CN111707490A - 一种农用地土壤污染调查分阶段分区采样的方法 - Google Patents
一种农用地土壤污染调查分阶段分区采样的方法 Download PDFInfo
- Publication number
- CN111707490A CN111707490A CN202010586993.0A CN202010586993A CN111707490A CN 111707490 A CN111707490 A CN 111707490A CN 202010586993 A CN202010586993 A CN 202010586993A CN 111707490 A CN111707490 A CN 111707490A
- Authority
- CN
- China
- Prior art keywords
- sampling
- value
- soil
- agricultural land
- region
- 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
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003900 soil pollution Methods 0.000 title claims abstract description 27
- 238000011835 investigation Methods 0.000 claims abstract description 39
- 238000005192 partition Methods 0.000 claims abstract description 25
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 15
- 231100000719 pollutant Toxicity 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims abstract description 6
- 229920006395 saturated elastomer Polymers 0.000 claims abstract description 5
- 239000003802 soil pollutant Substances 0.000 claims abstract description 5
- 238000012954 risk control Methods 0.000 claims abstract description 4
- 239000002689 soil Substances 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 229910001385 heavy metal Inorganic materials 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 5
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 229910052793 cadmium Inorganic materials 0.000 claims description 4
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 2
- 229910052785 arsenic Inorganic materials 0.000 claims description 2
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 claims description 2
- 229910052804 chromium Inorganic materials 0.000 claims description 2
- 239000011651 chromium Substances 0.000 claims description 2
- 229910052802 copper Inorganic materials 0.000 claims description 2
- 239000010949 copper Substances 0.000 claims description 2
- 239000011133 lead Substances 0.000 claims description 2
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 2
- 229910052753 mercury Inorganic materials 0.000 claims description 2
- 229910052759 nickel Inorganic materials 0.000 claims description 2
- 229910052725 zinc Inorganic materials 0.000 claims description 2
- 239000011701 zinc Substances 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 abstract description 14
- 238000005527 soil sampling Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000013076 uncertainty analysis Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 18
- 238000012795 verification Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 239000000356 contaminant Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000000673 graphite furnace atomic absorption spectrometry Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/02—Devices for withdrawing samples
- G01N1/04—Devices for withdrawing samples in the solid state, e.g. by cutting
-
- 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
-
- 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
- G01N33/245—Earth materials for agricultural purposes
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Physics & Mathematics (AREA)
- Geology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开一种农用地土壤污染调查分阶段分区采样的方法，包括以下步骤：第一阶段根据初始网格采样和序贯高斯模拟不确定性分析对调查区进行分区，将大于80％概率高于高浓度阈值的区域划分为高值区，小于80％概率高于该阈值的区域划分为低值区；继续选择低浓度阈值，重复以上分区操作，最后叠加两次划分结果，将调查区划分为污染物低值区、过渡区和高值区。第二阶段分区采样布点，确定各区的合理采样数，即预测精度不再发生显著变化时的饱和采样点。本发明以较少的土壤采样点获得较高的农用地土壤污染物空间分布预测精度，对完善农用地土壤污染状况调查采样布点设计，推动农用地土壤污染科学合理的风险管控及保障农产品质量安全有重要的意义。
Description
技术领域
本发明涉及农用地土壤污染的调查采样技术领域，具体涉及一种农用地土壤污染调查分阶段分区采样的方法。
背景技术
农用地土壤是保障农产品质量安全的第一道防线，因此加强农用地土壤质量的监测具有重要意义。但是由于我国农用地土壤污染状况复杂，土壤调查采样工作任务艰巨，目前针对农用地土壤污染调查的布设采样点效率较低，经验判断易造成误判使得土壤采样点位数量过大，造成采样成本巨大、耗时较长。
我国在2005年4月至2013年12月开展了首次土壤污染状况调查，调查点位覆盖约630万平方公里国土面积，布点方法根据土地利用类型采用网格布点，截止2010年底，共采集土壤、农产品样品等达21万个。2014年4月原环境保护部、国土资源部联合发布了本次土壤污染状况调查结果，调查结果显示我国土壤环境状况总体不容乐观，部分地区土壤污染严重，耕地土壤环境质量堪忧。2017年1月，生态环境部会同财政部、自然资源部、农业农村部、卫生计生委联合编制了《全国土壤污染状况详查总体方案》并全面启动第二次全国农用地土壤污染状况详查。布点方法先划定详查单元，再进行网格布点，单元内的土壤点位数量不少于3个，详查单元的划定是根据区域内污染源分布以及专家经验判断。此次详查共布设55.3万个农用地详查点位，样点数量之多、采样成本之高、耗时之长成为此次土壤污染状况详查的难点。
现阶段已有较多学者针对土壤调查对象进行分区采样和合理采样数的研究，优化了土壤采样数量，提高了调查精度。他们在简单地形区域通常将整个研究区作为一个均质的整体，再结合地统计插值预测结果及基于预测精度优化采样数，忽视了土壤污染物空间分布在区域上的差异程度；在复杂地形区域也仅以地形要素划分采样单元进行探讨。而有研究表明根据地形要素难以有效反映污染物在区域上的差异性，其采样数优化结果必然存在误差；在分区采样方法中采样单元的划分也多以经验判断为主，导致其采样数量优化准确性存疑，对实际采样策略设计的指导意义有限。
发明内容
本发明针对现有布点效率不高、经验判断易造成误判等问题，提供一种基于地统计分析布点的农用地土壤污染分阶段分区调查采样的方法。
为解决上述技术问题，本发明所采用的技术方案为:
一种农用地土壤污染调查分阶段分区采样的方法，包括以下步骤：
(1)在调查区域通过初始网格布设采样点，采样点布设在网格中心位置，初始网格间距应使区域采样点数量至少达到50-150个为宜，然后采集土样；
(2)检测步骤(1)所得采集土样的各项污染指标含量，所述污染指标为重金属污染指标；
(3)对步骤(2)所测指标含量用ArcGIS软件进行空间自相关性分析，根据空间自相关性指标全局莫兰指数即Moran`sⅠ评价，其中莫兰指数值通过ArcGIS-空间统计模块计算，计算结果包含Moran`sⅠ和显著性指标ZScore，如果Moran`sⅠ在0-1之间，且接近于1，显著性指标ZScore大于1.96，则检测指标在调查区域内具有显著空间自相关性；
(4)将网格采样点位数据通过序贯高斯模拟生成超过污染物管控值(高浓度阈值)的概率分布，将大于80％概率高于该阈值的区域划分为高值区，小于80％概率高于该阈值的区域划分为低值区；
(5)在步骤(4)的基础上继续选择污染物筛选值(低浓度阈值)重复步骤(4)的分区过程；
(6)叠加步骤(4)和步骤(5)的两次划分结果，将调查区域农用地土壤划分为污染物低值区、过渡区和高值区；若分区前后污染物平均值明显分化和变异系数明显变小，则可以进入下一个阶段；
(7)通过以上步骤完成第一阶段分区后，第二阶段在各分区内进一步布设采样点，确定各区的合理采样数：合理采样数即预测精度不再发生显著变化时的饱和采样点(寻找各区合理采样数可遵循规律：采样点并不是越多越好，各区有一个饱和点；高值区对采样密度最敏感，需要更多的采样点；变异性低的区可以达到更高的相对精度。)，同时对比分析预测精度对采样数的敏感性和不同分区所能达到的最佳预测精度。
进一步地，步骤(1)中，采用网格布点法在农用地土壤布设采样点，取0-10cm表层土壤。
进一步地，步骤(2)中，重金属污染指标为农用地土壤中镉、汞、砷、铅、铬、铜、镍、锌中的一种或两种以上的含量。
进一步地，所述的污染物管控值和污染物筛选值为农用地土壤污染物标准值，分别选自《土壤环境质量农用地土壤污染风险管控标准(试行)》中的重金属浓度风险筛选值和管控值。
本发明的有益效果在于：
本发明通过分阶段进行分区，能够以较少的土壤采样点获得较高的农用地土壤污染物空间分布预测精度，不仅能够明显提高效率，而且能够明显提高预测精度，对完善农用地土壤污染状况调查采样策略设计，推动农用地土壤科学合理的管控及保障农产品质量安全有重要的意义。
附图说明
图1为调查区10组不同采样密度样点集Cd的莫兰指数值I的变化图。
图2为各分区10组不同采样密度与预测精度的变化关系。
图3为各分区相对预测精度关系。
图4为调查区不分区、直接网格采样时预测精度随采样密度变化关系。
图5为实施例与对比例1预测精度对比结果。
具体实施方式
以下结合具体实施例对本发明作进一步说明，但本发明并不限于此。
本发明依据地统计学原理设计采样布点方法，区域调查对象须具有空间自相关性。
本实施例以南方某乡镇农用地土壤污染调查为例，以镉(Cd)为研究对象对本发明进行验证。
在调查区域159.94km2范围的农用地土壤内采集土壤样品，分别装入密封袋，标记好各采样点的经纬度和海拔高度带回实验室。剔除土壤样品中的杂质后，采用四分法取适量土壤样品，风干、磨细，过1mm筛后装入自封袋备用。本实施例获取农用地土壤采样点共1271个，通过模拟抽样验证该发明内容。
农用地土壤重金属含量化学测定
土壤样品的理化性质参数的测定遵循实验的标准程序。采用1:2.5的土水比测定土壤pH；采用HF-HNO3-HClO4全消解的方法，通过石墨炉原子吸收光谱法(GFAAS)测定土壤的Cd含量，。
网格抽样，设置2×2km网格进行抽样，获取农用地土壤采样点119个，统计结果如表1所示。
表1 2×2km采样点位描述性统计结果
对镉(Cd)含量进行空间自相关分析，2×2km网格采样点莫兰指数值为0.8757，在0-1之间且较为接近1，且ZScore值＞1.96，表明相关性和显著性水平极强；
表2农用地土壤Cd全局莫兰指数(Moran`sⅠ)
序贯高斯模拟不确定性分区
(1)高值区划分
选取农用地土壤Cd管控值生成超过管控值的概率分布，表1显示农用地土壤pH平均值为4.98，故管控值选取《土壤环境质量农用地土壤污染风险管控标准(试行)》中pH＜5.5(水田)的重金属Cd浓度管控值1.5mg/kg作为Cd浓度阈值。
在GS+9.0软件中运用序贯高斯模拟模块，设置1000次模拟次数，浓度阈值设置1.5，生成超过该浓度阈值的概率分布。
在超过管控值的概率分布中将大于80％概率高于该阈值的区域划分为高值区，小于80％概率高于该阈值的区域划分为低值区。
(2)低值区划分
选取农用地土壤Cd筛选值生成超过筛选值的概率分布，表1显示农用地土壤pH平均值为4.98，故筛选值选取《土壤环境质量农用地土壤污染风险管控标准(试行)》中pH＜5.5(水田)的重金属Cd浓度筛选值0.3mg/kg作为Cd浓度阈值。
在GS+9.0软件中运用序贯高斯模拟模块，设置1000次模拟次数，浓度阈值设置0.3，生成超过该浓度阈值的概率分布。
在超过筛选值的概率分布中将大于80％概率高于该阈值的区域划分为高值区，小于80％概率高于该阈值的区域划分为低值区。
叠加两次划分结果，可将研究区划分为Cd低值区、过渡区和高值区。
将低值区、过渡区和高值区分别命名为Ⅰ、Ⅱ、Ⅲ单元，整个研究区为0单元，利用1271个采样点对分区效果进行验证。
分区效果体现在分区前后区域重金属Cd浓度平均值与变异系数的变化，平均值和变异系数变化趋势明显，则说明分区结果比较合理，即各分区内Cd变异系数降低、各分区之间Cd平均浓度差异显著，表明分区结果比较合理。
表3各分区采样点Cd描述性统计结果。
由表3可知，Cd平均值由分区前的0.58mg/kg变为0.36、0.8、1.88mg/kg，平均值变化表明分区后单元间差异显著增大，变异系数由分区前的79.31％变为36.11％、35.0％、26.6％，变异系数变化表明单元内差异显著降低，因此分区取得较好的效果，分区效果显著。
分区确定合理采样数
合理采样数即空间预测精度不再发生显著变化时的饱和采样点，因此首先在各单元内抽取10％农用地土壤Cd样点作为独立验证点位，各单元剩余的90％点位作为建模点位，用于抽取生成包含不同样点数的样点集并进行建模预测区域内Cd空间分布。为了保证验证结果的客观性，验证点位的抽取为随机抽取，通过ArcGIS-创建子集模块进行抽取。
为了使各单元点位均匀分布，通过网格抽样法进行抽取，生成包含不同采样数量的样点集。因此设置0.4×0.4km、0.5×0.5km、0.6×0.6km、0.7×0.7km、0.8×0.8km、0.9×0.9km、1×1km、1.5×1.5km、2×2km、3×3km共10组网格，对各单元建模点进行抽样，抽取过程中选取靠近网格中心位置的点位，获取各单元10组包含不同采样数量的样点集，对各单元相同网格间距下抽取的样点集合并进行空间相关性分析(图1所示)，结果显示均呈现出显著空间自相关性，再对10组样点集进行建模预测区域Cd空间分布，通过独立验证点验证预测精度，探讨各单元样点数量与预测精度变化规律。
表4为各单元样点集Cd描述性统计结果
由表4可知，各单元内验证点位和建模点位Cd平均值和变异系数均比较接近，表明抽样偏差较小。从各单元10组不同采样数量的样点集Cd浓度平均值和变异系数来看，各单元内Cd浓度平均值和变异系数均比较接近，表明通过不同间距网格抽取的10组样点集偏差较小，其次由表4可知Ⅰ、Ⅱ、Ⅲ单元Cd浓度平均值依次增高，变异系数依次降低。
通过序贯高斯模拟预测各单元各样点集的Cd空间分布，模拟次数为1000次，空间分布预测结果取1000次平均实现，即空间某特定位置的Cd浓度为1000次浓度值预测结果的平均值，模拟预测过程通过GS+9.0软件完成，精度验证过程通过ArcGIS10.5软件完成。
选用均方根误差(Root Mean Square Error，RMSE)来衡量验证点上的观测值和预测值之间的差别，验证各样点集的插值精度，RMSE值越低，预测精度越高。RMSE计算公式为：
上式中，n为验证集样点数，o为验证点位的观测值，p为验证点位上的预测值。
由于单元内样点集Cd浓度差异较小，因此利用RMSE来对单元内不同采样数的预测精度进行评价。而对于单元间预测精度的比较，由于Cd浓度差异较大存在尺度/规模效应导致RMSE值不准确，造成误判，因此，使用标准化均方根误差(NRMSE)来消除尺度/规模效应，来比较各单元间的相对预测精度，较小的NRMSE值意味着更高的预测精度。标准化均方根误差(NRMSE)计算公式为：
NRMSE＝(RMSE/mean)*100，
上式中，mean为各对应样点集的Cd平均值。
图2为各分区不同采样密度与预测精度的变化关系，一般来说各分区合理采样数为预测精度不再发生变化时的采样数，即采样数饱和点，具体规律如下：随着采样数越少，各单元RMSE值呈现出上升的趋势，表明各单元预测精度随着采样数减少而降低。随着采样数的减少，各单元RMSE值与采样数的变化关系可分为前后两个阶段，即随着采样数减少，RMSE值先基本保持平稳后呈现出显著提高的趋势，表明预测精度在一定采样数下保持稳定，但采样数继续减少，预测精度则显著降低。因此预测精度随采样数的变化存在一个拐点，而这个采样数的拐点各单元有所不同，其中Ⅰ单元采样数拐点出现在2×2km网格间距抽取的采样数，此时Ⅰ单元采样数为77个，Ⅱ、Ⅲ单元采样数拐点分别出现在0.9×0.9km、0.6×0.6km网格间距抽取的采样数，采样数分别为118、56个，对应农用地土壤采样密度分别为0.7、2.9、4.6个/km2。由此可发现，对于农用地土壤污染物浓度越高的单元，其所需要的样点密度越大，但样点密度却并非越高越好，而是存在一个饱和点，达到饱和点后额外增加采样点并不能使预测精度进一步提升。
由于各单元间污染物浓度差异较大，因此通过对均方根误差标准化(NRMSE)，消除尺度/规模效应后对各单元相对预测精度进行比较。
图3为各分区相对预测精度关系，对于Ⅰ、Ⅱ、Ⅲ单元，10组不同采样数下的NRMSE值分别在28.97％-35.43％、18.45％-25.41％、11.75％-20.33％之间，随着采样数的减少，相对预测精度分别下降了6.46％、6.96％、8.58％，由此表明随着采样数的减少，Ⅲ单元下降幅度最大，其次是Ⅱ、Ⅰ单元。预测精度变化幅度反映了预测精度对采样数变化的敏感度，变化幅度越大，对采样数变化的敏感性越高，Ⅲ单元预测精度对采样数变化的敏感性最高，随着采样数的减少，预测精度下降幅度最大，其次是Ⅱ、Ⅰ单元。由此反映出对于污染物浓度越高的单元，其预测精度对采样数量的敏感性越高，即在污染物浓度越高的区域增加采样点更能获得精度的显著提高。
进一步比较各单元NRMSE值发现，Ⅲ单元NRMSE值最低，Ⅱ单元次之，Ⅰ单元NRMSE值最高，表明Ⅲ单元预测精度表现最好，Ⅱ单元次之，Ⅰ单元预测精度最差，由此反映出在污染物空间变化较低的区域会获得较高的预测精度。
通过探讨各分区采样数与预测精度变化规律发现，Ⅰ、Ⅱ、Ⅲ单元的合理样点数分别为通过2×2km网格间距抽取的77个采样点、0.9×0.9km网格抽取的118个采样点、0.6×0.6km网格抽取的56个采样点。因此研究区通过分区优化采样数量后获得合理采样数为251个，继续对研究区经过分阶段分区采样策略优化后的采样点进行精度分析，对采样策略进行验证及对比分析。
调查区域低值区、过渡区和高值区最低采样数分别为77、118和56个样点，农用地土壤采样密度分别为0.7、2.9和4.6个/km2，即整个调查区合理采样数为251个，平均采样密度为1.57个/km2，将调查区合理采样数下Cd的空间分布预测精度进行分析，通过序贯高斯模拟平均实现方法预测Cd空间分布，利用独立验证点位验证精度，首先对调查区合理采样数进行描述性统计分析(表5)，表6为精度验证结果。
表5整个调查区合理采样数描述性统计结果
由表5可知，调查区合理采样点Cd平均值为0.93mg/kg，高于调查区总体样本估计的Cd平均浓度0.58mg/kg，这是因为各分区采样数中Cd浓度高值区所需的样点密度较高，低值区所需的样点密度较低，从而在合理采样数样点集中引入了相对较多的Cd高值区采样点，导致研究区合理采样数样点集估计的Cd浓度平均值偏高。从变异系数来看，研究区合理采样点估计的Cd变异系数为72.04％，与研究区总体样本估计的Cd变异系数79.31％接近，均为高度变异。
表6调查区合理采样数点位的Cd空间分布预测精度验证结果
由表6可知，合理采样数点位预测精度RMSE值为0.3307mg/kg。由表5可知合理采样数点位估计的调查区Cd平均值为0.93mg/kg，高于调查区总体点位估计的Cd平均浓度0.58mg/kg，为了避免浓度差异的影响，采用标准化均方根误差(NRMSE)分析相对预测精度，合理采样数点位相对预测精度NRMSE值为35.56％。
对比例
在研究区不分区的情况下，通过0.4×0.4km、0.5×0.5km、0.6×0.6km、0.7×0.7km、0.8×0.8km、0.9×0.9km、1×1km、1.5×1.5km、2×2km、3×3km共10组网格对调查区90％建模点位进行抽样，生成10组不同采样数量的样点集，运用序贯高斯模拟平均实现预测Cd空间分布，并通过10％独立验证点位验证预测精度，得到调查区不同采样密度与预测精度的变化关系，并建立预测精度与采样数之间的曲线拟合。
图4为调查区不分区、直接网格采样时预测精度随采样密度变化关系，10组不同间距网格抽取的采样点与预测精度变化表明，随着网格间距增大，采样数减少，RMSE值先保持平稳后提高，预测精度随着采样数的减少先保持稳定后下降，因此研究区在不分区网格采样策略下，采样数同样存在饱和点，即网格间距为0.9×0.9km时，此时采样数为452个，农用地土壤采样密度为2.8个/km2，采样数超过饱和点后，额外增加采样点并不会提高预测精度。
实施例结果显示研究区合理采样数为251个，平均采样密度为1.57个/km2，相对预测精度NRMSE值为35.56％。
对比例1结果显示在不分区的条件下通过网格采样的预测精度，在不分区网格采样策略下研究区采样点数量合理采样数量为452个，农用地土壤采样密度为2.8个/km2。
图5为实施例与对比例1预测精度对比结果，由图5可知，调查区在实施例中NRMSE值显著低于对比例中NRMSE值，表明分区采样策略预测精度要优于不分区的采样策略，且在不分区的情况下，当采样数达到饱和点后，NRMSE值仅稳定在39％左右，相对预测精度不会有显著的提高，而分区采样策略NRMSE值为35.56％，显著低于不分区下任何网格间距下的NRMSE值。
综上，本发明能够明显减少采样的数量，且能够以明显更少的采样点取得较好的预测精度。
Claims (4)
1.一种农用地土壤污染调查分阶段分区采样的方法，其特征在于，包括以下步骤：
(1)在调查区域通过初始网格布设采样点，采样点布设在网格中心位置，网格间距应使区域采样点数量至少达到50-150个为宜，然后采集土样；
(2)检测步骤(1)所得采集土样的各项污染指标含量，所述污染指标为重金属污染指标；
(3)对步骤(2)所测指标含量用ArcGIS软件进行空间自相关性分析，根据空间自相关性指标-全局莫兰指数Moran`sⅠ评价，其中莫兰指数值通过ArcGIS-空间统计模块计算，计算结果包含Moran`sⅠ和显著性指标ZScore；如果Moran`sⅠ在0-1之间，且接近于1，显著性指标ZScore大于1.96，则检测指标在调查区域内具有显著空间自相关性；
(4)将网格采样点位数据通过序贯高斯模拟生成超过污染物某浓度阈值的概率，浓度阈值选取一个高浓度阈值和一个低浓度阈值；
(5)将大于80％概率高于高浓度阈值的区域划分为高值区，小于80％概率高于高浓度阈值的区域划分为低值区；
(6)在步骤(5)的基础上继续选择低浓度阈值重复步骤(4)的分区过程；
(7)叠加步骤(5)和步骤(6)的两次划分结果，将调查区域农用地土壤划分为污染物低值区、过渡区和高值区；
(8)通过以上步骤完成第一阶段分区后，第二阶段即可在各分区进一步布设采样点，确定各区的合理采样数：合理采样数即预测精度不再发生显著变化时的饱和采样点，同时对比分析预测精度对采样数的敏感性和不同分区所能达到的最佳预测精度。
2.根据权利要求1所述的农用地土壤污染调查分阶段分区采样的方法，其特征在于，步骤(1)中，采用网格布点法在农用地土壤布设采样点，取0-10cm表层土壤。
3.根据权利要求1所述的农用地土壤污染调查分阶段分区采样的方法，其特征在于，步骤(2)中，重金属污染指标为农用地土壤中镉、汞、砷、铅、铬、铜、镍或锌中的一种或两种以上的含量。
4.根据权利要求1所述的农用地土壤污染调查分阶段分区采样的方法，其特征在于，步骤(4)中，所述的高浓度阈值为污染物管控值，低浓度阈值为污染物筛选值，污染物管控值和污染物筛选值为农用地土壤污染物标准值，分别选自《土壤环境质量农用地土壤污染风险管控标准(试行)》中的重金属浓度风险筛选值和管控值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010586993.0A CN111707490B (zh) | 2020-06-24 | 2020-06-24 | 一种农用地土壤污染调查分阶段分区采样的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010586993.0A CN111707490B (zh) | 2020-06-24 | 2020-06-24 | 一种农用地土壤污染调查分阶段分区采样的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111707490A true CN111707490A (zh) | 2020-09-25 |
| CN111707490B CN111707490B (zh) | 2023-12-26 |
Family
ID=72543037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010586993.0A Active CN111707490B (zh) | 2020-06-24 | 2020-06-24 | 一种农用地土壤污染调查分阶段分区采样的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111707490B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308290A (zh) * | 2020-09-30 | 2021-02-02 | 湘潭大学 | 一种污染场地调查布点的方法 |
| CN113268795A (zh) * | 2021-05-10 | 2021-08-17 | 天津科技大学 | 一种基于序贯抽样的办公建筑能耗敏感性分析方法 |
| CN114814169A (zh) * | 2022-04-27 | 2022-07-29 | 深圳市政科检测有限公司 | 一种环境检测用土壤重金属含量检测方法 |
| CN114943493A (zh) * | 2022-07-25 | 2022-08-26 | 广州地量行城乡规划有限公司 | 一种耕地质量等别监测评价系统及方法 |
| WO2023168781A1 (zh) * | 2022-03-10 | 2023-09-14 | 浙江大学 | 一种基于时空交互关系的土壤镉风险预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332210A1 (en) * | 2009-06-25 | 2010-12-30 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
| CN106290782A (zh) * | 2016-07-14 | 2017-01-04 | 西安科技大学 | 基于双抛物线型NDVI‑Ts特征空间的土壤湿度遥感监测方法 |
| CN106779061A (zh) * | 2016-11-11 | 2017-05-31 | 四川农业大学 | 一种地形平缓区土壤重金属镉空间分布预测方法 |
| CN109541172A (zh) * | 2018-10-25 | 2019-03-29 | 北京农业信息技术研究中心 | 土壤属性值的计算方法及装置 |
| CN110346309A (zh) * | 2019-06-09 | 2019-10-18 | 重庆工商大学融智学院 | 一种土壤重金属污染区域的预测预警方法 |
| CN110826236A (zh) * | 2019-11-11 | 2020-02-21 | 北京建工环境修复股份有限公司 | 一种土壤修复污染范围的判定方法 |
| CN110969345A (zh) * | 2019-11-20 | 2020-04-07 | 北京淖尔科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
| CN111080097A (zh) * | 2019-12-03 | 2020-04-28 | 中国环境科学研究院 | 农业面源和重金属污染风险综合评估方法 |
| CN111222742A (zh) * | 2019-11-14 | 2020-06-02 | 浙江省农业科学院 | 基于农田景观分区的土壤新增采样点补充布设方法 |
-
2020
- 2020-06-24 CN CN202010586993.0A patent/CN111707490B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100332210A1 (en) * | 2009-06-25 | 2010-12-30 | University Of Tennessee Research Foundation | Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling |
| CN106290782A (zh) * | 2016-07-14 | 2017-01-04 | 西安科技大学 | 基于双抛物线型NDVI‑Ts特征空间的土壤湿度遥感监测方法 |
| CN106779061A (zh) * | 2016-11-11 | 2017-05-31 | 四川农业大学 | 一种地形平缓区土壤重金属镉空间分布预测方法 |
| CN109541172A (zh) * | 2018-10-25 | 2019-03-29 | 北京农业信息技术研究中心 | 土壤属性值的计算方法及装置 |
| CN110346309A (zh) * | 2019-06-09 | 2019-10-18 | 重庆工商大学融智学院 | 一种土壤重金属污染区域的预测预警方法 |
| CN110826236A (zh) * | 2019-11-11 | 2020-02-21 | 北京建工环境修复股份有限公司 | 一种土壤修复污染范围的判定方法 |
| CN111222742A (zh) * | 2019-11-14 | 2020-06-02 | 浙江省农业科学院 | 基于农田景观分区的土壤新增采样点补充布设方法 |
| CN110969345A (zh) * | 2019-11-20 | 2020-04-07 | 北京淖尔科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
| CN111080097A (zh) * | 2019-12-03 | 2020-04-28 | 中国环境科学研究院 | 农业面源和重金属污染风险综合评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| 许友静 等: "农用地土壤污染调查分阶段分区采样布点", 《湘潭大学学报（自然科学版）》 * |
| 许友静 等: "农用地土壤污染调查分阶段分区采样布点", 《湘潭大学学报（自然科学版）》, vol. 43, no. 4, 31 August 2021 (2021-08-31), pages 118 - 126 * |
| 谢云峰 等: "土壤污染调查加密布点优化方法构建及验证", 《环境科学学报》 * |
| 谢云峰 等: "土壤污染调查加密布点优化方法构建及验证", 《环境科学学报》, vol. 36, no. 3, 31 March 2016 (2016-03-31), pages 981 - 989 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308290A (zh) * | 2020-09-30 | 2021-02-02 | 湘潭大学 | 一种污染场地调查布点的方法 |
| CN112308290B (zh) * | 2020-09-30 | 2023-07-28 | 湘潭大学 | 一种污染场地调查布点的方法 |
| CN113268795A (zh) * | 2021-05-10 | 2021-08-17 | 天津科技大学 | 一种基于序贯抽样的办公建筑能耗敏感性分析方法 |
| WO2023168781A1 (zh) * | 2022-03-10 | 2023-09-14 | 浙江大学 | 一种基于时空交互关系的土壤镉风险预测方法 |
| CN114814169A (zh) * | 2022-04-27 | 2022-07-29 | 深圳市政科检测有限公司 | 一种环境检测用土壤重金属含量检测方法 |
| CN114943493A (zh) * | 2022-07-25 | 2022-08-26 | 广州地量行城乡规划有限公司 | 一种耕地质量等别监测评价系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111707490B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111707490A (zh) | 一种农用地土壤污染调查分阶段分区采样的方法 | |
| CN114443982B (zh) | 一种大区域土壤重金属检测与时空分布特征分析方法及系统 | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| Lado et al. | Heavy metals in European soils: a geostatistical analysis of the FOREGS Geochemical database | |
| Barlow et al. | Salt marshes as late Holocene tide gauges | |
| Leonardsson et al. | Theoretical and practical aspects on benthic quality assessment according to the EU-Water Framework Directive–examples from Swedish waters | |
| Wahlin et al. | Roadmap for assessing regional trends in groundwater quality | |
| Li et al. | Response of cyanobacterial bloom risk to nitrogen and phosphorus concentrations in large shallow lakes determined through geographical detector: A case study of Taihu Lake, China | |
| Pesch et al. | Mosses as bioindicators for metal accumulation: Statistical aggregation of measurement data to exposure indices | |
| Jarvie et al. | Exploring the linkages between river water chemistry and watershed characteristics using GIS-based catchment and locality analyses | |
| CN108446715A (zh) | 一种土壤重金属污染源解析方法、系统和装置 | |
| Sroczyńska et al. | What makes a better indicator? Taxonomic vs functional response of nematodes to estuarine gradient | |
| Jiang et al. | Multi-site identification of a distributed hydrological nitrogen model using Bayesian uncertainty analysis | |
| CN110826866B (zh) | 矿产资源集中开采区土壤环境地球化学背景值的确定方法 | |
| Virro et al. | Random forest-based modeling of stream nutrients at national level in a data-scarce region | |
| CN110987909A (zh) | 一种耕地土壤重金属的空间分布及来源解析方法及装置 | |
| CN114062649B (zh) | 一种土壤污染趋势分析方法 | |
| Puente et al. | Ecological assessment of soft bottom benthic communities in northern Spanish estuaries | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN113720639B (zh) | 一种污染场地调查补充采样的方法 | |
| CN115660407A (zh) | 污染场地风险等级预测模型的训练方法和训练装置 | |
| CN117786616B (zh) | 一种近海沉积物重金属污染特征确定方法、装置及介质 | |
| CN117974404B (zh) | 一种水陆协同的陆域污染源分析方法及系统 | |
| CN115345069A (zh) | 一种基于最大水深记录和机器学习的湖泊水量估算方法 | |
| Wang et al. | Spatial Variation of Extreme Rainfall Observed From Two Century‐Long Datasets |
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 |