CN101696968A - 监测土壤重金属含量的新方法 - Google Patents

Abstract

本发明公开了一种监测土壤重金属含量的新方法，包括如下步骤：第一步，土样采集，并将采集到的土样在实验室内风干、磨细、过目筛，对土样进行分析测定，获得单个土样的重金属含量值；第二步，样本分类：将分析测定出的已知土样样本分为训练样本和检验样本；第三步，在MATLAB软件的支持下，利用其提供的数值处理功能和人工神经网络工具箱，通过编程实现神经网络的插值功能，获得土样所在区域的重金属含量分布图。本发明的积极效果是：实现了用较少的采样点进行空间插值以获得采样区域土壤重金属元素含量，从而节省采样样点、采样时间和采样经费，有效地降低了土壤属性空间数据获取成本，提高了空间插值精度。

Description

监测土壤重金属含量的新方法

技术领域

本发明涉及一种监测土壤环境质量的新方法。

背景技术

随着经济社会发展、城市化进程的加快，含重金属、农药化肥的过量施用，使土壤质量发生了迅速的变化，亟需一种快速、准确的方法来监测土壤肥力、健康状况以及土壤环境质量的变化。目前用于预测土壤质量变化的插值方法有经典的Fisher判别法、反距离加权插值、泰森多边形和克里格法(Kriging)等，但这些方法主观性强、假设条件多、插值精度较低。其中，被广泛用于土壤质量空间描述的克里格法有三个重要的前提条件，在许多情况下因为不满足而造成插值精度不高或者不能应用，而且克里格插值具有一定的平滑效应，特别是某些元素空间数据变化剧烈的区域，克里格法对数据进行平滑处理后，就会使异常区的重要信息丢失。近年来，人工神经网络技术为解决这一问题提供了新的途径，径向基函数(RBF)神经网络是人工神经网络模型之一，已被用于土壤性质的空间插值。但RBF网络也存在不少问题尚待解决，最突出的问题是网络拓扑结构的确定、宽度与中心的确定、隐层到输出层权值计算等，严重影响神经网络应用到空间插值的精度。

目前常用的监测土壤重金属含量的方法主要步骤包括：

①根据研究区域尺度大小，利用土壤图、土地利用现状图、地形图进行土壤采样点布置；

②根据样点布置情况，实地野外采集多个土壤样品，带回实验室进行分析测试前的土样制备；

③在实验室分别测定每个土壤样品的各重金属元素(汞，镉，砷，铬，铅，铜等)含量值；

④由于采样点是各自独立的，要得到整个研究区的土壤属性信息，必须借助于空间插值方法。根据地统计学原理，以GIS为平台，对所有土壤样品的各重金属元素含量值进行空间插值，把各个单独土壤样品的重金属元素含量情况(点值)转化为整个区域的重金属元素含量情况(面值)，从而得知区域土壤环境质量状况。

从上述过程可以看出，“面值”是通过对各个“点值”进行空间插值得到的，那么要使得“面值”更加准确，“点值”的代表性就相当重要。而要提高“点值”的代表性，传统意义上只有通过尽量增加土壤样点的个数来实现。而土壤样点个数的增加，直接导致采样、分析测试耗费的时间和经济成本的提高，因此要摸清土壤环境质量是一件比较复杂的事情。

发明内容

为了克服现有技术的上述缺点，本发明提供了一种监测土壤重金属含量的新方法，有效地降低了土壤属性空间数据获取成本，提高了空间插值精度。

本发明解决其技术问题所采用的技术方案是：一种监测土壤重金属含量的新方法，包括如下步骤：

第一步，土样采集，并将采集到的土样在实验室内风干、磨细、过目筛，对土样进行分析测定，获得单个土样的重金属含量值；

第二步，样本分类：将分析测定出的已知土样样本分为训练样本和检验样本；

第三步，在MATLAB软件的支持下，利用其提供的数值处理功能和人工神经网络工具箱，通过编程实现神经网络的插值功能，获得土样所在区域的重金属含量分布图，具体步骤如下：

1)样本数据输入：列出训练样本输入值、训练样本的目标输出值和检验样本值；

2)数据预处理：训练样本、检验样本的数据归一化处理；

3)插值坐标点的生成：生成网格坐标矩阵，并转成二维坐标矩阵；

4)网络创建：利用MATLAB神经网络工具箱提供的函数命令，创建一个人工神经网络；

5)网络训练：调用模型函数，对训练样本进行拟合训练；

6)网络仿真检验：调用模型函数，对检验样本进行仿真检验。

7)网络插值：调用模型函数，对所有样本进行空间插值，得到整个区域的重金属含量分布。

在土样采集时，先以GPS准确确定采样点的空间位置，然后以采样点为圆心，在半径为5m的范围内采集多个土样进行混合，取样深度为10cm。

所述目筛为18目筛。

与现有技术相比，本发明的积极效果是：通过建立采样点土壤重金属元素含量和一些影响因素指标的关系模型，来挖掘看似孤立的多个采样点与整个区域的内在必然联系，从而实现用较少的采样点进行空间插值，获得采样区域土壤重金属元素含量的目的，从而节省采样样点、采样时间和采样经费。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

一种监测土壤环境质量的新方法，包括如下步骤：

1、样本分类：将已知样本(一定数量已知重金属含量值和影响因素值的土壤样点)分为学习训练样本和检验样本2个部分。

先在1∶10000的地形图上的研究区域范围内采用网格法大约以700m的间隔布点，再实地采样，实际采样点根据试验区情况作一定调整，共采集样点80个。采样时，先以GPS准确确定采样点的空间位置，然后以采样点为圆心，在半径为5m的范围内采集多个土样进行混合，取样深度为10cm。采集到的土样在实验室内风干、磨细、过18目筛。

为检验插值方法对土壤性质的插值精度，先对采样点样本进行划分。将80个采样点分为72个训练样本和8个检验样本，其中检验样点的确定是使样点能大致均匀分布于研究区内的前提下，随机选择组成。然后以原始样点布局为基础按照样点间距扩大一倍的，即按照1.4-1.5km的样点间隔进行抽取，得到38个训练样点，检验样点保持不变，仍然是8个。

在划分时，训练样本个数不宜太少，太少则不能准确得出数据间的规律。检验样本如果太少，不能保证检验结果准确可靠。划分方式均为随机选取。其中训练样本用于RBF网络训练，反映插值方法对已知样点的逼近能力；检验样本不参与网络训练，可用于检验插值方法的插值能力，即对未知区域土壤性质的描述能力。

2、在MATLAB软件的支持下，利用其提供的数值处理功能和人工神经网络工具箱，通过编程实现神经网络的插值功能。其具体步骤如下：

1)样本数据输入：可采用人工输入的办法，也可做成文本，从文本读入；此处先建立三个矩阵，再从excel中将数据复制进相应的矩阵：

输入训练样本矩阵，二维矩阵，本例中为72个训练样点的x，y坐标值

输入目标输出，本例中为72个训练样点的土壤有机质含量值

输入检验样本，即8个检验样点的坐标值

2)数据预处理：最大值、最小值查询及归一化，将所有数值进行归一化处理

3)插值点的生成：在研究区生成一个矩形区域，区域内每一点为一个栅格，即需要进行插值的点，记录每个栅格的坐标信息；将格网坐标转为二维矩阵，用作网络输入；建立对研究区每个栅格进行插值的输入矩阵，将输入矩阵中的数据归一化

4)网络创建：利用MATLAB神经网络工具箱提供的函数命令，创建一个人工神经网络：

(a)训练样本网络输入生成，以按邻近点距离由小到大依次确定第3、4、5、6、7个神经节元的输入，邻近点个数可调节。这部分用于对训练样点的邻近样点进行搜索，建立训练样本输入矩阵。运行结果：产生一个7×72矩阵，其中前两行为72个样点的坐标归一化值，后五行为与该样点最近的5样点归一化后的值，5个点的排列顺序依距离而定，最近的放在第三行，次近的放在第四行，依此类推，最远的放在第七行。

(b)检验点网络输入生成，以按邻近点距离由小到大依次确定第3、4、5、6、7个神经节元的输入。用于确定与检验样点最近的几个邻近点。运行结果：产生一个7×8矩阵。其中前两行为8个样点的坐标归一化值，后五行为与该样点最近的5样点归一化后的值，5个点的排列顺序依距离而定，最近的放在第三行，次近的放在第四行，依此类推，最远的放在第七行。

(c)是对前面产生的插值区域中的每个栅格点寻找与之最近的5个采样点，按距离远近分别放入第3至7行。

(d)插值点网络输入生成，以按邻近点距离由小到大依次确定第3、4、5、6、7个神经节元的输入。这部分用于对研究区每一个栅格点查找最邻近的几个样点，运行结果：产生一个7×5341矩阵，作为对研究区进行模拟时的输入矩阵。

5)网络训练，建立自变量与因变量间的非线性关系，并利用训练好的网络模拟训练样点的拟合值与检验样点的拟合值；通过对训练样本的拟合值和对检验样点的预测精度，不断调整模型参数，建立了一个基于空间位置和邻近点为网络输入的土壤属性空间分布插值模型。

(a)网络模拟，其中参数要根据检验点的结果进行调节：利用训练样本输入矩阵和目标输出矩阵训练网络，建立自变量与因变量间的非线性关系。

(b)对训练样点插值，用于确认模型对训练样本的拟合程度：模拟训练样点的拟合值(归一化后的值)

(c)反归一化，将插值结果计算为某种土壤属性值的实际范围

(d)计算检验样点的模拟值

前述步骤需要根据检验样点的模拟值反覆调整网络参数，以达到最优的插值结果。

6)根据建立的模型，利用前面生成的研究区栅格坐标和与每个坐标最近的几个样点值建立的模型输入矩阵，对整个研究区进行插值。

(a)将一维网络预测输出转为网络坐标点矩阵相对应的矩阵，得到以100米为分辨率的研究区每个栅格上土壤有机质的含量值。

(b)转换为TXT文件

(c)将文本文件在arcgis中转为grid显示，得到该区域的重金属含量分布图。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (3)

1.一种监测土壤重金属含量的新方法，其特征在于：包括如下步骤：

第一步，土样采集，并将采集到的土样在实验室内风干、磨细、过目筛，对土样进行分析测定，获得单个土样的重金属含量值；

第二步，样本分类：将分析测定出的已知土样样本分为训练样本和检验样本；

第三步，在MATLAB软件的支持下，利用其提供的数值处理功能和人工神经网络工具箱，通过编程实现神经网络的插值功能，获得土样所在区域的重金属含量分布图，具体步骤如下：

1)样本数据输入：列出训练样本输入值、训练样本的目标输出值和检验样本值；

2)数据预处理：训练样本、检验样本的数据归一化处理；

3)插值坐标点的生成：生成网格坐标矩阵，并转成二维坐标矩阵；

4)网络创建：利用MATLAB神经网络工具箱提供的函数命令，创建一个人工神经网络；

5)网络训练：调用模型函数，对训练样本进行拟合训练；

6)网络仿真检验：调用模型函数，对检验样本进行仿真检验。

7)网络插值：调用模型函数，对所有样本进行空间插值，得到整个区域的重金属含量分布。

2.根据权利要求1所述的监测土壤重金属含量的新方法，其特征在于：在土样采集时，先以GPS准确确定采样点的空间位置，然后以采样点为圆心，在半径为5m的范围内采集多个土样进行混合，取样深度为10cm。

3.根据权利要求1所述的监测土壤重金属含量的新方法，其特征在于：所述目筛为18目筛。