CN107356727A - 利用红树营养指标预测待测区域土壤中重金属是否污染的方法 - Google Patents

利用红树营养指标预测待测区域土壤中重金属是否污染的方法 Download PDF

Info

Publication number
CN107356727A
CN107356727A CN201710757819.6A CN201710757819A CN107356727A CN 107356727 A CN107356727 A CN 107356727A CN 201710757819 A CN201710757819 A CN 201710757819A CN 107356727 A CN107356727 A CN 107356727A
Authority
CN
China
Prior art keywords
mangrove
measured
nutritive index
heavy metal
blade
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.)
Granted
Application number
CN201710757819.6A
Other languages
English (en)
Other versions
CN107356727B (zh
Inventor
赵燕
徐少君
张巧明
田耀武
孔维芝
贺春玲
张亚峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201710757819.6A priority Critical patent/CN107356727B/zh
Publication of CN107356727A publication Critical patent/CN107356727A/zh
Application granted granted Critical
Publication of CN107356727B publication Critical patent/CN107356727B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明涉及利用红树营养指标预测土壤中重金属是否污染的方法，将红树营养指标作为自变量、红树下方土壤中待测重金属的含量作为因变量建立逻辑回归模型，将该逻辑回归模型作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果验证的准确率在90%以上，则逻辑回归模型建立成功；在待测区域中对红树的叶片取样，并对逻辑回归模型中包含的营养指标进行检测，通过建立的逻辑回归模型预测待测区域土壤中待测重金属是否污染。本发明为土壤重金属检测提供了一种新的研究方向，通过检测植物营养指标来预测待测区域土壤中重金属含量，能够快速锁定可能有重金属污染的地区。

Description

利用红树营养指标预测待测区域土壤中重金属是否污染的 方法
技术领域
本发明涉及利用植物营养指标预测土壤重金属污染的方法，具体涉及利用红树营养指标预测待测区域土壤中重金属是否污染的方法。
背景技术
近年来随着社会经济的快速发展，土壤中重金属含量不断增加，土壤重金属污染已 成为普遍的环境问题，越来越受到人们的关注。更为严重的是土壤重金属污染具有长期性、 滞后性等特点，可以通过多种途径进入食物链累积放大，严重影响人类健康，威胁人类的生 命安全。
目前国家对土壤重金属的检测还不是很普遍，只针对特别污染地区，因此对可能有重金属污染的地区难以及时发现。尽管对土壤的重金属研究，已取得了一定的进展，但多数研究是已知重金属区域的分析，没有研究或者报道：如何预测未展开土壤测试的地域。
虽然国家对土壤重金属的检测目前还不是很普遍，但国家或地区对植物健康的检测，几乎每年都会做。鉴此，本发明通过对红树营养指标与重金属之间的关系的研究，提供一种利用红树营养指标预测待测区域(待测区域指未展开土壤测试的地域)土壤中重金属是否污染的方法。
发明内容
本发明的目的是提供一种利用红树营养指标预测待测区域土壤中重金属是否污染的方法，能够利用国家对植物健康检测的结果对未展开土壤测试地域土壤中重金属进行初步预测，快速锁定可能有重金属污染的地区，进行重点考察，可以省去土壤重金属普查的费用，具有良好的适用前景。
为解决上述技术问题，本发明采用的技术方案是：利用红树营养指标预测待测区域土壤中重金属是否污染的方法，包括以下步骤：1)、将红树营养指标作为自变量、红树下方土壤中待测重金属的含量作为因变量建立逻辑回归模型，所述的营养指标包括红树叶片中 K、Zn、Ca、Fe、Na、有机质、全氮和全磷含量中三种以上；将该逻辑回归模型作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果验证的准确率在90％以上，则逻辑回归模型建立成功；2)、在待测区域中对红树的叶片取样，并对逻辑回归模型中包含的营养指标进行检测，通过建立的逻辑回归模型预测待测区域土壤中待测重金属是否污染。
优选地，步骤1)建立逻辑回归模型的方法包括以下步骤：a、在污染区和非污染区分别对红树营养指标及红树下方的土壤进行取样检测，所述的红树营养指标包括样品叶片中 K、Zn、Ca、Fe、Na、有机质、全氮和全磷含量，将检测结果整理备用；b、对各营养指标的两个样本组即污染区样本组和非污染区样本组进行差异性分析，选出污染区样本组和非污染区样本组差异性最显著的3个的营养指标；对各营养指标分别与待测重金属含量进行相关性分析，选出与待测重金属含量相关度最大的3个的营养指标；将以上选出的营养指标取并集，备用；c、将并集内的营养指标作为自变量、待测重金属含量作为因变量建立逻辑回归模型，建立模型过程中逐步减少自变量个数进行逐步回归，得到多个回归方程，选择拟合程度最佳的回归方程作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果准确率在90％以上，则逻辑回归模型建立成功且拟合程度最佳的回归方程为最佳模型。
优选地，步骤1)采用R语言glm函数建立逻辑回归方程。
优选地，步骤1)采用R语言stepAIC函数判断逻辑回归方程的拟合程度，AIC值最小的回归方程为拟合程度最佳的回归方程。
优选地，红树叶片选自距地面1米高最外冠幅处的叶片，土壤选自该叶片下方地表以下2cm-4cm的土壤。
本发明具体提供了一种利用红树营养指标预测待测区域土壤是否镉污染的方法，包括以下步骤：在待检测区域对红树的叶片进行取样，检测叶片中全磷含量、K元素含量和Fe 元素含量；每片叶片中各元素含量以mg/g为单位时，根据公式
TC＝182.7–63.04×P-2.753×K-3.194×Fe
计算TC值，公式中P为全磷含量，根据TC值预测待检测区域土壤是否镉污染：若TC≥ 1，则待检测区域为镉元素的污染区；若TC＜1，则待检测区域为镉元素的非污染区。
优选地，红树叶片选自距地面1米高最外冠幅处的叶片。
优选地，叶片中K元素含量和Fe元素含量均采用等离子光谱检测。
优选地，叶片中全磷含量测定方法为：采用浓硫酸和浓高氯酸溶解转化叶片中的磷，并用钼锑抗比色法测定磷含量。
有益效果：本发明为土壤重金属检测提供了一种新的研究方向，通过检测植物营养指标来预测待测区域土壤中重金属含量，能够快速锁定可能有重金属污染的地区；通过本发明的构思，在对指定植物(如红树)和指定重金属(如镉元素)之间成功建立逻辑回归模型后，可以直接利用该逻辑回归模型对待测区域土壤中指定重金属进行预测，无需再次建立模型，方便、实用。
具体实施方式
下面结合具体实施例对本发明做进一步详细的说明。
利用红树营养指标预测待测区域土壤中重金属是否污染的方法，包括以下步骤：1)、将红树营养指标作为自变量、红树下方土壤中待测重金属的含量作为因变量建立逻辑回归模型，所述的营养指标包括红树叶片中K、Zn、Ca、Fe、Na、有机质、全氮和全磷含量中三种以上；将该逻辑回归模型作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果验证的准确率在90％以上，则逻辑回归模型建立成功；2)、在待测区域中对红树的叶片取样，并对逻辑回归模型中包含的营养指标进行检测，通过建立的逻辑回归模型预测待测区域土壤中待测重金属是否污染。
优选地，步骤1)建立逻辑回归模型的方法包括以下步骤：a、在污染区和非污染区分别对红树营养指标及红树下方的土壤进行取样检测，所述的红树营养指标包括样品叶片中 K、Zn、Ca、Fe、Na、有机质、全氮和全磷含量，将检测结果整理备用；b、对各营养指标的两个样本组即污染区样本组和非污染区样本组进行差异性分析，选出污染区样本组和非污染区样本组差异性最显著的3个的营养指标；对各营养指标分别与待测重金属含量进行相关性分析，选出与待测重金属含量相关度最大的3个的营养指标；将以上选出的营养指标取并集，备用；c、将并集内的营养指标作为自变量、待测重金属含量作为因变量建立逻辑回归模型，建立模型过程中逐步减少自变量个数进行逐步回归，得到多个回归方程，选择拟合程度最佳的回归方程作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果准确率在90％以上，则逻辑回归模型建立成功且拟合程度最佳的回归方程为最佳模型。
优选地，步骤1)采用R语言glm函数建立逻辑回归方程。
优选地，步骤1)采用R语言stepAIC函数判断逻辑回归方程的拟合程度，AIC值最小的回归方程为拟合程度最佳的回归方程。
优选地，红树叶片选自距地面1米高最外冠幅处的叶片，土壤选自该叶片下方地表以下2cm-4cm的土壤。
利用红树营养指标预测待测区域土壤是否镉污染的方法，包括以下步骤：在待检测区域对红树的叶片进行取样，检测叶片中全磷含量、K元素含量和Fe元素含量；每片叶片中各元素含量以mg/g为单位时，根据公式
TC＝182.7–63.04×P-2.753×K-3.194×Fe
计算TC值，公式中P为全磷含量，根据TC值预测待检测区域土壤是否镉污染：若TC≥1，则待检测区域为镉元素的污染区；若TC＜1，则待检测区域为镉元素的非污染区。
优选地，红树叶片选自距地面1米高最外冠幅处的叶片。
优选地，叶片中K元素含量和Fe元素含量均采用等离子光谱检测。
优选地，叶片中全磷含量测定方法为：采用浓硫酸和浓高氯酸溶解转化叶片中的磷，并用钼锑抗比色法测定磷含量。
试验：
利用红树营养指标预测待测区域土壤是否镉污染的方法以及该预测方法的建立过程如下，其中镉污染定义见表1：
表1：镉污染的级别，国标GB15618-1995(单位ppm)，土壤环境质量标准值
由表1可以看出，正常土壤的镉含量在0.2ppm以下，而在1.0ppm以上为高污染地区。
一.样地和植物材料选取
深圳市地处广东省南部，位于北回归线以南，地理位置22°27'N～22°52'N，113° 46'E～114°37'E，东临大鹏湾，西连珠江口。年均气温约22℃，极端最高气温37℃，极端最低温度在0℃以上，年平均降雨量在1600～2300mm之间，属亚热带季风海洋性气候，干湿季节明显。深圳红树林主要分布于深圳市从东到西沿海岸的河口、河涌区域，包括海上田园风景区、沙井和福永街道沿海滩涂、深圳湾、大鹏半岛东涌村和盐灶村等。
采样地深圳市海上田园旅游区位于深圳市西部珠江人海口东岸的宝安区沙井镇、福永镇一带的岸线滩涂水陆接壤处，面积约24km2,其中珠江口东大堤外侧规划1.7km2,内侧红树林片区0.4km2。我们选择分为河道“无瓣海桑”负向污染区(用PL表示)。另外，正对照选自同一地区的“无瓣海桑”保护区(即非污染区，下同，用CK表示)。
在污染区和保护区，S型取样，选取8个点，每个点3株植物叶片混合测定。每株植物选取距地面1米高处最外冠幅的叶片。土壤选择植物最外冠幅对应地面，地表以下2cm- 4cm的土壤。
二.金属元素测定
金属元素测定包括：Cd镉，K钾，Zn锌，Ca钙，Fe铁和Na钠。利用电感耦合等离子体(ICP，安捷伦7700)进行测定。
2.1试剂：
①浓高氯酸(HCIO4，60～70％，分析纯)；
②浓硫酸(H2SO4密度1.84g/ml，分析纯)；
③4mol/L氢氧化钠溶液；
④6种元素标样：Cd镉，K钾，Zn锌，Ca钙，Fe铁和Na钠。
2.2主要仪器：
电感耦合等离子光谱发生仪；凯氏烧瓶(100ml)；容量瓶(50ml)。
2.3测定步骤
①待测液的制备：烘箱180℃，将植物材料完全烘干，并用研磨将材料完全粉碎。称取植物干粉，一般为0.1g。将植物干粉加入100ml凯氏瓶中，加数滴水使样品湿润，加3ml浓硫酸及10滴高氯酸，摇匀。在瓶口放一小漏斗，在调温电炉上加热消煮，至凯氏瓶中溶液颜色转白并且透明，再继续煮沸20min，冷却后的消煮液用水小心地从凯氏瓶中洗入100ml容量瓶中，反复冲洗凯氏瓶，使瓶内混和物全部洗入容量瓶中，然后用水稀释至刻度，摇匀，静置澄清，小心地吸取上清液进行磷的测定。同时作试剂空白试验；
②ICP测定：Cd镉，K钾，Zn锌，Ca钙，Fe铁和Na钠元素标样配制标曲。然后依次将液体装载如ICP中，进行元素含量测定。
三.植物有机质的测定
利用油浴加热消煮的方法来加速有机质的氧化，使植物有机质中的碳氧化成二氧化碳，而重铬酸离子被还原成三价铬离子，剩余的重铬酸钾用二价铁的标准溶液滴定，根据有机碳被氧化前后重铬酸离子数量的变化，就可计算有机碳或有机质的含量。
3.1试剂：
①0.8000mol/L K2Cr2O7标准溶液：39.2245g重铬酸钾加400ml水，加热使溶解，冷却后用水定容至1L；
②0.2mol/L硫酸亚铁溶液：56.0g硫酸亚铁或80.0g硫酸亚铁铵，溶于水，加15ml浓硫酸，用水定容至1L；
③N—苯基里南邻胺基本甲酸指示剂：溶0.2g指示剂于100ml0.2％碳酸钠溶液中，稍加热并不断搅拌，促使浮于表面的指示剂溶解；
④浓硫酸(密度1.84g/ml,化学纯)。
3.2主要仪器：
调温电炉；温度计(250℃)；硬质试管(25 100mm)；油浴锅(内装固体石蜡或植物油)；铁丝笼；锥形瓶(250ml)。
3.3测定步骤：
①称样：烘箱180℃，将植物材料完全烘干，并用研磨将材料完全粉碎；称取植物干粉若干 (一般0.1g左右)放入大试管，用吸管加入5ml 0.8000mol/L K2Cr2O7标准溶液，然后用注射器加入5ml浓硫酸，并小心旋转摇匀；
②消煮：预先将油浴锅加热至180～190℃，将大试管插入铁丝笼，然后将其放入油锅中加热，此时应控制锅内温度在170～180℃，并使溶液保持沸腾5min，然后取出铁丝笼，待试管稍冷后，用干净纸擦净试管外部的油液，如煮沸后的溶液呈绿色，表示重铬酸钾用量不足，应再称取少量的植物干粉重做；
③滴定：如溶液呈黄色或黄绿色，则冷却后，将试管内混和物洗入250ml锥形瓶中，使瓶内体积在60～80ml左右，加3～4滴N—苯基里南邻胺基本甲酸指示剂，用0.2mol/L硫酸亚铁溶液滴定，变色过程由棕红色经紫至蓝绿色为终点；记录硫酸亚铁用量；每批分析时，必须作2～3个空白标定；空白标定不加植物干粉，但加入0.1～0.5g石英砂，其他步骤与测定植物干粉时完全相同，记录硫酸亚铁用量；
结果计算:
有机质(％)＝有机碳(％)×1.724
式中：标准溶液的浓度，mol/L；
标准溶液的体积，ml；
V0——空白标定时用去硫酸亚铁溶液体积，ml；
V——滴定土样时用去硫酸亚铁溶液体积，ml；
0.003——碳原子的摩尔质量，g/mol；
1.1——氧化校正系数；
1.724——将有机碳换算成有机质的系数；
m1——植物干粉的质量，g；
K2——将风干换算成烘干的水分换算系数，实验中为1。
四.植物全氮的测定
样品在加速剂的参与下，用浓硫酸消煮时，各种含氮有机化合物，经过复杂的高温反应，转化为铵态氮。碱化后蒸馏出来的氨用硼酸吸收，以酸标准溶液滴定，求出植物全氮含量。
4.1仪器、设备：开氏定氮仪、消煮炉。
4.2试剂：
①硫酸：化学纯；
②硫酸或盐酸：分析纯，0.005mol/L硫酸或0.01mol/L盐酸标准溶液；
③氢氧化钠：工业用或化学纯，10mol/L氢氧化钠溶液；
④硼酸—指示剂混和溶液。硼酸：分析纯，2％溶液；
⑤混合指示剂：0.5g溴甲酚绿和0.1g甲基红于玛瑙研钵中，加入少量95％乙醇，研磨直至试剂全部溶解后，加95％至100ml；使用前，每升硼酸溶液中加入20ml混合指示剂，并用稀碱调节至红紫色；此液放置时间不宜过长，如在使用过程中PH值有变化，应随时用稀酸或稀碱调节之；
⑥加速剂：100g硫酸钾，10g五水合硫酸铜，1g硒粉于研钵中研细，必须充分混合均匀。
4.3测定步骤:
①烘箱180℃，将植物材料完全烘干，并用研磨将材料完全粉碎。称取植物干粉，一般为0.1g；
②样品消煮：将植物干粉送入干燥的开氏瓶底部，加少量无离子水湿润后，加入2g加速剂和5ml浓硫酸，摇匀。将开氏瓶置于消煮炉上消煮，待消煮液全部变为灰白稍带绿色后，再继续消煮1h。消煮完毕，冷却，待蒸馏。在消煮的同时，做两份空白测定，除不加植物干粉外，其它操作完全相同；
③氨的蒸馏：将消煮好的土样直接上定氮仪上进行测定；
测定结果的计算(如果用全自动定氮仪最终结果为全氮百分含量)：
式中：V——滴定试液时所用酸标准溶液的体积，ml；
V0——滴定空白时所用酸标准溶液的体积，ml；
CH——酸标准溶液的浓度，mol/L；
0.014——氮原子的毫摩尔质量；
m——烘干土样的质量，g。
五.植物全磷的测定
以硫酸--高氯酸溶解植物中的磷，用钼锑抗比色法测定。
5.1试剂：
①浓高氯酸(HCIO4，60～70％，分析纯)；
②浓硫酸(H2SO4密度1.84g/ml，分析纯)；
③4mol/L氢氧化钠溶液。
5.2主要仪器：
分光光度计；凯氏烧瓶(100ml)；容量瓶(50ml)。
5.3测定步骤：
①待测液的制备：烘箱180℃，将植物材料完全烘干，并用研磨将材料完全粉碎；称取植物干粉，一般为0.1g；将植物干粉加入100ml凯氏瓶中，加数滴水使样品湿润，加3ml浓硫酸及10滴高氯酸，摇匀；在瓶口放一小漏斗，在调温电炉上加热消煮，至凯氏瓶中溶液颜色转白并且透明，再继续煮沸20min，冷却后的消煮液用水小心地从凯氏瓶中洗入100ml容量瓶中，反复冲洗凯氏瓶，使瓶内混和物全部洗入容量瓶中，然后用水稀释至刻度，摇匀，静置澄清，小心地吸取上清液进行磷的测定；同时作试剂空白试验；
②测定：吸取上述待测液5～10ml置于50ml容量瓶中，加水到15～20ml,加1滴2，4-二硝基酚指示剂，用4mol/L氢氧化钠溶液调节PH至溶液刚呈淡黄色，加5ml钼锑抗指示剂，用水定容至刻度，摇匀；30min后在分光光度计上，用2cm比色皿，选700nm波长比色，一空白试验溶液为参比液，调吸收值到零，然后侧各待测液显色液的吸收值；在工作曲线上查出显色液的磷ppm数；
结果计算：
全五氧化二磷(P2O5，％)＝全磷(P,％)×2.29
式中：c—从工作曲线上查的显色液的磷ppm数；(测试值)
v—显色液体积，50ml；
ts—分取倍数，ts＝待测液总体积/吸取的待测液体体积
m—植物干粉质量，g；
106—将微克换算成克的除数；
2.29—将磷换算成五氧化二磷的系数；
允许偏差：钼锑抗法要求显色液中硫酸浓度为0.23～0.33mol/L；如果酸度小于0.23mol/L，显色虽然加快，但稳定时间较短；如果酸度大于0.33mol/L，则显色较慢；钼锑抗法要求显色温度为15℃以上，如果室温低于15℃，可放置在30～40℃的恒温箱中保持30min，取出冷却后比色。
六、结果分析：
红树营养指标及土壤Cd元素含量检测结果检测结果见表2；对各营养指标的两个样本组即污染区样本组和非污染区样本组进行差异性分析，差异性分析结果见表3；对各营养指标分别与Cd含量进行相关性分析，相关性结果见表4；
表2 红树营养指标及土壤Cd元素含量检测结果
表3 各营养指标的两个样本组(PL与CK)的差异性(T比较检验)
营养指标 T test
K钾 2.55E-08
Na钠 0.001925
Fe铁 0.040273
Zn锌 0.174473
有机质 0.191128
Ca钙 0.204571
P全磷 0.243229
N全氮 0.2468
表4 各营养指标与Cd含量的相关性(通过相关性矩阵分析)
Cd N P K Zn Ca Fe Na C
1.00 -0.41 0.50 -0.75 0.54 -0.34 0.28 -0.32 -0.08
-0.41 1.00 0.42 0.76 -0.06 0.50 -0.36 0.15 0.59
0.50 0.42 1.00 -0.10 0.23 0.17 -0.31 0.13 0.60
-0.75 0.76 -0.10 1.00 -0.08 0.35 -0.01 0.21 0.17
0.54 -0.06 0.23 -0.08 1.00 -0.38 0.38 -0.15 -0.23
-0.34 0.50 0.17 0.35 -0.38 1.00 -0.22 -0.04 0.01
0.28 -0.36 -0.31 -0.01 0.38 -0.22 1.00 -0.31 -0.65
-0.32 0.15 0.13 0.21 -0.15 -0.04 -0.31 1.00 0.54
-0.08 0.59 0.60 0.17 -0.23 0.01 -0.65 0.54 1.00
从表3-4可以看出：差异性分析中仅K、Na、Fe三个营养指标出现显著性差异，即为差异性最显著的3个营养指标；相关性分析中，相关度由大到小排序为K>Zn>P>N>Ca>Na> Fe>C，即K、Zn、P为相关度最大的3个营养指标；将差异性最显著的3个营养指标与相关度最大的3个营养指标取并集得到K、Na、Fe、Zn、P共5个营养指标；
采用R语言glm函数建立逻辑回归方程并用stepAIC函数判断逻辑回归方程的拟合程度：先以5个营养指标建立建立逻辑回归方程，然后进行逐步回归，得到分别含有5、4、3个营养指标的回归方程，如下：
①5指标模型：
公式：TC＝184.7–0.142×Na-63.72×P-2.561×K–71.11×Zn–323.4×Fe
Specificity(特异性):1.0 Sensitivity(敏感性)：1.0
AIC＝12
②4指标模型：
公式：TC＝182.3-66.36×P-2.634×K–80.23×Zn-307.6×Fe
Specificity(特异性):1.0 Sensitivity(敏感性)：1.0
AIC＝10
③3指标模型：
公式：TC＝182.7–63.04×P-2.753×K-3.194×Fe
Specificity(特异性):1.0 Sensitivity(敏感性)：1.0
AIC＝8
上述3个回归方程中敏感性和特异性、AIC值，均通过R语言进行逻辑回归后自动得到，3个回归方程中AIC最小的为3指标模型，即该3指标模型为上述回归方程中拟合程度最佳的回归方程。
七、模型验证
在PL和CK区域各选随机取6个植物样本(红树叶片)和样地土壤样本，测定红树指标含量和土壤中镉含量，利用3指标模型计算TC值，以数值1为阈值，如果模型计算结果大于等于1，则为污染土，小于1为正常土；将预测结果与测定结果进行比较，结果如表5 (TPL为PL区验证，TCK为CK区验证)：
表5 模型验证结果
编号 Cd(ppm) 是否污染 P(％) K(mg/gDW) Fe(mg/g DW) 预测数值 预测结果
TPL-1 16.21 是 0.38 30.03 0.24 75.22 正确
TPL-2 5.73 是 0.44 30.80 0.18 69.67 正确
TPL-3 2.85 是 0.44 30.98 0.11 69.64 正确
TPL-4 5.32 是 0.45 35.96 0.25 54.27 正确
TPL-5 2.33 是 0.36 36.51 0.13 59.03 正确
TPL-6 2.30 是 0.24 37.26 0.18 64.72 正确
TCK-1 0.15 否 0.47 55.55 0.13 -0.02 正确
TCK-2 0.09 否 0.23 58.70 0.20 6.25 错误
TCK-3 0.11 否 0.27 62.62 0.20 -7.62 正确
TCK-4 0.13 否 0.40 65.18 0.20 -22.39 正确
TCK-5 0.14 否 0.25 68.86 0.23 -23.15 正确
TCK-6 0.14 否 0.45 88.48 0.19 -89.63 正确
从表5可以看出，12个样本中有11个预测结果与测定结果一致，其准确率为91.67％，并且测定结果为污染的样品，其预测结果也为污染，即对污染区的预测无遗漏，因此，逻辑回归模型建立成功且所述的3指标模型为最佳模型。
八、模型预测方法
在待检测区域对红树的叶片进行取样，检测叶片中全磷含量、K元素含量和Fe元素含量；每片叶片中各元素含量以mg/g为单位，根据公式
TC＝182.7–63.04×P-2.753×K-3.194×Fe
计算TC值，公式中P为全磷含量，根据TC值预测待检测区域土壤是否镉污染：若TC≥ 1，则待检测区域为镉元素的污染区；若TC＜1，则待检测区域为镉元素的非污染区。其中，取样方法、元素含量测定均同上。

Claims (9)

1.利用红树营养指标预测待测区域土壤中重金属是否污染的方法，其特征在于，包括以下步骤：
1）、将红树营养指标作为自变量、红树下方土壤中待测重金属的含量作为因变量建立逻辑回归模型，所述的营养指标包括红树叶片中K、Zn、Ca、Fe、Na、有机质、全氮和全磷含量中三种以上；将该逻辑回归模型作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果验证的准确率在90%以上，则逻辑回归模型建立成功；
2）、在待测区域中对红树的叶片取样，并对逻辑回归模型中包含的营养指标进行检测，通过建立的逻辑回归模型预测待测区域土壤中待测重金属是否污染。
2.根据权利要求1所述的利用红树营养指标预测待测区域土壤中重金属是否污染的方法，其特征在于，步骤1）建立逻辑回归模型的方法包括以下步骤：
a、在污染区和非污染区分别对红树营养指标及红树下方的土壤进行取样检测，所述的红树营养指标包括样品叶片中K、Zn、Ca、Fe、Na、有机质、全氮和全磷含量，将检测结果整理备用；
b、对各营养指标的两个样本组即污染区样本组和非污染区样本组进行差异性分析，选出污染区样本组和非污染区样本组差异性最显著的3个的营养指标；对各营养指标分别与待测重金属含量进行相关性分析，选出与待测重金属含量相关度最大的3个的营养指标；将以上选出的营养指标取并集，备用；
c、将并集内的营养指标作为自变量、待测重金属含量作为因变量建立逻辑回归模型，建立模型过程中逐步减少自变量个数进行逐步回归，得到多个回归方程，选择拟合程度最佳的回归方程作为预测待测重金属是否污染的判断标准进行取样验证，取样验证的取样区域包括污染区和非污染区，如果准确率在90%以上，则逻辑回归模型建立成功且拟合程度最佳的回归方程为最佳模型。
3.根据权利要求2所述的利用红树营养指标预测待测区域土壤中重金属是否污染的方法，其特征在于：步骤1）采用R语言glm函数建立逻辑回归方程。
4.根据权利要求2所述的利用红树营养指标预测待测区域土壤中重金属是否污染的方法，其特征在于：步骤1）采用R语言stepAIC函数判断逻辑回归方程的拟合程度，AIC值最小的回归方程为拟合程度最佳的回归方程。
5.根据权利要求1所述的利用红树营养指标预测待测区域土壤中重金属是否污染的方法，其特征在于：红树叶片选自距地面1米高最外冠幅处的叶片，土壤选自该叶片下方地表以下2cm-4cm的土壤。
6.利用红树营养指标预测待测区域土壤是否镉污染的方法，其特征在于，包括以下步骤：在待检测区域对红树的叶片进行取样，检测叶片中全磷含量、K元素含量和Fe元素含量；每片叶片中各元素含量以mg/g为单位时，根据公式
TC= 182.7 – 63.04×P - 2.753×K - 3.194×Fe
计算TC值，公式中P为全磷含量，根据TC值预测待检测区域土壤是否镉污染：若TC≥1，则待检测区域为镉元素的污染区；若TC＜1，则待检测区域为镉元素的非污染区。
7.根据权利要求6所述的利用红树营养指标预测待测区域土壤是否镉污染的方法，其特征在于：红树叶片选自距地面1米高最外冠幅处的叶片。
8.根据权利要求6所述的利用红树营养指标预测待测区域土壤是否镉污染的方法，其特征在于：叶片中K元素含量和Fe元素含量均采用等离子光谱检测。
9.根据权利要求6所述的利用红树营养指标预测待测区域土壤是否镉污染的方法，其特征在于，叶片中全磷含量测定方法为：采用浓硫酸和浓高氯酸溶解转化叶片中的磷，并用钼锑抗比色法测定磷含量。
CN201710757819.6A 2017-08-29 2017-08-29 利用红树营养指标预测待测区域土壤中重金属是否污染的方法 Expired - Fee Related CN107356727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710757819.6A CN107356727B (zh) 2017-08-29 2017-08-29 利用红树营养指标预测待测区域土壤中重金属是否污染的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710757819.6A CN107356727B (zh) 2017-08-29 2017-08-29 利用红树营养指标预测待测区域土壤中重金属是否污染的方法

Publications (2)

Publication Number Publication Date
CN107356727A true CN107356727A (zh) 2017-11-17
CN107356727B CN107356727B (zh) 2019-06-04

Family

ID=60288186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710757819.6A Expired - Fee Related CN107356727B (zh) 2017-08-29 2017-08-29 利用红树营养指标预测待测区域土壤中重金属是否污染的方法

Country Status (1)

Country Link
CN (1) CN107356727B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364101A (zh) * 2018-02-13 2018-08-03 河南科技大学 一种利用土壤元素含量预测虫害的方法
CN109840855A (zh) * 2019-03-06 2019-06-04 平顶山学院 一种在生殖初期预测番茄是否减产的方法
CN111462834A (zh) * 2019-11-14 2020-07-28 中国科学院地理科学与资源研究所 一种植物中镉过量的概率值的预测方法及系统
CN111540418A (zh) * 2019-11-14 2020-08-14 中国科学院地理科学与资源研究所 一种植物中砷过量的概率值的预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987477A (zh) * 2006-12-28 2007-06-27 天津大学 河道沉积物中重金属的连环拟合方法
CN104359930A (zh) * 2014-09-03 2015-02-18 重庆大学 一种快速评价水稻土中重金属污染的方法
CN105651949A (zh) * 2015-12-30 2016-06-08 浙江大学 一种基于产地土壤情况评估蔬菜中重金属含量的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1987477A (zh) * 2006-12-28 2007-06-27 天津大学 河道沉积物中重金属的连环拟合方法
CN104359930A (zh) * 2014-09-03 2015-02-18 重庆大学 一种快速评价水稻土中重金属污染的方法
CN105651949A (zh) * 2015-12-30 2016-06-08 浙江大学 一种基于产地土壤情况评估蔬菜中重金属含量的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MCBRIDE M B．: "Cadmium uptake by crops estimated from soil total Cd and pH．", 《SOIL SCIENCE》 *
康丽锋: "红树植物秋茄与汞污染土壤相互作用研究", 《中国优秀硕士学位论文全文数据库》 *
程皓: "红树林重金属污染生态学研究进展", 《生态学报》 *
线郁: "土壤砷植物暴露途径的土壤因子模拟", 《生态学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364101A (zh) * 2018-02-13 2018-08-03 河南科技大学 一种利用土壤元素含量预测虫害的方法
CN108364101B (zh) * 2018-02-13 2021-10-22 河南科技大学 一种利用土壤元素含量预测虫害的方法
CN109840855A (zh) * 2019-03-06 2019-06-04 平顶山学院 一种在生殖初期预测番茄是否减产的方法
CN111462834A (zh) * 2019-11-14 2020-07-28 中国科学院地理科学与资源研究所 一种植物中镉过量的概率值的预测方法及系统
CN111540418A (zh) * 2019-11-14 2020-08-14 中国科学院地理科学与资源研究所 一种植物中砷过量的概率值的预测方法及系统

Also Published As

Publication number Publication date
CN107356727B (zh) 2019-06-04

Similar Documents

Publication Publication Date Title
CN107356727B (zh) 利用红树营养指标预测待测区域土壤中重金属是否污染的方法
Zhao et al. Study of heavy metal pollution, ecological risk and source apportionment in the surface water and sediments of the Jiangsu coastal region, China: A case study of the Sheyang Estuary
CN104280512A (zh) 一种测定土壤中有机质的方法
Pang et al. Impacts of human activities on the occurrence of groundwater nitrate in an alluvial plain: a multiple isotopic tracers approach
CN109085049A (zh) 一种污水与再生水中cod检测方法
Akito et al. Reevaluation of Minamata Bay, 25 years after the dredging of mercury-polluted sediments
Apte et al. Examination of the range of copper complexing ligands in natural waters using a combination of cathodic stripping voltammetry and computer simulation
CN103604760A (zh) 一种测定土壤有机质含量的方法
CN107490559A (zh) 一种测定油区固体废物中石油类含量的方法
CN105486668B (zh) 基于罗丹明B-噻吩衍生物的快速响应性Hg2+显色-荧光探针的制备方法
CN114384604B (zh) 一种基于铀成矿要素优选砂岩型铀矿有利含铀区的方法
CN104280384A (zh) 带钢盐酸酸洗工艺废水cod值的精测方法
CN108776130A (zh) 一种快速测定钨钼铋锡多金属矿中锡含量方法
CN104764735A (zh) 一种分析铬铁中磷的方法
CN107024529A (zh) 一种利用电感耦合等离子体质谱测定环境样品中铅同位素比值的方法
CN105954250A (zh) 一种测定尿中砷的新型方法
Gui et al. Evaluation of sediment-associated heavy metal pollution in Chaohu Lake, Eastern China
CN109444115A (zh) 一种土壤中有效硫的测定方法
CN106092719A (zh) 一种通过快速消解测定cod的方法
Cao et al. Residence time as a key for comprehensive assessment of the relationship between changing land use and nitrates in regional groundwater systems
CN110308197A (zh) 电感耦合等离子体质谱法测定土壤中锡含量的检测方法
CN105717252A (zh) 一种煤中氯的测定方法
CN115359185A (zh) 涉重污染场地土壤重金属累积迁移影响关键因子识别方法
CN101051027A (zh) 一种以分光光度法水相测定水或废水中微量汞的方法
CN104880454A (zh) 一种测定聚碳酸酯中金属元素含量的方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190604

Termination date: 20200829

CF01 Termination of patent right due to non-payment of annual fee