CN108563974A - 一种土壤重金属Hg含量的空间预测方法 - Google Patents
一种土壤重金属Hg含量的空间预测方法 Download PDFInfo
- Publication number
- CN108563974A CN108563974A CN201710165969.8A CN201710165969A CN108563974A CN 108563974 A CN108563974 A CN 108563974A CN 201710165969 A CN201710165969 A CN 201710165969A CN 108563974 A CN108563974 A CN 108563974A
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- polluted soil
- contents
- data
- dem
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种土壤重金属Hg含量的空间预测方法,属于空间预测方法领域。本发明以重金属汞(Hg)含量为例,提出了一种土壤重金属Hg含量的空间预测方法,分区建立了Hg含量与陆表环境变量之间的模型关系,实现了区域Hg含量的空间分布特征及含量的预测,为今后利用有限样本点估算整个研究区土壤重金属含量提供理论依据和参考。
Description
技术领域
本发明涉及一种空间预测方法,具体涉及到一种土壤重金属Hg含量的空间预测方法。
技术背景
改革开放以来,随着工业化、城市化、农业现代化的快速发展,我国土壤环境形势也不可避免的发生了较大变化,土壤环境问题呈现多样化、复杂化和区域性的发展态势。开展农产品产地土壤重金属污染调查与评价,是为了全面、系统掌握浙江省农产品产地土壤重金属污染总体状况及其变化趋势,基本摸清辖区内重点工矿企业周边、大中型城郊和一般农区农产品产地土壤重金属污染底数及成因,完善农产品产地土壤环境质量档案,为后续开展农产品产地安全管理和土壤污染综合治理提供科学依据。
由于土壤重金属地面调查可分为中重污染区的详查点和轻微、轻度污染区的非详查点,样点布设规则各不相同,且土壤重金属Hg含量在空间上具有变异性,所以难免出现不规则格网布点和布点样本数量有限的问题。针对该问题,有必要提出了一种土壤重金属Hg含量的空间预测方法进而实现Hg含量的预测。
发明内容
针对采样点布局不规则或采样点数量有限问题,本发明提出一种土壤重金属Hg含量的空间预测方法。本发明中的一种土壤重金属Hg含量的空间预测方法,建立了Hg含量与陆表特征环境变量之间的模型关系,并验证其可预测性。
本发明的具体技术方案如下:
土壤重金属Hg含量的空间预测方法,包括以下步骤:
步骤1)数据获取:获取待测区域的地面调查获得的土壤重金属采样点数据、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据;所述的MODIS卫星遥感影像为MOD13A2数据产品;
步骤2)数据预处理:将步骤1)将ASTER GDEM卫星遥感影像数据进行聚合计算得到DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算得到植被指数数据;将土壤重金属数据整理入库后提取出各土壤重金属采样点的Hg含量数据,并进行异常值的剔除处理;
步骤3)根据陆表环境变量与Hg元素含量之间的相关关系进行分区建模:将步骤2)处理后的Hg含量数据作为因变量,以植被指数数据、DEM数据作为自变量,将该数据集进行分类建模预测各个采样点的Hg含量。
作为优选,所述的分区建模过程中,采用多元回归模型形式为:
其中,N表示回归模型中自变量个数;an表示第n个环境变量的系数;a0表示模型参数的常数项系数;yn表示Hg含量预测值;xn表示第n个环境变量值;
a0和an的计算公式如下:
其中:k代表土壤重金属采样点的个数;xin代表第i个土壤重金属采样点的第n个环境变量的值,yi代表的是第i个土壤重金属采样点的Hg含量,代表所有土壤重金属采样点中第n个环境变量因子的均值,代表所有土壤重金属采样点中Hg含量的均值。
作为优选,所述的DEM数据的空间分辨率为1km。
作为优选,所述的植被指数数据的空间分辨率为1km。
作为优选,分区建模中所采用的多元回归模型具体如下:
YHg=-2.58+0.019×Xdem-0.016×Xlon-0.12×Xndvi
其中YHg是土壤重金属Hg含量,Xdem代表的是空间分辨率为1km的DEM的栅格值,Xndvi代表的是空间分辨率为1km的植被指数栅格值,Xlon代表的是采样点的经度。
本发明提供的土壤重金属Hg含量的空间预测方法,通过分区建立1km土壤调查采样点Hg含量与空间分辨率为1km的植被指数数据、DEM数据之间的多元回归模型关系,实现了Hg含量的空间分布特征及含量的预测,为今后利用有限样本店估算整个研究区土壤重金属含量提供理论依据和参考。
附图说明
图1为实施例中实际值与预测值的拟合结果图。
具体实施方式
下面结合附图和具体实施例对本发明进一步说明。
本发明的土壤重金属Hg含量的空间预测方法,步骤如下:
步骤1)数据获取:获取待测区域的地面调查获得的土壤重金属采样点数据、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据;其中MODIS卫星遥感影像为MOD13A2数据产品;
步骤2)数据预处理:将步骤1)将ASTER GDEM卫星遥感影像数据进行聚合计算得到空间分辨率为1km的DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算得到空间分辨率为1km的植被指数数据;将土壤重金属数据整理入库后提取出各土壤重金属采样点的Hg含量数据,并进行异常值的剔除处理;
步骤3)根据陆表环境变量与Hg元素含量之间的相关关系进行分区建模:将步骤2)处理后的Hg含量数据作为因变量,空间分辨率为1km的植被指数数据、DEM数据作为自变量,将该数据集进行分类建模预测各个采样点的Hg含量。
分区建模过程中,采用多元回归模型进行数据拟合和预测,其形式为:
其中,N表示回归模型中自变量个数;an表示第n个环境变量的系数;a0表示模型参数的常数项系数;yn表示Hg含量预测值;xn表示第n个环境变量值;
a0和an的计算公式如下:
其中:k代表土壤重金属采样点的个数;xin代表第i个土壤重金属采样点的第n个环境变量的值,yi代表的是第i个土壤重金属采样点的Hg含量,代表所有土壤重金属采样点中第n个环境变量因子的均值,代表所有土壤重金属采样点中Hg含量的均值。
实施例1
选取浙江省作为研究区域(边界以最新的行政区划边界为准),对2013年土壤重金属Hg含量进行空间预测。
步骤1)数据获取:获取待测区域的土壤重金属采样点相关数据(包括Hg含量数据、经纬度坐标等)、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据;其中MODIS卫星遥感影像为MOD13A2数据产品;
步骤2)数据预处理:将步骤1)将ASTER GDEM卫星遥感影像数据进行聚合计算得到空间分辨率为1km的DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算得到空间分辨率为1km的植被指数数据;将纸质文档的土壤重金属数据整理入库,提取出Hg含量相关数据,并进行异常值的剔除处理。
步骤3)根据陆表环境变量与Hg元素含量之间的内在联系,进行分区建模:将步骤2)处理后的Hg含量数据作为因变量,空间分辨率为1km的植被指数数据、DEM数据作为自变量,将该数据集进行分类建模预测各个采样点的Hg含量。
最终得到分区域多元回归模型具体如下:
YHg=-2.58+0.019×Xdem-0.016×Xlon-0.12×Xndvi
其中YHg是土壤重金属Hg含量,Xdem代表的是空间分辨率为1km的DEM的栅格值,Xndvi代表的是空间分辨率为1km的植被指数栅格值,Xlon代表的是采样点的经度。
步骤4)土壤重金属Hg含量验证:由步骤3)得到的各个采样点Hg含量预测值与各个点的实测值进行精度对比分析。所选用评价因子为均方根误差、平均绝对误差以及相关系数。各指标的计算公式如下:
式中MAE代表的是平均绝对误差,RMSE代表的是均方根误差,R2代表的是回归相关系数,Yk是地面调查采样点k的含量值,Ok是在地面调查采样点k处的预测值,是所有土壤地面调查样点Hg含量的均值,是在所有土壤地面调查样点Hg含量模型预测值的平均值。
经对比分析评价如下:经对比,如图1所示,土壤重金属Hg含量真实值与预测值相关系数R2为0.78,所以区域土壤重金属Hg含量是可预测的,且其精度较高,可为今后利用有限样本点估算整个研究区土壤重金属含量提供理论依据和参考。
Claims (5)
1.一种土壤重金属Hg含量的空间预测方法,其特征在于,包括以下步骤:
步骤1)数据获取:获取待测区域的地面调查获得的土壤重金属采样点数据、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据;所述的MODIS卫星遥感影像为MOD13A2数据产品;
步骤2)数据预处理:将步骤1)将ASTER GDEM卫星遥感影像数据进行聚合计算得到DEM数据;从MOD13A2数据产品中提取植被指数参量,经过异常值剔除处理后,通过聚合计算得到植被指数数据;将土壤重金属数据整理入库后提取出各土壤重金属采样点的Hg含量数据,并进行异常值的剔除处理;
步骤3)根据陆表环境变量与Hg元素含量之间的相关关系进行分区建模:将步骤2)处理后的Hg含量数据作为因变量,以植被指数数据、DEM数据作为自变量,将该数据集进行分类建模预测各个采样点的Hg含量。
2.如权利要求1所述的土壤重金属Hg含量的空间预测方法,其特征在于,所述的分区建模过程中,采用多元回归模型形式为:
其中,N表示回归模型中自变量个数;an表示第n个环境变量的系数;a0表示模型参数的常数项系数;yn表示Hg含量预测值;xn表示第n个环境变量值;
a0和an的计算公式如下:
其中:k代表土壤重金属采样点的个数;xin代表第i个土壤重金属采样点的第n个环境变量的值,yi代表的是第i个土壤重金属采样点的Hg含量,代表所有土壤重金属采样点中第n个环境变量因子的均值,代表所有土壤重金属采样点中Hg含量的均值。
3.如权利要求1所述的土壤重金属Hg含量的空间预测方法,其特征在于,所述的DEM数据的空间分辨率为1km。
4.如权利要求1所述的土壤重金属Hg含量的空间预测方法,其特征在于,所述的植被指数数据的空间分辨率为1km。
5.如权利要求1所述的土壤重金属Hg含量的空间预测方法,其特征在于,分区建模中所采用的多元回归模型具体如下:
YHg=-2.58+0.019×Xdem-0.016×Xlon-0.12×Xndvi
其中YHg是土壤重金属Hg含量,Xdem代表的是空间分辨率为1km的DEM的栅格值,Xndvi代表的是空间分辨率为1km的植被指数栅格值,Xlon代表的是采样点的经度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710165969.8A CN108563974A (zh) | 2017-03-20 | 2017-03-20 | 一种土壤重金属Hg含量的空间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710165969.8A CN108563974A (zh) | 2017-03-20 | 2017-03-20 | 一种土壤重金属Hg含量的空间预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108563974A true CN108563974A (zh) | 2018-09-21 |
Family
ID=63529154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710165969.8A Pending CN108563974A (zh) | 2017-03-20 | 2017-03-20 | 一种土壤重金属Hg含量的空间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563974A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110836923A (zh) * | 2019-11-26 | 2020-02-25 | 暨南大学 | 一种土壤重金属浓度估算方法 |
CN114235751A (zh) * | 2021-11-30 | 2022-03-25 | 浙江大学德清先进技术与产业研究院 | 基于高光谱卫星遥感的土壤重金属含量监测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520421A (zh) * | 2009-04-08 | 2009-09-02 | 北京农产品质量检测与农田环境监测技术研究中心 | 一种土壤重金属含量检测模型的建模方法及其应用 |
CN103337037A (zh) * | 2013-05-31 | 2013-10-02 | 中国科学院遥感与数字地球研究所 | 矿区生态监测方法 |
KR20140116597A (ko) * | 2013-03-25 | 2014-10-06 | 고려대학교 산학협력단 | 옥살산을 이용한 비소 오염 토양으로부터 비소의 제거 방법 |
CN104331834A (zh) * | 2014-10-16 | 2015-02-04 | 福建农林大学 | 种植在重金属污染土壤上作物产品质量安全性的评估方法 |
CN105160192A (zh) * | 2015-09-17 | 2015-12-16 | 浙江大学 | 基于M5-Local的TRMM卫星降雨数据降尺度方法 |
CN105718725A (zh) * | 2016-01-18 | 2016-06-29 | 温州大学 | 污染底泥及其污染物的数量化方法 |
CN105855279A (zh) * | 2016-05-23 | 2016-08-17 | 南京万德斯环保科技股份有限公司 | 一种综合性重金属污染土壤生态修复系统的构建方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
CN106021872A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 |
CN106019310A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于卫星遥感数据的分辨率提高方法 |
-
2017
- 2017-03-20 CN CN201710165969.8A patent/CN108563974A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520421A (zh) * | 2009-04-08 | 2009-09-02 | 北京农产品质量检测与农田环境监测技术研究中心 | 一种土壤重金属含量检测模型的建模方法及其应用 |
KR20140116597A (ko) * | 2013-03-25 | 2014-10-06 | 고려대학교 산학협력단 | 옥살산을 이용한 비소 오염 토양으로부터 비소의 제거 방법 |
CN103337037A (zh) * | 2013-05-31 | 2013-10-02 | 中国科学院遥感与数字地球研究所 | 矿区生态监测方法 |
CN104331834A (zh) * | 2014-10-16 | 2015-02-04 | 福建农林大学 | 种植在重金属污染土壤上作物产品质量安全性的评估方法 |
CN105160192A (zh) * | 2015-09-17 | 2015-12-16 | 浙江大学 | 基于M5-Local的TRMM卫星降雨数据降尺度方法 |
CN105718725A (zh) * | 2016-01-18 | 2016-06-29 | 温州大学 | 污染底泥及其污染物的数量化方法 |
CN106021868A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多规则算法的遥感数据降尺度方法 |
CN106019408A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 |
CN106021872A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 |
CN106019310A (zh) * | 2016-05-10 | 2016-10-12 | 浙江大学 | 一种基于卫星遥感数据的分辨率提高方法 |
CN105855279A (zh) * | 2016-05-23 | 2016-08-17 | 南京万德斯环保科技股份有限公司 | 一种综合性重金属污染土壤生态修复系统的构建方法 |
Non-Patent Citations (5)
Title |
---|
BIFENG HU 等: "Application of portable XRF and VNIR sensors for rapid assessment of soil heavy metal pollution", 《PLOS ONE》 * |
夏军: "准东煤田土壤重金属污染高光谱遥感监测研究", 《中国博士学位论文全文数据库工程科技I辑》 * |
孙慧 等: "广东省土壤镉含量影响因子解析与评估", 《环境科学学报》 * |
李力生 等: "高光谱遥感数据在农作物重金属胁迫调查中的应用", 《安徽农业科学》 * |
杨灵玉 等: "基于Hyperion影像植被光谱的土壤重金属含量空间分布反演-以青海省玉树县为例", 《应用生态学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110836923A (zh) * | 2019-11-26 | 2020-02-25 | 暨南大学 | 一种土壤重金属浓度估算方法 |
CN114235751A (zh) * | 2021-11-30 | 2022-03-25 | 浙江大学德清先进技术与产业研究院 | 基于高光谱卫星遥感的土壤重金属含量监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gupta et al. | Simulating climate change impact on soil erosion using RUSLE model− A case study in a watershed of mid-Himalayan landscape | |
Liu et al. | Mapping high resolution national soil information grids of China | |
Aburas et al. | The simulation and prediction of spatio-temporal urban growth trends using cellular automata models: A review | |
Zadbagher et al. | Modeling land use/land cover change using remote sensing and geographic information systems: case study of the Seyhan Basin, Turkey | |
Hegazy et al. | Monitoring urban growth and land use change detection with GIS and remote sensing techniques in Daqahlia governorate Egypt | |
CN105160192B (zh) | 基于M5‑LocalR的TRMM卫星降雨数据降尺度方法 | |
CN106021872A (zh) | 一种基于低分辨率卫星遥感数据的环境变量动态筛选建模降尺度方法 | |
CN106021868B (zh) | 一种基于多规则算法的遥感数据降尺度方法 | |
Parsa et al. | Spatio-temporal analysis and simulation pattern of land use/cover changes, case study: Naghadeh, Iran | |
Shi-Biao et al. | GIS-based and data-driven bivariate landslide-susceptibility mapping in the Three Gorges area, China | |
CN105550423B (zh) | 基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法 | |
Hollaway et al. | The challenges of modelling phosphorus in a headwater catchment: Applying a ‘limits of acceptability’uncertainty framework to a water quality model | |
Mohamed et al. | Land cover classification and change detection analysis of Qaroun and Wadi El-Rayyan lakes using multi-temporal remotely sensed imagery | |
Möller et al. | Plausibility test of conceptual soil maps using relief parameters | |
Rahman et al. | Assessing soil erosion hazard-a raster based GIS approach with spatial principal component analysis (SPCA) | |
Wieland et al. | Using Shapley additive explanations to interpret extreme gradient boosting predictions of grassland degradation in Xilingol, China | |
CN106019408A (zh) | 一种基于多源遥感数据的高分辨率卫星遥感估算方法 | |
Al-Dousari et al. | Land use land cover change detection and urban sprawl prediction for Kuwait metropolitan region, using multi-layer perceptron neural networks (MLPNN) | |
Zare et al. | Simulation of soil erosion under the influence of climate change scenarios | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
CN107665376A (zh) | 一种湿地空间分布变化格局模拟与预测方法 | |
Arif et al. | Dynamics of land use and land cover change in peri urban area of Burdwan city, India: a remote sensing and GIS based approach | |
Amini Parsa et al. | Spatio-temporal analysis and simulation pattern of land use/cover changes, case study: Naghadeh, Iran | |
Wang et al. | Multi-objective model auto-calibration and reduced parameterization: Exploiting gradient-based optimization tool for a hydrologic model | |
Farnood Ahmadi et al. | Integration of artificial neural network and geographical information system for intelligent assessment of land suitability for the cultivation of a selected crop |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |