CN108629059A - 一种基于dac的土壤重金属含量估测方法 - Google Patents

一种基于dac的土壤重金属含量估测方法 Download PDF

Info

Publication number
CN108629059A
CN108629059A CN201710166961.3A CN201710166961A CN108629059A CN 108629059 A CN108629059 A CN 108629059A CN 201710166961 A CN201710166961 A CN 201710166961A CN 108629059 A CN108629059 A CN 108629059A
Authority
CN
China
Prior art keywords
data
heavy metal
soil
dem
dac
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
Application number
CN201710166961.3A
Other languages
English (en)
Inventor
史舟
郑胜云
何康
徐烨
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201710166961.3A priority Critical patent/CN108629059A/zh
Publication of CN108629059A publication Critical patent/CN108629059A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Processing Of Solid Wastes (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种基于DAC的土壤重金属含量估测方法，属于空间预测方法领域。本发明提出了一种基于DAC算法，建立了Hg含量与陆表特征环境变量之间的模型关系，实现了Hg含量的空间分布特征及含量的预测，为后续利用少量采样点来估算整个研究区土壤重金属含量的空间特征提供理论和算法依据。

Description

一种基于DAC的土壤重金属含量估测方法
技术领域
本发明涉及一种基于DAC的土壤重金属含量估测方法，具体涉及到一种基于DAC的土壤重金属含量估测方法。
技术背景
土壤重金属污染具有在土壤中移动性差、滞留时间长、不能被微生物降解等特点，对环境和生物的潜在危害极大。在全球化、粮食安全和生态文明建设背景下，包括重金属污染在内的农产品安全问题(绿色壁垒)已成为农产品质量安全、农业产业化发展和发展现代农业的最大障碍。加强耕地重金属污染控制和治理，指导农产品产地环境分类分级管理、保障我省粮食质量安全，确保农产品消费安全，促进全省现代农业持续健康发展迫在眉睫。
受经济、地形地貌等因素的制约，土壤地面调查采样点布局难免不规则或者样点数量有限，因此，如何基于有限采样点的土壤重金属调查数据来建模预测整个研究区土壤重金属含量的空间分布，成为目前土壤重金属地面调查的研究热点、难点，以及重点。针对该科学问题，提出了一种基于DAC算法，建立了Hg含量与陆表特征环境变量之间的模型关系，并论证Hg含量的可预测性。
发明内容
针对采样点布局不规则或采样点数量有限问题，本发明提出一种基于DAC的土壤重金属含量估测方法。本发明中的一种基于DAC的土壤重金属含量估测方法，基于DAC算法，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：
基于DAC的土壤重金属含量估测方法，包括以下步骤：
步骤1)数据获取：获取待测区域地面调查得到的土壤重金属采样点数据、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据以及待测区域地表温度数据；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；将反演而来的地表温度数据聚合计算到空间分辨率为1km；将土壤重金属数据整理入库后提取出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、地表温度作为自变量，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所采用的多元回归模型形式为：
其中，N表示参数估算模型中自变量个数；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；
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，代表所有土壤地面调查样点中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，所述的分区建模过程中所采用的多元回归模型具体如下：
(1)当dem≤25.02
YHg＝0.07-0.0036Xlstd-2.2e-005×Xdem-0.03×Xndvi+0.001Xlon
(2)当lat>30.13且dem≤25.02
YHg＝Xndvi Xdem＝-3.66-0.002553×Xdem+0.13×Xlat
(3)当lat≤30.13且dem≤25.02
YHg＝-3.43-0.004382×Xdem+0.089×Xlat+0.038Xlstd+0.013Xlstn+0.08Xndvi
其中YHg是土壤重金属Hg含量，Xdem代表的是空间分辨率为1km的数字高程模型的栅格值，Xndvi代表的是空间分辨率为1km的植被指数栅格值，Xlat代表的是采样点的纬度，Xlon代表的是采样点的经度，Xlstd代表的是白天的地面温度，Xlstn代表的是晚上的地面温度。
本发明提出的一种基于DAC的土壤重金属含量估测方法，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、1km的白天地面温度和1km晚上地面温度之间多元回归模型，验证实验表明其实现了Hg含量的预测，为后续利用少量采样点来估算整个研究区土壤重金属含量的空间特征提供了理论和算法依据。
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。
基于DAC的土壤重金属含量估测方法，包括以下步骤：
步骤1)数据获取：获取待测区域地面调查得到的土壤重金属采样点数据、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据以及待测区域地表温度数据；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；将反演而来的地表温度数据聚合计算到空间分辨率为1km；将土壤重金属数据整理入库后提取出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，以空间分辨率为1km的植被指数数据、DEM数据、地表温度作为自变量，将该数据集进行分类建模预测各个采样点的Hg含量。
分区建模过程中所采用的多元回归模型形式为：
其中，N表示参数估算模型中自变量个数；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；
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，代表所有土壤地面调查样点中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含量进行估测。
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卫星遥感影像数据以及待测区域地表温度数据；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；将反演而来的地表温度数据聚合计算到空间分辨率为1km；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、地表温度作为自变量，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：
(1)当dem≤25.02
YHg＝0.07-0.0036Xlstd-2.2e-005×Xdem-0.03×Xndvi+0.001Xlon
(2)当lat>30.13且dem≤25
YHg＝Xndvi Xdem＝-3.657-0.002553×Xdem+0.125×Xlat
(3)当lat≤30.13且dem≤25
YHg＝-3.425-0.004382×Xdem+0.089×Xlat+0.038Xlstd+0.013Xlstn+0.08Xndvi
其中YHg是土壤重金属Hg含量，Xdem代表的是空间分辨率为1km的数字高程模型的栅格值，Xndvi代表的是空间分辨率为1km的植被指数栅格值，Xlat代表的是采样点的纬度，Xlon代表的是采样点的经度，Xlstd代表的是白天的地面温度，Xlstn代表的是晚上的地面温度。
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0.88，所以Hg含量的空间分布特征及含量是可预测的，且其精度较高，可为后续利用少量采样点来估算整个研究区土壤重金属含量的空间特征提供理论和算法依据。

Claims (5)

1.一种基于DAC的土壤重金属含量估测方法，其特征在于，包括以下步骤：
步骤1)数据获取：获取待测区域地面调查得到的土壤重金属采样点数据、MODIS卫星遥感影像数据、ASTERGDEM卫星遥感影像数据以及待测区域地表温度数据；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；将反演而来的地表温度数据聚合计算到空间分辨率为1km；将土壤重金属数据整理入库后提取出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、地表温度作为自变量，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所述的基于DAC的土壤重金属含量估测方法，其特征在于，所述的分区建模过程中所采用的多元回归模型形式为：
其中，N表示参数估算模型中自变量个数；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；
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，代表所有土壤地面调查样点中Hg含量的均值。
3.如权利要求1所述的基于DAC的土壤重金属含量估测方法，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所述的基于DAC的土壤重金属含量估测方法，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所述的基于DAC的土壤重金属含量估测方法，其特征在于，所述的分区建模过程中所采用的多元回归模型具体如下：
(1)当dem≤25.02
YHg＝0.07-0.0036Xlstd-2.2e-005×Xdem-0.03×Xndvi+0.001Xlon
(2)当lat>30.13且dem≤25.02
YHg＝Xndvi Xdem＝-3.66-0.002553×Xdem+0.13×Xlat
(3)当lat≤30.13且dem≤25.02
YHg＝-3.43-0.004382×Xdem+0.089×Xlat+0.038Xlstd+0.013Xlstn+0.08Xndvi
其中YHg是土壤重金属Hg含量，Xdem代表的是空间分辨率为1km的数字高程模型的栅格值，Xndvi代表的是空间分辨率为1km的植被指数栅格值，Xlat代表的是采样点的纬度，Xlon代表的是采样点的经度，Xlstd代表的是白天的地面温度，Xlstn代表的是晚上的地面温度。
CN201710166961.3A 2017-03-20 2017-03-20 一种基于dac的土壤重金属含量估测方法 Pending CN108629059A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710166961.3A CN108629059A (zh) 2017-03-20 2017-03-20 一种基于dac的土壤重金属含量估测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710166961.3A CN108629059A (zh) 2017-03-20 2017-03-20 一种基于dac的土壤重金属含量估测方法

Publications (1)

Publication Number Publication Date
CN108629059A true CN108629059A (zh) 2018-10-09

Family

ID=63686438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710166961.3A Pending CN108629059A (zh) 2017-03-20 2017-03-20 一种基于dac的土壤重金属含量估测方法

Country Status (1)

Country Link
CN (1) CN108629059A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100040260A1 (en) * 2007-12-20 2010-02-18 Image Tree Corp. Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest
CN103544550A (zh) * 2013-11-08 2014-01-29 湖南科技大学 一种金属矿区土-水界面重金属污染负荷的预测方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100040260A1 (en) * 2007-12-20 2010-02-18 Image Tree Corp. Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest
CN103544550A (zh) * 2013-11-08 2014-01-29 湖南科技大学 一种金属矿区土-水界面重金属污染负荷的预测方法
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BIFENG HU等: "Application of portable XRF and VNIR sensors for rapid assessment of soil heavy metal pollution", 《PLOS ONE》 *
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》 *

Similar Documents

Publication Publication Date Title
Liu et al. Mapping high resolution national soil information grids of China
Zeraatpisheh et al. Digital mapping of soil properties using multiple machine learning in a semi-arid region, central Iran
Gupta et al. Simulating climate change impact on soil erosion using RUSLE model− A case study in a watershed of mid-Himalayan landscape
CN106021868B (zh) 一种基于多规则算法的遥感数据降尺度方法
Teng et al. Assimilating satellite imagery and visible–near infrared spectroscopy to model and map soil loss by water erosion in Australia
Bhattacharya et al. Land use and land cover change and its resultant erosion susceptible level: An appraisal using RUSLE and Logistic Regression in a tropical plateau basin of West Bengal, India
Merritt et al. A review of erosion and sediment transport models
Borrelli et al. Wind erosion susceptibility of European soils
Panagos et al. Soil erodibility in Europe: A high-resolution dataset based on LUCAS
Rawat et al. Appraisal of soil conservation capacity using NDVI model-based C factor of RUSLE model for a semi arid ungauged watershed: a case study
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
Bagherzadeh Estimation of soil losses by USLE model using GIS at Mashhad plain, Northeast of Iran
Cândido et al. High-resolution monitoring of diffuse (sheet or interrill) erosion using structure-from-motion
Shan et al. Estimating the optimal width of buffer strip for nonpoint source pollution control in the Three Gorges Reservoir Area, China
Da Silva et al. Erosivity, surface runoff, and soil erosion estimation using GIS-coupled runoff–erosion model in the Mamuaba catchment, Brazil
Kariminejad et al. GIS‐based susceptibility assessment of the occurrence of gully headcuts and pipe collapses in a semi‐arid environment: Golestan Province, NE Iran
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
Amellah et al. Assessment of soil erosion risk severity using GIS, remote sensing and RUSLE model in Oued Laou Basin (north Morocco).
Zare et al. Simulation of soil erosion under the influence of climate change scenarios
Ding et al. Model prediction of depth-specific soil texture distributions with artificial neural network: A case study in Yunfu, a typical area of Udults Zone, South China
Van Leeuwen et al. Physically based hydrological modelling of inland excess water
Wang et al. Multi-objective model auto-calibration and reduced parameterization: Exploiting gradient-based optimization tool for a hydrologic model
Saha et al. Application of neural network model-based framework approach to identify gully erosion potential hotspot zones in sub-tropical environment
de Farias et al. The use of Kohonen neural networks for runoff–erosion modeling
Warren et al. Validation of the USPED erosion and deposition model at Schofield Barracks, O ‘ahu, Hawai ‘i

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

Application publication date: 20181009

RJ01 Rejection of invention patent application after publication