CN110426230A - 一种食品监测采样点空间分布的评估方法 - Google Patents

Abstract

本发明提供一种食品监测采样点空间分布的评估方法，包括如下步骤：获取待监测区域内各采样地点的采样地址，将采样地址转换为经纬度坐标；依据各采样地点的经纬度坐标，为每个采样地点到其他采样地点之间的距离构造距离矩阵；依据距离矩阵，对距离平均值进行标准化处理，获得标准化的距离平均值；建立采样地点过度聚集区域集合，计算有效采样地点数，并计算有效采样地点数与总采样地点数之比；将待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比分别预设的标准值进行对比，依据对比结果判断待监测区域内采样地点在空间分布上的合理性。本发明能够更加准确地评估采样点空间分布的合理性。

Description

一种食品监测采样点空间分布的评估方法

技术领域

本发明涉及食品安全采样技术领域，尤其是一种食品监测采样点空间分布的评估方法。

背景技术

我国自2010年以来开始建立并实施国家食品安全风险监测制度,开展了针对食品污染物、微生物及有害因素的监测和基于人群健康危害分析的食源性疾病监测，主要目的是为了全面了解国家食品安全整体状况，评价食品安全监管效果，发现食品安全系统性风险和隐患，为食品安全监管提供线索。

其中，监测采样是保证数据质量和风险评估准确性的重要一环。传统的监测采样方法，采用随机抽样模型。这种监测方式要求采集的样品能反映被采样本的总体水平，即通过对具体代表性样本的监测来推测该地区食品总体的污染程度。但在执行过程中，对各采样地点的空间位置特征考虑不足，一些城市的采样地点过度集中、样品代表性较差，导致监测结果的准确性受到影响，因此，有必要提供一种科学有效评估采样点空间分布的方法。

发明内容

本发明提供一种食品监测采样点空间分布的评估方法，能够更加准确地评估采样点空间分布的合理性。

本发明实施例提供一种食品监测采样点空间分布的评估方法，包括如下步骤：获取待监测区域内各采样地点的采样地址，将所述采样地址转换为经纬度坐标；依据各采样地点的经纬度坐标，计算每个采样地点到其他采样地点之间的距离；为每个采样地点到其他采样地点之间的距离构造距离矩阵；依据所述距离矩阵，计算采样地点的距离平均值，对所述距离平均值进行标准化处理，获得标准化的距离平均值；从待监测区域的采样地点中查找到其他采样地点之间的距离小于预定距离的聚集采样地点，多个聚集在一起的聚集采样地点形成过度聚集区域，建立采样地点过度聚集区域集合：C＝{M₁,M₂,M₃...M_k|k＝采样地点过度聚集区域数}，M_k为第k个过度聚集区域内包含的聚集采样地点数，k为采样地点过度聚集区域数；计算有效采样地点数：N'＝N-(M₁+M₂+……M_k)+k，并计算有效采样地点数与总采样地点数之比N为采样地点总数；将待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比分别预设的标准值进行对比，依据对比结果判断待监测区域内采样地点在空间分布上的合理性。

优选的，所述将采样地址转换为经纬度坐标的步骤，具体包括：通过地理编码算法对采样地点的采样地址进行解析，获得转换后的经纬度坐标。

优选的，所述计算每个采样地点到其他采样地点之间的距离的步骤，具体包括：

依据如下公式计算A采样地点和B采样地点之间的距离X_AB

其中，α1和β1分别为A采样地点的经度坐标和纬度坐标，α2和β2分别为B采样地点的经度坐标和纬度坐标，R为地球半径；依次代入两个采样地点的坐标值，计算出每个采样地点到其他采样地点之间的距离。

优选的，所述距离矩阵W为：

其中,当i＝j时,X_ij＝0。

优选的，依据如下公式计算采样地点的距离平均值：

其中，n²为矩阵中元素总个数，n为矩阵中对角线上元素个数。

优选的，所述对所述距离平均值进行标准化处理，获得标准化的距离平均值的步骤，具体包括，依据如下公式进行标准化处理：

为标准化的距离平均值，M为待监测区域的面积。

优选的，当待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比中的任一项小于或等于相应的标准值，认定待监测区域内采样地点在空间分布上存在异常；否则，当待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比均大于相应的标准值，则认定待监测区域内采样地点在空间分布合理。

优选的，所述标准值为所述待监测区域上一行政区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比的平均值。

本发明中，分别计算标准化的距离平均值以及有效采样地点数与总采样地点数之比,再将待监测区域内的距离平均值以及有效采样地点数与总采样地点数之比分别与相应的标准值进行比对,通过量化的数据比对来评估采样地点空间分布的合理性,更加客观准确地评估采样点空间分布的合理性。

具体实施方式

下面通过具体实施方式对本发明作进一步详细说明。

本发明实施例提供一种食品监测采样点空间分布的评估方法，其包括如下步骤：

S100：获取待监测区域内各采样地点的采样地址，将所述采样地址转换为经纬度坐标。

在进行食品安全监测过程中，在监测地区需要多点采样，采样地点的地址等信息都预先记录。在进行上述评估方法时，可以将各采样地点的采样地址录入到系统中。由于记录的采样地址通常是文字表述的地址，无法直接参与到数据计算中。因此，系统需要将所获取的采样地址转换为可以参与数据计算的经纬度坐标。例如，采样地址为“广东省中山市东区中山四路库充市场肉类112档”，则经纬度坐标为(113.38896,22.51409)。

S200：依据各采样地点的经纬度坐标，计算每个采样地点到其他采样地点之间的距离。

依次将所有采样地点的采样地址转换为经纬度坐标，进而根据经纬度坐标来计算任意两个采样地点之间的距离。由于地球是一个两极部位略扁的不规则的球体，此处的R采用平均半径6371千米。地球球面上任意一点的位置都可以由经度、纬度确定，设地球半径为R，球面上两点A、B的球面坐标为A(α1，β1)，B(α2，β2)，α1和β1分别为A采样地点的经度坐标和纬度坐标，α2和β2分别为B采样地点的经度坐标和纬度坐标，且α1、α2∈[-180°，180°]，β1、β2∈[-90°，90°]，由余弦定理和弧长公式可推到出，通过如下公式计算A采样地点和B采样地点之间的距离X_AB

表示将β1度数转换成弧度进行计算。以采样地点D1：经度113.077398，纬度23.597556和采样地点D2：经度113.02798，纬度23.71839为例，带入公式计算两个采样地点之间的距离为：X₁₂＝14.35(km)。

采用上述计算公式，依次两两带入采样地点的坐标值，进而计算出每个采样地点到其他采样地点之间的距离。

S300：为每个采样地点到其他采样地点之间的距离构造距离矩阵。

设有n个采样地点(di)，则对于每个采样地点，依次计算该点(di)到其它每个点(dj)的直线距离(X_ij)后，根据X_ij建立一个两两采样地点之间的距离矩阵W,其中矩阵中元素总个数为n²(n*n矩阵),元素值为di和dj之间的距离X_ij距离矩阵W为：

其中,当i＝j时,X_ij＝0。

S400：依据所述距离矩阵，计算采样地点的距离平均值，对所述距离平均值进行标准化处理，获得标准化的距离平均值。

通过计算距离矩阵W中各元素的平均值，可得出两个采样地点之间间距的平均值：

其中，n²为矩阵中元素总个数，n为矩阵中对角线上元素个数(即i＝j时的元素个数)。其含义为用总个数减去对角线上元素个数，以剔除两两采样地点为同一点的情况下对平均值的影响。

不同的待监测区域往往具有不同面积，只是单纯考虑距离而忽略待监测区域的面积，将会影响到采样地点距离比较和评价的结果。为了消除不同待监测区划面积对采样地点距离的影响，需要进行数据标准化处理，以解决不同的待监测区域之间的可比性问题。

如待监测区域的面积为M，用做分母，采用下式对采样地点间距的平均值进行标准化

即为标准化的距离平均值。

以Q市为例，Q市面积：M＝19015km²，则得出标准化后的采样地点间距的平均值为：

由此，得到评估采样地点合理性的第一个数据，标准化的距离平均值。

S500：从待监测区域的采样地点中查找到其他采样地点之间的距离小于预定距离的聚集采样地点，多个聚集在一起的聚集采样地点形成过度聚集区域，建立采样地点过度聚集区域集合：C＝{M₁,M₂,M₃...M_k|k＝采样地点过度聚集区域数}，M_k为第k个过度聚集区域内包含的聚集采样地点数，k为采样地点过度聚集区域数。

采样地点在待监测区域中的分布通常是不规律的，如果存在多个采样地点间距离过小，即都聚集在某一个商超或市场内，则采样的随机性将大大降低，较难满足统计学中样本独立、随机的推断前提。当某个采样地点到其他采样地点的间距小于预定距离，则将该采样地点认定为聚集采样地点，多个聚集在一起的聚集采样地点形成过度聚集区域。这里所说的过度聚集区域是指，过度聚集区域中采样地点之间的间距均小于预定距离。则待监测区域内可能不存在过度聚集区域，也可能存在一个或多个过度聚集区域。

为过度聚集区域建立采样地点过度聚集区域集合：C＝{M₁,M₂,M₃...M_k|k＝采样地点过度聚集区域数}，M_k为第k个过度聚集区域内包含的聚集采样地点数，k为采样地点过度聚集区域数。

以8个采样地点的待监测区域为例，该待监测区域的8个样品中有7个采样地点间距均小于预定距离，其组成一个过度聚集区域，则采样地点的过度聚集区域数k＝1，这个过度聚集区域内包含的采样地点个数M₁＝7，可以记作为：C＝{M₁＝7|k＝1}。

S600：依据步骤S500中的过度聚集区域集合，计算有效采样地点数：N'＝N-(M₁+M₂+……M_k)+k，再有效采样地点数与总采样地点数之比；N为采样地点总数；

N'是对N的实际有效性的计算，当在N个采样地点中，有k个过度聚集区域，随着采样的聚集性增加，重复性增加，随机性和代表性显著降低。因此，对于第k组聚集区域，虽然采集了M_k个样品，实际效果只相当于采集1个样品，即在考虑空间特征的情况下，只达到了1个采样地点的功效。

在步骤S500中列举的示例的基础上，7个采样地点组成一个过度聚集区域，则过度聚集区域数k＝1，这个过度聚集区域内包含的聚集采样地点个数M₁＝7。据此计算有效采样地点数N'：

N'＝N-(M₁)+k＝8-7+1＝2。

对于上述待监测区域，存在1个过度聚集区域，该过度聚集区域包含了7个采样地点，在考虑空间特征的情况下，其随机性和代表性只相当于采集1个样品，即7个采样地点近似只达到了1个采样地点的功效。因此，有效采样地点数N'＝2。计算有效采样地点数与总采样地点数之比这一参数，上述示例中，的值为0.25。

S700：将待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比分别预设的标准值进行对比，依据对比结果判断待监测区域内采样地点在空间分布上的合理性。

在计算出上述两个数值后，将待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比分别与预设的标准值进行对比，当待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比中的任一项小于或等于相应的标准值时，即认定待监测区域内采样地点在空间分布上存在异常，空间分布不合理。

具体的，当待监测区域内标准化的距离平均值小于或等于第一标准值时，且待监测区域内有效采样地点数与总采样地点数之比小于或等于第二标准值时，则存在总体采样点空间分布过度聚集且局部重复采样的问题。当待监测区域内标准化的距离平均值小于或等于第一标准值时，且待监测区域内有效采样地点数与总采样地点数之比大于第二标准值时，则存在总体采样点空间分布过度聚集的问题。当待监测区域内标准化的距离平均值大于第一标准值时，且待监测区域内有效采样地点数与总采样地点数之比小于或等于第二标准值时，则存在局部重复采样的问题。上述情况均反映出待监测区域内采样地点在空间分布上不合理。当待监测区域内标准化的距离平均值大于第一标准值，且待监测区域内有效采样地点数与总采样地点数之比大于第二标准值，则认定待监测区域内采样地点在空间分布合理。

其中，第一标准值和第二标准值均可以是根据历史数据获取的经验值，例如第一标准值可以为0.1，第二标准值可以为0.2。

在一种实施例中，所述第一标准值为所述待监测区域上一行政区域内标准化的距离平均值，所述第二标准值为所述待监测区域上一行政区域内有效采样地点数与总采样地点数之比的平均值。具体的，可通过上述步骤S100-S600计算待监测区域上一行政区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比的平均值。这里所说的上一行政区域是指比待监测区域高一级的行政区域，例如，待监测区域为A市，则上一行政区域是管辖该A市的某某省。在进行步骤S100-S600的计算时,将上一级的行政区域看作是待监测区域,代入上一级行政区域内的采样地点的数据进行计算。在做食品安全监测的过程中，基本各个地区都会进行食品监测采样，因此，当进行上一行政区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比的计算时，可以统计该上一行政区域内各地区的采样数据。

在一种实施例中，步骤S100具体包括：通过地理编码算法对采样地点的采样地址进行解析，获得转换后的经纬度坐标。地理编码是将数据中地址信息建立空间坐标关系的过程，包括正向地理编码和反向地理编码两种。正向地理编码服务实现了将地址或地名描述转换为地球表面上经纬度坐标的过程，反向地理编码服务实现了将地球表面的地址坐标转换为标准地址的过程。目前，国内主流的互联网地图服务商都提供了地理编码服务，通过调用其提供的地图Web API接口，可以将地址转换为经纬度坐标进行计算。对于采样地点的地址信息，可以通过在Excel中用VBA编程的方式，调用互联网地图服务商的API接口，便捷的获得地址对应的经纬度坐标。

在一种实施例中，将使用一个具体示例对本发明的方法进行具体说明。

a省具有a-v这22个城市，现要对c市的采样地点空间分布的合理性进行评估，依据上述方法，首先获取c市中各采样地点的位置信息，将其转换为经纬度坐标，再根据步骤S200中的公式计算每个采样地点到其他采样地点之间的距离，进而建立c市的距离矩阵。再根据该距离矩阵计算间距平均值和有效采样地点数，下表为各市所建立的过度聚集区域集合。

该市的采样点过度聚集区域有14个(C＝{M1＝4，M2＝3，M3＝4，M4＝5，M5＝2，M6＝3，M7＝2，M8＝3，M9＝3，M10＝5，M11＝3，M12＝2，M13＝2，M14＝2，|k＝14})，包含了全部46个采样点中的43个，还有其它3个点不属于任何聚集区域。表明其全部样品均来自于14个小于预定距离的区域和3个独立的采样地点，且这些采样聚集区域之间的距离较为分散。在计算到c市的间距平均值和有效采样地点数之后，依次计算其他各市的间距平均值和有效采样地点数，并获得如下表所示的数据：

由上表可知，a省22个监测地区的采样地点的间距平均值以及有效采样地点数与总采样地点数之比的平均值分别为0.3和0.24，设定这两个值为评估采样点空间分布合理性的标准值。22个地区中，k市o市的和均小于该标准值(0.3，0.24)，表明k市、o市存在总体采样点空间分布过度聚集和局部重复采样问题，其采样点空间分布不合理,系统可以提示其评估结果为异常。

c市b市和a市的和均高于标准值(0.3，0.24)，表明其采样地点分布相对较为均匀，空间分布合理，系统可以提示其评估结果为正常。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。

Claims (8)

1.一种食品监测采样点空间分布的评估方法，其特征在于，包括如下步骤：

获取待监测区域内各采样地点的采样地址，将所述采样地址转换为经纬度坐标；

依据各采样地点的经纬度坐标，计算每个采样地点到其他采样地点之间的距离；

为每个采样地点到其他采样地点之间的距离构造距离矩阵；

依据所述距离矩阵，计算采样地点的距离平均值，对所述距离平均值进行标准化处理，获得标准化的距离平均值；

从待监测区域的采样地点中查找到其他采样地点之间的距离小于预定距离的聚集采样地点，多个聚集在一起的聚集采样地点形成过度聚集区域，建立采样地点过度聚集区域集合：C＝{M₁,M₂,M₃...M_k|k＝采样地点过度聚集区域数}，M_k为第k个过度聚集区域内包含的聚集采样地点数，k为采样地点过度聚集区域数；

计算有效采样地点数：N'＝N-(M₁+M₂+……M_k)+k，并计算有效采样地点数与总采样地点数之比N为采样地点总数；

将待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比分别预设的标准值进行对比，依据对比结果判断待监测区域内采样地点在空间分布上的合理性。

2.根据权利要求1所述的评估方法，其特征在于，所述将采样地址转换为经纬度坐标的步骤，具体包括：

通过地理编码算法对采样地点的采样地址进行解析，获得转换后的经纬度坐标。

3.根据权利要求1所述的评估方法，其特征在于，所述计算每个采样地点到其他采样地点之间的距离的步骤，具体包括：

依据如下公式计算A采样地点和B采样地点之间的距离X_AB

其中，α1和β1分别为A采样地点的经度坐标和纬度坐标，α2和β2分别为B采样地点的经度坐标和纬度坐标，R为地球半径；依次代入两个采样地点的坐标值，计算出每个采样地点到其他采样地点之间的距离。

4.根据权利要求3所述的评估方法，其特征在于，所述距离矩阵W为：

其中,当i＝j时,X_ij＝0。

5.根据权利要求4所述的评估方法，其特征在于，依据如下公式计算采样地点的距离平均值：

其中，n²为矩阵中元素总个数，n为矩阵中对角线上元素个数。

6.根据权利要求5所述的评估方法，其特征在于，所述对所述距离平均值进行标准化处理，获得标准化的距离平均值的步骤，具体包括，依据如下公式进行标准化处理：

为标准化的距离平均值，M为待监测区域的面积。

7.根据权利要求1-6任一项所述的评估方法，其特征在于：

当待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比中的任一项小于或等于相应的标准值，认定待监测区域内采样地点在空间分布上存在异常；否则，当待监测区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比均大于相应的标准值，则认定待监测区域内采样地点在空间分布合理。

8.根据权利要求7所述的评估方法，其特征在于：

所述标准值为所述待监测区域上一行政区域内标准化的距离平均值以及有效采样地点数与总采样地点数之比的平均值。