CN101593342A - 农产品产地长期安全预警的方法 - Google Patents
农产品产地长期安全预警的方法 Download PDFInfo
- Publication number
- CN101593342A CN101593342A CNA2009101026351A CN200910102635A CN101593342A CN 101593342 A CN101593342 A CN 101593342A CN A2009101026351 A CNA2009101026351 A CN A2009101026351A CN 200910102635 A CN200910102635 A CN 200910102635A CN 101593342 A CN101593342 A CN 101593342A
- Authority
- CN
- China
- Prior art keywords
- production
- data
- place
- home environment
- index
- 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.)
- Pending
Links
Images
Abstract
一种农产品产地长期安全预警的方法,是以无公害农产品产地环境标准数据、产品标准数据和产地实际环境背景数据为基础,构建影响产地环境综合指数各指标的权重矩阵,然后通过产地环境历史实测数据计算产地环境各年综合指数,最后利用时间序列的二次指数平滑法输出产地的综合指数折线图及预测公式,从而对未来农产品产地的综合指数及恶化速度进行预测预警。该方法通过时间序列的历史数据揭示产地安全状况随时间变化的规律,并对未来做出预测;可靠性和精确度较高,还可对于不同地区农产品产地安全的演化趋势、方向、速度预测预警,可对系统的等做出预见性的判断,从而有针对性的采取措施,消除警源,使农业生态系统安全得到保障,有着广泛的适用性。
Description
技术领域
本发明涉及预警方法,进一步来说,涉及农产品产地的安全预警方法。
背景技术
农产品产地质量预警,是指对农产品产地质量退化和恶化状况的及时报警。农产品产地利用不当,就会发生质量退化,甚至恶化。农产品产地质量退化一旦发生质的变化,将难以逆转。控制农产品产地质量恶化的有效办法是防患于未然,在其发生退化变质之前,能及早提出预告、报警,及时采取措施,加以有效抑制和整治,则有可能转变农产品产地质量演化方向,变逆向演化为正向演化,使农产品产地质量步入良性发展。
目前国内对农业产地环境安全的预警模型多数依托于专业预测模型和专家分析法,如臧淑英,毕雪梅对绿色食品产地进行环境质量负向预警研究,通过GIS模拟分析得到的环境质量空间分布结果带入状态转移方程和马尔可夫方程,预测未来的绿色食品产地环境质量状态。詹小燕等建立了浙江省农业地质环境安全预警指标体系以及以非线性回归预测优化模型和非点源预警AnnAGNPS专业预警模型为主的趋势预警模型。
但专业预测模型由于多为经验性模型,少数实验性模型又仅仅实用于小区域,导致其适用性较差,难以广泛推广,而专家分析法更倾向于定性预测的分析手段,对于定量预测多数起到调整定量分析模型的偏差手段;而数理统计模型中的模糊聚类分析和人工神经网络法较多用于预测农业经济发展。
目前国内外较多是对农业产品产量进行专业预测预警,例如中国科学院合肥物质科学研究院申请的专利CN101052147号“大田作物病虫害智能预警系统”、中国科学院生态环境研究中心申请的CN101059493号“一种水质在线生物安全预警方法”等,对于利用时间序列分析法对农产品产地安全长期预测预警模型还没有相关研究的报道。
发明内容
本发明的目的是提供一种农产品产地长期安全预警的方法,以克服现有预警方法的不足,为农产品产地的安全提供长期的预警信号,使农业生态系统安全得到保障。
为达到上述发明目的,发明人经过试验研究,提供的农产品产地长期安全预警的方法是以无公害农产品产地环境标准数据、产品标准数据和产地实际环境背景数据为基础,构建影响产地环境综合指数的各指标的权重矩阵,然后通过产地环境多年的历史实测数据计算产地环境的各年综合指数,最后利用时间序列法的二次指数平滑法输出产地的综合指数折线图及预测公式,从而对未来农产品产地的综合指数及恶化速度进行预测预警。
上述无公害产品产地环境标准数据是国家土壤环境质量标准的数据。
发明人是通过以下计算过程建立农产品产地的长期预警模型的:
1改进型AHP法构造判断矩阵
a.根据待测区域特点以国家土壤环境质量标准为原则选取所测元素,如下
表1土壤环境质量标准(二级)(GB15618-1995)
土壤pH值 | <6.5 | 6.5~7. | >7.5 |
项目 | |||
镉 | 0.3 | 0.6 | 1 |
汞 | 0.3 | 0.5 | 1 |
砷(水田) | 30 | 25 | 20 |
砷(旱地) | 40 | 30 | 25 |
铜(农田等) | 50 | 100 | 100 |
铜(果园) | 150 | 200 | 200 |
铅 | 250 | 300 | 350 |
铬水田 | 250 | 300 | 350 |
铬旱地 | 150 | 200 | 250 |
锌 | 200 | 250 | 300 |
镍 | 40 | 50 | 60 |
六六六 | 0.5 | 0.5 | 0.5 |
滴滴涕 | 0.5 | 0.5 | 0.5 |
b.根据所选元素构造判断矩阵
在构造判断矩阵时,当因素个数较多时,采用1-9标度法,由于判断过程中存在复杂性和模糊性,较难一次得到满意(通过一致性检验)的判断矩阵。为此我们采用了层次分析法的改进法,设计一种三标度法,较易被专家和决策者接受。三标度法首先构造一个比较矩阵B=(bij)n×n,本文中bij的定义依据《中华人民共和国国家标准》GB15618-1995中各重金属元素限量值的相对大小:
就算ri=∑bij(i=1,2.....n),即按行求和,再利用公式求出判断矩阵C=(Cij)n×n:
其中rmax=Max{ri},rmin=Min{ri},bm=rmax/rmin。求得判断矩阵
2权重求解过程
用方根法求判断矩阵T的最大特征值λmax和权值ωi。方根法有以下4个步骤:
步骤一,T矩阵按行求积 即:
步骤二,求M的n次方跟:
采用该方法进行土壤污染环境质量评价时,需要首先确定各元素的单因子污染指数,然后利用加权平均公式计算综合污染指数。具体公式
如下:
其中Ci代表污染物实测值,Si代表污染物质量标准,根据《中国土壤环境质量标准》GB15618-1995,见下表2:
表2实测值
得到的预警判定模型为:
最后通过国家判定标准对土地进行等级评定,评定标准如下表3:
表3土壤污染分级标准
等级划分 | 综合污染指数 | 污染等级 | 污染水平 |
1 | P综≤0.7 | 安全 | 清洁 |
2 | 0.7<P综≤1.0 | 警戒线 | 尚清洁 |
3 | 1<P综≤2.0 | 轻污染 | 轻污染 |
4 | 2<P综≤3.0 | 中污染 | 中度污染 |
5 | P综>3 | 重污染 | 重污染 |
3时间序列预测
时间序列预测法分为短期、中期和长期预测。根据对资料分析方法的不同,又可分为:简单移动平均数法、加权序时平均数法、趋势预测法、二次指数平滑法、季节性趋势预测法、自回归预测法、ARIMA模型以及市场寿命周期预测法等等。常用的时间序列是自回归预测法、季节分解指数法、ARIMA模型和二次平滑指数法四种。其中,二次平滑指数法对于预测有线性趋势变化的时间序列效果较好,比较适合该时间序列预警模型。
指数平滑步骤:
首先做一次指数平滑
预测值=权数*真实值+(1-权数)*上一个预测值
其中选取使得误差平方均值最小的α预测出的数据作为二次指数平滑的基础数据。
误差平方=(真实值-预测值)*(真实值-预测值)
二次指数平滑法,即对一次指数平滑中最优的结果再做一次指数平滑
二次指数平滑法主要用于变参数线性趋势时间序列的预测。变参数线性趋势预测模型表达式为:
(2)式的预测模型与一般的线性趋势模型在于,式中at、bt是参数变量,随着时间自变量t的变化而变化,即直线在各时期的截距和斜率是可能不同的;T是从t期开始的预测期数。
运用二次指数平滑指数法求解(2)式可得参数变量的表达式,即
随着工业的高速发展,土壤重金属的污染越来越大,每年对土壤中污染物的叠加,不是等量的,对土壤的污染也不是等速的,而是加速的。因此,环境保护意识强的地区,其工业发展对土壤质量影响是等速的,反之是加速的。分析认为,土壤的污染过程可归纳为两个阶段:一是加速阶段,二是匀速阶段。
针对此类问题对环境恶化的速度进行了预警,在没有人为采取环保行为的情况下,大概在多少年后,某地区会进入污染状态。预警模型如下:
其中,a为土壤污染物积累的加速率,t为重金属积累年限,yn为第n年环境污染的综合污染指数,yn-t为第n-t年的环境污染综合污染指数。
v=v0+aT (2)
其中,v为T年后的综合污染量,v0为当前的综合污染量,T为预测年限。
将式(1)带入(2)中,求出T的方程为:
式(3)即为环境恶化速度的预警模型。
该方法利用时间序列法筛选对农产品产地安全状况起着长期的、决定性作用的重要因素作为研究对象,即通过时间序列的历史数据揭示产地安全状况随时间变化的规律,将这种规律延伸到未来,对未来做出预测。该模型对资料要求比较单一,只需各指标本身的历史数据,并且可靠性和精确度较高,还可以根据不同地区不同土壤类型选择不同的研究指标生成适合的预测模型,可以对于全国不同地区进行农产品产地的安全的演化趋势、方向、速度预测预警,可以在农业生态系统面临危害和威胁之前就对系统的等做出预见性的判断,从而有针对性的采取措施,消除警源,使农业生态系统安全得到保障,不断输出安全优质的农产品,实现农业可持续发展,在实际情况中有着广泛的适用性。
附图说明
附图为根据综合指数输出的折线图。
具体实施方式
实施例:以遵义地区实测数据为例进一步阐述本发明。计算过程如下:
1.根据待测区域特点以国家土壤环境质量标准为原则选取所测元素
遵义地区所测为Cd,Pb,Cr,Hg,As五种重金属元素及当地土壤pH值为6.5-7.5之间选取国标中五种元素含量标准,如下表4:
表4五种元素的含量标准
土壤pH值 | 6.5~7.5 |
项目 | |
镉 | 0.6 |
铅 | 300 |
铬(水田) | 300 |
汞 | 0.5 |
砷(水田) | 25 |
2.构造判断矩阵
AHP法的原理,在构造判断矩阵时,当因素个数较多时,采用1-9标度法,由于判断过程中存在复杂性和模糊性,较难一次得到满意(通过一致性检验)的判断矩阵。为此我们采用了层次分析法的改进法,设计一种三标度法,较易被专家和决策者接受。三标度法首先构造一个比较矩阵B=(bij)n×n,本文中bij的定义依据《中华人民共和国国家标准》GB15618-1995中各重金属元素限量值的相对大小:
根据表4和上述公式(1)得到下面比较矩阵:
算ri=∑bij(i=1,2.....n),即按行求和,有R1=7,R2=2,R3=2,R4=9,R5=5再利用公式求出判断矩阵C=(Cij)n×n:
其中rmax=Max{ri},rmin=Min{ri},bm=rmax/rmin。求得判断矩阵:
3.求权重步骤:
根据上面的判断矩阵
①判断矩阵中每行元素连乘并开n次方:
第一行:
第二行:
第三行:
第四行:
第五行:
②求权重:
上一步的五个数求和:
五个权重计算如下:
综上所述,按层次分析法确定Cd、Pb、Cr、Hg、As五种重金属含量的权重如下:
Cd(mg/kg) | Pb(mg/kg) | Cr(mg/kg) | Hg(mg/kg) | As(mg/kg) | |
权重(wj) | 0.2649 | 0.0770 | 0.0770 | 0.4193 | 0.1618 |
4.判定预警模型建立:
采用该方法进行土壤污染环境质量评价时,需要首先确定各元素的单因子污染指数,然后利用加权平均公式计算综合污染指数。具体公式如下:
其中Ci代表污染物实测值,Si代表污染物质量标准,根据《中国土壤环境质量标准》GB15618-1995,见表5:
表5污染物实测值
土壤pH值 | 6.5~7.5 |
项目 | |
镉 | 0.6 |
铅 | 300 |
铬(水田) | 300 |
汞 | 0.5 |
砷(水田) | 25 |
得到的预警判定模型为:
yt=0.2649PCd+0.0770PPb+0.0770PCr+0.4193PHg+0.1618PAs
判定标准如表6:
表6土壤污染分级标准
需用色斑输出判定等级。
5.时间序列预测模型:
根据公式: 求的各块土地各年的综合指标yi,取每年各块土地的综合指标的平均值作为某年龙坑镇的土地总指标yi,得出十年的数据如下:
Year | 1999 | 2000 | 2001 | 2002 | 2003 | 2004 | 2005 | 2006 | 2007 | 2008 |
Index | 0.367 | 0.382 | 0.386 | 0.409 | 0.446 | 0.456 | 0.483 | 0.493 | 0.505 | 0.524 |
计算过程如下
3.将每一年标准化的数据和上文中求出的权值wi加权求和,即得到上述各年份的加权综合指数。
注:Si值根据土壤环境质量要求表格中取值pH值为6.5-7.4一栏中的数据
根据综合指数输出折线图,从图中看出此序列的变化有一定的线性趋势,用二次指数平滑法进行预测
第一步,确定α
根据公式 取α初值为0.1,0.2,0.3......0.9重复计算9次,选取计算后平方误差求和后最小的α值为二次指数平滑的参数;如果平方误差和有相同的值则取较大的α值为二次指数平滑的参数。
其中yt是根据上一部分的预警判定模型计算出的十年综合指数,也为一次指数平滑方法中的真实值,y0的值为前三年的均值y0=y1+y2+y3/3=0.378,作为计算的初始值。
例如α=0.2时, 平方误差为预测值和真实值的差的平方。如α=0.2时,平方误差=(0.367-0.378)2=0.000。通过比较平方误差和的大小,α=0.9时平方误差和为0.007为最小,则选α=0.9为二次指数平滑的参数。
第二步:二次指数平滑法,即对一次指数平滑中最优的结果再做一次指数平滑
二次指数平滑法主要用于变参数线性趋势时间序列的预测。变参数线性趋势预测模型表达式为:
由于折线的线性趋势明显,所以选取二次指数平滑法对接下来的数据进行预测。α取0.9,两次平滑的初始值均取前三年数值的平均值。具体结果见表:
(2)式的预测模型与一般的线性趋势模型在于,式中at、bt是参数变量,随着时间自变量t的变化而变化,即直线在各时期的截距和斜率是可能不同的;T是从t期开始的预测期数。
运用二次指数平滑指数法求解(2)式可得参数变量的表达式,即
最后一次的at=0.524,bt=0.018,则预测公式为: 即:
当T=1时得2009年的预测值
当T=2时得2010年的预测值
6.环境恶化速度预警模型:
随着工业的高速发展,土壤重金属的污染越来越大,每年对土壤中污染物的叠加,不是等量的,对土壤的污染也不是等速的,而是加速的。当然人们在环境保护方面作出的一切努力,使工业发展对土壤的影响维持在一个特定的水平上。因此,环境保护意识强的地区,其工业发展对土壤质量影响是等速的,反之是加速的。分析认为,土壤的污染过程可归纳为两个阶段:一是加速阶段,二是匀速阶段。
针对此类问题对环境恶化的速度进行了预警,在没有人为采取环保行为的情况下,大概在多少年后,某地区会进入污染状态。预警模型如下:
其中,a为土壤污染物积累的加速率,t为重金属积累年限,yn为第n年环境污染的综合污染指数,yn-t为第n-t年的环境污染综合污染指数。
v=v0+aT (2)
其中,v为T年后的综合污染量,v0为当前的综合污染量,T为预测年限。
将式(1)带入(2)中,求出T的方程为:
式(3)即为环境恶化速度的预警模型,
当遵义地区进入轻污染状态时,v=1,v0=y2008=0.524,y1999=0.367,t=10,可知,T=30,即遵义地区再过30年后将进入轻度污染状态。
7误差分析
Claims (2)
1一种农产品产地长期安全预警的方法,其特征在于该方法是以无公害农产品产地环境标准数据、产品标准数据和产地实际环境背景数据为基础,构建影响产地环境综合指数的各指标的权重矩阵,然后通过产地环境多年的历史实测数据计算产地环境的各年综合指数,最后利用时间序列法的二次指数平滑法输出产地的综合指数折线图及预测公式,从而对未来农产品产地的综合指数及恶化速度进行预测预警。
2如权利要求1所述的预警方法,其特征在于所述无公害产品产地环境标准数据是国家土壤环境质量标准的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009101026351A CN101593342A (zh) | 2009-06-24 | 2009-06-24 | 农产品产地长期安全预警的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009101026351A CN101593342A (zh) | 2009-06-24 | 2009-06-24 | 农产品产地长期安全预警的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101593342A true CN101593342A (zh) | 2009-12-02 |
Family
ID=41407984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009101026351A Pending CN101593342A (zh) | 2009-06-24 | 2009-06-24 | 农产品产地长期安全预警的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101593342A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103125280A (zh) * | 2012-12-06 | 2013-06-05 | 广东海洋大学 | 稻米中Cd的安全性监测预警方法 |
CN103617463A (zh) * | 2013-12-10 | 2014-03-05 | 重庆市科学技术研究院 | 齿轮磨损速度预警方法 |
CN103701637A (zh) * | 2013-12-16 | 2014-04-02 | 国家电网公司 | 一种电力通信传输网运行趋势分析方法 |
CN107531528A (zh) * | 2015-04-03 | 2018-01-02 | 住友化学株式会社 | 预测规则生成系统、预测系统、预测规则生成方法和预测方法 |
CN107977986A (zh) * | 2016-10-21 | 2018-05-01 | 北京君正集成电路股份有限公司 | 一种运动轨迹的预测方法及装置 |
CN109002995A (zh) * | 2018-07-25 | 2018-12-14 | 国网甘肃省电力公司电力科学研究院 | 一种基于模糊综合评价的火电机组调峰能力评价方法 |
CN109377077A (zh) * | 2018-11-09 | 2019-02-22 | 贵州希望泥腿信息技术有限公司 | 一种农产品质量安全评价方法 |
CN111507610A (zh) * | 2020-04-14 | 2020-08-07 | 江苏省环科院环境科技有限责任公司 | 一种土壤重金属污染的累积性环境风险预警方法 |
-
2009
- 2009-06-24 CN CNA2009101026351A patent/CN101593342A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103125280A (zh) * | 2012-12-06 | 2013-06-05 | 广东海洋大学 | 稻米中Cd的安全性监测预警方法 |
CN103617463A (zh) * | 2013-12-10 | 2014-03-05 | 重庆市科学技术研究院 | 齿轮磨损速度预警方法 |
CN103701637A (zh) * | 2013-12-16 | 2014-04-02 | 国家电网公司 | 一种电力通信传输网运行趋势分析方法 |
CN107531528A (zh) * | 2015-04-03 | 2018-01-02 | 住友化学株式会社 | 预测规则生成系统、预测系统、预测规则生成方法和预测方法 |
CN107531528B (zh) * | 2015-04-03 | 2020-12-29 | 住友化学株式会社 | 预测规则生成系统、预测系统、预测规则生成方法和预测方法 |
CN107977986A (zh) * | 2016-10-21 | 2018-05-01 | 北京君正集成电路股份有限公司 | 一种运动轨迹的预测方法及装置 |
CN107977986B (zh) * | 2016-10-21 | 2021-11-23 | 北京君正集成电路股份有限公司 | 一种运动轨迹的预测方法及装置 |
CN109002995A (zh) * | 2018-07-25 | 2018-12-14 | 国网甘肃省电力公司电力科学研究院 | 一种基于模糊综合评价的火电机组调峰能力评价方法 |
CN109377077A (zh) * | 2018-11-09 | 2019-02-22 | 贵州希望泥腿信息技术有限公司 | 一种农产品质量安全评价方法 |
CN111507610A (zh) * | 2020-04-14 | 2020-08-07 | 江苏省环科院环境科技有限责任公司 | 一种土壤重金属污染的累积性环境风险预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101593342A (zh) | 农产品产地长期安全预警的方法 | |
Zhao et al. | Health assessment for urban rivers based on the pressure, state and response framework—A case study of the Shiwuli River | |
Perry et al. | Water quality: management of a natural resource | |
Parajuli et al. | Comparison of AnnAGNPS and SWAT model simulation results in USDA‐CEAP agricultural watersheds in south‐central Kansas | |
Chan et al. | Bayesian network models for environmental flow decision making in the Daly River, Northern Territory, Australia | |
CN104112080B (zh) | 水体水华风险快速预警方法 | |
Sami et al. | Environmental comprehensive assessment of agricultural systems at the farm level using fuzzy logic: a case study in cane farms in Iran | |
Tang et al. | Ecological environment protection in Chinese rural hydropower development practices: a review | |
Bruder et al. | Use of fuzzy logic models for prediction of taste and odor compounds in algal bloom-affected inland water bodies | |
Li et al. | Water supply risk analysis of Panjiakou reservoir in Luanhe River basin of China and drought impacts under environmental change | |
Rabbani et al. | Coastal community adaptation to climate change-Induced salinity intrusion in Bangladesh | |
Barton et al. | Eutropia: integrated valuation of lake eutrophication abatement decisions using a Bayesian belief network | |
Αnagnostopoulos et al. | Water resources planning using the AHP and PROMETHEE multicriteria methods: the case of Nestos River-Greece | |
Wang et al. | Water quality model establishment for middle and lower reaches of Hanshui River, China | |
Bashar et al. | Investigation of factors affecting rural drinking water consumption using intelligent hybrid models | |
Aghelpour et al. | Coupling ANFIS with ant colony optimization (ACO) algorithm for 1-, 2-, and 3-days ahead forecasting of daily streamflow, a case study in Poland | |
Kim et al. | Operator decision support system for integrated wastewater management including wastewater treatment plants and receiving water bodies | |
CN101593343A (zh) | 无公害农产品的长期安全预警方法 | |
CN111047213B (zh) | 基于多要素联合判别的中长期水资源量临界预警指标方法 | |
CN112599205B (zh) | 事件驱动的污水处理过程出水总磷软测量模型设计方法 | |
Lyu et al. | Water level prediction model based on GCN and LSTM | |
CN106295193A (zh) | 一种基于压缩感知的河流月径流量预测方法 | |
Shi et al. | Assessment and prioritization of eco‐revetment projects in urban rivers | |
Kim et al. | Forecasting performance of algae blooms based on artificial neural networks and automatic observation system | |
Zeng et al. | Research on ANN-based pre-warning water bloom model of LiuHai Lake in Beijing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20091202 |