CN112750508A - 土壤金属毒性预测方法、装置、电子设备及存储介质 - Google Patents
土壤金属毒性预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112750508A CN112750508A CN202110055449.8A CN202110055449A CN112750508A CN 112750508 A CN112750508 A CN 112750508A CN 202110055449 A CN202110055449 A CN 202110055449A CN 112750508 A CN112750508 A CN 112750508A
- Authority
- CN
- China
- Prior art keywords
- soil
- metal
- predicted
- model
- toxicity
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明提供一种土壤金属毒性预测方法、装置、电子设备及存储介质,首先根据获取的待预测土壤的理化性质参数以及金属元素总浓度,确定待预测土壤中的各金属元素剂量;然后确定出待预测土壤中的待测金属离子特征参数,并结合土壤金属毒性预测模型,对待预测土壤的金属毒性效应进行预测。由于采用了土壤金属毒性预测模型,可以避免进行几何数级生态毒理试验的同时能够准确地预测不同土壤环境条件的金属毒性效应。同时,由于金属元素的生态风险和修复标准建立相对较慢,土壤金属毒性预测模型能够预测未知金属毒性数据,并且适用于范围较广的土壤环境条件,为金属生态风险评价和相应标准的制定提供依据,具有广阔的应用前景。
Description
技术领域
本发明涉及生态金属毒性评估技术领域,尤其涉及一种土壤金属毒性预测方法、装置、电子设备及存储介质。
背景技术
当前重金属污染日益严重,过量的重金属进入土壤环境中不仅破坏土壤的理化性质,影响植物的生产,污染农作物,还会通过食物链进入人体,最终危害人体健康,因此,预测土壤金属毒性,进而控制环境中金属风险至关重要。
目前在预测土壤金属毒性时,引入生物配体模型(Biotic Ligand Model,BLM)。BLM虽然能有效预测土壤金属毒性,但是它包含的元素种类十分有限,相关的毒性阈值还未确定,因此在应用于真实土壤环境时出现较大偏差,不能完全适用于真实的土壤环境。
为此,现急需提供一种土壤金属毒性预测方法。
发明内容
本发明提供一种土壤金属毒性预测方法、装置、电子设备及存储介质,用以解决现有技术中存在的缺陷。
本发明提供一种土壤金属毒性预测方法,包括:
获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;
确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;
所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
根据本发明提供的一种土壤金属毒性预测方法,所述土壤金属毒性预测模型通过如下方法得到:
基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数;
基于每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,确定所述指定金属元素对应的优选金属离子特征参数,并以所述优选金属离子特征参数为自变量、以所述土壤生态毒性基准值为因变量,构建所述QICAR模型;
基于所述QICAR模型中的因变量,对所述模型参数中的所述结合参数进行更新,得到所述土壤金属毒性预测模型。
根据本发明提供的一种土壤金属毒性预测方法,所述基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数,具体包括:
选取多个区域的土壤,在多个区域的土壤中添加所述指定金属元素,分别得到多个所述土壤样本;
在每个所述土壤样本中选取所述目标对象进行毒性实验,并确定每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线;
基于每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线,确定所述BLM的模型参数。
根据本发明提供的一种土壤金属毒性预测方法,所述每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,具体通过如下方法确定:
基于相关性分析法以及主成分分析法,确定每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性。
根据本发明提供的一种土壤金属毒性预测方法,所述指定金属元素的数量至少为5个。
根据本发明提供的一种土壤金属毒性预测方法,所述BLM具体为:
其中,EF为土壤的金属毒性效应,f50为产生50%土壤的金属毒性效应时金属和生物配体结合的活性位点占金属总结和位点的比例;M2+、MO、MC2+分别表示土壤中金属离子、其他有毒金属形态、金属陪伴阳离子;[M2+]、[MO]、[MC2+]分别表示M2+、MO、MC2+的剂量,KMBL、KMOBL、KMCBL分别为所述BLM的模型参数中M2+、MO、MC2+与生物配体的结合参数,β为所述BLM的模型参数中的形状参数。
本发明还提供一种土壤金属毒性预测装置,包括:获取模块和预测模块。其中,
获取模块用于获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;
预测模块用于确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;
所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述土壤金属毒性预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述土壤金属毒性预测方法的步骤。
本发明提供的土壤金属毒性预测方法、装置、电子设备及存储介质,首先根据获取的待预测土壤的理化性质参数以及金属元素总浓度,确定待预测土壤中的各金属元素剂量;然后确定出待预测土壤中的待测金属离子特征参数,并结合土壤金属毒性预测模型,对待预测土壤的金属毒性效应进行预测。由于采用了土壤金属毒性预测模型,可以避免进行几何数级生态毒理试验的同时能够准确地预测不同土壤环境条件的金属毒性效应。同时,由于金属元素的生态风险和修复标准建立相对较慢,土壤金属毒性预测模型能够预测未知金属毒性数据,并且适用于范围较广的土壤环境条件,为金属生态风险评价和相应标准的制定提供依据,具有广阔的应用前景。
附图说明
为了更清楚地说明本发明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是本发明提供的土壤金属毒性预测方法的流程示意图;
图2是本发明提供的土壤金属毒性预测装置的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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做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。
由于目前在预测土壤金属毒性时,采用的生物配体模型(Biotic Ligand Model,BLM)虽然能有效预测土壤金属毒性,但是其包含的元素种类十分有限,相关的毒性阈值还未确定,因此在应用于真实土壤环境时出现较大偏差,不能完全适用于真实的土壤环境。
为此,本发明实施例中提供了一种土壤金属毒性预测方法。
图1为本发明实施例中提供的一种土壤金属毒性预测方法的流程示意图,如图1所示,该方法包括:
S1,获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;
S2,确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;
所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
具体地,本发明实施例中提供的土壤金属毒性预测方法,其执行主体为服务器,该服务器可以是本地服务器,也可以是云端服务器,本地服务器具体可以是计算机、平板电脑以及智能手机等,本发明实施例中对此不作具体限定。
首先执行步骤S1。其中,待预测土壤是指需要确定其中金属毒性的土壤,待预测土壤的金属毒性是指其中的金属元素对其上种植的植物或者其中生存的动物的金属毒性效应。土壤中可以生存有蚯蚓等动物,土壤上可以种植有小麦等植物,对于蚯蚓,土壤的金属毒性效应可以通过多个蚯蚓的存活率表征,对于小麦,土壤的金属毒性效应可以通过小麦的根长度变化表征,本发明实施例中对此不作具体限定。待预测土壤的理化性质参数可以包括待预测土壤中的有机质浓度、阳离子代换量以及待预测土壤的pH值等。待预测土壤中的金属元素总浓度是指待预测土壤中包含的所有金属元素的浓度之和。通过待预测土壤的理化性质参数以及待预测土壤中的金属元素总浓度,结合化学形态分析机理模型,可以确定出待预测土壤中的各金属元素剂量。化学形态分析机理模型可以包括WHAMV模型和Visual MINTEQ系列软件。各金属元素剂量可以通过各金属元素的自由态活度表示,其单位可以是mol/V。
然后执行步骤S2,在确定出待预测土壤中的各金属元素剂量之后,即确定了待预测土壤中包含的各金属元素,进而可以确定出待预测土壤中的待测金属离子特征参数,即待预测土壤中各金属元素对应的金属离子特征参数。待测金属离子特征参数可以包括:表征金属离子几何构型的原子序数AN、原子半径AR、共价半径R、离子半径r、相对原子质量AW、电子密度AR/AW,表征热稳定性的熔点MP、沸点BP、300K时的密度D,表征金属离子亲电性的离子价态Z、标准氧化还原电位△E0、电离势IP、电离势差△IP、原子电离电势AN/△IP、电负性Xm、共价键指数极化力参数(Z/r、Z/r2、Z2/r)、类极化力参数(Z/AR、Z/AR2)、最大配合物稳定常数log(-βn),表征亲水性的第一水解常数│log(-KOH)│、软指数σp以及离子相对柔软度Z/rx中的至少一项。
将待测金属离子特征参数以及待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,通过土壤金属毒性预测模型,对待预测土壤的金属毒性效应进行预测,得到待预测土壤的金属毒性效应的预测结果。
土壤金属毒性预测模型是在生物配体模型(Biotic Ligand Model,BLM)的基础上,将BLM的模型参数中各离子与生物配体的结合参数通过定量离子特征参数-活性关系(Quantitative Ion Character-activity Relationships,QICAR)模型进行修正得到。由于BLM可以考虑某些金属离子的生物有效性对生物毒性的影响,其模型参数中各离子与生物配体的结合参数可以用于表征土壤的金属毒性,而由于QICAR模型是通过线性回归方法构建金属毒性基准值与表征金属内在性质的金属离子特征参数之间的关系,因此本发明实施例中将BLM与QICAR模型进行融合,利用QICAR模型修正BLM的模型参数中的结合参数,进而可以得到通过待测金属离子特征参数以及待预测土壤中的各金属元素剂量共同预测待预测土壤的金属毒性的土壤金属毒性预测模型。本发明实施例中,土壤金属毒性预测模型只有在构建时才需要进行毒性实验以确定BLM以及QICAR模型,在应用土壤金属毒性预测模型预测任一待预测土壤的金属毒性时,并不需要再进行毒性实现。
本发明实施例中提供的土壤金属毒性预测方法,首先根据获取的待预测土壤的理化性质参数以及金属元素总浓度,确定待预测土壤中的各金属元素剂量;然后确定出待预测土壤中的待测金属离子特征参数,并结合土壤金属毒性预测模型,对待预测土壤的金属毒性效应进行预测。由于采用了土壤金属毒性预测模型,可以避免进行几何数级生态毒理试验的同时能够准确地预测不同土壤环境条件的金属毒性效应。同时,由于金属元素的生态风险和修复标准建立相对较慢,土壤金属毒性预测模型能够预测未知金属毒性数据,并且适用于范围较广的土壤环境条件,为金属生态风险评价和相应标准的制定提供依据,具有广阔的应用前景。
在上述实施例的基础上,本发明实施例中提供的土壤金属毒性预测方法,所述土壤金属毒性预测模型通过如下方法得到:
基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数;
基于每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,确定所述指定金属元素对应的优选金属离子特征参数,并以所述优选金属离子特征参数为自变量、以所述土壤生态毒性基准值为因变量,构建所述QICAR模型;
基于所述QICAR模型中的因变量,对所述模型参数中的所述结合参数进行更新,得到所述土壤金属毒性预测模型。
具体地,在构建土壤金属毒性预测模型时,首先构建BLM,即确定BLM的模型参数,可以通过对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验得到。指定金属元素可以是钴(Co)、铜(Cu)、铅(Pb)、镍(Ni)、锌(Zn)、铬(Cr)、锰(Mn)、砷(As)、镉(Cd)、汞(Hg)中的至少一种。目标对象可以是土壤样本上种植的植物或者作物,也可以是土壤样本中生存的动物。BLM的模型参数包括各离子与生物配体的结合参数以及模型的形状参数等。
然后根据每个金属离子特征参数与指定金属元素的土壤生态毒性基准值之间的相关性,确定指定金属元素对应的优选金属离子特征参数,具体可以将与指定金属元素的土壤生态毒性基准值相关性较高的金属离子特征参数作为指定金属元素对应的优选金属离子特征参数。例如,每个金属离子特征参数与指定金属元素的土壤生态毒性基准值之间的相关性可以通过相关系数R或显著性水平P表示,可以将P小于0.1的金属离子特征参数作为指定金属元素对应的优选金属离子特征参数。以优选金属离子特征参数为自变量,指定金属元素的土壤生态毒性基准值作为因变量,通过单变量线性回归方法可以构建表征金属毒性基准值与内在性质之间关系的QICAR模型。
最后根据QICAR模型中的因变量,即指定金属元素的土壤生态毒性基准值,对BLM的模型参数中的结合参数进行更新,将BLM的模型参数中的结合参数分别用对应金属元素的土壤生态毒性基准值的表达式替换,即得到可以用于对待预测土壤的金属毒性效应进行预测的土壤金属毒性预测模型。
本发明实施例中,提供了一种土壤金属毒性预测模型的构建方法,可以使得构建出的土壤金属毒性预测模型表征土壤的理化性质参数、土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系,只要知道了任一土壤的理化性质参数、土壤中的金属离子特征参数以及各金属元素剂量,就可以确定该土壤的金属毒性效应,大大简化了土壤金属毒性的预测流程,提高了预测效率。
在上述实施例的基础上,本发明实施例中提供的土壤金属毒性预测方法,所述基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数,具体包括:
选取多个区域的土壤,在多个区域的土壤中添加所述指定金属元素,分别得到多个所述土壤样本;
在每个所述土壤样本中选取所述目标对象进行毒性实验,并确定每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线;
基于每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线,确定所述BLM的模型参数。
具体地,在确定BLM的模型参数时,首先,选取多个区域的土壤,不同区域的土壤可以用于表征不同土壤环境条件。在每个区域的土壤中均添加指定金属元素,添加有指定金属元素的每个区域的土壤均为一个土壤样本。当指定金属元素的数量为多个时,每个区域的土壤可以有与指定金属元素的数量相同的份数,每个区域的每份土壤对应添加有一指定金属元素,形成一个土壤样本。
然后,在每个土壤样本中选取目标对象进行毒性实验,并确定每个土壤样本的指定金属元素剂量与金属毒性效应曲线。其中,在每个土壤样本中选取目标对象进行毒性实验,是指在土壤样本中种植目标对象或养殖目标对象,然后记录土壤样本中添加的指定金属元素剂量以及目标对象表征的金属毒性效应。将记录的结果绘制曲线即得到每个土壤样本的指定金属元素剂量与金属毒性效应曲线。
最后,利用不同土壤样本的指定金属元素剂量与金属毒性效应曲线,构建BLM。即对所有土壤样本的指定金属元素剂量与金属毒性效应曲线进行拟合,即得到BLM,进而可以确定BLM的模型参数。
本发明实施例中,给出了一种BLM的构建方法,考虑了土壤环境条件这一因素,使构建得到的BLM可以适用于各种土壤环境条件。
在上述实施例的基础上,本发明实施例中提供的土壤金属毒性预测方法,所述每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,具体通过如下方法确定:
基于相关性分析法以及主成分分析法,确定每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性。
具体地,采用的相关性分析法可以是皮尔森相关性分析法或者斯皮尔曼等级相关系数分析法,也可以采用其他相关性分析的方法,本发明实施例中对此不作具体限定。例如,可以将表征金属离子几何构型的原子序数AN、原子半径AR、共价半径R、离子半径r、相对原子质量AW、电子密度AR/AW,表征热稳定性的熔点MP、沸点BP、300K时的密度D,表征金属离子亲电性的离子价态Z、标准氧化还原电位△E0、电离势IP、电离势差△IP、原子电离电势AN/△IP、电负性Xm、共价键指数极化力参数(Z/r、Z/r2、Z2/r)、类极化力参数(Z/AR、Z/AR2)、最大配合物稳定常数log(-βn),表征亲水性的第一水解常数│log(-KOH)│、软指数σp以及离子相对柔软度Z/rx等25个金属离子特征参数与钴(Co)、铜(Cu)、铅(Pb)、镍(Ni)、锌(Zn)、铬(Cr)、锰(Mn)、砷(As)、镉(Cd)、汞(Hg)等10种指定金属元素的土壤生态毒性基准值进行皮尔森相关性分析,建立一元线性回归关系,并得到相关系数(R)和显著性水平(p)。若判断获知某一p小于0.1,则认为对应的金属离子特征参数为相应指定金属元素对应的优选金属离子特征参数。
由于某些金属离子特征参数之间的相关系数较高,存在一定的自相关性,为了减小自相关性,利用主成分分析(Principal component analysis,PCA)法进行降维,建立基于PCA的多元线性回归方程,即得到每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性。
本发明实施例中,采用相关性分析法以及主成分分析法相结合的方式,确定每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,可以排除不同金属离子特征参数自相关对其与指定金属元素的土壤生态毒性基准值之间的相关性的影响,提高了指定金属元素对应的优选金属离子特征参数的准确性。
在上述实施例的基础上,本发明实施例中提供的土壤金属毒性预测方法,所述指定金属元素的数量至少为5个。
具体地,本发明实施例中可以采用至少5个指定金属元素,用以确定BLM的模型参数以及QICAR模型,保证了模型的准确性和稳定性。
在上述实施例的基础上,本发明实施例中提供的土壤金属毒性预测方法,所述BLM具体为:
其中,EF为土壤的金属毒性效应,f50为产生50%土壤的金属毒性效应时金属和生物配体结合的活性位点占金属总结和位点的比例;M2+、MO、MC2+分别表示土壤中金属离子、其他有毒金属形态、金属陪伴阳离子;[M2+]、[MO]、[MC2+]分别表示M2+、MO、MC2+的剂量,KMBL、KMOBL、KMCBL分别为所述BLM的模型参数中M2+、MO、MC2+与生物配体的结合参数,β为所述BLM的模型参数中的形状参数。
在上述实施例的基础上,本发明实施例中提供的土壤金属毒性预测方法,还包括:对土壤金属毒性预测模型进行内部验证,内部验证是验证土壤金属毒性预测模型的拟合效果的好坏程度,内部验证时采用的统计学指标可以包括:相关系数(R)、调整后的决定系数(R2)、均方根误差(RMSE)及F统计量等。同时,为了防止过度拟合和偶然相关,也可以采用其他内部验证方法,例如赤池信息量准则(Akaike information criterion,AIC),还可以对土壤金属毒性预测模型进行外部验证,本发明实施例中对此不作具体限定。
如图2所示,在上述实施例的基础上,本发明实施例中提供了一种土壤金属毒性预测装置,包括:获取模块21和预测模块22。
获取模块21用于获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;
预测模块22用于确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;
所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
在上述实施例的基础上,本发明实施例中提供了一种土壤金属毒性预测装置,还包括预测模型构建模块,所述预测模型构建模块包括:
模型参数确定子模块,用于基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数;
QICAR模型构建子模块,用于基于每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,确定所述指定金属元素对应的优选金属离子特征参数,并以所述优选金属离子特征参数为自变量、以所述土壤生态毒性基准值为因变量,构建所述QICAR模型;
预测模型构建子模块,用于基于所述QICAR模型中的因变量,对所述模型参数中的所述结合参数进行更新,得到所述土壤金属毒性预测模型。
在上述实施例的基础上,本发明实施例中提供了一种土壤金属毒性预测装置,所述模型参数确定子模块具体用于:
选取多个区域的土壤,在多个区域的土壤中添加所述指定金属元素,分别得到多个所述土壤样本;
在每个所述土壤样本中选取所述目标对象进行毒性实验,并确定每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线;
基于每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线,确定所述BLM的模型参数。
在上述实施例的基础上,本发明实施例中提供了一种土壤金属毒性预测装置,还包括相关性确定模块,用于:
基于相关性分析法以及主成分分析法,确定每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性。
在上述实施例的基础上,本发明实施例中提供了一种土壤金属毒性预测装置,所述指定金属元素的数量至少为5个。
在上述实施例的基础上,本发明实施例中提供了一种土壤金属毒性预测装置,所述BLM具体为:
其中,EF为土壤的金属毒性效应,f50为产生50%土壤的金属毒性效应时金属和生物配体结合的活性位点占金属总结和位点的比例;M2+、MO、MC2+分别表示土壤中金属离子、其他有毒金属形态、金属陪伴阳离子;[M2+]、[MO]、[MC2+]分别表示M2+、MO、MC2+的剂量,KMBL、KMOBL、KMCBL分别为所述BLM的模型参数中M2+、MO、MC2+与生物配体的结合参数,β为所述BLM的模型参数中的形状参数。
本发明实施例中提供的土壤金属毒性预测装置中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的,实现的效果也是一致的,具体参见上述实施例,本发明实施例中对此不再赘述。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述各实施例中提供的土壤金属毒性预测方法,该方法包括:获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例中提供的土壤金属毒性预测方法,该方法包括:获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例中提供的土壤金属毒性预测方法,该方法包括:获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种土壤金属毒性预测方法,其特征在于,包括:
获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;
确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;
所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
2.根据权利要求1所述的土壤金属毒性预测方法,其特征在于,所述土壤金属毒性预测模型通过如下方法得到:
基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数;
基于每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,确定所述指定金属元素对应的优选金属离子特征参数,并以所述优选金属离子特征参数为自变量、以所述土壤生态毒性基准值为因变量,构建所述QICAR模型;
基于所述QICAR模型中的因变量,对所述模型参数中的所述结合参数进行更新,得到所述土壤金属毒性预测模型。
3.根据权利要求2所述的土壤金属毒性预测方法,其特征在于,所述基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数,具体包括:
选取多个区域的土壤,在多个区域的土壤中添加所述指定金属元素,分别得到多个所述土壤样本;
在每个所述土壤样本中选取所述目标对象进行毒性实验,并确定每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线;
基于每个所述土壤样本的指定金属元素剂量与金属毒性效应曲线,确定所述BLM的模型参数。
4.根据权利要求2所述的土壤金属毒性预测方法,其特征在于,所述每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,具体通过如下方法确定:
基于相关性分析法以及主成分分析法,确定每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性。
5.根据权利要求2所述的土壤金属毒性预测方法,其特征在于,所述指定金属元素的数量至少为5个。
7.一种土壤金属毒性预测装置,其特征在于,包括:
获取模块,用于获取待预测土壤的理化性质参数以及所述待预测土壤中的金属元素总浓度,并基于所述理化性质参数以及所述金属元素总浓度,确定所述待预测土壤中的各金属元素剂量;
预测模块,用于确定所述待预测土壤中的待测金属离子特征参数,并将所述待测金属离子特征参数以及所述待预测土壤中的各金属元素剂量输入至土壤金属毒性预测模型,基于所述土壤金属毒性预测模型,对所述待预测土壤的金属毒性效应进行预测;
所述土壤金属毒性预测模型基于定量离子特征参数-活性关系QICAR模型对生物配体模型BLM的模型参数中各离子与生物配体的结合参数进行修正得到;所述土壤金属毒性预测模型用于表征土壤中的金属离子特征参数以及各金属元素剂量与土壤的金属毒性效应之间的对应关系。
8.根据权利要求7所述的土壤金属毒性预测装置,其特征在于,还包括预测模型构建模块,所述预测模型构建模块包括:
模型参数确定子模块,用于基于对添加有任一指定金属元素的土壤样本中的目标对象进行毒性实验,确定所述BLM的模型参数;
QICAR模型构建子模块,用于基于每个金属离子特征参数与所述指定金属元素的土壤生态毒性基准值之间的相关性,确定所述指定金属元素对应的优选金属离子特征参数,并以所述优选金属离子特征参数为自变量、以所述土壤生态毒性基准值为因变量,构建所述QICAR模型;
预测模型构建子模块,用于基于所述QICAR模型中的因变量,对所述模型参数中的所述结合参数进行更新,得到所述土壤金属毒性预测模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述土壤金属毒性预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述土壤金属毒性预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110055449.8A CN112750508A (zh) | 2021-01-15 | 2021-01-15 | 土壤金属毒性预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110055449.8A CN112750508A (zh) | 2021-01-15 | 2021-01-15 | 土壤金属毒性预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112750508A true CN112750508A (zh) | 2021-05-04 |
Family
ID=75652137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110055449.8A Pending CN112750508A (zh) | 2021-01-15 | 2021-01-15 | 土壤金属毒性预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750508A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115032363A (zh) * | 2022-05-06 | 2022-09-09 | 华东师范大学 | 一种多金属污染场地土壤生物效应评价方法及应用 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100991597B1 (ko) * | 2010-07-02 | 2010-11-04 | 서울대학교산학협력단 | 독성 저감원소 분석을 이용한 토양의 오염도 측정방법 |
CN104915563A (zh) * | 2015-06-16 | 2015-09-16 | 中国环境科学研究院 | 基于金属定量构效关系的淡水慢性基准预测方法 |
CN105069315A (zh) * | 2015-08-26 | 2015-11-18 | 中国环境科学研究院 | 基于金属形态和有效性的水生生物毒性预测方法 |
CN106018777A (zh) * | 2016-05-16 | 2016-10-12 | 南京大学 | 一种水培条件下镍离子对小麦根伸长毒性的确定方法及应用 |
CN106932538A (zh) * | 2017-03-29 | 2017-07-07 | 南京大学 | 一种镍离子对土壤中小麦根伸长毒性的预测方法及其应用 |
US20170323085A1 (en) * | 2015-05-13 | 2017-11-09 | Chinese Research Academy Of Environmental Science | Fresh water acute criteria prediction method based on quantitative structure-activity relationship for metals |
CN109580897A (zh) * | 2018-10-26 | 2019-04-05 | 浙江工业大学 | 一种不同淡水环境中铜离子对斜生栅藻毒性效应的确定方法及应用 |
CN110018300A (zh) * | 2019-05-21 | 2019-07-16 | 南京大学 | 镉镍复合对土壤中小麦根伸长毒性的预测方法及其应用 |
-
2021
- 2021-01-15 CN CN202110055449.8A patent/CN112750508A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100991597B1 (ko) * | 2010-07-02 | 2010-11-04 | 서울대학교산학협력단 | 독성 저감원소 분석을 이용한 토양의 오염도 측정방법 |
US20170323085A1 (en) * | 2015-05-13 | 2017-11-09 | Chinese Research Academy Of Environmental Science | Fresh water acute criteria prediction method based on quantitative structure-activity relationship for metals |
CN104915563A (zh) * | 2015-06-16 | 2015-09-16 | 中国环境科学研究院 | 基于金属定量构效关系的淡水慢性基准预测方法 |
CN105069315A (zh) * | 2015-08-26 | 2015-11-18 | 中国环境科学研究院 | 基于金属形态和有效性的水生生物毒性预测方法 |
CN106018777A (zh) * | 2016-05-16 | 2016-10-12 | 南京大学 | 一种水培条件下镍离子对小麦根伸长毒性的确定方法及应用 |
CN106932538A (zh) * | 2017-03-29 | 2017-07-07 | 南京大学 | 一种镍离子对土壤中小麦根伸长毒性的预测方法及其应用 |
CN109580897A (zh) * | 2018-10-26 | 2019-04-05 | 浙江工业大学 | 一种不同淡水环境中铜离子对斜生栅藻毒性效应的确定方法及应用 |
CN110018300A (zh) * | 2019-05-21 | 2019-07-16 | 南京大学 | 镉镍复合对土壤中小麦根伸长毒性的预测方法及其应用 |
Non-Patent Citations (3)
Title |
---|
XIAOQI MENG等: "Development of a coupled model of quantitative ion character-activity relationships-biotic ligand model (QICARs-BLM) for predicting toxicity for data poor metals", 《JOURNAL OF HAZARDOUS MATERIALS》, pages 620 - 629 * |
李波;马义兵;史奕;: "植物毒性评价终点的生物配体模型比较研究", 环境科学与技术, no. 10 * |
陈瑞;吴敏;王万宾;吴爱民;赵婧;陈季康;潘波;: "生物配位体模型预测铜对剑水蚤毒性及其受水质参数的影响", 环境化学, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115032363A (zh) * | 2022-05-06 | 2022-09-09 | 华东师范大学 | 一种多金属污染场地土壤生物效应评价方法及应用 |
CN115032363B (zh) * | 2022-05-06 | 2023-10-31 | 华东师范大学 | 一种多金属污染场地土壤生物效应评价方法及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Möhring et al. | Quantity based indicators fail to identify extreme pesticide risks | |
Laughlin et al. | Advances in modeling trait-based plant community assembly | |
WO2016179864A1 (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
de Vries et al. | Critical loads of heavy metals for soils | |
Qiu et al. | Incorporating bioavailability into toxicity assessment of Cu-Ni, Cu-Cd, and Ni-Cd mixtures with the extended biotic ligand model and the WHAM-F tox approach | |
CN112750508A (zh) | 土壤金属毒性预测方法、装置、电子设备及存储介质 | |
Yoshioka et al. | A short note on analysis and application of a stochastic open-ended logistic growth model | |
Mattsson et al. | Linking landscape-scale conservation to regional and continental outcomes for a migratory species | |
Wu et al. | Modeling acute toxicity of metal mixtures to wheat (Triticum aestivum L.) using the biotic ligand model-based toxic units method | |
Verschoor et al. | Refinement and cross‐validation of nickel bioavailability in PNEC‐Pro, a regulatory tool for site‐specific risk assessment of metals in surface water | |
Zafar et al. | Effects of time‐variable exposure regimes of the insecticide chlorpyrifos on freshwater invertebrate communities in microcosms | |
Sample et al. | Recommendations to improve wildlife exposure estimation for development of soil screening and cleanup values | |
Allen et al. | An age-structured model for erratic crappie fisheries | |
Confalonieri et al. | An integrated procedure to evaluate hydrological models | |
Spezia et al. | Periodic multivariate normal hidden Markov models for the analysis of water quality time series | |
Zimmer | Crop price comovements during extreme market downturns | |
Gao et al. | In silico environmental risk assessment improves efficiency for pesticide safety management | |
Maznah et al. | Prediction of hexaconazole concentration in the top most layer of oil palm plantation soil using exploratory data analysis (EDA) | |
Lundgren et al. | Predictive modeling of plant uptake of Pb and Cd: implications of aerial deposition and the origin of parameterisation data | |
Xu et al. | Coupling life cycle assessment and global sensitivity analysis to evaluate the uncertainty and key processes associated with carbon footprint of rice production in Eastern China | |
Majkovič et al. | Comparison of using regression modeling and an artificial neural network for herbage dry matter yield forecasting | |
Taghizadeh-Toosi et al. | Filling gaps in models simulating carbon storage in agricultural soils: the role of cereal stubbles | |
Jiao et al. | The use of multiple imputation for the accurate measurements of individual feed intake by electronic feeders | |
Zhou et al. | Rapid estimation of soil Mn content by machine learning and soil spectra in large-scale | |
Martin et al. | Implicit Bayesian inference using option prices |
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 |