CN114443982B - 一种大区域土壤重金属检测与时空分布特征分析方法及*** - Google Patents
一种大区域土壤重金属检测与时空分布特征分析方法及*** Download PDFInfo
- Publication number
- CN114443982B CN114443982B CN202210116117.0A CN202210116117A CN114443982B CN 114443982 B CN114443982 B CN 114443982B CN 202210116117 A CN202210116117 A CN 202210116117A CN 114443982 B CN114443982 B CN 114443982B
- Authority
- CN
- China
- Prior art keywords
- data
- soil
- heavy metal
- analysis
- area
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Food Science & Technology (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Processing Of Solid Wastes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大区域土壤重金属检测与时空分布特征分析方法及***,其方法包括如下步骤:S1设置一大区域土壤重金属检测与时空分布特征分析***,S2构建用于大区域多种重金属元素空间分布的分析模型;S3确定分析对象;S4对各网格化区域内的城市表层土壤进行采样和检测;S4将采样复合检测数据代入分析模型,对土壤重金属含量、地理信息进行分析,绘制4种重金属元素的总体含量分布图。本发明提供的***,其包括远程服务器、多个前端机及终端设备。本发明通过筛选关键检测对象、构建新的数学模型,综合利用采样点数据和地球化学调查数据,分析大区域内重金属元素分布特征,分析结果的区域覆盖性完整、精确性高,分析过程的自动化程度高。
Description
技术领域
本发明涉及土壤重金属检测与地理信息分析技术领域,特别涉及一种大区域土壤重金属检测与时空分布特征分析方法及***。
背景技术
随着我国城市化的快速发展,越来越多的地域、经济、文化均密切相关的城市群相继出现。城市群,是城市发展到成熟阶段的最高空间组织形式,是指在特定地域范围内,一般以1个以上特大城市为核心,由3个以上大城市为构成单元,依托发达的交通通信等基础设施网络所形成的空间组织紧凑、经济联系紧密、并最终实现高度同城化和高度一体化的城市群体。城市群是在地域上集中分布的若干特大城市和大城市集聚而成的庞大的、多核心、多层次城市集团,是大都市区的联合体。包括国家级的京津冀城市群、长三角城市群、粤港澳城市群、成渝城市群,以及各省内的城市群,广东的深莞惠,湖南的长株潭等。根据区域发展理论,通过对各城市群在地理位置、资源条件、产业分布、政策体系、发展模式等方面进行调查、研究,可以为城市群及区域一体化发展政策制定等提供基础。但是,由于目前存在各种技术困难,尚未发现有以城市群等大区域为对象进行土壤重金属污染检测与空间、时间分布特征分析的报道,同时,也不能对其进行动态的***化监控。
土壤是人类生存最宝贵的自然资源,对重金属等环境污染物有吸附、缓冲和净化作用,但是土壤重金属污染对人类和生物体的正常生存与发展会造成直接或间接的危害,研究土壤中重金属的空间、时间分布并进行趋势分析、预测,是制定城市群等大区域生态环境环保政策和技术方案的重要基础。据媒体报道,自20 世纪以来国内部分城市群的重金属污染及健康损害事件时有发生,但是过去人们仅在村镇等小区域内对农田等特定对象开展了重金属污染检测和重金属空间分布调查,但是并未能进行城市群等跨城市的大区域进行调查研究,特别是没有对大区域的时间维度进行趋势预测研究,同时,也不能根据对其进行动态的***化监控和预测分析,提前制定和实施针对性的措施,避免或减少重金属污染及健康损害事件的发生。
现有技术中的重金属,原义是指比重大于5(一般为密度>4.5 g/cm³)的金属,其在人体中累积达到一定程度会造成慢性中毒。国家《土壤环境质量标准GB15618-1995》规定了8 种元素:砷(As)、镉(Cd)、铬(Cr) 、
铜(Cu)、汞(Hg)、镍(Ni)、铅(P b)、锌(Zn),研究中通常还把土壤中其他的金属(或类金属)污染物也加入其中,达到10-15种元素。现有技术中在土壤重金属的数据提取或者采样检测的过程中,由于研究的重金属元素多种多样(一般为10种以上),数据来源多种多样,数据格式多种多样(不统一),导致这些数据不能直接应用于城市群等大区域的研究;同时,由于目前的相关研究,都是采用人工(专业研究人员)利用多种软件、多个步骤,加上自身的专业能力和经验,花费较长的时间(6-12个月)才能完成对一个局部(如单个城市)区域的研究,并得出研究结果;如果将这种方法应用于城市群等大区域的研究,则需要花费1年甚至数年,使结果丧失时效性;此外,由于人工收集和处理数据受到的局限性很大,往往会因为采样点区域小、样本数量有限、重金属元素多(10余种)、各种来源的数据格式不统一、依赖专业人员的技术和经验等因素,导致采用现有的研究方法并不能应用于覆盖整个大区域的空间分布和时间变化的***化研究;采用现有研究方法即使能够得到大区域的分析结果,该结果的客观性、代表性、精确性、趋势性也会存在较大的不足,也无法提供客观依据,为进一步对城市群大区域的土壤环境质量做出分析评价和制定针对性的防治方案提供支持。
要实现对大区域内的土壤重金属元素污染的***化分析和监控,必须提供适用的算法、算力和数据,以摆脱对专业人员的依赖。现有技术中采用的常规分析方法,均是采用多种工具、多种方法、分步骤对多种的金属元素中的一种(单一元素)进行分析处理,然后再汇总,由于这些算法缺乏针对性、通用性,所以存在着效率低、无法分析各元素之间相关性、分析结果不准确等问题;现有分析方法采用的算力均为研究人员的终端设备,难以存储和处理大区域、多年份的海量数据,也无法快速对多种来源、多种格式的数据进行统一化处理,更不能实现对大区域土壤重金属污染的动态监测;数据方面,由于土壤重金属元素污染分析涉及到自然、人文、经济等大量数据,对其进行采集、提取、清洗、处理、分析,由其是对其进行定期(季度或者半年)动态化更新,需要耗费大量的人工,采用现有技术显然是难以完成的。目前也未发现能够实现对大区域土壤重金属污染进行自动化分析和监控的信息化***。因此,通过分析各金属元素及相关因素进行算法优化,简化数据并提高算力,最终获得精度更高、速度更快、完全不依赖专业人员的分析与预测结果,是构建所述分析和监控的信息化***的关键。
综上,针对目前的土壤环境质量的分析、评价和结果输出,大多数还是由领域专家人工完成,利用其掌握的专业技术,采用人工方式分多个步骤和阶段,进行数据收集、分析、判断,存在着数据获取途径有限、数据处理能力低、分析效率低、分析结果具备一定的主观性(可量化指标少、指标不能形成体系)等不足,不能充分利用大量相关的现有数据,分析过程的自动化程度低,过程可重复性、方法可验证性较差,不能满足大区域、大数据量、大时间跨度的土壤重金属污染分析的问题,以及不能采用***化手段,进行动态监控的问题,本领域研究人员还需要进一步找出具有预警性、科学性、可供制定决策参考的量化数据或指标体系。因此,针对大区域土壤重金属检测与分析的需求,迫切需要研究出一种新的、通过信息化技术构建的,基于国土开发的具可持续性、可操作性的大区域土壤重金属检测与时空分布特征分析方法及计算机***,以摆脱对专业人员的依赖,克服采样数据少的局限性,充分利用多个来源的相关数据,为大区域科学利用国土资源、防范风险提供客观和可动态更新的科学依据。
发明内容
针对现有技术的上述不足,本发明目的在于,以大尺度区域(或流域)城市群为研究对象的一种大区域土壤重金属检测与时空分布特征分析方法,提供一种新的方法及体系,通过相关性等筛选典型的检测对象为关键重金属元素,优化算法、简化数据,综合处理和利用采样点数据、多目标地球化学调查及遥感数据,构建新的数学模型,分析大区域内As、Cd、Hg、Pb 四种关键重金属元素分布的时间和空间特征,并使其分析结果的区域覆盖性完整、精确性高,形成可量化的指标体系,以进一步应用于城市群的土壤环境质量分析评价以及动态监测。
本发明的目的还在于,提供一种实施上述方法的计算机***,通过计算机软硬件的协同,基于关键金属元素而同步优化算法、算力和数据,摆脱对专业人员的依赖,实现对于大区域土壤重金属检测与时空分布特征分析数据的采集、录入、运算、结果输出的自动化,提高数据分析处理能力、效率及分析结果的准确性、客观性,避免人为因素对数据及结果输出的干扰。
为实现上述目的,本发明所采用的技术方案是:
一种大区域土壤重金属检测与时空分布特征分析方法,其特征在于,其包括如下步骤:
S1:设置一大区域土壤重金属检测与时空分布特征分析***,其为一B/S架构的分布式计算机***,包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;在所述远程服务器中,内置有用于大区域多种重金属元素时空分布的分析软件、数据处理模块与数据存储模块;
S2:确定需要分析的目标大区域范围,通过该分布式计算机***对目标大区域进行网格化,从外部获取多目标地球化学调查、遥感数据,以及自然地理、人文地理和社会经济数据,进行多元化信息提取及构建数据库:首先获取在已知时间和已知区域内获得的多目标地球化学调查和遥感数据及其中的GIS网格规划及地表覆盖数据,再从地球化学调查报告中,提取研究目标大区域所对应的多个年份、已知区域的化学探测数据和多目标数据;从地理国情普查报告中,提取研究目标大区域所对应的多个年份的自然地理、人文地理和社会经济数据;从目标大区域内已完成的局部区域的土壤重金属现场采样报告数据中,提取研究目标大区域对应的土壤重金属时空分布数据;对于不同来源、不同时间、不同地点的数据,由远程服务器的数据处理模块进行标准化处理后,导入到数据存储模块中;远程服务器再调用GIS工具,对该数据在时间维度与空间维度两个维度上进行运算和叠加,得到该目标大区域的土壤重金属在已知时间及空间内时空分布的已有数据,并导入到专门构建的数据库中;
S3:分析上述已有数据,确定目标大区域土壤重金属的具体对象,以及确定该目标大区域土壤重金属的空间分布与时间分布特征分析的具体方法,并以土壤地球化学基准值为基准,确定分析结果的精度标准;
根据步骤S2获得的已有数据中得到的目标大区域内多种重金属元素之间的自相关性,由该分布式计算机***筛选后,确定大区域中土壤重金属的As、Cd、Hg、Pb 元素为土壤中的关键重金属元素,将其作为研究分析对象,并作为简化数据、简化分析模型、进行自动化分析并提高分析结果精度,及基于该关键重金属元素实施土壤污染动态监测的基础;
构建用于大区域的多种重金属元素空间分布的分析模型,采用地理空间回归中的多元逐步回归模型分析土壤中Hg 和Pb 的含量,采用最小二乘回归模型分析土壤中As 和Cd 的含量;
构建时间维度分析数学模型,采用BP 神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析;
S4:根据目标大区域的网格化区域划分,将上述已有数据代入到各分析模型中,由该分布式计算机***分别进行运算和分析,进行数据简化,排除初步分析后的轻度污染区,将中度以上污染区作为需要补充实地采样的网格区域,并找出已有数据不能满足空间分布及时间维度分析精度要求的网格化区域,通过补充实地采样获得该网格区域的采样复合检测数据,使其与已有数据结合后能够满足分析精度要求;
根据该多目标地球化学调查和遥感数据的GIS网格,进行补充实地采样点的GIS网格规划,对需要补充实地采用的各网格化区域内的城市表层土壤,按照设定的比例和地点进行采样和检测,获得各网格化区域内的城市群土壤中As、Cd、Hg、Pb 元素含量与与采样时间、GIS网格相关联的补充采样复合检测数据,并且使该补充采样复合检测数据,与前后多次获得的不同年份、在相同网格内的已有数据具有可比性;
S5:将所获得的补充采样复合检测数据,汇总导入到专门构建的数据库中,与步骤S2获得的已有数据相结合,分别代入逐步回归和最小二乘回归模型,并通过辅助因子构建回归克里格插值法,对大区域下具有高度偏斜性和少量高峰值的土壤重金属样本数据的空间预测,再次对土壤重金属含量、地理信息、时间维度的变化进行二次分析,判断该数据能否满足分析结果精度要求;如能够满足要求则进一步进行步骤S6、S7,对目标大区域表层土壤中As、Cd、Hg、Pb 元素的统计特征和空间变异性进行分析,再采用ArcGIS 和GS+空间分析模块,绘制整个大区域表层土壤内4 种重金属元素的总体含量分布图、时间维度分布特征变化趋势图;如不能满足分析精度要求,则重复步骤S4,直至所得数据能够满足分析结果精度要求;
S6:代入数据库中的已有数据和补充采样复合检测数据,并结合土壤环境因子数据,基于多种重金属元素空间分布的分析模型,采用单因子指数和内梅罗综合污染指数法,分别进行土壤重金属单元素污染分布特点分析和多元素综合污染分别分析,再分析和评价大区域土壤环境质量,输出区域内土壤污染空间特征分析的趋势性结果;
根据时间推移,该分布式计算机***动态更新外部获取的已有数据和补充采样复合检测数据,基于关键重金属元素的新旧数据比较,实施目标大区域土壤污染的空间维度变化的动态监测;当该分布式计算机***运算的风险达到预设值时,则该分布式计算机***发出风险警报,提示采取必要措施降低风险,防范环境健康损害事件发生;
S7:基于时间维度分析数学模型,采用BP 神经网络模型,基于有限的已有数据、采样复合检测数据,与土壤环境因子数据相结合,对土壤重金属元素含量时间维度的变化进行预测分析,输出区域内土壤污染时间维度变化的趋势性结果;
根据时间推移,该分布式计算机***动态更新外部获取的已有数据和补充采样复合检测数据,基于关键重金属元素、实施目标大区域土壤污染的空间与时间维度协同变化的动态监测;当该分布式计算机***运算的风险达到预设值时,则该分布式计算机***发出风险警报,提示采取必要措施降低风险,防范环境健康损害事件发生。
一种实施前述方法的大区域土壤重金属检测与时空分布特征分析***,其特征在于,其为一B/S架构的分布式计算机***,具体包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;
所述的远程服务器内设置有如下软件:
主控单元、GIS网格化管理模块、数据处理模块、数据存储模块、空间分布特征分析模块、ArcGIS 空间分析模块、GS+空间分析模块和污染状况评价模块;
所述主控单元内设有I/O模块、运算模块、存储模块;
所述的前端机内设有GIS定位管理模块、采样管理模块、样品检测管理模块、数据采集模块;
所述的终端设备为GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪;
所述的前端机通过数据接口与终端设备GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪连接,通过数据采集模块对该终端设备的检测数据进行采集。
与现有技术相比,本发明具有如下优点:
1、发明提供的大区域土壤重金属检测与时空分布特征分析方法,以大尺度区域(或流域)城市群为研究对象的一种大区域土壤重金属检测与时空分布特征分析方法,其提供了一种新的方法及体系,通过相关性等从众多重金属元素(10种以上)中筛选出少数典型的检测对象(As、Cd、Hg、Pb 四种元素)为关键重金属元素,并基于此进行优化算法、简化数据,综合处理和利用采样点数据、多目标地球化学调查及遥感数据,构建新的数学模型,分析大区域内As、Cd、Hg、Pb 四种元素分布的时间和空间特征,并使其分析结果的区域覆盖性完整、精确性高,形成可量化的指标体系,以进一步应用于城市群的土壤环境质量分析评价,突破了现有人工分析的用人多、耗时长、费用高、结果精度低等多种局限性。
2、本发明提供的大区域土壤重金属检测与时空分布特征分析***,是一种用于实施上述方法的分布式计算机***,是通过信息化技术,构建的基于国土开发的具可持续性、可操作性的大区域土壤重金属检测与时空分布特征分析方法及计算机***,摆脱对专业人员的依赖,充分利用多个来源的相关数据,将多个阶段、步骤集成在一个***之内,普通技术人员即可操作并输出高精度的分析结果,为大区域科学利用国土资源、防范风险提供客观和可动态更新的科学依据。该***通过计算机软硬件的协同,基于较少的关键金属元素而同步优化算法、算力和数据,摆脱对专业人员的依赖,实现对于大区域土壤重金属检测与时空分布特征分析数据的采集、录入、运算、结果输出的自动化,提高数据分析处理能力、效率及分析结果的准确性、客观性,避免人为因素对数据及结果输出的干扰。该***具较强的独立性、易用性、可持续性和可操作性,完全突破了传统人工分析的局限性。此外,本发明提供的分布式计算机***,可定期更新数据、输出新的分析成果,或者根据新的需求进行功能扩展,在降低成本的基础上,增强了其实用性。
3、本发明提供的该方法及***,是基于筛选出的关键重金属元素,采用信息化手段,普通技术人员输入数据(或者导入采样数据),即可综合分析出自然地理、地表覆盖、社会经济对土壤重金属时空分布及变化趋势的影响结果,其数据处理、分析方法及结果呈现(输出)体系(监控指标体系)均由该分布式计算机***自动完成,可以实现对大区域土壤重金属元素变化趋势高效的分析与监测。该方法及***的分析效率是传统分析方法的50倍以上,分析精确度提升5倍以上,成本和耗时等降低到10%以下。
4、本发明提供的该方法及***,是通过对现有的多种、多来源的已知数据进行获取和分析,确定需要补充现场采样的局部区域,补齐该局部区域数据后,使所得到的分析结果达到分析精度的要求。充分利用现有的相关性数据,将有限的实地采样数据与土壤环境因子数据进行结合,对大区域土壤重金属进行回归克里格插值降低采样区域范围,以提高效率、降低成本,并获得精度更高的空间分布预测指标体系。
5、本发明提供的该方法及***,所采用的回归克里格插值,与传统技术中所用普通克里格插值方法的不同。本发明是基于关键重金属元素得到的精简的数据,对大区域下具有高度偏斜性和少量高峰值的土壤重金属样本数据的空间预测算法进行优化,综合取舍,利用辅助因子构建回归克里格插值,以克服普通克里格插值方法的平滑效应,实现能够在重金属种类减少的情况下,获得精度更高的预测分布指标体系。
6、本发明的研究目标大区域的确定方法包括:行政区划(省市)或者江河流域(子流域)。本发明不仅提供了大区域土壤重金属的空间分布预测,而且延伸了重金属污染的时间预测,并构建了分布式网络***。在实际应用中,利用本发明的方法及***,可以对不同区域的环境质量实时监测了解,当风险达到一定值,则发出风险警报,提醒采取必要措施降低风险,防范环境健康损害事件发生。因此本发明提供了现有人工分析方法所不具有的通用性和工具性,并且使该分析和结果具有较强的时效性。
为更清楚地阐述本发明的技术特征和功效,下面结合附图与具体实施例来对其进行详细说明。
附图说明
图1是本发明实施例大区域土壤重金属检测与时空分布特征分析***拓扑结构示意图;
图2是本发明实施例1大区域土壤重金属检测与时空分布特征分析***模块结构及分析方法的流程示意图;
图3是本发明实施例大区域表层土壤中As 元素空间分布分析结果示意图;
图4是本发明大区域表层土壤中Cd 元素空间分布分析结果示意图;
图5是大区域表层土壤中Hg 元素空间分布分析结果示意图;
图6是大区域表层土壤中Pb 元素空间分布分析结果示意图;
图7是本发明实施例土壤单元素环境质量评价结果示意图,其中:
(a)为 As 元素单因子评价结果示意图;
(b) 为Cd 元素单因子评价结果示意图;
(c)为 Hg 元素单因子评价结果示意图;
(d) 为Pb 元素单因子评价结果示意图;
图8是发明实施例各元素污染程度柱形图;
图9是为梅罗综合污染指数评价结果示意图;
图10为本发明实施例土壤环境质量综合评价结果示意图;
图11是本发明实施例3大区域土壤重金属检测与时空分布特征分析***模块结构及分析方法的流程示意图;
图12为本发明实施例BP网络模型构建流程示意图;
图13为长沙市土壤重金属含量预测效果示意图;
图14为株洲市土壤重金属含量预测效果示意图;
图15 为湘潭市土壤重金属含量预测效果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:
参见附图1~15,本发明实施例提供的大区域土壤重金属检测与时空分布特征分析方法,其包括如下步骤:
S1:设置一大区域土壤重金属检测与时空分布特征分析***,其为一B/S架构的分布式计算机***,包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;在所述远程服务器中,内置有用于大区域多种重金属元素时空分布的分析软件、数据处理模块与数据存储模块,以及其他所需的功能软件或模块;
S2:确定需要分析的目标大区域范围,通过该分布式计算机***对目标大区域进行网格化,从外部获取已有的多目标地球化学调查、遥感数据,以及通过外部已有的地理国情普查报告提取自然地理、人文地理和社会经济数据,进行多元化信息提取及构建数据库:首先获取在已知时间和已知区域内获得的多目标地球化学调查和遥感数据及其中的GIS网格规划及地表覆盖数据,再从地球化学调查报告中,提取研究目标大区域所对应的多个年份、已知区域的化学探测数据和多目标数据;从地理国情普查报告中,提取研究目标大区域所对应的多个年份的自然地理、人文地理和社会经济数据;从目标大区域内已完成的局部区域的土壤重金属现场采样报告数据中,提取研究目标大区域对应的土壤重金属时空分布数据;对于上述不同来源、不同时间、不同地点的数据,对其进行标准化处理后,导入远程服务器的数据库存储模块中;再调用GIS工具,对该数据在时间维度与空间维度两个维度上进行运算和叠加,得到该目标大区域的土壤重金属在已知时间及空间内时空分布的已有数据,并导入到专门构建的数据库中;
步骤S2还包括如下在分析各关键土壤重金属元素之间相关性的基础上,再结合各土壤重金属元素与国情要素间的相关性,进行逐步回归分析的步骤:
S21:选取大区域采样复合检测数据的80%,用于地理空间分布分析回归模型的建立,利用土壤变量与其他影响因子之间的相关性来模拟重金属的空间分布;
所述步骤S2中的逐步多元线性回归(SMLR)模型,逐步回归是从多元线性回归的n个自变量中挑选出对因变量y 起重要作用的因子组成偏回归方程。逐步回归在计算的每一步都需要对x 逐个进行检验,确保最终回归方程中全部包含并且仅包含对因变量y 作用显著的那些自变量x;逐步回归过程包含两个基本步骤,一是将不显著变量从回归模型中剔除,二是引入新变量到回归模型并对变量逐个检验;其模型公式为(3-1):
偏最小二乘回归(PLSR)的模型公式为(3-2):
式中,自变量为影响土壤重金属的因素:土壤pH 值、坡向、坡度、海拔、NDVI,将它们分别定义为变量x 1 ~x 5 ,土地利用方式的两个哑变量农用地与未利用地分别定义为x 6 、x 7 ,因变量y 1 ~y 4 分别代表As、Cd、Hg、Pb 四种重金属元素含量。
S22:对步骤S21的回归模型进行精度检测,选取大区域采样复合检测数据的20%用于模型精度检验,采用交叉验证和趋势分析,检验模型预测结果的准确性和精度,其中,绝对平均误差MAE、平均相对误差MRE、均方根误差RMSE的计算公式入下:
其中n为样本数量,M k 为第k个样点实际测量值,P k 为预测值。
S3:分析上述已有数据,确定目标大区域土壤重金属的具体对象(关键重金属元素),以及确定该目标大区域土壤重金属的空间分布与时间分布特征分析的具体方法,并以土壤地球化学基准值为基准,确定分析结果的精度标准,本实施例中为绝对误差小于±5%;
根据步骤S2获得的已有数据中得到的目标大区域内多种重金属元素之间的自相关性(包括基于自然地理区域特性的自相关性,以及基于光谱特征之间的自相关性),由该分布式计算机***筛选后,确定大区域中土壤重金属的As、Cd、Hg、Pb 元素为土壤中的关键重金属元素,将其作为研究分析对象,并作为简化数据、简化分析模型、进行自动化分析并提高分析结果精度,及基于该关键重金属元素实施土壤污染动态监测的基础;
基于四种关键重金属元素,构建用于大区域的多种重金属元素空间分布的分析模型,采用地理空间回归中的多元逐步回归模型分析土壤中Hg 和Pb 的含量,采用最小二乘回归模型分析土壤中As 和Cd 的含量;
构建时间维度分析数学模型,采用BP 神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析;
S4:根据目标大区域的网格化区域划分,将上述已有数据代入到各分析模型中,由该分布式计算机***分别进行运算和分析,进行数据简化,排除初步分析后的轻度污染区,将中度以上污染区作为需要补充实地采样的网格区域,并找出已有数据不能满足空间分布及时间维度分析精度要求的网格化区域,通过补充实地采样获得该网格区域的采样复合检测数据,使其与已有数据结合后能够满足分析精度要求;
根据该多目标地球化学调查和遥感数据的GIS网格,进行补充实地采样点的GIS网格规划,对需要补充实地采用的各网格化区域内的城市表层土壤,按照设定的比例和地点进行采样和检测,获得各网格化区域内的城市群土壤中As、Cd、Hg、Pb 元素含量与与采样时间、GIS网格相关联的补充采样复合检测数据,并且使该补充采样复合检测数据,与前后多次获得的不同年份、在相同网格内的已有数据具有可比性;
步骤S4,其具体包括如下步骤:
S41:对城市群大区域进行GIS网格化、并对各网格内的土壤样品采集,记录样品采集的时间与采集地点的GIS网格信息;
S42:将采集的样品带回实验室后,自然风干,剔除植物残渣和碎石,用玛瑙钵体进行研磨到100 目;
S43:对土壤样品进行前处理:采用硝酸-高氯酸-氢氟酸混合液进行消解;
S44:采用等离子体发射光谱仪(ICP-OES)检测Cd、Pb 元素的含量,采用原子荧光分析仪(AFS)检测As 和Hg 元素的含量;
S45:将各样品检测到的金属元素含量,分别与其采集时间及采集地点的GIS网格信息关联,得到基于GIS的各土壤样品中金属元素的采样复合检测数据。
S46:从外部获取基于多目标地球化学调查和遥感数据,提取其中的区域化探数据、多目标数据等信息,对其进行标准化处理后,导入远程服务器的多目标调查数据库模块中,与采样点得到的复合检测数据一起调用;同时根据该多目标地球化学调查和遥感数据的GIS网格,重新进行采样点的GIS网格规划,使前后多次获得的采样复合检据具有可比性;基于地理要素与重金属元素的相关性关系,利用多目标遥感数据获取大区域的环境数据进行预测分析,同时结合实际样点数据,通过地理加权回归运算,以提高预测的精度。
该判断已有数据结合后是否能够满足分析精度要求的步骤包括:将选取的反映工业变化的统计指标数据,以及大区域的土壤重金属的主要影响因子数据,代入步骤S7的BP神经网络模型,对土壤元素富集反演结果与已知数据比较,即将样本输出数据和模型的输出相比得到绝对误差,作为判断所得数据是否能够满足分析精度要求的数据,以减少初步分析的数据量和简化分析模型。当然,参照这种方法,还可以将其他数据,代入到对应的分析模型中进行反演,并将反演结果与已知数据比较,判断是是否在合理的误差要求范围之内。
S5:将所获得的补充采样复合检测数据,汇总导入到专门构建的数据库中,与步骤S2获得的已有数据相结合,分别代入逐步回归和最小二乘回归模型,并通过辅助因子构建回归克里格插值法,对大区域下具有高度偏斜性和少量高峰值的土壤重金属样本数据的空间预测,再次对土壤重金属含量、地理信息、时间维度的变化进行二次分析,判断该数据能否满足分析结果精度要求;如能够满足要求则进一步进行步骤S6、S7,对目标大区域表层土壤中As、Cd、Hg、Pb 元素的统计特征和空间变异性进行分析,再采用ArcGIS 和GS+空间分析模块,绘制整个大区域表层土壤内4 种关键重金属元素的总体含量分布图、时间维度分布特征变化趋势图;如不能满足分析精度要求,则重复步骤S4,直至所得数据能够满足分析结果精度要求;
所述的步骤S5具体的还包括如下步骤:运用已有数据及采样复合检测数据,分析重金属元素含量与土地利用、pH 值、高程、坡度、坡向、NDVI植被指数因子相关性,进行重金属的来源和迁移方式分析,其具体包括如下步骤:
S51分析土地利用/覆被变化(LUCC)对重金属分布的影响;
S52分析pH 值对土壤重金属含量的影响;
S53分析自然地理因素对土壤重金属含量的影响;
S54分析植被覆盖对土壤重金属含量的影响。
一种实施前述方法的大区域土壤重金属检测与时空分布特征分析***,其为一采用B/S架构的分布式计算机***,具体包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;
所述的远程服务器内设置有如下软件:
主控单元、GIS网格化管理模块、数据处理模块、数据存储模块、空间分布特征分析模块、ArcGIS 空间分析模块、GS+空间分析模块和污染状况评价模块,将原来由人工分为多个阶段、多个步骤完成的工作,集成为一个整体的自动化分析***;
所述主控单元内设有I/O模块、运算模块、存储模块,该存储模块用来存储和管理相关分析软件、程序、数据;
所述的前端机内设有GIS定位管理模块、采样管理模块、样品检测管理模块、数据采集模块,用于现场采集数据及数据的预处理;
所述的终端设备为GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪,用于获取各种检测对象的含量数据;
所述的前端机通过数据接口与终端设备GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪连接,通过数据采集模块对该终端设备的检测数据进行采集。
所述的远程服务器的内置软件还设有土壤重金属污染状况评价模块,基于空间分布特征分析数据及分析结果,用来对土壤重金属污染状况进行评价;该远程服务器的内置软件还设有一多目标调查数据库模块,用来管理基于多目标地球化学调查和遥感数据,供所述分析***的主控单元及其它模块调用;该远程服务器的内置软件还设有一时间维度分析模块,采用BP 神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析。本发明提供的分布式计算机***,通过外部输入或者自动获取的数据,可以独立的、较快的进行自动运算,并且输出精确度、客观性较高的分析结果,摆脱对专业人员的知识、经验、技能和工作的依赖,使分析结果具有较好的时效性,使其可以也应用于实时的环境质量监测,具较强的独立性、易用性、可持续性和可操作性,完全突破了传统人工分析的局限性。
具体实施例1
本发明实施例是对前述实施例方案的具体应用,是以湖南省长株潭城市群大区域为目标研究大区域,通过获取湘江流域已经实施的地理国情普查阶段成果及已经完成的地球化学调查数据为基础,结合相关调查监测成果,采用本发明的分析方法及信息化***工具,查明该大区域内关键重金属元素的区域分布特征;从城市化、工业化、矿产开发等方面分析国土空间开发带来的重金属污染趋势性变化问题;构建出具有预警性、科学性、可供决策参考的分析数据、指标体系及信息化***,通过示范研究,形成基于国土开发的具可持续性、可操作性的流域地理国情监测方法与工具体系,为该大区域的国土资源开发与环境治理提供科学的方法及依据。
本发明实施例采用的区域化探数据为:1980-1995 年湖南完成的全省1:20 万水系沉积物地球化学测量数据,数据网格为4km²,用以反映初始的环境状况,作为环境本底参考数据。
本发明实施例采用的多目标数据为:2003-2008 年完成的《湖南省洞庭湖区生态地球化学调查》成果,用以反映现代(实质为本世纪初)环境状况。分为表层和深层两层土壤样,数据网格:表层土壤为4km²,深层土壤为16km²。
本发明实施例采用的背景值为:土壤地球化学背景值,为表层土壤元素含量值反复剔除“平均值±2 标准差”后的算术平均值计算。
本发明实施例采用的基准值为:土壤地球化学基准值,为深层土壤元素含量值反复剔除“平均值±2 标准差”后的算术平均值计算。
本实施例所提供的大区域土壤重金属检测与空间分布特征分析方法,其包括如下步骤:
S1:设置一大区域土壤重金属检测与时空分布特征分析***,其为一B/S架构的分布式计算机***,包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;该远程服务器为云服务器,在所述远程服务器中,内置有用于大区域多种重金属元素时空分布的分析软件、数据处理模块与数据存储模块,以及其他所需的功能软件或模块;
所述的远程服务器、多个前端机及终端设备,通过基于web的程序相互连接,进行数据的输入、运算和输出;多个前端机及终端设备根据需要,设置在大区域内的多个地方性国土资源管理部门或研究机构;对于该远程服务器、多个前端机及终端设备的操作,不需要专业分析人员进行操作,普通管理人员根据提示操作,即可自动分析并输出运算的结果(指标体系或者可视化图表)。
S2:确定需要分析的目标大区域范围,本实施例目标大区域为长株潭城市群。其中的长沙,是长株潭城市群的中心城市、湖南省省会,株洲、湘潭均为城市群副中心城市,是湖南省重要的工业基地和交通要道。作为城市群核心区的长株潭三市沿湘江呈“Y”形分布,两两之间距离约为40 km。从自然地理条件看,三个城市具有相同的地质背景较好保证了研究区整体评价的合理性;其次研究区境内地形地貌和发达的水系对元素的扩散起到一定作用;第三长株潭三市的工农业发展定位突显了人为作用对重金属空间分布的影响。长株潭城市群地理位置位于湖南省中东部、湘江下游、长平盆地西部地区,涵盖了长沙、株洲、湘潭三个主要城市及其发展规划区,总面积2 920 km2,占全省土地总面积的13.3%。研究目标大区域的地理坐标为:E 112°29′42″~113°17′22″,N 27°42′05″~28°24′57″。土壤特征方面,长株潭土壤主要分布在湘江两岸一、二阶地的全新统冲积层,上部为砂质粘土和粘质砂土,下部为砂卵石、砂。受水系作用影响,土层粘结较弱,极易被流水带走。研究区土壤按成土母质分类,主要有新生代沉积物、白垩纪紫红砂岩、泥盆纪砂页岩、花岗岩、板页岩、灰岩等。如果按传统土壤分类有红壤、水稻土,两者约占土壤总面积80%;其余有潮土、紫色土、石灰土等其他土类,适合多种农作物和林木生长。
通过该分布式计算机***对目标大区域进行网格化,从外部获取已有的多目标地球化学调查、遥感数据,以及通过外部已有的地理国情普查报告(湖南省测绘产品质量监督检验授权站发布的2013-2015年湖南省地理国情普查成果报告,主要包括地表覆盖、重要地理国情要素、DEM、DOM四类数据)提取自然地理、人文地理和社会经济数据,进行多元化信息提取及构建数据库:首先获取在已知时间和已知区域内获得的多目标地球化学调查和遥感数据(具体遥感数据包括地理国情普查的DOM遥感影像成果报告,1990年7-8月、2005年6-10月Landsat5卫星影像和2013年6-10月Landsat8卫星影像)及其中的GIS网格规划及地表覆盖数据,再从地球化学调查报告中,提取研究目标大区域所对应的多个年份、已知区域的化学探测数据和多目标数据;本发明实施例将1990 年和2013 年TM 遥感影像、前述的地理国情普查成果、统计年鉴数据等专题资料,以县级行政区划为基本统计单元,统计区内城市主城区轮廓范围、面积等要素数据。从上述地理国情普查报告中,分别提取研究目标大区域所对应的多个年份的自然地理、人文地理和社会经济数据;从目标大区域内已完成的局部区域的土壤重金属现场采样报告数据中,提取研究目标大区域对应的土壤重金属时空分布数据;对于上述不同来源、不同时间、不同地点的数据,对其进行标准化处理后,导入远程服务器的数据库存储模块中;再调用GIS工具,对该数据在时间维度与空间维度两个维度上进行运算和叠加,得到该目标大区域的土壤重金属在已知时间及空间内时空分布的已有数据,并导入到专门构建的数据库中;
步骤S2还包括如下在分析各关键土壤重金属元素之间相关性的基础上,再结合各土壤重金属元素与国情要素间的相关性,进行逐步回归分析的步骤:
S21:选取大区域采样复合检测数据的80%,用于地理空间分布分析回归模型的建立,利用土壤变量与其他影响因子之间的相关性来模拟重金属的空间分布;
所述步骤S2中的逐步多元线性回归(SMLR)模型,逐步回归是从多元线性回归的n个自变量中挑选出对因变量y 起重要作用的因子组成偏回归方程。逐步回归在计算的每一步都需要对x 逐个进行检验,确保最终回归方程中全部包含并且仅包含对因变量y 作用显著的那些自变量x;逐步回归过程包含两个基本步骤,一是将不显著变量从回归模型中剔除,二是引入新变量到回归模型并对变量逐个检验;其模型公式为(3-1):
偏最小二乘回归(PLSR)的模型公式为(3-2):
式中,自变量为影响土壤重金属的因素:土壤pH 值、坡向、坡度、海拔、NDVI,将它们分别定义为变量x 1 ~x 5 ,土地利用方式的两个哑变量农用地与未利用地分别定义为x 6 、x 7 ,因变量y 1 ~y 4 分别代表As、Cd、Hg、Pb 四种重金属元素含量。
S22:对步骤S21的回归模型进行精度检测,选取大区域采样复合检测数据的20%用于模型精度检验,采用交叉验证和趋势分析,检验模型预测结果的准确性和精度,其中,绝对平均误差MAE、平均相对误差MRE、均方根误差RMSE的计算公式入下:
其中n为样本数量,M k 为第k个样点实际测量值,P k 为预测值。
S3:分析上述已有数据,确定目标大区域土壤重金属的具体对象(关键重金属元素),以及确定该目标大区域土壤重金属的空间分布与时间分布特征分析的具体方法,并以土壤地球化学基准值为基准,确定分析结果的精度标准,本实施例中为绝对误差小于±5%;
根据步骤S2获得的已有数据中得到的目标大区域内多种重金属元素之间的自相关性,由该分布式计算机***筛选后,确定大区域中土壤重金属的As、Cd、Hg、Pb 元素为土壤中的关键重金属元素,将其作为研究分析对象,并作为简化数据、简化分析模型、进行自动化分析并提高分析结果精度,及基于该关键重金属元素实施土壤污染动态监测的基础;
基于四种关键重金属元素,构建用于大区域的多种重金属元素空间分布的分析模型,采用地理空间回归中的多元逐步回归模型分析土壤中Hg 和Pb 的含量,采用最小二乘回归模型分析土壤中As 和Cd 的含量;
构建时间维度分析数学模型,采用BP 神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析;
本实施例中,上述多种重金属元素空间分布的分析模型中采用的土壤重金属元素实际调查数据(已知数据)为2年,基于影响因子对土壤重金属元素产生影响的原理,通过将9个影响因子数据代入该模型,获得土壤污染等级的逐年变化趋势分析结果,再将长株潭三个地区1986年和2005年的样本输出数据和模型的输出相比得到绝对误差,如下表1:
表1: 神经网络模型对土壤元素富集反演结果与已知数据比较误差表
由上表可以得出,该模型输出的结果在允许的误差范围内,所得的结果基本上与实际吻合。该预测结果显示,基于与土壤重金属污染有关因素的变化趋势数据,对土壤重金属污染情况进行估算具有较好的可行性。
S4:根据目标大区域的网格化区域划分,将上述已有数据代入到各分析模型中,由该分布式计算机***分别进行运算和分析,进行数据简化,排除初步分析后的轻度污染区,将中度以上污染区作为需要补充实地采样的网格区域,并找出已有数据不能满足空间分布及时间维度分析精度要求的网格化区域,通过补充实地采样获得该网格区域的采样复合检测数据,使其与已有数据结合后能够满足分析精度要求;根据该多目标地球化学调查和遥感数据的GIS网格,进行补充实地采样点的GIS网格规划,对需要补充实地采用的各网格化区域内的城市表层土壤,按照设定的比例和地点进行采样和检测,获得各网格化区域内的城市群土壤中As、Cd、Hg、Pb 元素含量与与采样时间、GIS网格相关联的补充采样复合检测数据,并且使该补充采样复合检测数据,与前后多次获得的不同年份、在相同网格内的已有数据具有可比性。
具体采用WGS-84 (World Geodetic System 1984)世界大地坐标系,对长株潭城市群的大区域进行GIS网格化划分,并对各网格化区域内的城市表层土壤,按照设定的网格比例和地点进行采样和检测(按照1:20 万比例,1000m x 1000m为一个网格),获得城市群土壤中As、Cd、Hg、Pb 元素含量、采集时间与GIS网格关联的采样复合检测数据;
S41:对城市群大区域进行GIS网格化、并对各网格内的土壤样品采集,采用五点梅花采集法采集样品;
S42:将采集的样品带回实验室后,自然风干,剔除植物残渣和碎石,用玛瑙钵体进行研磨到100 目;
S43:对土壤样品进行前处理:采用硝酸-高氯酸-氢氟酸混合液进行消解;
S44:采用等离子体发射光谱仪(ICP-OES)检测Cd、Pb 元素的含量,采用原子荧光分析仪(AFS)检测As 和Hg 元素的含量;
S45:将各样品检测到的金属元素含量与其所在网格的GIS数据关联,得到基于GIS的各土壤样品中金属元素含量的复合检测数据。
S46:将外部获取的基于多目标地球化学调查和遥感数据,导入远程服务器的多目标调查数据库模块中,与补充采样点得到的复合检测数据一起调用;包括湖南省1:20 万区域地球化学调查数据,1986 年和2005 年土壤重金属调查数据,2002~2006 年长株潭城市群区域生态地球化学调查数据等;同时根据该多目标地球化学调查和遥感数据的GIS网格,进行采样点的GIS网格规划,使用相同的GIS网格,进行采样和检测。
对上述的两时期地球化学数据的***误差处理:由于两期地球化学数据在采样介质、检测方法上均不一致,存在一定的***误差。区域化探数据系1980-1995 年期间采集的水系沉积物,多目标数据是2003-2005 年采集的是土壤样品,需要进行调平处理。因多目标数据检测标准、方法较区域化探数据先进,故保持多目标数据不变,对区域化探数据进行调整。具体方法是:
本发明实施例采用的外部土壤元素含量数据为来源于GIS网格化采集的数据,得到的土壤样品包括表层土壤样655 个,深层土壤样129 个,样品采用网格化方法采集,每平方公里设置1 个采样点。
S5:将所获得的补充采样复合检测数据,汇总导入到专门构建的数据库中,与步骤S2获得的已有数据相结合,分别代入逐步回归和最小二乘回归模型,并通过辅助因子构建回归克里格插值法,对大区域下具有高度偏斜性和少量高峰值的土壤重金属样本数据的空间预测,再次对土壤重金属含量、地理信息、时间维度的变化进行二次分析,判断该数据能否满足分析结果精度要求;如能够满足要求则进一步进行步骤S6、S7,对目标大区域表层土壤中As、Cd、Hg、Pb 元素的统计特征和空间变异性进行分析,再采用ArcGIS 和GS+空间分析模块,绘制整个大区域表层土壤内4 种重金属元素的总体含量分布图、时间维度分布特征变化趋势图;如不能满足分析精度要求,则重复步骤S4,直至所得数据能够满足分析结果精度要求。
所述的步骤S5具体还包括:通过分析重金属元素含量与土地利用、pH 值、高程、坡度、坡向、NDVI植被指数等因子相关性,进行重金属的来源和迁移方式分析。重金属的来源和迁移方式复杂多变,其空间分布受多种因素影响。土地利用和pH 值是控制土壤重金属积累和空间分布的重要因子,而自然地理因素及植被覆盖对重金属含量的分布格局也有一定作用。由于各因子之间存在一定的相互关系,本发明主要涉及土壤pH 值、土地利用、坡度、坡向、高程、植被覆盖6 个影响因子。
S51:分析土地利用/覆被变化(LUCC)对重金属分布的影响;
S52:分析pH 值对土壤重金属含量的影响;
S53:分析自然地理因素对土壤重金属含量的影响;
S54:分析植被覆盖对土壤重金属含量的影响。
本实施例将所获得的已有数据与采样复合检测数据结合后,代入逐步回归和最小二乘回归模型,对土壤重金属含量、地理信息进行分析,对城市群表层土壤中As、Cd、Hg、Pb元素的统计特征和空间变异性进行分析,再采用ArcGIS 和GS+空间分析模块,绘制整个大区域表层土壤内4 种重金属元素的总体含量分布图。
图3~图6分别是本发明实施例大区域表层土壤中As 元素、Cd 元素、Hg 元素、Pb元素的空间分布分析结果示意图。
本实施例对遥感数据,调用ENVI5.3 和ArcGIS10.2.2 软件对Landsat 遥感数据进行波段合成、几何校正等预处理,在此基础上再进一步提取归一化植被指数。NDVI 数值是通过波段运算公式获得,其值在−1~1之间。将行政区划数据进行格式转换,叠加各影响因子分布图,并利用ArcGIS 空间分析模块绘制土壤重金属分布图。
本发明实施例将采样点数据及外部数据合并后,坐标采用WGS-84 坐标系,将表层土壤样点数据输入Arcmap,经高斯克吕格投影,采用西安80 坐标系,远程服务器即可生成shp 格式的表层土壤重金属样点分布图。
本实施例的采样数据统计分析,是将所有数据均调用SPSS 22.0 和Excel 2016进行分析统计。描述性统计包括最大值、最小值、均值、标准差、变异系数等;数据相关性采用pearson 相关分析;差异性分析采用单因素方差分析,显著水平为p<0.05;影响因子分析则采用主成分分析方法。
本实施例中,实施前述方法的大区域土壤重金属检测与时空分布特征分析***,其为一采用B/S架构的分布式计算机***,具体包括通过网络相互连接并通讯的多台远程云服务器,设置在各县市区管理部门或研究机构的多个前端机及终端设备;远程云服务器负责对各前端机及终端设备发送的数据进行接收和处理,对各前端机及终端设备发出的请求进行响应、运算并发回计算结果。所述的远程服务器内设置有:主控单元、GIS网格化管理模块、数据处理模块、数据存储模块、空间分布特征分析模块、ArcGIS 空间分析模块、GS+空间分析模块和污染状况评价模块,将原来由人工分为多个阶段、多个步骤完成的工作,集成为一个整体的自动化分析***。
所述主控单元负责按照本发明设定的分析方法和步骤,由其设置的I/O模块负责数据的输入输出,其运算模块调用各分析、运算程序和数据,进行分析运算;其存储模块,存储和管理相关分析软件、程序、数据等。
所述的前端机为县市区的管理人员操作,利用其内设的GIS定位管理模块、采样管理模块、样品检测管理模块、数据采集模块,进行现场采集数据及数据的预处理,然后将该数据上传到远程服务器中;
所述的终端设备为GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪等检测仪器仪表,由现场作业人员操作,用于获取各种检测对象的含量数据,并且通过其数据接口,将其采集的数据传输给前端机。
本发明实施例提供的大区域土壤重金属检测与时空分布特征分析方法及***,针对城市群等大区域防治土壤污染的需要,筛选出关键重金属元素,并基于该关键重金属元素的含量数据,对以城市群为代表的大区域土壤环境质量进行基于GIS的空间和时间维度调查分析,通过信息化技术,对研究目标区域土壤重金属的数据采集、整理,建模、分析其空间及时间维度的分布特征进行自动化处理,其提供的量化指标体系、算法、数据和分析结果,为进一步进行土壤重金属污染的环境质量评价,特别是污染评价和健康风险评估打下基础。该方法及***,采用分布式计算机***,自建的数学模型、具备通用性的算法;本发明以大区域中土壤重金属的As、Cd、Hg、Pb 元素做为关键重金属元素,简化算法、数据,充分利用多目标地球化学调查和遥感数据等已有相关数据,结合补充采样点检测数据,以多元逐步回归和最小二乘回归模型分析各关键重金属元素空间分布特征,得到准确的As、Cd、Hg、Pb 四种关键重金属元素空间分布特征结果。
该分析结果表明,相比传统的基于采样点数据的克里格插值方法,回归模型对重金属空间分布分析精度更高。本发明克服了现有技术中在土壤重金属的采样检测、分析过程中,由于采样点区域小、样本数量有限、数据格式不统一的不足,将采样检测与外部多目标地球化学调查和遥感数据进行标准化处理后,可将其应用于城市群等大区域的研究;同时提供的方法及***可以完整的覆盖整个大区域的空间分布和较长跨度的时间变化,提高了分析结果的代表性、精确性、趋势性,可以基于该结果而进一步对城市群大区域的土壤环境质量做出分析评价和制定针对性的防治方案。
本发明实施例克服了现有的研究大多利用地统计学的半方差函数,但函数拟合与理论模型选择受主观因素影响较大,其结果的准确性不高的不足,针对重金属的空间分布具有的明显空间异质性,采用土壤采样分析获取及外部数据相结合的方式,多种途径获得丰富的土壤中重金属空间变化信息,增加必要的补充采样点数、使其分析结果更加符合空间变异程度实际。
本实施例基于该目标大区域(湘江流域)国土空间开发的流域重金属污染分析需求,即在资源环境本底基础上由国土开发带来的污染分析需求,获取多方面数据,分别从农业生产、城市化、工业化等国土开发引起的重金属元素异常分布对流域土壤环境或生态环境的影响进行分析;其中,基于目标大区域土壤特点和已有数据,选取关键重金属元素,并且建立适用的分析模型和可比性数据,是本发明的难点和重点。因此本发明实施例解决了地理国情普查参数与地球化学参数的相关性分析的问题、土壤重金属元素生态或环境效应评价的问题,并且为进一步解决流域重金属元素预测监测、流域国土开发及环境综合评价分区等问题,打下基础。
具体实施例2
本发明实施例提供的大区域土壤重金属检测与时空分布特征分析方法及***,其与具体实施例1基本相同,其不同之处在于,所述的分析方法还包括分析和评价大区域土壤环境质量、输出区域内土壤污染空间特征分析的趋势性结果的步骤;所述***的远程服务器内还设有土壤重金属污染状况评价(即土壤环境质量评价)模块,基于空间分布特征分析数据及分析结果,用来对土壤重金属污染状况进行评价。
土壤环境质量评价实际是对生态地球化学的综合评价,一般在地区背景值上进行,包括土壤原生环境质量评价、土壤环境污染评价、土壤资源质量评价等。本研究针对土地利用和自然原因导致的土壤重金属元素分布特征开展环境质量评价,以分析区域内土壤重金属分布对土壤质量的影响,并可进一步用于分析土壤环境安全与人群健康的关系。
本发明实施例提供的大区域土壤重金属检测与时空分布特征分析方法,在步骤S1-S5的基础上,其还进一步包括如下步骤:
S6:代入数据库中的已有数据和补充采样复合检测数据,并结合土壤环境因子数据,基于多种重金属元素空间分布的分析模型,采用单因子指数和内梅罗综合污染指数法,分析和评价大区域土壤环境质量,输出区域内土壤污染空间特征分析的趋势性结果。具体是对已有数据、补充采样复合检测数据及土壤环境因子数据,采用单因子指数和内梅罗综合污染指数评价长株潭城市群土壤环境质量,以得到该大区域内土壤污染特征。
单因子污染指数,具体是根据GB15618-2018土壤环境质量标准及公式(2-9)的计算结果,将单因子污染指数划分成五个等级,列入表 2。
式中:
i: 土壤中污染物,
Ci:实测浓度,
Si:土壤环境质量标准中给出的筛选值。
表2 土壤环境质量等级划分
本实施例单因子指数评价结果见表3、图7、图8。
表3 单因子评价结果
该元素单因子污染指数评价结果显示,As 的污染主要在长沙,沿着湘江两岸呈狭长形分布,污染等级为第Ⅳ级中度污染。株洲也有部分区域是中度污染,同时有大面积的轻度污染分布在湘江北边。由于As 元素本身具有较强的水体自净作用,因此As 在湘江流域呈分段富集状态。
该大区域处于湘江流域的Cd异常带,总面积有2000 km2,分布广泛,且异常强度高。Cd 重度污染区集中在长株潭城区,其中株洲的异常强度最高,分布面积最大;长沙的Cd异常沿着湘江分布于两岸,具有明显的浓集中心;湘潭的Cd异常主要在沿江的化工企业及其周边地区,且在北面的锰矿周围、南边的易俗河附近也有单点异常。
Hg 元素污染主要在株洲市西北方向,湘潭、长沙零散分布有轻度污染区域。
Pb 元素污染主要在株洲西北方向,整体污染区域相对较小,单点异常出现在车辆厂附近,且湘潭化工企业附近也存在单点异常,说明Pb 异常与工业污染有很大关系。
采用内梅罗综合指数评价结果的步骤具体为:
单因子污染指数法只能反映单一元素对环境的污染,无法表现所有污染物的综合作用,因此引入内梅罗(Nemerow)综合污染指数法对土壤中的4 种关键重金属元素进行综合评价。其计算公式如下:
式中:
P N 为内梅罗综合污染指数,P i 为单因子标准污染指数 =重金属元素实测值/土壤环境质量标准值,n为样本数量, P i 2 max 为重金属元素 i污染指数的最大值。
根据公式(2-10)计算结果对土壤综合污染程度进行分级,本发明实施例依据GB15618-2018 标准,按照《DZ T0295-2016 土地质量地球化学评价规范》的划分方法定义土壤质量综合评价分级标准(见表4)。
表4 土壤质量综合评价分级标准
采用内梅罗综合污染指数对长株潭城市群土壤环境质量进行综合评价,输出的可视化结果如图9、图10所示。由图9可知,该大区域的综合污染情况是清洁区6.49%,中度污染和重度污染占比达到26.84%,重度污染占比超过中度污染,轻微污染和轻度污染分别是29.51%、37.16%,污染程度排序为:轻度污染>轻微污染>重度污染>中度污染>清洁区。
由图10可知,土壤重金属沿着湘江流域富集呈现明显的趋城性。长株潭三个主要城市的污染状况较其他地区严重,重度污染等级分布最广,而中度和重度污染区域沿着湘江河流域呈块状分布。三个城市对比,污染状况轻微的是长沙,其富集特征是沿着湘江呈狭长带状分布;湘潭的重金属分布没有明显的浓集中心,单点异常受重工业企业分布影响;污染情况最为严重的是株洲,该地区重金属重度污染尤为严重,污染面积分布最广,连续性最好,这与株洲是重工业城市不无关系。
结果表明:As 在湘江流域呈分段富集状态,Cd 沿着株洲-湘潭-长沙-望城呈南北向带状分布;Hg、Pb 污染整体较轻,以株洲西北方向污染较重;4 种元素综合污染沿着湘江流域呈现明显的趋城性,中度和重度污染区域沿着湘江流域呈块状分布;三个城市污染程度排序为株洲>湘潭>长沙。
在其他实施例中,还可以进一步分别进行土壤重金属单元素污染分布特点分析和多元素综合污染分别分析,再分析和评价大区域土壤环境质量,输出区域内土壤污染空间特征分析的趋势性结果; 然后根据时间推移,该分布式计算机***动态更新外部获取的已有数据和补充采样复合检测数据,基于关键重金属元素的新旧数据比较,实施目标大区域土壤污染的空间维度变化的动态监测;当该分布式计算机***运算的风险达到预设值时,则该分布式计算机***发出风险警报,提示采取必要措施降低风险,防范环境健康损害事件发生。
本发明实施例提供的大区域土壤重金属检测与时空分布特征分析方法及***,在地理空间分布模拟分析中,本发明利用土壤变量与其他影响因子之间的相关性来预测重金属的空间分布,采用了逐步多元线性回归和偏最小二乘回归模型。以土地利用、pH 值、高程、坡度、坡向、NDVI 等因素作为辅助变量, 同时,本发明提供的的土壤环境质量的分析、评价和结果输出,在建模和模型训练完成后,无需人工参与,***可以根据内置的算法模型自动完成分析、运算和结果输出,其数据处理能力强、分析效率高、分析结果客观,而且能将机器学习等新技术应用于土壤重金属分析等相关领域,提高分析过程的自动化程度,过程可重复性、方法可验证性均较强,迭代升级能力强。
具体实施例3
参见图11~12,本发明实施例提供的大区域土壤重金属检测与时空分布特征分析方法及***,其与具体实施例1-2均基本相同,其不同之处在于,所述的分析方法还包括对关键土壤重金属元素含量时间维度的变化进行预测分析、输出区域内土壤污染时间维度变化的趋势性结果的步骤;所述***的远程服务器还设有一时间维度分析模块,采用BP 神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析。
由于土壤的形成和发展变化十分复杂,既有自身规律性,也受人类活动的影响。为了维护生态环境,通常需要了解土壤环境质量,这意味着必须对土壤进行地球化学调查与研究,而这项工作费时费力,尤其大区域调查从经济和时间上更加困难。因此在评价土壤环境时,本发明提出根据已有历史数据,分析土壤中污染物的富集迁移规律,并以此预测未来一段时间内土壤中各种污染物的含量及演化趋势,从而可以研究制定针对性的防治措施。
所述的大区域土壤重金属检测与时空分布特征分析方法,在步骤S1-S5或S1-S6的基础上,还进一步包括如下步骤:
S7:基于时间维度分析数学模型,采用BP 神经网络模型,基于有限的已有数据、采样复合检测数据,与土壤环境因子数据相结合,对关键土壤重金属元素含量时间维度的变化进行预测分析,输出区域内土壤污染时间维度变化的趋势性结果。本实施例的土壤环境因子选择具体为:选取年降雨量x1、国内生产总值x2、工业总产值x3、人口总数x4、农业总产值x5、有害废水总量x6、废气排放总量x7、有害固体废物产生量x8、九年末绿地面积x9 作为影响重金属变化的主要因子,并通过湖南省以及长株潭三市统计年鉴收集整理1986~2017年9 大影响因子的数据。基于以上所获得长株潭三市土壤重金属含量与9 个影响因子连续20 年时序数据,采用BP 神经网络学***均值。
由于影响重金属元素含量变化的因子较多,且重金属在土壤中同时存在着积累和净化过程,普通回归方法无法准确描述重金属的演变规律,因此本发明实施例选用BP网络模型对土壤重金属含量进行预测。BP 网络也称误差反向传播神经网络,由输入层、输出层、隐含层构成,该模型可通过自身训练学习对任何复杂模式进行分类,且在给定输入值时算出最佳估计值。
该步骤S7具体的包括如下步骤:
S71:确定模型结构及参数
由于本发明研究的大区域在实际调查中不可能每年都进行,因此,以年份为时间单位进行分析时,则缺少未调查年份的数据,导致分析无法进行或者分析结果不精准。因此,本实施例首先补齐缺省年份的数据:由对所述的已知数据分析结果可知,在过去的长时间内,各土壤重金属的含量变化与工业发展趋势相似,均以匀加速方式增长,则各个关键重金属元素增长速度根据以下公式(5-5)计算,补齐缺省年份的数据,然后再进行BP神经网络建模及分析流程:
本实施例的上述公式中,a i 表示重金属元素i在缺省年份的含量值,c i 表示重金属元素i在2005年的含量值,b i 表示重金属元素i1986年的含量值,t为积累时间;经过多次计算,分别补齐各重金属元素在缺省年份的含量值。
本步骤构建的时间维度分析数学模型为BP神经网络模型,设置BP神经网络模型中学习算法的输入、输出层神经元数量为:输入层9个神经元,对应9个影响因子;输出神经元为4,对应4个关键重金属元素含量;模型设置4个隐含层,隐层神经元数目为3;
S72:数据预处理
将步骤S1~S4获得的采样复合检测数据,针对其不同量纲,采用归一化方法进行预处理,限定数据在[0, 1]区间,使其成为标准化数据;所述归一化方法的计算公式为:
S73:进行网络训练
对BP神经网络模型的网络初始参数进行设置,其中最大训练次数为5000,网络学习速率0.05,目标均方根误差为0.53×10-3;通过调用BP神经网络学习算法工具内置的学习方法对样本进行训练,训练后获得BP 神经网络用于后续分析预测;
S74:进行网络模型验证
将经过训练后的BP神经网络模型,通过已知样本对模型进行验证;如预测结果与实际值较为接近则可以进行实际分析预测,反之则重复步骤S73,直至其预测结果与实际值较为接近;本实施例的训练拟合效果如图13、14、15 所示,其预测结果与实际值较为接近,因此可以用于实际分析预测。
S75: 将待分析的标准化数据,输入该训练并验证的BP神经网络模型,进行预测分析,并得到大区域土壤重金属时间维度分布特征,并输出分析结果,见表5。
具体的,基于2006~2017 年的9 个环境因子数据,利用所述BP 神经网络模型预测出长株潭三市的土壤重金属含量。表5列出了2017 年各市重金属元素平均含量,以及2005~2017 年间变化率情况。从预测值看出,各地区重金属元素在2005~2017 年间平均含量增长速度较缓,甚至在个别年份出现了负增长现象。整体看株洲的4 种重金属元素增长大于长沙、湘潭,而从不同元素的增长率看,Pb、Cd、Hg 增加相对较多。以上结果说明自2005年后,长株潭城市群生态环保意识全面提升,政府对工业“三废”排放严格管控, 长株潭城市群土壤重金属污染健康风险预测,尤其是株洲清水塘老工业区大型污染企业关停改造搬迁,以及各市生态污染治理等措施的落实,使得整个长株潭的重金属含量相比之前增长趋势减弱;但近年来人民生活水平的提高导致机动车数量大增,汽车尾气排放也成为了重金属含量增加的污染源。
表5长株潭土壤重金属元素2005~2017含量平均值变化/(mg·kg-1)
在其他实施例中,根据时间推移,该分布式计算机***通过定期(按照季度或者年份)动态更新外部获取的已有数据和补充采样复合检测数据,即可实现基于关键重金属元素、实施目标大区域土壤污染的空间与时间维度协同变化的动态监测;当该分布式计算机***运算的风险达到预设值时,则该分布式计算机***发出风险警报,提示采取必要措施降低风险,防范环境健康损害事件发生。
本发明上述各实施例通过对关键重金属元素数据种类的精简,使大区域总体分析使用的数据量、数学模型和分析步骤均得到了简化和优化。本发明实施例采用的数据包括①八五期间和2002-2006两期土壤地球化学调查数据;②地理国情普查数据(用于提取地表覆盖、高程、坡度、坡向)、遥感影像数据(用于提取植被指数信息);③1986-2017年经济发展主要指标统计数据。本发明通过对4种关键重金属元素的分析结果可知,土地利用和pH值是控制土壤重金属积累和空间分布的重要因子,而自然地理因素及植被覆盖对重金属含量的分布格局也有一定作用;本发明以数据②作为影响土壤重金属含量的主要因素,利用逐步回归和最小二乘回归分析4种关键重金属含量与6个因子的关系,结合GIS的回归插值做了重金属的空间分布预测。本发明通过分析数据①两期重金属含量变化,以及数据③经济因子的相关关系,建立了BP神经网络模型来预测20年间重金属含量的时序变化,大幅降低了数据量、运算量,并提高了分析结果准确性和区域覆盖的完整性。
本发明实施例构建的研究重金属的大数据库和数学分析模型,能以短期的样点测试数据结合长期的多目标调查数据,并且可以补全缺失年份的数据,以时间维度对土壤重金属迁移方式的空间分布变化及变化趋势进行分析,并输出可视化结果。是一种根据土壤重金属空间分布的大时间跨度数据,运用BP网络模型等人工智能的理论和方法,解决在大跨度时间范围内的大区域土壤重金属变化趋势研究难度较大、难以得到精确性高的分析结果等问题。
本发明实施例为了解决在健康风险评估风险评价中不确定性普遍存在、其分析结果准确性不高的问题,首先解决了土壤重金属的时空分布特征数据的大量获取与算法优化(提高分析模型的适用性、准确性)问题,再通过构建合理的分布式计算机***提供较高的算力,形成了完整的数据、算法(方法)及结果输出和验证体系。本发明构建的多元逐步回归和最小二乘回归模型分析各重金属元素空间分布,以土地利用pH 值、高程、坡度、坡向、NDVI 等因素作为辅助变量,进行As、Cd、Hg、Pb 四种关键重金属元素分布特征分析,能够充分考虑环境因素对空间变量的影响,并很好再现复杂环境下土壤重金属空间、时间变化的详细信息;其相比传统的基于采样数据空间自相关性的克里格插值方法体系,对重金属空间、空间分布分析结果的精度更高,可适用的范围更广泛。
综上,本发明的核心是基于面向大区域分析对象(区域面积大、采样点多、各类数据量大),在研究团队人员数量、时间及经费成本等综合约束条件下,提出了一种新的基于网络计算机分析***体系的数学建模、数据采集、处理与分析方法,通过构建新的数学模型、筛选典型检测对象以及综合利用采样点数据(含补充采样点数据)、多目标地球化学调查及遥感等多维度数据,分析大区域内As、Cd、Hg、Pb 四种关键重金属元素分布的时间和空间特征,并使其分析结果的区域覆盖性完整、精确性高,精简数据量、进行数据共享、减少分析步骤,通过分布式计算机***提供的算力和算法替代人工处理和分析,以快速、高效和低成本的进行大区域城市群的土壤重金属变化趋势分析与土壤环境质量分析评价。
本发明重点是通过筛选关键重金属元素(减少分析对象的数量和种类)、构建新的数学模型、以及综合利用采样点数据和多目标地球化学调查和遥感数据,分析在城市群的大区域内As、Cd、Hg、Pb 四种关键重金属元素分布特征,其分析结果的区域覆盖性完整、精确性高,分析过程的自动化程度高,无需人工干预,同时可以进一步进行城市群的土壤环境质量分析评价、发展趋势及重金属污染健康风险预测分析;如无特别需求,该方法及分析结果,即可代表目标大区域内多种(如标准中所规定的8种)重金属元素的变化趋势和风险预测分析,而无需再对更多种类的重金属元素数据进行采集和分析。
本发明提供的大区域土壤重金属检测与时空分布特征分析方法及***,重点针对城市群等大区域防治土壤污染的需要,采用自建的数学模型、分布式计算机***,对以城市群为代表的大区域土壤环境质量进行基于GIS的空间和时间维度调查分析,相比传统的基于采样点数据的克里格插值方法,回归模型对重金属空间分布分析精度更高。本发明克服了现有技术中在土壤重金属的采样检测、分析过程中,由于采样点区域小、样本数量有限、数据格式不统一的不足,将采样检测与外部多目标地球化学调查和遥感数据进行标准化处理后,可将其应用于城市群等大区域的研究;同时提供的方法及***可以完整的覆盖整个大区域的空间分布和较长跨度的时间变化,提高了分析结果的代表性、精确性、趋势性,可以基于该结果而进一步对城市群大区域的土壤环境质量、变化趋势等做出分析评价,为制定针对性的防治方案打下基础。
本发明基于土壤重金属与其它环境变量的空间变异性研究是重金属污染研究的重点,主要是通过离散点状数据进行地统计分析以揭示土壤中重金属的时空演变规律。由于人力、物力、财力的限制,土壤重金属的实地采样数据始终有限,传统预测方法一般包括地统计插值、神经网络模型以及支持向量机等。本发明基于4种关键重金属元素精简的数据,对大区域下具有高度偏斜性和少量高峰值的土壤重金属样本数据的空间预测方法进行探索,利用辅助因子构建回归克里格插值,该方法克服了普通克里格插值方法的平滑效应,能够在重金属种类减少的情况下,获得精度更高的预测分布图。
本发明对于土壤污染物随时间变化预测的问题,本发明通过精简后的数据,将有限的实地采样数据与土壤环境因子数据进行结合,分析两期土壤重金属含量的变化得到重金属含量随时间累积的规律,并结合污染物来源与影响因素分析选定9个经济因子指标进行分析,从而获得研究区重金属含量增加趋势与工业化进程呈现匀加速增长的结论,根据这一结论设定了重金属含量的匀加速增长公式,并由该式获得研究区域连续时序的重金属含量均值,将这些数值代入BP模型进行训练,再利用训练好的神经网络对2006-2017年经济指标数据进行分析来预测研究区的重金属含量值,其获得的分析结果的精准性更高。
以上结合附图实施例对本发明进行了详细说明,本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而,实施例中的某些细节不应构成对本发明的限定,本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (8)
1.一种大区域土壤重金属检测与时空分布特征分析方法,其特征在于,其包括如下步骤:
S1:设置一大区域土壤重金属检测与时空分布特征分析***,其为一B/S架构的分布式计算机***,包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;在所述远程服务器中,内置有用于大区域多种重金属元素时空分布的分析软件、数据处理模块与数据存储模块;
S2:确定需要分析的目标大区域范围,通过该分布式计算机***对目标大区域进行网格化,从外部获取多目标地球化学调查、遥感数据,以及自然地理、人文地理和社会经济数据,进行多元化信息提取及构建数据库;对于不同来源、不同时间、不同地点的数据,由远程服务器的数据处理模块进行标准化处理后,导入到数据存储模块中;远程服务器再调用GIS工具,对该数据在时间维度与空间维度两个维度上进行运算和叠加,得到该目标大区域的土壤重金属在已知时间及空间内时空分布的已有数据,并导入到专门构建的数据库中;
S3:分析上述已有数据,确定目标大区域土壤重金属的具体对象,以及确定该目标大区域土壤重金属的空间分布与时间分布特征分析的具体方法,并以土壤地球化学基准值为基准,确定分析结果的精度标准;
根据步骤S2获得的已有数据中得到的目标大区域内多种重金属元素之间的自相关性,由该分布式计算机***筛选后,确定大区域中土壤重金属的As、Cd、Hg、Pb元素为土壤中的关键重金属元素,将其作为研究分析对象,并作为简化数据、简化分析模型、进行自动化分析并提高分析结果精度,及基于该关键重金属元素实施土壤污染动态监测的基础;
构建用于大区域的多种重金属元素空间分布的分析模型,采用地理空间回归中的多元逐步回归模型分析土壤中Hg和Pb的含量,采用最小二乘回归模型分析土壤中As和Cd的含量;
构建时间维度分析数学模型,采用BP神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析;
S4:根据目标大区域的网格化区域划分,将上述已有数据代入到各分析模型中,由该分布式计算机***分别进行运算和分析,进行数据简化,排除初步分析后的轻度污染区,将中度以上污染区作为需要补充实地采样的网格区域,并找出已有数据不能满足空间分布及时间维度分析精度要求的网格化区域,通过补充实地采样获得该网格区域的采样复合检测数据,使其与已有数据结合后能够满足分析精度要求;
根据该多目标地球化学调查和遥感数据的GIS网格,进行补充实地采样点的GIS网格规划,对需要补充实地采用的各网格化区域内的城市表层土壤,按照设定的比例和地点进行采样和检测,获得各网格化区域内的城市群土壤中As、Cd、Hg、Pb元素含量与与采样时间、GIS网格相关联的补充采样复合检测数据,并且使该补充采样复合检测数据,与前后多次获得的不同年份、在相同网格内的已有数据具有可比性;
S5:将所获得的补充采样复合检测数据,汇总导入到专门构建的数据库中,与步骤S2获得的已有数据相结合,分别代入逐步回归和最小二乘回归模型,并通过辅助因子构建回归克里格插值法,对大区域下具有高度偏斜性和少量高峰值的土壤重金属样本数据的空间预测,再次对土壤重金属含量、地理信息、时间维度的变化进行二次分析,判断该数据能否满足分析结果精度要求;如能够满足要求则进一步进行步骤S6、S7,对目标大区域表层土壤中As、Cd、Hg、Pb元素的统计特征和空间变异性进行分析,再采用ArcGIS和GS+空间分析模块,绘制整个大区域表层土壤内4种重金属元素的总体含量分布图、时间维度分布特征变化趋势图;如不能满足分析精度要求,则重复步骤S4,直至所得数据能够满足分析结果精度要求;
S6:代入数据库中的已有数据和补充采样复合检测数据,并结合土壤环境因子数据,基于多种重金属元素空间分布的分析模型,采用单因子指数和内梅罗综合污染指数法,分别进行土壤重金属单元素污染分布特点分析和多元素综合污染分别分析,再分析和评价大区域土壤环境质量,输出区域内土壤污染空间特征分析的趋势性结果;
根据时间推移,该分布式计算机***动态更新外部获取的已有数据和补充采样复合检测数据,基于关键重金属元素的新旧数据比较,实施目标大区域土壤污染的空间维度变化的动态监测;当该分布式计算机***运算的风险达到预设值时,则该分布式计算机***发出风险警报,提示采取必要措施降低风险,防范环境健康损害事件发生;
S7:基于时间维度分析数学模型,采用BP神经网络模型,基于有限的已有数据、采样复合检测数据,与土壤环境因子数据相结合,对土壤重金属元素含量时间维度的变化进行预测分析,输出区域内土壤污染时间维度变化的趋势性结果;
根据时间推移,该分布式计算机***动态更新外部获取的已有数据和补充采样复合检测数据,基于关键重金属元素、实施目标大区域土壤污染的空间与时间维度协同变化的动态监测;当该分布式计算机***运算的风险达到预设值时,则该分布式计算机***发出风险警报,提示采取必要措施降低风险,防范环境健康损害事件发生。
2.根据权利要求1所述的大区域土壤重金属检测与时空分布特征分析方法,其特征在于,所述步骤S4中判断已有数据结合后是否能够满足分析精度要求的步骤具体包括:
将选取的反映工业变化的统计指标数据,以及大区域的土壤重金属的主要影响因子数据,代入步骤S7的BP神经网络模型,对土壤元素富集反演结果与已知数据进行比较,即将样本输出数据和模型输出数据相比得到的绝对误差,作为判断所得数据是否能够满足分析精度要求的数据,以减少初步分析的数据量和简化分析模型。
3.根据权利要求2所述的大区域土壤重金属检测与时空分布特征分析方法,其特征在于,所述的步骤S7具体包括如下步骤:
S71:确定模型结构及参数
首先补齐缺省年份的数据:由对所述的已知数据分析结果可知,在过去的长时间内,各土壤重金属的含量变化与工业发展趋势相似,均以匀加速方式增长,则各个重金属元素增长速度根据以下公式计算,补齐缺省年份的数据,然后再进行BP神经网络建模及分析流程:
式中:ai表示重金属元素i在缺省年份的含量值,ci表示重金属元素i在2005年的含量值,bi表示重金属元素i 1986年的含量值,t为积累时间;
本步骤构建的时间维度分析数学模型为BP神经网络模型,设置BP神经网络模型中学习算法的输入、输出层神经元数量为:输入层9个神经元,对应9个影响因子;输出神经元为4,对应4个重金属元素含量;模型设置4个隐含层,隐层神经元数目为3;
S72:数据预处理
将步骤S1~S4获得的采样复合检测数据,针对其不同量纲,采用归一化方法进行预处理,限定数据在[0,1]区间,使其成为标准化数据;所述归一化方法的计算公式为:
式中:xmax、xmin分别表示每组因子变量的最大值和最小值;xk、xk ' 分别为每组因子变量规格化前和规格化后的值;
S73:进行网络训练
对BP神经网络模型的网络初始参数进行设置,其中最大训练次数为5000,网络学习速率0.05,目标均方根误差为0.53×10-3;通过调用BP神经网络学习算法工具内置的学习方法对样本进行训练,训练后获得BP神经网络用于后续分析预测;
S74:进行网络模型验证
将经过训练后的BP神经网络模型,通过已知样本对模型进行验证;如预测结果与实际值较为接近则可以进行实际分析预测,反之则重复步骤S73,直至其预测结果与实际值较为接近;
S75:将待分析的标准化数据,输入该训练并验证的BP神经网络模型,进行预测分析,并得到大区域土壤重金属时间维度分布特征,并输出分析结果。
4.根据权利要求3所述的大区域土壤重金属检测与时空分布特征分析方法,其特征在于,所述的步骤S2还包括在分析各关键土壤重金属元素之间相关性的基础上,再结合各关键土壤重金属元素与国情要素间的相关性,进行逐步回归分析的步骤:
S21:选取大区域采样复合检测数据的80%,用于地理空间分布分析回归模型的建立,利用土壤变量与其他影响因子之间的相关性来模拟重金属的空间分布;
所述步骤S2中的逐步多元线性回归(SMLR)模型,逐步回归是从多元线性回归的n个自变量中挑选出对因变量y起重要作用的因子组成偏回归方程;逐步回归在计算的每一步都需要对x逐个进行检验,确保最终回归方程中全部包含并且仅包含对因变量y作用显著的那些自变量x;逐步回归过程包含两个基本步骤,一是将不显著变量从回归模型中剔除,二是引入新变量到回归模型并对变量逐个检验;其模型公式为3-1:
偏最小二乘回归(PLSR)的模型公式为3-2:
式中,自变量为影响土壤重金属的因素:土壤pH值、坡向、坡度、海拔、NDVI,将它们分别定义为变量x1~x5,土地利用方式的两个哑变量农用地与未利用地分别定义为x6、x7,因变量y1~y4分别代表As、Cd、Hg、Pb四种关键重金属元素含量;
S22:对步骤S21的回归模型进行精度检测,选取大区域采样复合检测数据的20%用于模型精度检验,采用交叉验证和趋势分析,检验模型预测结果的准确性和精度,其中,绝对平均误差MAE、平均相对误差MRE、均方根误差RMSE的计算公式入下:
其中n为样本数量,Mk为第k个样点实际测量值,Pk为预测值。
5.根据权利要求4所述的大区域土壤重金属检测与时空分布特征分析方法,其特征在于,所述的步骤S4,具体包括如下步骤:
S41:对城市群大区域进行GIS网格化、并对各网格内的土壤样品采集,记录样品采集的时间与采集地点的GIS网格信息;
S42:将采集的样品带回实验室后,自然风干,剔除植物残渣和碎石,用玛瑙钵体进行研磨到100目;
S43:对土壤样品进行前处理:采用硝酸-高氯酸-氢氟酸混合液进行消解;
S44:采用等离子体发射光谱仪(ICP-OES)检测Cd、Pb元素的含量,采用原子荧光分析仪(AFS)检测As和Hg元素的含量;
S45:将各样品检测到的金属元素含量,分别与其采集时间及采集地点的GIS网格信息关联,得到基于GIS的各土壤样品中金属元素的采样复合检测数据;
S46:对从外部获取基于多目标地球化学调查和遥感数据进行标准化处理后,导入远程服务器的多目标调查数据库模块中,与采样点得到的复合检测数据一起调用;同时根据该多目标地球化学调查和遥感数据的GIS网格,重新进行采样点的GIS网格规划,使前后多次获得的采样复合检据具有可比性;基于地理要素与重金属元素的相关性关系,利用多目标遥感数据获取大区域的环境数据进行预测分析,同时结合实际采样点的采样复合数据,通过地理加权回归运算,以提高预测的精度。
6.根据权利要求5所述的大区域土壤重金属检测与时空分布特征分析方法,其特征在于,所述的步骤S5还包括:
运用已有数据及采样复合检测数据,分析重金属元素含量与土地利用、pH值、高程、坡度、坡向、NDVI植被指数因子相关性,进行重金属的来源和迁移方式分析,其具体包括如下步骤:
S51:分析土地利用/覆被变化(LUCC)对重金属分布的影响;
S52:分析pH值对土壤重金属含量的影响;
S53:分析自然地理因素对土壤重金属含量的影响;
S54:分析植被覆盖对土壤重金属含量的影响。
7.一种实施权利要求6所述方法的大区域土壤重金属检测与时空分布特征分析***,其特征在于,其为一B/S架构的分布式计算机***,具体包括通过网络相互连接并通讯的远程服务器、多个前端机及终端设备;
所述的远程服务器内设置有如下软件:
主控单元、GIS网格化管理模块、数据处理模块、空间分布特征分析模块、ArcGIS空间分析模块、GS+空间分析模块和污染状况评价模块;
所述主控单元内设有I/O模块、运算模块、存储模块;
所述的前端机内设有GIS定位管理模块、采样管理模块、样品检测管理模块、数据采集模块;
所述的终端设备为GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪;
所述的前端机通过数据接口与终端设备GIS数据采集终端、手持GPS定位仪、等离子体发射光谱仪、原子荧光分析仪连接,通过数据采集模块对该终端设备的检测数据进行采集。
8.根据权利要求7所述的大区域土壤重金属检测与时空分布特征分析***,其特征在于,所述的远程服务器的内置软件还设有土壤重金属污染状况评价模块,基于空间分布特征分析数据及分析结果,用来对土壤重金属污染状况进行评价;该远程服务器的内置软件还设有一多目标调查数据库模块,用来管理基于多目标地球化学调查和遥感数据,供所述分析***的主控单元及其它模块调用;该远程服务器的内置软件还设有一时间维度分析模块,采用BP神经网络模型及采样复合检测数据,对土壤重金属元素含量时间维度的变化进行预测分析。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487626X | 2021-05-06 | ||
CN202110487626.XA CN112986538A (zh) | 2021-05-06 | 2021-05-06 | 大区域土壤重金属检测与时空分布特征分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114443982A CN114443982A (zh) | 2022-05-06 |
CN114443982B true CN114443982B (zh) | 2023-05-23 |
Family
ID=76336985
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487626.XA Pending CN112986538A (zh) | 2021-05-06 | 2021-05-06 | 大区域土壤重金属检测与时空分布特征分析方法及*** |
CN202210116117.0A Active CN114443982B (zh) | 2021-05-06 | 2022-02-07 | 一种大区域土壤重金属检测与时空分布特征分析方法及*** |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487626.XA Pending CN112986538A (zh) | 2021-05-06 | 2021-05-06 | 大区域土壤重金属检测与时空分布特征分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112986538A (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642790A (zh) * | 2021-08-12 | 2021-11-12 | 北京工业大学 | 一种基于支持向量机的区域土壤背景值预测方法 |
CN113742919B (zh) * | 2021-09-06 | 2024-07-12 | 中南大学 | 一种基于高低频土壤介电常数的土壤重金属污染度预测方法及其*** |
CN114019139B (zh) * | 2021-10-26 | 2024-03-26 | 复旦大学 | 一种农用地土壤重金属异常数据的探测方法 |
CN114295802B (zh) * | 2021-10-29 | 2022-11-29 | 吉林建筑大学 | 一种基于多元素指纹方法评估不同海拔土壤垂直分异规律的技术及应用 |
CN114354247B (zh) * | 2021-12-16 | 2024-06-04 | 江苏朗地环境技术服务有限公司 | 一种土壤检测方法及其应用 |
CN114154627B (zh) * | 2022-02-10 | 2022-05-20 | 山东省地质矿产勘查开发局第七地质大队(山东省第七地质矿产勘查院) | 一种基于gis与双层神经网络的土壤剖面测量方法及设备 |
WO2023168519A1 (en) * | 2022-03-07 | 2023-09-14 | Roshan Water Solutions Incorporated | Cloud-based apparatus, system, and method for sample-testing |
CN114814169A (zh) * | 2022-04-27 | 2022-07-29 | 深圳市政科检测有限公司 | 一种环境检测用土壤重金属含量检测方法 |
CN115097097B (zh) * | 2022-05-16 | 2024-03-29 | 生态环境部南京环境科学研究所 | 一种用于土壤重金属背景值调查的布点采样方法 |
NL2032787B1 (en) * | 2022-08-18 | 2024-02-27 | Northwest Inst Plateau Bio Cas | Method for evaluating heavy metal contamination for different land use types |
CN115481209A (zh) * | 2022-09-16 | 2022-12-16 | 盐城工学院 | 一种基于大数据和gis的可视化分析决策方法及*** |
CN115907509A (zh) * | 2022-10-18 | 2023-04-04 | 中国疾病预防控制中心环境与健康相关产品安全所 | 一种大区域协同发布的aqhi指标体系构建方法与*** |
CN115759420B (zh) * | 2022-11-17 | 2023-06-20 | 中国科学院生态环境研究中心 | 一种基于离子活度理论的农作物重金属富集水平混合变量预测方法 |
CN116819037A (zh) * | 2023-05-29 | 2023-09-29 | 四川君和环保股份有限公司 | 一种确定污染场地土壤单一重金属污染范围的方法和*** |
CN116934166A (zh) * | 2023-07-28 | 2023-10-24 | 山东慧宇航空遥感技术有限公司 | 一种自然资源土壤价值核算*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779061A (zh) * | 2016-11-11 | 2017-05-31 | 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 |
CN107545103A (zh) * | 2017-08-19 | 2018-01-05 | 安徽省环境科学研究院 | 煤矿区土壤重金属含量空间模型建立方法 |
CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2443001C1 (ru) * | 2010-08-05 | 2012-02-20 | Сергей Петрович Алексеев | Способ сбора информации об экологическом состоянии региона и автоматизированная система аварийного и экологического мониторинга окружающей среды региона |
US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
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 |
CN102999620A (zh) * | 2012-11-30 | 2013-03-27 | 山东师范大学 | 一种基于地理信息***技术分析土壤污染空间分布规律的方法 |
CN103544550B (zh) * | 2013-11-08 | 2016-08-17 | 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 |
CN105550313A (zh) * | 2015-12-11 | 2016-05-04 | 中国烟草总公司广东省公司 | 一种基于地理信息分析烟田土壤污染空间分布规律的方法 |
CN105911037B (zh) * | 2016-04-19 | 2018-05-15 | 湖南科技大学 | 锰矿区土水界面污染流中锰及伴生重金属分布预测方法 |
CN109954750A (zh) * | 2017-12-26 | 2019-07-02 | 湖南泰华科技检测有限公司 | 一种应用于对矿区水土重金属污染的检测与稳定化处理方法 |
CN108062454A (zh) * | 2018-01-19 | 2018-05-22 | 宁波市镇海规划勘测设计研究院 | 污染物时空分布不确定性特征分析方法、***及存储介质 |
CN110346309A (zh) * | 2019-06-09 | 2019-10-18 | 重庆工商大学融智学院 | 一种土壤重金属污染区域的预测预警方法 |
CN111413484A (zh) * | 2020-03-02 | 2020-07-14 | 南京信息职业技术学院 | 一种土壤铬含量与土地利用类型空间相关性的分析方法 |
CN111552924A (zh) * | 2020-04-22 | 2020-08-18 | 中国科学院地理科学与资源研究所 | 乡镇尺度的土壤重金属污染特征及潜在生态风险评价方法 |
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*** |
CN111476434B (zh) * | 2020-04-29 | 2021-02-19 | 中国科学院地理科学与资源研究所 | 一种基于gis的土壤重金属分形维数空间变异分析方法 |
CN112288247B (zh) * | 2020-10-20 | 2024-04-09 | 浙江大学 | 一种基于空间交互关系的土壤重金属风险识别方法 |
-
2021
- 2021-05-06 CN CN202110487626.XA patent/CN112986538A/zh active Pending
-
2022
- 2022-02-07 CN CN202210116117.0A patent/CN114443982B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779061A (zh) * | 2016-11-11 | 2017-05-31 | 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 |
CN107610021A (zh) * | 2017-07-21 | 2018-01-19 | 华中农业大学 | 环境变量时空分布的综合分析方法 |
CN107545103A (zh) * | 2017-08-19 | 2018-01-05 | 安徽省环境科学研究院 | 煤矿区土壤重金属含量空间模型建立方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114443982A (zh) | 2022-05-06 |
CN112986538A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114443982B (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*** | |
CN111859800B (zh) | 用于pm2.5浓度分布的时空估算和预测方法 | |
CN111508569B (zh) | 一种基于土壤传递函数的目标土壤性质含量预测方法 | |
Bourennane et al. | Mapping of anthropogenic trace elements inputs in agricultural topsoil from Northern France using enrichment factors | |
Nouri et al. | Predicting urban land use changes using a CA–Markov model | |
CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
Hashimoto et al. | Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan | |
CN109060617B (zh) | 不同农业氨排放情景对pm2.5浓度影响的模拟与分析方法 | |
CN113887974A (zh) | 一种基于多源时空数据集成的城市资源环境承载力综合评价方法 | |
CN116307768B (zh) | 流域农业农村面源污染不同时空尺度动态排放清单方法 | |
CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
Huang et al. | Ecological risk assessment from the perspective of soil heavy metal accumulations in Xiamen city, China | |
CN116384268A (zh) | 基于水污染的污染源溯源方法、装置以及设备 | |
CN110362867B (zh) | 基于多元影响因子的地面沉降分区方法 | |
Fu et al. | GIS and ANN-based spatial prediction of DOC in river networks: a case study in Dongjiang, Southern China | |
Rossi et al. | Nationwide groundwater recharge evaluation for a sustainable water withdrawal over Italy | |
Kerr et al. | A Five-Year Provincial Water Quality Monitoring, Evaluation and Reporting Plan for Lotic Systems | |
Rickert et al. | METHODS AND DATA REQUIREMENTS FOR RIVER‐QUALITY ASSESSMENT 1 | |
Flipo et al. | Regional coupled surface–subsurface hydrological model fitting based on a spatially distributed minimalist reduction of frequency domain discharge data | |
CN113570149B (zh) | 一种居民居住地距离矿区的安全距离确定方法及*** | |
Pan et al. | Incorporating environmental capacity considerations to prioritize control factors for the management of heavy metals in soil | |
Chen | Assessment of urbanization impacts on surface runoff and effects of green infrastructure on hydrology and water quality | |
Butora et al. | The Practical use of GIS in Agriculture | |
Chen | Application Research of Intelligent Decision Support System in Ecological Restoration of Mining in the Anning River Basin | |
Besha et al. | corrected Proof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |