CN115116558A - 一种重金属含量动态预测方法 - Google Patents

一种重金属含量动态预测方法 Download PDF

Info

Publication number
CN115116558A
CN115116558A CN202210798958.4A CN202210798958A CN115116558A CN 115116558 A CN115116558 A CN 115116558A CN 202210798958 A CN202210798958 A CN 202210798958A CN 115116558 A CN115116558 A CN 115116558A
Authority
CN
China
Prior art keywords
research
indexes
area
remote sensing
index
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
Application number
CN202210798958.4A
Other languages
English (en)
Other versions
CN115116558B (zh
Inventor
安毅
霍莉莉
武丽娜
刘春湘
丁健
林大松
杜兆林
秦莉
姚彦坡
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.)
Agro Environmental Protection Institute Ministry of Agriculture
Original Assignee
Agro Environmental Protection Institute Ministry of Agriculture
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 Agro Environmental Protection Institute Ministry of Agriculture filed Critical Agro Environmental Protection Institute Ministry of Agriculture
Priority to CN202210798958.4A priority Critical patent/CN115116558B/zh
Publication of CN115116558A publication Critical patent/CN115116558A/zh
Application granted granted Critical
Publication of CN115116558B publication Critical patent/CN115116558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20Identification of molecular entities, parts thereof or of chemical compositions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/10Terrestrial scenes
    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16CCOMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种重金属含量动态预测方法,通过产地环境数据库建立、区域划分、遥感模型构建、误差分析四大步骤,集合相似度计算、聚类分析、插值运算、高光谱反演、误差迭代等技术手段,多层面多方法联合获取研究区域监测数据,实时、快速、高效预测土壤中重金属含量及空间分布信息。

Description

一种重金属含量动态预测方法
技术领域
本发明属于农业环境技术领域,具体涉及一种重金属含量动态预测方法。
背景技术
土壤环境污染问题日趋严峻,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,准确有效获取土壤污染分布情况是开展土壤污染防治工作的基础。目前土壤环境监测数据获取方法多为定点采样、点源观测,部分研究结合地统计插值、高光谱遥感等方法间接获取土壤监测数据。
上述技术方法存在的主要问题有:(1)监测技术单一,数据获取困难、时间耗费长且精力投入多;(2)土壤监测数据预测方法准确度较低;(3)现有高光谱遥感反演模型适用性低,监测数据与反演数据误差较大。
发明内容
本发明通过产地环境数据库建立、区域划分、遥感模型构建、误差分析四大步骤,集合相似度计算、聚类分析、插值运算、高光谱反演、误差迭代等技术手段,多层面多方法联合获取研究区域监测数据,实时、快速、高效预测土壤中重金属含量及空间分布信息。
为了解决上述技术问题,本发明公开了一种重金属含量动态预测方法,包括以下步骤:
(1)产地环境数据库建立
(1.1)收集研究区域历史监测信息,所述历史监测信息包括土壤监测数据和环境数据;
所述土壤监测数据包括两类:历史土壤点位的研究指标及对应检测数据、其他指标及对应检测数据;
(1.2)收集研究区域历史遥感信息
(1.3)收集同源指标信息
所述同源指标是指土壤中随着研究指标活化、累积或迁移等变化进而含量发生变化,同时能够获取遥感光谱信息的指标;
所述同源指标包括:Na、Ca、Mg、Zn、Pb、Fe2O3、MnO、K2O、SiO2等;
(2)区域划分
(2.1)方格布设
将研究区域进行方格划分,确保所有方格内均存有历史土壤点位;
所述方格内农田面积小于方格面积的1/10时,此方格可与相邻农田所在方格合并;
所述方格大小一致且彼此相连;
(2.2)土壤相似度求解
(2.2.1)数据前处理
对研究区域内历史土壤点位的土壤监测数据进行前处理,所述前处理包括对数处理及归一化处理两步:
所述对数处理的计算公式具体如下:
c’=log10 (c)
其中c为研究指标及其他指标的检测数据;
B对数处理后的数据再采用z-score方法进行归一化处理,获得归一化监测值,计算公式具体如下:
Figure BDA0003733266550000021
其中,μ为研究指标及其他指标检测数据对数处理后的平均值,δ为研究指标及其他指标检测数据对数处理后的标准差,计算公式为
Figure BDA0003733266550000022
N为点位数量;
(2.2.2)矩阵变换
对研究区域内所有历史土壤点位的归一化监测值进行矩阵转换运算,获取得分系数矩阵,所述得分系数矩阵的行为研究指标及其他指标得分系数,列为主成份类别;
根据得分系数矩阵得到任意主成份E类别下研究指标j与其他指标i的矩阵关系式如下:
E=m1I1+m2I2+…+miIi+mjIj
其中:mi为得分系数矩阵中其他指标i对应的得分系数,mj为得分系数矩阵中研究指标j对应的得分系数,Ii对应为其他指标i,仅示意无取值,Ij对应为研究指标j,仅示意无取值;
(2.2.3)相似度求解
A研究指标j与其他指标i对应关系如下所示,通过最小二乘法求解全局权重wj,关系式具体如下:
Ej=Σyimi+yjmj
yj=w1E1+w2E2+…+wiEi+wjEj
其中,yi为其他指标i的归一化监测值,yj为研究指标j的归一化监测值;
B采用最小二乘法分别求出各方格的方格权重vjn,其中n为方格序号;
依据全局权重和方格权重分别构建矩阵,进而求出各方格与研究区域的土壤相似度,具体公式如下:
Figure BDA0003733266550000031
其中cosθjn为第n方格与研究区域关于研究指标j的土壤相似度,w为全局权重矩阵,v为方格权重矩阵;
(2.3)子区域划定
对各方格的土壤相似度进行聚类,将研究区域分为不同土壤特性的子区域;
(3)遥感模型构建
研究区域各子区域的遥感模型构建方法一致,构建子区域遥感模型:
(3.1)梳理产地环境数据库内的同源指标信息和遥感信息,确定涉及到该子区域的同源指标信息,同时提取产地环境数据库内该子区域的历史遥感光谱,进行光谱预处理,并获取历史土壤点位对应的反演数据;
(3.2)遥感模型
(3.2.1)以研究指标j检测数据为因变量,同源指标检测数据为自变量,建立监测值模型,并筛选出最佳监测值模型,即判定系数R2最大的监测值模型;
(3.2.2)以同源指标检测数据为因变量,同源指标对应的高光谱反射率为自变量,分别建立光谱模型,分别筛选出各项同源指标最佳的光谱模型,即判定系数R2最大的光谱模型;
(3.2.3)联合第(3.2.1)步与第(3.2.2)步的两类模型,最终获取研究指标j的遥感模型;
所述监测值模型及光谱模型的拟合方法包括最小二乘、多元线性、逐步回归、幂/指函数、决策树、神经网络等;
所述遥感模型自变量为B1、B2...Ba等,其中a对应遥感光谱第a个波段提取的反射率;
(3.3)点位预测误差计算
分别提取该子区域所有历史土壤点位的研究指标检测数据与遥感模型结果数据,即反演数据,采用相对误差法计算出所有历史土壤点位的点位预测误差Dj,计算公式具体如下:
Figure BDA0003733266550000051
其中,cj为研究指标j的检测数据,Xj为研究指标j的反演数据;
(3.4)误差插值
对该子区域内所有历史土壤点位的预测误差进行空间插值运算,获取该子区域预测误差分布图;
(4)误差分析
(4.1)基于该子区域所有历史土壤点位的点位预测误差计算第一轮区域预测误差(Aj1),计算公式如下:
Figure BDA0003733266550000052
其中,k为区域预测误差计算轮数,Avj为子区域内的点位预测误差均值;
(4.2)依据预测误差分布图,确定研究指标j的预测误差范围,以是否超过区域预测误差的R%作为区域预测误差分类值,将该子区域分为误差符合区域及误差不符区域两类,误差符合区域直接执行第(4.4)步,误差不符区域按序执行第(4.3)步;
(4.3)针对误差不符区域,重复遥感模型建立的(4.1)-(4.4)步及误差分析的(4.1)-(4.2)步,直至所有区域均为误差符合区域;
(4)基于各子区域的遥感模型,结合遥感光谱,动态预测研究区域内研究指标的含量分布图。
进一步地,所述研究指标为Cd、Hg、As、Pb、Cr中的一项或多项;其他指标包括Cu、Zn、Ni、Ca、Na、Mg、N、P、K、Fe、Al、Si、Se、Ti、B、Mn、Co、Sr、Mo、V、pH、SOM、CEC等;
进一步地,所述环境数据包括:区域面积、行政边界、海拔高度、点位信息、采样时间、周边污染源、水源信息、施肥情况等;
进一步地,通过查阅文献、书籍、实验报告、会议记录等方式,确定研究区域内涉及到研究指标的光谱数据来源、遥感光谱、光谱敏感波段、光谱处理方法、反射率、反演模型、反演准确率等信息;
所述光谱数据来源为卫星遥感、无人机扫描、实验室检测等;
进一步地,所述一项研究指标包括一项或多项同源指标,不同研究指标的同源指标可以相同;
进一步地,依据研究区域特征进行方格划分,所述研究区域特征包括区域面积、农田类型、周边地物等;
进一步地,所述方格序号依据研究需求人为设定;
进一步地,所以聚类包括K-means聚类、均值漂移聚类、基于密度的聚类、最大期望聚类、凝聚层次聚类等;
进一步地,所述光谱预处理步骤包括遥感噪声去除、影像校正、光谱变换、大气校正、影像裁剪等;所述影响校正包括辐射校正、几何校正;
进一步地,所述反演数据包括同源指标、敏感波段、反射率信息;
进一步地,研究区域各子区域的误差分析方法一致;
进一步地,所述R%依据研究需求人为设定,如取值范围可为0-200%;
本发明的一种重金属含量动态预测方法,具有以下优点:
1.本发明综合利用数据库信息与遥感光谱信息,减少监测点位获取难度的同时提高监测效率,提供了一种便捷高效的监测方法及更快速的监测数据获取方法,节约了约20%的资金投入及35%的时间成本;
2.本发明采用先小区域拆分、后大区域融合的方式,结合迭代更新误差不符区域,依据土壤特性将研究区域进行合理精确划分,择优选取同源指标及反演模型,增强预测方法适用性及预测结果准确性。
附图说明
图1为一种重金属含量动态预测方法技术流程图;
图2为Q县方格划分分布图;
图3为方格土壤相似度分布图;
图4为子区域分布图;
图5为区域1第一轮区域划分结果分布图;
图6为Cd含量分布图;
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.产地环境数据库建立
(1)产地环境数据库建立:选取Q县内农田为研究对象,收集该区域环境信息、历史土壤监测数据:选取Cd为研究指标,其他指标包括Hg、As、Pb、Cr、pH、CEC、SOM、K、Cu、Zn、Ni、Al、Si、Fe、Mn、Ca、Mg、Ce、La、Mo、Na共计21项;
(2)通过查阅文献、实验报告等方法,获取关于Q县的历史遥感信息:遥感光谱主要来自Landsat 8OLI影像(2016年,9月,含云量为0.81%),影像拍摄时间与历史土壤监测点位采样时间一致;
(3)以Cd为研究指标,收集相关资料确定与其相关的同源性指标包括Zn、Mg、Fe、Ca、Pb、K;
2.区域划分
(1)Q县地势较为平坦,无大流量河流流经,主要为水田,种植单季水稻;依据县域特征综合考虑以800*800m规格进行方格划分,初步划分为9个方格,其中一个方格无历史土壤点位,一个方格内农田面积小于方格的1/10,故最终保留7个方格,划分结果见图2;
(2)对产地环境数据库中2015年Q县的土壤Cd指标及其他指标的检测数据进行数据前处理,并依据全局权重公式、方格权重公式及土壤相似度公式计算出所有方格的土壤相似度,结果见图3;
(3)采用K-means聚类方法,将所有方格进行聚类分析,共分为3个子区域,见图4;
3.遥感模型构建
(1)以子区域1为例,梳理产地环境数据库中涉及到子区域的遥感信息及同源指标,包括Ca、Mg、Zn、Fe2O3四项;基于四项同源指标及Cd的检测数据,选取多种方法进行模型拟合,最终筛选出判定系数R2最大的监测值模型:Cd=-0.121+0.02Zn-0.0003Mg-0.019Fe-0.0003Ca;
(2)产地环境数据库中的遥感数据已经过噪声去除、大气矫正处理,采用envi软件对遥感光谱进行辐射定标等预处理,并提取所有历史土壤点位的反射率;采用spss对同源指标的检测数据与7个波段的反射率进行相关性分析,分别选取相关性最强的波段,并进行模型拟合,确定四项同源指标的最佳光谱模型;
(3)联合监测值模型及四项同源指标的光谱模型,既为子区域1的遥感模型,遥感模型具体为Cd=0.6+0.03ln(B5)+0.002ln(B6)+0.0002(B6),其中B5、B6分别为依据Landsat 8OLI影像提取出的第五波段(近红外波段)及第六波段(短波红外1)的反射率;
(4)依据点位预测误差公式计算子区域1内所有历史土壤点位的点位预测误差,并通过Arcgis进行普通克里金插值获得区域1的预测误差分布图,预测误差范围为0.1-3.7;
(5)依据区域预测误差计算公式,计算出第一轮区域预测误差,且以区域预测误差95%为条件划分区域,将区域分为误差符合区域和误差不符区域两类,见图5;
(6)针对筛选出的误差不符区域,重复以上步骤,直至所有区域均为误差符合区域,共迭代6次;
4.误差分析
(1)采用相同步骤获取区域2和区域3的预测误差分布图,依据第一轮区域预测误差公式,计算出所有子区域的区域预测误差,以不超过预测误差95%将Q县划分为误差符合区域及误差不符区域两类;
(2)针对误差不符区域采取相同方法进行区域细化,直至所有区域的区域预测误差均在预测误差95%内,其中区域4经过两轮细化,区域3经过2轮;
(3)获取2022年Q县Landsat 8 OLI影像,采用上述相关方法进行光谱预处理,结合各区域遥感模型,获取Cd含量分布图,见图6。
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)

1.一种重金属含量动态预测方法,其特征在于,包括以下步骤:
(1)产地环境数据库建立
(1.1)收集研究区域历史监测信息,所述历史监测信息包括土壤监测数据和环境数据;
所述土壤监测数据包括两类:历史土壤点位的研究指标及对应检测数据、其他指标及对应检测数据;
(1.2)收集研究区域历史遥感信息
(1.3)收集同源指标信息
所述同源指标是指土壤中随着研究指标活化、累积或迁移变化进而含量发生变化,同时能够获取遥感光谱信息的指标;
所述同源指标包括:Na、Ca、Mg、Zn、Pb、Fe2O3、MnO、K2O、SiO2
(2)区域划分
(2.1)方格布设
将研究区域进行方格划分,确保所有方格内均存有历史土壤点位;
所述方格内农田面积小于方格面积的1/10时,此方格可与相邻农田所在方格合并;
所述方格大小一致且彼此相连;
(2.2)土壤相似度求解
(2.2.1)数据前处理
对研究区域内历史土壤点位的土壤监测数据进行前处理,所述前处理包括对数处理及归一化处理两步:
所述对数处理的计算公式具体如下:
c’=log10 (c)
其中c为研究指标及其他指标的检测数据;
B对数处理后的数据再采用z-score方法进行归一化处理,获得归一化监测值,计算公式具体如下:
Figure FDA0003733266540000021
其中,μ为研究指标及其他指标检测数据对数处理后的平均值,δ为研究指标及其他指标检测数据对数处理后的标准差,计算公式为
Figure FDA0003733266540000022
N为点位数量;
(2.2.2)矩阵变换
对研究区域内所有历史土壤点位的归一化监测值进行矩阵转换运算,获取得分系数矩阵,所述得分系数矩阵的行为研究指标及其他指标得分系数,列为主成份类别;
根据得分系数矩阵得到任意主成份E类别下研究指标j与其他指标i的矩阵关系式如下:
E=m1I1+m2I2+…+miIi+mjIj
其中:mi为得分系数矩阵中其他指标i对应的得分系数,mj为得分系数矩阵中研究指标j对应的得分系数,Ii对应为其他指标i,仅示意无取值,Ij对应为研究指标j,仅示意无取值;
(2.2.3)相似度求解
A研究指标j与其他指标i对应关系如下所示,通过最小二乘法求解全局权重wj,关系式具体如下:
Ej=∑yimi+yjmj
yj=w1E1+w2E2+…+wiEi+wjEj
其中,yi为其他指标i的归一化监测值,yj为研究指标j的归一化监测值;
B采用最小二乘法分别求出各方格的方格权重vjn,其中n为方格序号;
依据全局权重和方格权重分别构建矩阵,进而求出各方格与研究区域的土壤相似度,具体公式如下:
Figure FDA0003733266540000023
其中cosθjn为第n方格与研究区域关于研究指标j的土壤相似度,w为全局权重矩阵,v为方格权重矩阵;
(2.3)子区域划定
对各方格的土壤相似度进行聚类,将研究区域分为不同土壤特性的子区域;
(3)遥感模型构建
研究区域各子区域的遥感模型构建方法一致,构建子区域遥感模型:
(3.1)梳理产地环境数据库内的同源指标信息和遥感信息,确定涉及到该子区域的同源指标信息,同时提取产地环境数据库内该子区域的历史遥感光谱,进行光谱预处理,并获取历史土壤点位对应的反演数据;
(3.2)遥感模型
(3.2.1)以研究指标j检测数据为因变量,同源指标检测数据为自变量,建立监测值模型,并筛选出最佳监测值模型,即判定系数R2最大的监测值模型;
(3.2.2)以同源指标检测数据为因变量,同源指标对应的高光谱反射率为自变量,分别建立光谱模型,分别筛选出各项同源指标最佳的光谱模型,即判定系数R2最大的光谱模型;
(3.2.3)联合第(3.2.1)步与第(3.2.2)步的两类模型,最终获取研究指标j的遥感模型;
所述监测值模型及光谱模型的拟合方法包括最小二乘、多元线性、逐步回归、幂/指函数、决策树、神经网络;
所述遥感模型自变量为B1、B2...Ba,其中a对应遥感光谱第a个波段提取的反射率;
(3.3)点位预测误差计算
分别提取该子区域所有历史土壤点位的研究指标检测数据与遥感模型结果数据,即反演数据,采用相对误差法计算出所有历史土壤点位的点位预测误差Dj,计算公式具体如下:
Figure FDA0003733266540000041
其中,cj为研究指标j的检测数据,Xj为研究指标j的反演数据;
(3.4)误差插值
对该子区域内所有历史土壤点位的预测误差进行空间插值运算,获取该子区域预测误差分布图;
(4)误差分析
(4.1)基于该子区域所有历史土壤点位的点位预测误差计算第一轮区域预测误差(Aj1),计算公式如下:
Figure FDA0003733266540000042
其中,k为区域预测误差计算轮数,Avj为子区域内的点位预测误差均值;
(4.2)依据预测误差分布图,确定研究指标j的预测误差范围,以是否超过区域预测误差的R%作为区域预测误差分类值,将该子区域分为误差符合区域及误差不符区域两类,误差符合区域直接执行第(4.4)步,误差不符区域按序执行第(4.3)步;
(4.3)针对误差不符区域,重复遥感模型建立的(4.1)-(4.4)步及误差分析的(4.1)-(4.2)步,直至所有区域均为误差符合区域;
(4)基于各子区域的遥感模型,结合遥感光谱,动态预测研究区域内研究指标的含量分布图。
2.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所述研究指标为Cd、Hg、As、Pb、Cr中的一项或多项;其他指标包括Cu、Zn、Ni、Ca、Na、Mg、N、P、K、Fe、Al、Si、Se、Ti、B、Mn、Co、Sr、Mo、V、pH、SOM、CEC。
3.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所述环境数据包括:区域面积、行政边界、海拔高度、点位信息、采样时间、周边污染源、水源信息、施肥情况。
4.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:通过查阅文献、书籍、实验报告、会议记录的方式,确定研究区域内涉及到研究指标的光谱数据来源、遥感光谱、光谱敏感波段、光谱处理方法、反射率、反演模型、反演准确率;
所述光谱数据来源为卫星遥感、无人机扫描、实验室检测。
5.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所述一项研究指标包括一项或多项同源指标,不同研究指标的同源指标可以相同。
6.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:依据研究区域特征进行方格划分,所述研究区域特征包括区域面积、农田类型、周边地物。
7.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所述方格序号依据研究需求人为设定。
8.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所以聚类包括K-means聚类、均值漂移聚类、基于密度的聚类、最大期望聚类、凝聚层次聚类。
9.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所述光谱预处理步骤包括遥感噪声去除、影像校正、光谱变换、大气校正、影像裁剪;所述影响校正包括辐射校正、几何校正。
10.根据权利要求1所述的一种重金属含量动态预测方法,其特征在于:所述R%取值范围为0-200%。
CN202210798958.4A 2022-07-06 2022-07-06 一种重金属含量动态预测方法 Active CN115116558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210798958.4A CN115116558B (zh) 2022-07-06 2022-07-06 一种重金属含量动态预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210798958.4A CN115116558B (zh) 2022-07-06 2022-07-06 一种重金属含量动态预测方法

Publications (2)

Publication Number Publication Date
CN115116558A true CN115116558A (zh) 2022-09-27
CN115116558B CN115116558B (zh) 2024-03-29

Family

ID=83331803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210798958.4A Active CN115116558B (zh) 2022-07-06 2022-07-06 一种重金属含量动态预测方法

Country Status (1)

Country Link
CN (1) CN115116558B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113008806A (zh) * 2021-03-02 2021-06-22 农业农村部环境保护科研监测所 一种农产品产地重金属空间分布确定方法
WO2021226976A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于深度神经网络的土壤速效养分反演方法
CN114219262A (zh) * 2021-12-09 2022-03-22 农业农村部环境保护科研监测所 一种区域农产品超标概率预测及误差分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021226976A1 (zh) * 2020-05-15 2021-11-18 安徽中科智能感知产业技术研究院有限责任公司 一种基于深度神经网络的土壤速效养分反演方法
CN113008806A (zh) * 2021-03-02 2021-06-22 农业农村部环境保护科研监测所 一种农产品产地重金属空间分布确定方法
CN114219262A (zh) * 2021-12-09 2022-03-22 农业农村部环境保护科研监测所 一种区域农产品超标概率预测及误差分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭学飞;曹颖;焦润成;南?;: "土壤重金属污染高光谱遥感监测方法综述", 城市地质, no. 03, 15 September 2020 (2020-09-15) *

Also Published As

Publication number Publication date
CN115116558B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN108830870B (zh) 基于多尺度结构学习的卫星影像高精度农田边界提取方法
CN107256451A (zh) 农业大数据基于gis的农业适宜性评价分析方法
CN113205014B (zh) 一种基于图像锐化的时序数据耕地提取方法
Zhao et al. Rapid monitoring of reclaimed farmland effects in coal mining subsidence area using a multi-spectral UAV platform
Zhao et al. Forecasting the wheat powdery mildew (Blumeria graminis f. Sp. tritici) using a remote sensing-based decision-tree classification at a provincial scale
CN112434569B (zh) 一种无人机热成像系统
Aplin et al. Predicting missing field boundaries to increase per-field classification accuracy
CN117197668A (zh) 基于深度学习的作物倒伏级别的预测方法及系统
CN1252588C (zh) 高光谱遥感图像联合加权随机分类方法
Shin et al. High-resolution wind speed forecast system coupling numerical weather prediction and machine learning for agricultural studies—a case study from South Korea
CN112907113A (zh) 一种考虑空间相关性的植被变化成因识别方法
CN115116558B (zh) 一种重金属含量动态预测方法
Baharim et al. A Review: Progression of Remote Sensing (RS) and Geographical Information System (GIS) Applications in Oil Palm Management and Sustainability
CN115830464A (zh) 基于多源数据的高原山地农业大棚自动提取方法
CN115115948A (zh) 一种基于随机森林和辅助因子的林地信息精细化提取方法
Myslyva et al. Use of medium and high-resolution remote sensing data and Markov chains for forecasting productivity of non-conventional fodder crops.
Singha et al. Vegetation Indices-Based Rice and Potato Yield Estimation Through Sentinel 2B Satellite Imagery
CN114220028B (zh) 基于无人机高光谱影像和机器学习算法模型研发的珍稀树种识别方法
do Amaral et al. Geoprocessing Applied to Crop Management
Ließ et al. Deep learning with a multi-task convolutional neural network to generate a national-scale 3D soil data product: Particle size distribution of the German agricultural soil-landscape
Blasch Multitemporal soil pattern analysis for organic matter estimation at croplands using multispectral satellite data
CN117541940B (zh) 基于遥感数据的土地利用分类方法及系统
Vignesh et al. Crop models and decision support systems using machine learning
Weikmann et al. Multi-Year Mapping of Water Demand at Crop Level: An End-to-End Workflow based on High-Resolution Crop Type Maps and Meteorological Data
EP4250250A1 (en) Carbon soil backend

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