CN109813737B - 土壤重金属含量的估算方法及装置 - Google Patents
土壤重金属含量的估算方法及装置 Download PDFInfo
- Publication number
- CN109813737B CN109813737B CN201910043289.8A CN201910043289A CN109813737B CN 109813737 B CN109813737 B CN 109813737B CN 201910043289 A CN201910043289 A CN 201910043289A CN 109813737 B CN109813737 B CN 109813737B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- soil sample
- metal content
- ray
- ray fluorescence
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 110
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004876 x-ray fluorescence Methods 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 52
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 239000011701 zinc Substances 0.000 claims description 20
- 229910052785 arsenic Inorganic materials 0.000 claims description 13
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 13
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 12
- 229910052725 zinc Inorganic materials 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例提供一种土壤重金属含量的估算方法及装置,属于农业环境检测技术领域。该方法包括:对土壤样品进行检测,得到土壤样品的X射线荧光光谱;根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。本发明实施例提供的方法,通过根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。相较于目前的相关技术,由于可得到最佳的土壤重金属含量估算模型,从而可提高便携式X射线荧光光谱仪的检测速度和检测精度。
Description
技术领域
本发明实施例涉及农业环境检测技术领域,尤其涉及一种土壤重金属含量的估算方法及装置。
背景技术
目前,X射线荧光光谱检测在环境监测中的应用广泛,特别是对土壤重金属的检测。为实现土壤重金属的快速检测和实时监测,国内外众多学者针对X射线荧光光谱快速检测仪硬件和预测模型进行了研发。在相关技术中,X射线荧光光谱检测仪多采用重金属元素X射线荧光特征能量Kα或Lα线的强度值和土壤重金属含量值建立的一元一次线性回归模型。由于元素之间的相互干扰等因素,从而导致土壤重金属预测模型的稳定性和普适性不佳。
另外,还有采用偏最小二乘回归模型或神经网络等算法,建立土壤重金属含量的X射线荧光光谱预测模型。偏最小二乘所建立的模型属于线性模型,当样本中重金属含量较低时,模型的预测稳定性会降低,而采用神经网络等非线性分析方法,可以提高对较低含量样本的预测精度。由于这些模型算法过程复杂,从而在仪器软件上不容易实现。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的土壤重金属含量的估算方法及装置。
根据本发明实施例的第一方面,提供了一种土壤重金属含量的估算方法,包括:
对土壤样品进行检测,得到土壤样品的X射线荧光光谱,土壤样品中若干种重金属元素的含量值已经标定;
根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;
根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。
本发明实施例提供的方法,通过对土壤样品进行检测,得到土壤样品的X射线荧光光谱。根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数。根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。相较于目前的相关技术,由于可得到最佳的土壤重金属含量估算模型,从而可提高便携式X射线荧光光谱仪的检测速度和检测精度。
根据本发明实施例的第二方面,提供了一种土壤重金属含量的估算装置,包括:
检测模块,用于对土壤样品进行检测,得到土壤样品的X射线荧光光谱,土壤样品中若干种重金属元素的含量值已经标定;
获取模块,用于根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;
确定模块,用于根据简单优化指数,确定最佳重金属含量估算模型;
估算模块,用于通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。
根据本发明实施例的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的土壤重金属含量的估算方法。
根据本发明的第四方面,提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的土壤重金属含量的估算。
应当理解的是,以上的一般描述和后文的细节描述是示例性和解释性的,并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种土壤重金属含量的估算方法的流程示意图;
图2为本发明实施例提供的一种铅Pb的一元线性和非线性回归示意图;
图3为本发明实施例提供的一种砷As的一元线性和非线性回归示意图;
图4为本发明实施例提供的一种锌Zn的一元线性和非线性回归示意图;
图5为本发明实施例提供的一种土壤重金属含量的估算装置的结构示意图;
图6为本发明实施例提供的一种电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,X射线荧光光谱检测在环境监测中的应用广泛,特别是对土壤重金属的检测。为实现土壤重金属的快速检测和实时监测,国内外众多学者针对X射线荧光光谱快速检测仪硬件和预测模型进行了研发。在相关技术中,X射线荧光光谱检测仪多采用重金属元素X射线荧光特征能量Kα或Lα线的强度值和土壤重金属含量值建立的一元一次线性回归模型。由于元素之间的相互干扰等因素,从而导致土壤重金属预测模型的稳定性和普适性不佳。
另外,还有采用偏最小二乘回归模型或神经网络等算法,建立土壤重金属含量的X射线荧光光谱预测模型。偏最小二乘所建立的模型属于线性模型,当样本中重金属含量较低时,模型的预测稳定性会降低,而采用神经网络等非线性分析方法,可以提高对较低含量样本的预测精度。由于这些模型算法过程复杂,从而在仪器软件上不容易实现。
针对上述情形,本发明实施例提供了一种土壤重金属含量的估算方法。
参见图1,该方法包括:
101、对土壤样品进行检测,得到土壤样品的X射线荧光光谱,土壤样品中若干种重金属元素的含量值已经标定。
102、根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数。
103、根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。
本发明实施例提供的方法,通过对土壤样品进行检测,得到土壤样品的X射线荧光光谱。根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数。根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。相较于目前的相关技术,由于可得到最佳的土壤重金属含量估算模型,从而可提高便携式X射线荧光光谱仪的检测速度和检测精度。
基于上述实施例的内容,作为一种可选实施例,重金属元素包括铅、砷及锌;相应地,关于对土壤样品进行检测,得到土壤样品的X射线荧光光谱的方式,本发明实施例对此不作具体限定,包括但不限于:通过X射线荧光光谱仪的主滤波片对土壤样品中的铅、砷及锌进行检测,并从检测结果中选取预设范围的能量强度光谱,作为X射线荧光光谱。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对根据简单优化指数,确定最佳重金属含量估算模型的方式作具体限定,包括但不限于:将简单优化指数作为横坐标值,将土壤样品中若干种重金属元素的含量值作为纵坐标值,对横坐标值及纵坐标值进行二元二次非线性回归,得到最佳重金属含量估算模型。
基于上述实施例的内容,作为一种可选实施例,简单优化指数包括Kα射线的强度值及Kβ射线的强度值,或者,Lα射线的强度值及Lβ射线的强度值。
基于上述实施例的内容,作为一种可选实施例,简单优化指数包括Kα射线的强度值与Kβ射线的强度值之和,以及,Lα射线的强度值与Lβ射线的强度值之和。
为了便于理解,下面以重金属铅Pb、砷As和锌Zn为例,对本发明实施例提供的土壤重金属含量估算模型的确定方式进行详细说明:
首先,准备54个土壤标准样品。利用便携式X射线荧光光谱仪对土壤样品进行检测,得到土壤样品的X射线荧光光谱。根据X射线荧光光谱仪的滤波片检测重金属范围的要求,由主滤波片对土壤标准样品中的铅Pb、砷As和锌Zn进行检测,并从检测结果中选择预设范围内的能量强度光谱,土壤标准样品重金属元素的X射线荧光特征能量强度值(单位为keV)见表1。
表1
其中,铅Pb元素选择X射线荧光特征能量强度值Lα和Lβ。而砷As、锌Zn选择X射线荧光特征能量强度值Kα和Kβ,以构成简单优化指数、比值优化指数和归一化优化指数。简单优化指数包括Lα或Kα线的强度值(ILα或IKα)、Lβ或Kβ线的强度值(ILβ或IKβ)、Lα和Lβ线或Kα和Kβ线的强度值之和(ILα+ILβ或IKα+IKβ)。比值光谱指数是ILα/ILβ或IKα/IKβ。归一化光谱指数是(ILα-ILβ)/(ILα+ILβ)或(IKα-IKβ)/(IKα+IKβ)。
然后,以土壤样品中重金属元素的X射线荧光特征能量强度值构成的简单优化指数、比值优化指数和归一化优化指数为x值,与土壤重金属含量y值建立一元线性和非线性回归。其中,非线性回归包括二次方程、指数方程、对数方程和幂函数,确定最佳的一元回归模型。铅Pb、砷As和锌Zn的一元线性和非线性回归图如图2、图3及图4。
图2表示铅Pb的一元线性和非线性回归示意图,图3表示砷As的一元线性和非线性回归示意图,图4表示锌Zn的一元线性和非线性回归示意图。铅Pb、砷As和锌Zn的一元线性和非线性回归方程的决定系数,可见表2:
表2
由表2可知,对于一元线性回归方程,铅Pb简单优化指数ILβ、砷As简单光谱指数IKβ和锌Zn简单光谱指数IKα所建立的模型具有最大的决定系数,而比值优化指数和归一化优化指数所建立的模型绝对系数不具优势。对于简单优化指数,二次方程和指数方程是合适的回归方程,其中二次方程拟合最好。说明一元非线性回归方程所建立的模型能够提高模型的预测能力。
通过上述过程可得出,简单优化指数所建立的模型具有最大的决定系数,考虑到X射线荧光特征能量Kα、Kβ或Lα、Lβ的强度值都有重金属元素的信息,为此提出采用二元二次非线性回归建立模型,充分利用有用信息。以土壤样品中重金属元素的X射线荧光特征能量强度值构成的简单优化指数Kα、Kβ或Lα、Lβ为x1和x2值,与土壤重金属含量y值建立二元二次非线性回归,确定最佳的重金属含量估算模型,见表3。
表3
由表3可知,对于一元线性回归方程,二元二次非线性回归方程所建立的模型有较高的决定系数和较低的标准偏差,能够得到最佳的土壤重金属含量估算模型,提高便携式X射线荧光光谱仪的检测速度和检测精度。
通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算,见表4。
表4
由表4可知,预测准确度范围为93.97~118.42%,预测性能良好。
基于上述实施例的内容,本发明实施例还提供了一种土壤重金属含量的估算装置,该装置用于执行上述方法实施例中提供的土壤重金属含量的估算方法。参见图5,该装置包括:检测模块501、获取模块502、确定模块503及估算模块504;其中,
检测模块501,用于对土壤样品进行检测,得到土壤样品的X射线荧光光谱,土壤样品中若干种重金属元素的含量值已经标定;
获取模块502,用于根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;
确定模块503,用于根据简单优化指数,确定最佳重金属含量估算模型;
估算模块504,用于通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。
基于上述实施例的内容,作为一种可选实施例,重金属元素包括铅、砷及锌;相应地,检测模块501,用于通过X射线荧光光谱仪的主滤波片对土壤样品中的铅、砷及锌进行检测,并从检测结果中选取预设范围的能量强度光谱,作为X射线荧光光谱。
基于上述实施例的内容,作为一种可选实施例,确定模块503,用于将简单优化指数作为横坐标值,将土壤样品中若干种重金属元素的含量值作为纵坐标值,对横坐标值及纵坐标值进行二元二次非线性回归,得到最佳重金属含量估算模型。
基于上述实施例的内容,作为一种可选实施例,简单优化指数包括Kα射线的强度值及Kβ射线的强度值,或者,Lα射线的强度值及Lβ射线的强度值。
基于上述实施例的内容,作为一种可选实施例,简单优化指数包括Kα射线的强度值与Kβ射线的强度值之和,以及,Lα射线的强度值与Lβ射线的强度值之和。
本发明实施例提供的装置,通过对土壤样品进行检测,得到土壤样品的X射线荧光光谱。根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数。根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。相较于目前的相关技术,由于可得到最佳的土壤重金属含量估算模型,从而可提高便携式X射线荧光光谱仪的检测速度和检测精度。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行如下方法:对土壤样品进行检测,得到土壤样品的X射线荧光光谱,土壤样品中若干种重金属元素的含量值已经标定;根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:对土壤样品进行检测,得到土壤样品的X射线荧光光谱,土壤样品中若干种重金属元素的含量值已经标定;根据X射线荧光光谱,获取土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;根据简单优化指数,确定最佳重金属含量估算模型,并通过最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种土壤重金属含量的估算方法,其特征在于,包括:
对土壤样品进行检测,得到所述土壤样品的X射线荧光光谱,所述土壤样品中若干种重金属元素的含量值已经标定;
根据所述X射线荧光光谱,获取所述土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;
根据所述简单优化指数,确定最佳重金属含量估算模型,并通过所述最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算;
其中,所述根据所述简单优化指数,确定最佳重金属含量估算模型,包括:
将所述简单优化指数作为横坐标值,将所述土壤样品中若干种重金属元素的含量值作为纵坐标值,对所述横坐标值及所述纵坐标值进行二元二次非线性回归,得到所述最佳重金属含量估算模型;
所述简单优化指数包括Kα射线的强度值及Kβ射线的强度值,或者,Lα射线的强度值及Lβ射线的强度值;
所述简单优化指数包括Kα射线的强度值与Kβ射线的强度值之和,以及,Lα射线的强度值与Lβ射线的强度值之和。
2.根据权利要求1所述的方法,其特征在于,所述重金属元素包括铅、砷及锌;相应地,所述对土壤样品进行检测,得到所述土壤样品的X射线荧光光谱,包括:
通过X射线荧光光谱仪的主滤波片对所述土壤样品中的铅、砷及锌进行检测,并从检测结果中选取预设范围的能量强度光谱,作为所述X射线荧光光谱。
3.一种土壤重金属含量的估算装置,其特征在于,包括:
检测模块,用于对土壤样品进行检测,得到所述土壤样品的X射线荧光光谱,所述土壤样品中若干种重金属元素的含量值已经标定;
获取模块,用于根据所述X射线荧光光谱,获取所述土壤样品中X射线荧光特征能量强度值所构成的简单优化指数;
确定模块,用于根据所述简单优化指数,确定最佳重金属含量估算模型;
估算模块,用于通过所述最佳重金属含量估算模型对实际采样土壤样品中的重金属含量进行估算;
其中,所述确定模块根据所述简单优化指数,确定最佳重金属含量估算模型,包括:
将所述简单优化指数作为横坐标值,将所述土壤样品中若干种重金属元素的含量值作为纵坐标值,对所述横坐标值及所述纵坐标值进行二元二次非线性回归,得到所述最佳重金属含量估算模型;
所述简单优化指数包括Kα射线的强度值及Kβ射线的强度值,或者,Lα射线的强度值及Lβ射线的强度值;
所述简单优化指数包括Kα射线的强度值与Kβ射线的强度值之和,以及,Lα射线的强度值与Lβ射线的强度值之和。
4.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至2任一所述的方法。
5.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至2任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043289.8A CN109813737B (zh) | 2019-01-17 | 2019-01-17 | 土壤重金属含量的估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910043289.8A CN109813737B (zh) | 2019-01-17 | 2019-01-17 | 土壤重金属含量的估算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109813737A CN109813737A (zh) | 2019-05-28 |
CN109813737B true CN109813737B (zh) | 2021-05-25 |
Family
ID=66604408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910043289.8A Active CN109813737B (zh) | 2019-01-17 | 2019-01-17 | 土壤重金属含量的估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109813737B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114446410A (zh) * | 2021-12-17 | 2022-05-06 | 无限极(中国)有限公司 | 基于XGBoost的无机砷含量预测方法、装置及介质 |
Citations (2)
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 |
CN104569019A (zh) * | 2015-01-20 | 2015-04-29 | 铜陵有色金属集团股份有限公司金冠铜业分公司 | 铜阳极泥中金属元素含量的测定方法 |
-
2019
- 2019-01-17 CN CN201910043289.8A patent/CN109813737B/zh active Active
Patent Citations (2)
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 |
CN104569019A (zh) * | 2015-01-20 | 2015-04-29 | 铜陵有色金属集团股份有限公司金冠铜业分公司 | 铜阳极泥中金属元素含量的测定方法 |
Non-Patent Citations (2)
Title |
---|
X射线荧光光谱在土壤重金属检测中的应用进展;孟蕾等;《食品与机械》;20170828(第08期);全文 * |
岩石、土壤中23种主次痕量元素的XRF测定;刘磊夫等;《现代科学仪器》;20080415(第02期);第75-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109813737A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104505097B (zh) | 检索激励的固定贡献的量化增益的设备和方法 | |
CN106169945A (zh) | 一种基于最大最小特征值之差的协作频谱感知方法 | |
JP6272433B2 (ja) | ピッチ周期の正確性を検出するための方法および装置 | |
US11915311B2 (en) | User score model training and calculation | |
CN110719240B (zh) | 基于反卷积和去噪卷积的信道估计方法和系统 | |
CN109813737B (zh) | 土壤重金属含量的估算方法及装置 | |
CN103984964A (zh) | 一种试纸条图像识别方法及系统 | |
CN110968688A (zh) | 司法数据的处理方法及系统 | |
CN113746989A (zh) | 客服智能质检的方法、装置、设备和存储介质 | |
CN104021303B (zh) | 一种基于实测载荷谱的弧齿锥齿轮修形齿面的修形方法 | |
CN109818921B (zh) | 一种网站接口非正常流量的分析方法及装置 | |
CN109001805A (zh) | 一种地震震源反演不确定性分析方法、存储介质及服务器 | |
CN111830481B (zh) | 雷达回波单分量幅度分布模型参数估计方法及装置 | |
CN108831493A (zh) | 一种音频处理方法和装置 | |
JP2018055402A (ja) | 等価回路推定方法 | |
CN112417649B (zh) | 一种联合营养盐基准制定方法、装置、设备及存储介质 | |
CN115482175A (zh) | 红外图像与可见光图像的多尺度融合方法、装置及设备 | |
CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
CN112016940A (zh) | 模型建立方法及设备、网络满意度评估方法及设备 | |
CN109284320A (zh) | 大数据平台上的自动回归诊断方法 | |
CN118071636A (zh) | 一种建筑工程施工智能验收方法及系统 | |
CN215768550U (zh) | 一种海洋多参数检测及采样装置 | |
CN118503808B (zh) | 一种海洋传感器监测数据漂移检测方法 | |
CN112348296B (zh) | 电信数据获取方法、装置、设备及存储介质 | |
CN109545403B (zh) | 一种反应堆堆内构件的健康管理方法及系统 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220801 Address after: 100097 No. 9 middle garden, Shuguang garden, Beijing, Haidian District Patentee after: BEIJING ACADEMY OF AGRICULTURE AND FORESTRY SCIENCES Address before: 100097 seed building, Beijing Academy of agriculture and Forestry Sciences, 9 Shuguang Huayuan Middle Road, Haidian District, Beijing Patentee before: BEIJING RESEARCH CENTER FOR AGRICULTURAL STANDARDS AND TESTING |