CN105911037B - 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 - Google Patents
锰矿区土水界面污染流中锰及伴生重金属分布预测方法 Download PDFInfo
- Publication number
- CN105911037B CN105911037B CN201610244549.4A CN201610244549A CN105911037B CN 105911037 B CN105911037 B CN 105911037B CN 201610244549 A CN201610244549 A CN 201610244549A CN 105911037 B CN105911037 B CN 105911037B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- data
- manganese
- distribution
- association
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
- G01N21/6404—Atomic fluorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/44—Sample treatment involving radiation, e.g. heat
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
- G01N2021/3114—Multi-element AAS arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6402—Atomic fluorescence; Laser induced fluorescence
- G01N21/6404—Atomic fluorescence
- G01N2021/6406—Atomic fluorescence multi-element
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Development Economics (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种锰矿区土水界面污染流中锰(Mn)及伴生重金属(Cu、Ni、Zn、Pb、Cd、)分布预测方法,以锰矿区土‑水界面采样点的径流水样实测数据、沉积物中重金属含量沿河分布情况为基础,利用地统计学方法,结合GIS技术,引入BP神经网络,构建基于GIS技术支撑下的锰矿区土‑水界面重金属污染流中锰及伴生重金属分布的BP预测模型,使预测模型具有良好的容错能力和非线性逼近映射能力,使得预测的锰矿区土‑水界面重金属污染流中锰及伴生重金属含量和空间分布更加客观准确。
Description
技术领域
本发明属于环境污染评价领域,尤其涉及一种锰矿区土水界面污染流中锰及伴生重金属分布预测方法。
背景技术
土-水界面污染流是受污染土壤在降雨或融雪径流作用下产生的复合污染流体,其中污染物包含了各种重金属、持久性有机物和氮、磷等营养元素等,也是非点源污染的一种特殊表现形式。重金属(如Pb、Cd、Cr、Cu、Zn等)是全球性环境污染物,均对人体及生物具有慢性毒性及致癌性。锰矿区金属锰的开采与选冶,锰(Mn)及大量伴生的重金属(Cu、Ni、Zn、Pb、Cd)进入矿区土壤,在降雨或融雪径流作用下,形成锰矿区土-水界面重金属污染流,造成锰矿区及其周边区域水环境重金属复合型污染问题且日益突出。锰矿区开采和选冶过程中产生的固废(矿石、废矿石、尾矿砂、废渣等)和生产污水等通过不同途径进入矿区土壤并导致土壤重金属污染。受到降雨或融雪径流的剪切、撞击、冲刷、淋溶、浸泡等共同作用,土壤中的各种重金属污染物在土壤-径流界面之间发生扩散、弥散、解吸、解离等多种物理化学反应,最终,不同的重金属元素呈现出不同的空间分布特征。目前国内外关于降雨或融雪径流作用下土-水界面污染流分布特征的研究主要集中在农田土壤、城市及城郊和公路等特殊下垫面区域。农田土壤土-水界面污染流主要以化肥、农药等引起的有机污染物特征为主,城市及城郊土-水界面污染流主要以工业生产的重金属污染物、持久性有机污染物、氮、磷等营养元素在内的多种污染物特征为主,公路方面土-水界面污染流主要以径流冲刷、汽车等产生的悬浮固体物(SS)、部分重金属、油类污染物特征为主。在土-水界面重金属污染物的空间分布预测方面,经大量文献查阅发现:目前众多学者主要对土-水界面污染流中单一介质重金属污染物的空间分布和空间变异规律进行了研究,且将地统计学方法与多元统计学方法相结合应用于土壤重金属空间分布和变异性研究。在地统计学中,可以利用半变异函数描述土壤属性的空间模式,并以此为基础通过Kriging插值法预测未采样地点的属性值,揭示区域化变量的空间特征,采用地统计学方法有助于了解未采样地点的土壤重金属含量,获取土壤重金属的空间结构与分布特征等诸多信息。20世纪90年代以后,随着卫星和计算机技术的发展和进步,遥感技术、地理信息***(GIS)技术与非点源污染模型相结合用于非点源的污染预测和污染影响评价,提高了模型的空间分析能力,模型开始向自动化、可视化方向发展,随着计算技术发展,研究者们结合GIS技术来对土壤中重金属污染物的空间相关性及其空间分布进行研究,利用神经网络模型的空间插值方法确定土壤中重金属污染物的空间分布,并在此基础上确定研究区农田土壤重金属污染状况。由于土-水界面并非一个均匀质体,而是一个具有固液界面的空间变异体,具有高度的空间异质性,除了自然状态下的空间变化外,还存在其他活动所导致的空间变化,这些变化均能使土-水界面重金属污染流中各重金属污染物的空间动态变得极为复杂化。另外,由于锰矿区地形、地质及降雨或融雪径流条件复杂、固废(矿石、废矿石、尾矿砂、废渣)及生产污水多且分布范围广、地表破坏严重等实际情况,造成锰矿区土-水界面重金属污染流中锰及伴生重金属的分布预测的困难,因而增加了锰矿区非点源污染中锰及伴生重金属污染评价与控制的难度。
现有锰矿区土-水界面重金属污染流中锰及伴生重金属的分布预测困难、准确性差
发明内容
本发明的目的在于提供一种锰矿区土水界面污染流中锰及伴生重金属分布预测方法,旨在解决锰矿区土-水界面重金属污染流中锰及伴生重金属的分布预测困难、准确性差的问题。
本发明是这样实现的,一种锰矿区土水界面污染流中锰及伴生重金属分布预测方法,所述的锰矿区土水界面污染流中锰及伴生重金属分布预测方法包括:
步骤一、采用***随机布点法进行径流水样采集,根据锰矿区采样点均匀分布在采样区域内并采用GPS进行样点定位,记录采样点经纬度;
步骤二、在锰矿区采样点,筛选测试植物,并取植物附近的沉积物,测试植物地上部分茎的重金属含量和沉积物中重金属含量,分别获得各重金属元素的拟插值子样本,对拟插值子样本进行探索性空间数据分析处理,获得采样点测试植物样本的各向异性参数、步长和步数,确定植物体内重金属含量与沉积物中重金属Mn、Cu、Ni、Zn、Pb、Cd含量间关系模型;
步骤三,对锰矿区径流水样中重金属含量进行测定,重金属Mn、Pb、Zn、Cu采用硝酸-高氯酸消煮,Cd、Ni采用王水-高氯酸消煮;Mn、Pb、Zn、Cu采用原子荧光分光光度法测定,Cd、Ni采用火焰原子吸收分光光度法测定;
步骤四、采用Grubbs法对所测径流水样原始数据中特异值进行检验和剔除;采用SPSS19.0进行数据的正态分布检验;采用地统计学软件GS+7.0进行数据的描述性统计分析、半变异函数和参数的计算,并利用BP神经网络模型得出半变异函数的拟合曲线;
步骤五、采用人工神经网络方法进行沉积物中具有良好相关关系的重金属间的拟合,选择重金属间相关系数大的重金属进行拟合,确定沉积物中重金属Mn、Cu、Ni、Zn、Pb、Cd间含量关系的模型;
步骤六、采用移动平均法确定沉积物中锰及伴生重金属含量沿河分布的拟合模型;
步骤七、结合将径流水样采样数据和沉积物中锰及伴生重金属含量沿河分布数据,在GIS信息***中建立该矿区基础数据库;
步骤八、以步骤七建立的区域GIS数据库为基础,基于GIS技术和RS技术,选择林玉环汞一维迁移模型,并对该模型进行差异修正因子和分配系数的改进,得到重金属的迁移转化模型;
步骤九、以步骤七建立的区域GIS数据库为基础,构建锰矿区土水界面流中锰及伴生重金属分布的BP预测模型;利用该模型对锰矿区土水界面流中锰及伴生重金属分布含量、空间变异性及分布进行预测,并利用ArcGIS软件完成锰矿区土水界面流中锰及伴生重金属空间分布图形的绘制;
在自然降雨且降雨强度大于下渗强度产生径流时,在每个采样点采集地表坡面径流水样1.5L,放入聚乙烯瓶并用黑色塑料袋包装,将所采径流水样震荡混匀,离心分离后用玻璃纤维滤膜过滤,所得径流水样冷藏保存贴好标签,做好采样记录;
测定过程中以测量准确度和测量不确定度为控制指标进行测量数据的质量控制;
通过所述半变异函数描述区域化变量的结构性和随机性,分析研究区土水界面重金属污染流中锰及伴生重金属污染物的空间变异规律,结合BP神经网络对各个采样点的空间位置与该采样点各重金属含量之间映射关系的分析,利用BP神经网络与半变异函数相结合构建锰矿区土水界面中锰及伴生重金属分布的BP预测模型;
对采样点测试植物样本重金属元素含量数值进行函数拟合,获得适用于重金属元素含量插值的理论半方差函数模型,利用包括局域离群值的采样点进行空间变异预测结果分布图的绘制;
步骤二所述对拟插值子样本进行探索性空间数据分析处理的具体步骤为:
第一步、通过重金属元素含量数值的偏峰度计算及检验,考察其是否符合标准正态分布条件H0,若符合标准正态分布条件H0,则进行步骤三;否则,执行第二步;
第二步、计算样本均值μ、标准差σ,去除区间(μ-1.96σ,μ+1.96σ)以外的值后再次执行第一步;
第三步、对采样点土壤样本的数据进行对数变换,再次执行第二步,重新计算变换后样本的μ和σ,若符合标准正态分布条件H0则对拟插值子样本进行探索性空间数据分析处理,获得采样点土壤样本的各向异性参数、步长和步数,否则执行第四步;
第四步、反复执行第三步三,若符合标准正态分布条件H0则对拟插值子样本进行探索性空间数据分析处理,获得采样点土壤样本的各向异性参数、步长和步,否则采用Box-Cox变换后再执行第二步,若不符合标准正态分布条件H0,则停止计算,重新进行测试植物采样。
进一步,所述空间数据分析处理采用分布式3D动态空间数据分析方法,将三维空间数据存储在分布式数据库***中,以指定的时间间隔存储动态3D数据,收集动态体的空间数据,以指定的时间间隔存储某一时间点的数据信息构成一种新型的3D云数据***,用于动态体的行为分析、行为判断,具体步骤如下:
(1)利用模型三维空间及基本的3D栅格结构和八叉树结构建立数据模型,3D栅格结构是一个紧密排列充满3D空间的阵列,这个结构存储数据没有任何压缩,八叉树结构适合表示体对象,是一个非原始的表示方法,可近似表示复杂形状的对象,对于运动体,记录时间点上的空间数据,以3D栅格结构和八叉树的数据结构存储,将设计好分布式数据库表结构,首先将运动体分割成一系列细分的点集,将点集作为Hbase表的row_key,将预估能容纳活动体活动范围的空间,分割为细分的点集,将点集作为Hbase表的列族,列族中包括3D栅格结构和八叉树的数据结构的所有信息,将活动体的运动完全映射到空间的点集中;
(2)当统计运动体3D空间信息时,以一定的时间间隔记录数据,利用分布式数据库的实时存取性能,实现数据的随机读写,读写之后,用于数据分析,以三维空间点的形式分析运动体的行为特点、运动趋势,最终根据3D空间划分点的坐标绘制曲线图,使运动体的行为可视化。
进一步,所述GIS数据库的增量更新方法包括:
用于将第一计算机中对第一GIS数据的更新,通过第二计算机更新到第二GIS数据中,所述第一计算机对第一GIS数据进行更新操作具体包括:对所述第一GIS数据中的要素进行新增、删除和/或修改,和/或对所述第一GIS数据中的要素的属性进行新增、删除和/或修改,包括:
第一步,按照操作的先后顺序,同步记录第一计算机对第一GIS数据进行更新操作时的操作过程数据,将所述操作过程数据保存起来作为伪增量文件;
第二步,将所述伪增量文件存储到第二计算机中,当所述第二计算机的显示屏的尺寸或分辨率与所述第一计算机的显示屏的尺寸或分辨率不相同时,对所述伪增量文件中的位置信息进行适应性修改;
第三步,根据所述第二计算机中的伪增量文件,自动驱动所述第二计算机对所述第二GIS数据进行更新操作;所述进行更新操作的同时,自动记录所述更新操作产生的增量信息。
本发明提供的基于GIS技术支撑下的锰矿区土-水界面重金属污染流中锰及伴生重金属分布的BP预测模型,以GIS为基础,采用经典的地统计学理论,最大限度的利用了采样点所提供的各种信息,并且引入BP神经网络,使预测模型具有良好的容错能力和非线性逼近映射能力,使得预测的锰矿区土-水界面重金属污染流中锰及伴生重金属含量和空间分布更加客观准确。本发明为锰矿区重金属污染的生态风险评价、控制、治理与修复等提供理论基础和科学依据,促进矿区及矿业城市的和谐发展,具有重大的应用价值和社会效益。本发明将三维空间数据存储在分布式数据库***中,以指定的时间间隔存储动态3D数据,构成一种新型的3D云数据***。基本思想是在某一时间段,收集动态体的空间数据,以指定的时间间隔存储某一时间点的数据信息,可用于动态体的行为分析、行为判断等方面。本发明针对目前对GIS数据库增量更新存在的技术缺陷,从另外一种视角,充分利用WINDOWS的事件驱动机制,利用钩子技术,在外业更新操作的同时,自动记录计算机鼠标及键盘的动作类型、屏幕X、Y坐标及操作时间等信息,而不是记录地理要素真实的空间坐标数据及属性信息,这样产生的增量数据具有数据量小、不包含任何保密信息的特点,很好地解决了GIS数据库增量更新及其高效、安全传递问题。基于这种更新方法,只需利用通用的GIS软件,经过简单编程即可实现GIS数据库增量更新。
附图说明
图1是本发明实施例提供的锰矿区土水界面污染流中锰及伴生重金属分布预测方法流程图。
图2是本发明实施例提供的锰矿区土-水界面重金属污染流中锰及伴生重金属的频数分布图。
图3是本发明实施例提供的锰矿区土-水界面重金属污染流中锰及伴生重金属的半变异函数拟合曲线图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
本实施例以湖南省某锰矿山为实验区,对该锰矿区土-水界面污染流中锰及伴生重金属分布预测方法进行实施验证。
请参阅图1至图3:
如图1所示,本发明实施例的锰矿区土水界面污染流中锰及伴生重金属分布预测方法,包括:
S101、采用***随机布点法进行径流水样采集,根据锰矿区采矿、洗选、冶炼等工业布局以及矿区土地利用现状和地形条件,采样点均匀分布在采样区域内并采用GPS进行样点定位,记录采样点经纬度;本实施例共采集到204个样品;
S102、在锰矿区采样点,筛选测试植物,并取植物附近的沉积物,测试植物地上部分茎的重金属含量和沉积物中重金属含量,分别获得各重金属元素的拟插值子样本,对拟插值子样本进行探索性空间数据分析处理,获得采样点测试植物样本的各向异性参数、步长和步数,确定植物体内重金属含量与沉积物中重金属含量间关系模型;
S103、对锰矿区径流水样中重金属含量进行测定,重金属Mn、Pb、Zn、Cu采用硝酸-高氯酸消煮,Cd、Ni采用王水-高氯酸消煮;Mn、Pb、Zn、Cu采用原子荧光分光光度法测定,Cd、Ni采用火焰原子吸收分光光度法测定;
S104、采用Grubbs法对所测径流水样原始数据中特异值进行检验和剔除;采用SPSS19.0进行数据的正态分布检验;采用地统计学软件GS+7.0进行数据的描述性统计分析、半变异函数和参数的计算,并利用BP神经网络模型得出半变异函数的拟合曲线;
采用Grubbs法对原始数据中特异值进行检验和剔除;采用SPSS19.0进行数据的正态分布检验;研究区土-水界面中锰及伴生重金属元素的统计特征值见表1。
表1锰矿区土水界面流中Mn、Ni、Cu、Zn、Cd、Pb的统计特征值
S105、采用人工神经网络方法进行沉积物中具有良好相关关系的重金属间的拟合,选择重金属间相关系数大的重金属进行拟合,确定沉积物中重金属间含量关系的模型;
所述确定沉积物中重金属间含量关系的模型,包括以下步骤:
经过试算选用含有1个隐层的BP神经网络模型。隐层内含有10个神经元,输入与隐层之间采用非线性激励函数,隐层与输出层之间采用线性激励函数。参数为:
学习速率:0.01期望误差:0.01训练周期:1000
训练函数:trainrp隐层数:1输入单元:1输出单元:1
激励函数:sigmoid-非线性函数:
选择重金属间相关系数较大的重金属,包括Cd与Pb、As与Pb、Cu与Pb,Zn与Pb,Mn与Pb使用人工神经网络进行重金属间模拟拟合。
S106、采用移动平均法确定沉积物中重金属含量沿河分布的拟合模型;
S107、建立GIS数据库:根据大量的实测数据,通过对污染区污染历史及区域资料调查与分析,结合背景调查分析和研究所需资料分析,结合将径流水样采样数据和沉积物中重金属含量沿河分布数据,在GIS信息***中建立该矿区基础数据库;
S108、以步骤S107建立的区域GIS数据库为基础,基于GIS技术和RS技术,选择林玉环汞一维迁移模型,并对该模型进行差异修正因子和分配系数的改进,得到重金属的迁移转化模型;
S109、以步骤S107建立的区域GIS数据库为基础,基于GIS技术,采用地统计学技术与经典数据挖掘技术相结合的方法,构建锰矿区土水界面流中锰及伴生重金属分布的BP预测模型;利用该模型对锰矿区土水界面流中锰及伴生重金属分布含量、空间变异性及分布进行预测,并利用ArcGIS软件完成锰矿区土水界面流中锰及伴生重金属空间分布图形的绘制。
进一步,在自然降雨且降雨强度大于下渗强度产生径流时,在每个采样点采集地表坡面径流水样1.5L,放入聚乙烯瓶并用黑色塑料袋包装,将所采径流水样震荡混匀,离心分离后用玻璃纤维滤膜过滤,所得径流水样冷藏保存贴好标签,做好采样记录。
进一步,测定过程中以测量准确度和测量不确定度为控制指标进行测量数据的质量控制。
进一步,通过所述半变异函数描述区域化变量的结构性和随机性,分析研究区土水界面重金属污染流中各重金属污染物的空间变异规律,结合BP神经网络对各个采样点的空间位置与该采样点各重金属含量之间映射关系的分析,利用BP神经网络与半变异函数相结合构建锰矿区土水界面中锰及伴生重金属分布的BP预测模型。
以区域GIS数据库为基础,基于GIS技术支撑,采用以区域化变化理论为基础、以半变异函数为基本工具的地统计技术与经典数据挖掘技术相结合的方法,通过半变异函数来描述区域化变量的结构性和随机性,分析研究区土-水界面中锰及伴生重金属污染物的空间变异规律,在此基础上,结合按误差逆传播算法训练的多层前馈网络——BP神经网络,基于BP神经网络对各个采样点的空间位置与该点各重金属含量之间映射关系的智能分析,通过训练集的训练后形成一个BP神经网络模型,利用该模型进行半变异函数的拟合,得到锰矿区土-水界面重金属污染流中锰及伴生重金属的半变异函数拟合曲线,其理论拟合模型的拟合曲线如图2所示;最后,利用BP神经网络与半变异函数相结合形成的理论拟合曲线进行空间插值,得出锰矿区土-水界面重金属污染流中锰及伴生重金属含量空间分布,并用ArcGIS软件完成土-水界面重金属空间分布图形的绘制,如图3所示。
进一步,对采样点测试植物样本重金属元素含量数值进行函数拟合,获得适用于重金属元素含量插值的理论半方差函数模型,利用包括局域离群值的采样点进行空间变异预测结果分布图的绘制。
进一步,步骤二所述对拟插值子样本进行探索性空间数据分析处理的具体步骤为:
步骤一、通过重金属元素含量数值的偏峰度计算及检验,考察其是否符合标准正态分布条件H0,若符合标准正态分布条件H0,则进行步骤三;否则,执行步骤二;
步骤二、计算样本均值μ、标准差σ,去除区间(μ-1.96σ,μ+1.96σ)以外的值后再次执行步骤一;
步骤三、对采样点土壤样本的数据进行对数变换,再次执行步骤二,重新计算变换后样本的μ和σ,若符合标准正态分布条件H0则对拟插值子样本进行探索性空间数据分析处理,获得采样点土壤样本的各向异性参数、步长和步数,否则执行步骤四;
步骤四、反复执行步骤三,若符合标准正态分布条件H0则对拟插值子样本进行探索性空间数据分析处理,获得采样点土壤样本的各向异性参数、步长和步,否则采用Box-Cox变换后再执行步骤二,若不符合标准正态分布条件H0,则停止计算,重新进行测试植物采样。
进一步,所述空间数据分析处理采用分布式3D动态空间数据分析方法,将三维空间数据存储在分布式数据库***中,以指定的时间间隔存储动态3D数据,收集动态体的空间数据,以指定的时间间隔存储某一时间点的数据信息构成一种新型的3D云数据***,用于动态体的行为分析、行为判断,具体步骤如下:
(1)利用模型三维空间及基本的3D栅格结构和八叉树结构建立数据模型,3D栅格结构是一个紧密排列充满3D空间的阵列,这个结构存储数据没有任何压缩,八叉树结构适合表示体对象,是一个非原始的表示方法,可近似表示复杂形状的对象,对于运动体,记录时间点上的空间数据,以3D栅格结构和八叉树的数据结构存储,将设计好分布式数据库表结构,首先将运动体分割成一系列细分的点集,将点集作为Hbase表的row_key,将预估能容纳活动体活动范围的空间,分割为细分的点集,将点集作为Hbase表的列族,列族中包括3D栅格结构和八叉树的数据结构的所有信息,将活动体的运动完全映射到空间的点集中;
(2)当统计运动体3D空间信息时,以一定的时间间隔记录数据,利用分布式数据库的实时存取性能,实现数据的随机读写,读写之后,用于数据分析,以三维空间点的形式分析运动体的行为特点、运动趋势,最终根据3D空间划分点的坐标绘制曲线图,使运动体的行为可视化。
进一步,所述GIS数据库的增量更新方法包括:
用于将第一计算机中对第一GIS数据的更新,通过第二计算机更新到第二GIS数据中,所述第一计算机对第一GIS数据进行更新操作具体包括:对所述第一GIS数据中的要素进行新增、删除和/或修改,和/或对所述第一GIS数据中的要素的属性进行新增、删除和/或修改,包括:
第一步,按照操作的先后顺序,同步记录第一计算机对第一GIS数据进行更新操作时的操作过程数据,将所述操作过程数据保存起来作为伪增量文件;
第二步,将所述伪增量文件存储到第二计算机中,当所述第二计算机的显示屏的尺寸或分辨率与所述第一计算机的显示屏的尺寸或分辨率不相同时,对所述伪增量文件中的位置信息进行适应性修改;
第三步,根据所述第二计算机中的伪增量文件,自动驱动所述第二计算机对所述第二GIS数据进行更新操作;所述进行更新操作的同时,自动记录所述更新操作产生的增量信息。
通过监测该区域植物体内重金属的含量拟合该位置沉积物中重金属含量。使用神经网络方法模拟可以用非线性函数拟合重金属含量,而又避免了确定是何种非线性函数,从而避免了计算各种参数,为实际工作提供了便利条件,可极大的节省取样和检测的时间、人力及费用,使河道沉积物重金属的定期检测成为可能;基于GIS技术支撑下的锰矿区土-水界面重金属污染流中锰及伴生重金属分布的BP预测模型,以GIS为基础,采用经典的地统计学理论,最大限度的利用了采样点所提供的各种信息,并且引入BP神经网络,使预测模型具有良好的容错能力和非线性逼近映射能力,使得预测的锰矿区土-水界面重金属污染流中锰及伴生重金属含量和空间分布更加客观准确。本发明能为锰矿区重金属污染的生态风险评价、控制、治理与修复等提供理论基础和科学依据,促进矿区及矿业城市的和谐发展,具有重大的应用价值和社会效益。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (3)
1.一种锰矿区土水界面污染流中锰及伴生重金属分布预测方法,其特征在于,所述的锰矿区土水界面污染流中锰及伴生重金属分布预测方法包括:
步骤一、采用***随机布点法进行径流水样采集,根据锰矿区采样点均匀分布在采样区域内并采用GPS进行样点定位,记录采样点经纬度;
步骤二、在锰矿区采样点,筛选测试植物,并取植物附近的沉积物,测试植物地上部分茎的重金属含量和沉积物中重金属含量,分别获得各重金属元素的拟插值子样本,对拟插值子样本进行探索性空间数据分析处理,获得采样点测试植物样本的各向异性参数、步长和步数,确定植物体内重金属含量与沉积物中重金属Mn、Cu、Ni、Zn、Pb、Cd含量间关系模型;
步骤三,对锰矿区径流水样中重金属含量进行测定,重金属Mn、Pb、Zn、Cu采用硝酸-高氯酸消煮,Cd、Ni采用王水-高氯酸消煮;Mn、Pb、Zn、Cu采用原子荧光分光光度法测定,Cd、Ni采用火焰原子吸收分光光度法测定;
步骤四、采用Grubbs法对所测径流水样原始数据中特异值进行检验和剔除;采用SPSS19.0进行数据的正态分布检验;采用地统计学软件GS+7.0进行数据的描述性统计分析、半变异函数和参数的计算,并利用BP神经网络模型得出半变异函数的拟合曲线;
步骤五、采用人工神经网络方法进行沉积物中具有良好相关关系的重金属间的拟合,选择重金属间相关系数大的重金属进行拟合,确定沉积物中重金属Mn、Cu、Ni、Zn、Pb、Cd间含量关系的模型;
步骤六、采用移动平均法确定沉积物中锰及伴生重金属含量沿河分布的拟合模型;
步骤七、结合径流水样采样数据和沉积物中锰及伴生重金属含量沿河分布数据,在GIS信息***中建立该矿区基础数据库;
步骤八、以步骤七建立的区域GIS数据库为基础,基于GIS技术和RS技术,选择林玉环汞一维迁移模型,并对该模型进行差异修正因子和分配系数的改进,得到重金属的迁移转化模型;
步骤九、以步骤七建立的区域GIS数据库为基础,构建锰矿区土水界面流中锰及伴生重金属分布的BP预测模型;利用该模型对锰矿区土水界面流中锰及伴生重金属分布含量、空间变异性及分布进行预测,并利用ArcGIS软件完成锰矿区土水界面流中锰及伴生重金属空间分布图形的绘制;
在自然降雨且降雨强度大于下渗强度产生径流时,在每个采样点采集地表坡面径流水样1.5L,放入聚乙烯瓶并用黑色塑料袋包装,将所采径流水样震荡混匀,离心分离后用玻璃纤维滤膜过滤,所得径流水样冷藏保存贴好标签,做好采样记录;
测定过程中以测量准确度和测量不确定度为控制指标进行测量数据的质量控制;
通过所述半变异函数描述区域化变量的结构性和随机性,分析研究区土水界面重金属污染流中锰及伴生重金属污染物的空间变异规律,结合BP神经网络对各个采样点的空间位置与该采样点各重金属含量之间映射关系的分析,利用BP神经网络与半变异函数相结合构建锰矿区土水界面中锰及伴生重金属分布的BP预测模型;
对采样点测试植物样本重金属元素含量数值进行函数拟合,获得适用于重金属元素含量插值的理论半方差函数模型,利用包括局域离群值的采样点进行空间变异预测结果分布图的绘制;
步骤二所述对拟插值子样本进行探索性空间数据分析处理的具体步骤为:
第一步、通过重金属元素含量数值的偏峰度计算及检验,考察其是否符合标准正态分布条件H0,若符合标准正态分布条件H0,则进行第三步;否则,执行第二步;
第二步、计算样本均值μ、标准差σ,去除区间(μ-1.96σ,μ+1.96σ)以外的值后再次执行第一步;
第三步、对采样点土壤样本的数据进行对数变换,再次执行第二步,重新计算变换后样本的μ和σ,若符合标准正态分布条件H0则对拟插值子样本进行探索性空间数据分析处理,获得采样点土壤样本的各向异性参数、步长和步数,否则执行第四步;
第四步、反复执行第三步,若符合标准正态分布条件H0则对拟插值子样本进行探索性空间数据分析处理,获得采样点土壤样本的各向异性参数、步长和步数,否则采用Box-Cox变换后再执行第二步,若不符合标准正态分布条件H0,则停止计算,重新进行测试植物采样。
2.如权利要求1所述的锰矿区土水界面污染流中锰及伴生重金属分布预测方法,其特征在于,所述空间数据分析处理采用分布式3D动态空间数据分析方法,将三维空间数据存储在分布式数据库***中,以指定的时间间隔存储动态3D数据,收集动态体的空间数据,以指定的时间间隔存储某一时间点的数据信息构成一种3D云数据***,用于动态体的行为分析、行为判断,具体步骤如下:
(1)利用模型三维空间及基本的3D栅格结构和八叉树结构建立数据模型,3D栅格结构是一个紧密排列充满3D空间的阵列,这个结构存储数据没有任何压缩,八叉树结构适合表示体对象,是一个非原始的表示方法,可近似表示复杂形状的对象,对于运动体,记录时间点上的空间数据,以3D栅格结构和八叉树的数据结构存储,将设计好分布式数据库表结构,首先将运动体分割成一系列细分的点集,将点集作为Hbase表的row_key,将预估能容纳活动体活动范围的空间,分割为细分的点集,将点集作为Hbase表的列族,列族中包括3D栅格结构和八叉树的数据结构的所有信息,将活动体的运动完全映射到空间的点集中;
(2)当统计运动体3D空间信息时,以一定的时间间隔记录数据,利用分布式数据库的实时存取性能,实现数据的随机读写,读写之后,用于数据分析,以三维空间点的形式分析运动体的行为特点、运动趋势,最终根据3D空间划分点的坐标绘制曲线图,使运动体的行为可视化。
3.如权利要求1所述的锰矿区土水界面污染流中锰及伴生重金属分布预测方法,其特征在于,所述GIS数据库的增量更新方法包括:
用于将第一计算机中对第一GIS数据的更新,通过第二计算机更新到第二GIS数据中,所述第一计算机对第一GIS数据进行更新操作具体包括:对所述第一GIS数据中的要素进行新增、删除和/或修改,和/或对所述第一GIS数据中的要素的属性进行新增、删除和/或修改,包括:
第一步,按照操作的先后顺序,同步记录第一计算机对第一GIS数据进行更新操作时的操作过程数据,将所述操作过程数据保存起来作为伪增量文件;
第二步,将所述伪增量文件存储到第二计算机中,当所述第二计算机的显示屏的尺寸或分辨率与所述第一计算机的显示屏的尺寸或分辨率不相同时,对所述伪增量文件中的位置信息进行适应性修改;
第三步,根据所述第二计算机中的伪增量文件,自动驱动所述第二计算机对所述第二GIS数据进行更新操作;所述进行更新操作的同时,自动记录所述更新操作产生的增量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610244549.4A CN105911037B (zh) | 2016-04-19 | 2016-04-19 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610244549.4A CN105911037B (zh) | 2016-04-19 | 2016-04-19 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105911037A CN105911037A (zh) | 2016-08-31 |
CN105911037B true CN105911037B (zh) | 2018-05-15 |
Family
ID=56747580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610244549.4A Active CN105911037B (zh) | 2016-04-19 | 2016-04-19 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105911037B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779061B (zh) * | 2016-11-11 | 2019-01-29 | 四川农业大学 | 一种地形平缓区土壤重金属镉空间分布预测方法 |
CN106599396A (zh) * | 2016-11-25 | 2017-04-26 | 北京佳业佳境环保科技有限公司 | 针对污染场地修复的3d模型模拟方法 |
CN106980603B (zh) * | 2017-02-23 | 2019-05-17 | 中国科学院南京土壤研究所 | 基于土壤类型归并与多元回归的土壤锰含量预测方法 |
CN107300550A (zh) * | 2017-06-21 | 2017-10-27 | 南京大学 | 一种基于bp神经网络模型预测大气重金属浓度的方法 |
CN107766295A (zh) * | 2017-09-05 | 2018-03-06 | 湖北大学 | 一种对土壤养分测试数据进行特异值处理的方法及*** |
CN109359814B (zh) * | 2018-09-06 | 2021-03-09 | 和辰(深圳)科技有限公司 | 土壤成分信息处理方法、装置、***、存储介质及设备 |
CN109307687B (zh) * | 2018-12-03 | 2020-12-22 | 苏州市环境科学研究所 | 一种基于神经网络的现场快速检测土壤重金属含量的方法 |
WO2020152750A1 (ja) * | 2019-01-21 | 2020-07-30 | Jfeスチール株式会社 | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 |
CN110364231B (zh) * | 2019-06-27 | 2020-03-10 | 华南理工大学 | 预测玻璃体系性质的方法 |
JP7182527B2 (ja) * | 2019-08-29 | 2022-12-02 | 株式会社神鋼環境ソリューション | 添加率決定方法、及び添加率決定装置 |
CN110596008B (zh) * | 2019-09-06 | 2020-10-23 | 中国科学院空天信息创新研究院 | 基于地块的中国洪积平原农业区土壤养分数字制图方法 |
CN110969345B (zh) * | 2019-11-20 | 2024-01-23 | 北京贵清科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
CN111598315A (zh) * | 2020-04-29 | 2020-08-28 | 生态环境部华南环境科学研究所 | 一种农用地土壤环境质量预警管理*** |
CN112288243B (zh) * | 2020-10-19 | 2021-07-23 | 中国煤炭地质总局勘查研究总院 | 一种煤中伴生金属资源评价方法及装置 |
CN112557612B (zh) * | 2020-11-20 | 2022-06-03 | 中南大学 | 利用水系沉积物解析金属矿区地下水重金属污染源及污染边界的方法 |
CN112950044A (zh) * | 2021-03-15 | 2021-06-11 | 扬州大学 | 一种沉积物重金属的生态风险评价方法 |
CN112986538A (zh) * | 2021-05-06 | 2021-06-18 | 中南大学 | 大区域土壤重金属检测与时空分布特征分析方法及*** |
CN114255829B (zh) * | 2021-12-13 | 2022-09-20 | 贵州省地质矿产勘查开发局一O三地质大队 | 一种新类型锰矿床的识别方法 |
CN116881244B (zh) * | 2023-06-05 | 2024-03-26 | 易智瑞信息技术有限公司 | 一种基于列存数据库的空间数据的实时处理方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184487A (zh) * | 2011-05-17 | 2011-09-14 | 华东师范大学 | 基于gis技术和一维水质模型的污染源管理***及其运作方法 |
CN102841081A (zh) * | 2012-08-30 | 2012-12-26 | 湖南科技大学 | 有色金属矿区土-水界面污染流中各重金属分布预测方法 |
CN103106347A (zh) * | 2013-02-27 | 2013-05-15 | 北京师范大学 | 一种基于土壤属性空间分布的农业面源磷污染估算方法 |
CN103544550A (zh) * | 2013-11-08 | 2014-01-29 | 湖南科技大学 | 一种金属矿区土-水界面重金属污染负荷的预测方法 |
CN103558282A (zh) * | 2013-10-30 | 2014-02-05 | 湖南科技大学 | 一种有色金属矿区土水界面污染流中重金属元素检测方法 |
-
2016
- 2016-04-19 CN CN201610244549.4A patent/CN105911037B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184487A (zh) * | 2011-05-17 | 2011-09-14 | 华东师范大学 | 基于gis技术和一维水质模型的污染源管理***及其运作方法 |
CN102841081A (zh) * | 2012-08-30 | 2012-12-26 | 湖南科技大学 | 有色金属矿区土-水界面污染流中各重金属分布预测方法 |
CN103106347A (zh) * | 2013-02-27 | 2013-05-15 | 北京师范大学 | 一种基于土壤属性空间分布的农业面源磷污染估算方法 |
CN103558282A (zh) * | 2013-10-30 | 2014-02-05 | 湖南科技大学 | 一种有色金属矿区土水界面污染流中重金属元素检测方法 |
CN103544550A (zh) * | 2013-11-08 | 2014-01-29 | 湖南科技大学 | 一种金属矿区土-水界面重金属污染负荷的预测方法 |
Non-Patent Citations (2)
Title |
---|
GIS 支持下的土壤重金属污染预测预警研究;严加永 等;《吉林大学学报(地球科学版)》;20070531;第37卷(第3期);第592-596页 * |
基于 GIS和地统计学的淮南矿区土壤重金属含量与空间分布研究;王晓辉 等;《长江流域资源与环境》;20141130;第23卷(第Z1期);第60-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105911037A (zh) | 2016-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105911037B (zh) | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 | |
Engel et al. | The role of geographical information systems in groundwater engineering | |
Maqsoom et al. | A GIS-based DRASTIC model and an adjusted DRASTIC model (DRASTICA) for groundwater susceptibility assessment along the China–Pakistan economic corridor (CPEC) route | |
CN103544550B (zh) | 一种金属矿区土-水界面重金属污染负荷的预测方法 | |
Delin et al. | Comparison of local-to regional-scale estimates of ground-water recharge in Minnesota, USA | |
Babiker et al. | A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara Heights, Gifu Prefecture, central Japan | |
Krysanova et al. | Development and test of a spatially distributed hydrological/water quality model for mesoscale watersheds | |
CN114443982A (zh) | 一种大区域土壤重金属检测与时空分布特征分析方法及*** | |
CN102841081A (zh) | 有色金属矿区土-水界面污染流中各重金属分布预测方法 | |
Carrión-Mero et al. | Geodiversity and mining towards the development of geotourism: A global perspective | |
CN106203729A (zh) | 一种协助进行地下水污染评估的方法及*** | |
Upadhyay et al. | Groundwater potential zone mapping in the Ghaggar River Basin, North-West India, using integrated remote sensing and GIS techniques | |
Darwishe et al. | Prediction and control of nitrate concentrations in groundwater by implementing a model based on GIS and artificial neural networks (ANN) | |
Kumar | Groundwater data requirement and analysis | |
Kumar et al. | Concepts and modeling of groundwater system | |
CN107957982A (zh) | 震后次生地质灾害易发性快速评估方法和*** | |
Hawkes et al. | Multi-Period Regional Survey Data from Vidarbha, Maharashtra, India. | |
Arnold | Soil survey and soil classification | |
Yang et al. | Urban green service equity in Xiamen based on network analysis and concentration degree of resources | |
Bathi et al. | Computer tools for urban hydrology and water quality management | |
Margot et al. | History of French hydrogeology | |
Benedict et al. | Data visualization, time-series analysis, and mass-balance modeling of hydrologic and water-quality data for the McTier Creek watershed, South Carolina, 2007-2009 | |
Modrovits et al. | Comparison of Various Growth Curve Models in Characterizing and Predicting Water Table Change after Intensive Mine Dewatering Is Discontinued in an East Central European Karstic Area | |
Marras | Numerical modeling of the pollutant spread and a web application for environmental monitoring to support mine reclamation activities | |
Grealish et al. | Conceptual soil-regolith toposequence models to support soil survey and land evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB03 | Change of inventor or designer information |
Inventor after: Ren Bozhi Inventor after: Luo Xin Inventor after: Deng Renjian Inventor after: Zheng Xie Inventor before: Ren Bozhi Inventor before: Deng Renjian Inventor before: Zheng Xie |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |