【技术实现步骤摘要】
本申请涉及机器学习模型训练，特别是涉及一种基于优化模型的土壤砷污染风险评估方法、装置及设备。
技术介绍
1、土壤砷污染危害巨大，污染特征的影响因素复杂，导致精准的大规模预测实施困难。利用机器学习能结合经验值和现有模型对砷污染水平进行预测，可以极大节约成本，提高效率。然而，砷在土壤中的吸附-解吸过程受诸多环境因子影响，不仅决定了砷在土壤中的赋存形态和污染扩散风险程度，还因为环境因子的线性冗余等问题，制约着现有模型对砷污染风险的预测准确性。因此，对于影响砷在土壤中的吸附和解吸行为的环境因子进行合理预处理和加工，将有利于准确预测不同土壤特征下砷的生物可利用态水平，将是精准预测土壤砷污染风险的新策略，和有效解决砷污染扩散的必要前提。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够对土壤污染风险进行准确评估的基于优化模型的土壤砷污染风险评估方法、装置及设备。
2、一种基于优化模型的土壤砷污染风险评估方法，所述方法包括：
3、获取样本数据集，所述样本数据集中包括多个样本序列，各所述样本序列对应不同土壤样本分别在不同实验环境下的土壤特征指标以及对应的实验环境参数；
4、对所述样本数据中的所有样本序列进行预处理，得到标准化样本数据集；
5、采用多个不同的随机种子对所述标准化样本数据集进行处理，得到对应的多组随机状态训练集，还根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训
6、利用多组随机状态训练集对砷污染风险评估主模型进行优化训练，得到训练后的砷污染风险评估主模型；
7、利用核心训练子集、强吸附训练子集以及弱吸附训练子集分别对对应的砷污染风险评估子模型进行训练，得到分别针对核心类别、强吸附类别以及弱吸附类别进行预测的砷污染风险评估子模型；
8、获取多个土壤特征指标，所述多个土壤特征指标提取于待进行风险评估的土壤样本中；
9、分别将多个土壤特征指标输入至砷污染风险评估主模型，以及与所述土壤样本类别对应的砷污染风险评估子模型进行预测，得到对应的主预测数据以及子预测数据，结合所述主预测数据以及子预测数据对所述土壤样本进行风险评估。
10、在其中一实施例中，所述土壤特征指标包括：土壤酸碱值、有机质含量、阳离子交换量、粘粒含量、游离氧化铁含量以及砷磷总和；
11、所述实验环境参数包括：土液比、溶液酸碱度、背景离子强度、实验温度、实验时间、溶液初始浓度以及吸附量。
12、在其中一实施例中，所述利用多组随机状态训练集对砷污染风险评估主模型进行训练，包括：
13、利用多组随机状态训练集分别对砷污染风险评估主模型进行训练，得到多个训练后的砷污染风险评估主模型；
14、以加权求平均的方式将多个训练后的砷污染风险评估模型进行融合，得到优化后的砷污染风险评估主模型。
15、在其中一实施例中，所述根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训练子集包括：
16、采用皮尔逊相关性分析和pca主成分分析对所述标准化样本数据集进行处理，得到根据土壤理化性质和吸附能力的相关性对所述标准化样本数据集中的序列数据划分成不同群组；
17、将不同群组按照pca主成分权重与吸附量的皮尔逊相关系数的关联性划分至核心训练子集、强吸附训练子集以及弱吸附训练子集中。
18、在其中一实施例中，在利用砷污染风险评估主模型以及砷污染风险评估子模型根据多个土壤特征指标进行预测之前：
19、利用主成分分析法对所述多个土壤特征指标进行分析后，对所述土壤样本进行分类，得到所述土壤样本类别，其中，所述土壤样本类别包括核心类别、强吸附类别以及弱吸附类别；
20、利用对应所述土壤样本类别的砷污染风险评估子模型对所述多个土壤特征指标进行预测；
21、所述砷污染风险评估子模型包括分别针对核心类别、强吸附类别以及弱吸附类别进行预测的核心砷污染风险评估子模型、强吸附砷污染风险评估子模型以及弱吸附砷污染风险评估子模型。
22、在其中一实施例中，所述结合所述主预测数据以及子预测数据对所述土壤样本进行风险评估包括：
23、根据所述土壤样本类别提取对应的子预测数据权重；
24、根据所述主预测数据、子预测数据以及子预测数据权重进行计算得到综合预测结果
25、根据所述综合预测结果对所述土壤样本进行风险评估。
26、在其中一实施例中，在利用所述砷污染风险评估主模型以及砷污染风险评估子模型根据多个所述土壤特征指标对土壤样本进行预测时，还将与预设实验环境相关的参数输入至所述砷污染风险评估主模型以及砷污染风险评估子模型中，得到对应预设实验环境下的预测结果。
27、本申请还提供了一种基于优化模型的土壤砷污染风险评估装置，所述装置包括：
28、样本数据获取模块，用于获取样本数据集，所述样本数据集中包括多个样本序列，各所述样本序列对应不同土壤样本分别在不同实验环境下的土壤特征指标以及对应的实验环境参数；
29、样本标准化模块，用于对所述样本数据中的所有样本序列进行预处理，得到标准化样本数据集；
30、训练集获取模块，用于采用多个不同的随机种子对所述标准化样本数据集进行处理，得到对应的多组随机状态训练集，还根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训练子集；
31、主模型训练模块，用于利用多组随机状态训练集对砷污染风险评估主模型进行优化训练，得到训练后的砷污染风险评估主模型；
32、子模型训练模块，用于利用核心训练子集、强吸附训练子集以及弱吸附训练子集分别对对应的砷污染风险评估子模型进行训练，得到分别针对核心类别、强吸附类别以及弱吸附类别进行预测的砷污染风险评估子模型；
33、待评估样本获取模块，用于获取多个土壤特征指标，所述多个土壤特征指标提取于待进行风险评估的土壤样本中；
34、风险评估模块，分别将多个土壤特征指标输入至砷污染风险评估主模型，以及与所述土壤样本类别对应的砷污染风险评估子模型进行预测，得到对应的主预测数据以及子预测数据，结合所述主预测数据以及子预测数据对所述土壤样本进行风险评估。
35、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
36、获取样本数据集，所述样本数据集中包括多个样本序列，各所述样本序列对应不同土壤样本分别在不同实验环境下的土壤特征指标以及对应的实验环境参数；
37、对所述样本数据中的所有样本序列进行预处理，得到标准化样本数据集；
38、采用多个不同的随机种子对所述标准化样本数据集本文档来自技高网...
【技术保护点】
1.一种基于优化模型的土壤砷污染风险评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的土壤砷污染风险评估方法，其特征在于，
3.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述利用多组随机状态训练集对砷污染风险评估主模型进行训练，包括：
4.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训练子集包括：
5.根据权利要求1-4任一项所述的土壤砷污染风险评估方法，其特征在于，在利用砷污染风险评估主模型以及砷污染风险评估子模型根据多个土壤特征指标进行预测之前：
6.根据权利要求5所述的土壤砷污染风险评估方法，其特征在于，所述结合所述主预测数据以及子预测数据对所述土壤样本进行风险评估包括：
7.根据权利要求5所述的土壤砷污染风险评估方法，其特征在于，在利用所述砷污染风险评估主模型以及砷污染风险评估子模型根据多个所述土壤特征指标对土壤样本进行预测时，还将与预设实验环境相关的
8.一种基于优化模型的土壤砷污染风险评估装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于优化模型的土壤砷污染风险评估方法，其特征在于，所述方法包括：
2.根据权利要求1所述的土壤砷污染风险评估方法，其特征在于，
3.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述利用多组随机状态训练集对砷污染风险评估主模型进行训练，包括：
4.根据权利要求2所述的土壤砷污染风险评估方法，其特征在于，所述根据土壤理化性质和吸附能力的相关性将所述标准化样本数据集中的样本序列分为核心训练子集、强吸附训练子集以及弱吸附训练子集包括：
5.根据权利要求1-4任一项所述的土壤砷污染风险评估方法，其特征在于，在利用砷污染风险评估主模型以及砷污染风险评估子模型根据多个土壤特征指标进行预测之前：
6....
【专利技术属性】
技术研发人员：张轩，冯冲凌，周洲，曾柏全，黄忠良，李辉，黄兢，吴子剑，莫星然，杨子豪，
申请(专利权)人：中南林业科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。