally we kept 912 samples for the spatial interpolation.

A statistical summary of the new trimmed data is presented in Table I. Phosphorus and potassium have high coefficient of variation (CV) fluctuating between 64 and 75%. The valuesof their coefficients of skewness and kurtosis do not fit the normality standards, indicating that the variables are highly skewed to the right with a high peak and thin tails.

However, these descriptive statistics do not provide conclusive information about normality. Further statistical tests (Shapiro- Wilk, Kolmogorov-Smirnov, etc) were applied to examine normality and all of the variables showed a non-normal distribution.

The Box-Cox transformation was applied to the data. Different parameters for this transformation were found, for pH, OM and phosphorus variables whereas for potassium a particular parameter was found which corresponds to the logarithmic transformation. Those transformations resulted in the best fit of a normal distribution, as the skewness and kurtosis values were near zero.

All the data processing later, from the variogram computation and the validation tests to the spatial prediction were carried out with the transformed data.

For every soil property the experimental variogram was calculated. Among the exponential, spherical and Gaussian models the best fitted model to these experimental variograms were chosen using the lowest RMSE as presented in Table II. Fig. 3 illustrates the structure of the fitted variogram models obtained for all soil properties. The pH, OM, and K semivariograms were fitted to an exponential model and the P semivariogram was fitted to a spherical model.

In both cases of IDW and splines, the best weighting parameters were found using the optimizer parameter tools of the Geostatistical Analyst extension of the Arc GIS software. For IDW the optimal power value was found to be one in all cases.

On the other hand, the precision of all these interpolation methods is strongly affected by the number of the closest neighbors used for estimation. Therefore, kriging, IDW and splines were implemented using the same neighborhood structure. This latter was divided into eight sectors including a maximum of three and a minimum of two neighbors per sector.

TABLE I: Summary statistics for pH, organic matter, potassium and phosphorus


Videoya baxın: Interpolación por Kriging.. Geoestadística. Variograma 2018