CN112588817B - 一种提高重金属表层土壤微生物多样性的方法及系统 - Google Patents

一种提高重金属表层土壤微生物多样性的方法及系统 Download PDF

Info

Publication number
CN112588817B
CN112588817B CN202011350746.7A CN202011350746A CN112588817B CN 112588817 B CN112588817 B CN 112588817B CN 202011350746 A CN202011350746 A CN 202011350746A CN 112588817 B CN112588817 B CN 112588817B
Authority
CN
China
Prior art keywords
information
soil
plant
microbiota
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.)
Active
Application number
CN202011350746.7A
Other languages
English (en)
Other versions
CN112588817A (zh
Inventor
操璟璟
周葆华
李昆志
赵宽
毛晓霞
潘少兵
胡睿鑫
何力为
许远
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.)
Kunming University of Science and Technology
Anqing Normal University
Original Assignee
Kunming University of Science and Technology
Anqing Normal University
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 Kunming University of Science and Technology, Anqing Normal University filed Critical Kunming University of Science and Technology
Priority to CN202011350746.7A priority Critical patent/CN112588817B/zh
Publication of CN112588817A publication Critical patent/CN112588817A/zh
Application granted granted Critical
Publication of CN112588817B publication Critical patent/CN112588817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B09C1/10—Reclamation of contaminated soil microbiologically, biologically or by using enzymes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biotechnology (AREA)
  • Microbiology (AREA)
  • Mycology (AREA)
  • Soil Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明公开了一种提高重金属表层土壤微生物多样性的方法及系统，所述方法包括：通过获得第一土壤中的第一重金属信息，从而构建微生物训练集，进而将第一重金属信息和微生物信息输入第一神经网络模型，获得多种微生物信息的集合，且经过神经网络模型的训练从而输出准确的第一土壤的土质信息，再根据此信息筛选过滤所述第一微生物信息，获得第二微生物群信息，从而能够根据此经筛选的微生物群信息，解决了现有技术中存在降低土壤重金属含量的治理措施不合理，治理过程对环境造成一定污染的技术问题，达到了提高微生物多样性、合理降低土壤重金属含量的技术效果。

Description

一种提高重金属表层土壤微生物多样性的方法及系统
技术领域
本发明涉及表层土壤微生物领域，尤其涉及一种提高重金属表层土壤微生物多样性的方法及系统。
背景技术
土壤是人类赖以生存的主要自然资源之一，其中微生物具有高度多样性，也是人类生态环境的重要组成部分。随着工业生产过程中排放的废水、废渣等直接进入土壤，城市污染的加剧和农业使用的化学物质种类、数量增加，使得土壤重金属污染日益严重。土壤重金属是指由于人类活动将金属加入到土壤中，致使土壤中的重金属含量增加，进而造成生态环境质量恶化的现象。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在降低土壤重金属含量的治理措施不合理，治理过程会对环境造成一定污染的技术问题。
发明内容
本申请实施例通过提供一种提高重金属表层土壤微生物多样性的方法及系统，解决了现有技术中存在降低土壤重金属含量的治理措施不合理，治理过程会对环境造成一定污染的技术问题，达到了提高微生物多样性、合理降低土壤重金属含量的技术效果。
鉴于上述问题，提出了本申请实施例提供一种提高重金属表层土壤微生物多样性的方法及系统。
第一方面，本申请实施例提供了一种提高重金属表层土壤微生物多样性的方法，所述方法包括：获得第一土壤中的第一重金属信息；构建微生物训练集；将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；获得所述第一土壤的土质信息；根据所述第一土壤的土质信息对所述第一微生物信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息。
另一方面，本申请还提供了一种提高重金属表层土壤微生物多样性的系统，所述系统包括：第一获得单元，所述第一获得单元用于获得第一土壤中的第一重金属信息；第一构建单元，所述第一构建单元用于构建微生物训练集；第一输入单元，所述第一输入单元用于将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；第二获得单元，所述第二获得单元用于获得所述第一土壤的土质信息；第三获得单元，所述第三获得单元用于根据所述第一土壤的土质信息对所述第一微生物信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息。
第三方面，本发明提供了一种提高重金属表层土壤微生物多样性的系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了通过获得第一土壤中的第一重金属信息，从而构建微生物训练集，进而将第一重金属信息和微生物信息输入第一神经网络模型，获得多种微生物信息的集合，且经过神经网络模型的训练从而输出准确的第一土壤的土质信息，再根据此信息筛选过滤所述第一微生物信息，获得第二微生物群信息，从而能够根据此经筛选的微生物群信息，达到了按照准确信息提高微生物多样性，合理降低土壤重金属含量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种提高重金属表层土壤微生物多样性的方法的流程示意图；
图2为本申请实施例一种提高重金属表层土壤微生物多样性的系统的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一构建单元12，第一输入单元13，第二获得单元14，第三获得单元15，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种提高重金属表层土壤微生物多样性的方法及系统，解决了现有技术中存在降低土壤重金属含量的治理措施不合理，治理过程会对环境造成一定污染的技术问题，达到了提高微生物多样性、合理降低土壤重金属含量的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
土壤是人类赖以生存的主要自然资源之一，其中微生物具有高度多样性，也是人类生态环境的重要组成部分。随着工业生产过程中排放的废水、废渣等直接进入土壤，城市污染的加剧和农业使用的化学物质种类、数量增加，使得土壤重金属污染日益严重。土壤重金属是指由于人类活动将金属加入到土壤中，致使土壤中的重金属含量增加，进而造成生态环境质量恶化的现象，但现有技术中存在降低土壤重金属含量的治理措施不合理，治理过程也会对环境造成一定污染的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种提高重金属表层土壤微生物多样性的方法，所述方法包括：获得第一土壤中的第一重金属信息；构建微生物训练集；将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；获得所述第一土壤的土质信息；根据所述第一土壤的土质信息对所述第一微生物信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种提高重金属表层土壤微生物多样性的方法，其中，所述方法包括：
步骤S100：获得第一土壤中的第一重金属信息；
具体而言，所述第一重金属信息是指作为重金属污染的主要化学元素信息，包括铅、镉、汞、砷等。其中，有色金属冶炼和含铅蓄电池制造业、废气废水都是所述第一土壤中重金属元素的来源，获得这些金属的各个含量信息，才能为之后的操作提供数据来源。
步骤S200：构建微生物训练集；
具体而言，构建所属微生物训练集是指开始构建模型之前将数据集进行划分，防止数据窥探偏误，为了使用大量和目标任务相关的数据集来训练模型，因此构建训练集通常将数据集的80％作为训练集。其中，所述微生物训练集的得出需要对微生物的所有数据集进行处理，包括一些数据的清洗，数据的特征缩放等，进而达到了防止数据的偏差过大的技术效果。
步骤S300：将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；
具体而言，由于获得所述第一微生物群信息需要根据精确的输入信息，所述第一神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统，神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑系统的一阶特性的一种描述。当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过模型在数据集上的误差不断迭代训练模型，得到对数据集拟合合理的模型，将训练好调整好的模型应用到真实的场景中，也就是从而得到了可吸收所述第一土壤中的第一重金属的多种微生物信息的集合，由于某些微生物对重金属具有吸收、沉淀、氧化、还原的作用，进而达到了有针对的提高微生物多样性，利用微生物降低土壤中重金属的毒性的技术效果。
步骤S400：获得所述第一土壤的土质信息；
具体而言，所述第一土壤的土质信息是指土壤中不同大小直径的矿物颗粒的组合状况，土壤的质地与土壤通气、保肥、保水状况都有密切的关系。获得土壤的质地状况是拟定土壤利用、管理和改良措施的重要依据，并且由于土壤微生物具体高度多样性的特性，提前获得土质信息能够为之后筛选微生物信息提供参考。
步骤S500：根据所述第一土壤的土质信息对所述第一微生物信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息。
具体而言，土壤中微生物的高度多样性使得从土质信息中获得的微生物种类也更多，不同的微生物的功能对土壤的环境影响也随之不同，因此，要降低土壤中重金属的含量就要获得的第一微生物群进行筛选和过滤，进而得到具有降解、沉淀功能的所述第二微生物群信息，从而达到提高微生物多样性、合理降低土壤重金属含量的技术效果。
进一步而言，为达到防止微生物群不断消耗的技术效果，本申请实施例还包括：
步骤S210：构建第一植物训练集；
步骤S220：将所述第二微生物群信息和所述第一植物训练集中的植物信息输入第二神经网络模型，获得第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；
步骤S230：根据所述第一植物信息，获得第一提醒信息；
步骤S240：根据所述第一提醒信息，提醒在所述第一土壤种植第一植物。
具体而言，所述第一植物训练集是指获取能够清除土壤中的重金属含量的某些植物数据信息合集，进而将所述第二微生物群信息和所述第一植物训练集中的植物信息输入第二神经网络模型中，所述第一神经网络模型即机器学习中的神经网络模型，是一个高度复杂的非线性动力学习系统，训练好的模型能够最终输出准确的收敛结果，从而使得我们得到能够促进第二微生物群生长的植物的信息，进而在合适的对应土壤种植提高微生物含量的植物，达到了有效防止土壤中微生物在分解重金属过程中不断减少的技术效果。
进一步而言，为了使得训练模型输出信息更加准确，本申请实施例还包括：
步骤S310：将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，其中，所述第一神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一土壤中的第一重金属信息、所述微生物训练集中的微生物信息和用来标识第一微生物群的标识信息；
步骤S320：获得所述第一神经网络模型的第一输出信息，其中，所述第一输出信息包括第一微生物群信息。
具体而言，获得所述第一微生物群信息需要根据训练模型的多次训练来确定，由于所述训练模型能给根据实际情况不同进行不断的自我训练学习，简单地讲，它是一个数学模型。基于大量的训练数据的训练，其中，训练数据中的每一组训练数据均包括：所述第一土壤中的第一重金属信息、所述微生物训练集中的微生物信息和用来标识第一微生物群的标识信息，再经过所述第一神经网络模型的不断地自我修正，当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，并根据训练模型经过训练后数据更加准确的特性，使得所述第一训练模型输出的第一微生物群信息也更加准确，进而能够对所述第一土壤中微生物的信息进行准确预测，达到了减少泛化误差的技术效果。
进一步而言，本申请实施例还包括：
步骤S110：根据所述第一重金属信息，获得第一重金属种类信息和第一重金属含量信息；
步骤S120：根据所述第一重金属种类信息和第一重金属含量信息，获得第一微生物比例信息；
步骤S130：按照所述第一微生物比例信息，确定所述第二微生物群信息中各微生物的数量信息。
具体而言，所述第一重金属信息是指比重大于或等于5.0的金属，如铁、锰、锌、汞等；所述第一重金属种类信息是指在土壤中造成污染的重金属元素；所述第一重金属含量信息是指在所述第一土壤中的重金属含量数据信息，所述第一微生物比例信息是指每吸收一单元的重金属含量需要的微生物数量，即根据所述第一重金属种类信息和第一重金属含量信息确定使得所述第一土壤中的重金属含量得到消除的所述第二微生物群信息中各微生物数量信息，通过微生物的吸附和代谢作用对土壤重金属进行吸附、净化和转化，使得土壤中有害物质的浓度降低，从而达到了合理使用土壤中微生物的功能，减少土壤重金属污染的技术效果。
进一步而言，为保证所述第二微生物群的活性，本申请实施例还包括：
步骤S610：获得所述第一土壤的含水量信息；
步骤S620：根据所述第二微生物群信息，获得预定含水量阈值；
步骤S630：判断所述第一土壤的含水量信息是否在所述预定含水量阈值之内；
步骤S640：如果所述第一土壤的含水量信息不在所述预定含水量阈值之内，获得第一预警信息；
步骤S650：根据所述第一预警信息，提醒所述第一土壤的含水量信息不在所述预定含水量阈值之内。
具体而言，土壤水分条件时影响微生物活性与生态系统功能的重要因素，土壤水分条件的变化可以改变土壤微生物活性与群落结构,进而对微生物介质传导的关键过程与土壤生态系统功能造成深刻的影响。因此，提前设定所述第一土壤中水分的标准含量阈值，再判断所述第一土壤的含水量信息是否在阈值之间，若不在获得所述第一预警信息，提醒第一土壤的含水量信息不在所述预定含水量阈值之内，进而为所述第一土壤进行浇水，进而提高水分含量使得微生物保持活性，从而达到降低土壤中重金属含量，减少污染的技术效果。
进一步而言，本申请实施例还包括：
步骤S221：将所述第二微生物群信息作为横坐标；
步骤S222：将所述第一植物训练集中的植物信息作为纵坐标构建二维直角坐标系；
步骤S223：根据逻辑回归模型在二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；所述逻辑回归线的另一侧代表第二植物信息，所述第二植物信息为不促进第二微生物群生长的植物的信息。
具体而言，将所述第二微生物群信息作为横坐标，将所述第一植物训练集中的植物信息作为纵坐标，建立坐标系。根据所述坐标系，基于逻辑回归模型获得逻辑回归线，所述逻辑回归线的一侧代表促进第二微生物群生长的植物的信息的所述第一植物信息，所逻辑回归线的另一侧代表不促进第二微生物群生长的植物的信息的所述第二植物信息。根据所述植物信息的实际促进微生物群的作用情况对第一植物训练集中的植物信息进行划分和评断。通过逻辑回归模型对第一植物训练集中的植物信息的促进作用进行比对，达到实时获取所述植物的促进功能，稳定提高微生物群落生长的环境，根据实际植物根际需求量及微生物数量，达到准确获得所述植物信息促进功能，合理安排植物需求的技术效果。
进一步而言，本申请实施例还包括：
步骤S131：获得所述第一植物的根际信息；
步骤S132：根据所述第二微生物群信息中各微生物的数量信息，获得预定根际阈值；
步骤S133：判断所述第一植物的根际信息是否在所述预定根际阈值之内；
步骤S134：如果所述第一植物的根际信息不在所述预定根际阈值之内，获得第二预警信息；
步骤S135：根据所述第二预警信息，提醒所述第一植物的根际信息不在所述预定根际阈值之内。
具体而言，所述预定根际阈值是指预先设立的可以吸附重金属并向可收获的地上部运输的标准根际阈值，根据第二微生物群信息中各微生物的数量信息选择合适的植物，进而判断所述第一植物的根际信息是否在所述预定根际阈值之内，如果不在，获得第二预警信息提醒所述第一植物的根际信息不在所述预定根际阈值之内，重新选择根际合适的植物。其中，由于植物根部释放的小分子物质可以改变根际土壤环境，进而使得重金属活性降低，促进了重金属向低毒形态转变且不改变生物活性，从而达到了合理降低土壤重金属含量的技术效果。
综上所述，本申请实施例所提供的一种提高重金属表层土壤微生物多样性的方法及系统具有如下技术效果：
1、由于采用了通过获得第一土壤中的第一重金属信息，从而构建微生物训练集，进而将第一重金属信息和微生物信息输入第一神经网络模型，获得多种微生物信息的集合，且经过神经网络模型的训练从而输出准确的第一土壤的土质信息，再根据此信息筛选过滤所述第一微生物信息，获得第二微生物群信息，从而能够根据此经筛选的微生物群信息，达到了按照准确信息提高微生物多样性，合理降低土壤重金属含量的技术效果。
2、由于采用了根据所述植物信息的实际促进微生物群的作用情况对第一植物训练集中的植物信息进行划分和评断，基于逻辑回归模型对逻辑回归模型对第一植物训练集中的植物信息的促进作用进行分析的方式，达到实时获取所述植物的促进功能，稳定提高微生物群落生长的环境质量，能够根据实际植物根际需求量及微生物数量确定植物信息。
3、由于采用了将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型；将所述第二微生物群信息和所述第一植物训练集中的植物信息输入所述第二神经网络模型；进而分别通过多组数据进行训练分别得到对应的训练模型，从而能够输出相应的准确输出结果信息即为所述第二微生物群和促进第二微生物群生长的植物的信息，从而达到了根据输出的准确数据信息调整土壤中微生物含量，降低重金属污染的技术效果。
实施例二
基于与前述实施例中一种提高重金属表层土壤微生物多样性的方法同样发明构思，本发明还提供了一种提高重金属表层土壤微生物多样性的系统，如图2所示，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得第一土壤中的第一重金属信息；
第一构建单元12，所述第一构建单元12用于构建微生物训练集；
第一输入单元13，所述第一输入单元13用于将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；
第二获得单元14，所述第二获得单元14用于获得所述第一土壤的土质信息；
第三获得单元15，所述第三获得单元15用于根据所述第一土壤的土质信息对所述第一微生物信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息。
进一步的，所述系统还包括：
第二构建单元，所述第二构建单元用于构建第一植物训练集；
第二输入单元，所述第二输入单元用于将所述第二微生物群信息和所述第一植物训练集中的植物信息输入第二神经网络模型，获得第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；
第四获得单元，所述第四获得单元用于根据所述第一植物信息，获得第一提醒信息；
第一提醒单元，所述第一提醒单元用于根据所述第一提醒信息，提醒在所述第一土壤种植第一植物。
进一步的，所述系统还包括：
第三输入单元，所述第三输入单元用于将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，其中，所述第一神经网络模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述第一土壤中的第一重金属信息、所述微生物训练集中的微生物信息和用来标识第一微生物群的标识信息；
第五获得单元，所述第五获得单元用于获得所述第一神经网络模型的第一输出信息，其中，所述第一输出信息包括第一微生物群信息。
进一步的，所述系统还包括：
第六获得单元，所述第六获得单元用于根据所述第一重金属信息，获得第一重金属种类信息和第一重金属含量信息；
第七获得单元，所述第七获得单元用于根据所述第一重金属种类信息和第一重金属含量信息，获得第一微生物比例信息；
第八获得单元，所述第八获得单元用于按照所述第一微生物比例信息，确定所述第二微生物群信息中各微生物的数量信息。
进一步的，所述系统还包括：
第九获得单元，所述第九获得单元用于获得所述第一土壤的含水量信息；
第十获得单元，所述第十获得单元用于根据所述第二微生物群信息，获得预定含水量阈值；
第一判断单元，所述第一判断单元用于判断所述第一土壤的含水量信息是否在所述预定含水量阈值之内；
第十一获得单元，所述第十一获得单元用于如果所述第一土壤的含水量信息不在所述预定含水量阈值之内，获得第一预警信息；
第二提醒单元，所述第二提醒单元用于根据所述第一预警信息，提醒所述第一土壤的含水量信息不在所述预定含水量阈值之内。
进一步的，所述系统还包括：
第一操作单元，第一操作单元用于将所述第二微生物群信息作为横坐标；
第二操作单元，第二操作单元用于将所述第一植物训练集中的植物信息作为纵坐标构建二维直角坐标系；
第三操作单元，第三操作单元用于根据逻辑回归模型在二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；所述逻辑回归线的另一侧代表第二植物信息，所述第二植物信息为不促进第二微生物群生长的植物的信息；
进一步的，所述系统还包括：
第十二获得单元，所述第十二获得单元用于获得所述第一植物的根际信息；
第十三获得单元，所述第十三获得单元用于根据所述第二微生物群信息中各微生物的数量信息，获得预定根际阈值；
第二判断单元，所述第二判断单元用于判断所述第一植物的根际信息是否在所述预定根际阈值之内；
第十四获得单元，所述第十四获得单元用于如果所述第一植物的根际信息不在所述预定根际阈值之内，获得第二预警信息；
第三提醒单元，所述第三提醒单元用于根据所述第二预警信息，提醒所述第一植物的根际信息不在所述预定根际阈值之内。
前述图1实施例一中的一种提高重金属表层土壤微生物多样性的方法的各种变化方式和具体实例同样适用于本实施例的一种提高重金属表层土壤微生物多样性的系统，通过前述对一种提高重金属表层土壤微生物多样性的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种提高重金属表层土壤微生物多样性的系统的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种提高重金属表层土壤微生物多样性的方法的发明构思，本发明还提供一种提高重金属表层土壤微生物多样性的系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种提高重金属表层土壤微生物多样性的方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种提高重金属表层土壤微生物多样性的方法，所述方法包括：获得第一土壤中的第一重金属信息；构建微生物训练集；将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；获得所述第一土壤的土质信息；根据所述第一土壤的土质信息对所述第一微生物信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息。解决了现有技术中存在降低土壤重金属含量的治理措施不合理，且治理过程会对环境造成一定污染的技术问题，达到了提高微生物多样性、合理降低土壤重金属含量的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (7)

1.一种提高重金属表层土壤微生物多样性的方法，其中，所述方法包括：
获得第一土壤中的第一重金属信息；
构建微生物训练集；
将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；
获得所述第一土壤的土质信息；
根据所述第一土壤的土质信息对所述第一微生物群信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息；
其中，所述获得第二微生物群信息之后，所述方法还包括：
构建第一植物训练集；
将所述第二微生物群信息和所述第一植物训练集中的植物信息输入第二神经网络模型，获得第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；
根据所述第一植物信息，获得第一提醒信息；
根据所述第一提醒信息，提醒在所述第一土壤种植第一植物；
其中，所述将所述第二微生物群信息和所述第一植物训练集中的植物信息输入第二神经网络模型，获得第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息，包括：
将所述第二微生物群信息作为横坐标；
将所述第一植物训练集中的植物信息作为纵坐标构建二维直角坐标系；
根据逻辑回归模型在二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；所述逻辑回归线的另一侧代表第二植物信息，所述第二植物信息为不促进第二微生物群生长的植物的信息。
2.如权利要求1所述的方法，其中，所述将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息包括：
将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，其中，所述第一神经网络模型通过多组训练数据训练获得，所述多组训练数据中的每一组训练数据均包括：所述第一土壤中的第一重金属信息、所述微生物训练集中的微生物信息和用来标识第一微生物群的标识信息；
获得所述第一神经网络模型的第一输出信息，其中，所述第一输出信息包括第一微生物群信息。
3.如权利要求1所述的方法，其中，所述获得第一土壤中的第一重金属信息之后，所述方法还包括：
根据所述第一重金属信息，获得第一重金属种类信息和第一重金属含量信息；
根据所述第一重金属种类信息和第一重金属含量信息，获得第一微生物比例信息；
按照所述第一微生物比例信息，确定所述第二微生物群信息中各微生物的数量信息。
4.如权利要求1所述的方法，其中，所述获得第二微生物群信息之后，所述方法还包括：
获得所述第一土壤的含水量信息；
根据所述第二微生物群信息，获得预定含水量阈值；
判断所述第一土壤的含水量信息是否在所述预定含水量阈值之内；
如果所述第一土壤的含水量信息不在所述预定含水量阈值之内，获得第一预警信息；
根据所述第一预警信息，提醒所述第一土壤的含水量信息不在所述预定含水量阈值之内。
5.如权利要求3所述的方法，其中，所述确定所述第二微生物群信息中各微生物的数量信息之后，所述方法还包括：
获得所述第一植物的根际信息；
根据所述第二微生物群信息中各微生物的数量信息，获得预定根际阈值；
判断所述第一植物的根际信息是否在所述预定根际阈值之内；
如果所述第一植物的根际信息不在所述预定根际阈值之内，获得第二预警信息；
根据所述第二预警信息，提醒所述第一植物的根际信息不在所述预定根际阈值之内。
6.一种提高重金属表层土壤微生物多样性的系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一土壤中的第一重金属信息；
第一构建单元，所述第一构建单元用于构建微生物训练集；
第一输入单元，所述第一输入单元用于将所述第一土壤中的第一重金属信息和所述微生物训练集中的微生物信息输入第一神经网络模型，获得第一微生物群信息，所述第一微生物群信息包括可吸收所述第一土壤中的第一重金属的多种微生物信息的集合；
第二获得单元，所述第二获得单元用于获得所述第一土壤的土质信息；
第三获得单元，所述第三获得单元用于根据所述第一土壤的土质信息对所述第一微生物群信息进行筛选过滤，获得第二微生物群信息，其中，所述第一微生物群信息包含所述第二微生物群信息；
其中，所述系统还包括：
第二构建单元，所述第二构建单元用于构建第一植物训练集；
第二输入单元，所述第二输入单元用于将所述第二微生物群信息和所述第一植物训练集中的植物信息输入第二神经网络模型，获得第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；
第四获得单元，所述第四获得单元用于根据所述第一植物信息，获得第一提醒信息；
第一提醒单元，所述第一提醒单元用于根据所述第一提醒信息，提醒在所述第一土壤种植第一植物；
第一操作单元，第一操作单元用于将所述第二微生物群信息作为横坐标；
第二操作单元，第二操作单元用于将所述第一植物训练集中的植物信息作为纵坐标构建二维直角坐标系；
第三操作单元，第三操作单元用于根据逻辑回归模型在二维直角坐标系构建逻辑回归线，其中，所述逻辑回归线的一侧代表第一植物信息，所述第一植物信息为促进第二微生物群生长的植物的信息；所述逻辑回归线的另一侧代表第二植物信息，所述第二植物信息为不促进第二微生物群生长的植物的信息。
7.一种提高重金属表层土壤微生物多样性的电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
CN202011350746.7A 2020-11-26 2020-11-26 一种提高重金属表层土壤微生物多样性的方法及系统 Active CN112588817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011350746.7A CN112588817B (zh) 2020-11-26 2020-11-26 一种提高重金属表层土壤微生物多样性的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011350746.7A CN112588817B (zh) 2020-11-26 2020-11-26 一种提高重金属表层土壤微生物多样性的方法及系统

Publications (2)

Publication Number Publication Date
CN112588817A CN112588817A (zh) 2021-04-02
CN112588817B true CN112588817B (zh) 2022-03-29

Family

ID=75184234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011350746.7A Active CN112588817B (zh) 2020-11-26 2020-11-26 一种提高重金属表层土壤微生物多样性的方法及系统

Country Status (1)

Country Link
CN (1) CN112588817B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2006225085B2 (en) * 2005-03-16 2011-03-10 The Era Farming Company Method of land management involving microbial bioassay.
US20100011062A1 (en) * 2008-07-14 2010-01-14 St-Infonox, Inc. Automated bioremediation system
WO2016210251A1 (en) * 2015-06-25 2016-12-29 Ascus Biosciences, Inc. Methods, apparatuses, and systems for analyzing microorganism strains from complex heterogeneous communities, predicting and identifying functional relationships and interactions thereof, and selecting and synthesizing microbial ensembles based thereon
US10851399B2 (en) * 2015-06-25 2020-12-01 Native Microbials, Inc. Methods, apparatuses, and systems for microorganism strain analysis of complex heterogeneous communities, predicting and identifying functional relationships and interactions thereof, and selecting and synthesizing microbial ensembles based thereon
KR20180116639A (ko) * 2017-04-17 2018-10-25 (주)아이들 다년생 작물 재배를 위한 맞춤형 정보 제공 시스템 및 방법
CN108687131A (zh) * 2017-12-07 2018-10-23 苏州市环科环保技术发展有限公司 化工污染场地修复方法
CN109554305B (zh) * 2018-08-27 2022-06-07 河北经贸大学 一种模拟微生态的益生菌的筛选方法、修复剂及其应用
CN111909708B (zh) * 2020-09-03 2022-08-26 中南大学 一种矿区土壤修复剂及其制备方法与应用

Also Published As

Publication number Publication date
CN112588817A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
Cheng et al. Maximizing US nitrate removal through wetland protection and restoration
Lee et al. Denitrification in aquaculture systems: an example of a fuzzy logic control problem
Zaghloul et al. Application of machine learning techniques to model a full-scale wastewater treatment plant with biological nutrient removal
CN105676814B (zh) 基于sfla‑svm的数字化水岛在线加药控制方法
Lagarde et al. Variability estimation of urban wastewater biodegradable fractions by respirometry
De Pauw et al. Practical aspects of sensitivity function approximation for dynamic models
CN112817299A (zh) 一种工业废水治理数据管理云平台及其控制方法
Yang et al. Fuzzy modeling approach to predictions of chemical oxygen demand in activated sludge processes
CN102616927A (zh) 一种污水处理的工艺参数的调整方法及装置
KR100683477B1 (ko) 모듈형 모델을 이용한 예측에 기반한 활성 슬러지 공정의 제어 방법
Fonseca et al. Integrating water quality responses to best management practices in Portugal
Cheng et al. Development and application of random forest regression soft sensor model for treating domestic wastewater in a sequencing batch reactor
CN113189881A (zh) 一种污水处理多目标优化控制方法及系统
CN112588817B (zh) 一种提高重金属表层土壤微生物多样性的方法及系统
AU2018418038B2 (en) System and method for predicting a parameter associated with a wastewater treatment process
CN113077847B (zh) 在线模型水质转换方法、系统、电子设备及介质
Vanrolleghem et al. Towards BSM2-GPS-X: A plant-wide benchmark simulation model not only for carbon and nitrogen, but also for greenhouse gases (G), phosphorus (P), sulphur (S) and micropollutants (X), all within the fence of WWTPs/WRRFs
Seshan et al. Limitations of a biokinetic model to predict the seasonal variations of nitrous oxide emissions from a full-scale wastewater treatment plant
CN114861996A (zh) 一种水库大水面污染治理方法及系统
CN114693493A (zh) 一种基于IoT的污染河流水生态修复系统
Kang et al. Linking morphological features to anammox communities in a partial nitritation and anammox (PN/A) biofilm reactor
Hu et al. Enhancing phosphorus source apportionment in watersheds through species-specific analysis
CN117247180B (zh) 一种用于处理高氟高氨氮废水的装置和方法
Quaicoe et al. Optimal Control Modelling of Gold Mine Wastewater Treatment in Tailings Dam
CN113511736B (zh) 一种污水处理智能曝气方法及装置

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