CN115859596B - 城-郊梯度区域土壤重金属累积过程时空模拟方法 - Google Patents
城-郊梯度区域土壤重金属累积过程时空模拟方法 Download PDFInfo
- Publication number
- CN115859596B CN115859596B CN202211482798.9A CN202211482798A CN115859596B CN 115859596 B CN115859596 B CN 115859596B CN 202211482798 A CN202211482798 A CN 202211482798A CN 115859596 B CN115859596 B CN 115859596B
- Authority
- CN
- China
- Prior art keywords
- soil
- heavy metal
- urban
- land utilization
- suburban
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Abstract
本发明公开一种城‑郊梯度区域土壤重金属累积过程时空模拟方法,属于精准农业技术领域,包括以下步骤:一是进行城‑郊梯度区域土壤采样和理化性状分析;二是构建土壤重金属累积过程数学模型并获取参数值;三是基于遥感影像解译进行城‑郊梯度区域土地利用分类;四是在步骤三中城‑郊梯度区域土地利用分类的基础上开展城‑郊梯度区域土地利用变化模拟;五是基于一至四提供的模型和数据,开展城‑郊梯度区域土壤重金属累积过程时空模拟。本发明的模拟结果能够反映城‑乡区域土地利用发生变化的情况下的土壤重金属累积过程,更接近真实世界中城‑乡区域的情况;并且对每个土壤采样点进行模拟相比现有技术中对每个栅格进行模拟能大幅缩短计算时间。
Description
技术领域
本发明属于精准农业技术领域,具体涉及城-郊梯度区域土壤重金属累积过程时空模拟方法。
背景技术
土壤重金属污染是指由于人类活动,土壤中的微量金属元素在土壤中的含量超过背景值,过量沉积而引起的含量过高,统称为土壤重金属污染。土壤重金属是指由于人类活动将金属加入到土壤中,致使土壤中重金属明显高于原生含量、并造成生态环境质量恶化的现象。其中,城-郊梯度区域具有人类活动类型多,强度高的特点,导致该类区域土壤重金属输入通量大,积累含量高,土壤重金属污染问题突出。工业生产、交通运输、人口消费、园林绿化、农业种植、土地利用类型改变等各种人类活动导致土壤重金属输入、输出和累积过程复杂,时空变异性高,使得准确模拟该类区域土壤重金属累积过程,揭示土壤重金属累积过程的时空变化特征异常困难。
现有技术中采用土壤污染物累积过程概率模拟方法,该技术使用土壤污染物累积过程单元随机模型,该模型将一定区域内的某一类土地利用类型作为一个单一的空间单元,基于质量平衡原理,模拟土壤污染物的输入、输出和累积过程,将研究区域作为单一的空间单元,不能揭示土壤污染物的空间变异情况,并且模拟过程不能体现研究区域的土地利用变化;而土壤污染物累积过程时空模拟模型,基于质量平衡原理,能够满足体现同污染物累积过程相关的参数在空间上的变化情况,将研究区域每一个栅格作为空间单元,基于累积过程相关参数和变量的空间化数据,模拟每个栅格的污染物累积过程,但是该模型没有考虑区域土地利用的变化情况,不能体现空间单元在土地利用类型发生变化后污染物输入、输出和累积过程发生的改变。
基于此,现有技术存在有如下技术问题:
将研究区域作为一个单一的空间单元,不能揭示土壤污染物的空间变异情况,并且模拟过程不能体现研究区域的土地利用变化情况,而将研究区域每一个栅格作为空间单元,却不能体现空间单元在土地利用类型发生变化后污染物输入、输出和累积过程发生的改变,因此,亟需一种城-郊梯度区域土壤重金属累积过程时空模拟方法。
发明内容
为了解决上述技术问题,本发明提供了城-郊梯度区域土壤重金属累积过程时空模拟方法,用以实现更接近的真实世界中城-郊梯度区域的情况,使用地统计插值获得整个区域的空间栅格图结果,大幅缩短计算时间。
本发明公开了城-郊梯度区域土壤重金属累积过程时空模拟方法,包括以下步骤:
步骤一、进行城-郊梯度区域土壤采样和理化性状分析;
步骤二、构建土壤重金属累积过程数学模型并获取参数值;
步骤三、基于遥感影像解译进行城-郊梯度区域土地利用分类,得到土地利用分类结果;
步骤四、基于所述步骤三中城-郊梯度区域土地利用分类的基础上开展城-郊梯度区域土地利用变化模拟;
步骤五、基于步骤一至步骤四提供的土壤重金属累积过程数学模型和土地利用分类结果,开展城-郊梯度区域土壤重金属累积过程时空模拟。
优选的,步骤一土壤理化性状分析如下:
对采集的土壤样品进行烘干、研磨、过筛预处理,测定土壤含水量、容重的物理性状,对处理后的土样进行消煮后使用ICP-MS测定铅、镉、铜、锌等各种重金属含量。
优选的,构建土壤重金属累积过程单元模型的具体步骤如下:
定义质量平衡过程为
其中,Ct为土壤重金属含量(mg·kg-1),Ia为重金属大气沉降通量(mg·dm-2),Ii为灌溉水输入重金属量(mg·dm-2),If为施肥输入重金属量(mg·dm-2),ρ为土壤容重(kg·dm-3),d为土层深度(cm),U为土壤重金属植物吸收量(mg·kg-1),L为土壤重金属的淋溶输出量(mg·kg-1)。
所述重金属大气沉降输入过程为
其中,Wa表示每月大气沉降输入重金属量(mg·dm-2),n表示观测月数,t1表示观测时间段内有多少个单位时间。
所述灌溉水输入重金属量过程为
其中,Wi为灌溉水量(dm),Cw表示灌溉水中重金属含量(mg·dm-3),t2表示灌溉期内有多少个单位时间。
所述施肥输入重金属量过程为
其中,Wf为施肥量(kg·dm-2),Cf表示肥料中重金属含量(mg·kg-1),t3表示施肥期内有多少个单位时间。
所述土壤重金属植物吸收量过程为
其中,Ct表示土壤重金属含量(mg·kg-1),PUF表示重金属的植物富集系数,Gbiomass表示植物地上生物量生长量(kg·cm-2),Rp为土层中植物根系质量百分比,t4表示植物生长期内有多少个单位时间。
所述土壤重金属的淋溶输出量过程为
其中,Kh为土壤水渗透过程的渗透总量(cm),θ为土壤体积含水率(dm3·dm-3),Kd为重金属的固液分配系数(dm3·kg),t5表示渗透过程包含多少个单位时间。
优选的,土壤重金属累积过程数学模型参数值获取如下:
每月大气沉降输入重金属量、土壤深度、单位时间灌溉水量、灌溉水中重金属含量、单位时间施肥量、肥料中重金属含量、重金属植物富集系数、植物地上生物量生长速率、土层中植物根系质量百分比、土壤容重、土壤水渗透速率、土壤体积含水率、重金属固液吸附分配系数。
优选的,步骤三中包括,解译遥感影像进行土地利用分类和土地利用分类精度评估;
所述土地利用分类精度评估采用混淆矩阵和Kappa指数对分类数据进行检验,结合两期遥感影像与Google Earth随机选取采样点并生成6类土地类型的图层作为验证样本,并与分类结果构建混淆矩阵,得到各地类的用户精度、生产者精度、总体精度以及Kappa指数。
优选的,所述步骤四包括土地利用变化模拟模型原理和模拟流程,其中,所述模拟模型原理利用Matlab2017b为平台耦合元胞自动机、Markov模型和神经网络模型。
优选的,所述元胞自动机-Markov-神经网络耦合模型模拟土地流程如下:
利用Markov模型预测得到土地利用的需求数量,以ANN-CA为主体选取数据训练以得到元胞自动机的转移规律,对生成的模型进行验证并使用模型进行未来土地利用变化模拟预测;
优选的,所述元胞自动机-Markov-神经网络耦合模型模拟土地具体流程如下:
ANN-CA模型选取影响土地利用变化的驱动因子,公式表示为
X(k,t)=[x1(k,t),x2(k,t),x3(k,t),…,xi(k,t),…xn(k,t)]T;
xi(k,t)为单元k在t时刻的第i个变量值;
将输入神经网络的数据用最大值和最小值进行标准化处理,计算公式为
xi(k,t)=[xi(k,t)-min]/(max-min);
并输入到隐藏层,计算公式为
netj(k,t)=∑jwi,jx′i(k,t);
netj(k,t)为隐藏层的第j个神经元从输入层接收得到的数值,wi,j为输入层与隐藏层的权值;
当隐藏层将产生的信号传入输出层,得到的即为转移概率,其计算公式为:
式中:P(k,t,l)表示单元k在模拟时刻t从现类别到第l类别的土地利用转移概率,wj,l为隐藏层到输出层的权值;
为了使模拟结果更为准确,在元胞自动机中引入一个随机变量,其表达式为:
RA=1+(-lnγ)α;
γ为落在[0,1]的随机数,α为控制随机变量大小的参数;
此时单元k在模拟时刻t从现类别到第l类别的土地利用转移概率为:
将阈值T和随机变量α作为控制土地利用转移的参数,将计算得到的转换概率与阈值进行比较,当土地利用的转移概率大于阈值时,单元则直接转换该类土地利用;当土地利用的转移概率小于阈值时则生成一个随机数,当随机数大于0.5时,输出单元中最大转换概率值所对应的土地利用类型;当随机数小于0.5时,则不发生改变,采用Lee-Sallee指数进行判断,其公式为
A0表示真实的土地利用分类,A1表示模拟的土地利用分类。
本发明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:
(1)模拟结果能够反映城-乡区域土地利用发生变化的情况下的土壤重金属累积过程,相比已有技术,模拟结果更接近真实世界中城-乡区域的情况。
(2)将区域各土壤采样点作为空间单元进行模拟,最后使用地统计插值获得整个区域的空间栅格图结果,相比已有技术中对区域每个栅格进行模拟能大幅缩短计算时间。
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为本发明结构示意图。
图2为土地利用变化模拟流程图。
图3为不同年份土壤重金属铅Pb累积含量空间模拟流程图。
图4为本发明实施例研究区域位置及土壤采样点位图。
图5为本发明实施例研究区域不同年份的土地利用分类图;其中图5(a)为实施例研究区域2010年土地利用分类图,图5(b)为实施例研究区域2020年土地利用分类图,图5(c)为实施例研究区域2030年土地利用分类图。
图6为本发明实施例研究区域不同年份土壤Pb含量(mg/kg)等级空间格局图;其中图6(a)为实施例研究区域2010年土壤Pb含量等级空间格局图;图6(b)为实施例研究区域2040年基于模拟结果空间插值得到的土壤Pb含量等级空间格局图。
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。
为了解决现有技术中单一的空间单元不能揭示土壤污染物的空间变异情况,不能体现研究区域的土地利用变化后污染物输入、输出和累积过程发生的改变的技术问题,本发明提供了城-郊梯度区域土壤重金属累积过程时空模拟方法。
参见图1,本发明实施例公开了城-郊梯度区域土壤重金属累积过程时空模拟方法,包括以下步骤:
步骤一、进行城-郊梯度区域土壤采样和理化性状分析;
步骤二、构建土壤重金属累积过程数学模型并获取参数值;
步骤三、基于遥感影像解译进行城-郊梯度区域土地利用进行分类,得到土地利用分类结果;
步骤四、基于步骤三中城-郊梯度区域土地利用分类的基础上开展城-郊梯度区域土地利用变化模拟;
步骤五、基于步骤一至步骤四提供的土壤重金属累积过程数学模型和土地利用分类结果,开展城-郊梯度区域土壤重金属累积过程时空模拟。
步骤一土壤理化性状分析如下:
包括城-郊梯度区域土壤采样和土壤理化性状分析。
其中,城-郊梯度区域土壤采样,在武汉市典型城-郊梯度区域(包括长江以南的武昌、青山和洪山区的部分区域)大致均匀布设采样点,使用环刀法采集不同土地利用类型(城市林地绿地,郊区林地、草地和农田)的表层土壤样品90个。
土壤理化性状分析即是对采集的土壤样品进行烘干、研磨、过筛等预处理,测定土壤含水量、容重等物理性状,对处理后的土样进行消煮后使用ICP-MS测定铅、镉、铜、锌等各种重金属含量。
步骤二土壤重金属累积过程数学模型构建及参数值获取,包括土壤重金属输入、输出和累积过程数学模型构建和土壤重金属累积过程数学模型参数值获取;
进一步的,基于质量平衡原理建立包括输入和输出过程的土壤重金属累积过程数学模型。构建数学模型定量描述不同过程,具体如表1所示:
表1土壤重金属累积过程数学模型
所述土壤重金属累积过程数学模型,环境过程包括,质量平衡过程、大气沉降输入过程、灌溉输入过程、化肥输入过程、植物吸收输出过程、淋溶输出过程。
土壤重金属累积过程数学模型参数值获取如下:
考虑到研究区域土壤重金属铅的污染问题最为突出,本技术研发针对重金属铅在研究区土壤中累积过程获取模型参数值,开展时空模拟,参数值的获取途径包括:采样分析、实地调研、公开的数据平台、文献调研,具体如表2所示:
表2土壤重金属铅累积过程参数值获取途径
步骤三基于遥感影像解译进行城-郊梯度区域土地利用分类,包括解译遥感影像进行土地利用分类和土地利用分类精度评估。
在本实施例中,基于解译遥感影像进行土地利用分类,首先购买研究区域2010年和2020年8月的2期高分二号遥感影像,对影像进行辐射矫正、几何校正、镶嵌等预处理,根据《土地利用现状分类标准》(GB/T 21010-2017)建立研究区域土地利用的分类系统。然后选取兴趣点使用监督分类中的最大似然的方法得到初步的土地利用分类结果,为提高分类精度,以目视解译的方法修正土地利用分类结果。
土地利用分类精度评估采用混淆矩阵和Kappa指数对分类数据进行检验,结合两期遥感影像与Google Earth随机选取采样点并生成6类土地类型的图层作为验证样本,并与分类结果构建混淆矩阵,得到各地类的用户精度、生产者精度、总体精度以及Kappa指数。
步骤四包括土地利用变化模拟模型原理和模拟流程,其中,模拟模型原理包括如下设计:
元胞自动机(CA)可以通过强大的空间运算能力去模拟复杂的时空演变过程,但其转换规则和模型结构难以确定;Markov模型可根据当前的土地利用现状和趋势模拟未来的土地利用类型数量,但该方法不能模拟土地利用的空间变化;神经网络(ANN)适合模拟复杂的非线性系统,可以综合训练数据从而获得较高的模拟精度。因此本技术耦合以上3个模型进行土地利用变化模拟,从而充分发挥每种模型的优势。
城-郊梯度区域系统开放、动态等特性使得其土地利用的时空变化较为复杂,因此在土地利用模拟过程中,需要考虑影响土地利用的因素并确定其与土地利用类型之间的映射关系。通过结合神经网络模型并对神经网络进行训练,则可获取元胞自动机的规则以及相关参数,能够提高模拟精度。本技术以Matlab2017b为平台耦合元胞自动机、神经网络以及Markov模型。神经网络和Markov模型的加入解决了传统元胞自动机模型难以确定转换规则以及难以控制迭代时间的问题,结合研究区实际的土地利用变化情况对未来年份的土地利用进行模拟和预测。
参见图2,Markov-ANN-CA耦合模型模拟土地利用变化的流程,首先利用Markov模型预测得到研究区2030年土地利用的需求数量;其次以ANN-CA为主体选取数据训练以得到元胞自动机的转移规律;最后对模型进行验证并使用模型进行未来土地利用变化模拟预测。其中ANN-CA模型需要选取影响土地利用变化的驱动因子,即对应着每一个模拟单元的n个属性,这些属性综合决定了每个单元在时刻t的土地利用转移概率,用公式表示为:
X(k,t)=[x1(k,t),x2(k,t),x3(k,t),…,xi(k,t),…xn(k,t)]T (1)
式中:xi(k,t)为单元k在t时刻的第i个变量值。
为了避免数值不统一造成的训练误差,将输入神经网络的数据用最大值和最小值进行标准化处理之后再输入到隐藏层,计算公式分别为:
xi(k,t)=[xi(k,t)-min]/(max-min) (2)
netj(k,t)=∑jwi,jx′i(k,t) (3)
式中:netj(k,t)为隐藏层的第j个神经元从输入层接收得到的数值,wi,j为输入层与隐藏层的权值。
当隐藏层将产生的信号传入输出层,得到的即为转移概率,其计算公式为:
式中:P(k,t,l)表示单元k在模拟时刻t从现类别到第l类别的土地利用转移概率,wj,l为隐藏层到输出层的权值。
为了使模拟结果更为准确,在元胞自动机中引入一个随机变量,其表达式为:
RA=1+(-lnγ)α (5)
式中:γ为落在[0,1]的随机数,α为控制随机变量大小的参数。
此时单元k在模拟时刻t从现类别到第l类别的土地利用转移概率为:
神经网络每次的循环运算中均可得到每种地类的转移概率,其数值的大小代表了当前土地利用类别转换为其余土地利用类型概率的高低,值越大则表示转换的概率越高。由于整个运算过程数值的范围都在0-1之间,因此较短时间内土地利用转移概率的数值较小,需要多次模拟才能决定土地利用转移的方向。故而将阈值T和随机变量α作为控制土地利用转移的参数。将计算得到的转换概率与阈值进行比较,当土地利用的转移概率大于阈值时,该单元则直接转换该类土地利用;当土地利用的转移概率小于阈值时则生成一个随机数,当随机数大于0.5时,输出单元中最大转换概率值所对应的土地利用类型;当随机数小于0.5时,则不发生改变。为了确定精度标准是否合格,采用Lee-Sallee指数进行判断,其公式为:
式中:A0表示真实的土地利用分类,A1表示模拟的土地利用分类。当Lee-Sallee的值在0.3-0.7之间时则说明模拟结果较好。
本实施例为城-郊梯度区域土壤重金属累积过程时空模拟,研究区土壤重金属累积过程时空模拟技术流程如图3所示。其中,本实施例选取的研究区域位置及土壤采样点位如图4所示,时空模拟流程包括:(1)使用技术步骤1中的采样点土壤重金属铅含量数据的经纬度坐标,使用ArcGIS 10.5,从技术步骤3和4生成的2010和2020年土地利用分类空间数据以及2030年土地利用模拟结果中提取出采样点的土地利用类型并进行数字编号,2010、2020、2030年的土地利用分类图分别如图5(a)、图5(b)、图5(c)所示。(2)将2010年采样点土壤重金属铅含量数据(图6(a))和土地利用类型数据输入土壤重金属累积过程数学模型,使用技术步骤2中的模型参数值,模拟并输出采样点2020年土壤重金属铅累积含量;(3)将流程(2)的输出结果和采样点2020年土地利用类型数据输入数学模型,模拟采样点2030年土壤重金属铅含量;(4)将流程(3)的输出结果和采样点2030年土地利用类型数据输入数学模型,模拟采样点2040年土壤重金属铅累积含量;第(2)到第(4)流程使用Python 3.0编程完成。(5)使用ArcGIS10.5,对流程(2)、(3)、(4)输出的采样点三个年份土壤重金属铅累积含量进行克里金空间插值,输出三个年份土壤重金属铅累积含量空间图,其中图6(b)表示本实施例研究区域基于模拟结果空间插值的2040年土壤Pb含量等级空间格局图。
为了更好的理解本发明实施例的工作原理,在实际使用中可以包括如下设计方案。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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,则可对这些实施例作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 (6)
1.城-郊梯度区域土壤重金属累积过程时空模拟方法,其特征在于,包括以下步骤:
步骤一、进行城-郊梯度区域土壤采样和理化性状分析;
步骤二、构建土壤重金属累积过程数学模型并获取参数值;
步骤三、基于遥感影像解译进行城-郊梯度区域土地利用分类,得到土地利用分类结果;
步骤四、在所述步骤三中城-郊梯度区域土地利用分类的基础上开展城-郊梯度区域土地利用变化模拟;
步骤五、基于步骤一至步骤四提供的土壤重金属累积过程数学模型和土地利用分类结果,开展城-郊梯度区域土壤重金属累积过程时空模拟;
所述步骤四包括土地利用变化模拟模型原理和模拟流程,其中,所述模拟模型原理利用Matlab2017b为平台耦合元胞自动机、Markov模型和神经网络模型;
元胞自动机-Markov-神经网络耦合模型模拟土地流程如下:
利用Markov模型预测得到土地利用的需求数量,以ANN-CA为主体选取数据训练以得到元胞自动机的转移规律,对生成的模型进行验证并使用模型进行未来土地利用变化模拟预测;
其中,ANN-CA模型选取影响土地利用变化的驱动因子,公式表示为
X(k,t)=[x1(k,t),x2(k,t),x3(k,t),…,xi(k,t),…xn(k,t)]T;
xi(k,t)为单元k在t时刻的第i个变量值;
将输入神经网络的数据用最大值和最小值进行标准化处理,计算公式为
x′i(k,t)=[xi(k,t)-min]/(max-min);
并输入到隐藏层,计算公式为
netj(k,t)=∑jwi,jx'i(k,t);
netj(k,t)为隐藏层的第j个神经元从输入层接收得到的数值,wi,j为输入层与隐藏层的权值;
当隐藏层将产生的信号传入输出层,得到的即为转移概率,其计算公式为:
式中:P(k,t,l)表示单元k在模拟时刻t从现类别到第l类别的土地利用转移概率,wj,l为隐藏层到输出层的权值;
为了使模拟结果更为准确,在元胞自动机中引入一个随机变量,其表达式为:
RA=1+(-lnγ)α;
γ为落在[0,1]的随机数,α为控制随机变量大小的参数;
此时单元k在模拟时刻t从现类别到第l类别的土地利用转移概率为:
将阈值T和随机变量α作为控制土地利用转移的参数,将计算得到的转换概率与阈值进行比较,当土地利用的转移概率大于阈值时,单元则直接转换该土地利用;当土地利用的转移概率小于阈值时则生成一个随机数,当随机数大于0.5时,输出单元中最大转换概率值所对应的土地利用类型;当随机数小于0.5时,则不发生改变,采用Lee-Sallee指数进行判断,其公式为
A0表示真实的土地利用分类,A1表示模拟的土地利用分类。
2.根据权利要求1所述的城-郊梯度区域土壤重金属累积过程时空模拟方法,其特征在于,所述步骤一土壤理化性状分析如下:
对采集的土壤样品进行烘干、研磨、过筛预处理,测定土壤含水量、容重的物理性状,对处理后的土样进行消煮后使用ICP-MS测定各种重金属含量。
4.根据权利要求3所述的城-郊梯度区域土壤重金属累积过程时空模拟方法,其特征在于,所述重金属大气沉降输入过程为
Wa表示每月大气沉降输入重金属量,单位为mg·dm-2;n表示观测月数,t1表示观测时间段内有多少个单位时间;
所述灌溉水输入重金属量过程为
Wi为灌溉水量,单位为dm;Cw表示灌溉水中重金属含量,单位为mg·dm-3;t2表示灌溉期内有多少个单位时间;
所述施肥输入重金属量过程为
Wf为施肥量,单位为kg·dm-2;Cf表示肥料中重金属含量,单位为mg·kg-1;t3表示施肥期内有多少个单位时间;
所述土壤重金属植物吸收量过程为
Ct表示土壤重金属含量,单位为mg·kg-1,PUF表示重金属的植物富集系数,Gbiomass表示植物地上生物量生长量,单位为kg·cm-2;Rp为土层中植物根系质量百分比,t4表示植物生长期内有多少个单位时间;
所述土壤重金属的淋溶输出过程为
Kh为土壤水渗透过程的渗透总量,单位为cm;θ为土壤体积含水率,单位为dm3·dm-3,Kd为重金属的固液分配系数,单位为dm3·kg,t5表示渗透过程包含多少个单位时间。
5.根据权利要求1所述的城-郊梯度区域土壤重金属累积过程时空模拟方法,其特征在于,土壤重金属累积过程数学模型参数值获取如下:
每月大气沉降输入重金属量、土壤深度、单位时间灌溉水量、灌溉水中重金属含量、单位时间施肥量、肥料中重金属含量、重金属植物富集系数、植物地上生物量生长速率、土层中植物根系质量百分比、土壤容重、土壤水渗透速率、土壤体积含水率、重金属固液吸附分配系数。
6.根据权利要求1所述的城-郊梯度区域土壤重金属累积过程时空模拟方法,其特征在于,所述步骤三中包括,解译遥感影像进行土地利用分类和土地利用分类精度评估;
所述土地利用分类精度评估采用混淆矩阵和Kappa指数对分类数据进行检验,结合两期遥感影像与Google Earth随机选取采样点并生成6类土地类型的图层作为验证样本,并与分类结果构建混淆矩阵,得到各地类的用户精度、生产者精度、总体精度以及Kappa指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482798.9A CN115859596B (zh) | 2022-11-24 | 2022-11-24 | 城-郊梯度区域土壤重金属累积过程时空模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482798.9A CN115859596B (zh) | 2022-11-24 | 2022-11-24 | 城-郊梯度区域土壤重金属累积过程时空模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859596A CN115859596A (zh) | 2023-03-28 |
CN115859596B true CN115859596B (zh) | 2023-07-04 |
Family
ID=85665922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211482798.9A Active CN115859596B (zh) | 2022-11-24 | 2022-11-24 | 城-郊梯度区域土壤重金属累积过程时空模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859596B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080070A (zh) * | 2019-11-19 | 2020-04-28 | 同济大学 | 一种基于空间误差的城市土地利用模拟元胞自动机方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5602964A (en) * | 1993-05-21 | 1997-02-11 | Autometric, Incorporated | Automata networks and methods for obtaining optimized dynamically reconfigurable computational architectures and controls |
US7647181B2 (en) * | 2005-08-12 | 2010-01-12 | Microsoft Corporation | Computer generated land cover classification |
EP3151169A3 (en) * | 2015-09-30 | 2017-07-05 | Tata Consultancy Services Limited | Methods and systems for optimizing hidden markov model based land change prediction |
CN106021751B (zh) * | 2016-05-26 | 2019-04-05 | 上海海洋大学 | 基于ca和sar的海岸带土地利用变化模拟方法 |
CN110458371A (zh) * | 2019-08-21 | 2019-11-15 | 中国地质大学(北京) | 土地利用变化分析预测方法及装置 |
CN110969345B (zh) * | 2019-11-20 | 2024-01-23 | 北京贵清科技有限公司 | 一种基于土壤重金属污染途径分析的风险评估方法 |
CN111413484A (zh) * | 2020-03-02 | 2020-07-14 | 南京信息职业技术学院 | 一种土壤铬含量与土地利用类型空间相关性的分析方法 |
CN111508569B (zh) * | 2020-03-19 | 2023-05-09 | 中国科学院南京土壤研究所 | 一种基于土壤传递函数的目标土壤性质含量预测方法 |
CN112163367B (zh) * | 2020-08-20 | 2023-02-07 | 同济大学 | 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法 |
CN112948759A (zh) * | 2021-03-04 | 2021-06-11 | 中国科学院生态环境研究中心 | 一种生态环境质量变化情况的判断方法及系统 |
CN114239278B (zh) * | 2021-12-17 | 2022-06-21 | 中国科学院生态环境研究中心 | 土壤重金属累积过程时空模拟模型构建方法 |
CN114417604A (zh) * | 2022-01-18 | 2022-04-29 | 中国科学院生态环境研究中心 | 基于质量平衡原理的土壤重金属累积过程概率模拟方法 |
-
2022
- 2022-11-24 CN CN202211482798.9A patent/CN115859596B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080070A (zh) * | 2019-11-19 | 2020-04-28 | 同济大学 | 一种基于空间误差的城市土地利用模拟元胞自动机方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115859596A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103423A4 (en) | Identification Method of Land Suitable for Afforestation in Karst Area Based on Neural Network System | |
Liu et al. | A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects | |
CN108536908B (zh) | 基于非点源氮磷流失风险对流域水环境安全评估的方法 | |
Lalic et al. | An empirical relation describing leaf-area density inside the forest for environmental modeling | |
Arora et al. | Comparative evaluation of geospatial scenario-based land change simulation models using landscape metrics | |
CN106779061B (zh) | 一种地形平缓区土壤重金属镉空间分布预测方法 | |
Sinha et al. | Influences of watershed characteristics on long-term annual and intra-annual water balances over India | |
CN104992068B (zh) | 一种表层土壤氮素分布的预测方法 | |
CN113222316B (zh) | 一种基于flus模型和生物多样性模型的变化情景模拟方法 | |
Arhonditsis et al. | Castles built on sand or predictive limnology in action? Part A: Evaluation of an integrated modelling framework to guide adaptive management implementation in Lake Erie | |
Dehghani et al. | The effect of climate change on groundwater level and its prediction using modern meta-heuristic model | |
CN109711102A (zh) | 一种作物灾害损失快速评估方法 | |
CN112903606B (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
Tercan et al. | Geographic information system–assisted site quality assessment for hazelnut cultivation using multi-criteria decision analysis in the Black Sea region, Turkey | |
CN115758270A (zh) | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 | |
Wang et al. | Light regulation of phytoplankton growth in San Francisco Bay studied using a 3D sediment transport model | |
Cui et al. | Estimating maize yield in the black soil region of Northeast China using land surface data assimilation: integrating a crop model and remote sensing | |
CN115859596B (zh) | 城-郊梯度区域土壤重金属累积过程时空模拟方法 | |
He | Application of a non-parametric classification scheme to catchment hydrology | |
Helliwell et al. | The present is the key to the past, but what does the future hold for the recovery of surface waters from acidification? | |
Liao et al. | Toward a framework for the multimodel ensemble prediction of soil nitrogen losses | |
Manson et al. | Modelling predicts positive and negative interactions between three Australian tropical tree species in monoculture and binary mixture | |
Lestantyo et al. | Utilization of Current Data for Geospatial Analysis of the Appropriateness of Apple Plantation Land Based on Fuzzy Inference Systems | |
Demise | Assessing Land Use Land Cover Dynamics And Its Impact On Soil Erosion In Gidabo Watershed, Southern Ethiopia | |
Zhang et al. | Machine learning-based modeling of vegetation leaf area index and gross primary productivity across North America and comparison with a process-based model |
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 |