CN117172578B - 一种基于微生物识别的土壤生态环境修复方法及*** - Google Patents
一种基于微生物识别的土壤生态环境修复方法及*** Download PDFInfo
- Publication number
- CN117172578B CN117172578B CN202311449913.7A CN202311449913A CN117172578B CN 117172578 B CN117172578 B CN 117172578B CN 202311449913 A CN202311449913 A CN 202311449913A CN 117172578 B CN117172578 B CN 117172578B
- Authority
- CN
- China
- Prior art keywords
- information
- soil
- analysis
- microorganism
- pollution
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 340
- 244000005700 microbiome Species 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 241
- 230000008439 repair process Effects 0.000 claims abstract description 117
- 238000013441 quality evaluation Methods 0.000 claims abstract description 40
- 238000012357 Gap analysis Methods 0.000 claims abstract description 23
- 238000003900 soil pollution Methods 0.000 claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000008901 benefit Effects 0.000 claims description 45
- 230000000813 microbial effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000001303 quality assessment method Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 12
- 241000894007 species Species 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000007400 DNA extraction Methods 0.000 claims description 8
- 108091028043 Nucleic acid sequence Proteins 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000002922 simulated annealing Methods 0.000 claims description 7
- 108020004414 DNA Proteins 0.000 claims description 4
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 230000015556 catabolic process Effects 0.000 description 9
- 238000006731 degradation reaction Methods 0.000 description 9
- 230000000593 degrading effect Effects 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 3
- 238000009472 formulation Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 239000002068 microbial inoculum Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于微生物识别的土壤生态环境修复方法及***，包括：获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；获取修复需求分析信息，进行修复方案制定，并选取最优修复方案。提高了土壤生态环境修复的效果，保证了生态修复的友好性和针对性，从而促进生态平衡和可持续发展。
Description
技术领域
本发明涉及微生物识别和土壤生态环境修复技术领域，尤其涉及一种基于微生物识别的土壤生态环境修复方法及***。
背景技术
土壤是地球生态***的一个重要组成部分，其质量和生态环境状态对农业、生态保护和人类健康具有重要影响。然而，现代农业、工业和城市化进程导致土壤受到各种污染，包括化学物质和重金属的积累，以及土壤肥力和微生物多样性的损害。这些问题对土壤生态***产生了负面影响，导致植物生长受限，土壤退化，生态平衡破裂，水源污染等。微生物在土壤生态***中起着至关重要的作用，包括有益微生物对土壤健康的维护和污染物降解的潜力。因此，基于微生物的土壤生态环境修复方法逐渐受到关注。微生物识别技术的发展为这一领域提供了新的机会。通过分析土壤中微生物的多样性和功能，可以更好地了解土壤状况，指导修复方案的制定，促进土壤生态环境的恢复。
传统的土壤修复方法通常涉及物理和化学方法，如土壤添加、化学处理或物理挖掘。然而，这些方法往往昂贵、破坏性，并且难以恢复土壤的自然状态。因此，寻找一种可持续、环保的土壤修复方法成为迫切需求。
发明内容
本发明克服了现有技术的缺陷，提供了一种基于微生物识别的土壤生态环境修复方法及***，其重要目的在于提高土壤生态环境修复的效果，保证了生态修复的友好性。
为实现上述目的本发明第一方面提供了一种基于微生物识别的土壤生态环境修复方法，包括：
获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；
根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；
对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；
获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；
获取修复需求分析信息，进行修复方案制定，并选取最优修复方案。
本方案中，所述获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，具体为：
基于不同采集位置和深度获取目标区域的土壤样本信息，对所述土壤样本信息进行DNA提取，得到DNA提取信息；
基于高通量宏基因组测序技术对DNA提取信息进行宏基因组测序，获取目标区域土壤微生物的DNA序列数据并进行质量控制，得到微生物序列信息；
构建微生物识别模型，基于大数据检索获取各种微生物的DNA序列信息，构成训练数据集，对所述微生物识别模型进行深度学习和训练；
将所述微生物序列信息导入所述微生物识别模型中进行识别分析，得到微生物识别信息；
根据所述微生物识别信息生成物种分类矩阵，每行代表一个样本，每列代表不同的微生物分类单元，矩阵中的每个元素代表各分类单元在样本中的相对丰度；
根据物种分类矩阵计算目标土壤样本中的Shannon指数，分析单个样品内微生物群落的多样性，得到第一分析信息；
计算不同样品之间的UniFrac距离，结合第一分析信息、物种分类矩阵结合微生物识别信息进行Beta多样性分析，得到第二分析信息；
将所述第一分析信息和第二分析信息融合构成生态分析信息。
本方案中，所述根据所述微生物识别信息对目标区域土壤进行污染分析，具体为：
基于大数据检索获取不同种类不同污染程度的微生物生存环境及生存数量，构成对比数据集；
根据对比数据集进行对各种类微生物进行偏好生存环境分析，提取各种类微生物在不同环境下的生存数量，并与预设阈值进行判断，得到偏好生存环境分析信息；
根据偏好生存环境分析信息结合对比数据集进行关联性分析，提取在偏好生存环境下不同污染程度的微生物生存数量，作为关联性支持度；
预设关联性判断阈值，将关联性支持度与所述关联性判断阈值进行判断，根据判断结果将各种生存环境的污染程度与微生物种类和数量进行关联，得到关联性分析信息；
获取土壤历史使用信息，对所述土壤历史使用信息进行属性特征提取，得到土壤属性特征信息；
构建污染分析模型，基于关联性分析信息构成训练数据集对污染分析模型进行深度学习和训练，得到符合期望的污染分析模型；
获取微生物识别信息和生态分析信息，结合土壤属性特征信息通过污染分析模型对目标区域土壤进行污染分析，得污染分析信息。
本方案中，所述对目标区域土壤进行土壤能力分析和土壤质量评估，具体为：
获取土壤样本信息、微生物识别信息、生态分析信息和污染分析信息；
根据土壤样本信息对目标区域土壤进行检测，得到不同位置不同深度的土壤指标信息；
预设若干指标判断阈值，将土壤指标信息与所述指标判断阈值进行判断，分析目标区域土壤能力，得到土壤能力分析信息；
根据生态分析信息和微生物识别信息进行生态学优势分析，提取各种微生物在土壤中的相对丰度，作为生态学优势度，并与预设阈值进行判断，得到主导微生物分析信息；
构建效益分析模型，将所述主导微生物分析信息和土壤指标信息输入至所述效益分析模型中，分析主导微生物对目标土壤的效益，得到效益分析信息；
基于专家知识法构建土壤质量评估体系，分别对各种评估指标设定相应的评估权重，结合效益分析信息、土壤指标信息、土壤能力分析信息和污染分析信息进行土壤质量评估，得到土壤质量评估信息。
本方案中，所述获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析，具体为:
获取土壤期望用途信息和土壤质量评估信息，根据土壤期望用途信息进行检索获取适宜土壤质量信息；
将所述适宜土壤质量信息与所述土壤质量评估信息进行差距分析，计算当前土壤环境与适宜土壤环境的偏差，得到差距分析信息；
计算所述适宜土壤质量信息与土壤期望用途信息的欧式距离，通过欧氏距离分析各种土壤指标与土壤期望用途的关系，得到主要土壤指标信息；
根据所述主要土壤指标信息和差距分析信息进行修复方向优先级分析，提取各指标的差值并进行排序，基于聚类算法结合排序结果对各指标进行分类，得到修复方向优先级信息；
结合所述差距分析信息、主要土壤指标信息和修复方向优先级信息构成修复需求分析信息。
本方案中，所述进行修复方案制定，并选取最优修复方案，具体为：
基于粒子群优化算法和模拟退火算法构建修复方案制定模型，基于大数据检索获取各种土壤修复方案实例并构建训练数据集对所述修复方案制定模型进行深度学习和训练；
获取修复需求分析信息、污染分析信息、生态分析信息和效益分析信息，根据所述修复需求分析信息构建目标函数和设定约束条件，并预设停止准则；
将所述修复需求分析信息、污染分析信息、生态分析信息和效益分析信息导入修复方案制定模型进行修复方案制定；
通过粒子群优化算法根据导入的信息随机生成初始粒子群，计算各粒子的初始适应度值，并与预设阈值进行判断，选取大于预设阈值的粒子进行位置和速度更新，得到初始解信息；
提取所述初始解信息中各粒子的适应度值并进行排序，选取适应度最高的粒子作为候选最佳解，基于模拟退火算法结合候选最佳解生成新解，并计算新解的适应度值；
预设接受准则，将新解的适应度值与所述接受准则进行判断，判断是否接受新解，根据判断结果进行迭代优化直至符合停止准则或达到最大迭代次数，得到候选修复方案信息；
对所述候选修复方案信息进行属性提取，提取各方案的时效属性、成本属性和效果属性，得到修复方案属性信息；
获取修复期望信息，根据所述修复期望信息设定属性权重，结合修复方案属性信息对候选修复方案进行加权计算，根据加权计算结果选取最优修复方案。
本发明第二方面提供了一种基于微生物识别的土壤生态环境修复***，该***包括：存储器、处理器，所述存储器中包含基于微生物识别的土壤生态环境修复方法程序，所述基于微生物识别的土壤生态环境修复方法程序被所述处理器执行时实现如下步骤：
获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；
根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；
对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；
获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；
获取修复需求分析信息，进行修复方案制定，并选取最优修复方案。
本发明公开了一种基于微生物识别的土壤生态环境修复方法及***，包括：获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；获取修复需求分析信息，进行修复方案制定，并选取最优修复方案。提高了土壤生态环境修复的效果，保证了生态修复的友好性和针对性，从而促进生态平衡和可持续发展。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案，下面将对实施例或示例性描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种基于微生物识别的土壤生态环境修复方法流程图；
图2为本发明一实施例提供的获取最优修复方案的流程图；
图3为本发明一实施例提供的一种基于微生物识别的土壤生态环境修复***框图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种基于微生物识别的土壤生态环境修复方法流程图；
如图1所示，本发明提供了一种基于微生物识别的土壤生态环境修复方法流程图，包括：
S102，获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；
基于不同采集位置和深度获取目标区域的土壤样本信息，对所述土壤样本信息进行DNA提取，得到DNA提取信息；
基于高通量宏基因组测序技术对DNA提取信息进行宏基因组测序，获取目标区域土壤微生物的DNA序列数据并进行质量控制，得到微生物序列信息；
构建微生物识别模型，基于大数据检索获取各种微生物的DNA序列信息，构成训练数据集，对所述微生物识别模型进行深度学习和训练；
将所述微生物序列信息导入所述微生物识别模型中进行识别分析，得到微生物识别信息；
根据所述微生物识别信息生成物种分类矩阵，每行代表一个样本，每列代表不同的微生物分类单元，矩阵中的每个元素代表各分类单元在样本中的相对丰度；
根据物种分类矩阵计算目标土壤样本中的Shannon指数，分析单个样品内微生物群落的多样性，得到第一分析信息；
计算不同样品之间的UniFrac距离，结合第一分析信息、物种分类矩阵结合微生物识别信息进行Beta多样性分析，得到第二分析信息；
将所述第一分析信息和第二分析信息融合构成生态分析信息。
需要说明的是，基于高通量宏基因组测序技术对目标区域进行微生物识别，通过分析不同位置和深度的采集土壤中微生物种类和数量，能够清晰的了解目标区域土壤的微生物生存情况；接着，根据微生物识别信息进一步的进行生态分析，分析单个样本内的微生物生态结构和多个样本的微生物生态结构，从而更全面的了解土壤微生物群落的多样性和差异性，映射出土壤生态***的整体状况。
S104，根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；
基于大数据检索获取不同种类不同污染程度的微生物生存环境及生存数量，构成对比数据集；
根据对比数据集进行对各种类微生物进行偏好生存环境分析，提取各种类微生物在不同环境下的生存数量，并与预设阈值进行判断，得到偏好生存环境分析信息；
根据偏好生存环境分析信息结合对比数据集进行关联性分析，提取在偏好生存环境下不同污染程度的微生物生存数量，作为关联性支持度；
预设关联性判断阈值，将关联性支持度与所述关联性判断阈值进行判断，根据判断结果将各种生存环境的污染程度与微生物种类和数量进行关联，得到关联性分析信息；
获取土壤历史使用信息，对所述土壤历史使用信息进行属性特征提取，得到土壤属性特征信息；
构建污染分析模型，基于关联性分析信息构成训练数据集对污染分析模型进行深度学习和训练，得到符合期望的污染分析模型；
获取微生物识别信息和生态分析信息，结合土壤属性特征信息通过污染分析模型对目标区域土壤进行污染分析，得污染分析信息。
需要说明的是，通过分析各种微生物的偏好生存环境，根据分析得到的偏好生存环境分析不同污染程度中微生物生存的种类和数量，将其与偏好生存环境和污染程度及种类进行关联，从而在对目标区域土壤进行污染分析时，可以从微生物的角度映射出该区域的污染程度和种类，同时，还可以根据不同位置不同深度的微生物识别信息进一步分析土壤污染状况，有助与剖析不同土壤深度的污染状况，为后续土壤生态修复提供更多的信息。
S106，对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；
获取土壤样本信息、微生物识别信息、生态分析信息和污染分析信息；
根据土壤样本信息对目标区域土壤进行检测，得到不同位置不同深度的土壤指标信息；
预设若干指标判断阈值，将土壤指标信息与所述指标判断阈值进行判断，分析目标区域土壤能力，得到土壤能力分析信息；
根据生态分析信息和微生物识别信息进行生态学优势分析，提取各种微生物在土壤中的相对丰度，作为生态学优势度，并与预设阈值进行判断，得到主导微生物分析信息；
构建效益分析模型，将所述主导微生物分析信息和土壤指标信息输入至所述效益分析模型中，分析主导微生物对目标土壤的效益，得到效益分析信息；
基于专家知识法构建土壤质量评估体系，分别对各种评估指标设定相应的评估权重，结合效益分析信息、土壤指标信息、土壤能力分析信息和污染分析信息进行土壤质量评估，得到土壤质量评估信息。
S108，获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；
获取土壤期望用途信息和土壤质量评估信息，根据土壤期望用途信息进行检索获取适宜土壤质量信息；
将所述适宜土壤质量信息与所述土壤质量评估信息进行差距分析，计算当前土壤环境与适宜土壤环境的偏差，得到差距分析信息；
计算所述适宜土壤质量信息与土壤期望用途信息的欧式距离，通过欧氏距离分析各种土壤指标与土壤期望用途的关系，得到主要土壤指标信息；
根据所述主要土壤指标信息和差距分析信息进行修复方向优先级分析，提取各指标的差值并进行排序，基于聚类算法结合排序结果对各指标进行分类，得到修复方向优先级信息；
结合所述差距分析信息、主要土壤指标信息和修复方向优先级信息构成修复需求分析信息。
S110，获取修复需求分析信息，进行修复方案制定，并选取最优修复方案；
基于粒子群优化算法和模拟退火算法构建修复方案制定模型，基于大数据检索获取各种土壤修复方案实例并构建训练数据集对所述修复方案制定模型进行深度学习和训练；
获取修复需求分析信息、污染分析信息、生态分析信息和效益分析信息，根据所述修复需求分析信息构建目标函数和设定约束条件，并预设停止准则；
将所述修复需求分析信息、污染分析信息、生态分析信息和效益分析信息导入修复方案制定模型进行修复方案制定；
通过粒子群优化算法根据导入的信息随机生成初始粒子群，计算各粒子的初始适应度值，并与预设阈值进行判断，选取大于预设阈值的粒子进行位置和速度更新，得到初始解信息；
提取所述初始解信息中各粒子的适应度值并进行排序，选取适应度最高的粒子作为候选最佳解，基于模拟退火算法结合候选最佳解生成新解，并计算新解的适应度值；
预设接受准则，将新解的适应度值与所述接受准则进行判断，判断是否接受新解，根据判断结果进行迭代优化直至符合停止准则或达到最大迭代次数，得到候选修复方案信息；
对所述候选修复方案信息进行属性提取，提取各方案的时效属性、成本属性和效果属性，得到修复方案属性信息；
获取修复期望信息，根据所述修复期望信息设定属性权重，结合修复方案属性信息对候选修复方案进行加权计算，根据加权计算结果选取最优修复方案。
需要说明的是，基于粒子群优化算法和模拟退火算法构建修复方案制定模型，将两个算法进行结合使用，扩大了进行修复方案制定时的全局搜索能力，同时，能够结合各种方案的特点，根据修复需求分析信息进行方案组合，从而得到符合期望的修复方案，提高决策的准确性和效率性；根据修复需求分析信息进行确定优化目标，例如高效修复、环境保护或者生态效益等一个或多个优化目标，从而构建目标函数，构建符合优化目标的修复方案，极大程度的贴近修复期望；然后，对候选修复方案的属性进行分析，所述修复期望信息为期望修复的时间、成本以及效果，根据修复期望信息设定权重，从而筛选出修复效果好、成本适中和修复时间适宜的最终方案，实现土壤污染的治理和土地可持续利用。
进一步的，获取污染分析信息，根据所述污染分析信息获取污染降解微生物种类和能力，得到降解微生物信息；获取微生物识别信息和土壤质量评估信息，结合所述降解微生物信息分析目标区域土壤中的降解微生物含量，得到降解微生物含量信息；预设含量判断阈值，将所述降解微生物含量信息与所述含量判断阈值进行判断，得到判断结果信息；若判断结果信息为含量不足，则对目标区域土壤进行强化；基于大数据检索获取各种降解微生物的微生物菌剂和适用土壤信息，构成对比数据集；根据土壤质量评估信息和对比数据集进行菌剂推荐，得到菌剂推荐信息；根据菌剂推荐信息制定微生物强化方案，加强土壤微生物的降解能力，修复目标区域土壤污染；若判断结果为不含降解微生物，则根据微生物识别信息、土壤质量评估信息和降解微生物信息进行降解微生物推荐，得到推荐降解微生物信息；结合降解微生物信息和对比数据集制定微生物投放方案，根据微生物投放方案对目标区域进行土壤生态修复，提高土壤质量和降低污染，从而促进生态平衡。
图2为本发明一实施例提供的获取最优修复方案的流程图；
如图2所示，本发明提供了获取最优修复方案的流程图，包括:
S202，获取目标区域的土壤样本信息，进行土壤微生物识别和生态分析；
S204，获取土壤历史使用信息，对目标区域土壤进行污染分析；
S206，对目标区域土壤进行土壤能力分析和土壤质量评估，并进行修复需求分析；
S208，基于修复需求分析信息构建目标函数和预设条件，通过修复方案制定模型进行方案制定；
S210，对候选修复方案进行属性提取，结合修复期望信息对候选修复方案进行加权计算；
S212，根据加权计算结果选取最优修复方案。
进一步的，基于大数据检索获取各种修复方案在不同修复阶段或者时间的修复效益实例，构成效益训练数据集；基于随机森林算法构建修复效益预测模型，通过所述效益训练数据集进行深度学习和训练；获取最优修复方案，对所述最优修复方案进行特征提取，得到最优修复方案特征信息；将所述最优修复方案特征信息和最优修复方案导入修复效益预测模型中进行效益预测，得到修复效益预测信息；根据所述修复效益预测信息进行土壤质量评估，分析不同修复阶段的土壤质量，得到修复土壤质量评估信息；获取目标区域的历史适宜种植信息，结合修复土壤质量评估信息分析各修复阶段的适宜种植植物，得到适宜种植信息；构建种植影响分析模型，将最优修复方案信息和所述适宜种植信息输入至种植影响分析模型中进行分析，得到种植影响分析信息；根据种植影响分析信息和适宜种植信息进行各修复阶段的种植推荐，得到种植推荐信息；预设修复效益判断阈值，将所述修复效益预测信息与预设阈值进行判断，根据判断结果对目标区域土壤进行划分，并结合种植推荐信息进行种植规划，得到种植规划信息；根据种植规划信息和种植推荐信息进行种植建议，提高土壤修复的效果和生态***的健康，同时带来经济效益，促进土壤良好利用。
图3为本发明一实施例提供的一种基于微生物识别的土壤生态环境修复***框图3，该***包括：存储器31、处理器32，所述存储器31中包含基于微生物识别的土壤生态环境修复方法程序，所述基于微生物识别的土壤生态环境修复方法程序被所述处理器32执行时实现如下步骤：
获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；
根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；
对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；
获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；
获取修复需求分析信息，进行修复方案制定，并选取最优修复方案。
需要说明的是，本发明提供了一种基于微生物识别的土壤生态环境修复方法及***，通过采用宏基因组技术对目标区域土壤进行微生物识别和生态分析，从而对目标区域微生物群落进行详细的分析；通过分析得到的微生物识别信息和生态分析信息，进一步分析微生物与污染种类和程度之间的关系，从而映射出目标土壤的污染情况；接着进行土壤能力分析和土壤质量评估，更为详细的判断土壤当前的情况和质量，结合期望用途进行差距分析，从而分析修复需求；最后，根据修复需求进行修复方案的制定，考虑修复方案的可行性、时效性和效益性以制定最佳的土壤修复方案，确保土地的可持续使用和生态恢复，促进生态平衡发展。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于微生物识别的土壤生态环境修复方法，其特征在于，包括：
获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；
根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；
对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；
获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；
获取修复需求分析信息，进行修复方案制定，并选取最优修复方案；
所述根据所述微生物识别信息对目标区域土壤进行污染分析，具体包括：
基于大数据检索获取不同种类不同污染程度的微生物生存环境及生存数量，构成对比数据集；
根据对比数据集对各种类微生物进行偏好生存环境分析，提取各种类微生物在不同环境下的生存数量，并与预设阈值进行判断，得到偏好生存环境分析信息；
根据偏好生存环境分析信息结合对比数据集进行关联性分析，提取在偏好生存环境下不同污染程度的微生物生存数量，作为关联性支持度；
预设关联性判断阈值，将关联性支持度与所述关联性判断阈值进行判断，根据判断结果将各种生存环境的污染程度与微生物种类和数量进行关联，得到关联性分析信息；
获取土壤历史使用信息，对所述土壤历史使用信息进行属性特征提取，得到土壤属性特征信息；
构建污染分析模型，基于关联性分析信息构成训练数据集对污染分析模型进行深度学习和训练，得到符合期望的污染分析模型；
获取微生物识别信息和生态分析信息，结合土壤属性特征信息通过污染分析模型对目标区域土壤进行污染分析，得污染分析信息；
所述对目标区域土壤进行土壤能力分析和土壤质量评估，具体包括：
获取土壤样本信息、微生物识别信息、生态分析信息和污染分析信息；
根据土壤样本信息对目标区域土壤进行检测，得到不同位置不同深度的土壤指标信息；
预设若干指标判断阈值，将土壤指标信息与所述指标判断阈值进行判断，分析目标区域土壤能力，得到土壤能力分析信息；
根据生态分析信息和微生物识别信息进行生态学优势分析，提取各种微生物在土壤中的相对丰度，作为生态学优势度，并与预设阈值进行判断，得到主导微生物分析信息；
构建效益分析模型，将所述主导微生物分析信息和土壤指标信息输入至所述效益分析模型中，分析主导微生物对目标土壤的效益，得到效益分析信息；
基于专家知识法构建土壤质量评估体系，分别对各种评估指标设定相应的评估权重，结合效益分析信息、土壤指标信息、土壤能力分析信息和污染分析信息进行土壤质量评估，得到土壤质量评估信息。
2.根据权利要求1所述的一种基于微生物识别的土壤生态环境修复方法，其特征在于，所述获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，具体包括：
基于不同采集位置和深度获取目标区域的土壤样本信息，对所述土壤样本信息进行DNA提取，得到DNA提取信息；
基于高通量宏基因组测序技术对DNA提取信息进行宏基因组测序，获取目标区域土壤微生物的DNA序列数据并进行质量控制，得到微生物序列信息；
构建微生物识别模型，基于大数据检索获取各种微生物的DNA序列信息，构成训练数据集，对所述微生物识别模型进行深度学习和训练；
将所述微生物序列信息导入所述微生物识别模型中进行识别分析，得到微生物识别信息；
根据所述微生物识别信息生成物种分类矩阵，每行代表一个样本，每列代表不同的微生物分类单元，矩阵中的每个元素代表各分类单元在样本中的相对丰度；
根据物种分类矩阵计算目标土壤样本中的Shannon指数，分析单个样品内微生物群落的多样性，得到第一分析信息；
计算不同样品之间的UniFrac距离，结合第一分析信息、物种分类矩阵结合微生物识别信息进行Beta多样性分析，得到第二分析信息；
将所述第一分析信息和第二分析信息融合构成生态分析信息。
3.根据权利要求1所述的一种基于微生物识别的土壤生态环境修复方法，其特征在于，所述获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析，具体包括:
获取土壤期望用途信息和土壤质量评估信息，根据土壤期望用途信息进行检索获取适宜土壤质量信息；
将所述适宜土壤质量信息与所述土壤质量评估信息进行差距分析，计算当前土壤环境与适宜土壤环境的偏差，得到差距分析信息；
计算所述适宜土壤质量信息与土壤期望用途信息的欧式距离，通过欧氏距离分析各种土壤指标与土壤期望用途的关系，得到主要土壤指标信息；
根据所述主要土壤指标信息和差距分析信息进行修复方向优先级分析，提取各指标的差值并进行排序，基于聚类算法结合排序结果对各指标进行分类，得到修复方向优先级信息；
结合所述差距分析信息、主要土壤指标信息和修复方向优先级信息构成修复需求分析信息。
4.根据权利要求1所述的一种基于微生物识别的土壤生态环境修复方法，其特征在于，所述进行修复方案制定，并选取最优修复方案，具体包括：
基于粒子群优化算法和模拟退火算法构建修复方案制定模型，基于大数据检索获取各种土壤修复方案实例并构建训练数据集对所述修复方案制定模型进行深度学习和训练；
获取修复需求分析信息、污染分析信息、生态分析信息和效益分析信息，根据所述修复需求分析信息构建目标函数和设定约束条件，并预设停止准则；
将所述修复需求分析信息、污染分析信息、生态分析信息和效益分析信息导入修复方案制定模型进行修复方案制定；
通过粒子群优化算法根据导入的信息随机生成初始粒子群，计算各粒子的初始适应度值，并与预设阈值进行判断，选取大于预设阈值的粒子进行位置和速度更新，得到初始解信息；
提取所述初始解信息中各粒子的适应度值并进行排序，选取适应度最高的粒子作为候选最佳解，基于模拟退火算法结合候选最佳解生成新解，并计算新解的适应度值；
预设接受准则，将新解的适应度值与所述接受准则进行判断，判断是否接受新解，根据判断结果进行迭代优化直至符合停止准则或达到最大迭代次数，得到候选修复方案信息；
对所述候选修复方案信息进行属性提取，提取各方案的时效属性、成本属性和效果属性，得到修复方案属性信息；
获取修复期望信息，根据所述修复期望信息设定属性权重，结合修复方案属性信息对候选修复方案进行加权计算，根据加权计算结果选取最优修复方案。
5.一种基于微生物识别的土壤生态环境修复***，其特征在于，该***包括：存储器、处理器，所述存储器中包含基于微生物识别的土壤生态环境修复方法程序，所述基于微生物识别的土壤生态环境修复方法程序被所述处理器执行时实现如下步骤：
获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，得到微生物识别信息；
根据所述微生物识别信息对目标区域土壤进行污染分析，得到土壤污染分析信息；
对目标区域土壤进行土壤能力分析和土壤质量评估，得到土壤能力分析信息和土壤质量评估信息；
获取土壤期望用途信息，结合所述土壤质量评估信息进行差距分析，并进行修复需求分析；
获取修复需求分析信息，进行修复方案制定，并选取最优修复方案；
所述根据所述微生物识别信息对目标区域土壤进行污染分析，具体包括：
基于大数据检索获取不同种类不同污染程度的微生物生存环境及生存数量，构成对比数据集；
根据对比数据集对各种类微生物进行偏好生存环境分析，提取各种类微生物在不同环境下的生存数量，并与预设阈值进行判断，得到偏好生存环境分析信息；
根据偏好生存环境分析信息结合对比数据集进行关联性分析，提取在偏好生存环境下不同污染程度的微生物生存数量，作为关联性支持度；
预设关联性判断阈值，将关联性支持度与所述关联性判断阈值进行判断，根据判断结果将各种生存环境的污染程度与微生物种类和数量进行关联，得到关联性分析信息；
获取土壤历史使用信息，对所述土壤历史使用信息进行属性特征提取，得到土壤属性特征信息；
构建污染分析模型，基于关联性分析信息构成训练数据集对污染分析模型进行深度学习和训练，得到符合期望的污染分析模型；
获取微生物识别信息和生态分析信息，结合土壤属性特征信息通过污染分析模型对目标区域土壤进行污染分析，得污染分析信息；
所述对目标区域土壤进行土壤能力分析和土壤质量评估，具体包括：
获取土壤样本信息、微生物识别信息、生态分析信息和污染分析信息；
根据土壤样本信息对目标区域土壤进行检测，得到不同位置不同深度的土壤指标信息；
预设若干指标判断阈值，将土壤指标信息与所述指标判断阈值进行判断，分析目标区域土壤能力，得到土壤能力分析信息；
根据生态分析信息和微生物识别信息进行生态学优势分析，提取各种微生物在土壤中的相对丰度，作为生态学优势度，并与预设阈值进行判断，得到主导微生物分析信息；
构建效益分析模型，将所述主导微生物分析信息和土壤指标信息输入至所述效益分析模型中，分析主导微生物对目标土壤的效益，得到效益分析信息；
基于专家知识法构建土壤质量评估体系，分别对各种评估指标设定相应的评估权重，结合效益分析信息、土壤指标信息、土壤能力分析信息和污染分析信息进行土壤质量评估，得到土壤质量评估信息。
6.根据权利要求5所述的一种基于微生物识别的土壤生态环境修复***，其特征在于，所述获取目标区域的土壤样本信息，根据所述土壤样本信息进行土壤微生物识别，具体包括：
基于不同采集位置和深度获取目标区域的土壤样本信息，对所述土壤样本信息进行DNA提取，得到DNA提取信息；
基于高通量宏基因组测序技术对DNA提取信息进行宏基因组测序，获取目标区域土壤微生物的DNA序列数据并进行质量控制，得到微生物序列信息；
构建微生物识别模型，基于大数据检索获取各种微生物的DNA序列信息，构成训练数据集，对所述微生物识别模型进行深度学习和训练；
将所述微生物序列信息导入所述微生物识别模型中进行识别分析，得到微生物识别信息；
根据所述微生物识别信息生成物种分类矩阵，每行代表一个样本，每列代表不同的微生物分类单元，矩阵中的每个元素代表各分类单元在样本中的相对丰度；
根据物种分类矩阵计算目标土壤样本中的Shannon指数，分析单个样品内微生物群落的多样性，得到第一分析信息；
计算不同样品之间的UniFrac距离，结合第一分析信息、物种分类矩阵结合微生物识别信息进行Beta多样性分析，得到第二分析信息；
将所述第一分析信息和第二分析信息融合构成生态分析信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449913.7A CN117172578B (zh) | 2023-11-02 | 2023-11-02 | 一种基于微生物识别的土壤生态环境修复方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311449913.7A CN117172578B (zh) | 2023-11-02 | 2023-11-02 | 一种基于微生物识别的土壤生态环境修复方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172578A CN117172578A (zh) | 2023-12-05 |
| CN117172578B true CN117172578B (zh) | 2024-02-02 |
Family
ID=88930195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311449913.7A Active CN117172578B (zh) | 2023-11-02 | 2023-11-02 | 一种基于微生物识别的土壤生态环境修复方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172578B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011234737A (ja) * | 2011-08-09 | 2011-11-24 | Ritsumeikan | 実汚染土壌を効率よく浄化する微生物および浄化方法 |
| KR20220012683A (ko) * | 2020-07-23 | 2022-02-04 | 부산대학교 산학협력단 | 인공신경망 모델을 이용한 토양 오염원 예측 방법 |
| CN114049037A (zh) * | 2021-11-25 | 2022-02-15 | 生态环境部环境规划院 | 一种场地复合污染土壤生态风险评估方法 |
| CN115456338A (zh) * | 2022-08-10 | 2022-12-09 | 青岛理工大学 | 一种用于污染场地原位修复后土壤生态恢复评估方法 |
| CN116842350A (zh) * | 2023-09-01 | 2023-10-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
-
2023
- 2023-11-02 CN CN202311449913.7A patent/CN117172578B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011234737A (ja) * | 2011-08-09 | 2011-11-24 | Ritsumeikan | 実汚染土壌を効率よく浄化する微生物および浄化方法 |
| KR20220012683A (ko) * | 2020-07-23 | 2022-02-04 | 부산대학교 산학협력단 | 인공신경망 모델을 이용한 토양 오염원 예측 방법 |
| CN114049037A (zh) * | 2021-11-25 | 2022-02-15 | 生态环境部环境规划院 | 一种场地复合污染土壤生态风险评估方法 |
| CN115456338A (zh) * | 2022-08-10 | 2022-12-09 | 青岛理工大学 | 一种用于污染场地原位修复后土壤生态恢复评估方法 |
| CN116842350A (zh) * | 2023-09-01 | 2023-10-03 | 北京建工环境修复股份有限公司 | 一种污染场地植物修复的分析方法、***及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172578A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Inman et al. | Comparing sample bias correction methods for species distribution modeling using virtual species | |
| Musa et al. | A review of geospatial-based urban growth models and modelling initiatives | |
| Barbosa | fuzzySim: applying fuzzy logic to binary similarity indices in ecology | |
| Bellamy et al. | Multiscale, presence‐only habitat suitability models: Fine‐resolution maps for eight bat species | |
| CN116186566B (zh) | 基于深度学习的扩散预测方法及*** | |
| Doherty et al. | Matching seed to site by climate similarity: techniques to prioritize plant materials development and use in restoration | |
| Ahmadi et al. | MaxEnt brings comparable results when the input data are being completed; Model parameterization of four species distribution models | |
| CN116629619B (zh) | 一种土壤新污染物赋存状况预测方法及*** | |
| Marcer et al. | Modelling invasive alien species distributions from digital biodiversity atlases. Model upscaling as a means of reconciling data at different scales | |
| CN116384776B (zh) | 基于模糊评价的场地污染评估方法、***及存储介质 | |
| Carstens et al. | A global analysis of bats using automated comparative phylogeography uncovers a surprising impact of Pleistocene glaciation | |
| Chen et al. | Statistical modeling in absence of system specific data: exploratory empirical analysis for prediction of water main breaks | |
| Panter et al. | To clean or not to clean: Cleaning open‐source data improves extinction risk assessments for threatened plant species | |
| CN117171695B (zh) | 一种抗生素污染土壤生态修复效果评价的方法及*** | |
| CN116091103A (zh) | 一种周期环境整治测算方法、装置、电子设备及介质 | |
| CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及*** | |
| CN117172996B (zh) | 一种用于生态环境修复的微生物活性识别监测方法及*** | |
| CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及*** | |
| Hein et al. | Can we compare effect size of spatial genetic structure between studies and species using Moran eigenvector maps? | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
| CN116384775A (zh) | 一种污染场地监测设备的管理方法、***及存储介质 | |
| CN109977227B (zh) | 基于特征编码的文本特征提取方法、***、装置 | |
| Alsharkawi et al. | Improved Poverty Tracking and Targeting in Jordan Using Feature Selection and Machine Learning | |
| CN117171678B (zh) | 一种微生物修复过程中土壤微生物菌群调控方法及*** | |
| Awad et al. | Calibrating conceptual rainfall-runoff models using a real genetic algorithm combined with a local search method |
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 |