一种土壤重金属制造技术

本发明专利技术提供了一种土壤重金属

【技术实现步骤摘要】
一种土壤重金属Cr和Ni的空间预测方法及系统


[0001]本专利技术涉及土壤重金属空间预测
，尤其涉及一种土壤重金属
Cr
和
Ni
的空间预测方法及系统
。

技术介绍

[0002]准确识别土壤重金属空间分布特征是精准治污的关键支撑
。
大量研究表明，土壤重金属分布具有突出的空间异致性，导致传统统计学方法难以全面
、
快速的掌握土壤重金属污染的“区位精准”问题
。
一方面，土壤中重金属污染来源复杂，包括工业污染排放
、
污水灌溉
、
大气沉降，以及农药
、
肥料
、
农膜
、
地膜和成土母岩等多种来源，不同的污染强度
、
排放方式
、
污染物质存在显著差异
。
[0003]传统多元统计方法和地理信息系统空间插值方法是土壤重金属污染空间预测实际工作中的常用方法
。
但是，通常这类方法依赖于数据土壤取样样本，而野外土壤样本采集存在离散
、
耗时
、
成本高等问题
。
同时，在考虑污染源时，需要假设来自于同一污染源的重金属之间具有相关性，通过识别具有相似数据分布特征，定性判定重金属来源，即数据独立性
、
正态分布和线性相关是其重要前提
。
同时，传统线性模型难以有效解释土壤重金属与环境要素之间的复杂非线性关系<br/>。
鉴于此，近年来基于
Boost
类的机器学习，如
AdaBoost
和
GdBoost
的土壤重金属源解析研究受到学界重点关注，该类模型具有极强的非线性挖掘能力，能够对模型影响因素的贡献进行量化和排序，但是在低维数据中很难发挥机器学习强大的非线性挖掘能力，因此可以考虑引入高维的外源数据以提高模型数据挖掘和拟合能力
。
[0004]然而，应用
350nm
‑
2500nm
高维高光谱数据遥感技术测量土壤物化属性含量已经成为传统方法的一种可行的替代方法
。
并且人们为了提高高光谱土壤重金属的预测精度，进行了许多研究，由此产生了不同的样品处理方法和模型，例如高光谱数据的不同预处理方式：
Savitzky
‑
Golay
平滑滤波函数
(SG)、
连续去除
(CR)、
一阶导数
(FD)、
二阶导数
(SD)、
标准归一化向量
(SNV)、
多重散射校正
(MSC)
方法或其组合方案的最佳处理的影响
。
[0005]然而，在光谱预处理后建模方法的探索中，相关研究进展显著，其中以
Boost
类的机器学习模型尤为突出
。
但是其也有一定的局限性，数据过于冗余，很难提取出特征波段，模型预测精度低
。

技术实现思路

[0006]针对以上相关技术的不足，本专利技术提出一种能快捷方便获得高维数据，提高光谱数据响应特征及模型预测精度的土壤重金属
Cr
和
Ni
的空间预测方法
。
[0007]为了解决上述技术问题，本专利技术实施例提供了一种土壤重金属
Cr
和
Ni
的空间预测方法，所述空间预测方法包括以下步骤：
[0008]步骤
S1、
空间预测点位的选取；
[0009]步骤
S2、
获取土壤样品，并通过高光谱数据和土壤数据对所述土壤样品进行采集
分析；
[0010]步骤
S3、
通过地统计学进行空间数据的整理；
[0011]步骤
S4、
根据所述空间数据构建
AdaBoost
模型和
CdBoost
模型；
[0012]步骤
S5、
基于高光谱数据机器学习方法的重金属最优高光谱预处理空间预测，得到最优高光谱空间预测数据；
[0013]步骤
S6、
基于土壤重金属污染源的机器学习方法的重金属污染源数据空间预测，得到污染源空间预测数据；
[0014]步骤
S7、
根据所述最优高光谱空间预测数据和所述污染源空间预测数据结合，得到重金属组合空间预测结果
。
[0015]优选的，所述步骤
S2
具体以下子步骤：
[0016]步骤
S21、
从采集点收集总共预设重量的表层土样本；其中，每个所述样本的所述预设重量的一半用于测定土壤组分和重金属含量，所述预设重量的另一半用于高光谱反射数据的测量；
[0017]步骤
S22、
通过标准火焰原子吸收分光光度法测定重金属
Cr
和
Ni
，并测量所述样本的
PH
值；
[0018]步骤
S23、
通过
K2Cr2O7‑
H2SO4氧化法测量所述样本的有机物；通过分散
X
射线荧光光谱法测定所述样本的无机物，获得所述样本的所述有机物和所述无机物的测量结果
。
[0019]优选的，所述步骤
S3
具体包括以下子步骤：
[0020]步骤
S31、
通过地理空间数据云获取高程数据；
[0021]步骤
S32、
通过地理信息系统软件对水系
、
道路及工业企业进行空间数据的欧氏距离分析，得到样点分别与附近水系
、
道路及工业企业的欧式距离
。
[0022]优选的，所述步骤
S4
具体包括以下子步骤：
[0023]步骤
S41、
结合高光谱数据
、
土壤重金属因数数据或其组合数据，基于十倍交叉验证对所述
AdaBoost
模型和所述
CdBoost
模型进行训练测试；其中，将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验；每次试验都会得出相应的正确率或差错率，将
10
次的结果的正确率或差错率的平均值作为对算法精度的估计，再求其均值；
[0024]步骤
S42、
当前
CdBoost
模型中损失函数负梯度的值作为回归问题提升树算法中残差的近似值来拟合一棵回归树；
[0025]其中，定义训练数据
x
i
,y
i
，在第
m
‑
th
轮中，首先计算
x
i
的残差...

【技术保护点】

【技术特征摘要】
1.
一种土壤重金属
Cr
和
Ni
的空间预测方法，其特征在于，所述空间预测方法包括以下步骤：步骤
S1、
空间预测点位的选取；步骤
S2、
获取土壤样品，并通过高光谱数据和土壤数据对所述土壤样品进行采集分析；步骤
S3、
通过地统计学进行空间数据的整理；步骤
S4、
根据所述空间数据构建
AdaBoost
模型和
CdBoost
模型；步骤
S5、
基于高光谱数据机器学习方法的重金属最优高光谱预处理空间预测，得到最优高光谱空间预测数据；步骤
S6、
基于土壤重金属污染源的机器学习方法的重金属污染源数据空间预测，得到污染源空间预测数据；步骤
S7、
根据所述最优高光谱空间预测数据和所述污染源空间预测数据结合，得到重金属组合空间预测结果
。2.
如权利要求1所述的土壤重金属
Cr
和
Ni
的空间预测方法，其特征在于，所述步骤
S2
具体以下子步骤：步骤
S21、
从采集点收集总共预设重量的表层土样本；其中，每个所述样本的所述预设重量的一半用于测定土壤组分和重金属含量，所述预设重量的另一半用于高光谱反射数据的测量；步骤
S22、
通过标准火焰原子吸收分光光度法测定重金属
Cr
和
Ni
，并测量所述样本的
PH
值；步骤
S23、
通过
K2Cr2O7‑
H2SO4氧化法测量所述样本的有机物；通过分散
X
射线荧光光谱法测定所述样本的无机物，获得所述样本的所述有机物和所述无机物的测量结果
。3.
如权利要求1所述的土壤重金属
Cr
和
Ni
的空间预测方法，其特征在于，所述步骤
S3
具体包括以下子步骤：步骤
S31、
通过地理空间数据云获取高程数据；步骤
S32、
通过地理信息系统软件对水系
、
道路及工业企业进行空间数据的欧氏距离分析，得到样点分别与附近水系
、
道路及工业企业的欧式距离
。4.
如权利要求1所述的土壤重金属
Cr
和
Ni
的空间预测方法，其特征在于，所述步骤
S4
具体包括以下子步骤：步骤
S41、
结合高光谱数据
、
土壤重金属因数数据或其组合数据，基于十倍交叉验证对所述
AdaBoost
模型和所述
CdBoost
模型进行训练测试；其中，将数据集分成十份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验；每次试验都会得出相应的正确率或差错率，将
10
次的结果的正确率或差错率的平均值作为对算法精度的估计，再求其均值；步骤
S42、
当前
CdBoost
模型中损失函数负梯度的值作为回归问题提升树算法中残差的近似值来拟合一棵回归树；其中，定义训练数据
x
i
,y
i
，在第
m
‑
th
轮中，首先计算
x
i
的残差
r
mi
为
f
m
‑
L(x)
作为第
m
轮中的拟合数据
(x
i
,r
mi
)
，其表达式如下：
其中，
f
m
‑
L(x)
为第
m
‑1轮获得的累积模型，即采用平方损失函数
Loss
＝
f

【专利技术属性】
技术研发人员：肖荣波，唐长城，王鹏，刘彦辰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：