CN114238858A - 一种降低农作物中重金属累积值的方法及系统 - Google Patents
一种降低农作物中重金属累积值的方法及系统 Download PDFInfo
- Publication number
- CN114238858A CN114238858A CN202111536609.7A CN202111536609A CN114238858A CN 114238858 A CN114238858 A CN 114238858A CN 202111536609 A CN202111536609 A CN 202111536609A CN 114238858 A CN114238858 A CN 114238858A
- Authority
- CN
- China
- Prior art keywords
- value
- factor
- soil
- crops
- key
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000009825 accumulation Methods 0.000 title claims abstract description 45
- 239000002689 soil Substances 0.000 claims abstract description 178
- 230000008846 dynamic interplay Effects 0.000 claims abstract description 30
- 230000002265 prevention Effects 0.000 claims abstract description 9
- 238000011269 treatment regimen Methods 0.000 claims abstract description 8
- 238000011282 treatment Methods 0.000 claims abstract description 3
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 229910052793 cadmium Inorganic materials 0.000 description 19
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 17
- 241000209094 Oryza Species 0.000 description 16
- 235000007164 Oryza sativa Nutrition 0.000 description 16
- 235000009566 rice Nutrition 0.000 description 16
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 7
- 235000011941 Tilia x europaea Nutrition 0.000 description 7
- 239000004571 lime Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 229910001424 calcium ion Inorganic materials 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 150000002500 ions Chemical class 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 150000001450 anions Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 231100000086 high toxicity Toxicity 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明公开了一种降低农作物中重金属累积值的方法及系统,涉及农作物中重金属含量相关技术领域,包括以下步骤:获取影响农作物重金属累积的关键土壤因子,进而获取中介变量;对关键土壤因子值进行标准化处理;构建中介变量与关键土壤因子标准化值的回归关系方程;建立土壤因子动态交互关系权衡模型;获取权衡因子与中介变量的回归关系方程;根据权衡因子与农作物中重金属含量的回归关系方程,获取农作物重金属含量最低值及最优权衡因子,进而得到最优权衡因子对应的最优关键土壤因子值。本发明能够对多个土壤因子动态交互关系进行准确量化,揭示土壤因子的动态交互过程对农作物中重金属累积趋势的影响程度,得到相应的农田重金属污染防治对策。
Description
技术领域
本发明涉及农作物中重金属含量相关技术领域,更具体的说是涉及一种降低农作物中重金属累积值的方法及系统。
背景技术
重金属(镉、铅、汞等)是生物体非必需元素,其毒性大,迁移性强,且易在农作物(蔬菜、小麦和水稻等)中富集,并通过食物链危害人体健康。长期食用重金属超标的农作物会引发高血压、骨质疏松和肾功能衰竭等多种疾病。农作物中重金属累积过程预测是农作物污染风险调控,人群健康风险评价和土壤农产品安全阈值制定的关键步骤。
外源重金属在进入农田土壤后,经吸附、交换、溶解和沉淀等过程以水合离子、复杂的无机物或有机化合物形式被农作物吸收。这些过程受到土壤pH,土壤氧化还原电位,土壤有机质含量,土壤质地和共存阴阳离子等诸多因素影响。而这些影响因子在农作物中重金属累积过程中呈现动态交互关系,由于该关系具有低强度、长周期、影响因素繁杂等特征,常规试验观测难以准确量化不同土壤因子的动态交互关系,这是当前我国农作物中重金属污染防治的重点和难点问题。
当前关于土壤因子动态交互关系的模拟研究仍较为缺乏。Zeng等应用质量平衡模型VSD+模拟了石灰长期施用下土壤pH和盐基离子变化趋势。Chen等基于质量平衡原理开发了STEM模型,并以此为基础预测了磷肥施用在美国加州农田带来的土壤重金属累积风险。Peng等开发了PAM模型,并以此估算了不同污染源对南方稻田土壤重金属的贡献率。然而上述模型研究均未考虑到土壤pH、土壤微量元素含量等诸多环境因子及其交互作用对农田系统重金属迁移变化的显著影响,且所用参数多来自于文献报道,在实际应用中存在一定的局限性和很大的不确定性。农田土壤环境过程变化较大,且农作物中重金属累积过程变异性强。
因此,如何耦合多个环境因子的变化特性,揭示不同土壤因子交互过程对农作物中重金属累积的影响程度,并给出相应的田间管理优化措施,是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种降低农作物中重金属累积值的方法及系统。
为了实现上述目的,本发明提供如下技术方案:
一种降低农作物中重金属累积值的方法,包括以下步骤:
步骤1、获取区域内土壤样品和农作物样品,对所有样品进行数据采集,并构建数据集;
步骤2、基于所述数据集,提取影响农作物中重金属累积的关键土壤因子;
步骤3、基于所述关键土壤因子,获取中介变量;对关键土壤因子值进行标准化处理,得到关键土壤因子标准化值;构建中介变量与关键土壤因子标准化值之间的回归关系方程;
步骤4、以权衡因子TF值为因变量,以关键土壤因子标准化值为自变量,建立土壤因子动态交互关系权衡模型;
步骤5、将中介变量与关键土壤因子标准化值之间的回归关系方程带入到所述步骤4的土壤因子动态交互关系权衡模型中,获取权衡因子TF值与中介变量的回归关系方程;
步骤6:获取权衡因子TF值与农作物中重金属含量之间的回归关系方程,并获取农作物中重金属含量最低值及对应的最优权衡因子TF值;
步骤7:通过模型反推,得到最优权衡因子TF值所对应的最优关键土壤因子值,基于最优关键土壤因子值以调整农田重金属污染防治对策。
可选的,所述步骤2中,关键土壤因子的个数为1个或多个。
可选的,所述步骤1中,采集的数据包括土壤基础理化性质、土壤重金属含量、农作物中重金属含量,并基于土壤样品和农作物样品之间的对应关系,构建数据集。
可选的,所述步骤2的具体方法为,以农作物中重金属含量为因变量,以土壤重金属含量和土壤理化性质为自变量,采用Freundlich方程和多元逐步回归方法,获取影响农作物中重金属累积的关键土壤因子。
可选的,所述步骤3中,采用相关分析法,获取中介变量;对所述关键土壤因子进行标准化处理的方法为比值法;构建中介变量与关键土壤因子标准化值之间的回归关系方程的方法为回归分析法。
可选的,在所述步骤4的土壤因子动态交互关系权衡模型中,权衡因子TF值为关键土壤因子标准化值之和。
可选的,所述步骤6中,基于回归分析方法,获取权衡因子TF值与农作物中重金属含量之间的回归关系方程。
可选的,所述步骤7具体包括以下步骤:
步骤7.1、基于步骤5中权衡因子TF与中介变量的回归关系方程,根据步骤6所得到的最优权衡因子TF值,得到最优权衡因子TF值对应的中介变量值;
步骤7.2、将步骤7.1中得到的中介变量值带入步骤3的中介变量与关键土壤因子标准化值之间的回归关系方程中,获取最优权衡因子TF值对应的最优关键土壤因子值;
步骤7.3、基于步骤7.2得到的最优关键土壤因子值,调整农田投入品的用量,将关键土壤因子值调整到最优关键土壤因子值附近,以降低农作物中重金属累积量。
本发明还公开一种降低农作物中重金属累积值的系统,包括:
数据集构建模块,用于获取区域内土壤样品和农作物样品,对所有样品进行数据采集,构建数据集;
关键土壤因子获取模块,用于基于所述数据集,提取影响农作物中重金属累积的关键土壤因子;
第一回归关系方程构建模块,用于基于所述关键土壤因子,获取中介变量;对关键土壤因子值进行标准化处理,得到关键土壤因子标准化值;构建中介变量与关键土壤因子标准化值之间的回归关系方程;
土壤因子动态交互关系权衡模型构建模块,用于以权衡因子TF值为因变量,以关键土壤因子标准化值为自变量,建立土壤因子动态交互关系权衡模型;
第二回归关系方程构建模块,用于将中介变量与关键土壤因子标准化值之间的回归关系方程带入到所述土壤因子动态交互关系权衡模型中,获取权衡因子TF值与中介变量的回归关系方程;
最优权衡因子TF值获取模块,用于获取权衡因子TF值与农作物中重金属含量之间的回归关系方程,并获取农作物中重金属含量最低值及对应的最优权衡因子TF值;
最优关键土壤因子值获取模块,用于通过模型反推,得到最优权衡因子TF值所对应的最优关键土壤因子值,基于最优关键土壤因子值以调整农田重金属污染防治对策。
经由上述的技术方案可知,本发明公开提供了一种降低农作物中重金属累积值的方法及系统,与现有技术相比,具有以下有益效果:
本发明通过构建土壤因子动态交互关系权衡模型和多元回归方程模型,实现对多个土壤因子动态交互关系的准确量化,揭示多个土壤因子的动态交互过程对农作物中重金属累积趋势的影响程度,推导出关键土壤因子的阈值变化规律,并基于得到的最优关键土壤因子值,提出相应的农田重金属污染防治对策,降低农作物中重金属累积风险。
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,还可以根据提供的附图获得其他的附图。
图1为本发明的方法步骤流程图;
图2为本发明的系统结构示意图;
图3(a)-图3(d)为本发明指导实施案例的土壤pH,Mn和Cd有效态标准化值和权衡值(TF)动态交互关系示意图;
图4为本发明指导实施案例的稻米镉和权衡值(TF)动态交互关系示意图;
图5为本发明指导实施案例的稻米镉含量变化示意图。
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。
本发明实施例公开了一种降低农作物中重金属累积值的方法,参见图1,包括以下步骤:
步骤1、选取典型地块进行区域采样,获取区域内土壤样品和农作物样品,对所有样品进行数据采集,获取样品土壤基础理化性质、土壤重金属含量、农作物中重金属含量并构建数据集;
步骤2、基于所述数据集,以农作物中重金属含量为因变量,以土壤重金属含量和土壤理化性质为自变量,采用Freundlich方程和多元逐步回归方法,获取影响农作物中重金属累积的n个关键土壤因子。
Freundlich方程表示为:
log[Hcrop]=a0+∑ai×log[Ci],
其中,Hcrop表示农作物中重金属含量(mg kg-1),a0和ai表示方程拟合系数,通过逐步多元回归方法获取。
步骤3、基于所述关键土壤因子,采用相关分析法获取中介变量;采用比值法对关键土壤因子值进行标准化处理,得到关键土壤因子标准化值;基于回归分析法,构建中介变量与关键土壤因子标准化值之间的回归关系方程;
中介变量与关键土壤因子之间的回归关系方程表示为:
C1=f1(r),Ci=fi(r),其中r为中介变量。
步骤4、以权衡因子TF值为因变量,以关键土壤因子标准化值为自变量,建立土壤因子动态交互关系权衡模型,用于表征土壤因子动态交互关系;所述权衡因子TF值为关键土壤因子标准化值之和。
土壤因子动态交互关系权衡方程为:
其中,TF为权衡因子,Ci(i=1,2,...,n)为影响农作物中重金属含量的n个关键土壤因子,[Ci]/Max[Ci]为土壤因子的标准化过程,其中Max[Ci]表示不同土壤因子的最大观测值。
步骤5、将中介变量与关键土壤因子标准化值之间的回归关系方程带入到所述步骤4的土壤因子动态交互关系权衡模型中,获取权衡因子TF值与中介变量的回归关系方程;
权衡因子TF与中介变量r的回归关系方程表示为:
步骤6、基于回归分析方法,获取权衡因子TF值与农作物中重金属含量之间的回归关系方程,并获取农作物中重金属含量最低值及对应的最优权衡因子TF值;
权衡因子TF与农作物中重金属含量的回归关系方程为:
Hcrop=f(TF)。
最优TF值及其对应的最低农作物中重金属含量表示为:
Min(Hcrop)=Min[f(TF)]。
步骤7:通过模型反推,得到最优权衡因子TF值所对应的最优关键土壤因子值,基于最优关键土壤因子值以调整农田重金属污染防治对策。
具体的,步骤7包括:
步骤7.1、基于步骤5中权衡因子TF与中介变量的回归关系方程,根据步骤6所得到的最优权衡因子TF值,得到最优权衡因子TF值[OPT(TF)]对应的中介变量值[OPT(r)]:
OPT(TF)=OPT(f[fi(r)])。
步骤7.2、将步骤7.1中得到的中介变量值带入步骤3的中介变量与关键土壤因子标准化值之间的回归关系方程中,获取最优权衡因子TF值对应的最优关键土壤因子值OPT(Ci):OPT(Ci)=OPT[fi(r)]。
步骤7.3、基于步骤7.2得到的最优关键土壤因子值,调整农田投入品的用量,将关键土壤因子值调整到最优关键土壤因子值附近,以降低农作物中重金属累积量。
本发明实施例还公开一种降低农作物中重金属累积值的系统,参见图2,包括:
数据集构建模块,用于获取区域内土壤样品和农作物样品,对所有样品进行数据采集,构建数据集;
关键土壤因子获取模块,用于基于所述数据集,提取影响农作物中重金属累积的关键土壤因子;
第一回归关系方程构建模块,用于基于所述关键土壤因子,获取中介变量;对关键土壤因子值进行标准化处理,得到关键土壤因子标准化值;构建中介变量与关键土壤因子标准化值之间的回归关系方程;
土壤因子动态交互关系权衡模型构建模块,用于以权衡因子TF值为因变量,以关键土壤因子标准化值为自变量,建立土壤因子动态交互关系权衡模型;
第二回归关系方程构建模块,用于将中介变量与关键土壤因子标准化值之间的回归关系方程带入到所述土壤因子动态交互关系权衡模型中,获取权衡因子TF值与中介变量的回归关系方程;
最优权衡因子TF值获取模块,用于获取权衡因子TF值与农作物中重金属含量之间的回归关系方程,并获取农作物中重金属含量最低值及对应的最优权衡因子TF值;
最优关键土壤因子值获取模块,用于通过模型反推,得到最优权衡因子TF值所对应的最优关键土壤因子值,基于最优关键土壤因子值以调整农田重金属污染防治对策。
下面使用具体实施例,以充分理解本发明技术方案:
步骤一、稻米镉污染是我国当前最为棘手的粮食安全问题,但许多稻米镉污染防治措施在大田应用中并不理想,以湖南攸县这一我国稻米主产区为案例进行实验,选取典型地块进行区域采样。
步骤二、通过Freundlich方程获取关键土壤因子:
Log(Crice)=1.621-0.081×[pH]-0.644×log[Mn]+0.083×log[Cdava],
可见土壤pH、无定型Mn和有效态有效态Cd(Cdava)是影响稻米镉累积的关键土壤因子。
步骤三、通过相关分析得出土壤pH、土壤Mn和土壤有效态Cd(Cdava)与土壤交换性Ca离子显著相关,即以Ca作为中介变量。
步骤四、通过回归拟合,得到pH、Mn和土壤有效态Cd(Cdava)与中介变量(土壤交换性Ca离子,Caex)的回归关系:
[pH]=-0.05+2.56×Ln[Caex],
[Mn]=84.6+3.71×[Caex]-0.22×[Caex]2,
[Cdava]=-0.146+0.433×Ln[Caex],
[pH]/Max[pH]、[Mn]/Max[Mn]和[Cdava]/Max[Cdava]分别表示影响稻米镉累积的关键土壤因子pH、Mn和Cdava的标准化数值。
步骤五、稻米镉累积土壤关键因子权衡模型基本方程表述为:
其中,TFrice为稻米镉累积权衡值,Ci为影响稻米镉累积的关键土壤因子。
步骤六、在案例研究中,土壤pH最大观测值为8.31,土壤无定型Mn最大观测值为101mg kg-1,土壤有效态Cd(Cdava)最大观测值为0.468mg kg-1,则土壤pH、土壤Mn和土壤有效态Cd(Cdava)与中介变量(土壤交换性Ca离子,Caex)的关系可进一步表征为:
[pH]/Max[pH]=-0.006+0.308×Ln[Caex],
[Mn]/Max[Mn]=0.837+0.0367×[Caex]-0.00218×[Caex]2,
[Cdava]/Max[Cdava]=-0.312+0.925×Ln[Caex]。
步骤七、结合土壤因子动态交互权衡模型,稻米镉累积权衡值TFrice可以进一步表征为:
TFrice=0.519+0.0367×[Caex]+1.233×Ln[Caex]-0.00218×[Caex]2,
稻米镉含量(Hrice,mg kg-1)可进一步推导为:
Hrice=7.62-7.86×[TF]+2.26×[TF]2。
步骤八、通过绘制方程曲线示意图,获取pH、Mn和土壤有效态Cd(Cdava)在稻米镉累积过程中的动态交互关系(参见图3a-图3d),并得出最优TF值及其所对应的pH、Mn和土壤有效态Cd(Cdava)数值。
步骤九、通过求取目标抛物线(Hrice=7.62-7.86×[TF]+2.26×[TF]2)焦点坐标,获取最优TF值为1.74(参见图4),并进一步推导出所对应的最优稻米镉控制策略,即通过石灰和微量元素肥料添加调控水稻土pH至6.5时(约200kg/亩石灰时),土壤Mn调至95mg kg-1(约25kg/亩微肥时),土壤有效态Cd(Cdava)调至0.05mg kg-1时(约200kg/亩石灰时)可获取最佳的降镉效果,石灰少量和过量都不能达到最佳降镉效果。通过在田间的实际应用,即撒施200kg/亩石灰时,区域95%的稻米镉含量均可降低到国家标准以下(0.2mg kg-1,参见图5),进一步证实了模型模拟结果的准确性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种降低农作物中重金属累积值的方法,其特征在于,包括以下步骤:
步骤1、获取区域内土壤样品和农作物样品,对所有样品进行数据采集,并构建数据集;
步骤2、基于所述数据集,提取影响农作物中重金属累积的关键土壤因子;
步骤3、基于所述关键土壤因子,获取中介变量;对关键土壤因子值进行标准化处理,得到关键土壤因子标准化值;构建中介变量与关键土壤因子标准化值之间的回归关系方程;
步骤4、以权衡因子TF值为因变量,以关键土壤因子标准化值为自变量,建立土壤因子动态交互关系权衡模型;
步骤5、将中介变量与关键土壤因子标准化值之间的回归关系方程带入到所述步骤4的土壤因子动态交互关系权衡模型中,获取权衡因子TF值与中介变量的回归关系方程;
步骤6:获取权衡因子TF值与农作物中重金属含量之间的回归关系方程,并获取农作物中重金属含量最低值及对应的最优权衡因子TF值;
步骤7:通过模型反推,得到最优权衡因子TF值所对应的最优关键土壤因子值,基于最优关键土壤因子值以调整农田重金属污染防治对策。
2.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,所述步骤2中,关键土壤因子的个数为1个或多个。
3.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,所述步骤1中,采集的数据包括土壤基础理化性质、土壤重金属含量、农作物中重金属含量,并基于土壤样品和农作物样品之间的对应关系,构建数据集。
4.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,所述步骤2的具体方法为,以农作物中重金属含量为因变量,以土壤重金属含量和土壤理化性质为自变量,采用Freundlich方程和多元逐步回归方法,获取影响农作物中重金属累积的关键土壤因子。
5.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,所述步骤3中,采用相关分析法,获取中介变量;对所述关键土壤因子进行标准化处理的方法为比值法;构建中介变量与关键土壤因子标准化值之间的回归关系方程的方法为回归分析法。
6.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,在所述步骤4的土壤因子动态交互关系权衡模型中,权衡因子TF值为关键土壤因子标准化值之和。
7.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,所述步骤6中,基于回归分析方法,获取权衡因子TF值与农作物中重金属含量之间的回归关系方程。
8.根据权利要求1所述的一种降低农作物中重金属累积值的方法,其特征在于,所述步骤7具体包括以下步骤:
步骤7.1、基于步骤5中权衡因子TF与中介变量的回归关系方程,根据步骤6所得到的最优权衡因子TF值,得到最优权衡因子TF值对应的中介变量值;
步骤7.2、将步骤7.1中得到的中介变量值带入步骤3的中介变量与关键土壤因子标准化值之间的回归关系方程中,获取最优权衡因子TF值对应的最优关键土壤因子值;
步骤7.3、基于步骤7.2得到的最优关键土壤因子值,调整农田投入品的用量,将关键土壤因子值调整到最优关键土壤因子值附近,以降低农作物中重金属累积量。
9.一种降低农作物中重金属累积值的系统,其特征在于,包括:
数据集构建模块,用于获取区域内土壤样品和农作物样品,对所有样品进行数据采集,构建数据集;
关键土壤因子获取模块,用于基于所述数据集,提取影响农作物中重金属累积的关键土壤因子;
第一回归关系方程构建模块,用于基于所述关键土壤因子,获取中介变量;对关键土壤因子值进行标准化处理,得到关键土壤因子标准化值;构建中介变量与关键土壤因子标准化值之间的回归关系方程;
土壤因子动态交互关系权衡模型构建模块,用于以权衡因子TF值为因变量,以关键土壤因子标准化值为自变量,建立土壤因子动态交互关系权衡模型;
第二回归关系方程构建模块,用于将中介变量与关键土壤因子标准化值之间的回归关系方程带入到所述土壤因子动态交互关系权衡模型中,获取权衡因子TF值与中介变量的回归关系方程;
最优权衡因子TF值获取模块,用于获取权衡因子TF值与农作物中重金属含量之间的回归关系方程,并获取农作物中重金属含量最低值及对应的最优权衡因子TF值;
最优关键土壤因子值获取模块,用于通过模型反推,得到最优权衡因子TF值所对应的最优关键土壤因子值,基于最优关键土壤因子值以调整农田重金属污染防治对策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536609.7A CN114238858B (zh) | 2021-12-15 | 2021-12-15 | 一种降低农作物中重金属累积值的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111536609.7A CN114238858B (zh) | 2021-12-15 | 2021-12-15 | 一种降低农作物中重金属累积值的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114238858A true CN114238858A (zh) | 2022-03-25 |
CN114238858B CN114238858B (zh) | 2022-09-30 |
Family
ID=80756450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111536609.7A Active CN114238858B (zh) | 2021-12-15 | 2021-12-15 | 一种降低农作物中重金属累积值的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114238858B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115759420A (zh) * | 2022-11-17 | 2023-03-07 | 中国科学院生态环境研究中心 | 一种基于离子活度理论的农作物重金属富集水平混合变量预测方法 |
CN115775042A (zh) * | 2022-11-11 | 2023-03-10 | 中国科学院生态环境研究中心 | 基于贝叶斯理论的农作物重金属富集风险预测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2249353A1 (en) * | 1996-03-21 | 1997-09-25 | Slavik Dushenkov | Method for hyperaccumulation of metals in plant shoots |
CN104331834A (zh) * | 2014-10-16 | 2015-02-04 | 福建农林大学 | 种植在重金属污染土壤上作物产品质量安全性的评估方法 |
US20160009994A1 (en) * | 2013-02-05 | 2016-01-14 | China National Rice Research Institute | Soil heavy metal curing agent for controlling accumulation of heavy metals of crops and preparation method thereof |
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 |
CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策系统及方法 |
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 |
CN110083985A (zh) * | 2019-05-21 | 2019-08-02 | 南京大学 | 一种土壤镉镍复合的小麦富集量的预测方法 |
CN111462834A (zh) * | 2019-11-14 | 2020-07-28 | 中国科学院地理科学与资源研究所 | 一种植物中镉过量的概率值的预测方法及系统 |
CN111507610A (zh) * | 2020-04-14 | 2020-08-07 | 江苏省环科院环境科技有限责任公司 | 一种土壤重金属污染的累积性环境风险预警方法 |
CN113125644A (zh) * | 2021-04-07 | 2021-07-16 | 大连理工大学 | 一种基于土壤共存金属影响的小麦籽粒镉富集量预测方法 |
-
2021
- 2021-12-15 CN CN202111536609.7A patent/CN114238858B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2249353A1 (en) * | 1996-03-21 | 1997-09-25 | Slavik Dushenkov | Method for hyperaccumulation of metals in plant shoots |
US20160009994A1 (en) * | 2013-02-05 | 2016-01-14 | China National Rice Research Institute | Soil heavy metal curing agent for controlling accumulation of heavy metals of crops and preparation method thereof |
CN104331834A (zh) * | 2014-10-16 | 2015-02-04 | 福建农林大学 | 种植在重金属污染土壤上作物产品质量安全性的评估方法 |
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 |
CN107220782A (zh) * | 2017-06-27 | 2017-09-29 | 上海市环境科学研究院 | 复垦土地分级安全利用的土壤环境质量分级判别方法 |
CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策系统及方法 |
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 |
CN110083985A (zh) * | 2019-05-21 | 2019-08-02 | 南京大学 | 一种土壤镉镍复合的小麦富集量的预测方法 |
CN111462834A (zh) * | 2019-11-14 | 2020-07-28 | 中国科学院地理科学与资源研究所 | 一种植物中镉过量的概率值的预测方法及系统 |
CN111507610A (zh) * | 2020-04-14 | 2020-08-07 | 江苏省环科院环境科技有限责任公司 | 一种土壤重金属污染的累积性环境风险预警方法 |
CN113125644A (zh) * | 2021-04-07 | 2021-07-16 | 大连理工大学 | 一种基于土壤共存金属影响的小麦籽粒镉富集量预测方法 |
Non-Patent Citations (4)
Title |
---|
XIAOSHUAI WU ET.AL: "Wheat (Triticum aestivum L.) grains uptake of lead (Pb), transfer factors and prediction models for various types of soils from China", 《ECOTOXICOLOGY AND ENVIRONMENTAL SAFETY》 * |
YANG YANG ET.AL: "Cadmium Accumulation Risk in Vegetables and Rice in Southern China: Insights from Solid-Solution Partitioning and Plant Uptake Factor", 《AGRICULTURAL AND FOOD CHEMISTRY》 * |
徐友宁 等: "矿业活动区农田土壤重金属累积风险的评判方法——以小秦岭金矿区为例", 《地质通报》 * |
杨阳 等: "湖南攸县稻米镉(Cd)富集特征及原因解析", 《环境科学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115775042A (zh) * | 2022-11-11 | 2023-03-10 | 中国科学院生态环境研究中心 | 基于贝叶斯理论的农作物重金属富集风险预测方法及系统 |
CN115775042B (zh) * | 2022-11-11 | 2023-05-05 | 中国科学院生态环境研究中心 | 基于贝叶斯理论的农作物重金属富集风险预测方法及系统 |
CN115759420A (zh) * | 2022-11-17 | 2023-03-07 | 中国科学院生态环境研究中心 | 一种基于离子活度理论的农作物重金属富集水平混合变量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114238858B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114238858B (zh) | 一种降低农作物中重金属累积值的方法及系统 | |
Zhang et al. | Analyzing and modelling the effect of long-term fertilizer management on crop yield and soil organic carbon in China | |
Six et al. | The performance of DGT versus conventional soil phosphorus tests in tropical soils—maize and rice responses to P application | |
Pringle et al. | A preliminary approach to assessing the opportunity for site-specific crop management in a field, using yield monitor data | |
Wang et al. | Economic and environmental evaluation of variable rate nitrogen and lime application for claypan soil fields | |
Sepaskhah et al. | Logistic model application for prediction of maize yield under water and nitrogen management | |
Cichota et al. | Describing N leaching from urine patches deposited at different times of the year with a transfer function | |
Yang et al. | Dynamic interactions between soil cadmium and zinc affect cadmium phytoavailability to rice and wheat: Regional investigation and risk modeling | |
Wu et al. | Cadmium threshold for acidic and multi-metal contaminated soil according to Oryza sativa L. Cadmium accumulation: Influential factors and prediction model | |
CN114417604A (zh) | 基于质量平衡原理的土壤重金属累积过程概率模拟方法 | |
CN103605878B (zh) | 一种基于数据建模和模型移植的通用血糖预测方法 | |
CN112893427A (zh) | 一种重金属污染耕地修复治理的智能化决策方法 | |
Hong et al. | Phosphorus availability changes in acidic soils amended with biochar, fly ash, and lime determined by diffusive gradients in thin films (DGT) technique | |
CN105701575A (zh) | 一种基于土壤-作物系统的农产品重金属风险评估方法 | |
CN114239278A (zh) | 土壤重金属累积过程时空模拟模型构建方法 | |
Saa et al. | Prediction of leaf nitrogen from early season samples and development of field sampling protocols for nitrogen management in Almond (Prunus dulcis [Mill.] DA Webb) | |
Shepherd et al. | The effect of drought and nitrogen fertiliser addition on nitrate leaching risk from a pasture soil; an assessment from a field experiment and modelling | |
Yartu et al. | Humidity forecasting in a potato plantation using time-series neural models | |
Wade et al. | Over-parameterised, uncertain ‘mathematical marionettes’—How can we best use catchment water quality models? An example of an 80-year catchment-scale nutrient balance | |
CN115759420B (zh) | 一种基于离子活度理论的农作物重金属富集水平混合变量预测方法 | |
Bocchi et al. | Identification of different potential production areas for corn in Italy through multitemporal yield map analysis | |
Van der Laan | Development, testing and application of a crop nitrogen and phosphorus model to investigate leaching losses at the local scale | |
CN105044307A (zh) | 一种基于贝叶斯理论的土壤重金属二维风险概率评估方法 | |
Lundgren et al. | Predictive modeling of plant uptake of Pb and Cd: implications of aerial deposition and the origin of parameterisation data | |
Demaria et al. | Soil properties and phosphorus isotopic exchangeability in cropped temperate soils |
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 |