CN116384624A - 用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统 - Google Patents
用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统 Download PDFInfo
- Publication number
- CN116384624A CN116384624A CN202310249676.3A CN202310249676A CN116384624A CN 116384624 A CN116384624 A CN 116384624A CN 202310249676 A CN202310249676 A CN 202310249676A CN 116384624 A CN116384624 A CN 116384624A
- Authority
- CN
- China
- Prior art keywords
- soil
- heavy metal
- regional
- metal content
- ploughing
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003971 tillage Methods 0.000 title claims description 22
- 229910001385 heavy metal Inorganic materials 0.000 claims abstract description 121
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000013058 risk prediction model Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 230000001419 dependent effect Effects 0.000 claims abstract description 13
- 239000010410 layer Substances 0.000 claims description 23
- 239000002344 surface layer Substances 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 241000209140 Triticum Species 0.000 description 28
- 235000021307 Triticum Nutrition 0.000 description 28
- 235000013339 cereals Nutrition 0.000 description 21
- 238000011160 research Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 229910052793 cadmium Inorganic materials 0.000 description 4
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000003900 soil pollution Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 241000209082 Lolium Species 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 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
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000012754 barrier agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统，涉及土壤深翻耕技术领域，首先以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型；建立深翻耕措施前区域土壤重金属含量垂直方向分布矩阵；确定区域农作物重金属污染防治目标，基于区域农作物重金属污染防治目标和贝叶斯风险预测模型，得到区域土壤重金属含量安全值；将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵进行比较，得到区域土壤最优翻耕深度。本发明可根据区域农作物安全生产的土壤重金属含量水平，综合得到最优的翻耕深度。
Description
技术领域
本发明涉及土壤深翻耕技术领域，更具体的说是涉及一种用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统。
背景技术
重金属(镉、铅、汞等)为生物非必需元素，通过大气沉降、污水灌溉等方式进入农田(耕作层)，进而通过农产品(小麦、水稻等)富集进入食物链，危害人体健康。明晰土壤—农作物系统重金属富集过程，降低农作物重金属富集趋势，是保障粮食安全和维护区域民众健康的关键步骤。
近年来，石灰、生物炭等钝化剂材料，铁基肥料、锰基肥料等阻隔剂材料在我国污染农田的应用增加趋势明显，但这些材料的实际应用效果存在很大的不确定性。深翻耕是世界范围内广泛采用的传统农业技术，该技术通过混匀或互换表层和深层土壤，可有效改善土壤耕层结构，提高土壤水分，促进农作物根系生长发育，提高作物产量。由于土壤重金属多集中在表层土壤(耕作层，0～20cm)中，而在深层(>20cm)土壤中含量较低。近年来国内外部分学者推荐使用深翻耕技术来降低土壤重金属含量，提升土壤污染修复效率。山东省农业科学院农业资源与环境研究所研究发现深翻耕处理后，某污灌区小麦籽粒重金属含量全部达标。四川省生态环境科学研究院研究发现在各项修复措施中，深翻耕降镉效果最为显著，深翻耕与土壤钝化剂的联合使用可降低95.5％的稻米镉含量。西班牙高等科学研究理事会进一步指出翻耕对不同土层土壤重金属含量影响不一，深翻耕与微肥的联合使用可以在降低黑麦草和玉米重金属吸收的同时补充提升土壤健康状态和农作物产量。与现行土壤修复措施相比，深翻耕措施(i)一直作为改善土壤孔隙状况，提升肥水利用率，防治害虫和提升农作物产量的常规手段；(ii)对比常规修复材料对农田更为友好，民众接受度高；(iii)价格经济、操作简单，具有大面积应用的潜力。
在深翻耕措施应用中，采用适宜的翻耕深度是确保土壤翻耕质量的重要参数，因此如何选取最优翻耕深度，是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统。
为了实现上述目的，本发明提供如下技术方案：
一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，包括以下步骤：
步骤1、以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型；
步骤2、建立深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore；
步骤3、确定区域农作物重金属污染防治目标，基于区域农作物重金属污染防治目标和贝叶斯风险预测模型，得到区域土壤重金属含量安全值；
步骤4、将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，得到区域土壤最优翻耕深度。
可选的，所述步骤1中，构建贝叶斯风险预测模型的步骤为：
获取n个土壤-农作物配对样品作为先验数据，m个土壤-农作物配对样品作为后验数据；按照农作物重金属含量是否超标，将所述先验数据划分为n1个达标样品和n2＝n-n1个超标样品；
将所述先验数据进行数据转换，以使先验数据呈现正态分布，并建立先验数据的正态分布密度函数；
根据所述先验数据的正态分布密度函数，建立贝叶斯风险预测模型。
可选的，所述贝叶斯风险预测模型为：
式中，P为农作物重金属含量超标的贝叶斯风险概率；n1/n、n2/n分别为先验数据中农作物重金属含量不超标和超标所占比例；μ1和σ1分别为先验数据中农作物重金属含量不超标条件下土壤重金属含量的平均值和标准差；μ2和σ2分别为先验数据中农作物重金属含量超标条件下土壤重金属含量的平均值和标准差；x为后验数据中土壤重金属含量。
可选的，深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore的构建方法为：
以预设长度对区域土壤进行垂直方向上的分层；
采集每一层土壤的重金属含量，构建深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore。
可选的，所述步骤3中，以区域农作物重金属污染防治目标作为因变量输入贝叶斯风险预测模型中，通过模拟得到区域土壤重金属含量安全值。
可选的，所述步骤4中，将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，以分布矩阵Wbefore中差值最小的土壤重金属含量所对应的土壤表层深度作为区域土壤最优翻耕深度。
一种用于深翻耕措施的区域土壤最优翻耕深度确定系统，包括：
贝叶斯风险预测模型构建模块，用于以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型；
区域土壤重金属含量垂直方向分布矩阵构建模块，用于建立深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore；
区域土壤重金属含量安全值确定模块，用于确定区域农作物重金属污染防治目标，并基于区域农作物重金属污染防治目标和贝叶斯风险预测模型，得到区域土壤重金属含量安全值；
最优翻耕深度确定模块，用于将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，得到区域土壤最优翻耕深度。
经由上述的技术方案可知，本发明提供了一种用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统，与现有技术相比，具有以下有益效果：
本发明基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型，基于该模型得到区域土壤重金属含量安全值，并结合深翻耕措施前区域土壤重金属含量垂直方向分布矩阵，最终确定出区域土壤最优翻耕深度。本发明可根据区域农作物安全生产的土壤重金属含量水平，综合得到最优的翻耕深度。
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为深翻耕措施大田操作示意图；
图2为贝叶斯风险预测模型预测的小麦籽粒Cd超标概率示意图；
图3为区域土壤Cd含量垂直分布特征示意图；
图4(a)为不同翻耕措施下土壤Cd含量变化特征示意图；
图4(b)为不同翻耕措施下小麦籽粒Cd含量变化特征示意图；
图5为本发明方法步骤示意图。
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。
实施例1
本发明实施例公开了一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，参见图5，包括以下步骤：
步骤1、以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型。
贝叶斯估计的计算方程为：
式中P(A|B)表示随机事件B发生的情况下随机事件A发生的条件概率(即随机事件A发生的后验概率)，P(Ai)和P(Aj)为随机事件A发生的两个关键变量的先验概率，P(B|Ai)和P(B|Aj)为在变量Ai和Aj影响下随机事件A发生后随机事件B发生的条件概率。
在本实施例中，以小麦籽粒镉污染防治为研究对象，即以区域土壤Cd含量作为关键参数，以小麦籽粒Cd超标率作为因变量。首先随机选取n个土壤-小麦配对样品作为先验数据，剩下的土壤-小麦配对样品作为后验数据；按照小麦籽粒重金属含量是否超标，将所述先验数据划分为n1个达标样品和n2＝n-n1个超标样品；将所述先验数据进行数据转换，以使先验数据呈现正态分布，并建立先验数据的正态分布密度函数，计算超标条件和达标条件下土壤Cd含量的均值和标准差；根据所述先验数据的正态分布密度函数，结合贝叶斯估计，建立贝叶斯风险预测模型：
式中，P为小麦籽粒重金属Cd含量超标的贝叶斯风险概率；n1/n、n2/n分别为先验数据中小麦籽粒重金属Cd含量不超标和超标所占比例；μ1和σ1分别为先验数据中小麦籽粒重金属Cd含量不超标条件下土壤重金属Cd含量的平均值和标准差；μ2和σ2分别为先验数据中农作物重金属Cd含量超标条件下土壤重金属Cd含量的平均值和标准差；x为后验数据中土壤重金属Cd观测变量。
贝叶斯风险预测模型的预测结果可通过可决系数(R2)进行检验，具体方程参见公式3。
式中ypi表示目标变量的预测值，yi表示目标变量观测值，本实施例中目标变量为小麦籽粒Cd含量超标率。
步骤2、以预设长度(本实施例中以20cm进行分层，共分5层)对区域土壤进行垂直方向上的分层；采集每一层土壤的重金属Cd含量，构建深翻耕措施前区域土壤重金属Cd含量垂直方向分布矩阵：
Wbefore＝{Cd10,Cd30,Cd50,Cd70,Cd90} (4)
式中，Cd10，Cd30，Cd50，Cd70和Cd90分别代表土壤表层0-20cm，20-40cm,40-60cm,60-80cm和80-100cm土壤层所对应的土壤Cd含量。
步骤3、确定区域小麦Cd污染防治目标(例如P90％，90％的达标率)，以区域农作物重金属污染防治目标作为因变量输入贝叶斯风险预测模型中，通过多次模拟得到区域土壤Cd含量安全值(μsafe，mg kg-1)。
步骤4、将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，以分布矩阵Wbefore中差值最小的土壤重金属含量所对应的土壤表层深度(dsafe，cm)作为区域土壤最优翻耕深度，具体方程参见公式5。
P40％＝f(μsafe)＝f(dsafe) (5)
通过上述方案深翻耕后，表层土壤Cd含量为安全值(μsafe，mg kg-1)，而翻耕层(dsafe，cm)土壤Cd含量变为原先土壤表层对应的土壤Cd含量(Cd0，mg kg-1)。本例中，区域小麦安全生产所对应的土壤Cd安全值对应的翻耕深度为40cm，相应的，新的土壤Cd垂直方向分布矩阵(Wafter)可以表征为公式6：
Wafter＝{Cd50,Cd10,Cd30,Cd70,Cd90} (6)
实施例2
另一实施例中还公开一种用于深翻耕措施的区域土壤最优翻耕深度确定系统，包括：
贝叶斯风险预测模型构建模块，用于以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型；
区域土壤重金属含量垂直方向分布矩阵构建模块，用于建立深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore；
区域土壤重金属含量安全值确定模块，用于确定区域农作物重金属污染防治目标，并基于区域农作物重金属污染防治目标和贝叶斯风险预测模型，得到区域土壤重金属含量安全值；
最优翻耕深度确定模块，用于将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，得到区域土壤最优翻耕深度。
对于实施例公开的系统模块而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
实施例3
本实施例通过具体实验数据证明本发明方案的有效性。
选择河南省某市为研究区，通过区域采样和剖面采样(113个采样点)获取多源参数，区域调查土壤Cd含量和小麦籽粒Cd含量如表1所示。研究区域周边农田土壤Cd含量为1.09±1.98mg kg-1，是农用地土壤污染风险筛选值(0.6mg kg-1，GB 15618-2018，pH≥7.5)的1.82倍，污染较为严重。小麦籽粒Cd含量范围为0.0216～0.947mg kg-1，平均值为0.171mgkg-1，是小麦籽粒Cd限量(0.1mg kg-1，GB 2762-2017)的1.71倍，小麦籽粒Cd超标率为超标率达57.5％(65/113)。
表1区域大田调查样品pH及重金属含量(mg·kg-1)
小麦籽粒Cd含量与土壤Cd相关性极高(R2＝0.801)。定义土壤Cd为关键参数，定义小麦籽粒Cd超标率为因变量，构建基于贝叶斯估计的风险预测模型，模型相关参数见表2。在先验数据满足正态分布的前提下(经对数转换)，随机抽取57对样品数据作为先验数据，其余56对为后验数据。模型预测的小麦籽粒Cd含量超标风险概率(P＝60.3％)，与小麦籽粒Cd真实超标率(P真＝0.554)对比，其相对偏差仅为8.99％(图2)。对113对样品共进行25次不重复随机抽样，并计算相应贝叶斯风险预测概率(图2)。以土壤Cd为关键参数时，预测的小麦籽粒Cd超标风险概率(P)的变化范围在0.499～0.655，与真实超标率(P真＝0.536～0.643)的相对偏差平均值进一步下降到5.88±3.87％(图2)。可见所构建的贝叶斯风险预测模型能够准确地预测小麦籽粒Cd超标概率，预测结果稳定且偏差固定在10％范围以内。
表2随机抽样后的贝叶斯风险预测模型参数
应用所构建的贝叶斯风险预测模型，设定小麦籽粒Cd超标率P＝5％～10％，模拟100次得到当土壤Cd含量为0.45mg kg-1左右时，小麦籽粒Cd超标率稳定在5％～10％左右。即通过各项措施将区域土壤耕作层Cd含量降低至0.45mg kg-1时，可保证区域耕地安全利用率在90％以上。
绘制区域土壤剖面Cd含量垂直分布图(参见图3，图3中不同字母表示差异达到0.05的显著水平)。由图3可知，随着土壤深度增加，土壤Cd含量显著降低(p<0.05)。在0～20cm的耕作层，土壤Cd含量高达2.53mg/kg，超过Cd污染风险筛选值3.22倍。20～40cm土层中，Cd含量显著降低，但变异较大，为1.38±0.61mg/kg。在40cm及更深层的土层中，Cd含量再次显著降低且变异系数较低，其中40～60cm、60～80cm、80～100cm土壤Cd含量分别为0.17、0.16和0.21mg kg-1，即深层土壤中Cd含量低于Cd污染风险筛选值且变异较小。可见研究区Cd在耕作层(0～20cm)土壤中显著累积，且在土壤剖面中随着深度增加而显著下降。
区域小麦籽粒Cd含量与土壤Cd含量显著相关(R2＝0.801)，且深层土壤Cd含量显著低于表层土壤(图3)。通过深翻耕措施可显著降低耕作层土壤Cd含量，并进一步降低小麦籽粒Cd含量，技术优势明显(图1)。基于贝叶斯估计模型模拟得出区域土壤耕作层Cd安全值为0.45mg kg-1。由区域土壤剖面Cd含量垂直分布图可知，20～40cm土层Cd含量变异较大，50cm时土壤Cd含量变幅较小且在安全值内，因此判定土层>50cm为安全翻耕深度(图3)。由于本实施例中按20cm分层取样，同时考虑经济成本，得出表层(0-20cm)和40-60cm土层互换为区域Cd污染防控最优深翻耕措施。
在此基础上开展深翻耕措施，不同翻耕措施应用结果如图4(a)、图4(b)所示。与对照组土壤表层Cd含量(1.76mg kg-1)相比，基于贝叶斯统计优化的翻耕措施土壤Cd含量显著降低到0.314mg kg-1，降幅达82.2％。与对照相比，传统翻耕组(未优化翻耕深度和混匀措施)土壤表层Cd含量为1.29mg kg-1，与对照相比降幅仅为26.7％。优化翻耕区小麦籽粒Cd含量平均值为0.109mg kg-1，显著低于对照组(0.148mg kg-1)和传统翻耕组(0.109mg kg-1)。优化翻耕区小麦籽粒Cd含量合格率为91.7％(11/12)，与模型模拟结果基本一致。
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 (7)
1.一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，其特征在于，包括以下步骤：
步骤1、以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型；
步骤2、建立深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore；
步骤3、确定区域农作物重金属污染防治目标，基于区域农作物重金属污染防治目标和贝叶斯风险预测模型，得到区域土壤重金属含量安全值；
步骤4、将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，得到区域土壤最优翻耕深度。
2.根据权利要求1所述的一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，其特征在于，所述步骤1中，构建贝叶斯风险预测模型的步骤为：
获取n个土壤-农作物配对样品作为先验数据，m个土壤-农作物配对样品作为后验数据；按照农作物重金属含量是否超标，将所述先验数据划分为n1个达标样品和n2＝n-n1个超标样品；
将所述先验数据进行数据转换，以使先验数据呈现正态分布，并建立先验数据的正态分布密度函数；
根据所述先验数据的正态分布密度函数，建立贝叶斯风险预测模型。
3.根据权利要求2所述的一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，其特征在于，所述贝叶斯风险预测模型为：
式中，P为农作物重金属含量超标的贝叶斯风险概率；n1/n、n2/n分别为先验数据中农作物重金属含量不超标和超标所占比例；μ1和σ1分别为先验数据中农作物重金属含量不超标条件下土壤重金属含量的平均值和标准差；μ2和σ2分别为先验数据中农作物重金属含量超标条件下土壤重金属含量的平均值和标准差；x为后验数据中土壤重金属含量。
4.根据权利要求1所述的一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，其特征在于，深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore的构建方法为：
以预设长度对区域土壤进行垂直方向上的分层；
采集每一层土壤的重金属含量，构建深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore。
5.根据权利要求1所述的一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，其特征在于，所述步骤3中，以区域农作物重金属污染防治目标作为因变量输入贝叶斯风险预测模型中，通过模拟得到区域土壤重金属含量安全值。
6.根据权利要求4所述的一种用于深翻耕措施的区域土壤最优翻耕深度确定方法，其特征在于，所述步骤4中，将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，以分布矩阵Wbefore中差值最小的土壤重金属含量所对应的土壤表层深度作为区域土壤最优翻耕深度。
7.一种用于深翻耕措施的区域土壤最优翻耕深度确定系统，其特征在于，包括：
贝叶斯风险预测模型构建模块，用于以区域土壤重金属含量为关键参数，以农作物重金属超标率为因变量，基于贝叶斯估计，构建用于预测农作物重金属超标率的贝叶斯风险预测模型；
区域土壤重金属含量垂直方向分布矩阵构建模块，用于建立深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore；
区域土壤重金属含量安全值确定模块，用于确定区域农作物重金属污染防治目标，并基于区域农作物重金属污染防治目标和贝叶斯风险预测模型，得到区域土壤重金属含量安全值；
最优翻耕深度确定模块，用于将区域土壤重金属含量安全值与深翻耕措施前区域土壤重金属含量垂直方向分布矩阵Wbefore进行比较，得到区域土壤最优翻耕深度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310249676.3A CN116384624B (zh) | 2023-03-13 | 2023-03-13 | 用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310249676.3A CN116384624B (zh) | 2023-03-13 | 2023-03-13 | 用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384624A true CN116384624A (zh) | 2023-07-04 |
| CN116384624B CN116384624B (zh) | 2023-09-05 |
Family
ID=86976063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310249676.3A Active CN116384624B (zh) | 2023-03-13 | 2023-03-13 | 用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384624B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001202358A (ja) * | 2000-01-21 | 2001-07-27 | Nippon Telegr & Teleph Corp <Ntt> | 混合モデルのベイズ推定方法および混合モデルのベイズ推定プログラムを記録した記録媒体 |
| JP2005013786A (ja) * | 2003-06-23 | 2005-01-20 | Gifu Prefecture | 土壌からの重金属流出量の推定方法及び推定プログラム |
| CN105044307A (zh) * | 2015-07-14 | 2015-11-11 | 中国科学院沈阳应用生态研究所 | 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 |
| CN105868481A (zh) * | 2016-04-06 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 基于贝叶斯理论的海洋平台桩靴基础安装风险控制方法 |
| CN108549620A (zh) * | 2018-03-07 | 2018-09-18 | 广东省生态环境技术研究所 | 一种土壤重金属生物有效性的估计方法、系统和装置 |
| CN109726360A (zh) * | 2018-12-29 | 2019-05-07 | 韩瑞峰 | 一种农作物监测数据处理方法和系统 |
| AU2020100440A4 (en) * | 2020-01-21 | 2020-04-23 | Institute Of Agricultural Resources And Environment Hebei Academy Of Agriculture And Forestry Sciences | The high-risk area identification method and differential processing method for land agricultural product producing areas |
| AU2020101750A4 (en) * | 2020-08-10 | 2020-09-17 | Anqing Normal University | Method for establishing a fitting model for extracting a heavy metal from soil with a low molecular weight organic acid |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| CN114167031A (zh) * | 2021-11-22 | 2022-03-11 | 中国环境科学研究院 | 一种土壤重金属生物可利用性含量预测的方法 |
| 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 |
| CN114971263A (zh) * | 2022-05-23 | 2022-08-30 | 中南大学 | 一种矿冶区“渣-土-水”体系重金属迁移风险预测方法 |
| WO2022200601A1 (en) * | 2021-03-25 | 2022-09-29 | Basf Se | Computer-implemented method for determining a treatment schedule based on a soil-related sustainability score as technical indicator for carbon farming potential of an agricultural field or a sub-field zone |
| 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 |
-
2023
- 2023-03-13 CN CN202310249676.3A patent/CN116384624B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001202358A (ja) * | 2000-01-21 | 2001-07-27 | Nippon Telegr & Teleph Corp <Ntt> | 混合モデルのベイズ推定方法および混合モデルのベイズ推定プログラムを記録した記録媒体 |
| JP2005013786A (ja) * | 2003-06-23 | 2005-01-20 | Gifu Prefecture | 土壌からの重金属流出量の推定方法及び推定プログラム |
| CN105044307A (zh) * | 2015-07-14 | 2015-11-11 | 中国科学院沈阳应用生态研究所 | 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 |
| CN105868481A (zh) * | 2016-04-06 | 2016-08-17 | 哈尔滨工业大学深圳研究生院 | 基于贝叶斯理论的海洋平台桩靴基础安装风险控制方法 |
| CN108549620A (zh) * | 2018-03-07 | 2018-09-18 | 广东省生态环境技术研究所 | 一种土壤重金属生物有效性的估计方法、系统和装置 |
| CN109726360A (zh) * | 2018-12-29 | 2019-05-07 | 韩瑞峰 | 一种农作物监测数据处理方法和系统 |
| AU2020100440A4 (en) * | 2020-01-21 | 2020-04-23 | Institute Of Agricultural Resources And Environment Hebei Academy Of Agriculture And Forestry Sciences | The high-risk area identification method and differential processing method for land agricultural product producing areas |
| CN112017061A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 基于贝叶斯深度学习的金融风险预测方法、装置和电子设备 |
| AU2020101750A4 (en) * | 2020-08-10 | 2020-09-17 | Anqing Normal University | Method for establishing a fitting model for extracting a heavy metal from soil with a low molecular weight organic acid |
| WO2022200601A1 (en) * | 2021-03-25 | 2022-09-29 | Basf Se | Computer-implemented method for determining a treatment schedule based on a soil-related sustainability score as technical indicator for carbon farming potential of an agricultural field or a sub-field zone |
| CN114167031A (zh) * | 2021-11-22 | 2022-03-11 | 中国环境科学研究院 | 一种土壤重金属生物可利用性含量预测的方法 |
| 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 |
| CN114971263A (zh) * | 2022-05-23 | 2022-08-30 | 中南大学 | 一种矿冶区“渣-土-水”体系重金属迁移风险预测方法 |
| 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 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| 刘金格: "基于EO优化SVM 的农产品重金属超标概率预测", CHANGJIANG INFORMATION &COMMUNICATIONS, no. 4, pages 91 - 93 * |
| 徐晶晶;吴波;张玲妍;郭书海;李刚;李凤梅;: "基于贝叶斯方法的湖南湘潭稻米Cd超标风险评估", 应用生态学报, no. 10, pages 3221 - 3226 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384624B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An optimal regional nitrogen application threshold for wheat in the North China Plain considering yield and environmental effects | |
| Busari et al. | Conservation tillage impacts on soil, crop and the environment | |
| Hati et al. | Changes in soil physical properties and organic carbon status at the topsoil horizon of a vertisol of central India after 28 years of continuous cropping, fertilization and manuring | |
| Schaffner et al. | Modeling the contribution of point sources and non-point sources to Thachin River water pollution | |
| Lal | Enhancing crop yields in the developing countries through restoration of the soil organic carbon pool in agricultural lands | |
| Liu et al. | Nitrogen leaching greatly impacts bacterial community and denitrifiers abundance in subsoil under long-term fertilization | |
| Celik et al. | Soil quality assessment to compare tillage systems in Cukurova Plain, Turkey | |
| Zhou et al. | Economic and soil environmental benefits of using controlled‐release bulk blending urea in the North China Plain | |
| Zhu et al. | Environmental variables controlling soil organic carbon in top-and sub-soils in karst region of southwestern China | |
| Zhang et al. | The lagging movement of soil nitrate in comparison to that of soil water in the 500-cm soil profile | |
| CN116384624B (zh) | 用于深翻耕措施的区域土壤最优翻耕深度确定方法及系统 | |
| Wu et al. | Seasonal dynamics of odor compounds concentration driven by phytoplankton succession in a subtropical drinking water reservoir, southeast China | |
| Zain et al. | Suitable nitrogen application mode and lateral spacing for drip-irrigated winter wheat in North China Plain | |
| Jin et al. | Redistribution and loss of soil organic carbon by overland flow under various soil management practices on the Chinese Loess Plateau | |
| Sharma et al. | Influence of Tillage and Nutrient Sources on Yield Sustainability and Soil Quality under Sorghum–Mung Bean System in Rainfed Semi‐arid Tropics | |
| Deng et al. | Effects of five years conservation tillage for hedging against drought, stabilizing maize yield, and improving soil environment in the drylands of northern China | |
| Sullivan et al. | Long-term effects of subsurface drainage on soil organic carbon content and infiltration in the surface horizons of a lakebed soil in northwest Ohio | |
| CN107548600A (zh) | 一种提高黑土土壤肥力的方法 | |
| Răus et al. | Impact of different soil tillage systems and organo-mineral fertilization on physical properties of the soil and on crops yield in pedoclimatical conditions of Moldavian Plateau. | |
| He et al. | Effects of strip rotary tillage with subsoiling on soil enzyme activity, soil fertility, and wheat yield. | |
| CN109034496B (zh) | 一种减缓坡面农业面源污染的坡垄沟最优参数确定方法 | |
| Zare et al. | Effects of biosolids application on temporal variations in soil physical and unsaturated hydraulic properties | |
| Jin et al. | Effects of different soil management practices on total P and Olsen-P sediment loss: A field rainfall simulation study | |
| Esser | Hardpan and maize root distribution under conservation and conventional tillage in agro-ecological zone IIa, Zambia | |
| Nwite et al. | Sawah rice system, a technology for sustainable rice production and soil chemical properties improvement in Ebonyi State of Southeastern Nigeria |
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 |