CN112122332A - 废弃矿山的土壤生态修复方法 - Google Patents

废弃矿山的土壤生态修复方法 Download PDF

Info

Publication number
CN112122332A
CN112122332A CN202010915695.1A CN202010915695A CN112122332A CN 112122332 A CN112122332 A CN 112122332A CN 202010915695 A CN202010915695 A CN 202010915695A CN 112122332 A CN112122332 A CN 112122332A
Authority
CN
China
Prior art keywords
information
soil
abandoned mine
areas
mine
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.)
Withdrawn
Application number
CN202010915695.1A
Other languages
English (en)
Inventor
朱建琴
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.)
Changde Furong Xin Environmental Protection Co ltd
Original Assignee
Changde Furong Xin Environmental Protection Co ltd
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 Changde Furong Xin Environmental Protection Co ltd filed Critical Changde Furong Xin Environmental Protection Co ltd
Priority to CN202010915695.1A priority Critical patent/CN112122332A/zh
Publication of CN112122332A publication Critical patent/CN112122332A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B09—DISPOSAL OF SOLID WASTE; RECLAMATION OF CONTAMINATED SOIL
    • B09C—RECLAMATION OF CONTAMINATED SOIL
    • B09C1/00—Reclamation of contaminated soil
    • B09C1/08—Reclamation of contaminated soil chemically
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Soil Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了废弃矿山的土壤生态修复方法，其通过对废弃矿山进行遥感影像拍摄和土壤采样分析来获得废弃矿山在不同海拔高度区域的植被覆盖信息、土壤污染信息和水土流失信息，以此对废弃矿山的不同海拔高度区域进行针对性的土壤污染物净化处理、水土涵养处理和植被复栽处理，其不同于现有技术只对废弃矿山进行临时性的土壤加固处理，其是从土壤生态结构层面上对废弃矿山进行针对性的修复，从而确保修复后的废弃矿山能够恢复到未被开采前的土壤生态状态以及有效避免废弃矿山发生山体滑坡和土壤沙化的情况。

Description

废弃矿山的土壤生态修复方法
技术领域
本发明涉及矿山开采与修复的技术领域，特别涉及废弃矿山的土壤生态修复方法。
背景技术
矿山在开采过程中需要对土壤进行开挖，而当矿山中的矿材被开采完毕后矿山就会逐渐废弃。废弃矿山的山体结构和土壤结构都受到不同程度的破坏而变得十分脆弱，并且矿山在开采过程中会使土壤发生不同程度的污染。若在雨水的长期作用下，废弃矿山的土壤生态系统会受到严重的破坏，从而危及废弃矿山的山体结构稳定性，而现有技术只存在对废弃矿山的土壤进行临时性加固的修复方式，其不能对废弃矿山的土壤生态系统进行有针对性和可持续性的修复。
发明内容
针对现有技术存在的缺陷，本发明提供废弃矿山的土壤生态修复方法，其包括对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对该废弃矿山遥感影像进行分析处理，从而确定该废弃矿山的植被覆盖信息，以及采集该废弃矿山不同区域的土壤样本，并对该土壤样本进行分析，从而确定该废弃矿山不同区域的土壤污染信息和水土流失信息，并根据该土壤污染信息和该水土流失信息，对该废弃矿山进行土壤污染物净化处理和水土涵养处理，再根据该植被覆盖信息，对该废弃矿山不同区域进行适应性的植被复栽处理；可见，该废弃矿山的土壤生态修复方法通过对废弃矿山进行遥感影像拍摄和土壤采样分析来获得废弃矿山在不同海拔高度区域的植被覆盖信息、土壤污染信息和水土流失信息，以此对废弃矿山的不同海拔高度区域进行针对性的土壤污染物净化处理、水土涵养处理和植被复栽处理，其不同于现有技术只对废弃矿山进行临时性的土壤加固处理，其是从土壤生态结构层面上对废弃矿山进行针对性的修复，从而确保修复后的废弃矿山能够恢复到未被开采前的土壤生态状态以及有效避免废弃矿山发生山体滑坡和土壤沙化的情况。
本发明提供废弃矿山的土壤生态修复方法，其特征在于，其包括如下步骤：
步骤S1，对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对所述废弃矿山遥感影像进行分析处理，从而确定所述废弃矿山的植被覆盖信息；
步骤S2，采集所述废弃矿山不同区域的土壤样本，并对所述土壤样本进行分析，从而确定所述废弃矿山不同区域的土壤污染信息和水土流失信息；
步骤S3，根据所述土壤污染信息和所述水土流失信息，对所述废弃矿山进行土壤污染物净化处理和水土涵养处理；
步骤S4，根据所述植被覆盖信息，对所述废弃矿山不同区域进行适应性的植被复栽处理；
进一步，在所述步骤S1中，对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对所述废弃矿山遥感影像进行分析处理，从而确定所述废弃矿山的植被覆盖信息具体包括，
步骤S101，对所述废弃矿山进行扫描遥感拍摄，以此获得所述废弃矿山不同海拔高度区域的若干废弃矿山遥感影像；
步骤S102，从每一个所述废弃矿山遥感影像中提取得到对应的遥感反射谱分布信息，并确定所述遥感反射谱分布信息中的反射波长范围信息
步骤S103，根据所述反射波长范围信息，确定所述废弃矿山不同海拔高度区域的植被覆盖信息；
进一步，在所述步骤S101中，对所述废弃矿山进行扫描遥感拍摄，以此获得所述废弃矿山不同海拔高度区域的若干废弃矿山遥感影像具体包括，
步骤S1011，对所述废弃矿山进行双目扫描拍摄，从而获得所述废弃矿山的双目影像；
步骤S1012，根据所述双目影像，构建所述废弃矿山的三维图像，在所述三维图像中，按照预设海拔高程差将所述废弃矿山划分为若干不同海拔高度区域，其中，所述预设海拔高程差不小于3m；
步骤S1013，按照海拔高度有低至高的顺序，对所述若干不同海拔高度区域进行扫描遥感拍摄，从而对应获得所述若干废弃矿山遥感影像；
进一步，在所述步骤S103中，根据所述反射波长范围信息，确定所述废弃矿山不同海拔高度区域的植被覆盖信息具体包括，
构建关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，并将所述反射波长范围信息输入至所述神经网络模型中，从而确定所述废弃矿山不同海拔高度区域的植被覆盖信息；
进一步，在所述步骤S2中，采集所述废弃矿山不同区域的土壤样本，并对所述土壤样本进行分析，从而确定所述废弃矿山不同区域的土壤污染信息和水土流失信息具体包括，
步骤S201，在所述废弃矿山的不同海拔高度区域分别采集预定深度的土壤样本，其中，在所述不同海拔高度区域中相邻两个海拔高度区域之间的海拔高程差不小于3m，所述预定深度为不小于1.5m；
步骤S202，将采集得到的每一份土壤样本进行重金属成分类型与含量以及有机物成分类型与含量的分析处理，从而确定相应海拔高度区域中的重金属含量信息和有机物含量信息，以此作为所述土壤污染信息；
步骤S203，将采集得到的每一份土壤样本进行土质成分和含水量的分析处理，从而确定相应海拔高度区域中的砂质土壤成分含量信息和水分含量信息，以此作为所述水土流失信息；
进一步，在所述步骤S3中，根据所述土壤污染信息和所述水土流失信息，对所述废弃矿山进行土壤污染物净化处理和水土涵养处理具体包括，
步骤S301，根据所述土壤污染信息包含的不同海拔高度区域内的重金属含量信息和有机物含量信息，对相应海拔高度区域的土壤进行重金属离子沉淀处理和有机物降解处理，从而实现所述土壤污染物净化处理；
步骤S302，根据所述水土流失信息包含的不同海拔高度区域内的砂质土壤成分含量信息和水分含量信息，对相应海拔高度区域的土壤进行砂质土壤成分筛除处理和土壤增湿处理，从而实现所述水土涵养处理；
进一步，在所述步骤S4中，根据所述植被覆盖信息，对所述废弃矿山不同区域进行适应性的植被复栽处理具体包括，
步骤S401，根据所述植被覆盖信息，确定所述废弃矿山不同海拔高度区域各自的植被生长趋势信息；
步骤S402，根据所述废弃矿山不同海拔高度区域各自的植被生长趋势信息，对每一个海拔高度区域种植栽培相应的灌木植物或者乔木植物；
进一步，在所述步骤S401中，根据所述植被覆盖信息，确定所述废弃矿山不同海拔高度区域各自的植被生长趋势信息具体包括，
构建关于植被在矿山不同海拔高度区域的生长趋势评价神经网络模型，并将所述植被覆盖信息输入至所述生长趋势评价神经网络模型中，从而确定所述废弃矿山不同海拔高度区域各自的植被生长趋势信息；
进一步，所述构建关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型具体为对已知的反射波长范围信息与对应的所述废弃矿山不同海拔高度区域的植被覆盖信息进行神经网络学习，并通过所述神经网络学习建立出地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，其具体过程包括，
第一、根据下面公式(1)对已知的反射波长范围信息进行卷积神经网络向前传播计算，以此得到所述已知的反射波长范围信息对应的理想输出信息
Figure BDA0002664944140000041
在上述公式(1)中，Fc表示已知的第c个反射波长范围信息对应的理想输出信息，Fc-1表示已知的第c-1个反射波长范围信息对应的理想输出信息，Fi-1表示已知的第i-1个反射波长范围信息对应的理想输出信息，Qc表示已知的第c个反射波长范围信息对应的预设卷积核，Qi表示已知的第i个反射波长范围信息对应的预设卷积核，Bc表示已知的第c个反射波长范围信息对应的预设偏倚参数，Bi表示已知的第i个反射波长范围信息对应的预设偏倚参数，c表示反射波长范围信息的总数量，i＝2、3、…、c；
第二、根据下面公式(2)，计算得到所述反射波长范围信息的输入权值
Figure BDA0002664944140000051
在上述公式(2)中，ΔV表示所述反射波长范围信息的输入权值，Gc表示已知的第c个反射波长范围信息对应的所述废弃矿山不同海拔高度区域的植被覆盖信息，
Figure BDA0002664944140000052
表示预设动量因子，n表示已知的反射波长范围信息的总个数；
第三、根据下面公式(3)，确定所述废弃矿山不同海拔高度区域的植被覆盖信息G
Figure BDA0002664944140000053
在上述公式(3)中，G表示所述废弃矿山不同海拔高度区域的植被覆盖信息，F表示实际输入的反射波长范围信息。
相比于现有技术，该废弃矿山的土壤生态修复方法包括对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对该废弃矿山遥感影像进行分析处理，从而确定该废弃矿山的植被覆盖信息，以及采集该废弃矿山不同区域的土壤样本，并对该土壤样本进行分析，从而确定该废弃矿山不同区域的土壤污染信息和水土流失信息，并根据该土壤污染信息和该水土流失信息，对该废弃矿山进行土壤污染物净化处理和水土涵养处理，再根据该植被覆盖信息，对该废弃矿山不同区域进行适应性的植被复栽处理；可见，该废弃矿山的土壤生态修复方法通过对废弃矿山进行遥感影像拍摄和土壤采样分析来获得废弃矿山在不同海拔高度区域的植被覆盖信息、土壤污染信息和水土流失信息，以此对废弃矿山的不同海拔高度区域进行针对性的土壤污染物净化处理、水土涵养处理和植被复栽处理，其不同于现有技术只对废弃矿山进行临时性的土壤加固处理，其是从土壤生态结构层面上对废弃矿山进行针对性的修复，从而确保修复后的废弃矿山能够恢复到未被开采前的土壤生态状态以及有效避免废弃矿山发生山体滑坡和土壤沙化的情况。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明提供的废弃矿山的土壤生态修复方法的流程示意图。
具体实施方式
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，所描述的实施例仅仅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。
参阅图1，为本发明实施例提供的废弃矿山的土壤生态修复方法的流程示意图。该废弃矿山的土壤生态修复方法包括如下步骤：
步骤S1，对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对该废弃矿山遥感影像进行分析处理，从而确定该废弃矿山的植被覆盖信息；
步骤S2，采集该废弃矿山不同区域的土壤样本，并对该土壤样本进行分析，从而确定该废弃矿山不同区域的土壤污染信息和水土流失信息；
步骤S3，根据该土壤污染信息和该水土流失信息，对该废弃矿山进行土壤污染物净化处理和水土涵养处理；
步骤S4，根据该植被覆盖信息，对该废弃矿山不同区域进行适应性的植被复栽处理。
该废弃矿山的土壤生态修复通过对废弃矿山进行遥感拍摄和不同区域的土壤样本分析处理，其能够对废弃矿山的整体土壤生态系统进行关于土壤植被覆盖和土壤自身特性的外在特性和内在特性的分析处理，从而便于对废弃矿山进行有针对性的土壤生态修复和改造以及提高其修复和改造的全面性和有效性。
优选地，在该步骤S1中，对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对该废弃矿山遥感影像进行分析处理，从而确定该废弃矿山的植被覆盖信息具体包括，
步骤S101，对该废弃矿山进行扫描遥感拍摄，以此获得该废弃矿山不同海拔高度区域的若干废弃矿山遥感影像；
步骤S102，从每一个该废弃矿山遥感影像中提取得到对应的遥感反射谱分布信息，并确定该遥感反射谱分布信息中的反射波长范围信息
步骤S103，根据该反射波长范围信息，确定该废弃矿山不同海拔高度区域的植被覆盖信息。
由于地表植被覆盖的稀疏程度会影响地面对环境光的反射率和反射波长范围，当对废弃矿山进行扫描遥感拍摄时，拍摄得到的遥感影像对应的遥感反射谱分布也会随着废弃矿山地面植被的覆盖密度而有所不同，这样通过从废弃矿山遥感影像中提取得到对应的遥感反射谱分布信息，就能够准确地确定废弃矿山不同海拔高度区域的植被覆盖信息，从而免去人工测量植被覆盖状态所需要的人力和物力以及大大提高植被覆盖信息的获取效率和准确性。
优选地，在该步骤S101中，对该废弃矿山进行扫描遥感拍摄，以此获得该废弃矿山不同海拔高度区域的若干废弃矿山遥感影像具体包括，
步骤S1011，对该废弃矿山进行双目扫描拍摄，从而获得该废弃矿山的双目影像；
步骤S1012，根据该双目影像，构建该废弃矿山的三维图像，在该三维图像中，按照预设海拔高程差将该废弃矿山划分为若干不同海拔高度区域，其中，该预设海拔高程差不小于3m；
步骤S1013，按照海拔高度有低至高的顺序，对该若干不同海拔高度区域进行扫描遥感拍摄，从而对应获得该若干废弃矿山遥感影像。
由于矿山在开采过程中在不同海拔高度区域的开采程度并不相同，将废弃矿山划分为不同海拔高度区域能够便于有针对性地对废弃矿山进行适应性的植被复栽修复，以便于降低对废弃矿山进行土壤生态修复的繁复性。
优选地，在该步骤S103中，根据该反射波长范围信息，确定该废弃矿山不同海拔高度区域的植被覆盖信息具体包括，
构建关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，并将该反射波长范围信息输入至该神经网络模型中，从而确定该废弃矿山不同海拔高度区域的植被覆盖信息。
通过构建该关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型能够快速地和准确地得到该植被覆盖信息，从而提高土壤生态修复的效率。
优选地，在该步骤S2中，采集该废弃矿山不同区域的土壤样本，并对该土壤样本进行分析，从而确定该废弃矿山不同区域的土壤污染信息和水土流失信息具体包括，
步骤S201，在该废弃矿山的不同海拔高度区域分别采集预定深度的土壤样本，其中，在该不同海拔高度区域中相邻两个海拔高度区域之间的海拔高程差不小于3m，该预定深度为不小于1.5m；
步骤S202，将采集得到的每一份土壤样本进行重金属成分类型与含量以及有机物成分类型与含量的分析处理，从而确定相应海拔高度区域中的重金属含量信息和有机物含量信息，以此作为该土壤污染信息；
步骤S203，将采集得到的每一份土壤样本进行土质成分和含水量的分析处理，从而确定相应海拔高度区域中的砂质土壤成分含量信息和水分含量信息，以此作为该水土流失信息。
由于矿山在开采过程中无可避免会进行挖掘和矿物初始提炼的工序，这会使得废弃矿山在不同海拔高度的不同土壤层深度受到相应的重金属污染和有机物污染以及水土流失，通过对预设深度的土壤层进行土壤采样能够快速地和准确地判断废弃矿山的土壤特性，以便于后续精确地进行处理。
优选地，在该步骤S3中，根据该土壤污染信息和该水土流失信息，对该废弃矿山进行土壤污染物净化处理和水土涵养处理具体包括，
步骤S301，根据该土壤污染信息包含的不同海拔高度区域内的重金属含量信息和有机物含量信息，对相应海拔高度区域的土壤进行重金属离子沉淀处理和有机物降解处理，从而实现该土壤污染物净化处理；
步骤S302，根据该水土流失信息包含的不同海拔高度区域内的砂质土壤成分含量信息和水分含量信息，对相应海拔高度区域的土壤进行砂质土壤成分筛除处理和土壤增湿处理，从而实现该水土涵养处理。
通过对废弃矿山进行重金属离子沉淀处理、有机物降解处理、砂质土壤成分筛除处理和土壤增湿处理，能够有效避免废弃矿产中的重金属物质和有机物渗透到其他区域或者地下水源中，同时还能够有效地改善土壤土质，以利于后续植被的生长。
优选地，在该步骤S4中，根据该植被覆盖信息，对该废弃矿山不同区域进行适应性的植被复栽处理具体包括，
步骤S401，根据该植被覆盖信息，确定该废弃矿山不同海拔高度区域各自的植被生长趋势信息；
步骤S402，根据该废弃矿山不同海拔高度区域各自的植被生长趋势信息，对每一个海拔高度区域种植栽培相应的灌木植物或者乔木植物。
通过植被覆盖信息确定废弃矿山不同海拔高度区域的植被生长趋势信息，能够保证每一个海拔高度地区均能够种植合适的植被，从而保证土壤生态修复的可持续性。
优选地，在该步骤S401中，根据该植被覆盖信息，确定该废弃矿山不同海拔高度区域各自的植被生长趋势信息具体包括，
构建关于植被在矿山不同海拔高度区域的生长趋势评价神经网络模型，并将该植被覆盖信息输入至该生长趋势评价神经网络模型中，从而确定该废弃矿山不同海拔高度区域各自的植被生长趋势信息。
通过构建该关于植被在矿山不同海拔高度区域的生长趋势评价神经网络模型能够快速地和准确地得到该植被生长趋势信息，从而提高土壤生态修复的效率。
优选地，该构建关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型具体为对已知的反射波长范围信息与对应的该废弃矿山不同海拔高度区域的植被覆盖信息进行神经网络学习，并通过该神经网络学习建立出地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，其具体过程包括，
第一、根据下面公式(1)对已知的反射波长范围信息进行卷积神经网络向前传播计算，以此得到该已知的反射波长范围信息对应的理想输出信息
Figure BDA0002664944140000101
在上述公式(1)中，Fc表示已知的第c个反射波长范围信息对应的理想输出信息，Fc-1表示已知的第c-1个反射波长范围信息对应的理想输出信息，Fi-1表示已知的第i-1个反射波长范围信息对应的理想输出信息，Qc表示已知的第c个反射波长范围信息对应的预设卷积核，Qi表示已知的第i个反射波长范围信息对应的预设卷积核，Bc表示已知的第c个反射波长范围信息对应的预设偏倚参数，Bi表示已知的第i个反射波长范围信息对应的预设偏倚参数，c表示反射波长范围信息的总数量，i＝2、3、…、c；
第二、根据下面公式(2)，计算得到该反射波长范围信息的输入权值
Figure BDA0002664944140000111
在上述公式(2)中，ΔV表示该反射波长范围信息的输入权值，Gc表示已知的第c个反射波长范围信息对应的该废弃矿山不同海拔高度区域的植被覆盖信息，
Figure BDA0002664944140000112
表示预设动量因子，n表示已知的反射波长范围信息的总个数；
第三、根据下面公式(3)，确定该废弃矿山不同海拔高度区域的植被覆盖信息G
Figure BDA0002664944140000113
在上述公式(3)中，G表示该废弃矿山不同海拔高度区域的植被覆盖信息，F表示实际输入的反射波长范围信息。
利用公式(1)得到已知的反射波长范围信息对应的理想输出信息，目的是为了对已知的反射波长范围信息进行卷积神经网络前向传播计算得到理想输出信息，与没有利用该公式(1)相比能够实现机器对已知状态进行自主学习，从而得到更为准确的理想输出信息；利用公式(2)得到反射波长范围信息的输入权值，目的是利用公式(2)构建出适用于所有输入的所述反射波长范围信息的权值，最后结合公式(3)确定废弃矿山不同海拔高度区域的植被覆盖信息，从而构建出所述地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，提高对废弃矿山的土壤生态修复的成功率，并且增大了对矿山整体的修复，使得整个修复过程更加的科学高效。
从上述实施例的内容可知，该废弃矿山的土壤生态修复方法包括对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对该废弃矿山遥感影像进行分析处理，从而确定该废弃矿山的植被覆盖信息，以及采集该废弃矿山不同区域的土壤样本，并对该土壤样本进行分析，从而确定该废弃矿山不同区域的土壤污染信息和水土流失信息，并根据该土壤污染信息和该水土流失信息，对该废弃矿山进行土壤污染物净化处理和水土涵养处理，再根据该植被覆盖信息，对该废弃矿山不同区域进行适应性的植被复栽处理；可见，该废弃矿山的土壤生态修复方法通过对废弃矿山进行遥感影像拍摄和土壤采样分析来获得废弃矿山在不同海拔高度区域的植被覆盖信息、土壤污染信息和水土流失信息，以此对废弃矿山的不同海拔高度区域进行针对性的土壤污染物净化处理、水土涵养处理和植被复栽处理，其不同于现有技术只对废弃矿山进行临时性的土壤加固处理，其是从土壤生态结构层面上对废弃矿山进行针对性的修复，从而确保修复后的废弃矿山能够恢复到未被开采前的土壤生态状态以及有效避免废弃矿山发生山体滑坡和土壤沙化的情况。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.废弃矿山的土壤生态修复方法，其特征在于，其包括如下步骤：
步骤S1，对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对所述废弃矿山遥感影像进行分析处理，从而确定所述废弃矿山的植被覆盖信息；
步骤S2，采集所述废弃矿山不同区域的土壤样本，并对所述土壤样本进行分析，从而确定所述废弃矿山不同区域的土壤污染信息和水土流失信息；
步骤S3，根据所述土壤污染信息和所述水土流失信息，对所述废弃矿山进行土壤污染物净化处理和水土涵养处理；
步骤S4，根据所述植被覆盖信息，对所述废弃矿山不同区域进行适应性的植被复栽处理。
2.如权利要求1所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S1中，对废弃矿山进行遥感拍摄，以此获得对应的废弃矿山遥感影像，并对所述废弃矿山遥感影像进行分析处理，从而确定所述废弃矿山的植被覆盖信息具体包括，
步骤S101，对所述废弃矿山进行扫描遥感拍摄，以此获得所述废弃矿山不同海拔高度区域的若干废弃矿山遥感影像；
步骤S102，从每一个所述废弃矿山遥感影像中提取得到对应的遥感反射谱分布信息，并确定所述遥感反射谱分布信息中的反射波长范围信息
步骤S103，根据所述反射波长范围信息，确定所述废弃矿山不同海拔高度区域的植被覆盖信息。
3.如权利要求2所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S101中，对所述废弃矿山进行扫描遥感拍摄，以此获得所述废弃矿山不同海拔高度区域的若干废弃矿山遥感影像具体包括，
步骤S1011，对所述废弃矿山进行双目扫描拍摄，从而获得所述废弃矿山的双目影像；
步骤S1012，根据所述双目影像，构建所述废弃矿山的三维图像，在所述三维图像中，按照预设海拔高程差将所述废弃矿山划分为若干不同海拔高度区域，其中，所述预设海拔高程差不小于3m；
步骤S1013，按照海拔高度有低至高的顺序，对所述若干不同海拔高度区域进行扫描遥感拍摄，从而对应获得所述若干废弃矿山遥感影像。
4.如权利要求2所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S103中，根据所述反射波长范围信息，确定所述废弃矿山不同海拔高度区域的植被覆盖信息具体包括，
构建关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，并将所述反射波长范围信息输入至所述神经网络模型中，从而确定所述废弃矿山不同海拔高度区域的植被覆盖信息。
5.如权利要求1所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S2中，采集所述废弃矿山不同区域的土壤样本，并对所述土壤样本进行分析，从而确定所述废弃矿山不同区域的土壤污染信息和水土流失信息具体包括，
步骤S201，在所述废弃矿山的不同海拔高度区域分别采集预定深度的土壤样本，其中，在所述不同海拔高度区域中相邻两个海拔高度区域之间的海拔高程差不小于3m，所述预定深度为不小于1.5m；
步骤S202，将采集得到的每一份土壤样本进行重金属成分类型与含量以及有机物成分类型与含量的分析处理，从而确定相应海拔高度区域中的重金属含量信息和有机物含量信息，以此作为所述土壤污染信息；
步骤S203，将采集得到的每一份土壤样本进行土质成分和含水量的分析处理，从而确定相应海拔高度区域中的砂质土壤成分含量信息和水分含量信息，以此作为所述水土流失信息。
6.如权利要求1所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S3中，根据所述土壤污染信息和所述水土流失信息，对所述废弃矿山进行土壤污染物净化处理和水土涵养处理具体包括，
步骤S301，根据所述土壤污染信息包含的不同海拔高度区域内的重金属含量信息和有机物含量信息，对相应海拔高度区域的土壤进行重金属离子沉淀处理和有机物降解处理，从而实现所述土壤污染物净化处理；
步骤S302，根据所述水土流失信息包含的不同海拔高度区域内的砂质土壤成分含量信息和水分含量信息，对相应海拔高度区域的土壤进行砂质土壤成分筛除处理和土壤增湿处理，从而实现所述水土涵养处理。
7.如权利要求1所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S4中，根据所述植被覆盖信息，对所述废弃矿山不同区域进行适应性的植被复栽处理具体包括，
步骤S401，根据所述植被覆盖信息，确定所述废弃矿山不同海拔高度区域各自的植被生长趋势信息；
步骤S402，根据所述废弃矿山不同海拔高度区域各自的植被生长趋势信息，对每一个海拔高度区域种植栽培相应的灌木植物或者乔木植物。
8.如权利要求7所述的废弃矿山的土壤生态修复方法，其特征在于：
在所述步骤S401中，根据所述植被覆盖信息，确定所述废弃矿山不同海拔高度区域各自的植被生长趋势信息具体包括，
构建关于植被在矿山不同海拔高度区域的生长趋势评价神经网络模型，并将所述植被覆盖信息输入至所述生长趋势评价神经网络模型中，从而确定所述废弃矿山不同海拔高度区域各自的植被生长趋势信息。
9.如权利要求4所述的废弃矿山的土壤生态修复方法，其特征在于：
所述构建关于地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型具体为对已知的反射波长范围信息与对应的所述废弃矿山不同海拔高度区域的植被覆盖信息进行神经网络学习，并通过所述神经网络学习建立出地表反射波长特性与地面植被覆盖状态之间关联性的神经网络模型，其具体过程包括，
第一、根据下面公式(1)对已知的反射波长范围信息进行卷积神经网络向前传播计算，以此得到所述已知的反射波长范围信息对应的理想输出信息
Figure FDA0002664944130000041
在上述公式(1)中，Fc表示已知的第c个反射波长范围信息对应的理想输出信息，Fc-1表示已知的第c-1个反射波长范围信息对应的理想输出信息，Fi-1表示已知的第i-1个反射波长范围信息对应的理想输出信息，Qc表示已知的第c个反射波长范围信息对应的预设卷积核，Qi表示已知的第i个反射波长范围信息对应的预设卷积核，Bc表示已知的第c个反射波长范围信息对应的预设偏倚参数，Bi表示已知的第i个反射波长范围信息对应的预设偏倚参数，c表示反射波长范围信息的总数量，i＝2、3、…、c；
第二、根据下面公式(2)，计算得到所述反射波长范围信息的输入权值
Figure FDA0002664944130000042
在上述公式(2)中，ΔV表示所述反射波长范围信息的输入权值，Gc表示已知的第c个反射波长范围信息对应的所述废弃矿山不同海拔高度区域的植被覆盖信息，
Figure FDA0002664944130000051
表示预设动量因子，n表示已知的反射波长范围信息的总个数；
第三、根据下面公式(3)，确定所述废弃矿山不同海拔高度区域的植被覆盖信息G
Figure FDA0002664944130000052
在上述公式(3)中，G表示所述废弃矿山不同海拔高度区域的植被覆盖信息，F表示实际输入的反射波长范围信息。
CN202010915695.1A 2020-09-03 2020-09-03 废弃矿山的土壤生态修复方法 Withdrawn CN112122332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010915695.1A CN112122332A (zh) 2020-09-03 2020-09-03 废弃矿山的土壤生态修复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010915695.1A CN112122332A (zh) 2020-09-03 2020-09-03 废弃矿山的土壤生态修复方法

Publications (1)

Publication Number Publication Date
CN112122332A true CN112122332A (zh) 2020-12-25

Family

ID=73848863

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010915695.1A Withdrawn CN112122332A (zh) 2020-09-03 2020-09-03 废弃矿山的土壤生态修复方法

Country Status (1)

Country Link
CN (1) CN112122332A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956755A (zh) * 2023-09-21 2023-10-27 北京建工环境修复股份有限公司 一种矿山生态修复智能规划方法、系统及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108049384A (zh) * 2017-12-08 2018-05-18 安徽金联地矿科技有限公司 退化矿山生态修复管理系统及修复方法
CN109675923A (zh) * 2019-03-05 2019-04-26 河北地质大学 一种铅锌矿尾矿库及相邻土壤复合重金属污染修复系统
CN111185469A (zh) * 2020-01-15 2020-05-22 厦门海石生态环境股份有限公司 一种基于生物生境修复的废弃矿山修复方法
CN111260187A (zh) * 2020-01-08 2020-06-09 长春工程学院 一种智能矿山地质环境信息评价系统及评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108049384A (zh) * 2017-12-08 2018-05-18 安徽金联地矿科技有限公司 退化矿山生态修复管理系统及修复方法
CN109675923A (zh) * 2019-03-05 2019-04-26 河北地质大学 一种铅锌矿尾矿库及相邻土壤复合重金属污染修复系统
CN111260187A (zh) * 2020-01-08 2020-06-09 长春工程学院 一种智能矿山地质环境信息评价系统及评价方法
CN111185469A (zh) * 2020-01-15 2020-05-22 厦门海石生态环境股份有限公司 一种基于生物生境修复的废弃矿山修复方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘晰等: "矿山遥感监测指标快速统计方法研究与实现", 《国土资源遥感》 *
张峰极等: "基于改进DenseNet网络的多源遥感影像露天开采区智能提取方法", 《遥感技术与应用》 *
李佳燕等: "矿区土壤样点布设与监测方法研究进展", 《土壤通报》 *
王美琪等: "废弃矿山植被覆盖度无人机遥感快速提取技术", 《中国水土保持科学》 *
肖胡萱等: "遥感技术在土壤污染中的应用研究进展", 《地球与环境》 *
赵安文等: "遥感影像在矿山地质环境监测治理方面的应用", 《科技与创新》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116956755A (zh) * 2023-09-21 2023-10-27 北京建工环境修复股份有限公司 一种矿山生态修复智能规划方法、系统及介质
CN116956755B (zh) * 2023-09-21 2023-12-19 北京建工环境修复股份有限公司 一种矿山生态修复智能规划方法、系统及介质

Similar Documents

Publication Publication Date Title
Tennant et al. Regional sensitivities of seasonal snowpack to elevation, aspect, and vegetation cover in western N orth A merica
Gholizadeh et al. Monitoring of selected soil contaminants using proximal and remote sensing techniques: Background, state-of-the-art and future perspectives
Viles Technology and geomorphology: Are improvements in data collection techniques transforming geomorphic science?
Day et al. Measuring bluff erosion part 1: terrestrial laser scanning methods for change detection
Miller et al. A 500 year sediment lake record of anthropogenic and natural inputs to Windermere (English Lake District) using double-spike lead isotopes, radiochronology, and sediment microanalysis
Povak et al. Machine learning and linear regression models to predict catchment‐level base cation weathering rates across the southern Appalachian Mountain region, USA
Jiao et al. Next-generation remote sensing and prediction of sand and dust storms: State-of-the-art and future trends
Letham et al. Archaeological survey of dynamic coastal landscapes and paleoshorelines: locating early Holocene sites in the Prince Rupert Harbour area, British Columbia, Canada
CN112122332A (zh) 废弃矿山的土壤生态修复方法
Ramirez et al. Locating submerged prehistoric settlements: A new underwater survey method using water-jet coring and micro-geoarchaeological techniques
CN107169467A (zh) 一种多源时序影像的稀土矿区土地毁损与恢复分析方法
CN110618145B (zh) 一种基于无人机的快速测定黄土塬区泉眼位置的方法
Niemi et al. Forest inventory attribute prediction using airborne laser scanning in low-productive forestry-drained boreal peatlands
Sterling et al. Terrestrial liming to promote Atlantic Salmon recovery in Nova Scotia–approaches needed and knowledge gained after a trial application
Brantley et al. Designing a suite of measurements to understand the critical zone.
CN116109641B (zh) 地球化学景观的异常圈定方法、装置、电子设备和存储介质
McHenry et al. Indigenous-owned pastoral land forestry carbon biosequestration and bioenergy options in arid, salt-affected Western Australian regions
Taylor Using a new generation of remote sensing to monitor Peru’s mountain glaciers
Aditya et al. Analysis of Decreased Limestone Production on the Effect of Rainfall with the Linear Regression Method
Greaves et al. High-Resolution Vegetation Community Maps, Toolik Lake Area, Alaska, 2013-2015. ORNL DAAC, Oak Ridge, Tennessee, USA
Khalykov et al. TERRESTRIAL LASER SCANNING METHOD FOR MONITORING EROSION OF THE SOUTHWESTERN SHORE OF ALAKOL LAKE
Palm Cousins et al. Testing the biotic ligand model for Swedish surface water conditions-a pilot study to investigate the applicability of BLM in Sweden
Ludwig et al. ABoVE: Active Layer Soil Characteristics at Selected Sites Across Alaska. ORNL DAAC, Oak Ridge, Tennessee, USA
Nemati et al. Landslide Hazards Zonation Using the Overlap Index and AHP Method (Case Study: Sattarkhan Dam Watershed)
Scheip Remote Sensing Studies of Landslides and Landslide Prone Landscapes

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20201225