CN115936192A - 一种土壤环境污染物风险预测方法及系统 - Google Patents
一种土壤环境污染物风险预测方法及系统 Download PDFInfo
- Publication number
- CN115936192A CN115936192A CN202211461677.6A CN202211461677A CN115936192A CN 115936192 A CN115936192 A CN 115936192A CN 202211461677 A CN202211461677 A CN 202211461677A CN 115936192 A CN115936192 A CN 115936192A
- Authority
- CN
- China
- Prior art keywords
- soil
- environmental factors
- risk
- prediction model
- environmental
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims abstract description 115
- 239000003440 toxic substance Substances 0.000 claims abstract description 111
- 231100000614 poison Toxicity 0.000 claims abstract description 66
- 241000894007 species Species 0.000 claims abstract description 38
- 230000035945 sensitivity Effects 0.000 claims abstract description 35
- 241001465754 Metazoa Species 0.000 claims abstract description 23
- 238000013058 risk prediction model Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 9
- 231100000167 toxic agent Toxicity 0.000 claims description 45
- 229910001385 heavy metal Inorganic materials 0.000 claims description 41
- 230000001186 cumulative effect Effects 0.000 claims description 22
- 238000012216 screening Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 229910052725 zinc Inorganic materials 0.000 claims description 7
- 238000009776 industrial production Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000356 contaminant Substances 0.000 claims description 4
- 230000032798 delamination Effects 0.000 claims description 4
- 231100000719 pollutant Toxicity 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 17
- 238000003860 storage Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 231100000369 acute toxicity data Toxicity 0.000 description 3
- 229910052785 arsenic Inorganic materials 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000003900 soil pollution Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011109 contamination Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 231100000572 poisoning Toxicity 0.000 description 2
- 230000000607 poisoning effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 235000006576 Althaea officinalis Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 241000243684 Lumbricus Species 0.000 description 1
- 241001495098 Lumbricus rubellus Species 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 231100000290 environmental risk assessment Toxicity 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 231100000636 lethal dose Toxicity 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000005527 soil sampling Methods 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 231100000048 toxicity data Toxicity 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种土壤环境污染物风险预测方法及系统，该方法包括：确定土壤环境中对种类的植物和动物具有影响的毒性物质，并建立物种敏感度曲线；获取工业园区影响毒性物质累积暴露量的环境因子，并基于环境因子确定影响毒性物质累积暴露量的主要环境因子；基于主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型；基于物种敏感度曲线以及由时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，风险预测模型至少用于对工业园区的土壤环境在未来受毒性物质污染的概率进行预测；基于预测模型预测土壤环境未来受毒性物质污染的概率预测值。
Description
技术领域
本发明实施例涉及生态环境环保行业土壤污染防治和环境风险识别技术领域，特别涉及一种土壤环境污染物风险预测方法及系统。
背景技术
工业园区是工业发展的主要载体，是工业化发展的必然趋势。随着工业化进程的推进，工业园区逐渐成为资源和能源消耗、环境污染排放的集中区。因此，要及时掌握工业园区土壤重金属累积特征，精准预测未来一段时间土壤重金属累积趋势和环境风险，建立预防为主的工业园区土壤重金属污染防治和风险管控体系。加强工业园区环境风险管控，分析生态风险影响，在当前工业园区管理和生态环境保护领域具有广泛而急迫的应用需求。
中国专利公报公开显示，“工业园区”成为专利授权热点领域和新兴方向，如《一种基于工业园区的土壤污染分析方法和系统》(公开号CN114354892A)、《工业园区土壤地下水实时连续监测系统》(公开号CN114441726B)、《一种用于工业园区的环保数据监测系统》(公开号CN213336231U)等。但这些专利主要集中于针对某种工业园土壤和地下水分析方法工作，较少针对工业园区生态环境影响分析方面，这就难以满足工业园区现状评估，生态风险识别和环境规划的应用需求。
目前，在对工业园区土壤生态风险预测时，普遍存在以下困难：
土壤重金属污染具有隐蔽性、滞后性和累积性特征，对生态风险的影响滞后，不能简单套用水和大气的风险评估方法。目前既有的研究也主要依据《建设用地土壤污染风险评估技术导则》进行环境风险评估，但这种方法适用于小面积的场地，并不适用于区域尺度的工业园区土壤重金属生态风险评估预测。事实上，区域尺度的工业园区土壤重金属的生态危害性是较大的，从工业园区污染物风险管控来说，需要充分考虑土壤生态特点，建立一种适用于工业园区生态风险概率预测的方法。具体来讲包括如下问题：
(1)缺少定量化的生态风险预测评估。现有的土壤重金属环境风险预测方法主要利用商值法等定性方法，对工业园区风险管理的实践指导不具备可操作性，缺少对风险预测的定量化模型规范。
(2)缺少环境因子对土壤累积暴露量的综合考虑。现有的土壤重金属累积暴露量预测方法主要是基于重金属累积速率或残留率进行估算，缺少对影响土壤重金属累积暴露量的环境因子的综合考虑，导致模型预测精度不高，需要统筹影响工业园区土壤重金属累积的自然因子和人为因子，并评估其对未来土壤重金属积累的影响。
发明内容
本发明提供了一种能够快速高效且准确地对土壤环境中污染物进行污染风险预测的土壤环境污染物风险预测方法及系统。
为了解决上述技术问题，本发明实施例提供了一种土壤环境污染物风险预测方法，包括：
获得工业园区中土壤环境涉及的植物和动物种类信息；
确定所述土壤环境中对所述种类的植物和动物具有影响的毒性物质；
建立所述毒性物质的物种敏感度曲线；
获取所述工业园区影响所述毒性物质累积暴露量的环境因子；
对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子；
基于所述主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型，所述时序演变预测模型用于预测所述工业园区未来土壤环境中毒性物质的累积暴露量；
基于所述物种敏感度曲线以及由所述时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，所述风险预测模型至少用于对所述工业园区的土壤环境在未来受所述毒性物质污染的概率进行预测；
基于所述预测模型预测所述土壤环境未来受所述毒性物质污染的概率预测值。
作为一可选实施例，所述建立所述毒性物质的物种敏感度曲线，包括：
基于下述公式建立所述毒性物质的概率密度曲线，并基于所述概率密度曲线定义所述毒性物质的物种敏感度曲线：
其中，f(x)表示所述毒性物质的概率密度曲线，x表示毒性物质，μ表示标准差，γ表示分布参数。
作为一可选实施例，所述毒性物质为重金属数据；
所述对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子，包括：
获取所述土壤环境中多个采样点的重金属含量数据；
根据下述公式计算确定所述土壤环境中重金属累积暴露量与环境因子的空间分层异质性数据：
qh＝1-h＝2表示空间分层方差的显著性，并定义为所述空间分层异质性数据，Yh表示分层区域h内属性均值，nh表示分层区域h内的样本数量，Var表示方差；
基于所述分层异质性数据对所述环境因子进行筛选，得到所述主要环境因子。
作为一可选实施例，所述时间序列包括：
其中，T(t)为主要环境因子的时间序列函数，a、b和c均为拟合参数，c为环境因子，t为时间。
作为一可选实施例，还包括：
结合不同的环境政策矫正所述多变量自回归模型；
基于所述时间序列及矫正后的所述多变量自回归模型建立时序演变预测模型；
其中，所述矫正后的所述多变量自回归模型为：
其中，ε1、ε2为常数项，an为主控因子的系数，
为主控因子时序数据，
为政策因子的时序数据，a政策为政策因子的系数。
作为一可选实施例，还包括：
获取验证数据样本集，并基于下述公式对所述时序演变预测模型的预测精度进行验证：
平均绝对误差：
均方误差：
平均预测均方根误差：
决定系数：
其中，n为验证数据样本集，yp为实测值，ym为预测值。
作为一可选实施例，所述毒性物质至少包括以下重金属中的一种或多种：
As、Cd、Cu、Cr、Ni、Pb及Zn。
作为一可选实施例，所述环境因子包括自然环境因子和人为环境因子，所述自然环境因子至少包括土壤有机质、土壤pH、土壤Eh、土壤母质、植被覆盖指数、风速、降雨量、高程、坡度中的一种或多种参数；所述人为环境因子至少包括所述工业园区的企业分布、工业生产总值、PM10、PM2.5、工业排放量、交通流量和人口密度中的一种或多种参数。
作为一可选实施例，所述预测模型还用于预测所述土壤环境中植物与动物种类受所述毒性物质影响的概率百分比和所述土壤环境未来受污染风险的概率值超过环境风险阈值的时间。
本发明另一实施例同时提供一种土壤环境污染物风险预测系统，包括：
获得模块，用于获得工业园区中土壤环境涉及的植物和动物种类信息；
第一确定模块，用于确定所述土壤环境中对所述种类的植物和动物具有影响的毒性物质；
第一建立模块，用于建立所述毒性物质的物种敏感度曲线；
获取模块，用于获取所述工业园区影响所述毒性物质累积暴露量的环境因子；
第二确定模块，用于对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子；
第二建立模块，用于根据所述主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型，所述时序演变预测模型用于预测所述工业园区未来土壤环境中毒性物质的累积暴露量；
第三建立模块，用于根据所述物种敏感度曲线以及由所述时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，所述风险预测模型至少用于对所述工业园区的土壤环境在未来受所述毒性物质污染的概率进行预测；
预测模块，用于根据所述预测模型预测所述土壤环境未来受所述毒性物质污染的概率预测值。
基于上述实施例的公开可以获知，本发明实施例具备的有益效果包括通过获取工业园区土壤环境中涉及的植物和动物物种信息和毒性物质，建立物种敏感度曲线，接着采集土壤环境中多个采样点得到采样数据，并对多个采样数据中毒性物质含量数据和环境因子进行空间分异分析，得到影响毒性物质累积暴露的主要环境因子，之后在此基础上，利用时间序列和多变量自回归模型建立时序演变模型，结合不同情境下的环保政策，矫正回归模型的参数，以得到未来工业园区土壤中毒性物质的累积暴露量，最后综合计算得到的敏感度曲线和预测得到的未来毒性物质累积暴露量，利用联合概率密度模型建立风险预测模型，最终基于该风险预测模型预测得到未来工业园区的土壤环境受毒性物质污染的风险概率预测值。本实施例中的方案克服了现有技术中缺少定量化的生态风险预测评估，对对工业园区风险管理的实践指导不具备可操作性，缺少对风险预测的定量化模型规范的技术缺陷，解决了因缺少环境因子对土壤中毒性物质的累积暴露量的综合考虑，导致预测模型预测精度较低的技术问题，显著提高了风险预测模型的预测精度，使预测值更具参考价值，便于用户对工业园区的土壤环境的实际情况进行了解，辅助用户有效解决土壤环境污染问题。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
附图说明
附图用来提供对本申请的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请，并不构成对本申请的限制。在附图中：
图1为本发明实施例中的土壤环境污染物风险预测方法的流程图。
图2为本发明另一实施例中的土壤环境污染物风险预测方法的应用流程图。
图3为本发明实施例中的敏感度曲线示意图。
图4为本发明实施例中的地理探测器分析结果。
图5为本发明实施例中不同有毒物质的概率密度曲线示意图。
图6为本发明实施例中的土壤环境污染物风险预测系统的结构框图。
具体实施方式
下面，结合附图对本发明的具体实施例进行详细的描述，但不作为本发明的限定。
应理解的是，可以对此处公开的实施例做出各种修改。因此，下述说明书不应该视为限制，而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述，本发明的这些和其它特性将会变得显而易见。
还应当理解，尽管已经参照一些具体实例对本发明进行了描述，但本领域技术人员能够确定地实现本发明的很多其它等效形式，它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时，鉴于以下详细说明，本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例；然而，应当理解，所公开的实施例仅仅是本公开的实例，其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此，本文所公开的具体的结构性和功能性细节并非意在限定，而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”，其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面，结合附图详细的说明本发明实施例。
如图1所示，本发明实施例提供一种土壤环境污染物风险预测方法，包括：
S100：获得工业园区中土壤环境涉及的植物和动物种类信息；
S200：确定土壤环境中对种类的植物和动物具有影响的毒性物质；
S300：建立毒性物质的物种敏感度曲线；
S400：获取工业园区影响毒性物质累积暴露量的环境因子；
S500：对环境因子进行筛选，确定影响毒性物质累积暴露量的主要环境因子；
S600：基于主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型，时序演变预测模型用于预测工业园区未来土壤环境中毒性物质的累积暴露量；
S700：基于物种敏感度曲线以及由时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，风险预测模型至少用于对工业园区的土壤环境在未来受毒性物质污染的概率进行预测；
S100：基于预测模型预测土壤环境未来受毒性物质污染的概率预测值。
基于上述实施例的公开可以获知，本实施例具备的有益效果包括通过获取工业园区土壤环境中涉及的植物和动物物种信息和毒性物质，建立物种敏感度曲线，接着采集土壤环境中多个采样点得到采样数据，并对多个采样数据中毒性物质含量数据和环境因子进行空间分异分析，得到影响毒性物质累积暴露的主要环境因子，之后在此基础上，利用时间序列和多变量自回归模型建立时序演变模型，结合不同情境下的环保政策，矫正回归模型的参数，以得到未来工业园区土壤中毒性物质的累积暴露量，最后综合计算得到的敏感度曲线和预测得到的未来毒性物质累积暴露量，利用联合概率密度模型建立风险预测模型，最终基于该风险预测模型预测得到未来工业园区的土壤环境受毒性物质污染的风险概率预测值。本实施例中的方案克服了现有技术中缺少定量化的生态风险预测评估，对对工业园区风险管理的实践指导不具备可操作性，缺少对风险预测的定量化模型规范的技术缺陷，解决了因缺少环境因子对土壤中毒性物质的累积暴露量的综合考虑，导致预测模型预测精度较低的技术问题，显著提高了风险预测模型的预测精度，使预测值更具参考价值，便于用户对工业园区的土壤环境的实际情况进行了解，辅助用户有效解决土壤环境污染问题。
进一步地，建立毒性物质的物种敏感度曲线，包括：
S301：基于下述公式建立毒性物质的概率密度曲线，并基于概率密度曲线定义毒性物质的物种敏感度曲线：
其中，f(x)表示毒性物质的概率密度曲线，x表示毒性物质，μ表示标准差，γ表示分布参数。
本实施例中的毒性物质为重金属，其至少包括以下重金属中的一种或多种：As、Cd、Cu、Cr、Ni、Pb及Zn。当然还可以包括其他种类的重金属，具体不唯一。而且，本实施例中的急性毒性数据分别至少包括半致死浓度LC50和半效应浓度EC50，且各类型浓度数据至少包括10个不同浓度值。
对于工业园区的土壤环境，本实施例中的工业园区土壤生态系统涉及的植物和动物物种信息包括至少3门8科物种，例如土壤植物和动物包括但不限于赤子爱蚯蚓、线蚓、欧洲红蚯蚓、线虫、白符跳、野鸭、萝卜、小麦、莴苣、玉米、茄子等土壤生物等，具体同样不唯一。
如图2所示，在制备敏感度曲线时，本实施例中是根据工业园区土壤生态系统涉及的植物和动物种类而匹配提取、收集土壤环境中的重金属急性毒性数据，也即毒性物质，之后通过箱式图对毒性数据进行异常值剔除，根据曲线拟合决定系数以及逻辑斯蒂方程建立工业园区土壤生态系统最佳物种敏感度曲线，该敏感度曲线的具体建立公式可参考上式。
进一步地，获取工业园区影响毒性物质累积暴露量的环境因子，本实施例中的环境因子包括自然环境因子和人为环境因子，自然环境因子至少包括土壤有机质、土壤pH、土壤Eh、土壤母质、植被覆盖指数、风速、降雨量、高程、坡度中的一种或多种参数；人为环境因子至少包括工业园区的企业分布、工业生产总值、PM10、PM2.5、工业排放量、交通流量和人口密度中的一种或多种参数。当然，还可以包括其他种类或类型的自然环境因子与人为环境因子，对应不同的毒性物质，环境因子也是不同的。在实际应用时，可以通过但不限于网络爬取、文献查阅和先验知识获取工业园区影响土壤重金属累积暴露量的环境因子数据。
当获得了环境因子后，对环境因子进行筛选，确定影响毒性物质累积暴露量的主要环境因子，包括：
S401：获取土壤环境中多个采样点的重金属含量数据；
S402：根据下述公式计算确定土壤环境中重金属累积暴露量与环境因子的空间分层异质性数据：
qh＝1-h＝2表示空间分层方差的显著性，并定义为空间分层异质性数据，Yh表示分层区域h内属性均值，nh表示分层区域h内的样本数量，Var表示方差；
基于分层异质性数据对环境因子进行筛选，得到主要环境因子。
例如，获得土壤环境中至少10个不同区域处的土壤采样点中重金属含量数据，并结合地理探测器模型及公式(具体如上式)识别土壤重金属累积暴露量与环境因子的空间分层异质性数据，之后根据该空间分层异质性数据对多个环境因子进行筛选，得到主要环境因子。
继续结合图2所示，在确定了主要环境因子后，基于主要环境因子和土壤中重金属含量数据，结合时间序列和多变量自回归模型建立时序演变预测模型(也称自回归耦合模型)，以基于该时序演变预测模型来预测工业园区未来土壤环境中毒性物质的累积暴露量。
其中，时间序列包括：
其中，T(t)为主要环境因子的时间序列函数，a、b和c均为拟合参数，c为环境因子，t为时间。
对于多变量自回归模型，本实施例中的方法还包括：
S900：结合不同的环境政策矫正多变量自回归模型。
也即，需要结合不同情境下的环境政策，基于该政策矫正回归模型中的相应参数，使模型更加准确，为后续制备预测模型奠定基础。
当得到了校正后的回归模型后，便可基于时间序列及矫正后的多变量自回归模型建立时序演变预测模型；
其中，矫正后的多变量自回归模型为：
其中，ε1、ε2为常数项，an为主控因子的系数，
为主控因子时序数据，
为政策因子的时序数据，a政策为政策因子的系数。
对于得到的时序演变预测模型，为了确保其预测精度，可对其进行精度验证，具体方法包括：
获取验证数据样本集，并基于下述公式对时序演变预测模型的预测精度进行验证：
平均绝对误差：
均方误差：
平均预测均方根误差：
决定系数：
其中，n为验证数据样本集，yp为实测值，ym为预测值。
也就是，基于上述各个公式及验证数据样本集中的数据计算确定模型的各参数，以基于得到的各个参数对时序演变模型的预测精度进行验证。
在对时序演变模型进行验证后，便可基于该模型预测的未来土壤环境中毒性物质的累积暴露量，当得到该累积暴露量后，便可基于物种敏感度曲线以及由时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型(具体如下式)建立风险预测模型，以预测土壤环境未来受毒性物质污染的概率预测值。而且，基于预测模型还可以具体预测土壤环境中植物与动物种类受毒性物质影响的概率百分比和土壤环境未来受污染风险的概率值超过环境风险阈值的时间。
其中，结合联合概率密度模型为：
式中，f(u)表示工业园区土壤生态物种敏感度概率密度，f(v)表示未来土壤环境中毒性物质的累积暴露量。
具体地，为了更好地阐述本实施例的方法，以下结合具体实施例进行说明：
收集和筛选工业园区土壤生态系统涉及动物和植物物种信息，进一步从美国毒性数据库EPA ECOTOX数据库和国内外公开发表的文献/报告收集重金属急性毒性数据。对所获得数据基于箱线图实现对异常值的识别及剔除，具体所用工具可以为SPSS22.0。对处理后的数据结合前述公式计算拟合出物种敏感度曲线，所用工具可以但不限于Origin2022b。敏感度曲线的构建过程可参考图3所示。
接着，可以按照网格法(100m×100m)对工业园区进行布点采样，至少需要设置10个采样点，以采集土壤样品，并对采集的土壤样品进行重金属累积量分析。之后，可以通过网络爬取、文献查阅和先验知识等方式获得影响土壤重金属累积暴露量的环境因子数据(具体可参见下表)。采用ArcGIS12.0软件对高程、坡度、土壤类型、风速和降雨量进行矢量化转化，形成地理探测器可使用的数值变量数据。
如图4所示，获得地理探测器的分析结果，根据地理探测器的分析结果确定出PM2.5、PM10、工业生产总值和企业分布是影响土壤中Cd，Cu，Pb和Zn累积的主要因子，而土壤母质和土壤pH值是影响土壤As，Cr和Ni累积的主要因子。上述主要因子即为确定主要环境因子。
在主要环境因子识别的基础上，根据前述关于时间序列及多变量自回归方程构建工业园区土壤环境中重金属As、Cd、Cr、Cu、Ni、Pb和Zn的预测模型，并基于下述公式对模型的精度进行验证，验证通过后便可基于预测模型获得未来5年或其他年限的工业园区土壤重金属累积暴露量，具体可参考图5所示。
具体验证时涉及的公式计算过程如下：
验证结果如下表所示：
之后基于联合概率密度模型对物种敏感度曲线和5年后工业园区土壤重金属累积暴露量进行计算，得到至少用于对工业园区的土壤环境在未来受毒性物质污染的概率进行预测的概率预测模型，并基于该模型进行预测分析，得到未来5年工业园区土壤重金属生态风险概率曲线，其中包括未来暴露情况下As、Cd、Cr、Cu、Ni、Pb和Zn的土壤生态风险概率分别为62.35％、56.71％、46.54％、28.26％、22.74％、5.16％和5.48％。
如图6所示，本发明另一实施例同时提供一种土壤环境污染物风险预测系统600，包括：
获得模块，用于获得工业园区中土壤环境涉及的植物和动物种类信息；
第一确定模块，用于确定所述土壤环境中对所述种类的植物和动物具有影响的毒性物质；
第一建立模块，用于建立所述毒性物质的物种敏感度曲线；
获取模块，用于获取所述工业园区影响所述毒性物质累积暴露量的环境因子；
第二确定模块，用于对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子；
第二建立模块，用于根据所述主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型，所述时序演变预测模型用于预测所述工业园区未来土壤环境中毒性物质的累积暴露量；
第三建立模块，用于根据所述物种敏感度曲线以及由所述时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，所述风险预测模型至少用于对所述工业园区的土壤环境在未来受所述毒性物质污染的概率进行预测；
预测模块，用于根据所述预测模型预测所述土壤环境未来受所述毒性物质污染的概率预测值。
作为一可选实施例，所述建立所述毒性物质的物种敏感度曲线，包括：
基于下述公式建立所述毒性物质的概率密度曲线，并基于所述概率密度曲线定义所述毒性物质的物种敏感度曲线：
其中，f(x)表示所述毒性物质的概率密度曲线，x表示毒性物质，μ表示标准差，γ表示分布参数。
作为一可选实施例，所述毒性物质为重金属数据；
所述对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子，包括：
获取所述土壤环境中多个采样点的重金属含量数据；
根据下述公式计算确定所述土壤环境中重金属累积暴露量与环境因子的空间分层异质性数据：
qh＝1-h＝2表示空间分层方差的显著性，并定义为所述空间分层异质性数据，Yh表示分层区域h内属性均值，nh表示分层区域h内的样本数量，Var表示方差；
基于所述分层异质性数据对所述环境因子进行筛选，得到所述主要环境因子。
作为一可选实施例，所述时间序列包括：
其中，T(t)为主要环境因子的时间序列函数，a、b和c均为拟合参数，c为环境因子，t为时间。
作为一可选实施例，还包括：
矫正模块，用于结合不同的环境政策矫正所述多变量自回归模型；
第二建立模块，还用于根据所述时间序列及矫正后的所述多变量自回归模型建立时序演变预测模型；
其中，所述矫正后的所述多变量自回归模型为：
其中，ε1、ε2为常数项，an为主控因子的系数，
为主控因子时序数据，
为政策因子的时序数据，a政策为政策因子的系数。
作为一可选实施例，还包括：
第二获取模块，用于获取验证数据样本集；
验证模块，用于根据下述公式对所述时序演变预测模型的预测精度进行验证：
平均绝对误差：
均方误差：
平均预测均方根误差：
决定系数：
其中，n为验证数据样本集，yp为实测值，ym为预测值。
作为一可选实施例，所述毒性物质至少包括以下重金属中的一种或多种：
As、Cd、Cu、Cr、Ni、Pb及Zn。
作为一可选实施例，所述环境因子包括自然环境因子和人为环境因子，所述自然环境因子至少包括土壤有机质、土壤pH、土壤Eh、土壤母质、植被覆盖指数、风速、降雨量、高程、坡度中的一种或多种参数；所述人为环境因子至少包括所述工业园区的企业分布、工业生产总值、PM10、PM2.5、工业排放量、交通流量和人口密度中的一种或多种参数。
作为一可选实施例，所述预测模型还用于预测所述土壤环境中植物与动物种类受所述毒性物质影响的概率百分比和所述土壤环境未来受污染风险的概率值超过环境风险阈值的时间。
如图6所示，本发明另一实施例还提供一种电子设备，包括:
一个或多个处理器；
存储器，配置为存储一个或多个程序；
当该一个或多个程序被该一个或多个处理器执行时，使得该一个或多个处理器实现上述组合导航系统空中自对准方法。
进一步地，本发明一实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的土壤环境污染物风险预测方法。应理解，本实施例中的各个方案具有上述方法实施例中对应的技术效果，此处不再赘述。
进一步地，本发明实施例还提供了一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可读指令，所述计算机可执行指令在被执行时使至少一个处理器执行诸如上文所述实施例中的土壤环境污染物风险预测方法。
需要说明的是，本申请的计算机存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以但不限于是电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储介质(RAM)、只读存储介质(ROM)、可擦式可编程只读存储介质(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储介质(CD-ROM)、光存储介质件、磁存储介质件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输配置为由指令执行系统、系统或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、天线、光缆、RF等等，或者上述的任意合适的组合。
另外，本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
以上实施例仅为本发明的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种土壤环境污染物风险预测方法，其特征在于，包括：
获得工业园区中土壤环境涉及的植物和动物种类信息；
确定所述土壤环境中对所述种类的植物和动物具有影响的毒性物质；
建立所述毒性物质的物种敏感度曲线；
获取所述工业园区影响所述毒性物质累积暴露量的环境因子；
对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子；
基于所述主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型，所述时序演变预测模型用于预测所述工业园区未来土壤环境中毒性物质的累积暴露量；
基于所述物种敏感度曲线以及由所述时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，所述风险预测模型至少用于对所述工业园区的土壤环境在未来受所述毒性物质污染的概率进行预测；
基于所述预测模型预测所述土壤环境未来受所述毒性物质污染的概率预测值。
2.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，所述建立所述毒性物质的物种敏感度曲线，包括：
基于下述公式建立所述毒性物质的概率密度曲线，并基于所述概率密度曲线定义所述毒性物质的物种敏感度曲线：
其中，f(x)表示所述毒性物质的概率密度曲线，x表示毒性物质，μ表示标准差，γ表示分布参数。
3.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，所述毒性物质为重金属；
所述对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子，包括：
获取所述土壤环境中多个采样点的重金属含量数据；
根据下述公式计算确定所述土壤环境中重金属累积暴露量与环境因子的空间分层异质性数据：
qh＝1-h＝2表示空间分层方差的显著性，并定义为所述空间分层异质性数据，Yh表示分层区域h内属性均值，nh表示分层区域h内的样本数量，Var表示方差；
基于所述分层异质性数据对所述环境因子进行筛选，得到所述主要环境因子。
4.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，所述时间序列包括：
其中，T(t)为主要环境因子的时间序列函数，a、b和c均为拟合参数，c为环境因子，t为时间。
5.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，还包括：
结合不同的环境政策矫正所述多变量自回归模型；
基于所述时间序列及矫正后的所述多变量自回归模型建立时序演变预测模型；
其中，所述矫正后的所述多变量自回归模型为：
其中，ε1、ε2为常数项，an为主控因子的系数，
为主控因子时序数据，
为政策因子的时序数据，a政策为政策因子的系数。
6.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，还包括：
获取验证数据样本集，并基于下述公式对所述时序演变预测模型的预测精度进行验证：
平均绝对误差：
均方误差：
平均预测均方根误差：
决定系数：
其中，n为验证数据样本集，yp为实测值，ym为预测值。
7.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，所述毒性物质至少包括以下重金属中的一种或多种：
As、Cd、Cu、Cr、Ni、Pb及Zn。
8.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，所述环境因子包括自然环境因子和人为环境因子，所述自然环境因子至少包括土壤有机质、土壤pH、土壤Eh、土壤母质、植被覆盖指数、风速、降雨量、高程、坡度中的一种或多种参数；所述人为环境因子至少包括所述工业园区的企业分布、工业生产总值、PM10、PM2.5、工业排放量、交通流量和人口密度中的一种或多种参数。
9.根据权利要求1所述的土壤环境污染物风险预测方法，其特征在于，所述预测模型还用于预测所述土壤环境中植物与动物种类受所述毒性物质影响的概率百分比和所述土壤环境未来受污染风险的概率值超过环境风险阈值的时间。
10.一种土壤环境污染物风险预测系统，其特征在于，包括：
获得模块，用于获得工业园区中土壤环境涉及的植物和动物种类信息；
第一确定模块，用于确定所述土壤环境中对所述种类的植物和动物具有影响的毒性物质；
第一建立模块，用于建立所述毒性物质的物种敏感度曲线；
获取模块，用于获取所述工业园区影响所述毒性物质累积暴露量的环境因子；
第二确定模块，用于对所述环境因子进行筛选，确定影响所述毒性物质累积暴露量的主要环境因子；
第二建立模块，用于根据所述主要环境因子，结合时间序列和多变量自回归模型建立时序演变预测模型，所述时序演变预测模型用于预测所述工业园区未来土壤环境中毒性物质的累积暴露量；
第三建立模块，用于根据所述物种敏感度曲线以及由所述时序演变预测模型预测的未来土壤环境中毒性物质的累积暴露量，同时结合联合概率密度模型建立风险预测模型，所述风险预测模型至少用于对所述工业园区的土壤环境在未来受所述毒性物质污染的概率进行预测；
预测模块，用于根据所述预测模型预测所述土壤环境未来受所述毒性物质污染的概率预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211461677.6A CN115936192A (zh) | 2022-11-17 | 2022-11-17 | 一种土壤环境污染物风险预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211461677.6A CN115936192A (zh) | 2022-11-17 | 2022-11-17 | 一种土壤环境污染物风险预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115936192A true CN115936192A (zh) | 2023-04-07 |
Family
ID=86698435
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211461677.6A Pending CN115936192A (zh) | 2022-11-17 | 2022-11-17 | 一种土壤环境污染物风险预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115936192A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN118428607A (zh) * | 2024-07-02 | 2024-08-02 | 江苏旭龙环境科技有限公司 | 一种抗生素全生命周期在线监测管理方法及系统 |
-
2022
- 2022-11-17 CN CN202211461677.6A patent/CN115936192A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116559108A (zh) * | 2023-05-19 | 2023-08-08 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN116559108B (zh) * | 2023-05-19 | 2024-01-12 | 中国科学院地理科学与资源研究所 | 一种低浓度石油烃污染土壤近红外光谱诊断指标提取方法 |
| CN118428607A (zh) * | 2024-07-02 | 2024-08-02 | 江苏旭龙环境科技有限公司 | 一种抗生素全生命周期在线监测管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115936192A (zh) | 一种土壤环境污染物风险预测方法及系统 | |
| CN105631203A (zh) | 识别土壤中重金属污染源的方法 | |
| Wood | EIA in plan making | |
| Hollaway et al. | The challenges of modelling phosphorus in a headwater catchment: Applying a ‘limits of acceptability’uncertainty framework to a water quality model | |
| CN112381369B (zh) | 基于在线光谱识别的水体污染溯源和风险预测评估方法 | |
| CN111126702B (zh) | 道路面源污染信息预测方法、装置、设备及存储介质 | |
| CN117116382B (zh) | 引水工程影响下受水湖泊水质时空预测方法和系统 | |
| Nasir et al. | Application of receptor models on water quality data in source apportionment in Kuantan River Basin | |
| Huang et al. | Ecological risk assessment from the perspective of soil heavy metal accumulations in Xiamen city, China | |
| Mirzaei et al. | Model calibration and uncertainty analysis of runoff in the Zayanderood River basin using generalized likelihood uncertainty estimation (GLUE) method | |
| Hession et al. | Watershed‐level uncertainties: Implications for phosphorus management and eutrophication | |
| CN117114505A (zh) | 一种建筑施工现场环境监测方法及系统 | |
| CN116934102B (zh) | 一种用于工业园区的环境风险管控系统 | |
| Chawishborwornworng et al. | Bootstrap approach for quantifying the uncertainty in modeling of the water quality index using principal component analysis and artificial intelligence | |
| Dios et al. | A mixed top-down and bottom-up methodology in spatial segregation of emissions based on GIS tools | |
| Avellaneda et al. | On parameter estimation of urban storm-water runoff model | |
| Asadollahfardi et al. | Air pollution study using factor analysis and univariate Box-Jenkins modeling for the northwest of Tehran | |
| Nickel et al. | Correlation of modelled atmospheric deposition of cadmium, mercury and lead with the measured enrichment of these elements in moss | |
| CN118396386B (zh) | 一种基于城市水体返黑返臭高风险环节识别及达标评估的方法体系及系统 | |
| Astel et al. | Multivariate statistics as means of tracking atmospheric pollution trends in western Poland | |
| León et al. | Solutions and planning tools for water supply and wastewater management in prosperous regions tackling water scarcity | |
| Bae | The Modelling Approach for Predicting Coastal Pollutions using Rainfall Distributions over Different Land Use/Land Cover | |
| Kotas | National survey of pesticides in drinking water wells | |
| Aydöner | Development and application of a GIS tool in the design of surface water quality monitoring networks: A micro-watershed–based approach | |
| Spaetzel | Investigating uncertainty of phosphorus loading estimation in the Charles River Watershed, eastern Massachusetts |
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 |