CN112348691A - 一种原位识别农产品重金属含量潜在超标区域的方法及装置 - Google Patents
一种原位识别农产品重金属含量潜在超标区域的方法及装置 Download PDFInfo
- Publication number
- CN112348691A CN112348691A CN202011193816.2A CN202011193816A CN112348691A CN 112348691 A CN112348691 A CN 112348691A CN 202011193816 A CN202011193816 A CN 202011193816A CN 112348691 A CN112348691 A CN 112348691A
- Authority
- CN
- China
- Prior art keywords
- data
- network model
- neural network
- overproof
- heavy metal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 28
- 238000011065 in-situ storage Methods 0.000 title claims abstract description 23
- 239000002689 soil Substances 0.000 claims abstract description 30
- 230000003321 amplification Effects 0.000 claims abstract description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 229910052785 arsenic Inorganic materials 0.000 claims description 3
- 229910052793 cadmium Inorganic materials 0.000 claims description 3
- 229910052791 calcium Inorganic materials 0.000 claims description 3
- 229910052804 chromium Inorganic materials 0.000 claims description 3
- 229910052802 copper Inorganic materials 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 229910052745 lead Inorganic materials 0.000 claims description 3
- 229910052749 magnesium Inorganic materials 0.000 claims description 3
- 229910052748 manganese Inorganic materials 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 229910052711 selenium Inorganic materials 0.000 claims description 3
- 229910052710 silicon Inorganic materials 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000004876 x-ray fluorescence Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Remote Sensing (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
Abstract
本案涉及一种原位识别农产品重金属含量潜在超标区域的方法及装置，包括：(1)区域定位及背景参数获取，(2)土壤数据快速采集，(3)数据扩增及超标概率预测，(4)潜在超标区域识别，解决了现有正例、负例样本量不均衡的问题，超标概率预测模型准确率、召回率和F1分别提升23％、25％、13％，特别是对于正负例样本量差距超过3倍的区域，其他模型F1趋近于0，无法使用，而本申请所采用模型可将F1提升到0.4左右。
Description
技术领域
本发明属于农业环境技术领域，具体涉及一种原位识别农产品重金属含量潜在超标区域的方法及装置
背景技术
农产品重金属污染严重威胁人民群众身体健康，为尽早掌握农产品重金属含量超标风险，识别潜在超标区域，及时实施相应的风险管控措施，提出了多种利用土壤重金属含量和相关理化性质预测农产品重金属超标概率的技术方法，主要包括规则类的逻辑回归、决策树，分布类的二次判别、朴素贝叶斯，网络类的BP神经网络、向量机等方法。
上述技术方法存在的主要问题有：(1)需要使用的土壤监测数据获取时间较长、成本较高，一般情况下，至少需要一个月的时间才能得到所需要的全部数据，而此时，对于大多数要求在种植前和苗期施用的风险管控措施均已无法应用；(2)对于超标率过高或过低的区域，由于超标样本和未超标样本在数量上的不均衡，导致预测模型崩溃极易发生，特别是考虑到我国农产品重金属超标率总体不超过10％的实际，这种限制可能出现的极为普遍。有鉴于此，有必要提出一种能够快速、高效原位识别农产品重金属含量潜在超标区域的方法及装置。
发明内容
本发明的目的是提供一种原位识别农产品重金属含量潜在超标区域的方法及装置。
为了解决上述技术问题，本发明公开了一种原位识别农产品重金属含量潜在超标区域的方法，所述方法包括：
(1)区域定位及背景参数获取：调取待识别区域的背景信息；
(2)土壤数据快速采集：
(a)依据待识别区域面积，采取均匀布点法计算区域内点位数量，计算公式为：
其中，N为点位数量，A为待识别区域面积(亩)，当
计算结果为小数时，N值向上取整，
然后采取均匀部件方式布设土壤点位；
(b)土壤样品采用样品盒装载后置于样品池内，经X荧光快速检测光路系统进行检测；
(c)获取采样点坐标信息与检测结果点位信息；
(3)数据扩增及超标概率预测：获取土壤地理信息、监测指标、环境信息、检测结果，通过模型扩增农产品数据并进行农产品超标概率预测；
(4)潜在超标区域识别：选用等高线法，以农产品超标概率范围将待识别区域划分区域；
优选的是，所述检测指标包括Cd、As、Pb、Cr、Cu、Zn、Ni、Mg、Fe、Mn、Ca、Si、Se含量中的一种或多种；
优选的是，所述背景信息获取包括区域边界、行政区划、土壤类型、土地利用方式、作物类型、历史监测点位、农产品检测值中的一种或多种；
优选的是，所述背景信息还包括设置任务编号、任务名称、任务位置、待识别区域中心坐标、待识别区域四至坐标及任务时间；
优选的是，步骤(3)数据扩增及超标概率预测的具体步骤为：
(3.1)以国家标准GB2762为标准，将数据集中的超标数据作为正例，所述正例的数据量为N1，不超标数据作为负例，所述负例的数据量为N2，二者差值的绝对值为需要模拟生成的数据量M；
(3.2)随机生成M个k维模拟数据，同时选择M个真实数据，所述M个真实数据中同时包含正例和负例，正例、负例数量比例为N1/N2，
建立神经判别网络模型D，隐含层数量为2-4层，所述神经网络模型判别模型D的信息反馈函数为：
V(D)＝E[D(G(z))]+E[log(1-D(G(z)))]
其中，z表示训练数据；E表示关于z的计算期望函数，G为生成神经网络模型、D为判别神经网络模型；
利用判别神经判别网络模型D将上述随机生成的M个模拟数据和M个真实数据作为输入，训练模型直至实现全部模拟数据输出为<0.5、真实数据输出为≥0.5，训练条件是不断调整模型参数，使神经判别网络模型D的信息反馈函数输出值的变化梯度不断减少，直至低于0.001，获取训练好的神经判别网络模型D；
(3.3)建立生成神经网络模型G，隐含层数量为2-4层，所述生成神经网络模型G的信息反馈函数为：
其中，
为原始的生成数据的先验概率
以M/2个k维随机模拟数据为输入，利用生成神经网络模型G生成M个模拟数据，并将生产的M个模拟数据输入进训练好的神经判别网络模型D中，不断训练生成神经网络模型G直至全部利用生成神经网络模型G生成的模拟数据在训练好的神经判别网络模型D的输出中均识别为≥0.5；
训练条件是不断调整生成神经网络模型G的参数，使所述生成神经网络模型G的信息反馈函数输出值的变化梯度不断减少，直至低于0.001，得到调整后的生成神经网络模型G；
(3.4)在不改动所述调整后的生成神经网络模型G的参数的前提下，重复(3.2)的操作，直至全部模拟数据输出为<0.5、真实数据输出为≥0.5，获取更新后的神经判别网络模型D，然后，在不改动神经判别网络模型D的前提下，重复(3.3)的操作，直至全部利用生成神经网络模型G生成的模拟数据在更新后的神经判别网络模型D的输出中均识别为≥0.5，最终获取训练好的生成神经网络模型G；
(3.5)向所述训练好的生成神经网络模型G输入N个k维数据，其中N>M，利用训练好的生成神经网络模型G生成M个k维模拟的正例或负例数据，按照以下公式计算Pi：
其中，
为生成数据的先验概率，μ为均值向量，∑为协方差矩阵；
其中，A是历史数据中真实正例的比例，而B是历史数据中真实负例的比例。
(3.6)上述(3.5)的模型结果Pi在i＝0时代表农产品不超标概率，i＝1代表农产品超标概率，农产品超标概率P按照以下公式计算：
优选的是，所述步骤(3.4)迭代5000-8000次；
优选的是，所述数据集为k维数据，k为需要纳入超标概率预测模型的参数数量；
优选的是，所述模型参数包括但不限于隐含层数量、输入数据量、数据维度等；
一种原位识别农产品重金属含量潜在超标区域的装置，所述装置包括控制面板(1)、GPS定位模块(2)、样品盒(3)、样品池(4)、荧光快速检测光路系统(5)、数值运算及空间分析模块(6)、存储模块(7)、电源模块(8)及功能键(9)，执行任务的用户通过所述控制面板(1)点选相应任务信息，链接后台数据库，调取待识别区域的背景信息，并下载保存至存储模块(7)，所述后台数据库中的背景信息包括但不限于区域边界、行政区划、土壤类型、土地利用方式、作物类型、历史监测点位土壤数据、历史监测点位农产品监测结果，所述GPS定位模块(2)用于获取土壤点位地理信息，所述样品盒(3)用于收集待检测样品，所述样品盒(3)设置在所述样品池(4)中，所述荧光快速检测光路系统(5)对所述样品盒(3)中的待检测样品进行测定并获得检测结果，将获取的地理信息、检测结果输入所述数值运算及空间分析模块(6)进行分析，所述功能键(9)用于开机，所述功能键(9)连通电源模块(8)。
本发明的原位识别农产品重金属含量潜在超标区域的方法及装置，具有以下优点：
(1)时间快，点位数据获取时间快，土壤检测结果实时显示；
(2)点位数据获取成本低，单个点位数据获取成本仅为常规成本的20-30％；
(3)解决了现有正例、负例样本量不均衡的问题，超标概率预测模型准确率、召回率和F1分别提升23％、25％、13％，特别是对于正负例样本量差距超过3倍的区域，其他模型F1趋近于0，无法使用，本申请所采用模型可将F1提升到0.4左右(模型F1超过0.3表示可以使用)；
(4)历史农产品超标情况均以点位信息展开讨论，不能以区域角度分析问题，而本申请将农产品超标结果推广至区域，更利于区域性决策建议的实施
(5)该预测方式可在农产品种植之前做出潜在超标区域预测，为挑选优势作物类型提供参考。
附图说明
图1为某县土壤点位布设示意图；
图2为某县农产品超标概率预测分布图；
图3为部分点位检测结果示意图；
图4为原位识别农产品重金属含量潜在超标区域的方法技术流程图；
图5为原位识别农产品重金属含量潜在超标区域的装置正视图；
图6为原位识别农产品重金属含量潜在超标区域的装置左视图；
图7为原位识别农产品重金属含量潜在超标区域的装置俯视图；
具体实施方式
下面通过实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
应当理解，本文所使用的诸如“具有”，“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
实施例1
采用原位识别农产品重金属含量潜在超标区域的方法，按照以下步骤：
①电源模块(8)正常运行条件下，通过功能键(9)开机，进入登陆界面，通过输入个人用户名及密码的方式获取待识别任务信息，所述任务信息包括：任务编号为22011、任务名称为某县农产品潜在超标区域识别、任务位置为某县、中心坐标为(106.771670，24.591425)、四至坐标为(106.969259-107.048293，24.314143-24.776282)、任务时间为2020/10/20；
②依据任务编码22011，链接相应后台数据库，调取该县所有相关数据资料：区域边界、行政区划、土壤类型、土地利用方式、作物类型、历史监测点位数据、土壤监测结果和农产品监测结果，下载保存至存储模块(7)；
③依据任务编码22011，确定某县待识别区域面积为1520亩，采取均匀布点方式得到布设土壤点位数量为44个，分布情况见图1；
④GPS定位模块(2)现场获取采样点位地理信息，如：点位1经纬度显示为106.969259，24.314143，保存至存储模块；
⑤依据土壤点位地理信息，采集土壤，检测Cd、As、Pb、Cr、Cu、Zn、Ni、Mg、Fe、Mn、Ca、Si、Se等指标，并通过触屏控制面板(1)显示；
⑥点位信息整理并上传至数据库：设置点位唯一标识码、点位地理信息、点位各指标检测结果，点位信息示例见图3；
⑦调取某县点位地理信息、土壤现场检测值、土壤理化性质及环境信息，通过分析选取普通克里金插值方式，通过触屏控制面板进行空间插值，插值结果shp通过转换以图片格式显示；
⑧通过模型计算某县待识别区域内各栅格农产品超标概率，超标概率范围为7.56-89.22％；
⑨调取存储模块农产品超标概率预测结果，以农产品超标概率范围(0-20％、20-40％、40-60％、60-80％、80-100％)将某县待识别区域划分为五个区域，最终形成农产品超标概率预测分布图，见图2。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (9)
1.一种原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述方法包括：
(1)区域定位及背景参数获取：调取待识别区域的背景信息；
(2)土壤数据快速采集：
(2.1)依据待识别区域面积，采取均匀布点法计算区域内点位数量，计算公式为：
其中，N为点位数量，A为待识别区域面积(亩)，当
计算结果为小数时，N值向上取整，
然后采取均匀布点方式布设土壤点位；
(2.2)土壤样品采用样品盒装载后置于样品池内，经X荧光快速检测光路系统进行检测；
(2.3)获取采样点坐标信息与检测结果点位信息；
(3)数据扩增及超标概率预测：获取土壤地理信息、监测指标、环境信息、检测结果，通过模型扩增农产品数据并进行农产品超标概率预测；
(4)潜在超标区域识别：选用等高线法，以农产品超标概率范围将待识别区域划分区域。
2.如权利要求1所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述检测指标包括Cd、As、Pb、Cr、Cu、Zn、Ni、Mg、Fe、Mn、Ca、Si、Se含量中的一种或多种。
3.如权利要求1所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述背景信息获取包括区域边界、行政区划、土壤类型、土地利用方式、作物类型、历史监测点位、农产品检测值中的一种或多种。
4.如权利要求3所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述背景信息还包括设置任务编号、任务名称、任务位置、待识别区域中心坐标、待识别区域四至坐标及任务时间。
5.如权利要求1所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，步骤(3)数据扩增及超标概率预测的具体步骤为：
(3.1)以国家标准GB2762为标准，将数据集中的超标数据作为正例，所述正例的数据量为N1，不超标数据作为负例，所述负例的数据量为N2，二者差值的绝对值为需要模拟生成的数据量M；
(3.2)随机生成M个k维模拟数据，同时选择M个真实数据，所述M个真实数据中同时包含正例和负例，正例、负例数量比例为N1/N2，
建立神经判别网络模型D，隐含层数量为2-4层，所述神经网络模型判别模型D的信息反馈函数为：
其中，z表示训练数据；E表示关于z的计算期望函数，G为生成神经网络模型，D为判别神经网络模型；
利用判别神经网络模型D将上述随机生成的M个模拟数据和M个真实数据作为输入，训练模型直至实现全部模拟数据输出为＜0.5、真实数据输出为≥0.5，训练条件是不断调整模型参数，使判别神经网络模型D的信息反馈函数输出值的变化梯度不断减少，直至低于0.001，获取训练好的判别神经网络模型D；
(3.3)建立生成神经网络模型G，隐含层数量为2-4层，所述生成神经网络模型G的信息反馈函数为：
其中，
为原始的生成数据的先验概率
以M/2个k维随机模拟数据为输入，利用生成神经网络模型G生成M个模拟数据，并将生产的M个模拟数据输入进训练好的判别神经网络模型D中，不断训练生成神经网络模型G，直至全部利用生成神经网络模型G生成的模拟数据在训练好的判别神经网络模型D的输出中均识别为≥0.5；
训练条件是不断调整生成神经网络模型G的参数，使所述生成神经网络模型G的信息反馈函数输出值的变化梯度不断减少，直至低于0.001，得到调整后的生成神经网络模型G；
(3.4)在不改动所述调整后的生成神经网络模型G的参数的前提下，重复(3.2)的操作，直至全部模拟数据输出为<0.5、真实数据输出为≥0.5，获取更新后的神经判别网络模型D，然后，在不改动神经判别网络模型D的前提下，重复(3.3)的操作，直至全部利用生成神经网络模型G生成的模拟数据在更新后的神经判别网络模型D的输出中均识别为≥0.5，最终获取训练好的生成神经网络模型G；
(3.5)向所述训练好的生成神经网络模型G输入N个k维数据，其中N>M，利用训练好的生成神经网络模型G生成M个k维模拟的正例或负例数据，按照以下公式计算Pi：
其中，
为生成数据的先验概率，μ为均值向量，∑为协方差矩阵；
其中，A是历史数据中真实正例的比例，而B是历史数据中真实负例的比例。
(3.6)上述(3.5)的模型结果Pi在i＝0时代表农产品不超标概率，i＝1代表农产品超标概率，农产品超标概率P按照以下公式计算：
6.如权利要求5所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述步骤(3.4)迭代5000-8000次。
7.如权利要求5所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述数据集为k维数据，k为需要纳入超标概率预测模型的参数数量。
8.如权利要求5所述的原位识别农产品重金属含量潜在超标区域的方法，其特征在于，所述模型参数包括但不限于隐含层数量、输入数据量、数据维度。
9.如权利要求1-8之一所述一种原位识别农产品重金属含量潜在超标区域的方法的装置，所述装置包括控制面板(1)、GPS定位模块(2)、样品盒(3)、样品池(4)、荧光快速检测光路系统(5)、数值运算及空间分析模块(6)、存储模块(7)、电源模块(8)及功能键(9)，执行任务的用户通过所述控制面板(1)点选相应任务信息，链接后台数据库，调取待识别区域的背景信息，并下载保存至存储模块(7)，所述后台数据库中的背景信息包括但不限于区域边界、行政区划、土壤类型、土地利用方式、作物类型、历史监测点位土壤数据、历史监测点位农产品监测结果，所述GPS定位模块(2)用于获取土壤点位地理信息，所述样品盒(3)用于收集待检测样品，所述样品盒(3)设置在所述样品池(4)中，所述荧光快速检测光路系统(5)对所述样品盒(3)中的待检测样品进行测定并获得检测结果，将获取的地理信息、检测结果输入所述数值运算及空间分析模块(6)进行分析，所述功能键(9)用于开机，所述功能键(9)连通电源模块(8)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193816.2A CN112348691B (zh) | 2020-10-30 | 2020-10-30 | 一种原位识别农产品重金属含量潜在超标区域的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193816.2A CN112348691B (zh) | 2020-10-30 | 2020-10-30 | 一种原位识别农产品重金属含量潜在超标区域的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112348691A true CN112348691A (zh) | 2021-02-09 |
| CN112348691B CN112348691B (zh) | 2022-05-13 |
Family
ID=74356765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011193816.2A Active CN112348691B (zh) | 2020-10-30 | 2020-10-30 | 一种原位识别农产品重金属含量潜在超标区域的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112348691B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883137A (zh) * | 2021-03-02 | 2021-06-01 | 农业农村部环境保护科研监测所 | 一种农产品产地安全预警方法 |
| CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
| CN116242987A (zh) * | 2023-02-24 | 2023-06-09 | 四川省环境政策研究与规划院 | 一种土壤重金属高背景区范围识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004198327A (ja) * | 2002-12-19 | 2004-07-15 | Japan Science & Technology Agency | 複数の化学物質の濃度の測定方法 |
| CN103616368A (zh) * | 2013-11-26 | 2014-03-05 | 浙江省嘉兴市农业科学研究院（所） | 一种基于土壤重金属dtpa提取态含量的水稻籽粒重金属污染风险预测方法 |
| CN105701575A (zh) * | 2016-01-26 | 2016-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于土壤-作物系统的农产品重金属风险评估方法 |
| CN108108915A (zh) * | 2018-01-12 | 2018-06-01 | 中国农业科学院农业资源与农业区划研究所 | 一种农田重金属污染风险评估方法 |
| CN111220554A (zh) * | 2019-12-31 | 2020-06-02 | 安徽珍昊环保科技有限公司 | 一种土壤重金属环境风险预测模型的构建方法和装置 |
| CN111239368A (zh) * | 2020-02-10 | 2020-06-05 | 浙江大学 | 硒镉伴生作物重金属安全诊断系统及方法 |
| CN111815184A (zh) * | 2020-07-13 | 2020-10-23 | 农业农村部农业生态与资源保护总站 | 一种耕地土壤环境质量类别划分方法 |
-
2020
- 2020-10-30 CN CN202011193816.2A patent/CN112348691B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004198327A (ja) * | 2002-12-19 | 2004-07-15 | Japan Science & Technology Agency | 複数の化学物質の濃度の測定方法 |
| CN103616368A (zh) * | 2013-11-26 | 2014-03-05 | 浙江省嘉兴市农业科学研究院（所） | 一种基于土壤重金属dtpa提取态含量的水稻籽粒重金属污染风险预测方法 |
| CN105701575A (zh) * | 2016-01-26 | 2016-06-22 | 中国科学院沈阳应用生态研究所 | 一种基于土壤-作物系统的农产品重金属风险评估方法 |
| CN108108915A (zh) * | 2018-01-12 | 2018-06-01 | 中国农业科学院农业资源与农业区划研究所 | 一种农田重金属污染风险评估方法 |
| CN111220554A (zh) * | 2019-12-31 | 2020-06-02 | 安徽珍昊环保科技有限公司 | 一种土壤重金属环境风险预测模型的构建方法和装置 |
| CN111239368A (zh) * | 2020-02-10 | 2020-06-05 | 浙江大学 | 硒镉伴生作物重金属安全诊断系统及方法 |
| CN111815184A (zh) * | 2020-07-13 | 2020-10-23 | 农业农村部农业生态与资源保护总站 | 一种耕地土壤环境质量类别划分方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王秀梅: ""基于二次判别模型（QDA）的土壤镉安全阈值判定"", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883137A (zh) * | 2021-03-02 | 2021-06-01 | 农业农村部环境保护科研监测所 | 一种农产品产地安全预警方法 |
| CN112883137B (zh) * | 2021-03-02 | 2022-04-15 | 农业农村部环境保护科研监测所 | 一种农产品产地安全预警方法 |
| CN115795353A (zh) * | 2023-02-06 | 2023-03-14 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
| CN115795353B (zh) * | 2023-02-06 | 2023-04-21 | 北京科技大学 | 一种基于不均衡数据集的地下金属目标分类方法及系统 |
| CN116242987A (zh) * | 2023-02-24 | 2023-06-09 | 四川省环境政策研究与规划院 | 一种土壤重金属高背景区范围识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112348691B (zh) | 2022-05-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112348691B (zh) | 一种原位识别农产品重金属含量潜在超标区域的方法及装置 | |
| AU2020103423A4 (en) | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System | |
| Laffan et al. | Assessing endemism at multiple spatial scales, with an example from the Australian vascular flora | |
| Engel et al. | The role of geographical information systems in groundwater engineering | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| CN113176393B (zh) | 一种基于hasm模型的土壤有机碳储量三维估算方法及系统 | |
| CN114062649B (zh) | 一种土壤污染趋势分析方法 | |
| Kalogiros et al. | Analysis of root growth from a phenotyping data set using a density-based model | |
| CN113313296A (zh) | 一种基于rusle的区域土壤侵蚀定量评价方法 | |
| CN114219262A (zh) | 一种区域农产品超标概率预测及误差分析方法 | |
| CN114254802A (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN116091103A (zh) | 一种周期环境整治测算方法、装置、电子设备及介质 | |
| CN116187543A (zh) | 基于机器学习的土壤重金属含量预测方法及其应用 | |
| Bouadi et al. | A data warehouse to explore multidimensional simulated data from a spatially distributed agro-hydrological model to improve catchment nitrogen management | |
| CN109784769B (zh) | 一种农业面源污染风险识别方法 | |
| CN117522117A (zh) | 基于生态保护红线划定的生态风险评估方法及预警系统 | |
| WO2023131949A1 (en) | A versatile crop yield estimator | |
| CN103514569B (zh) | 一种基于gis技术的粮食作物产量可视化新方法 | |
| Sommer et al. | Extrapolating species ranges and biodiversity in data-poor countries: The computerized model BIOM | |
| CN107462934A (zh) | 由上下两层围岩等级获得综合围岩等级的评定方法及装置 | |
| Schmidt et al. | Uncertainties in large-scale analysis of agricultural land use—A case study for simulation of nitrate leaching | |
| CN115859596B (zh) | 城-郊梯度区域土壤重金属累积过程时空模拟方法 | |
| Mitchell | Comparison of programs for fixed kernel home range analysis | |
| CN111125274A (zh) | 一种基于分布式计算的基础地理信息可视化方法 | |
| CN108241593B (zh) | 一种空间抽样目标定位方法及系统 |
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 |