CN113008806B - 一种农产品产地重金属空间分布确定方法 - Google Patents
一种农产品产地重金属空间分布确定方法 Download PDFInfo
- Publication number
- CN113008806B CN113008806B CN202110231834.3A CN202110231834A CN113008806B CN 113008806 B CN113008806 B CN 113008806B CN 202110231834 A CN202110231834 A CN 202110231834A CN 113008806 B CN113008806 B CN 113008806B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- remote sensing
- data
- spatial distribution
- unit
- 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
Links
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 239000002689 soil Substances 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000000638 solvent extraction Methods 0.000 claims abstract description 4
- 238000002310 reflectometry Methods 0.000 claims description 26
- 238000011160 research Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 229910052785 arsenic Inorganic materials 0.000 claims description 8
- 229910052745 lead Inorganic materials 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 229910052804 chromium Inorganic materials 0.000 claims description 6
- 229910052802 copper Inorganic materials 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 229910052725 zinc Inorganic materials 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000011065 in-situ storage Methods 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract description 2
- 229910052793 cadmium Inorganic materials 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000003802 soil pollutant Substances 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003900 soil pollution Methods 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- WQHONKDTTOGZPR-UHFFFAOYSA-N [O-2].[O-2].[Mn+2].[Fe+2] Chemical class [O-2].[O-2].[Mn+2].[Fe+2] WQHONKDTTOGZPR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000004649 carbonic acid derivatives Chemical class 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- 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)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种农产品产地重金属空间分布确定方法，综合利用历史土壤重金属监测数据、高光谱遥感数据、X荧光原位快检数据及实验室检测四类监测数据进行耦合分析，在点位特性分区基础上采取遥感数据结合检测数据的监测方法，分尺度验证方法准确性，逐级精确重金属空间分布情况，进而对区域进行有效监测，节约监测成本的同时保障监测信息准确性，且此适用于大尺度区域监测。
Description
技术领域
本发明属于农业环境技术领域，具体涉及一种农产品产地重金属空间分布确定方法。
背景技术
随着科技发展，土壤环境污染问题日趋严峻，进而影响到农产品质量安全及人体健康，全面、实时和准确的土壤环境监测，对农产品质量及土壤质量的保障都有重要的现实意义，同时获取准确有效的重金属监测数据是开展土壤污染防治工作的基础。目前土壤重金属监测方法多为定点采样、点源观测。
上述技术方法存在的主要问题有：(1)监测技术单一，无法做到快速、动态、大范围的土壤重金属监测；(2)监测区域限定性较高且历史监测数据利用性低，点位代表性不强；(3)土壤重金属监测工作流程冗杂、资金投入大、时间周期长。
CN102999927B公开了一种土壤污染物含量空间分布的精细分区方法，将土壤污染实地调研资料(先验知识)与土壤污染物含量分布的空间分区过程进行了有机融合，由先验知识驱动空间分区过程；CN109001127A则公开了一种土壤重金属含量空间预测方法，通过包括高光谱影像在内的辅助变量进行研究区土壤重金属含量空间预测，结合人工神经网络的非线性预测特点与克里格方法的线性预测特点，更好的通过采样点预测出研究区整体的土壤重金属含量空间分布，与现有的预测方法相比，预测结果更为接近实测值，可以更好的解释土壤重金属的空间变异性及其与辅助变量的线性及非线性关系。上述两种技术方案都可以针对土壤污染物进行空间分布的绘制，但是，由于土壤性质复杂，在实际操作过程中，其难以真实反映土壤重金属的空间分布。如何准确、高效地将绘制农产品产地重金属空间分布成了需要解决的问题。
发明内容
本发明提供了一种农产品产地重金属空间分布确定方法，综合利用历史土壤重金属监测数据、高光谱遥感数据、X荧光原位快检数据及实验室检测四类监测数据进行耦合分析，在点位特性分区基础上采取遥感数据结合检测数据的监测方法，分尺度验证方法准确性，逐级精确重金属空间分布情况，进而对区域进行有效监测，节约监测成本的同时保障监测信息准确性，且此发明适用于大尺度区域监测。
为了解决上述技术问题，本发明公开了一种农产品产地重金属空间分布确定方法，所述方法包括：
(1)构建产地环境重金属数据库
获取研究区域历史土壤重金属监测信息、历史土壤重金属高光谱遥感数据、区域环境信息，构建产地环境数据库；
(2)单元划分
获取研究区域的所有历史土壤点位及对应的土壤重金属数据，进行点位聚类分析，并结合区域空间界限进行单元划分；
(3)差异单元及指标确定
(3.1)遥感差异单元确定
(3.1.1)基于产地环境数据库，对历史高光谱进行预处理；分别将各项重金属的光谱反射率与历史检测数据进行皮尔逊相关分析，确定其特征波段；
所述特征波段确定方法：选取各项重金属监测指标在0.05或0.01水平下相关系数绝对值最大的对应波段；
(3.1.2)对研究区域所有单元逐一开展高光谱遥感扫描，选取与历史高光谱相同特征波段；依据光谱特征选取反演方法，分别获得各单元内各项重金属的反演地图；
(3.1.3)比较各单元七项重金属监测指标的扫描高光谱及历史高光谱特征波段对应的反射率，若所有重金属监测指标特征波段反射率差异度≤10％则认为该单元重金属扫描遥感结果准确，重金属监测指标反演地图即为其空间分布图(遥感空间分布图)；若存在重金属监测指标特征波段反射率差异度>10％则该单元为遥感差异单元，需进行现场检测；反射率差异度P计算公式具体如下：
P＝|(pi-pi0)|/pi0
其中，pi为特定重金属监测指标i的扫描高光谱特征波段对应反射率，pi0为特定重金属监测指标i的历史高光谱特征波段对应反射率；
(3.2)现检差异单元确定
(3.2.1)针对遥感差异单元，分别计算各单元点位数量，并采用均匀布点法进行点位布设；点位数量计算公式如下：
其中，N为点位数量，t为T检验的通过阈值，m为容忍误差，Cv为变异系数，Cv＝σ/μ，σ和μ分别为遥感差异单元内所有土壤监测指标的标准差和平均值。
(3.2.2)获取各遥感差异单元内的点位地理信息，采集样品后进行重金属监测指标的现场检测，获取检测结果；
(3.2.3)依据遥感差异单元内的点位地理信息，提取现场检测的重金属监测指标反演地图相应数据，并与现场检测结果对比，分析两次数据是否在室内相对偏差范围内：若遥感异常单元内所有点位的重金属含量均在室内相对偏差范围内，则认为该单元的现场检测结果准确，依据区域特征选取插值方法进行空间插值，该重金属的插值结果即为其空间分布图(现场检测空间分布图)；若遥感异常单元内存在点位任意重金属含量超出室内相对偏差范围，该单元则为现检差异单元，需进行实验室检测；
所述实验室检测重金属监测指标为：反演地图提取数据与现场检测数据超出室内相对偏差范围的重金属监测指标；
(4)重金属空间分布图确定
(4.1)获取现检差异区域内反演地图提取数据和现场检测数据超出室内相对偏差范围的重金属监测指标点位地理信息，采集样品，进行实验室检测，获取检测结果；
依据单元区域特征，选取插值方法对实验室检测结果进行空间插值，重金属监测指标的插值结果即为其空间分布图(实验室检测空间分布图)；
(4.2)分别融合研究区域内各项重金属的遥感空间分布图、现场检测空间分布图和实验室检测空间分布图，融合结果即为研究区域各项重金属空间分布情况；
(4.3)收集整理研究区域的高光谱遥感数据、现场检测数据及实验室检测数据，及时更新数据库信息；
所述更新信息包括遥感数据、采样时间、重金属指标、检测数据、反演地图、插值地图等。
进一步地，所述历史土壤重重金属监测信息与历史土壤重金属高光谱遥感数据指标信息相同，包括：Cd、As、Pb、Cr、Cu、Zn、Ni中的一种或多种；
进一步地，所述区域环境信息包括：土壤pH、SOM、CEC，海拔高度，行政边界、河流水系中的一种或多种；
进一步地，所述聚类方法包括但不限于K-means聚类算法、层次聚类算法、SOM聚类算法、FCM聚类算法；
进一步地，所述空间界限包括但不限于行政边界、地物边界(河流水系、公路铁路、房屋等)、海拔高度；
进一步地，所述各单元内扫描高光数据获取方式与历史高光谱数据获取方式一致；
进一步地，所述预处理包括但不限于一阶微分法、连续谱去除法、多元散射校正法和光谱倒数对数(log(1/R))法等；
进一步地，所述反演地图获取方法包括直接反演和间接反演两种方式，其中直接反演包括多元线性回归法、多元逐步回归法、偏最小二乘法和神经网络分析(如BP神经网络、小波神经网络、模糊神经网络)等，间接共生物质包括但不限于土壤有机质、黏土矿物、铁锰氧化物、碳酸盐类等；
进一步地，所述现场检测利用X荧光快速检测设备；
进一步地，所述空间插值算法包括但不限于克里金插值、反距离权重插值、多项式插值、自然邻域法、样条函数法、趋势面法；
进一步地，所述现场检测的重金属监测指标为高光谱特征波段反射率差异度>10％的重金属；
进一步地，所述皮尔逊相关分析使用的历史检测数据与光谱间隔年限小于等于3年；
本发明的一种农产品产地重金属空间分布确定方法，具有以下优点：
1.本发明基于点位特征进行单元划分，在单元基础上展开后续工作，与传统监测工作相比，各单元环境特征相同，使得重金属含量的空间分布图更准确；
2.本发明综合利用数据库信息、高光谱遥感数据、X荧光原位快检数据及实验室检测四类监测数据，在点位特性分区基础上，分尺度验证方法准确性，逐级精确重金属空间分布情况，监测效率提高，监测时间缩短15％以上；
3.发明采用的高光谱遥感方法具有获取方式简便、成本低、信息丰富等优势，结合点位检测数据，确保重金属数据准确度，利于大范围的重金属同步动态监测的同时资金投入减少18％以上。
附图说明
图1为一种农产品产地重金属空间分布确定方法技术流程图；
图2为T县单元分布图；
图3为b单元七项重金属反射率；
图4为重金属室内偏差允许范围图；
图5为T县Cd空间分布图；
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
1.构建产地环境数据库
获取T县往年Cd、As、Pb、Cr、Cu、Zn、Ni 7项重金属监测数据、相关土壤遥感重金属高光谱数据及环境信息组成数据库；
2.单元划分
依据点位信息(点位数量、点位分布、重金属监测数据分布情况)，利用SPSS将点位进行聚类分组，结合村级行政区边界及县域内河流水系分布，将T县一共划分为5个单元(abcde)，见图2；
3.差异单元及指标确定
(1)获取产地环境数据库内各单元的高光谱遥感数据，选取一阶微分法、倒数一阶导数、倒数的对数一阶导数分别对土壤光谱前处理，减少噪声、突出重金属光谱信息；将各项重金属光谱反射率与历史土壤监测信息(同年采集的样品)进行皮尔逊相关分析，结果显示七项重金属含量均与一阶微分的相关性较高；分别选取P<0.05水平下相关系数绝对值最大的波段作为七项重金属的特征波段，同时确定各特征波段的反射率；
(2)采用ASD FieldSpec Pro地物光谱仪对各单元进行高光谱遥感扫描，获取土壤光谱，利用一阶微分法对土壤光谱进行前处理后，选取与历史高光谱的对应重金属特征波段，确定其反射率；以重金属对应反射率作为自变量采用偏最小二乘法分别获取七项重金属的反演地图；
(3)分别比对各单元七项重金属特征波段所对应的反射率，计算反射率差异度(图3，以b单元为例)，结果表明a、c两个单元的七项重金属反射率差异度均≤10％，则其反演地图为重金属遥感空间分布图；b、d、e三个单元为遥感差异单元：b单元Cd、Pb、Cr、Cu、Zn四项重金属、d单元Cd、As、Pb三项重金属和e单元Cd、As两项重金属反射率差异度均>10％；
(4)依据点位计算公式计算出b、d、e三个遥感差异单元的点位数量并采用均匀布点法进行点位布设，获取点位地理信息并采集样品，利用X-荧光现场检测仪分别对三个单元内反射率差异度均>10％的重金属进行现场检测，获取检测结果；
(5)依据b、d、e三个遥感差异单元的点位地理信息，提取扫描高光谱遥感反演地图对应的重金属数据，并将现场检测结果与其对比，确定检测数据是否在实验室相对偏差范围内(图4)；
(6)结果显示b单元Cd、Pb、Zn三项重金属、d单元Cd、As、Pb三项重金属的检测数据均在实验室偏差范围内，依据b、d两个单元的区域特征选取克里金插值，利用Arcgis对上述六项重金属进行空间插值，插值结果即为其现场检测空间分布图；b、e两个单元为现检差异单元：b单元Cr、Cu两项重金属和e单元Cd、As两项重金属检测结果均超出实验室偏差范围，需进行实验室检测；
4.重金属空间分布图确定
(1)获取b、e两个单元点位地理信息，采集样品，样品处理后分别在实验室检测Cr、Cu(b单元)和Cd、As(e单元)四项重金属含量，并依据区域特征选取克里金插值方法，利用Arcgis对上述四项重金属进行空间插值，插值结果即为其实验室检测空间分布图；
(2)利用Arcgis分别融合T县的七项重金属空间分布图(图5，以Cd为例)；
(3)收集T县各单元的遥感数据、现场检测数据及实验室检测数据，更新数据库。
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 (10)
1.一种农产品产地重金属空间分布确定方法，其特征在于，所述方法包括：(1)构建产地环境重金属数据库
获取研究区域历史土壤重金属监测信息、历史土壤重金属高光谱遥感数据、区域环境信息，构建产地环境数据库；
(2)单元划分
获取研究区域的所有历史土壤点位及对应的土壤重金属数据，进行点位聚类分析，并结合区域空间界限进行单元划分；
(3)差异单元及指标确定
(3.1)遥感差异单元确定
(3.1.1)基于产地环境数据库，对历史土壤重金属高光谱遥感数据进行预处理；分别将各项重金属的光谱反射率与历史检测数据进行皮尔逊相关分析，确定其特征波段，确定各特征波段的反射率；
所述特征波段确定方法：选取各项重金属监测指标在0.05或0.01水平下相关系数绝对值最大的对应波段；
(3.1.2)对研究区域所有单元逐一开展高光谱遥感扫描，选取与历史土壤重金属高光谱遥感数据相同特征波段，确定各特征波段的反射率；依据光谱特征选取反演方法，分别获得各单元内各项重金属的反演地图；
(3.1.3)比较各单元七项重金属监测指标的扫描高光谱及历史土壤重金属高光谱遥感数据特征波段对应的反射率，若所有重金属监测指标特征波段反射率差异度≤10％则认为该单元重金属扫描遥感结果准确，重金属监测指标反演地图即为遥感空间分布图；若存在重金属监测指标特征波段反射率差异度>10％则该单元为遥感差异单元，需进行现场检测；反射率差异度P计算公式具体如下：
P＝|(pi-pi0)|/pi0
其中，pi为特定重金属监测指标i的扫描高光谱特征波段对应反射率，pi0为特定重金属监测指标i的历史土壤重金属高光谱遥感数据特征波段对应反射率；
(3.2)现检差异单元确定
(3.2.1)针对遥感差异单元，分别计算各单元点位数量，并采用均匀布点法进行点位布设；点位数量计算公式如下：
其中，N为点位数量，t为T检验的通过阈值，m为容忍误差，Cv为变异系数，Cv＝σ/μ，σ和μ分别为遥感差异单元内所有土壤监测指标的标准差和平均值；
(3.2.2)获取各遥感差异单元内的点位地理信息，采集样品后进行重金属监测指标的现场检测，获取检测结果；
(3.2.3)依据遥感差异单元内的点位地理信息，提取现场检测的重金属监测指标反演地图相应数据，并与现场检测结果对比，分析两次数据是否在室内相对偏差范围内：若遥感异常单元内所有点位的重金属含量均在室内相对偏差范围内，则认为该单元的现场检测结果准确，依据区域特征选取插值方法进行空间插值，该重金属的插值结果即为现场检测空间分布图；若遥感异常单元内存在点位任意重金属含量超出室内相对偏差范围，该单元则为现检差异单元，需进行实验室检测；
所述实验室检测重金属监测指标为：反演地图提取数据与现场检测数据超出室内相对偏差范围的重金属监测指标；
(4)重金属空间分布图确定
(4.1)获取现检差异区域内反演地图提取数据和现场检测数据超出室内相对偏差范围的重金属监测指标点位地理信息，采集样品，进行实验室检测，获取检测结果；
依据单元区域特征，选取插值方法对实验室检测结果进行空间插值，重金属监测指标的插值结果即为实验室检测空间分布图；
(4.2)分别融合研究区域内各项重金属的遥感空间分布图、现场检测空间分布图和实验室检测空间分布图，融合结果即为研究区域各项重金属空间分布情况；
(4.3)收集整理研究区域的高光谱遥感数据、现场检测数据及实验室检测数据，及时更新数据库信息；所述更新信息包括遥感数据、采样时间、重金属指标、检测数据、反演地图、插值地图。
2.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述历史土壤重重金属监测信息与历史土壤重金属高光谱遥感数据指标信息相同，包括：Cd、As、Pb、Cr、Cu、Zn、Ni中的一种或多种。
3.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述区域环境信息包括：土壤pH、SOM、CEC，海拔高度，行政边界、河流水系中的一种或多种。
4.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述聚类方法包括K-means聚类算法、层次聚类算法、SOM聚类算法、FCM聚类算法。
5.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述空间界限包括行政边界、地物边界、海拔高度，所述地物边界包括河流水系、公路铁路、房屋中的一种或多种。
6.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述各单元内扫描高光数据获取方式与历史土壤重金属高光谱遥感数据数据获取方式一致。
7.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述预处理包括一阶微分法、连续谱去除法、多元散射校正法和光谱倒数对数(log(1/R))法。
8.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述反演地图获取方法包括直接反演和间接反演两种方式，其中直接反演包括多元线性回归法、多元逐步回归法、偏最小二乘法和神经网络分析，所述神经网络分析为BP神经网络、小波神经网络、模糊神经网络。
9.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述皮尔逊相关分析使用的历史检测数据与光谱间隔年限小于等于3年。
10.如权利要求1所述的一种农产品产地重金属空间分布确定方法，其特征在于，所述空间插值算法包括克里金插值、反距离权重插值、多项式插值、自然邻域法、样条函数法、趋势面法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110231834.3A CN113008806B (zh) | 2021-03-02 | 2021-03-02 | 一种农产品产地重金属空间分布确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110231834.3A CN113008806B (zh) | 2021-03-02 | 2021-03-02 | 一种农产品产地重金属空间分布确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113008806A CN113008806A (zh) | 2021-06-22 |
| CN113008806B true CN113008806B (zh) | 2022-08-23 |
Family
ID=76402780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110231834.3A Active CN113008806B (zh) | 2021-03-02 | 2021-03-02 | 一种农产品产地重金属空间分布确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113008806B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115116558B (zh) * | 2022-07-06 | 2024-03-29 | 农业农村部环境保护科研监测所 | 一种重金属含量动态预测方法 |
| CN115901640B (zh) * | 2022-10-19 | 2024-03-15 | 山东大学 | 融合光谱成像与时空分布的不良地质超前预报方法及系统 |
| 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107328720A (zh) * | 2017-08-14 | 2017-11-07 | 武汉大学 | 土壤重金属污染程度的空地一体化协同监测系统及方法 |
| CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
| WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
| CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102841081A (zh) * | 2012-08-30 | 2012-12-26 | 湖南科技大学 | 有色金属矿区土-水界面污染流中各重金属分布预测方法 |
| CN104990976A (zh) * | 2015-04-02 | 2015-10-21 | 北京市环境保护科学研究院 | 一种工业厂区重金属污染场地的采样分析方法 |
| CN106525762A (zh) * | 2016-11-07 | 2017-03-22 | 航天恒星科技有限公司 | 一种基于自适应模型的水质监测方法和水质监测装置 |
| CN109001127A (zh) * | 2018-06-01 | 2018-12-14 | 华南农业大学 | 一种土壤重金属含量空间预测方法 |
| CN109060755A (zh) * | 2018-10-19 | 2018-12-21 | 南京贻润环境科技有限公司 | 一种基于激光荧光诱导技术的土壤污染实时原位检测装置 |
| CN109342337A (zh) * | 2018-12-19 | 2019-02-15 | 山东农业大学 | 一种重度盐渍土盐分获取方法、系统及装置 |
| CN110987909A (zh) * | 2019-11-12 | 2020-04-10 | 华南农业大学 | 一种耕地土壤重金属的空间分布及来源解析方法及装置 |
| AU2020102682A4 (en) * | 2020-10-12 | 2020-12-03 | Xianguang Wang | A prediction method of skarn deposit based on hyperspectral remote sensing images |
-
2021
- 2021-03-02 CN CN202110231834.3A patent/CN113008806B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
| CN107328720A (zh) * | 2017-08-14 | 2017-11-07 | 武汉大学 | 土壤重金属污染程度的空地一体化协同监测系统及方法 |
| CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
| CN109684929A (zh) * | 2018-11-23 | 2019-04-26 | 中国电建集团成都勘测设计研究院有限公司 | 基于多源遥感数据融合的陆生植物生态环境监测方法 |
| CN109657392A (zh) * | 2018-12-28 | 2019-04-19 | 北京航空航天大学 | 一种基于深度学习的高光谱遥感水深反演方法 |
| CN112051222A (zh) * | 2020-08-30 | 2020-12-08 | 山东锋士信息技术有限公司 | 一种基于高分卫星影像的河湖水质监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Spatial distribution of soil heavy metal pollution estimated by different interpolation methods: Accuracy and uncertainty analysis;Yunfeng Xie.et al;《Chemosphere》;20101020;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113008806A (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113008806B (zh) | 一种农产品产地重金属空间分布确定方法 | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| CN104899437A (zh) | 强降雨型滑坡灾害预警方法 | |
| CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
| CN101673369A (zh) | 基于投影寻踪的排水管网洪涝风险评价方法 | |
| CN111367959B (zh) | 一种零时滞非线性扩展Granger因果分析方法 | |
| Lee et al. | Online monitoring and interpretation of periodic diurnal and seasonal variations of indoor air pollutants in a subway station using parallel factor analysis (PARAFAC) | |
| CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
| CN111579500A (zh) | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 | |
| CN114997534B (zh) | 基于视觉特征的相似降雨预报方法和设备 | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
| CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN110261272B (zh) | 基于地理探测和pca对pm2.5浓度分布的关键影响因子筛选方法 | |
| CN112883137B (zh) | 一种农产品产地安全预警方法 | |
| CN113591700A (zh) | 一种潜在滑坡堵江预测方法 | |
| CN113348471A (zh) | 一种大气污染预测中对区域边界优化的方法 | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| CN116187543A (zh) | 基于机器学习的土壤重金属含量预测方法及其应用 | |
| CN116148188A (zh) | 空天地一体化湖泊水质溯源方法、系统、设备及存储介质 | |
| CN116359285A (zh) | 一种基于大数据的油气浓度智能检测系统及方法 | |
| CN116822624A (zh) | 一种基于深度森林模型框架的近地表o3估算方法 | |
| CN113742929B (zh) | 一种针对格点气象实况的数据质量评价方法 | |
| CN112200619A (zh) | 遥感数据与社会调查结合的区域经济发展估算方法及系统 | |
| Kalantari et al. | Evaluating traditional versus ensemble machine learning methods for predicting missing data of daily PM10 concentration |
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 |